JP2014083148A - 特徴量算出装置及びプログラム - Google Patents

Abstract

【課題】ドップラー信号のうちドップラーセンサの検知範囲に存在し得る運動体に起因する成分を推定してドップラー信号の特徴量を算出することが可能な特徴量算出装置及びプログラムを提供する。
【解決手段】電波型センサにより観測された第１の系列を入力する入力部と、前記電波型センサの電波照射範囲に存在し得る運動体の運動モデルの候補を複数含む辞書を用いて前記運動体の運動に起因する第２の系列を推定する系列推定部と、前記系列推定部により推定された前記第２の系列と、前記入力部に入力された前記第１の系列との比較結果に基づいて特徴量を算出する特徴量算出部と、を備える特徴量算出装置。
【選択図】図１

Description

本発明は、特徴量算出装置及びプログラムに関する。

近年、ドップラーセンサを用いて、人間や車その他の運動体の動作を検知する装置が登場してきている。ドップラーセンサは、心拍や呼吸といった人間の微細な動作を検知することができるため、例えば日常生活における人間の動作をドップラーセンサにより検知することで、健康管理を行う技術が開発されてきている。

このようなドップラーセンサを用いた健康管理に関する技術として、下記特許文献１では、ドップラーセンサから得られた信号から看護対象の呼吸の動作周期を推定し、その周期に異常を看護対象の状態異常として検出する技術が開示されている。

また、下記非特許文献１では、ドップラーセンサから得られた信号のドップラー周波数、標準偏差その他の６つの特徴量を用いて、人間の動作状態および安静状態の判別を行う技術が開示されている。

また、下記非特許文献２では、ドップラーセンサから得られた信号を信号強度、周波数領域エントロピー、ヒストグラムの３つの特徴量に分解し、「移動」「呼吸」「息止め」の３状態の認識を行う技術が開示されている。

特開２０１０−１４６０４５号公報

Ｋｉｍ， Ｙ ＆ Ｌｉｎｇ， Ｈ （２００９）． Ｈｕｍａｎ ａｃｔｉｖｉｔｙ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｂａｓｅｄ ｏｎ ｍｉｃｒｏ−Ｄｏｐｐｌｅｒ ｓｉｇｎａｔｕｒｅｓ ｕｓｉｎｇ ａ ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ． ＩＥＥＥ Ｔｒａｎｓ． Ｇｅｏｓｃｉｅｎｃｅ ＆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， １３２８-１３３７． Ｋｕｂｏ， Ｈ．， Ｍｏｒｉ， Ｔ．， ＆ Ｓａｔｏ， Ｔ． （２０１０）． Ｄｅｔｅｃｔｉｏｎ ａｎｄ ｍｅａｓｕｒｅｍｅｎｔ ｏｆ ｈｕｍａｎ ｍｏｔｉｏｎ ａｎｄ ｒｅｓｐｉｒａｔｉｏｎ ｗｉｔｈ ｍｉｃｒｏｗａｖｅ Ｄｏｐｐｌｅｒ ｓｅｎｓｏｒ． ＩＥＥＥ Ｉｎｔ'ｌ． Ｃｏｎｆ． Ｉｎｔｅｌｌ． Ｒｏｂｏｔｓ Ｓｙｓｔ．， ５４１６-５４２３．

しかし、上記先行技術文献に開示された技術には、人の呼吸と運動周波数が近い外乱が存在する環境下では、人の状態を推定することが困難であるという問題があった。

具体的には、上記特許文献１に開示された技術は、人の呼吸の周期に着目しているため、運動周波数が近い外乱が存在する環境下では、人の呼吸と外乱の周期成分の分離は困難である。従って、上記特許文献１に開示された技術は、人の呼吸と運動周波数が近い外乱が存在する環境下では適用することが困難である。

また、上記非特許文献１に開示された技術は、人間の安静状態と無人状態の区別は行われておらず、また、人の呼吸の周期に着目しているため、運動周波数が近い外乱が存在する環境下では人の呼吸と外乱の周期成分の分離は困難である。従って、上記非特許文献１に開示された技術は、人の呼吸と運動周波数が近い外乱が存在する環境下では適用することが困難である。

また、上記非特許文献２に開示された技術では、人の呼吸と周波数特徴量が近い外乱についてはノイズとしての除去が困難であるため、人の呼吸と運動周波数が近い外乱が存在する環境下における呼吸検知は困難である。

そこで、本発明は、上記問題に鑑みてなされたものであり、本発明の目的とするところは、ドップラー信号のうちドップラーセンサの検知範囲に存在し得る運動体に起因する成分を推定してドップラー信号の特徴量を算出することが可能な、新規かつ改良された特徴量算出装置及びプログラムを提供することにある。

上記課題を解決するために、本発明のある観点によれば、電波型センサにより観測された第１の系列を入力する入力部と、前記電波型センサの電波照射範囲に存在し得る運動体の運動モデルの候補を複数含む辞書を用いて前記運動体の運動に起因する第２の系列を推定する系列推定部と、前記系列推定部により推定された前記第２の系列と前記入力部に入力された前記第１の系列との比較結果に基づいて特徴量を算出する特徴量算出部と、を備える特徴量算出装置が提供される。

前記特徴量算出装置は、前記辞書を生成する辞書生成部をさらに備えてもよい。

前記辞書は、前記運動モデルと当該運動モデルにより前記運動体が運動した場合に前記電波型センサにより観測される系列である第３の系列との対応付けを含み、前記辞書生成部は、複数の前記運動モデルについて前記第３の系列を算出することで前記辞書を生成し、前記系列推定部は前記第３の系列および前記第１の系列の比較結果に基づいて前記第２の系列を推定してもよい。

前記系列推定部は、前記第１の系列に類似する前記第３の系列を前記辞書から選択し、選択した前記第３の系列を前記第２の系列としてもよい。

前記系列推定部は、前記第１の系列に類似する前記第３の系列に対応する前記運動モデルを初期モデルとして前記辞書から選択し、前記第１の系列にさらに類似する第３の系列を観測される運動モデルを前記初期モデルに基づいて探索し、当該運動モデルに基づいて算出される第３の系列を前記第２の系列としてもよい。

前記系列推定部は、前記第１の系列の周波数特徴量および前記第３の系列の周波数特徴量の比較結果に基づいて、前記第１の系列および前記第３の系列が類似するか否かを判定してもよい。

前記運動モデルは、前記運動体の位置、および大きさをパラメータとして含んでもよい。

前記特徴量算出部は、前記第１の系列および前記第２の系列の差分に基づいて前記特徴量を算出してもよい。

前記特徴量算出部は、前記第１の系列の周波数特徴量を正規化した系列と前記第２の系列の周波数特徴量を正規化した系列との差分を前記特徴量として算出してもよい。

前記特徴量算出部は、前記第１の系列に基づいて呼吸周波数を推定し前記特徴量としてもよい。

前記特徴量算出部は、前記第１の系列の周波数特徴量を正規化した系列を前記特徴量として算出してもよい。

前記特徴量算出部は、前記第１の系列の統計量を前記特徴量として算出してもよい。

前記特徴量算出装置は、前記特徴量算出部により算出された前記特徴量に基づいて前記運動体の状態を推定する状態推定部をさらに備えてもよい。

前記状態推定部は、前記特徴量に基づいて前記電波型センサの電波照射範囲に存在し得る第２の運動体の状態を推定してもよい。

前記状態推定部は、前記特徴量に基づいて機械学習により前記第２の運動体の状態を推定してもよい。

前記状態推定部は、前記系列推定部により選択された前記運動モデルに基づいて前記運動体の状態を推定してもよい。

また、上記課題を解決するために、本発明の別の観点によれば、コンピュータに、電波型センサにより観測された第１の系列を入力するステップと、前記電波型センサの電波照射範囲に存在し得る運動体の運動モデルの候補を複数含む辞書を用いて前記運動体の運動に起因する第２の系列を推定するステップと、推定された前記第２の系列と、入力した前記第１の系列との比較結果に基づいて特徴量を算出するステップと、を実行させるためのプログラムが提供される。

以上説明したように本発明によれば、ドップラー信号のうちドップラーセンサの検知範囲に存在し得る運動体に起因する成分を推定してドップラー信号の特徴量を算出することが可能である。

本発明の各実施形態に共通する状態推定システムの概要を説明するための説明図である。 第１の実施形態に係る状態推定システムの構成を示すブロック図である。 第１の実施形態に係る辞書生成部による辞書生成処理を示すフローチャートである。 第１の実施形態に係る辞書生成部によりモデル化された運動モデルに基づく扇風機の首振り角度の変動を示す説明図である。 第１の実施形態に係る辞書生成部による扇風機の首振り運動のモデル化を説明するための説明図である。 第１の実施形態に係る辞書生成部による扇風機の首振り運動のモデル化を説明するための説明図である。 第１の実施形態に係る辞書生成部による扇風機の首振り運動のモデル化を説明するための説明図である。 第１の実施形態に係る辞書生成部による扇風機の首振り運動のモデル化を説明するための説明図である。 第１の実施形態に係る状態推定システムによる状態推定処理を示すフローチャートである。 第１の実施形態に係るモデル推定部により推定された運動モデルにより与えられる疑似ＩＱ信号およびＩＱ信号の周波数特徴量ならびに疑似ＩＱ信号およびＩＱ信号の類似度の一例を示した説明図である。 第１の実施形態に係る特徴量算出部により推定された呼吸モデルによる信号とＩＱ信号との比較例を示した説明図である。 第１の実施形態に係る状態推定部による状態推定結果の一例を示した説明図である。 第１の実施形態に係る特徴量算出部により算出された特徴量の性質を説明するための説明図である。 第２の実施形態に係る状態推定システムの概要を説明するための説明図である。 第２の実施形態に係る状態推定システムの適用例を説明するための説明図である。 第２の実施形態に係る辞書生成部による矩形の転倒運動のモデル化を説明するための説明図である。 第２の実施形態に係る状態推定システムによる状態推定処理を示すフローチャートである。 第２の実施形態に係るモデル推定部により算出された類似度の時系列変動を示した説明図である。

以下に添付図面を参照しながら、本発明の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。

＜＜１．状態推定システムの概要＞＞
本発明は、一例として＜２．第１の実施形態＞〜＜３．第２の実施形態＞において詳細に説明するように、多様な形態で実施され得る。また、各実施形態に係る状態推定システムに含まれる特徴量算出装置１は、
Ａ．電波型センサ（ドップラーセンサ２）により観測された第１の系列を入力される入力部（前処理部１１）と、
Ｂ．前記電波型センサの電波照射範囲に存在し得る運動体（人４、扇風機５、矩形６）の運動モデルの候補を複数含む辞書を用いて前記運動体の運動に起因する第２の系列を推定する系列推定部（モデル推定部１５）と、
Ｃ．前記系列推定部により推定された前記第２の系列および前記入力部に入力された前記第１の系列の比較結果に基づいて特徴量を算出する特徴量算出部（特徴量算出部１７）と、
を備える。

以下では、まず、このような各実施形態において共通する状態推定システムの基本構成について、図１を参照して説明する。

図１は、本発明の各実施形態に共通する状態推定システムの概要を説明するための説明図である。図１に示したように、状態推定システムは、特徴量算出装置１およびドップラーセンサ２を含み、特徴量算出装置１は、ドップラーセンサ２の出力に基づいてドップラーセンサ２の検知範囲に存在する運動体の状態を検知する。より詳しくは、特徴量算出装置１は、ドップラーセンサ２の検知範囲に人４の呼吸と周波数特徴量が近い運動体である扇風機５が存在する中で、人４の状態を検知する。

ここで、上記先行技術文献に開示された技術では、ドップラー信号を用いて生体検知や行動認識を行うものの、一般家庭や病院等の現実の環境で想定されるような、機械の動作などによる外乱が存在する中で生体検知や行動認識を行うことは想定されていない。このため、上記先行技術文献に開示された技術では、人４の呼吸や心拍と運動周波数が近い外乱が存在する環境下では、人４の状態を推定することが困難であるという問題があった。

なぜならば、人４の呼吸や心拍などの生体運動の運動周波数と極めて近い外乱が存在する場合に、ドップラー信号から生体運動に係る成分と外乱に係る成分とを分離することが困難であるためである。さらに、生体運動に対して外乱の動きが大きい場合には、生体運動に係る成分が外乱に係る成分に埋もれてしまうという問題があった。

そこで、上記事情を一着眼点にして本発明に係る状態推定システムを創作するに至った。本発明の各実施形態に係る状態推定システムは、ドップラー信号のうちドップラーセンサ２の検知範囲に存在し得る運動体に起因する成分を推定してドップラー信号の特徴量を算出することが可能である。

本発明に係る各実施形態では、主な外乱の発生源は機械的運動であり規則的な運動を繰り返していること、およびその外乱の取りうる周波数特徴量の分布は機械的運動という性質から一定であること、という２つの特性に着目する。そこで、本明細書においては、図１に示す通り、規則的な運動を繰り返し、周波数特徴量の分布が一定であり、且つ人４の呼吸による運動周波数と極めて近い外乱の一例として、首振り運動を行う扇風機５を用いる。

特徴量算出装置１は、想定される運動体の運動によって観測されるであろうドップラー信号を事前学習することにより、運動体の状態を推定する。詳しくは、ドップラーセンサ２の検知範囲に存在し得る運動体の運動モデルを、運動の規則性および周波数特徴量の分布の一定性に基づいてモデル化し、想定し得る運動モデルを網羅した辞書を生成する。そして、特徴量算出装置１は、生成した辞書から選択した運動モデルに基づいて運動する運動体が、ドップラーセンサ２により観測された場合を想定した疑似的なドップラー信号に基づいて、運動体の状態を推定する。

ここで、特徴量算出装置１は、運動モデルをモデル化した運動体だけではなく、ドップラーセンサ２の検知範囲に存在し得る他の運動体（第２の運動体）の状態を推定してもよい。例えば、特徴量算出装置１は、扇風機５による首振り運動をモデル化して辞書を生成し、生成した辞書に基づいて扇風機５の状態を推定するだけではなく、人４の状態を推定してもよい。

具体的には、特徴量算出装置１は、「生体反応あり」「外乱環境下での生体反応あり」「外乱環境下での生体反応なし」「生体反応なし」の４状態を推定する。特徴量算出装置１は、ドップラーセンサ２の検知範囲に人４による呼吸を検知した際に、生体反応があると推定し、扇風機５による首振り運動を検知した際に、外乱環境下であると推定する。

その他にも、特徴量算出装置１は、運動モデルをモデル化した運動体の状態を推定する一例として、人４の運動をモデル化して辞書を生成し、生成した辞書に基づいて人４の状態を推定してもよい。例えば、特徴量算出装置１は、人４の転倒運動をモデル化して辞書を生成し、生成した辞書に基づいて人４の転倒を検出することができる。

以上、本発明に係る状態推定システムの概要について説明した。続いて、本発明に係る実施形態について詳細に説明する。

＜＜２．第１の実施形態＞＞
本実施形態によれば、ドップラー信号のうち周期的な運動を行う運動体に起因する成分を推定してドップラー信号の特徴量を算出することで、人４の呼吸による運動周波数と極めて近い外乱が存在する環境下での人４の状態を推定することが可能である。以下、図２を参照して状態推定システムの構成を説明する。

＜２−１．構成＞
図２は、第１の実施形態に係る状態推定システムの構成を示すブロック図である。図２に示したように、特徴量算出装置１は、前処理部１１、辞書生成部１３、モデル推定部１５、特徴量算出部１７、および状態推定部１９を含む。そして、前処理部１１はドップラーセンサ２と接続され、状態推定部１９は出力装置３と接続される。

（ドップラーセンサ）
ドップラーセンサ２は、任意の反射物体に対して電波または超音波を送受信し、送信した電波または超音波と受信した電波または超音波との差分の周波数の信号であるドップラー信号（第１の系列）を前処理部１１に出力する。なお、以下では、ドップラーセンサ２が前処理部１１に出力するドップラー信号を、ＩＱ信号とも称す。

（特徴量算出装置）
・辞書生成部
辞書生成部１３は、運動体の運動モデルをモデル化し、運動モデルを複数含む辞書を生成する。より詳しくは、辞書生成部１３は、運動モデルを規定するパラメータセットを複数用意し、その運動モデルに基づいて運動体が動作した場合にドップラーセンサ２により観測される系列である、疑似的なＩＱ信号（第３の系列）を生成する。なお、以下では、このような疑似的なＩＱ信号を、疑似ＩＱ信号とも称す。

その後、辞書生成部１３は、疑似ＩＱ信号の周波数特徴量を算出する。そして、辞書生成部１３は、パラメータセットとそのパラメータセットにより与えられる疑似ＩＱ信号の周波数特徴量との対応付けを複数含む辞書を生成する。パラメータセットは、例えば運動体の位置および大きさを含んでいてもよい。また、辞書生成部１３は、生成した辞書を記憶する図示しない記憶部を有していてもよい。

・前処理部
前処理部１１は、ドップラーセンサ２より出力されたＩＱ信号に対して所定の前処理を行う。前処理部１１は、ドップラーセンサ２からＩＱ信号を入力される入力部としての機能を有する。そして、前処理部１１は、前処理後のＩＱ信号をモデル推定部１５および特徴量算出部１７に出力する。

・モデル推定部
モデル推定部１５は、前処理部１１により出力されるＩＱ信号に類似する疑似ＩＱ信号を辞書生成部１３により生成された辞書から選択する。その後、モデル推定部１５は、選択した疑似ＩＱ信号を与える運動モデル（パラメータセット）を初期モデルとして、さらに類似する疑似ＩＱ信号（第２の系列）を与える運動モデルを推定する。そして、モデル推定部１５は、その疑似ＩＱ信号を、ＩＱ信号のうち運動体に起因する外乱成分として特徴量算出部１７に出力する。

・特徴量算出部
特徴量算出部１７は、前処理部１１により出力された前処理後のＩＱ信号、およびモデル推定部１５により出力された疑似ＩＱ信号に基づいて、特徴量を算出する。このとき、特徴量算出部１７は、前処理後のＩＱ信号から疑似ＩＱ信号の影響を差し引いた特徴量を算出してもよい。そして、特徴量算出部１７は、算出した特徴量を状態推定部１９に出力する。

・状態推定部
状態推定部１９は、特徴量算出部１７により出力された特徴量に基づいて、運動体の状態を推定する。例えば、状態推定部１９は、人４の呼吸による生体反応の有無、および扇風機５の有無を推定する。そして、状態推定部１９は、推定結果を出力装置３に出力する。

（出力装置）
出力装置３は、映像、画像、音声などによって、状態推定部１９による推定結果を出力する。出力装置３は、例えばＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ）ディスプレイ装置、液晶ディスプレイ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）装置、スピーカー等により実現される。

なお、前処理部１１、辞書生成部１３、モデル推定部１５、特徴量算出部１７、および状態推定部１９は、それぞれ演算処理装置として機能し、各種プログラムに従って上述の処理を行う。よって、前処理部１１、辞書生成部１３、モデル推定部１５、特徴量算出部１７、および状態推定部１９、若しくは特徴量算出装置１は、例えばＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、マイクロプロセッサによって実現される。なお、特徴量算出装置１は、使用するプログラムや演算パラメータ等を記憶するＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、および適宜変化するパラメータ等を一時記憶するＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）を含んでいてもよい。

＜２−２．動作＞
以上、本実施形態に係る状態推定システムの構成について説明した。次に、本実施形態に係る状態推定システムの動作について説明する。なお、状態推定システムの動作は辞書生成処理と状態推定処理とに分類される。そこで、まず図３〜８を参照して辞書生成部１３による辞書生成処理について説明し、次に図９〜１３を参照して状態推定システムによる状態推定処理について説明する。

［２−２−１．辞書生成処理］
図３は、第１の実施形態に係る辞書生成部１３による辞書生成処理を示すフローチャートである。以下、図３に示した各ステップについて詳細に説明する。

（Ｓ１０４：疑似ドップラー信号生成）
辞書生成部１３は、ステップＳ１０４で、ドップラーセンサ２の電波照射範囲に存在し得る運動体の運動モデルをモデル化し、疑似ＩＱ信号を生成する。本実施形態では、運動体の一例として扇風機５を用いるので、辞書生成部１３は扇風機５の首振り運動をモデル化する。例えば、辞書生成部１３は、以下の１０個のパラメータを用いて扇風機５の首振り運動をモデル化する。
・扇風機５の位置に関するパラメータ（ｘ_０，ｙ_０，ｚ_０）
・扇風機５の首振り角度に関するパラメータ（θ_０，θ_ｍａｘ）
・扇風機５の首振り速度および端での停止時間に関するパラメータ（ｆ_ｃ，ｆ_ｅ，Ｗ）
・扇風機５の構造（大きさ）に関するパラメータ（Ｇ，ｒ）

