JP2007241867A - センサ搭載型携帯端末による歩行状態検出システム、センサ搭載型携帯端末による歩行状態検出方法 - Google Patents
センサ搭載型携帯端末による歩行状態検出システム、センサ搭載型携帯端末による歩行状態検出方法 Download PDFInfo
- Publication number
- JP2007241867A JP2007241867A JP2006066185A JP2006066185A JP2007241867A JP 2007241867 A JP2007241867 A JP 2007241867A JP 2006066185 A JP2006066185 A JP 2006066185A JP 2006066185 A JP2006066185 A JP 2006066185A JP 2007241867 A JP2007241867 A JP 2007241867A
- Authority
- JP
- Japan
- Prior art keywords
- sensor data
- feature vector
- feature
- walking state
- sensor
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
【解決手段】検出したい複数の歩行状態のセンサデータを基底関数分解して得られた結果に基づいて特徴ベクトルを生成し、その特徴ベクトルを学習させて獲得した特徴抽出マップから複数の歩行状態の基底センサデータを抽出する。空間の各軸回りに回転して生成された擬似センサデータを基底関数分解した結果に基づき生成された特徴ベクトルを学習させ特徴抽出マップを生成する。歩行状態のセンサデータを基底関数分解して特徴ベクトルを生成し、それを特徴抽出マップに入力した時の結果に基づき歩行状態を検出する。特徴ベクトルの分布統計量に基づき歩行状態の強度を算出する。センサデータの特徴ベクトルを特徴抽出マップに入力した結果に応じて追加学習し、新たに特徴抽出マップを生成し歩行形態の経年変化にも対応する。
【選択図】 図4
Description
従来、ユーザの運動量や消費カロリーを計測するためには、万歩計(登録商標)などの健康管理専用のセンサを利用するのが一般的であった。また、本発明と同様に加速度センサを用いたものもあるが、センサをある位置に固定することを前提とし、個人差を考慮しない一律の基準に基づいて歩行状態を検出している(例えば、非特許文献1参照)。このセンサを用いることによって、「走る」や「歩く」といった歩行状況を認識している。
"加速度センサを用いた人間の歩行動作の認識方法"(電気学会論文誌、pp.218−226、Vol.118−A、No.3、1998)
(1)健康管理専用のセンサは、原則、定められた体の部位に装着することが必要である。
(2)健康管理専用のセンサは歩行の有無を判定するものがほとんど。スペクトル分布のピークに基づいてヒューリステックな手法により“階段を上っている”や“走っている”等の歩行状態を検出する試みはあるが、歩行の判定はユーザに依らず同じ基準を用いており、個人の歩行形態に適応させる機能は無い。
(3)歩行数を計測するのみで、運動強度に応じて消費カロリーを算出する機能は無い。
(4)各個人の歩行に関する経年変化には未対応である。
センサを搭載した携帯電話機を携行しているユーザの歩行状態を検出するセンサ搭載型携帯端末による歩行状態検出システムであって、
検出したい複数種類の歩行状態のセンサデータを取得するセンサデータ取得手段と、
前記センサデータ取得手段によって取得されたセンサデータを基底関数分解して得られた結果に基づいて特徴ベクトルを生成する特徴ベクトル生成手段と、
前記特徴ベクトル生成手段によって生成されたセンサデータの特徴ベクトルを学習させて特徴抽出マップを獲得する特徴抽出マップ獲得手段と、
前記特徴抽出マップ獲得手段によって獲得された特徴抽出マップから複数の歩行状態の基底センサデータを抽出する基底センサデータ抽出手段と、
前記基底センサデータ抽出手段によって取得された複数の歩行状態の基底センサデータを空間の各軸回りに回転することで擬似センサデータを生成する擬似センサデータ生成手段と、
前記擬似センサデータ生成手段によって生成された擬似センサデータを基底関数分解して得られた結果に基づいて特徴ベクトルを生成する特徴ベクトル生成手段と、
前記特徴ベクトル生成手段によって生成された擬似センサデータの特徴ベクトルを学習させて特徴抽出マップを獲得する特徴抽出マップ獲得手段と、
を含むことを特徴とする。このような構成によれば、センサ搭載型携帯電話機の携行方法に制約を与えることなく、個人の歩行形態に応じて歩行状態を検出することができる。
任意の歩行状態のセンサデータを獲得するセンサデータ獲得手段と、
前記センサデータ獲得手段によって生成されたセンサデータを基底関数分解して得られた結果に基づいて特徴ベクトルを生成する特徴ベクトル生成手段と、
前記特徴ベクトル生成手段によって生成されたセンサデータの特徴ベクトルを、既に獲得された複数の特徴抽出マップに入力した時の結果に基づいて歩行状態を検出する歩行状態検出手段と、
前記歩行状態検出手段によって得られたセンサデータの特徴ベクトルの分布統計量に基づいて歩行状態の強度を算出する歩行状態強度算出手段と、
を更に含むことを特徴とする。このように構成すれば、検出した歩行状態に応じて運動強度や消費カロリーを算出することができる。
前記特徴ベクトル生成手段によって生成されたセンサデータの特徴ベクトルを特徴抽出マップに入力した時の結果に基づいて追加学習の必要性を判断する追加学習判断手段と、
前記追加学習判断手段によって追加学習の必要性が判断された場合に、センサデータの特徴ベクトルと学習済の特徴抽出マップを用いて追加学習を行い、新たに特徴抽出マップを生成する特徴抽出マップ生成手段と、
を更に含むことを特徴とする。このように構成すれば、個人の歩行形態の経年変化にも対応できる。
センサを搭載した携帯電話機を携行しているユーザの歩行状態を検出するセンサ搭載型携帯端末を用いた歩行状態検出方法であって、
検出したい複数種類の歩行状態のセンサデータを取得するセンサデータ取得ステップと、
前記センサデータ取得ステップにおいて取得されたセンサデータを基底関数分解して得られた結果に基づいて特徴ベクトルを生成する特徴ベクトル生成ステップと、
前記特徴ベクトル生成ステップにおいて生成されたセンサデータの特徴ベクトルを学習させて特徴抽出マップを獲得する特徴抽出マップ獲得ステップと、
前記特徴抽出マップ獲得ステップにおいて獲得された特徴抽出マップから複数の歩行状態の基底センサデータを抽出する基底センサデータ抽出ステップと、
前記基底センサデータ抽出ステップにおいて取得された複数の歩行状態の基底センサデータを空間の各軸回りに回転することで擬似センサデータを生成する擬似センサデータ生成ステップと、
前記擬似センサデータ生成ステップにおいて生成された擬似センサデータを基底関数分解して得られた結果に基づいて特徴ベクトルを生成する特徴ベクトル生成ステップと、
前記特徴ベクトル生成ステップにおいて生成された擬似センサデータの特徴ベクトルを学習させて特徴抽出マップを獲得する特徴抽出マップ獲得ステップと、
を含むことを特徴とする。このような構成によれば、センサ搭載型携帯電話機の携行方法に制約を与えることなく、個人の歩行形態に応じて歩行状態を検出することができる。
任意の歩行状態のセンサデータを獲得するセンサデータ獲得ステップと、
前記センサデータ獲得ステップにおいて生成されたセンサデータを基底関数分解して得られた結果に基づいて特徴ベクトルを生成する特徴ベクトル生成ステップと、
前記特徴ベクトル生成ステップにおいて生成されたセンサデータの特徴ベクトルを、既に獲得された複数の特徴抽出マップに入力した時の結果に基づいて歩行状態を検出する歩行状態検出ステップと、
前記歩行状態検出ステップにおいて得られたセンサデータの特徴ベクトルの分布統計量に基づいて歩行状態の強度を算出する歩行状態強度算出ステップと、
を更に含むことを特徴とする。このように構成すれば、検出した歩行状態に応じて運動強度や消費カロリーを算出することができる。
前記特徴ベクトル生成ステップにおいて生成されたセンサデータの特徴ベクトルを特徴抽出マップに入力した時の結果に基づいて追加学習の必要性を判断する追加学習判断ステップと、
前記追加学習判断ステップにおいて追加学習の必要性が判断された場合に、センサデータの特徴ベクトルと学習済の特徴抽出マップを用いて追加学習を行い、新たに特徴抽出マップを生成する特徴抽出マップ生成ステップと、
を更に含むことを特徴とする。このように構成すれば、個人の歩行形態の経年変化にも対応できる。
なお、以下の説明において、(→)が付加されている符号はそれがベクトルであることを示している。また、→が上に付加されている符号もそれがベクトルであることを示している。
本発明の実施形態による歩行状態検出システムの構成について図1を参照して説明する。同図は、歩行状態検出システムの基本的な構成例を示すものである。
同図を参照すると、本システムは、ユーザAの状況(コンテキスト)を獲得するために必要な複軸センサデータを検出できる加速度センサを搭載した携帯端末200と、この携帯端末200に搭載された加速度センサから検出された複軸センサデータからユーザAの健康状態を健康管理情報として提供する健康アドバイス提供サーバ100とを含んで構成されている。なお、同図中のモバイルネットワークNWは、これらの間で信号授受を実現するためのネットワークであり、図示せぬ無線基地局装置、無線基地局制御装置等によって実現される。
図1〜図3に示されている構成からなるシステムによって実現される、センサ搭載型携帯端末による歩行状態検出方法の具体的な処理の流れについて、以下説明する。
図4に示されているように、本検出方法による処理は、オフライン処理で学習を行う段階(C−1)及び段階(C−2)と、オンライン処理で実測を行う段階(C−3)と、経年変化に対応するための追加学習を行う段階(C−4)の4つの段階に大別することができる。
この段階は、質の良いデータを抽出する段階である。この段階では、辞書データD1を入力とし、前処理(S11)、特徴抽出処理(S12)、自己組織化学習(S13)、学習結果解析処理(S14)、基底センサデータ抽出処理(S15)を経て、特定信号パターン特徴マップ及び特定信号パターン発火確立マップからなるデータD2と、特定信号パターン基底センサデータD3とを導出する。
この段階は、上記の段階(C−1)で得たデータを基に、より質の良い辞書データを得る段階である。この段階では、上記段階(C−1)で得られた特定信号パターン基底センサデータD3を入力とし、擬似データ生成処理(S21)、特徴抽出処理(S22)、自己組織化学習(S23)、学習結果解析処理(S24)を経て、特定信号パターン基底センサデータD4を導出する。
この段階は、上記の段階(C−2)で得たデータを基に、実際の測定を行う段階である。この段階では、実測データD5を入力とし、前処理(S31)、特徴抽出処理(S32)、特定信号パターン検出処理(S33)、運動強度算出処理(S34)を経て、特定信号パターン分析結果データD6を導出する。
この段階は、上記の段階(C−3)で導出された特定信号パターン分析結果データD6について、自己組織化追加学習処理(S41)、学習結果解析処理(S42)、追加学習修正処理(S43)を経て、特定信号パターン分類用学習データD4を導出する。そして、導出された特定信号パターン分類用学習データD4を上記の段階(C−1)のデータD2、上記の段階(C−2)の特定信号パターン基底センサデータD4、にそれぞれフィードバックする。
(質の良いデータの抽出)
図5は、図4中の段階(C−1)の詳細な処理内容を示す図である。
図4中の段階(C−1)中の前処理(S11)は図5中の処理(C−1−2)及び(C−1−3)に対応する。図4中の段階(C−1)中の特徴抽出処理(S12)は図5中の処理(C−1−4)から(C−1−7)までに対応する。図4中の段階(C−1)中の自己組織化学習処理(S13)は図5中の処理(C−1−8)に対応する。図4中の段階(C−1)中の学習結果解析処理(S14)は図5中の処理(C−1−9)及び(C−1−10)に対応する。図4中の段階(C−1)中の基底センサデータ抽出処理(S15)は図5中の処理(C−1−11)に対応する。以下、これらの処理の内容について説明する。
処理(C−1−2):プレゼンス提供サーバでは、ユーザAの携帯端末から送信された加速度ベクトルの時系列データを逐次受信する。時系列データとして受信される加速度ベクトル(→)a0(t)をデータ分割する。手法は限定されないが、ここでは、複数の時間窓
続いて、センサデータ解析から特定信号パターンとの照合について述べる。
任意の姿勢で設置されたセンサから観測される時刻tでの実測データ加速度ベクトルを
(→)a0(t)=(a0x(t)、a0y(t)、a0z(t)) …(2)
理想的な姿勢で設置されたセンサから観測される時刻tにおける辞書データとなる加速度ベクトル(重力加速度も含む)を
(→)aD(t)=(aDX(t)、a0Y(t)、a0Z(t)) …(3)
とおく。
処理(C−1−4):まず、加速度ベクトル(→)aD(t)の特徴を解析するために基底関数展開することで時空間解像度レベルごとに時空間分解センサデータに分解する。ここでは局在波による関数展開であるMother WaveletをHarr関数とするWavelet Packet分解を利用する。上記の式(3)の両辺にWavelet Packet分解を施すと解像度レベルpでの加速度ベクトル(→)aD(t)は以下のように表せる。
処理(C−1−5):次に、これら分解波形である基底関数
(→)u(p、q) D(t)=
((→)u(p、q) x(t)、(→)u(p、q) y(t)、(→)u(p、q) z(t))
のうち、加速度ベクトル(→)aD(t)を表現するのに最良基底関数となる基底関数を選択する。そこで、以下の情報エントロピーコスト関数を定義する。
さらに、選択された基底関数(→)u(p、q) D_BN(t)の情報エントロピー
処理(C−1−6):そして、最終的に得られた基底関数(→)u(p、q) D_F(t)に基づいて辞書データの特徴ベクトル加速度ベクトル(→)XDを以下のように定義する。
処理(C−1−7):また、このとき特徴ベクトルの分布統計量として、下記のモーメントを算出する、ここでは、分布統計量ベクトルを下記のベクトル(→)M((→)X0)として表す。
(→)M((→)X0)=(M(1)((→)X0)、M(2)((→)X0)、…、M(n)((→)X0))…(9)
処理(C−1−8):次に、特徴ベクトル(→)XDを入力ベクトルとして自己組織化アルゴリズムによって学習させる。ここでは、既に公知であるKohonenの自己組織化アルゴリズムを用いる。
処理(C−1−9):学習終了後に得られる自己組織化特徴マップのノード(i、j)における特徴ノードベクトル(→)VD (i、j)に基づいて、辞書データの特徴ベクトルを入力した時に発火する特徴ノードベクトルとの対応関係を蓄積する。
処理(C−1−10):上記対応関係の蓄積結果に基づいて、特徴ノードベクトル(→)VD (i、j)が発火した時に辞書データの特徴ベクトル(→)XDが歩行状態を表す特定信号パターンCnである確率P(i、j)(Cn)を算出する。
処理(C−1−11):この時、P(i、j)(Cn)が予め設定された閾値TPBを越えている特徴ノードを基底特徴ノードベクトル(→)VD (i、j)として抽出する。さらに基底特徴ノードベクトル(→)VD (i、j)を発火させた特徴ベクトル(→)XDを求め、それを算出する基となった加速度データを基底信号パターンセンサ信号(→)a(B) D(t)として抽出する。
図13は、図4中の段階(C−2)の詳細な処理内容を示す図である。
図4中の段階(C−2)中の擬似データ生成処理(S21)は図13中の処理(C−2−1)に対応する。図4中の段階(C−2)中の特徴抽出処理(S22)は図13中の処理(C−2−2)から(C−2−5)までに対応する。図4中の段階(C−2)中の自己組織化学習処理(S23)は図13中の処理(C−2−6)に対応する。図4中の段階(C−2)中の学習結果解析処理(S24)は図13中の処理(C−2−7)及び(C−2−8)に対応する。以下、これらの処理の内容について説明する。
処理(C−2−1):次に基底信号パターン(→)a(B) D(t)から生成された擬似データである加速度ベクトル(→)a(D) D(t)から特定信号パターン特徴マップを作成する方法について説明する。
各軸のまわりに予め設定された角度α、β、γをそれぞれ独立にΔθ刻みで変えながら以下の式に従って基底信号パターン(→)a(B) D(t)を回転させることで(→)a(D) D(t)を生成する。
前述で辞書データから特定信号パターン特徴マップと特定信号パターン発火確率マップを獲得したのと同様の手順で、実測データとなる加速度ベクトル(→)a0(t)から特徴ベクトル(→)X0ならびに特徴ベクトルの分布統計量ベクトル(→)M((→)X0)を作成する。
処理(C−2−3):次に、これら分解波形である基底関数
(→)u(p、q) D(t)=
((→)u(p、q) x(t)、(→)u(p、q) y(t)、(→)u(p、q) z(t))
のうち、加速度ベクトル(→)aD(t)を表現するのに最良基底関数となる基底関数を選択する。そこで、上記式(5)により情報エントロピーコスト関数を定義し、式(5)左辺を最小にするpとqとの組み合わせを選択する。
処理(C−2−4):そして、最終的に得られた基底関数(→)u(p、q) D_F(t)に基づいて辞書データの特徴ベクトル加速度ベクトル(→)XDを上記式(7)のように定義する。また、上記式(8)と同様であり、直流成分X(i) D_BN(0)の項は用いない。
処理(C−2−5):また、このとき特徴ベクトルの分布統計量として、下記のモーメントを算出する、ここでは、分布統計量ベクトルを上記式(9)、式(10)と同様にベクトル(→)M((→)X0)として表す。
処理(C−2−6):次に、特徴ベクトル(→)XDを入力ベクトルとして自己組織化アルゴリズムによって学習させる。ここでは、既に公知であるKohonenの自己組織化アルゴリズムを用いる。
処理(C−2−8):上記対応関係の蓄積結果に基づいて、特徴ノードベクトル(→)VD (i、j)が発火した時に辞書データの特徴ベクトル(→)XDが歩行状態を表す特定信号パターンCnである確率P(i、j)(Cn)を上記式(12)によって算出する。
そして、全ての特徴ノード(i、j)についての{(→)VD (i、j)}を特定信号パターン特徴マップとして、{P(i、j)(Cn)}を特定信号パターン発火確率マップとして獲得する。
図14は、図4中の段階(C−3)の詳細な処理内容を示す図である。
図4中の段階(C−3)中の前処理(S31)は図14中の処理(C−3−2)及び(C−3−3)に対応する。図4中の段階(C−2)中の特徴抽出処理(S32)は図14中の処理(C−3−4)から(C−3−7)までに対応する。図4中の段階(C−3)中の特定信号パターン検出処理(S33)は図14中の処理(C−3−8)及び(C−3−9)に対応する。以下、これらの処理の内容について説明する。
処理(C−3−1):ユーザAは複数軸センサデータが獲得できる加速度センサを搭載してある携帯端末を携行している。逐次、ユーザAの状況(コンテキスト)に応じて変動する複数軸センサデータ(加速度ベクトル)が獲得され、パケット通信でプレゼンス提供サーバへ送信される。
処理(C−3−3):その後、データ補正処理を実施する。データ補正処理方法は加速度センサの用途によって異なるが、ここでは、Gaussianフィルターによるノイズ除去処理と、時間窓{tk}での加速度の正規化を行う。
任意の姿勢で設置されたセンサから観測される時刻tでの実測データ加速度ベクトルを上記式(2)とし、理想的な姿勢で設置されたセンサから観測される時刻tにおける辞書データとなる加速度ベクトル(重力加速度も含む)を上記式(3)とおく。
処理(C−3−4):まず、加速度ベクトル(→)aD(t)の特徴を解析するために基底関数展開することで時空間解像度レベルごとに時空間分解センサデータに分解する。ここでは局在波による関数展開であるMother WaveletをHarr関数とするWavelet Packet分解を利用する。上記の式(3)の両辺にWavelet Packet分解を施すと解像度レベルpでの加速度ベクトル(→)aD(t)は上記(4)のように表せる。
処理(C−3−5):次に、これら分解波形である基底関数
(→)u(p、q) D(t)=
((→)u(p、q) x(t)、(→)u(p、q) y(t)、(→)u(p、q) z(t))
のうち、加速度ベクトル(→)aD(t)を表現するのに最良基底関数となる基底関数を選択する。そこで、上記式(5)により情報エントロピーコスト関数を定義し、式(5)左辺を最小にするpとqとの組み合わせを選択する。
処理(C−3−6):そして、最終的に得られた基底関数(→)u(p、q) D_F(t)に基づいて辞書データの特徴ベクトル加速度ベクトル(→)XDを上記式(7)のように定義する。また、上記式(8)と同様であり、直流成分X(i) D_BN(0)の項は用いない。
処理(C−3−7):また、このとき特徴ベクトルの分布統計量として、下記のモーメントを算出する、ここでは、分布統計量ベクトルを上記式(9)、式(10)と同様にベクトル(→)M((→)X0)として表す。
処理(C−3−8):そして、この(→)X0を入力ベクトルとして、前述で生成された辞書データならびに回転角の組み合わせ(α、β、γ)ごとの擬似データに基づいた特定信号パターン特徴マップ{(→)V(Dk) D (i、j)}と特定信号パターン発火確率マップ{P(i、j) (Dk)(Cn)}に基づいて特定信号パターン発火確率P(i、j)(Cn、(→)X0)を求める。
処理(C−3−9):そして、以下の条件を満たすCnが歩行状態を表す特定信号パターンとして検出される。
前記で検出された特定信号パターンCnと関連付けられている健康管理情報を健康管理データベースから検索する。なお。健康管理データベースは以下のデータ構造を有している。
(追加学習処理)
図15は、図4中の段階(C−4)の詳細な処理内容を示す図である。
図4中の段階(C−4)中の自己組織化追加学習処理(S41)は図15中の(C−4−1)及び(C−4−2)に対応する。図4中の段階(C−4)中の学習結果解析処理(S42)は図15中の(C−4−3)に対応する。図4中の段階(C−4)中の追加学習修正処理(S43)は図15中の(C−4−4)に対応する。以下、これらの処理の内容について説明する。
処理(C−4−1):ここでは、ユーザの歩行状態の経年変化に対応するための処理を行う。はじめに、歩行状態Cnを表す特定信号パターンとして検出された特徴ベクトル
以上説明したセンサ搭載型携帯端末による歩行状態検出方法を実現するための、歩行状態検出システムの実施例の構成について、図16を参照して説明する。同図において、本例の特定信号パターン検出装置は、センサデータ抽出部(Sensory Data Extraction)100aと、センサデータ前処理部(Sensory Data Preprocessing)100bと、ウェブレットパケット分解部(Wavelet Packet Decomposition)100cと、最良基底関数選択部(Best Basis Function Selection Based on AIC)100dと、特徴パターン算出部(XYZ−Feature Pattern by composition of Entropy Distribution on each axis)100eと、特徴パターン算出部(XYZ−Feature Pattern by composition of Statistic Values of Entropy Distribution on each axis)100fと、自己組織化特徴マップ(Self−Organizing Feature Map(Training Stage))100gと、特定信号パターン発生確率マップ(Specific Patterns Occurrence Probabilities Map based on Best Matching Units)100hと、基底特徴パターン抽出部(Basis Feature Pattern Extraction)100iと、基底センサデータ抽出部(Basis Sensory Data Extraction)100jと、擬似センサデータ生成部(Pseudo−Sensory Data Generation)100kと、センサデータ抽出部(Sensory Data Extraction)100mと、自己組織化特徴マップ部(Self−Organizing Feature Map(Clustering Stage))100nと、特定信号パターン抽出部(Specific Patterns Extraction)100pと、辞書選択部(Select Dictionary)100rと、辞書特徴パターン抽出部(Dictionary Feature Map Extraction)100qと、カロリー計算部(calculate calorie)100sと、類似度算出部(Similarities between Feature Pattern and Best Matching Units)100tと、データ格納部(Storing good data for re-learning)100uとを含んで構成されている。
センサデータ前処理部100bは、上述した処理(C−1−2)及び(C−1−3)、(C−3−2)及び(C−3−3)を行う。
ウェブレットパケット分解部100cは、上述した処理(C−1−4)、(C−2−2)及び(C−3−4)を行う。
最良基底関数選択部100dは、上述した処理(C−1−5)及び(C−2−3)、(C−3−5)を行う。
特徴パターン算出部100eは、上述した処理(C−1−6)、(C−2−4)及び(C−3−6)を行う。
特徴パターン算出部100fは、上述した処理(C−1−7)、(C−2−5)及び(C−3−7)を行う。
特定信号パターン発生確率マップ100hは、上述した処理(C−1−9)及び(C−1−10)、(C−2−7)及び(C−2−8)を行う。
基底特徴パターン抽出部100i及び基底センサデータ抽出部100jは、上述した処理(C−1−11)を行う。
擬似センサデータ生成部100kは、上述した処理(C−2−1)を行う。
センサデータ抽出部100mは、上述した処理(C−3−1)を行う。
自己組織化特徴マップ部100nは、上述した処理(C−3−8)を行う。
特定信号パターン抽出部100pは、上述した処理(C−3−9)を行う。
データ格納部100uは、上述した処理(C−4−2)を行う。
辞書選択部100rは、上述した処理(C−4−4)を行う。
カロリー計算部100sは、カロリーの計算を行う。
辞書特徴パターン抽出部100qは、辞書特徴マップを出力する処理を行う。
また、センサデータ前処理部100b、ウェブレットパケット分解部100c、最良基底関数選択部100d、特徴パターン算出部100e、及び特徴パターン算出部100fは、図3中のセンサデータ解析機能部12に対応する。
自己組織化特徴マップ部100nは、図3中の特定信号パターン獲得機能部13に対応する。
また、上述した図3又は図16中の構成要素の一部(すなわち機能の一部)を、携帯端末200内に設けても良い。これにより、健康アドバイス提供サーバ100の処理負荷を軽減することができる。
12 センサデータ解析機能部
13 特定信号パターン獲得機能部
14 センサデータ照合機能部
15 健康管理情報変換機能部
16 健康管理情報送信機能部
21 センサデータ獲得機能部
22 センサデータ送信機能部
23 情報受信機能部
100 健康アドバイス提供サーバ
100a センサデータ抽出部
100b センサデータ前処理部
100c ウェブレットパケット分解部
100d 最良基底関数選択部
100e、100f 特徴パターン算出部
100g 自己組織化特徴マップ
100h 特定信号パターン発生確率マップ
100i 基底特徴パターン抽出部
100j 基底センサデータ抽出部
100k 擬似センサデータ生成部
100m センサデータ抽出部
100n 自己組織化特徴マップ部
100q 辞書特徴パターン抽出部
100r 辞書選択部
100s カロリー計算部
100t 類似度算出部
100u データ格納部
100p 特定信号パターン抽出部
101 特定信号パターンデータベース
102 健康管理情報変換データベース
200 携帯端末
A ユーザ
Claims (6)
- センサを搭載した携帯電話機を携行しているユーザの歩行状態を検出するセンサ搭載型携帯端末による歩行状態検出システムであって、
検出したい複数種類の歩行状態のセンサデータを取得するセンサデータ取得手段と、(100a)
前記センサデータ取得手段によって取得されたセンサデータを基底関数分解して得られた結果に基づいて特徴ベクトルを生成する特徴ベクトル生成手段と、(100b,100c,100d,100e,100f)
前記特徴ベクトル生成手段によって生成されたセンサデータの特徴ベクトルを学習させて特徴抽出マップを獲得する特徴抽出マップ獲得手段と、(100g,100h)
前記特徴抽出マップ獲得手段によって獲得された特徴抽出マップから複数の歩行状態の基底センサデータを抽出する基底センサデータ抽出手段と、(100i,100j)
