JP2021030067A - 人の歩調を検出する方法及びシステム - Google Patents

Abstract

【課題】個人が着用する歩調検出センサーを使用して歩調を検出する方法を提供する。【解決手段】センサーは、加速度計３及び処理ユニット５，７，９，１１，１３を備える。本方法は、センサー加速度値を表す加速度信号を得るステップ；加速度信号をサンプリングするステップ；サンプリングした加速度信号を所定持続時間の窓に分割するステップ；分割した加速度信号から特徴セットを抽出するステップ；各窓に対して抽出した特徴セットを使用する訓練した確率推定器を使用することによって確率値を判断するステップであって、確率値は各窓中の個人に対する歩調発生の推定確率値を与える、ステップ；修正確率値を得るのに、以前に検出した歩調の持続時間のヒストグラムを使用することによって推定確率値を修正して、修正確率値を得るステップ；修正確率値に基づいて判断閾値を使用して、各窓が歩調の発生を表すか否かを判断するステップを備える。【選択図】図１

Description

本発明は、人の歩調を検出するための歩調検出方法に関する。本方法は、例えば、人の手首に着用し得る処理回路及び加速度計を使用する。また、本発明は、本方法を実装するように構成した歩調検出センサーにも関する。

身体活動（ＰＡ：ｐｈｙｓｉｃａｌ ａｃｔｉｖｉｔｙ）は、健康と密接に関連する日常生活の基本的な側面の１つであり、人々の主な健康指標と見なされている。世界保健機関（ＷＨＯ）は、ＰＡと、高齢者の転倒のリスク、認知機能、筋力、及び健康機能レベルとの間に強い結びつきがあると報告している。高齢化の傾向の高まりを考慮すると、ＰＡは、更に重要になる。ＰＡは、健康的に年を取ること、多くの治療に介入すること、及び糖尿病、高血圧、心血管疾患、鬱病、肥満や一部の種類の癌等、慢性の非伝染性疾病のリスクを軽減することの、重要な構成要素である。

様々な種類のＰＡの中でも、歩調（例えば、歩行や走行）は、その客観的評価が有用で貴重な情報を提供できる最も重要で有効なＰＡの１つである。近年のウェアラブル技術の進歩により、下肢、上半身又はこれら両方の位置に装着する加速度計やジャイロスコープを含む、慣性測定ユニット（ＩＭＵ：ｉｎｅｒｔｉａｌ ｍｅａｓｕｒｅｍｅｎｔ ｕｎｉｔ）に基づく多様なシステムが、ＰＡ、特に歩調バウト（ｂｏｕｔ）をモニタリングするために、開発されている。幾つかの事例では、スマートフォン内のＩＭＵを、スマートフォンを身体の異なる部分に固定することによって、利用している。これらのシステムは、歩調の検出を実験室外で提供するが、幾つかの欠点がある。例えば、足、脛、大腿、腰又は胸に複数のセンサーを着用するのは、日常状態で、特に長期の測定を目的とするときには、厄介かつ不快で、落ち着かないものであるかもしれない。全測定期間を通じて方向／位置の固定を保証するために、体節ごとにセンサーを固定及び位置合せする上で、専門家の介入に加え、システムの可用性に影響を与える、又は着用者の邪魔になりやすく、着用者の通常の日常活動を変化させ得る更なるテストも必要となり得る。更に、かかるシステムの電力消費量は、複数のセンサー及び／又はモダリティー（例えば、ジャイロスコープ）を使用するため、高くなり得、そのために測定の持続時間が限定され得る。また、既存のアルゴリズムは、リアルタイムのフィードバック生成に適したリアルタイムデータ処理及び分析を、該アルゴリズムの複雑度が高いために、提供しない。そのため、既知のシステムの大部分は、オフラインでのみ動作し、その結果、記録された生データを、更なる分析のために後でサーバーに転送しなければならない。

上記の制限を考慮し、ＰＡ、特に歩調をモニタリングするための別の解決手段として、手首に取付ける単一のＩＭＵを使用する。これらの解決手段は、快適で、可用性が高く、目立たない（例えば、腕時計に内蔵される）モニタリングを提供し、従って、ユーザー承諾の増加に繋がる。現在知られている手首に基づく方法は、時間、頻度、及び統計に基づく幾つかの特徴を抽出し、各種の機械学習モデル（例えば、決定木又はサポートベクタマシン（ＳＶＭ：ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ））に供給する抽象モデリング法を使用している。かかる方法は、センサーの方向とは無関係である。そのため、センサー較正や位置合せの必要が全くない。これらの利点により、手首を現実世界状態において歩調を長期間測定するのに適当なセンサー位置にすることができる。しかしながら、歩調活動と手首の動きとの関連付けは、上半身又は下肢の動きより難しい。手首は、歩調とは「無関係（ｉｎｄｅｐｅｎｄｅｎｔ）」の動き（例えば、カバンを持つ、ポケットに手を入れる）、及び非歩調とは「無関係」の動き（例えば、座る又は立つときに手首を動かす）を有し得るため、普段の条件における正確な歩調検出に関して多くの問題を引き起す。

今日では、技術が進歩すると同時に、身体活動を長期間に亘りモニタリングすることに対する需要や関心が増えており、これは、多数の消費者向け活動追跡装置、特に、スマートウォッチが、市場に出現することを意味している。そうした活動追跡装置は、自由生活条件において身体活動を追跡するための、非侵入型（ｎｏｎｉｎｔｒｕｓｉｖｅ）で簡単な方法を提供する。しかしながら、該装置の信頼性や有効性は、まだ完全には知られてない。幾つかの研究によって、異なる条件下でかかる商品の性能が大幅に下落したこと（最大５０％の誤差）が示された。

歩調の検出に関する、主たる難題の１つは、現実世界又は無監督条件下における既存の方法の有効性である。事実、そうした方法の殆どは、監督時（例えば、短期間の測定や限定した空間を伴う制御した研究室環境で）のみで、又は準監督時（例えば、観測者の監督下で実生活状態をシミュレートしながら、より長時間継続する一連の活動）のみで、検証された。かかる条件は、歩調活動が状況依存的、自発的（ｓｅｌｆ−ｉｎｉｔｉａｔｅｄ）且つ意図的である現実世界状態に合致しない可能性がある。更に、日常生活では、歩調は、「停滞した（ｓｔａｔｉｏｎａｒｙ）」動き（例えば、足を引きずって歩き回る、揺れる、足踏みする、回転する、貧乏ゆすりする、飛び跳ねる）、ＰＡの予測しない連続、データの大幅な不均衡（歩調期間が、非歩調期間よりかなり頻度が少ない）、及び他の種類の自発運動（ｌｏｃｏｍｏｔｉｏｎ）（例えば、サイクリング、フィットネス、スポーツ）の存在によって、乱れることがある。ＰＡ分類の性能は、検証を実生活環境下で実施すると、大幅に低下することが示されている。監督やＰＡの事前に規定した連続（ｓｅｑｕｅｎｃｅ）が全くない中で、完全な現実世界条件下における自らの検出方法の評価を行った研究は僅かしか存在しない。これらの研究は、自由生活条件下においてＰＡをラベル付けするために、参考として被験者に搭載したカメラを使用した。

Ｊ． Ｔａｎｇ， Ｓ． Ａｌｅｌｙａｎｉ， ａｎｄ Ｈ． Ｌｉｕ，"Ｆｅａｔｕｒｅ Ｓｅｌｅｃｔｉｏｎ ｆｏｒ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ： Ａ Ｒｅｖｉｅｗ，" Ｄａｔａ Ｃｌａｓｓｉｆ． Ａｌｇｏｒｉｔｈｍｓ Ａｐｐｌ．， ｐ． ３７， ２０１４ Ｂ． Ｆａｓｅｌ ｅｔ ａｌ．，"Ａ ｗｒｉｓｔ ｓｅｎｓｏｒ ａｎｄ ａｌｇｏｒｉｔｈｍ ｔｏ ｄｅｔｅｒｍｉｎｅ ｉｎｓｔａｎｔａｎｅｏｕｓ ｗａｌｋｉｎｇ ｃａｄｅｎｃｅ ａｎｄ ｓｐｅｅｄ ｉｎ ｄａｉｌｙ ｌｉｆｅ ｗａｌｋｉｎｇ，" Ｍｅｄ． Ｂｉｏｌ． Ｅｎｇ． Ｃｏｍｐｕｔ．， ｖｏｌ． ５５， ｐｐ． １７７３−１７８５， ２０１７ Ｊ． Ｃ． Ｄｒｕｍｍｏｎｄ， Ｃ． Ａ． Ｂｒａｎｎ， Ｄ． Ｅ． Ｐｅｒｋｉｎｓ， ａｎｄ Ｄ． Ｅ． Ｗｏｌｆｅ， "Ａ ｃｏｍｐａｒｉｓｏｎ ｏｆ ｍｅｄｉａｎ ｆｒｅｑｕｅｎｃｙ， ｓｐｅｃｔｒａｌ ｅｄｇｅ ｆｒｅｑｕｅｎｃｙ， ａ ｆｒｅｑｕｅｎｃｙ ｂａｎｄ ｐｏｗｅｒ ｒａｔｉｏ， ｔｏｔａｌ ｐｏｗｅｒ， ａｎｄ ｄｏｍｉｎａｎｃｅ ｓｈｉｆｔ ｉｎ ｔｈｅ ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｆ ｄｅｐｔｈ ｏｆ ａｎｅｓｔｈｅｓｉａ，" Ａｃｔａ Ａｎａｅｓｔｈｅｓｉｏｌ． Ｓｃａｎｄ．， ｖｏｌ． ３５， ｎｏ． ８， ｐｐ． ６９３−６９９， １９９１ Ｐ． Ｊ． Ｂｒｏｃｋｗｅｌｌ， Ｒ． Ａ． Ｄａｖｉｓ， ａｎｄ Ｍ． Ｖ． Ｃａｌｄｅｒ， "Ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ ｔｉｍｅ ｓｅｒｉｅｓ ａｎｄ ｆｏｒｅｃａｓｔｉｎｇ"， ｖｏｌ． ２． Ｓｐｒｉｎｇｅｒ， ２００２ Ｐ． Ｈ． Ｗｅｓｔｆａｌｌ， "Ｋｕｒｔｏｓｉｓ ａｓ ｐｅａｋｅｄｎｅｓｓ， １９０５-２０１４． ＲＩＰ，" Ａｍ． Ｓｔａｔ．， ｖｏｌ． ６８， ｎｏ． ３， ｐｐ． １９１−１９５， ２０１４ Ａ． Ｙ． Ｌｉｕ ａｎｄ Ｃ． Ｅ． Ｍａｒｔｉｎ， "Ｓｍｏｏｔｈｉｎｇ ｍｕｌｔｉｎｏｍｉａｌ ｎａｉｖｅ ｂａｙｅｓ ｉｎ ｔｈｅ ｐｒｅｓｅｎｃｅ ｏｆ ｉｍｂａｌａｎｃｅ，" ｉｎ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ ａｎｄ Ｄａｔａ Ｍｉｎｉｎｇ ｉｎ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ"， ２０１１， ｐｐ． ４６−５９

本発明の目的は、既存のＰＡ検出センサーの上記短所の少なくとも幾つかを解消することである。より詳細には、本発明は、改善された歩調検出方法、及びユーザーの手首に着用し得る改善された歩調検出センサーを提供することを目的とする。

本発明の第１態様によると、請求項１に記載の、個人の歩調を検出する方法を提供する。

本方法は、正確で精密なアルゴリズムを使用することで、例えば手首に単一の三軸加速度計を用いて完全な自由生活条件における歩調バウト（ｂｏｕｔ）を検出する。生体力学的に導出した特徴を抽出し、実生活の歩調を、単純ベイズ分類器等の確率推定器を用いて、特徴付けした後、１つ又は任意の場合には２つの物理的に有意な事後分類手順に従い、性能を最適化する。本解決手段は、例えば普段の状態においてオンラインフィードバックをユーザーに提供するのに適した腕時計内で実装するため、わずかな演算量しか必要としない、低パワーで、較正不要のアルゴリズムを提供する。このアルゴリズムは、現実世界条件下における健康な若者や高齢者の計測を通じて、正確かつ既に検証済みのウェアラブルシステムに対して、検証されている。

本発明の第２態様によると、請求項１３に記載の歩調検出センサーを提供する。

本発明の第３態様によると、本発明の第２態様による歩調検出センサーを備える腕時計を提供する。

本発明の他の態様について、本明細書に付記した従属請求項で記載する。

本発明の他の特徴及び利点については、添付図を参照しつつ、非限定的に例示された以下の実施形態に関する記載から明らかになるであろう。

本発明の例示的な一実施形態である歩調検出センサーシステムを示す簡略ブロック図である。 本発明において、手首の姿勢をどのように規定し得るかを図式的に示している。 本発明による歩調検出プロセスで使用する、時間に基づく確率修正に関する規定を示すグラフである。 本発明による歩調検出プロセスで使用し得る、スマート意思決定に関する規定を示すグラフである。 本発明による歩調検出プロセスの実行過程について要約するフローチャートである。

次に、本発明の一実施形態について、添付図を参照して詳述する。本発明を、手首の加速度計を用いた歩調検出システムの文脈で記述する。しかしながら、本発明の有用性は、この環境又は用途に限定されない。例えば、加速度計は必ずしも、手首に着用する必要はない。異なる図面に現れる同一又は対応する機能的及び構造的要素には、同じ参照番号を付す。本明細書で利用するように、「及び／又は（ａｎｄ／ｏｒ）」は、「及び／又は」で結合したリストにある任意の１つ又は複数の項目を意味する。一例として、「ｘ及び／又はｙ」は、３要素集合｛（ｘ），（ｙ），（ｘ，ｙ）｝中のいずれかの要素を意味する。つまり、「ｘ及び／又はｙ」は、「ｘとｙの一方又は両方」を意味する。別の例として、「ｘ、ｙ、及び／又はｚ」は、７要素集合｛（ｘ），（ｙ），（ｚ），（ｘ，ｙ），（ｘ，ｚ），（ｙ，ｚ），（ｘ，ｙ，ｚ）｝中のいずれかの要素を意味する。つまり、「ｘ、ｙ及び／又はｚ」は、「ｘ、ｙ、及びｚ中の１つ又は複数」を意味する。加えて、用語「備える（ｃｏｍｐｒｉｓｅ）」を、本明細書では、オープンエンドの用語として使用する。これは、対象が、挙げられた全要素を包含するが、更なる、無名の要素も含み得ることも意味する。従って、単語「備える（ｃｏｍｐｒｉｓｅ）」は、広義の「含む（ｉｎｃｌｕｄｅ）」、「含有する（ｃｏｎｔａｉｎ）」又は「包含する（ｃｏｍｐｒｅｈｅｎｄ）」によって解釈される。

図１は、単にセンサーとも呼ぶ、提案するセンサーシステム１のブロック図を示している。センサーシステムを、この実施例では、手首に着用するように設計している。図１のセンサー１は、後でより詳細に説明するように、６つの機能ブロック又はユニット、即ち、加速度計３、分割ユニット５、特徴抽出ユニット７、この実施例ではベイズ推定器である確率推定器９、時間に基づく確率修正ユニット１１及びスマート意思決定ユニット１３を示している。確率推定器としてベイズ推定器を使用する代わりに、決定木、人工ニューラルネットワーク、サポートベクタマシン等代わりの任意の適当な確率推定器を使用できるであろう。更にまた、これらの機能的ユニットの動作を統合して、６ユニット未満にしてもよいことに注目されたい。例えば、この実施例において、これらのブロックの異なる機能を全て、三次元（３Ｄ）空間で加速度を測定するように構成した加速度計３に統合してもよい。加速度計からの測定した３Ｄ加速度信号（Ａ_x、Ａ_y、Ａ_z）を、該加速度信号をサンプリングし、分割するように構成した分割ユニット５に供給する。その後、分割した信号を、分割した加速度信号から関連する特徴を抽出するように設けた特徴抽出ユニット７に供給する。特徴ベクトルＨ［ｎ］（式中、ｎは、分割の結果得られる窓番号を指す）を、その後、ベイズ推定器９に供給するが、該ベイズ推定器を、歩調の発生確率Ｐ_Bays［ｎ］を推定するように設け、且つ訓練データセットからの抽出した特徴及び該特徴の対応するラベル （歩調の発生又は非歩調の発生）の少なくとも幾つかによって訓練する。推定及び決定理論では、ベイズ推定器又はベイズ行動を、推定器又は決定規則とし、それらにより、損失関数の事後に予想される値（即ち、事後に予想される損失）を最小化する。同じく、効用関数の事後の予想を最大化するように配慮できる。ベイズ統計において推定器を定式化する別の方法は、事後推定を最大化することであろう。推定器は、観測データに基づいて所定数量の推定を計算するための規則であると理解できる。従って、規則（推定器）、対象となる量（推定値）、及びその結果（推定）を、区別できる。

ベイズ推定器を、以下で提案するアルゴリズムを適用する前に訓練すると有利である。訓練するためには、別のアルゴリズムとセンサーを、本発明で提案したもの以外に使用すると有利である。訓練データを、個体群から収集して、ベイズ推定器を、その後、例えば、交差検証の原理に従って訓練し得るようにする。

歩調の発生確率Ｐ_Bayes［ｎ］を、その後、時間に基づく確率修正ユニット１１に供給するが、該確率修正ユニット１１を、この実施例では、過去に訓練データセットから検出した活動の時間情報を利用して、実生活状態における歩調持続時間のヒストグラムに基づいて歩調の発生確率を修正するように構成する。これに関連して、ヒストグラムによって、歩調持続時間又は非歩調持続時間中の確率分布の推定を理解し得る。結果として得た確率値Ｐ_T［ｎ］を、その後、スマート意思決定ユニット１３に供給するが、該ユニット１３を、前ステップの結果から得られた確率によるスマート規則を使用して、「歩調」又は「非歩調」の分類又はラベルを付与するように構成する。以下では、データ処理ステップについてより詳細な説明を提供する。

分割
分割ユニット５は、最初に、受信した連続時間領域の加速度信号をサンプリングする。様々な加速度信号を、同じサンプリング周波数、例えば、１００Ｈｚ〜１０００Ｈｚを使用してサンプリングすると有利である点に注目されたい。この特定の実施例では、２００Ｈｚのサンプリング周波数を使用する。その後、分割ユニット５は、ある所定時間持続及び重複し、この特定の実施例では、６秒持続し５秒重複する可動窓を採用して、分割した手首加速度信号（Ａ_x［ｎ］、Ａ_y［ｎ］、Ａ_z［ｎ］）を生成する。式中、ｎは窓番号を指す。窓長６秒が、性能を最適化することを、実験により見出した。窓長は、従って、１秒〜１０秒、又はより詳細には４秒〜８秒が有利である。このデータ量は、要求される時間分解能を有せるほど短く、周波数分析用の十分なデータを有せるほど長い。

特徴抽出
手首の動きの観点から歩調バウトと非歩調バウトとの本質的な違いを強調するために、多くの特徴を、強度、周期性、姿勢、及びノイズ性等、手首の動きの生体力学に基づいて規定又は識別した。「Ｊ． Ｔａｎｇ、Ｓ． Ａｌｅｌｙａｎｉ及びＨ． Ｌｉｕ著「Ｆｅａｔｕｒｅ Ｓｅｌｅｃｔｉｏｎ ｆｏｒ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ： Ａ Ｒｅｖｉｅｗ，” Ｄａｔａ Ｃｌａｓｓｉｆ． Ａｌｇｏｒｉｔｈｍｓ Ａｐｐｌ．， ｐ． ３７， ２０１４」（非特許文献１）による ＬＡＳＳＯ（Ｌｅａｓｔ ａｂｓｏｌｕｔｅ ｓｈｒｉｎｋａｇｅ ａｎｄ ｓｅｌｅｃｔｉｏｎ ｏｐｅｒａｔｏｒ）特徴選択方法を使用して、できる限り最良の特徴セットを特定して、訓練データセットに関する性能を最適化した。興味深いことに、ＬＡＳＳＯは、特徴を規定するのに使用する全ての生体力学的評価基準（即ち、強度、周期性、姿勢、ノイズ性）をカバーする１セットの特徴を選択した。全部で、１３の特徴を、以下の４カテゴリで選択した。

強度に基づく特徴：歩調期間と非歩調期間との１つの主な相違点は、手首加速度信号の強度である。この情報を抽出するために、以下の特徴を演算した。

ＮＩ［ｎ］：これは、式１により計算した加速度ノルムの強度である。

式中、ＳＡ［ｆ_i］は、式２及び式３により演算したスペクトル加速度ノルムの振幅である。スペクトルを推定するために、ブラックマン窓を用いたＮ点の高速フーリエ変換（ＦＦＴ：Ｆａｓｔ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ）を使用した。ここで、Ｎは、時間窓中のサンプル数（即ち、本事例では、Ｎ＝１２００）である。更に、ｆ_iは、式４で示す方法の周波数分解能を指す。対数関数を、この特徴の範囲を短くするためだけでなく、更なるベイズモデリングに適したそのヒストグラムのヘビーテールを短くするために、使用した。

ＭｅａｎＡ［ｎ］：これは、時間窓中の加速度ノルムの平均値である。

周期性に基づく特徴：歩調の循環的性質を考慮して、加速度信号の周期性に関する５つの特徴を、以下の通り含めた。

ＮＡＣＦｍａｘ［ｎ］：第１サンプル（即ち、ゼロ遅延のサンプル）に対して演算し、正規化した加速度ノルムの自己相関関数。その後、ゼロ遅延サンプルを除くその最大ピークＮＡＣＦｍａｘを、各窓に関して報告した。従って、この特徴を、加速度ノルムの正規化自己相関関数の最大ピークと呼び得る。

ＮＡＣＦｐ２ｐ［ｎ］：この特徴は、ゼロ遅延サンプルを除く、正規化自己相関関数の最大ピークと谷のピークトゥーピーク値である。つまり、この特徴は、加速度ノルムの正規化自己相関関数のピークトゥーピーク値である。

ＳＡｍａｘ［ｎ］：加速度ノルムの正規化スペクトル（ＮＳＡ：Ｎｏｒｍａｌｉｓｅｄ ｓｐｅｃｔｒｕｍ ｏｆ ａｃｃｅｌｅｒａｔｉｏｎ ｎｏｒｍ）を、式５によりＳＡ［ｆ_i］を使用して推定し、その最大ピーク振幅を、ＳＡｍａｘ［ｎ］として演算した。従って、この特徴は、加速度ノルムのスペクトルの最大ピークである。

ＤｏｍＳＡｍａｘ［ｎ］：ＮＳＡの最大ピークが、その隣接するサンプルと比べて、どれほど鋭いかを示すスコアを、設計した。このスコアを、ＮＳＡの最大ピークの尖鋭度と呼ぶことができる。この特徴を、式６により演算した。式中、ｆ_max、ｆ_max-1、及びｆ_max+1は、それぞれＮＳＡ、ＮＳＡ前後のサンプルの最大ピークの周波数を指す。従って、この特徴は、加速度ノルムのスペクトルの最大ピークの尖鋭度である。

Ｃａｄ［ｎ］：信号の周期性だけでなく、期間自体の値も、歩調期間と非歩調期間とを区別するための重要な情報である。一般に、ストライド周波数（即ち、歩調信号の基本周波数）は、約１Ｈｚ（即ち、０．３Ｈｚ〜２．５Ｈｚ）の狭い範囲を境界とする。加速度信号の基本周波数を、「Ｂ． Ｆａｓｅｌ ｅｔ ａｌ．，“Ａ ｗｒｉｓｔ ｓｅｎｓｏｒ ａｎｄ ａｌｇｏｒｉｔｈｍ ｔｏ ｄｅｔｅｒｍｉｎｅ ｉｎｓｔａｎｔａｎｅｏｕｓ ｗａｌｋｉｎｇ ｃａｄｅｎｃｅ ａｎｄ ｓｐｅｅｄ ｉｎ ｄａｉｌｙ ｌｉｆｅ ｗａｌｋｉｎｇ，” Ｍｅｄ． Ｂｉｏｌ． Ｅｎｇ． Ｃｏｍｐｕｔ．， ｖｏｌ． ５５， ｐｐ． １７７３−１７８５， ２０１７」（非特許文献２）で提示されたアルゴリズムを使用して、演算した。従って、この特徴は、歩調のリズム又はステップ周波数（ステップ数／分）である。

姿勢に基づく特徴：歩調（即ち、走行又は歩行）中、手首には、一般的に特定の予測可能な姿勢があり、それに対して非歩調期間中には、姿勢は主に予測できず、不規則である。その結果、手首の姿勢についての情報を抽出することは、歩調バウトを検出するのに有用なはずである。我々は、θを、手首にある加速度計のｙ軸とグローバル水平面＜ｘ_Global，ｙ_Global＞（グローバル座標系のｘ軸とｙ軸によって形成され、重力ベクトルと直交する平面、図２を参照）間の角度として規定した。センサーが手首の周りにだけ回転できると仮定することによって、センサーのｙ軸を、手首の縦方向軸と略一致させた。図２によると、手首の動きの動的加速度が低いままであれば、加速度計のｙ軸上の重力ベクトルの射影とセンサーのｘ軸及びｚ軸によって画成する平面＜ｘ，ｚ＞は、以下になる。

