JP6706187B2 - ネットワーク分析方法、サーバ及びネットワーク分析システム - Google Patents

Description

本発明は、集団におけるネットワーク分析技術及び、表示システムに関する。

近年、様々なセンシング装置の技術進歩に伴い、スポーツ分野に代表される、従来センシング技術が活用されていなかった分野においても、センシング技術の利活用が着目されている。特に、プロスポーツチームやオリンピックナショナルチームにおいては、競技力向上や試合での勝利を目的として、ＩｏＴによるアスリート個人や集団のパフォーマンスの定量評価が求められている。

個人のパフォーマンス評価では、競技中の運動量や位置、モーション、バイタル等を記録して分析可能な、映像解析技術やウェアラブルセンサ等のセンシング技術の利活用が進んでいる。

集団のパフォーマンス評価では、競技中の個体同士の関連性を表すネットワークを分析することが重要であるが、アスリートは目や耳などの五感で捉えた情報を駆使することで、空間を把握し動いているため、従来のセンシング技術のみでは、集団におけるネットワークを評価することは出来ていない。

従来技術には、赤外線センサを搭載したウェアラブルデバイスを用いて、ウェアラブルデバイス装着者同士が対面しているか否かを検出し、この対面情報から集団のネットワークを分析・可視化する技術がある。この技術により、個体が対面する場合に限り、集団のネットワークを分析して可視化することができる。

特開２０１３−０６１９７５号公報

前記従来例では、集団中の個体が対面していない場合の相互の相関は考慮されていない。従って、対面していない個体同士であっても関係して動く場合があるスポーツや教育等での集団には適用できないという課題があった。

また、前記従来例では、集団のネットワークを分析して可視化するために、赤外線センサを搭載した特定のウェアラブルデバイスを用いる必要があるという課題があった。

本発明は、プロセッサとメモリを含む計算機が集団における個体間のネットワークを分析するネットワーク分析方法であって、前記計算機が、集団で運動を行う個体の動きに関する時系列の情報をセンサデータとして蓄積する第１のステップと、前記計算機が、前記センサデータから前記個体毎の運動に関する特徴量を算出する第２のステップと、前記計算機が、前記集団内の個体の組み合わせについて前記特徴量に基づいて個体間の関係性を分析する第３のステップと、前記計算機が、前記個体間の関係性の分析結果から個体間のネットワークを生成する第４のステップと、前記計算機が、生成された前記ネットワークを評価する第５のステップと、前記計算機が、前記ネットワーク及び前記ネットワークの評価結果の少なくとも一方を可視化して出力する第６のステップと、を含み、前記第３のステップは、前記特徴量に対して所定の時間間隔毎に前記個体間で授受された情報量について解析し、前記個体間で伝達された情報量から前記関係性を分析し、前記第５のステップは、前記個体間で授受された情報量に基づいて各個体の次数中心性を算出し、前記第６のステップは、前記各個体を前記次数中心性の大きさに応じた図形で表示する。

本発明によれば、集団において対面していない個体同士であっても関係して動く場合においても、集団のネットワークを分析して可視化できる。また、赤外線センサを搭載した特定のウェアラブルデバイスに限定されず、個体の動きを測定可能なセンシング装置であれば、ネットワークを分析して可視化することが可能となる。

上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。

本発明の実施例１を示し、ネットワーク可視化システムの構成を示すブロック図である。 本発明の実施例１を示し、運動分野におけるネットワーク表示の対象を示す図である。 本発明の実施例１を示し、サーバの解析部による処理の概要を示すフローチャートである。 本発明の実施例１を示し、センサデータの一例を示す図である。 本発明の実施例１を示し、環境情報入力部によって表示される画面の一例を示す図である。 本発明の実施例１を示し、環境情報の一例を示す図である。 本発明の実施例１を示し、特徴量算出部による処理の一例を示すフローチャートである。 本発明の実施例１を示し、特徴量情報に記憶されるデータの一例を示す図である。 本発明の実施例１を示し、ネットワーク分析部による処理の一例を示すフローチャートである。 本発明の実施例１を示し、ネットワーク情報に記憶されるデータの一例を示す図である。 本発明の実施例１を示し、ネットワーク情報に記憶されるデータの他の例を示す図である。 本発明の実施例１を示し、ネットワーク情報に記憶されるデータの他の例を示す図である。 本発明の実施例１を示し、ネットワーク評価部による処理の一例を示すフローチャートである。 本発明の実施例１を示し、ネットワーク評価部による次数中心性の算出処理の詳細を示すフローチャートである。 本発明の実施例１を示し、ネットワーク評価部による近接中心性の算出処理の詳細を示すフローチャートである。 本発明の実施例１を示し、ネットワーク評価部による媒介中心性の算出処理の詳細を示すフローチャートである。 本発明の実施例１を示し、ネットワーク評価部による集団の中心となる個体を算出する処理の一例を示すフローチャートである。 本発明の実施例１を示し、ネットワーク評価部による集団活性度を算出する処理の一例を示すフローチャートである。 本発明の実施例１を示し、ネットワーク評価情報に記憶されるデータの一例を示す図である。 本発明の実施例１を示し、ネットワーク評価情報に記憶されるデータの一例を示す図である。 本発明の実施例１を示し、表示部によって生成される画面の一例を示す図である。 本発明の実施例１を示し、表示部によって生成される画面の一例を示す図である。 本発明の実施例１を示し、表示部によって生成される画面の一例を示す図である。 本発明の実施例１を示し、表示部によって生成される画面の一例を示す図である。 本発明の実施例１を示し、表示部によって生成される画面の一例を示す図である。 本発明の実施例２を示し、教育分野におけるネットワーク表示の対象を示す図である。 本発明の実施例２を示し、表示部によって生成される画面の一例を示す図である。 本発明の実施例３を示し、運動分野におけるネットワーク表示の対象を示す図である。

以下、本発明の実施形態を添付図面に基づいて説明する。

本発明の好適な実施例１として、集団スポーツのプレイヤー間におけるネットワーク分析及び可視化システムの一例を、以下図面に基づいて説明する。

図１は、実施例１のネットワーク分析及び可視化システムの構成を示すブロック図である。実施例１のネットワーク分析及び可視化システムは、集団を構成する個体（プレイヤー）の動きから関係性を分析し、ネットワーク（個人間の連携）を作成、可視化する計算機システムである。

なお、以下においては、人のネットワークを可視化するシステムについて説明するが、動物等、動きのある個体間のネットワークを分析、可視化するシステムであれば、いかなるシステムに適用してもよい。また、以下において、ネットワークを生成される個体を、特にユーザと記載する。

ネットワーク可視化システムは、センシング装置１と、ＰＣ２と、スマートフォン３、及び、サーバ５を含む。

サーバ５は、ネットワーク４を介してセンシング装置１、ＰＣ２及びスマートフォン３と通信する。サーバ５は、ＣＰＵ５１と、メモリ５４と、補助記憶装置（ストレージ装置）５５と、通信部５２と、入出力装置５６を有する計算機である。なお、以下の説明では、個人間の連携を示す場合に符号のないネットワークを使用し、計算機を接続するネットワーク４と区別する。

サーバ５は、補助記憶装置５５からメモリ５４にロードされたプログラムをＣＰＵ５１が実行することによって、解析部１０、環境情報入力部５３の機能を実現する。サーバ５のメモリ５４は、不揮発性の記憶素子であるＲＯＭまたは揮発性の記憶素子であるＲＡＭを含む。

ＲＯＭは、不変のプログラム（例えば、ＢＩＯＳ）などを格納する。ＲＡＭは、ＤＲＡＭ（Dynamic Random Access Memory）のような高速かつ揮発性の記憶素子であり、補助記憶装置５５に格納されたプログラム及びプログラムの実行時に使用されるデータを一時的に格納する。

データベース２０は、補助記憶装置５５に格納される。補助記憶装置５５は、例えば、磁気記憶装置（ＨＤＤ）、フラッシュメモリ（ＳＳＤ）等の大容量かつ不揮発性の記憶装置である。また、補助記憶装置５５は、ＣＰＵ５１が実行するプログラム及びプログラムの実行時に使用されるデータを格納する。すなわち、プログラムは、補助記憶装置５５から読み出されて、メモリ５４にロードされて、ＣＰＵ５１によって実行される。

解析部１０は、センサデータ２１に基づいて時系列の位置情報を算出し、位置情報から検出した軌跡に基づいて個体間のネットワークを算出し、ネットワークの評価を実施する機能部である。解析部１０は、特徴量算出部１１と、ネットワーク分析部１２と、ネットワーク評価部１３と、表示部１４と、動画再生部１５の機能部を主に有する。なお、個体の位置の測定は、個体に装着したセンシング装置１の他にフィールド等に設置した位置検出装置からの情報を用いるようにしても良い。また、時系列の位置情報とセンサデータ２１の対応付けは、ＰＣ２等の操作者がおこなうようにしてもよい。

表示部１４、環境情報入力部５３は、データベース２０に記録されたデータを、ネットワーク４を介してＰＣ２及びスマートフォン３に出力することにより、集団のネットワークを取得したい操作者に公開する。入出力装置５６は、キーボードやマウス及びディスプレイなどから構成される。

ＣＰＵ５１は、各機能部のプログラムに従って処理することによって、所定の機能を提供する機能部として稼働する。例えば、ＣＰＵ５１は、解析プログラムに従って処理することで解析部１０として機能する。他のプログラムについても同様である。さらに、ＣＰＵ５１は、各プログラムが実行する複数の処理のそれぞれの機能を提供する機能部としても稼働する。計算機及び計算機システムは、これらの機能部を含む装置及びシステムである。

通信部５２は、所定のプロトコルに従って、他の装置との通信を制御するネットワークインターフェースである。通信部５２は、ネットワーク４を介して他の機器と通信し、データを送受信することができる。

解析部１０及び環境情報入力部５３は、プログラムによって実装されてもよく、また、物理的な集積回路によって実装されてもよい。特に解析部１０は、解析部１０に含まれる機能部を実行するための複数のプログラム又は複数の集積回路によって実装されてもよい。また、特徴量算出部１１と、ネットワーク分析部１２と、ネットワーク評価部１３、表示部１４は、各々が実行する処理ごとに複数のプログラム又は複数の集積回路によって実装されてもよい。

ＣＰＵ５１が実行するプログラムは、リムーバブルメディア（ＣＤ−ＲＯＭ、フラッシュメモリなど）又はネットワークを介してサーバ５に提供され、非一時的記憶媒体である補助記憶装置５５に格納される。このため、サーバ５は、リムーバブルメディアからデータを読み込むインターフェースを有するとよい。

サーバ５は、物理的に一つの計算機上で、又は、論理的又は物理的に複数の計算機上で構成される計算機システムであり、前述したプログラムが、同一の計算機上で別のスレッドで実行されてもよく、複数の物理的計算機上に構築された仮想計算機上で実行されてもよい。

データベース２０は、センサデータ２１と、特徴量情報２２と、環境情報２３と、ネットワーク情報２４と、ネットワーク評価情報２５と、動画情報２６を格納する。測定されたデータ（センサデータ）２１は、センシング装置１から収集されたセンサデータを示す。本実施例におけるセンサデータ２１は、個体に装着されたセンシング装置１によって測定された個体に関する運動の測定結果を示す。

特徴量情報２２は、センサデータ２１について特徴量算出部１１を実行することにより算出された、個体の運動に関する特徴量を示す。詳細は後述する。

環境情報２３は、環境情報入力部５３を通じて入力される。環境情報２３は、運動活動に関する情報を示し、運動活動に基づいてセンサデータ２１と、特徴量情報２２と、ネットワーク情報２４を特定するための情報を含む。

環境情報２３は、例えば、運動活動の内容と、運動活動が行われた時間及び場所、並びに、運動活動への参加者（個体）等を示す。詳細は後述する。全てのセンサデータ２１を対象にネットワークを分析し、表示する場合は、必ずしも環境情報２３、環境情報入力部５３は必要ではない。

ネットワーク情報２４は、特徴量情報２２に対して、ネットワーク分析部１２を実行することにより算出された集団のネットワークに関する情報を示す。詳細は後述する。

ネットワーク評価情報２５は、ネットワーク情報２４に対し、ネットワーク評価部１３を実行することにより算出された集団のネットワークに関する評価情報で、個体評価テーブル２５０と、集団評価テーブル２５８とを含む。詳細は後述する。動画情報２６は、運動活動を撮影した画像情報である。

センシング装置１は、ネットワークを分析する対象の個体の運動を測定する装置である。本実施例では、対象の個体が装着するウェアラブルデバイスを例に挙げる。なお、センシング装置１は、ユーザによる動きの結果、値が変化する内容であれば、いかなる内容をセンサデータとして測定してもよい。

センシング装置１は、加速度センサ３１と、メモリ３２と、マイコン（ＭＣＵ）３３、及び、通信部３４を主に有する。

加速度センサ３１は、例えば、１秒間に２０〜１０００回程度の回数でユーザの加速度を測定する。マイコン３３は、加速度センサ３１によって測定された測定結果を、センサデータとしてメモリ３２に記録する。ここで、マイコン３３は、ユーザ毎に一意な識別子（ユーザＩＤ）と測定結果とを、センサデータとして記録する。

さらに、マイコン３３は、メモリ３２に記録したセンサデータを、通信部３４を介して、ＰＣ２及びスマートフォン３に送信する。通信部３４は、無線又は有線を用いて、通信可能なタイミングで、又は、ユーザが設定した所定のタイミングで、センサデータをＰＣ２又はスマートフォン３に送信する。

ＰＣ２及びスマートフォン３は、センシング装置１と通信し、センサデータを受信した場合、サーバ５に向けてセンサデータを転送する。また、センシング装置１はＰＣ２及びスマートフォン３を介さずに、サーバ５に向けてセンサデータを送信しても良い。ＰＣ２は、プロセッサと、メモリ及び、ネットワークインターフェースを有する計算機であり、スマートフォン３は例えば、タブレット端末である。

なお、図１に示すサーバ５、センシング装置１、ＰＣ２及びスマートフォン３は、ネットワーク４を介して接続されるが、本実施例のサーバ５は、ＰＣ２及びスマートフォン３の少なくとも一つの機能を有してもよい。これにより、センシング装置１によって測定されたデータをネットワーク４経由でサーバ５に送ることなく解析することができるため、応答速度が向上する。また、ネットワーク４に接続されるサーバ５を設置する必要が無いため、簡易的に集団におけるネットワークを表示可能である。

図２は、実施例１のセンシング装置１が使用されている例を示す図である。

実施例１でネットワークを表示する運動は、サッカーである。しかし、ネットワークを可視化する運動活動の種類は、２個体以上が参加する競技であればいずれの競技であってもよく、実施例１のネットワーク表示システムは、ラグビー、バスケットボール、バレーボール、ゴールボール、野球、テニス、ハンドボール、ラクロス、陸上競技、スピードスケート等の集団競技に適用されてもよい。

また、実施例１のネットワーク分析及び可視化システムは、個体間のネットワークに限らず、センシング装置１でボールやバット、ラケット等の器具や道具等の物体の動きを測定することで、人体と物体間や、物体間のネットワークの表示に使用されても良い。

実施例１において、センシング装置１は、運動活動を行う個体３０の体に一つ以上装着される。実施例１における個体３０は、３軸加速度センサを搭載した腕時計型ウェアラブルデバイスを、センシング装置１として、直接手首に装着する例を示す。個体３０は、フィールド１００上で運動活動をする個体であるが、運動活動を行う場所はフィールド１００に限らず、いかなる場所であってよい。

また、運動活動を行う場所を指定することによって、センシング装置１を装着した個体が複数の場所にいる場合においても、指定した場所にいる個体のみのネットワークを表示することが出来る。本実施例において、個体３０はネットワークに表示される個体であり、かつ、センシング装置１によって測定される個体である。

本実施例におけるセンシング装置１は、個体の動き（運動）を測定する様々なセンサのうち少なくとも一つ以上のセンサを搭載する。様々なセンサとは、加速度センサ、ジャイロセンサ、歩数計、心拍数モニター、位置センサ、衝撃センサ、磁力計、温度センサ、湿度センサ、風センサ、音センサ、気圧センサ、及び、赤外線センサを含むが、これらに限定されない。そして、これらの様々なセンサによって測定された結果を、センサデータとしてサーバ５に送信してもよい。

また、個体３０は、例えば、頭、首、肩、背中、腕、手首、手、指、ウエスト、ヒップ、脚、足首、足、かかと、及び、つま先などの個体３０の体の部分に物理的に連結するように、センシング装置１を装着してもよい。また、センシング装置１と個体３０の体との間に、１枚以上の衣類、履物、又は、運動保護具が存在する場合、個体３０は、センシング装置１と衣類、履物、運動活動に使用する運動保護具と一体化する状態で、ストラップ、接着剤、ポケット、及び、クリップなどの様々な取り外し可能又は不可能な連結手段によって、センシング装置１を装着してもよい。また、センシング装置１はボールやバット、ラケット等の器具や道具等の物体に装着もしくは埋め込まれても良い。

また、センシング装置１は、装着型のウェアラブルセンサに限らず、映像解析により個体や物体の動きを測定する機器や、レーザ光の反射にて物体の位置を検出することのできるレーザレーダや、圧力や衝撃を測定可能なフォースプレートや、他にも音波センサや磁気センサ、ＲＧＢカメラ、深度センサ、マルチアレイマイクロフォン等の設置型のセンサであっても良く、個体や物体の動きを測定できるものであればいかなる装置であってもよい。

センシング装置１によって測定された動きに関するセンサデータは、ＰＣ２又はスマートフォン３経由でサーバ５に送信され、サーバ５においてデータベース２０内のセンサデータ２１に格納される。

図３は、実施例１の解析部１０による処理の概要を示すフローチャートである。

まず、特徴量算出部１１は、環境情報２３に基づいて処理を行う対象のセンサデータをセンサデータ２１から取得し、対象のセンサデータ２１から個体ごとに個体３０の運動に関する特徴量情報２２を算出する（Ｓ１０１）。

特徴量情報２２は、例えば、又は体動量等の個体３０の動きの強さ（又は、動きのエネルギーの大きさ）に従って値が変化する特徴量を示し、さらに、特徴量の変化を時系列で示す。

本実施例においては、特徴量として身体活動強度を算出するが、運動量や体動量、移動速度、活動頻度、ピッチ、歩数等の運動に関する特徴量であれば、いかなるもので良い。また、特徴量として運動に伴って変化する消費カロリや心拍数、脈拍数、発汗量等の特徴量を算出しても良い。

次に、ネットワーク分析部１２は、算出した特徴量情報２２を用いて、個体３０間のネットワーク分析を実施する（Ｓ１０２）。そして、ネットワーク評価部１３では、ステップＳ１０２の結果から、集団の中心となる個体や、集団活性度を算出し、ネットワークを評価する（Ｓ１０３）。なお、集団活性度の算出については、後述する。

最後に、表示部１４において、処理対象の集団のネットワーク情報２４やネットワーク評価情報２５を組合せて出力する（Ｓ１０４）。なお、表示部１４は、所定の時間間隔でネットワーク情報２４やネットワーク評価情報２５を可視化して出力する。ＰＣ２やスマートフォン３等が表示部１４の出力を受け付けて可視化されたネットワーク情報２４やネットワーク評価情報２５を表示する。

なお、表示部１４が可視化して出力する情報としては、ネットワーク情報２４及びネットワーク評価情報２５の少なくとも一方を含めば良い。また、表示部１４が実施する可視化処理は、ネットワーク情報２４をグラフやマップとして出力することができ、例えば、個体３０間の関係性を図１９のようにマップ上の図形として出力したり、図１７で示すように所定の時刻のマップ上の図形として出力することができる。また、表示部１４が実施する可視化処理は、ネットワーク評価情報２５をグラフや表として出力することができ、例えば、個体３０が所属する集団活性度を図２０のようにグラフとして出力したり、図１９のように数字として表示することができる。

図３に示す処理を実行することによって、解析部１０は、センサデータ２１と環境情報２３とを用いて、対象の個体３０間におけるネットワークを分析し、ネットワークを生成して出力することでＰＣ２等で表示することが出来る。すなわち、解析部１０で生成されたネットワーク情報２４は、関係性の大きい個体の組み合わせを特定して、例えば、グラフ等の形態で出力することができる。これにより、集団内の個体間のネットワークを図示によって可視化してＰＣ２等の操作者へ提供することができる。

図４は、実施例１のセンサデータ２１を示す図である。

センサデータ２１は、センシング装置１を装着した個体３０の情報を記録するユーザ情報テーブル２０１と、各個体３０の活動量情報を記録する動き情報テーブル２０２とを含む。

ユーザ情報テーブル２０１は、ユーザＩＤ２０１１と、ユーザ名２０１２及びユーザ種別２０１３を含む。ユーザＩＤ２０１１は、センシング装置１を装着した個体３０を認識するために、個体３０毎に割り当てられたＩＤを記録する。ユーザＩＤ２０１１が格納するユーザＩＤは、センシング装置１から送信されるセンサデータに格納される。

ユーザ名２０１２は、センシング装置１を装着した個体３０の名前又はニックネームを記録する。ユーザ種別２０１３は、ユーザ情報として、年齢及び性別等を記録してもよく、また、これらに限らない個体３０の様々な情報を記録する。

例えば、測定する運動活動がサッカーである場合、ユーザ種別２０１３は、所属チーム及びポジション等を記録することで、表示部１４は、個体３０の種別毎の評価及び表示が可能になる。

動き情報テーブル２０２の１行は、一人の個体３０の、１回の時刻の情報を示す。動き情報テーブル２０２は、ユーザＩＤ２０２１と、測定日時２０２２と、加速度Ｘ軸２０２３と、加速度Ｙ軸２０２４、及び、加速度Ｚ軸２０２５を含む。ユーザＩＤ２０２１は、個体３０を認識するためのＩＤを記録し、ユーザＩＤ２０１１に対応する。

測定日時２０２２は、センサデータが測定された日時を格納する。加速度Ｘ軸２０２３、加速度Ｙ軸２０２４、及び、加速度Ｚ軸２０２５は、３軸加速度センサの各軸の測定結果を格納する。

以上のようにセンサデータ２１には、個体３０毎のユーザ情報テーブル２０１と、時系列の動き情報テーブル２０２が格納される。

図５は、実施例１の環境情報入力部５３によって表示される画面３０１を示す図である。

環境情報入力部５３は、ＰＣ２またはスマートフォン３等の出力装置に環境表示入力画面を提供し、ＰＣ２またはスマートフォン３の操作者から入力された環境情報を受け付ける。そして、環境情報入力部５３は、入力された環境情報を補助記憶装置５５内の環境情報２３に格納する。

解析部１０は、環境情報２３を参照することにより、短い時間の運動活動におけるデータ分析が可能になる。また、解析部１０は、短い時間で様々な練習メニューを、参加メンバーを入れ替えながら実施するようなトレーニング等の運動活動においても、ネットワークを分析し、表示することができる。

画面３０１は、環境情報入力ページ３０２と、参加者選択ページ３０３、及び、組分け選択ページ３０４を含む。

環境情報入力ページ３０２は、運動活動の識別子を格納する活動ＩＤ３０２１と、運動活動の名称を格納する活動名３０２２と、開始時刻３０２３と、終了時刻３０２４と、運動活動が行われたエリアのエリア名３０２５と、運動活動への参加者３０２６、及び、参加者の組分け３０２７を入力する。

環境情報入力ページ３０２は、操作者が分析したい運動活動に関する環境情報を入力する画面の一例である。操作者は、環境情報入力ページ３０２の各行に、活動名３０２２、開始時刻３０２３、及び終了時刻３０２４等を入力する。また、操作者は、活動を実施したエリアのエリア名３０２５をタブを用いて、事前に登録される候補地から選択する。また、操作者がエリア名３０２５を入力することも可能である。そして、操作者は、参加者３０２６に運動活動に参加する個体３０を入力する。

参加者３０２６では、事前に登録されているセンシング装置１の装着者（個体３０）の全員が参加者である場合、操作者は、「全員」のチェック欄にチェックを入力する。また、操作者が参加者（個体３０）を選択する場合、参加者３０２６の「個別選択」を選択する。

参加者３０２６の「個別選択」が選択された場合、環境情報入力部５３は、参加者選択ページ３０３を表示する。参加者選択ページ３０３は、事前に登録されたセンシング装置１を装着した個体３０の一覧を表示し、操作者に参加者（個体３０）を選択させる画面である。本画面に、センシング装置１を装着した個体３０を新たに登録する機能を追加させても良い。

参加者選択ページ３０３は、レコードを選択するチェックボックスとしての選択３０３１と、ユーザＩＤ３０３２と、ユーザ名３０３３と、背番号３０３４と、ポジション３０３５と、学年３０３６等の情報を一つのレコードに含む。

組分け３０２７は、操作者に参加者の組分けを選択させるインターフェースを表示する。操作者が参加者を組分けする必要が無い場合、操作者は、組分け３０６における「なし」のチェック欄にチェックをいれる。また、参加者を組分けする場合、操作者は、詳細設定を選択する。

組分け３０２７の詳細設定が選択された場合、環境情報入力部５３は、組分け選択ページ３０４を表示する。組分け選択ページ３０４は、事前に登録されたセンシング装置１を装着した個体３０の一覧を表示する。そして、組分け選択ページ３０４は、操作者に、個体３０のチームを選択させるインターフェースを表示する。また、操作者がチーム名を自由に設定、変更できる機能を有しても良い。

組分け選択ページ３０４は、ユーザＩＤ３０４１と、ユーザ名３０４２と、チームＡ３０４３と、チームＢ３０４３４と、チームＣ３０４５と、の情報を一つのレコードに含む。

また、本実施例１では、個体３０が所属するチームによって個体３０を組み分けるが、これに限られず、個体３０のポジションや学年等によって組み分けてもよく、さらに、ユーザ情報テーブル２０１に登録される様々な情報を用いて、組分けを行ってもよい。

環境情報入力部５３が受け付けた環境情報は、データベース２０の環境情報２３に格納される。また、環境情報入力部５３は、組分け選択ページ３０４を介して入力された個体３０の組分けを、ユーザ情報テーブル２０１のユーザ種別２０１３に格納してもよい。

図６は、実施例１の環境情報２３を示す図である。

環境情報２３は、センサデータ２１を測定した活動に関する情報を記録する活動情報テーブル２０３と、活動を実施した環境を特定するために、活動ＩＤ毎に活動の期間、場所という活動を実施した環境等を記録した環境情報テーブル２０４と、活動を実施した集団の構成や特徴等を記録した集団情報テーブル２０５を含む。

活動情報テーブル２０３は、活動ＩＤ２０３１と、活動名２０３２と、集団ＩＤ２０３３とを含む。活動ＩＤ２０３１は、センサデータ２１を測定した運動活動を認識するために、運動活動毎に設定されたＩＤ（識別子）を記録する。活動ＩＤ２０３１は、環境情報入力ページ３０２に入力された活動ＩＤと同じであってもよいし、当該活動ＩＤに基づいて割り当てられたＩＤでもよい。

活動名２０３２は、センサデータ２１を測定した運動活動の名称を記録する。これにより、表示部１４は、エリア名称を示す画面を表示できる。活動名２０３２は、環境情報入力ページ３０２に入力された活動名３０２２を格納する。

環境情報テーブル２０４は、活動ＩＤ２０４１と、開始時刻２０４２と、終了時刻２０４３と、エリアＩＤ２０４４と、ユーザＩＤ２０４５と、エリア名２０４６とを含む。活動ＩＤ２０４１は、活動情報テーブル２０３の活動ＩＤ２０３１に対応する。開始時刻２０４２及び終了時刻２０４３は、活動ＩＤ２０４１が示す運動活動の開始時刻及び終了時刻を示す。開始時刻２０４２及び終了時刻２０４３は、環境情報入力ページ３０２に入力された開始時刻３０２３及び終了時刻３０２４を格納する。

エリアＩＤ２０４４は、活動ＩＤ２０４１が示す運動活動が行われた場所を示す。エリアＩＤ２０４４は、環境情報入力ページ３０２に入力されたエリア名３０２５に割り当てられるＩＤを格納する。ユーザＩＤ２０４５は、活動ＩＤ２０４１が示す運動活動の参加者であり、かつ、センシング装置１を装着した個体３０のユーザＩＤを格納する。エリア名２０４６は、エリアＩＤ２０４４に対応するエリアの名称を格納する。

集団情報テーブル２０５は、集団ＩＤ２０５１と、集団名２０５２と、ユーザＩＤ２０５３と、集団種別２０５４とを含む。集団ＩＤ２０５１は、集団ＩＤ２０３３に対応する。集団名２０５２は、集団の名前又はニックネームを記録する。ユーザＩＤ２０５３は、集団ＩＤ２０５１が示す集団を構成する個体３０であり、かつ、センシング装置１を装着した個体３０のユーザＩＤを格納する。集団種別２０５３は、集団情報として、集団の構成や特徴等を記録してもよく、また、これらに限らない集団の様々な情報を記録する。

例えば、測定する集団活動がサッカーである場合、集団種別２０５３は、フォーメーション等を記録することで、表示部１４は、フォーメーション上にネットワークをマッピングして表示する等の種別毎の表示が可能になる。

図７は、実施例１の特徴量算出部１１によるステップＳ１０１の概要を示すフローチャートである。特徴量算出部１１は、センサデータ２１から個体３０の運動に関する特徴量を算出する。

まずステップＳ１０１１では、特徴量算出部１１は、環境情報入力部５３で入力された環境情報２３に基づいて、ネットワーク分析及び表示の処理を行う対象のセンサデータ２１をＤＢ２０から取得する。本実施例１においては、センサデータ２１は、所定のサンプリングレート（例えば、２０Ｈｚ）で測定した、３軸加速度データ（動き情報テーブル２０２の加速度Ｘ軸２０２３、加速度Ｙ軸２０２４及び加速度Ｚ軸２０２５）である。処理の対象となるセンサデータ２１は、ＰＣ２やスマートフォン３等から環境情報２３を指定することができる。

続いて、ステップＳ１０１２では、特徴量算出部１１が上記ステップＳ１０１１で取得したセンサデータ２１に対して、ノイズを除去するために、所定のフィルタを適用する。本実施例１では、バンドパスフィルタを設計し適用するが、バンドパスフィルタに制限されず、センサデータに応じて、移動平均、ローパスフィルタ、ハイパスフィルタ等のいかなる処理を実行しても良い。フィルタの次数や通過域、阻止域等のパラメータもセンサデータに応じて設定して良い。また、センサデータによっては、必ずしもステップＳ１０１２を実行する必要もない。

ステップＳ１０１３では、特徴量算出部１１が、上記フィルタを適用したセンサデータから特徴量を算出する。ここで算出される特徴量は、個体３０の動きに関する情報である。

集団を構成する全ての個体のセンサデータ２１に対して、上記ステップＳ１０１１、Ｓ１０１２、Ｓ１０１３を適用する。

実施例１の特徴量情報２２は、運動強度を示すＭＥＴｓ（Ｍｅｔａｂｏｌｉｃ Ｅｑｕｉｖａｌｅｎｔｓ）である。ステップＳ１０１３において時刻毎の特徴量情報２２（ＭＥＴｓ）を算出する。

特徴量算出部１１は、まず、フィルタ適用後のＸ軸、Ｙ軸及びＺ軸の３軸の加速度のスカラー量Ｓを算出する。ここで、スカラー量Ｓは、各軸の加速度をＸｇ、Ｙｇ、Ｚｇと記載した場合、以下の式（１）により算出される。

スカラー量Ｓ＝（Ｘｇ＾２＋Ｙｇ＾２＋Ｚｇ＾２）＾（１／２） ・・・（１）
次に、スカラー量ＳからＭＥＴｓを、以下の式（２）に基づき算出する。

ＭＥＴｓ＝ａ×Ｓ＋１ ・・・（２）
ただし、ａは定数である。このＭＥＴｓ値は、安静時、すなわちスカラー量Ｓ＝０であれば、ＭＥＴｓ＝１であり、運動強度が安静時の何倍であるかを示す。

前述のセンサデータ２１は、３軸の加速度を含んだが、心拍数、呼吸数、及び、振幅等、人の動きのエネルギー（激しさ）の強さを測定した結果であれば、いかなる測定結果を含んでもよい。そして、特徴量算出部１１がこれらの様々なセンサデータ２１に基づいて、呼吸数、心拍数、歩行若しくは走行パターン、又は、移動速度等の動きに関する特徴量を算出することにより、本実施例のネットワーク分析部１２は、より集団のネットワークを分析することが可能になる。

また、特徴量情報２２は、特定の時間で集計した値を用いてもよい。例えば、サンプリング周波数２０Ｈｚで測定されたセンサデータ２１から特徴量を算出し、１秒ごとに集計した値を用いることで、突発的な変化に伴うノイズを減らすことが出来る。センサデータ２１の集計値を用いるか、またどの程度集計した値を用いるか、は使用したセンシング装置１や測定した環境等によって判断される。

上記処理により、フィルタ処理されたセンサデータ２１から特徴量情報２２の一例としてＭＥＴｓが算出される。

図８は、実施例１の特徴量情報２２に記憶されるデータの一例を示す図である。特徴量情報２２には、ネットワーク分析を行った全個体２２３の各時刻２２２における特徴量が格納される。本実施例では、サンプリング周波数２０Ｈｚで測定されたセンサデータ２１から特徴量としてＭＥＴｓを算出し、１秒ごとに集計した値を記憶している。

図９は、実施例１のネットワーク分析部１２による図３のステップＳ１０２の概要を示すフローチャートである。ネットワーク分析部１２は、ステップＳ１０１で算出した特徴量から集団を構成する個体間の関連性を分析する。

まずステップＳ１０２１では、ネットワーク分析部１２が個体３０間のネットワークを分析するために使用するデータの時間幅を取得する。データの時間幅は、センシング装置１の測定間隔（サンプリング周期または所定の時間間隔）以上であれば、予め設定された値を使用してよい。データの時間幅は、既にプログラムに記述された値を使用してもよい。また環境情報入力部５３に入力部（図示省略）を設けて、入力された値を参照しても良い。本実施例１においては、データの時間幅１分と設定しており、１分ごとのネットワークを分析、表示することが出来る。

Ｓ１０２２では、ネットワーク分析部１２がネットワーク分析を行う２個体を選択する。本実施例１では、２個体間の相関性の有無を、集団を構成する個体の全組合せで分析するため、逐次２個体を選択していく。

ステップＳ１０２３では、上記ステップＳ１０２２で選択した個体について、図３のステップＳ１０１で算出した特徴量を特徴量情報２２から取得する。

ステップＳ１０２４、Ｓ１０２５、Ｓ１０２６では、２個体間の関係性を分析し、ネットワークの有無を判定する。本実施例１では、移動エントロピーを用いることで、個体間で伝達された情報量を算出し、ネットワークの有無を判定する。

移動エントロピーは情報量の一種であり、確率変数間の情報の流れを平均情報量として数値化したものである。変数間の相関のみを示して情報の流れを含まない相互情報量とは異なり、移動エントロピーは情報の流れを特定することができ、変数間の関係性を測る指標である。本実施例１では、移動エントロピーを用いるが、相互情報量、相関分析、回帰分析、多変量解析等の複数変数間の関連性を測る指標および当該指標を算出する手法であれば、いかなるものでも良い。

ステップＳ１０２４では、ネットワーク分析部１２が各個体の変数（特徴量）の時系列データから、確率分布を算出する。確率分布はヒストグラムで近似するという方法を採用するが、ガウス分布や混合ガウス分布を仮定して推定する方法等を採用しても良く、またこれらに制限されない。ヒストグラムで近似する場合、ヒストグラムの分割数は、赤池情報量基準やスタージェスの公式を用いるが、これらに制限されない。

ステップＳ１０２５では、ネットワーク分析部１２が２個体の変数間の情報伝達量を移動エントロピーから算出する。ここで、時刻ｔにおける確率変数Ｘ、Ｙの要素をｘｔ、ｙｔとした場合、Ｘに対するＹの影響を示す移動エントロピーＴ（Ｙ→Ｘ）は、以下の式（３）により算出される。

Ｔ（Ｙ→Ｘ）は、０から１の間の値をとり、０では全く影響を与えていない、すなわち関係性が全くないことを示し、１に近づくほど大きな影響を与えていること、すなわち個体間の関係性が大きいことを示している。

本実施例１では、確率変数Ｙの要素ｙｔが確率変数Ｘの要素ｘｔ＋１に与えた影響を算出した。つまり、１秒ごとに集計した特徴量情報２２を用いた場合、個体Ｙの動きが、個体Ｘの１秒後に与えた影響を算出したことになる。また、確率変数Ｘの要素をｘｔ＋ｎとすることで、個体Ｙの動きが、個体Ｘのｎ秒後に与えた影響を算出することも出来る。ｎの値は任意に設定することが出来る。

ステップＳ１０２６では、ネットワーク分析部１２が、上記ステップＳ１０２５で算出した移動エントロピーの値を用いて、２個体間でのネットワークの有無を判定する。ネットワーク分析部１２は、移動エントロピーが所定の閾値以上の個体３０間において、情報の伝達があり、ネットワークがあったと判定する。本実施例１において、上記閾値は所定の定数である。閾値は、ｘ２分布やガンマ分布等を用いた閾値判定法を用いても良く、使用したセンシング装置１や測定した環境等によって任意に設定される。

ステップＳ１０２７では、ネットワーク分析部１２が、上記ステップＳ１０２６で判定したネットワークの有無をネットワーク情報２４に格納する。

本実施例１において、２個体間でネットワークが存在した場合にはネットワーク情報２４に１を設定し、存在しなかった場合はネットワーク情報２４に０を設定する。また、閾値を複数個設定し、数段階でネットワークの強度を判定し、保存しても良く、移動エントロピーの値もそのまま保存しても良い。

ステップＳ１０２８では、集団を構成する個体の全組合せでの分析が終了するまで、上記ステップＳ１０２２、Ｓ１０２３、Ｓ１０２４、Ｓ１０２５、Ｓ１０２６、Ｓ１０２７を繰り返して実行する。

上記処理により、個体３０間の関係性の大きさが、移動エントロピーの大きさに基づいて算出され、ネットワークを構成する個体が特定されて、集団内のネットワークが生成される。

図１０は、実施例１のネットワーク情報２４に記憶されるデータを示す図である。ネットワーク情報２４は、ある時刻におけるネットワークの総当たり図であり、ネットワーク分析を行った全個体における、ある時刻でのネットワークの有無が記載されている。

１列目は情報及び影響を与える個体のユーザＩＤ２４２、１行目は情報及び影響を受ける個体のユーザＩＤ２４３である。２個体間でネットワークが存在した場合は１を設定し、ネットワークが存在しなかった場合は０が設定される。例えば、２行目３列は１が記載されており、Ｐｌａｙｅｒ００１からＰｌａｙｅｒ００２へと情報及び影響が伝達されていることが示されており、３行目２列は０が記載されており、Ｐｌａｙｅｒ００２からＰｌａｙｅｒ００１へは情報及び影響が伝達されていないことが示されている。

図１１は、実施例１のネットワーク情報２４に記憶されるデータの他の例を示す図である。ネットワーク情報２４は、ある時刻におけるネットワークの総当たり図であり、ネットワーク分析を行った全個体における、ある時刻での関連性の強弱が５段階で記載されている。図１１のネットワーク情報２４の構成は図１０と同様であり、個体間での関連性が強い場合は５を、個体間での関連性が弱い場合は１が記載される。関係性の強弱を記憶することで、後述の表示部において、個体間の関係性をより詳細に表示できるようになる。また本実施例では、５段階にて関連性の強弱を記載したが、任意の何段階で記憶しても良い。

図１２は、実施例１のネットワーク情報２４に記憶されるデータの他の例を示す図である。ネットワーク情報２４は、ある時刻におけるネットワークの総当たり図であり、ネットワーク分析を行った全個体における、ある時刻での関連性の強弱が０から１の数字で記載されている。図１２のテーブルの構成は図１０のテーブルと同様であり、個体間での関連性が強い場合は１を、個体間での関連性が弱い場合は０が記載される。関係性の強弱を記憶することで、後述の表示部において、個体間の関係性をより詳細に表示できるようになる。

図１３は、実施例１のネットワーク評価部１３によるステップＳ１０３の処理の概要を示すフローチャートである。ネットワーク評価部は、Ｓ１０２で算出したネットワーク情報から、集団の中心となる個体や、集団活性度を評価する。

ステップＳ１０３１では、ネットワーク評価部１３が、図３のステップＳ１０２で算出したネットワーク情報２４を取得する。本実施例１においては、図１０で示したネットワークの有無を０、１で記載したデータを用いるものとする。もちろん、図１１、図１２で示した関連性の強弱を記載したデータを用いても良い。

ステップＳ１０３２では、ネットワーク評価部１３が取得したネットワーク情報２４を用いて、ネットワークの評価指標として次数中心性や近接中心性、媒介中心性、エッジ数を算出する。各指標の算出方法は後述する。本実施例１では、ネットワークの評価指標として、次数中心性や近接中心性、媒介中心性、エッジ数を用いるが、これらに制限されない。

ステップＳ１０３３では、ネットワーク評価部１３が上記ステップＳ１０３２で算出した次数中心性、近接中心性、媒介中心性を用いて、ネットワークの中心となる個体を推定する。詳細は後述する。

ステップＳ１０３４では、ネットワーク評価部１３が上記ステップＳ１０３２で算出したエッジ数を用いて、チームにおけるネットワークの集団活性度を推定する。詳細は後述する。

ステップＳ１０３５では、ネットワーク評価部１３が上記ステップＳ１０３２、Ｓ１０３３、Ｓ１０３４で算出した評価情報をネットワーク評価情報２５（個体評価テーブル２５０と集団評価テーブル２５８）に格納する。

上記処理によって、算出されたネットワーク情報２４について次数中心性や近接中心性、媒介中心性、エッジ数を用いてネットワーク評価情報２５が生成される。

図１４Ａ、図１４Ｂ、図１４Ｃは、実施例１のネットワーク評価部１３による処理の詳細を示すフローチャートである。本実施例においては、図１０で示したネットワークの有無を０、１で記載したデータを用いるものとする。もちろん、図１１、図１２で示した関連性の強弱を記載したデータを用いても良い。

図１４Ａのフローチャート６０は、次数中心性を算出する処理である。次数中心性とは、ネットワーク内でより多くの関係を持つ頂点（個体）を高く評価する指標である。

ステップＳ１０３６では、ネットワーク評価部１３が、ある個体における、ある時刻の入次数をカウントする。入次数とは、ある個体が情報を受けた個体の数である。

ステップＳ１０３７では、ネットワーク評価部１３が、ある個体における、ある時刻の出次数をカウントする。出次数とは、ある個体が情報を伝達した個体の数である。

ステップＳ１０３８では、ネットワーク評価部１３が、次数中心性は次数の積算値であるため、上記ステップＳ１０３６で算出した入次数と、ステップＳ１０３７で算出した出次数と、入次数と出自数の和である全次数からの入次数、出次数、次数の中心性を算出する。

ステップＳ１０３９では、次数中心性はネットワークに含まれる頂点の数によって異なるため、ネットワーク評価部１３が、次数を処理対象の集団の理論的な最大値で除算することによって、標準化する。個体数ｎの集団においては、最大次数はｎ−１であるため、ネットワーク評価部１３は、ステップＳ１０３８で算出した各次数中心性をｎ−１で割る処理を行う。

ステップＳ１０４０では、ネットワーク分析を行った全個体（頂点）について、入次数、出次数、次数の中心性を算出するために、ネットワーク評価部１３が上記ステップＳ１０３６、Ｓ１０３７、Ｓ１０３８、Ｓ１０３９の処理を繰り返して実行する。

図１４Ｂのフローチャート６１は、近接中心性を算出する処理である。近接中心性とは、他の頂点（個体）との距離が小さい頂点（個体）ほど高く評価する指標である。

ステップＳ１０４１では、ネットワーク評価部１３が、ある個体から他の個体への最短距離の合計を算出する。最短距離とは、ある頂点から他の頂点へ最短で到達するために通る辺の数である。

ステップＳ１０４２では、近接中心性は、ある個体から他の個体への最短距離の逆数であるため、ネットワーク評価部１３は、上記ステップＳ１０４０で算出したある個体から他の個体への最短距離を用いて、近接中心性を算出する。

ステップＳ１０４３では、近接中心性はネットワークに含まれる頂点の数によって異なるため、ネットワーク評価部１３は、処理対象の集団で近接中心性が理論に最大となる値で割ることによって、標準化する。個体数ｎの集団においては、近接中心性が最大値は１／（ｎ−１）であるため、ネットワーク評価部１３は、上記ステップＳ１０４０で算出した近接中心性を１／（ｎ−１）で割る処理を行う。

ステップＳ１０４４では、ネットワーク分析を行った全個体で、近接中心性を算出するために、ネットワーク評価部１３は、上記ステップＳ１０４０、Ｓ１０４１、Ｓ１０４２を繰り返して実行する。

図１４Ｃのフローチャート６２は、ネットワーク評価部１３は媒介中心性を算出する処理である。媒介中心性とは、他の頂点（個体）間の最短経路上に位置する程度が高い頂点（個体）ほどを高く評価する指標である。媒介中心性が高い個体は、ネットワークの連結性を維持するために重要な個体であると考えることが出来る。

ステップＳ１０４５では、ネットワーク評価部１３が、ある個体から他の個体への最短距離の合計を算出する。最短距離とは、ある頂点から他の頂点へ最短で到達するために通る辺の数である。

ステップＳ１０４６では、ネットワーク評価部１３が、ある個体から他の個体への最短経路数を算出する。最短経路数は次のように算出する。始点から始点自身への最短経路数は１とする。そして、探索の過程で到達したある頂点への経路数は、直前の頂点への経路数に等しい。もし、直前の頂点が複数ある場合には、それらの直前の点への経路数の和に等しい。

ステップＳ１０４７では、ネットワーク分析を行った全個体で、最短距離の合計と最短経路数を算出するために、ネットワーク評価部１３が、全ての個体（頂点）についてステップＳ１０４５とＳ１０４６を繰り返し、実行する。

ステップＳ１０４８では、上記ステップＳ１０４５とＳ１０４６で調べた最短経路に関する情報を用いて、ネットワーク評価部１３は、各頂点が他の頂点間の最短経路上に位置する程度を調べていく。ここで、頂点ｗは頂点ｓを始点とする最短経路上で頂点ｖの直後にある頂点とし、ｇ_ｓｖ、ｇ_ｓｗはそれぞれ頂点ｖ、頂点ｗへの最短経路数とする。この場合の、頂点ｖがどのくらい他の頂点への最短経路上にいる程度ｂ_ｓｖは、以下の式（４）により算出される。

ネットワーク評価部１３は、上記式（４）を用いて、各個体のグラフに含まれる各頂点を始点としたとき、各頂点がとれくらい他の頂点への最短経路上に位置するかを算出する。

ステップＳ１０４９では、ネットワーク評価部１３が、上記ステップＳ１０４８で算出した各頂点が他の頂点間の最短経路上に位置する程度ｂ_ｓｖを、頂点毎に足すことにより各頂点の媒介中心性を算出する。

ステップＳ１０５０では、媒介中心性はネットワークに含まれる頂点の数によって異なるため、その集団で媒介中心性が理論に最大となる値で割ることによって、ネットワーク評価部１３が標準化する。個体数ｎの集団においては、媒介中心性が最大値は（ｎ−２）×（ｎ−１）であるため、ネットワーク評価部１３は、上記ステップＳ１０４９で算出した近接中心性を（ｎ−２）×（ｎ−１）で割る処理を行う。

以上の処理によって、ネットワーク評価部１３が各頂点（個体）の媒介中心性が算出される。

図１４Ｄのフローチャート６３は、図１３に示したステップＳ１０３３の集団の中心となる個体を算出する処理の一例を示している。ネットワーク評価部１３は、図１３のステップＳ１０３２で算出した各時刻における、各選手の次数中心性ｘと、近接中心性ｙと、媒介中心性ｚを用いて、以下の式（５）で示す中心性が最大となる個体を算出する。

ａｘ＋ｂｙ＋ｃｚ ・・・（５）
また、ａ、ｂ、ｃは係数である。本実施例１では、式（５）が最大となる個体を、集団の中心となる個体として算出したが、この方法に制限されない。

図１４Ｅのフローチャート６４は、図１３に示したステップＳ１０３４の集団活性度を算出する処理を示している。

ステップＳ１０４９では、ネットワーク評価部１３が、集団活性度を算出する集団全体の次数をカウントする。また、サッカーのように複数の集団が同一のフィールド１００に存在する場合は、集団内での次数、集団内から別集団への出次数、別集団外から集団内への入次数、集団外での次数を算出することで、集団間での関係性を評価することも出来る。

ステップＳ１０５０では、ネットワーク評価部１３が、次数を理論的に最大となる値で割ることによって、標準化し、集団活性度を算出する。集団活性度は、例えば０から１の間の値をとり、１に近づくほど集団が活性化していることを示す。本実施例１では、集団全体の次数を用いて集団活性度を算出したが、この方法に制限されない。

図１５は、実施例１のネットワーク評価情報２５に記憶される個体評価テーブル２５０のデータを示す図である。ネットワーク評価情報２５の個体評価テーブル２５０には、図３のステップＳ１０３にてネットワーク評価を行った各個体の各日時２５１毎の評価結果が格納される。

個体評価テーブル２５０は、日時２５１と、入次数中心性２５２と、出次数中心性２５３と、次数中心性２５４と、近接数中心性２５５と、媒介数中心性２５６と、中心性２５７と、を一つのエントリに含む。

入次数中心性２５２と、出次数中心性２５３と、次数中心性２５４は図１４Ａに示したフローチャート６０で算出した入次数、出次数、次数の中心性を格納し、近接数中心性２５５は図１４Ｂに示したフローチャート６１で算出した近接中心性を格納し、媒介数中心性２５６は図１４Ｃに示したフローチャート６２で算出した媒介中心性を格納し、中心性２５７は図１４Ｄに示したフローチャート６３で算出した中心性を格納する。

ネットワーク評価情報２５の個体評価テーブル２５０は、個体３０の日付毎にそれぞれ生成されるテーブルである。

図１６は、実施例１のネットワーク評価情報２５に記憶される集団評価テーブル２５８のデータを示す図である。集団評価テーブル２５８には、図３のステップＳ１０３にてネットワーク評価を行った各集団の各日付毎の評価結果が格納される。

集団評価テーブル２５８は、日時２５９と、集団内次数２６０と、集団外への出次数２６１と、集団内への入次数２６２と、集団外次数２６３と、総次数２６４と、活性度２６５と、次数中心性が最も高い個体２６６と、近接中心性が最も高い個体２６７と、媒介中心性が最も高い個体２６８と、中心個体２６９と、を一つのエントリに含む。

集団評価テーブル２５８の日時２５９は、個体評価テーブル２５０の日時２５１と対応する。

集団内次数２６０と、集団外への出次数２６１と、集団内への入次数２６２と、集団外次数２６３と、総次数２６４と、活性度２６５は図１４Ｅのフローチャート６４で算出した集団内での次数と、集団内から別集団への出次数と、別集団外から集団内への入次数と、集団外での次数と、総次数と、集団活性度を格納する。

次数中心性が最も高い個体２６６は図１４Ａのフローチャート６０で算出した次数中心性が最も高い個体を格納し、近接中心性が最も高い個体２６７とは図１４Ｂのフローチャート６１で算出した近接中心性が最も高い個体を格納し、媒介中心性が最も高い個体２６８は図１４Ｃのフローチャート６２で算出した媒介中心性が最も高い個体を格納し、中心個体２６９は図１４Ｄのフローチャート６３で算出した中心性が最も高い個体を格納する。

図１７は、実施例１の表示部１４によって生成される画面６５を示す図である。

図１７に示す画面６５は、サッカーの試合における出場選手（個体３０）のネットワークを表示する画面である。

表示部１４は、ネットワーク情報２４、ネットワーク評価情報２５、環境情報２３等を参照し、試合時の個体３０（選手）間のネットワークを可視化する画面６５を生成する。図１７に示す画面６５は、画像６６、６７、６８、６９を含む。

画像６６は、タイムラインである。画像６６は、ネットワーク分析結果における日時及び、ネットワーク評価結果における日時２５１や２５９に対応する。画像６６のタイムラインを操作された場合、表示部１４は、画像６６から日時を受け付け、指定された日時のネットワーク分析結果及びネットワーク評価結果に従って、集団のネットワークを画像６７に、評価結果を画像６８、６９に表示する。

画像６７は、サッカーのフィールド上における選手（個体３０）間のネットワークをネットワーク情報２４に基づいて表示する。ネットワークは、矢印を用いて表現される。矢印を出している選手は、情報を与えている選手であり、矢印を受けている選手は、情報を受けている選手である。また、表示部１４は、各選手のユーザ種別２０１３や、集団種別２０５３に基づいて、個体３０を表す図形をチームによって変化させたり、個体３０の軌跡を表す図形内に個体３０（選手）の背番号を表示したり、ネットワークをフォーメーション上にマッピングして表示する。

また、表示部１４は、ネットワーク評価情報２５を参照することで、次数中心性を図形の大きさで表示し、近接中心性をカラーマップ（図中ハッチング）で表示することが出来る。また、表示部１４は、ネットワーク評価情報２５に格納された他の評価情報を参照し、画面６７に表示することも可能であり、表示項目及び表示方法は制限されない。

ネットワーク情報を図１１及び図１２のネットワークの強弱を含んだフォーマットで記憶している場合、ネットワークの強弱を矢印の大きさ等で表現することもできる。また、ネットワークを相互情報量や相関分析を用いて分析した場合は、情報伝達の向きはわからないため、矢印を用いずに線をつなぐことでネットワークを表現できる。

これによって、表示部１４は、ネットワーク情報２４に、個体３０を識別する情報と、集団を識別する情報と、ネットワークの評価情報等を付加して表示する画面６７を生成して、個体３０が活動中の集団のネットワークを示す情報を、操作者に正確に提供することができる。

画面６８は、集団におけるネットワーク評価情報を格納した集団評価テーブル２５８を参照し、集団毎の次数や集団活性度等を表示する。また、他のネットワーク評価情報を参照し、画面６８に表示することも可能であり、表示項目及び表示方法は制限されない。

画面６９は、集団を構成する各選手（個体３０）の情報を表示する。個体３０の所属チーム、背番号、及び、ポジション等の様々な情報を、ユーザＩＤ２０１１に対応するユーザ種別２０１３として格納する場合、表示部１４は、画像７０においてこれらのユーザＩＤによって特定される情報を、チームに属する選手に関する情報として表示する。さらに、個体評価テーブル２５０を参照し、ユーザＩＤに対応する次数中心性や近接中心性等のネットワーク評価情報を、表示する。また、画像７１への操作を受け付け、操作により選択された個体３０を受け付けることにより、表示部１４は、画像６７においてネットワークを表示する選手を選択することができる。

図１８は、実施例１の表示部１４によって生成される画面７２を示す図である。画面７２は、サッカーの練習における参加者のネットワーク分析の結果を示す。画面７２は、画像７３、画像７４、画像７５、画像７６、画像７７、画像７８、画像７９、画像８０を含む。画像７３は、操作者がチーム名を選択するためのインターフェースを表示する。画像７４は、運動活動の活動名を選択するためのインターフェースを表示する。

図１８において、運動活動はサッカーであり、活動名はサッカーの練習内容を示す。画像７５は、画像７４で選択した運動活動の内容が実施された時間（開始時刻２０４２及び終了時刻２０４３に該当）と場所（エリアＩＤ２０４４に基づいて特定したエリア名２０４６に該当）とを表示する。

画像７６は、集団のネットワーク情報（ネットワーク情報２４に基づく）を表示し、数字は参加者の背番号（ユーザ情報テーブル２０１のユーザ種別２０１３に基づく）を示す。また、ネットワーク評価情報２５を参照することで、次数中心性を図形の大きさで、近接中心性をカラーマップ（図中ハッチング）で表示する。ネットワーク評価情報２５に格納された個体評価テーブル２５０または集団評価テーブル２５８を参照し、画像７６に表示することも可能であり、表示項目及び表示方法は制限されない。また、本実施例では、参加者を円形に配置し、表示しているが、ネットワークの構造から、ばねモデル等を用いて参加者の配置を決定し、表示してもよい。

画像７７は集団におけるネットワークの評価情報を格納した集団評価テーブル２５８を参照し、中心選手と集団活性度を表示する。集団評価テーブル２５８に格納された他の評価情報を参照し、画像７７に表示することも可能であり、表示項目及び表示方法は制限されない。

画像７９は、集団を構成する各選手の情報を表示する。

個体３０の所属チーム、背番号、及び、ポジション等の様々な情報を、ユーザＩＤ２０１１に対応するユーザ種別２０１３として格納する場合、表示部１４は、画像７９においてこれらのユーザＩＤによって特定される情報を、チームに属する選手に関する情報として表示する。さらに、集団評価テーブル２５８を参照し、ユーザＩＤに対応する次数中心性や近接中心性等のネットワーク評価情報を、表示する。

また、画像７８への操作を受け付け、操作により選択された個体３０を受け付けることにより、表示部１４は、画像７６においてネットワークを表示する選手を選択することができる。

画像８０では、センシング装置１で測定したセンサデータ２１から集団を構成する各選手のパフォーマンス情報を算出した場合において、ユーザＩＤに対応するパフォーマンス情報を表示する。例えば、センシング装置１としてＧＰＳ等のウェアラブルデバイスやカメラやビデオ等の映像撮影機器、レーザレーダ等の測位センサ等の個体の位置情報を測定可能な機器を用いた場合、走行距離や移動速度、スプリント回数等の情報を表示できる。また、センシング装置で測定したセンサデータやセンサデータから算出した情報であり、各個体に関する情報であれば、いかなる情報でも表示することが可能である。

このように、本発明では集団中の個体の運動に関する特徴量を算出可能な情報を測定可能なセンシング装置１であれば利用可能なため、ネットワークを分析して表示可能なシーンは、設備が整っている競技場での試合のみならず、日常の練習等のいかなるシーンへ適用できる。

図１９は、実施例１の表示部１４によって生成される画面８１を示す図である。画面８１はサッカーの複数の試合における参加者のネットワーク分析の結果を示す。複数の試合を一つの画面８１に表示するため、操作者が試合におけるネットワークの変化、水位を比較し、把握しやすい画面を提供できる。

画面８１は、画像８２、画像８３、画像８４、画像８５、画像８６を含む。画像８２は、操作者が表示する活動を選択するためのインターフェースを表示する。活動情報テーブル２０３の活動名２０３２に対応する。図１８において、運動活動はサッカーであり、活動名２０３２はサッカーの試合を示す。

画像８３は、画像７５と同様の機能を有する。画像８４は、画像６７と同様の機能を有する。画面８５は画像７７と同様の機能を有する。画面８６はネットワーク情報２４、ネットワーク評価情報２５に基づいて、集団におけるネットワーク及び、個人におけるネットワークに関してコメントや評価、アドバイス等を表示する。また、センサデータ２１から集団や個体のパフォーマンスに関する情報を分析した場合は、集団や個体のパフォーマンスに関して、コメントや評価、アドバイス等を表示しても良い。さらに、ネットワークやパフォーマンスを他の活動と比較し、コメントや評価、アドバイス等を表示しても良い。

本実施例では、一つの画面８１に表示可能な活動は３つであるが、表示可能な活動数は任意であり、操作者が設定できる機能を有してもよい。

図２０は、実施例１の表示部１４によって生成される画面８７を示す図である。画面８７はサッカーの試合における参加者のネットワーク分析の結果をリアルタイムに表示する場合の例を示す。センシング装置１で測定したセンサデータ２１をサーバ５で逐次計算することで、ネットワークの変化をリアルタイムで表示する。

画面８７は、画像８８、画像８９、画像９０、画像９１、画像９２、画像９３を有する。画像８８は、画面８７が表示している様々な情報の時刻を表示する。画像８９は、画像８８の時刻における集団のネットワークを表示する。基本的な機能は図１７の画像６７と同様である。

画像９３への操作を受け付け、操作により選択された注目する個体３０を受け付けることにより、表示部１４は、画像８９においてネットワークを強調して表示する選手を選択することができる。画像９３において背番号＃１３と背番号＃６の選手が選択されているため、画像８９では、同選手の図形、矢印が太く表示されている。操作者は、注目したい選手のネットワークを容易に把握できる。

画像９０は、集団におけるネットワーク評価情報２５を格納した集団評価テーブル２５８を参照し、集団毎の集団活性度の時系列変化を表示する。また、他のネットワーク評価情報を参照し、画面９０に表示することも可能であり、表示項目及び表示方法は制限されない。画像９１は、ネットワーク情報２４と、ネットワーク評価情報２５に基づいて、集団におけるネットワーク及び、個人におけるネットワークに関してコメントや評価、アドバイス等を表示する。また、センサデータ２１から集団や個体のパフォーマンスに関する情報を分析した場合は、集団や個体のパフォーマンスに関して、コメントや評価、アドバイス等を表示しても良い。

さらに、ネットワークやパフォーマンスが経時的に変化する場合は、コメントや評価、アドバイス等を表示しても良い。画像９２は、画像７８、画像７９、画像８０と同様の機能を有するが、画像９０の変化に伴い、表示内容も変化する。

図２１は、実施例１の表示部１４によって生成される画面９４を示す図である。画面９４は、動画情報に同時刻におけるネットワーク情報を重ね合わせ、表示している。図２１では、サッカーの試合における参加者のネットワーク分析の結果を、動画に重ね合わせ、表示する場合の例を示す。

画面９４は、画像９５、画像９６から構成される。画像９６はある時刻におけるサッカーゲーム参加者のフィールド上での位置情報を示している。本位置情報はセンシング装置１で測定されたものである必要はない。画像９５は、補助記憶装置５５内の動画情報２６を動画再生部１５が読み込んで表示部１４に送信する。表示部１４はネットワークの分析結果に動画を重ね合わせて画面９４を出力する。

画像９５は、画像９６において点線で囲まれたフィールドを映した動画映像に、ネットワーク情報２４に基づいて動画映像に映った個体３０（選手）間のネットワークを重ね合わせて表示する。ネットワークは、矢印を用いて表現される。矢印を出している選手は、情報を与えている選手であり、矢印を受けている選手は、情報を受けている選手である。

また、表示部１４は、各選手のユーザ種別２０１３、集団種別２０５３に基づいて、個体３０を表す図形をチームによって変化させる。ネットワーク情報を図１１及び図１２のネットワークの強弱を含んだフォーマットで記憶している場合、ネットワークの強弱を矢印の大きさや線の太さ等で表示しても良い。

また、ネットワークを相互情報量や相関分析を用いて分析した場合は、情報伝達の向きはわからないため、矢印を用いず線をつなぐことでネットワークを表現しても良い。また、表示部１４は、ネットワーク評価情報２５を参照することで、次数中心性を図形の大きさで、近接中心性をカラーマップで表示しても良い。また、ネットワーク評価情報２５に格納された他の評価情報を参照し、画面９４に表示することも可能であり、表示項目及び表示方法は制限されない。

以上のように、本実施例１によれば、集団において対面していない個体同士が関係して動く場合においても、集団内の個体間のネットワークを分析して可視化できる。また、前記従来例のように赤外線センサを搭載した特定のウェアラブルデバイスに限定されず、個体の動きを測定可能なセンシング装置であれば、ネットワークを分析して可視化できる。

図２２は、実施例２の教育分野におけるネットワーク表示の対象を示す図である。

実施例２の保育及び教育分野における集団のネットワークの分析、表示を、以下図面に基づいて説明する。本発明は、センシング装置の時系列データに基づいて集団中の各個体の運動に関する特徴量を算出し、前記特徴量を用いて各個体間の関係性を分析することで、ネットワークを作成し、可視化するため、各個体に動きがあれば、スポーツに限らず、いかなるシーンでも適用可能である。よって、実施例２では、本発明を保育及び教育分野における集団のネットワークの分析、表示に適用した例を示す。休み時間や授業のグループワーク時等の集団のネットワークを分析し、表示できるため、コミュニケーションの評価、並びに、集団生活の可視化を実現できる。実施例２のネットワーク表示システムは、実施例１のネットワーク表示システムと同じである。

実施例２において、対象は教室１０１にいる学生及び教師である。センシング装置１は、実施例１と同様に、活動する各個体３０（学生）の体に一つ以上装着される。実施例２における各学生は、３軸加速度センサを搭載した腕時計型のウェアラブルデバイスを、手首等に直接装着する。前述において、各個体３０は、腕時計型のウェアラブルデバイスを手首に直接装着したが、ウェアラブルデバイスは、様々なセンサのうち少なくとも一つ以上を搭載する。

また、実施例２におけるセンシング装置１が搭載するセンサは、実施例１のセンシング装置１と同じく、いかなるセンサを搭載してもよいし、また、いかなる個体３０の部位に装着されてもよい。また、センシング装置１は、装着型のウェアラブルセンサに限らず、映像解析により個体や物体の動きを測定する機器や、レーザ光の反射にて物体の位置を検出することのできるレーザレーダ、圧力や衝撃を測定可能なフォースプレート、他にも音波センサや磁気センサ、RGBカメラ、深度センサ、マルチアレイマイクロフォン等の設置型のセンサであっても良く、個体や物体の動きを測定できるものであればいかなる装置であってもよい。

また、センシング装置１において、各個体の動きに関する情報が収集できる環境であれば、フィールドは教室に制限されず、いかなる場所であって良い。

本実施例２の計算機システムは、前記実施例１の図１に示したネットワーク分析及び可視化システムと同様であり、サーバ５で処理した結果をＰＣ２やスマートフォン３等に提供する。

図２３は、実施例２の教育分野における画面１０２を示す図である。表示部１４は、ネットワーク情報２４と、ネットワーク評価情報２５と、環境情報２３等を参照し、教師や学生（個体３０）間のネットワークを可視化する画面１０２を生成する。図２３に示す画面１０２は、画像１０３、１０４、１０５、１０６、１０７を含む。

画像１０３は、操作者が活動の活動名を選択するためのインターフェースを表示する。図２３において、活動は学校生活での活動であり、休み時間や授業を示す。画像１０４は、画像１０３で選択した運動活動の内容が実施された日時（開始時刻２０４２及び終了時刻２０４３に該当）と場所（エリアＩＤ２０４４に基づいて特定したエリア名２０４６に該当）とを表示する。

画像１０５は、教師や学生（個体３０）間のネットワークをネットワーク情報２４に基づいて表示する。ネットワークは、矢印を用いて表現される。矢印を出している個体（学生）は、情報を与えている個体であり、矢印を受けている個体は、情報を受けている個体である。

また、表示部１４は、各個体のユーザ種別２０１３や、集団種別２０５３に基づいて、個体３０を表す図形をチームによって変化させたり、個体３０の軌跡を表す図形内に個体３０のＩＤや名前を表示することができる。また、表示部１４は、ネットワーク評価情報２５を参照することで、ネットワーク評価情報２５に記憶された次数中心性や近接中心性等の情報を、図の大きさやカラーマップで表示することが出来る。

ネットワーク情報２４を前記実施例１の図１１及び図１２のネットワークの強弱を含んだフォーマットで記憶している場合、ネットワークの強弱を矢印の大きさ等で表現することもできる。また、ネットワークを相互情報量や相関分析を用いて分析した場合は、情報伝達の向きはわからないため、矢印を用いず線をつなぐことでネットワークを表現できる。また、本実施例では、参加者を円形に配置し、表示しているが、ネットワークの構造から、ばねモデル等を用いて参加者の配置を決定し、表示してもよい。

画像１０６は、タイムラインである。画像１０６は、ネットワーク分析結果における日時及び、個体評価テーブル２５０における日時２５１や集団評価テーブル２５８に対応する。画像１０６のタイムラインを操作された場合、表示部１４は、画像１０６から日時を受け付け、指定された日時のネットワークを表示する。

画像１０７は、集団を構成する各個体の情報を表示する。個体３０の組、性別等に限らない様々な情報を保持する場合、表示部１４は、画像１０７にそれらの情報を表示する。操作者は、画像１０７において個体を選択することにより、画像１０５にネットワークを表示する個体を選択する。

以上の実施例２により教師や学生の活動の様子をモニタリングでき、個体毎のコミュニケーションの頻度、及び、グループの構成過程等を測定することも可能になる。

図２４は、本発明の実施例３を示し、運動分野におけるネットワーク表示の対象を示す図である。本実施例３では、運動活動を行うフィールド１２０としてバスケットボールのコートで、レーザ光の反射にて個体３０の運動を検出するセンシング装置としてレーザレーダ６を使用する例を示す。

フィールド１２０の対角線上には一対のレーザレーダ６が設置され、レーザレーダ６が検出した位置情報はネットワーク４を介してサーバ５へ送信される。サーバ５では受信した時系列の位置情報から個体３０の軌跡をで算出しＤＢ２０に蓄積する。サーバ５は、ＤＢ２０に蓄積された個体３０の軌跡と、時系列のセンサデータ２１とを対応させることでネットワークの検出とネットワークの評価を行うことができる。なお、個体３０の軌跡とセンサデータ２１の対応付けは、ＰＣ２等を利用する操作者が行うようにしてもよい。

レーザレーダ６は、フィールド１２０の全体を測定可能な位置に１台以上設置される。また、位置検出装置は、レーザレーダ以外にも、動画解析や画像解析により個体３０の位置を測定する装置であってもよく、各個体３０の位置を測定できるものであればいかなる装置であってもよい。

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

また、上記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウエアで実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリ、ハードディスク、若しくは、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記録装置、又は、ＩＣカード、ＳＤカード、若しくは、ＤＶＤ等の記録媒体に置くことができる。

また、制御線及び情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線及び情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えてもよい。

１ センシング装置
２ ＰＣ
３ スマートフォン
５ サーバ
１０ 解析部
１１ 特徴量算出部
１２ ネットワーク分析部
１３ ネットワーク評価部
１４ 表示部
１５ 動画再生部
２１ センサデータ
２２ 特徴量情報
２３ 環境情報
２４ ネットワーク情報
２５ ネットワーク評価情報
５１ ＣＰＵ
５２ メモリ
５５ 補助記憶装置
２５０ 個体評価テーブル
２５８ 集団評価テーブル

Claims (10)

1. プロセッサとメモリを含む計算機が集団における個体間のネットワークを分析するネットワーク分析方法であって、
   前記計算機が、集団で運動を行う個体の動きに関する時系列の情報をセンサデータとして蓄積する第１のステップと、
   前記計算機が、前記センサデータから前記個体毎の運動に関する特徴量を算出する第２のステップと、
   前記計算機が、前記集団内の個体の組み合わせについて前記特徴量に基づいて個体間の関係性を分析する第３のステップと、
   前記計算機が、前記個体間の関係性の分析結果から個体間のネットワークを生成する第４のステップと、
   前記計算機が、生成された前記ネットワークを評価する第５のステップと、
   前記計算機が、前記ネットワーク及び前記ネットワークの評価結果の少なくとも一方を可視化して出力する第６のステップと、を含み、
   前記第３のステップは、
   前記特徴量に対して所定の時間間隔毎に前記個体間で授受された情報量について解析し、前記個体間で伝達された情報量から前記関係性を分析し、
   前記第５のステップは、
   前記個体間で授受された情報量に基づいて各個体の次数中心性を算出し、
   前記第６のステップは、
   前記各個体を前記次数中心性の大きさに応じた図形で表示することを特徴とするネットワーク分析方法。
2. 請求項１に記載のネットワーク分析方法であって、
   前記第５のステップは、
   前記個体間で授受された情報量に基づいて各個体の近接中心性を算出し、
   前記第６のステップは、
   前記各個体を前記近接中心性の大きさに応じたカラーマップで表示することを特徴とするネットワーク分析方法。
3. 請求項１に記載のネットワーク分析方法であって、
   前記第３のステップは、
   前記特徴量に対して所定の解析を適用することで、個体間で伝達された情報量を算出して前記関係性を分析することを特徴とするネットワーク分析方法。
4. 請求項３に記載のネットワーク分析方法であって、
   前記所定の解析は、
   所定の時間間隔毎に前記個体間で授受された情報量について解析することを特徴とするネットワーク分析方法。
5. 請求項１に記載のネットワーク分析方法であって、
   前記第３のステップは、
   前記特徴量に対して所定の時間間隔毎に前記個体間で授受された情報量について解析し、前記個体間で伝達された情報量から前記関係性を分析し、
   前記第５のステップは、
   前記個体間の情報の授受の量に基づいて次数を算出し、前記次数から集団の活性度を算出することを特徴とするネットワーク分析方法。
6. 請求項３に記載のネットワーク分析方法であって、
   前記第６のステップは、
   前記集団の行動を撮影した動画に、前記ネットワークの情報を連携させて出力することを特徴とするネットワーク分析方法。
7. 請求項１に記載のネットワーク分析方法であって、
   前記第１のステップは、
   前記個体に装着したセンシング装置から当該個体の動きに関する時系列の情報を取得することを特徴とするネットワーク分析方法。
8. 請求項１に記載のネットワーク分析方法であって、
   前記第１のステップは、
   前記集団が運動を行うフィールドに設置されたセンシング装置から、前記個体の動きに関する時系列の情報を取得することを特徴とするネットワーク分析方法。
9. プロセッサとメモリを含むサーバであって、
   集団で運動を行う個体の動きに関する時系列の情報を蓄積するセンサデータと、
   前記センサデータから前記個体毎の運動に関する特徴量を算出する特徴量抽出部と、
   前記集団内の個体の組み合わせ毎に、前記特徴量に基づいて個体間の関係性を分析し、前記個体間の関係性の分析結果から個体間のネットワークを生成するネットワーク分析部と、
   前記生成されたネットワークを評価するネットワーク評価部と、
   前記ネットワーク及び前記ネットワークの評価結果の少なくとも一方を可視化して出力する表示部と、を有し、
   前記ネットワーク分析部は、
   前記特徴量に対して所定の時間間隔毎に前記個体間で授受された情報量について解析し、前記個体間で伝達された情報量から前記関係性を分析し、
   前記ネットワーク評価部は、
   前記個体間で授受された情報量に基づいて各個体の次数中心性を算出し、
   前記表示部は、
   前記各個体を前記次数中心性の大きさに応じた図形で表示することを特徴とするサーバ。
10. プロセッサとメモリを含むサーバと、
    個体の動きに関する時系列の情報を取得するセンシング装置と、を含むネットワーク分析システムであって、
    前記センシング装置が取得した集団で運動を行う個体の動きに関する時系列の情報を蓄積するセンサデータと、
    前記センサデータから前記個体毎の運動に関する特徴量を算出する特徴量抽出部と、
    前記集団内の個体の組み合わせ毎に、前記特徴量に基づいて個体間の関係性を分析し、前記個体間の関係性の分析結果から個体間のネットワークを生成するネットワーク分析部と、
    前記生成されたネットワークを評価するネットワーク評価部と、
    前記ネットワーク及び前記ネットワークの評価結果の少なくとも一方を可視化して出力する表示部と、を有し、
    前記ネットワーク分析部は、
    前記特徴量に対して所定の時間間隔毎に前記個体間で授受された情報量について解析し、前記個体間で伝達された情報量から前記関係性を分析し、
    前記ネットワーク評価部は、
    前記個体間で授受された情報量に基づいて各個体の次数中心性を算出し、
    前記表示部は、
    前記各個体を前記次数中心性の大きさに応じた図形で表示することを特徴とするネットワーク分析システム。