JP2018181004A - 教師データ生成装置 - Google Patents

Abstract

【課題】教師あり機械学習においてより適切な教師データを生成すること。【解決手段】携帯端末２を携帯するユーザの健康状態を示す健康値を推定するための推定モデルを教師あり機械学習によって構築する際に利用する、健康値の教師データを生成する教師データ生成装置１は、ユーザの健康情報を取得する健康情報取得部１５と、健康情報取得部１５によってユーザの健康情報を取得した際の、当該ユーザが携帯する携帯端末２の動作を示す動作情報を取得する動作情報取得部１６と、健康情報取得部１５によって取得された健康情報と動作情報取得部１６によって取得された動作情報とに基づいて、健康値の教師データを生成する教師データ生成部１７と、を備える。【選択図】図２

Description

本発明は、携帯端末を携帯するユーザの健康状態を示す健康値を推定するための推定モデルを教師あり機械学習によって構築する際に利用する、健康値の教師データを生成する教師データ生成装置に関する。

下記非特許文献１では、スマートフォンのアプリケーションによって、ユーザの位置と、ユーザの憂鬱気分を定量化する日々のアンケートへの回答とを定期的に収集し、教師あり機械学習を利用して、ユーザの憂鬱加減（ＰＨＱスコア）を推定する方法が開示されている。

Luca Canzian、Mirco Musolesi著，「Trajectories of Depression: Unobtrusive Monitoring of Depressive States by means of Smartphone Mobility Traces Analysis」，In Proceedings of the 2015 ACM International Joint Conference on Pervasive and Ubiquitous Computing，２０１５年

しかしながら、アンケートへの回答では、ユーザ本人が憂鬱さに気づいていない場合、憂鬱気分を正確に定量化できない。すなわち、アンケートへの回答に基づいて定量化されたデータは、教師あり機械学習における教師データとしては適切ではない。また、心拍間隔などの生体情報を教師データとすることで定量的に心理状態を計測できるが、心拍間隔は心理的な影響以外に運動などの身体的な動きの影響も受けるため、そのまま教師データとすることは適切ではない。

そこで、本発明は、かかる課題に鑑みて為されたものであり、教師あり機械学習においてより適切な教師データを生成することができる教師データ生成装置を提供することを目的とする。

上記課題を解決するため、本発明の一側面に係る教師データ生成装置は、携帯端末を携帯するユーザの健康状態を示す健康値を推定するための推定モデルを教師あり機械学習によって構築する際に利用する、健康値の教師データを生成する教師データ生成装置であって、ユーザの健康情報を取得する健康情報取得部と、健康情報取得部によってユーザの健康情報を取得した際の、当該ユーザが携帯する携帯端末の動作を示す動作情報を取得する動作情報取得部と、健康情報取得部によって取得された健康情報と動作情報取得部によって取得された動作情報とに基づいて、健康値の教師データを生成する教師データ生成部と、を備える。

このような教師データ生成装置によれば、取得したユーザの健康情報と当該ユーザが携帯する携帯端末の動作を示す動作情報とに基づいて健康値の教師データが生成される。つまり、ユーザがアンケートに答えた結果等、ユーザによる主観的なデータに基づかず、健康情報と動作情報とに基づいて健康値の教師データが生成されるため、教師あり機械学習においてより適切な教師データを生成することができる。また、健康情報だけでなく、動作情報にさらに基づいて健康値の教師データが生成されるため、より正確な教師データを生成することができる。

本発明によれば、教師あり機械学習においてより適切な教師データを生成することができる。

本実施形態に係る教師データ生成装置を含む健康値推定システムのシステム構成図である。 本実施形態に係る教師データ生成装置の機能ブロック図である。 本実施形態に係る教師データ生成装置のハードウェア構成図である。 測位履歴テーブル及び滞留点テーブルのテーブル例を示す図である。 気圧センサテーブル及び照度センサテーブルのテーブル例を示す図である。 加速度センサテーブルのテーブル例を示す図である。 アプリ起動履歴テーブルのテーブル例を示す図である。 端末ＯＮ／ＯＦＦ履歴テーブルのテーブル例を示す図である。 特徴量テーブルのテーブル例を示す図である。 次元圧縮特徴量テーブルのテーブル例を示す図である。 次元圧縮した特徴量をクラスタリングした結果の例を示す図である。 所属クラスタテーブルのテーブル例を示す図である。 ＲＲＩデータ並びにＬＦ及びＨＦ成分の例を示す図である。 本実施形態に係る教師データ生成装置により実行される教師データ生成処理の第１例を示すフローチャートである。 本実施形態に係る教師データ生成装置により実行される教師データ生成処理の第２例を示すフローチャートである。 加速度と閾値との関係例を示す図である。 推定モデルの入力となるデータのテーブル例を示す図である。 入力となる特徴量のテーブル例を示す図である。

以下、図面とともに教師データ生成装置の実施形態について詳細に説明する。なお、図面の説明においては同一要素には同一符号を付し、重複する説明を省略する。また、以下の説明における実施形態は、本発明の具体例であり、特に本発明を限定する旨の記載がない限り、これらの実施形態に限定されないものとする。

図１は、本実施形態に係る教師データ生成装置１を含む健康値推定システム３のシステム構成図である。図１に示す通り、健康値推定システム３は、教師データ生成装置１及び一つ以上の携帯端末２を含んで構成される。教師データ生成装置１と各携帯端末２とは移動体通信ネットワーク等のネットワークによって互いに通信接続され、互いに情報を送受信可能である。

教師データ生成装置１は、携帯端末２を携帯するユーザの健康状態を示す健康値を推定するための推定モデルを教師あり機械学習によって構築する際に利用する、健康値の教師データを生成するサーバ装置である。教師データ生成装置１は、さらに、携帯端末２に蓄積されたログ情報に基づく特徴量と、生成した健康値の教師データとの組から、教師あり機械学習によって推定モデルを構築する。そして、教師データ生成装置１は、携帯端末２に蓄積された新たなログ情報に基づく特徴量を、構築した推定モデルに入力することで、当該携帯端末２を携帯するユーザの健康値を推定する。教師データ生成装置１の詳細については後述する。

携帯端末２は、移動体通信を行う移動体通信端末、スマートフォン、及びノートパソコン等のコンピュータ装置である。携帯端末２は、携帯端末２のユーザによって携帯される。

携帯端末２は、各種センサを備え、センサが定期的又は任意のタイミングで取得したセンサログを蓄積し、蓄積したセンサログを定期的又は任意のタイミングで教師データ生成装置１に送信する。具体的には、携帯端末２はセンサとして、携帯端末２の位置情報（緯度、経度等）のログを取得するＧＰＳ（Global Positioning System）、携帯端末２における気圧のログを取得する気圧センサ、携帯端末２における照度のログを取得する照度センサ、及び携帯端末２の加速度（ｘ軸方向成分、ｙ軸方向成分及びｚ軸方向成分の加速度等）のログを取得する加速度センサを備える。携帯端末２は、センサが取得したセンサログを蓄積する際に、センサログを取得した日時を示す日時情報と、携帯端末２のユーザを識別するユーザＩＤとを対応付けて蓄積してもよい。

携帯端末２は、携帯端末２の動作に基づく動作ログを定期的又は任意のタイミングで蓄積し、蓄積した動作ログを定期的又は任意のタイミングで教師データ生成装置１に送信する。具体的には、携帯端末２は動作ログとして、携帯端末２にて起動したアプリケーションを識別するアプリケーション識別情報（アプリケーションのパッケージ名等）と起動した日時を示す日時情報とから構成されるアプリ起動ログ、及び携帯端末２の画面をＯＮ（点灯）に切り替えた日時を示す日時情報及び携帯端末２の画面をＯＦＦ（消灯）に切り替えた日時を示す日時情報から構成される端末ログを蓄積する。携帯端末２は、動作ログを蓄積する際に、携帯端末２のユーザを識別するユーザＩＤを対応付けて蓄積してもよい。

携帯端末２は、その他に備えるセンサが定期的又は任意のタイミングで取得して蓄積したセンサログ、及び定期的又は任意のタイミングで蓄積したその他の動作ログを、定期的又は任意のタイミングで教師データ生成装置１に送信してもよい。

続いて、教師データ生成装置１の機能の詳細について説明する。図２は、教師データ生成装置１の機能ブロック図である。図２に示す通り、教師データ生成装置１は、ログ情報格納部１０、特徴量算出部１１、特徴量情報格納部１２、クラスタリング部１３、クラスタ情報格納部１４、健康情報取得部１５（健康情報取得部）、動作情報取得部１６（動作情報取得部）、教師データ生成部１７（教師データ生成部）、推定モデル生成部１８、推定モデル格納部１９及び健康値推定部２０を含んで構成される。

図２に示す機能ブロック図は、機能単位のブロックを示している。これらの機能ブロック（構成部）は、ハードウェア及び／又はソフトウェアの任意の組み合わせによって実現される。また、各機能ブロックの実現手段は特に限定されない。すなわち、各機能ブロックは、物理的及び／又は論理的に結合した１つの装置により実現されてもよいし、物理的及び／又は論理的に分離した２つ以上の装置を直接的及び／又は間接的に（例えば、有線及び／又は無線）で接続し、これら複数の装置により実現されてもよい。

例えば、教師データ生成装置１は、コンピュータとして機能してもよい。図３は、教師データ生成装置１のハードウェア構成の一例を示す図である。上述の教師データ生成装置１は、物理的には、プロセッサ１００１、メモリ１００２、ストレージ１００３、通信装置１００４、入力装置１００５、出力装置１００６、バス１００７などを含むコンピュータ装置として構成されてもよい。

なお、以下の説明では、「装置」という文言は、回路、デバイス、ユニットなどに読み替えることができる。教師データ生成装置１のハードウェア構成は、図３に示した各装置を１つ又は複数含むように構成されてもよいし、一部の装置を含まずに構成されてもよい。

教師データ生成装置１における各機能は、プロセッサ１００１、メモリ１００２などのハードウェア上に所定のソフトウェア（プログラム）を読み込ませることで、プロセッサ１００１が演算を行い、通信装置１００４による通信や、メモリ１００２及びストレージ１００３におけるデータの読み出し及び／又は書き込みを制御することで実現される。

プロセッサ１００１は、例えば、オペレーティングシステムを動作させてコンピュータ全体を制御する。プロセッサ１００１は、周辺装置とのインターフェース、制御装置、演算装置、レジスタなどを含む中央処理装置（ＣＰＵ：Central Processing Unit）で構成されてもよい。例えば、上述の特徴量算出部１１、クラスタリング部１３、健康情報取得部１５、動作情報取得部１６、教師データ生成部１７、推定モデル生成部１８及び健康値推定部２０などは、プロセッサ１００１で実現されてもよい。

また、プロセッサ１００１は、プログラム（プログラムコード）、ソフトウェアモジュールやデータを、ストレージ１００３及び／又は通信装置１００４からメモリ１００２に読み出し、これらに従って各種の処理を実行する。プログラムとしては、本実施形態で説明する動作の少なくとも一部をコンピュータに実行させるプログラムが用いられる。例えば、上述の特徴量算出部１１、クラスタリング部１３、健康情報取得部１５、動作情報取得部１６、教師データ生成部１７、推定モデル生成部１８及び健康値推定部２０などは、メモリ１００２に格納され、プロセッサ１００１で動作する制御プログラムによって実現されてもよく、他の機能ブロックについても同様に実現されてもよい。上述の各種処理は、１つのプロセッサ１００１で実行される旨を説明してきたが、２以上のプロセッサ１００１により同時又は逐次に実行されてもよい。プロセッサ１００１は、１以上のチップで実装されてもよい。なお、プログラムは、電気通信回線を介してネットワークから送信されても良い。

メモリ１００２は、コンピュータ読み取り可能な記録媒体であり、例えば、ＲＯＭ（Read Only Memory）、ＥＰＲＯＭ（Erasable Programmable ＲＯＭ）、ＥＥＰＲＯＭ（Electrically Erasable Programmable ＲＯＭ）、ＲＡＭ（Random Access Memory）などの少なくとも１つで構成されてもよい。メモリ１００２は、レジスタ、キャッシュ、メインメモリ（主記憶装置）などと呼ばれてもよい。メモリ１００２は、本実施形態に係るページング方法を実施するために実行可能なプログラム（プログラムコード）、ソフトウェアモジュールなどを保存することができる。

ストレージ１００３は、コンピュータ読み取り可能な記録媒体であり、例えば、ＣＤ−ＲＯＭ（Compact Disc ＲＯＭ）などの光ディスク、ハードディスクドライブ、フレキシブルディスク、光磁気ディスク（例えば、コンパクトディスク、デジタル多用途ディスク、Ｂｌｕ−ｒａｙ（登録商標）ディスク）、スマートカード、フラッシュメモリ（例えば、カード、スティック、キードライブ）、フロッピー（登録商標）ディスク、磁気ストリップなどの少なくとも１つで構成されてもよい。ストレージ１００３は、補助記憶装置と呼ばれてもよい。上述の記憶媒体は、例えば、メモリ１００２及び／又はストレージ１００３を含むデータベース、サーバその他の適切な媒体であってもよい。例えば、上述のログ情報格納部１０、特徴量情報格納部１２、クラスタ情報格納部１４及び推定モデル格納部１９などは、ストレージ１００３で実現されてもよい。

通信装置１００４は、有線及び／又は無線ネットワークを介してコンピュータ間の通信を行うためのハードウェア（送受信デバイス）であり、例えばネットワークデバイス、ネットワークコントローラ、ネットワークカード、通信モジュールなどともいう。例えば、上述の健康情報取得部１５及び動作情報取得部１６などは、通信装置１００４で実現されてもよい。

入力装置１００５は、外部からの入力を受け付ける入力デバイス（例えば、キーボード、マウス、マイクロフォン、スイッチ、ボタン、センサなど）である。出力装置１００６は、外部への出力を実施する出力デバイス（例えば、ディスプレイ、スピーカー、LEDランプなど）である。なお、入力装置１００５及び出力装置１００６は、一体となった構成（例えば、タッチパネル）であってもよい。

また、プロセッサ１００１やメモリ１００２などの各装置は、情報を通信するためのバス１００７で接続される。バス１００７は、単一のバスで構成されてもよいし、装置間で異なるバスで構成されてもよい。

また、教師データ生成装置１は、マイクロプロセッサ、デジタル信号プロセッサ（ＤＳＰ：Digital Signal Processor）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＰＬＤ（Programmable Logic Device）、ＦＰＧＡ（Field Programmable Gate Array）などのハードウェアを含んで構成されてもよく、当該ハードウェアにより、各機能ブロックの一部又は全てが実現されてもよい。例えば、プロセッサ１００１は、これらのハードウェアの少なくとも１つで実装されてもよい。

以下、図２に示す教師データ生成装置１の各機能ブロックについて説明する。

ログ情報格納部１０は、携帯端末２から受信したセンサログ及び動作ログを、ログ情報として格納する。ログ情報格納部１０は、ログ情報を、携帯端末２から受信するのではなく教師データ生成装置１の管理者の入力等により予め格納してもよいし、他の装置から受信して格納してもよい。図４〜８は、ログ情報格納部１０によって格納された各種のログ情報のテーブル例を示す図である。以下、具体的に説明する。

図４（ａ）は、ログ情報の一つである測位履歴テーブルのテーブル例を示す図である。測位履歴テーブルは、携帯端末２が備えるＧＰＳが取得した位置情報のログで構成される。図４（ａ）のテーブル例に示す通り、測位履歴テーブルでは、携帯端末２のユーザを識別する「ユーザＩＤ」と、当該携帯端末２の位置情報を取得した日時を示す「日時」と、当該位置情報に含まれる緯度を示す「緯度」と、当該位置情報に含まれる経度を示す「経度」とが対応付いている。

図４（ｂ）は、ログ情報の一つである滞留点テーブルのテーブル例を示す図である。滞留点テーブルは、教師データ生成装置１が備える滞留点算出部（不図示）によって、測位履歴テーブルに基づいて算出され、ログ情報格納部１０によって格納される。以下、滞留点算出部による算出方法について説明する。まず、測位履歴テーブルから特定のユーザのログ（測位履歴）が取得される（例えば、１ヶ月分のログが取得される）。次に、時間的及び空間的に近い位置情報（測位点）がクラスタリングされ、滞留点が抽出される。次に、各滞留点にＩＤ（滞留点ＩＤ）が振られる。滞留点の算出については、下記非特許文献２に開示されている。
非特許文献２：西田京介、戸田浩之、倉島健、内山匡，「確率的訪問ＰＯＩ分析：時空間行動軌跡からのユーザモデリング」，マルチメディア、分散、協調とモバイル（ＤＩＣＯＭＯ２０１３）シンポジウム，平成２５年７月

次に、滞留点が空間的にクラスタリングされ、クラスタ（滞在場所）に滞留点ＩＤとは異なるＩＤ（滞留点クラスタＩＤ）が振られる。滞留点のクラスタリングについては、例えばＭｅａｎ−Ｓｈｉｆｔクラスタリングが利用される。次に、取得したログに含まれる日時に基づいて、滞在場所に滞在を開始した日時及び滞在を終了した日時が算出される。

図４（ｂ）のテーブル例に示す通り、滞留点テーブルでは、携帯端末２のユーザを識別する「ユーザＩＤ」と、上述の通り算出された、当該携帯端末２が滞留している位置情報を示す「滞留点ＩＤ」と、上述の通り算出された、当該携帯端末２の滞在場所を示す「滞留点クラスタＩＤ」と、上述の通り算出された、当該携帯端末２が滞在場所に滞在を開始した日時を示す「滞在開始日時」と、上述の通り算出された、当該携帯端末２が滞在場所に滞在を終了した日時を示す「滞在終了日時」と、当該滞留点ＩＤが示す位置情報の緯度を示す「緯度」と、当該滞留点ＩＤが示す位置情報の経度を示す「経度」とが対応付いている。

図５（ａ）は、ログ情報の一つである気圧センサテーブルのテーブル例を示す図である。気圧センサテーブルは、携帯端末２が備える気圧センサが取得した気圧のログで構成される。図５（ａ）のテーブル例に示す通り、気圧センサテーブルでは、携帯端末２のユーザを識別する「ユーザＩＤ」と、当該携帯端末２における気圧を取得した日時を示す「日時」と、当該気圧の値（単位はヘクトパスカル）を示す「センサ値」とが対応付いている。

図５（ｂ）は、ログ情報の一つである照度センサテーブルのテーブル例を示す図である。照度センサテーブルは、携帯端末２が備える照度センサが取得した照度のログで構成される。図５（ｂ）のテーブル例に示す通り、照度センサテーブルでは、携帯端末２のユーザを識別する「ユーザＩＤ」と、当該携帯端末２における照度を取得した日時を示す「日時」と、当該照度の値（単位はルクス）を示す「センサ値」とが対応付いている。

図６は、ログ情報の一つである加速度センサテーブルのテーブル例を示す図である。加速度センサテーブルは、携帯端末２が備える加速度センサが取得した加速度のログで構成される。図６のテーブル例に示す通り、加速度センサテーブルでは、携帯端末２のユーザを識別する「ユーザＩＤ」と、当該携帯端末２の加速度を取得した日時を示す「日時」と、当該加速度のｘ軸方向成分の値（単位はメートル毎秒毎秒）を示す「センサ値Ｘ」と、当該加速度のｙ軸方向成分の値（単位はメートル毎秒毎秒）を示す「センサ値Ｙ」と、当該加速度のｚ軸方向成分の値（単位はメートル毎秒毎秒）を示す「センサ値Ｚ」とが対応付いている。

図７は、ログ情報の一つであるアプリ起動履歴テーブルのテーブル例を示す図である。アプリ起動履歴テーブルは、携帯端末２のアプリ起動ログで構成される。図７のテーブル例に示す通り、起動履歴テーブルでは、携帯端末２のユーザを識別する「ユーザＩＤ」と、当該携帯端末２にてアプリケーションを起動した日時を示す「日時」と、当該アプリケーションを識別するアプリケーション識別情報を示す「パッケージ名」とが対応付いている。

図８は、ログ情報の一つである端末ＯＮ／ＯＦＦ履歴テーブルのテーブル例を示す図である。端末ＯＮ／ＯＦＦ履歴テーブルは、携帯端末２の端末ログで構成される。図８のテーブル例に示す通り、端末ＯＮ／ＯＦＦ履歴テーブルでは、携帯端末２のユーザを識別する「ユーザＩＤ」と、当該携帯端末２の画面をＯＮ又はＯＦＦに切り替えた日時を示す「日時」と、切り替えた後の状態（ＯＮ又はＯＦＦ）を示す「項目」とが対応付いている。

図２に戻り、特徴量算出部１１は、ログ情報格納部１０によって格納されたログ情報に基づいて、各ログ情報の特徴量（行動に関連する特徴量）を算出する。特徴量は、１日の総回数や平均値にて算出してもよい。以下、特徴量算出部１１によるログ情報ごとの特徴量の算出方法について具体的に説明する。

特徴量算出部１１は、ログ情報格納部１０によって格納された滞留点テーブルに基づいて、特徴量である「総移動距離」を算出する。具体的には、まず、滞留点テーブルにおいて、指定したユーザＩＤ及び日付に対応付いた滞留点が（一つ以上）抽出される。次に、抽出された滞留点間の距離が算出される。例えば、滞留点ＩＤが「１」、「２」及び「３」である３つの滞留点が抽出された場合、滞留点ＩＤが「１」及び「２」の滞留点同士の距離、滞留点ＩＤが「２」及び「３」の滞留点同士の距離が算出される。次に、（指定した日付の）１日分の移動距離の総和が、総移動距離として算出される。

