JP2019103609A - 動作状態推定装置、動作状態推定方法及びプログラム - Google Patents

Abstract

【課題】動作状態推定装置、動作状態推定方法及びプログラムにおいて、計測対象の動作状態を高精度に推定することを目的とする。【解決手段】計測対象の一部に装着されたセンサデバイスが有する少なくとも１つのセンサからのセンサデータを記憶装置に記憶し、前記記憶装置に記憶された前記センサデータから、推定しようとする前記計測対象の対象動作のうち個々の計測対象にかかわらず共通的な動作部分を含む、前記計測対象の動作区間内のセンサデータを切り出し、切り出したセンサデータを複数の信号処理パターンで処理した複数の特徴波形を各センサについて算出し、前記動作区間を、分割数１を含む複数種類の分割数で時間的に等分割し、分割された各分割区間における前記複数の特徴波形の代表値を各センサについて算出し、前記対象動作に共通的な分割区間における代表値と、予め学習済みの前記対象動作の推定モデルを、各センサについて比較し、比較の結果に基づき前記計測対象の動作状態を推定する。【選択図】図６

Description

本発明は、動作状態推定装置、動作状態推定方法及びプログラムに関する。

計測対象者の一例である作業者の見守り、評価等の目的で、作業中である作業者の身体負荷に関係の深い身体姿勢を把握する方法の研究及び開発が行われている。作業者が身につけたウェアラブルデバイスが有するモーションセンサ等から得られるセンサデータを利用して、作業者の身体姿勢を推定する方法も提案されている。モーションセンサには、例えば加速度センサ、ジャイロセンサ、気圧センサ、磁気センサ等が含まれる。

一方、計測対象者の身体姿勢を推定するために、直接的な観測手段の一例であるモーションキャプチャを利用して、実際に活動中の計測対象者の状態を計測することも提案されている。直接的な観測手段とは、例えば計測対象者の腕の移動方向等の、観測したい情報を直接観測する手段のことを言う。しかし、モーションキャプチャを利用する場合、多数のセンサ又は検出位置を示す多数のマーカを計測対象者に装着するため、動作状態推定装置の可搬性が悪く、観測が可能となる環境には制約があり、動作状態推定装置のコストが高くなる。また、モーションキャプチャを利用する場合、多数のセンサ又は検出位置を示す多数のマーカを計測対象者に装着するため、計測対象者への心理的及び物理的な負担が大きくなる。

そこで、センサ等が計測対象者に長時間の装着されたり、センサ等が装着された状態で計測対象者が作業すること等を考慮すると、計測対象者の身体の一部、例えば手首に装着したウェアラブルデバイスを利用して計測対象者の身体姿勢を推定することが望ましい。例えば、ウェアラブルデバイスが計測対象者の手首に装着されるバンド型のデバイスであれば、計測対象者への心理的及び物理的な負荷を増大することなく、バンド型のデバイスから得られるセンサデータを利用して、例えば計測対象者の腰の曲がり具合等の身体姿勢を推定できる。

計測対象者の身体に装着したモーションセンサから得られるセンサデータの特徴量を抽出し、事前に作成した特徴量のデータベースと照合して動作の種別を識別する方法が提案されている（例えば、特許文献１参照）。このような特徴量は、計測対象者の歩行等の周期的な動作を推定するのには適している。一方、計測対象者が荷物の持ち上げ等の単発的な動作を行う際にセンサデータから切り出した一連の動作区間の波形の前半に大きな反応がある場合と、後半に大きな反応がある場合とでは、計測対象者の動作の種別が異なる。ところが、例えば特徴量として、一連の動作区間のスペクトルを計算した場合には、前記２つの場合について計算されたスペクトルの違いを区別することは難しい。また、種別が同じ動作であっても、計測対象者の細かい動きは毎回同じにならず違いが生じ、異なる計測対象者間ではこのような違いが更に大きくなる。このため、身体姿勢の違いを推定して計測対象者の動作状態の一例である身体姿勢の状態を推定する場合、単に特徴量を照合する上記提案方法では、推定精度を向上することが難しい。

特開平１０−１１３３４３号公報 特開２０１３−２２０３５５号公報

従来の動作状態推定装置では、計測対象の動作状態を高精度に推定することは難しい。

そこで、１つの側面では、計測対象の動作状態を高精度に推定可能な動作状態推定装置、動作状態推定方法及びプログラムを提供することを目的とする。

１つの案によれば、計測対象の一部に装着されたセンサデバイスが有する少なくとも１つのセンサからのセンサデータを記憶する記憶手段と、前記記憶手段に記憶された前記センサデータから、推定しようとする前記計測対象の対象動作のうち個々の計測対象にかかわらず共通的な動作部分を含む、前記計測対象の動作区間内のセンサデータを切り出し、切り出したセンサデータを複数の信号処理パターンで処理した複数の特徴波形を各センサについて算出する第１の算出手段と、前記動作区間を、分割数１を含む複数種類の分割数で時間的に等分割し、分割された各分割区間における前記複数の特徴波形の代表値を各センサについて算出する第２の算出手段と、前記対象動作に共通的な分割区間における代表値と、予め学習済みの前記対象動作の推定モデルを、各センサについて比較し、比較の結果に基づき前記計測対象の動作状態を推定する推定手段と、を備えた動作状態推定装置が提供される。

一態様によれば、計測対象の動作状態を高精度に推定することができる。

加速度ノルムの信号処理パターンの一例を説明する図である。 角速度ノルムの信号処理パターンの一例を説明する図である。 重力方向に対する傾きの変化の信号処理パターンの一例を説明する図である。 気圧２階差分の信号処理パターンの一例を説明する図である。 特徴波形の時分割による特徴量の算出方法の一例を説明する図である。 一実施例における動作状態推定装置の一例を示す機能ブロック図である。 コンピュータのハードウェア構成の一例を示すブロック図である。 支援システムの一例を示すブロック図である。 荷物の持ち上げ動作の姿勢を推定する処理の一例を説明する図である。 計測対象者の姿勢を表す角度の一例を説明する図である。 推定関数学習処理の一例を説明する図である。 推定モデルの学習処理の一例を説明するフローチャートである。 姿勢推定処理の一例を説明するフローチャートである。 動作状態推定装置の第１の例を説明するブロック図である。 動作状態推定装置の第２の例を説明するブロック図である。

開示の動作状態推定装置、動作状態推定方法及びプログラムでは、計測対象の一部に装着されたセンサデバイスが有する少なくとも１つのセンサからのセンサデータを記憶し、記憶されたセンサデータから、推定しようとする計測対象の対象動作のうち個々の計測対象にかかわらず共通的な動作部分を含む、計測対象の動作区間内のセンサデータを切り出し、切り出したセンサデータを複数の信号処理パターンで処理した複数の特徴波形を各センサについて算出する。また、動作区間を、分割数１を含む複数種類の分割数で時間的に等分割し、分割された各分割区間における複数の特徴波形の代表値を各センサについて算出し、対象動作に共通的な分割区間における代表値と、予め学習済みの対象動作の推定モデルを、各センサについて比較し、比較の結果に基づき計測対象の動作状態を推定する。

以下に、開示の動作状態推定装置、動作状態推定方法及びプログラムの各実施例を図面と共に説明する。

種別が同じ動作であっても、計測対象者の細かい動きは毎回同じではなく違いが生じ、異なる計測対象者間ではこのような違いが更に大きくなる。そこで、このような違いの影響を最小限に抑えると共に、利用できるセンサデータは最大限に活用することが、計測対象者の動作状態を推定する推定精度を向上する上で望ましい。一実施例では、計測対象者の一連の動作区間中の、個々の計測対象者にかかわらず、即ち、異なる計測対象者間でも共通的な動作部分に重み付けをして、動作状態の推定に利用する。共通的な動作部分は、例えば一連の動作区間中の全体の動きの傾向（即ち、全体的な傾向）、一連の動作区間中の一部の期間中（即ち、動作区間より短い時間）の動きの傾向（即ち、局所的な傾向）等であり、推定する計測対象者の動作の種別に応じて異なる。なお、動作の種別を人手で識別しても良いが、コストがかかるため、動作の種別は後述するように自動的に識別することが望ましい。

一実施例では、計測対象の一例である計測対象者の一連の動作区間中の共通的な動作部分を夫々特徴量として表現し、教師データにより特徴量の重み（即ち、共通性）を学習することで、計測対象者の動作状態を推定する。

（特徴量の算出）
計測対象者に装着されたウェアラブルデバイスから得られるセンサデータの特徴量は、例えば以下の手順により算出できる。

先ず、例えば計測対象者の動作の開始から終了までの一連の動作区間を特定し、各センサデータを切り出す。一連の動作区間は、動作の種別（以下、「動作種別」とも言う）に応じて異なり、上記共通的な動作部分を少なくとも１つ含む区間であれば、必ずしも動作の開始から終了までの動作区間でなくても良い。動作区間のセンサデータの切り出しの詳細については、後述する。

次に、切り出したセンサデータに対して、事前にリスト化した信号処理パターンを適用する。図１乃至図４は、センサデータの特徴量、即ち、特徴波形を算出するのに用いる信号処理パターンの一例を説明する図である。

図１は、加速度ノルムの信号処理パターンの一例を説明する図である。図１に示す信号処理パターンでは、３軸加速度センサからのセンサデータに含まれる３軸加速度データがローパスフィルタ１−１とノルム算出部２−１を通ることで、加速度ノルムが求められる。

図２は、角速度ノルムの信号処理パターンの一例を説明する図である。図２に示す信号処理パターンでは、３軸ジャイロセンサからのセンサデータに含まれる３軸角速度データがローパスフィルタ１−２とノルム算出部２−２を通ることで、角速度ノルムが求められる。

図３は、重力方向に対する傾きの変化の信号処理パターンの一例を説明する図である。図３に示す信号処理パターンでは、３軸加速度センサからのセンサデータに含まれる３軸加速度データが、一方ではローパスフィルタ１−３のみ、他方ではローパスフィルタ１−３と遅延部３−３を介して、減算器４−３とノルム算出部２−３を通ることで、重力方向に対する傾きの変化が求められる。重力方向に対する傾きの変化を求めることで、センサデータを重力方向又は重力方向と直交する水平方向に関する成分に分解して、モーションセンサの装着方向によらない時系列変化を算出することができる。

図４は、気圧２階差分の信号処理パターンの一例を説明する図である。図４に示す信号処理パターンでは、気圧センサからのセンサデータに含まれる気圧データが一方ではローパスフィルタ１−４のみ、他方ではローパスフィルタ１−４と遅延部３−４を介して、減算器４−４に入力される。また、減算器４−４の出力は、一方では直接減算器５−４に、他方では遅延部６−４を介して減算器５−４に入力されることで、気圧２階差分が求められる。

なお、特徴波形を算出するのに用いる信号処理パターンは、図１乃至図４に示す信号処理パターンに限定されるものではない。また、特徴波形を算出するのに用いる信号処理パターンの数は、４パターンに限定されないが、動作状態の推定精度を向上するために２パターン以上であることが望ましい。

例えば図１に示す加速度ノルムを算出する信号処理パターン等の、各信号処理パターンでセンサデータを処理することで、夫々１つの特徴波形を算出することができる。Ｍ個（Ｍは１以上の自然数）の信号処理パターンがリスト化されている場合、センサ毎のセンサデータからＭ個の特徴波形が得られる。

更に、計測対象者の一連の動作区間を切り出し、動作区間内の各特徴波形を時間的に等分割（以下、単に「時分割」とも言う）し、分割区間内の代表値を分割区間内の特徴量とする。代表値は、例えば、分割区間内の最大値、最小値、平均値等である。つまり、各特徴波形を粗くリサンプリングして算出した代表値を並べたものを特徴量（以下、「特徴ベクトル」とも言う）と定義する。このように算出した特徴量を用いることで、計測対象者の一連の動作区間中の共通的な分割区間に着目した特徴量の比較が行える。

一連の動作区間内の特徴波形を時分割する際に、１つの分割数だけを用いるのではなく、図５に示すように、センサ毎に、複数種類の分割数の場合について各分割区間で算出した代表値を並べたものを１つの特徴量（即ち、特徴ベクトル）とする。図５は、特徴波形の時分割による特徴量の算出方法の一例を説明する図である。図５に示す特徴波形は、例えば図１に示す信号処理パターンで得られた加速度ノルムの波形である。この例では、切り出した一連の動作区間を、１分割、２分割、及び４分割の３種類の分割数で分割する。図５中、各特徴波形の縦軸は振幅を任意単位で示し、横軸は時刻を任意単位で示す。また、１分割の場合の代表値はμ_１１、２分割の場合の代表値はμ_２１，μ_２２、及び４分割の場合の代表値はμ_４１，μ_４２，μ_４３，μ_４４であり、代表値をまとめて並べた特徴量（即ち、特徴ベクトル）は、｛μ_１１，μ_２１，μ_２２，μ_４１，μ_４２，μ_４３，μ_４４｝である。

これにより、特徴波形の全体的な傾向と局所的な傾向の両方の特徴を考慮した特徴量の比較が可能になる。１つの特徴波形を時分割し、夫々の分割区間の代表値を算出した特徴量の数がＮ個（Ｎは１以上の自然数）であるとすると、学習に用いる全体の特徴量の数はＭ×Ｎ個となる。例えば、信号処理パターンの数がＭ＝８、分割数として図５に示すように1分割（分割なし）、２分割、及び４分割の３種類の分割数を用いた場合、Ｎ＝１＋２＋４＝７となり、センサ毎の全体の特徴量の数はＭ×Ｎ＝８×７＝５６個となる。

一連の動作区間の切り出し方法は、特に限定されない。一連の動作区間は、注目している動作、或いは、推定しようとする動作種別に応じて決定して切り出せば良い。以下に、様々な種別の動作に応じて利用できる一連の動作区間の切り出し方法の一例を説明する。

例えば、一定以上の大きな動きを伴うような計測対象者の動作の場合には、３軸加速度センサから得られる３軸加速度データのノルムを図１に示すように算出すると共に、３軸ジャイロセンサから得られる３軸角速度データのノルムを図２に示すように算出して、算出されたノルムの平均的な大きさ、分散等が一定以上の区間を、一連の動作区間として切り出すことができる。

また、計測対象者の荷物の持ち上げ動作のように、重力方向への運動を伴うような動作の場合には、図３に示すように３軸加速度データからセンサデバイスの重力方向に対する傾きを推定できるため、例えば傾きの変化が一定以上になったタイミング（例えば、傾きの変化量の差分が極値をとるタイミング）を計測対象者の動作の開始タイミングとして検出し、傾きが変化しない状態が一定時間以上となったタイミングを終了タイミングとして検出することができる。従って、動作の開始タイミングから終了タイミングまでの区間を、一連の動作区間として切り出すことができる。

更に、気圧センサを利用することで、気圧データの変化から高度変化量に関する情報を得ることができ、図４に示すように高度変化量の差分の一例である気圧２階差分が一定以上になったタイミングから重力方向に関して計測対象者の運動の方向が変わった（即ち、降下から上昇、又は、上昇から降下に変化した）タイミングを検出できる。重力方向に関して計測対象者の運動の方向が変わったタイミングを、一連の動作区間の切り出しのタイミングとして利用できる。

また、計測対象者が様々な種別の動作が行う状況を想定すると、注目している動作、或いは、推定しようとする動作と似ているが種別の異なる動作が行われる可能性がある。似ている動作同士では、同じ動作区間の切り出し条件を満たしてしまう可能性がある。しかし、誤った推定モデルを利用して推定した計測対象者の動作状態の一例である身体姿勢の信頼性は低い。このため、計測対象者の動作種別を識別することで、正しい推定モデルを選択するか、推定モデルが存在しない場合には身体姿勢を推定しないといった処理を行うことが望ましい。

（動作状態推定装置）
図６は、一実施例における動作状態推定装置の一例を示す機能ブロック図である。図６に示す動作状態推定装置１０は、センサデバイス１１、計測データ取得部１２、バッファリング部１３、動作区間切り出し部１４、特徴量算出部１５、動作種別識別部１６、推定モデルデータベース１７、推定モデル選択部１８、及び姿勢推定部１９を有する。

センサデバイス１１は、例えば３軸加速度センサ、３軸ジャイロセンサ、気圧センサ、磁気センサ等の、１又は複数のモーションセンサを有する。この例では、センサデバイス１１は、計測対象者に装着されるウェアラブルデバイスの一部を形成するハードウェアデバイスである。なお、センサデバイス１１は、複数のモーションセンサが計測対象者に一体的に装着される単一のウェアラブルデバイスで形成されていても、複数のモーションセンサが計測対象者に別々に装着される２以上の別々のウェアラブルデバイスで形成されていても良い。

一方、計測データ取得部１２、バッファリング部１３、動作区間切り出し部１４、特徴量算出部１５、動作種別識別部１６、推定モデル選択部１８、及び姿勢推定部１９の処理は、後述するコンピュータにより実行可能である。推定モデルデータベース１７は、例えば後述する記憶装置に記憶される。

計測データ取得部１２は、センサデバイス１１の１又は複数のモーションセンサから出力されたセンサデータを取得する。バッファリング部１３は、モーションセンサ毎に取得したセンサデータを記憶装置にバッファリングする。センサデータをバッファリングする記憶装置は、推定モデルデータベース１７を記憶する記憶装置であっても、別の記憶装置であっても良い。動作区間切り出し部１４は、記憶装置にバッファリングされたセンサデータに基づき、計測対象者の動作の開始タイミングから終了タイミングまでの区間を、例えば上記のいずれかの方法に従って一連の動作区間として切り出す。

特徴量算出部１５は、モーションセンサ毎のセンサデータに対して、例えば図１乃至図４と共に説明した信号処理パターンを適用し、動作区間切り出し部１４が切り出した動作区間内でモーションセンサ毎のセンサデータの特徴波形を算出する。また、特徴量算出部１５は、モーションセンサ毎に、複数種類の分割数の場合について一連の動作区間を時分割した各分割区間で算出した代表値を並べた特徴量（即ち、特徴ベクトル）を、動作種別識別部１６及び姿勢推定部１９に供給する。動作種別識別部１６は、特徴量算出部１５が算出したモーションセンサ毎のセンサデータの特徴量に基づき、例えばセンサ毎に予め用意された動作種別毎の特徴量のテンプレートとの類似度に応じて動作種別を識別する。動作種別毎の特徴量のテンプレートは、例えば各動作種別について個々の計測対象者にかかわらず共通的となる分割区間の特徴量を含むことで、動作種別識別部１６が記憶装置に記憶されたテンプレートを参照して類似した特徴量の動作種別を識別できる。動作種別識別部１６は、識別した動作種別を推定モデル選択部１８に供給する。

推定モデル選択部１８は、動作種別識別部１６がモーションセンサ毎のセンサデータの特徴量について識別した動作種別に応じて、推定モデルデータベース１７に記憶されている動作種別の推定モデルを選択する。推定モデル選択部１８は、選択した動作種別の推定モデルを姿勢推定部１９に供給する。姿勢推定部１９は、特徴量算出部１５が算出したモーションセンサ毎のセンサデータの特徴量と、推定モデル選択部１８が選択した動作種別の推定モデルの特徴量を後述する方法で比較し、比較の結果に応じて計測対象者の動作状態の一例である、計測対象者の姿勢を推定して出力する。

姿勢推定部１９は、例えば次式に基づき、モーションセンサ毎のセンサデータの特徴量について計測対象者の姿勢θを推定することができる。

上記の式中、ａ_１，ａ_２，...，ａ_ｍは、ｍ種類の特徴波形毎の重みを表すパラメータベクトルであり、ｂは、切片パラメータである。また、ｘ_１，ｘ_２，...，ｘ_ｎは、ｎ種類の分割数を用いる場合の夫々の代表値を表す特徴ベクトルである。この例では、特徴ベクトルｘ_１は例えば図５に示す１分割の場合の代表値μ_１１、ｘ_２，特徴ベクトルｘ_３は例えば図５に示す２分割の場合の代表値μ_２１，μ_２２、特徴ベクトルｘ_４，ｘ_５，ｘ_６，ｘ_７は例えば図５に示す４分割の場合の代表値μ_４１，μ_４２，μ_４３，μ_４４で夫々表される。各特徴ベクトルｘ_１，ｘ_２，...，ｘ_ｎは、例えば標準化して平均を０、分散を１として上記の式に入力しても良く、各分割数の場合に各種類の特徴波形が共通的となる少なくとも１つの分割区間の代表値を用いれば良い。

上記バッファリング部１３が用いる記憶装置は、計測対象者の一部に装着されたセンサデバイス１１が有する少なくとも１つのセンサからのセンサデータを記憶する記憶手段の一例を形成する。動作区間切り出し部１４は、記憶手段に記憶されたセンサデータから、推定しようとする計測対象者の対象動作のうち個々の計測対象者にかかわらず共通的な動作部分を含む、計測対象者の動作区間内のセンサデータを切り出し、切り出したセンサデータを複数の信号処理パターンで処理した複数の特徴波形を各センサについて算出する第１の算出手段の一例を形成する。特徴量算出部１５は、一連の動作区間を、分割数１を含む複数種類の分割数で時間的に等分割し、分割された各分割区間における複数の特徴波形の代表値を各センサについて算出する第２の算出手段の一例である。動作種別識別部１６、推定モデル選択部１８及び姿勢推定部１９は、対象動作に共通的な分割区間における代表値と、予め学習済みの対象動作の推定モデルを、各センサについて比較し、比較の結果に基づき計測対象者の動作状態を推定する推定手段の一例を形成する。

上記の推定手段において、動作種別識別部１６は、各センサの代表値を並べた特徴量に基づき、センサ毎に予め用意された動作種別毎の特徴量のテンプレートとの類似度に応じて動作種別を識別する識別手段の一例を形成する。また、推定モデル選択部１８は、識別した動作種別に応じて、推定モデルデータベース１７に記憶されている動作種別の推定モデルを選択する選択手段の一例を形成する。更に、姿勢推定部１９は、各センサの代表値を並べた特徴量と、選択した動作種別の推定モデルの特徴量を比較し、比較の結果に応じて計測対象者の動作状態を推定して出力する手段の一例を形成する。

ここでは説明の便宜上、センサデバイス１１は、３軸加速度センサと３軸ジャイロセンサを含み、これらのセンサからのセンサデータに基づき、計測対象者の動きの大きさ、回転速度、及び重力方向に対する傾きを推定する場合を例に説明する。また、計測対象者がしゃがんで荷物を持ち上げる時の姿勢を推定するのに有効と考えられる特徴量の例を説明する。このような計測対象者の動作の場合、全体の動きの激しさの推定は、図１に示す加速度ノルムを１分割とした場合に、持ち上げ動作で例えば胸部又は腰部の加速度ノルムが共通的となる全体的な傾向を表す代表値μ_１１を用いることが有効であり、代表値μ_１１はこの持ち上げ動作に対して有意な加速度ノルムの情報である。また、計測対象者がしゃがみ始める時の回転速度の推定は、図２に示す角速度ノルムを２分割とした場合に、持ち上げ動作で例えば腕部の角速度ノルムが共通的となる前半の分割区間の局所的な傾向を表す代表値μ_２１を用いることが有効であり、代表値μ_２１はこの持ち上げ動作に対して有意な角速度ノルムの情報である。更に、計測対象者が荷物を持ち上げる直前の腕部の重力方向に対する角度の推定は、図３に示す重力方向に対する傾きの変化を４分割とした場合に、持ち上げ動作で例えば腕部の重力方向に対する傾きの変化が共通的となる最後の分割区間の局所的な傾向を表す代表値μ_４４を用いることが有効であり、代表値μ_４４はこの持ち上げ動作に対して有意な重力方向に対する角度の情報である。

このように、計測対象者の各動作種別に対して、モーションセンサ毎のセンサデータから信号処理パターン毎に算出した特徴波形中、個々の計測対象者にかかわらず共通的となる分割区間の特徴量を算出しておくことで、共通的な動作部分に重み付けをして動作状態の推定に利用することができる。つまり、計測対象者の各動作種別に対して、一連の動作区間中の共通的な分割区間に着目した特徴量の比較が行え、共通的な分割区間の限られた特徴量を利用するにもかかわらず、計測対象者の動作状態を正確に推定できる。

なお、後述するように、パラメータベクトルａ_１，ａ_２，...，ａ_ｍを一定未満とする条件の下、モーションセンサ毎のセンサデータの特徴量（又は、姿勢データ）と教師特徴量（又は、教師姿勢データ）の誤差が所定未満となるようにパラメータベクトルａ_１，ａ_２，...，ａ_ｍを最適化することが望ましい。

なお、計測対象者に装着されるウェアラブルデバイスは、センサデバイス１１に加え、少なくとも計測データ取得部１２、バッファリング部１３、動作区間切り出し部１４、及び特徴量算出部１５の機能を備えても良い。この場合、ウェアラブルデバイスは、センサデバイス１１と、少なくとも計測データ取得部１２、バッファリング部１３、動作区間切り出し部１４、及び特徴量算出部１５の処理を実行するコンピュータの組み合わせにより形成可能である。

図７は、コンピュータのハードウェア構成の一例を示すブロック図である。図７に示すコンピュータ１００は、プロセッサの一例であるＣＰＵ（Central Processing Unit）１０１と、記憶装置の一例であるメモリ１０２と、入力装置１０３と、表示装置１０４と、インタフェース１０５がバス１０６を介して接続された構成を有する。なお、コンピュータ１００は、各部がバス１０６で接続された構成に限定されない。

ＣＰＵ１０１は、メモリ１０２に記憶された各種プログラムを実行し、後述する動作種別識別処理、動作状態推定処理、推定関数学習処理、推定モデルの学習処理等の各種処理を実行する。メモリ１０２は、各種プログラム、各種データ等を記憶する。メモリ１０２は、ＵＳＢ（Universal Serial Bus）メモリ等の可搬型記録媒体、フラッシュメモリ等の半導体記憶装置、磁気記録媒体、ＣＤ−ＲＯＭ（Compact Disk-Read Only Memory）、ＤＶＤディスク（Digital Versatile Disk）等の光記録媒体、光磁気記録媒体等のコンピュータ読取可能な記録媒体により形成可能である。なお、メモリ１０２にディスク等の磁気記録媒体、光記録媒体又は光磁気記録媒体を用いる場合、記録媒体は、ディスクドライブ等のドライブにロードされ、ドライブによりプログラム等を記録媒体から読み出し、必要に応じて記録媒体にデータ等を書き込む。

入力装置１０３は、コンピュータ１００にコマンド、データ等を入力する際にユーザが操作するキーボード等で形成可能である。表示装置１０４は、生体認証結果等のユーザへのメッセージを表示する。入力装置１０３及び表示装置１０４は、タッチパネル等のように一体的に設けられていても良く、説明の便宜上、以下ではタッチパネルを用いる場合を例に説明する。インタフェース１０５は、コンピュータ１００を後述する携帯端末、サーバ等の外部装置（図示せず）へ接続可能な送受信装置の一例である。コンピュータ１００と外部装置との間の通信は、有線通信、無線通信、又は、有線通信と無線通信の組み合わせであっても良い。

コンピュータ１００が例えば図６に示す動作状態推定装置１０を形成する場合、センサデバイス１１の各モーションセンサは、バス１０６に接続されても、ＣＰＵ１０１に直接接続されても、入力装置１０３に含まれても、インタフェース１０５に接続されても良い。この場合、入力装置１０３を省略しても、表示装置１０４を省略しても良い。ＣＰＵ１０１は、メモリ１０２に格納されたプログラムを実行して、計測データ取得部１２、バッファリング部１３、動作区間切り出し部１４、特徴量算出部１５、動作種別識別部１６、推定モデル選択部１８、及び姿勢推定部１９の各処理を実行可能である。また、メモリ１０２は、推定モデルデータベース１７が記憶される記憶装置を形成しても良い。

また、コンピュータ１００は、後述する携帯端末、サーバ等の外部装置を形成しても良い。

（支援システム）
図８は、支援システムの一例を示すブロック図である。図８に示す支援システム２０は、センサデバイス１１と、姿勢推定装置２１と、推定データ履歴データベース２２と、支援方法決定装置２３と、情報提示デバイス２４を有する。姿勢推定装置２１は、例えば図６に示す計測データ取得部１２、バッファリング部１３、動作区間切り出し部１４、特徴量算出部１５、動作種別識別部１６、推定モデル選択部１８、及び姿勢推定部１９の各処理を実行可能である。姿勢推定装置２１が推定した計測対象者の姿勢のデータの履歴（以下、「推定データ履歴」とも言う）は、蓄積されて推定データ履歴データベース２２に記憶される。支援方法決定装置２３は、推定データ履歴データベース２２に記憶された推定データ履歴に基づき、計測対象者の特定の姿勢の連続持続時間、特定の姿勢の合計時間、特定の姿勢グループ（又は、特定の動作種別）に属する姿勢の合計時間等のうち少なくとも１つの時間情報を含む、計測対象者への負荷に依存する情報に応じて、例えば負荷が一定以上となる計測対象者に注意、警告等の情報を発行して計測対象者の作業等を支援する。支援方法決定装置２３が発行した情報は、情報提示デバイス２４に供給されて計測対象者に提示される。姿勢推定装置２１及び支援方法決定装置２３は、例えば同じコンピュータ１００、又は、互いに異なるコンピュータ１００により形成可能である。推定データ履歴データベース２２は、例えばメモリ１０２等の記憶装置に記憶される。情報提示デバイス２４は、例えば表示装置１０４により形成可能である。この場合、支援方法決定装置２３が発行した情報は、表示装置１０４に表示可能である。なお、情報提示デバイス２４は、計測対象者に情報を提示可能であれば、支援方法決定装置２３が発行した情報を音声出力する出力装置（例えば、スピーカ）等で形成されていても良いことは、言うまでもない。このようにして、支援システム２０は、姿勢推定装置２１が推定した計測対象者の推定データ履歴を用いて、計測対象者の見守り、評価等を行うサービスを提供できる。

支援方法決定装置２３は、推定データ履歴データベース２２に記憶された履歴に基づき、計測対象者の特定の姿勢の連続持続時間、特定の姿勢の合計時間、及び特定の動作種別に属する姿勢の合計時間のうち少なくとも１つの時間情報を含む、計測対象者への負荷に依存する情報に応じて、負荷が一定以上となる計測対象者に注意又は警告の情報を発行して計測対象者の作業等を支援する支援手段の一例を形成する。

計測対象者の身体姿勢を推定するために、モーションキャプチャ等の直接的な観測手段を用いる方法の場合、身体姿勢を高精度に推定できるが、例えば計測対象者の腕の移動方向等の、観測したい情報を直接観測しなければならないため、観測が可能となる環境は多くの制約を受ける。また、観測者（即ち、人）が計測対象者を観測するのでは、観測できる範囲が限られるため、観測が可能となる環境が多くの制約を受ける。更に、これらの観測方法を用いる場合、動作状態推定装置のコストや観測者を確保するコストが増大してしまう。

これに対し、上記の支援システムでは、直接的な観測手段を用いる場合に比べると精度が多少低下するものの、計測対象者の身体姿勢等の観測したい情報（即ち、動作状態）は、計測対象者の身体の一部に装着されたウェアラブルデバイスのモーションセンサからのセンサデータを利用して、計測対象者の身体の一部の動きの時系列的な計測情報の一例である特徴量から算出する。このため、上記の支援システムでは、観測が可能となる環境が多くの制約を受けることはなく、また、人手に頼ることなく、常時計測対象者を観測できる。つまり、上記の支援システムでは、計測対象者の身体姿勢を安価、且つ、高精度に推定した観測結果に基づき、計測対象者の見守り、評価等を行うサービスを提供できる。

例えば、計測対象者の持ち上げ動作における身体負荷の把握のために、持ち上げ姿勢を身体の各部位の角度等の連続的な状態量として推定し、例えば姿勢の悪さの評価値を積算しても良い。この場合、評価値が一定以上になると自動的に計測対象者に休憩を勧めたり、改善を促したり、評価値が一定以上となった計測対象者を例えば過去の指導履歴等の条件に応じて更に絞り込んでから指導する等の支援が可能になる。

（動作状態推定処理）
次に、計測対象者の荷物の持ち上げ動作の姿勢を推定する場合の処理を、動作状態推定処理の一例として説明する。図９は、荷物の持ち上げ動作の姿勢を推定する処理の一例を説明する図であり、図１０は、計測対象者の姿勢を表す角度の一例を説明する図である。

図９に示す例では、複数のモーションセンサが計測対象者８００に別々に装着される２個の別々のウェアラブルデバイス８１１，８１２に設けられている。ウェアラブルデバイス８１１は、例えば計測対象者８００が着用している洋服の胸ポケット等の、洋服の一部に装着される。一方、ウェアラブルデバイス８１２は、例えば計測対象者８００の手首等の部位に装着される。各ウェアラブルデバイス８１１，８１２が有するモーションセンサの数及び種類は、特に限定されないので、計測対象者８００の動作状態の一例である姿勢は、ウェアラブルデバイス８１１，８１２のうち少なくとも一方からのセンサデータに基づいて推定すれば良い。この例では、ウェアラブルデバイス８１１は、例えば計測対象者８００の腰部または胸部の加速度ノルムを求めるのに用いる３軸加速度センサを有する。また、ウェアラブルデバイス８１２は、例えば計測対象者８００の腕部の角速度ノルムと腕部の重力方向に対する傾きの変化を求めるのに用いる３軸ジャイロセンサ及び３軸加速度センサを有する。持ち上げ動作では、計測対象者８００が床上や台上に置いた荷物８１０にアプローチしてから持ち上げるまでの一連の動作区間中、計測対象者８００の身体への負荷が比較的高くなる。そこで、この例では、計測対象者８００による荷物８１０の持ち上げ始めのタイミングにおける計測対象者８００の身体姿勢を推定する場合について説明する。

推定する計測対象者８００の姿勢θは、例えば図１０に示すように、計測対象者８００が床Ｇ上に置いた荷物８１０を持ち上げる際に計測対象者８００を横から見た際の腰部の重力方向に対する傾き角度θ₁、肘の屈曲角度θ₂、腕部の重力方向に対する傾き角度のθ₃の３つの角度等の角度情報で表すことができる。

（学習処理）
図１１は、推定関数学習処理の一例を説明する図である。図１１において、推定関数学習処理は、図６に示す機能ブロックと同様の機能ブロックにより実行できると共に、図７に示すＣＰＵ１０１がメモリ１０２に記憶されたプログラムを実行することにより実行可能であるため、簡略化して図示されてする。なお、図１１では、学習時の処理の流れを太い実線の矢印で示し、運用時の処理の流れを細い実線の矢印で示す。

計測対象者８００の姿勢を推定するための推定モデルについては、事前に複数人の計測対象者が様々な姿勢で荷物８１０の持ち上げ動作を行った場合に取得したデータセットから学習した推定モデルを用いる。具体的には、計測対象者８００の荷物８１０へのアプローチと荷物８１０の持ち上げ時の計測対象者８００の上下の動きを検出する。また、計測対象者８００が荷物８１０を持ち上げる際の一連の動作区間を切り出し、切り出した一連の動作区間内のセンサデータから上記の如き特徴量を計算する。このような学習時の処理を、複数の計測対象者について実行する。

教師となる動作状態データの一例である、教師となる姿勢データ（以下、「教師姿勢データ」とも言う）は、例えばモーションキャプチャ等で計測しても良いが、この例ではより簡易的な方法を用いて学習する。先ず、例えば計測対象者８００の腰、肩、肘、手首等の各着目部位に、図９に示す如きマーカ９００を付けておく。次に、計測対象者８００が荷物８１０を持ち上げる時の姿勢の画像をカメラ（図示せず）で横から撮影し、教師姿勢データを作成する、例えば動作状態推定装置と同様の構成を有する教師データ作成装置（図示せず）に入力する。教師データ作成装置は、例えば図７に示すコンピュータ１００により形成可能であり、この場合、カメラは入力装置１０３に含まれていても良い。次に、教師データ作成装置の操作者は、教師データ作成装置のグラフィカルユーザインタフェース（ＧＵＩ：Graphical User Interface）上で、撮影画像中、計測対象者８００の各着目部位（例えば、腰、肩、肘、手首等）に付けられたマーカ９００の位置を、例えば入力装置１０３に含まれるマウス等により目視でクリックする。このクリック操作により、教師データ作成装置に撮影画像上の、計測対象者８００の各着目部位の位置を示すデータを教示できる。従って、教師データ作成装置は、上記の如き処理で計算した特徴量と教示されたデータを含むデータセットに基づいて、計測対象者８００の姿勢θの教師姿勢データを表す図１０に示す３つの角度θ_１，θ_２，θ_３を算出することができる（ステップＳＴ１）。

教師データ作成装置は、図６と共に説明した場合と同様に、例えば計測対象者８００の上下の動きから、計測対象者８００の一連の動作区間を切り出し（ステップＳＴ２）、動作区間内の特徴量をモーションセンサ毎のセンサデータに対して算出する（ステップＳＴ３）。また、教師データ作成装置は、モーションセンサ毎のセンサデータから算出した特徴量と教師姿勢データの関係を推定する推定関数（１つの角度に対して１つの関数）のパラメータを、例えばラッソ回帰方式で学習する（ステップＳＴ４）。推定関数の形式は、特に限定されないが、例えばθ_ｉ＝ａ_ｉ'ｘ＋ｂ_ｉのような線形形式の推定関数を利用しても良い。ここで、ａ_ｉはパラメータベクトル、ｂ_ｉは切片パラメータ、ｘは特徴ベクトルを表す。ラッソ回帰方式を採用することで、推定姿勢と教師姿勢の誤差を小さくするパラメータベクトルａ_ｉと切片パラメータｂ_ｉを学習できる。

この場合、ＣＰＵ１０１は、各センサからのセンサデータから算出した代表値と教師データの関係を推定する推定関数θ_ｉ＝ａ_ｉ'ｘ＋ｂ_ｉに基づき、推定された動作状態と教師動作状態の誤差を小さくするパラメータベクトルａ_ｉと切片パラメータｂ_ｉを学習する学習手段の一例を形成する。

これにより、動作状態推定装置の運用時の姿勢推定処理では、学習時の推定関数学習処理の場合と同様に、計測対象者８００の動作区間の切り出し（ステップＳＴ２）と特徴量の算出（ステップＳＴ３）を行い、計測対象者８００の持ち上げ姿勢を表す３つの角度夫々に関する、学習時に学習済みのパラメータを含む推定関数を太い破線の矢印で示すように取得し、推定関数に特徴量を入力して３つの角度を算出することで、運用時の計測対象者８００の姿勢を推定する（ステップＳＴ５）。運用時の姿勢推定処理では、上記の如きモーションセンサ以外の検出器、検出装置等からの計測情報を用いることなく、当該モーションセンサからのセンサデータに基づき計測対象者８００の姿勢を推定することができる。

図１２は、推定モデルの学習処理の一例を説明するフローチャートである。図１２では、図１１に示す推定関数学習処理を含む、推定モデルの学習処理をより詳細に示す。図１２に示す推定モデルの学習処理は、例えば図７に示すＣＰＵ１０１がメモリ１０２に記憶されたプログラムを実行することにより実行可能である。

図１２において、ステップＳ１では、ＣＰＵ１０１が、モーションセンサからの学習用のセンサデータと、図１１に示すステップＳＴ１で算出した教師姿勢データを読み込む。ステップＳ２では、ＣＰＵ１０１が、学習用のセンサデータから計測対象者８００の一連の動作区間を図１１に示すステップＳＴ２と同様に切り出す。ステップＳ３では、ＣＰＵ１０１が、切り出した動作区間内の特徴波形を、リスト化された各信号処理パターンを適用して算出する。ステップＳ４では、ＣＰＵ１０１が、各特徴波形を時分割し、分割した各分割区間から計算した代表値を並べた特徴ベクトル、即ち、特徴量を、図１１に示すステップＳＴ３と同様に算出する。ステップＳ５では、ＣＰＵ１０１が、特徴量と対応する教師姿勢データでデータセットを形成する。ステップＳ６では、ＣＰＵ１０１が、全ての学習用センサデータの処理が完了したか否かを判定し、判定結果がＮＯであると処理はステップＳ１へ戻る。

一方、ステップＳ６の判定結果がＹＥＳであると、ステップＳ７では、ＣＰＵ１０１が、全てのデータセットの特徴量と対応する教師姿勢データの関係を推定する推定関数（１つの角度に対して１つの関数）のパラメータを、例えばラッソ回帰方式で図１１に示すステップＳＴ４と同様に、教師姿勢の各角度毎に学習する。ステップＳ８では、ＣＰＵ１０１が、学習した各推定関数のパラメータを例えば図７に示すメモリ１０２に記憶することで保存し、処理は終了する。

（姿勢推定処理）
図１３は、姿勢推定処理の一例を説明するフローチャートである。図１３に示す姿勢推定処理は、例えば図７に示すＣＰＵ１０１がメモリ１０２に記憶されたプログラムを実行することにより実行可能である。

図１３において、ステップＳ１１では、ＣＰＵ１０１が、センサデータをバッファリングして、一定時間範囲のセンサデータを同時に処理可能にメモリ１０２等に記憶する。ステップＳ１２では、ＣＰＵ１０１が、バッファリングしたセンサデータから、計測対象者８００の一連の動作区間を特定して切り出す。ステップＳ１３では、ＣＰＵ１０１が、切り出した動作区間内の特徴波形を、リスト化された各信号処理パターンを適用して算出する。ステップＳ１４では、ＣＰＵ１０１が、各特徴波形を時分割し、分割した各分割区間から計算した代表値を並べた特徴ベクトル、即ち、特徴量を算出する。ステップＳ１５では、ＣＰＵ１０１が、学習時に学習済みのパラメータを含む推定関数に特徴量を入力して上記３つの角度θ_１，θ_２，θ_３を算出することで、運用時の計測対象者８００の姿勢を推定し、処理は終了する。

（動作状態推定装置の構成例）
図１４は、動作状態推定装置の第１の例を説明するブロック図である。図１４に示す第１の例では、動作状態推定システム１０−１は、ウェアラブルデバイス５１−１と、情報処理装置の一例である、スマート端末、或いは、サーバ（以下、「スマート端末／サーバ」とも言う）６１−１を有する。スマート端末６１−１は、例えばスマートフォン等の携帯端末である。また、サーバ６１−１は、例えば汎用のコンピュータである。ウェアラブルデバイス５１−１と、スマート端末／サーバ６１−１との間では、有線通信、無線通信、又は、有線通信と無線通信の組み合わせを用いて周知の方法で通信可能である。

ウェアラブルデバイス５１−１は、センサデバイス１１、動作区間切り出し演算部５１２、特徴量計算部５１３、推定処理計算部５１４、及び推定モデルと推定結果を記憶する記憶装置５１５を含むハードウェア構成を有する。なお、推定モデルと推定結果は、別々の記憶装置に記憶しても良い。ウェアラブルデバイス５１−１のセンサデバイス１１を除く部分は、プロセッサ、メモリ等を備えた周知の構成を有しても良く、この場合、プロセッサが動作区間切り出し演算部５１２、特徴量計算部５１３、及び推定処理計算部５１４の処理を実行可能である。また、記憶装置５１５は、ウェアラブルデバイス５１−１のメモリで形成しても良い。

一方、スマート端末／サーバ６１−１は、プロセッサ、メモリ等を備えた周知の構成に加え、推定結果を記憶する記憶装置６１１を有する外部装置の一例である。なお、記憶装置６１１は、スマート端末／サーバ６１−１のメモリで形成されていても良い。スマート端末／サーバ６１−１は、ウェアラブルデバイス５１−１と周知の方法で通信して記憶装置５１５にアクセス可能である。

この第１の例では、ウェアラブルデバイス５１−１が計測対象者８００の動作状態を推定する処理までを実行し、推定結果をスマート端末／サーバ６１−１に保存する。このため、この例ではウェアラブルデバイス５１−１は、動作状態推定装置を形成可能である。また、スマート端末／サーバ６１−１が介在することなく、推定結果をウェアラブルデバイス５１−１のタッチパネルに表示することが可能となる。

図１５は、動作状態推定装置の第２の例を説明するブロック図である。図１５中、図１４と同一部分には同一符号を付し、その説明は省略する。図１５に示す第２の例では、動作状態推定システム１０−２は、ウェアラブルデバイス５１−２と、情報処理装置の一例である、スマート端末、或いは、サーバ（以下、「スマート端末／サーバ」とも言う）６１−２を有する。スマート端末６１−２は、例えばスマートフォン等の携帯端末である。また、サーバ６１−２は、例えば汎用のコンピュータである。ウェアラブルデバイス５１−２と、スマート端末／サーバ６１−２との間では、有線通信、無線通信、又は、有線通信と無線通信の組み合わせを用いて周知の方法で通信可能である。

ウェアラブルデバイス５１−２は、センサデバイス１１、動作区間切り出し演算部５１２、及び特徴量計算部５１３を含むハードウェア構成を有する。ウェアラブルデバイス５１−２のセンサデバイス１１を除く部分は、プロセッサ、メモリ等を備えた周知の構成を有しても良く、この場合、プロセッサが動作区間切り出し演算部５１２及び特徴量計算部５１３の処理を実行可能である。

一方、スマート端末／サーバ６１−２は、推定処理計算部６１４、及び推定モデルと推定結果を記憶する記憶装置６１５を含むハードウェア構成を有する外部装置の一例である。なお、推定モデルと推定結果は、別々の記憶装置に記憶しても良い。スマート端末／サーバ６１−２は、プロセッサ、メモリ等を備えた周知の構成を有しても良く、この場合、プロセッサが推定処理計算部６１４の処理を実行可能である。また、記憶装置６１５は、スマート端末／サーバ６１−２のメモリで形成していても良い。

この第２の例では、ウェアラブルデバイス５１−２が特徴量を計算する処理までを実行し、スマート端末／サーバ６１−２が計測対象者８００の動作状態を推定する処理を実行するので、処理を分散して負荷が比較的大きい推定処理計算部６１４の処理をスマート端末／サーバ６１−２側で実行することができる。このため、この例ではスマート端末／サーバ６１−２は、動作状態推定装置を形成可能である。また、スマート端末／サーバ６１−１が推定結果を計算するので、スマート端末／サーバ６１−２側で例えば複数の計測対象者の動作状態の推定結果を管理することが可能となる。更に、負荷が比較的小さい動作区間切り出し演算部５１２及び特徴量計算部５１３の処理をウェアラブルデバイス５１−２側で実行するので、スマート端末／サーバ６１−２のプロセッサと比べると比較的安価なプロセッサを用いてウェアラブルデバイス５１−２を形成可能である。

上記の各実施例によれば、計測対象者が動作中のあるタイミングにおける身体姿勢を推定する際に、計測対象者の身体の一部に装着されたモーションセンサからのセンサデータを用いる。このため、個別の動作に対する他種類の特徴量を予め設計しておくことなく、実際に活動中の計測対象者の身体姿勢を高精度に推定することができる。

また、上記の各実施例によれば、センサデータを、一連の動作区間中のある分割区間に着目して推定モデルと比較することができる。このため、共通的な動作部分が現れる区間を重点にした比較ができるため、計測対象者の身体姿勢をより正確に推定できる。

従って、上記の各実施例によれば、計測対象の動作状態を高精度に推定することができる。

以上の実施例を含む実施形態に関し、更に以下の付記を開示する。
（付記１）
計測対象の一部に装着されたセンサデバイスが有する少なくとも１つのセンサからのセンサデータを記憶する記憶手段と、
前記記憶手段に記憶された前記センサデータから、推定しようとする前記計測対象の対象動作のうち個々の計測対象にかかわらず共通的な動作部分を含む、前記計測対象の動作区間内のセンサデータを切り出し、切り出したセンサデータを複数の信号処理パターンで処理した複数の特徴波形を各センサについて算出する第１の算出手段と、
前記動作区間を、分割数１を含む複数種類の分割数で時間的に等分割し、分割された各分割区間における前記複数の特徴波形の代表値を各センサについて算出する第２の算出手段と、
前記対象動作に共通的な分割区間における代表値と、予め学習済みの前記対象動作の推定モデルを、各センサについて比較し、比較の結果に基づき前記計測対象の動作状態を推定する推定手段と、
を備えたことを特徴とする、動作状態推定装置。
（付記２）
前記推定手段は、
各センサの代表値を並べた特徴量に基づき、センサ毎に予め用意された動作種別毎の特徴量のテンプレートとの類似度に応じて動作の種別を識別する識別手段と、
識別した動作種別に応じて、推定モデルデータベースに記憶されている動作種別の推定モデルを選択する選択手段と、
各センサの代表値を並べた前記特徴量と、選択した動作種別の推定モデルの特徴量を比較し、比較の結果に応じて前記計測対象の動作状態を推定して出力する手段と、
を有することを特徴とする、付記１記載の動作状態推定装置。
（付記３）
各分割区間における前記代表値は、各分割区間における各特徴波形の最大値、最小値、及び平均値のいずれかであることを特徴とする、付記１又は２記載の動作状態推定装置。
（付記４）
前記センサデバイスは、３軸加速度センサと、３軸ジャイロセンサと、気圧センサを有し、
前記複数の信号処理パターンは、
前記３軸加速度センサからの前記動作区間内のセンサデータから加速度ノルムの特徴波形を算出する第１のパターンと、
前記３軸ジャイロセンサからの前記動作区間内のセンサデータから角速度ノルムの特徴波形を算出する第２のパターンと、
前記３軸加速度センサからの前記動作区間内の前記センサデータから重力方向に対する傾きの変化の特徴波形を算出する第３のパターンと、
前記気圧センサからの前記動作区間内のセンサデータから気圧２階差分の特徴波形を算出する第４のパターンのうち、２以上のパターンを含むことを特徴とする、付記１乃至３のいずれか１項記載の動作状態推定装置。
（付記５）
パラメータベクトルをａ_ｉ、切片パラメータをｂ_ｉ、前記代表値が示す特徴ベクトルをｘで表すと、各センサからのセンサデータから算出した前記代表値と教師データの関係を推定する推定関数θ_ｉ＝ａ_ｉ'ｘ＋ｂ_ｉに基づき、推定された前記動作状態と教師動作状態の誤差を小さくするパラメータベクトルａ_ｉと切片パラメータｂ_ｉを学習する学習手段
を更に備えたことを特徴とする、付記１乃至４のいずれか１項記載の動作状態推定装置。
（付記６）
推定した前記計測対象の動作状態の履歴を蓄積するデータベースと、
前記データベースに記憶された前記履歴に基づき、前記計測対象の特定の姿勢の連続持続時間、前記特定の姿勢の合計時間、及び特定の動作種別に属する姿勢の合計時間のうち少なくとも１つの時間情報を含む、前記計測対象への負荷に依存する情報に応じて、負荷が一定以上となる前記計測対象に注意又は警告の情報を発行して前記計測対象の作業等を支援する支援手段と、
を更に備えたことを特徴とする、付記１乃至５のいずれか１項記載の動作状態推定装置。
（付記７）
計測対象の一部に装着されたセンサデバイスが有する少なくとも１つのセンサからのセンサデータを記憶装置に記憶し、
前記記憶装置に記憶された前記センサデータから、推定しようとする前記計測対象の対象動作のうち個々の計測対象にかかわらず共通的な動作部分を含む、前記計測対象の動作区間内のセンサデータを切り出し、切り出したセンサデータを複数の信号処理パターンで処理した複数の特徴波形を各センサについて算出し、
前記動作区間を、分割数１を含む複数種類の分割数で時間的に等分割し、分割された各分割区間における前記複数の特徴波形の代表値を各センサについて算出し、
前記対象動作に共通的な分割区間における代表値と、予め学習済みの前記対象動作の推定モデルを、各センサについて比較し、比較の結果に基づき前記計測対象の動作状態を推定する、
処理を動作状態推定装置のプロセッサが実行することを特徴とする、動作状態推定方法。
（付記８）
前記推定する処理は、
各センサの代表値を並べた特徴量に基づき、センサ毎に予め用意された動作種別毎の特徴量のテンプレートとの類似度に応じて動作の種別を識別し、
識別した動作種別に応じて、推定モデルデータベースに記憶されている動作種別の推定モデルを選択し、
各センサの代表値を並べた前記特徴量と、選択した動作種別の推定モデルの特徴量を比較し、比較の結果に応じて前記計測対象の動作状態を推定して出力する、
処理を含むことを特徴とする、付記７記載の動作状態推定方法。
（付記９）
各分割区間における前記代表値は、各分割区間における各特徴波形の最大値、最小値、及び平均値のいずれかであることを特徴とする、付記７又は８記載の動作状態推定方法。
（付記１０）
前記センサデバイスは、３軸加速度センサと、３軸ジャイロセンサと、気圧センサを有し、
前記複数の信号処理パターンは、
前記３軸加速度センサからの前記動作区間内のセンサデータから加速度ノルムの特徴波形を算出する第１のパターンと、
前記３軸ジャイロセンサからの前記動作区間内のセンサデータから角速度ノルムの特徴波形を算出する第２のパターンと、
前記３軸加速度センサからの前記動作区間内の前記センサデータから重力方向に対する傾きの変化の特徴波形を算出する第３のパターンと、
前記気圧センサからの前記動作区間内のセンサデータから気圧２階差分の特徴波形を算出する第４のパターンのうち、２以上のパターンを含むことを特徴とする、付記７乃至９のいずれか１項記載の動作状態推定方法。
（付記１１）
パラメータベクトルをａ_ｉ、切片パラメータをｂ_ｉ、前記代表値が示す特徴ベクトルをｘで表すと、各センサからのセンサデータから算出した前記代表値と教師データの関係を推定する推定関数θ_ｉ＝ａ_ｉ'ｘ＋ｂ_ｉに基づき、推定された前記動作状態と教師動作状態の誤差を小さくするパラメータベクトルａ_ｉと切片パラメータｂ_ｉを学習する
処理を前記動作状態推定装置の前記プロセッサが更に実行することを特徴とする、付記７乃至１０のいずれか１項記載の動作状態推定方法。
（付記１２）
データベースに記憶された、推定した前記計測対象の動作状態の履歴に基づき、前記計測対象の特定の姿勢の連続持続時間、前記特定の姿勢の合計時間、及び特定の動作種別に属する姿勢の合計時間のうち少なくとも１つの時間情報を含む、前記計測対象への負荷に依存する情報に応じて、負荷が一定以上となる前記計測対象に注意又は警告の情報を発行して前記計測対象の作業等を支援する、
処理を前記動作状態推定装置の前記プロセッサが更に実行することを特徴とする、付記７乃至１１のいずれか１項記載の動作状態推定方法。
（付記１３）
前記動作状態推定装置は、前記センサデバイスを有し、外部装置と通信可能なウェアラブルデバイスで形成されていることを特徴とする、付記７乃至１２のいずれか１項記載の動作状態推定方法。
（付記１４）
前記複数の特徴波形を各センサについて算出する処理と、前記分割された各分割区間における前記複数の特徴波形の前記代表値を各センサについて算出する処理とは、前記センサデバイスを有し、外部装置と通信可能なウェアラブルデバイスのプロセッサが実行し、
前記動作状態を推定する処理は、前記外部装置のプロセッサが実行することを特徴とする、付記７乃至１２のいずれか１項記載の動作状態推定方法。
（付記１５）
計測対象の一部に装着されたセンサデバイスが有する少なくとも１つのセンサからのセンサデータを記憶装置に記憶し、
前記記憶装置に記憶された前記センサデータから、推定しようとする前記計測対象の対象動作のうち個々の計測対象にかかわらず共通的な動作部分を含む、前記計測対象の動作区間内のセンサデータを切り出し、切り出したセンサデータを複数の信号処理パターンで処理した複数の特徴波形を各センサについて算出し、
前記動作区間を、分割数１を含む複数種類の分割数で時間的に等分割し、分割された各分割区間における前記複数の特徴波形の代表値を各センサについて算出し、
前記対象動作に共通的な分割区間における代表値と、予め学習済みの前記対象動作の推定モデルを、各センサについて比較し、比較の結果に基づき前記計測対象の動作状態を推定する、
処理をコンピュータに実行させるためのプログラム。
（付記１６）
前記推定する処理は、
各センサの代表値を並べた特徴量に基づき、センサ毎に予め用意された動作種別毎の特徴量のテンプレートとの類似度に応じて動作の種別を識別し、
識別した動作種別に応じて、推定モデルデータベースに記憶されている動作種別の推定モデルを選択し、
各センサの代表値を並べた前記特徴量と、選択した動作種別の推定モデルの特徴量を比較し、比較の結果に応じて前記計測対象の動作状態を推定して出力する、
処理を含むことを特徴とする、付記１５記載のプログラム。
（付記１７）
各分割区間における前記代表値は、各分割区間における各特徴波形の最大値、最小値、及び平均値のいずれかであることを特徴とする、付記１５又は１６記載のプログラム。
（付記１８）
前記センサデバイスは、３軸加速度センサと、３軸ジャイロセンサと、気圧センサを有し、
前記複数の信号処理パターンは、
前記３軸加速度センサからの前記動作区間内のセンサデータから加速度ノルムの特徴波形を算出する第１のパターンと、
前記３軸ジャイロセンサからの前記動作区間内のセンサデータから角速度ノルムの特徴波形を算出する第２のパターンと、
前記３軸加速度センサからの前記動作区間内の前記センサデータから重力方向に対する傾きの変化の特徴波形を算出する第３のパターンと、
前記気圧センサからの前記動作区間内のセンサデータから気圧２階差分の特徴波形を算出する第４のパターンのうち、２以上のパターンを含むことを特徴とする、付記１５乃至１７のいずれか１項記載のプログラム。
（付記１９）
パラメータベクトルをａ_ｉ、切片パラメータをｂ_ｉ、前記代表値が示す特徴ベクトルをｘで表すと、各センサからのセンサデータから算出した前記代表値と教師データの関係を推定する推定関数θ_ｉ＝ａ_ｉ'ｘ＋ｂ_ｉに基づき、推定された前記動作状態と教師動作状態の誤差を小さくするパラメータベクトルａ_ｉと切片パラメータｂ_ｉを学習する
処理を前記動作状態推定装置の前記プロセッサが更に実行することを特徴とする、付記１５乃至１８のいずれか１項記載のプログラム。
（付記２０）
データベースに記憶された、推定した前記計測対象の動作状態の履歴に基づき、前記計測対象の特定の姿勢の連続持続時間、前記特定の姿勢の合計時間、及び特定の動作種別に属する姿勢の合計時間のうち少なくとも１つの時間情報を含む、前記計測対象への負荷に依存する情報に応じて、負荷が一定以上となる前記計測対象に注意又は警告の情報を発行して前記計測対象の作業等を支援する、
処理を前記動作状態推定装置の前記プロセッサが更に実行することを特徴とする、付記１５乃至１９のいずれか１項記載のプログラム。

以上、開示の動作状態推定装置、動作状態推定方法及びプログラムを実施例により説明したが、本発明は上記実施例に限定されるものではなく、本発明の範囲内で種々の変形及び改良が可能であることは言うまでもない。

１０ 動作状態推定装置
１１ センサデバイス
１２ 計測データ取得部
１３ バッファリング部
１４ 動作区間切り出し部
１５ 特徴量算出部
１６ 動作種別識別部
１７ 推定モデルデータベース
１８ 推定モデル選択部
１９ 姿勢推定部
５１−１，５１−２ ウェアラブルデバイス
６１−１，６１−２ スマート端末／サーバ
１００ コンピュータ
１０１ ＣＰＵ
１０２ メモリ
１０３ 入力装置
１０４ 表示装置
１０５ インタフェース
１０６ バス

Claims (8)

1. 計測対象の一部に装着されたセンサデバイスが有する少なくとも１つのセンサからのセンサデータを記憶する記憶手段と、
   前記記憶手段に記憶された前記センサデータから、推定しようとする前記計測対象の対象動作のうち個々の計測対象にかかわらず共通的な動作部分を含む、前記計測対象の動作区間内のセンサデータを切り出し、切り出したセンサデータを複数の信号処理パターンで処理した複数の特徴波形を各センサについて算出する第１の算出手段と、
   前記動作区間を、分割数１を含む複数種類の分割数で時間的に等分割し、分割された各分割区間における前記複数の特徴波形の代表値を各センサについて算出する第２の算出手段と、
   前記対象動作に共通的な分割区間における代表値と、予め学習済みの前記対象動作の推定モデルを、各センサについて比較し、比較の結果に基づき前記計測対象の動作状態を推定する推定手段と、
   を備えたことを特徴とする、動作状態推定装置。
2. 前記推定手段は、
   各センサの代表値を並べた特徴量に基づき、センサ毎に予め用意された動作種別毎の特徴量のテンプレートとの類似度に応じて動作の種別を識別する識別手段と、
   識別した動作種別に応じて、推定モデルデータベースに記憶されている動作種別の推定モデルを選択する選択手段と、
   各センサの代表値を並べた前記特徴量と、選択した動作種別の推定モデルの特徴量を比較し、比較の結果に応じて前記計測対象の動作状態を推定して出力する手段と、
   を有することを特徴とする、請求項１記載の動作状態推定装置。
3. 各分割区間における前記代表値は、各分割区間における各特徴波形の最大値、最小値、及び平均値のいずれかであることを特徴とする、請求項１又は２記載の動作状態推定装置。
4. 前記センサデバイスは、３軸加速度センサと、３軸ジャイロセンサと、気圧センサを有し、
   前記複数の信号処理パターンは、
   前記３軸加速度センサからの前記動作区間内のセンサデータから加速度ノルムの特徴波形を算出する第１のパターンと、
   前記３軸ジャイロセンサからの前記動作区間内のセンサデータから角速度ノルムの特徴波形を算出する第２のパターンと、
   前記３軸加速度センサからの前記動作区間内の前記センサデータから重力方向に対する傾きの変化の特徴波形を算出する第３のパターンと、
   前記気圧センサからの前記動作区間内のセンサデータから気圧２階差分の特徴波形を算出する第４のパターンのうち、２以上のパターンを含むことを特徴とする、請求項１乃至３のいずれか１項記載の動作状態推定装置。
5. パラメータベクトルをａ_ｉ、切片パラメータをｂ_ｉ、前記代表値が示す特徴ベクトルをｘで表すと、各センサからのセンサデータから算出した前記代表値と教師データの関係を推定する推定関数θ_ｉ＝ａ_ｉ'ｘ＋ｂ_ｉに基づき、推定された前記動作状態と教師動作状態の誤差を小さくするパラメータベクトルａ_ｉと切片パラメータｂ_ｉを学習する学習手段
   を更に備えたことを特徴とする、請求項１乃至４のいずれか１項記載の動作状態推定装置。
6. 推定した前記計測対象の動作状態の履歴を蓄積するデータベースと、
   前記データベースに記憶された前記履歴に基づき、前記計測対象の特定の姿勢の連続持続時間、前記特定の姿勢の合計時間、及び特定の動作種別に属する姿勢の合計時間のうち少なくとも１つの時間情報を含む、前記計測対象への負荷に依存する情報に応じて、負荷が一定以上となる前記計測対象に注意又は警告の情報を発行して前記計測対象の作業等を支援する支援手段と、
   を更に備えたことを特徴とする、請求項１乃至５のいずれか１項記載の動作状態推定装置。
7. 計測対象の一部に装着されたセンサデバイスが有する少なくとも１つのセンサからのセンサデータを記憶装置に記憶し、
   前記記憶装置に記憶された前記センサデータから、推定しようとする前記計測対象の対象動作のうち個々の計測対象にかかわらず共通的な動作部分を含む、前記計測対象の動作区間内のセンサデータを切り出し、切り出したセンサデータを複数の信号処理パターンで処理した複数の特徴波形を各センサについて算出し、
   前記動作区間を、分割数１を含む複数種類の分割数で時間的に等分割し、分割された各分割区間における前記複数の特徴波形の代表値を各センサについて算出し、
   前記対象動作に共通的な分割区間における代表値と、予め学習済みの前記対象動作の推定モデルを、各センサについて比較し、比較の結果に基づき前記計測対象の動作状態を推定する、
   処理を動作状態推定装置のプロセッサが実行することを特徴とする、動作状態推定方法。
8. 計測対象の一部に装着されたセンサデバイスが有する少なくとも１つのセンサからのセンサデータを記憶装置に記憶し、
   前記記憶装置に記憶された前記センサデータから、推定しようとする前記計測対象の対象動作のうち個々の計測対象にかかわらず共通的な動作部分を含む、前記計測対象の動作区間内のセンサデータを切り出し、切り出したセンサデータを複数の信号処理パターンで処理した複数の特徴波形を各センサについて算出し、
   前記動作区間を、分割数１を含む複数種類の分割数で時間的に等分割し、分割された各分割区間における前記複数の特徴波形の代表値を各センサについて算出し、
   前記対象動作に共通的な分割区間における代表値と、予め学習済みの前記対象動作の推定モデルを、各センサについて比較し、比較の結果に基づき前記計測対象の動作状態を推定する、
   処理をコンピュータに実行させるためのプログラム。

Images