CN113891681A - 信息处理设备、个人识别设备、个人识别系统、信息处理方法及存储介质 - Google Patents

信息处理设备、个人识别设备、个人识别系统、信息处理方法及存储介质 Download PDF

Info

Publication number
CN113891681A
CN113891681A CN201980096828.2A CN201980096828A CN113891681A CN 113891681 A CN113891681 A CN 113891681A CN 201980096828 A CN201980096828 A CN 201980096828A CN 113891681 A CN113891681 A CN 113891681A
Authority
CN
China
Prior art keywords
information processing
foot
feature amount
processing apparatus
user
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.)
Granted
Application number
CN201980096828.2A
Other languages
English (en)
Other versions
CN113891681B (zh
Inventor
黄晨晖
福司谦一郎
中原谦太郎
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 CN113891681A publication Critical patent/CN113891681A/zh
Application granted granted Critical
Publication of CN113891681B publication Critical patent/CN113891681B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/117—Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/112—Gait analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/117—Identification of persons
    • A61B5/1171—Identification of persons based on the shapes or appearances of their bodies or parts thereof
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C9/00—Individual registration on entry or exit
    • G07C9/30—Individual registration on entry or exit not involving the use of a pass
    • G07C9/32—Individual registration on entry or exit not involving the use of a pass in combination with an identity check
    • G07C9/37—Individual registration on entry or exit not involving the use of a pass in combination with an identity check using biometric data, e.g. fingerprints, iris scans or voice recognition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1123—Discriminating type of movement, e.g. walking or running

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Geometry (AREA)
  • Human Computer Interaction (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

提供一种信息处理设备，包括：获取单元，用于获取用户的脚的运动信息，由布置在用户脚上的运动测量设备测量该信息；以及特征量提取单元，用于提取用于识别用户的特征量，该提取是来自从运动信息中包括的至少一个步行周期的时间系列数据。

