JP2010286344A - 携帯端末装置の移動状態を推定する方法及びシステム - Google Patents
携帯端末装置の移動状態を推定する方法及びシステム Download PDFInfo
- Publication number
- JP2010286344A JP2010286344A JP2009140074A JP2009140074A JP2010286344A JP 2010286344 A JP2010286344 A JP 2010286344A JP 2009140074 A JP2009140074 A JP 2009140074A JP 2009140074 A JP2009140074 A JP 2009140074A JP 2010286344 A JP2010286344 A JP 2010286344A
- Authority
- JP
- Japan
- Prior art keywords
- cluster
- probability table
- movement state
- clusters
- estimation
- 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
Abstract
【解決手段】少なくとも1つのCPUとメモリとを備える携帯端末装置の移動状態を推定する方法であって、該CPUが時系列に前記メモリに格納された1又は複数のパラメータから構成される推定用特徴パラメータと1又は複数のパラメータから構成される各該代表特徴パラメータとのパラメータ毎の差に基づいて、該複数の第1クラスタから該差が第1の条件を満足する1の第1クラスタを選定するステップと、該選定された第1クラスタに対応する該第1確率表に基づいて算出された推定用セグメント確率表から、第2の条件を満足する移動状態を特定することにより移動状態を推定するステップと、からなる方法。
【選択図】図6
Description
推定用セグメント確率表を用いて複数の第2クラスタを生成するステップであって、それぞれ該第2クラスタを代表する1の第2代表確率表と、移動状態毎の確率を有する1の第2確率表とに対応する、複数の第2クラスタを生成するステップと、1又は複数のパラメータから構成される推定用セグメント確率表と、1又は複数のパラメータから構成される各第2代表確率表(第2平均確率表)とのパラメータ毎の差に基づいて、複数の第2クラスタから該差が第3の条件を満足する1の第2クラスタを選定するステップと、選定された第2クラスタに対応する第2確率表から、第4の条件を満足する移動状態を選定することにより移動状態を推定する第2の推定ステップと(第2推定)、第1の推定ステップ、および第2の推定ステップにより推定された結果が第5の条件を満足する場合に、該第5の条件により求められた結果に対応するフレームをキーフレームとして、フレーム・リストへ順次格納することによりフレーム・リストを生成するステップと、生成されたフレーム・リストにおいて、一のキーフレームと、その直前の一のキーフレームとが同一の移動状態に対応する場合に、該一のキーフレームに対応する移動状態が、所定の移動状態の場合に、該一のキーフレームと、該その直前の一のキーフレームとの間において、所定の条件を満たしているか判定するステップと、該所定の条件を満たしている場合に、該直前の一のキーフレームから該一のキーフレームに対応する移動状態を該キーフレームに対応する移動状態として確定することにより、移動状態を推定するステップと、からなる方法を特徴とする。
複数の第1クラスタを格納するメモリであって、該各第1クラスタは、該各第1クラスタを代表する1の代表特徴パラメータと、移動状態毎の確率を有する1の第1確率表とに対応する、メモリと、CPUと、であって、該CPUが、時系列に前記メモリに格納された、1又は複数のパラメータから構成される推定用特徴パラメータと、1又は複数のパラメータから構成される各前記代表特徴パラメータとのパラメータ毎の差に基づいて、該複数の第1クラスタから該差が第1の条件を満足する1の第1クラスタを選定し、選定された第1クラスタに対応する第1確率表に基づいて時系列に推定用セグメント確率表を算出し、推定用セグメント確率表を用いて複数の第2クラスタを生成するステップであって、それぞれ該第2クラスタを代表する1の第2代表確率表と、移動状態毎の確率を有する1の第2確率表とに対応する、複数の第2クラスタを生成し、1又は複数のパラメータから構成される推定用セグメント確率表と、1又は複数のパラメータから構成される各第2代表確率表とのパラメータ毎の差に基づいて、複数の第2クラスタから該差が第3の条件を満足する1の第2クラスタを選定し、選定された第2クラスタに対応する前記第2確率表から、第4の条件を満足する移動状態を選定することにより移動状態を推定する(第2推定)携帯端末装置と特徴とする。
モデルの生成
図2はモデルを生成するためのフロー図である。まず、全ての参照状態における学習用加速度データを参照状態毎に取得し、学習用特徴パラメータの群を生成する。本実施態様においては、学習用特徴パラメータの群として、学習用パワースペクトル・リストの群を生成する(B1)。学習用パワースペクトルのリストの群は、CPUによる演算により、学習用加速度データから、加速度値からなる関数をその周波成分の連続スペクトルに分解(例えば、フーリエ変換)することにより生成され、フラッシュメモリに格納される。なお、学習用特徴パラメータは、学習用パワースペクトル(学習用PS)の最大振幅周波数や、学習用加速度の3軸加速度ベクトル、加速度値の2乗和、加速度値の2乗和の分散値とすることもできる。学習用パワースペクトル・リストの群は、全ての移動状態の学習用パワースペクトル・リストからなり、学習用パワースペクトル・リストは、ある参照状態における全ての学習用パワースペクトルからなる。それぞれの学習用パワースペクトルはそれぞれ一の参照状態における移動状態に対応している。参照状態には、人間の活動状態だけではなく、人間が乗車している状態まで含めた状態、例えば歩行状態、走行状態、停止状態、自転車状態、自動車状態、バス状態、電車状態が含まれ、携帯端末装置を有しているユーザがとりうると想定される状態を参照状態として予め規定しておく。モデルの作成にあたって、事前に様々な条件下で参照状態毎に参照ユーザの有する加速度センサからの学習用加速度データを取得しておく。参照状態におけるユーザのデータは、想定しうる携帯端末装置の所持状態、例えばポケットや鞄に入れた状態、手のひらに所持している状態、腕等に装着している等、さまざまな状態に基づいて取得することができる。また、参照状態におけるユーザのデータは、想定しうるユーザの特徴、例えば性別、年齢、身長や体重等に基づいて取得することもできる。そしてモデルは、該参照状態において取得された十分なバリエーションのデータを元に生成される。
第1モデルの生成
次に、モデルの生成(第1モデルの生成)を行う(B3)。第1モデルは、学習用パワースペクトル・リストの群に含まれる学習用パワースペクトルの各々をクラスタリングすることにより生成される。従って、第1モデルは、1又は複数の学習用パワースペクトルを有するクラスタの集まり(第1クラスタの群)で構成される。ここで、クラスタとは、一般的にある集合を分割した後の各部分集合をいい、クラスタ群とは、このようなクラスタの集まりをいう。
第2モデルの生成
次に、第2モデルの生成を行う(B11)。第2モデルは、学習用セグメント確率表リストに含まれる学習用セグメント確率表の各々をクラスタリングすることにより生成される。従って、第2モデルは、1又は複数の学習用セグメント確率表をそれぞれ有するクラスタの集まり(第2クラスタの群)で構成される。まず、CPUによる演算により、学習用セグメント確率表をクラスタリングする。そして、クラスタリング結果はフラッシュメモリへ格納される。
学習用特徴パラメータ・リストの生成
図3は学習用特徴パラメータ・リストの生成処理のフロー図である。図2のステップB1に対応する処理である。本実施態様においては、学習用特徴パラメータ・リストとして、学習用パワースペクトル・リストを生成する。学習用パワースペクトル・リストは、学習用モデルを生成するために利用されるデータ・リストであり、ある特定の移動状態における参照状態のデータを一定期間取得することにより生成される。ここで、学習用特徴パラメータは、学習用パワースペクトルの最大振幅周波数や、学習用加速度の3軸加速度値ベクトル、学習用加速度の加速度値の2乗和、加速度値の2乗和の分散値とすることも可能である。
学習用特徴パラメータ・リストの群のクラスタリング
図4は学習用特徴パラメータ・リストの群のクラスタリング処理フロー図である。本処理は図2のステップB2に対応する処理である。本実施態様においては、学習用特徴パラメータ・リストとして、学習用パワースペクトル・リストを用いる。ここで、学習用パワースペクトル・リストとは、1の移動状態における参照状態の学習用パワースペクトルから構成されるリストであり、学習用パワースペクトル・リストの群とは、全移動状態の参照状態における学習用パワースペクトル・リストから構成されるリスト群である。
学習用セグメント確率表リストのクラスタリング
図5は学習用セグメント確率表リストのクラスタリング処理フロー図である。本処理は、図2のステップB10に対応する処理である。ステップB9にて学習用シンボル列の全区間において学習用セグメント確率表を算出することにより、複数の学習用セグメント確率表からなる学習用セグメント確率表リストが生成される。学習用セグメント確率表リストに含まれる学習用セグメント確率表をクラスタリングすることにより、分類対象である複数の学習用セグメント確率表は、類似する学習用セグメント確率表が同じ部分集合になるように分類される。
ユーザの移動状態の推定
図6は、ユーザの移動状態を推定するためのフロー図である。ユーザの移動状態の推定は、学習用パワースペクトルを用いて生成されたモデル、即ち第1モデル及び/又は第2モデルを用いて行う。
第1モデルによる推定結果の取得
図6のフロー図に従って、移動状態の推定方式を以下に詳述する。まず、移動状態を推定するユーザの有する携帯端末装置に備えられている加速度センサから加速度データを取得し、加速度からなる関数をその周波成分の連続スペクトルに分解すること(例えば、フーリエ変換)により推定用パワースペクトル・リストを生成する(F1)。推定用パワースペクトル・リストには、各推定用パワースペクトルのIDと、各推定用パワースペクトル(Q個)に対応する周波数毎の振幅が時系列に格納されている(図11F)。
推定用パワースペクトル・リストの生成
推定用パワースペクトルの生成(ステップF1)を以下に詳述する。ある移動状態にいるユーザの移動状態を推定するために用いる推定用パワースペクトル・リストは、学習用パワースペクトル・リストの選定と同様のプロセスにより行われる。より詳細には、ある移動状態にいるユーザが有する加速度センサから所定期間に亘って推定用の加速度データを取得し、得られた推定用加速度データから加速度の時間窓データを生成する。
第2モデルによる推定結果の取得
次に、CPUは、第2モデルを用いて推定用セグメント確率表と、最近傍の第2代表確率表を有する第2クラスタを選定する(F7)。本実施態様においては、第2代表確率表として、第2平均確率表を用いる。より詳細には、第2平均確率表は、例えば、第2モデルを構成するクラスタ群に含まれる各クラスタにおいて、各第2クラスタに対応する1又は複数の学習用セグメント確率表を用いて、移動状態毎に平均確率を求めることにより、クラスタ毎に生成される。また、第2平均確率表は、移動状態毎の平均確率と、それに対応する移動状態のIDとを関連付けたデータ表である。ここで、推定用セグメント確率表と最近傍の第2平均確率表は、例えば、第2モデルを構成する各クラスタに対応する、それぞれ1の第2平均確率表と、推定用セグメント確率表との移動状態毎の確率の差を求め、その差の総和が最小の第2平均確率表を選定することにより求められる。なお、最近傍の第2平均確率表は、移動状態毎の差の総和の2乗が最小となる確率表を選定することにより求めても良い。
キーフレームの判定
次に、メモリへ格納された第1モデル推定結果と第2モデル推定結果とが同一の移動状態か否か判定する(F9)。より詳細には、ステップF9において、一定区間において第1モデルにより選定された移動状態のIDが、第2モデルにより選定された移動状態のIDと同一か否か判定する。ステップF9において判定した結果が同一ではない場合、第1モデル、第2モデルにより選定されたユーザの移動状態は信頼性が高くないとして、この一定区間に対応する1のフレームを、未確定フレーム(unknown)としてフレーム・リストの1のフレームへ格納する(F11)。そして、さらにステップF1からステップF9の処理を繰り返す。
歩数、基地局情報を用いた移動状態推定方式
図7は、外部情報取得装置を用いた移動状態推定方式のシステム構成を示した図である。図7は図1の構成に加えて、外部情報取得装置としてアンテナ(G60)、歩数計(G70)を含む構成である。携帯端末装置は、アンテナ(G60)を通じて、基地局と通信することにより携帯端末装置に最も近い基地局の緯度、経度の情報を取得する。また、携帯端末装置は、基地局情報として基地局のID情報を取得することもできる。なお、基地局情報は、CDMA基地局や、無線タグ、無線LAN等の基地局からも取得することもできる。本実施態様においては、外部情報取得装置を用いて得られた情報をさらに用いることにより、更なる移動状態の推定精度を高め、処理負荷を軽減することができる。
キーフレーム区間の解除処理
図10はキーフレーム区間の解除処理のフローを示す。キーフレーム区間は一旦設定されると、次のキーフレームが検知されるか、若しくは歩数及び/又は基地局情報に変化があるまでは解除されることはない。
Claims (18)
- 少なくとも1つのCPU(中央処理装置)とメモリとを備える携帯端末装置の移動状態を推定する方法であって、該メモリは、複数の第1クラスタであって、それぞれ該第1クラスタを代表する1の代表特徴パラメータと、移動状態毎の確率を有する1の第1確率表とに対応する複数の第1クラスタを格納し、該CPUが、
時系列に前記メモリに格納された、1又は複数のパラメータから構成される推定用特徴パラメータと、1又は複数のパラメータから構成される各前記代表特徴パラメータとのパラメータ毎の差に基づいて、前記複数の第1クラスタから該差が第1の条件を満足する1の第1クラスタを選定するステップと、
前記選定された第1クラスタに対応する前記第1確率表に基づいて算出された推定用セグメント確率表から、第2の条件を満足する移動状態を特定することにより移動状態を推定するステップと、
からなる方法。 - 請求項1において、前記第1確率表は、前記各第1クラスタに含まれる学習用特徴パラメータに対応する移動状態毎の確率データを移動状態毎に有する、方法。
- 少なくとも1つのCPUとメモリとを備える携帯端末装置の移動状態を推定する方法であって、該メモリは、複数の第1クラスタであって、それぞれ該第1クラスタを代表する1の代表特徴パラメータと、移動状態毎の確率を有する1の第1確率表とに対応する複数の第1クラスタを格納し、該CPUが、
時系列に前記メモリに格納された、1又は複数のパラメータから構成される推定用特徴パラメータと、1又は複数のパラメータから構成される各前記代表特徴パラメータとのパラメータ毎の差に基づいて、前記複数の第1クラスタから該差が第1の条件を満足する1の第1クラスタを選定するステップと、
前記選定された第1クラスタに対応する前記第1確率表に基づいて時系列に推定用セグメント確率表を算出するステップと、
前記推定用セグメント確率表を用いて複数の第2クラスタを生成するステップであって、それぞれ該第2クラスタを代表する1の第2代表確率表と、移動状態毎の確率を有する1の第2確率表とに対応する、複数の第2クラスタを生成するステップと、
1又は複数のパラメータから構成される前記推定用セグメント確率表と、1又は複数のパラメータから構成される各前記第2代表確率表とのパラメータ毎の差に基づいて、前記複数の第2クラスタから該差が第3の条件を満足する1の第2クラスタを選定するステップと、
前記選定された第2クラスタに対応する前記第2確率表から、第4の条件を満足する移動状態を選定することにより移動状態を推定するステップと、
からなる方法。 - 請求項3において、前記第1確率表は、前記各第1クラスタに含まれる学習用特徴パラメータに対応する移動状態毎の確率データを移動状態毎に有し、前記第2確率表は、前記各第2クラスタに含まれる学習用セグメント確率表に対応する移動状態毎の確率データを移動状態毎に有する、方法。
- 少なくとも1つのCPUとメモリとを備える携帯端末装置の移動状態を推定する方法であって、該メモリは、複数の第1クラスタであって、それぞれ該第1クラスタを代表する1の代表特徴パラメータと、移動状態毎の確率を有する1の第1確率表とに対応する複数の第1クラスタを格納し、該CPUが、
時系列に前記メモリに格納された、1又は複数のパラメータから構成される推定用特徴パラメータと、1又は複数のパラメータから構成される各前記代表特徴パラメータとのパラメータ毎の差に基づいて、複数の第1クラスタから該差が第1の条件を満足する1の第1クラスタを選定するステップと、
前記選定された第1クラスタに対応する前記第1確率表に基づいて算出された時系列にメモリに格納された推定用セグメント確率表から、第2の条件を満足する移動状態を特定することにより移動状態を推定する第1の推定ステップと、
前記推定用セグメント確率表を用いて複数の第2クラスタを生成するステップであって、それぞれ該第2クラスタを代表する1の第2代表確率表と、移動状態毎の確率を有する1の第2確率表とに対応する、複数の第2クラスタを生成するステップと、
1又は複数のパラメータから構成される推定用セグメント確率表と、1又は複数のパラメータから構成される各前記第2代表確率表とのパラメータ毎の差に基づいて、複数のクラスタから該差が第3の条件を満足する1の第2クラスタを選定するステップと、
前記選定された第2クラスタに対応する第2確率表から、第4の条件を満足する移動状態を選定することにより移動状態を推定する第2の推定ステップと、
前記第1の推定ステップ、および前記第2の推定ステップにより推定された結果を用いて移動状態を推定するステップと、
からなる方法。 - 少なくとも1つのCPUとメモリとを備える携帯端末装置の移動状態を推定する方法であって、該メモリは、複数の第1クラスタであって、それぞれ該第1クラスタを代表する1の代表特徴パラメータと、移動状態毎の確率を有する1の第1確率表とに対応する複数の第1クラスタを格納し、該CPUは、
時系列に前記メモリに格納された、1又は複数のパラメータから構成される推定用特徴パラメータと、1又は複数のパラメータから構成される各前記代表特徴パラメータとのパラメータ毎の差に基づいて、前記複数の第1クラスタから該差が第1の条件を満足する1の第1クラスタを選定するステップと、
前記選定された第1クラスタに対応する前記第1確率表に基づいて算出された推定用セグメント確率表から、第2の条件を満足する移動状態を特定することにより移動状態を推定する第1の推定ステップと、
前記推定用セグメント確率表を用いて複数の第2クラスタを生成するステップであって、それぞれ該第2クラスタを代表する1の第2代表確率表と、移動状態毎の確率を有する1の第2確率表とに対応する、複数の第2クラスタを生成するステップと、
1又は複数のパラメータから構成される前記推定用セグメント確率表と、1又は複数のパラメータから構成される各前記第2代表確率表とのパラメータ毎の差に基づいて、前記複数の第2クラスタから該差が第3の条件を満足する1の第2クラスタを選定するステップと、
前記選定された第2クラスタに対応する第2確率表から、第4の条件を満足する移動状態を選定することにより移動状態を推定する第2の推定ステップと、
前記第1の推定ステップ、および前記第2の推定ステップにより推定された結果が第5の条件を満足する場合に、該第5の条件により求められた結果に対応するフレームをキーフレームとして、フレーム・リストへ順次格納することによりフレーム・リストを生成するステップと、
前記生成されたフレーム・リストにおいて、一のキーフレームと、その直前の一のキーフレームとが同一の移動状態に対応する場合に、
前記一のキーフレームに対応する移動状態が、所定の移動状態の場合に、前記一のキーフレームと、前記その直前の一のキーフレームとの間において、所定の条件を満たしているか判定するステップと、
前記所定の条件を満たしている場合に、前記直前の一のキーフレームから前記一のキーフレームに対応する移動状態を前記キーフレームに対応する移動状態として確定することにより、移動状態を推定するステップと、
からなる方法。 - 少なくとも1つのCPUとメモリとを備える携帯端末装置の移動状態の推定に用いるモデルを生成する方法であって、該CPUが、
時系列にメモリに格納されている全ての移動状態に対応する複数の学習用特徴パラメータを複数の第1クラスタにクラスタリングし、該各第1クラスタは1又は複数の前記学習用特徴パラメータからなる第1クラスタの群を生成するステップと、
前記第1クラスタの群において、前記第1クラスタ毎に前記各第1クラスタを代表する1の代表特徴パラメータと、各移動状態が出現する確率を有する第1確率表とに対応する第1クラスタを生成するステップと、
を含む方法。 - 少なくとも1つのCPUとメモリとを備える携帯端末装置の移動状態の推定に用いる第1及び第2モデルを生成する方法であって、該CPUが、
時系列にメモリに格納されている全ての移動状態に対応する複数の学習用特徴パラメータを複数の第1クラスタにクラスタリングし、該各第1クラスタは1又は複数の前記学習用特徴パラメータからなる第1クラスタの群を生成するステップと、
前記第1クラスタの群において、前記第1クラスタ毎に前記各第1クラスタを代表する1の代表特徴パラメータと、各移動状態が出現する確率を有する第1確率表とが対応する第1クラスタを生成するステップと、
前記学習用特徴パラメータ毎に、前記学習用特徴パラメータと、代表特徴パラメータとのパラメータ毎の差に基づいて、該差が所定の条件を満足する1の第1クラスタを順次選定するステップと、
前記順次選定された第1のクラスタの所定数毎に、各第1クラスタに対応する各第1確率表に基づいて、学習用セグメント確率表を算出するステップと、
前記算出された各学習用セグメント確率表を複数の第2クラスタにクラスタリングし、該各第2クラスタは1又は複数の前記学習用セグメント確率表からなる第2クラスタの群を生成するステップと、
前記第2クラスタの群において、第2クラスタ毎に、前記各第2クラスタを代表する1の第2代表確率表と、各移動状態が出現する確率を表す第2確率表と、が対応する第2クラスタを生成するステップと、
を含む方法。 - 少なくとも1つのCPUと、歩数計と、アンテナと、加速度センサとを備える携帯端末装置の移動状態の変化を検知する方法であって、該携帯端末装置は該歩数計により第1の情報を、該アンテナにより第2の情報を、該加速度センサにより第3の情報を取得可能であって、該CPUは、
推定された移動状態が第1の移動状態の場合には第1の情報のみを取得し、該第1の情報が該第1の移動状態に対応している場合には、該推定された第1の移動状態を推定結果として取得し、前記第3の情報に変化があるか否かを監視するステップと、
推定された移動状態が第2の移動状態の場合には、前記第1の情報及び第2の情報を取得し、前記第1の情報及び前記第2の情報が第2の移動状態に対応している場合には、該推定された第2の移動状態を推定結果として取得し、前記第1の情報及び前記第2の情報に変化があるか否かを監視するステップと、
推定された移動状態が第3の移動状態の場合には、前記第1の情報を取得し、前記第1の情報が第3の移動状態に対応している場合には、該推定された第3の移動状態を推定結果として取得し、前記第1の情報に変化があるか否かを監視するステップと、
からなる移動状態の変化を検知する方法。 - 携帯端末装置の移動状態を推定する携帯端末装置であって、
複数の第1クラスタを格納するメモリであって、該各第1クラスタは、該各第1クラスタを代表する1の代表特徴パラメータと、移動状態毎の確率を有する1の第1確率表とに対応する、メモリと、
CPUと、であって、該CPUが、
時系列に前記メモリに格納された、1又は複数のパラメータから構成される推定用特徴パラメータと、1又は複数のパラメータから構成される各前記代表特徴パラメータとのパラメータ毎の差に基づいて、前記複数の第1クラスタから該差が第1の条件を満足する1の第1クラスタを選定し、
前記選定された第1クラスタに対応する前記確率表に基づいて算出された推定用セグメント確率表から、第2の条件を満足する移動状態を特定することにより移動状態を推定する、
携帯端末装置。 - 請求項10において、前記第1確率表は、前記各第1クラスタに含まれる学習用特徴パラメータに対応する移動状態毎の確率データを移動状態毎に有する、携帯端末装置。
- 携帯端末装置の移動状態を推定する携帯端末装置であって、
複数の第1クラスタを格納するメモリであって、該各第1クラスタは、該各第1クラスタを代表する1の代表特徴パラメータと、移動状態毎の確率を有する1の第1確率表とに対応する、メモリと、
CPUと、であって、該CPUが、
時系列に前記メモリに格納された、1又は複数のパラメータから構成される推定用特徴パラメータと、1又は複数のパラメータから構成される各前記代表特徴パラメータとのパラメータ毎の差に基づいて、前記複数の第1クラスタから該差が第1の条件を満足する1の第1クラスタを選定し、
前記選定された第1クラスタに対応する前記第1確率表に基づいて時系列に推定用セグメント確率表を算出し、
前記推定用セグメント確率表を用いて複数の第2クラスタを生成するステップであって、それぞれ該第2クラスタを代表する1の第2代表確率表と、移動状態毎の確率を有する1の第2確率表とに対応する、複数の第2クラスタを生成し、
1又は複数のパラメータから構成される前記推定用セグメント確率表と、1又は複数のパラメータから構成される各前記第2代表確率表とのパラメータ毎の差に基づいて、前記複数の第2クラスタから該差が第3の条件を満足する1の第2クラスタを選定し、
前記選定された第2クラスタに対応する前記第2確率表から、第4の条件を満足する移動状態を選定することにより移動状態を推定する、
携帯端末装置。 - 請求項12において、前記第1確率表は、前記各第1クラスタに含まれる学習用特徴パラメータに対応する移動状態毎の確率データを移動状態毎に有し、前記第2確率表は、前記各第2クラスタに含まれる学習用セグメント確率表に対応する移動状態毎の確率データを移動状態毎に有する、携帯端末装置。
- 携帯端末装置の移動状態を推定する携帯端末装置であって、
複数の第1クラスタを格納するメモリであって、該各第1クラスタは、該各第1クラスタを代表する1の代表特徴パラメータと、移動状態毎の確率を有する1の第1確率表とに対応する、メモリと、
CPUと、であって、該CPUが
時系列に前記メモリに格納された、1又は複数のパラメータから構成される推定用特徴パラメータと、1又は複数のパラメータから構成される各前記代表特徴パラメータとのパラメータ毎の差に基づいて、複数の第1クラスタから該差が第1の条件を満足する1の第1クラスタを選定し、
前記選定された第1クラスタに対応する前記第1確率表に基づいて算出された時系列にメモリに格納された推定用セグメント確率表から、第2の条件を満足する移動状態を特定することにより移動状態を推定する第1の推定をし、
前記推定用セグメント確率表を用いて複数の第2クラスタを生成するステップであって、それぞれ該第2クラスタを代表する1の第2代表確率表と、移動状態毎の確率を有する1の第2確率表とに対応する、複数の第2クラスタを生成し、
1又は複数のパラメータから構成される推定用セグメント確率表と、1又は複数のパラメータから構成される各前記第2代表確率表とのパラメータ毎の差に基づいて、複数のクラスタから該差が第3の条件を満足する1の第2クラスタを選定し、
前記選定された第2クラスタに対応する第2確率表から、第4の条件を満足する移動状態を選定することにより移動状態を推定する第2の推定をし、
前記第1の推定ステップ、および前記第2の推定ステップにより推定された結果を用いて移動状態を推定する、
携帯端末装置。 - 携帯端末装置の移動状態を推定する携帯端末装置であって、
複数の第1クラスタを格納するメモリであって、該各第1クラスタは、該各第1クラスタを代表する1の代表特徴パラメータと、移動状態毎の確率を有する1の第1確率表とに対応する、メモリと、
CPUと、であって、該CPUが、
時系列に前記メモリに格納された、1又は複数のパラメータから構成される推定用特徴パラメータと、1又は複数のパラメータから構成される各前記代表特徴パラメータとのパラメータ毎の差に基づいて、前記複数の第1クラスタから該差が第1の条件を満足する1の第1クラスタを選定し、
前記選定された第1クラスタに対応する前記第1確率表に基づいて算出された推定用セグメント確率表から、第2の条件を満足する移動状態を特定することにより移動状態を推定する第1の推定をし、
前記推定用セグメント確率表を用いて複数の第2クラスタを生成するステップであって、それぞれ該第2クラスタを代表する1の第2代表確率表と、移動状態毎の確率を有する1の第2確率表とに対応する、複数の第2クラスタを生成し、
1又は複数のパラメータから構成される前記推定用セグメント確率表と、1又は複数のパラメータから構成される各前記第2代表確率表とのパラメータ毎の差に基づいて、前記複数の第2クラスタから該差が第3の条件を満足する1の第2クラスタを選定し、
前記選定された第2クラスタに対応する第2確率表から、第4の条件を満足する移動状態を選定することにより移動状態を推定する第2の推定をし、
前記第1の推定ステップ、および前記第2の推定ステップにより推定された結果が第5の条件を満足する場合に、該第5の条件により求められた結果に対応するフレームをキーフレームとして、フレーム・リストへ順次格納することによりフレーム・リストを生成し、
前記生成されたフレーム・リストにおいて、一のキーフレームと、その直前の一のキーフレームとが同一の移動状態に対応する場合に、
前記一のキーフレームに対応する移動状態が、所定の移動状態の場合に、前記一のキーフレームと、前記その直前の一のキーフレームとの間において、所定の条件を満たしているか判定し、
前記所定の条件を満たしている場合に、前記直前の一のキーフレームから前記一のキーフレームに対応する移動状態を前記キーフレームに対応する移動状態として確定することにより、移動状態を推定する、
携帯端末装置。 - 携帯端末装置の移動状態の推定に用いるモデルを生成するシステムであって、
全ての移動状態に対応する複数の学習用特徴パラメータを時系列に格納しているメモリと、
CPUと、であって、該CPUが
時系列に前記メモリに格納されている全ての移動状態に対応する前記複数の学習用特徴パラメータを複数の第1クラスタにクラスタリングし、該各第1クラスタは1又は複数の前記学習用特徴パラメータからなる第1クラスタの群を生成し、
前記第1クラスタの群において、前記第1クラスタ毎に前記各第1クラスタを代表する1の代表特徴パラメータと、各移動状態が出現する確率を有する第1確率表とに対応する第1クラスタを生成する、
システム。 - 携帯端末装置の移動状態の推定に用いる第1及び第2モデルを生成するシステムであって、
全ての移動状態に対応する複数の学習用特徴パラメータを時系列に格納しているメモリと、
CPUと、であって、該CPUが、
時系列にメモリに格納されている全ての移動状態に対応する複数の学習用特徴パラメータを複数の第1クラスタにクラスタリングし、該各第1クラスタは1又は複数の前記学習用特徴パラメータからなる第1クラスタの群を生成し、
前記第1クラスタの群において、前記第1クラスタ毎に前記各第1クラスタを代表する1の代表特徴パラメータと、各移動状態が出現する確率を有する第1確率表とが対応する第1クラスタを生成し、
前記学習用特徴パラメータ毎に、前記学習用特徴パラメータと、代表特徴パラメータとのパラメータ毎の差に基づいて、該差が所定の条件を満足する1の第1クラスタを順次選定し、
前記順次選定された第1のクラスタの所定数毎に、各第1クラスタに対応する各第1確率表に基づいて、学習用セグメント確率表を算出し、
前記算出された各学習用セグメント確率表を複数の第2クラスタにクラスタリングし、該各第2クラスタは1又は複数の前記学習用セグメント確率表からなる第2クラスタの群を生成し、
前記第2クラスタの群において、第2クラスタ毎に、前記各第2クラスタを代表する1の第2代表確率表と、各移動状態が出現する確率を表す第2確率表と、が対応する第2クラスタを生成する、
システム。 - 少なくとも1つのCPUと、歩数計と、アンテナと、加速度センサとを備える携帯端末装置の移動状態の変化を検知する携帯端末装置であって、該携帯端末装置は該歩数計により第1の情報を、該アンテナにより第2の情報を、該加速度センサにより第3の情報を取得可能であって、該CPUは、
推定された移動状態が第1の移動状態の場合には第1の情報のみを取得し、該第1の情報が該第1の移動状態に対応している場合には、該推定された第1の移動状態を推定結果として取得し、前記第3の情報に変化があるか否かを監視し、
推定された移動状態が第2の移動状態の場合には、前記第1の情報及び第2の情報を取得し、前記第1の情報及び前記第2の情報が第2の移動状態に対応している場合には、該推定された第2の移動状態を推定結果として取得し、前記第1の情報及び前記第2の情報に変化があるか否かを監視し、
推定された移動状態が第3の移動状態の場合には、前記第1の情報を取得し、前記第1の情報が第3の移動状態に対応している場合には、該推定された第3の移動状態を推定結果として取得し、前記第1の情報に変化があるか否かを監視する、
ことにより、移動状態の変化を検知する携帯端末装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009140074A JP5356923B2 (ja) | 2009-06-11 | 2009-06-11 | 携帯端末装置の移動状態を推定する方法及びシステム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009140074A JP5356923B2 (ja) | 2009-06-11 | 2009-06-11 | 携帯端末装置の移動状態を推定する方法及びシステム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2010286344A true JP2010286344A (ja) | 2010-12-24 |
JP5356923B2 JP5356923B2 (ja) | 2013-12-04 |
Family
ID=43542150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2009140074A Expired - Fee Related JP5356923B2 (ja) | 2009-06-11 | 2009-06-11 | 携帯端末装置の移動状態を推定する方法及びシステム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5356923B2 (ja) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012154760A (ja) * | 2011-01-26 | 2012-08-16 | Kddi Corp | 測位部の起動を制御する測位起動制御方法、移動端末及びプログラム |
CN102917385A (zh) * | 2012-10-26 | 2013-02-06 | 西安电子科技大学 | 基于统计移动尺度的移动感知分簇方法 |
JP2013148486A (ja) * | 2012-01-20 | 2013-08-01 | Kddi Corp | ユーザが搭乗している移動車両を推定する移動車両推定方法、移動端末及びプログラム |
CN103477192A (zh) * | 2011-03-31 | 2013-12-25 | 高通股份有限公司 | 用于推断移动装置的位置的装置、方法和设备 |
KR101346144B1 (ko) | 2011-11-18 | 2013-12-31 | 고려대학교 산학협력단 | 이동 상태 예측 시스템 및 이동 상태 예측 방법 |
JP2014085228A (ja) * | 2012-10-24 | 2014-05-12 | Fujitsu Ltd | 携帯端末装置の制御方法、制御プログラム、携帯端末装置 |
WO2014136949A1 (ja) * | 2013-03-08 | 2014-09-12 | 本田技研工業株式会社 | 渋滞予兆検知方法、プログラムおよび渋滞予兆検知装置 |
JP2015088905A (ja) * | 2013-10-30 | 2015-05-07 | 京セラ株式会社 | 電子機器、判定方法、及びプログラム |
JP2015087201A (ja) * | 2013-10-30 | 2015-05-07 | 京セラ株式会社 | 電子機器 |
JP2017033260A (ja) * | 2015-07-31 | 2017-02-09 | 富士通株式会社 | 電子機器及び状態通知プログラム |
CN106415688A (zh) * | 2014-05-20 | 2017-02-15 | 本田技研工业株式会社 | 驾驶特性评估方法、程序和驾驶特性评估装置 |
JP2017182800A (ja) * | 2013-07-12 | 2017-10-05 | フェイスブック,インク. | 掴み検出の較正 |
JP2018014031A (ja) * | 2016-07-22 | 2018-01-25 | 株式会社Soken | 車載報知システム及びコンピュータプログラム |
JP2020062379A (ja) * | 2019-08-28 | 2020-04-23 | 株式会社イトーキ | 姿勢判別方法、姿勢判別プログラム、活動量計測方法、及び、活動量計測プログラム。 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8805402B2 (en) * | 2012-03-07 | 2014-08-12 | Qualcomm Incorporated | Low power geographic stationarity detection |
CN103987015A (zh) * | 2014-05-22 | 2014-08-13 | 东南大学 | 一种泛在网络群移动场景下的一般化移动性管理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10113343A (ja) * | 1996-07-03 | 1998-05-06 | Hitachi Ltd | 動作及び行動の認識方法及び装置及びシステム |
WO2008120677A1 (ja) * | 2007-03-30 | 2008-10-09 | Panasonic Electric Works Co., Ltd. | 活動量計測システム |
JP2009039466A (ja) * | 2007-08-13 | 2009-02-26 | Advanced Telecommunication Research Institute International | 行動識別装置、行動識別システムおよび行動識別方法 |
-
2009
- 2009-06-11 JP JP2009140074A patent/JP5356923B2/ja not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10113343A (ja) * | 1996-07-03 | 1998-05-06 | Hitachi Ltd | 動作及び行動の認識方法及び装置及びシステム |
WO2008120677A1 (ja) * | 2007-03-30 | 2008-10-09 | Panasonic Electric Works Co., Ltd. | 活動量計測システム |
JP2009039466A (ja) * | 2007-08-13 | 2009-02-26 | Advanced Telecommunication Research Institute International | 行動識別装置、行動識別システムおよび行動識別方法 |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012154760A (ja) * | 2011-01-26 | 2012-08-16 | Kddi Corp | 測位部の起動を制御する測位起動制御方法、移動端末及びプログラム |
JP2016039999A (ja) * | 2011-03-31 | 2016-03-24 | クアルコム,インコーポレイテッド | 携帯デバイスの位置を推論するデバイス、方法、および装置 |
CN103477192A (zh) * | 2011-03-31 | 2013-12-25 | 高通股份有限公司 | 用于推断移动装置的位置的装置、方法和设备 |
JP2014515101A (ja) * | 2011-03-31 | 2014-06-26 | クアルコム,インコーポレイテッド | 携帯デバイスの位置を推論するデバイス、方法、および装置 |
KR101346144B1 (ko) | 2011-11-18 | 2013-12-31 | 고려대학교 산학협력단 | 이동 상태 예측 시스템 및 이동 상태 예측 방법 |
JP2013148486A (ja) * | 2012-01-20 | 2013-08-01 | Kddi Corp | ユーザが搭乗している移動車両を推定する移動車両推定方法、移動端末及びプログラム |
JP2014085228A (ja) * | 2012-10-24 | 2014-05-12 | Fujitsu Ltd | 携帯端末装置の制御方法、制御プログラム、携帯端末装置 |
CN102917385A (zh) * | 2012-10-26 | 2013-02-06 | 西安电子科技大学 | 基于统计移动尺度的移动感知分簇方法 |
CN102917385B (zh) * | 2012-10-26 | 2014-11-12 | 西安电子科技大学 | 基于统计移动尺度的移动感知分簇方法 |
US9646492B2 (en) | 2013-03-08 | 2017-05-09 | Honda Motor Co., Ltd. | Congestion sign detection method, program, and congestion sign detection device |
WO2014136949A1 (ja) * | 2013-03-08 | 2014-09-12 | 本田技研工業株式会社 | 渋滞予兆検知方法、プログラムおよび渋滞予兆検知装置 |
CN104937647A (zh) * | 2013-03-08 | 2015-09-23 | 本田技研工业株式会社 | 交通拥堵预兆检测方法、程序及交通拥堵预兆检测装置 |
JP5927336B2 (ja) * | 2013-03-08 | 2016-06-01 | 本田技研工業株式会社 | 渋滞予兆検知方法、プログラムおよび渋滞予兆検知装置 |
JPWO2014136949A1 (ja) * | 2013-03-08 | 2017-02-16 | 本田技研工業株式会社 | 渋滞予兆検知方法、プログラムおよび渋滞予兆検知装置 |
US10742798B1 (en) | 2013-07-12 | 2020-08-11 | Facebook, Inc. | Calibration of grab detection |
US10582038B2 (en) | 2013-07-12 | 2020-03-03 | Facebook, Inc. | Calibration of grab detection |
JP2017182800A (ja) * | 2013-07-12 | 2017-10-05 | フェイスブック,インク. | 掴み検出の較正 |
JP2015087201A (ja) * | 2013-10-30 | 2015-05-07 | 京セラ株式会社 | 電子機器 |
JP2015088905A (ja) * | 2013-10-30 | 2015-05-07 | 京セラ株式会社 | 電子機器、判定方法、及びプログラム |
CN106415688A (zh) * | 2014-05-20 | 2017-02-15 | 本田技研工业株式会社 | 驾驶特性评估方法、程序和驾驶特性评估装置 |
JP2017033260A (ja) * | 2015-07-31 | 2017-02-09 | 富士通株式会社 | 電子機器及び状態通知プログラム |
WO2018016415A1 (ja) * | 2016-07-22 | 2018-01-25 | 株式会社デンソー | 車載報知システム及びコンピュータプログラム |
CN109478372A (zh) * | 2016-07-22 | 2019-03-15 | 株式会社电装 | 车载报告系统以及计算机程序 |
JP2018014031A (ja) * | 2016-07-22 | 2018-01-25 | 株式会社Soken | 車載報知システム及びコンピュータプログラム |
JP2020062379A (ja) * | 2019-08-28 | 2020-04-23 | 株式会社イトーキ | 姿勢判別方法、姿勢判別プログラム、活動量計測方法、及び、活動量計測プログラム。 |
Also Published As
Publication number | Publication date |
---|---|
JP5356923B2 (ja) | 2013-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5356923B2 (ja) | 携帯端末装置の移動状態を推定する方法及びシステム | |
US9948735B2 (en) | User activity tracking system and device | |
Lu et al. | The jigsaw continuous sensing engine for mobile phone applications | |
US11026600B2 (en) | Activity classification in a multi-axis activity monitor device | |
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 | |
US20150153380A1 (en) | Method and system for estimating multiple modes of motion | |
CN103843314A (zh) | 检测移动装置正与交通工具一起乘行 | |
JP2017086855A (ja) | ユーザ活動追跡システム及び装置 | |
US10891843B2 (en) | Methods and systems for managing hazard risk based on location and incident data | |
JP5637563B2 (ja) | 測位部の起動を制御する測位起動制御方法、移動端末及びプログラム | |
US20140278208A1 (en) | Feature extraction and classification to determine one or more activities from sensed motion signals | |
CN103460221A (zh) | 用于在移动装置中使用似然函数值的组合对用户活动进行分类的系统、方法和设备 | |
US20140143579A1 (en) | Sequential feature computation for power efficient classification | |
KR101418333B1 (ko) | 사용자 동작 인식 장치 및 그 방법 | |
Ballı et al. | Diagnosis of transportation modes on mobile phone using logistic regression classification | |
JP6022499B2 (ja) | 行動予測装置、行動予測方法、及び行動予測プログラム | |
JP6054902B2 (ja) | 感情推定装置、感情推定方法、及び感情推定プログラム | |
EP4164475A1 (en) | Methods and apparatus for actions, activities and tasks classifications based on machine learning techniques | |
JP4830765B2 (ja) | 活動量計測システム | |
Biancat et al. | Review of transportation mode detection techniques | |
JP6089764B2 (ja) | 活動状況処理装置及び活動状況処理方法 | |
Hemmatpour et al. | Nonlinear predictive threshold model for real-time abnormal gait detection | |
JP5348941B2 (ja) | 携帯端末装置の移動状態を推定する方法及びシステム | |
Kobayashi et al. | Shaka: User movement estimation considering reliability, power saving, and latency using mobile phone | |
Kambhampati et al. | Unified framework for triaxial accelerometer‐based fall event detection and classification using cumulants and hierarchical decision tree classifier |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20120216 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20130729 |
|
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: 20130802 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130829 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5356923 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |