JP7219182B2 - 検出装置および検出方法 - Google Patents

Description

本発明は、情報処理サービス技術に関する。また、本発明は、周期的時系列データの異常部分を検出する検出装置および検出方法を実現するための技術に関する。

ヘルスケア分野・医療分野・介護分野等の分野において、人を対象としたデータ計測を行うシステムが増えている。これらのシステムでは、得られたデータから解析結果を算出してユーザにフィードバックしたりすることで、ユーザに価値のある情報を提供する。上記のデータとしては、周期的な時系列データであることが多い。

このようなシステムの一例として、ユーザの指タップ運動の計測・解析によって認知機能や運動機能を簡易的に評価するシステム（指タップ計測解析システム）が挙げられる（例えば特許文献１）。

ここで、指タップ運動とは、親指と人差し指を繰り返し開閉する運動である。指タップ運動を計測することで、周期的時系列データが得られる。指タップ運動は、認知症やパーキンソン病等の脳機能障害の有無や重症度によって、その出来が異なることが知られている。上記システムで計測された周期的時系列データの解析結果から、ユーザが有する脳機能障害の早期発見や重症度推定等の評価を行える可能性が指摘されている。

特開２０１３―１０９５４０号公報

上記システムで計測された周期的時系列データの解析結果から、ユーザが有する脳機能障害の早期発見や重症度推定等の評価を行える可能性が指摘されている（本発明では、これをデータ波形全体に対する評価という意味で、(A)全体データ評価と呼ぶ。）。

しかし、これまでは、指タップ運動の周期的時系列データを解析して得られた評価結果が悪かったときに、その評価結果に至った根拠を提示できていなかった。つまり、ユーザに対して、周期的時系列データの中でどの部分が異常であったために評価結果が悪くなったのかを説明できておらず、説得性に欠いていた。

そのため、周期的時系列データの中で異常な部分を検出する技術が必要であった（本発明では、これをデータ波形の一部分に対する異常評価という意味で、(B)部分データ異常評価と呼ぶ。）。

しかし、(B)部分データ異常評価の結果は、(A)全体データ評価の結果と整合しない場合がある。つまり、(A)では周期的時系列データ自体に基づいて評価モデルを生成し、(B)では周期的時系列データから切り出した部分データに基づいて評価モデルを得るため、(A)の評価モデルは(B)の評価モデルと矛盾する可能性がある。(A)と(B)が矛盾すると、ユーザはどちらを信頼すべきか混乱するため、この矛盾は解消すべきである。

(A)と(B)の矛盾は、以下の二つの観点で起こり得る。一点目は、異常割合に関する矛盾である。例えば、(A)では異常と判定されたのに(B)では異常部分が検出されない状況や、反対に、(A)では異常と判定されなかったのに(B)では多数の異常部分が検出される状況が考えられる．このような矛盾した状況は起こるべきでない。二点目は、特徴量の異常判定への寄与度に関する矛盾である。例えば、(A)で異常判定に寄与した特徴量が(B)の異常判定では重視されない状況や、反対に、(A)で異常判定に寄与しなかった特徴量が(B)の異常判定で重視される状況が考えられる。このような状況は、異常判定のアルゴリズムが矛盾していているように見え、システム全体への信頼性を損なう恐れがある。

そこで、本発明では、上記の二つの観点における矛盾が生じないように、信頼性の高い全体データの評価および部分データの評価を提供することを目的とする。

本発明の前記ならびにその他の目的と新規な特徴は、本明細書の記述および添付図面から明らかになるであろう。

前記課題を解決するための手段として、特許請求の範囲に記載の技術を用いる。

一例を挙げるならば、生体の状態を示す周期的情報を用いて異常を検出する検出装置であって、周期的情報を取得する周期的情報取得部と、周期的情報取得部により取得された周期的情報の特徴量を算出する周期的情報特徴量算出部と、周期的情報特徴量算出部により算出された特徴量に基づいて、周期的情報の異常を検出する周期的情報異常検出部と、周期的情報異常検出部により検出された結果に基づいた周期的情報の異常割合を生成する異常割合生成部と、周期的情報取得部により取得された周期的情報から、周期に基づいた部分情報を生成する部分情報生成部と、部分情報生成部により生成された部分情報の特徴量を算出する部分情報特徴量算出部と、部分情報特徴量算出部により算出された特徴量および異常割合生成部により生成された異常割合に基づいて、部分情報生成部により生成された部分情報の異常を検出する部分情報異常検出部と、部分情報異常検出部による検出結果および周期的情報異常検出部による検出結果に基づいた情報を出力する出力部と、を備える。

本発明の技術を用いることにより、信頼性の高い全体データの評価および部分データの評価を提供することができる。

第１実施形態の周期的時系列データ異常部分検出システムを含む、人データ計測システムの構成図である。 第１実施形態の周期的時系列データ異常部分検出システムの構成図である。 第１実施形態の計測装置の構成図である。 第１実施形態の端末装置の構成図である。 ユーザの手指に運動センサである磁気センサが装着された状態を示す図である。 計測装置の運動センサ制御部等の詳細構成例を示す図である。 第１実施形態の人データ計測システムにおける処理全体の手順を示すフローチャートである。 特徴量の波形信号の例を示す図である。 全体データ特徴量リストを示す図である。 全体データ特徴量リストの続きを示す図である。 特徴量対応表を示す図である。 特徴量対応表の続きを示す図である。 部分データの定義例を示す図である。 部分データ特徴量リストを示す図である。 異常検出された部分データの例を示す図である。 異常度を説明する図である。 特徴量寄与度を説明する図である。 練習メニューリストを示す図である。 練習メニュー対応表を示す図である。 サービスの初期画面であるメニュー画面の例を示す図である。 タスク計測画面を示す図である。 評価結果画面を示す図である。 異常部分検出結果画面を示す図である。 第２実施形態の周期的時系列データ異常部分検出システムを示す図である。 サーバの構成を示す図である。 サーバがＤＢに管理するユーザ情報のデータ構成例を示す図である。

本実施例では、周期的時系列データの中で異常な部分を検出する技術を提案する。以下、本発明の実施形態の例を、図面を用いて説明する。なお、実施形態を説明するための全図において同一部には原則として同一符号を付し、その繰り返しの説明は省略する。

実施形態について、図面を用いて詳細に説明する。ただし、本発明は以下に示す実施形態の記載内容に限定して解釈されるものではない。本発明の思想ないし趣旨から逸脱しない範囲で、その具体的構成を変更し得ることは当業者であれば容易に理解される。

同一あるいは同様な機能を有する要素が複数ある場合には、同一の符号に異なる添字を付して説明する場合がある。ただし、複数の要素を区別する必要がない場合には、添字を省略して説明する場合がある。

本明細書等における「第１」、「第２」、「第３」などの表記は、構成要素を識別するために付するものであり、必ずしも、数、順序、もしくはその内容を限定するものではない。また、構成要素の識別のための番号は文脈毎に用いられ、一つの文脈で用いた番号が、他の文脈で必ずしも同一の構成を示すとは限らない。また、ある番号で識別された構成要素が、他の番号で識別された構成要素の機能を兼ねることを妨げるものではない。

図面等において示す各構成の位置、大きさ、形状、範囲などは、発明の理解を容易にするため、実際の位置、大きさ、形状、範囲などを表していない場合がある。このため、本発明は、必ずしも、図面等に開示された位置、大きさ、形状、範囲などに限定されない。

（第１実施形態）
図１～図２０を用いて、第１実施形態の周期的時系列データ異常部分検出システム（検出装置）について説明する。第１実施形態の周期的時系列データ異常部分検出システムは、被験者を計測して得られた周期的時系列データ（生体の状態を示す周期的情報）の中の異常部分を検出する機能を有する。この機能により、周期的時系列データの中の異常部分の検出結果は、周期的時系列データ全体の評価結果と整合性を保つことができる。

［人データ計測システム］
図１は、第１実施形態の周期的時系列データ異常部分検出システムを含む、人データ計測システムの構成を示す。第１実施形態では、病院や高齢者施設などの施設やユーザ自宅等に、人データ計測システムを有する。人データ計測システムは、周期的時系列データ異常部分検出システム１と、磁気センサ型指タップ運動システムである計測システム２とを有し、それらが通信線を通じて接続されている。計測システムは、計測装置３と端末装置４とを有し、それらが通信線を通じて接続されている。施設内に複数の計測システム２が設けられてもよい。

計測システム２は、磁気センサ型の運動センサを用いて手指運動を計測するシステムである。計測装置３には運動センサが接続されている。ユーザの手指にはその運動センサが装着される。計測装置３は、運動センサを通じて手指運動を計測し、時系列の波形信号を含む計測データを得る。端末装置４は、部分データ異常検出結果を含んだ各種の情報を表示画面に表示し、ユーザによる操作入力を受け付ける。第１実施形態では、端末装置４はＰＣである。

周期的時系列データ異常部分検出システム１は、情報処理によるサービスとして、異常部分検出サービスを提供する機能を有する。周期的時系列データ異常部分検出システム１は、その機能として、部分データ異常検出機能を有する。部分データ異常検出機能は、計測システム２で計測された周期的時系列データの中の異常な部位を検出する機能である。

周期的時系列データ異常部分検出システム１は、計測システム２からの入力データとして、例えば、周期的時系列データ等を入力する。周期的時系列データ異常部分検出システム１は、計測システム２への出力データとして、例えば、部分データ異常検出結果等を出力する。部分データ異常検出結果には、部分データ異常判定結果の他に、部分データ異常度や部分データ異常特徴量が含まれる。

第１実施形態の人データ計測システムは、病院や高齢者施設等の施設及びその被験者等に限らずに、広く一般的な施設や人に適用可能である。計測装置３と端末装置４が一体型の計測システムとして構成されてもよい。計測システム２と周期的時系列データ異常部分検出システム１が一体型の装置として構成されてもよい。端末装置４と周期的時系列データ異常部分検出システム１が一体型の装置として構成されてもよい。計測装置３と周期的時系列データ異常部分検出システム１が一体型の装置として構成されてもよい。

［周期的時系列データ異常部分検出システム］
図２は、第１実施形態の周期的時系列データ異常部分検出システム１の構成を示す。周期的時系列データ異常部分検出システム１は、制御部１０１、記憶部１０２、入力部１０３、出力部１０４、通信部１０５等を有し、それらがバスを介して接続されている。入力部１０３は、周期的時系列データ異常部分検出システム１の管理者等による操作入力を行う部分である。出力部１０４は、周期的時系列データ異常部分検出システム１の管理者等に対する画面表示等を行う部分である。通信部１０５は、通信インタフェースを有し、計測装置３及び端末装置４との通信処理を行う部分である。

制御部１０１は、周期的時系列データ異常部分検出システム１の全体を制御し、Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ（ＣＰＵ）、Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ（ＲＯＭ）、Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ（ＲＡＭ）等により構成され、ソフトウェアプログラム処理に基づいて、部分データ異常検出等を行うデータ処理部を実現する。制御部１０１のデータ処理部は、ユーザ情報管理部１１、タスク処理部１２、全体データ評価部１３、全体データ部分データ整合部１４、部分データ異常評価部１５、練習メニュー決定部１６、結果出力部１７を有する。制御部１０１は、計測装置３から計測データを入力する機能、計測データを処理して解析する機能、計測装置３や端末装置４へ制御指示を出力する機能、端末装置４へ表示用のデータを出力する機能等を実現する。

ユーザ情報管理部１１は、ユーザにより入力されたユーザ情報をＤＢ４０のユーザ情報４１に登録して管理する処理や、ユーザのサービス利用の際に、ＤＢ４０のユーザ情報４１を確認する処理等を行う。ユーザ情報４１は、ユーザ個人毎の属性値、利用履歴情報、ユーザ設定情報、等を含む。属性値は、性別、年齢等がある。利用履歴情報は、本システムが提供するサービスをユーザが利用した履歴を管理する情報である。ユーザ設定情報は、本サービスの機能に関してユーザにより設定された設定情報である。

タスク処理部１２は、運動機能等の解析評価のためのタスクに関する処理を行う部分である。タスクは言い換えると所定の手指運動である。タスク処理部１２は、ＤＢ４０のタスクデータ４２に基づいて、端末装置４の画面にタスクを出力する。また、タスク処理部１２は、計測装置３で計測されたタスクの計測データ（生体の状態を示す周期的情報）を取得して、全体データ４３ＡとしてＤＢ４０に格納する。ここで、全体データとは、所定の時間計測された周期的時系列データの全体を意味している。このように、タスク処理部１２（周期的情報取得部）は、生体の状態を示す周期的情報を取得する。

全体データ評価部１３は、全体データ特徴量算出部１３Ａ（周期的情報特徴量算出部）と全体データ評価部１３Ｂ（周期的情報異常検出部）とを有する。全体データ特徴量算出部１３Ａは、ユーザの全体データ４４Ａに基づいて、全体データ４４Ａ（周期的時系列データ）の性質を表す特徴量を算出し、全体データ特徴量４４ＢとしてＤＢ４０に格納する。全体データ評価部１３Ｂは、全体データＤＢ４３を参照しながら全体データ特徴量４４Ｂに基づいて全体データを評価し、全体データ評価結果４４ＣとしてＤＢ４０に格納する。全体データ評価結果４４Ｃは、全体データ異常度４４Ｃａと全体データ特徴量寄与度４４Ｃｂから成る。

全体データ部分データ整合部１４は、異常割合決定部１４Ａと特徴量重要度決定部１４Ｂから成る。異常割合決定部１４Ａは、全体データ異常度４４Ｃａから異常割合４５Ａ（周期的情報の異常割合）を生成して、ＤＢ４０に格納する。特徴量重要度決定部１４Ｂは、特徴量対応表５０Ｂを参照しながら、全体データ特徴量寄与度４４Ｃｂから特徴量重要度４５Ｂ（特徴量重要度）を生成して、ＤＢ４０に格納する。異常割合４５Ａと特徴量重要度４５Ｂを合わせて、全体データ部分データ整合情報４５とする。

部分データ異常評価部１５は、部分データ生成部１５Ａ（部分情報生成部）、部分データ特徴量算出部１５Ｂ（部分情報特徴量算出部）、部分データ異常検出部１５Ｃ（部分情報異常検出部）を含む。部分データ生成部１５Ａは、全体データ４４Ａを分割して部分データ４６Ａを生成し、ＤＢ４０に格納する。部分データ特徴量算出部１５Ｂは、個々の部分データ４６Ａに対して特徴量を算出し、部分データ特徴量４６ＢとしてＤＢ４０に格納する。部分データ異常検出部１５Ｃは、異常割合４５Ａと特徴量重要度４５Ｂを用いて、全体データＤＢ４３から得られた部分データを参照しながら部分データ特徴量４６Ｂに基づいて部分データの異常を判定し、部分データ異常検出結果４６ＣとしてＤＢ４０に格納する。部分データ異常検出結果４６Ｃには、部分データ異常度４６Ｃａ、部分データ異常有無４６Ｃｂ、部分データ異常特徴量４６Ｃｃが含まれる。

このように、部分データ異常検出部１４Ｃは、部分データ生成部１５Ａにより生成された部分情報の異常の度合いと、部分データ生成部１５Ａにより生成された部分情報が異常であるか否かを示す情報と、及び部分データ生成部１５Ａにより生成された部分情報が異常であることを検出する元となった特徴量である異常特徴量を示す情報とを生成する。この場合、周期的時系列データ異常部分検出システム１は、部分情報の異常に関する詳細な情報を生成するので、異常が発生した部分を特定できる情報より、さらに詳細な情報を提供することができる。

練習メニュー決定部１６は、部分データ異常特徴量４６Ｃｃから、練習メニューリスト５０Ｄと練習メニュー対応表５０Ｅに基づいて練習メニュー４７を決定し、ＤＢ４０に格納する。このように、練習メニュー決定部１６は、部分データ異常検出部１４Ｃにより算出された異常特徴量を改善するための練習メニューを決定する。

結果出力部１７は、全体データ評価結果４４Ｃ、部分データ異常検出結果４６Ｃ、練習メニュー４７を、端末装置４の画面に出力する処理を行う。全体データ評価部１３および部分データ異常評価部１５は、練習メニュー決定部１６、結果出力部１７と連携して画面出力処理を行う。このように、結果出力部１７は、練習メニュー決定部１６により決定されたメニューをさらに出力する。この場合、周期的時系列データ異常部分検出システム１は、部分データの異常部分に関する練習メニューを提示するので、当該異常部分を解消するのに役立つ情報を提示することができる。

また、結果出力部１７は、全体データ評価結果４４Ｃを出力するので、全体としての結果も出力するので、周期的時系列データに基づいて、複数の観点の情報を提供することができる。

記憶部１０２のＤＢ４０に格納されるデータや情報として、ユーザ情報４１、タスクデータ４２、全体データＤＢ４３、全体データ４４Ａ、全体データ特徴量４４Ｂ、全体データ評価結果４４Ｃ、全体データ部分データ整合情報４５、部分データ４６Ａ、部分データ特徴量４６Ｂ、部分データ異常検出結果４６Ｃ、練習メニュー４７等を有する。制御部１０１は、記憶部１０２に管理表５０を保持し管理する。

管理者は、管理表５０の内容を設定可能である。管理表５０は、全体データの特徴量を設定する全体データ特徴量リスト５０Ａ、全体データの特徴量と部分データの特徴量の対応付けを設定する特徴量対応表５０Ｂ、部分データの特徴量を設定する部分データ特徴量リスト５０Ｃ、練習メニューの候補を設定する練習メニューリスト５０Ｄ、部分データ異常特徴量４６Ｃｃと練習メニューの対応を設定する練習メニュー対応表５０Ｅ等が格納されている。

［計測装置］
図３は、第１実施形態の計測装置３の構成を示す。計測装置３は、運動センサ２０、収容部３０１、計測部３０２、通信部３０３等を有する。収容部３０１は、運動センサ２０が接続されている運動センサインタフェース部３１１、運動センサ２０を制御する運動センサ制御部３１２を有する。計測部３０２は、運動センサ２０及び収容部３０１を通じて、波形信号を計測し、計測データとして出力する。計測部３０２は、計測データを得るタスク計測部３２１を含む。通信部３０３は、通信インタフェースを有し、異常データ処理システム１と通信して計測データを異常データ処理システム１へ送信する。運動センサインタフェース部３１１は、アナログデジタル変換回路を含み、運動センサ２０により検出されたアナログ波形信号を、サンプリングによりデジタル波形信号に変換する。そのデジタル波形信号は、運動センサ制御部３１２に入力される。

なお、計測装置３で各計測データを記憶手段に保持する形態としてもよいし、計測装置３では各計測データを保持せずに周期的時系列データ異常部分検出システム１のみで保持する形態としてもよい。

［端末装置］
図４は、第１実施形態の端末装置４の構成を示す。端末装置４は、制御部４０１、記憶部４０２、通信部４０３、入力機器４０４、表示機器４０５を有する。制御部４０１は、ソフトウェアプログラム処理に基づいた制御処理として、全体データ評価結果表示、部分データ異常検出結果表示、等を行う。記憶部４０２は、周期的時系列データ異常部分検出システム１から得た、ユーザ情報、タスクデータ、全体データ（周期的時系列データ）、全体データ評価結果、部分データ異常検出結果、等を格納する。通信部４０３は、通信インタフェースを有し、周期的時系列データ異常部分検出システム１と通信して周期的時系列データ異常部分検出システム１から各種データを受信し、周期的時系列データ異常部分検出システム１へユーザ指示入力情報等を送信する。入力機器４０４はキーボードやマウス等がある。表示機器４０５は、表示画面４０６に各種情報を表示する。なお、表示機器４０５をタッチパネルとしてもよい。

［手指、運動センサ、指タップ計測］
図５は、ユーザの手指に運動センサ２０である磁気センサが装着された状態を示す。運動センサ２０は、計測装置３に接続されている信号線２３を通じて、対になるコイル部である、発信コイル部２１と受信コイル部２２とを有する。発信コイル部２１は、磁場を発生し、受信コイル部２２は、その磁場を検知する。図５の例では、ユーザの右手において、親指の爪付近に発信コイル部２１が装着されており、人差し指の爪付近に受信コイル部２２が装着されている。装着する指は他の指に変更可能である。装着する箇所は爪付近に限らず可能である。

図５のように、ユーザの対象手指、例えば左手の親指と人差し指との二指に、運動センサ２０を装着した状態とする。ユーザは、その状態で、二指の開閉の繰り返しの運動である指タップを行う。指タップでは、二指を閉じた状態、即ち二指の指先が接触した状態と、二指を開いた状態、即ち二指の指先を開いた状態との間で遷移する運動が行われる。その運動に伴い、二指の指先間の距離に対応する、発信コイル部２１と受信コイル部２２とのコイル部間の距離が変化する。計測装置３は、運動センサ２０の発信コイル部２１と受信コイル部２２との間の磁場変化に応じた波形信号を計測する。

なお、運動センサ２０としては、二指の間の距離が計測できれば、磁気センサ以外の他のセンサでもよい。例えば、タブレット端末やタッチパネル式ＰＣに二指を付けて繰り返し開閉させることで二指の距離波形を得てもよい。また、赤外線センサによって手の形状や指先の位置を検出して、二指の距離波形を得てもよい。

指タップは、詳しくは以下の各種類のタスクが含まれる。その運動は、例えば、片手フリーラン、片手メトロノーム、両手同時フリーラン、両手交互フリーラン、両手同時メトロノーム、両手交互メトロノーム等が挙げられる。片手フリーランは、片手の二指でできる限り素早く何回も指タップを行うことを指す。片手メトロノームは、片手の二指で一定のペースの刺激に合わせて指タップを行うことを指す。両手同時フリーランは、左手の二指と右手の二指とで同じタイミングで指タップを行うことを指す。両手交互フリーランは、左手の二指と右手の二指とで交互のタイミングで指タップを行うことを指す。他にも、マーカーに追従して行わせる指タップもある。

［運動センサ制御部及び指タップ計測］
図６は、計測装置３の運動センサ制御部３１２等の詳細構成例を示す。運動センサ２０において、発信コイル部２１と受信コイル部２２との間の距離Ｄを示す。運動センサ制御部３１２は、交流発生回路３１２ａ、電流発生用アンプ回路３１２ｂ、プリアンプ回路３１２ｃ、検波回路３１２ｄ、ＬＰＦ回路３１２ｅ、位相調整回路３１２ｆ、アンプ回路３１２ｇ、出力信号端子３１２ｈを有する。交流発生回路３１２ａには、電流発生用アンプ回路３１２ｂ及び位相調整回路３１２ｆが接続されている。電流発生用アンプ回路３１２ｂには、信号線２３を通じて、発信コイル部２１が接続されている。プリアンプ回路３１２ｃには、信号線２３を通じて、受信コイル部２２が接続されている。プリアンプ回路３１２ｃの後段には、順に、検波回路３１２ｄ、ＬＰＦ回路３１２ｅ、アンプ回路３１２ｇ、出力信号端子３１２ｈが接続されている。位相調整回路３１２ｆには検波回路３１２ｄが接続されている。

交流発生回路３１２ａは、所定の周波数の交流電圧信号を生成する。電流発生用アンプ回路３１２ｂは、交流電圧信号を所定の周波数の交流電流に変換して発信コイル部２１へ出力する。発信コイル部２１は、交流電流によって磁場を発生する。その磁場は、受信コイル部２２に誘起起電力を発生させる。受信コイル部２２は、誘起起電力によって発生した交流電流を出力する。その交流電流は、交流発生回路３１２ａで発生した交流電圧信号の所定の周波数と同じ周波数を持つ。

プリアンプ回路３１２ｃは、検出した交流電流を増幅する。検波回路３１２ｄは、増幅後の信号を、位相調整回路３１２ｆからの参照信号３１２ｉに基づいて検波する。位相調整回路３１２ｆは、交流発生回路３１２ａからの所定の周波数または２倍周波数の交流電圧信号の位相を調整し、参照信号３１２ｉとして出力する。ＬＰＦ回路３１２ｅは、検波後の信号を帯域制限して出力し、アンプ回路３１２ｇは、その信号を所定の電圧に増幅する。そして、出力信号端子３１２ｈからは、計測された波形信号に相当する出力信号が出力される。

出力信号である波形信号は、二指の距離Ｄを表す電圧値を持つ信号となっている。距離Ｄと電圧値は所定の計算式に基づいて変換可能である。その計算式は、キャリブレーションにより得ることもできる。キャリブレーションでは、例えばユーザが所定長のブロックを対象手の二指で持った状態で計測される。その計測値における電圧値と距離値とのデータセットから、誤差を最小にする近似曲線として、所定の計算式が得られる。また、キャリブレーションによってユーザの手の大きさを把握し、特徴量の正規化等に用いてもよい。第１実施形態では、運動センサ２０として上記磁気センサを用い、その磁気センサに対応した計測手段を用いた。これに限らず、加速度センサ、ストレインゲージ、高速度カメラ等の他の検出手段及び計測手段を適用可能である。

［処理フロー］
図７は、第１実施形態の人データ計測システムにおける主に周期的時系列データ異常部分検出システム１により行われる処理全体のフローを示す。図７は、ステップＳ１～Ｓ１０を有する。以下、ステップの順に説明する。

（ステップＳ１）まず、ユーザは、計測システム２を操作する。具体的に、端末装置４は、表示画面に初期画面を表示する。ユーザは、初期画面で所望の操作項目を選択する。例えば、異常データ検出・処理を行うための操作項目が選択される。端末装置４は、その選択に対応する指示入力情報を周期的時系列データ異常部分検出システム１へ送信する。また、ユーザは、初期画面で、性別や年齢等のユーザ情報を入力して登録することもできる。その場合、端末装置４は、入力されたユーザ情報を周期的時系列データ異常部分検出システム１へ送信する。周期的時系列データ異常部分検出システム１のユーザ情報管理部１１は、そのユーザ情報をユーザ情報４１に登録する。

（ステップＳ２）周期的時系列データ異常部分検出システム１のタスク処理部１２は、ステップＳ１の指示入力情報及び指タップのタスクデータ４２に基づいて、ユーザに対するタスクデータを端末装置４へ送信する。そのタスクデータは、片手フリーラン、両手同時フリーラン、両手交互フリーランなど、手指運動に関する１種類以上のタスクの情報を含む。端末装置４は、受信したタスクデータに基づいて、表示画面に、手指運動のタスク情報を表示する。ユーザは、表示画面のタスク情報に従って手指運動のタスクを行う。計測装置３は、そのタスクを計測し、計測データとして、周期的時系列データ異常部分検出システム１へ送信する。周期的時系列データ異常部分検出システム１は、その計測データを計測データ４２Ｂに格納する。

（ステップＳ３） 周期的時系列データ異常部分検出システム１の全体データ特徴量算出部１３Ａは、全体データ特徴量リスト５０Ａに基づいて、全体データ４４Ａから全体データ特徴量４４Ｂを算出する。そして、全体データ評価部１３Ｂでは、全体データ特徴量４４Ｂに多変量解析や機械学習などの統計的な手法を適用して全体データ評価結果４４Ｃを得る。全体データ評価結果４４Ｃには、全体データ異常度４４Ｃａと全体データ特徴量寄与度４４Ｃｂが含まれる。

（ステップＳ４）周期的時系列データ異常部分検出システム１の結果出力部１７は、全体データ評価結果４４Ｃを端末装置４に送り、画面に表示する。このように、結果出力部１７は、全体データ評価部１３Ｂによる検出結果に基づいた情報を出力する。ユーザは、画面で自身の周期的時系列データの評価結果を確認できる。

（ステップＳ５）周期的時系列データ異常部分検出システム１の異常割合決定部１４Ａは、全体データ異常度４４Ｃａに基づいて異常割合４５Ａを算出する。

（ステップＳ６）周期的時系列データ異常部分検出システム１の異常割合決定部１４Ａは、特徴量対応表５０Ｂを参照しながら、全体データ特徴量寄与度４４Ｃｂに基づいて特徴量重要度４５Ｂを算出する。

（ステップＳ７）周期的時系列データ異常部分検出システム１の部分データ生成部１５Ａは、全体データ４４Ａから部分データ４６Ａを生成する。部分データ生成部１５Ａは、上記全体データ４４Ａから、周期に基づいた部分情報（例えば、１周期分の情報）を生成する。そして、部分データ特徴量算出部１５Ｂは、部分データ特徴量リスト５０Ｃに基づいて、部分データ４６Ａから部分データ特徴量４６Ｂを算出する。そして、部分データ異常検出部１５Ｃは、異常割合４５Ａと特徴量重要度４５Ｂを用いて、部分データ特徴量４６Ｂに多変量解析や機械学習などの統計的な手法を適用して部分データ異常検出結果４６Ｃを得る。

（ステップＳ８）周期的時系列データ異常部分検出システム１の結果出力部１７は、部分データ異常検出結果４６Ｃを端末装置４に送り、画面に表示する。ユーザは、画面で自身の周期的時系列データの異常部分を確認できる。

（ステップＳ９）周期的時系列データ異常部分検出システム１の練習メニュー決定部１６は、練習メニューリスト５０Ｄと練習メニュー対応表５０Ｅを参照しながら、部分データ異常特徴量４６Ｃｃに基づいて練習メニュー４７を生成する。

（ステップＳ１０）周期的時系列データ異常部分検出システム１の結果出力部１７は、練習メニュー４７を端末装置４に送り、画面に表示する。ユーザは、画面で自身の行うべき練習メニューを確認できる。

［全体データ特徴量算出］
図８は、特徴量の波形信号の例を示す。図８の（ａ）は、二指の距離Ｄの波形信号を示し、（ｂ）は、二指の速度の波形信号を示し、（ｃ）は、二指の加速度の波形信号を示す。（ｂ）の速度は（ａ）の距離の波形信号の時間微分により得られる。（ｃ）の加速度は（ｂ）の速度の波形信号の時間微分により得られる。全体データ特徴量算出部１３Ａは、全体データ４４Ａの波形信号から、微分や積分等の演算に基づいて、本例のような所定の特徴量の波形信号を得る。また、全体データ特徴量算出部１３Ａは、特徴量から所定の計算による値を得る。

図８の（ｄ）は、（ａ）の拡大で、特徴量の例を示す。指タップの距離Ｄの最大値Ｄmaxや、タップインターバルＴＩ等を示す。横破線は、全計測時間における距離Ｄの平均値Ｄavを示す。最大値Ｄmaxは、全計測時間における距離Ｄの最大値を示す。タップインターバルＴＩは、１回の指タップの周期ＴＣに対応する時間であり、特に極小点Ｐminから次の極小点Ｐminまでの時間を示す。その他、距離Ｄの１周期内の極大点Ｐmaxや極小点Ｐmin、後述のオープニング動作の時間Ｔ１やクロージング動作の時間Ｔ２を示す。

以下では、更に、特徴量の詳細例について示す。第１実施形態では、上記距離、速度、加速度の波形から得られる複数の特徴量を用いる。なお、他の実施形態では、それらの複数の特徴量のうちのいくつかの特徴量のみを用いてもよいし、他の特徴量を用いてもよいし、特徴量の定義の詳細についても限定しない。

図９は、全体データ特徴量リスト５０Ａを示す図である。この関連付けの設定は一例であり、変更可能である。図９の全体データ特徴量リスト５０Ａにおいて、列として、特徴量分類、識別番号、特徴量パラメータを有する。特徴量分類は、［距離］、［速度］、［加速度］、［タップインターバル］、［位相差］、［マーカー追従］を有する。

例えば、特徴量［距離］において、識別番号（Ａ１）～（Ａ１１）で識別される複数の特徴量パラメータを有する。特徴量パラメータの括弧［］内は単位を示す。（Ａ１）「距離の最大振幅」［ｍｍ］は、距離の波形（図８の（ａ））における、振幅の最大値と最小値との差分である。（Ａ２）「総移動距離」［ｍｍ］は、１回の計測の全計測時間における、距離変化量の絶対値の総和である。

（Ａ３）「距離の極大値の平均」［ｍｍ］は、各周期の振幅の極大値の平均である。（Ａ４）「距離の極大値の標準偏差」［ｍｍ］は、上記値に関する標準偏差である。（Ａ５）「距離の極大点の近似曲線の傾き（減衰率）」［ｍｍ／秒］は、振幅の極大点を近似した曲線の傾きである。このパラメータは、主に計測時間中の疲労による振幅変化を表している。（Ａ６）「距離の極大値の変動係数」は、振幅の極大値の変動係数であり、単位は無次元量（［-］で示す）である。このパラメータは、標準偏差を平均で正規化した値であり、そのため、指の長さの個人差を排除できる。（Ａ７）「距離の局所的な極大値の標準偏差」［ｍｍ］は、隣り合う三箇所の振幅の極大値についての標準偏差である。

このパラメータは、局所的な短時間における振幅のばらつきの度合いを評価するためのパラメータである。（Ａ８）「距離の極小値の平均」［ｍｍ］は、各周期の振幅の極小値の平均である。（Ａ９）「距離の極小値の標準偏差」［ｍｍ］は、上記値に関する標準偏差である。（Ａ１０）「距離の極小値の変動係数」は、振幅の極小値の変動係数であり、単位は無次元量（［-］で示す）である。このパラメータは、標準偏差を平均で正規化した値であり、そのため、指の長さの個人差を排除できる。（Ａ１１）「距離の局所的な極小値の標準偏差」［ｍｍ］は、隣り合う三箇所の振幅の極小値についての標準偏差である。このパラメータは、局所的な短時間における振幅のばらつきの度合いを評価するためのパラメータである。

特徴量［速度］について、以下の識別番号（Ａ１２）～（Ａ２６）で示す特徴量パラメータを有する。（Ａ１２）「速度の最大振幅」［ｍ／秒］は、速度の波形（図８の（ｂ））における、速度の最大値と最小値との差分である。（Ａ１３）「オープニング速度の極大値の平均」［ｍ／秒］は、各指タップ波形のオープニング動作時の速度の最大値の平均である。オープニング動作とは、二指を閉状態から最大の開状態にする動作である（図８の（ｄ））。（Ａ１４）「クロージング速度の極小値の平均」［ｍ／秒］は、クロージング動作時の速度の最小値の平均である。クロージング動作とは、二指を最大の開状態から閉状態にする動作である。（Ａ１５）「オープニング速度の極大値の標準偏差」［ｍ／秒］は、上記オープニング動作時の速度の最大値の標準偏差である。

（Ａ１６）「クロージング速度の極小点の平均」［ｍ／秒］は、上記クロージング動作時の速度の最小値の標準偏差である。（Ａ１７）「エネルギーバランス」［-］は、オープニング動作中の速度の二乗和と、クロージング動作中の速度の二乗和との比率である。（Ａ１８）「総エネルギー」［ｍ^２／秒^２］は、全計測時間中の速度の二乗和である。（Ａ１９）「オープニング速度の極大値の変動係数」［-］は、オープニング動作時の速度の最大値の変動係数であり、標準偏差を平均で正規化した値である。（Ａ２０）「クロージング速度の極小値の平均」［ｍ／秒］は、クロージング動作時の速度の最小値の変動係数である。 （Ａ２１）「ふるえ回数」［-］は、速度の波形の正負が変わる往復回数から、大きな開閉の指タップの回数を減算した数である。（Ａ２２）「オープニング速度ピーク時の距離比率の平均」［-］は、オープニング動作中の速度の最大値の時の距離に関する、指タップの振幅を１．０とした場合の比率に関する平均値である。（Ａ２３）「クロージング速度ピーク時の距離比率の平均」［-］は、クロージング動作中の速度の最小値の時の距離に関する、同様の比率に関する平均である。（Ａ２４）「速度ピーク時の距離比率の比」［-］は、（Ａ２２）の値と（Ａ２３）の値との比である。（Ａ２５）「オープニング速度ピーク時の距離比率の標準偏差」［-］は、オープニング動作中の速度の最大値の時の距離に関する、指タップの振幅を１．０とした場合の比率に関する標準偏差である。（Ａ２６）「クロージング速度ピーク時の距離比率の標準偏差」［-］は、クロージング動作中の速度の最小値の時の距離に関する、同様の比率に関する標準偏差である。

特徴量［加速度］について、以下の識別番号（Ａ２７）～（Ａ３６）で示す特徴量パラメータを有する。（Ａ２７）「加速度の最大振幅」［ｍ／秒^２］は、加速度の波形（図８の（ｃ））における、加速度の最大値と最小値との差分である。（Ａ２８）「オープニング加速度の極大値の平均」［ｍ／秒^２］は、オープニング動作中の加速度の極大値の平均であり、指タップの１周期中に現れる４種類の極値のうちの第１値である。（Ａ２９）「オープニング加速度の極小値の平均」［ｍ／秒^２］は、オープニング動作中の加速度の極小値の平均であり、４種類の極値のうちの第２値である。

（Ａ３０）「クロージング加速度の極大値の平均」［ｍ／秒^２］は、クロージング動作中の加速度の極大値の平均であり、４種類の極値のうちの第３値である。（Ａ３１）「クロージング加速度の極小値の平均」［ｍ／秒^２］は、クロージング動作中の加速度の極小値の平均であり、４種類の極値のうちの第４値である。（Ａ３２）「接触時間の平均」［秒］は、二指の閉状態における接触時間の平均である。（Ａ３３）「接触時間の標準偏差」［秒］は、上記接触時間の標準偏差である。（Ａ３４）「接触時間の変動係数」［-］は、上記接触時間の変動係数である。（Ａ３５）「加速度のゼロ交差数」［-］は、指タップの１周期中に加速度の正負が変わる平均回数である。この値は理想的には２回となる。（Ａ３６）「すくみ回数」［-］は、指タップの１周期中に加速度の正負が変わる往復回数から、大きな開閉の指タップの回数を減算した値である。

続いて、図１０は、全体データ特徴量リスト５０Ａの続きを示す図である。特徴量［タップインターバル］について、以下の識別番号（Ａ３７）～（Ａ４５）で示す特徴量パラメータを有する。（Ａ３７）「タップ回数」［-］は、１回の計測の全計測時間中の指タップの回数である。（Ａ３８）「タップインターバル平均」［秒］は、距離の波形における前述のタップインターバル（図８の（ｄ））に関する平均である。（Ａ３９）「タップ周波数」［Ｈｚ］は、距離の波形をフーリエ変換した場合に、スペクトルが最大になる周波数である。（Ａ４０）「タップインターバル標準偏差」［秒］は、タップインターバルに関する標準偏差である。（Ａ４１）「タップインターバル変動係数」［-］は、タップインターバルに関する変動係数であり、標準偏差を平均値で正規化した値である。（Ａ４２）「タップインターバル変動」［ｍｍ^２］は、タップインターバルをスペクトル分析した場合の、周波数が０．２～２．０Ｈｚの積算値である。

（Ａ４３）「タップインターバル分布の歪度」［-］は、タップインターバルの頻度分布における歪度であり、頻度分布が正規分布と比較して歪んでいる程度を表す。（Ａ４４）「局所的なタップインターバルの標準偏差」［秒］は、隣り合う三箇所のタップインターバルに関する標準偏差である。（Ａ４５）「タップインターバルの近似曲線の傾き（減衰率）」［-］は、タップインターバルを近似した曲線の傾きである。この傾きは、主に計測時間中の疲労によるタップインターバルの変化を表す。

特徴量［位相差］について、以下の識別番号（Ａ４６）～（Ａ４９）で示す特徴量パラメータを有する。（Ａ４６）「位相差の平均」［度］は、両手の波形における、位相差の平均である。位相差は、右手の指タップの１周期を３６０度とした場合に、右手に対する左手の指タップのズレを角度として表した指標値である。ズレが無い場合を０度とする。（Ａ４７）「位相差の標準偏差」［度］は、上記位相差に関する標準偏差である。（Ａ４６）や（Ａ４７）の値が大きいほど、両手のズレが大きく不安定であることを表している。（Ａ４８）「両手の類似度」［-］は、左手と右手の波形に相互相関関数を適用した場合に、時間ずれが０の場合の相関を表す値である。（Ａ４９）「両手の類似度が最大となる時間ずれ」［秒］は、（Ａ４８）の相関が最大となる時間ずれを表す値である。

特徴量［マーカー追従］について、以下の識別番号（Ａ５０）～（Ａ５１）で示す特徴量パラメータを有する。（Ａ５０）「マーカーからの遅延時間の平均」［秒］は、周期的なマーカーで示す時間に対する指タップの遅延時間に関する平均である。マーカーは、視覚刺激、聴覚刺激、触覚刺激等の刺激と対応している。このパラメータ値は、二指の閉状態の時点を基準とする。（Ａ５１）「マーカーからの遅延時間の標準偏差」［秒］は、上記遅延時間に関する標準偏差である。

［全体データ評価］
全体データ評価部１３Ｂでは、全体データ特徴量算出部１３Ａによって算出された全体データ特徴量４４Ｂに基づいて、全体データの良し悪しを表す全体データ評価結果４４Ｃを得る。例えば、全体データＤＢ４３を用いて、全体データ特徴量４４Ｂの中の複数の特徴量を説明変数とし、異常度を目的変数として重回帰分析を適用し、異常度を推定する推定式を得る。異常度は、正常であるほど小さく、異常であるほど大きくなる指標と定義する。異常度の例としては、脳機能障害の重症度スコアなどとし、認知症の重症度を表すＭｉｎｉ Ｍｅｎｔａｌ Ｓｔａｔｅ Ｅｘａｍｉｎａｔｉｏｎ（ＭＭＳＥ）やパーキンソン病の重症度を表すＵｎｉｆｉｅｄ Ｐａｒｋｉｎｓｏｎ‘ｓ Ｄｉｓｅａｓｅ Ｒａｔｉｎｇ Ｓｃａｌｅ（ＵＰＤＲＳ）が挙げられる。しかし、これらの重症度は正常であるほど大きな値となり、異常であるほど小さくなるという性質がある。例えば、ＭＭＳＥは、３０点満点で最も認知機能が高く、０点に近づくにつれて認知機能が低下する。そこで、前処理としてＭＭＳＥやＵＰＤＲＳの正負を反転させてから、異常度として用いる。そして、上述の重回帰分析の推定式に全体データ特徴量４４Ｂを代入することで、全体データ異常度４４Ｃａとして推定重症度スコアを得る。

全体データ特徴量寄与度４４Ｃｂは、各特徴量の推定モデルへの影響が大きいほど大きな値となり、影響が小さいほど小さな値になるようにする。例えば、全体データ特徴量寄与度４４Ｃｂとして、重回帰分析の推定式の標準化偏回帰係数の絶対値とする。

ここで、異常度を推定するために、重回帰分析ではなく、その類似手法でもよい。例えば、線形モデルによって判別と回帰を同時に行う判別回帰分析でもよい。また、サポートベクターマシン回帰やニューラルネットワークなどの他の回帰手法を用いてもよい。

全体データ異常度４４Ｃａは、正常な指タップ波形から逸脱した度合いを示す指標であれば、脳機能障害の重症度スコアでなくてもよい。全体データ特徴量寄与度４４Ｃｂは、推定式における全体データ特徴量４４Ｂの中の各々の特徴量の重要度を表す指標であれば、標準化偏回帰係数でなくてもよい。

［異常割合決定］
異常割合決定部１４Ａでは、全体データ異常度４４Ｃａ（Ｘ）を所定の変換関数に適用して、異常割合４５Ａ（Ｒ［％］）を求める。Ｒは、０％＜＝Ｒ＜＝１００％とする。変換関数は、全体データ異常度４４Ｃａが大きくなるほど、Ｒも大きくなるような単調増加の関数とし、例えば指数関数Ｒ＝ａ＊ｅｘｐ（Ｘ－ｂ）＋ｃと設定する。ａはＸが大きくなると急激にＲを大きくしたい場合は大きい値とし、単調にＲを大きくしたい場合は小さい値とする。そして、ｂとｃは、この変換関数は、異常度（前処理後）が想定しうる最小値（例えば、ＭＭＳＥでは－３０）になるときにＲ＝０％とし、異常度（前処理後）が想定しうる最大値（例えば、ＭＭＳＥでは０）になるときにＲ＝Ｒｍ（０％＜＝Ｒｍ＜１００％。例えば、Ｒｍ＝５０％）となるように設定する。そうすることで、部分データ異常検出部１５Ｃにおいて、異常度が最小値になる場合には異常が全く検出されず、異常度が大きくなるほど異常が多く検出されるようになる。

なお、全体データ評価部１３Ｂでは、異常度（前処理後）が想定しうる最小値～最大値（ＭＭＳＥでは－３０～０）の範囲を逸脱して全体データ異常度４４Ｃａを推定することも起こり得る。その場合は、最小値よりも小さい場合は最小値に変更し、最大値よりも大きい場合は最大値に変更すればよい。なお、変換関数は、単調増加の関数であれば指数関数以外でもよく、例えば、対数関数、シグモイド関数、一次関数などでもよい。

［特徴量重要度決定］
特徴量重要度決定部１４Ｂでは、図１１および図１２に示す特徴量対応表５０Ｂを参照しながら、全体データ特徴量寄与度４４Ｃｂから特徴量重要度（Ｑｋ（ｋ＝１、２、・・・、ＮＰ（部分データ特徴量数）））４５Ｂを求める。まず、全体データ特徴量リスト５０Ａの中から全体データ特徴量Ａｊを一つ選び、特徴量対応表５０Ｂを参照して、対応する部分データ特徴量Ｐｋを探す。例えば、（Ａ１）距離の最大振幅に対応するのは、（Ｐ２）距離の最大値となる。

そして、全体データ特徴量Ａｊの全体データ特徴量寄与度Ｃｊ（ｊ＝１、２、・・・、ＮＡ（全体データ特徴量数））を所定の変換関数に適用して、特徴量重要度Ｑｋを求める。変換関数は、全体データ特徴量寄与度Ｃｊが大きくなるほど、特徴量重要度Ｑｋも大きくなるような単調増加の関数とし、例えば指数関数と設定する。そして、この変換関数は、例えば、Ｃｊが想定しうる最小値になるときにＱｋ＝１とし、Ｃｊが想定しうる最大値になるときはこれよりも大きい値であるＱｋ＝１００となるように設定する。そうすることで、部分データ異常検出部１５Ｃにおいて、全体データ特徴量寄与度Ｃｊが最小値になる場合にはＰｋは重視されずに異常検出が行われ、全体データ特徴量寄与度Ｃｊが大きくなるほどＰｋが重視されて異常検出が行われるようになる。なお、変換関数は、単調増加の関数であれば指数関数以外でもよく、例えば、対数関数、シグモイド関数、一次関数などでもよい。上記の処理を、全ての全体データ特徴量寄与度Ｃｊに対して行うことで、全ての特徴量重要度Ｑｋを求めることができる。なお、複数のＣｊが同一のＱｋに対応付けられていることもあるが、この場合は、最も大きいＣｊを選んでＱｋを算出すればよい。これに限らず、最も大きいＣｊを選んでＱｋを算出してもよいし、複数のＣｊの平均値からＱｋを算出してもよい。また、Ｑｋに対してＣｊが一つも対応付けられていない場合は、デフォルト値としてＱｋ＝１と設定すればよい。

［部分データ生成］
部分データ生成部１５Ａでは、１周期毎に指タップ波形を切り出して部分データ４６Ａを得る。部分データ４６Ａを切り出すために、図１３に示すように、指タップの１周期は全体データ４４Ａの平均を上から下に横切った時点から次に上から下に横切る時点までと定義する。このように、全体データ４４Ａの平均を基準として１周期を定義することで、二指を開き切ったときの距離値(極大値)が小さ過ぎる場合や、二指を閉じたときの距離値(極小値)が大きすぎる場合など、指タップ運動とまでは言えない中途半端な上下運動を排除できる。１周期の定義は他の方法でもよく、極小点から次の極小点としてもよいし、極大点から次の極大点としてもよい。部分データ４６Ａの切り出し方として、１周期毎ではなく、複数周期毎に区切って切り出してもよい。

なお、後述する部分データ特徴量算出部１５Ｂでは、両手の波形を用いる特徴量（Ｐ１９）～（Ｐ２０）も算出されるが、これらの特徴量を計算するには、同一の時間帯の両手の波形が必要となる。そのためには、右手の波形において１周期を抽出し、もう左手の波形から同じ時間帯の波形を抽出すればよい。右手と左手を逆にしても求めてもよい。

［部分データ特徴量算出］
図１４に、部分データ特徴量リスト５０Ｃを示す。このリストに基づいて、部分データ特徴量算出部１５Ｂでは、部分データ特徴量４６Ｂを算出する。列として、特徴量分類、識別番号、特徴量パラメータを有する。特徴量分類は、［距離］、［速度］、［加速度］、［タップインターバル］、［位相差］、［マーカー追従］を有する。部分データ特徴量算出部１５Ｂは、部分データ特徴量リスト５０Ｃの全ての特徴量を算出してもよいし、一部の特徴量を選択して算出してもよい。

例えば、特徴量［距離］において、識別番号（Ｐ１）～（Ｐ３）で識別される複数の特徴量パラメータを有する。特徴量パラメータの括弧［］内は単位を示す。（Ｐ１）「距離の最小値」［ｍｍ］は、部分データの振幅の最小値である。（Ｐ２）「距離の最大値」［ｍｍ］は、部分データの振幅の最大値である。（Ｐ３）「総移動距離」［ｍｍ］は、部分データの全計測時間中の距離変化量の絶対値の総和である。

特徴量［速度］について、以下の識別番号（Ｐ４）～（Ｐ８）で示す特徴量パラメータを有する。（Ｐ４）「オープニング速度の最大値」［ｍ／秒］は、部分データのオープニング動作時の速度の最大値である。オープニング動作とは、二指を閉状態から最大の開状態にする動作である。（Ｐ５）「クロージング速度の最小値」［ｍ／秒］は、クロージング動作時の速度の最小値である。クロージング動作とは、二指を最大の開状態から閉状態にする動作である。（Ｐ６）「エネルギーバランス」［-］は、オープニング動作中の速度の二乗和と、クロージング動作中の速度の二乗和との比率である。（Ｐ７）「総エネルギー」［ｍ２／秒２］は、部分データの全計測時間中の速度の二乗和である。（Ｐ８）「ふるえ回数」［-］は、速度の波形の正負が変わる往復回数から、指タップの回数である１を減算した数である。（Ｐ９）「オープニング速度ピーク時の距離比率」［-］は、指タップの振幅を１とした場合の、オープニング動作中の速度の最大値の時の距離である。（Ｐ１０）「クロージング速度ピーク時の距離比率」［-］は、指タップの振幅を１とした場合の、クロージング動作中の速度の最小値の時の距離である。（Ｐ１１）「速度ピーク時の距離比率の比」［-］は、（１８）の値と（１９）の値との比である。

特徴量［加速度］について、以下の識別番号（Ｐ１２）～（Ｐ１７）で示す特徴量パラメータを有する。（Ｐ１２）「オープニング加速度の最大値」［ｍ／秒^２］は、オープニング動作中の加速度の最大値であり、指タップの１周期中に現れる４種類の極値のうちの第１値である。（Ｐ１３）「オープニング加速度の最小値」［ｍ／秒^２］は、オープニング動作中の加速度の最小値であり、４種類の極値のうちの第２値である。（Ｐ１４）「クロージング加速度の最大値」［ｍ／秒^２］は、クロージング動作中の加速度の極大値であり、４種類の極値のうちの第３値である。（Ｐ１５）「クロージング加速度の最小値」［ｍ／秒^２］は、クロージング動作中の加速度の極小値であり、４種類の極値のうちの第４値である。（Ｐ１６）「接触時間」［秒］は、二指の閉状態における接触時間である。（Ｐ１７）「すくみ数」［-］は、指タップの１周期中に加速度の正負が変わる往復回数から、大きな開閉の指タップの回数である１を減算した値である。

特徴量［タップインターバル］については、以下の識別番号（Ｐ１８）で示す特徴量パラメータを有する。（Ｐ１８）「タップインターバル」［秒］は、指タップの１周期の時間である。

特徴量［位相差］については、以下の識別番号（Ｐ１９）～（Ｐ２０）で示す特徴量パラメータを有する。（Ｐ１９）「位相差」［度］は、両手の波形における位相差である。位相差は、右手の指タップの１周期を３６０度とした場合に、右手に対する左手の指タップのズレを角度として表した指標値である。ズレが無い場合を０度とする。（Ｐ２０）「両手の類似度」［-］は、左手と右手の波形に相互相関関数を適用した場合に、時間ずれが０の場合の相関を表す値である。

特徴量［マーカー追従］について、以下の識別番号（Ｐ２１）で示す特徴量パラメータを有する。この特徴量は、マーカーに追従して運動させるタスクで計算される。（Ｐ２１）「マーカーからの遅延時間」［秒］は、周期的なマーカーで示す時間に対する指タップの遅延時間である。マーカーは、視覚刺激、聴覚刺激、触覚刺激等の刺激と対応している。このパラメータ値は、二指の閉状態の時点を基準とする。

［部分データ異常検出］
部分データ異常検出部１５Ｃでは、多変量解析や機械学習を適用して、部分データ４６Ａの異常検出を行う。その前処理として、初めに、一般的に行われるように、部分データ特徴量４６Ｂを平均が０、標準偏差が１となるよう標準化する。このように標準化することで特徴量毎にレンジが異なることによって、多変量解析や機械学習で得られたモデルにおける特徴量の重みが不均一になるのを防ぐことができる。次に、特徴量重要度決定部１４Ｂで算出した特徴量重要度（Ｑｋ）４５Ｂを用いて、部分データ特徴量４６Ｂの特徴量空間分布を変更する。特徴量空間分布を変更する方法の一例として、標準化された部分データ特徴量Ｐｋに特徴量重要度Ｑｋ（ｋ＝１、２、・・・、ＮＰ（部分データ特徴量数））を掛け算する。この処理によって、重要度の高い部分データ特徴量の特徴量空間における分布を大きくすることができ、機械学習による異常が検出されやすくなる。また、特徴量空間分布を変更する方法の他の例として、部分データ特徴量４６Ｂ（Ａｋ）を指数関数Ａｋ’＝ｐ＊Ｑｋ＊ｅｘｐ（Ａｋ）（ｐは所定の値）に代入することで、ＡｋをＡｋ’に変更してもよい。こうすることで、部分データ特徴量４６Ｂ（Ａｋ）が平均０から遠いほどさらに遠ざけることとなる。特徴量重要度Ｑｋが大きいほど、遠くのデータをより急激に遠ざけることとなり、異常として検出されやすくなる。

その後、機械学習の一種である１－ｃｌａｓｓ Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ（ＳＶＭ）を適用して、異常検出を行う。本手法の前提となるＳＶＭとは、2クラスの分類において、分類境界(線形な式であらわされる超平面)と各クラスのデータとのマージンを最大化するように分類境界を定める手法である。しかし、分類境界が超平面であると２群の分類境界が複雑な形状である場合に分離できないことから、ＳＶＭではカーネル関数を導入して複雑な形状の分類境界にも対応できるように工夫されている。１－ｃｌａｓｓ ＳＶＭは、ＳＶＭの２クラス分類問題と考え方は同じであるが、１クラスの中で一定割合の異常データとその他の正常データに分類する手法である。１－ｃｌａｓｓ ＳＶＭの外れ値の割合は、異常割合決定部１４Ａで算出した異常割合４５Ａ（Ｒ）とする。こうすることで、全体データ異常度４４Ｃａが高いほど、異常と検出される部分データの割合を大きくできる。

なお、部分データの異常検出は１－ｃｌａｓｓ ＳＶＭ以外の手法を用いてもよい。例えば、部分データ４６Ａの特徴量分布の平均を中心とする正規分布を仮定し、正規分布の中心からの距離が大きいデータを異常と検出してもよい。

［部分データ異常検出結果］
１－ｃｌａｓｓ ＳＶＭでは分類スコアｙが算出され、分類スコアｙが負値である場合に異常と判定される。この判定によって検出された結果を、部分データ異常有無４６Ｃｂとする。分類スコアｙは、０から離れて小さくなるほど、異常度は大きくなると考えられる。そこで、この分類スコアｙを、ｙ＝０でｚ＝０％、ｙ＝－∞でｚ＝１００％に漸近するような関数で変換し、ｚを部分データ異常度４６Ｃａとする。また、１－ｃｌａｓｓ ＳＶＭで異常と判定された周期別指タップ波形に対して、全ての特徴量の中でどの特徴量が異常判定に寄与していたのか調べるため、平均値から標準偏差ＳＤ＝２．０以上外れていた特徴量を部分データ異常特徴量４６Ｃｃとする。

［部分データ異常評価部の効果］
図１５に部分データ異常検出結果４６Ｃの例を示す。指タップ運動の距離波形の上に、部分データ異常有無４６Ｃｂで異常ありとされた部分データ４６Ａが太線で重ね書きしている。その上部には、部分データ異常特徴量４６Ｃｃが示されている。一番上のグラフは、異常検出された部分データ４６Ａが一つもなかった全体データ４４Ａである。下の４つのグラフは、異常検出された部分データ４６Ａが一つ以上あった全体データ４４Ａである。

図１６及び図１７は、異常割合決定部１４Ａおよび特徴量重要度決定部１４Ｂを導入したことによる効果を分かりやすく示した模式図である。

図１６に、異常割合４５Ａが異なる値になった場合の部分データ異常検出結果４６Ｃのサンプルを示す。例えば、全体データ異常度４４Ｃａ（認知症重症度ＭＭＳＥ）が２９であった場合、異常割合決定部１４Ａによって異常割合が２％と決定される。つまり、部分データ異常検出部１５Ｃでは、計測時間中の全ての周期の２％を異常と検出し、波形中の１個の部分データのみが検出されることとなる。次に、全体データ異常度４４Ｃａが２４だった場合は、上述の２９の場合よりも異常割合が高い値（７％）に算出され、波形中では３個の部分データが異常と検出されている。最後に、全体データ異常度４４Ｃａが１５だった場合は、上述の２つの場合よりもさらに異常割合が高い値（１２％）と算出され、波形中では６個の部分データが異常と検出されている。このように、異常割合決定部１４Ａを導入することで、部分データの異常判定において、全体データの異常判定結果に見合った異常割合を設定可能となる。

図１７に、特徴量重要度４５Ｂが異なる値になった場合の部分データ異常検出結果４６Ｃを示す。この例では、分かりやすいように、全体データ特徴量リスト５０Ａの中で３つの特徴量のみを選び、全体データ特徴量寄与度４４Ｃｂを示している。最上段の例では、（Ａ３６）すくみ数の全体データ特徴量寄与度４４Ｃｂは０．５０であり、他の特徴量よりも高い。これを特徴量重要度決定部１４Ｂに適用することで、部分データの特徴量重要度４５Ｂが得られる。その結果、（Ｐ１７）すくみ数の特徴量重要度４５Ｂが最も大きくなり、（Ｐ１７）すくみ数が異常値となった部分データが重点的に異常検出される。次に、二段目の例では、（Ａ３）距離の最大値の平均の全体データ特徴量寄与度４４Ｃｂは０．５０であり、他の特徴量よりも高い。すると、（Ｐ２）距離の最大値の特徴量重要度４５Ｂが最も大きくなり、（Ｐ２）距離の最大値が異常値となった部分データが重点的に異常検出される。最後に、三段目の例では、（Ａ８）距離の最小値の平均の全体データ特徴量寄与度４４Ｃｂは０．５０であり、他の特徴量よりも高い。すると、（Ｐ１）距離の最小値の特徴量重要度４５Ｂが最も大きくなり、（Ｐ１）距離の最小値が異常値となった部分データが重点的に異常検出される。このように、特徴量重要度決定部１４Ｂを導入して、全体データの異常判定に寄与した特徴量と関連する部分データの特徴量に重み付けをすることで、全体データの異常と同じ性質を持つ異常な部分データを重点的に検出できるようになる。

以上より、異常割合決定部１４Ａおよび特徴量重要度決定部１４Ｂによって、全体データの異常判定結果との整合性を保ちながら、部分データ(周期毎指タップ波形)の異常判定を行える。

［練習メニュー決定］
図１８は、指タップ運動の性質を表す指標項目と、その指標項目を改善するための練習メニューを示した練習メニューリスト５０Ｃである。指標項目としては、［運動量］、［持久性］、［リズム性］、［両側協調性］、［マーカー追従性］、［運動大きさ］、[波形バランス]、[振幅制御]がある。この指標項目および練習メニューの設定は一例であり、変更可能である。

図１９は、特徴量と練習メニュー項目との関連付けの設定情報に関する練習メニュー対応表５０Ｄである。この関連付けの設定は一例であり、変更可能である。本表では、列として、特徴量分類、識別番号、特徴量パラメータ、指標項目を有する。特徴量分類は、［距離］、［速度］、［加速度］、［タップインターバル］、［位相差］、［マーカー追従］を有する。本リストの特徴量は、部分データ特徴量リスト５０Ｃと一致し、練習メニューリスト５０Ｄで設定された指標項目の少なくとも一つ以上と関連付けられている。

［表示画面（１）－メニュー］
図２０は、端末装置４の表示画面の例として、サービスの初期画面であるメニュー画面の例を示す。このメニュー画面では、ユーザ情報欄１５０１、操作メニュー欄１５０２、設定欄１５０３等を有する。

ユーザ情報欄１５０１では、ユーザによりユーザ情報を入力して登録可能である。なお、電子カルテ等に入力済みのユーザ情報が存在する場合、そのユーザ情報と連携するようにしてもよい。入力可能なユーザ情報の例として、ユーザＩＤ、氏名、生年月日または年齢、性別、利き手、疾患／症状、メモ等がある。利き手は、右手、左手、両手、不明、等から選択入力可能である。疾患／症状は、例えばリストボックスの選択肢から選択入力可能としてもよいし、任意のテキストで入力可能としてもよい。病院等で本システムを利用する場合、ユーザではなく医師等がユーザの代わりに入力を行うようにしてもよい。本異常データ処理システムは、ユーザ情報の登録が無い場合にも適用可能である。

操作メニュー欄１５０２では、サービスが提供する機能の操作項目を表示する。操作項目は、「キャリブレーション」、「手指運動の計測」、「異常データ検出・処理」、「終了」等を有する。「キャリブレーション」の選択の場合、前述のキャリブレーション、即ちユーザの手指に対する運動センサ２０等の調整に係わる処理が行われる。調整済みか否かの状態も表示される。「手指運動の計測」の選択の場合、指タップなどの手指運動のタスクを計測するためのタスク計測画面に遷移する。「異常データ検出・処理」の選択の場合、計測されたデータを対象として異常を検出し、その異常データ検出結果を表示し、検出された異常データの処理を実施する画面に遷移する。「終了」の選択の場合、本サービスを終了する。

設定欄１５０３では、ユーザ設定が可能である。例えば、ユーザまたは計測者または管理者が検出を希望する異常検出項目の種類がある場合には、選択肢からその異常検出項目を選択して設定可能である。また、各々の異常検出項目に対応した処理を選択することが出来る。また、異常データ検出の閾値なども設定可能である。これらの設定内容は通信部１０５を通して周期的時系列データ異常部分検出システム１に送られ、周期的時系列データ異常部分検出システム１はここで指定された設定を参照して異常データを検出・処理する。

［表示画面（２）－タスク計測］
図２１は、他の例として、タスク計測画面を示す。この画面では、タスク情報を表示する。例えば、左右の手それぞれについて、横軸に時間、縦軸に二指の距離をとったグラフ１６００を表示する。画面には、タスク内容を説明するための他の教示情報を出力してもよい。例えば、タスク内容を映像音声で説明するビデオの領域を設けてもよい。画面内には、「計測開始」、「計測やり直し」、「計測終了」、「保存（登録）」等の操作ボタンを有し、ユーザが選択できる。ユーザは、画面のタスク情報に従い、「計測開始」を選択して、タスクの運動を行う。計測装置３は、タスクの運動を計測して波形信号を得る。端末装置４は、計測中の波形信号に対応する計測波形１６０２をリアルタイムでグラフ１６００上に表示する。ユーザは、運動後、「計測終了」を選択し、確定する場合には「保存（登録）」を選択する。計測装置３は、計測データを異常データ処理システム１へ送信する。

［表示画面（３）－全体データ評価結果］
図２２は、他の例として、全体データの評価結果画面を示す。本画面では、タスクの解析評価結果情報が表示される。タスクの解析評価後、自動的に本画面が表示される。本例では、Ａ～Ｅの５個の指タップ運動の特徴量について、レーダーチャート形式のグラフで表示する場合を示す。実線の枠線１７０１は、今回のタスク計測後の解析評価結果を示す。全体データ評価部１３Ｂで算出された全体データ評価結果４４Ｃの推定重症度スコアを表示する。また、複数の特徴量をレーダーチャートで表示する。その他に、解析評価結果に関する評価コメント等を表示してもよい。全体データ評価部１３はその評価コメントを作成する。例えば、「（Ｂ）、（Ｅ）は良好です」等のメッセージが表示される。画面内に、「指タップ波形の異常部分を確認する」、「終了」等の操作ボタンを有する。周期的時系列データ異常部分検出システム１は、「指タップ波形の異常部分を確認する」が選択された場合、異常部分検出結果画面へ遷移させ、「終了」が選択された場合、初期画面へ遷移させる。

［表示画面（４）－異常部分検出結果］
図２３は、他の例として、異常部分検出結果画面を示す。本画面では、部分データ異常検出部１５Ｃで算出された部分データ異常検出結果４６Ｃをユーザに提示する。全体データ４４Ａの波形を細線で表示する。そして、部分データ異常有無４６Ｃｂの中で異常があった部分データ４６Ａを波形上に太線で表示する。その上部に、部分データ異常特徴量４６Ｃｃと部分データ異常度４６Ｃａを表示する。部分データ異常特徴量４６Ｃｃは、特徴量値が大きすぎる場合は上向きの矢印を付し、小さすぎる場合は下向きの矢印を付す。部分データ異常度４６Ｃａを異常度として表示する。そして、部分データ異常特徴量４６Ｃｃに関する評価コメントも表示する。さらに、それを改善するための練習メニュー４７を提示する。

図２３に示される部分データ評価結果の画面表示は時間と距離のグラフに限定されるものではなく、時間と速度、時間と加速度等のグラフであってもよい。また、グラフ表示に限定されるもんではなく、数値データの表示であってもよく、指タップ運動の動画表示であってもよい。動画表示の場合は異常部分が認識できるように、異常部分で警告音の発生あるいは、異常部分の動画の背景を変更し、「P2、P8」等の表示を背景画面に表示させるものであってもよい。

［表示画面（５）－全体データ評価結果と異常部分検出結果の並列表示］
図２２に示される全体データ評価結果の画面表示と、図２３に示される異常部分検出結果画面を、一つの画面上に並列して表示させるのが、より好ましい。その際に、全体データ評価結果と部分データ以上検出結果の整合が取れているためユーザのシステムへの信頼性を損なうことなく、また、全体データ評価結果のスコアの原因を異常部分検出結果画面から推測することができ、被験者にはスコアをと原因を理解あるいは受け入れてもらいやすいという効果が得られる。

この全体データ評価結果の内容と異常部分検出結果の内容の並列表示における全体データ評価結果は、スコアのみでもよいし、レーダーチャートのみでもよいし、スコアとレーダーチャートの両方でもよく、あるいは別の表示方法を用いてもよい。同様に異常部分検出結果の表示についても図２３に示されるグラフ表示に限定されるものではなく、全体のデータの中で異常部分が視覚的に認識される表示態様であれば、別の表示方法を用いることができる。

第１実施形態の周期的時系列データ異常部分検出システム１では、全体データ評価部１３が、全体データ特徴量４４Ｂに基づいて、全体データ４４Ａの異常を検出し、さらに、全体データの異常度４４Ｃａ（周期的情報の異常割合）を生成する。異常部分検出システム１は、周期的時系列データである全体データ４４Ａを分割して部分データ４６Ａを生成し、その部分データ特徴量４６Ｂを算出して、当該部分データ特徴量４６Ｂと全体データ異常度４４Ｃａとに基づいて、部分データ４６Ａの異常を検出した結果である部分データ異常検出結果４６Ｃを表示出力する。

このように、異常部分検出システム１は、全体データ４４Ａを分割した部分データ４６Ａ毎に、全体データ異常度４４Ｃａを用いて異常を検出するので、全体データによる評価と部分データの評価とが異なる結果となってしまうことを回避することができる。

また、第１実施形態の周期的時系列データ異常部分検出システム１では、全体データ評価部１３が、全体データ特徴量４４Ｂに基づいて、全体データ４４Ａの異常を検出し、さらに、特徴量重要度４５Ｂを生成する。異常部分検出システム１は、周期的時系列データである全体データ４４Ａを分割して部分データ４６Ａを生成し、その部分データ特徴量４６Ｂを算出して、当該部分データ特徴量４６Ｂと特徴量重要度４５Ｂとに基づいて、部分データ４６Ａの異常を検出した結果である部分データ異常検出結果４６Ｃを表示出力する。

このように、異常部分検出システム１は、全体データ４４Ａを分割した部分データ４６Ａ毎に、特徴量重要度４５Ｂを用いて異常を検出するので、全体データによる評価と部分データの評価とが異なる結果となってしまうことを回避することができる。

第１実施形態の周期的時系列データ異常部分検出システム１によれば、周期的時系列データである全体データ４４Ａを分割して部分データ４６Ａを生成し、その部分データ特徴量４６Ｂを算出して部分データ異常検出結果４６Ｃを得ることで、全体データ４４Ａの中の異常な部位を検出し、ユーザに提示することができる。ここで、部分データ異常検出結果４６Ｃは、異常割合決定部１４Ａおよび特徴量重要度決定部１４Ｂを導入したことで、全体データの異常判定結果との整合性を保つことができる。部分データ異常検出結果４６Ｃによって、ユーザは全体データ評価結果４４Ｃが悪かった場合に、具体的にどの部分に問題があったのかを知ることができる。さらに、練習メニュー決定部１６で得られた練習メニュー４７を提示することで、ユーザはその問題を改善するための練習方法を知ることができる。

なお、本実施形態では、指タップ運動の時系列データを対象とした異常部分検出について説明したが、周期的な時系列データであれば他のデータでもよい。例えば、心電信号、心磁信号、脈波、呼吸、脳波、歩行、目の瞬き、咀嚼などを計測した時系列データが挙げられる。

（第２実施形態）
図２４～図２６を用いて、第２実施形態の周期的時系列データ異常部分検出システムについて説明する。第２実施形態の基本的な構成は、第１実施形態と同様であり、以下、第２実施形態の構成における第１実施形態の構成とは異なる部分について説明する。

［システム］
図２４は、第２実施形態の周期的時系列データ異常部分検出システムを示す。周期的時系列データ異常部分検出システムは、サービス事業者のサーバ６と、複数の施設のシステム７とを有し、それらが通信網８を介して接続されている。通信網８やサーバ６は、クラウドコンピューティングシステムを含むものとしてもよい。

施設は、病院や健康診断センタ、公共施設、娯楽施設等、あるいはユーザ自宅等、各種が可能である。施設にはシステム７が設けられている。施設のシステム７の例として、病院Ｈ１のシステム７Ａ、病院Ｈ２のシステム７Ｂ等を有する。例えば、各病院のシステム７Ａおよびシステム７Ｂは、第１実施形態と同様の計測システム２を構成する計測装置３及び端末装置４を有する。各システム７の構成は同じでもよいし、異なってもよい。施設のシステム７は、病院の電子カルテ管理システム等を含んでもよい。システム７の計測装置は、専用端末としてもよい。

サーバ６は、サービス事業者が管轄している装置である。サーバ６は、情報処理によるサービスとして、施設及びユーザに対し、第１実施形態の周期的時系列データ異常部分検出システム１と同様の部分データ異常検出サービスを提供する機能を有する。サーバ６は、計測システムに対してクライアントサーバ方式でサービス処理を提供する。サーバ６は、そのような機能に加え、ユーザ管理機能等を有する。ユーザ管理機能は、複数の施設のシステム７を通じて得られた、ユーザ群のユーザ情報、計測データや解析評価データ等を、ＤＢに登録、蓄積して管理する機能である。

［サーバ］
図２５は、サーバ６の構成を示す。サーバ６は、制御部６０１、記憶部６０２、入力部６０３、出力部６０４、通信部６０５を有し、それらがバスを介して接続されている。入力部６０３は、サーバ６の管理者等による操作入力を行う部分である。出力部６０４は、サーバ６の管理者等に対する画面表示等を行う部分である。通信部６０５は、通信インタフェースを有し、通信網８との通信処理を行う部分である。記憶部６０２にはＤＢ６４０が格納されている。ＤＢ６４０は、サーバ６とは別のＤＢサーバ等で管理されてもよい。

制御部６０１は、サーバ６の全体を制御し、ＣＰＵ、ＲＯＭ、ＲＡＭ等により構成され、ソフトウェアプログラム処理に基づいて、異常データ検出や異常データ処理決定等を行うデータ処理部６００を実現する。データ処理部６００は、ユーザ情報管理部１１、タスク処理部１２、全体データ評価部１３、全体データ部分データ整合部１４、部分データ異常評価部１５、練習メニュー決定部１６、結果出力部１７を有する。

ユーザ情報管理部１１は、複数の施設のシステム７のユーザ群に関するユーザ情報を、ＤＢ６４０にユーザ情報４１として登録し管理する。ユーザ情報４１は、ユーザ個人毎の属性値、利用履歴情報、ユーザ設定情報等を含む。利用履歴情報は、各ユーザが過去に異常部分検出サービスを利用した実績情報を含む。

［サーバ管理情報］
図２６は、サーバ６がＤＢ６４０に管理するユーザ情報４１のデータ構成例を示す。このユーザ情報４１の表において、ユーザＩＤ、施設ＩＤ、施設内ユーザＩＤ、性別、年齢、疾患、重症度スコア、症状、履歴情報、等を有する。ユーザＩＤは、本システムでのユーザの一意の識別情報である。施設ＩＤは、システム７が設けられている施設の識別情報である。なお、別に、各システム７の計測装置の通信アドレス等も管理されている。施設内ユーザＩＤは、その施設またはシステム７内で管理されているユーザ識別情報が存在する場合のそのユーザ識別情報である。即ち、ユーザＩＤと施設内ユーザＩＤとが関連付けられて管理されている。疾患項目や症状項目は、ユーザが選択入力した疾患や症状を表す値、あるいは病院で医師等が診断した値が格納される。重症度スコアは、疾患に関する度合いを表す値である。

履歴情報項目は、そのユーザの異常部分検出サービス利用の実績を管理する情報であり、各回の利用の日時、等の情報が時系列で格納されている。また、履歴情報項目には、その回で練習が行われた場合における各データ、即ち前述の計測データ、解析評価データ、異常データ検出結果、異常データ処理内容等のデータが格納されている。履歴情報項目には、各データが格納されているアドレスの情報を格納してもよい。

［効果等］
第２実施形態の異常データ処理システムによれば、第１実施形態と同様に、周期的時系列データである全体データ４４Ａを分割して部分データ４６Ａを生成し、その部分データ特徴量４６Ｂを算出して部分データ異常検出結果４６Ｃを得ることで、全体データ４４Ａの中の異常な部位を検出し、ユーザに提示することができる。ここで、部分データ異常検出結果４６Ｃは、異常割合決定部１４Ａおよび特徴量重要度決定部１４Ｂを導入したことで、全体データの異常判定結果との整合性を保つことができる。部分データ異常検出結果４６Ｃによって、ユーザは全体データ評価結果４４Ｃが悪かった場合に、具体的にどの部分に問題があったのかを知ることができる。さらに、練習メニュー決定部１６で得られた練習メニュー４７を提示することで、ユーザはその問題を改善するための練習方法を知ることができる。

以上、本発明を実施形態に基づき具体的に説明したが、本発明は前記実施形態に限定されず、その要旨を逸脱しない範囲で種々変更可能である。

本発明は上記した実施形態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、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、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が可能である。また、各実施例の構成の一部について、他の実施例の構成の追加・削除・置換をすることが可能である。

１…周期的時系列データ異常部分検出システム、２…計測システム、３…計測装置、４…端末装置。

Claims (7)

1. センサを用いて手指運動を計測して得られる周期的時系列データを用いて運動機能の異常を検出する検出装置であって、
   前記周期的時系列データの全体である全体データを取得する周期的時系列データ取得部と、
   前記全体データに基づいて、全体データ特徴量を算出する周期的時系列データ特徴量算出部と、
   前記全体データ特徴量に基づいて、前記全体データの前記異常を検出する周期的時系列データ異常検出部と、
   前記周期的時系列データ異常検出部により検出された結果に基づいた前記全体データの異常割合を生成する異常割合生成部と、
   前記全体データを分割して、部分時系列データである部分データを生成する部分時系列データ生成部と、
   前記部分データに基づいて、部分データ特徴量を算出する部分時系列データ特徴量算出部と、
   前記全体データの異常割合を用いて、前記部分データを参照しながら前記部分データ特徴量に基づいて前記部分データの前記異常を検出する部分時系列データ異常検出部と、
   前記部分時系列データ異常検出部による検出結果および前記周期的時系列データ異常検出部による検出結果に基づいた情報を出力する出力部と、
   を備える検出装置。
2. 請求項１に記載の検出装置であって、
   前記部分時系列データ異常検出部は、前記部分データの異常の度合いと、前記部分データが異常であるか否かを示す情報と、及び前記部分データが異常であることを検出する元となった特徴量である異常特徴量を示す情報とを生成する、検出装置。
3. 請求項２に記載の検出装置であって、
   前記異常特徴量を改善するための練習メニューを決定するメニュー決定部を備え、
   前記出力部は、前記メニュー決定部により決定されたメニューをさらに出力する、検出装置。
4. センサを用いて手指運動を計測して得られる周期的時系列データを用いて運動機能の異常を検出する検出装置であって、
   前記周期的時系列データの全体である全体データを取得する周期的時系列データ取得部と、
   前記全体データに基づいて、全体データ特徴量を算出する周期的時系列データ特徴量算出部と、
   前記全体データ特徴量に基づいて、前記全体データの前記異常を検出する周期的時系列データ異常検出部と、
   前記周期的時系列データ異常検出部により検出された結果に基づいた前記全体データの特徴量重要度を生成する特徴量重要度生成部と、
   前記全体データを分割して、部分時系列データである部分データを生成する部分時系列データ生成部と、
   前記部分データに基づいて、部分データ特徴量を算出する部分時系列データ特徴量算出部と、
   前記全体データの特徴量重要度を用いて、前記部分データを参照しながら前記部分データ特徴量に基づいて前記部分データの前記異常を検出する部分時系列データ異常検出部と、
   前記部分時系列データ異常検出部による検出結果および前記周期的時系列データ異常検出部による検出結果に基づいた情報を出力する出力部と、
   を備える検出装置。
5. 請求項１または請求項４に記載の検出装置であって、
   前記出力部は、前記部分時系列データ異常検出部による検出結果と、前記周期的時系列データ異常検出部による検出結果とを一画面に並列した画面情報を出力する、検出装置。
6. センサを用いて手指運動を計測して得られる周期的時系列データを用いて運動機能の異常を検出する検出装置による検出方法であって、
   前記検出装置が行うステップとして、
   前記周期的時系列データの全体である全体データを取得する周期的時系列データ取得ステップと、
   前記全体データに基づいて、全体データ特徴量を算出する周期的時系列データ特徴量算出ステップと、
   前記全体データ特徴量に基づいて、前記全体データの前記異常を検出する周期的時系列データ異常検出ステップと、
   前記周期的時系列データ異常検出ステップで検出した結果に基づいた前記全体データの異常割合を生成する異常割合生成ステップと、
   前記全体データを分割して、部分時系列データである部分データを生成する部分時系列データ生成ステップと、
   前記部分データに基づいて、部分データ特徴量を算出する部分時系列データ特徴量算出ステップと、
   前記全体データの異常割合を用いて、前記部分データを参照しながら前記部分データ特徴量に基づいて前記部分データの前記異常を検出する部分時系列データ異常検出ステップと、
   前記部分時系列データ異常検出ステップにおける検出結果および前記周期的時系列データ異常検出ステップにおける検出結果に基づいた情報を出力する出力ステップと、
   を含む検出方法。
7. センサを用いて手指運動を計測して得られる周期的時系列データを用いて運動機能の異常を検出する検出装置による検出方法であって、
   前記検出装置が行うステップとして、
   前記周期的時系列データの全体である全体データを取得する周期的時系列データ取得ステップと、
   前記全体データに基づいて、全体データ特徴量を算出する周期的時系列データ特徴量算出ステップと、
   前記全体データ特徴量に基づいて、前記全体データの前記異常を検出する周期的時系列データ異常検出ステップと、
   前記周期的時系列データ異常検出ステップで検出した結果に基づいた前記全体データの特徴量重要度を生成する特徴量重要度生成ステップと、
   前記全体データを分割して、部分時系列データである部分データを生成する部分時系列データ生成ステップと、
   前記部分データに基づいて、部分データ特徴量を算出する部分時系列データ特徴量算出ステップと、
   前記全体データの特徴量重要度を用いて、前記部分データを参照しながら前記部分データ特徴量に基づいて前記部分データの前記異常を検出する部分時系列データ異常検出ステップと、
   前記部分時系列データ異常検出ステップにおける検出結果および前記周期的時系列データ異常検出ステップにおける検出結果に基づいた情報を出力する出力ステップと、
   を含む検出方法。

Images