JP2006054021A - 携帯型情報機器、使用環境判定方法、および、プログラム - Google Patents

Abstract

【課題】使用環境に特有な詳細な特徴が抽出できることから誤動作を防止し、かつ多様な使用環境に適合した機能制御を行う。
【解決手段】加速度センサ２と、記憶手段３３、特徴抽出手段３１および環境判定手段３２を備える。記憶手段３３は、使用環境下で想定される加速度センサ２のＧ値に対応した環境パターン列の情報を使用環境ごとに記憶している。特徴抽出手段３１がＧ値の時系列データの時間的推移の特徴を求めると、環境判定手段３２は、当該特徴が最も近い環境パターン列を特定し、その使用環境を現在の使用環境と判定する。さらに機能制御手段を備え、これにより情報の再生または記録の機能を、判定した現在の使用環境に適した状態に制御する。
【選択図】図１

Description

本発明は、加速度センサを内蔵する形態型情報機器、加速度センサを内蔵する機器の使用環境判定方法、および、その判定のための手順を記述したプログラムに関するものである。

加速度センサの一種である重力センサを内蔵し、その出力に応じて、当該機器の落下を検出し、たとえばＨＤＤ(Hard Disc Drive)のヘッドをディスク上から退避させる制御を行う電子機器が知られている（たとえば、特許文献１参照）。

この電子機器では、無重力センサが落下状態にあることを検知すると、その状態がＭ秒後に継続しているかどうかを調べる。もし、継続していたら、さらにＭ秒後にその状態が継続しているかどうかを調べる。そして、この繰り返しがＮ回続いたときに、自分が落下状態にあると判断する。この数「Ｍ」と「Ｎ」は、ＥＥＰＲＯＭ内に記憶しているしきい値データで与えられる。

このように、センサを用いて機器の状態について何らかの判断を行い、機器制御に用いる場合、従来は、センサによって得られた値から定量的な判断、すなわちしきい値との比較により機器の状態（環境）を判断していた。

特開２００４−１２７３６４号公報

センサ出力値は、ある一定時間の短いフレーム（サンプリング間隔）ごとのサンプリング値の集まりであり、各々は局所的な特徴である。
ところが、上記特許文献１のようにしきい値データを用いて使用状態を判定する定量的な判定方法では、誤動作がないように何度か繰り返し判断を行う工夫をしても、その各々は局所的な特徴であるサンプリング値に対し、あるしきい値を越えたか越えないかの判断となるため、使用状態によっては誤った判断がされることがある。
つまり、落下状態を検出するのに上記しきい値データを用いる場合、たとえばエレベータ内や航空機内では、低重力または無重力の状態がある程度の時間続けば落下状態と同じ判定がなされることがある。このように落下状態でもないのに落下状態と判定されると、ＨＤＤの使用が途中で中断されることから、ＨＤＤ内蔵型のポータブルオーディオ機器やノートブック型のコンピュータの使用者にとっては不便であり、場合によってはデータが失われるなど大きな不利益を被ることになる。

本発明が解決しようとする課題は、環境判定基準に定量値を用いる定量的判定では抽出不可能な使用環境に特有な詳細な特徴が抽出でき、これにより誤動作を防止し、さらに、多様な使用環境の判定が行え、これにより使用環境に適合した機能制御が可能な携帯型情報機器、使用環境判定方法、および、その方法の手順を記述したプログラムを提供することにある。

本発明に係る携帯型情報機器は、情報の再生または記録の機能を有する携帯型情報機器であって、加速度センサと、当該携帯型情報機器の使用環境下で想定される前記加速度センサの出力に対応した環境パターン列の情報を使用環境ごとに記憶している記憶手段と、加速度センサから取得した時系列データの時間的推移の特徴を求め、当該特徴が最も近い前記記憶手段内の環境パターン列を特定し、当該特定した環境パターン列が想定する使用環境を現在の使用環境と判定する環境判定手段と、前記情報の再生または記録の機能を、判定した現在の使用環境に適した状態に制御する機能制御手段とを有する。
前記環境判定手段は、好ましくは、前記加速度センサの出力に応じた時系列のシンボル列を入力し、当該入力したシンボル列が時間経過にともなう状態変化によって前記環境パターン列と同じになり得る確率を、各環境パターン列に対応する使用環境ごとに前記記憶手段からの情報に基づいて算出し、当該算出した確率が最大の使用環境を現在の使用環境と判定する。
さらに好ましくは、前記記憶手段は、隠れマルコフモデルの定常状態の集合としての前記環境パターン列と、当該環境パターン列が各定常状態を取るときに出力すべき事前確率とを、使用環境ごとに記憶している。

本発明に係る前記携帯型情報機器は、好ましくは、前記加速度センサからの出力を、時系列のシンボル列からなり使用環境の判断要素となる特徴パラメータに変換して前記環境判定部に出力する特徴抽出手段をさらに有する。
前記特徴抽出手段は、好ましくは、前記加速度センサからの出力から特徴パラメータとして、加速度のｘ方向、ｙ方向およびｚ方向の各成分、各成分の単位時間変化量、ならびに、各成分の合成量を抽出し、それぞれ時系列のシンボル列として前記環境判定手段に出力し、前記環境判定手段は、入力した特徴パラメータごとに時系列のシンボル列の時間的推移の特徴を求める。
前記環境判定手段は、さらに好ましくは、前記特徴パラメータごとの時系列のシンボル列を入力し、当該入力したシンボル列が時間経過にともなう状態変化によって前記環境パターン列と同じになり得る確率を、各環境パターン列に対応する使用環境ごとに前記記憶手段からの情報に基づいて前記特徴パラメータごとに算出し、当該特徴パラメータごとに算出した確率の全てで最大の確率に対応した使用環境、あるいは、特徴パラメータに優先順位付与や重み付けを行うことによって総合的に判断した使用環境を現在の使用環境と判定する。

このような構成の携帯型情報機器において、加速度センサから特徴抽出手段に送られた出力から、特徴抽出手段が特徴パラメータとして、たとえば加速度のｘ方向、ｙ方向およびｚ方向の各成分、各成分の単位時間変化量、ならびに、各成分の合成量を抽出する。抽出された特徴パラメータのそれぞれが環境判定手段に送られる。
この特徴パラメータは、サンプリング時間に対応したフレームごとの時系列シンボル列であることから、同一の機器の使用環境であっても多様に変化する。つまり、加速度が急激に低下する場合を例にとると、機器の落下状態、航空機のエアポケットでの急降下、あるいは、エレベータの下降状態のそれぞれで、それぞれの環境に応じた特有の変化の仕方をする。

環境判定手段は、このような時系列シンボル列を入力し、その時間的推移の特徴を求め、当該特徴が最も近い前記記憶手段内の環境パターン列を特定する。より詳細には、入力したシンボル列が時間経過にともなう状態変化によって前記環境パターン列と同じになり得る確率を、隠れマルコフモデル等に即し各環境パターン列に対応する使用環境ごとに前記記憶手段からの情報に基づいて算出する。そして、この確率が最も高い記憶手段内の環境パターン列を特定し、当該特定した環境パターン列が想定する使用環境を現在の使用環境と判定する。
この判定後に機能制御手段は、当該機器が有する情報の再生または記録の機能を、判定した現在の使用環境に適した状態に制御する。たとえば、落下の場合は、衝撃を受けても破壊されない安全な状態にする。ただし、同じ加速度の急降下の検出であっても、航空機やエレベータの下降時には単なる落下状態とは特徴が異なることから、このような安全策はとらない。
あるいは機能制御手段は、様々な使用環境に応じた機能制御を行う。

本発明に係る使用環境判定方法は、加速度センサからの出力に基づいて、当該加速度センサを内蔵した機器の使用環境を判定する使用環境判定方法であって、当該機器の使用環境下で想定される前記加速度センサの出力に対応した環境パターン列の情報を使用環境ごとに予め記憶させる記憶ステップと、前記加速度センサの出力に応じた時系列のシンボル列を入力し、当該入力したシンボル列が時間経過にともなう状態変化によって前記環境パターン列と同じになり得る確率を、各環境パターン列に対応する使用環境ごとに前記情報に基づいて算出する確率算出ステップと、当該算出した確率が最大の使用環境を現在の使用環境と判定する環境判定ステップとを含む。
好ましくは、前記加速度センサからの出力を、時系列のシンボル列からなり使用環境の判断要素となる特徴パラメータに変換し、前記確率算出ステップに出力する特徴抽出ステップをさらに含む。

本発明に係るプログラムは、機器内に内蔵されている速度センサの出力に応じた時系列のシンボル列を入力し、当該入力したシンボル列が、時間経過にともなう状態変化によって、当該機器の使用環境下で想定される加速度センサの出力に対応した環境パターン列と同じになり得る確率を、各環境パターン列に対応する使用環境ごとに算出する確率算出ステップと、当該算出した確率が最大の使用環境を現在の使用環境と判定する環境判定ステップとを前記機器内のコンピュータに実行させるためのプログラムである。
このプログラムは、好ましくは、前記加速度センサからの出力を、時系列のシンボル列からなり使用環境の判断要素となる特徴パラメータに変換し、前記確率算出ステップに出力する特徴抽出ステップをさらに含む。

本発明に係る携帯型情報機器、使用環境判定方法およびプログラムによれば、環境判定基準に定量値を用いる従来の定量的判定では抽出不可能であった、使用環境に特有な詳細な特徴が抽出できる。このため、機器の機能制御において、ある機能を働かせたい場合と働かせては困る場合があり、このような場合に従来の定量的判定では同一視されていた幾つかの使用環境を峻別できる。その意味で、誤動作防止の強化が図れる。
また多様な使用環境の判定が行えることから、たとえば使用環境に応じた音量調整やプログラム再生など様々な機能制御が可能で、これにより機器の付加価値を高めることができる。

本実施の形態は、加速度センサ（以下、Ｇセンサという）を内蔵した機器に関する。
このような機器の使用環境の判定において、使用環境の微妙な違いや変化を判断するために、加速度センサの出力を時系列データとして扱う。この使用環境の特徴を、Ｇセンサ出力を基に表現し使用環境判定を行うためには、様々な長さの時系列データを確率的に生成し得る信号モデルが必要となる。

そこで、本発明の実施の形態では、Ｇセンサを内蔵した機器の使用環境に特有で詳細な特徴を抽出し、予め求めてある様々な使用環境の環境パターン列に照らして現在の使用環境を特定する処理手順（アルゴリズム）を提案する。
このアルゴリズムとしてはリアルタイム処理に適した確率モデルを用いるものが望ましく、このため本実施の形態では隠れマルコフモデル(ＨＭＭ)を用いて環境判定のための確率モデルを作成する。

以下、最良な実施の形態としてＨＭＭを用いた環境判定アルゴリズムとそのための手段をまず説明し、つぎに、この環境判定アルゴリズムを携帯型情報機器に適用した場合の構成と動作を説明する。

図１に、環境判定のため手段を含む構成図を示す。
機器１は、環境判定のための手段として、Ｇセンサ（加速度センサ）２と、Ｇセンサからの出力を基に環境判定アルゴリズムを実行する処理部３とを有する。この処理部３は、特徴抽出手段３１、環境判定手段３２および記憶手段３３とを有する。
処理部３は、種々のコンピュータベース、たとえばマイクロプロセッサ、中央演算処理ユニット(ＣＰＵ)あるいはデジタル信号処理装置(ＤＳＰ)などの機能を利用して実現可能である。特徴抽出手段３１および環境判定手段３２の機能は、ハードウエアで実現してもよいし、あるいはプログラム上の処理手順としてソフトウエアで実現してもよい。
記憶手段３３は、コンピュータベースの内蔵のものを利用してもよいし、外部に設けたものでもよい。外部に設けた記憶手段３３は、機器１内のＲＯＭやＲＡＭ、あるいは、当該機器１に着脱可能に挿入される記録媒体のいずれでもよい。

Ｇセンサ２としては、たとえばピエゾ抵抗効果または封入ガスの対流を用いたＭＥＭＳ技術による３軸加速度センサ、あるいは、ジャイロを用いる。携帯型の機器に対しては、小型化が可能なＭＥＭＳ技術による３軸加速度センサが望ましい。Ｇセンサ２はｘ方向、ｙ方向およびｚ方向の加速度データを出力する。

特徴抽出手段３１は、Ｇセンサ２の出力から、Ｇ値の特徴量としてＧ値のｘ方向成分Ｇ_ｘ、ｙ方向成分Ｇ_ｙ、ｚ方向成分Ｇ_ｚおよびＧ値のｘ方向成分変化量ΔＧ_ｘ、ｙ方向成分変化量ΔＧ_ｙ、ｚ方向成分変化量ΔＧ_ｚならびに次式(１)に示す平均Ｇ値(Ｇave)を抽出する。以下これらの特徴量を「Ｇ値」または「Ｇ値特徴量」と総称し、単に「Ｇ値」と称した場合、これらの特徴量の何れかを指すものとする。

環境判定手段３２は、観測されるＧ値から最もよくマッチする環境パターン列を見つけ出すことを行う。環境判定手段３２の入力パターンを、上記特徴抽出手段３１から出力されるＧ値とし、これがＮフレームの時系列とした特徴ベクトル（Ｘ＝ｘ_１,ｘ_２,…,ｘ_Ｎ）により表されるとした場合、最もマッチする環境パターン列（Ｗ＝ｗ_１,ｗ_２,…,ｗ_Ｉ）を環境判定手段３２が見つけ出す。
ここで環境パターン列（Ｗ＝ｗ_１,ｗ_２,…,ｗ_Ｉ）は、ある環境下で全体として特有のパターンを形成するＧ値の特徴量の集合である。たとえば、落下時、ジョギング時、歩行時、乗り物による移動中（電車、自転車、自動車、航空機あるいは船などの乗り物の識別も可能）などの環境を、その特有のパターンに応じて識別可能に、それぞれ特有のＧ値特徴量パターン列を、ここで「環境パターン列」と称する。

特徴ベクトルＸが環境パターン列Ｗから生じる確率はＰ(Ｗ|Ｘ)である。この確率Ｐ(Ｗ|Ｘ)が最大となる環境パターン列Ｗを求めることができれば、特徴ベクトルＸは、当該環境パターン列Ｗにより決まる環境下で生じたものと推定できる。確率Ｐ(Ｗ|Ｘ)は、ベイズの定理より次式(２)のように表される。

ここで確率Ｐ(Ｘ)は、入力パターン（Ｇ値の特徴ベクトルＸ）自身の生起確率であるので、環境パターン列Ｗには依らない。そこで、式(２)の左辺の確率Ｐ(Ｗ|Ｘ)を最大化するということは、右辺のＰ(Ｘ|Ｗ)・Ｐ(Ｗ)を最大化する環境パターン列Ｗを求めることに帰結する。
ここで確率Ｐ(Ｘ|Ｗ)を、各々の環境のＧ値を用いて予め学習しておいた隠れマルコムモデル(ＨＭＭ)からの確率とする。また確率Ｐ(Ｗ)は、環境パターン列Ｗの事前確率であり、これは各環境パターンの出現確率を表す出現確率モデルからの確率である。

これらのＨＭＭモデルや出現確率モデルのプログラム、特徴ベクトルＸの生起確率Ｐ(Ｘ)および環境パターン列の事前確率Ｐ(Ｗ)の使用環境ごとのデータは、図１に示す記憶手段３３に予め格納されている。なお、図１においては、使用環境ごとに異なるものと、共通なプログラム等を分けて示しているが、それに限らず、これらを同じＲＡＭに格納してもよいし、ＲＡＭとＲＯＭに振り分けて格納してもよい。

ＨＭＭ（隠れマルコフモデル）とは音声信号を識別する際に幅広く用いられている時系列信号の確率モデルであり、複数の定常信号源の間を状態が遷移することで、非定常な時系列信号をモデル化することができる。このＨＭＭをフレームごとの環境特徴量、つまりＧ値の系列に適用する。ＨＭＭは、以下のように構成される。

図２に、right to left型のＨＭＭの一例を示す。
観測されたＧ値の特徴ベクトルＸが非定常な信号とみなされるのに対して、図２に示す符号「Ｓ_０,Ｓ_１,Ｓ_２,…,Ｓ_ｎ−１,Ｓ_ｎ」のそれぞれは定常とみなされる状態、すなわちＧ値の環境パターン列Ｗの有限集合を示すものであり、ＨＭＭの定常信号源を構成する。

図２に示すＨＭＭの状態遷移図では、観測されたＧ値の特徴ベクトル（Ｘ＝ｘ_１,ｘ_２,…,ｘ_Ｎ）がとりうる値の組（Ｎ個のｘシンボルの組み合わせ）の一つを状態Ｓ_０〜Ｓ_ｎの一つに対応させている。そして、ある状態から１回の遷移で到達することができる状態間を、方向をもった線（以下、アークという）で結んでいる。この状態間の遷移確率｛ａ_ｉｊ｝（ｉ＝０,１,２,…,ｎ−１、ｊ＝１,２,３,…,ｎ）は、前記式(２)の確率Ｐ(Ｘ|Ｗ)に対応しており、学習によってアークごとに予め求めることができるものであり、これを状態遷移確率と称する。また、このＨＭＭモデルは、状態が遷移するごとに一つのシンボルｏｉを出力するが、このシンボルｏｉが出力される確率（出力確率）ｂｉは、環境パターン列Ｗの事前確率Ｐ(Ｗ)に対応するものであり、出力シンボルごとに状態遷移に対応付けられて予め算出されている。なお、本例では、この出力確率ｂｉは離散的で有限であることから予め求めて記憶手段３３内にテーブル化しておくことができる。

つぎに、実際にシンボル系列(Ｏ＝ｏ１，ｏ２,…，ｏＮ)が与えられたとき、この系列が、隠れマルコフモデル(Λ)から出力される確率Ｐ(Ｘ|Λ)を計算するためにフォワード(forward)アルゴリズムまたはビタビ(viterbi)アルゴリズム等を用いて、最もマッチする環境を判断する。
以下、これらのアルゴリズムについて簡単に述べる。

＜フォワードアルゴリズム＞
図３は、フォワードアルゴリズムを説明するための格子(trellis)の配列と状態遷移を示す図である。図３においては(Ｎ＋２)×(Ｍ＋１)個の格子が示され、出力シンボル系列に対応する時間経過を横軸に、各状態を縦軸にとって、時間経過による状態遷移を表している。
アルゴリズムを説明する前に上記(Ｎ＋２)×(Ｍ＋１)の各格子上に定義される状態停留確率ａ(ｍ,ｎ)を次式(３)により定義する。

