JP5466713B2 - 生活パターン分類装置及び生活パターン分類システム - Google Patents

Description

本発明は、行動データの記録から生活パターンを分析し、対象者群を分類するシステムに関するものである。

健康管理やマーケティングの分野では患者や顧客を理解するための手段として対象群の分類を行う事が多い。

身近な例としてコンビニエンスストアでは清算時に、販売した商品情報と共に客の「年代」と「性別」を収集することにより、店舗毎に客層にあった商品を適切な時間帯に陳列して客にとっての店舗の利便性を改善することに役立てられている。

別の例として健康管理では、患者を「喫煙有無」「家族の病歴」などのアンケート項目により分類し、心疾患の精密検査が必要な患者を洗い出すということが一般的に行われている。

また、例えば特許文献１では一日の電力使用量の推移から対象世帯の生活パターンを推定し、これにより対象世帯を分類する技術が開示されている。

特開２００７−４１３２２号公報

アンケートを用いて性別や病歴のような個人の状態を表すパラメータを取得して、対象群を分類することも可能であるが、健康や購買はむしろ個人の生活スタイルの影響を受けやすいため、個人の生活の状態を用いて分類することにより、より効果的な健康管理やマーケティングが可能である。

一方で、アンケートではなく何らかの客観的データを利用して対象者の生活を記録することにより、個人の生活の状態を用いて対象者の分類を行うことができる。

特許文献１は、対象世帯の生活パターンに基づいて対象世帯を分類するものであるが、行動パターンの分析結果と予め決められた対象者の行動パターンを表す情報（例えば昼型生活パターン、夜型生活パターンなど）とのマッチングにより対象者の分類を行う。また、対象者の行動パターンの分析にあたっては、各対象世帯における複数日の電力消費量の平均を算出し、その平均電力使用量の推移から所定のルールに従って対象者の各行動時刻（起床時刻、外出時刻、帰宅時刻、就寝時刻、ピーク時刻）を算出している。つまり、平均化することにより対象世帯の長期的な傾向を見ようとしているが、ここには暗に各家庭がそれぞれ毎日似たパターンの一日を送るという仮定がある。

これに対して、本発明者らは、様々な人を分析対象にし、人の生活パターンを分析して人を分類する研究を進めている。この中で、各対象者には様々なパターンの日が含まれることが、人の分類に大きな影響を与えることに着目した。

すなわち、一般的には対象者は日々同じような生活を繰り返すものとして、対象者を分類する。その場合、特許文献１のように複数日の電力消費量の平均を取ったとしても、問題は表面化しない。これに対して、様々なパターンの日が含まれる対象者群を分析対象とする場合、実際にどのような生活を送っているのかに大きく依存し、往々にして日々同様の生活を繰り返すものとして生活パターンを分類することが適切でないことが生じる。例えば、仕事日と休日を交互に繰り返し、規則的な生活を送っているが起床時刻等が一定でないような対象者を、日々同様の生活を繰り返すものとして分類すると、本来分類したい生活パターンとは異なるものとなってしまう。

例えば、図２６（ａ）は、ユーザ１とユーザ２が過ごすパターンを示している。横軸は時間を示し、縦軸は電力消費量を示す。ユーザ１は、５：００頃起床、１３：００頃外出、１９：００頃帰宅、２３：３０頃就寝というパターンの生活を繰り返しているものとする。この場合、平均電力消費量の推移からユーザ１の生活パターンを分類しても、ユーザ１の生活パターンを示すものとして十分である。この場合、例えば在宅時間が長いことを特徴する「家派」のような生活パターンに分類されると考えられる。

一方、ユーザ２は、５：００頃起床、７：００頃外出、１９：００頃帰宅、２２：００頃就寝というパターン１（例えば、平日の仕事日で早朝起きて会社に行き、早めに帰宅して早寝するような生活パターン）と、６：４５頃起床、１３：００頃外出、２１：００頃帰宅、２３：３０頃就寝というパターン２（例えば、休日で通常の時間に起床して昼過ぎまで在宅し、夜遅く帰宅して就寝するような生活パターン）の生活を交互に繰り返しているとする。

ここで、ユーザ２が日々同様の生活を繰り返すものとして、電力使用量の平均をとると、図２６（ａ）のユーザ２（平均化後）に示すようになる。これに基づいて、起床時刻、外出時刻、帰宅時刻、就寝時刻を算出すると、ユーザ１とユーザ２の生活パターンが程遠いにもかかわらず、両ユーザは同じ生活パターンに分類されることになる。つまり、生活パターンが様々な種類の日から構成されている対象者を含む対象者群を分析対象とする場合、実際の生活を表現できないといえる。

本発明では、従来の生活パターン分類のように対象者が日々同様の生活を繰り返すものとして扱うのではなく、様々なパターンの日が含まれているものとして「一日」を扱う。ここで「一日」とは、特定時刻で区切られた期間を示し、必ずしも２４時間単位で区切られる期間ではない。そして、２段階の分類を行う。すなわち、第１段階として全対象者の日から「よくある日」を検出して、各対象者の一日がどの「よくある日」に該当するかを検出して各対象者の一日を分類する。第２段階として分類された一日の遷移・分布などの出現パターンを対象者の生活パターンを示す指標として算出し、その算出した生活パターンを表す指標から「よくある生活」を検出して、各対象者がどの「よくある生活」に該当するかを検出して対象者を分類する。

本願において開示される発明のうち、代表的なものの概要を簡単に説明すれば、下記の通りである。

複数の利用者それぞれに装着される端末と通信を行う基地局にネットワークを介して接続される生活パターン分類装置である。ネットワークに接続されるネットワークインタフェースと、ネットワークインタフェースに接続されるプロセッサと、プロセッサに接続される記録装置と、を備える。プロセッサは、ネットワークインタフェースを介して、端末が取得するセンシングデータを受けて記録装置のセンシングデータテーブルに格納し、利用者それぞれの活動期間を分割するための分割時刻を決定して記録装置の活動履歴分割時刻テーブルに格納し、活動履歴分割時刻テーブルに格納される分割時刻で区切られる期間に取得されたセンシングデータから第１の特徴量を算出して、記録装置の特徴量テーブルに格納し、特徴量テーブルに格納される複数の第１の特徴量を用いてクラスタ群を生成し、第１の特徴量に基づいて分割時刻で区切られる期間にクラスタ群からクラスタを割り当てて複数の利用者それぞれに対応する特徴量テーブルに格納し、特徴量テーブルに格納されるクラスタからクラスタの出現パターンを示す第２の特徴量を算出して、記録装置の生活パターンテーブルに格納し、生活パターンテーブルに格納される複数の第２の特徴量を用いて生活パターン群を生成し、第２の特徴量に基づいて複数の利用者それぞれに生活パターン群から生活パターンを割り当てて複数の利用者それぞれに対応する生活パターンテーブルに格納する。

また、複数の利用者それぞれに装着される端末と、端末と通信を行う基地局と、基地局とネットワークを介して接続される生活パターン分類装置と、を備える生活パターン分類システムである。端末は、センシングデータを取得するセンサと、センシングデータを処理する処理装置と、処理されたセンシングデータを基地局に送信する無線装置と、を備える。生活パターン分類装置は、ネットワークに接続されるネットワークインタフェースと、ネットワークインタフェースに接続されるプロセッサと、プロセッサに接続される記録装置と、を備える。プロセッサは、ネットワークインタフェースを介して、端末が取得するセンシングデータを受けて記録装置のセンシングデータテーブルに格納し、利用者それぞれの活動期間を分割するための分割時刻を決定して記録装置の活動履歴分割時刻テーブルに格納し、活動履歴分割時刻テーブルに格納される分割時刻で区切られる期間に取得されたセンシングデータから第１の特徴量を算出して、記録装置の特徴量テーブルに格納し、特徴量テーブルに格納される複数の第１の特徴量を用いてクラスタ群を生成し、第１の特徴量に基づいて分割時刻で区切られる期間にクラスタ群からクラスタを割り当てて複数の利用者それぞれに対応する特徴量テーブルに格納し、特徴量テーブルに格納されるクラスタからクラスタの出現パターンを示す第２の特徴量を算出して、記録装置の生活パターンテーブルに格納し、生活パターンテーブルに格納される複数の第２の特徴量を用いて生活パターン群を生成し、第２の特徴量に基づいて複数の利用者それぞれに生活パターン群から生活パターンを割り当てて複数の利用者それぞれに対応する生活パターンテーブルに格納する。

本発明によれば、様々なパターンの一日を送る対象者の実際の生活パターンを反映した分類が可能となる。

実施例１のシステム全体の構成図の例である。 腕時計型センサノードの一例を示す図で、（ａ）は腕時計型センサノード１の正面から見た概略図、（ｂ）は腕時計型センサノードを側面から見た断面図である。 腕時計型センサノードの基盤に取り付けられた電子回路のブロック図の例である。 生活パターン分類システムの構成要素を示すブロック図の例である。 生活パターン分類システムで行われるデータ処理の全体的な流れを示す図である。 単位時間毎の運動頻度を時系列的にソートしたグラフの例である。 日特徴量ベクトルを日クラスタに分類するイメージの例である。 データ集計プログラムの実行による処理の一例を示すフローチャートである。 加速度と時間の関係を示すグラフで、ゼロクロス回数の判定の一例である。 所定時間間隔毎の集計データフォーマットの一例である。 睡眠分析プログラムの実行による処理の一例を示すフローチャートである。 睡眠分析データのフォーマットの一例である。 活動履歴分割プログラムの実行による処理の一例を示すフローチャートである。 活動履歴分割時刻データのフォーマットの一例である。 日特徴量抽出プログラムの実行による処理の一例を示すフローチャートである。 日特徴量データのフォーマットの一例である。 日クラスタ生成プログラムの実行による処理の一例を示すフローチャートである。 日クラスタデータのフォーマットの一例である。 日クラスタ割り当てプログラムの実行による処理の一例を示すフローチャートのである。 生活パターン抽出プログラムの実行による処理の一例を示すフローチャートである。 生活パターンのフォーマットの一例である。 生活パターンセグメント生成プログラムの実行による処理の一例を示すフローチャートである。 生活パターンセグメントのフォーマットの一例である。 生活パターンセグメント割り当てプログラムの実行による処理の一例を示すフローチャートである。 生活パターン分類表示の画面構成の一例である。 （ａ）は、ユーザ１とユーザ２が過ごすパターンの日の一例であり、（ｂ）は、本実施例による手法を適用した場合の結果を示す一例である。 実施例２の属性情報推定システムの構成要素を示すブロック図の例である。 属性情報推定システムで行われるデータ処理の全体的な流れを示す図である。 属性情報判別プログラムの実行による処理の一例を示すフローチャートである。 属性テーブルのフォーマットの一例である。 生活パターンセグメントの一例である。 生活パターンモニタ画面の一例である。 最大データ蓄積数のばらつきとデータ欠損数との関係を示す図である。

以下、本発明の実施の形態を、図面に基づき説明する。

本発明を適用する第１の実施例として、人（利用者）に装着したセンサによって測定したセンシングデータから生活パターンを推定し、生活パターンにより利用者群を分類した後、サービス提供者に分類を提示する生活パターン分類システムを示す。

図１は、本発明を適用する生活パターン分類システムの構成の一例を示すブロック図である。本実施例の生活パターン分類システムは、当該システムの利用者の動作（または状態）を検出するセンサとして、加速度センサを備えた腕輪型センサノード１を用い、生体情報として腕の加速度を検出する例を示す。腕輪型センサノード１は、利用者（または参加者）の腕に装着されて加速度を検出し、所定の周期で検出した加速度データをセンシングデータとして、アンテナ１０１を介して基地局１０２へ無線送信する。また、有線通信が可能な場合はＵＳＢ接続などを介してクライアント計算機（ＰＣ）１０３へ送信する。

図１において、基地局１０２又はＰＣ１０３は複数の腕輪型センサノード１と通信を行い、各腕輪型センサノード１から利用者の動きに応じたセンシングデータを受信し、ネットワーク１０５を介してサーバ１０４へ転送する。サーバ１０４は受信したセンシングデータを格納する。サーバ１０４は、基地局１０２又はＰＣ１０３から受信したセンシングデータを解析し、後述するように利用者の生活パターン特徴量を生成し、また利用者群の分類を生成して格納する。

サーバ１０４が生成した利用者群の分類は、サービス提供者が操作するクライアント計算機（ＰＣ）１０３で閲覧することができる。

図２は、本実施例の生活パターン分類システムを構成する腕輪型センサノード１の一例を示す図で、図２（ａ）は腕輪型センサノード１の正面から見た概略図で、図２（ｂ）は腕輪型センサノード１を側方から見た断面図である。この腕輪型センサノード１は主に利用者の動きを測定する。

腕輪型センサノード１は、センサや制御装置を格納するケース１１と、ケース１１を人体の腕に装着するバンド１２を備える。

ケース１１の内部には、図２（ｂ）のようにマイクロコンピュータ３やセンサ６等を備えた基板１０が格納される。そして、人体（生体）の動きを測定するセンサ６としては、図中Ｘ−Ｙ−Ｚの３軸の加速度をそれぞれ測定する加速度センサを採用した例を示す。なお、本実施形態では、腕輪型センサノード１には図示しない温度センサ、脈拍センサを備え、利用者の体温、脈拍を測定し、加速度とともにセンシングデータとして出力するものとする。

図３は、腕輪型センサノード１の基板１０に取り付けられた電子回路のブロック図を示す。図３において、基板１０には、基地局１０２と通信を行うアンテナ５を備えた無線通信部（ＲＦ）２と、ＰＣ１０３と有線接続するＵＳＢ通信部３９と、センサ６及び無線通信部２を制御するマイクロコンピュータ３と、マイクロコンピュータ３を間欠的に起動するためのタイマとして機能するリアルタイムクロック（ＲＴＣ）４と、各部に電力を供給する電池７と、センサ６への電力の供給を制御するスイッチ８が配置される。また、スイッチ８とセンサ６の間には、バイパスコンデンサＣ１が接続されてノイズの除去や、充放電の速度を低減して無駄な電力消費を防ぐ。バイパスコンデンサＣ１への充放電回数を減らすようにスイッチ８を制御することによって、無駄な電力消費を抑えることが可能になる。
マイクロコンピュータ３は、演算処理を実行するＣＰＵ３４と、ＣＰＵ３４で実行するプログラムなどを格納するＲＯＭ３３と、データなどを格納するＲＡＭ３２と、ＲＴＣ４からの信号（タイマ割り込み）に基づいてＣＰＵ３４に割り込みをかける割り込み制御部３５と、センサ６から出力されたアナログ信号をデジタル信号に変換するＡ／Ｄコンバータ３１と、無線通信部２との間でシリアル信号にて信号の送受を行うシリアルコミュニケーションインターフェース（ＳＣＩ）３６と、無線通信部２及びＵＳＢ通信部３９とスイッチ８を制御するパラレルインターフェース（ＰＩＯ）３７と、マイクロコンピュータ３内の上記各部へクロックを供給する発振部（ＯＳＣ）３０とを含んで構成される。そして、マイクロコンピュータ３内の上記各部はシステムバス３８を介して接続される。ＲＴＣ４は、マイクロコンピュータ３の割り込み制御部３５に予め設定されている所定の周期で割り込み信号（タイマ割り込み）を出力し、また、ＳＣＩ３６へ基準クロックを出力する。ＰＩＯ３７はＣＰＵ３４からの指令に応じてスイッチ８のＯＮ／ＯＦＦを制御し、センサ６への電力供給を制御する。

腕輪型センサノード１は、所定の周期（例えば、１秒等）でマイクロコンピュータ３を起動して、センサ６からセンシングデータを取得し、取得したセンシングデータに腕輪型センサノード１を特定する識別子とタイムスタンプを付与して基地局１０２へ送信する。なお、腕輪型センサノード１の制御の詳細は、例えば、特開２００８−５９０５８号公報等と同様にすることができる。なお、腕輪型センサノード１は、連続的に取得したセンシングデータを、周期的に基地局１０２へ送信するようにしても良い。

図４は、図１に示した本発明を適用する生活パターン分類システムの構成要素を示すブロック図である。腕輪型センサノード１が送信したセンシングデータは、基地局１０２を介してサーバ１０４の記録装置１１００のセンシングデータテーブル１１５０に蓄積される。

クライアント（ＰＣ）１０３は、各種情報を表示する表示装置１０３１とサービス提供者の操作によって様々な情報の入力を可能とする入力装置１０３２を具備する。

サーバ１０４は、ネットワークインタフェース１０６と、プロセッサ１０７と、メモリ１０８及び記録装置１１００を備える。ネットワークインタフェース１０６は、ネットワーク１０５に接続するためのインタフェースである。記録装置は、後述する各種プログラム、各種データテーブルを記録するものであり、例えば、ハードディスクドライブやＣＤ−ＲＯＭドライブ、フラッシュメモリなどである。なお、複数の記録装置に各種プログラム、各種データテーブルを分割して記録するようにしてもよい。

プロセッサ１０７は、記録装置１１００に記録されている各種プログラムをメモリ１０８に読み出して実行することにより各種機能を実現する。具体的には、データ集計プログラム２００を実行することにより、利用者の腕の加速度センサで測定されたセンシングデータを集計し、単位時間（例えば、１分間）毎の集計値を算出し、記録装置１１００の集計データテーブル２５０に格納する。また、睡眠分析プログラム３００を実行することにより算出した単位時間毎の集計値を解析し、全ての睡眠状態を検知し、記録装置１１００の睡眠分析データテーブル３５０に格納する。活動履歴分割プログラム４００を実行することにより利用者毎に検知した睡眠状態から主睡眠を選別し、これらの起床時刻を一日の境目を表す活動履歴分割時刻群として記録装置１１００の活動履歴分割時刻テーブル４５０に格納する。日特徴量抽出プログラム５００を実行することにより算出した活動履歴分割時刻群により分割された各日に対して特徴量を抽出し記録装置１１００の日特徴量テーブル５５０に格納する。日クラスタ生成プログラム６００を実行することにより特徴量抽出した全利用者の全日をクラスタリングすることにより日クラスタを生成し、これを記録装置１１００の日クラスタテーブル６５０に格納する。日クラスタ割り当てプログラム７００を実行することにより特徴量を抽出した各利用者の各日に生成した日クラスタ群から最適な日クラスタを割り当て、割り当ての情報を記録装置１１００の日特徴量テーブル５５０に格納する。生活パターン抽出プログラム８００を実行することにより各利用者に対して割り当てられた日クラスタ群を特徴量化して生活パターンを抽出し記録装置１１００の生活パターンテーブル８５０に格納する。生活パターンセグメント生成プログラム９００を実行することにより全利用者に対して抽出された生活パターン群を分類することにより利用者の分類を生成し、これを記録装置１１００の生活パターンセグメントテーブル９５０に格納する。生活パターンセグメント割り当てプログラム１０００を実行することにより生活パターンを抽出した全利用者に対して生成した生活パターンセグメント群から最適な生活パターンセグメントを割り当て、割り当ての情報を記録装置１１００の生活パターンテーブル８５０に格納する。

なお、以下では、サーバ１０４が、データ集計プログラム２００と睡眠分析プログラム３００と活動履歴分割プログラム４００と日特徴量抽出プログラム５００と日クラスタ生成プログラム６００と日クラスタ割り当てプログラム７００と生活パターン抽出プログラム８００と生活パターンセグメント生成プログラム９００と生活パターンセグメント割り当てプログラム１０００を所定の周期（例えば、５分間）毎に実行する例を示す。

図５は、本発明を適用する生活パターン分類システムで行われるデータ処理の全体的な流れを示す図である。

まず、ステップＳ１では、腕輪型センサノード１が送信したセンシングデータを基地局１０２がサーバ１０４へ転送し、サーバ１０４のセンシングデータテーブル１１５０にセンシングデータを蓄積する。また、センシングデータに付与されている、センサノードを特定するための識別子と当該センシングデータを取得した時刻を示す時刻情報もセンシングデータテーブルに蓄積する。さらに、サーバ１０４が所定の周期になるとデータ集計プログラム２００を実行して、記録装置１１００に蓄積されたセンシングデータから単位時間毎の運動頻度と歩行数を算出し、記録装置１１００の集計データテーブル２５０に格納する。さらに、サーバ１０４は睡眠分析プログラム３００を実行して、集計データテーブル２５０に格納された集計データから利用者が睡眠状態にあると推定される領域を検出し、全ての睡眠領域の開始時刻と終了時刻を組みとして睡眠分析データテーブル３５０に格納する。

次に、ステップＳ２では、サーバ１０４が活動履歴分割プログラム４００を実行して、各利用者に関して記録装置１１００に蓄積された各睡眠領域から昼寝やうたた寝を除いた主睡眠を選別し、これらの終了時刻群を活動履歴の分割時刻として記録装置１１００に格納する。さらに、サーバ１０４は日特徴量抽出プログラム５００を実行して、算出した活動履歴の分割時刻で切り分けられる期間毎に対し単位時間集計データと睡眠分析データから所定の特徴量群（総歩数や外出時刻など、後述の特徴量）を算出し、日特徴量ベクトルとして日特徴量テーブル５５０に格納する。

次に、ステップＳ３では、サーバ１０４が日クラスタ生成プログラム６００を実行して、算出された全利用者全日の特徴量ベクトル群をクラスタリング手法により分類し、利用者群の中で「よくある日」を表す「日クラスタ」群を生成し、これを日クラスタテーブル６５０に格納する。さらに、サーバ１０４が日クラスタ割り当てプログラム７００を実行して、算出した各日特徴量ベクトルに対し、生成した日クラスタ群から最適な日クラスタを割り当て、各利用者の各日に対する日クラスタの対応付けを日特徴量テーブル５５０に格納する。

次に、ステップＳ４では、サーバ１０４が生活パターン抽出プログラム８００を実行して、各利用者に対して算出された各日に対応する最適日クラスタ群に関して、後述する所定の日クラスタの分布や遷移に関する特徴量を算出し、これら特徴量を利用者の生活パターンを表す生活パターンベクトルとして生活パターンテーブル８５０に格納する。

次に、ステップＳ５では、サーバ１０４が生活パターンセグメント生成プログラム９００を実行して、算出した全利用者の生活パターンベクトル群をクラスタリング手法により分類することで、生活パターンの分類である「生活パターンセグメント」群を生成し、これを生活パターンセグメントテーブル９５０に格納する。次に、サーバ１０４が生活パターンセグメント割り当てプログラム１０００を実行して、各利用者に対して最適の生活パターンセグメントを割り当て、この対応付けを生活パターンテーブル８５０に格納する。

次に、ステップＳ６では、記録装置に格納された各利用者の生活パターンセグメントの割り当てをクライアント計算機１０３の表示装置１０３１に提示する。

このように、日特徴量ベクトル群を分類して日クラスタ群を生成し、最適な日クラスタを各利用者の各日に対して割り当てることにより、各利用者の各日を分類する。さらに、分類された各日の遷移や分布に関する特徴量から生活パターンセグメント群を生成し、各利用者に対して最適な生活パターンセグメントを割り当てることにより、利用者群を分類する。このような２段階の分類を行うことにより、利用者に様々なパターンの日が含まれていたとしても、分類された各日の遷移や分布を反映できるため、実際の生活に即した人の分類が可能となる。

図８は、サーバ１０４のデータ集計プログラム２００で行われる処理の一例を示すフローチャートである。まず、利用者の識別子に対応するセンシングデータをセンシングデータテーブル１１５０から読み込む（ステップＳ１１）。ここで、読み込むセンシングデータの量は、センシングデータの集計周期である所定の周期（例えば、３分間）等に設定すればよい。

次に、読み込んだセンシングデータの加速度データについて所定の時間間隔（例えば、１分）毎の集計値を算出する。本実施形態では、所定の時間間隔内での腕輪型センサノード１の装着者（利用者）の運動の頻度を示すゼロクロス回数を集計値として用いる。

腕輪型センサノード１が検出したセンシングデータにはＸ、Ｙ、Ｚ軸の加速度データが含まれているので、Ｘ、Ｙ、Ｚの３軸の加速度のスカラー量＝√（Ｘｇ^2＋Ｙｇ^2＋Ｚｇ^2）を算出し（ステップＳ１２）、求めたスカラー量をフィルタ（バンドパスフィルタ）処理することで所定の周波数帯域（例えば、０．１Ｈｚ〜５Ｈｚ）のみを抽出しノイズ成分を除去する（ステップＳ１３）。そして、図９に示すように求めたスカラー量が所定の閾値（例えば、０．０５Ｇ）を通過する値をゼロクロス回数として算出し、ゼロクロス回数が所定時間間隔内に出現する頻度を算出し、この出現頻度を、所定の時間間隔（１分間）の運動頻度として出力する（ステップＳ１４）。この運動頻度の算出結果は図６で示すように単位時間毎の運動頻度を時系列的にソートしたデータとなる。なお、運動頻度は、Ｘ、Ｙ、Ｚの各方向の加速度の値が正と負に振動した回数（振動数）を各方向の所定時間内に数えて合計してもよいが、本実施例では、計算を簡略化することができるため、ゼロクロス回数を算出する方法を採用している。

また、所定の時間間隔内のＸ、Ｙ、Ｚ３軸加速度のスカラー値の積算値をゼロクロス回数とスカラー量から求めて、この積分値を運動強度とする（ステップＳ１５）。またセンシングデータに含まれる温度についても所定の時間間隔内の平均温度を求める（ステップＳ１６）。

さらに、所定時間間隔内に出現する歩行のステップ数を歩行数として出力する（ステップＳ１７）。ここで、歩行を検知する手法は、上下方向の加速度が周期的に変化する（一歩ごとの着地）、前後方向の加速度が上下方向の加速度と同期して規則的に前方向と後ろ方向を繰り返す（着地するごとの速度変化）、左右方向の加速度が上下方向の加速度に同期して規則的に繰り返す（一歩ごとの体の左右へのゆれ）、といった波形が観測でき、さらに腕の振りが重なった波形として観測できるので、これらにより、該当する時間間隔内に歩行状態であるか否かを判定できる。また、ゼロクロスの周期の逆数を歩数として検知することも可能である。これらの人体に装着した加速度センサから歩行状態を検知する手法、及びステップ数を算出する手法は、公知の手法を用いれば良く、例えば、「腕に装着した加速度・角速度センサを用いた人間の歩行・走行運動の解析」（S.-W.Lee and K.Mase,「Recognition of Walking Behaviors for Pedestrian Navigation」, Proc. IEEE Conf. Control Applications (CCA01), IEEE Control Systems Soc., Piscataway, N.J., 2001, pp.1152-1155.）などが知られている。

データ集計プログラム２００の実行は、所定の時間間隔毎に、運動頻度、平均温度、運動強度、歩行数を求め、図１０に示すように、所定の時間間隔毎の集計データを生成し、記録装置１１００の集計データテーブル２５０へ蓄積する（ステップＳ１８）。図１０は、集計データテーブル２５０のフォーマットを示す説明図で、腕輪型センサノード１の装着者（生活パターン分類システムの利用者）の識別子を格納するユーザＩＤ２５１と、センシングデータに含まれる腕輪型センサノード１の識別子を格納するセンサデータＩＤ２５２と、所定の時間間隔の開始時刻（測定日時）を格納する測定日時２５３と、データ集計プログラム２００の実行により演算した平均温度を格納する温度２５４と、データ集計プログラム２００の実行により演算した運動頻度を格納する運動頻度２５５と、データ集計プログラム２００の実行により求めた運動強度を格納する運動強度２５６と、データ集計プログラム２００の実行により求めた歩行のステップ数を格納する歩行数２５７からひとつのエントリを構成する。なお、利用者の識別子は、腕輪型センサノード１の識別子に基づいて予め設定した図示しないテーブルから参照すればよい。

図１１は、サーバ１０４の睡眠分析プログラム３００で行われる処理の一例を示すフローチャートである。まず、データ集計プログラム２００の実行により集計した単位時間集計データを集計データテーブル２５０から読み込む（ステップＳ２１）。ここで、読み込む集計データの量は、例えば過去の睡眠分析プログラム３００の実行によって既に格納されている最後の睡眠の終了時刻以降全て、等に設定すればよい。

次に、ステップＳ２２では、睡眠分析プログラム３００の実行により読み込んだ集計データから睡眠状態であると推定される領域群を検出する。睡眠中の運動頻度は極めて低いが、睡眠中でも人体は寝返りなどの運動を行うため、運動頻度はゼロにはならない。睡眠を判定する手法はいくつか知られており、例えば、Ｃｏｌｅ法（Cole RJ,Kripke DF, Gruen W, Mullaney DJ, Gillin JC. Automatic sleep/wake identification from wrist activity. Sleep 1992; 15: 491-469）などを適用すればよい。このような手法により検出された各領域の開始時刻と終了時刻を睡眠領域の候補群として、図示しない一時ストレージ等に保持する。

次に、ステップＳ２３では、睡眠領域の候補の中で近接するもの同士を結合する。睡眠検出の手法によっては、例えば目覚まし時計を止めるために一時的に起床し、再び睡眠に入った場合でも一時的に起きた時刻で睡眠領域候補が区切れてしまう。しかし、生理活動としての睡眠は確かにそこで区切れているが、生活行動としての睡眠を考える場合そこで区切れることは望ましくない。そのため、睡眠領域候補の終了後、所定時間（例えば３０分）以内に次の睡眠領域候補が開始している場合、二つの睡眠領域候補を結合し、一つの大きな睡眠領域として扱う。このようにして睡眠領域候補群の中で結合できるものを探索し、結合する。

次に、ステップＳ２４では、睡眠領域の候補として不適合であるものを排除する。まず継続時間が所定時間（例えば１０分）以下の睡眠領域は排除する。候補群の中の最後の睡眠領域候補の終了時刻がもし睡眠分析プログラム３００の実行により読み込んだ集計データの最新測定時刻から所定時間（例では３０分）以内である場合、次回の睡眠分析プログラム３００の実行で新しく候補に挙がる睡眠領域と結合される可能性があるため、これも排除する。以上のように処理した睡眠領域候補群を睡眠領域群として確定する。

最後に確定した睡眠領域群を記録装置１１００の睡眠分析データテーブル３５０に蓄積する（ステップＳ２５）。

睡眠分析プログラム３００の実行により、所定の時間間隔毎に、睡眠領域群を求め、図１２に示すように、各睡眠領域を記録装置１１００の睡眠分析データテーブル３５０へ蓄積する。

図１２は、睡眠分析データテーブル３５０のフォーマットを示す説明図で、腕輪型センサノード１の装着者（生活パターン分類システムの利用者）の識別子を格納するユーザＩＤ３５１と、睡眠領域の開始時刻を格納する測定日時３５２と、睡眠領域の終了時刻を格納する終了時刻３５３からひとつのエントリを構成する。

図１３は、サーバ１０４の活動履歴分割プログラム４００の実行により行われる処理の一例を示すフローチャートである。まず、睡眠分析プログラム３００の実行により生成した睡眠領域データを睡眠分析データテーブル３５０から読み込む（ステップＳ３１）。ここで、読み込む睡眠分析データの範囲は、例えば過去の活動履歴分割プログラム４００の実行によって既に格納されている最後の活動履歴分割時刻以降全て、等に設定すればよい。

次に、活動履歴分割プログラム４００の実行により読み込んだ睡眠領域データからうたた寝や昼寝を除いた主睡眠だけを選別する。まず各睡眠領域の所属するカレンダー日を算出する（ステップＳ３２）。これは、睡眠領域の終了時刻が所定時刻、例えば０時から２０時までであるならば同日、２０時から２４時までであるならば次の日に所属するものとする。例えば７月２３日の１６時半に開始し２０時半に終了する睡眠領域は、７月２４日に属する。こうして算出したカレンダー日の最古のカレンダー日から最新のカレンダー日まで、各カレンダー日において最長の所属睡眠領域を導き、これらをそのカレンダー日の主睡眠とする（ステップＳ３３）。つまり、実際の睡眠領域の終了時刻をカレンダー日の主睡眠として取り扱う。例えば、７月２３日の１６時半に開始し２０時半に終了する睡眠領域が、７月２４日に属する睡眠領域の中で最長であった場合、７月２４日の主睡眠の終了時刻を、７月２３日の２０時半とする。以上で算出した主睡眠の終了時刻、即ち起床時刻を、活動履歴分割時刻群として確定し、活動履歴分割時刻テーブル４５０に格納する（ステップＳ３４）。

活動履歴分割プログラム４００の実行により、所定の時間間隔毎に、活動履歴分割時刻群を求め、図１４に示すように、各活動履歴分割時刻を活動履歴分割時刻テーブル４５０へ蓄積する。図１４は、活動履歴分割時刻テーブル４５０のフォーマットを示す説明図で、腕輪型センサノード１の装着者（生活パターン分類システムの利用者）の識別子を格納するユーザＩＤ４５１と、活動履歴分割時刻の日時を格納する分割時刻４５２からひとつのエントリを構成する。

図１５は、サーバ１０４の日特徴量抽出プログラム５００の実行により行われる処理の一例を示すフローチャートである。まず、活動履歴分割プログラム４００の実行により生成した活動履歴分割時刻データを活動履歴分割時刻テーブル４５０から読み込む（ステップＳ４１）ここで、読み込む活動履歴分割時刻データの範囲は、例えば過去の日特徴量抽出プログラム５００の実行によって既に格納されている最後の日特徴量ベクトルデータの代表時刻以降全て、等に設定すればよい。またステップ４１で読み込んだ全ての活動履歴分割時刻を「未処理」として初期化する。

次に、ステップＳ４２では、ステップＳ４１で読み込んだ活動履歴分割時刻群の中でまだ未処理のものがあるかどうか判断し、ない場合は実行を終了する。未処理の時刻がある場合はこれを次のステップＳ４２１以降で処理する。

ステップＳ４２１では、未処理の活動履歴分割時刻のうち任意の一つを期間開始時刻として選択し、この期間開始時刻の次の活動履歴分割時刻にあたる時刻を検索し、期間終了時刻として選択する。次に、この期間開始時刻と期間終了時刻で区切られる期間（一日）に関してデータ集計プログラム２００の実行により集計された集計データを集計データテーブル２５０から取得する。

ステップＳ４２２では、取得された対象期間から就寝時刻を検出する。対象期間の終了時刻は睡眠分析データテーブル３５０に含まれるどれかの睡眠領域の終了時刻（即ち起床時刻）であることが保障されているため、睡眠領域を検索し、これの開始時刻を就寝時刻として確定する。

ステップＳ４２３では、取得された期間集計データから外出時刻を検出する。ここでは簡易的な方法として、起床後初の５分以上の歩行を外出とみなす例を挙げる。即ち、取得された期間集計データの中から歩行数が１以上である単位時間が５回以上連続で続く領域を探索し、この開始時刻を外出時刻と確定する。

ステップＳ４２４では、取得された期間集計データから帰宅時刻を検出する。ここでは簡易的な例として、就寝前の最後の５分以上の歩行を帰宅とみなす例を挙げる。即ち、取得された期間集計データの中から歩行数が１以上である単位時間が５回以上連続で続く領域の中で、就寝時刻前の最後のものを探索し、これの終了時刻を帰宅時刻として確定する。

ステップＳ４２５では、取得された期間集計データから総歩数を算出する。これは、取得された期間集計データの歩行数を積算し、総歩数として確定する。

ステップＳ４２６では、取得された期間集計データから外出中の活動量を算出する。これは、取得された外出時刻から取得された帰宅時刻までの領域の集計データの、運動頻度の平均を外出中の活動量として確定する。

ステップＳ４２７では、取得された期間集計データから外出時間割合を算出する。まず期間開始時刻（即ち起床時刻）から就寝時刻までの経過時間を覚醒時間とし、外出時刻から帰宅時刻までの経過時間を外出時間とし、（外出時間／覚醒時間）を外出時間割合として確定する。

ステップＳ４２８では、図１６に示すように、以上算出した一日に関する指標を特徴量ベクトルとして日特徴量テーブル５５０へ蓄積する。

図１６は、日特徴量テーブル５５０のフォーマットを示す説明図で、腕輪型センサノード１の装着者（生活パターン分類システムの利用者）の識別子を格納するユーザＩＤ５５１と、一日の開始時刻を格納する分割時刻５５２と、分割時刻と同じ時刻を格納する起床時刻５５３と、検出した就寝時刻を格納する就寝時刻５５４と、検出した外出時刻を格納する外出時刻５５５と、検出した帰宅時刻を格納する帰宅時刻５５６と、一日の中の総歩数を格納する総歩数５５７と、外出中の運動頻度の平均値を格納する外出中活動量５５８と、覚醒期間中の外出時間の割合を表す外出時間割合５５９と、分割時刻に対応する日クラスタの識別子を格納する日クラスタＩＤ５６０からひとつのエントリを構成する。対応する日クラスタＩＤ５６０は、日特徴量抽出プログラム５００の実行時には空欄で初期化され、後述の日クラスタ割り当てプログラム７００の実行により更新される。

図１７は、サーバ１０４の日クラスタ生成プログラム６００の実行により行われる処理の一例を示すフローチャートである。まず、日特徴量ベクトル生成部５００が生成した全利用者の全日特徴量ベクトルデータを日特徴量テーブル５５０から読み込む（ステップＳ５１）。ここで取得した各データは（起床時刻、就寝時刻、外出時刻、帰宅時刻、総歩数、外出中活動量、外出時間割合）の７次元で表されるベクトルである。

ステップＳ５２では、取得した日特徴量ベクトル群をクラスタリング手法の利用により、グループ化する。生成された各グループを日クラスタと呼び、一つの日クラスタは全利用者の生活の中で頻出する日（特定時刻で区切られた期間）、すなわち「よくある日」を表す。また、日特徴量ベクトルのパラメータとして、起床時刻、就寝時刻、外出時刻、帰宅時刻、総歩数、外出中活動量、外出時間割合のすべてを用いる必要はなく、重み付けを行うことも可能であり、少なくとも何れか１つを用いるようにしてもよい。なお、日特徴量ベクトル群のクラスタリングは一般的な非階層型クラスタリング手法、例えばk-means法、ファジィＣ平均法やエントロピー法などを適用すれば良い。

ステップＳ５３では、算出した各日クラスタの代表値を算出する。日クラスタの代表値とはグループに含まれる全ての日特徴量ベクトルの平均値であるベクトルを指す。図７には、日特徴量ベクトルが起床時刻と総歩数の２パラメータによってのみ表されている例を図示している。黒点は一人の利用者の一日を表す日特徴量ベクトルで、これが全利用者分全日分表示されている。ここでは日特徴量ベクトルが３グループに分類できる例を示し、各日クラスタの代表値が×で表されている。ステップＳ５４では、図１８に示すように、各日クラスタの代表値を日クラスタテーブル６５０へ蓄積する。

図１８は、日クラスタテーブル６５０のフォーマットを示す説明図で、日クラスタを識別する識別子を格納する日クラスタＩＤ６５１と、代表値の起床時刻を格納する起床時刻６５２と、代表値の就寝時刻を格納する就寝時刻６５３と、代表値の外出時刻を格納する外出時刻６５４と、代表値の帰宅時刻を格納する帰宅時刻６５５と、代表値の総歩数を格納する総歩数６５６と、代表値の外出中活動量を格納する外出中活動量６５７と、代表値の外出時間割合を格納する外出時間割合６５８からひとつのエントリを構成する。日クラスタを識別する識別子は、各日クラスタを識別できる固有の値なら何でもよく、例えば図示しない「未使用ＩＤ」リストを保持し、テーブルに格納する際ここから選択し、リストから消去することで確定すれば良い。

図１９は、サーバ１０４の日クラスタ割り当てプログラム７００の実行により行われる処理の一例を示すフローチャートである。まず、日特徴量ベクトル生成部５００が生成した全利用者の全日特徴量ベクトルデータを日特徴量テーブル５５０から読み込む（ステップＳ６１）。

ステップＳ６２では、取得した日特徴量ベクトル群で、未だ日クラスタを割り当てていないものが存在しない場合、日クラスタ割り当てプログラム７００の実行を終了する。それ以外の場合は各未処理の日特徴量ベクトルに対し、以降のステップを行う。

ステップＳ６２１では、未処理の日特徴量ベクトルを選択し、これに最適な日クラスタを割り当てる。日特徴量ベクトルに対して最適な日クラスタは、生成した日クラスタ群の中で代表値とのユークリッド距離が最短のものを探索することにより確定する。

ステップＳ６２２では、確定した最適日クラスタの識別子を日特徴量ベクトルテーブル５５０における日特徴量ベクトルの日クラスタＩＤ５６０に格納する。

図２０は、サーバ１０４の生活パターン抽出プログラム８００の実行により行われる処理の一例を示すフローチャートである。

ステップＳ７１では、生活パターンを抽出していない利用者が存在しない場合、生活パターン抽出プログラム８００の実行を終了する。それ以外の場合は各未処理の利用者に対し、以降のステップを行う。

ステップＳ７１１では、未処理の利用者を選択し、この利用者に対し算出した全ての日特徴量ベクトルと、それらに対する日クラスタの対応付け、即ち日特徴量テーブル５５０に含まれる分割時刻５５２と日クラスタＩＤ５６０のペアを、分割時刻でソートされた時系列的な羅列として取得する。この羅列に関して特徴量を算出することで、この利用者の生活パターンを特徴量化する。

ステップＳ７１２では、この利用者の生活の中で特に頻出する日クラスタ（コアクラスタ）の数を算出する。まず取得した日クラスタの羅列から、各日クラスタの出現頻度を算出し、出現頻度が所定の割合（例えば10%）以上の日クラスタの数を、この利用者の『コアクラスタ数』として確定する。コアクラスタ数は、その人の生活の過ごし方の「多様性」を表す指標として有効である。

ステップＳ７１３では、平日に出現する日クラスタ数と週末に出現する日クラスタ数の比を算出する。まず取得した日クラスタの羅列から平日のみのエントリを取得し、これから各日クラスタの出現頻度を算出する。この中で出現頻度が所定の割合（例えば5%）以上の日クラスタ数を、この利用者の平日クラスタ数として確定する。更に、取得した日クラスタの羅列から週末のみのエントリを取得し、これから各日クラスタの出現頻度を算出する。この中で出現頻度が所定の割合以上の日クラスタ数を、この利用者の週末クラスタ数として確定する。最後に（平日クラスタ数／週末クラスタ数）をこの利用者の『平日週末クラスタ比』として確定する。この時、週末での出現頻度が所定の割合以上である日クラスタの数を週末クラスタ数とするのではなく、例えば各日クラスタのうち、週末での出現頻度が有意に高い日クラスタを統計的検定手法で算出し、これに該当する日クラスタの数を週末クラスタ数としても良い。ここで統計的検定手法とは、例えば母比率の区間推定を用いて、週末での出現頻度が2/7より有意に高いということを示しても良い。また、「週末」と「平日」を比較するのではなく、利用者が指定した休日や予め入力した法定休日の日にちを図示しないテーブルに保管し、これを読みだすことで日クラスタを「通常の日」と「休日」における出現頻度の特徴から「通常日クラスタ」と「休日クラスタ」に分類し、「通常日」と「休日」の比較を算出しても良い。何れの場合も、平日週末クラスタ比は、仕事のある日とプライベートの日の多様性の違いを把握することで、対象者のプライベートに対する意識を知るために有効な指標である。

ステップＳ７１４では、次の日に同一の日クラスタに遷移する確率が高い日クラスタの数を算出する。取得した日クラスタの羅列から、各日クラスタの、出現の次の日が再び同じ日クラスタであった回数を数え、これを算出した日クラスタの出現頻度で割ることで、各日クラスタが次の日自分自身に戻る確率を算出する。この確率が所定閾値（例えば50%）以上である日クラスタの数を、この利用者の『対角クラスタ数』として確定する。対角クラスタ数は、生活の過ごし方の「単調さ」を測るための指標として有効である。この時、次の日に同じ日クラスタが出現する回数を数えるのではなく、次の２日間、または任意の日数以内に同じ日クラスタが出現する回数を数えるのでも良い。

ステップＳ７１５では、図２１に示すように、以上算出した利用者の生活パターンに関する指標群を生活パターンとして生活パターンテーブル８５０へ蓄積する。

図２１は、生活パターンテーブル８５０のフォーマットを示す説明図で、腕輪型センサノード１の装着者（生活パターン分類システムの利用者）の識別子を格納するユーザＩＤ８５１と、生活の中で頻出する日クラスタの数を格納するコアクラスタ数８５２と、平日と週末のクラスタ数の比を格納する平日週末クラスタ比８５３と、自分自身に戻る確率が高い日クラスタの数を格納する対角クラスタ数８５４と、この利用者に割り当てられた生活パターンセグメントの識別子を格納する生活パターンセグメントＩＤ８５５からひとつのエントリを構成する。生活パターンセグメントＩＤ８５５は、生活パターン抽出プログラム８００の実行時には空欄で初期化され、後述の生活パターンセグメント割り当てプログラム１０００の実行により更新される。

以上の説明においては、生活パターンを「コアクラスタ数」「平日週末クラスタ比」「対角クラスタ数」の３指標を用いて表す例を示した。しかしこれ以外の、日クラスタの羅列を用いて算出できる生活パターンの特徴を捉える指標を用いても良い。

例えば、各日クラスタにつき、その日クラスタが属する日の日特徴量ベクトルを全て取得し、該日クラスタの中心ベクトルと、各日特徴量ベクトルのユークリッド距離を算出し、全ての距離を平均化したものを、該日クラスタの「クラスタ密度」として算出し、上記取得した全日クラスタのクラスタ密度の平均を、『クラスタ密度平均』として、生活パターンテーブル８５０内の図示しないフィールドに格納しても良い。クラスタ密度平均は、対象者の生活の不規則さを表す一つの指標として有効である。

また、上記で例示した平日クラスタ数、週末クラスタ数を、『平日クラスタ数』、『週末クラスタ数』として、生活パターンテーブル８５０内の図示しないフィールドに格納しても良い。

また、各日クラスタの各曜日における出現頻度を算出し、上記した統計的検定手法を用いて、該日クラスタが有意に高い頻度で出現する曜日を算出し、これを「曜日固有日クラスタ」とし、全日クラスタの中で曜日固有日クラスタの数を『曜日クラスタ数』として、生活パターンテーブル８５０内の図示しないフィールドに格納しても良い。曜日クラスタ数は、対象者が「週」にしばられた生活を送っている度合いを見る事に有効な指標である。

また、各日クラスタを出現頻度の多い順に並べ、上位８０％を占める日クラスタの数を『トップ８０％日クラスタ数』として、生活パターンテーブル８５０内の図示しないフィールドに格納しても良い。トップ８０％日クラスタ数は、対象の生活の多様性を表す指標として有効である。

また、各日クラスタの出現頻度をヒストグラムとして少ない順に並べ、任意の関数（例えば指数関数y=a*b^x）をフィッティングした時のパラメータ（例えばこの場合a,b）を、『日クラスタ出現率フィッティングパラメータ』として、生活パターンテーブル８５０内の図示しないフィールドに格納しても良い。これは対象者の生活における日クラスタの出現パターンの特徴を表す一つの指標として有効である。

また、各日クラスタの組み合わせ(A,B)につき、日クラスタAが出現した次の日に日クラスタBが出現した回数を算出し、この中で頻度が特徴的である組み合わせを「特徴遷移」と呼ぶ。特徴的な組み合わせを算出する方法を以下に例示する。例えば７種類の日クラスタが存在する場合、組み合わせの数は7×7=49であるため、もし一様分布に従って日クラスタが出現するとすると各組み合わせが出現する確率は1/49である。そのため1/49よりも有意に高い、もしくは少ない頻度で出現する組み合わせを特徴的な組み合わせと呼ぶことができる。更に、以上のように算出した特徴遷移の数を『特徴遷移数』として生活パターンテーブル８５０内の図示しないフィールドに格納しても良い。特徴遷移数は、該対象者の生活における「日の繋がり方の規則性」を表す指標として有効である。例えば「遅く寝た日の次の日は寝坊する」といったルールが生活に沢山存在している人の場合、特徴遷移数は高い値になる。

また、各日クラスタの組み合わせにつき出現頻度が所定の値以上であるものだけを「有効遷移」として採用し、日クラスタをノードとし、有効遷移をエッジとして表す状態遷移図を「日クラスタ遷移グラフ」として算出する。この時、ある日クラスタAから別の日クラスタBに到達するまでに経由する遷移の数を日クラスタAから日クラスタBまでの到達ステップ数とした場合、全ての日クラスタ組み合わせの到達ステップ数のうち最大のものを『グラフ直径』として生活パターンテーブル８５０内の図示しないフィールドに格納しても良い。グラフ直径は、該対象者の生活の多様性を表す一つの指標として有効である。

また、各日クラスタにつき、1から任意の最大値（例えば100）までの間の値をτとして自己相関R(τ)を算出する。例えばτ=7の時に日クラスタAの自己相関を算出するには、全日クラスタ羅列を、自分自身を7日間未来にずらした羅列と比較し、両方の羅列が日クラスタAとなる回数を算出し、また全日クラスタ羅列に出現する日クラスタAの数を算出し、前者から後者を割ったものを自己相関として確定する。更に、各τにつき自己相関を算出した後最大の値が所定の値以上（例えば0.3）である日クラスタを、「周期的日クラスタ」として確定する。更に、全ての日クラスタの中で「周期的日クラスタ」である数を『周期的日クラスタ数』として生活パターンテーブル８５０内の図示しないフィールドに格納しても良い。また、全ての日の中で「周期的日クラスタ」に属する日の割合を『周期性割合』としてとして生活パターンテーブル８５０内の図示しないフィールドに格納しても良い。この二つの値は、生活の周期性を表す指標として有効である。

また、１から任意の最大値（例えば１００）までの間の値をτとして、日クラスタ羅列の自己相関R(τ)を算出する。例えばτ＝７の時に自己相関を算出するには、全日クラスタ羅列を、自分自身を7日間未来にずらした羅列と比較し、両方の羅列の日クラスタが一致する割合を自己相関として確定する。更に、各τにつき自己相関を算出した後の最大の値を『最大自己相関』として生活パターンテーブル８５０内の図示しないフィールドに格納しても良い。また最小の自己相関値を『最小自己相関』として生活パターンテーブル８５０内の図示しないフィールドに格納しても良い。またτ＝７の自己相関値を『自己相関(w=7)』として生活パターンテーブル８５０内の図示しないフィールドに格納しても良い。これらの指標は、生活の周期性を表す指標として有効である。

また、日クラスタ羅列をマルコフプロセスとして扱うことで、隣り合う日クラスタの出現パターンのエントロピーを算出する。即ち、全ての日クラスタの組み合わせ(A,B)につき、Aの出現した日の次のうちBが次に出現した事例の割合を算出し、Pa(b)として確定する。更に、各日クラスタAが出現する割合P(a)を算出し、エントロピー H(S)=-Σ[a].p(a)*(Σ[b].(Pa(b)*log Pa(b) )を算出し、『連続性エントロピー』として生活パターンテーブル８５０内の図示しないフィールドに格納しても良い。これは、対象者の生活において、ある日の過ごし方が前日の過ごし方のみに依存している度合を表すために有効であり、生活の規則性を定量化する一つの指標である。

図２２は、サーバ１０４の生活パターンセグメント生成プログラム９００の実行により行われる処理の一例を示すフローチャートである。まず、生活パターン抽出プログラム８００の実行により生成した全利用者の生活パターンベクトルを生活パターンテーブル８５０から読み込む（ステップＳ８１）。ここで取得した各データは（コアクラスタ数、平日週末クラスタ比、対角クラスタ数）の３次元で表されるベクトルである。また、この３指標だけではなく、上記した生活パターン指標の何れか、もしくは全てを用いても良い。

ステップＳ８２では、取得した生活パターンベクトル群をクラスタリング手法の利用により、グループ化する。生成された各グループを生活パターンセグメントと呼び、一つの生活パターンセグメントは全利用者の中で頻出する生活、すなわち「よくある生活」を表す。また、生活パターンベクトルのパラメータとして、コアクラスタ数、平日週末クラスタ比、対角クラスタ数のすべてを用いる必要はなく、重み付けを行うことも可能であり、少なくとも何れか１つを用いるようにしてもよい。なお、生活パターンベクトル群のクラスタリングは一般的な非階層型クラスタリング手法、例えばk-means法、ファジィＣ平均法やエントロピー法などを適用すれば良い。

ステップＳ８３では、算出した各生活パターンセグメントの代表値を算出する。生活パターンセグメントの代表値とはセグメントに含まれる全ての生活パターンベクトルの平均値であるベクトルを指す。図３１には、生活パターンベクトルがコアクラスタ数と平日週末クラスタ比の２パラメータによってのみ表されている例を図示している。黒点は一人の利用者を表す生活パターンベクトルで、これが全利用者分表示されている。ここでは生活パターンベクトルが３セグメントに分類できる例を示し、各生活パターンセグメントの代表値が×で表されている。

ステップＳ８４では、図２３に示すように、各日クラスタの代表値を生活パターンセグメントテーブル９５０へ蓄積する。

図２３は、生活パターンセグメントテーブル９５０のフォーマットを示す説明図で、固有の生活パターンセグメントを識別する生活パターンセグメントＩＤ９５１と、生活パターンセグメントの代表値のコアクラスタ数を格納するコアクラスタ数９５２と、生活パターンセグメントの代表値の平日週末クラスタ比を格納する平日週末クラスタ比９５３と、生活パターンセグメントの代表値の対角クラスタ数を格納する対角クラスタ数９５４からひとつのエントリを構成する。生活パターンセグメントを識別する識別子は、各生活パターンセグメントを識別できる固有の値なら何でもよく、例えば図示しない「未使用ＩＤ」リストを保持し、テーブルに格納する際ここから選択し、リストから消去することで確定すれば良い。

図２４は、サーバ１０４の生活パターンセグメント割り当てプログラム１０００の実行により行われる処理の一例を示すフローチャートである。まず、生活パターン抽出プログラム８００の実行により生成した全利用者の生活パターンデータを生活パターンテーブル８５０から読み込む（ステップＳ９１）。

ステップＳ９２では、取得した生活パターンベクトル群で、生活パターンセグメントを割り当てていない利用者が存在しない場合、生活パターンセグメント割り当てプログラム１０００の実行を終了する。それ以外の場合は各未処理の利用者の生活パターンベクトルに対し、以降のステップを行う。

ステップＳ９２１では、未処理の利用者の生活パターンベクトルを選択し、これに最適な生活パターンセグメントを割り当てる。生活パターンベクトルに対して最適な生活パターンセグメントは、生成した生活パターンセグメント群の中の、代表値とのユークリッド距離が最短のものを探索することにより確定する。

ステップＳ９２２では、確定した最適生活パターンセグメントの識別子を生活パターンテーブル８５０における生活パターンベクトルの生活パターンセグメントＩＤ８５５に格納する。

図２５は、クライアント計算機１０３の表示装置１０３１に表示される生活パターン分類モニタ画面１３００の画面イメージである。サーバ１０４は、クライアント計算機１０３からの表示要求を受け付けて、生活パターン分類モニタ画面１３００を表示させる。なお、クライアント計算機１０３で稼動するアプリケーションとしては、ブラウザを採用することができる。

生活パターン分類モニタ画面１３００は、生活パターンセグメントデータ９５０の生活パターンセグメントＩＤ９５１とコアクラスタ数９５２と平日週末クラスタ比９５３と対角クラスタ数９５４を表示するテキスト表示１３０１と、各生活パターンセグメントに含まれる利用者の識別子を表示するテキスト表示１３０２と、利用者の日クラスタ遷移図を表示する遷移表示部１３０３を備える。

日クラスタ遷移図は、利用者の各日に対して日クラスタ割り当てプログラム７００の実行により割り当てた日クラスタ群から生成されており、利用者の生活の中で所定の割合以上出現する日クラスタが円と円内に表示される日クラスタ識別子により表示する。また、各日クラスタを表す円は、利用者の生活の中で出現する割合に応じて円の大小と背景の濃淡が決定されており、また利用者の生活の中で、ある日クラスタＡの次の日に日クラスタＢに遷移する確率が所定の閾値以上の場合、日クラスタＡから日クラスタＢに矢印が表示されており、またこの矢印の太さは遷移確率に比例して太くされている。

図３２は、クライアント計算機１０３の表示装置１０３１に表示される生活パターンモニタ画面１４００の画面イメージである。サーバ１０４は、クライアント計算機１０３からの表示要求を受け付けて、生活パターンモニタ画面１４００を表示させる。なお、クライアント１０３で稼働するアプリケーションとしては、ブラウザを採用することができる。

生活パターンモニタ画面１４００は、表示する月を選択するための、図示しない表示月選択手段と、表示する利用者を選択するための、図示しない表示ユーザ選択手段を備えており、これらの選択を起因として、選択された利用者の表示月をカレンダー１４０３に表示する。このカレンダーにおいて、各日におけるこの利用者に割り当てられた日クラスタを日特徴量ベクトルテーブル５５０の日クラスタＩＤ５６０を参照することで取得し、例えば日クラスタを表す識別子（A,B,C…）を表示しても良い。この識別子は、日クラスタが生成された時にランダムの文字列を割り当てたものでも良い。または日クラスタが生成された順番で数字（1,2,3…）またはアルファベット（A,B,C…）が割り当てられたものでも良い。または利用者自らが、図示しない日クラスタ名称入力画面により自ら割り当てた日クラスタの名称を表示しても良い。または利用者が自らが、図示しない日クラスタ背景色選択画面により設定した日クラスタの表示色を、日の背景色として表示しても良い。このように、一人の利用者に対して割り当てられた日クラスタをカレンダーで表示することにより、利用者本人もしくは第三者にとって日クラスタの意味を理解しやすいものとして提示できる。即ち、例えば図３２の例では日クラスタ「B」が土曜や日曜に多く出現していることから、休日の過ごし方を表すものとして理解しやすくなる。またカレンダーではなく、日付と、その日クラスタを縦にリスト表示しても良い。

次に、ここで示した本実施例がいかにして前述の課題を解決しているかを示す。図２６(ａ)で図示されるユーザ１とユーザ２の二人を利用して「起床時刻」「外出時刻」「帰宅時刻」「就寝時刻」の４パラメータで日クラスタ群を生成すると、例えば図２６（ｂ）の「日クラスタ定義」に表されるような３つの日クラスタが生まれる。日クラスタＡはユーザ1が毎日送る日、日クラスタＢはユーザ２の平日の仕事日を示すパターン１、日クラスタＣはユーザ２の休日を示すパターン２を表す。これらの日クラスタ遷移図を利用し各ユーザの生活パターンを可視化すると、ユーザ１は日クラスタＡを毎日続ける日を送り、ユーザ２は基本的に日クラスタＢに居続け、時々日クラスタＣに移るという生活パターンを持つということが見えてくる。すなわち、ユーザ１とユーザ２の生活パターンを明確に区別することができる。更に各ユーザに対して「コアクラスタ」などのパラメータを算出すると、二つのユーザの生活パターンの違いを定量化でき、最終的な分類にも反映できる。

本実施例では、利用者の運動状態を腕輪型センサノード１の加速度センサで測定してサーバ１０４に格納し、測定した運動状態を解析して、利用者群の生活の中に頻出する一日を抽出し、これの遷移や分布を特徴量化することで個々の利用者の生活パターンを表す指標を抽出し、抽出した生活パターン特徴量により利用者の分類を生成することで、利用者の生活の中の多様な日々の過ごし方に対応した生活パターンによる分類を行うことが出来る。

なお、上記実施形態では、生活パターン分類システムとして利用者（人体）の運動状態を検出するために、腕輪型センサノード１の加速度センサを用いた例を示したが、人体の運動状態を検知可能な生体情報であればよく、例えば、脈拍や歩数などを用いることができ、あるいは、これらの複数の生体情報の組合せから人体の運動状態を検知しても良い。また、生体情報だけではなく、人体の位置をＧＰＳや携帯端末等の位置情報を用いるようにしても良い。

また本発明では、加速度センサのデータだけではなく、センサの利用履歴（例えば通信状態や電池残量の履歴）から、ユーザがセンサのデータを残すために必要な通信や充電などの行動（記録行動と呼ぶ）の時間をパラメータとして、生活パターンを定量化し、センサの記録行動を促す通知をユーザに発信することも可能である。例えば、図３３に示されるように、腕時計型センサノード１を1年間利用した各ユーザの週毎の最大データ蓄積数のばらつきと、データ欠損数は有意に相関していることから、ユーザが規則正しい記録行動をとった場合に、センサの利用効率が高まる。そこで、センサの利用履歴をもとに生成される生活パターンの結果をもとに、規則正しい記録行動の状態から逸脱する傾向が現れた際に、ユーザに通知することができる。

本発明を適用する第２の実施例として、人（利用者）に装着したセンサによって測定したセンシングデータから生活パターン特徴量を算出し、別の入力手段により取得した属性情報（例えば性別）を用いて属性情報判別機を生成し、属性情報が不明な利用者の生活パターンからその利用者の属性を判別する、属性情報推定システムを示す。尚、本実施例の説明においては第１の実施例と異なる箇所のみの説明を行う。

図２７は、属性情報推定システムの構成要素を示すブロック図である。プロセッサ１０７は、記録装置１１００に記録されている各種プログラムをメモリ１０８に読み出して実行することにより各種機能を実現する。具体的には、属性情報判別プログラム１２００を実行することにより、生活パターンデータから属性情報を推定できる属性情報判別機を生成し、属性情報が不明である利用者の属性情報を推定し、属性テーブル１２５０に格納する。

なお、以下では、サーバ１０４が、属性情報判別プログラムを所定の周期（例えば、５分間）毎に実行する例を示す。

図２８は、本発明を適用する属性情報推定システムで行われるデータ処理の全体的な流れを示す図である。第１の実施例同様ステップ１から４を行う。

ステップＳ５では、サーバ１０４が属性情報判別プログラム１２００を実行して、算出した全利用者の生活パターンベクトルを取得し、同じ利用者の各属性カテゴリ（例えば「性別」、「職業」、など）の属性値（例えば「男性」、「教師」）を取得し、各属性カテゴリにつき、生活パターンベクトルを入力として属性値を出力する判別機を算出する。更に、属性値が存在しない利用者に対してこの判別機を適用することで属性値を推定し、属性テーブル１２５０に格納する。

これにより、生活パターンの情報と属性値が判明している利用者が存在していれば、属性値が不明である利用者についても属性値を推定することが可能となる。

図２９は、サーバ１０４の属性情報判別プログラム１２００の実行により行われる処理の一例を示すフローチャートである。

まず、ステップS1201では、全ての利用者の生活パターンデータを生活パターンテーブル８５０から読み込む。

次にステップS1202では、全ての利用者の、各属性カテゴリ（例：「性別」「職業」）の属性値（例：「女性」「警察官」）と、属性値の精度（例：「80%」「47%」）を取得する。属性値の精度の値は、過去の属性情報判別プログラム１２００の実行により格納された値や、別の図示しない入力手段により入力された値が含まれている。属性値の精度とは属性値の信頼性を表しており、例えば本人が入力した値の場合は100%と設定しても良い。また属性カテゴリに対して入力がなく、推定も行われていない場合は空となっており、不明値であることが分かる。

次に、ステップS1203では、各属性カテゴリ（例えば「性別」）につき、属性判別機（例えば性別判別機）を学習する。まず、該属性カテゴリの属性値が空ではない全ての利用者の生活パターンベクトルを生活パターンテーブル８５０から読み込み、該属性カテゴリの属性値を目標変数として用い、合わせて教師データとして一般的な機械学習手法で判別機を学習する。例えば(JR Quinlan, “Induction of decision trees”, Machine learning, 1986)で開示されるID3アルゴリズムを用いて決定木を学習しても良い。この時、属性値の精度を用いて、学習の際、信頼性の高いデータの影響力が高くなるよう重みづけを行っても良い。ここで学習した判別機を、該属性カテゴリの判別機として決定する。

次に、ステップS1204では、各属性カテゴリにつき、属性値が不明である利用者の属性値を推定する。該属性カテゴリの属性値が空である利用者を取得し、各利用者につき生活パターンベクトルを入力とし、上記算出した該属性カテゴリ判別機を用い、属性値を推定し、これを推定属性値として確定する。更に、該属性カテゴリ判別機が推定の精度を算出する手段を備えている場合、これを推定精度として確定する。精度の算出手段が無い場合は、任意の値（例えば50%）に設定する。更に、算出した推定属性値と推定精度を後述する属性テーブル１２５０に格納する。例えば、ある利用者の属性カテゴリ「性別」に対して算出された値が「女性」「７８%」であった場合、該利用者のレコードの「性別」フィールド１２５２と、「性別精度」フィールド１２５３にそれぞれ格納する。

図３０は、属性テーブル１２５０のフォーマットを示す説明図で、属性情報推定システムの利用者の識別子を格納するユーザID１２５１と、性別属性カテゴリの属性値を格納する性別１２５２と、性別属性カテゴリの推定精度を格納する性別精度１２５３と、職業属性カテゴリの属性値を格納する職業１２５４と、職業属性カテゴリの属性値を格納する職業精度１２５５からひとつのエントリを構成する。

本実施例では、利用者の運動状態を腕輪型センサノード１の加速度センサで測定してサーバ１０４に格納し、測定した運動状態を解析して、利用者群の生活の中に頻出する一日を抽出し、これの遷移や分布を特徴量化することで個々の利用者の生活パターンを表す指標を抽出し、抽出した生活パターン特徴量により利用者の分類を生成することで、利用者の生活の中の多様な日々の過ごし方に対応した生活パターンによる分類を行うことが出来る。

なお、上記実施形態では、生活パターン分類システムとして利用者（人体）の運動状態を検出するために、腕輪型センサノード１の加速度センサを用いた例を示したが、人体の運動状態を検知可能な生体情報であればよく、例えば、脈拍や歩数などを用いることができ、あるいは、これらの複数の生体情報の組合せから人体の運動状態を検知しても良い。また、生体情報だけではなく、人体の位置をＧＰＳや携帯端末等の位置情報を用いるようにしても良い。

本実施例では、利用者の運動状態を腕輪型センサノード１の加速度センサで測定してサーバ１０４に格納し、算出した生活パターン特徴量を用いて性別や職業等の属性値が不明の利用者に対してこれらの属性値を推定することが出来る。これにより、全ての利用者が自分の属性情報を入力しないでも、入力する利用者が存在すれば、不明な属性値を推定し、提示することが可能となる。

なお、上記実施形態では属性カテゴリを「性別」と「職業」の２カテゴリを例として挙げたが、これに限るものではなく、例えば「年代」や、「所在地」、更に「体重」等の連続値を属性カテゴリとして用いても良い。

１ センサノード
１０２ 基地局
１０３ クライアント計算機
１０４ サーバ
１０５ ネットワーク
１０６ ネットワークインタフェース
１０７ プロセッサ
１０８ メモリ
１０３１ 表示装置
１０３２ 入力装置
１１００ 記録装置。

Claims (16)

