JP2020021292A - 情報処理装置、情報処理システム、及びプログラム - Google Patents

Abstract

【課題】既存のモデルでは推定ができない新たな状態を推定するためのモデルを作成するためのデータを取得する。【解決手段】情報処理装置１は、推定種別毎の統計モデルを定義するモデル定義情報と、当該統計モデルを用いた推定のために必要とされる特徴量の取得条件とを記憶する記憶部２と、第１のモードにおいて、前記取得条件に従って、センサ信号から特徴量を取得し、第２のモードにおいて、前記取得条件とは異なる条件に従って、新たな統計モデルを生成するためのデータをセンサ信号から取得するデータ取得部３と、前記第１のモードにおいて前記データ取得部が取得した前記特徴量が、前記モデル定義情報により規定される要件を満たすか否かを判定する判定部４と、前記特徴量が前記要件を満たさないとの判定結果に応じて、前記第１のモードから前記第２のモードへとモードを変更するモード変更部５とを有する。【選択図】図１

Description

本発明は情報処理装置、情報処理システム、及びプログラムに関し、例えば状態の推定を行うための情報処理装置、情報処理システム、及びプログラムに関する。

モデルと、センサからの信号とを用いて、推定対象の状態を推定する技術が知られている。このような技術において、正しい推定を行うためには、適切なモデルを利用することが求められる。

これに関し、特許文献１では、機械設備に設置されたセンサによって測定されたセンサデータを取得するセンサデータ取得手段と、機械設備が正常に稼動しているときのセンサデータを用いた学習により生成される正常モデルと、センサデータとから異常予兆の有無を診断するデータマイニング部とを有する異常予兆診断装置について開示している。この異常予兆診断装置では、機械設備が設置された周囲の１日の平均気温が、前回に正常モデルの初期化を行ったときに比べて、予め定めた所定値以上に変化すると、初期化指示手段から初期化指示信号が出力され、正常モデルの再構築が行われる。

特開２０１５−０１８３８９号公報

特許文献１に記載された技術によれば、機械設備の外部環境が大きく変動した場合、モデルの再構築を行うことができる。しかしながら、特許文献１に記載された技術では、外部環境が大きく変動した場合、状態の推定用のデータと同様に取得されたデータを用いて正常モデルの再構築が行われる。すなわち、この技術は、正常状態を判定するための新たなモデルを作り直す技術に過ぎない。このため、新規な状態を検出するためのモデルの作成は行われない。よって、既存のモデルでは推定ができない新たな状態を推定するためのモデルを作成するための技術が求められている。

その他の課題と新規な特徴は、本明細書の記述および添付図面から明らかになるであろう。

一実施の形態によれば、情報処理装置は、第１のモードにおいて、取得条件に従って、センサ信号から特徴量を取得し、第２のモードにおいて、前記取得条件とは異なる条件に従って、新たな統計モデルを生成するためのデータをセンサ信号から取得するデータ取得部と、前記第１のモードにおいて取得した前記特徴量が、モデル定義情報により規定される要件を満たさないとの判定結果に応じて、前記第１のモードから前記第２のモードへと、前記データ取得部のモードを変更するモード変更部とを有する。

前記一実施の形態によれば、既存のモデルでは推定ができない新たな状態を推定するためのモデルを作成するためのデータを取得することができる。

実施の形態の概要にかかる情報処理装置の構成の一例を示すブロック図である。 実施の形態にかかる情報処理システムの構成の一例を示す模式図である。 実施の形態にかかる推定装置の構成の一例を示すブロック図である。 データベースの内容の一例を示す表である。 実施の形態にかかる推定装置が用いる統計モデルの具体例を示す模式図である。 観察状態の定義の一例を示す図である。 実施の形態にかかる推定装置の機能構成の一例を示すブロック図である。 実施の形態にかかる推定装置におけるモード変更についての動作の流れを示すフローチャートである。 実施の形態にかかるサーバのハードウェア構成の一例を示すブロック図である。 実施の形態にかかるサーバの機能構成の一例を示すブロック図である。 実施の形態にかかるサーバの動作の流れを示すフローチャートである。

説明の明確化のため、以下の記載及び図面は、適宜、省略、及び簡略化がなされている。なお、各図面において、同一の要素には同一の符号が付されており、必要に応じて重複説明は省略されている。

＜実施の形態の概要＞
実施の形態の詳細な説明に先立って、まず、実施の形態の概要について説明する。図１は、実施の形態の概要にかかる情報処理装置１の構成の一例を示すブロック図である。図１に示すように、情報処理装置１は、記憶部２と、データ取得部３と、判定部４と、モード変更部５とを有する。

記憶部２は、推定種別毎の統計モデルを定義するモデル定義情報と、当該統計モデルを用いた推定のために必要とされる特徴量の取得条件とを記憶する。なお、推定種別とは、推定対象において発生しうる状態であって、統計モデルによる判定対象の状態についての種類である。例えば、推定対象が人などの生体である場合、推定種別は疾病の種類であってもよい。
推定対象は、人に限らず動物、植物などの他の生体であってもよいし、生体以外の物体であってもよい。例えば、推定対象は、装置、建築物などの人工構造物であってもよい。すなわち、推定対象は、状態が変化する任意の物体であればよい。
記憶部２は、１つの統計モデルについての情報を記憶していてもよいし、複数の統計モデルについての情報を記憶していてもよい。つまり、例えば、記憶部２は疾病Ａを推定するための統計モデルについての情報だけを記憶していてもよいし、疾病Ａを推定するための統計モデル及び疾病Ｂを推定するための統計モデルについての情報を記憶していてもよい。
モデル定義情報で表される統計モデルは、例えば隠れマルコフモデルであるが、必ずしもこれに限定されない。例えば、深層ニューラルネットなどの他の統計モデルであってもよい。

特徴量の取得条件は、センサ信号から特徴量を取得するまでに実行される任意の処理の処理条件である。取得条件は、例えば、サンプリングレートであってもよいし、最低限必要な量子化精度であってもよい。また、特徴量の取得条件は、上記センサ信号を得るために用いられるセンサを特定する情報であってもよい。新たな統計モデルを生成するためのデータ、すなわち学習用データとして、フィルタ処理が行われたデータが用いられる場合には、この取得条件はフィルタ条件であってもよい。

データ取得部３は、２つのモードのいずれかで動作する。
データ取得部３は、第１のモードにおいて、記憶部２に記憶された取得条件に従って、センサ信号から特徴量を取得する。
また、データ取得部３は、第２のモードにおいて、第１のモードで使用された取得条件とは異なる条件に従って、新たな統計モデルを生成するためのデータ（すなわち、学習用データ）をセンサ信号から取得する。なお、第２のモードにおいて利用される条件は、第１のモードで使用された取得条件と少なくとも一部が異なっている。例えば、サンプリングレートだけが異なっていてもよいし、増幅率やフィルタ条件だけが異なっていてもよい。

判定部４は、第１のモードにおいてデータ取得部３が取得した特徴量が、記憶部２に記憶されているモデル定義情報により規定される要件を満たすか否かを判定する。これにより、判定部４は、取得した特徴量が、既存の統計モデルによる推定に対応した特徴量であるか否かを判定する。

モード変更部５は、特徴量が要件を満たさないとの判定部４による判定結果に応じて、第１のモードから第２のモードへと、データ取得部３のモードを変更する。すなわち、モード変更部５は、取得した特徴量が、既存の統計モデルによる推定に対応していない特徴量であるとの判定結果に応じて、第１のモードから第２のモードへと、データ取得部３のモードを変更する。
モード変更部５によるモードの変更により、学習用データの取得が開始される。ここで、学習用データの取得条件は、既存の統計モデルを用いた推定のために必要とされる特徴量の取得条件とは異なっている。

既存の統計モデルでは推定ができない新たな状態を推定するための新たな統計モデルは、既存の統計モデルで用いられるデータとは異なるデータを必要とする可能性がある。そのような場合であっても、上述した情報処理装置１によれば、既存の統計モデルを用いた推定のために必要とされる特徴量の取得条件とは異なる条件でデータを取得できるため、新たな状態を推定するための新たな統計モデルを作成することができる。
このように、情報処理装置１によれば、既存のモデルでは推定ができない新たな状態を推定するためのモデルを作成するためのデータを取得することができる。

＜実施の形態の詳細＞
図２は、実施の形態にかかる情報処理システム１０の構成の一例を示す模式図である。図２に示すように情報処理システム１０は、推定装置１００＿１、１００＿２、１００＿３、・・・、１００＿Ｎとサーバ２００とを有する。以下の説明では、推定装置１００＿１、１００＿２、１００＿３、・・・、１００＿Ｎについてこれらを特に区別せずに言及する場合、推定装置１００と称す。図２に示した例では、Ｎ個の推定装置１００が図示されているが、情報処理システム１０は、１以上の推定装置１００を有していればよく、その数は任意である。推定装置１００及びサーバ２００は、相互に通信可能に接続されている。なお、推定装置１００及びサーバ２００は、例えば無線通信により通信可能に接続されるが、有線通信により通信可能に接続されてもよい。また、伝送経路の途中に中継器があってもよい。

推定装置１００は、図１の情報処理装置１に相当する装置である。なお、本実施の形態では、推定装置１００は、人体に装着され、統計モデルを用いて人体における疾病の発病を推定する装置である。本実施の形態では、統計モデルの一例として隠れマルコフモデルが用いられる。このため、深層ニューラルネットなどの他の統計モデルを用いる場合に比べて、計算負荷を低減することができる。なお、推定装置１００は例えばウェアラブル端末であるが、スマートフォンやタブレット端末などの他の可搬型の装置であってもよいし、非可搬型の装置であってもよい。

サーバ２００は、推定装置１００が推定のために用いるデータベースを更新するための装置であり、後述するとおり、推定装置１００から送信された学習用データを用いて新たな統計モデルを生成する処理などを行う。

次に、推定装置１００の詳細について説明する。図３は、推定装置１００の構成の一例を示すブロック図である。推定装置１００は、ＭＣＵ（Ｍｉｃｒｏ Ｃｏｎｔｒｏｌｌｅｒ Ｕｎｉｔ）１０１とＭＣＵ１０１の外部の構成要素とを含む。具体的には、推定装置１００は、ＭＣＵ１０１の外部の構成要素として、ＲＦ回路１０２、フラッシュメモリ１０３、バッテリ１０４、スイッチ１０５、パワーコントローラ１０６、ＵＳＢコネクタ１０７、デジタルセンサ１０８、温度センサ１０９、光センサ１１０、増幅アンプ１１１、ＬＥＤ１１２、電極１１３、電極１１４、計装アンプ１１５、オペアンプ１１６、及び電極１１７を含む。

ＭＣＵ１０１は、図３に示すように、ＣＰＵ１２０、レジスタＲＡＭ１２１、コードフラッシュ１２２、データフラッシュ１２３、ＲＡＭ１２４、ＤＭＡＣ１２５、シリアルＩ／Ｆ１２６、１２７、１２８、ＧＰＩＯ・ＩＲＱ１２９、ＵＳＢ Ｉ／Ｆ１３０、ＲＴＣ１３１、ＡＤＣ１３２、１３３、１３４、タイマ１３５、及びＤＡＣ１３６を有する。

ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１２０は、プログラムを実行するプロセッサの一例である。
レジスタＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１２１は、ＭＣＵ１０１を制御するための設定値などを格納したレジスタ群である。
コードフラッシュ１２２は、プログラムを格納するフラッシュメモリである。
データフラッシュ１２３は、任意のデータを格納するフラッシュメモリである。本実施の形態では、データフラッシュ１２３は、図１の記憶部２に相当し、統計モデルを用いた処理のために参照されるデータベースが格納されている。
ＲＡＭ１２４は、プログラム実行時の中間処理データなどであるワークデータを格納する。本実施の形態では、ＲＡＭ１２４は、各種センサからのセンサ信号に関する時系列データなどが格納される。
ＤＭＡＣ（Ｄｉｒｅｃｔ Ｍｅｍｏｒｙ Ａｃｃｅｓｓ Ｃｏｎｔｒｏｌｌｅｒ）１２５は、ＣＰＵ１２０を介さずに、データ転送を行うためのコントローラである。

シリアルＩ／Ｆ１２６は、ＲＦ回路１０２とＭＣＵ１０１との間の入出力用のインタフェースである。
ＲＦ（Ｒａｄｉｏ Ｆｒｅｑｕｅｎｃｙ）回路１０２は、推定装置１００が他の装置と無線通信するための送受信回路である。推定装置１００とサーバ２００との通信に利用される。
シリアルＩ／Ｆ１２７は、フラッシュメモリ１０３とＭＣＵ１０１との間の入出力用のインタフェースである。
フラッシュメモリ１０３は、ＭＣＵ１０１の外部のフラッシュメモリであり、ＭＣＵ１０１から出力された任意のデータを格納する。

ＧＰＩＯ（Ｇｅｎｅｒａｌ Ｐｕｒｐｏｓｅ Ｉｎｐｕｔ／Ｏｕｔｐｕｔ）・ＩＲＱ（Ｉｎｔｅｒｒｕｐｔ Ｒｅｑｕｅｓｔ）１２９は、バッテリ１０４とＭＣＵ１０１との間の電力の入出力用、及びＭＣＵ１０１とパワーコントローラ１０６との通信用のインタフェースである。
バッテリ１０４は、推定装置１００の各構成要素に供給するための電力を蓄えている。
スイッチ１０５は、バッテリ１０４からの電力の供給及び遮断を制御するスイッチである。例えばユーザ（推定対象者）がスイッチ１０５をオンにすることにより、電力の供給が開始され、推定装置１００の動作が開始する。
パワーコントローラ１０６は、電源を管理するコントローラである。パワーコントローラ１０６は、例えば、バッテリ１０４の異常を検出すると、割り込み信号をＭＣＵ１０１に出力する。
ＵＳＢ Ｉ／Ｆ１３０は、ＵＳＢコネクタ１０７とＭＣＵ１０１との間の入出力用のインタフェースである。

ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）コネクタ１０７は、推定装置１００にＵＳＢ機器（図示せず）を接続するためのコネクタである。
ＲＴＣ（Ｒｅａｌ Ｔｉｍｅ Ｃｌｏｃｋ）１３１は、時計機能を提供する回路である。本実施の形態では、ＲＴＣ１３１は、同一時刻に測定された複数のセンサ信号をグルーピングするための時刻情報を提供する。

シリアルＩ／Ｆ１２８は、デジタルセンサ１０８とＭＣＵ１０１との間の入出力用のインタフェースである。
デジタルセンサ１０８は、例えば、推定対象の人体又は当該人体の周囲の環境についての測定を行うデジタルセンサである。デジタルセンサ１０８は、例えば、ＭＥＭＳ（Ｍｉｃｒｏ Ｅｌｅｃｔｒｏ Ｍｅｃｈａｎｉｃａｌ Ｓｙｓｔｅｍｓ）センサであり、加速度センサ、ジャイロセンサ、気圧センサなどを含む。例えば、加速度センサ及びジャイロセンサは、人体の動きを検出するための測定を行う。デジタルセンサ１０８は、後述する設定部１６１により指定されたサンプリングレートでサンプリングされたデジタル信号をＭＣＵ１０１に入力する。

ＡＤＣ（Ａｎａｌｏｇ−Ｔｏ−Ｄｉｇｉｔａｌ Ｃｏｎｖｅｒｔｅｒ）１３２は、温度センサ１０９から出力されたセンサ信号（アナログ信号）を、後述する設定部１６１により指定されたサンプリングレートで、デジタル信号に変換する。
温度センサ１０９は、人体又は人体の周囲の環境の温度を測定するセンサであり、例えばサーミスタを用いて構成されている。

タイマ１３５は、ＬＥＤ１１２の点灯を制御するためのタイマである。
ＬＥＤ（Ｌｉｇｈｔ Ｅｍｉｔｔｉｎｇ Ｄｉｏｄｅ）１１２は、タイマ１３５の制御のもと、所定のタイミングで所定の時間だけ発光を行う。ＬＥＤ１１２は、例えば、人体の血管に対し発光する。
ＡＤＣ１３３は、光センサ１１０から出力され増幅アンプ１１１により増幅されたセンサ信号（アナログ信号）を、後述する設定部１６１により指定されたサンプリングレートで、デジタル信号に変換する。
増幅アンプ１１１は、光センサ１１０から出力されたセンサ信号を増幅するアンプである。
光センサ１１０は、例えば、フォトトランジスタ又はフォトダイオードを用いて構成されており、ヘモグロビンが光を吸収する特性を利用し、血流などを測定することに用いる。例えば、光センサ１１０は、ＬＥＤ１１２が発した緑色光が体組織により反射された反射光を検出する。
血流に応じて光センサ１１０により検出される光の強度が変動する。このため、光センサ１１０からのセンサ信号により脈拍を計測することができる。

ＡＤＣ１３４は、電極１１３から出力され計装アンプ１１５により増幅されたセンサ信号（アナログ信号）、及び電極１１４から出力され計装アンプ１１５により増幅されたセンサ信号（アナログ信号）を、後述する設定部１６１により指定されたサンプリングレートで、デジタル信号に変換する。
計装アンプ１１５は、電極１１３、１１４から出力されたセンサ信号を増幅するアンプである。
電極１１３、１１４は、人体に接触し、人体における電気信号を検出し、センサ信号として計装アンプ１１５に出力する。
ＤＡＣ（Ｄｉｇｉｔａｌ−Ｔｏ−Ａｎａｌｏｇ Ｃｏｎｖｅｒｔｅｒ）１３６は、電極１１７から出力する電気信号（アナログ信号）を生成するためのデジタル信号をアナログ信号に変換する。
オペアンプ１１６は、ＤＡＣ１３６から出力されたアナログ信号を増幅するアンプである。
電極１１７は、人体に接触し、オペアンプ１１６から出力された電気信号を人体に出力する。
電極１１３、１１４、１１７、計装アンプ１１５、オペアンプ１１６、ＡＤＣ１３２、及びＤＡＣ１３６は、例えば、心電波形を得るための構成として利用される。この場合、ＤＡＣ１３６、オペアンプ１１６、及び電極１１７は、体内のインピーダンスを測定するための交流波形生成回路である。また、電極１１３、１１４、１１７、計装アンプ１１５、オペアンプ１１６、ＡＤＣ１３２、及びＤＡＣ１３６は、例えば、体内のインピーダンスを測定するための構成として利用されてもよい。すなわち、これらの構成要素が体組成計として利用されてもよい。なお、この場合、ＤＡＣ１３６、オペアンプ１１６、及び電極１１７は、所定の周波数の電流を人体に流すための構成として機能する。

次に、データフラッシュ１２３に格納されるデータベースについて説明する。上述の通り、データフラッシュ１２３は、図１の記憶部２に相当し、推定種別毎の統計モデルを定義するモデル定義情報と、当該統計モデルを用いた推定のために必要とされる特徴量の取得条件とを記憶する。なお、データベースは、データフラッシュ１２３に限らず、フラッシュメモリ１０３などの他の記憶装置に記憶されてもよい。図４は、データベースの内容の一例を示す表である。本実施の形態では、データベースは、推定する疾病毎に、図４に示すような情報を管理している。具体的には、データベースは、推定する疾病毎に、「対象疾病名」、「利用するセンサ」、「センシング条件」、「フィルタ条件」、「特徴量算出方法」、及び「統計モデル」を管理している。また、データベースは、疾病が発病していない身体状態についても、これらの情報を管理している。すなわち、データベースは、推定種別毎にこれらの情報を管理している。

「対象疾病名」は、統計モデルにより推定が行われる疾病の名称を示す情報である。なお、疾病が発病していない身体状態については、例えば、「対象疾病名」は「異常なし」といった表現となる。
「利用するセンサ」は、当該疾病の推定のために、いずれのセンサのセンサ信号が必要とされるかを示す情報である。すなわち、当該疾病の推定のために必要とされる１つ以上のセンサを特定する情報である。本実施の形態では、センサ信号を生成するセンサである、デジタルセンサ１０８、温度センサ１０９、光センサ１１０、及び電極１１３、１１４が指定されうる。なお、「利用するセンサ」は、センサ特定情報とも称されうる。
「センシング条件」は、「利用するセンサ」において指定されたセンサにおいて測定する際の測定条件をセンサ毎に指定する情報である。「センシング条件」は、例えば、サンプリングレートであるが、量子化精度であってもよい。

「フィルタ条件」は、「利用するセンサ」において指定されたセンサからのセンサ信号に基づいて得られたデータに対し行うフィルタ処理のフィルタ条件を指定する情報である。「フィルタ条件」は「対象疾病名」とセンサ毎に指定される。フィルタ条件は、例えば、フィルタ方式であってもよいし、フィルタの次数であってもよいし、フィルタの係数であってもよい。
「特徴量算出方法」は、当該疾病の推定のために必要とされる特徴量の算出方法を定義した情報である。

「統計モデル」は、当該疾病の推定のための統計モデルを定義する情報であるモデル定義情報である。モデル定義情報は、推定種別に応じた特徴量の範囲を定義する情報を含む。ところで、本実施の形態では、推定装置１００は統計モデルとして隠れマルコフモデルを用いて推定を行うため、統計モデルは１つ以上の内部状態（観察状態）を有する。したがって、本実施の形態では、モデル定義情報は、より詳細には、推定種別に応じた特徴量の範囲を定義する情報として、内部状態（観察状態）毎に特徴量の範囲を定義する情報を含む。また、モデル定義情報は、内部状態の遷移確率を定義する情報を含む。

ここで、推定装置１００が用いる統計モデルの具体例を説明する。図５は、推定装置１００が用いる統計モデルの具体例を示す模式図である。図５に示した模式図では、ｎ個の統計モデルが示されている。統計モデル５０＿１は、身体が正常な状態を模した統計モデル（正常モデル）である。また、統計モデル５０＿２から統計モデル５０＿ｎは、身体にいずれかの疾病が発病した状態を模した統計モデル（疾病モデル）である。例えば、統計モデル５０＿２は、疾病Aが発病した状態を模した統計モデルであり、統計モデル５０＿ｎは、疾病Bが発病した状態を模した統計モデルである。

統計モデル５０＿ｉ（ただし、ｉは１以上ｎ以下の整数）は、潜在状態θｉを有する。また、潜在状態θｉは、観察状態Ｓｉ_ｋを有する。ただし、ｋは、１以上の整数である。また、図５で示した例では、統計モデル５０＿１、５０＿２、・・・、５０＿ｎは、いずれも観察状態の数が３つ（すなわち、ｋ＝３）であるが、これは図示の都合のためであり、実際には観察状態の数は統計モデル毎に適切な数となる。
δｘｙ（ただし、ｘ、ｙは、それぞれ１以上ｎ以下の整数）は、潜在状態θｘから潜在状態θｙへの遷移確率を示す。

観察状態Ｓｉ_ｋには、図６に示すように、１以上の特徴量の種類と、特徴量毎の範囲とが定義づけられている。図６に示した例では、観察状態Ｓｉ_ｋにはｍ種類の特徴量Ｆ１から特徴量Ｆｍが対応づけられている。また、各特徴量に対し、値域が設定されている。このような定義にしたがい、例えば、特徴量Ｆ１、・・・、Ｆｍが、ｆ１_ａ＜Ｆ１＜ｆ１_ｂ、ｆ２_ａ＜Ｆ２＜ｆ２_ｂ、・・・、ｆｍ_ａ＜Ｆｍ＜ｆｍ_ｂを満たす場合、推定対象者の状態は観察状態Ｓｉ_ｋに属することとなる。ここで、観察状態Ｓｉｋには、ある１つのセンサから得られた複数種類の特徴量が定義されてよい。例えば、同じセンサから異なるフィルタを通して得られる同時刻の特徴量が、同一の観察状態Ｓｉ_ｋに対応づけられていてもよい。より具体的に例を示すと、１つのセンサ（例えば光センサ）から、ＬＰＦ（Ｌｏｗ Ｐａｓｓ Ｆｉｌｔｅｒ）で所定の周波数以下の信号を抽出して得られる特徴量（具体的には光強度）と、ＢＰＦ（Ｂａｎｄ Ｐａｓｓ Ｆｉｌｔｅｒ）で所定の周波数帯の信号を抽出して得られる特徴量（具体的には光強度）と、その２つの特徴量（光強度値）の比で表される特徴量とを用いて、疾病の推定が行なわれてもよい。なお、観察状態Ｓｉ_ｋに対応づけられる特徴量及びその値域は、観察状態毎に定義される。これらを定義する情報が、モデル定義情報における、観察状態毎に特徴量の範囲を定義する情報に相当する。
また、統計モデル５０＿ｉにおいては、同一の統計モデル内の観察状態Ｓｉ_ｋの状態遷移確率Ｐｉ_αβもモデル定義情報として定義されている。ここで、Ｐｉ_αβは、観察状態Ｓｉ_αから観察状態Ｓｉ_βへの遷移確率を示す。ただし、α、βは、それぞれ１以上の整数である（なお、図５に示した一例においては、α、βは、それぞれ１以上３以下の整数である）。例えば、統計モデル５０＿１を例に説明すると、観察状態Ｓ１_１から観察状態Ｓ１_１への状態遷移確率Ｐ１_１１や観察状態Ｓ１_１から観察状態Ｓ１_２への状態遷移確率Ｐ１_１２などが定義されている。

隠れマルコフモデルでは、観測された特徴量から観察状態Ｓｉ_ｋを特定することにより、現在の状態がいずれの潜在状態θｉに属するかが推定される。これにより、推定装置１００は、推定対象者が現在いずれの状態にあるかを推定する。すなわち、推定装置１００は、推定対象者が正常状態であるのか、それともいずれかの疾病が発病した状態であるのかを推定する。

次に、推定装置１００の機能構成について説明する。図７は、推定装置１００の機能構成の一例を示すブロック図である。図７に示すように、推定装置１００は、データベース１５０と、送受信制御部１５１と、データ取得部１６０と、判定部１７０と、推定部１５２と、センサ異常検出部１５３と、モード変更部１５４とを有する。図７に示した各構成要素は、例えば、ＣＰＵ１２０が、１以上の命令を含むプログラムを実行することにより実現される。

データベース１５０は、統計モデルを用いた処理のために参照されるデータベースであり、図４に示したような情報を管理している。すなわち、推定種別毎の統計モデルのモデル定義情報及び特徴量の取得条件がデータベース１５０により管理されている。データベース１５０は、サーバ２００から受信した更新データにより更新される。例えば、データベース１５０は、例えば、新たな疾病について推定するための情報を追加する更新を更新データに基づいて行う。

送受信制御部１５１は、推定装置１００とサーバ２００との間のデータの送受信を制御する。例えば、送受信制御部１５１は、サーバ２００から送信された更新データをＲＦ回路１０２を介して受信し、データベース１５０に登録する。すなわち、送受信制御部１５１は、データベース１５０についての更新データを登録する。送受信制御部１５１は、登録部とも称されうる。データベース１５０の更新により、新たなモデルによる推定が可能となる。受信した更新データが暗号化されている場合には、送受信制御部１５１は復号処理を行い、データベース１５０に登録する。送受信制御部１５１は、改ざんの検知処理を行ってもよく、改ざんが検出された場合にはデータベース１５０への登録をしないようにしてもよい。

また、送受信制御部１５１は、データ取得部１６０が取得した学習用データをＲＦ回路１０２を介してサーバ２００に送信するよう制御する。このため、サーバ２００は、モデル生成のためのデータを取得することができる。なお、送受信制御部１５１は、学習用データの送信の際、ＡＥＳ（Ａｄｖａｎｃｅｄ Ｅｎｃｒｙｐｔｉｏｎ Ｓｔａｎｄａｒｄ）などの任意の暗号アルゴリズムにより暗号化して送信してもよい。

データ取得部１６０は、図１のデータ取得部３に相当し、設定部１６１と、取得制御部１６２と、グループ化部１６３と、フィルタ処理部１６４と、特徴量算出部１６５とを有する。データ取得部１６０は、推定モードにおいてはデータベース１５０で規定された条件にしたがってデータを取得する。これに対し、収集モードにおいては、新たな統計モデルを生成するためのデータ（すなわち、学習用データ）の収集のための予め規定された条件にしたがってデータを取得する。

設定部１６１は、データベース１５０に登録されている全ての「センシング条件」を満たすように各センサの測定条件を設定する。センシング条件として、推定種別毎の必要なサンプリングレートが規定されている場合、あるセンサ信号のサンプリングについて、各センシング条件で規定されているサンプリングレートの最小公倍数を実際の測定条件として設定する。すなわち、例えば、あるセンサ信号について、疾病Ａの推定のために５０Ｈｚのサンプリングがセンシング条件で規定され、疾病Ｂの推定のために６０Ｈｚのサンプリングがセンシング条件で規定されている場合、設定部１６１は、当該センサ信号のサンプリングレートとしてこれらの最小公倍数である３００Ｈｚを設定する。
また、設定部１６１は、後述するモード変更部１５４からのモード変更の指示があった場合には、測定条件を学習用データ取得用の予め規定された測定条件へと変更する。

取得制御部１６２は、設定部１６１の設定に従い、センサ信号のサンプリング後のデジタルデータ（サンプリングデータ）であるセンサデータを取得するよう制御する。例えば、ユーザ（推定対象者）からの指示を受け付けると、取得制御部１６２は、センサデータの取得を開始するよう制御する。

グループ化部１６３は、同一時刻にサンプリング（測定）されたセンサデータ群をグルーピングする。センサデータは、継続的に順次取得されるため、グルーピングされたセンサデータ群が、順次蓄積されることとなる。すなわち、これらは時系列データをなす。グルーピングされたセンサデータ群は、順次、時系列データとしてＲＡＭ１２４に格納される。

フィルタ処理部１６４は、各々のセンサデータに対し、データベース１５０の「フィルタ条件」に従って、推定種別に応じたフィルタ処理を実施する。センサデータは、統計モデルでの推定において貴重な信号のみならず様々なノイズを含む場合がある。なお、ここでいうノイズとは、ある統計モデルにおける推定に注目した場合に、当該統計モデルでの推定を行う上で、適切な推定を妨げる信号をいう。すなわち、推定種別に応じて、ノイズとされる信号は異なる。このため、データベース１５０は、上述のように、推定種別に応じた「フィルタ条件」を保持している。これにより、推定種別に対応する統計モデルに適したフィルタ計算が可能となる。
例えば、ストレス等の判定において、心電波形の揺らぎに関する研究が知られており、そのような研究の結果によれば、身体の状態の判定には、Ｒ波の時間間隔の揺らぎを算出することが望ましいとされている。この場合、Ｐ波、Ｑ波、Ｓ波、Ｔ波はノイズとして扱ってもよいため、Ｒ波のピークをしっかりとるためのフィルタをデータベース１５０に登録しておき、Ｒ波のピーク間隔を確実に算出することが望まれる。一方でＲ波の立ち上がり時間などは心臓の疾患に起因する傾向があるため、そのような疾病を推定するためには、微分係数を正しく得るためのフィルタがデータベース１５０に登録されることが望ましい。

特徴量算出部１６５は、データベース１５０の「特徴量算出方法」に従って、フィルタ処理後のセンサデータから、それぞれの統計モデルに必要とされる特徴量を算出する。センサデータは、例えば電圧値をアナログ・デジタル変換した数値である。このような数値は、生物学的又は物理的に意味のある値ではない。したがって、特徴量算出部１６５は、このセンサデータを生物学的又は物理的に意味のある値、すなわち特徴量に変換する。
例えば、センサデータの時系列データを周波数解析したい場合は、高速フーリエ変換やウェブレット変換などを行って特徴量を算出することが有効である。また、加速度センサのセンサデータについては、例えば、重力加速度を１Ｇとする正規化をセンサデータに行った上で、正規化後の値と体重との積を算出し、これを、活動量を示す特徴量とする。

なお、本実施の形態では、特徴量算出部１６５は、１つ以上のセンサ信号から１つ以上の特徴量を算出する。特徴量算出部１６５が複数の特徴量を算出する場合、１つの特徴量だけを用いた推定に比べ、より多彩な推定種別についての推定が可能となる。また、特徴量算出部１６５は、ある１つの特徴量を算出する際、グループ化部１６３によりグループ化された同一時刻に測定された複数のセンサ信号から特徴量を算出してもよい。この場合には、センサ信号間の相互関係を反映した特徴量を用いた推定が可能となる。また、特徴量算出部１６５は、１つのセンサ信号から１つの特徴量を算出してもよい。この場合、複数種類のセンサ信号の相互関係に着目して特徴量を算出する場合に比べて、計算量の削減及びフィルタ設計の簡略化ができる場合がある。すなわち、消費電流を抑えることが期待できる。

次に、判定部１７０について説明する。判定部１７０は、図１の判定部４に相当し、特徴量範囲判定部１７１と、遷移確率算出部１７２と、遷移確率判定部１７３と、を有する。判定部１７０は、これらの構成により、新たな統計モデルを生成するためのデータ（すなわち、学習用データ）の収集が必要であるか否かを判定する。

特徴量範囲判定部１７１は、データベース１５０のモデル定義情報に従って、特徴量算出部１６５により算出された特徴量が、いずれかの観察状態Ｓｉ_ｋの特徴量の範囲を満たすか否かを判定する。すなわち、特徴量範囲判定部１７１は、推定対象者から得られた最新の特徴量が、いずれかの観察状態Ｓｉ_ｋに属するか否かを判定する。このように、特徴量範囲判定部１７１は、データ取得部１６０が取得した特徴量が、モデル定義情報が規定する範囲内であるか否かを判定する機能を提供する。推定対象者の状態をデータベース１５０の既存の情報で推定可能な場合、特徴量はいずれかの観察状態Ｓｉ_ｋに属することとなる。

遷移確率判定部１７３は、推定対象者から得られた最新の特徴量がいずれかの観察状態Ｓｉ_ｋに属すると特徴量範囲判定部１７１により判定された場合に、観察状態間の遷移確率が妥当な値であるか否かを判定する。具体的には、遷移確率判定部１７３は、特徴量範囲判定部１７１による前回の判定タイミングにおいて特徴量が属していると判定された観察状態Ｓｉ_ｋから、今回の判定タイミングにおいて特徴量が属していると判定された観察状態Ｓｉ_ｋへの遷移確率と、データベース１５０のモデル定義情報で定義されている遷移確率とを比較し、両者のずれ量が所定の閾値未満である場合、遷移確率が妥当な値であると判定する。

以下の説明では、前回の判定タイミングにおいて特徴量が属していると判定された観察状態Ｓｉ_ｋから、今回の判定タイミングにおいて特徴量が属していると判定された観察状態Ｓｉ_ｋへの遷移確率を、観測遷移確率と称すこととする。また、データベース１５０のモデル定義情報で定義されている遷移確率を定義遷移確率と称すこととする。

より詳細には、遷移確率判定部１７３は、観測遷移確率と、定義遷移確率との一致度合いを判定する。つまり、遷移確率判定部１７３は、観測遷移確率と、定義遷移確率との差が所定の許容値以下であるか否かを判定する。推定対象者の状態をデータベース１５０の既存の情報で推定可能な場合、観測遷移確率と、定義遷移確率との差が所定の許容値以下となる。

観測遷移確率は、遷移確率算出部１７２により算出される。遷移確率算出部１７２は、データ取得部１６０が所定の期間Ｔの間に取得した特徴量の時系列データに基づいて観測遷移確率を算出する。所定の期間Ｔの間に取得した特徴量の時系列データとは、データ取得部１６０が取得した最新の特徴量を含む、特徴量の時系列データである。より詳細には、遷移確率算出部１７２は、この特徴量の時系列データに含まれる特徴量のそれぞれが属する観察状態Ｓｉ_ｋの時系列データから、最新の状態遷移と一致する遷移の所定の期間Ｔにおける発生頻度を算出する。そして、遷移確率算出部１７２は、算出した発生頻度を観測遷移確率とする。なお、遷移確率算出部１７２は、時系列データに含まれる各特徴量が属する観察状態Ｓｉ_ｋを、例えば、特徴量範囲判定部１７１による判定結果を利用して特定する。

観測遷移確率の算出について具体例により更に説明する。例えば、ｍ種類の特徴量Ｆ１、Ｆ２、・・・、Ｆｍからなる特徴量群の時刻ｔの値の集合をＦ（ｔ）とする。また、上述の所定の期間Ｔを時刻ｔ１から時刻ｔ５であるとする。さらに、集合Ｆ（ｔ１）が属する観察状態が図５に示した観察状態Ｓ１_１であり、集合Ｆ（ｔ２）が属する観察状態がＳ１_２であり、集合Ｆ（ｔ３）が属する観察状態がＳ１_２であり、集合Ｆ（ｔ４）が属する観察状態がＳ１_１であり、集合Ｆ（ｔ５）が属する観察状態がＳ１_２であるとする。なお、ここでは、説明を簡単にするために、所定の期間Ｔにおける遷移回数は合計４回としているが、所定の期間Ｔにおける遷移回数を大きくすることにより、より正確な観測遷移確率の算出が可能となる。この例において、集合Ｆ（ｔ５）が最新の特徴量であり、観察状態がＳ１_１から観察状態Ｓ１_２への遷移確率が算出すべき観測遷移確率である。この場合、所定期間内の遷移の発生総数は４であり、そのうち、観察状態Ｓ１_１から観察状態Ｓ１_２への遷移は２回発生している。したがって、この場合、観測遷移確率は０．５となる。
なお、上述した算出方法は一例であり遷移確率判定部１７３は、他の算出方法を用いて観測遷移確率を算出してもよい。

推定部１５２は、データベース１５０で定義された統計モデルと、データ取得部１６０により取得された特徴量とに基づいて、推定を行う。推定部１５２は、特徴量範囲判定部１７１及び遷移確率判定部１７３による判定結果に基づいて、推定対象者の状態がいずれの潜在状態θｉに属するかを推定することにより、推定対象者の状態を推定する。より詳細には、推定部１５２は、この推定結果の時系列データから算出される遷移確率δｘｙに基づいて、推定対象者の状態を推定する。図５を参照して説明すると、例えば、算出された遷移確率δｎｎが所定の閾値を超える場合、推定部１５２は、統計モデル５０＿ｎに対応する疾病Bが発病したと推定する。このような推定部１５２の処理により推定装置１００は推定結果を提供することができる。
なお、このように、本実施の形態では、推定部１５２は、疾病の種類毎のモデルである統計モデル５０＿１〜５０＿ｎにより、人体の疾病の発病を推定するが、人体以外の他の生体における疾病の発病を推定してもよい。