［数３］
ａ(ｍ,ｎ)＝Ｐ(ｓ(ｎ)＝Ｓ_ｍ|Ｘ) …(３)

ここで「ｍ」は任意の状態Ｓ_ｍを規定する状態番号(０≦ｍ≦Ｍ)であり、「ｎ」は任意の出力シンボルＯ_ｎの出力時刻を規定するフレーム番号(０≦ｎ≦Ｎ＋１)である。また格子座標も同じ符号の組「(ｍ,ｎ)」によって与えられるものとする。また「ｓ(ｎ)」は時刻ｎの時の状態を示す。

状態停留確率ａ(ｍ,ｎ)は、信号系列Ｏが与えられたとき、単位時間（１フレーム時間）が経過した後も状態が前回と同じ状態Ｓ_ｍに停留している、すなわちｓ(ｎ)＝Ｓ_ｍとなっている確率であり、格子点(ｎ，ｍ)ごとに与えられる。また状態系列は、(０，０)から(Ｎ＋１，Ｍ)まで格子上をたどる一つの経路となる。図３に示す矢印を辿る経路のうち、ＨＭＭの性質から、与えられた出力シンボル系列Ｏを出力することができる状態の系列は複数存在するが、ある状態遷移経路Ｓ（たとえば図３における斜線を入れた丸印の状態を通る遷移系列）に沿ってシンボル系列Ｏが出力される確率Ｐ(Ｏ,Ｓ|Λ)は、次式(４)にしたがって計算される。

一方、異なる状態の系列同士は排反であるため、次式(５)が成り立つ。

式(５)により、与えられた隠れマルコフモデルΛからシンボル系列Ｏが出力される確率Ｐ(Ｏ|Λ)が計算される。式(５)から明らかなように、この確率Ｐ(Ｏ|Λ)は、シンボル系列Ｏが出力される状態系列のすべてで、式(４)により示すに確率Ｐ(Ｏ,Ｓ|Λ)を加えることで得られる。

＜ビタビアルゴリズム＞
つぎに、与えられたシンボル系列を最も高い確率で生成する状態遷移経路を求める問題を考える。ビタビアルゴリズムによれば、この問題の解は直接的には次式(６)を用いて求めることができる。

ビタビアルゴリズムでは、シンボル系列を最も高い確率で生成する状態遷移経路を探索するため、処理効率が高い。ところが、たとえば信号にノイズがのったような環境化では、探索の最初の段階でノイズ等の影響を受け経路ミスを侵し、誤った状態遷移経路が選択される可能性もある。ただし、十分にノイズ等が抑制された状況下では、シンボル系列を最も高い確率で生成する状態遷移経路を短時間で探索できるという利点がある。
逆にフォワードアルゴリズムは、処理負担が相対的に大きいが、どのような状況下においても全体として正しい解が得られやすいという利点がある。
なお、この２つのアルゴリズム以外も選択できる。使用環境や処理能力を勘案して最適なＨＭＭ確率モデルのアルゴリズムとして、フォワードアルゴリズム、ビタビアルゴリズムあるいは他のアルゴリズムが選択される。

何れにしても、ＨＭＭモデルを用いる限り、予めモデルと出力シンボル系列との対応関係を予め学習させる必要がある。つまり、たとえば落下、ジョギング、歩行、あるいは電車内といった環境ごとに、かつ、Ｇ値の各特徴量、すなわちＧ値の大きさ、変化分、平均値等ごとに、その環境で起こりうるシンボル系列のパターンを採取し、それをＨＭＭモデルに反映させる必要がある。
このような学習には、たとえばフォワード−バックワード（forward-backward）アルゴリズムを用いることができる。

＜フォワード−バックワード・アルゴリズム＞
ここでは、初期モデル(Λ)と観測された信号系列(Ｏ)を手がかりに、全ての状態系列Ｓについてその出現確率Ｐ(Ｓ|Ｏ,Λ)を計算し、期待値に基づいて初期モデルが与えられた下で最尤パラメータを持つモデル(

)の推定（最尤推定）を行い、さらに得られたモデルを初期モデルとして学習を繰り返すことで、より高い確率で学習データを出力しうるモデルの学習を行う。
しかし、実際にすべての状態系列に対して出現確率Ｐ(Ｓ|Ｏ,Λ)を求めるためには膨大な計算量が必要とされることから、効率的に期待値を計算するフォワード−バックワード・アルゴリズムを用いる。

フォワード−バックワード・アルゴリズムは、モデルと出力信号が与えられた下で、時間ｎにおいて状態ｊに至る前向き確率α(ｎ,ｊ)と、時刻ｎに状態ｊを出発して時刻Ｎ＋１に状態Ｍ（終了状態）に到達する後ろ向き確率β(ｎ,ｊ)とを予め計算しておくことにより、計算量の削減を図るアルゴリズムである。
前向き確率と後ろ向き確率の関係から両者の積を求めると、α(ｎ,ｊ)β(ｎ,ｊ)＝Ｐ(Ｏ,ｓ(ｎ)＝ｍ|Λ)、すなわち時刻ｎにおいて状態ｍに停留する状態系列から信号系列Ｏが出力される確率が計算できる。さらに、同時確率と条件付確率の関係から、時刻ｎにおいて状態ｍに停留するすべての状態系列の出現確率Ｐ(ｓ(ｎ)＝ｍ|Ｏ,Λ)が、次式(７)により計算される。

つぎに、環境判定方法を説明する。
図４は、フォワードアルゴリズムを例として環境判定のための手順を示すフローチャートである。
ステップＳＴ０において予め、想定する使用環境ごとに環境パターン列等を記憶手段３３に記憶させておく。

Ｇセンサ２により加速度が検出されると（ステップＳＴ１）、特徴抽出手段３１がＧセンサ２の出力から特徴パラメータを抽出し（ステップＳＴ２）、想定されている使用状態（落下、ジョギング、歩行、乗車など）から一つを選択すると（ステップＳＴ３）、処理が次のステップＳＴ４〜ＳＴ８に示す確率算出ステップに進む。

確率算出ステップでは、まず初期設定を行う（ステップＳＴ４）。具体的には、図３に示す全ての状態Ｓにおいて状態遷移確率、状態停留確率および事前確率等を選択した使用状態に応じた値に設定する。

つぎに、フレーム数(時間)ｎと状態番号ｍを「１」に設定し（ステップＳＴ５）、続いて前記式(５)による繰り返し計算の１回目を実行する（ステップＳＴ６）。
このステップＳＴ６の計算を、次のステップＳＴ７で現在のフレーム数ｎが予め規定した最大フレーム数Ｎに到達したと判断されるまで、ステップＳＴ８でフレーム数ｎをインクリメントしながら必要な回数繰り返す。

ステップＳＴ７で「ｎ＝Ｎ」と判断されると次のステップＳＴ９において、全ての使用状態を選択したか否かを確認する。最初は、この判断が「ＮＯ」となって処理フローがステップＳＴ３に戻り、ここで未だ選択されていない使用状態を選択し、上記と同様にしてステップＳＴ４〜ＳＴ８の確率算出ステップを再度実行する。

全ての使用状態が選択されステップＳＴ９の判断が「ＹＥＳ」となると、続くステップＳＴ１０とＳＴ１１で環境判定を実行する。
具体的には、環境判定部３２が、たとえばＧ値特徴量ごとに、最も確率が高くなる使用環境を特定する。つまり、上述した式(５)により表現される隠れマルコフモデルΛからシンボル系列Ｏが出力される確率Ｐ(Ｏ|Λ)を比較し（ステップＳＴ１０）、その確率が最も高いときに、そのシンボル系列Ｏに対応した使用環境を特定する（ステップＳＴ１１）。
この最尤推定による使用環境の特定をＧ値特徴量ごとに行った場合、全てのＧ値特徴量で確率Ｐ(Ｏ|Λ)が最も高いときの使用環境を現在の使用環境と判定してもよいし、Ｇ値特徴量に優先順位付与や重み付けを行い、これを用いることによって使用環境の判定を総合的に行ってもよい。

この判定により決められた現在の使用環境を示す信号をつぎのステップＳＴ１２で出力すると、当該環境判定のための手順すべてが終了する。

つぎに、上述した環境判定方法を機能選択に適用した携帯型音響機器を説明する。

図５は、この携帯型音響機器１０の概略構成を示すブロック図である。
携帯型音響機器１０は、ハードディスク(ＨＤ)、ミニディスク(ＭＤ)、コンパクトディスク(ＣＤ)等のディスク、半導体メモリなどを内蔵または着脱可能な記憶媒体１１として有する。携帯型音響機器１０は、その記憶媒体１１の再生部１２と、再生部を制御するコンピュータベースの制御手段、たとえばマイクロコンピュータ(μ−ｃｏｍ．)１３、および、Ｇセンサ２を備える。

再生部１２は、音楽やデータ再生のための基本的な機能に加え、多数の付加機能を実行するための機能実行部、ここでは第１機能実行部１４−１、第２機能実行部１４−２、第３機能実行部１４−３、第４機能実行部１４−４および第５機能実行部１４−５を有する。再生部１２に、スピーカ１２Ａおよびヘッドフォンジャック１２Ｂが設けられている。これらの５つの機能実行部とマクロコンピュータ１３が本発明の「機能制御手段」の実施態様を構成する。

第１機能実行部１４−１は、使用者が当該携帯型音響機器１０を故意に細かく振ると、それが認識されたら、たとえば再生されている曲の順番がシャッフルされるようにプレイモード変更の機能を実行する。
第２機能実行部１４−２は、使用者が当該携帯型音響機器１０に故意に所定の振動（大きく振る、あるいは、何回か回転させる）を与えると、それを認識し、ディスクジョッキ(ＤＪ)が行うようなスクラッチ、あるいは、ミキシングのような再生曲のアレンジを行う。

以上の２つの機能は使用者が故意に動作（この動作を本実施の形態では、使用環境の一種とする）を与える場合であるが、以下の３つの機能は、そのような故意の動作がなくとも使用環境を検出して実行される。

第３の機能実行部１４−３は、使用環境を「歩行」、「ジョギング」、「ほぼ停止状態」の３つから判定し、停止のときは最もテンポの遅い曲を、歩いているときはつぎにテンポの遅い曲を、走りながら使用しているときは最もテンポの速い曲を自動的に選んで再生する。これらの曲は、使用者が「テンポ適応曲選択モード」において予め登録したものを用いるとよい。この機能では、使用者の動作状態に合わせて、その動作にあったテンポの曲を選択するため、運動時のバックミュージックとして最適な曲選択が可能になる。

第４の機能実行部１４−４は、第３の機能実行部１４−３と同様、使用環境を「歩行」、「ジョギング」、「ほぼ停止状態」の３つから判定する。ただし、曲選択ではなく、同じ曲（使用者が選んで再生中の曲）の再生スピードを、使用環境に合わせて制御する。この機能は曲が頻繁に変わることを嫌う使用者を考慮したものである。また、同じ曲の再生スピードを変えることによって、ジョギング時やエクササイズ用ランニングマシーン使用時などで、当該携帯型音響機器１０をペースメーカーの代用として用いることができる。

第５の機能実行部１４−５は、「歩行」、「ジョギング」、「ほぼ停止状態」のときは通常の再生を行うが、使用環境として、たとえば電車に乗っていることがＧ値の時間変化パターンにより検出したときは、自動的にボリュームが下がる、あるいは、ヘッドフォンからの音漏れがし難いようにイコライザを働かせるなどマナーモードの機能を実行する。なお、電車に乗っているときは環境音が大きいので、好みによっては音漏れを防止しながらボリュームを上げるようにしてもよい。

これらの使用環境の判定のために、マイクロコンピュータ１３内に、図１に示す処理部３の諸機能がハード的にあるいはソフト的に設けられている。また、マイクロコンピュータ１３は、再生部１２内の第１〜第５機能実行部１４−１〜１４−５を制御する。
なお、この場合も確率モデルにより時間経過で変化するＧ値特徴量を抽出することから、たとえばＨＤＤのヘッド退避制御において意図しない動作（誤動作）の防止が図れる。

本実施の形態によれば、機器に付属しているＧセンサから入力されるシンボル系列を用いて機器の使用環境を判定する際に、従来のように固定的で、かつ定量的な基準、たとえばしきい値を用いることがなく、時間とともに動的に変化するシンボル系列の特徴を、ほぼそのままＧ値の特徴として抽出できる。このため使用環境に固有の特徴を正しく検出でき、その結果、使用環境の判定精度が向上し意図しない動作（誤動作）の防止が図れる。
また、Ｇ値、Ｇ値の変化量あるいは平均Ｇ値から、機器の使用環境を予め学習しておいたＨＭＭモデルにより、現在の使用状態を精度よく判定できる。このような確率モデルを用いた場合、サンプリング時間ごとの確率計算負担は小さく、同じような繰り返し計算であることから、ほぼリアルタイムで収束性がよい処理が実行できる。

さらに携帯型音響機器に応用すると、誤動作防止のほかに、様々な環境変化適用型の機能制御が実行でき、これによって当該機器を便利で商品価値が高いものにすることが可能となる。

本発明の実施の形態に係る機器の、環境判定のため手段を含む構成図である。 本発明の実施の形態に係る環境判定方法の説明に用いた、right to left型のＨＭＭの一例を示す状態遷移図である。 本発明の実施の形態に係る環境判定方法について、フォワードアルゴリズムを説明するための格子(trellis)の配列と状態遷移を示す図である。 フォワードアルゴリズムを例として環境判定方法の手順を示すフローチャートである。 本発明の実施の形態に係る携帯型情報機器の例として、携帯型音響機器の概略構成を示すブロック図である。

符号の説明

１…機器、２…加速度センサ、３…処理部、１０…携帯型音響機器、１１…記憶媒体、１２…再生部、１３マイクロコンピュータ、１４−１〜１４−５…機能実行部、３１…特徴抽出手段、３２…環境判定手段、３３…記憶手段

Claims (10)

1. 情報の再生または記録の機能を有する携帯型情報機器であって、
   加速度センサと、
   当該携帯型情報機器の使用環境下で想定される前記加速度センサの出力に対応した環境パターン列の情報を使用環境ごとに記憶している記憶手段と、
   加速度センサから取得した時系列データの時間的推移の特徴を求め、当該特徴が最も近い前記記憶手段内の環境パターン列を特定し、当該特定した環境パターン列が想定する使用環境を現在の使用環境と判定する環境判定手段と、
   前記情報の再生または記録の機能を、判定した現在の使用環境に適した状態に制御する機能制御手段と
   を有する携帯型情報機器。
2. 前記環境判定手段は、前記加速度センサの出力に応じた時系列のシンボル列を入力し、当該入力したシンボル列が時間経過にともなう状態変化によって前記環境パターン列と同じになり得る確率を、各環境パターン列に対応する使用環境ごとに前記記憶手段からの情報に基づいて算出し、当該算出した確率が最大の使用環境を現在の使用環境と判定する
   請求項１に記載の携帯型情報機器。
3. 前記加速度センサからの出力を、時系列のシンボル列からなり使用環境の判断要素となる特徴パラメータに変換して前記環境判定部に出力する特徴抽出手段を
   さらに有する請求項１に記載の携帯型情報機器。
4. 前記記憶手段は、隠れマルコフモデルの定常状態の集合としての前記環境パターン列と、当該環境パターン列が各定常状態を取るときに出力すべき事前確率とを、使用環境ごとに記憶している
   請求項２に記載の携帯型情報機器。
5. 前記特徴抽出手段は、前記加速度センサからの出力から特徴パラメータとして、加速度のｘ方向、ｙ方向およびｚ方向の各成分、各成分の単位時間変化量、ならびに、各成分の合成量を抽出し、それぞれ時系列のシンボル列として前記環境判定手段に出力し、
   前記環境判定手段は、入力した特徴パラメータごとに時系列のシンボル列の時間的推移の特徴を求める
   請求項３に記載の携帯型情報機器。
6. 前記環境判定手段は、前記特徴パラメータごとの時系列のシンボル列を入力し、当該入力したシンボル列が時間経過にともなう状態変化によって前記環境パターン列と同じになり得る確率を、各環境パターン列に対応する使用環境ごとに前記記憶手段からの情報に基づいて前記特徴パラメータごとに算出し、当該特徴パラメータごとに算出した確率の全てで最大の確率に対応した使用環境、あるいは、特徴パラメータに優先順位付与や重み付けを行うことによって総合的に判断した使用環境を現在の使用環境と判定する
   請求項５に記載の携帯型情報機器。
7. 加速度センサからの出力に基づいて、当該加速度センサを内蔵した機器の使用環境を判定する使用環境判定方法であって、
   当該機器の使用環境下で想定される前記加速度センサの出力に対応した環境パターン列の情報を使用環境ごとに予め記憶させる記憶ステップと、
   前記加速度センサの出力に応じた時系列のシンボル列を入力し、当該入力したシンボル列が時間経過にともなう状態変化によって前記環境パターン列と同じになり得る確率を、各環境パターン列に対応する使用環境ごとに前記情報に基づいて算出する確率算出ステップと、
   当該算出した確率が最大の使用環境を現在の使用環境と判定する環境判定ステップと
   を含む使用環境判定方法。
8. 前記加速度センサからの出力を、時系列のシンボル列からなり使用環境の判断要素となる特徴パラメータに変換し、前記確率算出ステップに出力する特徴抽出ステップを
   さらに含む請求項７に記載の使用環境判定方法。
9. 機器内に内蔵されている速度センサの出力に応じた時系列のシンボル列を入力し、当該入力したシンボル列が、時間経過にともなう状態変化によって、当該機器の使用環境下で想定される加速度センサの出力に対応した環境パターン列と同じになり得る確率を、各環境パターン列に対応する使用環境ごとに算出する確率算出ステップと、
   当該算出した確率が最大の使用環境を現在の使用環境と判定する環境判定ステップと
   を前記機器内のコンピュータに実行させるためのプログラム。
10. 前記加速度センサからの出力を、時系列のシンボル列からなり使用環境の判断要素となる特徴パラメータに変換し、前記確率算出ステップに出力する特徴抽出ステップを
    さらに含む請求項９に記載のプログラム。
    

Images