JP7470569B2

JP7470569B2 - 推定モデル構築装置

Info

Publication number: JP7470569B2
Application number: JP2020087240A
Authority: JP
Inventors: 尚志濱谷; 茂樹田中
Original assignee: NTT Docomo Inc
Current assignee: NTT Docomo Inc
Priority date: 2020-05-19
Filing date: 2020-05-19
Publication date: 2024-04-18
Anticipated expiration: 2040-05-19
Also published as: JP2021182242A

Description

本開示は、ユーザ状態推定のための推定モデルを構築する推定モデル構築装置に関する。

従来より、以下の推定モデルの基本式

が知られており、目的変数ｙと説明変数ｘのペアを大規模に与えて推定モデルｆを学習し構築する（即ち、目的変数ｙと説明変数ｘの関係性を習得する）技術が知られている（下記の特許文献１参照）。このような従来技術では、目的変数ｙを推定するために必要な説明変数ｘ（具体的な値ｖ_ｉとして何を与えるか）に関する識者の知見（以下「ドメインの知識」と呼ぶ）を用いることを前提としている。

一方、人がいる場所とその人の状態とは関連するという研究成果が知られており、その結果、人がいる場所がその人の行動にも影響すると考えられるため、対象者の場所ごと（例えば、ジオハッシュ（Geohash）単位）のセンサデータ（即ち、対象者の状態および行動の変化を検知したデータ）から、場所ごとの対象者の状態を推定できると考えられる。

特開２０１６－１０６６８９号公報

ただし、上記のような場所ごとのセンサデータから対象者の状態を推定するためには、場所に関するドメインの知識が重要となるが、ここでの、場所に関するドメインの知識は、場所、人の状態および人の行動から成るさまざまなパターンごとに必要となる。

しかし、場所に関するドメインの知識は、誰でも容易に取得できるものではないため、場所に関するドメインの知識が無い状況では、推定モデルｆを学習し構築することは困難であった。そのため、場所に関するドメインの知識を用いることなく、ユーザ状態推定のための推定モデルを構築することに資する有効な情報を得ることが待望されていた。

本開示は、上記のような課題を解決するべく、場所に関するドメインの知識を用いることなく、ユーザ状態推定のための推定モデルを構築することに資する有効な情報を得ることを目的とする。

出願人は、人がいる場所がその人の状態および行動に影響し、また、場所に関するドメインの知識の大枠について、「ユーザ状態に変化があるときは、ユーザにおける身体的要素を計測するセンサの、場所ごと（即ち、空間単位（例えばジオハッシュ単位）ごと）のセンサデータが変化するときである」と把握できる点に着目し、場所に関するドメインの知識は無くとも、説明変数を定める代わりに、上記の場所（空間単位）ごとのセンサデータの異常度を用いることで、ユーザ状態推定のための推定モデルを構築することに資する有効な情報として「ユーザの空間単位ごとのセンサデータの異常度」を得るための発明をした。

本開示に係る推定モデル構築装置は、１人以上のユーザにおける身体的要素を計測する１つ以上のセンサから、当該ユーザの空間単位ごとのセンサデータを取得するセンサデータ取得部と、前記センサデータ取得部により取得された、参照値計算のための複数ユーザの空間単位ごとのセンサデータについて、予め定められた方法に基づき、空間単位ごとのセンサデータの参照値を計算する参照値計算部と、前記センサデータ取得部により取得された、推定モデル構築のための対象ユーザの空間単位ごとのセンサデータについて、前記予め定められた方法に基づき、空間単位ごとのセンサデータの対象値を計算し、得られた空間単位ごとのセンサデータの対象値と、前記参照値計算部による計算で得られた空間単位ごとのセンサデータの参照値とに基づいて、前記対象ユーザの空間単位ごとのセンサデータの異常度を計算する異常度計算部と、を備える。

上記の推定モデル構築装置では、センサデータ取得部が、参照値計算のための複数ユーザにおける身体的要素を計測する複数のセンサから、当該複数ユーザの空間単位ごとのセンサデータを取得すると、参照値計算部が、取得された複数ユーザの空間単位ごとのセンサデータについて、予め定められた方法に基づき、空間単位ごとのセンサデータの参照値を計算する。そして、センサデータ取得部が、推定モデル構築のための対象ユーザにおける身体的要素を計測するセンサから、当該対象ユーザの空間単位ごとのセンサデータを取得すると、異常度計算部が、取得された対象ユーザの空間単位ごとのセンサデータについて、予め定められた方法に基づき、空間単位ごとのセンサデータの参照値を計算し、得られた空間単位ごとのセンサデータの対象値と、前述した計算で得られた空間単位ごとのセンサデータの参照値とに基づいて、対象ユーザの空間単位ごとのセンサデータの異常度を計算する。これにより、場所に関するドメインの知識は無くとも、説明変数を定める代わりに、空間単位ごとのセンサデータの異常度を用いることで、ユーザ状態推定のための推定モデルを構築することに資する有効な情報として、対象ユーザの空間単位ごとのセンサデータの異常度を得ることができる。

本開示によれば、場所に関するドメインの知識を用いることなく、ユーザ状態推定のための推定モデルを構築することに資する有効な情報を得ることができる。

推定モデル構築装置の構成を示す機能ブロック図である。（ａ）は、空間単位ごとのセンサデータの参照値の計算処理を示すフロー図であり、（ｂ）は、異常度に基づくユーザ状態推定モデルの構築処理を示すフロー図である。（ａ）は、取得されたあるユーザのセンサデータを例示した表であり、（ｂ）は、当該ユーザの位置情報を例示した表である。（ａ）は、計算で得られた空間単位ごとのセンサデータの平均・分散を例示した表であり、（ｂ）は、空間単位ごとのセンサデータの平均の大小を二次元的に示す図である。（ａ）は、取得された対象ユーザのセンサデータを例示した表であり、（ｂ）は、対象ユーザの位置情報を例示した表である。計算で得られた空間単位ごとの対象ユーザのセンサデータの平均・分散を例示した表である。（ａ）は、対象ユーザについての空間単位ごとの加速度センサデータの平均の大小を二次元的に示す図であり、（ｂ）は、対象ユーザについての空間単位ごとのジャイロセンサデータの平均の大小を二次元的に示す図であり、（ｃ）は、対象ユーザについての空間単位ごとの画面オン／オフ状況を二次元的に示す図であり、（ｄ）は、対象ユーザについての空間単位ごとのアプリＡの使用状況を二次元的に示す図である。空間単位ごとの異常度の計算処理を説明するための図である。一日単位の各センサの異常度を集約する処理を説明するための図である。取得されたユーザ状態データの例を示す表である。集約された一日単位の各センサの異常度の例を示す表である。推定モデル構築装置のハードウェア構成例を示す図である。

以下、図面を参照しながら、本開示に係る推定モデル構築装置の一実施形態について説明する。

図１に示すように、推定モデル構築装置１０は、センサデータ取得部１１、参照値計算部１２、異常度計算部１３、ユーザ状態データ取得部１４、および推定モデル構築部１５を備える。以下、各部の機能・動作について説明する。

センサデータ取得部１１は、１人以上のユーザにおける身体的要素を計測する１つ以上のセンサから、当該ユーザの空間単位ごとのセンサデータを取得する機能部である。詳細は後述するが、空間単位ごとのセンサデータの参照値（即ち、後述する異常度計算で対象値との比較に用いられる値）の計算処理において、センサデータ取得部１１は、参照値計算のための複数ユーザにおける身体的要素を計測する複数のセンサから、当該複数ユーザの空間単位ごとのセンサデータを取得する。また、異常度に基づくユーザ状態推定モデルの構築処理において、センサデータ取得部１１は、推定モデル構築のための対象ユーザにおける身体的要素を計測するセンサから、当該対象ユーザの空間単位ごとのセンサデータの対象値（即ち、後述する異常度計算における対象値）を取得する。

参照値計算部１２は、参照値計算のための複数ユーザの空間単位ごとのセンサデータについて、予め定められた方法に基づき、空間単位ごとのセンサデータの参照値を計算する機能部である。この計算方法の具体例は後述する。

異常度計算部１３は、センサデータ取得部１１により取得された、推定モデル構築のための対象ユーザの空間単位ごとのセンサデータについて、予め定められた方法に基づき、空間単位ごとのセンサデータの対象値を計算し、得られた空間単位ごとのセンサデータの対象値と、参照値計算部１２による計算で得られた空間単位ごとのセンサデータの参照値とに基づいて、対象ユーザの空間単位ごとのセンサデータの異常度を計算する機能部である。また、異常度計算部１３は、計算で得られた対象ユーザの空間単位ごとのセンサデータの異常度を、所定の時間幅単位（以下では一例として「１日単位」）でセンサごとの異常度として集約する。異常度計算部１３による計算方法の具体例は後述する。

ユーザ状態データ取得部１４は、対象ユーザの状態を表すユーザ状態データを上記の所定の時間幅単位（１日単位）で取得する機能部である。ユーザ状態データの一例として、ストレス指標が挙げられ、一般的なストレス指標である交感神経と副交感神経の緊張の程度（バランス）を表すLFHF（Low Frequency High Frequency）を、一般的に知られた方法によって、ユーザ状態データとして取得してもよいし、得られたLFHFが予め定めた基準値よりも「高い」か「低い」かという２値を用いてもよい。

推定モデル構築部１５は、異常度計算部１３により集約された所定の時間幅単位（１日単位）のセンサごとの異常度を説明変数とし、ユーザ状態データ取得部１４により取得された所定の時間幅単位（１日単位）のユーザ状態データを目的変数とする推定モデルを構築する機能部である。

（推定モデル構築装置１０において実行される処理）
以下、図２（ａ）、図２（ｂ）を用いて、推定モデル構築装置１０において実行される処理の一例を概説する。図２（ａ）の処理は空間単位ごとのセンサデータの参照値を予め計算するための処理であり、図２（ｂ）の処理は対象ユーザの異常度に基づいてユーザ状態推定モデルを構築するための処理である。図２（ａ）の処理で得られる参照値は図２（ｂ）の処理で用いられるため、図２（ａ）の処理は図２（ｂ）の処理の前提となる処理である。

図２（ａ）の処理では、センサデータ取得部１１が、参照値計算のための複数ユーザにおける身体的要素を計測する複数のセンサから、当該複数ユーザの空間単位ごとのセンサデータを取得する（ステップＳ１）。これにより、例えば、図３（ａ）に示すような、あるユーザにおける加速度センサデータ、ジャイロセンサデータ、画面オン／オフ状態データ、アプリ起動に関するデータが取得され、また、図３（ｂ）に示すような、当該ユーザの時系列的な位置情報として、当該ユーザが滞在したジオハッシュ、そのジオハッシュの緯度・経度、滞在開始した時刻などの情報が取得される。

