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
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 Download PDFInfo
- Publication number
- JP2012108836A JP2012108836A JP2010258715A JP2010258715A JP2012108836A JP 2012108836 A JP2012108836 A JP 2012108836A JP 2010258715 A JP2010258715 A JP 2010258715A JP 2010258715 A JP2010258715 A JP 2010258715A JP 2012108836 A JP2012108836 A JP 2012108836A
- Authority
- JP
- Japan
- Prior art keywords
- interpersonal
- classifier
- motion
- estimation
- exercise
- 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.)
- Pending
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims description 14
- 238000012545 processing Methods 0.000 claims abstract description 37
- 230000001133 acceleration Effects 0.000 claims abstract description 31
- 239000013256 coordination polymer Substances 0.000 claims description 31
- 238000001228 spectrum Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 9
- 239000002131 composite material Substances 0.000 claims description 7
- 208000020990 adrenal cortex carcinoma Diseases 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000013500 data storage Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000019577 caloric intake Nutrition 0.000 description 1
- 238000009223 counseling Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
【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。
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(t0)からa(t31)までの32個の合成加速度成分が求まる。
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。
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。
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。
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。
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
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。
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、Fiは特徴ベクトルの各特徴量、及びfiは入力ベクトルFiの値、Pr(C=c)は学習データのうち、C=cとなる確率、Pr(Fi=fi|c)は、学習データにおいて、C=cとなるデータ群で、Fi=fi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。
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。wdは特徴量の取り得る範囲を示す。Pr(c|wd)は、学習データにおいて、W=wd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
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)
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
- 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。
- 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。 - 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010258715A JP2012108836A (ja) | 2010-11-19 | 2010-11-19 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010258715A JP2012108836A (ja) | 2010-11-19 | 2010-11-19 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2012108836A true JP2012108836A (ja) | 2012-06-07 |
Family
ID=46494371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2010258715A Pending JP2012108836A (ja) | 2010-11-19 | 2010-11-19 | 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 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2012108836A (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150122742A (ko) * | 2013-03-05 | 2015-11-02 | 마이크로소프트 테크놀로지 라이센싱, 엘엘씨 | 신체 활동 모니터링 디바이스에 의한 게임 플레이 확장 |
JP2021519433A (ja) * | 2018-03-28 | 2021-08-10 | フラクタFracta | 配管損傷予測 |
JP2022012161A (ja) * | 2020-07-01 | 2022-01-17 | カシオ計算機株式会社 | 情報処理装置、情報処理方法及びプログラム |
-
2010
- 2010-11-19 JP JP2010258715A patent/JP2012108836A/ja active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150122742A (ko) * | 2013-03-05 | 2015-11-02 | 마이크로소프트 테크놀로지 라이센싱, 엘엘씨 | 신체 활동 모니터링 디바이스에 의한 게임 플레이 확장 |
JP2016513999A (ja) * | 2013-03-05 | 2016-05-19 | マイクロソフト テクノロジー ライセンシング,エルエルシー | 身体活動監視デバイスを用いたゲームプレーの拡張 |
KR102054542B1 (ko) | 2013-03-05 | 2019-12-10 | 마이크로소프트 테크놀로지 라이센싱, 엘엘씨 | 신체 활동 모니터링 디바이스에 의한 게임 플레이 확장 |
JP2021519433A (ja) * | 2018-03-28 | 2021-08-10 | フラクタFracta | 配管損傷予測 |
JP2022012161A (ja) * | 2020-07-01 | 2022-01-17 | カシオ計算機株式会社 | 情報処理装置、情報処理方法及びプログラム |
JP7173102B2 (ja) | 2020-07-01 | 2022-11-16 | カシオ計算機株式会社 | 情報処理装置、情報処理方法及びプログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Burchartz et al. | Assessing physical behavior through accelerometry–state of the science, best practices and future directions | |
Arif et al. | Better physical activity classification using smartphone acceleration sensor | |
CN108095740B (zh) | 一种用户情绪评估方法和装置 | |
RU2535615C2 (ru) | Определение затрат энергии пользователя | |
WO2018117914A1 (en) | Determining wellness using activity data | |
US20130029681A1 (en) | Devices, methods, and apparatuses for inferring a position of a mobile device | |
US20140156215A1 (en) | Gait analysis system and method | |
Altini et al. | Self-calibration of walking speed estimations using smartphone sensors | |
Shrestha et al. | Deepwalking: Enabling smartphone-based walking speed estimation using deep learning | |
CN108960430A (zh) | 为人体运动活动生成个性化分类器的方法和设备 | |
CN108245148A (zh) | 自适应生物信号特征组合设备及方法 | |
CN110085319A (zh) | 用于提供对个体健康的指示的系统和方法 | |
CN112057066A (zh) | 心率的检测方法、可穿戴设备及计算机存储介质 | |
Duarte et al. | Classification of physical activities using a smartphone: evaluation study using multiple users | |
Cleland et al. | Collection of a diverse, realistic and annotated dataset for wearable activity recognition | |
Bonomi | Physical activity recognition using a wearable accelerometer | |
US9489600B2 (en) | System and method for determining the activity of a mobile element | |
JPWO2019069417A1 (ja) | 生体情報処理装置、生体情報処理システム、生体情報処理方法、およびプログラム | |
Mubibya et al. | Improving human activity recognition using ml and wearable sensors | |
Bagui et al. | An improved step counting algorithm using classification and double autocorrelation | |
Sharma et al. | Activities tracking by smartphone and smartwatch biometric sensors using fuzzy set theory | |
JP2012108836A (ja) | 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 | |
KR101449604B1 (ko) | 비모수적 베이지언 모션 인식 방법 및 그 장치 | |
CN114224343A (zh) | 认知障碍检测方法、装置、设备及存储介质 | |
Majumder et al. | A smart cyber-human system to support mental well-being through social engagement |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20130408 |
|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20130524 |