また、統計モデルには、グルーピングされていないセンサ信号に基づく特徴量が入力されてもよい。グルーピングを行うためには、グループ化対象のセンサ信号のそれぞれに特徴量算出のために要求されるサンプリングレートのうちの最大のサンプリングレートを基準として、各センサ信号のサンプリングデータを用意する必要がある。このため、グループ化されるセンサ信号のなかには、必要以上にサンプリングが求められるセンサ信号が存在しうる。もしくは、サンプリング数を増やすのではなく、データを補完することが求められる。よって、グルーピングを行わない場合には、このような冗長な処理を避けることできる。
一方で、グルーピングされたセンサ信号に基づく特徴量を統計モデルに入力する場合には、複数種類のセンサ信号を考慮した状態の推定が可能となるため、より複雑な状態を推定することができる。

センサ異常検出部１５３は、センサ（デジタルセンサ１０８、温度センサ１０９、光センサ１１０、及び電極１１３、１１４）の異常を検出する。例えば、センサ異常検出部１５３は、センサデータの時系列データに値の変動が全くない場合、当該センサデータを取得するためのセンサに異常が発生していると判定する。なお、異常の判定方法は、これに限られず、他の方法により異常が検出されてもよい。

モード変更部１５４は、図１のモード変更部５に相当し、新たな統計モデルを生成するためのデータの収集が必要である場合、データ取得部１６０の動作モードを推定モードから収集モードに変更する。
モード変更部１５４は、データ取得部１６０が取得した特徴量がいずれの観察状態Ｓｉ_ｋにも属さないと特徴量範囲判定部１７１に判定された場合、推定モードから収集モードに変更する。なお、モード変更部１５４は、データ取得部１６０が取得した特徴量がいずれの観察状態Ｓｉ_ｋにも属さないと特徴量範囲判定部１７１に判定されると直ちにモードを変更してもよいが、そのような判定結果が頻発する場合にモードの変更を行ってもよい。すなわち、モード変更部１５４は、所定の期間Ｔ’の特徴量の時系列データに対する特徴量範囲判定部１７１による全ての判定結果のうち、特徴量が範囲内ではないとの判定結果の割合が、所定の基準を満たす場合、推定モードから収集モードに変更してもよい。このような構成によれば、外乱などに起因して突発的に生じる判定結果に左右されることなく、モードの変更タイミングを適切に判定することができる。

また、モード変更部１５４は、観測遷移確率が妥当な値ではないと遷移確率判定部１７３に判定された場合、すなわち、観測遷移確率と、定義遷移確率との差が所定の許容値を超える場合、推定モードから収集モードに変更する。なお、モード変更部１５４は、遷移確率判定部１７３による判定結果に基づくモードの変更においても、上述と同様に、突発的な判定結果に左右されないようにしてもよい。すなわち、モード変更部１５４は、遷移確率判定部１７３は定義遷移確率との差が所定の許容値を超える事態の発生頻度が所定の基準を満たす場合にモードを変更してもよい。

ただし、本実施の形態では、モード変更部１５４は、センサの異常が検出されていない場合に限り、判定部１７０の判定結果に応じて、推定モードから収集モードへの動作モードの変更を行う。既存の統計モデルに対応しない特徴量が得られた理由が、新たな疾病に対応する特徴量が得られたからではなく、センサの故障に起因する不適切な特徴量が得られたからである場合、学習用データの収集を行う必要がない。したがって、モード変更部１５４は、センサの異常が検出されている場合にはモードの変更を行わない。これにより、不必要なモードの変更が抑制される。なお、本実施の形態では、このように、センサの異常が検出されていない場合に限りモード変更を行うが、センサの異常の有無にかかわらずモードの変更が行われてもよい。

モード変更部１５４は、モードの変更をデータ取得部１６０に通知する。これにより、データ取得部１６０は、学習用データを取得するための予め規定された専用の条件に従って、既存の統計モデルでは推定ができない推定対象者の状態を推定可能な新たな統計モデルを生成するための学習用データを取得する。なお、収集モードのデータ取得部１６０が取得する学習用データは、サンプリングされたデジタルデータ（グループ化部１６３によるグループ化前のデジタルデータ）であってもよいし、グループ化後のデジタルデータあってもよいし、フィルタ処理部１６４による処理後のデジタルデータであってもよい。

上述の専用の条件は、例えば、推定モード時に設定されるセンサ信号のサンプリングレートとは異なるサンプリングレートでのサンプリングを指示する情報であってもよい。この場合、収集モード時のデータ取得部１６０は、この専用の条件で指定されたサンプリングレートでセンサ信号をサンプリングする。例えば、収集モード時のサンプリングレートは、設定可能な最大値である。なお、最大値ではなく、推定モードにおけるサンプリングレートよりも大きいサンプリングレートであってもよい。

モード変更部１５４の指示により、データ取得部１６０では推定モード時の取得条件とは異なる取得条件が設定されるが、この取得条件はサンプリングレートに限られない。例えば、モードの変更により変更される取得条件は、フィルタであってもよい。例えば、推定モード時に適用されたフィルタ処理の一部又は全てについて、収集モードでは適用しないようにしてもよい。このように、推定モードと収集モードでは、フィルタ処理の処理内容が異なってもよい。

このように、モード変更部１５４は、データ取得部１６０に対し取得条件の変更を指示する。これにより、推定対象者及びその周辺などから得られる生データ（ローデータ（ｒａｗデータ））を取得することができるため、統計モデルの新たな生成にむけて、より有用なデータを学習用データとして得ることができる。

収集モードのデータ取得部１６０は、予め設定された収集期間の間、継続して学習用データを取得する。送受信制御部１５１は、取得された学習用データをサーバ２００に送信する。例えば、送受信制御部１５１は、ＲＡＭ１２４に蓄積された学習用データを所定の送信タイミングでまとめてサーバ２００に送信してもよいし、取得された学習用データを逐次サーバ２００に送信してもよい。なお、無駄な通信待機を避けるべく、推定装置１００の通信時期とサーバ２００の通信時期をそろえておくことが好ましい。

サーバ２００から指示がある場合には、データ取得部１６０は、予め設定された収集期間ではなく、サーバ２００から指示された収集期間の間、継続して学習用データを取得してもよい。また、データ取得部１６０は、モード変更部１５４によって収集モードに設定されるだけでなく、サーバ２００からの指示によって収集モードに設定されてもよい。また、データ取得部１６０は、サーバ２００から指定された取得条件により学習用データを取得してもよい。

次に、推定装置１００におけるモード変更についての動作の流れを説明する。図８は、推定装置１００におけるモード変更についての動作の流れを示すフローチャートである。以下、図８に沿って動作の流れを説明する。

ステップ（Ｓ１００）において、設定部１６１は、データベース１５０を参照し、センシング条件を満たすように各センサの測定条件を設定する。なお、推定装置１００が備えるセンサの全てが測定に利用されるとは限らない。設定部１６１は、データベース１５０を参照し、測定に必要なセンサについてのみ、測定条件を設定すればよい。この場合、推定装置１００が備えるセンサのうち、データベース１５０に従った測定に不要であるセンサへの電力の供給が制限されてもよい。すなわち、推定装置１００は、不要であるセンサへの電力の供給を制限する機能を有してもよい。例えば、そのようなセンサに対し、電源を投入しないようにしてもよい。例えば、設定部１６１は、データベース１５０を参照し、不要なセンサを判定し、それらに供給する電力を制限するための制御信号を出力してもよい。このような構成によれば、電力の消費を低減することができる。
次に、ステップ１０１（Ｓ１０１）において、取得制御部１６２は、ステップ１００における設定に従い、センサデータを取得するよう制御する。
次に、ステップ１０２（Ｓ１０２）において、グループ化部１６３は、同一時刻のセンサデータ群をグルーピングする。
次に、ステップ１０３（Ｓ１０３）において、フィルタ処理部１６４は、データベース１５０を参照し、各々のセンサデータに対し、推定種別に応じたフィルタ処理を実施する。
次に、ステップ１０４（Ｓ１０４）において、特徴量算出部１６５は、データベース１５０を参照し、フィルタ処理後のセンサデータから、各統計モデルに必要とされる特徴量を算出する。

次に、ステップ１０５（Ｓ１０５）において、特徴量範囲判定部１７１は、データベース１５０のモデル定義情報を参照し、ステップ１０４で算出された特徴量が、いずれかの観察状態Ｓｉ_ｋに対して定義された特徴量の範囲を満たすか否かを判定する。算出された特徴量が定義された範囲を満たす場合、すなわち、算出された特徴量に対応する観察状態Ｓｉ_ｋが定義されている場合（ステップ１０５でＹｅｓ）、処理はステップ１０６へ移行する。算出された特徴量に対応する観察状態Ｓｉ_ｋが定義されていない場合（ステップ１０５でＮｏ）、処理はステップ１０７へ移行する。

ステップ１０６（Ｓ１０６）では、遷移確率判定部１７３は、データベース１５０のモデル定義情報を参照し、観察状態間の遷移確率が妥当な値であるか否かを判定する。遷移確率が妥当な値である場合（ステップ１０６でＹｅｓ）、モードの変更は行われない。すなわち、推定モードが継続する。この場合、モードの変更の必要があるか否かの判定フロー（ステップ１００〜ステップ１０６）が繰り替えされる。遷移確率が妥当な値ではない場合（ステップ１０６でＮｏ）、処理はステップ１０７へ移行する。

ステップ１０７（Ｓ１０７）では、モード変更部１５４は、センサの異常が検出されていないことを確認し、データ取得部１６０の動作モードを推定モードから収集モードに変更する。なお、モード変更部１５４は、センサの異常が検出されているか否かを確認せずに、モードの変更を実施してもよい。
なお、上記フローチャートでは、ステップ１０５若しくはステップ１０６においてＮｏである場合、ただちにステップ１０７に処理が移行しているが、上述の通り、Ｎｏとなる事象の発生頻度が所定の基準を満たす場合に、ステップ１０７に処理が移行してもよい。
モードの変更が行われると、設定部１６１は、測定条件を学習用データ取得用の測定条件へと変更する。これにより学習用データの取得が開始される。

次に、サーバ２００について説明する。図９は、サーバ２００のハードウェア構成の一例を示すブロック図である。図９に示すように、サーバ２００は、例えば、ネットワークインタフェース２０１と、メモリ２０２と、プロセッサ２０３とを有する。

ネットワークインタフェース２０１は、推定装置１００との通信を行うために使用される。ネットワークインタフェース２０１は、例えば、ネットワークインタフェースカード（ＮＩＣ）を含んでもよい。

メモリ２０２は、例えば揮発性メモリ又は不揮発性メモリによって構成される。メモリ２０２は、プロセッサ２０３により実行される、１以上の命令を含むプログラムなどを格納するため等に使用される。

プロセッサ２０３は、例えば、マイクロプロセッサ、ＭＰＵ(Micro Processor Unit)、又はＣＰＵ(Central Processing Unit)などであってもよい。プロセッサ２０３は、複数のプロセッサを含んでもよい。プロセッサ２０３は、メモリ２０２からコンピュータプログラムを読み出して実行することで、図１０に示すサーバ２００の各構成要素の処理を行う。

図１０は、サーバ２００の機能構成の一例を示すブロック図である。図１０に示すように、サーバ２００は、送受信制御部２１０と、モデル生成部２１１と、テスト部２１２と、配信決定部２１３とを有する。

送受信制御部２１０は、サーバ２００と推定装置１００との間のデータの送受信を制御する。例えば、送受信制御部２１０は、推定装置１００から送信された学習用データをネットワークインタフェース２０１を介して受信し、メモリ２０２に記憶する。なお、推定装置１００から受信した学習用データが暗号化されている場合には、送受信制御部２１０は復号処理を行う。また、送受信制御部２１０は、推定装置１００のデータベース１５０に登録する更新データをネットワークインタフェース２０１を介して推定装置１００に送信するよう制御する。

モデル生成部２１１は、推定装置１００から受信した学習用データ、すなわち、収集モードにおけるデータ取得部１６０が取得したデータを用いて、新たな統計モデルの生成処理を行う。モデル生成部２１１は、受信した学習用データに含まれる種々のセンサデータのうち予め指定されたセンサデータについて、予め指定されたセンシング条件、フィルタ条件、及び特徴量算出方法にしたがった前処理を行う。そして、モデル生成部２１１は、この前処理により得られたデータを用いて、新たな統計モデルを生成する。

モデル生成部２１１は、例えば、ＢａｕｍＷｅｌｃｈといった公知のアルゴリズムを用いて、隠れマルコフモデルを生成する。これらのアルゴリズムは、自動で状態変化点を見つける方法も含むため、時系列データの解析および隠れマルコフモデルの生成に有効である。なお、モデル生成部２１１は、これらのアルゴリズムに限らず、他の公知であるアルゴリズムを用いて統計モデルを生成してもよい。

なお、受信した学習用データに含まれる種々のセンサデータのうちモデル生成に利用するセンサデータの組み合わせ、並びにセンシング条件及びフィルタ条件は、様々なパターンが指定される。この指定は、人（モデル設計者）により指定されてもよいし、所定のルールに従って指定されてもよい。このため、モデル生成部２１１は、様々な指定にしたがい、様々な統計モデルを生成する。すなわち、仮に推定装置１００が収集モードで取得したデータが疾病Ｘについてのデータである場合、モデル生成部２１１は、収集モードで取得されたデータから疾病Ｘの推定を行うための種々の統計モデル５０を生成する。なお、モデル生成部２１１は、少なくとも１つの統計モデルを生成すればよく、必ずしも複数の統計モデルを生成しなくてもよい。

モデル生成部２１１が生成した統計モデルを推定装置１００に実装するにあたり、メモリなどのリソースが枯渇してしまい推定装置１００において演算しきれないと、推定装置１００としての機能を適切に提供することができない。このため、テスト部２１２は、モデル生成部２１１が生成した統計モデルを、推定装置１００のリソースを模した環境でテストする。すなわち、生成した統計モデルによる推定処理を推定装置１００において実行できることを保障するために、テスト部２１２が統計モデルのテストを実施する。

具体的には、テスト部２１２は、推定装置１００のＭＣＵ１０１による演算精度と同精度で演算を行う仮想環境上で、モデル生成部２１１が生成した統計モデルを用いた推定処理のシミュレーションを実施する。より詳細には、推定装置１００における演算にかかるビット長と、仮想環境における演算におけるビット長を同じにして、推定装置１００における演算と仮想環境における演算結果が同じになるようにする。

テスト部２１２は、例えば、モデル生成のために取得されたデータと生成された統計モデルとを用いた推定処理を行うシミュレーション、又は、予め検証用のデータとして用意されたデータと生成された統計モデルとを用いた推定処理を行うシミュレーションを実施する。なお、テスト部２１２は、これらのうち一方のシミュレーションを行ってもよいし、両方のシミュレーションを行ってもよい。そして、テスト部２１２は、例えば、新たに生成した統計モデルで推定すべき、推定対象者の状態（すなわち、当該統計モデルで推定すべき疾病）が発生したことを、当該新たな統計モデルにより適切に推定できることを確認する。また、テスト部２１２は、例えば、新たに生成した統計モデルで推定すべき推定対象者の状態が発生していないにもかかわらず、発生したと当該新たな統計モデルにより誤って推定しないことを確認する。

特に、テスト部２１２は、モデル生成部２１１が生成した新たな統計モデルのモデル定義情報及び当該新たな統計モデルを用いた推定のために必要とされる特徴量の取得条件のみを含むデータベースを用いたテストに限らず、推定装置１００が既に有するデータベース１５０に新たな統計モデルについての情報を追加したデータベースを用いたテストも実行する。すなわち、テスト部２１２は、推定装置１００のデータフラッシュ１２３が既に記憶しているモデル定義情報及び特徴量の取得条件に加え、モデル生成部２１１が生成した新たな統計モデルのモデル定義情報及び当該新たな統計モデルを用いた推定のために必要とされる特徴量の取得条件を含むデータベースを用いて、テストを実行する。なお、新たな統計モデルを用いた推定のために必要とされる特徴量の取得条件は、具体的には、モデルの生成のために予め指定されたセンサ、センシング条件、フィルタ条件、及び特徴量算出方法である。
このため、既存のデータベース１５０に新たな統計モデルについての情報を追加する更新を行った場合でも、推定装置１００により適切な推定が可能であることを保障することができる。

テスト部２１２は、推定装置１００の演算能力以下の演算能力の実行環境によりテストを実行してもよい。これにより、推定装置１００の演算能力（例えば処理速度）による演算により、新たな統計モデルを用いた推定が可能であることを保障することができる。また、例えば、テスト部２１２は、推定装置１００のメモリ容量以下のメモリ容量の実行環境によりテストを実行してもよい。これにより、推定装置１００のメモリ容量においても、新たな統計モデルを用いた推定が可能であることを保障することができる。

なお、テスト部２１２は、推定処理の際の処理負荷や使用するメモリ容量を、生成された統計モデル毎に記録してもよい。なお、モデルの生成段階において、処理負荷及びメモリ容量などの計算コストの見積もりが可能である場合（例えば、Ａｕｔｏｐｌａｉｔなどのようにコストの算出が可能なアルゴリズムが用いられる場合）には、モデル生成部２１１が、生成された統計モデル毎に計算コストを記録してもよい。

配信決定部２１３は、推定装置１００に送信する情報を選択するとともに、選択された情報の配信先の装置を決定する。上述の通り、モデル生成部２１１は新規なモデルとして生成条件の異なる複数の統計モデルを生成しうる。生成された統計モデルのうちテスト部２１２によるテストに合格した統計モデル、すなわち、推定装置１００の環境でも適切に動作することが保証された統計モデルが配信対象の統計モデルの候補となる。配信決定部２１３は、この配信対象の統計モデルの候補のうち、いずれを配信するかを選択する。配信決定部２１３は、人（例えば、推定サービスを提供する事業者）による指定にしたがって、配信対象を選択してもよいし、予め定められたルールにしたがって、配信対象を選択してもよい。人による指定にしたがって配信対象を選択する場合、配信決定部２１３は、モデル生成部２１１により生成された統計モデル毎に、テスト部２１２のテスト結果、推定精度、計算コスト（例えば処理負荷、メモリ容量など）などをディスプレイ（図示せず）に表示出力してもよい。なお、サーバ２００は、サーバ２００とネットワークにより接続された他の装置にこれらの情報を送信してもよい。事業者は、例えば、サーバ２００から出力された内容に基づいて、配信対象を選択し、サーバ２００に指示する。

また、上述の通り、配信決定部２１３は、選択された配信対象の情報、すなわち、モデル生成部２１１が生成した統計モデルを定義するモデル定義情報と当該統計モデルを用いた推定のために必要とされる特徴量の取得条件の配信先の装置を決定する。配信決定部２１３は、当該統計モデルの生成のためのデータを送信した推定装置１００に限らず、他の推定装置１００を配信先として決定してもよい。配信決定部２１３は、ユーザによる指定にしたがって、配信先の推定装置１００を決定してもよいし、予め定められたルールにしたがって、配信先の推定装置１００を決定してもよい。

配信決定部２１３による配信対象及び配信先の決定により、推定サービスを提供する事業者は所望の配信を実現することができる。
送受信制御部２１０は、配信決定部２１３の決定にしたがい、選択された配信対象の情報を更新データとして、推定装置１００へと送信する。

次に、サーバ２００の動作の流れを説明する。図１１は、サーバ２００の動作の流れを示すフローチャートである。以下、図１１に沿って動作の流れを説明する。

ステップ２００（Ｓ２００）において、送受信制御部２１０は、推定装置１００が送信した学習用データ（収集モードのデータ取得部１６０が取得したデータ）を取得する。
次に、ステップ２０１（Ｓ２０１）において、モデル生成部２１１は、は、ステップ２００で取得した学習用データを用いて、新たな統計モデルの生成処理を行う。
次に、ステップ２０２（Ｓ２０２）において、テスト部２１２は、ステップ２０１で生成した統計モデルを、推定装置１００のリソースを模した環境でテストする。
次に、ステップ２０３（Ｓ２０３）において、配信決定部２１３は、配信対象の更新データ（モデル定義情報及び特徴量の取得条件）を決定するとともに、更新データの配信先を決定する。
次に、ステップ２０４（Ｓ２０４）において、送受信制御部２１０は、ステップ２０３の決定にしたがって、更新データを推定装置１００に送信する。

上述した通り、推定装置１００では、算出した特徴量が既存の統計モデルに対応していない場合、推定モードから収集モードへとモードが切り替わり、推定モード時の取得条件とは異なる取得条件でデータを取得できる。このため、既存のモデルでは推定ができない新たな状態を推定するためのモデルを作成するためのデータを取得することができる。
また、サーバ２００は、生成した統計モデルについて、推定装置１００の実行環境を模した環境において、検証する。このため、推定装置１００における動作を保証することができる。

なお、上記実施の形態では、図７に示した構成要素及び図１０に示した構成要素がプログラムの実行により実現されるものとして説明した。しかしながら、これらの構成要素の一部又は全てがハードウェア回路の処理として実現されてもよい。

また、上述したプログラム及び後述するプログラムは、様々なタイプの非一時的なコンピュータ可読媒体を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば光磁気ディスク）、ＣＤ−ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＣＤ−Ｒ、ＣＤ−Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ ＰＲＯＭ）、フラッシュＲＯＭ、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ））を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。

以上、本発明者によってなされた発明を実施の形態に基づき具体的に説明したが、本発明は既に述べた実施の形態に限定されるものではなく、その要旨を逸脱しない範囲において種々の変更が可能であることはいうまでもない。

例えば、上記の実施形態の一部又は全部は、以下の付記のようにも記載され得るが、以下には限られない。

（付記１）
推定種別毎の統計モデルを定義するモデル定義情報と、当該統計モデルを用いた推定のために必要とされる特徴量の取得条件とを記憶する記憶部と、
第１のモードにおいて、前記取得条件に従って、センサ信号から特徴量を取得し、第２のモードにおいて、前記取得条件とは異なる条件に従って、新たな統計モデルを生成するためのデータをセンサ信号から取得するデータ取得部と、
前記第１のモードにおいて前記データ取得部が取得した前記特徴量が、前記モデル定義情報により規定される要件を満たすか否かを判定する判定部と、
前記特徴量が前記要件を満たさないとの前記判定部による判定結果に応じて、前記第１のモードから前記第２のモードへと、前記データ取得部のモードを変更するモード変更部と
を有する情報処理装置。
（付記２）
前記モデル定義情報は、前記推定種別に応じた前記特徴量の範囲を定義する情報を含み、
前記判定部は、前記データ取得部が取得した前記特徴量が、前記モデル定義情報が規定する前記範囲内であるか否かを判定し、
前記モード変更部は、前記特徴量が前記範囲内ではないとの前記判定部による判定結果に応じて、前記第１のモードから前記第２のモードへと、前記データ取得部のモードを変更する
付記１に記載の情報処理装置。
（付記３）
前記統計モデルは、１つ以上の内部状態を有し、
前記推定種別に応じた前記特徴量の範囲を定義する情報は、前記内部状態毎に前記特徴量の範囲を定義する情報であり、
前記モデル定義情報は、さらに、前記内部状態の遷移確率を定義する情報を含み、
前記判定部は、第１の判定と第２の判定を行い、
前記第１の判定は、前記データ取得部が取得した前記特徴量が前記モデル定義情報が規定する前記範囲内であるか否かの判定であり、
前記第２の判定は、前記データ取得部が所定の期間の間に取得した前記特徴量の時系列データに基づいて算出される前記内部状態の遷移確率と、前記モデル定義情報が規定する前記内部状態の遷移確率との一致度合いの判定であり、
前記モード変更部は、前記第１の判定又は前記第２の判定の結果に応じて、前記第１のモードから前記第２のモードへと、前記データ取得部のモードを変更する
付記２に記載の情報処理装置。
（付記４）
前記モード変更部は、所定の期間の前記特徴量の時系列データに対する前記判定部による全ての判定結果のうち、前記特徴量が前記範囲内ではないとの前記判定部による判定結果の割合が、所定の基準を満たす場合、前記第１のモードから前記第２のモードへと、前記データ取得部のモードを変更する
付記２に記載の情報処理装置。
（付記５）
前記統計モデルは隠れマルコフモデルである
付記３に記載の情報処理装置。
（付記６）
前記記憶部は、前記推定種別毎の前記モデル定義情報及び前記取得条件を管理するデータベースを記憶し、
前記データベースが有する前記取得条件は、
前記センサ信号を得るために用いられるセンサを特定するセンサ特定情報と、
前記センサ特定情報により特定されたセンサの測定条件を指定するセンシング条件と、
前記特徴量を取得するためのフィルタ処理の条件を指定するフィルタ条件と
を含む付記１に記載の情報処理装置。
（付記７）
前記データベースについての更新データを登録する登録部
をさらに有する付記６に記載の情報処理装置。
（付記８）
センサの異常を検出するセンサ異常検出部をさらに有し、
前記モード変更部は、前記センサ異常検出部が前記センサの異常を検出していない場合に限り、前記特徴量が前記要件を満たさないとの前記判定部による判定結果に応じて、前記第１のモードから前記第２のモードへと、前記データ取得部のモードを変更する
付記１に記載の情報処理装置。
（付記９）
前記データ取得部は、前記センサ信号のサンプリングデータから前記特徴量を取得し、
前記第１のモードと前記第２のモードは、前記センサ信号のサンプリングレートが異なる
付記１に記載の情報処理装置。
（付記１０）
前記第２のモードにおける前記サンプリングレートは、設定可能な最大値である
付記９に記載の情報処理装置。
（付記１１）
前記第２のモードにおける前記サンプリングレートは、前記第１のモードにおけるサンプリングレートよりも大きい
付記９に記載の情報処理装置。
（付記１２）
前記データ取得部は、前記特徴量を取得するためにフィルタ処理を行い、
前記第１のモードと前記第２のモードは、前記フィルタ処理の処理内容が異なる
付記１に記載の情報処理装置。
（付記１３）
前記第２のモードにおける前記データ取得部が取得したデータを、新たな統計モデルの生成処理を行う他の装置に送信するよう制御する送信制御部をさらに有する
付記１に記載の情報処理装置。
（付記１４）
前記統計モデルと、前記特徴量とに基づいて、推定を行う推定部をさらに有する
付記１に記載の情報処理装置。
（付記１５）
前記統計モデルは疾病の種類毎のモデルであり、
前記推定部は、生体における疾病の発病を推定する
付記１４に記載の情報処理装置。
（付記１６）
前記センサ信号を生成するセンサをさらに有する
付記１に記載の情報処理装置。
（付記１７）
前記データ取得部は、前記第１のモードにおいて、ある１つの特徴量を取得する際、同一時刻に測定された複数の前記センサ信号から当該特徴量を取得する
付記１に記載の情報処理装置。
（付記１８）
前記データ取得部は、前記第１のモードにおいて、１つ以上のセンサ信号から複数の特徴量を取得する
付記１に記載の情報処理装置。
（付記１９）
前記情報処理装置が備えるセンサのうち、前記取得条件に従った前記センサ信号の生成に不要であるセンサへの電力の供給を制限する機能を有する
付記１６に記載の情報処理装置。
（付記２０）
情報処理装置とサーバとを備え、
前記情報処理装置は、
推定種別毎の統計モデルを定義するモデル定義情報と、当該統計モデルを用いた推定のために必要とされる特徴量の取得条件とを記憶する記憶部と、
第１のモードにおいて、前記取得条件に従って、センサ信号から特徴量を取得し、第２のモードにおいて、前記取得条件とは異なる条件に従って、新たな統計モデルを生成するためのデータをセンサ信号から取得するデータ取得部と、
前記第１のモードにおいて前記データ取得部が取得した前記特徴量が、前記モデル定義情報により規定される要件を満たすか否かを判定する判定部と、
前記特徴量が前記要件を満たさないとの前記判定部による判定結果に応じて、前記第１のモードから前記第２のモードへと、前記データ取得部のモードを変更するモード変更部と、
を有し、
前記サーバは、
前記第２のモードにおける前記データ取得部が取得したデータを用いて、新たな統計モデルの生成処理を行うモデル生成部と、
前記モデル生成部が生成した統計モデルを、前記情報処理装置のリソースを模した環境でテストするテスト部と
を有する情報処理システム。
（付記２１）
前記テスト部は、前記情報処理装置の演算能力以下の演算能力の実行環境によりテストを実行する
付記２０に記載の情報処理システム。
（付記２２）
前記テスト部は、前記情報処理装置のメモリ容量以下のメモリ容量の実行環境によりテストを実行する
付記２０に記載の情報処理システム。
（付記２３）
前記記憶部が記憶する推定種別毎の統計モデルのモデル定義情報及び特徴量の取得条件はデータベースにより管理され、
前記テスト部は、前記記憶部が既に記憶しているモデル定義情報及び特徴量の取得条件に加え、前記モデル生成部が生成した新たな統計モデルのモデル定義情報及び当該新たな統計モデルを用いた推定のために必要とされる特徴量の取得条件を含むデータベースを用いて、テストを実行する
付記２０に記載の情報処理システム。
（付記２４）
前記サーバは、
前記モデル生成部が生成した統計モデルを定義するモデル定義情報と当該統計モデルを用いた推定のために必要とされる特徴量の取得条件の配信先の装置を決定する配信決定部をさらに有する
付記２０に記載の情報処理システム。
（付記２５）
推定種別毎の統計モデルを定義するモデル定義情報と、当該統計モデルを用いた推定のために必要とされる特徴量の取得条件とを記憶する記憶部に記憶された前記取得条件に従って、第１のモードにおいて、センサ信号から特徴量を取得し、第２のモードにおいて、前記取得条件とは異なる条件に従って、新たな統計モデルを生成するためのデータをセンサ信号から取得するデータ取得ステップと、
前記第１のモードにおいて前記データ取得ステップで取得した前記特徴量が、前記モデル定義情報により規定される要件を満たすか否かを判定する判定ステップと、
前記特徴量が前記要件を満たさないとの前記判定ステップでの判定結果に応じて、前記第１のモードから前記第２のモードへと、モードを変更するモード変更ステップと
をコンピュータに実行させるプログラム。

１ 情報処理装置
２ 記憶部
３ データ取得部
４ 判定部
５ モード変更部
１０ 情報処理システム
５０ 統計モデル
１００ 推定装置
１５０ データベース
１５１ 送受信制御部
１５２ 推定部
１５３ センサ異常検出部
１５４ モード変更部
１６０ データ取得部
１６１ 設定部
１６２ 取得制御部
１６３ グループ化部
１６４ フィルタ処理部
１６５ 特徴量算出部
１７０ 判定部
１７１ 特徴量範囲判定部
１７２ 遷移確率算出部
１７３ 遷移確率判定部
２００ サーバ
２１０ 送受信制御部
２１１ モデル生成部
２１２ テスト部
２１３ 配信決定部

Claims (20)

1. 推定種別毎の統計モデルを定義するモデル定義情報と、当該統計モデルを用いた推定のために必要とされる特徴量の取得条件とを記憶する記憶部と、
   第１のモードにおいて、前記取得条件に従って、センサ信号から特徴量を取得し、第２のモードにおいて、前記取得条件とは異なる条件に従って、新たな統計モデルを生成するためのデータをセンサ信号から取得するデータ取得部と、
   前記第１のモードにおいて前記データ取得部が取得した前記特徴量が、前記モデル定義情報により規定される要件を満たすか否かを判定する判定部と、
   前記特徴量が前記要件を満たさないとの前記判定部による判定結果に応じて、前記第１のモードから前記第２のモードへと、前記データ取得部のモードを変更するモード変更部と
   を有する情報処理装置。
2. 前記モデル定義情報は、前記推定種別に応じた前記特徴量の範囲を定義する情報を含み、
   前記判定部は、前記データ取得部が取得した前記特徴量が、前記モデル定義情報が規定する前記範囲内であるか否かを判定し、
   前記モード変更部は、前記特徴量が前記範囲内ではないとの前記判定部による判定結果に応じて、前記第１のモードから前記第２のモードへと、前記データ取得部のモードを変更する
   請求項１に記載の情報処理装置。
3. 前記統計モデルは、１つ以上の内部状態を有し、
   前記推定種別に応じた前記特徴量の範囲を定義する情報は、前記内部状態毎に前記特徴量の範囲を定義する情報であり、
   前記モデル定義情報は、さらに、前記内部状態の遷移確率を定義する情報を含み、
   前記判定部は、第１の判定と第２の判定を行い、
   前記第１の判定は、前記データ取得部が取得した前記特徴量が前記モデル定義情報が規定する前記範囲内であるか否かの判定であり、
   前記第２の判定は、前記データ取得部が所定の期間の間に取得した前記特徴量の時系列データに基づいて算出される前記内部状態の遷移確率と、前記モデル定義情報が規定する前記内部状態の遷移確率との一致度合いの判定であり、
   前記モード変更部は、前記第１の判定又は前記第２の判定の結果に応じて、前記第１のモードから前記第２のモードへと、前記データ取得部のモードを変更する
   請求項２に記載の情報処理装置。
4. 前記モード変更部は、所定の期間の前記特徴量の時系列データに対する前記判定部による全ての判定結果のうち、前記特徴量が前記範囲内ではないとの前記判定部による判定結果の割合が、所定の基準を満たす場合、前記第１のモードから前記第２のモードへと、前記データ取得部のモードを変更する
   請求項２に記載の情報処理装置。
5. 前記統計モデルは隠れマルコフモデルである
   請求項３に記載の情報処理装置。
6. 前記記憶部は、前記推定種別毎の前記モデル定義情報及び前記取得条件を管理するデータベースを記憶し、
   前記データベースが有する前記取得条件は、
   前記センサ信号を得るために用いられるセンサを特定するセンサ特定情報と、
   前記センサ特定情報により特定されたセンサの測定条件を指定するセンシング条件と、
   前記特徴量を取得するためのフィルタ処理の条件を指定するフィルタ条件と
   を含む請求項１に記載の情報処理装置。
7. 前記データベースについての更新データを登録する登録部
   をさらに有する請求項６に記載の情報処理装置。
8. センサの異常を検出するセンサ異常検出部をさらに有し、
   前記モード変更部は、前記センサ異常検出部が前記センサの異常を検出していない場合に限り、前記特徴量が前記要件を満たさないとの前記判定部による判定結果に応じて、前記第１のモードから前記第２のモードへと、前記データ取得部のモードを変更する
   請求項１に記載の情報処理装置。
9. 前記データ取得部は、前記センサ信号のサンプリングデータから前記特徴量を取得し、
   前記第１のモードと前記第２のモードは、前記センサ信号のサンプリングレートが異なる
   請求項１に記載の情報処理装置。
10. 前記第２のモードにおける前記サンプリングレートは、設定可能な最大値である
    請求項９に記載の情報処理装置。
11. 前記第２のモードにおける前記サンプリングレートは、前記第１のモードにおけるサンプリングレートよりも大きい
    請求項９に記載の情報処理装置。
12. 前記データ取得部は、前記特徴量を取得するためにフィルタ処理を行い、
    前記第１のモードと前記第２のモードは、前記フィルタ処理の処理内容が異なる
    請求項１に記載の情報処理装置。
13. 前記第２のモードにおける前記データ取得部が取得したデータを、新たな統計モデルの生成処理を行う他の装置に送信するよう制御する送信制御部をさらに有する
    請求項１に記載の情報処理装置。
14. 前記データ取得部は、前記第１のモードにおいて、ある１つの特徴量を取得する際、同一時刻に測定された複数の前記センサ信号から当該特徴量を取得する
    請求項１に記載の情報処理装置。
15. 前記データ取得部は、前記第１のモードにおいて、１つ以上のセンサ信号から複数の特徴量を取得する
    請求項１に記載の情報処理装置。
16. 情報処理装置とサーバとを備え、
    前記情報処理装置は、
    推定種別毎の統計モデルを定義するモデル定義情報と、当該統計モデルを用いた推定のために必要とされる特徴量の取得条件とを記憶する記憶部と、
    第１のモードにおいて、前記取得条件に従って、センサ信号から特徴量を取得し、第２のモードにおいて、前記取得条件とは異なる条件に従って、新たな統計モデルを生成するためのデータをセンサ信号から取得するデータ取得部と、
    前記第１のモードにおいて前記データ取得部が取得した前記特徴量が、前記モデル定義情報により規定される要件を満たすか否かを判定する判定部と、
    前記特徴量が前記要件を満たさないとの前記判定部による判定結果に応じて、前記第１のモードから前記第２のモードへと、前記データ取得部のモードを変更するモード変更部と、
    を有し、
    前記サーバは、
    前記第２のモードにおける前記データ取得部が取得したデータを用いて、新たな統計モデルの生成処理を行うモデル生成部と、
    前記モデル生成部が生成した統計モデルを、前記情報処理装置のリソースを模した環境でテストするテスト部と
    を有する情報処理システム。
17. 前記テスト部は、前記情報処理装置の演算能力以下の演算能力の実行環境によりテストを実行する
    請求項１６に記載の情報処理システム。
18. 前記テスト部は、前記情報処理装置のメモリ容量以下のメモリ容量の実行環境によりテストを実行する
    請求項１６に記載の情報処理システム。
19. 前記記憶部が記憶する推定種別毎の統計モデルのモデル定義情報及び特徴量の取得条件はデータベースにより管理され、
    前記テスト部は、前記記憶部が既に記憶しているモデル定義情報及び特徴量の取得条件に加え、前記モデル生成部が生成した新たな統計モデルのモデル定義情報及び当該新たな統計モデルを用いた推定のために必要とされる特徴量の取得条件を含むデータベースを用いて、テストを実行する
    請求項１６に記載の情報処理システム。
20. 推定種別毎の統計モデルを定義するモデル定義情報と、当該統計モデルを用いた推定のために必要とされる特徴量の取得条件とを記憶する記憶部に記憶された前記取得条件に従って、第１のモードにおいて、センサ信号から特徴量を取得し、第２のモードにおいて、前記取得条件とは異なる条件に従って、新たな統計モデルを生成するためのデータをセンサ信号から取得するデータ取得ステップと、
    前記第１のモードにおいて前記データ取得ステップで取得した前記特徴量が、前記モデル定義情報により規定される要件を満たすか否かを判定する判定ステップと、
    前記特徴量が前記要件を満たさないとの前記判定ステップでの判定結果に応じて、前記第１のモードから前記第２のモードへと、モードを変更するモード変更ステップと
    をコンピュータに実行させるプログラム。

Images