テーマ：やってみた

ユーザビリティソリューション部の若手メンバーとして、また女性として私は、実際に月経に伴い自分にどんな変化が起こっているのかを知るために2019年7月から自分の月経データとメンタル変化を記録し続けてきました。
その一部として、私の月経周期に伴う”イライラ度””情緒不安定度””憂鬱度”の変化をご紹介します！

時系列でデータをみてみると、

①まず月経3週間前に、情緒不安定度が高くなっていることがわかります。

②その後、月経2週間前になると、前の週の情緒不安定度に加えてイライラ度も周期の中で最も高くなってきます。​​​​​​この週は確かに実体験としてもちょっとしたことでイライラしてしまって私にとってとてもつらい時期なので、この結果はこれまでの実感とすごく一致した結果になりました。

③月経1週間前になると、イライラ度も情緒不安定度も落ち着き、この週は一番調子がいい時期になります！この時期が月の中で一番精神的に安定しているので、大きな仕事や大事な決断はこの時期にすると良さそう！です。

④また、これまであまり意識していませんでしたが月経期間中の憂鬱度は他の時期に比べてすごく高くなっていました。何かと煩わしいこの時期、知らず知らずのうちに憂鬱な気分になってしまっているということは私にとっての新たな発見でした！

こうしてみてみると、私の場合は月経1週間前がイライラも情緒不安定も憂鬱も低く、絶好調の時期だということが見えてきました。メンタルの変化を見える化して自分のことを理解することができれば、うまくいかない自分を許してあげることができたり、自分の状態に合わせてうまくスケジュールを組んだりすることができそうですね！

一般的な生理日管理アプリでもメンタルの変化を記録できるものはありますが、その月にどうだったのか時系列での変化が見えるだけで、数か月分のデータをまとめて集計したり見える化できるアプリはなかなかありません。
人によって生理周期が異なったり安定しないことがこのような分析のハードルになっていると思いますが、私のデータのようにひとりひとりの状態に合わせてよりパーソナライズした分析ができれば新しいサービスにつなげることができるのかなと感じました。

同じ女性でも症状やその程度がさまざまな月経に関連した心身の変化。
まずはデータとして自分のことを知り、向き合うことが自分の身体をケアしてあげる第一歩かもしれません。

今回の「自分のビッグデータを分析してみた！（フェムテック編）」はここまでです。
最後まで読んでいただきありがとうございました！

それでは、次回の若手メンバーがやってみた！シリーズもお楽しみに！

プロダクト解析センターユーザビリティソリューション部では、人間工学、感性工学、心理学、生理学の知見を活かして人に関する様々な評価を行っています。
新しいサービスなどをお考えでしたら、ぜひお気軽にお問い合わせください。

【自分たちの最大限の力を発揮するためには、どんな生活スタイルを送るのが良いのか？】を実際に調べてみよう、ということで、若手5人で2～3か月間、「様々な日常の行動」と「業務時の集中度」を記録していきました。

今回は、「業務時の集中度」を「様々な日常の行動」から推定できるかどうかを分析してみました。
もし日々の行動と集中度に関係があれば、その人が仕事に集中できるような行動を提案してあげたり、良くない行動をしているときに注意してあげることができそうですね。

また、今回取得した「日常の行動」は、睡眠時間・食事の有無・在宅か出社か…等、多種多様な項目があるため、分析手法には機械学習を用いました！（具体的な手法については長くなるので今回は省きます）

5人分のデータを集めて、欠損や記録ミスなど、分析のノイズとなるデータを除くと、延べ61日分のデータが残りました。（最大で約300日分集まるはずだったので、比較するとかなり少ないですが、今回はこのまま分析を進めます！）
このうち、8割(48日)の学習データで機械学習モデルを作成し、残り2割(13日)のテストデータを推定してみました。

下の図2は、アンケートで実際に回答した集中度と、機械学習モデルから推定した集中度の比較です。
テストデータには4人のデータが混ざっているので、回答した人ごとにプロットを色分けしています。また図3は、モデルの学習時に、各入力指標がデータの分類にどれだけ寄与したかを示した重要度のグラフです。特に「起床時間」「睡眠時間」「運動量」の重要度が高くなっています。

図2では、モデルがうまく学習できていれば、データは点線に沿ってプロットされるはずですが、全体で見ると相関係数が0.05と、あまり良い数値ではありません、、
一方で、人ごとに見ると、辻君（オレンジ）のデータは比較的点線近くにプロットされたり、岡田（黄色）のデータはアンケート得点が低いものは推定値も低くなっていたりと、傾向が追えそうな人もいます。逆に、波潟さん（青）のデータは点線からかなり外れているように見えます。そこで、図3で一番重要度の高かった「起床時間」について元のデータを見てみると、なんと、他の人は大体6時～7時半には起床しているのに対して、波潟さんは8時～11時に起床していたようです。（他の人より夜型ですね！）これを踏まえると、モデルが「波潟さんと他の人」を分類してしまい、その結果波潟さんだけ推定値の傾向が変わってしまった可能性があります。試しに波潟さんのデータを外してみると、相関係数は0.46まで上がりました！人によっては、推定モデルを変える（その人にパーソナルフィットさせる）必要があることが示唆されました。

1. データ収集の負荷が想定以上に重く、データ数が減少
   第1回の記事で福田君も書いてますが、今回のデータ収集は、実はかなり大変でした！打合せや実験が立て込んでいて業務中の集中度が回答できなかったり、日常の行動データの記録を忘れてしまったりすることもありました。回答者に負担にならないような評価設計が大切だと実感しました。（プロダクト解析センターでは、表情からスポーツの観戦満足度を分析するサービスや、心拍・表情からリラックスを分析するサービスなど、客観的な指標を用いた人の分析サービスも実施していますが、そういった自動的に収集できる指標を使うことも有効だと思いました。）
   
   
2. 「業務中の集中度」の推定モデルが人ごとに違う可能性
   今回は、データ数の観点から5人のデータをまとめて分析しましたが、得られた結果から示唆されるように、集中度を推定するモデルは人によって違うかもしれません。①の課題が解決して、1人1人のデータがたくさん取れるようになれば、個人差を考慮した分析や、今回記録しなかった「日常行動」の影響についても検討できると思います。

次回は、「やってみたシリーズ第三弾」として、1人のデータを長期にわたって計測してみた池田さんの活動を紹介します！お楽しみに！

若手同士で話す中、コロナ禍における在宅勤務で、生活リズムが完全に崩れた。。。といった話が出ました。そんな話をきっかけに、自分たちの最大限の力を発揮するためにはどんな生活スタイルを送るのが良いのか？という話題が上がりました。

まずはデータ取得！ということで、以下のように「日々の行動」と「業務時の集中度」を記録しました

何時に起きて何時に寝たか、夕飯は何時に食べてどれくらいの量を食べたかなど、様々な日々の行動データを、表にして毎日記録していきました。

一日のうち数回、決まった時間に、 PC内で自動でアンケートがポップアップされるような仕組みをプログラミングで作り、決まった時間に、その時の集中度を答える、ということを毎日行いました。

２・３カ月間、5人の若手メンバーで、行動データおよび業務中の集中度データを取得しました。
次回は「それらのデータを機械学習させて相関を見てみた！」いう記事掲載を予定しています。

お楽しみに！

毎日、日々の行動を手動で記録するのは、時間や労力がかかり、きつかったです。やはり日々の行動データを取得するためには、スマートウォッチやIoTなどを用いて自動で取得・記録されていく仕組みを作る必要があると身を持って感じました。また、定期的に集中度アンケートがポップアップで出てくるのは、回答を忘れることがないというメリットはあるものの、打合せで画面を共有しているときにポップアップが出てきたりするトラブルもありました。今後は仕事がひと段落したときにポップアップを出すなどの改良を加えたいと思います！

今回のプロジェクトは、普段はそれぞれ違う仕事をしている若手メンバーが集まり自主的に取り組んでいます。普段の業務とは違う刺激もあり、楽しい経験になっています！！