JP7351078B2 - 習慣改善装置、方法及びプログラム - Google Patents
習慣改善装置、方法及びプログラム Download PDFInfo
- Publication number
- JP7351078B2 JP7351078B2 JP2018214027A JP2018214027A JP7351078B2 JP 7351078 B2 JP7351078 B2 JP 7351078B2 JP 2018214027 A JP2018214027 A JP 2018214027A JP 2018214027 A JP2018214027 A JP 2018214027A JP 7351078 B2 JP7351078 B2 JP 7351078B2
- Authority
- JP
- Japan
- Prior art keywords
- user
- pattern
- information
- activity
- amount
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000006872 improvement Effects 0.000 title claims description 124
- 238000000034 method Methods 0.000 title claims description 71
- 230000000694 effects Effects 0.000 claims description 297
- 238000009826 distribution Methods 0.000 claims description 268
- 238000004364 calculation method Methods 0.000 claims description 117
- 238000003860 storage Methods 0.000 claims description 46
- 239000013598 vector Substances 0.000 claims description 30
- 230000008859 change Effects 0.000 claims description 19
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 3
- 230000007812 deficiency Effects 0.000 claims 1
- 238000004891 communication Methods 0.000 description 30
- 230000001133 acceleration Effects 0.000 description 17
- 238000012545 processing Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 12
- 230000002354 daily effect Effects 0.000 description 10
- 230000009471 action Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000036541 health Effects 0.000 description 7
- 235000012054 meals Nutrition 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 230000004060 metabolic process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000002618 waking effect Effects 0.000 description 4
- 235000021167 banquet Nutrition 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000035622 drinking Effects 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000037081 physical activity Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C22/00—Measuring distance traversed on the ground by vehicles, persons, animals or other moving solid bodies, e.g. using odometers, using pedometers
- G01C22/006—Pedometers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
Description
すなわち、本開示の第1の側面に係る習慣改善装置によれば、従来の技術のように単なる活動量の平均値だけに基づいて判定するのではなく、活動量のパタンがグループ分けされることで、現在の分布パタンが普段のパタンと比較して異常であることを発見し、異なる目標設定が必要となることをユーザに知らせ、さらにこの目標設定のためのアドバイス情報も提示することができる。
まず、図1を用いて、本発明の習慣改善装置の概要について説明する。図1は、概要の一例に係る習慣改善装置100、活動量計110、腕時計型ウェアラブル端末120、サーバ130、ネットワーク140、及びGPS衛星150を模式的に例示している。活動量計110は、ユーザが所持する(または身に付ける)ことによってユーザの活動量を計測し、例えば、加速度センサ及び/または気圧センサを使用して、人体の動きや姿勢の変化を検出しユーザの様々な活動を識別して活動量を算出する。
(ハードウェア構成)
<習慣改善装置>
次に、図2を用いて、本実施形態に係る習慣改善装置100のハードウェア構成の一例について説明する。
図2に示される通り、本実施形態に係る習慣改善装置100は、通信インタフェース201、記憶部202、入力装置203、出力装置204、制御部205、計時装置206、電源部207、GPS受信部208、及び外部インタフェース209が電気的に接続されたコンピュータを備えている。本実施形態に係る習慣改善装置100は、本発明の「習慣改善装置」に相当する。なお、図2では、通信インタフェース及び外部インタフェースをそれぞれ、「通信I/F」及び「外部I/F」と記載している。
<習慣改善装置100 生活習慣改善案提示>
次に、図3を用いて、本実施形態に係る習慣改善装置100のソフトウェア構成の一例を説明する。図3は、習慣改善装置100の制御部205で実行される、ユーザの活動量に基づいて算出した分布パタンをグループに分類しグループごとに目標パタンを算出し目標パタンと現在の分布パタンに基づいてユーザにアドバイス情報を提示するためのプログラムを実行するためのソフトウェア構成を示す。
習慣改善装置100の動作に関しては後述する動作例で詳細に説明する。なお、本実施形態では、習慣改善装置100の制御部205はいずれも汎用のCPUによって実現されてもよい。しかしながら、以上の動作(または機能)の一部または全部が、1または複数の専用のプロセッサにより実現されてもよい。また、習慣改善装置100の構成に関して、実施形態に応じて、適宜、省略、置換及び追加が行われてもよい。
(午前0時)ユーザは午前0時までには就寝し午前8時に起床する予定である。睡眠中も活動量計110及び/または腕時計型ウェアラブル端末120をユーザが装着してこの機器が活動量を検出して、習慣改善装置100の活動量取得部301がこの活動量情報を取得する。また、睡眠時は活動量計110及び腕時計型ウェアラブル端末120はオフにしてユーザは装着せず、習慣改善装置100もオフにしていてもよい。
次に、図5を用いて、習慣改善装置100の動作例の概略を説明する。
まず、ユーザは習慣改善装置100を、入力装置203を介して起動し、さらに設定等の入力を受け付ける。習慣改善装置100の制御部205は、以下の処理手順にしたがって、処理を進める。
ステップS501では、制御部205は、属性情報取得部305として動作し、記憶部202からユーザの属性情報を取得する。この属性情報は、例えば、入力装置203または通信インタフェース201を介して予め記憶部202に記憶されている。ユーザは入力装置203を使用して自身の属性情報を記憶部202に記憶させる。また、クラウド上にユーザの属性情報があり、習慣改善装置100が通信インタフェース201を介してそこから属性情報を取得し記憶部202に記憶してもよい。なお、属性情報はステップS504で使用するので、このステップS501はステップS504以前であればいつ実行されてもよい。
ステップS502では、制御部205は、活動量取得部301として動作し、通信インタフェース201を介して活動量計110及び/または腕時計型ウェアラブル端末120から活動量情報(例えば、歩数データ)を取得して、活動量情報を記憶部202に記憶させる。活動量取得部301は例えば、1時間ごとの活動量情報を取得してこの活動量情報を時間帯情報と共に記憶部202に記憶する。
ステップS503では、制御部205は、分布パタン算出部302、及びグループ分類部303として動作する。分布パタン算出部302は、活動量取得部301が取得した1時間ごとの活動量情報を記憶部202から取得してこの活動量をグラフ化した分布パタンを算出する。そして、グループ分類部303は、分布パタン算出部302が算出した複数の分布パタンを1以上のグループに分類する。そして、算出された分布パタンはグループに関連づけられて記憶部202に記憶される。
(ステップS504)
ステップS504では、制御部205は、外的要因情報取得部304、属性情報取得部305、及び目標パタン算出部306として動作する。外的要因情報取得部304は、GPS受信部208、通信インタフェース201からユーザの位置情報、外的要因情報、ユーザのスケジュール情報を取得する。属性情報取得部305は、ユーザの属性情報を取得する。目標パタン算出部306は、ユーザの属性情報、位置情報、外的要因情報、及びスケジュール情報に基づいて、グループごとに目標パタンを算出する。目標パタン算出部306は、算出した目標パタンと現在進行中の分布パタンとを比較して、さらに目標パタンをアップデートしてもよい。すなわち、例えば、ユーザの属性情報及び外的要因情報等に基づいて、1時間ごとに歩数を取得するごとに目標パタンと比較して、目標パタンを1時間ごとに見直して1日の歩数の目標数を達成するための目標パタンを生成してもよい。
ステップS505では、制御部205は、アドバイス提示部307として動作し、目標パタン算出部306が算出した目標パタンと、分布パタン算出部302が算出した最新の分布パタンとを比較して、目標の達成度合いに応じてアドバイス情報を生成し、出力装置204を介してユーザにアドバイス情報を提示する。
次に、図6A、図6Bを用いて、図5のステップS502の一例を説明する。
(ステップS601)
ステップS601では、制御部205は、活動量取得部301として動作し、通信インタフェース201を介して活動量計110及び/または腕時計型ウェアラブル端末120から活動量情報(例えばここでは、歩数データ)を取得する。
ステップS602では、制御部205は、活動量取得部301として動作し、取得した活動量である歩数の情報を記憶部202に記憶させる。活動量取得部301は例えば、1時間ごとの活動量情報を取得して、この情報を記憶部202に記憶してゆく。図6Bに示すように、活動量取得部301は、ユーザを特定することが可能なユーザID(User_ID)、活動量を検出した年月日、曜日及び時刻を活動量計110及び/または腕時計型ウェアラブル端末120から取得し、活動量と共に互いに関連付けた情報(これを測定情報と称す)を記憶部202に記憶する。図6Bに示したテーブルは、測定情報の一例を含んでいる。
次に、図7Aを用いて、図5のステップS503の一例を説明する。
(ステップS701)
ステップS701では、制御部205は、分布パタン算出部302として動作し、分布パタン算出部302は、活動量取得部301が取得した1時間ごとの活動量情報を含む測定情報を記憶部202から取得してこの測定情報をグラフ化することが可能な分布パタンを算出する。
ステップS702では、制御部205は、グループ分類部303として動作し、グループ分類部303は、分布パタン算出部302が算出した複数の分布パタンを1以上のグループに分類する。そして、グループ分類部303は、算出した分布パタン(例えば、1時間ごとの1日分の歩数データ)をグループに関連づけて記憶部202に記憶する。グループ分類部303は、過去の特定の期間の複数の分布パタンを分類する。分布パタンは1日ごとの歩数データであり、グループ分類部303は例えば、過去1か月分の歩数データを分類する。
次に、図7Bを用いて、図7のステップS701及びS702の詳細な動作の一例を説明する。
(ステップS711)
ステップS711では、制御部205は、分布パタン算出部302として動作し、活動量計110及び/または腕時計型ウェアラブル端末120から通信インタフェース201を介して1時間ごとのユーザの活動量情報を記憶部202から取得する。
ステップS712では、制御部205は、分布パタン算出部302として動作し、ステップS711で取得した活動量情報を、活動量計110及び/または腕時計型ウェアラブル端末120が活動量を検出した日時、または習慣改善装置100が活動量を取得した日時に従って、分布パタンを算出する。結果として、例えば、1日分の活動量から、1日の時刻に対する活動量の経時変化を示す分布パタンを算出することになる。
ステップS713では、制御部205は、グループ分類部303として動作し、分布パタン算出部302が算出した複数の分布パタンを1以上のグループに分類する。グループ分類部303は、例えば、24時間分の活動量の分布パタンを24次元空間にマッピングする。この24次元空間は、各軸が1時間ごとの活動量に対応している。換言すれば、この空間は1時間ごとの活動量を成分(24個)とするベクトルから決定される基底で張られる24次元空間である。従って、ある日の活動量の分布パタンは、24次元空間内の1点に対応する。すなわち、24次元空間には、分布パタン算出部302が算出した全ての分布パタンに対応する複数の点が分布することになる。この点は、各軸に対応する活動量のうちの1つのみが異なっても24次元空間の点の位置は異なるものであり、24次元空間内での距離が近いほどこの点同士の分布パタンは類似していると考えられる。
ステップS714では、制御部205は、グループ分類部303として動作し、24次元空間にマッピングした点をどのようにグループ化するかを判定する。図7Bの例ではグループ分類部303がマッピングした点をクラスタリングによる手法でグループ化するかどうかについて判定する。この判定は、通常は予めグループ化をクラスタリングによる手法で行うかどうかをユーザまたは習慣改善装置100の設計時に定めておく。習慣改善装置100の入力装置203を使用してユーザがクラスタリングを使用するかどうかを設定することができてもよく、ステップS714ではこの設定によってクラスタリングを実行するかどうかを判定してもよい。
ステップS715では、制御部205は、グループ分類部303として動作し、24次元空間内に分布している点を、クラスタリングの手法を使用してグループ化し、1以上のグループを生成する。ここでは、クラスタリングの一手法である、階層的クラスタリングを想定して説明するが、この手法に拘るわけではなく、分割最適化クラスタリング等を使用してもよい(ただし、変更になる手順が生じる)。
ステップS716では、制御部205は、グループ分類部303として動作し、ステップS715で生成されたグループのグループ数がクラスタの所望の階層に対応するかどうかを判定する。ステップS716で所望の階層に対応すると判定されて場合にはステップS717へ進み、一方、ステップS716で所望の階層に対応すると判定されなかった場合にはステップS714へ戻る。凝集型の階層的クラスタリングの場合には、空間内の点それぞれが個々のクラスタである状態から、順次これらのクラスタを併合し、クラスタの階層を生成してゆき、最終的に1つのクラスタまで併合する。ここで階層とは、2つのクラスタが併合された状態のことを示し、併合が進むにつれて階層が変化する。例えば、クラスタの階層が異なれば、クラスタが含む点の数は異なる。
ステップS717では、制御部205は、グループ分類部303として動作し、ステップS716で判定された所望の階層に対応するグループ数及びこのグループ数に対応するグループに決定される。
ステップS718では、制御部205は、グループ分類部303として動作し、ステップS717で決定されたグループのいずれか1つに空間中のそれぞれの点が分類される。
ステップS719では、制御部205は、グループ分類部303として動作し、24次元空間に分布している1以上の点を、クラスタリングとは異なる手法(例えば、クラス分類)を使用してグループ化する場合に対応し、ここでは一例として、活動量が多い(及び/または少ない)時間帯に基づいて分類するために、これらの時間帯を抽出する。ステップS719以下の手法は、予めグループの特徴を設定してこの特徴に基づいて空間内の点を分類する点で、クラスタリングによる手法とは異なるものである。
ステップS720では、制御部205は、グループ分類部303として動作し、活動量の特徴的な時間帯を有する1以上のグループを生成する。グループ分類部303は、例えば、平日は同一の分布パタンと見なす旨をユーザから設定されている場合には、グループの分類基準として例えば、日中の時間帯での活動量が第1しきい値以上であり、他の時間帯の活動量が第2しきい値以下である場合には同一のグループに属するとする。また、これとは異なり、例えば、ユーザの過去の分布パタンのデータから、平日の時間帯ごとの平均値(他に例えば、分散、標準偏差が算出されてもよい)を算出し、グループ分類部303は、その平均値を中心とした、信頼水準(confidence level)が95%に入る空間内に、ある分布パタンに対応する点が位置する場合には、この分布パタンはこの平日のグループに属すると分類してもよい。
ステップS721では、制御部205は、グループ分類部303として動作し、ステップS720で生成された1以上のグループに、空間内の点を分類する。
ステップS722では、制御部205は、グループ分類部303として動作し、空間内に分布した全ての点のそれぞれがステップS721で生成されたグループのいずれか1つに属していて、未分類の点がないかどうかを判定する。グループ分類部303が、グループに分類されていない点があると判定した場合にはステップS723へ進み、一方、グループに分類されていない点が無いと判定した場合にはステップS718へ進む。
ステップS723では、制御部205は、グループ分類部303として動作し、いずれのグループにも未分類であると判定された点から、予め設定された距離以内に、ステップS720で生成されたグループのいずれかがあるかどうかを判定し、2以上のグループが該当した場合にはその中で最も近い(距離が小さい)グループに未分類の点を分類し、1つのグループが該当した場合にはそのグループに未分類の点を分類する。
ステップS724では、制御部205は、グループ分類部303として動作し、ステップS723での予め設定された距離よりも大きい未分類の点がないかどうかを判定し、この距離よりも大きい未分類の点がないと判定された場合にはステップS718へ進み、一方、この距離よりも大きい未分類の点がある場合にはステップS725へ進む。未分類の点はいずれのグループにも属していないので、この未分類の点を含む新たなグループを生成する必要がある。
ステップS725では、制御部205は、グループ分類部303として動作し、ステップS724で未分類の点として判定された点を含むようにグループを生成して、ステップS721へ戻る。この生成されるグループは、例えば、グループ分類部303によって、ステップS723での予め設定された距離(または、この距離よりも小さい長さ)を半径とする、空間の次元を有する多次元球(例えば、24次元球)であり、この多次元球内の領域に存在する点を同一グループであるとしてもよい。このようにグループを生成すれば、生成されるグループは他のグループと領域を重複することはない。
次に、図8Aを用いて、図5のステップS504の一例を説明する。
(ステップS801)
ステップS801では、制御部205は、外的要因情報取得部304及び属性情報取得部305として動作し、ユーザの外的要因情報と、ユーザごとにユーザの属性情報とを記憶部202、GPS受信部208、及び/または通信インタフェース201から取得する。
ステップS802では、制御部205は、目標パタン算出部306として動作し、クラスタリングまたはクラス分類等による分類手法に応じてステップS503でグループに分類された分布パタンから、グループごとにグループにとって典型的な典型パタン(または、基本パタン)を特定し、この典型パタンから、ステップS801で取得されたユーザごとの属性情報及び外的要因情報に基づいて、ユーザごとの目標パタンをグループごとに算出する。なお、クラスタリング、クラス分類等の手法によってグループ化された場合にグループにとって典型的なパタンを典型パタンと称するが、実施の形態では、便宜的識別のため、サンプルとなる分布パタン数がしきい値以下の場合にグループ化された場合にグループにとって典型的なパタンを基本パタンと称することにする。
次に、図8Bを用いて、図8AのステップS802の一例を説明する。
(ステップS811)
ステップS811では、制御部205は、目標パタン算出部306として動作し、ステップS503で算出された分布パタンの数がしきい値よりも大きいかどうかを判定する。このしきい値は、分布パタン数がグループの特徴を分類することができるほど十分多いかどうかの基準であり、通常は事前に設定されている数値である。しきい値の値が大きいほど、このステップS811でYESと判定される分布パタン数が多くなりグループごとの特徴が顕著になると想定されるので、より正確な目標パタンを得ることが可能になる。例えば、図7Cのように毎日歩数の分布パタンを取得する場合には、しきい値を6として、歩数のサンプルを採り初めてから最初の1週目はステップS815に進み、2週目からはステップS812へ進む例がある。
図8Cの(a)の例では、ユーザの居住地及び勤務地等のユーザの行動範囲に基づいて、目標パタン算出部306は活動量を増減させる。(a)では、このユーザの行動範囲の地域では特定の時間帯の降水量が多いことが既知であるので、特定の時間帯(この例では12時から14時まで)は活動量(この例では、歩数)を基本パタンまたは典型パタンから減らす。そして、この減らした分の活動量を他の時間帯(この例では15時から18時まで)に割り当てる。
目標パタン算出部306は、ユーザがスケジュールをきちんとこなしているかどうかを判定し、スケジュールと異なった行動をとっている場合には、その行動に基づいて目標パタンを変更する。例えば、目標パタン算出部306は活動量取得部301から現在の活動量を取得し、外的要因情報取得部304からはユーザの位置情報及びスケジュール情報を取得してユーザの行動を監視する。
次に、図9Aを用いて、図5のステップS505の一例を説明する。
(ステップS901)
ステップS901では、制御部205は、アドバイス提示部307として動作し、分布パタン算出部302から現在進行中の分布パタン(例えば、今日の午前0時から現在までの分布パタン)と、ステップS802で生成した目標パタンとの差をとり、差パタンを算出する。この差パタンは、時刻ごとの分布パタンでの活動量と目標パタンでの活動量との差が、時間分布しているパタンである。
ステップS902では、制御部205は、アドバイス提示部307として動作し、ステップS901で算出された差パタンに対応したアドバイス情報を記述したテーブルからアドバイス情報を記憶部202から抽出して、出力装置204を介してユーザに提示する。
次に、図9Bを用いて、図9AのステップS901及びステップS902の一例を説明する。
(ステップS911)
ステップS911では、制御部205は、アドバイス提示部307として動作し、通信インタフェース201を経由して活動量取得部301が取得した活動量情報から分布パタン算出部302が算出した現在進行中の分布パタンを取得する。この現在進行中の分布パタンは、例えば、本日の分布パタンであり、本日の最初の活動量取得時から今までの分布パタンである。
ステップS912では、制御部205は、アドバイス提示部307として動作し、目標パタン算出部306から、本日の目標パタンを取得する。目標パタン算出部306は、ユーザの本日の外的要因情報及び属性情報等に基づいて目標パタンを算出する。
ステップS913では、制御部205は、アドバイス提示部307として動作し、本日現在進行中の分布パタンと、ステップS912で算出された目標パタンとの差を時間帯(第1期間;例えば、1時間)ごとに算出して時間帯ごとの活動量の差を求め、全ての時間帯に渡ってこの差を並べた差パタンを算出する。
ステップS914では、制御部205は、アドバイス提示部307として動作し、ステップS913で算出された差パタン及び/または外的要因情報に基づいて、ユーザへのアドバイス情報を生成する。このアドバイス情報は、例えば、記憶部202に差パタンと関連付けて記憶されている。また、アドバイス提示部307が、差パタンの状態に基づいてアドバイス情報を生成してもよい。アドバイス情報は、例えば、差パタンがマイナスの値を示している場合(詳しくは、目標パタンの活動量の積算量が、分布パタンの対応する時間帯での活動量の積算量より小さい場合)には、「少し足りないから、後でもう少し歩くこと!」等であり、表示または音声等でユーザに提示される。他のアドバイス情報としては、例えば、今日19時から宴会がスケジュール情報に予定されている場合には、起床後朝にユーザに提示する一例としては「飲む量を抑えて朝の散歩を増やしましょう」があり、他の例として、今日19時からスポーツジムに行くことがスケジュール情報に予定されている場合には、スポーツジムでの運動を推奨するような励ましのメッセージがある。
以上のように、本実施形態の習慣改善装置100は、ステップS502で取得した1時間ごとの歩数情報を記録して、ステップS503で歩数情報により1日の歩数の分布パタンを算出する。そして、習慣改善装置100は、分布パタン算出部302で算出された複数の分布パタンを、グループ分類部303でのクラスタリング及び/またはクラス分類等によってグループに分類し、さらにステップS504では、目標パタン算出部306でユーザの属性情報及び外的要因情報に基づいてグループごとのユーザにとって望ましい目標となる目標パタンを算出する。この目標パタンは、ユーザの属性情報及び外的要因情報に基づいて算出される。したがって、グループによってユーザの特徴を分類した上でさらに、分布パタンだけでは情報を抽出することが容易でないユーザの属性情報を含めるので、習慣改善装置100はユーザにとって有効な目標パタンを算出することができる。さらに、目標パタンは、ユーザの外的要因情報にも基づいて算出され、ユーザ自身以外の環境等の外的な要因に基づいて算出される。このため、分布パタンだけでは抽出することが不可能な、さらにユーザの属性情報と分布パタンとを合わせても抽出することが不可能な外的要因情報を含めて算出することになり、習慣改善装置100は、さらにユーザにとって精度の高い有効な目標パタンを算出することができる。
以上、本発明の実施の形態を詳細に説明してきたが、前述までの説明はあらゆる点において本発明の例示に過ぎない。本発明の範囲を逸脱することなく種々の改良や変形を行うことができることは言うまでもない。例えば、以下のような変更が可能である。また、本発明の実施にあたって、実施形態に応じた具体的構成が適宜採用されてもよい。なお、以下では、上記実施形態と同様の構成要素に関しては同様の符号を用い、上記実施形態と同様の点については、適宜説明を省略した。以下の変形例は適宜組み合せ可能である。
外的要因情報取得部304が、ユーザ以外の他人ユーザの属性情報(上記したように、例えば、年齢、居住地、及び/または性別等の情報)と、そのユーザの目標パタンとを取得し、属性情報取得部305が取得した本人ユーザの属性情報と他人ユーザの属性情報とをマッチングさせ(例えば、目標パタン算出部306が実行する)、予め設定された判定基準よりもマッチング度合いが高い場合には、この他人ユーザの目標パタンを採用してもよい。
属性情報が類似する他人ユーザの分布パタンとスケジュール情報とを参考にして、他人ユーザが既に実現している属性に近づくために、本人ユーザがこの他人ユーザの分布パタン及び/または目標パタンを使用して効率的に所望の属性を実現することが考えられる。このためには、まず本人ユーザが実現したい属性を定め、この実現したい属性(例えば、血圧値、BMI値)を既に有していて、他の属性は本人ユーザの属性に類似している他人ユーザをデータベース等から見つけ出す。この他人ユーザの属性を見つけ出すためには、例えば、属性情報取得部305が通信インタフェース201を経由してサーバ130に接続し検索することによって実現する。なお、この場合サーバ130は、多数のユーザからの属性情報、外的要因情報、及び、分布パタン及び目標パタンの情報を記憶しておけばよい。
図7BのステップS719以下は、例えば、以下の様にして空間内の点をグループに分類してもよい。
グループ分類部303は、グループの典型的なパタンである、予め設定された複数の典型パタンに基づいてグループに分類してもよい。この構成では、グループ分類部303は、グループごとにそのグループの特徴を示す予め設定された典型パタンを使用して、複数の分布パタンをグループに分類する。典型パタンが予め設定されている点に特徴があり、ユーザ等の設定者が典型パタンを予め設定することができることである。したがって、ユーザの複数の分布パタンをグループに分類する際に、意味づけを明確にしたグループ化を実現することができる。
図示はしていないが、活動量計110、腕時計型ウェアラブル端末120、及び/または習慣改善装置100は、加速度センサ、圧力センサ、ジャイロセンサ、及び/または地磁気センサを備えていてもよい。
本発明の装置は、コンピュータとプログラムによっても実現でき、プログラムを記録媒体(または記憶媒体)に記録することも、ネットワークを通して提供することも可能である。
また、以上の各装置及びそれらの装置部分は、それぞれハードウェア構成、またはハードウェア資源とソフトウェアとの組み合せ構成のいずれでも実施可能となっている。組み合せ構成のソフトウェアとしては、予めネットワークまたはコンピュータ読み取り可能な記録媒体(または記憶媒体)からコンピュータにインストールされ、当該コンピュータのプロセッサに実行されることにより、各装置の動作(または機能)を当該コンピュータに実現させるためのプログラムが用いられる。
なお、この発明は、上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合せにより種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態に亘る構成要素を適宜組み合せてもよい。
第1期間ごとに積算したユーザの活動量を前記第1期間ごとに取得して、前記第1期間を含む第2期間での活動量の経時変化を示す分布パタンを算出する第1算出部(301、302)と、
複数の前記分布パタンを1以上のグループに分類する分類部(303)と、
前記活動量以外の要因に基づいて、前記ユーザにとって目標となる目標パタンを前記グループに対応づけて算出する第2算出部(304、305、306)と、
現在の前記分布パタンと前記目標パタンとに基づいて前記ユーザにアドバイス情報を提示する提示部(307)と、を備える、
習慣改善装置(100)。
110…活動量計
120…腕時計型ウェアラブル端末
130…サーバ
140…ネットワーク
150…GPS衛星
201…通信インタフェース
202…記憶部
203…入力装置
204…出力装置
205…制御部
206…計時装置
207…電源部
208…GPS受信部
209…外部インタフェース
301…活動量取得部
302…分布パタン算出部
303…グループ分類部
304…外的要因情報取得部
305…属性情報取得部
306…目標パタン算出部
307…アドバイス提示部
751…実線枠
752…一点破線枠
753…二点破線枠
Claims (12)
- 第2期間を構成する複数の第1期間のそれぞれにおけるユーザの活動量を取得して、前記第2期間における活動量の経時変化を示す分布パタンを算出する第1算出部であって、過去の複数の前記第2期間のそれぞれに対応する複数の前記分布パタンである複数の第1分布パタン及び現在の前記第2期間に対応する前記分布パタンである第2分布パタンを得る第1算出部と、
前記複数の第1分布パタン間の類似性に基づいて前記複数の第1分布パタンを複数のグループに分類する分類部と、
前記複数のグループのそれぞれについて、各グループに属する複数の第1分布パタンのうちの少なくとも1つに基づいて各グループの典型的な分布パタンである典型パタンを生成し、前記複数のグループのそれぞれについて、前記ユーザ以外の事項によって前記ユーザへもたらされる要因である外的要因に関する外的要因情報に応じて前記典型パタンにおける各第1期間の活動量を増大又は低減したパタンを、前記ユーザにとって目標となる目標パタンとして生成する第2算出部と、
前記第2分布パタンと前記複数のグループのそれぞれについて算出された前記目標パタンのうち前記第2分布パタンに対応する目標パタンとの間の差を示す差パタンを算出し、前記算出した差パタンに対応する、前記ユーザの生活習慣を改善するためのアドバイス情報を記憶部から取得し、前記取得したアドバイス情報を前記ユーザに提示する提示部と、を備え、
前記外的要因情報は、前記ユーザの位置情報、前記位置情報に基づく天気予報情報、及び前記ユーザのスケジュールに関するスケジュール情報のうちの少なくとも1つを含む、
習慣改善装置。 - 前記分類部は、
前記複数の第1分布パタンを表す複数のベクトルを取得する取得部であって、前記複数のベクトルの各々が前記複数の第1期間のそれぞれにおける前記活動量を成分とするベクトルである取得部と、
前記成分から決定される基底で張られる空間内の点と前記ベクトルは対応し、前記空間内における複数の点に基づいて、前記複数の点を前記複数のグループにクラスタリングして分類するクラスタリング部と、を備え、
前記クラスタリング部は、
前記空間内のある点と他の点との距離を比較し最も距離が小さい2点は同一グループに属するとしてグループ化し、
あるグループに属する点と他のグループに属する複数の点との距離を比較し、これらの距離のうちの最小の距離がしきい値以下である場合には最小の距離になる点同士のグループ同士は同一グループとしてグループ化する、
請求項1に記載の習慣改善装置。 - 前記第2算出部は、前記複数のグループのそれぞれについて、各グループに属する前記複数の第1分布パタンのうちの1つを前記典型パタンとする、
請求項1または2に記載の習慣改善装置。 - 前記第2算出部は、前記複数のグループのそれぞれについて、各グループに属する複数の点の中心又は重心にある点に対応する分布パタンを前記典型パタンとする、
請求項2に記載の習慣改善装置。 - 前記分類部は、前記複数の第1分布パタンを、各第1分布パタンの特定の時間帯での活動量がしきい値以上かどうかに基づいて前記グループに分類する、
請求項1に記載の習慣改善装置。 - 前記第2算出部は、前記ユーザのスケジュールに関するスケジュール情報と、前記ユーザの位置情報とを参照して、前記ユーザがスケジュールで予定されている位置から逸脱しているかどうかを判定し、逸脱していると判定された場合には、前記位置情報により示される位置にある施設に応じて前記目標パタンを変更し、
前記提示部は、前記変更された目標パタンを使用して前記差パタンを再度算出し、前記再度算出した前記差パタンに対応するアドバイス情報を前記記憶部から再度取得し、前記ユーザに前記再度取得したアドバイス情報を提示する、
請求項1乃至5のいずれか1項に記載の習慣改善装置。 - 前記提示部は、
前記第2分布パタンと前記第2分布パタンに対応する前記目標パタンとの差を前記第1期間ごとに算出することで前記差パタンを算出する算出部と、
前記差パタンが前記活動量の不足を示す場合に、前記活動量を増やすよう促す前記アドバイス情報を生成するアドバイス生成部と、を備える、請求項1乃至6のいずれか1項に記載の習慣改善装置。 - 前記第1算出部は、前記活動量として、前記ユーザが消費するエネルギー消費量、及び前記ユーザの歩数のうちの少なくとも1以上を使用する、
請求項1乃至7のいずれか1項に記載の習慣改善装置。 - 前記提示部は、前記アドバイス情報として、前記第2分布パタンと、前記第2分布パタンに対応する前記目標パタンとを比較可能な状態でユーザに提示する、
請求項1乃至8のいずれか1項に記載の習慣改善装置。 - コンピュータにより実行される習慣改善方法であって、
第2期間を構成する複数の第1期間のそれぞれにおけるユーザの活動量を取得して、前記第2期間での活動量の経時変化を示す分布パタンを算出することを備え、
前記分布パタンを算出することは、
過去の複数の前記第2期間のそれぞれに対応する複数の前記分布パタンである複数の第1分布パタンを得ることと、
現在の前記第2期間に対応する前記分布パタンである第2分布パタンを得ることと、
を含み、
前記複数の第1分布パタン間の類似性に基づいて前記複数の第1分布パタンを複数のグループに分類し、
前記複数のグループのそれぞれについて、各グループに属する複数の第1分布パタンのうちの少なくとも1つに基づいて各グループの典型的な分布パタンである典型パタンを生成し、
前記複数のグループのそれぞれについて、前記ユーザ以外の事項によって前記ユーザへもたらされる要因である外的要因に関する外的要因情報に応じて前記典型パタンにおける各第1期間の活動量を増大又は低減したパタンを、前記ユーザにとって目標となる目標パタンとして生成し、
前記第2分布パタンと前記複数のグループのそれぞれについて算出された前記目標パタンのうち前記第2分布パタンに対応する目標パタンとの間の差を示す差パタンを算出し、前記算出した差パタンに対応する、前記ユーザの生活習慣を改善するためのアドバイス情報を記憶部から取得し、前記取得したアドバイス情報を前記ユーザに提示すること、を備え、
前記外的要因情報は、前記ユーザの位置情報、前記位置情報に基づく天気予報情報、及び前記ユーザのスケジュールに関するスケジュール情報のうちの少なくとも1つを含む、
習慣改善方法。 - 前記複数の第1分布パタンを前記複数のグループに分類することは、
前記複数の第1分布パタンを表す複数のベクトルを取得することであって、前記複数のベクトルの各々が前記複数の第1期間のそれぞれにおける前記活動量を成分とするベクトルである、ことと、
前記成分から決定される基底で張られる空間内の点と前記ベクトルは対応し、前記空間内での複数の点の位置に基づいて、前記複数の点を前記複数のグループにクラスタリングして分類することと、を備え、
前記複数の点を前記複数のグループにクラスタリングして分類することは、
前記空間内のある点と他の点との距離を比較し最も距離が小さい2点は同一グループに属するとしてグループ化することと、
あるグループに属する点と他のグループに属する複数の点との距離を比較し、これらの距離のうちの最小の距離がしきい値以下である場合には最小の距離になる点同士のグループ同士は同一グループとしてグループ化することと、
を備える、
請求項10に記載の習慣改善方法。 - コンピュータを、請求項1乃至9のいずれか1項に記載の習慣改善装置が備える各部として機能させるためのプログラム。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018214027A JP7351078B2 (ja) | 2018-11-14 | 2018-11-14 | 習慣改善装置、方法及びプログラム |
US17/270,433 US20210254996A1 (en) | 2018-11-14 | 2019-03-08 | Habit improving device, method and recording medium |
PCT/JP2019/009251 WO2020100318A1 (ja) | 2018-11-14 | 2019-03-08 | 習慣改善装置、方法及びプログラム |
CN201980051930.0A CN112534509B (zh) | 2018-11-14 | 2019-03-08 | 习惯改善装置、方法及计算机可读存储介质 |
EP19885806.0A EP3886106A4 (en) | 2018-11-14 | 2019-03-08 | HABIT IMPROVEMENT DEVICE, METHOD AND PROGRAM |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018214027A JP7351078B2 (ja) | 2018-11-14 | 2018-11-14 | 習慣改善装置、方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020080123A JP2020080123A (ja) | 2020-05-28 |
JP7351078B2 true JP7351078B2 (ja) | 2023-09-27 |
Family
ID=70731549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018214027A Active JP7351078B2 (ja) | 2018-11-14 | 2018-11-14 | 習慣改善装置、方法及びプログラム |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210254996A1 (ja) |
EP (1) | EP3886106A4 (ja) |
JP (1) | JP7351078B2 (ja) |
CN (1) | CN112534509B (ja) |
WO (1) | WO2020100318A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020080125A (ja) * | 2018-11-14 | 2020-05-28 | オムロン株式会社 | 習慣改善装置、方法及びプログラム |
WO2022024339A1 (ja) * | 2020-07-31 | 2022-02-03 | 富士通株式会社 | 予測プログラム、予測方法および予測装置 |
JP2023001484A (ja) * | 2021-06-21 | 2023-01-06 | 株式会社日立製作所 | ヒューマンライフ・トレーサビリティ装置および改善案提案支援方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008117174A (ja) | 2006-11-06 | 2008-05-22 | Omron Healthcare Co Ltd | 歩数計 |
WO2010146811A1 (ja) | 2009-06-19 | 2010-12-23 | 株式会社日立製作所 | 行動提案装置、及びその方法 |
WO2011070831A1 (ja) | 2009-12-11 | 2011-06-16 | 株式会社日立製作所 | 生活パターン分類装置及び生活パターン分類システム |
JP2017000455A (ja) | 2015-06-10 | 2017-01-05 | セイコーエプソン株式会社 | 提示情報生成装置、効果提示装置、効果提示システム、提示情報生成方法及び提示情報生成プログラム |
JP2017097401A (ja) | 2015-11-18 | 2017-06-01 | セイコーエプソン株式会社 | 行動変容解析システム、行動変容解析方法および行動変容解析プログラム |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004121745A (ja) | 2002-10-07 | 2004-04-22 | Matsushita Electric Ind Co Ltd | 健康支援装置 |
US7620438B2 (en) * | 2006-03-31 | 2009-11-17 | Abbott Diabetes Care Inc. | Method and system for powering an electronic device |
JP5772113B2 (ja) * | 2011-03-18 | 2015-09-02 | 富士通株式会社 | 経路情報生成装置及び経路情報生成プログラム |
US9336484B1 (en) * | 2011-09-26 | 2016-05-10 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration (Nasa) | System and method for outlier detection via estimating clusters |
KR101911218B1 (ko) * | 2012-10-30 | 2018-10-24 | 삼성전자주식회사 | 운동량 계산 방법 및 장치 |
EP3042327A2 (en) * | 2013-09-04 | 2016-07-13 | Zero360, Inc. | Wearable device |
US20150081210A1 (en) * | 2013-09-17 | 2015-03-19 | Sony Corporation | Altering exercise routes based on device determined information |
WO2015041302A1 (ja) * | 2013-09-20 | 2015-03-26 | シャープ株式会社 | 活動量計、活動量計測装置、携帯端末、情報共有支援装置、活動量計測装置、情報共有システム、活動支援装置、及び、活動支援システム |
KR102384756B1 (ko) * | 2015-10-29 | 2022-04-11 | 삼성전자주식회사 | 활동 가이드 정보 제공 방법 및 이를 지원하는 전자 장치 |
US20170239523A1 (en) * | 2016-02-19 | 2017-08-24 | Fitbit, Inc. | Live presentation of detailed activity captured by activity tracking device |
US20180140211A1 (en) * | 2016-11-22 | 2018-05-24 | Seiko Epson Corporation | Workout information display method, workout information display system, server system, electronic device, information storage medium, and program |
CN107731277A (zh) * | 2017-11-06 | 2018-02-23 | 广东乐心医疗电子股份有限公司 | 行为监督方法、装置及可穿戴设备 |
JP7217103B2 (ja) * | 2018-07-31 | 2023-02-02 | シスメックス株式会社 | 生活習慣の改善に関するアドバイス情報を生成する方法及び情報処理装置 |
-
2018
- 2018-11-14 JP JP2018214027A patent/JP7351078B2/ja active Active
-
2019
- 2019-03-08 EP EP19885806.0A patent/EP3886106A4/en active Pending
- 2019-03-08 US US17/270,433 patent/US20210254996A1/en active Pending
- 2019-03-08 CN CN201980051930.0A patent/CN112534509B/zh active Active
- 2019-03-08 WO PCT/JP2019/009251 patent/WO2020100318A1/ja unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008117174A (ja) | 2006-11-06 | 2008-05-22 | Omron Healthcare Co Ltd | 歩数計 |
WO2010146811A1 (ja) | 2009-06-19 | 2010-12-23 | 株式会社日立製作所 | 行動提案装置、及びその方法 |
WO2011070831A1 (ja) | 2009-12-11 | 2011-06-16 | 株式会社日立製作所 | 生活パターン分類装置及び生活パターン分類システム |
JP2017000455A (ja) | 2015-06-10 | 2017-01-05 | セイコーエプソン株式会社 | 提示情報生成装置、効果提示装置、効果提示システム、提示情報生成方法及び提示情報生成プログラム |
JP2017097401A (ja) | 2015-11-18 | 2017-06-01 | セイコーエプソン株式会社 | 行動変容解析システム、行動変容解析方法および行動変容解析プログラム |
Also Published As
Publication number | Publication date |
---|---|
EP3886106A1 (en) | 2021-09-29 |
JP2020080123A (ja) | 2020-05-28 |
CN112534509A (zh) | 2021-03-19 |
US20210254996A1 (en) | 2021-08-19 |
EP3886106A4 (en) | 2022-07-27 |
CN112534509B (zh) | 2024-02-23 |
WO2020100318A1 (ja) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9712629B2 (en) | Tracking user physical activity with multiple devices | |
US10983945B2 (en) | Method of data synthesis | |
US8775120B2 (en) | Method of data synthesis | |
US8849610B2 (en) | Tracking user physical activity with multiple devices | |
CN107004054B (zh) | 计算健康参数 | |
JP7351078B2 (ja) | 習慣改善装置、方法及びプログラム | |
JP5216140B2 (ja) | 行動提案装置、及びその方法 | |
US20180008191A1 (en) | Pain management wearable device | |
JP6008572B2 (ja) | 運動支援システム及び運動支援方法 | |
JP2012187162A (ja) | 臥位推定装置、臥位推定システム及び臥位推定方法 | |
JP2017097401A (ja) | 行動変容解析システム、行動変容解析方法および行動変容解析プログラム | |
CN112567467B (zh) | 习惯改善装置、方法及计算机可读存储介质 | |
JP2016010562A (ja) | データ解析装置及びデータ解析方法、データ解析プログラム | |
Angelides et al. | Wearable data analysis, visualisation and recommendations on the go using android middleware | |
KR20200056197A (ko) | 추천 서비스를 제공하기 위한 방법, 이를 위한 전자 장치 및 저장 매체 | |
WO2024055931A1 (zh) | 运动推荐方法、睡眠推荐方法及其装置、电子设备及存储介质 | |
US20230139218A1 (en) | Data processing device, system, data processing method, and recording medium | |
US20220005562A1 (en) | Measurement-facilitating device, method, and non-transitory recording medium that records program | |
JP2012226584A (ja) | 軌跡検索装置、軌跡検索方法、および軌跡検索プログラム | |
JP2021110699A (ja) | 推奨歩行情報生成装置、推奨歩行情報提供システム、推奨歩行情報生成方法及びコンピュータプログラム | |
JP2020016575A (ja) | 提示装置、提示方法及び提示プログラム | |
US20240127964A1 (en) | Data processing device, system, data processing method, and recording medium | |
JP7259930B2 (ja) | 情報処理装置、ナビゲーションシステム、経路設定方法及びプログラム | |
US20240127963A1 (en) | Data processing device, system, data processing method, and recording medium | |
AU2020102010A4 (en) | PAM-Physical Fitness: PREDICTION OF FITNESS AND PHYSICAL ACTIVITY LEVEL USING MACHINE LEARNING PROGRAMMING |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210906 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221101 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221212 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20230113 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230411 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230626 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20230630 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230815 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230828 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7351078 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |