JP2023090273A - センシングシステム、センシング装置、およびセンシング方法 - Google Patents

Abstract

【課題】センサの情報を活用することで、適切に人間の行動を認識するシステムを構築する。
【解決手段】少なくとも１つの人感センサを含む複数のセンサ１０から構成されるセンシングシステム１００であって、センサ１０が設置される空間は複数のエリアに分割されており、複数のエリアのそれぞれに、複数のセンサ１０が設置され、被測定者の移動に伴い、少なくとも１つのセンサの離散的なデータを連続的なデータに変換したセンサの情報を重要度として求め、重要度を含む複数のセンサの情報を用いて算出した重みに基づいて被測定者の行動認識を行う。
【選択図】図１

Description

本発明は、センシングシステム、センシング装置、およびセンシング方法に関する。

近年、通信技術およびセンサ技術が発達し、日常生活において、センシング結果により人間の動作や行動を認識し、見守りに活用する検討が行われている。

例えば、特許文献１には、「対象者宅の見守り装置は、複数の人感センサ（人体検出手段）のうち直前に感応があったもの以外の人感センサが感応したとき、移動判定のための時間計測を開始する。計測値ｔが移動確定時間Ｔに達しないうちに別の人感センサの感応があったとき、計測値ｔをリセットして計測をやり直す。１つの人感センサの感応により計測を開始した後、計測値ｔが移動確定時間Ｔに達したとき、見守り対象者が上記１つの人感センサの見守り区域に移動したと判定する。」ことが記載されている。この技術によれば、見守り対象者の生活動作状況の把握に支障を来たすことなく、重要な人感センサを特定することで，保存する情報量を減らすことができる。

特開２００３－１３２４６２号公報

上記の先行技術によれば、複数の人感センサが反応した場合に、移動確定時間Ｔを用いて人の移動を確定する。しかし、生活習慣は人によって異なり、また、ライフステージに従い変化する可能性があるため、移動確定時間Ｔを予め適切に設定することは困難である。

本発明の目的は、センサの情報を活用することで、適切に人間の行動を認識するシステムを構築することにある。

前記課題を解決するため、本発明のセンシングシステムは、少なくとも１つの人感センサを含む複数のセンサから構成されるセンシングシステムであって、前記センサが設置される空間は複数のエリアに分割されており、複数のエリアのそれぞれに、複数のセンサが設置され、被測定者の移動に伴い、少なくとも１つの前記センサの離散的なデータを連続的なデータに変換したセンサの情報を重要度として求め、前記重要度を含む前記複数のセンサの情報を用いて算出した重みに基づいて前記被測定者の行動認識を行うようにした。

本発明によれば、センサの情報を活用することで、適切に人間の行動を認識するシステムを構築できる。

実施形態のセンシングシステムの構成を示すブロック図である。 演算部の内部構成を示すブロック図である。 センサデータが時刻ｔにおける離散値である場合を示す図である。 反応時刻ｔ１～ｔ５の離散値に対して曲線データｍ１～ｍ５を作成することを示す図である。 図３Ｂの曲線データｍ１～ｍ５の重複区間を統合した図である。 反応時刻ｔ１～ｔ５の離散値に対して直線近似を適用した例を示す図である。 反応時刻ｔ１～ｔ５の離散値を矩形関数に変換した例を示す図である。 センサ１０が反応した時刻ｔにおける２値のセンサデータ１８を、乱数化する例を示す図である。 反応したセンサを中心として空間方向に、センサデータの最大値未満の関数値を追加して、センサ情報とすることを示す図である。 センサ情報を空間方向に追加することが適用される空間の具体例を示す平面図である。 第一のセンサの重要度の時間変化を示す図である。 第二のセンサのセンサ情報の時間変化を 重要度決定部１０２ａが算出した重みの時間変化を示す図である。 第三のセンサの曲線で示される重要度の時間変化を示す図である。 第四のセンサの矩形関数を用いて示される重要度の時間変化を示す図である。 図８Ｃは、他の重要度決定部１０２ｂが算出した重みの時間変化を示す図である。 センシングシステムの動作を説明するフロー図である。 他の実施形態のセンシングシステムの構成を示すブロック図である。 本実施形態のセンサ１０の宅内の配置例を示した図である。 見守りサービスのおける表示部の表示内容の一例を示す図である。

以下、本発明の実施形態について図面を用いて詳細に説明するが、本発明は以下の実施形態に限定されることなく、本発明の技術的な概念の中で種々の変形例や応用例もその範囲に含む。

図１は、実施形態のセンシングシステム１００の構成を示すブロック図である。
センシングシステム１００は、情報取得部１０１と、演算部１０２と、蓄積部１０３と、表示部１０４と、センサ１０とで構成される。なお、本明細書では、センシングシステム１００において、センサ１０を除く構成（情報取得部１０１と演算部１０２と蓄積部１０３と表示部１０４）を、センシング装置と呼ぶ。

より具体的には、演算処理を行うＣＰＵとメモリとカメラと通信部と操作部と表示部と不揮発性記憶媒体とから成るコンピュータが、不揮発性記憶媒体に記憶するプログラムをＣＰＵが実行することにより、情報取得部１０１と、演算部１０２と、と、表示部１０４として機能して、センシングシステム１００を構成する。蓄積部１０３は、メモリまたは不揮発性記憶媒体により構成する。

情報取得部１０１は、センサ１０からセンサデータ１８を取得すると共に、分析対象者の身体情報１０５を取得する。
ここで、分析対象者の身体情報１０５は、例えば、身長、体重、生年月日、ＢＭＩ（ボディーマス指数）、体脂肪率、内臓脂肪レベル、筋肉量、体水分率、体内年齢などである。

情報取得部１０１は、イーサネット、無線通信等でセンサ１０と直接接続して、センサデータ１８を取得する。また、センサ１０を接続しローカルに設置したＰＣから、ゲートウェイ経由でに収集する場合には、情報取得部１０１は、ローカルネットワークまたはインターネットを経由し前記ＰＣにアクセスして、センサデータ１８を取得する。さらに、センサデータ１８が直接またはゲートウェイ経由でクラウドコンピューティングサービスのサーバに収集する場合には、情報取得部１０１はインターネット経由で前記サーバにアクセスすることで、センサデータ１８を取得してもよい。

情報取得部１０１は、Ｐｙｔｈｏｎ（登録商標）やｊａｖａ（登録商標）、ｃ言語などにより、ｃｓｖ（Comma Separated Value）などのファイル形式で、外部のサーバからセンサデータ１８を受領する。

また、分析対象者がサービス申し込み時に記載する申請書類に基づいて、システム管理者が蓄積部１０３に蓄積した分析対象者の身体情報１０５を、情報取得部１０１は、蓄積部１０３を参照して取得する。

演算部１０２は、複数のセンサデータ１８を分析し人間の行動認識を行う。具体的には、演算部１０２は、1種類以上のセンサデータ１８を１種類以上に分類する。ここで分類とは、センサデータ１８をその特徴を基にグループ分けすることであり、人間の行動認識を行う場合は各分類結果に対し、「睡眠」「外出」「リラックス」「料理」「食事」「掃除」「洗濯」など人間の行動を示すラベル名を割り当てる。
演算部１０２の構成は、後述する。

蓄積部１０３は、前記情報取得部１０１が取得した情報および演算部１０２の出力の少なくとも一つを蓄積する。データの蓄積は分析対象者ごとに行うほか、分析対象者の年齢、性別、出身、言語、信教、趣味嗜好などの属性でタグ付けしてもよい。

また、蓄積部１０３は、演算部１０２に分析対象者に蓄積した履歴データを送信し、演算部１０２がこれらデータの時系列解析を行ってもよい。ここで本明細書中では、時系列解析とは、各種のデータに対し横軸に時間をとったグラフにより可視化すること、および、データの値、分類数または分類ごとの継続時間に関し、時間方向の変化率、移動平均、分散、標準偏差などの算出および誤差解析、多項式近似などの操作を行うことと定義する。これらの時系列解析は、年齢、性別、出身、信教、ライフスタイル、職業、既往歴などが同一カテゴリに属する人物の平均値との比較を含んでもよい。

表示部１０４は、演算部１０２および蓄積部１０３から情報を受信し、センシングシステム１００の管理者、システムのユーザ、分析対象者などに情報を表示する。表示部１０４は、数字、文字、表、グラフなど任意のフォーマットの表示を行う。

つぎに、演算部１０２の動作を詳細に説明する。
図２は、演算部１０２の内部構成を示すブロック図である。
演算部１０２は、重要度決定部１０２ａ、重み決定部１０２ｂおよび分類部１０２ｃから構成する。

重要度決定部１０２ａは、演算部１０２が取得したセンサデータ１８に対し、重要度を算出する。ここで、本明細書では、重要度を、センサデータ１８の時間方向および空間方向の反応（変化）を利用し算出するものであり、複数のセンサ１０が存在する場合は、どのセンサ１０のセンサデータ１８を相対的に重視するかの手掛かりを与える指標と定義する。以下に、重要度の算出方法について、詳細に説明する。

まず、重要度決定部１０２ａが、図３Ａに示すような、取得したセンサデータ１８がセンサ１０が反応した時刻ｔにおける離散値（例えば１）をセンサ情報として入力する場合について説明する。

なお、図３Ａでは、センサ１０は焦電効果による人感センサ（焦電センサ）を例にしている。焦電効果による人感センサは、検知範囲内でも、ある一定時間、人が動きを止めていた場合や、検知範囲から人が立ち去った場合、即ち、一定時間温度変化がない場合は、センサの値は０になる。図３Ａは、ある一つの人感センサのセンサ情報の時間変化を示している。図３Ａにおいて、反応時刻ｔ１と反応時刻ｔ２の間は人感センサは反応していないが、これは、例えば分析対象者が動きを止めていれば、図３Ａのように、人感センサは反応しない状態となる。この点、反応時刻ｔ２と反応時刻ｔ３の間や、反応時刻ｔ４と反応時刻ｔ５の間も同じである。また、反応時刻ｔ３と反応時刻ｔ４の間は、分析対象者が動きを止めていた場合か、反応時刻ｔ３後に人感センサの検知範囲から立ち去り、反応時刻ｔ４で人感センサの検知範囲に戻ってきた場合と考えられる。

重要度決定部１０２ａは、図３Ａの離散値のセンサ情報が入力されると、図３Ｂに示すような、時刻ｔにおける関数値を最大値（例えば１）とし、その前後の時間方向にも最大値未満の関数値を追加したセンサ情報を作成する。詳しくは、重要度決定部１０２ａは、反応時刻ｔ１～ｔ５におけるセンサデータ１８の離散値（例えば１）に対して曲線データｍ１～ｍ５を作成する。

ここで、最大値未満の関数値とは、時刻ｔからの時間差が大きくなるほど関数値が小さくなるように重要度決定部１０２ａが計算したものである。例えば、重要度決定部１０２ａは、センサ反応時刻ｔの前後の時間方向に最大値未満の関数値を、正規分布、スチューデントτ分布、Ｕ(Universal)分布、および、その他の統計分野で用いられる任意の分布を適用する。

重要度決定部１０２ａは、センサ１０が人感センサである場合に、センサ情報（センサデータ１８の値）が１である場合を人間の存在確率１．０とし、作成したセンサ情報の連続値を、人間の時系列方向の存在確率として扱うことができる。

図３Ｃは、図３Ｂの曲線データｍ１～ｍ５の重複区間を統合した図である。重要度決定部１０２ａは、作成した曲線データに重複が生じる場合、重複する曲線の最大値を有する曲線に統合する。または、重要度決定部１０２ａは、複数の曲線の総和と採用し、センサ情報の全体の最大値で正規化する。これにより、重要度決定部１０２ａは、センサ情報の各時刻の値を一意に定めることができる。

図３Ｃのセンサ情報は、センサ１０の反応時刻からの経過時間が短い場合を除き、センサ１０が連続で反応するほど大きな値（面積）を有する特徴があるため、複数のセンサ１０が反応する場合に、どのセンサを重視するかの指標とすることが可能である。
本明細書では、図３Ｃのように、時間方向に連続に分布するように変換したセンサ情報を重要度と定義する。

重要度決定部１０２ａは、図３Ｂ、図３Ｃに示すように、離散的なセンサデータ１８を時間方向に連続に分布する連続的なセンサデータ１８に変換する。これにより、センサデータ１８の意図しない欠損に対して値が急激に０または無効になることを防ぐことができるので、センサデータ１８の欠損に対してロバストなシステムを実現できる。

上記では、重要度決定部１０２ａが、図３Ｂに示したように、離散的なセンサデータ１８を統計分野で用いられる任意の分布を有する連続値に変換することを説明したが、これに限定されず、他の変換方法であってもよい。

図４Ａは、重要度決定部１０２ａが、センサ反応時刻ｔの前後の時間方向に最大値未満の関数値を追加して離散値を連続値への変換する場合に、反応時刻ｔ１～ｔ５の離散値に対して、曲線に替えて直線近似を適用した例を示す図である。図３Ｂの場合に比較して、重要度決定部１０２ａの計算量を削減できる。

図４Ｂは、重要度決定部１０２ａが、センサ１０が反応した時刻ｔにおけるセンサデータ１８である反応時刻ｔ１～ｔ５の離散値を矩形関数に変換した例であり、温湿度センサ、気圧センサ、照度センサなどの、短時間では値がおおよそ一定となるセンサデータ１８に対して有効である。

図４Ｃは、重要度決定部１０２ａが、センサ１０が反応した時刻ｔにおける２値（例えば最大値が１、最小値が０であるセンサにおける１または０）のセンサデータ１８を、乱数化する例である。

より具体的な乱数化の設定方法としては、センサデータ１８の離散値の最小値（例えば０）の場合と、最大値（例えば１）の場合とで、それぞれ乱数値の取り得る範囲を変える。例えば、センサデータ１８が「０」の場合には、「０～０．３の範囲での乱数値」に変換し、「１」の場合には、「０．７～１．０の範囲での乱数値」に変換する。

これにより、センサデータ１８の値の変化に起因する分析時の異常を避け、システムを安定駆動することができる。
詳しくは、計算時に実数を０で割ることを防ぐ、離散値を一定の範囲で分散することで機械学習の汎化性能を向上する、若しくは、最小値から最大値への急劇な変化を防ぎ計算を安定化する、等の効果を期待できる。

さらに、重要度決定部１０２ａは、図５に示すように、時間軸方向に値を追加してセンサ情報とするだけでなく、反応したセンサ１０を中心として空間方向に、センサデータ１８の最大値未満の関数値を追加して、センサ情報とする。

具体的には、重要度決定部１０２ａは、リビングでセンサが反応した場合、リビングと移動可能な形で空間的に隣接した寝室およびキッチンにも、センサ情報の値を追加してもよい。

図６は、図５に示したセンサ情報が適用される空間の具体例を示す平面図である。重要度決定部１０２ａは、センサデータ１８が発生したリビング（存在確率：1.0）を起点に、最も近い空間であるキッチンおよび廊下に比較的大きな値（存在確率：0.7）を追加し、リビングから離れるほど追加する値を小さくする。

つぎに、図２の重み決定部１０２ｂについて説明する。重み決定部１０２ｂは、重要度決定部１０２ａが決定した重要度を、重みに換算する。ここで、本明細書では、重みとは、複数種類のセンサデータ１８を分析する場合に、どのセンサ１０のデータを相対的に重視するかの指標と定義する。重みは、重要度をそのまま用いてもよいが、以下で詳細に説明する複数の手法で重要度を換算する。

重み決定部１０２ｂが複数のセンサの組み合わせにより重要度を重みに換算する第一の例を、図７Ａ、図７Ｂ、図７Ｃにより説明する
図７Ａは、重要度決定部１０２ａが決定した第一のセンサの重要度の時間変化を示す図である。

重み決定部１０２ｂは、図７Ｂに示す第二のセンサのセンサ情報（センサデータ１８）の時間変化を生値のまま利用し、第一のセンサの重要度と第二のセンサのセンサ情報とを積算して重みを算出する。図７Ｃは、重要度決定部１０２ａが算出した重みの時間変化を示す図である。

より具体的には、第一のセンサは、例えばキッチンに設置された人感センサである。重要度決定部１０２ａが、最大値を「１」として重要度を算出することで、人間の存在確率と見なすことができる。

第二のセンサは、例えばドア開閉センサである。ドア開閉センサである第二のセンサは、コネクテッド家電に予め組み込まれる、または、外付けするなどの方法で冷蔵庫や電子レンジなどに備えられる。そして、第二のセンサは、冷蔵庫や電子レンジなどのドアの開閉状況を示すセンサ情報を測定する。

重みの説明を続けると、重み決定部１０２ｂの算出した図７Ｃの重みの時間変化のグラフは、重みの値が大きいほど、人間がキッチンに存在し、かつ、料理に関連の深い家電製品を操作している可能性が高いことを示す。

したがって、図７Ｃに示すような重みの時間変化に基づいて人間の行動を認識することで、人感センサのデータのみに基づいた場合と比較し、より高精度に人間の行動を認識できる。特に、食事中にキッチンに手を洗いに行く、食事後にキッチンで皿洗いをするなどの行動を、料理と区別する場合に有効に機能する。

上記で、重み決定部１０２ｂが、第一のセンサの重要度と第二のセンサのセンサ情報とを積算して重みを算出することを説明したが、第一のセンサの重要度が0.5以上であれば、第二のセンサのセンサ情報の重みとし、第一のセンサの重要度が0.5未満であれば、重みを無視（重みの値を０にする）ように処理してもよい。

つぎに、重み決定部１０２ｂが複数のセンサの組み合わせにより重要度を重みに換算する第二の例を、図８Ａ、図８Ｂ、図８Ｃにより説明する

図８Ａは、重要度決定部１０２ａが決定した第三のセンサの曲線で示される重要度の時間変化を示す図である。
図８Ｂは、重要度決定部１０２ａが決定した第四のセンサの矩形関数を用いて示される重要度の時間変化を示す図である。

重み決定部１０２ｂは、図８Ａの第三のセンサの重要度の時間変化と、図８Ｂの第四のセンサの重要度の時間変化と、を積算して重みを算出する。図８Ｃは、重要度決定部１０２ａが算出した重みの時間変化を示す図である。

より具体的には、第三のセンサは、例えば寝室に設置された人感センサである。重要度決定部１０２ａが、最大値を「１」として重要度を算出することで、人間の存在確率と見なすことができる。

第四のセンサは、例えば寝室の照度センサであり、照明に予め組み込まれる、または、後付けで部屋に設置されるなどの方法で、室内の照度をセンサ情報として測定する。照度センサの測定値は短時間であれば一定値と考えられるため、矩形関数により重要度を算出することが適切である。

さらに、照度センサの場合には、重要度は、照明のＯＮ／ＯＦＦの２値の状態を表現するために、一定の閾値（例えば１０[ｌｘ]）を設定し、閾値以上の場合にОＮを示す「１」、閾値以下の場合にОＦＦを示す「０」としてもよい。

この場合、重み決定部１０２ｂの算出した図８Ｃの重みの時間変化のグラフは、重みが大きいほど人間が寝室に存在し、かつ、活動的である可能性が高いことを示している。

したがって、図８Ｃに示すような重みに基づいて人間の行動を認識することで、人感センサのデータのみに基づいた場合と比較し、より高精度に人間の行動を認識できる。特に、寝室にいるが睡眠はせず、リラックス、読書などの行動を行っている場合に、それらを睡眠と区別する場合に有効に機能する。

上記で、重み決定部１０２ｂが、第三のセンサの重要度の時間変化と、第四のセンサの重要度の時間変化と、を積算して重みを算出することを説明したが、第三と第四のセンサの重要度のそれぞれが、所定値以上の場合に、積算して重みを算出し、そうでない場合には、重みを無視（重みの値を０にする）ように処理してもよい。

ここで、図２に戻り、分類部１０２ｃについて説明する。
分類部１０２ｃは、重み決定部１０２ｂで求めた重みに基づいて、人間行動の分類を行う。分類に用いるアルゴリズムは、特に限定されない。

例えば、分類部１０２ｃは、それぞれの重みに対し閾値を設定し、その閾値以上の重みを有する場合に、対応する行動を特定してもよい。具体的には、図８Ｃにおいて、重みが０．８以上の値を有する場合は、人間は寝室でリラックスしていると分類する。

また、分類部１０２ｃは、教師有り機械学習を利用して、事前に分類したい事例を含む教師データと学習データを用意し、教師データの種類数にデータを分類可能な分類器を訓練し、訓練した分類器により人間行動を分類してもよい。
また、分類部１０２ｃは、分析対象者の身体情報１０５を学習して、対象者毎に分類器を用意してもよい。

ここで、教師データの例は、例えば「睡眠」「外出」などの人間行動であり、学習データの例は、例えば前記「睡眠」「外出」に該当する時間帯のセンサデータ１８であり、このセンサデータ１８を重要度または重みに換算して学習データとしてもよい。

機械学習の種類は、教師データを用いて学習して分類機能を獲得するものであれば、限定されることはない。例えば、ブースティングを含む決定木を用いた手法、ロジスティック回帰、ｋ近傍法、サポートベクトルマシン、ランダムフォレストおよびそれらのアンサンブル、深層学習の全結合層、ＣＮＮ、ＲＮＮなどを活用し構築した分類器などを活用できる。

さらに、分類部１０２ｃは、分類方法として例えば教師無し学習を利用して、収集したセンサデータ１８の特徴量が類似するデータ同士を集めてもよい。

機械学習の種類は、教師データ無しで分類機能を有するものであれば限定されることは無く、例えばk-means法、k-means++法、x-means法、k-shape法、混合ガウシアンモデルなどのクラスタリング手法、OneClass SVM、Elliptic Envelope、Isolation Forest、Local Outlier Factorなどの異常検知手法を利用した手法、混合ガウシアンモデル、およびそれらと、t-sneやオートエンコーダなどの次元削減手法を組み合わせたクラスタリング手法、Adversarial Autoencodersに代表される敵対的生成ネットワークの低次元空間を利用し、データを所定の分布にまとめる手法などを活用してよい。

また、分類数は任意に定める方法、エルボー法、シルエット法などの手法を利用し適切と考えられる値を決定する方法、事前に定めず特徴量どうしの距離指標を定義し、その指標が所定の値以上異なっているものがあれば異なる分類としてカウントする方法などのいずれでもよい。

図９は、センシングシステム１００の動作を説明するフロー図である。
センシングシステム１００は、システム管理者の操作をきっかけに処理を開始する。

ステップＳ１で、情報取得部１０１がセンサ１０（人感センサやドアセンサなど）のセンサデータ１８および分析対象者の身体情報１０５を取得する。

ステップＳ２で、情報取得部１０１は、ステップＳ１で取得したデータを演算部１０２および蓄積部１０３に送信する。

ステップＳ３で、演算部１０２は、情報取得部１０１から受信したセンサデータ１８を用いて行動認識を行う。

詳しくは、演算部１０２では、重要度決定部１０２ａが、複数のセンサ１０のセンサデータ１８から離散的なデータを連続的なデータに変換して重要度を求め、重み決定部１０２ｂが、複数のセンサ１０の重要度と生のセンサデータ１８の積、または重要度同士の積から成る重みの時間変化を算出し、分類部１０２ｃが、重みに基づいて、行動認識する。

ステップＳ４で、演算部１０２は、認識結果を表示部１０４および蓄積部１０３に送信される。

ステップＳ５で、蓄積部１０３は、ステップＳ４で演算部１０２から通知された認識結果を、分析対象者または他者の過去の蓄積データと合わせて演算部１０２に送信する。

ステップＳ６で、演算部１０２は、ステップＳ３で求めた現時点の行動認識結果と過去の蓄積データを活用し、時系列変化を算出し、表示部１０４に送信する。

表示部１０４は、ステップＳ７で、ステップ６で送信された、現時点の行動認識結果およびその時系列変化を表示する。

ステップＳ８で、センシングシステム１００は処理を終了するか否かを判定し、そのまま終了してもよいし（Ｓ８のＹｅｓ）、ステップＳ１に移り、処理を繰り返すようにしてもよい。予め設定することで、処理開始（Ｓ１）の直後に戻るループ処理を実装してもよい（Ｓ８のＮｏ）。

つぎに、図１０により、保険業者やデイサービス業者など、高齢者に対しサービスおよび商品を提供する事業者が、実施形態のセンシングシステム１００を活用する場合について説明する。

図１０の人感センサ１１、照度センサ１２、温湿度センサ１３、ドア開閉センサ１４、加速度センサ１５は、図１のセンサ１０に相当し、人感センサ１１、照度センサ１２、温湿度センサ１３、ドア開閉センサ１４、加速度センサ１５（以下では、総称してセンサ１０と記す）のそれぞれセンサデータ１８は、直接またはルータ１６を経由し、外部サーバ３１に送信され、その後、センシングシステム１００の情報取得部１０１に送信される。

また、センサ１０は、事業者が提供するサービスおよび商品の加入申し込みがあった場合に設置され、電源接続、電池、または太陽光や振動などの環境発電により電源を確保し、測定を開始する。

図１１は、本実施形態のセンサ１０の宅内の配置例を示した図である。
人感センサ１１、照度センサ１２および温湿度センサ１３は少なくとも２種類以上をセットにし環境センサとして扱うこともある。また、図示しないマイク、騒音センサ、気圧センサ、においセンサ、感圧センサ、ウェアラブルセンサ、体重計、体組成計、室内外の画像センサ、ロボット掃除機に内蔵される画像センサなどをシステムに組み込んでもよい。

宅内は複数のエリアに分割し、各エリアに人感センサ１１、照度センサ１２および温湿度センサ１３を設置する。エリアの分割方法は部屋ごとであってもよい。一つの部屋で複数の行動が行われる場合には、各行動が行われる範囲を別々のエリアとしてもよい。

各ドア、電子レンジ２２および冷蔵庫２３には、ドア開閉センサ１４を設置し、ドアおよび家電機器の開閉状況をセンシングする。洗濯機２１、台所のシンクおよびロボット掃除機２４には加速度センサ１５を設置し、それぞれの使用状況をセンシングする。

これらのセンサ１０のデータはルータ１６により収集し、ルータ１６はそのデータを情報取得部１０１に送信する。なお、家電に設置する各センサ１０のデータは、当該センサ１０をコネクテッド家電に置き換え、そのデータで代替してもよい。

ここで、人感センサ１１は、水平方向に±４５度、奥行方向に５ｍ程度の視野範囲を持つため、人感センサ１１が設置されたエリア以外のエリアの情報は検知しないように設置することが望ましい。例えば、人感センサ１１の視野範囲の中心軸１７が、隣接するエリアとの出入口に略対向しないようそれぞれの人感センサ１１を配置することが重要である。

なお、サービスおよび商品に応じ使用するセンサの種類は変更可能であり、例えば、人感センサ１１、照度センサ１２、温湿度センサ１３はそれらの一部または全てが環境センサとして１つにまとめられていてもよい。また、オンライン接続可能なウェアラブルセンサ、体重計、体組成計など、他の市販の機器とのデータ連携を含んでもよい。

また、外部サーバ３１は、サーバの所有者も限定されることはなく、事業者の管理するサーバであってもよいし、センサメーカの管理するサーバであってもよいし、また、ウェブサービスに代表される一般にレンタル可能なサーバでもよい。さらに、事業者毎に異なる環境でそれぞれデータを保管し、センシングシステム１００がそれぞれ読み込み、システム内部で接続してもよい。ただし、これらのサーバは、事業者の社内環境、クラウド環境のいずれかに構築されたセンシングシステム１００と通信可能である必要がある。

センシングシステム１００の情報取得部１０１は、外部サーバ３１に収集されたセンサ１０のセンサデータ１８および分析対象者の身体情報１０５をセンシングシステム１００内に取得する。

分析対象者の身体情報１０５は、センサ１０に入力できるようにする、サービスおよび商品の加入申込書の記入事項とする、または、事業者ホームページのマイページから追加で入力できるようにして、取得する。別途、握力計、体組成計などの測定器具を用意する、第三者である他の事業者、自治体、非営利団体などと連携し入手するようにしてもよい。

情報取得部１０１は、図１で説明したように、センサ１０のデータおよび分析対象者の身体情報１０５を演算部１０２および蓄積部１０３に送信する。

演算部１０２は、図１で説明したように、情報取得部１０１から受信したセンサ１０の情報および分析対象者の身体情報１０５から人間の行動認識を行う。ここで、人間の行動とは例えば「睡眠」「外出」「リラックス」「料理」「食事」「掃除」「洗濯」「その他」などである。

蓄積部１０３は、図１で説明したように、センサ１０のデータおよび分析対象者の身体情報１０５を蓄積すると共に、情報取得部１０１から分析対象者の身体情報１０５を受信し、同一人物の過去の身体情報、活動量などの履歴データを検索し、情報取得部１０１に送信する。

蓄積部１０３は、外部サーバ３１に設けられてもよく、この場合には、情報取得部１０１が、外部サーバ３１の分析対象者の過去の履歴データを現在のデータと合わせて演算部１０２に送信する。これにより演算部１０２は時系列解析を行うことができる。

演算部１０２は、現在の行動認識結果およびその時系列解析結果を、蓄積部１０３および表示部１０４に送信する。蓄積部１０３は、演算部の出力した前記結果を、分析対象者ごとおよび分析対象者の年齢、性別、出身、信教、ライフスタイル、職業、既往歴などのカテゴリごとに整理して蓄積する。

表示部１０４は、受信した結果をシステムの運営者または事業者に対し表示する。表示方法は、システムの運営者と事業者で異なってもよい。
システムの運営者に対しては、例えば、現時点の分析対象者の行動およびその時系列解析結果に加え、センサの稼働状態に関する情報、センサのバッテリー状況に関する情報、演算部１０２の処理を介さないセンサの指示値、事業者がシステムを参照した日時、回数、時間および内容に関する情報などを表示する。

事業者に対しては、例えば、現時点の分析対象者の行動認識結果およびその時系列変化に加え、事業者ごとに特に必要とする情報に変換して表示する。具体的には、保険業者であれば、過去の他者の保険の適用履歴と毎日の行動の種類およびその時系列変化を同時に示すことで、現在の分析対象者について、保険の適用可能性を類推する材料を提供してもよい。この情報を基に、保険業者は、分析対象者の毎日の行動の種類およびその時系列変化を、保険の適用可能性が低くなる方向に修正するための介入手段を検討することができる。この介入手段には、例えば、「毎日３０分程度外出しましょう」「今日は１５分早く寝ましょう。」などのレコメンドを行うことが含まれる。

また、デイサービス業者であれば、デイサービスを実施した日程と毎日の行動の種類の変化を同時に示すことで、デイサービスの内容が分析対象者の生活習慣におよぼす影響を検討する材料を提供してもよい。この情報を基に、デイサービス業者は、分析対象者ごとに毎日の行動の種類の時系列変化を望ましい方向に修正するためのプログラムを検討することができる。

事業者は、表示内容についてシステム管理者にフィードバックを返すことができる。フィードバックの手段は、口頭での伝達、メール、システム管理者のホームページを介した投稿などである。システム管理者は、事業者からのフィードバックに基づき、表示内容を変更してもよい。

実施形態のセンシングシステム１００の内容は、高齢の親が見守りたい個人に対しても適用可能である。例えば、高齢の親を見守りたい個人が事業者の見守りサービスを契約することで、センサ類が送付される方式でもよい。それらを高齢の親の宅内に設置しデータを事業者に送信することで、分析結果として高齢の親の毎日の行動の種類を受け取り、生活習慣を見守ることができる。また、その結果を基に、外出が少ない親に外出を促す、起床が遅い親の様子を見に行くなどの行動をとることができる。

図１２は、見守りサービスのおける表示部１０４の表示内容の一例を示す図である。
表示部１０４は、高齢の親を見守りたい個人の端末のディスプレイに、演算部１０２が認識した現在の行動認識結果「料理」、行動認識した活動量、および、時系列解析結果である「睡眠」「食事」「リラックス」の日常行動の時間割合を示す円グラフを表示する。さらに、表示部１０４は、月毎に活動量の時系列変化を表示し、生活状況の分析コメントを表示する。

また、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。上記の実施例は本発明で分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施形態の構成の一部を他の実施形態の構成に置き換えることが可能であり、また、ある実施形態の構成に他の実施形態の構成を加えることも可能である。

１０ センサ
１８ センサデータ
１００ センシングシステム（センシング装置）
１０１ 情報取得部
１０２ 演算部
１０２ａ 重要度決定部
１０２ｂ 重み決定部
１０２ｃ 分類部
１０３ 蓄積部
１０４ 表示部
１０５ 分析対象者の身体情報

Claims (9)

1. 少なくとも１つの人感センサを含む複数のセンサから構成されるセンシングシステムであって、
   前記センサが設置される空間は複数のエリアに分割されており、複数のエリアのそれぞれに、複数のセンサが設置され、
   被測定者の移動に伴い、少なくとも１つの前記センサの離散的なデータを連続的なデータに変換したセンサの情報を重要度として求め、
   前記重要度を含む前記複数のセンサの情報を用いて算出した重みに基づいて前記被測定者の行動認識を行う
   ことを特徴とするセンシングシステム。
2. 請求項１に記載のセンシングシステムにおいて、
   それぞれのセンサは、それらが設置されたエリア以外のエリアの情報を検知しないように配置され、少なくとも１つのセンサの測定範囲の中心軸が、隣接するエリアとの出入口に略対向しない
   ことを特徴とするセンシングシステム。
3. 請求項１に記載のセンシングシステムにおいて、
   前記重みは、センサの重要度とセンサのデータとから求める
   ことを特徴とするセンシングシステム。
4. 請求項１に記載のセンシングシステムにおいて、
   前記重みは、２つのセンサの重要度から求める
   ことを特徴とするセンシングシステム。
5. 請求項１～４のいずれか一つに記載のセンシングシステムにおいて、
   前記重要度は、前記センサの時間または空間的に離散的なデータを、曲線、直線、矩形、乱数のいずれか1つを用いて、時間または空間的に連続なデータに変換して求める
   ことを特徴とするセンシングシステム。
6. 請求項１～４のいずれか一つに記載のセンシングシステムにおいて、
   前記被測定者の行動認識の時系列解析を行う
   ことを特徴とするセンシングシステム。
7. 少なくとも１つの人感センサを含む複数のセンサから構成されるセンシングシステムのセンシング方法であって、
   複数のエリアに分割された空間のそれぞれにエリアに設置されたセンサからセンサデータを取得するステップと、
   前記センサデータの離散的なデータを連続的なデータに変換したセンサの情報を重要度として求めるステップと、
   前記重要度を含む複数のセンサの情報を用いて算出した重みに基づいて行動認識するステップと、
   を含むことを特徴とするセンシング方法。
8. 少なくとも１つの人感センサを含む複数のセンサのセンサデータにより被測定者の行動認識を行うセンシング装置において、
   複数のエリアに分割された空間のそれぞれにエリアに設置されたセンサからセンサデータをセンサの情報として取得する情報取得部と、
   前記センサデータの離散的なデータを連続的なデータに変換したセンサの情報を重要度として求める重要度決定部と、
   前記重要度を含む複数のセンサの情報を用いて重みを算出する重み決定部と、
   前記重みに基づいて前記被測定者の行動認識を行う分類部と、
   を備えることを特徴とするセンシング装置。
9. 請求項８に記載のセンシング装置において、
   前記重み決定部は、センサの前記重要度と他のセンサのデータとから重みを算出するか、または、複数のセンサの重要度から重みを算出する
   ことを特徴とするセンシング装置。

Images