ただし、扇風機５の位置に関するパラメータおよび首振り角度に関するパラメータは、ドップラーセンサ２の設置位置、および設置された部屋の広さ等によって値が制限される。

そして、辞書生成部１３は、これらの１０個のパラメータの組み合わせであるパラメータセットを所定数生成し、各パラメータセットについて疑似ＩＱ信号を生成する。パラメータセットは、上記制限の範囲内でとりうる値を網羅するよう生成されることが望ましい。以下では、辞書生成部１３による扇風機５の首振り運動のモデル化、および疑似ＩＱ信号の生成について詳細に説明する。

・扇風機首振り角度変動のモデル化
一般的に、扇風機５の首振り運動は、「回転の端で動作が止まる」「端から中心と中心から端で速度が異なる」という２つの特徴を備えている。そこで、辞書生成部１３は、これらの特徴に基づき、首振り運動の最大角を示す最大回転角度θ_ｍａｘ、首振り運動の端から中心までの動作周波数ｆ_ｃ、中心から端までの動作周波数ｆ_ｅ、および端での停止時間Ｗを用いて、扇風機５の首振り角度変動をモデル化する。具体的には、辞書生成部１３は、数式１に示す首振り運動に関する関数ｄ（）に基づいて、数式２により角度変動θを算出する。

図４は、第１の実施形態に係る辞書生成部１３によりモデル化された運動モデルに基づく扇風機５の首振り角度の変動を示した説明図である。図４に示したように、首振りも出るによる扇風機５の首振り角度は、「回転の端で動作が止まる」「端から中心と中心から端で速度が異なる」という２つの特徴を示している。

・首振り運動モデル（速度算出）
本明細書においては、辞書生成部１３は、扇風機５の回転翼面を対象にして首振り運動モデルをモデル化する。まず、図５を参照し、扇風機５の首振り運動モデルを説明する。

なお、ここでの首振り回転角度の変動は、上記数式２により算出される。ここで、時刻ｔにおける角度θ_ｔから、ｈ時間経過後の角度θ_ｔ＋ｈまでの間の速度ｖは、次式で求められる。

ここで、図６を参照して、速度ベクトルｖ_{ｔ，ｔ＋ｈ，ｉ}のドップラーセンサ２方向の速度成分について説明する。

図６は、第１の実施形態に係る辞書生成部１３による扇風機５の首振り運動のモデル化を説明するための説明図である。図６に示したように、ドップラーセンサ２と速度ベクトルｖ_{ｔ，ｔ＋ｈ，ｉ}のなす角度をθ_{ｔ，ｔ＋ｈ，ｉ}をとする。このとき、速度ベクトルｖ_{ｔ，ｔ＋ｈ，ｉ}をドップラーセンサ２方向に成分分解したＶ_{ｔ，ｔ＋ｈ，ｉ}は、次式で算出される。

・扇風機首振り時のドップラーセンサ２から見た面積変動
次に、辞書生成部１３は、ドップラーセンサ２から扇風機５の回転翼面を見たときの見かけ上の大きさについてモデル化する。まず、図７を参照し、扇風機５の回転翼のモデルを説明する。

図７は、第１の実施形態に係る辞書生成部１３による扇風機５の首振り運動のモデル化を説明するための説明図である。図７（１）および（２）に示したように、首振り運動の回転軸中心からの距離をＧ、回転翼部分の半径をｒとする。このとき、図７（２）に示したように、ｙ軸方向から見た回転翼面部分が真円であると仮定すると、その３次元空間上の座標［ｉ ｊ ｋ］は、［ｒｃｏｓ（Ｘ） Ｇ ｒｓｉｎ（Ｘ）］と表すことが出来る。ここで、Ｘは０から２πまでの任意の長さのベクトルを示す。

次に、図８を参照し、射影距離に関する扇風機５の回転翼のモデルについて説明する。

図８は、第１の実施形態に係る辞書生成部１３による扇風機５の首振り運動のモデル化を説明するための説明図である。図８に示したように、扇風機５の回転翼面をドップラーセンサ２の座標からｙ軸方向を奥行きとしてｘｚ平面に中心射影することを考え、ドップラーセンサ２からの射影距離をｌ、射影後の扇風機５´の座標を［ｉ´ ｋ´］とする。このとき、ドップラーセンサ２の座標を［ｕ ｖ ｗ］とすると、射影後の座標［ｉ´ ｋ´］は次式で算出される。

このとき、射影後の座標［ｉ´ ｋ´］に囲まれる領域を計算することによって、ドップラーセンサ２から見た扇風機５´の回転翼面の面積は算出される。ここでは、時刻ｔにおける射影面積をＥ_ｔとおく。

・疑似ＩＱ信号の生成
そして、辞書生成部１３は、疑似ＩＱ信号を生成する。時刻ｔからｔ＋１までの間のメッシュ上の点ｉのドップラーセンサ２方向への速度をＶ_{ｔ，ｔ＋１，ｉ}［ｍ／ｓ］、点ｉの初期座標とドップラーセンサ２との距離をＬ_０，ｉとすると、時刻１におけるドップラーセンサ２と点ｉとの距離Ｌ_１，ｉは次式で表される。

ここで同様に、時刻ｔ＋１におけるドップラーセンサ２と点ｉとの距離Ｌ_{ｔ＋１，ｉ}は次式で表される。

そして、各メッシュあたりの面積をΔ_ｉとしたときの、時刻ｔにおける面積分値Ｄ_ｔは、次式で表される。

ここで、Ｒｏｕｎｄ−ｔｒｉｐ時間Ｔ_ｒ（ｔ）は次式で表される。

受信信号ｖ_ｒ（ｔ）は、送信波が物体により反射して戻ってくるまでの時間Ｔ_ｒ（ｔ）の遅延があるため、次式で表される。

ここで、Ｅ_ｒは受信信号の振幅を示す。また、受信信号ｖ_ｒ（ｔ）と同様に送信信号ｖ_ｓ（ｔ）＝Ｅ_ｓＣＯＳφ_ｓとすると、辞書生成部１３は、ＩＱ検波により以下の２信号を得る。

ここで、Ｅ_ｓは送信信号の振幅を示す。そして、送信波の振幅Ｅ_ｓは一定であるとして、各波形の振幅はＥ_ｔに依存すると仮定する。また、ローパスフィルタ―により（φ_ｔ＋φ_ｓ）の成分は除去可能である。よって、辞書生成部１３は、最終的に次式の疑似ＩＱ信号を算出する。

（Ｓ１０８：合成信号生成、Ｓ１１２：周波数特徴量算出）
辞書生成部１３は、ステップＳ１０８で疑似ＩＱ信号を合成して合成信号Ｍ生成し、ステップＳ１１２で成信号Ｍの周波数特徴量を算出する。ここで、辞書生成部１３によるステップＳ１０８およびＳ１１２での処理は、後述するステップＳ２０４およびＳ２０８で詳細に説明するため、ここでの説明は省略する。

（Ｓ１１６：辞書登録）
辞書生成部１３は、パラメータセットと当該パラメータセットに基づく疑似ＩＱ信号の周波数特徴量とを対応付けて記憶することで辞書を生成する。

［２−２−２．状態推定処理］
以上、辞書生成部１３による辞書生成処理について説明した。次に、状態推定システムによる状態推定処理について説明する。

図９は、第１の実施形態に係る状態推定システムによる状態推定処理を示すフローチャートである。以下、図９に示した各ステップについて詳細に説明する。

（Ｓ２０４：合成信号生成）
まず、ステップＳ２０４で、前処理部１１は、ドップラーセンサ２により観測されたＩＱ信号の合成信号を生成する。

次に、前処理部１１は、ローパスフィルタ後のＩＱ信号に一階差分処理を行い、以下のように表される信号ｄＩおよびｄＱを生成する。

そして、前処理部１１は、次式で示すように、信号ｄＩおよびｄＱを合成して合成信号Ｃを生成する。

前処理部１１は、生成した合成信号Ｃをモデル推定部１５および特徴量算出部１７に出力する。なお、上記では前処理部１１が合成信号Ｃを生成すると説明したが、モデル推定部１５および特徴量算出部１７がそれぞれ合成信号Ｃを生成してもよい。

（Ｓ２０８：周波数特徴量算出）
次に、ステップＳ２０８で、モデル推定部１５は、合成信号Ｃから周波数特徴量を算出する。信号から周波数特徴量を算出し、ｍ［Ｈｚ］の周波数特徴量を返す関数をＦＴ_ｍ（・）とすると、モデル推定部１５は、ＦＴ_ｍ（Ｃ）により周波数特徴量を算出する。

（Ｓ２１２：辞書から初期モデル選択）
モデル推定部１５は、ＩＱ信号と辞書生成部１３により生成された辞書とに基づいて、ＩＱ信号のうち運動体の運動に起因する成分（第２の系列）を推定する。より詳しくは、モデル推定部１５は、ＩＱ信号と疑似ＩＱ信号との比較結果に基づいて運動体信号を推定する。

例えば、モデル推定部１５は、ＩＱ信号に類似する疑似ＩＱ信号を辞書から選択して、選択した疑似ＩＱ信号を運動体の運動に起因する成分としてもよい。他にも、モデル推定部１５は、選択した疑似ＩＱ信号を与える運動モデルを初期モデルとして、さらに類似する疑似ＩＱ信号を与える運動モデルを推定し、その疑似ＩＱ信号を、運動体の運動に起因する成分としてもよい。以下では、モデル推定部１５が辞書から選択した疑似ＩＱ信号を初期モデルとして、さらに類似する疑似ＩＱ信号を与える運動モデルを推定する処理について説明する。

ステップＳ２１２で、モデル推定部１５は、前処理部１１により出力されるＩＱ信号に類似する疑似ＩＱ信号を辞書生成部１３により生成された辞書から選択する。なお、類似するか否かは、ステップＳ２０８でモデル推定部１５により算出されたＩＱ信号の周波数特徴量と、辞書に登録された疑似ＩＱ信号の周波数特徴量の比較結果に基づいて判定される。モデル推定部１５は、次式で表される類似度が最も高い疑似ＩＱ信号を与えるパラメータセットを、辞書から選択する。

ここで、ＳＩ_ｌは合成信号Ｃとｌ番目のパラメータセットにより与えられる疑似ＩＱ信号の合成信号Ｍとの類似度を示し、ＤＢ_ｌ，ｍは当該ｌ番目のパラメータセットによる合成信号Ｍのｍ［Ｈｚ］の周波数特徴量を示す。ここで、図１０に、ＩＱ信号、数式１８で表される類似度が最も高いパラメータセットにより与えられる疑似ＩＱ信号、およびＩＱ信号と疑似ＩＱ信号との類似度の一例を示す。

図１０は、第１の実施形態に係るモデル推定部１５により推定された運動モデルにより与えられる疑似ＩＱ信号およびＩＱ信号の周波数特徴量ならびに疑似ＩＱ信号およびＩＱ信号の類似度の一例を示した説明図である。図１０では、（１）にＩＱ信号を、（２）に疑似ＩＱ信号を、（３）にＩＱ信号と疑似ＩＱ信号との類似度をそれぞれ示した。図１０に示したように、ＩＱ信号および疑似ＩＱ信号が類似する箇所に、類似度のピークが現れている。

（Ｓ２１６：初期モデルに基づいてパラメータ推定）
次に、ステップＳ２１６で、モデル推定部１５は、上記ステップＳ２１２において選択したパラメータセットよりも、さらに類似する疑似ＩＱ信号を与えるパラメータセットを推定する。具体的には、モデル推定部１５は、次式で表される誤差Ｓ（Θ）を最小化するパラメータセットΘを、最も類似する疑似ＩＱ信号を与えるパラメータセットとして推定する。

ここで、パラメータセットΘは（ｘ，ｙ，ｚ，θ_０，θ_ｍａｘ，ｆ_ｃ，ｆ_ｅ，Ｗ，Ｇ，ｒ）を示し、Ｋｍ（Θ）はパラメータセットΘによって与えられる疑似ＩＱ信号の合成信号Ｍのｍ［Ｈｚ］の周波数特徴量を返す関数を示す。例えば、モデル推定部１５は、誤差Ｓ（Θ）を非線形最小二乗法により最小化してもよい。より具体的には、モデル推定部１５は、ステップＳ１０４において上述した、ドップラーセンサ２の設置位置、設置された部屋の広さ等に基づく制約条件において、誤差Ｓ（Θ）を滑降シンプレックス法（Ｎｅｌｄｅｒ−Ｍｅａｄ法）により最小化してもよい。

ここで、モデル推定部１５は、次式で表される誤差Ｓ（Θ）を最小化するパラメータ群を、最もＩＱ信号と類似する疑似ＩＱ信号を与えるパラメータセットとする。

（Ｓ２２０：呼吸周波数推定）
次いで、ステップＳ２２０で、特徴量算出部１７は、前処理部１１より出力された合成信号Ｃから呼吸周波数を含む呼吸パラメータを推定する。具体的には、特徴量算出部１７は、合成信号Ｃのデータ長をｎとして、次式に示す通り、合成信号Ｃと呼吸モデルに基づく信号との誤差Ｓ（Ａ，ω，φ_１，φ_２）を最小化する呼吸パラメータの推定を行う。

ここで、Ａは信号の振幅、ωは呼吸周波数、φ_１およびφ_２は位相を示す。なお、特徴量算出部１７は、上記ステップＳ２１６と同様に、非線形最小二乗法により呼吸パラメータを推定してもよく、滑降シンプレックス法（Ｎｅｌｄｅｒ−Ｍｅａｄ法）によって呼吸パラメータを推定してもよい。ここで、ステップＳ２２４で後述する通り、呼吸パラメータのうち、呼吸周波数ωは状態推定部１９による状態推定に用いられる特徴量である。なお、図１１に、ＩＱ信号と特徴量算出部１７により推定された呼吸モデルに基づく信号との比較例を示した。

（Ｓ２２４：特徴量算出）
次いで、ステップＳ２２４で、特徴量算出部１７は、前処理部１１およびモデル推定部１５からの出力に基づいて、特徴量を算出する。

まず、特徴量算出部１７は、前処理部１１より出力された合成信号Ｃの任意の時間窓内のデータの総和をとった信号列Ｂを算出する。信号列Ｂは、合成信号Ｃのデータ長をｎ、任意の時間窓をｗとすると、次式で表される。

ここで、ｔ＝１，…，（ｎ−ｗ）とする。特徴量算出部１７は、信号列Ｂを周波数分解し、続いて正規化することで、次式で表される総和正規化周波数特徴量Ｆ_Ｂを算出する。

一方で、特徴量算出部１７は、モデル推定部１５より出力された合成信号Ｍについても同様の処理を行い、信号列Ｏを算出する。信号列Ｏは、合成信号Ｍのデータ長をｎ、任意の時間窓をｗとすると、次式で表される。

ここで、ｔ＝１，…，（ｎ−ｗ）とする。特徴量算出部１７は、信号列Ｏを周波数分解し、続いて正規化することで、次式で表される総和正規化周波数特徴量Ｆ_Ｏを算出する。

ここで、特徴量算出部１７は、状態推定部１９による状態推定に用いる特徴量として、ＩＱ信号と疑似ＩＱ信号との差分に基づく特徴量、およびＩＱ信号に基づく特徴量を算出する。

具体的には、特徴量算出部１７は、ＩＱ信号の周波数特徴量を正規化した系列および疑似ＩＱ信号の周波数特徴量を正規化した系列の差分であるΣ（Ｆ_Ｂ−Ｆ_Ｏ）を、ＩＱ信号と疑似ＩＱ信号との差分に基づく特徴量として算出する。また、特徴量算出部１７は、ＩＱ信号の周波数特徴量を正規化した系列であるΣＦ_Ｂを、ＩＱ信号に基づく特徴量として算出する。また、特徴量算出部１７は、ステップＳ２２０において推定した呼吸周波数ωを、ＩＱ信号に基づく特徴量とする。他にも、特徴量算出部１７は、合成信号Ｃの平均、分散、最大値、最小値、尖度、および歪度を、ＩＱ信号の統計量に基づく特徴量として算出する。

そして、特徴量算出部１７は、算出したこれら９個の特徴量を、状態推定に用いる特徴量として状態推定部１９に出力する。

（Ｓ２２８：状態推定）
次に、ステップＳ２２８で、状態推定部１９は、特徴量算出部１７より出力された特徴量に基づいて、ドップラーセンサ２の電波照射範囲に存在し得る運動体、即ち人４および扇風機５の状態を推定する。

具体的には、状態推定部１９は、特徴量算出部１７により出力された特徴量に基づいて、事前にサポートベクタマシンによって状態を学習された認識器に入力を行い、状態の推定を行う。特徴量算出部１７は、「生体反応あり」「外乱環境下での生体反応あり」「外乱環境下での生体反応なし」「生体反応なし」の４状態を推定する。なお、「生体反応あり」は人４のみ、「外乱環境下での生体反応あり」は扇風機５および人４、「外乱環境下での生体反応なし」は扇風機５のみが、それぞれ存在することを示し、「生体反応なし」は人４および扇風機５が存在しないことを示す。ここで、図１２に、状態推定部１９による推定結果の一例を示した。

図１２は、第１の実施形態に係る状態推定部１９による状態推定結果の一例を示した説明図である。図１２では、推定結果が百分率で示されており、縦軸と横軸とでラベルが同じセルは、それぞれ状態推定部１９が正しく状態を推定したことを表している。図１２に示したように、本発明に係る状態推定部１９は精度よく状態を推定したことを示している。

ここで、状態推定部１９が特徴量Σ（Ｆ_Ｂ−Ｆ_Ｏ）を用いて状態推定することの有効性を示すため、図１３に特徴量ΣＦ_Ｂ、Σ（Ｆ_Ｂ−Ｆ_Ｏ）の分布の平均を示す。

図１３は、第１の実施形態に係る特徴量算出部１７により算出された特徴量の性質を説明するための説明図である。図１３においては、特徴量ΣＦ_Ｂを横軸とし、特徴量Σ（Ｆ_Ｂ−Ｆ_Ｏ）を縦軸として分布を示した。なお、Σ（Ｆ_Ｂ−Ｆ_Ｏ）の値が０に近いほど、疑似ＩＱ信号に一致するＩＱ信号がドップラーセンサ２により観測されたことを示している。図１３に示したように、ΣＦ_Ｂのみでは判別の難しい「外乱環境下での生体反応なし」が、Σ（Ｆ_Ｂ−Ｆ_Ｏ）によって単独のクラスタ１２を形成している。また、クラスタ１１には、「生体反応あり」「外乱環境下での生体反応あり」「生体反応なし」が含まれるが、状態推定部１９は、「生体反応なし」を要約統計量により認識することが可能である。

つまり、状態推定部１９は、特徴量がクラスタ１１に含まれている場合には、要約統計量を用いて、人４が呼吸をしていることを推定することができる。このように、状態推定部１９は、外乱環境下であっても、人４の状態を推定することができる。

＜２−３．効果＞
上記説明したように、本実施形態に係る状態推定システムは、ＩＱ信号のうちドップラーセンサ２の検知範囲に存在し得る運動体に起因する成分を推定して特徴量を算出することが可能である。そして、状態推定システムは、算出した特徴量に基づいて、扇風機５という外乱が存在する環境下で人４の状態を推定することが可能である。このため、状態推定システムは、例えば防犯装置や健康管理装置などの人感センシング技術として用いられることが可能である。

一般的に、ドップラーセンサ２により観測されるＩＱ信号は、外乱対象の位置関係が僅かな異なる場合であっても大きく変化する。つまり、観測されたＩＱ信号に基づく学習、すなわち人の手による網羅的データ収集による大規模なデータ収集では、僅かな設置誤差が学習結果に大きく影響を与えるので、辞書の構築が困難である。これに対し、本実施形態に係る辞書生成部１３は、運動モデルに基づいて疑似ＩＱ信号を生成するため設置誤差が無く、容易に精緻な辞書を生成することができる。

また、辞書生成部１３は想定し得る運動モデルを網羅するよう辞書を生成するが、すべてを網羅することが困難な場合がある。そして、上述の通り、パラメータが僅かに異なる場合には、出力される疑似ＩＱ信号は大きく異なるため、生体認識に大きな影響を及ぼす場合がある。この点、モデル推定部１５は、ＩＱ信号に類似する疑似ＩＱ信号を辞書から選択するだけでなく、選択した疑似ＩＱ信号を与える運動モデルを初期モデルとして、さらに類似する疑似ＩＱ信号を与える運動モデルを推定する。このため、モデル推定部１５は、より精度よく扇風機５に起因する外乱成分を推定することができる。

また、特徴量算出部１７は、人４の状態検知のため、呼吸周波数を推定する。これにより、状態推定システムは人４の生体状態検知の精度を向上させることができると共に、人４の呼吸状態の検知も可能となる。

また、状態推定部１９は、疑似ＩＱ信号とＩＱ信号との周波数特徴量の比較処理を、それぞれの総和正規化周波数特徴量の差分によって行う。ここで、総和正規化周波数特徴量は、疑似ＩＱ信号と一致するＩＱ信号が観測された場合とそうでない場合とでは大きく異なる値となる。従って、状態推定部１９は、総和正規化周波数特徴量を用いない場合と比較して、疑似ＩＱ信号とＩＱ信号とが一致するか否かを容易に判別することができる。

＜＜３．第２の実施形態＞＞
＜３−１．概要＞
本実施形態によれば、非周期的な運動を行う運動体であっても運動モデルをモデル化することで、非周期的な運動を行う運動体の状態を推定することが可能である。本実施形態と第１の実施形態とは、以下の点で相違する。まず、第１の実施形態に係る状態推定部１９は、周期的な運動を行う運動体の運動モデルに基づいて人４の状態を推定していたのに対し、本実施形態に係る状態推定部１９は、非周期的な運動を行う運動体である人４の運動モデルに基づいて人４の状態を推定する。また、第１の実施形態に係る状態推定部１９は、特徴量算出部１７により算出された特徴量に基づいて状態を推定するのに対し、本実施形態に係る状態推定部１９は、モデル推定部１５により算出されるＩＱ信号と疑似ＩＱ信号の類似度に基づいて状態を推定する。以下、図１４〜１５を参照して、本実施形態の概要を説明する。

図１４は、第２の実施形態に係る状態推定システムの概要を説明するための説明図である。図１４に示したように、本実施形態に係る状態推定システムは、ドップラーセンサ２に対して正対して接近または離反方向に転倒する、人４の転倒運動を推定する。なお、本明細書では、図１５に示す通り、人４を簡略化した矩形の転倒運動を推定する。

図１５は、第２の実施形態に係る状態推定システムの適用例を説明するための説明図である。図１５に示したように、本明細書では、ドップラーセンサ２に接近する方向に矩形６が転倒する場合に状態推定システムが転倒を検知する例について説明する。

＜３−２．動作＞
以上、本実施形態に係る状態推定システムの概要について説明した。本実施形態の構成は、第１の実施形態において説明した通りであるので、ここでの詳細な説明を省略する。次に、図本実施形態に係る状態推定システムの動作について説明する。

［３−２−１．辞書生成処理］
上記第１の実施形態と同様に、図３に示したフローチャートに従って辞書生成部１３は辞書を生成するが、ステップＳ１０４における処理が相違する。そこで、以下では、本実施形態に係るステップＳ１０４の処理について詳細に説明する。

（Ｓ１０４：疑似ドップラー信号生成）
辞書生成部１３は、ドップラーセンサ２の電波照射範囲に存在し得る運動体の運動モデルをモデル化し、疑似ＩＱ信号を生成する。本実施形態では、図１５に示したように、運動体の一例として矩形６を用いるので、辞書生成部１３は矩形６の転倒運動をモデル化する。例えば、矩形６は、以下の５個のパラメータを用いて矩形６の転倒運動をモデル化する。
・矩形６の位置に関するパラメータ（ｘ_０，ｙ_０，ｚ_０）
・矩形６の構造（大きさ）に関するパラメータ（ｈ，ｗ）

ただし、矩形６の位置に関するパラメータは、ドップラーセンサ２の設置位置、設置された部屋の広さ等によって値が制限される。

そして、辞書生成部１３は、これらの５個のパラメータの組み合わせであるパラメータセットを所定数生成し、各パラメータセットについて疑似ＩＱ信号を生成する。パラメータセットは、上記制限の範囲内でとりうる値を網羅するよう生成されることが望ましい。以下では、辞書生成部１３による矩形６の転倒運動のモデル化、および疑似ＩＱ信号の生成について詳細に説明する。

・転倒運動モデル（速度算出）
本明細書では、矩形６が接地している部分を原点、矩形６の幅方向をｘ軸、矩形６からドップラーセンサ２への方向をｙ軸、矩形６が立つ方向をｚ軸、矩形６上の等間隔のメッシュに配置された任意の点を［ｘ ｙ ｚ］とする。このとき、原点を中心に転倒してθ度傾いた時の座標［ｘ_θ ｙ_θ ｚ_θ］は、次式で表される。

ここで、時刻ｔにおける角度θ_ｔから、ｈ時間経過後の角度θ_ｔ＋ｈまでの間の速度ｖは、次式で表される。

ドップラーセンサ２と速度ベクトルｖ_{ｔ，ｔ＋ｈ，ｉ}のなす角度をθ_{ｔ，ｔ＋ｈ，ｉ}をとする。このとき、速度ベクトルｖ_{ｔ，ｔ＋ｈ，ｉ}のドップラーセンサ２方向の速度成分Ｖ_{ｔ，ｔ＋ｈ，ｉ}は、次式で算出される。

・転倒時のドップラーセンサ２から見た面積変動
次に、ドップラーセンサ２から矩形６を見たときの見かけ上の大きさについてモデル化する。まず、ドップラーセンサ２の座標を原点に取った時の、その３次元空間上の座標を［ｉ ｊ ｋ］とする。そして、図１６を参照し、射影距離に関するに矩形６をモデル化する。

図１６は、第２の実施形態に係る辞書生成部１３による矩形６の転倒運動のモデル化を説明するための説明図である。図１６に示したように、矩形６をドップラーセンサ２の座標からｙ軸方向を奥行きとしてｘｚ平面に中心射影することを考え、ドップラーセンサ２からの射影距離をｌ、射影後の矩形６´の座標を［ｉ´ ｋ´］とする。このとき、ドップラーセンサ２の座標を［ｕ ｖ ｗ］とすると、射影後の座標［ｉ´ ｋ´］は次式で算出される。

このとき、射影後の座標［ｉ´ ｋ´］に囲まれる領域を計算することによって、ドップラーセンサ２から見た矩形６´の面積は算出される。ここでは、時刻ｔにおける射影面積をＥ_ｔとおく。

（Ｓ１０８、Ｓ１１２、Ｓ１１６）
ステップＳ１０８、Ｓ１１２、およびＳ１１６の処理は、上記第１の実施形態において説明した通りである。
［３−２−２．状態推定処理］
以上、辞書生成部１３による辞書生成処理について説明した。次に、図１７を参照し、状態推定システムによる状態推定処理について説明する。

図１７は、第２の実施形態に係る状態推定システムによる状態推定処理を示すフローチャートである。ここで、図１７に示したステップＳ３０４における合成信号生成、およびステップＳ３０８における周波数特徴量算出については、上記実施形態１において説明したステップＳ２０４およびＳ２０８と同様であるため、ここでの詳細な説明は省略する。ただし、本実施形態においては、高周波数帯に着目するため、前処理部１１は、ステップＳ２０４における上記数式１５によるローパスフィルタの処理を行わないものとする。

（Ｓ３１２：辞書から類似モデル選択）
ステップＳ３１２で、モデル推定部１５は、ステップＳ３０８で算出した周波数特徴量に基づいて、上記ステップＳ２１２と同様に類似度を算出し、類似度の最も高いパラメータセットを辞書から選択する。ただし、周波数の類似度を比較する範囲は、扇風機５の首振り運動に比べ高周波となる。このため、モデル推定部１５は、第１の実施形態とは異なるサンプリングレートの半分（ｆ_ｍａｘ）に設定し、また、周波数のパワーを最大値が１になるように正規化を行った次式で表される類似度の計算を行う。

ここで、最も類似度の高い値を出力した疑似ＩＱ信号を与えるパラメータセット（ｍａｘ（ＳＩ_ｉ））により規定される運動モデルが、観測データの状況に近い状態を示していると考えられる。ここで、図１８の（１）に、最も高い類似度を示したパラメータセットにおける、類似度の時系列変動を示した。

図１８は、第２の実施形態に係るモデル推定部１５により算出された類似度の時系列変動を示した説明図である。図１８の（２）では、比較例として、次式で表される、原波形の同区間の正規化エネルギー総和値の時系列変動を示した。

図１８に示したように、転倒時において、類似度を示した（１）では転倒区間２１において突出して値を示しているのに対し、類似度ではない比較例を示した（２）では転倒区間２２における波形はその他の区間と比較して突出した値を示しておらず、転倒の検出は困難であると言える。

（Ｓ３１６：状態推定）
状態推定部１９は、上記ステップＳ２１４において算出された類似度に基づいて、例えば図１８（１）に示した突出した類似度の値を検出する閾値の設定または変化点の算出等により、転倒の検知を行う。

＜３−３．効果＞
上記説明したように、本実施形態に係る状態推定システムは、非周期的な運動を行う運動体であっても運動モデルをモデル化することで、非周期的な運動を行う運動体の状態を推定することが可能である。より具体的には、状態推定システムは人４の転倒運動をモデル化して辞書を生成することで、人４の転倒運動を検知することができる。

＜４．まとめ＞
以上、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明はかかる例に限定されない。本発明の属する技術の分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。

例えば、上記第１の実施形態では、辞書生成部１３がモデル化する運動体の一例として扇風機５を用いたが、本発明はかかる例に限定されない。例えば、辞書生成部１３は、機械的な動き（定常的・規則的・動きに予測不可能な揺らぎの少ないもの）をする任意の運動体の動きをモデル化してもよい。この場合、状態推定システムは、機械的な動きをする任意の運動体による外乱環境下で、人４の状態を推定することができる。

また、上記実施形態では、状態推定システムが状態を推定する対象を生体である人４としたが、本発明はかかる例に限定されない。例えば、状態推定システムは、人以外の動物などの生体を状態推定の対象としてもよい。他にも、状態推定システムは、機械的な動きを行わない、運動モデルにフィットしない動きをする運動体の状態を推定してもよい。この場合、状態推定システムは、風による家屋や木々の揺れ、地震などの自然現象に起因する動きや、機械の故障・構造物破壊などに伴う非定常な動きなど、単発・過渡的なものや、ゆらぎの大きな継続的な動きなどを、状態推定の対象とすることができる。

１ 特徴量算出装置１
１１ 前処理部１１
１３ 辞書生成部１３
１５ モデル推定部１５
１７ 特徴量算出部１７
１９ 状態推定部１９
２ ドップラーセンサ２
３ 出力装置３
４ 人４
５ 扇風機５
６ 矩形６

Claims (17)

1. 電波型センサにより観測された第１の系列を入力する入力部と、
   前記電波型センサの電波照射範囲に存在し得る運動体の運動モデルの候補を複数含む辞書を用いて前記運動体の運動に起因する第２の系列を推定する系列推定部と、
   前記系列推定部により推定された前記第２の系列と、前記入力部に入力された前記第１の系列との比較結果に基づいて特徴量を算出する特徴量算出部と、
   を備える特徴量算出装置。
2. 前記特徴量算出装置は、前記辞書を生成する辞書生成部をさらに備える、請求項１に記載の特徴量算出装置。
3. 前記辞書は、前記運動モデルと当該運動モデルにより前記運動体が運動した場合に前記電波型センサにより観測される系列である第３の系列との対応付けを含み、
   前記辞書生成部は、複数の前記運動モデルについて前記第３の系列を算出することで前記辞書を生成し、
   前記系列推定部は前記第３の系列および前記第１の系列の比較結果に基づいて前記第２の系列を推定する、請求項２に記載の特徴量算出装置。
4. 前記系列推定部は、前記第１の系列に類似する前記第３の系列を前記辞書から選択し、選択した前記第３の系列を前記第２の系列とする、請求項３に記載の特徴量算出装置。
5. 前記系列推定部は、前記第１の系列に類似する前記第３の系列に対応する前記運動モデルを初期モデルとして前記辞書から選択し、前記第１の系列にさらに類似する第３の系列を観測される運動モデルを前記初期モデルに基づいて探索し、当該運動モデルに基づいて算出される第３の系列を前記第２の系列とする、請求項３に記載の特徴量算出装置。
6. 前記系列推定部は、前記第１の系列の周波数特徴量および前記第３の系列の周波数特徴量の比較結果に基づいて、前記第１の系列および前記第３の系列が類似するか否かを判定する、請求項４または５に記載の特徴量算出装置。
7. 前記運動モデルは、前記運動体の位置、および大きさをパラメータとして含む、請求項１〜６のいずれか一項に記載の特徴量算出装置。
8. 前記特徴量算出部は、前記第１の系列および前記第２の系列の差分に基づいて前記特徴量を算出する、請求項１〜７のいずれか一項に記載の特徴量算出装置。
9. 前記特徴量算出部は、前記第１の系列の周波数特徴量を正規化した系列と、前記第２の系列の周波数特徴量を正規化した系列との差分を前記特徴量として算出する、請求項８に記載の特徴量算出装置。
10. 前記特徴量算出部は、前記第１の系列に基づいて呼吸周波数を推定し前記特徴量とする、請求項１〜９のいずれか一項に記載の特徴量算出装置。
11. 前記特徴量算出部は、前記第１の系列の周波数特徴量を正規化した系列を前記特徴量として算出する、請求項１〜１０のいずれか一項に記載の特徴量算出装置。
12. 前記特徴量算出部は、前記第１の系列の統計量を前記特徴量として算出する、請求項１〜１１のいずれか一項に記載の特徴量算出装置。
13. 前記特徴量算出装置は、前記特徴量算出部により算出された前記特徴量に基づいて前記運動体の状態を推定する状態推定部をさらに備える、請求項１〜１２のいずれか一項に記載の特徴量算出装置。
14. 前記状態推定部は、前記特徴量に基づいて前記電波型センサの電波照射範囲に存在し得る第２の運動体の状態を推定する、請求項１３に記載の特徴量算出装置。
15. 前記状態推定部は、前記特徴量に基づいて機械学習により前記第２の運動体の状態を推定する、請求項１４に記載の特徴量算出装置。
16. 前記状態推定部は、前記系列推定部により選択された前記運動モデルに基づいて前記運動体の状態を推定する、請求項１３に記載の特徴量算出装置。
17. コンピュータに、
    電波型センサにより観測された第１の系列を入力するステップと、
    前記電波型センサの電波照射範囲に存在し得る運動体の運動モデルの候補を複数含む辞書を用いて前記運動体の運動に起因する第２の系列を推定するステップと、
    推定された前記第２の系列と、入力した前記第１の系列との比較結果に基づいて特徴量を算出するステップと、
    を実行させるためのプログラム。
    

Images