JP2021096354A - 推定システム、及び、推定方法 - Google Patents

Abstract

【課題】ユーザに声を出すことを要求することなくユーザが誰であるかを推定することができる推定システムを提供する。【解決手段】推定システム１０は、建物８０の居住者に関する情報の登録を受け付ける受付部２１と、建物８０の内部におけるユーザの歩行音を取得する歩行音取得部２３と、歩行音取得部２３によって取得された歩行音から抽出される特徴量を入力とする機械学習モデルを用いて、ユーザが登録済みの居住者のいずれであるかを推定する推定部２４ａとを備える。【選択図】図１

Description

本発明は、推定システム、及び、推定方法に関する。

音声認識に関する様々な技術が提案されている。例えば、特許文献１には、話者の音声から、音声の内容と話者とを正確に認識した後、話者を追加で認証することができる方法が開示されている。

特開２０１９−０２８４６４号公報

特許文献１に記載の方法では、ユーザは認証を受けるために声を出す必要がある。つまり、音声認識装置は、ユーザが誰であるかを推定するために、ユーザに声を出すことを求めることが必要である。

本発明は、ユーザに声を出すことを要求することなくユーザが誰であるかを推定することができる推定システム、及び、推定方法を提供する。

本発明の一態様に係る推定システムは、建物の居住者に関する情報の登録を受け付ける登録受付部と、前記建物の内部におけるユーザの歩行音を取得する歩行音取得部と、前記歩行音取得部によって取得された歩行音から抽出される特徴量を入力とする機械学習モデルを用いて、前記ユーザが登録済みの居住者のいずれであるかを推定する推定部とを備える。

本発明の一態様に係る推定方法は、建物の居住者に関する情報の登録を受け付け、前記建物の内部におけるユーザの歩行音を取得し、取得された歩行音から抽出される特徴量を入力とする機械学習モデルを用いて前記ユーザが登録済みの居住者のいずれであるかを推定する。

本発明の推定システム、及び、推定方法は、ユーザに声を出すことを要求することなくユーザが誰であるかを推定することができる。

図１は、実施の形態に係る推定システムの機能構成を示すブロック図である。 図２は、実施の形態に係る配線器具の外観斜視図である。 図３は、実施の形態に係る推定システムの動作例１のフローチャートである。 図４は、登録情報の一例を示す図である。 図５は、歩行音の信号波形を示す図である。 図６は、表示部に表示される画像の一例を示す図である。 図７は、実施の形態に係る推定システムの動作例２のフローチャートである。 図８は、学習モードの初期画面の一例を示す図である。 図９は、実施の形態に係る推定システムの動作例３のフローチャートである。 図１０は、実施の形態に係る推定システムの動作例４のフローチャートである。 図１１は、複数のユーザがいるか否かを判断する方法を説明するための図である。 図１２は、複数の配線器具の配置の一例を示す図である。 図１３は、実施の形態に係る推定システムの動作例５のフローチャートである。 図１４は、実施の形態に係る推定システムの動作例６のフローチャートである。 図１５は、実施の形態に係る推定システムの動作例７のフローチャートである。 図１６は、時間窓の長さの推定精度への影響を説明するための図である。 図１７は、実施の形態に係る推定システムの動作例８のフローチャートである。

以下、実施の形態について、図面を参照しながら具体的に説明する。なお、以下で説明する実施の形態は、いずれも包括的または具体的な例を示すものである。以下の実施の形態で示される数値、形状、材料、構成要素、構成要素の配置位置及び接続形態、ステップ、ステップの順序などは、一例であり、本発明を限定する主旨ではない。また、以下の実施の形態における構成要素のうち、独立請求項に記載されていない構成要素については、任意の構成要素として説明される。

なお、各図は模式図であり、必ずしも厳密に図示されたものではない。また、各図において、実質的に同一の構成に対しては同一の符号を付し、重複する説明は省略または簡略化される場合がある。

（実施の形態）
［構成］
まず、実施の形態に係る推定システムの構成について説明する。図１は、実施の形態に係る推定システムの機能構成を示すブロック図である。

図１に示されるように、推定システム１０は、複数の配線器具２０と、制御装置３０と、照明機器４０と、空調機器５０と、サーバ装置６０とを備える。また、図１では、携帯端末７０も図示されている。推定システム１０は、少なくとも１つの配線器具２０を備えればよい。また、推定システム１０が複数の配線器具２０を備える場合、複数の配線器具２０の数は特に限定されない。

図１に示される建物８０は、例えば、集合住宅または戸建住宅などの住宅であるが、介護施設またはオフィスなどであってもよい。建物８０内には、居住者が位置する。居住者は、推定システム１０における識別対象者の一例である。本明細書において、「居住」及び「居住者」とは広義の意味である。また、建物８０内には、配線器具２０、制御装置３０、照明機器４０、及び、空調機器５０が設置されている。サーバ装置６０は、クラウド（言い換えれば、クラウドサーバ）として実現される。

まず、配線器具２０について説明する。図２は、配線器具２０の外観斜視図である。配線器具２０は、照明機器４０への電力供給をオン及びオフするための壁スイッチ、または、コンセントなどの配線器具であり、壁スイッチ及びコンセントの少なくとも一方が設けられた前面パネル２７（図２に図示。図２の例ではコンセント付き）を備える。配線器具２０は、建物８０内の壁または天井などの構造物に取り付けられる。複数の配線器具２０は、建物８０内の互いに異なる場所に設置される。また、配線器具２０は、建物８０内のユーザの歩行音（言い換えれは、足音）を検知して情報提示を行うこともできる。

配線器具２０は、具体的には、受付部２１と、表示部２２と、歩行音取得部２３と、情報処理部２４と、記憶部２５と、通信部２６とを備える。これらの構成要素は、配線器具２０が備える筐体２８（図２に図示）に収容される。筐体２８を含む、前面パネル２７以外の部分は、壁または天井などの構造物に埋め込まれる。

受付部２１は、登録受付部、及び、入力受付部の一例であり、建物８０の居住者の操作を居住者から受け付ける。受付部２１は、例えば、表示部２２に重ね合わされるタッチパネルであるが、前面パネル２７に設けられたハードウェアボタンであってもよい。

表示部２２は、情報処理部２４の制御に基づいて、画像を表示する。表示部２２は、例えば、液晶パネルまたは有機ＥＬ（Ｅｌｅｃｔｒｏ Ｌｕｍｉｎｅｓｃｅｎｃｅ）パネルなどの表示パネルである。なお、配線器具２０が壁スイッチとして機能する場合、スイッチは、ハードウェアスイッチではなく、表示部２２を用いたＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）であってもよい。

歩行音取得部２３は、居住者の歩行音を取得し、取得した歩行音を示す信号を出力する。歩行音取得部２３は、例えば、マイクロフォンによって実現されるが、振動センサなどによって実現されてもよい。

情報処理部２４は、表示部２２への画像の表示制御、及び、歩行音取得部２３から出力される信号の信号処理などを行う。情報処理部２４は、例えば、マイクロコンピュータによって実現されるが、プロセッサによって実現されてもよい。情報処理部２４は、推定部２４ａ、学習部２４ｂ、及び、再学習部２４ｃを含む。

記憶部２５は、情報処理部２４が実行するコンピュータプログラムなどが記憶される記憶装置である。記憶部２５は、例えば、半導体メモリなどによって実現される。

通信部２６は、配線器具２０が制御装置３０及び携帯端末７０と局所通信ネットワークを介して通信を行うための通信回路（通信モジュール）である。通信部２６によって行われる通信は、例えば、無線通信であるが、有線通信であってもよい。通信に用いられる通信規格についても特に限定されない。また、配線器具２０と制御装置３０との間で行われる通信の通信規格、及び、配線器具２０と携帯端末７０との間で行われる通信の通信規格が異なるような場合、通信部２６は、２種類以上の通信回路によって実現されてもよい。

次に、制御装置３０について説明する。制御装置３０は、例えば、エネルギーマネジメント機能を有するＨＥＭＳ（Ｈｏｍｅ Ｅｎｅｒｇｙ Ｍａｎａｇｅｍｅｎｔ Ｓｙｓｔｅｍ）コントローラであり、建物８０内に設置され、建物８０内（あるいは、建物８０の敷地内）に設置された機器（具体的には、照明機器４０及び空調機器５０など）の消費電力を管理する。また、制御装置３０は、建物８０内に設置された機器の状態の取得及び表示、並びに、建物８０内に設置された機器の制御などを行う。制御装置３０は、ＨＥＭＳコントローラに限定されず、エネルギーマネジメント機能を有しない他のホームコントローラであってもよい。制御装置３０は、通信部３１と、情報受付部３２と、制御部３３と、記憶部３４とを備える。

通信部３１は、制御装置３０が複数の配線器具２０、照明機器４０、及び、空調機器５０と通信を行うための通信回路（通信モジュール）である。通信部３１によって行われる通信は、例えば、無線通信であるが、有線通信であってもよい。通信に用いられる通信規格についても特に限定されない。また、制御装置３０と配線器具２０との間で行われる通信の通信規格、及び、制御装置３０と照明機器４０または空調機器５０との間で行われる通信の通信規格が異なるような場合、通信部３１は、２種類以上の通信回路によって実現されてもよい。

また、通信部３１は、インターネットなどの広域通信ネットワーク９０を介してサーバ装置６０と通信を行うこともできる。この場合、制御装置３０は、ゲートウェイとして機能し、配線器具２０は、制御装置３０を介してサーバ装置６０と通信を行うことができる。

情報受付部３２は、情報の入力操作を建物８０の居住者から受け付ける。受付部２１は、例えば、タッチパネルであるが、ハードウェアボタンであってもよい。

制御部３３は、後述のユーザの位置推定に関する情報処理を行う。制御部３３は、例えば、マイクロコンピュータによって実現されるが、プロセッサによって実現されてもよい。制御部３３は、信号取得部３３ａ、及び、位置推定部３３ｂを含む。

記憶部３４は、制御部３３が実行するコンピュータプログラムなどが記憶される記憶装置である。記憶部３４は、例えば、半導体メモリなどによって実現される。

［動作例１］
推定システム１０は、ユーザの歩行音に基づいて、ユーザが登録済みの居住者のいずれであるかを推定する（以下、単に「ユーザを推定する」などとも記載される）ことができる。以下、このような推定システム１０の動作例１について説明する。図３は、推定システム１０の動作例１のフローチャートである。

まず、受付部２１は、建物８０の居住者に関する情報の登録を受け付ける（Ｓ１１）。建物８０の居住者に関する情報は、例えば、居住者の名称、居住者の属性情報、居住者のスケジュール情報、及び、居住者が所有する携帯端末７０のＩＤ（端末ＩＤ）などである。居住者の属性情報には、性別、年齢、身長などが含まれる。これらの情報は、情報処理部２４によって居住者ＩＤが付与された上で登録情報として記憶部２５に記憶される（Ｓ１２）。図４は、登録情報の一例を示す図である。

次に、歩行音取得部２３は、建物８０の内部におけるユーザの歩行音を取得する（Ｓ１３）。推定部２４ａは、歩行音取得部２３によって取得された歩行音から特徴量を抽出する（Ｓ１４）。推定部２４ａは、具体的には、歩行音取得部２３が出力する歩行音を示す信号（以下、歩行音信号とも記載される）から特徴量を抽出する。特徴量は、より詳細には、音声特徴量である。特徴量は、例えば、歩行音に基づいて定まる歩行周期に関する情報、歩行音の強度に関する情報、及び、歩行音の周波数特性に関する情報などの少なくとも１つである。図５は、歩行音の信号波形を示す図である。

図５において、１つの波形のかたまりは、ユーザが足を着地させたことによる歩行音（１歩分の歩行音）に相当する。歩行周期に関する情報は、具体的には、歩行音の信号波形のうち正のピークから次の正のピークまでの時間間隔Ｔ（例えば、右足を着地してから左足を着地するまでの時間間隔）であるが、正のピークから次の次の正のピークまでの時間間隔（右足を着地してから次に右足を着地するまでの時間）であってもよい。また、時間間隔は、負のピークを基準に特定されてもよいし、平均化などの統計処理が行われてもよい。

歩行音の強度に関する情報は、具体的には、１歩分の歩行音の波形における最大振幅Ｖ、または、１歩分の歩行音の振幅の二乗の時間平均値などである。

歩行音の周波数特性に関する情報は、具体的には、ＭＦＣＣ（Ｍｅｌ−Ｆｒｅｑｕｅｎｃｙ Ｃｅｐｓｔｒａｌ Ｃｏｅｆｆｉｃｉｅｎｔｓ）、または、メルスペクトラム（Ｌｏｇ−ｍｅｌ Ｓｐｅｃｔｒｕｍ）などである。歩行音の周波数特性に関する情報は、共振周波数などであってもよい。

なお、これらの特徴量は一例であり、推定部２４ａは、これらの特徴量以外の特徴量を抽出してもよい。

次に、推定部２４ａは、抽出した特徴量を機械学習モデルに入力することにより、ステップＳ１３において歩行音を発したユーザが、ステップＳ１１において登録された居住者のいずれであるかを推定する（Ｓ１５）。機械学習モデルは、居住者以外の不特定多数の人の歩行音（より具体的には、歩行音から抽出される特徴量）を学習している。機械学習モデルは、具体的には、属性情報によってラベル付けされた歩行音の特徴量を教師データとして学習しており、特徴量を入力することにより属性情報を出力する。

推定部２４ａは、機械学習モデルから出力される属性情報と、記憶部２５に記憶された登録情報に含まれる居住者の属性情報とを比較し、機械学習モデルから出力される属性情報に最も近い属性情報を有する居住者を特定する。そして、推定部２４ａは、特定した居住者をステップＳ１３において歩行音を発したユーザであると推定する。

次に、推定部２４ａは、推定した居住者に応じた画像を表示部２２に表示させる（Ｓ１６）。推定部２４ａは、具体的には、記憶部２５に記憶された登録情報を参照することにより、ステップＳ１５で特定した居住者の居住者ＩＤに紐づけられたスケジュール情報を示す画像を表示部２２に表示させる。図６は、表示部２２に表示される画像の一例を示す図である。

以上説明したように、推定システム１０は、ユーザの歩行音に基づいてユーザが誰であるか（どの居住者であるか）を推定することができる。推定システム１０は、ユーザが配線器具２０の周辺を歩くだけで、そのユーザに応じたスケジュール情報を表示する、といった制御が可能である。

ところで、推定部２４ａの推定結果に誤りがある場合が考えられる。このような場合、再学習部２４ｃは、学習をやり直す（再学習する）。再学習部２４ｃは、まず、推定結果が正しいか否かを判定する（Ｓ１７）。再学習部２４ｃは、例えば、図６の画像が表示されているときに正しい居住者の入力が受け付けられたか否かを判定する。このとき入力される情報は、推定結果の正否に関する正否情報の一例である。

再学習部２４ｃは、受付部２１によって正しい居住者の入力が受け付けられなかった場合には推定結果が正しかったと判定し（Ｓ１７でＹｅｓ）、再学習を行わない。

一方、再学習部２４ｃは、受付部２１によって正しい居住者の入力が受け付けられた場合には推定結果が誤っていたと判定し（Ｓ１７でＮｏ）、再学習を行う（Ｓ１８）。再学習部２４ｃは、具体的には、登録情報を参照することにより正しい居住者の属性情報を特定し、ステップＳ１４で抽出された特徴量を、特定した属性情報によってラベル付けする。再学習部２４ｃは、このようにラベル付けされた特徴量を教師データとして機械学習モデルに学習させる。この結果、機械学習モデルが更新される。また、推定部２４ａは、正しい居住者に応じた画像（正しい居住者のスケジュール情報を示す画像）を表示部２２に表示させる（Ｓ１９）。

このように、推定システム１０は、推定結果が誤りである場合には、再学習により推定精度の向上を図ることができる。

なお、動作例１では、ユーザの推定結果に応じて情報を提示（表示）する例について説明されたが、推定結果はどのように用いられてもよい。例えば、登録情報において居住者ごとに照明機器４０の明るさ、及び、空調機器５０の設定温度などの機器の制御内容が記憶されている場合、推定結果に応じて機器の制御が行われてもよい。機器の制御は、例えば、配線器具２０が制御装置３０に機器の制御を依頼することにより実現されるが、配線器具２０によって直接機器が制御されてもよい。

［動作例２］
動作例１では、機械学習モデルはあらかじめ居住者以外の不特定多数の人の歩行音を学習していた。しかしながら、機外学習モデルは、推定システム１０の初期設定時などに、居住者の歩行音を学習することによって構築されてもよい。図７は、このような推定システム１０の動作例２のフローチャートである。

まず、受付部２１は、歩行音の学習を行うための学習モードへ遷移するための入力をユーザから受け付け（Ｓ２１）、表示部２２は、このような入力が受け付けられたことを契機に学習モードの初期画面を表示する（Ｓ２２）。図８は、学習モードの初期画面の一例を示す図である。

図８に示される初期画面では、居住者名の入力と、歩行音の集音の開始を指示する入力（集音開始のトリガとなる入力）とが要求される。図８のような初期画面が表示されているときに、受付部２１によって居住者名の入力、及び、集音の開始を指示する入力が受け付けられると（Ｓ２３）、居住者は歩行し、歩行音取得部２３は、居住者の歩行音を取得する（Ｓ２４）。

学習部２４ｂは、歩行音取得部２３によって取得される居住者の歩行音を機械学習モデルに学習させる（Ｓ２５）。学習部２４ｂは、具体的には、歩行音取得部２３が出力する歩行音を示す信号から特徴量を抽出し、抽出された特徴量を、ステップＳ２３において入力された居住者名によってラベル付けする。学習部２４ｂは、このようにラベル付けされた特徴量を教師データとして、機械学習モデルに居住者の歩行音を学習させる。このような学習が繰り返されることにより、特徴量を入力として居住者名を出力することができる機械学習モデルが構築される。

動作例２によって構築された機械学習モデルを用いたユーザの推定方法は、動作例１と同様である。ただし、機械学習モデルが属性情報ではなく居住者名を出力する点については異なる。また、動作例１と同様に、動作例２によって構築された機械学習モデルに再学習を行わせることも可能である。

このように、推定システム１０は、居住者の識別に最適化された機械学習モデルを用いることで、ユーザがいずれの居住者であるかを高い精度で推定することができる。

なお、発明者らの知見によれば、人の歩き始めから２歩目まで歩行音と、３歩目以降の歩行音とは、特徴量に有意な差がある。そうすると、学習部２４ｂは、２歩目までの歩行音と３歩目以降の歩行音とを区別せずに機械学習モデルに学習させると、学習の効率が悪くなる可能性がある。また、ユーザの推定精度が低下する可能性もある。

そこで、学習部２４ｂは、居住者の歩き始めから２歩目までの歩行音と３歩目以降の歩行音とを区別して、歩行音を機械学習モデルに学習させてもよい。学習部２４ｂは、例えば、２歩目までの歩行音から抽出される特徴量、及び、３歩目以降の歩行音から抽出される特徴量の一方を教師データとして使用し、他方は使用しない、といったルールに基づいて歩行音を機械学習モデルに学習させる。あるいは、学習部２４ｂは、特徴量が、２歩目までの歩行音から抽出された特徴量なのか３歩目以降の歩行音から抽出された特徴量なのかをラベル付けした教師データによって学習させる。これにより、学習の効率の悪化、及び、ユーザの推定精度の低下などの発生を抑制することができる。

［動作例３］
動作例２では、特徴量は手動入力される居住者名によってラベル付けされたが、手動入力以外の方法でラベル付けされてもよい。図９は、このような推定システム１０の動作例３のフローチャートである。なお、以下の動作例３の説明では、動作例２との相違点を中心に説明が行われ、既出事項についての説明は適宜省略される。

まず、受付部２１は、配線器具２０が歩行音の学習を行うための学習モードへ遷移するための入力をユーザから受け付け（Ｓ３１）、表示部２２は、このような入力が受け付けられたことを契機に学習モードの初期画面を表示する（Ｓ３２）。動作例３では、初期画面において、居住者名の入力は要求されない。初期画面が表示されているときに、受付部２１によって集音の開始を指示する入力が受け付けられると（Ｓ３３）、居住者は歩行し、歩行音取得部２３は、居住者の歩行音を取得する（Ｓ３４）。

一方、学習モードの動作中に、通信部２６は、居住者が所有する携帯端末７０からビーコン信号を取得している（Ｓ３５）。学習部２４ｂは、通信部２６によって取得されるビーコン信号に含まれる携帯端末７０のＩＤに基づいて、歩行音取得部２３によって取得される居住者の歩行音をラベル付けする（Ｓ３６）。学習部２４ｂは、具体的には、歩行音取得部２３が出力する歩行音を示す信号から特徴量を抽出し、抽出した特徴量をビーコン信号に含まれる携帯端末７０のＩＤ（以下、端末ＩＤとも記載される）でラベル付けする。なお、端末ＩＤは、記憶部２５に記憶された登録情報を用いて居住者ＩＤ等に変換され、特徴量は居住者ＩＤ等によってラベル付けされてもよい。

学習部２４ｂは、このようにラベル付けされた特徴量を教師データとして、機械学習モデルに歩行音を学習させる（Ｓ３７）。このような学習が繰り返されることにより、特徴量を入力として端末ＩＤを出力することができる機械学習モデルが構築される。端末ＩＤは、記憶部２５に記憶された登録情報を用いて居住者ＩＤ等に変換することができる。つまり、端末ＩＤは、居住者ＩＤと同様に取り扱うことができる。

このように、推定システム１０は、ビーコン信号に含まれる端末ＩＤを用いて生成される教師データに基づいて、機械学習モデルを構築することができる。ユーザは、居住者ＩＤ等を手動入力する必要が無いため、機械学習モデルの構築する際の利便性が向上される。なお、手動入力、及び、ビーコン信号の取得以外のラベル付けの方法として、話者認識（音声認識）による方法が考えられる。配線器具２０が話者認識に対応しており、かつ、ユーザの歩行時にユーザの声を取得できる場合には、話者認識によりラベル付けが行われてもよい。

動作例３によって構築された機械学習モデルを用いたユーザの推定方法は、動作例１と同様である。ただし、機械学習モデルが属性情報ではなく端末ＩＤを出力する点については異なる。また、動作例１と同様に、動作例３によって構築された機械学習モデルに再学習を行わせることも可能である。動作例３においても、学習部２４ｂは、居住者の歩き始めから２歩目までの歩行音と３歩目以降の歩行音とを区別して、歩行音を機械学習モデルに学習させてもよい。

なお、機械学習モデルの構築には、Ｋ−ｍｅａｎｓ、Ｋ−Ｓｈａｐｅ、Ｋ−Ｎｅａｒｅｓｔ Ｎｅｉｇｈｂｏｒなどのクラスタリング方式が用いられてもよい。このような場合、ラベル付けは不要となる。つまり、機械学習モデルの構築に際してラベル付けが行われることは必須ではない。

［動作例４］
ところで、建物８０の内部（具体的には、配線器具２０の周囲）で複数人のユーザが歩行している場合、歩行音取得部２３が取得する歩行音には、複数人分の歩行音が含まれる場合がある。以下、このような場合の推定システム１０のユーザの推定動作（動作例４）について説明する。図１０は、推定システム１０の動作例４のフローチャートである。

まず、歩行音取得部２３は、建物８０の内部におけるユーザの歩行音を取得する（Ｓ４１）。推定部２４ａは、歩行音取得部２３によって取得された歩行音に基づいて、建物８０の内部に複数のユーザがいるか否かを判断する（Ｓ４２）。推定部２４ａは、具体的には、歩行音取得部２３によって取得された歩行音のピークが現われる時間間隔に基づいて建物８０の内部に複数のユーザがいるか否かを判断する。図１１は、複数のユーザがいるか否かを判断する方法を説明するための図である。

図１１の（ａ）は、第一ユーザの歩行音の波形を示す図であり、図１１の（ｂ）は、第二ユーザの歩行音の波形を示す図であり、図１１の（ｃ）は、第一ユーザ及び第二ユーザの歩行音が合成された波形を示す図である。

歩行音取得部２３によって取得された歩行音の波形が図１１の（ｃ）のように複数人（具体的には、２人分）の歩行音の波形が合成された波形である場合、図１１の（ｃ）の（ｃ１）のように、歩行音のピークが現われる時間間隔が極端に短い部分が生じる。推定部２４ａは、時間間隔が極端に短い部分を、時間間隔と閾値との比較により検出することで、複数のユーザがいるか否かを判断することができる。

推定部２４ａは、建物８０の内部に１人しかユーザがいないと判断した場合には（Ｓ４２でＮｏ）、歩行音取得部２３によって取得された歩行音から抽出される特徴量を入力とする機械学習モデルを用いて、ユーザが登録済みの居住者のいずれであるかを推定する（Ｓ４３）。具体的な推定方法は、動作例１〜３で説明した通りである。

一方、推定部２４ａは、建物８０の内部に複数のユーザがいると判断した場合には（Ｓ４２でＹｅｓ）、歩行音取得部２３によって取得された歩行音から１人分の歩行音を分離する（Ｓ４４）。推定部２４ａは、例えば、図１１の（ｃ）の（ｃ２）のように、波形のピークレベルが所定値よりも低い部分をマスク（無効化）することにより、歩行音取得部２３によって取得された歩行音から１人分の歩行音を分離することができる。推定部２４ａは、波形のピークレベルが所定値よりも高い部分をマスクしてもよい。

そして、推定部２４ａは、分離した歩行音から抽出される特徴量を入力とする機械学習モデルを用いてユーザが登録済みの居住者のいずれであるかを推定する（Ｓ４５）。具体的な推定方法は、動作例１〜３で説明した通りである。

このように、推定システム１０は、建物８０の内部に複数のユーザがいる場合も、そのうちの１人のユーザがいずれの居住者であるかを高い精度で推定することができる。

［動作例５］
建物８０の内部に複数の配線器具２０が配置されている場合、複数の配線器具２０が通信部２６を用いて互いに通信することにより、一の配線器具２０は、他の配線器具２０の推定結果を取得することができる。図１２は、複数の配線器具２０の配置の一例を示す図である。図１２に示されるように、ユーザが左から右に歩行する場合、一番右に位置する配線器具２０は、事前に他の配線器具２０ａ及び配線器具２０ｂの推定結果を取得することができる。このような場合、一番右に位置する配線器具２０は、他の配線器具２０ａ及び配線器具２０ｂの推定結果を考慮して、ユーザがいずれの居住者であるかを推定してもよい。図１３は、このような推定システム１０の動作例５のフローチャートである。

まず、配線器具２０の推定部２４ａは、通信部２６を介して、配線器具２０ａ及び配線器具２０ｂから、ユーザの推定結果を取得する（Ｓ５１）。配線器具２０ａ及び配線器具２０ｂのそれぞれは、配線器具２０と同様にユーザの推定を行い、推定が完了するたびに推定結果を送信することで、推定結果が複数の配線器具２０の間で共有される。

次に、配線器具２０の歩行音取得部２３は、ユーザの歩行音を取得する（Ｓ５２）。配線器具２０の推定部２４ａは、歩行音（機械学習モデル）に加えて、取得した他の配線器具の推定結果を用いて、ユーザが登録済みの居住者のいずれであるかを推定する（Ｓ５３）。

例えば、推定部２４ａは、配線器具２０ａ、及び、配線器具２０ｂの推定結果が下記の２つの要件を満たすか否かを判定する。

第一の要件は、配線器具２０ａの推定結果が示す居住者、及び、配線器具２０ｂの推定結果が示す居住者が同一（例えば、ユーザＡとする）であるという要件である。第二の要件は、このユーザＡが配線器具２０に向かって歩行しているこという要件である。配線器具２０の記憶部２５に、配線器具２０ａ、及び、配線器具２０ｂの位置情報が記憶されていれば、配線器具２０の推定部２４ａは、推定結果が取得された順番と、上記位置情報に基づいて、第二の要件が満たされるか（ユーザＡが配線器具２０に向かって歩行しているか否か）を判定することができる。

推定部２４ａは、上記２つの要件が満たされる場合に、機械学習モデルから出力される推定結果を補正する。例えば、機械学習モデルから、ユーザＡ○○％、ユーザＢ××％・・のように居住者ごとの確率が出力される場合、推定部２４ａは、上記２つの要件が満たされるときに限ってユーザＡの確率を所定のパーセンテージだけ上乗せする。その後、推定部２４ａは、最も確率の高い居住者が、歩行音を発したユーザであると推定する。

このように、配線器具２０は、他の配線器具２０ａ及び他の配線器具２０ｂ（言い換えれば、他の歩行音取得部２３、及び、他の推定部２４ａ）の推定の結果を用いて、ユーザの推定精度を高めることができる。

［動作例６］
制御装置３０は、複数の配線器具２０（複数の歩行音取得部２３）のそれぞれから歩行音信号を取得することにより、ユーザの位置を推定することもできる。以下、このような推定システム１０の動作例６について説明する。図１４は、推定システム１０の動作例６のフローチャートである。

信号取得部３３ａは、通信部３１を介して、複数の配線器具２０（複数の歩行音取得部２３）のそれぞれから、ユーザの歩行音を示す歩行音信号を取得する（Ｓ６１）。上述のように複数の配線器具２０（複数の歩行音取得部２３）は、建物８０の内部の異なる場所に設置されている。つまり、複数の信号取得部３３ａは、各々が、建物８０の内部の異なる場所で得られたユーザの歩行音を示す複数の歩行音信号を取得する。

次に、位置推定部３３ｂは、ステップＳ６１において取得された複数の歩行音信号のそれぞれを、時間窓単位で周波数領域の信号に変換し（Ｓ６２）、変換によって得られる周波数領域の信号を積分することにより、パワー値を算出する（Ｓ６３）。つまり、複数の歩行音信号それぞれのパワー値が算出される。

次に、位置推定部３３ｂは、複数の歩行音信号のパワー値を比較することにより、最もパワー値が大きい歩行音信号を出力した配線器具２０を特定する（Ｓ６４）。そして、位置推定部３３ｂは、特定した配線器具２０の周辺をユーザの現在位置として推定する（Ｓ６５）。なお、ステップＳ６３では、複数の歩行音信号のそれぞれについて所定期間における複数のパワー値が算出され、ステップＳ６４では複数のパワー値の平均同士が比較されてもよい。また、ステップＳ６３では、パワー値に代えて、ＭＦＣＣ、または、メルケプストラムなどのパワー値以外のパラメータが算出され、ステップＳ６４では、算出されたパラメータに基づいて配線器具２０が特定されてもよい。

次に、位置推定部３３ｂは、ユーザの位置の推定結果に基づく提示を行う（Ｓ６６）。例えば、位置推定部３３ｂは、通信部３１に、ステップＳ６４において特定した配線器具２０へ制御信号を送信させることにより、当該配線器具２０に情報提示を指示することができる。つまり、位置推定部３３ｂは、複数の配線器具２０のうちユーザが周囲に滞在していると考えられる配線器具２０にのみ情報の提示を行わせることができる。また、推定システム１０は、動作例６のようなユーザの位置推定と、動作例１〜５のユーザ推定とを組み合わせることで、ユーザに応じた情報提示を行うこともできる。

このように、推定システム１０は、複数の配線器具２０（複数の歩行音取得部２３）から得られる歩行音信号に基づいて、ユーザの位置を推定することができる。

なお、動作例６では、ユーザの位置の推定結果に応じて情報を提示（表示）する例について説明されたが、ユーザの位置の推定結果はどのように用いられてもよい。例えば、配線器具２０が建物８０内の部屋に１つずつ設置されているような場合、ユーザの位置の推定結果に応じて機器の制御が行われてもよい。この場合の機器の制御は、例えば、ユーザが存在すると推定される部屋の照明機器４０及び空調機器５０をオンし、ユーザが存在しないと推定される部屋の照明機器４０及び空調機器５０をオフする制御である。

［動作例７］
動作例６のユーザの位置推定においては、複数の歩行音取得部２３の個体差が推定精度の低下の原因となりうる。そこで、位置推定部３３ｂは、個体差を低減するための信号処理を行ってもよい。図１５は、このような推定システム１０の動作例７のフローチャートである。

信号取得部３３ａは、通信部３１を介して、複数の配線器具２０（複数の歩行音取得部２３）のそれぞれから、ユーザの歩行音を示す歩行音信号を取得する（Ｓ７１）。

次に、位置推定部３３ｂは、ユーザが歩行していない期間（つまり、無音期間）に得られる歩行音信号の時間平均値を算出し、算出した時間平均値を記憶部３４に記憶しておく（Ｓ７２）。位置推定部３３ｂは、複数の歩行音信号のそれぞれについてこの処理を行う。この時間平均値は、言い換えれば、歩行音信号のオフセットである。なお、ここでの無音期間とは、歩行音信号のうち実質的に歩行音に応じた信号の変化が現われていない期間という広義の意味であり、厳密な意味ではない。無音期間とは、例えば、歩行音信号のうち振幅が所定値よりも小さい期間（歩行音信号のうち振幅が極めて小さいと判定される期間）である。

次に、位置推定部３３ｂは、ユーザが歩行しているときに得られた複数の歩行音信号それぞれを、当該歩行音信号の無音期間における信号レベル（具体的には、歩行音信号の無音期間における時間平均値など）に基づいて補正する（Ｓ７３）。位置推定部３３ｂは、具体的には、ユーザが歩行しているときに得られる複数の歩行音信号のそれぞれから、当該歩行音信号に対応する時間平均値を減算する。これにより、複数の歩行音信号のレベル差（複数の歩行音取得部２３の個体差）が調整される。

次に、位置推定部３３ｂは、ステップＳ７３において補正された複数の歩行音信号のそれぞれを、時間窓単位で周波数領域の信号に変換し（Ｓ７４）、変換によって得られる周波数領域の信号を積分することにより、パワー値を算出する（Ｓ７５）。ステップＳ７６以降の処理は、ステップＳ６４以降の処理と同様である。

このように、推定システム１０は、歩行音信号を、当該歩行音信号の無音期間における信号レベルに基づいて補正することで、ユーザの位置の推定精度の向上を図ることができる。

［動作例８］
動作例６のユーザの位置推定においては、ステップＳ６２で使用される時間窓の長さが推定精度の低下の原因となりうる。図１６は、時間窓の長さの推定精度への影響を説明するための図である。図１６の（ａ）はある配線器具２０が取得したユーザの歩行音の波形を示し、図１６の（ｂ）は、他の配線器具２０が取得した同じユーザの歩行音の波形を示す。

上述のように複数の配線器具２０（複数の歩行音取得部２３）は、建物８０の内部の異なる場所に設置されている。このため、複数の配線器具２０は、同じユーザの歩行音を異なるタイミングで取得する。例えば、２つの配線器具２０が距離Ｌだけ離れて設置されている場合、音速をｖとすると、図１６に示されるように、Ｌ／ｖだけタイミングがずれる。ここで、歩行音の１歩分の長さ（標準的な長さ）を有する時間窓Ｗ１が採用されると、図１６の（ａ）の波形の全体が時間窓Ｗ１に含まれるときに図１６の（ｂ）の波形の全体が時間窓Ｗ１に含まれないため、推定精度が低下する懸念がある。このような場合、歩行音の１歩分の長さをＬ／ｖだけ（あるいは、Ｌ／ｖ以上）延長した時間窓Ｗ２が採用されれば、図１６の（ａ）の波形の全体が時間窓Ｗ２に含まれるときに図１６の（ｂ）の波形の全体が時間窓Ｗ２に含まれるため、推定精度の向上が見込まれる。

以下、このように時間窓の長さを決定する動作（動作例８）について説明する。図１７は、推定システム１０の動作例８のフローチャートである。

まず、制御装置３０の情報受付部３２は、複数の配線器具２０（複数の歩行音取得部２３）の間の距離を直接または間接に示す距離情報をユーザから受け付ける（Ｓ８１）。情報受付部３２は、例えば、複数の配線器具２０間の距離を数値等で直接的に示す距離情報を受け付ける。建物８０の３次元ＣＡＤデータ（言い換えれば、ＢＩＭデータ）が記憶部３４に記憶されているような場合には、情報受付部３２は、複数の配線器具２０が設置された部屋を示す情報を、複数の配線器具２０間の距離を間接的に示す距離情報として受け付ける。

次に、位置推定部３３ｂは、受け付けられた距離情報に基づいて時間窓の長さを決定する（Ｓ８２）。位置推定部３３ｂは、例えば、距離情報が示す距離Ｌと音速ｖとを用いて、時間窓Ｗ２の長さ＝時間窓Ｗ１の長さ＋Ｌ／ｖの計算式に基づいて時間窓の長さを決定する。なお、距離情報が距離を間接的に示す情報である場合、ステップＳ８２において、位置推定部３３ｂは、距離情報から距離Ｌを算出する処理を行う。距離情報が距離を間接的に示す情報である場合、距離Ｌは概算であってもよい。また、複数の配線器具２０の数が３つ以上である場合には、距離Ｌは、最も離れて位置する２つの配線器具２０間の距離となる。

このように、推定システム１０は、歩行音信号を周波数領域の信号に変換する際の時間窓の長さを、複数の配線器具２０（複数の歩行音取得部２３）の間の距離に基づいて決定することで、ユーザの位置の推定精度の向上を図ることができる。

［効果等］
以上説明したように、推定システム１０は、建物８０の居住者に関する情報の登録を受け付ける受付部２１と、建物８０の内部におけるユーザの歩行音を取得する歩行音取得部２３と、歩行音取得部２３によって取得された歩行音から抽出される特徴量を入力とする機械学習モデルを用いて、ユーザが登録済みの居住者のいずれであるかを推定する推定部２４ａとを備える。受付部２１は、登録受付部の一例である。

このような推定システム１０は、ユーザに声を出すことを要求することなくユーザがいずれの居住者であるか推定することができる。

また、例えば、機械学習モデルは、居住者以外の人の歩行音を学習することによってあらかじめ構築され、受付部２１は、居住者に関する情報として、居住者の属性情報の登録を受け付ける。推定部２４ａは、機械学習モデルを用いてユーザの属性情報を推定し、推定した属性情報に基づいてユーザが登録済みの居住者のいずれであるかを推定する。

このような推定システム１０は、機械学習モデルが居住者の歩行音を学習していなくても、ユーザがいずれの居住者であるかを推定することができる。

また、例えば、推定システム１０は、さらに、歩行音取得部２３によって取得される居住者の歩行音を機械学習モデルに学習させることによって機械学習モデルを構築する学習部２４ｂと、居住者が所有する携帯端末７０からビーコン信号を取得する通信部２６とを備える。学習部２４ｂは、通信部２６によって取得されるビーコン信号に含まれるＩＤに基づいて、歩行音取得部２３によって取得される居住者の歩行音をラベル付けし、ラベル付けされた当該歩行音を機械学習モデルに学習させる。

このような推定システム１０は、居住者の歩行音を学習した機械学習モデルを用いて、ユーザがいずれの居住者であるかを推定することができる。また、機械学習モデルが居住者の歩行音を学習する際に手動入力によるラベル付けが不要であるため、機械学習モデルを構築する際の居住者の利便性が向上される。

また、例えば、学習部２４ｂは、居住者の２歩目まで歩行音と居住者の３歩目以降の歩行音とを区別して、歩行音取得部２３によって取得される居住者の歩行音を機械学習モデルに学習させる。

このような推定システム１０は、学習の効率の悪化、及び、ユーザの推定精度の低下などの発生を抑制することができる。

また、例えば、推定システム１０は、さらに、ユーザが登録済みの居住者のいずれであるかの推定結果を表示する表示部２２と、推定結果が表示されているときに、ユーザから推定結果の正否に関する正否情報の入力を受け付ける受付部２１と、受け付けられた正否情報に基づいて、機械学習モデルに歩行音を再学習させる再学習部２４ｃとを備える。受付部２１は、入力受付部の一例である。

このような推定システム１０は、推定結果が誤りである場合に、再学習により推定精度の向上を図ることができる。

また、例えば、特徴量には、歩行音に基づいて定まる歩行周期に関する情報、歩行音の強度に関する情報、及び、歩行音の周波数特性の少なくとも１つが含まれる。

このような推定システム１０は、歩行音に基づいて定まる歩行周期に関する情報、歩行音の強度に関する情報、及び、歩行音の周波数特性の少なくとも１つを機械学習モデルに入力することにより、ユーザがいずれの居住者であるかを推定することができる。

また、例えば、推定部２４ａは、他の歩行音取得部２３によって取得された歩行音を用いて他の推定部２４ａが行った推定の結果を取得し、機械学習モデルに加えて、取得した他の推定部２４ａの推定の結果を用いて、ユーザが登録済みの居住者のいずれであるかを推定する。

このような推定システム１０は、他の推定部２４ａの推定の結果をさらに用いることで、推定精度の向上を図ることができる。

また、例えば、推定部２４ａは、歩行音取得部によって取得された歩行音のピークが現われる時間間隔に基づいて、建物８０の内部に複数のユーザがいるか否かを判断し、複数のユーザがいると判断した場合に、歩行音取得部２３によって取得された歩行音から１人分の歩行音を分離し、分離した歩行音から抽出される特徴量を入力とする機械学習モデルを用いてユーザが登録済みの居住者のいずれであるかを推定する。

このような推定システム１０は、建物８０の内部に複数のユーザがいる場合も、そのうちの１人のユーザがいずれの居住者であるかを高い精度で推定することができる。

また、例えば、推定システム１０は、配線器具２０として実現される。

このような配線器具２０は、ユーザに声を出すことを要求することなくユーザがいずれの居住者であるか推定することができる。

また、推定システム１０などのコンピュータが実行する推定方法は、建物８０の居住者に関する情報の登録を受け付け、建物８０の内部におけるユーザの歩行音を取得し、取得された歩行音から抽出される特徴量を入力とする機械学習モデルを用いてユーザが登録済みの居住者のいずれであるかを推定する。

このような推定方法は、ユーザに声を出すことを要求することなくユーザがいずれの居住者であるか推定することができる。

また、推定システム１０は、各々が、建物８０の内部の異なる場所で得られたユーザの歩行音を示す複数の歩行音信号を取得する信号取得部３３ａと、取得された複数の歩行音信号に基づいて、建物８０の内部におけるユーザの位置を推定する位置推定部３３ｂとを備える。

このような推定システム１０は、歩行音信号に基づいて、電波の送信機を携帯していないユーザの位置を推定することができる。

また、例えば、複数の歩行音信号のそれぞれには、無音期間が含まれ、位置推定部３３ｂは、取得された複数の歩行音信号それぞれを、当該歩行音信号の無音期間における信号レベルに基づいて補正し、補正後の複数の歩行音信号に基づいて、建物８０の内部におけるユーザの位置を推定する。

このような推定システム１０は、歩行音信号を、当該歩行音信号の無音期間における信号レベルに基づいて補正することで、ユーザの位置の推定精度の向上を図ることができる。

また、例えば、複数の歩行音信号は、建物８０の内部の異なる場所に設置された複数の歩行音取得部２３によって取得され、推定システム１０は、さらに、複数の歩行音取得部２３の間の距離を直接または間接に示す距離情報を受け付ける情報受付部３２を備える。

このような推定システム１０は、歩行音取得部２３によって取得される歩行音信号に基づいて、ユーザの位置を推定することができる。

また、例えば、位置推定部３３ｂは、取得された複数の歩行音信号のそれぞれを、時間窓単位で周波数領域の信号に変換し、複数の周波数領域の信号に基づいて、建物８０の内部におけるユーザの位置を推定し、時間窓の長さを、受け付けられた距離情報に基づいて決定する。

このような推定システム１０は、歩行音信号を周波数領域の信号に変換する際の時間窓の長さを、複数の歩行音取得部２３の間の距離に基づいて決定することで、ユーザの位置の推定精度の向上を図ることができる。

また、例えば、複数の歩行音取得部２３のそれぞれは、互いに異なる配線器具２０に備えられる。

このような推定システム１０は、配線器具２０から得られる歩行音信号に基づいて、ユーザの位置を推定することができる。

また、推定システム１０などのコンピュータによって実行される推定方法は、各々が、建物８０の内部の異なる場所で得られたユーザの歩行音を示す複数の歩行音信号を取得し、取得された複数の歩行音信号に基づいて、建物８０の内部におけるユーザの位置を推定する。

このような推定方法は、歩行音信号に基づいて、ユーザの位置を推定することができる。

（その他の実施の形態）
以上、実施の形態について説明したが、本発明は、上記実施の形態に限定されるものではない。

例えば、上記実施の形態に係る推定システムが備える各構成要素は、複数の装置（例えば、配線器具、制御装置、及び、サーバ装置）にどのように振り分けられてもよい。

例えば、配線器具が備えると説明された全ての構成要素は、制御装置によって備えられてもよい。つまり、配線器具によって実行される処理（ユーザの推定処理）は、制御装置によって実行されてもよい。また、配線器具が備えると説明された構成要素のうち、情報処理量が多いと考えられる、推定部、学習部、及び、再学習部の少なくとも１つの構成要素が制御装置によって備えられてもよい。つまり、配線器具によって実行される処理の一部は、制御装置によって実行されてもよい。また、配線器具が備えると説明された構成要素のうち、情報処理量が多いと考えられる、推定部、学習部、及び、再学習部の少なくとも１つの構成要素がサーバ装置によって備えられることにより、推定システムは、クライアントサーバシステムとして実現されてもよい。つまり、配線器具によって実行される処理の一部は、サーバ装置によって実行されてもよい。

同様に、上記実施の形態において、制御装置が備えると説明された全ての構成要素は、配線器具によって備えられてもよい。つまり、制御装置によって実行される処理（ユーザの位置推定処理）は、配線器具によって実行されてもよい。また、制御装置が備えると説明された構成要素のうち、情報処理量が多いと考えられる位置推定部がサーバ装置によって備えられることにより、推定システムは、クライアントサーバシステムとして実現されてもよい。つまり、制御装置によって実行される処理の一部は、サーバ装置によって実行されてもよい。

また、上記実施の形態では、推定システムは、複数の装置によって実現されたが、単一の装置として実現されてもよい。例えば、推定システムは、配線器具に相当する単一の装置として実現されてもよいし、制御装置に相当する第一の装置として実現されてもよいし、サーバ装置に相当する単一の装置として実現されてもよい。

例えば、上記実施の形態における装置間の通信方法については特に限定されるものではない。また、装置間の通信においては、図示されない中継装置が介在してもよい。

また、上記実施の形態において、特定の処理部が実行する処理を別の処理部が実行してもよい。また、複数の処理の順序が変更されてもよいし、複数の処理が並行して実行されてもよい。また、上記実施の形態の動作例１〜８は任意に組み合わされてよい。

また、上記実施の形態において、各構成要素は、各構成要素に適したソフトウェアプログラムを実行することによって実現されてもよい。各構成要素は、ＣＰＵまたはプロセッサなどのプログラム実行部が、ハードディスクまたは半導体メモリなどの記録媒体に記録されたソフトウェアプログラムを読み出して実行することによって実現されてもよい。

また、各構成要素は、ハードウェアによって実現されてもよい。例えば、各構成要素は、回路（または集積回路）でもよい。これらの回路は、全体として１つの回路を構成してもよいし、それぞれ別々の回路でもよい。また、これらの回路は、それぞれ、汎用的な回路でもよいし、専用の回路でもよい。

また、本発明の全般的または具体的な態様は、システム、装置、方法、集積回路、コンピュータプログラムまたはコンピュータ読み取り可能なＣＤ−ＲＯＭなどの記録媒体で実現されてもよい。また、システム、装置、方法、集積回路、コンピュータプログラム及び記録媒体の任意な組み合わせで実現されてもよい。

例えば、本発明は、推定システムなどのコンピュータが実行する推定方法として実現されてもよいし、このような推定方法をコンピュータに実行させるためのプログラムとして実現されてもよいし、このようなプログラムが記録されたコンピュータ読み取り可能な非一時的な記録媒体として実現されてもよい。

その他、各実施の形態に対して当業者が思いつく各種変形を施して得られる形態、または、本発明の趣旨を逸脱しない範囲で各実施の形態における構成要素及び機能を任意に組み合わせることで実現される形態も本発明に含まれる。

１０ 推定システム
２０、２０ａ、２０ｂ 配線器具
２１ 受付部（登録受付部、入力受付部）
２２ 表示部
２３ 歩行音取得部
２４ａ 推定部
２４ｂ 学習部
２４ｃ 再学習部
３２ 情報受付部
３３ａ 信号取得部
３３ｂ 位置推定部
７０ 携帯端末
８０ 建物

Claims (10)

1. 建物の居住者に関する情報の登録を受け付ける登録受付部と、
   前記建物の内部におけるユーザの歩行音を取得する歩行音取得部と、
   前記歩行音取得部によって取得された歩行音から抽出される特徴量を入力とする機械学習モデルを用いて、前記ユーザが登録済みの居住者のいずれであるかを推定する推定部とを備える
   推定システム。
2. 前記機械学習モデルは、前記居住者以外の人の歩行音を学習することによってあらかじめ構築され、
   前記登録受付部は、前記居住者に関する情報として、前記居住者の属性情報の登録を受け付け、
   前記推定部は、前記機械学習モデルを用いて前記ユーザの属性情報を推定し、推定した前記属性情報に基づいて前記ユーザが登録済みの居住者のいずれであるかを推定する
   請求項１に記載の推定システム。
3. さらに、
   前記歩行音取得部によって取得される前記居住者の歩行音を前記機械学習モデルに学習させることによって前記機械学習モデルを構築する学習部と、
   前記居住者が所有する携帯端末からビーコン信号を取得する通信部とを備え、
   前記学習部は、前記通信部によって取得される前記ビーコン信号に含まれるＩＤに基づいて、前記歩行音取得部によって取得される前記居住者の歩行音をラベル付けし、ラベル付けされた当該歩行音を前記機械学習モデルに学習させる
   請求項１に記載の推定システム。
4. 前記学習部は、前記居住者の２歩目まで歩行音と前記居住者の３歩目以降の歩行音とを区別して、前記歩行音取得部によって取得される前記居住者の歩行音を前記機械学習モデルに学習させる
   請求項３に記載の推定システム。
5. 前記推定システムは、さらに、
   前記ユーザが登録済みの居住者のいずれであるかの推定結果を表示する表示部と、
   前記推定結果が表示されているときに、前記ユーザから推定結果の正否に関する正否情報の入力を受け付ける入力受付部と、
   受け付けられた前記正否情報に基づいて、前記機械学習モデルに歩行音を再学習させる再学習部とを備える
   請求項１〜４のいずれか１項に記載の推定システム。
6. 前記特徴量には、歩行音に基づいて定まる歩行周期に関する情報、歩行音の強度に関する情報、及び、歩行音の周波数特性の少なくとも１つが含まれる
   請求項１〜５のいずれか１項に記載の推定システム。
7. 前記推定部は、
   他の前記歩行音取得部によって取得された歩行音を用いて他の前記推定部が行った推定の結果を取得し、
   前記機械学習モデルに加えて、取得した他の前記推定部の推定の結果を用いて、前記ユーザが登録済みの居住者のいずれであるかを推定する
   請求項１〜６のいずれか１項に記載の推定システム。
8. 前記推定部は、
   前記歩行音取得部によって取得された歩行音のピークが現われる時間間隔に基づいて、前記建物の内部に複数の前記ユーザがいるか否かを判断し、
   複数の前記ユーザがいると判断した場合に、前記歩行音取得部によって取得された歩行音から１人分の歩行音を分離し、
   分離した歩行音から抽出される特徴量を入力とする機械学習モデルを用いて前記ユーザが登録済みの居住者のいずれであるかを推定する
   請求項１〜７のいずれか１項に記載の推定システム。
9. 前記推定システムは、配線器具として実現される
   請求項１〜８のいずれか１項に記載の推定システム。
10. 建物の居住者に関する情報の登録を受け付け、
    前記建物の内部におけるユーザの歩行音を取得し、
    取得された歩行音から抽出される特徴量を入力とする機械学習モデルを用いて前記ユーザが登録済みの居住者のいずれであるかを推定する
    推定方法。

Images