JP2021043781A - 健康管理システム、健康管理方法 - Google Patents

Abstract

【課題】入力操作により得られるデータのライフタイムに応じて、ユーザの心理状態を分析し、分析の結果を提示する健康管理システム及び健康管理方法を提供する。【解決手段】健康管理システム１０００において、サーバ１００は、ユーザが操作する入力装置から得られた入力操作データを用いて、入力装置に対する入力操作の傾向を学習した処理ルールを出力する学習部１０３と、学習により得られた処理ルールと、入力操作データのライフタイムの長さに応じて処理ルールを定めた分析管理テーブルとを用いて、ユーザの心理状態を分析する分析部と、分析部１０４による分析結果をライフタイムで定められたタイミングで提示する表示データ生成部１０５と、を備える。【選択図】図１

Description

本発明は、健康管理システム、健康管理方法に関する。

従来からＰＣ（Personal Computer）のキーボードの操作ログを分析して、生産性やストレスの関係を分析する技術がある。例えば、特許文献１では、収集したセンサデータから特徴データを抽出し、当該特徴データを推論モデルに提供してユーザの心理状態を判断する技術が開示されている。

特開２０１４−０９４２９１号公報

メンタル疾患が社会問題となっており、様々なサービスが提供されている現今、特許文献１のような技術では、必ずしもキーボード等の入力装置を用いてユーザの心理状態を判断する技術が活用され、商用化されているとはいえない。例えば、サーバがキーボード操作ログを用いてユーザの心理状態を分析した結果をディスプレイ等の表示装置に出力しているが、表示装置に分析結果を出力することにとどまり、どのような分析結果をどのようなタイミングで提供するのかについては考慮されていない。

また、心理状態としては、「怒り」、「不満」、「イライラ」といった、ユーザにすぐに表れる心理状態、いわば当該心理状態を発生させる要因が検知されてからの利用価値時間（ライフタイム）が短いものと、「ｂａｃｋｓｐａｃｅ」や「ｄｅｌｅｔｅ」キーを押す回数や割合が以前よりも上昇したり、キーボードを打つスピードが以前より遅くなったといった、ある期間を経て把握できるユーザの心理状態、いわば当該心理状態を発生させる要因が検知されてからのライフタイムが長いものとに分類できる。特許文献１のような従来技術では、ユーザの入力操作に伴って得られるデータのライフタイムに着目し、当該ライフタイムに応じて、ユーザの心理状態を分析し、分析の結果を提示することについては開示されていない。

本発明は、入力操作により得られるデータのライフタイムに応じて、ユーザの心理状態を分析し、分析の結果を提示することが可能な健康管理システム、健康管理方法を提供することを目的とする。

本発明にかかる健康管理システムは、ユーザが操作する入力装置から得られた入力操作データを用いて、前記入力装置に対する入力操作の傾向を学習した処理ルールを出力する学習部と、前記学習により得られた処理ルールと、前記入力操作データのライフタイムの長さに応じて前記処理ルールを定めた分析管理テーブルとを用いて、前記ユーザの心理状態を分析する分析部と、前記分析部による分析結果を前記ライフタイムで定められたタイミングで提示する提示部と、を備えることを特徴とする健康管理システムとして構成される。
また、本発明は、上記健康管理システムで実行される健康管理方法としても把握される。

本発明によれば、入力操作により得られるデータのライフタイムに応じて、ユーザの心理状態を分析し、分析の結果を提示することができる。

本実施の形態における健康管理システムの構成例を示す図である。 本システムにおける処理の流れを示す概念図である。 人事データの例を示す図である。 分析用生データの例を示す図である。 分析用データの例を示す図である。 機械学習して得られるユーザの心理状態の傾向を分類した処理ルールである。 分析管理テーブルの例を示す図である。 心理状態学習分析処理の処理手順を示すフローチャートである。 データ準備処理の処理手順を示すフローチャートである。 ＡＩ学習処理の処理手順を示すフローチャートである。 ＡＩデータ処理ＡＰＩの実装処理の処理手順を示すフローチャートである。 ライフタイムに依拠した処理ルールに従ったデータ処理の処理手順を示すフローチャートである。 ユーザの心理状態を発生させる要因が検知されてからのライフタイムが短いものについての分析結果を示す画面例である。 ユーザの心理状態を発生させる要因が検知されてからのライフタイムが長いものについての分析結果を示す画面例である。

以下に添付図面を参照して、本発明にかかる健康管理システム、健康管理方法の実施の形態を詳細に説明する。

図１は、本実施の形態における健康管理システムの構成例を示す図である。図１に示すように、健康管理システム１０００は、サーバ１００と、端末２００とがネットワークＮを介して接続された構成となっている。図１では、サーバ１００、端末２００が、それぞれ１台ずつである構成を例示しているが、サーバ１００が複数のサーバによって構成されたり、クラウドとして構成されていてもよい。また、端末２００がネットワークＮを介してサーバ１００に複数接続されていてもよい。

サーバ１００は、端末２００において行われた入力操作により得られたデータからユーザの心理状態を分析し、当該分析の結果を提示するためのサーバであり、ハードウェアとしては一般的なコンピュータから構成される。端末２００は、上記分析の対象となるユーザにより操作される端末であり、ハードウェアとしては一般的なコンピュータから構成される。ネットワークＮは、有線、無線を問わず、インターネット等の一般的な公衆回線網から構成される。なお、以下では、ユーザが端末２００を操作して上記入力操作を行うが、サーバ１００に設けられた入力装置を用いてもよい。また、以下では、各処理をサーバ１００が実行する前提で説明しているが、１または複数のサーバがこれらの処理を実行してもよいし、サーバ１００の機能を有したクラウドがこれらの処理を実行してもよい。

サーバ１００、端末２００における各処理は、プログラムの実行により実現される。サーバ１００、端末２００は、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、ＨＤＤ(Hard Disk Drive)、ＮＩＣ（Network Interface Card）といった、通信可能なコンピュータが備える一般的な構成を有し、ＣＰＵが、ＲＯＭからプログラムを読み出して実行することにより、各処理を実行する各機能部の機能が実現される。上記プログラムは、ＵＳＢ(Universal Serial Bus)メモリ等の記憶媒体から読み出されたり、ネットワークを介した他のコンピュータからダウンロードする等して、サーバ１００や端末２００に提供されてもよい。

サーバ１００は、送受信部１０１と、設定部１０２と、学習部１０３と、分析部１０４と、表示データ生成部１０５と、記憶部１０６とを有している。さらに、設定部１０２は、変数設定部１０２１と、分析設定部１０２２とを有している。

送受信部１０１は、端末２００において入力操作されたデータ（以下、入力操作データ）や、分析に用いる人事データを受信したり、サーバ１００が実行した分析の結果を端末２００に送信する等、本システムで行われる処理に必要な情報を送受信する。

設定部１０２は、ユーザの心理状態を分析するための分析用生データや分析用データの生成や蓄積、ユーザの心理状態をどのような手法を用いて分析し、当該分析の結果をどのような方法で提示するのかを定めた分析管理テーブルのメンテナンスを行う。これらのデータやテーブルの具体的な構成については後述する。

変数設定部１０２１は、送受信部１０１が受信した端末２００から得られた入力操作データを読み取り、分析用生データとして記憶部１０６に蓄積する処理を行う。また、変数設定部１０２１は、上記分析用生データに対して、標準化や表記揺れ等を正規化するクレンジング処理を行い、分析用データとして記憶部１０６に蓄積する処理を行う。分析用生データは、上記クレンジング処理が行われていないオリジナルのデータのことを意味する。

分析設定部１０２２は、上記分析管理テーブルを生成、更新する処理を行う。

学習部１０３は、上記分析用データまたは上記分析用生データを用いて、ユーザの心理状態を分析するためのＡＩルールを作成し、所定の学習方法により学習したＡＩルールをＡＰＩ化したＡＩデータ処理ＡＰＩを記憶部１０６に蓄積する。ＡＰＩ化とは、学習部１０３が学習して生成したＡＩルールを、本システムが実行可能なようにプログラム化することを意味する。所定の学習方法としては、従来から知られている各種アルゴリズムを用いることができる。

例えば、学習部１０３は、ホルディング法とｋ−ｍｅａｎｓ法と最小二乗法（正規分布）と時系列分析とを活用してユーザの心理状態の異常を検知したり、ボリンジャーバンドバンド法を用いてユーザの心理状態の異常を検知する。あるいは、学習部１０３は、クラスター分析（例えば、ｋ−ｍｅａｎｓ法）を用いて、似た行動の人物をグループ分けする（例えば、「仕事に集中していない」ユーザのグループと特徴を特定したり、協調フィルタリング（ベイジアンネットワーク）を用いて、同じ傾向のユーザをグルーピングして行動を予測する。後述する図６に示すように、学習部１０３は、入力操作データの入力特性でユーザをグルーピングし、当該グルーピングしたグループの入力特性を用いて、ユーザの心理傾向を学習する処理部であるといえる。

分析部１０４は、学習部１０３が蓄積した最新のＡＩデータ処理ＡＰＩを読み出して実行し、ユーザの心理状態についての分析の結果を出力する。

表示データ生成部１０５は、分析部１０４による分析の結果を端末２００に表示させるためのデータを生成する。当該データの例や端末２００への表示例については後述する。

記憶部１０６は、本システムで用いられる分析用生データ、分析用データをはじめ、本システムで用いられる各種データを記憶する。各データの具体例については後述する。

端末２００は、入出力部２０１と、制御部２０２と、通信部２０３と、表示部２０４とを有して構成されている。端末２００は、例えば、一般的な企業の社員（デスクワーカー全般）、一般事務員、コールセンタ職員、システムエンジニア等、コンピュータを操作する様々なユーザによって利用される端末である。

入出力部２０１は、例えば、ハードウェアとしては、キーボードやマウス、タッチパネルといった入力装置から構成され、ユーザからの入力操作を受け付けて、当該入力操作に関する入力操作データを出力する。当該入力操作データの出力先としては、例えば、入出力部２０１が備えるタッチパネルの表示画面に表示させたり、後述する表示部２０４に出力してもよい。入出力部２０１は、後述するように、ユーザが入出力部２０１に対して入力操作を行ったときの加速度を検出するための加速度センサを有している。入出力部２０１は、その検出データを入力操作データとして出力する。

制御部２０２は、端末２００の各部の動作を制御する。

通信部２０３は、サーバ１００との間で本システムに必要な各種データの送受信を司る。

表示部２０４は、例えば、ハードウェアとしては、ＬＣＤ（Liquid Crystal Display）等の表示装置から構成され、サーバ１００が実行した分析の結果を表示する。サーバ１００、端末２００で行われる具体的な処理については後述する。

図２は、本システムにおける処理の流れを示す概念図である。以下では、端末２００から出力された入力操作データが、随時サーバ１００に受信されているものとする。

まず、サーバ１００の変数設定部１０２１は、送受信部１０１が端末２００から受信した入力操作データを取得２１する。

また、変数設定部１０２１は、送受信部１０１が受信した人事データを取得２２する。

図３は、人事データの例を示す図である。図３に示すように、人事データ３０１は、端末２００を利用するユーザを識別するための社員番号と、当該ユーザの入社年度と、当該ユーザの性別と、当該ユーザの傷病と、当該ユーザが利用する端末の入力装置を識別するための装置ＩＤとが対応付けて記憶されている。図３では、例えば、社員番号「１００１」のユーザは、２００５年４月に入社した男性社員であり、うつ病を発症していることを示している。また、当該社員が利用する入力装置の装置ＩＤは「Ｋ０００１」（Ｋ：キーボード）であることを示している。同様に、社員番号「１００３」のユーザは、２０１１年１０月に入社した女性社員であり、傷病はないことを示している。また、当該社員が利用する入力装置の装置ＩＤは「Ｔ０００１」（Ｔ：タッチパネル）であることを示している。当該人事データは、例えば、企業内の人事システムにおいて管理されているデータを用いればよい。

さらに、変数設定部１０２１は、入力操作データと人事データとを用いて、分析用生データを作成２３し、分析用生データＤＢ１０６１に蓄積２４する。

図４は、分析用生データの例を示す図である。図４に示すように、分析用生データＤＢ１０６１は、レコードを識別するためのレコード番号と、端末２００を利用するユーザを識別するための社員番号と、当該ユーザが利用する端末の入力装置から入力操作が行われた時刻と、当該入力操作に用いた入力装置の入力部位であるタッチキーと、当該入力装置に設けられた加速度センサにより検知された当該タッチキーの入力加速度と、当該装置を識別するための装置ＩＤとが対応付けて記憶されている。図４では、例えば、社員番号「１００１」のユーザは、２０１９年７月９日１５時２３分２２秒に、「Ｋ０００１」で識別されるキーボードから「Ｔ」キーを入力し、その時の加速度は１ｍｍ／ｓ^２であったことを示している。同様に、社員番号「１００２」のユーザは、２０１９年７月９日１５時２３分２３秒に、「Ｋ０００２」で識別されるキーボードから「Ｅｎｔｅｒ」キーを入力し、その時の加速度は２ｍｍ／ｓ^２であったことを示している。

変数設定部１０２１は、さらに、分析用生データＤＢ１０６１を正規化するデータクレンジング２５を行った後、当該クレンジングされた分析用生データＤＢ１０６１と人事データとを参照して、分析に用いるための分析用データを作成２６し、分析用データＤＢ１０６２に蓄積２７する。

図５は、分析用データの例を示す図である。図５に示すように、分析用データＤＢ１０６２は、レコードを識別するためのレコード番号と、端末２００を利用するユーザを識別するための社員番号と、当該ユーザが利用する端末の入力装置から入力操作が行われた時刻と、当該入力操作に用いた入力装置の入力部位であるタッチキーと、当該入力装置に設けられた加速度センサにより検知された当該タッチキーの入力加速度と、当該入力装置におけるキーピッチと、当該ユーザの傷病とが対応付けて記憶されている。図５では、例えば、社員番号「１００１」のユーザは、２０１９年７月９日１５時２３分２２秒に、「Ｋ０００１」で識別されるキーボードから「Ｔ」キーを入力し、その時の加速度は１ｍｍ／ｓ^２であったことを示している。また、当該ユーザが「Ｔ」キーを入力する直前に入力したキーと、当該「Ｔ」キーとの間のキーピッチは２ｓであったことを示している。

さらに、当該ユーザは、うつ病を発症していることを示している。上記キーピッチは、変数設定部１０２１が、同じ社員番号のユーザについて、上記入力操作が行われた時刻と、その直前に入力操作が行われた時刻との差分の時刻として算出すればよい。続いて、学習部１０３について説明する。

図２において、学習部１０３は、変数設定部１０２１により分析用データＤＢ１０６２が蓄積されると、目的のＡＩプログラムに当該蓄積された分析用データＤＢ１０６２（あるいは、分析用生データＤＢ１０６１）を入力し、機械学習等のＡＩにより当該データの処理ルールを作成し、ＡＩデータ処理ＡＰＩ化２９を行い、その結果をＡＰＩ格納ＤＢ１０６３に蓄積する。上記目的のＡＩプログラムの選択は、例えば、学習部１０３が、ユーザのどのような心理状態を分析するのかを示す分析名に対応する分析管理テーブル１０６４１のＡＩデータ処理ＡＰＩを読み出して実行すればよい。

また、当該処理ルールの作成を行うタイミングは、毎日夜間などにバッチ処理で行っても良いし、あるいは端末２００の入出力部２０１から指示されたタイミングで行っても良い。さらに、後述する当該処理ルールを実装するタイミングについても、毎日夜間などにバッチ処理で行っても良いし、あるいは端末２００の入出力部２０１から指示されたタイミングで行っても良い。

例えば、学習部１０３は、分析用データＤＢ１０６２（あるいは、分析用生データＤＢ１０６１）を読み出し、キーボードにより入力操作をしたユーザの社員番号と、そのユーザの傷病を参照し、当該ユーザがメンタル疾患者であるか否かを「目的変数」として、「キーボードを叩く強さ」、「キーボードを叩く速さ」、「Ｄｅｌｅｔｅキーを打つ数」「ｂａｃｋｓｐａｃｅを打つ数」を、「説明変数」として機械学習させる。「キーボードを叩く速さ」は、キーボードを叩く間隔（ピッチ）で測ることができる。学習部１０３は、機械学習させた結果、例えば、メンタル疾患者とその他の社員では、図６に示すような傾向があることを、機械学習で確認することができる。

図６は、学習部１０３が機械学習して得られるユーザの心理状態の傾向を分類した処理ルールである。図６に示すように、当該処理ルールでは、「メンタル患者」（例えば、分析用データＤＢ１０６２の傷病として「うつ」が記録されているユーザ）は、午前中においては「キーボードを叩く強さ」が所定の基準値よりも弱く、「キーボードを叩く速さ」が所定の基準値よりも遅く、「Ｄｅｌｅｔｅキーを打つ数」が所定の基準値よりも多く、「ｂａｃｋｓｐａｃｅを打つ数」が所定の基準値よりも多い傾向にあることがわかる。一方、それ以外のユーザである「その他」のユーザは、午前及び午後も「キーボードを叩く強さ」、「キーボードを叩く速さ」、「Ｄｅｌｅｔｅキーを打つ数」「ｂａｃｋｓｐａｃｅを打つ数」は、それぞれ所定の基準値の範囲内にあり「普通」であることがわかる。

学習部１０３は、上記処理ルールから得られる予測値と、実際の分析用データ（分析用生データ）の目的変数の値とを比較する等して、上記処理ルールの正解率、適合率及び再現率等が所定の基準値を満たすか否かを判定し、上記処理ルールの正解率が所定の基準値を満たすと判定した場合、当該処理ルールを分析部１０４が実行可能なようにＡＰＩ化し、ＡＰＩ格納ＤＢ１０６３に格納する。続いて、分析部１０４について説明する。

分析部１０４は、変数設定部１０２１から出力された分析用データＤＢ１０６２（あるいは、分析用生データＤＢ１０６１）の分析に用いるＡＰＩを、実装３１されたＡＰＩの中から選択３０する。このとき、分析部１０４は、選択したＡＰＩがＡＰＩ格納ＤＢ１０６３に格納されているＡＰＩと一致しているＡＰＩであるか否か（すなわち、学習部１０３により更新された最新のＡＰＩであるか否か）を判定し、選択したＡＰＩが最新のＡＰＩでないと判定した場合、選択したＡＰＩを最新のＡＰＩに更新３２し、その結果（例えば、実装されているＡＰＩのバージョンや更新日時）を出力し、ＡＰＩ管理３３を行う。

分析部１０４は、選択した最新のＡＰＩを用いてＡＰＩ処理を実行する。このとき、分析部１０４は、分析管理ＤＢ１０６４に格納された分析管理テーブル１０６４１を読み出し、ＡＰＩの実行タイミング制御３５と、ＡＰＩの対象データ制御３６とを行う。

図７は、分析管理テーブル１０６４１の例を示す図である。図７に示すように、分析管理テーブル１０６４１は、レコードを識別するためのレコード番号と、ユーザのどのような心理状態を分析するのかを示す分析名と、当該分析名による分析を行う場合にどのようなＡＰＩを用いるのかを示すＡＩデータ処理ＡＰＩと、ユーザの心理状態を発生させる要因であって当該分析名による分析の対象となる要因が検知されてからの利用価値時間を示すライフタイムと、当該分析に用いるデータを示す対象データと、当該分析の結果の出力方法と、当該分析の結果の報告先と、当該分析を実行するタイミングを示す処理方法と、当該分析結果を最後に提供した日時を示す最終更新日時とが対応付けて記憶されている。

図７では、例えば、「怒り分析」を実行する場合、分析部１０４は、分析用生データＤＢ１０６１を入力としてキーボード加速異常検知ＡＰＩを実行し、３分間ごとに所属長である上長（例えば、上長のメールアドレスや上長が使用する端末２００のＩＰアドレス）に対して、怒り分析において注意が必要であると判断されたユーザについての分析結果を含むアラートを通知する。また、上記アラート通知は３分間ごとに実行されるが、「怒り分析」自体はリアルタイム処理で行われることを示している。図７では、２０１９年７月１日の１５時００分０１秒に「怒り分析」の分析ＡＰＩを更新したことがわかる。

