JP7409486B2 - データ処理装置、システム、データ処理方法、およびプログラム - Google Patents

データ処理装置、システム、データ処理方法、およびプログラム Download PDF

Info

Publication number
JP7409486B2
JP7409486B2 JP2022515173A JP2022515173A JP7409486B2 JP 7409486 B2 JP7409486 B2 JP 7409486B2 JP 2022515173 A JP2022515173 A JP 2022515173A JP 2022515173 A JP2022515173 A JP 2022515173A JP 7409486 B2 JP7409486 B2 JP 7409486B2
Authority
JP
Japan
Prior art keywords
data
information data
biological information
user
sensor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2022515173A
Other languages
English (en)
Other versions
JPWO2021210172A1 (ja
JPWO2021210172A5 (ja
Inventor
謙一郎 福司
晨暉 黄
シンイ オウ
史行 二瓶
謙太郎 中原
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NEC Corp
Original Assignee
NEC Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by NEC Corp filed Critical NEC Corp
Publication of JPWO2021210172A1 publication Critical patent/JPWO2021210172A1/ja
Publication of JPWO2021210172A5 publication Critical patent/JPWO2021210172A5/ja
Application granted granted Critical
Publication of JP7409486B2 publication Critical patent/JP7409486B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Description

本発明は、生体に関するデータを処理するデータ処理装置等に関する。
日常生活において、生体に関するデータを収集する技術が求められている。そのようなデータは、ユーザが装着するウェアラブルデバイス等に実装されたセンサ等によって計測される。ウェアラブルデバイスを用いた場合、バッテリー容量の制限や、体動ノイズの影響、ユーザの生活習慣や装着し忘れ等によって、データの計測頻度が低下することがあった。データの計測頻度が低下すると、生体情報のモニタに必要なデータが欠損する可能性がある。
特許文献１には、健康状態の評価に必要な生体指標を適時に計測／収集する技術について開示されている。特許文献１の手法では、生体指標の測定データが取得できなかった場合、利用者に対して生体指標の再計測を要求する。また、特許文献１の手法では、測定データの欠損が発生した場合、蓄積された過去のデータセットを用いて、欠損を含むデータセットの欠損箇所を補間する。例えば、特許文献１の手法では、データセットの類似度に着目して、補間に用いるデータセットを選択する。
特開２０１０－１４２２７３号公報
特許文献１の手法では、測定データに欠損が生じた場合であっても、欠損箇所を補間することができる。特許文献１の手法では、過去のデータセットを用いてデータ欠損箇所を補間する際に、そのデータセットが取得された時刻や場所等の条件が含まれない。そのため、特許文献１の手法では、補間に用いられる過去のデータセットが取得された時刻や場所等の条件が異なる場合、生体指標が大きく異なることがある。そのため、特許文献１の手法では、補間されたデータの精度が低下することがあった。
本発明の目的は、生体に関するデータの欠損を高精度に補間できるデータ処理装置等を提供することにある。
本発明の一態様のデータ処理装置は、少なくとも一人のユーザの属性に基づいて、ユーザの生体に関するセンサ値と、センサ値の計測時刻および計測位置とを含む少なくとも一つの生体情報データを少なくとも一つのグループに分類する分類部と、グループごとに、生体情報データに含まれるセンサ値と、計測時刻、および計測位置の相互関係を用いて、生体情報データの欠損を補間する補間データを推定するためのモデルを生成する学習部と、を備える。
本発明の一態様のデータ処理方法においては、少なくとも一人のユーザの属性に基づいて、ユーザの生体に関するセンサ値と、センサ値の計測時刻および計測位置とを含む少なくとも一つの生体情報データを少なくとも一つのグループに分類し、グループごとに、生体情報データに含まれるセンサ値と、計測時刻、および計測位置の相互関係を用いて、生体情報データの欠損を補間する補間データを推定するためのモデルを生成する。
本発明の一態様のプログラムは、少なくとも一人のユーザの属性に基づいて、ユーザの生体に関するセンサ値と、センサ値の計測時刻および計測位置とを含む少なくとも一つの生体情報データを少なくとも一つのグループに分類する処理と、グループごとに、生体情報データに含まれるセンサ値と、計測時刻、および計測位置の相互関係を用いて、生体情報データの欠損を補間する補間データを推定するためのモデルを生成する処理とをコンピュータに実行させる。
本発明によれば、生体に関するデータの欠損を高精度に補間できるデータ処理装置等を提供することが可能になる。
第１の実施形態に係るデータ処理装置の構成の一例を示すブロック図である。 第１の実施形態に係るデータ処理装置の記憶部に記憶される属性テーブルの一例である。 第１の実施形態に係るデータ処理装置の記憶部に記憶される属性テーブルの別の一例である。 第１の実施形態に係るデータ処理装置の集計部によって生成される生体情報テーブルの一例である。 第１の実施形態に係るデータ処理装置によるモデルの生成について説明するための概念図である。 第１の実施形態に係るデータ処理装置による生体情報データの推定について説明するための概念図である。 第１の実施形態に係るデータ処理装置によるモデルの生成に関するフローチャートである。 第１の実施形態に係るデータ処理装置による生体情報データの推定に関するフローチャートである。 第１の実施形態に係るデータ処理装置の集計部によって生成される生体情報テーブルの別の一例である。 第１の実施形態に係るデータ処理装置の集計部によって生成される生体情報テーブルのさらに別の一例である。 第２の実施形態のシステムの構成の一例を示すブロック図である。 第２の実施形態のシステムに含まれるウェアラブルデバイスの配置について説明するための概念図である。 第２の実施形態のシステムに含まれるウェアラブルデバイスの構成の一例を示すブロック図である。 第２の実施形態のシステムに含まれる端末装置の構成の一例を示すブロック図である。 第２の実施形態のシステムに含まれるデータ処理装置の構成の一例を示すブロック図である。 第２の実施形態のシステムにおける初期設定フェーズについて説明するためのフローチャートである。 第２の実施形態のシステムにおける計測フェーズについて説明するためのフローチャートである。 第２の実施形態のシステムにおけるデータ処理フェーズについて説明するためのフローチャートである。 第３の実施形態のシステムの構成の一例を示すブロック図である。 第３の実施形態に係るデータ処理装置によって生成される生体情報テーブルの一例である。 第４の実施形態に係るデータ処理装置の構成の一例を示すブロック図である。 第４の実施形態に係るデータ処理装置によるモデルの生成、および評価値の推定について説明するための概念図である。 第４の実施形態に係るデータ処理装置によって推定された評価値に基づいたコンテンツを端末装置の画面に表示させる一例について説明するための概念図である。 第４の実施形態に係るデータ処理装置によって推定された評価値に基づいたコンテンツを端末装置の画面に表示させる別の一例について説明するための概念図である。 第４の実施形態に係るデータ処理装置によって推定された評価値に基づいたコンテンツを端末装置の画面に表示させるさらに別の一例について説明するための概念図である。 第５の実施形態に係るモデル生成装置の構成の一例を示すブロック図である。 第６の実施形態に係る推定装置の構成の一例を示すブロック図である。 各実施形態に係るデータ処理装置を実現するハードウェアの一例を示すブロック図である。
以下に、本発明を実施するための形態について図面を用いて説明する。ただし、以下に述べる実施形態には、本発明を実施するために技術的に好ましい限定がされているが、発明の範囲を以下に限定するものではない。なお、以下の実施形態の説明に用いる全図においては、特に理由がない限り、同様箇所には同一符号を付す。また、以下の実施形態において、同様の構成・動作に関しては繰り返しの説明を省略する場合がある。また、図面中の矢印の向きは、一例を示すものであり、ブロック間のデータや信号等の向きを限定するものではない。
（第１の実施形態）
まず、本発明の第１の実施形態に係るデータ処理装置の構成について、図面を参照しながら説明する。本実施形態のデータ処理装置は、ユーザが装着するウェアラブルデバイス等によって計測されたセンサデータの値（センサ値とも呼ぶ）を含む生体情報データの欠損を補間する補間データを推定するためのモデルを生成する。生体情報データは、センサ値、ユーザを識別するための識別子（ユーザ識別子ともよぶ）、センサ値の計測時刻および計測位置が少なくとも紐付けられたデータである。例えば、本実施形態のデータ処理装置は、機械学習によってモデルを生成する。
（構成）
図１は、本実施形態に係るデータ処理装置１０の構成の一例を示すブロック図である。データ処理装置１０は、記憶部１１、分類部１３、集計部１４、学習部１５、および補間部１６を備える。分類部１３、集計部１４、および学習部１５は、モデル生成装置１００を構成する。
記憶部１１は、複数のユーザの各々の属性データと、複数のユーザの生体情報データとを記憶する。属性データおよび生体情報データは、記憶部１１に予め記憶される。属性データは、初期設定フェーズにおいて、インターネットやイントラネット等のネットワークを介して通信可能に接続された端末装置等（図示しない）から取得される。生体情報データは、計測フェーズにおいて、ウェアラブルデバイス等と通信可能に接続された端末装置等（図示しない）から取得される。
生体情報データは、ユーザが装着するウェアラブルデバイス等によって計測されたセンサ値と、ユーザ識別子、センサ値の計測時刻および計測位置を含む。ユーザ識別子は、ウェアラブルデバイスおよび端末装置のいずれかで付与される。計測時刻および計測位置は、ウェアラブルデバイス等がセンサデータを計測した際に付与されてもよいし、ウェアラブルデバイス等が計測したセンサデータを取得する端末装置によって付与されてもよい。例えば、端末装置がスマートフォンやタブレット、携帯電話等の携帯端末である場合、携帯端末の位置計測機能（例えば、ＧＰＳ：Global Positioning System）を用いれば、センサ値の計測位置を取得できる。
属性データは、それぞれのユーザに対して付与されたユーザ識別子と、それぞれのユーザの属性とが対応付けられたデータである。例えば、ユーザの属性は、そのユーザの性別や身長、体重などのデータを含む。なお、記憶部１１に記憶された属性データは、端末装置を介したユーザによる更新に応じて、任意のタイミングで更新されてもよい。
図２は、属性データをまとめたテーブルの一例（属性テーブル１１０）である。属性テーブル１１０のように、属性データは、複数のユーザの各々のユーザ識別子（Ｕ1、Ｕ2、Ｕ3、・・・）に対応付けて格納される。
図３は、ユーザが履く履物の種類（運動靴、ハイヒール、革靴等）が追加された属性データをまとめたテーブルの一例（属性テーブル１１１）である。属性テーブル１１１は、複数のユーザの各々のユーザ識別子（Ｕ1、Ｕ2、Ｕ3、・・・）に対応付けられたユーザの生体属性に加えて、ユーザが履く履物の種類が追加される。なお、属性データには、生体情報データに補間される欠損データの精度の向上につながりさえすれば、履物の種類以外の属性を追加してもよい。例えば、属性データには、ウェアラブルデバイスが設置される対象物（例えば、服や帽子、手袋、マスクなど）の属性が追加されてもよい。例えば、属性が類似しており、かつ同じ種類の履物を履いているユーザからは、同様のセンサ値が計測される確度が高い。そのため、履物の種類を含めて生体情報データを分類したり、履物の種類を説明変数に加えた機械学習でモデルを生成したりすれば、補間される欠損データの精度が高くなる。
分類部１３は、記憶部１１に記憶された属性データに基づいて、生体情報データを分類する。例えば、分類部１３は、属性データに基づいて、属性が類似するユーザの生体情報データを同じグループに分類する。
例えば、分類部１３は、属性データに含まれる少なくともいずれかの属性に基づいて、複数のユーザを分類する。例えば、分類部１３は、属性データに含まれる性別、身長、および体重等の属性のうちいずれかに基づいて、複数のユーザを分類する。例えば、分類部１３は、属性データに含まれる性別、身長、および体重等の属性の組み合わせのうちいずれかの組み合わせに基づいて、複数のユーザを分類してもよい。例えば、分類部１３は、Ｋ平均法などのアルゴリズムを用いた機械学習によって複数のユーザを分類してもよい。
集計部１４は、分類部１３によって分類されたグループの各々に対応する生体情報データを集計したテーブル（生体情報テーブルとも呼ぶ）を生成する。
図４は、集計部１４が生成する生体情報テーブルの一例（生体情報テーブル１４０）である。生体情報テーブル１４０に含まれる生体情報データは、ユーザ識別子、計測時刻、計測位置、およびセンサ値を含む。例えば、生体情報データｘ（１）は、ユーザ識別子がＵ1であり、計測時刻が６時であり、計測位置が（緯度ＡＡ、経度ＢＢ）の位置であり、センサ値がｙ（１）である。なお、集計部１４が集計する段階では、生体情報データが属性に基づいて分類されているため、生体情報テーブルにユーザ識別子を含めなくてもよい。
生体情報データは、０が多く含まれる疎なデータである。センサデータの計測時刻は、ユーザごとに設定される。本実施形態では、あるユーザの生体情報データに関して、センサデータが計測されなかった計測時刻のセンサ値を、同じグループに分類された他のユーザのセンサデータに含まれるセンサ値を含めた機械学習によって生成されたモデルを用いて補間する。生体情報データの欠損は、全ての計測時刻に関して補間する必要はなく、少なくとも一つの計測時刻に関して補間されればよい。
学習部１５は、分類部１３によって同じグループに分類されたユーザの生体情報データに含まれるセンサ値、計測時刻、および計測位置の相互関係を用いて、生体情報データの欠損を補間する補間データを推定するためのモデルを生成する。例えば、学習部１５は、生体情報データに対して、計測時刻および計測位置を説明変数とし、センサ値を目的変数とする機械学習によってモデルを生成する。例えば、学習部１５は、分類部１３によって同じグループに分類されたユーザの生体情報データに含まれるセンサ値と、計測時刻および計測位置の相互関係とを用いて、補間データを推定するための推定式を生成する。
また、学習部１５は、複数のグループの各々に対応付けて集計された生体情報テーブルを集計部１４から入力する。学習部１５は、複数の生体情報テーブルの各々に対して、生体情報データに含まれるセンサ値と、計測時刻および計測位置との相互関係をモデル化する。例えば、学習部１５は、生体情報テーブルに含まれる生体情報データに対して、計測時刻および計測位置を説明変数とし、センサ値を目的変数とする機械学習によってモデルを生成する。例えば、学習部１５は、複数の生体情報テーブルの各々に対して、生体情報データに含まれるセンサ値と、計測時刻および計測位置との相互関係をモデル化した推定式を生成する。
例えば、学習部１５は、生体情報テーブルを構成する生体情報データに含まれる計測時刻および計測位置を説明変数とし、センサ値を目的変数とする機械学習によって、生体情報データを補間するためのモデルを生成する。例えば、あるユーザのセンサ値の計測タイミングが朝や夕方に限られている場合、昼の時間帯のセンサデータがあった方が、そのユーザの生体情報を正確に把握できる。本実施形態では、属性が類似するユーザの生体情報データを用いた学習によって、欠損している時間帯のセンサ値を補間する。また、属性が類似していても、センサデータが取得された環境が異なれば、センサ値は異なるものと想定される。本実施形態では、センサ値の計測位置を含めて、属性が類似するユーザの生体情報データを学習することによって、センサデータが取得された環境を考慮に入れたモデルを生成できる。
例えば、学習部１５は、ディープランニングの手法を用いた機械学習によって、モデルを生成する。例えば、学習部１５は、ニューラルネットワーク（ＮＮ：Neural Network）の構造（パラメータや、ノード間の接続関係等）を機械学習によって最適化することで、生体情報データを補間するためのモデルを生成する。例えば、ＮＮの一例としては、畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）や、回帰型ニューラルネットワーク(ＲＮＮ：Recurrent Neural Network)が挙げられる。ただし、学習部１５が用いる学習の手法は、特に制限されず、生体情報データの欠損を補間可能な手法であればよい。
例えば、学習部１５は、ＳＶＤ（Singular Value Decomposition）、ＭＦ（Matrix Factorization）、ＦＭ（Factorization Machines）等の手法を用いた機械学習によって、モデルを生成する。例えば、学習部１５は、ＦＭの手法を用いて、複数の生体情報テーブルの各々に対して、生体情報データに含まれる計測時刻および計測位置の相互関係をモデル化した推定式を生成する。なお、学習部１５は、ユーザ識別子を含めて、計測時刻および計測位置の相互関係をモデル化した推定式を構築してもよい。ユーザ識別子を含めれば、同じユーザの生体情報データに含まれるセンサ値が優先的に学習されるので、補間データの精度がより向上する。
以下の式１は、生体情報テーブルを行列Ｖと見立てた場合のセンサ値ｙ（ｘ）を示す式である（ｉ、ｊ、ｎは、１≦ｉ＜ｊ≦ｎの関係を示す整数）。
Figure 0007409486000001
式１のｘは、計測時刻および計測位置を含むベクトルである。式１の右辺第１項のｗ0は、グローバルバイアスである。ｗiはｉ番目の変数の強度をモデル化する。
式１の右辺の第３項は、生体情報データｘの要素の交差項に相当する。式１の右辺の第３項の山括弧は、ｖiとｖjの内積を表す。ｖiは行列Ｖのｉ行目のベクトルを表し、ｖjは行列Ｖのｊ行目のベクトルを表す。ｖiとｖjの内積は、以下の式２で表される（ｆ、ｋは整数）。
Figure 0007409486000002
機械学習によって求められるパラメータは、下記の式３に示すｗ0、ベクトルｗ、行列Ｖである。次元ｎはハイパーパラメータである。
Figure 0007409486000003
式３のＲは実数を表す。ｎはベクトルｗおよび行列Ｖの行数、ｋは行列Ｖの列数を表す。
補間部１６（推定部とも呼ぶ）は、学習部１５によって生成されたモデルを用いて、生体情報データの欠損値を推定する。補間部１６は、推定された欠損値を用いて、欠損を含む生体情報データを補間する。例えば、欠損が補間された生体情報データは、記憶部１１に記憶される。
図５は、データ処理装置１０がモデル（モデル１５０－１～Ｌ）を生成する一例について説明するための概念図である（Ｌは自然数）。分類部１３は、記憶部１１に記憶された属性テーブル１１０に含まれる少なくともいずれかの属性に基づいて、属性が類似するユーザを同じグループに分類する。集計部１４は、分類部１３によって分類されたグループの各々に含まれる生体情報データ１２０を用いて、少なくとも一つの生体情報テーブル１４０－１～Ｌを生成する（Ｌは自然数）。学習部１５は、少なくとも一つの生体情報テーブル１４０－１～Ｌの各々について、生体情報データに含まれるセンサ値と、計測時刻及び位置の相互関係を用いて、モデル１５０－１～Ｌの各々を生成する。
図６は、学習部１５によって生成されたモデル１５０に、欠損のある生体情報データが入力される一例を示す概念図である。欠損のある生体情報データがモデル１５０に入力されると、欠損が補間された生体情報データが出力される。例えば、あるユーザの生体情報データにおいて昼の時間帯に欠損がある場合、同じグループに分類された生体情報データのうち昼の時間帯のいずれかの時刻のセンサ値がそのユーザの生体情報データに補間される。それによって、そのユーザの生体情報データは、少なくともいずれかの時刻における欠損が補間される。
（動作）
次に、本実施形態のデータ処理装置１０の動作の一例について図面を参照しながら説明する。データ処理装置１０の動作には、学習フェーズと推定フェーズが含まれる。以下においては、データ処理装置１０を動作の主体とし、学習フェーズと推定フェーズの各々について個別に説明する。
〔学習フェーズ〕
図７は、学習フェーズの一例について説明するためのフローチャートである。図７において、まず、データ処理装置１０は、属性データに基づいて、複数のユーザをグループに分類する（ステップＳ１５１）。
次に、データ処理装置１０は、分類されたグループの各々について、属性データが類似するユーザの生体情報データを集計して生体情報テーブルを生成する（ステップＳ１５２）。
次に、データ処理装置１０は、グループごとの生体情報テーブルに含まれる生体情報データを学習し、生体情報データを補間するためのモデルをグループごとに生成する（ステップＳ１５３）。
〔推定フェーズ〕
図８は、推定フェーズの一例について説明するためのフローチャートである。図８において、まず、データ処理装置１０は、欠損のある生体情報データをモデルに入力する（ステップＳ１６１）。
次に、データ処理装置１０は、モデルによって推定された生体情報データを、欠損が補間された生体情報データとして出力する（ステップＳ１６２）。
ここで、生体情報データの変形例について、一例を挙げて説明する。以下の変形例は、生体情報データにさらなる属性を追加することによって、生体情報データの集計や学習の精度を高める例である。
図９は、計測位置の緯度と経度に基づいて、その計測位置に対応する施設を生体情報データに追加する例（生体情報テーブル１４１）である。例えば、属性が類似しており、かつ同一の施設に滞在するユーザからは、同様のセンサ値が計測される確度が高い。そのため、計測位置に対応する施設に基づいて生体情報データを分類したり、施設を説明変数に加えた機械学習でモデルを生成したりすれば、補間される欠損データの精度が高くなる。
図１０は、計測位置に対応する施設に加えて、その施設において取りうる行動を生体情報データに追加する例（生体情報テーブル１４２）である。例えば、個人宅にいるユーザは、家事をしている確率が高い。また、駅にいるユーザは通勤中である確率が高く、ショッピングモールにいるユーザは買い物をしている確率が高い。そのため、施設において取りうる行動に基づいて生体情報データを分類したり、施設において取りうる行動を説明変数に加えた機械学習でモデルを生成したりすれば、補間される欠損データの精度がより高くなる。
以上のように、本実施形態のデータ処理装置は、記憶部、分類部、集計部、学習部、および補間部を備える。記憶部は、複数のユーザの各々の属性データと、複数のユーザの生体情報データとを記憶する。分類部は、記憶部に記憶された属性データに基づいて、生体情報データを分類する。集計部は、分類部によって分類されたグループの各々に対応する生体情報データを集計した生体情報テーブルを生成する。学習部は、分類部によって同じグループに分類されたユーザの生体情報データに含まれるセンサ値、計測時刻、および計測位置の相互関係を用いて、生体情報データの欠損を補間する補間データを推定するためのモデルを生成する。また、学習部は、複数の生体情報テーブルの各々に対して、生体情報データに含まれるセンサ値と、計測時刻および計測位置との相互関係をモデル化する。補間部（推定部とも呼ぶ）は、学習部によって生成されたモデルを用いて、生体情報データの欠損値を推定する。補間部は、推定された欠損値を用いて、欠損を含む生体情報データを補間する。
本実施形態によれば、少なくとも一人のユーザに関して計測されたセンサ値を互いに補間し合うことによって、生体に関するデータの欠損を高精度に補間できるモデルを生成できる。
本実施形態においては、複数のユーザの属性に基づいて、ユーザの生体に関するセンサ値と、センサ値の計測時刻および計測位置との相互関係を用いてモデルを生成する。例えば、同じ属性のユーザのセンサ値は、計測時刻が同じであっても、異なる位置で計測されていれば大きく異なることがある。例えば、センサ値は、職場の中や、通勤経路、昼食に出かける途中、業務終了後に食事に向かう途中など、計測されるシーンに応じて異なる傾向を示しうる。本実施形態では、センサ値が計測されるシーンに応じたモデルを生成できるので、生体情報データに含まれうる欠損を高精度に補間できる。
（第２の実施形態）
次に、第２の実施形態に係るシステムについて図面を参照しながら説明する。本実施形態のシステムは、ウェアラブルデバイス、端末装置、およびデータ処理装置を含む。以下においては、履物に設置されるインソールに搭載される歩容計測デバイスを一例として挙げる。なお、本実施形態のウェアラブルデバイスは、ユーザの生体に関するデータを計測できさえすれば、歩容計測デバイスに限定されない。
図１１は、本実施形態のシステム２の構成の一例について説明するためのブロック図である。本実施形態のシステム２は、ウェアラブルデバイス２１０、端末装置２３０、およびデータ処理装置２０を含む。端末装置２３０は、インターネットやイントラネット等のネットワーク２５０を介して、データ処理装置２０に接続される。例えば、ネットワーク２５０がイントラネットの場合、本実施形態のシステム２にネットワーク２５０を加えてもよい。
ウェアラブルデバイス２１０は、生体情報データに含まれるセンサ値を計測するための少なくとも一つのセンサを含む。ウェアラブルデバイス２１０は、ユーザによって装着される。ウェアラブルデバイス２１０は、ウェアラブルデバイス２１０を装着したユーザの生体情報に関連するセンサ値を計測する。
ウェアラブルデバイス２１０は、計測されたセンサ値を含むセンサデータを端末装置２３０に送信する。例えば、ウェアラブルデバイス２１０は、Ｂｌｕｅｔｏｏｔｈ（登録商標）やＷｉＦｉ（登録商標）などの規格に即した無線通信機能（図示しない）を介して、センサデータを端末装置２３０に送信する。例えば、ウェアラブルデバイス２１０は、通信ケーブルなどの有線を介して、センサデータを端末装置２３０に送信してもよい。ウェアラブルデバイス２１０から端末装置２３０にセンサデータを送信する手法には、特に限定を加えない。
例えば、ウェアラブルデバイス２１０は、履物に設置されるインソールに搭載される歩容計測デバイスによって実現される。例えば、歩容計測デバイスは、３軸方向の角速度および加速度を計測し、ユーザの歩幅や歩行速度、足上げ高さ、接地角度、蹴り出し角度、足角、内反、外反等のセンサデータを生成する。
図１２は、歩容を計測するウェアラブルデバイス２１０を靴２２０の中に設置する一例を示す概念図である。例えば、ウェアラブルデバイス２１０は、靴２２０の中に挿入されるインソールに設置され、足の土踏まずの裏側に当たる位置に配置される。なお、ウェアラブルデバイス２１０が配置される位置は、靴の中や表面であれば、足の土踏まずの裏側ではない位置であってもよい。ウェアラブルデバイス２１０は、歩容を計測できさえすれば、靴２２０以外の履物や靴下などに設置されてもよい。
ウェアラブルデバイス２１０は、端末装置２３０に接続される。ウェアラブルデバイス２１０は、加速度センサと角速度センサを少なくとも含む。ウェアラブルデバイス２１０は、加速度センサおよび角速度センサによって取得されたセンサ値をデジタルデータに変換し、変換後のデジタルデータに計測時刻を付与することによってセンサデータを生成する。なお、センサデータには、ユーザ識別子が含まれてもよい。ウェアラブルデバイス２１０は、生成されたセンサデータを端末装置２３０に送信する。
図１３は、ウェアラブルデバイス２１０の構成の一例を示すブロック図である。ウェアラブルデバイス２１０は、加速度センサ２１２、角速度センサ２１３、信号処理部２１５、およびデータ出力部２１７を有する。加速度センサ２１２および角速度センサ２１３は、センサ２１１を構成する。例えば、センサ２１１はＩＭＵ（Inertial Measurement Unit）によって実現される。
加速度センサ２１２は、３軸方向の加速度を計測するセンサである。加速度センサ２１２は、計測した加速度を信号処理部２１５に出力する。
角速度センサ２１３は、角速度を計測するセンサである。角速度センサ２１３は、計測した角速度を信号処理部２１５に出力する。
信号処理部２１５は、加速度センサ２１２および角速度センサ２１３のそれぞれから、加速度および角速度の各々の生データを取得する。信号処理部２１５は、取得された加速度および角速度をデジタルデータに変換し、変換後のデジタルデータに計測時刻を付与してセンサデータを生成する。計測時刻は、図示しないタイマ等によって計測される。なお、端末装置２３０の側で計測時刻を付与する場合は、センサデータに計測時刻を含めなくてもよい。また、信号処理部２１５は、計測した加速度や角速度の生データに対して、実装誤差や温度補正、直線性補正などの補正を行い、補正後のセンサ値を出力するように構成してもよい。また、信号処理部２１５は、センサデータにユーザ識別子を付与してもよい。信号処理部２１５は、センサデータをデータ出力部２１７に出力する。
データ出力部２１７は、信号処理部２１５からセンサデータを取得する。データ出力部２１７は、取得したセンサデータを端末装置２３０に送信する。データ出力部２１７は、通信ケーブルなどの有線を介してセンサデータを端末装置２３０に送信してもよいし、無線通信を介してセンサデータを端末装置２３０に送信してもよい。例えば、データ出力部２１７は、Ｂｌｕｅｔｏｏｔｈ（登録商標）やＷｉＦｉ（登録商標）などの規格に即した無線通信機能（図示しない）を介して、センサデータを端末装置２３０に送信する。
図１４は、端末装置２３０の構成の一例を示すブロック図である。端末装置２３０は、送受信部２３１、制御部２３２、位置情報取得部２３３、および表示部２３５を有する。
送受信部２３１は、ウェアラブルデバイス２１０からセンサデータを受信する。送受信部２３１は、受信されたセンサデータを制御部２３２に出力する。また、送受信部２３１は、制御部２３２から生体情報データを受信する。送受信部２３１は、受信された生体情報データをデータ処理装置２０に送信する。送受信部２３１から生体情報データを送信するタイミングには、特に限定を加えない。
例えば、送受信部２３１は、端末装置２３０にインストールされたアプリケーション（例えば、生体情報を解析するアプリケーション）の処理やユーザの操作に応じて、生体情報データの欠損を補間する要求をデータ処理装置２０に送信する。送受信部２３１は、要求に応じて送信されてきた生体情報データを受信する。例えば、データ処理装置２０から送信されてきた生体情報データは、アプリケーションにおける生体情報の解析に利用される。
制御部２３２は、送受信部２３１からセンサデータを取得する。制御部２３２は、センサデータを取得すると、位置情報取得部２３３から位置情報を取得し、取得された位置情報（計測位置）をセンサデータに付与することによって生体情報データを生成する。なお、センサデータに計測時刻が含まれない場合、その端末装置２３０において生体情報データを生成するタイミングの時刻を計測時刻として生体情報データに付与してもよい。また、ウェアラブルデバイス２１０がセンサデータにユーザ識別子を付与しない場合、制御部２３２が生体情報データにユーザ識別子を付与する。
位置情報取得部２３３は、位置情報を取得する。例えば、位置情報取得部２３３は、ＧＰＳを用いた位置計測機能によって位置情報を取得する。なお、位置情報取得部２３３は、位置計測機能を用いて取得された位置情報を、図示しない角速度センサや角速度センサ等によって計測されるセンサ値で補正してもよい。位置情報取得部２３３によって取得された位置情報は、制御部２３２における生体情報データの生成に用いられる。
表示部２３５には、ユーザの操作を受け付けるユーザインタフェースや、端末装置２３０にインストールされたアプリケーション等に関する画像が表示される。例えば、表示部２３５には、データ処理装置２０から受信される生体情報データをアプリケーションが処理した結果の画像が表示される。表示部２３５に表示される画像を見たユーザは、データ処理装置２０によって欠損が補間された生体情報データに基づくアプリケーションの処理結果を閲覧できる。なお、表示部２３５には、ユーザインタフェースや、生体情報データに基づくアプリケーションの処理結果に限らず、一般的なスマートフォンやタブレット、携帯端末等の画面に表示可能な画像が表示される。
図１５は、データ処理装置２０の構成の一例を示すブロック図である。データ処理装置２０は、記憶部２１、送受信部２２、分類部２３、集計部２４、学習部２５、および補間部２６を備える。分類部２３、集計部２４、および学習部２５は、モデル生成装置２００を構成する。なお、記憶部２１、分類部２３、集計部２４、学習部２５、および補間部２６は、第１の実施形態のデータ処理装置１０の対応する構成と同様であるので、詳細な説明は省略する。
（動作）
次に、本実施形態のシステム２の動作について図面を参照しながら説明する。本実施形態のシステム２の動作は、初期設定フェーズ、計測フェーズ、およびデータ処理フェーズに大別される。以下においては、初期設定フェーズ、計測フェーズ、およびデータ処理フェーズの各々について個別に説明する。
〔初期設定フェーズ〕
初期設定フェーズは、ユーザの属性データをデータ処理装置２０に登録するフェーズである。図１６は、初期設定フェーズについて説明するためのフローチャートである。
図１６において、まず、端末装置２３０が、端末装置２３０の表示部２３５に表示されたアプリケーションのグラフィカルユーザインタフェースを介して、ユーザの属性データの入力を受け付ける（ステップＳ２１１）。例えば、端末装置２３０の表示部２３５には、ユーザの属性を受け付けるグラフィカルユーザインタフェースが表示され、ユーザによる属性データの入力を受け付ける。例えば、端末装置２３０は、ユーザの身長や体重、性別などの属性データの入力を受け付ける。例えば、端末装置２３０には、ユーザの既往歴などの属性データの入力を受け付けてもよい。
次に、端末装置２３０が、入力された属性データをデータ処理装置２０に送信する（ステップＳ２１２）。
次に、データ処理装置２０が、端末装置２３０から送信された属性データを受信する（ステップＳ２１３）。
次に、データ処理装置２０が、受信された属性データを記憶部２１に格納する（ステップＳ２１４）。記憶部２１に格納された属性データは、ユーザの分類に用いられる。
〔計測フェーズ〕
計測フェーズは、ウェアラブルデバイス２１０によって計測されたセンサデータに基づく生体情報データをデータ処理装置に格納するフェーズである。図１７は、計測フェーズについて説明するためのフローチャートである。
図１７において、まず、ウェアラブルデバイス２１０が、そのウェアラブルデバイス２１０を装着するユーザの生体に関するセンサ値を計測する（ステップＳ２２１）。
次に、ウェアラブルデバイス２１０が、計測されたセンサ値を含むセンサデータを生成し、生成されたセンサデータを端末装置２３０に送信する（ステップＳ２２２）。例えば、ウェアラブルデバイス２１０は、センサ値と計測時刻とが対応付けられたセンサデータを端末装置２３０に送信する。
次に、端末装置２３０が、ウェアラブルデバイス２１０からセンサデータを受信する（ステップＳ２２３）。
次に、端末装置２３０が、センサデータの受信に合わせて端末装置２３０の位置情報（計測位置）を取得し、ユーザ識別子、センサ値、計測時刻、および計測位置を対応付けた生体情報データを生成する（ステップＳ２２４）。
次に、端末装置２３０が、生成された生体情報データをデータ処理装置２０に送信する（ステップＳ２２５）。
次に、データ処理装置２０が、端末装置２３０から送信された生体情報データを受信し、受信された生体情報データを記憶部２１に格納する（ステップＳ２２６）。記憶部２１に格納された生体情報データは、欠損を補間するためのモデルの生成に用いられる。
〔データ処理フェーズ〕
データ処理フェーズは、記憶部２１に格納された複数のユーザの生体情報データを用いて、生体情報データの欠損を補間するフェーズである。図１８は、データ処理フェーズについて説明するためのフローチャートである。図１８のデータ処理フェーズに関する説明においては、データ処理装置２０の構成要素を動作主体として説明する（図１８においては、動作の主体は省略）。
図１８において、まず、分類部２３が、記憶部２１に格納された属性データに基づいて、複数のユーザを分類する（ステップＳ２３１）。例えば、分類部２３は、類似する属性のユーザを同じグループにクラスタリングする。
次に、集計部２４が、分類部２３による分類に基づいて、属性ごとの生体情報データを集計して生体情報テーブルを生成する（ステップＳ２３２）。例えば、集計部２４は、クラスタリングされたグループの各々に対応する生体情報テーブルを生成する。
次に、学習部２５が、属性ごとの生体情報テーブルを用いて、生体情報データの欠損を補間するためのモデルを生成する（ステップＳ２３３）。例えば、学習部２５は、属性ごとの生体情報テーブルにおいて、生体情報データに含まれるセンサ値、計測時刻、計測位置との相互関係をモデル化した推定式を生成する。
次に、補間部２６（推定部とも呼ぶ）が、欠損のある生体情報データをモデルに入力し、欠損が補間された生体情報データを生成する（ステップＳ２３４）。欠損が補間された生体情報データは、生体情報データを用いるアプリケーション等で使用される。
以上のように、本実施形態のシステムは、データ処理装置と、デバイス(ウェアラブルデバイス)と、端末装置とを備える。デバイスは、センサ値を計測する。端末装置は、デバイスによって計測されたセンサ値に、センサ値の計測時刻および計測位置を付与することによって生体情報データを生成する。
本実施形態によれば、ユーザの生体に関するセンサ値を計測し、計測されたセンサ値に計測時刻および計測位置が付与された生体情報データを生成できる。
（第３の実施形態）
次に、第３の実施形態に係るシステムについて図面を参照しながら説明する。本実施形態のシステムは、複数のウェアラブルデバイス、端末装置、およびデータ処理装置を含む。本実施形態のシステムは、複数のウェアラブルデバイス等によって計測されたセンサ値を含む生体情報データの欠損を補間する補間データを推定するためのモデルを生成する。
図１９は、本実施形態のシステムの構成の一例について説明するためのブロック図である。本実施形態のシステムは、複数のウェアラブルデバイス３１０－１～Ｎ、端末装置２３０、およびデータ処理装置２０を含む（Ｎは自然数）。端末装置３３０は、インターネットやイントラネット等のネットワーク３５０を介して、データ処理装置３０に接続される。例えば、ネットワーク３５０がイントラネットの場合、本実施形態のシステムにネットワーク３５０を加えてもよい。以下においては、複数のウェアラブルデバイス３１０－１～Ｎの各々を区別しない場合は、ウェアラブルデバイス３１０と表記する。
例えば、ウェアラブルデバイス３１０は、ユーザの手首等に装着されるリストバンド型デバイス（活動量計とも呼ぶ）によって実現される。例えば、リストバンド型デバイスは、ユーザの活動量や脈波、発汗、体温等のセンサデータを計測する。例えば、ウェアラブルデバイス３１０は、脳波計によって実現される。例えば、脳波計は、ユーザの脳波や感情、ストレス等のセンサデータを計測する。例えば、ウェアラブルデバイス３１０は、スーツ型モーションセンサ（モーションセンサとも呼ぶ）によって実現される。例えば、スーツ型モーションセンサは、ユーザのモーションや運動機能、リハビリ回復度等のセンサデータを計測する。なお、ここで列挙したウェアラブルデバイス３１０は一例であって、本実施形態のシステムに含まれるウェアラブルデバイスを限定するものではない。
ウェアラブルデバイス３１０は、計測されたセンサ値を含むセンサデータを端末装置３３０に送信する。例えば、ウェアラブルデバイス３１０は、Ｂｌｕｅｔｏｏｔｈ（登録商標）やＷｉＦｉ（登録商標）などの規格に即した無線通信機能（図示しない）を介して、センサデータを端末装置３３０に送信する。例えば、ウェアラブルデバイス３１０は、通信ケーブルなどの有線を介して、センサデータを端末装置３３０に送信してもよい。ウェアラブルデバイス３１０から端末装置３３０にセンサデータを送信する手法には、特に限定を加えない。
端末装置３３０は、第２の実施形態の端末装置２３０と同様の構成である。端末装置３３０は、ウェアラブルデバイス３１０からセンサデータを受信する。端末装置３３０は、センサデータを受信すると位置情報を取得する。例えば、端末装置３３０は、ＧＰＳを用いた位置計測機能によって位置情報を取得する。端末装置３３０は、位置情報（計測位置）をセンサデータに付与することによって生体情報データを生成する。生体情報データには、センサ値の計測元のウェアラブルデバイス３１０の識別子を含める。端末装置３３０は、生成された生体情報データをデータ処理装置３０に送信する。端末装置３３０から生体情報データを送信するタイミングには、特に限定を加えない。
データ処理装置３０は、第２の実施形態のデータ処理装置２０と同様の構成である。データ処理装置３０は、端末装置３３０から生体情報データを受信する。データ処理装置３０は、受信される生体情報データを記憶する。また、データ処理装置３０は、端末装置２３０から生体情報データの要求を受信すると、要求に応じた生体情報データを端末装置３３０に送信する。
データ処理装置３０は、記憶された属性データに基づいて、生体情報データを分類する。データ処理装置３０は、分類されたグループの各々に対応する生体情報データを集計したテーブル（生体情報テーブルとも呼ぶ）を生成する。生体情報テーブルを構成する生体情報データは、複数のウェアラブルデバイス３１０－１～Ｎによって計測されたセンサ値を含む。
図２０は、データ処理装置３０が生成する生体情報テーブルの一例（生体情報テーブル３４０）である。生体情報テーブル３４０に含まれる生体情報データは、ユーザ識別子、計測時刻、計測位置、およびセンサ値を含む。センサ値は、複数のウェアラブルデバイス３１０－１～Ｎによって計測された値を含む。
データ処理装置３０は、複数のグループの各々に対応付けて集計された生体情報テーブルに対して、生体情報データに含まれるセンサ値と、計測時刻および計測位置との相互関係をモデル化する。例えば、データ処理装置３０は、生体情報テーブルに含まれる生体情報データに対して、計測時刻および計測位置を説明変数とし、複数のウェアラブルデバイス３１０－１～Ｎによって計測されたセンサ値を目的変数とする機械学習によってモデルを生成する。例えば、データ処理装置３０は、複数のウェアラブルデバイス３１０－１～Ｎによって計測されたセンサ値に関して、距離に応じた重みづけをする。例えば、データ処理装置３０は、複数のウェアラブルデバイス３１０－１～Ｎによって計測されたセンサ値に関して、距離が近いほど重みを大きくする。
データ処理装置３０は、生成されたモデルを用いて、生体情報データの欠損値を推定する。データ処理装置３０は、推定された欠損値を用いて、欠損を含む生体情報データを補間する。
例えば、あるユーザのウェアラブルデバイス３１０によるセンサデータの計測タイミングが朝や夕方であり、別のユーザのウェアラブルデバイス３１０によるセンサデータの計測タイミングが昼であるとする。このような場合、それらのウェアラブルデバイス３１０によって計測されるセンサ値を補間し合うことによって、それらのユーザの生体に関するデータを充実させることができる。
例えば、あるユーザのあるウェアラブルデバイス３１０によるセンサデータの計測タイミングが朝や夕方であり、そのユーザの別のウェアラブルデバイス３１０によるセンサデータの計測タイミングが昼であるとする。このような場合、それらのウェアラブルデバイス３１０によって計測されるセンサ値を補間し合うことによって、そのユーザの生体に関するデータを充実させることができる。
以上のように、本実施形態のシステムは、データ処理装置と、少なくとも一つのデバイス(ウェアラブルデバイス)と、端末装置とを備える。少なくとも一つのデバイスは、センサ値を計測する。端末装置は、デバイスによって計測されたセンサ値に、センサ値の計測時刻および計測位置を付与することによって生体情報データを生成する。
本実施形態によれば、計測時刻および計測位置に加えて、複数のウェアラブルデバイスによって計測されたセンサ値との相互関係をモデル化することで、生体情報データに補間されるデータの精度を向上できる。
一般的なウェアラブルデバイスには、日常的に人体に装着される都合上、電源や計測精度等の性能に限界がある。そのため、単一のセンサによって計測されるセンサ値の精度等には限界がある。本実施形態では、複数のセンサを組み合わせた生体データプラットフォーム（マルチモーダル生体センサプラットフォームともよぶ）を構築できる。マルチモーダル生体センサプラットフォームによれば、個々のセンサの性能が高くなくても、それらのセンサによって計測されるセンサ値を組み合わせて高精度なデータを得ることができる。
（第４の実施形態）
次に、第４の実施形態に係るデータ処理装置について図面を参照しながら説明する。本実施形態のデータ処理装置は、欠損を補間するためのモデルではなく、ユーザの運動機能指標や健康指標などのアセスメント値等（評価値とも呼ぶ）を推定するためのモデルを生成する点において、第１～第３の実施形態とは異なる。評価値は、ユーザの生体特性に関する指標である。
図２１は、本実施形態のデータ処理装置４０の構成の一例を示すブロック図である。データ処理装置４０は、記憶部４１、送受信部４２、分類部４３、集計部４４、学習部４５、および推定部４６を備える。分類部４３、集計部４４、および学習部４５は、モデル生成装置４００を構成する。なお、記憶部４１、送受信部４２、分類部４３、および集計部４４は、第１の実施形態のデータ処理装置１０または第２の実施形態のデータ処理装置２０の対応する構成と同様であるので、詳細な説明は省略する。
学習部４５は、分類部４３によって同じグループに分類された生体情報データに含まれるセンサ値と、計測時刻および計測位置の相互関係とを用いて、特定の評価値を推定するためのモデルを生成する。例えば、評価値は、欠損が補間された生体情報データや、運動機能指標や健康指標等のアセスメント値である。また、評価値は、ユーザの気分や体調、感情等のようにアンケートベースの主観値であってもよい。
推定部４６は、学習部４５によって生成されたモデルを用いて、ユーザのアセスメント値等の評価値を推定する。推定部４６によって推定された評価値は、送受信部４２から端末装置（図示しない）に送信される。例えば、端末装置に送信された評価値は、端末装置にインストールされたアプリケーションによって用いられる。
図２２は、複数の生体情報データを説明変数とし、アセスメント値や主観値等の評価値を目的変数とする機械学習によってモデル４５０を生成し、生成されたモデル４５０にあるユーザ識別子を入力して評価値を推定する例である。例えば、属性の類似するユーザの生体情報データを用いて生成されたモデル４５０に、あるユーザのユーザ識別子を入力すると、そのユーザに関する評価値がモデル４５０から出力される。例えば、出力された評価値を端末装置（図示しない）に送信し、端末装置にインストールされたアプリケーションで処理することによって、そのユーザにとって有用なコンテンツをユーザに提示するように構成できる。
図２３は、モデル４５０によって推定されたアセスメント値に基づいたコンテンツを端末装置４３０の画面４１５に表示させる例である。図２３の例では、履物の属性を含めた機械学習によって生成されたモデルによって推定されたアセスメント値に基づいて、ユーザの歩容に関するアドバイスを含むコンテンツを端末装置４３０の画面４１５に表示させる。画面４１５に表示されたコンテンツを見たユーザは、そのコンテンツに従って運動等を行うことによって、運動機能指標や健康指標の向上につながる情報を得ることができる。
図２４は、モデル４５０によって推定されたアセスメント値に基づいたコンテンツを端末装置４３０の画面４１５に表示させる別の例である。図２４の例では、履物の属性を含めた機械学習によって生成されたモデルによって推定されたアセスメント値に基づいて、ユーザに薦める履物を含むコンテンツを端末装置４３０の画面４１５に表示させる。画面４１５に表示されたコンテンツを見たユーザは、そのコンテンツを参照することによって、自分の体に合った履物等の情報を得ることができる。
図２５は、モデル４５０によって推定された主観値に基づいたコンテンツを端末装置４３０の画面４１５に表示させるさらに別の例である。図２５は、モデルによって推定された評価値に基づいて、ユーザの気分や体調、感情に即したコンテンツを端末装置４３０の画面４１５に表示させる例である。例えば、ユーザの感情が不安定であることを示す主観値が出力された場合、そのユーザの好きな動物やキャラクターの画像を含む端末装置４３０の画面４１５に表示させる。画面４１５に表示されたコンテンツを見たユーザがそのコンテンツを参照すれば、不安定な感情が宥められる可能性がある。
以上のように、本実施形態においては、ユーザを識別するためのユーザ識別子を説明変数に追加し、ユーザの生体特性に関する指標である評価値を目的変数とする機械学習によって、ユーザの評価値を推測するモデルを生成する。本実施形態によれば、ユーザの運動機能指標や健康指標などのアセスメント値や、ユーザの主観値といった評価値を推定し、評価値に応じたコンテンツを端末装置の画面に表示させることができる。
（第５の実施形態）
次に、第５の実施形態に係るモデル生成装置について図面を参照しながら説明する。本実施形態のモデル生成装置は、第１の実施形態のデータ処理装置１０に含まれるモデル生成装置１００等を簡略化した構成である。なお、モデル生成装置のみでも、データ処理装置を構成できる。
図２６は、本実施形態のモデル生成装置５０の構成の一例を示すブロック図である。モデル生成装置５０は、分類部５３および学習部５５を備える。
分類部５３は、少なくとも一人のユーザの属性に基づいて、ユーザの生体に関するセンサ値と、センサ値の計測時刻および計測位置とを含む少なくとも一つの生体情報データを少なくとも一つのグループに分類する。
学習部５５は、分類部５３によって分類されたグループごとに、生体情報データに含まれるセンサ値と、計測時刻、および計測位置の相互関係を用いて、欠損が補間された生体情報データを推定するためのモデルを生成する。
以上のように、本実施形態のモデル生成装置（データ処理装置）は、分類部および学習部を備える。分類部は、少なくとも一人のユーザの属性に基づいて、ユーザの生体に関するセンサ値と、センサ値の計測時刻および計測位置とを含む少なくとも一つの生体情報データを少なくとも一つのグループに分類する。学習部は、分類部５３によって分類されたグループごとに、生体情報データに含まれるセンサ値と、計測時刻、および計測位置の相互関係を用いて、欠損が補間された生体情報データを推定するためのモデルを生成する。
本実施形態によれば、少なくとも一人のユーザに関して計測されたセンサ値を互いに補間し合うことによって、生体に関するデータの欠損を高精度に補間できるモデルを生成できる。
本実施形態の一対応において、端末装置は、データ処理装置によって欠損が保管された生体情報データを用いるアプリケーションによる処理結果を含むコンテンツを画面に表示させる。本実施形態によれば、端末装置の画面に表示されたコンテンツを介して、ユーザにとって有用な情報を提供できる。
（第６の実施形態）
次に、第６の実施形態に係る推定装置について図面を参照しながら説明する。本実施形態の推定装置は、第１の実施形態のデータ処理装置１０に含まれる補間部１６等を簡略化した構成である。なお、推定装置のみでも、データ処理装置を構成できる。
図２７は、本実施形態の推定装置６０の構成の一例を示すブロック図である。推定装置６０は、モデル６５０および推定部６６を備える。
モデル６５０は、第１～第４の実施形態のデータ処理装置や、第５の実施形態のモデル生成装置によって生成されたモデルである。モデル６５０は、少なくとも一人のユーザの属性に基づいて分類されたグループごとに、生体情報データに含まれるセンサ値と、計測時刻、および計測位置の相互関係を用いて、欠損が補間された生体情報データを推定するために生成されたものである。
推定部６６は、欠損のある生体情報データをモデル６５０に入力し、欠損が補間された生体情報データを推定する。
以上のように、本実施形態の推定装置は、モデルおよび推定部を備える。モデルは、少なくとも一人のユーザの属性に基づいて分類されたグループごとに、生体情報データに含まれるセンサ値と、計測時刻、および計測位置の相互関係を用いて、欠損が補間された生体情報データを推定するために生成されたものである。推定部は、欠損のある生体情報データをモデルに入力し、欠損が補間された生体情報データを推定する。
本実施形態によれば、少なくとも一人のユーザに関して計測されたセンサ値を互いに補間し合うことによって、生体に関するデータの欠損を高精度に補間できる。
（ハードウェア）
ここで、本発明の各実施形態に係るデータ処理装置の処理を実行するハードウェア構成について、図２８の情報処理装置９０を一例として挙げて説明する。なお、図２８の情報処理装置９０は、各実施形態のデータ処理装置の処理を実行するための構成例であって、本発明の範囲を限定するものではない。
図２８のように、情報処理装置９０は、プロセッサ９１、主記憶装置９２、補助記憶装置９３、入出力インターフェース９５、および通信インターフェース９６を備える。図２８においては、インターフェースをＩ／Ｆ（Interface）と略して表記する。プロセッサ９１、主記憶装置９２、補助記憶装置９３、入出力インターフェース９５、および通信インターフェース９６は、バス９８を介して互いにデータ通信可能に接続される。また、プロセッサ９１、主記憶装置９２、補助記憶装置９３および入出力インターフェース９５は、通信インターフェース９６を介して、インターネットやイントラネットなどのネットワークに接続される。
プロセッサ９１は、補助記憶装置９３等に格納されたプログラムを主記憶装置９２に展開し、展開されたプログラムを実行する。本実施形態においては、情報処理装置９０にインストールされたソフトウェアプログラムを用いる構成とすればよい。プロセッサ９１は、本実施形態に係るデータ処理装置による処理を実行する。
主記憶装置９２は、プログラムが展開される領域を有する。主記憶装置９２は、例えばＤＲＡＭ（Dynamic Random Access Memory）などの揮発性メモリとすればよい。また、ＭＲＡＭ（Magnetoresistive Random Access Memory）などの不揮発性メモリを主記憶装置９２として構成・追加してもよい。
補助記憶装置９３は、種々のデータを記憶する。補助記憶装置９３は、ハードディスクやフラッシュメモリなどのローカルディスクによって構成される。なお、種々のデータを主記憶装置９２に記憶させる構成とし、補助記憶装置９３を省略することも可能である。
入出力インターフェース９５は、情報処理装置９０と周辺機器とを接続するためのインターフェースである。通信インターフェース９６は、規格や仕様に基づいて、インターネットやイントラネットなどのネットワークを通じて、外部のシステムや装置に接続するためのインターフェースである。入出力インターフェース９５および通信インターフェース９６は、外部機器と接続するインターフェースとして共通化してもよい。
情報処理装置９０には、必要に応じて、キーボードやマウス、タッチパネルなどの入力機器を接続するように構成してもよい。それらの入力機器は、情報や設定の入力に使用される。なお、タッチパネルを入力機器として用いる場合は、表示機器の表示画面が入力機器のインターフェースを兼ねる構成とすればよい。プロセッサ９１と入力機器との間のデータ通信は、入出力インターフェース９５に仲介させればよい。
また、情報処理装置９０には、情報を表示するための表示機器を備え付けてもよい。表示機器を備え付ける場合、情報処理装置９０には、表示機器の表示を制御するための表示制御装置（図示しない）が備えられていることが好ましい。表示機器は、入出力インターフェース９５を介して情報処理装置９０に接続すればよい。
以上が、本発明の各実施形態に係るデータ処理装置を可能とするためのハードウェア構成の一例である。なお、図２８のハードウェア構成は、各実施形態に係るデータ処理装置の演算処理を実行するためのハードウェア構成の一例であって、本発明の範囲を限定するものではない。また、各実施形態に係るデータ処理装置に関する処理をコンピュータに実行させるプログラムも本発明の範囲に含まれる。さらに、各実施形態に係るプログラムが記録された記録媒体も本発明の範囲に含まれる。
記録媒体は、例えば、ＣＤ（Compact Disc）やＤＶＤ（Digital Versatile Disc）などの光学記録媒体で実現できる。また、記録媒体は、ＵＳＢ（Universal Serial Bus）メモリやＳＤ（Secure Digital）カードなどの半導体記録媒体や、フレキシブルディスクなどの磁気記録媒体、その他の記録媒体によって実現してもよい。プロセッサが実行するプログラムが記録媒体に記録されている場合、その記録媒体はプログラム記録媒体に相当する。
各実施形態のデータ処理装置の構成要素は、任意に組み合わせることができる。また、各実施形態のデータ処理装置の構成要素は、ソフトウェアによって実現してもよいし、回路によって実現してもよい。
以上、実施形態を参照して本発明を説明してきたが、本発明は上記実施形態に限定されるものではない。本発明の構成や詳細には、本発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
１０、２０、３０、４０ データ処理装置
１１、２１、４１ 記憶部
１３、２３、４３、５３ 分類部
１４、２４、４４ 集計部
１５、２５、４５、５５ 学習部
１６、２６ 補間部
２２、４２ 送受信部
４６、６６ 推定部
５０、１００、２００、４００ モデル生成装置
６０ 推定装置
２１０、３１０－１～Ｎ ウェアラブルデバイス
２１１ センサ
２１２ 加速度センサ
２１３ 角速度センサ
２１５ 信号処理部
２１７ データ出力部
２３０、３３０ 端末装置
２３１ 送受信部
２３２ 制御部
２３３ 位置情報取得部
２３５ 表示部

Claims (10)

  1. 少なくとも一人のユーザの属性に基づいて、前記ユーザの生体に関するセンサ値と、前記センサ値の計測時刻および計測位置とを含む少なくとも一つの生体情報データを少なくとも一つのグループに分類する分類手段と、
    前記グループごとに、前記生体情報データに含まれる前記センサ値と、前記計測時刻、および前記計測位置の相互関係を用いて、欠損が補間された前記生体情報データを推定するためのモデルを生成する学習手段と、を備えるデータ処理装置。
  2. 欠損のある前記生体情報データを前記モデルに入力し、欠損が補間された前記生体情報データを推定する推定手段を備える請求項１に記載のデータ処理装置。
  3. 前記分類手段によって分類された前記グループの各々に対応する前記生体情報データを集計し、前記グループごとの前記生体情報データによって構成される生体情報テーブルを生成する集計手段を備え、
    前記学習手段は、
    前記生体情報テーブルを構成する前記生体情報データに含まれる前記センサ値と、前記計測時刻、および前記計測位置の相互関係を用いて、前記グループごとに前記モデルを生成する請求項２に記載のデータ処理装置。
  4. 前記分類手段は、
    複数のデバイスによって計測された前記センサ値を含む前記生体情報データを少なくとも一つの前記グループに分類し、
    前記学習手段は、
    前記グループごとに、前記生体情報データに含まれる前記センサ値と、前記計測時刻、および前記計測位置の相互関係を用いて、欠損が補間された前記生体情報データを推定するための前記モデルを生成する請求項２または３に記載のデータ処理装置。
  5. 前記学習手段は、
    前記生体情報データに含まれる前記計測時刻および前記計測位置を説明変数とし、前記センサ値を目的変数とする機械学習によって前記モデルを生成する請求項２乃至４のいずれか一項に記載のデータ処理装置。
  6. 前記属性は、
    前記ユーザの履物の種類を含み、
    前記学習手段は、
    前記履物の種類を説明変数に含めた機械学習によって前記モデルを生成する請求項５に記載のデータ処理装置。
  7. 前記学習手段は、
    前記ユーザを識別するためのユーザ識別子を説明変数に追加し、前記ユーザの生体特性に関する指標である評価値を目的変数とする機械学習によって、前記ユーザの前記評価値を推測する前記モデルを生成し、
    前記推定手段は、
    前記ユーザ識別子を前記モデルに入力し、前記ユーザ識別子に対応する前記ユーザに関する前記評価値を推定する請求項５または６に記載のデータ処理装置。
  8. 請求項１乃至７のいずれか一項に記載のデータ処理装置と、
    ユーザの生体に関するセンサ値を計測する少なくとも一つのデバイスと、
    前記デバイスによって計測された前記センサ値に、前記センサ値の計測時刻および計測位置を付与することによって前記生体情報データを生成する端末装置と、を備え、
    前記端末装置は、
    前記データ処理装置によって欠損が保管された前記生体情報データを用いるアプリケーションによる処理結果を含むコンテンツを前記端末装置の画面に表示させるシステム。
  9. コンピュータが、
    少なくとも一人のユーザの属性に基づいて、前記ユーザの生体に関するセンサ値と、前記センサ値の計測時刻および計測位置とを含む少なくとも一つの生体情報データを少なくとも一つのグループに分類し、
    前記グループごとに、前記生体情報データに含まれる前記センサ値と、前記計測時刻、および前記計測位置の相互関係を用いて、前記生体情報データの欠損を補間する補間データを推定するためのモデルを生成するデータ処理方法。
  10. 少なくとも一人のユーザの属性に基づいて、前記ユーザの生体に関するセンサ値と、前記センサ値の計測時刻および計測位置とを含む少なくとも一つの生体情報データを少なくとも一つのグループに分類する処理と、
    前記グループごとに、前記生体情報データに含まれる前記センサ値と、前記計測時刻、および前記計測位置の相互関係を用いて、前記生体情報データの欠損を補間する補間データを推定するためのモデルを生成する処理とをコンピュータに実行させるプログラム。
JP2022515173A 2020-04-17 2020-04-17 データ処理装置、システム、データ処理方法、およびプログラム Active JP7409486B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/016916 WO2021210172A1 (ja) 2020-04-17 2020-04-17 データ処理装置、システム、データ処理方法、および記録媒体

Publications (3)

Publication Number Publication Date
JPWO2021210172A1 JPWO2021210172A1 (ja) 2021-10-21
JPWO2021210172A5 JPWO2021210172A5 (ja) 2022-12-20
JP7409486B2 true JP7409486B2 (ja) 2024-01-09

Family

ID=78085287

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022515173A Active JP7409486B2 (ja) 2020-04-17 2020-04-17 データ処理装置、システム、データ処理方法、およびプログラム

Country Status (3)

Country Link
US (4) US20230139218A1 (ja)
JP (1) JP7409486B2 (ja)
WO (1) WO2021210172A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11715043B2 (en) * 2019-03-01 2023-08-01 Apple Inc. Semantics preservation for machine learning models deployed as dependent on other machine learning models
WO2023119562A1 (ja) * 2021-12-23 2023-06-29 日本電気株式会社 学習装置、ストレス推定装置、学習方法、ストレス推定方法及び記憶媒体

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006087746A (ja) 2004-09-24 2006-04-06 Keisuke Kuga 降圧剤の評価方法及びその装置
JP2010142273A (ja) 2008-12-16 2010-07-01 Omron Healthcare Co Ltd 生体指標管理装置
JP2014164383A (ja) 2013-02-22 2014-09-08 Nippon Telegr & Teleph Corp <Ntt> センサデータ統合装置、センサデータ統合方法及びプログラム
JP2016024655A (ja) 2014-07-22 2016-02-08 Kddi株式会社 データ解析装置及びプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006087746A (ja) 2004-09-24 2006-04-06 Keisuke Kuga 降圧剤の評価方法及びその装置
JP2010142273A (ja) 2008-12-16 2010-07-01 Omron Healthcare Co Ltd 生体指標管理装置
JP2014164383A (ja) 2013-02-22 2014-09-08 Nippon Telegr & Teleph Corp <Ntt> センサデータ統合装置、センサデータ統合方法及びプログラム
JP2016024655A (ja) 2014-07-22 2016-02-08 Kddi株式会社 データ解析装置及びプログラム

Also Published As

Publication number Publication date
US20240127963A1 (en) 2024-04-18
US20230139218A1 (en) 2023-05-04
JPWO2021210172A1 (ja) 2021-10-21
US20240127965A1 (en) 2024-04-18
WO2021210172A1 (ja) 2021-10-21
US20240127964A1 (en) 2024-04-18

Similar Documents

Publication Publication Date Title
US20240127964A1 (en) Data processing device, system, data processing method, and recording medium
CN107423549A (zh) 健康跟踪设备
JP6889841B2 (ja) 学習装置、学習結果利用装置、学習方法及び学習プログラム
JP6362521B2 (ja) 行動分類システム、行動分類装置及び行動分類方法
JP6134872B1 (ja) 対象の周期的な運動のサイクル数を計数するデバイス、方法及びシステム
CN105748037A (zh) 具有用于患脊柱侧凸的患者的生物反馈***的体感背心
US20180353090A1 (en) Adaptive Heart Rate Estimation
WO2019187099A1 (ja) 身体機能自立支援装置およびその方法
CN107077711A (zh) 特性评价装置、特性评价***、特性评价方法和特性评价程序
WO2019095055A1 (en) Method and system utilizing pattern recognition for detecting atypical movements during physical activity
US20170127960A1 (en) Method and apparatus for estimating heart rate based on movement information
KR20220085445A (ko) 자세교정 어플리케이션을 통한 정보 제공 방법 및 시스템
JP6377023B2 (ja) 最適化装置、最適化方法および最適化プログラム
Karmakar et al. Understanding ageing effects using complexity analysis of foot–ground clearance during walking
KR20160034199A (ko) 건강 관리 방법 및 장치
Thorpe et al. Sensing behaviour in healthcare design
Côrrea et al. Accelerometry for the motion analysis of the lateral plane of the human body during gait
JP6861033B2 (ja) ユーザ端末、サーバ、改善提案作成装置の作動方法および状態データ生成方法
WO2023067694A1 (ja) データ生成装置、学習システム、推定装置、データ生成方法、および記録媒体
WO2023139718A1 (ja) 特徴量選定装置、特徴量選定方法、身体状態推定システム、および記録媒体
Seifer et al. Step length and gait speed estimation using a hearing aid integrated accelerometer: a comparison of different algorithms
WO2022201338A1 (ja) 特徴量生成装置、歩容計測システム、特徴量生成方法、および記録媒体
US20230000057A1 (en) Method, system, and computer program product for monitoring state of animal and providing solution
WO2022269696A1 (ja) 学習装置、推定システム、学習方法、および記録媒体
JP7056493B2 (ja) データ処理装置、データ処理方法およびプログラム

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221003

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20221003

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20231121

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20231204

R151 Written notification of patent or utility model registration

Ref document number: 7409486

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151