特徴量算出部１１は、ログ情報格納部１０によって格納された滞留点テーブルに基づいて、特徴量である「２地点間の最大移動距離」を算出する。具体的には、まず、滞留点テーブルにおいて、指定したユーザＩＤ及び日付に対応付いた滞留点が（一つ以上）抽出される。次に、抽出された滞留点間の距離が算出される。例えば、滞留点ＩＤが「１」、「２」及び「３」である３つの滞留点が抽出された場合、滞留点ＩＤが「１」及び「２」の滞留点同士の距離、滞留点ＩＤが「２」及び「３」の滞留点同士の距離が算出される。次に、滞留点間の最大距離が、２地点間の最大移動距離として算出される。例えば、滞留点ＩＤが「１」及び「２」の滞留点同士の距離と、滞留点ＩＤが「２」及び「３」の滞留点同士の距離とが比較され、距離が長い方が抽出される。

特徴量算出部１１は、ログ情報格納部１０によって格納された滞留点テーブルに基づいて、特徴量である「移動の標準偏差」を算出する。具体的には、まず、滞留点テーブルにおいて、指定したユーザＩＤ及び日付に対応付いた滞留点が（一つ以上）抽出される。次に、抽出された滞留点間の距離が算出される。例えば、滞留点ＩＤが「１」、「２」及び「３」である３つの滞留点が抽出された場合、滞留点ＩＤが「１」及び「２」の滞留点同士の距離、滞留点ＩＤが「２」及び「３」の滞留点同士の距離が算出される。次に、全滞留点間の距離が算出された後に、標準偏差が、移動の標準偏差として算出される。

特徴量算出部１１は、ログ情報格納部１０によって格納された滞留点テーブルに基づいて、特徴量である「自宅からの最大距離」を算出する。具体的には、まず、滞留点テーブルにおいて、指定したユーザＩＤ及び日付に対応付いた滞留点が（一つ以上）抽出される。次に、自宅の位置情報が予め格納されている自宅テーブルから、自宅の位置情報が取得される。次に、各滞留点と自宅との距離が算出される。次に、算出された距離のうち最大値が、自宅からの最大距離として算出される。なお、自宅の位置情報は、自宅テーブルに予め格納されているとしたが、予め携帯端末２のユーザが入力したものでもよい。また、滞留点テーブルにおける所定期間（例えば１週間）の滞留点のログに基づいて、最も滞在日数が多い滞留点の位置を算出し、算出した位置を自宅の位置情報としてもよい。

特徴量算出部１１は、ログ情報格納部１０によって格納された滞留点テーブルに基づいて、特徴量である「総訪問施設数」を算出する。具体的には、まず、滞留点テーブルにおいて、指定したユーザＩＤ及び日付に対応付いた滞留点が（一つ以上）抽出される。次に、滞留点数がカウントされ、カウントされた値が、総訪問施設数として算出される。

特徴量算出部１１は、ログ情報格納部１０によって格納された滞留点テーブルに基づいて、特徴量である「重要施設訪問数」を算出する。具体的には、まず、滞留点テーブルにおいて、指定したユーザＩＤ及び特定期間に対応付いた滞留点が（一つ以上）抽出される。次に、滞留点クラスタＩＤごとに訪問回数がカウントされる。次に、滞留点クラスタＩＤごとの訪問回数が降順にソートされ、上位Ｎ件（Ｎは所定の件数）が取得され、重要施設と識別される。次に、本特徴量を計算する対象日が設定され（予め設定されていてもよい）、滞留点テーブルにおいて、指定したユーザＩＤ及び設定された対象日に対応付いた滞留点が抽出される。次に、抽出された滞留点のうち、識別された重要施設に訪問した数がカウントされ、重要施設訪問数として算出される。

特徴量算出部１１は、ログ情報格納部１０によって格納された滞留点テーブルに基づいて、特徴量である「新しく訪問した場所数」を算出する。具体的には、まず、滞留点テーブルにおいて、指定したユーザＩＤ及び特定期間に対応付いた滞留点が（一つ以上）抽出される。次に、滞留点クラスタＩＤの重複が削除され、ユニークな滞留点クラスタＩＤのリストが、既訪問場所リストとして作成される。次に、本特徴量を計算する対象日が設定され（予め設定されていてもよい）、滞留点テーブルにおいて、指定したユーザＩＤ及び設定された対象日に対応付いた滞留点が抽出される。次に、抽出された滞留点のうち、作成された既訪問場所リストに含まれる滞留点クラスタＩＤに含まれない滞留点の数がカウントされ、新しく訪問した場所数として算出される。

特徴量算出部１１は、ログ情報格納部１０によって格納された気圧センサテーブルに基づいて、特徴量である「気圧平均Ｑ１〜Ｑ４」を算出する。なお、Ｑ１〜Ｑ４は、２４時間を６時間ごとに区切った時間帯を示す。すなわち、Ｑ１は０時〜６時、Ｑ２は６時〜１２時、Ｑ３は１２時〜１８時、Ｑ４は１８時〜２４時を示す。具体的には、まず、気圧センサテーブルにおいて、指定されたユーザＩＤ及び日付に対応付いたＱ１のセンサ値が取得される。次に、取得されたセンサ値の平均値が算出される。Ｑ２、Ｑ３、Ｑ４についても同様にセンサ値が取得され、取得されたセンサ値の平均値が算出される。算出されたＱ１〜Ｑ４のセンサ値の平均値が、気圧平均Ｑ１〜Ｑ４である。

特徴量算出部１１は、ログ情報格納部１０によって格納された気圧センサテーブルに基づいて、特徴量である「気圧の１日平均」を算出する。具体的には、まず、気圧センサテーブルにおいて、指定されたユーザＩＤ及び日付に対応付いたセンサ値が取得される。次に、取得されたセンサ値の平均値が、気圧の１日平均として算出される。

特徴量算出部１１は、ログ情報格納部１０によって格納された気圧センサテーブルに基づいて、特徴量である「気圧の最大最小の差分、最大値、最小値」を算出する。具体的には、まず、気圧センサテーブルにおいて、指定されたユーザＩＤ及び期間に対応付いたセンサ値が取得される。次に、センサ値の最大値及び最小値が抽出される。次に、抽出された最大値と最小値との差が算出される。算出されたセンサ値の最大値と最小値との差、最大値及び最小値が、それぞれ気圧の最大最小の差分、最大値、最小値である。

特徴量算出部１１は、ログ情報格納部１０によって格納された照度センサテーブルに基づいて、特徴量である「照度平均Ｑ１〜Ｑ４」、「照度の１日平均」及び「照度の最大最小の差分、最大値、最小値」を算出する。算出方法は、それぞれ上述の「気圧平均Ｑ１〜Ｑ４」、「気圧の１日平均」及び「気圧の最大最小の差分、最大値、最小値」の算出方法と同様である（参照先が気圧センサテーブルから照度センサテーブルに変更される）。

特徴量算出部１１は、ログ情報格納部１０によって格納された加速度センサテーブルに基づいて、特徴量である「歩行時間Ｑ１〜Ｑ４」を算出する。具体的には、まず、加速度センサテーブルにおいて、指定されたユーザＩＤ及び日付に対応付いたＱ１のセンサ値（センサ値Ｘ、センサ値Ｙ、センサ値Ｚ）が取得される。次に、センサ値に基づいてユーザが歩行している時間帯が抽出される。なお、歩行の検出は下記非特許文献３に開示されている従来技術を利用してもよい。Ｑ２、Ｑ３、Ｑ４についても同様にセンサ値が取得され、取得されたセンサ値に基づいてユーザが歩行している時間帯が抽出される。抽出されたＱ１〜Ｑ４のユーザが歩行している時間帯が、歩行時間Ｑ１〜Ｑ４である。
非特許文献３：倉沢央、川原圭博、森川博之、青山友紀，「センサ装着場所を考慮した３軸加速度センサを用いた姿勢推定手法」，情報処理学会研究報告ユビキタスコンピューティングシステム ２００６（５４（２００６−ＵＢＩ−０１１）），ｐｐ１５−２２

特徴量算出部１１は、ログ情報格納部１０によって格納されたアプリ起動履歴テーブルに基づいて、特徴量である「メール利用回数Ｑ１〜Ｑ４」を算出する。具体的には、まず、アプリ起動履歴テーブルにおいて、指定されたユーザＩＤ及び日付に対応付いたＱ１のアプリ起動ログが取得される。次に、予め指定されたパッケージ名に一致するアプリ起動ログのレコード数がカウントされる。ここで例えば、パッケージ名「jp.co.nttdocomo.carriermail」及び「com.android.email」はメールアプリケーションであることを示すリストを予め作成しておくことを想定する。これにより、パッケージ名から特定のアプリケーション（例えば、メールアプリケーションや電話アプリケーションなど）を判定することができる。Ｑ２、Ｑ３、Ｑ４についても同様にアプリ起動ログが取得され、取得されたアプリ起動ログに基づいて予め指定されたパッケージ名に一致するアプリ起動ログのレコード数がカウントされる。カウントされたＱ１〜Ｑ４のレコード数が、メール利用回数Ｑ１〜Ｑ４である。

特徴量算出部１１は、ログ情報格納部１０によって格納されたアプリ起動履歴テーブルに基づいて、特徴量である「電話利用回数Ｑ１〜Ｑ４」を算出する。算出方法は、上述の「メール利用回数Ｑ１〜Ｑ４」の算出方法と同様である。なお、パッケージ名「com.android.incallui」及び「com.android.dialer」は電話アプリケーションであることを示すリストを予め作成しておくことを想定する。

特徴量算出部１１は、ログ情報格納部１０によって格納された端末ＯＮ／ＯＦＦ履歴テーブルに基づいて、特徴量である「画面ＯＮ／ＯＦＦ回数」を算出する。具体的には、まず、端末ＯＮ／ＯＦＦ履歴テーブルにおいて、指定されたユーザＩＤ及び日付に対応付いた画面ＯＮ／ＯＦＦの端末ログが取得される。次に、取得された端末ログのレコード数がカウントされ、画面ＯＮ／ＯＦＦ回数として算出される。

特徴量情報格納部１２は、特徴量算出部１１によって算出された各ログ情報の特徴量を特徴量テーブルとして格納する。特徴量テーブルは、ユーザ毎及び日付毎に各ログ情報の特徴量を対応付けてもよい。図９は、特徴量テーブルのテーブル例を示す図である。図９に示すテーブル例の通り、特徴量テーブルでは、携帯端末２のユーザを識別する「ユーザＩＤ」と、当該携帯端末２の各ログ情報の対象（算出元）となる日付を示す「日付」と、上述の特徴量算出部１１によって算出された各特徴量（「総移動距離」、「２地点間の最大移動距離」、「移動の標準偏差」、…、「電話利用回数Ｑ３」、「電話利用回数Ｑ４」及び「画面ＯＮ／ＯＦＦ回数」）とが対応付いている。

クラスタリング部１３は、特徴量情報格納部１２によって格納された特徴量テーブルに基づいた情報をクラスタリングし、クラスタリングによって生成された何れかのクラスタに携帯端末２のユーザを割り当てる。以下、クラスタリング部１３による処理について具体例を挙げて説明する。まず、図９に示す特徴量テーブルのテーブル例について、「ユーザＩＤ」及び「日付」を除くカラムに対して、次元圧縮が適用され、２次元ベクトルに変換される。圧縮手法は、主成分分析及びｔＳＮＥなど既存の手法を利用してもよい。図１０は、２次元ベクトル（第１成分及び第２成分）に変換された、次元圧縮特徴量テーブルのテーブル例を示す図である。図１０に示すテーブル例の通り、次元圧縮特徴量テーブルでは、変換前の特徴量テーブルにおける「ユーザＩＤ」及び「日付」と、変換された２次元ベクトルの第１成分を示す「第１成分」と、変換された２次元ベクトルの第２成分を示す「第２成分」とが対応付いている。

次に、次元圧縮特徴量テーブルによって示される２次元ベクトルが、ｋ−ｍｅａｎｓ法などの既存のクラスタリング手法でクラスタリングされる。図１１は、次元圧縮した特徴量をクラスタリングした結果の例を示す図である。図１１に示すクラスタリングした結果の例では、各プロットが各ユーザの１日毎の特徴量を示しており、各プロットが４つのクラスタであるＣ１〜Ｃ４に分類されている。次に、ユーザ毎に、各日付の特徴量がどのクラスタに属しているか集計され、最頻のクラスタにユーザが割り当てられる。クラスタリング部１３によるクラスタリングにより、行動（行動特徴）が似ているユーザがクラスタリングされる。

クラスタ情報格納部１４は、クラスタリング部１３によって割り当てられた携帯端末２のユーザのクラスタを示す所属クラスタ情報を格納する。図１２は、所属クラスタ情報を示す所属クラスタテーブルのテーブル例を示す図である。図１２に示す通り、所属クラスタテーブルでは、携帯端末２のユーザの識別情報を示す「ユーザＩＤ」と、当該ユーザが所属するクラスタの識別情報を示す「所属クラスタ」とが対応付いている。

健康情報取得部１５は、ユーザの健康情報（例えば、ユーザの心拍間隔の変動時系列であるＲＲＩ（RR Interval）時系列データ（以降、「ＲＲＩデータと記す」）などの生体情報、又は憂鬱加減などを示すアンケートデータ）を取得する。より具体的には、健康情報取得部１５は、ログ情報格納部１０によって格納された、ユーザのＲＲＩデータのうち、指定した区間（所定の区間）のＲＲＩデータを取得する。図１３（ａ）は、２名分のＲＲＩデータの例を示す図である。各推移が各ユーザを示す。図１３（ａ）に示す例の通り、ＲＲＩデータは、ｘ軸を計測時間（単位は秒）とし、ｙ軸をＲＲＩ（単位はミリ秒）とした２次元グラフで示される。なお、ログ情報格納部１０によって格納されたＲＲＩデータは、携帯端末２のユーザのＲＲＩデータであり、当該ユーザが体に装着した専用のセンサから取得し、教師データ生成装置１に送信されたデータである。ＲＲＩデータには、ＲＲＩを取得した日時を示す日時情報、及びユーザを識別するユーザＩＤが対応付いている。また、健康情報は、生体情報であるユーザの心拍間隔に限定されず、携帯端末２のユーザの生体又は健康に関するあらゆる情報やアンケートであってもよい。

動作情報取得部１６は、健康情報取得部１５によってユーザの健康情報を取得した際の、当該ユーザが携帯する携帯端末２の動作を示す動作情報（例えば、携帯端末２の加速度）を取得する。より具体的には、動作情報取得部１６は、ログ情報格納部１０によって格納された、健康情報取得部１５によってユーザのＲＲＩデータを取得した際の、当該ユーザが携帯する携帯端末２の加速度を取得する。例えば、動作情報取得部１６は、健康情報取得部１５によって所定の区間（所定の開始日時〜所定の終了日時）のユーザのＲＲＩデータが取得された際に、当該ユーザが携帯する携帯端末２の当該所定の区間（当該所定の開始日時〜当該所定の終了日時）の加速度を取得する。ユーザ及び所定の区間の同期を取るため、健康情報取得部１５及び動作情報取得部１６（並びに後述の教師データ生成部１７）は、互いにユーザを識別するユーザＩＤ及び所定の区間に関する情報を適宜送受信する。なお、動作情報は、携帯端末２の加速度に限定されず、携帯端末２の動作に関するあらゆる情報であってもよい。

教師データ生成部１７は、健康情報取得部１５によって取得された健康情報と動作情報取得部１６によって取得された動作情報とに基づいて、健康値の教師データを生成する。教師データ生成部１７は、健康情報取得部１５によって取得された健康情報に基づいて健康値を算出し、算出された健康値を動作情報取得部１６によって取得された動作情報に基づいて補正することで健康値の教師データを生成してもよい。算出された健康値は、ユーザの心拍間隔（ＲＲＩデータ）に基づく周波数領域（フーリエ変換することで得られる周波数領域）の低周波（低周波成分ＬＦ）と高周波（高周波成分ＨＦ）とに基づく値であり、ユーザのストレスの状態を示す値である。図１３（ｂ）は、ＬＦ及びＨＦ成分の例を示す図である。図１３（ｂ）に示す通り、ＲＲＩデータに基づく周波数領域のパワースペクトルのうち、０．１５Ｈｚ以下の領域の強度の合計量がＬＦであり、０．１５Ｈｚより大きい領域の強度の合計量がＨＦである。前述のとおり計算したＬＦとＨＦからＬＦ÷ＨＦにより計算した値（ＬＦ/ＨＦ）を健康値とする。なお、健康値は、携帯端末２のユーザのストレスの状態を示す値に限定されず、携帯端末２のユーザの健康に関する状態を示すあらゆる値であってもよい。

以下では、健康情報取得部１５、動作情報取得部１６及び教師データ生成部１７の具体的な処理内容について図１４及び図１５に示すフローチャートに基づいて説明する。

図１４は、教師データ生成装置１により実行される教師データ生成処理の第１例を示すフローチャートである。第１例は、所定の区間において、加速度が所定の値より大きい場合に健康情報を利用しない（除去する）例である。まず、教師データ生成部１７により、算出区間が設定される（ステップＳ０１）。例えば、最終的に１日分（ある日の０：００：００〜２３：５９：５９）の健康値の教師データを生成する場合、最初（１回目）は０：００：００〜０：０４：５９（５分間。以降、区間である５分間は固定）の算出区間が設定され、後述のループごとに、開始時刻が１秒ずつ後ろにずらされる（２回目は０：００：０１〜０：０５：００）。Ｓ０１の次に、教師データ生成部１７により算出区間がまだあるか否かが判定される（ステップＳ０２）。Ｓ０２にて算出区間が無いと判定されると（例えば、上述の例で言うと、算出区間２３：５５：００〜２３：５９：５９のループが終わった直後）、処理を終了する。

一方、Ｓ０２にて算出区間があると判定されると、続いて、教師データ生成部１７の指示に基づいて健康情報取得部１５により、Ｓ０１にて設定された算出区間のＲＲＩデータが取得される（ステップＳ０３）。次に、教師データ生成部１７の指示に基づいて動作情報取得部１６により、Ｓ０１にて設定された算出区間の加速度（Ｓ０３にて取得したＲＲＩデータに対応する加速度）が取得される（ステップＳ０４）。次に、教師データ生成部１７により、Ｓ０４にて取得した、Ｓ０１にて設定された算出区間の加速度について、加速度の絶対値が閾値（例えば１０ｍ／ｓ^２）より大きい部分が所定時間（例えば１分）あるか否かが判定される（ステップＳ０５）。ここで、図１６は、加速度と閾値との関係例を示す図である。図１６に示す通り、加速度は、ｘ軸を計測時間（単位は秒）とし、ｙ軸を加速度（単位はメートル毎秒毎秒）とした２次元グラフで示され、閾値として１０ｍ／ｓ^２が太線で示されている。Ｓ０５では、太線を越えた部分（加速度が１０ｍ／ｓ^２より大きいか、−１０ｍ／ｓ^２より小さい部分）が所定時間あるか否かが判定される。

Ｓ０５にて、大きい部分が所定時間あると判定されると、当該ループを終え、Ｓ０１に戻る。一方、Ｓ０５にて、大きい部分が所定時間無いと判定されると、続いて、教師データ生成部１７により、Ｓ０３にて取得された、Ｓ０１にて設定された算出区間のＲＲＩデータから、ＬＦ及びＨＦを算出した上でＬＦ／ＨＦである健康値が算出される（ステップＳ０６）。Ｓ０６の処理が終わると、当該ループを終え、Ｓ０１に戻る。教師データ生成部１７（並びに健康情報取得部１５及び動作情報取得部１６）は、以上の処理（ループ）を、開始時刻を１秒ずつ後ろにずらしながら繰り返し行い、１日分の健康値を算出し、中央値をその日の代表値である、健康値の教師データとして生成する。

なお、Ｓ０３は、Ｓ０４とＳ０５の間、又はＳ０５とＳ０６の間に行ってもよい。また、Ｓ０４は、Ｓ０２とＳ０３の間に行ってもよい。

図１５は、教師データ生成装置１により実行される教師データ生成処理の第２例を示すフローチャートである。第２例は、所定の区間において、加速度が所定の値より大きい場合に補正する例である。まず、教師データ生成部１７により、算出区間が設定される（ステップＳ１０）。例えば、最終的に１日分（ある日の０：００：００〜２３：５９：５９）の健康値の教師データを生成する場合、最初（１回目）は０：００：００〜０：０４：５９（５分間。以降、区間である５分間は固定）の算出区間が設定され、後述のループごとに、開始時刻が１秒ずつ後ろにずらされる（２回目は０：００：０１〜０：０５：００）。Ｓ１０の次に、教師データ生成部１７により算出区間がまだあるか否かが判定される（ステップＳ１１）。Ｓ１１にて算出区間が無いと判定されると（例えば、上述の例で言うと、算出区間２３：５５：００〜２３：５９：５９のループが終わった直後）、処理を終了する。

一方、Ｓ１１にて算出区間があると判定されると、続いて、教師データ生成部１７の指示に基づいて健康情報取得部１５により、Ｓ１０にて設定された算出区間のＲＲＩデータが取得される（ステップＳ１２）。次に、教師データ生成部１７の指示に基づいて動作情報取得部１６により、Ｓ１０にて設定された算出区間の加速度（Ｓ１２にて取得したＲＲＩデータに対応する加速度）が取得される（ステップＳ１３）。次に、教師データ生成部１７により、Ｓ１２にて取得された、Ｓ１０にて設定された算出区間のＲＲＩデータから、ＬＦ及びＨＦを算出した上でＬＦ／ＨＦである健康値が算出される（ステップＳ１４）。次に、教師データ生成部１７により、Ｓ１３にて取得した、Ｓ１０にて設定された算出区間の加速度について、加速度の絶対値が閾値（例えば１０ｍ／ｓ^２）より大きい部分が所定時間（例えば１分）あるか否かが判定される（ステップＳ１５）。

Ｓ１５にて、大きい部分が所定時間あると判定されると、教師データ生成部１７により、Ｓ１４にて算出された健康値に対して、Ｓ１３にて取得した、Ｓ１０にて設定された算出区間の加速度の絶対値の平均で除算される（ステップＳ１６）。すなわち、Ｓ１６にて、教師データ生成部１７により、Ｓ１４にて算出された健康値が、Ｓ１３にて取得した加速度に基づいて補正される。Ｓ１６の処理が終わると、当該ループを終え、Ｓ０１に戻る。一方、Ｓ１５にて、大きい部分が所定時間無いと判定されると、当該ループを終え、Ｓ０１に戻る。教師データ生成部１７（並びに健康情報取得部１５及び動作情報取得部１６）は、以上の処理（ループ）を、開始時刻を１秒ずつ後ろにずらしながら繰り返し行い、１日分の健康値（補正された健康値を含む）を算出し、中央値をその日の代表値である、健康値の教師データとして生成する。

なお、Ｓ１２は、Ｓ１３とＳ１４の間に行ってもよい。また、Ｓ１３は、Ｓ１４とＳ１５の間に行ってもよい。

図２に戻り、推定モデル生成部１８は、特徴量情報格納部１２によって格納された特徴量テーブル（携帯端末に蓄積されたログ情報に基づく特徴量のテーブル）と、教師データ生成部１７によって生成された健康値の教師データとの組に基づいて、推定モデルを生成（構築）する。図１７は、推定モデルの入力となるデータのテーブル例を示す図である。図１７に示す通り、推定モデルの入力となるデータのテーブル例は、図９に示す特徴量テーブルのテーブル例のそれぞれのレコードに対して、教師データ生成部１７によって生成された健康値（「健康値」カラム）を追記したものである。教師データ生成装置１は、図１７の健康値のカラムを教師データ、総移動距離から画面ＯＮＯＦＦ回数までのカラムを特徴量として、教師有り機械学習によって、推定モデルを生成する。なお、機械学習の手法としては、例えばＳＶＭ、Ｒａｎｄｏｍ Ｆｏｒｅｓｔ、Ｋ近傍法、ニューラルネットワークなど、既存の手法を利用してもよい。

推定モデル生成部１８は、クラスタ情報格納部１４によって格納された（ログ情報に基づいて算出された）所属クラスタ情報にさらに基づいて、ユーザがクラスタリングされたクラスタ毎に推定モデルを生成してもよい。具体的には、推定モデル生成部１８は、推定モデルの入力となるデータのうち、所定の所属クラスタに属するユーザのみのデータを所属クラスタ情報に基づいて抽出し、抽出したデータを用いて、教師有り機械学習によって、クラスタ毎に推定モデルを生成する。

推定モデル格納部１９は、推定モデル生成部１８によって生成された推定モデルを格納する。

健康値推定部２０は、ストレスを推定したいユーザの、ストレスを推定したい対象の日の特徴量として、携帯端末２に蓄積されたログ情報に基づく特徴量（特徴量情報格納部１２によって格納された特徴量テーブルが示す特徴量）を、推定モデル格納部１９によって格納された推定モデルに入力することで、当該携帯端末２を携帯するユーザの健康値を推定する。図１８は、入力となる特徴量のテーブル例を示す図である。図１８に示す通り、入力となる特徴量のテーブル例は、図９に示す特徴量テーブルのテーブル例の１レコード分の内容と同様である。入力となる特徴量は、予め特徴量情報格納部１２によって格納されていてもよいし、任意のタイミングで携帯端末２から受信してもよいし、教師データ生成装置１の管理者や携帯端末２のユーザによって健康値推定部２０に入力されてもよい。

次に、本実施形態のように構成された教師データ生成装置１を含む健康値推定システム３の作用効果について説明するが、まずは、背景や従来技術の課題について説明する。

従来、企業において従業員のメンタルヘルスに対する支援が注目されている。メンタルヘルスの状態が悪化したことを早期に検知するには毎日継続的に計測が必要となる。既存のストレスチェックはアンケートによるものが多く、数十問のアンケートに毎日回答することはユーザの負担が大きいことや本人がストレスに気づいていない場合などもあり、自動でストレスを計測・推定できるシステムが有用である。既存の研究では、機械学習を用いて、アンケートで計測できるストレス値を正解データとしてスマートフォンログ（位置情報、加速度、アプリケーション利用ログなど）から生成した特徴量をもとに推定するものがある。しかしながら、アンケートによるストレスの計測では本人が気づいていない場合、計測結果に反映されないため、生体情報（心拍）を正解データとしてストレス値の正解データを作ることが考えられる。ここで、機械学習によりスマートフォンログからストレスを推定するためには、長期間の学習データが必要となる。従来、生体情報をストレスの指標とする場合、短期間（５分間や車の運転中など）の心拍を計測してストレス値をしていた。しかしながら、長期的に日常生活のストレス値を計測する際には、ストレスなど心理的負荷だけでなく、歩行や運動など身体的負荷により心拍データが変動することが想定される。

本実施形態のように構成された教師データ生成装置１を含む健康値推定システム３によれば、取得したユーザの健康情報（携帯端末２のユーザのＲＲＩデータ等の生体情報）と当該ユーザが携帯する携帯端末２の動作を示す動作情報（携帯端末２の加速度等）とに基づいて健康値の教師データが生成される。つまり、ユーザがアンケートに答えた結果等、ユーザによる主観的なデータに基づかず、健康情報と動作情報とに基づいて健康値の教師データが生成されるため、教師あり機械学習においてより適切な教師データを生成することができる。また、健康情報だけでなく、動作情報にさらに基づいて健康値の教師データが生成されるため、より正確な教師データを生成することができる。

また、健康値推定システム３によれば、教師データ生成部１７により、健康情報取得部１５によって取得された健康情報に基づいて健康値が算出され、算出された健康値が動作情報取得部１６によって取得された動作情報に基づいて補正されることで健康値の教師データが生成される。つまり、携帯端末２の動作状態、すなわちユーザの動作状態を考慮した健康値の教師データが生成されるため、より精度の良い健康値の教師データを生成することができる。

また、健康値推定システム３によれば、健康情報はユーザの心拍間隔であり、算出された健康値は、ユーザの心拍間隔に基づく周波数領域の低周波と高周波とに基づく値である。ユーザの心拍間隔に基づく周波数領域の低周波と高周波とに基づく値は、ユーザのストレスの状態を示す値でもあるため、健康値推定システム３により、携帯端末２のユーザのストレスの状態を示す値を推定することができる。

また、健康値推定システム３によれば、動作情報は携帯端末２の加速度である。一般的に、ユーザの心拍間隔は、ユーザの動作状態、例えばユーザの加速度に基づいて変動する。健康値推定システム３によれば、ユーザの加速度でもある携帯端末２の加速度に基づいて健康値が補正されるため、より精度の良い健康値の教師データを生成することができる。

また、健康値推定システム３によれば、推定モデルは、携帯端末２に蓄積されたログ情報に基づいてユーザがクラスタリングされたクラスタ毎に構築される。これにより、例えば携帯端末２のユーザと行動が似ているユーザのクラスタに対して構築される推定モデルを用いて健康値を推定することができるため、より精度の良い健康値を推定することができる。

以上の通り、本実施形態のように構成された教師データ生成装置１を含む健康値推定システム３によれば、加速度センサを用いて運動負荷の影響を除く、または補正して教師データを作成することができる。これにより、身体的負荷による影響を除くことで精度よくストレスを推定することができる。

以上、本実施形態について詳細に説明したが、当業者にとっては、本実施形態が本明細書中に説明した実施形態に限定されるものではないということは明らかである。本実施形態は、特許請求の範囲の記載により定まる本発明の趣旨及び範囲を逸脱することなく修正及び変更態様として実施することができる。したがって、本明細書の記載は、例示説明を目的とするものであり、本実施形態に対して何ら制限的な意味を有するものではない。

本明細書で説明した各態様／実施形態は、ＬＴＥ、ＬＴＥ−Ａ（LTE-Advanced）、ＳＵＰＥＲ ３Ｇ、ＩＭＴ−Ａｄｖａｎｃｅｄ、４Ｇ、５Ｇ、ＦＲＡ（Future Radio Access）、Ｗ−ＣＤＭＡ（登録商標）、ＧＳＭ（登録商標）、ＣＤＭＡ２０００、ＵＭＢ（Ultra Mobile Broadband）、ＩＥＥＥ ８０２．１１（Ｗｉ−Ｆｉ）、ＩＥＥＥ ８０２．１６（ＷｉＭＡＸ）、ＩＥＥＥ ８０２．２０、ＵＷＢ（Ultra-WideBand）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、その他の適切なシステムを利用するシステム及び／又はこれらに基づいて拡張された次世代システムに適用されてもよい。

本明細書で説明した各態様／実施形態の処理手順、シーケンス、フローチャートなどは、矛盾の無い限り、順序を入れ替えてもよい。例えば、本明細書で説明した方法については、例示的な順序で様々なステップの要素を提示しており、提示した特定の順序に限定されない。

情報等は、上位レイヤ（または下位レイヤ）から下位レイヤ（または上位レイヤ）へ出力され得る。複数のネットワークノードを介して入出力されてもよい。

入出力された情報等は特定の場所（例えば、メモリ）に保存されてもよいし、管理テーブルで管理してもよい。入出力される情報等は、上書き、更新、または追記され得る。出力された情報等は削除されてもよい。入力された情報等は他の装置へ送信されてもよい。

判定は、１ビットで表される値（０か１か）によって行われてもよいし、真偽値（Boolean：trueまたはfalse）によって行われてもよいし、数値の比較（例えば、所定の値との比較）によって行われてもよい。

本明細書で説明した各態様／実施形態は単独で用いてもよいし、組み合わせて用いてもよいし、実行に伴って切り替えて用いてもよい。また、所定の情報の通知（例えば、「Ｘであること」の通知）は、明示的に行うものに限られず、暗黙的（例えば、当該所定の情報の通知を行わない）ことによって行われてもよい。

ソフトウェアは、ソフトウェア、ファームウェア、ミドルウェア、マイクロコード、ハードウェア記述言語と呼ばれるか、他の名称で呼ばれるかを問わず、命令、命令セット、コード、コードセグメント、プログラムコード、プログラム、サブプログラム、ソフトウェアモジュール、アプリケーション、ソフトウェアアプリケーション、ソフトウェアパッケージ、ルーチン、サブルーチン、オブジェクト、実行可能ファイル、実行スレッド、手順、機能などを意味するよう広く解釈されるべきである。

また、ソフトウェア、命令などは、伝送媒体を介して送受信されてもよい。例えば、ソフトウェアが、同軸ケーブル、光ファイバケーブル、ツイストペア及びデジタル加入者回線（ＤＳＬ）などの有線技術及び／又は赤外線、無線及びマイクロ波などの無線技術を使用してウェブサイト、サーバ、又は他のリモートソースから送信される場合、これらの有線技術及び／又は無線技術は、伝送媒体の定義内に含まれる。

本明細書で説明した情報、信号などは、様々な異なる技術のいずれかを使用して表されてもよい。例えば、上記の説明全体に渡って言及され得るデータ、命令、コマンド、情報、信号、ビット、シンボル、チップなどは、電圧、電流、電磁波、磁界若しくは磁性粒子、光場若しくは光子、又はこれらの任意の組み合わせによって表されてもよい。

また、本明細書で説明した情報、パラメータなどは、絶対値で表されてもよいし、所定の値からの相対値で表されてもよいし、対応する別の情報で表されてもよい。

移動通信端末は、当業者によって、加入者局、モバイルユニット、加入者ユニット、ワイヤレスユニット、リモートユニット、モバイルデバイス、ワイヤレスデバイス、ワイヤレス通信デバイス、リモートデバイス、モバイル加入者局、アクセス端末、モバイル端末、ワイヤレス端末、リモート端末、ハンドセット、ユーザエージェント、モバイルクライアント、クライアント、またはいくつかの他の適切な用語で呼ばれる場合もある。

本明細書で使用する「に基づいて」という記載は、別段に明記されていない限り、「のみに基づいて」を意味しない。言い換えれば、「に基づいて」という記載は、「のみに基づいて」と「に少なくとも基づいて」の両方を意味する。

本明細書で「第１の」、「第２の」などの呼称を使用した場合においては、その要素へのいかなる参照も、それらの要素の量または順序を全般的に限定するものではない。これらの呼称は、２つ以上の要素間を区別する便利な方法として本明細書で使用され得る。したがって、第１および第２の要素への参照は、２つの要素のみがそこで採用され得ること、または何らかの形で第１の要素が第２の要素に先行しなければならないことを意味しない。

上記の各装置の構成における「手段」を、「部」、「回路」、「デバイス」等に置き換えてもよい。

「含む（include）」、「含んでいる（including）」、およびそれらの変形が、本明細書あるいは特許請求の範囲で使用されている限り、これら用語は、用語「備える（comprising）」と同様に、包括的であることが意図される。さらに、本明細書あるいは特許請求の範囲において使用されている用語「または（or）」は、排他的論理和ではないことが意図される。本明細書において、文脈または技術的に明らかに1つのみしか存在しない装置である場合以外は、複数の装置をも含むものとする。

本開示の全体において、文脈から明らかに単数を示したものではなければ、複数のものを含むものとする。

１…教師データ生成装置、２…携帯端末、３…健康値推定システム、１０…ログ情報格納部、１１…特徴量算出部、１２…特徴量情報格納部、１３…クラスタリング部、１４…クラスタ情報格納部、１５…健康情報取得部、１６…動作情報取得部、１７…教師データ生成部、１８…推定モデル生成部、１９…推定モデル格納部、２０…健康値推定部。

Claims (5)

1. 携帯端末を携帯するユーザの健康状態を示す健康値を推定するための推定モデルを教師あり機械学習によって構築する際に利用する、健康値の教師データを生成する教師データ生成装置であって、
   ユーザの健康情報を取得する健康情報取得部と、
   前記健康情報取得部によってユーザの健康情報を取得した際の、当該ユーザが携帯する携帯端末の動作を示す動作情報を取得する動作情報取得部と、
   前記健康情報取得部によって取得された健康情報と前記動作情報取得部によって取得された動作情報とに基づいて、健康値の教師データを生成する教師データ生成部と、
   を備える教師データ生成装置。
2. 前記教師データ生成部は、前記健康情報取得部によって取得された健康情報に基づいて健康値を算出し、算出された健康値を前記動作情報取得部によって取得された動作情報に基づいて補正することで健康値の教師データを生成する、
   請求項１に記載の教師データ生成装置。
3. 健康情報は、ユーザの心拍間隔であり、
   算出された健康値は、ユーザの心拍間隔に基づく周波数領域の低周波と高周波とに基づく値である、
   請求項２に記載の教師データ生成装置。
4. 動作情報は、携帯端末の加速度である、
   請求項１〜３の何れか一項に記載の教師データ生成装置。
5. 推定モデルは、携帯端末に蓄積されたログ情報に基づく特徴量と健康値の教師データとの組から構築され、
   推定モデルは、ログ情報に基づいてユーザがクラスタリングされたクラスタ毎に構築される、
   請求項１〜４の何れか一項に記載の教師データ生成装置。

Images