JP5588563B2 - 情報処理システム及び情報処理方法 - Google Patents

Description

本発明は、情報処理システム及び情報処理方法に係り、特に、センサデバイスを用いて人の動きの情報を収集し、集計、表示する情報処理システム及び情報処理方法に関する。

技術の進化により、人の行動を常時モニタリングするセンシングデバイスが発達してきた。これらのデバイスでは、腕時計や名札、携帯電話などの人が身につけたり携帯できるデバイス内に、加速度や温度、音声、位置情報などのセンサを内蔵している。たとえば非特許文献１のようなセンサでは、人の日々の活動量や歩数などを測定することによって、疲労回復やダイエットなどのヘルスケアや、健康促進を管理することが狙いとなっている。
活動量としては、ゼロクロス周波数という指標が用いられる。これは、加速度計で得られる情報から、装着者が何Ｈｚの行動を行っているかを表すための指標であり、例えば歩行時には典型的には２Ｈｚ程度、ｗｅｂ閲覧などのほとんど静止しているような状態でも０．５Ｈｚ程度の周波数が見られる。算術的には、例えば加速度計のＸ軸、Ｙ軸、Ｚ軸の各軸の測定値を二乗して足し合わせ、その平方根を取ることにより得られる。この指標を、１分毎など、単位時間ごとに算出し、その１分における活動量の目安とすることができる。本明細書では以下、本定義を活動量の例として説明するが、例えば加速度の絶対値や、歩数など、活動の大きさを表し、本定義とある程度相関するような指標は同様に扱うことができる。

Ｔａｎａｋａ、「Ｌｉｆｅ Ｍｉｃｒｏｓｃｏｐｅ： Ｃｏｎｔｉｎｕｏｕｓ ｄａｉｌｙ−ａｃｔｉｖｉｔｙ ｒｅｃｏｒｄｉｎｇ ｓｙｓｔｅｍ ｗｉｔｈ ｔｉｎｙ ｗｉｒｅｌｅｓｓ ｓｅｎｓｏｒ」、Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｎｅｔｗｏｒｋｅｄ Ｓｅｎｓｉｎｇ Ｓｙｓｔｅｍｓ、２００８年６月１７日、ｐｐ．１６２−１６５ Ｎａｋａｍｕｒａ、「Ｕｎｉｖｅｒｓａｌ Ｓｃａｌｉｎｇ Ｌａｗ ｉｎ Ｈｕｍａｎ Ｂｅｈａｖｉｏｒａｌ Ｏｒｇａｎｉｚａｔｉｏｎ」、ＰＨＹＳＩＣＡＬ ＲＥＶＩＥＷ ＬＥＴＴＥＲＳ、２００７年９月２８日

デバイス等の低電力化により、データを２４時間常時計測可能になってきた。しかしながらそれにより、いくつかの課題が生じてくる。ひとつめは、データ量の問題である。２４時間、一定の周波数でセンシング情報を取得すると、それを格納する記憶容量が必要になる。たとえば３軸加速度を５０Ｈｚで単純に取得するだけで、１日２０メガバイト近い記憶容量が必要になる。複数日にわたり、かつ、複数の種類のデータを取得する場合、この数倍の容量が必要になる。できるだけ長期間取得するためには、格納するデータ量を縮小する必要がある。またセンシングデバイスで取得したデータは、無線もしくは有線通信によって、データサーバに収集される。そのため、１人分のデータ量を縮小できれば、複数人のデータを格納するデータサーバに必要なディスクを削減することも可能になる。
またデータ量の削減は、単にハードディスクデバイスの効率的な利用だけではなく、デバイスやデータセンタ間、およびその間にある基地局や中継局のデータ転送速度も向上（転送時間を短縮）させる。これにより、低電力化の効果が期待できる。

２つ目の課題は、取得したデータを装着者などのデータ利用者が閲覧する際の、表示に関する問題である。毎日２４時間で１カ月間など、まとまった期間のデータを取得する場合、すべてのデータをそのまま利用者に提供しても、利用者はデータから意味のある特徴や傾向を知ることは大変難しい。特徴を端的にとらえたデータを、データ利用者に表示することが望ましい。特に問題となるのは、データを閲覧する際に、閲覧するための機器が小さい場合である。たとえば、人の行動を腕時計型のセンシングデバイスで取得し、その結果を、腕時計自体に表示することを考える。腕時計の場合、表示できる領域が非常に狭い。高々３ｃｍ＊３ｃｍ程度の表示領域の中に、データを表示する必要がある。そのため、必然的に表示できる情報を絞り、特徴をとらえやすいデータを表示する必要がある。
従来から、分布の特徴を算術的に縮小する方法はいくつか存在する。たとえば、平均値や標準偏差が基本的な指標として用いられる。しかしこれらの指標には課題がある。
例えば平均値では、全期間における、活動量の平均値を知ることができる。しかしこれでは、期間の中での行動の分布を知ることはできない。たとえば、あるストレスや疲労を抱えた人の活動量が、１日の中で変化していたとしても、平均値にしてしまうと、それが見えなくなってしまう。一方、分布の広さを見るための指標として代表的なものは、標準偏差である。こちらは、ある事象が発生している時に、それが平均値からどれほどの広がりを持って発生しているかを表す指標である。これには別な課題がある。まずひとつは、人間の活動量が、後に示すように、必ずしも正規分布でないことである。単純に言えば、活動量が少ない状態が、活動量が高い状態よりも多い。このような分布は、標準偏差の指標では、うまく表現されない。また２つめの課題は、頻度が少ない特徴的な現象が発生していることが、見えなくなってしまうことである。

これらを解決する一つの方法は、活動量が、ある値の範囲で発生した頻度を記憶すること、いわゆるヒストグラムとして記憶することである。たとえば、活動量が０Ｈｚから５Ｈｚで分布しうる場合に、０．５Ｈｚ刻みで幅を定義し、実際の行動がどの範囲で何度生じたかを格納する。例えば、０以上０．５Ｈｚ未満が１０回、０．５Ｈｚ以上１Ｈｚ未満が１２回、１Ｈｚ以上１．５Ｈｚ未満が３回など、以下同様にして各幅での発生頻度を記録する。これは歩数など、他の指標に関しても同様にあてはまる。たとえば歩数の場合、単位時間あたりに歩いた歩数をカウントし、それをヒストグラムとして表すことができる。
ヒストグラムは、幅を細かく取れば取るほど、どのような分布で活動が発生しても、元の状態が再現されやすいという長所を持っている。しかしながら、幅を細かく取るほど、その分の情報を記憶するためのデータ量は増大する。単純には、幅を細かくして数が１０倍になれば、全体の出現頻度を記憶する容量が１０倍必要になる。
本発明は、以上の点に鑑み、センシングして取得した人の行動に関する情報を、人の行動の特徴を示す少ない情報量の情報に圧縮することを目的のひとつとする。また、本発明は、データ量の増大や、ネットワーク負荷の増大、小型デバイスへの表示などの、課題を解消することを目的のひとつとする。

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。
情報処理システムは、例えば、
センサと基地局とサーバを備え、
センサは加速度データをとってデータを基地局を介してサーバに送信し、
サーバは加速度データからゼロクロス数を求めて記録し、
サーバはゼロクロス数の頻度分布を求めて記録し、
サーバは分布の近似直線の傾き、分布の直線性、変曲点、変曲点よりも低いゼロクロス値の範囲の近似直線の傾き、変曲点よりも高いゼロクロス値の範囲の近似直線の傾き、変曲点よりも低いゼロクロス値の範囲の分布の直線性、変曲点よりも高いゼロクロス値の範囲の分布の直線性のうちの１つ以上の値を求めて記録し、
その値を上記情報システムに接続される表示装置に出力する。
また、上述の情報処理システムは、
人のストレスを聞くアンケートインタフェースを持ち、
サーバは、アンケート結果との誤差が小さくなるように、各特徴量の重みを計算して記録し、
サーバは、上記特徴量と、特徴量の重みから、ストレスを推定して記録し、
その値を上記情報システムに接続される表示装置に出力する。
本発明の第１の解決手段によると、
人の動きによる人の加速度を所定期間にわたり測定するセンサと、
測定された加速度データに基づき、人の動きの速さに関する特徴データを求める処理部と、
求められた特徴データを格納する記憶部と
を備え、
前記処理部は、
前記センサにより測定された加速度データから、予め定められた単位時間毎の動きの速さを求め、
動きの速さの複数の基準値のそれぞれについて、求められた単位時間毎の動きの速さのうち、動きの速さが該基準値以上であるものをカウントして、該動きの速さの基準値に対する累積頻度とし、
動きの速さの基準値と該基準値に対する累積頻度の対数値との分布に基づく統計データを、人の行動の特徴データとして求めて前記記憶部に格納する情報処理システムが提供される。
上述の情報処理システムにおいて、例えば、
前記動きの速さは、加速度データがゼロになった又はゼロをまたいだ回数を示すゼロクロス数であり、
前記処理部は、
前記センサにより測定された加速度データから、前記動きの速さとして予め定められた単位時間毎のゼロクロス数を求め、
ゼロクロス数の複数の基準値のそれぞれについて、求められた単位時間毎のゼロクロス数のうち、ゼロクロス数が該基準値以上であるものをカウントして、該ゼロクロス数の基準値に対する前記累積頻度とし、
ゼロクロス数の基準値と該基準値に対する前記累積頻度の対数値との分布に基づく統計データを、前記人の行動の特徴データとして求めて前記記憶部に格納する。
上述の情報処理システムにおいて、前記処理部は、例えば前記分布に対するひとつ又は複数の近似直線の傾き又は直線性を示す指標を前記特徴データとして求める。
上述の情報処理システムにおいて、前記処理部は、例えば、
ゼロクロス数の基準値と該基準値に対する累積頻度の対数値との分布を曲線又は複数の直線で近似した際の変曲点である第１特徴データと、
該変曲点よりも低いゼロクロス数の範囲の第１近似直線の傾きである第２特徴データと、
変曲点よりも高いゼロクロス数の範囲の第２近似直線の傾きである第３特徴データと、
変曲点よりも低いゼロクロス数の範囲の分布の直線性を表す指標である第４特徴データと
のうちのひとつ以上を含む前記特徴データを求めて前記記憶部に格納する。
上述の情報処理システムにおいて、前記特徴データは、前記第１乃至第４特徴データのすべてを含むことができる。
上述の情報処理システムにおいて、前記特徴データは、さらに、前記分布全体の近似直線の傾き、該分布全体の直線性、及び、前記変曲点よりも高いゼロクロス数の範囲の分布の直線性のうちのひとつ以上を含むことができる。
上述の情報処理システムにおいて、前記処理部は、
ゼロクロス数の平均値と、
該ゼロクロス数の平均値よりも低いゼロクロス数の範囲の第３近似直線の傾きと、
該ゼロクロス数の平均値よりも高いゼロクロス数の範囲の第４近似直線の傾きと、
該第３近似直線の傾きと第４近似直線の傾きの差と、
分布全体の近似直線の傾きと
のうちのひとつ以上を含む前記特徴データを求めて前記記憶部に格納してもよい。
上述の情報処理システムにおいて、前記処理部は、求められた前記特徴データを表示装置に出力することができる。
上述の情報処理システムは、
前記センサと、測定された加速度データを送信する送信部とを有するセンサノードと、
前記センサノードからの加速度データを受信する受信部と、前記処理部と、前記記憶部とを有するサーバと
で構成されることができる。
また、上述の情報処理システムは、前記センサと、前記処理部と、前記記憶部とを有するセンサノードで構成されてもよい。
上述の情報処理システムは、前記センサを複数備え、複数の前記センサは、各々の測定対象の人の加速度を測定し、
前記処理部は、
測定対象の人ごとに第１乃至第４特徴データを求め、
予め指標化された前記測定対象の人のストレス値をそれぞれ入力し、
測定対象の人それぞれについての、求められた第１乃至第４特徴データ及び該第１乃至第４特徴データのそれぞれに対する重み係数に基づき得られるストレス推定値と、入力されたストレス値との誤差の総和が小さくなるように、各重み係数を求め、
求められた各重み係数を前記記憶部に格納することができる。
上述の情報処理システムにおいて、前記処理部は、求められた第１乃至第４特徴データと、該第１乃至第４特徴データのそれぞれに対する重み係数とに基づき得られるストレス推定値を求め、前記記憶部に格納することができる。

本発明の第２の解決手段によると、
人の動きによる人の加速度を所定期間にわたり測定するセンサと、
測定された加速度データに基づき、人の動きの速さに関する特徴データを求める処理部と、
求められた特徴データを格納する記憶部と
を備え、
前記処理部は、
前記センサにより測定された加速度データから、予め定められた単位時間毎の動きの速さを求め、
単位時間毎の動きの速さが、予め定められた閾値を超えているか否かにより、該時間において活性状態か非活性状態かをそれぞれ判定し、
活性状態の継続時間及び／又は非活性状態の継続時間を時系列順に求め、
継続時間の複数の基準値のそれぞれについて、求められた活性状態の継続時間及び／又は非活性状態の継続時間のうち、継続時間が該基準値以上であるものをカウントして、該継続時間の基準値に対する累積頻度とし、
継続時間の基準値と該基準値に対する累積頻度の対数値との分布に基づく統計データを、人の行動の特徴データとして求めて前記記憶部に格納する情報処理システムが提供される。
上述の情報処理システムにおいて、前記動きの速さは、例えば加速度データがゼロになった又はゼロをまたいだ回数を示すゼロクロス数である。
上述の情報処理システムにおいて、前記処理部は、例えば前記分布に対するひとつ又は複数の近似直線の傾き又は直線性を示す指標を前記特徴データとして求める。
上述の情報処理システムにおいて、前記処理部は、例えば、
継続時間の基準値と該基準値に対する累積頻度の対数値との分布を曲線又は複数の直線で近似した際の変曲点である第１特徴データと、
該変曲点よりも低い継続時間の範囲の第１近似直線の傾きである第２特徴データと、
変曲点よりも高い継続時間の範囲の第２近似直線の傾きである第３特徴データと、
変曲点よりも低い継続時間の範囲の分布の直線性を表す指標である第４特徴データと、
継続時間の平均値である第５特徴データと、
該継続時間の平均値よりも低い継続時間の範囲の第３近似直線の傾きである第６特徴データと、
該継続時間の平均値よりも高い継続時間の範囲の第４近似直線の傾きである第７特徴データと
のうちのひとつ以上を含む前記特徴データを求めて前記記憶部に格納する。
上述の情報処理システムにおいて、前記特徴データは、さらに、第３近似直線の傾きと第４近似直線の傾きの差、及び、前記分布の全体の直線性を表す指標のうちのひとつ以上を含むことができる。

本発明の第３の解決手段によると、
処理部が、人の動きによる人の加速度を所定期間にわたり測定するセンサにより測定された加速度データから、予め定められた単位時間毎の動きの速さを求め、
処理部が、動きの速さの複数の基準値のそれぞれについて、求められた単位時間毎の動きの速さのうち、動きの速さが該基準値以上であるものをカウントして、該動きの速さの基準値に対する累積頻度とし、
処理部が、動きの速さの基準値と該基準値に対する累積頻度の対数値との分布に基づく統計データを、人の行動の特徴データとして求めて記憶部に格納する情報処理方法が提供される。

本発明の第４の解決手段によると、
処理部が、人の動きによる人の加速度を所定期間にわたり測定するセンサにより測定された加速度データから、予め定められた単位時間毎の動きの速さを求め、
処理部が、単位時間毎の動きの速さが、予め定められた閾値を超えているか否かにより、該時間において活性状態か非活性状態かをそれぞれ判定し、
処理部が、活性状態の継続時間及び／又は非活性状態の継続時間を時系列順に求め、
処理部が、継続時間の複数の基準値のそれぞれについて、求められた活性状態の継続時間及び／又は非活性状態の継続時間のうち、継続時間が該基準値以上であるものをカウントして、該継続時間の基準値に対する累積頻度とし、
処理部が、継続時間の基準値と該基準値に対する累積頻度の対数値との分布に基づく統計データを、人の行動の特徴データとして求めて記憶部に格納する情報処理方法が提供される。

本発明によると、センシングして取得した人の行動に関する情報を、人の行動の特徴を示す少ない情報量の情報に圧縮することができる。これにより、データ量の増大や、ネットワーク負荷の増大、小型デバイスへの表示などの、現在の課題を解消することができる。

実施例１のシステム全体の構成の例である。 実施例１のセンシングデータを格納するテーブルの構成の例である。 実施例１の個人情報テーブルの例である。 実施例１の活性リストの例である。 実施例１の行動解析データテーブルの例である。 実施例１の作業者の活性度を計算するフローの例である。 実施例１の作業者のゼロクロス値の例である。 実施例１の作業者のゼロクロス値の累積頻度分布の例である。 実施例１の作業者の１時間毎のゼロクロス値の累積分布の例である。 実施例１の作業者の３時間毎、および、１日のゼロクロス値の累積分布の例である。 実施例１の作業者の３日間、および、２週間のゼロクロス値の累積分布の例である。 実施例１の１２人の作業者のゼロクロス値の累積分布の例である。 実施例１の作業者のゼロクロス値の累積分布の例である。 実施例１の作業者のゼロクロス値の分布の特徴を計算するフローの例である。 実施例１の作業者のゼロクロス値の累積分布の例である。 実施例１の作業者のゼロクロス値の累積分布の変曲点を計算するフローの例である。 実施例１の作業者のゼロクロス値の累積分布の例である。 実施例１のストレスの推定結果の例である。 実施例１の作業者のストレス値を推定するフローの例である。 実施例１の作業者のストレス値を推定するフローの例である。 実施例１の作業者へ情報フィードバックの例である。 センサノード上で特徴計算やストレス推定を行うシステムの全体構成の例である。 行動継続度の特徴を計算してストレス推定を行うシステムの全体構成の例である。 行動継続度の特徴を計算するフローの例である。 行動解析データを計算するフローの例である。 ストレスの高い作業者と低い作業者の行動継続度の累積分布の例である。

以下、本発明の実施の形態を図面を参照しながら詳細に説明する。なお、同一符号を付した構成要素は、同一または類似の構成を示すものである。
１．実施例１
図１に、第１の実施例のシステム構成を示す。
本情報処理システムは、例えば、センサノードＳＮ０と、基地局ＢＳ１と、管理サーバＳＶ１とを備える。また、位置特定デバイスＰＯＳ１、表示装置ＤＩＳＰ１、クレードルＣＲＤＬ１をさらに備えてもよい。
作業者（ユーザ、センサノードの装着者）Ｗ１は、各種センサが搭載されたセンサノードＳＮ０を保持する。複数のセンサノードを保持しても良い。センサノードＳＮ０は、プロセッサＣＰＵ０と、アンテナＡＮＴ０を備えた無線回路ＲＦ０と、音・加速度・温度・湿度・照度・赤外線・色・ＲＦＩＤなどを測定する各種センサや人感センサなどのセンサＳＮＳ０と、センシングプログラムやデータ処理プログラムを格納するメモリＭＥＭ０と、ボタンなどの入力装置ＩＮ０、ＬＣＤ・ＬＥＤ・ブザーなどの出力装置ＯＵＴ０とを有する。
センサノードＳＮ０は、プロセッサＣＰＵがセンシングプログラムを実行することにより、所定のサンプリング周期（例えば０．０５秒等）で、各種センサからセンシングデータを取得する。そして、取得したセンシングデータにセンサノードを特定する識別子とタイムスタンプ等を付与して基地局デバイスへ送信する。
センサノードＳＮ０は様々な形状で実現可能である。特に腕輪など体に直接装着させる形状にした場合、赤外線を体の内部に向かって照射し、その反射をセンシングすることによって、脈拍数がわかることが知られている。これは、血液が赤外線を吸収するため、反射から血流量の変化が推測できる性質を利用している。また、名札型センサノードのように、衣服よりも外に装着する形状にした場合、赤外線を外部に向かって照射する機能と、外部からの赤外線を受信する機能を持たせることによって、その名札を付けている人同士の対面を検出することができることが知られている。つまり、作業者Ｗ１と別な作業者Ｗ２が二人とも名札型のセンサノードＳＮ０を装着して対面した場合、赤外線通信により、互いの識別子を送受信する。なお、センサノードの制御の詳細は、非特許文献１や非特許文献２と同様にすることができる。
センサノードＳＮ０でセンシングした情報は無線通信によって直接、もしくは、中継機を介して、基地局デバイスＢＳ１に送られる。もしくは、データ収集用の充電器としての機能を有するクレードルＣＲＤＬ１によって有線通信で収集し、基地局ＢＳ３に転送してもよい。基地局ＢＳが受け取った情報は、有線ネットワークＬＡＮ１を介して、管理サーバＳＶ１のセンサデータベースＳＤ１に格納される。

基地局デバイスＢＳ１は、プロセッサＣＰＵ１と、無線回路ＲＦ１と、データ送受信プログラムおよびセンサノード管理プログラムを格納するメモリＭＥＭ１と、ボタンやＬＣＤ・ＬＥＤ・ブザー・ディスプレイ・マウス・キーボードなどの入出力装置ＩＯ０と、インターネットなど外部ネットワークとの入出力ＩＦ１とを有する。また、音・加速度・温度・湿度・照度・赤外線・色・人感センサ・ＲＦＩＤなどのセンサＳＮＳ１を備えてもよい。基地局ＢＳ２、ＢＳ３の構成も同様である。基地局ＢＳ３については、無線回線ＲＦ１に代えて、又は、それとともにクレードルＣＲＤＬ１とのインタフェース、通信回路等を有する。
基地局デバイスＢＳ１は、プロセッサＣＰＵ１が、データ送受信プログラムを実行することにより、センサノードＳＮ０からセンシングデータを無線又は有線にて受信し、有線ネットワークＬＡＮ１を介して管理サーバＳＶ１へ、自身の識別子を付してデータ送信を行う。
位置特定デバイスＰＯＳ１は、作業者が当該空間にいることを検出するハードウェアである。例えば自身の識別子を含む赤外線を一定間隔で発信する装置であり、その正面で名札型のセンサノードＳＮ０を装着した作業者Ｗ１が作業をすると、センサノードＳＮ０により赤外線を検出できる。その情報を、無線通信により送信することで、受信した識別子と位置特定デバイスの設置場所の情報との対応づけにより、管理サーバＳＶ１は各作業者の作業場所を知ることが可能になる。赤外線以外にも、無線の送受信や測位技術によって所在の範囲を限定したり、もしくはＲＦＩＤリーダを用いて場所を特定することも可能である。
また、ＬＡＮ１には、データ閲覧者が利用する表示装置ＤＩＳＰ１が有線もしくは無線ＬＡＮにて接続される。
管理サーバＳＶ１は、ネットワークインタフェースＩＦ２と、プロセッサ（処理部）ＣＰＵ２と、メモリＭＥＭ２と、センサデータベースＳＤ１と、記録装置（記憶部）ＤＢ１を備える。ネットワークインタフェースＩＦ２は、有線ネットワークＬＡＮ１に接続するためのインタフェースである。センサデータベースＳＤ１は、各種センサが取得したセンシングデータを格納するものである。記録装置ＤＢ１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る。センサデータベースＳＤ１、記録装置ＤＢ１は、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、センサデータベースＳＤ１と記録装置ＤＢ１をひとつの記録装置で構成することも可能である。
プロセッサＣＰＵ２は、記録装置ＤＢ１に格納されている各種プログラムをメモリＭＥＭ２に読み出して実行することにより各種機能を実現する。

