JP2014212915A - 行動判別装置、および行動判別方法 - Google Patents
行動判別装置、および行動判別方法 Download PDFInfo
- Publication number
- JP2014212915A JP2014212915A JP2013092064A JP2013092064A JP2014212915A JP 2014212915 A JP2014212915 A JP 2014212915A JP 2013092064 A JP2013092064 A JP 2013092064A JP 2013092064 A JP2013092064 A JP 2013092064A JP 2014212915 A JP2014212915 A JP 2014212915A
- Authority
- JP
- Japan
- Prior art keywords
- axis
- behavior
- subject
- main axis
- determination
- 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.)
- Withdrawn
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
Abstract
【課題】手首に装着して被験者の行動パターンを従来と比較してより正確に判別する行動判別装置を提供すること。
【解決手段】被験者の手首に装着され、３軸方向の加速度を検出する加速度センサー１２が時系列に検出する３軸の加速度データから、被験者の行動を判別するために主に参照する軸である主要軸を抽出する軸決定部と、主要軸の加速度データから被験者の行動を判別する指標となる判別指標を参照して被験者の行動を判別する判別部と、を備え、軸決定部は、３軸の加速度データにおける変化量に基づいて、所定期間ごとに主要軸を決定することを特徴とする行動判別装置１００。この行動判別装置１００によれば、所定期間ごとに被験者の行動を最も表しているセンサー軸を主要軸として選択することにより、情報量が豊富な手首の動きを精密に解析することが可能となり、正確に行動パターンを判別することができる。
【選択図】図１
【解決手段】被験者の手首に装着され、３軸方向の加速度を検出する加速度センサー１２が時系列に検出する３軸の加速度データから、被験者の行動を判別するために主に参照する軸である主要軸を抽出する軸決定部と、主要軸の加速度データから被験者の行動を判別する指標となる判別指標を参照して被験者の行動を判別する判別部と、を備え、軸決定部は、３軸の加速度データにおける変化量に基づいて、所定期間ごとに主要軸を決定することを特徴とする行動判別装置１００。この行動判別装置１００によれば、所定期間ごとに被験者の行動を最も表しているセンサー軸を主要軸として選択することにより、情報量が豊富な手首の動きを精密に解析することが可能となり、正確に行動パターンを判別することができる。
【選択図】図１
Description
本発明は、加速度センサーを利用して被験者の行動を判別する行動判別装置、および行動判別方法に関する。
従来、特許文献１のように３軸加速度センサーを用いた携帯型の行動パターン判別装置が開示されていた。特許文献１では具体的な当該装置の使用方法に関する記載は見当たらないが、実施例の記載からすると、万歩計（登録商標）のように腰に固定したり、胸ポケットに収納するなど、被験者の体幹部位に取り付けるタイプの装置と推測される。また、体幹の延在方向（身長方向）をＺ軸として３軸の加速度センサーを取り付けて、Ｚ軸を主軸として被験者の行動パターンを判別するものと推測される。当該装置によれば、仰臥／起立、静止／歩行／走行、跳躍などの行動パターンを判別することができるとしている。
他方、体幹で取得可能な情報量は限定されているため、当該装置では正確な行動パターンを判別できるとは言い難かった。例えば、ラジオ体操で腕を振る運動をしている場合、体幹の動きは殆ど生じないため、起立状態と誤判別されてしまい兼ねないという問題があった。また、胸ポケットに収納する形態であった場合、ポケット内で装置が動いてしまうため、体幹の動きを正確に検出することは困難であるという問題があった。
これらの問題を解決するために、当該装置を肢体、例えば腕（手首）に装着することが考えられる。当該装置を手首に取り付けることにより、体幹の動きに加えて、腕自体の動きも検出可能となり、動きに係る情報量が増えるため、より正確に行動パターンを判別できる可能性が高まる。
これらの問題を解決するために、当該装置を肢体、例えば腕（手首）に装着することが考えられる。当該装置を手首に取り付けることにより、体幹の動きに加えて、腕自体の動きも検出可能となり、動きに係る情報量が増えるため、より正確に行動パターンを判別できる可能性が高まる。
しかしながら、上記の特許文献１に記載の従来の判別装置を手首などの肢体に取り付けたとしても、正確な行動パターンを判別することが困難であるという課題があった。詳しくは、腕などの肢体の動きは腰や胸などの体幹の動きに比べ、上下左右への運動の自由度が高いため、身長方向を主軸として固定した検出では、左右の動きを十分に捉えることができず、正確な検出が困難であった。さらに、仮に、行動パターンを判別できたとしても、そもそも腕に付けることを想定したものとは考え難いため、判別可能な行動パターンが限定されており、前述したような限られた行動パターンしか判別できないという課題があった。
他方、近年の健康ブームの影響もあり、市場ニーズとしては、体操、ウォーキング、自転車、トレーニングマシンを利用した運動などの多様な行動パターンを判別可能な携帯型の判別装置が期待されていた。
他方、近年の健康ブームの影響もあり、市場ニーズとしては、体操、ウォーキング、自転車、トレーニングマシンを利用した運動などの多様な行動パターンを判別可能な携帯型の判別装置が期待されていた。
本発明は、上述の課題の少なくとも一部を解決するためになされたものであり、以下の形態または適用例として実現することが可能である。
［適用例１］本適用例に係る行動判別装置は、被験者の手首を含む肢体に装着され、直交する少なくとも２軸の加速度情報を検出する加速度センサーと、前記加速度情報に基づいて、前記被験者の行動を判別するために参照する軸である主要軸を決定する軸決定部と、前記被験者の行動を判別する指標となる判別指標を記憶する記憶部と、前記主要軸の加速度情報と前記判別指標とに基づいて前記被験者の行動を判別する判別部と、を備え、前記軸決定部は、前記加速度情報における変化量に基づいて、前記主要軸を決定することを特徴とする。
本適用例によれば、運動態様に関する情報量が多い手首などの肢体に、少なくとも２軸の加速度センサーが装着されており、軸決定部は、当該センサーが検出した少なくとも２軸の加速度データから、被験者の行動を判別するために参照する主要軸を抽出する。主要軸は、少なくとも２軸の中で、被験者の行動内容を最も感知している軸である。
ここで、軸決定部は、少なくとも２軸の加速度データにおける変化量に基づいて、所定期間ごとに主要軸を決定している。好適には、変化量が最も大きい軸を主要軸とし、これを一定時間ごとに見直している。つまり、一定時間ごとに、被験者の行動を最も検出して（表して）いるセンサー軸を選択して主要軸としている。
よって、主要軸が固定されており、手首などの肢体に装着したとしても被験者の行動を正確に検出することが困難であった従来の装置と異なり、本適用例の行動判別装置によれば、一定時間ごとに、被験者の行動を最も表しているセンサー軸を主要軸として選択することにより、情報量が豊富な手首の動きを精密に解析することが可能となり、正確に行動パターンを判別することができる。
従って、体操、ウォーキング、自転車、トレーニングマシンを利用した運動などの多様な行動パターンを判別可能な行動判別装置を提供することができる。
ここで、軸決定部は、少なくとも２軸の加速度データにおける変化量に基づいて、所定期間ごとに主要軸を決定している。好適には、変化量が最も大きい軸を主要軸とし、これを一定時間ごとに見直している。つまり、一定時間ごとに、被験者の行動を最も検出して（表して）いるセンサー軸を選択して主要軸としている。
よって、主要軸が固定されており、手首などの肢体に装着したとしても被験者の行動を正確に検出することが困難であった従来の装置と異なり、本適用例の行動判別装置によれば、一定時間ごとに、被験者の行動を最も表しているセンサー軸を主要軸として選択することにより、情報量が豊富な手首の動きを精密に解析することが可能となり、正確に行動パターンを判別することができる。
従って、体操、ウォーキング、自転車、トレーニングマシンを利用した運動などの多様な行動パターンを判別可能な行動判別装置を提供することができる。
［適用例２］主要軸は、所定期間内において、変化量が所定の閾値を超えた回数が最大となる軸とすることが好ましい。
本適用例によれば、被験者の加速度変化量の大きい動きの回数が多い軸を主要軸としているため、被験者の行動の特徴を捉えることができ、従来と比較して正確に行動パターンを判別することができる。
［適用例３］変化量は、直交する少なくとも２軸の加速度情報において時系列に隣り合う２つの加速度情報の階差であり、階差と所定の閾値とを比較することで直交する少なくとも２軸から主要軸を決定することが好ましい。
本適用例によれば、軸決定に用いられる変化量は、時系列に連続する加速度データの階差としているため、被験者の直近の動きにおける大きな変化を捉えることができ、正確に行動パターンを判別することができる。
［適用例４］判別部は、主要軸の加速度情報に基づいて、少なくとも周期性、および複数の周波数におけるパワースペクトルを解析し、判別指標は、周期性に応じた行動態様、およびパワースペクトルの分布に応じた行動態様を含むテーブルであることが好ましい。
本適用例によれば、情報量が豊富な肢体の動きを、動きの周期性、動きの周波数ごとのパワースペクトルなどを用いて精密に解析することが可能となり、従来と比較して正確に行動パターンを判別することができる。従って、体操、ウォーキング、自転車、トレーニングマシンを利用した運動などの多様な行動パターンを判別可能な行動判別装置を提供することができる。
［適用例５］被験者の脈拍を検出する脈波センサーをさらに備え、判別部は、脈波センサーが検出した脈拍情報の解析結果を加味して、被験者の行動を判別することが好ましい。
［適用例６］位置情報を検出するＧＰＳセンサー、気圧を含む周辺圧力情報を検出する圧力センサー、または外気温を含む周辺温度情報を検出する温度センサーのうち少なくとも１つのセンサーをさらに備え、判別部は、位置情報、周辺圧力情報または周辺温度情報のうち少なくとも１つの解析結果を加味して、被験者の行動を判別することが好ましい。
［適用例７］本適用例に係る行動判別方法は、被験者の手首を含む肢体に装着され、直交する少なくとも２軸の加速度情報を検出する加速度センサーを備えた行動判別装置が実行する行動判別方法であって、時系列に前記加速度情報を検出する検出工程と、前記直交する少なくとも２軸から主に参照する軸である主要軸を決定する軸決定工程と、前記主要軸の加速度情報から、前記被験者の行動を判別する指標となる判別指標を参照して前記行動を判別する判別工程と、を含み、前記軸決定工程では、前記加速度情報における変化量に基づいて、前記主要軸を決定することを特徴とする。
本適用例の行動判別方法によれば、一定時間ごとに、被験者の行動を最も表しているセンサー軸を主要軸として選択することにより、情報量が豊富な手首を含む肢体の動きを精密に解析することが可能となり、従来と比較して正確に行動パターンを判別することができる。
従って、体操、ウォーキング、自転車、トレーニングマシンを利用した運動などの多様な行動パターンを判別可能な行動判別方法を提供することができる。
従って、体操、ウォーキング、自転車、トレーニングマシンを利用した運動などの多様な行動パターンを判別可能な行動判別方法を提供することができる。
以下、本発明の実施形態について説明する。なお、以下に説明する実施形態は、特許請求の範囲に記載された本発明の内容を不当に限定するものではない。また本実施形態で説明される構成の全てが必須構成要件であるとは限らない。
（実施形態１）
図１は、実施形態１に係る行動判別装置としての端末装置の概要を表す説明図である。まず、本実施形態に係る端末装置１００の概要について説明する。
図１は、実施形態１に係る行動判別装置としての端末装置の概要を表す説明図である。まず、本実施形態に係る端末装置１００の概要について説明する。
（端末装置の概要）
