JP7049212B2 - 分析システム、分析方法、プログラム、及び記憶媒体 - Google Patents

Description

本発明の実施形態は、分析システム、分析方法、プログラム、及び記憶媒体に関する。

従来、製造現場の生産性を改善するために、ビデオ撮影やストップウォッチを用いて作業に関する情報を記録し、その情報を分析する方法が採られている。複数の作業を含む工程が繰り返し行われる場合、分析では、工程のサイクルの抽出や、その内訳であるタイミングチャートの作成、作業者間の作業の違いの抽出などが行われている。

分析に必要な時間を短縮するため、これらの分析をアシストするツールが存在する。しかし、このツールを用いた場合でも、人による情報のラベリングや判断が必要となる。また、分析する人の技術や経験などによる判断のばらつきが生じる。このため、より自動的に分析でき、且つ分析に要する時間をさらに短縮できる技術の開発が望まれている。

特開２０１７－０９１２４９号公報

本発明が解決しようとする課題は、作業をより自動的に分析でき、且つ分析に要する時間を短縮できる、分析システム、分析方法、プログラム、及び記憶媒体を提供することである。

実施形態に係る分析システムは、取得部と、処理部と、を備える。前記取得部は、複数の作業を含む第１工程における作業者の動作を示す時系列データを取得する。前記処理部は、前記時系列データにおける状態の変化点を複数検出し、前記複数の変化点を用いて、前記時系列データと前記複数の作業のそれぞれとの対応付けを行う。

第１実施形態に係る分析システムの構成を表すブロック図である。 第１実施形態に係る分析システムにおける処理を説明するための模式図である。 第１実施形態に係る分析システムにおける処理を説明するための模式図である。 第１実施形態に係る分析システムにおける処理を説明するための模式図である。 第１実施形態に係る分析システムにおける処理を説明するための模式図である。 第１実施形態に係る分析システムにおける処理を表すフローチャートである。 第１実施形態の第１変形例に係る分析システムにおける処理を説明するための模式図である。 第１実施形態の第１変形例に係る分析システムにおける処理を表すフローチャートである。 第１実施形態の第２変形例に係る分析システムにおける処理を説明するための模式図である。 第１実施形態の第２変形例に係る分析システムにおける処理を表すフローチャートである。 第１実施形態の第３変形例に係る分析システムにおける処理を説明するための模式図である。 第１実施形態の第３変形例に係る分析システムにおける処理を表すフローチャートである。 第１実施形態の第４変形例に係る分析システムにおける処理を説明するための模式図である。 第１実施形態の第４変形例に係る分析システムにおける処理を表すフローチャートである。 第２実施形態に係る分析システムの構成を表すブロック図である。 リカレントニューラルネットワークを表す模式図である。 ＬＳＴＭ構造を表すブロック図である。 第２実施形態に係る分析システムにおける処理を表すフローチャートである。 実施例において取得したデータを表すグラフである。 実施例に関するデータを表すグラフである。

以下に、本発明の各実施形態について図面を参照しつつ説明する。
また、本願明細書と各図において、既に説明したものと同様の要素には同一の符号を付して詳細な説明は適宜省略する。

図１は、第１実施形態に係る分析システムの構成を表すブロック図である。
図２～図５は、第１実施形態に係る分析システムにおける処理を説明するための模式図である。

図１に表したように、分析システム１は、取得部１０、処理部２０、記憶部３０、及び表示部４０を有する。

分析システム１は、ある工程に従事する作業者の動作を分析するために用いられる。以下では、複数の作業を含む第１工程における作業者の動作を分析する場合について説明する。

取得部１０は、第１工程における作業者の動作を示す時系列データを取得する。

取得部１０は、例えば撮像装置を含む。取得部１０は、作業を行っている作業者を撮影し、得られた映像から作業者の骨格情報を抽出する。取得部１０は、時間の経過に伴う骨格の一部（例えば頭部）の位置の変化を、作業者の動作を示す時系列データとして取得する。

又は、取得部１０は、骨格情報から、関節の角度を抽出しても良い。取得部１０は、時間の経過に伴う関節の角度（例えば肘の角度）の変化を、作業者の動作を示す時系列データとして取得する。関節の角度は、体格にあまり依存しない。従って、関節の角度の変化を時系列データとして用いることで、体格の違いが分析に及ぼす影響を低減し、分析の精度を向上させることが可能となる。

なお、骨格情報の抽出や、骨格の位置の変化の検出、関節の角度の変化の検出などは、後述する処理部２０により行われても良い。

あるいは、取得部１０は、加速度計を含んでいても良い。加速度計は、作業者の腕や脚などの身体の一部に取り付けられる。取得部１０は、作業者が第１工程を行った際に得られる加速度、角速度、方位などの情報を、作業者の動作を示す時系列データとして取得する。

取得部１０は、取得したデータを記憶部３０に記憶する。記憶部３０は、ハードディスクドライブ、フラッシュメモリ、又はネットワークハードディスクなどである。

図２（ａ）は、取得部１０により取得され、記憶部３０に記憶された時系列データの一例である。図２（ａ）は、第１工程において、作業者の手首に取り付けた加速度計で取得された加速度情報である。図２（ｂ）以降の時系列データは、処理部２０による処理を示す。図２～図５に含まれる時系列データにおいて、横軸は時間Ｔｉを表し、縦軸は加速度Ａｃを表す。

処理部２０（処理回路）は、記憶部３０に記憶された時系列データを分析する。
まず、処理部２０は、時系列データを複数の状態に分割し、状態の変化点を抽出する。状態の変化点の抽出には、例えば、階層デリクレ過程に対する隠れマルコフモデル（ＨＤＰ－ＨＭＭ）、ｋ－ｍｅａｎｓ法、ｘ－ｍｅａｎｓ法、又はスペクトラルクラスタリングが用いられる。図２（ｂ）は、処理部２０による分割の結果を表す。図２（ｂ）に表したように、時系列データが複数の状態Ａに分割され、状態Ａ同士の間の変化点Ｂが抽出される。

次に、処理部２０は、第１工程に含まれる各作業に要する標準的な時間を参照する。各作業の標準時間は、例えば記憶部３０に予め記憶される。標準時間は、人が決定しても良いし、入力作業の手順書などに記された時間が自動的に読み込まれても良い。図２（ｃ）は、その一例である。図２（ｃ）の例では、第１工程Ｃが、作業Ｃ１（第１作業）、作業Ｃ２（第２作業）、作業Ｃ３（第３作業）を含む。作業Ｃ１～Ｃ３には、それぞれ、１８秒、３５秒、及び１９秒を要する。

続いて、処理部２０は、変化点の抽出結果及び作業の標準時間を用いて、時系列データと各作業の対応関係を分析する。まず、処理部２０は、時系列データにおいて、第１工程Ｃ（作業Ｃ１）の開始点を設定する。例えば、複数の変化点Ｂのいずれかが開始点として設定される。又は、開始点は、ランダムに設定されても良いし、何らかのルールに基づいて設定されても良い。

処理部２０は、作業Ｃ１の開始点を設定すると、作業Ｃ２の開始点の候補をサンプリングする。なお、ここでは、作業Ｃ２の開始点を作業Ｃ１の終了点に一致すると見なす場合について説明する。

一例として、図３（ａ）に表したように、作業Ｃ１の開始点Ｄ１が決定され、作業Ｃ２の開始点（作業Ｃ１の終了点）として、サンプルＤ２ａ～Ｄ２ｃが設定される。例えば、サンプルは、開始点Ｄ１から、作業Ｃ１の所要時間（１８秒）が経過した後の時間を中心に、設定される。サンプルの数は、処理に要する時間及び必要な分析の精度を考慮して決定される。

サンプルは、例えば、当該中心から所定の範囲内に一定間隔又はランダムに設定される。又は、サンプルの数が、中心付近により多く、中心から離れるほど少なくなるよう設定されても良い。一例として、作業Ｃ１～Ｃ３のそれぞれについて、図３（ｂ）に表したように、確率分布が予め設定される。図３（ｂ）において、横軸は時間Ｔｉを表し、縦軸は各時間をとりうる確率Ｐを表す。確率Ｐのピークは、標準時間に位置する。処理部２０は、この確率分布に従ってサンプルを設定しても良い。

処理部２０は、各サンプルと、各サンプルに最も近い変化点Ｂと、の間の距離を用いて評価値（第２評価値）を算出する。距離としては、例えば、ユークリッド距離、マンハッタン距離、マハラノビス距離などが用いられる。例えば、あるサンプルに対して算出された評価値が高いほど、そのサンプルと、そのサンプルに最も近い変化点Ｂと、の間の距離が短いことを示す。処理部２０は、評価値が最も高いサンプルを含む、１つ以上のサンプルを抽出する。図３（ａ）に表した例では、サンプルＤ２ａが変化点Ｂ１に最も近い。処理部２０は、サンプルＤ２ａを作業Ｃ２の開始点Ｄ２として設定する。

以降は、同様に、処理部２０による各作業の開始点のサンプリング及び開始点の設定が繰り返される。
すなわち、処理部２０は、図３（ｃ）に表したように、作業Ｃ３の開始点の候補として、サンプルＤ３ａ～Ｄ３ｃを設定する。処理部２０は、変化点Ｂ２に最も近いサンプルＤ３ｃを作業Ｃ３の開始点Ｄ３として設定する。
処理部２０は、図４（ａ）に表したように、作業Ｃ３（第１工程Ｃ）の終了点の候補として、サンプルＤ４ａ～Ｄ４ｃを設定する。処理部２０は、変化点Ｂ３に最も近いサンプルＤ４ｂを作業Ｃ３の終了点Ｄ４として設定する。

この一連の処理により、図４（ｂ）に表したように、開始点Ｄ１～Ｄ３及び終了点Ｄ４に対応する複数のサンプルを含むサンプルパスＥ１が生成される。処理部２０は、開始点Ｄ１の位置（時間）を変化させながら、同様の処理を繰り返す。これにより、図５（ａ）に表したように、複数のサンプルパスＥ１～Ｅｘ（ｘは、２以上の整数）が生成される。

処理部２０は、生成された各サンプルパスについて、評価値（第１評価値）を算出する。評価値は、サンプルパスに含まれる開始点及び終了点の位置と、複数の変化点Ｂの位置と、の適合度合いに基づいて算出される。この適合度合いとしては、例えば、サンプルと、そのサンプルに最も近い変化点Ｂと、の間の距離が用いられる。例えば、あるサンプルパスに含まれる各サンプルについて、最も近い変化点Ｂとの間の距離をそれぞれ算出し、それらの距離の合計に基づいて評価値が算出される。例えば、距離が短いほど、評価値が高く算出される。処理部２０は、評価値に基づき、複数のサンプルパスの中から、１つのサンプルパスを選定する。

選定されたサンプルパスは、時系列データの部分がどの作業の動作に対応するかを示す。例えば、時系列データにおいて、作業Ｃ１の開始点として設定されたサンプルと、作業Ｃ２の開始点として設定されたサンプルと、の間のデータは、作業Ｃ１における作業者の動作を示す。

処理部２０は、前記時系列データと前記複数の作業のそれぞれとの対応関係を外部に出力する。例えば、複数のサンプルパスの中から、サンプルパスＥ１が選定されたとする。処理部２０は、図５（ｂ）に表したように、サンプルパスＥ１の開始点Ｄ１～Ｄ３及び終了点Ｄ４と、サンプルパスＥ１に対応する時系列データの一部と、開始点Ｄ１～Ｄ３及び終了点Ｄ４から算出される各作業の所要時間と、を表示部４０に表示させる。

取得部１０、処理部２０、記憶部３０、及び表示部４０は、例えば、有線又は無線で相互に接続される。又は、これらの少なくとも一部は、ネットワークを介して互いに接続されていても良い。

第１実施形態に係る分析システム１及び分析方法によれば、作業者の動作を示す時系列データについて、どの部分がどの作業に対応するかが自動的に分析される。従って、時系列データと各作業との対応付けやラベリングを人が行う必要が無く、分析に要する時間を短縮できる。分析時間が短くなることで、例えば、よりリアルタイムに近い分析が可能となる。また、対応付けは、時系列データにおける状態の変化点に基づいて行われる。このため、分析に関する技術や経験が無いユーザでも、精度良く作業を分析することができる。

図６は、第１実施形態に係る分析システムにおける処理を表すフローチャートである。
一例として、処理部２０は、図６に表した処理を実行する。まず、図２（ｂ）に表したように、時系列データにおける複数の変化点を抽出する（ステップＳ１）。複数の変化点の１つを、第ｎ作業の開始点に設定する（ステップＳ２）。なお、ステップＳ２では、ｎ＝１に設定される。すなわち、ステップＳ２では、最初の作業の開始点が設定される。図３（ａ）に表したように、第ｎ作業の次の、第ｎ＋１作業の開始点の候補をＮ個サンプリングする（ステップＳ３）。設定された各サンプルについて、評価値を算出する（ステップＳ４）。評価値に基づき、図３（ｃ）などに表したように、第ｎ＋１作業の開始点を決定する（ステップＳ５）。ｎとして、ｎ＋１を設定する（ステップＳ６）。第ｎ＋１作業が存在するか判断する（ステップＳ７）。存在する場合、ステップＳ３が再度実行される。存在しない場合、第１工程に含まれる全ての作業の開始点及び第１工程の終了点に対応する複数のサンプルが設定されたことを意味する。これにより、図４（ｂ）に表したように、各作業の開始点及び第１工程の終了点を含む１つのサンプルパスが生成される。

次に、終了条件が充足されたか判断する（ステップＳ８）。終了条件が充足されていない場合、複数の変化点の別の１つを、第ｎ作業の開始点に設定する（ステップＳ９）。なお、ステップＳ９では、ｎ＝１に設定される。これにより、最初の作業の開始点が、それまでと異なる位置（時間）に設定される。ステップＳ９の後は、ステップＳ３～Ｓ８が繰り返される。

終了条件は、例えば、ステップＳ１で抽出された複数の変化点のそれぞれが第１工程の開始点として設定され、ステップＳ３～Ｓ７が実行されることである。又は、時系列データの所定範囲内の変化点のそれぞれについて、ステップＳ３～Ｓ７が実行されることが終了条件として設定されても良い。

終了条件が充足されたときには、図５（ａ）に表したように、複数のサンプルパスが生成されている。それらのサンプルパスのそれぞれについて、評価値を算出する（ステップＳ１０）。評価値に基づいて、１つ以上のサンプルパスを決定する（ステップＳ１１）。決定したサンプルパスに関する結果を表示する（ステップＳ１２）。結果としては、上述したように、選択されたサンプルパスに含まれる開始点及び終了点、そのサンプルパスに対応する時系列データの一部、各作業の所要時間などが表示される。

なお、図６のフローチャートに表した処理とは異なるが、ステップＳ８の判断が行われる際、生成されたサンプルパスの評価値を算出しても良い。例えば、その評価値が所定の条件を満たした場合に、終了条件が充足されたと判断される。この場合、ステップＳ１０及びＳ１１は省略され、ステップＳ１２で条件を満たす評価値が得られたサンプルパスに関する結果が表示される。

また、上述した例では、次の作業の開始点をサンプリングした後、サンプルを絞り込み、その絞り込んだサンプルに基づいて次の開始点をサンプリングした。この方法の他に、サンプルを絞り込まず、各サンプルに基づいて次の開始点をサンプリングしても良い。この方法では、最終的に生成されるサンプルパスの数が多くなるため、複数の変化点Ｂとより適合するサンプルパスが得られる可能性が高まる。従って、時系列データと作業との対応関係をより精度良く分析できる。一方、サンプルを絞り込んでから次のサンプリングを行う場合、計算量が少なくなるため、分析に要する時間を短縮できる。

（第１変形例：リサンプリング）
図７は、第１実施形態の第１変形例に係る分析システムにおける処理を説明するための模式図である。
ある作業の開始点に基づき、次の作業の開始点をサンプリングした後、リサンプリングが行われても良い。

図７（ａ）は、図２（ａ）に表した時系列データの一部を拡大したものである。図７（ａ）に表したように作業Ｃ２の開始点の候補としてサンプルＤ２ａ～Ｄ２ｃが設定されると、処理部２０は、各サンプルの評価値を算出する。そして、処理部２０は、算出された評価値に基づき、確率分布を定義する。処理部２０は、定義された確率分布に従って、作業Ｃ２の開始点の候補を再度サンプリング（リサンプリング）する。

図７（ａ）に表した例では、サンプルＤ２ａが最も変化点Ｂ１に近く、サンプルＤ２ｃが最も変化点Ｂ１から遠い。従って、これらのサンプルの評価値に基づいて定義された確率分布では、サンプルＤ２ａ近傍で確率が高く、サンプルＤ２ｃ近傍では確率が低くなる。この確率分布に従って、処理部２０は、例えば図７（ｂ）に表したように、サンプルＤ２ａを中心に、複数のサンプルＤ２ａ_１～Ｄ２ａ_３を設定し、サンプルＤ２ｂを中心に、複数のサンプルＤ２ｂ_１及びＤ２ｂ_２を設定する。サンプルＤ２ｃに関しては、サンプルを設定しない。サンプルＤ２ａ～Ｄ２ｃに対してリサンプリングにより設定されるサンプルの数は、評価値に基づく。すなわち、変化点との距離が短いサンプルに対しては、リサンプリングによって、より多くのサンプルが設定される。

リサンプリングの後、処理部２０は、例えば、サンプルＤ２ａ_１～Ｄ２ａ_３、Ｄ２ｂ_１、及びＤ２ｂ_２のそれぞれを作業Ｃ２の開始点の候補として設定する。そして、処理部２０は、各サンプルに基づいて、次の作業の開始点の候補をサンプリング及びリサンプリングする。

図８は、第１実施形態の第１変形例に係る分析システムにおける処理を表すフローチャートである。
図８に表した第１変形例に係るフローチャートは、ステップＳ５に代えてステップＳ２０及びＳ２１を含む点で、図６に表したフローチャートと異なる。

ステップＳ４で評価値が算出されると、評価値に基づいて確率分布を定義する（ステップＳ２０）。定義された確率分布に従って、第ｎ＋１作業の開始点をＭ個リサンプリングする（ステップＳ２１）。その後、次の作業が存在する場合は、Ｍ個のサンプルのそれぞれについて、ステップＳ３において次の作業の開始点がサンプリングされる。

サンプリングの結果に基づいてリサンプリングされることで、複数の変化点Ｂにより一致する開始点及び終了点が得られやすくなる。これにより、分析の精度を向上させることができる。

（第２変形例：モチーフ）
図９は、第１実施形態の第２変形例に係る分析システムにおける処理を説明するための模式図である。
処理部２０は、時系列データにおいて繰り返し現れる特徴的なパターン（モチーフ）を検出しても良い。まず、処理部２０は、時系列データの一部を切り出す。切り出すデータの範囲（時間の長さ）は、例えば、複数の作業のいずれかの所要時間に基づいて設定される。一例として、処理部２０は、図９（ａ）に表した全体の時系列データから、図９（ｂ）に表したように、一部のデータを切り出す。

次に、処理部２０は、切り出したデータを、時系列データにおいて同じ時間長さの別のデータと比較する。例えば、処理部２０は、切り出したデータと別のデータとの間のＤＴＷ(Dynamic Time Warping）距離を算出する。ＤＴＷ距離を用いることで、時間の長短に拘わらず、それらのデータ間の相関の強度を求めることができる。処理部２０は、切り出したデータと似ている（相関が強い）データが見つかるまで、別のデータと比較を行う。例えば、処理部２０は、上記別のデータの範囲を１フレームずつずらしながら、切り出したデータと比較する。

処理部２０は、切り出したデータと似ている部分を抽出していく。例えば、ＤＴＷ距離が所定値未満の部分を抽出する。ＤＴＷ距離が所定値未満の部分が存在しない場合、処理部２０は、別の範囲のデータ又は別の時間長さのデータを時系列データから切り出し、別のデータと比較する。

この処理により、図９（ｃ）に表したように、複数の互いに類似する部分Ｆ（モチーフ）が抽出される。処理部２０は、類似部分Ｆの周期Ｇを算出する。周期Ｇは、例えば、隣り合う類似部分Ｆの中心間の時間を平均して算出される。処理部２０は、周期Ｇに基づき、時系列データの一部を切り出す。例えば、処理部２０は、周期Ｇの２倍の長さのデータを、時系列データの全体から切り出す。切り出す位置は、ランダムでも良いし、所定のルールに基づいても良い。処理部２０は、切り出されたデータに対して、図２（ｂ）に表した方法と同様に、複数の変化点Ｂを抽出する。

図１０は、第１実施形態の第２変形例に係る分析システムにおける処理を表すフローチャートである。
図１０に表した第２変形例に係るフローチャートは、ステップＳ１に代えてステップＳ３０～Ｓ３２を含む点で、図６に表したフローチャートと異なる。

時系列データが取得されると、まず、時系列データにおける類似部分（モチーフ）を抽出する（ステップＳ３０）。抽出された類似部分に基づき、時系列データの一部を切り出す（ステップＳ３１）。切り出した時系列データにおける複数の変化点を抽出する（ステップＳ３２）。以降は、抽出された複数の変化点に基づいてステップＳ２が実行される。

時系列データから互いに類似する複数の類似部分を抽出し、これらの類似部分に基づいて全体のデータの一部を切り出すことで、その後の処理に要する時間を大きく短縮できる。

なお、全体のデータの一部を切り出す方法として、第１工程Ｃの標準時間を用いる方法もある。例えば、処理部２０は、全体のデータから、第１工程Ｃの標準時間の２倍又は３倍の長さのデータを切り出しても良い。この場合も同様に、その後の処理に要する時間を大きく短縮できる。
ただし、実際に作業者が第１工程Ｃに要する時間は、第１工程Ｃの標準時間と大きく異なる場合もある。作業者の熟練度が高いと、第１工程Ｃに実際に要する時間は、標準時間よりも短い可能性がある。すなわち、必要以上の長さのデータが切り出されるため、類似部分に基づいてデータを切り出した場合に比べて、その後の処理に要する時間が長くなる可能性がある。一方、作業者の熟練度が低いと、第１工程Ｃに実際に要する時間が標準時間よりも長い可能性がある。このため、切り出したデータに全ての作業の動作が含まれず、適切に分析できない可能性がある。
類似部分を用いることで、分析の精度の低下を抑制しつつ、処理に要する時間を効果的に短縮できる。

（第３変形例：類似度）
図１１（ａ）及び図１１（ｂ）は、第１実施形態の第３変形例に係る分析システムにおける処理を説明するための模式図である。
サンプルパスの評価値を算出する際、処理部２０は、第１工程に含まれる各作業間の類似度を参照しても良い。類似度は、例えば記憶部３０に記憶される。

一例として、図１１（ａ）に表したテーブルのように、各作業の間の類似度（第２類似度）が設定される。類似度は、予め人が入力しても良いし、処理部２０により自動的に設定されても良い。自動的に設定される場合、類似度は、手順書に記載された文章に基づいて設定することができる。例えば、手順書に記載された各作業の名称間の類似度を算出し、この類似度を使用する。又は、手順書に作業内容が記載されている場合、作業内容の文書間の類似度を用いても良い。

２つの作業内容が似ているほど、それらの作業において得られた時系列データの波形同士も似ている可能性が高い。図１１（ｂ）は、図５（ａ）に表した複数のサンプルパスＥ１～Ｅｘのうち、サンプルパスＥ１に対応するデータを表す。処理部２０は、サンプルパスの評価値を算出する際に、開始点及び終了点と変化点との間の距離に加え、各作業に対応するデータ同士の間の類似度（第１類似度）を算出する。類似度としては、ＤＴＷ距離が用いられる。

例えば、処理部２０は、作業Ｃ１に対応するデータと、作業Ｃ２に対応するデータと、のＤＴＷ距離を算出すると、図１１（ａ）に表したテーブルを参照する。テーブルによれば、作業Ｃ１とＣ２との間の類似度は低い。従って、当該ＤＴＷ距離が長い場合、予め設定された類似度の情報と合致している。また、作業Ｃ１に対応するデータと作業Ｃ３に対応するデータとのＤＴＷ距離が短いと、テーブルに記憶された類似度と合致する。処理部２０は、各作業に対応するデータ同士の類似度と、テーブルに記憶された類似度と、が一致しているほど、評価値を高める。

図１２は、第１実施形態の第３変形例に係る分析システムにおける処理を表すフローチャートである。
図１２に表した第３変形例に係るフローチャートは、ステップＳ１０に代えてステップＳ４０及びＳ４１を含む点で、図６に表したフローチャートと異なる。

ステップＳ８で終了条件が充足されたと判断されると、予め設定された作業間の類似度を参照する（ステップＳ４０）。あるいは、ステップＳ４０において、手順書等を読み込んで類似度を算出しても良い。次に、類似度を用いて、各サンプルパスの評価値を算出する（ステップＳ４１）。

例えば、各サンプルパスの開始点及び終了点について、複数の変化点との間の距離をそれぞれ計算する。さらに、各サンプルパスに基づいて、各作業に対応する時系列データの一部を抽出する。続いて、抽出されたデータ同士の間の類似度を算出し、データ間の類似度と作業間の類似度とを比較する。評価値は、距離の計算結果及び類似度の比較結果に基づいて算出される。以降は、算出された評価値に基づき、サンプルパスが決定される。

この方法によれば、時系列データと作業との対応関係をより精度良く分析することが可能となる。

（第４変形例：作業の分岐）
図１３は、第１実施形態の第４変形例に係る分析システムにおける処理を説明するための模式図である。
ここでは、第１工程において、実施される作業の流れが複数存在する場合について説明する。例えば図１３（ａ）に表したように、第１工程Ｃは、作業Ｃ４をさらに含む。作業Ｃ４は、作業Ｃ２と作業Ｃ３との間に行われる場合がある。作業Ｃ４が行われない場合、作業Ｃ２の直後に作業Ｃ３が行われる。すなわち、作業Ｃ２の後に実施される可能性のある作業が、作業Ｃ３と作業Ｃ４に分岐している。

この場合、処理部２０は、作業Ｃ２の開始点を決定した後、作業Ｃ３及びＣ４のそれぞれの開始点の候補をサンプリングする。図１３（ａ）に表した例では、作業Ｃ４に要する標準的な時間は、４０秒である。処理部２０は、図１３（ｂ）に表したように、開始点Ｄ３を決定した後、作業Ｃ３の標準時間である１９秒後近傍に、サンプルＤ４ａ～Ｄ４ｃを設定する。さらに、処理部２０は、作業Ｃ４の標準時間である４０秒後近傍に、サンプルＤ４ｄ～Ｄ４ｆを設定する。

処理部２０は、各サンプルと、最も近い変化点Ｂと、の間の距離をそれぞれ算出し、評価値を算出する。処理部２０は、例えば、評価値に基づき、確率分布を定義する。続いて、処理部２０は、第１変形例と同様にして、確率分布に従いリサンプリングを行う。以降は、リサンプリングにより設定されたサンプルに基づき、次の作業の開始点がサンプリングされる。次の作業が存在しないサンプルについては、処理を終了し、サンプルパスを記憶部３０に保存する。

図１４は、第１実施形態の第４変形例に係る分析システムにおける処理を表すフローチャートである。
図１４に表した第４変形例に係るフローチャートは、ステップＳ３に代えてステップＳ５０を含み、ステップＳ５に代えてステップＳ２０及びＳ２１を含み、且つステップＳ７に代えてステップＳ５１～Ｓ５３を含む点で、図６に表したフローチャートと異なる。

ステップＳ５０では、ステップＳ２又はＳ９で第ｎ作業の開始点が設定されると、第ｎ＋１作業の開始点をＮ個サンプリングする。このとき、第ｎ＋１作業として、複数の作業が存在しうる場合は、それぞれの作業の開始点についてＮ個サンプリングする。次に、各サンプルの評価値を算出し（ステップＳ４）、評価値に基づく確率分布に従ってリサンプリングを行う（ステップＳ２０及びＳ２１）。その後、ステップＳ２１のリサンプリングにより設定されたサンプルから、第ｎ＋１作業が存在するサンプルを抽出し、サンプルの集合Ｓを生成する（ステップＳ５１）。さらに、第ｎ＋１作業が存在しないサンプルについては、サンプルパスを保存する（ステップＳ５２）。

ステップＳ５１及びＳ５２の後は、集合Ｓにサンプルが存在するか判断する（ステップＳ５３）。集合Ｓにサンプルが存在する場合は、集合Ｓに含まれる各サンプルについて、再度、第ｎ＋１作業の開始点がＮ個サンプリングされる（ステップＳ５０）。集合Ｓにサンプルが存在しない場合は、図６に表したフローチャートと同様に、ステップＳ８が実行される。

第１工程に含まれる作業の流れに分岐が存在する場合、分析において分岐が考慮されないと、時系列データと作業との対応付けを精度良く行えない。本変形例に係る分析システム及び分析方法では、そのような作業の分岐がある場合でも、分岐後の各作業についてサンプリングする。従って、時系列データと作業との対応付けの精度を向上させることができる。

（第２実施形態）
図１５は、第２実施形態に係る分析システムの構成を表すブロック図である。
第２実施形態に係る分析システム２は、図１５に表したように、学習データ記憶部５０及びＲＮＮ記憶部６０をさらに有する。

第１実施形態に係る分析システム１によれば、時系列データの全体から、第１工程に対応する時系列データの一部を抽出できる。第２実施形態に係る分析システム２は、抽出された時系列データの一部を用いて、リカレントニューラルネットワーク（以下、ＲＮＮという）の学習を行う。また、分析システム２は、さらに、そのＲＮＮを用いて作業者の動作を分析する。以降では、処理部２０によるＲＮＮの学習及びＲＮＮを用いた分析について説明する。

（学習）
処理部２０は、第１工程に対応する時系列データの一部を抽出すると、そのデータを学習データ記憶部５０に記憶する。学習データ記憶部５０は、時系列データの他に、その時系列データが取得された作業者の熟練度に関する情報を記憶している。熟練度は、ユーザが予め学習データ記憶部５０に記憶する。又は、時系列データの時間の長さに基づいて熟練度が算出されて記憶されても良い。この場合、第１工程に要する時間が短いほど、熟練度が高く算出される。

処理部２０は、学習データ記憶部５０に記憶された時系列データを用いて、ＲＮＮ記憶部６０に記憶されたＲＮＮを学習させる。ＲＮＮは、ニューラルネットワークの一種である。ニューラルネットワークは、人工の複数のニューロン（ノード）を用いて、生物学的な認識システムを模倣したものである。複数のニューロンは、重み付けが設定された人工のシナプス（接続線）により相互に接続される。

図１６は、リカレントニューラルネットワークを表す模式図である。
図１６に表したように、ＲＮＮ２００は、入力層２０１、中間層２０２、及び出力層２０３を含む。さらに、ＲＮＮでは、ある時間区分における中間層２０２のニューロンＮの出力が、その後の時間区分における中間層２０２のニューロンＮの出力に接続される。

処理部２０は、入力層２０１に含まれるニューロンＮに、学習のための時系列データを入力する。また、処理部２０は、出力層２０３に含まれるニューロンＮに、教師データを入力する。教師データとしては、熟練度を示す値が設定される。すなわち、入力される時系列データが熟練者の動作に基づく場合は、出力層２０３のニューロンＮに、熟練度が高いことを示す値が設定される。学習により、入力された時系列データと、教師データと、の差が小さくなるように、ＲＮＮに含まれる各シナプスの重み付けが変化する。学習は、熟練度が互いに異なる複数の作業者から取得された時系列データを用いて行う。処理部２０は、学習させたＲＮＮを、ＲＮＮ記憶部６０に保存する。

学習データ記憶部５０及びＲＮＮ記憶部６０は、ハードディスクドライブ、フラッシュメモリ、又はネットワークハードディスクなどである。１つの記憶装置が、記憶部３０、学習データ記憶部５０、及びＲＮＮ記憶部６０として機能しても良い。

（分析）
ＲＮＮを用いた分析では、例えば、ある作業者の動作が、どの程度の熟練度に相当するかを調べることができる。また、作業者の動作において、改善した方が良い点を発見することもできる。分析する際は、分析対象となる作業者の第１工程における動作を示す時系列データが予め記憶部３０に記憶される。この時系列データは、例えば、分析システム１で説明した処理により抽出される。

処理部２０は、分析対象の時系列データを、ＲＮＮ記憶部６０の学習済みＲＮＮに入力する。ＲＮＮの入力層２０１に時系列データが入力されると、出力層２０３のニューロンＮが反応しうる。処理部２０は、出力層２０３のニューロンＮの反応を検出する。例えば、処理部２０は、ニューロンＮの活性度と、所定の閾値と、を比較する。ニューロンＮの活性度が所定の閾値よりも高い場合、処理部２０は、ニューロンＮが反応していると検出する。処理部２０は、時系列データのうち当該ニューロンＮが反応した期間のデータを抽出しても良い。または、処理部２０は、当該期間における、当該ニューロンＮの活性度を示すデータと、時系列データの一部と、を抽出しても良い。

表示部４０は、処理部２０による検出結果を表示する。例えば、表示部４０は、処理部２０によって抽出された時系列データの一部を他の部分と区別可能に表示する。ニューロンＮの反応が検出されなかった場合、表示部４０は、反応が検出されなかったことを示す結果を表示しても良い。

ＲＮＮの中間層２０２のニューロンＮは、例えば、ＬＳＴＭ（Long Short Term Memory）構造を有する。ＬＳＴＭ構造を有するニューラルネットワークは、他の構造のニューラルネットワークに比べて、より作業周期の長い時系列データに対する認識率を高めることができる。

図１７は、ＬＳＴＭ構造を表すブロック図である。
図１７に表したように、ＬＳＴＭ構造３００は、忘却ゲート３１０、入力ゲート３２０、及び出力ゲート３３０を含む。

図１７において、ｘ_ｔは、時間ｔにおけるニューロンＮへの入力値を表す。Ｃ_ｔは、時間ｔにおけるニューロンＮの状態を表す。ｆ_ｔは、時間ｔにおける忘却ゲート３１０の出力値を表す。ｉ_ｔは、時間ｔにおける入力ゲートの出力値を表す。ｏ_ｔは、時間ｔにおける出力ゲートの出力値を表す。ｈ_ｔは、時間ｔにおけるニューロンＮの出力値を表す。ｆ_ｔ、ｉ_ｔ、Ｃ_ｔ、ｏ_ｔ、及びｈ_ｔは、それぞれ、以下の「数１」～「数５」で表される。

なお、図１７に表した例に限らず、ＲＮＮの中間層２０２のニューロンＮは、Gated Recurrent Unit構造またはbi-directional LSTM構造などを有していても良い。

図１８は、第２実施形態に係る分析システムにおける処理を表すフローチャートである。
まず、図６、図８、図１０、図１２、又は図１４などのフローチャートに表した分析処理が実行され、第１工程における動作を示す時系列データが取得される（ステップＳ６０）。次に、ステップＳ６０で取得した時系列データを用いて、ＲＮＮを学習させる（ステップＳ６１）。続いて、分析の対象となる時系列データを取得する（ステップＳ６２）。学習されたＲＮＮに取得した時系列データを入力し、ニューロンの反応を検出する（ステップＳ６３）。検出の結果を表示部４０に表示する（ステップＳ６４）。

第２実施形態の効果を説明する。
第２実施形態に係る分析システム２及び分析方法によれば、ある作業者の第１工程における動作が、改善すべき点を含んでいるか検出できる。従来、動作の改善すべき点の有無は、例えば、人が観察することで確認していた。しかし、この場合、観察者は、それぞれの作業者の作業全体を観察しなければならず、長大な時間を要する。また、改善すべき点の抽出は、観察者の主観や、経験、熟練度に依存するため、ばらつきも生じる。

一方で、本実施形態に係る分析システム２及び検出方法では、改善すべき点は、ＲＮＮに基づいて検出される。このＲＮＮは、他の作業者の動作に基づくデータを用いて学習されている。従って、改善すべき点は、観察者の経験等に依存せず、客観的に検出される。さらに、改善すべき点は、分析システム２及び検出方法によって自動的に検出されるため、観察者は不要となる。このように、本実施形態によれば、自動的かつ客観的に作業者の改善すべき動作を検出できる分析システム及び検出方法が提供される。

なお、ここでは、作業者の改善すべき動作の検出を目的とした場合を説明している。しかし、実施形態に係る分析システム２及び検出方法の用途は、この例に限定されない。例えば、作業者の優れた動作を検出するために、本実施形態に係る分析システム２及び検出方法を用いることも可能である。

また、分析システム２では、ＲＮＮを用いて作業の分析を行っている。ＲＮＮを用いることで、以下の効果が得られる。
作業周期は、作業者ごとに異なる。従って、それぞれの作業者が同じ時間に作業を開始しても、時間が経過するにつれて、各作業者がある時点で行っている作業にはばらつきが生じる。この点について、ＲＮＮを用いることで、このような作業周期のばらつきの影響を無くし、作業時の改善すべき動作の検出が可能となる。また、ＲＮＮを用いることで、ある時間区分の動作と、その後の時間区分の動作と、の関連性を考慮することができるようになる。この結果、作業時間の増加を招いている動作だけでなく、その動作に繋がる原因となる動作を検出することも可能となる。

さらに、本実施形態に係る分析システム２及び検出方法において、ＲＮＮ２００の中間層２０２のニューロンＮは、図１７に表したＬＳＴＭ構造を有することが望ましい。ＬＳＴＭ構造を適用することで、より長期間にわたって、中間層２０２に含まれるニューロンＮの状態を保存することが可能となる。それぞれの時点の動作の相互的な依存関係を、より長期間にわたって分析することが可能となる。従って、ある時点の動作だけでなく、その動作に繋がる前後の動作についても、出力層２０３に含まれるいずれかのニューロンＮが反応しうる。この結果、作業者の改善すべき動作をより包括的に検出することが可能となる。

また、第１実施形態で説明した処理方法を用いることで、ＲＮＮの学習に必要な時系列データを自動的に抽出できる。従って、ＲＮＮによる分析の準備に要する時間を大きく短縮することが可能である。

（実施例）
図１９（ａ）及び図１９（ｂ）は、実施例において取得したデータを表すグラフである。
図２０（ａ）は、実施例において取得したデータを表すグラフである。図２０（ｂ）及び図２０（ｃ）は、実施例におけるニューロンの活性度を表すグラフである。

図１９（ａ）、図１９（ｂ）、及び図２０（ａ）に表したデータは、それぞれ、第１作業者、第２作業者、及び第３作業者が第１作業を行ったときの動作に基づく。図１９（ａ）、図１９（ｂ）、及び図２０（ａ）のデータは、第１作業者、第２作業者、及び第３作業者のそれぞれの右手首に加速度計を取り付けて取得した。

図１９（ａ）、図１９（ｂ）、及び図２０（ａ）において、横軸は時間Ｔｉを表し、縦軸は加速度Ａｃを表す。実線及び点線は、それぞれ、Ｘ軸方向における加速度及びＹ軸方向における加速度を表す。

取得部１０は、図１９（ａ）及び図１９（ｂ）に表したデータを取得し、記憶部３０に記憶した。処理部２０は、図１９（ａ）及び図１９（ｂ）に表したデータを参照し、ＲＮＮ記憶部６０に記憶されたＲＮＮを学習させた。図１９（ａ）及び図１９（ｂ）の比較から、第１作業者が第１作業に要する時間は、第２作業者が第１作業に要する時間よりも短いことがわかる。すなわち、第１作業者の熟練度は、第２作業者の熟練度よりも優れている。

処理部２０は、図２０（ａ）に表したデータを、ＲＮＮ記憶部６０に記憶された、学習済みのＲＮＮに入力する。図２０（ｂ）及び図２０（ｃ）は、それぞれ図２０（ａ）に表したデータを入力したときの、第１ニューロンと第２ニューロンの活性度を表すグラフである。第１ニューロンの活性度が高い場合、入力されたデータに対応する動作は、第１作業者の第１熟練度に相当することを示す。第２ニューロンの活性度が高い場合、入力されたデータに対応する動作は、第２作業者の第２熟練度に相当することを示す。図２０（ｂ）及び図２０（ｃ）において、横軸は時間Ｔｉを表し、縦軸はニューロンの活性度Ａｃｔを表す。ニューロンの活性度の絶対値が大きいほど、そのニューロンが強く反応していることを示す。

図２０（ｂ）及び図２０（ｃ）から、時間Ｔ１～時間Ｔ２の間に、第２ニューロンの活性度が大きくなっていることがわかる。すなわち、第３作業者の時間Ｔ１～時間Ｔ２の間の動作は、第２作業者の第２熟練度に相当することを示している。例えば、時間Ｔ１～時間Ｔ２の間では、第２ニューロンの活性度が閾値を超えている。処理部２０は、第２ニューロンが反応しているものと検出する。表示部４０は、例えば、図２０（ａ）に表したように、時間Ｔ１～時間Ｔ２の第３作業者のデータを、他の部分と区別可能に表示する。この実施例の結果から、第２ニューロンの反応が検出された動作を改善した方が良いことが分かる。

以上で説明した実施形態に係る分析システム及び分析方法を用いることで、第１工程における作業をより自動的に分析でき、且つ分析に要する時間を短縮できる。同様に、処理部に上述した処理を実行させるためのプログラム又はそのプログラムを記憶した記憶媒体を用いることで、第１工程における作業をより自動的に分析でき、且つ分析に要する時間を短縮できる。
例えば、本発明の実施形態は、以下の特徴を含む。
（特徴１）
複数の作業を含む第１工程における作業者の動作を示す時系列データを取得する取得部と、
１つの前記時系列データにおける状態の変化点を複数抽出し、前記複数の変化点を用いて、前記１つの時系列データと前記複数の作業のそれぞれとの対応付けを行う処理部と、
を備え、
前記複数の作業は、第１作業と、前記第１作業の後に行われる第２作業と、を含み、
前記処理部は、前記対応付けにおいて、
前記１つの時系列データについて、前記第１作業及び前記第２作業の開始点及び終了点にそれぞれ対応する複数のサンプルを含むサンプルパスを生成し、
前記複数のサンプルと前記複数の変化点との適合度合いに基づいて第１評価値を算出し、
前記第１評価値を用いて、前記１つの時系列データと前記第１作業及び前記第２作業のそれぞれとを対応付ける、
分析システム。
（特徴２）
前記処理部は、前記対応付けにおいて、
前記複数のサンプルに基づき、前記時系列データから、前記第１作業に対応する第１データと、前記第２作業に対応する第２データと、を抽出し、
前記第１データと前記第２データとの間の第１類似度を算出し、
前記第１評価値を算出する際、前記適合度合いと、前記第１類似度と、前記第１作業と前記第２作業との間の第２類似度と、に基づいて前記第１評価値を算出する、
特徴１記載の分析システム。
（特徴３）
前記処理部は、前記サンプルパスの生成において、
前記複数の変化点の１つを前記第１作業の開始点に設定し、
前記第１作業に要する時間に基づいて、前記第２作業の開始点の候補として複数のサンプルを設定し、
前記複数のサンプルのそれぞれについて、最も近い前記変化点までの距離を算出し、
複数の前記を用いて、前記複数のサンプルの１つを前記第２作業の開始点に設定する、
特徴１又は２に記載の分析システム。
（特徴４）
前記処理部は、前記サンプルパスの生成において、
前記複数の変化点の１つを前記第１作業の開始点に設定し、
前記第１作業に要する時間に基づいて前記第２作業の開始点の候補として複数のサンプルを設定し、
前記複数のサンプルのそれぞれについて、最も近い前記変化点までの距離を用いて第２評価値を算出し、
複数の前記第２評価値を用いて定義された確率分布に従って、前記第２作業の開始点の候補として別の複数のサンプルを設定する、
特徴１又は２に記載の分析システム。
（特徴５）
前記処理部は、
前記第１作業の開始点として設定する前記変化点を変更しながら複数の前記サンプルパスを生成し、
複数の前記サンプルパスのそれぞれについて、前記第１評価値を算出し、
複数の前記第１評価値に基づいて、複数の前記サンプルパスの１つを選定し、
前記複数のサンプルパスの前記１つに含まれる前記複数のサンプルを、前記複数の作業の開始点及び終了点とする、
特徴１～４のいずれか１つに記載の分析システム。
（特徴６）
複数の作業を含む第１工程における作業者の動作を示す時系列データを取得し、
１つの前記時系列データにおける状態の変化点を複数抽出し、
前記複数の変化点を用いて、前記１つの時系列データと前記複数の作業のそれぞれとの対応付けを行う分析方法であって、
前記複数の作業は、第１作業と、前記第１作業の後に行われる第２作業と、を含み、
前記対応付けにおいて、
前記１つの時系列データについて、前記第１作業及び前記第２作業の開始点及び終了点にそれぞれ対応する複数のサンプルを含むサンプルパスを生成し、
前記複数のサンプルと前記複数の変化点との適合度合いに基づいて第１評価値を算出し、
前記第１評価値を用いて、前記１つの時系列データと前記第１作業及び前記第２作業のそれぞれとを対応付ける、
分析方法。
（特徴７）
第１作業と、前記第１作業の後に行われる第２作業と、を含む複数の作業を含む第１工程における作業者の動作を示す１つの時系列データから、状態の変化点を複数抽出させ、
前記複数の変化点を用いて、前記１つの時系列データと前記複数の作業のそれぞれとの対応付けを行わせ、
前記対応付けにおいて、
前記１つの時系列データについて、前記第１作業及び前記第２作業の開始点及び終了点にそれぞれ対応する複数のサンプルを含むサンプルパスを生成させ、
前記複数のサンプルと前記複数の変化点との適合度合いに基づいて第１評価値を算出させ、
前記第１評価値を用いて、前記１つの時系列データと前記第１作業及び前記第２作業のそれぞれとを対応付けさせる、
処理を処理部に実行させるプログラム。
（特徴８）
特徴７記載のプログラムを記憶した記憶媒体。

以上、本発明のいくつかの実施形態を例示したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更などを行うことができる。これら実施形態やその変形例は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。また、前述の各実施形態は、相互に組み合わせて実施することができる。

１、２ 分析システム、 １０ 取得部、 ２０ 処理部、 ３０ 記憶部、 ４０ 表示部、 ５０ 学習データ記憶部、 ６０ ＲＮＮ記憶部、 ２０１ 入力層、 ２０２ 中間層、 ２０３ 出力層、 ３００ ＬＳＴＭ構造、 ３１０ 忘却ゲート、 ３２０ 入力ゲート、 ３３０ 出力ゲート、 Ａ 状態、 Ｂ、Ｂ１～Ｂ３ 変化点、 Ｃ 工程、 Ｃ１～Ｃ４ 作業、 Ｄ１～Ｄ３ 開始点、 Ｄ４ 終了点、 Ｄ２ａ～Ｄ２ｃ、Ｄ２ａ_１～Ｄ２ａ_３、Ｄ２ｂ_１、Ｄ２ｂ_２、Ｄ３ａ～Ｄ３ｃ、Ｄ４ａ～Ｄ４ｆ サンプル、 Ｅ１～Ｅｘ サンプルパス、 Ｆ 部分（モチーフ）、 Ｇ 周期、 Ｎ ニューロン、 Ｓ１～１２、Ｓ２０、Ｓ２１、Ｓ３０～Ｓ３２、Ｓ４０、Ｓ４１、Ｓ５０～Ｓ５３、Ｓ６０～Ｓ６４ ステップ Ｔｉ 時間、 Ｔ１、Ｔ２ 時間

Claims (7)

1. 複数の作業を含む第１工程を繰り返す作業者の動作を示す時系列データを取得する取得部と、
   １つの前記時系列データにおける状態の変化点を複数抽出し、前記複数の変化点を用いて、前記１つの時系列データと前記複数の作業のそれぞれとの対応付けを行う処理部と、
   を備え、
   前記処理部は、前記対応付けにおいて、
   前記１つの時系列データから、互いに類似する複数の類似部分を抽出し、
   時間上で隣り合う前記類似部分同士の間の時間の長さに基づき、前記１つの時系列データから一部を切り出し、
   切り出された前記時系列データと、前記複数の作業のそれぞれと、を対応付ける、
   分析システム。
2. 前記処理部は、前記時系列データのうち前記複数の作業のそれぞれと対応付けられた部分の時間の長さを算出し、外部に出力する請求項１記載の分析システム。
3. 前記処理部は、前記複数の作業のそれぞれと対応付けられた前記時系列データと、作業者の熟練度に関する情報と、を用いて、リカレントニューラルネットワークを学習させる請求項１又は２に記載の分析システム。
4. 前記処理部は、前記第１工程における別の作業者の動作を示す別の時系列データを、学習された前記リカレントニューラルネットワークに入力し、前記リカレントニューラルネットワークの出力層の反応を検出する請求項３記載の分析システム。
5. 複数の作業を含む第１工程を繰り返す作業者の動作を示す時系列データを取得し、
   １つの前記時系列データにおける状態の変化点を複数抽出し、
   前記複数の変化点を用いて、前記１つの時系列データと前記複数の作業のそれぞれとの対応付けを行う分析方法であって、
   前記対応付けにおいて、
   前記１つの時系列データから、互いに類似する複数の類似部分を抽出し、
   時間上で隣り合う前記類似部分同士の間の時間の長さに基づき、前記１つの時系列データから一部を切り出し、
   切り出された前記時系列データと、前記複数の作業のそれぞれと、を対応付ける、
   分析方法。
6. 複数の作業を含む第１工程を繰り返す作業者の動作を示す１つの時系列データから、状態の変化点を複数抽出させ、
   前記複数の変化点を用いて、前記１つの時系列データと前記複数の作業のそれぞれとの対応付けを行わせ、
   前記対応付けにおいて、
   前記１つの時系列データから、互いに類似する複数の類似部分を抽出させ、
   時間上で隣り合う前記類似部分同士の間の時間の長さに基づき、前記１つの時系列データから一部を切り出させ、
   切り出された前記時系列データと、前記複数の作業のそれぞれと、を対応付けさせる、
   処理を処理部に実行させるプログラム。
7. 請求項６記載のプログラムを記憶した記憶媒体。

Images