JP2020194218A - 正解データ作成支援システムおよび正解データ作成支援方法 - Google Patents

Abstract

【課題】人の行動を記録したセンサデータを用いて、確度の高い行動正解データの作成支援を行う。【解決手段】正解データ作成支援システムであって、センサの計測によって得られたセンサデータを入力する入力部と、センサデータの特徴に対応する符号をセンサデータに付与するための符号付与モデルと、符号が付与されたセンサデータに基づいてセンサを装着した人物の行動を推定するための行動推定モデルとを記憶する記憶部と、計測時間帯のセンサデータと、符号付与モデルと、行動推定モデルと、に基づいて、センサを装着した人物の計測時間帯の行動を推定する処理部と、推定された計測時間帯の行動と、計測時間帯のセンサデータに付与された符号と、を出力する出力部と、を有する。【選択図】図１

Description

本発明は、人の行動を記録したセンサデータを用いて行動の正解データの作成支援を行う技術に関する。

ウェアラブル端末で計測した加速度などのセンサデータを用いたユーザの行動判別に必要な正解データを得るため、センサデータ単体を用いて正解データを作成する、または作成を支援する手段が提案されている。例えば、国際公開第２０１０／０３２５７９号（特許文献１）では、「人の動作状態からシーンを抽出し、シーン毎に動作内容を特定し、動作内容の出現順序から行動内容を推定し、ユーザに提示する」、行動履歴の生成システムが開示されている。

国際公開第２０１０／０３２５７９号

特許文献１に記載のシステムによってユーザに提示される情報は、運動強度などセンサデータからルールベースで算出される特徴量と、行動内容の判別結果（歩行、安静、軽作業など）に留まっており、ユーザが正解データを入力する際の判断材料が不足している。そのため、センサデータ単体から正解データを作成する際の判断材料の大部分を記憶に依拠することとなり、正解データの確度に問題があった。

本発明は、上記問題点に鑑みてなされたものであり、人の行動を記録したセンサデータを用いて、確度の高い行動正解データの作成支援を行うことを目的とする。

上記の課題の少なくとも一つを解決するために、本発明の正解データ作成支援システムは、センサの計測によって得られたセンサデータを入力する入力部と、前記センサデータの特徴に対応する符号を前記センサデータに付与するための符号付与モデルと、前記符号が付与されたセンサデータに基づいて前記センサを装着した人物の行動を推定するための行動推定モデルとを記憶する記憶部と、計測時間帯のセンサデータと、前記符号付与モデルと、前記行動推定モデルと、に基づいて、前記センサを装着した人物の前記計測時間帯の行動を推定する処理部と、推定された前記計測時間帯の行動と、前記計測時間帯の前記センサデータに付与された前記符号と、を出力する出力部と、を有することを特徴とする。

本発明の一形態によれば、前記符号を付されたセンサデータと、前記計測時間帯の行動の推定結果とに基づいて、確度の高い行動正解データの作成支援を行うことができる。上記した以外の課題、構成及び効果は、以下の実施形態の説明によって明らかにされる。

本発明の実施例の主要な構成を示すブロック図である。 本発明の実施例１の正解データ作成支援システムの主要な構成を示すハードウェア構成図である。 本発明の実施例１のサーバが実行する単位行動モデルの作成及び業務行動モデルの作成の典型的な処理手順を示す説明図である。 本発明の実施例１の正解データ作成支援システムを用いて正解データを作成する典型的な処理手順を示す説明図である。 本発明の実施例１の正解データ作成支援システムを用いてセンサデータから正解候補データを得る際におけるデータ形式の模式図である。 本発明の実施例１の正解データ作成支援システムを用いて、操作者からの正解付与を受け付ける入力画面の例を示す説明図である。 本発明の実施例１の正解データ作成支援システムにおいて記憶される単位行動系列データ、正解候補データ、業務行動正解データ及び学習範囲データのデータ構造の典型例を示す説明図である。 本発明の実施例１の正解データ作成支援システムにおいて保持されるユーザデータ及びモデル設定データのデータ構造の典型例を示す説明図である。 本発明の実施例２における正解データ作成支援システムの主要な構成を示すハードウェア構成図である。 本発明の実施例３における正解データ作成支援システムの主要な構成を示すハードウェア構成図である。 本発明の実施例３において正解データ作成支援システムを用いて、操作者からの正解付与を受け付ける場合の入力画面の例である。

以下、図面を参照しながら本発明の実施例について説明する。

図１は、本発明の実施例の主要な構成を示すブロック図である。

本発明の実施例の正解データ作成支援システムにおいて、入力部１００１は、センサの計測によって得られたセンサデータ４１を処理部１００３に入力する。また、記憶部１００２は、複数の既知の行動パターンにおけるセンサデータの特徴に対応付けられた符号をセンサデータ４１に付す符号付与モデル４３（以下、単位行動モデルとも記載する）と、符号を付されたセンサデータ４７（以下、単位行動系列データとも記載する）に基づいて計測時間帯の行動を推定する行動推定モデル４５（以下、業務行動モデルとも記載する）と、を記憶する。

処理部１００３は、入力部１００１から入力されたセンサデータ４１と、記憶部１００２から読み出された単位行動モデル４３とに基づき、単位行動系列データ４７を生成する単位行動判別３１を行う。その後、処理部１００３は、単位行動系列データ４７と、記憶部１００２から読み出された業務行動モデル４５とに基づき、計測時間帯の行動４９（以下、正解候補データとも記載する）を生成する業務行動判別３２を行う。

出力部１００４は、処理部１００３によって生成された単位行動系列データ４７と正解候補データ４９とを出力する。表示部１００５は、出力部１００４によって出力された単位行動系列データ４７と正解候補データ４９とを表示する。

以上のシステム構成と各部の処理について、具体的なハードウェア構成を想定した以下の実施例を用いて詳細を説明する。

まず、本発明の実施例１を説明する。

図２は、本発明の実施例１の正解データ作成支援システムの主要な構成を示すハードウェア構成図である。

本実施例の正解データ作成支援システムは、ユーザが装着するセンサ１と、センサ１と通信するＰＣ２またはスマートフォン３と、ネットワーク４を介してＰＣ２またはスマートフォン３と通信できるサーバ５とから構成されている。センサ１は、ＰＣ２またはスマートフォン３を介して、計測したセンサデータ４１をサーバ５に送信する。

サーバ５は、受信したセンサデータ４１を解析し、単位行動系列データ４７と、正解候補データ４９とを算出する。単位行動系列データ４７は、短い時間（例：６秒）のセンサデータ４１を人の典型的な動作又は姿勢などの特徴的パターンに分類することで得られた行動パターン（すなわち単位行動）の時系列データである。正解候補データ４９は、単位行動系列データ４７を用いて本システムによって判別したい行動（業務行動）を推定した結果得られた時系列データである。

ＰＣ２またはスマートフォン３は、解析結果である単位行動系列データ４７および正解候補データ４９をサーバ５からダウンロードしてユーザに表示することができる。更に、ＰＣ２またはスマートフォン３は、ユーザに表示した正解候補データ４９に対し、その結果が正しいか否かに加え、誤っている場合にはユーザが正しいとする業務行動の名前と時間帯を収集して業務行動正解データ４４に記録することができる。

本実施例では説明の便宜上、センサ１としてリストバンド型で手首部へ装着するウェアラブルセンサを例に挙げ、センサ１から得られるセンサデータ４１のみを用いて、業務行動の正解データの作成を支援する例を説明する。また下記では、得られるセンサデータ４１として、互いに直交する３軸からの３種類の加速度データを計測した場合を例にとって説明する。

なお、加速度データの他に、例えば、ジャイロ、照度、音声、周囲に存在するセンサのＩＤなどの時系列データをセンサデータ４１として用いても良い。また、例えば、センサ１の装着位置は、手首以外の部分、例えば上腕部または腰部であってもよい。さらに、センサデータ４１は、ＰＣ２またはスマートフォン３と無線または有線接続のネットワーク４が確立したタイミングで自動的に、あるいはユーザの任意のタイミングで、ＰＣ２またはスマートフォン３に送信することができる。

ＰＣ２及びスマートフォン３は、センサ１、及び。インターネットなどのネットワーク４に接続されたサーバ５と通信することができる。ＰＣ２及びスマートフォン３は、センサ１から受信したセンサデータ４１をサーバ５に対して送信することができ、サーバ５の正解データ入出力プログラム２２を介して、サーバ５に保存されたデータの表示、操作、およびサーバ５に対しての入力を行うことができる。

サーバ５は、通信部１２、ＣＰＵ（Central Processing Unit）１３、ＧＰＵ（Graphics Processing Unit）１４、メモリ１１、及びデータベース１５から構成されている。メモリ１１には、正解データ入出力プログラム２２及び解析プログラム２１が格納されている。サーバ５は、ＰＣ２またはスマートフォン３が送信したセンサデータ４１を解析プログラム２１によって解析し、単位行動系列データ４７と正解候補データ４９とを算出し、データベース１５に記録する。また、サーバ５は、センサデータ４１から単位行動系列データ４７及び正解候補データ４９を算出するためのアルゴリズムまたはルールである単位行動モデル４３及び業務行動モデル４５を生成することもできる。

ＣＰＵ１３は、解析プログラム２１および正解データ入出力プログラム２２の処理を行うことができる。また、処理上の必要に応じてＣＰＵ１３に加えてＧＰＵ１４上で処理が行われても良い。以下では、単位行動判別においてＣＰＵ１３及びＧＰＵ１４が、業務行動判別３２においてＣＰＵ１３が、後述する各機能の処理を実施する場合を例として挙げる。

通信部１２は、ネットワーク４を介してＰＣ２またはスマートフォン３と接続し、データの送受信を行うことができる。センサ１から受信したセンサデータ４１、及び、ＰＣ２またはスマートフォン３を介して入力された業務行動正解データ４４は、データベース１５に記録される。

正解データ入出力プログラム２２は、データベース１５に記録されたデータを、ネットワーク４を介してユーザに対して表示し、また、ユーザからの入力を受け付ける処理をＣＰＵ１３に実行させるためのプログラムである。解析プログラム２１は、単位行動判別プログラム３１、業務行動判別プログラム３２、単位行動モデル生成プログラム３３、及び業務行動モデル作成プログラム３４から構成される。

データベース１５は、センサデータ４１、単位行動モデル４３、業務行動モデル４５、単位行動系列データ４７、正解候補データ４９、単位行動対応データ４２、業務行動正解データ４４、モデル設定データ４６、学習範囲データ４８、及びユーザデータ５０から構成される。

単位行動判別プログラム３１は、単位行動モデル４３を用いて、受信したセンサデータ４１を変換し、ユーザの典型的な動作や姿勢などの特徴的パターンに関する特徴量を算出し、算出された特徴量を類似する特徴量グループ（単位行動）にグルーピングすることで得られた特徴量グループ識別子（単位行動ｉｄ）を単位行動系列データ４７に記録する処理をＣＰＵ１３に実行させるためのプログラムである。業務行動判別プログラム３２は、業務行動モデル４５を用いて単位行動系列データ４７を変換することでユーザの業務行動を推定し、正解候補データ４９に記録する処理をＣＰＵ１３に実行させるためのプログラムである。単位行動モデル生成プログラム３３は、センサデータ４１、学習範囲データ４８、単位行動対応データ４２を用いて、単位行動モデル４３を作成する処理をＣＰＵ１３に実行させるためのプログラムである。業務行動モデル作成プログラム３４は、学習範囲データ４８に定義された範囲の単位行動系列データ４７と業務行動正解データ４４を用いて、業務行動モデル４５を生成する処理をＣＰＵ１３に実行させるためのプログラムである。なお、各プログラムは、例えば、ユーザの所望のタイミングで実行することも、センサ１からのデータ入力をトリガとして実行することも可能である。

なお、図２に示した構成は、図１に示した正解データ作成支援システムを実現するためのハードウェア構成の一例である。例えば、図１の入力部１００１の機能は、ＣＰＵ１３が、ＰＣ２又はスマートフォン３、ネットワーク４及び通信部１２を介して受信したセンサ１からのセンサデータ４１を、解析プログラム２１の処理に入力すること、又は、一旦データベース１５に格納されたセンサデータ４１を読み出して解析プログラム２１の処理に入力することによって実現されてもよい。また、ＰＣ２又はスマートフォン３がユーザからの情報の入力を受けた場合も、同様に、ネットワーク４及び通信部を介して、ＣＰＵ１３が実行する処理に入力される。すなわち、入力部１００１の機能は、ＣＰＵ１３の機能と考えてもよいし、ＣＰＵ１３、通信部１２及びＰＣ２又はスマートフォン３の機能と考えてもよい。

また、処理部１００３の機能は、例えば、ＣＰＵ１３がメモリ１１に格納されたプログラム（例えば解析プログラム２１等）を実行することによって実現されてもよい。また、記憶部１００２は、例えばＨＤＤ又はフラッシュメモリのような記憶装置によって実現されてもよく、これが図２のデータベース１５に相当する。

また、出力部１００４の機能は、例えば、ＣＰＵ１３がメモリ１１に格納されたプログラム（例えば正解データ入出力プログラム２２等）を実行することによって実現されてもよい。

また、表示部１００５の機能は、例えばサーバ５の表示装置（図示省略）によって実現されてもよい。あるいは、表示部１００５の機能は、ＰＣ２又はスマートフォン３によって実現されてもよい。この場合、出力部１００４によって出力されたデータが通信部１２及びネットワーク４を介してＰＣ２又はスマートフォン３に送信され、ＰＣ２又はスマートフォン３の表示装置（図示省略）がそれらのデータに基づく画像を表示してもよい。

図３は、本発明の実施例１のサーバ５が実行する単位行動モデルの作成Ｓ１０１及び業務行動モデルの作成Ｓ２０１の典型的な処理手順を示す説明図である。

単位行動モデルの作成処理Ｓ１０１（図３（ａ））は、センサデータの収集Ｓ１０２、前処理Ｓ１０３、単位行動モデルの学習Ｓ１０４、及び、単位行動ｉｄと動作名付行動データの対応付けＳ１０５から構成される。

まずセンサデータの収集Ｓ１０２では、サーバ５がユーザの装着したセンサ１からセンサデータ４１を受信する。

次に、前処理Ｓ１０３が実施される。例えば、センサ１によって収集されたセンサデータ４１は、装着位置及び装着方向によって有している情報が異なるため、センサ１の装着位置に応じて向きの補正が実施されてもよい。また、例えば、センサデータ４１のうち動きに注目するための重力成分除去、及び、ユーザによって異なる動きの強さを補正するための正規化を導入しても良い。その後、センサデータ４１は所定の時間単位（窓幅）で切り出される。

前処理Ｓ１０３の行われたセンサデータ４１は、単位行動モデルの学習処理Ｓ１０４に入力される。単位行動モデルの学習Ｓ１０４は、教師あり学習ではなく、センサデータ４１から人の典型的な動作及び姿勢などといった行動の判別に有用な特徴的パターンに関する特徴量を抽出し、かつ特徴量の類似したセンサデータ４１を単位行動にグルーピングして単位行動ｉｄを付与するという教師なし学習によって行われる。

特に、単位行動モデルの学習Ｓ１０４は、作成された単位行動モデル４３によって得られる単位行動が、人にとって解釈の容易な特徴量グループとなるよう、典型的には公知の特徴抽出演算と、公知のクラスタリング演算とを順に実行する教師なし学習を用いて行われる。例えば単位行動モデル４３の一例として、人手で特徴的な動作群を定義する必要を解消して尤もらしい特徴を抽出するため、特徴抽出演算にAuto Encoderを、クラスタリング処理にK-meansを採用し、入力のセンサデータ４１に対して単位行動ｉｄとしてクラスタ識別子を付すモデルを採用することができる。また、別の一例として、特徴抽出とクラスタリングとを複数回連続的に実施することでより分離の良いクラスタを得ることのできる機械学習手法を採用することもできる。

また、単位行動モデル４３としては、単一の単位行動モデル４３を作成するだけでなく、入力するセンサデータ４１の窓幅及び単位行動判別後のクラスタ数といったハイパーパラメータの異なる複数のモデルを作成しておき、ユーザの要望に応じて単位行動系列データの生成に用いるモデルを選択可能としておくことが望ましい。

特徴抽出とクラスタリング演算によって定義される単位行動モデル４３は、教師なし学習で得られる分類手法であるため、予め人手で典型的な動作及び姿勢などの基本行動を定義しておく必要はなく、抽出したい単位行動の数を指定することによって単位行動が得られる。しかし、これによって、単位行動モデル４３を作成しなおすたびに各単位行動ｉｄの意味する単位行動は変化してしまう。この問題を回避し、かつ単位行動を人にとって、より解釈の容易な特徴量グループとするため、単位行動対応データ４２を用いることができる。

単位行動対応データ４２は、典型的には、単位行動モデル４３の入力とするセンサデータ４１（既知の行動パターン）を一意に定める識別子、そのセンサデータ４１が該当する単位行動名でありセンサデータ４１の特徴に対応付けられた行動パターン名（例：緩慢な動き）、および、センサデータに付された符号である単位行動ｉｄから構成される。単位行動対応データ４２に記録されたセンサデータ４１を、新たに作成した単位行動モデル４３に入力した際に判別された単位行動ｉｄを単位行動対応データ４２に記録することによって、単位行動モデル４３を作成し直した場合であっても単位行動の意味する特徴的パターンを人が容易に理解可能な対応関係が明らかとなる。

なお、後述する業務行動モデル４５の正解データ、及び、正解データ入出力プログラム２２が収集した正解データを、単位行動ｉｄとセンサデータ４１との対応付けに再利用しても良い。また、単位行動対応データ４２を作成する代わりに、各単位行動ｉｄのクラスタに含まれるセンサデータ例に基づいて、後の処理で特徴的パターンの意味を解釈しても良い。

以上で単位行動モデルの作成処理Ｓ１０１が終了する（Ｓ１０６）。単位行動モデルの作成処理Ｓ１０１は、センサ１からセンサデータ４１を受信したタイミングで自動的に、あるいは定期的に、あるいはユーザの任意のタイミングで実行することができる。

例えば、何らかの条件を設定しておき、その条件が満たされた場合に単位行動モデルの作成処理Ｓ１０１を実行して、その結果に従って単位行動モデル４３を更新してもよい。条件とは、例えば、所定の量の新たなセンサデータ４１が入力されたこと、又は、新たなユーザに関するセンサデータ４１が入力されたことであってもよい。ここで、新たなユーザとは、新たな分野に属するユーザであってもよい。

より多くのセンサデータ４１、より多くのユーザのセンサデータ４１、又はより多くの分野のユーザのセンサデータ４１を使用することによって、精度の高い単位行動モデル４３を生成することができる。

業務行動モデルの作成処理Ｓ２０１（図３（ｂ））は、正解データの作成Ｓ２０２及び教師あり学習モデルの学習Ｓ２０３から構成される。

正解データの作成処理Ｓ２０２は、業務行動モデル４５の初回作成時と作成２回目以降とで処理が変化する。

まず、業務行動モデル４５の初回作成時には、何らかの手段をもって正解データを作成する必要がある。この手段としては、目視によるユーザの行動の記録、動画像もしくは映像によって記録された行動の書き起こし、またはユーザ自身による行動の記録といった公知の手法を採用することができる。

業務行動モデル４５の作成２回目以降には、本実施例１で後述する正解データ入出力プログラム２２を用いて正解データを作成することができる。何らかの手段をもって作成された正解データは、典型的には対応するセンサデータ範囲と、入力する単位行動系列データ４７の生成に用いた単位行動モデル４３の情報、及び正解の業務行動名を一レコードとして業務行動正解データ４４に記録される。

サーバ５は、業務行動モデル４５の作成に用いる正解データを作成した後に、教師あり学習モデルの学習Ｓ２０３を実行する。業務行動モデル４５の入力は、所定の時間単位（窓幅）で切り出された単位行動系列データ４７と、これに対応する業務行動正解データ４４である。単位行動系列データ４７は数値や記号である単位行動ｉｄの時系列であるため、業務行動モデル４５としては離散データや記号列を扱うことが可能な公知の教師あり学習モデルを選択する。

例えば、所定の時間単位に含まれる単位行動の頻度を用いた業務行動モデル４５として、文書の解析に用いられるトピック分析の一手法である潜在的ディリクレ配分法Latent Dirichlet Allocationによって単位行動の頻度をトピック確率に変換して人の意味解釈を容易にした後に、判別性能の高いアンサンブル学習手法であるGradient Boostingを行うモデルを採用することが考えられる。また、単位行動の時系列性を用いた業務行動モデル４５の例として、Long Short Term Memoryを導入したRecurrent Neural Networkを用いるモデル採用することが考えられる。

また、業務行動モデル４５においても、単位行動モデル４３と同様に、単一の業務行動モデル４５を作成するだけでなく、入力するセンサデータ４１の窓幅または単位行動判別後のクラスタ数といったハイパーパラメータの異なる複数のモデルを作成しておき、ユーザの要望に応じて正解候補データ４９の生成に用いるモデルを選択可能としておくことが望ましい。

なお、前述した単位行動対応データ４２に記録されたセンサデータ４１を、業務行動モデル４５の正解データとして利用してもよい。

以上の業務行動モデル４５の作成処理は、センサ１からセンサデータ４１を受信したタイミングで自動的に、あるいは定期的に、あるいはユーザの任意のタイミングで実行することができる。

なお、単位行動モデル４３によって判別される単位行動は介護分野など適用先分野を問わずに比較的汎用なものであるのに対し、業務行動モデル４５によって判別される業務行動は適用先分野によって判別対象となる業務行動が大きく異なる。そのため、単位行動モデル４３の作成頻度は、業務行動モデル４５の作成頻度に比較し、少なくなることが想定される。

図４は、本発明の実施例１の正解データ作成支援システムを用いて正解データを作成する典型的な処理手順Ｓ３０１を示す説明図である。

本実施例に示す正解データ作成支援システムを用いて正解データを作成する処理手順Ｓ３０１は、典型的にはセンサデータの収集Ｓ３０２、前処理Ｓ３０３、単位行動判別Ｓ３０４、業務行動判別Ｓ３０５、モデルパラメータの選択Ｓ３０６、行動判別結果の表示Ｓ３０７、正解データ作成範囲の設定Ｓ３０８、正解データの作成Ｓ３０９、及び業務行動モデルの更新Ｓ３１０から構成される。

まず、図３の説明で上述したように、センサデータの収集Ｓ３０２では、ユーザの装着したセンサ１の収集したセンサデータ４１をサーバ５が受信してセンサデータ４１として記録する。次に、前処理Ｓ３０３では、上述したように、例えば、向きや位置の補正、重力成分除去、正規化の処理に加え、所定の窓幅で切り出す処理が実施される。

次に、前処理の行われたセンサデータは、単位行動モデル４３を用いて単位行動系列データ４７に変換される（Ｓ３０４）。得られた単位行動系列データ４７は、典型的には、時刻、この時刻に対応する単位行動ｉｄ、変換に用いた単位行動モデル４３の情報、及びユーザ情報を１行としたレコードとして記録される。

このとき、センサデータ４１の窓幅などのハイパーパラメータが異なる複数の単位行動モデル４３を用いてセンサデータ４１を変換し、それぞれを単位行動系列データ４７として保持しておくことが望ましい。これによって、後述する正解データ入出力プログラム２２において、単位行動モデル４３のハイパーパラメータが異なる単位行動系列データ４７を表示する際に、再演算を行うことなく擬似リアルタイムで単位行動系列データ４７を表示することが可能となる。

以下、単位行動モデル４３は入力されるセンサデータ４１の窓幅をハイパーパラメータとして有し、窓幅の異なる複数の単位行動モデル４３から得られた単位行動系列データ４７が記録されているものとして説明を行う。

次に、単位行動系列データ４７は、再び所定の窓幅で切り出された後に、業務行動モデル４５を用いて正解候補データ４９へと変換される（Ｓ３０５）。得られた正解候補データ４９は、典型的には、時刻、入力された単位行動系列データ４７が各時刻において各判別対象業務行動名に属する確率（業務確率）、この時間に対応する業務行動、入力となる単位行動系列データ４７の算出に用いた単位行動モデル４３の情報、変換に用いた業務行動モデル４５の情報、及びユーザ情報を一行としたレコードとして記録される。

または、単位行動系列データ４７のデータ構造として、業務行動の継続時間帯と、この時間帯に対応する業務行動、入力となる単位行動系列データ４７の算出に用いた単位行動モデル４３の情報、変換に用いた業務行動モデル４５の情報、及びユーザ情報を一行としたレコードとして記録してもよい。

単位行動系列データ４７と同様に、ハイパーパラメータの異なる複数の単位行動系列データ４７から得られた正解候補データ４９、及び、ハイパーパラメータの異なる複数の業務行動モデル４５を用いて変換された正解候補データ４９を、正解候補データ４９として保持しておくことが望ましい。以下では、ハイパーパラメータの異なる複数の単位行動系列データ４７に対して業務行動モデル４５を適用し、複数の窓幅の正解候補データ４９が得られているものとして説明する。

次に、正解データ入出力プログラム２２を用いたモデルパラメータの選択Ｓ３０６と行動判別結果の表示Ｓ３０７が行われる。ここでは、ユーザはＰＣ２またはスマートフォン３を用いて、単位行動モデル４３のモデルパラメータである窓幅として所望の窓幅を、例えばつまみ（図６の領域９４参照）を用いて選択するモデル選択入力６２を行うことができる。正解データ入出力プログラム２２は、選択入力６２に応じた単位行動系列データ４７及び正解候補データ４９を読み出し、ＰＣ２またはスマートフォン３に、後述する表示例（図６参照）のように行動判別結果を表示する。

なお、モデルパラメータの選択Ｓ３０６と行動判別結果の表示Ｓ３０７は、ユーザの所望の表示となるまで複数回繰り返すことができる。また、ここではモデルパラメータとして単位行動モデル４３の窓幅を選択したが、単位行動モデル４３や業務行動モデル４５が窓幅とは異なるハイパーパラメータ群を有する場合、そのハイパーパラメータ群を選択させるために、単位行動モデル４３と業務行動モデル４５のそれぞれに対するモデル選択入力６２を受け付けてもよい。最終的に使用されたハイパーパラメータ群は、ユーザデータ５０に記録され、適用分野に応じ、適したハイパーパラメータの解析に利用することが可能である。

適用分野（例えば介護又は建設等）によってユーザの行動の特性が異なり、その結果、行動を判別するためのモデルに適切なパラメータの値が異なる場合があるが、上記のようにパラメータを変更しながら処理を繰り返すことによって適切なパラメータを設定し、精度の高いモデルを生成することができる。また、既に説明したように、設定される可能性がある複数のパラメータの値（例えば複数の窓幅）についてあらかじめ計算を行っておくことによって、ユーザからの入力に応じて即時に結果を表示する疑似リアルタイムでの処理が可能になり、ユーザの利便性が向上する。

次に、正解データ作成範囲の設定Ｓ３０８及び正解データの作成Ｓ３０９が行われる。正解データ入出力プログラム２２が表示した行動判別結果に対し、ある開始時間と終了時間、これに対応する業務行動名から成る時間帯が正解データ作成範囲として設定６０が行われる。範囲の設定６０の例として、業務確率の高い順に自動的に選択した範囲を設定する例、及び、表示した行動判別結果の中からユーザが選択した範囲を設定する例などが挙げられる。

正解データ作成範囲の設定６０が行われると、設定された正解データ作成範囲に含まれる単位行動系列データ４７の単位行動頻度または単位行動遷移順といった統計情報と、正解データ作成範囲における業務確率などの判別結果の妥当性が表示される。これら表示された情報に対して、ユーザによって判別結果の正誤及び結果の修正の入力が行われる。単位行動には人が解釈可能な動作情報が付加されているため、ユーザは正解データ作成範囲に含まれる動作情報を基に入力を行うことができる。

上記のように、設定された正解データ作成範囲の判別結果に対するユーザからの入力が得られると、該当時間帯の業務行動が業務行動正解データ４４に記録され、正解付与６１が行われる。なお、正解データ作成範囲の設定Ｓ３０８と正解データの作成Ｓ３０９は、ユーザの所望の回数だけ繰り返すことができる。

最後に、得られた業務行動正解データ４４、単位行動系列データ４７、及び学習範囲データ４８を用いて、上述した業務行動モデルの更新Ｓ３１０が行われる。業務行動モデルの更新Ｓ３１０は、必ずしも正解データの作成Ｓ３０９が完了するたびに実施されなくともよい。例えば、業務行動モデルの更新Ｓ３１０は、所定の条件を満たす量の正解データが蓄積された時点で行われてもよいし、所定の条件を満たすユーザ（例えば新たなユーザ又は新たな分野に属するユーザ）に関する正解データが蓄積された時点で行われてもよい。

以上の正解データ作成処理手順Ｓ３０１によって、人の行動を記録したセンサデータ４１のみから、簡易に業務行動正解データ４４を作成することができる。また作成された業務行動正解データ４４を用いて業務行動モデル４５を更新することにより、ユーザへ表示される情報の精度が向上することから、本正解データ作成支援システムを継続的に利用することによって、ユーザはより円滑に業務行動正解データ４４を作成することが可能となる。

図５は、本発明の実施例１の正解データ作成支援システムを用いてセンサデータ４１から正解候補データ４９を得る際におけるデータ形式の模式図である。

グラフ７１（図５（ａ））は、サーバ５がセンサ１から受信したセンサデータ４１のうち、加速度データの表示例である。受信した加速度データは、ユーザ情報８１及びセンサ情報８２を有する時系列データであり、直交する３軸からの３種類の加速度データ８３が示されている。

グラフ７２（図５（ｂ））は、加速度データ８３を、単位行動モデル４３を用いて単位行動系列データ４７に変換し、更に、変換された単位行動系列データ４７を業務行動モデル４５によって変換した際に得られる正解候補データ４９の表示例である。正解候補データ４９は、時系列の業務確率データ８４となっている。

グラフ７３（図５（ｃ））は、正解候補データ４９を構成するデータのうち、グラフ７２で示した業務確率データ８４から正解候補データ４９を算出した結果の表示例である。ある正解候補データにおける業務行動は、典型的には、各時刻における業務確率で順位付けを行った際に１位となる（すなわち業務確率が最大値をとる）業務行動８８として定義される。一方、ある時間帯における業務行動を算出する際には、各時刻において算出された業務行動が継続する時間帯（例えば選択区間８５）によって算出することができる。

なお、業務行動の変化点前後では複数の行動が並行してなされる場合があり、この場合、正解候補データ４９の時間帯が細かく別れてしまう可能性がある。これを防ぐため、正解データ入出力プログラム２２において正解データ作成範囲を設定Ｓ３０８した際に表示される判別結果の妥当性の算出時などには、単に最大値をとる業務行動の継続時間として正解候補データ４９の区間８５を定めるのでなく、例えば最大値の半値以上という同一業務行動継続閾値８７を定め、同一業務行動継続閾値８７以上を示す継続時間帯を正解候補データ区間８６として採用しても良い。また、例えば、業務行動採否閾値を定め、業務確率が業務行動採否閾値より低い場合にはその時刻の正解候補データ４９を算出しなくとも良い。

図６は、本発明の実施例１の正解データ作成支援システムを用いて、操作者からの正解付与６１を受け付ける入力画面の例を示す説明図である。

本入力画面は、正解データ入出力プログラム２２を用いてＰＣ２またはスマートフォン３を介して表示される。下段の帯グラフ７３は、図５（ｃ）の行動判別結果として表示される正解候補データの時系列のグラフ７３であり、区間（例えば区間８５）毎に正解候補の業務行動９５（例えば食事介助）が示されている。

領域９４に表示された単位行動窓幅つまみは、正解候補データ４９を得るのに用いた単位行動系列データ４７をセンサデータ４１から得る際のハイパーパラメータをユーザが変更するために操作することができる。図６には、ハイパーパラメータのうち単位行動窓幅が変更可能である例を示している。ユーザが領域９４の単位行動窓幅つまみを操作することによって、単位行動窓幅を指定することができる。このように単位行動窓幅を指定することは、保持されている複数の単位行動モデルの中から、当該単位行動窓幅に対応する単位行動モデルと、それに対応する業務行動モデルを選択することに相当する。

ある範囲の単位行動窓幅の値について、対応する単位行動モデルに基づく単位行動系列データ４７の計算を事前に行っておけば、その範囲内で単位行動窓幅つまみを操作した時に、対応する単位行動系列データ４７を直ちに取得することができる（すなわち疑似リアルタイムに操作可能である）。また、演算に時間を要する可能性があるものの、事前に計算しておいたハイパーパラメータ外の値に設定し、設定後に改めて演算し直すことで表示してもよい。なお、単位行動モデル４３及び業務行動モデル４５が窓幅とは異なるハイパーパラメータ群を有する場合、その各ハイパーパラメータに関して入力画面上に表示してもよい。

下段中央部の枠は、正解データ作成範囲として設定された区間（選択区間）８５を示す。この選択区間は、図１を参照して説明した計測時間帯の一例である。

領域９０には、選択区間８５内の単位行動系列データ４７が表示されている。これは、選択区間８５内の時刻ごとの単位行動ｉｄ、すなわち単位行動ｉｄの時間変化を示している。

また、領域９１には、選択区間８５内に占める各単位行動系列データの割合が表示されている。ここでは単位行動系列データ４７の割合を表示しているが、例えばヒストグラムを用いて頻度を示しても良い。領域９１に表示されるように、各単位行動は単位行動ｉｄ（例：０）と単位行動名（例：緩慢な動き）から構成されている。

また、領域９２には、ある単位行動に分類された一以上のセンサデータ４１の例が表示されている。

また、領域９３には、選択区間８５内の業務名に関する判別結果の妥当性が表示されている。典型的には、領域９３には、業務行動モデル４５の出力した業務確率が高い順に業務名の判別結果が表示される。

なお、領域９０〜９３は、全てが表示されてもよいし、必要に応じて任意の一つ又は複数が表示されてもよい。

また、領域９６には、選択区間８５の開始時刻、終了時刻、及び業務行動９５が表示されている。業務行動９５には、例えば選択区間８５において最も確率が高い業務行動の名称（図６の例では、「Ｃ：食事介助」）が表示される。これは、選択区間８５における正解候補データ４９に相当する。

ユーザは、領域９６を参照して、業務行動９５の表示内容と、自身が選択区間８５において行っていた業務行動とを照合して、両者が一致する（すなわち選択区間８５の正解候補データ４９が正しい）か否かを判定する。このとき、ユーザは、自身の記憶に加えて、領域９０〜９２に表示された選択区間８５の単位行動の内訳及びそれぞれの単位行動の代表的なセンサデータ等を参照して、選択区間８５の正解候補データ４９が正しいか否かを判定することができる。また、ユーザは、領域９３を参照して、例えば確率が高いいくつかの業務と自身の記憶とを照合することで、選択区間８５の正解候補データ４９が正しいか否かの判定、及び、誤っている場合の真の正解の判定を行うことができる。

ユーザは、選択区間８５の正解候補データ４９が正しい場合には確定を、誤っている場合には訂正を入力することができる。このような確定又は訂正の入力が、正解の業務行動の入力に相当する。この入力は、例えばユーザがＰＣ２又はスマートフォン３を操作することによって行われるものであり、図１の入力部１００１の機能の一部である。正解候補データ４９が確定した場合には、その正解候補データ４９が業務行動正解データ４４として保持される。また、訂正が入力された場合には入力された業務行動が業務行動正解データ４４として保持される。

以上のように、操作者は選択区間８５内の業務行動が何であるかを入力するに際し、正解候補データ４９の提示によるセンサデータ４１を計測した際の記憶の想起に留まらず、選択区間８５を構成する動作として、領域９０及び領域９１に示された、人の解釈可能な単位行動の統計情報を参照することによって、定量的な判断材料を以って正解候補データ４９の正誤を入力させ、業務行動正解データ４４を記憶することができる。

また、図６においては、選択区間に対して、あるハイパーパラメータの単位行動モデル４３を用いて変換された単位行動系列データ４７に関わる単位行動情報が提示されているが、代わりに異なるハイパーパラメータの複数の単位行動モデル４３を用いて変換された複数の単位行動系列データ４７に関わる複数の単位行動情報を表示しても良い。

例えば、ハイパーパラメータとして単位行動窓幅（例えば６秒）を複数通りの大きさ（例えば２秒、６秒、１５秒など）に変化させた場合の単位行動情報を表示しても良い。さらに、異なるハイパーパラメータの複数の単位行動モデル４３を用いて変換された複数の単位行動情報を表示するのに加え、異なるハイパーパラメータの複数の業務行動モデル４５によって変換された複数の正解候補データを表示しても良い。

図７は、本発明の実施例１の正解データ作成支援システムにおいて記憶される単位行動系列データ４７、正解候補データ４９、業務行動正解データ４４及び学習範囲データ４８のデータ構造の典型例を示す説明図である。

単位行動系列データ４７（図７（ａ））には、典型的には、ユーザＩＤ７０１、センサＩＤ７０２、時刻７０３、単位行動ｉｄ７０４、及びモデル情報７０５の情報が一レコードに含まれる。

ユーザＩＤ７０１及びセンサＩＤ７０２は、それぞれ、各ユーザ（すなわちセンサ１を装着した人物）の識別情報、及び、当該センサ１の識別情報である。時刻７０３は、単位行動ｉｄの判別に使用したセンサデータの取得時刻（例えば６秒間のセンサデータから一つの単位行動ｉｄが算出される場合、その６秒間の始点の時刻など）である。単位行動ｉｄ７０４は、算出された単位行動ｉｄであり、モデル情報７０５は、その単位行動ｉｄの算出に用いた単位行動モデル４３の識別情報（例えばバージョン番号）である。

正解候補データ４９（図７（ｂ））には、典型的には、ユーザＩＤ７１１、センサＩＤ７１２、同一業務行動の継続開始時刻７１３、同一業務行動の継続終了時刻７１４、区間内における業務名の平均業務確率７１５〜７１６、及びモデル情報７１７が一レコードに含まれる。

ユーザＩＤ７１１及びセンサＩＤ７１２は、単位行動系列データ４７のユーザＩＤ７０１及びセンサＩＤ７０２と同様である。同一業務行動の継続開始時刻７１３及び同一業務行動の継続終了時刻７１４は、同一業務行動が継続していると推定される時間区間の始点及び終点である。これらは、例えば、図５及び図６に示す選択区間８５の始点及び終点であってもよい。また、この区間は、図５に示す正解候補データ区間８６のように定められてもよい。

区間内における業務名の平均業務確率７１５〜７１６は、区間内で判別された業務行動の確率である。図７（ｂ）には例として業務行動Ａの確率７１５及び業務行動ｎの確率７１６を表示し、他を省略しているが、実際には業務行動Ｂ、Ｃ等、任意のｎ通りの業務行動の確率が記録される。モデル情報７１７は、それらの業務行動の判別に用いた（すなわち正解候補の生成に用いた）業務行動モデル４５の識別情報（例えばバージョン番号）である。

または、正解候補データ４９には、同一業務行動の継続開始時刻７１３、同一業務行動の継続終了時刻７１４、及び区間内における業務名の平均業務確率７１５等に代えて、業務行動判別を実施する窓幅毎の時刻と、各時刻における業務行動の業務確率とが記録されても良い。

また、本発明の実施例では特にハイパーパラメータを変更した複数の単位行動モデル４３から得られた単位行動系列データ４７が存在し、正解候補データ４９の算出に用いる業務行動モデル４５もハイパーパラメータを変えた複数モデルが存在することを想定しているため、各レコードがどのモデルによって生成されたのかを示すモデル情報が同時に記録されることが望ましい。これによって、ユーザはハイパーパラメータを変更した際の判別結果を比較することができ、ユーザが判別を希望する業務行動に適したハイパーパラメータを容易に探索することができる。

業務行動正解データ４４（図７（ｃ））には、典型的には、ユーザＩＤ７２１、センサＩＤ７２２、開始時刻７２３、終了時刻７２４、正解業務行動７２５、業務名付与日７２６、モデル情報７２７、及び正解候補データの修正の有無７２８が一レコードに含まれる。

ユーザＩＤ７２１及びセンサＩＤ７２２は、単位行動系列データ４７のユーザＩＤ７０１及びセンサＩＤ７０２と同様である。開始時刻７２３及び終了時刻７２４は、正解候補データ４９の同一業務行動の継続開始時刻７１３及び同一業務行動の継続終了時刻７１４と同様である。正解業務行動７２５は、ユーザ等によって付与された正解の業務行動を示す業務名であり、業務名付与日７２６は、その業務名が付与された日を示す。モデル情報７２７は、正解候補を算出するために使用された業務行動モデル４５の識別情報（例えばバージョン番号）であり、正解候補データの修正の有無７２８は、その正解候補が、ユーザから付与された業務名によって修正されたかを示す。正解候補データの修正の有無７２８の値「未実施」は、正解候補が修正されていないこと、すなわち、正解候補（例えば最も確率が高い業務名）が正解業務行動７２５と一致することを示す。

なお、正解候補データの修正の有無７２８は、必須ではないが、業務行動モデル４５の判別精度を評価する可能性を踏まえ、業務行動正解データ４４に含めて記録されることが望ましい。また、本実施例ではセンサ１のユーザと業務行動正解データ４４の作成者が同一となることを想定しているが、例えば業務行動正解データ４４の作成者がユーザの上長となる場合など、ユーザと同一とならない場合には、業務名の付与ユーザＩＤを同時に記録することが望ましい。

学習範囲データ４８（図７（ｄ））には、典型的には、モデル情報７３１、モデル種別７３２、作成時刻７３３、学習範囲開始時刻７３４、及び学習範囲終了時刻７３５が一レコードに含まれる。モデル情報７３１は、生成された業務行動モデル４５の識別情報（例えばバージョン番号）であり、モデル情報７１７等に対応する。モデル種別７３２は、業務行動モデル４５の種別を示す。特に業務行動モデル４５は、業務行動モデル４５の適用先に応じて判別対象の業務が大きく変化すると想定されることから、例えば、学習範囲の設定者の所属分野（例えば介護、建設等）に応じたモデル種別が記録されることが望ましい。

作成時刻７３３は、業務行動モデル４５が作成された時刻である。学習範囲開始時刻７３４及び学習範囲終了時刻７３５は、業務行動モデル４５の作成に用いたデータの始点及び終点の時刻を示す。

図８は、本発明の実施例１の正解データ作成支援システムにおいて保持されるユーザデータ５０及びモデル設定データ４６のデータ構造の典型例を示す説明図である。

ユーザデータ５０（図８（ａ））には、典型的には、ユーザＩＤ８０１、センサＩＤ８０２、計測開始日時８０３、最終計測日時８０４、及び業界情報８０５が一レコードに含まれる。

ユーザＩＤ８０１及びセンサＩＤ８０２は、単位行動系列データ４７のユーザＩＤ７０１及びセンサＩＤ７０２と同様である。計測開始日時８０３及び最終計測日時８０４は、それぞれのユーザのセンサデータの計測の始点及び終点の日時である。業界情報８０５は、それぞれのユーザが所属する業界を示す情報であり、これに対応するモデル種別７３２が設定されることが望ましい。

ユーザデータ５０は、上記の他に、収集したデータの解析方針に応じて、例えばユーザの勤続年数及び職種などを保持することも想定される。

モデル設定データ４６（図８（ｂ））には、典型的には、ユーザＩＤ８１１、閲覧開始時刻８１２、閲覧終了時刻８１３、及びモデルの有するハイパーパラメータ群（例えば、単位行動窓幅）が一レコードに含まれる。

ユーザＩＤ８１１は、単位行動系列データ４７のユーザＩＤ７０１と同様である。閲覧開始時刻８１２及び閲覧終了時刻８１３は、業務行動モデル４５の作成に用いたデータの始点及び終点の時刻を示す。単位行動粒度８１４は、モデルの有するハイパーパラメータ群の一例であり、単位行動窓幅（２秒、６秒又は１５秒など）を示す。

本実施例では、単位行動モデル４３と業務行動モデル４５の有するハイパーパラメータとして単位行動窓幅のみを想定したが、その他にハイパーパラメータ（例えば単位行動モデル４３に関して、クラスタ数など）を有する場合には、これらの情報の全てを格納してもよいし、情報のうちユーザが操作可能なものについてのみを格納してもよい。

以上の実施例１によれば、センサデータ４１に対して単位行動（単位行動系列データ４７）という人の解釈可能な符号を付すことによって、判別された人の業務行動（正解候補データ４９）がどのような単位行動から構成されているかが解釈可能になるため、確度の高い正解データの作成を支援できるという効果が得られる。また、正解候補データ４９の正誤を単位行動系列データ４７から判断できるようになるため、センサを装着したユーザと異なるユーザであっても、正解データの作成が行えるという効果が得られる。さらに、正解候補データ４９を構成する単位行動系列データ４７および単位行動系列データ４７の統計情報をユーザに提示することで、業務行動正解データ４４を作成する際の判断材料が増大し、ユーザがより確度の高い行動正解データを作成する支援が行えるという効果が得られる。加えて、同一の業務行動や異種の業務行動に関する複数の正解候補データ４９と、複数の正解候補データ４９のそれぞれを構成する単位行動系列データ４７を比較することによって、複数の業務行動の差異を単位行動系列データ４７によって定量的に比較可能になるという効果が得られる。

次に、本発明の実施例２を説明する。以下に説明する相違点を除き、実施例２の正解データ作成支援システムの各部は、実施例１の同一の符号を付された各部と同一の機能を有するため、それらの説明は省略する。

図９は、本発明の実施例２における正解データ作成支援システムの主要な構成を示すハードウェア構成図である。

本発明の実施例２においては、実施例１においてサーバ５が担っていた解析プログラムの処理の全てをＰＣ２またはスマートフォン３上で実行する。または、実施例１においてサーバ５が担っていた解析プログラムの処理の一部をセンサ１上で実行し、残りの処理をＰＣ２またはスマートフォン３上で実行してもよい。図９には、例として、解析プログラムの処理の全てをスマートフォン３上で実行する場合の正解データ作成支援システムの構成を示す。

以上の実施例２によれば、実施例１と同様の効果に加え、センサ１で計測したセンサデータ４１をネットワーク４経由でサーバ５に送ることなく解析することができるため、応答速度に優れ、通信量を削減できるという効果が得られる。

次に、本発明の実施例３を説明する。以下に説明する相違点を除き、実施例３の正解データ作成支援システムの各部は、実施例１の同一の符号を付された各部と同一の機能を有するため、それらの説明は省略する。

図１０は、本発明の実施例３における正解データ作成支援システムの主要な構成を示すハードウェア構成図である。

実施例３においては、サーバ５は、正解付与６１で得られた業務行動正解データ４４を記録する際に、選択範囲の業務行動と、選択範囲に含まれる単位行動とを、例えば木構造又はグラフ構造など親子関係を保持できる形式で業務行動正解データ４４に併せて記録する。続いて、サーバ５は、行動構造モデル作成プログラム３５を実行してこの単位行動と業務行動との親子関係を公知の構造学習手法によって学習し、行動構造モデル５１に保持する。

以下、親子関係をなす行動のうち親に相当する行動を上位行動、子に相当する行動を下位行動とも記載する。例えば、ある時間帯について業務行動が判別された場合、その業務行動と、その時間帯に含まれる各単位行動との間に、単位行動を下位行動、業務行動を上位行動とする親子関係が成立する。

なお、本実施例において、親子関係の一例は、単位行動を下位行動、業務行動を上位行動とする関係だけでなく、業務行動を下位行動、別の業務行動を上位行動とする親子関係も成立しうる。例えば介護の分野において、食事介助、移動介助といった下位の業務行動を含む時間帯の上位の業務行動がシフト業務であってもよい。すなわち、本実施例において、業務行動モデル４５は、単位行動に基づいて業務行動を判別するモデルに加えて、下位の業務行動に基づいて上位の業務行動を判別するモデルを含む。

その後、サーバ５は、図６に示すように選択範囲の単位行動情報を提示する際に、その代わりに、または同時に、選択範囲の業務行動と選択範囲に含まれる単位行動とを、行動構造モデル５１から算出された木構造またはグラフ構造など行動の親子関係が理解できる形式で提示する。

図１１は、本発明の実施例３において正解データ作成支援システムを用いて、操作者からの正解付与６１を受け付ける場合の入力画面の例である。

領域９８は、選択範囲の業務行動に関する行動構造（すなわち行動の階層構造）を示した例である。実施例３においては、例えば選択範囲の単位行動情報を提示する際に、同時に、選択範囲の業務行動を構成する典型的な単位行動パターンを、行動構造モデル５１から算出された木構造の形式で示している。

木構造の各ノードは、業務行動間に親子関係がある（言い換えると業務行動が階層構造をもつ）場合の、各階層における業務行動を示す。また、最下層のノードは単位行動ｉｄを示している。各エッジの太さは、上位行動を構成する典型的な下位行動の構成比（例えば出現頻度の比率又は出現した時間の長さの比率）を示している。また、木構造の最上位には適用分野（例えば介護、建設等）が表示される。さらに、領域９８には、適用分野が異なる業務行動モデル４５を採用した場合の選択範囲の業務行動についての木構造が表示されてもよい。

以上の実施例３によれば、実施例１と同様の効果に加え、それぞれの時間帯における業務行動の判別の根拠が理解できるようになるため、ユーザが確度の高い行動正解データを作成するための更なる支援が行えるという効果が得られる。

なお、本発明は上述した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。

上記の各構成、機能、処理部、処理手段等は、それらの一部または全部を、例えば集積回路で設計する等によってハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによってソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリ、ハードディスクドライブ、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記憶装置、または、ＩＣカード、ＳＤカード、ＤＶＤ等の計算機読み取り可能な非一時的データ記憶媒体に格納することができる。

また、図面には、実施例を説明するために必要と考えられる制御線及び情報線を示しており、必ずしも、本発明が適用された実際の製品に含まれる全ての制御線及び情報線を示しているとは限らない。実際にはほとんど全ての構成が相互に接続されていると考えてもよい。

１００１ 入力部
１００２ 記憶部
１００３ 処理部
１００４ 出力部
１００５ 表示部
１ センサ
２ ＰＣ
３ スマートフォン
４ ネットワーク
５ サーバ
１１ メモリ
１２ 通信部
１３ ＣＰＵ
１４ ＧＰＵ
１５ データベース
２１ 解析プログラム
２２ 正解データ入出力プログラム
３１ 単位行動判別プログラム
３２ 業務行動判別プログラム
３３ 単位行動モデル作成プログラム
３４ 業務行動モデル作成プログラム
４１ センサデータ
４２ 単位行動対応データ
４３ 単位行動モデル
４４ 業務行動正解データ
４５ 業務行動モデル
４６ モデル設定データ
４７ 単位行動系列データ
４８ 学習範囲データ
４９ 正解候補データ
５０ ユーザデータ

Claims (14)

1. センサの計測によって得られたセンサデータを入力する入力部と、
   前記センサデータの特徴に対応する符号を前記センサデータに付与するための符号付与モデルと、前記符号が付与されたセンサデータに基づいて前記センサを装着した人物の行動を推定するための行動推定モデルとを記憶する記憶部と、
   計測時間帯のセンサデータと、前記符号付与モデルと、前記行動推定モデルと、に基づいて、前記センサを装着した人物の前記計測時間帯の行動を推定する処理部と、
   推定された前記計測時間帯の行動と、前記計測時間帯の前記センサデータに付与された前記符号と、を出力する出力部と、を有することを特徴とする正解データ作成支援システム。
2. 請求項１に記載の正解データ作成支援システムであって、
   前記推定された計測時間帯の行動と、前記計測時間帯の前記符号が付与された前記センサデータに関する情報と、を表示する表示部をさらに有することを特徴とする正解データ作成支援システム。
3. 請求項２に記載の正解データ作成支援システムであって、
   前記入力部は、前記計測時間帯の行動の正解を入力し、
   前記記憶部は、前記計測時間帯の行動の正解を記憶することを特徴とする正解データ作成支援システム。
4. 請求項３に記載の正解データ作成支援システムであって、
   前記記憶部は、複数の前記符号付与モデルと、複数の行動推定モデルとを記憶し、
   前記処理部は、前記複数の符号付与モデルと、前記複数の行動推定モデルと、に基づいて、前記センサを装着した人物の前記計測時間帯の行動の推定結果を複数取得し、
   前記入力部は、前記符号付与モデル及び前記行動推定モデルの選択を受け付け、
   前記表示部は、前記複数の推定結果のうち、選択された前記符号付与モデル及び前記行動推定モデルに基づく推定結果を表示することを特徴とする正解データ作成支援システム。
5. 請求項４に記載の正解データ作成支援システムであって、
   前記複数の符号付与モデルは、それぞれ異なるパラメータに基づいて前記センサデータの特徴に対応する符号を前記センサデータに付与するための複数のモデルを含み、
   前記入力部は、前記符号付与モデル及び前記行動推定モデルの選択として、前記パラメータを入力し、
   前記表示部は、前記複数の推定結果のうち、入力された前記パラメータに対応する前記符号付与モデル及び前記符号付与モデルに対応する前記行動推定モデルに基づく推定結果を表示することを特徴とする正解データ作成支援システム。
6. 請求項３に記載の正解データ作成支援システムであって、
   前記行動推定モデルは、前記符号が付与されたセンサデータに基づいて前記センサを装着した人物の下位の階層の行動を推定するためのモデルと、前記下位の階層の行動に基づいて前記センサを装着した人物の上位の階層の行動を推定するためのモデルと、を含み、
   前記処理部は、前記センサを装着した人物の前記計測時間帯の前記下位の階層の行動及び前記上位の階層の行動を推定し、
   前記表示部は、推定された行動の階層構造を示す情報を表示することを特徴とする正解データ作成支援システム。
7. 請求項３に記載の正解データ作成支援システムであって、
   前記処理部は、
   前記計測時間帯のセンサデータと、前記計測時間帯の行動の正解と、に基づいて、前記行動推定モデルを生成し、
   前記記憶部に記憶された前記行動推定モデルを、生成した前記行動推定モデルによって更新することを特徴とする正解データ作成支援システム。
8. 請求項２に記載の正解データ作成支援システムであって、
   前記表示部は、前記計測時間帯の前記符号が付与された前記センサデータに関する情報として、前記計測時間帯の前記センサデータに付与された前記符号の比率、前記計測時間帯の時刻ごとの前記センサデータに付与された前記符号、前記計測時間帯の前記符号が付与された一以上の前記センサデータ、及び、前記計測時間帯における行動の推定の妥当性の少なくともいずれかを表示することを特徴とする正解データ作成支援システム。
9. 請求項１に記載の正解データ作成支援システムであって、
   前記センサデータは、加速度センサによって計測された加速度データであることを特徴とする正解データ作成支援システム。
10. 請求項１に記載の正解データ作成支援システムであって、
    前記符号付与モデルは、前記センサデータを特徴量に基づいてクラスタリングし、クラスタ識別子を前記符号として付与するためのモデルであることを特徴とする正解データ作成支援システム。
11. 請求項１に記載の正解データ作成支援システムであって、
    前記処理部は、
    所定の条件が満たされた場合に、前記センサデータに基づいて前記符号付与モデルを生成し、
    前記記憶部に記憶された前記符号付与モデルを、生成した前記符号付与モデルによって更新することを特徴とする正解データ作成支援システム。
12. 請求項１１に記載の正解データ作成支援システムであって、
    前記所定の条件とは、所定の量の新たなセンサデータが入力されたこと、又は、新たな人物に関するセンサデータが入力されたこと、の少なくともいずれかであることを特徴とする正解データ作成支援システム。
13. 請求項１に記載の正解データ作成支援システムであって、
    前記行動推定モデルは、前記計測時間帯の前記センサデータに付与された前記符号の出現頻度に基づいて前記センサを装着した人物の行動を推定するためのモデルであることを特徴とする正解データ作成支援システム。
14. センサの計測によって得られたセンサデータを入力する入力手順と、
    前記センサデータの特徴に対応する符号を前記センサデータに付与するための符号付与モデルと、前記符号が付与されたセンサデータに基づいて前記センサを装着した人物の行動を推定するための行動推定モデルとを記憶する記憶手順と、
    計測時間帯のセンサデータと、前記符号付与モデルと、前記行動推定モデルと、に基づいて、前記センサを装着した人物の前記計測時間帯の行動を推定する処理手順と、
    推定された前記計測時間帯の行動と、前記計測時間帯の前記センサデータに付与された前記符号と、を出力する出力手順と、を有することを特徴とする正解データ作成支援方法。