1. 複数の利用者それぞれに装着される端末と通信を行う基地局にネットワークを介して接続される生活パターン分類装置であって、
   上記ネットワークに接続されるネットワークインタフェースと、
   上記ネットワークインタフェースに接続されるプロセッサと、
   上記プロセッサに接続される記録装置と、を備え、
   上記プロセッサは、
   上記ネットワークインタフェースを介して、上記端末が取得するセンシングデータを受けて上記記録装置のセンシングデータテーブルに格納し、
   上記利用者それぞれの活動期間を分割するための分割時刻を決定して上記記録装置の活動履歴分割時刻テーブルに格納し、
   上記活動履歴分割時刻テーブルに格納される上記分割時刻で区切られる期間に取得された上記センシングデータから第１の特徴量を算出して、上記記録装置の特徴量テーブルに格納し、
   上記特徴量テーブルに格納される複数の上記第１の特徴量を用いてクラスタ群を生成し、上記第１の特徴量に基づいて上記分割時刻で区切られる期間に上記クラスタ群からクラスタを割り当てて上記複数の利用者それぞれに対応する上記特徴量テーブルに格納し、
   上記特徴量テーブルに格納されるクラスタから上記クラスタの出現パターンを示す第２の特徴量を算出して、上記記録装置の生活パターンテーブルに格納し、
   上記生活パターンテーブルに格納される複数の上記第２の特徴量を用いて生活パターン群を生成し、上記第２の特徴量に基づいて上記複数の利用者それぞれに上記生活パターン群から生活パターンを割り当てて上記複数の利用者それぞれに対応する上記生活パターンテーブルに格納する生活パターン分類装置。
2. 請求項１に記載の生活パターン分類装置において、
   上記センシングデータは、上記端末の加速度センサにより取得される加速度データであって、
   上記プロセッサは、
   所定時間内に上記加速度データの大きさが所定の閾値を超える回数を運動頻度として算出し、
   上記運動頻度に基づいて上記利用者が睡眠していること示す睡眠領域を検出し、
   上記睡眠領域の終了時刻と所定時刻とを比較して上記睡眠領域の属する日を決定し、かつ、上記睡眠領域が属する日の中で最も長い睡眠領域を主睡眠とし、
   上記主睡眠の終了時刻を上記分割時刻として決定する生活パターン分類装置。
3. 請求項２に記載の生活パターン分類装置において、
   上記プロセッサは、
   上記分割時刻で区切られる期間の上記主睡眠の開始時刻を検出して上記利用者の就寝時刻とし、かつ、上記主睡眠の終了時刻を検出して上記利用者の起床時刻とし、
   上記加速度データの周期的な変化に基づいて上記利用者の歩行状態を検出して上記歩行状態における上記加速度データの周期から上記利用者の歩行数を算出し、
   上記起床時刻以後で所定時間以上の上記歩行状態を検出して外出時刻を算出し、
   上記就寝時刻以前で所定時間以上の上記歩行状態を検出して帰宅時刻を算出し、
   上記外出時刻から上記帰宅時刻までの上記運動頻度の平均値を外出中活動量として算出し、
   上記起床時刻から上記就寝時刻までの経過時間と上記外出時刻から上記帰宅時刻までの経過時間から外出時間割合を算出し、
   上記起床時刻、上記就寝時刻、上記外出時刻、上記帰宅時刻、上記歩行数、上記外出中活動量、及び上記外出時間割合を、上記第１の特徴量として上記特徴量テーブルに格納する生活パターン分類装置。
4. 請求項３に記載の生活パターン分類装置において、
   上記プロセッサは、上記起床時刻、上記就寝時刻、上記外出時刻、上記帰宅時刻、上記歩行数、上記外出中活動量、及び上記外出時間割合の少なくとも何れか１つを上記第１の特徴量として用いて、上記クラスタ群を生成する生活パターン分類装置。
5. 請求項２に記載の生活パターン分類装置において、
   上記プロセッサは、
   上記特徴量テーブルに格納されるクラスタから所定の割合以上のクラスタの数をコアクラスタ数として算出し、
   上記特徴量テーブルに格納されるクラスタから、平日のクラスタ数と週末のクラスタ数の比を平日週末クラスタ比として算出し、
   上記特徴量テーブルに格納されるクラスタから、所定確率以上で同一のクラスタに遷移するクラスタ数を対角クラスタ数として算出し、
   上記コアクラスタ数、上記平日週末クラスタ比、及び上記対角クラスタ数を上記第２の特徴量として上記生活パターンテーブルに格納する生活パターン分類装置。
6. 請求項５に記載の生活パターン分類装置において、
   上記プロセッサは、上記コアクラスタ数、上記平日週末クラスタ比、及び上記対角クラスタ数の少なくとも何れか１つを上記第２の特徴量として用いて、上記生活パターン群を生成する生活パターン分類装置。
7. 請求項１に記載の生活パターン分類装置において、
   上記プロセッサは、
   上記複数の第１の特徴量に対して非階層型クラスタリング手法により上記複数の第１の特徴量を分類して上記クラスタ群を生成し、
   上記複数の第２の特徴量に対して非階層型クラスタリング手法により上記複数の第２の特徴量を分類して上記生活パターン群を生成する生活パターン分類装置。
8. 請求項１に記載の生活パターン分類装置において、
   上記プロセッサは、
   上記第１の特徴量を示すベクトルと上記クラスタ群のクラスタに含まれる第１の特徴量の平均値を示すベクトルとのユークリッド距離が最短となるクラスタを、上記第１の特徴量に対応する上記分割時刻で区切られる期間に割り当て、
   上記第２の特徴量を示すベクトルと上記生活パターン群の生活パターンに含まれる第２の特徴量の平均値を示すベクトルとのユークリッド距離が最短となる生活パターンを、上記第２の特徴量に対応する上記複数の利用者それぞれに割り当てる生活パターン分類装置。
9. 請求項１に記載の生活パターン分類装置において、
   上記プロセッサは、上記複数の利用者それぞれに割り当てられた上記生活パターンの識別子と上記複数の利用者それぞれとを対応づけて、接続される表示装置に表示する生活パターン分類装置。
10. 複数の利用者それぞれに装着される端末と、上記端末と通信を行う基地局と、上記基地局とネットワークを介して接続される生活パターン分類装置と、を備える生活パターン分類システムであって、
    上記端末は、センシングデータを取得するセンサと、上記センシングデータを処理する処理装置と、上記処理されたセンシングデータを上記基地局に送信する無線装置と、を備え、
    上記生活パターン分類装置は、上記ネットワークに接続されるネットワークインタフェースと、上記ネットワークインタフェースに接続されるプロセッサと、上記プロセッサに接続される記録装置と、を備え、
    上記プロセッサは、
    上記ネットワークインタフェースを介して、上記端末が取得するセンシングデータを受けて上記記録装置のセンシングデータテーブルに格納し、
    上記利用者それぞれの活動期間を分割するための分割時刻を決定して上記記録装置の活動履歴分割時刻テーブルに格納し、
    上記活動履歴分割時刻テーブルに格納される上記分割時刻で区切られる期間に取得された上記センシングデータから第１の特徴量を算出して、上記記録装置の特徴量テーブルに格納し、
    上記特徴量テーブルに格納される複数の上記第１の特徴量を用いてクラスタ群を生成し、上記第１の特徴量に基づいて上記分割時刻で区切られる期間に上記クラスタ群からクラスタを割り当てて上記複数の利用者それぞれに対応する上記特徴量テーブルに格納し、
    上記特徴量テーブルに格納されるクラスタから上記クラスタの出現パターンを示す第２の特徴量を算出して、上記記録装置の生活パターンテーブルに格納し、
    上記生活パターンテーブルに格納される複数の上記第２の特徴量を用いて生活パターン群を生成し、上記第２の特徴量に基づいて上記複数の利用者それぞれに上記生活パターン群から生活パターンを割り当てて上記複数の利用者それぞれに対応する上記生活パターンテーブルに格納する生活パターン分類システム。
11. 請求項１０に記載の生活パターン分類システムにおいて、
    上記センシングデータは、上記端末の加速度センサにより取得される加速度データであって、
    上記プロセッサは、
    所定時間内に上記加速度データの大きさが所定の閾値を超える回数を運動頻度として算出し、
    上記運動頻度に基づいて上記利用者が睡眠していること示す睡眠領域を検出し、
    上記睡眠領域の終了時刻と所定時刻とを比較して上記睡眠領域の属する日を決定し、かつ、上記睡眠領域が属する日の中で最も長い睡眠領域を主睡眠とし、
    上記主睡眠の終了時刻を上記分割時刻として決定する生活パターン分類システム。
12. 請求項１１に記載の生活パターン分類システムにおいて、
    上記プロセッサは、
    上記分割時刻で区切られる期間の上記主睡眠の開始時刻を検出して上記利用者の就寝時刻とし、かつ、上記主睡眠の終了時刻を検出して上記利用者の起床時刻とし、
    上記加速度データの周期的な変化に基づいて上記利用者の歩行状態を検出して上記歩行状態における上記加速度データの周期から上記利用者の歩行数を算出し、
    上記起床時刻以後で所定時間以上の上記歩行状態を検出して外出時刻を算出し、
    上記就寝時刻以前で所定時間以上の上記歩行状態を検出して帰宅時刻を算出し、
    上記外出時刻から上記帰宅時刻までの上記運動頻度の平均値を外出中活動量として算出し、
    上記起床時刻から上記就寝時刻までの経過時間と上記外出時刻から上記帰宅時刻までの経過時間から外出時間割合を算出し、
    上記起床時刻、上記就寝時刻、上記外出時刻、上記帰宅時刻、上記歩行数、上記外出中活動量、及び上記外出時間割合を、上記第１の特徴量として上記特徴量テーブルに格納する生活パターン分類システム。
13. 請求項１２に記載の生活パターン分類システムにおいて、
    上記プロセッサは、上記起床時刻、上記就寝時刻、上記外出時刻、上記帰宅時刻、上記歩行数、上記外出中活動量、及び上記外出時間割合の少なくとも何れか１つを上記第１の特徴量として用いて、上記クラスタ群を生成する生活パターン分類システム。
14. 請求項１１に記載の生活パターン分類システムにおいて、
    上記プロセッサは、
    上記特徴量テーブルに格納されるクラスタから所定の割合以上のクラスタの数をコアクラスタ数として算出し、
    上記特徴量テーブルに格納されるクラスタから、平日のクラスタ数と週末のクラスタ数の比を平日週末クラスタ比として算出し、
    上記特徴量テーブルに格納されるクラスタから、所定確率以上で同一のクラスタに遷移するクラスタ数を対角クラスタ数として算出し、
    上記コアクラスタ数、上記平日週末クラスタ比、及び上記対角クラスタ数を上記第２の特徴量として上記生活パターンテーブルに格納する生活パターン分類システム。
15. 請求項１４に記載の生活パターン分類システムにおいて、
    上記プロセッサは、上記コアクラスタ数、上記平日週末クラスタ比、及び上記対角クラスタ数の少なくとも何れか１つを上記第２の特徴量として用いて、上記生活パターン群を生成する生活パターン分類システム。
16. 請求項１０に記載の生活パターン分類システムにおいて、
    上記プロセッサは、上記複数の利用者それぞれに割り当てられた上記生活パターンの識別子と上記複数の利用者それぞれとを対応づけて、接続される表示装置に表示する生活パターン分類システム。

Images