前記基底センサデータ抽出手段によって取得された複数の歩行状態の基底センサデータを空間の各軸回りに回転することで擬似センサデータを生成する擬似センサデータ生成手段と、(100k)
前記擬似センサデータ生成手段によって生成された擬似センサデータを基底関数分解して得られた結果に基づいて特徴ベクトルを生成する特徴ベクトル生成手段と、(100b,100c,100d,100e,100f)
前記特徴ベクトル生成手段によって生成された擬似センサデータの特徴ベクトルを学習させて特徴抽出マップを獲得する特徴抽出マップ獲得手段と、(100g,100h)
を含むことを特徴とするセンサ搭載型携帯電話機による歩行状態検出システム。 - 任意の歩行状態のセンサデータを獲得するセンサデータ獲得手段と、(100m)
前記センサデータ獲得手段によって生成されたセンサデータを基底関数分解して得られた結果に基づいて特徴ベクトルを生成する特徴ベクトル生成手段と、(100b,100c,100d,100e,100f)
前記特徴ベクトル生成手段によって生成されたセンサデータの特徴ベクトルを、既に獲得された複数の特徴抽出マップに入力した時の結果に基づいて歩行状態を検出する歩行状態検出手段と、(100g,100n,100p)
前記歩行状態検出手段によって得られたセンサデータの特徴ベクトルの分布統計量に基づいて歩行状態の強度を算出する歩行状態強度算出手段と、(100s)
を更に含むことを特徴とする請求項1記載のセンサ搭載型携帯電話機による歩行状態検出システム。 - 前記特徴ベクトル生成手段によって生成されたセンサデータの特徴ベクトルを特徴抽出マップに入力した時の結果に基づいて追加学習の必要性を判断する追加学習判断手段と、(100t,100u)
前記追加学習判断手段によって追加学習の必要性が判断された場合に、センサデータの特徴ベクトルと学習済の特徴抽出マップを用いて追加学習を行い、新たに特徴抽出マップを生成する特徴抽出マップ生成手段と、(100g,100h,100r,100q)
を更に含むことを特徴とする請求項2記載のセンサ搭載型携帯電話機による歩行状態検出システム。 - センサを搭載した携帯電話機を携行しているユーザの歩行状態を検出するセンサ搭載型携帯端末を用いた歩行状態検出方法であって、
検出したい複数種類の歩行状態のセンサデータを取得するセンサデータ取得ステップと、(C-1-1)
前記センサデータ取得ステップにおいて取得されたセンサデータを基底関数分解して得られた結果に基づいて特徴ベクトルを生成する特徴ベクトル生成ステップと、(C-1-2, C-1-3, C-1-4, C-1-5, C-1-6, C-1-7)
前記特徴ベクトル生成ステップにおいて生成されたセンサデータの特徴ベクトルを学習させて特徴抽出マップを獲得する特徴抽出マップ獲得ステップと、(C-1-8, C-1-9, C-1-10)
前記特徴抽出マップ獲得ステップにおいて獲得された特徴抽出マップから複数の歩行状態の基底センサデータを抽出する基底センサデータ抽出ステップと、(C-1-11)
前記基底センサデータ抽出ステップにおいて取得された複数の歩行状態の基底センサデータを空間の各軸回りに回転することで擬似センサデータを生成する擬似センサデータ生成ステップと、(C-2-1)
前記擬似センサデータ生成ステップにおいて生成された擬似センサデータを基底関数分解して得られた結果に基づいて特徴ベクトルを生成する特徴ベクトル生成ステップと、(C-2-1, C-2-2, C-2-3, C-2-4, C-2-5)
前記特徴ベクトル生成ステップにおいて生成された擬似センサデータの特徴ベクトルを学習させて特徴抽出マップを獲得する特徴抽出マップ獲得ステップと、(C-2-6, C-2-7, C-2-8)
を含むことを特徴とするセンサ搭載型携帯電話機による歩行状態検出方法。 - 任意の歩行状態のセンサデータを獲得するセンサデータ獲得ステップと、(C-3-1, C-3-2, C-3-3)
前記センサデータ獲得ステップにおいて生成されたセンサデータを基底関数分解して得られた結果に基づいて特徴ベクトルを生成する特徴ベクトル生成ステップと、(C-3-4, C-3-5, C-3-6, C-3-7)
前記特徴ベクトル生成ステップにおいて生成されたセンサデータの特徴ベクトルを、既に獲得された複数の特徴抽出マップに入力した時の結果に基づいて歩行状態を検出する歩行状態検出ステップと、(C-3-8, C-3-9)
前記歩行状態検出ステップにおいて得られたセンサデータの特徴ベクトルの分布統計量に基づいて歩行状態の強度を算出する歩行状態強度算出ステップと、(C-3-10)
を更に含むことを特徴とする請求項4記載のセンサ搭載型携帯電話機による歩行状態検出方法。 - 前記特徴ベクトル生成ステップにおいて生成されたセンサデータの特徴ベクトルを特徴抽出マップに入力した時の結果に基づいて追加学習の必要性を判断する追加学習判断ステップと、(C-4-1)
前記追加学習判断ステップにおいて追加学習の必要性が判断された場合に、センサデータの特徴ベクトルと学習済の特徴抽出マップを用いて追加学習を行い、新たに特徴抽出マップを生成する特徴抽出マップ生成ステップと、(C-4-2, C-4-3, C-4-4)
を更に含むことを特徴とする請求項5記載のセンサ搭載型携帯電話機による歩行状態検出方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006066185A JP4897314B2 (ja) | 2006-03-10 | 2006-03-10 | センサ搭載型携帯端末による歩行状態検出システム、センサ搭載型携帯端末による歩行状態検出方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006066185A JP4897314B2 (ja) | 2006-03-10 | 2006-03-10 | センサ搭載型携帯端末による歩行状態検出システム、センサ搭載型携帯端末による歩行状態検出方法 |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2007241867A true JP2007241867A (ja) | 2007-09-20 |
JP2007241867A5 JP2007241867A5 (ja) | 2009-01-15 |
JP4897314B2 JP4897314B2 (ja) | 2012-03-14 |
Family
ID=38587315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2006066185A Active JP4897314B2 (ja) | 2006-03-10 | 2006-03-10 | センサ搭載型携帯端末による歩行状態検出システム、センサ搭載型携帯端末による歩行状態検出方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP4897314B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014504932A (ja) * | 2011-02-10 | 2014-02-27 | ドーサヴィ ピーティーワイ. エルティーディー. | 哺乳動物の体の向きを分類するための装置および方法 |
US9761118B2 (en) | 2010-08-06 | 2017-09-12 | Samsung Electronics Co., Ltd. | Detecting apparatus and method, and mobile terminal apparatus having detecting apparatus |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1024026A (ja) * | 1996-07-11 | 1998-01-27 | Ricoh Co Ltd | 携帯型情報処理装置 |
JP2003325490A (ja) * | 2002-05-10 | 2003-11-18 | Seiko Epson Corp | 加重力測定機能付き携帯機器及び健康状態管理システム、並びに健康状態管理方法 |
JP2005114537A (ja) * | 2003-10-07 | 2005-04-28 | National Institute Of Advanced Industrial & Technology | 歩行動作検出処理装置および歩行動作検出処理方法 |
WO2005096597A1 (ja) * | 2004-03-30 | 2005-10-13 | Sharp Kabushiki Kaisha | 携帯情報処理装置、情報処理システム、携帯情報処理装置の制御方法、携帯情報処理装置の制御プログラムおよび記録媒体 |
-
2006
- 2006-03-10 JP JP2006066185A patent/JP4897314B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1024026A (ja) * | 1996-07-11 | 1998-01-27 | Ricoh Co Ltd | 携帯型情報処理装置 |
JP2003325490A (ja) * | 2002-05-10 | 2003-11-18 | Seiko Epson Corp | 加重力測定機能付き携帯機器及び健康状態管理システム、並びに健康状態管理方法 |
JP2005114537A (ja) * | 2003-10-07 | 2005-04-28 | National Institute Of Advanced Industrial & Technology | 歩行動作検出処理装置および歩行動作検出処理方法 |
WO2005096597A1 (ja) * | 2004-03-30 | 2005-10-13 | Sharp Kabushiki Kaisha | 携帯情報処理装置、情報処理システム、携帯情報処理装置の制御方法、携帯情報処理装置の制御プログラムおよび記録媒体 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9761118B2 (en) | 2010-08-06 | 2017-09-12 | Samsung Electronics Co., Ltd. | Detecting apparatus and method, and mobile terminal apparatus having detecting apparatus |
JP2014504932A (ja) * | 2011-02-10 | 2014-02-27 | ドーサヴィ ピーティーワイ. エルティーディー. | 哺乳動物の体の向きを分類するための装置および方法 |
US10126108B2 (en) | 2011-02-10 | 2018-11-13 | dorsaVi Ltd | Apparatus and method for classifying orientation of a body of a mammal |
Also Published As
Publication number | Publication date |
---|---|
JP4897314B2 (ja) | 2012-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Human activity recognition based on motion sensor using u-net | |
JP4992043B2 (ja) | 行動識別装置、行動識別システムおよび行動識別方法 | |
Ghasemzadeh et al. | Power-aware computing in wearable sensor networks: An optimal feature selection | |
