JP6890813B2 - 行動検知システム、情報処理装置、プログラム - Google Patents
行動検知システム、情報処理装置、プログラム Download PDFInfo
- Publication number
- JP6890813B2 JP6890813B2 JP2016162238A JP2016162238A JP6890813B2 JP 6890813 B2 JP6890813 B2 JP 6890813B2 JP 2016162238 A JP2016162238 A JP 2016162238A JP 2016162238 A JP2016162238 A JP 2016162238A JP 6890813 B2 JP6890813 B2 JP 6890813B2
- Authority
- JP
- Japan
- Prior art keywords
- behavior
- information
- moving body
- feature amount
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000010365 information processing Effects 0.000 title claims description 76
- 238000001514 detection method Methods 0.000 title claims description 71
- 230000006399 behavior Effects 0.000 claims description 147
- 230000009471 action Effects 0.000 claims description 95
- 230000006870 function Effects 0.000 claims description 46
- 238000000605 extraction Methods 0.000 claims description 35
- 239000000284 extract Substances 0.000 claims description 13
- 230000033001 locomotion Effects 0.000 claims description 13
- 230000007704 transition Effects 0.000 claims description 10
- 238000000034 method Methods 0.000 description 50
- 238000010586 diagram Methods 0.000 description 30
- 238000011156 evaluation Methods 0.000 description 26
- 238000012545 processing Methods 0.000 description 18
- 238000012937 correction Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 238000012706 support-vector machine Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 5
- 230000003542 behavioural effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001902 propagating effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 101100458289 Drosophila melanogaster msps gene Proteins 0.000 description 1
- 206010017577 Gait disturbance Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Landscapes
- Radiation Pyrometers (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Emergency Alarm Devices (AREA)
- Alarm Systems (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Description
図1は、温度分布センサ10の配置と被検知者8の行動を模式的に説明する図の一例である。図1では、天井に温度分布センサ10が配置されており、温度分布センサ10は検知範囲9の温度分布を一定時間ごとに検知している。ある時刻の温度分布データをフレーム又はフレームデータという。また、温度分布センサ10は情報処理装置30と通信可能に接続されており、取得したフレームを情報処理装置30に送信する。図1(a)では被検知者8が歩行しているが、図1(b)に示すように転倒した(つまずいた)ものとする。温度分布センサ10は図1(a)の歩行中の被検知者8がいる検知範囲9と、図1(b)の転倒する際の検知範囲9のフレームを取得する。転倒する際とは転倒し始める時から静止するまでをいう。これらの時系列のフレームには歩行から転倒に至る際の特徴的な温度分布が含まれていると考えられる。情報処理装置30は、以下のようにしてこれらのフレームを解析して連続した行動の各状態(歩行からの転倒)を識別する。
