JP2013131097A - 人間活動検知システム、人間活動検知方法および人間活動検知プログラム - Google Patents

Abstract

【課題】宅内の人間活動の有無を判別する閾値を当該宅内における過去の電力時系列データから自動的に算出する人間活動検知システムを提供する。
【解決手段】電力データ入力部１にて宅内における過去のあらかじめ定めた特定期間の１日毎の電力消費量をあらかじめ定めた時間間隔で取得して、電力データ記憶部２１に蓄積する。ヒストグラム生成部３１にて、蓄積した電力消費量に関するヒストグラムを１日毎に生成し、データフィルタリング部３２にて、生成したヒストグラムに判別分析法を適用して、１日毎に低消費クラスと高消費クラスとの２つのクラスに分離する分離度を算出して、分離度が最大になる日を選択する。選択した当該日において２つのクラスに分離する閾値を、閾値算出部３３にて、人間の操作がない状態で機器が自動的に運転している機器自動運転の状態における電力消費量の最大値と看做して、人間活動の有無を判別するための閾値として設定する。
【選択図】図1

Description

本発明は、人間活動検知システム、人間活動検知方法および人間活動検知プログラムに関し、特に、電力消費量の取得結果を利用して、独居高齢者に対する見守りを行うための人間活動検知システム、人間活動検知方法および人間活動検知プログラムに関する。

近年、独居高齢者の増加に鑑みて、非特許文献１の「独居高齢者見守りシステム−狛江市における実証試験−」（財団法人電力中央研究所、研究報告Ｒ０９０１４）や非特許文献２の「電気の使い方から独居高齢者を見守るシステム（その２）−総負荷電流の変化の累積度数分布を用いる方法−」（財団法人電力中央研究所、研究報告Ｒ０５０１３）等にも記載されているように、独居高齢者を離れた場所から見守るための見守りシステムの開発が進められている。これらの見守りシステムの多くは、独居高齢者の緊急事態を想定した安否確認のみならず、緊急性は要しないものの、独居高齢者の普段の活動状態を見守りたいというニーズに対応することも考慮されている。

財団法人電力中央研究所、「独居高齢者見守りシステム−狛江市における実証試験−」、研究報告Ｒ０９０１４、平成２２年５月、http://criepi.denken.or.jp/jp/kenkikaku/report/download/uUtRMCXDU9WjHMJ9GfExmbe6q6tfrQqk/report.pdf 財団法人電力中央研究所、「電気の使い方から独居高齢者を見守るシステム（その２）−総負荷電流の変化の累積度数分布を用いる方法−」、研究報告Ｒ０５０１３、平成１８年６月、http://criepi.denken.or.jp/jp/kenkikaku/report/leaflet/R05013.pdf

前記非特許文献１や前記非特許文献２に記載の技術には、対象とする宅内で使用されている機器に流れる電流つまり総負荷電流の変化を利用した累積度数分布法と称する技術が紹介されている。該累積度数分布法を簡単に説明すると、次の通りである。

対象とする宅内の或る一定期間内の総負荷電流の微小時間（例えば１分等の時間）における差分の絶対値を取得して、取得した総負荷電流の差分の絶対値が、あらかじめ定めた一定の電流値以上となる割合を算出する。算出した当該割合があらかじめ設定した閾値を超えていれば、対象とする宅内で人間が何らかの電力消費機器を操作した、つまり、対象とする宅内には人間の活動があると判断し、逆に、該閾値を超えていなければ、対象とする宅内では人間の活動はないと判断するアルゴリズムとなっている。

前記非特許文献１においては、本発明者らは、人間が活動しているか否かを判別するための前記閾値の設定が人間の経験によって手動で行われていることを問題視して、前記閾値を自動的に算出して設定する自動設定方法を提示している。

しかしながら、前記非特許文献１に提示している自動設定方法においても、前記閾値を算出するために、複数の初期値を設定することが必要であり、初期値の設定如何によって前記閾値が変動することになること、かつ、これらの初期値は人間の経験により適切と思われる値を人間が任意に設定する仕組みとなっているため、人為的なミスが混入して、前記閾値が不適切な値になってしまうこと、等も生じて、自動化が不徹底になっている。

本発明は、かかる事情に鑑みてなされたものであり、対象とする宅内において人間が活動しているか否かを判別する閾値を、当該宅内における過去の電力時系列データからダイレクトにかつ自動的に算出して設定することを可能にする人間活動検知システム、人間活動検知方法および人間活動検知プログラムを提供することを、その目的としている。

本発明は、前述の課題を解決するために、以下のごとき各技術手段から構成されている。

第１の技術手段は、対象とする宅内における人間の活動の有無を検知する人間活動検知システムであって、当該宅内における過去のあらかじめ定めた特定期間の１日毎の電力消費量をあらかじめ定めた時間間隔で取得する手段と、取得した当該宅内における１日毎の前記電力消費量に関するヒストグラムを生成する手段と、生成した１日毎の前記ヒストグラムに対して、判別分析法（Discriminant Analysis Method）を適用して、電力消費量が小さい低消費クラスと電力消費量が大きい高消費クラスとの２つのクラスに分離する分離度を１日毎に算出し、算出した前記分離度が最大になる日を選択する手段と、選択した当該日において前記２つのクラスに分離する閾値を導出し、導出した閾値を、人間の操作がない状態で機器が自動的に運転している機器自動運転の状態における電力消費量の最大値と看做して、人間活動の有無を判別するための閾値として設定する手段と、を少なくとも備えていることを特徴とする。

第２の技術手段は、前記第１の技術手段に記載の人間活動検知システムにおいて、過去の最新の日または選択した日における前記宅内の人間の活動の有無を算出する際に、当該日の前記宅内における電力消費量に関する電力データを取得し、取得した前記電力データを前記閾値と比較し、比較した比較結果を、当該宅内における人間の活動量を示す宅内活動量として算出する手段をさらに備えていることを特徴とする。

第３の技術手段は、対象とする宅内における人間の活動の有無を検知する人間活動検知方法であって、当該宅内における過去のあらかじめ定めた特定期間の１日毎の電力消費量をあらかじめ定めた時間間隔で取得するステップと、取得した当該宅内における１日毎の前記電力消費量に関するヒストグラムを生成するステップと、生成した１日毎の前記ヒストグラムに対して、判別分析法（Discriminant Analysis Method）を適用して、電力消費量が小さい低消費クラスと電力消費量が大きい高消費クラスとの２つのクラスに分離する分離度を１日毎に算出し、算出した前記分離度が最大になる日を選択するステップと、選択した当該日において前記２つのクラスに分離する閾値を導出し、導出した閾値を、人間の操作がない状態で機器が自動的に運転している機器自動運転の状態における電力消費量の最大値と看做して、人間活動の有無を判別するための閾値として設定するステップとを少なくとも有していることを特徴とする。

