要約

体重、消費カロリー、心拍数を時系列分析（STL分解）できるツールを作りました
Streamlitで動きます
OpenAI apiを使ってデータの説明・解釈を自動生成します

スクリーンショット

デモ版

Streamlit community cloudでデモ版を公開しています。
Health_STL_analyzer

経緯

最近、ダイエットをしていて、体重や摂取カロリーをあすけんやiPhoneの「ヘルスケア」アプリを使って管理していました。体重の変化がグラフになって現れるのは楽しいです。

が、あすけんやヘルスケアアプリのデフォルトだと、体重の変化が一時的な変化なのか、あるいは長期的な傾向として増加・減少しているのかがちょっと読みにくいんですよね。iPhoneのほうはある程度のトレンドを分析してくれますが、自分で自由に分析するのはちょっと難しい。

なので、ヘルスケアデータをSTL分解（トレンド、季節性）できるツールを作ってみました。

コード等

コードはGithubで公開しています。
health_STL_analyzer

主な機能

CSVファイルからのデータ読み込み
STL分解による時系列分析
インタラクティブなグラフ表示
グラフのPNGダウンロード機能
AIを活用したデータ分析（apiキーが必要です）
チャットボットによる質問応答機能（apiキーが必要です）

必要条件

Python 3.7以上
OpenAI APIキー（AI分析機能を使用する場合）

扱えるデータ

扱えるデータはCSVファイルです。CSVファイルには以下のカラムが必要です。

datetime: 日時データ（タイムゾーン情報を含む）
type: データの種類
value: 測定値

データ例:

datetime	type	value
2020-10-27 21:35:26 +0900	消費カロリー	410.753
2020-10-27 23:42:37 +0900	基礎代謝	1287.901
2020-10-28 21:11:40 +0900	消費カロリー	432.91

このツールを使うために、iPhoneの「ヘルスケア」データからCSVファイルを作成するためのコードも用意しました。よかったら使ってみてください。
apple_healthcare_converter

使っているライブラリなど

（主にCursorとChatGPTに教えてもらいながらやったのであんまり理解してないんですが……）

STL分解にはStatmodelsのstatmodels.tsa.seasonalのSTLクラスを使ってSTL分解を行っています。

また、データ解釈の部分では、OpenAI apiのGPT4.1-nanoを使ってデータ解釈をさせています。GPT4.1-nanoには基本統計量だけでなく、観測期間、トレンド変化、変化点、季節性の特徴なども渡しています。

変化点の検出

  # 時系列の特徴を抽出
    trend = res.trend
    trend_diff = trend.diff()  # トレンドの変化率
    
    # 変化点の検出（トレンドの傾きが変化する点）
    change_points = []
    trend_diff_values = trend_diff.values[1:]  # 最初のNaNを除外
    trend_diff_sign = np.sign(trend_diff_values)
    sign_changes = np.where(np.diff(trend_diff_sign) != 0)[0]
    
    # インデックスを1つずらして変化点を取得（diffによるずれを補正）
    for idx in sign_changes:
        actual_idx = idx + 1  # diffによるずれを補正
        if actual_idx < len(trend_diff):
            change_points.append({
                "date": trend_diff.index[actual_idx].strftime("%Y-%m-%d"),
                "value": float(trend.iloc[actual_idx]),
                "direction": "上昇→下降" if trend_diff.iloc[actual_idx] < 0 else "下降→上昇"
            })
    
    # 期間ごとの統計
    total_days = (daily_data.index[-1] - daily_data.index[0]).days
    start_date = daily_data.index[0].strftime("%Y-%m-%d")
    end_date = daily_data.index[-1].strftime("%Y-%m-%d")
    
    # トレンドの全体的な変化
    total_change = float(trend.iloc[-1] - trend.iloc[0])
    avg_daily_change = float(total_change / total_days) if total_days > 0 else 0
    
    # 最大の変化率を記録した期間
    max_increase_idx = trend_diff.idxmax()
    max_decrease_idx = trend_diff.idxmin()
    
    # 季節性の強さ（振幅）の時間変化
    seasonal_amplitude = pd.Series(np.abs(res.seasonal)).resample('W').mean()
    max_seasonal_week = seasonal_amplitude.idxmax().strftime("%Y-%m-%d")
    min_seasonal_week = seasonal_amplitude.idxmin().strftime("%Y-%m-%d")

この結果をOpenAI APIに渡して自然言語でレポートを作成しています。
その他、詳細は実際のコードをみていただくのが良いと思います。

Comment

今回のコードは主にCursorを使って作成しました。
~~なので、中で何やってるのかあんまりよく理解してないです~~

ヴァイブコーディングは直感的にサクッと作れるのが利点なんですが、仕事の合間にちょっとずつ作っていたら２週間ほどかかりました。
それでも、あまりプログラミングに詳しくないものが簡単にこんなツールを作ることができるのは素晴らしいですね。