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

Abstract

【課題】センサ携行方法に制約を与えずにユーザの歩行形態に応じて歩行状態を検出し、運動強度等を算出する。
【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

本発明は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に関し、特にユーザに健康管理情報を提供するための歩行状態検出システム、歩行状態検出方法に関する。

実世界指向型サービスを実現する上でモバイル環境下での個人の状況を理解することは重要である。特に生活習慣病予防のためにはユーザの日頃の運動量や消費カロリーを計測することは健康アドバイスサービスなどのヘルスケアの分野では極めてニーズが高い。
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）

しかしながら、万歩計（登録商標）などの健康管理専用のセンサを利用した運動量や消費カロリーの計測方法には、以下の課題がある。
（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。

本発明は上述した従来技術の問題点を解決するためになされたものであり、その目的はセンサ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可能で、さらには、歩行状態に応じて運動強度や消費カロリーを算出するとともに、個人の歩行形態の経年変化にも対応可能な歩行状態検出システム、歩行状態検出方法を提供することである。

本発明の請求項１によ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は、
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。

本発明の請求項２によ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は、請求項１において、
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。

本発明の請求項３によ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は、請求項２において、
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。

本発明の請求項４によるセンサ搭載型携帯電話機による歩行状態検出方法は、
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。

本発明の請求項５によるセンサ搭載型携帯電話機による歩行状態検出方法は、請求項４において、
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。

本発明の請求項６によるセンサ搭載型携帯電話機による歩行状態検出方法は、請求項５において、
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。

以上説明したように本発明は、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可能で、さらには、歩行状態に応じて運動強度や消費カロリーを算出するとともに、個人の歩行形態の経年変化にも対応できるという効果がある。

以下、本発明の実施の形態を、図面を参照して説明する。以下の説明において参照する各図では、他の図と同等部分は同一符号によって示されている。
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。

（基本構成）
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中のユーザＡの携帯端末２００の内部構成例が図２に示されている。同図を参照すると、携帯端末２００は、加速度センサから複軸センサデータを検出するセンサデータ獲得機能部２１と、検出された複軸センサデータを健康アドバイス提供サーバ１００へ送信するセンサデータ送信機能部２２と、健康アドバイス提供サーバ１００から送信されるユーザＡの健康管理情報を受信して表示する情報受信機能部２３とが搭載されている。この携帯端末２００は、図示せぬＣＰＵ、通信部、メモリ、入出力操作部、表示部等、一般的な携帯電話端末としてのハードウェア構成を有しており、これらの構成によって上記の機能を実現している。

図１中の健康アドバイス提供サーバ１００の内部構成例が図３に示されている。同図を参照すると、健康アドバイス提供サーバ１００は、上記携帯端末２００より送信された複軸センサデータを受信するセンサデータ受信機能部１１と、このセンサデータ受信機能部１１によって受信された複軸センサデータから信号パターン特徴ベクトルを抽出するセンサデータ解析機能部１２と、事前に検出対象となる特定信号パターン特徴ベクトルを抽出し、そのデータを特定信号パターンデータベース１０１へ格納する特定信号パターン獲得機能部１３と、センサデータ解析機能部１２で抽出された信号パターン特徴ベクトルとデータベース１０１に格納されている特定信号パターン特徴ベクトルとを照合するセンサデータ照合機能部１４と、センサデータ照合機能部１４で照合された特定信号パターン特徴ベクトルを健康管理情報変換データベース１０２に基づいてプレゼンス情報に変換する健康管理情報変換機能部１５と、変換された健康管理情報をユーザＡのリクエストに応じて提供する健康管理情報送信機能部１６とを含んで構成されている。この健康アドバイス提供サーバ１００は、図示せぬＣＰＵ、通信部、メモリ、入出力部、表示部等、一般的なサーバ装置としてのハードウェア構成を有しており、これらの構成によって上記の機能を実現している。

（センサ搭載型携帯端末による歩行状態検出方法）
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。

（Ｃ−１）
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。

（Ｃ−２）
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。

（Ｃ−３）
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。

（Ｃ−４）
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。

以下、各段階について、図５〜図１５を参照して詳細に説明する。
（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−１−１）：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−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

を用意してデータ分割する。

処理（Ｃ−１−３）：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｛ｔ_k｝での加速度の正規化を行う。
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）＝（ａ_0x（ｔ）、ａ_0y（ｔ）、ａ_0z（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
（→）ａ_D（ｔ）＝（ａ_DX（ｔ）、ａ_0Y（ｔ）、ａ_0Z（ｔ）） …（３）
とおく。

はじめに、辞書データとなる加速度ベクトル（→）ａ_D（ｔ）から歩行状態を表す特定信号パターンの特徴マップを作成する方法について説明する。
処理（Ｃ−１−４）：まず、加速度ベクトル（→）ａ_D（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（→）ａ_D（ｔ）は以下のように表せる。

ここで、（→）ｕ^(p、^q) _D（ｔ）は、解像度レベルｐのｑ番目の分解波形（基底関数）を表す。
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（→）ａ_D（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。

式（５）の左辺を最小にするｐとｑとの組み合わせを選択する。これにより、情報エントロピーの増加を防ぎ（冗長な表現ではなく）、波形を正確に分解することができる。
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

がもっとも大きいものから選び、それらを順次加えていった和が全情報エントロピー（情報エントロピーの総和）に対して閾値Ｔ_SoEに達するまでの基底関数を選択する。
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（→）Ｘ_Dを以下のように定義する。

ここで、

であり、直流成分Ｘ⁽ⁱ⁾ _{D_BN}（０）の項は用いない。
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）

ただし、

そして、辞書データとなる全ての加速度ベクトル（→）ａ_D（ｔ）について辞書データの特徴ベクトル（→）Ｘ_Dを求める。
処理（Ｃ−１−８）：次に、特徴ベクトル（→）Ｘ_D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（→）Ｖ_D ⁽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。

ここで、自己組織化特徴マップの例が、図６〜図１２に示されている。図６は、階段降り動作を行った場合の自己組織化特徴マップの例、図７は、階段昇り動作を行った場合の自己組織化特徴マップの例、図８は、早歩き動作を行った場合の自己組織化特徴マップの例、図９は、電車内歩行動作を行った場合の自己組織化特徴マップの例、図１０は、電車着座動作を行った場合の自己組織化特徴マップの例、図１１は、走行動作を行った場合の自己組織化特徴マップの例、図１２は、平地歩行動作を行った場合の自己組織化特徴マップの例、である。これらは、その動作が行われている最中にいずれかのノードを発火させ、そのノード内に記載されている数値を上昇させたマップである。そして、１つのノードの数値を上昇させる場合、そのノードに隣接する近傍の６つのノードについても数値を上昇させる。このマッピング処理を所定周期（例えば、数秒周期）で繰返し行う。このようにマッピングすることにより、数値の大きなノードほど発火の頻度が高いことになる。すなわち、このマッピング処理によって、発火度数を把握することができる。

非特許文献１においては、自己組織化特徴マップのノードについて区分けを行い（すなわちクラスタリングを行い）、その区分けを固定しそれに従って処理を行っている。このため、図７〜図１２のように発火ノードが比較的集中している場合には、非特許文献１に記載の技術を利用して処理を行っても問題無いが、図６のように発火ノードが分散している傾向がある場合には、非特許文献１に記載の技術を利用して処理を行うと正しいコンテキスト情報が得られない。

これに対し、本発明では、ノードの区分けを行わない。そして、ゆらぎのある質の悪いデータは学習対象とせず、質の良いデータのみを自己組織化特徴マップ中から抽出して学習対象とする。このため、図７〜図１２のように発火ノードが比較的集中している場合はもちろん、図６のように発火ノードが分散している傾向がある場合でも、正しいコンテキスト情報が得られる。
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（→）Ｖ_D ⁽ⁱ、^j)が発火した時に辞書データの特徴ベクトル（→）Ｘ_D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。

ここで、

は特定信号パターンＣｎのうち特徴ノードベクトル（→）Ｖ_D ⁽ⁱ、^j)で発火する確率を、Ｐ（Ｃ_n）は特定信号パターンＣ_nが発生する確率を表し、下記のように定義される。

ただし、

はＺが生じる個数を、（→）Ｖ_D ⁽ⁱ、^j)は特徴ノード（ｉ、ｊ）で特定信号パターンＣ_nが生じる事象を表す。

そして、全ての特徴ノード（ｉ、ｊ）についての｛（→）Ｖ_D ⁽ⁱ、^j)｝を特定信号パターン特徴マップとして、｛Ｐ_(i、_j)（Ｃ_n）｝を特定信号パターン発火確率マップとして獲得する。
処理（Ｃ−１−１１）：この時、Ｐ_(i、_j)（Ｃ_n）が予め設定された閾値Ｔ_PBを越えている特徴ノードを基底特徴ノードベクトル（→）Ｖ_D ⁽ⁱ、^j)として抽出する。さらに基底特徴ノードベクトル（→）Ｖ_D ⁽ⁱ、^j)を発火させた特徴ベクトル（→）Ｘ_D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。

（より質の良い辞書データの構築）
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。

そして、回転角の組み合わせ（α、β、γ）ごとに得られた擬似データ（→）ａ^(D) _D（ｔ）を、前述の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擬似データに関する特定信号パターン特徴マップ｛（→）Ｖ^(D) _D ⁽ⁱ、^j)｝と特定信号パターン発火確率マップＰ_(i、_j) ^(D)（Ｃ_n）を得る。

次に、実測データとなる加速度ベクトル（→）ａ₀（ｔ）から特定信号パターンを抽出する方法について説明する。
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−２−２）：まず、加速度ベクトル（→）ａ_D（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（→）ａ_D（ｔ）は上述した式（４）のように表せる。
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（→）ａ_D（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。

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（上述した式（６））がもっとも大きいものから選び、それらを順次加えていった和が全情報エントロピー（情報エントロピーの総和）に対して閾値Ｔ_SoEに達するまでの基底関数を選択する。
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（→）Ｘ_D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。

そして、辞書データとなる全ての加速度ベクトル（→）ａ_D（ｔ）について辞書データの特徴ベクトル（→）Ｘ_Dを求める。
処理（Ｃ−２−６）：次に、特徴ベクトル（→）Ｘ_D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−２−７）：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（→）Ｖ_D ⁽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。自己組織化特徴マップの例は、すでに述べたので、その説明を省略する。
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（→）Ｖ_D ⁽ⁱ、^j)が発火した時に辞書データの特徴ベクトル（→）Ｘ_D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)（Ｃ_n）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｛（→）Ｖ_D ⁽ⁱ、^j)｝を特定信号パターン特徴マップとして、｛Ｐ_(i、_j)（Ｃ_n）｝を特定信号パターン発火確率マップとして獲得する。

（実際の測定）
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−３−２）：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、複数の時間窓を上記式（１）にしたがって用意してデータ分割する。
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｛ｔ_k｝での加速度の正規化を行う。

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。

はじめに、辞書データとなる加速度ベクトル（→）ａ_D（ｔ）から歩行状態を表す特定信号パターンの特徴マップを作成する方法について説明する。
処理（Ｃ−３−４）：まず、加速度ベクトル（→）ａ_D（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（→）ａ_D（ｔ）は上記（４）のように表せる。

ここで、（→）ｕ^(p、^q) _D（ｔ）は、解像度レベルｐのｑ番目の分解波形（基底関数）を表す。
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（→）ａ_D（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。

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（上述した式（６））がもっとも大きいものから選び、それらを順次加えていった和が全情報エントロピー（情報エントロピーの総和）に対して閾値Ｔ_SoEに達するまでの基底関数を選択する。
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（→）Ｘ_D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。

そして、辞書データとなる全ての加速度ベクトル（→）ａ_D（ｔ）について辞書データの特徴ベクトル（→）Ｘ_Dを求める。
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)（Ｃ_n）｝に基づいて特定信号パターン発火確率Ｐ_(i、_j)（Ｃ_n、（→）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。

処理（Ｃ−３−１０）：また、このとき運動強度を表す一つの尺度として消費カロリー

を以下の式に基づき算出する。

ここで、ｗ（ｋ）は、ある周波数帯ｋにおける運動強度の重み係数を表し、単位時間当たりの歩数とその時の消費カロリーの割合に基づいて予め定義しておく。
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。

ユーザＸの要求に対し健康アドバイス提供サーバは、ユーザＸの健康管理情報として、歩行状態と消費カロリーの情報をユーザＸに対して送信することができる。
（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

が以下の条件を満たす場合、追加学習用データ

として保持する。

処理（Ｃ−４−２）：そして、追加学習用データ群

が閾値以上蓄積されたら、学習済の特定信号パターン特徴マップ

を初期状態、追加学習用データ群

を入力データとして、再び自己組織化アルゴリズムに基づいて追加学習させる。
処理（Ｃ−４−３）：追加学習させて得られる特定信号パターン特徴マップ

を用いて、特定信号パターン発火確率マップＰ_(i、_j) ^(D) _Relearning（Ｃｎ）を算出する。

処理（Ｃ−４−４）：そして、辞書データ、擬似データ、そして追加学習用データ群を入力データとして、追加学習前と追加学習後とで歩行状態の検出精度を比較する。そして、検出精度の高い特定信号パターン特徴マップならびに特定信号パターン発火確率マップを歩行状態検出用として用いる。このように経年変化を考慮してフィードバック処理によって検出精度のより高いマップを用いることで、ユーザの歩行状態の経年変化に対応する。

（実施例）
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。

これらの構成において、センサデータ抽出部１００ａは、上述した処理（Ｃ−１−１）を行う。
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。

自己組織化特徴マップ１００ｇは、上述した処理（Ｃ−１−８）及び（Ｃ−２−６）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。

類似度算出部１００ｔは、上述した処理（Ｃ−４−１）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。

このように、上述した４つの段階（Ｃ−１）、（Ｃ−２）、（Ｃ−３）及び（Ｃ−４）を行うため、重複する処理については、その処理を行う構成要素をそれぞれ設けるのではなく、重複する処理に共通して１つの構成要素を設けている。例えば、上記ウェブレットパケット分解部１００ｃは、上述した３回の処理（Ｃ−１−４）、（Ｃ−２−２）及び（Ｃ−３−４）に共通に設けられている。このように重複する処理に共通して１つの構成要素を設ければ、システムのハードウェア規模が増大することを防止できる。

なお、センサデータ抽出部１００ｍは、図２中のセンサデータ獲得機能部２１及びセンサデータ送信機能部２２、並びに、図３中のセンサデータ受信機能部１１に対応する。
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。

さらに、センサデータ抽出部１００ａ、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、特徴パターン算出部１００ｆ、自己組織化特徴マップ１００ｇ、特定信号パターン発生確率マップ１００ｈ、及び辞書特徴パターン抽出部１００ｑは、図３中のセンサデータ照合機能部１４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。

なお、健康アドバイス提供サーバ１００で提供された健康管理情報すなわちカロリーの計算結果のデータは、ユーザＡの携帯端末２００に送信する他に、ユーザＡの健康管理を行う医者等の管理者に送信してもよい。管理者に送信する場合、管理者が使用する携帯端末やパーソナルコンピュータに、ユーザＡのプレゼンス情報を受信し表示するための情報受信機能部が設けられていればよい。
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。

本発明は、加速度センサやジャイロセンサなど複数の軸の物理的な状態が検出できるセンサを搭載した携帯電話機を用いてユーザの歩行状態を検出するものであり、各個人の状況（コンテキスト）を認識するシステムに利用されるものであり、プレゼンスサービス、コンテキスト通信、コンテキストに基づくサービスナビゲーションならびに健康アドバイスサービスなどのヘルスケアの分野に利用することができる。

本発明の実施の形態による歩行状態検出システムの構成を示す図である。 図１中のユーザＡの携帯端末の内部構成例を示す図である。 図１中の健康アドバイス提供サーバの内部構成例を示す図である。 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を示す図である。 図４中の段階（Ｃ−１）の詳細な処理内容を示す図である。 階段降り動作を行った場合の自己組織化特徴マップの例を示す図である。 階段昇り動作を行った場合の自己組織化特徴マップの例を示す図である。 早歩き動作を行った場合の自己組織化特徴マップの例を示す図である。 電車内歩行動作を行った場合の自己組織化特徴マップの例を示す図である。 電車着座動作を行った場合の自己組織化特徴マップの例を示す図である。 走行動作を行った場合の自己組織化特徴マップの例を示す図である。 平地歩行動作を行った場合の自己組織化特徴マップの例を示す図である。 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−３）の詳細な処理内容を示す図である。 図４中の段階（Ｃ−４）の詳細な処理内容を示す図である。 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を示す図である。

符号の説明

１１ センサデータ受信機能部
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)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。

Images