JP5977958B2 - 特異データ検出装置および特異データ検出方法 - Google Patents

Description

本発明は、特異データ検出装置および特異データ検出方法に関する。

従来、周囲の音を検出し、検出結果に基づいて、日常的に発生する日常音と、日常音と特徴の異なる特異な音である異常音とを判別し、異常音を検出した場合に警報出力を行う警備装置が知られている。

このように、特徴の異なるデータを判別する手法としては、複数のデータを複数のクラスタにクラスタリングする手法が知られている。例えば、特許文献１には、過去のクラスタリング結果と、これに付随する確率パラメータを用いて、記述長最小の基準に基づいて、新しくデータを追加する度にクラスタリングを行う技術が開示されている。これにより、逐次入力されるデータをクラスタリングすることができる。

特徴の異なるデータを判別する他の手法としては、ニューラルネットワークを利用した技術が知られている。ニューラルネットワークを利用した技術として、例えば、特許文献２には、設備の正常運転時のデータのみを用いて異常か否かを判定する閾値を算出し、これに基づいて、異常の兆候を検出する装置が開示されている。

また、特許文献３には、正常時のデータを用いて異常判定処理を実行し、さらに、異常判定処理の実行後に、異常が発生した場合には、異常時のデータを用いて判定精度を高める装置が開示されている。

特許第３２４３６９３号公報 特許第４１００４１３号公報 特許第４４１２３０６号公報

特許文献１の技術においては、新しくデータを追加する度にクラスタリングを行うことができるので、クラスタリング前にクラスタリングの対象となるデータをすべて準備する必要がない。しかしながら、特許文献１の技術では、過去にクラスタリングを行ったすべてのデータを見直す必要がないものの、データを追加する毎にクラスタの統合を可能な限り繰り返す必要があり、演算量が多いという問題があった。

また、特許文献２および特許文献３の技術においては、異常判定の処理を行うにあたり、事前に正常時のデータを用いて閾値を設定する必要がある。このため、処理対象となるデータの特徴が刻々と変化する場合であっても、予め設定された閾値による異常判定が行われるため、時間の経過とともに適切な異常判定が行えなくなるという問題があった。

本発明は、上記に鑑みてなされたものであって、少ない演算量で、刻々と変化する複数のデータから他のデータと特徴の異なる特異データを検出する特異データ検出装置および特異データ検出方法を提供することを目的とする。

上述した課題を解決し、目的を達成するために、本発明は、取得データを逐次クラスタリングし、クラスタリング結果に基づいて複数の取得データから特異な特徴を示す特異データを検出する特異データ検出装置であって、既にクラスタリングされたデータと、前記データが所属するクラスタとを対応付けて複数記憶するデータ記憶部と、前記クラスタと、前記クラスタに所属する前記データの特徴量を代表する代表値とを対応付けて複数記憶する代表値記憶部と、クラスタリングの対象となる新データを取得するデータ取得部と、前記データ取得部が取得した前記新データの前記特徴量と前記代表値記憶部に記憶されている前記代表値の間のデータ距離を算出するデータ距離算出部と、前記データ距離に基づいて、前記新データが属するクラスタを決定するクラスタ決定部と、前記新データの前記特徴量に基づいて、前記新データの属するクラスタの前記代表値を算出する代表値算出部と、前記新データと、前記新データの属するクラスタとを対応付けて前記データ記憶部に書き込み、前記新データの属するクラスタに対応付けて前記新データの属するクラスタの前記代表値を前記代表値記憶部に書き込むデータ更新部と、前記代表値記憶部に記憶されている各クラスタの前記代表値に基づいて前記代表値記憶部に記憶されている複数のクラスタに対する各クラスタの特異度を算出する特異度算出部と、前記特異度に基づいて、各クラスタが特異クラスタであるか否かを判定し、前記クラスタが前記特異クラスタである場合に、前記特異データが検出されたと判定する特異データ判定部とを備え、前記特異データ判定部は、前記特異度と特異度閾値とを比較し、前記特異度が前記特異度閾値以上である場合に、さらに前記特異度が前記特異度閾値以上の前記クラスタに属するデータのデータ数とデータ数閾値とを比較し、所定時間継続して処理対象となる対象クラスタの前記データ数が前記データ数閾値以下である場合に、前記データ数閾値以下の前記データ数の前記クラスタを前記特異クラスタであると判定する、ことを特徴とする。

また、本発明は、取得データを逐次クラスタリングし、クラスタリング結果に基づいて複数の取得データから特異な特徴を示す特異データを検出する特異データ検出装置で実行される特異データ検出方法であって、前記特異データ検出装置は、既にクラスタリングされたデータと、前記データが所属するクラスタとを対応付けて複数記憶するデータ記憶部と、前記クラスタと、前記クラスタに所属する前記データの特徴量を代表する代表値とを対応付けて複数記憶する代表値記憶部とを備え、クラスタリングの対象となる新データを取得するデータ取得工程と、前記データ取得工程において取得した前記新データの前記特徴量と前記代表値記憶部に記憶されている前記代表値の間のデータ距離を算出するデータ距離算出工程と、前記データ距離に基づいて、前記新データが属するクラスタを決定するクラスタ決定工程と、前記新データの前記特徴量に基づいて、前記新データの属するクラスタの前記代表値を算出する代表値算出工程と、前記新データと、前記新データの属するクラスタとを対応付けて前記データ記憶部に書き込み、前記新データの属するクラスタに対応付けて前記新データの属するクラスタの前記代表値を前記代表値記憶部に書き込むデータ更新工程と、前記代表値記憶部に記憶されている各クラスタの前記代表値に基づいて前記代表値記憶部に記憶されている複数のクラスタに対する各クラスタの特異度を算出する特異度算出工程と、前記特異度に基づいて、各クラスタが特異クラスタであるか否かを判定し、前記クラスタが前記特異クラスタである場合に、前記特異データが検出されたと判定する特異データ判定工程とを含み、前記特異データ判定工程は、前記特異度と特異度閾値とを比較し、前記特異度が前記特異度閾値以上である場合に、さらに前記特異度が前記特異度閾値以上の前記クラスタに属するデータのデータ数とデータ数閾値とを比較し、所定時間継続して処理対象となる対象クラスタの前記データ数が前記データ数閾値以下である場合に、前記データ数閾値以下の前記データ数の前記クラスタを前記特異クラスタであると判定する、ことを特徴とする。

本発明によれば、少ない演算量で、刻々と変化する複数のデータから他のデータと特徴の異なる特異データを検出することができるという効果を奏する。

図１は、警備装置の構成を示すブロック図である。 図２は、セントロイドを説明するための図である。 図３は、データ記憶部のデータ構成を模式的に示す図である。 図４は、セントロイド記憶部のデータ構成を模式的に示す図である。 図５は、クラスタ間平均距離を説明するための図である。 図６は、警備装置１によるクラスタリング処理を示すフローチャートである。 図７は、クラスタの生成過程を示す図である。 図８は、音データを取得するのに伴い、古いデータを削除する過程を示す図である。 図９は、特異データ判定処理を示すフローチャートである。 図１０−１は、木材を５回打撃したときに得られた音の波形とスペクトログラムを示す図である。 図１０−２は、図１０−１に示す音データに対するクラスタリング結果を示す図である。 図１１−１は、木材を打撃し、続いて金属を打撃し、再び木材を打撃したときに得られた音の波形とスペクトログラムを示す図である。 図１１−２は、図１１−１に示す音データに対するクラスタリング結果を示す図である。 図１２−１は、ＳＮＲ＝１０ｄＢで日常音と異常音とを混合した音データの波形とスペクトログラムを示す図である。 図１２−２は、図１２−１に示す音データに対するクラスタリング結果を示す図である。 図１２−３は、図１２−１に示す音データに対するクラスタリング結果を示す図である。 図１３−１は、ＳＮＲ＝５ｄＢで日常音と異常音とを混合した音データの波形とスペクトログラムを示す図である。 図１３−２は、図１３−１に示す音データに対するクラスタリング結果を示す図である。 図１３−３は、図１３−１に示す音データに対するクラスタリング結果を示す図である。 図１４−１は、居酒屋内の騒音の音データの波形とスペクトログラムを示す図である。 図１４−２は、図１４−１に示す音データに対するクラスタリング結果を示す図である。 図１５−１は、居酒屋内の騒音と異常音の音データの波形とスペクトログラムを示す図である。 図１５−２は、図１５−１に示す音データに対するクラスタリング結果を示す図である。 図１６−１は、マーケット内の騒音と異常音の音データの波形とスペクトログラムを示す図である。 図１６−２は、図１６−１に示す音データに対するクラスタリング結果を示す図である。

以下に添付図面を参照して、特異データ検出装置および特異データ検出方法の実施の形態を詳細に説明する。なお、本実施の形態においては、特異データ検出装置を適用した警備装置を例に説明する。

図１は、特異データ検出装置としての警備装置１を示すブロック図である。本実施の形態の警備装置１は、例えば警備対象となる店舗内に設置され、周囲で発生する音に基づいて異常を検出し、警報を出力する。より具体的には、警備装置１は、音データを取得する度に音データのクラスタリングを逐次行い、このクラスタリングの結果、他のデータと特徴の異なる特異データのクラスタが発生した場合に、通常の音と異なる異常音が発生したものと判断し、警報を出力する。

警備装置１は、このための構成として、データ取得部１０と、特徴パラメータ算出部２０と、逐次クラスタリング部３０と、データ記憶部４０と、セントロイド記憶部５０と、データ更新部６０と、特異データ処理部７０と、警報出力部８０とを備えている。

データ取得部１０は、クラスタリングの対象となる音データを取得する。特徴パラメータ算出部２０は、データ取得部１０が取得した音データの特徴量としての特徴パラメータを算出する。なお、本実施の形態の警備装置１は、クラスタリングの対象データとして音データを取得し、特徴パラメータとして、ＬＰＣケプストラム係数を算出することとする。ただし、クラスタリングの対象データの種類および特徴パラメータの種類は実施の形態に限定されるものではない。

データ取得部１０は、例えば、１６ｋＨｚ、１６ｂｉｔで量子化された音響信号（以下、音データと称する）をクラスタリングの対象データとして取得する。また、特徴パラメータ算出部２０は、例えば、分析フレーム長６４ｍｓｅｃ（１０２４ｐ）、分析フレーム間隔１６ｍｓｅｃ（２５６ｐ）で１６次のＬＰＣケプストラム係数を算出することにより、音の周波数構造を表す１６次元の特徴パラメータを算出する。

なお他の例としては、クラスタリングの対象となる対象データとともに特徴パラメータを外部から取得してもよい。この場合には、警備装置１は、特徴パラメータ算出部２０を備えなくともよい。

逐次クラスタリング部３０は、特徴パラメータ算出部２０により算出された特徴パラメータに基づいて、データ取得部１０がデータを取得する度に、データのクラスタリングを逐次行う。

データ記憶部４０は、逐次クラスタリング部３０によりクラスタリングされた音データを記憶している。セントロイド記憶部５０は、逐次クラスタリング部３０により生成されたクラスタのセントロイドの値を記憶している。ここで、セントロイドとは、各クラスタに属する音データの特徴パラメータの重心である。本実施の形態においては、クラスタの特徴を示す代表値としてセントロイドを用いるが、代表値は、クラスタの特徴を示すような値であればよく、例えば、クラスタに属する音データの平均値などセントロイド以外の値を用いてもよい。

図２は、セントロイドを説明するための図である。なお、本実施の形態においては、説明の便宜上、音データの特徴パラメータがｘ，ｙ座標上の値を有する二次元データである場合を例に説明する。図２に示すように、クラスタＡに属するデータａ１〜ａ５の特徴パラメータのｘｙ平面上の位置の重心位置がクラスタＡのセントロイドである。

図１に戻り、データ更新部６０は、データ取得部１０が新たな音データを取得すると、新たな音データに基づいて、データ記憶部４０およびセントロイド記憶部５０のデータを更新する。なお、本実施の形態の警備装置１においては、データ取得部１０は、クラスタリングの対象となる音データを逐次取得し、データ更新部６０は、データ記憶部４０に記憶されている音データの数が予め設定された閾値を越えた場合には、最も古い音データを削除し、これに替えて新たな音データをデータ記憶部４０に書き込む。

図３は、データ記憶部４０のデータ構成を模式的に示す図である。図３に示すように、データ記憶部４０は、データ取得部１０が音データを取得した取得順と、音データを識別するデータＩＤと、音データと、音データに対し特徴パラメータ算出部２０により算出された特徴パラメータと、音データが属するクラスタを識別するクラスタＩＤとを対応付けて記憶している。なお、取得順は、データを取得する度に付与される連続番号などであってもよく、また他の例としては、取得時刻であってもよい。

図４は、セントロイド記憶部５０のデータ構成を模式的に示す図である。図４に示すように、セントロイド記憶部５０は、逐次クラスタリング部３０により生成されたクラスタのクラスタＩＤと、クラスタのセントロイドとを対応付けて記憶している。

図１に戻り、逐次クラスタリング部３０は、データ距離算出部３１と、クラスタ決定部３２と、セントロイド算出部３３とを有している。データ距離算出部３１は、データ距離を算出する。ここで、データ距離とは、データ取得部１０が新たに取得した音データ（新データ）の特徴パラメータと、既に逐次クラスタリング部３０により生成されたクラスタのセントロイドとの距離である。データ距離算出部３１は、特徴パラメータ算出部２０により算出された特徴パラメータと、セントロイド記憶部５０に記憶されているクラスタのセントロイドに基づいて、データ距離を算出する。なお、セントロイド記憶部５０に複数のクラスタのセントロイドが記憶されている場合には、データ距離算出部３１は、すべてのセントロイドとのデータ距離を算出する。

クラスタ決定部３２は、データ距離算出部３１により算出されたデータ距離と、予め設定された距離閾値とを比較する。そして、クラスタ決定部３２は、所定のクラスタとのデータ距離が距離閾値以下の場合には、距離閾値以下のデータ距離が算出されたクラスタを新データが属するクラスタに決定する。クラスタ決定部３２はまた、データ距離が距離閾値よりも大きい場合には、新データの属するクラスタとして新たなクラスタを生成し、これを新データが属するクラスタに決定する。

なお、距離閾値は、警備装置１に予め設定しておく。なお、距離閾値の値は任意であるが、距離閾値を大きく設定することにより、生成されるクラスタの数を少なくすることができ、特徴量の異なるデータを同一クラスタに所属させることができる。一方で、距離閾値を小さく設定することにより、比較的多くのクラスタを生成することができ、特徴量が比較的類似するデータのみを同一クラスタに所属させることができる。

セントロイド算出部３３は、クラスタ決定部３２により決定された新データのクラスタのセントロイドを算出する。セントロイド算出部３３はまた、データ更新部６０により所定の音データがデータ記憶部４０から削除された場合には、削除された音データが属していたクラスタのセントロイドを算出する。すなわち、セントロイド算出部３３は、音データの削除後に、削除された音データのクラスタに属する、残りの音データの特徴パラメータに基づいて、削除された音データが属していたクラスタのセントロイドを算出する。

なお、クラスタ決定部３２により新データが属するクラスタが決定されると、データ更新部６０は、新データと、新データのデータＩＤと、新データの特徴パラメータと、新データに対して決定されたクラスタのクラスタＩＤとをデータ記憶部４０に書き込む。また、セントロイド算出部３３によりセントロイドが算出されると、データ更新部６０は、セントロイド算出部３３により算出されたセントロイドをクラスタＩＤに対応付けてセントロイド記憶部５０に書き込む。

特異データ処理部７０は、逐次クラスタリング部３０によりクラスタリングされ、データ記憶部４０に書き込まれたデータを参照し、警備装置１に特異データが入力されたか否かを判断する。特異データ処理部７０は、クラスタ間平均距離算出部７１と、特異データ判定部７２と、継続性判定部７３とを有している。

クラスタ間平均距離算出部７１は、セントロイド記憶部５０を参照し、各クラスタのクラスタ間平均距離を算出する。具体的には、クラスタ間平均距離算出部７１は、処理対象の対象クラスタのセントロイドと、対象クラスタ以外の他のクラスタとの間のクラスタ間距離を算出する。他のクラスタが複数存在する場合には、複数のクラスタ間距離が算出される。

クラスタ間平均距離算出部７１は、対象クラスタに対して得られた複数のクラスタ間距離の平均値を、対象クラスタのクラスタ間平均距離として算出する。クラスタ間平均距離算出部７１は、逐次クラスタリング部３０により生成され、セントロイド記憶部５０にクラスタＩＤが記憶されているすべてのクラスタを対象クラスタとし、すべてのクラスタのクラスタ間平均距離を算出する。

図５は、クラスタ間平均距離を説明するための図である。例えば、図５に示すように、逐次クラスタリング部３０により、クラスタＡ〜Ｃが生成され、セントロイド記憶部５０にクラスタＡ〜ＣのクラスタＩＤが記憶されているとする。この場合、クラスタ間平均距離算出部７１は、クラスタＡを対象クラスタとするとき、クラスタＡのセントロイドを起点とし、クラスタＡとクラスタＢの間のクラスタ間距離ｄ_Ｂと、クラスタＡとクラスタＣの間のクラスタ間距離ｄ_Ｃとを算出する。

そして、クラスタ間平均距離算出部７１は、クラスタＡとクラスタＢの間のクラスタ間距離ｄ_Ｂと、クラスタＡとクラスタＣの間のクラスタ間距離ｄ_Ｃの平均値を、クラスタＡのクラスタ間平均距離として算出する。クラスタ間平均距離算出部７１は、同様に、クラスタＢおよびクラスタＣのクラスタ間平均距離を算出する。

ここで、各クラスタのクラスタ間平均距離は、各クラスタが他のクラスタとどの程度離れているかを評価する指標値であり、すなわち、各クラスタの他のクラスタに対する特異性を評価する指標であり、特異度に相当する値である。したがって、クラスタ間平均距離算出部７１は、特異度算出部に相当する。

図１に戻り、特異データ判定部７２は、クラスタ間平均距離算出部７１により算出された各クラスタのクラスタ間平均距離と、各クラスタに属するデータ数とに基づいて、特異クラスタの可能性のある特異クラスタ候補を特定する。各クラスタに属するデータ数は、各クラスタのデータの発生頻度を評価する指標となる値である。

ここで、特異クラスタとは、他のクラスタと特徴の異なるクラスタである。特異データ判定部７２は、特異クラスタ候補を特定した場合には、特異クラスタ候補が一定時間継続して、特異クラスタ候補と判定された場合に、このクラスタを特異クラスタと判定し、特異クラスタに属するデータが特異データとして検出されたと判定する。

警報出力部８０は、特異データ判定部７２により特異データが検出されたと判定された場合に、異常音が発生したと判断し、警報を出力するとともに、ネットワークを介して管理装置等に異常が発生した旨の通報を行う。

図６は、警備装置１によるクラスタリング処理を示すフローチャートである。クラスタリング処理は、警備装置１のデータ取得部１０が音データを取得する度に実行される。クラスタリング処理においては、まずデータ取得部１０が音データを取得すると（ステップＳ１００）、特徴パラメータ算出部２０は、音データの特徴パラメータを算出する（ステップＳ１０１）。次に、データ更新部６０は、データ記憶部４０を参照し、データ記憶部４０にデータが記憶されているか否かを確認する。

データ記憶部４０に音データが記憶されておらず、まだクラスタが生成されていない場合には（ステップＳ１０２，Ｎｏ）、データ更新部６０は、自身が有するデータ配列Ｘ［ｊ］のアドレス［ｊ＝０］にステップＳ１０１において算出された新データの特徴パラメータを格納する（ステップＳ１０３）。データ更新部６０は、さらにデータ記憶部４０に新たなデータ、新たなデータの取得順、データＩＤ、特徴パラメータを書き込む。

次に、逐次クラスタリング部３０のクラスタ決定部３２は、新データが属するクラスタ（新クラスタ）を新たに生成する（ステップＳ１０４）。これに対応し、データ記憶部４０においては、データ更新部６０により、新データに対応付けて、新クラスタのクラスタＩＤが書き込まれる。

次に、セントロイド算出部３３は、新クラスタのセントロイドを算出する（ステップＳ１０５）。なお、ステップＳ１０４において生成された新クラスタに属するデータは新データのみであるので、ステップＳ１０５では、新データの特徴パラメータがクラスタのセントロイドとして算出される。算出されたセントロイドは、データ更新部６０により、新クラスタのクラスタＩＤに対応付けてセントロイド記憶部５０に書き込まれ、図９に示す特異データ判定処理へ進む。

一方、ステップＳ１０２において、既にデータ記憶部４０に音データが記憶されており、クラスタ生成済みである場合には（ステップＳ１０２，Ｙｅｓ）、データ更新部６０は、データ配列Ｘ［ｊ］のアドレス［ｊ］を１だけ進める（ステップＳ１１０）。ここで、アドレス［ｊ］がデータ配列Ｘ［ｊ］の最終アドレスよりも大きい場合には（ステップＳ１１１，Ｙｅｓ）、データ更新部６０は、データ配列Ｘ［ｊ］のアドレスを［０］に戻す（ステップＳ１１２）。なお、ステップＳ１１１において、アドレス［ｊ］がデータ配列Ｘ［ｊ］の最終アドレス以下である場合には（ステップＳ１１１，Ｎｏ）、ステップＳ１１３へ進む。

次に、セントロイド算出部３３は、データ配列Ｘ［ｊ］の各アドレスに格納されている特徴パラメータのうち、アドレス［ｊ］に格納されている特徴パラメータ以外の特徴パラメータに基づいて、アドレス［ｊ］の特徴パラメータが属するクラスタのセントロイドを算出し、データ更新部６０は、算出結果に基づいて、セントロイド記憶部５０のセントロイドを更新する（ステップＳ１１３）。

なお、ここでは、アドレス［ｊ］に格納されている特徴パラメータが除外されるので、アドレス［ｊ］の特徴パラメータが属するクラスタのセントロイドの値が、前回算出されたセントロイドの値と異なる可能性があるが、これ以外のクラスタのセントロイドの値に変更はない。そこで、ステップＳ１１３においては、アドレス［ｊ］の特徴パラメータが属するクラスタのセントロイドの算出、更新を行えばよい。

次に、データ距離算出部３１は、新データと既に生成済みのすべてのクラスタのセントロイドとの間のデータ距離をそれぞれ算出する（ステップＳ１１４）。新データの特徴パラメータｘ_ｋ（ｋ＝０，１，２…Ｋ）とクラスタ［i］（ｉ＝０，１，２…Ｉ）のセントロイドＣ_ｉ，ｋの間のデータ距離ｄ_ｉは、（式１）により算出される。ここで、ｋは、特徴パラメータの次元であり、Ｉは、生成済みのクラスタの数である。なお、本実施の形態においては、特徴パラメータは２次元である。

次に、クラスタ決定部３２は、複数のクラスタが存在する場合には、複数のクラスタそれぞれに対して算出された新データのデータ距離の最小値と、予め設定された距離閾値（Ｄ_ｐ）とを比較する。なお、１つのクラスタのみ存在する場合には、算出されたデータ距離と距離閾値（Ｄ_ｐ）とを比較する。データ距離の最小値が距離閾値（Ｄ_ｐ）以下である場合には（ステップＳ１１５，Ｙｅｓ）、クラスタ決定部３２は、データ距離の最小値が得られたクラスタを新データが属するクラスタに決定する（ステップＳ１１６）。

このように、処理対象となる複数のデータの分散に対して、相対的に小さい距離閾値（Ｄ_ｐ）を設定した場合には、クラスタ数が多くなり、相対的に大きい距離閾値（Ｄ_ｐ）を設定した場合には、クラスタ数は少なくなる。最適な距離閾値（Ｄ_ｐ）は、入力されるデータの特徴量に依存する。したがって、入力されるデータの特徴量や入力データ群のばらつきを予測し、これらの値に基づいて最適な距離閾値（Ｄ_ｐ）を予め設定しておくことが望ましい。

次に、セントロイド算出部３３は、新データのクラスタのセントロイドを算出し、データ更新部６０は、算出結果に基づいて、セントロイド記憶部５０のセントロイドを更新する（ステップＳ１１７）。具体的には、セントロイド算出部３３は、新データと、新データが属するクラスタに属する音データの特徴パラメータに基づいて、新データが属するクラスタのセントロイドを算出する。そして、データ更新部６０は、新データが属するクラスタのクラスタＩＤに対応付けられているセントロイドの値を、セントロイド算出部３３により算出されたセントロイドの値、すなわち新データを追加後のクラスタのセントロイドの値に更新する。

次に、データ更新部６０は、アドレス［ｊ］に新データの特徴パラメータを格納し、新データ、新データの取得順、データＩＤ、特徴パラメータ、クラスタＩＤをデータ記憶部４０に書き込み（ステップＳ１１８）、図９に示す特異データ判定処理へ進む。

なお、ステップＳ１１５において、データ距離の最小値が距離閾値（Ｄ_ｐ）よりも大きい場合には（ステップＳ１１５，Ｎｏ）、新データは既に生成済みのいずれのクラスタにも属さないと判断し、ステップＳ１０４に進み、新データのみを所属データとする新クラスタを生成する。

以上のように、本実施の形態にかかる警備装置１は、新データが追加された場合には、新データの特徴パラメータと既に生成されているクラスタのセントロイドのみに基づいて、クラスタを更新する。すなわち、本実施の形態にかかる警備装置１は、少ない演算量で逐次クラスタリングを行うことができる。

また、データ配列Ｘ［ｊ］以上の数のデータを取得した場合には、古い音データから順に削除し、この場合には、削除されたデータが属していたクラスタについてのみクラスタの更新を行えばよいので、時々刻々と変化するデータに対し、少ない演算量で、常に最新の一定期間に得られたデータを適切にクラスタリングすることができる。

さらに、データ配列の数を設定することにより、クラスタリングの対象となるデータの最大数を設定することができるので、利用者は、希望するデータ数、または希望する期間に相当するデータ数を設定するだけで、自動的に常に希望するデータ数のデータを対象としたクラスタリング結果を自動的に得ることができる。

図７は、クラスタの生成過程を示す図である。警備装置１に音データ１〜５が番号順に入力されたとする。この場合、まず、音データ１の入力に対し、データ数１のクラスタＡが生成される。クラスタＡのセントロイドは、音データ１の特徴パラメータの値となる。

次に、音データ２が入力されると、音データ２とクラスタＡのセントロイドとのデータ距離が算出される。音データ２のデータ距離は、距離閾値（Ｄ_ｐ）よりも大きいものとする。この場合、音データ２が属する新たなクラスタＢが生成され、クラスタＢのセントロイドは、音データ２の特徴パラメータの値となる。

次に、音データ３が入力されると、音データ３とクラスタＡのセントロイドとのデータ距離と、音データ３とクラスタＢのセントロイドとのデータ距離が算出される。ここで、いずれのデータ距離も距離閾値（Ｄ_ｐ）よりも大きいものとする。この場合、音データ３が属する新たなクラスタＣ（図中Ｃ１）が生成され、クラスタＣのセントロイドは音データ３の特徴パラメータの値となる。

次に、音データ４が入力されると、音データ４とクラスタＡ〜Ｃのそれぞれのセントロイドとのデータ距離、すなわち３つのデータ距離が算出される。ここで、算出された３つのデータ距離のうちクラスタＣとのデータ距離が最小で、かつデータ距離の最小値が距離閾値（Ｄ_ｐ）以下の値であるものとする。この場合には、音データ４の属するクラスタがクラスタＣに決定される。さらに、クラスタＣ（図中Ｃ２）の所属データを音データ３および音データ４として、クラスタＣ（Ｃ２）のセントロイドが更新される。

次に、音データ５が入力されると、音データ５と、クラスタＡ〜クラスタＣそれぞれのセントロイドとのデータ距離が算出される。ここで、算出された３つのデータ距離のうちクラスタＣ（Ｃ２）とのデータ距離が最小で、かつデータ距離の最小値が距離閾値（Ｄ_ｐ）以下の値であるものとする。この場合には、音データ５の属するクラスタがクラスタＣに決定される。さらに、クラスタＣ（Ｃ３）の所属データを音データ３、音データ４および音データ５として、クラスタＣ（Ｃ３）のセントロイドが更新される。

図８は、音データを取得するのに伴い、古いデータを削除する過程を示す図である。なお、図８の例においては、データ配列Ｘ［ｊ］に１０個の音データが格納され、これ以上のデータが警備装置１に入力された場合には、古い音データから順に削除されるものとする。図８のｔ１のタイミングまでに音データ１〜１０がそれぞれクラスタＡ〜Ｄにクラスタリングされているものとする。

そして、ｔ１のタイミングで警備装置１に新データ１１が入力される。この場合には、ｔ１のタイミングにおいて、データ配列Ｘ［ｊ］に格納されている最も古いデータである音データ１が削除される。そして、ｔ２のタイミングで新データ１１が属するクラスタがクラスタＣに決定され、クラスタＣのセントロイドが更新される。

また、音データ１が削除されたことに伴い、ｔ２のタイミングで、音データ１が属していたクラスタＡのセントロイドが更新される。さらに、ｔ２のタイミングにおいて、新データ１２が入力されるとする。この場合には、ｔ２のタイミングにおいて、データ配列Ｘ［ｊ］に格納されている最も古いデータである音データ２が削除される。そして、ｔ３のタイミングで新データ１２が属する新たなクラスタＥが生成される。また、音データ２が削除されたことに伴い、音データ２が属していたクラスタＢが消滅する。なお、クラスタに属する音データが存在しない場合には、データ更新部６０は、セントロイド記憶部５０において、所属する音データが存在しないクラスタのクラスタＩＤに対応付けられているセントロイドの値、またはクラスタＩＤとセントロイドの値の両方を削除する。

図９は、図６に示すクラスタリング処理のステップＳ１０５およびステップＳ１１８に続いて実行される特異データ判定処理を示すフローチャートである。図６に示すクラスタリング処理が終了すると、続いて図９に示すように、特異データ処理部７０のクラスタ間平均距離算出部７１は、生成されたすべてのクラスタ、すなわちセントロイド記憶部５０にクラスタＩＤが記憶されているすべてのクラスタのクラスタ間平均距離を算出する（ステップＳ１２０）。次に、特異データ判定部７２は、クラスタ間平均距離算出部７１により複数のクラスタそれぞれに対して算出された複数のクラスタ間平均距離の中から最大値を特定する（ステップ１２１）。

次に、特異データ判定部７２は、特定した最大値と予め設定された距離閾値（Ｄ_ｃ）とを比較する。ここで、距離閾値（Ｄ_ｃ）は、任意の値であり、警備装置１に予め設定されているものとする。最大値が距離閾値（Ｄ_ｃ）以上である場合には（ステップＳ１２２，Ｙｅｓ）、特異データ判定部７２は、データ記憶部４０を参照し、最大値が算出されたクラスタに属するデータ数（ｍ_ｃ）を特定する（ステップＳ１２３）。

次に、特異データ判定部７２は、データ数（ｍ_ｃ）と予め設定されたデータ数閾値（Ｍ_ｃ）とを比較する。ここで、データ数閾値（Ｍ_ｃ）は、任意の値であり、警備装置１に予め設定されているものとする。データ数（ｍ_ｃ）がデータ数閾値（Ｍ_ｃ）以下であり、かつデータ数（ｍ_ｃ）が生成された各クラスタのデータ数の最小値である場合には（ステップＳ１２４，Ｙｅｓ）、特異データ判定部７２は、最大値が算出されたクラスタを特異クラスタである可能性のある特異クラスタ候補に設定する（ステップＳ１２５）。

このように、本実施の形態の警備装置１においては、特異データ判定部７２は、クラスタ間平均距離の最大値と距離閾値（Ｄ_ｃ）の比較結果に基づいて、クラスタ間平均距離の最大値が算出されたクラスタが特異クラスタ候補か否かを判定する。

距離閾値（Ｄ_ｃ）として比較的小さい値を設定することにより、特異性の低い音データまで特異データとして検出することができる。一方、距離閾値（Ｄ_ｃ）として比較的大きい値を設定することにより、特異性の高い音データのみを特異データとして検出することができる。特異データとして検出したいデータ群の特徴量に応じて、特異クラスタが他のクラスタから離れた位置にあることが判別可能な値を距離閾値（Ｄ_ｃ）として設定するのが好ましい。

さらに、本実施の形態の警備装置１においては、特異データ判定部７２は、特異クラスタ候補か否かを判定する対象クラスタに属するデータ数（ｍ_ｃ）とデータ数閾値（Ｍ_ｃ）との比較結果に基づいて、対象クラスタが特異クラスタ候補か否かを判定する。

これにより、例えば、コップが割れた音など突発的な音のデータのみを特異データとして検出することができる。一方で、子供の話し声や笑い声のように、通常発生する音とは異質な音であっても、発生頻度が高いような音については、特異データとして検出せず、日常音として処理することができる。

次に、特異データ判定部７２は、直前に実行されたクラスタリング処理において、ステップＳ１２５において特異クラスタ候補に設定されたクラスタのセントロイドが更新されたか否かを確認する。特異クラスタ候補のセントロイドが更新されていない場合には（ステップＳ１２６，Ｎｏ）、特異データ判定部７２は、自身が記憶するカウンタの値（Ｔ）を１だけ加算する（ステップＳ１２７）。

続いて、特異データ判定部７２は、カウンタの値（Ｔ）と予め設定された継続時間閾値（Ｔ_ｃ）とを比較する。ここで、継続時間閾値（Ｔ_ｃ）は、任意の値であり、警備装置１に予め設定されているものとする。カウンタの値（Ｔ）が継続時間閾値（Ｔ_ｃ）以上である場合には（ステップＳ１２８，Ｙｅｓ）、特異データ判定部７２は、特異クラスタ候補が特異クラスタであると判定し、特異クラスタに属するデータが特異データとして検出されたと判定する（ステップＳ１２９）。

また、本実施の形態の警備装置１においては、特異データ判定部７２は、特異クラスタ候補のセントロイドが更新されない状態で、カウンタの値（Ｔ）が継続時間閾値（Ｔ_ｃ）以上である場合に特異クラスタ候補が特異クラスタであると判定する。したがって、継続時間閾値（Ｔ_ｃ）を比較的大きい値を設定し、かつデータ数閾値（Ｍ_ｃ）を小さい値に設定することにより、突発的な音のデータが属するクラスタのみを特異クラスタと判定し、突発的な音のみを特異データとして検出することができる。

このように、異常データ（特異データ）として検出したいデータ群の特徴に応じた距離閾値（Ｄ_ｃ）、データ数閾値（Ｍ_ｃ）、継続時間閾値（Ｔ_ｃ）を設定することにより、警備装置１の管理者等が希望するデータを異常データとして検出することができる。

次に、警報出力部８０は、警報を出力し（ステップＳ１３０）、特異データ判定部７２は、変数Ｔの値を初期値０にリセットし（ステップＳ１３１）、処理が完了する。

一方、ステップＳ１２８において、カウンタの値（Ｔ）が継続時間閾値（Ｔ_ｃ）よりも小さい場合には（ステップＳ１２８，Ｎｏ）、処理が完了する。

また、ステップＳ１２２において、クラスタ間平均距離の最大値が距離閾値（Ｄ_ｃ）よりも小さい場合（ステップＳ１２２，Ｎｏ）、ステップＳ１２４において、データ数（ｍ_ｃ）がデータ数閾値（Ｍ_ｃ）よりも大きい場合（ステップＳ１２４，Ｎｏ）、ステップＳ１２４において、データ数（ｍ_ｃ）が生成された各クラスタのデータ数の最小値でない場合（ステップＳ１２４，Ｎｏ）、およびステップＳ１２６において、特異クラスタ候補のセントロイドが更新されている場合（ステップＳ１２６，Ｙｅｓ）には、いずれもステップＳ１３１に進み、特異データ判定部７２は、カウンタの値（Ｔ）を０にリセットし（ステップＳ１３１）、処理が完了する。

以上のように、特異データ処理においては、クラスタ間平均距離、クラスタに属するデータ数に基づいて、処理対象となる対象クラスタが特異クラスタ候補か否かを判定し、継続時間閾値（Ｔ_ｃ）以上の時間継続して、対象クラスタが特異クラスタ候補と判定された場合に、特異クラスタであると判定し、特異クラスタに属するデータが特異データとして検出されたと判定する。さらに、特異データが検出されたと判定した場合に、警報を出力する。したがって、本実施の形態にかかる警備装置１は、刻々と変化する音データを定期的にサンプリングし、サンプリングの度に自動的に音データをクラスタリングし、クラスタリングの結果に基づいて異常の有無を判断し、適宜警報を出力することができる。

本実施の形態の警備装置１の第１の変更例としては、クラスタに属するデータ数およびカウンタの値（Ｔ）を考慮せず、クラスタ間平均距離のみに基づいて、処理対象のクラスタが特異クラスタか否かを判定することとしてもよい。また、他の例としては、クラスタに属するデータ数を考慮せず、クラスタ間平均距離およびカウンタの値（Ｔ）のみ、またはカウンタの値（Ｔ）を考慮せず、クラスタ間平均距離およびデータ数のみに基づいて、処理対象のクラスタが特異クラスタか否かを判定することとしてもよい。

（実施例１）
本実施の形態にかかる警備装置１を用いて、木材および金属を打撃した音の音データのクラスタリングのシミュレーションを行った。警備装置１に入力される音データには、１６ＫＨｚ、１６ｂｉｔで量子化された音響信号を用い、分析フレーム長６４ｍｓｅｃ（１０２４ｐ）、分析フレーム間隔１６ｍｓｅｃ（２５６ｐ）で１６次のＬＰＣケプストラム係数を算出し、これを音の周波数構造を表す１６次元の特徴パラメータとして用いることとした。さらに、新データが所定のクラスタに属するか否かを判定する距離閾値（Ｄ_ｐ）を１．０に設定した。

図１０−１は、木材を５回打撃したときに得られた音の波形とスペクトログラムを示す図である。図１０−２は、図１０−１に示す音データに対する、警備装置１によるクラスタリング結果を示す図である。無音区間はクラスタ番号１に、打撃音はクラスタ番号２にクラスタリングされたことを確認することができた。

図１１−１は、木材を打撃し、続いて金属を打撃し、再び木材を打撃したときに得られた音の波形とスペクトログラムを示す図である。図１１−２は、図１１−１に示す音データに対する、警備装置１によりクラスタリング結果を示す図である。無音区間はクラスタ番号１に、木材による打撃音はクラスタ番号２に、続く金属による打撃音はクラスタ番号３にクラスタリングされたことを確認することができた。

以上のように、本実施の形態にかかる警備装置１が無音区間と有音区間のクラスタリングだけでなく、木材の打撃音と金属の打撃音も精度よくクラスタリングすることを確認することができた。

（実施例２）
本実施の形態にかかる警備装置１を用いて、日常音に異常音を重畳した音データを入力とし、音データのクラスタリングおよび異常音検出のシミュレーションを行った。なお、日常音として居酒屋内の騒音を用い、異常音としてガラスのコップが割れる音を用いた。

警備装置１に入力される音データには、日常音、異常音ともに、１６ＫＨｚ、１６ｂｉｔで量子化された音響信号を用い、分析フレーム長６４ｍｓｅｃ（１０２４ｐ）、分析フレーム間隔１６ｍｓｅｃ（２５６ｐ）で１６次のＬＰＣケプストラム係数を算出し、これを音の周波数構造を表す１６次元の特徴パラメータとして用いることとした。さらに、新データが所定のクラスタに属するか否かを判定する距離閾値（Ｄ_ｐ）を１．１に設定した。なお、データ取得部１０が新たに取得した新データが、クラスタ間平均距離が最大となるクラスタに属する場合に、この新データを異常音と判定した。

図１２−１〜図１２−３は、ＳＮＲ＝１０ｄＢで日常音と異常音とを混合した音データのシミュレーション結果を示す図である。図１３−１〜図１３−３は、ＳＮＲ＝５ｄＢで日常音と異常音とを混合した音データのシミュレーション結果を示す図である。

図１２−１は、ＳＮＲ＝１０ｄＢで日常音と異常音とを混合した音データの波形とスペクトログラムを示す図である。図１２−２は、図１２−１に示す音データに対する、警備装置１によるクラスタリング結果を示す図である。図１２−３は、クラスタ間平均距離の最大値が得られたクラスタを示す図である。

同様に、図１３−１は、ＳＮＲ＝５ｄＢで日常音と異常音とを混合した音データの波形とスペクトログラムを示す図である。図１３−２は、図１３−１に示す音データに対する、警備装置１によるクラスタリング結果を示す図である。図１３−３は、クラスタ間平均距離の最大値が得られたクラスタを示す図である。

図１２−２および図１２−３に示すように、ＳＮＲ＝１０ｄＢの音データに対し、クラスタ番号１〜４の４つのクラスタが生成され、クラスタ番号２のクラスタのクラスタ間平均距離が最大となった。さらに、図１２−１〜図１２−３に示すように、クラスタ番号２に属するデータは、異常音に対応していることも確認することができた。

さらに、図１３−２および図１３−３に示すように、ＳＮＲ＝５ｄＢの音データに対し、クラスタ番号１〜４の４つのクラスタが生成された。図１３−１〜図１３−３に示すようにクラスタ番号４のクラスタのクラスタ間平均距離が最大となった。さらに、クラスタ番号４に属するデータは、異常音に対応していることも確認することができた。

以上のように、本実施の形態にかかる警備装置１において、精度よく日常音と異常音を判別し、異常音を検出することを確認することができた。

（実施例３）
本実施の形態にかかる警備装置１を用いて、日常音に異常音を重畳した音データを入力とし、音データのクラスタリングおよび異常音検出のシミュレーションを行った。なお、実施例３においては、日常音に、居酒屋内の騒音の他、マーケット内の騒音を用いた。

警備装置１に入力される音データには、日常音、異常音ともに、１６ＫＨｚ、１６ｂｉｔで量子化された音響信号を用い、分析フレーム長６４ｍｓｅｃ（１０２４ｐ）、分析フレーム間隔１６ｍｓｅｃ（２５６ｐ）で１６次のＬＰＣケプストラム係数を算出し、これを音の周波数構造を表す１６次元の特徴パラメータとして用いることとした。さらに、新データが所定のクラスタに属するか否かを判定する距離閾値（Ｄ_ｐ）を１．１３に設定した。

さらに、時間の経過に伴い、「居酒屋内の騒音」、「居酒屋内の騒音と異常音」、「マーケット内の騒音と異常音」の順に発生する音を変化させ、警備装置１によるクラスタリングを行い、クラスタリング更新の様子を２０秒毎に観測した。その結果を、図１４−１〜図１６−２に示す。

図１４−１および図１４−２は、居酒屋内の騒音、図１５−１および図１５−２は、居酒屋内の騒音と異常音、図１６−１および図１６−２は、マーケット内の騒音と異常音の図である。さらに、各図番の枝番１の図は、いずれも音データの波形とスペクトログラムを示しており、枝番２の図は、いずれもクラスタリング結果を示している。

図１４−１〜図１５−２に示すように、異常音が発生すると、異常音の音データを所属データとする新たなクラスタ（クラスタ番号４）が生成されることを確認することができた。

さらに、図１５−１〜１６−２に示すように、日常音が居酒屋内の騒音からマーケット内の騒音に変化すると、これに対応して、クラスタ番号３の１つのクラスタが消滅し、クラスタ番号５，６の２つのクラスタが新たに生成されることを確認することができた。さらに、日常音の変化後も異常音（クラスタ番号４）を継続して検出されることを確認することができた。このように、本実施の形態にかかる警備装置１においては、周囲の環境が変化するような場所においても、精度よく異常音を検出することができる。

なお、本実施の形態においては、特異データ検出装置を警備装置１に適用した例について説明したが、他の例としては、特異データ検出装置は、工場等において測定される、複数の監視対象物それぞれの測定値を特異データ検出の対象とし、複数の測定値から特異データ、すなわち異常値を検出してもよい。

１ 警備装置
１０ データ取得部
２０ 特徴パラメータ算出部
３０ 逐次クラスタリング部
３１ データ距離算出部
３２ クラスタ決定部
３３ セントロイド算出部
４０ データ記憶部
５０ セントロイド記憶部
６０ データ更新部
７０ 特異データ処理部
７１ クラスタ間平均距離算出部
７２ 特異データ判定部
７３ 継続性判定部
８０ 警報出力部

Claims (5)

1. 取得データを逐次クラスタリングし、クラスタリング結果に基づいて複数の取得データから特異な特徴を示す特異データを検出する特異データ検出装置であって、
   既にクラスタリングされたデータと、前記データが所属するクラスタとを対応付けて複数記憶するデータ記憶部と、
   前記クラスタと、前記クラスタに所属する前記データの特徴量を代表する代表値とを対応付けて複数記憶する代表値記憶部と、
   クラスタリングの対象となる新データを取得するデータ取得部と、
   前記データ取得部が取得した前記新データの前記特徴量と前記代表値記憶部に記憶されている前記代表値の間のデータ距離を算出するデータ距離算出部と、
   前記データ距離に基づいて、前記新データが属するクラスタを決定するクラスタ決定部と、
   前記新データの前記特徴量に基づいて、前記新データの属するクラスタの前記代表値を算出する代表値算出部と、
   前記新データと、前記新データの属するクラスタとを対応付けて前記データ記憶部に書き込み、前記新データの属するクラスタに対応付けて前記新データの属するクラスタの前記代表値を前記代表値記憶部に書き込むデータ更新部と、
   前記代表値記憶部に記憶されている各クラスタの前記代表値に基づいて前記代表値記憶部に記憶されている複数のクラスタに対する各クラスタの特異度を算出する特異度算出部と、
   前記特異度に基づいて、各クラスタが特異クラスタであるか否かを判定し、前記クラスタが前記特異クラスタである場合に、前記特異データが検出されたと判定する特異データ判定部と
   を備え、
   前記特異データ判定部は、前記特異度と特異度閾値とを比較し、前記特異度が前記特異度閾値以上である場合に、さらに前記特異度が前記特異度閾値以上の前記クラスタに属するデータのデータ数とデータ数閾値とを比較し、所定時間継続して処理対象となる対象クラスタの前記データ数が前記データ数閾値以下である場合に、前記データ数閾値以下の前記データ数の前記クラスタを前記特異クラスタであると判定する、
   ことを特徴とする特異データ検出装置。
2. 前記特異度算出部は、処理対象となる対象クラスタの前記代表値と、前記代表値記憶部に記憶されている前記対象クラスタ以外の各クラスタとの間の各クラスタ間距離に基づいて、前記特異度を算出することを特徴とする請求項１に記載の特異データ検出装置。
3. 前記特異度算出部は、前記複数のクラスタ間距離の平均値を前記特異度として算出することを特徴とする請求項２に記載の特異データ検出装置。
4. 前記代表値は、前記クラスタに属する対象データの特徴量の重心位置であることを特徴とする請求項１から３のいずれか一項に記載の特異データ検出装置。
5. 取得データを逐次クラスタリングし、クラスタリング結果に基づいて複数の取得データから特異な特徴を示す特異データを検出する特異データ検出装置で実行される特異データ検出方法であって、
   前記特異データ検出装置は、
   既にクラスタリングされたデータと、前記データが所属するクラスタとを対応付けて複数記憶するデータ記憶部と、
   前記クラスタと、前記クラスタに所属する前記データの特徴量を代表する代表値とを対応付けて複数記憶する代表値記憶部と
   を備え、
   クラスタリングの対象となる新データを取得するデータ取得工程と、
   前記データ取得工程において取得した前記新データの前記特徴量と前記代表値記憶部に記憶されている前記代表値の間のデータ距離を算出するデータ距離算出工程と、
   前記データ距離に基づいて、前記新データが属するクラスタを決定するクラスタ決定工程と、
   前記新データの前記特徴量に基づいて、前記新データの属するクラスタの前記代表値を算出する代表値算出工程と、
   前記新データと、前記新データの属するクラスタとを対応付けて前記データ記憶部に書き込み、前記新データの属するクラスタに対応付けて前記新データの属するクラスタの前記代表値を前記代表値記憶部に書き込むデータ更新工程と、
   前記代表値記憶部に記憶されている各クラスタの前記代表値に基づいて前記代表値記憶部に記憶されている複数のクラスタに対する各クラスタの特異度を算出する特異度算出工程と、
   前記特異度に基づいて、各クラスタが特異クラスタであるか否かを判定し、前記クラスタが前記特異クラスタである場合に、前記特異データが検出されたと判定する特異データ判定工程と
   を含み、
   前記特異データ判定工程は、前記特異度と特異度閾値とを比較し、前記特異度が前記特異度閾値以上である場合に、さらに前記特異度が前記特異度閾値以上の前記クラスタに属するデータのデータ数とデータ数閾値とを比較し、所定時間継続して処理対象となる対象クラスタの前記データ数が前記データ数閾値以下である場合に、前記データ数閾値以下の前記データ数の前記クラスタを前記特異クラスタであると判定する、
   ことを特徴とする特異データ検出方法。

Images