JP2012524579A - 人の姿勢を決定するシステムおよび方法 - Google Patents

Abstract

−少なくとも１個の測定軸を備えた少なくとも１個の運動センサ（ＣＭ）を含み、前記運動センサ（ＣＭ）をユーザーに堅牢に接続するための固定手段（ＭＦ）を備え、ユーザーの姿勢決定に適している解析手段（ＡＮ）であって、
−各々の姿勢について定義されている確率密度である、前記低周波および高周波成分の同時確率密度、および
−２個の連続する姿勢間の遷移確率
を組み合わせた解析手段（ＡＮ）
を含む、人の姿勢を決定するシステム。

Description

本発明は、人の姿勢を決定するシステムおよび方法に関する。

隠れマルコフモデルに基づく運動解析に関するシステムおよび方法が知られており、例えばＤａｎｉｅｌ Ｗｉｌｓｏｎ、およびＡｎｄｙ Ｗｉｌｓｏｎによる「Ｇｅｓｔｕｒｅ ｒｅｃｏｇｎｉｔｉｏｎ ｕｓｉｎｇ ｔｈｅ ＸＷａｎｄ」と題する文献およびＰ．Ｖ．Ｂｏｒｚａによる「Ｍｏｔｉｏｎ−ｂａｓｅｄ ｇｅｓｔｕｒｅ ｒｅｃｏｇｎｉｔｉｏｎ ｗｉｔｈ ａｎ ａｃｃｅｌｅｒｏｍｅｔｅｒ」（学士論文）にて記述されている。

Ｔｈｉｌｏ Ｐｆａｕ、Ｍａｒｔａ Ｆｅｒｒａｒｉ、Ｋｅｖｉｎ Ｐａｒｓｏｎｓ、およびＡｌａｎ Ｗｉｌｓｏｎによる文献「Ａ ｈｉｄｄｅｎ Ｍａｒｋｏｖ ｍｏｄｅｌ−ｂａｓｅｄ ｓｔｒｉｄｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｔｅｃｈｎｉｑｕｅ ａｐｐｌｉｅｄ ｔｏ ｅｑｕｉｎｅ ｉｎｅｒｔｉａｌ ｓｅｎｓｏｒ ｔｒｕｎｋ ｍｏｖｅｍｅｎｔ ｄａｔａ」（Ｊｏｕｒｎａｌ ｏｆ Ｂｉｏｍｅｃｈａｎｉｃｓ ４１（２００８）２１６−２２０）は馬の歩調解析に関係している。

しかし、これらのシステムおよび方法の精度に限界がある。

本発明の目的の一つは、移動要素、特に生物（人間または動物）の行動の決定精度を向上させることである。

本発明の一態様によれば、少なくとも１個の測定軸を備えた少なくとも１個の運動センサを含み、前記運動センサをユーザーに堅牢に接続するための固定手段を備えた、人の姿勢を決定するシステムを提案する。

本システムは、
−運動センサの各測定軸について、第１の閾値を上回る高周波、および前記第１の閾値以下である第２の閾値を下回る低周波を選択するフィルタと、
−運動センサに備えられた測定軸の前記高周波の２乗の和に等しい１次元高周波成分、および運動センサに備えられた測定軸の数に次元が等しい低周波成分を決定する手段と、
−前記高周波成分の確率密度を、運動センサに備えられた測定軸の数に自由度が等しいカイ２乗分布により定義し、且つ前記低周波成分の確率密度をガウス分布により定義して、前記高周波成分の確率密度および前記低周波成分の確率密度を計算する手段と、
−ユーザーの姿勢決定に適している解析手段であって、
−各々の姿勢について定義されている確率密度である、前記低周波および高周波成分の同時確率密度、および
−２個の連続する姿勢間の遷移確率を組み合わせた解析手段と
を含んでいる。

隠れマルコフモデルが２個のランダム過程により定義されること想起されたい。すなわち、本出願で「状態」と称する、観測されない、換言すれば隠れている第１のランダム過程、および所与の時刻における確率密度が、同時刻における状態の値に依存するとの観測である第２のランダム過程である。本発明のこの第１の態様によれば、当該状態は離散値を仮定している。

この種のシステムにより、移動要素、特に生物（人間または動物）の行動を向上した精度で決定することができる。

一実施形態において、前記決定手段は、運動センサに備えられた測定軸による測定値の１次結合に等しい１次元低周波成分の決定に適していて、前記高周波成分は、自由度を有するカイ２乗分布により定義されている。

一実施形態によれば、低周波成分および高周波成分の値の対の確率密度は、低周波成分の値が得られる確率密度と高周波成分の値が得られる確率密度の積を含んでいて、前記確率密度は各状態ｉについて次式：

（式中、
ｘ（ｎ）は、１次元の信号であって、指標サンプルｎを有する低周波成分を表し、
μ_ｘ，ｉは、関連する隠れマルコフモデルの状態ｉを表す同次元のベクトルを低周波成分として表し、
σ_ｘ，ｉは、関連する隠れマルコフモデルの状態ｉを表す低周波成分ｘの分散の２乗根を表し、
ｙ（ｎ）は、指標サンプルｎを有する高周波成分を表し、
ｋは運動センサに備えられた測定軸の数を表し、
σ_ｙ，ｉは、状態ｉにおける変数ｙ（ｎ）の時間平均に比例する量であり、例えば、σ_ｙ，ｉは変数ｙ（ｎ）をｋで除算した値の時間平均であり、および
Γは

が成り立つガンマ関数である）
で定義されている。

観測された信号のこの種のモデリングは大多数の可能なケースに適している。

一実施形態において本システムは表示手段を含んでいる。

一実施形態によれば、前記運動センサは加速度計および／または磁力計および／またはジャイロメーターを含んでいる。

一実施形態において、本システムは、第１の加速度計であって、測定軸、およびユーザーが直立しているときに測定軸が体の垂直軸ＶＴと一致するように第１の加速度計をユーザーの胴体に固定するのに適した固定手段を備えた第１の加速度計を含んでいる。

一実施形態によれば、前記解析手段は、起立または着座姿勢、歩行姿勢、傾斜姿勢、および横臥姿勢から最大４個の状態を有する隠れマルコフモデルを用いて、ユーザーの姿勢を時間の関数として決定するのに適している。

隠れマルコフモデルは次いで、以下により定義される。
−起立または着座姿勢、歩行姿勢、傾斜姿勢、および横臥姿勢から４値を仮定する、状態と表記される観測されない離散的過程。この変数または状態は、次数１のマルコフ連鎖であり、従ってある状態から別の状態への遷移確率により特徴付けられる。
−隠れマルコフモデルの観測された過程は多次元信号（ｘ（ｎ），ｙ（ｎ））であり、その確率密度は所与の時刻における状態（隠れた過程）に依存する。この確率密度は、以下の式：

により上で定義された同時確率密度に対応する。

異なる状態または姿勢の関数としての確率密度Ｐ_ｘ，ｉおよびＰ_ｙ，ｉのパラメータの例を以下に挙げる。用語としての「状態」および「姿勢」は本出願全体を通じて同義である。
−起立または着座姿勢の場合、μ_ｘ∈［０．７；１．３］、σ_ｘ∈［０．０５；０．４］、σ_ｙ∈［１．１０^−３；５．１０^−１］であり、
−歩行姿勢の場合、μ_ｘ∈［０．７；１．３］、σ_ｘ∈［０．０５；０．４］、σ_ｙ∈［１．１０^−２；１］であり、
−傾斜姿勢の場合、μ_ｘ∈［０．７；１．３］、σ_ｘ∈［０．０５；０．４］、σ_ｙ∈［１．１０^−３；５．１０^−１］であり、
−横臥姿勢の場合、μ_ｘ∈［−０．３；０．３］、σ_ｘ∈［０．０５；０．４］、σ_ｙ∈［１．１０^−３；５．１０^−１］である。

Ｐ_ｉ（ｘ（ｎ），ｙ（ｎ））は、時刻ｎにおけるｘ（ｎ）およびｙ（ｎ）の状態ｉに関連付けられた確率密度を表す。これは、上で定義された確率密度Ｐ_ｘ，ｉ（ｘ（ｎ））およびＰ_ｙ，ｉ（ｙ（ｎ））の積に対応する。量θ（ｎ）を考慮すれば、観測データｘ（ｎ）およびｙ（ｎ）を結合して、Ｐ_ｉ（ｘ（ｎ），ｙ（ｎ））＝Ｐ_ｉ（θ（ｎ）＝ｐ（θ（ｎ）／Ｅ（ｎ）＝ｉ）と書くことができ、ここにＥ（ｎ）は状態を時刻ｎにおける状態を表す。θ（ｎ）＝｛ｘ（ｎ），ｙ（ｎ）｝

しかし、観測データｙ（ｎ）およびこれに関連付けられた確率密度Ｐ_ｙ，ｉ（ｙ（ｎ））だけに基づいて時刻ｎにおける状態Ｅ（ｎ）を決定するのでは一般に満足な結果が得られない。実際、１個のサンプルの観測では一般に姿勢を決定することができない。複数のサンプルを観測する必要がある。

従って、Ｅ（０：Ｎ）が時刻ｎ＝０と時刻ｎ＝Ｎの間の状態列を表し、θ（０：Ｎ）が時刻ｎ＝０と時刻ｎ＝Ｎの間に観測データを表すならば、状態Ｅ（０）、Ｅ（１）、・・・Ｅ（Ｎ）の列に対応する状態Ｅ（０：Ｎ）の列の確率はｐ（Ｅ（０：Ｎ）｜θ（０：Ｎ−１））と書かれ、これは次式：

に比例する。例えば、列Ｅ（０：Ｎ）＝{ｉ，ｉ，ｉ，・・・ｉ｝の場合、この確率は、次式：

で表される。

状態Ｅ（０：Ｎ）の推定列は、最も高い確率を有する列である。実際、全ての可能な列を考慮して各々の確率を計算するよりも、ビタビアルゴリズムをうまく用いてこの列を推定することができる。

Ｐ（Ｅ（０））は、初期状態Ｅ（０）に関連付けられた確率を表す。例えば、ｎ＝０ならば各々の可能な状態の等確率分布は選択することができる。
−ｐ（θ（０）｜Ｅ（０））は時刻Ｅ（０）におけるデータθ（０）の観測確率を表す。これはＥ（ｎ）＝ｉの場合の確率Ｐ_ｉ（ｘ（ｎ＝０），ｙ（ｎ＝０））に対応する。
−ｐ（Ｅ（ｎ）｜Ｅ（ｎ−１））は時刻ｎ−１における状態Ｅ（ｎ−１）にある時刻で状態Ｅ（ｎ）にある確率を表す。
−ｐ（θ（ｎ）｜Ｅ（ｎ））は状態Ｅ（ｎ）にある場合に量θ（ｎ）を観測する確率を表す。これは、Ｅ（ｎ）＝ｉを有する確率Ｐ_ｉ（ｘ（ｎ），ｙ（ｎ））に対応する。

一実施形態において、本システムは更に、第２の加速度計であって、測定軸、およびユーザーが直立しているときに測定軸が体の垂直軸ＶＴに一致するように第２の加速度計をユーザーの大腿に固定するのに適した固定手段を有する第２の加速度計を含んでいる。

例えば、前記解析手段は、起立姿勢、着座姿勢、横臥姿勢、および歩行姿勢から最大４個の状態を有する隠れマルコフモデルを用いてユーザーの姿勢を時間の関数として決定するのに適している。

この種のシステムにより、人の姿勢をリアルタイムに計算することができる。

一実施形態によれば、指標サンプルｎに対して、ｘ（ｎ）は前記２個の加速度計の各低周波成分の対を表し、ｙ（ｎ）は前記第２の加速度計の高周波成分を表し、状態ｉに対応する値ｘ（ｎ）を得る確率密度は次式：

（式中、
Σ_ｘ，ｉは、モデルの状態ｉの信号ｘ（ｎ）の共分散行列を記述する２次元の対角行列であり、
μ_ｘ，ｉは、モデルの状態ｉを表す２成分列ベクトルを表す）
により定義される。

これらの状態に関連付けられた変数ｘ（ｎ）およびｙ（ｎ）の確率は以下のパラメータを有する上述の確率により定義される。
−起立姿勢（状態１）の場合、確率密度のパラメータは

で定義される。
高周波成分ｙ（ｎ）の場合、そのパラメータはσ_ｙ，１＝３ｅ^−２である。
−着座姿勢（状態２）の場合、確率密度のパラメータは

で定義される。
高周波成分ｙ（ｎ）の場合、そのパラメータはσ_ｙ，２＝３ｅ^−２である。
−横臥姿勢（状態３）の場合、確率密度のパラメータは

で定義される。
高周波成分ｙ（ｎ）の場合、そのパラメータはσ_ｙ，３＝３ｅ^−２である。
−歩行姿勢（状態４）の場合、確率密度のパラメータは

で定義される。
高周波成分ｙ（ｎ）の場合、そのパラメータはσ_ｙ，４＝１．２ｅ^−１である。

このように、上で詳述した推論によれば、Ｅ（０：Ｎ）は時刻ｎ＝０と時刻ｎ＝Ｎの間の状態列を表し、θ（０：Ｎ）が時刻ｎ＝０と時刻ｎ＝Ｎの間に観測されたデータを表すならば、Ｅ（０，Ｎ）は状態Ｅ（０），Ｅ（１），．．．Ｅ（Ｎ）の列に対応し、次式：

を最大化する。

本実施形態によれば、θ（ｎ）＝｛ｘ（ｎ），ｙ（ｎ）｝であって、ｘ（ｎ）およびｙ（ｎ）は各々時刻ｎにおいて２個の加速度計で測定した信号Ｓ（ｎ）の前記低および高周波成分である。

本発明の別の態様によれば、以下より特徴付けられる、人の姿勢を決定する方法も提案する。
−運動センサの各測定軸について、第１の閾値を上回る高周波、および前記第１の閾値以下である第２の閾値を下回る低周波を選択すべくフィルタリングを実行する。
−運動センサに備えられた測定軸の前記高周波の２乗の和に等しい１次元高周波成分、および運動センサに備えられた測定軸の数に次元が等しい低周波成分を決定する。
−前記高周波成分が、運動センサに備えられた測定軸の数に等しい自由度を有するカイ２乗分布により定義され、前記低周波成分が、ガウス分布により定義されている状態で、前記高周波成分の確率密度および前記低周波成分の確率密度を計算する。
−各々Ｎ個の姿勢に対応するＮ個の状態を有する隠れマルコフモデルを用いて、ユーザーの姿勢を時間の関数として決定し、この決定は以下を組み合わせることにより行われる。
−各々の姿勢について定義されている前記低周波および高周波成分の同時確率密度、および
−２個の連続する姿勢間の遷移確率。

本発明について、非限定的な例として記述され、且つ添付の図面に示す多くの実施形態を調べることにより理解が進むであろう。

本発明の一態様によるシステムを示す。 本発明の一態様によるシステムの記録の例を示す。 本発明の別態様によるシステムの記録の例を示す。

図１に、筐体ＢＴに収容されていて、例えば、運動センサＣＭをユーザーに堅牢に接続するための弾性要素を含む固定手段を備えた少なくとも１個の測定軸を有する少なくとも１個の運動センサＣＭを含む、人の姿勢を決定するシステムを示す。運動センサＣＭは、１個、２個、または３個の測定軸を有する加速度計、磁力計、またはジャイロメーターであってよい。

本システムは、運動センサＣＭの各測定軸について、
第１の閾値Ｓ１を上回る高周波、および第１の閾値Ｓ１以下である第２の閾値Ｓ２を下回る低周波を選択すべくフィルタＦＩＬＴを含んでいる。本システムはまた、運動センサＣＭに備えられた測定軸の前記高周波の２乗の和に等しい１次元高周波成分ＨＦ、および運動センサＣＭに備えられた測定軸の測定値の１次結合に等しい１次元低周波成分ＢＦを決定する決定モジュールＤＥＴを含んでいる。

本システムはまた、前記高周波成分ＨＦの確率Ｐ_ｙの分散の２乗および前記低周波成分ＢＦの確率Ｐ_ｘの分散の２乗を計算する計算モジュールＣＡＬＣを含んでいて、前記高周波成分ＨＦは、自由度を有するカイ２乗分布により定義され、前記低周波成分ＢＦはガウス分布により定義されている。

解析手段ＡＮにより、各々がＮ個の姿勢に対応するＮ個の状態を有する隠れマルコフモデルを用いて、ユーザーの姿勢を時間の関数として決定することができる。

各状態ｉに対して、低周波成分ＢＦおよび高周波成分ＨＦの値の対（ｘ（ｎ），ｙ（ｎ））を得る同時確率Ｐ_ｉ（ｘ（ｎ），ｙ（ｎ））の確率密度は、低周波成分ＢＦの値ｘ（ｎ）を得る確率密度Ｐ_ｘ，ｉと高周波成分ＨＦの値ｙ（ｎ）を得る確率密度Ｐ_ｙ，ｉの積に等しく、各状態ｉに対して確率密度Ｐ_ｘ，ｉ、Ｐ_ｙ，ｉは次式：

（式中、
ｘ（ｎ）は、指標サンプルｎを有する低周波成分を表し、
μ_ｘ，ｉは、関連する隠れマルコフモデルの状態ｉを表す同次元のベクトルを低周波成分として表し、
σ_ｘ，ｉは、関連する隠れマルコフモデルの状態を表す低周波成分ｘの分散の２乗根を表し、
ｙ（ｎ）は、指標サンプルｎを有する高周波成分を表し、
ｋは、運動センサに備えられた測定軸の数を表し、
σ_ｙ，ｉは状態ｉにおける変数ｙ（ｎ）の時間平均に比例する量であり、例えば、σ_ｙ，ｉは変数ｙ（ｎ）をｋで除算した値の時間平均であり、および
Γは

が成り立つガンマ関数である）
により定義される。

本システムはまた、ディスプレイ画面ＡＦＦを含んでいる。

第１の例において、本システムは、加速度計であって、測定軸、およびユーザーが直立しているときに測定軸が体の垂直軸ＶＴに一致するように加速度計をユーザーの胴体に固定する固定要素を備えた加速度計を含んでいる。

ここで使用する隠れマルコフモデルは、４個の姿勢すなわち、起立または着座姿勢（状態１）、歩行姿勢（状態２）、傾斜姿勢（状態３）、および横臥姿勢（状態４）に対応する４個の状態を含んでいる。

隠れマルコフモデルの状態は以下のように定義される：
−起立または着座姿勢（状態１）：μ_ｘ，１＝１、σ_ｘ，１＝０．２、σ_ｙ＝３ｅ^−２
−歩行姿勢（状態２）：μ_ｘ＝１、σ_ｘ，２＝０．２、σ_ｙ＝１．２ｅ^−１
−傾斜姿勢（状態３）：μ_ｘ＝０．５、σ_ｘ，３＝０．２、σ_ｙ＝３ｅ^−２
−横臥姿勢（状態４）：μ_ｘ＝０、σ_ｘ，４＝０．２、σ_ｙ＝３ｅ^−２

次いで各時刻ｎにおける人の状態を以下のように決定することができる。

時刻ｎにおいて人が状態ｉならば、Ｅ（ｎ）＝ｉである。
Ｐ_ｉ（ｘ（ｎ），ｙ（ｎ））は、ｘ（ｎ）およびｙ（ｎ）の時刻ｎにおける状態ｉに関連付けられた確率密度を表す。これは以前に定義した確率密度Ｐ_ｘ，ｉ（ｘ（ｎ））とＰ_ｙ，ｉ（ｙ（ｎ））の積に対応している。観測データｘ（ｎ）およびｙ（ｎ）を結合して量θ（ｎ）を考慮したならば、Ｐ_ｉ（ｘ（ｎ），ｙ（ｎ））＝Ｐ_ｉ（θ（ｎ）｜Ｅ（ｎ）＝ｉ）と書くことができ、ここにＥ（ｎ）は時刻ｎにおける状態を表す。

しかし、観測データｘ（ｎ）、ｙ（ｎ）および各々これらのデータに関連付けられた確率密度Ｐ_ｘ，ｉ（ｘ（ｎ））、Ｐ_ｙ，ｉ（ｙ（ｎ））だけに基づいて時刻ｎにおける状態Ｅ（ｎ）を決定するのでは一般に満足な結果が得られない。

経験から、先験的事象、および例えば時刻ｎ−１において決定された状態Ｅ（ｎ−１）を考慮に入れる必要があることがわかる。

従って、Ｅ（０：Ｎ）が時刻ｎ＝０と時刻ｎ＝Ｎの間の状態列を表し、且つθ（０：Ｎ）が時刻ｎ＝０と時刻ｎ＝Ｎの間に観測されたデータを表すならば、状態Ｅ（０）、Ｅ（１）、．．．Ｅ（Ｎ）の列に対応する状態Ｅ（０：Ｎ）の列の確率はｐ（Ｅ（０：Ｎ）｜θ（０：Ｎ−１））と書くことができ、これは次式：

に比例する。

例えば、列Ｅ（０：Ｎ）＝{ｉ，ｉ，ｉ，．．．，ｉ｝の場合、この確率は以下のように書くことができる。

状態Ｅ（０：Ｎ）の推定された列は、最も高い確率を有する列である。実際には、全ての可能な列を考慮して各々について確率を計算するのではなく、ビタビアルゴリズムをうまく用いてこの列を推定することができる。

Ｐ（Ｅ（０））は初期状態Ｅ（０）に関連付けられた確率を表す。例えば、ｎ＝０ならば、各々の可能な状態の等確率分布は選択することができる。
−ｐ（θ（０）｜Ｅ（０））は時刻Ｅ（０）におけるデータθ（０）の観測確率を表す。これは、確率Ｐ_ｉ（ｘ（ｎ＝０），ｙ（ｎ＝０））に対応し、Ｅ（ｎ）＝ｉである。
−ｐ（Ｅ（ｎ）｜Ｅ（ｎ−１））は時刻ｎ−１で状態Ｅ（ｎ−１）が優勢であるときに状態Ｅ（ｎ）にある確率を表す。
−ｐ（θ（ｎ）｜Ｅ（ｎ））は状態Ｅ（ｎ）にあるときに量θ（ｎ）を観測する確率を表す。これは確率Ｐ_ｉ（ｘ（ｎ），ｙ（ｎ））に対応し、Ｅ（ｎ）＝ｉである。

確率ｐ（Ｅ（ｎ）｜Ｅ（ｎ−１））は、状態Ｅ（ｎ−１）から状態Ｅ（ｎ）への遷移確率に対応する。これらの確率は、表記Ｅ（ｎ−１）＝ｊおよびＥ（ｎ）＝ｉを採用して以下の表に示す。

式（１）を最大化する状態Ｅ（０）．．．Ｅ（Ｎ）の列は、例えば当業者に公知のビタビアルゴリズムを用いて得ることができる。
従って、
１）各状態Ｅ（ｎ）について、
−状態Ｅ（ｎ）における量θ（ｎ）の観測確率（ｐ（θ（ｎ）｜Ｅ（ｎ））と表記）
−状態Ｅ（ｎ−１）から状態Ｅ（ｎ）への遷移確率（ｐ（Ｅ（ｎ）｜Ｅ（ｎ−１））と表記）を求めることにより、
２）各状態Ｅ（０）に関連付けられた確率を求めることにより、
３）ｎ＝０からｎ＝Ｎの間の各時刻ｎにおいて観測された値θ（ｎ）を得ることにより、状態Ｅ（０）．．．．Ｅ（Ｎ）の最も起こり得る列を得ることができる。

上の説明で、θ（ｎ）＝｛ｘ（ｎ），ｙ（ｎ）｝であることを想起されたい。ここに、ｘ（ｎ）およびｙ（ｎ）は各時刻ｎで加速度計により測定された信号Ｓ（ｎ）の前記低および高周波成分である。

隠れマルコフモデルのある姿勢に対応する状態ｓｔａｔｅ_ｉから、隠れマルコフモデルのある姿勢に対応する別の状態ｓｔａｔｅ_ｊへの遷移確率密度Ｐ（ｓｔａｔｅ_ｉ／ｓｔａｔｅ_ｊ）は、本システムに良好な安定性を与えるように選択され、次表に示す。

入力信号および上で定義された隠れマルコフモデルに基づいて、解析モジュールＡＮは、従来の手順、例えば、観測された信号を考慮しながら最も起こり得る列を保持して、全ての可能な状態の列について関連付けられた確率を計算することにより、最も起こり得る状態（姿勢）の列を決定する。これについて例えば、Ｌ．Ｒ．ＲａｂｉｎｅｒおよびＢ．Ｈ．Ｊｕａｎｇによる文献「Ａｎ ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ ｈｉｄｄｅｎ Ｍａｒｋｏｖ ｍｏｄｅｌｓ」（ＩＥＥＥ ＡＳＳＰ Ｍａｇａｚｉｎｅ， Ｊａｎｕａｒｙ １９８６）、またはＣａｐｐｅ，Ｍｏｕｌｉｎｅｓ およびＲｙｄｅｎ著「Ｉｎｆｅｒｅｎｃｅ ｉｎ Ｈｉｄｄｅｎ Ｍａｒｋｏｖ Ｍｏｄｅｌｓ」（Ｓｐｒｉｎｇｅｒ社の「Ｓｐｒｉｎｇｅｒ ｓｅｒｉｅｓ ｉｎ ｓｔａｔｉｓｔｉｃｓ」シリーズ）に記述されている。

本システムの異なる要素が例えば、図１ａに示すように同一筐体ＢＴに組み込まれていてよく、あるいは図１ｂに示すようにいくつかの要素が例えばポータブルコンピュータＯＰに外付けされていてもよい。

図２に、第１の例における本システムのユーザーの記録を取得した例を下側のグラフに、および本システムから得られた結果を示す。それによれば、ユーザーは３６秒間起立または着座姿勢（状態１）を取り、次いで１６秒間歩行姿勢（状態２）を取り、次いで８秒間起立または着座姿勢（状態１）を取り、次いで１８秒間傾斜姿勢（状態３）を取り、次いで６秒間起立または着座姿勢（状態１）を取り、次いで３０秒間歩行姿勢（状態２）を取り、次いで３８秒間傾斜姿勢（状態３）を取り、次いで８秒間起立または着座姿勢（状態１）を取り、次いで５１秒間歩行姿勢（状態２）を取り、そして最後に起立または着座姿勢（状態１）で終わることがわかる。

第２の例において、本システムは、第１の加速度計であって、測定軸、およびユーザーが直立しているときに測定軸が体の垂直軸ＶＴと一致するように第１の加速度計をユーザーの胴体に固定する第１の固定要素を備えた第１の加速度計と、第２の加速度計であって、測定軸、およびユーザーが直立しているときに測定軸が体の垂直軸ＶＴに一致するように第２の加速度計をユーザーの大腿に固定する第２の固定要素を備えた第２の加速度計とを含んでいる。

使用する隠れマルコフモデルは、４個の姿勢すなわち、起立姿勢（状態１）、着座姿勢（状態２）、横臥姿勢（状態３）、および歩行姿勢（状態４）に対応する４個の状態を含んでいる。

この場合、指標サンプルｎに対して、ｘ（ｎ）は前記２個の加速度計の各低周波成分ＢＦの対を表し、ｙ（ｎ）は前記第２の加速度計の高周波成分ＨＦを表し、値ｘ（ｎ）を得る確率密度Ｐ_ｘは次式：

（式中、
Σ_ｘ，ｉは、モデルの状態ｉの信号ｘ（ｎ）の共分散行列を記述する次元２の対角行列であり、
μ_ｘ，ｉは、モデルの状態ｉを表す２成分列ベクトルを表す）
により定義される。

これらの状態に関連付けられた変数ｘ（ｎ）およびｙ（ｎ）の確率は以下のパラメータを有する上述の確率により定義される。
−起立姿勢（状態１）の場合、確率密度のパラメータは

で定義される。
高周波成分ｙ（ｎ）の場合、そのパラメータはσ_ｙ，１＝３ｅ^−２である。
−着座姿勢（状態２）の場合、確率密度のパラメータは

で定義される。
高周波成分ｙ（ｎ）の場合、そのパラメータはσ_ｙ，２＝３ｅ^−２である。
−横臥姿勢（状態３）の場合、確率密度のパラメータは

で定義される。
高周波成分ｙ（ｎ）の場合、そのパラメータはσ_ｙ，３＝３ｅ^−２である。
−歩行姿勢（状態４）の場合、確率密度のパラメータは

で定義される。
高周波成分ｙ（ｎ）の場合、そのパラメータはσ_ｙ，４＝１．２ｅ^−１である。

このように、上で詳述した推論によれば、Ｅ（０：Ｎ）は時刻ｎ＝０と時刻ｎ＝Ｎの間の状態列を表し、θ（０：Ｎ）が時刻ｎ＝０と時刻ｎ＝Ｎの間に観測されたデータを表すならば、Ｅ（０，Ｎ）は状態Ｅ（０），Ｅ（１），．．．Ｅ（Ｎ）の列に対応し、次式：

を最大化する。

本実施形態によれば、θ（ｎ）＝｛ｘ（ｎ），ｙ（ｎ）｝であって、ｘ（ｎ）およびｙ（ｎ）は各々時刻ｎにおいて２個の加速度計で測定した信号Ｓ（ｎ）の前記低周波および高周波成分である。

隠れマルコフモデルのある姿勢に対応する状態ｓｔａｔｅ_ｉから、隠れマルコフモデルのある姿勢に対応する別の状態ｓｔａｔｅ_ｊへの遷移確率密度Ｐ（ｓｔａｔｅ_ｉ／ｓｔａｔｅ_ｊ）は、本システムに良好な安定性を与えるように選択され、次表に示す。

入力信号および上で定義された隠れマルコフモデルに基づいて、解析モジュールＡＮは、従来の手順、例えば、観測された信号を考慮しながら最も起こり得る列を保持して、全ての可能な状態の列について関連付けられた確率を計算することにより、最も起こり得る状態（姿勢）の列を決定する。これについて例えば、Ｌ．Ｒ．ＲａｂｉｎｅｒおよびＢ．Ｈ．Ｊｕａｎｇによる文献「Ａｎ ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ ｈｉｄｄｅｎ Ｍａｒｋｏｖ ｍｏｄｅｌｓ」（ＩＥＥＥ ＡＳＳＰ Ｍａｇａｚｉｎｅ， Ｊａｎｕａｒｙ １９８６）、またはＣａｐｐｅ，Ｍｏｕｌｉｎｅｓ およびＲｙｄｅｎ著「Ｉｎｆｅｒｅｎｃｅ ｉｎ Ｈｉｄｄｅｎ Ｍａｒｋｏｖ Ｍｏｄｅｌｓ」（Ｓｐｒｉｎｇｅｒ社の「Ｓｐｒｉｎｇｅｒ ｓｅｒｉｅｓ ｉｎ ｓｔａｔｉｓｔｉｃｓ」シリーズ）に記述されている。

図３に、第１の例における本システムのユーザーの記録を取得した例を下側のグラフに、および本システムから得られた結果を示す。それによれば、ユーザーは５０秒間着座姿勢（状態２）を取り、次いで８５秒間歩行姿勢（状態４）を取り、次いで５０秒間起立姿勢（状態１）を取り、次いで６１秒間歩行姿勢（状態４）を取り、次いで８秒間着座姿勢（状態２）を取り、次いで９４秒間横臥姿勢（状態３）を取り、次いで５４秒間歩行姿勢（状態４）を取り、そして最後に起立または着座姿勢（状態２）で終わることがわかる。

本発明は、姿勢の変化を正確に決定することにより、人の姿勢をより低コスト且つ向上した精度でリアルタイムまたは後で決定することが可能になる。

Claims (13)

1. 少なくとも１個の測定軸を備えた少なくとも１個の運動センサ（ＣＭ）を含み、前記運動センサ（ＣＭ）をユーザーに堅牢に接続するための固定手段（ＭＦ）を備えた、人の姿勢を決定するシステムであって、
   −前記運動センサ（ＣＭ）の各測定軸について、第１の閾値（Ｓ１）を上回る高周波、および前記第１の閾値（Ｓ１）以下である第２の閾値（Ｓ２）を下回る低周波を選択するフィルタ（ＦＩＬＴ）と、
   −前記運動センサ（ＣＭ）に備えられた前記測定軸（ｋ）の前記高周波の２乗の和に等しい１次元高周波成分（ＨＦ）、および前記運動センサ（ＣＭ）に備えられた前記測定軸（ｋ）の数にサイズが等しい低周波成分（ＢＦ）を決定する手段（ＤＥＴ）と、
   −前記高周波成分（ＨＦ）の確率密度を、前記運動センサに備えられた前記測定軸（ｋ）の数に自由度が等しいカイ２乗分布により定義し、且つ前記低周波成分（ＢＦ）の確率密度をガウス分布により定義して、前記高周波成分（ＨＦ）の確率密度（Ｐ_ｙ）および前記低周波成分（ＢＦ）の確率密度（Ｐ_ｘ）を計算する手段（ＣＡＬＣ）と、
   −前記ユーザーの姿勢決定に適している解析手段（ＡＮ）であって、
   −各々の姿勢について定義されている確率密度である、前記低周波および高周波成分の同時確率密度、および
   −２個の連続する姿勢間の遷移確率
   を組み合わせた解析手段（ＡＮ）と
   を含むことを特徴とするシステム。
2. 前記決定手段（ＤＥＴ）が、前記運動センサ（ＣＭ）に備えられた前記測定軸による測定値の１次結合に等しい１次元低周波成分（ＢＦ）の決定に適していて、前記高周波成分は、自由度を有するカイ２乗分布により定義されている、請求項１に記載のシステム。
3. 前記低周波成分（ＢＦ）および前記高周波成分（ＨＦ）の値の対（ｘ（ｎ），ｙ（ｎ））の確率密度（Ｐ（ｘ（ｎ），ｙ（ｎ）））が、前記低周波成分（ＢＦ）の値（ｘ（ｎ））が得られる確率密度（Ｐ_ｘ）と、前記高周波成分（ＨＦ）の値（ｙ（ｎ））が得られる確率密度（Ｐ_ｙ）の積を含んでいて、前記確率密度（Ｐ_ｘ，Ｐ_ｙ）は各状態ｉについて次式：
   

   

   （式中、
   ｘ（ｎ）は、１次元の信号であって、指標サンプルｎを有する低周波成分を表し、
   μ_ｘ，ｉは、関連する隠れマルコフモデルの状態ｉを表す同次元のベクトルを低周波成分として表し、
   σ_ｘ，ｉは、関連する隠れマルコフモデルの状態ｉを表す低周波成分ｘの分散の２乗根を表し、
   ｙ（ｎ）は、指標サンプルｎを有する高周波成分を表し、
   ｋは、運動センサに備えられた測定軸の数を表し、
   σ_ｙ，ｉは、状態ｉにおける変数ｙ（ｎ）の時間平均に比例する量であり、例えば、σ_ｙ，ｉは変数ｙ（ｎ）をｋで除算した値の時間平均であり、および
   Γは、
   

   

   が成り立つガンマ関数である）
   で定義されている、請求項１または２に記載のシステム。
4. 表示手段（ＡＦＦ）を含んでいる、請求項１〜３のいずれか１項に記載のシステム。
5. 前記運動センサ（ＣＭ）が加速度計および／または磁力計および／またはジャイロメーターを含んでいる、請求項１〜４のいずれか１項に記載のシステム。
6. 第１の加速度計であって、測定軸、および前記ユーザーが直立しているときに前記測定軸が体の垂直軸ＶＴと一致するように前記第１の加速度計を前記ユーザーの胴体に固定するのに適した固定手段を備えた第１の加速度計を含んでいる、請求項１〜５のいずれか１項に記載のシステム。
7. 前記解析手段（ＡＮ）が、起立または着座姿勢、歩行姿勢、傾斜姿勢、および横臥姿勢から最大４個の状態を有する隠れマルコフモデルを用いて、ユーザーの姿勢を時間の関数として決定するのに適している、請求項６に記載のシステム。
8. −起立または着座姿勢の場合、μ_ｘ∈［０．７；１．３］、σ_ｘ∈［０．０５；０．４］、σ_ｙ∈［１．１０^−３；５．１０^−１］であり、
   −歩行姿勢の場合、μ_ｘ∈［０．７；１．３］、σ_ｘ∈［０．０５；０．４］、σ_ｙ∈［１．１０^−２；１］であり、
   −傾斜姿勢の場合、μ_ｘ∈［０．７；１．３］、σ_ｘ∈［０．０５；０．４］、σ_ｙ∈［１．１０^−３；５．１０^−１］であり、
   −横臥姿勢の場合、μ_ｘ∈［−０．３；０．３］、σ_ｘ∈［０．０５；０．４］、σ_ｙ∈［１．１０^−３；５．１０^−１］である、請求項７に記載のシステム。
9. 第２の加速度計であって、測定軸、および前記ユーザーが直立しているときに前記測定軸が体の垂直軸ＶＴに一致するように前記第２の加速度計を前記ユーザーの大腿に固定するのに適した固定手段を有する第２の加速度計を更に含んでいる、請求項６に記載のシステム。
10. 前記解析手段（ＡＮ）が、起立姿勢、着座姿勢、横臥姿勢、および歩行姿勢から最大４個の状態を有する隠れマルコフモデルを用いて前記ユーザーの姿勢を時間の関数として決定するのに適している、請求項９に記載のシステム。
11. 指標サンプルｎに対して、ｘ（ｎ）は前記２個の加速度計の各低周波成分（ＢＦ）の対を表し、ｙ（ｎ）は、前記第２の加速度計の高周波成分（ＨＦ）を表し、値ｘ（ｎ）を得る確率密度（Ｐ_ｘ）は次式
    

    

    （式中、
    Σ_ｘ，ｉは、前記モデルの状態ｉの信号ｘ（ｎ）の共分散行列を記述する次元２の対角行列であり、
    μ_ｘ，ｉは、前記モデルの状態ｉを表す２成分列ベクトルを表す）
    により定義される、請求項１０に記載のシステム。
12. −起立姿勢の場合、
    

    

    であり、
    −着座姿勢の場合、
    

    

    であり、
    −横臥姿勢の場合、
    

    

    であり、および
    −歩行姿勢の場合、
    

    

    である、請求項１１に記載のシステム。
13. 人の姿勢を決定する方法であって、
    −運動センサ（ＣＭ）の各測定軸について、第１の閾値（Ｓ１）を上回る高周波、および前記第１の閾値（Ｓ１）以下である第２の閾値（Ｓ２）を下回る低周波を選択すべくフィルタリング（ＦＩＬＴ）を実行するステップと、
    −前記運動センサ（ＣＭ）に備えられた測定軸（ｋ）の前記高周波の和に等しい１次元高周波成分（ＨＦ）、および前記運動センサ（ＣＭ）に備えられた測定軸の数に次元が等しい低周波成分（ＢＦ）を決定する（ＤＥＴ）ステップと、
    −前記高周波成分（ＨＦ）が、前記運動センサ（ＣＭ）に備えられた測定軸（ｋ）の数に等しい自由度を有するカイ２乗分布により定義され、前記低周波成分（ＢＦ）が、ガウス分布により定義されている状態で、前記高周波成分（ＨＦ）の確率密度（Ｐ_ｙ）および前記低周波成分（ＢＦ）の確率密度（Ｐ_ｘ）を計算する（ＣＡＬＣ）ステップと、
    −各々Ｎ個の姿勢に対応するＮ個の状態を有する隠れマルコフモデルを用いて、ユーザーの姿勢を時間の関数として、
    −各々の姿勢について定義されている確率密度である、前記低周波および高周波成分の同時確率密度、および
    −２個の連続する姿勢間の遷移確率
    を組み合わせることにより決定するステップと
    を含むことを特徴とする方法。

Images