JP6766374B2

JP6766374B2 - 分類装置、分類方法、プログラム、及びパラメータ生成装置

Info

Publication number: JP6766374B2
Application number: JP2016035641A
Authority: JP
Inventors: 理敏関根; 前野　蔵人; 蔵人前野
Original assignee: Oki Electric Industry Co Ltd
Current assignee: Oki Electric Industry Co Ltd
Priority date: 2016-02-26
Filing date: 2016-02-26
Publication date: 2020-10-14
Anticipated expiration: 2036-02-26
Also published as: JP2017151872A

Description

本発明は、分類装置、分類方法、プログラム、及びパラメータ生成装置に関する。

従来、センシングにより得られた信号等の連続的に発生する時系列データを、複数のクラスに分類する技術がある。例えば、特許文献１には、びんに打撃を与えた時の打音を収音して得られた音響信号のパワースペクトルにおける、特定周波数のパワーの大きさに基づいて、びんが不良であるか否か分類（判別）する技術が開示されている。

また、音響信号等のデータを解析するために、非負値行列因子分解を用いた技術も研究されている（特許文献２〜４、非特許文献１，２）。

特開平１−２２４６５９号公報特開２０１４−１３７３８９号公報特開２０１５−０７９１１０号公報特開２０１１−１３３７８０号公報

Ｌｅｅ，Ｈ．Ｓ．Ｓｅｕｎｇ， "Ｌｅａｒｎｉｎｇｔｈｅｐａｒｔｓｏｆｏｂｊｅｃｔｓｂｙｎｏｎｎｅｇａｔｉｖｅｍａｔｒｉｘｆａｃｔｏｒｉｚａｔｉｏｎ，" Ｎａｔｕｒｅ，（英国），Ｏｃｔ．１９９９，ｖｏｌ．４０１ｐｐ．７８８−７９１．Ｌｅｅ，Ｈ．Ｓ．Ｓｅｕｎｇ， "Ａｌｇｏｒｉｔｈｍｓｆｏｒｎｏｎ−ｎｅｇａｔｉｖｅｍａｔｒｉｘｆａｃｔｏｒｉｚａｔｉｏｎ，" Ａｄｖａｎｃｅｓｉｎｎｅｕｒａｌｉｎｆｏｒｍａｔｉｏｎｐｒｏｃｅｓｓｉｎｇｓｙｓｔｅｍｓ，Ｄｅｃ．２００１，ｐｐ．５５６−５６２．

しかし、従来の分類技術では、例えば、ある周波数範囲において、分類したいクラスの周波数帯が複数含まれる場合、それぞれのクラスの特徴に寄与する周波数帯を明確に特定することが困難であり、分類精度の低下につながる恐れがあった。また、複数のクラスの特徴に寄与する周波数帯が存在する場合に、従来の分類技術では当該周波数帯を用いて分類することは困難であるため、やはり分類精度が低下する恐れがあった。

そこで、本発明は、上記問題に鑑みてなされたものであり、本発明の目的とするところは、分類精度を向上させることが可能な、新規かつ改良された分類装置、分類方法、プログラム、及びパラメータ生成装置を提供することにある。

上記課題を解決するために、本発明のある観点によれば、時系列データのうち処理対象となる対象区間を特定する区間特定部と、前記時系列データと前記対象区間に基づいて、非負の評価データを取得する前処理部と、所定の非負の教師データに対して非負値行列因子分解を行うことで生成された教師係数行列、及び前記教師データに対応付けられた正解ラベル、に基づいて生成された分類モデルパラメータを記憶する記憶部と、前記教師データに対して非負値行列因子分解を行うことで生成された教師基底行列に基づいて、前記評価データから評価係数行列を生成する特徴抽出部と、前記評価係数行列を前記分類モデルパラメータに基づいて分類する分類部と、を備える分類装置が提供される。

前記区間特定部は、前記対象区間に含まれる所定の時刻を少なくとも示す参照信号に基づいて、前記対象区間を特定してもよい。

前記区間特定部は、前記時系列データにおける振幅の大きさに基づいて、前記対象区間を特定してもよい。

前記前処理部は、前記対象区間に含まれる少なくとも一部のデータを周波数領域表現に変換することにより、前記非負の評価データを取得してもよい。

前記前処理部は、前記対象区間に含まれる少なくとも一部のデータに対して、フーリエ変換、短時間フーリエ変換、ウェーブレット変換のうち少なくともいずれかの変換を行うことにより、前記非負の評価データを取得してもよい。

前記特徴抽出部は、前記教師基底行列の擬似逆行列に基づいて、前記評価係数行列を生成してもよい。

前記前処理部は、前記時系列データのうち前記対象区間以外の区間に含まれるノイズデータに基づいて、ノイズ除去処理を行ってもよい。してもよい。

前記前処理部は、少なくとも前記対象区間の値が０である窓関数を前記時系列データにかけることで前記ノイズデータを取得してもよい。

前記前処理部は、周波数領域において、前記ノイズ除去処理を行ってもよい。

前記前処理部による前記ノイズ除去処理は、前記時系列データのうち前記対象区間のデータに基づいて得られるスペクトルから、前記ノイズデータに基づいて得られるスペクトルを差し引くことを含んでもよい。

前記前処理部は、少なくとも周波数領域、または時間領域において表現された前記時系列データに基づくデータを、周波数領域、または時間領域において分割して所定のデータ領域を特定し、前記所定のデータ領域から評価データを取得してもよい。

前記時系列データは、測定対象物に対する打音の収音に基づいて得られたデータであり、前記対象区間は、前記打音が行われた時刻を含んでもよい。

また、上記課題を解決するために、本発明の別の観点によれば、時系列データのうち処理対象となる対象区間を特定することと、前記時系列データと前記対象区間に基づいて、非負の評価データを取得することと、所定の非負の教師データに対して非負値行列因子分解を行うことで生成された教師基底行列に基づいて、前記評価データから評価係数行列を生成することと、前記評価係数行列を、前記教師データに対して非負値行列因子分解を行うことで生成された教師係数行列、及び前記教師データに対応付けられた正解ラベル、に基づいて生成された分類モデルパラメータに基づいて分類することと、を含む分類方法が提供される。

また、上記課題を解決するために、本発明の別の観点によれば、コンピュータに、時系列データのうち処理対象となる対象区間を特定する機能と、前記時系列データと前記対象区間に基づいて、非負の評価データを取得する機能と、所定の非負の教師データに対して非負値行列因子分解を行うことで生成された教師基底行列に基づいて、前記評価データから評価係数行列を生成する機能と、前記評価係数行列を、前記教師データに対して非負値行列因子分解を行うことで生成された教師係数行列、及び前記教師データに対応付けられた正解ラベル、に基づいて生成された分類モデルパラメータに基づいて分類する機能と、を実現させるための、プログラムが提供される。

時系列データのうち処理対象となる対象区間を特定する区間特定部と、前記時系列データと前記対象区間に基づいて、非負の教師データを取得する前処理部と、前記教師データに対して非負値行列因子分解を行うことで、教師係数行列を生成する教師データ処理部と、前記教師係数行列と、前記教師データに対応付けられた正解ラベルに基づいて、データを分類するための分類モデルパラメータを生成するパラメータ生成部と、を備える、パラメータ生成装置が提供される。

以上説明したように本発明によれば、分類精度を向上させることが可能である。

本発明の第一の実施形態に係る情報処理装置１の構成例を説明するためのブロック図である。同実施形態に係る区間特定部１０４による、参照信号に基づく対象区間の特定例を示す説明図である。同実施形態に係るＮＭＦの処理例を模式的に示す説明図である。ＮＭＦによる次元の削減を説明するための模式である。学習フェーズにおける同実施形態の動作例を示すフローチャート図である。分類フェーズにおける同実施形態の動作例を示すフローチャート図である。本発明の第二の実施形態に係る情報処理装置の構成例を示す説明図である。同実施形態に係る区間特定部２０４による、対象区間とノイズ区間の特定例を示す説明図である。時系列データから打音成分とノイズ成分を含む打音・ノイズデータを取得する処理を示す模式図である。時系列データからノイズ成分のみを含むノイズデータを取得する処理を示す模式図である。ノイズ除去部２３０によるスペクトルサブトラクションを模式的に示す説明図である。学習フェーズにおける同実施形態の動作例を示すフローチャート図である。分類フェーズにおける同実施形態の動作例を示すフローチャート図である。時間・周波数・振幅データの全体に対してＮＭＦを適用した例を示す模式図である。領域を限定して部分的にＮＭＦを適用した例を示す模式図である。本発明の第三の実施形態に係る情報処理装置の構成例を示す説明図である。同実施形態に係るデータ分割部３１２によるデータ分割と、分離度評価部３１３による教師データと評価データの取得の例を示す説明図である。学習フェーズにおける同実施形態の動作例を示すフローチャート図である。分類フェーズにおける同実施形態の動作例を示すフローチャート図である。ハードウェア構成例を示す説明図である。

以下に添付図面を参照しながら、本発明の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。

＜＜１．第一の実施形態＞＞
＜１−１．第一の実施形態の構成例＞
まず、図１を参照して、本発明の第一の実施形態に係る情報処理装置の構成例を説明する。

図１は、本発明の第一の実施形態に係る情報処理装置１の構成例を説明するためのブロック図である。図１に示すように、本実施形態に係る情報処理装置１は、データ取得部１０２、区間特定部１０４、前処理部１０６、操作部１１２、教師データ処理部１１４、パラメータ生成部１１６、記憶部１１８、特徴抽出部１２０、分類部１２２、及び出力部１２４を備える。

情報処理装置１は、センシングにより得られる信号等の連続的に発生する時系列データを、複数のクラスに分類するための分類モデルパラメータを生成するパラメータ生成装置としての機能と、時系列データを複数のクラスに分類する分類装置としての機能とを有する。本実施形態において、例えば時系列データは、測定対象物（例えばコンクリート等）に対してハンマー等の打具で打撃した際の打音を収音して得られた音響信号であってもよい。また、以下では、一例として、情報処理装置１が、当該音響信号に基づいて当該測定対象物が正常であるか異常であるかを示す２つのクラスに分類（判別）する機能を有する例について説明するが、本発明は係る例に限定されるものではない。

データ取得部１０２は、時系列データを取得する。例えば、データ取得部１０２は、観測対象の状態を信号等の時系列データとして取得する（センシングする）センサであってもよい。本実施形態に係るデータ取得部１０２は、周辺の音を音響信号（時系列データの一例）として取得するマイクロフォンであってもよい。

なお、本実施形態は上記の例に限定されない。例えば、データ取得部１０２は、加速度データを取得する加速度センサであってもよいし、温度データを取得する温度センサであってもよい。また、データ取得部１０２は、情報処理装置１の外部に存在するセンサ（不図示）から、時系列データを取得してもよい。

区間特定部１０４は、データ取得部１０２により取得された時系列データのうち、分類モデルパラメータ生成処理、または分類処理の処理対象となる対象区間（時間区間）を特定する。

係る構成により、後述する分類モデルパラメータの生成処理及び、分類処理において、不要なデータを含む区間について処理を行わなくてよいため、処理量を抑制することができる。また、不要なデータを含んで上記処理を行うと、分類精度が低下する恐れがあるため、係る構成により、分類精度をより向上させることが可能である。

例えば、区間特定部１０４は、対象区間に含まれる所定の時刻を少なくとも示す参照信号に基づいて、対象区間を特定してもよい。例えば、参照信号は、打撃された瞬間の（打音が発生した）時刻を示してもよいし、当該打撃された瞬間の（打音が発生した）時刻を含む所定区間を示してもよい。また、参照信号は、打具に取り付けられた加速度センサや衝撃センサ等のセンサから出力されて、データ取得部１０２により取得されてもよいし、打撃の制御を行う制御装置から出力されて、データ取得部１０２により取得されてもよい。

図２は、区間特定部１０４による、参照信号に基づく対象区間の特定例を示す説明図である。区間特定部１０４は、図２に示す時系列データＧ１１から、参照信号Ｇ１２に基づいて対象区間を特定する。図２において、参照信号Ｇ１２は、打撃された瞬間の時刻を含む区間として、振幅の値が所定の値Ｐである区間を示している。係る場合、例えば区間特定部１０４は、参照信号Ｇ１２において振幅の値が値Ｐである区間に対応する、時系列データＧ１２における区間Ｄ１０を対象区間として特定してもよい。なお、区間特定部１０４は、参照信号Ｇ１２において振幅の値が所定の閾値以上である区間に対応する、時系列データＧ１２における区間を対象区間として特定してもよい。

係る構成によれば、区間特定部１０４は高精度に対象区間を特定することが可能である。

また、区間特定部１０４は、時系列データにおける振幅の大きさに基づいて、対象区間を特定してもよい。例えば、時系列データにおいて、振幅の大きさが所定の閾値を超える区間を対象区間として特定してもよいし、振幅の大きさが所定の閾値を超える時刻の所定時間前から当該時刻の所定時間後までを、対象区間として特定してもよい。

係る構成によれば、参照信号を出力するセンサや制御装置がない場合であっても、対象区間を特定することが可能である。

図１に示す前処理部１０６は、データ取得部１０２により取得された時系列データと、区間特定部１０４により特定された対象区間に基づいて、分類モデルパラメータ生成処理のための教師データ、及び分類処理のための評価データを取得する。また、図１に示すように、本実施形態に係る前処理部１０６は、変換部１０８、及び対応付け部１１０としての機能を有する。

変換部１０８は、区間特定部１０４により特定された対象区間に含まれる少なくとも一部のデータを、周波数領域表現に変換する。例えば、変換部１０８は、区間特定部１０４により特定された対象区間に含まれる少なくとも一部のデータに対して、フーリエ変換、短時間フーリエ変換、ウェーブレット変換のうち少なくともいずれかの変換を行う。本実施形態に係る変換部１０８は、時系列データのうち、区間特定部１０４により特定されたデータを、フーリエ変換によりパワースペクトルに変換してもよい。

前処理部１０６は、変換部１０８の変換により得られる非負の観測ベクトル（周波数領域表現に変換されたデータ）を含む非負の観測行列を、教師データ、または評価データとして、取得してもよい。なお、前処理部１０６により取得される観測行列は、１の対象区間から得られる観測ベクトルを、１または複数並べた行列である。また、以下では、教師データとして取得される観測行列を教師観測行列と呼び、評価データとして取得される観測行列を評価観測行列と呼んで区別する場合がある。観測行列については、図４を参照して後述する。

また、変換部１０８の変換により得られる観測ベクトルは、フーリエ変換により得られるパワースペクトル、短時間フーリエ変換により得られるスペクトログラム、またはウェーブレット変換により得られるスカログラム等であってもよい。

パワースペクトル、スペクトログラム、スカログラム等のような周波数領域で表現されるデータを用いることで、後述の教師データ処理部１１４、または特徴抽出部１２０等の処理において、分類したいクラスの特徴をより高精度に抽出することが可能となる。

前処理部１０６は、操作部１１２を介したユーザの入力に基づいて、教師データを取得するか、または評価データを取得するか（取得した観測行列が教師観測行列であるか、または評価観測行列であるか）を判定してもよい。前処理部１０６が教師データを取得する場合、対応付け部１１０は、教師データと、操作部１１２を介してユーザにより入力される正解ラベルとを、対応付ける。

正解ラベルは、教師観測行列（教師データ）に含まれる各観測ベクトルが属するクラスを示すラベルである。例えば、ユーザが操作部１１２を操作して、データ取得部１０２により現在取得されている時系列データに対応するクラスを示す情報を入力することで、正解ラベルが得られてもよい。

前処理部１０６は、取得した教師データ（教師観測行列）を教師データ処理部１１４に提供し、取得した評価データ（評価観測行列）を特徴抽出部１２０に提供する。

なお、前処理部１０６は、上記の処理に加えて、変換部１０８による変換前のデータからオフセット値を引く処理、変換後のデータに対する周波数フィルタリング処理等の処理を必要に応じて行ってもよい。

操作部１１２は、ユーザの入力を受け付け、前処理部１０６に提供する。例えば、ユーザは、操作部１１２を操作して、教師データを取得するか、または評価データを取得するかを示す情報を入力してもよい。また、ユーザは、操作部１１２を操作して、データ取得部１０２により現在取得されている時系列データに対応するクラスを示す情報を入力してもよい。なお、操作部１１２は、例えばマウス、キーボード、タッチパネル、ボタン、スイッチ、レバー、またはダイヤルなどにより実現されてもよい。

教師データ処理部１１４は、前処理部１０６から受け取った教師観測行列（教師データ）に対して、非負値行列因子分解を行うことで、教師基底行列、及び教師係数行列を生成する。以下、非負値行列因子分解について、図３を参照して説明を行う。

非負値行列因子分解（Ｎｏｎ−ｎｅｇａｔｉｖｅ
ＭａｔｒｉｘＦａｃｔｏｒｉｚａｔｉｏｎ、以下、ＮＭＦとも呼ぶ）は、１の非負行列Ｙを２つの非負行列Ｗ、Ｈの積（例えばＷＨ）に分解するアルゴリズムである。２つの非負行列Ｗ、Ｈを解析的に求めることは困難であるため、初期値を与えてＹとＷＨの誤差が局所最適解になるよう、反復的に近似解を求める手法が提案されている（例えば非特許文献１、２等）。なお、一般に、局所最適解は初期値に依存して変化する。

図３は、本実施形態に係るＮＭＦの処理例を模式的に示す説明図である。図３に示すように、ＮＭＦにより、例えば非負の観測行列Ｙ（教師観測行列、または評価観測行列）は、非負の係数行列Ｗ、及び非負の基底行列Ｈの積に分解される。

図３に示すように、本実施形態に係る観測行列Ｙは、例えばｍ次元の観測ベクトルｙが行ベクトルとなって、時系列データにおける対象区間の数ｎだけの行で構成されたｎ行ｍ列の行列である。

本実施形態に係る基底行列Ｈは、例えば観測行列ＹにＮＭＦを適用し、分解されたｍ次元の基底ベクトルｈが行ベクトルとなって、基底ベクトルの数ｋだけの行で構成されたｋ行ｍ列の行列である。

本実施形態に係る係数行列Ｗは、例えばｋ次元の係数ベクトルｗが行ベクトルとなって、観測ベクトルの数ｎだけの行で構成されたｎ行ｋ列の行列である。ここで係数ベクトルｗは、ある観測ベクトルにおいて、基底行列Ｈに含まれる各基底ベクトルの成分がどれだけ含まれるか、という加重値を示す行ベクトルである。

図３に示すように上記の行列には、次式の関係がある。

なお、以下では教師観測行列Ｙ_Ｌを分解して得られる基底行列、及び係数行列を、それぞれ教師基底行列Ｈ_Ｌ、教師係数行列Ｗ_Ｌと呼ぶ。

教師データ処理部１１４は、教師観測行列Ｙ_Ｌに対して、一括してＮＭＦを適用してもよいし、教師観測行列Ｙ_Ｌに対応付けられた正解ラベルのクラスごとにＮＦＭを適用してもよい。以下では、教師観測行列Ｙ_Ｌに対応付けられた正解ラベルのクラスごとにＮＦＭを適用して、教師基底行列Ｈ_Ｌ、教師係数行列Ｗ_Ｌを得る例について説明する。

教師データ処理部１１４は、まず教師観測行列Ｙ_Ｌの各クラス（ｃ１，ｃ２，・・・，ｃＮ）のデータセット（観測ベクトルまたは観測行列）Ｙ_Ｃ１，Ｙ_Ｃ２，・・・，Ｙ_ＣＮごとにＮＭＦを適用する。教師データ処理部１１４は、データセットＹ_Ｃ１，Ｙ_Ｃ２，・・・，Ｙ_ＣＮのそれぞれが分解されて得られたベクトルまたは行列Ｈ_Ｃ１，Ｈ_Ｃ２，・・・，Ｈ_ＣＮにより、教師基底行列Ｈ_Ｌ＝｛Ｈ_Ｃ１，Ｈ_Ｃ２，・・・，Ｈ_ＣＮ｝を生成する。

教師基底行列Ｈ_Ｌに基づいて、教師観測行列Ｙ_Ｌから生成される係数行列を教師係数行列Ｗ_Ｌとすると、数式（１）より、教師観測行列Ｙ_Ｌ、教師係数行列Ｗ_Ｌ、及び教師基底行列Ｈ_Ｌの関係は、以下の数式で表される。

上記数式（２）より、教師係数行列Ｗ_Ｌを得るためには、教師基底行列Ｈ_Ｌの逆行列を用いる必要がある。しかし、教師基底行列Ｈ_Ｌは、一般に正則行列とは限らないため、逆行列を持たない場合がある。そこで、教師データ処理部１１４は、例えば教師基底行列の疑似逆行列（ムーア‐ペンローズの疑似逆行列）に基づいて、教師係数行列Ｗ_Ｌを生成してもよい。教師基底行列Ｈ_Ｌの疑似逆行列Ｈ_Ｌ ^＋は、ｋ×ｍの行列であり、一般にｋ＜ｍであるため、擬似逆行列Ｈ_Ｌ ^＋は、次式で得られる。

上記数式（３）で得られた疑似逆行列Ｈ_Ｌ ^＋を用いて、教師係数行列Ｗ_Ｌは次式で表される。

ＮＭＦは、一般に振幅が大きく、頻出する度合が大きいデータに対応する特徴を持つ規定が生成されやすい。したがって、全てのデータセットに対して一括でＮＭＦを適用すると、クラスによって振幅の小さいデータや出現回数の低いデータがあると、そのクラスのデータに対応した特徴を持つ基底が生成され難い場合がある。そこで、上記のように、クラスごとにＮＭＦを適用することで、振幅の小さいデータや、出現回数の低いデータに対応した特徴を持つ基底も生成されやすくなり、分類精度がより向上する。なお、複数のクラス、または全てのクラスのデータセットに対して一括でＮＭＦが適用されてもよい。

教師データ処理部１１４は、生成した教師基底行列Ｈ_Ｌを、図１に示す記憶部１１８に、記憶させる。また、教師データ処理部１１４は、生成した教師係数行列Ｗ_Ｌを、正解ラベルと対応付けて、パラメータ生成部１１６に提供する。

パラメータ生成部１１６は、教師係数行列Ｗ_Ｌ、及び正解ラベルに基づいて、データを分類するための分類モデルパラメータを生成する。パラメータ生成部１１６が生成する分類モデルパラメータは、後述する分類部１２２における分類モデルに応じたパラメータであってもよい。例えば、分類部１２２が閾値判別を行う場合の分類モデルパラメータは閾値であってもよい。また、分類部１２２が線形判別を行う場合の分類モデルパラメータはクラスの境界を決定する線形判別関数の係数であってもよく、分類部１２２が二次判別を行う場合の分類モデルパラメータはクラスの境界を決定する二次判別関数の係数であってもよい。

パラメータ生成部１１６は、上記のようにして生成した分類モデルパラメータを、記憶部１１８に記憶させる。

記憶部１１８は、情報処理装置１の各構成が機能するためのプログラムやパラメータを記憶する。また、記憶部１１８は、教師データ処理部１１４が教師データに対して非負値行列因子分解を行うことで生成された教師基底行列Ｈ_Ｌと、パラメータ生成部１１６により生成された分類モデルパラメータと、を記憶する。

特徴抽出部１２０は、記憶部１１８に記憶された教師基底行列Ｈ_Ｌに基づいて、前処理部１０６により提供された評価データ（評価観測行列）から評価係数行列を生成する。以下、特徴抽出部１２０による評価係数行列の生成例について説明する。

教師基底行列Ｈ_Ｌに基づいて、評価観測行列Ｙ_Ｔから生成される係数行列を評価係数行列Ｗ_Ｔとすると、数式（１）より、評価観測行列Ｙ_Ｔ、評価係数行列Ｗ_Ｔ、及び教師基底行列Ｈ_Ｌの関係は、以下の数式で表される。

上記数式（３）と同様な方法で得られた疑似逆行列Ｈ_Ｌ ^＋を用いて、評価係数行列Ｗ_Ｔは次式で表される。

特徴抽出部１２０は、上記のようにして生成した評価係数行列Ｗ_Ｔを、分類部１２２に提供する。

分類部１２２は、評価係数行列Ｗ_Ｔを、記憶部１１８に記憶された分類モデルパラメータに基づいて分類する。

分類部１２２は、評価係数行列Ｗ_Ｔに含まれる係数ベクトルを特徴ベクトルとし、様々な分類モデルを用いて、当該分類モデルに応じた分類モデルパラメータに基づいた分類することが可能である。例えば、分類部１２２は閾値判別、線形判別、二次判別、またはＳＶＭ（Support Vector Machine）等に基づく分類モデルを用いて、分類してもよい。なお、分類部１２２による分類結果は、評価係数行列Ｗ_Ｔに含まれる係数ベクトルの分類結果であると共に、各係数ベクトルに対応する、時系列データにおける対象区間の分類結果でもある。

以上のように、基底行列に対する重みを示す係数ベクトルを特徴ベクトルとして用いて分類することで、例えば特定周波数のパワーの大きさに基づいて分類するよりも、分類精度を向上させることが可能である。

また、評価データ自体を用いて分類処理を行った場合に比べ、評価データから生成される評価係数行列Ｗ_Ｔを用いて分類処理を行うことで、分類処理における特徴ベクトルの次元が削減され、分類処理の処理量を抑制することが可能となる。図４は、次元の削減を説明するための模式である。

図４に示すように、ＮＭＦ、または特徴抽出部１２０の処理により、パワースペクトルである評価データＧ２０は、基底ベクトルＧ２１及び係数ｗ_１の積と、基底ベクトルＧ２２及び係数ｗ_２の積と、の和で表される。図４の例において、評価データＧ２０を特徴ベクトルとして分類処理を行う場合には、評価データＧ２０における周波数分解能に応じた次元での処理が必要となる。一方、図４の例において、係数ベクトルの次元は２である。上述したように、評価データＧ２０の次元よりも係数ベクトルの次元数の方が小さいため、評価係数行列Ｗ_Ｔを用いて分類処理を行うことで、分類処理における特徴ベクトルの次元が削減され、分類処理の処理量を抑制することが可能となる。

図１に示す出力部１２４は、分類部１２２による分類結果を出力する。出力部１２４は、例えば分類結果を表示するディスプレイ等の表示装置、または分類結果を音声出力するスピーカ等であってもよい。

＜１−２．第一の実施形態の動作例＞
以上、本発明の第一の実施形態に係る情報処理装置１の構成例について説明した。続いて、本実施形態の動作例について、分類モデルパラメータを生成する学習フェーズと、分類モデルパラメータを用いて分類する分類フェーズに分け、それぞれ図５，６を参照して説明する。なお、学習フェーズと、分類フェーズの動作の切り替えは、例えば図１を参照して説明した操作部１１２に対するユーザの入力により行われてもよい。

（学習フェーズの動作例）
図５は、学習フェーズにおける本実施形態の動作例を示すフローチャート図である。図５に示すように、まず、データ取得部１０２が、時系列データを取得し（Ｓ１０２）、区間特定部１０４が取得された時系列データのうち、分類モデルパラメータ生成処理の処理対象となる対象区間を特定する（Ｓ１０４）。

続いて、前処理部１０６の変換部１０８が、時系列データのうち対象区間に含まれるデータを周波数領域表現に変換し、変換後のデータである観測ベクトルが教師データ（教師観測行列）に追加される。さらに、前処理部１０６の対応付け部１１０が、教師データに追加される観測ベクトルと、操作部１１２を介してユーザにより入力される正解ラベルとを、対応付ける（Ｓ１０８）。

教師データの取得が終了していない場合（Ｓ１１０においてＮＯ）、処理はステップＳ１０２に戻る。なお、教師データの取得が終了したか否かの判定は、例えば操作部１１２の入力に基づいて、前処理部１０６により行われてもよい。

教師データの取得が終了した場合（Ｓ１１０においてＹＥＳ）、教師データ処理部１１４は、教師データ（教師観測行列）にＮＭＦを適用して、教師基底行列と教師係数行列を取得する（Ｓ１１２）。取得された教師基底行列は、記憶部１１８に記憶される。また、取得された教師係数行列と、正解ラベルとに基づいて、パラメータ生成部１１６が分類モデルパラメータを生成する（Ｓ１１４）。

以上、学習フェーズにおける本実施形態の動作例を説明した。続いて、学習フェーズで生成された分類モデルパラメータを用いた、分類フェーズにおける本実施形態の動作例について、図６を参照して説明する。

（分類フェーズの動作例）
図６は、分類フェーズにおける本実施形態の動作例を示すフローチャート図である。まず、データ取得部１０２が、時系列データを取得し（Ｓ２０２）、区間特定部１０４が取得された時系列データのうち、分類処理の処理対象となる対象区間を特定する（Ｓ２０４）。

続いて、前処理部１０６の変換部１０８が、時系列データのうち対象区間に含まれるデータを周波数領域表現に変換することで、評価データ（評価観測行列）が取得される（Ｓ２０６）。なお、評価フェーズにおいて、評価データ（評価観測行列）に含まれる観測ベクトルは１つでもよいし、複数であってもよい。評価データに複数の観測ベクトルが含まれる場合、上記のステップＳ２０２〜Ｓ２０６が繰り返されてもよい。

続いて、特徴抽出部１２０は、上述した学習フェーズで取得され、記憶部１１８に記憶された教師基底行列に基づいて、評価データから評価係数行列を生成する（Ｓ２０８）。

続いて、分類部１２２が、上述した学習フェーズで生成され、記憶部１１８に記憶された分類モデルパラメータに基づいて、評価係数行列を分類する（Ｓ２１０）。最後に、ステップＳ２１０における分類結果が、出力部１２４により出力される（Ｓ２１２）。

＜１−３．第一の実施形態の効果＞
以上、本発明の第一の実施形態について説明した。本実施形態によれば、基底行列に対する重みを示す係数ベクトルを特徴ベクトルとして用いて分類することで、分類精度を向上させることが可能である。

＜＜２．第二の実施形態＞＞
続いて、以下では、第二の実施形態として、前処理部がノイズ除去を行う例について説明する。

＜２−１．第二の実施形態の構成例＞
本発明の第二の実施形態に係る情報処理装置は、図１を参照して説明した第一の実施形態に係る情報処理装置１と一部において同様の構成を有するため、適宜省略しながら説明を行う。以下では、図７を参照して、第二の実施形態に係る情報処理装置の構成例について説明する。

図７は、本実施形態に係る情報処理装置の構成例を示す説明図である。図７に示すように、本実施形態に係る情報処理装置２は、データ取得部１０２、区間特定部２０４、前処理部２０６、操作部１１２、教師データ処理部１１４、パラメータ生成部１１６、記憶部１１８、特徴抽出部１２０、分類部１２２、及び出力部１２４を備える。なお、図７に示す構成のうち、図１に示した各構成と実質的に同様の構成については同一の符号を付してあるため、説明を省略する。

区間特定部２０４は、図１を参照して説明した区間特定部１０４と同様に、データ取得部１０２により取得された時系列データのうち、分類モデルパラメータ生成処理、または分類処理の処理対象となる対象区間（時間区間）を特定する。なお、以下では、時系列データが測定対象物（例えばコンクリート等）に対してハンマー等の打具で打撃した際の打音を収音して得られた音響信号である場合を例に説明する。

また、区間特定部２０４は、さらに、ノイズ区間を特定する。ノイズ区間は、例えば、分類モデルパラメータ生成処理、または分類処理の処理対象となるデータを含まない区間であってもよい。また、区間特定部２０４は、ノイズ区間が上記の対象区間の一部、または全部を含まないように、ノイズ区間を特定してもよい。

図８は、本実施形態に係る区間特定部２０４による、対象区間とノイズ区間の特定例を示す説明図である。なお、図８に示す例では、図２を参照して説明した例と同様に、参照信号に基づいた区間の特定が行われているが、区間特定部２０４は、時系列データにおける振幅の大きさに基づいて、各区間を特定してもよい。

区間特定部２０４は、まず、図８に示す時系列データＧ３１から、参照信号Ｇ３２に基づいて対象区間Ｄ３２（例えば打音が発生した時刻を含む区間）を特定する。図８における、参照信号Ｇ３２は、図２における参照信号Ｇ１２と同様であるため、説明を省略する。

区間特定部２０４は、続いて、対象区間Ｄ３２の前後の時間区間を、ノイズ区間Ｄ３１，及びＤ３３として特定する。区間特定部２０４は、例えば対象区間Ｄ３２以前の所定期間をノイズ区間Ｄ３１とし、対象区間Ｄ３２以後の所定期間をノイズ区間Ｄ３３として、特定してもよい。なお、区間特定部２０４は、区間Ｄ３１〜Ｄ３３、すなわち図８に示す区間Ｄ３０に、対象区間Ｄ３２以外の対象区間を含まないように、各区間を特定してもよい。

ここで、打音を収音して得られた音響信号である時系列データＧ３１において、区間Ｄ３０には、打音に由来する打音成分と、周囲の雑音（ノイズ）等に由来するノイズ成分とが含まれる。また、区間特定部２０４により特定されるノイズ区間Ｄ３１，Ｄ３３には、打音成分が含まれず、ノイズ成分のみが含まれる。そこで、例えば、区間Ｄ３０のスペクトルから、区間Ｄ３０のノイズ成分スペクトルを差し引くことで、区間Ｄ３０の打音成分を抽出することが出来る。なお、区間Ｄ３０のうち、ノイズ区間Ｄ３１，Ｄ３３には、打音成分が含まれないため、区間Ｄ３０の打音成分は、対象区間Ｄ３２の打音成分と等価となる。

なお、上記のノイズ区間を、例えば対象区間に比べて十分長くとることで、定常的なノイズ成分を精度よく抽出でき、より高精度なノイズ除去処理が可能となる。また、上記のように、時系列データのうち、打音成分が含まれる対象区間、及びノイズ成分のみが含まれるノイズ区間を特定することで、時系列データ全体に対してノイズ除去処理を行うよりも処理量を抑制することが可能となる。

図７に示す本実施形態に係る前処理部２０６は、図１を参照して説明した前処理部１０６と同様に、分類モデルパラメータ生成処理のための教師データ、及び分類処理のための評価データを取得する。また、図７に示すように、本実施形態に係る前処理部２０６は、変換部２０８、ノイズ除去部２３０、及び対応付け部１１０としての機能を有する。

変換部２０８は、区間特定部２０４により特定された対象区間に含まれる少なくとも一部のデータを、周波数領域表現に変換する。さらに、変換部２０８は、同様に区間特定部２０４により特定されたノイズ区間に含まれる少なくとも一部のデータを、周波数領域表現に変換する。

また、変換部２０８は、時系列データに、区間特定部２０４により特定された各区間に基づく窓関数をかけた後に、周波数領域表現に変換してもよい。窓関数をかける処理により、例えば、時系列データから、打音成分とノイズ成分とを含む打音・ノイズデータ、及びノイズ成分のみを含むノイズデータを取得することが可能である。以下、変換部２０８が時系列データに窓関数をかける処理について、図９、１０を参照して説明する。

図９は、時系列データから打音成分とノイズ成分を含む打音・ノイズデータを取得する処理を示す模式図である。例えば、変換部２０８は、図９に示すように、時系列データＧ４０に、対象区間の少なくとも一部の値が０ではない窓関数Ｗｓｎをかけて、打音成分とノイズ成分とを含む打音・ノイズデータＧ４２を取得する。つまり、打音・ノイズデータＧ４２は、時系列データのうち、対象区間のデータを少なくとも一部含む。

図１０は、時系列データからノイズ成分のみを含むノイズデータを取得する処理を示す模式図である。例えば、変換部２０８は、図１０に示すように、時系列データＧ４０に、少なくとも対象区間の値が０であり、ノイズ区間の少なくとも一部の値が０ではない窓関数Ｗｎをかけて、ノイズ成分のみを含むノイズデータＧ４４を取得する。つまり、ノイズデータＧ４４は、時系列データのうち、対象区間以外の区間に含まれるノイズデータである。

変換部２０８は、上記のよう時系列データに窓関数をかけて得られた打音成分とノイズ成分とを含むデータ、及びノイズデータを周波数領域表現に変換する。例えば、本実施形態に係る変換部２０８は、上記のようにして得られた打音成分とノイズ成分とを含むデータ、及びノイズデータに対してフーリエ変換を行い、パワースペクトル等のスペクトルを取得してもよい。

ノイズ除去部２３０は、変換部２０８により取得されたスペクトルに基づいて、周波数領域において、ノイズ除去処理を行う。例えば、ノイズ除去部２３０は、打音・ノイズデータに基づいて得られるスペクトルと、ノイズデータに基づいて得られるスペクトルと、を用いたスペクトルサブトラクションにより、ノイズ除去処理を行ってもよい。すなわち、ノイズ除去部２３０によるノイズ除去処理は、打音・ノイズデータに基づいて得られるスペクトルから、ノイズデータに基づいて得られるスペクトルを差し引くことを含んでもよい。

ここで、打音・ノイズデータ、及びノイズデータの取得に係る窓関数は異なるため、ノイズ除去部２３０は、スペクトル同士を差し引く際に、窓関数の差に係る補正を行ってもよい。

図１１は、ノイズ除去部２３０によるスペクトルサブトラクションを模式的に示す説明図である。図１１において、スペクトルＧ５１は、打音・ノイズデータをフーリエ変換することで得られたパワースペクトルであり、スペクトルＧ５２は、ノイズデータをフーリエ変換することで得られたパワースペクトルである。ここで、ノイズ除去部２３０がスペクトル同士を差し引く際に、スペクトルＧ５２に乗ずる係数ｋは、例えば近似的に次式で表される。

ノイズ除去部２３０のノイズ除去処理により得られたパワースペクトルＧ５３は、例えば観測行列に含まれる観測ベクトルとして、教師データ処理部１１４、または特徴抽出部１２０に提供される。なお、パワースペクトルＧ５３に対してフーリエ逆変換が行われて、時間領域表現に変換された後に、さらに他の周波数領域表現に変換された結果が観測ベクトルとして観測行列に含まれてもよい。

＜２−２．第二の実施形態の動作例＞
以上、本発明の第二の実施形態に係る情報処理装置２の構成例を説明した。続いて、本実施形態の動作例について、第一の実施形態の動作例の説明と同様に、学習フェーズと分類フェーズに分けて、それぞれ図１２，１３を参照して説明する。

（学習フェーズの動作例）
図１２は、学習フェーズにおける本実施形態の動作例を示すフローチャート図である。図１２に示すように、まず、データ取得部１０２が、時系列データを取得し（Ｓ３０２）、区間特定部２０４が取得された時系列データのうち、分類モデルパラメータ生成処理の処理対象となる対象区間、及びノイズ成分のみが含まれるノイズ区間を特定する（Ｓ３０４）。

続いて、前処理部２０６の変換部２０８が、時系列データのうち対象区間に基づく打音成分とノイズ成分とを含む打音・ノイズデータ、及びノイズ区間に基づくノイズ成分のみを含むノイズデータのスペクトルを取得する（Ｓ３０６）。変換部２０８は、図９、１０を参照して説明したように、時系列データに窓関数をかけて打音成分とノイズ成分とを含むデータ、及びノイズ成分のみを含むデータを取得した後に、周波数領域表現に変換して、各スペクトルを取得してもよい。

続いて、ノイズ除去部２３０が、ステップＳ３０６により得られたスペクトルに基づいてノイズ除去処理を行う（Ｓ３０８）。ノイズ除去部２３０は、図１１を参照して説明したように、打音・ノイズデータのスペクトルから、ノイズデータのスペクトルに係数を乗じて、差し引くスペクトルサブトラクションにより、ノイズ除去を行ってもよい。ステップＳ３０８により得られたスペクトルは、観測ベクトルとして、教師データ（教師観測行列）に追加される。

続くステップＳ３１０〜ステップＳ３１６の処理は、図５を参照して説明したステップＳ１０８〜Ｓ１１４の処理と同様であるため、説明を省略する。

以上、学習フェーズにおける本実施形態の動作例を説明した。続いて、学習フェーズで生成された分類モデルパラメータを用いた、分類フェーズにおける本実施形態の動作例について、図１３を参照して説明する。

（分類フェーズの動作例）
図１３は、分類フェーズにおける本実施形態の動作例を示すフローチャート図である。まず、データ取得部１０２が、時系列データを取得し（Ｓ４０２）、区間特定部２０４が取得された時系列データのうち、分類処理の処理対象となる対象区間、及びノイズ成分のみが含まれるノイズ区間を特定する（Ｓ４０４）。

続くステップＳ４０６、及びステップＳ４０８の処理は、図１２を参照して説明したステップＳ３０６、及びステップＳ３０８の処理と同様であるため、説明を省略する。なお、評価フェーズにおいて、ステップＳ４０８により得られたスペクトルは、評価データ（評価観測行列）として用いられる。また、評価データ（評価観測行列）に含まれる観測ベクトルは１つでもよいし、複数であってもよい。評価データに複数の観測ベクトルが含まれる場合、上記のステップＳ４０２〜Ｓ４０８が繰り返されてもよい。

続くステップＳ４１０〜ステップＳ４１４の処理は、図６を参照して説明したステップＳ２０８〜Ｓ２１２の処理と同様であるため、説明を省略する。

＜２−３．第二の実施形態の効果＞
以上、本発明の第二の実施形態について説明した。本実施形態によれば、ノイズ成分が除去されたデータに基づいて学習、及び分類を行うことで、分類精度をより向上させることが可能である。

＜＜３．第三の実施形態＞＞
続いて、以下では、第三の実施形態として、クラス分離度の高い係数行列が得られるように限定した範囲のデータに部分的にＮＭＦを適用する例について説明する。

＜３−１．第三の実施形態の概要＞
まず、図１４、１５を参照して、本実施形態の概要について説明する。なお、以下では、時系列データから、フーリエ変換により得られるパワースペクトル、スペクトログラムや、ウェーブレット変換によって得られるスカログラム等、時間、周波数、及び振幅の関係を表したデータを総称して時間・周波数・振幅データと呼ぶ。時間・周波数・振幅データは、例えば、周波数領域、及び時間領域における振幅の値を示すデータとして表現されてもよい。

上記で説明した第一の実施形態、及び第二の実施形態では、時間・周波数・振幅データの全体に対してＮＭＦを適用していた。しかし、スペクトログラムや、スカログラムは、時間と周波数の２軸を有するデータとなり、スペクトログラムや、スカログラムに対してＮＭＦを適用すると、計算量が大きくなる場合があった。

また、ＮＭＦは、一般に振幅の値や、出現頻度が高い基底が選ばれやすい。したがって、時間・周波数・振幅データの全体に対してＮＭＦを適用すると、例えば、クラスの分離能力が低く振幅の大きな基底が選ばれ、クラスの分離能力が高く振幅の小さな基底が選ばれてしまい、分離精度が低下する恐れがある。図１４は、時間・周波数・振幅データの全体に対してＮＭＦを適用した例を示す模式図である。

図１４に示すスペクトログラムＧ６１、Ｇ６２は、それぞれクラス１、クラス２の特徴を示すスペクトログラムである。スペクトログラムＧ６１、Ｇ６２において、黒色の濃さが振幅の大きさを示している。

また、図１４に示す例において、振幅の大きい領域Ｒ１における振幅の大きさは、クラス１の特徴を示すスペクトログラムＧ６１、及びクラス２の特徴を示すスペクトログラムＧ６２に共通して現れ、分類（判別）に有効な特徴ではない。一方、図１４に示す例において、振幅の小さい領域Ｒ２、及び領域Ｒ３における振幅の大きさは、クラス１、及びクラス２の分類に有効な特徴である。しかし、スペクトログラムＧ６１、Ｇ６２のデータ全体に対してＮＭＦを適用してしまうと、振幅の大きい領域Ｒ１に対応する基底Ｇ６１１、Ｇ６２１が選択され、クラス１とクラス２の分類に有効な特徴を示す振幅の小さな基底は選択されない恐れがある。その結果、スペクトログラムＧ６１から得られる係数Ｇ６１３、及びスペクトログラムＧ６２から得られる係数Ｇ６２３が同一となり、クラス１とクラス２を分類（判別）することは困難である。

そこで、本実施形態では、図１５に示すように、クラス分類に有効な時間領域と周波数領域に限定して部分的にＮＭＦを適用する。図１５は、領域を限定して部分的にＮＭＦを適用した例を示す模式図である。

図１５に示すスペクトログラムＧ７１、Ｇ７２は、図１４に示したスペクトログラムＧ６１、Ｇ６２と同様に、それぞれクラス１、クラス２の特徴を示すスペクトログラムである。図１５に示すように、スペクトログラムＧ７１、Ｇ７２の領域Ｒ４に限定して部分的にＮＭＦを適用すると、領域Ｒ２に対応する基底Ｇ７１１、Ｇ７２１と、領域Ｒ３に対応する基底Ｇ７１２、Ｇ７２２が選択される。その結果、スペクトログラムＧ７１から得られる係数Ｇ７１３、及び係数Ｇ７１４と、スペクトログラムＧ７２から得られる係数Ｇ７２３、及び係数７２４とが大きく異なり、容易にクラス１とクラス２を分類（判別）可能である。また、領域Ｒ４に限定してＮＭＦを適用すればよいため、処理量を抑制することも可能となる。

例えば、一般に打音データは限られた時間帯のデータであり、時間・周波数・振幅データにおいて振幅が現れる一部の時間帯に限定して目的に応じた分析を行えば十分である。また、特定の周波数帯の音を出力する機械の振動音等のデータは、その周波数帯に限定して目的に応じた分析を行えば十分である。

以上、本実施形態の概要について説明した。続いて、本実施形態による情報処理装置１の構成例と、動作について順次詳細に説明する。

＜３−２．第三の実施形態の構成例＞
本発明の第三の実施形態に係る情報処理装置は、図１を参照して説明した第一の実施形態に係る情報処理装置１と一部において同様の構成を有するため、適宜省略しながら説明を行う。以下では、図１６を参照して、第三の実施形態に係る情報処理装置の構成例について説明する。

図１６は、本実施形態に係る情報処理装置の構成例を示す説明図である。図７に示すように、本実施形態に係る情報処理装置３は、データ取得部１０２、区間特定部１０４、前処理部３０６、操作部１１２、教師データ処理部１１４、パラメータ生成部１１６、記憶部１１８、特徴抽出部１２０、分類部１２２、及び出力部１２４を備える。なお、図１６に示す構成のうち、図１に示した各構成と実質的に同様の構成については同一の符号を付してあるため、説明を省略する。

図１６に示す本実施形態に係る前処理部３０６は、図１を参照して説明した前処理部１０６と同様に、分類モデルパラメータ生成処理のための教師データ（教師観測行列）、及び分類処理のための評価データ（評価観測行列）を取得する。また、図１６に示すように、本実施形態に係る前処理部３０６は、変換部３０８、対応付け部３１０、データ分割部３１２、及び分離度評価部３１３としての機能を有する。

変換部３０８は、区間特定部１０４により特定された対象区間に含まれる少なくとも一部のデータを、時間・周波数・振幅データに変換する。例えば、変換部３０８の変換により得られる時間・周波数・振幅データは、パワースペクトル、スペクトログラム、またはスカログラムであってもよい。

対応付け部３１０は、前処理部３０６が教師データを取得する場合に、区間特定部１０４により特定される対象区間のデータと、操作部１１２を介してユーザにより入力される正解ラベルとを、対応付ける。

データ分割部３１２は、変換部３０８により取得される時間・周波数・振幅データを、周波数領域、または時間領域において分割する。また、分離度評価部３１３は、データ分割部３１２により分割されたデータごとにＮＭＦを適用し、クラス分離度を評価して分離度の高いデータを教師データとして取得する。また、分離度評価部３１３は、教師データが取得された領域から、評価データを取得する。

図１７は、データ分割部３１２によるデータ分割と、分離度評価部３１３による教師データと評価データの取得の例を示す説明図である。図１７に示すように、時間・周波数・振幅データの領域Ａ０において、データ分割部３１２は、４つの領域Ａ１、Ａ２、Ａ３、Ａ４にデータを分割する。データ分割部３１２による分割数は、２以上の任意の数であってもよい。分離度評価部３１３は、分割されたそれぞれのデータに対して、ＮＭＦを適用し、ある複数のランクで基底行列及び係数行列を取得する。なお、時間・周波数・振幅データは、ＮＭＦを適用するために、１次元の列ベクトルに変換されてもよい。

以下では、例としてクラスＣ１とクラスＣ２の２つのクラスが存在する場合について説明する。まず、クラスＣ１に属する複数の時間・周波数・振幅データの領域Ａ１、Ａ２、Ａ３、Ａ４から、基底行列Ｈ_{Ｃ１，Ａ１}、Ｈ_{Ｃ１，Ａ２}、Ｈ_{Ｃ１，Ａ３}、Ｈ_{Ｃ１，Ａ４}、及び係数行列Ｗ_{Ｃ１，Ａ１}、Ｗ_{Ｃ１，Ａ２}、Ｗ_{Ｃ１，Ａ３}、Ｗ_{Ｃ１，Ａ４}、がそれぞれ得られる。続いて、クラスＣ２に属する複数の時間・周波数・振幅データの領域Ａ１、Ａ２、Ａ３、Ａ４から、同様に基底行列Ｈ_{Ｃ２，Ａ１}、Ｈ_{Ｃ２，Ａ２}、Ｈ_{Ｃ２，Ａ３}、Ｈ_{Ｃ２，Ａ４}、及び係数行列Ｗ_{Ｃ２，Ａ１}、Ｗ_{Ｃ２，Ａ２}、Ｗ_{Ｃ２，Ａ３}、Ｗ_{Ｃ２，Ａ４}、がそれぞれ得られる。なお、分解される基底の数を示すランクは、１から元のデータの次元数までの範囲である。

続いて、分離度評価部３１３は、それぞれの分割された時間領域、及び周波数領域で、各領域での分類能力を示す分離度を特定する。分離度を示す指標として、例えばクラスの分類（判別）正解率が用いられてもよい。

以下では、領域Ａ０において、クラスＣ１またはクラスＣ２の分離度を示す指標として、クラスＣ１またはクラスＣ２の分類正解率が用いられる例を説明する。まず、分離度評価部３１３は、クラスＣ１、Ｃ２のそれぞれから得られた基底Ｈ_{Ｃ１，Ａ１}、Ｈ_{Ｃ２，Ａ１}を組み合わせた共通の基底Ｈ_{Ｃ１‐Ｃ２，Ａ１}＝｛Ｈ_{Ｃ１，Ａ１}，Ｈ_{Ｃ２，Ａ１}｝を求める。元のクラスＣ１のデータＹ_{Ｃ１，Ａ０}、クラスＣ２のデータＹ_{Ｃ２，Ａ０}にＨ_{Ｃ１―Ｃ２，Ａ１}の擬似逆行列Ｈ_{Ｃ１―Ｃ２，Ａ１} ^＋をかけて、各クラスの係数行列Ｗ_{Ｃ１，Ａ０}、Ｗ_{Ｃ２，Ａ０}は次式で得られる。

分離度評価部３１３は、係数行列Ｗ_{Ｃ１，Ａ０}、Ｗ_{Ｃ２，Ａ０}を、それぞれクラスＣ１、クラスＣ２の特徴ベクトルとして、分類して、分類正解率を求める。ここで分離度評価部３１３が行う分類の方式は、例えば図1を参照して説明した分類部１２２の分類方式と同様であってもよい。

また、分離度を示す他の指標として、クラス内・クラス間分散比が用いられてもよい。クラス内分散σ_w ²、及びクラス間分散σ_B ²は以下のように表される。

ただし、上記数式（１０）、（１１）において、ｎは全データ数、ｎ_ｉはクラスｉのデータ数、ｘは特徴ベクトル、ｍ_ｉはクラスｉの特徴量ベクトルの平均、ｍは全特徴量ベクトルの平均である。上記クラス内分散σ_w ²、及びクラス間分散σ_B ²を用いて、クラス内・クラス間分散比Ｊは以下のよう表される。

上記のクラス内・クラス間分散比Ｊが大きい程、分離度が大きく、良い特徴量であると考えられる。なお、分離度を示す指標は、上記に限定されず、例えばマハラノビス距離が用いられてもよい。

分離度評価部３１３は、上述のように、４つの領域Ａ１、Ａ２、Ａ３、Ａ４でそれぞれ分離度を求め、分離度の値が予め設定された閾値Ｌ以上の場合は、それらの領域を組み合わせた時間領域・周波数領域のデータで同様に分離度を求める。例えば、領域Ａ１とＡ３で分離度が閾値Ｌ以上であった場合、分離度評価部３１３は、領域Ａ１及びＡ３の時間領域・周波数領域のそれぞれで得られた特徴量で分離度を求める。上述のように、分離度の高い複数の領域から得られたデータを用いることで、より高い分離度の特徴量が得られる効果がある。

また、データ分割部３１２は、図１７に示す４つの領域Ａ１、Ａ２、Ａ３、Ａ４のそれぞれにおいて、さらに再帰的にデータを分割してもよい。例えば、図１７に示す領域Ａ１は、４つの領域Ａ１１、Ａ１２、Ａ１３、Ａ１４に分割されてもよい。また、分離度評価部３１３は、分割されたデータや、分割されたデータを組み合わせたデータに対して、それぞれ分離度を求める。上記の再帰的な分割は、時間領域・周波数領域が最小の単位になるまで分割されるか、あるいは分割されたデータの大きさが所定の値となるまで、繰り返されてもよい。

なお、上記では、分離度が高い時間領域・周波数領域を効率よく抽出するために、再帰的に分割する例を説明したが、本発明は係る例に限定されない。例えば、一部、あるいは全ての時間領域・周波数領域の分離度を評価してもよいし、他の方法で分離度の高い時間領域・周波数領域を抽出してもよい。

分離度評価部３１３は、学習フェーズにおいて、分離度が最も高くなる時間領域・周波数領域でのデータを教師用データ（教師観測行列）として取得する。また、分離度評価部３１３は、教師データを取得した時間領域・周波数領域を、評価データを取得するためのデータ領域として特定し、当該データ領域から評価データ（評価観測行列）を取得する。

＜３−３．第三の実施形態の動作例＞
以上、本発明の第三の実施形態に係る情報処理装置３の構成例を説明した。続いて、本実施形態の動作例について、第一の実施形態、及び第二の実施形態の動作例の説明と同様に、学習フェーズと分類フェーズに分けて、それぞれ図１８，１９を参照して説明する。

（学習フェーズの動作例）
図１８は、学習フェーズにおける本実施形態の動作例を示すフローチャート図である。図１８に示すように、まず、データ取得部１０２が、時系列データを取得し（Ｓ５０２）、区間特定部１０４が取得された時系列データのうち、分類モデルパラメータ生成処理の処理対象となる対象区間を特定する（Ｓ５０４）。続いて、前処理部３０６の対応付け部３１０が、特定された対象区間と、操作部１１２を介してユーザにより入力される正解ラベルとを、対応付ける（Ｓ５０６）。なお、ステップＳ５０６で対象区間と対応付けられた正解ラベルは、後述するステップＳ５１８で取得される教師データに含まれる、当該対象区間と対応する教師観測ベクトルとも、対応付けられてよい。

学習に用いられるデータの取得が終了していない場合（Ｓ５０８においてＮＯ）、処理はステップＳ５０２に戻る。なお、学習に用いられるデータの取得が終了したか否かの判定は、例えば操作部１１２の入力に基づいて、前処理部３０６により行われてもよい。

学習に用いられるデータの取得が終了した場合（Ｓ５０８においてＹＥＳ）、前処理部３０６の変換部３０８が、時系列データのうち対象区間に含まれるデータを時間・周波数・振幅データに変換する（Ｓ５１０）。続いて、前処理部３０６のデータ分割部３１２が、時間領域、及び周波数領域で時間・周波数・振幅データを分割する（Ｓ５１２）。

続いて、分離度評価部３１３が、データ分割部３１２により分割されたデータごとにＮＭＦを適用し、クラス分離度を評価し（Ｓ５１４）、分離度の高いデータを選択し（Ｓ５１６）、選択されたデータを教師データとして取得する（Ｓ５１８）。

続くステップＳ５２０〜ステップＳ５２２の処理は、図５を参照して説明したステップＳ１１２〜Ｓ１１４の処理と同様であるため、説明を省略する。

以上、学習フェーズにおける本実施形態の動作例を説明した。続いて、学習フェーズで生成された分類モデルパラメータを用いた、分類フェーズにおける本実施形態の動作例について、図１９を参照して説明する。

（分類フェーズの動作例）
図１９は、分類フェーズにおける本実施形態の動作例を示すフローチャート図である。まず、データ取得部１０２が、時系列データを取得し（Ｓ６０２）、区間特定部２０４が取得された時系列データのうち、分類処理の処理対象となる対象区間を特定する（Ｓ６０４）。

続いて、前処理部３０６の変換部３０８が、時系列データのうち対象区間に含まれるデータを時間・周波数・振幅データに変換し（Ｓ６０６）、前処理部３０６のデータ分割部３１２が、時間領域、及び周波数領域で時間・周波数・振幅データを分割する（Ｓ６０８）。

続いて、分割された時間・周波数・振幅データにおいて、図１８を参照して説明した学習フェーズのステップＳ５１６で選択されたデータの領域と、同一領域のデータが選択される（Ｓ６１２）。さらに、分離度評価部３１３は、選択されたデータから、評価データを取得する（Ｓ６１４）。

続くステップＳ６１６〜ステップＳ６２０の処理は、図６を参照して説明したステップＳ２０８〜Ｓ２１２の処理と同様であるため、説明を省略する。

＜３−４．第三の実施形態の効果＞
以上、本発明の第三の実施形態について説明した。本実施形態によれば、分類に利用される時間領域・周波数領域の範囲を限定することで、処理量を抑制することが可能となる。また、分離度の高い領域から教師データ、及び評価データを取得することにより、分類に有効な基底が選択されやすくなり、分類精度がより向上する。

＜３−５．第三の実施形態の補足＞
なお、第三の実施形態に係る前処理部３０６は、第二の実施形態で説明したノイズ除去機能（ノイズ除去部２３０としての機能）を有してもよい。

＜＜４．ハードウェア構成＞＞
以上、本発明の各実施形態と各変形例を説明した。上述した区間特定処理、前処理、教師データ処理、パラメータ生成処理、特徴抽出処理、分類処理などの情報処理は、ソフトウェアと、情報処理装置１〜３のハードウェアとの協働により実現される。以下では、本発明の実施形態に係る情報処理装置である情報処理装置１〜３のハードウェア構成例として、情報処理装置１０００のハードウェア構成例について説明する。

図２０は、発明の実施形態に係る情報処理装置１０００のハードウェア構成例を示す説明図である。図２０に示したように、情報処理装置１０００は、ＣＰＵ（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）１００１と、ＲＯＭ（ＲｅａｄＯｎｌｙＭｅｍｏｒｙ）１００２と、ＲＡＭ（ＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ）１００３と、入力装置１００４と、出力装置１００５と、ストレージ装置１００６と、通信装置１００７とを備える。

ＣＰＵ１００１は、演算処理装置及び制御装置として機能し、各種プログラムに従って情報処理装置１０００内の動作全般を制御する。また、ＣＰＵ１００１は、マイクロプロセッサであってもよい。ＲＯＭ１００２は、ＣＰＵ１００１が使用するプログラムや演算パラメータなどを記憶する。ＲＡＭ１００３は、ＣＰＵ１００１の実行において使用するプログラムや、その実行において適宜変化するパラメータなどを一時記憶する。これらはＣＰＵバスなどから構成されるホストバスにより相互に接続されている。主に、ＣＰＵ１００１、ＲＯＭ１００２及びＲＡＭ１００３とソフトウェアとの協働により、例えば、区間特定部１０４、前処理部１０６、教師データ処理部１１４、パラメータ生成部１１６、特徴抽出部１２０、分類部１２２の機能が実現される。

入力装置１００４は、マウス、キーボード、タッチパネル、ボタン、マイクロフォン、スイッチ及びレバーなどユーザが情報を入力するための入力手段と、ユーザによる入力に基づいて入力信号を生成し、ＣＰＵ１００１に出力する入力制御回路などから構成されている。情報処理装置１０００のユーザは、該入力装置１００４を操作することにより、情報処理装置１０００に対して各種のデータを入力したり処理動作を指示したりすることができる。なお、入力装置１００４は、操作部１１２に対応する。

出力装置１００５は、例えば、液晶ディスプレイ（ＬＣＤ）装置、ＯＬＥＤ装置及びランプなどの表示装置を含む。さらに、出力装置１００５は、スピーカ及びヘッドホンなどの音声出力装置を含む。例えば、表示装置は、撮像された画像や生成された画像などを表示する。一方、音声出力装置は、音声データなどを音声に変換して出力する。なお、出力装置１００５は、出力部１２４に対応する。

ストレージ装置１００６は、データ格納用の装置である。ストレージ装置１００６は、記憶媒体、記憶媒体にデータを記録する記録装置、記憶媒体からデータを読み出す読出し装置及び記憶媒体に記録されたデータを削除する削除装置などを含んでもよい。ストレージ装置１００６は、ＣＰＵ１００１が実行するプログラムや各種データを格納する。なお、ストレージ装置１００６は、記憶部１１８に対応する。

通信装置１００７は、例えば、通信網に接続するための通信デバイスなどで構成された通信インタフェースである。また、通信装置１００７は、無線ＬＡＮ（ＬｏｃａｌＡｒｅａＮｅｔｗｏｒｋ）対応通信装置、ＬＴＥ（ＬｏｎｇＴｅｒｍＥｖｏｌｕｔｉｏｎ）対応通信装置、有線による通信を行うワイヤー通信装置、またはブルートゥース（登録商標）通信装置を含んでもよい。

＜＜５．むすび＞＞
以上説明したように、本発明の実施形態によれば、分類精度を向上させることが可能である。

以上、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明はかかる例に限定されない。本発明の属する技術の分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。

例えば、上記実施形態では、教師データと、評価データを同一の装置（情報処理装置１〜３）が取得する例を説明したが、本発明は係る例に限定されない。例えば、教師データと評価データを取得する装置は別々の装置であってもよいし、教師データや正解ラベルは、予め記憶部に記憶されていてもよい。

また、上記実施形態では、情報処理装置１〜３が、分類モデルパラメータを生成するパラメータ生成装置としての機能と、時系列データを複数のクラスに分類する分類装置としての機能とを有する例を説明したが、本発明は係る例に限定されない。例えば、分類モデルパラメータの生成処理を行うパラメータ生成装置と、パラメータ生成装置で生成された分類モデルパラメータを用いて分類処理を行う分類装置とが、異なる装置であってもよい。

また、上記実施形態では、打音の収音に基づいて得られたデータが、正常または異常の２クラスのいずれかに分類される例を説明したが、本発明は係る例に限定されない。例えば、本実施形態の分類対象となるデータは、打音の収音に基づくデータに限定されず、また、３以上のクラスに分類されてもよい。

また、情報処理装置１〜３に内蔵されるＣＰＵ１００１、ＲＯＭ１００２、及びＲＡＭ１００３などのハードウェアに、上述した情報処理装置１〜３の機能を発揮させるためのコンピュータプログラムも作成可能である。また、該コンピュータプログラムを記憶させた記憶媒体も提供される。

１情報処理装置
１０２データ取得部
１０４区間特定部
１０６前処理部
１０８変換部
１１０対応付け部
１１２操作部
１１４教師データ処理部
１１６パラメータ生成部
１１８記憶部
１２０特徴抽出部
１２２分類部
１２４出力部
２３０ノイズ除去部
３１２データ分割部
３１３分離度評価部

Claims

時系列データのうち処理対象となる対象区間を前記時系列データにおける振幅の大きさに基づいて特定する区間特定部と、
前記時系列データと前記対象区間に基づいて、非負の評価データを取得する前処理部と、
所定の非負の教師データに対して非負値行列因子分解を行うことで生成された教師係数行列、及び前記教師データに対応付けられた正解ラベル、に基づいて生成された分類モデルパラメータを記憶する記憶部と、
前記教師データに対して非負値行列因子分解を行うことで生成された教師基底行列に基づいて、前記評価データから評価係数行列を生成する特徴抽出部と、
前記評価係数行列を前記分類モデルパラメータに基づいて分類する分類部と、
を備える分類装置。
時系列データのうち処理対象となる対象区間を特定する区間特定部と、
前記時系列データと前記対象区間に基づいて、非負の評価データを取得するとともに、前記時系列データのうち前記対象区間以外の区間に含まれるノイズデータに基づいて、ノイズ除去処理を行う前処理部と、
所定の非負の教師データに対して非負値行列因子分解を行うことで生成された教師係数行列、及び前記教師データに対応付けられた正解ラベル、に基づいて生成された分類モデルパラメータを記憶する記憶部と、
前記教師データに対して非負値行列因子分解を行うことで生成された教師基底行列に基づいて、前記評価データから評価係数行列を生成する特徴抽出部と、
前記評価係数行列を前記分類モデルパラメータに基づいて分類する分類部と、
を備える分類装置。
前記前処理部は、少なくとも前記対象区間の値が０である窓関数を前記時系列データにかけることで前記ノイズデータを取得する、請求項２に記載の分類装置。
前記前処理部は、周波数領域において、前記ノイズ除去処理を行う、請求項２または３に記載の分類装置。
前記前処理部による前記ノイズ除去処理は、前記時系列データのうち前記対象区間のデータに基づいて得られるスペクトルから、前記ノイズデータに基づいて得られるスペクトルを差し引くことを含む、請求項４に記載の分類装置。
時系列データのうち処理対象となる対象区間を特定する区間特定部と、
前記時系列データと前記対象区間に基づいて、非負の評価データを取得する前処理部と、
所定の非負の教師データに対して非負値行列因子分解を行うことで生成された教師係数行列、及び前記教師データに対応付けられた正解ラベル、に基づいて生成された分類モデルパラメータを記憶する記憶部と、
前記教師データに対して非負値行列因子分解を行うことで生成された教師基底行列に基づいて、前記評価データから評価係数行列を生成する特徴抽出部と、
前記評価係数行列を前記分類モデルパラメータに基づいて分類する分類部と、
を備え、
前記時系列データは、測定対象物に対する打音の収音に基づいて得られたデータであり、前記対象区間は、前記打音が行われた時刻を含む、
分類装置。
時系列データのうち処理対象となる対象区間を前記時系列データにおける振幅の大きさに基づいて特定することと、
前記時系列データと前記対象区間に基づいて、非負の評価データを取得することと、
所定の非負の教師データに対して非負値行列因子分解を行うことで生成された教師係数行列に基づいて、前記評価データから評価係数行列を生成することと、
前記評価係数行列を、前記教師データに対して非負値行列因子分解を行うことで生成された教師基底行列、及び前記教師データに対応付けられた正解ラベル、に基づいて生成された分類モデルパラメータに基づいて分類することと、
を含む、分類装置が実行する分類方法。
時系列データのうち処理対象となる対象区間を特定することと、
前記時系列データと前記対象区間に基づいて、非負の評価データを取得するとともに、前記時系列データのうち前記対象区間以外の区間に含まれるノイズデータに基づいて、ノイズ除去処理を行うことと、
所定の非負の教師データに対して非負値行列因子分解を行うことで生成された教師基底行列に基づいて、前記評価データから評価係数行列を生成することと、
前記評価係数行列を、前記教師データに対して非負値行列因子分解を行うことで生成された教師係数行列、及び前記教師データに対応付けられた正解ラベル、に基づいて生成された分類モデルパラメータに基づいて分類することと、
を含む、分類装置が実行する分類方法。
時系列データのうち処理対象となる対象区間を特定することと、
前記時系列データと前記対象区間に基づいて、非負の評価データを取得することと、
所定の非負の教師データに対して非負値行列因子分解を行うことで生成された教師基底行列に基づいて、前記評価データから評価係数行列を生成することと、
前記評価係数行列を、前記教師データに対して非負値行列因子分解を行うことで生成された教師係数行列、及び前記教師データに対応付けられた正解ラベル、に基づいて生成された分類モデルパラメータに基づいて分類することと、
を含み、
前記時系列データは、測定対象物に対する打音の収音に基づいて得られたデータであり、前記対象区間は、前記打音が行われた時刻を含む、
分類装置が実行する分類方法。
コンピュータに、
時系列データのうち処理対象となる対象区間を前記時系列データにおける振幅の大きさに基づいて特定する機能と、
前記時系列データと前記対象区間に基づいて、非負の評価データを取得する機能と、
所定の非負の教師データに対して非負値行列因子分解を行うことで生成された教師基底行列に基づいて、前記評価データから評価係数行列を生成する機能と、
前記評価係数行列を、前記教師データに対して非負値行列因子分解を行うことで生成された教師係数行列、及び前記教師データに対応付けられた正解ラベル、に基づいて生成された分類モデルパラメータに基づいて分類する機能と、
を実現させるための、プログラム。
コンピュータに、
時系列データのうち処理対象となる対象区間を特定する機能と、
前記時系列データと前記対象区間に基づいて、非負の評価データを取得するとともに、前記時系列データのうち前記対象区間以外の区間に含まれるノイズデータに基づいて、ノイズ除去処理を行う機能と、
所定の非負の教師データに対して非負値行列因子分解を行うことで生成された教師基底行列に基づいて、前記評価データから評価係数行列を生成する機能と、
前記評価係数行列を、前記教師データに対して非負値行列因子分解を行うことで生成された教師係数行列、及び前記教師データに対応付けられた正解ラベル、に基づいて生成された分類モデルパラメータに基づいて分類する機能と、
を実現させるための、プログラム。
コンピュータに、
時系列データのうち処理対象となる対象区間を特定する機能と、
前記時系列データと前記対象区間に基づいて、非負の評価データを取得する機能と、
所定の非負の教師データに対して非負値行列因子分解を行うことで生成された教師基底行列に基づいて、前記評価データから評価係数行列を生成する機能と、
前記評価係数行列を、前記教師データに対して非負値行列因子分解を行うことで生成された教師係数行列、及び前記教師データに対応付けられた正解ラベル、に基づいて生成された分類モデルパラメータに基づいて分類する機能と、
を実現させるための、プログラムであって、
前記時系列データは、測定対象物に対する打音の収音に基づいて得られたデータであり、前記対象区間は、前記打音が行われた時刻を含む、プログラム。
時系列データのうち処理対象となる対象区間を前記時系列データにおける振幅の大きさに基づいて特定する区間特定部と、
前記時系列データと前記対象区間に基づいて、非負の教師データを取得する前処理部と、
前記教師データに対して非負値行列因子分解を行うことで、教師係数行列を生成する教師データ処理部と、
前記教師係数行列と、前記教師データに対応付けられた正解ラベルに基づいて、データを分類するための分類モデルパラメータを生成するパラメータ生成部と、
を備える、パラメータ生成装置。
時系列データのうち処理対象となる対象区間を特定する区間特定部と、
前記時系列データと前記対象区間に基づいて、非負の教師データを取得するとともに、前記時系列データのうち前記対象区間以外の区間に含まれるノイズデータに基づいて、ノイズ除去処理を行う前処理部と、
前記教師データに対して非負値行列因子分解を行うことで、教師係数行列を生成する教師データ処理部と、
前記教師係数行列と、前記教師データに対応付けられた正解ラベルに基づいて、データを分類するための分類モデルパラメータを生成するパラメータ生成部と、
を備える、パラメータ生成装置。
時系列データのうち処理対象となる対象区間を特定する区間特定部と、
前記時系列データと前記対象区間に基づいて、非負の教師データを取得する前処理部と、
前記教師データに対して非負値行列因子分解を行うことで、教師係数行列を生成する教師データ処理部と、
前記教師係数行列と、前記教師データに対応付けられた正解ラベルに基づいて、データを分類するための分類モデルパラメータを生成するパラメータ生成部と、
を備え、
前記時系列データは、測定対象物に対する打音の収音に基づいて得られたデータであり、前記対象区間は、前記打音が行われた時刻を含む、
パラメータ生成装置。