Yang et al. | Distributed recognition of human actions using wearable motion sensor networks | |
US9060714B2 (en) | System for detection of body motion | |
Ghasemzadeh et al. | Structural action recognition in body sensor networks: Distributed classification based on string matching | |
CN108171278B (zh) | 一种基于运动训练数据的运动模式识别方法和系统 | |
Zhang et al. | A comprehensive study of smartphone-based indoor activity recognition via Xgboost | |
CN109102029B (zh) | 信息最大化生成对抗网络模型合成人脸样本质量评估方法 | |
JP5009543B2 (ja) | 複軸センサからの特定信号パターン検出システム、複軸センサからの特定信号パターン検出方法 | |
Mondal et al. | Gait based personal identification system using rotation sensor | |
CN109665399A (zh) | 一种矿井提升机无线传输的故障诊断系统及方法 | |
Esfahani et al. | PAMS: A new position-aware multi-sensor dataset for human activity recognition using smartphones | |
Lan et al. | Estimating calorie expenditure from output voltage of piezoelectric energy harvester: an experimental feasibility study | |
Zheng et al. | Meta-learning meets the Internet of Things: Graph prototypical models for sensor-based human activity recognition | |
Hussein et al. | Reliable machine learning for wearable activity monitoring: Novel algorithms and theoretical guarantees | |
CN111160443B (zh) | 一种基于深度多任务学习的活动和用户识别方法 | |
Zhang et al. | CSI-based location-independent human activity recognition using feature fusion | |
JP4897314B2 (ja) | センサ搭載型携帯端末による歩行状態検出システム、センサ搭載型携帯端末による歩行状態検出方法 | |
Zhu et al. | Smartphone-based human activity recognition in buildings using locality-constrained linear coding | |
Cui et al. | Cost-effective activity recognition on mobile devices | |
Guenterberg et al. | A distributed hidden markov model for fine-grained annotation in body sensor networks | |
Kumari et al. | Effect of reduced dimensionality on deep learning for human activity recognition | |
JP5297547B2 (ja) | 複軸センサからの特定信号パターン検出システム、複軸センサからの特定信号パターン検出方法 | |
Gerych et al. | Gan for generating user-specific human activity data from an incomplete training corpus |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20081003 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20081121 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20110920 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20111117 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20111220 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20111222 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 Ref document number: 4897314 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20150106 Year of fee payment: 3 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |