WO2010052845A1

WO2010052845A1 - 情報処理システム及び情報処理装置

Info

Publication number: WO2010052845A1
Application number: PCT/JP2009/005632
Authority: WO
Inventors: 辻聡美; 佐藤信夫; 矢野和男; 荒宏視; 田中毅
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 2008-11-04
Filing date: 2009-10-26
Publication date: 2010-05-14
Anticipated expiration: 2011-05-04
Also published as: JPWO2010052845A1; US20110295655A1; CN102203813A; JP5092020B2; CN102203813B

Abstract

　組織または人物について、改善すべき指標を選別し、さらに、複数の改善すべき指標を考慮して業務を全体として最適にする施策の提案をサポートするためのシステム、装置、及び方法を提供する。端末は、物理量を検出するセンサと、物理量を示すデータを処理装置に送信するデータ送信部とを備え、入出力装置は、端末を装着した人物に関連する生産性を示すデータの入力を受ける入力部と、生産性を示すデータを処理装置に送信するデータ送信部とを備え、処理装置は、物理量を示すデータから特徴量を抽出する特徴量抽出部と、生産性を示すデータからコンフリクトを生じる複数のデータを決定するコンフリクト計算部と、特徴量とコンフリクトを生じる複数のデータとの関連の強さを算出する影響力係数計算部とを備える。

Description

情報処理システム及び情報処理装置

　本発明は、センサ端末を身に着けた人物の活動データに基づき、より良い業務もしくは生活を実現することをサポートする技術に関するものである。

　従来、センサ端末を身に着けたワーカーの行動データから複数の特徴量を抽出し、業務の成果に関する指標やワーカーの主観評価に対して最も強く同期している特徴量を見つける方法が開示されている（例えば、特許文献１）。

特開２００８‐２１０３６３号公報

　あらゆる組織において生産性の向上は必須の課題となっており、生産効率の向上、また、アウトプットの質の向上を目的とした多くの試行錯誤がなされている。決まった作業をできる限り短時間で完了させることを目的とした業務においては、作業のプロセスを洗い出し、空白時間の発見や作業手順の入れ替えなどによって生産効率が改善される。

　しかしながら、知識労働を中心とするアウトプットの質、特に創造性や新規性が重視される業務においては、作業手順だけを分析しても生産性を十分に向上できない。知識労働において業務改善が困難な理由は、まず、生産性の定義が対象組織やワーカーによって多様であること、そして、生産性を向上させるための方法も多様であること、がある。例えば、新製品のコンセプトを提案することが目的である業務においては、アウトプットであるコンセプト自身の質を計ることは困難である。そして、質の高いコンセプトのために必要だと考えられるパフォーマンスの指標としては、異分野の人同士のコミュニケーションによる新しい視点の導入、市場調査によるアイディアの裏づけ、深い議論による提案の堅牢さ、提案資料の文章や色使いの完成度など、多様な要素が必要となる。そしてこれらを向上するために効果的な手法も、組織の文化や業種、ワーカーの性格などによっても様々である。よって、パフォーマンスを向上するために、何に着目し、どう変えるべきなのか、組織改善のターゲットを絞り込むことが大きな課題である。

　またさらに、複数のパフォーマンスのバランスを考慮することが、本発明において我々が提示する新規の課題である。例えば、生産効率の向上のみを追及してワーカーに重労働を強いた場合には、ワーカーの健康を阻害したり、モチベーションを低下させたりなどの弊害を導く可能性が高い。したがって、複数のパフォーマンスを考慮し、全体として最適な結果を得るための改善施策を立てることが重要である。

　なお、適切な改善をすべき対象としては業務だけでなく、日常生活全般においての暮らしの質を改善することも、上記と同様に必要なことがらである。この場合には例えば、健康と趣味の充足の両立のための具体的な改善方法を考えること、などが課題となる。

　従来の特許文献１では、各ワーカーがセンサ端末を身に着け、それによって得た活動データから複数の特徴量を抽出し、業務の成果に関する指標やワーカーの主観評価に対して最も強く同期している特徴量を見つける方法が示されている。しかし、これは、特徴量を見つけることによってワーカーごとの特性を理解したり、ワーカー自身が行動を変容させるためのものであり、業務改善のための施策を立てるために利用することは言及されていない。また、パフォーマンスとして考慮する指標は１つしかなく、複数パフォーマンスに対する統合的な分析視点は有していない。

　よって、対象となる組織または人において、改善すべき指標（パフォーマンス）を選別し、さらに指標を改善するための施策の指針を得ること、そして、複数の改善すべき指標を考慮し、業務を全体として最適にする施策の提案をサポートするシステムと方法が必要である。

　本願において開示される発明のうち、代表的なものの概要を簡単に説明すれば、下記のとおりである。

　端末と、入出力装置と、端末及び入出力装置から送信されるデータを処理する処理装置と、を有する情報処理システムである。端末は、物理量を検出するセンサと、物理量を示すデータを処理装置に送信するデータ送信部とを備え、入出力装置は、端末を装着した人物に関連する生産性を示すデータの入力を受ける入力部と、生産性を示すデータを処理装置に送信するデータ送信部と、を備え、処理装置は、物理量を示すデータから特徴量を抽出する特徴量抽出部と、生産性を示すデータからコンフリクトを生じる複数のデータを決定するコンフリクト計算部と、特徴量とコンフリクトを生じる複数のデータとの関連の強さを算出する影響力係数計算部と、を備える。

　また、端末と、入出力装置と、端末及び入出力装置から送信されるデータを処理する処理装置と、を有する情報処理システムである。端末は、物理量を検出するセンサと、物理量を示すデータを送信するデータ送信部とを備え、入出力装置は、端末を装着した人物に関連する複数の生産性を示すデータの入力を受ける入力部と、複数の生産性を示すデータを処理装置に送信するデータ送信部とを備え、処理装置は、物理量を示すデータから複数の特徴量を抽出し、複数の特徴量それぞれの期間及びサンプリング周期を統一する特徴量抽出部と、複数の生産性を示すデータそれぞれの期間及びサンプリング周期を統一するコンフリクト計算部と、期間及びサンプリング周期が統一された特徴量と生産性に関するデータとの関連の強さを算出する影響力係数計算部と、を備える。

　また、端末と、入出力装置と、端末及び入出力装置から送信されるデータを処理する処理装置と、を有する情報処理システムである。端末は、物理量を検出するセンサと、センサが検出した物理量を示すデータを送信するデータ送信部とを備え、入出力装置は、端末を装着した人物に関連する生産性を示すデータの入力を受ける入力部と、生産性を示すデータを処理装置に送信するデータ送信部とを備え、処理装置は、物理量を示すデータから特徴量を抽出する特徴量抽出部と、生産性を示すデータから人物の主観評価を示す主観データ及び人物に関連する業務の客観データを決定するコンフリクト計算部と、特徴量と主観データとの関連の強さ及び特徴量と客観データとの関連の強さを算出する影響力係数計算部とを備える。

　また、端末と、入出力装置と、端末及び入出力装置から送信されるデータを処理する処理装置と、を含む情報処理システムである。端末は、物理量を検出するセンサと、センサが検出した物理量を示すデータを送信するデータ送信部とを備え、入出力装置は、端末を装着した人物に関連する複数の生産性を示すデータの入力を受ける入力部と、生産性を示すデータを処理装置に送信するデータ送信部とを備え、処理装置は、物理量を示すデータから複数の特徴量を抽出する特徴量抽出部と、複数の特徴量の中で選択された１の特徴量と複数の生産性を示すデータそれぞれとの関連の強さを算出する影響力係数計算部とを備える。

　また、第１の時系列データ、第２の時系列データ、第１の参照値、及び第２の参照値を記録する記録部と、第１の時系列データまたは第１の時系列を加工した値が第１の参照値よりも大きいか、あるいは小さいかを判定する第１の判定部と、第２の時系列データまたは第２の時系列データを加工した値が第２の参照値より大きいか、あるいは小さいかを判定する第２の判定部と、第１の時系列データまたは第１の時系列を加工した値が第１の参照値よりも大きく、かつ、第２の時系列データまたは第２の時系列データを加工した値が第２の参照値より大きい場合を第１の状態と判定し、第１の状態以外の状態あるいは第１の状態以外の状態であって特定の状態を第２の状態と判定する状態判定部と、第１の状態に第１の名称、第２の状態に第２の名称を割り当てる手段と、第１の名称または第２の名称を用いて、第１の状態または第２の状態にあることを接続される表示部に表示させる手段とを備える情報処理装置である。

　また、ユーザにより入力される、ユーザの生活あるいは業務に関係する第１の量及び第２の量に関する情報を取得する手段と、第１の量が増加し、かつ、第２の量が増加した場合を第１の状態と判定し、第１の状態以外の状態あるいは第１の状態以外の状態であって特定の状態を第２の状態と判定する状態判定部と、第１の状態に第１の名称、第２の状態に第２の名称を割り当てる手段と、第１の名称または第２の名称を用いて、ユーザが第１の状態または第２の状態にあることを接続される表示部に表示させる手段とを備える情報処理装置である。

　また、ユーザにより入力される、ユーザの生活あるいは業務に関係する第１の量、第２の量、第３の量、及び第４の量に関する情報を取得する手段と、第１の量が増加し、かつ、第２の量が増加した場合を第１の状態と判定し、第１の状態以外の状態、あるいは第１の状態以外の状態であって特定の状態を第２の状態と判定し、第３の量が増加し、かつ、第４の量が増加した場合を第３の状態と判定し、第３の状態以外の状態あるいは第３の状態以外の状態であって特定の状態を第４の状態と判定し、第１の状態であり、かつ、第３の状態である状態を第５の状態とし、第１の状態であり、かつ、第４の状態である状態を第６の状態とし、第２の状態であり、かつ、第３の状態である状態を第７の状態とし、第２の状態であり、かつ、第４の状態である状態を第８の状態とする状態判定部と、第５の状態に第１の名称、第６の状態に第２の名称、第７の状態に第３の名称、及び第８の状態に第４の名称を割り当てる手段と、第１の名称、第２の名称、第３の名称、及び第４の名称の少なくとも何れかを用いて、ユーザが第５の状態、第６の状態、第７の状態、及び第８の状態の何れかにあることを接続される表示部に表示させる手段とを備える情報処理装置である。

　また、人の動きに関連する時系列データを記録する記録部と、時系列データを加工して、人の動きのばらつき、むら、あるいは一貫性に関する指標を算出する算出部と、指標から、人の動きのばらつきやむらが小さいこと、あるいは一貫性が高いことを判定する判定部と、判定の結果に基づいて、人あるいは人が属する組織の望ましい状態を接続される表示部に表示させる情報処理装置である。

　また、人の睡眠に関連する時系列データを記録する記録部と、時系列データを加工して、人の睡眠に関連するばらつき、むら、あるいは一貫性に関する指標を算出する算出部と、指標から、人の睡眠に関連するばらつきやむらが小さいこと、あるいは一貫性が高いことを判定する判定部と、判定の結果に基づいて、人あるいは人が属する組織の望ましい状態を接続される表示部に表示させる情報処理装置である。

　また、少なくとも第１のユーザ、第２のユーザ、及び第３のユーザのコミュニケーションの状況を示すデータを記録する記録部と、コミュニケーションの状況を示すデータを解析する処理部と、を有する情報処理装置である。記録部は、第１のユーザと第２のユーザの第１のコミュニケーション量及び第１の関連する情報、第１のユーザと第３のユーザの第２のコミュニケーション量及び第２の関連する情報、並びに第２のユーザと第３のユーザの第３のコミュニケーション量及び第３の関連する情報を記録する。処理部が、第３のコミュニケーション量が第１のコミュニケーション量に比べて少なく、かつ、第３のコミュニケーション量が第２のコミュニケーション量に比べて少ないことを判定すると、第２のユーザと第３のユーザとのコミュニケーションを促す表示あるいは指示を行う。

　本発明によれば、ワーカーの活動データとパフォーマンスデータに基づき、複数のパフォーマンスに与える影響を考慮して業務を最適にする施策の提案をサポートすることができる。

第１の実施の形態における、センシングデータとパフォーマンスデータの収集から解析結果を表示するまでの、利用シーンを示す説明図の一例である。第１の実施の形態における、バランスマップを説明する図の一例である。第１の実施の形態における、バランスマップの一例を示す図である。第１の実施の形態における、アプリケーションサーバとクライアントの構成を説明する図の一例である。第１の実施の形態における、パフォーマンス入力用クライアントと、センサネットサーバと、基地局の構成を説明する図の一例である。第１の実施の形態における、端末の構成を説明する図の一例である。第１の実施の形態における、センシングデータとパフォーマンスデータがセンサネットサーバに蓄えられるまでの処理を示すシーケンス図の一例である。第１の実施の形態における、ユーザによるアプリケーションの立ち上げから、解析結果をユーザに提示するまでの処理を示すシーケンス図の一例である。第１の実施の形態における、影響力係数の結果の例を示す表である。第１の実施の形態における、特徴量の組み合わせの例である。第１の実施の形態における、特徴量に対応する組織改善施策例一覧の例である。第１の実施の形態における、解析条件設定ウィンドウの例である。第１の実施の形態における、バランスマップを作成するために実行される処理の全体を示すフローチャートの一例である。第１の実施の形態における、コンフリクト計算の処理を示すフローチャートの一例である。第１の実施の形態における、バランスマップ描画の処理を示すフローチャートの一例である。第１の実施の形態における、分析者の手順を示すフローチャートである。第１の実施の形態における、ユーザＩＤ対応表の例を示す説明図である。第１の実施の形態におけるパフォーマンスデータテーブルの一例を示す説明図である。第１の実施の形態におけるパフォーマンス相関マトリクスの一例を示す説明図である。第１の実施の形態における、影響力係数テーブルの一例を示す図である。第２の実施の形態における、バランスマップを作成するために実行される処理の全体を示すフローチャートの一例である。第２の実施の形態における対面テーブルの一例を示す説明図である。第２の実施の形態における対面結合テーブルの一例を示す説明図である。第２の実施の形態における対面特徴量テーブルの一例を示す説明図である。第２の実施の形態における加速度データテーブルの一例を示す説明図である。第２の実施の形態における加速度リズムテーブルの一例を示す説明図である。第２の実施の形態における加速度リズム特徴量テーブルの一例を示す説明図である。第２の実施の形態におけるアンケート回答用の電子メールの文面とその返信の一例を示す説明図である。第２の実施の形態における端末においてアンケートに回答する場合の画面の一例を示す説明図である。第２の実施の形態におけるパフォーマンスデータテーブルの一例を示す説明図である。第２の実施の形態における統合データテーブルの一例を示す説明図である。第３の実施の形態における、パフォーマンス入力用クライアントと、センサネットサーバの構成を説明する図である。第３の実施の形態におけるパフォーマンスデータの組み合わせの例を示す説明図である。第４の実施の形態におけるバランスマップの一例を示す図である。第４の実施の形態におけるバランスマップ描画の処理を示すフローチャートの一例である。第５の実施の形態における端末の赤外線送受信器の検出範囲を示す説明図の一例である。第５の実施の形態における二段階の対面検出データの補完のプロセスを説明する図の一例である。第５の実施の形態における、二段階の対面検出データの補完による対面結合テーブルの値の変化を説明する図の一例である。第５の実施の形態における、二段階の対面検出データの補完の処理を示すフローチャートの一例である。第６の実施の形態におけるコミュニケーションの行い方によるフェーズの位置づけを説明する図の一例である。第６の実施の形態におけるコミュニケーションダイナミクスの分類を示す説明図の一例である。第６の実施の形態における対面マトリクスの例を示す説明図である。第６の実施の形態におけるアプリケーションサーバとクライアントの構成を説明する図である。第７の実施の形態におけるシステム構成と処理プロセスを示す説明図の一例である。第７の実施の形態におけるシステム構成と処理プロセスを示す説明図の一例である。第７の実施の形態における解析結果を示す図の一例である。第７の実施の形態における解析結果を示す図の一例である。第７の実施の形態における解析結果を示す図の一例である。第７の実施の形態における解析結果を示す図の一例である。第７の実施の形態における解析結果を示す図の一例である。第７の実施の形態における解析結果を示す図の一例である。第７の実施の形態の根拠となる測定結果を示す図の一例である。第７の実施の形態の根拠となる測定結果を示す図の一例である。第８の実施の形態におけるアプリケーションサーバとクライアントの構成を説明する図の一例である。第８の実施の形態における結束度の計算方法を説明するための図の一例である。第８の実施の形態におけるネットワーク図の一例を示す説明図である。

　まず、本願において開示される代表的な発明の概要について説明する。

　人物が装着したセンサ端末によってその人物の活動データを取得し、その活動データから複数の特徴量を抽出する。また、別途取得した複数種類のパフォーマンスデータに対して、各特徴量の持つ関連の強さと正負を算出し、特徴量の性質を表示することで、パフォーマンスを改善するために注目すべき特徴量の発見と改善施策立案を助けるシステムを実現する。これを実現するための代表的な発明の概要を以下に説明する。

　第１の発明は、コンフリクトを生じうる２種類のパフォーマンスデータと、複数種類のセンシングデータとの、それぞれの関係の強さを表示する。

　第２の発明は、期間・サンプリング周期などの基準が一致した、２種類のパフォーマンスデータと複数種類のセンシングデータとの、それぞれの関係の強さを表示する。

　第３の発明は、主観データと客観データ、または客観データと客観データの、２種類のパフォーマンスデータと、複数種類のセンシングデータとの、それぞれの関係の強さを表示する。

　第１の発明によれば、コンフリクトを生じる要因を発見しその要因を取り除くように施策を立てたり、コンフリクトを生じないように２種類のパフォーマンスを共に改善するように施策を立てることができる。

　第２の発明によれば、パフォーマンスデータとセンシングデータが、異なるサンプリング周期で取得されていたり、欠損を含む不完全なものである場合にも、２種類のパフォーマンスをバランスよく改善するように適切に施策を立てることができる。

　第３の発明によれば、個人の内面に関する定性的なパフォーマンスと生産性に関する定量的なパフォーマンスを共に改善するための施策、もしくは、生産性に関する定量的な２種類のパフォーマンスを共に改善するための施策、を立てることができる。

　最初に、本発明の第１の実施の形態について図面を参照して説明する。
＜図１：全体の処理の流れの概要＞
　図１に、第１の実施の形態の装置の概要を示す。第１の実施の形態では、無線送受信器を有するセンサ端末（ＴＲ）を組織の各メンバがユーザ（ＵＳ）として装着し、その端末（ＴＲ）によって各メンバの行動やメンバ間の交流（インタラクション）に関するセンシングデータを取得する。行動については加速度センサやマイクによってデータを収集する。また、ユーザ（ＵＳ）同士が対面した際にはそれぞれの端末（ＴＲ）間で赤外線を送受信することで対面を検知している。取得したセンシングデータは無線によって基地局（ＧＷ）に送信され、ネットワーク（ＮＷ）を通じてセンサネットサーバ（ＳＳ）に格納される。

　また、パフォーマンスデータは、別途、もしくは同じ端末（ＴＲ）から収集する。ここで、パフォーマンスとは、組織または個人の、業務の成果と結びつきのある基準となるもののことであり、例えば売り上げや利益率、顧客満足度、従業員満足度、ノルマ達成率、などがある。言い換えれば、端末を装着したメンバ、そのメンバが属する組織に関連する生産性を示すものといえる。また、パフォーマンスデータとは、パフォーマンスを表す定量的な値である。パフォーマンスデータは、組織の担当者が入力したり、個人が自らの主観的な評価を数値で入力したり、ネットワーク内に存在するデータを自動的に取得したりする方法によって、得る。パフォーマンスを得る装置を、総称としてここではパフォーマンス入力用クライアント（ＱＣ）と呼ぶ。パフォーマンス入力用クライアント（ＱＣ）は、パフォーマンスデータを得る仕組みと、それをセンサネットサーバ（ＳＳ）に送信する仕組みを有する。これは、ＰＣ（Ｐｅｒｓｏｎａｌ　Ｃｏｍｐｕｔｅｒ）であっても良いし、端末（ＴＲ）がパフォーマンス入力用クライアント（ＱＣ）の機能を兼ねるものであっても良い。

　パフォーマンス入力用クライアント（ＱＣ）で得たパフォーマンスデータは、ネットワーク（ＮＷ）を通じてセンサネットサーバ（ＳＳ）に格納される。これらのセンシングデータとパフォーマンスデータから業務改善に関する表示を作成する際には、クライアント（ＣＬ）からアプリケーションサーバ（ＡＳ）に依頼を出し、対象となるメンバのセンシングデータとパフォーマンスデータをセンサネットサーバ（ＳＳ）から取り出す。それをアプリケーションサーバ（ＡＳ）において処理・解析し、画像を作成する。さらにその画像をクライアント（ＣＬ）に戻しディスプレイに表示（ＣＬＤＰ）する。これによって、業務改善をサポートする、一連の業務改善システムを実現する。なお、センサネットサーバとアプリケーションサーバを別々の装置として図示・説明するが、それらが同一の装置で構成されるものであってもよい。

　なお、端末（ＴＲ）で取得したデータは無線によって逐次送信するのではなく、データを端末（ＴＲ）内に蓄積しておき、有線ネットワークに接続した際にそれらのデータを基地局（ＧＷ）に送信しても良い。
＜図９：別々の特徴量による分析の例＞
　図９に、組織と個人のパフォーマンスと、メンバの行動との結びつきを分析する場合の例を示す。

　この分析は、パフォーマンスデータと、センサ端末（ＴＲ）から得たユーザ（ＵＳ）の活動データとを合わせて調べることによって、日々のどのような活動（例えば、体の動きや、コミュニケーションの仕方）がパフォーマンスに影響を与えているのかを知るためのものである。

　ここでは、ユーザ（ＵＳ）が装着した端末（ＴＲ）や、ＰＣ（Ｐｅｒｓｏｎａｌ　Ｃｏｍｐｕｔｅｒ）から得たセンシングデータから、一定のパターンを持つデータを特徴量（ＰＦ）として抽出し、複数種類の特徴量（ＰＦ）それぞれの、パフォーマンスデータとの関連性の強さを求める。このとき目的とするパフォーマンスに影響を与えている可能性が高い特徴量を選んでおき、対象組織またはユーザ（ＵＳ）において実際にどの特徴量が強い影響力を有しているのかを検討する。その結果を踏まえて、関連性が強い特徴量（ＰＦ）特徴量を増やすような施策を実施すれば、ユーザ（ＵＳ）の行動が変わり、さらにパフォーマンスが向上されるようになる。このようにして、業務を改善するためにどのような施策を立てるべきかがわかるようになる。

　関連性の強さについては、ここでは「影響力係数」という数値を用いる。影響力係数は、特徴量の値とパフォーマンスデータとの同期の強さを示す実数値であり、正または負の符号を有する。符号が正の場合には、特徴量が上がるとパフォーマンスデータも上がるという同期性があることを示し、符号が負の場合には、特徴量が上がるとパフォーマンスデータが下がるという同期性があることを示す。また、影響力係数の絶対値が高い方が、より強く同期していることを示す。影響力係数としては、各特徴量とパフォーマンスデータとの相関係数を用いる。または、各特徴量を説明変数、パフォーマンスデータを目的変数とした重回帰分析によって求められる、偏回帰係数を用いる。影響力を数値で表すものであれば、それ以外の方法を用いて求めても良い。

　図９（ａ）は、組織のパフォーマンスとして「チーム進捗度」を選択し、また特徴量（ＯＦ）としてはチーム内対面時間（ＯＦ０１）などのチーム進捗度との関連が高い可能性のある５つのもの（ＯＦ０１～ＯＦ０５）を用いた場合の、分析結果例（ＲＳ＿ＯＦ）である。計算方法（ＣＦ＿ＯＦ）は、センシングデータからそれぞれの特徴量（ＯＦ）を抽出するための計算の概要を示している。各特徴量（ＯＦ）の、チーム進捗度に対する影響力係数（ＯＦＸ）の結果を見ると、最も影響力の絶対値が強いのは、(1)チーム内対面時間（ＯＦ０１）であることがわかる。一方、(3)対面時活性度（ＯＦ０３）は係数が負であるため、対面時活性度は低い。つまり、喧々諤々と意見を投げ合うブレーンストーミングよりも、みんなでじっくり考える形の会議の方が、この組織ではチーム進捗度が良くなることがわかる。例えばこの結果から、チーム内の会議を増やす、特にじっくり考える会議を増やす施策を実施することが、チーム進捗度を高めるために効果的であることが言える。よって、この分析によって組織改善の施策立案することができる。

　また、図９（ｂ）は、個人のパフォーマンスとしてアンケート回答による「充実感」を選択し、また特徴量（ＰＦ）としては個人の対面時間（ＰＦ０１）などの充実感との関連が高い可能性のある５つのもの（ＰＦ０１～ＰＦ０５）を用いた場合の、分析結果例（ＲＳ＿ＰＦ）である。上記と同様に計算方法（ＣＦ＿ＯＦ）は、センシングデータからそれぞれの特徴量（ＯＦ）を抽出するための計算の概要を示している。この結果から、対象組織のメンバーはＰＣタイピング数が最も充実感に強い影響力を有していることがわかり、よりＰＣ作業に注力させる環境を整える施策によって、充実度を高めることができると言える。

　これらのように、組織のパフォーマンスに対しては組織にまつわる特徴量を選択し、個人のパフォーマンスに対しては個人の行動にまつわる特徴量を選択して分析することで、それぞれを高めるための施策を立てるのに役立つ。しかしながら、組織における知識労働業務を改善するためには、１つのパフォーマンスだけを向上するだけでは不十分である可能性が高いと言える。特に、あるパフォーマンスを向上させようとすると、別のパフォーマンスが低下してしまう場合には問題である。図９（ａ）（ｂ）の例のように、別々の特徴量を用いた分析では、組織のパフォーマンス「チーム進捗度」を上げるためのある特徴量に注目した施策の実施によって、個人のパフォーマンス「充実感」が低下してしまう可能性を孕んでいるが、その点には考慮していない。つまり、２種類のパフォーマンスに対して別々に行った分析結果を単純に組み合わせるだけでは、「チーム進捗度」と、「充実
感」とを共に高めるために、どのような特徴量に注目して施策を立てれば良いかを知るためには不十分である。特に、分析対象となる特徴量あるいはパフォーマンスの数が増えるほど、施策を立てるための指標となる特徴量を特定することには限界がある。したがって、複数のパフォーマンスを両立させるための別の分析の方法が必要である。
＜図２・図３：バランスマップの説明＞
　図２に、第１の実施の形態による表示形式の説明図を示す。なお、この表示形式をバランスマップ（ＢＭ）と呼ぶ。バランスマップ（ＢＭ）は、図９の例で残された課題であった、複数のパフォーマンスを改善するための分析を行うことを可能にするものである。本バランスマップ（ＢＭ）の特徴は、複数のパフォーマンスに対して共通の特徴量の組み合わせを用いること、各特徴量についてそれぞれのパフォーマンスに対する影響力係数の正負の符号の組み合わせに着目すること、である。バランスマップ（ＢＭ）では、複数のパフォーマンスに対して各特徴量の影響力係数を計算し、各パフォーマンスに対する影響力係数をそれぞれ軸にとってプロットする。パフォーマンスとして、「ワーカーの充実度」と「組織の作業効率」を取った場合の、各特徴量の計算結果をプロットした例を図３に示す。処理の最後には、図３の形式の画像が画面に表示（ＣＬＤＰ）される。

　複数の改善すべきパフォーマンスがある場合に、パフォーマンス同士がコンフリクトしないものであれば改善は容易である。なぜなら、相互に関連性のない場合には順に１つずつのパフォーマンスを改善するための施策を実施すれば良いのであり、また、相互に正の関連性がある場合には、一方のパフォーマンスを改善すれば合わせてもう一方も改善されるからである。しかし、パフォーマンス同士がコンフリクトする場合、つまり、相互に負の関連性がある場合には、業務の改善は最も困難である。なぜならば、コンフリクトを孕んだ状態のままでは、1つのパフォーマンスを改善してもまた別のものが悪化することを繰り返し、全体を最適にすることができないからである。しかし、だからこそ、このようなコンフリクトを生じる組み合わせのパフォーマンスのコンフリクトの要因を発見し、コンフリクトを解消することができれば、業務全体の改善に大きく貢献できると言える。本発明では、コンフリクトを生じる可能性の高い組み合わせのパフォーマンスに対して、共通の特徴量を用いて分析することで、パフォーマンス間のコンフリクトの要因となっている特徴量や、パフォーマンスを両方高める要因となる特徴量をそれぞれ分類して発見することができる。これによって、コンフリクト要因の解消や、コンフリクトを生じさせない改善のための、施策を立案することができるようになる。

　ここで、特徴量とはメンバの活動（動きやコミュニケーション）に関するデータである。また、図３で用いた特徴量（ＢＭ＿Ｆ０１～ＢＭ＿Ｆ０９）の例を図１０の表（ＲＳ＿ＢＭＦ）に示す。図２と図３の例では、横軸にパフォーマンスＡに対する影響力係数（ＢＭ＿Ｘ）、縦軸にパフォーマンスＢに対する影響力係数（ＢＭ＿Ｙ）を取る。Ｘ軸の値（
ＢＭ＿Ｘ）が正である場合には、その特徴量はパフォーマンスＡを向上する性質を持ち、Ｙ軸の値（ＢＭ＿Ｙ）が正である場合には、パフォーマンスＢを向上する性質を持つと言える。さらに、各象限において第１象限にある特徴量は、両方のパフォーマンスを向上する性質を持ち、第３象限のものは、両方のパフォーマンスを低下させる性質を持つと言える。また、第２と第４象限にある特徴量は、一方のパフォーマンスを向上するが一方を低下させる、つまりコンフリクトを生じる一要因であるとわかる。よって、バランスマップ（ＢＭ）における第１象限（ＢＭ１）と第３象限（ＢＭ３）をバランス領域、第２象限（ＢＭ２）と第４象限（ＢＭ４）をアンバランス領域と呼んで区別する。着目した特徴量がバランス領域にあるかアンバランス領域にあるかによって、改善のための施策立案のプロセスが異なるためである。施策立案のフローチャートは図１６に示している。

　なお、本発明は影響力係数の正負の組み合わせに着目するものであり、全て正の場合、または、全て負の場合にはバランス領域、それ以外の場合にはアンバランス領域に分類する。そのため、３種類以上のパフォーマンスに対しても本発明は適用可能である。平面図の表記と説明の便宜上、本明細書と図面では、パフォーマンスの種類の数は２種類であるとして説明する。
＜図４～図６：全体システムの流れ＞
　図４から図６は、本発明の実施の形態の組織連携表示装置を実現するセンサネットワークシステムの全体構成を説明するブロック図である。図示の都合上分割して示してあるが、各々図示された各処理は相互に連携して実行される。端末（ＴＲ）でそれを装着した人物の動きやコミュニケーションに関するセンシングデータを取得し、センシングデータは基地局（ＧＷ）を経由して、センサネットサーバ（ＳＳ）格納する。また、パフォーマンス入力用クライアント（ＱＣ）によってユーザ（ＵＳ）のアンケート回答や業務データなどのパフォーマンスデータがセンサネットサーバ（ＳＳ）に格納される。また、アプリケーションサーバ（ＡＳ）においてセンシングデータとパフォーマンスデータの解析を行い、解析結果であるバランスマップをクライアント（ＣＬ）で出力する。図４から図６はこれらの一連の流れを示す。

　図４から図６における形の異なる５種類の矢印は、それぞれ、時刻同期、アソシエイト、取得したセンシングデータの格納、データ解析、及び、制御信号のためのデータまたは信号の流れを表している。
＜図４：全体システム(1)（ＣＬ・ＡＳ）＞
＜クライアント（ＣＬ）について＞
　クライアント（ＣＬ）は、ユーザ（ＵＳ）との接点となって、データを入出力する。クライアント（ＣＬ）は、入出力部（ＣＬＩＯ）、送受信部（ＣＬＳＲ）、記憶部（ＣＬＭＥ）及び制御部（ＣＬＣＯ）を備える。

　入出力部（ＣＬＩＯ）は、ユーザ（ＵＳ）とのインタフェースとなる部分である。入出力部（ＣＬＩＯ）は、ディスプレイ（ＣＬＯＤ）、キーボード（ＣＬＩＫ）及びマウス（ＣＬＩＭ）等を備える。必要に応じて外部入出力（ＣＬＩＵ）に他の入出力装置を接続することもできる。

　ディスプレイ（ＣＬＯＤ）は、ＣＲＴ（Ｃａｔｈｏｄｅ－Ｒａｙ　Ｔｕｂｅ）又は液晶ディスプレイ等の画像表示装置である。ディスプレイ（ＣＬＯＤ）は、プリンタ等を含んでもよい。

　送受信部（ＣＬＳＲ）は、アプリケーションサーバ（ＡＳ）又はセンサネットサーバ（ＳＳ）との間でデータの送信及び受信を行う。具体的には、送受信部（ＣＬＳＲ）は、解析条件をアプリケーションサーバ（ＡＳ）に送信し、解析結果、つまりバランスマップ（ＢＭ）を受信する。

　記憶部（ＣＬＭＥ）は、ハードディスク、メモリ又はＳＤカードのような外部記録装置で構成される。記憶部（ＣＬＭＥ）は、解析設定情報（ＣＬＭＴ）等の、描画に必要な情報を記録する。解析設定情報（ＣＬＭＴ）は、ユーザ（ＵＳ）から設定された解析対象とするメンバー及び解析条件などを記録し、また、アプリケーションサーバ（ＡＳ）から受け取った画像に関する情報、例えば、画像のサイズや、画面の表示位置に関する情報を記録する。さらに、記憶部（ＣＬＭＥ）は、制御部（ＣＬＣＯ）のＣＰＵ（図示省略）によって実行されるプログラムを格納してもよい。

　制御部（ＣＬＣＯ）は、ＣＰＵ（図示省略）を備え、通信の制御、ユーザ（ＵＳ）からの解析条件の入力、及び、解析結果をユーザ（ＵＳ）に提示するための表示（ＣＬＤＰ）等を実行する。具体的には、ＣＰＵは、記憶部（ＣＬＭＥ）に格納されたプログラムを実行することによって、通信制御（ＣＬＣＣ）、解析条件設定（ＣＬＩＳ）、及び表示（ＣＬＤＰ）等の処理を実行する。

　通信制御（ＣＬＣＣ）は、有線又は無線によるアプリケーションサーバ（ＡＳ）又はセンサネットサーバ（ＳＳ）との間の通信のタイミングを制御する。また、通信制御（ＣＬＣＣ）は、データの形式を変換し、データの種類別に行き先を振り分ける。

　解析条件設定（ＣＬＩＳ）は、ユーザ（ＵＳ）から入出力部（ＣＬＩＯ）を介して指定される解析条件を受け取り、記憶部（ＣＬＭＥ）の解析設定情報（ＣＬＭＴ）に記録する。ここでは、解析に用いるデータの期間、メンバー、解析の種類及び解析のためのパラメータ等が設定される。クライアント（ＣＬ）は、これらの設定をアプリケーションサーバ（ＡＳ）に送信して解析を依頼する。

　表示（ＣＬＤＰ）は、アプリケーションサーバ（ＡＳ）から取得した解析結果である図３のようなバランスマップ（ＢＭ）をディスプレイ（ＣＬＯＤ）などの出力装置に出力する。このとき、アプリケーションサーバ（ＡＳ）から画像と合わせて表示方法に関する指示、例えば表示サイズや位置などが指定されていればそれに応じて表示する。ユーザ（ＵＳ）がマウス（ＣＬＩＭ）などの入力装置を通じて画像のサイズや位置を微調整することもできる。

　また、画像として解析結果を受け取るのではなく、バランスマップにおける各特徴量の影響力係数の数値のみを受け取り、それに従ってクライアント（ＣＬ）上で画像を作成しても良い。この場合には、アプリケーションサーバ（ＡＳ）とクライアント（ＣＬ）間のネットワークにおける伝送量を節約することができる。
＜アプリサーバ（ＡＳ）について＞
　アプリケーションサーバ（ＡＳ）は、センシングデータを処理及び解析する。クライアント（ＣＬ）からの依頼を受けて、又は、設定された時刻に自動的に、解析アプリケーションが起動する。解析アプリケーションは、センサネットサーバ（ＳＳ）に依頼を送って、必要なセンシングデータやパフォーマンスデータを取得する。さらに、解析アプリケーションは、取得したデータを解析し、その結果をクライアント（ＣＬ）に返す。あるいは
、解析結果の画像または数値を、そのままアプリケーションサーバ（ＡＳ）内の記憶部（ＡＳＭＥ）に記録しておいてもよい。

　アプリケーションサーバ（ＡＳ）は、送受信部（ＡＳＳＲ）、記憶部（ＡＳＭＥ）及び制御部（ＡＳＣＯ）を備える。

　送受信部（ＡＳＳＲ）は、センサネットサーバ（ＳＳ）及びクライアント（ＣＬ）との間でデータの送信及び受信を行う。具体的には、送受信部（ＡＳＳＲ）は、クライアント（ＣＬ）から送られてきたコマンドを受信し、センサネットサーバ（ＳＳ）にデータ取得依頼を送信する。さらに、送受信部（ＡＳＳＲ）は、センサネットサーバ（ＳＳ）からセンシングデータやパフォーマンスデータを受信し、解析した結果の画像や数値をクライアント（ＣＬ）に送信する。

　記憶部（ＡＳＭＥ）は、ハードディスク、メモリ又はＳＤカードのような外部記録装置で構成される。記憶部（ＡＳＭＥ）は、解析のための設定条件及び解析の結果または途中経過のデータを格納する。具体的には、記憶部（ＡＳＭＥ）は、解析条件情報（ＡＳＭＪ）、解析アルゴリズム（ＡＳＭＡ）、解析パラメータ（ＡＳＭＰ）、特徴量テーブル（Ａ
ＳＤＦ）、パフォーマンスデータテーブル（ＡＳＤＱ）、影響力係数テーブル（ＡＳＤＥ）、パフォーマンス相関マトリクス（ＡＳＣＭ）及びユーザＩＤ対応表（ＡＳＵＩＴ）を格納する。

　解析条件情報（ＡＳＭＪ）は、クライアント（ＣＬ）から依頼された解析のための条件や設定を一時的に記憶しておく。

　解析アルゴリズム（ＡＳＭＡ）は、解析を行うプログラムを記録する。本実施例の場合では、コンフリクト計算（ＡＳＣＰ）や特徴量抽出（ＡＳＩＦ）や影響力係数計算（ＡＳＣＫ）やバランスマップ描画（ＡＳＰＢ）のプログラムを記録している。クライアント（ＣＬ）から依頼された解析条件に従って、解析アルゴリズム（ＡＳＭＡ）から適切なプログラムが選択され、そのプログラムによって解析が実行される。

　解析パラメータ（ＡＳＭＰ）は、例えば、特徴量抽出（ＡＳＩＦ）における特徴量の基準となる値や、分析するデータのサンプリング間隔と期間などのパラメータを記録する。クライアント（ＣＬ）の依頼によってパラメータを変更する際には、解析パラメータ（ＡＳＭＰ）が書き換えられる。

　特徴量テーブル（ＡＳＤＦ）は、センシングデータから抽出した複数種類の特徴量の結果の値を、用いたデータの時刻もしくは日付情報と結び付けて格納するためのテーブルである。テキストデータもしくはデータベースのテーブルによって構成される。これは、特徴量抽出（ＡＳＩＦ）において作成され、記憶部（ＡＳＭＥ）に格納される。特徴量テーブル（ＡＳＤＦ）の例を図２４や図２７に示す。

　パフォーマンスデータテーブル（ＡＳＤＱ）は、パフォーマンスデータを時刻もしくは日付情報と結び付けて格納するためのテーブルである。テキストデータもしくはデータベースのテーブルによって構成される。これは、センサネットサーバ（ＳＳ）から得た各パフォーマンスデータを、標準化したＺスコアに変換するなどの下処理をして格納したものであり、コンフリクト計算（ＡＳＣＰ）において利用される。Ｚスコアに変換するための式は数式（２）を用いる。パフォーマンスデータテーブル（ＡＳＤＱ）の例を図１８（ａ）に示す。また、Ｚスコアに変換する前の元のパフォーマンスデータテーブル（ＡＳＤＱ＿Ｄ）の例を図１８（ｂ）に示す。元データでは、例えば業務量の値の単位は［件］、値
の範囲は０～１００であり、アンケート回答では単位はなく範囲は１～６であり、データ系列の分布の特性が異なる。そのため、各パフォーマンスデータの種類ごとに、つまり、元データのテーブル（ＡＳＤＱ＿Ｄ）の縦の列ごとに、各日付の値を（数式２）によってＺスコアに変換する。これによって、標準化後のテーブル（ＡＳＤＱ）では、各パフォーマンスデータの分布が平均０、分散１となるように統一される。そのため、後の影響力計算（ＡＳＣＫ）で重回帰分析を行う際に、各パフォーマンスデータに対する影響力係数の値の大小を比較することが可能になる。

　パフォーマンス相関マトリクス（ＡＳＣＭ）は、コンフリクト計算（ＡＳＣＰ）において、パフォーマンスデータテーブル（ＡＳＤＱ）内の、各パフォーマンス間の関連度の強さ、例えば相関係数を格納するテーブルである。テキストデータもしくはデータベースのテーブルによって構成され、その例を図１９に示す。図１９では、図１８の各列のパフォーマンスデータの、全ての組み合わせについて相関係数を求めた結果を、テーブルの対応する要素に格納している。例えば、業務量（ＤＱ０１）とアンケート（「心」）回答値（ＤＱ０２）との相関係数は、パフォーマンス相関マトリクス（ＡＳＣＭ）の要素（ＣＭ＿０１－０２）に格納されている。

　影響力係数テーブル（ＡＳＤＥ）は、影響力係数計算（ＡＳＣＫ）によって計算された、各特徴量の影響力係数の値を格納するテーブルである。テキストデータもしくはデータベースのテーブルによって構成され、その例を図２０に示す。影響力係数計算（ＡＳＣＫ）では数式（１）の方法によって、各特徴量（ＢＭ＿Ｆ０１～ＢＭ＿Ｆ０９）の値を説明変数、パフォーマンスデータ（ＤＱ０２またはＤＱ０１）を目的変数として代入し、各特徴量に対応する偏回帰係数を求める。その偏回帰係数を、影響力係数として格納したものが影響力係数テーブル（ＡＳＤＥ）である。

　ユーザＩＤ対応表（ＡＳＵＩＴ）は、端末（ＴＲ）のＩＤと、その端末を装着したユーザ（ＵＳ）の氏名・ユーザ番号・所属グループ等との対照表である。クライアント（ＣＬ）から依頼があれば、センサネットサーバ（ＳＳ）から受け取ったデータの端末ＩＤに人物の氏名が追加される。ある属性に適合する人物のデータのみを利用する場合、人物の氏名を端末ＩＤに変換してセンサネットサーバ（ＳＳ）にデータ取得依頼を送信するために、ユーザＩＤ対応表（ＡＳＵＩＴ）が照会される。ユーザＩＤ対応表（ＡＳＵＩＴ）の例を図１７に示す。

　制御部（ＡＳＣＯ）は、ＣＰＵ（図示省略）を備え、データの送受信の制御及びデータの解析を実行する。具体的には、ＣＰＵ（図示省略）が記憶部（ＡＳＭＥ）に格納されたプログラムを実行することによって、通信制御（ＡＳＣＣ）、解析条件設定（ＡＳＩＳ）、データ取得（ＡＳＧＤ）、コンフリクト計算（ＡＳＣＰ）、特徴量抽出（ＡＳＩＦ）、
影響力係数計算（ＡＳＣＫ）、及びバランスマップ描画（ＡＳＰＢ）等の処理が実行される。

　通信制御（ＡＳＣＣ）は、有線又は無線によるセンサネットサーバ（ＳＳ）及びクライアントデータ（ＣＬ）との通信のタイミングを制御する。さらに、通信制御（ＡＳＣＣ）は、データの形式を適切に変換し、また、データの種類別に行き先の振り分けを行う。

　解析条件設定（ＡＳＩＳ）は、クライアント（ＣＬ）を通してユーザ（ＵＳ）が設定した解析条件を受け取り、記憶部（ＡＳＭＥ）の解析条件情報（ＡＳＭＪ）に記録する。

　データ取得（ＡＳＧＤ）は、解析条件情報（ＡＳＭＪ）に則ってセンサネットサーバ（ＳＳ）にユーザ（ＵＳ）の活動に関するセンシングデータと、パフォーマンスデータを依頼し、返されたデータを受け取る。

　コンフリクト計算（ＡＳＣＰ）は、多数のパフォーマンスデータの中から、特にコンフリクトを解消すべきパフォーマンスデータの組み合わせを見つけるための計算である。ここでコンフリクトしている可能性の高い１組のパフォーマンスデータを選択し、バランスマップの両軸に取るように分析する。コンフリクト計算（ＡＳＣＰ）のフローチャートを図１４に示す。コンフリクト計算（ＡＳＣＰ）の結果は、パフォーマンス相関マトリクス（ＡＳＣＭ）に出力される。

　特徴量抽出（ＡＳＩＦ）は、ユーザ（ＵＳ）の活動に関するセンシングデータ、またはＰＣログなどのデータから、ある基準を満たすパターンのデータを抽出する計算である。例えば、１日単位でそのパターンが出現した回数をカウントし、日毎に出力する。特徴量は複数種類用い、どの特徴量を分析に用いるかはユーザ（ＵＳ）が解析条件設定（ＣＬＩＳ）において設定している。それぞれの特徴量抽出（ＡＳＩＦ）のためのアルゴリズムは解析アルゴリズム（ＡＳＭＡ）を用いる。抽出された特徴量の値は、特徴量テーブル（ＡＳＤＦ）に格納される。

　影響力係数計算（ＡＳＣＫ）は、各特徴量が、２種類のパフォーマンスに対して有する影響力の強さを求める処理である。これによって、特徴量それぞれに１組の影響力係数の数値が求められる。この計算処理では、相関計算もしくは重回帰分析が用いられる。影響力係数は、影響力係数テーブル（ＡＳＤＥ）に格納される。

　バランスマップ描画（ＡＳＰＢ）は、各特徴量の影響力係数の値をプロットし、バランスマップ（ＢＭ）の画像を作成し、クライアント（ＣＬ）に送る。もしくは、プロットするための座標の値を計算し、その値と色などの必要最小限のデータのみをクライアント（ＣＬ）に送信しても良い。バランスマップ描画（ＡＳＰＢ）のフローチャートは図１５に示す。
＜図５：全体システム(2)（ＳＳ・ＧＷ・ＱＣ）＞
　図５は、センサネットサーバ（ＳＳ）、パフォーマンス入力用クライアント（ＱＣ）及び基地局（ＧＷ）の一実施例の構成を示している。
＜サーバ（ＳＳ）について＞
　センサネットサーバ（ＳＳ）は、全ての端末（ＴＲ）から集まったデータを管理する。具体的には、センサネットサーバ（ＳＳ）は、基地局（ＧＷ）から送られてくるセンシングデータをセンシングデータベース（ＳＳＤＢ）に格納し、また、アプリケーションサーバ（ＡＳ）及びクライアント（ＣＬ）からの要求に基づいてセンシングデータを送信する。また、センサネットサーバ（ＳＳ）は、パフォーマンス入力用クライアント（ＱＣ）から送られてくるパフォーマンスデータをパフォーマンスデータベース（ＳＳＤＱ）に格納し、また、アプリケーションサーバ（ＡＳ）及びクライアント（ＣＬ）からの要求に基づいてパフォーマンスデータを送信する。さらに、センサネットサーバ（ＳＳ）は、基地局（ＧＷ）からの制御コマンドを受信し、その制御コマンドから得られた結果を基地局（ＧＷ）に返信する。

　センサネットサーバ（ＳＳ）は、送受信部（ＳＳＳＲ）、記憶部（ＳＳＭＥ）及び制御部（ＳＳＣＯ）を備える。時刻同期管理（図示省略）が基地局（ＧＷ）ではなくセンサネットサーバ（ＳＳ）で実行される場合、センサネットサーバ（ＳＳ）は時計も必要とする。

　送受信部（ＳＳＳＲ）は、基地局（ＧＷ）、アプリケーションサーバ（ＡＳ）、パフォーマンス入力用クライアント（ＱＣ）及びクライアント（ＣＬ）との間で、データの送信及び受信を行う。具体的には、送受信部（ＳＳＳＲ）は、基地局（ＧＷ）から送られてきたセンシングデータとパフォーマンス入力用クライアント（ＱＣ）から送られてきたパフォーマンスデータを受信し、アプリケーションサーバ（ＡＳ）又はクライアント（ＣＬ）へセンシングデータ及びパフォーマンスデータを送信する。

　記憶部（ＳＳＭＥ）は、ハードディスク等のデータ記憶装置によって構成され、少なくとも、パフォーマンスデータテーブル（ＳＳＤＱ）、センシングデータベース（ＳＳＤＢ）、データ形式情報（ＳＳＭＦ）端末管理テーブル（ＳＳＴＴ）及び端末ファームウェア（ＳＳＴＦＤ）を格納する。さらに、記憶部（ＳＳＭＥ）は、制御部（ＳＳＣＯ）のＣＰＵ（図示省略）によって実行されるプログラムを格納してもよい。

　パフォーマンスデータテーブル（ＳＳＤＱ）は、パフォーマンス入力用クライアント（ＱＣ）において入力されたユーザ（ＵＳ）の主観評価や、業務データに関するパフォーマンスデータを、時刻もしくは日付データと結びつけて記録するためのデータベースである。

　センシングデータベース（ＳＳＤＢ）は、各端末（ＴＲ）が取得したセンシングデータ、端末（ＴＲ）の情報、及び、各端末（ＴＲ）から送信されたセンシングデータが通過した基地局（ＧＷ）の情報等を記録しておくためのデータベースである。加速度、温度等、データの要素ごとにカラムが作成され、データが管理される。また、データの要素ごとにテーブルが作成されてもよい。どちらの場合にも、全てのデータは、取得された端末（ＴＲ）のＩＤである端末情報（ＴＲＭＴ）と、取得された時刻に関する情報とが関連付けて管理される。センシングデータベース（ＳＳＤＢ）の中の、対面データテーブルと加速度データテーブルの具体的な例を図２２と図２５に示す。

　データ形式情報（ＳＳＭＦ）には、通信のためのデータ形式、基地局（ＧＷ）でタグ付けされたセンシングデータを切り分けてデータベースに記録する方法、及び、データの要求に対する対応方法等が記録されている。データ受信の後、データ送信の前にはこのデータ形式情報（ＳＳＭＦ）が参照され、データ形式の変換とデータ振り分けが行われる。

　端末管理テーブル（ＳＳＴＴ）は、どの端末（ＴＲ）が現在どの基地局（ＧＷ）の管理下にあるかを記録しているテーブルである。基地局（ＧＷ）の管理下に新たに端末（ＴＲ）が加わった際に、端末管理テーブル（ＳＳＴＴ）が更新される。

　端末ファームウェア（ＳＳＴＦＤ）は、端末を動作させるためのプログラムを記憶しているものであり、端末ファームウェア登録（ＴＦＩ）が行われた際には、端末ファームウェア（ＳＳＴＦＤ）が更新され、ネットワーク（ＮＷ）を通じてこのプログラムを基地局（ＧＷ）に送り、さらにパーソナルエリアネットワーク（ＰＡＮ）を通じて端末（ＴＲ）に送る。

　制御部（ＳＳＣＯ）は、ＣＰＵ（図示省略）を備え、センシングデータの送受信やデータベースへの記録・取り出しを制御する。具体的には、ＣＰＵが記憶部（ＳＳＭＥ）に格納されたプログラムを実行することによって、通信制御（ＳＳＣＣ）、端末管理情報修正（ＳＳＴＦ）及びデータ管理（ＳＳＤＡ）等の処理を実行する。

　通信制御（ＳＳＣＣ）は、有線又は無線による基地局（ＧＷ）、アプリケーションサーバ（ＡＳ）、パフォーマンス入力用クライアント（ＱＣ）及びクライアント（ＣＬ）との
通信のタイミングを制御する。また、通信制御（ＳＳＣＣ）は、送受信するデータの形式を、記憶部（ＳＳＭＥ）内に記録されたデータ形式情報（ＳＳＭＦ）に基づいて、センサネットサーバ（ＳＳ）内におけるデータ形式、又は、各通信相手に特化したデータ形式に変換する。さらに、通信制御（ＳＳＣＣ）は、データの種類を示すヘッダ部分を読み取って、対応する処理部へデータを振り分ける。具体的には、受信されたセンシングデータやパフォーマンスデータはデータ管理（ＳＳＤＡ）へ、端末管理情報を修正するコマンドは端末管理情報修正（ＳＳＴＦ）へ振り分けられる。送信されるデータの宛先は、基地局（ＧＷ）、アプリケーションサーバ（ＡＳ）、パフォーマンス入力用クライアント（ＱＣ）、又はクライアント（ＣＬ）に決定される。

　端末管理情報修正（ＳＳＴＦ）は、基地局（ＧＷ）から端末管理情報を修正するコマンドを受け取った際に、端末管理テーブル（ＳＳＴＴ）を更新する。

　データ管理（ＳＳＤＡ）は、記憶部（ＳＳＭＥ）内のデータの修正・取得及び追加を管理する。例えば、データ管理（ＳＳＤＡ）によって、センシングデータは、タグ情報に基づいてデータの要素別にデータベースの適切なカラムに記録される。センシングデータがデータベースから読み出される際にも、時刻情報及び端末情報に基づいて必要なデータを選別し、時刻順に並べ替える等の処理が行われる。
＜パフォーマンス入力用クライアント（ＱＣ）について＞
　パフォーマンス入力用クライアント（ＱＣ）は、主観評価データや業務データなどのパフォーマンスデータを入力するための装置である。ボタンやマウスなどの入力装置と、ディスプレイやマイクなどの出力装置を備えており、入力フォーマット（ＱＣＳＳ）を提示し、値を回答を入力させる。もしくは、ネットワーク上の他のＰＣ上にある、業務データや操作ログなどを自動で取得するようにしても良い。パフォーマンス入力用クライアント（ＱＣ）は、クライアント（ＣＬ）、またはアプリケーションサーバ（ＡＳ）、またはセンサネットサーバ（ＳＳ）と同じパーソナルコンピュータを用いても良いし、端末（ＴＲ）を用いても良い。また、ユーザ（ＵＳ）にパフォーマンス入力用クライアント（ＱＣ）を直接操作させるのではなく、紙の回答用紙に書かれた回答を代理人がまとめてパフォーマンス入力用クライアント（ＱＣ）から入力しても良い。

　パフォーマンス入力用クライアント（ＱＣ）は、入出力部（ＱＣＩＯ）、記憶部（ＱＣＭＥ）、制御部（ＱＣＣＯ）及び送受信部（ＱＣＳＲ）を備える。

　入出力部（ＱＣＩＯ）は、ユーザ（ＵＳ）とのインタフェースとなる部分である。入出力部（ＱＣＩＯ）は、ディスプレイ（ＱＣＯＤ）、キーボード（ＱＣＩＫ）及びマウス（ＱＣＩＭ）等を備える。必要に応じて外部入出力（ＱＣＩＵ）に他の入出力装置を接続することもできる。端末（ＴＲ）をパフォーマンス入力用クライアント（ＱＣ）として用いる場合には、ボタン（ＢＴＮ１～３）を入力装置として用いる。

　ディスプレイ（ＱＣＯＤ）は、ＣＲＴ（Ｃａｔｈｏｄｅ－Ｒａｙ　Ｔｕｂｅ）又は液晶ディスプレイ等の画像表示装置である。ディスプレイ（ＱＣＯＤ）は、プリンタ等を含んでもよい。また、パフォーマンスデータを自動で取得する場合には、ディスプレイ（ＱＣＯＤ）などの出力装置はなくても良い。

　記憶部（ＱＣＭＥ）は、ハードディスク、メモリ又はＳＤカードのような外部記録装置で構成される。記憶部（ＱＣＭＥ）は、入力フォーマット（ＱＣＳＳ）の情報を記録する。ユーザ（ＵＳ）に入力させる際には、入力フォーマット（ＱＣＳＳ）をディスプレイ（ＱＣＯＤ）に提示し、その設問に対応する回答データをキーボード（ＱＣＩＫ）など入力装置から取得する。必要に応じて、入力フォーマット（ＱＣＳＳ）は、センサネットサーバ（ＳＳ）からのコマンドを受け取って変更されてもよい。

　制御部（ＱＣＣＯ）は、パフォーマンスデータ収集（ＱＣＤＧ）によってキーボード（ＱＣＩＫ）などから入力されたパフォーマンスデータを収集し、さらにパフォーマンスデータ抽出（ＱＣＤＣ）において、各データとそれを回答したユーザ（ＵＳ）の端末ＩＤもしくは氏名とを結びつけて、パフォーマンスデータの形式を整える。送受信部（ＱＣＳＲ）は、整えられたパフォーマンスデータをセンサネットサーバ（ＳＳ）に送信する。
＜基地局（ＧＷ）について＞
　基地局（ＧＷ）は、端末（ＴＲ）とセンサネットサーバ（ＳＳ）を仲介する役目を持つ。無線の到達距離を考慮して、居室・職場等の領域をカバーするように複数の基地局（ＧＷ）が配置される。

　基地局（ＧＷ）は、送受信部（ＧＷＳＲ）、記憶部（ＧＷＭＥ）、時計（ＧＷＣＫ）及び制御部（ＧＷＣＯ）を備える。

　送受信部（ＧＷＳＲ）は、端末（ＴＲ）からの無線を受信し、基地局（ＧＷ）への有線又は無線による送信を行う。無線を用いる場合には、送受信部（ＧＷＳＲ）は、無線を受信するためのアンテナを備える。また、センサネットサーバ（ＳＳ）との通信を行う。

　記憶部（ＧＷＭＥ）は、ハードディスク、メモリ、又はＳＤカードのような外部記録装置で構成される。記憶部（ＧＷＭＥ）には、動作設定（ＧＷＭＡ）、データ形式情報（ＧＷＭＦ）、端末管理テーブル（ＧＷＴＴ）、基地局情報（ＧＷＭＧ）及び端末ファームウ
ェア（ＧＷＴＦＤ）が格納される。動作設定（ＧＷＭＡ）は、基地局（ＧＷ）の動作方法を示す情報を含む。データ形式情報（ＧＷＭＦ）は、通信のためのデータ形式を示す情報、及び、センシングデータにタグを付けるために必要な情報を含む。端末管理テーブル（ＧＷＴＴ）は、現在アソシエイトできている配下の端末（ＴＲ）の端末情報（ＴＲＭＴ）、及び、それらの端末（ＴＲ）を管理するために配布しているローカルＩＤを含む。基地局情報（ＧＷＭＧ）は、基地局（ＧＷ）自身のアドレスなどの情報を含む。端末ファームウェア（ＧＷＴＦＤ）は、端末を動作させるためのプログラムを記憶しているものであり、端末ファームウェアを更新する際には、新規の端末ファームウェアをセンサネットサーバ（ＳＳ）から受け取り、それをパーソナルエリアネットワーク（ＰＡＮ）を通じて端末（ＴＲ）に送信する。

　記憶部（ＧＷＭＥ）には、さらに、制御部（ＧＷＣＯ）のＣＰＵ（図示省略）によって実行されるプログラムが格納されてもよい。

　時計（ＧＷＣＫ）は時刻情報を保持する。一定間隔でその時刻情報は更新される。具体的には、一定間隔でＮＴＰ（Ｎｅｔｗｏｒｋ　Ｔｉｍｅ　Ｐｒｏｔｏｃｏｌ）サーバ（ＴＳ）から取得した時刻情報によって、時計（ＧＷＣＫ）の時刻情報が修正される。

　制御部（ＧＷＣＯ）は、ＣＰＵ（図示省略）を備える。ＣＰＵが記憶部（ＧＷＭＥ）に格納されているプログラムを実行することによって、端末（ＴＲ）からセンシングデータを受信するタイミング、センシングデータの処理、端末（ＴＲ）やセンサネットサーバ（ＳＳ）への送受信のタイミング、及び、時刻同期のタイミングを管理する。具体的には、ＣＰＵが記憶部（ＧＷＭＥ）に格納されているプログラムを実行することによって、無線通信制御・通信制御（ＧＷＣＣ）、アソシエイト（ＧＷＴＡ）、時刻同期管理（ＧＷＣＤ
）及び時刻同期（ＧＷＣＳ）等の処理を実行する。

　通信制御部（ＧＷＣＣ）は、無線又は有線による端末（ＴＲ）及びセンサネットサーバ（ＳＳ）との通信のタイミングを制御する。また、通信制御部（ＧＷＣＣ）は、受信したデータの種類を区別する。具体的には、通信制御部（ＧＷＣＣ）は、受信したデータが一般のセンシングデータであるか、アソシエイトのためのデータであるか、時刻同期のレスポンスであるか等をデータのヘッダ部分から識別して、それらのデータをそれぞれ適切な機能に渡す。

　アソシエイト（ＧＷＴＡ）は、端末（ＴＲ）から送られてきたアソシエイト要求（ＴＲＴＡＱ）に対して、割り付けたローカルＩＤを各端末（ＴＲ）に送信する、アソシエイト応答（ＴＲＴＡＲ）を行う。アソシエイトが成立したら、アソシエイト（ＧＷＴＡ）は、端末管理テーブル（ＧＷＴＴ）を修正する端末管理情報修正（ＧＷＴＦ）を行う。

　時刻同期管理（ＧＷＣＤ）は、時刻同期を実行する間隔及びタイミングを制御し、時刻同期するように命令を出す。あるいは、センサネットサーバ（ＳＳ）の制御部（ＳＳＣＯ）が時刻同期管理（図示省略）を実行することによって、センサネットサーバ（ＳＳ）からシステム内の全ての基地局（ＧＷ）に統括して命令を送ってもよい。

　時刻同期（ＧＷＣＳ）は、ネットワーク上のＮＴＰサーバ（ＴＳ）に接続し、時刻情報の依頼及び取得を行う。時刻同期（ＧＷＣＳ）は、取得した時刻情報に基づいて、時計（ＧＷＣＫ）を修正する。そして、時刻同期（ＧＷＣＳ）は、端末（ＴＲ）に時刻同期の命令と時刻情報（ＧＷＣＳＤ）を送信する。
＜図６：全体システム(3)（ＴＲ）＞
　図６は、センサノードの一実施例である端末（ＴＲ）の構成を示している。ここでは端末（ＴＲ）は名札型の形状をしており、人物の首からぶら下げることを想定しているが、これは一例であり、他の形状でもよい。端末（ＴＲ）は、多くの場合には、この一連のシステムの中に複数存在し、組織に属する人物がそれぞれ身に着けるものである。端末（ＴＲ）は人間の対面状況を検出するための複数の赤外線送受信部（ＡＢ）、装着者の動作を検出するための三軸加速度センサ（ＡＣ）、装着者の発話と周囲の音を検出するためのマイク（ＡＤ）、端末の裏表検知のための照度センサ（ＬＳ１Ｆ、ＬＳ１Ｂ）、温度センサ
（ＡＥ）の各種センサを搭載する。搭載するセンサは一例であり、装着者の対面状況と動作を検出するために他のセンサを使用してもよい。

　本実施例では、赤外線送受信部を４組搭載する。赤外線送受信部（ＡＢ）は、端末（ＴＲ）の固有識別情報である端末情報（ＴＲＭＴ）を正面方向に向かって定期的に送信し続ける。他の端末（ＴＲ）を装着した人物が略正面（例えば、正面又は斜め正面）に位置した場合、端末（ＴＲ）と他の端末（ＴＲ）は、それぞれの端末情報（ＴＲＭＴ）を赤外線で相互にやり取りする。このため、誰と誰が対面しているのかを記録することができる。

　各赤外線送受信部は一般に、赤外線送信のための赤外発光ダイオードと、赤外線フォトトランジスタの組み合わせにより構成される。赤外線ＩＤ送信部（ＩｒＩＤ）は、自らのＩＤである端末情報（ＴＲＭＴ）を生成して赤外線送受信モジュールの赤外線発光ダイオードに対して転送する。本実施例では、複数の赤外線送受信モジュールに対して同一のデータを送信することで、全ての赤外線発光ダイオードが同時に点灯する。もちろん、それぞれ独立のタイミング、別のデータを出力してもよい。

　また、赤外線送受信部（ＡＢ）の赤外線フォトトランジスタによって受信されたデータは、論理和回路（ＩＲＯＲ）によって論理和が取られる。つまり、最低どれか一つの赤外線受光部でＩＤ受光されていれば端末にＩＤとして認識される。もちろん、ＩＤの受信回路を独立して複数持つ構成でもよい。この場合、それぞれの赤外線送受信モジュールに対して送受信状態が把握できるので、例えば、対面する別の端末がどの方向にいるかなど付加的な情報を得ることも可能である。

　センサによって検出したセンシングデータ（ＳＥＮＳＤ）はセンシングデータ格納制御部（ＳＤＣＮＴ）によって、記憶部（ＳＴＲＧ）に格納される。センシングデータ（ＳＥＮＳＤ）は通信制御部（ＴＲＣＣ）によって送信パケットに加工され、送受信部（ＴＲＳＲ）によって基地局（ＧＷ）に対し送信される。

　このとき、記憶部（ＳＴＲＧ）からセンシングデータ（ＳＥＮＳＤ）を取り出し、無線または有線による送信のタイミングを決定するのが通信タイミング制御部（ＴＲＴＭＧ）である。通信タイミング制御部（ＴＲＴＭＧ）は、複数のタイミングを決定する複数のタイムベースを持つ。

　記憶部に格納されるデータには、現在センサによって検出したセンシングデータ（ＳＥＮＳＤ）の他、過去に蓄積したまとめ送りデータ（ＣＭＢＤ）や、端末の動作プログラムであるファームウェアを更新するためのファームウェア更新データ（ＦＭＵＤ）がある。

　本実施例の端末（ＴＲ）は、外部電源接続検出回路（ＰＤＥＴ）により、外部電源（ＥＰＯＷ）が接続されたことを検出し、外部電源検出信号（ＰＤＥＴＳ）を生成する。外部電源検出信号（ＰＤＥＴＳ）によって、タイミング制御部（ＴＲＴＭＧ）が生成する送信タイミングを切り替えるタイムベース切替部（ＴＭＧＳＥＬ）、または無線通信されるデータを切り替えるデータ切替部（ＴＲＤＳＥＬ）は本端末（ＴＲ）特有の構成である。図６では一例として、送信タイミングを、タイムベース１（ＴＢ１）とタイムベース（ＴＢ２）の２つのタイムベースを、外部電源検出信号（ＰＤＥＴＳ）によってタイムベース切替部（ＴＭＧＳＥＬ）が切り替える構成を、また通信されるデータを、センサから得たセンシングデータ（ＳＥＮＳＤ）と、過去に蓄積した纏め贈りデータ（ＣＭＢＤ）と、ファームウェア更新データ（ＦＩＲＭＵ）とから、外部電源検出信号（ＰＤＥＴＳ）によってデータ切替部（ＴＲＤＳＥＬ）が切り替える構成を図示している。

　照度センサ（ＬＳ１Ｆ、ＬＳ１Ｂ）は、それぞれ端末（ＮＮ）の前面と裏面に搭載される。照度センサ（ＬＳ１Ｆ、ＬＳ１Ｂ）により取得されるデータは、センシングデータ格納制御部（ＳＤＣＮＴ）によって記憶部（ＳＴＲＧ）に格納されると同時に、裏返り検知部（ＦＢＤＥＴ）によって比較される。名札が正しく装着されているときは、前面に搭載されている照度センサ（ＬＳ１Ｆ）が外来光を受光し、裏面に搭載されている照度センサ（ＬＳ１Ｂ）は端末本体と装着者との間に挟まれる位置関係となるため、外来光を受光しない。このとき、照度センサ（ＬＳ１Ｂ）で検出される照度より、照度センサ（ＬＳ１Ｆ）で検出される照度の方が大きな値を取る。一方で、端末（ＴＲ）が裏返った場合、照度センサ（ＬＳ１Ｂ）が外来光を受光し、照度センサ（ＬＳ１Ｆ）が装着者側を向くため、照度センサ（ＬＳ１Ｆ）で検出される照度より、照度センサ（ＬＳ１Ｂ）で検出される照度の方が大きくなる。

　ここで、照度センサ（ＬＳ１Ｆ）で検出される照度と、照度センサ（ＬＳ１Ｂ）で検出される照度を裏返り検知部（ＦＢＤＥＴ）で比較することで、名札ノードが裏返って、正しく装着していないことが検出できる。裏返り検知部（ＦＢＤＥＴ）で裏返りが検出されたとき、スピーカ（ＳＰ）により警告音を発生して装着者に通知する。

　マイク（ＡＤ）は、音声情報を取得する。音声情報によって、「騒々しい」又は「静か」等の周囲の環境を知ることができる。さらに、人物の声を取得・分析することによって、コミュニケーションが活発か停滞しているのか、相互に対等に会話をやり取りしているか一方的に話しているのか、怒っているのか笑っているのか、などの対面コミュニケーションを分析することができる。さらに、人物の立ち位置等の関係で赤外線送受信器（ＡＢ）が検出できなかった対面状態を、音声情報及び加速度情報によって補うこともできる。

　マイク（ＡＤ）で取得される音声は、音声波形及び、それを積分回路（ＡＶＧ）で積分した信号の両方を取得する。積分した信号は、取得した音声のエネルギを表す。

　三軸加速度センサ（ＡＣ）は、ノードの加速度すなわちノードの動きを検出する。このため、加速度データから、端末（ＴＲ）を装着した人物の動きの激しさや、歩行などの行動を解析することができる。さらに、複数の端末が検出した加速度の値を比較することによって、それらの端末を装着した人物間のコミュニケーションの活性度や相互のリズム、相互の相関等を解析できる。

　本実施例の端末（ＴＲ）では、三軸加速度センサ（ＡＣ）で取得されるデータは、センシングデータ格納制御部（ＳＤＣＮＴ）によって記憶部（ＳＴＲＧ）に格納されると同時に、上下検知回路（ＵＤＤＥＴ）によって名札の向きを検出する。これは、三軸加速度センサ（ＡＣ）で検出される加速度は、装着者の動きによる動的な加速度変化と、地球の重力加速度による静的加速度の２種類が観測されることを利用している。

　表示装置（ＬＣＤＤ）は、端末（ＴＲ）を胸に装着しているときは、装着者の所属、氏名などの個人情報を表示する。つまり、名札として振舞う。一方で、装着者が端末（ＴＲ）を手に持ち、表示装置（ＬＣＤＤ）を自分の方に向けると、端末（ＴＲ）の転地が逆になる。このとき、上下検知回路（ＵＤＤＥＴ）によって生成される上下検知信号（ＵＤＤＥＴ）により、表示装置（ＬＣＤＤ）に表示される内容と、ボタンの機能を切り替える。本実施例では、上下検知信号（ＵＤＤＥＴ）の値により、表示装置（ＬＣＤＤ）に表示させる情報を、表示制御（ＤＩＳＰ）によって生成される赤外線アクティビティ解析（ＡＮＡ）による解析結果と、名札表示（ＤＮＭ）とを切り替える例を示している。

　赤外線送受信器（ＡＢ）がノード間で赤外線をやり取りすることによって、端末（ＴＲ）が他の端末（ＴＲ）と対面したか否か、すなわち、端末（ＴＲ）を装着した人物が他の端末（ＴＲ）を装着した人物と対面したか否かが検出される。このため、端末（ＴＲ）は、人物の正面部に装着されることが望ましい。上述の通り、端末（ＴＲ）は、さらに、三軸加速度センサ（ＡＣ）等のセンサを備える。端末（ＴＲ）におけるセンシングのプロセスが、図７におけるセンシング（ＴＲＳＳ１）に相当する。

　端末は多くの場合には複数存在し、それぞれが近い基地局（ＧＷ）と結びついてパーソナルエリアネットワーク（ＰＡＮ）を形成している。

　端末（ＴＲ）の温度センサ（ＡＢ）は端末のある場所の温度を、照度センサ（ＬＳ１Ｆ）は端末（ＴＲ）の正面方向などの照度を取得する。これによって、周囲の環境を記録することができる。例えば、温度及び照度に基づいて、端末（ＴＲ）が、ある場所から別の場所に移動したこと等を知ることもできる。

　装着した人物に対応した入出力装置として、ボタン１～３（ＢＴＮ１～３）、表示装置（ＬＣＤＤ）、スピーカ（ＳＰ）等を備える。

　記憶部（ＳＴＲＧ）は、具体的にはハードディスク、フラッシュメモリなどの不揮発記憶装置で構成され、端末（ＴＲ）の固有識別番号である端末情報（ＴＲＭＴ）、センシングの間隔、及び、ディスプレイへの出力内容等の動作設定（ＴＲＭＡ）を記録している。この他にも記憶部（ＳＴＲＧ）は一時的にデータを記録することができ、センシングしたデータを記録しておくために利用される。

　通信タイミング制御部（ＴＲＴＭＧ）は、時刻情報（ＧＷＣＳＤ）を保持し、一定間隔でその時刻情報（ＧＷＣＳＤ）を更新する時計である。時間情報は、時刻情報（ＧＷＣＳＤ）が他の端末（ＴＲ）とずれることを防ぐために、基地局（ＧＷ）から送信される時刻情報（ＧＷＣＳＤ）によって定期的に時刻を修正する。

　センシングデータ格納制御部（ＳＤＣＮＴ）は、記憶部（ＳＴＲＧ）に記録された動作設定（ＴＲＭＡ）に従って、各センサのセンシング間隔などを制御し、取得したデータを管理する。

　時刻同期は、基地局（ＧＷ）から時刻情報を取得して時計を修正する。時刻同期は、後述するアソシエイトの直後に実行されてもよいし、基地局（ＧＷ）から送信された時刻同期コマンドに従って実行されてもよい。

　通信制御部（ＴＲＣＣ）は、データを送受信する際に、送信間隔の制御、及び、無線の送受信に対応したデータフォーマットへの変換を行う。通信制御部（ＴＲＣＣ）は、必要であれば、無線でなく有線による通信機能を持ってもよい。通信制御部（ＴＲＣＣ）は、他の端末（ＴＲ）と送信タイミングが重ならないように輻輳制御を行うこともある。

　アソシエイト（ＴＲＴＡ）は、図５に示す基地局（ＧＷ）とパーソナルエリアネットワーク（ＰＡＮ）を形成するためのアソシエイト要求（ＴＲＴＡＱ）と、アソシエイト応答（ＴＲＴＡＲ）を送受信し、データを送信すべき基地局（ＧＷ）を決定する。アソシエイト（ＴＲＴＡ）は、端末（ＴＲ）の電源が投入されたとき、及び、端末（ＴＲ）が移動した結果それまでの基地局（ＧＷ）との送受信が絶たれたときに実行される。アソシエイト（ＴＲＴＡ）の結果、端末（ＴＲ）は、その端末（ＴＲ）からの無線信号が届く近い範囲にある一つの基地局（ＧＷ）と関連付けられる。

　送受信部（ＴＲＳＲ）は、アンテナを備え、無線信号の送信及び受信を行う。必要があれば、送受信部（ＴＲＳＲ）は、有線通信のためのコネクタを用いて送受信を行うこともできる。送受信部（ＴＲＳＲ）によって送受信されるデータ（ＴＲＳＲＤ）は、基地局（ＧＷ）との間でパーソナルエリアネットワーク（ＰＡＮ）を介して転送される。
＜図７・図２８・図２９：データ格納のシーケンスとアンケート文面例＞
　図７は、本発明の実施の形態において実行される、センシングデータとパフォーマンスデータの２種類のデータを格納する手順を示すシーケンス図である。

　まず、端末（ＴＲ）の電源が入っており、かつ端末（ＴＲ）が基地局（ＧＷ）とアソシエイト状態になっていないとき、端末（ＴＲ）はアソシエイト（ＴＲＴＡ１）を行う。アソシエイトとは、端末（ＴＲ）が、ある一つの基地局（ＧＷ）と通信する関係であると規定することである。アソシエイトによってデータの送信先を決定することで、端末（ＴＲ）は確実にデータを送信することができる。

　基地局（ＧＷ）からアソシエイト応答を受け取り、アソシエイトが成功した場合、端末（ＴＲ）は、次に時刻同期（ＴＲＣＳ）を行う。時刻同期（ＴＲＣＳ）において、端末（ＴＲ）は、基地局（ＧＷ）から時刻情報を受け取り、端末（ＴＲ）内の時計（ＴＲＣＫ）を設定する。基地局（ＧＷ）は、ＮＴＰサーバ（ＴＳ）と定期的に接続し時刻を修正している。このため、全ての端末（ＴＲ）において時刻が同期される。これによって、後に解析する際に、センシングデータに付随した時刻情報を照らし合わせることで、人物間の同時刻におけるコミュニケーションにおける相互の身体表現又は音声情報のやり取りを分析することも可能になる。

　端末（ＴＲ）の三軸加速度センサ（ＡＣ）や温度センサ（ＡＥ）などの各種センサは、例えば１０秒ごとの一定の周期でタイマ起動（ＴＲＳＴ）し、加速度、音声、温度及び照度等をセンシングする（ＴＲＳＳ１）。端末（ＴＲ）は、端末情報（ＴＲＭＴ）の１つである端末ＩＤを、赤外線によって他の端末（ＴＲ）との間で送受信することで、対面状態を検出する。端末（ＴＲ）の各種センサは、タイマ起動（ＴＲＳＴ）せずに、常にセンシングを行ってもよい。しかし、一定の周期で起動することによって電源を効率的に使用することができ、充電することなく長時間端末（ＴＲ）を使用しつづけることができる。

　端末（ＴＲ）は、センシングしたデータに、時計（ＴＲＣＫ）の時刻情報及び端末情報（ＴＲＭＴ）を添付する（ＴＲＣＴ１）。端末情報（ＴＲＭＴ）によって、端末（ＴＲ）を装着した人物が識別される。

　データ形式変換（ＴＲＤＦ１）において端末（ＴＲ）は、センシングデータにセンシングの条件などのタグ情報を付与し、決められた無線送信フォーマットに変換する。このフォーマットは基地局（ＧＷ）内のデータ形式情報（ＧＷＭＦ）やセンサネットサーバ（ＳＳ）内のデータ形式情報（ＳＳＭＦ）と共通して保管されているものである。変換されたデータは、その後、基地局（ＧＷ）に送信される。

　加速度データ及び音声データ等の連続した多量のデータを送信する場合、端末（ＴＲ）は、データ分割（ＴＲＢＤ１）によって、一度に送信するデータ数を制限する。その結果、送信過程でデータが欠損するリスクが低下する。

　データ送信（ＴＲＳＥ１）は、無線の送信規格に則り、送受信部（ＴＲＳＲ）を通して、アソシエイト先の基地局（ＧＷ）にデータを送信する。

　基地局（ＧＷ）は、端末（ＴＲ）からデータを受信（ＧＷＲＥ）すると、受信完了レスポンスを端末（ＴＲ）に返す。レスポンスを受信した端末（ＴＲ）は、送信完了（ＴＲＳＯ）と判定する。

　一定の時間を経ても送信完了（ＴＲＳＯ）しない（すなわち端末（ＴＲ）がレスポンスを受信しない）場合、端末（ＴＲ）は、データ送信失敗と判定する。この場合、データが端末（ＴＲ）内に記憶され、再び送信状態が確立されたときにまとめて送信される。これによって、端末（ＴＲ）を装着している人物が無線の届かない場所に移動してしまった場合、又は、基地局（ＧＷ）の不具合でデータが受信されなくなった場合にも、データを途切れさせることなく取得することが可能になる。これによって、十分な量のデータから組織の性質を解析することができる。この、送信に失敗したデータを端末（ＴＲ）に保管し、再送信する仕組みをまとめ送りと呼ぶ。

　データのまとめ送りの手順を説明する。端末（ＴＲ）は、送信できなかったデータを記憶しておき（ＴＲＤＭ）、一定時間後に再びアソシエイトの依頼を行う（ＴＲＴＡ２）。
ここで基地局（ＧＷ）からアソシエイト応答が得られ、アソシエイトが成功（ＴＲＡＳ）した場合、端末（ＴＲ）は、データ形式変換（ＴＲＤＦ２）、データ分割（ＴＲＢＤ２）及びデータ送信（ＴＲＳＥ２）を実行する。これらの処理は、それぞれ、データ形式変換（ＴＲＤＦ１）、データ分割（ＴＲＢＤ１）及びデータ送信（ＴＲＳＥ１）と同様である。なお、データ送信（ＴＲＳＥ２）の際、無線が衝突しないように輻輳制御される。その後は通常の処理に戻る。

　アソシエイトが成功（ＴＲＡＳ）しなかった場合、端末（ＴＲ）は、アソシエイトに成功するまで定期的にセンシング（ＴＲＳＳ２）と端末情報・時刻情報添付（ＴＲＣＴ２）実行する。センシング（ＴＲＳＳ２）及び端末情報・時刻情報添付（ＴＲＣＴ２）は、それぞれ、センシング（ＴＲＳＳ１）及び端末情報・時刻情報添付（ＴＲＣＴ１）と同様の処理である。これらの処理によって取得されたデータは、基地局（ＧＷ）とのアソシエイトが成功（ＴＲＡＳ）するまで、端末（ＴＲ）内に記憶される。端末（ＴＲ）内に記憶されたセンシングデータは、アソシエイト成功後、もしくは無線圏内で充電している時などの、安定して基地局と送受信できる環境が整った際に、まとめて基地局（ＧＷ）に送信される。

　また、端末（ＴＲ）から送信されたセンシングデータは基地局（ＧＷ）によって受信（ＧＷＲＥ）される。基地局（ＧＷ）は、受信したデータが分割されたものであるか否かを、センシングデータに付随する分割フレーム番号によって判定する。データが分割されている場合、基地局（ＧＷ）は、データ結合（ＧＷＲＣ）を実行し、分割されたデータを連続したデータに結合する。さらに、基地局（ＧＷ）は、基地局固有の番号である基地局情報（ＧＷＭＧ）をセンシングデータに付与し（ＧＷＧＴ）、そのデータを、ネットワーク（ＮＷ）を介してセンサネットサーバ（ＳＳ）に向けて送信する（ＧＷＳＥ）。基地局情
報（ＧＷＭＧ）は、その時刻における端末（ＴＲ）の大まかな位置を示す情報として、データ解析の際に利用することができる。

　センサネットサーバ（ＳＳ）は、基地局（ＧＷ）からデータを受信すると（ＳＳＲＥ）、データ管理（ＳＳＤＡ）において、受信したデータを時刻・端末情報・加速度・赤外線・温度などの要素ごとに分類する（ＳＳＰＢ）。この分類は、データ形式情報（ＳＳＭＦ）として記録されているフォーマットを参照することによって実行される。分類されたデータは、センシングデータベース（ＳＳＤＢ）のレコード（行）の適切なカラム（列）に格納される（ＳＳＫＩ）。同じ時刻に対応するデータを同じレコードに格納することで、時刻及び端末情報（ＴＲＭＴ）による検索が可能になる。このとき必要であれば、端末情報（ＴＲＭＴ）ごとにテーブルを作成しても良い。

　次に、パフォーマンスデータの入力から格納のシーケンスについて述べる。ユーザ（ＵＳ）がパフォーマンス入力用クライアント（ＱＣ）を操作し、アンケート入力のためのアプリケーションを起動する（ＵＳＳＴ）。パフォーマンス入力用クライアント（ＱＣ）は、入力フォーマット（ＱＣＳＳ）を読み込み（ＱＣＩＮ）、その設問をディスプレイなどに表示する（ＱＣＤＩ）。入力フォーマット（ＱＣＳＳ）、つまり、アンケートの設問の例は図２８に示す。ユーザ（ＵＳ）はアンケート設問に対して適切な位置に回答を入力し（ＵＳＩＮ）、回答結果はパフォーマンス入力用クライアント（ＱＣ）に読み込まれる。
図２８の例では、パフォーマンス入力用クライアント（ＱＣ）から各ユーザ（ＵＳ）のＰＣにメールで入力フォーマット（ＱＣＳＳ０１）が送信され、ユーザはそれに回答（ＱＣＳＳ０２）を記入して入力フォーマット（ＱＣＳＳ）に返信する、という場合の例を示している。より具体的には、図２８では、アンケートの設問内容が業務に関する主観評価（１）５つの成長（「体」の成長、「心」の成長、「行」の成長、「知」の成長、「人」の成長）（２）充実度（能力発揮度、難易度）をそれぞれ6段階評価するものであって、ユ
ーザが５つの成長として「体」４、「心」６、「行」５、「知」２．５、「人」３と評価し、「能力発揮度」５．５、「難易度」３と評価した場合を示している。また、図２９は、端末（ＴＲ）をパフォーマンス入力用クライアント（ＱＣ）として利用した場合の端末の画面の例である。この場合には、表示装置（ＬＣＤＤ）に表示された設問に対して、ボタン１～３（ＢＴＮ１～ＢＴＮ３）を操作することで回答を入力する。

　パフォーマンス入力用クライアント（ＱＣ）は入力されたものから必要な回答結果をパフォーマンスデータとして抽出し（ＱＣＤＣ）、パフォーマンスデータをセンサネットサーバに送信する（ＱＣＳＥ）。センサネットサーバ（ＳＳ）は、パフォーマンスデータを受信し（ＳＳＱＲ）、記憶部（ＳＳＭＥ）内のパフォーマンスデータテーブル（ＳＳＤＱ）の適切な場所に振り分けて格納する（ＳＳＱＩ）。
＜図８：データ解析のシーケンス図＞
　図８は、データ解析、すなわち、センシングデータとパフォーマンスデータを用いてバランスマップを描画するまでのシーケンスを示す。

　アプリケーション起動（ＵＳＳＴ）は、ユーザ（ＵＳ）によるクライアント（ＣＬ）内のバランスマップ表示アプリケーションの起動である。

　解析条件設定（ＣＬＩＳ）において、クライアント（ＣＬ）は、図の提示に必要な情報をユーザ（ＵＳ）に設定させる。クライアント（ＣＬ）内に記憶された設定用ウィンドウの情報を表示する、もしくはアプリケーションサーバ（ＡＳ）から設定用ウィンドウの情報を受け取って表示し、ユーザ（ＵＳ）の入力によって、表示の対象となるデータの時刻及び端末情報、表示方法の条件設定などを取得する。解析条件設定ウィンドウ（ＣＬＩＳＷＤ）の例は図１２に示す。ここで設定した条件は、解析設定情報（ＣＬＭＴ）として記憶部（ＣＬＭＥ）に格納される。

　データ依頼（ＣＬＳＱ）において、クライアント（ＣＬ）は、解析条件設定（ＣＬＩＳ）に基づいて対象となるデータの期間やメンバを指定し、アプリケーションサーバ（ＡＳ）に対してデータもしくは画像の依頼を行う。記憶部（ＣＬＭＥ）には、検索対象のアプリケーションサーバ（ＡＳ）の名称やアドレスなどの、センシングデータを取得するために必要な情報が格納されている。クライアント（ＣＬ）は、データの依頼コマンドを作成し、アプリケーションサーバ（ＡＳ）用の送信フォーマットに変換される。送信フォーマットに変換されたコマンドは、送信・受信部（ＣＬＳＲ）を経由して、アプリケーションサーバ（ＡＳ）に送信される。

　アプリーションサーバ（ＡＳ）は、クライアント（ＣＬ）からの依頼を受信し、アプリケーションサーバ（ＡＳ）内で解析条件を設定し（ＡＳＩＳ）、条件を記憶部の解析条件
情報（ＡＳＭＪ）に記録する。さらにセンサネットサーバ（ＳＳ）に対して取得すべきデータの時刻の範囲及びデータ取得対象である端末の固有ＩＤを送信し、センシングデータを依頼する（ＡＳＲＱ）。記憶部（ＡＳＭＥ）には、検索対象のセンサネットサーバ（ＳＳ）の名称、アドレス、データベース名及びテーブル名等、データ信号を取得するために必要な情報が記載されている。

　センサネットサーバ（ＳＳ）は、アプリーションサーバ（ＡＳ）から受け取った依頼に基づき、検索コマンドを作成し、センシングデータベース（ＳＳＤＢ）内を検索（ＳＳＤＳ）し、必要なセンシングデータを取得する。その後、センシングデータをアプリケーションサーバ（ＡＳ）に送信する（ＳＳＳＥ）。アプリーションサーバ（ＡＳ）は、そのデータを受信し（ＡＳＲＥ）、一時的に記憶部（ＡＳＭＥ）に記憶する。この、データ依頼（ＡＳＲＱ）からデータ受信（ＡＳＲＥ）までの流れが、図１３のフローチャートにおけるセンシングデータ取得（ＡＳＧＳ）に相当する。

　また、センシングデータの取得と同様にして、パフォーマンスデータの取得も行う。アプリケーションサーバ（ＡＳ）からセンサネットサーバ（ＳＳ）に対してパフォーマンスデータの依頼（ＡＳＲＱ２）を行い、センサネットサーバ（ＳＳ）は記憶部（ＳＳＭＥ）内のパフォーマンスデータテーブル（ＳＳＤＱ）を検索し（ＳＳＤＳ２）、必要なパフォーマンスデータを取得する。そして、パフォーマンスデータを送信し（ＳＳＳＥ２）、アプリケーションサーバ（ＡＳ）がそれを受信する（ＡＳＲＥ２）。この、データ依頼（ＡＳＲＱ２）からデータ受信（ＡＳＲＥ２）までの流れが、図１３のフローチャートにおけるパフォーマンスデータ取得（ＡＳＧＱ）に相当する。

　次に、アプリケーションサーバ（ＡＳ）において、コンフリクト計算（ＡＳＣＰ）、特徴量抽出（ＡＳＩＦ）、影響力係数計算（ＡＳＣＫ）、及びバランスマップ描画（ＡＳＰＢ）の処理を順に行う。これらの処理を行うプログラムは、記憶部（ＡＳＭＥ）に格納されており、制御部（ＡＳＣＯ）によって実行され、画像が作成される。

　作成した画像は送信され（ＡＳＳＥ）、画像を受信（ＣＬＲＥ）したクライアント（ＣＬ）は、その出力デバイス、例えばディスプレイ（ＣＬＯＤ）に表示する（ＣＬＤＰ）。
最後に、アプリケーション終了（ＵＳＥＮ）によって、ユーザ（ＵＳ）がアプリケーションを終了する。
＜図１０：特徴量一覧の例＞
　図１０は、バランスマップに用いる特徴量（ＢＭ＿Ｆ）の組み合わせと、それぞれの計算方法（ＣＦ＿ＢＭ＿Ｆ）、対応する行動の例（ＣＭ＿ＢＭ＿Ｆ）とを整理した表の例（ＲＳ＿ＢＭＦ）である。本発明では、センシングデータなどからこのような特徴量（ＢＭ＿Ｆ）を抽出し、２種類のパフォーマンスに対して各特徴量が持つ影響力係数からバランスマップを作成し、パフォーマンスを向上させるために効果的な特徴量を見つける。この一覧（ＲＳ＿ＢＭＦ）のように、計算方法（ＣＦ＿ＢＭ＿Ｆ）と対応する行動の例（ＣＭ＿ＢＭ＿Ｆ）とを理解しやすいように整理しておくことで、ある特徴量に注目して、施策を立てるための指針が得られる。例えば、「(3)対面（短）」（ＢＭ＿Ｆ０３）という特
徴量を増やす施策を立てるのであれば、指示や報告・相談が増えるように机のレイアウトを変える施策を実施することなどが思い浮かぶ。各特徴量に対応する行動の例（ＣＭ＿ＢＭ＿Ｆ）は、別途、センシングデータとビデオ観察の結果とを照らし合わせた結果を要約しておくと良い。

　図１０の特徴量例の一覧（ＲＳ＿ＢＭＦ）に示した各特徴量（ＢＭ＿Ｆ０１～ＢＭ＿Ｆ０２）の計算方法は、実施例２において述べる。
＜図１１：特徴量と改善施策の対応表の例＞
　また、図１１は、各特徴量に対応する施策の例を集めて整理した組織改善施策例一覧（ＩＭ＿ＢＭＦ）の例である。図１０の対応する行動の例（ＣＭ＿ＢＭ＿Ｆ）を踏まえて立案した施策の例をこのようにノウハウとして整理しておくことで、施策立案をよりスムーズなものにすることができる。組織改善施策例一覧（ＩＭ＿ＢＭＦ）には、特徴量を増やすための施策例（ＫＡ＿ＢＭ＿Ｆ）と特徴量を減らすための施策例（ＫＢ＿ＢＭ＿Ｆ）の項目がある。これは、バランスマップ（ＢＭ）の結果と連動して施策例を立てる際に有用である。図２のバランスマップ（ＢＭ）において、注目している特徴量が第１象限のバランス領域（ＢＭ１）にある場合には、その特徴量を増やすことによって２種類のパフォーマンスを共に向上させることができるため、「特徴量を増やすための施策例」（ＫＡ＿ＢＭ＿Ｆ）の項目から適切な施策を選択すると良い。また、注目している特徴量が第３象限のバランス領域（ＢＭ３）にある場合には、その特徴量を減らすことによって２種類のパフォーマンスを共に向上させることができるため、「特徴量を減らすための施策例」（ＫＢ＿ＢＭ＿Ｆ）の項目から適切な施策を選択すると良い。第２象限（ＢＭ２）または第４象限（ＢＭ４）のアンバランス領域にある場合には、その特徴量が対応する行動の中に、２つのパフォーマンスをコンフリクトさせる要因が含まれているということであるため、図１０の対応する行動の例（ＣＭ＿ＢＭ＿Ｆ）に戻って、コンフリクトを生じさせている行動を特定し、生じないように施策を立てれば良い。

　これらの、組織改善施策立案の一連の流れについては、図１６のフローチャートに示す。＜図１２：解析条件設定ウィンドウの見本＞
　図１２は、クライアント（ＣＬ）における解析条件設定（ＣＬＩＳ）において、ユーザ（ＵＳ）に条件を設定させるために表示される解析条件設定ウィンドウ（ＣＬＩＳＷＤ）の例である。

　解析条件設定ウィンドウ（ＣＬＩＳＷＤ）では、表示に用いるデータの期間、すなわち解析対象期間設定（ＣＬＩＳＰＴ）、解析データのサンプリング周期設定（ＣＬＩＳＰＤ）、表示する対象となるメンバの設定（ＣＬＩＳＰＭ）、表示サイズの設定（ＣＬＩＳＰＳ）を行い、さらに、会席条件に関する設定（ＣＬＩＳＰＤ）を行う。

　解析対象期間設定（ＣＬＩＳＰＴ）は、テキストボックス（ＰＴ０１～０３、ＰＴ１１～１３）にて日付を設定し、センシングデータが端末（ＴＲ）で取得された時刻と、パフォーマンスデータが表す日時（もしくは時刻）が、この範囲内にあるデータを計算の対象とするために指定するものである。必要があれば時刻の範囲を設定するテキストボックスを追加しても良い。

　解析データサンプリング周期設定（ＣＬＩＳＰＤ）では、テキストボックス（ＰＤ０１）とプルダウンリスト（ＰＤ０２）からデータを解析する際の、サンプリング周期を設定する。これは、多種類のセンシングデータやパフォーマンスデータにおいて、それぞれが取得されているサンプリング周期が異なるものを、いくつで揃えるかを指定するものである。基本的には、解析に用いるデータの中で、最もサンプリング周期が長いものに合わせると良い。多種類のデータのサンプリング周期を揃える方法については、本発明の第２の実施の形態と同じ方法を用いる。

　解析対象メンバ設定（ＣＬＩＳＰＭ）のウィンドウには、アプリケーションサーバ（ＡＳ）のユーザＩＤ対応表（ＡＳＵＩＴ）から読み込んだユーザ名、また必要ならば端末ＩＤを反映させる。このウィンドウを用いて設定する人物は、チェックボックス（ＰＭ０１～ＰＭ０９）にチェックを入れる、もしくは入れないことで、どのメンバのデータを解析に用いるかを設定する。直接個々のメンバを指定するのではなく、既定のグループ単位、年齢などの条件によって表示メンバをまとめて指定させても良い。

　表示サイズ設定（ＣＬＩＳＰＳ）では、作成した画像を表示するサイズをテキストボックス（ＰＳ０１、ＰＳ０２）に入力して指定する。本実施の形態では、画面に表示される画像が長方形であることを前提としているが、その他の形状でも良い。画像の縦の長さがテキストボックス（ＰＳ０１）に、横の長さがテキストボックス（ＰＳ０２）に入力される。入力される数値の単位として、ピクセル又はセンチメートル等、何らかの長さの単位が指定される。

　解析条件設定（ＣＬＩＳＰＤ）では、解析の際に用いるパフォーマンスの候補や特徴量を選択する。それぞれ、チェックボックス（ＰＤ０１～ＰＤ０５、ＰＤ１１～ＰＤ１５）にチェックを入れることで選択する。

　全ての入力を終えたら、最後に、表示開始ボタン（ＣＬＩＳＳＴ）をユーザ（ＵＳ）が押す。これによってこれらの解析条件を決定し、解析条件を解析設定情報（ＣＬＭＴ）に記録し、また、アプリケーションサーバ（ＡＳ）に送信する。
＜図１３：全体の処理のフローチャート＞
　図１３は、本発明の第１の実施の形態において、アプリケーションの立ち上げから表示画面がユーザ（ＵＳ）に提供されるまでの大まかな処理の流れを示すフローチャートである。

　開始（ＡＳＳＴ）後、解析条件設定（ＡＳＩＳ）を行い、次に、センシングデータ取得（ＡＳＧＳ）から特徴量抽出（ＡＳＩＦ）、パフォーマンスデータ取得（ＡＳＧＱ）からコンフリクト計算（ＡＳＣＰ）をそれぞれ平行して行う。特徴量抽出（ＡＳＩＦ）は加速度データや対面データ、音声データなどのセンシングデータにおいて、ある特定のパターンを有する部分の出現回数をカウントする処理である。また、コンフリクト計算（ＡＳＣＰ）においてバランスマップ（ＢＭ）に用いるパフォーマンスデータの組み合わせを決定する。

　ここで得た特徴量とパフォーマンスデータを時刻で揃えて統合データテーブル（ＡＳＴＫ）を作成する（ＡＳＡＤ）。特徴量抽出（ＡＳＩＦ）から統合データテーブル作成方法については、実施例２の方法を用いると良い。そして次に、統合データテーブル（ＡＳＴＫ）を用いて、影響力係数計算（ＡＳＣＫ）を行う。影響力係数計算（ＡＳＣＫ）では、相関係数もしくは偏回帰係数を求め、影響力係数として用いる。相関係数を用いる場合には、各特徴量と各パフォーマンスデータのすべての組み合わせについて相関係数を求める。この場合には、影響力係数は、特徴量とパフォーマンスデータとの１対１の関係を示すことができる。また、偏回帰係数を用いる場合には、全特徴量を説明変数、パフォーマンスデータの1つを目的変数とした重回帰分析を行う。この場合には、偏回帰係数は、それぞれに対応する特徴量が、他の特徴量と比べて強くパフォーマンスデータに影響しているかという相対的な強さを示すことができる。なお、重回帰分析とは、1つの目的変数と複数の説明変数との関係を以下の重回帰式（１）で表す手法である。これによって求められる、偏回帰係数（a₁、 ... 、a_p）が、対応する特徴量（x₁、 ... 、x_p）の、パフォーマンスyに対する影響力を示すことになる。

　このときに、ステップワイズ法などを用いて有用な特徴量のみを選択し、バランスマップに用いるようにしても良い。

　次に、求めた影響力係数をＸ軸とＹ軸にプロットし、バランスマップ（ＢＭ）を描画する（ＡＳＰＢ）。最後に、そのバランスマップ（ＢＭ）をクライアント（ＣＬ）の画面に表示（ＣＬＤＰ）して終了（ＡＳＥＮ）となる。
＜図１４：コンフリクト計算のフローチャート＞
　図１４は、コンフリクト計算（ＡＳＣＰ）の処理の流れを示すフローチャートである。コンフリクト計算（ＡＳＣＰ）では、開始（ＣＰＳＴ）後、まず図１８のようなパフォーマンスデータテーブル（ＡＳＤＱ）を読み込み（ＣＰ０１）、その中から1組を選択し（ＣＰ０２）、その組の相関係数を求め（ＣＰ０３）、図１９のパフォーマンス相関マトリクス（ＡＳＣＭ）に出力する。全てのパフォーマンスの組み合わせについて処理を完了（ＣＯ０４）するまでこれを繰り返し、最後に、相関係数が負であり、かつ、その絶対値が最も大きいパフォーマンスの組を選択（ＣＰ０５）し、終了（ＣＰＥＮ）する。例えば図１９のパフォーマンス相関マトリクス（ＡＳＣＭ）では、相関係数が－０．８６の値である要素（ＣＭ＿０１－０２）が負で最も絶対値が高いものであるため、業務量（ＤＱ０１）とアンケート（「心」）回答値（ＤＱ０２）のパフォーマンスデータの組合わせが、選択される。

　このように、負の相関の強いパフォーマンスの組を選択することによって、両立することが難しい、つまりコンフリクトを生じやすいパフォーマンスの組み合わせを見つけることができる。この後のバランスマップ描画（ＡＳＰＢ）では、これらの２つのパフォーマンスを軸に取り、これらを両立させるための分析を行い、組織を改善するために役立てる。
＜図１５：バランスマップ描画のフローチャート＞
　図１５は、バランスマップ描画（ＡＳＰＢ）の処理の流れを示すフローチャートである。

　開始（ＰＢＳＴ）後、バランスマップの軸と枠を描画（ＰＢ０１）し、影響力係数テーブル（ＡＳＤＥ）の値を読み込む（ＰＢ０２）。次に、特徴量を１つ選択（ＰＢ０３）する。特徴量は２種類のパフォーマンスに対してそれぞれ影響力係数を有している。その一方の影響力係数をＸ座標に、もう一方の影響力係数をＹ座標に取って、値をプロットする（ＰＢ０４）。全ての特徴量のプロットを完了（ＰＢ０５）するまでこれを繰り返し、終
了（ＰＢＥＮ）とする。

　このようにして影響力係数を二軸に取って表示することで、各特徴量が他の特徴量と比較してどのような性質を有しているかが数値でみるよりもわかりやすくなる。これによって、特に原点から遠い座標に位置する特徴量は、２つのパフォーマンス両方に対して強い影響力を持っていることがわかる。つまり、この特徴量に注目した施策を実施することによって、業務が改善される可能性が高いという見込みが得られる。また、互いに近くに位置する特徴量は性質が類似していることがわかる。このような場合には、どちらの特徴量に注目した施策を立てても似た結果が得られると言えるため、施策の選択肢が増えるという利点がある。
＜図１６：組織改善施策立案のフローチャート＞
　図１６は、バランスマップ（ＢＭ）の描画結果を活用し、組織を改善する施策を立案するまでのプロセスの流れを示すフローチャートである。ただしこれは、分析者が行う手順であり、コンピュータなどにおいて自動で処理される手順ではないため、図４の全体システム図や図１３のフローチャートには含まれていない。

　まず、開始（ＳＡＳＴ）後、バランスマップにおいて、原点からの距離が最も遠い特徴量を選択する（ＳＡ０１）。これは、距離が遠いものほどパフォーマンスに対して有する影響力が強い特徴量であることを示しており、その特徴量に注目した改善施策を実施した際に大きな効果があると見込めるからである。また、２つのパフォーマンスにおいて、特にコンフリクトを解消させたい、という目的がある場合には、アンバランス領域（第１象限と第３象限）にある特徴量の中で、最も原点から遠くに位置する特徴量を選択しても良い。

　特徴量を選択したら、次に、その特徴量が位置する領域に注目する（ＳＡ０２）。それがアンバランス領域である場合には、さらに別途、特徴量が出現する場面を分析（ＳＡ１１）し、特徴量がアンバランスを生み出す要因を特定（ＳＡ１２）する。これは、例えば、ビデオ撮影による時刻を付した動画などと特徴量データとを比較することで、対象組織または人が、どのような行動をした時に２つのパフォーマンスのコンフリクトが生じるのかを特定できる。

　わかりやすい例を挙げると、ある特徴量Ｘとして、加速度リズムの上下変動が多いこと、つまり、動いたり止まったりが頻繁に切り替わるような動きは、作業効率は向上させるが疲労感を増加させることがバランスマップの結果から得られたとする。この特徴量Ｘが現れる時刻を帯グラフなどで表示し、ビデオデータと比較する。その結果、ワーカーが多種類の仕事を抱えていて、並列して行っているときに特徴量Ｘが現れており、特に立ち歩きと着席が交互に繰り返されるために加速度リズムが上下変動しやすいのだとわかった。このケースでは、業務の並列は作業効率のために必要であるが、それに付随する身体の動きの変化が疲労感を増やしているといえる。そこで、立ったままで行う業務、座って行う業務、会議室で行う業務、自席で行う業務などの観点から、行動や場所が類似した業務を連続させるようにスケジュールを組み、加速度リズムの変化を減らすことが組織改善施策として挙げられる。

　一方、ステップ（ＳＡ０２）において、特徴量がバランス領域に位置していた場合には、さらにそれが第１象限か第３象限かを分類する（ＳＡ０３）。第１象限である場合には、その特徴量は２つのパフォーマンスに対して共に正の影響力を持っていると言えるため、特徴量を増やすことで両パフォーマンスを向上できる。したがって、図１１のような組織改善施策例一覧（ＩＭ＿ＢＭＦ）の「増やすための施策例（ＫＡ＿ＢＭ＿Ｆ）」から、組織に適した施策を選択する（ＳＡ３１）。もしくは、これを参考にして、新たな施策を
立てても良い。ステップ（ＳＡ０３）において、第３象限である場合には、その特徴量は２つのパフォーマンスに対して共に負の影響力を持っており、特徴量を減らすことで両パフォーマンスを向上できる。したがって、組織改善施策例一覧（ＩＭ＿ＢＭＦ）の「減らすための施策例（ＫＢ＿ＢＭ＿Ｆ）」から、組織に適した施策を選択する（ＳＡ２１）。
もしくは、これを参考にして、新たな施策を立てても良い。

　以上のようにして、実施すべき組織改善施策を決定（ＳＡ０４）し、終了（ＳＡＥＮ）となる。もちろんこの後、決定された施策を実施し、再度ワーカーの活動をセンシングして、各特徴量に対応する行動が期待通りに変化しているかを確認することが望ましい。

　このようにして、注目する特徴量、バランスマップ（ＢＭ）上の領域、施策リストに沿って順に決定していくことで、適切な組織改善施策をスムーズに立案することができる。もちろんリスト以外の施策を立てても良いが、バランスマップ（ＢＭ）による分析結果を参考にすることで、組織が抱える課題と目的をぶらさないマネジメントが可能となる。
＜図１７：ユーザＩＤ対応表（ＡＳＵＩＴ）＞
　図１７は、アプリケーションサーバ（ＡＳ）の記憶部（ＡＳＭＥ）内に保管される、ユーザＩＤ対応表（ＡＳＵＩＴ）の形式の例である。ユーザＩＤ対応表（ＡＳＵＩＴ）にはユーザ番号（ＡＳＵＩＴ１）、ユーザ名（ＡＳＵＩＴ２）、端末ＩＤ（ＡＳＵＩＴ３）及びグループ（ＡＳＵＩＴ４）を相互に関連付けて記録されている。ユーザ番号（ＡＳＵＩＴ１）は対面マトリクス（ＡＳＭＭ）や解析条件設定ウィンドウ（ＣＬＩＳＷＤ）におけるユーザ（ＵＳ）の並び順を規定するためのものである。また、ユーザ名（ＡＳＵＩＴ２）は組織に属するユーザの氏名であり、例えば解析条件設定ウィンドウ（ＣＬＩＳＷＤ）などに表示される。端末ＩＤ（ＡＳＵＩＴ３）はユーザ（ＵＳ）が所有する端末（ＴＲ）の端末情報を示すものである。これによって、特定の端末（ＴＲ）から得られたセンシングデータを、そのユーザ（ＵＳ）の行動を表す情報と捉えて解析することができる。グループ（ＡＳＵＩＴ４）はユーザ（ＵＳ）が属するグループであり、共通の業務を行う単位であることを示す。グループ（ＡＳＵＩＴ４）は不必要ならばなくても良い項目であるが、実施例４のように、グループ内・外の人とのコミュニケーションを区別する場合には必要である。また、他の年齢などの属性情報の項目を追加することもできる。組織のメンバ構成や所属グループなどに変更があった場合には、ユーザＩＤ対応表（ＡＳＵＩＴ）を書き換えることで、解析結果にも反映される。また、個人情報であるユーザ名（ＡＳＵＩＴ２）はアプリケーションサーバ（ＡＳ）内に置かず、ユーザ名（ＡＳＵＩＴ２）と端末ＩＤ（ＡＳＵＩＴ３）との対応表を別途クライアント（ＣＬ）に置いて、解析対象のメンバを設定させ、端末ＩＤ（ＡＳＵＩＴ３）とユーザ番号（ＡＳＵＩＴ１）のみをアプリケーションサーバ（ＡＳ）に送信しても良い。これによって、アプリケーションサーバ（ＡＳ）は個人情報を取り扱わずにすむため、アプリケーションサーバ（ＡＳ）管理者とクライアント（ＣＬ）の管理者が異なる場合に、個人情報の管理手続きに関する煩雑さを回避することが可能である。

　このようにして、コンフリクトを生じうる２種類のパフォーマンスデータに対して、センサデータから得た共通の特徴量を用いて影響力係数を求めることによって、業務における複数のパフォーマンスのコンフリクトを解消し、共に高めるための改善施策の指針を得るために役立つ。言い換えると、定量的な分析によって、業務の全体最適を実現するために効果を上げることができる。

　本発明の第２の実施の形態について図面を参照して説明する。

　本発明の第２の実施の形態は、パフォーマンスデータとセンシングデータが、異なるサンプリング周期で取得されていたり、欠損を含む不完全なものである場合にも、それらのデータのサンプリング周期と期間を統一する。これによって、２種類のパフォーマンスをバランスよく改善するためのバランスマップの描画を行うものである。
＜図２１～図２７：描画のフローチャート＞
　図２１は、本発明の第２の実施の形態において、アプリケーションの立ち上げから表示画面がユーザ（ＵＳ）に提供されるまでの処理の流れを示すフローチャートである。大枠の流れは、本発明の第１の実施の形態のフローチャート（図１３）と同様であるが、特徴量抽出（ＡＳＩＦ）とコンフリクト計算（ＡＳＣＰ）、統合データテーブル作成（ＡＳＡＤ）における、サンプリング周期と期間の統一方法をより詳細に説明する。システム図とシーケンス図については第１の実施の形態と同じものを用いる。

　特徴量抽出（ＡＳＩＦ）においては、生データであるセンシングデータについても、種類ごとにサンプリング周期は異なる。例えば加速度データは０．０２秒、対面データは１０秒、音声データは０．１２５ミリ秒であるようにバラつきがある。これは、各センサから得たい情報の性質に合わせてサンプリング周期が決定されているからである。人物間の対面の有無に関しては、秒単位で判別できれば十分であるが、音の周波数に関する情報を得たい場合には、ミリ秒単位でのセンシングが必要となる。特に加速度による動きのリズムや音による周囲環境の判別が、組織や行動の特性を反映している可能性が高いため、端末（ＴＲ）でのサンプリング周期は短く設定されている。

　しかし、複数種類のデータを統合して分析するためには、各データのサンプリング周期を統一することが必要である。また、ここで単純に一定間隔でデータを間引くのではなく、各データの必要な特性を維持しつつ統合する必要がある。

　本明細書では、加速度と対面に関する特徴量を抽出するプロセスを例に取って、サンプリング周期を統一するプロセスを説明する。加速度データでは、加速度の振動数であるリズムの特性を重視し、リズムの上下変動の特性を失わないようにサンプリング周期の統一を行う。対面データでは、対面が継続している時間に注目した処理を行う。なお、パフォーマンスデータの１つであるアンケートを１日１回収集すると仮定し、すべての特徴量の最終的なサンプリング周期は１日に揃えるものとする。一般的には、センシングデータやパフォーマンスデータにおいて、最もサンプリング周期の長いものに合わせるようにすると良い。
＜加速度の特徴量の算出方法＞
　まず、特徴量抽出（ＡＳＩＦ）の加速度データについては、サンプリング周期０．０２秒の生データから、所定の時間単位（例えば１分単位）でリズムを求め、さらに１日単位でリズムに関する特徴量をカウントするという段階を踏む。なお、リズムを求める時間の単位は、目的に応じて１分以外の値に設定することも可能である。

　加速度データテーブル（ＳＳＤＢ＿ＡＣＣ＿１００２）の例を図２５に、１分単位での加速度リズムテーブル（ＡＳＤＦ＿ＡＣＣＴＹ１ＭＩＮ＿１００２）の例を図２６に、１日単位での加速度リズム特徴量テーブル（ＡＳＤＦ＿ＡＣＣＲＹ１ＤＡＹ＿１００２）の例を図２７に示す。ここでは端末ＩＤが１００２番の端末（ＴＲ）によるデータのみからテーブルを作成したと想定しているが、複数端末のデータを１テーブルに用いて作成しても良い。

　まず、ある人物に関する加速度データテーブル（ＳＳＤＢ＿ＡＣＣ＿１００２）から、１分単位で加速度リズムを計算した加速度リズムテーブル（ＡＳＤＦ＿ＡＣＣＴＹ１ＭＩＮ＿１００２）を作成する（ＡＳＩＦ１１）。加速度データテーブル（ＳＳＤＢ＿ＡＣＣ＿１００２）は端末（ＴＲ）の加速度センサでセンシングされたデータを、単位が［Ｇ］になるように変換しただけのものである。つまり生データとして捉えてよい。センシングした時刻情報と、三軸加速度センサのＸ・Ｙ・Ｚ軸それぞれの値が対応付けて格納されている。端末（ＴＲ）の電源が切られていたり、データが送信途中で欠損したりした場合には、データは格納されないため、加速度データテーブル（ＳＳＤＢ＿ＡＣＣ＿１００２）の各レコードは、常に０．０２秒間隔になっているとは限らない。
１分単位の加速度リズムテーブル（ＡＳＤＦ＿ＡＣＣＴＹ１ＭＩＮ＿１００２）を作成する際に、このような欠損時間を補う処理を合わせて行う。１分間の中で生データが何も入っていない場合には、加速度リズムテーブル（ＡＳＤＦ＿ＡＣＣＴＹ１ＭＩＮ＿１００２）にはＮｕｌｌとして入力する。これによって、加速度リズムテーブル（ＡＳＤＦ＿ＡＣＣＴＹ１ＭＩＮ＿１００２）は１日の０時から２３時５９分までを全て１分間隔で埋められたテーブルになる。

　加速度リズムとは、一定時間内に、ＸＹＺの各方向の加速度の値が、正と負に振動した回数、つまり振動数である。加速度データテーブル（ＳＳＤＢ＿ＡＣＣ＿１００２）において、各方向の１分間の中での振動した回数を数えて合計する。もしくは、時間的に連続したデータが０をまたいだ回数（時刻ｔの値と時刻ｔ＋１の値をかけて負になる場合の数。ゼロクロス数と呼ぶ）を用いて計算を簡略化しても良い。

　なお、加速度リズムテーブル（ＡＳＤＦ＿ＡＣＣＴＹ１ＭＩＮ＿１００２）は、１つの端末（ＴＲ）ごとに、１日分ずつ存在する。

　次に、１分単位の加速度リズムテーブル（ＡＳＤＦ＿ＡＣＣＴＹ１ＭＩＮ＿１００２）のそれぞれの日のテーブルの値を処理して、１日単位での加速度リズム特徴量テーブル（ＡＳＤＦ＿ＡＣＣＲＹ１ＤＡＹ＿１００２）を作成する（ＡＳＩＦ１２）。

　図２７の１日単位での加速度リズム特徴量テーブル（ＡＳＤＦ＿ＡＣＣＲＹ１ＤＡＹ＿１００２）では、「(6)加速度リズム（小）」（ＢＭ＿Ｆ０６）と「(7)加速度リズム（大）」（ＢＭ＿Ｆ０７）の特徴量をテーブルに格納した例を示している。特徴量「(6)加速度リズム（小）」（ＢＭ＿Ｆ０６）は、１日のうちのリズムが２［Ｈｚ］以下であった合計時間を示している。これは、１分単位での加速度リズムテーブル（ＡＳＤＦ＿ＡＣＣＴＹ１ＭＩＮ＿１００２）において、加速度リズム（ＤＢＲＹ）がＮｕｌｌではなく、かつ、２Ｈｚ未満である個数をカウントし、６０［秒］をかけた数値である。同様にして、特徴量「(7)加速度リズム（大）」（ＢＭ＿Ｆ０７）は、Ｎｕｌｌではなく、かつ、２Ｈｚ
以上である個数をカウントし、６０［秒］をかけたものである。ここで、２Ｈｚを閾値としているのは、過去の分析結果より、ＰＣ作業や考え事などの個人で行う静かな動きと、歩き回ったり積極的に話しかけたりするときの他者と関わりのある活発な動きとの境目が、ほぼ２Ｈｚであることがわかっているためである。

　以上のようにして作成した加速度リズム特徴量テーブル（ＡＳＤＦ＿ＡＣＣＲＹ１ＤＡＹ＿１００２）は、サンプリング周期は１日、期間は解析対象期間設定（ＣＬＩＳＰＴ）と一致したものとなる。解析対象期間外のデータは削除される。

　また、図１０の特徴量例の一覧（ＲＳ＿ＢＭＦ）に記載した特徴量（ＢＭ＿Ｆ０５、ＢＭ＿Ｆ０８、ＢＭ＿Ｆ０９）の計算方法については以下に説明する。「(8)加速度リズム継続（短）（ＢＭ＿Ｆ０８）」と「(9)加速度リズム継続（長）（ＢＭ＿Ｆ０９）」は、
図２６の１分単位の加速度リズムテーブル（ＡＳＤＦ＿ＡＣＣＴＹ１ＭＩＮ＿１００２）において、近いリズムの値が一定時間継続した回数を数えたものである。例えば、０［Ｈｚ］以上１［Ｈｚ］未満、１［Ｈｚ］以上２［Ｈｚ］未満、というようにリズムの区切りを決めておき、１分ずつのリズムの値がどの範囲に入るかを判別する。そして、同じ範囲の値が５回以上継続した場合には、「(9)加速度リズム継続（長）（ＢＭ＿Ｆ０９）」の
特徴量としてカウントを１増やす。継続した数が５回未満であった場合には、「(8)加速度リズム継続（短）（ＢＭ＿Ｆ０８）」の特徴量としてカウントを１増やす。また、「(5)加速度エネルギ（ＢＭ＿Ｆ０５）」は、１分単位の加速度リズムテーブル（ＡＳＤＦ＿ＡＣＣＴＹ１ＭＩＮ＿１００２）の各レコードのリズムの値を２乗し、それらの１日分の合計を求め、さらにＮｕｌｌ以外のデータの個数で割ったものである。
＜対面の特徴量の算出方法＞
　一方、対面データについての特徴量抽出（ＡＳＩＦ）では、２者間における対面結合テーブルを作成（ＡＳＩＦ２１）し、そして、対面特徴量テーブルを作成する（ＡＳＩＦ２２）。端末から取得した生の対面データは図２２（a）や図２２（ｂ）のように人物ごとに対面テーブル（ＳＳＤＢ＿ＩＲ）に格納されている。なお、テーブルは、端末ＩＤをカラムに含むようにすれば、複数人物を混合したものでも良い。対面テーブル（ＳＳＤＢ＿ＩＲ）には、赤外線送信側ＩＤ１（ＤＢＲ１）・受信回数１（ＤＢＮ１）の組を複数個と、センシングした時刻（ＤＢＴＭ）とを１レコードに格納している。赤外線送信側ＩＤ（ＤＢＲ１）は、端末（ＴＲ）が赤外線で受信した他の端末のＩＤ番号であり（つまり、対面した端末のＩＤ番号）、また、１０秒間でそのＩＤ番号を何回受信したかを受信回数１（ＤＢＮ１）に格納している。１０秒間中に複数の端末（ＴＲ）と対面することも有り得るため、赤外線送信側ＩＤ１（ＤＢＲ１）・受信回数１（ＤＢＮ１）の組は複数組（図２２の例では１０組）まで、格納できるようになっている。また、端末（ＴＲ）の電源が切られていたり、データが送信途中で欠損したりした場合には、データは格納されないため、対面テーブル（ＳＳＤＢ＿ＩＲ）の時刻は、完全に１０秒間隔にはなっていないことがある。この点についても、対面結合テーブル（ＳＳＤＢ＿ＩＲＣＴ＿１００２－１００３
）作成時に整える必要がある。

　また、生データでは、対面した２者について、一方の端末（ＴＲ）でしか赤外線を受信していない、ことがある。そこで、ある２者間の対面の有無のみを１０秒間隔で示した対面結合テーブル（ＳＳＤＢ＿ＩＲＣＴ＿１００２－１００３）を作成する。その例を図２３に示す。対面結合テーブル（ＳＳＤＢ＿ＩＲＣＴ）は、全ての人物の組み合わせについてそれぞれ作成する。全く対面していないペアについてはこれを作成しなくても良い。対面結合テーブル（ＳＳＤＢ＿ＩＲＣＴ）は、時刻（ＣＮＴＴＭ）情報と、その２者間の対面の有無（ＣＮＴＩＯ）を示す情報とのカラムを持っており、その時刻に対面した場合には１、対面していない場合には０の値が格納される。

　対面結合テーブル（ＳＳＤＢ＿ＩＲＣＴ＿１００２－１００３）を作成する際の処理は、各人物に関する対面テーブル（ＳＳＤＢ＿ＩＲ＿１００２、ＳＳＤＢ＿ＩＲ＿１００３）において、時刻（ＤＢＴＭ）データを照らし合わせ、同じもしくは最も近い時刻の赤外線送信側ＩＤを調べる。どちらか一方のテーブルに相手のＩＤが含まれていれば、その２者が対面したものと判定して、対面結合テーブル（ＳＳＤＢ＿ＩＲＣＴ＿１００２－１００３）の該当するレコードに、時刻（ＣＮＴＴＭ）データと合わせて、対面の有無（ＣＮＴＩＯ）の欄に１を入力する。なお、対面したと判別するための基準は、赤外線受信回数が閾値以上であった場合とする、両方のテーブルに互いのＩＤが存在する場合とする、などの別の基準を用いても良い。しかし、経験上、本人が対面したと感じているよりも、対面データは少なく検出される傾向があるため、ここでは少なくとも一方で検出されていれば、その２者は対面したと判定する方法を採用した。また、対面結合テーブル（ＳＳＣＢ＿ＩＲＣＴ）を実施例５の方法によって補完することによって、さらに対面データの欠損を補完し、対面の有無や対面が継続した時間について、より精度を高くすることも可能である。

　以上のようにして、１日分ずつ、全メンバの組み合わせについて対面結合テーブルを作成する。

　さらに、対面結合テーブルに基づき、ある人物に関する図２４の例のような対面特徴量テーブル（ＡＳＤＦ＿ＩＲ１ＤＡＹ＿１００２）を作成する（ＡＳＩＦ２２）。対面特徴量テーブル（ＡＳＤＦ＿ＩＲ１ＤＡＹ＿１００２）のサンプリング周期は１日であり、期間は解析対象期間設定（ＣＬＩＳＰＴ）と一致する。解析対象期間外のデータは削除される。図２４の例では、特徴量「(3)対面（短）」（ＢＭ＿Ｆ０３）は、端末ＩＤ１００２番の端末（ＴＲ）と他の全ての端末（ＴＲ）に関して、１日で、対面結合テーブル（ＳＳＤＢ＿ＩＲＣＴ）での対面の有無（ＣＮＴＩＯ）のカラムの値に１が２回以上３０回未満続いた回数、つまり２０秒以上５分未満の対面が継続した回数を合計したものである。この際に、実施例４に示すような方法で対面結合テーブルを補完した後のものを用いてカウントしても良い。また、特徴量「(4)対面（長）」（ＢＭ＿Ｆ０４）は、同様に、対面の有無（ＣＮＴＩＯ）のカラムの値に１が３０回以上続いた回数、つまり５分以上の対面が継続した回数を合計したものである。

　以上のように、サンプリング周期を順に大きくするように段階に分けて特徴量を求める。これによって、各データについて分析に必要な特性を維持しつつ、サンプリング周期を統一した一連のデータを用意することができる。段階に分けない例としては、１日分の加速度の生データを平均して、１つの値を算出することが考えられるが、このような方法では１日のデータが平滑化されてしまい、その日の活動の特性の差がわからなくなる可能性が高い。よって、段階に分けることで特性を維持した特徴量の値を得ることができる。
＜図２８～図３０：パフォーマンスデータについて＞
　パフォーマンスデータについては、コンフリクト計算（ＡＳＣＰ）の始めにサンプリング周期を統一する処理（ＡＳＣＰ１）を行う。図２８のようなアンケート用紙または電子メール、または図２９の端末（ＴＲ）などを用いて入力されたアンケートの回答データは、図３０のパフォーマンスデータテーブル（ＳＳＤＱ）のように、取得時刻（ＳＳＤＱ２）と回答したユーザ番号（ＳＳＤＱ１）を付与して格納される。また、業務に関するパフォーマンスデータがある場合には、それらもパフォーマンステーブル（ＳＳＤＱ）に含まれる。パフォーマンスデータの収集頻度は、１日に一回でも良いし、それ以上でも良い。サンプリング周期統一（ＡＳＣＰ）では、パフォーマンスデータテーブル（ＳＳＤＱ）の元データを、ユーザごとにテーブルを分け、また回答されていない日があった場合にはそれをＮｕｌｌデータで補完し、サンプリング周期が１日となるように整理する。

　そのデータに基づき、実施例１の図１４のフローチャートと同様の方法を用いて、全ての組み合わせのパフォーマンス間での相関係数を計算（ＡＳＣＰ２）し、最もコンフリクトの大きい組のパフォーマンスを選択（ＡＳＣＰ３）する。
＜図３１：統合データテーブル＞
　図３１に、統合データテーブルの作成（ＡＳＡＤ）によって出力される、統合データテーブル（ＡＳＴＫ＿１００２）の例を示す。統合データテーブル（ＡＳＴＫ）は、特徴量抽出（ＡＳＩＦ）とコンフリクト計算（ＡＳＣＰ）によって得られた、期間とサンプリング周期が統一されたセンシングデータとパフォーマンスデータとを、日付で紐付けて整理したテーブルである。

　統合データテーブル（ＡＳＴＫ＿１００２）の中の値は、各カラム（特徴量またはパフォーマンス）についてＺスコアに変換しておく。Ｚスコアとは、そのカラムのデータの分布が、平均値が０、標準偏差が１のものになるように標準化された値である。

　あるカラムＸの値（Ｘ_ｉ）は、以下の数式（２）によって標準化される、つまり、Ｚスコア（Ｚ_ｉ）に変換される。

　この処理によって、データの分布や値の単位が異なる、複数種類のパフォーマンスデータや特徴量における影響力の計算を、一括して重回帰分析で扱うことができる。

　このようにして、元のサンプリング周期が異なる複数種類のセンシングデータやパフォーマンスデータを、サンプリング周期とデータの期間が統一されるように処理を行うことによって、影響力計算において、同質のデータとして数式に導入して計算することが可能になっている。また、加速度データについては、まず短い時間単位でのリズムを求め、そして１日単位での特徴量として抽出する、という段階に分けることで、１日全体のリズムを直接求めるよりも格段に、日ごとの性質が反映された特徴量を得ることができる。また、対面データについては、複数の人物間の相互の対面情報を、シンプルな対面結合テーブル（ＳＳＤＢ＿ＩＲＣＴ）に統一しておくことで、特徴量抽出のプロセスがシンプルになっている。また、実施例５の方法などを用いて、欠けたデータを補完する際の処理を簡単に行うことができる。

　本発明の第３の実施の形態について図面を参照して説明する。

　本発明の第３の実施の形態は、パフォーマンスデータとして主観データと客観データを収集し、バランスマップ（ＢＭ）の作成を行うものである。主観によるパフォーマンスデータには、例えば従業員の充実感ややりがい、ストレス、顧客の満足度などが挙げられる。

　主観データは、人物の内面を表す指標である。特に知識労働やサービス業においては、従業員の一人一人が高いモチベーションを持ち、自発的に業務に取り組まなくては質の高いアイディアやサービスを提供することはできない。また、顧客の側から見ても、大量生産時代のように、顧客は製品の材料費と人件費という実質的な費用に対して金銭を支払うのではなく、製品やサービスに伴う楽しさや興奮などの付加価値を経験することに対して金銭を支払うようになってきている。したがって、組織の生産性を向上させるという目的において、人物の主観に関するデータを得ることが必要になる。主観データを得るためには、端末（ＴＲ）のユーザである従業員、または顧客にアンケートに回答することを依頼する。または、実施例７のように端末（ＴＲ）から得たセンサデータを分析して主観データとして扱うことも可能である。

　また一方で、客観的なパフォーマンスデータを用いることにも意義がある。客観データには、例えば、売り上げや株価、処理にかかった時間、ＰＣのタイピング数などがある。これらは、組織をマネジメントするために従来より計測され、分析されてきた指標であるが、主観的評価に比べてデータ値の根拠が明確である点、ユーザに負担をかけずに自動収集が可能である点、においてメリットがある。また、やはり現代でも最終的な組織の生産性は、売り上げや株価などの定量的な指標で評価されるものであるため、これらを向上させることを必ず求められる。客観的なパフォーマンスデータを得るためには、組織の業務用データサーバに接続して必要なデータを取得する、または、従業員が日頃使っているＰＣにて操作ログを記録する、などの方法がある。

　このように、主観データと客観データとは共に必要な情報である。これらをセンサネットシステムと合わせて一括して処理できるシステムを構築することで、主観と客観の両面から組織を分析し、組織の生産性を総合的に向上させることができる。
＜図３２：システム図＞
　図３２は、本発明の第３の実施の形態を実現するセンサネットシステムの全体構成を説明するブロック図である。本発明の第１の実施の形態における、図４～図６の、パフォーマンス入力用クライアント（ＱＣ）のみが異なる。その他の部分と処理は本発明の第１の実施の形態と同様のものを用いるため省略した。

　パフォーマンス入力用クライアント（ＱＣ）には、主観データ入力部（ＱＣＳ）と客観データ入力部（ＱＣＯ）とが存在する。ここでは、主観データはユーザが装着した端末（ＴＲ）を介して、アンケート回答を送ることで得ることを想定する。ユーザが使用している個人クライアントＰＣを介してアンケートに回答する方法を用いてもよい。また、客観データにおいては、例として、組織の定量的データである業務データと、各ユーザ個人が使用している個人クライアントＰＣの操作ログとを収集する方法について述べる。これ以外の客観データを用いても良い。

　主観データ入力部（ＱＣＳ）は、記憶部（ＱＣＳＭＥ）、入出力部（ＱＳＣＩＯ）、制御部（ＱＣＳＣＯ）、送受信部（ＱＣＳＳＲ）を有する。ここでは主観データ入力部（ＱＣＳ）は、１つまたは複数の端末（ＴＲ）がその働きを兼ねるものとする。記憶部（ＱＣＳＭＥ）は、アンケートを入力させるためのソフトウェアである入力アプリケーション（ＳＭＥ＿Ｐ）のプログラム、アンケートの設問や回答データのフォーマットを設定している入力フォーマット（ＳＭＥ＿ＳＳ）、また入力されたアンケート回答である主観データ（ＳＭＥ＿Ｄ）を記憶している。

　また、入出力部（ＱＣＳＩＯ）は、表示装置（ＬＣＤＤ）とボタン１～３（ＢＴＮ１～ＢＴＭ３）を有する。これらは、図６や図２９の端末（ＴＲ）と同じものである。

　制御部（ＱＣＳＣＯ）は、主観データ収集（ＳＣＯ＿ＬＣ）と通信制御（ＳＣＯ＿ＣＣ）を行い、送受信部（ＱＣＳＳＲ）はセンサネットサーバなどとのデータ送受信を行う。主観データ収集（ＳＣＯ＿ＬＣ）を行う際には、図２９と同様に、表示装置（ＬＣＤＤ）に設問を表示し、ユーザ（ＵＳ）はボタン１～３（ＢＴＮ１～ＢＴＭ３）の操作によって、回答を入力する。入力フォーマット（ＳＭＥ＿ＳＳ）を参照して、入力されたデータから必要なものを選択し、主観データ（ＳＭＥ＿Ｄ）に端末ＩＤや入力時刻を付与し、データを記憶する。これらのデータは、通信制御（ＳＣＯ＿ＣＣ）によって、端末（ＴＲ）のデータ送受信タイミングに合わせてセンサネットサーバ（ＳＳ）に送信される。

　客観データ入力部（ＱＣＯ）には、組織の業務データを管理するための業務データサーバ（ＱＣＯＧ）と各ユーザ個人が使用している個人クライアントＰＣ（ＱＣＯＰ）がある。それぞれ、１台もしくは複数台存在する。

　業務データサーバ（ＱＣＯＧ）は、同じサーバ内、もしくはネットワーク内の別のサーバに存在する売り上げや株価などの情報から、必要な情報を収集する。組織の機密情報に当たる情報も含まれる可能性があるため、アクセス制御などのセキュリティ面での仕組みを有していることが望ましい。なお、異なるサーバから業務データを取得する場合も、便宜上、同じ業務データサーバ（ＱＣＯＧ）内にあるものとして図には記載している。業務データサーバ（ＱＣＯＧ）は、記憶部（ＱＣＯＧＭＥ）と制御部（ＱＣＯＧＣＯ）、送受
信部（ＱＣＯＧＳＲ）を有する。図には入出力部を記載していないが、業務担当者がサーバに直接業務データを入力する場合には、キーボードなどを含む入出力部が必要である。

　記憶部（ＱＣＯＧＭＥ）は、業務データ収集プログラム（ＯＧＭＥ＿Ｐ）と、業務データ（ＯＧＭＥ＿Ｄ）、そしてセンサネットサーバ（ＳＳ）など他のコンピュータからのアクセスを許可するかどうかを設定しているアクセス設定（ＯＧＭＥ＿Ａ）を有する。

　制御部（ＱＣＯＧＣＯ）は、送信先のセンサネットサーバ（ＳＳ）に業務データを送信して良いかを判断するアクセス制御（ＯＧＣＯ＿ＡＣ）と、業務データ収集（ＯＧＣＯ＿ＬＣ）、通信制御（ＯＧＣＯ＿ＣＣ）を順に行って、送受信部（ＱＣＯＧＳＲ）を通して業務データを送信する。業務データ収集（ＯＧＣＯ＿ＬＣ）では、必要な業務データを選別し、それに対応する時刻情報とを組にして取得する。

　個人クライアントＰＣ（ＱＣＯＰ）では、タイピング数や同時起動ウィンドウ数、タイピングエラー数などの、ＰＣの操作に関するログ情報を取得する。これらの情報は、ユーザの個人作業に関するパフォーマンスデータとして用いることができる。

　個人クライアントＰＣ（ＱＣＯＰ）は、記憶部（ＱＣＯＰＭＥ）、入出力部（ＱＣＯＰＩＯ）、制御部（ＱＣＯＰＣＯ）、送受信部（ＱＣＯＰＳＲ）を有する。記憶部（ＱＣＯ
ＰＭＥ）には、操作ログ収集プログラム（ＯＰＭＥ＿Ｐ）と収集した操作ログデータ（ＯＰＭＥ＿Ｄ）が記憶されている。また、入出力部（ＱＣＯＰＩＯ）にはディスプレイ（ＯＰＯＤ）、キーボード（ＯＰＩＫ）、マウス（ＯＰＩＭ）、その他の外部入出力（ＯＰＩＵ）などを含む。入出力部（ＱＣＯＰＩＯ）によってＰＣを操作した記録を、操作ログ収集（ＯＰＣＯ＿ＬＣ）において収集し、その中から必要なデータのみをセンサネットサーバ（ＳＳ）に送信する。送信時には、通信制御（ＯＰＣＯ＿ＣＣ）を経て送受信部（ＱＣＯＰＳＲ）から送信される。

　パフォーマンス入力用クライアント（ＱＣ）によって収集されたこれらのパフォーマンスデータは、ネットワーク（ＮＷ）を通じてセンサネットサーバ（ＳＳ）内のパフォーマンスデータテーブル（ＳＳＤＱ）に格納される。
＜図３３：パフォーマンスの組み合わせの例＞
　図３３は、バランスマップ（ＢＭ）の両軸に取るパフォーマンスデータの組み合わせの例（ＡＳＰＦＥＸ）を示したものである。第一のパフォーマンスデータ（ＰＦＤ１）と第二のパフォーマンスデータ（ＰＦＤ２）について、データの内容と、主観か客観かの分類とを示している。なお、第一と第二のパフォーマンスデータについては、どちらをＸ軸に取っても構わない。

　図３２に示したシステムを用いて収集できるパフォーマンスデータには、個人に関する主観データ、組織の業務に関する客観データ、個人の業務に関する客観データなどがある。実施例１の図１４に示したコンフリクト計算（ＡＳＣＰ）と同様の方法によって、これら多種類のパフォーマンスデータの中からコンフリクトしがちな組を選択しも良いし、組織を改善したい目的に合わせて一組のパフォーマンスデータを選択しても良い。

　図３３の各パフォーマンスデータの組み合わせを採用した分析によって、組織改善に効果を挙げる点を以下に述べる。

　１番（ＮＯ．１）の組み合わせでは、主観データであるアンケート回答の「体」の項目と、客観データである個人ＰＣにおけるデータ処理量とのバランスマップ（ＢＭ）を作成する。データ処理量を上げることは個人作業のスピードを上げることである。しかし、スピードを上げることのみに注力していると、身体的な不調に繋がる可能性がある。そこで、このバランスマップ（ＢＭ）で分析することで、身体的な調子を維持しつつ、個人作業のスピードを向上するための施策を検討できる。また、同様に、２番（ＮＯ．２）のアンケート回答「心」と個人ＰＣのデータ処理量との分析によっては、精神的な調子、つまりモチベーションを下げないように個人作業のスピードを向上するための施策を検討できる。

　また、３番（ＮＯ．３）の例では、客観データ同士、かつ個人ＰＣの操作ログ同士である、個人のタイピング速度とタイピングエラー回避率をパフォーマンスデータに取っている。これは、一般的にタイピング速度を向上させると、エラーが増えるというコンフリクトが生じるため、そのコンフリクトを解消させる方法を探すのが目的である。この例において、パフォーマンスデータは共にＰＣのログ情報であるが、バランスマップ（ＢＭ）にプロットする特徴量としては、端末（ＴＲ）から取得した加速度データや対面データを含むように選択する。こうして分析することによって、頻繁に話しかけられることによる集中力の低下や、慌しい動きによる焦りなどが、タイピングエラーとの関係のある要因として明らかになる可能性がある。

　４番（ＮＯ．４）の例では、アンケート回答の「体」と組織全体の業務処理量との組み合わせを選択し、５番（ＮＯ．５）の例では、アンケート回答の「心」と組織全体の業務処理量との組み合わせを選択している。マネジメントにおいて、組織全体の生産性（ここでは業務処理量）を上げるためには、しばしば個人の感情や健康を無視してしまうことがる。そのため、４番や５番のように、個人の主観データと組織の客観データとを合わせた分析を行うことで、個々の従業員の感情や健康と、組織の生産性とを両立させるためのマネジメントを可能にする。また、特徴量としては従業員の行動を反映したセンシングデータを用いるため、従業員の行動変化に着目したマネジメントが実現できる。

　また、６番（ＮＯ．６）の例では、センシングデータによる組織全体のコミュニケーション量と、組織全体の業務処理量との組み合わせを選択する。この場合はどちらも客観データである。コミュニケーション量と業務処理量については、コンフリクトする場合としない場合があると考えられる。情報共有が必要な業務においてはこれらはコンフリクトしないが、作業ベースの業務においては、コミュニケーション量は少ない方が業務処理量は向上するというコンフリクトが生じる可能性がある。しかしながら、組織におけるコミュニケーションは、従業員同士の協力の姿勢をはぐくんだり、新しいアイディアを創発するために必要なものであり、長期的には必須のものである。そのため、バランスマップ（ＢＭ）を用いて分析することで、コンフリクトを生じる行動と生じない行動とを分析することで、短期的に効果を成す業務処理量と長期的に効果を成すコミュニケーション量とを両立するマネジメントを実現できる。

　このようにして、主観によるパフォーマンスデータと客観的なパフォーマンスデータとを収集し、さらにセンシングデータと合わせて一括で処理するシステムを実現することで、関係者の心理的な側面と客観的な指標との両面から組織を分析し、組織の生産性を総合的に向上させることができる。

　本発明の第４の実施の形態について図面を参照して説明する。
＜図３４：バランスマップ＞
　図３４に、本発明の第４の実施の形態の例を示す。本発明の第４の実施の形態は、本発明１～３の実施の形態によるバランスマップにおいて、各特徴量が位置する象限のみに着目し、各象限に特徴量の名前を文字で記述する表示方法である。名前を直接表示するのではなく、特徴量の名前と象限との対応がわかる表示方法なら他の方法でも良い。

　図３のように影響力係数の値を図にプロットして表現した方法は、詳細な分析を行う分析者には有意義であるが、一般ユーザに結果をフィードバックする際には、一般ユーザは値の意味を理解するのに気を取られ、結果が意味するところを理解しづらくなるという問題がある。そこで、このバランスマップの本質である、特徴量が位置する象限の情報のみを表示する。その際に、一方の影響力係数が０に近いもの、つまり図３のバランスマップにおいてＸ軸またはＹ軸近くにプロットされている特徴量は、位置する象限が明確ではなく、バランスマップにおいて重要な指標ではないと言えるため、表示しないようにする。そこで、表示するための影響力係数の閾値を設け、Ｘ軸・Ｙ軸の影響力係数が共に閾値以上の特徴量のみを選択するプロセスを追加する。
＜図３５：フローチャート＞
　図３５は、図３４のバランスマップを描画するための処理の流れを示すフローチャートである。センサデータの取得から画像を画面に表示するまでの全体のプロセスは、実施例１の図１３の手順と同様のものを用いる。そのうちの、バランスマップ描画（ＡＳＰＢ）の手順のみを図３５に置き換える。

　開始（ＰＢＳＴ）後、まず、バランス領域やアンバランス領域に位置していると判別するための、影響力係数の閾値を設定する（ＰＢ１０）。次に、バランスマップの軸と枠を描画（ＰＢ１１）し、影響力係数テーブル（ＡＳＤＥ）を読み込む。次に特徴量を１つ選択する（ＰＣ１３）。プロセス（ＰＢ１１～ＰＢ１３）は、図１５と同じ方法で行う。次に、選択した特徴量について、その特徴量の、２つのパフォーマンスに対する影響力係数が共に閾値以上かどうかを判別する（ＰＢ１４）。閾値以上であった場合には、その影響力係数の正負の組み合わせから対応する象限を判断し、その象限に特徴量の名称を記載する（ＰＢ１５）。このプロセスを、全ての特徴量についての処理を完了（ＰＢ１６）するまで繰り返し、終了（ＰＢＥＮ）とする。

　このようにして、各特徴量が４象限のどの領域に属しているか、のみをバランスマップ（ＢＭ）に特徴量の名前で表示することによって、必要最低限の情報、つまり、特徴量が有している特性のみをシンプルに読み取ることができるようになる。これは、影響力係数の値などの詳細な情報を必要としない、一般ユーザなどに分析結果を説明する際に有用である。

　本発明の第５の実施の形態について図面を参照して説明する。本発明の第５の実施の形態は、本発明の第１～４の実施の形態で用いる特徴量の一例である、対面と対面時姿勢変化（図１０の特徴量例の一覧（ＲＳ＿ＢＭＦ）の（ＢＭ＿Ｆ０１～ＢＭ＿Ｆ０４））を抽出する処理である。図１３の特徴量抽出（ＡＳＩＦ）の処理に相当する。
＜図３６：対面データの検出範囲＞
　図３６は、端末（ＴＲ）における、対面データの検出範囲の例を示す図である。端末（ＴＲ）は複数個の赤外線送受信器を有しており、広範囲に検出できるように上下左右に角度差を付けて固定されている。この赤外線送受信器は、人と人とが向かい合って会話をする対面状態を検出することを目的としているため、例えば検出距離は３メートル、検出角度は左右は３０度、上方向に１５度、下方向に４５度となっている。これによって、完全に正対していない、つまり斜めを向いた状態での対面や、身長差のある人物間、または一方が着席、一方が起立した状態での対面も検出できるように配慮している。

　組織において生産性との関連性を分析する際に、検出したいコミュニケーションは、３０秒前後で行う報告や連絡から、２時間前後の会議などがある。コミュニケーションが継続した時間によって、コミュニケーションの内容も異なるため、なるべくコミュニケーションの始めと終わり、そして継続していた時間を正しくセンシングすることが必要である。

　しかしながら、対面データでは１０秒単位で対面の有無を判別しているが、対面データが連続して入っているものをコミュニケーションの１回のイベントとして区分すると、実際のコミュニケーション回数以上に短い対面が多く、長い対面が少なくカウントされてしまう。例えば図３７の補完前データ（ＴＲＤ＿０）のように、対面検出データは細切れになって入っていることが多い。これは、人間は話すときに体を動かすことが多く、そのとき左右の触れ幅の最大値は３０度以上であるため、実際の対面時間の全てを赤外線送受信器で検出できていないのだと考えられる。また、長い会議などにおいても、正面に向かい合った人物間で、分単位の長い空白が含まれていることが多い。これは、会議において話者が変わったり、スライドに注目したりして体の向きを変えている時間があるからだと考えられる。

　そこで、対面検出データの空白を適切に補完する必要がある。しかし、ある閾値時間以下の空白を補完するアルゴリズムを用いた場合には、閾値が大きいと別のイベントであるはずの対面検出データも一体化されてしまい、逆に閾値が小さすぎると会議などの長い対面イベントが分割されてしまうという問題が生じる。そこで、特に長い対面イベントでは長く継続する対面検出データが存在することが多いという性質を利用し、短い空白と長い空白を二段階に分けてそれぞれ補完する方法を用いる。なお、三段階以上に分けて補完してもよい。
＜図３７：二段階での補完方法＞
　図３７に、二段階で対面検出データが補完される様子を説明した図を示す。基本の補完ルールとしては、空白の時間の幅（ｔ_１）が、その直前の対面検出データの継続時間幅（Ｔ_１）の一定数倍よりも小さい場合には補完する、とする。その補完条件を決める係数をαで示し、一次補完係数（α_１）と二次補完係数（α_２）を変えることで、同じアルゴリ
ズムで短い空白の補完と、長い空白の補完の、二段階の補完を共に行えるようにする。また、それぞれの補完において、補完する最大の空白の時間幅を設定しておく。一時補完（ＴＲＤ＿１）では短い空白を補完する。これによって、３分程度の報告などの短い対面内の空白が埋められ、連続したイベントとなる。また、２時間程度の会議においても、断片的な対面検出データが連続され、大きな対面のブロックと空白のブロックができる。さらに、二次補完（ＴＲＤ＿２）において、会議の中の大きな空白のブロックも補完される。なお、ここでは、空白時間（ｔ_１）の直前の対面継続時間（Ｔ_１）に比例して補完の有無
が決定されるとしたが、空白時間の直後の対面継続時間に比例して決定することもできる。また、直前と直後の両方によって決定することもできる。この場合には、直前と直後の対面継続時間の和に比例するようにするか、直前に比例する方法と直後に比例する方法を２回実行して補完する方法がある。直前、あるいは直後に比例する方法を用いた場合には、実行時間やメモリ使用量を節約することができる。また、直前と直後の両方によって決定する方法では、対面継続時間をより高い精度で算出することができるというメリットがある。

　図３８は、図３７で示した補完のプロセスを、実際の１日分の対面結合テーブル（ＳＳＤＢ＿ＩＲＣＴ＿１００２－１００３）の値の変化として示した例である。また、一次と二次のそれぞれの補完において、補完されたデータの数をカウントし、その値を特徴量「 (1)対面時姿勢変化（小）（ＢＭ＿Ｆ０１）」・「(2)対面時姿勢変化（大）（ＢＭ＿
Ｆ０２）」として用いる。これは、データが欠けた数は、姿勢が変化した数を反映していると考えるからである。また、二次補完を終えた後の対面結合テーブル（ＳＳＤＢ＿ＩＲＣＴ＿１００２－１００３）において、対面検出データが一定時間範囲内に継続している回数を数えることで、特徴量「(3)対面（短）（ＢＭ＿Ｆ０３）」・「(4)対面（長）（Ｂ
Ｍ＿Ｆ０４）」を抽出する。

　図３９は、対面検出データを補完し、特徴量「(1)対面時姿勢変化（小）（ＢＭ＿Ｆ０１）」・「(2)対面時姿勢変化（大）（ＢＭ＿Ｆ０２）」「(3)対面（短）（ＢＭ＿Ｆ０３
）」・「(4)対面（長）（ＢＭ＿Ｆ０４）」を抽出するまでの処理の流れを示すフローチ
ャートである。これは、実施例１～４における、特徴量抽出（ＡＳＩＦ）の中の処理の１つである。

　開始（ＩＦＳＴ）後、１組の人物を選択（ＩＦ１０１）し、その人物間の対面結合テーブル（ＳＳＤＢ＿ＩＲＣＴ）を作成する。次に、一次補完を行うため、補完係数αをα＝α_１に設定する（ＩＦ１０３）。次に、対面結合テーブル（ＳＳＤＢ＿ＩＲＣＴ）から時
系列順に対面データを取得（ＩＦ１０４）し、対面している（つまり図３８のテーブルで言うと値が１であった場合）には（ＩＦ１０５）、そこから対面が継続している時間（Ｔ）をカウントし、記憶しておく（ＩＦ１２０）。また、対面していない場合には、そこから連続で対面していない時間（ｔ）をカウントする（ＩＦ１０６）。そして、その直前に対面が継続していた時間（Ｔ）に補完係数αをかけた値と対面なし時間（ｔ）とを比較し（ＩＦ１０７）、ｔ＜Ｔ＊αであった場合にはその空白時間分のデータを１に変える、つまり対面検出データを補完する（ＩＦ１０８）。また、ここで、補完したデータの数をカウントしておく（ＩＦ１０９）。ここでカウントした数は、特徴量「(1)対面時姿勢変化（小）（ＢＭ＿Ｆ０１）」または「(2)対面時姿勢変化（大）（ＢＭ＿Ｆ０２）」として
用いる。そして１日の最後のデータまで処理を完了するまで（ＩＦ１０４～ＩＦ１０９）の処理を繰り返す（ＩＦ１１０）。完了すれば一次補完を完了とし、補完係数αをα＝α_２に設定して、同様の処理（ＩＦ１０４～ＩＦ１１０）によって二次補完を行う。二次補完が完了（ＩＦ１１１）すれば、各特徴量「(1)対面時姿勢変化（小）（ＢＭ＿Ｆ０１）」・「(2)対面時姿勢変化（大）（ＢＭ＿Ｆ０２）」「(3)対面（短）（ＢＭ＿Ｆ０３）」・「(4)対面（長）（ＢＭ＿Ｆ０４）」の値を求め、それぞれを１日分単位での対面特徴量テーブル（ＡＳＤＦ＿ＩＲ１ＤＡＹ）の適切な箇所に入力し（ＩＦ１１２）、終了（ＩＦＥＮ）とする。

　このようにして、閾値を変えて２段階に分けて対面データを補完することによって、短い対面イベントと長い対面イベントを、共に精度よく抽出できるようになる。またさらに、ここで補完されたデータの数を、対面時の姿勢変化の特徴量として用いることで、処理時間の短縮、メモリ使用量の節約ができる。

　本発明の第６の実施の形態について図面を参照して説明する。
＜図４０・図４１：コミュニケーションダイナミクスの概要＞
　図４０に、本発明の第６の実施の形態であるコミュニケーションダイナミクスにおける各フェーズの概要を説明するための図を示す。

　特に創造性を要求される組織においては、日々同じ方法で業務を行うのではなく、適切に変化することが必要である。特に、コミュニケーションと創造性の関係については、日頃付き合いのない多くの人とのコミュニケーションによって新しい情報を得て刺激を受けること（拡散・Ｄｉｆｆｕｓｉｏｎ）、また、仲間うちでじっくりと議論して意思決定を行うこと（凝集・Ａｇｇｒｅｇａｔｉｏｎ）、そして、１人で考えたり文書にまとめたりすることでアウトプットの質を高めること（個・Ｉｎｄｉｖｉｄｕａｌ）、をそれぞれバランスよく行うことが必要である。

　本発明の第６の実施の形態は、端末（ＴＲ）による対面検出データを用いて、これらのコミュニケーションの性質のダイナミクスを可視化するためのものである。対面検出データから、ある人物または組織が、同じグループ内の人と対面した人数であるグループ内リンク率と、他のグループの人と対面した人数であるグループ外リンク率とを両軸に取る。ここで、正確には、人数のある基準を決め、それに対しての対面人数の割合によってプロットするため、リンク「率」と呼ぶ。実際には、対外的なコミュニケーションを一方の軸に、身内とのコミュニケーションをもう一方の軸に取るようにしていれば、他の指標を軸に取っても良い。

　図４０のように両軸に取ることで、グループ内リンク率が高いときは「凝集」のフェーズ、グループ外リンク率が高いがグループ内リンク率が低いときには「拡散」のフェーズ、両方が低いときには「個」のフェーズ、というように相対的にフェーズを分類することができる。さらに、日毎、もしくは週毎などの一定期間ごとに両軸の値をプロットし、その軌跡を平滑線で結ぶことでダイナミクスを可視化する。

　図４１にコミュニケーションダイナミクスの表示例と、それぞれのダイナミクスの形を分類した模式図とをあわせて示す。

　ＴｙｐｅＡの円運動(circular movement)パターンでは、凝集・拡散・個の各フェーズを順に通っているパターンである。このような軌跡を描く組織または人物は、知識創造の各フェーズをうまくコントロールしていると言える。

　ＴｙｐｅＢの縦振動(longitudinal oscillation)パターンでは、凝集と個のフェーズだけを繰り返しているパターンである。つまり、このような軌跡を描く組織または人物は、身内での議論と個人作業とを交互に繰り返している。長期的にこのような仕事の仕方を続けていると、外部の新しい考え方を知る機会がなくなってしまう危険性をはらんでいるため、時々は外部の人物とのコミュニケーションする機会を作る必要があると言える。

　ＴｙｐｅＣの横振動(lateral oscillation)パターンでは、拡散と個のフェーズだけを繰り返しているパターンである。つまり、このような軌跡を描く組織または人物は、外部の人との接触と個人作業とを交互に繰り返しており、チームワークが強くないと言える。長期的にこのような仕事の仕方を続けていると、メンバ同士が有する知識や知恵を共有することが難しくなるため、時々はグループのメンバが集合して情報交換をする機会を設ける必要があると言える。

　以上のようにして、ダイナミクスのパターンを可視化し、分類することで、その組織や個人が日々の知識創造プロセスにおいて有する課題を発見することができる。その課題に対して適切な施策を立てることで、より生産性の高い組織作りを実現できる。

　なお、ＴｙｐｅＡ～Ｃは、プロットした点の分布の形状と結んだ平滑線の傾きによって分類する。それぞれのタイプにおいて、点の分布の形状が丸か、縦長か、横長か、そして、平滑線の傾きが縦横混合か、縦が多いか、横が多いか、を判別して分類する。
＜図４２：対面マトリクス＞
　図４２はある組織における対面マトリクス（ＡＳＭＭ）の例である。コミュニケーションダイナミクスにおいて、縦軸と横軸のリンク率を計算するために用いる。コミュニケーションダイナミクスにおいて、１日ずつ点をプロットする場合には、１日につき１枚の対面マトリクスを作成する。対面マトリクス（ＡＳＭＭ）では、行と列にそれぞれ端末（ＴＲ）を装着したユーザ（ＵＳ）を取り、それらが交わる要素の値が、その二者が１日の間に対面した時間を表す。図２３の対面結合テーブル（ＳＳＤＢ＿ＩＲＣＴ）を全ての人物の組み合わせについて作成し、１日で対面した合計時間を求めることによって、対面マトリクス（ＡＳＭＭ）を作成する。さらに、図１７のユーザＩＤ対応表（ＡＳＵＩＴ）を照会することで、同じグループの人との対面か、異なるグループの人との対面かを区別し、グループ内リンク率をグループ外リンク率を算出する。
＜図４３：システム図＞
　図４３は、本発明の第６の実施の形態であるコミュニケーションダイナミクスを描画するためのセンサネットシステムの全体構成を説明するブロック図である。本発明の第１の実施の形態における、図４～図６の、アプリケーションサーバ（ＱＣ）の構成のみが異なる。その他の部分と処理は本発明の第１の実施の形態と同様のものを用いるため省略した。また、パフォーマンスデータは用いないため、パフォーマンス入力用クライアント（ＱＣ）はなくても良い。

　アプリケーションサーバ（ＡＳ）内の記憶部（ＡＳＭＥ）には、新たな構成としては対面マトリクス（ＡＳＭＭ）が存在する。また、制御部（ＡＳＣＯ）では、解析条件設定（ＡＳＩＳ）後、データ取得（ＡＳＧＤ）によってセンサネットサーバ（ＳＳ）から必要な対面データを取得し、それを用いて日毎に対面マトリクスを作成する（ＡＳＩＭ）。そしてグループ内とグループ外のリンク率を計算（ＡＳＤＬ）し、ダイナミクスを描画（ＡＳＤＰ）する。ダイナミクス描画（ＡＳＤＰ）では、グループ内・グループ外リンク率の値を両軸に取り、プロットする。さらに、点同士を時系列順に平滑線で結ぶ。そして、点の分布の形状と平滑線の傾きによってダイナミクスのパターンを分類（ＡＳＤＢ）するという手順で処理を行う。

　このようにして、端末（ＴＲ）の対面データから算出した、グループ内リンク率とグループ外リンク率とを両軸にとって時系列変化をプロットする事によって、組織や個人のフェーズ変化の動きのパターンを可視化し、分析することができる。これによって、その組織や個人の知識創造プロセスにおける課題を発見することができ、さらに、その課題に対して適切な施策を立て、より創造性の高めるために役立てることができる。

　本発明の第７の実施の形態について図面を参照して説明する。図４４～図５３にて、実施例７を説明する。
＜図４４～図４５：システム構成とデータ処理のプロセス＞
　図４４のブロック図によって、本発明の実施の形態を実現するセンサネットワークシステムの全体構成を説明する。

　複数のセンサノードがあり、そのセンサノード(Y003)は、以下を具備する。ユーザーの動きやセンサノードの向きを検出する加速度センサ、ユーザー間の対面を検出する赤外線センサ、ユーザーの周囲温度を計測する温度センサ、ユーザーの位置を検出するGPSセンサ、このセンサノード(およびこれを装着するユーザー）を識別するIDを記憶する手段、リアルタイムクロックなどの時刻を取得するための手段、IDと上記のセンサからのデータと時刻に関する情報を通信に適した形式（フォーマット）に変換するための手段（例えば、マイクロコントローラとファームウエアによりデータを変換する）、無線あるいは有線の通信手段を有する。センサノードは、本発明の別の実施例に説明されたものを使うことができる。

　上記の加速度センサ等のセンサからサンプリングして得られたデータ、時刻情報、IDは、上記の通信手段により、中継器(Y004)に送られ、通信手段Y001で受信される。さらにこのデータは、サーバと無線あるいは有線で通信する手段Y002により、サーバ(Y005)に送られる。

　以下では、図４５を用いて、加速度センサで取得したセンサデータを例に説明するが、他のセンサのデータやその他の時系列で変化するデータに広く本発明は適用される。

　時系列に並ぶデータ(SS1、この例として３軸の加速度センサのx、y、z軸方向の加速度データを用いる)は、Y010の格納手段に格納される。Y010は、CPU、主記憶、ハードディスクやフラッシュメモリなどの記憶装置および、これらをソフトウェアで制御することにより実現できる。　時系列データSS1からさらに加工した複数の時系列データを作成する。この作成手段をY011とする。この実施例では、A1、B1、...J1の10個の時系列データを生成する。A1の求め方を以下に説明する。

　上記した３軸加速度データからその絶対値を計算する。これにより、加速度の大きさを表す、０または正値の時系列データSS2を得る。さらに、SS2にハイパスフィルターを通すことにより、0を中心として、その周りで増減する波形（時系列データ）に変換することができる。これをSS3とする。

　さらに一定時間毎（これをTaあるいはTb と図に示す。例えば、5分毎）に、この波形データを解析し、これから周波数強度（周波数スペクトル、あるいは周波数分布）を得る。この手段としては、FFT（高速フーリエ変換）などを用いることができる。別の手段としては、例えば10秒程度の時間毎に波形を分析し、波形のゼロクロス回数をカウントする手段を用いることもできる。このゼロクロス数の頻度分布を上記の５分間まとめると図に示すヒストグラムを得ることができる。これを1Hz毎にまとめると、これも周波数強度分布である。この分布は、時間Taと時間Tbでは当然異なる。

　人が、没頭し、一心に我をも忘れて行為にとり組むとき、大変充実感のある状態になり、これを心理学では「フロー」と呼んでいる。

　従来人がフローであるかどうかは、インタビューやアンケートなどの手段で、研究されてきたが、これを装置で計測する方法は知られていなかった。我々は、図５２、図５３（ａ）の測定結果が示すように、フローと活動レベルのばらつきとの間には強い相関があることを発見した。
図５２は、アンケートで求めた、フロー（充実、やりがい、集中、没入）と加速度センサのデータから解析した、活動レベルおよび活動レベルのばらつきの相関を示したものである。ここで活動レベルとは、各周波数バンドないの活動の頻度（計測は30分間で行った）を示し、活動レベルのばらつきとは、この活動レベルが、半日以上の期間にどれだけ変動するかどうかを標準偏差として表したものである。61人のデータを解析した結果、活動レベルとフローとの相関は最大でも0.1程度と小さかった。これに対して、活動レベルのばらつきとフローとは、相関の大きいものがあった。特に、1-2Hzの周波数バンドの動きのばらつき（これは体に装着した名札で計測したが、この周波数は、他の形態や他の部位に装着しても、同様である）は、フローと負に0.3以上の相関を示した。これ以外にも、多数のデータを取得した結果、取得時間の長さに応じて、1-2Hz、あるいは1-3Hzの動きがフローと相関を持つことを発明者は世界で初めて発見した。

　このように、特に、1-3Hzの動きのばらつき、あるいは動きのむらが大きいとフローに成りにくく、逆に、1-3Hzの動きのばらつきが小さい、即ち一貫していると、フローになりやすいことを見出した。人が充実感をもつために、さらに人が仕事を楽しむために、さらに人が成長するために、さらに人が高い生産性で働くために、フローとなることが重要であることが知られている。上記の動きのばらつき（あるいはその逆の一貫性）を計測することにより、人の充実感や生産性向上を支援することができる。

　図５３(ｂ)に示すように、さらに発明者は、多数の被験者を24時間一年以上に渡り計測することにより、日中の動きのばらつきやムラ（これが少ないほどフローになりやすい）は、睡眠時間のばらつきと相関することを見出した。これにより、睡眠時間を制御することにより、フローを増やすことができる。フローは人の充実感の源となるので、具体的な行動の変化により、充実感を向上できる画期的な発見である。睡眠時間のばらつきと同様に、起床時間のばらつきや就寝時間のばらつきなど睡眠に関係する量のばらつきは同様にフローに影響がある。このような睡眠を制御する、あるいは睡眠の制御を促して、フローや人の充実感、やりがい、あるいは人生の幸せを向上されることは本発明に含まれる。

　この相関関係を活用すれば、以下の説明において、フロー、あるいは集中、あるいは動きの一貫性（ばらつきの少なさ）について説明しているところを、睡眠や睡眠に関係した量の一貫性（あるいはその反対のばらつき）に置き換えたものも、本発明に含まれる。

　本実施形態では、人の動きに関連する時系列データを検出し、その時系列データを加工することにより、人の動きのばらつき、むら、あるいは一貫性に関する指標を算出し、その指標からばらつきやむらが小さいこと、あるいは一貫性が高いことを判定して、上述したフローを計測することを特徴とする。そして、その判定結果に基づいて、人あるいはその人が所属する組織の望ましい状態を可視化する。この動きのばらつき、むら、あるいは一貫性に関する指標について、以下説明する。

　動きのばらつきとしては、上記の周波数強度に関する時間毎のばらつき（あるいは変化）を用いることが出来る。特に、その指標としては、例えば、５分ごとに、強度の変化を記録し、５分ごとの差を用いることが出来る。これ以外にも、動き（あるいは加速度）のばらつきに関わる幅広い指標を用いることが出来る。さらには、人の周囲温度や照度や周囲音の変化には、その人の動きが反映されるため、そのような指標を用いることもできる。あるいは、GPSから求めた位置の情報を用いて、動きのばらつきを求めることも可能である。

　この動きの一貫性（例えば、周波数強度のばらつきの逆数を用いることができる）の時系列情報をA1とする。

　次に、時系列データB1の求め方を説明する。B1の例として、歩行速度を用いる。

　歩行速度は、SS3で求めた波形データから、1～3Hzの周波数成分を持つものを取り出し、その中でも、周期的な繰り返し性が高い波形領域を歩いている、即ち歩行、と見なすことができる。このとき、繰り返しの周期から歩行の歩数ピッチを求めることができる。これをその人の歩行速度の指標として用いる。これを図ではB1と表す。

　次に、時系列データC1の求め方を説明する。C1の例としては、外出を用いる。即ちいつもいる場所（例えばオフィス）から外に出ていることを検出する。

　外出は、名札型のセンサノード(Y003)をユーザーに装着してもらい、外出時には、このセンサノードをクレードル（充電器）にさしてから外出することにする。センサノードをクレードルに指すことにより、これを検出することにより、外出を検出することができる。外出時にクレードルにセンサをさすことにより、外出時にバッテリーを充電できる。同時に、センサノードに蓄積されたデータを中継局やサーバーに送信することが出来る。GPSを用いて、もとめた位置から外出を検出することもできる。このようにしてもとめた外出時間をC1とする。

　次に、時系列データD1の求め方を説明する。D1の例としては、会話を用いる。会話は、名札型センサノード(Y003)に組み込まれた赤外線センサにより、別のセンサノードと対面しているかを検出し、この対面時間を会話の指標とすることが出来る。さらに、加速度センサから求めた周波数強度から、対面している複数の人の中で、最も高い周波数成分を持っている人が、発言者であることを我々は発見した。これを用いれば、会話のより詳しい時間を分析することが出来る。さらに、マイクをセンサノードに組み込むことにより、音声の情報を用いて、会話を検出することが出来る。これらの技術を用いて求めた会話量の指標をD1とする。

　次に、時系列データE1の求め方を説明する。E1の例としては、歩行を用いる。歩行の検出については、既に上で説明したので省略する。上記では、歩行の速度を問題にしたのに対し、ここでは、歩行時間を指標とする。

　次に、時系列データF1の例として、安静を取りあげる。安静にしている時間を指標とする。これには、既に説明した周波数強度分析の結果0～0.5Hz程度の低周波数の強度、あるいは時間を求めて指標として使うことが出来る。

　次に、時系列データG1の例として、会話を取りあげる。会話については、D1として説明したので、省略する。これを用いる。

　次に、時系列データH1の例として、睡眠を取りあげる。睡眠は上記の加速度から求めた周波数強度分析結果を用いて、検出することが出来る。睡眠時には、ほとんど動かないので、0Hzの周波数成分が、一定時間を超えたときを睡眠と判定することが出来る。睡眠状態にある時に、静止(0Hz)以外の周波数成分が出て、一定時間を超えて、静止状態0Hzに戻らないときを起床として、起床を検出できる。このように、睡眠の開始と終了時刻を特定することが出来る。この睡眠時間をH1と呼ぶ。

　次に、時系列データI1の例として、外出を取りあげる。外出の検出方法は、既に記したとおりである。

　最後に時系列データJ1の例として、集中を取りあげる。集中の検出方法は既にA1として記載したとおりであり、周波数強度のばらつきの逆数を用いる。

　以上、重複を除くと、睡眠（あるいは歩行速度）、安静、集中、会話、歩行、外出という６つの量を使い、この対象者の状況を表現することが出来る。これを行うのは、もととなる時系列な波形（あるいは波形群）SS1から、この６つの時系列変数(A1、B1、...J1)を作成する手段(Y011)である。

　ここで、この６つの量に限定してみても、それぞれは、連続的な値を取れるので、６次元の空間の一点で、対象者の状態は表されることになるので、その組み合わせは、非常に幅広い自由度がある。

　しかし、あまりに自由度がありすぎると、その意味を解釈することが難しくなるという問題を、発明者は認識した。その結果、折角大量のデータがあっても、その意味をくみ取ることが現状できていないという課題がある。この問題意識から、状態変化を意味解釈する方法を検討した。

　発明者は、人の状態は、これらの値の変化、即ち増減に現れることを発見した。即ち、睡眠時間が増えているか、減っているかを問題にする。あるいは、集中が増えているか、減っているかを問題にする。このようにして、人の状態は、上記の６つの量の増減を使って、２の六乗個の状態、即ち64個の状態に分類でき、この64個の状態には、言葉で表現できる意味をつけられることを発見した。この６つの量を使うことにより、幅広い人々の状態を表現することができることは全くのオリジナルな発見である。この方法を以下説明する。

　まず、時刻T1からT2の間の時間を対象とする。この間の変数の変化を求める。具体的には例えば、動きのばらつきの少なさ、あるいは動きの一貫性を表す指標A1の波形を対象とし、時刻TR1からTR2までの波形をサンプリングし、その間の代表値（これを基準値RA1と呼ぶ）を求める。例えば、この期間のA1の平均値を求める。あるいは、外れ値の影響を省くために、メディアンを求めてもよい。あるいは、外れ値をとり除いて、平均を求めてもよい。同様に対象となるT1からT2までの代表値（これを対象値PA1と呼ぶ）を求める。このうえで、RA1に対して、PA1の大小の比較を行い、PA1が大きければ、増加とし、PA1が小さければ減少とする。この結果（これは増減に1あるいは0を割り当てれば1ビットの情報である）をBA1と呼ぶ。

　これを行うには、TR1、TR2という基準値を作成する期間を格納、記憶しておく手段(Y012)が必要である。また、対象値を作成する期間であるT1、T2を記憶、格納する手段(Y013）が必要である。Y012、Y013からこれらの値を読み込み、上記の基準値および代表値の計算するのはY014およびY015である。また、上記の結果となる基準値と対象値との比較を行い、結果を格納する手段(Y016～Y017）が必要である。

　T1、T2とTR1、TR2との関係は、目的に応じて、いろいろな値を取ることが出来る。例えば、ある一日の状態を特徴づけたいときには、T1、T2をその日の始まりから終わりまでとする。それに対して、TR1、TR2は、その日の前日から遡って一週間とすることができる。このようにすれば、一週間のなかでの変動に左右されにくい基準値に対して、その日を位置づける特徴を浮き出させることが出来る。あるいは、T1、T2を一週間とし、TR1、TR2はその前の３週間と設定することもできる。これにより、最近一月程度の中での、その対象となる週の特徴を浮かび上がらせることが出来る。以上は、T1、T2の期間と、TR1、TR2の期間が重ならない例をあげたが、これを重複させることも出来る。これにより、対象となる期間T1、T2における未来の影響の中での位置づけを表現できる。いずれにせよ、見たい目的に応じて、この設定は柔軟に行うことが可能であり、いずれも本発明の範疇である。

　同様にして、歩行速度B1についても、基準値RB1と対象値PB1との比較により、結果となる増減（１ビットで表現される）BB1を求めることが出来る。

　同様にして、外出C1についても、基準値RC1と対象値PC1との比較により、結果となる増減（１ビットで表現される）BC1を求めることが出来る。

　同様にして、会話D1についても、基準値RD1と対象値PD1との比較により、結果となる増減（１ビットで表現される）BD1を求めることが出来る。

　同様にして、歩行E1についても、基準値RE1と対象値PE1との比較により、結果となる増減（１ビットで表現される）BE1を求めることが出来る。

　同様にして、安静F1についても、基準値RF1と対象値PF1との比較により、結果となる増減（１ビットで表現される）BF1を求めることが出来る。

　同様にして、会話G1についても、基準値RG1と対象値PG1との比較により、結果となる増減（１ビットで表現される）BG1を求めることが出来る。

　同様にして、睡眠H1についても、基準値RH1と対象値PH1との比較により、結果となる増減（１ビットで表現される）BH1を求めることが出来る。

　同様にして、外出I1についても、基準値RI1と対象値PI1との比較により、結果となる増減（１ビットで表現される）BI1を求めることが出来る。

　同様にして、集中J1についても、基準値RJ1と対象値PJ1との比較により、結果となる増減（１ビットで表現される）BJ1を求めることが出来る。
＜図４６：4象限での表現＞
　以上より、６つの変数の増減（重複を入れて１０個の変数の増減）を求めた。これ組み合わせることにより、この変動により詳しい意味を見出すことが出来る。

　まず図４６（ａ）に示すように、集中度の増減を表すBA1を横軸に、歩行速度の増減を表すBB1を縦軸にして、４象限の図を書くことができる。ここで、第１象限すなわち判定領域１は、集中度が増し、歩行速度が増している状況である。これはより抽象的に言えば、行為の掌握度や能力発揮が高まると同時に、緊張感や挑戦性が高まっていることを意味する。これをフローと名付ける。

　第２象限、即ち結果判定領域２を心配とよび、領域３を充電、領域４を安心と呼ぶ。

　これにより、このセンサノードY003を身につけていた人の内なる経験の質を求めることができる。具体的には、より緊張感も掌握度も高いフロー状態にあるか、あるいは逆に両者ともに低い充電状態にあるか、あるいは緊張だけが高い心配状態にあるか、あるいは掌握度だけが高い安心状態にあるかを時系列データから知ることが出来る。数値の羅列であった時系列のデータからこのような人が理解できる言葉で意味をつけることができる点が本発明の大きな特徴である。

　このように、二つの変数の組み合わせで、４象限を構成し、その象限に意味と名前をつけるという手法により、豊かな意味を時系列データから求めることが出来る。

　従来、多数の測定データをいくつかの予め定めたカテゴリに分類する方法が知られている。例えば、多変量解析では、判別分析と呼ぶ手法により、複数のカテゴリにデータを割り当てる方法が知られている。しかし、この方法では、判別条件の境界となる「しきい値」や境界線を決める必要がある。この場合、判別の正解となるデータを与えて、このしきい値や境界線を決める方法が知られている。しかし、決して100%正解を満たす条件を見つけることは難しい。従って、結果の信頼性に乏しいという課題があった。

　本発明では、第１の時系列のデータと第２の時系列データと第１の参照値と第２の参照値を有し、第１の時系列データあるいはこれから加工されて得られた値が、第１の参照値よりも大きいか、あるいは小さいかを判定する手段を有し、第２の時系列データあるいはこれから加工されて得られた値が、第２の参照値よりも大きいか、あるいは小さいかを判定する手段を有し、第１の時系列データが第１の参照値よりも大きく、かつ第２の時系列データが第２の参照値よりも大きい状態１を判定する手段を有し、状態１以外の状態、あるいは状態１以外の状態のさらにあらかじめ限定された特定の状態を状態２にあることを判定する手段を有し、あらかじめ定められた少なくとも２つの状態を表現するおのおの２つの名称を記憶し、上記の状態１および状態２にこの２つの名称を対応させる手段を有し、この状態１あるいは状態２のいずれかにあることを表示する手段を有し、これにより、上記の第１および第２の時系列のデータを組み合わせた状態の変化を可視化する。

　この構成によれば、時系列データから作成した参照値との大小関係を組み合わせることにより判定を行うため、正解データに合うように境界を定める必要がない。従って、結果の信頼性が飛躍的に向上する。これにより、幅広い時系列のデータを言葉に（あるいは一連の言葉に）変換することが可能になる。大量の時系列データを人が理解できる言葉に翻訳することが出来る画期的な発明である。

　対象者の外との関係(図４６（ｂ）)については、BC1、BD1を用い、外出も会話も増えている開拓指向か、外出は増えているが、会話が減っている観察指向か、あるいは、外出が減っているが、会話が増えている（仲間内での）結束指向か、あるいは外出も会話も減っている独歩指向かを明らかに出来る。

　対象者の行動の特性(図４６（ｃ）)については、BE1、BF1を用い、歩行も安静も増えている移動指向か、歩行は増えているが、安静が減っている活性指向か、あるいは、歩行が減っているが、安静が増えている静か指向か、あるいは歩行も安静も減っている動作指向かを明らかに出来る。

　対象者の人への態度(図４６（ｄ）)については、BG1、BH1を用い、会話も睡眠も増えている善処指向か、会話は増えているが、睡眠が減っている主導指向か、あるいは、会話が減っているが、睡眠が増えている自適指向か、あるいは会話も睡眠も減っている沈黙指向かを明らかに出来る。

　対象者の頼むところ(図４６（ｅ）)については、BI1、BJ1を用い、外出も集中も増えている拡大指向か、外出は増えているが、集中が減っている他力指向か、あるいは、外出が減っているが、集中が増えている自力指向か、あるいは外出も集中も減っている維持指向かを明らかに出来る。

　以上の処理については、Y018～Y019に記したように、予め定めた分類C1(すなわちフロー、心配、充電、安心のうちのひとつ)～C5をえることができる。

　以上より、大量のセンサデータ、即ち時系列波形データ、に連続的に、人が理解できる意味を見出すことに成功した。これは、これまでやられたことのない画期的な発明である。

　また、本実施形態では、ユーザの生活あるいは業務に関する第１の量の変化が増加あるいは大きくかつ第２の量の変化が増加あるいは大きい状態１を判定する手段を有し、第１、第２の量の変化から、状態１以外の状態あるいは状態１以外の状態のさらにあらかじめ限定された特定の状態２にあることを判定する手段を有し、第３の量の変化が増加あるいは大きくかつ第４の量の変化が増加あるいは大きい状態３を判定する手段を有し、第３、第４の量の変化から、状態３以外の状態あるいは状態３以外の状態のさらにあらかじめ限定された特定の状態４にあることを判定する手段を有し、状態１でありかつ状態３である状態を状態５とし、状態１でありかつ状態４である状態を状態６とし、状態２でありかつ状態３である状態を状態７とし、状態２でありかつ状態４である状態を状態８とし、あらかじめ定められた少なくとも４つの状態を表現する４つの名称を記憶し、上記の状態５、状態６、状態７、状態８にこの４つの名称を対応させる手段を有し、この状態５あるいは状態６あるいは状態７あるいは状態８のいずれかにあることを表示する手段を有する。これにより、上記の第１、第２、第３、第４の量を組み合わせた、人あるいは組織の状態の変化を可視化する。

　この構成によれば、より詳細な状態分類を行うことが可能であり、幅広い時系列データを言葉に変換できる。すなわち、大量の時系列データを理解できる言葉に翻訳することができる。
＜図４７：状態を64種類に分類、アンケート例＞
　これらの６つの変数の増減を用いると人の状態を64個（２の六乗個）の状態に分類できる。これに上記の意味を組み合わせて意味をつけたものを図４７（ａ）に示す。例えば、歩行速度も安静も集中も増えている中で、会話が減り、歩行と外出が増えているならば、「ゆずる」という状態になる。これは、フローで、観察指向であり、移動指向である。同時に、沈黙指向で、拡大指向が組み合わさったものであり、この特性をくみ取り、その状態を表現することが出来る。

　以上は、6つの変数の増減を用いて、64個の分類により、対象の状態を表現したが、2つの変数の増減を用いて、4個の分類により、対象の状態を表すことも可能である。あるいは３個の変数を用いて、８個の分類を行うことも可能である。この場合には、分類は大づかみになるものの、分類が単純化され、より理解しやすいという特徴がある。逆に、７個以上の変数の増減を用いて、より詳細な状態分類を行うことも可能である。

　以上は、センサノードからのデータを使うことを実施例として説明してきたが、この発明は、センサノード以外からの時系列データでも同様な効果を得ることが出来る。例えば、パソコンの動作状況から、その人の在席や外出状況をえることができ、これを上記の変数のひとつとして用いることが考えられる。

　あるいは、携帯電話の通話記録から会話の指標をえることも可能である。携帯電話のGPSの記録を用いて、外出の指標をえることも可能である。また、パソコンや携帯電話による電子メールの件数（送信数・受信数）を指標とすることもできる。

　さらには、時系列データを明示的に使わずに、図４７（ｂ）に示すように、質問により、変数の増減を聞き出すことにより、上記の変数の獲得の一部あるいは全部を置き換えることが可能である。これは、例えばインターネット上のウェブサイト上において、この質問への答えを入力してもらい、サーバ（Y005）はネットワークを通じてユーザの入力結果を受信し、上記の解析を行うことができる（これを行う手段をY022とする）。この場合には、記憶にたよることになるので、計測としての正確さには欠けるものの、簡便に行えるというメリットがある。
＜図４８～図５１：解析結果例＞
　以上のようなセンサデータ、あるいは時系列データあるいは、アンケートの質問の結果、一日の特徴を明らかにすることが出来る。これを日々継続すると図４８（ａ）に示すようなマトリクスを得ることができ、またこれをY020により接続される表示部に表示させて、ユーザに表示することが可能である。これをさらに、４象限の分類を二進法で表現すると、図４８（ｂ）のマトリクスを得ることが出来る。この数値データを用いて、このマトリクスの列と列との相関係数を計算することが出来る。この相関係数をR11～R1616と表し、図４９に示す(ここでは、簡単化のため５つの象限図のうち４つだけを用いた)。この表には、これら一日の状態表現の相互の関連づけが表現される。これをさらにわかりやすくするには、この行列の相関係数にしきい値（例えば明確な相関として0.4をしきい値とする）をもうけ、しきい値を超える場合には状態表現が相互に接続されていると判定し、当該しきい値を超えない場合には状態表現が非接続であると判定し、接続している状態表現間を線で結ぶことにより、その人の生活がどのような構造で営まれているかが可視化できる(図５０)。

　この図の例では、互いに正の相関で結ばれた要素によるループ（一周してもとにもどる経路）をプラスとマイナスの記号で示してある。これは、その変数に変動があるとその変動をさらに拡大していくフィードバックを示す。例えば、この例では、フローが一旦生じると、沈黙指向と独歩指向が増加し、結果として、さらにフローが増えるというフィードバックループを読み取ることが出来る。あるいは、マイナスで示した負の相関が奇数個入ったループは、変動を抑制するフィードバックである。例えば、フローが増えると、善処指向が弱まり、主導指向が強まり、心配が強まり、結果としてフローを弱めることがわかる。これは最初のフローが増える変動を抑制する。

　これは一日単位での解析を例に説明したが、これを半日単位や一時間単位あるいは一週間あるいは一月など時間単位を変えても行えることは当然である。

　時系列の大量データから、ここまで人の行動を決める構造が明らかになれば、この人の人生や仕事を高めるためのアドバイスを具体的に行うことができる。特に、図４７（ａ）の64個の分類のそれぞれに予めアドバイスを対応づけて記録しておき、分類の何れかの状態にあることが判定されたときに、当該アドバイスを表示部に表示するなどして、自動的にセンサデータに基づくアドバイスを提供することが可能となる。このアドバイスの情報を表示する処理は、Y021で行う。「ゆずる」状態と判定された場合に提供されるアドバイスの例を図５１に示す。

　以上の結果を表示する際には、センサノードにつけられたIDではわかりにくいため、IDとその人（さらにはその人の性別、職位、部署等）の属性情報M1をIDと結びつけ、これらの結果と合わせて表示することにより、わかりやすくなる（これをY023、Y024とする）。

　以上、人の状態を言葉で特徴づける方法を例に説明したが、本発明で特徴づけるのは、人に限らない。組織や家族や自動車の運転状況や装置の稼働状況など幅広い対象に同様に適用できる。

　本発明の第８の実施の形態について、図面を参照して説明する。

　本発明の第８の実施の形態は、現状の人物間のコミュニケーション量に関するデータを分析することで、コミュニケーションを増やすことが望ましい人物のペアを見つけ、それを促すように表示もしくは指示するものである。

　人物間のコミュニケーション量を示すデータとしては、端末（ＴＲ）から得た対面時間のデータや、マイクによる声の反応時間、ＰＣや携帯電話のログから得たメールの送受信数などを用いることができる。また、直接的にコミュニケーション量を示すデータではなくとも、人物間のコミュニケーション量に関する、特定の性質を有するデータを同様に用いることができる。例えば、該当する人物間で対面が検出されており、かつ、互いの加速度リズムが一定値以上である時間のデータを用いることもできる。互いの加速度リズムの値が高い対面状態、とは、ブレーンストーミングなど、活発な会話のキャッチボールを行なっている状態である。つまり、このデータを用いた場合には、ただ黙って会議の時間をすごしている人物間は分析の対象とされず、活発な会話のキャッチボールによって構成されている人と人との結びつきの構造（ネットワーク構造）を捉え、会話のキャッチボールを増やすべき人物のペアを抽出することができる。これ以降では、コミュニケーション量のデータとしては、端末（ＴＲ）から得た対面時間の情報を用いるものとして説明する。

　コミュニケーションを増やすべき人物のペアを見つけるためには、組織内の３人の関係に着目する。ある人物Ｘ、Ａ、Ｂにおいて、人物Ｘと人物Ａは連携（コミュニケーション）しており、人物Ｘと人物Ｂも連携しているが、人物Ａと人物Ｂは連携していないという場合には、人物Ａと人物Ｂも連携している場合に比べて、人物Ｘが人物Ａ、Ｂそれぞれに仕事を分担して依頼した場合に、人物Ａ、Ｂは互いの状況と仕事内容を把握できずに仕事の効率や質が低下する。そのため、このような、３人の間の２組のペアは連携しているが、残りの１組は連携していない３者関係の組を見つけ出し、連携していないペア同士の連携を促すように表示を出す。このような３者関係を見つけ出すためには、本発明の実施の形態６で示した対面マトリクス（ＡＳＭＭ）を用いる。

　図５４は、本発明の第８の実施の形態を実現するセンサネットシステムの全体構成を説明するブロック図である。本発明の第１の実施の形態における、図４～図６の、アプリケーションサーバ（ＡＳ）のみが異なる。その他の部分と処理は本発明の第１の実施の形態と同様のものを用いるため省略した。また、パフォーマンスデータは用いないため、パフォーマンス入力用クライアント（ＱＣ）はなくても良い。

　アプリケーションサーバ（ＡＳ）内の記憶部（ＡＳＭＥ）と送受信部の構成は、本発明の第６の実施の形態と同様のものを用いる。また、制御部（ＡＳＣＯ）では、解析条件設定（ＡＳＩＳ）後、データ取得（ＡＳＧＤ）によってセンサネットサーバ（ＳＳ）から必要な対面データを取得し、それを用いて日毎に対面マトリクスを作成する（ＡＳＩＭ）。そして、連携期待ペア抽出（ＡＳＲ２）を行い、最後にネットワーク図描画（ＡＳＲ３）するという手順で処理を行う。描画した結果はクライアント（ＣＬ）に送信してディスプレイなどに表示（ＣＬＤＰ）させる。

　連携期待ペア抽出（ＡＳＲ２）では、１組だけが連携していない３者関係を全て見つけ出し、その連携していないペアを連携期待ペアとしてリストアップする。

　ネットワーク図描画では、全ての人物同士の連携の様子を示したネットワーク図に重ねて、連携期待ペアのリスト中の何組かを選び強調して表示させる。表示の例を図５６に示す。これによって、連携を増やすことによって組織の改善が見込める人物が具体的に指示される。そのため、それらの人物を連携させるための施策、例えば同じグループに入れて共同で仕事をさせる、などを実施することが可能になる。

　またさらに、１人の人物の周囲の人物同士の連携の度合いを示す指標である、結束度を用いることでさらに良い効果が得られる。連携期待ペア抽出（ＡＳＲ２）前に、結束度計算（ＡＳＲ１）を行い、結束度の値が低い人物、つまり周囲の連携が弱い人物に注目する。そして、その人物を含む３者関係から連携期待ペアを抽出するようにすると、組織全体を最適化するためのペアを抽出することができ、さらなる生産性の向上が見込める。また、全ての組み合わせに関して、３者間の連携の形を判別する必要がなくなるため、処理の時間が短くなるというメリットがある。これは特に人数の多い組織を対象にした場合に有効である。以下では、結束度を用いた場合のプロセスについて、具体的にその方法を述べる。結束度を用いない場合には、結束度計算（ＡＳＲ１）のステップを行わないだけであり、他のステップは同様の方法で実施できる。

　組織においては、結束度（Ｃｏｈｅｓｉｏｎ）という指標が生産性との関連が強い。結束度とは、ある人物Ｘについて、人物Ｘと連携（コミュニケーション）している他の複数の人物同士が連携している度合いを示す指標である。結束度が高い場合には、人物Ｘの周囲の人物同士が互いの状況と仕事内容を理解して自然に助け合って仕事を進められるため、仕事の効率や質が向上する。対して、結束度が低い場合には、効率や質が低下しがちであると言える。つまり、結束度とは、先ほど述べた、１人に対して別の２人が連携していないような３者関係を、１対３人以上の関係に拡張して、連携が欠けている度合いを数値で示す指標である。結束度は、その値が高いほど生産性が向上することがわかったため、この指標を組織改善の拠り所として活用することができる。そこで、本実施の形態では、連携すべき人物の組み合わせを、結束度の指標に基づいて抽出し、具体的にアドバイスする。これによって、より組織の生産性向上に効果の高いペアを戦略的に選び出し、そのペアの連携を増やすための施策を立てることができる。

　次に、図５４のブロック図に沿って、アプリケーションサーバ（ＡＳ）内の制御部（ＡＳＣＯ）における処理のプロセスを説明する。制御部（ＡＳＣＯ）以外の構成は実施例６と同様である。

　まず、解析条件設定（ＡＳＩＳ）、データ取得（ＡＳＧＤ）、対面マトリクス作成（ＡＳＩＭ）については、本発明の第６の実施の形態と同様の方法で行う。

　結束度計算（ＡＳＲ１）は、以下の数式（３）によって各人物の結束度Ｃ_ｉを算出する。なお、以降、対面マトリクスの要素の値が、ある閾値（例えば１日あたり３分）以上の値の人物のペアを「連携している」とみなす。

　図５５の連携を示すネットワーク図の例を用いて、数式３を説明する。図５５では、Ｎ_ｉは４（人）、Ｌ_ｉは２、N_iC2は６となる。よって、結束度Ｃ_ｉは（２÷６×４＝）１．３３という値が求められる。同様にして、全人物に関する結束度を算出する。

　次に、連携期待ペア抽出（ＡＳＲ２）では、最も結束度の低い人物に注目して、その人物の結束度を高めるために連携すべき人物のペア、つまり、連携を期待するぺアを抽出する。具体的には、注目した人物とは連携しているが、互いには連携していないペアを全てリストアップする。図５５の例を用いると、例えば人物ｊと人物ｌのペアは、それぞれ人物ｉと連携しているが互いには連携していないため、このペアが連携することによって、人物ｉと連携している人物間の連携数（Ｌ_ｉ）が増加し、人物ｉの結束度を上げることができる。

　より具体的に、対面マトリクスの要素（人物間の対面時間を表す）からリストアップする方法を説明する。組織のメンバの中から、３人の組み合わせ（ｉ，ｊ，ｌ）の全てのパターンを順にチェックする。人物ｉと人物ｊの要素をＴ（ｉ，ｊ）、人物ｉと人物ｌの要
素Ｔ（ｉ，ｌ）、人物ｊと人物ｌの要素Ｔ（ｊ，ｌ）、連携しているとみなす閾値をＫとする。そ３人の組み合わせにおいて、
　　　　　　　Ｔ（ｉ，ｊ）≧Ｋ、かつ、Ｔ（ｉ，ｌ）≧Ｋ、かつ、Ｔ（ｊ，ｌ）＜Ｋを満たす条件を見つけ、人物ｉ以外の２人（人物ｊ，人物ｌ）の組を連携期待ペアとしてリストアップする。

　なお、最も結束度の低い人物だけに注目するのではなく、結束度が低い方から複数人の人物について、それぞれ連携期待ペアをピックアップしておき、次のネットワーク図描画（ＡＳＲ３）の段階でこの中から数組のペアを選んで表示させることもできる。この場合には、組織を全体的に満遍なく改善するためのアドバイスをすることができる。

　ネットワーク図描画（ＡＳＲ３）では、対面マトリクス（ＡＳＭＭ）からバネモデルなどの配置アルゴリズムを用いて、人物を丸印、人物間の連携を線に対応付けて表す描画方法（ネットワーク図）によって、現在の組織の連携の状態を図で表す。さらに、連携期待ペア抽出（ＡＳＲ２）において抽出されたペアのうちの数組（例えば２組など。表示させるペアの数はあらかじめ決めておく）をランダムに選び、異なる線種（例えば点線）や色の線でそのペアを結ぶ。描画した画像の例を図５６に示す。図５６は、現在すでに連携しているペアを実線で、今後の連携を期待するペアを点線で表示したネットワーク図である。これによって、どのペアが連携すれば組織が改善されるのかを明確に理解できる。

　連携を促すための施策としては、メンバを複数のグループに分けてそれぞれで活動させるという方法がある。このとき、表示された連携期待ペアが同じグループに属するようにグループ分けを決定すれば、目的のペアの連携を促すことができる。また、この場合には、表示させるペアを連携期待ペアの中からランダムに選ぶのではなく、各グループの人数がほぼ同じになるように選択することもできる。

　以上の方法によって、連携することが望ましいペアを抽出し、具体的に示すことができる。これによって、組織の連携を促し、ひいては組織の生産性を向上することができる。

　以上、本発明の実施形態について説明したが、本発明は上記実施形態に限定されるものではなく、種々変形実施可能であり、上述した各実施形態を適宜組み合わせることが可能であることは当業者に理解されよう。

　本発明は、例えば、人員管理、プロジェクト管理などによって生産性向上の支援を行うためのコンサルティング産業に利用可能である。

ＴＲ、ＴＲ２～ＴＲ３　端末
ＧＷ、ＧＷ２　基地局
ＵＳ、ＵＳ２～５　ユーザ
ＱＣ　パフォーマンス入力用クライアント
ＮＷ　ネットワーク
ＰＡＮ　パーソナルエリアネットワーク
ＳＳ　センサネットサーバ
ＡＳ　アプリケーションサーバ
ＣＬ　クライアント。

Claims

　端末と、入出力装置と、上記端末及び上記入出力装置から送信されるデータを処理する処理装置と、を有する情報処理システムであって、
　上記端末は、物理量を検出するセンサと、上記物理量を示すデータを上記処理装置に送信するデータ送信部と、を備え、
　上記入出力装置は、上記端末を装着した人物に関連する生産性を示すデータの入力を受ける入力部と、上記生産性を示すデータを上記処理装置に送信するデータ送信部と、を備え、
　上記処理装置は、上記物理量を示すデータから特徴量を抽出する特徴量抽出部と、上記生産性を示すデータからコンフリクトを生じる複数のデータを決定するコンフリクト計算部と、上記特徴量と上記コンフリクトを生じる複数のデータとの関連の強さを算出する影響力係数計算部と、を備える情報処理システム。
　請求項１に記載の情報処理システムにおいて、
　上記影響力係数計算部は、同一の特徴量を用いて、上記コンフリクトを生じる複数のデータとの関連の強さを算出する情報処理システム。
　請求項１に記載の情報処理システムにおいて、
　上記処理装置は、上記コンフリクトを生じる複数のデータのうち第１のデータと上記特徴量との関連の強さと、上記コンフリクトを生じる複数のデータのうち第２のデータと上記特徴量との関連の強さとを二軸とする座標平面上に、上記特徴量を示す記号をプロットした画像を作成するバランスマップ描画部をさらに備える情報処理システム。
　請求項１に記載の情報処理システムにおいて、
　上記コンフリクト計算部は、複数の上記生産性を示すデータから複数の組み合わせを選択し、複数の組み合わせそれぞれの相関係数を算出し、上記相関係数が負であり、かつ、その絶対値が最も大きい１の組み合わせを上記コンフリクトを生じる複数のデータとして決定する情報処理システム。
　請求項１に記載の情報処理システムにおいて、
　上記センサは、上記物理量として加速度を検出し、
　上記特徴量抽出部は、上記加速度の値から振動数を示す加速度リズムを算出し、上記加速度リズムの大きさ、あるいは、所定範囲内の上記加速度リズムの継続時間に基づいて上記特徴量を算出する情報処理システム。
　請求項１に記載の情報処理システムにおいて、
　上記センサは、他の端末から送信される赤外線を検出して上記他の端末との対面データを取得し、
　上記特徴量抽出部は、上記対面データから上記端末と上記他の端末との対面時間を算出し、上記対面時間の長さに基づいて上記特徴量を算出する情報処理システム。
　請求項６に記載の情報処理システムにおいて、
　上記特徴量抽出部は、上記対面データの空白を補完し、上記補完したデータの数に基づいて上記端末を装着した人物の対面時の姿勢変化を計測して、上記対面時の姿勢変化を上記特徴量とする情報処理システム。
　請求項１に記載の情報処理システムにおいて、
　上記端末と上記入出力装置は、同一装置である情報処理システム。
　端末と、入出力装置と、上記端末及び上記入出力装置から送信されるデータを処理する処理装置と、を有する情報処理システムであって、
　上記端末は、物理量を検出するセンサと、上記物理量を示すデータを送信するデータ送信部と、を備え、
　上記入出力装置は、上記端末を装着した人物に関連する複数の生産性を示すデータの入力を受ける入力部と、上記複数の生産性を示すデータを上記処理装置に送信するデータ送信部と、を備え、
　上記処理装置は、上記物理量を示すデータから複数の特徴量を抽出し、上記複数の特徴量それぞれの期間及びサンプリング周期を統一する特徴量抽出部と、上記複数の生産性を示すデータそれぞれの期間及びサンプリング周期を統一するコンフリクト計算部と、上記期間及びサンプリング周期が統一された特徴量と上記生産性に関するデータとの関連の強さを算出する影響力係数計算部と、を備える情報処理システム。
　請求項９に記載の情報処理システムにおいて、
　上記特徴量抽出部は、上記サンプリング周期を順に大きくするように段階的に分けて上記特徴量を求めることにより、上記複数の特徴量それぞれのサンプリング周期を統一する情報処理システム。
　請求項９に記載の情報処理システムにおいて、
　上記コンフリクト計算部は、上記生産性を示すデータからコンフリクトを生じる複数のデータを決定し、
　上記影響力係数計算部は、上記特徴量と上記コンフリクトを生じる複数のデータとの関連の強さを算出する情報処理システム。
　請求項１１に記載の情報処理システムにおいて、
　上記コンフリクト計算部は、複数の上記生産性を示すデータから複数の組み合わせを選択し、複数の組み合わせそれぞれの相関係数を算出し、上記相関係数が負であり、かつ、その絶対値が最も大きい１の組み合わせを上記コンフリクトを生じる複数のデータとして決定する情報処理システム。
　端末と、入出力装置と、上記端末及び上記入出力装置から送信されるデータを処理する処理装置と、を有する情報処理システムであって、
　上記端末は、物理量を検出するセンサと、上記センサが検出した物理量を示すデータを送信するデータ送信部と、を備え、
　上記入出力装置は、上記端末を装着した人物に関連する生産性を示すデータの入力を受ける入力部と、上記生産性を示すデータを上記処理装置に送信するデータ送信部と、を備え、
　上記処理装置は、上記物理量を示すデータから特徴量を抽出する特徴量抽出部と、上記生産性を示すデータから上記人物の主観評価を示す主観データ及び上記人物に関連する業務の客観データを決定するコンフリクト計算部と、上記特徴量と上記主観データとの関連の強さ及び上記特徴量と上記客観データとの関連の強さを算出する影響力係数計算部と、を備える情報処理システム。
　請求項１３に記載の情報処理システムにおいて、
　上記処理装置は、上記特徴量と上記主観データとの関連の強さと、上記特徴量と上記客観データとの関連の強さとを二軸とする座標平面上に、上記特徴量を示す記号をプロットした画像を作成するバランスマップ描画部をさらに備える情報処理システム。
　請求項１３に記載の情報処理システムであって、
　上記主観データと上記客観データは、コンフリクトを生じるものである情報処理システム。
　請求項１３に記載の情報処理システムであって、
　上記コンフリクト計算部は、複数の上記生産性を示すデータから複数の組み合わせを選択し、複数の組み合わせそれぞれの相関係数を算出し、上記相関係数が負であり、かつ、その絶対値が最も大きい１の組み合わせを上記主観データ及び上記客観データとして決定する情報処理システム。
　端末と、入出力装置と、上記端末及び上記入出力装置から送信されるデータを処理する処理装置と、を含む情報処理システムであって、
　上記端末は、物理量を検出するセンサと、上記センサが検出した物理量を示すデータを送信するデータ送信部と、を備え、
　上記入出力装置は、上記端末を装着した人物に関連する複数の生産性を示すデータの入力を受ける入力部と、上記生産性を示すデータを上記処理装置に送信するデータ送信部と、を備え、
　上記処理装置は、上記物理量を示すデータから複数の特徴量を抽出する特徴量抽出部と、上記複数の特徴量の中で選択された１の特徴量と上記複数の生産性を示すデータそれぞれとの関連の強さを算出する影響力係数計算部と、を備える情報処理システム。
　第１の時系列データ、第２の時系列データ、第１の参照値、及び第２の参照値を記録する記録部と、
　上記第１の時系列データまたは上記第１の時系列を加工した値が上記第１の参照値よりも大きいか、あるいは小さいかを判定する第１の判定部と、
　上記第２の時系列データまたは上記第２の時系列データを加工した値が上記第２の参照値より大きいか、あるいは小さいかを判定する第２の判定部と、
　上記第１の時系列データまたは上記第１の時系列を加工した値が上記第１の参照値よりも大きく、かつ、上記第２の時系列データまたは上記第２の時系列データを加工した値が上記第２の参照値より大きい場合を第１の状態と判定し、上記第１の状態以外の状態あるいは上記第１の状態以外の状態であって特定の状態を第２の状態と判定する状態判定部と、
　上記第１の状態に第１の名称、上記第２の状態に第２の名称を割り当てる手段と、
　上記第１の名称または上記第２の名称を用いて、上記第１の状態または上記第２の状態にあることを接続される表示部に表示させる手段と、を備える情報処理装置。
　請求項１８に記載の情報処理装置において、
　上記第１の時系列データは、加速度波形の信号あるいは上記加速度波形の信号から加工されたデータである情報処理装置。
　請求項１８に記載の情報処理装置において、
　上記第１の時系列のデータは、睡眠に関連する信号あるいは上記睡眠に関連する信号から加工されたデータである情報処理装置。
　請求項１８に記載の情報処理装置において、
　上記第１の時系列のデータは、歩行あるいは歩行の速さに関連する信号、又は上記歩行あるいは上記歩行の速さに関連する信号から加工されたデータである情報処理装置。
　請求項１８に記載の情報処理装置において、
　上記第１の時系列のデータは、人の動きのばらつきあるいは一貫性に関係する信号、又は上記人の動きのばらつきあるいは一貫性に関係する信号から加工されたデータである情報処理装置。
　請求項１８に記載の情報処理装置において、
　上記第１の時系列データを加工して上記第１の参照値を作成する手段と、上記第２の時系列データを加工して上記第２の参照値を作成する手段と、をさらに備える情報処理装置。
　ユーザにより入力される、上記ユーザの生活あるいは業務に関係する第１の量及び第２の量に関する情報を取得する手段と、
　上記第１の量が増加し、かつ、上記第２の量が増加した場合を第１の状態と判定し、上記第１の状態以外の状態あるいは上記第１の状態以外の状態であって特定の状態を第２の状態と判定する状態判定部と、
　上記第１の状態に第１の名称、上記第２の状態に第２の名称を割り当てる手段と、
　上記第１の名称または上記第２の名称を用いて、上記ユーザが上記第１の状態または上記第２の状態にあることを接続される表示部に表示させる手段と、を備える情報処理装置。
　請求項２４に記載の情報処理装置において、
　上記第１の量あるいは上記第２の量が、睡眠、安静、集中、会話、歩行、外出のいずれかに関係する量である情報処理装置。
　ユーザにより入力される、上記ユーザの生活あるいは業務に関係する第１の量、第２の量、第３の量、及び第４の量に関する情報を取得する手段と、
　上記第１の量が増加し、かつ、上記第２の量が増加した場合を第１の状態と判定し、
　上記第１の状態以外の状態、あるいは上記第１の状態以外の状態であって特定の状態を第２の状態と判定し、
　上記第３の量が増加し、かつ、上記第４の量が増加した場合を第３の状態と判定し、
　上記第３の状態以外の状態あるいは上記第３の状態以外の状態であって特定の状態を第４の状態と判定し、
　上記第１の状態であり、かつ、上記第３の状態である状態を第５の状態とし、
　上記第１の状態であり、かつ、上記第４の状態である状態を第６の状態とし、
　上記第２の状態であり、かつ、上記第３の状態である状態を第７の状態とし、
　上記第２の状態であり、かつ、上記第４の状態である状態を第８の状態とする状態判定部と、
　上記第５の状態に第１の名称、上記第６の状態に第２の名称、上記第７の状態に第３の名称、及び上記第８の状態に第４の名称を割り当てる手段と、
　上記第１の名称、上記第２の名称、上記第３の名称、及び上記第４の名称の少なくとも何れかを用いて、上記ユーザが上記第５の状態、上記第６の状態、上記第７の状態、及び上記第８の状態の何れかにあることを接続される表示部に表示させる手段と、を備える情報処理装置。
　請求項２６に記載の情報処理装置において、
　上記第５の状態、上記第６の状態、上記第７の状態、上記第８の状態それぞれに対応するアドバイスを予め記録し、
　上記ユーザが上記第５状態、上記第６の状態、上記第７の状態、あるいは上記第８の状態にあることを判定したときに、上記アドバイスを上記表示部に表示させる情報処理装置。
　人の動きに関連する時系列データを記録する記録部と、
　上記時系列データを加工して、上記人の動きのばらつき、むら、あるいは一貫性に関する指標を算出する算出部と、
　上記指標から、人の動きのばらつきやむらが小さいこと、あるいは一貫性が高いことを判定する判定部と、
　上記判定の結果に基づいて、上記人あるいは上記人が属する組織の望ましい状態を接続される表示部に表示させる情報処理装置。
　請求項２８に記載の情報処理装置において、
　上記時系列データは、加速度センサにより得られた加速度データであって、
　上記算出部は、上記加速度データから周波数に関する情報を抽出し、
　上記周波数に関する情報には、周波数強度が１Ｈｚから３Ｈｚの範囲の少なくとも一部を示す情報を含む情報処理装置。
　人の睡眠に関連する時系列データを記録する記録部と、
　上記時系列データを加工して、上記人の睡眠に関連するばらつき、むら、あるいは一貫性に関する指標を算出する算出部と、
　上記指標から、上記人の睡眠に関連するばらつきやむらが小さいこと、あるいは一貫性が高いことを判定する判定部と、
　上記判定の結果に基づいて、上記人あるいは上記人が属する組織の望ましい状態を接続される表示部に表示させる情報処理装置。
　請求項３０に記載の情報処理装置において、
　上記人の状態と対応づけて上記人あるいは上記組織へのアドバイスを予め記録し、
　上記判定部は、上記人の睡眠に関連するばらつき、むらの大きさ、あるいは一貫性に関する指標から上記人の状態を判定し、その判定結果に基づいて上記人あるいは上記組織へのアドバイスを提供する情報処理装置。
　少なくとも第１のユーザ、第２のユーザ、及び第３のユーザのコミュニケーションの状況を示すデータを記録する記録部と、上記コミュニケーションの状況を示すデータを解析する処理部と、を有する情報処理装置であって、
　上記記録部は、上記第１のユーザと上記第２のユーザの第１のコミュニケーション量及び第１の関連する情報、上記第１のユーザと上記第３のユーザの第２のコミュニケーション量及び第２の関連する情報、並びに上記第２のユーザと上記第３のユーザの第３のコミュニケーション量及び第３の関連する情報を記録し、
上記処理部が、上記第３のコミュニケーション量が上記第１のコミュニケーション量に比べて少なく、かつ、上記第３のコミュニケーション量が上記第２のコミュニケーション量に比べて少ないことを判定すると、上記第２のユーザと上記第３のユーザとのコミュニケーションを促す表示あるいは指示を行う情報処理装置。