式中、ｇは重力加速度を表し、Ａ［ｎ］は、窓ｎに関する平面＜ｘ，ｚ＞上で結果として得られた加速ベクトルの振幅である。その結果、角度θ［ｎ］を、式９から推定できる。

提案した姿勢に基づく特徴、即ち、手首の姿勢を、以下の通り規定する。

ノイズ性に基づく特徴：歩調では、加速度信号は、エネルギーが擬似循環的であり低周波数帯域に殆どある状態であるのに対して、非歩調期間では、当該信号は、かなりランダムかつ不安定であり、エネルギーがより広周波数帯域に分布する状態である。そのため、ＳＮ比（ＳＮＲ：ｓｉｇｎａｌ−ｔｏ−ｎｏｉｓｅ ｒａｔｉｏ）のように、歩調／非歩調のパワー比は、非歩調期間より歩調中の方が高いと予想される。その結果、幾つかの特徴を、信号（即ち、歩調期間）における「ノイズ」（即ち、非歩調期間）のレベルについての情報を得るように考案した。これらの特徴は、以下の通りである。

ＨＬＲ［ｎ］＝高対低周波数比：我々は、式１１による特徴として、高周波数での強度と低周波数での強度との比率を規定した。性能を最適化するために、周波数閾値を、実験的に３．５Ｈｚに設定した。しかしながら、代わりに別の周波数閾値を使用することも可能である。閾値を、１Ｈｚ〜１０Ｈｚ又はより詳細には、２Ｈｚ〜５Ｈｚすると有利である。従って、この特徴は、加速度ノルムのエネルギーの高対低周波数比である。

ＺＣＲ［ｎ］：ゼロ交差率は、非歩調期間中、ノイズが多く不安定だという手首の動きの性質のために、加速度ノルムに関して高くなるはずである。最初に、時間窓内の加速度ノルムの平均値を除去した。次に、その結果得られた信号に関する線形トレンドを、例えば、ＭＡＴＬＡＢ（登録商標）の「トレンド除去（ｄｅｔｒｅｎｄ）」機能を使用して、取除いた。最終的に、ゼロ交差数を、特徴ＺＣＲ［ｎ］として計数した。従って、この特徴は、平均値を除去した加速度ノルムのゼロ交差率である。

ＳＥＦ［ｎ］：式１２で示すように、スペクトルエッジ周波数は、信号のエネルギーのα（％）が、該周波数未満で観測されるような周波数を推定する「Ｊ． Ｃ． Ｄｒｕｍｍｏｎｄ， Ｃ． Ａ． Ｂｒａｎｎ， Ｄ． Ｅ． Ｐｅｒｋｉｎｓ， ａｎｄ Ｄ． Ｅ． Ｗｏｌｆｅ， “Ａ ｃｏｍｐａｒｉｓｏｎ ｏｆ ｍｅｄｉａｎ ｆｒｅｑｕｅｎｃｙ， ｓｐｅｃｔｒａｌ ｅｄｇｅ ｆｒｅｑｕｅｎｃｙ， ａ ｆｒｅｑｕｅｎｃｙ ｂａｎｄ ｐｏｗｅｒ ｒａｔｉｏ， ｔｏｔａｌ ｐｏｗｅｒ， ａｎｄ ｄｏｍｉｎａｎｃｅ ｓｈｉｆｔ ｉｎ ｔｈｅ ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｆ ｄｅｐｔｈ ｏｆ ａｎｅｓｔｈｅｓｉａ，” Ａｃｔａ Ａｎａｅｓｔｈｅｓｉｏｌ． Ｓｃａｎｄ．， ｖｏｌ． ３５， ｎｏ． ８， ｐｐ． ６９３−６９９， １９９１」（非特許文献３）。我々は、α＝７０（％）が、本願で最良の性能を提供したことを見出した。この特徴を、加速度ノルムのスペクトルエッジ周波数と呼び得る。

ＲａｎｄＡ［ｎ］：手首の加速度信号が、歩調中の方が非歩調期間ほどランダムでないと仮定して、我々は、信号がどれほどランダムかを測定するために、「Ｐ． Ｊ． Ｂｒｏｃｋｗｅｌｌ， Ｒ． Ａ． Ｄａｖｉｓ， ａｎｄ Ｍ． Ｖ． Ｃａｌｄｅｒ， “Ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ ｔｉｍｅ ｓｅｒｉｅｓ ａｎｄ ｆｏｒｅｃａｓｔｉｎｇ”， ｖｏｌ． ２． Ｓｐｒｉｎｇｅｒ， ２００２」（非特許文献４）で提示された自己相関に基づくテストにより、ＲａｎｄＡ［ｎ］特徴を規定した。このテストによると、時系列が定常ランダム過程から来る場合（これは殆ど、６秒という短い窓内における非歩調期間の加速度ノルムの場合である）、時系列の自己相関のサンプルは、主に±１．９６／√Ｎ閾値間で境界付けられるであろう。Ｎは、時間窓内にあるサンプル数（即ち、１２００）である。我々は、±１．９６／√Ｎの範囲外にある自己相関サンプルの割合として、ＲａｎｄＡ［ｎ］を規定した。ＲａｎｄＡ［ｎ］の値が高いほど、信号はランダムでなくなる。従って、この特徴を、加速度ノルムのランダム性スコアとして規定し得る。

尖度Ａ［ｎ］：尖度は、データの分布がどれほど外れ値の傾向があるかを測定するための周知のツールである「Ｐ． Ｈ． Ｗｅｓｔｆａｌｌ， “Ｋｕｒｔｏｓｉｓ ａｓ ｐｅａｋｅｄｎｅｓｓ， １９０５−２０１４． ＲＩＰ，” Ａｍ． Ｓｔａｔ．， ｖｏｌ． ６８， ｎｏ． ３， ｐｐ． １９１−１９５， ２０１４」（非特許文献５）。我々は、非歩調期間の加速度ノルムが、信号のランダム性がより高いために、歩調より多くの外れ値を含有すると仮定した。そのため、時間窓内の加速度ノルムの尖度を、特徴として演算した。

最終的に、各時間窓ｎに関して、Ｈ［ｎ］を、全ての選択した特徴を含む特徴ベクトルとして確立した。しかしながら、特徴ベクトルに、上記特徴の一部だけ、又はそれに加えて若しくはその代わりに他の幾つかの特徴さえ含むことも可能であろう。

ベイズ推定器
各窓に対する歩調の発生確率を、式１３によりベイズ推定器を使用して推定した。

式中、Ｐ_G|H[n]は、観測した特徴ベクトルＨ［ｎ］上の歩調発生条件の確率である。更に、Ｐ_H[n]|GとＰ_H[n]|NGは、歩調（Ｇ）クラスと非歩調（ＮＧ）クラスそれぞれにおいてＨ［ｎ］を有する発生確率である。更にまた、Ｐ_GとＰ_NGは、それぞれ歩調と非歩調が発生する事前確率である。我々は、ベイズ推定器用に多変量多項分布（ＭＡＴＬＡＢ（登録商標）の「ｍｖｍｎ」）を検討した。更にまた、歩調期間と非歩調期間とのサンプルに関する本質的な不均衡（現実世界状態において、非歩調サンプルは、歩調サンプルより比較的頻繁に発生する）に対処するために、我々は、ラプラススムージングパラメータ「Ａ． Ｙ． Ｌｉｕ ａｎｄ Ｃ． Ｅ． Ｍａｒｔｉｎ， “Ｓｍｏｏｔｈｉｎｇ ｍｕｌｔｉｎｏｍｉａｌ ｎａｉｖｅ ｂａｙｅｓ ｉｎ ｔｈｅ ｐｒｅｓｅｎｃｅ ｏｆ ｉｍｂａｌａｎｃｅ，” ｉｎ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ ａｎｄ Ｄａｔａ Ｍｉｎｉｎｇ ｉｎ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ”， ２０１１， ｐｐ． ４６−５９」（非特許文献６）を、以下の通り事前確率を演算する際に、利用した。

式中、Ｎ_NGとＮ_Gは、非歩調期間及び歩調期間中に観測したサンプル又は窓の総数である。ｌは、（Ｎ_G＋Ｎ_NG）／１０に経験的に固定したスムージングパラメータである。

時間に基づく確率修正
我々は、現在の活動に対する決定の確実性を増すために、過去に検出した活動の情報を利用した。図３で示すように、ｑ［ｎ−１］及びｄ［ｎ−１］を、それぞれ、窓ｎ−１まで検出した直前の活動（即ち、直前の活動は、窓ｎ−ｄ［ｎ−１］から開始し、窓ｎ−１を含むまで継続した）の種類及び持続時間として規定し、Ｐ_{q[n]=q[n-1]|d[n-1]}は、直前の活動の種類（ｑ［ｎ−１］）及び持続時間（ｄ［ｎ−１］）を踏まえて、窓ｎにおいて、この前の窓における活動と同じ活動（即ち、ｑ［ｎ］＝ｑ［ｎ−１］）を有する確率を表す。このために、２つの指数関数（式１６及び式１７を参照）を、本方法の訓練セッションから得た、日常生活における歩調及び非歩調バウトの持続時間の確率密度関数に組込んだ。式１６及び式１７におけるパラメータ（即ち、β_G、γ_G、τ_G等）を、従って、歩調持続時間と非歩調持続時間それぞれのヒストグラムから得る。次に、ベイズ（Ｐ_Bayes）から求めた確率は、加速度信号から得た幾つかの特徴を使用するため、Ｐ_{q[n]=q[n-1]|d[n-1]}より、一般的に信頼できたことから、Ｐｑ［ｎ］＝ｑ［ｎ−１］｜ｄ［ｎ−１］の修正による影響を、

を得るのに式１８を使用して、Ｐ_{q[n]=q[n-1]|d[n-1]}を［０．０５，０．２０］というより狭い範囲（実験的に調整した）にマッピングすることによって、軽減させた。しかしながら、代わりに別の適当な範囲も使用できた。最終的に、時間窓ｎの歩調の発生に関する修正確率（Ｐ_T）を、式１９を使用して演算した。式中、「ｍｉｎ−ｍａｘ」関数を使用して、確率を［０，１］の範囲に限定した。

式中、ψを、以下の通り規定した。

スマート意思決定
Ｐ_T［ｎ］が０．５から十分離れているとき、窓ｎの活動が歩調か否かを決定し易い。しかしながら、Ｐ_T［ｎ］が０．５に近いとき、これは特徴窓の一部が歩調で、他の部分が非歩調であるために、活動間の過渡期付近で発生し得るが、意思決定は難しい。その結果、以下のアルゴリズムを、Ｐ_T［ｎ］に基づくスマート意思決定を行うように設計した。Ｐ_T［ｎ］＜０．３とＰ_T［ｎ］＞０．７である場合、決定はそれぞれＮＧとＧであった。ここでは、決定は、現在の窓ｎに対するラベルＬ［ｎ］を指す。これらの窓は、信頼できる窓と呼べる。一方で、０．３≦Ｐ_T［ｎ］≦０．７（曖昧な窓又は不確実性ゾーンと呼ぶ）であれば、我々は、直前の信頼できる窓と次の信頼できる窓の間の期間、より具体的には、その持続時間をチェックした。例えば、曖昧な窓ｎに関して、窓ｍとｋは、それぞれ直前の窓と次の信頼できる窓である（ｍ＜ｎ＜ｋ、図４を参照）。ｋ−ｍ＋１≦１０であれば、意志決定の閾値を、従来の０．５から１−平均（Ｐ_T［ｍ＜ｎ＜ｋ］）に変更した。その他の点では、Ｐ_T［ｎ］＞０．６又はＰ_T［ｎ］＜０．４なら、それぞれＧ、ＮＧと決定し、０．４≦Ｐ_T［ｎ］≦０．６なら、直前の信頼できる決定を、窓ｎに割当てた（即ち、Ｌ［ｎ］＝Ｌ［ｍ］）。上記パラメータ値の代わりに、他の適当なパラメータ値を使用してもよい点に注目されたい。以下のアルゴリズムは、提案したスマート意志決定の手順について簡単に説明している。

開始
Ｐ_T［ｎ］＞０．７なら、Ｌ［ｎ］＝Ｇ
Ｐ_T［ｎ］＜０．３なら、Ｌ［ｎ］＝ＮＧ
０．３≦Ｐ_T［ｎ］≦０．７なら、
ｋ−ｍ＋１≦１０なら、
Ｌ［ｍ］＝Ｌ［ｋ］なら、Ｌ［ｎ］＝Ｌ［ｍ］＝Ｌ［ｋ］
そうでなければ、
Ｐ_T［ｎ］＞１−平均（Ｐ_T［ｍ＜ｎ＜ｋ］）なら、Ｌ［ｎ］＝Ｇ
そうでなければ、Ｌ［ｎ］＝ＮＧ
そうでなく、ｋ−ｍ＋１＞１０なら、
Ｐ_T［ｎ］＞０．６なら、Ｌ［ｎ］＝Ｇ
そうでなく、Ｐ_T［ｎ］＜０．４なら、Ｌ［ｎ］＝ＮＧ
そうでなければ、Ｌ［ｎ］＝Ｌ［ｍ］
終了

上記プロセスについて、図５のフローチャートで要約する。ステップ１０１では、加速度計３は、１つ又は複数の加速度信号を得るために測定を行うが、該信号は、時間領域における連続した信号である。ステップ１０３では、分割ユニット５は、これらの連続した時間領域信号をサンプリングし、ステップ１０５では、該信号を分割する。ステップ１０７では、特徴抽出ユニット７は、各窓のために分割した加速度信号から１セットの特徴ベクトルを抽出する。ステップ１０９では、ベイズ推定器９は、抽出した特徴セットを使用し、歩調の発生確率値を各窓に関して判断する。ステップ１１１では、時間に基づく確率修正ユニット１１は、確率値の精度を向上するためにステップ１０９で得た確率値を修正する。ステップ１１３では、スマート意思決定ユニット１３は、ステップ１１１で得た修正確率値をラベル付けする。修正確率値を、「歩調」又は「非歩調」としてラベル付けする。スマート意思決定ユニット１３は任意であり、ラベルを、例えば直接、修正確率値から導出してもよく、それにより０．５超の（修正した）確率値を、「歩調」として解釈するであろう一方で、他の確率値を、「非歩調」としてラベル付けするであろう点に注目されたい。

歩調バウトを認識し、無監督の現実世界状態において手首に取付けた単一の低パワー加速度計を使用して該歩調バウトの持続時間を推定するための、正確で精密な窓に基づくアルゴリズムの原理について、以上で説明した。生体力学的に導出した特徴（即ち、強度、周期性、姿勢、及びノイズ性による）の確率密度関数は、選択した特徴に関する、歩調及び非歩調バウトを区別する高い能力を示している。ＬＡＳＳＯスコアは、ＮＡＣＦｍａｘ、ＳＡｍａｘ、ＮＩ及びＷｒｉｓｔＰｏｓｔが、この用途において、とりわけ最良又は有益な特徴であることを示している。加えて、周期性は、歩調及び非歩調バウトを区別するのにより良好な評価基準であった。

１つの低パワー加速度計だけを使用し、特徴の演算を最適化し、幾つかの実装技術を使用するなど、最適な形で実装される、提案されたセンサーは、現実世界条件において極めて低い消費電力（１年あたり１３５．５ｍＡｈ）を示した。実装した方法は、主要な通常の電池（２５０ｍＡｈ）で、１年間、歩調の連続的かつ有効な測定を提供する。多くの医学及びスポーツ用途では、実生活状態における身体活動の長期的な測定が決定的に必要であるため、これは大きな利点である。提案した方法の簡単さと該方法の少ない演算時間（１窓あたり１ｍｓ）は、介入プログラム等の多く用途において重要となりうるようなリアルタイムフィードバックの生成可能性を提供する身体活動に関するリアルタイムのオンボード分析の可能性を提供する。

本提案方法は、若者から年配者に至るまで無監督の日常状態で検証されており、病気により活動を制限された患者をモニタリングするための臨床環境で使用する上での、高い潜在能力を提供する。一実施例として、本システムを、高齢者の大集団中で使用して、老化、肥満、及び虚弱体質等の、日常生活状態における身体活動の質や量に関する様々な要因の影響を分析し得る。より重要なことには、本提案方法を、歩調リズムの推定や、歩調速度の推定等、歩調バウトに関する正確な検出が必要であるような、身体活動の分析における多数のアルゴリズムのための初期段階として使用できる。

結論として、本発明は、上記実施例において、自由生活状態における歩調バウトを検出するための正確で精密な方法を提示した。現実世界状態において手首の動きに挑むことで引き起こされる難題に対処するために、生体力学的に導出した特徴を、単純ベイズ分類器と統合した後に、２つの物理的に有益な事後分類ステップを行った。手首に基づく、低パワーで較正不要の（較正段階が、センサーと身体との位置合せに全く必要でない）かかるシステムは、高い可用性と自律性を有し、自由生活状態における身体活動の長期モニタリングにとって完璧な、多目的の測定ツールを提供する。更に、本提案方法の簡単さやリアルタイム性によって、本方法を腕時計に実装することが可能になり、それによりユーザーのプライバシーを保護できる。また、これはオンラインでユーザーに対して日常生活における有益なフィードバックを与え、より活動的なライフスタイルを促進する可能性を提供する。

本発明について、図面及び上記記述により詳細に図解及び説明したが、かかる図解や記述も、説明的又は例示的なものであって、制限する趣旨のものではないと考えるべきものであり、本発明は、開示された実施形態に限定されない。他の実施形態及び変形例も、図面、開示内容及び付記した請求項の検討に基づいて、請求項に記載した本発明を実行する際に、当業者によって理解され、達成可能である。

請求項において、単語「備える（ｃｏｍｐｒｉｓｉｎｇ）」は、他の要素又はステップを排除するものではなく、不定冠詞の「ａ」又は「ａｎ」は、複数性を排除するものではない。異なる特徴が、互いに異なる従属請求項に記載されているのが事実だとしても、そうした特徴の組合せを有利に使用できないことを示すものではない。請求項における如何なる参照記号も、本発明の範囲を限定するものと解釈すべきではない。

１ センサーシステム
３ 加速度計
５ 分割ユニット
７ 特徴抽出ユニット
９ 確率推定器
１１ 確率修正ユニット
１３ スマート意思決定ユニット

Claims (15)

1. 個人が着用する歩調検出センサー（１）を使用することによって、前記個人の歩調を検出する方法であり、前記センサーは、加速度計（３）及び処理ユニット（５、７、９、１１、１３）を備え、前記方法は：
   −前記加速度計（３）が、１つ又は複数のセンサー加速度値を表す加速度信号を得るステップ（１０１）；
   −前記処理ユニット（５）が、前記加速度信号をサンプリングして、サンプリングした加速度信号を得るステップ（１０３）；
   −前記処理ユニット（５）が、前記サンプリングした加速度信号を、所定数の、所定持続時間の窓に分割して、分割した加速度信号を得るステップ（１０５）；
   −前記処理ユニット（７）が、前記分割した加速度信号から特徴セットを抽出するステップ（１０７）であって、前記特徴セットは、前記加速度信号を特徴付ける、ステップ；
   −前記処理ユニット（９）が、各窓ｎに対して、前記抽出した特徴セットを使用する訓練された確率推定器（９）を使用することによって、確率値を判断するステップ（１０９）であって、ｎは、ゼロより大きい正の整数であり、前記確率値は、前記各窓中の前記個人に対する歩調発生の推定確率値を与える、ステップ；
   −前記処理ユニット（１１）が、以前に検出した歩調持続時間のヒストグラムを使用し、前記推定確率値を修正して、修正確率値を得るステップ（１１１）；及び
   −前記処理ユニット（１３）が、前記修正確率値に基づいて、判断閾値を使用して、前記各窓が歩調の発生を表すか否かを判断するステップ（１１３）
   を備える、方法。
2. 前記確率推定器（９）は、ベイズ推定器（９）を備える、請求項１に記載の方法。
3. 前記抽出した特徴セットは、以下の特徴カテゴリ：前記加速度信号の強度、前記加速度信号の周期性、センサー位置での前記個人の姿勢、及び前記加速度信号のノイズ性、の少なくとも１つにおいて、１つ又は複数の生力学的特徴を備える、請求項１又は２に記載の方法。
4. 前記１つ又は複数の生力学的特徴は、以下の特徴：加速度ノルムの強度、加速度ノルムの平均、加速度ノルムの正規化自己相関関数の最大ピーク、加速度ノルムの正規化自己相関関数のピークトゥーピーク値、加速度ノルムスペクトルの最大ピーク、加速度ノルムスペクトルの最大ピークの尖鋭度、歩調のステップ周波数、センサー位置での前記個人の姿勢、加速度ノルムの高周波数と低周波数のエネルギー比、平均値を除去した加速度ノルムのゼロ交差率、加速度ノルムのスペクトルエッジ周波数、加速度ノルムのランダム性スコア、及び加速度ノルムの尖度、の中の少なくとも１つである、請求項３に記載の方法。
5. 前記分割した加速度信号は、３つの略直交する加速度成分（Ａ_x［ｎ］，Ａ_y［ｎ］，Ａ_z［ｎ］）を備える、請求項１〜４の何れか一項に記載の方法。
6. 前記方法は、前記推定確率値を判断する前に、訓練データセットを使用して、前記確率推定器（９）を訓練するステップを更に備える、請求項１〜５の何れか一項に記載の方法。
7. 前記修正確率値を：
   

   

   として得るが、式中、Ｐ_Bayes［ｎ］は、前記各窓中の前記個人に対する歩調発生の前記推定確率値であり、
   

   

   は、窓ｎにおいて、前の窓ｎ−１においてと同じ歩調活動を有する、１未満の範囲の確率であり、ｄは、活動持続時間を指し、ｑは、活動の種類を指し、
   

   

   である、請求項１〜６の何れか一項に記載の方法。
8. 前記修正確率値Ｐ_T［ｎ］が、ａ≦Ｐ_T［ｎ］≦（１−ａ）等の曖昧なゾーンにあると判断したならば、前記処理ユニットは、ｍ＜ｎ＜ｋであるような、直前の非曖昧な窓ｍと次の非曖昧な窓ｋとの期間持続時間を、非曖昧な窓Ｐ_T［ｎ］＞１−ａ又はＰ_T［ｎ］＜ａにおいてチェックし、式中ｂは正の整数で、ｋ−ｍ＋１≦ｂであれば、前記判断閾値を、０．５から１−平均（Ｐ_T［ｍ＜ｎ＜ｋ］）に変更する、請求項１〜７の何れか一項に記載の方法。
9. ａは、０．１〜０．３、特に、０．１５〜０．２５であり、ｂは、５〜１５、特に８〜１２である、請求項８に記載の方法。
10. 前記条件ｋ−ｍ＋１≦ｂ を満たさない場合、前記判断閾値を、歩調発生に関して０．５＋ｃに設定し、非歩調発生に関して０．５−ｃに設定し、それにより、Ｐ_T［ｎ］＞（０．５＋ｃ）であれば、歩調が発生したと判断し、Ｐ_T［ｎ］＜（０．５−ｃ）であれば、非歩調が発生したと判断し、（０．５−ｃ）≦Ｐ_T［ｎ］≦（０．５＋ｃ）である場合には、前記直前の非曖昧な判断を、窓ｎに割当てる、請求項８又は９に記載の方法。
11. ｃは、０．０２〜０．２、特に０．０５〜０．１５である、請求項１０に記載の方法。
12. 前記加速度計を、前記個人の手首に着用する、請求項１〜１１の何れか一項に記載の方法。
13. 前記判断を、単一の加速度計のみからの前記加速度信号に基づいて、行う、請求項１〜１２の何れか一項に記載の方法。
14. 個人の歩調を検出する歩調検出センサー（１）であり、該センサーは、加速度計（３）及び処理ユニット（５、７、９、１１、１３）を備え、前記センサー（１）は：
    −１つ又は複数のセンサー加速度値を表す加速度信号を得る手段；
    −前記加速度信号をサンプリングして、サンプリングした加速度信号を得る手段；
    −前記サンプリングした加速度信号を、所定数の、所定持続時間の窓に分割して、分割した加速度信号を得る手段；
    −前記分割した加速度信号から特徴セットを抽出する手段であって、前記特徴セットは、前記加速度信号を特徴付ける、手段；
    −各窓ｎに対して、前記抽出した特徴セットを使用する訓練した確率推定器（９）を使用することによって、確率値を判断する手段であって、ｎは、ゼロより大きい正の整数であり、前記確率値は、前記各窓中の前記個人に対する歩調発生の推定確率値を与える、手段；
    −以前に検出した歩調持続時間のヒストグラムを使用して、前記推定確率値を修正し、修正確率値を得る手段；及び
    −前記修正確率値に基づいて、判断閾値を使用し、前記各窓が歩調発生を表すか否かを判断する手段
    を備える、センサー。
15. 請求項１４に記載の前記歩調検出センサーを含む腕時計。

Images