動体とは何らかの行動を取るものをいう。主に人間であるが、犬などの動物にも適用できる。また、ロボットでもよい。更に、静止したまま一部が稼動する機械などでもよい。
図1を用いて行動検知システム100の構成について説明する。行動検知システム100は、1つ以上の温度分布センサ10と、情報処理装置30を有している。
図3は、情報処理装置30の概略的なハードウェア構成を示したブロック図の一例である。本発明の情報処理装置30は、概ねパーソナル・コンピュータ、ワークステーション又はアプライアンス・サーバとして実装することができる。情報処理装置30は、CPU201と、CPU201が使用するデータの高速アクセスを可能とするメモリ202とを備える。CPU201及びメモリ202は、システム・バス203を介して、情報処理装置30の他のデバイス又はドライバ、例えば、グラフィックス・ドライバ204及びネットワーク・デバイス(NIC)205へと接続されている。
グラフィックス・ドライバ204は、バスを介してLCD(ディスプレイ装置)206に接続されて、CPU201による処理結果をモニタする。また、ネットワーク・ドライバ205は、トランスポート層レベル及び物理層レベルで情報処理装置30をネットワークNへと接続させる。
システム・バス203には、更にI/Oバス・ブリッジ207が接続されている。I/Oバス・ブリッジ207の下流側には、PCIなどのI/Oバス208を介して、IDE、ATA、ATAPI、シリアルATA、SCSI、USBなどにより、HDD(ハードディスクドライブ)209などの記憶装置が接続されている。HDD209は情報処理装置30の全体を制御するプログラム209pを記憶している。HDD209はSSD(Solid State Drive)でもよい。
図4は、情報処理装置30が有する機能をブロック状に説明する機能ブロック図の一例である。情報処理装置30は、取得部11、解析部12、数値化部13、特徴量抽出部14、学習部15、及び、識別部16の各機能を有している。これら各機能は、図3に示したHDD209からメモリ202に展開されたプログラム209pをCPU201が実行することにより実現されている。なお、このプログラム209pは、プログラム配信用のサーバから配信されてもよいし、USBメモリや光記憶媒体などの可搬性の記憶媒体に記憶された状態で配布されてもよい。
図5は、行動検知システム100の情報処理装置30が行う手順を示すフローチャート図の一例である。情報処理装置30が行う手順は、大きく学習フェーズと識別フェーズに分けることができる。図5(a)は学習フェーズの手順を示し、図5(b)は識別フェーズの手順を示す。以下、各ステップを順番に説明する。なお、図5(a)の処理は、行動検知システム100の管理者が学習フェーズの処理を行うための操作を行うことでスタートする。また、図5(b)の処理は、例えば、被検知者8が自宅の行動検知システム100の電源をONにすることなどによりスタートする。
取得部11は温度分布センサ10からフレームを取得する。フレームは一定時間ごとに繰り返し送信される。フレームレートは10〔フレーム/秒〕程度である。フレームレートは多い方が好ましいが、多いと情報処理装置30の処理負荷が増大するため、行動の識別に必要なフレームレートがあればよい。
図7に示すように、解析部12は各フレームを解析することで人物範囲61を検出する。まず、図7(a)は1つのフレーム62を示している。斜線部が被検知者8の体温を検知した赤外線検出素子である。また、斜線種の違いが体温の分布を表している。
次に、数値化部13は人物範囲61を数値化する。本実施例では以下の3つの数値を取り出す。
・S(t):現在のフレームとNf フレーム前との差分後の画素数
・R(t):現在のフレームで反応している画素数
・B(t):現在のフレームで反応している画素群の境界線の長さ
図8は、評価関数S(t)、R(t)、B(t)を説明する図の一例である。まず、図8(a)はS(t)の算出方法を示す。現在のフレーム71と検知時刻が異なるNf フレーム前のフレーム72の同じ画素同士を比較する。Nf は動作の有無を比較する上で適切なフレーム数であり、フレームレートなどに応じて適宜、設定される値である。本実施例では5とするがこれに限られない。
一般に、現在のフレームで反応している画素数(R(t))がゼロの場合、検知範囲9は「無人」であると考えてよい。しかし、環境の温度分布(日射や飲食物の熱源など)の影響によりR(t)=0だけでは無人なのに無人でないと誤判定するおそれがある。そこで、現在のフレームとNf フレーム前との差分後の画素数(S(t))に全く変化がなく、かつ、現在のフレームで反応している画素数(R(t))がゼロの場合、検知範囲9は「無人」であると判断する。これにより、無人であることを精度よく検知できる。R(t)の代わりに、現在のフレームで反応している画素群の境界線の長さ(B(t))を用いてもよい。
S(t)=0 ∩ R(t)=0 → 無人
S(t)=0 ∩ R(t)>0 → 静止
これら以外の場合、識別部16は、歩行、転倒又は着席のいずれかであると識別する。このように、特徴量による識別を行うことなく、無人と静止の行動を識別できるので、機械学習で識別するクラスの数が少なくて済む。
まず、特徴量抽出部14は特徴量を抽出する数値データを、被検知者8の動作量が閾値以下の手前の箇所に絞り込む。一般に、人が着席した後、又は、転倒した後、大きな動作はないと仮定してよい。すると、被検知者8の動作量が閾値以下となる手前の行動に着目すれば、転倒したのか着席したのかを識別できると考えられる。したがって、特徴量抽出部14は特徴量を抽出する数値データを静止していると見なせる前の数値データに絞り込むことができる。
学習部15は、特徴量と正しいラベルが与えられた教師データを用いて機械学習を行う。機械学習とは、データから反復的に学習し、そこに潜むパターンを見つけ出すことである。学習結果を新たなデータにあてはめることで情報処理装置がパターンにしたがって人間と同様に判断することが可能になる。
g(xi)=wtxi+b
wはラグランジュの未定乗数λ、bを使って以下のように求めることができる。yiはクラス1,2のどちらに属するかによって決まる教師信号であり+1又は-1の値を取る。また、
識別部16は、特徴量抽出部14が抽出した特徴量に学習したパラメータを適用して特徴量が所属する行動を識別する。
図14は、本実施例の行動検知システム100による連続行動の識別結果を示す図である。図14(a)は無人と静止の識別結果を示し、図14(b)は転倒、着席又は歩行の識別結果を示す。図14では「行」が実際の行動を示し、「列」が識別結果を示す。図14(a)によれば実際の行動が無人の場合に無人と識別される率は97.7%であり、実際の行動が静止の場合に静止と識別される率は100%である。したがって、非常に高い率で正しく識別できることがわかる。
図17は、本実施例において、情報処理装置30が有する機能をブロック状に説明する機能ブロック図の一例である。なお、図17の説明では主に図4との相違を説明する。情報処理装置30は、取得部11、数値化部13、特徴量抽出部14、学習部15、識別部16及び修正部17の各機能を有している。実施例1と比較すると、本実施例では解析部12を有しておらず、修正部17を有している。
図18は、本実施例において行動検知システム100の情報処理装置30が行う手順を示すフローチャート図の一例である。情報処理装置30が行う手順は、大きく学習フェーズと識別フェーズに分けることができる。ステップS10〜S50は学習フェーズの手順を示し、ステップS110〜S180は識別フェーズの手順を示す。以下、各ステップを順番に説明する。なお、図18の学習フェーズは、行動検知システム100の管理者が学習フェーズの処理を行うための操作を行うことでスタートする。また、識別フェーズは、例えば、被検知者8が自宅の行動検知システム100の電源をONにすることなどによりスタートする。
取得部11は受信機42から電波の受信により得られた信号を取得する。そして、数値化部13が評価関数P(t)、Q(t)、RSS(Received Signal Strength)を作成する。
評価関数P(t)、Q(t)、RSSがそれぞれどの行動を表しているか行動検知システム100の管理者等がラベル付けする。すなわち、静止、転倒、着席、歩行のいずれに相当するかを評価関数P(t)、Q(t)、RSSにそれぞれ設定する。
特徴量抽出部14は、評価関数P(t) 、Q(t)及びRSSから以下の7つの統計量を抽出し、特徴ベクトルを作成する。本実施例では、一例として、尖度、平均、分散、四分位範囲、最大・最小値の差、標準偏差、及びエントロピーを特徴量とする。これらは一例に過ぎず、一部がなくてもよいし他の特徴量が抽出されてもよい。したがって、実施例1とは標準偏差及びエントロピーがある点で異なっている。標準偏差は分散の平方根である。エントロピーは平均情報量と呼ばれ、以下のように表すことができる。
学習部15は、特徴量と正しいラベルが与えられた教師データを用いて機械学習を行う。機械学習にはSVMが用いられ、学習方法は実施例1と同様である。しかし、本実施例では、連続する複数の行動を正しく識別するため、複数の学習モデルを切り替えて利用する。これは、識別行動クラスの増加によるSVMの識別精度の低下を防ぎ、更に、状況に応じて異なる学習モデルを利用して識別精度を改善するためである。
学習モデル1:行動・静止モデル
学習モデル2(独立した行動モデル):転倒、着席、歩行、静止(それぞれの行動の開始時と終了時は静止)
学習モデル3(連続行動モデル):転倒、着席、歩行(それぞれの行動は歩行から始まる)
学習モデル1では、静止した状態とそれ以外(転倒、着席、歩行)の行動に異なる教師信号が与えられた教師データを学習し、静止とそれ以外の行動を分類する学習を行う。学習モデル2では、静止した状態から転倒、静止した状態から着席、静止した状態から歩行及び静止した状態から静止の行動にそれぞれ異なる教師信号が与えられた教師データを学習し、静止した状態からの4つの行動を異なる4つのクラスに分類する学習を行う。学習モデル3では、歩行してから転倒、歩行してから着席、及び、歩行してから歩行の行動にそれぞれ異なる教師信号が与えられた教師データを学習し、歩行してからの行動を異なる3つのクラスに分類する学習を行う。このように、最大でも4つのクラスに識別すればよいのでSVMの識別精度の低下を防ぐことができる。
識別フェーズでも特徴量の抽出までの手順は学習フェーズと同様である。すなわち、時間窓τの評価関数P(t) 、Q(t)及びRSSからttrainずつずらしNwin回の特徴量を算出する。そして、識別部16は、特徴量を3つの学習モデル1〜3のいずれかに適用して被検知者8の行動を仮識別する。仮識別とは、識別部16による識別結果が修正されうることを意味する。修正の詳細は後述する。
修正部17は、仮識別結果が連続して同じ行動となった連続回数が閾値Tactを下回った場合、識別結果を修正する。換言すると、行動ごとに設定された閾値Tact 回以上連続で行動が仮識別された場合に識別結果を正しい行動とみなす。これは人の行動開始時に、転倒や着席でないのに、転倒や着席のような急峻な行動であると誤って識別するおそれがあるためである。閾値Tact 回未満の行動を修正することで誤った識別結果を減らし、識別精度を改善することができる。
また、修正部17は、行動の仮識別結果がありえない行動遷移である場合、識別結果を修正する。すなわち、状態遷移を利用して、日常生活では起こりえない行動の遷移を修正することで識別精度を改善する。例えば、人間は歩行後に転倒する可能性はあるが、転倒後に起き上がらずに歩行することはありえない。この場合、転倒が誤った仮識別結果であるため、修正部17は、転倒の仮識別結果を歩行に修正する。すなわち、誤った仮識別結果の後の行動に修正する。
以上により、情報処理装置30は最終的な行動を検知できる。
被検知者が以下に示す3種類の行動シナリオで行動範囲302の中で行動した。
A.歩行→転倒:10秒間歩行し、その後、正面に倒れ、臥位状態で静止
B.歩行→着席:10秒間歩行し、その後椅子に座り、静止
C.歩行:円を描くように20秒間歩行する
学習モデル3については被検知者1人分を教師データとし、残りをテストデータとして利用する。学習モデル1については学習モデル3を転用して教師データに利用する。また、学習モデル2については別環境、別の被検知者で得られた教師データによりすでに学習されているものとする。3つのシナリオにはそれぞれ複数の行動が含まれているため学習とテストには、以下に示す6種類の行動を用いる。
・転倒:直立や臥位状態を含めない人が倒れている最中の動作
・着席:直立や静止状態を含めない人が座る最中の動作
・歩行:人が歩いている動作
・直立:直立して静止している状態
・着席(静止):着席後に椅子に座って静止している状態
・臥位:床に倒れて静止している状態
直立、着席(静止)、臥位状態のように静止している状態を識別するのは困難なため、それらをまとめて静止として学習し識別する。
図23を用いて本実施例の行動検知システム100の変形例を説明する。図23は行動検知システムにおける送信機と受信機の配置例を説明する図の一例である。
以上、本発明を実施するための最良の形態について実施例を用いて説明したが、本発明はこうした実施例に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形及び置換を加えることができる。
11 取得部
12 解析部
13 数値化部
14 特徴量抽出部
15 学習部
16 識別部
17 修正部
30 情報処理装置
100 行動検知システム
Claims (6)
- 動体の行動に関する情報を検出する動体情報検知装置と、前記動体の行動を識別する情報処理装置と、を有する行動検知システムであって、
前記動体を含む空間の温度分布を検知できる場所に配置された温度分布センサが取得する空間の温度分布に基づいて検出された前記動体の範囲から、前記動体の行動に関する情報を周期的に取得する取得部と、
前記取得部が取得した時系列の前記動体の行動に関する情報に基づいて前記動体が静止したと見なせる前記動体の行動に関する情報を特定し、該情報の手前の時間窓の前記動体の行動に関する情報から特徴量を抽出する特徴量抽出部と、
前記特徴量抽出部が抽出した前記特徴量と前記動体の行動の対応を学習することで識別部を生成する学習部と、
前記特徴量に基づき前記動体の行動を連続行動の各状態のいずれかに識別する前記識別部と、を有する行動検知システム。 - 前記識別部は、前記動体が移動している状態から別の行動へ遷移する際の前記特徴量のパターンと行動の関係の学習結果を用いて、
前記動体が移動している状態からどの行動に遷移したかを識別する請求項1に記載の行動検知システム。 - 前記動体情報検知装置は、前記動体の行動に関する情報として、前記動体の姿勢を判別できない程度の低解像度で前記動体の検知範囲の温度分布を検知する装置であり、
前記検知範囲の温度分布データから前記動体の存在範囲を検知する数値化部を有し、
前記数値化部は、検知時刻が異なる前記存在範囲の差分情報、前記存在範囲の広さ、及び、前記存在範囲の境界線の長さを算出し、
前記特徴量抽出部は、前記差分情報、前記存在範囲の広さ、及び、前記存在範囲の前記境界線の長さからそれぞれ前記特徴量を抽出する請求項1又は2に記載の行動検知システム。 - 前記識別部は、前記存在範囲の広さと前記差分情報に基づき、前記動体の行動を前記検知範囲に前記動体が存在しない無人の状態、又は、静止している状態に識別する請求項3に記載の行動検知システム。
- 動体情報検知装置から取得した動体の行動に関する情報に基づいて前記動体の行動を識別する情報処理装置であって、
前記動体を含む空間の温度分布を検知できる場所に配置された温度分布センサが取得する空間の温度分布に基づいて検出された前記動体の範囲から、前記動体の行動に関する情報を周期的に取得する取得部と、
前記取得部が取得した時系列の前記動体の行動に関する情報に基づいて前記動体が静止したと見なせる前記動体の行動に関する情報を特定し、該情報の手前の時間窓の前記動体の行動に関する情報から特徴量を抽出する特徴量抽出部と、
前記特徴量抽出部が抽出した前記特徴量と前記動体の行動の対応を学習することで識別部を生成する学習部と、
前記特徴量に基づき前記動体の行動を連続行動の各状態のいずれかに識別する前記識別部と、
を有する情報処理装置。 - 動体情報検知装置から取得した動体の行動に関する情報に基づいて前記動体の行動を識別する情報処理装置を、
前記動体を含む空間の温度分布を検知できる場所に配置された温度分布センサが取得する空間の温度分布に基づいて検出された前記動体の範囲から、前記動体の行動に関する情報を周期的に取得する取得部と、
前記取得部が取得した時系列の前記動体の行動に関する情報に基づいて前記動体が静止したと見なせる前記動体の行動に関する情報を特定し、該情報の手前の時間窓の前記動体の行動に関する情報から特徴量を抽出する特徴量抽出部と、
前記特徴量抽出部が抽出した前記特徴量と前記動体の行動の対応を学習することで識別部を生成する学習部と、
前記特徴量に基づき前記動体の行動を連続行動の各状態のいずれかに識別する前記識別部、
として機能させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016162238A JP6890813B2 (ja) | 2016-08-22 | 2016-08-22 | 行動検知システム、情報処理装置、プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016162238A JP6890813B2 (ja) | 2016-08-22 | 2016-08-22 | 行動検知システム、情報処理装置、プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018029671A JP2018029671A (ja) | 2018-03-01 |
JP6890813B2 true JP6890813B2 (ja) | 2021-06-18 |
Family
ID=61303830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016162238A Active JP6890813B2 (ja) | 2016-08-22 | 2016-08-22 | 行動検知システム、情報処理装置、プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6890813B2 (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101988206B1 (ko) * | 2017-10-24 | 2019-06-13 | 재단법인 한국전자기계융합기술원 | 적외선카메라를 이용한 온도측정 시스템 |
CN111381228B (zh) | 2018-12-28 | 2024-10-01 | 松下知识产权经营株式会社 | 推测方法以及推测装置 |
CN111753587B (zh) * | 2019-03-28 | 2023-09-29 | 杭州海康威视数字技术股份有限公司 | 一种倒地检测方法及装置 |
CN112395920B (zh) | 2019-08-16 | 2024-03-19 | 富士通株式会社 | 基于雷达的姿态识别装置、方法以及电子设备 |
JP7436257B2 (ja) * | 2020-03-25 | 2024-02-21 | 株式会社日立製作所 | 行動認識サーバ、行動認識システム、および、行動認識方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010207488A (ja) * | 2009-03-12 | 2010-09-24 | Gifu Univ | 行動解析装置及びプログラム |
JP5382719B2 (ja) * | 2009-12-14 | 2014-01-08 | 日本電信電話株式会社 | 行動・状態モニタリング方法およびプログラム |
JP5549802B2 (ja) * | 2010-02-01 | 2014-07-16 | 日本電気株式会社 | モード識別装置、モード識別方法、およびプログラム |
JP4785975B1 (ja) * | 2010-03-26 | 2011-10-05 | 有限会社グーテック | 動作判別装置、動作判別方法、及び動作判別コンピュータ・プログラム |
JP6171415B2 (ja) * | 2013-03-06 | 2017-08-02 | ノーリツプレシジョン株式会社 | 情報処理装置、情報処理方法、及び、プログラム |
-
2016
- 2016-08-22 JP JP2016162238A patent/JP6890813B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2018029671A (ja) | 2018-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6890813B2 (ja) | 行動検知システム、情報処理装置、プログラム | |
Zou et al. | Towards occupant activity driven smart buildings via WiFi-enabled IoT devices and deep learning | |
US12058213B2 (en) | Device-free human identification and device-free gesture recognition | |
US11605231B2 (en) | Low power and privacy preserving sensor platform for occupancy detection | |
Kosba et al. | RASID: A robust WLAN device-free passive motion detection system | |
Choi et al. | Wi-cal: Wifi sensing and machine learning based device-free crowd counting and localization | |
Mohammadmoradi et al. | Measuring people-flow through doorways using easy-to-install ir array sensors | |
Tang et al. | Occupancy detection and people counting using wifi passive radar | |
Guo et al. | From signal to image: Capturing fine-grained human poses with commodity Wi-Fi | |
Zou et al. | WiFi-enabled device-free gesture recognition for smart home automation | |
JP2019515703A (ja) | 人間無線生体情報に基づく人間識別のための方法、装置、サーバ及びシステム | |
Ruan et al. | Device-free indoor localization and tracking through human-object interactions | |
CN110673135A (zh) | 传感器、推定装置、推定方法和程序记录介质 | |
KR102374021B1 (ko) | 환자의 낙상상황을 판별하기 위한 낙상 판별 시스템 및 방법 | |
US20220104704A1 (en) | Sleep Monitoring Based on Wireless Signals Received by a Wireless Communication Device | |
Liu et al. | A research on CSI-based human motion detection in complex scenarios | |
Zhu et al. | NotiFi: A ubiquitous WiFi-based abnormal activity detection system | |
CN115291184B (zh) | 一种毫米波雷达与深度学习结合的姿态监测方法 | |
Baird et al. | Principal component analysis-based occupancy detection with ultra wideband radar | |
Zou et al. | Multiple kernel representation learning for WiFi-based human activity recognition | |
Wang et al. | Syncope detection in toilet environments using Wi-Fi channel state information | |
Faulkner et al. | Device-free localization using privacy-preserving infrared signatures acquired from thermopiles and machine learning | |
CN112446923A (zh) | 人体三维姿态估计方法、装置、电子设备及存储介质 | |
Fan et al. | WiVi: WiFi-video cross-modal fusion based multi-path gait recognition system | |
Sansano-Sansano et al. | Multimodal Sensor Data Integration for Indoor Positioning in Ambient‐Assisted Living Environments |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20160909 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190422 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200311 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200317 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200514 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200908 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201029 |
|
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: 20210427 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210519 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6890813 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |