JP7269122B2 - データ分析装置、データ分析方法及びデータ分析プログラム - Google Patents

Description

本発明は、データ分析装置、データ分析方法及びデータ分析プログラムに関する。

人が自分の身体を自由に動かすには、骨、関節、筋肉や神経で構成される運動器が正常に機能する必要がある。ロコモディブシンドローム（運動器症候群、「ロコモ」）は運動器のいずれかあるいは複数に障害が起こり、立つ、歩く、走る、座るといった移動機能が低下している状態をいう。このような移動機能の低下が進行すると日常生活にも支障が生じるようになる。入院治療が必要になるような運動器障害は50歳以降に多発しているといわれており、高齢での運動器障害は支援や介護が必要になるリスクにつながる。運動器障害は徐々に進行するため、ロコモの予防、早期の発見、適切な対処の必要性が認識されている。特許文献１には、被計測者の歩行状態を計測し、その計測結果より特徴量データを算出し、算出した特徴量データ及び分析モデルを用いて被計測者の歩行態様の分析を行う歩行態様分析装置が開示されている。

特許文献２では、予測モデルを構築するにあたり、入力されたデータに対する前処理、ハイパーパラメータに基づくデータの学習方法などについての候補があらかじめ設定されており、それらの候補の組み合わせ（パイプラインという）の中から、より予測精度の高い予測モデルを構築可能なパイプラインを選択する。候補が増加してもパイプラインの探索に要する時間が増加しないよう、学習データから所定の比率で抽出したサンプルデータを用いて探索を行い、処理時間の制限時間を超えない限りにおいてサンプルデータの抽出比率を増大させ、予測モデルの予測精度が高くなる組み合わせを探索する。

特許第６５０９４０６号公報 特開２０１８－１９０１３０号公報

人の移動機能の低下は歩行障害として表れる。このため、ロコモの早期発見、改善を進める人の歩行状態を把握し、対象者に分かりやすく伝えることが有効である。さらに、運動器障害の予防あるいは早期発見の観点からは、特許文献１に開示されるような分析装置を医療機関のみならず、フィットネスジムなどに設置し、運動器障害について自覚のない被計測者であっても、気軽に自己の歩行状態について気づきを得ることができるようになることが望ましい。

しかしながら、歩行態様の分析を精密に、正確に実施しようとするほど、分析に使用する特徴量データの数は膨大になり、特徴量データの算出、特徴量データを用いた分析に要する時間も増大する。分析結果を得るために長い待ち時間が生じてしまうと、運動器障害について自覚のない被計測者から敬遠されることになりかねない。特に、被計測者にとって身近な場所に設置しようとすると、一般に普及しているＰＣ（Personal Computer）などによって特徴量データの算出、歩行状態の分析を行うことが望ましく、特別に演算能力の高い計算機を用いることを前提とすることはできない。

特許文献２は、予測モデル構築のためのパイプライン選択の探索時間を短縮することについて開示するものであるが、予測モデルを用いた分析そのものに要する時間については言及されていない。

本発明の一実施態様であるデータ分析装置は、第１～第ｎのモデルによる推論を統合して推論を行うアンサンブルモデルを用いてデータ分析を行うデータ分析装置であって、プロセッサと、メモリと、ストレージと、メモリに読み込まれ、プロセッサにより実行されるデータ分析プログラムとを有し、ストレージはそれぞれ１以上のモデルを含む第１～第ｎのモデル群が登録されたモデルデータを格納し、アンサンブルモデルを構成する第ｉのモデル（１≦ｉ≦ｎ）は、モデルデータの第ｉのモデル群から選択され、第１～第ｎのモデル群の少なくとも１つのモデル群は複数のモデルを含んでおり、データ分析プログラムは、データ分析に対する性能要件とデータ分析に要する時間に対する制約要件とを満たすアンサンブルモデルを構成可能な第１～第ｎのモデルの選択肢を、それぞれ第１～第ｎのモデル群から提示するアンサンブルモデル作成処理部と、提示された第１～第ｎのモデルの選択肢の選択を受けて、選択された第１～第ｎのモデルを使用したアンサンブルモデルによる推論を行うアンサンブル分析処理部とを有する。

アンサンブルモデルを用いた分析において、アンサンブルモデルの予測精度と分析時間との調和を図る。

その他の課題と新規な特徴は、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。

データ分析システムのハードウェア構成である。 データ分析システムのソフトウェア構成である。 アンサンブルモデルの概念図である。 分析設定データの例である。 ドメイン知識データの例である。 被計測者の歩行態様を分析する処理フローである。 計測データのデータ構造である。 特徴量データのデータ構造である。 予測結果データのデータ構造である。 モデル（弱識別機）の評価フローである。 モデルデータのデータ構造である。 モデル（弱識別機）の選択、及び算出する特徴量の選択フローである。 アンサンブルモデル決定フローである。 アンサンブルモデルデータのデータ構造である。 選択特徴量データのデータ構造である。

図１に歩行者の歩行態様を分析するデータ分析システム１１０のハードウェア構成を示す。データ分析システム１１０は、被計測者の歩行を計測するためのセンサ１１１と、センサ１１１を用いて被計測者の歩行を計測し、その計測結果より歩行態様の分析を行うデータ分析装置１００を有している。

データ分析装置１００は、ＣＰＵ（Central Processing Unit）１０１、入力Ｉ／Ｆ（Interface）１０２、出力Ｉ／Ｆ１０３、メモリ１０４、ストレージ１０５、Ｉ／Ｏポート１０６を備え、それらが内部バス１０７により結合された、汎用計算機として実現可能な情報処理装置である。入力Ｉ／Ｆ１０２は、キーボードやマウス等の入力装置に接続され、また出力Ｉ／Ｆ１０３は、ディスプレイやプリンタに接続され、操作者に対するＧＵＩ（Graphical User Interface）を実現する。ストレージ１０５は通常、ＨＤＤ、ＳＳＤやＲＯＭ、フラッシュメモリなどの不揮発性メモリで構成され、データ分析装置１００が実行するプログラムやプログラムが処理対象とするデータ等を記憶する。メモリ１０４はＲＡＭ（Random Access Memory）で構成され、ＣＰＵ１０１の命令により、プログラムやプログラムの実行に必要なデータ等を一時的に記憶する。ＣＰＵ１０１は、ストレージ１０５からメモリ１０４にロードしたプログラムを実行する。

データ分析装置１００は、センサ１１１に対してセンシングデータの収集命令を出し、センサ１１１はこれに応じて被計測者の歩行についてセンシングを行い、計測結果をデータ分析装置１００に送信する。センサ１１１としてはＴＯＦ（Time of Flight）方式による距離センサを用いることができる。被計測者の歩行態様を捉えるには、被計測者の歩行中における身体の計測点（関節等）の３次元空間における動き（軌跡）を計測する必要があり、距離センサは、３次元空間における計測点の座標を直接的に求めることができる利点を有している。なお、距離センサに限らず、センサ１１１をビデオカメラとし、ビデオカメラにより歩行中の被計測者を撮影した映像から画像解析を行ってもよいし、加速度センサ、角度センサ、ジャイロセンサのようなセンサを用いてもよい。複数種類のセンサを用いることも可能である。

図２はデータ分析システム１１０のソフトウェア構成であり、データ分析装置１００において実行されるプログラムとその関係を示している。データ分析プログラム２００は、歩行を計測し、その計測結果より歩行態様を分析する機能を有する。ユーザ入出力処理部２０１は、操作者が、各モジュール２０２～２０７に指示や情報を入力するインタフェースプログラムである。モジュール２０２～２０７は、歩行を計測、あるいは歩行態様の分析に関する機能を実行するプログラムであり、その内容については後述する。データベースプログラム２１０は、データ分析システム１１０に必要な計測データや分析モデルを、ストレージ１０５に格納し、管理する機能を有する。

本実施例では、歩行態様の分析を、アンサンブルモデルを用いて行う。アンサンブルモデルは、複数のモデル（弱識別機）による推論を統合して１つの推論を行うモデルである。図３に、本実施例に適用されるアンサンブルモデルの概念図を示す。アンサンブルモデル３００は、被計測者の歩行が健常歩行であるか否かを判定する健常歩行モデル、被計測者の歩行が異常歩行１であるか否かを判定する第１の異常歩行モデル、被計測者の歩行が異常歩行２であるか否かを判定する第２の異常歩行モデルの３つのモデル（弱識別機）の判定結果を統合して、被計測者の歩行が健常であるかどうかを判定する。異常歩行１，２は、それぞれ歩行障害とされる特定の歩行状態である。アンサンブルモデル３００は、第１の異常歩行モデルの出力する異常度１（異常歩行１である確率）と第２の異常歩行モデルの出力する異常度２（異常歩行２である確率）とを比較して、大きな方を最大異常度（何らかの異常歩行である確率）とし、最大異常度と健常歩行モデルの出力する健常度（健常歩行である確率）とを統合することにより、健常者歩行度（健常歩行である確率）を出力する。図３に示す複数のモデル（弱識別機）、及びその統合方法は一例である。

ここで、アンサンブルモデル３００を構成する健常度、異常度１、異常度２を出力するモデルはそれぞれのモデル群から選択され、モデル群の少なくとも一つは、複数のモデルを有するものとする。図３の例では、健常度を出力するモデルとして、健常歩行モデル群３０１として登録されたモデル１，２から選択可能とされ、異常度１を出力するモデルとして、第１の異常歩行モデル群３０２として登録されたモデル３，４から選択可能とされ、異常度２を出力するモデルとして、第２の異常歩行モデル群３０３として登録されたモデル５，６から選択可能とされている。本実施例のデータ分析システム１１０は、データ分析に求められる性能や制約に応じて、モデル群３０１～３０３に登録されたうちから１つのモデルを選択することにより、被計測者のニーズに応じた分析を実現可能にする。

このように、データ分析に求められる性能や、許容される制約が異なる被計測者層に対して、データ分析システム１１０を適合させるため、データ分析システム１１０の管理者は、分析設定処理部２０６を起動し、分析設定データ２１３とドメイン知識データ２１７とを登録する（図２参照）。

図４に分析設定データ２１３の例を示す。分析設定データ２１３は、被計測者層ごとに適用するアンサンブルモデルの性能と制約とを定義するものである。分析対象２１３２は被計測者層を示し、ここではシステム１１０が利用される場所によって被計測者層を定義している。なお、定義方法は本例に限定されることなく、任意である。それぞれの分析対象に対して、アンサンブルモデルの性能要件と制約要件とが定義されている。性能要件は、性能指標２１３３と性能閾値２１３４によって定義される。例えば、設定ＩＤ１として定義された被計測者層（介護施設）の場合、性能指標ＭＣＣ（マシューズ相関係数）が0.2以上であることを性能要件としている。性能要件を定義するにあたり、複数の性能指標から選択した性能指標を用いることによって被計測者層ごとのニーズにより適合する結果を得ることが期待される。例えば、正確性をより重視する被計測者層か、再現性をより重視する被計測者層かによって、求められる性能を反映する指標と当該指標に対する閾値とを設定する。一方、制約要件は、データ分析に許容される時間の上限を示す時間制約２１３５により定義される。この例では、フィットネスジムの被計測者（設定ＩＤ２）は分析時間について厳しい制約が設けられ、医療施設の被計測者（設定ＩＤ３）は分析時間についての制約が設けられていない（時間制約２１３５を負の値とすることで、制約を設けていないことを表している）。

図５にドメイン知識データ２１７の例を示す。ドメイン知識データ２１７は、被計測者層ごとに重要な特徴量を定義するものである。ここでの特徴量とは、センサ１１１で計測した被計測者の歩行中における身体の計測点（関節等）の３次元空間における動き（軌跡）に基づき算出される特徴量であって、歩行中における被計測者の関節や軸の動き、相関などである。ドメイン知識データ２１７は、予測モデルにおける重み付けにかかわらず、分析に含ませる特徴量データであって、例えば、医師やトレーナが分析結果を被計測者に説明するにあたって参照したい特徴量データなどが該当する。ドメイン知識データ２１７も、分析設定データ２１３と同じ定義をされた被計測者層ごとに定義される。この例では、特徴量名２１７３に登録された特徴量に対して重要度２１７４が定義されている。例えば、分析対象「介護施設」では特徴量Ｂに対して特徴量Ａの方が高い重要度とされており（知識ＩＤ１，２）、計測する特徴量を絞り込む場合に、重要度の値の小さいものから算出対象から外していくことができる。この例では、各特徴量の重要度を定義しているが、被計測者層ごとの各特徴量の重要度の順位付けを定義してもよい。

図６を用いて、データ分析装置１００としてのＰＣ６００により、計測者６１０が被計測者６２０の歩行態様を分析する処理フローについて説明する。ＰＣ６００は、分析対象として定義された特定の場所（介護施設、フィットネスジム、医療施設等）に設置され、上述した分析設定データ２１３に定義された設置場所に対して設定された性能要件と制約要件とを満たすよう、アンサンブルモデルが構築され、また、構築されたアンサンブルモデルに必要な特徴量データが選択された状態にある。

被計測者６２０が計測者６１０に計測依頼を行う（Ｓ６００）と、計測者６１０は、ユーザ入出力処理部２０１に対し計測開始操作を行う（Ｓ６０１）。ユーザ入出力処理部２０１はまず、データ計測処理部２０２に計測開始要求を出す（Ｓ６０２）。データ計測処理部２０２は、センサ１１１を用いて被計測者６２０の歩行を計測し（Ｓ６０３）、得られた計測データをストレージ１０５に格納する（Ｓ６０４）。図７に、計測データ２１１のデータ構造を示す。

計測データ２１１は、被計測者の計測点の３次元空間の軌跡であり、タイムスタンプ２１１３に示される時間ごとの各計測点の（Ｘ，Ｙ，Ｚ）座標２１１４が格納されている。計測点としては、歩行態様に影響する関節等が設定される。データＩＤ２１１１は計測データ２１１に含まれるそれぞれのレコードに対応して付されるＩＤであり、計測ＩＤ２１１２は、被計測者６２０の計測依頼のそれぞれに対応して付されるＩＤである。

被計測者６２０の歩行の計測が終了すると、ユーザ入出力処理部２０１は、特徴量算出処理部２０３に特徴量算出要求を出す（Ｓ６０５）。特徴量算出処理部２０３は、アンサンブルモデルに使用する特徴量を指定する選択特徴量データ２１６、及び被計測者６２０の計測データ２１１の入力を受け（Ｓ６０６，６０７）、選択特徴量データ２１６により指定された特徴量データ２１２を算出し、得られた特徴量データをストレージ１０５に格納する（Ｓ６０８）。図８に、特徴量データ２１２のデータ構造を示す。特徴量データ２１２には、計測ＩＤ２１１２ごとに、選択特徴量データ２１６によって指定された特徴量２１２２が格納されている。

選択特徴量データ２１６により選択された特徴量の算出が終了すると、ユーザ入出力処理部２０１は、アンサンブル分析処理部２０５に分析要求を出す（Ｓ６１０）。アンサンブル分析処理部２０５は、アンサンブルモデルデータ２１８及び特徴量データ２１２の入力を受け（Ｓ６１１，Ｓ６１２）、アンサンブルモデルを用いた分析を行い、予測結果データ２１４（例えば、図３の例であれば、健常者歩行度、またはそれに基づく歩行が健常であるか否かの判定結果）をストレージ１０５に格納する（Ｓ６１３）とともに、ディスプレイなどに表示することによって被計測者６２０に結果を提示する（Ｓ６１４）。図９に、予測結果データ２１４のデータ構造を示す。予測結果データ２１４には、計測ＩＤ２１１２ごとの予測結果２１４３が蓄積される。

なお、図６はＰＣ６００が所定の性能要件及び制約要件下で歩行態様を分析する処理フローを示すものであり、例えば営業時間外のように制約を受けない時間帯をあらかじめ設定しておき、当該時間帯に選択特徴量データ２１６に指定されていない特徴量についても算出し、異なるモデル（弱識別機）を用いるアンサンブルモデルによる分析を行うようにしてもよい。あるいは、他のデータ分析装置１００に計測データ２１１を転送し、制約のない状態で歩行態様の分析を行ってもよい。さらに、被計測者６２０の歩行態様を計測者６１０が診断可能な場合においては、計測者６１０が診断した被計測者６２０の歩行態様についての診断結果を教師データとして計測データ２１１あるいは計測データ２１１から算出した全特徴量データにタグ付けしておく。これにより、被計測者の計測データを学習データとしてモデルの再学習に用いることができる。

図６の処理フローの実行に先立って、分析設定データ２１３の定義を満たすよう、アンサンブルモデルの構築、算出する特徴量の選択が行われる。以下、その手順について説明する。

図１０は、アンサンブルモデルを構成するモデル（弱識別機）の評価フローである。図３に示すアンサンブルモデル３００の場合であれば、健常歩行モデル群３０１、第１の異常歩行モデル群３０２、第２の異常歩行モデル群３０３に含まれるモデル１～６のそれぞれに対して、図１０に示す評価フローを実行する。この評価フローは、各モデルに対する学習を実施するごとに行う。例えば、データ分析装置１００がモデルの学習を行う度に、図１０の評価フローを実行して評価結果をモデルとともに格納することが望ましい。

分析者１０００は、ユーザ入出力処理部２０１に対しモデル評価開始操作を行う（Ｓ１００１）。ユーザ入出力処理部２０１はまず、特徴量算出処理部２０３に特徴量算出要求を出す（Ｓ１００２）。特徴量算出処理部２０３は、ストレージ１０５に格納されている計測データ２１１の入力を受け（Ｓ１００３）、全特徴量データ２２０を算出する（Ｓ１００４）。計測データ２１１としては任意の計測データを用いればよく、例えばモデルの学習に用いた計測データを用いればよい。全特徴量データ２２０は、評価対象となるアンサンブルモデルの選択肢となるモデル（弱識別機）が使用する特徴量の全てを含む。全特徴量データ２２０が算出されると、ユーザ入出力処理部２０１はモデル評価部２０４にモデルの評価要求を出す（Ｓ１００５）。モデル評価部２０４は、全特徴量データ２２０の入力を受け（Ｓ１００６）、各モデルの評価を実行し、評価結果を含むモデルデータ２１５をストレージ１０５に格納する（Ｓ１００７）。図１１に、モデルデータ２１５のデータ構造を示す。

モデルＩＤ２１５１は、アンサンブルモデルを構成するモデル（弱識別機）を特定するＩＤである。アルゴリズム２１５２にはそれぞれのモデルで使用されているアルゴリズム、目的変数２１５３にはモデルの目的変数（例えば、図３の例であれば、健常歩行、異常歩行１、異常歩行２）、モデルデータ２１５４にはモデルのバイナリデータが格納されている。モデル評価部２０４が評価した結果は、処理速度２１５５、性能指標２１５６に格納される。処理速度２１５５は各モデルに特徴量が入力されてから、識別結果を出力するまでの時間を示す。また、性能指標２１５６には、アンサンブルモデルの性能要件を定義するために用いられている性能指標（分析設定データ２１３にあらわれる性能指標）ごとの評価結果が格納されている。

図１２は、アンサンブルモデルに使用するモデル（弱識別機）の選択及び算出する特徴量の選択フローである。図１２のフローは、実際の分析を行う情報処理装置、すなわち本実施例では図６の処理フローを実行するＰＣ６００で行うことが望ましい。情報処理装置の演算性能、状態によって特徴量の算出、モデルによる識別に要する時間は異なる。このため、実際の分析を行う情報処理装置でアンサンブルモデルの構築及び算出する特徴量の選択を行うことで、アンサンブルモデルの性能、制約の事前評価結果の信頼性を高めることができる。

分析者１０００は、ユーザ入出力処理部２０１に対しアンサンブルモデル作成操作を行う（Ｓ１２０１）。ユーザ入出力処理部２０１はアンサンブルモデル作成処理部２０７にアンサンブルモデル作成要求を出す（Ｓ１２０２）。アンサンブルモデル作成処理部２０７は、ストレージ１０５に格納されている分析設定データ２１３、計測データ２１１、モデルデータ２１５、ドメイン知識データ２１７の入力を受け（Ｓ１２０３～Ｓ１２０６）、所定の性能要件及び制約要件を満たすアンサンブルモデルを構成するモデルを特定するアンサンブルモデルデータ２１８と、当該アンサンブルモデルのために算出が必要な特徴量を指定する選択特徴量データ２１６とを作成し、ストレージ１０５に格納する（Ｓ１２０７～Ｓ１２０８）。

図１３に、アンサンブルモデル作成処理部２０７が実行するアンサンブルモデル決定フローを示す。まず、ＰＣ６００が使用される分析対象（被計測者層）についての選択を受ける（Ｓ１３０１）。入力された分析対象（被計測者層）と分析設定データ２１３とを照合することにより、アンサンブルモデルに求められる性能要件と制約要件とを得ることができる。

続いて、アンサンブルモデルに用いるモデル（弱識別機）候補を選択する（Ｓ１３０２）。ここでは、モデルデータ２１５に格納されている処理速度２１５５及び性能指標２１５６に基づき、アンサンブルモデルに用いる候補となるモデルを選択する。選択にあたっては、性能要件として指定された性能指標が最も高くなるように選択する。このとき、複数の候補を選択してもよい。

続いて、選択したモデル（弱識別機）候補を適用したアンサンブルモデルについて、実機による性能と分析時間とを評価する（Ｓ１３０３）。性能評価には、性能要件として指定された性能指標を算出する。評価する分析時間には、計測データから特徴量データを算出するのに要する時間と特徴量データからアンサンブルモデルによって分析を行うのに要する時間とを含む。ここでの特徴量データの算出時間は、候補とするモデルにより構成されるアンサンブルモデルによる分析に必要な特徴量を算出するのに必要な時間である。モデルデータ２１５に格納されている処理速度２１５５は、ＰＣ６００によって評価された処理速度とは限らないため、実際の計測データ２１１からＰＣ６００に分析を行わせることにより、より正確なアンサンブルモデルによって分析するのに要する時間を推定することができる。分析時間評価に用いる計測データは、モデルの学習に用いた計測データであってもよいし、ＰＣ６００が過去に計測を行った計測データであってもよく、任意の計測データを用いることができる。

実機による分析時間評価（Ｓ１３０３）が分析対象の時間制約２１３５（図４を参照）を満たしていれば（Ｓ１３０４でyes）、選択したモデル（弱識別機）を使用したアンサンブルモデルの性能情報をディスプレイ等に表示する（Ｓ１３０７）。複数の候補があれば、それぞれについて性能情報とともに表示する。分析者１０００は、性能情報を確認し、提示されたモデルの候補から、アンサンブルモデルに使用するモデル（弱識別機）を決定する（Ｓ１３０８）。

実機による分析時間評価（Ｓ１３０３）が分析対象の時間制約２１３５を満たしていない場合（Ｓ１３０４でno）、性能要件として指定された性能指標とＳ１３０３で評価した分析時間と制約要件である時間制約との乖離に基づき、性能要件として指定された性能指標がなるべく高くなるようにモデル候補を選択する（Ｓ１３０５）。

このとき、さらに特徴量の重要度とＳ１３０３で評価した分析時間と制約要件である時間制約との乖離に基づき、算出する特徴量を制限するように選択してもよい（Ｓ１３０６）。特徴量の重要度としては、分析アルゴリズム上の重要度と、分析結果の被計測者への説明における重要度の双方を考慮する。前者はモデルデータ２１５４のバイナリデータから判断することができ、後者はドメイン知識データ２１７から判断することができる。アンサンブルモデルを構成する少なくとも１つのモデルに対して、分析結果またはその説明への影響の小さな特徴量の算出を省く（この状態を「入力制限状態」と称する）ことにより、性能の低下を極力防止しながら、特徴量の算出に要する時間を削減することが期待できる。Ｓ１３０５，Ｓ１３０６においても複数の候補を選択することが可能である。

選択したモデル候補及び特徴量候補に基づき、再度実機による性能及び分析時間の評価を行い（Ｓ１３０３）、時間制約を満たすモデル候補及び特徴量候補が得られるまで、アンサンブルモデルを構成するモデル（弱識別機）の組み合わせや、特徴量の選択を変えながら、選択と実機によるアンサンブルモデル評価とを繰り返す。

図１４は、アンサンブルモデル作成処理部２０７が出力するアンサンブルモデルデータ２１８のデータ構造である。モデルデータ２１５として登録されているモデル（弱識別機）のそれぞれについて、アンサンブルモデルへの採用／否採用が登録されている。

図１５は、アンサンブルモデル作成処理部２０７が出力する選択特徴量データ２１６のデータ構造である。データ分析装置１００が算出可能な特徴量のそれぞれについて、アンサンブルモデルへの採用／否採用が登録されている。

以上、本発明者によってなされた発明を実施の形態に基づき具体的に説明したが、これに限定されるものではなく、その要旨を逸脱しない範囲で種々変更可能なものである。本実施例では被計測者の歩行態様の分析を行う歩行態様分析装置を例に説明したが、広くアンサンブルモデルを用いてデータ分析を行う装置、システム、方法、プログラムに適用可能なものである。

１００：データ分析装置、１０１：ＣＰＵ、１０２：入力Ｉ／Ｆ、１０３：出力Ｉ／Ｆ、１０４：メモリ、１０５：ストレージ、１０６：Ｉ／Ｏポート、１０７：内部バス、１１０：データ分析システム、１１１：センサ、２００：データ分析プログラム、２０１：ユーザ入出力処理部、２０２：データ計測処理部、２０３：特徴量算出処理部、２０４：モデル評価部、２０５：アンサンブル分析処理部、２０６：分析設定処理部、２０７：アンサンブルモデル作成処理部、２１０：データベースプログラム、２１１：計測データ、２１２：特徴量データ、２１３：分析設定データ、２１４：予測結果データ、２１５：モデルデータ、２１６：選択特徴量データ、２１７：ドメイン知識データ、２１８：アンサンブルモデルデータ、２２０：全特徴量データ、３００：アンサンブルモデル、３０１：健常歩行モデル群、３０２：第１の異常歩行モデル群、３０３：第２の異常歩行モデル群。

Claims (15)

1. 第１～第ｎのモデルによる推論を統合して推論を行うアンサンブルモデルを用いてデータ分析を行うデータ分析装置であって、
   プロセッサと、
   メモリと、
   ストレージと、
   前記メモリに読み込まれ、前記プロセッサにより実行されるデータ分析プログラムとを有し、
   前記ストレージは、それぞれ１以上のモデルを含む第１～第ｎのモデル群が登録されたモデルデータを格納し、アンサンブルモデルを構成する第ｉのモデル（１≦ｉ≦ｎ）は、前記モデルデータの第ｉのモデル群から選択され、前記第１～第ｎのモデル群の少なくとも１つのモデル群は複数のモデルを含んでおり、
   前記データ分析プログラムは、
   前記データ分析に対する性能要件と前記データ分析に要する時間に対する制約要件とを満たすアンサンブルモデルを構成可能な前記第１～第ｎのモデルの選択肢を、それぞれ前記第１～第ｎのモデル群から提示するアンサンブルモデル作成処理部と、
   提示された前記第１～第ｎのモデルの選択肢の選択を受けて、選択された前記第１～第ｎのモデルを使用したアンサンブルモデルによる推論を行うアンサンブル分析処理部とを有するデータ分析装置。
2. 請求項１において、
   前記ストレージは、複数の分析対象ごとの前記性能要件及び前記制約要件を設定する分析設定データを格納し、
   前記アンサンブルモデル作成処理部は、前記複数の分析対象のうち、前記データ分析が対象とする分析対象の前記性能要件及び前記制約要件を満たすアンサンブルモデルを構成可能な前記第１～第ｎのモデルの選択肢を提示するデータ分析装置。
3. 請求項２において、
   前記性能要件は、性能指標と前記性能指標の閾値とによって定義され、
   前記性能指標として、前記複数の分析対象に応じた指標が設定されるデータ分析装置。
4. 請求項２において、
   前記制約要件は、計測データから特徴量データを算出するのに要する時間と特徴量データからアンサンブルモデルを用いて前記データ分析を行うのに要する時間とを含む分析時間の上限として設けられているデータ分析装置。
5. 請求項４において、
   前記アンサンブルモデル作成処理部は、提示する前記第１～第ｎのモデルの選択肢のうち、少なくとも１つのモデルに入力する特徴量が選択された入力制限状態で推論を行うこととし、前記入力制限状態で前記性能要件及び前記制約要件を満たすアンサンブルモデルを構成可能な前記第１～第ｎのモデルの選択肢を提示するデータ分析装置。
6. 請求項５において、
   前記ストレージは、前記データ分析が対象とする分析対象における特徴量の重要性を示すドメイン知識データを有し、
   前記アンサンブルモデル作成処理部は、前記ドメイン知識データ及びモデルにおける当該特徴量の重要性に基づき、前記入力制限状態でのアンサンブルモデルに入力する特徴量を選択するデータ分析装置。
7. 請求項５において、
   前記アンサンブルモデル作成処理部は、提示された前記第１～第ｎのモデルの選択肢の選択を受けて、前記アンサンブル分析処理部が用いるアンサンブルモデルで使用する前記第１～第ｎのモデルを指定するアンサンブルモデルデータと、前記アンサンブル分析処理部が用いるアンサンブルモデルに入力する特徴量として選択された特徴量を指定する選択特徴量データを前記ストレージに格納するデータ分析装置。
8. 請求項７において、
   前記データ分析プログラムは、
   計測データから特徴量データを算出する特徴量算出処理部を有し、
   前記特徴量算出処理部は、前記選択特徴量データに指定される特徴量について、前記計測データから前記特徴量データを算出し、
   前記アンサンブル分析処理部は、前記アンサンブルモデルデータに指定された前記第１～第ｎのモデルを使用したアンサンブルモデルに、前記特徴量算出処理部が算出した前記特徴量データを入力して推論を行うデータ分析装置。
9. 請求項８において、
   前記特徴量算出処理部は、あらかじめ定められた時間帯において、前記選択特徴量データに指定されていない特徴量について、前記計測データから前記特徴量データを算出するデータ分析装置。
10. 請求項９において、
    前記計測データから前記特徴量算出処理部が算出した前記特徴量データを、前記ストレージに格納されているモデルの学習に用いるデータ分析装置。
11. 第１～第ｎのモデルによる推論を統合して推論を行うアンサンブルモデルを用いてデータ分析を行うデータ分析方法であって、
    それぞれ１以上のモデルを含む第１～第ｎのモデル群が登録されたモデルデータをあらかじめ記憶し、アンサンブルモデルを構成する第ｉのモデル（１≦ｉ≦ｎ）は、前記モデルデータの第ｉのモデル群から選択され、前記第１～第ｎのモデル群の少なくとも１つのモデル群は複数のモデルを含んでおり、
    前記データ分析に対する性能要件と前記データ分析に要する時間に対する制約要件とを満たすアンサンブルモデルを構成可能な前記第１～第ｎのモデルの選択肢を、それぞれ前記第１～第ｎのモデル群から提示し、
    提示された前記第１～第ｎのモデルの選択肢の選択を受けて、選択された前記第１～第ｎのモデルを使用したアンサンブルモデルによる推論を行うデータ分析方法。
12. 請求項１１において、
    提示する前記第１～第ｎのモデルの選択肢のうち、少なくとも１つのモデルに入力する特徴量が選択された入力制限状態で推論を行うこととし、前記入力制限状態で前記性能要件及び前記制約要件を満たすアンサンブルモデルを構成可能な前記第１～第ｎのモデルの選択肢を提示するデータ分析方法。
13. 請求項１２において、
    前記データ分析を行うアンサンブルモデルに入力する第１の特徴量について、計測データから第１の特徴量データを算出し、
    前記データ分析を行うアンサンブルモデルに、算出された前記第１の特徴量データを入力して推論を行うデータ分析方法。
14. 請求項１３において、
    あらかじめ定められた時間帯において、前記第１の特徴量以外の第２の特徴量について、前記計測データから第２の特徴量データを算出するデータ分析方法。
15. それぞれ１以上のモデルを含む第１～第ｎのモデル群が登録されたモデルデータを記憶した情報処理装置上で、第１～第ｎのモデルによる推論を統合して推論を行うアンサンブルモデルを用いてデータ分析を行うデータ分析プログラムであって、
    アンサンブルモデルを構成する第ｉのモデル（１≦ｉ≦ｎ）は、前記モデルデータの第ｉのモデル群から選択され、前記第１～第ｎのモデル群の少なくとも１つのモデル群は複数のモデルを含んでおり、
    前記データ分析に対する性能要件と前記データ分析に要する時間に対する制約要件とを満たすアンサンブルモデルを構成可能な前記第１～第ｎのモデルの選択肢を、それぞれ前記第１～第ｎのモデル群から提示する第１の工程と、
    提示された前記第１～第ｎのモデルの選択肢の選択を受けて、選択された前記第１～第ｎのモデルを使用したアンサンブルモデルによる推論を行う第２の工程とを有するデータ分析プログラム。

Images