第４の技術手段は、前記第３の技術手段に記載の人間活動検知方法において、過去の最新の日または選択した日における前記宅内の人間の活動の有無を算出する際に、当該日の前記宅内における電力消費量に関する電力データを取得し、取得した前記電力データを前記閾値と比較し、比較した比較結果を、当該宅内における人間の活動量を示す宅内活動量として算出するステップをさらに有していることを特徴とする。

第５の技術手段は、前記第４の技術手段に記載の人間活動検知方法において、前記宅内活動量を算出する際に、取得した時刻毎の前記電力データと前記閾値とを順次比較し、前記電力データが前記閾値以下であった場合には、当該宅内においては人間が活動状態にないものと判定し、一方、前記電力データが前記閾値を超えていた場合には、当該宅内において人間が活動状態にあるものと判定して、判定した結果を、前記電力データを取得した時刻毎の２値の前記宅内活動量として算出することを特徴とする。

第６の技術手段は、前記第４の技術手段に記載の人間活動検知方法において、前記宅内活動量を算出する際に、取得した前記電力データのうち任意に選択した時間帯における電力データを抽出し、抽出した前記電力データと前記閾値とを順次比較し、抽出した前記電力データのうち、前記閾値を超えているデータ数の割合が、前記宅内における人間の活動の有無を判別する割合として任意に設定した割合閾値以下であった場合には、当該宅内においては人間が活動状態にないものと判定し、一方、前記閾値を超えているデータ数の割合が前記割合閾値を超えていた場合には、当該宅内において人間が活動状態にあるものと判定して、判定した結果を、前記時間帯における２値の前記宅内活動量として算出することを特徴とする。

第７の技術手段は、前記第４の技術手段に記載の人間活動検知方法において、前記宅内活動量を算出する際に、取得した前記電力データのうち任意に選択した時間帯における電力データを抽出し、抽出した前記電力データと前記閾値とを順次比較し、抽出した前記電力データのうち、前記閾値を超えているデータ数の割合を、前記時間帯における人間の活動量を示す数値からなる前記宅内活動量として算出することを特徴とする。

第８の技術手段は、前記第３ないし第７の技術手段のいずれかに記載の人間活動検知方法を、コンピュータによって実行可能なプログラムとして実施している人間活動検知プログラムとすることを特徴とする。

本発明の人間活動検知システム、人間活動検知方法および人間活動検知プログラムによれば、宅内に設置した機器の電力消費量に基づいて、当該宅内に在宅する人間の活動状態を自動的に判定することができるのみならず、さらに、以下のような効果を奏することができる。

第１に、本発明においては、対象とする宅内において人間が活動しているか否かを判別する閾値を算出するための初期値を手動で設定する必要はなく、当該宅内における過去の電力時系列データからダイレクトにかつ自動的に該閾値を求めることができるので、初期値の設定如何によって該閾値が変動するという問題を引き起こすことはない。

第２に、対象とする宅内における人間の活動の有無を判別する閾値を、当該宅内における過去の電力時系列データからダイレクトにかつ自動的に求めることができるので、本発明による人間活動検知システムの運用に当たって、ユーザは、該閾値の設定に関する知識や経験を必要としない。

第３に、対象とする宅内における人間の活動の有無を判別する閾値の自動的な算出に当たって、当該宅内における過去の電力時系列データを用いるので、ユーザ毎や、季節毎に、それぞれに最適な値を算出して設定することが可能である。

本発明による人間活動検知システムの内部構成の一例を示すブロック構成図である。 図１の人間活動検知システムの閾値演算部のヒストグラム生成部において生成した１日分の電力消費量のヒストグラムの一例を示すグラフである。 図１の人間活動検知システムの閾値演算部のデータフィルタリング部において適用する判別分析法の計算方法を説明するための説明図である。 図１の人間活動検知システムの閾値演算部の閾値算出部において人間活動の有無を推定するための閾値として設定した場合の様子を説明するためのグラフである。 図１の人間活動検知システムの全体的な動作の一例を示すフローチャートである。 図１の人間活動検知システムの閾値演算部のデータフィルタリング部における動作の一例を示すフローチャートである。 図１の人間活動検知システムの宅内活動量算出部における動作のバリエーションの一例を説明するためのフローチャートである。

以下に、本発明に係る人間活動検知システム、人間活動検知方法および人間活動検知プログラムの好適な実施形態について、その一例を、図面を参照しながら詳細に説明する。なお、以下の説明においては、本発明による人間活動検知システムおよび人間活動検知方法について説明するが、かかる人間活動検知方法をコンピュータにより実行可能な人間活動検知プログラムとして実施するようにしても良いし、さらに、かかる人間活動検知プログラムをコンピュータにより読み取り可能な記録媒体に記録するようにしても良いことは言うまでもない。

（本発明の特徴）
本発明の実施形態の説明に先立って、本発明の特徴についてその概要をまず説明する。本発明は、対象とする宅内における電力消費量から当該宅内の人間の活動状態（例えば、健康に活動しているか、病気等で寝込んでいないか等）を推定することを主要な特徴としている。なお、電力消費量の代わりに電流消費量を用いるようにしてもかまわない。

具体的には、人間活動の有無を判別するための特定の閾値を、過去の電力時系列データ（取得順に時系列に並んだ電力消費量データ）からダイレクトに、かつ、自動的に算出してあらかじめ設定し、対象とする宅内における機器の電力消費量の測定結果が、設定した該閾値を超えているか否かによって、対象とする宅内における人間の活動の有無を判別することを主要な特徴としている。

ここで、人間活動の有無を判別するための特定の閾値を算出する際に、任意に定めた過去のＮ日分（Ｎ：正整数）の電力時系列データから、１日毎の電力消費量に関するヒストグラムを生成し、生成した１日毎の電力消費量のヒストグラムそれぞれについて、判別分析法（Discriminant Analysis Method）を用いて、電力消費量が小さい低消費クラスと電力消費量が大きい高消費クラスとの２つのクラスに分離する分離度（Separation Metrics）σ_ｂ ^２/σ_ｗ ^２（σ_ｂ ^２：クラス間分散（Between-Class Variance）、σ_ｗ ^２：クラス内分散（Within-Class Variance））を１日毎に算出し、かつ、算出した分離度σ_ｂ ^２/σ_ｗ ^２が最大になる日の閾値を導出することにより、導出した該閾値を、対象とする宅内に設置されている電気機器に関する機器自動運転時の電力消費量の最大値であるものと看做して、人間活動の有無を判別するための特定の閾値として設定する。

つまり、対象とする宅内における任意に定めた過去のＮ日分の電力の時系列データから、当該宅内の機器自動運転による最大電力消費量を自動的に算出して、当該宅内の人間活動の有無を推定するための特定の閾値として設定するようにしたことを本発明の主要な特徴としている。

なお、電気機器に関する機器自動運転とは、通常の家庭生活において、人間が操作をしなくても、自動的に電力を消費する機器の運転状態のことである。

例えば、冷蔵庫は、人間がコンセントを抜くことはできるが、通常、コンセントを抜くようなことはしないので、冷蔵庫は、人間が何らの操作をしない機器自動運転の状態においても、冷却用の電力消費量が発生していることになる。

また、テレビジョンの場合、通常は、テレビジョンの電源をリモコンによってオフ（ＯＦＦ）する人にとって、リモコンによって電源をオフ（ＯＦＦ）することは人間の操作であり、かかる人間の操作によってテレビジョンの電力消費量が変化するが、リモコンによる電源のオフ（ＯＦＦ）後においても、消費される待機電力については、機器自動運転の状態における電力消費となる。分かり易く言うと、人間は外出時には自分のライフスタイルに合わせて宅内の機器の電源をオフ（ＯＦＦ）するが、外出時においても動作して電力を消費している機器の運転状態が、「機器自動運転」に該当している。

（本発明による人間活動検知システムの構成例）
次に、本発明の実施形態について、まず、本発明による人間活動検知システムの内部構成の一例を、図１を用いて説明する。図１は、本発明による人間活動検知システムの内部構成の一例を示すブロック構成図である。なお、図１には、ハードウェアロジックによって各ブロックが構成されている場合について示しているが、場合によっては、図１に示す各ブロックの全てまたは一部をコンピュータによって実行可能なプログラムとして実現するようにしても良い。

図１に示すように、人間活動検知システム１００は、宅内に設置されて、当該宅内の人間の活動量を検知して、活動しているか否かの活動状態を外部に出力する機能を備えており、電力データ入力部１、記憶部２、閾値演算部３、宅内活動量演算部４、宅内活動量出力部５を少なくとも備えて構成されている。さらに、記憶部２は、電力データ記憶部２１を少なくとも備え、閾値演算部３は、ヒストグラム生成部３１、データフィルタリング部３２、閾値算出部３３を少なくとも備え、宅内活動量演算部４は、宅内活動量算出部４１を少なくとも備えている。

電力データ入力部１は、電力センサ等から得られた電力データすなわち電力消費量を数値情報として取得する機能を有している。電力データ入力部１における電力データの取得間隔は、以下の説明においては、１分毎としているが、１分に限るものではなく、あらかじめ適切に定めた任意の時間間隔であってもかまわない。

記憶部２は、各種の情報（データやプログラム等）を記憶する機能を有しており、記憶部２の電力データ記憶部２１は、電力データ入力部１により取得した電力データをあらかじめ任意に定めた特定期間分に亘って順次記憶する機能を有している。

閾値演算部３は、人間の活動状況を推測するための閾値を自動的に演算して設定するための機能を有しており、閾値演算部３のヒストグラム生成部３１は、電力データ記憶部２１に記憶されている任意に定めた特定期間内の電力データから１日毎に電力消費量に関するヒストグラムを生成する機能を有している。該ヒストグラムは、横軸に自然対数表示で電力（電力消費量）を表示し、縦軸に各電力（電力消費量）の発生回数を頻度として表示する。

図２は、図１の人間活動検知システム１００の閾値演算部のヒストグラム生成部３１において生成した１日分の電力消費量のヒストグラムの一例を示すグラフである。図２には、１分毎に取得して電力データ記憶部２１に記憶した１日分の電力データ、つまり、１，４４０個の電力データを、あらかじめ定めた電力単位（例えば０．１Ｗ単位）の間隔に区切って、低電力消費量から高電力消費量に向かって大きくなる順に並べ替え、それぞれの電力間隔における発生頻度（回数）をヒストグラムとして表示した一例を示している。

つまり、本実施形態においては、人間の活動状態を推測するために、電力データの解析を行う手法として、一般的に用いられているヒストグラムとして電力データを並べ替える手法を適用している。また、図２に示す電力データのヒストグラムの例においては、１分毎に取得した電力データを例として示しているが、ヒストグラムを生成する際においても、１分毎に限るものではなく、あらかじめ適切に定めた任意の時間間隔を単位としてもかまわない。

なお、任意に定めた特定期間をＮ日（Ｎ：正整数）とした場合、ヒストグラムは１日単位にＮ個作成される。該特定期間のＮ日は、３０日程度が適切であるが、３０日に限るものではなく、適切に任意に定めた期間であってかまわない。また、電力データを区切る間隔としてあらかじめ定めた電力単位を、例えば、０．１Ｗ単位としている場合を示しているが、如何なる電力単位で区切ってもかまわない。

また、閾値演算部３のデータフィルタリング部３２は、ヒストグラム生成部３１によって生成されたＮ個（前記特定期間をＮ日とした場合）のヒストグラムそれぞれに対して、判別分析法（Discriminant Analysis Method）における分離度（Separation Metrics）σ_ｂ ^２/σ_ｗ ^２（σ_ｂ ^２：クラス間分散（Between-Class Variance）、σ_ｗ ^２：クラス内分散（Within-Class Variance））を算出し、該分離度σ_ｂ ^２/σ_ｗ ^２の値が最大となる日を選択する機能を有する。なお、前記判別分析法とは、或るデータ群に対して、２つのクラスを定義し、定義した２つのクラスの分離度が最も大きくなるところを閾値として算出する技術であり、例えば、画像処理分野において、画像の濃淡の２値化等に頻繁に利用されている技術である。

