JP6000767B2

JP6000767B2 - 学習装置、判別装置、行動状態判別システム、および判別方法

Info

Publication number: JP6000767B2
Application number: JP2012194435A
Authority: JP
Inventors: 雄一藤野; 有毅磯谷; 生馬佐藤; 小松　正; 正小松; 拓史永井
Original assignee: GOOTECH CO. LTD.; Future University Hakodate
Current assignee: GOOTECH CO. LTD.; Future University Hakodate
Priority date: 2012-09-04
Filing date: 2012-09-04
Publication date: 2016-10-05
Anticipated expiration: 2032-09-04
Also published as: JP2014049100A

Description

この発明は学習装置、判別装置、行動状態判別システム、および判別方法に関する。

近年、日本では高齢化が進み、２０１０年１０月１日の調査では総人口１億２８０６万人のうち、実に２３．１％が６５歳以上の高齢者となっており、２０５５年には４０％を上回ると見られている。さらに、世帯構造別に見ると、平成２１年には６５歳以上の高齢者がいる世帯のうちの２３．０％が独居世帯となっている^［１］。そして、２００９年に内閣府が全国の６０歳以上に行った調査によると、誰にも看取られることなく死亡する孤独死を身近な問題と感じている人が４２．９％と少なくないことが分かる^［２］。

現状の孤独死対策としては、自治体、民生委員らによる単身高齢者訪問や電話での安否確認の他、家電や水道や電気などのインフラの利用状況の推移や緊急通報装置により生存の有無を確認する見守りシステムが存在している。

櫻井保志、Christos Faloutsos、山室雅司、"ダイナミックタイムワーピング距離に基づくストリーム処理、"電子情報通信学会論文誌D、vol. J92-D、no. 3、pp. 338-350、２００９。阿部重夫、パターン認識のためのサポートベクトルマシン入門、東京:森北出版株式会社、２０１１。

しかし、緊急通報装置は常に肌身離さず持っていなければならない点や自発的に操作することが難しい状況では通報ができない。また、既存の見守りシステムではセンサの持つリアルタイム性を生かしきれておらず、危険行動を含む行動の状態を即座に検出することができないという問題がある。

本発明はこうした状況に鑑みてなされたものであり、その目的は、センサを用いて行動状態を検出する技術を提供することにある。

本発明のある態様は学習装置である。この装置は、１または複数のセンサが取得した１または複数のデータシーケンスであって、各データシーケンスが示す行動状態が既知である固定長の問い合わせシーケンスを取得する問い合わせシーケンス取得部と、前記１または複数のセンサが取得した、行動状態が既知である教師用データシーケンスを取得する教師シーケンス取得部と、前記センサが取得した教師用データシーケンスそれぞれについて、前記問い合わせシーケンス取得部が取得した問い合わせデータシーケンスをもとにＤＴＷ法（ＤｙｎａｍｉｃＴｉｍｅＷａｒｐｉｎｇ法）を適用するＤＴＷ法適用部と、前記問い合わせシーケンスにマッチした前記教師用データシーケンスの長さの、前記問い合わせシーケンスの長さに対する比を、前記センサ毎に並べた数列を要素とするベクトルを生成する特徴ベクトル取得部と、前記特徴ベクトル取得部が生成したベクトルのうち、前記問い合わせシーケンスの状態と前記教師用データシーケンスの状態とが一致するベクトルをひとつのクラス、前記問い合わせシーケンスの状態と前記教師用データシーケンスの状態とが不一致のベクトルを他のクラスとしてＳＶＭ（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ）による学習を実行して判別器を生成するＳＶＭ学習部とを含む。

本発明の別の態様は判別装置である。この装置は、１または複数のセンサが取得した１または複数のデータストリームを取得するストリーム取得部と、データシーケンスが示す行動状態が既知である固定長の問い合わせシーケンスを取得する問い合わせシーケンス取得部と、前記ストリーム取得部が取得した１または複数の各データストリームにおいて、前記問い合わせシーケンスとマッチする部分シーケンスをＤＴＷ法により取得するＤＴＷ法適用部と、前記部分シーケンスの長さの前記問い合わせシーケンスの長さに対する比を前記センサ毎に並べた数列を要素とするベクトルを生成する特徴ベクトル取得部と、前記特徴ベクトル取得部が取得したベクトルに対するＳＶＭの学習により得られた判別器の出力値をもとに、前記部分シーケンスの前記問い合わせシーケンスに対するマッチングの正否を判別する判別部とを含む。

本発明の別の態様は行動状態判別システムである。このシステムは、観察対象とする被験者の行動をデータシーケンスとして計測する１または複数のセンサと、上述の判別装置と、前記判別装置によるマッチングの正否の判別結果が正しい場合、マッチングした問い合わせシーケンスに対応する行動状態を前記観察対象とする被験者の行動として通知する通知部とを含む。

本発明のさらに別の態様は判別方法である。この方法は、１または複数のセンサが取得した１または複数のデータストリームを取得するステップと、データシーケンスが示す行動状態が既知である固定長の問い合わせシーケンスを取得するステップと、前記１または複数の各データストリームにおいて、前記問い合わせシーケンスとマッチする部分シーケンスをＤＴＷ法により取得するステップと、前記部分シーケンスの長さの、前記問い合わせシーケンスの長さに対する比を前記センサ毎に並べた数列を要素とするベクトルを生成するステップと、取得したベクトルに対するＳＶＭの学習により得られた判別器の出力値をもとに、前記部分シーケンスの前記問い合わせシーケンスに対するマッチングの正否を判別するステップとをプロセッサに実行させる。

なお、以上の構成要素の任意の組合せ、本発明の表現を方法、装置、サーバ、システム、コンピュータプログラム、記録媒体などの間で変換したものもまた、本発明の態様として有効である。

本発明によれば、センサを用いて行動状態を検出する技術を提供することができる。

ＤＴＷ距離に基づく全体シーケンスマッチングを示す図である。実施の形態に係るセンシング環境を示す図である。実施の形態に係るＤＴＷ法の閾値検討を説明するための図である。実施の形態に係るモデルの構築結果を示す図である。被験者Ａ、Ｂによる学習に基づく被験者Ｃへの適用結果を示す図である。被験者Ｂ、Ｃによる学習に基づく被験者Ａへの適用結果を示す図である。被験者Ａ、Ｃによる学習に基づく被験者Ｂへの適用結果を示す図である。被験者Ｄ、Ｅによる学習に基づく被験者Ｆへの適用結果を示す図である。被験者Ｅ、Ｆによる学習に基づく被験者Ｄへの適用結果を示す図である。被験者Ｄ、Ｆによる学習に基づく被験者Ｅへの適用結果を示す図である。実施の形態に係る手法の適用結果のまとめを示す図である。実施の形態に係る行動状態判別システムの全体構成を表す図である。実施の形態に係る学習装置の機能構成を模式的に示す図である。実施の形態に係る判別装置の機能構成を模式的に示す図である。実施の形態に係る学習装置および判別装置における処理の流れを示すフローチャートである。

以下本発明を好適な実施の形態をもとに説明する。まず、実施の形態の基礎となる理論を前提技術として述べ、その後、具体的な実施の形態を説明する。

［前提技術］
１．はじめに
近年、日本では高齢化が進み、２０１０年１０月１日の調査では総人口１億２８０６万人のうち、実に２３．１％が６５歳以上の高齢者となっており、２０５５年には４０％を上回ると見られている。さらに、世帯構造別に見ると、平成２１年には６５歳以上の高齢者がいる世帯のうちの２３．０％が独居世帯となっている^［１］。そして、２００９年に内閣府が全国の６０歳以上に行った調査によると、誰にも看取られることなく死亡する孤独死を身近な問題と感じている人が４２．９％と少なくないことが分かる^［２］。

現状の孤独死対策としては、自治体、民生委員らによる単身高齢者訪問や電話での安否確認の他、家電や水道や電気などのインフラの利用状況の推移や緊急通報装置により生存の有無を確認する見守りシステムが存在している。しかし、緊急通報装置は常に肌身離さず持っていなければならない点や自発的に操作することが難しい状況では通報ができない。また、既存の見守りシステムではセンサの持つリアルタイム性を生かしきれておらず、危険行動を即座に検出することができないという問題がある。

そこで本実施の形態では、ダイナミックタイムワーピング（ＤｙｎａｍｉｃＴｉｍｅＷａｒｐｉｎｇ、以下ＤＴＷ。）法^［３］を用いたデータストリーム処理によるリアルタイムなパターン認識にて状態把握を行い、スパンの異なる類似状態やノイズに対する対応するために局所解の無いサポートベクターマシン（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ、以下ＳＶＭ。）^［４］を利用することで、高い精度で状態把握可能な手法を提案し、見守りシステムに適用することでその有用性を検証する。

２．要素技術
２．１ＤＴＷ法
ＤＴＷ法は予め与えた問い合わせシーケンスと毎時刻更新される被監視データシーケンス間の動的計画法によって計算されるＤＴＷ距離を最小化するように時間軸方向の調整をしながら比較し、閾値以下をとる類似度の高い部分シーケンスを取り出す既知の手法である。特徴として、周期の変化や異なるサンプリングレートにも対応することができる他、フレームを用いることなくマッチングを行うことができることが挙げられる。

２．２ＳＶＭ
詳細は成書^［４］などに譲ることにするが、簡潔に述べると特徴空間中のデータの座標の明示的な計算を経由せず、特徴空間における内積を直接計算するカーネル関数と凸２次計画問題を組み合わせた教師あり学習に基づく既知の識別手法である。分類及び回帰に適用することができ、Ｃ−ＳＶＣ、ｎｕ−ＳＶＣ、ｏｎｅ−ｃｌａｓｓＳＶＭ、ｅｐｓｉｌｏｎ−ＳＶＲ、ｎｕ−ＳＶＲといった５つのタイプ^［５］がある。近年その識別精度の高さから非連続データにとどまらず、波形や画像といった様々なデータを扱い、幅広い分野^［６］で用いられている。他の機械学習とは異なり、学習に時間がかかるものの、局所解がないことが最大の特長として挙げられる。

３．提案方式
リアルタイム性を持たせることで即時の検出を可能とし、複数の入力源データを同時に処理することで検出精度向上を目指す。尚、本実施の形態においてはアルゴリズム構築のため、入力源データはとして取得済みのオフラインデータを用いたが、リアルタイムに更新されるデータを適用することもできる。

３．１検出手法
把握したい状態のデータを予め取得して問い合わせシーケンスとし、被監視データシーケンスである入力源データに対してＤＴＷ法によるリアルタイムでの比較を行い、マッチングが成立する範囲を検出する。この際、範囲の重複による局所解の問題があるが、本実施の形態においては検出漏れのないことを保証しているＳＰＲＩＮＧ−ｏｐｔｉｍａｌ^［３］アルゴリズムを適応することで対応する。

ＳＰＲＩＮＧ−ｏｐｔｉｍａｌアルゴリズムは既知のアルゴリズムであるため詳細は省略するが、上述したＤＴＷ法の実装アルゴリズムの一種であり、特に、判別対象のデータとストリームから問い合わせシーケンスと類似する部分シーケンスを高速に検出するためのアルゴリズムである。

ＤＴＷは図１に示すように、与えられた問い合わせシーケンスと他のシーケンスを時間軸上でのスケーリングを考慮した上で距離尺度を用いて比較する手法である。より具体的には、長さｎのシーケンスＸ＝（ｘ_１，ｘ_２，・・・，ｘ_ｎ）を判別対象のシーケンスとし、長さｍのシーケンスＹ＝（ｙ_１，ｙ_２，・・・，ｙ_ｍ）を問い合わせシーケンス、すなわち状態が既知であるシーケンスとしたときに、ＸとＹとの間のＤＴＷ距離をＳＰＲＩＮＧ−ｏｐｔｉｍａｌアルゴリズムを用いて求め、所定の閾値以下となった場合に両者はマッチングしたとみなされ、シーケンスＸの状態がシーケンスＹの状態であると推定する。ここで「所定の閾値」とは、判別対象のシーケンスＸが問い合わせシーケンスＹとマッチするか否かを判別するためのマッチング基準閾値であり、判別対象の信号に応じて実験により定める。なお、詳細は後述するが、本実施の形態においてデータシーケンスは１または複数のセンサの出力値である。

３．２判断手法
ＤＴＷ法でマッチングが成立した後、判断精度を高めるためにＳＶＭを適用する。タイプとしては学習の作業負担が少なく、あるクラスとそれ以外を識別するｏｎｅ−ｃｌａｓｓＳＶＭを利用する。特徴ベクトルには、ある状態における先の検出手法で報告された部分シーケンスＸの長さＬ_Ｘの、問い合わせシーケンスＹに対する長さＬ_Ｙの比Ｌ_Ｘ／Ｌ_Ｙを用い、既知の状態同士の比較結果から識別に必要なデータの集合体であるモデルを構築して判別器を生成し、未知の入力に対する判断を行う。

具体例として、第１センサおよび第２センサのふたつのセンサを用いる場合につて説明する。ここで第１センサが出力するデータシーケンスをＤ_１、第２センサが出力するデータシーケンスをＤ_２とする。いま、第１センサが出力するデータシーケンスをＤ_１中に、問い合わせシーケンスＹとマッチングする部分シーケンスＸ_１が検出され、同様に第２センサが出力するデータシーケンスをＤ_２中に、問い合わせシーケンスＹとマッチングする部分シーケンスＸ_２が検出されたする。部分シーケンスＸ_１の長さをＬ_Ｘ１、部分シーケンスＸ_２の長さをＬ_Ｘ２、問い合わせシーケンスＹの長さをＬ_Ｙとすると、ＳＶＭの特徴量Ｆは、Ｆ＝（Ｌ_Ｘ１／Ｌ_Ｙ，Ｌ_Ｘ２／Ｌ_Ｙ）となる。

このように、特徴量ベクトルの要素は正の有理数となり、その次元数はデータシーケンスを出力するセンサの数と同数となる。したがって、本実施の形態おいてデータシーケンスを出力するセンサの数に制限はなく、計算コストや求められる精度等を勘案して実験により定めればよい。

上述したとおり、ＳＶＭの特徴量Ｆは状態における先の検出手法で報告された部分シーケンスＸの長さＬ_Ｘの、問い合わせシーケンスＹに対する長さＬ_Ｙの比Ｌ_Ｘ／Ｌ_Ｙである。ここで、複数の異なる問い合わせシーケンスＹ（例えばＹ_１〜Ｙ_５の５つの問い合わせシーケンス）が存在する場合、ＳＶＭの特徴量Ｆとしては、各問い合わせシーケンスにマッチした部分シーケンスの長さの、その問い合わせシーケンスの長さに対する比を求めることにより、問い合わせシーケンスの違いに依らず、モデル１つのみで複数の問い合わせシーケンスに対応することができる。さらに、どういる種類のセンサを複数使用する場合のみならず、様々なデータ入力源をフュージョンすることもできる。

４．実験と評価
図２は、実施の形態に係るセンシング環境を示す図である。本実施の形態に係る方式の有用性を検証するため、赤外線人感センサを用いてデータ取得を行い、取得したデータを基に処理時間や各パターンの分類精度、失報・誤報率の評価を行った。本実施の形態では、見守りに適用するという目的のもと、背景温度に対する移動体の熱を感知するという動作原理のために環境の変化にロバストであり、かつ、検出範囲が部屋全体をカバーすることができ、低価格である赤外線人感センサを用いることとし、出力電圧の波形を対象とすることとした。赤外線人感センサには耐外乱光機能や感度調整機能、小動物対策機能の他、ＦＬＡＳＨ表示機能によりエリア調整が容易な株式会社日本アレフのＸＰ−４０シリーズ室内壁面設置型パッシブセンサ、ＸＰ−４３を選択した。

４．１．１データ取得環境
部屋全体をカバーするように２つの赤外線人感センサを壁に高さ１８００ｍｍに設置することで観測エリアを構築する。また、赤外線人感センサと人体の距離の影響を見るために構築した空間を３つに分け、被験者はその個別空間にて行動する。

４．１．２データ取得パターン
本実施の形態において把握する状態として、センサの観測エリアを通過する歩行と走行、観測エリアを通過しないしゃがみと立ち上がり、転倒という５つのパターンについて、被験者Ａ〜Ｆの６名に対して図２中の赤外線人感センサ１のみを用いた場合（被験者Ａ〜Ｃ）、赤外線人感センサ１、２の両方を用いた場合（被験者Ｄ〜Ｆ）で被験者に各状態をエリア毎に５回行うことで取得した。尚、簡易化のために進行方向は図２における右側から左側への片方向のみ、非通過型の３パターンについては右側から歩いてきて真ん中の場所で行動してもらい、その後左側に歩いて観測エリアを歩いて抜けることで取得している。

また、しゃがみと立ち上がりに関しては間に５秒の静止を挟んで同時に取得し、転倒に関しては９０×１８０×５ｃｍのマットを３枚重ねて被験者に躓いて転倒してもらうことで取得した。尚、データ取得の際にはＶｉｓｕａｌＢａｓｉｃ２０１０にてＵＳＢ−ＦＳＩＯ３０をＵＳＢ−ＩＯＦａｍｉｌｙ制御ＤＬＬＶＢ．ＮＥＴサンプルソース１．０５に同梱されているＵＳＢ−ＩＯＦａｍｉｌｙ３２．ｄｌｌを用いて５Ｖ電圧計を作成し、サンプリングレート１００ｍｓでのＡＤ変換を行い、ＣＳＶ形式のオフラインデータとした。

４．２各シーケンスの準備
データ取得後、状態に該当する範囲のみを問い合わせシーケンスとした。データシーケンスには問い合わせシーケンスの前後に全体の長さ６００ｍｓ、かつ、解析を容易にするために状態に該当する範囲が３５０ｍｓ地点で終わるようにセンサの定常値を詰めるパディング処理を行ったシーケンスを利用した。

４．３ダイナミックタイムワーピング法の閾値設定
ＤＴＷ法の閾値を設定するため、ある被験者での同一状態、同一エリアで差異の大きいデータにて総当たりで適用したところ図３の結果を得た。上述した「所定の閾値」の値は大きくしすぎると比較精度が低下するため、全体の９４．４％を満たす２０に設定した。

４．４サポートベクターマシンのモデル構築
事前知識を学習するため、センサ１つの場合と２つの場合とのそれぞれにおいて、被験者３名中２名の相互比較によるＳＶＭのモデルを構築した。ＳＶＭはｏｎｅ−ｃｌａｓｓＳＶＭ、カーネルに関してはＬＩＢＳＶＭのマニュアルがカーネルよりもカーネルパラメータの選択が重要だとしているためにＲＢＦカーネルを用いることとし、カーネルパラメータであるγはデフォルトの1／特徴ベクトルの次元数とした。図４にモデルの構築結果を示す。

４．５提案手法の評価
作成した問い合わせシーケンスとデータシーケンスを用いてセンサ１つの場合と２つの場合において、ＳＶＭのモデル構築の際の相互比較に含まれない被験者のデータを未知の入力データとすることで評価を行う。すなわち、被験者Ｃに対しては被験者ＡとＢの相互比較で学習した結果を基に提案手法を適用する。図５、図６、図７、図８、図９および図１０に被験者それぞれの場合の同一エリアでの正答率、エリアに依らない正答率の他、失報・誤報率についても評価するため、報告数を分母とした指標として報告全体に占める同一エリアでの正答率、報告全体に占めるエリアに依らない正答率を示す。

また、図１１にセンサ個数別の平均、全体での平均、センサ１つからセンサ２つにしたときの変化を示す。ここで、同一エリアでの正答率とは、同一エリアでの同一行動が１人当たり５試行のため、学習に用いた２人分との総当たりの５０パターンでどれだけ同じ状態として把握できたかであり、エリアに依らない正答率とはエリアを問わない同一行動の総当たり１５０パターンでどれだけ同じ状態として把握できたかを意味する。

５．おわりに
本実施の形態では、ＤＴＷ法とＳＶＭを融合させた手法を独居高齢者向け危険行動検出に適用し、有用性を検証した。現在の実験ではデータ入力源が１つの場合のみでの検証に留まるが、更なるアルゴリズム改良やＳＶＭのタイプやカーネル、カーネルパラメータの設定を変えるなどをすることによって、複数の場合での検証を行ってもよい。

７．参考文献
［１］．内閣府、"平成２３年版高齢社会白書"、２０１１。
［２］．内閣府、平成２１年度高齢者の地域におけるライフスタイルに関する調査結果、２００９。
［３］．櫻井保志、Christos Faloutsos、山室雅司、“ダイナミックタイムワーピング距離に基づくストリーム処理、”電子情報通信学会論文誌D、vol. J92-D、no. 3、pp. 338-350、２００９。
［４］．阿部重夫、パターン認識のためのサポートベクトルマシン入門。東京:森北出版株式会社、２０１１。
［５］．Chih-Chung Chang and Chih-Jen Lin、“LIBSVM--A Library for Support Vector Machines”。［HTML］（last updated November 2011） Available at http://www.csie.ntu.edu.tw/~cjlin/libsvm/。
［６］．小野田崇、サポートベクターマシン。東京:オーム社、２００７。

［具体例］
実施の形態
図１２は、実施の形態に係る行動状態判別システム６００の全体構成を模式的に示す図である。実施の形態に係る行動状態判別システム６００は、学習装置１００、判別装置２００、判別器格納部３００、センサ４００、通知部５００を含む。行動状態判別システム６００は、例えばインターネット等のネットワーク７００を介して、行動状態判別システム６００の外部にある監視部８００と通信可能となっている。

前提技術の［３．２］において説明したように、実施の形態に係る行動状態判別システム６００は、ＤＴＷ法でマッチングが成立した後、判断精度を高めるためにＳＶＭで生成した判別器を適用する。学習装置１００は、判断精度を高めるための判別器をＳＶＭの機械学習により生成する。学習装置１００が生成した判別器は判別器格納部３００が保持する。

実稼働時において、判別装置２００は、センサ４００が出力した信号を取得し、取得した信号にＤＴＷ法を適用してマッチングを求め、その後判別器格納部３００が保持する判別器を用いてマッチングの妥当性を検証する。なお、通知部５００および監視部８００については後述する。

まず、学習装置１００による学習過程を説明する。

図１３は、実施の形態に係る学習装置１００の機能構成を模式的に示す図である。実施の形態に係る学習装置１００は、問い合わせシーケンス取得部１１０、教師シーケンス取得部１２０、ＤＴＷ法適用部１３０、記録部１４０、特徴ベクトル取得部１５０、ＳＶＭ学習部１６０、およびセンサ数入力部１７０を含む。

教師シーケンス取得部１２０は、１または複数のセンサ４００がそれぞれ取得した１または複数のデータシーケンスである問い合わせシーケンスを取得する。ここで「問い合わせシーケンス」は、センサ４００が出力した信号であって、各データシーケンスが示す行動状態が既知である固定長のデータシーケンスである。より具体的には、問い合わせシーケンスは、被験者があらかじめ定められた行動を実行し、その被験者の行動をセンサで計測することによって取得する。前提技術の［４．１．２］において説明したように、本実施の形態における問い合わせシーケンスは、センサの観測エリアを通過する被験者の「歩行」と「走行」、観測エリアを通過しない「しゃがみ」と「立ち上がり」、「転倒と」いう５つのパターンを行動状態とする。なお、各行動状態に対応する問い合わせシーケンスの長さは異なっていてもよい。

教師シーケンス取得部１２０は、１または複数のセンサ４００が取得した、行動状態が既知である教師用データシーケンスを取得する。教師用データシーケンスは、問い合わせシーケンスと同様に、あらかじめ定められた行動を実行する被験者を、センサ４００で計測して用意する。なお、問い合わせシーケンスおよび教師用データシーケンスは、記録部１４０に格納されている。

ＤＴＷ法適用部１３０は、教師用データシーケンスそれぞれについて、問い合わせデータシーケンスをもとにＤＴＷ法を適用する。前提技術の［３．１］で説明したように、板別対象のデータシーケンスから、問い合わせシーケンスにマッチする部分シーケンスを、ＤＴＷ距離をもとに切り出す手法である。したがって、例えば行動状態が未知であるデータシーケンスにＤＴＷ法を適用することで、各問い合わせシーケンスにマッチする部分シーケンス、すなわち各行動状態を示すデータシーケンスを検出することが可能となる。

ＤＴＷ法は、検出対象のデータシーケンスの時間軸を伸縮して問い合わせシーケンスとのマッチングを試みる性質を持っているため、仮に問い合わせシーケンスの長さに対する部分シーケンスの長さが異なっていても、マッチングすることができる。このように、検出したい行動状態の問い合わせシーケンスを用意することにより、未知のデータシーケンスから観察対象者の行動状態を検出することができる。

ここで、被験者が「歩く」場合と「走る」場合とでは、被験者の移動速度が異なるため、被験者がセンサ４００の検出範囲に滞在する時間が異なる。より具体的には、被験者が「歩く」場合を示すデータシーケンスの長さは、被験者が「走る」場合を示すデータシーケンスの長さと比較して、本来的に長いデータシーケンスとなる。一方で、被験者が「歩く」場合の体の動きと「走る」場合の体の動きとは比較的類似するため、被験者が「歩く」場合を示すデータシーケンスの形状と、被験者が「走る」場合を示すデータシーケンスの形状とは類似するパターンとなる傾向がある。

上述したように、ＤＴＷ法はデータシーケンスの時間軸を伸縮して問い合わせマッチングを試みる性質を持っているが故に、互いに形状が類似する被験者が「歩く」場合を示すデータシーケンスと「走る」場合を示すデータシーケンスとをマッチングしてしまうことも起こりうる。このように、ＤＴＷ法は、本来的に問い合わせシーケンスの長さが異なる二つの状態を示すデータシーケンス同士をマッチングしてしまう可能性を排除することは難しい。このような状況に対処するため、ＤＴＷ法のマッチング結果の妥当性を高めるための判別器をＳＶＭの学習で作成し適用する。

教師用データシーケンスは対応する行動状態が既知である。このため、例えば「走行」を示す教師用データシーケンスに対し、同じく「走行」を示す問い合わせシーケンスがＤＴＷ法によりマッチングしたとすると、そのマッチングは正しいマッチングであると判断できる。これに対し、例えば「走行」を示す教師用データシーケンスに対し、「歩行」を示す問い合わせシーケンスがマッチングしたとすると、そのマッチングは誤ったマッチングといえる。このような正しいマッチングと誤ったマッチングとを判別するためのひとつの指標として、前提技術の［３．２］において説明したように、問い合わせシーケンスとマッチングしたデータシーケンスの長さの、問い合わせシーケンスの長さに対する比が利用できる可能性について本願の発明者は認識するに至った。

すなわち、ＤＴＷ法によるマッチングが正しく行われた場合、上述の比の値は１．０に近くなり、マッチングが誤っている場合は上述の比の値が１．０から離れると考えら得る。たとえば、ある被験者が「走る」場合の速度は、「歩く」場合の速度の２．５倍の速度であるとする。そうすると、「歩く」場合を示すデータシーケンスの長さは、「走る」場合を示すデータシーケンスの長さのおよそ２．５倍となる。したがって、「走る」場合を示す問い合わせシーケンスに対して「歩く」場合を示すデータシーケンスがマッチングすると、上述の比はおよそ２．５となる。反対に、「走る」場合を示す問い合わせシーケンスに対して「歩く」場合を示すデータシーケンスがマッチングすると、上述の比はおよそ１／２．５＝０．４となる。いずれの場合にしても、上述の比の値は１．０から離れる。

そこで特徴ベクトル取得部１５０内の比計算部１５２は、問い合わせシーケンスにマッチした教師用データシーケンスの長さの、問い合わせシーケンスの長さに対する比を取得する。特徴ベクトル取得部１５０内のベクトル生成部１５４は、比計算部１５２が取得した比の値をセンサ４００毎に並べた数列を要素とするベクトルを生成する。このように、特徴ベクトル取得部１５０は、比計算部１５２とベクトル生成部１５４とを含む。

ＳＶＭ学習部１６０は、特徴ベクトル取得部１５０が生成したベクトルのうち、問い合わせシーケンスの状態と教師用データシーケンスの状態とが一致するベクトルを正解のクラスとしてラベリングする。ＳＶＭ学習部１６０はまた、問い合わせシーケンスの状態と教師用データシーケンスの状態とが不一致のベクトルを不正解のクラスとしてラベリングする。ＳＶＭ学習部１６０は、ラベリングした特徴ベクトルを入力としてＳＶＭの学習を実行し、判別器を生成する。ＳＶＭ学習部１６０は、生成した判別器を判別器格納部３００に出力する。

ここで、ＳＶＭ学習部１６０による学習においては、特徴量ベクトルの次元数、すなわちデータシーケンスを取得するセンサ４００の数が用いられる。そこで、ベクトル生成部１５４は、センサ数入力部１７０からセンサ４００の数を取得する。このように、本実施の形態に係る学習装置１００は、判別器を生成するためのパラメータにセンサ４００の数を備える。これにより、センサ４００の数を柔軟に変更できるため、後述する実稼働における実際のセンシング環境に柔軟に対応することができる。

続いて、判別装置２００による判別過程を説明する。

図１４は、実施の形態に係る判別装置２００の機能構成を模式的に示す図である。図１３および図１４は、それぞれ実施の形態に係る学習装置１００および判別装置２００の機能構成を模式的に示す図である。これらの構成は、ハードウェア的には、任意のコンピュータのＣＰＵ（Central Processing Unit）、メモリ、その他のＬＳＩ（Large Scale Integration）で実現でき、ソフトウェア的にはメモリにロードされたプログラムなどによって実現されるが、ここではそれらの連携によって実現される機能ブロックを描いている。したがって、これらの機能ブロックがハードウェアのみ、ソフトウェアのみ、またはそれらの組合せによっていろいろな形で実現できることは、当業者には理解されるところである。

ストリーム取得部２２０は、１または複数のセンサ４００が取得した１または複数のデータストリームを取得する。ストリーム取得部２２０は、センサ４００のデータストリームをリアルタイムで取得してもよいし、オフラインで取得してもよい。前者の場合、観察対象者の行動状態をリアルタイムで監視することができる。後者の場合、データストリームは記録部２４０が保持しており、例えば多量の監視データを時間をかけて解析する用途に適する。

問い合わせシーケンス取得部２１０は、データシーケンスが示す行動状態が既知である固定長の問い合わせシーケンスを、記録部２４０から取得する。ＤＴＷ法適用部２３０は、ストリーム取得部２２０が取得した１または複数の各データストリームにおいて、問い合わせシーケンスとマッチする部分シーケンスをＤＴＷ法により取得する。問い合わせシーケンスとマッチする部分シーケンスが検出された場合、その部分シーケンスが示す行動状態は、実際に観察対象者がとったと判断すべき行動の候補となる。

特徴ベクトル取得部２５０内の比計算部２５２は、部分シーケンスの長さの問い合わせシーケンスの長さに対する比を取得する。また特徴ベクトル取得部２５０内のベクトル生成部２５４は、比計算部２５２が取得した比の値をセンサ４００毎に並べた数列を要素とするベクトルを生成する。

判別部２６０は、ＳＶＭ学習部１６０が生成した判別器を判別器格納部３００から取得する。判別部２６０は、特徴ベクトル取得部２５０中のベクトル生成部２５４が取得したベクトルに対する判別器の出力値をもとに、部分シーケンスの問い合わせシーケンスに対するマッチングの正否を判別する。上述したように、ＳＶＭ学習部１６０が生成した判別器は、ベクトル生成部２５４が取得したベクトルを入力としてそのベクトルの属するクラスを決定するように構成されている。したがって、この判別器を用いることにより、ＤＴＷ法のマッチング結果の妥当性を検証することができる。

なお、学習装置１００内の問い合わせシーケンス取得部１１０、ＤＴＷ法適用部１３０、特徴ベクトル取得部１５０、および記録部１４０と、判別装置２００内の問い合わせシーケンス取得部２１０、ＤＴＷ法適用部２３０、特徴ベクトル取得部２５０、および記録部２４０は、それぞれほぼ同様の機能を持つ。したがって、例えば学習装置１００と判別装置２００とが同一の装置で実装されている場合や、相互に通信が可能な場合などにおいては、これら各部を共通としてもよい。

図１２の説明に戻る。判別装置２００内の判別部２６０は、マッチングの結果が正クラスに判別された場合、すなわちマッチングの結果が正しいと判別した場合、行動状態を通知部５００に通知する。通知部５００は、ネットワーク７００を介して、観察対象者の行動状態を監視部８００に送信する。監視部８００は，例えば警備会社に設置されたモニタや、観察対象者の家族等がアクセス可能なＰＣ、携帯電話、スマートフォン等である。監視部８００を参照することにより、判別装置２００が判別した観察対象者の行動状態を把握することが可能となる。

図１５は、実施の形態に係る学習装置１００および判別装置２００における処理の流れを示すフローチャートである。本フローチャートにおける処理は、例えば行動状態判別システム６００の電源が投入されたときに開始する。なお、図１５に示すフローチャートは、判別装置２００が判別対象とする被監視データシーケンスをオフラインで取得することを前提とする。

学習段階の場合（Ｓ２の学習段階）、学習装置１００内のＤＴＷ法適用部１３０は、前提技術の［３．１］で説明した「所定の閾値」の値を設定する（Ｓ４）。学習装置１００内の問い合わせシーケンス取得部１１０は、記録部１４０から問い合わせシーケンスを読み込んで取得する（Ｓ８）。

教師シーケンス取得部１２０は、記録部１４０から被監視データシーケンスを１時刻分読み込む（Ｓ１０）。ここで「１時刻分」とは、学習装置１００および判別装置２００が、データシーケンスに対してＤＴＷ法を適用する際の基準とするデータ長である。１時刻分のデータ長は、学習装置１００および判別装置２００が搭載するメモリの容量等を勘案して実験により定めればよいが、例えば前提技術の［４．２］で説明したように６００ｍｓ分のデータ長である。なお、学習段階の場合、各被監視データシーケンスが示す行動状態は既知である。

被監視データシーケンスの読み込み結果がＥＯＦ（End Of File）でない間（Ｓ１２の≠ＥＯＦ）、学習装置１００内のＤＴＷ法適用部１３０は、問い合わせシーケンスとマッチする被監視データシーケンス、すなわち教師用データシーケンスをＤＴＷ法の計算によって検出する（Ｓ１４）。マッチする被監視データシーケンスが見つかった場合、すなわちＤＴＷ法適用部１３０の報告がある場合（Ｓ１６の有）、学習装置１００内の特徴ベクトル取得部１５０は、特徴量ベクトルを計算する（Ｓ１８）。ＤＴＷ法適用部１３０の報告がない場合（Ｓ１６の無）、ステップＳ１０に戻って処理を継続する。

学習段階においては（Ｓ２０の学習段階）、学習装置１００内の特徴ベクトル取得部１５０は、生成した特徴量ベクトルをＳＶＭ学習部１６０に出力して一時的に保持する（Ｓ２２）。

被監視データシーケンスの読み込み結果がＥＯＦ（End Of File）の場合（Ｓ１２の＝ＥＯＦ）、学習段階においては（Ｓ２８の学習段階）、特徴ベクトル取得部１５０は特徴量ベクトルをラベリングする（Ｓ３０）。より具体的には、特徴ベクトル取得部１５０は各特徴量ベクトルを正解または不正解に振り分け、正解クラスと不正解クラスとを生成する。

ＳＶＭ学習部１６０は、特徴ベクトル取得部５０が生成したラベリング済みの特徴量ベクトルを読み込む（Ｓ３２）。ＳＶＭ学習部１６０は、読み込んだ特徴量ベクトルをＳＶＭを用いて学習し、モデルを構築する（Ｓ３４）。ＳＶＭ学習部１６０は、モデル構築の結果物である判別器を判別器格納部３００に出力する（Ｓ３６）。ＳＶＭ学習部１６０が判別器を判別器格納部３００に出力すると、本フローチャートにおける処理は終了する。

続いて実稼働、すなわち未ラベリングデータに対してＤＴＷ法を適用して行動状態を推定し、ＳＶＭの学習で得られた判別器を適用して検証するフローについて説明する。

実稼働の場合（Ｓ２の実稼働）、判別装置２００内の判別部２６０は、学習装置１００が生成した判別器を判別器格納部３００から読み込む（Ｓ６）。判別装置２００内の問い合わせシーケンス取得部２１０は、記録部２４０から問い合わせシーケンスを読み込む（Ｓ８）。ストリーム取得部２２０は、被監視データシーケンスを１時刻分読み込む（Ｓ１０）。

被監視データシーケンスの読み込み結果がＥＯＦ（End Of File）でない間（Ｓ１２の≠ＥＯＦ）、判別装置２００内のＤＴＷ法適用部２３０は、問い合わせシーケンスとマッチする被監視データシーケンス、すなわち未知のデータシーケンスをＤＴＷ法の計算によって検出する（Ｓ１４）。マッチする被監視データシーケンスが見つかった場合、すなわちＤＴＷ法適用部２３０の報告がある場合（Ｓ１６の有）、判別装置２００内の特徴ベクトル取得部２５０は、特徴量ベクトルを計算する（Ｓ１８）。ＤＴＷ法適用部２３０の報告がない場合（Ｓ１６の無）、ステップＳ１０に戻って処理を継続する。

実稼働においては（Ｓ２０の実稼働）、判別部２６０は、学習装置１００がモデル構築した判別器を適用してＤＴＷ法のマッチング結果の妥当性を判断する。その結果、妥当であると判断する場合（Ｓ２４の妥当）、判別部２６０は検出した行動状態を報告する（Ｓ２６）。妥当でないと判断する場合（Ｓ２４の妥当でない）、判別部２６０は特段の処理をしない。

被監視データシーケンスの読み込み結果がＥＯＦ（End Of File）の場合（Ｓ１２の＝ＥＯＦ）、実稼働においては（Ｓ２８の実稼働）、本フローチャートにおける処理は終了する。

以上説明したように、本発明の実施の形態によれば、センサ４００を用いて観察対象者の行動状態を検出する技術を提供することが可能となる。

以上、本発明を実施の形態をもとに説明した。この実施の形態は例示であり、それらの各構成要素や各処理プロセスの組み合わせにいろいろな変形例が可能なこと、またそうした変形例も本発明の範囲にあることは当業者に理解されるところである。

上記の説明では、センサ４００として赤外線人感センサを用いる場合について説明した。センサ４００は赤外線人感センサに限らず、観察対象者の行動状態に応じた出力が得られるセンサであればどのようなものでもよい。そのようなセンサ４００の一例としては、レーザーレンジファインダ、マイクロ波レーダー、ミリ波レーダー、超音波センサ、アレーアンテナ、加速度センサ、ＧＰＳ、心電位センサ、脈拍センサ等があげられる。

またセンサ４００は固定位置に取り付けられている場合に限られず、たとえばスマートフォンや腕時計等、行動状態の観察対象者が身につけてもよい。この場合、センサ４００が計測する信号は、例えば３Ｇ回線等の通信網を介して判別装置２００に送信するようにしてもよい。

５０特徴ベクトル取得部、１００学習装置、１１０問い合わせシーケンス取得部、１２０教師シーケンス取得部、１３０ＤＴＷ法適用部、１４０記録部、１５０特徴ベクトル取得部、１５２比計算部、１５４ベクトル生成部、１６０ＳＶＭ学習部、１７０センサ数入力部、２００判別装置、２１０問い合わせシーケンス取得部、２２０ストリーム取得部、２３０ＤＴＷ法適用部、２４０記録部、２５０特徴ベクトル取得部、２５２比計算部、２５４ベクトル生成部、２６０判別部、３００判別器格納部、３００後判別器格納部、４００センサ、５００通知部、６００行動状態判別システム、７００ネットワーク、８００監視部。

Claims

１または複数のセンサが取得した１または複数のデータシーケンスであって、各データシーケンスが示す行動状態が既知である固定長の問い合わせシーケンスを取得する問い合わせシーケンス取得部と、
前記１または複数のセンサが取得した、行動状態が既知である教師用データシーケンスを取得する教師シーケンス取得部と、
前記センサが取得した教師用データシーケンスそれぞれについて、前記問い合わせシーケンス取得部が取得した問い合わせデータシーケンスをもとにＤＴＷ法（ＤｙｎａｍｉｃＴｉｍｅＷａｒｐｉｎｇ法）を適用するＤＴＷ法適用部と、
前記問い合わせシーケンスにマッチした前記教師用データシーケンスの長さの、前記問い合わせシーケンスの長さに対する比を、前記センサ毎に並べた数列を要素とするベクトルを生成する特徴ベクトル取得部と、
前記特徴ベクトル取得部が生成したベクトルのうち、前記問い合わせシーケンスの状態と前記教師用データシーケンスの状態とが一致するベクトルをひとつのクラス、前記問い合わせシーケンスの状態と前記教師用データシーケンスの状態とが不一致のベクトルを他のクラスとしてＳＶＭ（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ）による学習を実行して判別器を生成するＳＶＭ学習部とを含むことを特徴とする学習装置。
前記問い合わせシーケンス取得部が取得する問い合わせシーケンスは、あらかじめ定められた行動を実行する被験者をセンサで計測することによって取得されたデータシーケンスであることを特徴とする請求項１に記載の学習装置。
１または複数のセンサが取得した１または複数のデータストリームを取得するストリーム取得部と、
データシーケンスが示す行動状態が既知である固定長の問い合わせシーケンスを取得する問い合わせシーケンス取得部と、
前記ストリーム取得部が取得した１または複数の各データストリームにおいて、前記問い合わせシーケンスとマッチする部分シーケンスをＤＴＷ法により取得するＤＴＷ法適用部と、
前記部分シーケンスの長さの前記問い合わせシーケンスの長さに対する比を前記センサ毎に並べた数列を要素とするベクトルを生成する特徴ベクトル取得部と、
前記特徴ベクトル取得部が取得したベクトルに対するＳＶＭの学習により得られた判別器の出力値をもとに、前記部分シーケンスの前記問い合わせシーケンスに対するマッチングの正否を判別する判別部とを含むことを特徴とする判別装置。
観察対象とする被験者の行動をデータシーケンスとして計測する１または複数のセンサと、
請求項３に記載の判別装置と、
前記判別装置によるマッチングの正否の判別結果が正しい場合、マッチングした問い合わせシーケンスに対応する行動状態を前記観察対象とする被験者の行動として通知する通知部とを含むことを特徴とする行動状態判別システム。
１または複数のセンサが取得した１または複数のデータストリームを取得するステップと、
データシーケンスが示す行動状態が既知である固定長の問い合わせシーケンスを取得するステップと、
前記１または複数の各データストリームにおいて、前記問い合わせシーケンスとマッチする部分シーケンスをＤＴＷ法により取得するステップと、
前記部分シーケンスの長さの、前記問い合わせシーケンスの長さに対する比を前記センサ毎に並べた数列を要素とするベクトルを生成するステップと、
取得したベクトルに対するＳＶＭの学習により得られた判別器の出力値をもとに、前記部分シーケンスの前記問い合わせシーケンスに対するマッチングの正否を判別するステップとをプロセッサに実行させることを特徴とする判別方法。