JP6565220B2 - 状態検出方法、状態検出装置および状態検出プログラム - Google Patents

状態検出方法、状態検出装置および状態検出プログラム Download PDF

Info

Publication number
JP6565220B2
JP6565220B2 JP2015041812A JP2015041812A JP6565220B2 JP 6565220 B2 JP6565220 B2 JP 6565220B2 JP 2015041812 A JP2015041812 A JP 2015041812A JP 2015041812 A JP2015041812 A JP 2015041812A JP 6565220 B2 JP6565220 B2 JP 6565220B2
Authority
JP
Japan
Prior art keywords
sensor
action
data
threshold value
section
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.)
Expired - Fee Related
Application number
JP2015041812A
Other languages
English (en)
Other versions
JP2016158954A (ja
Inventor
史歩 鷲澤
史歩 鷲澤
一穂 前田
一穂 前田
明大 猪又
明大 猪又
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujitsu Ltd
Original Assignee
Fujitsu Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fujitsu Ltd filed Critical Fujitsu Ltd
Priority to JP2015041812A priority Critical patent/JP6565220B2/ja
Priority to EP15884010.8A priority patent/EP3266374A4/en
Priority to PCT/JP2015/081414 priority patent/WO2016139844A1/ja
Publication of JP2016158954A publication Critical patent/JP2016158954A/ja
Priority to US15/691,218 priority patent/US20170360335A1/en
Application granted granted Critical
Publication of JP6565220B2 publication Critical patent/JP6565220B2/ja
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/002—Monitoring the patient using a local or closed circuit, e.g. in a room or building
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/22—Ergometry; Measuring muscular strength or the force of a muscular blow
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
    • A61B5/6889—Rooms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
    • A61B5/6891—Furniture
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
    • A61B5/721—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts using a separate sensor to detect motion or using motion information derived from signals other than the physiological signal to be measured
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V99/00—Subject matter not provided for in other groups of this subclass
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Description

本発明は、状態検出方法などに関する。
近年、日常生活の行動を検出するために、モーションセンサが使われている。モーションセンサは、事前に行動ごとに得られた学習データの閾値と比較して、対象者の行動を検出するという技術が知られている（例えば、非特許文献１）。
O.D. Laraら, 「A Survey on Human Activity Recognition using Wearable Sensors 」,IEEE Communications Survey & Tutorials, vol. 15, no.3, pp.1192-1209, 2013
しかしながら、従来の行動を検出する技術では、対象者の行動を検出する際、対象者の状況に応じて、行動を検出することができないという問題がある。すなわち、対象者の状況が学習時と同じ場合には、学習で得られた閾値と比較することで、行動を検出することが可能である。ところが、対象者の状況が学習時と異なる場合には、行動の誤検出や検出漏れが起こる可能性がある。
ここで、人間の行動は、子供、成人、高齢者の発達段階によって変化する。人間の行動は、たとえ同一の人間による同じ行動であっても、体調、時間帯、病気の回復段階によって変化する。一例として、人間が腰を痛めているときは、腰を痛めていないときと比べて、歩行や着席などの行動がゆっくりとなる。別の例として、人間が退院した直後は、身体が思うように動かないので、行動がゆっくりとなる。このように、対象者の状況が学習時と異なる場合には、行動の誤検出や検出漏れが起こる可能性がある。
１つの側面では、対象者の行動を検出する際、対象者の状況に応じて、行動を検出することを目的とする。
本願の１つの態様では、コンピュータが、所定の区間における第１のセンサから得られる第１情報および第２のセンサから得られる第２情報を記憶部に記憶し、前記記憶部に記憶された前記第２情報を用いて、対象者が特定の行動を行った区間を示す行動区間および特定の行動を行わなかった区間を示す非行動区間を特定し、前記行動区間および前記非行動区間ごとの、前記記憶部に記憶された前記第１情報に含まれる複数の特徴量の各値を用いて、前記対象者の特定の状態の検出に用いる特徴量を決定するとともに、決定した特徴量における行動と非行動とを区別する閾値を決定し、前記第１のセンサの情報から、決定された特徴量と閾値とを用いて、前記対象者の特定の状態を検出する、各処理を実行する。
１つの態様によれば、対象者の行動を検出する際、対象者の状況に応じて、行動を検出することができる。
図１は、実施例１に係る状態検出装置の構成を示す機能ブロック図である。 図２は、実施例１に係る状態検出処理の流れの一例を示す図である。 図３は、実施例１に係るデータ記録用ＤＢのデータ構造の一例を示す図である。 図４は、環境センサの設置の一例を示す図である。 図５は、実施例１に係る状態検出処理の処理手順を示すフローチャートである。 図６は、実施例２に係る状態検出装置の構成を示す機能ブロック図である。 図７は、実施例２に係る第１の整合性判定処理の一例を示す図である。 図８は、実施例２に係る第２の整合性判定処理の一例を示す図である。 図９は、実施例２に係る第３の整合性判定処理の一例を示す図である。 図１０は、実施例２に係る変化抽出処理の一例を示す図である。 図１１は、実施例２に係る区間特定処理の処理手順を示すフローチャートである。 図１２Ａは、実施例２に係る整合性判定処理の具体例を示す図（１）である。 図１２Ｂは、実施例２に係る整合性判定処理の具体例を示す図（２）である。 図１２Ｃは、実施例２に係る整合性判定処理の具体例を示す図（３）である。 図１３Ａは、実施例２に係る変化抽出処理の具体例を示す図（１）である。 図１３Ｂは、実施例２に係る変化抽出処理の具体例を示す図（２）である。 図１３Ｃは、実施例２に係る変化抽出処理の具体例を示す図（３）である。 図１４は、実施例３に係る状態検出装置の構成を示す機能ブロック図である。 図１５は、実施例３に係る閾値推定処理の一例を示す図である。 図１６は、実施例３に係る閾値推定処理の処理手順を示すフローチャートである。 図１７は、状態検出プログラムを実行するコンピュータの一例を示す図である。
以下に、本願の開示する状態検出方法、状態検出装置および状態検出プログラムの実施例を図面に基づいて詳細に説明する。なお、実施例によりこの発明が限定されるものではない。また、実施例における区間とは、時間軸上の区間を表すものとする。
［状態検出装置の構成］
図１は、実施例１に係る状態検出装置の構成を示す機能ブロック図である。実施例１に係る状態検出装置１は、閉環境の空間に設置された環境センサから得られる、人の行動の変化を表すデータを用いて、対象者の検出したい行動種別の行動を行った区間を示す行動区間および当該行動を行わなかった区間を示す非行動区間を特定する。状態検出装置１は、特定した行動区間および非行動区間ごとの、人に装着されたモーションセンサから得られる人の行動の情報を表すデータを用いて、当該行動の検出に用いる特徴量および閾値を決定する。以降では、行動種別を「歩行」として説明する。
ここでいう閉環境の空間とは、例えば、住環境の空間を示すが、環境センサから得られるデータを用いて空間にいる人数を把握可能な空間であれば良い。以降では、閉環境の空間を、住環境の空間として説明する。
ここでいう環境センサとは、周囲の環境を計測するセンサか、設置された物自体の状態を計測するセンサか、住環境全体の状態を計測するセンサである。周囲の環境を計測するセンサは、例えば、照度センサ、照明センサ、サーモセンサ、温度センサ、熱バブルセンサ、照明センサ、電力センサ、人感センサであれば良いがこれに限定されない。設置された物自体の状態を計測するセンサは、例えば、ブラインドセンサ、ドアセンサ、ベッドセンサ、窓センサであれば良いがこれに限定されない。住環境全体の状態を計測するセンサは、例えば、水道量検知センサ、電力量検知センサ、ガス量検知センサであれば良いがこれに限定されない。
ここでいうモーションセンサとは、人の動きを計測するセンサであり、例えば加速度センサやジャイロセンサであれば良いがこれに限定されない。
ここで、状態検出装置１の状態検出処理の流れを、図２を参照して説明する。図２は、状態検出処理の流れの一例を示す図である。図２左図に示すように、状態検出装置１は、人の行動の変化を表すデータ、ここでは、人感センサ１、２から得られるデータを取得し、そのデータが変化した時刻の情報を元に、歩行している時間（行動区間）、歩行していない時間（非行動区間）を特定する。ここでは、住環境の空間に、人感センサ１、２およびベッドセンサが設置されているとする。状態検出装置１は、人感センサ１がＯＦＦからＯＮに変化した時刻と人感センサ２がＯＦＦからＯＮに変化した時刻との間の時間を行動区間として特定する。状態検出装置１は、ベッドセンサがＯＦＦからＯＮに変化した時刻とベッドセンサがＯＮからＯＦＦに変化した時刻との間の時間を非行動区間として特定する。
図２中図に示すように、状態検出装置１は、モーションセンサから得られるデータであって行動区間のデータを正例、モーションセンサから得られるデータであって非行動区間のデータを負例として、モーションセンサから得られるデータを抽出する。ここでは、対象者の腰に装着されたモーションセンサから、正例のデータおよび負例のデータが抽出される。
図２右図に示すように、状態検出装置１は、抽出した正例のデータおよび負例のデータから、ピークの間隔や振幅などの特徴量を抽出する。そして、状態検出装置１は、抽出した複数の特徴量から、機械学習アルゴリズムを適用して、行動の検出に用いる特徴量および閾値を決定する。すなわち、状態検出装置１は、機械学習を用いて、正例の特徴量分布と負例の特徴量分布とを区別する特徴量を決定する。つまり、状態検出装置１は、正例の特徴量分布と負例の特徴量分布とが混在しないような特徴量を決定する。そして、状態検出装置１は、決定した特徴量に対する、行動と非行動とを区別する閾値を決定する。ここでは、特徴量の一例として、水平方向の加速度の振幅値が挙げられる。この後、状態検出装置１は、モーションセンサから得られる情報から、決定された特徴量と閾値とを用いて、対象者の行動種別としての歩行を検出する。
図１に戻って、状態検出装置１は、制御部１０および記憶部２０を有する。
記憶部２０は、例えばフラッシュメモリ（Flash Memory）やＦＲＡＭ（登録商標）（Ferroelectric Random Access Memory）などの不揮発性の半導体メモリ素子などの記憶装置に対応する。記憶部２０は、データ記録用ＤＢ（Database）２１および閾値ＤＢ２２を有する。データ記録用ＤＢ２１には、環境センサから得られるデータおよびモーションセンサから得られるデータが時系列に記憶される。なお、データ記録用ＤＢ２１には、後述するデータ記録部１２によって各データが記録される。データ記録用ＤＢ２１のデータ構造は、後述する。
閾値ＤＢ２２には、閾値および特徴量が記憶される。閾値ＤＢ２２には、後述する閾値決定部１４によって閾値および特徴量が記録される。なお、状態検出装置１が複数の行動種別の行動を検出する場合には、閾値ＤＢ２２には、行動種別ごとに閾値および特徴量が記憶されるようにすれば良い。
制御部１０は、各種の処理手順を規定したプログラムや制御データを格納するための内部メモリを有し、これらによって種々の処理を実行する。そして、制御部１０は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）などの集積回路の電子回路に対応する。または、制御部１０は、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）などの電子回路に対応する。さらに、制御部１０は、データ受信部１１、データ記録部１２、区間特定部１３、閾値決定部１４および行動検出部１５を有する。
データ受信部１１は、環境センサから得られるデータおよびモーションセンサから得られるデータを受信する。
データ記録部１２は、データ受信部１１によって受信された各種データをデータ記録用ＤＢ２１に記録する。データ記録部１２は、所定の区間分、各種データをデータ記録用ＤＢ２１に記録する。所定の区間は、例えば１日であるが、これに限定されず、半日であっても良いし、３／４日であっても良い。すなわち、所定の区間は、閾値を決定することができるだけの区間であれば良い。以降、所定の区間を１日として説明する。ここで、データ記録用ＤＢ２１のデータ構造を、図３を参照して説明する。図３は、実施例１に係るデータ記録用ＤＢのデータ構造の一例を示す図である。
図３に示すように、データ記録用ＤＢ２１は、取得時刻２１ｂ、モーションセンサの値（垂直軸の加速度）２１ｃを、事象番号２１ａと対応付けて記憶する。加えて、データ記録用ＤＢ２１は、部屋ａに設置した環境センサのデータとして人感センサの値２１ｄおよび部屋ｂに設置した環境センサのデータとして人感センサの値２１ｅを、事象番号２１ａと対応付けて記憶する。
事象番号２１ａは、事象ごとに付与される番号である。事象番号２１ａは、事象の早い順に、小さい番号を連番で付与される。取得時刻２１ｂは、事象番号２１ａの事象が取得された時刻である。モーションセンサの値（垂直軸の加速度）２１ｃは、一例として、ユーザの腰に装着した加速度センサの値であって、垂直軸の加速度の値である。ここでいうモーションセンサの値で示される垂直軸の加速度が、特徴量の一例である。なお、モーションセンサの値の一例として、垂直軸の加速度の値を挙げたが、これに限定されず、水平方向の加速度の振幅値であっても良いし、ジャイロセンサの各軸の振幅値であっても良い。
人感センサの値２１ｄ、２１ｅは、人を検知しない場合には、例えば、ＯＦＦ（０）であり、人を検知する場合には、例えば、ＯＮ（１）である。人感センサの値２１ｄは、閾値を決定する際に用いられる住環境の空間に含まれる、例えば部屋ａに設置された環境センサのデータである。人感センサの値２１ｅは、閾値を決定する際に用いられる住環境の空間に含まれる、例えば部屋ｂに設置された環境センサのデータである。なお、部屋ａ、部屋ｂに設置した環境センサのデータの一例として、それぞれ人感センサの値２１ｄ、２１ｅを挙げたが、これに限定されない。部屋ａに設置された環境センサに合わせて、環境センサの値が設定されれば良い。部屋ｂに設置された環境センサに合わせて、環境センサの値が設定されれば良い。また、部屋ａに設置された環境センサのデータ、部屋ｂに設置された環境センサのデータに限定されず、住環境の空間に含まれた部屋に設置された環境センサのデータであれば良い。
図４は、環境センサの設置の一例を示す図である。図４に示すように、閾値を決定する際に用いられる住環境の空間が表わされている。ここでは、住環境の空間には、部屋ａおよび部屋ｂ、その他の部屋が含まれている。それぞれの部屋の丸で示された位置に、環境センサが設置されている。なお、ユーザＡは、例えば、腰にモーションセンサを装着している。
図１に戻って、区間特定部１３は、データ記録用ＤＢ２１に記憶された環境センサの値を用いて、対象者の行動区間および非行動区間を特定する。例えば、区間特定部１３は、データ記録用ＤＢ２１に記憶された人感センサの値を用いて、人感センサの値がＯＦＦ（０）からＯＮ（１）に変化した時刻と人感センサの値がＯＮ（１）からＯＦＦ（０）に変化した時刻との間の時間を行動区間として特定する。区間特定部１３は、データ記録用ＤＢ２１に記憶されたベッドセンサの値を用いて、ベッドセンサの値がＯＦＦ（０）からＯＮ（１）に変化した時刻と人感センサの値がＯＮ（１）からＯＦＦ（０）に変化した時刻との間の時間を非行動区間として特定する。
閾値決定部１４は、行動区間および非行動区間ごとの、データ記録用ＤＢ２１に記憶されたモーションセンサの各特徴量の各値を用いて、対象者の歩行の検出に用いる特徴量および閾値を決定する。例えば、閾値決定部１４は、データ記録用ＤＢ２１に記憶されたモーションセンサの各特徴量の各値から、行動区間のデータを正例のデータとして取り出す。閾値決定部１４は、データ記録用ＤＢ２１に記憶されたモーションセンサの各特徴量の各値から、非行動区間のデータを負例のデータとして取り出す。そして、閾値決定部１４は、機械学習アルゴリズムを適用して、各特徴量の正例のデータおよび負例のデータから、各特徴量に対する正例の特徴量分布と負例の特徴量分布を生成する。閾値決定部１４は、正例の特徴量分布と負例の特徴量分布とを区別する特徴量を決定するとともに、決定した特徴量における行動と非行動とを区別する閾値を決定する。そして、閾値決定部１４は、決定した閾値および特徴量を閾値ＤＢ２２に記録する。これにより、閾値決定部１４は、直近に、データ記録用ＤＢ２１に記憶された１日分のデータを用いることで、対象者の現在の状況に応じた閾値を決定することができる。
行動検出部１５は、モーションセンサから得られる情報から、閾値ＤＢ２２に記憶された閾値および特徴量を用いて、対象者の歩行を検出する。これにより、行動検出部１５は、対象者の現在の状況に応じて、行動種別としての歩行を検出することができる。
［状態検出処理のフローチャート］
次に、実施例１に係る状態検出処理の処理手順の一例を、図５を参照して説明する。図５は、実施例１に係る状態検出処理の処理手順を示すフローチャートである。なお、閾値ＤＢ２２には、対象者の行動種別ごとに行動を検出する際に用いられる特徴量および閾値が記憶されている。
まず、データ受信部１１は、１日分、新しいデータ、すなわち、環境センサから得られるデータおよびモーションセンサから得られるデータを取得すると（ステップＳ１１）、取得したデータをデータ記録用ＤＢ２１に記録する。
そして、行動検出部１５は、モーションセンサから得られるデータから、閾値ＤＢ２２に記憶された特徴量および閾値を用いて、対象者の行動を検出する（ステップＳ１２）。
そして、データ記録部１２は、１日分のデータを取得したか否かを判定する（ステップＳ１３）。１日分のデータを取得していないと判定した場合には（ステップＳ１３；Ｎｏ）、データ記録部１２は、新しいデータを取得すべく、ステップＳ１１に移行する。
一方、１日分のデータを取得したと判定した場合には（ステップＳ１３；Ｙｅｓ）、区間特定部１３は、データ記録用ＤＢ２１に記憶された環境センサのデータから、対象者の行動区間および非行動区間を特定する（ステップＳ１４）。例えば、区間特定部１３は、データ記録用ＤＢ２１に記憶された人感センサの値を用いて、人感センサの値がＯＦＦ（０）からＯＮ（１）に変化した時刻と人感センサの値がＯＮ（１）からＯＦＦ（０）に変化した時刻との間を行動区間として特定する。区間特定部１３は、データ記録用ＤＢ２１に記憶されたベッドセンサの値を用いて、ベッドセンサの値がＯＦＦ（０）からＯＮ（１）に変化した時刻と人感センサの値がＯＮ（１）からＯＦＦ（０）に変化した時刻との間を非行動区間として特定する。
続いて、閾値決定部１４は、区間特定部１３によって特定された、行動区間と非行動区間のデータ記録用ＤＢ２１に記憶されたモーションセンサのデータから特徴量を抽出する（ステップＳ１５）。ここでいうモーションセンサのデータとは、データ記録用ＤＢ２１に記憶されたモーションセンサの値のことをいう。
そして、閾値決定部１４は、機械学習アルゴリズムを適用し、抽出した特徴量から適切な特徴量とその閾値を決定する（ステップＳ１６）。例えば、閾値決定部１４は、データ記録用ＤＢ２１に記憶されたモーションセンサの各特徴量の各値から、行動区間のデータを正例のデータとして取り出す。閾値決定部１４は、データ記録用ＤＢ２１に記憶されたモーションセンサの各特徴量の各値から、非行動区間のデータを負例のデータとして取り出す。閾値決定部１４は、機械学習アルゴリズムを適用して、各特徴量の正例のデータおよび負例のデータから、各特徴量に対する正例の特徴量分布と負例の特徴量分布を生成する。閾値決定部１４は、正例の特徴量分布と負例の特徴量分布とを区別する特徴量を決定するとともに、決定した特徴量における行動と非行動とを区別する閾値を決定する。
続いて、閾値決定部１４は、行動種別ごとの特徴量と閾値を、閾値ＤＢ２２に追加する（ステップＳ１７）。そして、閾値決定部１４は、全ての行動種別の処理が終了したか否かを判定する（ステップＳ１８）。全ての行動種別の処理が終了していないと判定した場合には（ステップＳ１８；Ｎｏ）、閾値決定部１４は、まだ処理されていない行動種別の処理をさせるべく、ステップＳ１４に移行する。
一方、全ての行動種別の処理が終了したと判定した場合には（ステップＳ１８；Ｙｅｓ）、閾値決定部１４は、次の１日分の処理をさせるべく、ステップＳ１１に移行する。
［実施例１の効果］
このようにして、上記実施例１では、状態抽出装置１は、所定の区間におけるモーションセンサから得られるデータおよび環境センサから得られるデータをデータ記録用ＤＢ２１に記録する。状態抽出装置１は、データ記録用ＤＢ２１に記憶された、環境センサから得られるデータを用いて、対象者が特定の行動を行った区間を示す行動区間および特定の行動を行わなかった区間を示す非行動区間を特定する。状態抽出装置１は、データ記録用ＤＢ２１に記憶されたデータを用いて、行動区間および非行動区間ごとの、モーションセンサから得られるデータに含まれる複数の特徴量の各値を用いて、対象者の特定の状態の検出に用いる特徴量を決定する。加えて、状態検出装置１は、決定した特徴量における行動と非行動とを区別する閾値を決定する。状態抽出装置１は、モーションセンサから得られるデータから、決定された特徴量と閾値とを用いて、対象者の特定の状態を検出する。かかる構成によれば、状態検出装置１は、データ記録用ＤＢ２１に記憶された直近の所定の区間分のデータを用いることで、対象者の現在の状況に応じた特定の状態の閾値を決定することができる。この結果、状態検出装置１は、モーションセンサだけで、対象者の現在の状況に応じて、対象者の特定の状態、例えば対象者の行動を検出することができる。一例として、状態検出装置１は、対象者が病気の回復段階などの、日々症状が変化していく場合でも、対象者の現在の状況に応じて、対象者の行動を検出することができる。
ところで、実施例１に係る状態検出装置１は、住環境の空間に設置された複数の環境センサのデータの変化を組み合わせて、対象者の行動に関し、行動区間および非行動区間を特定するものと説明した。しかしながら、状態検出装置１は、対象者以外の発生源（例えば、同居人や訪問者）がある場合、対象者の行動区間および非行動区間の特定を誤る場合がある。そこで、実施例２に係る状態検出装置１は、住環境の空間に設置された複数の環境センサのデータの変化および対象者のモーションセンサのデータを組み合わせて、環境センサのデータの変化が対象者の動作による変化であるものを選択する。そして、状態検出装置１は、選択したデータの変化を組み合わせて、対象者の行動に関し、確実に、対象者の行動区間および非行動区間を特定するようにしても良い。
そこで、実施例２に係る状態検出装置１は、住環境の空間に設置された複数の環境センサのデータの変化および対象者のモーションセンサのデータを組み合わせて、環境センサのデータの変化が対象者の動作によるものを選択する。そして、状態検出装置１は、選択したデータの変化を組み合わせて、対象者の行動に関し、対象者の行動区間および非行動区間を確実に特定する場合を説明する。
［実施例２に係る状態検出装置の構成］
図６は、実施例２に係る状態検出装置の構成を示す機能ブロック図である。なお、図１に示す状態検出装置１と同一の構成については同一符号を付すことで、その重複する構成および動作の説明については省略する。実施例１と実施例２とが異なるところは、区間特定部１３を区間特定部１３Ａに変更し、区間特定部１３Ａに整合性判定部１３１および変化抽出部１３２を追加した点にある。
区間特定部１３Ａは、住環境の空間にいる人数を推定し、対象者以外の人が反応させられない環境センサのデータの変化だけを用いて、対象者の行動区間および非行動区間を特定する。
整合性判定部１３１は、対象者のモーションセンサのデータと住環境の空間にある全ての環境センサのデータの変化との整合性が取れるか否かを判定する。言い換えると、整合性判定部１３１は、住環境の空間の玄関に相当する位置に設置したドアセンサが閉じてから、次に開くまでの区間ごとに、センサから得られるデータ同士の整合性を判定することで、当該空間にいる人数を推定する。例えば、整合性判定部１３１は、住環境の空間にいる人数を対象者だけであるとして「１」に設定する。整合性判定部１３１は、データ記録用ＤＢ２１に記憶されたデータを用いて、対象者のモーションセンサのデータと全環境センサのデータの変化との整合性が取れるか否かを判定する。整合性判定部１３１は、整合性が取れないと判定する場合には、対象者以外に環境センサを反応させた人がいると判断し、住環境の空間にいる人数を１加算する。
ここで、整合性判定部１３１の整合性判定処理によって整合性が取れないと判定される場合について、図７〜図９を用いて説明する。図７は、整合性が取れない場合として対象者のモーションセンサの反応がないときに環境センサのデータに変化があった場合である。図８は、整合性が取れない場合として対象者がいる部屋と異なる部屋で環境センサのデータに変化があった場合である。図９は、整合性が取れない場合として対象者がいる部屋でも、対象者が着座した後起立していないのに環境センサのデータに変化があった場合である。なお、図７〜図９では、対象者をＡとして説明する。人感センサのデータと、Ａさんの腰に装着されたモーションセンサのデータは、データ記録用ＤＢ２１に記憶されている。
図７に示すように、ある区間における、ある部屋に設置された人感センサのデータの変化と、同じ区間における、Ａさんの腰に装着されたモーションセンサのデータが表されている。整合性判定部１３１は、データ記録用ＤＢ２１に記憶されたデータを用いて、対象者のモーションセンサのデータと全環境センサのデータの変化との整合性が取れるか否かを判定する。ここでは、人感センサのデータがＯＦＦからＯＮに変化したが、同じ区間で、Ａさんのモーションセンサのデータは静止状態である。したがって、整合性判定部１３１は、Ａさんのモーションセンサの反応がないときに人感センサのデータに変化があったので、Ａさんが反応させたのでは人感センサとの整合性が取れないと判定する。すなわち、Ａさん以外が存在すると判断し、人数を１加算する。
図８に示すように、Ａさんのいる部屋と環境センサが反応した部屋が異なることが表わされている。整合性判定部１３１は、データ記録用ＤＢ２１に記憶されたデータを用いて、対象者のモーションセンサのデータと全環境センサのデータの変化との整合性が取れるか否かを判定する。ここでは、整合性判定部１３１は、データ記録用ＤＢ２１に記憶されたデータを用いて、Ａさんの直近の行動を特定する環境センサのデータの変化に紐付けられている部屋の情報より、Ａさんのいる部屋を特定する。そして、整合性判定部１３１は、Ａさんのいる部屋と異なる部屋の環境センサが反応したので、Ａさんが反応させたのでは環境センサとの整合性が取れないと判定する。すなわち、整合性判定部１３１は、Ａさん以外が存在すると判断し、人数を１加算する。
図９に示すように、ある区間における、ある部屋に設置された椅子センサのデータの変化と、窓センサのデータの変化と、同じ区間における、Ａさんの腰に装着されたモーションセンサのデータが表わされている。整合性判定部１３１は、データ記録用ＤＢ２１に記憶されたデータを用いて、対象者のモーションセンサのデータと全環境センサのデータの変化との整合性が取れるか否かを判定する。ここでは、ある区間で、Ａさんのモーションセンサのデータは着座の状態であり、椅子センサのデータがＯＮの状態である。同じ区間内で、窓センサのデータがＯＦＦからＯＮに変化している。したがって、整合性判定部１３１は、整合性が取れないと判定する。つまり、「着座」の後に必ず「起立」してから歩行するというように、ある行動の後には必ず特定の行動をとることがある。Ａさんが「着座」した後、「起立」していないのに、窓センサに変化があったので、Ａさんが反応させたのでは窓センサとの整合性が取れないと判定する。すなわち、整合性判定部１３１は、Ａさん以外が存在すると判断し、人数を１加算する。
図６に戻って、変化抽出部１３２は、対象者以外のどの人も反応させられない環境センサのデータの変化を抽出する。「対象者以外のどの人も反応させられない」ということは、対象者以外のいずれかの人が反応させたと仮定した場合、整合性が取れないかで判定する。言い換えると、変化抽出部１３２は、対象者だけが反応させられる環境センサのデータの変化を抽出する。例えば、変化抽出部１３２は、データ記録用ＤＢ２１に記憶されたデータを用いて、対象者以外の人について、対象者以外の人のモーションセンサのデータと全環境センサのデータの変化との整合性が取れるか否かを判定する。整合性が取れるか否かの判定処理は、整合性判定部１３１による整合性判定処理と同様である。変化抽出部１３２は、対象者以外のいかなる人も整合性が取れないと判定された、環境センサのデータの変化を抽出する。
ここで、変化抽出部１３２の変化抽出処理の一例を、図１０を参照して説明する。図１０は、実施例２に係る変化抽出処理の一例を示す図である。図１０では、対象者をＡとし、対象者以外の人をＢとして説明する。窓センサのデータと、Ａさんの腰に装着されたモーションセンサのデータは、データ記録用ＤＢ２１に記録されている。
変化抽出部１３２は、データ記録用ＤＢ２１に記憶されたデータを用いて、Ａさんの直近の行動を特定する環境センサのデータの変化に紐付けられている部屋の情報より、図１０左図に示すように、Ａさんのいる部屋をａと特定する。
図１０右図に示すように、ある区間における、部屋ｂに設置された窓センサのデータの変化と、部屋ａに設置された窓センサのデータの変化と、Ａさんのモーションセンサのデータが表わされている。変化抽出部１３２は、データ記録用ＤＢ２１に記憶されたデータを用いて、対象者以外の人について、全環境センサのデータの変化との整合性が取れるか否かを判定する。ここでは、変化抽出部１３２は、仮にＢさんが、対象者がいる部屋ａにある窓センサを反応させたとすると、部屋ｂにある窓センサを反応させる人がいなくなるため、Ｂさんが反応させたのでは部屋ｂにある窓センサとの整合性が取れないと判定する。そこで、変化抽出部１３２は、Ｂさんと整合性が取れないと判定された、部屋ａの窓センサのデータの変化を抽出する。言い換えると、変化抽出部１３２は、Ａさんだけが反応させられる部屋ａの窓センサのデータの変化を抽出する。ここでは、時刻ｔ１と時刻ｔ２の部屋ａの窓センサのデータの変化が抽出される。
この後、区間特定部１３Ａは、抽出した部屋ａの窓センサのデータの変化を用いて、窓を開けるという行動区間を特定できる。
［区間特定処理のフローチャート］
次に、実施例２に係る区間特定処理の処理手順の一例を、図１１を参照して説明する。図１１は、実施例２に係る区間特定処理の処理手順を示すフローチャートである。なお、区間特定処理を含む全体の状態検出処理の処理手順は、図５で説明したとおりであるので、その説明を省略する。図５で説明した状態検出処理の処理手順のＳ１４の一例が、本図における区間特定処理の処理手順である。
ここで、区間特定部１３Ａは、１日分のデータを入力したとする。ここでいうデータとは、データ記録用ＤＢ２１に記憶された環境センサのデータおよびモーションセンサのデータのことをいう。また、図１１では、住環境の空間を住居といい、住居の玄関にドアセンサが設置されているとする。
区間特定部１３Ａは、入力した１日分のデータを順次読み込む（ステップＳ２１）。区間特定部１３Ａは、読み込んだデータが玄関のドアが開けたことを示すデータか否かを判定する（ステップＳ２２）。すなわち、区間特定部１３Ａは、玄関に設置されたドアセンサのデータが閉じていることを示すＯＮから開いていることを示すＯＦＦに変化したか否かを判定する。
読み込んだデータが玄関のドアを開けたことを示すデータでないと判定した場合には（ステップＳ２２；Ｎｏ）、区間特定部１３Ａは、読み込んだデータが玄関のドアが開いていることを示すデータか否かを判定する（ステップＳ２３）。すなわち、区間特定部１３Ａは、玄関に設置されたドアセンサのデータがＯＦＦであるか否かを判定する。読み込んだデータが玄関のドアが開いていることを示すデータであると判定した場合には（ステップＳ２３；Ｙｅｓ）、区間特定部１３Ａは、データを格納しないで、ステップＳ２５に移行する。玄関のドアが開いている場合、住居にいる人数を推定することができないため、この場合のデータを格納しないようにする。
一方、読み込んだデータが玄関のドアが開いていることを示すデータでないと判定した場合には（ステップＳ２３；Ｎｏ）、区間特定部１３Ａは、当該データを、分析対象データとして一時的に記憶部２０に格納する（ステップＳ２４）。玄関のドアが閉じている場合、住居にいる人数を推定することができるため、この場合のデータを格納する。そして、区間特定部１３Ａは、ステップＳ２５に移行する。
ステップＳ２５において、区間特定部１３Ａは、入力した１日分の全データを読み込んだか否かを判定する（ステップＳ２５）。入力した１日分の全データを読み込んでいないと判定した場合には（ステップＳ２５；Ｎｏ）、区間特定部１３Ａは、次のデータを読み込むべく、ステップＳ２１に移行する。一方、入力した１日分の全データを読み込んだと判定した場合には（ステップＳ２５；Ｙｅｓ）、区間特定部１３Ａは、ステップＳ２６に移行する。
ステップＳ２２において、読み込んだデータが玄関のドアを開けたことを示すデータであると判定した場合には（ステップＳ２２；Ｙｅｓ）、整合性判定部１３１は、住居にいる人数ｘを１とする（ステップＳ２６）。ここで、ｘは、住居にいる人数を表す変数であるとする。
整合性判定部１３１は、一時的に格納されたデータを用いて、対象者のモーションセンサと住居の全環境センサのデータの変化との整合性を確認する（ステップＳ２７）。言い換えると、整合性判定部１３１は、住居の玄関に設置したドアセンサが閉じてから、次に開くまでの区間で、センサから得られるデータ同士の整合性を確認する。
整合性判定部１３１は、対象者のモーションセンサと、住居の全環境センサのデータの変化との整合性が取れるか否かを判定する（ステップＳ２８）。対象者のモーションセンサと、住居の全環境センサのデータの変化との整合性が取れないと判定した場合には（ステップＳ２８；Ｎｏ）、整合性判定部１３１は、ｘに１を加算する（ステップＳ２９）。そして、整合性判定部１３１は、ステップＳ２７に移行する。
一方、対象者のモーションセンサと、住居の全環境センサのデータの変化との整合性が取れると判定した場合には（ステップＳ２８；Ｙｅｓ）、変化抽出部１３２は、対象者以外のどの人も反応させられない環境センサのデータの変化を抽出する（ステップＳ３０）。言い換えると、変化抽出部１３２は、対象者だけが反応させられる環境センサのデータの変化を抽出する。例えば、変化抽出部１３２は、一時的に格納されたデータを用いて、対象者以外の人について、対象者以外の人が反応させた場合、環境センサによって得られたデータとの整合性が取れなくなるか否かを判定する。変化抽出部１３２は、対象者以外のいかなる人が反応させても整合性が取れないと判定された、環境センサのデータの変化を抽出する。
続いて、区間特定部１３Ａは、抽出した環境センサのデータの変化を用いて、行動区間および非行動区間を特定する（ステップＳ３１）。
そして、区間特定部１３Ａは、入力した１日分の全データを読み込んだか否かを判定する（ステップＳ３２）。入力した１日分の全データを読み込んでいないと判定した場合には（ステップＳ３２；Ｎｏ）、区間特定部１３Ａは、次のデータを読み込むべく、ステップＳ２１に移行する。一方、入力した１日分の全データを読み込んだと判定した場合には（ステップＳ３２；Ｙｅｓ）、区間特定部１３Ａは、区間特定処理を終了する。
［整合性判定処理の具体例］
次に、図１２Ａ〜図１２Ｃを参照して、実施例２に係る整合性判定処理の具体例を説明する。図１２Ａは、整合性が取れない場合として対象者のモーションセンサの反応がないときに環境センサのデータに変化があった場合であり、図７に対応する。図１２Ｂは、整合性が取れない場合として対象者がいる部屋と異なる部屋で環境センサのデータに変化があった場合であり、図８に対応する。図１２Ｃは、整合性が取れない場合として対象者がいる部屋でも、対象者が着座した後起立していないのに環境センサのデータに変化があった場合であり、図９に対応する。なお、図１２Ａ〜図１２Ｃでは、対象者をユーザＡとして説明する。また、モーションセンサは、ユーザの腰に装着され、モーションセンサの値は、垂直軸の加速度の値であるとする。
図１２Ａに示すように、データ記録用ＤＢ２１に、ユーザＡの腰に装着したモーションセンサの値、部屋ａに設置した人感センサの値が記憶されている。整合性判定部１３１は、データ記録用ＤＢ２１に記憶されたデータを用いて、対象者のモーションセンサのデータと全環境センサのデータの変化との整合性が取れるか否かを判定する。ここでは、事象番号が「３６０１」である場合に、部屋ａに設置した人感センサの値が０（ＯＦＦ）から１（ＯＮ）に変化したが、ユーザＡのモーションセンサの値は「１［Ｇ］」（静止状態）である。ユーザＡが人感センサを反応させたとすると、整合性が取れない。すなわち、整合性判定部１３１は、ユーザＡのモーションセンサと部屋ａの人感センサとの整合性が取れないと判定する。そして、整合性判定部１３１は、ユーザＡ以外が存在すると判断し、人数を１加算する。
図１２Ｂに示すように、データ記録用ＤＢ２１に、ユーザＡの腰に装着したモーションセンサの値、部屋ａに設置した人感センサおよびドアセンサの値、部屋ｂに設置した人感センサの値が記憶されている。整合性判定部１３１は、データ記録用ＤＢ２１に記憶されたデータを用いて、対象者のモーションセンサのデータと全環境センサのデータの変化との整合性が取れるか否かを判定する。ここでは、事象番号が「１０６８１」である場合に、ユーザＡのモーションセンサの値が「２［Ｇ］」であり、ユーザＡが動いている。ユーザＡが動いているときに、人感センサの値が０（ＯＦＦ）から１（ＯＮ）に変化したので、ユーザＡのいる部屋は人感センサに紐付けられている部屋ａと特定される。事象番号が「１０６８１」以降、ドアセンサの値は０（ＯＦＦ）のままであるので、ユーザＡは、部屋ａにいる。事象番号が「１０８０１」である場合に、ユーザＡのいる部屋ａと異なる部屋ｂの人感センサの値が０（ＯＦＦ）から１（ＯＮ）に変化したが、ユーザＡが部屋ｂにある人感センサを反応させたとすると、整合性が取れない。すなわち、整合性判定部１３１は、ユーザＡのモーションセンサと部屋ｂの人感センサとの整合性が取れないと判定する。そして、整合性判定部１３１は、ユーザＡ以外が存在すると判断し、人数を１加算する。
図１２Ｃに示すように、データ記録用ＤＢ２１に、ユーザＡの腰に装着したモーションセンサの値、部屋ａに設置した窓センサおよび椅子センサの値、部屋ｂに設置した人感センサの値が記憶されている。整合性判定部１３１は、データ記録用ＤＢ２１に記憶されたデータを用いて、対象者のモーションセンサのデータと全環境センサのデータの変化との整合性が取れるか否かを判定する。ここでは、事象番号が「２１６０１」である場合に、ユーザＡのモーションセンサの値は「１．６［Ｇ］」であり、部屋ａの椅子センサの値は、１（ＯＮ）のままである。したがって、ユーザＡは、椅子に座ったままの「着座」の状態である。このとき、部屋ａの窓センサの値が０（ＯＦＦ）から１（ＯＮ）に変化しているが、ユーザＡが部屋ａの窓センサを反応させたとすると、整合性が取れない。すなわち、整合性判定部１３１は、ユーザＡのモーションセンサと部屋ａの窓センサとの整合性が取れないと判定する。そして、整合性判定部１３１は、ユーザＡ以外が存在すると判断し、人数を１加算する。
［整合性判定処理の具体例］
次に、図１３Ａ〜図１３Ｃを参照して、実施例２に係る変化抽出処理の具体例を説明する。図１３Ａは、ユーザＢに装着したモーションセンサの反応がないときに環境センサのデータに変化があった場合である。図１３Ｂは、ユーザＢがいる部屋と異なる部屋で環境センサのデータに変化があった場合である。図１３Ｃは、ユーザＡがいる部屋でも、ユーザＢが着座した後起立していないのに環境センサのデータに変化があった場合である。なお、図１３Ａ〜図１３Ｃでは、対象者をユーザＡとして説明する。また、モーションセンサは、ユーザの腰に装着され、モーションセンサの値は、垂直軸の加速度の値であるとする。
図１３Ａに示すように、データ記録用ＤＢ２１に、ユーザＢの腰に装着したモーションセンサの値、部屋ａに設置した人感センサの値が記憶されている。変化抽出部１３２は、データ記録用ＤＢ２１に記憶されたデータを用いて、対象者以外の人について、対象者以外の人のモーションセンサのデータと全環境センサのデータの変化との整合性が取れるか否かを判定する。ここでは、事象番号が「３６０３」である場合に、部屋ａに設置した人感センサの値が０（ＯＦＦ）から１（ＯＮ）に変化したが、ユーザＢのモーションセンサの値は「１［Ｇ］」（静止状態）である。ユーザＢが人感センサを反応させたとすると、整合性が取れない。ゆえに、部屋ａにある人感センサは、ユーザＡが反応させたと判断する。そこで、変化抽出部１３２は、ユーザＢと整合性が取れないと判定された、部屋ａの人感センサのデータ変化を示す事象番号３６０３のデータを、行動区間および非行動区間を特定するために用いるデータとして抽出する。
図１３Ｂに示すように、データ記録用ＤＢ２１に、ユーザＡの腰に装着したモーションセンサの値、部屋ａに設置した人感センサの値、部屋ｂに設置した人感センサの値が記憶されている。変化抽出部１３２は、データ記録用ＤＢ２１に記憶されたデータを用いて、対象者以外の人について、対象者以外の人のモーションセンサのデータと全環境センサのデータの変化との整合性が取れるか否かを判定する。ここでは、ユーザＡは、データ記録用ＤＢ２１に基づいて部屋ａにいると判定される。事象番号が「１０８０１」である場合に、ユーザＡのいる部屋ａと異なる部屋ｂの人感センサの値が０（ＯＦＦ）から１（ＯＮ）に変化する一方で、ユーザＡのいる部屋ａの人感センサの値が０（ＯＦＦ）から１（ＯＮ）に変化した。ユーザＢが部屋ａにある人感センサを反応させたとすると、整合性が取れない。ゆえに、部屋ａにある人感センサは、ユーザＡが反応させたと判断する。そこで、変化抽出部１３２は、ユーザＢと整合性が取れないと判定された、部屋ａの人感センサのデータ変化を示す事象番号１０８０１のデータを、行動区間および非行動区間を特定するために用いるデータとして抽出する。
図１３Ｃに示すように、データ記録用ＤＢ２１に、ユーザＡの腰に装着したモーションセンサの値、部屋ａに設置した窓センサおよび椅子センサの値、部屋ｂに設置した人感センサの値が記憶されている。変化抽出部１３２は、データ記録用ＤＢ２１に記憶されたデータを用いて、対象者以外の人について、対象者以外の人のモーションセンサのデータと全環境センサのデータの変化との整合性が取れるか否かを判定する。ここでは、事象番号が「２３３９９」である場合に、ユーザＡのモーションセンサの値は「１［Ｇ］」（静止状態）であり、部屋ａの椅子センサの値は、０（ＯＦＦ）から１（ＯＮ）に変化したので、ユーザＢが部屋ａの椅子に座ったと判定される。事象番号が「２３４０１」である場合に、部屋ａの窓センサの値が０（ＯＦＦ）から１（ＯＮ）に変化しているが、ユーザＢは椅子に座ったままの「着座」の状態であるので、部屋ａの窓センサを反応させることができない。すなわち、ユーザＢが部屋ａの窓センサを反応させたとすると、整合性が取れない。ゆえに、部屋ａにある窓センサは、ユーザＡが反応させたと判断する。そこで、変化抽出部１３２は、ユーザＢと整合性が取れないと判定された、部屋ａの窓センサのデータ変化を示す事象番号２３４０１のデータを、行動区間および非行動区間を特定するために用いるデータとして抽出する。
［実施例２の効果］
このようにして、上記実施例２では、状態検出装置１は、データ記録用ＤＢ２１に記憶されたモーションセンサから得られるデータおよび環境センサから得られるデータを用いて、環境センサが存在する空間にいる人の数を推定する。状態抽出装置１は、データ記録用ＤＢ２１に記憶された環境センサから得られるデータから、対象者と異なる他者が変化させられないデータの変化を抽出する。状態抽出装置１は、抽出したデータの変化を用いて行動空間および非行動空間を特定する。かかる構成によれば、状態抽出装置１は、対象者と異なる他者がある場合であっても、他者が変化させられないデータの変化を抽出することで、対象者が変化させられるデータの変化を抽出することができ、対象者の行動空間および非行動空間を特定できる。この結果、状態抽出装置１は、対象者と異なる他者がある場合であっても、対象者の現在の状況に応じた特定の状態の閾値を決定することができる。
ところで、実施例１，２に係る状態検出装置１は、行動区間および非行動区間ごとの、モーションセンサの各特徴量の各値を用いて、対象者の歩行の検出に用いる特徴量および閾値を決定するものと説明した。しかしながら、状態検出装置１は、さらに、閾値の変化が所定のパターンに合致する場合には、合致する所定のパターンに従って、次の所定の区間の閾値を推定しても良い。所定のパターンとは、例えば、単調増加であったり、単調減少であったりする。
そこで、実施例３に係る状態検出装置１は、さらに、閾値の変化が所定のパターンに合致する場合には、合致する所定のパターンに従って、次の所定の区間の閾値を推定する場合を説明する。
［実施例３に係る状態検出装置の構成］
図１４は、実施例３に係る状態検出装置の構成を示す機能ブロック図である。なお、図６に示す状態検出装置１と同一の構成については同一符号を付すことで、その重複する構成および動作の説明については省略する。実施例２と実施例３とが異なるところは、閾値決定部１４を閾値決定部１４Ａに変更し、行動検出部１５を行動検出部１５Ａに変更した点にある。実施例２と実施例３とが異なるところは、制御部１０に閾値推定部３１を追加した点にある。実施例２と実施例３とが異なるところは、記憶部２０に行動検出用閾値ＤＢ３２を追加した点にある。
閾値決定部１４Ａは、所定の区間内の行動区間および非行動区間ごとの、データ記録用ＤＢ２１に記憶されたモーションセンサの各特徴量の各値を用いて、対象者の歩行の検出に用いる特徴量および閾値を決定する。そして、閾値決定部１４Ａは、決定した閾値および特徴量を、決定した際の所定の区間と対応付けて、閾値ＤＢ２２に追加する。所定の区間は、例えば１日であるが、これに限定されず、半日であっても良いし、３／４日であっても良い。すなわち、所定の区間は、閾値を決定することができるだけの区間であれば良い。以降、所定の区間を１日として説明する。
閾値推定部３１は、閾値の変化が所定のパターンに合致する場合には、合致する所定のパターンに従って、次の１日の閾値を推定する。言い換えると、閾値推定部３１は、行動検出に用いる特徴量の中で、日々の閾値が単調増加（減少）し、その１日当たりの変化量が大きい特徴量に関しては、翌日も同じ傾向が続くものと仮定し、翌日に用いる閾値を推定する。例えば、閾値推定部３１は、閾値ＤＢ２２に記憶された１日ごとの閾値から求められる閾値の変化が所定のパターンに合致するか否かを判定する。閾値推定部３１は、閾値の変化が所定のパターンに合致すると判定した場合には、閾値の変化量から次の１日の閾値を推定する。そして、閾値推定部３１は、推定した閾値を、既に決定された特徴量とともに、行動検出用閾値ＤＢ３２に上書きする。これにより、閾値推定部３１は、閾値の変化パターンに応じて次の１日の閾値を推定することで、対象者の現在の状況に応じた閾値を精度良く決定することができる。
行動検出部１５Ａは、モーションセンサから得られる情報から、行動検出用閾値ＤＢ３２に記憶された閾値および特徴量を用いて、対象者の歩行を検出する。これにより、行動検出部１５Ａは、対象者の現在の状況に応じて、行動種別としての歩行を精度良く検出することができる。
［閾値推定処理の一例］
図１５は、実施例３に係る閾値推定処理の一例を示す図である。図１５に示すように、今日が２月３日（２／３）であるとすると、一昨日の２月１日（２／１）の閾値は、１月３１日（１／３１）の閾値推定処理の終了時に閾値決定部１４Ａによってθ１に決定されたとする。昨日の２月２日（２／２）の閾値は、２／１の閾値推定処理の終了時に閾値決定部１４Ａによってθ２に決定されたとする。本日の２／３の閾値は、２／２の閾値推定処理の終了時に閾値決定部１４Ａによってθ３に決定されたとする。
２／３の閾値推定処理の終了時に翌日の２月４日（２／４）の閾値を決定する際に、閾値推定部３１は、これまで日々蓄積した閾値の変化が所定のパターンに合致する場合には、合致する所定のパターンに従って、次の１日の閾値を推定する。ここでは、閾値推定部３１は、閾値の変化が単調増加に合致すると判定する。すると、閾値推定部３１は、閾値の変化量から２／４の閾値θ４を推定する。例えば、閾値推定部３１は、閾値の変化量から算出できる線形モデルを仮定し、２／４の閾値を推定すれば良い。
なお、閾値推定部３１は、例えば閾値の変化が単調増加または単調減少に合致する場合に、閾値の変化量から次の１日の閾値を推定すると説明したが、これに限定されない。閾値推定部３１は、閾値の変化が単調増加または単調減少に合致する場合、且つ、１日当たりの各変化量が特定量より大きい場合に、閾値の変化量から次の１日の閾値を推定しても良い。
［閾値推定処理のフローチャート］
次に、実施例３に係る閾値推定処理の処理手順の一例を、図１６を参照して説明する。図１６は、実施例３に係る閾値推定処理の処理手順を示すフローチャートである。なお、閾値推定処理を含む全体の状態検出処理の処理手順は、図５および図１１で説明したとおりであるので、その説明を省略する。図５で説明した状態検出処理の処理手順のＳ１６の一例が、本図における閾値推定処理の処理手順である。
ここで、閾値ＤＢ２２には、日々、閾値決定部１４Ａによって決定される閾値が特徴量および行動種別と対応付けて蓄積されている。行動種別は、一例として「歩行」であり、対象者の検出したい行動を区別する種別である。
閾値推定部３１は、閾値ＤＢ２２に蓄積された特徴量ごとに、閾値推定処理を行う。まず、閾値推定部３１は、閾値ＤＢ２２に蓄積された閾値に対して、一定期間の日々の変化量を算出する（ステップＳ４１）。閾値推定部３１は、算出した一定期間の日々の変化量に基づいて、閾値の変化が単調増加または単調減少であるか否かを判定する（ステップＳ４２）。すなわち、閾値推定部３１は、閾値の変化が所定のパターンに合致するか否かを判定する。
閾値の変化が単調増加または単調減少でないと判定した場合には（ステップＳ４２；Ｎｏ）、閾値推定部３１は、閾値決定部１４Ａによって決定された閾値を行動検出用の閾値とすべく、ステップＳ４５に移行する。一方、閾値の変化が単調増加または単調減少であると判定した場合には（ステップＳ４２；Ｙｅｓ）、閾値推定部３１は、１日当たりの閾値の変化量が大きいか否かを判定する（ステップＳ４３）。
１日当たりの閾値の変化量が大きくないと判定した場合には（ステップＳ４３；Ｎｏ）、閾値推定部３１は、閾値決定部１４Ａによって決定された閾値を行動検出用の閾値とすべく、ステップＳ４５に移行する。一方、１日当たりの閾値の変化量が大きいと判定した場合には（ステップＳ４３；Ｙｅｓ）、閾値推定部３１は、閾値ＤＢ２２に記憶された日々の閾値の変化量から翌日の閾値を推定する（ステップＳ４４）。例えば、閾値推定部３１は、閾値ＤＢ２２に記憶された日々の閾値の変化量から算出できる線形モデルを仮定し、翌日の閾値を推定する。
そして、閾値推定部３１は、行動種別と特徴量と閾値を、行動検出用閾値ＤＢ３２に上書きする（ステップＳ４５）。上書きされる閾値は、閾値推定部３１によって閾値が推定された場合には、推定された閾値であり、閾値推定部３１によって閾値が推定されなかった場合には、閾値決定部１４Ａによって決定された閾値である。
閾値推定部３１は、全特徴量に対する閾値推定処理が終了したか否かを判定する（ステップＳ４６）。全特徴量に対する閾値推定処理が終了していないと判定した場合には（ステップＳ４６；Ｎｏ）、閾値推定部３１は、次の特徴量の閾値推定処理をすべく、ステップＳ４１に移行する。
全特徴量に対する閾値推定処理が終了したと判定した場合には（ステップＳ４６；Ｙｅｓ）、閾値推定部３１は、閾値推定処理を終了する。
［実施例３の効果］
このようにして、上記実施例３では、状態検出装置１は、所定の区間ごとに閾値を決定する。そして、状態検出装置１は、閾値の変化が所定のパターンに合致する場合には、パターンに従って、次の所定の区間の閾値を推定する。かかる構成によれば、状態検出装置１は、所定の区間ごとに決定された閾値を用いて、次の所定の区間の閾値を推定することで、特定の状態の検出に用いられる閾値を精度良く決定することができる。この結果、状態検出装置１は、対象者の現在の状況に応じて、対象者の特定の状態、例えば対象者の行動を高精度に検出することができる。
［その他］
なお、上記実施例１−３では、状態検出装置１が行動検出部１５を有し、行動検出部１５がモーションセンサから得られる情報から、閾値ＤＢ２２に記憶された閾値および特徴量を用いて、対象者の行動を検出すると説明した。しかしながら、モーションセンサが行動検出部１５に相当する機能部および閾値ＤＢ２２に相当する閾値記憶部を有していても良い。そして、モーションセンサは、状態検出装置１の閾値決定部１４によって決定された閾値および特徴量を受信し、受信した閾値および特徴量を閾値記憶部に記録する。そして、行動検出部１５に相当する機能部がモーションセンサから得られる情報から、閾値記憶部に記憶された閾値および特徴量を用いて、モーションセンサを装着した対象者の行動を検出するようにすれば良い。これにより、状態検出装置１は、モーションセンサとの通信が発生しないので、対象者の行動を高速に検出させることができる。
また、上記実施例１−３では、対象者の状況に応じて閾値が変化する行動種別として歩行を一例として挙げた。すなわち、状態検出装置１は、対象者の歩行の検出に用いる特徴量および閾値を決定し、決定した特徴量および閾値を用いて、対象者の歩行を検出する。しかしながら、対象者の状況に応じて閾値が変化する行動種別として「着座」や「起立」の場合であっても良い。かかる場合には、例えば、区間特定部１３は、環境センサとして椅子に設置したセンサ（椅子センサ）の値を用いて、対象者の行動区間および非行動区間を特定すれば良い。そして、閾値決定部１４は、行動区間および非行動区間ごとのモーションセンサの各特徴量の各値を用いて、対象者の「着座」や「起立」の検出に用いる特徴量および閾値を決定すれば良い。これにより、対象者が体を負傷している状況であったり、退院した後の状況であったりする場合など、着座や起立がゆっくりとなる状況であっても、状態検出装置１は、対象者の状況に応じて、対象者のモーションセンサだけで、対象者の「着座」や「起立」を検出することができる。
また、対象者の状況に応じて閾値が変化する行動種別として階段の昇降の場合であっても良い。かかる場合には、例えば、区間特定部１３は、環境センサとして昇降口に設置した人感センサを用いて、対象の行動が階段昇降であると特定し、対象者の行動区間および非行動区間を特定すれば良い。そして、閾値決定部１４は、行動区間および非行動区間ごとのモーションセンサの各特徴量の各値を用いて、対象者の階段の昇降の検出に用いる特徴量および閾値を決定すれば良い。これにより、深夜は周囲に迷惑をかけないように、階段の昇降がゆっくりとなる状況がある場合であっても、状態検出装置１は、対象者の状況に応じて、対象者のモーションセンサだけで、対象者の階段の昇降を検出することができる。
また、対象者の状況に応じて閾値が変化する行動種別としてドアの開閉の場合であっても良い。かかる場合には、例えば、区間特定部１３は、環境センサとしてドアに設置したドアセンサを用いて、対象の行動がドアの開閉であると特定し、対象者の行動区間および非行動区間を特定すれば良い。そして、閾値決定部１４は、行動区間および非行動区間ごとのモーションセンサの各特徴量の各値を用いて、対象者のドアの開閉の検出に用いる特徴量および閾値を決定すれば良い。これにより、手に荷物を持っている際、体の一部を使ってゆっくりとドアを押すような状況がある場合であっても、状態検出装置１は、対象者の状況に応じて、対象者のモーションセンサだけで、対象者の階段の昇降を検出することができる。
また、上記実施例１−３では、状態検出装置１は、対象者の行動の検出に用いる特徴量および閾値を決定すると説明した。しかしながら、状態検出装置１は、対象者の生体状態の検出に用いる特徴量および閾値を決定しても良い。生体状態として、異常な心電波形の乱れや異常な高心拍数が挙げられる。生体状態が異常な心電波形の乱れの場合には、例えば、区間特定部１３は、環境センサ、心電波形検出センサを用いて、対象者の行動に比して異常な心電波形の乱れがある区間（行動区間に相当）と対象者の行動に比して自然な心電波形の乱れである区間（非行動区間に相当）を特定する。そして、閾値決定部１４は、行動区間に相当する区間および非行動区間に相当する区間ごとの心電波形検出センサから得られる心電波形を用いて、対象者の異常な心電波形の乱れの検出に用いる特徴量および閾値を決定すれば良い。かかる場合には、特徴量は、心電波形の高さや時間間隔の分散や最大最小比等とすれば良い。これにより、状態検出装置１は、対象者の状況に応じて、対象者の心電波形だけで、対象者の異常な心電波形の乱れを検出することができる。
また、上記実施例３では、状態検出装置１は、対象者の行動の検出に用いる特徴量および閾値を決定し、決定した閾値および特徴量を用いて、対象者の行動を検出すると説明した。しかしながら、状態検出装置１は、これに限定されず、さらに、検出した対象者の状態が継続している間の状態の特徴を定量化するようにしても良い。状態を歩行とした場合の行動の特徴を表す指標には、例えば、ケーデンス、歩行周期、歩行周期変動、歩幅、歩幅の変動、歩行速度および歩隔が挙げられる。ケーデンスとは、１分間当たりの歩数のことをいう。歩行周期とは、一方の踵が接地してから、他方の踵が接地するまでの時間のことをいう。歩行周期変動とは、歩行周期の標準偏差と平均の比（歩行周期の標準偏差／歩行周期の平均）のことをいう。歩幅とは、一方のつま先から他方のつま先までの距離、または、一方の踵から他方の踵までの距離のことをいう。歩幅の変動とは、歩幅の標準偏差と平均の比のことをいう。歩行速度とは、歩行開始から歩行終了までの歩行距離と歩行時間の除算のことをいう。歩隔とは、対象者を真上から見た際の、左右の踵間の距離のことをいう。なお、歩隔は、直線上を歩いている場合は０となる。これにより、状態検出装置１は、対象者の歩行の状態を把握することができる。
また、図示した装置の各構成要素は、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、装置の分散・統合の具体的態様は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。例えば、区間特定部１３と閾値決定部１４とを１個の部として統合しても良い。また、データ記録用ＤＢ２１および閾値ＤＢ２２を状態検出装置１の外部装置としてネットワーク経由で接続するようにしても良い。
また、上記実施例で説明した各種の処理は、あらかじめ用意されたプログラムをパーソナルコンピュータやワークステーションなどのコンピュータで実行することによって実現することができる。そこで、以下では、図１に示した状態検出装置１と同様の機能を実現する状態検出プログラムを実行するコンピュータの一例を説明する。図１７は、状態検出プログラムを実行するコンピュータの一例を示す図である。
図１７に示すように、コンピュータ２００は、各種演算処理を実行するＣＰＵ２０３と、ユーザからのデータの入力を受け付ける入力装置２１５と、表示装置２０９を制御する表示制御部２０７とを有する。また、コンピュータ２００は、記憶媒体からプログラムなどを読取るドライブ装置２１３と、ネットワークを介して他のコンピュータとの間でデータの授受を行う通信制御部２１７とを有する。また、コンピュータ２００は、各種情報を一時記憶するメモリ２０１と、ＨＤＤ２０５を有する。そして、メモリ２０１、ＣＰＵ２０３、ＨＤＤ２０５、表示制御部２０７、ドライブ装置２１３、入力装置２１５、通信制御部２１７は、バス２１９で接続されている。
ドライブ装置２１３は、例えばリムーバブルディスク２１１用の装置である。ＨＤＤ２０５は、状態検出プログラム２０５ａおよび状態検出処理関連情報２０５ｂを記憶する。
ＣＰＵ２０３は、状態検出プログラム２０５ａを読み出して、メモリ２０１に展開し、プロセスとして実行する。かかるプロセスは、状態検出装置１の各機能部に対応する。状態検出処理関連情報２０５ｂは、データ記録用ＤＢ２１および閾値ＤＢ２２に対応する。そして、例えばリムーバブルディスク２１１が、状態検出プログラム２０５ａなどの各情報を記憶する。
なお、状態検出プログラム２０５ａについては、必ずしも最初からＨＤＤ２０５に記憶させておかなくても良い。例えば、コンピュータ２００に挿入されるフレキシブルディスク（ＦＤ）、ＣＤ−ＲＯＭ、ＤＶＤディスク、光磁気ディスク、ＩＣカードなどの「可搬用の物理媒体」に当該プログラムを記憶させておく。そして、コンピュータ２００がこれらから状態検出プログラム２０５ａを読み出して実行するようにしても良い。
以上の各実施例を含む実施形態に関し、さらに以下の付記を開示する。
（付記１）コンピュータが、
所定の区間における第１のセンサから得られる第１情報および第２のセンサから得られる第２情報を記憶部に記憶し、
前記記憶部に記憶された前記第２情報を用いて、対象者が特定の行動を行った区間を示す行動区間および特定の行動を行わなかった区間を示す非行動区間を特定し、
前記行動区間および前記非行動区間ごとの、前記記憶部に記憶された前記第１情報に含まれる複数の特徴量の各値を用いて、前記対象者の特定の状態の検出に用いる特徴量を決定するとともに、決定した特徴量に対する行動および非行動を区別する閾値を決定し、
前記第１のセンサの情報から、決定された特徴量と閾値とを用いて、前記対象者の特定の状態を検出する
各処理を実行することを特徴とする状態検出方法。
（付記２）該特定する処理は、
前記記憶部に記憶された前記第１情報および前記第２情報を用いて、前記第２のセンサが存在する空間にいる人の数を推定し、
前記記憶部に記憶された前記第２情報から、対象者と異なる他者が変化させられないデータの変化を抽出し、抽出したデータの変化を用いて、前記行動区間および前記非行動区間を特定する
処理を実行することを特徴とする付記１に記載の状態検出方法。
（付記３）該推定する処理は、前記第１情報および前記第２情報から抽出されるデータの変化の整合性を満たす最小の人数を、前記第２のセンサが存在する空間にいる人の数として推定する
処理を実行することを特徴とする付記２に記載の状態検出方法。
（付記４）該決定する処理は、所定の区間ごとに前記閾値を決定し、前記閾値の変化が所定のパターンに合致する場合には、前記パターンに従って、次の所定の区間の閾値を推定する
処理を実行することを特徴とする付記１から付記３のいずれか１つに記載の状態検出方法。
（付記５）前記特定の状態は、前記対象者の行動や前記対象者の生体の状態であることを特徴とする付記１から付記４のいずれか１つに記載の状態検出方法。
（付記６）前記第２のセンサは、周囲の環境を計測する人感センサ、温湿度センサ、装着された物自体の状態を計測するドアセンサ、窓センサ、椅子センサ、ベッドセンサのうち、少なくとも１つを含むことを特徴とする付記１から付記５のいずれか１つに記載の状態検出方法。
（付記７）前記第１のセンサは、対象者の動きを計測する加速度センサ、ジャイロセンサ、対象者の生体の状態を計測する心電センサ、脈拍センサのうち、少なくとも１つを含むことを特徴とする付記１から付記６のいずれか１つに記載の状態検出方法。
（付記８）前記第２のセンサが存在する空間は、閉環境の空間であることを特徴とする付記１から付記７のいずれか１つに記載の状態検出方法。
（付記９）該検出した前記対象者の特定の状態が継続している間の、状態の特徴を表す指標を算出する
ことを特徴とする付記１から付記８のいずれか１つに記載の状態検出方法。
（付記１０）所定の区間における第１のセンサから得られる第１情報および第２のセンサから得られる第２情報を記憶部に記録する記録部と、
前記記録部によって記録された前記第２情報を用いて、対象者が特定の行動を行った区間を示す行動区間および特定の行動を行わなかった区間を示す非行動区間を特定する特定部と、
前記行動区間および前記非行動区間ごとの、前記記憶部に記憶された前記第１情報に含まれる複数の特徴量の各値を用いて、前記対象者の特定の状態の検出に用いる特徴量を決定するとともに、決定した特徴量に対する行動および非行動を区別する閾値を決定する決定部と、
前記第１のセンサの情報から、前記決定部によって決定された特徴量と閾値とを用いて、前記対象者の特定の状態を検出する検出部と、
を有することを特徴とする状態検出装置。
（付記１１）コンピュータに、
所定の区間における第１のセンサから得られる第１情報および第２のセンサから得られる第２情報を記憶部に記憶し、
前記記憶部に記憶された前記第２情報を用いて、対象者が特定の行動を行った区間を示す行動区間および特定の行動を行わなかった区間を示す非行動区間を特定し、
前記行動区間および前記非行動区間ごとの、前記記憶部に記憶された前記第１情報に含まれる複数の特徴量の各値を用いて、前記対象者の特定の状態の検出に用いる特徴量を決定するとともに、決定した特徴量に対する行動および非行動を区別する閾値を決定し、
前記第１のセンサの情報から、決定された特徴量と閾値とを用いて、前記対象者の特定の状態を検出する
処理を実行させることを特徴とする状態検出プログラム。
１ 状態検出装置
１０ 制御部
１１ データ受信部
１２ データ記録部
１３、１３Ａ 区間特定部
１４、１４Ａ 閾値決定部
１５、１５Ａ 行動検出部
１３１ 整合性判定部
１３２ 変化抽出部
２０ 記憶部
２１ データ記録用ＤＢ
２２ 閾値ＤＢ
３１ 閾値推定部
３２ 行動検出用閾値ＤＢ

Claims (7)

  1. コンピュータが、
    時間の区切りを示す所定の区間における第１のセンサから得られる第１情報および第２のセンサから得られる第２情報を記憶部に記憶し、
    前記記憶部に記憶された前記第２情報を用いて、対象者が何らかの行動を行った区間を示す行動区間および前記行動を行わなかった区間を示す非行動区間を特定し、
    前記行動区間および前記非行動区間ごとの、前記記憶部に記憶された前記第１情報に含まれる複数の特徴量の各値を用いて、前記対象者の特定の行動の検出に用いる特徴量を決定するとともに、決定した特徴量に対する前記特定の行動および非行動を区別する閾値を決定し、
    新たな前記第１のセンサの情報から、決定された特徴量と閾値とを用いて、前記対象者の前記特定の行動を検出する
    各処理を実行することを特徴とする状態検出方法。
  2. 該特定する処理は、
    前記記憶部に記憶された前記第１情報および前記第２情報を用いて、前記第２のセンサが存在する空間にいる人の数を推定し、
    前記記憶部に記憶された前記第２情報から、対象者と異なる他者が変化させられないデータの変化を抽出し、抽出したデータの変化を用いて、前記行動区間および前記非行動区間を特定する
    処理を実行することを特徴とする請求項１に記載の状態検出方法。
  3. 該推定する処理は、前記第１情報および前記第２情報から抽出されるデータの変化の整合性を満たす最小の人数を、前記第２のセンサが存在する空間にいる人の数として推定する
    処理を実行することを特徴とする請求項２に記載の状態検出方法。
  4. 該決定する処理は、所定の区間ごとに前記閾値を決定し、前記閾値の変化が所定のパターンに合致する場合には、前記パターンに従って、次の所定の区間の閾値を推定する
    処理を実行することを特徴とする請求項１から請求項３のいずれか１つに記載の状態検出方法。
  5. 該検出した前記対象者の前記特定の行動が継続している間の、行動の特徴を表す指標を算出する
    ことを特徴とする請求項１から請求項４のいずれか１つに記載の状態検出方法。
  6. 時間の区切りを示す所定の区間における第１のセンサから得られる第１情報および第２のセンサから得られる第２情報を記憶部に記録する記録部と、
    前記記録部によって記録された前記第２情報を用いて、対象者が何らかの行動を行った区間を示す行動区間および前記行動を行わなかった区間を示す非行動区間を特定する特定部と、
    前記行動区間および前記非行動区間ごとの、前記記憶部に記憶された前記第１情報に含まれる複数の特徴量の各値を用いて、前記対象者の特定の行動の検出に用いる特徴量を決定するとともに、決定した特徴量に対する前記特定の行動および非行動を区別する閾値を決定する決定部と、
    新たな前記第１のセンサの情報から、前記決定部によって決定された特徴量と閾値とを用いて、前記対象者の前記特定の行動を検出する検出部と、
    を有することを特徴とする状態検出装置。
  7. コンピュータに、
    時間の区切りを示す所定の区間における第１のセンサから得られる第１情報および第２のセンサから得られる第２情報を記憶部に記憶し、
    前記記憶部に記憶された前記第２情報を用いて、対象者が何らかの行動を行った区間を示す行動区間および前記行動を行わなかった区間を示す非行動区間を特定し、
    前記行動区間および前記非行動区間ごとの、前記記憶部に記憶された前記第１情報に含まれる複数の特徴量の各値を用いて、前記対象者の特定の行動の検出に用いる特徴量を決定するとともに、決定した特徴量に対する前記特定の行動および非行動を区別する閾値を決定し、
    新たな前記第１のセンサの情報から、決定された特徴量と閾値とを用いて、前記対象者の前記特定の行動を検出する
    処理を実行させることを特徴とする状態検出プログラム。
JP2015041812A 2015-03-03 2015-03-03 状態検出方法、状態検出装置および状態検出プログラム Expired - Fee Related JP6565220B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2015041812A JP6565220B2 (ja) 2015-03-03 2015-03-03 状態検出方法、状態検出装置および状態検出プログラム
EP15884010.8A EP3266374A4 (en) 2015-03-03 2015-11-06 Condition detection method, condition detection device, and condition detection program
PCT/JP2015/081414 WO2016139844A1 (ja) 2015-03-03 2015-11-06 状態検出方法、状態検出装置および状態検出プログラム
US15/691,218 US20170360335A1 (en) 2015-03-03 2017-08-30 State detection method, state detection device, and recording medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2015041812A JP6565220B2 (ja) 2015-03-03 2015-03-03 状態検出方法、状態検出装置および状態検出プログラム

Publications (2)

Publication Number Publication Date
JP2016158954A JP2016158954A (ja) 2016-09-05
JP6565220B2 true JP6565220B2 (ja) 2019-08-28

Family

ID=56843743

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2015041812A Expired - Fee Related JP6565220B2 (ja) 2015-03-03 2015-03-03 状態検出方法、状態検出装置および状態検出プログラム

Country Status (4)

Country Link
US (1) US20170360335A1 (ja)
EP (1) EP3266374A4 (ja)
JP (1) JP6565220B2 (ja)
WO (1) WO2016139844A1 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018042525A1 (ja) * 2016-08-30 2018-03-08 富士通株式会社 情報処理装置、情報処理システム、情報処理方法、および情報処理プログラム
JPWO2022249746A1 (ja) * 2021-05-27 2022-12-01
WO2023188264A1 (ja) * 2022-03-31 2023-10-05 日本電気株式会社 情報処理システム

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1071055B1 (en) * 1999-07-23 2004-12-22 Matsushita Electric Industrial Co., Ltd. Home monitoring system for health conditions
JP2002149824A (ja) * 2000-11-14 2002-05-24 Matsushita Electric Ind Co Ltd 行動検知システム
US7552030B2 (en) * 2002-01-22 2009-06-23 Honeywell International Inc. System and method for learning patterns of behavior and operating a monitoring and response system based thereon
JP2004164282A (ja) * 2002-11-13 2004-06-10 Matsushita Electric Ind Co Ltd 個人行動検知システム
US20080021731A1 (en) * 2005-12-09 2008-01-24 Valence Broadband, Inc. Methods and systems for monitoring patient support exiting and initiating response
JP2016136293A (ja) * 2015-01-23 2016-07-28 セイコーエプソン株式会社 情報処理システム、サーバーシステム、情報処理装置及び情報処理方法

Also Published As

Publication number Publication date
EP3266374A4 (en) 2018-03-07
WO2016139844A1 (ja) 2016-09-09
US20170360335A1 (en) 2017-12-21
EP3266374A1 (en) 2018-01-10
JP2016158954A (ja) 2016-09-05

Similar Documents

Publication Publication Date Title
Noor et al. Adaptive sliding window segmentation for physical activity recognition using a single tri-axial accelerometer
US11660024B2 (en) Method and system for analyzing human gait
Sebestyen et al. Human activity recognition and monitoring for elderly people
Candás et al. An automatic data mining method to detect abnormal human behaviour using physical activity measurements
KR20170023770A (ko) 진단모델 생성 시스템 및 방법
Yuwono et al. Unsupervised nonparametric method for gait analysis using a waist-worn inertial sensor
JP6362521B2 (ja) 行動分類システム、行動分類装置及び行動分類方法
WO2017071988A1 (en) Monitoring activities of daily living of a person
JP6385470B2 (ja) 対象の健康状態を検出するデバイス、システム及びコンピュータプログラム
JP6565220B2 (ja) 状態検出方法、状態検出装置および状態検出プログラム
Steen et al. Modeling individual healthy behavior using home automation sensor data: Results from a field trial
JP6638734B2 (ja) 食事時間推定方法、食事時間推定プログラム及び食事時間推定装置
KR101993649B1 (ko) 가우시안 분포를 이용한 생활패턴 규칙성 산출 방법 및 그 장치
JP6589994B2 (ja) 行動検知装置、行動検知方法及び行動検知プログラム
Hahm et al. In-home health monitoring using floor-based gait tracking
JP6390783B2 (ja) 食事時間推定方法及び食事時間推定装置
Yoshida et al. A data-driven approach for online pre-impact fall detection with wearable devices
JP2020151358A (ja) 睡眠時無呼吸症候群判定装置、睡眠時無呼吸症候群判定方法および睡眠時無呼吸症候群判定プログラム
Edgcomb et al. Estimating daily energy expenditure from video for assistive monitoring
KR20200058737A (ko) 웨어러블 통신 단말 기반 긁음 행위 인식 시스템 및 그 방법
KR101986046B1 (ko) 온수매트 시스템 및 온수매트 시스템을 이용한 자극 제공 방법
Poli et al. ADLs Monitoring by accelerometer-based wearable sensors: effect of measurement device and data uncertainty on classification accuracy
Fioretti et al. ADLs detection with a wrist-worn accelerometer in uncontrolled conditions
Forbes et al. Representing temporal dependencies in smart home activity recognition for health monitoring
Oluwadare Gait analysis on a smart floor for health monitoring

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20180115

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20190129

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190325

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: 20190702

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20190715

R150 Certificate of patent or registration of utility model

Ref document number: 6565220

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

LAPS Cancellation because of no payment of annual fees