JP3968437B2

JP3968437B2 - 生活異変検知方法、装置及びプログラム

Info

Publication number: JP3968437B2
Application number: JP2003342731A
Authority: JP
Inventors: 克典松岡
Original assignee: National Institute of Advanced Industrial Science and Technology AIST
Current assignee: National Institute of Advanced Industrial Science and Technology AIST
Priority date: 2003-03-07
Filing date: 2003-10-01
Publication date: 2007-08-29
Anticipated expiration: 2023-10-01
Also published as: JP2004295861A

Description

本発明は、居住者の通常と異なる生活行動を検知するための生活異変検知方法、装置及びプログラムに関する。

我が国では急速な高齢化とともに、家庭内での不慮の事故による死亡件数が急増しており、２００１年には交通事故死者数に匹敵するまでになっている。また、独居高齢者数も増加の一途をたどっており、２０００年には３００万人に上っている。このような社会の大きな変化の中で、生活者の異常を自動検知する技術や離れた家族の生活ぶりを知る技術などの生活見守り技術が求められている。そこで、住宅内に配置した複数のセンサから得られる情報を基に、普段と異なる状態を自動検知する技術の開発が行われている。

例えば、特許文献１には、以下に示す居住者の健康確認方法が開示されている。まず、住宅における複数の電源系統の電流値を測定し、一定電流値の継続時間や電流レベルなどの特徴量を設定する。そして、各特徴量に対応するデータをニューラルネットワークに入力し、現実の健康状態を教師信号として与え、各結合荷重を変化させながら出力値と教師信号との差が十分小さくなるまで反復計算し、各結合荷重を決定する。
更に、直近数日間の同じ時間帯に対応する学習用特徴量データの平均値および標準偏差を算出し、この平均値に標準偏差の実数倍を加算および減算した仮想データを作成する。そして、この仮想データを境界データとしてニューラルネットワークに入力し、異常を表す教師信号を与え、出力信号が教師信号と一致するように各結合荷重を再計算する。

このようにして初期設定を行った後、蓄積された電流値などに基づき毎日数回の健康確認タイミングにおいて特徴量データが作成され、これらのデータがニューラルネットワークに入力されると健康状態が判断され、判断結果が出力される。
特開２００２−１０９６６３号公報（第４−８頁、第５図）

ところが、上記特許文献１に開示された居住者の健康確認方法は、初期設定において、通常の健康状態であると認識した状態での特徴量データをニューラルネットワークに入力し、健康状態を表す教師信号を付与して学習させることが必要になるので、初期設定に要する負担が大きいだけでなく、生活パターンが変わる度に初期設定をやり直さなければならず、面倒であるという問題があった。更に、被験者の主観に基づいて健康か否かが判断されるため、生活異変を客観的に判断することが困難であるという問題があった。

また、複数日の同じ時間帯における学習用特徴量データの平均値および標準偏差を利用して、非健康状態をニューラルネットワークに学習させるようにしているが、健康状態を効果的に判別可能な時間帯を具体的に設定することが困難であるという問題もあった。

本発明は、このような問題を解決すべくなされたものであって、居住者に負担をかけることなく生活異変を客観的に検知することができる生活異変検知方法、装置及びプログラムを提供することを目的とする。

本発明の前記目的は、居住者の通常と異なる生活行動を検知するための生活異変検知方法であって、居住者の生活状態を複数のセンサにより時系列計測し、センサ情報を取得するステップと、任意の時刻に対して所定の時間窓で前記センサ情報を切り出すことにより、各時刻のセンサ反応パターンを取得するステップと、前記各センサ反応パターンに基づくクラスタ分析により、各時刻に対応するクラスタを取得するステップと、所定の時間間隔で抽出された複数の単位時間における前記クラスタの遷移に基づいて、前記単位時間についての標準クラスタ情報を生成するステップと、評価対象となる特定の前記単位時間における前記クラスタの遷移に基づいて、特定クラスタ情報を生成するステップと、前記特定クラスタ情報を前記標準クラスタ情報と比較することにより、生活異変の有無を判定するステップとを備え、前記クラスタを取得するステップは、前記各センサ反応パターンに対して成分分析を行うことにより複数の主たる成分からなる特徴情報を抽出するステップと、前記各センサ反応パターンから前記特徴情報に基づいて各時刻に対応する特徴量をそれぞれ求めるステップと、前記特徴量をクラスタ分析することにより各時刻のクラスタを取得するステップとを備え、前記標準クラスタ情報を生成するステップは、複数日の同時刻におけるクラスタに基づいて当該時刻のクラスタ発生頻度分布を作成するステップを備
える生活異変検知方法により達成される。

また、本発明の前記目的は、居住者の通常と異なる生活行動を検知するための生活異変検知装置であって、複数のセンサにより計測された居住者の生活状態に関するセンサ情報を記憶するセンサ情報記憶手段と、任意の時刻に対して所定の時間窓で前記センサ情報を切り出すことにより、各時刻のセンサ反応パターンを取得するセンサパターン生成手段と、前記各センサ反応パターンに基づくクラスタ分析により、各時刻に対応するクラスタを取得するクラスタ分析手段と、所定の時間間隔で抽出された複数の単位時間における前記クラスタの遷移に基づいて、前記単位時間についての標準クラスタ情報を生成する標準クラスタ情報生成手段と、評価対象となる特定の前記単位時間における前記クラスタの遷移に基づいて、特定クラスタ情報を生成する特定クラスタ情報生成手段と、前記特定クラスタ情報を前記標準クラスタ情報と比較することにより、生活異変の有無を判定する生活異変判定手段とを備え、
前記クラスタ分析手段は、前記各センサ反応パターンに対して成分分析を行うことにより複数の主たる成分からなる特徴情報を抽出する手段と、前記各センサ反応パターンから前記特徴情報に基づいて各時刻に対応する特徴量をそれぞれ求める手段と、前記特徴量をクラスタ分析することにより各時刻のクラスタを取得する手段とを備え、前記標準クラスタ情報生成手段は、複数日の同時刻におけるクラスタに基づいて当該時刻のクラスタ発生頻度分布を作成する生活異変検知装置により達成される。

また、本発明の前記目的は、コンピュータを、上記生活異変検知装置として機能させるための生活異変検知プログラムにより達成される。

以上の説明から明らかなように、本発明によれば、居住者に負担をかけることなく生活異変を客観的に検知することが可能になる。

以下、添付図面を参照しながら本発明の一実施形態について説明する。図１は、本発明の一実施形態に係る生活異変検知装置を示すブロック図である。同図に示すように、この生活異変検知装置１は、複数のセンサＳ１，Ｓ２，・・・，Ｓｎに接続されており、センサ情報記憶手段２、センサパターン生成手段４、クラスタ分析手段６、標準クラスタ情報生成手段８，特定クラスタ情報生成手段９および生活異変判定手段１０を備えている。複数のセンサＳ１，Ｓ２，・・・，Ｓｎは、居住者の生活状態を乱すことなく常時モニタリング可能なものが好ましく、例えば、赤外線センサや、電力量センサなどを挙げることができる。また、センサの個数は、複数であれば特に制限はないが、住宅内全体における居住者の動きが把握できるように配置することが好ましい。生活異変検知装置１へのセンサ情報の入力は、例えば、無線通信により行うことができる。

センサ情報記憶手段２は、接続された複数のセンサＳ１，Ｓ２，・・・，Ｓｎから常時入力される計測データを、センサ情報として格納する。センサパターン生成手段４は、センサ情報に基づいて各時刻のセンサ反応パターンを取得する。クラスタ分析手段６は、センサ反応パターンに基づくクラスタ分析により、各時刻に対応するクラスタを取得する。標準クラスタ情報生成手段８は、所定の時間間隔で抽出された複数の単位時間におけるクラスタの遷移に基づいて、単位時間の標準クラスタ情報を生成する。特定クラスタ情報生成手段９は、評価対象となる特定の単位時間におけるクラスタの遷移に基づいて、特定クラスタ情報を生成する。生活異変判定手段１０は、特定クラスタ情報を標準クラスタ情報と比較することにより、生活異変の有無を判定する。

本実施形態において、クラスタ分析手段６は、各センサ反応パターンに対して主成分分析などの成分分析を行うことにより、複数の主たる成分からなる特徴情報を抽出する特徴情報抽出手段６１と、各センサ反応パターンから特徴情報に基づいて各時刻に対応する主成分負荷量などの特徴量をそれぞれ求める特徴量生成手段６２とを備えており、この特徴量をクラスタ分析することにより、各時刻のクラスタを得るように構成されている。

また、本実施形態において、標準クラスタ情報生成手段８は、単位時間を１日とし、各単位時間が連続するように（即ち、各単位時間の時間間隔が１秒となるように）設定しており、複数日のクラスタ遷移から得られる各日の同時刻におけるクラスタに基づいて、当該時刻のクラスタ発生頻度分布を作成する頻度分布作成手段８１を備えている。
次に、上述した生活異変検知装置１を用いて生活異変を検知する方法の一実施例を説明する。本実施形態においては、センサＳ１，Ｓ２，・・・，Ｓｎとして、在室センサおよび電力センサを使用し、４人家族（夫婦および子供２人）の住宅に設置した場合について説明する。それぞれの設置場所および計測対象としては、例えば、図２に示すものを挙げることができる。

在室センサとしては、異なる４方向に検知エリアをもつ４つの赤外線センサを照明器具の下部に装着した構成のものと、１つの赤外線センサを装着した構成のものとを使用し、人体から発せられる赤外線の強度変化を検知して１秒毎にＯＮ／ＯＦＦ信号を送信するように構成可能である。照明器具に装着されるものについては、照明器具のＯＮ／ＯＦＦ信号も送信するように構成可能である。また、電力量センサは、接続された各種家電製品の使用電力の積算値を１分間隔で出力するように構成可能である。

このようなセンサＳ１，Ｓ２，・・・，Ｓｎを、生活異変検知装置１に対して無線通信可能に接続した後、時系列計測を開始する。計測したデータは、センサ情報の時系列情報としてセンサ情報記憶手段２に格納される。センサ情報の一例を図３に示す。センサ情報の格納は、所定期間（例えば２週間程度）行う。

図３に示す時系列情報は、最短１秒間隔で変化する情報であり、同じ生活状態（食事やくつろぎなどの状態）でもセンサ反応は異なるため、センサ情報を直接比較しても生活状態の違いを検知することは困難である。そこで、本実施形態においては、センサパターン生成手段４が生成したセンサ反応パターンに基づいてクラスタ分析手段６がクラスタ分析を行うことにより、センサ情報から生活状態を表す情報に変換する。

より具体的には、センサパターン生成手段４は、測定開始時刻に対応する時間窓ｗによりセンサ情報を切り出して、センサ反応パターンを生成する。時間窓ｗは１０秒とし、時間窓を１秒毎に移動しながらセンサ反応パターンを順次取得する。特徴情報抽出手段６１は、得られた各センサ反応パターンの主成分分析を行う（図３参照）。

主成分分析の方法は、公知の各種アルゴリズムを用いて行うことができるが、本実施形態においては、１０秒の時間窓で１秒毎に得られる１日のセンサ反応パターンが、約８６４００パターンと膨大な数になるので、数週間におよぶセンサ情報の主成分を、固有値を計算する直接解法で求めることは困難である。そこで、主成分をニューラルネットワークの学習機能を用いて求める一般化ヘッブアルゴリズム(Generalized Hebbian Algorithm)
を好ましく例示することができる。このアルゴリズムによれば、ｎ個の主成分を求める時、i番目の主成分ベクトルc_i (i=0,…,n-1)は、時間窓ｗで切り出したｋ秒後のセンサ反応パターンx^(k)を順次入力することにより、次式１のように漸化的に求まる。

ただし、γは定数で、左肩添え字ｔはベクトルの転置を表す。

主成分の数ｎは、寄与率の総和が所定値（例えば０．８程度）を超える最小の値とすることにより自動的に設定可能であり、これによって、センサ反応の中の主要な成分のみを抽出することができ、複数の主成分から構成される特徴情報を得ることができる。図４は、１４日間のセンサ情報から求めた特徴情報の一例を示しており、主成分１〜主成分１０までの１０個の主成分により構成されている。

次に、特徴量生成手段６２は、時間窓ｗで切り取られたセンサ反応パターンを各主成分ベクトルに投影した主成分負荷量(p_i=^tc_ix/|c_i|)を各時刻に対応させて求める。クラスタ分析は、この主成分負荷量に対して行われる。

クラスタ分析の方法についても特に限定はないが、例えば、非階層クラスタを自己組織的に生成することができるART(Adaptive Resonance Theory)による方法を挙げることができる。即ち、入力となる主成分負荷量を要素とするベクトルpが、既に生成されているm個のクラスタq_i(i=0,…,m-1)の方向よりも異なる場合、つまりすべてのq_iに対して、次式２が成り立つ時、新しいクラスタpが生成される。

図５は、図４に示す１０個の主成分に基づく主成分負荷量のクラスタ分類（但しα＝０．６）により生成された生活情報クラスタの一例であり、クラスタ１〜クラスタ４４までの４４種類のクラスタが示されている。尚、クラスタ分類された際の各主成分負荷量が横軸に並んでおり、図中の横軸の数字は各主成分の番号に対応している。これらのクラスタは、「食事」や「くつろぎ」などの生活の意味との関連性が必ずしも強い訳ではないが、その家族における主要な生活状態を表現していると考えられる。参考として、センサ情報を主成分分析することなく直接クラスタ分析したところ、図６に示すように、細かなセンサ反応に対応したクラスタが多数生成され、生活状態を記述するには不都合な結果となった。この結果から、主成分負荷量をクラスタ分析する有効性が確認できる。

頻度分布作成手段８１は、各時刻に対応するクラスタにより、日々の生活をクラスタ間の遷移パターンとして表す。図７は、遷移パターンの一例を示しており、各日付におけるクラスタ間の遷移状態を表している。この結果から、複数日の同時刻におけるクラスタに基づいて、当該時刻のクラスタ発生頻度分布を作成する。ある時刻におけるクラスタの発生頻度の最大値が１になるように正規化すると、図８に示すように、１日の各時刻におけるクラスタの発生頻度分布に基づく、その家族の標準生活テンプレート（標準クラスタ情報）が得られる。尚、図８において、頻度が高いところほど明るく表示されている。

特定クラスタ情報生成手段９は、評価対象となる特定の日のクラスタ遷移パターン（特
定クラスタ情報）を生成する。生活異変判定手段１０は、上述したクラスタ発生頻度分布からなる標準生活テンプレートと、評価対象となる日のクラスタ遷移パターンとを比較することにより、その日の普段度を評価する。

時刻tにおける標準生活テンプレートをＰ(t;c)とし、普段度を評価するｉ日目の時刻t
におけるクラスタ遷移パターンをＸ_i(t;c)とすると、ｉ日目の普段度Ｏ_iは、次式３で与
えられる。

ただし、ｃはクラスタ番号を表している。

普段度Ｏ_iは、標準生活テンプレートで示される最も発生しやすいクラスタだけが起き
た日に最大値１を示し、値が小さくなる程、普段の生活状態から逸脱が大きいことを示している。生活異変判定手段１０は、こうして得られた評価対象日の普段度を、予め設定された基準値（例えば０．７５）と比較することにより、生活異変の有無を判定する。図８に示すクラスタの発生頻度分布に基づいて１４日間の普段度を算出したところ、図９に示す結果となった。

普段度が基準値を下回った４日について、実際の状況に基づき検証したところ、それぞれ子供が幼稚園を休んだ日、長い外出があった日、心理テスト（POMS）で精神状態が不安定と判定された日、５人の来客があった日であり、普段と異なる日を有効に検知できていることを確認した。

このように、本実施形態の生活異変検知装置によれば、複数のセンサ情報を所定期間蓄積することにより、居住者に負担をかけることなく、生活異変を自動的に検知することが可能である。また、家屋の間取り、センサ配置、家族の構成員などが変化しても、センサ情報の蓄積により、自動的に標準生活テンプレート（すなわち、クラスタ発生頻度分布などの標準クラスタ情報）に反映することができるので、環境の変化にも容易に対応することができる。

本実施形態においては、標準生活テンプレート（標準クラスタ情報）の一例として、クラスタの発生頻度（発生確率）を評価指標とするクラスタ発生頻度分布からなる標準クラスタパターンを利用する場合について説明したが、他の評価指標を用いることも可能である。

図１０〜図１２は、評価指標をそれぞれクラスタの遷移確率、継続時間確率および周期確率とした場合の各日の普段度を表しており、生活異変判定手段１０は、上述したように、評価対象日の普段度が予め設定された基準値を下回った場合に、生活異変があったと判定する。

図１０に示すクラスタの遷移確率を評価指標とする場合の普段度は、各時刻のクラスタから所定の時間幅におけるクラスタ間の遷移頻度分布を求めることにより図１３に示す標準生活テンプレート（標準クラスタ情報）を生成し、これを評価対象となる特定の日のクラスタ遷移パターン（特定クラスタ情報）と比較することにより、評価することができる。図１３において、縦軸及び横軸はいずれもクラスタ番号を示しており、縦軸のクラスタ番号から横軸のクラスタ番号への遷移確率が高い箇所ほど明るくなるようにマトリクス表
示している。

図１１に示すクラスタの継続時間確率を評価指標とする場合の普段度は、各時刻のクラスタから各クラスタの継続時間分布を求めることにより図１４に示す標準生活テンプレート（標準クラスタ情報）を生成し、これを評価対象となる特定の日のクラスタ遷移パターン（特定クラスタ情報）と比較することにより、評価することができる。図１４において、縦軸はクラスタ番号を示し、横軸は継続時間を示しており、継続時間が含まれる割合が大きい時間帯ほど明るく表示している。

図１２に示すクラスタの周期確率を評価指標とする場合の普段度は、各時刻のクラスタから、同一のクラスタが現れる周期分布を求めることにより図１５に示す標準生活テンプレート（標準クラスタ情報）を生成し、これを評価対象となる特定の日のクラスタ遷移パターン（特定クラスタ情報）と比較することにより、評価することができる。図１５において、縦軸はクラスタ番号を示し、横軸は同一のクラスタが発生する周期分布をフーリエ変換することにより得られた時間周波数の振幅分布を示しており、周期確率の高い箇所ほど明るく表示している。尚、時間周波数を表す横軸は両端が０であり、左端から中央に向けて時間周波数が正の方向に大きくなる一方、右端から中央に向けて時間周波数が負の方向に大きくなり、中央において絶対値が最大となるように表示されている。

また、評価指標としては、上述の他に、例えば所定の時間幅の中でのクラスタ間の遷移頻度を用いることもできる。図１６は、各日のクラスタ間の遷移頻度を縦軸にとり、この遷移頻度が上限基準値を上回るか、下限基準値を下回る日を、生活異変があった日と判定する。上限基準値及び下限基準値は、例えば各日の遷移頻度分布を正規分布で近似したときの標準偏差などに基づいて設定することができ、上限基準値を上回った日は普段よりも人が多い日（例えば、来客日）であり、下限基準値を下回った日は普段よりも人が少ない日（例えば、外出日）であると判断することができる。

図１０〜図１２及び図１６から明らかなように、異なる評価指標を用いた場合であっても、生活異変と判定された日はある程度共通しており、評価指標としてクラスタの発生確率を用いる代わりに、クラスタの遷移確率、継続時間確率、周期確率、遷移頻度などを用いても、生活異変を有効に検知可能である。

また、単一の評価指標を用いて生活異変を判定する代わりに、上述したような複数の評価指標を用いて各評価結果を組み合わせることにより、生活異変を判定することもできる。例えば、評価指標として上述したクラスタの発生確率、遷移確率、継続時間確率、周期確率および遷移頻度を全て使用し、いずれかの評価指標において生活異変と判定された日（４月８、１０、１４、１７、１９および２０日）を抽出することにより、何らかの異変があった可能性がある日の把握漏れを減らすことができる。また、上記全ての評価指標において生活異変と判定された日（４月１７日）を抽出することにより、重大な異変があった日の把握を精度よく行うことができる。

更に、各評価指標に対する評価結果に基づく評価方法を工夫することにより、特定の生活異変を検知することができる。例えば、クラスタの発生確率、遷移確率、継続時間確率および周期確率のいずれかの評価指標において生活異変と判定され、且つ、クラスタの遷移頻度の評価指標において生活異変と判定された日（４月１８および２０日）を抽出することにより、来客の多かった日を正確に把握することができる。

このように、複数の評価指標を用いる生活異変の検知方法によれば、単に生活異変の有無だけでなく、生活異変の内容や程度などを把握することが可能になる。

以上、本発明の実施形態について説明したが、本発明の具体的な態様が上記実施形態に限定されるものではない。例えば、本実施形態においては、標準クラスタ情報および特定クラスタ情報の単位時間を一日としており、連続する複数日の各クラスタ遷移に基づいて標準クラスタ情報を生成するようにしているが、単位時間は必ずしも一日である必要はなく、例えば１週間を単位時間とすることも可能である。また、各単位時間は必ずしも連続する必要はなく、例えば、同じ曜日や所定の時間帯など、所定の時間間隔で抽出される一定幅の時間を単位時間とすることもできる。

また、上記実施形態においては、センサ反応パターンに対してクラスタ分析手段６が主成分分析を行うことにより特徴情報を抽出し、各センサ反応パターンから特徴情報に基づいて主成分負荷量を求めるように構成しているが、成分分析の方法としては必ずしも主成分分析に限定されるものではなく、因子分析や独立成分分析などを適用することもできる。

また、汎用のコンピュータを上述した生活異変検知装置として機能させるためのプログラムを作成し、当該プログラムを市場において流通させることも可能である。

本発明の一実施形態に係る生活異変検知装置を示すブロック図である。上記生活異変検知装置に接続されるセンサの設置場所および計測対象の一実施例を示す図である。センサ情報の一実施例を示す図である。特徴情報の一実施例を示す図である。クラスタの一実施例を示す図である。クラスタの比較例を示す図である。クラスタ間の遷移パターンの一実施例を示す図である。標準生活テンプレートの一実施例を示す図である。普段度の評価結果の一実施例を示す図である。普段度の評価結果の他の実施例を示す図である。普段度の評価結果の更に他の実施例を示す図である。普段度の評価結果の更に他の実施例を示す図である。標準生活テンプレートの他の実施例を示す図である。標準生活テンプレートの更に他の実施例を示す図である。標準生活テンプレートの更に他の実施例を示す図である。クラスタ間遷移頻度の評価結果の一実施例を示す図である。

符号の説明

１生活異変検知装置
２センサ情報記憶手段
４センサパターン生成手段
６クラスタ分析手段
８標準クラスタ情報生成手段
９特定クラスタ情報生成手段
１０生活異変判定手段
Ｓ１，Ｓ２，・・・，Ｓｎセンサ

Claims

居住者の通常と異なる生活行動を検知するための生活異変検知方法であって、
居住者の生活状態を複数のセンサにより時系列計測し、センサ情報を取得するステップと、
任意の時刻に対して所定の時間窓で前記センサ情報を切り出すことにより、各時刻のセンサ反応パターンを取得するステップと、
前記各センサ反応パターンに基づくクラスタ分析により、各時刻に対応するクラスタを取得するステップと、
所定の時間間隔で抽出された複数の単位時間における前記クラスタの遷移に基づいて、前記単位時間についての標準クラスタ情報を生成するステップと、
評価対象となる特定の前記単位時間における前記クラスタの遷移に基づいて、特定クラスタ情報を生成するステップと、
前記特定クラスタ情報を前記標準クラスタ情報と比較することにより、生活異変の有無を判定するステップとを備え、
前記クラスタを取得するステップは、前記各センサ反応パターンに対して成分分析を行うことにより複数の主たる成分からなる特徴情報を抽出するステップと、前記各センサ反応パターンから前記特徴情報に基づいて各時刻に対応する特徴量をそれぞれ求めるステップと、前記特徴量をクラスタ分析することにより各時刻のクラスタを取得するステップとを備え、
前記標準クラスタ情報を生成するステップは、複数日の同時刻におけるクラスタに基づいて当該時刻のクラスタ発生頻度分布を作成するステップを備える生活異変検知方法。
前記成分分析は主成分分析であり、前記特徴量は主成分負荷量である請求項１に記載の生活異変検知方法。
前記標準クラスタ情報を生成するステップは、前記クラスタの遷移に対し、少なくとも前記クラスタ発生頻度を含む複数の評価指標に基づいて複数の標準クラスタパターンを生成するステップを備え、
前記特定クラスタ情報を生成するステップは、前記評価指標に基づく複数の特定クラスタパターンを生成するステップを備え、
前記生活異変の有無を判定するステップは、前記各特定クラスタパターンを、対応する前記各標準クラスタパターンと比較し、それぞれの比較結果の組み合わせに基づいて生活異変の有無を判定するステップを備える請求項１に記載の生活異変検知方法。
前記評価指標は、前記クラスタ発生頻度以外に、遷移確率、継続時間確率、周期確率および遷移頻度のいずれかを含む請求項３に記載の生活異変検知方法。
複数の前記センサは、複数の赤外線センサ及び複数の電力量センサを含む請求項１に記載の生活異変検知方法。
居住者の通常と異なる生活行動を検知するための生活異変検知装置であって、
複数のセンサにより計測された居住者の生活状態に関するセンサ情報を記憶するセンサ情報記憶手段と、
任意の時刻に対して所定の時間窓で前記センサ情報を切り出すことにより、各時刻のセンサ反応パターンを取得するセンサパターン生成手段と、
前記各センサ反応パターンに基づくクラスタ分析により、各時刻に対応するクラスタを取得するクラスタ分析手段と、
所定の時間間隔で抽出された複数の単位時間における前記クラスタの遷移に基づいて、前記単位時間についての標準クラスタ情報を生成する標準クラスタ情報生成手段と、
評価対象となる特定の前記単位時間における前記クラスタの遷移に基づいて、特定クラスタ情報を生成する特定クラスタ情報生成手段と、
前記特定クラスタ情報を前記標準クラスタ情報と比較することにより、生活異変の有無を判定する生活異変判定手段とを備え、
前記クラスタ分析手段は、前記各センサ反応パターンに対して成分分析を行うことにより複数の主たる成分からなる特徴情報を抽出する手段と、前記各センサ反応パターンから前記特徴情報に基づいて各時刻に対応する特徴量をそれぞれ求める手段と、前記特徴量をクラスタ分析することにより各時刻のクラスタを取得する手段とを備え、
前記標準クラスタ情報生成手段は、複数日の同時刻におけるクラスタに基づいて当該時刻のクラスタ発生頻度分布を作成する生活異変検知装置。
コンピュータを、請求項６に記載の生活異変検知装置として機能させるための生活異変検知プログラム。