JP5746072B2 - 電子機器識別装置、方法、及びプログラム - Google Patents
電子機器識別装置、方法、及びプログラム Download PDFInfo
- Publication number
- JP5746072B2 JP5746072B2 JP2012041880A JP2012041880A JP5746072B2 JP 5746072 B2 JP5746072 B2 JP 5746072B2 JP 2012041880 A JP2012041880 A JP 2012041880A JP 2012041880 A JP2012041880 A JP 2012041880A JP 5746072 B2 JP5746072 B2 JP 5746072B2
- Authority
- JP
- Japan
- Prior art keywords
- battery
- electronic device
- unit
- sensor node
- current
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Description
本発明は、電子機器識別装置、方法、及びプログラムに係り、特に、電池の形状を模した電池型センサノードが収容された電子機器を識別する電子機器識別装置、方法、及びプログラムに関する。
センシングデバイスを用いた研究で現在最も盛んな分野の一つが日常行動の推定である。ユーザの手首や腰などに加速度センサを添付して計測した波形から、”歩く”、”走る”、”歯を磨く”などの２０種類のユーザの行動を認識する方法が知られている（例えば、非特許文献１）。また、ユーザにマイクと加速度センサを添付して、のこぎり引きやドリルの利用などの工作作業を認識する方法が知られている（例えば、非特許文献２）。
また、画像処理のアプローチから、環境（部屋の天井など）に設置したカメラで得られた人物の映像を用いて人物の動作を認識する方法が知られている（例えば、非特許文献３）。さらに、環境内の生活用品やモノにセンサやＲＦＩＤタグを添付し、それらにより生活用品やモノの利用を検知することで行動の認識を行う方法も知られている（例えば、非特許文献４）。
また、ユーザが使っている電子機器（家電など）を推定する従来手法は、主に３つのアプローチに分けられる。一つ目は、非特許文献５のように電子機器に直接センサノードを設置するアプローチであり、二つ目は、非特許文献６のように、家庭内の電線を流れる電流のノイズから、使っている電子機器を推定するアプローチである。三つ目は、非特許文献７のように、手に装着した磁気センサを用いて、手で使っている電子機器から発生する磁場を捉え、そのデータを用いてユーザがどの電子機器を使っているかを認識するアプローチである。
L. Bao and S. S. Intille, ``Activity recognition from user-annotated acceleration data,'' Proc. PERVASIVE 2004, pp. 1--17, 2004.
P. Lukowicz, J. Ward, H. Junker, M. Stager, G. Troster, A. Atrash, and T. Starner, ``Recognizing workshop activity using body worn microphones and accelerometers,'' Proc. Pervasive 2004, pp. 18--32, 2004.
J. Yamamoto, J. Ohya, and K. Ishii, ``Recognition human action in time-sequential images using hidden markov model,'' Proc. IEEE Conf. Computer Vision and Pattern Recognition, pp. 379--385, 1992.
M. Philipose, K.P. Fishkin, and M. Perkowitz, ``Inferring activities from interactions with objects,'' IEEE Pervasive computing, 3(4), pp. 50--57, 2004.
Y. Kim, T. Schmid, Z.M. Charbiwala, and M.B. Srivastava, ``ViridiScope: design and implementation of a fine grained power monitoring system for homes,'' Proc. Ubicomp 2009, pp. 245-254, 2009.
S.N. Patel, T. Robertson, J.A. Kientz, M.S. Reynolds, and G.D. Abowd, ``At the flick of a switch: Detecting and classifying unique electrical events on the residential power line,'' Proc. Ubicomp 2007, pages 271-288, 2007.
T.Maekawa, Y.Kishino, Y.Sakurai, and T.Suyama. Recognizing the use of portable electrical devices with hand-worn magnetic sensors. In Pervasive 2011, pages 276-293, 2011.
上記の非特許文献５、６に記載されているアプローチでは、コンセントに繋がっている電子機器の利用のみしか認識できない、という問題がある。また、上記の非特許文献７のような身体装着型センサを用いたアプローチでは、装着するコストをユーザに強いる、という問題がある。
本発明は、上記の課題を解決するためになされたもので、簡易な構成で、使用している電子機器の種類または電子機器の操作状態を識別することができる電子機器識別装置、方法、及びプログラムを提供することを目的とする。
上記の目的を達成するために本発明に係る電池型センサノードは、電子機器の電池収容部に収容されるための電池型センサノードであって、前記電池型センサノードを収容した前記電子機器に電源を供給するためのバッテリと、前記バッテリから、前記電池型センサノードを収容した前記電子機器へ流れる電流を計測する電流計測部と、前記電流計測部によって計測された電流を出力する出力部と、前記バッテリ、前記電流計測部、及び出力部を収納した電池型の筐体と、を含んで構成されている。
本発明に係る電池型センサノードによれば、電子機器の電池収容部に収容され、バッテリから、当該電子機器に電源を供給する。そして、電流計測部によって、前記バッテリから、前記電池型センサノードを収容した前記電子機器へ流れる電流を計測する。出力部によって、前記電流計測部によって計測された電流を出力する。
このように、電池型センサノードが電子機器の電池収容部に収容されたときに、バッテリから流れる電流を計測して出力するため、簡易な構成で、使用している電子機器の種類または電子機器の操作状態を識別することができる。
本発明に係る電子機器識別装置は、上記の電池型センサノードから出力された電流を取得する取得部と、前記取得部により取得した電流の時系列に基づいて、特徴量を抽出する特徴抽出部と、前記特徴量に基づいて前記電子機器の種類及び前記電子機器の操作状態の少なくとも一方を識別するための予め学習した識別モデルと、前記特徴抽出部によって抽出された前記特徴量とに基づいて、前記電池型センサノードを収容した前記電子機器の種類及び前記電子機器の操作状態の少なくとも一方を識別する識別部と、を含んで構成されている。
本発明に係る電子機器識別方法は、取得部、特徴抽出部、及び識別部を含む電子機器識別装置における電子機器識別方法であって、前記取得部によって、請求項１記載の電池型センサノードから出力された電流を取得するステップと、前記特徴抽出部によって、前記取得部により取得した電流の時系列に基づいて、特徴量を抽出するステップと、前記識別部によって、前記特徴量に基づいて前記電子機器の種類及び前記電子機器の操作状態の少なくとも一方を識別するための予め学習した識別モデルと、前記特徴抽出部によって抽出された前記特徴量とに基づいて、前記電池型センサノードを収容した前記電子機器の種類及び前記電子機器の操作状態の少なくとも一方を識別するステップと、を含む。
本発明に係る電子機器識別装置及び電子機器識別方法によれば、取得部によって、上記の電池型センサノードから出力された電流を取得する。特徴抽出部によって、前記取得部により取得した電流の時系列に基づいて、特徴量を抽出する。
そして、識別部によって、前記特徴量に基づいて前記電子機器の種類及び前記電子機器の操作状態の少なくとも一方を識別するための予め学習した識別モデルと、前記特徴抽出部によって抽出された前記特徴量とに基づいて、前記電池型センサノードを収容した前記電子機器の種類及び前記電子機器の操作状態の少なくとも一方を識別する。
このように、電池型センサノードから出力された電流の時系列に基づいて特徴量を抽出し、予め学習した識別モデルを用いることにより、簡易な構成で、使用している電子機器の種類または電子機器の操作状態を識別することができる。
本発明に係るプログラムは、コンピュータに、上記の電子機器識別方法の各ステップを実行させるためのプログラムである。
以上説明したように、本発明の電子機器識別装置、方法、及びプログラムによれば、簡易な構成で、使用している電子機器の種類または電子機器の操作状態を識別することができる、という効果が得られる。
以下、図面を参照して本発明の実施の形態を詳細に説明する。
＜電子機器識別システムの構成＞
図１に示すように、第１の実施の形態に係る電子機器識別システム１０は、乾電池型センサノード１２と、乾電池型センサノード１２に無線通信によって接続された電子機器識別装置１４とを備えている。
図１に示すように、第１の実施の形態に係る電子機器識別システム１０は、乾電池型センサノード１２と、乾電池型センサノード１２に無線通信によって接続された電子機器識別装置１４とを備えている。
＜乾電池型センサノードの構成＞
乾電池型センサノード１２は、電池のように放電機能をもち、電流計のように、乾電池型センサノード１２から、当該乾電池型センサノード１２を電池収容部（電池ケース）に収容した電子機器１６へ流れる電流値を計測する。また、乾電池型センサノード１２に含まれるバッテリの電圧値も計測する。
乾電池型センサノード１２は、電池のように放電機能をもち、電流計のように、乾電池型センサノード１２から、当該乾電池型センサノード１２を電池収容部（電池ケース）に収容した電子機器１６へ流れる電流値を計測する。また、乾電池型センサノード１２に含まれるバッテリの電圧値も計測する。
上記図１は、乾電池型センサノード１２の回路図を示している。乾電池型センサノード１２は、乾電池の形状を模して形成された筐体１８を備え、筐体１８の内部に、バッテリ２０と抵抗２２との直列回路、電流計測部２４、電圧計測部２６、及び無線通信部２８が収納されている。電流計測部２４は、バッテリ２０から電子機器１６へ流れる電流、すなわち、抵抗２２を流れる電流を計測する。また、電圧計測部２６は、バッテリ２０の電圧を計測する。計測された電流と電圧の値は、センサデータとして、無線通信部２８を介して電子機器識別装置１４に送信される。ただし、データを送信する前に、データを圧縮したり、特徴抽出などを行ったりすることで、送信するデータ量を削減してもよい。また、抵抗２２に電流が流れていないとき（もしくは電流値が極微量のとき）は、無線通信部２８を休止させてもよい。電子機器識別装置１４では、特徴抽出したセンサデータを用いて、乾電池型センサノード１２が収容されている電子製品の種類の識別や、電子機器の操作状態を認識する。なお、無線通信部２８が、出力部の一例である。
＜センサデータの特徴＞
図２に、いくつかの携帯型電子機器の電池収容部に乾電池型センサノード１２を収容し、電子機器を操作したときに得られた時系列センサデータを示す。図２(a)上部のグラフは、電動歯ブラシから得られた時系列センサデータを示しており、Ｘ軸は時間を示し、Ｙ軸は電流値(mA)を示す。電動歯ブラシのスイッチを入れた直後に突入電流が見られ、その後、特徴的な周波数の波形が見られている。これは、電動歯ブラシ内のモータによるものと考えられる。図２(a)下部のグラフは、上部の時系列センサデータから求めた周波数スペクトログラムである。スペクトログラムには周波数のピークが見られ、これは時系列センサデータの特徴的な周波数によるものである。このような周波数的な特徴は、乾電池型センサノード１２を収容している電子機器の認識や、電子機器の操作状態（イベント）の認識に有用である。
図２に、いくつかの携帯型電子機器の電池収容部に乾電池型センサノード１２を収容し、電子機器を操作したときに得られた時系列センサデータを示す。図２(a)上部のグラフは、電動歯ブラシから得られた時系列センサデータを示しており、Ｘ軸は時間を示し、Ｙ軸は電流値(mA)を示す。電動歯ブラシのスイッチを入れた直後に突入電流が見られ、その後、特徴的な周波数の波形が見られている。これは、電動歯ブラシ内のモータによるものと考えられる。図２(a)下部のグラフは、上部の時系列センサデータから求めた周波数スペクトログラムである。スペクトログラムには周波数のピークが見られ、これは時系列センサデータの特徴的な周波数によるものである。このような周波数的な特徴は、乾電池型センサノード１２を収容している電子機器の認識や、電子機器の操作状態（イベント）の認識に有用である。
図２(b)上部のグラフは、懐中電灯から得られた時系列センサデータであり、スイッチを入れた直後に突入電流が見られる。その後の懐中電灯点灯中のセンサデータの値に大きな変化はない。図２(b)下部のスペクトログラムでは、懐中電灯点灯中に周波数のピークは見られない。これは、センサデータの値に大きな変化がないためである。図２(c)上部のグラフは、携帯CDプレイヤから得られた時系列データであり、「スイッチオン」、「プレイ」、「シーク」などのCDプレイヤに関する操作状態（イベント）も示している。電動歯ブラシや懐中電灯とは異なり、CDプレイヤの起動には時間がかかっており、その後音楽が再生される。FFやRWボタンを押すと、次や前の曲のシークの際に発生する波形の変化が見られる。また、CDプレイヤの終了にもある程度時間がかかっている。図２(c)下部に、そのスペクトログラムを示す。これらのグラフに示すように、CDプレイヤから得られたデータは時間的な変化が大きいため、操作状態（イベント）の認識にはその時間的な変化をモデル化する必要があることが分かる。
＜電子機器識別装置の構成＞
電子機器識別装置１４は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）と、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）と、後述する識別処理ルーチンを実行するためのプログラムを記憶したＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）とを備えたコンピュータで構成され、機能的には次に示すように構成されている。図３に示すように、電子機器識別装置１４は、無線通信部３０、特徴抽出部３２、モデルセット記憶部３４、識別部３６、及び出力部３８を備えている。なお、無線通信部３０が、取得部の一例である。
電子機器識別装置１４は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）と、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）と、後述する識別処理ルーチンを実行するためのプログラムを記憶したＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）とを備えたコンピュータで構成され、機能的には次に示すように構成されている。図３に示すように、電子機器識別装置１４は、無線通信部３０、特徴抽出部３２、モデルセット記憶部３４、識別部３６、及び出力部３８を備えている。なお、無線通信部３０が、取得部の一例である。
無線通信部３０は、乾電池型センサノード１２の無線通信部２８から送信されたセンサデータを受信する。
特徴抽出部３２は、センサデータの時系列から、センサデータが示す電子機器の種類及び操作状態を識別するための特徴量を抽出する。特徴抽出の詳細については後述する。
モデルセット記憶部３４は、使用している電子機器の種類及び操作状態を識別する識別器の学習結果を記憶している。識別器は、入力された特徴に対して、その特徴に対応する可能性の高い電子機器の種類、及び当該電子機器の操作状態を返す関数（またはモデル）であり、予め学習しておく。
識別部３６は、抽出された特徴量と、識別器の学習結果とを用いて、抽出された特徴量に対応する電子機器の種類及び電子機器の操作状態を識別する。
識別部３６による識別結果が、出力部３８よりユーザに出力される。なお、出力部３８は、ディスプレイ、プリンタ、磁気ディスクなどで実装される。
＜識別手法の概略＞
乾電池型センサノード１２から得られたセンサデータを用いて、乾電池型センサノード１２が収容されている電子機器の種類を識別すると共に、電子機器の操作状態（イベント）を識別する。まず、乾電池型センサノード１２から得られたデータから特徴抽出を行った後、抽出された特徴ベクトルを用いて、電子機器およびイベントの識別を行う。識別のため、得られた特徴ベクトルと、図４に示すように、電子機器の種類ごとに用意したモデルセットとを比較する。本実施の形態では、電子機器のモデル化には、隠れマルコフモデル（HMM）を用いる。識別手法の詳細については後述する。なお、電子機器の種類ごとのモデルセットが、識別モデルの一例である。
乾電池型センサノード１２から得られたセンサデータを用いて、乾電池型センサノード１２が収容されている電子機器の種類を識別すると共に、電子機器の操作状態（イベント）を識別する。まず、乾電池型センサノード１２から得られたデータから特徴抽出を行った後、抽出された特徴ベクトルを用いて、電子機器およびイベントの識別を行う。識別のため、得られた特徴ベクトルと、図４に示すように、電子機器の種類ごとに用意したモデルセットとを比較する。本実施の形態では、電子機器のモデル化には、隠れマルコフモデル（HMM）を用いる。識別手法の詳細については後述する。なお、電子機器の種類ごとのモデルセットが、識別モデルの一例である。
＜特徴抽出部の処理＞
特徴抽出部３２は、センサデータの時系列に対してタイムウインドウ（窓）毎に抽出処理を行う。例えば、１秒ごとのスライディング窓を設定し、その窓ごとに、その窓内のセンサデータからＦＦＴ成分を求め、求めたFFT成分を基に特徴抽出を行う。上述したとおり、FFT成分や電流値の情報は電子機器やイベントの識別に有用である。そこで、窓ごとに求めたFFT成分と電流値の平均値を特徴ベクトルとして、特徴ベクトルの時系列データを抽出する。
特徴抽出部３２は、センサデータの時系列に対してタイムウインドウ（窓）毎に抽出処理を行う。例えば、１秒ごとのスライディング窓を設定し、その窓ごとに、その窓内のセンサデータからＦＦＴ成分を求め、求めたFFT成分を基に特徴抽出を行う。上述したとおり、FFT成分や電流値の情報は電子機器やイベントの識別に有用である。そこで、窓ごとに求めたFFT成分と電流値の平均値を特徴ベクトルとして、特徴ベクトルの時系列データを抽出する。
以上のようにして抽出した特徴ベクトルの時系列データ（ベクトルなどで表現される）を、識別部３６の入力とする。なお、学習時には、上記の特徴ベクトルの時系列データと、予め当該特徴ベクトルの時系列データ（センサデータ）に対応する、電子機器の種類及び操作状態を人手などによりラベル付けしたデータとの組み合わせからなる学習データ（教師ありデータ）を、入力として用いる。また、教師あり機械学習を行うことで、入力された未知の（ラベルの分からない）特徴ベクトルの時系列データに対して、当該特徴ベクトルの時系列データに対応する電子機器の種類及び操作状態を識別するための識別器を学習することができる。
＜識別手法の詳細＞
乾電池型センサノード１２から得られたセンサデータから、特徴ベクトルの時系列データが抽出される。この特徴ベクトルの時系列データを用いて、乾電池型センサノード１２が収容されている電子機器の種類を識別するとともに、それぞれの特徴ベクトルを電子機器の適切なイベントのクラスに分類する。上記図４に示すように、本実施の形態では、特徴ベクトルの時系列データと、あらかじめ電子機器ごとに用意したモデルセットとを比較することで、電子機器の識別とイベントの識別とを同時に行う。モデルセットは、あらかじめ用意したトレーニングデータを基に学習する。モデルセットは、電子機器のイベントごとに用意したleft-to-right HMMから構成される。HMMの観測変数は特徴ベクトルに対応し、隠れ変数はイベントの内部状態に対応するとする。
乾電池型センサノード１２から得られたセンサデータから、特徴ベクトルの時系列データが抽出される。この特徴ベクトルの時系列データを用いて、乾電池型センサノード１２が収容されている電子機器の種類を識別するとともに、それぞれの特徴ベクトルを電子機器の適切なイベントのクラスに分類する。上記図４に示すように、本実施の形態では、特徴ベクトルの時系列データと、あらかじめ電子機器ごとに用意したモデルセットとを比較することで、電子機器の識別とイベントの識別とを同時に行う。モデルセットは、あらかじめ用意したトレーニングデータを基に学習する。モデルセットは、電子機器のイベントごとに用意したleft-to-right HMMから構成される。HMMの観測変数は特徴ベクトルに対応し、隠れ変数はイベントの内部状態に対応するとする。
電子機器の識別およびイベントの識別手法について詳細に説明する。あるモデルセットに着目し、取得した特徴ベクトルの時系列データに対して、そのモデルセットを用いて識別するとする。すなわち、そのモデルセットに対応する電子機器に、特徴ベクトルの時系列データが得られた乾電池型センサノード１２が収容されていると仮定し、識別を行う。具体的には、非特許文献８（L.R. Rabiner. A tutorial on hidden Markov models and selected applications in speech recognition. Proceedings of the IEEE, 77(2):257{286, 1989.）に記載されているViterbiアルゴリズムを用いて、最も尤もらしいHMM内およびHMM間の状態遷移系列を求め、その状態遷移系列の尤度（スコア）を求める。推定された状態遷移系列から、時刻tの特徴ベクトルがどのHMM（イベント）に分類されるか分かる。モデルセットにはイベントに対応する複数のHMMが含まれているため、モデルセット内のHMM間の状態遷移も想定する。すなわち、あるHMMの最後の状態から他のHMMの最初の状態への遷移も、状態遷移系列を求める際に考慮する。例えばCDプレイヤのモデルセットでは、「プレイ」のHMMの最後の状態からその他のHMMの最初の状態への遷移などが起こりうる。このようなHMM間の遷移を考慮することで、イベント間の遷移を表現できる。
上述したように、識別部３６では、モデルセット毎に、当該モデルセットを用いて乾電池型センサノード１２から得られた特徴ベクトルの時系列を識別する際、Viterbiアルゴリズムにより、最も尤度の高い状態系列とそのスコアが出力される。そこで、識別部３６は、最も高いスコアをもつモデルセットに対応する電子機器を、乾電池型センサノード１２が収容されている電子機器として識別する。上記のような手順により、電子機器の識別と電子機器に関する操作状態（イベント）の識別を同時に行う。
＜電子機器識別システムの作用＞
次に、第１の実施の形態に係る電子機器識別システム１０の作用について説明する。まず、電子機器識別装置１４の入力部（図示省略）を介して、電子機器の種類及び操作状態を示すラベルが付与された、種々の電子機器に収容されたときの乾電池型センサノード１２のセンサデータの時系列データが、学習データとして複数入力され、メモリ（図示省略）に格納される。そして、電子機器識別装置１４の特徴抽出部３２によって、学習データの各々について、特徴量ベクトルの時系列データが抽出され、電子機器の種類毎に、電子機器の種類及び操作状態を識別するためのモデルセットが学習される。学習された複数のモデルセットが、モデルセット記憶部３４に格納される。
次に、第１の実施の形態に係る電子機器識別システム１０の作用について説明する。まず、電子機器識別装置１４の入力部（図示省略）を介して、電子機器の種類及び操作状態を示すラベルが付与された、種々の電子機器に収容されたときの乾電池型センサノード１２のセンサデータの時系列データが、学習データとして複数入力され、メモリ（図示省略）に格納される。そして、電子機器識別装置１４の特徴抽出部３２によって、学習データの各々について、特徴量ベクトルの時系列データが抽出され、電子機器の種類毎に、電子機器の種類及び操作状態を識別するためのモデルセットが学習される。学習された複数のモデルセットが、モデルセット記憶部３４に格納される。
電子機器１６の電池収容部に乾電池型センサノード１２が収容され、電子機器１６が動作しているとき、乾電池型センサノード１２において、電流計測部２４及び電圧計測部２６によって電流及び電圧からなるセンサデータが計測され、メモリ（図示省略）に格納される。そして、乾電池型センサノード１２において、センサデータがメモリに所定量以上蓄積されると、無線通信部２８によって、センサデータの時系列を電子機器識別装置１４へ送信する。
また、電子機器識別装置１４において、図５に示す識別処理ルーチンが実行される。
まず、ステップ１００において、乾電池型センサノード１２からセンサデータの時系列を受信したか否かを判定し、センサデータの時系列を受信した場合には、ステップ１０２へ進む。
ステップ１０２では、上記ステップ１００で受信したセンサデータの時系列に対して、スライディング窓内で特徴ベクトルを抽出し、特徴ベクトルの時系列データをメモリに保存する。
次のステップ１０４において、上記ステップ１０２で抽出された特徴ベクトルの時系列データが、所定時間分蓄積されたか否かを判定し、所定時間分蓄積されていない場合には、上記ステップ１００へ戻る。一方、所定時間分の特徴ベクトルの時系列データが蓄積された場合には、ステップ１０６へ進む。
ステップ１０６では、抽出された特徴ベクトルの時系列データを入力として、学習されたモデルセット群を用いて、対応する電子機器の種類及び操作状態を識別する。そして、ステップ１０８において、上記ステップ１０６で識別された、対応する電子機器の種類及び操作状態を出力部３８により出力して、識別処理ルーチンを終了する。
以上説明したように、第１の実施の形態に係る電子機器識別システムによれば、乾電池型センサノードが電子機器の電池収容部に収容されたときに、バッテリから流れる電流及びバッテリの電圧を計測して、無線通信により送信する。乾電池型センサノードから送信された電流及び電圧の時系列に基づいて特徴ベクトルの時系列データを抽出し、予め学習した電子機器の種類毎のモデルセットを用いることにより、簡易な構成で、使用している電子機器の種類及び電子機器の操作状態を識別することができる。
また、乾電池センサノードを携帯型電子機器の電池ケースに収容するだけで、その電子機器の利用を容易に観測することが可能となる。
次に、第２の実施の形態について説明する。なお、第２の実施の形態に係る電子機器識別システムの構成は、第１の実施の形態と同様の構成となるため、同一符号を付して説明を省略する。
第２の実施の形態では、計測される電流及び電圧から抵抗値を求め、抵抗値の時系列データから特徴ベクトルを抽出している点が、第１の実施の形態と異なっている。
ここで、電子機器内の電池は消耗と共に電圧が低下し、電子機器を流れる電流値にも影響を及ぼす。図６は、CDプレイヤと懐中電灯から得られた電流の計測データを示す。これらは、共に２つの単三電池で駆動する。図６(a)は、満充電した電池を用いた際のCDプレイヤから得られた電流の計測データを示し、2つの電池の電圧の合計は3.097Vである。一方、図６(b)は、消耗した電池を用いた際の同じCDプレイヤから得られたセンサデータを示し、2つの電池の電圧の合計は2.689Vである。2つの時系列データは類似しているものの、後者の方がデータの値が若干小さい。上記図６（ａ）、（ｂ）に示すように、プレイヤのスイッチを入れた直後の値は、前者が242mA、後者が220mAとなっている。また、図６(c)は、満充電した電池を用いた際の懐中電灯から得られた電流の計測データを示し、2つの電池の電圧の合計は3.161Vである。一方、図６(d)は、消耗した電池を用いた際の同じ懐中電灯から得られた電流の計測データを示し、2つの電池の電圧の合計は2.654Vである。図６（ｃ）、（ｄ）に示すように、懐中電灯のスイッチを入れた直後の電流値は、前者が491mA、後者が430mAとなっている。上述のように電池の電圧によって得られる電流値は異なる。機械学習のアプローチを用いて電子機器のイベントの識別を行う場合、この問題に対処する必要がある。この問題には2つの解決法が考えられる。1つ目は、さまざまな電圧の電池を用いてトレーニングデータを作成することであり、2つめは、電池の電圧値に依らない特徴を算出して識別に用いることである。
そこで、本実施の形態では、特徴抽出部３２は、乾電池型センサノード１２から受信した電流及び電圧に基づいて、電子機器１６の電気抵抗を求め、上記の第１の実施の形態と同様に、抵抗値の時系列データに対してタイムウインドウ（窓）毎に抽出処理を行い、窓ごとに求めたFFT成分と抵抗値の平均値を、特徴ベクトルとして抽出する。
ここで、ある操作が行われている（イベントが起こっている）ときの、電池の電圧Vと電池に流れる電流I、および、電子機器の抵抗Rとの関係はV=IRのように表わされる。R=V/Iは電子機器（のイベント）にのみ依存するため、乾電池型センサノード１２から得られる電圧値と電流値から求められるRを特徴として求める。ただし、Iがゼロのとき、Rは無限大になってしまうため、1/Rを特徴として用いるのが好ましい。
この特徴抽出手法の効果を、上記図６の例を用いて説明する。まず、上記図６(a)と(b)に示すCDプレイヤから得られたセンサデータに注目する。上記図６(a)と(b)の矢印で示されている電流値は、それぞれ242mAと220mAであり，10.0%の差がある。一方、図６(a)と(b)の1/Rの値は、それぞれ0.0782と0.0819であり、差は4.6%にまで減少している。上記図６(c)と(d)の矢印で示されている懐中電灯の電流値は、それぞれ491mAと430mAであり、14.2%の差がある。一方、図６(c)と(d)の1/Rの値は、それぞれ0.155と0.160であり、差は3.2%にまで減少している。このように1/Rの特徴を用いることで、電流の差を大きく減少できていることが分かる。
なお、第２の実施の形態に係る電子機器識別システムの他の構成及び作用については、第１の実施の形態と同様であるため、説明を省略する。
このように、乾電池型センサノードが電子機器の電池収容部に収容されたときに、バッテリから流れる電流及びバッテリの電圧を計測して、無線通信により送信する。乾電池型センサノードから送信された電流及び電圧から求められる抵抗の時系列に基づいて特徴ベクトルの時系列データを抽出し、予め学習した電子機器の種類毎のモデルセットを用いることにより、簡易な構成で、使用している電子機器の種類及び電子機器の操作状態を精度よく識別することができる。
なお、本発明は、上述した実施形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。
例えば、乾電池以外の電池の形状を模した電池型センサノードであってもよい。例えば、ボタン電池、リチウム電池、充電式電池等、交換可能な電池（バッテリ）の形状を模した筐体を備える電池型センサノードでもよい。
また、電圧計測部、電流計測部以外に、温度や音声や加速度などの環境情報を観測するセンサを、電池型センサノードの筐体内に更に備えていてもよい。
また、電池型センサノードに蓄積されたセンサデータを、オフラインで、電子機器識別装置へ出力するようにしてもよい。
また、電池型センサノードから得られたセンサデータに基づいて、電子機器の種類及び操作状態を識別する場合を例に説明したが、これに限定されるものではない。電池型センサノードのセンサデータに基づいて、電子機器の種類のみを識別するように構成してもよいし、特定の電子機器の操作状態のみを識別するように構成してもよい。
また、識別器のモデルとしてＨＭＭを用いる場合を例に説明したが、これに限定されるものではない。例えば、ＳＶＭ（Ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ）や決定木、Ｎａｉｖｅ Ｂａｙｅｓ ｃｌａｓｓｉｆｉｅｒなどの他の識別器を用いた構成としてもよい。
また、電子機器識別装置が、識別器の学習を行う場合を例に説明したが、これに限定されるものではなく、電子機器識別装置とは別の装置において、識別器の学習を行うようにしてもよい。
また、本願明細書中において、プログラムが予めインストールされている実施形態として説明したが、当該プログラムを、コンピュータ読み取り可能な記録媒体に格納して提供することも可能である。
１０ 電子機器識別システム
１２ 乾電池型センサノード
１４ 電子機器識別装置
１６ 電子機器
１８ 筐体
２０ バッテリ
２４ 電流計測部
２６ 電圧計測部
２８、３０ 無線通信部
３２ 特徴抽出部
３４ モデルセット記憶部
３６ 識別部
１２ 乾電池型センサノード
１４ 電子機器識別装置
１６ 電子機器
１８ 筐体
２０ バッテリ
２４ 電流計測部
２６ 電圧計測部
２８、３０ 無線通信部
３２ 特徴抽出部
３４ モデルセット記憶部
３６ 識別部
Claims (5)
- 電子機器の電池収容部に収容されるための電池型センサノードであって、
前記電池型センサノードを収容した前記電子機器に電源を供給するためのバッテリ、
前記バッテリから、前記電池型センサノードを収容した前記電子機器へ流れる電流を計測する電流計測部、
前記電流計測部によって計測された電流を出力する出力部、及び
前記バッテリ、前記電流計測部、及び出力部を収納した電池型の筐体
を含む電池型センサノードと、
前記電池型センサノードから出力された電流を取得する取得部と、
前記取得部により取得した電流の時系列に基づいて、特徴量を抽出する特徴抽出部と、
前記特徴量に基づいて前記電子機器の種類及び前記電子機器の操作状態の少なくとも一方を識別するための予め学習した識別モデルと、前記特徴抽出部によって抽出された前記特徴量とに基づいて、前記電池型センサノードを収容した前記電子機器の種類及び前記電子機器の操作状態の少なくとも一方を識別する識別部と、
を含む電子機器識別装置。 - 電子機器の電池収容部に収容されるための電池型センサノードであって、
前記電池型センサノードを収容した前記電子機器に電源を供給するためのバッテリ、
前記バッテリから、前記電池型センサノードを収容した前記電子機器へ流れる電流を計測する電流計測部、
前記バッテリの電圧を計測する電圧計測部、
前記電流計測部によって計測された電流、及び前記電圧計測部によって計測された電圧を出力する出力部、及び
前記バッテリ、前記電流計測部、前記電圧計測部、及び出力部を収納した電池型の筐体
を含む電池型センサノードと、
前記電池型センサノードから出力された電流及び電圧を取得する取得部と、
前記取得部により取得した電流及び電圧から求められる抵抗値の時系列に基づいて、特徴量を抽出する特徴抽出部と、
前記特徴量に基づいて前記電子機器の種類及び前記電子機器の操作状態の少なくとも一方を識別するための予め学習した識別モデルと、前記特徴抽出部によって抽出された前記特徴量とに基づいて、前記電池型センサノードを収容した前記電子機器の種類及び前記電子機器の操作状態の少なくとも一方を識別する識別部と、
を含む電子機器識別装置。 - 電子機器の電池収容部に収容されるための電池型センサノードであって、
前記電池型センサノードを収容した前記電子機器に電源を供給するためのバッテリ、
前記バッテリから、前記電池型センサノードを収容した前記電子機器へ流れる電流を計測する電流計測部、
前記電流計測部によって計測された電流を出力する出力部、及び
前記バッテリ、前記電流計測部、及び出力部を収納した電池型の筐体
を含む電池型センサノードと、
取得部と、
特徴抽出部と、
識別部とを含む電子機器識別装置における電子機器識別方法であって、
前記取得部によって、前記電池型センサノードから出力された電流を取得するステップと、
前記特徴抽出部によって、前記取得部により取得した電流の時系列に基づいて、特徴量を抽出するステップと、
前記識別部によって、前記特徴量に基づいて前記電子機器の種類及び前記電子機器の操作状態の少なくとも一方を識別するための予め学習した識別モデルと、前記特徴抽出部によって抽出された前記特徴量とに基づいて、前記電池型センサノードを収容した前記電子機器の種類及び前記電子機器の操作状態の少なくとも一方を識別するステップと、
を含む電子機器識別方法。 - 電子機器の電池収容部に収容されるための電池型センサノードであって、
前記電池型センサノードを収容した前記電子機器に電源を供給するためのバッテリ、
前記バッテリから、前記電池型センサノードを収容した前記電子機器へ流れる電流を計測する電流計測部、
前記バッテリの電圧を計測する電圧計測部、
前記電流計測部によって計測された電流、及び前記電圧計測部によって計測された電圧を出力する出力部、及び
前記バッテリ、前記電流計測部、前記電圧計測部、及び出力部を収納した電池型の筐体
を含む電池型センサノードと、
取得部と、
特徴抽出部と、
識別部とを含む電子機器識別装置における電子機器識別方法であって、
前記取得部によって、前記電池型センサノードから出力された電流及び電圧を取得するステップと、
前記特徴抽出部によって、前記取得部により取得した電流及び電圧から求められる抵抗値の時系列に基づいて、特徴量を抽出するステップと、
前記識別部によって、前記特徴量に基づいて前記電子機器の種類及び前記電子機器の操作状態の少なくとも一方を識別するための予め学習した識別モデルと、前記特徴抽出部によって抽出された前記特徴量とに基づいて、前記電池型センサノードを収容した前記電子機器の種類及び前記電子機器の操作状態の少なくとも一方を識別するステップと、
を含む電子機器識別方法。 - コンピュータに、請求項３又は４記載の電子機器識別方法の各ステップを実行させるためのプログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2012041880A JP5746072B2 (ja) | 2012-02-28 | 2012-02-28 | 電子機器識別装置、方法、及びプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2012041880A JP5746072B2 (ja) | 2012-02-28 | 2012-02-28 | 電子機器識別装置、方法、及びプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2013178933A JP2013178933A (ja) | 2013-09-09 |
| JP5746072B2 true JP5746072B2 (ja) | 2015-07-08 |
Family
ID=49270398
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2012041880A Active JP5746072B2 (ja) | 2012-02-28 | 2012-02-28 | 電子機器識別装置、方法、及びプログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP5746072B2 (ja) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6102518B2 (ja) * | 2013-05-27 | 2017-03-29 | 富士通株式会社 | 電力供給デバイス、及び電力供給プログラム |
| US10168677B2 (en) * | 2014-11-11 | 2019-01-01 | Weebee Corporation | Systems and methods for smart spaces |
| JPWO2019203341A1 (ja) * | 2018-04-20 | 2021-05-20 | ノバルス株式会社 | センサ装置及び電池装置 |
| JPWO2019203340A1 (ja) * | 2018-04-20 | 2021-05-20 | ノバルス株式会社 | センサ装置及び電池装置 |
| JP7032999B2 (ja) * | 2018-05-14 | 2022-03-09 | Ｋｙｂ株式会社 | 流体漏れ検出システム |
| CN117233629B (zh) * | 2023-11-13 | 2024-01-30 | 深圳市普裕时代新能源科技有限公司 | 一种锂离子电池电性能测试方法、系统、设备及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4095878B2 (ja) * | 2002-10-28 | 2008-06-04 | 松下電器産業株式会社 | 電池管理システム、電池パック、及びその充電状態計測方法 |
-
2012
- 2012-02-28 JP JP2012041880A patent/JP5746072B2/ja active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2013178933A (ja) | 2013-09-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5746072B2 (ja) | 電子機器識別装置、方法、及びプログラム | |
| Laput et al. | Sensing fine-grained hand activity with smartwatches | |
| Zhu et al. | Wearable sensor-based behavioral anomaly detection in smart assisted living systems | |
| Huỳnh et al. | Scalable recognition of daily activities with wearable sensors | |
| US11000118B2 (en) | Smart brushes and accessories systems and methods | |
| Lester et al. | A practical approach to recognizing physical activities | |
| Yang | Toward physical activity diary: motion recognition using simple acceleration features with mobile phones | |
| Maekawa et al. | Object-based activity recognition with heterogeneous sensors on wrist | |
| JP7199568B2 (ja) | バッテリ診断システム、バッテリ診断方法、及び記憶媒体 | |
| Lester et al. | A hybrid discriminative/generative approach for modeling human activities | |
| Ward et al. | Activity recognition of assembly tasks using body-worn microphones and accelerometers | |
| Zhan et al. | Wearable sensor-based human activity recognition from environmental background sounds | |
| Alemdar et al. | Using active learning to allow activity recognition on a large scale | |
| Gomes et al. | Mobile activity recognition using ubiquitous data stream mining | |
| Maekawa et al. | Activity recognition with hand-worn magnetic sensors | |
| Maekawa et al. | WristSense: wrist-worn sensor device with camera for daily activity recognition | |
| Maekawa et al. | Recognizing the use of portable electrical devices with hand-worn magnetic sensors | |
| Khan et al. | Towards the detection of unusual temporal events during activities using hmms | |
| Rai et al. | Mining complex activities in the wild via a single smartphone accelerometer | |
| Hung et al. | Abnormality detection for improving elder’s daily life independent | |
| JP4719826B2 (ja) | 作業認識装置 | |
| US11769077B2 (en) | Methods and systems to characterize the user of a personal care device | |
| CN109603142A (zh) | 一种哑铃运动的识别计数方法及其装置 | |
| Swee et al. | Wireless data gloves Malay sign language recognition system | |
| Harasimowicz et al. | Accelerometer-based human activity recognition and the impact of the sample size |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20140206 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20141028 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20141226 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20150120 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20150320 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20150407 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20150507 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 5746072 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |