JP2017215834A - 情報処理装置、情報処理方法およびプログラム - Google Patents

Abstract

【課題】 複数の波形パターンデータを有する場合であっても、１以上の波形データから所定の特徴量を抽出することができる装置、方法、プログラムを提供する。【解決手段】 この装置は、１以上の波形データから所定の特徴量を抽出する処理を実行する情報処理装置であって、１以上の波形データをグラフに表す場合のグラフ領域を複数の第１の領域に分割する第１の分割手段と、分割された複数の第１の領域のうちの１以上の波形データにより形成される１以上の曲線と重なる１以上の第１の領域を、該１以上の曲線により複数の第２の領域に分割する第２の分割手段と、分割されていない各第１の領域および分割された各第２の領域に対し、１以上の曲線との位置関係に応じて識別情報を割り当てる割当手段と、識別情報が割り当てられた各第１の領域および各第２の領域の面積を計算する計算手段と、識別情報ごとに、計算した面積を合計し、特徴量として抽出する抽出手段とを含む。【選択図】 図２

Description

本発明は、１以上の波形データから所定の特徴量を抽出する処理を実行する情報処理装置、情報処理方法およびその処理をコンピュータに実行させるためのプログラムに関する。

各種センサで計測される計測値は、時系列で見ると、波のように上下に変化し、波形パターンとして表すことができる。また、画像の一端から他端に向けて並ぶ画素の輝度値等も、波形パターンとして表すことができる。このようなデータは、波形パターンデータもしくは波形データと呼ばれ、設備の異常・正常の診断や今後の診断予測、製品の良・不良の診断、製品の特性予測や外観検査の良・不良の診断等に使用されている。

このような診断等は、ニューラルネットワーク等の人工知能や統計解析手法等を用いて波形データを解析することにより行われるが、その際、波形データから数値としての特徴量を抽出する必要がある。その特徴量としては、波形形状の特徴を表す振動数や振幅等がよく知られている。

従来、このような特徴量を抽出する方法として、波形に対して水平に直線を引いたときの直線と波形の交点数（微分特性）や波形の交点間の距離（積分特性）を特徴量として抽出する方法が提案されている（例えば特許文献１参照）。

例えば、カラーフィルタの分光スペクトルは、複数の波形パターンが可視光領域において重なり合っており、カラーフィルタの枚数が増えると、測色可能領域が広がることが知られている。このカラーフィルタの設計では、複数の波形パターンの重なっている回数等が必要である。

しかしながら、従来の上記方法では、１つの波形データの特徴量しか抽出することができないため、複数の波形パターンの重なっている回数のような特徴量を抽出することはできないという問題があった。

本発明は、上記の問題に鑑みてなされたものであり、複数の波形パターンデータを有する場合であっても、１以上の波形データから所定の特徴量を抽出することができる装置、方法およびプログラムを提供することを目的とする。

上記の課題を解決し、目的を達成するために、本発明の一実施形態では、１以上の波形データから所定の特徴量を抽出する処理を実行する情報処理装置であって、１以上の波形データをグラフに表す場合のグラフ領域を複数の第１の領域に分割する第１の分割手段と、第１の分割手段により分割された複数の第１の領域のうちの１以上の波形データにより形成される１以上の曲線と重なる１以上の第１の領域を、該１以上の曲線により複数の第２の領域に分割する第２の分割手段と、第２の分割手段により分割されていない各第１の領域および第２の分割手段により分割された各第２の領域に対し、１以上の曲線との位置関係に応じて識別情報を割り当てる割当手段と、割当手段により識別情報が割り当てられた各第１の領域および各第２の領域の面積を計算する計算手段と、割当手段により割り当てられた識別情報ごとに、計算した面積を合計し、合計した面積の値を特徴量として抽出する抽出手段とを含む、情報処理装置を提供する。

本発明によれば、複数の波形パターンデータを有する場合であっても、１以上の波形データから所定の特徴量を抽出することが可能となる。

情報処理装置のハードウェア構成を例示した図。 情報処理装置の機能構成を例示したブロック図。 カラーフィルタの分光感度スペクトルから特徴量としての重なり面積を算出する方法を説明する図。 算出された特徴量と指標値とを例示した図。 特徴量および指標値の平均値と偏差を算出する方法を説明する図。 傾きβ_i,kとSN比η_i,kを算出する方法を説明する図。 指標値を算出する推定式を導き出す方法を説明する図。 推定式から得られる推定値と実際の指標値の相関性を示した図。 直交表への割り付けを例示した図。 要因効果を例示した図。 情報処理装置が実行する処理の流れを示したフローチャート。

図１は、情報処理装置のハードウェア構成を例示した図である。情報処理装置は、１以上の波形データから所定の特徴量を抽出する処理を実行することができる装置で、その装置としては、例えばPC、タブレット端末、スマートフォン、サーバ、MFP(Multi Function Peripheral)等を挙げることができる。ここに例示した装置は、一例であるので、これらの装置に限定されるものではない。

波形データは、各種センサにより時系列で計測される計測値や、画像の一定方向に並ぶ画素の赤(R)、青(B)、緑(G)の三色の輝度値等であり、略波形形状にその値が上下に変化するデータである。特徴量は、そのデータの特徴を数値で表したもので、振動数や振幅等を一例として挙げることができる。

情報処理装置は、１以上の波形データから所定の特徴量を抽出する処理を実行させるためのプログラムを実装し、そのプログラムを実行することにより、この処理を実現する。このため、情報処理装置は、ハードウェアとして、そのプログラムを実行するCPU１０と、そのプログラムを記憶する記憶装置とを含む。

CPU１０は、上記のプログラムの実行のほか、情報処理装置全体を制御する。記憶装置は、情報処理装置を起動させるためのブートプログラム、周辺機器等に所望の動作をさせるためのファームウェア等を記憶するROM(Read Only Memory)１１を備える。記憶装置は、CPU１０に対して作業領域を提供するRAM(Random Access Memory)１２と、上記のプログラムやOS(Operating System)、各種の設定値、上記の１以上の波形データ等を記憶するHDD１３とを備える。ここでは、HDD１３を使用しているが、これに限られるものではなく、SSD(Solid State Drive)等であってもよい。

情報処理装置は、特徴量を抽出する対象の１以上の波形データを指定するための入力装置１４、１以上の波形データをグラフとして表示し、特徴量の抽出処理やその後の解析処理の状況を表示するための表示装置１５も備える。また、情報処理装置は、入力装置１４からの情報の入力を制御し、表示装置１５への情報の表示を制御する入出力I/F１６を備える。CPU１０、ROM１１、RAM１２、HDD１３、入出力I/F１６は、バス１７に接続され、情報のやりとりは、このバス１７を介して行われる。

次に、情報処理装置のCPU１０が上記のプログラムを実行することにより実現される機能について、図２を参照して説明する。図２は、情報処理装置の機能構成を例示したブロック図である。情報処理装置は、所定の特徴量を抽出するために、第１の分割部２０、第２の分割部２１、割当部２２、計算部２３、抽出部２４、解析部２５、入力部２６を含んで構成される。なお、本実施形態に係る情報処理装置は、これらの機能部のほか、他の機能部をさらに備えてもよく、本発明が実施可能な形態であれば、これらの機能部の何れかを省略した構成であってもよい。

ここで、テレビやPCに使用される液晶ディスプレイは、RGBの三色で色を再現するのが一般的で、デジタルカメラやスキャナ等での測色時も、各色の成分を抽出するために、少なくとも３つのカラーフィルタを使用するのが一般的である。異なるピーク位置をもつ分光感度スペクトルのカラーフィルタの枚数を増やしていけば、可視光波長領域全体を高い分解能でカバーでき、測色精度が向上することが知られている。

ただし、コストと要求する測色精度のバランスを考慮すると、出来るだけ最低限のカラーフィルタの枚数にして最大限の測色精度にしたいという要求がある。このようなカラーフィルタを提供することを目的としてその設計を行う際は、複数のスペクトルの複雑な形状が影響して数学的な計算が困難である。それ故、これまでのところ、技術者の経験と勘に頼るところが大きくなっている。

このようなカラーフィルタの設計を行う際、そのスペクトルと測色領域を表す指標値との定量的な関係式を導き出すとき、複数のスペクトルが重なっている回数のような重なりデータが特徴量として必要となる。このような特徴量を抽出するために、この情報処理装置は、上記の機能部を備える。以下、各機能部について詳細に説明する。

第１の分割部２０は、１以上の波形データをグラフに表す場合のグラフ領域を複数の分割領域に分割する。１以上の波形データとして、３つのカラーフィルタの分光感度スペクトルのグラフを、図３に例示する。ここでは、３つの分光感度スペクトルを示すが、これに限られるものではなく、１つもしくは２つまたは４つ以上であってもよい。

カラーフィルタの分光感度スペクトルは、380nm〜780nmの可視光波長領域において、異なるピーク位置をもつスペクトルとなっている。図３に示す分光感度スペクトルのグラフは、横軸が波長(nm)、縦軸が透過率(%)とされている。第１の分割部２０は、このようなグラフの領域に、例えば、横軸の0%〜100%までの透過率の区間を10%毎に区切り、縦軸の380nm〜780nmまでの波長の区間を100nm毎に区切り、計40の矩形の分割領域（以下、矩形領域という。）に分割する。ここでは、透過率を10%毎、波長を100nm毎に区切っているが、これに限られるものではなく、さらに細かく区切ってもよいし、これより粗く区切ってもよい。

第２の分割部２１は、第１の分割部２０により分割された複数の矩形領域のうちの１以上の波形データにより形成される曲線、すなわち３つの分光感度スペクトルの曲線と重なる矩形領域をさらに分割する。第２の分割部２１は、矩形領域上の曲線を境界として、その矩形領域をさらに２以上の領域（以下、小領域という。）に分割する。なお、曲線と重ならない矩形領域は、そのままの矩形領域とされる。

割当部２２は、曲線と重ならない矩形領域および小領域に対し、その曲線との位置関係に応じて識別情報を割り当てる。まず、複数の曲線と横軸であるX軸とにより囲まれる範囲、すなわちグラフにおける複数の曲線の下側に位置する矩形領域および小領域と、複数の曲線の上側に位置する矩形領域および小領域とを区別し、異なる識別情報を割り当てる。

ここでは、複数の曲線の下側の、該曲線により囲まれる領域内にある矩形領域および小領域は、スペクトルに重なっている領域とし、該曲線の上側の領域にある矩形領域および小領域は、曲線に重なっていない領域とする。また、２つの曲線の下側にある、２つの曲線により囲まれる領域内にある矩形領域および小領域は、２重に重なっている領域であり、３つの曲線の下側にある矩形領域および小領域は、３重に重なっている領域である。このため、識別情報としては、例えば、重なっている曲線の数を用いることができる。

割当部２２は、いずれの曲線にも重なっていない領域に対して「0」を、１重に重なっている領域に対して「1」を、２重に重なっている領域に対して「2」を、３重に重なっている領域に対して「3」を割り当てる。

ここでは、曲線と重ならない矩形領域および小領域に対して識別情報を割り当てる例を説明したが、これに限られるものではない。割当部２２は、曲線と重ならない矩形領域および小領域の境界を表し、所定方向に延びる各線分、すなわちX軸方向に延びる各線分に対して識別情報を割り当てることもできる。

この場合も同様に、いずれにも重なっていない領域の線分には「0」を、１重に重なっている領域の線分には「1」を、２重に重なっている領域の線分には「2」を、３重に重なっている領域の線分には「3」を割り当てる。

計算部２３は、割当部２２により識別情報が割り当てられた矩形領域および小領域の面積を計算する。矩形領域は、長方形であるため、縦および横の長さを用いて計算することができる。なお、縦および横の長さは、それぞれ任意の長さとすることができる。小領域は、曲線の部分を含むことから、曲線の近似式を求め、その近似式を用いて積分する等して計算することができる。これは一例であるので、これまでに知られたいかなる方法でも用いて計算することができる。

計算部２３は、上記の各線分に識別情報を割り当てる場合、上記の面積ではなく、各線分の長さを計算する。矩形領域は、長方形であるため、横の長さをそのまま用いることができる。小領域は、曲線の部分を含むことから、上記と同様、近似式等を用いて計算することができる。

抽出部２４は、各矩形領域につき、割当部２２により割り当てられた識別情報ごとに、計算した面積を合計し、各識別情報につき合計した面積の値を特徴量として抽出する。すなわち、抽出部２４は、各矩形領域につき、「0」が割り当てられた領域の面積を合計し、合計した面積の値を「0」についての特徴量として抽出し、「1」、「2」、「3」についても同様にして特徴量を抽出する。

線分の場合も同様に、各矩形領域の境界を表すX軸方向に延びる各線分につき、割当部２２により割り当てられた識別情報ごとに、計算した線分の長さを合計し、各識別情報につき合計した線分の長さの値を特徴量として抽出する。

抽出部２４が抽出した結果は、図４に示すテーブルに格納し、整理することができる。図３に示す特徴量の項目（特徴項目）Xの数は、波長を４つの区間に区切り、透過率を１０の区間に区切り、重なっている数を0〜9の１０通りとした場合、4×10×10=400個となる。図４では、n通りのサンプル1〜サンプルnの各々につき、X₁〜X₄₀₀の特徴項目に対する特徴量が格納される。

具体的に説明すると、特徴項目X₁は、グラフ領域における、波長領域が380nm〜480nm、透過率が0%〜10%の矩形領域の、３つのスペクトルのいずれもが重なっていない領域の特徴量を表す。その特徴項目X₁のサンプル１の欄に、サンプル１について重なり0の、計算された面積の値が格納される。特徴項目X₂は、グラフ領域における、波長領域が380nm〜480nm、透過率が0%〜10%の矩形領域の、３つのスペクトルの１つと重なっている領域の特徴量を表す。その特徴項目X₂のサンプル１の欄に、サンプル１について１重に重なる、計算された面積の値が格納される。同様にして、X₃〜X₄₀₀についての特徴量が格納される。

また、特徴項目Xとともに、測色精度の指標値Yも格納されている。測色精度の指標値Yは、例えば色差ΔE、q-factorやν-factorと呼ばれる測色精度を表す指標値を用いることができる。色差ΔEは、基準色との色の違いを数値で表したものである。指標値は、入力データとして入力される値である。この特徴項目Xと、指標値Yとの相関関係や因果関係を評価するために、統計解析を実施することができる。

統計解析としては、例えば、多変量解析を挙げることができる。多変量解析は、多くのデータを、予測に基づき関連性を明らかにする統計処理であり、重回帰分析、判別分析、主成分分析、クラスタ分析等がある。重回帰分析は、予測したい変数（目的変数）を説明する変数（説明変数）、すなわち目的とする物事に対して影響を与えていると思われる要因を発見する処理である。判別分析は、収集したサンプルがどのグループに属するかを判別する処理である。主成分分析は、データ項目間の関連を分析し、多くの要因を集約する処理であり、クラスタ分析は、類似するサンプルを集め、任意のグループに分ける処理である。

多変量解析では、T法と呼ばれる、直交表と呼ばれる表を用いて、主な効果のみを評価する手法を用いることができる。T法は、後述する推定式を導出し、その推定式を使用して、重要な因子を評価し、また、その予測を行うものである。直交表は、どの列をとっても、同じ数だけ同じ数字等がある表である。これらの詳細については、後述する。

図４では、上述したΔE、q-factor、ν-factorの３つの指標値がY₁〜Y₃として、サンプル１〜サンプルnの各々につき入力され、格納されている。

情報処理装置は、図２に示す解析部２５を備え、抽出部２４により抽出された結果を使用して統計解析を実施することができる。ここでは、統計解析として、T法を用いる手法について説明する。この統計解析では、前段階処理を実施し、T法を用いて推定式を導出し、推定式から得られる推定値と実際の指標値の相関性を評価し、特徴項目と指標値との因果関係の分析を行う。

前段階処理では、各特徴項目X_i(i=1,2,…,400)と、各指標値Y_k(k=1,2,3)の抽出した特徴量の全サンプルの平均値を計算する。すなわち、図５（ａ）に示すX₁のサンプル１〜nの特徴量X_1,1からX_1,nまでを加算し、その総数nで除算することにより算出する。これを、X₂〜X₄₀₀、Y₁〜Y₃についても同様に行う。下記式１、式２にその計算式を示す。

サンプル毎に抽出された特徴量X_i,j(j=1,2,…,n)から平均値X_i,aveを減算し、また、指標値Y_k,j(j=1,2,…,n)から平均値Y_k,aveを減算し、図５（ｂ）に示す偏差x_i,j、y_k,jを算出する。このように特徴量から偏差を算出し、データを変換することで、偏差の平均値は0になる。ここでは、偏差を算出したが、データによっては、X_i,j、Y_k,jの各々の標準偏差σ_i,j、σ_k,jを算出し、X_i,jをσ_i,jで、また、Y_k,jをσ_k,jで除算することにより、標準偏差を１に規格化してもよい。

次に、図６を参照して、T法を用いた推定式の導出方法を説明する。１つの特徴項目の偏差x_iと１つの指標値の偏差y_kに着目し、それらに線形関係があるものと仮定する。図６に示すように、少なくとも３点以上のサンプルデータのプロット点（図中、黒丸で示す。）から傾きβ_i,kを最小二乗法により算出する。この関係は、下記式３のように表すことができる。

また、x_iとy_kの相関係数R_i,kも算出する。相関係数R_i,kは、x_iとy_kの線形性を表す指標値であり、±１に近いほど線形性が高いことを示す。このR_i,kを用いることにより、ばらつきの尺度となるSN比η_i,k’=R_i,k ²/(1-R_i,k ²)を算出することができる。ここでは、SN比η_i,k’は、対数をとらない。

ここで、傾きβ_i,kおよびSN比を算出する方法について説明する。上記のSN比η_i,k’とは、算出方法が異なることから、ここではη_i,kと区別して表記する。ただし、SN比としては、η_i,k’とη_i,kのいずれを用いてもよい。x_ｉとy_kを用い、r_k、L_i,kという値を下記式４および式５により算出する。そして、下記式６を用いて、上記式３の傾きβ_i,kを算出する。

また、x_ｉを用い、S_T、S_βi,k、S_ei,k、V_ei,kを下記式７〜式１０により算出する。そして、下記式１１を用いて、SN比η_i,kを算出する。

傾きβ_i,kおよびSN比η_i,kは、図７に示すように、偏差x_iごとに算出される。 一般に、相関(R_ik ²の値)が大きい特徴項目X_iほど、指標値Y_kの予測に役立つと考えられている。ちなみに、相関は、上記式４のr_k、上記式５のL_i,k、上記式７のS_Tを用い、L_i,k ²/(S_T×r_k)により算出することができる。

指標値Y_kの予測値（推定値）は、傾きβ_i,kを補正値として用い、SN比η_i,kを重みとして用い、加重平均をとることにより算出することができる。このため、その推定値を求めるための推定式は、x_i/β_i,kの線形結合で表し、各項の重み付けとしてη_i,k/(η_1,k+η_2,k+…+η_n,k)を用い、下記式１２に示すような式で表すことができる。

図８（ａ）に、実際の指標値y_kと上記式１２により算出された推定値y^_kとの関係を示し、図８（ｂ）に、それらをプロットしたグラフを示す。図８に示す例では、データにばらつきがあるものとなっているが、推定式の精度が高ければ、原点を通る傾き1の直線上にデータが近づくことなる。

ここでも、推定値y^_kと実際の指標値y_kとの相関係数R_kおよびSN比η_k=10LOG{R_k ²/(1-R_k ²)}を算出する。相関係数R_kは、上記と同様の方法により算出することができる。SN比η_kは、上記のη_i,k’とは異なり、対数をとる。この対数は、底が10の対数である。

ある特徴項目X_iに関する式η_i,k×x_i,k/β_i,kを、上記式１２の推定式の１つの項として用いるときのSN比η_kから、用いないときのSN比η_k,-iを減算し、その差であるΔη_k,-i=η_k-η_k,-iを、全てのx_iについて算出する。SN比η_kは、x_iとy^_kとの相関係数を用い、SN比η_k,-iは、x_iとy_kとの相関係数を用いて算出される値である。

SN比の差Δη_k,-iの再現性を向上させるために、各特徴項目を推定式に用いる、もしくは用いないという２つの水準に分け、一部の組み合わせで統計的に要因効果を評価する直交表に割り付け、Δη_k,-iを算出することができる。図９に、用いる場合を「○」、用いない場合を「×」として直交表に割り付けた図を示す。図９は、L8_(2^7)という行数８、列数７の２水準系直交表を示したものである。行は、サンプルの番号n、列は、要因を表す特徴項目Xを表す。この直交表は、どの列をとってみても、「○」の数と「×」の数が同じ４つずつ割り付けられる。

特徴項目X₁につき、「○」が割り付けられたサンプル１〜サンプル４については、η_kの平均値を求め、「×」が割り付けられたサンプル５〜サンプル８については、η_k,-iの平均値を求める。同様にして、特徴項目X₂につき、「○」が割り付けられたサンプル１、２、５および６については、η_kの平均値を求め、「×」が割り付けられたサンプル３、４、７および８については、η_k,-iの平均値を求める。このようにして求めたη_kおよびη_k,-iの平均値を、各特徴項目X₁〜X₇につきプロットすると、図１０に示すような要因効果図を得ることができる。

Δη_k,-i>0のときは、その特徴項目が推定精度の向上に寄与していることを示し、Δη_k,-iの絶対値が大きいほど、その寄与率が大きく、指標値y_kと特徴項目X_iとの間に何らかの因果関係があることを示す。反対に、Δη_k,-i≦0のときは、その特徴項目が推定精度の向上に寄与しておらず、因果関係がないことを示す。

図１０に示す例では、特徴項目毎にある２点、すなわち「○」で表されるη_kの平均値、「×」で表されるη_k,-iの平均値を直線で繋いでいる。この直線が、右上がりであるか、右下がりであるか、水平であるかにより、Δη_k,-iが0より大きいか、小さいか、等しいかを判断することができる。

そして、その直線の傾きが大きいか、小さいかにより、何らかの因果関係があるかどうかを判断することができる。その傾きが大きいほど、Δη_k,-iの絶対値が大きくなることから、その特徴項目が推定精度の向上に大きく寄与していることを示す。図１０に示す例では、特徴項目X₁、X₃が、直線の傾きが大きいことから、指標値との間に何らかの因果関係があると予想される。

例えば、特徴項目X1が、波長領域380nm〜480nmの重なり0の面積であり、指標値Y1が、色差ΔEであれば、その面積が、色差との間に因果関係があると分析することができる。

これまでに説明してきた処理を、図１１に示すフローチャートにまとめる。ステップ１１００からこの処理を開始し、ステップ１１０５で、波形データを取得する。波形データは、１以上のデータであれば、いかなる数のデータであってもよい。ステップ１１１０では、波形データをグラフに表し、そのグラフ領域を複数の矩形領域に分割する。分割区間は、いかなる区間であってもよく、分割数も、いかなる数であってもよい。

ステップ１１１５では、波形データが表す曲線、ここではスペクトル曲線により矩形領域をさらに小領域に分割する。そして、ステップ１１２０において、重なっていない矩形領域および小領域のそれぞれに識別情報を割り当てる。識別情報は、曲線により重なりが発生している場合の重なっている数とすることができる。

ステップ１１２５では、各矩形領域につき、識別情報毎に面積を計算し、計算した面積を特徴量として抽出する。ここでは、特徴量を面積として説明するが、特徴量は、上述した長さであってもよい。ステップ１１３０では、抽出した特徴量を用いて前段階処理を実施する。前段階処理では、各特徴項目について、サンプルの平均値を計算し、偏差を計算し、処理済みの特徴量データとして出力する。

ステップ１１３５では、外部データの入力を受け付ける。外部データは、指標値のデータである。この入力データを受け付けるため、図２に示す入力部２６を備えることができる。なお、この外部データに対しても、平均値、偏差を計算する。この外部データは、予めHDD等の記憶装置に格納され、その格納場所から取得してもよい。ステップ１１４０では、推定式の導出、推定式から得られる推定値と実際の指標値の相関性の評価、特徴項目と指標値との因果関係の分析を、処理済みの特徴量データの統計的計算処理として実施する。そして、分析結果を表示し、ステップ１１４５でこの処理を終了する。

このようにして、波形データの波形パターンに重なりがある場合の特徴量も抽出することができ、各特徴量と指標値に何らかの因果関係があるかどうかを予測することができる。また、人工知能としてのニューラルネットワークを利用し、多数のサンプルを使用して機械学習を行うことで、高精度な推定式を得ることができる。

これまで本発明を、情報処理装置、情報処理方法およびプログラムとして上述した実施の形態をもって説明してきたが、本発明は上述した実施の形態に限定されるものではない。本発明は、他の実施の形態、追加、変更、削除など、当業者が想到することができる範囲内で変更することができ、いずれの態様においても本発明の作用・効果を奏する限り、本発明の範囲に含まれるものである。

したがって、上記のプログラムは、インストール可能な形式または実行可能な形式のファイルでフロッピー（登録商標）ディスク、CD(Compact Disk)、CD-R(Compact Disk Read Only Memory)、DVD(Digital Versatile Disk)、SDメモリカード(SD Memory Card)、USBメモリ(Universal Serial Bus Memory)等のコンピュータで読み取り可能な記録媒体に記録して提供するように構成することができる。また、上記のプログラムは、インターネット等のネットワーク経由で提供または配布するように構成されていてもよい。さらに、上記のプログラムを他の各種ソフトウェアとともにROM等に予め組み込んで提供するように構成してもよい。

上記の実施形態では、上記の各機能部は、CPU１０がHDD１３等に記憶されたプログラムを読み出して実行することにより、各機能部を実現するプログラムがRAM１２上にロードされ、上記の各機能部が生成されている。しかしながら、これに限られるものではなく、例えば各機能部のうちの少なくとも一部が専用のハードウェア回路（例えば半導体集積回路）で実現されていてもよい。

１０…CPU、１１…ROM、１２…RAM、１３…HDD、１４…入力装置、１５…表示装置、１６…入出力I/F、１７…バス、２０…第１の分割部、２１…第２の分割部、２２…割当部、２３…計算部、２４…抽出部、２５…解析部、２６…入力部

特許第５３４８９７７号公報

Claims (12)

1. １以上の波形データから所定の特徴量を抽出する処理を実行する情報処理装置であって、
   前記１以上の波形データをグラフに表す場合のグラフ領域を複数の第１の領域に分割する第１の分割手段と、
   前記第１の分割手段により分割された前記複数の第１の領域のうちの前記１以上の波形データにより形成される１以上の曲線と重なる１以上の第１の領域を、該１以上の曲線により複数の第２の領域に分割する第２の分割手段と、
   前記第２の分割手段により分割されていない各第１の領域および前記第２の分割手段により分割された各第２の領域に対し、前記１以上の曲線との位置関係に応じて識別情報を割り当てる割当手段と、
   前記割当手段により前記識別情報が割り当てられた前記各第１の領域および前記各第２の領域の面積を計算する計算手段と、
   前記割当手段により割り当てられた前記識別情報ごとに、計算した面積を合計し、合計した前記面積の値を特徴量として抽出する抽出手段とを含む、情報処理装置。
2. 前記割当手段は、前記分割されていない各第１の領域および前記分割された各第２の領域が、前記１以上の曲線により囲まれる領域内にあるか否か、該囲まれる領域内にある場合、いくつの曲線により囲まれる領域内にあるか否かに応じて、該曲線の数を前記識別情報として割り当てる、請求項１に記載の情報処理装置。
3. 前記割当手段は、前記各第１の領域および前記各第２の領域の境界を表し、所定方向に延びる各線分に対し、前記１以上の曲線との位置関係に応じて識別情報を割り当て、
   前記計算手段は、前記識別情報が割り当てられた前記各第１の領域および前記各第２の領域の各線分の長さを計算し、
   前記抽出手段は、前記割り当てられた識別情報ごとに、前記計算した線分の長さを合計し、合計した前記線分の長さの値を特徴量として抽出する、請求項１または２に記載の情報処理装置。
4. 前記抽出手段により抽出された前記特徴量を用いて統計解析を行う解析手段を含む、請求項１〜３のいずれか１項に記載の情報処理装置。
5. 前記統計解析に使用する指標値となる入力データを受け付ける入力部を含む、請求項４に記載の情報処理装置。
6. 前記解析手段は、前記特徴量と前記指標値との因果関係を分析する多変量解析を行う、請求項５に記載の情報処理装置。
7. 前記解析手段は、ニューラルネットワークを利用して前記統計解析を行う、請求項４または５に記載の情報処理装置。
8. １以上の波形データから所定の特徴量を抽出する情報処理方法であって、
   前記１以上の波形データをグラフに表す場合のグラフ領域を複数の第１の領域に分割するステップと、
   分割された前記複数の第１の領域のうちの前記１以上の波形データにより形成される１以上の曲線と重なる１以上の第１の領域を、該１以上の曲線により複数の第２の領域に分割するステップと、
   分割されていない各第１の領域および分割された各第２の領域に対し、前記１以上の曲線との位置関係に応じて識別情報を割り当てるステップと、
   前記識別情報が割り当てられた前記各第１の領域および前記各第２の領域の面積を計算するステップと、
   割り当てられた前記識別情報ごとに、計算した面積を合計し、合計した前記面積の値を特徴量として抽出するステップとを含む、情報処理方法。
9. 前記割り当てるステップでは、前記分割されていない各第１の領域および前記分割された各第２の領域が、前記１以上の曲線により囲まれる領域内にあるか否か、該囲まれる領域内にある場合、いくつの曲線により囲まれる領域内にあるか否かに応じて、該曲線の数を前記識別情報として割り当てる、請求項８に記載の情報処理方法。
10. 前記割り当てるステップでは、前記各第１の領域および前記各第２の領域の境界を表し、所定方向に延びる各線分に対し、前記１以上の曲線との位置関係に応じて識別情報を割り当て、
    前記計算するステップでは、前記識別情報が割り当てられた前記各第１の領域および前記各第２の領域の各線分の長さを計算し、
    前記抽出するステップでは、前記割り当てられた識別情報ごとに、前記計算した線分の長さを合計し、合計した前記線分の長さの値を特徴量として抽出する、請求項８または９に記載の情報処理方法。
11. 抽出された前記特徴量を用いて統計解析を行うステップを含む、請求項８〜１０のいずれか１項に記載の情報処理方法。
12. 請求項８〜１１のいずれか１項に記載の情報処理方法に含まれる各ステップをコンピュータに実行させるためのプログラム。