次に、参照値計算部１２が、ステップＳ１で取得された複数ユーザの空間単位（ここではジオハッシュ）ごとのセンサデータの平均および分散を、空間単位ごとのセンサデータの参照値として計算する（ステップＳ２）。具体的には、図３（ｂ）に示す、あるユーザの時系列的な位置情報から、当該ユーザは時刻0:00:10から0:13:50までの間、ジオハッシュ123456abに滞在していたと分かるため、参照値計算部１２は、当該ユーザの加速度センサデータについて、ジオハッシュ123456abに滞在していた13分40秒の時間帯（つまり0:00:10～0:13:50の時間帯）における加速度センサデータx,y,zの二乗和の平方根（ベクトルの大きさ）の平均と分散を計算する。もし、当該ユーザが他の時間帯もジオハッシュ123456abに滞在していた場合は、当該他の時間帯における加速度センサデータx,y,zも加えて、ジオハッシュ123456abに滞在していた全ての時間帯における加速度センサデータx,y,zをひとまとめにして、平均と分散を計算する。参照値計算部１２は、このようなジオハッシュ123456abにおける加速度センサデータの平均と分散の計算を、滞在した他のジオハッシュ（ここではジオハッシュ123456a9）についても実行する。また、上記のような加速度センサデータの平均と分散の計算を、他のセンサデータについても実行する。例えば、画面オン／オフ状態データからは、画面オン時間の平均と分散を計算してもよいし、アプリ起動に関するデータからは、特定のアプリＡの利用時間の平均と分散を計算してもよい。これにより、図４（ａ）に例示するさまざまなセンサデータの平均と分散が、空間単位（ここではジオハッシュ）ごとに得られる。図４（ｂ）には、一例として、加速度センサデータの「平均」について、予め定めた標準的な値よりも大きいか小さいかをジオハッシュごとに二次元的に示しており、斜めのハッチングが施されたジオハッシュでは、加速度センサデータの平均が大きいことを示し、縦のハッチングが施されたジオハッシュでは、加速度センサデータの平均が小さいことを示している。このように加速度センサデータの平均の大小をジオハッシュごとに把握することができる。なお、ステップＳ２では、ユーザごとにジオハッシュごとの平均・分散を計算してもよいし、全てのユーザをひとまとめにしてジオハッシュごとの平均・分散を計算してもよい。

以上のような図２（ａ）の処理により、空間単位（ジオハッシュ）ごとのさまざまなセンサデータの参照値（平均および分散）が得られる。

次に、図２（ｂ）の処理では、センサデータ取得部１１が、推定モデル構築のための対象ユーザにおける身体的要素を計測するセンサから、当該対象ユーザの空間単位（ジオハッシュ）ごとのセンサデータを取得する（ステップＳ１１）。これにより、例えば、図５（ａ）に示すような、対象ユーザにおける加速度センサデータ、ジャイロセンサデータ、画面オン／オフ状態データ、アプリ起動に関するデータが取得され、また、図５（ｂ）に示す対象ユーザの時系列的な位置情報として、対象ユーザが滞在したジオハッシュ、そのジオハッシュの緯度・経度、滞在開始した時刻などの情報が取得される。

次に、異常度計算部１３が、ステップＳ１１で取得された対象ユーザの空間単位（ジオハッシュ）ごとのセンサデータの平均および分散を、空間単位ごとのセンサデータの対象値として計算する（ステップＳ１２）。具体的には、図５（ｂ）に示す対象ユーザの時系列的な位置情報から、対象ユーザは9:00:00から12:30:10までの時間帯および14:40:20から17:15:00までの時間帯に、ジオハッシュ123456a9に滞在していたと分かるため、一例として加速度センサデータについては、異常度計算部１３は、ジオハッシュ123456a9に滞在していた上記２つの時間帯における対象ユーザの加速度センサデータx,y,zの二乗和の平方根（ベクトルの大きさ）の平均と分散を計算する。異常度計算部１３は、このようなジオハッシュ123456a9における加速度センサデータの平均と分散の計算を、滞在した他のジオハッシュ（ここではジオハッシュ123456ba）についても実行する。また、上記のような加速度センサデータの平均と分散の計算を、他のセンサデータについても実行する。前述した図２（ａ）のステップＳ２と同様に、画面オン／オフ状態データからは、画面オン時間の平均と分散を計算してもよいし、アプリ起動に関するデータからは、特定のアプリＡの利用時間の平均と分散を計算してもよい。これにより、図６に例示するさまざまなセンサデータの平均と分散が、空間単位（ここではジオハッシュ）ごとに得られる。図７（ａ）には、一例として、対象ユーザの加速度センサデータの「平均」について、予め定めた標準的な値よりも大きいか小さいかをジオハッシュごとに二次元的に示しており、斜めのハッチングが施されたジオハッシュでは、加速度センサデータの平均が大きいことを示し、縦のハッチングが施されたジオハッシュでは、加速度センサデータの平均が小さいことを示し、ハッチングが施されていないジオハッシュでは、対象ユーザが滞在していないため、加速度センサデータが無いことを示している。同様に、図７（ｂ）には対象ユーザのジオハッシュごとのジャイロセンサデータの「平均」の大小が、図７（ｃ）には対象ユーザのジオハッシュごとの画面オン時間の「平均」の大小が、図７（ｄ）には対象ユーザのジオハッシュごとのアプリＡの利用時間の「平均」の大小が、それぞれ二次元的に示されている。なお、ステップＳ１２では、対象ユーザごとにジオハッシュごとの平均・分散を計算してもよいし、全ての対象ユーザをひとまとめにしてジオハッシュごとの平均・分散を計算してもよい。

次に、異常度計算部１３は、ステップＳ１２で得られた対象値とステップＳ２で得られた参照値から、対象ユーザの空間単位（ジオハッシュ）ごとのセンサデータの異常度を計算する（ステップＳ１３）。この異常度の計算は、任意のアルゴリズムを採用してよい。ここでは、一例として、異常度計算部１３は、各ジオハッシュでの平均の差（絶対値）と分散の差（絶対値）との和を異常度として計算する。図８を用いて、加速度センサデータの異常度の計算例を説明する。図８に示す様々なセンサデータに関する「参照値」と「対象値」のうち、「加速度平均」と「加速度分散」に注目すると、ジオハッシュ123456abについては、対象ユーザの滞在履歴が無く「対象値」が無いため、異常度は計算できず、「値なし」となる。
ジオハッシュ123456a9については、|10.21－9.81|＋|0.43－0.02|＝0.81
ジオハッシュ123456baについては、|9.81－9.91|＋|0.06－0.03|＝0.13
という計算により、それぞれの異常度が得られる。別のセンサデータについても同様に、異常度が計算され、図８の下段の表に示すような、ジオハッシュごとの各センサデータについての異常度が得られる。

ここまでの処理により、場所に関するドメインの知識は無くとも、後述するステップＳ１５のセンサデータの異常度に基づくユーザ状態推定のための推定モデル構築に資する有効な情報として、対象ユーザの空間単位（ジオハッシュ単位）の各センサデータについての異常度を得ることができる。

そして、異常度計算部１３は、図９に示すように、計算で得られた対象ユーザのジオハッシュごとのセンサデータの異常度を、所定の時間幅単位（ここでは１日単位）でセンサごとの異常度として集約する。ここでの集約は任意のアルゴリズムを採用してよく、例えば、各センサの異常度の「最大値」を集約結果としてもよいし、各センサの異常度の「平均値」を集約結果としてもよいし、各センサの異常度の「最小値」を集約結果としてもよい。図９の例では、各センサの異常度の「最大値」を集約結果としており、ある１日（2020年1月1日）における各センサの異常度の集約結果を得ている。

図２（ｂ）に戻り、次のステップＳ１４では、ユーザ状態データ取得部１４が、対象ユーザの状態を表すユーザ状態データとして、ストレス指標LFHFを一般的に知られた方法によって、上記の所定の時間幅単位（１日単位）で取得し、得られたLFHFが予め定めた基準値よりも「高い」か「低い」かという２値を求める。これにより、例えば、図１０に示すように、対象ユーザ（ユーザ１）の１日単位のユーザ状態データとして、ストレス指標LFHFが基準値よりも「高い」か「低い」かを表すデータが取得される。なお、上記ステップＳ１４の処理は、ステップＳ１１～Ｓ１３の処理の後に実行することは必須ではなく、ステップＳ１１～Ｓ１３の処理と同時並行で実行してもよい。

次のステップＳ１５では、推定モデル構築部１５が、図１１に示すように、ステップＳ１３で得られた所定の時間幅単位（１日単位）のセンサごとの異常度ｘ（ここでは、x=(v1,v2,…)）を説明変数とし、ステップＳ１４で取得された所定の時間幅単位（１日単位）のユーザ状態データｙ（ここではストレス指標LFHF）を目的変数とする推定モデルｆを構築する。なお、推定モデル構築のための学習は、機械学習、深層学習など、任意のアルゴリズムで実行してよい。

以上説明した発明の実施形態によれば、場所に関するドメインの知識は無くとも、ユーザ状態推定のための推定モデルを構築することに資する有効な情報として、対象ユーザの空間単位（ジオハッシュ単位）の各センサデータについての異常度を得ることができ、さらに、各センサデータの異常度に基づくユーザ状態推定のための推定モデルを構築することができる。

なお、上記実施形態では、参照値計算部１２および異常度計算部１３が、空間単位（ジオハッシュ単位）ごとのセンサデータの平均および分散を、参照値および対象値として計算し、これら参照値および対象値から異常度を計算する例を説明したが、センサデータの平均および分散を異常度計算の基礎とすることは一例であり、センサデータの平均および分散以外の数値を異常度計算の基礎としてもよい。

［用語、変形態様などについて］
なお、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）、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、一実施の形態における推定モデル構築装置は、本実施形態における処理を行うコンピュータとして機能してもよい。図１２は、推定モデル構築装置１０のハードウェア構成例を示す図である。上述の推定モデル構築装置１０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。

なお、以下の説明では、「装置」という文言は、回路、デバイス、ユニットなどに読み替えることができる。推定モデル構築装置１０のハードウェア構成は、図に示した各装置を１つ又は複数含むように構成されてもよいし、一部の装置を含まずに構成されてもよい。

推定モデル構築装置１０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。

プロセッサ１００１は、例えば、オペレーティングシステムを動作させてコンピュータ全体を制御する。プロセッサ１００１は、周辺装置とのインターフェース、制御装置、演算装置、レジスタなどを含む中央処理装置（ＣＰＵ：Central Processing Unit）によって構成されてもよい。

また、プロセッサ１００１は、プログラム（プログラムコード）、ソフトウェアモジュール、データなどを、ストレージ１００３及び通信装置１００４の少なくとも一方からメモリ１００２に読み出し、これらに従って各種の処理を実行する。プログラムとしては、上述の実施の形態において説明した動作の少なくとも一部をコンピュータに実行させるプログラムが用いられる。上述の各種処理は、１つのプロセッサ１００１によって実行される旨を説明してきたが、２以上のプロセッサ１００１により同時又は逐次に実行されてもよい。プロセッサ１００１は、１以上のチップによって実装されてもよい。なお、プログラムは、電気通信回線を介してネットワークから送信されても良い。

メモリ１００２は、コンピュータ読み取り可能な記録媒体であり、例えば、ＲＯＭ（Read Only Memory）、ＥＰＲＯＭ（Erasable Programmable ＲＯＭ）、ＥＥＰＲＯＭ（Electrically Erasable Programmable ＲＯＭ）、ＲＡＭ（Random Access Memory）などの少なくとも１つによって構成されてもよい。メモリ１００２は、レジスタ、キャッシュ、メインメモリ（主記憶装置）などと呼ばれてもよい。メモリ１００２は、本開示の一実施の形態に係る無線通信方法を実施するために実行可能なプログラム（プログラムコード）、ソフトウェアモジュールなどを保存することができる。

ストレージ１００３は、コンピュータ読み取り可能な記録媒体であり、例えば、ＣＤ－ＲＯＭ（Compact Disc ＲＯＭ）などの光ディスク、ハードディスクドライブ、フレキシブルディスク、光磁気ディスク(例えば、コンパクトディスク、デジタル多用途ディスク、Ｂｌｕ－ｒａｙ（登録商標）ディスク)、スマートカード、フラッシュメモリ(例えば、カード、スティック、キードライブ)、フロッピー（登録商標）ディスク、磁気ストリップなどの少なくとも１つによって構成されてもよい。ストレージ１００３は、補助記憶装置と呼ばれてもよい。上述の記憶媒体は、例えば、メモリ１００２及びストレージ１００３の少なくとも一方を含むデータベース、サーバその他の適切な媒体であってもよい。

通信装置１００４は、有線ネットワーク及び無線ネットワークの少なくとも一方を介してコンピュータ間の通信を行うためのハードウェア（送受信デバイス）であり、例えばネットワークデバイス、ネットワークコントローラ、ネットワークカード、通信モジュールなどともいう。

入力装置１００５は、外部からの入力を受け付ける入力デバイス（例えば、キーボード、マウス、マイクロフォン、スイッチ、ボタン、センサなど）である。出力装置１００６は、外部への出力を実施する出力デバイス（例えば、ディスプレイ、スピーカー、LEDランプなど）である。なお、入力装置１００５及び出力装置１００６は、一体となった構成（例えば、タッチパネル）であってもよい。また、プロセッサ１００１、メモリ１００２などの各装置は、情報を通信するためのバス１００７によって接続される。バス１００７は、単一のバスを用いて構成されてもよいし、装置間ごとに異なるバスを用いて構成されてもよい。

本開示において説明した各態様／実施形態は単独で用いてもよいし、組み合わせて用いてもよいし、実行に伴って切り替えて用いてもよい。また、所定の情報の通知（例えば、「Ｘであること」の通知）は、明示的に行うものに限られず、暗黙的（例えば、当該所定の情報の通知を行わない）ことによって行われてもよい。

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。

入出力された情報等は特定の場所（例えば、メモリ）に保存されてもよいし、管理テーブルを用いて管理してもよい。入出力される情報等は、上書き、更新、又は追記され得る。出力された情報等は削除されてもよい。入力された情報等は他の装置へ送信されてもよい。

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、「含む（include）」、「含んでいる（including）」及びそれらの変形が使用されている場合、これらの用語は、用語「備える（comprising）」と同様に、包括的であることが意図される。さらに、本開示において使用されている用語「又は（or）」は、排他的論理和ではないことが意図される。

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。

本開示において、「ＡとＢが異なる」という用語は、「ＡとＢが互いに異なる」ことを意味してもよい。なお、当該用語は、「ＡとＢがそれぞれＣと異なる」ことを意味してもよい。「離れる」、「結合される」などの用語も、「異なる」と同様に解釈されてもよい。

１０…推定モデル構築装置、１１…センサデータ取得部、１２…参照値計算部、１３…異常度計算部、１４…ユーザ状態データ取得部、１５…推定モデル構築部、１００１…プロセッサ、１００２…メモリ、１００３…ストレージ、１００４…通信装置、１００５…入力装置、１００６…出力装置、１００７…バス。

Claims

１人以上のユーザにおける身体的要素を計測する１つ以上のセンサから、当該ユーザの空間単位ごとのセンサデータを取得するセンサデータ取得部と、
前記センサデータ取得部により取得された、参照値計算のための複数ユーザの空間単位ごとのセンサデータについて、予め定められた方法に基づき、空間単位ごとのセンサデータの参照値を計算する参照値計算部と、
前記センサデータ取得部により取得された、対象ユーザの空間単位ごとのセンサデータについて、前記予め定められた方法に基づき、空間単位ごとのセンサデータの対象値を計算し、得られた空間単位ごとのセンサデータの対象値と、前記参照値計算部による計算で得られた空間単位ごとのセンサデータの参照値とに基づいて、前記対象ユーザの空間単位ごとのセンサデータの異常度を計算する異常度計算部と、
を備える推定モデル構築装置。
前記異常度計算部は、計算で得られた前記対象ユーザの空間単位ごとのセンサデータの異常度を、所定の時間幅単位でセンサごとの異常度として集約し、
前記推定モデル構築装置は、
前記対象ユーザの状態を表すユーザ状態データを前記所定の時間幅単位で取得するユーザ状態データ取得部と、
前記異常度計算部により集約された前記所定の時間幅単位のセンサごとの異常度を説明変数とし、前記ユーザ状態データ取得部により取得された前記所定の時間幅単位のユーザ状態データを目的変数とする推定モデルを構築する推定モデル構築部と、
をさらに備える、請求項１に記載の推定モデル構築装置。
前記参照値計算部は、前記空間単位ごとのセンサデータの平均および分散を参照値として計算し、
前記異常度計算部は、前記空間単位ごとのセンサデータの平均および分散を対象値として計算する、
請求項１又は２に記載の推定モデル構築装置。