JP6008572B2 - 運動支援システム及び運動支援方法 - Google Patents

Description

本発明は、ユーザの運動を支援するシステムに関し、特に、１日の予測運動量に基づいて、適切な運動を提示する技術に関する。

糖尿病、高血圧などの生活習慣病を未然に防ぐためには、日常生活において運動習慣を持続することが必要である。

特許文献１は、基準強度以上の身体活動について、実施された身体活動量を運動量と生活活動量の内訳が分かるように記録する身体活動量記録手段と、所定の単位期間に実施すべき身体活動量及び運動量それぞれの目標を記憶している目標記憶手段と、前記身体活動量記録手段によって記録された身体活動量及び運動量と前記目標記憶手段に記憶されている目標に基づいて、身体活動量及び運動量それぞれの目標達成度を表示する表示手段と、を備える運動支援装置を開示する。

特許文献２は、運動量を測定するセンサと、測定された運動量と測定日時を蓄積する記憶部と、記運動量に関する情報を表示する表示部と、を備え、所定の目標運動量を達成する確率を達成確率として、予め設定した前記達成確率に対応する運動量積算値を評価値として前記各時刻毎に予め格納した評価値格納部と、記憶部に蓄積された運動量と測定日時から所定の時間間隔毎に運動量積算値を演算する運動量積算部と、を備え、前記運動量積算値と前記評価値の比較を行う比較部は、所定のタイミングで現在の時刻に対応する評価値を求め、現在の運動量積算値が評価値以上の場合、目標運動量を達成可能と判定するたセンサデバイスを開示する。

特許文献３は、睡眠時間や歩数、運動量等の生体情報に基づき、人の行動を推定し、その健康指標等を改善する改善手段を提示する行動提案装置を開示する。

特開２００８−１０４７５８号公報 特開２０１１−１９７８９０号公報 国際公開２０１０／１４６８１１号パンフレット

特許文献１に開示されている歩数計においては、過去の平均的な一つの歩数のパターンのみを用いているため、装着者が日によって異なる行動のパターンをとり、日によって歩数の増加パターンが異なる場合には、計算する達成度の誤差が大きくなる課題があった。

特許文献２に開示されているセンサデバイスにおいては、曜日などによって予め行動のパターンが決まっている場合には予測の精度が向上する。しかし、周期的ではない行動のパターンを示す場合には、予測の誤差が大きくなる課題があった。

特許文献３に開示されているセンサデバイスにおいては、目標と相関する行動の種類を知ることができるが、実際に目標を達成するために必要な行動（運動）の量や、行動の内容を提示しない課題があった。

そこで本発明は、運動量を正確に予測する運動支援システムを提供する。

本願において開示される発明の代表的な一例を示せば以下の通りである。すなわち、運動支援システムは、ユーザが装着するセンサ端末と、前記センサ端末と通信可能に接続された計算機とを備える運動支援システムであって、前記センサ端末は、少なくとも加速度センサを有し、前記計算機は、前記加速度センサが検出した加速度の時系列データに基づいて、当該センサ端末を装着したユーザの運動量の時系列データを計算し、前記計算された運動量の時系列データに基づいて、当該センサ端末を装着したユーザの行動を時系列に推定し、前記推定された時系列の行動の所定時間内の割合をパラメータとした多変数解析によって、当該センサ端末を装着したユーザの１日の合計運動量を予測する。

本発明の代表的な実施の形態によれば、運動量を正確に予測することができる。

本発明の実施形態の運動支援システムの構成を示すブロック図である。 本発明の実施形態のセンサデバイスの構成を示すブロック図である。 本発明の実施形態の携帯情報端末の構成を示すブロック図である。 本発明の実施形態のサーバの構成を示すブロック図である。 本発明の実施形態のセンサデータの構成を説明する図である。 本発明の実施形態の運動量データの構成を説明する図である。 本発明の実施形態の行動内容データの構成を説明する図である。 本発明の実施形態の予測運動量データの構成を説明する図である。 本発明の実施形態のユーザ情報の構成を説明する図である。 本発明の実施形態の運動支援モニタ画面の例を説明する図である。 本発明の実施形態で使用される歩速と運動量との関係を説明する図である。 本発明の実施形態の生活行動モニタ画面の例を説明する図である。 本発明の実施形態の体重モニタ画面の例を説明する図である。 本発明の実施形態の運動支援モニタ画面の例を説明する図である。 本発明の実施形態の運動支援システムにおける処理のシーケンス図である。 本発明の実施形態の計測プログラムの処理のフローチャートである。 本発明の実施形態の行動解析プログラムの処理のフローチャートである。 本発明の実施形態の終日運動量予測プログラムの処理のフローチャートである。 本発明の実施形態によって一日の達成運動量を予測した結果を説明する図である。 図１９に示す予測の精度の比較結果を説明する図である。 本発明の実施形態の運動内容推薦プログラムの処理のフローチャートである。

図１は、本発明の実施形態の運動支援システムの構成を示すブロック図である。

本実施形態の運動支援システムは、ユーザ４が装着するセンサデバイス１と、センサデバイス１と通信する携帯情報端末２と、ネットワーク（例えば、インターネット）６に接続された無線基地局５を介して情報端末２と通信するサーバ３とを有する。また、本実施形態の運動支援システムは、処理が低速であるが人が常時身につけられる超小型で低消費電力なセンサデバイス１から、大型で処理能力及び記憶容量が高いサーバ３にセンサデータを収集することによって、大規模な解析を高速に処理することができる。

センサデバイス１は、常時又は日中の主な活動時間において、ユーザ４が身につけることによって、ユーザ４の動き及び生体情報を計測する。センサデバイス１は、計測した情報を、Ｂｌｕｅｔｏｏｔｈ（ブルートゥース）（Ｂｌｕｅｔｏｏｔｈは登録商標、以下同じ。）などの近距離無線通信、又はＵＳＢ（ユニバーサル・シリアル・バス）などの有線通信によって携帯情報端末２に送信する。携帯情報端末２は、携帯電話等で用いられる公衆無線通信（例えば、ＷｉＭＡＸ、３Ｇ、ＬＴＥなど）又は無線ＬＡＮ（ＷｉＦｉ）により、自宅又は外出先で基地局５に接続することによって、センサデバイス１で計測した情報をネットワーク６に接続されたサーバ３に送信したり、サーバ３で解析された情報及び蓄積された情報を受信する。

図２は、センサデバイス１の構成を示すブロック図である。

センサデバイス１は、マイコン１０１、加速度センサ１０５、表示部１０６、ＲＴＣ（リアルタイムクロック）１０７、近距離無線通信部１０８、フラッシュメモリ１０９、電源回路１１３、バッテリ１１４、充電回路１１５、充電端子１１７、通信線１１８及び電力線１１９を有する。

加速度センサ１０５は、人の動き及び向きを計測するセンサである。表示部１０６は、例えば液晶表示パネルで構成され、各種情報を表示する。ＲＴＣ（リアルタイムクロック）１０７は、現在の時刻情報及びカレンダー情報を提供する。近距離無線通信部１０８は、Ｂｌｕｅｔｏｏｔｈなどによって携帯情報端末２と通信する。フラッシュメモリ１０９は、大容量の不揮発記憶素子である。バッテリ１１４は、センサデバイス１を駆動するための電力源である。電源回路１１３は、センサデバイス１の各素子に必要な電力をバッテリ１１４の出力から生成する。充電回路１１５は、外部から供給される電源によってバッテリ１１４を充電する回路である。充電端子１１７は、外部の電源と充電回路１１５とを接続する。通信線１１８は、素子間の通信路（例えば、バス）である。電力線１１９は、各素子に電力を供給する。

マイコン１０１は、不揮発記憶素子であるＲＯＭ１０２に予め記録された計測プログラム１０３及びセンサデータ送信プログラム１０４を実行し、これらのプログラムに従って動作する。

計測プログラム１０３は、加速度センサ１０５が計測した情報であるセンサデータ１１２と、ＲＴＣ１０７から取得した計測時の時刻情報であるタイムスタンプ１１１とを、フラッシュメモリ１０９の書き換え単位であるセクタ１１０のタイムスタンプ記憶領域及びセンサデータ記憶領域に格納する。また、計測プログラム１０３は、計測、記録、通信などの必要な動作時以外は電源回路１１３から供給される電力を素子毎に制御して遮断し、消費電力を削減する。これによって、人が装着できる程度に小型であるバッテリ１１４でも、頻繁に充電しなくても、センサデバイス１は、長時間連続動作することができる。

センサデータ送信プログラム１０４は、ユーザ４によって指定されたタイミング又は携帯情報端末２と通信可能なタイミングを自動的に判断して通信を開始し、フラッシュメモリ１０９に記録されたセンサデータを携帯情報端末２に送信する。センサデータにはタイムスタンプが付加されているので、計測後に時間が経過した後に送信されても、この情報を受信した携帯情報端末２及びサーバ３は、センサデータを時系列に並べ替えて記録することができる。

図３は、携帯情報端末２の構成を示すブロック図である。

携帯情報端末２は、プロセッサ（ＣＰＵ）２０１、表示部２０２、センサ２０３、ＲＡＭ２０４、電力線２０５、近距離無線通信部２０６、広域無線通信部２０７、通信線２０８、バッテリ２０９、電源回路２１０、充電回路２１１、充電端子２１２及び入力部２１３、ＡＵＤＩＯ回路２１７及び音出力端子２１８を有する。

プロセッサ２０１は、大容量の不揮発記憶素子であるフラッシュメモリ２０８に記録されたプログラムを実行して他の素子を制御する。表示部２０２は、例えば液晶表示パネルで構成され、プログラムが指示する情報を表示する。入力部２１３は、ユーザが操作してプログラム実行等を指示するためのキーボード、タッチパネル等の入力素子である。

センサ２０３は、携帯情報端末２の傾きを検出する磁気センサ、動きを検出する加速度センサ、温度を検出する温度センサ、気圧を検出する圧力センサ、位置を検出するセンサ（例えば、ＧＰＳモジュール）などを含む。ＲＡＭ２０４は、プロセッサ２０１による処理に必要な情報を一時的に記録する揮発性記憶素子である。近距離無線通信部２０６は、Ｂｌｕｅｔｏｏｔｈなどによってセンサデバイス１などと通信する。広域無線通信部２０７は、公衆無線通信（例えば、ＷｉＭＡＸ、３Ｇ、ＬＴＥなど）又は無線ＬＡＮ（ＷｉＦｉ）によって、サーバ３と通信する。

バッテリ２０９は、携帯情報端末２を駆動するための電力源である。電源回路２１０は、携帯情報端末２の各素子に必要な電力をバッテリ２０９の出力から生成する。充電回路２１１は、外部から供給される電源によってバッテリ２０９を充電する回路である。充電端子２１２は、外部の電源と充電回路２１１とを接続する。通信線２０８は、素子間の通信路（例えば、バス）である。電力線２０５は、各素子に電力を供給する。

ＡＵＤＩＯ回路２１７は、プロセッサ２０１の指示によって、出力する音（例えば、歩行ピッチ音）を生成する。音出力端子２１８は、スピーカ（イヤホン）を接続可能であって、ＡＵＤＩＯ回路２１７で生成された音を、音響信号として出力する。

携帯情報端末２は、センサデバイス１から出力されたセンサデータを中継してサーバ３に送信し、サーバ３からネットワーク６を介して受信したデータ等のコンテンツを表示部２０２に表示する。

フラッシュメモリ２０８は、携帯情報端末２の動作を制御するための複数のプログラムを記憶する。センサデータ送受信プログラム２１３は、近距離無線通信部２０６及び広域無線通信部２０７を制御して、センサデバイス１から受信したセンサデータ２２０をセンサデータ記憶領域に一時的に記録した後、サーバ３に送信する。これによって、サーバ３に一時的に接続できない状態が続いても、センサデータが失われることがない。

運動履歴・推薦内容表示プログラム２１４は、サーバ３で計算されたユーザ４の運動量及び行動内容の履歴をサーバ３から受信して、受信したデータを行動履歴２４０、運動量２３０、予測運動量２５０及び推薦運動内容２６０としてフラッシュメモリ２０８に格納し、ユーザ４の操作に応じて又はセンサ２０３が所定の状況を検出した場合に、フラッシュメモリ２０８に格納されたデータを表示部２０２に表示する。運動量の予測及び運動内容の推薦には、過去の大量データを用いた回帰分析など大規模な計算が必要になるため、携帯情報端末２より処理能力や記憶容量に優れたサーバ３で処理することが望ましい。しかし、携帯情報端末２が終日運動量予測プログラム２１５及び運動内容推薦プログラム２１６を有することによって、携帯情報端末２のみで予測運動量及び推薦運動内容を計算することも可能である。