図２は、センサノードＳＮ０が送信するセンシングデータを管理サーバが受信することにより、管理サーバＳＶ１のセンサデータベースＳＤ１に格納されるセンシングデータの例を示す図である。センサデータベースＳＤ１では、センシングデータ、作業者が利用するセンサノードの識別情報、作業者の識別情報などが対応づけて管理される。
テーブルＴＩＲ１は、温度データ、照度データ、および赤外線の検出データを格納するテーブルである。列ＲＭＡＣＩＤには、デバイスのネットワークアドレスを格納する。列ＲＵＰＴＭには、データをテーブルＳＤ１に格納した時刻を記録する。列ＲＧＷＡＤには、無線でデータを受信した基地局デバイス（たとえばＢＳ１）の識別子を格納する。列ＲＡＰＨＤには、センサノードの種別を格納する。たとえば腕輪型センサノードでは１、名札型センサノードでは２などを格納する。列ＲＤＡＴＹには、無線パケットに格納したデータの種類を格納する。たとえば赤外線の検出データには１、加速度データには２、音声データには３などを格納する。列ＲＳＥＮＵには、センサノードでフレームの送信順に００００からＦＦＦＦまで付与し、ＦＦＦＦの次は００００にリセットする周期的カウンタである。分割フレームが結合した場合は、最初のフレームのシーケンス番号を格納する。列ＲＳＡＩＤには、同一センシング周期にサンプリングしたデータを含む分割フレームには、同一のサンプリング識別子を付与する。列ＲＯＢＰＥには、センサノードの現在のセンシング間隔（例えば、１０秒／回）を格納する。列ＲＳＥＰＥには、センサノードの現在の無線送信間隔を格納する。間隔を表す数値でも良いし、センシング間隔の何倍かという値でも良い。ＲＳＡＲＡには、センサノードにおけるセンサデータの取得周期（例えば５０Ｈｚ）を格納する。列ＲＳＡＮＵには、センサノードの現在のサンプリング回数を格納する。
列ＲＵＳＩＤには、本ノードを利用する利用者の識別ＩＤを格納する。列ＲＦＲＮＵには、センサノードが送信するデータのフレームが複数に分割された場合、合計ｎ分割フレームなら、ｎ、ｎ−１、ｎ−２、…３、２、１と降順にふる。１の場合は最終分割フレームを表し、０は２５６番目を表すとする。列ＲＦＲＳＩには、分割で送信される一連のフレームの合計個数を格納する。列ＲＴＩＳＴには、本データをセンサで取得した時のセンサノードの時刻を格納する。列ＲＴＥＭＰには、センサノードで取得した温度データを格納する。列ＲＬＵＸには、センサノードで取得した照度データを格納する。列ＲＢＡＬＥには、センサノードのバッテリ残量を示す値、たとえば電源電圧を格納する。列ＲＬＱＩには、センサノードと基地局間の無線通信品質を示す値、たとえばＬＱＩ（ＬＩＮＫ ＱＵＡＬＩＴＹ ＩＮＤＩＣＡＴＯＲ）を格納する。列ＲＩＲＤＳには、本データに格納する赤外線データの検出数を格納する。列ＲＩＲには、センサノードで取得した赤外線データを格納する。赤外線データとして、他の作業者の識別ＩＤや位置特定デバイスの識別ＩＤが格納される。列ＲＨＤには、センサノードの人感センサで取得したデータを格納する。列ＲＣＯＬには、センサノードのカラーセンサで取得した情報を格納する。列ＲＨＵＭには、センサノードの湿度センサで取得した情報を格納する。
テーブルＴＡＣＣ１は、テーブルＴＩＲの赤外線などのデータの替わりに、加速度センサのデータを格納する。列ＲＭＡＣＩＤから列ＲＴＩＳＴまでの間は、テーブルＴＩＲ１と同様の内容を格納する。列ＲＡＣＤＳには、本データに格納する加速度データの検出数を格納する。列ＲＡＣＣには、センサノードで取得した加速度データを格納する。
テーブルＴＶＯ１は、テーブルＴＩＲの赤外線などのデータの替わりに、音声のデータを格納する。列ＲＭＡＣＩＤから列ＲＴＩＳＴまでの間は、テーブルＴＩＲ１と同様の内容を格納する。列ＲＶＯＤＳには、本データに格納する音声データの検出数を格納する。列ＲＶＯＤＡには、センサノードで取得した音声データを格納する。
なお、本実施の形態における各テーブルは、テーブルに限らず適宜の形式の記憶領域でもよい。

図３は、図１の記録装置ＤＢ１に格納される個人情報テーブルＴＥＡＭＩＮＦＯについて示したものである。個人情報テーブルＴＥＡＭＩＮＦＯには、各作業者の識別ＩＤに対応づけられて、各作業者の所属や職位、在席場所など、作業者情報を格納する。この作業者情報は、表示装置ＤＩＳＰ１に表示される入力指示、入力領域等を参照してデータ閲覧者等により適宜の入力部を用いて予め入力されて、格納されるものである。例えば以下のデータを格納する。列ＵＳＥＲＩＤには、センサノードを利用する作業者の識別ＩＤを格納する。列ＵＮＡＭＥには、作業者の氏名を格納する。列ＧＲＯＵＰＩＤには、作業者の所属するグループを識別するＩＤを格納する。この例では、グループ内にひとつ又は複数のチームが存在する。列ＧＬＥＡＤＥＲには、グループのリーダを表すフラグを格納する。例えばグループのリーダには１、それ以外には０を格納する。列ＴＥＡＭＩＤには、作業者の属するチームを識別するＩＤを格納する。列ＴＬＥＡＤＥＲには、チームのリーダを表すフラグを格納する。例えばリーダには１、それ以外には０を格納する。列ＰＯＳＩＤには、職位を表す情報を格納する。例えばマネージャには１、主任には２、新人には３を格納する。列ＲＯＯＭＩＤには、各従業員の所在地として形式的に登録されている部屋（居室等）の識別情報を格納する。列ＦＬＯＯＲＩＤには、列ＲＯＯＭＩＤに指定された部屋がある階を識別する情報を格納する。列ＢＬＤＩＤには、列ＦＬＯＯＲＩＤで指定された階がある建物やエリアを識別する情報を格納する。
図４に、管理サーバＳＶ１の記録装置ＤＢ１に格納される、行動解析データテーブルＡＥＤＡＴＡの構成例を示す。管理サーバＳＶ１は、センシングデータに対して行動解析プログラムＡＲ１を所定のタイミングで実行し、各作業者の行動を解釈し、行動解析データテーブルＡＥＤＡＴＡに格納する。

図５に示す行動解析データテーブルＡＥＤＡＴＡの構成について説明する。列ＲＵＳＩＤには、作業者を識別するＩＤが格納される。図２に示す各テーブルのＲＵＳＩＤの値を参照することで得られる。列ＲＳＭＩＮには、その行に格納されるデータをセンサノードが測定した時刻を格納する。ここでは、各行がある１分のデータを格納するものとする。
プログラムＡＲ１では、加速度情報を格納したテーブルＴＡＣＣ１における加速度データの検出数ＲＡＣＤＳ、加速度データＲＡＣＣの値から、下記の方法でゼロクロス値および作業者の活性度合いを計算して、列ＺＣおよび列ＡＣＴＶに格納する。
ここで、各作業者が活性状態であるか否かについて判定する手法について説明する。業務中に積極的な行動をすることで、内部／外部からの情報を集めることや白熱した議論をすることでアイデアを練ることを促進させることができる。その場合に想定される行動として、「言葉だけでなく身振り（ジェスチャ）を含めた対面」や「相手がいる場所まで出向いて対面」などが挙げられる。本発明者らは、このようなユーザの行動と動作リズムの関係について実験を行ったところ、ビデオ観察などの結果から、活性的な作業をしている時間帯は、それ以外の時間帯に比べて加速度の周波数が高いことがわかった。たとえば会話を行っている時には、２Ｈｚから３Ｈｚの周波数成分が大きくなる。そこでここでは、加速度の周波数が予め定められたある閾値を上回っている時間帯を、活性的な状態とする。典型的には、加速度の周波数が２Ｈｚ以上などである。もちろんこの値は人や業務の種類によって異なるため、状況に応じて設定変更可能である。実際のデータを測定して、各自の動作リズムの分布を集計して、例えば平均値や上位２５％の値などを求めて、それをしきい値として設定してもよい。

図５及び図６を用いて活性度合いの算出処理ＡＲ１について説明する。図６及び本明細書における他のフローチャートにおける各処理は、ＣＰＵ２により実行される。最初の加速度周波数計算（ＢＭＡＡ）は、時系列に並んだ加速度データ（ＴＡＣＣ１）から周波数を求める処理である。周波数は、一秒間の波の振動数と定義され、つまり振動の激しさを表している指標である。フーリエ変換によって周波数を計算してもよいが、本実施例では、計算を簡略化するために、周波数に相当するものとして、ゼロクロス値（ゼロクロス数）を用いる。これにより、サーバの処理負荷が低減され、センサノードの数の増加によるサーバの計算量の増加に対しても有効である。なお、ゼロクロス値以外にも、人の動きの速さに関する適宜の指標を用いてもよい。
ゼロクロス値とは、一定の期間内（単位時間内）における時系列データの値がゼロとなった回数、より正確には、時系列データが正の値から負の値へ、又は負の値から正の値へと変化した回数を計数したものである。例えば、加速度の値が正から負に変化してから、次にその値が再び正から負に変化するまでの期間を１周期とみなすと、計数されたゼロクロスの回数から、１秒間当たりの振動数を算出することができる。このようにして算出された一秒間当たりの振動数を、加速度の近似的な周波数として使用することができる。

さらに、本実施例のセンサノードＳＮ０は、三軸方向の加速度センサを備えているため、同じ期間の三軸方向のゼロクロス値を合計することによって一つのゼロクロス値が算出される。これによって、特に左右及び前後方向の細かい振り子運動を検出し、振動の激しさを表す指標として用いることができる。
ゼロクロス値を計数する「一定の期間」として、連続したデータの間隔（つまり元のセンシング間隔）よりも大きな値が設定される。たとえば１秒毎のゼロクロス値や１分毎のゼロクロス値を求めることとなる。
加速度周波数計算（ＢＭＡＡ）の結果、各時間におけるゼロクロス値、およびそこから算出された秒単位の振動数が、加速度リスト（ＢＭＡ１）としてメモリ上に、もしくはファイルとして生成される。またこの値を、ＡＥＤＡＴＡの列ＺＣに格納する。
次にこのリスト（ＢＭＡ１）を対象に、活性判定（ＢＭＣＢ）を実施する。上述したように、ここでは活性か否かを、加速度がある閾値を上回っているか否かで判定する。リスト（ＢＭＡ１）を順に走査し、例えば振動数（上述のようにゼロクロス値から得られる）が閾値を上回っている行には活性状態として判定値に”１”、下回った行には非活性状態として”０”を挿入する。この結果、各時間帯において活性か否か秒単位で求められた活性リスト（ＢＭＣ２）が生成される。
ここで、ある瞬間的にみると閾値以下であっても、前後の時間は閾値以上で活性的な状態、逆にある瞬間では閾値以上であったが、前後の時間は閾値以下で実は非活性的なこともありうる。このような瞬間的なノイズを除去する機構が必要な場合もある。
そこで、次にこのリスト（ＢＭＣ２）を対象に、ノイズ除去（ＢＭＣＣ）を実施する。ノイズ除去の役割は、上記で求めた活性度の時系列変化、たとえば”０００１０００１１１１１１００１１１１”といった系列に対し、前後関係を加味して瞬間的な変化を取り除いた、たとえば”０００００００１１１１１１１１１１１１”という系列を生成することである。このようなノイズ除去処理を行うことにより、その前後の時間帯を考慮して活性度を算出することができ、より実際の状況を反映した活性度を把握することが可能となる。ノイズを除去する処理はローパスフィルタにより高周波の成分を除去することによっても可能であるが、ここではより単純な方法として、多数決的な方法を用いてもよく、以下説明する。本方法では、時系列順に最初から最後までひとつずつ判定の対象とする。現在ｉ番目の時間帯が判定の対象であるとする。ここで、ｉ−ｎ番目の時間帯から、ｉ＋ｎ番目の時間帯までの合計２ｎ＋１個の時間帯に関し、活性状態の個数と、非活性状態の個数を数える。ここでもし活性している個数のほうが多く、かつ、ｉ番目の時間帯が活性でないという状態になっている場合、ｉ番目の状態を活性状態に変更する。逆に活性的でない個数の方が多ければ、ｉ番目の状態を非活性状態に変更する。たとえば”０００１０００１１１１１１００１１１１”という系列に、ｎ＝２でこの方法を適用すると、”０００００００１１１１１１１１１１１１”という系列が生成される。ｎが小さければ前後短時間のみ反映したノイズが除去され、ｎが大きければより長時間を反映したノイズが除去される。ｎをどの程度にするかは人や業務の種類によるが、最初に小さいｎで細かいノイズを除去したあと、再度大きいｎで少し長めのノイズを除去することなども可能である。このように多数決的な方法を実行することにより、サーバの計算量を減らし、処理負荷を低減することができる。この結果、各時間帯において活性か否か秒単位で求められた活性リスト（ＢＭＣ３）が生成される（図５）。

この活性リスト（ＢＭＣ３）は秒単位のデータであるが、後の処理を簡単にする目的で、より長い時間単位での活性度を計算するための期間集計処理ＢＭＣＤを行うことができる。ここでは秒単位の活性度から、分単位の活性度を計算する例を示す。ひとつの方法は、１分の中で活性状態であった秒数を集計して、それがしきい値以上であれば、その１分は活性状態と見なす方法である。例えば５０％を超えたら活性状態と見なす。このようにして算出された作業者の活性度合いを、列ＡＣＴＶに格納する。活性状態である場合、すなわち積極的な行動である場合には”１”、非積極的な行動である場合には”０”を格納する。
次に、対面判定処理ＢＭＣＥによって、該当時刻で人と対面していたかどうかを判定し、列ＣＯＭＭに格納する。例えば対面時は“１”、非対面時は“０”を格納する。この情報は、センサデータベースＳＤ１のテーブルＴＩＲ１の列ＲＩＲを参照し、他の作業者の識別ＩＤを検出していたか否かを調べることで得られる。該当する１分間の間で、対面状態であった秒数を集計して、それがしきい値以上であれば、その１分は対面状態と見なす。例えば５０％を超えたら対面状態とみなす。
本発明者らは、上記のようにしてＢＭＡ１に格納されたゼロクロス値の、頻度分布に着目した。つまり、計測を続けてゼロクロス値が複数求められた時に、どのようなゼロクロス値が何度生じているかであり、また、それに特徴的な傾向が見られるかということである。もし、ゼロクロス値の分布に関して、異なる人の間に共通的な特徴があれば、その特徴を指標化することによって、少ないデータ量で人の行動の特徴を表せる可能性がある。図７から、実際のデータから見える人の行動の特徴を示す。

図７は、腕時計型のセンサから取得した１分間あたりのゼロクロス値が、３日間（７２時間）の中で、どのように変化しているかを表す図である。
これだけでは傾向が分からないので、代表的な活動に対して、どれほどのゼロクロス値となるかを、図８で示す。横軸にセンサから取得した１０分間あたりのゼロクロス値、縦軸に累積発生頻度を取った図である。たとえば、横軸１２０のところには、ゼロクロス値が１２０以上であった回数が表示される。１２０は、周波数に換算すれば１Ｈｚ相当である。なお、図の縦軸は対数を取っている。また、図の横軸の値は、１分当たりに換算した値を示す。このグラフには、ある同一の作業者が、４種類の行動を取ったときに、それがどの程度のゼロクロス値となっているかが表示されている。４種類とは、走行、歩行、講義、会議である。行動ごとに比べると、走行や歩行が、主に着席していて動きの小さい講義や会議よりもゼロクロス値が大きいのがわかる。
また、図９は、ある一人の作業者の、ある一日における、１時間ごとのゼロクロス値の分布を示したものである。時間帯で比べると、例えば通勤で移動していた８時や、昼食を取っていた１２時などのゼロクロス値が高く、作業者の状態が表れている。
このように、ある行動、もしくは連続した行動が続くある１時間などに着目すれば、出現するゼロクロス値はばらつき、一見共通の傾向はない。これはこの作業者に限ったことではない。これを見ると、集中作業が多い人は、それを反映した低めのゼロクロス値が多く生じ、逆に会話や出張が多い人には、高めのゼロクロス値が集中的に発生しそうに考えられる。

しかし本発明者らは、集計する時間の幅を長くすることで、新しい傾向が見えてくることに気がついた。図１０の上段の図は３時間ごとに集計したグラフであり、下段の図は１日を集計した図である。同様に、図１１の上段の図は３日間を集計したグラフであり、下段の図は２週間を集計したグラフである。これらを見ると、１日を集計したあたりから、グラフが左上から右下方向に直線的に下降し、途中からさらに急な角度で下降していく傾向が見えてくる。３日の集計や、２週間の集計を見ると、グラフの直線性がかなり顕著になってくる。
これはある一人に見られた傾向ではない。図１２は、ｓ１からｓ１２の１２人の異なる作業者から、同様にゼロクロス値を取得し、表示したものである。これらを比べると、人によって多少傾きやグラフの直線性に差があるものの、共通して、左上の点から右下がりで直線的に下降したのち、ある活動量を境にしてさらに急な傾きで下降する、という共通的な特徴が見られた。この共通性は一見何気ないようで、驚くべき結果である。なぜならば、被験者群は、様々な年齢、性別、職種を含む集団である。普段の業務は、出張の多い人、会話の多い人、デスクワークの多い人などバラエティがある。また、業務時間後や休日の過ごし方はまったく各自の意思で決定される。すなわち、個人ごとに、ある活動量が特別多かったり、少なかったりしても良いはずである。事実、図９などで示した通り、１時間ごとのグラフや活動ごとのグラフを書くと、その活動を反映して、あるゼロクロス値に偏って生じている。それが集計する時間を長くしていくと、全体の共通傾向が見えてくる。
以上は、１０分ごとのゼロクロス値を求めて分布を記した例であるが、これは１０分だけに限定されるものではない。図１３には、１０分間の集計結果に加えて、５分間の集計結果と、２０分の集計結果を示す。図の通り、５分でも２０分でも、１０分と同様の傾向が見られる。

以降では、ここで見られる共通性として、４つに着目する。
１つめは一番左上から右下に直線的に下降する部分の傾きの度合いであり、特徴Ａ（第２特徴データ）と呼ぶ。
２つめは、傾きが大きく変化するときの活動量（ゼロクロス値）であり、特徴Ｂ（第１特徴データ）と呼ぶ。
３つめは、特徴Ｂで示す活動量以上での傾きであり、特徴Ｃ（第３特徴データ）と呼ぶ。
４つめは、傾きＡの部分における線分の直線性であり、特徴Ｄ（第４特徴データ）と呼ぶ。この４種類の特徴を指標化することによって、ある作業者と他の作業者の違いや、同じ作業者のある期間と別な期間の状態の違いを把握することができる。
このような共通的な分布になる原因として考えられることは、人のエネルギーには限度があり、ゼロクロス値が高い行動だけを長い時間行うことは難しいことが考えられる。他の要因が影響している可能性もある。たとえば非参考文献２では、人の健康状態が、行動の継続時間と何らか関係していることが示されている。具体的には、うつ病の患者と、健常者に関し、行動の継続時間を統計的に比べると、異なることが発見されている。本発明で示したのと同じようにセンサを装着し、１分間ごとのゼロクロス値を求めたのちに、あるゼロクロス値を境界にして、境界以上のときを活性状態とし、境界値未満の時を非活性状態としている。次に、各状態が、どれほど連続的に生じるかを定量化する。たとえばある時は活性状態が１０分続き、次に非活性状態が６分続き、次に活性状態が２分つづく、といったように状態が変化する。非特許文献２では、この連続時間の頻度分布に着目し、同様にグラフ化した結果が示されている。非活性状態の連続時間の対数を横軸、累積頻度の比率の対数を縦軸に取ったとき、グラフ上で直線となる、べき分布の傾向を示す。特に注目すべき結果は、うつ病患者は、健常者に比べて、直線の傾きがなだらかであり、非活性状態が長く続く比率が高いという知見が得られている。一方で活性状態の連続時間に関しては、うつ病患者と健常者の大きな違いは言及されていない。
本実施例の特徴ＡからＤは、上記の非特許文献２のように、人の健康状態を表す指標として有効に活用できることを示す。

図１４に、特徴ＡからＤを求めるフローを示す。上述のように、本フローの各処理についてもＣＰＵ２により実行される。図６で算出した、１分毎のゼロクロス値を入力とする。例えば、ＡＥＤＡＴＡの列ＺＣから読み出しても良い。ここでは例として、各１分のゼロクロス値が１２、９、５、２１、６１、４５、１６、５０、２、２８、４２、３５と出現した場合について説明する。これは非常に少ない１２分のサンプルであるが、これが１日分になっても２週間分になっても基本的な処理は同様である。
ヒストグラム作成ＡＤＣＡＬＣ０１では、システムは１分毎のゼロクロス値を順に走査して、その大きさに応じて、ヒストグラム情報ＡＤＣＡＬＣ０１Ａの該当する部分を更新する。ヒストグラム情報ＡＤＣＡＬＣ０１Ａの１階級の幅は、たとえばゼロクロス値２０と設定する。上記の出現例の場合、０以上２０未満の範囲は５回、２０以上４０未満の範囲は３回、４０以上６０未満の範囲は３回、６０以上８０未満の範囲は１回、それ以上の範囲は０回となる。
次に累積頻度計算ＡＤＣＡＬＣ０２では、各範囲の累積頻度を算出する。あるゼロクロス値（基準値）Ｘにおける累積頻度とは、全ゼロクロス値のサンプルにおいて、ゼロクロス値がＸ以上となる頻度である。上記のヒストグラム情報ＡＤＣＡＬＣ０１Ａを対象とする場合、０以上のゼロクロス値が１２回、２０以上のゼロクロス値が７回、４０以上が４回、６０以上が１回、それ以上は０回となる。累積頻度が０となる範囲に関しては、以後は計算対象としない。各階級の範囲と、その範囲の累積頻度を、記録装置ＤＢ１の累積頻度情報ＡＤＣＡＬＣ０２Ａに格納する。なお、上述の基準値は、例えばヒストグラム情報の階級に対応する。ヒストグラム情報を作成してから累積頻度を求める以外にも、複数のゼロクロス値の基準値に対する累積頻度を適宜の手法で求めてもよい。
次に累積頻度対数値計算ＡＤＣＡＬＣ０３では、ＡＤＣＡＬＣ０２Ａの各累積頻度に関する、対数値を計算する。ｅと底とする対数を計算すると、例えば１２回のときは、ＬＮ（１２）＝２．４８となる。上記のヒストグラムに関して求めると、０以上のゼロクロス値の累積頻度の対数は２．４８、２０以上では１．９５、４０以上では１．３９、６０以上では０となる。これがＡＤＣＡＬＣ０３Ａに格納される。この結果をグラフにプロットすると、図１５のようになる。
次に変曲点計算ＡＤＣＡＬＣ０４では、前述の特徴Ｂ、すなわち、図１５のグラフ上で線が極度に曲がるゼロクロス数を求め、記録装置ＤＢ１のＡＤＣＡＬＣ０４Ａに格納する。例えば、ゼロクロス数の基準値と該基準値に対する累積頻度の対数値との分布（以下、累積頻度分布と称する場合もある）を曲線又は複数の直線で近似した際の変曲点を求めて格納する。
このグラフ上では、およそゼロクロス数４０程度が求めたい値である。これを求める方法は、算術的にいくつかの方法が考えられる。たとえば、当該グラフ上で０から一定範囲までの値に基づいて近似直線を引き、その近似直線とのかい離があるしきい値を超えた場合、そのときのゼロクロス値を変曲点とすることができる。具体的には、図１２の通り、この分布にはゼロクロス数２００程度まで直線性があるため、例えば０から２００の範囲の値を使って近似直線を引き、近似曲線から求められる値と実際の値とのかい離が、いずれかの値の１０％程度になるときのゼロクロス値を特徴Ｂとできる。また別な方法としては、グラフにおいて、二階微分を行うことにより、傾きが大きく変わる点を求めることでも代用できる。ただしこの方法は、ノイズが多いデータに適用する場合には、移動平均などによって事前に平滑化する必要がある。ここでは別な方法として、基準直線からの距離に基づく計算方法を示す。

図１６に算出のフローを示す。基準直線計算ＡＣＡＬＣ０１では累積頻度グラフ（図１７参照）において、ゼロクロス値０のときの累積頻度対数値（ＹＭＡＸ）と、ゼロクロス値が最大（ＸＭＡＸ）で累積頻度対数値が０となる点を結ぶ直線を求め、直線の計数を記録装置ＤＢ１のＡＣＡＬＣ０１Ａに格納する。図１７のグラフ上で、（０、ＹＭＡＸ）と（ＸＭＡＸ、０）を通る直線である。グラフで上記２点をとおる直線は一般的な公式に基づき、ｙ−ＹＭＡＸ＝（０−ＹＭＡＸ）／（ＸＭＡＸ−０）＊（ｘ−０）と求められる。式変換すると、ＹＭＡＸ＊ｘ＋ＸＭＡＸ＊ｙ−ＹＭＡＸ＊ＸＭＡＸ＝０となる。直線の計数とは、直線を表す式をａｘ＋ｂｙ＋ｃ＝０としたときの、ａ、ｂ、ｃの値であり、上記の式ではａがＹＭＡＸの値、ｂがＸＭＡＸの値、ｃが‐ＹＭＡＸ＊ＸＭＡＸの値となる。この直線を図示したのが図１７のＡＣＡＬＣ０１Ｂである。ここでは、なだらかな傾きが急な傾きに変わる点が、一般的にこの基準直線から最も距離が遠い部分である、という点に着目した。したがって、後述するように各点と基準線の距離を求めて、最も長いときのゼロクロス値を特徴Ｂとする。なだらかな傾きが急な傾きに変わるため、上に突のグラフとなる。時折ノイズ等により、実際の値が基準線を下回る部分があるが、それは距離計算の対象としない。
距離計算ＡＣＡＬＣ０２では、上記の基準直線と、グラフ上の各点の距離を計算し、距離が最も大きい点のゼロクロス数を、特徴Ｂである記録装置ＤＢ１のＡＣＡＬＣ０２Ａに格納する。直線と点の距離計算の一般的な公式を用いると、基準線とある点（Ｘ０、Ｙ０）との距離は、ＡＢＳ（ＹＭＡＸ＊Ｘ０＋ＸＭＡＸ＊Ｙ０−ＹＭＡＸ＊ＸＭＡＸ）／ＳＱＲＴ（ＹＭＡＸ＊ＹＭＡＸ＋ＸＭＡＸ＊ＸＭＡＸ）により求められる。ここでＡＢＳは、絶対値を取る関数、ＳＱＲＴは平方根を求める関数を意味する。実際には距離の大小関係が求められれば良いので、共通部分である分母部分や、ＹＭＡＸ＊ＸＭＡＸの計算は割愛してもよい。
図１７上の各点に関して、基準直線からの距離を求めると、ゼロクロス値０のときが０、２０の点が０．２９、４０の点が０．５６、６０の点が０となる。最長距離計算ＡＣＡＬＣ０３において、距離が最大の点を特定する。これにより、特徴Ｂがゼロクロス値４０と求められ、格納される。

次に、図１４に戻り傾き計算ＡＤＣＡＬＣ０５以降の処理を説明する。ＡＤＣＡＬＣ０５では、前述の特徴Ａ、すなわち累積頻度分布においてゼロクロス数が低い部分における直線部分（第１近似直線）の傾きを計算し、結果を記録装置ＤＢ１のＡＤＣＡＬＣ０５Ａに格納する。図１７におけるＡＣＡＬＣ０１Ｄの範囲の傾きに相当する。これには、図１６に示すフローに従い求めた特徴Ｂの値が活用できる。累積頻度グラフにおいて、ゼロクロス値０から、ゼロクロス値が特徴Ｂの値の範囲における、近似直線を求めればよい。すなわち、（０、ＹＭＡＸ）、（Ｘ１、Ｙ１）、（Ｘ２、Ｙ２）、、、（特徴Ｂ、特徴Ｂのときの累積頻度の対数値）の全座標に対して、最も近似性が高い直線を求める。これは例えば標準的な最小二乗法を用いてＹ座標の予測誤差の二乗和が最小になるように求めることができる。また、計算リソースの少ないセンサデバイス内で計算する簡易的な方法としては、（０、ＹＭＡＸ）と（特徴Ｂ、特徴Ｂのときの累積頻度の対数値）の２点のみを通過する直線の傾きを求めて代用することもできる。つまり、特徴Ａ＝（特徴Ｂの時の累積頻度の対数値−ＹＭＡＸ）／（特徴Ｂ）となる。図１７の例の場合には、特徴Ａ＝（１．３８−２．４８）／４０＝−０．０２７となる。
次に直線性計算ＡＤＣＡＬＣ０６の処理を示す。この処理では、前述の特徴Ｄ、すなわち、累積頻度分布においてゼロクロス数が低い部分における直線性を計算し、結果を記録装置ＤＢ１のＡＣＡＬＣ０６Ａに格納する。たとえば図１７における、ＡＣＡＬＣ０１Ｄの部分が、どの程度直線的かを計算する。この部分の分布が完全な直線である場合には高い値とし、分布が上下に変動して直線と離れるほど低い値とする。この指標としていくつか考えられるが、最も単純なのは、図１４に示すフローに従い求めた特徴Ｂの値を活用し、累積頻度グラフにおいて、ゼロクロス値０から、ゼロクロス値が特徴Ｂの値の範囲における、ｘ座標の組と、ｙ座標の組の相関係数を求めることである。直線の傾きが負のため、相関係数に−１を乗じたものを特徴Ｄとして説明する。完全な直線性がある場合には、相関係数が−１であり、特徴Ｄは１となる。直線性がない場合には特徴Ｄは０となる。具体的には、ゼロクロス値が０から特徴Ｂの値までの該当範囲に、点（０、ＹＭＡＸ）、（Ｘ１、Ｙ１）、（Ｘ２、Ｙ２）、、、（特徴Ｂ、特徴Ｂのときの累積頻度の対数値）があったとき、ｘ座標の組（０、Ｘ１、Ｘ２、、、特徴Ｂ）と、ｙ座標の組（ＹＭＡＸ，Ｙ１，Ｙ２，，，特徴Ｂのときの累積頻度の対数値）の相関を計算し、格納する。図１５（図１７）の例の場合には、特徴Ｄ＝０．９９９９４となる。

次に傾き計算処理ＡＤＣＡＬＣ０７を示す。本処理では、前述の特徴Ｃ、すなわち累積頻度分布においてゼロクロス数が高い部分における直線部分（第２近似直線）の傾きを計算し、結果を記録装置ＤＢ１のＡＤＣＡＬＣ０７Ａに格納する。図１７におけるＡＣＡＬＣ０１Ｅの部分の傾きに相当する。これにも、図１６に示すフローに従い求めた特徴Ｂの値が活用できる。累積頻度グラフにおいて、ゼロクロス値が特徴Ｂの値から、実際に検出された最大の値の範囲における、近似直線を求めればよい。すなわち、（特徴Ｂ、特徴Ｂのときの累積頻度の対数値）（Ｘ１、Ｙ１）（Ｘ２、Ｙ２）、、、（ＸＭＡＸ、０）の全座標に対して、最も近似性が高い直線を求める。前述の方法と同じように、標準的な最小二乗法を用いてＹ座標の予測誤差の二乗和が最小になるように求めることができる。また、計算リソースの少ないセンサデバイス内で計算する簡易的な方法としては、（特徴Ｂ、特徴Ｂのときの累積頻度の対数値）と、（ＸＭＡＸ、０）の２点のみを通過する直線の傾きを求めて代用することもできる。つまり、特徴Ｃ＝（−１＊特徴Ｂの時の累積頻度の対数値）／（ＸＭＡＸ−特徴Ｂ）となる。図１７の例の場合には、特徴Ｃ＝（０−１．３８）／（６０−４０）＝−０．０６９となる。
以上により、特徴ＡからＤを求める処理の例を示した。また、累積分布グラフを特徴づける指標として、他の指標も求められる。たとえばゼロクロス数が高い部分における直線部分の直線性を、特徴Ｄと同様に求めることもできる。高い部分と低い部分を合わせて、全体の近似直線の傾きを、特徴Ａと同じように求めることもできる。同様に全体に関し、直線性を特徴Ｄと同様に求めることもできる。また、ゼロクロスが低い部分と高い部分の傾きの差を、例えば特徴Ａと特徴Ｃの差として求めることができる。
図１４では、分布の特徴量を求める際に、変曲点計算ＡＤＣＡＬＣ０４を実行し、その点よりゼロクロス値が低い前半部分と、高い後半部分に分けて、傾きや直線性を求める例を示した。前半と後半の分け方としては、変曲点を求める以外にも、平均のゼロクロス値などを用いることも可能である。この場合、特徴ＡからＤの代わりに、全体の傾き、平均以下の範囲の近似直線（第３近似直線）の傾き、平均以上の範囲の近似直線（第４近似直線）の傾き、平均以下の傾きと平均以上の傾きの差という特徴が作成できる。

（健康状態推定システム）
次に、上述のようにして求めた特徴ＡからＤのような指標を使って、人の健康状態を推定するシステムの実施の形態を示す。
システムの詳細を説明する前にまず、上述のような特徴Ａ〜Ｄと、人の健康状態の関係の分析結果を示す。発明者らが行った実験では、７５人の被験者に対して名札型のセンサで１カ月の計測を行いながら、ストレス度を計測するアンケートを実施した。ストレスアンケートは、ＣＥＳ−Ｄと呼ばれる標準的なものである。ＣＥＳ−Ｄではストレスの大きさ、言いかえればメンタルヘルス疾患のリスクを６０段階で評価し、２６以上を高ストレス、それ以外を低ストレスとみなすのが一般的である。アンケートの結果、７５人中、４８人が高ストレス群、２７人が低ストレス群と判定された。この２群に対して、上記の特徴量を計算したときに、統計的に差があるかどうかを分析した結果が図１８である。分散分析の結果、例えば特徴Ａの違いは、統計的な有意度ｐ値は０．０７程度であり、有意と見なされる水準ｐ＝０．０５には若干及ばないが、若干の差として表れている。特徴量ＢおよびＤは、統計的に有意な水準で差が見られた（ｐ＝０．０４， ０．０１）。特徴量Ｂは、高ストレス群のほうが、低ストレス群よりも小さい。すなわち、ストレスが高いと、ある活動量以上の発生頻度が急に落ちる。特徴量Ｄは、高ストレス群のほうが、低ストレス群よりも、直線性が低い。ある活動が多かったり、少なかったりと、偏りが大きいことを表している。以上、人の行動の活動量の典型的な分布が高々４つとごく少ない特徴量であらわされ、それが人のストレスなどの内面状態を表していることが実験範囲において明らかになった。

この結果をふまえて、人のストレス度を推定するプログラムＳＥＳＴは図１９および２０のフローに従い実行することができる。まず主観データ取得処理ＳＥＳＴ０１では、利用者のストレス度をアンケートにより取得する。その情報からストレス値（例えばＣＥＳ−Ｄ値）を集計し、記録装置ＤＢ１の主観データＳＥＳＴ０１Ａに、利用者のＩＤと、利用者のアンケート入力日時（回答日時）をあわせて格納する。アンケートは、インターネットのｗｅｂサイト上で行うこともできるし、ｅメールなどによって回収することも可能である。アンケートの集計は、実施したアンケートによって定められた方法で行う。上述のＣＥＳ−Ｄアンケートの場合には、利用者は各設問に対して、０から３の４段階で回答させる。その結果を合計することによって、主観的なストレス値が計算できることが知られている。なお、予め求められたストレス値を記録媒体から読み出してもよいし、入力部等により入力してもよいし、通信回線を介して他の装置から受信してもよい。
次に特徴量計算処理ＳＥＳＴ０２では、前述の方法によって、特徴ＡからＤまでの値を計算し、計算結果ＳＥＳＴ０２Ａを格納する。計算対象期間は、前述の主観データＳＥＳＴ０１Ａに格納されたアンケート回答日を含む、一定期間のデータとなる。期間の長さは、例えば、計算パラメータＳＥＳＴ０２Ｂによって、本ＳＥＳＴ０２の処理を行う事前に設定する。例えばここには計算対象期間が日単位で格納される。１０と格納されている場合には、計算開始のタイミングから１０日前のデータから、計算日までの全データを利用して、指標を計算する。この数字はシステムの開発者があらかじめ設定しておくこともできるし、システムの利用者が自分の業務の属性を加味して変更することも可能である。
次に特徴重み計算処理ＳＥＳＴ０３では、ＳＥＳＴ０２Ａの特徴ＡからＤの情報を用いて、ＳＥＳＴ０１Ａに格納したような主観的なストレス値を推定するためのパラメータを、既知の特徴Ａ〜Ｄ及び既知のストレス値から計算し、結果を推定パラメータＳＥＳＴ０３Ａに格納する。複数の変数を用いて、１つの変数を推定する統計的な方法は様々存在し、これらを用いることもできる。例えば、測定対象の人それぞれについての、求められた特徴データＡ〜Ｄ及び特徴データＡ〜Ｄのそれぞれに対する重み係数Ｊ、Ｋ、Ｌ、Ｍに基づき得られるストレス推定値と、入力されたストレス値との誤差の総和が小さくなるように、各重み係数を求めることもできる。単純には、重回帰分析によって、特徴ＡからＤの重みを計算することができる。つまり、ある利用者ｉの主観ストレスの推定値ＥＳＴｉを、ＥＳＴｉ＝Ｊ＊Ａｉ＋Ｋ＊Ｂｉ＋Ｌ＊Ｃｉ＋Ｍ＊Ｄｉというように、その利用者ｉの特徴ＡからＤの値（ＡｉからＤｉ）と、それに対する重み（ＪからＭ）で計算できるとする。ＪからＭの値を各利用者ごとに計算することもできるが、本実施例ではＪからＭの値は全利用者共通であるとし、それをＳＥＳＴ０３Ａに格納する。たとえば上述のように特徴Ｂと特徴Ｃがストレスと関係しており、特徴ＡとＤがあまり関係していない利用者群の場合には、Ｊ＝１、Ｋ＝２、Ｌ＝２、Ｍ＝０．５のように、ＫとＬの値が他のＪやＭよりも高い結果が求められる。

一旦特徴重みＳＥＳＴ０３Ａが求められたあとは、アンケート取得を行わずに、所定の利用者のストレス推定処理ＳＥＳＴ０４が可能になる。この処理フローを図２０に示す。ＳＥＳＴ０４では、対象の利用者の特徴Ａ〜Ｄ（ＳＥＳＴ０２Ａ）を計算し、これと図１９で算出した推定パラメータ（Ｊ〜Ｍ）ＳＥＳＴ０３Ａの情報を用いて、対象の利用者の推定ストレス値ＳＥＳＴ０４Ａを計算して格納する。上述のように主観ストレスの推定値ＥＳＴｉを、ＥＳＴｉ＝Ｊ＊Ａｉ＋Ｋ＊Ｂｉ＋Ｌ＊Ｃｉ＋Ｍ＊Ｄｉという式でモデリングしている場合、実際に計算した結果ＳＥＳＴ０２ＡをＡｉからＤｉに代入し、推定パラメータＳＥＳＴ０３Ａの情報をＪからＭに代入し、ＥＳＴｉを求めることができる。なお、対象の利用者ｉは複数でもよく、それぞれの利用者について推定ストレス値を求めればよい。
精度の高い推定を行うためには、ある程度の利用者数の情報を集めて、上述のＳＥＳＴ０１からＳＥＳＴ０３の処理を実行しておくことが望ましい。たとえば３０人程度のデータを測定したのちに、ＳＥＳＴ０１からＳＥＳＴ０３を実行する。図１９および２０の例では、一度ＪからＭを推定した後は、その変更を行わず、あとは利用者のリクエストに応じて、もしくはシステムが定期的にストレス推定処理ＳＥＳＴ０４を行うフローを記載している。別な実施例としては、アンケート情報ＳＥＳＴ０１を随時取得し、それが取得されるごとに、推定パラメータＳＥＳＴ０３Ａを推定することもできる。こちらは、更新のための計算時間を必要とするが、より精度の高い推定値を計算できる可能性が高まる。
また、図１９、２０では、利用者が複数人いる場合でも、全員共通の特徴重みＳＥＳＴ０３Ａを算出するフローを記述した。一方で、同一の利用者が長期にわたって行動の計測を行い、アンケートに何度も繰り返し回答できる場合には、その利用者ごとに特徴重みを計算することもできる。これにより、推定精度がより向上することが期待できる。この場合、特徴重みＳＥＳＴ０３Ａを人数分記録し、利用者のＩＤ情報と対応付けて格納することができる。ストレス推定処理ＳＥＳＴ０４のときには、該当する利用者のＩＤ情報によって、特徴重みＳＥＳＴ０３Ａの該当する部分を参照し、推定ストレス値ＳＥＳＴ０４Ａを計算することができる。
また以上は、ＣＥＳ−Ｄというストレス度に関する主観アンケートを基にした推定方法を説明したが、本発明はこの特定のアンケートに限ったものではなく、人の行動に表れる内面状態を確認するアンケートであれば広く活用できる。その中でも特に、ＣＥＳ−Ｄと相関があるような、ストレス度、うつ傾向、精神疾患、疲労などのアンケートや、もしくは負の相関があるような幸せ度、充実度、業務満足度、チームワークなどのアンケートとの親和性は高い。また、内面のアンケートの代わりに、それらの内面状態が反映されるような、業務生産性や営業成績などのデータを活用することもできる。

次に、以上のようにして計算した特徴ＡからＤや、推定ストレス値を利用者にフィードバックする実施の例を示す。冒頭に記載したように、本発明の主な目的の一つは、腕時計や名札など、データの表示のための領域が小さい小型のデバイスにおいて、ユーザに情報を提供することである。図２１に、代表的な表示の例を示す。デバイスＦＢＡに、表示するデバイスの一例を示す。本デバイス上に、画面例ＦＢ１からＦＢ３で示したうちのいずれかが表示されることを表している。ＦＢ１からＦＢ３のいずれかを常に表示することもできるし、ＦＢＡに搭載されたボタン等により、ＦＢ１からＦＢ３を順に表示させることも可能である。画面ＦＢ１では、時刻を表す情報に加えて、最新の一定期間のストレス推定値をＦＢ１Ａのように表示する。計算の対象とする期間は、前述のようにパラメータＳＥＳＴ０２Ｂを参照して決定される。たとえば表示する前日までの１０日間のデータを対象にストレス値を推定する。利用者はこの値を見ることにより、自分のストレス状態が高いか低いかを判断し、ストレスが高ければ、休息を取ったり、ストレス解消のための運動や娯楽などを行うことが可能になる。また、推定ストレス値に加えて、推定ストレス値の増減を、数値や図によって表示することも可能である。例えばストレス値が前回の対象期間よりも１増えている場合には、ＦＢ１Ｂのように表示できる。増減は、現在表示している対象期間と、過去の期間を比べて、推定ストレス値の変化量を算出することによって求める。たとえば、現在の推定値は表示前日までの１０日間の行動情報で計算し、過去の推定値は表示日の１１日前から２０日前の１０日間の行動情報で計算することなどが可能である。
画面ＦＢ２は、推定ストレス値に加えて、その数値の根拠となる、特徴ＡからＤの値や、その増減を合わせて表示する例である。特徴ＡからＤをＦＢ２ＢからＦＢ２Ｅのように表示し、その増減をＦＢ２ＧからＦＢ２Ｊのように表示できる。特徴ＡからＤの意味を理解している利用者に対しては、この情報を表示することにより、より適切な行動を促すことが可能になる。たとえば特徴Ｂが低くなっている場合には、利用者は高いゼロクロス数の行動が少なくなっていることが理解でき、積極的にゼロクロス値の高いスポーツなどの活動を行うことができる。また、ゼロクロス値の高い活動ができない理由を考えて、例えば業務の負荷を下げるように業務分担を変えることなどが可能になる。
画面ＦＢ３は、数値ではなく、図によって表示を行う例である。図１５のように、ゼロクロス値の分布を計算し、その曲線を表示する。図によるフィードバックを行うことにより、利用者は、正確な数字はわからないものの、直観的に全体の傾向や、特徴をとらえることが容易になる場合がある。また、最新の期間の曲線に加えて、過去の期間の曲線を合わせて表示することも可能である。見やすさの向上のために、線の色や太さを変えることも可能である。

（変形例）
以上の説明は、デバイスＳＮ０はデータを取得してその結果をサーバＳＶ１に送信するところまで行い、その後、計算能力が高いサーバＳＶ１上でデータ処理やストレスの推定を行って、フィードバックの情報を生成して、デバイスＳＮ０に結果を送信したり、電子メールやインターネットなどの手段により、利用者に提供するシステムを記述した。データ処理や、表示はかならずしも上記のデバイス上で行う必要はなく、他のハードウェア上で行うことも可能である。例えば、デバイスＳＮ０の計算能力が高ければ、ＳＮ０上でデータ処理やストレスの推定を行って、結果のみをサーバＳＶ１に送信することもできる。このシステムの構成を図２２に示す。
また以上の説明は、デバイスＳＮ０を装着している利用者本人に対して、フィードバックを提供する例を説明したが、適宜の表示装置に出力してもよい。本人以外にデータを提供したり、複数人のデータを合わせたデータを提供することも可能である。本人以外にデータを提供する例としては、たとえば、病人や高齢者がデバイスを装着した場合、その結果を医師や家族が見ることによって、治療や介護を容易にできる可能性がある。このためには、装着デバイスのＩＤと、情報を受け取る人の連絡先や閲覧機器の情報を対応づけて格納することにより、システムが自動的に、電子メールやウェブブラウザを介して適切な人に情報提供を行うことができる。
複数人のデータを合わせたデータを提供する例としては、例えば、企業のある部署で複数の社員がデバイスを装着した場合に、その部署のマネジャが自分の部署の平均ストレス度や、推定ストレスの高い人を知ることにより、適切なマネジメントを行うことが可能になる。これも上記と同様に、装着デバイスのＩＤと、情報を受け取る人の連絡先や閲覧機器の情報を対応づけて格納する。システムは、部署の全利用者のストレス度を推定し、平均したのちに、マネジャに対して電子メールやウェブブラウザを介してフィードバックを行う。また、マネジャ自身がデバイスを装着している場合には、そのデバイスに部署の平均ストレス値の情報を送信し、表示することも可能である。この結果、マネジャは、部署全体もしくは特定個人の業務量を減らしたり、ストレス解消のためのアクティビティを計画することが可能になる。

２．実施例２
実施例１では、ゼロクロス値の分布から特徴ＡからＤの指標を計算し、それをもとにストレス値を推定する例を示した。本実施の形態は、ゼロクロス値の分布、および、その特徴ＡからＤに限らず、異なる人の間に共通する分布傾向があり、その分布の特徴が直線の傾きや直線性にあるものにも適用可能である。その一実施例として、以下に、行動継続時間の分布の特徴を計測する例を示す。
前述の非特許文献２では、うつ病の患者と、健常者に関し、行動の継続時間を統計的に比べると、異なることが発見されている。あるゼロクロス値を境界にして、境界以上のときを活性状態とし、境界値未満の時を非活性状態とする。次に、各状態が、どれほど連続的に生じるかを定量化し、その連続時間の頻度分布をグラフ化した結果が示されている。非活性状態の連続時間の対数を横軸、累積頻度の比率の対数を縦軸に取ったとき、グラフ上で直線となる。特にうつ病患者は、健常者に比べて、直線の傾きがなだらかであり、非活性状態が長く続く比率が高いという知見が得られている。一方で活性状態の連続時間に関しては、グラフ上では直線ではなく、直線の傾きなどを定量化できず、うつ病患者と健常者の大きな違いは言及されていない。
それに対して発明者らは、活性状態の連続時間に関して、前述と同じようにグラフの特徴を計算することにより、ストレスの推定に活用できる可能性に着目した。また、単純にすべての活動を同一視して連続時間を計算するのではなく、活動をより細分化して、各活動の連続時間を計算することにより、推定精度が高められる可能性に気付いた。細分化の方法はいくつかあるが、発明者らが注目したのは、コミュニケーション活動である。コミュニケーションは、ストレスの大きな要因のひとつである。また、コミュニケーションには、個人活動よりも大きなエネルギーを要するため、ストレスがある場合には変化が生じやすいという可能性に着目した。逆の見方もできる。コミュニケーションの際には、コミュニケーション相手の目が気になるため、体調が悪いにもかかわらず無理に活発にふるまう可能性がある。しかし、個人作業で他者の目がなくなると、自然な状態でふるまう可能性がある。このような人の場合、コミュニケーション活動のデータを含むと、それがノイズとなり、ストレスがうまく推定できなくなる可能性がある。非特許文献２のように、加速度センサのみを搭載したセンサでは、コミュニケーション活動か個人活動かを判別することは難しい。それに対して、前述のような赤外線通信を搭載した名札型のデバイスを使えば、判定が可能になる。また、上述のシステムでは、活性状態と非活性状態の判定に、１つの値を使っている。発明者らはそれに対し、活性状態か否かの判定に、いくつかの基準を設けることにより、より精度の高い推定ができる可能性に着眼した。

図２３は、本システムの構成を表す図である。本実施例では、センサＳＮＳ０は、少なくとも加速度センサと、対面状態を検出する赤外線センサを含む。また、センサノードＳＮ０は、赤外線出力部を有する。他の構成は実施例１と同様である。
図２４にサーバ上での処理の全体フローを示す。サーバＳＶ１は本処理を、１日単位などの定期に実行したり、利用者の要求に応じて適時実行する。以下の各処理は、ＣＰＵ２により実行される。
まずセンサデータから、データ解析処理ＡＲ２を行い、１分毎の行動解析データＡＥＤＡＴＡ２を計算する。図２５に詳細な例を示す。
まず上述したＡＲ１（図６）を実施し、加速度データＴＡＣＣ１から、各時刻（単位時間）におけるゼロクロス値を計算し、記録装置ＤＢ１のＢＭＡ１に格納する。なお、ここでは上述のＡＲ１のうち、加速度周波数計算ＢＭＡＡのみを実行してもよい。
次に、活性判定しきい値決定処理ＫＣＡＬＣ０１では、しきい値リストＫＣＡＬＣ０１Ｂの中から、判定のしきい値を１つ取得しＫＣＡＬＣ０１Ａに格納する。活性状態か否かの判定基準を、複数の中から順に選び、すべてに関して継続度の特徴を計算して、最もストレスの推定値が高いものを選ぶために必要な処理である。判定のしきい値は予め定められ、しきい値リストに記憶されることができる。
次に、前述の方法と同じように、活性判定ＢＭＣＢ、ノイズ除去ＢＭＣＣ、期間集計処理ＢＭＣＤを行い、各時刻において活性状態か否かを判定する。ただしこれら処理は、しきい値リストＫＣＡＬＣ０１Ｂに含まれるすべての候補に対して行われ、すべての結果がＡＥＤＡＴＡ２に格納される。

次に、前述の方法と同じように、対面判定ＢＭＣＥで、各時刻における活動を特定する。ここでは具体的には、コミュニケーション活動か、個人活動かを判別する。
図２４に戻り、次に、継続時間計算処理ＡＲ３で、活性状態の継続時間、および、非活性状態の継続時間を求め、結果を継続時間リストＡＲ３Ａに格納する。ＡＲ３では、行動解析データＡＥＤＡＴＡ２に対し、データを時系列順に操作し、活性状態、非活性状態が、どれほど連続しているかを集計する。例えば、活性状態を１、非活性状態を０として、ある作業者の活性状態が、時系列順に０、０、１、１、１、０、１、１となっていたとする。この場合、０もしくは１で同じ状態が続いている長さを計算する。具体的には、非活性が２分、活性が３分、非活性が１分、活性が２分つづいていると判定される。
次に、ヒストグラム計算ＡＤＣＡＬＣ０１では、上記で求めた継続時間を集計し、ヒストグラム情報を作成する。以降の処理は、前述図１４で説明した処理と同様でもよい。継続時間の分布に関して、特徴ＡからＤを計算することができる。また、この後は図１９や２０のようにストレス推定を行ったり、結果を図２１のように表示することができる。なお、図２４は、以下に示すように特徴ＡからＤの代わりに、特徴Ａ２、Ｂ２、Ｃ２、Ｅ、Ｆを求める例を示す。
継続性の特徴を用いたストレス推定を実施した例を、図２６に示す。９つの企業の合計５１０人を対象に、名札型センサによる行動データ計測と、ＣＥＳ−Ｄアンケートによる主観的ストレス値の取得を行った。図２４に示した手順により、特徴を計算した。ただしここでは特徴ＡからＤの代わりに、図１４のところで補足説明した別な方法によって、分布の特徴を求める。まず、変曲点を表す特徴Ｂの代わりに、継続時間の平均値を簡易的に求めて、特徴Ｂ２とする（ＡＤＣＡＬＣ０４２）。その特徴Ｂ２未満の部分での傾きを特徴Ａ２、Ｂ２以上の部分での傾きを特徴Ｃ２とする（ＡＤＣＡＬＣ０５、ＡＤＣＡＬＣ０７）。また、変曲の度合いを表す別な指標として、Ａ２とＣ２の差を特徴Ｅ、および、全体の分布の直線性を特徴Ｆとして算出する（ＡＤＣＡＬＣ０８、ＡＤＣＡＬＣ０６２）。特徴Ｆは、特徴ＡやＣと同様に、直線との相関係数を計算し、それを直線性とみなすことができる。これらの５つの特徴を、活性状態の継続時間の分布、および、非活性状態の継続時間の分布に対して、それぞれ計算した。活性状態と非活性状態を判定するしきい値は、０Ｈｚ、０．２５Ｈｚ、０．６ｈｚ、１Ｈｚ、２Ｈの５種を用いた。また、活動の種類としては、個人作業状態、対面状態、および、その両者を区別しない状態の３種類を用いた。その結果、２＊５＊５＊３で、１５０の指標が計算される。これらの１５０の指標を説明変数とし、アンケートで求めたストレス値を目的変数として、重回帰分析を行った。
寄与度の低い指標を順次削除しながら、寄与度が高い指標（ｔ値が１以上）として、最終的に下記の３つが残った。１つめは、対面状態と個人作業状態を区別せずに、０．２５Ｈｚ以上の活性状態の連続時間の分布に関する、特徴Ｖである。ストレスが高い人は、活動が長く継続することが少ないことを意味する。２つめは、個人作業状態だけを対象にしたときの、０．２５Ｈｚ以上の活性状態の連続時間の分布に関する、特徴Ｗである。ストレスが高い人は、傾きが急に変化する。すなわち、これも活動が長く継続することが少ないことを意味する。また、３つめは、個人作業を対象にした時の、０Ｈｚより大きい活性状態の連続時間の分布に関する、特徴Ｘである。ストレスが高い人は、直線性が低い。一般的には、これも前者２つと同様に、活動が長く継続することが少ないことを意味している。３つの指標を通して、ストレスが高い人は、活性状態が長く続かない点で共通している。また、２つめと３つめのように、個人作業だけを分析対象とした場合に、ストレスとの関係が見えることが明らかになり、本発明のように個人作業状態と対面状態を区別することの有効性が示された。図は、測定した５１０人の中の、ストレスが高い人、低い人のサンプルである。低ストレス者は、長い継続時間があり、分布の直線性が高いことがわかる。一方、高ストレス者は、長い継続時間が少なく、継続時間が長い範囲において、傾きが急になる。

また、図１９および２０で示した方法を用いて、ストレス値の推定を行った。ただし上述のように、特徴ＡからＤの代わりに、特徴Ａ２、Ｂ２、Ｃ２、Ｅ、Ｆを利用した。ここで、推定結果の検証を、下記のアプローチにて実施した。まず、総勢５１０人に対し、ＣＥＳ−Ｄアンケートを実施し、１６以上の人を高ストレス者群、それ以外の人を低ストレス者群とした。また、総勢５１０人をランダムに２つの群にわけて、ひとつの群の２０５人で図１９の処理を行って、特徴重み計算ＳＥＳＴ０３を行い、特徴重みを計算した。本実施例では、ある利用者のストレスの推定値ＥＳＴｉは、特徴Ａ２、Ｂ２、Ｃ２、Ｅ、Ｆと、それらに対する各重みとで計算でき、ここでは各重みを計算する。その結果を用いて、他方の群の２０５人に関し、ストレス値を推定した。推定ストレス値に基づき、１６以上の人を高ストレス者、それ以外の人を低ストレス者とみなすことにした。検証基準のひとつは、ＣＥＳ−Ｄアンケートで高ストレス者と判定された人が、推定値でも高ストレスと判定されるか否かである。真陽性率と呼ばれる。計算の結果、ＣＥＳ−Ｄアンケートで高ストレスと判定された１１４人に関し、８３％の９５人を、高ストレスであると推定できた。一方で、低ストレス者を正しく低ストレス者と推定できたのは、９１人中２６人で、２９％程度であった。まだ十分な精度であるとは言えないが、ひとつの目安として利用できる。

３．構成例
［構成例１］
センサと基地局とサーバがあって、
センサは加速度データをとってデータを基地局を介してサーバに送信し、
サーバは加速度データからゼロクロス数を求めて記録し、
サーバはゼロクロス数の頻度分布を求めて記録し、
サーバは分布の近似直線の傾き、分布の直線性、変曲点、変曲点よりも低いゼロクロス値の範囲の近似直線の傾き、変曲点よりも高いゼロクロス値の範囲の近似直線の傾き、変曲点よりも低いゼロクロス値の範囲の分布の直線性、変曲点よりも高いゼロクロス値の範囲の分布の直線性のうちの１つ以上の値を求めて記録し、
その値を上記情報システムに接続される表示装置に出力する情報処理システム。
［構成例２］
上述の構成例１のシステムで、
情報システムは、人のストレスを聞くアンケートインタフェースを持ち、
サーバは、アンケート結果との誤差が小さくなるように、各特徴量の重みを計算して記録し、
サーバは、上記特徴量と、特徴量の重みから、ストレスを推定して記録し、
その値を上記情報システムに接続される表示装置に出力する情報処理システム。
［構成例３］
センサと基地局とサーバがあって、
センサは加速度データをとって、赤外線で対面データを取って、基地局を介してサーバに送信する機能を有し、
サーバは加速度データからゼロクロス数を求めて記録し、
サーバは、ゼロクロス数のしきい値の情報を持ち、
サーバは、上記ゼロクロス数と上記しきい値に基づいて、各単位時間において装着者が活性状態か非活性状態かを判定して格納し、
サーバは、赤外線の情報に基づいて、各単位時間に置いて装着者が対面状態か個人作業状態かを判定して格納し、
サーバは、上記活性判定結果と、状態判定結果をもとに、各状態が継続している長さを計算して格納し、
サーバは、継続時間の頻度分布を求めて記録し、
サーバは分布の近似直線の傾き、分布の直線性、平均継続時間、平均継続時間よりも短い継続時間の範囲における分布の近似直線の傾き、分布の直線性、平均継続時間よりも長い継続時間の範囲における分布の近似直線の傾き、分布の直線性、平均継続時間よりも短い継続時間の範囲における分布の近似直線の傾きと平均継続時間よりも長い継続時間の範囲における分布の近似直線の傾きの差、のいずれか１つ以上を計算して格納し、
その値を上記情報システムに接続される表示装置に出力する情報処理システム。
［構成例４］
上述の構成例３のシステムで、
情報システムは、人のストレスを聞くアンケートインタフェースを持ち、
サーバは、アンケート結果との誤差が小さくなるように、各特徴量の重みを計算して記録し、
サーバは、上記特徴量と、特徴量の重みから、ストレスを推定して記録し、
その値を上記情報システムに接続される表示装置に出力する情報処理システム。

本発明は、例えば、センサデバイスを用いて人の動きの特徴を示す情報を収集及び記憶するシステムに利用可能である。

Claims (19)

1. 人の動きによる人の加速度を所定期間にわたり測定するセンサと、
   測定された加速度データに基づき、人の動きの速さに関する特徴データを求める処理部と、
   求められた特徴データを格納する記憶部と
   を備え、
   前記処理部は、
   前記センサにより測定された加速度データから、予め定められた単位時間毎の動きの速さを求め、
   動きの速さの複数の基準値のそれぞれについて、求められた単位時間毎の動きの速さのうち、動きの速さが該基準値以上であるものをカウントして、該動きの速さの基準値に対する累積頻度とし、
   動きの速さの基準値と該基準値に対する累積頻度の対数値との分布に基づく統計データを、人の行動の特徴データとして求めて前記記憶部に格納する情報処理システム。
2. 前記動きの速さは、加速度データがゼロになった又はゼロをまたいだ回数を示すゼロクロス数であり、
   前記処理部は、
   前記センサにより測定された加速度データから、前記動きの速さとして予め定められた単位時間毎のゼロクロス数を求め、
   ゼロクロス数の複数の基準値のそれぞれについて、求められた単位時間毎のゼロクロス数のうち、ゼロクロス数が該基準値以上であるものをカウントして、該ゼロクロス数の基準値に対する前記累積頻度とし、
   ゼロクロス数の基準値と該基準値に対する前記累積頻度の対数値との分布に基づく統計データを、前記人の行動の特徴データとして求めて前記記憶部に格納する請求項１に記載の情報処理システム。
3. 前記処理部は、
   前記分布に対するひとつ又は複数の近似直線の傾き又は直線性を示す指標を前記特徴データとして求める請求項１に記載の情報処理システム。
4. 前記処理部は、
   ゼロクロス数の基準値と該基準値に対する累積頻度の対数値との分布を曲線又は複数の直線で近似した際の変曲点である第１特徴データと、
   該変曲点よりも低いゼロクロス数の範囲の第１近似直線の傾きである第２特徴データと、
   変曲点よりも高いゼロクロス数の範囲の第２近似直線の傾きである第３特徴データと、
   変曲点よりも低いゼロクロス数の範囲の分布の直線性を表す指標である第４特徴データと
   のうちのひとつ以上を含む前記特徴データを求めて前記記憶部に格納する請求項２に記載の情報処理システム。
5. 前記特徴データは、前記第１乃至第４特徴データのすべてを含む請求項４に記載の情報処理システム。
6. 前記特徴データは、さらに、
   前記分布全体の近似直線の傾き、該分布全体の直線性、及び、前記変曲点よりも高いゼロクロス数の範囲の分布の直線性のうちのひとつ以上を含む請求項４に記載の情報処理システム。
7. 前記処理部は、
   ゼロクロス数の平均値と、
   該ゼロクロス数の平均値よりも低いゼロクロス数の範囲の第３近似直線の傾きと、
   該ゼロクロス数の平均値よりも高いゼロクロス数の範囲の第４近似直線の傾きと、
   該第３近似直線の傾きと第４近似直線の傾きの差と、
   分布全体の近似直線の傾きと
   のうちのひとつ以上を含む前記特徴データを求めて前記記憶部に格納する請求項２に記載の情報処理システム。
8. 前記処理部は、求められた前記特徴データを表示装置に出力する請求項１に記載の情報処理システム。
9. 前記センサと、測定された加速度データを送信する送信部とを有するセンサノードと、
   前記センサノードからの加速度データを受信する受信部と、前記処理部と、前記記憶部とを有するサーバと
   を備える請求項１に記載の情報処理システム。
10. 前記センサと、前記処理部と、前記記憶部とを有するセンサノード
    を備える請求項１に記載の情報処理システム。
11. 前記センサを複数備え、
    複数の前記センサは、各々の測定対象の人の加速度を測定し、
    前記処理部は、
    測定対象の人ごとに第１乃至第４特徴データを求め、
    予め指標化された前記測定対象の人のストレス値をそれぞれ入力し、
    測定対象の人それぞれについての、求められた第１乃至第４特徴データ及び該第１乃至第４特徴データのそれぞれに対する重み係数に基づき得られるストレス推定値と、入力されたストレス値との誤差の総和が小さくなるように、各重み係数を求め、
    求められた各重み係数を前記記憶部に格納する請求項４に記載の情報処理システム。
12. 前記処理部は、
    求められた第１乃至第４特徴データと、該第１乃至第４特徴データのそれぞれに対する重み係数とに基づき得られるストレス推定値を求め、前記記憶部に格納する請求項１１に記載の情報処理システム。
13. 人の動きによる人の加速度を所定期間にわたり測定するセンサと、
    測定された加速度データに基づき、人の動きの速さに関する特徴データを求める処理部と、
    求められた特徴データを格納する記憶部と
    を備え、
    前記処理部は、
    前記センサにより測定された加速度データから、予め定められた単位時間毎の動きの速さを求め、
    単位時間毎の動きの速さが、予め定められた閾値を超えているか否かにより、該時間において活性状態か非活性状態かをそれぞれ判定し、
    活性状態の継続時間及び／又は非活性状態の継続時間を時系列順に求め、
    継続時間の複数の基準値のそれぞれについて、求められた活性状態の継続時間及び／又は非活性状態の継続時間のうち、継続時間が該基準値以上であるものをカウントして、該継続時間の基準値に対する累積頻度とし、
    継続時間の基準値と該基準値に対する累積頻度の対数値との分布に基づく統計データを、人の行動の特徴データとして求めて前記記憶部に格納する情報処理システム。
14. 前記動きの速さは、加速度データがゼロになった又はゼロをまたいだ回数を示すゼロクロス数である請求項１３に記載の情報処理システム。
15. 前記処理部は、
    前記分布に対するひとつ又は複数の近似直線の傾き又は直線性を示す指標を前記特徴データとして求める請求項１３に記載の情報処理システム。
16. 前記処理部は、
    継続時間の基準値と該基準値に対する累積頻度の対数値との分布を曲線又は複数の直線で近似した際の変曲点である第１特徴データと、
    該変曲点よりも低い継続時間の範囲の第１近似直線の傾きである第２特徴データと、
    変曲点よりも高い継続時間の範囲の第２近似直線の傾きである第３特徴データと、
    変曲点よりも低い継続時間の範囲の分布の直線性を表す指標である第４特徴データと、
    継続時間の平均値である第５特徴データと、
    該継続時間の平均値よりも低い継続時間の範囲の第３近似直線の傾きである第６特徴データと、
    該継続時間の平均値よりも高い継続時間の範囲の第４近似直線の傾きである第７特徴データと
    のうちのひとつ以上を含む前記特徴データを求めて前記記憶部に格納する請求項１３に記載の情報処理システム。
17. 前記特徴データは、さらに、
    第３近似直線の傾きと第４近似直線の傾きの差、及び、前記分布の全体の直線性を表す指標のうちのひとつ以上を含む請求項１６に記載の情報処理システム。
18. 処理部が、人の動きによる人の加速度を所定期間にわたり測定するセンサにより測定された加速度データから、予め定められた単位時間毎の動きの速さを求め、
    処理部が、動きの速さの複数の基準値のそれぞれについて、求められた単位時間毎の動きの速さのうち、動きの速さが該基準値以上であるものをカウントして、該動きの速さの基準値に対する累積頻度とし、
    処理部が、動きの速さの基準値と該基準値に対する累積頻度の対数値との分布に基づく統計データを、人の行動の特徴データとして求めて記憶部に格納する情報処理方法。
19. 処理部が、人の動きによる人の加速度を所定期間にわたり測定するセンサにより測定された加速度データから、予め定められた単位時間毎の動きの速さを求め、
    処理部が、単位時間毎の動きの速さが、予め定められた閾値を超えているか否かにより、該時間において活性状態か非活性状態かをそれぞれ判定し、
    処理部が、活性状態の継続時間及び／又は非活性状態の継続時間を時系列順に求め、
    処理部が、継続時間の複数の基準値のそれぞれについて、求められた活性状態の継続時間及び／又は非活性状態の継続時間のうち、継続時間が該基準値以上であるものをカウントして、該継続時間の基準値に対する累積頻度とし、
    処理部が、継続時間の基準値と該基準値に対する累積頻度の対数値との分布に基づく統計データを、人の行動の特徴データとして求めて記憶部に格納する情報処理方法。

Images