JP7121251B2 - 分析装置、分析方法およびプログラム - Google Patents

Description

本発明は、分析装置、分析方法およびプログラムに関する。

近年、センシングによって取得された情報からユーザの行動を分析し、行動状態に応じて様々なサービスを提供する行動支援システムが注目されている。
ユーザの行動分析に用いられるセンシング情報としては、例えば、携帯端末やウェアラブル端末等を通じて取得可能な、歩数や加速度等のモーションデータ、心拍や脈拍等のバイタルデータがある。

また、無線ＬＡＮ（Local Area Network）のアクセスポイントを通じて取得可能な位置情報や、クラウドネットワークを通じて取得可能なスケジューリング情報等がある。
行動支援システムでは、これらのセンシング情報を用いて、ユーザの行動状態（立つ、歩く、座る、話す等）を分析し、分析した行動状態に応じてユーザ個別にサービスを提供する。

例えば、移動ルートの案内、オフィス環境における業務情報の提示、病院内での医療補助、建築・整備現場におけるリスク行動の提言等、様々な分野でユーザに密着したサービスを提供することができる。

従来技術としては、例えば、観測結果における特徴量と、記憶してある特徴量とから、被験体の行動を認識する技術が提案されている。また、基準位置にもとづいて行動ログに含まれる位置情報の系列を補正する技術が提案されている。さらに、加速度センサの計測値の基本単位時刻よりも長い補正単位時刻における行動が連続するように行動推定の結果を補正する技術が提案されている。

特開平１０－１１３３４３号公報 国際公開第２０１５／１９４２６９号 特許第５３８２７１９号公報

しかし、ノイズ等の原因によってセンシング情報の取得に乱れが生じると、ユーザの行動状態を本来の行動状態とは異なるものとして誤認識する可能性がある。このため、誤認識された行動状態を検出し、本来の行動状態に補正することが求められる。

１つの側面では、本発明は、行動分析の精度向上を図った分析装置、分析方法およびプログラムを提供することを目的とする。

上記課題を解決するために、分析装置が提供される。分析装置は、制御部を含む。制御部は、ユーザの行動をセンシングした行動情報から単位時間毎の行動状態を表す特徴情報を時系列に生成し、単位時間の前の特徴情報に対して後の特徴情報が非連続な非連続特徴情報がある場合、非連続特徴情報に含まれる行動情報を、性質が互いに異なる第１の行動情報と第２の行動情報に分類し、第１の行動情報と第２の行動情報の双方の増減傾向にもとづいてセンシング時のノイズの有無を検出し、ノイズの有無の検出結果から特徴情報の連続性の適否を判定し、判定結果にもとづいて、特徴情報の連続性の補正を行う。
また、第１の行動情報は、ユーザが能動的に行った動作に応じて値が変化する性質を持つ人間依存型の行動情報であり、第２の行動情報は、ユーザの周囲の環境に応じて値が変化する性質を持つ環境依存型の行動情報であって、制御部は、前時刻の第１の特徴情報と後時刻の第２の特徴情報とが異なる場合、第１の特徴情報に含まれる第１の行動情報を第１の人間依存型行動情報と、第１の特徴情報に含まれる第２の行動情報を第１の環境依存型行動情報とに分類し、第２の特徴情報に含まれる第１の行動情報を第２の人間依存型行動情報と、第２の特徴情報に含まれる第２の行動情報を第２の環境依存型行動情報とに分類し、第１の人間依存型行動情報から第２の人間依存型行動情報への増減傾向と、第１の環境依存型行動情報から第２の環境依存型行動情報への増減傾向とにもとづいて、センシング時のノイズの有無を判定し、ノイズが有ると判定した場合は、特徴情報の連続性を不適正と判定し、第２の特徴情報を第１の特徴情報に置き換えて、非連続特徴情報を連続特徴情報に補正し、ノイズが無いと判定した場合は、特徴情報の連続性を適正と判定し、第２の特徴情報の第１の特徴情報への置き換えはせずに、非連続特徴情報の状態を維持する、第２の特徴情報を残す。

また、上記課題を解決するために、コンピュータが上記分析装置と同様の制御を実行する分析方法が提供される。
さらに、上記課題を解決するために、コンピュータに上記分析装置と同様の制御を実行させるプログラムが提供される。

１側面によれば、行動分析の精度向上が可能になる。

分析装置の構成の一例を示す図である。 情報処理システムの構成の一例を示す図である。 行動支援のモデルの一例を示す図である。 サーバのハードウェア構成の一例を示す図である。 サーバの機能ブロックの一例を示す図である。 特徴量の生成動作の一例を示す図である。 特徴量のグルーピングの一例を示す図である。 特徴量のラベリングの一例を示す図である。 ログの粒度にもとづいてグルーピングが行われた状態を示す図である。 ログの粒度にもとづいてグルーピングが行われた状態を示す図である。 特徴量の補正の動作を説明するための図である。 特徴量の補正の動作を説明するための図である。 ノイズ判定テーブルの一例を示す図である。 特徴量補正後の状態を示す図である。 サーバの動作を示すフローチャートである。

以下、本実施の形態について図面を参照して説明する。
［第１の実施の形態］
第１の実施の形態の分析装置について図１を用いて説明する。図１は分析装置の構成の一例を示す図である。分析装置１は、制御部１ａおよび記憶部１ｂを含む。制御部１ａは、ユーザの行動をセンシングした行動情報から単位時間毎の行動状態を表す特徴情報を時系列に生成する。

また、制御部１ａは、単位時間の前の特徴情報に対して後の特徴情報が非連続な非連続特徴情報がある場合、非連続特徴情報に含まれる行動情報を、性質が互いに異なる第１の行動情報と第２の行動情報に分類する。

そして、制御部１ａは、第１の行動情報と第２の行動情報の双方の増減傾向から特徴情報の連続性の適否を判定し、判定結果にもとづいて、特徴情報の連続性の補正を行う。記憶部１ｂは、センシングされた行動情報、および特徴情報を記憶し、さらに分析装置１の動作に関わるその他の制御情報を記憶する。

図１に示す例を用いて動作について説明する。
〔ステップＳ１〕制御部１ａは、行動情報（センシング情報に該当）を受信する。行動情報は、移動端末等のセンサ機器によってセンシングされた、ユーザの行動によって生起される情報である。図１の例では、“心拍数”、“歩数”、“位置情報”、“メール送受信”が示されている。行動情報は、センサ機器から分析装置１に定期的に送信されて制御部１ａで受信される。

〔ステップＳ２〕制御部１ａは、行動情報を受信すると、行動情報から特徴情報を生成する。図１の例では、時刻ｔ０、ｔ１、ｔ３に特徴情報Ａが生成され、時刻ｔ２に特徴情報Ｂが生成され、時刻ｔ４に特徴情報Ｃが生成されている。

また、制御部１ａは、単位時間の前後で特徴情報が異なる非連続特徴情報の検出を行う。図１の例では、時刻ｔ１の特徴情報Ａおよび時刻ｔ２の特徴情報Ｂの組αと、時刻ｔ３の特徴情報Ａおよび時刻ｔ４の特徴情報Ｃの組βとが、非連続特徴情報として検出されている。

〔ステップＳ３〕制御部１ａは、非連続特徴情報に含まれる行動情報を、性質が互いに異なる第１の行動情報と第２の行動情報に分類する。図１の例では、特徴情報Ａの行動情報が第１の行動情報ｄ１ａと第２の行動情報ｄ２ａに分類されている。また、特徴情報Ｂの行動情報が第１の行動情報ｄ１ｂと第２の行動情報ｄ２ｂに分類され、特徴情報Ｃの行動情報が第１の行動情報ｄ１ｃと第２の行動情報ｄ２ｃに分類される。

また、制御部１ａは、第１の行動情報と第２の行動情報の双方の増減傾向から特徴情報の連続性の適否を判定する。
この場合、制御部１ａは、特徴情報Ａから特徴情報Ｂへの遷移における、第１の行動情報ｄ１ａから第１の行動情報ｄ１ｂへの増減傾向と、第２の行動情報ｄ２ａから第２の行動情報ｄ２ｂへの増減傾向との組み合わせによる第１の増減傾向を求める。そして、制御部１ａは、第１の増減傾向にもとづいて、組α内の特徴情報Ａ、Ｂの連続性の適否を判定する。

また、制御部１ａは、特徴情報Ａから特徴情報Ｃの遷移における、第１の行動情報ｄ１ａから第１の行動情報ｄ１ｃへの増減傾向と、第２の行動情報ｄ２ａから第２の行動情報ｄ２ｃへの増減傾向との組み合わせによる第２の増減傾向を求める。そして、制御部１ａは、第２の増減傾向にもとづいて、組β内の特徴情報Ａ、Ｃの連続性の適否を判定する。

〔ステップＳ４〕制御部１ａは、判定結果にもとづいて、特徴情報の連続性の補正処理を行う。
〔ステップＳ４ａ〕制御部１ａが第１の増減傾向から特徴情報の連続性を不適正と判定したとする。この場合、制御部１ａは、特徴情報Ｂを特徴情報Ａに置き換え、非連続特徴情報を連続特徴情報に変換する（特徴情報Ａ、特徴情報Ｂを特徴情報Ａ、特徴情報Ａの並びにする）。

〔ステップＳ４ｂ〕制御部１ａは、第２の増減傾向から特徴情報の連続性を適正と判定したとする。この場合、制御部１ａは、特徴情報Ｃの特徴情報Ａへの置き換えはせずに、非連続特徴情報の状態を維持する（特徴情報Ａ、特徴情報Ｃの並びのままにする）。

このように、分析装置１では、センシングされたユーザの行動情報から行動状態を表す特徴情報を生成し、性質に応じて分類した行動情報の増減傾向から特徴情報の連続性の適否を判定し、判定結果にもとづいて特徴情報の連続性の補正を行う。

これにより、分析装置１は、ノイズ等による外乱によりユーザの行動状態を本来の行動状態とは異なるものと誤認識した場合でも、誤認識された行動状態を検出して本来の行動状態に補正することができ、行動分析の精度向上が可能になる。

［第２の実施の形態］
次に第２の実施の形態について説明する。まず、システム構成について説明する。図２は情報処理システムの構成の一例を示す図である。情報処理システム１－１は、サーバ１０、ネットワーク２、無線基地局３および移動端末４を備える。

サーバ１０は、ネットワーク２に接続する。無線基地局３は例えば、アクセスポイントであって、ネットワーク２および移動端末４に接続する。
移動端末４は、ユーザの行動をセンシングして得た行動情報をサーバ１０へ送信する。この場合、移動端末４は、サーバ１０からのポーリング指示にもとづいて送信してもよいし、あらかじめ設定した周期で送信してもよい。なお、ユーザの行動をセンシング可能な機器であれば、移動端末４以外のものが用いられてもよい。また、該機器は、無線通信に限らず、有線通信でネットワーク２を介してサーバ１０に接続する構成でもよい。

サーバ１０は、図１に示した分析装置１の機能を有し、取得した行動情報にもとづいて、ユーザの行動を分析し、個々のユーザに対して行動支援を行う。なお、センサ機器である移動端末４に対して、図１に示した分析装置１の機能を備える構成とすることも可能である。

＜行動支援のモデル＞
図３は行動支援のモデルの一例を示す図である。以降の説明では、行動情報をログと呼ぶ場合がある。

〔ステップＳ１１〕サーバ１０は、ユーザそれぞれからログを取得する。サーバ１０は、例えば、デジタル空間の行動に関連したログを取得する。デジタル空間の行動に関連したログとは、例えば、アプリケーションやネットワークの利用状況に関する情報が該当する。

また、サーバ１０は、例えば、物理空間の行動に関連したログを取得する。物理空間の行動に関連したログとは、例えば、ユーザの所在や動作状態（立つ、座る等）に関する情報が該当する。

〔ステップＳ１２〕サーバ１０は、ユーザの行動およびユーザが位置する環境をラベル化する。具体的には、サーバ１０は、取得したログを行動状態に変換し、複数の行動状態をグループ化して、グループ毎にラベルを付与する（グループ単位のラベリング）。

〔ステップＳ１３〕サーバ１０は、ラベルが付与されたグループにもとづき、ユーザの行動モデルを生成する。
〔ステップＳ１４〕サーバ１０は、生成した行動モデルを記憶する。

〔ステップＳ１５〕サーバ１０は、ユーザの現在の行動モデルにもとづき、次の行動を推定する。なお、推定された次の行動は、ステップＳ１３の処理にフィードバックされて、新たな行動モデルが生成される。そして、生成された新たな行動モデルにもとづいて、ステップＳ１５の処理により次の行動が推定される。

〔ステップＳ１６〕サーバ１０は、ユーザ個々の行動推定（行動推定のパーソナライズ）にもとづいて、各ユーザに対しアクション（案内）を指示する行動支援を行う。
＜ハードウェア構成＞
図４はサーバのハードウェア構成の一例を示す図である。サーバ１０は、プロセッサ１００によって装置全体が制御されている。すなわち、プロセッサ１００は、サーバ１０の制御部として機能する。

プロセッサ１００には、バス１０３を介して、メモリ１０１および複数の周辺機器が接続されている。プロセッサ１００は、マルチプロセッサであってもよい。プロセッサ１００は、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＡＳＩＣ（Application Specific Integrated Circuit）、またはＰＬＤ（Programmable Logic Device）である。またプロセッサ１００は、ＣＰＵ、ＭＰＵ、ＤＳＰ、ＡＳＩＣ、ＰＬＤのうちの２以上の要素の組み合わせであってもよい。

メモリ１０１は、サーバ１０の主記憶装置として使用される。メモリ１０１には、プロセッサ１００に実行させるＯＳ（Operating System）のプログラムやアプリケーションプログラムの少なくとも一部が一時的に格納される。また、メモリ１０１には、プロセッサ１００による処理に要する各種データが格納される。

また、メモリ１０１は、サーバ１０の補助記憶装置としても使用され、ＯＳのプログラム、アプリケーションプログラム、および各種データが格納される。メモリ１０１は、補助記憶装置として、フラッシュメモリやＳＳＤ（Solid State Drive）等の半導体記憶装置やＨＤＤ（Hard Disk Drive）等の磁気記録媒体を含んでもよい。

バス１０３に接続されている周辺機器としては、入出力インタフェース１０２およびネットワークインタフェース１０４がある。入出力インタフェース１０２は、プロセッサ１００からの命令にしたがってサーバ１０の状態を表示する表示装置として機能するモニタ（例えば、ＬＥＤ（Light Emitting Diode）やＬＣＤ（Liquid Crystal Display）等）が接続されている。

また、入出力インタフェース１０２は、キーボードやマウス等の情報入力装置を接続可能であって、情報入力装置から送られてくる信号をプロセッサ１００に送信する。
さらにまた、入出力インタフェース１０２は、周辺機器を接続するための通信インタフェースとしても機能する。例えば、入出力インタフェース１０２は、レーザ光等を利用して、光ディスクに記録されたデータの読み取りを行う光学ドライブ装置を接続することができる。光ディスクには、Ｂｌｕ－ｒａｙ Ｄｉｓｃ（登録商標）、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）、ＣＤ－Ｒ（Recordable）／ＲＷ（Rewritable）等がある。

また、入出力インタフェース１０２は、メモリ装置やメモリリーダライタを接続することができる。メモリ装置は、入出力インタフェース１０２との通信機能を搭載した記録媒体である。メモリリーダライタは、メモリカードへのデータの書き込み、またはメモリカードからのデータの読み出しを行う装置である。メモリカードは、カード型の記録媒体である。

ネットワークインタフェース１０４は、外部ネットワークとのインタフェース制御を行い、例えば、ＮＩＣ（Network Interface Card）、無線ＬＡＮカード等が使用できる。ネットワークインタフェース１０４で受信されたデータは、メモリ１０１やプロセッサ１００に出力される。

以上のようなハードウェア構成によって、サーバ１０の処理機能を実現することができる。例えば、サーバ１０は、プロセッサ１００がそれぞれ所定のプログラムを実行することで本発明の制御を行うことができる。

サーバ１０は、例えば、コンピュータで読み取り可能な記録媒体に記録されたプログラムを実行することにより、本発明の処理機能を実現する。サーバ１０に実行させる処理内容を記述したプログラムは、様々な記録媒体に記録しておくことができる。

例えば、サーバ１０に実行させるプログラムを補助記憶装置に格納しておくことができる。プロセッサ１００は、補助記憶装置内のプログラムの少なくとも一部を主記憶装置にロードし、プログラムを実行する。

また、光ディスク、メモリ装置、メモリカード等の可搬型記録媒体に記録しておくこともできる。可搬型記録媒体に格納されたプログラムは、例えば、プロセッサ１００からの制御により、補助記憶装置にインストールされた後、実行可能となる。またプロセッサ１００が、可搬型記録媒体から直接プログラムを読み出して実行することもできる。

＜機能ブロック＞
図５はサーバの機能ブロックの一例を示す図である。サーバ１０は、行動分析部１０ａおよびデータ管理部１０ｂを備える。なお、行動分析部１０ａは図１の制御部１ａの機能を実現し、データ管理部１０ｂは図１の記憶部１ｂの機能を実現する。なお、以降の説明では特徴情報を特徴量と呼ぶ。

行動分析部１０ａは、通信インタフェース部１１、特徴量生成部１２、特徴量補正部１３、特徴量グループ処理部１４および行動支援処理部１５を含む。
通信インタフェース部１１は、ネットワーク２を介して移動端末４との通信インタフェース制御を行う。特徴量生成部１２は、移動端末４でセンシングされ送信されたログを受信し、受信したログを特徴量に変換する。

特徴量補正部１３は、時間の前後で特徴量が異なる非連続特徴量の存在を検出した場合、非連続特徴量に含まれるログを、性質が互いに異なる第１のログと第２のログに分類する。そして、特徴量補正部１３は、第１のログと第２のログの双方の増減傾向から特徴量の連続性の適否を判定し、判定結果にもとづいて、特徴量の連続性の補正を行う。

特徴量グループ処理部１４は、所定時間帯において出現頻度が大きい（閾値を超える）複数の特徴量に対してラベルを付与して、特徴量をグルーピングする。
行動支援処理部１５は、グルーピングされた特徴量から行動推定を行い、行動推定にもとづいて、行動支援を行うためのサービス情報をユーザに出力する。

データ管理部１０ｂは、行動分析部１０ａの動作に要するデータを記憶管理する。また、データ管理部１０ｂは、後述する特徴量管理テーブルＴｂ１、特徴量補正テーブルＴｂ２およびノイズ判定テーブルＴｂ３の各テーブル情報を記憶管理する。

なお、行動分析部１０ａは、図４に示したプロセッサ１００によって実現される。また、データ管理部１０ｂは、図４に示したメモリ１０１によって実現される。
＜特徴量の生成＞
図６は特徴量の生成動作の一例を示す図である。特徴量は、ユーザの原始的な行動状態であってマイクロアクティビティ（Micro Activity）とも呼ぶ。例えば、still（静止）、walking（歩行）、speaking（会話中）といったものが特徴量である。なお、特徴量は複数が同時に現れうる。

〔ステップＳ２１〕特徴量生成部１２は、移動端末４から送信されたログの受信処理を行う。なお、ログには属性として、例えば、センサ種類、センシング時刻およびセンシング結果が含まれる。

例えば、移動端末４がＧＰＳ（Global Positioning System）機能によってユーザ位置をセンシングした場合、属性内容としては、センサ種類はＧＰＳ、センシング時刻はユーザ位置を測定したときの時刻、センシング結果は緯度経度になる。ログの受信処理では、このような属性検出等が行われる。

〔ステップＳ２２〕特徴量生成部１２は、所定条件にもとづいて、ログを特徴量に変換する（この変換処理は定期的に行われる）。例えば、過去一定期間において、ログａ１の複数の所定パラメータ値がすべて閾値を超えるといった条件が満たされる場合、ログａ１を特徴量Ａ１に変換する。

具体例を挙げると、ログａ１のセンサ種類の属性がマイクであり、センシング結果の属性が音声データであって、過去一定期間で音声データの値が閾値を超える場合、ログａ１は特徴量Ａ１として“speaking（会話中）”に変換される。

〔ステップＳ２３〕特徴量生成部１２は、ステップＳ２２の変換処理で生成した特徴量の履歴を特徴量管理テーブルＴｂ１に登録して管理する。特徴量管理テーブルＴｂ１は、項目として、時刻および特徴量を持つ。時刻は、特徴量に変換される前のログが移動端末４でセンシングされたときの時刻である。

例えば、特徴量管理テーブルＴｂ１の１行目には、センシング時刻が2017-10-12 13:58:20であり、この時刻にセンシングされたログは、特徴量として［speaking］、［strain］および［walking］に変換されていることを示している。

＜特徴量のグルーピング＞
特徴量グループ処理部１４は、同一時間帯で出現頻度が大きい（出現頻度が閾値を超える）特徴量をグルーピングして、複数の特徴量を１つのグループにまとめる。特徴量グループ処理部１４は、特徴量のグルーピングを行う場合、特徴量の共起頻度を算出し、所定時刻（例えば、５分から１０分）でゆらぎ（誤差）を吸収してグルーピングを行う。

また、特徴量グループ処理部１４は、以下の式（１）により特徴量の出現数を補正する。式（１）のＯ（ｐｔ_ｎ）が閾値以上の場合に出力補正を行う。なお、ＣＴは現時刻、ｐＴは最後の行動発生時刻、Ｃ（ｐｔ）は一時的に途切れる時刻である。

Ｏ（ｐｔ_ｎ）＝Ｃ（ｐｔ_ｎ）／（ｐＴ_ｎ－ＣＴ）・・・（１）
そして、特徴量グループ処理部１４は、Jaccard係数を用いた以下の式（２）による類似度計算を行って類似度Ｓ（ＰＳ_ｔ、ＰＳ_ｔ´）を求める（０≦Ｓ（ＰＳ_ｔ、ＰＳ_ｔ´）≦１）。なお、ｐｔは特徴量、ＰＳはグループ（特徴量の集合）、ｎ（Ｇ）はグループの要素数、Ｅ（）は平均である。

Ｓ（ＰＳ_ｔ、ＰＳ_ｔ´）＝｛Σｍｉｎ（ｐｔ_ｉ，ｐｔ´_ｉ）／Σｍａｘ（ｐｔ_ｉ，ｐｔ´_ｉ）｝×｛Ｅ（ｎ（Ｇ））／Ｅ（ｎ（ＰＳ_ｔ），ｎ（ＰＳ_ｔ´））｝・・・（２）
例えば、図６に示した特徴量管理テーブルＴｂ１の１行目と２行目の特徴量は同じである。この場合、Ｓ（ＰＳ_ｔ、ＰＳ_ｔ´）＝１となる。Ｓ（ＰＳ_ｔ、ＰＳ_ｔ´）が１のとき、比較対象の特徴量は完全一致であり、１に近いほど類似度は大きくなる。また、Ｓ（ＰＳ_ｔ、ＰＳ_ｔ´）が０のとき、比較対象の特徴量は完全に異なっており、０に近いほど類似度は小さくなる。よって、特徴量グループ処理部１４は、式（２）で算出した値と、あらかじめ設定した閾値とを比較して、同一グループにするか否かを判定し、閾値を超えるものをグルーピングする。

図７は特徴量のグルーピングの一例を示す図である。横軸は時刻である。また縦軸には特徴量の具体例が挙げられている。
〔時刻ｔ１〕特徴量グループ処理部１４は、時刻ｔ１において、縦軸に示される特徴量のうち、［sitting］と［fj_kawasaki_lab］の出現頻度が閾値を超えることを検出した場合、［sitting］と［fj_kawasaki_lab］を１つのグループｇ１にする。

〔時刻ｔ２〕特徴量グループ処理部１４は、時刻ｔ２において、縦軸に示される特徴量のうち、［walking］と［strain］の出現頻度が閾値を超えることを検出した場合、［walking］と［strain］を１つのグループｇ２にする。

〔時刻ｔ３〕特徴量グループ処理部１４は、時刻ｔ３において、縦軸に示される特徴量のうち、［sitting］と［meeting］の出現頻度が閾値を超えることを検出した場合、［sitting］と［meeting］を１つのグループｇ３にする。

〔時刻ｔ４〕特徴量グループ処理部１４は、時刻ｔ４において、縦軸に示される特徴量のうち、［speaking］、［meeting］および［strain］の出現頻度が閾値を超えることを検出した場合、［speaking］、［meeting］および［strain］を１つのグループｇ４にする。

〔時刻ｔ５〕特徴量グループ処理部１４は、時刻ｔ５において、縦軸に示される特徴量のうち、［walking］と［office］の出現頻度が閾値を超えることを検出した場合、［walking］と［office］を１つのグループｇ５にする。

〔時刻ｔ６〕特徴量グループ処理部１４は、時刻ｔ６において、縦軸に示される特徴量のうち、［walking］、［no_wifi］および［normal］の出現頻度が閾値を超えることを検出した場合、［walking］、［no_wifi］および［normal］を１つのグループｇ６にする。

＜特徴量のラベル付与＞
複数の特徴量（マイクロアクティビティ）がグループ化され、ラベルが付与されたものはマクロアクティビティ（Macro Activity）と呼ばれる。例えば、会議中（still, speaking）、資料作成中（writing）といったものを指す。

マクロアクティビティは、ユーザのより具体的な行動を表すものであり、該行動を認識するための特徴量として利用される。また、上記の“会議中”および“資料作成中”といった名前がラベルに相当する。

図８は特徴量のラベリングの一例を示す図である。図７に示したグループに対してラベルが付与された状態を示している。グループｇ１には“事務所”のラベルが付与され、グループｇ２には“移動中”のラベルが付与されている。

グループｇ３には“会議参加中”のラベルが付与され、グループｇ４には“会議で資料説明中”のラベルが付与されている。グループｇ５には“移動中”のラベルが付与され、グループｇ６には“場所Ｐへ移動中”のラベルが付与されている。

特徴量グループ処理部１４は、上記のようなラベル付与処理を行うことで、特徴量のグループと、ユーザの実行動とを対応付ける。なお、ラベルはあらかじめサーバ１０が保持しているが、特徴量グループ処理部１４がユーザにフィードバックを要求し、ユーザが任意に設定したラベルを付与することも可能である。

＜ログの粒度と分析精度＞
上述したように、行動支援を行うシステムでは、移動端末４から定期的にログを収集し、収集したログを解析することで、移動端末４を使用しているユーザの行動を分析する。

ただし、移動端末４は、バッテリ駆動なので消費電力を抑制することが求められる。このため、移動端末４におけるログ取得の頻度は低減化されることが望ましい。よって、ログのサンプリング周期を大きくした方がバッテリの消費電力を抑制することができる。しかし、ログのサンプリング周期を大きくすると、行動分析の精度が劣化する可能性がある。

なお、以降の説明では、ログのサンプリング周期を粒度と呼ぶ場合がある。また、サンプリング周期を大きくすることを、粒度を粗くすると表現し、サンプリング周期を小さくすることを、粒度を細かくすると表現する場合がある。

図９、図１０はログの粒度にもとづいてグルーピングが行われた状態を示す図である。なお、図９、図１０中の特徴量Ａは会議、特徴量Ｂは出張、特徴量Ｃはオフィス内移動とラベリングされるとする。

図９は細かい粒度のログにもとづくグルーピング状態を示している。
〔状態Ｓｔ１〕細粒度ログから変換された特徴量Ａ、Ｂ、Ｃが示されている。時刻ｔ１、ｔ２、ｔ３、ｔ５、ｔ６、ｔ７、ｔ１１、ｔ１２は特徴量Ａとなり、時刻ｔ４は特徴量Ｂとなり、時刻ｔ８、ｔ９、ｔ１０は特徴量Ｃとなっている。なお、時刻ｔ４の特徴量は、ノイズ等によってログ取得が一時的に乱れ、本来は特徴量Ａであるはずが、特徴量Ｂが誤出現したものとする。

〔状態Ｓｔ２〕時刻ｔ１から時刻ｔ７までの特徴量には特徴量Ａ、Ｂが含まれるが特徴量Ｂの個数は少ないため、特徴量Ｂは誤出現したものとみなされる。この場合、ノイズ除去処理が機能して特徴量Ｂは削除され、時刻ｔ１から時刻ｔ７までの特徴量は、特徴量Ａのグループとしてグルーピングされる。

〔状態Ｓｔ３〕時刻ｔ８から時刻ｔ１０までは特徴量Ｃのみが出現するので、時刻ｔ８から時刻ｔ１０までの特徴量は、特徴量Ｃのグループとしてグルーピングされる。
〔状態Ｓｔ４〕時刻ｔ１１、ｔ１２は特徴量Ａのみが出現するので、時刻ｔ１１、ｔ１２の特徴量は、特徴量Ａのグループとしてグルーピングされる。

図１０は粗い粒度のログにもとづくグルーピング状態を示している。
〔状態Ｓｔ１１〕粗粒度ログから変換された特徴量Ａ、Ｂ、Ｃが示されている。時刻Ｔ１、Ｔ２、Ｔ４は特徴量Ａとなり、時刻Ｔ３は特徴量Ｂとなり、時刻Ｔ５は特徴量Ｃとなっている。なお、各時刻において認識された特徴量は、ノイズによる誤出現はなく、すべて正常に出現したものとする。

〔状態Ｓｔ１２〕時刻Ｔ１から時刻Ｔ４までの特徴量には特徴量Ａ、Ｂがある。この場合、上述の状態Ｓｔ２で示したような細粒度ログで行われたノイズ除去処理が機能し、特徴量Ｂは個数が少ないため誤出現したものとみなされる。したがって、時刻Ｔ１から時刻Ｔ４までの特徴量は、特徴量Ａのグループとしてグルーピングされる。

上記のように、粒度の細かいログの場合、一時的な誤出現が発生してもノイズ除去処理が機能することで、相対的に少なく出現した特徴量は誤出現した特徴量とみなされて、グルーピング時に除外される。しかし、粒度の粗いログの場合、ノイズ除去処理によって正常出現で検出された特徴量が誤出現とみなされてしまう場合がある。

図１０の例において、時刻Ｔ３では、本来は特徴量Ｂのはずが、時刻Ｔ３の前後で特徴量Ａの個数の方が多いため、時刻Ｔ３の特徴量Ｂがノイズによる誤出現とみなされる。そして、時刻Ｔ１から時刻Ｔ４まで特徴量Ａとしてグルーピングされてしまい、ユーザの行動状態の区切りが正確に検出されておらず、行動分析精度が劣化している。

このように、粒度の粗いログを利用する場合、生成したグループの特徴量の中に誤認識した他の特徴量が混在してしまい、行動分析の精度が劣化してしまうおそれがある。
本発明はこのような点に鑑みてなされたものであり、粗い粒度でログが取得された場合でも、特徴量の区切りを正確に検出して、行動分析の精度向上を図るものである。

＜ログの分類＞
本発明のサーバ１０は、ログを人間依存ログ（人間依存型の行動情報）と環境依存ログ（環境依存型の行動情報）の２種類に分類する。人間依存ログは、ユーザが能動的に行った動作に応じて値が変化する性質を持つログと定義できる。このように定義された人間依存ログには例えば、歩数、心拍数、ジャイロ、加速度、ディスプレイのオン／オフ等が含まれる。さらには、アプリケーションやネットワークの利用（メール送受信、スケジュールの追加等）もこの分類に含まれる。

環境依存ログは、ユーザの周囲の環境においてユーザが意識することなく値が変化する性質を持つログと定義できる。このように定義された環境依存ログには例えば、アクセスポイントの無線エリアにユーザが入ってきたときの該アクセスポイントの識別子情報、またはブロードキャスト通信で受信された情報等が該当する。

上記の定義の他にも、以下に示す定義によって人間依存ログと環境依存ログを分類することができる。なお、定義の仕方によって、人間依存ログに含まれていたログが環境依存ログに含まれることになったり、環境依存ログに含まれていたログが人間依存ログに含まれることになったりする。

上記では、ユーザの動きに応じた変化をするか否かで人間／環境依存を切り分けたが、下記基準を用いてもよい。
Ａ）ユーザが能動的に入力した結果にもとづくセンサ変化か否かにもとづく判断。

能動的な入力のあるセンサの場合、行動の変化（非ノイズ）である可能性が相対的に高い。一方で、入力・変化した情報が行動の変化（非ノイズ）である可能性は相対的に低い（ノイズである可能性が高い）。

Ａ）の例で判断した場合、人間依存ログには、ディスプレイのオン／オフ、メール送信、スケジュールやTO DO入力等がある。また、環境依存ログには、歩数、心拍数、ジャイロ、加速度、アクセスポイント情報、メール受信、ブロードキャスト通信等がある。

Ｂ）センサからの値の出力の頻度が断続的か否かにもとづく判断。
ユーザが行動した場合、センサから出力される値は断続的となる傾向にある。そのため、断続的な出力があるか否かで人間／環境依存の切り分けが可能である。すなわち、断続的な出力のあるログは人間依存、定期的な出力のログは環境依存となる。

Ｂ）の例で判断した場合、人間依存ログには、歩数、ジャイロ、加速度、ディスプレイのオン／オフ、メール送信、スケジュールやTO DO入力等がある。また、環境依存ログには、心拍数、メール受信、アクセスポイント情報、スケジュール情報受信、ブロードキャスト通信等がある。

Ｃ）個人を対象としたセンサ機器か否かにもとづく判断。
センサ機器には、個人の動きを対象としたものと、複数のユーザの動きを対象としたものが存在している。この性質を利用して、人間／環境依存の切り分けが可能である。

Ｃ）の例で判断した場合、人間依存ログには、ディスプレイのオン／オフ、歩数、心拍数、ジャイロ、加速度、メール送信、スケジュールやTO DO入力、アクセスポイント情報、ブロードキャスト通信等がある。また、環境依存ログには、固定配置の人感センサ、室内の温度・湿度センサ等がある。

＜特徴量の補正＞
次に特徴量補正部１３の動作について図１１から図１４を用いて説明する。図１１、図１２は特徴量の補正の動作を説明するための図である。まず、特徴量生成部１２は、時刻ｔ０、ｔ１に特徴量Ａ、時刻ｔ２に特徴量Ｂ、時刻ｔ３に特徴量Ａ、時刻ｔ４に特徴量Ｃを出力するものとする。

特徴量補正部１３は、特徴量生成部１２から出力された特徴量を受信し、時間の前後で異なる特徴量の組を検出する。この例の場合、時刻ｔ１の特徴量Ａおよび時刻ｔ２の特徴量Ｂの組αと、時刻ｔ３の特徴量Ａおよび時刻ｔ４の特徴量Ｃの組βとが検出されたとする。

また、特徴量Ａには、人間依存ログｈ１、ｈ２が含まれ、環境依存ログｅ１、・・・、ｅ１０が含まれるとする。また、特徴量Ｂには、人間依存ログｈ１、ｈ２が含まれ、環境依存ログｅ１、ｅ２が含まれるとする。さらに、特徴量Ｃには、人間依存ログｈ３が含まれ、環境依存ログｅ１１、・・・、ｅ１５が含まれるとする。

特徴量補正テーブルＴｂ２－１、Ｔｂ２－２は、特徴量補正部１３によって生成されるテーブルである。特徴量補正テーブルＴｂ２－１、Ｔｂ２－２は、人間依存ログと環境依存ログそれぞれに対し、前時刻の特徴量、後時刻の特徴量、ログ変化数、変化量、増減結果および判定結果の項目を有する。

なお、ログ変化数の枠内の左側のマイナス符号付き数値は、ログの減少数を表し、右側のプラス符号付き数値は、ログの増加数を表す。
図１１の組αに対応する特徴量補正テーブルＴｂ２－１における、前時刻の特徴量数、後時刻の特徴量数およびログ変化数について説明する。前時刻の特徴量は、時刻ｔ１の特徴量Ａに含まれる人間／環境依存ログの数である。特徴量Ａには、２個の人間依存ログｈ１、ｈ２と、１０個の環境依存ログｅ１、・・・、ｅ１０が含まれるので、｛前時刻の特徴量：（人間依存ログ数、環境依存ログ数）｝＝（２、１０）となる。

後時刻の特徴量は、時刻ｔ２の特徴量Ｂに含まれる人間／環境依存ログの数である。特徴量Ｂには、２個の人間依存ログｈ１、ｈ２と、２個の環境依存ログｅ１、ｅ２が含まれるので、｛後時刻の特徴量：（人間依存ログ数、環境依存ログ数）｝＝（２、２）となる。

ここで、人間依存ログは、特徴量Ａ、Ｂ共にログｈ１、ｈ２を含み、特徴量Ａから特徴量Ｂへの遷移において、ログの減少および新たなログの増加はない。したがって、人間依存ログに変化はないから、ログ変化数＝（－０、＋０）と登録される。

また、環境依存ログは、特徴量Ａはログｅ１、・・・、ｅ１０を含み、特徴量Ｂはログｅ１、ｅ２を含むため、特徴量Ａから特徴量Ｂへの遷移において、ログｅ３、・・・、ｅ１０の８個が減少している。また新たなログの増加はない。したがって、環境依存ログは、８個のログが減少し、新たなログの増加はないから、ログ変化数＝（－８、＋０）と登録される。

図１２の組βに対応する特徴量補正テーブルＴｂ２－２における、前時刻の特徴量、後時刻の特徴量およびログ変化数について説明する。前時刻の特徴量は、時刻ｔ３の特徴量Ａに含まれる人間／環境依存ログの数である。上記と同様に、｛前時刻の特徴量：（人間依存ログ数、環境依存ログ数）｝＝（２、１０）となる。

後時刻の特徴量は、時刻ｔ４の特徴量Ｃに含まれる人間／環境依存ログの数である。特徴量Ｃには、１個の人間依存ログｈ３と、５個の環境依存ログｅ１１、・・・、ｅ１５が含まれるので、｛後時刻の特徴量：（人間依存ログ数、環境依存ログ数）｝＝（１、５）となる。

ここで、人間依存ログは、特徴量Ａはログｈ１、ｈ２を含み、特徴量Ｃはログｈ３を含むため、特徴量Ａから特徴量Ｃへの遷移において、ログｈ１、ｈ２の２個が減少し、新たな１個のログｈ３が増加している。したがって、人間依存ログは、２個のログが減少し、新たな１個のログが増加しているから、ログ変化数＝（－２、＋１）と登録される。

また、環境依存ログは、特徴量Ａはログｅ１、・・・、ｅ１０を含み、特徴量Ｃはログｅ１１、・・・、ｅ１５を含む。このため、特徴量Ａから特徴量Ｃへの遷移において、ログｅ１、・・・、ｅ１０の１０個が減少し、新たな５個のログｅ１１、・・・、ｅ１５が増加している。したがって、環境依存ログは、１０個のログが減少し、新たな５個のログが増加しているから、ログ変化数＝（－１０、＋５）と登録される。

次に特徴量補正テーブルＴｂ２－１、Ｔｂ２－２における変化量、増減結果および判定結果について説明する。変化量は、特徴量補正部１３によって式（３）で算出される。
（変化量）＝（ログの減少数）＋（ログの増加数）×ｋ・・・（３）
なお、ｋ（＞１）はあらかじめ設定した係数である。例えば、ｋ＝１０とする。

特徴量補正テーブルＴｂ２－１において、人間依存ログに対応する変化量は０（＝０＋０×１０）であるから、増減結果は変化なしと登録される。環境依存ログに対応する変化量は－８（＝－８＋０×１０）であるから、増減結果は減少と登録される。

したがって、（人間依存ログの増減結果、環境依存ログの増減結果）＝（変化なし、減少）であるので、後述する行動シーンにもとづき判定結果はノイズありと登録される（判定結果の説明は後述）。すなわち、特徴量Ｂは、ノイズ等の外乱によって誤出現したものとみなされる。

特徴量補正テーブルＴｂ２－２において、人間依存ログに対応する変化量は８（＝－２＋１×１０）であるから、増減結果は増加と登録される。環境依存ログに対応する変化量は４０（＝－１０＋５×１０）であるから、増減結果は増加と登録される。したがって、（人間依存ログの増減結果、環境依存ログの増減結果）＝（増加、増加）であるので、判定結果はノイズなしと登録される（判定結果の説明は後述）。すなわち、特徴量Ｃは、ユーザの行動として正常に出現したものとみなされる。

ここで、式（３）において、ログの増加数に係数を乗算する理由について説明する。行動が変化した場合、変化に応じて新たに出現するログがある一方、出現しなくなるログも存在する。

変化量の算出において、前後に出現するログの数の差分をとって変化量とした場合、実際には新たな行動が出現しているにもかかわらず、変化量の減少をノイズありと誤認識してしまう可能性がある。

例えば、会議中（still, speaking）からオフィス内移動（walking）へと遷移した場合、特徴量に対応するログは１つ減少しているが、新たな行動が出現している状態である。しかし、単純にログの数の差分だけで判定した場合、ノイズありと誤認識されてしまう可能性がある。

したがって、式（３）のように、ログ変化数を減少数と増加数に分け、増加数に係数ｋ（＞１）を乗算する。これにより、新しい行動を大きく評価できるようになり、ノイズありとする誤認識の発生を抑制している。

図１３はノイズ判定テーブルの一例を示す図である。ノイズ判定テーブルＴｂ３は、項目として人間依存ログの変化、環境依存ログの変化、行動シーン切り替わりおよび判定結果を有する。なお、ユーザの行動が特定の物理範囲内で行われることを行動シーンと定義する。

各欄について説明すると、（人間依存ログの変化、環境依存ログの変化）＝（変化なし、増加）の場合、特徴量補正部１３は、行動シーンの切り替わりはなしと判定する。よって、特徴量補正部１３は、ノイズ判定結果はノイズありと判定する。この場合の例として、周囲の人の移動が挙げられる。

（人間依存ログの変化、環境依存ログの変化）＝（変化なし、減少）の場合、特徴量補正部１３は、行動シーンの切り替わりはなしと判定する。よって、特徴量補正部１３は、判定結果はノイズありと判定する。一例として、周囲の人の移動が挙げられる。

（人間依存ログの変化、環境依存ログの変化）＝（増加、増加）の場合、特徴量補正部１３は、行動シーンの切り替わりはありと判定する。よって、特徴量補正部１３は、ノイズ判定結果はノイズなしと判定する。一例として、オフィス内移動（会議から別会議室の移動）が挙げられる。

（人間依存ログの変化、環境依存ログの変化）＝（増加、変化なし）の場合、特徴量補正部１３は、行動シーンの切り替わりはなしと判定する。よって、特徴量補正部１３は、判定結果はノイズありと判定する。一例として、会議での資料説明が挙げられる。

（人間依存ログの変化、環境依存ログの変化）＝（増加、減少）の場合、特徴量補正部１３は、行動シーンの切り替わりはありと判定する。よって、特徴量補正部１３は、判定結果はノイズなしと判定する。一例として、オフィス内移動（会議から別会議室の移動）が挙げられる。

（人間依存ログの変化、環境依存ログの変化）＝（減少、増加）の場合、特徴量補正部１３は、行動シーンの切り替わりはなしと判定する。よって、特徴量補正部１３は、判定結果はノイズありと判定する。一例として、出張時移動が挙げられる。

（人間依存ログの変化、環境依存ログの変化）＝（減少、変化なし）の場合、特徴量補正部１３は、行動シーンの切り替わりはなしと判定する。よって、特徴量補正部１３は、判定結果はノイズありと判定する。一例として、出張時移動が挙げられる。

（人間依存ログの変化、環境依存ログの変化）＝（減少、減少）の場合、特徴量補正部１３は、行動シーンの切り替わりはなしと判定する。よって、特徴量補正部１３は、判定結果はノイズありと判定する。一例として、出張時移動が挙げられる。

上記のように、特徴量補正部１３は、人間依存ログおよび環境依存ログの変化量から行動シーンの切り替わりを判定し、この判定結果からノイズ判定を行う。
図１４は特徴量補正後の状態を示す図である。上記から特徴量Ａから特徴量Ｂへの遷移において、特徴量Ｂはノイズにより発生したものと判定される。したがって、特徴量補正部１３は、時刻ｔ２の特徴量Ｂを時刻ｔ１の特徴量Ａに置き換える。

また、特徴量Ａから特徴量Ｃへの遷移において、特徴量Ｃはノイズにより発生したものでなく新たな行動が出現したものと判定される。したがって、特徴量補正部１３は、時刻ｔ４の特徴量Ｃはそのまま残す。

＜フローチャート＞
図１５はサーバの動作を示すフローチャートである。
〔ステップＳ３１〕特徴量生成部１２は、定期的にログを受信する。

〔ステップＳ３２〕特徴量生成部１２は、受信したログから特徴量を生成する。
〔ステップＳ３３〕特徴量補正部１３は、特徴量の出現時間の前後において、前時刻の特徴量（特徴量ｆｖ１とする）と、後時刻の特徴量（特徴量ｆｖ２とする）とが異なるか否かを判定する。異なる場合はステップＳ３４へ処理が進み、一致する場合はステップＳ３１へ処理が戻る。

〔ステップＳ３４〕特徴量補正部１３は、特徴量ｆｖ１、ｆｖ２に含まれるログを参照し、人間依存ログか環境依存ログかに分類する。
〔ステップＳ３５〕特徴量補正部１３は、前時刻の特徴量ｆｖ１に含まれる人間依存ログと、後時刻の特徴量ｆｖ２に含まれる人間依存ログとのログ変化数を算出する。また、特徴量補正部１３は、前時刻の特徴量ｆｖ１に含まれる環境依存ログと、後時刻の特徴量ｆｖ２に含まれる環境依存ログとのログ変化数を算出する。

〔ステップＳ３６〕特徴量補正部１３は、算出したログ変化数から変化量を求め、人間依存ログと環境依存ログの増減傾向を求める。そして、特徴量補正部１３は、ノイズ判定テーブルＴｂ３にもとづいて、求めた増減傾向からノイズ判定結果を求める。ノイズ判定結果がノイズありの場合は、ステップＳ３７へ処理が進み、ノイズ判定結果がノイズなしの場合はステップＳ３８へ処理が進む。

〔ステップＳ３７〕特徴量補正部１３は、特徴量ｆｖ２はノイズにより発生したものと判定し、後時刻の特徴量ｆｖ２を前時刻の特徴量ｆｖ１に置き換える。
〔ステップＳ３８〕特徴量補正部１３は、特徴量ｆｖ２はノイズにより発生したものでなく新たな行動が出現したものと判定し、後時刻の特徴量ｆｖ２はそのまま残す。

〔ステップＳ３９〕特徴量グループ処理部１４は、補正後の特徴量をグルーピングする。
以上説明したように、サーバ１０では、ログを特徴量に変換し、時間の前後で連続しない特徴量について、性質に応じて分類したログの変化量から特徴量の連続性の適否の判定を行い、不適正な特徴量は１つ前の特徴量と同一であるものとみなして置き換えを行う。

これにより、サーバ１０は、誤認識した行動情報だけを訂正可能とするので、粗い粒度のログを利用して行動分析する場合であっても、行動分析の精度の向上を図ることが可能になる。

上記で説明した本発明の分析装置１およびサーバ１０の処理機能は、コンピュータによって実現することができる。この場合、分析装置１およびサーバ１０が有すべき機能の処理内容を記述したプログラムが提供される。そのプログラムをコンピュータで実行することにより、上記処理機能がコンピュータ上で実現される。

処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体に記録しておくことができる。コンピュータで読み取り可能な記録媒体としては、磁気記憶装置、光ディスク、光磁気記録媒体、半導体メモリ等がある。磁気記憶装置には、ハードディスク装置（ＨＤＤ）、フレキシブルディスク（ＦＤ）、磁気テープ等がある。光ディスクには、ＣＤ－ＲＯＭ／ＲＷ等がある。光磁気記録媒体には、ＭＯ（Magneto Optical disk）等がある。

プログラムを流通させる場合、例えば、そのプログラムが記録されたＣＤ－ＲＯＭ等の可搬型記録媒体が販売される。また、プログラムをサーバコンピュータの記憶装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することもできる。

プログラムを実行するコンピュータは、例えば、可搬型記録媒体に記録されたプログラムもしくはサーバコンピュータから転送されたプログラムを、自己の記憶装置に格納する。そして、コンピュータは、自己の記憶装置からプログラムを読み取り、プログラムに従った処理を実行する。なお、コンピュータは、可搬型記録媒体から直接プログラムを読み取り、そのプログラムに従った処理を実行することもできる。

また、コンピュータは、ネットワークを介して接続されたサーバコンピュータからプログラムが転送される毎に、逐次、受け取ったプログラムに従った処理を実行することもできる。また、上記の処理機能の少なくとも一部を、ＤＳＰ、ＡＳＩＣ、ＰＬＤ等の電子回路で実現することもできる。

以上、実施の形態を例示したが、実施の形態で示した各部の構成は同様の機能を有する他のものに置換することができる。また、他の任意の構成物や工程が付加されてもよい。さらに、前述した実施の形態のうちの任意の２以上の構成（特徴）を組み合わせたものであってもよい。

１ 分析装置
１ａ 制御部
１ｂ 記憶部
Ａ、Ｂ、Ｃ 特徴情報
ｄ１ａ、ｄ１ｂ、ｄ１ｃ 第１の行動情報
ｄ２ａ、ｄ２ｂ、ｄ２ｃ 第２の行動情報
α、β 非連続特徴情報の組

Claims (8)

1. ユーザの行動をセンシングした行動情報から単位時間毎の行動状態を表す特徴情報を時系列に生成し、
   単位時間の前の特徴情報に対して後の特徴情報が非連続な非連続特徴情報がある場合、前記非連続特徴情報に含まれる前記行動情報を、性質が互いに異なる第１の行動情報と第２の行動情報に分類し、
   前記第１の行動情報と前記第２の行動情報の双方の増減傾向にもとづいてセンシング時のノイズの有無を検出し、前記ノイズの有無の検出結果から前記特徴情報の連続性の適否を判定し、判定結果にもとづいて、前記特徴情報の連続性の補正を行う制御部、
   を有し、
   前記第１の行動情報は、前記ユーザが能動的に行った動作に応じて値が変化する性質を持つ人間依存型の前記行動情報であり、前記第２の行動情報は、前記ユーザの周囲の環境に応じて値が変化する性質を持つ環境依存型の前記行動情報であって、
   前記制御部は、前時刻の第１の特徴情報と後時刻の第２の特徴情報とが異なる場合、
   前記第１の特徴情報に含まれる前記第１の行動情報を第１の人間依存型行動情報と、前記第１の特徴情報に含まれる前記第２の行動情報を第１の環境依存型行動情報とに分類し、
   前記第２の特徴情報に含まれる前記第１の行動情報を第２の人間依存型行動情報と、前記第２の特徴情報に含まれる前記第２の行動情報を第２の環境依存型行動情報とに分類し、
   前記第１の人間依存型行動情報から前記第２の人間依存型行動情報への増減傾向と、前記第１の環境依存型行動情報から前記第２の環境依存型行動情報への増減傾向とにもとづいて、センシング時の前記ノイズの有無を判定し、
   前記ノイズが有ると判定した場合は、前記特徴情報の連続性を不適正と判定し、前記第２の特徴情報を前記第１の特徴情報に置き換えて、前記非連続特徴情報を連続特徴情報に補正し、
   前記ノイズが無いと判定した場合は、前記特徴情報の連続性を適正と判定し、前記第２の特徴情報の前記第１の特徴情報への置き換えはせずに、前記非連続特徴情報の状態を維持する、前記第２の特徴情報を残す、
   分析装置。
2. 前記制御部は、
   前記非連続特徴情報に、前時刻における前記第１の特徴情報と、後時刻における前記第２の特徴情報とが含まれる場合、
   前記特徴情報の連続性を不適正と判定した場合、前記第２の特徴情報を前記第１の特徴情報に置き換えて、前記非連続特徴情報を連続特徴情報に補正し、
   前記特徴情報の連続性を適正と判定した場合、前記第２の特徴情報の前記第１の特徴情報への置き換えはせずに、前記非連続特徴情報の状態を維持する、
   請求項１記載の分析装置。
3. 前記制御部は、
   前記第１の特徴情報に含まれる前記第１の行動情報の数と、前記第２の特徴情報に含まれる前記第１の行動情報の数とに対する、第１の減少数と第１の増加数を求めて第１の変化量を算出し、
   前記第１の特徴情報に含まれる前記第２の行動情報の数と、前記第２の特徴情報に含まれる前記第２の行動情報の数とに対する、第２の減少数と第２の増加数を求めて第２の変化量を算出する、
   請求項２記載の分析装置。
4. 前記制御部は、重み付けした前記第１の増加数に前記第１の減少数を加算して前記第１の変化量を算出し、重み付けした前記第２の増加数に前記第２の減少数を加算して前記第２の変化量を算出する請求項３記載の分析装置。
5. 前記制御部は、
   前記第１の変化量にもとづき前記第１の行動情報の第１の増減傾向を検出し、前記第２の変化量にもとづき前記第２の行動情報の第２の増減傾向を検出し、
   前記第１の増減傾向が変化なし、かつ前記第２の増減傾向が増加の場合と、前記第１の増減傾向が変化なし、かつ前記第２の増減傾向が減少の場合と、前記第１の増減傾向が増加、かつ前記第２の増減傾向が変化なしの場合と、前記第１の増減傾向が減少、かつ前記第２の増減傾向が増加の場合と、前記第１の増減傾向が減少、かつ前記第２の増減傾向が変化なしの場合と、前記第１の増減傾向が減少、かつ前記第２の増減傾向が減少の場合とにおいて、前記特徴情報の連続性を不適正と判定する、
   請求項３記載の分析装置。
6. 前記制御部は、
   前記第１の変化量にもとづき前記第１の行動情報の第１の増減傾向を検出し、前記第２の変化量にもとづき前記第２の行動情報の第２の増減傾向を検出し、
   前記第１の増減傾向が増加、かつ前記第２の増減傾向が増加の場合と、前記第１の増減傾向が増加、かつ前記第２の増減傾向が減少の場合とにおいて、前記特徴情報の連続性を適正と判定する、
   請求項３記載の分析装置。
7. コンピュータが、
   ユーザの行動をセンシングした行動情報から単位時間毎の行動状態を表す特徴情報を時系列に生成し、
   単位時間の前の特徴情報に対して後の特徴情報が非連続な非連続特徴情報がある場合、前記非連続特徴情報に含まれる前記行動情報を、性質が互いに異なる第１の行動情報と第２の行動情報に分類し、
   前記第１の行動情報と前記第２の行動情報の双方の増減傾向にもとづいてセンシング時のノイズの有無を検出し、前記ノイズの有無の検出結果から前記特徴情報の連続性の適否を判定し、判定結果にもとづいて、前記特徴情報の連続性の補正を行い、
   前記第１の行動情報は、前記ユーザが能動的に行った動作に応じて値が変化する性質を持つ人間依存型の前記行動情報であり、前記第２の行動情報は、前記ユーザの周囲の環境に応じて値が変化する性質を持つ環境依存型の前記行動情報であって、
   前時刻の第１の特徴情報と後時刻の第２の特徴情報とが異なる場合、
   前記第１の特徴情報に含まれる前記第１の行動情報を第１の人間依存型行動情報と、前記第１の特徴情報に含まれる前記第２の行動情報を第１の環境依存型行動情報とに分類し、
   前記第２の特徴情報に含まれる前記第１の行動情報を第２の人間依存型行動情報と、前記第２の特徴情報に含まれる前記第２の行動情報を第２の環境依存型行動情報とに分類し、
   前記第１の人間依存型行動情報から前記第２の人間依存型行動情報への増減傾向と、前記第１の環境依存型行動情報から前記第２の環境依存型行動情報への増減傾向とにもとづいて、センシング時の前記ノイズの有無を判定し、
   前記ノイズが有ると判定した場合は、前記特徴情報の連続性を不適正と判定し、前記第２の特徴情報を前記第１の特徴情報に置き換えて、前記非連続特徴情報を連続特徴情報に補正し、
   前記ノイズが無いと判定した場合は、前記特徴情報の連続性を適正と判定し、前記第２の特徴情報の前記第１の特徴情報への置き換えはせずに、前記非連続特徴情報の状態を維持する、前記第２の特徴情報を残す、
   制御を行う分析方法。
8. コンピュータに、
   ユーザの行動をセンシングした行動情報から単位時間毎の行動状態を表す特徴情報を時系列に生成し、
   単位時間の前の特徴情報に対して後の特徴情報が非連続な非連続特徴情報がある場合、前記非連続特徴情報に含まれる前記行動情報を、性質が互いに異なる第１の行動情報と第２の行動情報に分類し、
   前記第１の行動情報と前記第２の行動情報の双方の増減傾向にもとづいてセンシング時のノイズの有無を検出し、前記ノイズの有無の検出結果から前記特徴情報の連続性の適否を判定し、判定結果にもとづいて、前記特徴情報の連続性の補正を行い、
   前記第１の行動情報は、前記ユーザが能動的に行った動作に応じて値が変化する性質を持つ人間依存型の前記行動情報であり、前記第２の行動情報は、前記ユーザの周囲の環境に応じて値が変化する性質を持つ環境依存型の前記行動情報であって、
   前時刻の第１の特徴情報と後時刻の第２の特徴情報とが異なる場合、
   前記第１の特徴情報に含まれる前記第１の行動情報を第１の人間依存型行動情報と、前記第１の特徴情報に含まれる前記第２の行動情報を第１の環境依存型行動情報とに分類し、
   前記第２の特徴情報に含まれる前記第１の行動情報を第２の人間依存型行動情報と、前記第２の特徴情報に含まれる前記第２の行動情報を第２の環境依存型行動情報とに分類し、
   前記第１の人間依存型行動情報から前記第２の人間依存型行動情報への増減傾向と、前記第１の環境依存型行動情報から前記第２の環境依存型行動情報への増減傾向とにもとづいて、センシング時の前記ノイズの有無を判定し、
   前記ノイズが有ると判定した場合は、前記特徴情報の連続性を不適正と判定し、前記第２の特徴情報を前記第１の特徴情報に置き換えて、前記非連続特徴情報を連続特徴情報に補正し、
   前記ノイズが無いと判定した場合は、前記特徴情報の連続性を適正と判定し、前記第２の特徴情報の前記第１の特徴情報への置き換えはせずに、前記非連続特徴情報の状態を維持する、前記第２の特徴情報を残す、
   制御を実行させるプログラム。

Images