JP5946364B2

JP5946364B2 - 時系列データ処理システム、時系列データ処理方法

Info

Publication number: JP5946364B2
Application number: JP2012182559A
Authority: JP
Inventors: 隆文山添; 栄藤　稔; 稔栄藤
Original assignee: NTT Docomo Inc
Current assignee: NTT Docomo Inc
Priority date: 2012-08-21
Filing date: 2012-08-21
Publication date: 2016-07-06
Anticipated expiration: 2032-08-21
Also published as: JP2014041426A

Description

本発明は、時系列データ処理システム及び時系列データ処理方法に関する。

測定した一の時系列データの値から、当該一の時系列データとは異なる他の時系列データの値を推定する方法として、一の時系列データの各値に対応づけた状態を定義した隠れマルコフモデルに基づく状態モデルを複数用意し、当該状態モデルから、他の時系列データの値を推定する方法が知られている。

具体的に状態モデルを用いた時系列データの推定方法としては、加速度（一の時系列データ）を測定し、該加速度から算出した単位時間あたりの歩数より、事前に単位時間あたりの歩数と紐づけられた５種類の行動シーン（状態モデル）のいずれかを選定し、選定した行動シーンにより定まる演算式と加速度とに基づいて、運動量（活動量）（他の時系列データ）を算出する方法が知られている（例えば特許文献１参照）。このような推定方法においては、加速度センサー値に基づく停止⇔歩行⇔走行といった複数の状態モデル間の遷移による状態推定から、実験的に求められた運動量の当てはめが行われる。

特開２００８−２４６１８１号公報

しかしながら、従来の方法は、状態モデル毎に定まる演算式と加速度（一の時系列データ）とに基づいて、運動量（他の時系列データ）を推定するところ、用意してある状態モデルのいずれにも適合しない運動が行われた場合には、当該加速度（一の時系列データ）から適切な状態モデルを選定することができず、結果、運動量（他の時系列データ）を適切に推定することができなかった。

また、状態モデルに適合しない運動が行われる機会を少なくするために状態モデルを多数用意した場合には、それぞれの状態モデル毎に加速度（一の時系列データ）、運動量（他の時系列データ）をそれぞれ取得し学習する必要があり、学習用データの取得、及び学習用データの学習に、手間が大幅にかかってしまうという問題があった。そして、状態モデルが増えるほど、推定時の処理量は増加することになるため、推定時の処理量という点からも問題があった。

本発明は上記実情に鑑みてなされたものであり、時系列データの推定において、学習を容易にするとともに、推定時には、少ない処理量で適切にデータ推定が行える、時系列データ処理システム及び時系列データ処理方法を提供することを目的とする。

本発明に係る時系列データ処理システムは、互いに異なる種別である第１の種別と第２の種別の値を測定したデータであり、値の測定タイミングが、第１の種別と第２の種別とで対応づいている時系列データである第１の学習用データと、第２の学習用データとをそれぞれ入力する学習用データ入力手段と、第２の学習用データの各値の、各値が測定されたタイミングの次に値が測定されたタイミングの値に向かっての変動を、第２の学習用データの各値の変動に関する正解データとし、測定タイミング毎に、第１の学習用データの値、第２の学習用データの値、第２の学習用データの値の変動に関する正解データ、をセットとしたものを統計学習用データとし、統計学習を行うことで、第１の種別の値と第２の種別の値とから、第２の種別の値の変動を推定する推定関数を生成する推定関数生成手段と、第１の種別の入力値と第２の種別の入力値とを受けつける入力手段と、第１の種別の入力値と、第２の種別の入力値と、推定関数とから、第２の種別の値の、第２の種別の入力値に係るタイミングの次のタイミングに向かっての変動である入力値変動を推定する入力値変動推定手段と、入力値変動と、第２の種別の入力値とから、第２の種別の入力値に係るタイミングの次のタイミングにおける第２の種別の値を導出する導出手段と、導出手段が導出した第２の種別の値を出力する出力手段と、を備え、推定関数生成手段が、測定タイミング毎に、第１の学習用データの値、第２の学習用データの値に所定の係数を掛け合わせた値、該所定の係数に応じた第２の学習用データの値の変動に関する正解データ、をセットとしたものを、さらに統計学習用データとする。

この時系列データ処理システムでは、学習段階においては、第１の種別及び第２の種別の値を測定したデータと、第２の学習用データの各値の変動を学習することで、推定時に第２の種別の値の変動を推定する推定関数を生成している。状態モデルを考慮していないため、学習用データの取得、及び学習用データの学習を容易に行うことができる。また、推定段階においては、第１の種別の入力値と第２の種別の入力値と推定関数とから、次のタイミングの第２の種別の変動を推定することができる。状態モデルを用いないため、状態モデルとの適合・不適合に係らず、第２の時系列データを適切に推定することができる。また、状態モデルを用いないことで、処理量を低減することができる。また、第２の種別の値を直接推定するものではなく、変動を推定するものではあるものの、各時点での第２の種別の値を次の時点での第２の種別の値の推定に用いることで、変動の推定だけではなく、具体的な値の推定も適切に行える。そして、第２の種別の値を、次のタイミングの第２の種別の値を推定する際に用いることで、精度の高い適切なデータ推定を実現している。

以上より、本発明によれば、学習を容易にするとともに、推定時には、少ない処理量で適切にデータ推定を行うことができる。

また、本発明に係る時系列データ処理システムは、推定関数生成手段が、前記測定タイミング毎に、前記第１の学習用データの値、前記第２の学習用データの値に所定の係数を掛け合わせた値、該所定の係数に応じた前記第２の学習用データの値の変動に関する正解データ、をセットとしたものを、さらに統計学習用データとすることが好ましい。

一の測定タイミングに係るデータから、複数セットの統計学習用データを用意することにより、統計学習を行うデータ量を効率的に増やし、推定精度を向上させることができる。

また、本発明に係る時系列データ処理システムは、入力手段が、出力手段が出力した第２の種別の値を、次のタイミングにおける第２の種別の入力値として受けつけることが好ましい。

出力手段が出力した第２の種別の値を、次タイミングの入力値とすることで、時系列データである第２の種別の値を適切に推定することができる。

また、本発明に係る時系列データ処理システムは、変動とは、上昇もしくは下降のいずれかであることが好ましい。

変動を、上昇・下降の２クラス分類とすることで、より少ない処理量で、適切なデータ推定が可能となるとともに、正解データの学習をより簡易化することができる。

また、本発明に係る時系列データ処理システムは、学習機能のみを備えるものであっても良く、学習機能のみを備える時系列データ処理システムは、互いに異なる種別である第１の種別と第２の種別の値を測定したデータであり、値の測定タイミングが、第１の種別と第２の種別とで対応づいている時系列データである第１の学習用データと、第２の学習用データとをそれぞれ入力する学習用データ入力手段と、第２の学習用データの各値の、各値が測定されたタイミングの次に値が測定されたタイミングの値に向かっての変動を、第２の学習用データの各値の変動に関する正解データとし、測定タイミング毎に、第１の学習用データの値、第２の学習用データの値、第２の学習用データの値の変動に関する正解データ、をセットとしたものを統計学習用データとし、統計学習を行うことで、第１の種別の値と第２の種別の値とから、第２の種別の値の変動を推定する推定関数を生成する推定関数生成手段と、を備え、推定関数生成手段が、測定タイミング毎に、第１の学習用データの値、第２の学習用データの値に所定の係数を掛け合わせた値、該所定の係数に応じた第２の学習用データの値の変動に関する正解データ、をセットとしたものを、さらに統計学習用データとする。

この時系列データ処理システムでは、状態モデルを考慮していないため、学習用データの取得、及び学習用データの学習を容易に行うことができる。

また、本発明に係る時系列データ処理システムは、推定機能のみを備えるものであっても良く、推定機能のみを備える時系列データ処理システムは、互いに異なる種別である第１の種別と第２の種別の入力値を受けつける入力手段と、第１の種別の入力値と、第２の種別の入力値と、所定の推定関数とから、第２の種別の値の、第２の種別の入力値に係るタイミングの次のタイミングに向かっての変動である入力値変動を推定する入力値変動推定手段と、入力値変動と、第２の種別の入力値とから、第２の種別の入力値に係るタイミングの次のタイミングにおける第２の種別の値を導出する導出手段と、導出手段が導出した第２の種別の値を出力する出力手段と、を備える。

この時系列データ処理システムでは、状態モデルを用いないため、状態モデルとの適合・不適合に係らず、第２の時系列データを適切に推定することができる。また、状態モデルを用いないことで、処理量を低減することができる。また、第２の種別の値を直接推定するものではなく、変動を推定するものではあるものの、各時点での第２の種別の値を次の時点での第２の種別の値の推定に用いることで、変動の推定だけではなく、具体的な値の推定も適切に行える。そして、第２の種別の値を、次のタイミングの第２の種別の値を推定する際に用いることで、精度の高い適切なデータ推定を実現している。

本発明に係る時系列データ処理方法は、互いに異なる種別である第１の種別と第２の種別の値を測定したデータであり、値の測定タイミングが、第１の種別と第２の種別とで対応づいている時系列データである第１の学習用データと、第２の学習用データとをそれぞれ入力する学習用データ入力ステップと、第２の学習用データの各値の、各値が測定されたタイミングの次に値が測定されたタイミングの値に向かっての変動を、第２の学習用データの各値の変動に関する正解データとし、測定タイミング毎に、第１の学習用データの値、第２の学習用データの値、第２の学習用データの値の変動に関する正解データ、をセットとしたものを統計学習用データとし、統計学習を行うことで、第１の種別の値と第２の種別の値とから、第２の種別の値の変動を推定する推定関数を生成する推定関数生成ステップと、第１の種別の入力値と第２の種別の入力値とを受けつける入力ステップと、第１の種別の入力値と、第２の種別の入力値と、推定関数とから、第２の種別の値の、第２の種別の入力値に係るタイミングの次のタイミングに向かっての変動である入力値変動を推定する入力値変動推定ステップと、入力値変動と、第２の種別の入力値とから、第２の種別の入力値に係るタイミングの次のタイミングにおける第２の種別の値を導出する導出ステップと、導出ステップにおいて導出した第２の種別の値を出力する出力ステップ、を含み、推定関数生成ステップでは、測定タイミング毎に、第１の学習用データの値、第２の学習用データの値に所定の係数を掛け合わせた値、該所定の係数に応じた第２の学習用データの値の変動に関する正解データ、をセットとしたものを、さらに統計学習用データとする。この時系列データ処理方法は、上述の時系列データ処理システムと同様な効果を奏することができる。

本発明に係る時系列データ処理方法は、互いに異なる種別である第１の種別と第２の種別の値を測定したデータであり、値の測定タイミングが、第１の種別と第２の種別とで対応づいている時系列データである第１の学習用データと、第２の学習用データとをそれぞれ入力する学習用データ入力ステップと、第２の学習用データの各値の、各値が測定されたタイミングの次に値が測定されたタイミングの値に向かっての変動を、第２の学習用データの各値の変動に関する正解データとし、測定タイミング毎に、第１の学習用データの値、第２の学習用データの値、第２の学習用データの値の変動に関する正解データ、をセットとしたものを統計学習用データとし、統計学習を行うことで、第１の種別の値と第２の種別の値とから、第２の種別の値の変動を推定する推定関数を生成する推定関数生成ステップと、を含み、推定関数生成ステップでは、測定タイミング毎に、第１の学習用データの値、第２の学習用データの値に所定の係数を掛け合わせた値、該所定の係数に応じた第２の学習用データの値の変動に関する正解データ、をセットとしたものを、さらに統計学習用データとする。この時系列データ処理方法は、上述の時系列データ処理システムと同様な効果を奏することができる。

本発明に係る時系列データ処理方法は、互いに異なる種別である第１の種別と第２の種別の入力値を受けつける入力ステップと、第１の種別の入力値と、第２の種別の入力値と、所定の推定関数とから、第２の種別の値の、第２の種別の入力値に係るタイミングの次のタイミングに向かっての変動である入力値変動を推定する入力値変動推定ステップと、入力値変動と、第２の種別の入力値とから、第２の種別の入力値に係るタイミングの次のタイミングにおける第２の種別の値を導出する導出ステップと、導出ステップにおいて導出した第２の種別の値を出力する出力ステップと、を含む。この時系列データ処理方法は、上述の時系列データ処理システムと同様な効果を奏することができる。

本発明によれば、時系列データの推定において、学習を容易にするとともに、推定時には、少ない処理量で適切にデータ推定が行える、時系列データ処理システム及び時系列データ処理方法を提供することができる。

本発明の実施形態に係る時系列データ処理システムの機能構成を示す図である。学習用データ測定部により測定された加速度と心拍数を示す図である。本発明の実施形態に係る学習用データ測定部の構成を示す図である。本発明の実施形態に係る時系列データ処理サーバのハードウェア構成を示す図である。本発明の実施形態に係る時系列データ処理システムの学習フローを示す図である。本発明の実施形態に係る時系列データ処理システムの推定フローを示す図である。追加学習用データを用いずに統計学習を行った場合の推定関数を用いた、心拍数の推定値と、心拍数の実測値との関係を示した図である。追加学習用データを用いて統計学習を行った場合の推定関数を用いた、心拍数の推定値と、心拍数の実測値との関係を示した図である。学習用データ測定部の構成の変形例である。学習用データ測定部の構成の変形例である。学習用データ測定部の構成の変形例である。

以下、図面と共に本発明に係る時系列データ処理システム及び時系列データ処理方法の好適な実施形態について詳細に説明する。なお、図面の説明においては同一要素には同一符号を付し、重複する説明を省略する。

本発明に係る時系列データ処理システムは、相関性のある二の時系列データについて、一の時系列データを測定することによって、他方の時系列データの値を推定するものである。例えば、健康管理等を目的に、運動量（一例として心拍数）を測定したい場合には、測定対象の人物が、心拍数を測定するための胸掛けの心拍数モニター（運動量計）を装着する等が必要となり、測定の手間、負担が大きい。また、心拍数モニターは一般的に高価である。本発明に係る時系列データ処理システムは、このような測定の手間、負担が大きい時系列データ（上述の例では心拍数）を測定するのではなく、当該時系列データと相関性のあると共に容易かつ安価に測定できる時系列データを測定することで、測定したい時系列データの値を推定するものである。上述した心拍数を測定したい場合の例においては、心拍数と相関性があり、測定が容易な加速度を測定（加速度センサー（センサーデバイス）により測定）し、測定した加速度から心拍数の値を推定する。そして、このような推定は、相関性のある二の時系列データを測定したデータを、学習用データとして事前に学習することによって実現する。

まず、図１を参照して、本実施形態に係る時系列データ処理システム１の機能を説明する。図１は、本発明の実施形態に係る時系列データ処理システム１の機能構成を示す図である。図１に示すように、本実施形態に係る時系列データ処理システム１は、時系列データ処理サーバ２の構成である、学習用データ入力部１１、推定関数生成部１３、入力部１４、初期値入力部１６、入力値変動推定部１７、導出部１８、出力部１９と、学習用データ測定部１２と、加速度センサー１５と、を備えて構成される。

時系列データ処理サーバ２は、例えば事業者が運営するサーバである。また、学習用データ測定部１２は、後述する学習用データの測定のために学習用データの測定対象人物が装着するものである。また、加速度センサー１５は、後述する心拍数の推定に用いる加速度を測定するために測定対象人物が装着するものである。なお、学習用データ測定部１２を装着する人物と、加速度センサー１５を装着する人物とは、同様であってもよいし、異なってもよい。時系列データ処理サーバ２と、学習用データ測定部１２及び加速度センサー１５とは、例えば、移動体通信網を介して互いに情報の送受信を行うことができる。

時系列データ処理システム１は、測定した一の時系列データの値から、当該一の時系列データとは異なる他の時系列データの値を推定するシステムである。本実施形態においては、測定した一の時系列データを加速度、一の時系列データとは異なる推定対象の他の時系列データを心拍数、として説明する。すなわち、加速度を測定することによって、運動量の目安となる心拍数の値を推定するものである。このような加速度から心拍数を推定するシステムは、健康管理におけるセンサー値（加速度）からの運動量（心拍数）推定に用いられる。

また、時系列データ処理システム１は、測定した一の時系列データである加速度の値から、他の時系列データである心拍数の値を推定するために、事前に、これらの時系列データを測定したものを学習用データとし、統計学習を行う。以上より、時系列データ処理システム１が有する機能構成は、大きく、学習機能と推定機能とからなる。

上述した時系列データ処理システム１の各機能構成のうち、学習用データ入力部１１と、学習用データ測定部１２と、推定関数生成部１３は、時系列データ処理システム１の学習機能に関する機能構成である。なお、推定機能を有さずに、学習機能に関する機能構成のみを備えたシステムを、時系列データ処理システムとすることもできる。

また、上述した時系列データ処理システム１の各機能構成のうち、入力部１４と、加速度センサー１５と、初期値入力部１６と、入力値変動推定部１７と、導出部１８と、出力部１９は、時系列データ処理システム１の推定機能に関する機能構成である。なお、学習機能を有さずに、推定機能に関する機能構成のみを備えたシステムを、時系列データ処理システムとすることもできる。

学習用データ入力部１１は、互いに異なる種別である第１の種別と第２の種別の値を測定したデータであり、値の測定タイミングが、第１の種別と第２の種別とで対応づいている時系列データである第１の学習用データと、第２の学習用データとをそれぞれ入力する学習用データ入力手段である。ここで、本実施形態においては、第１の種別とは加速度、第２の種別とは心拍数である。よって、第１の学習用データとは加速度に関する時系列データ、第２の学習用データとは心拍数に関する時系列データである。第１の学習用データは、具体的には、加速度の値とその値の測定タイミングを示す時刻とが対応付けられたデータである。第２の学習用データは、具体的には、心拍数の値とその値の測定タイミングを示す時刻とが対応付けられたデータである。あるいは、学習用データ入力部１１に順次（値が測定される毎に）、互いに対応する加速度の値と心拍数の値とが入力されることとしてもよい。その場合には、必ずしも測定タイミングを示す時刻が対応付いていなくてもよい。

測定した加速度と心拍数に関する時系列データのイメージを図２により説明する。図２は、学習用データ測定部１２により測定された加速度と心拍数を示す図である。図２は、左軸が心拍数の値、右軸が加速度の値、横軸が時間を示している。心拍数と加速度の測定値は、対応づいたタイミング（時間）に測定されてものである。図２に示すように、心拍数と加速度ノルム変換値の上昇、下降は概ね一致しており、心拍数と加速度に相関性があることが確認できる。

なお、加速度ノルムとは、３軸加速度センサー等で加速度を測定した場合の、各軸の加速度の値を要素としたベクトルの要素それぞれを二乗したものの総和の平方根である。加速度ノルム変換値とは、加速度ノルムの値をもとに、所定の変換を行った値である。時刻ｔにおける加速度ノルム変換値ｎ_ｔは、時刻ｔの前に加速度が測定されたタイミングである時刻ｔ-１における加速度ノルム変換値ｎ_ｔ-１を９９.９８%、時刻ｔにおける加速度ノルムの測定値ｎ´_ｔを０.０２%の比率で足し合わすことにより算出される。時刻ｔにおける加速度ノルム変換値ｎ_ｔの算出式を以下に示す。なお、ｗは、加速度ノルム変換値ｎ_ｔを出すために加速度ノルムの測定値ｎ´_ｔに掛け合わせる重みであり、上述したとおり、図２では、ｗ＝０.０００２としている。

学習用データ入力部１１により入力される加速度に関する時系列データと心拍数に関する時系列データは、値の測定タイミングが対応づいているものである。ここで、対応づいている、とは、必ずしも加速度と心拍数とが同じタイミングで測定されたデータである必要はないが、推定時に、加速度の入力値から、加速度の入力値に対応する心拍数の変動を推定し、心拍数を導出することが可能な程度に、加速度と心拍数との測定タイミングが近似している必要がある。なお、学習用データ入力部１１により入力される加速度に関する時系列データと心拍数に関する時系列データは、後述する学習用データ測定部１２により測定され、時系列データ処理サーバ２に送信されたものである。

学習用データ測定部１２は、加速度に関する時系列データと心拍数に関する時系列データを測定し、時系列データ処理サーバ２に送信するものである。学習用データ測定部１２から時系列データ処理サーバ２へのデータ送信は、例えば、移動体通信等の無線通信で行われる。

学習用データ測定部１２の構成を図３に示す。図３は、本発明の実施形態に係る学習用データ測定部１２の構成を示す図である。学習用データ測定部１２は、心拍数モニタ２１と携帯端末２２と、腕時計型端末２３と、を備えて構成され、それぞれを、測定対象の人物が装着することにより、加速度及び心拍数が測定される。

心拍数モニタ２１は、人が装着して心拍数を測定するものである。心拍数モニタ２１としては、例えば、胸に取り付けるバンドタイプ等のものなどが考えられる。心拍数モニタ２１は、無線通信などで、心拍数を携帯端末２２に送信する。ここで、無線通信は、例えばＡＮＴ⁺等が考えられる。

携帯端末２２は、心拍数モニタ２１が測定した心拍数モニタ２１を装着した人物の心拍数を受信し、腕時計型端末２３と通信を行うことで腕時計型端末２３に心拍数を送信する機能を有するものである。携帯端末２２としては、例えば携帯電話などが考えられる。携帯端末２２と腕時計型端末２３との通信は、無線通信などで行われ、無線通信としては、近距離無線通信、例えば、Ｂｌｕｅｔｏｏｔｈ（登録商標）等が考えられる。Ｂｌｕｅｔｏｏｔｈ（登録商標）で通信を行う場合には、携帯端末２２がサーバ、腕時計型端末２３がクライアントとして機能する。

腕時計型端末２３は、加速度センサー２４により加速度を測定するとともに、加速度センサー２４が測定した加速度及び携帯端末２２から受信した心拍数を、ストレージ２５で記憶するものである。なお、加速度センサー２４としては、３軸加速度センサーなどが用いられる。ストレージ２５で記憶された加速度及び心拍数は、例えば、移動体通信等の無線通信で、学習用データ入力部１１に送信される。

このように、心拍数モニタ２１で測定される心拍数と、腕時計型端末２３の加速度センサー２４で測定される加速度は、対応づいたタイミングで、定期的に複数タイミング測定される。対応づいたタイミングとは、必ずしも同一でなくともよいが、推定時に、加速度の入力値から、加速度の入力値に対応する心拍数の変動を推定し、心拍数を導出することが可能な程度に、加速度と心拍数との測定タイミングが近似している必要がある。また、加速度、心拍数ともに、学習用データとしては、時間順に並んだ数値データである時系列データである必要があるため、複数タイミング測定される必要がある。

具体的に、加速度と心拍数とを対応づいたタイミングで複数タイミング測定するために、加速度と心拍数とで、サンプリングレートを同一とすることが考えられる。この場合、例えば、加速度センサー２４と心拍数モニタ２１の双方にタイマを備え、測定タイミングを同期させて所定の時刻に測定することなどが考えられる。

推定関数生成部１３は、学習用データ入力部１１により入力された、第２の学習用データである心拍数に関する時系列データの各値と、各値が測定されたタイミングの次に値が測定されたタイミングの値とを比較し、各値が、次に値が測定されたタイミングの値に向かってどのように変動しているかを判断し、当該変動を、心拍数に関する時系列データの各値の変動に関する正解データとするものである。

変動とは、値が変化することをいう。また、各値が測定されたタイミングの次に値が測定されたタイミングの値に向かっての変動とは、次に値が測定されたタイミングに向かっての各値の変化のしかた（例えば、上昇、下降など）や、次に値が測定されたタイミングとの値の差分をいう。本実施形態では、変動とは、次に値が測定されたタイミングに向かっての各値の変化のしかたをいい、上昇もしくは下降のいずれかである。よって、心拍数の変動とは、シンプルに、上昇・下降の２クラス分類となる。

よって、例えば、所定の測定タイミングであるタイミング１での心拍数が７０であり、タイミング１の次の測定タイミングであるタイミング２での心拍数が７５である場合には、心拍数に関する時系列データのタイミング１での心拍数の値の変動に関する正解データは“上昇”となる。同様に考えて、所定の測定タイミングであるタイミング２での心拍数が７５であり、タイミング２の次の測定タイミングであるタイミング３での心拍数が７０である場合には、心拍数に関する時系列データのタイミング２での心拍数の値の変動に関する正解データは“下降”となる。

なお、心拍数に関する時系列データから、変動に関する正解データとして、上昇もしくは下降を判断する前に、測定された心拍数に関する時系列データに対してフィルタリング（平滑化）を行ってもよい。例えば、データのノイズ成分を除去するために、あるタイミングに取得された値について、その値と、前後複数個の測定タイミングに取得された値に適当な重みづけを行い、足し合せることでフィルタリング処理を行い、当該フィルタリング処理後の値を、あるタイミングに取得された値とすること、などが考えられる。なお、フィルタリング処理は、従来からある時系列データに対する平滑化手法を適用することができる。

また、推定関数生成部１３は、学習用データが測定されたタイミング毎に、第１の学習用データである加速度に関する時系列データの値、心拍数に関する時系列データの値、心拍数に関する時系列データの値の変動に関する正解データ、をセットとしたものを統計学習用データとし、統計学習を行うことで、加速度に関する時系列データの値と心拍数に関する時系列データの値とから、心拍数の値の変動を推定する推定関数を生成する推定関数生成手段である。なお、統計学習は、２クラス分類が可能なランダムフォレスト等により行われる。推定関数は、推定時に心拍数の値の変動、すなわち心拍数の上昇・下降を推定するため、上昇・下降分類器としての役割を担う。

すなわち、推定関数生成部１３は、推定関数の正解データに対応する引数として、対応づいたタイミングに測定された加速度の値と心拍数の値を、正解データ（推定関数の出力）として、心拍数の値の変動に関する正解データ（上昇もしくは下降）を、一セットとし、測定された全てのタイミングについて、統計学習する。当該統計学習の結果、加速度と心拍数とが入力された場合に、心拍数の値の変動（上昇もしくは下降）を推定することができる推定関数が生成される。

推定関数ｆは、下記に示す式で定義され、正解データが上昇である場合は、ｆ＝１、下降である場合は、ｆ＝−１、となる。なお、ｘは所定のタイミングの加速度の値、ｒは当該加速度の値に係るタイミングに対応づいた（通常、同じタイミングでの）心拍数の値を示す。また、ｓｉｎ（Δｒ）は、心拍数の上昇、下降を示す変数である。

また、推定関数生成部１３は、測定タイミング毎に、加速度に関する時系列データの値、心拍数に関する時系列データの値に所定の係数を掛け合わせた値、該所定の係数に応じた心拍数に関する時系列データの値の変動に関する正解データ、をセットとしたものを、追加学習用データとしてさらに統計学習用データとする。

所定の係数としては、０より大きく１より小さい値（例えば０.９）や、１より大きい値（例えば１.１）などが考えられる。そして、所定の係数に応じた正解データは、０より大きく１より小さい値を所定の係数とした場合には上昇、１より大きい値を所定の係数にした場合には下降、とすることが考えられる。

例えば、所定の係数を、０．９とした場合の、学習パラメータである正解データは、上昇と決める。上昇の正解データは下記に示す式で定義され、ｆ＝１となる。なお、ｘは所定のタイミングの加速度の値、ｒは当該加速度の値に係るタイミングに対応づいた（通常、同じタイミングでの）心拍数の値を示す。また、ｓｉｎ_ｕｐ（Δｒ）は、心拍数が上昇することを示す変数である。

例えば、所定の係数を、１．１とした場合の、学習パラメータである正解データは、下降と決める。下降の正解データは下記に示す式で定義され、ｆ＝−１となる。なお、ｘは所定のタイミングの加速度の値、ｒは当該加速度の値に係るタイミングに対応づいた（通常、同じタイミングでの）心拍数の値を示す。また、ｓｉｎ_ｄｏｗｎ（Δｒ）は、心拍数が下降することを示す変数である。

また、推定関数生成部１３は、学習用データ入力部１１により入力された加速度に関する時系列データの値を統計学習用データとするに際しては、３軸加速度センサーにより測定された加速度の加速度のノルムを算出する。そして、データをフーリエ解析（ＦＦＴ解析）して周波数軸のデータに変換する処理や、フィルタリング処理、トレンドの除去等が行われてもよい。これらの処理は、すべて連続して行われてもよいし、それぞれ独立して個別に行われてもよい。当該フーリエ解析、フィルタリング処理、トレンドの除去については、従来の手法を用いることができる。なお、上述したフーリエ解析等の処理は、測定した一の加速度から、様々な特徴のあるデータ（パラメータ）を作成するためのデータ加工処理である。このようなデータ加工処理の一例として、時刻ｔにおける加速度ノルムとして加速度ノルム変換値ｎ_ｔ（時刻ｔの前に加速度が測定されたタイミングである時刻ｔ-１における加速度ノルム変換値ｎ_ｔ-１と時刻ｔにおける加速度ノルムの測定値ｎ´_ｔを所定の比率で足し合せることにより算出）を用いることが考えられる。加速度ノルム変換値ｎ_ｔは時刻ｔ-１における加速度ノルム変換値ｎ_ｔ-１と時刻ｔにおける加速度ノルムの測定値ｎ´_ｔの足し合せる比率を変えることで、様々なデータ（パラメータ）を作成することができる。このように、測定した一の加速度から、複数のデータ（パラメータ）を作成することができるが、加速度に関する統計学習用データとしては、単に測定した一の加速度を採用してもよいし、測定した一の加速度から作成した複数のデータ（パラメータ）のうちいずれかのデータを採用してもよいし、複数のデータ（パラメータ）のすべてを採用してもよい。

入力部１４は、第１の種別である加速度の入力値と、第２の種別である心拍数の入力値とを受けつける入力手段である。入力部１４が受けつける加速度の入力値とは、加速度センサー１５が測定した加速度を入力部１４が受信したものである。

加速度センサー１５は、学習用データ測定部１２の加速度センサー２４と同様の機能を有する装置である。加速度センサー１５は、腕時計型端末２３と同様に通信機能を有しており、測定した加速度を時系列データ処理サーバ２に送信する。

また、入力部１４が受けつける心拍数の入力値とは、後述する出力部１９が出力した心拍数の値とすることができる。すなわち、入力部１４は、あるタイミングで出力部１９が出力した次のタイミングの心拍数の値を、次のタイミングの心拍数の入力値とすることができる。

なお、入力部１４は、加速度センサー１５が測定した加速度の値を、測定した加速度の値毎に入力してもよいし、複数の加速度の値をまとめて入力するものであってもよい。入力部１４は、複数の加速度の値をまとめて入力する場合には、複数の加速度の測定順序を考慮して入力する。なお、加速度センサー１５により測定された加速度は、加速度ノルムが算出された後に、データをフーリエ解析（ＦＦＴ解析）して周波数軸のデータに変換する処理や、フィルタリング処理、トレンドの除去等が行われてもよい。

初期値入力部１６は、心拍数の入力値の初期値を入力部１４に与えるものである。初期値入力部１６から受けつける心拍数の初期値は、時系列データ処理システム１を用いるユーザ毎に該ユーザの平均的な心拍数を設定できることとしてもよいし、全ユーザを想定した平均的な心拍数をデフォルト設定してもよい。初期値入力部１６は、初期値をユーザの入力を受けつけることで設定可能としてもよいし、予め記憶されている初期値を設定してもよい。入力部１４は、心拍数の初期値として初期値入力部１６から心拍数の初期値を受けつけ、その後の心拍数の入力値は、上述した、出力部１９が出力した心拍数を用いることができる。

入力値変動推定部１７は、第１の種別である加速度の入力値と、第２の種別である心拍数の入力値と、推定関数とから、心拍数の値の、心拍数の入力値に係るタイミングの次のタイミングに向かっての変動である入力値変動を推定する入力値変動推定手段である。ここで、入力値変動推定部１７が変動を推定するために用いる第１の種別である加速度の入力値とは、入力部１４により入力された加速度をいい、第２の種別である心拍数の入力値とは、入力部１４により入力された心拍数をいう。

上述したとおり、推定関数ｆは、加速度の値と心拍数の値とから、心拍数の値の次のタイミングに向かっての変動、すなわち、心拍数の値の上昇もしくは下降を推定することができるものである。入力値変動推定部１７は、推定関数生成部１３が生成した推定関数ｆを用いることで、入力部１４が受けつけた加速度及び心拍数の入力値から、次のタイミングに向かっての心拍数の値の上昇もしくは下降（入力値変動）を推定する。推定関数に入力される加速度の値と心拍数の値とは、学習の時と同様に互いに対応付いたタイミングに係る値である。推定の際には、実際に測定される値は加速度の値のみであり、心拍数の値は測定されない。従って、最初に測定される（最初に入力される）加速度の値に対応する心拍数の値を、初期値入力部１６から入力される心拍数の値とする。後述するように次のタイミングの心拍数が算出されたら、その心拍数の値を次のタイミングの加速度の値に対応する心拍数の値とする。

本実施形態のように、加速度と心拍数とから次のタイミングの心拍数の変動を推定する推定関数は、通常、入力部１４により入力された加速度の入力値が比較的高い値であり、心拍数の入力値が比較的低い値である場合には変動を上昇と推定し、入力部１４により入力された加速度の入力値が比較的低い値であり、心拍数の入力値が比較的高い値である場合には変動を下降と推定するものになる。

導出部１８は、入力値変動と、第２の種別である心拍数の入力値とから、心拍数の入力値に係るタイミングの次のタイミングにおける心拍数の値を導出する導出手段である。

導出部１８による心拍数の値の導出は、下記に示す式で定義され、ｘは入力部１４により直近に入力された加速度の値、ｒ_ｔは入力部１４により直近に入力された心拍数の値、ｒ_ｔ+１は心拍数の入力値に係るタイミングの次のタイミングの心拍数の推定値、ｆは推定関数である。また、ξは、加速度のサンプリングレートと１秒間あたりの心拍数変化の最大値とから決まるパラメータであり、変動を決めるパラメータである。例えば加速度のサンプリングレートが５０Ｈｚであり、１秒間の心拍数変化の最大を５と仮定した場合には、ξは０.１（固定値）とされる。よって、例えば、推定関数ｆにより上昇すると推定された場合、ｆ＝１となり、ξが０.１であるので、心拍数の値ｒ_ｔに０.１を足し合せた値が、心拍数の入力値に係るタイミングの次のタイミングの心拍数の推定値ｒ_ｔ+１となる。

出力部１９は、導出部１８が導出した第２の種別である心拍数の値を出力する出力手段である。出力とは、例えば、モニタなどに表示してリアルタイムに確認できるようにしてもよいし、記憶媒体に出力して記憶させるものであってもよい。なお、出力部１９が出力した心拍数の値は、当該心拍数の出力に係る入力部１４における入力を受けつけたタイミングの次のタイミングの入力部１４における心拍数の入力値とすることができる。

つぎに、図４により、時系列データ処理サーバ２のハードウェア構成について説明する。図４は、本発明の実施形態に係る時系列データ処理サーバ２のハードウェア構成を示す図である。図４に示すように、時系列データ処理サーバ２は、ＣＰＵ１０１、主記憶装置であるＲＡＭ１０２及びＲＯＭ１０３、通信を行うための通信モジュール１０４、並びにハードディスク等の補助記憶装置１０５等のハードウェアを備えるコンピュータを含むものとして構成される。これらの構成要素がプログラム等により動作することにより、上述した各機能が発揮される。

引き続いて、図５のフロー図を用いて、学習に関するフローを説明する。図５は、本発明の実施形態に係る時系列データ処理システム１の学習フローを示す図である。

まず、学習用データ入力部１１により、加速度の時系列データが入力される（Ｓ１０１、学習用データ入力ステップ）。当該加速度の時系列データは、学習用データ測定部１２の加速度センサー２４により測定されたものである。

つぎに、推定関数生成部１３により、学習用データ入力部１１が入力した加速度の時系列データについて、加速度のノルムが算出される（Ｓ１０２、推定関数生成ステップ）。加速度センサー２４は、通常３軸加速度センサーが用いられており、Ｘ軸、Ｙ軸、Ｚ軸で表される３次元空間の加速度が分離して測定されるため、推定関数生成部１３により、加速度のノルムが算出される。

つぎに、推定関数生成部１３により、フーリエ解析（ＦＦＴ解析）により周波数軸に変換する処理や、フィルタリング処理、トレンド除去等が行われる（Ｓ１０３、推定関数生成ステップ）。これらの処理は、すべて連続して行われてもよいし、それぞれ独立して個別に行われてもよい。なお、当該処理は、様々な特徴のあるデータ（パラメータ）を作成するためのデータ加工処理であり、このようなデータ加工処理の一例として、時刻ｔにおける加速度ノルムとして加速度ノルム変換値ｎ_ｔ（時刻ｔの前に加速度が測定されたタイミングである時刻ｔ-１における加速度ノルム変換値ｎ_ｔ-１と時刻ｔにおける加速度ノルムの測定値ｎ´_ｔを所定の比率で足し合せることにより算出）を用いることが考えられる。

また、学習用データ入力部１１により、心拍数の時系列データが入力される（Ｓ１０４、学習用データ入力ステップ）。当該心拍数の時系列データは、学習用データ測定部１２の心拍数モニタ２１により測定されたものである。

学習用データ入力部１１により入力された心拍数の時系列データは、推定関数生成部１３により、フィルタリング処理が行われ、ノイズ成分が除去される（Ｓ１０５、推定関数生成ステップ）。

そして、推定関数生成部１３により、フィルタリング後の心拍数に関する時系列データの各値について、各値の、各値が測定されたタイミングの次に値が測定されたタイミングの値に向かっての変動（上昇もしくは下降）が、心拍数に関する時系列データの各値の変動に関する正解データと決定される（Ｓ１０６、推定関数生成ステップ）。

また、推定関数生成部１３により、心拍数の時系列データの測定タイミング毎の各値に、０．９を掛け合わせた値が算出される（Ｓ１０７、推定関数生成ステップ）。そして、各値に０．９を掛け合わせた値の変動に関する正解データは、上昇とされる（Ｓ１０８、推定関数生成ステップ）。

また、推定関数生成部１３により、心拍数の時系列データの測定タイミング毎の各値に、１．１を掛け合わせた値が算出される（Ｓ１０９、推定関数生成ステップ）。そして、各値に１．１を掛け合わせた値の変動に関する正解データは、下降とされる（Ｓ１１０、推定関数生成ステップ）。

そして、Ｓ１０１〜Ｓ１１０の処理を終えた後に、推定関数生成部１３により、学習用データが測定されたタイミング毎に、加速度に関する時系列データの値、心拍数に関する時系列データの値、心拍数に関する時系列データの値の変動に関する正解データ、セットしたものがデータセットとして用意される（Ｓ１１１、推定関数生成ステップ）。ここで、心拍数に関する時系列データの値には、Ｓ１０７、Ｓ１０９で算出した所定の係数を掛け合わせた値を含む。また、心拍数に関する時系列データの値の変動に関する正解データには、Ｓ１０８、Ｓ１１０で上昇、下降の正解データとしたデータを含む。そして、Ｓ１０８で取得された正解データはＳ１０７で算出した所定の係数を掛け合わせた値及び加速度に関する時系列データの値と、Ｓ１１０で取得された正解データはＳ１０９で算出した所定の係数を掛け合わせた値及び加速度に関する時系列データの値と、それぞれ紐づいて、データセットとされる。

そして、推定関数生成部１３により、Ｓ１１１で用意したデータセットが統計学習され（Ｓ１１２、推定関数生成ステップ）、加速度に関する時系列データの値と心拍数に関する時系列データの値とから、心拍数の値の変動（上昇もしくは下降）を推定する推定関数が生成される（Ｓ１１３、推定関数生成ステップ）。以上が、本発明の実施形態に係る時系列データ処理システム１の学習フローの説明である。

引き続いて、図６のフローを用いて、推定に関するフローを説明する。図６は、本発明の実施形態に係る時系列データ処理システム１の推定フローを示す図である。

まず、入力部１４により、加速度の入力値と、心拍数の入力値とが受けつけられる（Ｓ２０１、入力ステップ）。この場合に、加速度の入力値は、加速度センサー１５により測定された値である。心拍数の入力値の初期値は、初期値入力部１６により値が設定される。なお、加速度センサー１５により測定された加速度は、Ｓ１０２及びＳ１０３と同様に、加速度ノルムが算出された後に、データをフーリエ解析（ＦＦＴ解析）して周波数軸のデータに変換する処理や、フィルタリング処理、トレンドの除去等が行われてもよい。

つぎに、入力値変動推定部１７により、加速度の入力値、心拍数の入力値、推定関数とから、心拍数の値の、心拍数の入力値に係るタイミングの次のタイミングに向かっての変動（上昇もしくは下降）である入力値変動が推定される（Ｓ２０２、入力値変動推定ステップ）。

そして、導出部１８により、上記の推定結果である入力値変動と、心拍数とから、心拍数の入力値に係るタイミングの次のタイミングにおける心拍数の値が導出される（Ｓ２０３、導出ステップ）。

そして、出力部１９により、導出部１８が導出した心拍数の値が出力される（Ｓ２０４、出力ステップ）。続いて、再度（例えば、加速度の測定タイミング毎に）、Ｓ２０１〜Ｓ２０４の処理が繰り返される。このとき、Ｓ２０４で出力された心拍数の値は、次のタイミングにおける心拍数の入力値とされ、入力部１４により入力が受けつけられる。以上が、本発明の実施形態に係る時系列データ処理システム１の推定フローの説明である。

つぎに、本実施形態に係る時系列データ処理システム１の作用・効果について説明する。

本実施形態に係る時系列データ処理システム１では、学習段階においては、推定関数生成部１３が、加速度及び心拍数の値を測定したデータと、心拍数の各値の変動を学習することで、推定時に心拍数の値の変動を推定する推定関数を生成している。状態モデルを考慮していないため、学習用データの取得のデータ取得コストを低減するとともに、学習用データの学習を容易にすることができる。また、推定段階においては、入力値変動推定部１７が、加速度の入力値と心拍数の入力値と推定関数とから、次のタイミングの心拍数の変動（上昇もしくは下降）を推定することができる。状態モデルを用いないため、状態モデルとの適合・不適合に係らず、心拍数を適切に推定することができる。

また、心拍数の値を直接推定するものではなく、変動を推定するものではあるものの、各時点での心拍数の値を次の時点での心拍数の値の推定に用いることで、変動の推定だけではなく、具体的な値の推定も適切に行える。

そして、本実施形態に係る時系列データ処理システム１では、心拍数の値を、次のタイミングの心拍数の値を推定する際に用いることができる。このことで、上昇・下降という２クラス分類のなかに、２クラス以上の状態の情報を持たせている。また、従来は、測定した加速度の値と状態モデルとから、心拍数の推定を行っていたところ、本実施形態に係る時系列データ処理システム１においては、加速度と心拍数とから次のタイミングの心拍数を推定することができる。すなわち、推定対象である心拍数の値を用いて次のタイミングの心拍数推定を行うことで、精度の高い適切なデータ推定を実現している。

また、本実施形態に係る時系列データ処理システム１は、推定関数生成部１３が、測定タイミング毎に、加速度の値、心拍数の値に所定の係数を掛け合わせた値、該所定の係数に応じた心拍数の値の変動に関する正解データ、をセットとしたものを、さらに統計学習用データとすることにより、一の測定タイミングに係るデータから、複数セットの統計学習用データを用意することができ、統計学習を行うデータ量を効率的に増やし、推定時の精度を向上させることができる。また、測定した一のタイミングの心拍数の値に所定の係数を掛け合わせた値は、次のタイミングには、測定した一のタイミングの心拍数の値に向かって変動すると考えられるため、変動に関して精度の高い正解データを統計学習用データとすることができ、推定精度をより向上させることができる。

ここで、推定関数を用いて心拍数の推定を行った場合の、推定値と実測値との関係について、図７及び図８により説明する。図７は、追加学習用データを用いずに統計学習を行った場合の推定関数を用いた、心拍数の推定値と、心拍数の実測値との関係を示した図である。図８は、追加学習用データを用いて統計学習を行った場合の推定関数を用いた、心拍数の推定値を心拍数の実測値との関係を示した図である。図７及び図８においては、縦軸は心拍数（図７においては、左軸が実際の心拍数、右軸が推定心拍数）を、横軸は時間を示している。

図７に示すように、統計学習用データとして、追加学習用データを与えない場合には、上昇、下降という２クラス分類での誤認識は少ない（上昇・下降の分類誤認識率：０.０２６８）ものの、心拍数の値の推定は正しく行えていない箇所が見られ、スケールが合っていないと考えられる。

一方で、図８に示すように、統計学習用データとして、追加学習用データを与えた場合には、上昇、下降という分類を正確に行う（上昇・下降の分類誤認識率：０.０１５９）とともに、心拍数の値の推定についても高精度で行うことができている。

また、本実施形態に係る時系列データ処理システム１は、入力部１４が、出力部１９が出力した心拍数の値を、次のタイミングにおける心拍数の入力値として受けつけることにより、連続して加速度が測定される場合において、時系列データである心拍数の値を適切に推定することができる。

また、本実施形態に係る時系列データ処理システム１は、変動とは、上昇もしくは下降の２クラスとすることで、多クラスとしての設計の必要性をなくすとともに、より少ない処理量で、適切なデータ推定が可能となる。また、正解データの学習をより簡易化することができる。

また、本実施形態に係る時系列データ処理システム１は、推定時において、従来からある統計的分類手法を用いることで、細かなパラメータ調整作業を必要とせず、柔軟な推定モデルの利用が可能になる。

また、本実施形態に係る時系列データ処理システム１は、様々な状況の大量のデータを学習することにより、例えばバスに乗車しているときの振動や、自転車を漕ぐ際の特有の動きなど、詳細な状態における心拍数の推定についても適切に行えるようになる。

以上、本発明の好適な実施形態について説明したが、本発明は上記実施形態に限られるものではなく、各請求項に記載した要旨を変更しない範囲で変形し、又は他のものに適用したものであってもよい。

例えば、本実施形態においては、第１の種別として加速度、第２の種別として心拍数の例を説明したが、これに限定されるものではなく、第１の種別と第２の種別とに相関関係があれば、第１の種別と第２の種別は、どのような事象であっても良い。

また、学習用データ入力部１１により入力される第１の学習用データ及び第２の学習用データを測定するものとして、学習用データ測定部１２を図３を用いて説明したが、学習用データ測定部１２は、図３に示した構成に限定されない。例えば、図９に示したように、心拍数モニタ２１で測定された心拍数が携帯端末２６の携帯端末アプリ２７に送信されるとともに、携帯端末２６の加速度センサー２８が測定した加速度が携帯端末アプリ２７に送信され、携帯端末アプリ２７は、送信された心拍数及び加速度を携帯端末２６のストレージ２９に記憶する、という構成とすることができる。また、例えば、図１０に示したように、心拍数モニタ２１で測定された心拍数が、携帯端末３０の携帯端末アプリ３１に送信され、当該心拍数の測定データが、マイクロデバイス３２のマイクロデバイスアプリ３３に送信され、マイクロデバイス３２の加速度センサー３４で測定された加速度がマイクロデバイスアプリ３３に送信され、マイクロデバイスアプリ３３が受信した加速度及び心拍数のデータを、ディスプレイ３５に表示可能とするとともに、ストレージ３６に記憶する、という構成とすることができる。また、例えば、図１１に示したように、心拍数モニタ２１で測定された心拍数が、携帯端末３７の携帯端末アプリ３８に送信され、マイクロデバイス４０の加速度センサー４１で測定された加速度が携帯端末３７の携帯端末アプリ３８に送信され、携帯端末３７の携帯端末アプリ３８が受信した加速度及び心拍数のデータを、ディスプレイ４２に表示可能とするとともに、ストレージ３９に記憶する、という構成とすることができる。なお、携帯端末アプリとマイクロデバイスアプリとは、同じオープンソース・オペレーティングシステム上で実行されるものであってもよい。

なお、上述したマイクロデバイスとは、ディスプレイ、加速度センサーを備え、移動体通信等の無線通信の機能が付いたものであり、腕時計のように腕に装着できるものなどが考えられる。また、携帯端末アプリ、マイクロデバイスアプリとは、それぞれ、携帯端末、マイクロデバイス上で実行され、携帯端末、マイクロデバイスを上述した学習用データ測定部として機能させるためのアプリケーションであり、これらのアプリケーションは、オープンプラットフォームで開発されたものなどが考えられる。

また、学習用データ入力部１１により入力される第１の学習用データ及び第２の学習用データは、学習用データ測定部１２で測定される、として説明したが、これに限定されるものではなく、必ずしも測定されたデータである必要はない。

また、推定関数生成部１３による推定関数の生成時の統計学習は、ランダムフォレストにより実施されるとしたが、これに限定されるものではなく、他の統計学習方法、例えばＡｄａｂｏｏｓｔ等で行われるものであっても良い。

また、学習用データ測定部１２による加速度と心拍数との測定において、加速度と心拍数のサンプリングレートを同一とする、として説明したが、これに限定されるものではなく、双方のサンプリングレートを異なるものとしても良い。例えば、加速度のサンプリングレートを５０Ｈｚ、心拍数のサンプリングレートを１Ｈｚとした場合には、加速度は１秒間に５０、心拍数は１秒間に１のデータを測定することとなる。この場合、最初の測定タイミングを同期させると、加速度の１つ目のデータは心拍数の１つ目のデータと、加速度の５１個目のデータは心拍数の２つ目のデータと測定タイミングが対応づくこととすればよい。この場合、加速度の２つ目〜５０個目のデータに対応づく心拍数の測定値がないため、推定関数生成部１３による統計学習時に問題となる。このようなサンプリングレートが異なる場合には、推定学習生成部１３は、サンプリングレートが小さい時系列データについて、ある測定タイミングの値と次の測定タイミングの値とを比較することで、サンプリングレートが大きい時系列データの各値に対応づく、サンプリングレートが小さい時系列データの値を決定する。上述の例であれば、例えば、心拍数の１つ目のデータの値が５０であり、心拍数の２つ目のデータの値が１００であったとすると、加速度の２つ目〜５０個目のデータに対応づく心拍数の値は、例えば、それらのデータの値から補間（内挿）を行うことによってそれぞれ５１〜９９の値となるようにする。このようにすることで、加速度と心拍数のサンプリングレートが異なる場合においても、推定関数生成部１３による統計学習を適切に行うことができる。

また、学習用データ測定部１２により測定する加速度及び心拍数の時系列データは、ソフトウェアのバグ等により、設定したサンプリングレートどおりにデータが測定されないケースが想定される。例えば、サンプリングレートを１０Ｈｚと設定した加速度について、ある期間、１Ｈｚでデータ測定が行われていた場合を考える。この場合には、推定関数生成部１３は、１Ｈｚでデータ測定が行われた期間の、加速度の値、各加速度の測定タイミングに対応づいた心拍数の値、該心拍数の変動を統計学習する際に、他の適切にデータ測定が行われた期間（設定したサンプリングレートである１０Ｈｚでデータ測定が行われた期間）と比較して、学習時の優先度（重み）を下げて、統計学習を行う。適切にデータ測定が行われておらず、測定間隔が広いデータについての優先度を下げて統計学習を行うことで、より精度の高い推定が行える推定関数を生成できる。また、このように測定間隔が広いデータについても、ガベージコレクションによる影響により学習データとできない、といった事態についても回避できる。

１…時系列データ処理システム、２…時系列データ処理サーバ、１１…学習用データ入力部、１２…学習用データ測定部、１３…推定関数生成部、１４…入力部。１５、２４、２８、３４、４１…加速度センサー、１６…初期値入力部、１７…入力値変動推定部、１８…導出部、１９…出力部、２１…心拍数モニタ、２２、２６、３０、３７…携帯端末、２３…腕時計型端末、２５、２９、３６、３９…ストレージ、２７、３１、３８…携帯端末アプリ、３２、４０…マイクロデバイス、３３…マイクロデバイスアプリ、３５、４２…ディスプレイ、１０１…ＣＰＵ、１０２…ＲＡＭ、１０３…ＲＯＭ、１０４…通信モジュール、１０５…補助記憶装置。

Claims

互いに異なる種別である第１の種別と第２の種別の値を測定したデータであり、値の測定タイミングが、第１の種別と第２の種別とで対応づいている時系列データである第１の学習用データと、第２の学習用データとをそれぞれ入力する学習用データ入力手段と、
前記第２の学習用データの各値の、各値が測定されたタイミングの次に値が測定されたタイミングの値に向かっての変動を、前記第２の学習用データの各値の変動に関する正解データとし、前記測定タイミング毎に、前記第１の学習用データの値、前記第２の学習用データの値、前記第２の学習用データの値の変動に関する正解データ、をセットとしたものを統計学習用データとし、統計学習を行うことで、前記第１の種別の値と前記第２の種別の値とから、前記第２の種別の値の変動を推定する推定関数を生成する推定関数生成手段と、
前記第１の種別の入力値と前記第２の種別の入力値とを受けつける入力手段と、
前記第１の種別の入力値と、前記第２の種別の入力値と、前記推定関数とから、前記第２の種別の値の、前記第２の種別の入力値に係るタイミングの次のタイミングに向かっての変動である入力値変動を推定する入力値変動推定手段と、
前記入力値変動と、前記第２の種別の入力値とから、前記第２の種別の入力値に係るタイミングの次のタイミングにおける前記第２の種別の値を導出する導出手段と、
前記導出手段が導出した前記第２の種別の値を出力する出力手段と、
を備え、
前記推定関数生成手段が、前記測定タイミング毎に、前記第１の学習用データの値、前記第２の学習用データの値に所定の係数を掛け合わせた値、該所定の係数に応じた前記第２の学習用データの値の変動に関する正解データ、をセットとしたものを、さらに統計学習用データとする、
時系列データ処理システム。
前記入力手段が、前記出力手段が出力した前記第２の種別の値を、次のタイミングにおける前記第２の種別の入力値として受けつける、請求項１に記載の時系列データ処理システム。
前記変動とは、上昇もしくは下降のいずれかである、請求項１又は２に記載の時系列データ処理システム。
互いに異なる種別である第１の種別と第２の種別の値を測定したデータであり、値の測定タイミングが、第１の種別と第２の種別とで対応づいている時系列データである第１の学習用データと、第２の学習用データとをそれぞれ入力する学習用データ入力手段と、
前記第２の学習用データの各値の、各値が測定されたタイミングの次に値が測定されたタイミングの値に向かっての変動を、前記第２の学習用データの各値の変動に関する正解データとし、前記測定タイミング毎に、前記第１の学習用データの値、前記第２の学習用データの値、前記第２の学習用データの値の変動に関する正解データ、をセットとしたものを統計学習用データとし、統計学習を行うことで、前記第１の種別の値と前記第２の種別の値とから、前記第２の種別の値の変動を推定する推定関数を生成する推定関数生成手段と、
を備え、
前記推定関数生成手段が、前記測定タイミング毎に、前記第１の学習用データの値、前記第２の学習用データの値に所定の係数を掛け合わせた値、該所定の係数に応じた前記第２の学習用データの値の変動に関する正解データ、をセットとしたものを、さらに統計学習用データとする、
時系列データ処理システム。
互いに異なる種別である第１の種別と第２の種別の値を測定したデータであり、値の測定タイミングが、第１の種別と第２の種別とで対応づいている時系列データである第１の学習用データと、第２の学習用データとをそれぞれ入力する学習用データ入力ステップと、
前記第２の学習用データの各値の、各値が測定されたタイミングの次に値が測定されたタイミングの値に向かっての変動を、前記第２の学習用データの各値の変動に関する正解データとし、前記測定タイミング毎に、前記第１の学習用データの値、前記第２の学習用データの値、前記第２の学習用データの値の変動に関する正解データ、をセットとしたものを統計学習用データとし、統計学習を行うことで、前記第１の種別の値と前記第２の種別の値とから、前記第２の種別の値の変動を推定する推定関数を生成する推定関数生成ステップと、
前記第１の種別の入力値と前記第２の種別の入力値とを受けつける入力ステップと、
前記第１の種別の入力値と、前記第２の種別の入力値と、前記推定関数とから、前記第２の種別の値の、前記第２の種別の入力値に係るタイミングの次のタイミングに向かっての変動である入力値変動を推定する入力値変動推定ステップと、
前記入力値変動と、前記第２の種別の入力値とから、前記第２の種別の入力値に係るタイミングの次のタイミングにおける前記第２の種別の値を導出する導出ステップと、
前記導出ステップにおいて導出した前記第２の種別の値を出力する出力ステップと、を含み、
前記推定関数生成ステップでは、前記測定タイミング毎に、前記第１の学習用データの値、前記第２の学習用データの値に所定の係数を掛け合わせた値、該所定の係数に応じた前記第２の学習用データの値の変動に関する正解データ、をセットとしたものを、さらに統計学習用データとする、
時系列データ処理方法。
互いに異なる種別である第１の種別と第２の種別の値を測定したデータであり、値の測定タイミングが、第１の種別と第２の種別とで対応づいている時系列データである第１の学習用データと、第２の学習用データとをそれぞれ入力する学習用データ入力ステップと、
前記第２の学習用データの各値の、各値が測定されたタイミングの次に値が測定されたタイミングの値に向かっての変動を、前記第２の学習用データの各値の変動に関する正解データとし、前記測定タイミング毎に、前記第１の学習用データの値、前記第２の学習用データの値、前記第２の学習用データの値の変動に関する正解データ、をセットとしたものを統計学習用データとし、統計学習を行うことで、前記第１の種別の値と前記第２の種別の値とから、前記第２の種別の値の変動を推定する推定関数を生成する推定関数生成ステップと、
を含み、
前記推定関数生成ステップでは、前記測定タイミング毎に、前記第１の学習用データの値、前記第２の学習用データの値に所定の係数を掛け合わせた値、該所定の係数に応じた前記第２の学習用データの値の変動に関する正解データ、をセットとしたものを、さらに統計学習用データとする、
時系列データ処理方法。