このように、上述した「怒り分析」のような、ユーザの心理状態を発生させる要因が検知されてからのライフタイムが短いものについては、正規化を行わない分析用生データを用いてリアルタイム（この場合は３分間ごと）に分析結果を提示する。一般に、人は何か気に入らないことがあると、怒りでパソコンのキーボードの「Ｅｎｔｅｒ」キーなど、入力装置の入力キーを「強く」叩くことがある。入力装置の入力キーに加速度センサ等の検知部を設け、当該検知部により「強く叩く」ことを検知する。そして、学習部１０３が、例えば、通常その人が「Ｅｎｔｅｒ」キーを叩く「強さ」の平均値や半値幅を、最小二乗法を用いて計算しておくことで、平均値＋半値幅の値を超える場合、その人は「怒り」の心理状態にあると考えることができる。また機械学習等のＡＩにおける異常検知の検出手法として、ホルディング法、Ｋ−Ｍｅａｎｓ法、各種時系列手法を活用して、「Ｅｎｔｅｒ」キーを「強く」叩いたことを判断することができる。そして、分析部１０４が、その人は「怒り」の心理状態にあると判断して、当該判断の結果を分析結果として上長などに即時に報告することができる。このように、即時にメールなどのコミュニケーションツールを用いて上司に報告することで、上司はその部下に対してアンガーマネジメントに繋がるようなアクションをただちに起こすことができる。

また、図では、例えば、「メンタル分析」を実行する場合、分析部１０４は、分析用データＤＢ１０６２を入力として日中生産性変異モニタリングＡＰＩを実行し、３週間ごとに所属長である上長および健康管理を管轄する健康管理課（例えば、上長のメールアドレスや上長が使用する端末２００のＩＰアドレス、健康管理課で管理される端末２００のＩＰアドレス）に対して、メンタル分析において注意が必要であると判断されたユーザについての分析結果を含むアラートを通知するとともに、レポートを送信する。また、上記アラート通知やレポートの送信は３週間ごとに実行されるが、「メンタル分析」自体はバッチ処理で行われることを示している。図７では、２０１９年７月１日の２１時００分００秒に「メンタル分析」の分析ＡＰＩを更新したことがわかる。

このように、上述した「メンタル分析」のような、ユーザの心理状態を発生させる要因が検知されてからのライフタイムが長いものについては、正規化を行った分析用データを用いてバッチ（この場合は３週間ごと）に分析結果を提示する。多くのメンタル疾患者が企業で働いている現今、例えば、入力装置の入力キーの操作をした人と、その人が既にメンタル疾患者であるか否かを「目的変数」として、「キーボードを叩く強さ」「キーボードを叩く速さ（キーボードを叩く間隔（ピッチ）で測る）」「Ｄｅｌｅｔｅキーを打つ数」「ｂａｃｋｓｐａｃｅを打つ数」を「説明変数」として学習部１０３により機械学習させ、図６に示したような処理ルールを得ることができたとする。具体的な場面では、その人（Ａ社員）はメンタル疾患はなかったが、その上司（Ｋ課長）は、部下であるＡ社員が、ある日を境に元気がなくなってミスが目立ってきたことに気付いた。このような状況が年に数回であれば、誰でも元気のない日はあると考えて、Ａ社員が元気が出るまで待つこともできる。

しかし、一般に、元気がない日が２週間以上続く場合、メンタル疾患の疑いがあると言われているため、この場合、Ａ社員の様子を２〜３週間ほど観察する必要がある。このような状況下において、学習部１０３により、実際に「キーボードを叩く強さ」、「キーボードを叩く速さ（キーボードを叩く間隔（ピッチ）で測る）」、「Ｄｅｌｅｔｅキーを打つ数」、「ｂａｃｋｓｐａｃｅを打つ数」の関係が学習され、分析部１０４は、これらの学習結果についてはメンタル疾患者と同じ傾向を示していると分析する。そして、分析部１０４は、この分析結果をＫ課長に対してレポートとして送信し、Ａ社員の心理状態の傾向をいつでも端末２００の表示画面で確認することができるようになる。続いて、表示データ生成部１０５について説明する。

表示データ生成部１０５は、分析部１０４が実行した分析結果を、分析管理テーブル１０６４１で示された出力方法に従って、当該分析結果を画面表示するためのレイアウト変換やレポート形式へのレイアウト変換を実行し、レイアウト変換後の画面やレポートを送受信部１０１に送信３７させる。そして、表示データ生成部１０５は、当該画面やレポートを送信したタイミングを、分析管理テーブル１０６４１の最終更新日時に登録３８するとともに、同様の内容を表示・通知結果保存ＤＢ１０６５に記憶させる。表示データ生成部１０５が処理する画面やレポートの例については後述する。

図２に戻り、分析設定部１０２２は、学習部１０３や分析部１０４が実行する処理とは独立して、分析管理テーブル１０６４１に変更が生じた場合に、そのメンテナンス３９を行う。当該メンテナンスは、例えば、分析設定部１０２２が、本システムを管理する管理者が操作する端末２００からの指示に従って行えばよい。このように、分析設定部１０２２が、表示データ生成部１０５（提示部）が分析結果を提示した都度、前記分析管理テーブルの更新日時を更新するので、更新日時とライフタイムから、次に提示すべき適切なタイミングで分析結果を提示することができる。

続いて、本システムで行われる処理について、フローチャートを用いて説明する。図８は、本システムで行われる処理（心理状態学習分析処理）の処理手順を示すフローチャートである。

サーバ１００の変数設定部１０２１は、送受信部１０１が端末２００から受信した入力操作データを分析用データＤＢ１０６２として蓄積するまでのデータ準備処理を実行する（Ｓ８０１）。データ準備処理の具体的な内容については、図９を用いて後述する。

学習部１０３は、変数設定部１０２１が出力した分析用生データＤＢ１０６１、あるいは分析用データＤＢ１０６２を用いて、ＡＩ学習処理を実行する（Ｓ８０２）。ＡＩ学習処理の具体的な内容については、図１０を用いて後述する。

分析部１０４は、学習部１０３により格納されたＡＰＩ格納ＤＢ１０６３および分析設定部１０２２により更新された分析管理テーブル１０６４１を用いて、ＡＩデータ処理ＡＰＩの実装処理を実行する（Ｓ８０３）。ＡＩデータ処理ＡＰＩの実装処理の具体的な内容については、図１１を用いて後述する。

分析部１０４および表示データ生成部１０５は、分析部１０４により実装されたＡＰＩを実行して、ライフタイムに依拠した処理ルールに従ったデータ処理を実行する（Ｓ８０４）。当該データ処理の具体的な内容については、図１２を用いて後述する。

図９は、データ準備処理の処理手順を示すフローチャートである。図９に示すように、変数設定部１０２１は、送受信部１０１が端末２００から受信した入力操作データを取得する（Ｓ９０１）。また、変数設定部１０２１は、送受信部１０１が受信した人事データを取得する（Ｓ９０２）。

変数設定部１０２１は、入力操作データと人事データとを用いて、分析用生データを作成し、分析用生データＤＢ１０６１に蓄積する（Ｓ９０３、Ｓ９０４）。さらに、変数設定部１０２１は、さらに、分析用生データＤＢ１０６１を正規化するデータクレンジングを行った後、当該クレンジングされた分析用生データＤＢ１０６１を参照して、分析に用いるための分析用データを作成し（Ｓ９０５）、分析用データＤＢ１０６２に蓄積する（Ｓ９０６）。Ｓ９０６の処理が終了すると、図９に示したデータ準備処理が終了する。

図１０は、ＡＩ学習処理の処理手順を示すフローチャートである。図１０に示すように、学習部１０３は、変数設定部１０２１により蓄積された分析用データＤＢ１０６２（あるいは、分析用生データＤＢ１０６１）を取得し（Ｓ１００１）、当該取得した分析用データＤＢ１０６２（あるいは、分析用生データＤＢ１０６１）を目的のＡＩプログラムに入力する（Ｓ１００２）。学習部１０３は、機械学習により当該データの処理ルールを作成し（Ｓ１００３）、作成したルールの精度を、前記ルールから得られる予測値と、実際の分析用データ（分析用生データ）の目的変数の値とを比較する等して得られた上記処理ルールの正解率、適合率及び再現率等が所定の基準値を満たすことを確認する（Ｓ１００４）。さらに、学習部１０３は、上記正解率が所定の基準値を満たすことが確認された処理ルールをサーバ１００が実行可能なようにＡＰＩ化し、ＡＰＩ格納ＤＢ１０６３に格納する（Ｓ１００５）。Ｓ１００５の処理が終了すると、図１０に示したＡＩ学習処理が終了する。

図１１は、ＡＩデータ処理ＡＰＩの実装処理の処理手順を示すフローチャートである。図１１に示すように、分析部１０４は、変数設定部１０２１から出力された分析用データＤＢ１０６２（あるいは、分析用生データＤＢ１０６１）の分析に用いるＡＰＩを、実装されたＡＰＩの中から選択する（Ｓ１１０１）。分析部１０４は、選択したＡＰＩがＡＰＩ格納ＤＢ１０６３に格納されているＡＰＩと一致しているＡＰＩであるか否か（すなわち、学習部１０３により更新された最新のＡＰＩであるか否か）を判定する（Ｓ１１０２）。分析部１０４は、選択したＡＰＩが最新のＡＰＩであると判定した場合には、Ｓ１１０１で選択したＡＩデータ処理ＡＰＩを実装し、選択したＡＰＩが最新のＡＰＩでないと判定した場合には、選択したＡＰＩを最新のＡＰＩに更新し、当該更新したＡＩデータ処理ＡＰＩを実装する（Ｓ１１０３）。Ｓ１１０３の処理が終了すると、図１１に示したＡＩデータ処理ＡＰＩの実装処理が終了する。

図１２は、ライフタイムに依拠した処理ルールに従ったデータ処理の処理手順を示すフローチャートである。図１２に示すように、分析部１０４は、ＡＰＩ格納ＤＢ１０６３の中から、図１１の処理で選択した最新のＡＩデータ処理ＡＰＩに対応するＡＰＩを選択する（Ｓ１２０１）。

さらに、分析部１０４は、分析管理ＤＢ１０６４に格納された分析管理テーブル１０６４１を読み出し、上記ＡＰＩとして記憶されたＡＰＩデータ処理ＡＰＩ（例えば、キーボード加速異常検知ＡＰＩ）に対応する処理方法（例えば、リアルタイム処理）を読み取り、当該ＡＰＩを実行させるタイミングを設定する（Ｓ１２０２）。

続いて、分析部１０４は、上記ＡＰＩとして記憶されたＡＰＩデータ処理ＡＰＩ（例えば、キーボード加速異常検知ＡＰＩ）に対応する対象データ（例えば、分析用生データ）を読み取り、当該ＡＰＩを実行させる対象データを設定する（Ｓ１２０３）。

その後、分析部１０４は、上記ＡＰＩの実行タイミング制御およびＡＰＩの対象データ制御を行って、上記ＡＰＩデータ処理ＡＰＩを実行する（Ｓ１２０４）。このとき、分析部１０４は、上記ＡＰＩとして記憶されたＡＰＩデータ処理ＡＰＩ（例えば、キーボード加速異常検知ＡＰＩ）に対応するライフタイム（例えば、３分間）を表示データ生成部１０５に通知する。

上記ＡＰＩデータ処理ＡＰＩが実行されると、表示データ生成部１０５は、分析部１０４から通知されたライフタイムに従って、分析部１０４が実行した分析結果を、上記出力方法によりレイアウト変換して出力し、レイアウト変換後の画面やレポートを送受信部１０１に送信させる（Ｓ１２０５）。その後、表示データ生成部１０５は、当該画面やレポートを送信したタイミングを、分析管理テーブル１０６４１の最終更新日時に登録したり、同様の内容を表示・通知結果保存ＤＢ１０６５に記憶させることとなる。Ｓ１２０５の処理が終了すると、図１２に示したライフタイムに依拠した処理ルールに従ったデータ処理が終了する。

図１３、図１４は、表示データ生成部１０５が出力する分析結果画面の例を示す図である。図１３は、ユーザの心理状態を発生させる要因が検知されてからのライフタイムが短いものについての分析結果（例えば、怒り分析の結果）を示す画面例である。図１４は、ユーザの心理状態を発生させる要因が検知されてからのライフタイムが長いものについての分析結果（例えば、メンタル分析の結果）を示す画面例である。後述するように、本実施例では、表示データ生成部１０５（提示部）は、入力操作データの入力特性とライフタイムとの関係を示すグラフを分析結果として表示部２０４に出力して提示する。したがって、上司等のユーザは、部下等のユーザに対する分析結果を見て、当該部下の心理状態の傾向を一見して容易に把握することができる。

図１３に示すように、当該画面では、分析の結果として、横軸に時間、縦軸にキーを叩く強さをとったグラフを表示している。図１３では、例えば、Ｋ課長が１５時２０分に部下を叱った場合において、当該部下が自席に戻って端末２００を操作して作業を続けたが、その後、１５時２３分２４秒頃から「Ｅｎｔｅｒ」キーを叩く強さが所定の基準値（例えば、４ｍｍ／ｓ^２）を超えている回数（図１３では５回）が増えてきており、当該部下に怒りが起きていると分析されたことがわかる。表示データ生成部１０５は、当該画面データを生成するとともに、上司であるＫ課長のメールアドレスに、当該画面を表示するＵＲＬ（Uniform Resource Locator）と、分析結果に基づいた部下の心理状態に関するメッセージとを含むメールを送信する。心理状態に関するメッセージとしては、例えば、「部下が少し普段と違う行動（怒り）をしています。」といった、分析管理テーブル１０６４１の分析名に応じたメッセージを出力する。また、当該メールについては、さらに、Ｋ課長の上司であるＢ部長に対して送信してもよい。

また、図１４に示すように、当該画面では、分析の結果として、横軸に日時、縦軸に１分あたりにキーを叩く回数をとったグラフを表示している。図１４では、例えば、ある社員の７月のキーボードの入力操作の速さについての分析結果として、７月８日以降、午前中のキー操作の速さが、それまでに比べて半分以下の速度となっていることがわかる。表示データ生成部１０５は、図１３に示した場合と同様に、当該画面データを生成するとともに、上司であるＫ課長のメールアドレスに、当該画面を表示するＵＲＬと、分析結果に基づいた部下の心理状態に関するメッセージとを含むメールを送信する。心理状態に関するメッセージとしては、例えば、「部下が午前中は仕事に集中できてないようです。」といった、分析管理テーブル１０６４１の分析名に応じたメッセージを出力する。また、当該メールについては、図１３の場合と同様、さらに、Ｋ課長の上司であるＢ部長に対して送信してもよい。このように、表示データ生成部１０５（提示部）が、ライフタイムに応じた、ユーザの心理状態に関するメッセージを含む分析結果を表示部２０４に出力して提示するので、当該部下の心理状態についての詳細な分析結果の具体的な内容を一見して容易に把握することができる。

このように、本実施例では、学習部１０３が、ユーザが操作する入力装置（例えば、キーボード）から得られた入力操作データ（例えば、キーボードのタッチ操作により得られたタッチキーの入力加速度）を用いて、入力装置に対する入力操作の傾向を学習した処理ルールを出力し、分析部１０４が、学習により得られた処理ルール（例えば、図６に示したＡＰＩ格納ＤＢ１０６３に格納される処理ルール）と、入力操作データのライフタイムの長さに応じて処理ルールを定めた分析管理テーブル１０６４１とを用いて、ユーザの心理状態を分析し、表示データ生成部１０５（提示部）が、分析部１０４による分析結果（例えば、図１３、図１４に示した画面）をライフタイムで定められたタイミングで提示するので、ユーザが操作する端末での入力操作により得られるデータのライフタイムに応じて、ユーザの心理状態を分析し、分析の結果を提示することができる。例えば、「怒り」、「不満」、「イライラ」といったライフタイムの短いものについては、リアルタイムで管理者に提示することにより、当該管理者のアンガーマネジメントに寄与することができる。

また、「ｂａｃｋｓｐａｃｅ」や「ｄｅｌｅｔｅ」キーを押す回数や割合が以前よりも上昇したり、キーボードを打つスピードが以前より遅くなったといったライフタイムの長いものについては、当該状態が所定の期間継続したタイミングで管理者に提示することにより、当該管理者による当事者への心のケアに寄与することができる。このように、入力操作データのライフタイムに応じてアラートを発信することで、適切なタイミングで当事者の心理状態を把握することができる。当事者が能動的に心身の状態（例えば、手の指の動き）を提供する必要なく、負担なく社員の心身の健康を分析することができ、社員の負担を軽減することができる。さらに、当事者の心身の健康だけではなく、その業務効率を測ることができ、心身と業務の関係を見比べて、よりきめ細かいセルフケアや社員サポートが可能となる。

また、入力装置側では入力操作データが残らず、サーバ側ですべてのデータを管理するため、当事者のプライバシを維持しつつ、心理状態を分析することができる。さらに、入力装置における入力操作データ（例えば、キーボードを叩く「強さ」、キーボードを叩く速さ・間隔（ピッチ）、これらの時間）に加え、就業管理システムなどの人事データを用いることで、「年休」や「遅刻」の実績との相関を分析し、「怒り」や「集中してない」ことの裏付けをとることができるようになる。

１０００ 健康管理システム
１００ サーバ
２００ 端末
Ｎ ネットワーク
１０１ 送受信部
１０２ 設定部
１０２１ 変数設定部
１０２２ 分析設定部
１０３ 学習部
１０４ 評価部
１０５ 表示データ生成部
１０６ 記憶部
１０６１ 分析用生データＤＢ
１０６２ 分析用データＤＢ
１０６３ ＡＰＩ格納ＤＢ
１０６４ 分析管理ＤＢ
１０６４１ 分析管理テーブル
２００ 端末
２０１ 入出力部
２０２ 制御部
２０３ 通信部
２０４ 表示部

Claims (7)

1. ユーザが操作する入力装置から得られた入力操作データを用いて、前記入力装置に対する入力操作の傾向を学習した処理ルールを出力する学習部と、
   前記学習により得られた処理ルールと、前記入力操作データのライフタイムの長さに応じて前記処理ルールを定めた分析管理テーブルとを用いて、前記ユーザの心理状態を分析する分析部と、
   前記分析部による分析結果を前記ライフタイムで定められたタイミングで提示する提示部と、
   を備えることを特徴とする健康管理システム。
2. 前記学習部は、前記入力操作データの入力特性で前記ユーザをグルーピングし、当該グルーピングしたグループの入力特性を用いて、前記ユーザの心理傾向を学習する、
   ことを特徴とする請求項１に記載の健康管理システム。
3. 前記学習部は、ユーザの傷病を含む人事データと前記入力操作データとを用いて、ユーザの識別情報および前記傷病を有したユーザであるか否かを目的変数とし、前記入力操作データの入力特性を説明変数として前記傾向を学習する、
   ことを特徴とする請求項２に記載の健康管理システム。
4. 前記提示部が前記分析結果を提示した都度、前記分析管理テーブルの更新日時を更新する分析設定部、
   を備えることを特徴とする請求項１に記載の健康管理システム。
5. 前記提示部は、前記分析結果として、前記特性とライフタイムとの関係を示すグラフを前記分析結果として表示部に出力して提示する、
   ことを特徴とする請求項１に記載の健康管理システム。
6. 前記提示部は、前記ライフタイムに応じた、前記ユーザの心理状態に関するメッセージを含む前記分析結果を前記表示部に出力して提示する、
   ことを特徴とする請求項５に記載の健康管理システム。
7. 学習部が、ユーザが操作する入力装置から得られた入力操作データを用いて、前記入力装置に対する入力操作の傾向を学習した処理ルールを出力し、
   分析部が、前記学習により得られた処理ルールと、前記入力操作データのライフタイムの長さに応じて前記処理ルールを定めた分析管理テーブルとを用いて、前記ユーザの心理状態を分析し、
   提示部が、前記分析部による分析結果を前記ライフタイムで定められたタイミングで提示する、
   ことを特徴とする健康管理方法。

Images