Description

信息处理设备、个人识别设备、个人识别系统、信息处理方法 及存储介质
技术领域
本发明涉及信息处理设备、个人识别设备、个人识别系统、信息处理方法及存储介质。
背景技术
专利文献1公开一种使用通过安装在便携式终端(例如智能手机)上的加速度传感器检测到的加速度来进行个人认证的准入管理系统。专利文献2公开可将通过安装在鞋的鞋内底上的负载传感器、加速度传感器、霍尔元件(Hall element)等检测的步行习惯用于个人识别。
[引用列表]
[专利文献]
PTL 1：日本专利申请特开No.2015-153143
PTL 2：日本专利申请特开No.2016-73366
[非专利文献]
NPL 1：Sebastian O.H.Madgwick、Andrew J.L.Harrison和Ravi Vaidyanathan，“使用梯度下降算法估计IMU和MARG方向(Estimation of IMU and MARG orientationusing a gradient descent algorithm)”，2011 IEEE International Conference onRehabilitation Robotics，pp.179-185，2011。
发明内容
[技术问题]
在专利文献1或专利文献2中公开的使用步行期间的运动信息的个人识别中，需要更优选的提取特征量的方法。
本发明目的是提供能够适当地提取用于个人识别的特征量的信息处理设备、个人识别设备、个人识别系统、信息处理方法及存储介质。
[问题的解决方案]
根据本发明的一个示例性方面，提供一种信息处理设备，包括：获取单元，被配置为获取由设置在用户的脚上的运动测量设备测量的脚的运动信息；以及特征量提取单元，被配置为从运动信息中包括的至少一个步行周期的时间序列数据提取用于识别用户的特征量。
根据本发明的另一个示例性方面，提供一种信息处理方法，包括：获取由设置在用户的脚上的运动测量设备测量的脚的运动信息；以及从运动信息中包括的至少一个步行周期的时间序列数据提取用于识别用户的特征量。
根据本发明的另一个示例性方面，提供一种存储介质，其用于存储程序，程序使得计算机进行：获取由设置在用户的脚上的运动测量设备测量的脚的运动信息；以及从运动信息中包括的至少一个步行周期的时间序列数据提取用于识别用户的特征量。
[本发明的有益效果]
根据本发明，可以提供适当地提取用于个人识别的特征量的信息处理设备、个人识别设备、个人识别系统、信息处理方法及存储介质。
附图说明
图1是示出根据第一示例性实施例的个人识别系统的一般配置的示意图。
图2是示出根据第一示例性实施例的步态测量设备的硬件配置的框图。
图3是示出根据第一示例性实施例的信息通信终端的硬件配置的框图。
图4是根据第一示例性实施例的信息处理设备的功能框图。
图5是示出由根据第一示例性实施例的步态测量设备进行的个人识别处理的示例的流程图。
图6是示出步行周期的概念图。
图7是示出脚的宽度方向的加速度的时间序列数据的示例的示意图。
图8是示出脚的内收/外展角度的时间序列数据的示例的示意图。
图9是示出由根据第一示例性实施例的服务器进行的训练处理的示例的流程图。
图10是示意性示出通过训练处理获取的特征量向量与个人识别标签之间的对应关系的表格。
图11是示出交叉验证的结果的表格。
图12是示出识别率的验证结果的示意图。
图13是根据第二示例性实施例的信息处理设备的功能框图。
图14是示出由根据第二示例性实施例的步态测量设备进行的个人识别处理的示例的流程图。
图15是示出脚的宽度方向的加速度的频谱的一个示例的示意图。
图16是示出脚的内收/外展角度的频谱的示例的曲线图。
图17是示意性示出通过训练处理获取的特征量向量与个人识别标签之间的对应关系的表格。
图18是示出交叉验证的结果的表格。
图19是示出识别率的验证结果的示意图。
图20是根据第三示例性实施例的信息处理设备的功能框图。
具体实施方式
下面参照附图描述本发明的示例性实施例。在整个附图中，用相同的附图标记来表示相同或相应的组件，并且可以省略或简化其描述。
[第一示例性实施例]
描述根据本示例性实施例的个人识别系统。本示例性实施例的个人识别系统用于通过测量和分析用户的步行模式(步态)中包括的特征来进行个人识别。
图1是示出根据第一示例性实施例的个人识别系统的一般配置的示意图。个人识别系统包括步态测量设备1、信息通信终端2和服务器3，其可通过无线通信相互连接。
例如，将步态测量设备1设置为靠近用户4所穿着的鞋5的脚底。步态测量设备1是一种电子设备，其具有用于测量用户4的脚的运动的感测功能、用于分析所测量的运动信息的信息处理功能、与信息通信终端2的通信功能等。优选将步态测量设备1设置在与足弓相对应的位置，诸如足弓正下方。在这种情况下，步态测量设备1可以测量用户4脚的中心的加速度和角速度。因为脚的中心是很好地显示脚的运动特征的位置，所以适合于特征量提取。
注意，步态测量设备1可以设置在鞋5的鞋内底中，可以设置在鞋5的鞋外底中，也可以嵌入鞋5中。步态测量设备1可以可拆卸地附接于鞋5，也可以不可拆卸地固定于鞋5。步态测量设备1可以设置在除了鞋5以外的部分，只要步态测量设备1能够测量脚的运动。例如，步态测量设备1可以设置在用户4穿着的袜子中、设置在装饰中、直接附接于用户4的脚、或嵌入用户4的脚。虽然图1示出了在用户4的一只脚上设置一个步态测量设备1的示例，但是也可以在用户4的两只脚上各设置一个步态测量设备1。在这种情况下，可以并行获取两只脚的运动信息，从而可以获取更多信息。
在本说明书中，“脚”是指用户4脚踝以下的身体部位。此外，在本说明书中，“用户”是指作为使用步态测量设备1进行个人识别的对象的人员。用户是否与“用户”相对应，与用户是否为构成个人识别系统的步态测量设备1以外的设备的用户、用户是否接收个人识别系统提供的服务等等并无关系。
信息通信终端2是用户4携带的终端设备，诸如蜂窝电话、智能手机或智能手表。将用于分析从步态测量设备1获取的信息的应用软件预先安装在信息通信终端2中，并进行基于应用软件的处理。信息通信终端2获取通过步态测量设备1获取的数据，并使用该数据进行信息处理。信息处理的结果可以通知用户4，也可以传输给服务器3。信息通信终端2可具有向步态测量设备1提供软件(诸如步态测量设备1的控制程序或数据分析程序)的功能。
服务器3向信息通信终端2提供并更新分析应用软件。服务器3可以存储从信息通信终端2获取的数据，并使用该数据进行信息处理。
注意，一般配置只是示例，例如，可将步态测量设备1直接连接到服务器3。此外，可将步态测量设备1和信息通信终端2配置为集成设备，并且个人识别系统还可包括其他设备，例如边缘服务器或中继设备。
图2是示出步态测量设备1的硬件配置示例的框图。步态测量设备1包括信息处理设备11、惯性测量单元(IMU)12和电池13。
信息处理设备11例如是进行步态测量设备1的整体控制和数据处理的微型计算机或微控制器。信息处理设备11包括中央处理单元(CPU)111、随机存取存储器(RAM)112、只读存储器(ROM)113、闪存存储器114、通信接口(I/F)115和IMU控制设备116。信息处理设备11、IMU 12和电池13中的每个单元经由总线、电线、驱动设备等相互连接。
CPU 111是根据ROM 113、闪存存储器114等中存储的程序来进行预定计算的处理器，并且还具有控制信息处理设备11的每个单元的功能。RAM 112是由易失性存储介质构成并提供CPU 111操作所需的临时存储区。ROM 113由非易失性存储介质组成并存储必要信息，诸如用于信息处理设备11操作的程序。闪存存储器114是由非易失性存储介质构成并且临时存储数据、存储信息处理设备11的操作程序等的的存储设备。
通信I/F 115是基于蓝牙(注册商标)或Wi-Fi(注册商标)等标准的通信接口，是用于与信息通信终端2进行通信的模块。
IMU 12是运动测量设备，包括测量三个轴向上的角速度的角速度传感器和测量三个方向上的加速度的加速度传感器。角速度传感器可以是任何传感器，只要它可以获取角速度作为时间序列数据，并且可以使用任何类型的传感器，诸如振动式传感器或电容式传感器。加速度传感器可以是任何类型的传感器，只要它可以获取加速度作为时间序列数据，并且可以使用任何类型的传感器，诸如压电式传感器、压阻式传感器或电容式传感器。在本示例性实施例中，获取的时间序列数据的数据点之间的间隔可以是恒定的，也可以不恒定。
IMU控制设备116是一种控制设备，其控制IMU 12以测量角速度和加速度并获取通过IMU 12获取的角速度和加速度。获取的角速度和加速度作为数字数据存储在闪存存储器114中。注意，将IMU 12测量的模拟信号转换为数字数据的模数(AD)转换可以在IMU 12中进行，也可以通过IMU控制设备116进行。
电池13例如是二次电池，并且供应信息处理设备11和IMU 12的操作所需的电力。因为电池13内置于步态测量设备1中，所以步态测量设备1可通过无线方式工作，无需经电线连接到外部电源。
注意，图2所示的硬件配置是示例，并且可以添加其他设备，也可以不提供一些设备。此外，可以用具有类似功能的其他设备来替代一些设备。例如，信息处理设备11还可包括输入设备(诸如按钮)，从而能够接受用户4的操作，还可包括输出设备(诸如显示器、显示灯、扬声器)，用于向用户4提供信息。因此，可以适当地改变图2所示的硬件配置。
图3是示出信息通信终端2的硬件配置示例的框图。信息通信终端2包括CPU 201、RAM 202、ROM 203和闪存存储器204。此外，信息通信终端2包括通信I/F 205、输入设备206和输出设备207。信息通信终端2的每个单元经由总线、电线、驱动设备等相互连接。
在图3中，将构成信息通信终端2的每个单元示出为集成设备，但是这些功能的一部分可通过外部设备来提供。例如，输入设备206和输出设备207可以是与构成包括CPU 201等的计算机的功能的外部设备不同的外部设备。
CPU 201是根据ROM 203、闪存存储器204等中存储的程序来进行预定计算的处理器，并且还具有控制信息通信终端2的每个单元的功能。RAM 202由易失性存储介质构成并提供CPU 201操作所需的临时存储区。ROM 203由非易失性存储介质构成并存储必要信息，诸如用于CPU 201操作的程序。闪存存储器204是由非易失性存储介质构成的存储设备，用于存储发送到步态测量设备1的数据和从步态测量设备1接收的数据，并用于存储用于操作信息通信终端2的程序。
通信I/F 205是基于诸如蓝牙(注册商标)、Wi-Fi(注册商标)或4G的标准的通信接口，并且是用于与其他设备进行通信的模块。
输入设备206是用户4用来操作信息通信终端2的用户接口。输入设备206的示例包括鼠标、轨迹球、触摸面板、手写板、按钮等。
输出设备207例如是显示设备。显示设备是液晶显示器、有机发光二极管(OLED)显示器等，并且用于显示信息、显示用于操作输入的图形用户界面(GUI)等。输入设备206和输出设备207可以整体形成触摸面板。
注意，图3所示的硬件配置是示例，并且可以添加其他设备，也可以不提供一些设备。此外，可以用具有类似功能的其他设备来替代一些设备。此外，本实施例的一些功能可以经由网络通过其他设备提供，或者本示例性实施例的一些功能可通过分布在多个设备中来实现。例如，可将闪存存储器204替换为硬盘驱动器(HDD)或云存储。因此，可以适当地改变图3所示的硬件配置。
服务器3是具有与图3所示基本相同的硬件配置的计算机。因为除了服务器3不一定为便携式之外，服务器3的硬件配置与信息通信终端2基本相同，所以省略其详细描述。
图4是根据本示例性实施例的信息处理设备11的功能框图。信息处理设备11包括获取单元120、特征量提取单元130、识别单元140、存储单元150和通信单元160。特征量提取单元130包括坐标系变换单元131、角度计算单元132、步行周期识别单元133和特征量计算单元134。
CPU 111将ROM 113、闪存存储器114等中存储的程序加载到RAM 112中并执行程序。因此，CPU 111实现特征量提取单元130和识别单元140的功能。此外，CPU 111通过基于程序控制IMU控制设备116来实现获取单元120的功能。CPU 111通过基于程序控制闪存存储器114来实现存储单元150的功能。此外，CPU 111通过基于程序控制通信I/F 115来实现通信单元160的功能。下面描述通过这些单元进行的具体处理。
在本示例性实施例中，在步态测量设备1中提供图4所示功能块的每个功能，但是也可以在信息通信终端2或服务器3中提供图4所示功能块的一部分功能。也就是说，上述功能可通过步态测量设备1、信息通信终端2和服务器3中的任何一个来实现，或者可通过步态测量设备1、信息通信终端2和服务器3的合作来实现。在本示例性实施例中，因为步态测量设备1具有进行个人识别处理的功能，所以将步态测量设备1更一般地称为个人识别设备。
图5是示出通过根据本示例性实施例的步态测量设备1进行的个人识别处理的示例的流程图。当步态测量设备1检测到步行时(例如，当用户4正在步行时)进行图5的处理。替选地，总是与用户4是否正在步行无关地进行图5的处理，或者可以按照预定时间间隔进行图5的处理。
在步骤S101中，获取单元120控制IMU 12的角速度传感器和加速度传感器以获取三个轴向的角速度和三个方向的加速度的时间序列数据。因此，获取单元120可以获取用户4步行所引起的角速度和加速度的时间变化。将获取的角速度和加速度的时间序列数据转换为数字数据，然后存储在存储单元150中。将这些角速度和加速度更一般地称为运动信息。在运动信息中，将步行时的角速度和加速度的时间序列数据特别称为步行数据。步行数据不仅可以用于本示例性实施例的个人识别处理，还可以用于用户4的步态分析。
通过获取单元120获取的加速度的三个方向例如可以是IMU 12提供的用户4的脚的宽度方向(左/右方向)、长度方向(前/后方向)以及垂直方向。这些方向分别称为x轴、y轴和z轴。通过获取单元120获取的角速度的三个轴向例如可以是脚绕z轴的内收和外展(偏航角)、脚绕y轴的内旋和外转(俯仰角)，以及脚围绕x轴的弯曲和拉伸(翻滚角)。
在此，为了充分获取步行所包括的特征，优选三个轴向的角速度和三个方向的加速度的时间序列数据包括与至少一个步行周期相对应的周期的数据。参照图6描述一个步行周期。图6是示出步行周期的概念图。图6示意性示出用户4的右脚和左脚在一个步行周期内的运动。附图中的归一化时间指示经过归一化使得一个步行周期的长度为100的时间。也就是说，附图中归一化时间0是右脚落地的时刻，附图中归一化时间50是左脚落地的时刻，附图中归一化时间100是右脚再次落地的时刻。从归一化时间0到100的时间段是一个步行周期。
此外，将脚落地的时间段称为站立时间段，将脚离开地面的时间段称为摆动时间段。更具体而言，例如，右脚的站立时间段是从右脚的脚后跟落地的时刻(落地时)到右脚的脚趾离开地面的时刻(离开时)，一般占一个步行周期的60％左右。右脚的摆动时间段是从右脚的脚趾离开地面的时刻到右脚的脚后跟落地的时刻，一般占一个步行周期的40％左右。如图6所示，在步行过程中，交替重复站立时间段和摆动时间段。此外，在右脚与左脚之间，站立时间段的相位和摆动时间段的相位相反。
在步骤S102中，坐标系变换单元131进行三个轴向的角速度和三个方向的加速度的坐标系变换。关于通过IMU 12输出的角速度和加速度的坐标系是惯性坐标系。坐标系变换单元131将角速度和加速度坐标系变换为关于用户4的脚的坐标系。因此，可以使得角速度和加速度的坐标系适用于计算脚的旋转角度。例如通过使用欧拉角将惯性坐标系的基向量乘以方向余弦矩阵E并旋转基向量来实现坐标系的变换。
更具体地描述通过方向余弦矩阵E变换坐标系的示例。在惯性坐标系的基向量为[xi,yi,zi]，坐标系关于脚的基向量为[xb,yb,zb]的情况下，通过以下等式(1)来表示它们之间的转换公式：
[公式1]
Figure BDA0003374303200000101
在按照z、y、x的顺序旋转惯性坐标系的基向量ψ(psi)、θ(theta)、
Figure BDA0003374303200000102
的角度而获取的角度为坐标系变换的欧拉角的情况下，通过以下等式(2)来表示方向余弦矩阵E：
[公式2]
Figure BDA0003374303200000111
注意，用于转换坐标系的计算方法只是一个示例，也可以使用其他计算方法。例如，可以采用使用四元数的计算方法。
在步骤S103中，在变换为关于用户4的脚的坐标系之后，角度计算单元132从三个轴向的角速度和三个方向的加速度来计算用户4的脚与地面之间的角度。作为该处理的具体示例，有这样一种方法，将三个轴向的角速度和三个方向的加速度输入Madgwick过滤器(非专利文献1)，并输出脚的三个轴向的旋转角度，作为输出。通过Madgwick过滤器获取的三个轴向的旋转角度为脚的内收或外展角度、脚的内旋或外转角度、脚的弯曲或拉伸角度。在以下所述特征量的提取中关于旋转角度的信息并非必要的情况下，可以省略步骤S103。
在步骤S104中，步行周期识别单元133从角速度、加速度和旋转角度的时间序列数据来识别一个步行周期。因为在步行过程中每一步重复基本上相同的运动，所以可通过检测时间序列数据的周期性来识别一个步行周期。例如，基于时间序列数据的峰或谷的出现时间、对时间序列数据进行傅立叶变换后获取的频谱中包括的峰的频率等，可以识别一个步行周期。
在步骤S105中，特征量计算单元134从至少一个步行周期的时间序列数据提取用于识别用户4的特征量。将提取的特征量存储在存储单元150中。参照两个具体示例来描述特征量的提取。
首先，参照图7描述第一示例。图7是示出脚宽度方向的加速度的时间序列数据的示例的示意图。图7的横轴表示时间，图7的纵轴表示宽度方向的加速度。图7所示的单位G是基于标准重力加速度(约9.8m/s2)的加速度单位。
不同线型的三个曲线图示出从三个不同被实验者(被实验者1、被实验者2、被实验者3)测量的宽度方向上的加速度。如图7所示，在三个被实验者的任何一个被实验者中，在摆动时间段开始时出现陡峭的峰，而在摆动时间段结束时出现陡峭的谷。此外，三个曲线图之间的差异在摆动时间段中较大，特别是在上述峰和谷附近明显更大。因此，可通过在脚的宽度方向的加速度的时间序列数据中从摆动时间段开始的峰附近以及从摆动时间段结束的谷附近提取特征量来识别被实验者。
下面参照图8描述第二示例。图8是示出脚的内收/外展角度的时间序列数据的示例的曲线图。图8的横轴表示时间，图8的纵轴表示内收/外展角度。
不同线型的三个曲线图示出从三个不同被实验者(被实验者1、被实验者2、被实验者3)测量的脚的内收/外展角度。如图8所示，在摆动时间段开始时出现陡峭的谷，而在摆动时间段结束时出现陡峭的峰。三个曲线图之间的差异在峰和谷附近明显更大。因此，可通过在脚宽度方向的加速度的时间序列数据中从摆动时间段开始的谷附近以及从摆动时间段结束的峰附近提取特征量来识别被实验者。
描述了特征在摆动时间段的开始和结束附近出现的原因。在人步行期间，在摆动时间段开始时(也就是脚离开地面时)，脚趾朝下。在摆动时间段结束时(也就是脚落地时)，脚趾朝上。在这些时刻，脚可能在内收/外展方向上摆动，因此宽度方向的加速度和内收/外展角度的波动变大。如图7和图8所示，因为这种波动中可能出现个体差异，所以不同被实验者之间的差异较大，并且波动适合于提取特征量。因为这些峰和谷在一个步行周期中至少出现一次，所以在本示例性实施例中获取至少一个步行周期的时间序列数据，并进行特征量提取。
注意，除了上述示例之外，还可以从时间序列数据中提取特征量。具体而言，可以从诸如脚长度方向加速度、脚垂直方向加速度、脚内旋/外转角度、脚弯曲/拉伸角度的时间序列数据提取特征量。此外，可通过对时间序列数据(二次数据)进行诸如时间积分的计算，从二次获取数据提取特征量。二次数据的示例包括脚三个方向的速度、脚三个方向的轨迹、步行速度、步宽、落地时间、脚的离开时间、站立时间段的长度和摆动时间段的长度。当在用户4的双脚上设置IMU 12时，可以根据从双脚获取的时间序列数据或二次数据的差、比率等来提取特征量。此外，可以从上述时间序列数据或二次数据来提取峰或谷，并将峰或谷的出现时间、强度等用作特征量。此外，可以提取通过对峰或谷的出现时间、强度等进行诸如加总、平均值、差、比率和乘积这样的统计计算而获取的统计量作为特征量。此处理中提取的特征量可包括多个元素，换言之，此处理中提取的特征量可以是特征量向量。
在步骤S106中，识别单元140基于所提取的特征量来识别用户4。此识别处理可以是确定用户4与预先在步态测量设备1中注册的人(注册者)是否为同一人的处理。此处理的具体示例是将所获取的特征量与注册者的特征量进行比较，以计算指示确定性因子的分数，并基于该分数是否超过预定阈值来确定用户4与注册者是否为同一人。
在通过识别单元140进行的从特征量识别用户4的处理中，使用预先通过机器学习生成并存储在存储单元150中的训练模型。用于机器学习的算法示例包括决策树、随机森林、支持向量机、神经网络、深度学习、逻辑回归、k-最近邻算法(K-NN)、分类方法的集成学习、判别分析等。此外，使用预先准备的样本数据在步态测量设备1、信息通信终端2或服务器3中进行通过机器学习(训练处理)生成训练模型。
更详细地描述在步骤S106中生成用于个人识别的训练模型的训练处理。在图5的处理之前，在步态测量设备1、信息通信终端2或服务器3中预先进行此处理。在本示例性实施例的描述中，假设在服务器3中进行训练处理。
图9是示出通过根据第一示例性实施例的服务器进行的训练处理的示例的流程图。在从工厂发货时的个人识别处理、用户4使用步态测量设备1前的校准等之前进行图9的处理。
在步骤S201中，服务器3获取用于训练的样本数据。该样本数据例如可以是这样的数据，其中将用于识别人员的个人识别标签(用户标识符(ID)、姓名、昵称等)与通过从步骤S101到步骤S105的处理获取的特征量向量相关联。通过用户4、个人识别系统的管理者等预先附接个人识别标签。更具体而言，通过在将他/她的个人识别标签输入到步态测量设备1之后使得用户4实际行走预定距离，并使得步态测量设备1获取数据，可以创建将特征量向量与个人识别标签相互关联的样本数据。
在步骤S202中，服务器3对于作为标记训练数据的样本数据进行机器学习。结果，生成训练模型，其中关于特征量向量的输入适当地识别人员并输出识别信息。
在步骤S203中，服务器3将训练模型存储在闪存存储器204中。此后，服务器3将训练模型提供给步态测量设备1。具体而言，服务器3将训练模型传输给信息通信终端2。信息通信终端2使得步态测量设备1安装所接收的训练模型，作为软件用于识别单元140中的处理。
图10是示意性示出通过训练处理获取的特征向量与个人识别标签之间的对应关系的表格。如图10所示，确定与特征量向量相对应的个人识别标签，包括“摆动时间段中宽度方向加速度的最大值”、“摆动时间段中内收/外展角度的最小值”、“摆动时间段中垂直方向加速度的峰值”等。换言之，当输入特征量向量作为解释变量时，通过训练处理所获取的训练模型具有输出个人识别标签作为响应变量的功能。
下面将使用第一示例性实施例的个人识别系统实际进行个人识别的结果描述为示例1和示例2。
[示例1]
在本示例中，对9个被实验者测量步行期间的运动信息，并获取步行数据。从这些步行数据提取大量的特征量向量，以创建用于训练和验证的数据组。在本示例中，使用这些数据组进行交叉验证。具体而言，将随机选取的数据组中的15％用作验证数据，将数据的其余85％用作训练数据。也就是说，使用数据组的85％的数据生成训练模型，并使用剩余的15％的验证数据验证训练模型的识别率。
图11是示出使用这些数据组的交叉验证的结果的表格。表格中的“预测类别”是通过第一示例性实施例的个人识别系统确定的被实验者类别，“真实类别”是指示被实验者的实际类别。表格中的类别编号“1”至“9”指示被实验者编号。例如，在通过个人识别系统对真实类别为“3”的185个数据组进行的预测中，个人识别系统对185个数据组中的184个正确预测了类别“3”。相反，对于185个数据组中的1个预测错误类别“5”。如图11所示，在第一示例性实施例的个人识别系统中，可以以99.5％或更高的正确回答率来正确地确定被实验者。
[示例2]
在本示例中，对10个被实验者测量步行期间的运动信息，并获取步行数据。从这些步行数据提取大量的特征向量，以生成训练模型。然后，对同一被实验者另一天的步行数据验证训练模型的识别率。识别率取决于被设置为确定人员是否为相同人的阈值的确定性因子的值而变化，并且在该验证中确定性因子的值为0.9。在本示例性实施例中使用的机器学习算法是深度学习。
图12是示出识别率的验证结果的示意图。在图12的曲线图中，纵轴表示识别率，横轴表示被实验者编号。如图12所示，在第一示例性实施例的个人识别系统中，可以以大约85％的高识别率确定被实验者。
如上所述，根据本示例性实施例，提供能够适当提取用于个人识别的特征量的信息处理设备11。此外，提供能够通过使用由信息处理设备11提取的特征量来高精度地进行个人识别的个人识别设备和个人识别系统。
近年来，使用生物特征信息的生物特征认证广泛用于个人认证。生物信息的示例包括面部、指纹、声纹和虹膜。但是，取决于进行生物特征认证的位置，使用它们进行生物特征认证可能无效。
例如，在诸如食品厂的需要穿戴防护服、口罩等的场所中，因为像面部、指纹这样用于获取生物信息的部分不会暴露在外，因此难以使用那些使用它们的认证技术。此外，在诸如化工厂的对安全和健康有严格要求的场所中，用于生物特征认证的设备的安装可能受到限制。在诸如发电厂的严格要求安全性的场所中，可能希望在不通知被实验者正在进行生物特征认证的情况下进行认证。此外，在诸如护理设施这样的场所中，虽然需要随时继续被实验者的认证，但是在诸如摄像头的生物特征认证设备中存在盲点。此外，在必须始终识别被实验者时，难以使用需要被实验者在输入设备(诸如相机、传感器或麦克风)上进行动作的认证方法。
因此，取决于进行生物特征认证的位置和生物特征认证所需的约束，使用面部、指纹、声纹、虹膜等进行生物特征认证可能无效。
相反，即使诸如被实验者的面部或指纹的部分没有暴露在外，也可以获取步态中包括的生物特征信息。此外，可将使用步态的认证设备安装在鞋内，从而无需将生物特征认证设备安装在外部，并且还可以在不通知被实验者正在进行生物特征认证的情况下进行生物特征认证。步态可以随时测量，在测量中无需要求步行以外的动作。因此，即使在诸如面部、指纹、声纹或虹膜的生物特征认证无效的地方，本示例性实施例的个人识别系统也可以高精度地进行个人识别。
[第二示例性实施例]
本示例性实施例的个人识别系统与第一示例性实施例的个人识别系统的不同之处在于，它具有将时间序列数据从时域转换到频域的功能。下面主要描述与第一示例性实施例的不同之处，并省略或简化对共同部分的描述。
图13是根据本示例性实施例的信息处理设备11的功能框图。除了第一示例性实施例所述的元件之外，特征量提取单元130还包括数据转换单元135。数据转换单元135具有将时间序列数据从时域转换到频域的功能。具体而言，数据转换单元135通过进行数据转换(诸如傅立叶变换)，将在时域中获取的时间序列数据转换为频域中的数据(频谱)。用于变换的算法例如可以是快速傅立叶变换。
CPU 111通过将存储在ROM 113、闪存存储器114等中的程序加载到RAM 112中并执行程序来实现数据转换单元135的功能。数据转换单元135的功能可以在信息通信终端2或服务器3中提供，也可以在IMU 12中提供。
图14是示出由根据本示例性实施例的步态测量设备1进行的个人识别处理的示例的流程图。省略与第一示例性实施例中相同的步骤的描述。
在步骤S107中，通过对至少一个步行周期进行傅立叶变换等，数据转换单元135将在时域中获取的时间序列数据转换到频域。
在步骤S108中，特征量计算单元134从通过数据转换单元135获取的频谱提取用于识别用户4的特征量。提取的特征量存储在存储单元150中。参考具体示例来描述特征量的提取。
图15是示出脚的宽度方向的加速度的频谱的一个示例的示意图。图15的横轴表示以“次数/步行周期”为单位归一化的频率，图15的纵轴表示对脚的宽度方向的加速度进行傅立叶变换后获取的振动强度。
图16是示出脚的内收/外展角度的频谱的示例的曲线图。图16的横轴表示以“次数/步行周期”为单位归一化的频率，图16的纵轴表示对脚的内收/外展角度进行傅立叶变换后获取的振动强度。
在图15和图16中，不同线型的三个曲线图示出从三个不同被实验者(被实验者1、被实验者2和被实验者3)获取的振动强度的波谱。如图15和图16所示，在三个被实验者的情况下，虽然低频侧的峰频率相似(例如在小于7次/步行周期的范围内)，但是在峰高上有差异。此外，在高频侧(例如，等于或大于7次/步行周期的范围)，在峰的形状和高度上都观察到差异，但是振动强度小。因此，可通过提取低频侧的一些峰的高度、高频侧的振动强度的积分值等作为特征量来识别被实验者。此外，可以提取通过对诸如峰高和积分值进行四次算术运算而获取的参数作为特征量，或者可以提取多个特征量作为特征量向量。
图17是示意性示出通过使用特征量向量获取的特征量向量与个人识别标签之间的对应关系的表格。如图17所示，与特征量向量相对应地确定个人识别标签，包括“横向的主振动峰强度”、“内收/外展的主振动峰强度”、“横向的高频分量的积分值”等。换言之，通过训练处理获得的训练模型具有当输入特征量向量作为解释变量时输出个人识别标签作为响应变量的功能。
下面描述实际上使用第二示例性实施例的个人识别系统进行个人识别的结果作为示例3和示例4。
[示例3]
在本示例中，对10个被实验者测量步行期间的运动信息，并获取步行数据。从这些步行数据提取大量的特征量向量，以创建用于训练和验证的数据组。在本示例中，使用这些数据组进行交叉验证。具体而言，将随机选取的数据组中的15％用作验证数据，将数据的其余85％用作训练数据。也就是说，使用数据组的85％的数据生成训练模型，并使用剩余的15％的验证数据验证训练模型的识别率。
图18是示出使用这些数据组的交叉验证的结果的表格。表格中的“预测类别”是通过第二示例性实施例的个人识别系统确定的被实验者类别，“真实类别”是指示被实验者的实际类别。表格中的类别编号“1”至“10”指示被实验者编号。例如，在通过个人识别系统对真实类别为“3”的168个数据组进行的预测中，个人识别系统对于168个数据组中的165个正确预测了类别“3”。相反，对于168个数据组中的3个预测错误类别“1”、“7”和“8”。如图18所示，在第二示例性实施例的个人识别系统中，可以以98.5％或更高的正确回答率来正确地确定被实验者。
[示例4]
在本示例中，对10个被实验者测量步行期间的运动信息，并获取步行数据。从这些步行数据提取大量的特征向量，以生成训练模型。然后，对同一被实验者另一天的步行数据验证训练模型的识别率。识别率取决于被设置为确定人员是否为相同人的阈值确定性因子的值而变化，并且在该验证中确定性因子的值为0.6。在本示例性实施例中使用的机器学习算法是深度学习。
图19是示出识别率的验证结果的示意图。在图19的曲线图中，纵轴表示识别率，横轴表示被实验者编号。如图19所示，在第二示例性实施例的个人识别系统中，可以以大约85％的高识别率确定被实验者。
如上所述，在本示例性实施例中，也像在第一示例性实施例中一样，提供能够适当地提取用于个人识别的特征量的信息处理设备11。此外，提供能够通过使用由信息处理设备11提取的特征量来高精度地进行个人识别的个人识别设备和个人识别系统。
上述示例性实施例所述的设备或系统也可以如以下第三示例性实施例中那样配置。
[第三示例性实施例]
图20是根据第三示例性实施例的信息处理设备61的功能框图。信息处理设备61包括获取单元611和特征量提取单元612。获取单元611获取通过在脚上设置的运动测量设备测量的用户的脚的运动信息。特征量提取单元612从运动信息中包括的至少一个步行周期的时间序列数据提取用于识别用户的特征量。
根据本示例性实施例，提供能够适当地提取用于个人识别的特征量的信息处理设备61。
[变型示例性实施例]
本发明不限于上述示例性实施例，并且可以在本发明的范围内适当地修改。例如，将一个示例性实施例的一部分配置添加到另一个示例性实施例的示例，或者，将一个示例性实施例的一部分配置替换为另一个示例性实施例的示例也是本发明的示例性实施例。
在上述示例性实施例中，使用包括测量三个轴向上的角速度的角速度传感器和测量三个方向上的加速度的加速度传感器的运动测量设备，但是也可以使用除这些之外的传感器。例如，还可以使用通过检测三个方向的磁力来检测地磁力的磁传感器，以识别方位。即使在这种情况下，也可以应用与上述示例性实施例相同的处理，并且可以进一步提高精度。
虽然在上述示例性实施例中在步态测量设备1内部进行个人识别处理，但是可以在信息通信终端2中提供此功能。在这种情况下，信息通信终端2充当个人识别设备。
虽然在第一示例性实施例中从时间序列数据中提取特征量并且在第二示例性实施例中从频谱中提取特征量，但是可以从时间序列数据和频谱两者中提取特征量。
虽然在上述示例性实施例中测量加速度和角速度，但是当仅通过加速度和角速度的其中一个就获得足够的精度时，可以省略另一个的测量。在这种情况下，可以省略IMU 12的角速度传感器和加速度传感器的其中一个，从而可以降低组件的成本。
一种处理方法，其中将用于操作上述示例性实施例的配置的程序记录在存储介质中，从而实现上述示例性实施例的功能，记录在存储介质中的程序被读取为代码，在计算机中执行的程序也被包括在每个示例性实施例的范围内。也就是说，计算机可读存储介质也包括在示例性实施例的范围内。此外，在每个示例性实施例中不仅包括记录了上述程序的存储介质，还包括程序本身。此外，包括在上述示例性实施例中的一个或多个组件可以是诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)这样的被配置为实现每个组件的功能的电路。
作为存储介质，例如可以使用软(注册商标)盘、硬盘、光盘、磁光盘、压缩盘(CD)-ROM、磁带、非易失性存储卡或ROM。此外，每个示例性实施例的范围并不限于通过单独记录在存储介质中的程序来执行处理的情况，通过在与其他软件和扩展板的功能合作的操作系统(OS)上操作来执行处理的情况也被包括在每个示例性实施例的范围内。
通过上述示例性实施例的功能实现的服务可通过软件即服务(SaaS)的形式提供给用户。
注意，上述示例性实施例仅仅是具体实施本发明的示例，并且本发明的技术范围不应被它们限制性地解释。也就是说，在不脱离其技术思想或其主要特征的情况下，可通过各种形式来实现本发明。
可将以上公开的全部或部分示例性实施例描述为但不限于以下附记。
(附记1)
一种信息处理设备，包括：
获取单元，被配置为获取由在用户的脚上设置的运动测量设备来测量的脚的运动信息；以及
特征量提取单元，被配置为从运动信息中包括的至少一个步行周期的时间序列数据提取用于识别用户的特征量。
(附记2)
根据附记1所述的信息处理设备，其中，运动信息包括加速度和角速度的中的至少一个。
(附记3)
根据附记2所述的信息处理设备，其中，特征量提取单元从加速度和角速度中的至少一个的时间序列数据提取特征量。
(附记4)
根据附记2或3所述的信息处理设备，其中，特征量提取单元包括坐标系变换单元，坐标系变换单元被配置为将运动信息中包括的加速度和角速度中的至少一个的坐标系变换为关于脚的坐标系。
(附记5)
根据附记2至4中的任一项所述的信息处理设备，其中，特征量提取单元包括角度计算单元，角度计算单元被配置为使用加速度和角速度来计算脚的旋转角度。
(附记6)
根据附记5所述的信息处理设备，其中，角度计算单元使用Madgwick过滤器来计算旋转角度。
(附记7)
根据附记5或6所述的信息处理设备，其中，特征量提取单元从旋转角度的时间序列数据提取特征量。
(附记8)
根据附记1至7中的任一项所述的信息处理设备，其中，将运动测量设备设置在与脚的足弓相对应的位置。
(附记9)
根据附记1至8中的任一项所述的信息处理设备，其中，特征量提取单元在将时间序列数据从时域转换到频域之后提取特征量。
(附记10)
根据附记1至9中的任一项所述的信息处理设备，其中，特征量提取单元从时间序列数据中的摆动时间段内的特征提取用于识别用户的特征量。
(附记11)
一种个人识别设备，被配置为基于通过根据附记1至10中的任一项的信息处理设备提取的特征量来识别用户。
(附记12)
一种个人识别系统，包括：
根据附记1至10中的任一项所述的信息处理设备；
识别单元，被配置为基于特征量来识别用户；以及
运动测量设备。
(附记13)
一种信息处理方法，包括：
获取由设置在用户的脚上的运动测量设备测量的脚的运动信息；以及
从运动信息中包括的至少一个步行周期的时间序列数据提取用于识别用户的特征量。
(附记14)
一种存储程序的存储介质，该程序使得计算机进行：
获取由设置在用户的脚上的运动测量设备测量的脚的运动信息；以及
从运动信息中包括的至少一个步行周期的时间序列数据中提取用于识别用户的特征量。
[附图标记列表]
1 步态测量设备
2 信息通信终端
3 服务器
4 用户
5 鞋
11、61 信息处理设备
12 IMU
13 电池
111,201 CPU
112,202 RAM
113,203 ROM
114、204 闪存存储器
115、205 通信I/F
116 IMU控制设备
120、611 获取单元
130、612 特征量提取单元
131 坐标系变换单元
132 角度计算单元
133 步行周期识别单元
134 特征量计算单元
135 数据转换单元
140 识别单元
150 存储单元
160 通信单元
206 输入设备
207 输出设备

Claims (14)

1.一种信息处理设备，包括：
获取单元，所述获取单元被配置为：获取由被设置在用户的脚上的运动测量设备测量的所述脚的运动信息；以及
特征量提取单元，所述特征量提取单元被配置为：从所述运动信息中包括的至少一个步行周期的时间序列数据提取用于识别所述用户的特征量。
2.根据权利要求1所述的信息处理设备，其中，
所述运动信息包括加速度和角速度中的至少一个。
3.根据权利要求2所述的信息处理设备，其中，
所述特征量提取单元从所述加速度和所述角速度中的至少一个的所述时间序列数据提取所述特征量。
4.根据权利要求2或3所述的信息处理设备，其中，
所述特征量提取单元包括坐标系变换单元，所述坐标系变换单元被配置为将所述运动信息中包括的所述加速度和所述角速度中的至少一个的坐标系变换为关于所述脚的坐标系。
5.根据权利要求2至4中的任一项所述的信息处理设备，其中，
所述特征量提取单元包括角度计算单元，所述角度计算单元被配置为使用所述加速度和所述角速度来计算所述脚的旋转角度。
6.根据权利要求5所述的信息处理设备，其中，
所述角度计算单元使用Madgwick过滤器来计算所述旋转角度。
7.根据权利要求5或6所述的信息处理设备，其中，
所述特征量提取单元从所述旋转角度的所述时间序列数据来提取所述特征量。
8.根据权利要求1至7中的任一项所述的信息处理设备，其中，
所述运动测量设备被设置在与所述脚的足弓相对应的位置。
9.根据权利要求1至8中的任一项所述的信息处理设备，其中，
所述特征量提取单元在将所述时间序列数据从时域转换到频域之后提取所述特征量。
10.根据权利要求1至9中的任一项所述的信息处理设备，其中，
所述特征量提取单元从所述时间序列数据中的摆动时间段内的特征来提取被用于识别所述用户的特征量。
11.一种个人识别设备，被配置为基于通过根据权利要求1至10中的任一项所述的信息处理设备提取的特征量来识别所述用户。
12.一种个人识别系统，包括：
根据权利要求1至10中的任一项的所述信息处理设备；
识别单元，其被配置为基于所述特征量来识别所述用户；以及
所述运动测量设备。
13.一种信息处理方法，包括：
获取由被设置在用户的脚上的运动测量设备测量的所述脚的运动信息；以及
从所述运动信息中包括的至少一个步行周期的时间序列数据来提取被用于识别所述用户的特征量。
14.一种存储有程序的存储介质，所述程序使得计算机进行：
获取由被设置在用户的脚上的运动测量设备测量的所述脚的运动信息；以及
从所述运动信息中包括的至少一个步行周期的时间序列数据来提取被用于识别所述用户的特征量。
CN201980096828.2A 2019-05-29 2019-05-29 信息处理设备、个人识别设备、个人识别系统、信息处理方法及存储介质 Active CN113891681B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/021422 WO2020240751A1 (ja) 2019-05-29 2019-05-29 情報処理装置、個人識別装置、個人識別システム、情報処理方法及び記憶媒体

Publications (2)

Publication Number Publication Date
CN113891681A true CN113891681A (zh) 2022-01-04
CN113891681B CN113891681B (zh) 2024-08-09

Family

ID=73552735

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201980096828.2A Active CN113891681B (zh) 2019-05-29 2019-05-29 信息处理设备、个人识别设备、个人识别系统、信息处理方法及存储介质

Country Status (5)

Country Link
US (1) US20220218233A1 (zh)
EP (1) EP3977926A4 (zh)
JP (1) JP7316534B2 (zh)
CN (1) CN113891681B (zh)
WO (1) WO2020240751A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3186651C (en) * 2020-06-10 2023-07-11 Pmotion, Inc. Enhanced goniometer
JP7480868B2 (ja) 2020-12-25 2024-05-10 日本電気株式会社 ゲイン調整装置、歩行状態推定装置、歩容解析システム、ゲイン調整方法、およびプログラム
JP7525052B2 (ja) 2021-03-24 2024-07-30 日本電気株式会社 特徴量生成装置、歩容計測システム、特徴量生成方法、およびプログラム

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1955978A (zh) * 2002-10-29 2007-05-02 索尼株式会社 步态波形特征提取方法以及个人识别系统
CN101695445A (zh) * 2009-10-29 2010-04-21 浙江大学 一种基于加速度传感器的步态身份识别方法
WO2011003181A1 (en) * 2009-07-06 2011-01-13 Autonomous Identity Management Systems Inc. - Aims Gait-based authentication system
JP2014033739A (ja) * 2012-08-07 2014-02-24 Nippon Telegr & Teleph Corp <Ntt> 歩容測定装置、方法及びプログラム
CN205214383U (zh) * 2015-10-30 2016-05-11 安德润普科技开发（深圳）有限公司 一种智能步态监测鞋垫
KR101751760B1 (ko) * 2016-10-31 2017-06-28 주식회사 모셔넥스 하지 관절 각도를 이용한 보행 인자 추정 방법
CN107411753A (zh) * 2017-06-06 2017-12-01 深圳市科迈爱康科技有限公司 一种识别步态的可穿戴设备
US20180089408A1 (en) * 2016-09-27 2018-03-29 Hong Kong Baptist University Biometric authentication based on gait pattern or writing motion with an inertial measurement unit
CN108334827A (zh) * 2018-01-23 2018-07-27 大连乾函科技有限公司 一种基于智能鞋的步态身份认证方法及智能鞋
CN108496209A (zh) * 2015-09-16 2018-09-04 特科科技（新加坡）私人有限公司 检测用户的移动的系统
EP3404570A1 (de) * 2017-05-16 2018-11-21 Bundesdruckerei GmbH Verfahren und system zur verhaltensbasierten authentifizierung
US20190150796A1 (en) * 2016-07-01 2019-05-23 Nec Corporation Walking state determination device, walking state determination system, walking state determination method, and storage medium

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5724265A (en) * 1995-12-12 1998-03-03 Hutchings; Lawrence J. System and method for measuring movement of objects
JP5421571B2 (ja) 2008-11-05 2014-02-19 国立大学法人弘前大学 歩行特性評価システムおよび軌跡生成方法
CA2662431A1 (en) * 2009-02-24 2010-08-24 The Business Accelerators Inc. Biometric characterizing system and method and apparel linking system and method
US9811720B2 (en) * 2013-10-22 2017-11-07 Bae Systems Information And Electronic Systems Integration Inc. Mobile device based gait biometrics
EP2868343A1 (en) * 2013-10-31 2015-05-06 Ecole Polytechnique Federale De Lausanne (EPFL) EPFL-TTO System to deliver adaptive electrical spinal cord stimulation to facilitate and restore locomotion after a neuromotor impairment
JP2015153143A (ja) 2014-02-14 2015-08-24 株式会社日立システムズ 入館管理システム
JP2016073366A (ja) 2014-10-03 2016-05-12 克弥 西沢 歩行による発電機能と無線通信および測位機能を備えた無線通信機および無線通信機を中敷として用いた歩行者の位置監視システム
CN205126247U (zh) 2015-10-19 2016-04-06 深圳创感科技有限公司 一种具有步态分析功能的智能鞋垫
EP3430354B1 (en) * 2016-03-17 2024-04-24 Gipstech S.r.l. Method for estimating the direction of motion of an individual
JP6676569B2 (ja) 2017-03-17 2020-04-08 日本電信電話株式会社 認証システム、認証装置および認証方法
KR102110305B1 (ko) * 2017-10-31 2020-06-08 권혁준 운동량 체크를 위한 스마트 헬스케어 시스템
US11723581B2 (en) * 2018-10-23 2023-08-15 Massachusetts Institute Of Technology Electromyography sensor

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1955978A (zh) * 2002-10-29 2007-05-02 索尼株式会社 步态波形特征提取方法以及个人识别系统
WO2011003181A1 (en) * 2009-07-06 2011-01-13 Autonomous Identity Management Systems Inc. - Aims Gait-based authentication system
CN101695445A (zh) * 2009-10-29 2010-04-21 浙江大学 一种基于加速度传感器的步态身份识别方法
JP2014033739A (ja) * 2012-08-07 2014-02-24 Nippon Telegr & Teleph Corp <Ntt> 歩容測定装置、方法及びプログラム
CN108496209A (zh) * 2015-09-16 2018-09-04 特科科技（新加坡）私人有限公司 检测用户的移动的系统
CN205214383U (zh) * 2015-10-30 2016-05-11 安德润普科技开发（深圳）有限公司 一种智能步态监测鞋垫
US20190150796A1 (en) * 2016-07-01 2019-05-23 Nec Corporation Walking state determination device, walking state determination system, walking state determination method, and storage medium
US20180089408A1 (en) * 2016-09-27 2018-03-29 Hong Kong Baptist University Biometric authentication based on gait pattern or writing motion with an inertial measurement unit
KR101751760B1 (ko) * 2016-10-31 2017-06-28 주식회사 모셔넥스 하지 관절 각도를 이용한 보행 인자 추정 방법
EP3404570A1 (de) * 2017-05-16 2018-11-21 Bundesdruckerei GmbH Verfahren und system zur verhaltensbasierten authentifizierung
CN107411753A (zh) * 2017-06-06 2017-12-01 深圳市科迈爱康科技有限公司 一种识别步态的可穿戴设备
CN108334827A (zh) * 2018-01-23 2018-07-27 大连乾函科技有限公司 一种基于智能鞋的步态身份认证方法及智能鞋

Also Published As

Publication number Publication date
EP3977926A1 (en) 2022-04-06
JPWO2020240751A1 (zh) 2020-12-03
CN113891681B (zh) 2024-08-09
EP3977926A4 (en) 2022-06-15
US20220218233A1 (en) 2022-07-14
WO2020240751A1 (ja) 2020-12-03
JP7316534B2 (ja) 2023-07-28

Similar Documents

Publication Publication Date Title
Marsico et al. A survey on gait recognition via wearable sensors
Khan et al. Optimising sampling rates for accelerometer-based human activity recognition
CN113891681B (zh) 信息处理设备、个人识别设备、个人识别系统、信息处理方法及存储介质
EP3468450B1 (en) Method and system for analyzing human gait
US10503967B2 (en) Fast behavior and abnormality detection
US20020107649A1 (en) Gait detection system, gait detection apparatus, device, and gait detection method
KR102124095B1 (ko) 족저압 변화 및 보행 패턴 분석을 위한 장치 및 방법
US20220240814A1 (en) Method and system for determining a value of an advanced biomechanical gait parameter
Kim et al. Gait event detection algorithm based on smart insoles
WO2014118767A1 (en) Classifying types of locomotion
KR20190048351A (ko) 운동량 체크를 위한 스마트 헬스케어 시스템
KR20110093283A (ko) 보행 패턴 분석 장치 및 방법
Nguyen et al. Classification of five ambulatory activities regarding stair and incline walking using smart shoes
CN107708553B (zh) 行为识别装置、空气调节机以及机器人控制装置
US12098947B2 (en) Information processing device, weight estimation device, weight estimation system, information processing method, and storage medium
CN105654041B (zh) 基于步态数据的特征参数获取方法和装置
Majumder et al. A wireless smart-shoe system for gait assistance
KR102280291B1 (ko) 검출정보별 신경망 분석을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 장치 및 방법
JP7251621B2 (ja) 情報処理装置、個人識別装置、個人識別システム、情報処理方法及び記憶媒体
Majumder et al. A novel wireless system to monitor gait using smartshoe-worn sensors
US20240197208A1 (en) Method for encoding motion sensor data, and associated device and system
Strada et al. Machine learning recognition of gait identity via shoe embedded accelerometer
KR102177647B1 (ko) 개인별 특성을 감안한 맞춤형 보행패턴 측정장치 및 측정방법
US20220211297A1 (en) Information processing device, walking environment determination device, walking environment determination system, information processing method, and storage medium
Ershadi et al. GAIToe: Gait Analysis Utilizing an IMU for Toe Walking Detection and Intervention

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant