JP7297240B2 - ユーザ状態推定装置 - Google Patents

Description

本発明は、ユーザ状態を推定するユーザ状態推定装置に関する。

注意機能の低下は、労働生産性の低下につながるため国際的な問題となっている。そこで、人の注意機能を定量的に計ることが考えられている。例えば、PVT・GoNoGoなどの認知機能テストを実施することが考えられている。この認知機能テストでは、注意機能を定量的に計測することが出来る。しかしながら、これらの認知機能テストの実施には数分必要であり、かつ経時的な変化を捉えるためには一日に複数回試験を実施する必要があった。そのため、ユーザの負担が大きい。したがって、自動で注意機能の高低を判断するシステムが有用である。

非特許文献１には、スマートフォンの画面点灯回数・点灯時間や睡眠時間などの特徴量に基づいて、機械学習モデルにより人の注意機能（PVT試験の応答速度）を推定することが記載されている。

Cognitive Rhythms: Unobtrusive and Continuous Sensing of AlertnessUsing a Mobile PhoneSaeedAbdullah, Elizabeth Murnane, Mark Matthews, Matthew Kay, Julie Kientz, GeriGay, Tanzeem Choudhury, Proceedings of the 2016 ACM International JointConference on Pervasive and Ubiquitous Computing. ACM, 2016.［平成31年5月15日検索］<http://pac.cs.cornell.edu/pubs/Ubicomp2016_CognitiveRhythms.pdf>

非特許文献１に記載の技術では、ユーザの注意機能を推定することが記載されているが、ユーザの他の状態を推定することについての記載はない。ユーザの注意機能などの一のユーザ状態と、他のユーザ状態、例えばストレスなどは、相互に関連性があるものである。したがって、非特許文献１に記載の技術では、他のユーザ状態を推定することができず、多面的な観点からユーザ状態を推定することができない。

そこで、上述の課題を解決するために、本発明は、複数のユーザ状態を推定することができるユーザ状態推定装置を提供することを目的とする。

本発明のユーザ状態推定装置は、ユーザが所持している情報処理装置から得られる入力値から第１ユーザ状態を推定するための第１一般推定モデルと、前記入力値から第２ユーザ状態を推定するための第２一般推定モデルと、前記第１一般推定モデルに前記入力値を入力して、第１ユーザ状態を推定させ、前記第２一般推定モデルに前記入力値を入力して、第２ユーザ状態を推定させる推定部と、を備える。

この発明によれば、複数のユーザ状態を推定することができる。したがって、多面的な観点からユーザ状態を推定することができる。

本発明によると、端末のログ情報に基づいて複数のユーザ状態を推定することができ、多面的な観点によるユーザ状態の把握を可能にする。

本実施形態の推定サーバ１００の機能を示すブロック図である。 推定サーバ１００における推定処理を模式的に説明する模式図である。 推定サーバ１００の動作を示すフローチャートである。 変形例における推定サーバ１００ａの機能構成を示すブロック図である。 変形例における注意機能およびストレスの推定処理を模式的に示した図である。 推定サーバ１００ａの動作を示すフローチャートである。 本開示の一実施の形態に係る推定サーバ１００のハードウェア構成の一例を示す図である。

添付図面を参照しながら本発明の実施形態を説明する。同一の部分には同一の符号を付して、重複する説明を省略することがある。

図１は、本実施形態の推定サーバ１００の機能を示すブロック図である。図１に示されるように、推定サーバ１００は、通信端末２００のユーザのユーザ状態を推定するためのユーザ状態推定装置であって、通信端末２００において取得された端末ログ（動きログおよび操作ログ）から、当該通信端末２００を所持するユーザのユーザ状態（ストレスおよび注意機能の程度）を推定する。以降の説明において、ユーザ状態、ストレスおよび注意機能を推定することとは、それぞれの程度を推定することを意味する。

推定サーバ１００は、ログ取得部１０１，推定部１０２、提示部１０３、ログＤＢ１０４、第１一般推定モデル１０５、第２一般推定モデル１０６、第１専用推定モデル１０７、および第２専用推定モデル１０８を含んで構成される。

ログ取得部１０１は、通信端末２００から端末ログを取得する。ログ取得部１０１は、通信端末２００において端末ログに基づいた特徴量が生成された場合、当該特徴量を取得してもよい。また、ログ取得部１０１が、端末ログを取得した場合には、当該端末ログに基づいて特徴量を生成してもよい。

これら生成された（取得された）特徴量は、ユーザの注意機能およびストレスを推定するのに適した情報である。特徴量は、推定処理の演算を容易にするために、端末ログの数値が演算処理やクラスタリングによって、調整された数値であり、例えば、センサ値の平均値、標準偏差、最大値、最小値、最大最小差、軸ペアの相関係数、総移動距離、画面オン回数、アプリ起動回数、時間帯ＷＩＦＩ接続オン率、観測ＷＩＦＩアクセスポント数である。そのほか、加速度センサのセンサ値であれば、３軸のうち２軸の値系列のPearson相関係数、または３軸の二乗和の平方根（信号パワー）などを特徴量として算出する。ほか、角速度、傾き、加速度（重力成分除去）のセンサ値を用いて同様に特徴量を算出してもよい。

なお、以降、端末ログに基づいた推定処理およびモデル構築処理を行う態様について説明しているが、端末ログから生成された特徴量に基づいて推定処理およびモデル構築処理をしてもよい。

推定部１０２は、ログ取得部１０１により取得された端末ログを、第１一般推定モデル１０５、第２一般推定モデル１０６、第１専用推定モデル１０７、および第２専用推定モデル１０８の全てまたはその一部に入力して、ユーザの注意機能およびストレスのそれぞれの程度を推定させ、推定結果を表すスコアを取得する。

提示部１０３は、推定部１０２が取得したユーザの注意機能およびストレスのそれぞれの推定結果を表すスコアを、当該ユーザまたは他のオペレータ等に提示する。提示は、ディスプレイなどへの表示、またはネットワークを介した他の端末への出力により、実現される。

ログＤＢ（ログデータベース）１０４は、ログ取得部１０１により取得された端末ログを記録する。端末ログは、各センサ値および操作履歴と、当該各センサ値および操作履歴の生じた時間とを対応させた情報である。センサ値は、加速度センサ、角速度センサ、傾きセンサなどによるセンサ値である。操作履歴は、アプリ起動履歴などである。時間帯ＷＩＦＩ接続オンを示す情報、観測ＷＩＦＩアクセス先の履歴なども、センサ値である。

第１一般推定モデル１０５は、端末ログからユーザのストレスの程度を推定する。第１一般推定モデル１０５は、ユーザごとに測定したＬＦ／ＨＦ（ストレスを示す値）を教師信号（目的変数）とし、そのときに所持された通信端末２００の端末ログを説明変数として、構築される。ＬＦ／ＨＦとは、ユーザの心拍間隔（ＲＲＩデータ）に基づく周波数領域（フーリエ変換することで得られる周波数領域）の低周波（低周波成分ＬＦ）と高周波（高周波成分ＨＦ）とに基づく値である。

第２一般推定モデル１０６は、端末ログからユーザの注意機能を推定する。第２一般推定モデル１０６は、ユーザごとにＧｏＮｏＧｏ試験の試験結果（注意機能推定のための試験）を教師信号（目的変数）とし、そのときにユーザに所持された通信端末２００の端末ログを説明変数として、構築される。

第１専用推定モデル１０７は、端末ログからユーザのストレスを推定する。なお、第１専用推定モデル１０７は、推定部１０２により注意機能が高いと推定された場合に（注意機能を示すスコアが所定値以上である場合）、選択される。第１専用推定モデル１０７は、ユーザごとにＧｏＮｏＧｏ試験の試験結果およびＬＦ／ＨＦの値（注意機能の試験結果およびストレスを示す値のうち、注意機能が高いときにおけるストレスの値）を教師信号（目的変数）とし、そのときにユーザに所持された通信端末２００の端末ログを説明変数として、構築される。

第２専用推定モデル１０８は、端末ログからユーザのストレスを推定する。なお、第２専用推定モデル１０８は、推定部１０２により注意機能が低いと推定された場合に（注意機能を示すスコアが所定値未満である場合）、選択される。第２専用推定モデル１０８は、ユーザごとにＧｏＮｏＧｏ試験の試験結果およびＬＦ／ＨＦの値（注意機能の試験結果およびストレスを示す値のうち、注意機能が低いときにおけるストレスの値）を教師信号（目的変数）とし、そのときにユーザに所持された通信端末２００の端末ログを説明変数として、構築される。

上述各推定モデルは、例えば、通信端末を所持したユーザのＧｏＮｏＧｏ試験の試験結果と、端末ログに基づいて事前に機械学習によって構築される。各推定モデルは、通信端末２００における所定時間帯の端末ログと、この端末ログの取得時間と時間帯を合わせて取得された試験結果とで構築してもよいが、通信端末２００における端末ログと異なる時間帯に取得された試験結果によって構築してもよい。例えば、当日０－６時の端末ログを、同時間に行った注意機能スコアまたはストレスのスコアと紐付けて構築してもよく、または、当日１２時に行った注意機能スコアまたはストレスのスコアと紐付けて構築してもよい。

以降の説明において、推定部１０２が推定モデルを用いてストレスまたは注意機能のスコアを推定することは、推定部１０２が、端末ログを推定モデルに入力し、推定モデルからの出力値を得ることにより、ストレスまたは注意機能のスコアを推定する動作を意味する。推定部１０２が推定モデルを適用する、または利用する、も同様である。

つぎに、通信端末２００について説明する。図１に示されるとおり、通信端末２００は、端末ログＤＢ２０１を備えている。端末ログＤＢ２０１は、通信端末２００の端末ログを記録している。端末ログは、加速度センサやジャイロなどのセンサを用いて通信端末２００の挙動・姿勢などを検出することにより得られる動きログと、ユーザが通信端末２００を操作することにより得られる操作ログとからなる。

通信端末２００の通信部（図示せず）は、端末ログＤＢ２０１に記録されている端末ログを所定のタイミング、通信端末２００の操作または推定サーバ１００からの要求に基づいて、推定サーバ１００に送信する。

つぎに、このように構成された推定サーバ１００における推定処理を模式的に説明する。図２は、推定処理の模式図を示す。通信端末２００において取得された端末ログが、それぞれ第１一般推定モデル１０５、第２一般推定モデル１０６に入力される。第１一般推定モデル１０５からは、ストレスの程度を表すスコアが出力され、第２一般推定モデル１０６からは、注意機能を表すスコアが出力される。

注意機能を表すスコアに基づいて、第１専用推定モデル１０７または第２専用推定モデル１０８のいずれかが選択される。すなわち、当該スコアが高い場合（所定値以上）、第１専用推定モデル１０７が選択される。スコアが低い場合（所定値未満）、第２専用推定モデル１０８が選択される。

そして、第１専用推定モデル１０７または第２専用推定モデル１０８のうち選択された専用推定モデルと、第１一般推定モデル１０５とに、端末ログが再度入力され、それぞれの推定モデルからストレスを表すスコアが出力される。これらスコアを所定の計算式に適用することで、統合され、ストレスを表す真スコアが算出される。

例えば、推定部１０２は、第２一般推定モデル１０６からの注意機能のスコアが０．５以上のときは第１専用推定モデル１０７と第１一般推定モデル１０５とから出力されるそれぞれのストレスのスコアの平均値を算出することで、ストレスを表す真スコアを算出する。また、推定部１０２は、注意機能のスコアが０．５未満のときは第２専用推定モデル１０８と第１一般推定モデル１０５とのそれぞれのストレスのスコアの平均値を算出することで、ストレスを表す真スコアを算出する。

また、以下説明するとおり、別のスコアの算出方法も考えられる。ここでは、ストレスを表す真スコアＸ’とし、注意機能を表すスコアＹとし、第１専用推定モデル１０７から出力されるストレスを表すスコアＸ１とし、第２専用推定モデル１０８から出力されるストレスを表すスコアＸ２とし、第１一般推定モデルから出力されるストレスを表すスコアＸとする。この場合、
Ｙ≧０．５のとき、
ストレスのスコアＸ’（真スコア）＝注意機能のスコアＹ＊ストレスのスコアＸ１+ (１－注意機能のスコアＹ)＊ストレスのスコアＸ
Ｙ＜０．５のとき、
ストレスのスコアＸ’（真スコア）＝（１－注意機能のスコアＹ）＊ストレスのスコアＸ２+ 注意機能のスコアＹ＊ストレスのスコアＸ
としてもよい。

これら別のスコアの算出方法の技術的意義は以下の通りである。すなわち、この算出方法においては、注意機能のスコア（＝確信度）に基づいて流動的にモデルを使い分けることができる。例えば、注意機能のスコアが０．８（＝注意機能が高い確信度が高い）ときは、注意機能が高い前提でのストレス推定結果（ストレススコアＸ１）の重みを大きくしたほうがよいと考えられる。一方、注意機能のスコアが０．５（＝注意機能が高いか低いかほぼ分からない）ときは、注意機能とは独立の、一般的なモデルでのストレス推定結果（ストレススコアＸ）の重みを大きくしたほうがよいと考えられる。

上述したとおり、注意機能のスコアに応じて、専用推定モデルを変えて、ストレスを算出することにより、より正確なストレスのスコアを算出することができる。一般的に、注意機能とストレスとは、相互に関連性があると知られてきている。したがって、注意機能に応じてストレスの生成モデル（または手法）を変えることで、正確なストレスのスコア算出を可能にする。

つぎに、推定サーバ１００の動作について説明する。図３は、推定サーバ１００の動作を示すフローチャートである。推定部１０２は、端末ログを第２一般推定モデル１０６に入力する。第２一般推定モデル１０６は入力された端末ログから、注意機能のスコアＹを推定し（Ｓ１０１）、推定部１０２に送る。推定部１０２は、当該スコアＹを出力する（Ｓ１０２）。

推定部１０２は、スコアＹの値に基づいて第１専用推定モデル１０７または第２専用推定モデル１０８のいずれかを選択する（Ｓ１０３）。推定部１０２は、選択した専用推定モデルおよび第１一般推定モデル１０５に端末ログを入力して、専用推定モデルおよび第１一般推定モデル１０５により推定されたストレスを表すスコアＸ１（またはスコアＸ２）およびスコアＸを取得する（Ｓ１０４）。

推定部１０２は、スコアＸ１（またはスコアＸ２）およびスコアＸを統合して、真スコアＸ’を算出する（Ｓ１０５）。推定部１０２は、算出した真スコアＸ’を提示部１０３に送り、出力させる（Ｓ１０６）。提示部１０３は、この真スコアＸ’の提示処理を行う。なお、Ｓ１０５においては、スコアＹを考慮した統合処理を行ってもよい。

つぎに、変形例について説明する。図４は、変形例における推定サーバ１００ａの機能構成を示すブロック図である。この推定サーバ１００ａは、推定サーバ１００の機能構成に加えて、第３専用推定モデル１０９および第４専用推定モデル１１０を備えている。

第３専用推定モデル１０９は、通信端末２００の端末ログからユーザの注意機能を推定するための推定モデルである。

なお、第３専用推定モデル１０９は、推定部１０２ａによりストレスが高いと推定された場合に（ストレスを示すスコアが所定値以上である場合）、適用される推定モデルである。第３専用推定モデル１０９は、ユーザごとにＧｏＮｏＧｏ試験の試験結果およびＬＦ／ＨＦの値（注意機能の試験結果およびストレスを示す値のうち、ストレスが高いときにおける注意機能の値）を教師信号（目的変数）とし、そのときに所持された通信端末２００の端末ログを説明変数として、構築される。ほかのモデルの構築方法は上述の実施形態と同様である。

第４専用推定モデル１１０は、端末ログからユーザの注意機能を推定するための推定モデルである。

なお、第４専用推定モデル１１０は、推定部１０２ａによりストレスが低いと推定された場合に（ストレスを示すスコアが所定値未満である場合）、適用される推定モデルである。第４専用推定モデル１１０は、ユーザごとにＧｏＮｏＧｏ試験の試験結果およびＬＦ／ＨＦの値（注意機能の試験結果およびストレスを示す値のうち、ストレスが低いときにおける注意機能の値）を教師信号（目的変数）とし、そのときにユーザに所持された通信端末２００の端末ログを説明変数として、構築される。ほかのモデルの構築方法は上述の実施形態と同様である。

図５は、変形例における注意機能およびストレスの推定処理を模式的に示した図である。この変形例においては、推定サーバ１００ａは、推定サーバ１００における専用推定モデルを利用したストレスを推定する機能に加えて、注意機能を推定するための専用推定モデルを用いて注意機能を推定する機能を備える。

より詳細には、推定サーバ１００ａは、以下の処理を行う。推定サーバ１００ａにおいて推定部１０２ａは、端末ログから、第１一般推定モデル１０５を用いて、ユーザのストレスを推定する。

さらに推定部１０２ａは、推定したストレスを表すスコアに基づいて、第３専用推定モデル１０９または第４専用推定モデル１１０のいずれの推定モデルを適用するか、選択する。例えば、推定部１０２ａは、ストレスを表すスコアが所定値以上である場合には、第３専用推定モデル１０９を選択する。推定部１０２ａは、ストレスを表すスコアが所定値未満である場合には、第４専用推定モデル１１０を選択する。

推定部１０２ａは、選択した専用推定モデルからのスコアおよび第２一般推定モデル１０６からのスコアを統合することにより注意機能を推定する。

つぎに、本実施形態の推定サーバ１００ａの動作について説明する。図６は、推定サーバ１００ａの動作を示すフローチャートである。推定部１０２ａは、注意機能のスコアＹおよびストレスのスコアＸを、第１一般推定モデル１０５および第２一般推定モデル１０６を利用して推定し（Ｓ２０１）、出力する（Ｓ２０２）。

推定部１０２ａは、スコアＹに基づいて、ストレス推定のための専用推定モデルを選択する（Ｓ２０３）。そして、推定部１０２ａは、選択した専用推定モデルおよび一般推定モデルを用いてストレスを推定する（Ｓ２０４）。推定部１０２ａは、それぞれのモデルから推定した各ストレスを統合して、ストレスの真スコアＸ’を推定する（Ｓ２０５）。統合処理の具体例は、図２および図３において説明した通りである。推定部１０２ａは、ストレスの真スコアＸ’を出力する（Ｓ２０６）。

また、注意機能推定も同様である。推定部１０２ａは、スコアＸに基づいて、注意機能推定のための専用推定モデルを選択する（Ｓ２０７）。そして、推定部１０２ａは、選択した専用推定モデルおよび一般推定モデルを用いて注意機能を推定する（Ｓ２０８）。推定部１０２ａは、それぞれのモデルから推定した各注意機能を統合して、注意機能の真スコアＹ’を推定する（Ｓ２０９）。統合処理の具体例は、図２および図３において説明した通りである。推定部１０２ａは、注意機能の真スコアＹ’を出力する（Ｓ２１０）。

このような処理により、ストレスの真スコアＸ’および注意機能の真スコアＹ’を推定することができる。いずれも、ストレス、注意機能の相互作用を考慮した推定結果であり、その推定精度は高いものとなる。

上述実施形態およびその変形例の説明では、動きログおよび操作ログの両方を端末ログとして扱っているが、ストレスまたは注意機能の高低に応じて、推定部１０２（１０２ａ）は、動きログを専用推定モデルに入力するか、操作ログを専用推定モデルに入力するか、判断してもよい。

例えば、上記変形例において、推定部１０２ａは、第１一般推定モデル１０５から出力されるストレスのスコアに応じて、第２一般推定モデル１０６、第３専用推定モデル１０９、および第４専用推定モデル１１０に入力する端末ログとして、動きログまたは操作ログのいずれかを採用してもよい。一般的に、ユーザのストレスが高いときには、ユーザによる通信端末２００の操作が減少する傾向にあるため、動きログを用いて注意機能を推定することが効果的である。逆に、ストレスが低いときには、ユーザによる通信端末２００の操作が増加する傾向にあるため、操作ログを用いて注意機能を推定することが効果的である。

これはストレスを推定する場合にも同様に適用することができる。すなわち、推定部１０２ａは、第２一般推定モデル１０６から出力される注意機能のスコアに応じて、第１一般推定モデル１０５、第１専用推定モデル１０７、および第２専用推定モデル１０８に入力する端末ログとして、動きログまたは操作ログのいずれかを採用してもよい。ここでは、注意機能が低い場合には、ユーザによる通信端末２００の操作が減少する傾向にあるため、動きログでストレスを推定することが効果的である。逆に、注意機能が高い場合には、ユーザによる通信端末２００の操作が増加する傾向にあるため、操作ログでストレスを推定することが効果的である。

つぎに、本実施形態の推定サーバ１００およびその変形例における推定サーバ１００ａの作用効果について説明する。

本実施形態の推定サーバ１００は、ユーザが所持している情報処理装置である通信端末２００から得られる入力値である端末ログ（またはその特徴量）から第１ユーザ状態であるストレスを推定するための第１一般推定モデル１０５と、端末ログから第２ユーザ状態である注意機能を推定するための第２一般推定モデル１０６とを備える。そして、推定部１０２は、第１一般推定モデル１０５に端末ログを入力し、端末ログからストレスを推定させ、第２一般推定モデル１０６に端末ログを入力し、端末ログから注意機能を推定する。図２においては、推定した注意機能の高低に応じた、ストレスを推定するために専用推定モデルを利用しているが、その専用推定モデルは必ずしも必須の構成ではない。

この推定サーバ１００によれば、端末ログからストレスおよび注意機能の両方を推定することができる。したがって、多面的な観点によるユーザ状態の把握を可能にする。例えば、注意機能が高いときにおけるストレスが高いというユーザ状態は、ほどよい緊張感をもって注意機能が高い（ある物事に集中している）状態であることが分かる。したがって、ユーザにとってストレスが高いことが必ずしも負のユーザ状態を示すものではないことが分かる。

また、本実施形態の推定サーバ１００は、さらに推定された注意機能に応じて選択される一または複数の専用推定モデル（第１専用推定モデル１０７および第２専用推定モデル１０８）をさらに備える。そして、推定部１０２は、端末ログを、当該注意機能に応じた専用推定モデルに入力して、新たな第１ユーザ状態を示すストレス（ストレスの真スコア）を推定させる。

上述図２においては、第１一般推定モデル１０５をも考慮した推定を行っているが、必ずしも第１一般推定モデル１０５を考慮する必要は無い。

これにより、より精度の高いストレスを推定することができる。近年、ストレスと注意機能とは、相互に関連性があることが知られてきている。例えば、適度なストレスはユーザの注意機能を高める場合がある。よって、このような相互作用のある状態に基づいてユーザ状態（ストレスまたは注意機能）を推定することは効果的である。

また、本実施形態の推定サーバ１００において、推定部１０２は、第１専用推定モデル１０７若しくは第２専用推定モデル１０８、並びに第１一般推定モデル１０５を用いた推定処理を行う。

この実施形態においては、第１一般推定モデル１０５をも考慮することで、ストレス推定の精度向上を可能にする。

より詳細においては、専用推定モデルは、第１専用推定モデル１０７、および第２専用推定モデル１０８を含む。そして、推定部１０２は、注意機能が閾値以上であれば、第１専用推定モデル１０７を用いた推定処理を行い、注意機能が閾値未満であれば、第２専用推定モデル１０８を用いた推定処理を行う。

本実施形態においては、各推定モデルに入力される入力値として通信端末２００から得られる端末ログとする。そして、第１ユーザ状態および前記第２ユーザ状態を、通信端末２００を所持するユーザのストレスを表すスコアおよび当該ユーザの注意機能を表すスコアとする。なお、上述実施形態の説明では、注意機能の高低に応じて選択された専用推定モデルを用いてストレスをさらに推定する処理を示したが、ストレスの高低に応じて選択された専用推定モデルを用いて、注意機能を推定してもよい。

また、変形例の推定サーバ１００ａに示されるように、ストレスに応じた専用推定モデルを用いた注意機能を推定する機能および注意機能に応じた専用推定モデルを用いたストレスを推定する機能の両方を備えてもよい。

また、本実施形態においては、第１一般推定モデル１０５および第２一般推定モデル１０６を用いて、ストレスおよび注意機能の両方を推定することを前提したものであるが、これに限らず、ストレスの高低に応じて選択された専用推定モデルを用いて注意機能を推定する、または注意機能の高低に応じて選択された専用推定モデルを用いてストレスを推定する装置としてもよい。

例えば、推定サーバ１００は、ユーザが所持している通信端末２００から得られる端末ログから、注意機能を推定する第２一般推定モデル１０６と、注意機能に応じて選択される一または複数の専用推定モデル（第１専用推定モデル１０７および第２専用推定モデル１０８）とを備える。

そして、推定部１０２は、第２一般推定モデル１０６に基づいて、端末ログから注意機能を推定し、注意機能に応じて、端末ログを第１専用推定モデル１０７または第２専用推定モデル１０８のいずれかに適用してストレスを推定する。

この例示においては、第１一般推定モデル１０５は必要なく、ストレスおよび注意機能の両方を推定することができる。

なお、上記では、注意機能の高低に応じて選択された専用推定モデルを用いてストレスを推定する説明をしたが、ストレスの高低に応じて選択された専用推定モデルを用いて注意機能を推定してもよい。その場合、第２一般推定モデル１０６が不要となり、その代わりに第１一般推定モデル１０５が必須の構成となる。

また、端末ログは、通信端末２００の状態を表す第１入力値である動きログおよび第２入力値である操作ログとする。

そして、推定部１０２は、注意機能に応じて専用推定モデルを選択するとともに、動きログおよび操作ログのいずれかを選択し、選択された動きログまたは操作ログを専用推定モデルに適用することで、ユーザのストレスを推定してもよい。

上述実施形態および変形例において、推定サーバ１００（または１００ａ）が各推定モデルを記憶しているが、通信端末２００が事前に構築された推定モデルを記憶し、通信端末２００がユーザ状態推定装置として機能して、端末ログに基づいてユーザ状態（ストレスおよび注意機能）を推定してもよい。

上記実施形態の説明に用いたブロック図は、機能単位のブロックを示している。これらの機能ブロック（構成部）は、ハードウェア及びソフトウェアの少なくとも一方の任意の組み合わせによって実現される。また、各機能ブロックの実現方法は特に限定されない。すなわち、各機能ブロックは、物理的又は論理的に結合した１つの装置を用いて実現されてもよいし、物理的又は論理的に分離した２つ以上の装置を直接的又は間接的に（例えば、有線、無線などを用いて）接続し、これら複数の装置を用いて実現されてもよい。機能ブロックは、上記１つの装置又は上記複数の装置にソフトウェアを組み合わせて実現されてもよい。

機能には、判断、決定、判定、計算、算出、処理、導出、調査、探索、確認、受信、送信、出力、アクセス、解決、選択、選定、確立、比較、想定、期待、見做し、報知（broadcasting）、通知（notifying）、通信（communicating）、転送（forwarding）、構成（configuring）、再構成（reconfiguring）、割り当て（allocating、mapping）、割り振り（assigning）などがあるが、これらに限られない。たとえば、送信を機能させる機能ブロック（構成部）は、送信部（transmitting unit）や送信機（transmitter）と呼称される。いずれも、上述したとおり、実現方法は特に限定されない。

例えば、本開示の一実施の形態における推定サーバ１００および推定サーバ１００ａなどは、本開示のユーザ状態推定方法の処理を行うコンピュータとして機能してもよい。図７は、本開示の一実施の形態に係る推定サーバ１００のハードウェア構成の一例を示す図である。上述の推定サーバ１００は、物理的には、プロセッサ１００１、メモリ１００２、ストレージ１００３、通信装置１００４、入力装置１００５、出力装置１００６、バス１００７などを含むコンピュータ装置として構成されてもよい。

推定サーバ１００における各機能は、プロセッサ１００１、メモリ１００２などのハードウェア上に所定のソフトウェア（プログラム）を読み込ませることによって、プロセッサ１００１が演算を行い、通信装置１００４による通信を制御したり、メモリ１００２及びストレージ１００３におけるデータの読み出し及び書き込みの少なくとも一方を制御したりすることによって実現される。

本開示において説明した各態様／実施形態の処理手順、シーケンス、フローチャートなどは、矛盾の無い限り、順序を入れ替えてもよい。例えば、本開示において説明した方法については、例示的な順序を用いて様々なステップの要素を提示しており、提示した特定の順序に限定されない。

以上、本開示について詳細に説明したが、当業者にとっては、本開示が本開示中に説明した実施形態に限定されるものではないということは明らかである。本開示は、請求の範囲の記載により定まる本開示の趣旨及び範囲を逸脱することなく修正及び変更態様として実施することができる。したがって、本開示の記載は、例示説明を目的とするものであり、本開示に対して何ら制限的な意味を有するものではない。

本開示において使用する「に基づいて」という記載は、別段に明記されていない限り、「のみに基づいて」を意味しない。言い換えれば、「に基づいて」という記載は、「のみに基づいて」と「に少なくとも基づいて」の両方を意味する。

本開示において使用する「第１の」、「第２の」などの呼称を使用した要素へのいかなる参照も、それらの要素の量又は順序を全般的に限定しない。これらの呼称は、２つ以上の要素間を区別する便利な方法として本開示において使用され得る。したがって、第１及び第２の要素への参照は、２つの要素のみが採用され得ること、又は何らかの形で第１の要素が第２の要素に先行しなければならないことを意味しない。

本開示において、例えば、英語でのa, an及びtheのように、翻訳により冠詞が追加された場合、本開示は、これらの冠詞の後に続く名詞が複数形であることを含んでもよい。

１００、１００ａ…推定サーバ、１０１…ログ取得部、１０２、１０２ａ…推定部、１０３…提示部、１０４…ログＤＢ、１０５…第１一般推定モデル、１０６…第２一般推定モデル、１０７…第１専用推定モデル、１０８…第２専用推定モデル、１０９…第３専用推定モデル、１１０…第４専用推定モデル、２００…通信端末、２０１…端末ログＤＢ。

Claims (8)

1. ユーザが所持している情報処理装置から得られる入力値から第１ユーザ状態を推定するための第１一般推定モデルと、
   前記入力値から第２ユーザ状態を推定するための第２一般推定モデルと、
   前記第１一般推定モデルに前記入力値を入力して、第１ユーザ状態を推定させ、前記第２一般推定モデルに前記入力値を入力して、第２ユーザ状態を推定させる推定部と、
   前記第２ユーザ状態に応じて選択される一または複数の専用推定モデルと、
   を備え、
   前記第１一般推定モデルは、ユーザごとに測定した第１ユーザ状態を目的変数とし、そのときに所持された学習用情報処理装置の端末ログを説明変数として学習された機械学習モデルであり、
   前記第２一般推定モデルは、第２ユーザ状態を目的変数とし、そのときに所持された学習用情報処理装置の端末ログを説明変数として学習された機械学習モデルであり、
   前記推定部は、
   前記第２ユーザ状態に応じた専用推定モデルを選択して、前記入力値を、選択された専用推定モデルに入力して、新たな第１ユーザ状態を推定させる、
   ユーザ状態推定装置。
2. 前記推定部は、前記選択された専用推定モデルから出力される第１ユーザ状態および前記第１一般推定モデルから出力される第１ユーザ状態を統合したユーザ状態を、新たな第１ユーザ状態として推定する、
   請求項１に記載のユーザ状態推定装置。
3. 前記専用推定モデルは、
   第１専用推定モデル、および第２専用推定モデルを含み、
   前記推定部は、
   前記第２ユーザ状態が閾値以上であるときに、前記第１専用推定モデルに前記入力値を入力し、
   前記第２ユーザ状態が閾値未満であるときに前記第２専用推定モデルに前記入力値を入力して、推定処理を行わせる、
   請求項１または２に記載のユーザ状態推定装置。
4. ユーザが所持している情報処理装置から得られる入力値から第２ユーザ状態を推定するための一般推定モデルと、
   前記第２ユーザ状態に応じて選択される一または複数の専用推定モデルと、
   前記一般推定モデルに前記入力値を入力して、前記入力値から前記第２ユーザ状態を推定させ、前記第２ユーザ状態に応じて、前記専用推定モデルを選択し、選択した前記専用推定モデルに前記入力値を入力して第１ユーザ状態を推定させる推定部と、
   を備え、
   前記一般推定モデルは、ユーザごとに測定した第２ユーザ状態を目的変数とし、そのときに所持された学習用情報処理装置の端末ログを説明変数として学習された機械学習モデルである、
   ユーザ状態推定装置。
5. 前記入力値は、前記情報処理装置から得られる端末ログであり、
   前記第１ユーザ状態および前記第２ユーザ状態は、前記情報処理装置を所持するユーザのストレスを表すスコアおよび当該ユーザの注意機能を表すスコアである、
   請求項１～４のいずれか一項に記載のユーザ状態推定装置。
6. 前記入力値は、前記情報処理装置の状態を表す第１入力値および第２入力値であり、
   前記推定部は、前記第２ユーザ状態に応じて専用推定モデルを選択するとともに、前記第１入力値および前記第２入力値のいずれかを選択し、前記専用推定モデルに、選択された前記第１入力値または前記第２入力値を入力することで、前記新たな第１ユーザ状態を推定させる、
   請求項１～３のいずれか一項に記載のユーザ状態推定装置。
7. 前記入力値は、前記情報処理装置の状態を表す第１入力値および第２入力値であり、
   前記推定部は、前記第２ユーザ状態に応じて専用推定モデルを選択するとともに、前記第１入力値および前記第２入力値のいずれかを選択し、前記専用推定モデルに、選択された前記第１入力値または前記第２入力値を入力することで、前記第１ユーザ状態を推定させる、
   請求項４に記載のユーザ状態推定装置。
8. 前記第１入力値は、端末ログのうち前記情報処理装置の動きを示す動きログであり、
   前記第２入力値は、端末ログのうち前記情報処理装置に対するユーザの操作を示す操作ログである、
   請求項６または７に記載のユーザ状態推定装置。
   

Images