端末装置１００は、人体の手首１に装着され、被験者の動作をセンシングする加速度センサー１２を内蔵し、日々の生活における行動パターンを判別することが可能な腕時計型の生体データ測定装置である。端末装置１００には、表示パネル５６が備えられており、運動時間や、脈拍数など、被験者の行動に係るデータが表示される。表示パネル５６は略長方形をなしており、手首１に装着された状態で、腕の長さ方向が表示パネル５６の長辺方向となっている。
加速度センサー１２は、略直交する３軸（Ｘ軸、Ｙ軸、Ｚ軸）方向の加速度を検出可能な３軸の加速度センサーである。なお、好適例として、Ｘ軸が表示パネル５６の長辺方向、Ｙ軸がＸ軸に直交する表示パネル５６の短辺方向、Ｚ軸が端末装置１００の厚み方向となるように、配置されている。
ここで、端末装置１００では、加速度センサー１２が検出した加速度情報としての３軸の加速度データにおける変化量に基づいて、所定期間ごとに主要軸を決定するという特徴ある方法（機能）を採用することにより、被験者の多様な行動パターンを判別することを実現している。
このような機能（方法）を実現するための端末装置１００の構成について、以下詳細に説明する。
端末装置１００は、人体の手首１に装着され、被験者の動作をセンシングする加速度センサー１２を内蔵し、日々の生活における行動パターンを判別することが可能な腕時計型の生体データ測定装置である。端末装置１００には、表示パネル５６が備えられており、運動時間や、脈拍数など、被験者の行動に係るデータが表示される。表示パネル５６は略長方形をなしており、手首１に装着された状態で、腕の長さ方向が表示パネル５６の長辺方向となっている。
加速度センサー１２は、略直交する３軸（Ｘ軸、Ｙ軸、Ｚ軸）方向の加速度を検出可能な３軸の加速度センサーである。なお、好適例として、Ｘ軸が表示パネル５６の長辺方向、Ｙ軸がＸ軸に直交する表示パネル５６の短辺方向、Ｚ軸が端末装置１００の厚み方向となるように、配置されている。
ここで、端末装置１００では、加速度センサー１２が検出した加速度情報としての３軸の加速度データにおける変化量に基づいて、所定期間ごとに主要軸を決定するという特徴ある方法（機能）を採用することにより、被験者の多様な行動パターンを判別することを実現している。
このような機能（方法）を実現するための端末装置１００の構成について、以下詳細に説明する。
（端末装置の構成）
図２は、端末装置の概略構成を示すブロック図である。
端末装置１００は、センサー部１０、第１記憶部２０、第２記憶部３０、制御部５１、計時部５２、操作部５３、表示駆動部５５、通信部５７などから構成されている。これらの構成部は、バス６を介して接続されている。
センサー部１０は、運動センサー部１１と、生体センサー部１３とから構成されている。運動センサー部１１には、前述した加速度センサー１２が搭載されている。加速度センサー１２は、Ｘ軸、Ｙ軸、Ｚ軸方向ごとの加速度を検出する３つの加速度センサーを有するセンサーユニットである。
加速度センサー１２は、各軸の加速度変化をサンプリング間隔ごとに計測する。好適例としてサンプリング間隔は、１６Ｈｚ以上に設定されている。加速度センサー１２は、被験者の動きを検出し、検出した加速度信号を増幅回路、波形整形回路、Ａ／Ｄ変換回路（いずれも図示せず）において増幅、整形、Ａ／Ｄ変換され加速度データとして出力する。３軸分の加速度データは、第２記憶部３０（後述する）に加速度データ列３１として格納（記憶）される。
なお、加速度センサー１２は、３軸の加速度センサーを有するセンサーユニットとしているが、少なくとも２軸の加速度センサーを有したセンサーユニットであれば良い。略直交する２軸の加速度センサーを備えていても良いし、立体的に交差する４軸以上の加速度センサーを備えていても良い。
図２は、端末装置の概略構成を示すブロック図である。
端末装置１００は、センサー部１０、第１記憶部２０、第２記憶部３０、制御部５１、計時部５２、操作部５３、表示駆動部５５、通信部５７などから構成されている。これらの構成部は、バス６を介して接続されている。
センサー部１０は、運動センサー部１１と、生体センサー部１３とから構成されている。運動センサー部１１には、前述した加速度センサー１２が搭載されている。加速度センサー１２は、Ｘ軸、Ｙ軸、Ｚ軸方向ごとの加速度を検出する３つの加速度センサーを有するセンサーユニットである。
加速度センサー１２は、各軸の加速度変化をサンプリング間隔ごとに計測する。好適例としてサンプリング間隔は、１６Ｈｚ以上に設定されている。加速度センサー１２は、被験者の動きを検出し、検出した加速度信号を増幅回路、波形整形回路、Ａ／Ｄ変換回路（いずれも図示せず）において増幅、整形、Ａ／Ｄ変換され加速度データとして出力する。３軸分の加速度データは、第２記憶部３０（後述する）に加速度データ列３１として格納（記憶）される。
なお、加速度センサー１２は、３軸の加速度センサーを有するセンサーユニットとしているが、少なくとも２軸の加速度センサーを有したセンサーユニットであれば良い。略直交する２軸の加速度センサーを備えていても良いし、立体的に交差する４軸以上の加速度センサーを備えていても良い。
生体センサー部１３には、好適例として脈波センサー１４（図１参照）が搭載されている。脈波センサー１４は、ＬＥＤ（Light Emitting Diode）などの発光素子と、フォトダイオードなどの受光素子とを備えており、端末装置１００裏面で、腕（皮膚）と密着する部分に設置されている。発光素子から腕に向けて光を照射して、腕の内部の血管で反射された光を受光素子で受光した後、受光量などを解析することにより脈拍数を検出する。なお、脈波センサー１４は必須の構成ではなく、省略しても良いし、他の生体情報センサーを搭載する構成であっても良い。
第１記憶部２０は、好適例として不揮発性メモリーを採用しており、軸決定部２１、判別部２２、制御プログラム２３、ボタンイベント処理プログラム（図示しない）などのプログラムが格納（記憶）されている。
軸決定部２１は、３軸の中から主要軸を決定するための軸決定プログラムが格納されている部位（記憶領域）である。換言すれば、当該プログラムが実行されることにより実現する機能を構成部位とみなした仮定部位である。軸決定部２１では、加速度データ列３１が分析され、所定期間ごとに主要軸が決定される。主要軸が決定される過程で、階差データ列３２が生成され第２記憶部３０に格納される。
判別部２２は、主要軸の加速度データなどから行動判別を行うための行動判別プログラムが格納されている部位（記憶領域）である。換言すれば、当該プログラムが実行されることにより実現する機能を構成部位とみなした仮定部位である。判別部２２では、所定期間ごとに軸決定部２１において決定された主要軸の加速度データが入力され、判別指標としての指標管理テーブル４０が参照されることで、行動パターンが判別される。行動パターンが判別される過程で、主要軸ピッチ４１および主要軸パワースペクトル４２が生成され、第２記憶部３０に格納される。
制御プログラム２３は、制御部５１により実行されるプログラムであり、軸決定部２１と判別部２２を所定期間ごとに呼び出す。なお、軸決定部２１、判別部２２、および制御プログラム２３の詳細については後述する。
軸決定部２１は、３軸の中から主要軸を決定するための軸決定プログラムが格納されている部位（記憶領域）である。換言すれば、当該プログラムが実行されることにより実現する機能を構成部位とみなした仮定部位である。軸決定部２１では、加速度データ列３１が分析され、所定期間ごとに主要軸が決定される。主要軸が決定される過程で、階差データ列３２が生成され第２記憶部３０に格納される。
判別部２２は、主要軸の加速度データなどから行動判別を行うための行動判別プログラムが格納されている部位（記憶領域）である。換言すれば、当該プログラムが実行されることにより実現する機能を構成部位とみなした仮定部位である。判別部２２では、所定期間ごとに軸決定部２１において決定された主要軸の加速度データが入力され、判別指標としての指標管理テーブル４０が参照されることで、行動パターンが判別される。行動パターンが判別される過程で、主要軸ピッチ４１および主要軸パワースペクトル４２が生成され、第２記憶部３０に格納される。
制御プログラム２３は、制御部５１により実行されるプログラムであり、軸決定部２１と判別部２２を所定期間ごとに呼び出す。なお、軸決定部２１、判別部２２、および制御プログラム２３の詳細については後述する。
第２記憶部３０は、好適例として不揮発性メモリーを採用しており、加速度データ列３１、階差データ列３２、主要軸ピッチ４１、主要軸パワースペクトル４２、指標管理テーブル４０、行動判別結果４３、および第１記憶部２０のプログラムで利用される共通変数３４のデータなどが格納（記憶）されている。なお、前述の共通変数３４を除く各データの詳細については後述する。
制御部５１は、ＣＰＵ（Central Processing Unit）であり、端末装置１００を構成するセンサー部１０、第１記憶部２０、第２記憶部３０、および以下に説明する操作部５３、計時部５２、通信部５７、表示駆動部５５などの各部を制御する。
制御部５１は、ＣＰＵ（Central Processing Unit）であり、端末装置１００を構成するセンサー部１０、第１記憶部２０、第２記憶部３０、および以下に説明する操作部５３、計時部５２、通信部５７、表示駆動部５５などの各部を制御する。
操作部５３は、押しボタン型のスイッチである操作ボタン５４（図１参照）を含む複数の操作ボタンから構成されている。操作例としては、表示パネル５６に表示されたカーソルを操作ボタン５４で押下することにより移動させ選択状態を変え、再度操作ボタン５４を押下すると選択した機能で決定となる。これらはボタンイベント処理プログラム（図示しない）として、第２記憶部３０に格納され、制御部５１により実行される。なお、操作部５３の構成はこれに限定されるものではなく、複数の操作入力が可能な構成であれば良く、表示パネル５６がタッチパネル機能を備えていても良い。
計時部５２は、リアルタイムクロックであり、加速度検出用のサンプリング時間の発生、カレンダー機能、時計機能、ストップウォッチ機能などの計時機能を有している。計時部５２が計時している日時、時間などの計時データは、制御部５１により読み出される。
計時部５２は、リアルタイムクロックであり、加速度検出用のサンプリング時間の発生、カレンダー機能、時計機能、ストップウォッチ機能などの計時機能を有している。計時部５２が計時している日時、時間などの計時データは、制御部５１により読み出される。
通信部５７は、好適例として消費電力を抑えた近距離無線アダプターであり、第２記憶部３０に格納された行動判別結果４３などのデータをＰＣ（Personal Computer）やネットワーク上のサーバーなどに送信する。近距離無線アダプターは、例えば、ブルートゥース（Bluetooth（登録商標））アダプターであっても良い。なお、この構成に限定するものではなく、無線通信が可能な通信アダプターであれば良く、無線ＬＡＮアダプターとして、ＩＰ（Internet Protocol）、および外部の生体機器と共通の通信プロトコルを有しているものであっても良い。また、通信部５７は、物理的な通信端子を含み、一般のＰＣなどの別の機器とケーブルを介して接続する構成であっても良い。
表示駆動部５５は、表示パネル駆動回路（ドライバー）であり、表示パネル５６を設定された画面遷移に従って表示駆動する。
表示駆動部５５は、表示パネル駆動回路（ドライバー）であり、表示パネル５６を設定された画面遷移に従って表示駆動する。
（端末装置の制御プログラム）
図３は、制御プログラムの処理の流れを表すフローチャート図である。以降、図３を中心に、適宜、各図を交えて説明する。なお、以下のフローは、第１記憶部２０の制御プログラム２３に基づいて制御部５１がセンサー部１０、軸決定部２１、判別部２２を含む各部を制御することにより実行される。制御プログラム２３が実行されると、所定期間ごとに、行動判別に最適な主要軸が決定され、主要軸に基づいて被験者の行動パターンが判別される。
図３は、制御プログラムの処理の流れを表すフローチャート図である。以降、図３を中心に、適宜、各図を交えて説明する。なお、以下のフローは、第１記憶部２０の制御プログラム２３に基づいて制御部５１がセンサー部１０、軸決定部２１、判別部２２を含む各部を制御することにより実行される。制御プログラム２３が実行されると、所定期間ごとに、行動判別に最適な主要軸が決定され、主要軸に基づいて被験者の行動パターンが判別される。
ステップＳ１では、３軸加速度データ収集の準備が行われる。詳しくは、まず、計時部５２（図２）のリアルタイムクロックを用いてタイマーを設定する。タイマーは、少なくとも、３軸加速度センサー１２のサンプリング周期、および主要軸を決定するための加速度データ収集期間（所定期間）を設定する。３軸加速度センサー１２のサンプリング周期は例えば、腕の速い動きを精度良く捉えるために、１秒間に１６〜６４回サンプリングとし、約１５．６〜６２．５ｍｓｅｃの間隔で検出することが好ましい。主要軸を決定する所定期間は、例えば、被験者の行動の切り替えに適時対応できるよう４〜１６秒程度を設定する。
ステップＳ２では、３軸加速度センサー１２が、駆動される。詳しくは、加速度信号の増幅回路、波形整形回路、Ａ／Ｄ変換回路などが初期化され、駆動される。
ステップＳ２では、３軸加速度センサー１２が、駆動される。詳しくは、加速度信号の増幅回路、波形整形回路、Ａ／Ｄ変換回路などが初期化され、駆動される。
ステップＳ３では、３軸加速度センサー１２によりサンプリング間隔ごとに検出されたＸ軸、Ｙ軸、Ｚ軸ごとの加速度データが取得される。取得された加速度データは、第２記憶部３０に加速度データ列３１として蓄積（記憶）される。主要軸を決定する所定期間（ｔ秒間）分の加速度データが蓄積されるとステップＳ４に進む。
ステップＳ４では、主要軸を決めるためのサブルーチンプログラムが実行され、主要軸が選択（決定）される。なお、当該サブルーチンプログラムは軸決定部２１に格納されている軸決定プログラムである。軸決定プログラムの詳細については後述する。
ステップＳ４では、主要軸を決めるためのサブルーチンプログラムが実行され、主要軸が選択（決定）される。なお、当該サブルーチンプログラムは軸決定部２１に格納されている軸決定プログラムである。軸決定プログラムの詳細については後述する。
ステップＳ５では、決定した主要軸の加速度データを解析するサブルーチンプログラムが実行され、被験者の行動が判別される。なお、当該サブルーチンプログラムは判別部２２に格納されている行動判別プログラムである。行動判別プログラムの詳細については後述する。また、当該サブルーチンプログラムでは、加速度データ列３１、階差データ列３２（いずれも図２）が参照可能となる。さらに、ｔ秒ごとに判別された行動パターンは、行動判別結果４３（図２）に格納される。
ステップＳ６では、行動判別処理を継続するかどうかが確認される。詳しくは、ステップＳ３〜Ｓ５の処理において、被験者により計測終了である旨の操作ボタン５４（図１）が押下されていない場合、または計測終了のフラグが立てられていない場合（Ｙｅｓ）は、計測を継続しステップＳ３へ進む。押されていた場合、または計測終了フラグが立てられていた場合は（Ｎｏ）、行動判別処理を終了する。
なお、計測終了直前のｔ秒間までの行動判別の結果は、ステップＳ５において、第２記憶部３０（図２）に行動判別結果４３（図２）として格納されている。
なお、計測終了直前のｔ秒間までの行動判別の結果は、ステップＳ５において、第２記憶部３０（図２）に行動判別結果４３（図２）として格納されている。
（主要軸の決定）
図４は、主要軸決定の流れを表すフローチャート図である。以降、図４を中心に、適宜、各図を交えて説明する。なお、以下のフローは、第１記憶部２０の軸決定部２１（図２）に基づいて制御部５１（図２）が第２記憶部３０を含む各部を制御することにより実行される。
上述した通り、軸決定部２１は、制御プログラム２３のステップＳ４（図３）から呼び出されるサブルーチンプログラムであり、主要軸を決定した後、制御プログラム２３に制御が戻される。
図４は、主要軸決定の流れを表すフローチャート図である。以降、図４を中心に、適宜、各図を交えて説明する。なお、以下のフローは、第１記憶部２０の軸決定部２１（図２）に基づいて制御部５１（図２）が第２記憶部３０を含む各部を制御することにより実行される。
上述した通り、軸決定部２１は、制御プログラム２３のステップＳ４（図３）から呼び出されるサブルーチンプログラムであり、主要軸を決定した後、制御プログラム２３に制御が戻される。
ステップＳ４１では、Ｘ軸、Ｙ軸、Ｚ軸の３軸分の演算を軸ごとに繰り返すための準備が行われる。詳しくは、一つの軸に対して後述するステップＳ４２〜Ｓ４６を処理するために、ステップＳ４２〜Ｓ４６までを３軸分（３回）繰り返すための処理ループを開始する。
ステップＳ４２では、一つの軸に対する加速度データの階差を算出する。詳しくは、サンプリング間隔ごとに時系列に並べられたｔ秒間の加速度データにおいて、時系列に隣り合う加速度データの差が計算される。この加速度データの差のことを「階差ｂn」という。なお、複数の加速度データは、加速度データ列３１として記憶されている。
時系列に並べられた加速度データを｛ａ1，ａ2，・・・，ａn，ａn+1，・・・｝（ｎは自然数）とすると、階差ｂnは、数式（１）で表される。
ｂn＝ａn+1−ａn ・・・ 数式（１）
数式（１）により計算された階差が階差データ列３２（図２）に順次格納される。階差データ列３２は、サンプリング間隔ごとに時系列に並べられた数列として格納されている。この処理は、Ｘ軸、Ｙ軸、Ｚ軸の軸ごとに、１回ずつ行われる。
時系列に並べられた加速度データを｛ａ1，ａ2，・・・，ａn，ａn+1，・・・｝（ｎは自然数）とすると、階差ｂnは、数式（１）で表される。
ｂn＝ａn+1−ａn ・・・ 数式（１）
数式（１）により計算された階差が階差データ列３２（図２）に順次格納される。階差データ列３２は、サンプリング間隔ごとに時系列に並べられた数列として格納されている。この処理は、Ｘ軸、Ｙ軸、Ｚ軸の軸ごとに、１回ずつ行われる。
ステップＳ４３〜Ｓ４４では、階差データ列３２の値を所定の閾値Ｄ１と比較する。詳しくは、階差データ列３２のデータが一つずつ読み込まれ、所定の閾値Ｄ１と比較される。読み込まれたデータがＤ１以上であれば（Ｙｅｓ）に進み、ステップＳ４４においてＤ１以上であった回数がカウントされる。Ｄ１未満であれば（Ｎｏ）に進み、次の階差データを読み込みＤ１と比較する。なお、所定の閾値Ｄ１は、発明者等が収集した複数の実験データを統計処理、および解析して導出された数値であり、あらかじめ設定されている。また、ステップＳ４３〜Ｓ４４では、ｔ秒間分のサンプリング間隔ごとに時系列に並べられた階差データが全て読み込まれるまでこの処理が繰り返される。全てのデータが比較されると、ステップＳ４５に進む。この処理は、Ｘ軸、Ｙ軸、Ｚ軸の軸ごとに、１回ずつ行われる。
ステップＳ４５では、ステップＳ４１で開始したＸ軸、Ｙ軸、Ｚ軸の３軸分（３回）の繰り返し処理ループを終了する。詳しくは、Ｘ軸、Ｙ軸、Ｚ軸の全ての軸に対してステップＳ４１〜Ｓ４４までの処理が終了していればステップＳ４６に進み、終了していなければステップＳ４１に戻る。
ステップＳ４６では、Ｘ軸、Ｙ軸、Ｚ軸ごとのカウント数（ステップＳ４４）の比較が行われ、カウント回数が最大となった軸が、主要軸に決定（選択）される。なお、複数の軸が同じカウント回数であった場合は、直近に主要軸となっていた軸が、再び主要軸として決定されるように構成しても良い。
（軸決定部のデータ）
次に、図５〜図８を用いて、主要軸が決定されるまでの流れについて、生成されたデータ列の例を示しながら説明する。
図５（ａ）は、事例１における３軸の加速度データを示すグラフ、（ｂ）は事例２における３軸の加速度データを示すグラフである。
事例１および事例２は、端末装置１００を装着した２人の被験者が、略同じ場所で略同じ行動を行った際に、生成されたデータ事例である。
図５（ａ）および（ｂ）のグラフは、加速度データ列３１（図２）のＸ軸（実線）、Ｙ軸（太い実線）、Ｚ軸（破線）の加速度データをプロットしたグラフである。グラフの横軸は、経過時間であり、縦軸は加速度の大きさである。事例１では、Ｙ軸（太い実線）の加速度データが加速度の大きさ約５００〜８００の範囲を大きく変動しているのに対し、事例２によるＹ軸（太い実線）の加速度データは約３００〜５００の範囲と事例１より少なく、Ｘ軸とＺ軸と比べても変動量が少ない。事例２では、３軸の中でＺ軸（破線）の加速度データが最も大きな変動を示している。他の軸の加速度データに関しても事例１と事例２では同様に異なる変化を示している。なお、この事例では、加速度データのサンプリングタイムを約６２ｍｓｅｃで検出している。
次に、図５〜図８を用いて、主要軸が決定されるまでの流れについて、生成されたデータ列の例を示しながら説明する。
図５（ａ）は、事例１における３軸の加速度データを示すグラフ、（ｂ）は事例２における３軸の加速度データを示すグラフである。
事例１および事例２は、端末装置１００を装着した２人の被験者が、略同じ場所で略同じ行動を行った際に、生成されたデータ事例である。
図５（ａ）および（ｂ）のグラフは、加速度データ列３１（図２）のＸ軸（実線）、Ｙ軸（太い実線）、Ｚ軸（破線）の加速度データをプロットしたグラフである。グラフの横軸は、経過時間であり、縦軸は加速度の大きさである。事例１では、Ｙ軸（太い実線）の加速度データが加速度の大きさ約５００〜８００の範囲を大きく変動しているのに対し、事例２によるＹ軸（太い実線）の加速度データは約３００〜５００の範囲と事例１より少なく、Ｘ軸とＺ軸と比べても変動量が少ない。事例２では、３軸の中でＺ軸（破線）の加速度データが最も大きな変動を示している。他の軸の加速度データに関しても事例１と事例２では同様に異なる変化を示している。なお、この事例では、加速度データのサンプリングタイムを約６２ｍｓｅｃで検出している。
図６（ａ）は、事例１における３軸の加速度データの階差を示すグラフ、（ｂ）は、事例２における３軸の加速度データの階差を示すグラフである。これらのグラフは、階差データ列３２（図２）のＸ軸（実線）、Ｙ軸（太い実線）、Ｚ軸（破線）それぞれの階差データをプロットしたものである。グラフの横軸は、経過時間であり、縦軸は加速度の階差の値である。上述の加速度データ列３１によるグラフと同様に、事例１では、Ｙ軸（太い実線）の階差データの値が約２０〜２５０の範囲まで大きく変動している部分が目立つのに対し、事例２によるＹ軸（太い実線）の階差データ値は約０〜１００の範囲を変動しており事例１よりも変動量が少なく、Ｘ軸とＺ軸に比べても変動量が少ない。また、事例１によるＹ軸（太い実線）と事例２によるＺ軸の階差データの値は、共に約２０〜２５０の範囲を変動し、また、階差データの値１５０を超えている突出部が４箇所に略同時間帯に出現しているなど変動態様の傾向が類似している。
このように、略同じ場所で略同じ行動をとっていても、被験者によってはＸ軸、Ｙ軸、Ｚ軸への加速度データおよび階差データの発生状況が異なることがわかる。これは、例えば、歩行時における腕の振り方で説明すると、親指側を体の前面に向けて、小指側を背面に向けて腕を前後に振る人もいれば、手の甲側を前面に、手の平側を背面に向けて腕を振る人もいるということである。この事例の場合、腕の振りが主行動だとすると、前者ではＹ軸が主要軸となる可能性が高く、後者ではＺ軸が主要軸となる可能性が高くなる。このように、同一動作（設定）を行った場合でも、被験者の生活習慣や、体形などにより、主要軸は異なることがわかる。換言すれば、異なる被験者による類似の行動が、特定された同じ方向の軸（例えばＹ軸）のみを参照したのでは、類似の行動と判断することが難しいことがわかる。
一方で、参照する軸を変えることで類似の行動に対して類似の特徴を捉えることができることが推察できる。換言すれば、最も加速度の変化量が大きい軸を主要軸とすれば、類似行動の判別が可能となると推測される。
一方で、参照する軸を変えることで類似の行動に対して類似の特徴を捉えることができることが推察できる。換言すれば、最も加速度の変化量が大きい軸を主要軸とすれば、類似行動の判別が可能となると推測される。
図７は、加速度データの階差の一部を示すグラフである。このグラフは、階差データ列３２（図２）の中から、上述の事例１（被験者Ａ）におけるＹ軸において生成された階差データ（図６（ａ））の一部を模式的に表したグラフである。グラフの横軸は、経過時間であり、縦軸は加速度の階差の値である。図７に示す例では、傾きが大きく、傾きの正負が頻繁に変化しているグラフの傾向が表されている。ある時点の加速度の階差は、加速度データの１階差分であるため、約６２ｍｓｅｃ前からの加速度データの変化量が蓄積されている。従って、加速度の階差が大きい方の頂点（丸印）は特に、被験者の動きの変化が多かった点であり、動きの特徴を捉えた点（特徴点）である。
図８は、主要軸決定の一例を示す図である。この図は、Ｘ軸、Ｙ軸、Ｚ軸の軸ごとに階差データ列３２（図２）を参照して所定の閾値を越えた回数を示した一覧表である。「経過時間」は、検出開始から経過した時間であり、ここでは所定期間としての期間を４秒としている。つまり、４秒ごとに主要軸が決定される。「Ｘ軸回数」「Ｙ軸回数」「Ｚ軸回数」は、経過時間の間に、所定の閾値を越えた回数が数えられ、各軸欄に結果が記載されている。「主要軸」は、各軸の回数の中で最も大きな値を示した軸、すなわち所定期間ごとに決定された主要軸が記載されている。
階差データ列３２から直近の４秒分の階差データを、所定の閾値としての閾値Ｄ１と比較して、閾値Ｄ１以上となった回数がカウントされる。
階差データ列３２から直近の４秒分の階差データを、所定の閾値としての閾値Ｄ１と比較して、閾値Ｄ１以上となった回数がカウントされる。
図７に示すように閾値Ｄ１以上となるのは特徴点の中でも特に大きな変化を有する点となる。すなわち、短時間に大きな動きの変化が多く現れた点の出現回数が数えられる。図８では、経過時間が４秒から２８秒までの間はＹ軸が他の軸よりも閾値Ｄ１以上となる回数が多いため、大きな動きの変化がＹ軸方向に継続的に現れていたことがわかる。３２秒と３６秒は大きな動きの変化は、Ｚ軸に移っており、４０秒では、再びＹ軸に戻っている。決定される主要軸は、４秒から２８秒までの間は、Ｙ軸、３２秒と３６秒はＺ軸、４０秒はＹ軸となる。
このようにして、所定期間ごとに、Ｘ軸、Ｙ軸、Ｚ軸の中から、最も大きな動きの変化が多く発生している軸を主要軸としている。主要軸は、他の軸よりも加速度の変化の情報を多く含んでいるため、被験者の行動の特徴を捉えるための情報量も多い。よって、主要軸の加速度データを分析することで行動パターンをより正確に判別できる可能性が高まる。また、主要軸は所定期間ごとに決定されるため、例えば、上下の動きから左右の動きに切り替わったとしても所定期間ごとに主要軸が切り替わり、加速度の変化の情報を多く含んだ主要軸の加速度データに基づいて分析されるため、行動を判別することが可能となる。
なお、上述の所定期間は例として４秒をあげたが、それよりも短くても長くても良く、３軸の加速度の階差データが比較され、その中から最も大きな動きの変化を含む軸が抽出されるための十分なデータ量があれば良い。また、所定期間は、被験者の行動によっては、加速度計測中に動的に変更されても良い。例えば、速い動きが継続されている時は、所定期間を短くして主要軸を決定し、ゆっくりした動きに変わった時は、所定期間を長くして主要軸を決定する。これにより、所定期間内の主要軸に係る加速度データの特徴をさらに詳細に捉えることができる。
さらに、主要軸を決定するために参照する加速度データは、上述の例では所定期間と同じ期間のデータを参照していたが、所定期間よりも長い期間のデータを参照しても良い。例えば、所定期間が４秒で、参照する加速度データはさらに過去の１６秒分のデータを参照しても良い。
また、主要軸の決定における演算処理は差分演算のみであり、３軸の加速度データを合成演算するような複雑な演算を利用していない。従って、当該主要軸の決定方法では、制御部５１にかかる負荷を抑えることができており、高速演算および消費電力の抑制を実現している。高速演算により、速い軸決定が可能となり、細かい動きの行動に対応できる主要軸の決定が可能となる。また、消費電力を抑えることで、バッテリー駆動式の端末装置１００を長時間利用することも可能としている。
なお、上述の所定期間は例として４秒をあげたが、それよりも短くても長くても良く、３軸の加速度の階差データが比較され、その中から最も大きな動きの変化を含む軸が抽出されるための十分なデータ量があれば良い。また、所定期間は、被験者の行動によっては、加速度計測中に動的に変更されても良い。例えば、速い動きが継続されている時は、所定期間を短くして主要軸を決定し、ゆっくりした動きに変わった時は、所定期間を長くして主要軸を決定する。これにより、所定期間内の主要軸に係る加速度データの特徴をさらに詳細に捉えることができる。
さらに、主要軸を決定するために参照する加速度データは、上述の例では所定期間と同じ期間のデータを参照していたが、所定期間よりも長い期間のデータを参照しても良い。例えば、所定期間が４秒で、参照する加速度データはさらに過去の１６秒分のデータを参照しても良い。
また、主要軸の決定における演算処理は差分演算のみであり、３軸の加速度データを合成演算するような複雑な演算を利用していない。従って、当該主要軸の決定方法では、制御部５１にかかる負荷を抑えることができており、高速演算および消費電力の抑制を実現している。高速演算により、速い軸決定が可能となり、細かい動きの行動に対応できる主要軸の決定が可能となる。また、消費電力を抑えることで、バッテリー駆動式の端末装置１００を長時間利用することも可能としている。
（判別部）
次に、決定された主要軸のデータを用いて、被験者の行動を判別する流れについて説明する。
図９、図１０、および図１１は、行動判別の流れを表すフローチャート図である。図１２は指標管理テーブルを示す図である。
以降、図９〜図１２を中心に、適宜、各図を交えて説明する。なお、図９〜図１１に示すフローは、第１記憶部２０の判別部２２の機能を実現するプログラムに基づいて制御部５１が第２記憶部３０を含む各部を制御することにより実行される。図１２に示す判別指標としての指標管理テーブル４０は、第２記憶部３０（図２）に格納されており、行動を判別するための指標を管理するテーブルである。指標管理テーブル４０の「指標Ｎｏ」は指標の番号、「指標」は行動を判別するための指標の内容、「判断値」は指標を判断するための値、「判断値の例」は判断値の具体例、および「行動パターン」は判断値により識別された結果として導出される行動パターンをそれぞれ表している。である。なお、図９〜図１１のフローにおける判断部分に記載の記号（Ｄ２，Ｃ２など）については、図１２の「判断値」において一覧を示している。
また、判別部２２の機能は、制御部５１（図２）により実行される制御プログラム２３のステップＳ４（図３）において主要軸が決定された後に、ステップＳ５（図３）のサブルーチンプログラムにより実現される。判別部２２により所定期間ごとの行動パターンが判別されると、制御プログラム２３に戻り、ステップＳ６（図３）に処理が移される。
なお、判別部２２は、制御プログラム２３からサブルーチンプログラムとして呼び出されるときに、軸決定部２１により決定された主要軸における加速度データ列３１、階差データ列３２が参照可能となる。
次に、決定された主要軸のデータを用いて、被験者の行動を判別する流れについて説明する。
図９、図１０、および図１１は、行動判別の流れを表すフローチャート図である。図１２は指標管理テーブルを示す図である。
以降、図９〜図１２を中心に、適宜、各図を交えて説明する。なお、図９〜図１１に示すフローは、第１記憶部２０の判別部２２の機能を実現するプログラムに基づいて制御部５１が第２記憶部３０を含む各部を制御することにより実行される。図１２に示す判別指標としての指標管理テーブル４０は、第２記憶部３０（図２）に格納されており、行動を判別するための指標を管理するテーブルである。指標管理テーブル４０の「指標Ｎｏ」は指標の番号、「指標」は行動を判別するための指標の内容、「判断値」は指標を判断するための値、「判断値の例」は判断値の具体例、および「行動パターン」は判断値により識別された結果として導出される行動パターンをそれぞれ表している。である。なお、図９〜図１１のフローにおける判断部分に記載の記号（Ｄ２，Ｃ２など）については、図１２の「判断値」において一覧を示している。
また、判別部２２の機能は、制御部５１（図２）により実行される制御プログラム２３のステップＳ４（図３）において主要軸が決定された後に、ステップＳ５（図３）のサブルーチンプログラムにより実現される。判別部２２により所定期間ごとの行動パターンが判別されると、制御プログラム２３に戻り、ステップＳ６（図３）に処理が移される。
なお、判別部２２は、制御プログラム２３からサブルーチンプログラムとして呼び出されるときに、軸決定部２１により決定された主要軸における加速度データ列３１、階差データ列３２が参照可能となる。
ステップＳ５１では、ｔ秒間の加速度データ列３１および階差データ列３２から主要軸のデータの参照するための準備が行われる。
ステップＳ５２では、主要軸の階差が判断値Ｄ２以上である出現回数がカウントされる。詳しくは、ｔ秒間の階差データ列３２から主要軸のデータを順次、指標管理テーブル４０（図１２）における指標１の判断値Ｄ２と比較する。そして、判断値Ｄ２以上となった回数をカウントする。ｔ秒間のデータが全て比較され、カウントされた結果を階差の出現回数とする。判断値Ｄ２は、ステップＳ４４（図４）で用いられる所定の閾値Ｄ１と同じ指標であるが、目的が異なる。詳しくは、所定の閾値Ｄ１は主要軸を決定するために用いられる値であるのに対し、判断値Ｄ２は被験者の行動パターンを判別（仕分け）するために用いられる値である。なお、指標管理テーブル４０に記載の「判断値」Ｄ２，Ｃ２，Ｐ１，Ｍ１，Ｄ３，Ｃ３，Ｗ１，Ｃ４についても、行動パターンを仕分けするために用いる値であり、あらかじめ蓄積された実験データで統計的に分析された数値である。
ステップＳ５３では、ステップＳ５２で求められた階差の出現回数が判断値Ｃ２と比較される。詳しくは、階差の出現回数と指標管理テーブル４０における指標２の判断値Ｃ２とを比較し、出現回数が判断値Ｃ２以上であれば（Ｙｅｓ）、ステップＳ５４に進む。判断値Ｃ２未満であれば（Ｎｏ）、ステップＳ８（図１０）に進む。なお、ステップＳ５３は、判別部２２における行動パターンを識別する最初の仕分けであり、ひとつの行動パターンに特定されるわけではない。ステップＳ５４に進む行動パターンとしては、ランニング、ウォーキング、自転車、体操、その他の運動、のように複数が候補となり、一方でステップＳ８に進む行動パターンは、安静、生活動作、筋力トレーニングの複数のパターンが候補となる。なお、安静とは体の動きが殆どない睡眠などの動作状態であり、生活動作は何かしら体を動かしている立位、オフィスワーク、洗濯、炊事などの日常生活の動作状態である。好適例として、それぞれの行動パターンを身体活動の強さを表す運動強度の指数（メッツ）の値で示すと、安静は１メッツ程度、生活動作は１メッツより大きく３メッツ未満、運動動作としてのランニング、ウォーキング、自転車、体操、筋力トレーニング、その他の運動については３メッツ以上の値を目安に設定されている。複数の行動パターンの候補は、図９〜図１１におけるフローの以降のステップにおいて順次絞られていき、最終的には被験者の行動はひとつの行動パターンに特定される。
ステップＳ５４では、主要軸の加速度データ列３１から周期性の有無が求められる。詳しくは、ｔ秒間の主要軸の加速度データ列３１に基づいて高速フーリエ変換（ＦＦＴ）処理が行われ、加速度データのＦＦＴ処理の結果から複数の周波数成分が抽出される。抽出された複数の周波数成分の大半はノイズ成分であるが、被験者の周期的な動きを捉えた体動信号の周波数成分も含まれている。ノイズ成分の中から、ピーク値が周期的に現れる周波数成分が検出された場合には、周期性有りと判断される。換言すれば、被験者が周期的な動作をしていると推測される。他方、周期的な周波数成分が検出されなかった場合には、周期性無しと判断される。換言すれば、被験者は周期的な動きをしていないものと推測される。
このようにして、主要軸の加速度データ列３１をＦＦＴ変換処理することにより、周期性の有無を求めている。なお、周期性の有無の判断は、発明者等が収集した複数の実験データを統計処理、および解析して導出された出現傾向データに基づいている。
また、周期性の有無の算出に利用する加速度データ列３１はｔ秒間に限らず、ｔ秒間よりも長い期間、例えば、ｔ秒の４倍の期間のデータに基づいて算出されても良い。
このようにして、主要軸の加速度データ列３１をＦＦＴ変換処理することにより、周期性の有無を求めている。なお、周期性の有無の判断は、発明者等が収集した複数の実験データを統計処理、および解析して導出された出現傾向データに基づいている。
また、周期性の有無の算出に利用する加速度データ列３１はｔ秒間に限らず、ｔ秒間よりも長い期間、例えば、ｔ秒の４倍の期間のデータに基づいて算出されても良い。
ステップＳ５５では、ステップＳ５４で求められた周期性の有無に基づいて比較が行われる。なお、比較対象となる行動パターンは、ランニング、ウォーキング、自転車、体操、その他の運動である。詳しくは、周期性が有る場合は（Ｙｅｓ）、ステップＳ５６に進み、周期性が無い場合は（Ｎｏ）、ステップＳ９に進む。ランニングおよびウォーキングは、被験者による一定の歩調により加速度センサー１２が振動を検出するため、加速度の周期性が現れておりステップＳ５６に進む。自転車、体操、およびその他の運動は、加速度の周期性が現れないため、ステップＳ９に進む。
ステップＳ５６では、主要軸の加速度データ列３１からピッチの大きさが求められる。詳しくは、ステップＳ５４でｔ秒間の主要軸の加速度データ列３１を用いて、周期性の有無を求めており、その過程で算出された体動信号として有効な周波数成分が利用される。有効な周波数成分の周波数に基づいて、加速度の周期が求められ、振動数より１分当たりの歩数としてピッチが算出される。
ステップＳ５７では、ステップＳ５６で求められたピッチの値に基づいて比較が行われる。なお、比較対象となる行動パターンは、ランニング、ウォーキングである。詳しくは、ピッチの値と指標管理テーブル４０における指標５の判断値Ｐ１とを比較し、ピッチの値が判断値Ｐ１以上であれば（Ｙｅｓ）、ステップＳ５８に進む。ピッチの値が判断値Ｐ１未満であれば（Ｎｏ）、ステップＳ５９に進む。ステップＳ５８では、ピッチ数が判断値Ｐ１以上である行動パターンとしてランニングが特定され、ステップＳ５９では、ピッチ数が判断値Ｐ１未満である行動パターンとしてウォーキングが特定される。
ステップＳ５８では、行動パターンとしてランニングが特定される。詳しくは、所定期間としてのｔ秒間の被験者の行動パターンはランニングと決定され、第２記憶部３０（図２）の行動判別結果４３に格納される。
ステップＳ５９では、行動パターンとしてウォーキングが特定される。詳しくは、所定期間としてのｔ秒間の被験者の行動パターンはウォーキングと決定され、第２記憶部３０（図２）の行動判別結果４３に格納される。
図１０に進む。
ステップＳ８は、ステップＳ５３（図９）において（Ｎｏ）と判断され、安静、生活動作、および筋力トレーニングの行動パターンが候補として分岐されたステップである。
ステップＳ８は、ステップＳ５３（図９）において（Ｎｏ）と判断され、安静、生活動作、および筋力トレーニングの行動パターンが候補として分岐されたステップである。
ステップＳ８１では、主要軸の階差データ列３２から階差の合計が求められる。詳しくは、ｔ秒間の階差データ列３２の階差の値が順次加算され合計が求められる。
ステップＳ８２では、階差の合計が判断値Ｍ１と比較される。なお、比較対象となる行動パターンは、筋力トレーニング、生活動作、安静である。詳しくは、階差の合計と指標管理テーブル４０における指標６の判断値Ｍ１とを比較し、階差の合計が判断値Ｍ１以上であれば（Ｙｅｓ）、ステップＳ８４に進む。判断値Ｍ１未満であれば（Ｎｏ）、ステップＳ８３に進む。階差が合計された値は、大きければ（判断値Ｍ１以上）動きのある状態であり、小さければ（判断値Ｍ１未満）動きが少ないと判断される。そのため、動きのある行動パターンとしては、生活動作、あるいは筋力トレーニングが該当し、ステップＳ８４に進む。動きの少ない行動パターンとして、ステップＳ８３において安静が特定される。
ステップＳ８２では、階差の合計が判断値Ｍ１と比較される。なお、比較対象となる行動パターンは、筋力トレーニング、生活動作、安静である。詳しくは、階差の合計と指標管理テーブル４０における指標６の判断値Ｍ１とを比較し、階差の合計が判断値Ｍ１以上であれば（Ｙｅｓ）、ステップＳ８４に進む。判断値Ｍ１未満であれば（Ｎｏ）、ステップＳ８３に進む。階差が合計された値は、大きければ（判断値Ｍ１以上）動きのある状態であり、小さければ（判断値Ｍ１未満）動きが少ないと判断される。そのため、動きのある行動パターンとしては、生活動作、あるいは筋力トレーニングが該当し、ステップＳ８４に進む。動きの少ない行動パターンとして、ステップＳ８３において安静が特定される。
ステップＳ８３では、行動パターンとして安静が特定される。詳しくは、所定期間としてのｔ秒間の被験者の行動パターンは安静と決定され、第２記憶部３０（図２）の行動判別結果４３に格納される。
ステップＳ８４では、主要軸の加速度データ列３１から周期性の有無が求められる。詳しくは、ｔ秒間の主要軸の加速度データ列３１に基づいて高速フーリエ変換（ＦＦＴ）処理が行われ、加速度データのＦＦＴ処理の結果から周波数成分が取り出される。周波数成分の中から体動信号として有効な周波数成分が抽出されれば、加速度の周期性が現れており、周期性は有りとなる。体動信号として有効な周波数成分が抽出されなければ周期性は無いとされる。なお、この算出方法は、ステップＳ５４と同じ方法である。
また、周期性有無の算出に利用する加速度データ列３１はｔ秒間に限らず、ｔ秒間よりも長い期間のデータに基づいて算出されても良い。
また、周期性有無の算出に利用する加速度データ列３１はｔ秒間に限らず、ｔ秒間よりも長い期間のデータに基づいて算出されても良い。
ステップＳ８５では、ステップＳ８４で求められた周期性の有無に基づいて比較が行われる。なお、比較対象となる行動パターンは、筋力トレーニング、生活動作である。詳しくは、周期性が有る場合は（Ｙｅｓ）、ステップＳ８６に進み、周期性が無い場合は（Ｎｏ）、ステップＳ８７に進む。筋力トレーニングは、同じ動作が繰り返されるので、加速度の周期性が有り、ステップＳ８６に進められる。生活動作は、繰り返す動作が少ないので、加速度の周期性は無く、ステップＳ８７に進められる。
ステップＳ８６では、行動パターンとして筋力トレーニングが特定される。詳しくは、所定期間としてのｔ秒間の被験者の行動パターンは筋力トレーニングと決定され、第２記憶部３０（図２）の行動判別結果４３に格納される。
ステップＳ８７では、行動パターンとして日常生活が特定される。詳しくは、所定期間としてのｔ秒間の被験者の行動パターンは日常生活と決定され、第２記憶部３０（図２）の行動判別結果４３に格納される。
図１１に進む。
ステップＳ９は、ステップＳ５５（図９）において（Ｎｏ）と判断され、自転車、体操、その他の運動の行動パターンを候補として分岐されたステップである。
ステップＳ９１では、主要軸の階差が判断値Ｄ３以上である出現回数がカウントされる。詳しくは、ｔ秒間の階差データ列３２から主要軸のデータを順次、指標管理テーブル４０（図１２）における指標７の判断値Ｄ３と比較する。そして、判断値Ｄ３以上となった回数をカウントする。ｔ秒間のデータが全て比較され、カウントされた結果を階差の出現回数とする。なお、この算出方法はステップＳ５２（図９）と同じ方法である。また、判断値Ｄ３は、判断値Ｄ２とは異なる数値であり、判断値Ｄ２より大きい値である。
ステップＳ９は、ステップＳ５５（図９）において（Ｎｏ）と判断され、自転車、体操、その他の運動の行動パターンを候補として分岐されたステップである。
ステップＳ９１では、主要軸の階差が判断値Ｄ３以上である出現回数がカウントされる。詳しくは、ｔ秒間の階差データ列３２から主要軸のデータを順次、指標管理テーブル４０（図１２）における指標７の判断値Ｄ３と比較する。そして、判断値Ｄ３以上となった回数をカウントする。ｔ秒間のデータが全て比較され、カウントされた結果を階差の出現回数とする。なお、この算出方法はステップＳ５２（図９）と同じ方法である。また、判断値Ｄ３は、判断値Ｄ２とは異なる数値であり、判断値Ｄ２より大きい値である。
ステップＳ９２では、ステップＳ９１で求められた階差の出現回数が判断値Ｃ３と比較される。なお、比較対象となる行動パターンは、自転車、体操、その他の運動である。詳しくは、階差の出現回数と指標管理テーブル４０における指標８の判断値Ｃ３とを比較し、出現回数が判断値Ｃ３以上であれば（Ｙｅｓ）、ステップＳ９４に進む。判断値Ｃ３未満であれば（Ｎｏ）、ステップＳ９３に進む。自転車および体操は、動きの変化が大きく、また回数も多いため、判断値Ｃ３以上となり、ステップＳ９４に進む。その他の運動は、自転車や体操よりも動きの変化の大きい回数が少ない行動パターンとして、判断値Ｃ３未満となり、ステップＳ９３に進む。
ステップＳ９３では、行動パターンとしてその他の運動が特定される。詳しくは、所定期間としてのｔ秒間の被験者の行動パターンはその他の運動と決定され、第２記憶部３０（図２）の行動判別結果４３に格納される。その他の運動は、ウォーキング、ランニング、自転車、体操と同程度の運動強度を有する運動で、テニス、床掃除、介護、庭仕事、洗車、運搬作業、階段昇り降りなどの行動を含む。
次のステップＳ９４においては新たに図１３を加えて説明する。
図１３は、加速度のパワースペクトルを示すグラフである。
ステップＳ９４では、パワースペクトルのパワーが判断値Ｗ１以上である出現数がカウントされる。詳しくは、ｔ秒間の主要軸の加速度データ列３１に基づいて高速フーリエ変換（ＦＦＴ）処理が行われ、加速度データのＦＦＴ処理の結果から周波数成分が求められる。周波数成分ごとに周波数成分が有するパワーを算出し、パワースペクトルが生成される。パワースペクトルは、ｔ秒間における加速度データが保有する加速度変位量の総和（パワー）に対する周波数成分の寄与度を表している。図１３は、ｔ秒間の加速度データ列３１から生成された各周波数成分のパワーの分布の示すパワースペクトルであり、パワーを周波数ごとにプロットしたグラフの一部が示されている。横軸は周波数であり、縦軸は周波数ごとのパワーである。パワースペクトルにおいて、周波数ごとに最も大きなパワーを有する値であるパワーの最大値６０を求める。パワーの最大値６０を１００％として指標管理テーブル４０における指標９の判断値Ｗ１％と比較し、判断値Ｗ１以上の大きさのパワーを持つ周波数成分の数をカウントする。
図１３は、加速度のパワースペクトルを示すグラフである。
ステップＳ９４では、パワースペクトルのパワーが判断値Ｗ１以上である出現数がカウントされる。詳しくは、ｔ秒間の主要軸の加速度データ列３１に基づいて高速フーリエ変換（ＦＦＴ）処理が行われ、加速度データのＦＦＴ処理の結果から周波数成分が求められる。周波数成分ごとに周波数成分が有するパワーを算出し、パワースペクトルが生成される。パワースペクトルは、ｔ秒間における加速度データが保有する加速度変位量の総和（パワー）に対する周波数成分の寄与度を表している。図１３は、ｔ秒間の加速度データ列３１から生成された各周波数成分のパワーの分布の示すパワースペクトルであり、パワーを周波数ごとにプロットしたグラフの一部が示されている。横軸は周波数であり、縦軸は周波数ごとのパワーである。パワースペクトルにおいて、周波数ごとに最も大きなパワーを有する値であるパワーの最大値６０を求める。パワーの最大値６０を１００％として指標管理テーブル４０における指標９の判断値Ｗ１％と比較し、判断値Ｗ１以上の大きさのパワーを持つ周波数成分の数をカウントする。
ステップＳ９５では、ステップＳ９４で求められた判断値Ｗ１以上の大きさのパワーを持つ周波数成分の数が判断値Ｃ４と比較される。なお、比較対象となる行動パターンは、自転車、および体操である。詳しくは、判断値Ｗ１以上の大きさのパワーを持つ周波数成分の数と指標管理テーブル４０における指標１０の判断値Ｃ４とを比較し、周波数成分の数が判断値Ｃ４以上であれば（Ｙｅｓ）、ステップＳ９７に進む。判断値Ｃ４未満であれば（Ｎｏ）、ステップＳ９６に進む。自転車は、被験者による走行中の腕や手首の動きに加え、ロード走行中に路面や車輪など各自転車の部品から伝わる振動による影響でパワースペクトルにはノイズ成分が多く含まれる特徴があるため判断値Ｃ４以上となり、ステップＳ９７に進む。体操は、自転車と比べるとノイズ成分が少ないため、判断値Ｃ４未満となり、ステップＳ９６に進む。
ステップＳ９６では、行動パターンとして体操が特定される。詳しくは、所定期間としてのｔ秒間の被験者の行動パターンは体操と決定され、第２記憶部３０（図２）の行動判別結果４３に格納される。
ステップＳ９７では、行動パターンとして自転車が特定される。詳しくは、所定期間としてのｔ秒間の被験者の行動パターンは自転車と決定され、第２記憶部３０（図２）の行動判別結果４３に格納される。
ステップＳ９７では、行動パターンとして自転車が特定される。詳しくは、所定期間としてのｔ秒間の被験者の行動パターンは自転車と決定され、第２記憶部３０（図２）の行動判別結果４３に格納される。
このように、情報量豊富な主要軸の加速度データを用いることで、指標管理テーブル４０に示す多様な指標を適用することができるようになり、多様な行動パターンを従来と比較して正確に判別できる。特に手首に装着したことにより、従来は困難とされていた自転車、体操、筋力トレーニング、生活動作などの行動パターンにおいても従来と比較して正確に判別できるようになっている。
以上述べたように、本実施形態に係る端末装置１００によれば、以下の効果を得ることができる。
端末装置１００によれば、運動態様に関する情報量が多い肢体、例えば手首に３軸の加速度センサー１２が装着されており、軸決定部２１は、当該センサーが検出した３軸の加速度データから、被験者の行動を判別するために参照する主要軸を抽出する。主要軸は、３軸の中で、被験者の行動内容を最も感知している軸である。
ここで、軸決定部２１は、３軸の加速度データにおける変化量に基づいて、所定期間ごとに主要軸を決定している。変化量が最も大きい軸を主要軸とし、これを一定時間ごとに見直している。つまり、一定時間ごとに、被験者の行動を最も検出して（表して）いるセンサー軸を選択して主要軸としている。
よって、主要軸が固定されており、手首に装着したとしても被験者の行動を従来と比較して正確に検出することが困難であった従来の装置と異なり、端末装置１００によれば、一定時間ごとに、被験者の行動を最も表しているセンサー軸を主要軸として選択することにより、情報量が豊富な手首の動きを精密に解析することが可能となり、正確に行動パターンを判別することができる。
従って、体操、ウォーキング、自転車、トレーニングマシンを利用した運動などの多様な行動パターンを判別可能な行動判別装置を提供することができる。
端末装置１００によれば、運動態様に関する情報量が多い肢体、例えば手首に３軸の加速度センサー１２が装着されており、軸決定部２１は、当該センサーが検出した３軸の加速度データから、被験者の行動を判別するために参照する主要軸を抽出する。主要軸は、３軸の中で、被験者の行動内容を最も感知している軸である。
ここで、軸決定部２１は、３軸の加速度データにおける変化量に基づいて、所定期間ごとに主要軸を決定している。変化量が最も大きい軸を主要軸とし、これを一定時間ごとに見直している。つまり、一定時間ごとに、被験者の行動を最も検出して（表して）いるセンサー軸を選択して主要軸としている。
よって、主要軸が固定されており、手首に装着したとしても被験者の行動を従来と比較して正確に検出することが困難であった従来の装置と異なり、端末装置１００によれば、一定時間ごとに、被験者の行動を最も表しているセンサー軸を主要軸として選択することにより、情報量が豊富な手首の動きを精密に解析することが可能となり、正確に行動パターンを判別することができる。
従って、体操、ウォーキング、自転車、トレーニングマシンを利用した運動などの多様な行動パターンを判別可能な行動判別装置を提供することができる。
また、前述したように、複数の被験者に対して、端末装置１００を同一部位に装着して、同一動作をしてもらった場合でも、被験者の生活習慣や、体形などの個人差（個体差）により、主要軸は一定とならないことが解っている。
本実施形態の行動判別方法によれば、最も加速度の変化量が大きい軸を主要軸とすることにより、個体差があっても、従来と比較して正確に行動パターンを判別することができる。
従って、体操、ウォーキング、自転車、トレーニングマシンを利用した運動などの多様な行動パターンを判別可能な行動判別方法を提供することができる。
さらに、端末装置１００を手首に装着する構成としたことにより、被験者の生体情報の収集を効率的に行うことができる。詳しくは、腕（皮膚）と密着する端末装置１００の裏面に、脈波センサー１４を配置することにより、被験者の運動状況の指標となる脈拍を簡便に収集することができる。
本実施形態の行動判別方法によれば、最も加速度の変化量が大きい軸を主要軸とすることにより、個体差があっても、従来と比較して正確に行動パターンを判別することができる。
従って、体操、ウォーキング、自転車、トレーニングマシンを利用した運動などの多様な行動パターンを判別可能な行動判別方法を提供することができる。
さらに、端末装置１００を手首に装着する構成としたことにより、被験者の生体情報の収集を効率的に行うことができる。詳しくは、腕（皮膚）と密着する端末装置１００の裏面に、脈波センサー１４を配置することにより、被験者の運動状況の指標となる脈拍を簡便に収集することができる。
（実施形態２）
次に、実施形態２について、図１、図２および図１４を中心に、適宜、各図を交えて説明する。
本実施形態では、端末装置１００に備えられた脈波センサー１４が検出した脈拍データを用いてさらに詳細な行動パターンの判別を実現している。
図１４は、バリエーションテーブルを示す図である。
次に、実施形態２について、図１、図２および図１４を中心に、適宜、各図を交えて説明する。
本実施形態では、端末装置１００に備えられた脈波センサー１４が検出した脈拍データを用いてさらに詳細な行動パターンの判別を実現している。
図１４は、バリエーションテーブルを示す図である。
図１に示すように、端末装置１００には、脈拍をセンシングする脈波センサー１４が手首１と接触する面に備えられており、日常生活や運動時においても脈拍数を測定することができる。測定された脈拍数に基づいた生理的運動強度を用いることで、行動パターンのバリエーションを増やすことができる。
図２に示す生体センサー部１３は、好適例として脈波センサー１４である。脈波センサー１４は、例えばＬＥＤなどの発光素子から人体の手首１に向けて照射され手首１の血管で反射された光を集光しフォトダイオードなどの受光素子で受光する光電式脈波センサーである。この際脈波センサー１４は、血管の拡張時と収縮時とで光の反射率が異なる現象を利用して被験者の脈波を検出する。検出された脈波のデータは、制御部５１によりＦＦＴ処理され、体動成分等のノイズが除去され脈拍成分が抽出される。脈拍成分より脈拍数（拍数／分）が算出される。脈拍数は、主要軸が決定される所定期間（ｔ秒）ごとに生成される。つまり、脈拍数は、ｔ秒ごとに行動を判別する判別部２２の処理までには算出されており、行動判別の処理で行動を判別するために利用可能である。なお、生体センサー部１３としては、上述の方式以外にも圧力センサーを用いたものや超音波を用いたものなどを採用しても良い。
図２に示す生体センサー部１３は、好適例として脈波センサー１４である。脈波センサー１４は、例えばＬＥＤなどの発光素子から人体の手首１に向けて照射され手首１の血管で反射された光を集光しフォトダイオードなどの受光素子で受光する光電式脈波センサーである。この際脈波センサー１４は、血管の拡張時と収縮時とで光の反射率が異なる現象を利用して被験者の脈波を検出する。検出された脈波のデータは、制御部５１によりＦＦＴ処理され、体動成分等のノイズが除去され脈拍成分が抽出される。脈拍成分より脈拍数（拍数／分）が算出される。脈拍数は、主要軸が決定される所定期間（ｔ秒）ごとに生成される。つまり、脈拍数は、ｔ秒ごとに行動を判別する判別部２２の処理までには算出されており、行動判別の処理で行動を判別するために利用可能である。なお、生体センサー部１３としては、上述の方式以外にも圧力センサーを用いたものや超音波を用いたものなどを採用しても良い。
判別部２２のフロー（図９〜図１１）における、ｔ秒ごとの被験者の行動が決定される処理（例えば、ランニングならばステップＳ５８）にさらに脈拍数による比較を加えて行動パターンのバリエーションを増やす。
図１４は、行動パターンのバリエーションテーブル４４のランニングおよびウォーキングの行動パターンにおいての一例である。バリエーションテーブル４４は第２記憶部３０（図２）に格納されるテーブルである（図示しない）。なお、以降に説明する処理は判別部２２に基づいて制御部５１により実行される処理である。
バリエーションテーブル４４は、「行動パターン」「脈拍数条件」「細分化行動パターン」「運動強度係数」の各項目からなり、脈拍数データは「脈拍数条件」の条件により比較される。「細分化行動パターン」は、行動パターンのバリエーションを示している。「運動強度係数」は、行動パターンごとに決められている運動強度（メッツ）に対して乗算する係数である。
図１４は、行動パターンのバリエーションテーブル４４のランニングおよびウォーキングの行動パターンにおいての一例である。バリエーションテーブル４４は第２記憶部３０（図２）に格納されるテーブルである（図示しない）。なお、以降に説明する処理は判別部２２に基づいて制御部５１により実行される処理である。
バリエーションテーブル４４は、「行動パターン」「脈拍数条件」「細分化行動パターン」「運動強度係数」の各項目からなり、脈拍数データは「脈拍数条件」の条件により比較される。「細分化行動パターン」は、行動パターンのバリエーションを示している。「運動強度係数」は、行動パターンごとに決められている運動強度（メッツ）に対して乗算する係数である。
判別部２２は、行動パターンがランニングに決定されると、ｔ秒の脈拍データから求められた脈拍数を参照し、「脈拍数条件」と比較する。脈拍数が１５０以上であれば、細分化行動パターンとしてランニングが適用され、１５０未満であればジョギングが適用される。「運動強度係数」は、消費カロリーを算出する基準となる運動強度（行動パターンがランニングであれば６メッツ）に乗算される値である。例えば、細分化行動パターンがランニングであれば、６メッツ × １．３が計算され７．８メッツとなる。
このようにして、脈波センサー１４を備え、測定された脈拍データを利用することで行動パターンにバリエーションが増え、より緻密に行動を判別することができた。
なお、「脈拍数条件」では、比較対象に脈拍数の固定値を例として挙げたが、この例に限らず、被験者の安静時脈拍数や運動負荷時の脈拍数から動的に演算された値を用いても良い。これにより、さらに被験者の体力状態や身体状態に適した細分化行動パターンが決定される。
このようにして、脈波センサー１４を備え、測定された脈拍データを利用することで行動パターンにバリエーションが増え、より緻密に行動を判別することができた。
なお、「脈拍数条件」では、比較対象に脈拍数の固定値を例として挙げたが、この例に限らず、被験者の安静時脈拍数や運動負荷時の脈拍数から動的に演算された値を用いても良い。これにより、さらに被験者の体力状態や身体状態に適した細分化行動パターンが決定される。
以上述べたように、本実施形態に係る端末装置１００によれば、実施形態１での効果に加えて、以下の効果を得ることができる。
被験者の脈拍データを含む生体データを行動パターンの判別に用いることで行動パターンをさら細分化することが可能になる。また、細分化された行動パターンに基づいて運動強度を補正し、より正確な消費カロリーを算出することも可能となる。
被験者の脈拍データを含む生体データを行動パターンの判別に用いることで行動パターンをさら細分化することが可能になる。また、細分化された行動パターンに基づいて運動強度を補正し、より正確な消費カロリーを算出することも可能となる。
なお、本発明は上述した実施形態に限定されず、上述した実施形態に種々の変更や改良などを加えることが可能である。変形例を以下に述べる。
（変形例１）
図２を用いて説明する。
上述の実施形態では、表示駆動部５５および表示パネル５６を含む構成であったが、表示駆動部５５および表示パネル５６を含まない構成であっても良い。このような表示機能を備えない構成では、制御部５１が、通信部５７を制御して、通信先のＰＣやサーバーなどに行動判別結果４３のデータなどを所定期間ごとに送信する機能などを備えていれば良い。その構成においては、当該ＰＣやサーバーが、行動判別結果４３のデータなどを所定期間ごとに受信し、当該ＰＣやサーバーに備えられた表示装置に表示することができる。
また、腕の長さ方向（表示パネル５６の長辺方向）をＸ軸とするものとして説明したが、この構成に限定するものではなく、軸はどの方向であっても良い。詳しくは、被験者の肢体に固定されて軸がぶれなければ良く、またＸ軸、Ｙ軸、Ｚ軸の３軸が略直交しており、加速度センサーが異なる方向の加速度情報を検出していれば良い。
さらに、略直交する３軸の加速度センサー１２を備えた構成であったが、略直交する２軸の加速度センサーを備えている構成、または立体的に交差する４軸以上の加速度センサーを備えている構成であっても良い。詳しくは、２軸または４軸以上の加速度センサーが検出する加速度情報から、変化量の大きい軸を主要軸とする。主要軸は一定時間ごとに選択（決定）され、被験者の動きの特徴を捉えている方の軸から行動パターンを判別することができる。
このような表示パネル５６を含まなく、あるいは２軸の加速度センサーによる構成であっても、上述の実施形態と同様な作用効果を得ることができる。さらに、装置をより小型化、薄型化にすることができるため、被験者の様々な行動（運動）中において、携帯性と耐久性に優れた行動判別装置を提供することができる。
図２を用いて説明する。
上述の実施形態では、表示駆動部５５および表示パネル５６を含む構成であったが、表示駆動部５５および表示パネル５６を含まない構成であっても良い。このような表示機能を備えない構成では、制御部５１が、通信部５７を制御して、通信先のＰＣやサーバーなどに行動判別結果４３のデータなどを所定期間ごとに送信する機能などを備えていれば良い。その構成においては、当該ＰＣやサーバーが、行動判別結果４３のデータなどを所定期間ごとに受信し、当該ＰＣやサーバーに備えられた表示装置に表示することができる。
また、腕の長さ方向（表示パネル５６の長辺方向）をＸ軸とするものとして説明したが、この構成に限定するものではなく、軸はどの方向であっても良い。詳しくは、被験者の肢体に固定されて軸がぶれなければ良く、またＸ軸、Ｙ軸、Ｚ軸の３軸が略直交しており、加速度センサーが異なる方向の加速度情報を検出していれば良い。
さらに、略直交する３軸の加速度センサー１２を備えた構成であったが、略直交する２軸の加速度センサーを備えている構成、または立体的に交差する４軸以上の加速度センサーを備えている構成であっても良い。詳しくは、２軸または４軸以上の加速度センサーが検出する加速度情報から、変化量の大きい軸を主要軸とする。主要軸は一定時間ごとに選択（決定）され、被験者の動きの特徴を捉えている方の軸から行動パターンを判別することができる。
このような表示パネル５６を含まなく、あるいは２軸の加速度センサーによる構成であっても、上述の実施形態と同様な作用効果を得ることができる。さらに、装置をより小型化、薄型化にすることができるため、被験者の様々な行動（運動）中において、携帯性と耐久性に優れた行動判別装置を提供することができる。
（変形例２）
図３を用いて説明する。
上述の実施形態および変形例では、主要軸を所定期間（時間）ごとに選択し決定していたが、その選択基準は時間軸に限定するものではなく、選択基準を蓄積量、または所定の条件としても良い。
詳しくは、選択基準を蓄積量とする場合は、加速度データの蓄積量が所定のデータ数に達したタイミングで主要軸の選択が行われる。例えば、図３のステップＳ３の「ｔ秒間データ蓄積」を「所定のデータ数６４個蓄積」に変える。これにより、３軸の加速度データが各軸に６４個蓄積されたタイミングで、次のステップＳ４に進む。ステップＳ４では、各軸に６４個蓄積された加速度データ列３１（図２）を分析し主要軸を決定する。このように、加速度データの蓄積量が所定のデータ数に達したタイミングで主要軸を決定することにより、加速度センサー１２のサンプリング周期を変えた場合（例えば、１秒間に１６回から３２回に変更するなど）であっても、一定のデータ量に基づいた分析が行われるため、被験者の動きを的確に捉えることができ、適切な軸を主要軸と決定することができる。
また、選択基準を所定の条件とする場合は、所定の条件を設定し、条件に合ったタイミングで主要軸の選択が行われる。例えば、ステップＳ３の「ｔ秒間データ蓄積」を「加速度データの階差が閾値Ｄ１を２０回越えた？」という条件に変える。この条件にすることで、加速度データの階差が閾値Ｄ１を２０回越えた軸が出現したタイミングで、主要軸が決定されるステップＳ４に進む。上述の例による一定の時間や蓄積量に達するまで待たずに主要軸を決定することができ、短い時間内に頻繁に動く様な動作においては主要軸の選択が頻繁に行われるため、特に動きを的確に捉えた軸を主要軸とすることができる。また、被験者の速い動き、遅い動きが取り混ぜられているような行動をしているケースでは、速い動きの時は頻繁に主要軸を変えることができ、遅い動きの時には十分に加速度データを蓄積した上で主要軸を変えることができる。これにより、決定された主要軸に係る加速度データの特徴をさらに詳細に捉えることができ、次のステップＳ５における行動判別に置いてより正確に被験者の行動を判別することができる。
なお、上述の例においては、ステップＳ３において加速度データの階差が閾値Ｄ１を２０回越えた軸を主要軸として決定して、ステップＳ４を省略し、ステップＳ５に進むフローであっても良い。
図３を用いて説明する。
上述の実施形態および変形例では、主要軸を所定期間（時間）ごとに選択し決定していたが、その選択基準は時間軸に限定するものではなく、選択基準を蓄積量、または所定の条件としても良い。
詳しくは、選択基準を蓄積量とする場合は、加速度データの蓄積量が所定のデータ数に達したタイミングで主要軸の選択が行われる。例えば、図３のステップＳ３の「ｔ秒間データ蓄積」を「所定のデータ数６４個蓄積」に変える。これにより、３軸の加速度データが各軸に６４個蓄積されたタイミングで、次のステップＳ４に進む。ステップＳ４では、各軸に６４個蓄積された加速度データ列３１（図２）を分析し主要軸を決定する。このように、加速度データの蓄積量が所定のデータ数に達したタイミングで主要軸を決定することにより、加速度センサー１２のサンプリング周期を変えた場合（例えば、１秒間に１６回から３２回に変更するなど）であっても、一定のデータ量に基づいた分析が行われるため、被験者の動きを的確に捉えることができ、適切な軸を主要軸と決定することができる。
また、選択基準を所定の条件とする場合は、所定の条件を設定し、条件に合ったタイミングで主要軸の選択が行われる。例えば、ステップＳ３の「ｔ秒間データ蓄積」を「加速度データの階差が閾値Ｄ１を２０回越えた？」という条件に変える。この条件にすることで、加速度データの階差が閾値Ｄ１を２０回越えた軸が出現したタイミングで、主要軸が決定されるステップＳ４に進む。上述の例による一定の時間や蓄積量に達するまで待たずに主要軸を決定することができ、短い時間内に頻繁に動く様な動作においては主要軸の選択が頻繁に行われるため、特に動きを的確に捉えた軸を主要軸とすることができる。また、被験者の速い動き、遅い動きが取り混ぜられているような行動をしているケースでは、速い動きの時は頻繁に主要軸を変えることができ、遅い動きの時には十分に加速度データを蓄積した上で主要軸を変えることができる。これにより、決定された主要軸に係る加速度データの特徴をさらに詳細に捉えることができ、次のステップＳ５における行動判別に置いてより正確に被験者の行動を判別することができる。
なお、上述の例においては、ステップＳ３において加速度データの階差が閾値Ｄ１を２０回越えた軸を主要軸として決定して、ステップＳ４を省略し、ステップＳ５に進むフローであっても良い。
（変形例３）
上述の実施形態および変形例の構成に限定されるものではなく、３軸ジャイロセンサー、およびＧＰＳ（Global Positioning System）センサー、その他環境情報を検出するセンサー（いずれも図示せず）を含んで構成されたセンサーユニットを備えても良い。詳しくは、３軸ジャイロセンサーは、３軸加速度センサー１２における各Ｘ、Ｙ、Ｚ軸に対して角速度を単位時間ごとに計測する。
ＧＰＳセンサーは、ＧＰＳ受信機能および位置情報演算回路を備えており、単位時間ごとに位置情報（緯度、経度、高度）データを計測する。
環境情報を検出するセンサーは、好適例として、温度センサー、圧力センサーを含んで構成され、温度センサーは、外気温を単位時間ごとに計測し、圧力センサーは、気圧を単位時間ごとに計測する。
これらのセンサーユニットから検出されたデータに基づいて、さらに行動パターンのバリエーションを増やすことが可能である。例えば、行動パターンによりウォーキングと判別され、さらに細分化行動パターンより速歩となった場合、ＧＰＳ位置情報において山岳地帯の移動をしていることが確認でき、圧力センサーにより移動時の高低差が確認できた場合は、さらに行動パターンを登山と特定しても良い。
このように、加速度センサーを含む運動センサーや脈波センサーを含む生体センサーなどの被験者の身体状態を検出するセンサーではない、外部環境を検出するセンサーのデータを解析することで、被験者の行動パターンをさらに緻密に正確に判別することができる。
上述の実施形態および変形例の構成に限定されるものではなく、３軸ジャイロセンサー、およびＧＰＳ（Global Positioning System）センサー、その他環境情報を検出するセンサー（いずれも図示せず）を含んで構成されたセンサーユニットを備えても良い。詳しくは、３軸ジャイロセンサーは、３軸加速度センサー１２における各Ｘ、Ｙ、Ｚ軸に対して角速度を単位時間ごとに計測する。
ＧＰＳセンサーは、ＧＰＳ受信機能および位置情報演算回路を備えており、単位時間ごとに位置情報（緯度、経度、高度）データを計測する。
環境情報を検出するセンサーは、好適例として、温度センサー、圧力センサーを含んで構成され、温度センサーは、外気温を単位時間ごとに計測し、圧力センサーは、気圧を単位時間ごとに計測する。
これらのセンサーユニットから検出されたデータに基づいて、さらに行動パターンのバリエーションを増やすことが可能である。例えば、行動パターンによりウォーキングと判別され、さらに細分化行動パターンより速歩となった場合、ＧＰＳ位置情報において山岳地帯の移動をしていることが確認でき、圧力センサーにより移動時の高低差が確認できた場合は、さらに行動パターンを登山と特定しても良い。
このように、加速度センサーを含む運動センサーや脈波センサーを含む生体センサーなどの被験者の身体状態を検出するセンサーではない、外部環境を検出するセンサーのデータを解析することで、被験者の行動パターンをさらに緻密に正確に判別することができる。
１…手首、６…バス、１０…センサー部、１１…運動センサー部、１２…加速度センサー、１３…生体センサー部、１４…脈波センサー、２０…第１記憶部、２１…軸決定部、２２…判別部、２３…制御プログラム、３０…第２記憶部、３１…加速度データ列、３２…階差データ列、３４…共通変数、４０…指標管理テーブル、４１…主要軸ピッチ、４２…主要軸パワースペクトル、４３…行動判別結果、４４…バリエーションテーブル、５１…制御部、５２…計時部、５３…操作部、５４…操作ボタン、５５…表示駆動部、５６…表示パネル、５７…通信部、６０…パワーの最大値、１００…端末装置（行動判別装置）。
Claims (7)
- 被験者の手首を含む肢体に装着され、直交する少なくとも２軸の加速度情報を検出する加速度センサーと、
前記加速度情報に基づいて、前記被験者の行動を判別するために参照する軸である主要軸を決定する軸決定部と、
前記被験者の行動を判別する指標となる判別指標を記憶する記憶部と、
前記主要軸の加速度情報と前記判別指標とに基づいて前記被験者の行動を判別する判別部と、を備え、
前記軸決定部は、前記加速度情報における変化量に基づいて、前記主要軸を決定することを特徴とする行動判別装置。 - 前記主要軸は、所定期間内において、前記変化量が所定の閾値を超えた回数が最大となる軸であることを特徴とする請求項１に記載の行動判別装置。
- 前記変化量は、前記直交する少なくとも２軸の加速度情報において時系列に隣り合う２つの前記加速度情報の階差であり、前記階差と前記所定の閾値とを比較することで前記直交する少なくとも２軸から前記主要軸を決定することを特徴とする請求項２に記載の行動判別装置。
- 前記判別部は、前記主要軸の加速度情報に基づいて、少なくとも周期性、および複数の周波数におけるパワースペクトルを解析し、
前記判別指標は、前記周期性に応じた行動態様、および前記パワースペクトルの分布に応じた行動態様を含むテーブルであることを特徴とする請求項１〜３のいずれか一項に記載の行動判別装置。 - 前記被験者の脈拍を検出する脈波センサーをさらに備え、
前記判別部は、前記脈波センサーが検出した脈拍情報の解析結果を加味して、前記被験者の行動を判別することを特徴とする請求項１〜４のいずれか一項に記載の行動判別装置。 - 位置情報を検出するＧＰＳセンサー、気圧を含む周辺圧力情報を検出する圧力センサー、または外気温を含む周辺温度情報を検出する温度センサーのうち少なくとも１つのセンサーをさらに備え、
前記判別部は、前記位置情報、前記周辺圧力情報または前記周辺温度情報のうち少なくとも１つの解析結果を加味して、前記被験者の行動を判別することを特徴とする請求項１〜５のいずれか一項に記載の行動判別装置。 - 被験者の手首を含む肢体に装着され、直交する少なくとも２軸の加速度情報を検出する加速度センサーを備えた行動判別装置が実行する行動判別方法であって、
時系列に前記加速度情報を検出する検出工程と、
前記直交する少なくとも２軸から主に参照する軸である主要軸を決定する軸決定工程と、
前記主要軸の加速度情報から、前記被験者の行動を判別する指標となる判別指標を参照して前記行動を判別する判別工程と、を含み、
前記軸決定工程では、前記加速度情報における変化量に基づいて、前記主要軸を決定することを特徴とする行動判別方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2013092064A JP2014212915A (ja) | 2013-04-25 | 2013-04-25 | 行動判別装置、および行動判別方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2013092064A JP2014212915A (ja) | 2013-04-25 | 2013-04-25 | 行動判別装置、および行動判別方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2014212915A true JP2014212915A (ja) | 2014-11-17 |
| JP2014212915A5 JP2014212915A5 (ja) | 2016-06-16 |
Family
ID=51939264
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2013092064A Withdrawn JP2014212915A (ja) | 2013-04-25 | 2013-04-25 | 行動判別装置、および行動判別方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2014212915A (ja) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106231008A (zh) * | 2015-06-02 | 2016-12-14 | Lg电子株式会社 | 手表式终端及其控制方法 |
| JP2016211984A (ja) * | 2015-05-11 | 2016-12-15 | 国立研究開発法人理化学研究所 | 行動解析方法 |
| JP2017012277A (ja) * | 2015-06-29 | 2017-01-19 | カシオ計算機株式会社 | 携帯型電子装置、センサ制御システム、センサ制御方法及びセンサ制御プログラム |
| CN106492439A (zh) * | 2016-10-08 | 2017-03-15 | 武汉新英赛健康科技有限公司 | 一种工间操评分方法 |
| JP2017522149A (ja) * | 2014-05-30 | 2017-08-10 | 日東電工株式会社 | ユーザーの活動を分類し及び／又はユーザーの歩数をカウントするデバイス及び方法 |
| JP2017536946A (ja) * | 2014-12-12 | 2017-12-14 | ノキア テクノロジーズ オサケユイチア | 意識状態を決定するデバイスおよび方法 |
| JPWO2017175720A1 (ja) * | 2016-04-08 | 2018-12-20 | シャープ株式会社 | 行動判定装置および行動判定方法 |
| US10768591B2 (en) | 2015-09-03 | 2020-09-08 | Mitsubishi Electric Corporation | Behavior identification device, air conditioner, and robot control device |
| US10820815B2 (en) | 2015-12-11 | 2020-11-03 | Seiko Epson Corporation | Biological information detecting device and control method for biological information detecting device |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003323502A (ja) * | 2002-05-07 | 2003-11-14 | Casio Comput Co Ltd | 行動記録装置及び行動記録プログラム |
| JP2004141669A (ja) * | 2000-10-16 | 2004-05-20 | Omron Healthcare Co Ltd | 体動検出装置 |
| JP2006180899A (ja) * | 2004-12-24 | 2006-07-13 | Sharp Corp | 生活活動解析装置、生活活動解析方法、プログラム、および記録媒体 |
| JP2009187068A (ja) * | 2008-02-01 | 2009-08-20 | Citizen Systems Japan Co Ltd | 体動検出装置 |
| JP2011044135A (ja) * | 2009-07-09 | 2011-03-03 | Seiko Instruments Inc | 歩数計 |
| US20120259577A1 (en) * | 2011-04-11 | 2012-10-11 | Transrex Ag | Fall Detection Methods and Devices |
-
2013
- 2013-04-25 JP JP2013092064A patent/JP2014212915A/ja not_active Withdrawn
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004141669A (ja) * | 2000-10-16 | 2004-05-20 | Omron Healthcare Co Ltd | 体動検出装置 |
| JP2003323502A (ja) * | 2002-05-07 | 2003-11-14 | Casio Comput Co Ltd | 行動記録装置及び行動記録プログラム |
| JP2006180899A (ja) * | 2004-12-24 | 2006-07-13 | Sharp Corp | 生活活動解析装置、生活活動解析方法、プログラム、および記録媒体 |
| JP2009187068A (ja) * | 2008-02-01 | 2009-08-20 | Citizen Systems Japan Co Ltd | 体動検出装置 |
| JP2011044135A (ja) * | 2009-07-09 | 2011-03-03 | Seiko Instruments Inc | 歩数計 |
| US20120259577A1 (en) * | 2011-04-11 | 2012-10-11 | Transrex Ag | Fall Detection Methods and Devices |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017522149A (ja) * | 2014-05-30 | 2017-08-10 | 日東電工株式会社 | ユーザーの活動を分類し及び／又はユーザーの歩数をカウントするデバイス及び方法 |
| JP2017536946A (ja) * | 2014-12-12 | 2017-12-14 | ノキア テクノロジーズ オサケユイチア | 意識状態を決定するデバイスおよび方法 |
| JP2016211984A (ja) * | 2015-05-11 | 2016-12-15 | 国立研究開発法人理化学研究所 | 行動解析方法 |
| CN106231008A (zh) * | 2015-06-02 | 2016-12-14 | Lg电子株式会社 | 手表式终端及其控制方法 |
| JP2017012277A (ja) * | 2015-06-29 | 2017-01-19 | カシオ計算機株式会社 | 携帯型電子装置、センサ制御システム、センサ制御方法及びセンサ制御プログラム |
| US10203672B2 (en) | 2015-06-29 | 2019-02-12 | Casio Computer Co., Ltd. | Portable electronic device equipped with sensor unit, sensor control system, and sensor control method |
| US10768591B2 (en) | 2015-09-03 | 2020-09-08 | Mitsubishi Electric Corporation | Behavior identification device, air conditioner, and robot control device |
| US10820815B2 (en) | 2015-12-11 | 2020-11-03 | Seiko Epson Corporation | Biological information detecting device and control method for biological information detecting device |
| JPWO2017175720A1 (ja) * | 2016-04-08 | 2018-12-20 | シャープ株式会社 | 行動判定装置および行動判定方法 |
| CN106492439A (zh) * | 2016-10-08 | 2017-03-15 | 武汉新英赛健康科技有限公司 | 一种工间操评分方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2014212915A (ja) | 行動判別装置、および行動判別方法 | |
| US11883195B2 (en) | Multimode sensor devices | |
| US20180249908A1 (en) | Multi-state performance monitoring system | |
| US10900991B2 (en) | Calculating pace and energy expenditure from athletic movement attributes | |
| JP6130914B2 (ja) | 運動負荷時の生体情報算出システム、生体情報算出方法、及び、携帯情報端末 | |
| US20180264320A1 (en) | System and method for automatic location detection for wearable sensors | |
| US11540761B2 (en) | Systems and methods for facilitating exercise monitoring with real-time heart rate monitoring and motion analysis | |
| JP2015058096A (ja) | 運動支援装置及び運動支援方法、運動支援プログラム | |
| Dong et al. | Real-time physical activity monitoring by data fusion in body sensor networks | |
| JP2022075457A (ja) | 情報処理システム、サーバ、情報処理方法及びプログラム | |
| KR20100023388A (ko) | 복합 센서를 이용한 생활 패턴 측정 장치 및 방법 | |
| Awais | Physical Activity Classification Meeting Daily Life Conditions for Older Subjects | |
| Hellbruck et al. | Effective Movement Classification for Context Awareness in Medical Applications Networking | |
| Chinrungrueng et al. | My Act: an automatic daily caloric estimation based on physical activity data using smartphones |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20150113 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20160425 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20160425 |
|
| RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20160614 |
|
| RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20160624 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20170324 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20170411 |
|
| A761 | Written withdrawal of application |
Free format text: JAPANESE INTERMEDIATE CODE: A761 Effective date: 20170526 |