図４は、サーバ３の構成を示すブロック図である。

サーバ３は、プロセッサ（ＣＰＵ）３０１、ＲＡＭ３０２、ＬＡＮ通信部３０３、電源回路３０４、ストレージ３０５、通信線３１１及び電源線３１２を有する計算機である。サーバ３は、センサデバイス１及び携帯情報端末２より高速なプロセッサ３０１によって、大量のデータを用いた大規模な解析処理が可能である。

プロセッサ３０１は、ＲＡＭ３０２に格納されたプログラムを実行する。ＲＡＭ３０２は、プロセッサ３０１による処理に必要な情報を一時的に記録する揮発性記憶素子である。ＬＡＮ通信部３０６は、サーバ３をネットワーク６に接続し、他の装置との通信を制御し、通信ケーブル３１３によってネットワーク６と接続される。

電源回路３０４は、各素子に供給する電力を生成する。電源ケーブル３１４は、外部から供給される電源を電源回路３０４に供給する。電源線３１２は、サーバ３の各素子に電力を供給する。通信線３１１は、素子間の通信路（例えば、バス）である。ストレージ３０５は、磁気ディスク装置などの大容量の不揮発性記憶装置であり、サーバ３を制御するために必要な演算処理を実行するプログラム、センサデバイス１から送信されたセンサデータ、及びセンサデータを解析した結果を記録する。

センサデータ受信プログラム３０６は、センサデバイス１から送信されたセンサデータを携帯情報端末２及びネットワーク６を介して受信し、受信したセンサデータ３２０をストレージ３０５に格納する。行動解析プログラム３０７は、受信したセンサデータからユーザの時間毎の行動種別を計算し、行動内容３４０及び運動量３３０をストレージ３０５に格納する。

終日運動量予測プログラム３０８は、ストレージ３０５に格納された、ある時点までの行動内容３４０の割合、行動内容３４０の組み合わせ、運動量３３０の変化パターン、歩数の変化パターンなどを特徴量として、その日の最終的な達成運動量との関連を回帰分析で事前に学習する。この回帰分析によって、ある時点までの運動量及び行動履歴のデータから、その日の達成運動量を予測し、予測した運動量３５０をストレージ３０５に格納し、新しいセンサデータ３２０が追加される毎に、予測運動量を更新することができる。

予測用変数記憶領域が、終日運動量予測プログラム３０８が学習した回帰分析に必要なパラメータ（予測用変数３７０）を格納することによって、その後の予測の前に学習をする時間を省略することができる。予測用変数３７０を繰り返し（例えば、１日周期などで）更新することによって、ユーザの行動パターンが変化しても予測精度を維持することができる。

運動内容推薦プログラム３０９は、ユーザの日中のある時点で予測されたその日の達成運動量と、ユーザ情報３８０に予め設定されたユーザの目標運動量との差から、不足すると予測される運動量を補うための推薦運動内容を生成して、推薦運動内容３６０をストレージ３０５に格納する。

推薦する運動内容は、例えば、その日に歩くと予想される距離や歩数に応じて、歩く速度を速くすることによって運動量を増やすことを提示することによって、普段の行動を大きく変えることなく、日常の通勤路などにおいて、必要な運動を補うことができる。また、実現可能な範囲で歩く速度を速くすることによって運動量の不足を補うことができない場合には、例えば、距離及び／又は歩数を追加することによって、運動量の不足を補うことを提示することができる。

ＷＥＢサービスプログラム３１０は、ネットワーク６を介した携帯情報端末２からのリクエストに応じて、ストレージ３０５に格納されたデータを送信する。ただし、送信可能な情報は携帯情報端末２を所持するユーザのセンサデバイス１が計測したセンサデータから解析した情報に限定され、公知のセキュリティ技術によってそれ以外の情報へのアクセスを遮断する。また、ＷＥＢサービスプログラム３１０が提供する入力インターフェースによって、ユーザ情報が入力可能であり、ユーザは身長、年齢、性別、体重などを入力して、ユーザ情報３８０をストレージ３０５に格納することができる。これらのユーザ情報から目標運動量及び目標体重を計算することができる。

図５は、センサデータ３２０の構成を説明する図である。

センサデータ３２０は、加速度センサ１０５が所定のタイミング（例えば、５０ミリ秒間隔）で測定した加速度を所定期間（例えば、１秒間））のものを纏めたものであり、サーバ３のストレージ３０５に格納される。センサデータ３２０の一つのレコードは、機器ＩＤ３２１、測定日時３２２及びセンサ計測値（温度３２３及び加速度３２４）を含む。機器ＩＤ３２１は、センサデータを測定したセンサデバイス１を一意に識別するための識別情報である。測定日時３２２は、センサデータを測定した日時である。センサ計測値３２３、３２４は、センサデバイス１によって測定された物理量である。センサデータ３２０の各レコードが、機器ＩＤ３２１の機器で測定日時３２２に測定されたデータであることを識別することができる。

携帯情報端末２に格納されるセンサデータ２２０は、サーバ３に格納されるセンサデータ３２０と同じ構成のデータであるか、同じ構成のデータを暗号化したデータである。

図６は、運動量データ３３０の構成を説明する図である。

運動量データ３３０は、センサデータから計算された運動量、歩数及び歩速を所定期間（例えば、１分間））纏めたものであり、サーバ３のストレージ３０５に格納される。運動量データ３３０の一つのレコードは、ユーザＩＤ３３１、機器ＩＤ３３２、日時３３３、運動量３３４、歩数３３５及び歩速３３６を含む。

ユーザＩＤ３３１は、センサデバイスを所持するユーザを一意に識別するための識別情報である。機器ＩＤ３３２は、センサデバイス１を一意に識別するための識別情報であり、センサデータ３２０の機器ＩＤ３２１と同じ識別情報を使用する。

運動量３３４、歩数３３５及び歩速３３６は、機器ＩＤ３３２によって識別されるセンサデバイス１を所持しているユーザ（ユーザＩＤ３３１によって識別されるユーザ）の動きを示すセンサデータ３２０を解析して得られた、日時３３３で表される所定時間（例えば、１分間）の運動量、歩数及び歩速を計算した値である。運動量３３４は、消費カロリーに換算可能なＭＥＴｓに相当する値であるとよい。加速度センサデータのみから歩速３３６を計算する場合には、歩幅がわからないため、歩速３３６は歩行ピッチ（歩／秒）となる。なお、身長から推定した歩幅に歩行ピッチを乗じることによって、歩速（ｍ／秒、又はｍ／分）を計算することができる。

携帯情報端末２に格納される運動量データ２３０は、サーバ３に格納される運動量３３０のうち特定のユーザの運動量を取得したものであり、サーバ３に格納される運動量３３０と同じ構成のデータである。

図７は、行動内容データ３４０の構成を説明する図である。

行動内容データ３４０はサーバ３のストレージ３０５に格納され、行動内容データ３４０の一つのレコードは、ユーザＩＤ３４１、機器ＩＤ３４２、開始日時３４３、終了日時３４４及び行動内容３４５を含み、さらに、当該期間のユーザの行動を左右する条件（曜日、天気など）を含んでもよい。

ユーザＩＤ３４１は、センサデバイスを所持するユーザを一意に識別するための識別情報であり、運動量データ３３０のユーザＩＤ３３１と同じ識別情報を使用する。機器ＩＤ３４２は、センサデバイス１を一意に識別するための識別情報であり、センサデータ３２０の機器ＩＤ３２１と同じ識別情報を使用する。開始日時３４３及び終了日時３４４は、行動内容３４５の区切りである。行動内容３４５は、推定されるユーザの行動の種類であり、機器ＩＤ３４１によって識別されるセンサデバイス１を所持しているユーザ（ユーザＩＤ３４２によって識別されるユーザ）の動きを示すセンサデータ３２０を解析することによって得られる。

図８は、予測運動量データ３５０の構成を説明する図である。

予測運動量データ３５０はサーバ３のストレージ３０５に格納され、予測運動量データ３５０のに一つのレコードは、ユーザＩＤ３５１、年月日３５２、更新日時３５３、予測運動量３５４及び予測歩数３５５を含む。

ユーザＩＤ３５１は、センサデバイスを所持するユーザを一意に識別するための識別情報であり、運動量データ３３０のユーザＩＤ３３１と同じ識別情報を使用する。予測運動量３５４及び予測歩数３５５は、ユーザＩＤ３５１によって識別されるユーザの年月日３５２の日に達成すると予測される運動量及び歩数である更新日時３５３は、予測運動量３５４及び予測歩数３５５が計算された日時である。

図９は、ユーザ情報３８０の構成を説明する図である。

ユーザ情報３８０はサーバ３のストレージ３０５に格納され、ユーザ情報３８０の一つのレコードは、ユーザＩＤ３８１、目標運動量３８２、歩幅３８３、体重３８４、自宅位置３８５及び最寄り駅の位置３８６を含み、さらに、その他の個人情報（氏名、年齢、性別など）を含んでもよい。

ユーザＩＤ３５１は、センサデバイスを所持するユーザを一意に識別するための識別情報であり、運動量データ３３０のユーザＩＤ３３１と同じ識別情報を使用する。目標運動量３８２は、ユーザ毎に設定された１日の目標運動量である。歩幅３８３は、ユーザの歩幅であり、距離と歩数とを換算する際に使用される。なお、ユーザ情報３８０が歩幅の代わりに身長を含み、身長から歩幅を推定してもよい。体重３８４は、ユーザの体重であり、ＭＥＴｓで表された運動量と消費カロリーとを換算する際に使用される。自宅位置３８５及び最寄り駅の位置３８６は、各々、自宅及び最寄り駅の位置であり、例えば、経度及び緯度で表される。

図１０は、運動支援モニタ画面４０１の例を説明する図である。運動支援モニタ画面４０１は、センサデータに基づいて計算された過去の運動履歴及び推薦される運動内容を、携帯情報端末２の運動履歴・推薦内容表示プログラム２１４が表示部２０２上に表示したものである。

運動支援モニタ画面４０１は、ユーザに自らの運動量の目標達成状況、及び、その日の運動量が不足すると予測される場合には具体的に実行可能な運動内容を通知し、ユーザがその日の行動を少し変えて目標を達成することを支援する。運動履歴表示４０５は過去の運動量の推移を示す。運動量を消費カロリーに換算することによって、ユーザは、摂取カロリーとのバランスを比較し、運動不足を認識し、さらに、食べ過ぎであることを認識することができる。また、全く動かなくても消費するカロリーである基礎代謝と運動による消費カロリーとを分けて表示し、さらに、時間帯（例えば、午前と午後）に分けて表示することによって、自らの行動と消費カロリーとの関係をユーザが容易に認識することができる。

現状運動量表示４０６は、ユーザが身につけたセンサデバイス１からサーバ３に収集された最新のセンサデータに基づいて計算された結果を示す。その日の行動内容などから計算された予測達成運動量を示すことによって、ユーザは、日半ばにして目標達成状況を知ることができ、目標達成のために行動を変えることができる。予測達成運動量が目標に達しない場合は、不足運動量表示４０２に不足する値を通知し、不足分を補うための推薦歩速表示４０３及び推薦距離表示４０４を表示する。

推薦歩速表示４０３は、現時点の後、一日の終わりまでに歩くと予測される歩数で不足運動量を補うために必要な歩速の増加量を推薦する。つまり、通勤など日常の移動手段及び移動ルートを変えることなく、目標を達成するための推薦である。一方、歩速を変えるだけでは不足分を補えない場合には、追加すべき歩行距離を推薦距離表示４０４に表示する。なお、歩速（推薦歩速表示４０３）又は追加すべき歩行距離（推薦距離表示４０４）の少なくとも一方を表示してもよい。すなわち、歩速を変えないで、歩行距離を伸ばすような運動を推薦してもよい。

つまり、推薦歩速表示４０３及び推薦距離表示４０４に従って、行動を少し変えることによって、目標とする運動量を達成することができる。また、推薦歩速表示４０３に表示された値を増加した歩速を、推薦歩行ピッチ４０８の音に変換してスピーカー４０７から出力することによって、より直感的に行動内容を通知し、目標達成を支援することができる。

ユーザは、携帯情報端末２を操作することによって、音の出力を開始することができる。また、携帯情報端末２は、センサ２０３がユーザが歩き始めたことを検知すると、音の出力を開始してもよい。

図１１は、歩速と運動量との関係を説明する図である。

図１１に示す歩速と運動量との関係は、サーバ３が、推薦歩速表示４０３を生成するために必要なデータである。図示するように、例えば、通常の歩速が１００［ｍ／分］である場合に、歩速を早く又は遅くすることによって、運動量を増やすことができる。例えば、不足運動量に対して必要な歩速を計算するには、［不足運動量］を［その日の予測移動距離］で除することによって、移動距離当たりに必要な運動量を計算することができる。そして、図のグラフから該当する歩速を選択することによって、推薦する歩速を決定することができる。

図１２は、生活行動モニタ画面６０１の例を説明する図である。生活行動モニタ画面６０１は、ユーザの一日の行動内容を詳細に示す。

生活行動モニタ画面では、歩数推移表示６０７、運動量推移表示６０８及び行動内容表示６０９によって、ユーザの行動の詳細を示す。また、これらのデータに基づいて計算された予測達成運動量（６０４、６０５）を表示する。行動内容表示６０９は行動内容の変化によって区切られた区間を、特定の行動内容（例えば、睡眠、作業、歩行、デスクワークなど）に該当する色で区分することによって、行動内容の内訳や推移を示す。

現状歩数表示６０２、現状運動量表示６０３に表示される値は、歩数推移表示６０７及び運動量推移表示６０８のデータに基づいて計算される。さらに、サーバ３が、歩数推移表示６０７、運動量推移表示６０８及び行動内容表示６０９の過去のデータを回帰分析することによって、予測達成歩数表示６０４及び予測達成運動量表示６０５の値を計算する。

図１３は、体重モニタ画面５０１の例を説明する図である。体重モニタ画面５０１は、ユーザが入力した体重の値の推移を示す。

ユーザは、運動の目標を達成することによる減量の効果を、体重モニタ画面５０１によって知ることができる。体重推移表示５０５は、過去の週毎又は日毎の体重の推移を示し、点の色を目標運動量の達成と非達成とで区分することによって、体重の増減と運動量との関連をユーザが認識しやすくなっている。

体重変化表示５０２は最近の体重変化を示し、目標体重表示５０３は目標体重と現在の体重との差を示す。目標体重はサーバ３のユーザ情報３８０に記録されており、ユーザの年齢及び身長に基づいて、公知のアルゴリズムによって適正体重を設定する。目標達成表示５０４は、最近の週又は日の目標達成状況（例えば、７週中、５週は目標を達成した）を示す。

図１４は、運動支援モニタ画面７０１の例を説明する図である。運動支援モニタ画面７０１は、図１０に示した推薦される運動内容を具体的に地図上に表示した例を示す。

携帯情報端末２は、センサ２０３から現在位置を取得し、予め設定された目標地点（例えば、自宅）までの最短ルート７０６と、推薦される距離４０４を達成するための推薦ルート７０７とを、地図７０５に具体的に示す。これによって、ユーザが推薦距離表示４０４の内容を容易に実行することができる。

図１５は、本発明の実施形態の運動支援システムにおける処理のシーケンス図であり、サーバ３が、センサデバイス１で計測されたデータを解析し、携帯情報端末２にて表示する処理において、センサデバイス１、携帯情報端末２及びサーバ３の間の通信及びプログラムの実行の順序を示す。

センサデバイス１が計測プログラム１０３を実行することによって、センサ２０３が物理量を常時計測し、計測値がフラッシュメモリ１０９に記録される。センサデバイス１は、データ送信開始イベント８０４（ユーザの操作又は携帯情報端末２との接続の検出）のタイミングで、センサデータ送信プログラム１０４を実行して、フラッシュメモリ１０９に記録されたセンサデータを携帯情報端末２に送信する。センサデバイス１は、センサデータの送信後、再び計測プログラム１０３を開始する（又は、センサデータ送信プログラム１０４と並行して計測プログラム１０３を実行する）。

携帯情報端末２は、センサデータ送受信プログラム２１３を実行して、センサデバイス１が送信したセンサデータを受信し、受信したデータをサーバ３に送信する。

サーバ３は、センサデータ受信プログラム３０６を実行して、携帯情報端末２からセンサデータを受信して、行動解析プログラム３０７を実行し、計算された行動内容を行動内容３４０に記録する。

行動解析プログラム３０７の実行完了後、終日運動量予測プログラム３０８を実行し、行動解析プログラム３０７によって計算された運動量・歩数のパターン及び行動内容の組み合わせ、内訳等を特徴量として回帰分析することによって予測された達成運動量（例えば、歩数）を予測運動量３５０に記録する。

次に、運動内容推薦プログラム３０９を実行し、終日運動量予測プログラム３０８にて計算された値が目標値より小さい場合、不足分を補うために必要な推薦運動内容（例えば、歩速及び距離）を計算し、計算された推薦運動内容を推薦運動内容３６０をストレージ３０５に格納する。

ＷＥＢサービスプログラム３１０は、常時、ネットワークからのアクセスを受け付けることができ、リクエストに応じてサーバ３で計算した値等を表示するための画面データを送信する。ただし、センサデバイス１を所有するユーザを認証することによって、当該ユーザのみが自分のセンサデータと、当該センサデータに基づいて計算されたデータにアクセスすることを許可する。携帯情報端末２の運動履歴・推薦内容表示プログラム２１４は、サーバ３にアクセスして、ユーザへ通知すべき運動量、予測達成運動量、推薦運動内容のデータを取得して、表示部２０２に表示する。

図１６は、計測プログラム１０３の処理のフローチャートである。計測プログラム１０３は、センサデバイス１のマイコン１０１で実行され、所定の時間間隔（例えば、一定周期）でセンサ１０５が計測した加速度を取得し、計測されたセンサデータ１１２をフラッシュメモリ１０９に格納する。

まず、センサデバイス１の電源が投入され又はリセット操作がされ（例えば、リセットボタンが押され）、プログラムが再起動した場合、マイコン１０１及びその他の素子を初期化する（Ｓ１０１）。

次に、前回の時刻同期タイミングを取得し、ＲＴＣ１０７に正しい時刻が設定されているかを判定する。その結果、正しい時刻が設定されていると推定されれば、処理Ｓ１０３に進む。一方、時刻同期タイミングが所定時間以上過去であって、正しい時刻が設定されていないおそれがあれば、処理Ｓ１２１に進み、携帯情報端末２との通信によって時刻情報を受信して、新しい時刻が設定されるまで待機する。これにより、センサデバイス１がセンサデータに正しいタイムスタンプを付けることができるので、センサデータを携帯情報端末２及びサーバ３が受信したタイミングに依存せず、測定したセンサデータを時系列で並べることができる。

次に、バッテリ１１４の出力電圧を判定する。その結果、電圧が所定の閾値より低ければ、処理Ｓ１０４に進む。一方、電圧が所定の閾値より高ければ、送信すべきセンサデータ１１２がフラッシュメモリ１０９に格納されているかを判定する（Ｓ１２２）。具体的には、センサデータ１１２はセクタ単位で送信されるので、未送信フラグが設定されているセクタがあるかを判定する。送信すべきセンサデータ１１２が格納されていれば、センサデータ１１２を携帯情報端末２に送信する（Ｓ１２３）。

次に、ＲＴＣ１０７からの割り込みを待機する。この割り込みは、所定の周期（例えば５０ミリ秒）で発行され、この割り込みに従って、センサ１０５が加速度を計測する。なお、割り込みの待機中は、消費電力の削減するため、マイコン１０１及び他の素子の電源を遮断するか、省電力なスリープモードなどに設定する。割り込みを受信した後に処理Ｓ１０５に進む。

次に、加速度センサ１０５から計測したデータを取得し、マイコン１０１のバッファに蓄積する（処理Ｓ１０５）。

次に、センサが計測したデータが所定量（例えば、２０個）又は所定時間（例えば、１秒）以上蓄積しているかを判定する（Ｓ１０６）。その結果、蓄積データが所定量より小さければ、処理Ｓ１０３に戻る。一方、蓄積データが所定量以上であれば、処理Ｓ１０７に進む。センサデータ１１２（時系列の加速度データ等）を纏めて処理することによって、データ圧縮及び暗号化の処理の効率を向上でき、消費電力を削減できる。

次に、バッファに蓄積されたデータを公知のアルゴリズムにて圧縮し（Ｓ１０７）、圧縮したセンサデータを公知のアルゴリズムにて暗号化する（Ｓ１０８）。センサデータを暗号化することによって、センサデバイス１を紛失した場合でも、センサデータの読み出しを防止することができる。

次に、バッファに蓄積された暗号化データがフラッシュメモリ１０９の書き換え単位であるセクタ１１０のサイズを超えたかを判定する（Ｓ１０９）。その結果、暗号化データがセクタ１１０のサイズを超えていれば、バッファに蓄積されたデータをフラッシュメモリ１０９に格納し、フラッシュメモリ１０９に格納したデータをバッファから消去し（Ｓ１１０）、処理Ｓ１０３に戻る。

図１７は、行動解析プログラム３０７の処理のフローチャートである。行動解析プログラム３０７は、サーバ３のＣＰＵ３０１で実行され、センサデバイス１が計測したセンサデータから運動量及び行動内容を解析する。

行動解析プログラム３０７が開始すると（Ｓ２０１）、センサデバイス１から新しく受信したセンサデータ３２０をストレージ３０５から読み出す（Ｓ２０２）。

その後、読み出した一定時間のセンサデータ３０５（例えば、１分間の加速度の振幅）から運動量を計算して運動量データ３３０に記録する（Ｓ２０３）。運動量は、加速度センサが測定した値の振幅の積算値から、消費カロリーに換算可能なＭＥＴｓ値で計算することができる。

次に、読み出されたセンサデータ３０５（例えば、加速度の周期）から運動量の計算期間と同じ期間の歩数を計算して、運動量データ３３０に記録する（Ｓ２０４）。歩数は、加速度センサデータの周期的な振動を検出してカウントする公知のアルゴリズムによって計算することができる。

次に、読み出されたセンサデータ及び運動量データ３３０から、行動内容を識別し、行動内容データ３４０に記録する（Ｓ２０５）。例えば、人の行動内容は主に歩行によって区切られるため、運動量データ３３０に記録された歩行のデータを用いて行動内容を区切ることができる。また、区切られた区間内は、主に運動量や加速度データから分かる傾き及び周期性によって、ユーザの行動（歩行、睡眠、デスクワーク等）を識別することができる。そして、解析結果を行動内容データ３４０に記録する。

その後、行動解析プログラムを終了する（Ｓ２０６）。

図１８は、終日運動量予測プログラム３０８の処理のフローチャートである。終日運動量予測プログラム３０８は、サーバ３のＣＰＵ３０１で実行され、運動量データ３３０から読み出した一日の途中までの運動量（歩数）データ３３０のパターン及び行動内容データ３４０の組み合わせや内訳等の特徴量と、一日に達成する運動量との関係を回帰分析によって学習する。また、一日の途中までのセンサデータから、一日の達成運動量を予測する。

終日運動量予測プログラム３０８が開始すると（Ｓ３０１）、学習済みの回帰分析のパラメータが予測用変数３４０に記録されていることをチェックし（Ｓ３０２）、学習済みの回帰分析のパラメータが予測用変数３４０に記録されている場合、処理Ｓ３０３に進む。一方、学習済みの回帰分析のパラメータが予測用変数３４０に記録されていない場合、処理Ｓ３１０に進み、過去のデータに基づいてパラメータの学習処理を実行する。

その後、予測用変数３４０に記録された学習済みの回帰分析のパラメータが所定の有効期間内のものであるかを判定する（Ｓ３０３）。その結果、回帰分析のパラメータが、所定期間（例えば、１か月）以上前に計算されたものであれば、その間の行動パターン等の変化が反映されていないので、予測精度が低下するおそれがある。このため、処理Ｓ３１０に進み、学習処理を再度実行する。一方、有効期限内のパラメータが記録されていれば、処理Ｓ３０４に進み、予測処理を実行する。

処理Ｓ３１０では、過去の一定期間の行動内容データ３４０を読み出し、処理Ｓ３１１では、過去の一定期間の運動量データ２３０を読み出す。この読み出されるデータの期間は、回帰分析に十分な量が得られる期間（例えば、１か月〜３か月）を選択するとよい。

その後、読み出したデータを用いて回帰分析を実行する（Ｓ３１２）。回帰分析では、複数の変数（例えば、一日の途中までの運動量のパターン、歩数のパターン、単位時間における行動内容の割合、行動内容の組み合わせ等）に基づいて、一日に達成する運動量を予測する学習データを作成し、作成したパラメータを予測用変数３４０に記録する。また、回帰分析では、運動量のパターン等だけでなく、その日の曜日、天気などのデータをパラメータとしてもよい。

一方、処理Ｓ３０４では、達成運動量を予測したい日のある時点（例えば、現時点）までの運動量、歩数、行動内容の全てのデータを読み出す。また、処理Ｓ３１２で予め計算された回帰式にその日の条件（曜日、天気など）のパラメータが含まれていれば、曜日、天気などの条件のデータを読み出す（Ｓ３０５）。その後、読み出されたデータを回帰式に当てはめることによって、予測達成運動量を計算する（Ｓ３０６）。同様の回帰分析に基づく学習、予測処理で達成する歩数についても予測することができる。

その後、計算された予測達成運動量、予測達成歩数の値を予測運動量データ３５０に記録し（Ｓ３０７）、達成運動量予測処理を終了する（Ｓ３０８）。

図１９は、一日の達成運動量を予測した結果を示す。図１９に示す予測結果は、終日運動量予測プログラム３０８が、実際の２ヶ月分のセンサデータを用いて回帰分析のパラメータを学習し、その後１ヶ月に渡って、昼の１２：００までに取得したセンサデータから一日の達成運動量を予測した結果を示す。

図２０は、図１９に示す予測の精度の比較結果を示す。図２０では、８：００から指定の時刻までの間に取得したセンサデータを用いて本実施形態の方法による予測結果と、従来方式である最新の一つの運動量のみを用いた単回帰分析による予測結果とを比較して示す。図から分かるように、本実施形態の予測方法は、その日のセンサデータの蓄積が少ない８：００〜１０：００で従来方式より優れた精度を示す。

図２１は、運動内容推薦プログラム３０９の処理のフローチャートである。運動内容推薦プログラム３０９は、サーバ３のＣＰＵ３０１で実行され、終日運動量予測プログラム３０８が計算した値から、その日の目標運動量に対する不足量を計算し、計算された不足量を補う歩速及び距離を提示する。

運動内容推薦プログラム３０９が開始すると（Ｓ３０１）、ユーザ情報３７０から目標運動量を読み出し（Ｓ３０２）、予測運動量データ３５０から予測達成運動量を読み出す。

その後、読み出した予測達成運動量と目標運動量とを比較し（Ｓ３０３）、予測達成運動量が目標運動量を超えていれば、運動内容推薦処理を終了する（Ｓ３０９）。

一方、予測達成運動量より目標運動量の方が大きければ、予測達成運動量から目標運動量を減じて、不足運動量を計算する（Ｓ３０４）。その後、不足運動量を補うために必要な歩速を計算する（Ｓ３０５）。具体的には、終日運動量予測プログラム３０８が計算した予測達成歩数で移動する距離で不足運動量を除する計算（不足運動量÷予測移動距離）によって、距離あたりで不足する運動量を計算する。具体的には、不足運動量を２４時間及び体重で除した運動強度（ＭＥＴｓ）と、予測達成歩数に歩幅を乗じて予測距離とを算出し、計算された運動強度を予測距離で除することによって、距離当たりの不足運動量を計算する。

この距離あたりの不足運動量を、図１１に示した歩速と距離当たりの運動量との関係に当てはめることによって、必要な歩速を計算することができる。

ただし、提示する歩速は、一般的に実行可能な歩速を上限とする。具体的には、計算された歩速が所定の上限値を超えた場合、当該歩速の上限値を提示する。そして、当該上限値の歩速で歩行した場合に不足する運動量を補う歩行距離を計算し、計算された歩行距離を提示する。

次に、処理Ｓ３０５にて計算した推薦歩速による達成運動量を計算する（Ｓ３０６）。そして、計算された達成運動量と目標運動量とを比較し、達成運動量が目標運動量より小さければ、不足分を補うための追加の運動量（例えば、移動距離）を計算する（Ｓ３０７）。追加の運動量は、例えば、追加の移動距離であり、推薦した歩速における距離当たりの運動量で不足運動量を除する計算（不足運動量÷距離当たりの運動量）によって計算することができる。計算した推薦歩速及び距離を、推薦運動内容データ３６０に記録する。

その後、運動内容推薦プログラムを終了する（Ｓ３０９）。

本発明の実施形態によれば、ある時点までの行動パターンからその日の運動量を正確に予測することができる。特に、歩数及び／又は行動パターンを用いた多変数解析によって、その日の運動量を予測するので、例えば、センサデバイスの装着者の行動のパターンが曜日などに依存せず、日によって異なる複数のパターンである場合でも、運動量を正確に予測することができる。

さらに、不足する運動量を補う運動内容（歩数又は歩行距離）を提示するので、その後の行動を修正することができ、目標の達成を補助することができる。

さらに、提示する歩数に上限を設けたので、ユーザを無理な運動に誘導することがない。

さらに、ＭＥＴｓ／距離と歩速との対応データを用いて推奨する歩速を計算するので、運動量を達成するための適切な歩速を提示することができる。

さらに、歩速を音又は振動によって提示するので、ユーザは提示された音又は振動に従って歩けばよく、使い勝手がよい。

さらに、計算された歩行距離達成するための経路を地図上に表示するので、ユーザは表示された経路を歩けばよく、使い勝手がよい。

以上、本発明を添付の図面を参照して詳細に説明したが、本発明はこのような具体的構成に限定されるものではなく、添付した請求の範囲の趣旨内における様々な変更及び同等の構成を含むものである。

１ センサデバイス
２ 携帯情報端末
３ サーバ
４ ユーザ
５ 基地局
６ ネットワーク
１０１ マイコン
１０２ 不揮発記憶部（ＲＯＭ）
１０７ リアルタイムクロック（ＲＴＣ）
２０１ プロセッサ（ＣＰＵ）
２０４ ランダムアクセスメモリ（ＲＡＭ）
２３０ 運動量データ
２４０ 行動履歴データ
２５０ 予測運動量データ
２６０ 推薦運動内容データ
３０１ プロセッサ（ＣＰＵ）
３０３ ローカルエリアネットワーク（ＬＡＮ）通信部
３０４ ランダムアクセスメモリ（ＲＡＭ）
３３０ 運動量データ
３４０ 行動履歴データ
３５０ 予測運動量データ
３６０ 推薦運動内容データ
３７０ ユーザ情報データ
４０７ スピーカー

Claims (14)

1. ユーザが装着するセンサ端末と、
   前記センサ端末と通信可能に接続された計算機とを備える運動支援システムであって、
   前記センサ端末は、少なくとも加速度センサを有し、
   前記計算機は、
   前記加速度センサが検出した加速度の時系列データに基づいて、当該センサ端末を装着したユーザの運動量の時系列データを計算し、
   前記計算された運動量の時系列データに基づいて、当該センサ端末を装着したユーザの
   行動を時系列に推定し、
   前記推定された時系列の行動の所定時間内の割合をパラメータとした多変数解析によって、当該センサ端末を装着したユーザの１日の合計運動量を予測することを特徴とする運動支援システム。
2. 請求項１に記載の運動支援システムであって、
   前記計算機は
   前記加速度センサが検出した加速度の時系列データに基づいて、当該センサ端末を装着したユーザの歩数の時系列データを計算し、
   歩数の時系列データをパラメータとした多変数解析によって、当該センサ端末を装着したユーザの１日の合計運動量を予測することを特徴とする運動支援システム。
3. ユーザが装着するセンサ端末と、
   前記センサ端末と通信可能に接続された計算機とを備え、
   前記センサ端末は、少なくとも加速度センサを有し、
   前記計算機は、
   前記加速度センサが検出した加速度の時系列データに基づいて、当該センサ端末を装着したユーザの運動量の時系列データを計算し、
   運動量の時系列データをパラメータとした多変数解析によって、当該センサ端末を装着したユーザの１日の合計運動量を予測し、
   前記予測された合計運動量を予め設定された目標運動量から減じることによって、不足運動量を計算し、
   過去の運動量及び過去の行動の回帰分析によって計算された予測移動距離で、前記計算された不足運動量を除することによって、距離あたりの不足運動量を計算し、
   前記計算された距離あたりの不足運動量から当該予測移動距離における歩速を計算し、
   前記計算された歩速を提示することを特徴とする運動支援システム。
4. 請求項３に記載の運動支援システムであって、
   前記計算機は、前記計算された歩速が所定の上限値を超える場合、前記上限値の歩速を提示し、当該上限値の歩速で歩行した場合に不足する運動量に対応する歩行距離を計算することを特徴とする運動支援システム。
5. 請求項３に記載の運動支援システムであって、
   前記計算機は、歩速と単位時間及び単位体重あたりの運動量との対応データを用いて、前記歩速を計算することを特徴とする運動支援システム。
6. 請求項３に記載の運動支援システムであって、
   前記計算機と接続された携帯端末を備え、
   前記携帯端末は、前記計算された歩速を音又は振動によって提示することを特徴とする運動支援システム。
7. 請求項３に記載の運動支援システムであって、
   前記計算機と接続された携帯端末を備え、
   前記計算された歩行距離を前記携帯端末が地図上に表示するためのデータを生成することを特徴とする運動支援システム。
8. ユーザの運動を支援する運動支援システムにおける運動支援方法であって、
   前記運動支援システムは、ユーザが装着するセンサ端末と、前記センサ端末と通信可能に接続された計算機とを有し、
   前記センサ端末は、少なくとも加速度センサを有し、
   前記方法は、
   前記計算機が、前記加速度センサが検出した加速度の時系列データに基づいて、当該センサ端末を装着したユーザの運動量の時系列データを計算し、前記計算された運動量の時系列データに基づいて、当該センサ端末を装着したユーザの行動を時系列に推定する第１のステップと、
   前記計算機が、前記推定された時系列の行動の所定時間内の割合をパラメータとした多変数解析によって、当該センサ端末を装着したユーザの１日の合計運動量を予測する第２のステップと、を含むことを特徴とする運動支援方法。
9. 請求項８に記載の運動支援方法であって、
   前記第１のステップでは、前記計算機は、前記加速度センサが検出した加速度の時系列データに基づいて、当該センサ端末を装着したユーザの歩数の時系列データを計算し、
   前記第２のステップでは、前記計算機は、歩数の時系列データをパラメータとした多変数解析によって、当該センサ端末を装着したユーザの１日の合計運動量を予測することを特徴とする運動支援方法。
10. ユーザの運動を支援する運動支援システムにおける運動支援方法であって、
    前記運動支援システムは、ユーザが装着するセンサ端末と、前記センサ端末と通信可能に接続された計算機とを有し、
    前記センサ端末は、少なくとも加速度センサを有し、
    前記方法は、
    前記計算機が、前記加速度センサが検出した加速度の時系列データに基づいて、当該センサ端末を装着したユーザの運動量の時系列データを計算するステップと、
    前記計算機が、運動量の時系列データをパラメータとした多変数解析によって、当該センサ端末を装着したユーザの１日の合計運動量を予測するステップと、
    前記計算機が、前記予測された合計運動量を予め設定された目標運動量から減じることによって、不足運動量を計算するステップと、
    過去の運動量及び過去の行動の回帰分析によって計算された予測移動距離で、前記計算された不足運動量を除することによって、距離あたりの不足運動量を計算するステップと、
    前記計算された距離あたりの不足運動量から当該予測移動距離における歩速を計算するステップと、
    前記計算された歩速を提示するステップとを含むことを特徴とする運動支援方法。
11. 請求項１０に記載の運動支援方法であって、
    前記歩速及び歩行距離の少なくとも一方を計算するステップでは、前記計算機は、前記計算された歩速が所定の上限値を超えた場合、前記上限値の歩速を提示し、当該上限値の歩速で歩行した場合に不足する運動量に対応する歩行距離を計算することを特徴とする運動支援方法。
12. 請求項１０に記載の運動支援方法であって、
    前記歩速及び歩行距離の少なくとも一方を計算するステップでは、前記計算機は、歩速と単位時間及び単位体重あたりの運動量との対応データを用いて、前記歩速を計算することを特徴とする運動支援方法。
13. 請求項１０に記載の運動支援方法であって、
    前記運動支援システムは、前記計算機と接続された携帯端末を有し、
    前記方法は、前記携帯端末が前記計算された歩速を音又は振動によって提示するステップを含むことを特徴とする運動支援方法。
14. 請求項１０に記載の運動支援方法であって、
    前記運動支援システムは、前記計算機と接続された携帯端末を有し、
    前記方法は、前記計算された歩行距離を地図上に前記携帯端末が表示するためのデータを生成するステップを含むことを特徴とする運動支援方法。