判別分析法の計算方法について図３を用いてさらに説明する。図３は、図１の危険状態判定システム１００の閾値演算部３のデータフィルタリング部３２において適用する判別分析法の計算方法を説明するための説明図であり、対象とする電力消費量に関する１日毎のヒストグラムそれぞれに関して、電力消費量が大きいクラス（高消費クラス）と小さいクラス（低消費クラス）との２つのクラスに第１閾値ｔ_１によって２値化する計算方法を説明している。

つまり、図３（Ａ）に示すように、ヒストグラム生成部３１において生成した図２に例示した１日毎の電力消費量を、閾値ｔによって、電力消費量が大きいクラス（高消費クラス）と小さいクラス（低消費クラス）との２つのクラスに分離する場合について説明している。

ここで、図３（Ａ）に示すように、低消費クラスの電力データ数をω_１、平均をｍ_１、分散をσ_１、高消費クラスの電力データ数をω_２、平均をｍ_２、分散をσ_２、電力データ全体の電力データ数をω_ｔ、平均をｍ_ｔ、分散をσ_ｔとしたとき、クラス内分散σ_ｗ ^２は、図３（Ｂ）に示すように、次の式（１）として、

と表すことができる。

また、クラス間分散σ_ｂ ^２は、図３（Ｂ）に示すように、次の式（２）として、

と表すことができる。

ここで、全分散σ_ｔは、

として表すことができる。したがって、２つのクラスの分離度は、図３（Ｂ）に示すように、クラス間分散σ_ｂ ^２とクラス内分散σ_ｗ ^２との比で与えられ、次の式（３）

となり、この分離度σ_ｂ ^２/σ_ｗ ^２が最大になる日の閾値ｔを求めれば、電力消費量を利用して、人間の活動状態を（活動しているか否かを）推定するために用いることが可能な２つのクラスに、電力消費量を分離することができる。

すなわち、図３（Ａ）のヒストグラムにおける低消費クラスに属する電力消費量と高消費クラスに属する電力消費量とを、図４に示すように、宅内の人間の操作によらず自動的に電力が消費される機器自動運転の場合と、人間の操作によって電力消費量が増加している場合との２つのクラスとして分離することができる。図４は、図１の人間活動検知システム１００の閾値演算部３の閾値算出部３３において人間活動の有無を推定するための閾値ｔとして設定した場合の様子を説明するためのグラフであり、図２のヒストグラムとして示した日の電力消費量のパターンが、分離度σ_ｂ ^２/σ_ｗ ^２が最大になる日のヒストグラムであった場合として示している。

図４のヒストグラムに示すように、特定期間内の１日毎のヒストグラムのうち、閾値ｔが最大になる日のヒストグラムとして選択された日のヒストグラムに対して、判別分析法を用いて得られた閾値ｔによって、宅内の人間の操作によらず自動的に電力が消費される機器自動運転の場合と人間の操作によって電力消費量が増加している場合との２つのクラスに分離し、閾値ｔが示す区切り線の左側の低消費クラスに属する宅内の電力消費量においては、当該宅内において人間が活動していないものと推定し、閾値ｔが示す区切り線の右側の高消費クラスに属する宅内の電力消費量においては、当該宅内において人間が活動しているものと推定することができる。

具体的な数値例として、図４に示すヒストグラムの場合、例えば、１分ごとに１日分の電力データを取得して記憶部２の電力データ記憶部２１に蓄積している場合を示しており、１日は２４時間であり、２４時間は１，４４０分に相当しているので、１，４４０個の電力データが蓄積されているということになる。また、特定期間の例えばＮ日のうち、図４の電力消費量に関するヒストグラムが得られた日が、判別分析法により２つのクラスの分離度σ_ｂ ^２/σ_ｗ ^２が最大になる日であると判定された場合には、閾値ｔの値は、図４に示すように、略５．７Ｗと算出される。

つまり、閾値演算部３の閾値算出部３３は、前述したように、入力された日の電力データに関してヒストグラム生成部３１によって生成された特定期間分（Ｎ日分）の１日毎のヒストグラムに基づいて、データフィルタリング部３２において分離度σ_ｂ ^２/σ_ｗ ^２が最大になる日として選択された日のヒストグラムを入力データとして判別分析法により得られた閾値ｔを、宅内の人間の操作がない場合においても自動的に電力が消費される機器自動運転の最大値を与えるものと看做して、当該宅内の人間の活動状態を推定するための閾値ｔとして設定する。

すなわち、「機器自動運転による電力の消費」と「人間操作による電力消費の増加」との２つのクラスが明確に分離されている場合には、判別分析法により得られた閾値ｔは、人間の操作がない場合に自動的に電力が消費される機器自動運転の電力消費量の最大値であるものと看做すことにより、該閾値ｔを超える電力消費量が発生している場合には、対象とする宅内の人間が、電気機器の何らかの操作を行っている活動状態にあるものとして推定することができる。

また、宅内活動量算出部４１は、電力データ記憶部２１から、過去の最新の電力データ（電力時系列データ）または任意に指定した日の電力データ（電力時系列データ）を取得して、取得した電力データ（電力時系列データ）を時系列的に順番に閾値算出部３３で設定した閾値ｔと比較して、取得した電力データ（電力時系列データ）が、該閾値ｔを超えていた場合には、当該宅内の人間が活動している状態にあるものと判定し、逆に、該閾値ｔ以下であった場合には、当該宅内の人間が活動していない状態にあるものと判定し、該判定結果を、対象とする宅内における人間の活動状態を示す２値の宅内活動量として、宅内活動量出力部５に対して出力する。もしくは、取得した電力データ（電力時系列データ）の全データ数のうち前記閾値ｔを超えたデータ数の割合を、宅内における人間の活動量を示す数値からなる宅内活動量として、宅内活動量出力部５に対して出力する。

また、宅内活動量出力部５は、宅内活動量算出部４１において判定された判定結果（当該宅内の人間が活動しているか否かを示す２値の判定結果）である２値の宅内活動量を、もしくは、前記閾値ｔを超えたデータ数の割合（当該宅内の人間の活動量を示す２値に限らない数値）からなる宅内活動量を、あらかじめ登録されている外部の機器（デバイス）に対して出力する。

（本発明による人間活動検知システムの動作例）
次に、図１に示した本発明による人間活動検知システム１００の動作の一例を、図５ないし図７のフローチャートを参照しながら説明する。図５は、図１の人間活動検知システム１００の全体的な動作の一例を示すフローチャートであり、本発明による人間活動検知方法の一例を示している。

また、図６は、図１の人間活動検知システム１００の閾値演算部３のデータフィルタリング部３２における動作の一例を示すフローチャートであり、人間活動の有無を推定するための閾値ｔをあらかじめ定めた特定の期間（Ｎ日間）の電力消費量に基づいて、閾値ｔが最大になる日を算出する動作について示している。また、図７は、図１の人間活動検知システム１００の宅内活動量算出部４１における動作のバリエーションの一例を説明するためのフローチャートであり、対象とする宅内における電力消費量に基づいて当該宅内の人間の活動量を宅内活動量として算出する動作のバリエーションについて、図７（Ａ）、図７（Ｂ）、図７（Ｃ）の３種類を例示している。

まず、図５に示すフローチャートを用いて、図１の人間活動検知システム１００の全体的な動作についてその一例を説明する。

図５のフローチャートにおいては、まず、電力データ入力部１において対象とする宅内の電力センサ等から入力インタフェースを介して時系列的に得られる電力消費量を数値情報に変換した電力時系列データ（時系列に並んだ電力消費量データ）として取得する（ステップＳ１）。なお、電力時系列データの取得間隔は任意に設定することが可能であり、例えば、１分毎として設定することも可能である。電力データ入力部１により取得された電力時系列データは、あらかじめ任意に設定した特定期間分（例えばＮ日分）に亘って、記憶部２の電力データ記憶部２１に、順次記憶される（ステップＳ２）。

次いで、電力データ記憶部２１に記憶されている特定期間分（例えばＮ日分）の電力時系列データを用いて、人間活動の有無を推定するための閾値ｔを算出する動作を行う場合か、あるいは、電力データ記憶部２１に記憶されている過去の最新の日または任意に選択した日の電力時系列データを用いて、当日の人間の活動状態を判別する場合かを判定する（ステップＳ３）。取得した特定期間分（例えばＮ日分）の電力時系列データすなわち電力消費量を用いて閾値ｔを算出する動作を行う場合には（ステップＳ３のＹＥＳ）、ステップＳ４に移行し、一方、取得した電力時系列データを用いて、人間活動の有無を推定するための閾値ｔを算出する動作を行う場合ではないと判定した場合は（ステップＳ３のＮＯ）、取得した最新の日または任意に選択した日の電力時系列データを用いて、対象とする宅内において人間が活動しているか否かを、宅内活動量として算出する場合であり、ステップＳ７に移行する。

ステップＳ３において、取得した電力時系列データを用いて閾値ｔを算出する動作を行う場合は（ステップＳ３のＹＥＳ）、まず、閾値演算部３のヒストグラム生成部３１によって、電力データ記憶部２１に記憶されている任意に定めた特定期間分（例えばＮ日分）の電力データそれぞれに基づいて、図２に示したような１日毎の電力消費量に関するヒストグラムを生成する（ステップＳ４）。該ヒストグラムは、前述したように、低電力消費量から高電力消費量に向かって電力消費量が大きくなる順にあらかじめ定めた電力間隔（例えば０．１Ｗ）で区切って並べた際の各電力消費量毎の発生頻度（度数分布）を１日毎に示すものである。ここで、特定期間分を例えばＮ日分とした場合、電力消費量に関してＮ個のヒストグラムが生成されることになる。

１日毎の電力消費量に関するヒストグラムを生成すると、ヒストグラム生成部３１によって生成されたＮ個（前記特定期間をＮ日とした場合）のヒストグラムそれぞれに対して、閾値演算部３のデータフィルタリング部３２において、判別分析法を適用して、分離度σ_ｂ ^２/σ_ｗ ^２（σ_ｂ ^２：クラス間分散、σ_ｗ ^２：クラス内分散）を算出することによって、電力データのフィルタリング処理を施し、該分離度σ_ｂ ^２/σ_ｗ ^２の値が最大となる日を選択する（ステップＳ５）。

つまり、分離度σ_ｂ ^２/σ_ｗ ^２は、前述したように、１日毎のそれぞれの電力消費量において低消費クラスと高消費クラスとの２つのクラスに分離する際の分離の明確度（分離度）を表しており、該分離度σ_ｂ ^２/σ_ｗ ^２の値が最大となるということは、低消費クラスと高消費クラスとの２つのクラスに最も明確に分離することができているということを意味している。

また、低消費クラスと高消費クラスとの２つのクラスは、多くの場合、それぞれが、「機器自動運転による電力消費の場合」と「人間操作による電力消費の増加の場合」として現れる。よって、分離度σ_ｂ ^２/σ_ｗ ^２の値が最大となる日を選択するということは、人間の操作がない場合において自動的に電力が消費される機器自動運転の場合と、人間の操作によって電力が消費されている場合との２つのクラスに電力が最も明確に分離することができる日を選択するということになる。

つまり、閾値演算部３のデータフィルタリング部３２においては、人間の活動状態を判別する閾値ｔの算出のために用いる電力消費量のヒストグラムとして、２つのクラスの分離が最も明確な日のヒストグラムのみを抽出することとし、明確ではない日のヒストグラムはフィルタリングして閾値ｔの算出用としては用いないことになる。データフィルタリング部３２によるデータのフィルタリング処理に関する詳細な動作は、図６のフローチャートにおいてさらに後述する。

しかる後、データフィルタリング部３２により選択された日のヒストグラムを入力データとして判別分析法により得られた閾値ｔを、対象とする特定期間内において、対象の宅内の人間の操作がない状態で自動的に消費される機器自動運転の電力消費量の最大値が与えられているものとして、閾値算出部３３において、当該宅内の人間の活動状態を推定するための閾値ｔとして設定する（ステップＳ６）。

以上のように、データフィルタリング部３２における判別分析法によって「機器自動運転による電力消費」と「人間操作による電力消費の増加」との２つのクラスが最も明確に分離されている場合に得られた閾値ｔは、人間の操作がない場合に自動的に電力が消費される機器自動運転の電力消費量の最大値を示しているものと看做すことができ、人間の活動状態を推定するための閾値として設定することができる。したがって、該閾値ｔを超える電力消費量が発生している場合には、対象とする宅内の人間が、電気機器の何らかの操作を行って電気機器の運転を行っている活動状態にあることを示している。

次に、ステップＳ３において、人間活動の有無を推定するための閾値ｔを算出する動作を行う場合ではないと判定した場合は（ステップＳ３のＮＯ）、取得した最新の日または任意に選択した日の電力時系列データを用いて、対象とする宅内において人間が活動しているか否かを、宅内活動量として算出する場合であり、ステップＳ７に移行し、まず、取得した電力時系列データに基づいて、宅内活動量算出部４１において、当該宅内の人間の活動量を宅内活動量として算出する。

つまり、宅内活動量算出部４１においては、取得した最新の日または任意に選択した日の電力時系列データと、ステップＳ６において閾値算出部３３により設定した閾値ｔとを時系列的に順次比較する。比較結果として、取得した電力時系列データが閾値ｔを超えていた場合には、当該宅内の人間が機器に対する何らかの操作を行って当該機器を運転している場合であり、人間が活動している状態にあるという判定結果を出力し、一方、取得した電力時系列データが閾値ｔを超えていなかった場合には、該電力時系列データは、当該宅内の人間が何ら操作をしていない機器自動運転における電力消費のみであり、当該宅内の人間が活動していない状態にあるものとの判定結果を出力する。判定した結果は、当該宅内の人間の活動の有無を示す２値の宅内活動量として、宅内活動量出力部５に対して送出される（ステップＳ７）。

もしくは、宅内活動量算出部４１においては、取得した電力時系列データのデータ数のうち閾値ｔを超えているデータ数の割合を、当該宅内の人間の活動量を示す割合数値（２値に限らない数値）からなる宅内活動量として算出して、宅内活動量出力部５に対して送出するようにしても良い。宅内活動量算出部４１における宅内活動量の算出処理に関する詳細な動作は、図７のフローチャートにおいてさらに後述する。

宅内活動量算出部４１から人間活動の有無を推定した２値の宅内活動量もしくは当該宅内の人間の活動量を示す割合数値（２値に限らない数値）からなる宅内活動量が送出されてくると、宅内活動量出力部５は、あらかじめ登録している外部の機器に対して、出力インタフェースを介して、宅内活動量算出部４１から送出されてきた２値の宅内活動量もしくは割合数値（２値に限らない数値）からなる宅内活動量を出力する（ステップＳ８）。

以上のような動作を行うことによって、対象とする宅内における機器自動運転の電力消費量の最大値を過去の電力データ（電力消費量データ）に基づいて自動的に推定することが可能となり、また、推定した機器自動運転の電力消費量の最大値を、当該宅内における人間活動の有無を推定するための特定の閾値ｔとして利用することによって、取得した最新の日の電力データ（電力消費量データ）あるいは任意に選択した日の電力データ（電力消費量データ）が特定の閾値ｔを超えた場合には、当該宅内の人間の何らかの操作により機器が動作している、つまり、当該宅内における人間が活動中であると推定することが可能になる。

次に、図６のフローチャートを用いて、人間活動の有無を推定する閾値ｔを算出するために、機器自動運転の状態における電力消費量が最大と看做すことができる日を、あらかじめ定めた複数の日例えばＮ日間（Ｎ：正整数）の特定期間の電力時系列データ（時系列に並んだ電力消費量データ）に基づいて、算出する場合の動作についてその一例を説明する。

図６のフローチャートにおいて、まず、特定期間分としてあらかじめ定めたＮ日間に亘って例えば１分毎に取得した電力時系列データすなわち１分毎に取得した時系列の電力消費量に関するデータを電力データ記憶部２１から読み出して、読み出したＮ日分の電力時系列データそれぞれについて、ヒストグラム生成部３１において、１日毎それぞれの電力消費量に関するヒストグラムに変換して、データフィルタリング部３２に対して送出してくる（ステップＳ２１）。

ヒストグラム生成部３１からのＮ日分に該当するＮ個のヒストグラムを受け取ったデータフィルタリング部３２は、Ｎ個のヒストグラムそれぞれについて、判別分析法を用いて、低消費クラスと高消費クラスとの２つのクラスの分離度σ_ｂ ^２/σ_ｗ ^２をそれぞれ算出する（ステップＳ２２）。

しかる後、データフィルタリング部３２は、Ｎ日分に該当するＮ個のヒストグラムそれぞれにおけるＮ個の分離度σ_ｂ ^２/σ_ｗ ^２を比較し、分離度σ_ｂ ^２/σ_ｗ ^２が最も大きくなるヒストグラムに該当する日を選択して、当該日において、低消費クラスと高消費クラスとの２つのクラスに分離する閾値を、人間が操作していない状態で自動的に電力が消費される機器自動運転における電力消費量の最大値を与えているものとして算出する（ステップＳ２３）。

次に、図７のフローチャートを用いて、宅内活動量算出部４１における宅内活動量の算出処理に関する詳細な動作のバリエーションについてその一例を説明する。図７のフローチャートには、前述したように、対象とする宅内の最新の日または任意に選択した日における電力消費量を、閾値算出部３３が設定した閾値ｔと比較した結果に基づいて、当該宅内の人間の活動量を宅内活動量として算出する動作のバリエーションについて、図７（Ａ）、図７（Ｂ）、図７（Ｃ）の３種類を例示している。

まず、図7（Ａ）のフローチャートについて説明する。図7（Ａ）のフローチャートにおいては、閾値ｔと比較して算出する宅内活動量として、電力データ記憶部２１に蓄積された電力時系列データの各取得時刻毎にリアルタイムに算出する場合について示している。

したがって、図7（Ａ）のフローチャートにおいては、電力データ記憶部２１に蓄積された電力時系列データ（時系列に並んだ電力消費量データ）のうち算出対象とする最新の日または任意に選択した日の特定の時間間隔毎に（例えば１分毎に）取得した電力時系列データをまず読み出す（ステップＳ３１）。しかる後、読み出した電力時系列データから、取得時刻順に時系列的に順次取り出した電力データ（電力消費量データ）と閾値算出部３３が設定した閾値ｔとを順番に比較する（ステップＳ３２）。

電力データ記憶部２１から読み出した電力時系列データから順次取り出した電力データ（電力消費量データ）が、閾値ｔを超えた電力消費量になっている場合には（ステップＳ３２のＹＥＳ）、当該電力データ（電力消費量データ）の取得時刻においては、宅内の人間の活動があるものとして判定し（ステップＳ３３）、一方、閾値ｔを超えた電力消費量になっていなかった場合には（ステップＳ３２のＮＯ）、当該電力データ（電力消費量データ）の取得時刻においては、宅内の人間の活動がなかったものとして判定する（ステップＳ３４）。かくのごとく、電力消費量を取得時刻順に時系列的に順次取り出す都度、閾値ｔを超えているか否かを示す判定結果を、人間の活動の有無を示す２値の宅内活動量として判別して出力することによって、リアルタイムに、宅内の人間の活動状態の有無を自動的に算出することができる。

次に、図7（Ｂ）のフローチャートについて説明する。図7（Ｂ）のフローチャートにおいては、電力データ記憶部２１に蓄積された最新の日または任意に選択した日の電力時系列データ（時系列に並んだ電力消費量データ）のうち、任意に選択した時間帯における電力データ（電力消費量データ）を抽出して、抽出した時間帯の各電力データ（電力消費量データ）それぞれを閾値ｔと順次比較する。比較結果として、当該時間帯における電力データの全データ数のうち、該閾値ｔを超えている電力データのデータ数の割合が、人間活動があることを示す割合としてあらかじめ設定した割合閾値を超えていた場合には、人間が活動しているものと判定し、割合閾値を超えていなかった場合には、人間が活動していないものと判定して、当該時間帯における人間の活動の有無を示す２値の宅内活動量として算出する場合について示している。

したがって、図7（Ｂ）のフローチャートにおいては、まず、人間活動の有無を判別するために電力データ（電力消費量データ）が閾値ｔを超えている電力データ数の割合を判定する際に適用する閾値として、人間活動があることを示す割合閾値をあらかじめ設定する（ステップＳ４１）。次に、電力データ記憶部２１に蓄積された算出対象とする最新の日または任意に選択した日の電力時系列データのうち、任意に選択した時間帯に該当する電力データ（電力消費量データ）を抽出する（ステップＳ４２）。

しかる後、抽出した時間帯における各電力データ（電力消費量データ）から順次取り出して、取り出した電力データ（電力消費量データ）と閾値算出部３３が設定した閾値ｔとを順番に比較していく。さらに、各電力データ（電力消費量データ）の比較結果として、抽出した当該時間帯における電力データ（電力消費量データ）の全データ数のうち、閾値ｔを超えている電力データ（電力消費量データ）のデータ数の割合が、ステップＳ４１にて設定した割合閾値を超えているか否かを判定する（ステップＳ４３）。

電力データ記憶部２１から抽出した時間帯の電力データ（電力消費量データ）について順次取り出した電力データ（電力消費量データ）が閾値ｔを超えているデータ数の割合が、前記割合閾値を超えていた場合には（ステップＳ４３のＹＥＳ）、当該時間帯においては、宅内の人間の活動があるものとして判定し（ステップＳ４４）、一方、前記割合閾値を超えていなかった場合には（ステップＳ４３のＮＯ）、当該時間帯においては、宅内の人間の活動がなかったものとして判定する（ステップＳ４５）。

かくのごとく、最新の日または任意に選択した日の１日のうち、任意に選択した「時間帯」における電力データ（電力消費量データ）が、閾値算出部３３が設定した「閾値ｔ」を超えるデータ数の割合を、人間活動の有無を推定するための割合として任意に設定した「割合閾値」と比較し、「閾値ｔ」を超えるデータ数の割合が、「割合閾値」を超えた場合には、当該時間帯において当該宅内の人間の機器に対する操作があるものと判定し、「割合閾値」を超えていなかった場合には、当該時間帯において当該宅内の人間の機器に対する操作がなかったものと判定して、人間の活動の有無を示す２値の宅内活動量として算出することによって、宅内の人間の活動状態の有無を自動的に推定することができる。

つまり、例えば、任意に設定した「割合閾値」を２５％と設定し、１日のうち任意に選択した「時間帯」を午前８時から午前９時までの１時間の時間帯とし、電力データ（電力消費量データ）を１分毎に取得するものとした場合、１時間の「時間帯」において取得される電力データ（電力消費量データ）のデータ数は６０個である。かかる場合において、選択した「時間帯」の６０個の電力データ（電力消費量データ）のうち、閾値算出部３３が設定した「閾値ｔ」を超えたデータ数の割合が、「割合閾値」の２５％を超えた場合には、すなわち、６０×０．２５＝１５個を超えるデータ数の電力データ（電力消費量データ）が、閾値算出部３３が設定した「閾値ｔ」よりも大きくなった場合には、宅内の人間の機器に対する何らかの操作があり、当該「時間帯」においては人間の活動があったものと判定する。

次に、図7（Ｃ）のフローチャートについて説明する。図7（Ｃ）のフローチャートにおいては、図７（Ａ）、（Ｂ）の場合とは異なり、人間の活動の有無のみを示す２値の宅内活動量として算出するのではなく、電力データ記憶部２１に蓄積された最新の日または任意に選択した日の電力時系列データ（時系列に並んだ電力消費量データ）のうち、任意に選択した時間帯における電力データ（電力消費量データ）を抽出して、抽出した時間帯の各電力データ（電力消費量データ）それぞれを閾値ｔと順次比較する動作までは、図７（Ｂ）の場合と同様であるが、図７（Ｂ）の場合のように、比較結果として得られる該閾値ｔを超えているデータ数の割合と「割合閾値」との比較結果を２値の宅内活動量として算出する代わりに、該閾値ｔを超えているデータ数の割合そのものを、人間の活動量を示す宅内活動量（図７（Ｂ）の場合のような２値の宅内活動量ではなく、人間の活動の程度を示す割合数値（２値には限らない数値）からなる宅内活動量）として算出する場合を示している。

したがって、図7（Ｃ）のフローチャートにおいては、まず、電力データ記憶部２１に蓄積された最新の日または任意に選択した日の電力時系列データのうち、任意に選択した時間帯における電力データ（電力消費量データ）を抽出する（ステップＳ５１）。

しかる後、抽出した時間帯における各電力データ（電力消費量データ）から順次取り出して、取り出した電力データ（電力消費量データ）と閾値算出部３３が設定した閾値ｔとを順番に比較していく。各電力データ（電力消費量データ）の比較結果として、抽出した当該時間帯における電力データ（電力消費量データ）の全データ数のうち、閾値ｔを超えている電力データ（電力消費量データ）のデータ数の割合を、人間の活動量を示す宅内活動量として算出する（ステップＳ５２）。

つまり、次に示す式により、宅内活動量を算出して、宅内活動量出力部５に対して送出する。

宅内活動量＝（閾値算出部３３が設定した閾値ｔを超える電力データ数）
／（抽出した時間帯の全電力データ数）
例えば、図７（Ｂ）の説明において数値例として例示したような場合、つまり、１日のうち任意に選択した「時間帯」を午前８時から午前９時までの１時間の時間帯とし、電力データ（電力消費量データ）を１分毎に取得するものとした場合には、１時間の「時間帯」において取得される電力データ（電力消費量データ）のデータ数は６０個であり、かつ、６０個の電力データ（電力消費量データ）のうち、閾値算出部３３が設定した「閾値ｔ」を超えたデータ数が１５個であった場合には、
宅内活動量＝１５／６０＝０．２５
の演算を行って、宅内活動量出力部５に対して宅内活動量として送出することになる。

（本実施形態の効果の説明）
以上に詳細に説明したように、本実施形態においては、宅内に設置した機器の電力消費量に基づいて、当該宅内に在宅する人間の活動状態を自動的に判定することができるのみならず、さらに、次のような効果が得られる。

第１に、対象とする宅内において人間が活動しているか否かを判別する閾値ｔを算出するための初期値を手動で設定する必要はなく、当該宅内における過去の電力時系列データからダイレクトにかつ自動的に該閾値ｔを求めることができるので、初期値の設定如何によって該閾値ｔが変動するという問題を引き起こすことはない。

第２に、対象とする宅内における人間の活動の有無を判別する閾値ｔを、当該宅内における過去の電力時系列データからダイレクトにかつ自動的に求めることができるので、人間活動検知システム１００の運用に当たって、ユーザは、該閾値ｔの設定に関する知識や経験を必要としない。

第３に、対象とする宅内における人間の活動の有無を判別する閾値ｔの自動的な算出に当たって、当該宅内における過去の電力時系列データを用いるので、ユーザ毎や、季節毎に、それぞれに最適な値を算出して設定することが可能である。

１００…人間活動検知システム、１…電力データ入力部、２…記憶部、３…閾値演算部、４…宅内活動量演算部、５…宅内活動量出力部、２１…電力データ記憶部、３１…ヒストグラム生成部、３２…データフィルタリング部、３３…閾値産出部、４１…宅内活動量算出部

Claims (8)

1. 対象とする宅内における人間の活動の有無を検知する人間活動検知システムであって、当該宅内における過去のあらかじめ定めた特定期間の１日毎の電力消費量をあらかじめ定めた時間間隔で取得する手段と、取得した当該宅内における１日毎の前記電力消費量に関するヒストグラムを生成する手段と、生成した１日毎の前記ヒストグラムに対して、判別分析法（Discriminant Analysis Method）を適用して、電力消費量が小さい低消費クラスと電力消費量が大きい高消費クラスとの２つのクラスに分離する分離度を１日毎に算出し、算出した前記分離度が最大になる日を選択する手段と、選択した当該日において前記２つのクラスに分離する閾値を導出し、導出した閾値を、人間の操作がない状態で機器が自動的に運転している機器自動運転の状態における電力消費量の最大値と看做して、人間活動の有無を判別するための閾値として設定する手段と、を少なくとも備えていることを特徴とする人間活動検知システム。
2. 請求項１に記載の人間活動検知システムにおいて、過去の最新の日または選択した日における前記宅内の人間の活動の有無を算出する際に、当該日の前記宅内における電力消費量に関する電力データを取得し、取得した前記電力データを前記閾値と比較し、比較した比較結果を、当該宅内における人間の活動量を示す宅内活動量として算出する手段をさらに備えていることを特徴とする人間活動検知システム。
3. 対象とする宅内における人間の活動の有無を検知する人間活動検知方法であって、当該宅内における過去のあらかじめ定めた特定期間の１日毎の電力消費量をあらかじめ定めた時間間隔で取得するステップと、取得した当該宅内における１日毎の前記電力消費量に関するヒストグラムを生成するステップと、生成した１日毎の前記ヒストグラムに対して、判別分析法（Discriminant Analysis Method）を適用して、電力消費量が小さい低消費クラスと電力消費量が大きい高消費クラスとの２つのクラスに分離する分離度を１日毎に算出し、算出した前記分離度が最大になる日を選択するステップと、選択した当該日において前記２つのクラスに分離する閾値を導出し、導出した閾値を、人間の操作がない状態で機器が自動的に運転している機器自動運転の状態における電力消費量の最大値と看做して、人間活動の有無を判別するための閾値として設定するステップとを少なくとも有していることを特徴とする人間活動検知方法。
4. 請求項３に記載の人間活動検知方法において、過去の最新の日または選択した日における前記宅内の人間の活動の有無を算出する際に、当該日の前記宅内における電力消費量に関する電力データを取得し、取得した前記電力データを前記閾値と比較し、比較した比較結果を、当該宅内における人間の活動量を示す宅内活動量として算出するステップをさらに有していることを特徴とする人間活動検知方法。
5. 請求項４に記載の人間活動検知方法において、前記宅内活動量を算出する際に、取得した時刻毎の前記電力データと前記閾値とを順次比較し、前記電力データが前記閾値以下であった場合には、当該宅内においては人間が活動状態にないものと判定し、一方、前記電力データが前記閾値を超えていた場合には、当該宅内において人間が活動状態にあるものと判定して、判定した結果を、前記電力データを取得した時刻毎の２値の前記宅内活動量として算出することを特徴とする人間活動検知方法。
6. 請求項４に記載の人間活動検知方法において、前記宅内活動量を算出する際に、取得した前記電力データのうち任意に選択した時間帯における電力データを抽出し、抽出した前記電力データと前記閾値とを順次比較し、抽出した前記電力データのうち、前記閾値を超えているデータ数の割合が、前記宅内における人間の活動の有無を判別する割合として任意に設定した割合閾値以下であった場合には、当該宅内においては人間が活動状態にないものと判定し、一方、前記閾値を超えているデータ数の割合が前記割合閾値を超えていた場合には、当該宅内において人間が活動状態にあるものと判定して、判定した結果を、前記時間帯における２値の前記宅内活動量として算出することを特徴とする人間活動検知方法。
7. 請求項４に記載の人間活動検知方法において、前記宅内活動量を算出する際に、取得した前記電力データのうち任意に選択した時間帯における電力データを抽出し、抽出した前記電力データと前記閾値とを順次比較し、抽出した前記電力データのうち、前記閾値を超えているデータ数の割合を、前記時間帯における人間の活動量を示す数値からなる前記宅内活動量として算出することを特徴とする人間活動検知方法。
8. 請求項３ないし７のいずれかに記載の人間活動検知方法を、コンピュータによって実行可能なプログラムとして実施していることを特徴とする人間活動検知プログラム。

Images