JP2012108836A - 日常計測データからの対人特性推定装置、推定方法および推定プログラム - Google Patents

Abstract

【課題】加速度センサー等を利用して計測され、蓄積された一定期間の歩行パターンから被験者の対人特性を推定する。
【解決手段】対人特性推定装置は、歩行動作を計測するセンサーと、センサーで計測されたデータから、運動状態を推定し、該運動状態での運動強度を推定する計測処理手段と、運動強度から運動履歴特徴量を抽出し、該運動履歴特徴量を分類器に入力して、分類結果を対人特性として推定し、出力する推定処理手段とを備える。
【選択図】図２

Description

本発明は、日常生活時におけるユーザの歩行パターンを、携帯端末に搭載された加速度センサー等を利用して計測し、蓄積された一定期間の歩行パターンから被験者の対人特性を推定する推定装置、推定方法および推定プログラムに関する。

近年、携帯端末に搭載された加速度センサー等の計測データから歩行・走行等の動作を識別し、歩数、歩行強度等から消費カロリーを推定した健康管理に生かす技術・サービスが増えている（例えば特許文献１）。これらのサービスでは、瞬間的な動作パターンのみを計測し歩行パターンの強さとその継続時間を基に消費カロリーを推定するのみであった。

一方、人の性格を判定する方法は、心理学の分野で多々あるが、エゴグラムと呼ばれる対人特性がメンタルヘルスや社員研修、臨床心理学の場で広く使用されている。エゴグラムの抽出方法としては、東大式エゴグラム（非特許文献１）が有名であるが、これは５０〜６０問の質問に被験者が回答した結果からカウンセラーが判断し、エゴグラムを抽出する。

特開２００９−２８３１２号公報

新版ＴＥＧII http://www.saccess55.co.jp/kobetu/detail/teg2.html

しかしながら、携帯端末に搭載された加速度センサー等の計測データから識別された歩行パターンからエゴグラムのような対人特性を抽出することは、今までの携帯端末では不可能であった。

したがって、本発明は、加速度センサー等を利用して計測され、蓄積された一定期間の歩行パターンから被験者の対人特性を推定する推定装置、推定方法および推定プログラムを提供することを目的とする。

上記目的を実現するため本発明による対人特性推定装置は、歩行動作を計測するセンサーと、前記センサーで計測されたデータから、運動状態を推定し、該運動状態での運動強度を推定する計測処理手段と、前記運動強度から運動履歴特徴量を抽出し、該運動履歴特徴量を分類器に入力して、分類結果を対人特性として推定し、出力する推定処理手段とを備える。

また、前記対人特性は、複数の尺度によって表現され、前記推定処理手段は、該尺度毎にその値を推定する複数の分類器を備えることも好ましい。

また、前記計測処理手段は、前記計測されたデータから、合成加速度成分の時系列データのパワースペクトルを求め、該パワースペクトルをシンボル化すること、および該合成加速度成分の標準偏差を求めることを一定期間行い、前記一定期間におけるシンボル列および標準偏差の時系列データから、前記シンボル列に含まれる特定の特徴シンボルの割合と、前記標準偏差の時系列データの平均値および標準偏差を運動状態分類器に入力することで運動状態を推定し、前記合成加速度成分の標準偏差から運動強度を推定することも好ましい。

また、前記推定処理手段は、一定期間蓄積された前記運動強度および前記シンボル列から、特定の運動強度範囲に含まれる歩行が計測された時間、平均の歩行時間、特定シンボル出現率の全部または一部を運動履歴特徴量として算出し、前記運動履歴特徴量を入力ベクトルとして前記分類器に入力することも好ましい。

また、前記計測処理手段は、前記パワースペクトルの最大周波数をさらに求め、前記合成加速度成分の標準偏差と該最大周波数の両方またはどちらか一方から運動強度を推定し、前記推定処理手段は、前記最大周波数から歩行時の平均ピーク周波数を算出し、運動履歴特徴量の１つとすることも好ましい。

また、前記分類器は、エゴグラム分類器であり、前記対人特性は、エゴグラムにおける“ＣＰ”、“ＮＰ”、“Ａ”、“ＦＣ”、および“ＡＣ”に対応する値か、又はこれらの相対関係の正否に対応する値であることも好ましい。

また、前記分類器は、複数のユーザに対して収集した運動強度と、該複数のユーザから抽出された対人特性を用いて予め学習されていることも好ましい。

また、前記運動履歴特徴量の情報利得を事前に計算し、該情報利得が一定の閾値以上の運動履歴特徴量または上位Ｍ個の運動履歴特徴量を前記分類器に入力することも好ましい。

上記目的を実現するため本発明による対人特性推定方法は、歩行動作を計測するステップと、前記計測されたデータから、運動状態を推定し、該運動状態での運動強度を推定する計測処理ステップと、前記運動強度から運動履歴特徴量を抽出し、該運動履歴特徴量を分類器に入力して、分類結果を対人特性として推定し、出力する推定処理ステップとを含む。

上記目的を実現するため本発明によるプログラムは、歩行動作を計測するセンサーにより計測されたデータから対人特性を推定するためのコンピュータを、前記計測されたデータから、運動状態を推定し、該運動状態での運動強度を推定する計測処理手段と、前記運動強度から運動履歴特徴量を抽出し、該運動履歴特徴量を分類器に入力して、分類結果を対人特性として推定し、出力する推定処理手段として機能させ、対人特性を推定する。

本発明によれば、ユーザのエゴグラムを、当該ユーザの生活パターンから自動的に推定するため、これまであったエゴグラム作成に必要な手間を大幅に減らすことができる。

本発明の実施形態における対人特性推定装置のブロック図を示す。 本発明の実施形態における処理フローを示した図である。 本発明の実施形態において、エゴグラム推定処理時のパラメータ毎の分類器の入出力関係を図示したものである。 本発明の実施例形態において、エゴグラム推定処理時のＣＰ分類器、及びＮＰ分類器への学習データの例を示したものである。

本発明を実施するための最良の実施形態について、以下では図面を用いて詳細に説明する。本実施形態の装置は、歩行パターンからその人物の対人特性を抽出することを特徴とする。通勤や通学、その他の目的で、移動する際に伴う歩行動作を携帯端末に搭載した加速度センサーによって計測し、その人物の性格に相当する対人特性を推定する。本実施形態では、歩行動作を加速度センサーによって計測するが、歩行動作を測定することが可能なセンサーであればよい。例えば、気圧センサ、ジャイロセンサ、またはＧＰＳを利用することも考えられる。

図１は、本発明の実施形態における対人特性推定装置のブロック図を示す。本発明の対人特性推定装置１は、加速度センサー２、記録部３、計測処理部４、分類器５、運動履歴データ蓄積部６、推定処理部７、エゴグラム分類器８を備えている。

加速度センサー２は、３軸加速度センサーで一定期間の歩行状態を計測し、ｘ軸、ｙ軸、ｚ軸の加速度で出力する。記録部３は、出力された加速度を一定時間（計測区間）蓄積する。計測処理部４は、蓄積された加速度データをシンボル化して、運動状態を分類する分類器５によって運動状態を推定する。また、運動状態における運動強度を推定する。運動履歴データ蓄積部６は、上記の運動状態および運動強度を一定期間（推定区間）記録する。推定処理部７は一定期間記録されたデータをもとに、エゴグラム分類器８によって対人特性を推定する。

図２は、本発明の実施形態における処理フローを示した図である。以下に各処理の詳細を記述する。なお、Ｓ１からＳ３は、計測処理部４で行われ、Ｓ５からＳ６は推定処理部７で行われる。

Ｓ１：加速度計測及びシンボル化
３軸加速度センサーの計測値を定期的にシンボル化する。ある時刻ｔ０にシンボル化を行う場合、シンボル化区間（計測区間）を（ｔ０−Ｔｗ＜ｔ≦ｔ０）とし、シンボル化区間内にて１６Ｈｚで計測された３軸加速度センサーのｘ軸、ｙ軸、ｚ軸それぞれの各サンプリング時の計測値を、以下の式にて合成加速度成分に変換する。

例えば、Ｔｗ＝２秒の場合、１秒間に１６回計測されるため、ａ（ｔ_０）からａ（ｔ_３１）までの３２個の合成加速度成分が求まる。

次にこのシンボル化区間内の合成加速度成分の時系列データのパワースペクトルを高速フーリエ変換（ＦＦＴ）等によって導出する。このパワースペクトルをシンボル化するために、事前に作成したシンボル表の各代表パワースペクトルと比較し、最近傍のシンボルを計測値にラベルづけする。具体的には計測パワースペクトルとシンボル表の各シンボルの代表パワースペクトルの周波数毎の振幅の誤差の総和を算出し、算出された総和が最小のシンボルを計測パワースペクトルの最近傍のシンボルとして選定する。また、このシンボル化区間の合成加速度成分（ａ（ｔ））の標準偏差を振幅情報（以下、ＡＣＣ）として、本シンボルと合わせてシンボル化区間の計測データとして出力する。なお、パワースペクトルの最大周波数（ピーク周波数）も算出することもできる。

以上のシンボル化作業は一定時間間隔Ｔｓで実施される。Ｔｓ及びＴｗに関する制約はないが、本実施例ではＴｗ＝２秒、Ｔｓ＝１秒とする。

Ｓ２：運動状態推定
運動状態推定は、前段の処理にてシンボル化された特徴量の時系列データから定期的に運動状態を推定する。ｔ＝ｔ１にて推定を行う際には、推定区間を（ｔ１−Ｔｅ＜ｔ≦ｔ１）と設定し、この間に出力されたシンボル列およびＡＣＣの時系列データを利用して推定を行う。ここでＴｅ＞Ｔｓである。本実施例ではＴｅ＝２０秒とする。この場合、シンボル列およびＡＣＣは、１９個出力される。本推定では推定区間のシンボル列に含まれる特定の特徴シンボルの割合と、ＡＣＣの時系列データの平均値、及び標準偏差を特徴量として使用し、事前に学習された分類器（運動状態分類器）を使用して、運動状態を推定する。ここで使用する分類器は単純ベイズ分類器、又はＮＢＴｒｅｅ（Ｎａiｖｅ Ｂａｙｓｅ Ｔｒｅｅ）等の汎用的な分類器とする。なお、最大周波数（ピーク周波数）が算出されている場合、これも特徴量として使用することもできる。

具体的にはシンボルＩＤ＝（４４，２，２５，…，）を運動状態推定の特徴シンボルとした場合、推定区間のシンボル列にシンボルＩＤ４４が含まれている割合を第１特徴量、シンボルＩＤ２が含まれている割合を第２特徴量、以下同様に推定区間のデータの特徴量を決定する。さらにＡＣＣの平均値や標準偏差を第Ｌ＋１特徴量とする。

これら特徴ベクトルからの入力を分類器へ入力して判定された結果を運動状態推定結果として出力する。なお、ここでは“歩行”、“走行”、“それ以外”の何れかが、推定結果として出力されるように分類器を学習しておく。

Ｓ３：運動強度推定
運動強度推定機能は一定区間（推定区間）内のユーザの歩行、又は走行に伴うＭＥＴｓ値を導出する。ＭＥＴｓ値の計算には、加速度センサーで計測された当該区間における合成加速度の標準偏差（ＡＣＣ）、またはピーク周波数から計測される歩数、およびこれらの両方、さらに利用者の身体情報（身長、体重）等を使用し、これらの情報を基に
ＭＥＴｓ値＝ａｘ×（ＡＣＣ）＋ｂｘ×（歩行の速さ）＋ｃｘ
の式によってＭＥＴｓ値が導出される。ここで、ａｘ、ｂｘ及びｃｘは推定された運動状態毎に設定される係数である。なお、歩行速さは、歩数×歩幅で求めることができる。歩幅は身体情報として入力される、または身長×０．４で算出する。また、歩行の速さは、ＧＰＳ等で計測したデータを用いることもできる。

Ｓ４：運動履歴データ蓄積
運動履歴データ蓄積機能は、運動強度推定機能で計測されたＭＥＴｓ値を例えば１分単位で記録し、計測日ごとに分割して装置の運動履歴データ蓄積部にて管理する。

Ｓ５：日常歩行特性解析
運動履歴データ蓄積部にて記録されている運動履歴データの一定期間から運動履歴特徴量を抽出する。なお、蓄積部に記録されている過去１週間〜１ヶ月分の履歴データを使用するのが望ましい。具体的に以下の特徴量を抽出する。
−５ＭＥＴｓ以上の歩行時間：一日平均値、朝、昼、夜毎の平均値
−４−５ＭＥＴｓの歩行時間：一日平均値、朝、昼、夜毎の平均値
−３−４ＭＥＴｓの歩行時間：一日平均値、朝、昼、夜毎の平均値
−３ＭＥＴｓ未満の歩行時間：一日平均値、朝、昼、夜毎の平均値
−歩行時の平均ピーク周波数
−一日平均の歩行時間
−特定シンボル出現率

なお、歩行時の平均ピーク周波数は、歩数に該当し、最大周波数（ピーク周波数）が算出されている場合のみ抽出する。特定シンボル出現率は、歩行と判定された期間での特定シンボルが出現された率である。

Ｓ６：対人特性推定
対人特性推定は、運動履歴特徴量を入力ベクトルとして、ユーザのエゴグラムの各パラメータ（ＣＰ、ＮＰ、Ａ、ＦＣ、ＡＣ）の取る値、又はパラメータ間の相対関係（ＣＰ＞ＮＰ、ＦＣ＞ＡＣ等の正否）を推定する。ＣＰ、ＮＰ、Ａ、ＦＣ、ＡＣの各パラメータの値を推定する場合、パラメータ毎に分類器（ＣＰ分類器、ＮＰ分類器、Ａ分類器、ＦＣ分類器、ＡＣ分類器）が用意され、図３のように入力ベクトルが各分類器に入力される。ここでは例として、ＣＰ分類器における処理を記述する。ＣＰ分類器では、抽出された特徴量のうち全部、又はＣＰ分類に効果的な特徴量をＣＰ分類器への入力ベクトルとして選択し、ＣＰの取る値を推定結果として出力する。ここで、ＣＰ分類に効果的な特徴量は以降の“着目特徴量の選択”で記述する情報利得を基に選択するのが望ましい。

本処理にて使用する分類器は、ＳＶＭ（サポートベクターマシーン）や、決定木による分類、ＮＢＴｒｅｅ（Ｎａiｖｅ Ｂａｙｅｓ Ｔｒｅｅ）などを使用してよいが、ここでは単純ベイズ分類器の場合を例にその推定原理を記述する。各分類器は事前に学習データを使用して、学習処理を実行しておく。学習済みの分類器は以下の式に従って、ＣＰの値を返す。

ここで、ａｒｇｍａｘ（）は括弧中の式がＣに含まれるすべてのｃで評価され、その評価値が最大のｃを返す関数である。Ｃは推定対象の取りうる値の集合で、例えばＣＰを５段階で分類する分類器の場合はＣ＝｛ｃ：１，２，３，４，５｝となる。また、Ｆ_ｉは特徴ベクトルの各特徴量、及びｆ_ｉは入力ベクトルＦ_ｉの値、Ｐｒ（Ｃ＝ｃ）は学習データのうち、Ｃ＝ｃとなる確率、Ｐｒ（Ｆ_ｉ＝ｆ_ｉ｜ｃ）は、学習データにおいて、Ｃ＝ｃとなるデータ群で、Ｆ_ｉ＝ｆ_ｉである確率を示す。ＣＰ以外の各パラメータに対応する分類器も同様の処理によって各パラメータの推定を行う。

本システムは、対人特性推定処理が終了した後、その推定結果であるＣＰ、ＮＰ、Ａ、ＦＣ、ＡＣの各値を出力する他、各パラメータ間の相対関係から、その特性に相当する性格診断結果や、その他、付随する情報を出力するものとする。

次にエゴグラム分類器の学習について説明する。エゴグラムの各種パラメータ推定に使用する分類器（ＣＰ分類器、ＮＰ分類器、Ａ分類器、ＦＣ分類器、ＡＣ分類器）の学習は、本発明の対人特性推定装置に実装するに当たり事前に実施しておく。まず学習用データとして、複数のユーザに対して収集した運動履歴データの特徴量（Ｆ１，Ｆ２，…，Ｆｎ＋１，…）と、同ユーザに対して、カウンセリングか又は質問紙法で抽出したエゴグラムパターン（ＣＰ，ＮＰ，Ａ，ＦＣ，ＡＣ）を準備する。ここでＣＰ分類器を学習するには、これらの特徴量とエゴグラムパラメータ（Ｆ１，Ｆ２，…．，ＣＰ）を１レコードとし、学習に充分なレコード数を一まとめにしたものを、ＣＰ分類器の学習データとする。他のエゴグラムパラメータも同様とする。学習データの例を図４に示す。

次に着目特徴量の選択について説明する。学習データに含まれる各特徴量を分類に有効な特徴量に含めるか否かは、学習データにおいて対象とする特徴量の情報利得を基に判定することが可能である。

特徴量ｗの情報利得ＩｎｆｏＧａｉｎ（ｗ）は以下の式で算出される。

ここで、ｃは対象とするパラメータの取りうる値、Ｃは分類結果の取り得る全値の集合で、例えばＣが５段階評価のＣＰの場合は、Ｃ＝｛ｃ：１，２，３，４，５｝となる。Ｐｒ（ｃ）は全学習データに含まれるｃの出現確率を示す。例えば１０００件（１０００人分）の学習データに対して、そのエゴグラムのＣＰの値が２となるデータが２５０件の場合、Ｐｒ（ＣＰ＝２）＝０．２５となる。ｗ_ｄは特徴量の取り得る範囲を示す。Ｐｒ（ｃ｜ｗ_ｄ）は、学習データにおいて、Ｗ＝ｗ_ｄなるデータ群で、Ｃ＝ｃである確率を示す。つまり、特徴量ｗの情報利得は、Ｃのエントロピーからｗの範囲でのＣのエントロピーを減じた値になる。

例えば上記式のＣがＣＰの時の、情報利得が大きい特徴量ｗほど、ＣＰの分類（推定）に有効であることを示す。各語句の、推定する全パラメータ（ＣＰ、ＮＰ、Ａ、ＦＣ、ＡＣ）に対する情報利得をそれぞれ計算し、あらかじめ設定した閾値以上の特徴量を、または各パラメータに上位Ｍ件の特徴量として選択することで、エゴグラム推定の精度が向上する。

上記の推定システムでは、エゴグラムの各パラメータ（ＣＰ、ＮＰ、Ａ、ＦＣ、ＡＣ）の値を推定するためにパラメータ毎の分類器を用意していたが、分類対象が細かくなるほど、分類精度が下がる可能性がある。

一方、自我状態の特性を利用するアプリケーションによっては、各パラメータの値よりも相対関係、（例えばＣＰとＮＰの大小関係、ＦＣとＡＣの大小関係、（ＣＰとＮＰの平均値）と（ＦＣとＡＣの平均値）の大小関係、ＡとＭａｘ（ＦＣ、ＡＣ）の大小関係等）がわかるだけでも十分な場合が多い。

そこで、分類器で推定する結果を各パラメータの値ではなく、各パラメータ間の相対関係（例えば（ＣＰ＞ＮＰ）の正否）を推定する方法も考えられる。この場合、分類器への入力ベクトル値となる特徴語句群の選択や、分類器の学習は推定する相対関係のとりうる値を基に実施するものとする。

また、以上述べた実施形態は全て本発明を例示的に示すものであって限定的に示すものではなく、本発明は他の種々の変形態様および変更態様で実施することができる。従って本発明の範囲は特許請求の範囲およびその均等範囲によってのみ規定されるものである。

１ 対人特性推定装置
２ 加速度センサー
３ 記録部
４ 計測処理部
５ 分類器
６ 運動履歴データ蓄積部
７ 推定処理部
８ エゴグラム分類器

Claims (10)

1. 歩行動作を計測するセンサーと、
   前記センサーで計測されたデータから、運動状態を推定し、該運動状態での運動強度を推定する計測処理手段と、
   前記運動強度から運動履歴特徴量を抽出し、該運動履歴特徴量を分類器に入力して、分類結果を対人特性として推定し、出力する推定処理手段と、
   を備えることを特徴とする対人特性推定装置。
2. 前記対人特性は、複数の尺度によって表現され、
   前記推定処理手段は、該尺度毎にその値を推定する複数の分類器を備えることを特徴とする請求項１に記載の対人特性推定装置。
3. 前記計測処理手段は、
   前記計測されたデータから、合成加速度成分の時系列データのパワースペクトルを求め、該パワースペクトルをシンボル化すること、および該合成加速度成分の標準偏差を求めることを一定期間行い、
   前記一定期間におけるシンボル列および標準偏差の時系列データから、前記シンボル列に含まれる特定の特徴シンボルの割合と、前記標準偏差の時系列データの平均値および標準偏差を運動状態分類器に入力することで運動状態を推定し、
   前記合成加速度成分の標準偏差から運動強度を推定することを特徴とする請求項１または２に記載の対人特性推定装置。
4. 前記推定処理手段は、一定期間蓄積された前記運動強度および前記シンボル列から、特定の運動強度範囲に含まれる歩行が計測された時間、平均の歩行時間、特定シンボル出現率の全部または一部を運動履歴特徴量として算出し、
   前記運動履歴特徴量を入力ベクトルとして前記分類器に入力することを特徴とする請求項３に記載の対人特性推定装置。
5. 前記計測処理手段は、前記パワースペクトルの最大周波数をさらに求め、前記合成加速度成分の標準偏差と該最大周波数の両方またはどちらか一方から運動強度を推定し、
   前記推定処理手段は、前記最大周波数から歩行時の平均ピーク周波数を算出し、運動履歴特徴量の１つとすることを特徴とする請求項４に記載の対人特性推定装置。
6. 前記分類器は、エゴグラム分類器であり、
   前記対人特性は、エゴグラムにおける“ＣＰ”、“ＮＰ”、“Ａ”、“ＦＣ”、および“ＡＣ”に対応する値か、又はこれらの相対関係の正否に対応する値であることを特徴とする請求項１から５のいずれか１項に記載の対人特性推定装置。
7. 前記分類器は、複数のユーザに対して収集した運動強度と、該複数のユーザから抽出された対人特性を用いて予め学習されていることを特徴とする請求項１から６のいずれか１項に記載の対人特性推定装置。
8. 前記運動履歴特徴量の情報利得を事前に計算し、該情報利得が一定の閾値以上の運動履歴特徴量または上位Ｍ個の運動履歴特徴量を前記分類器に入力することを特徴とする請求項１から７のいずれか１項に記載の対人特性推定装置。
9. 歩行動作を計測するステップと、
   前記計測されたデータから、運動状態を推定し、該運動状態での運動強度を推定する計測処理ステップと、
   前記運動強度から運動履歴特徴量を抽出し、該運動履歴特徴量を分類器に入力して、分類結果を対人特性として推定し、出力する推定処理ステップと、
   を含むことを特徴とする対人特性推定方法。
10. 歩行動作を計測するセンサーにより計測されたデータから対人特性を推定するためのコンピュータを、
    前記計測されたデータから、運動状態を推定し、該運動状態での運動強度を推定する計測処理手段と、
    前記運動強度から運動履歴特徴量を抽出し、該運動履歴特徴量を分類器に入力して、分類結果を対人特性として推定し、出力する推定処理手段と、
    して機能させ、対人特性を推定することを特徴とするプログラム。

Images