JP7316534B2 - 情報処理装置、個人識別装置、個人識別システム、情報処理方法及び記憶媒体 - Google Patents

Description

本発明は、情報処理装置、個人識別装置、個人識別システム、情報処理方法及び記憶媒体に関する。

特許文献１には、スマートフォン等の携帯端末に搭載された加速度センサにより検出された加速度を用いて個人認証を行う入館管理システムが開示されている。特許文献２には、靴の中敷に搭載された荷重センサ、加速度センサ、ホール素子等により検出された歩行の癖を個人識別に用いることができることが開示されている。

特開２０１５－１５３１４３号公報 特開２０１６－７３３６６号公報

Sebastian O. H. Madgwick, Andrew J. L. Harrison, and Ravi Vaidyanathan, "Estimation of IMU and MARG orientation using a gradient descent algorithm," 2011 IEEE International Conference on Rehabilitation Robotics, pp. 179-185, 2011.

特許文献１又は特許文献２に開示されているような歩行時の運動情報を用いた個人識別において、より好適な特徴量の抽出手法が求められている。

本発明は、個人識別に用いられる特徴量を好適に抽出することができる情報処理装置、個人識別装置、個人識別システム、情報処理方法及び記憶媒体を提供することを目的とする。

本発明の一観点によれば、ユーザの足に設けられた運動計測装置によって計測された前記足の運動情報を取得する取得部と、前記運動情報に含まれる少なくとも１歩行周期の時系列データから、前記ユーザの識別に用いられる特徴量を抽出する特徴量抽出部と、を備える情報処理装置が提供される。

本発明の他の一観点によれば、ユーザの足に設けられた運動計測装置によって計測された前記足の運動情報を取得するステップと、前記運動情報に含まれる少なくとも１歩行周期の時系列データから、前記ユーザの識別に用いられる特徴量を抽出するステップと、を備える情報処理方法が提供される。

本発明の他の一観点によれば、コンピュータに、ユーザの足に設けられた運動計測装置によって計測された前記足の運動情報を取得するステップと、前記運動情報に含まれる少なくとも１歩行周期の時系列データから、前記ユーザの識別に用いられる特徴量を抽出するステップと、を備える情報処理方法を実行させるためのプログラムが記憶された記憶媒体が提供される。

本発明によれば、個人識別に用いられる特徴量を好適に抽出することができる情報処理装置、個人識別装置、個人識別システム、情報処理方法及び記憶媒体を提供することができる。

第１実施形態に係る個人識別システムの全体構成を示す模式図である。 第１実施形態に係る歩容計測装置のハードウェア構成を示すブロック図である。 第１実施形態に係る情報通信端末のハードウェア構成を示すブロック図である。 第１実施形態に係る情報処理装置の機能ブロック図である。 第１実施形態に係る歩容計測装置により行われる個人識別処理の一例を示すフローチャートである。 歩行周期について説明するための概念図である。 足の幅方向の加速度の時系列データの一例を示すグラフである。 足の内外転角度の時系列データの一例を示すグラフである。 第１実施形態に係るサーバにより行われる学習処理の一例を示すフローチャートである。 学習処理により得られる特徴量ベクトルと個人識別ラベルとの対応関係を模式的に示す表である。 交差検証の結果を示す表である。 認識率の検証結果を示すグラフである。 第２実施形態に係る情報処理装置の機能ブロック図である。 第２実施形態に係る歩容計測装置により行われる個人識別処理の一例を示すフローチャートである。 足の幅方向の加速度の周波数スペクトルの一例を示すグラフである。 足の内外転角度の周波数スペクトルの一例を示すグラフである。 本学習処理により得られる特徴量ベクトルと個人識別ラベルとの対応関係を模式的に示す表である。 交差検証の結果を示す表である。 認識率の検証結果を示すグラフである。 第３実施形態に係る情報処理装置の機能ブロック図である。

以下、図面を参照して、本発明の例示的な実施形態を説明する。図面において同様の要素又は対応する要素には同一の符号を付し、その説明を省略又は簡略化することがある。

［第１実施形態］
本実施形態に係る個人識別システムについて説明する。本実施形態の個人識別システムは、ユーザの歩行パターンに含まれる特徴（歩容）を計測して解析することにより、個人識別を行うためのシステムである。

図１は、本実施形態に係る個人識別システムの全体構成を示す模式図である。個人識別システムは、互いに無線通信接続され得る歩容計測装置１と、情報通信端末２と、サーバ３とを備える。

歩容計測装置１は、例えば、ユーザ４が履いている靴５の底付近に設けられる。歩容計測装置１は、ユーザ４の足の運動を計測するセンシング機能、計測された運動情報を解析する情報処理機能、情報通信端末２との通信機能等を備える電子機器である。歩容計測装置１は、土踏まずの直下等の土踏まずに対応する位置に配されることが望ましい。この場合、歩容計測装置１は、ユーザ４の足の中央の加速度と角速度を計測することができる。足の中央は足の運動の特徴をよく示す位置であるため、特徴量抽出に好適である。

なお、歩容計測装置１は、靴５の中敷に設けられていてもよく、靴５の底面に設けられていてもよく、靴５の本体に埋め込まれていてもよい。また、歩容計測装置１は靴５と着脱可能であってもよく、靴５に着脱不可能に固着されていてもよい。また、歩容計測装置１は、足の運動を計測できる位置であれば、靴５以外の部分に設けられていてもよい。例えば、歩容計測装置１は、ユーザ４が履いている靴下に設けられていてもよく、装飾品に設けられていてもよく、ユーザ４の足に直接貼り付けられるものであってもよく、足に埋め込まれるものであってもよい。また、図１においては、１つの歩容計測装置１がユーザ４の片足に設けられている例が図示されているが、ユーザ４の両足にそれぞれ１つずつの歩容計測装置１が設けられていてもよい。この場合、両足分の運動情報を並行して取得することができ、より多くの情報を得ることができる。

なお、本明細書において「足（foot）」とは、ユーザ４の下肢のうちの足首よりも先端側を意味するものとする。また、本明細書において、「ユーザ」とは、歩容計測装置１を用いた個人識別対象になっている人物を意味するものである。「ユーザ」に該当するか否かは、個人識別システムを構成する歩容計測装置１以外の装置の使用者であるか、個人識別システムにより提供されるサービスを受ける者であるか等とは無関係である。

情報通信端末２は、携帯電話、スマートフォン、スマートウォッチ等のユーザ４が携帯する端末装置である。情報通信端末２には、歩容計測装置１から取得した情報の解析用のアプリケーションソフトがあらかじめインストールされており、当該アプリケーションソフトに基づく処理を行う。情報通信端末２は、歩容計測装置１で得られたデータを取得し、当該データを用いた情報処理を行う。情報処理の結果は、ユーザ４に通知されてもよく、サーバ３に送信されてもよい。また、情報通信端末２は、歩容計測装置１の制御プログラム、データ解析プログラム等のソフトウェアを歩容計測装置１に提供する機能を有していてもよい。

サーバ３は、情報通信端末２に対して解析用のアプリケーションソフトの提供及びアップデートを行う。また、サーバ３は、情報通信端末２から取得したデータを蓄積し、当該データを用いた情報処理を行ってもよい。

なお、この全体構成は一例であり、例えば、歩容計測装置１がサーバ３に直接接続される構成であってもよい。また、歩容計測装置１と情報通信端末２が一体の装置として構成されていてもよく、個人識別システム内に更にエッジサーバ、中継装置等の別の装置が含まれていてもよい。

図２は、歩容計測装置１のハードウェア構成例を示すブロック図である。歩容計測装置１は、情報処理装置１１、ＩＭＵ（Inertial Measurement Unit）１２及びバッテリ１３を有する。

情報処理装置１１は、例えば、歩容計測装置１の全体の制御及びデータ処理を行うマイクロコンピュータ又はマイクロコントローラである。情報処理装置１１は、ＣＰＵ（Central Processing Unit）１１１、ＲＡＭ（Random Access Memory）１１２、ＲＯＭ（Read Only Memory）１１３、フラッシュメモリ１１４、通信Ｉ／Ｆ（Interface）１１５及びＩＭＵ制御装置１１６を備える。なお、情報処理装置１１内の各部、ＩＭＵ１２及びバッテリ１３は、バス、配線、駆動装置等を介して相互に接続される。

ＣＰＵ１１１は、ＲＯＭ１１３、フラッシュメモリ１１４等に記憶されたプログラムに従って所定の演算を行うとともに、情報処理装置１１の各部を制御する機能をも有するプロセッサである。ＲＡＭ１１２は、揮発性記憶媒体から構成され、ＣＰＵ１１１の動作に必要な一時的なメモリ領域を提供する。ＲＯＭ１１３は、不揮発性記憶媒体から構成され、情報処理装置１１の動作に用いられるプログラム等の必要な情報を記憶する。フラッシュメモリ１１４は、不揮発性記憶媒体から構成され、データの一時記憶、情報処理装置１１の動作用プログラムの記憶等を行う記憶装置である。

通信Ｉ／Ｆ１１５は、Ｂｌｕｅｔｏｏｔｈ（登録商標）、Ｗｉ－Ｆｉ（登録商標）等の規格に基づく通信インターフェースであり、情報通信端末２との通信を行うためのモジュールである。

ＩＭＵ１２は、３軸の角速度を計測する角速度センサと、３方向の加速度を計測する加速度センサとを備える運動計測装置である。角速度センサは、角速度を時系列データとして取得可能であればよく、振動型、静電容量型等のあらゆる方式のセンサが用いられ得る。加速度センサは、加速度を時系列データとして取得可能であればよく、圧電型、ピエゾ抵抗型、静電容量型等のあらゆる方式のセンサが用いられ得る。なお、本実施形態において、取得される時系列データのデータ点の間隔は、一定であってもよく、一定でなくてもよい。

ＩＭＵ制御装置１１６は、角速度及び加速度を計測させるようにＩＭＵ１２を制御し、ＩＭＵ１２で取得された角速度及び加速度を取得する制御装置である。取得された角速度及び加速度はデジタルデータとしてフラッシュメモリ１１４に記憶される。なお、ＩＭＵ１２で計測されたアナログ信号をデジタルデータに変換するＡＤ変換（Analog-to-Digital Conversion）は、ＩＭＵ１２内で行われてもよく、ＩＭＵ制御装置１１６により行われてもよい。

バッテリ１３は、例えば二次電池であり、情報処理装置１１及びＩＭＵ１２の動作に必要な電力を供給する。歩容計測装置１にバッテリ１３が内蔵されていることにより、歩容計測装置１は、外部の電源に有線接続することなく、ワイヤレスで動作することができる。

なお、図２に示されているハードウェア構成は例示であり、これら以外の装置が追加されていてもよく、一部の装置が設けられていなくてもよい。また、一部の装置が同様の機能を有する別の装置に置換されていてもよい。例えば、情報処理装置１１は、ユーザ４による操作を受け付けることができるようにボタン等の入力装置を更に備えていてもよく、ユーザ４に情報を提供するためのディスプレイ、表示灯、スピーカ等の出力装置を更に備えていてもよい。このように図２に示されているハードウェア構成は適宜変更可能である。

図３は、情報通信端末２のハードウェア構成例を示すブロック図である。情報通信端末２は、ＣＰＵ２０１、ＲＡＭ２０２、ＲＯＭ２０３及びフラッシュメモリ２０４を備える。また、情報通信端末２は、通信Ｉ／Ｆ２０５、入力装置２０６及び出力装置２０７を備える。なお、情報通信端末２の各部は、バス、配線、駆動装置等を介して相互に接続される。

図３では、情報通信端末２を構成する各部が一体の装置として図示されているが、これらの機能の一部は外付け装置により提供されるものであってもよい。例えば、入力装置２０６及び出力装置２０７は、ＣＰＵ２０１等を含むコンピュータの機能を構成する部分とは別の外付け装置であってもよい。

ＣＰＵ２０１は、ＲＯＭ２０３、フラッシュメモリ２０４等に記憶されたプログラムに従って所定の演算を行うとともに、情報通信端末２の各部を制御する機能をも有するプロセッサである。ＲＡＭ２０２は、揮発性記憶媒体から構成され、ＣＰＵ２０１の動作に必要な一時的なメモリ領域を提供する。ＲＯＭ２０３は、不揮発性記憶媒体から構成され、情報通信端末２の動作に用いられるプログラム等の必要な情報を記憶する。フラッシュメモリ２０４は、不揮発性記憶媒体から構成され、歩容計測装置１と送受信するデータの記憶、情報通信端末２の動作用プログラムの記憶等を行う記憶装置である。

通信Ｉ／Ｆ２０５は、Ｂｌｕｅｔｏｏｔｈ（登録商標）、Ｗｉ－Ｆｉ（登録商標）、４Ｇ等の規格に基づく通信インターフェースであり、他の装置との通信を行うためのモジュールである。

入力装置２０６は、ユーザ４が情報通信端末２を操作するために用いられるユーザインターフェースである。入力装置２０６の例としては、マウス、トラックボール、タッチパネル、ペンタブレット、ボタン等が挙げられる。

出力装置２０７は、例えば表示装置である。表示装置は、液晶ディスプレイ、ＯＬＥＤ（Organic Light Emitting Diode）ディスプレイ等であって、情報の表示、操作入力用のＧＵＩ（Graphical User Interface）の表示等に用いられる。入力装置２０６及び出力装置２０７は、タッチパネルとして一体に形成されていてもよい。

なお、図３に示されているハードウェア構成は例示であり、これら以外の装置が追加されていてもよく、一部の装置が設けられていなくてもよい。また、一部の装置が同様の機能を有する別の装置に置換されていてもよい。更に、本実施形態の一部の機能がネットワークを介して他の装置により提供されてもよく、本実施形態の機能が複数の装置に分散されて実現されるものであってもよい。例えば、フラッシュメモリ２０４は、ＨＤＤ（Hard Disk Drive）に置換されていてもよく、クラウドストレージに置換されていてもよい。このように図３に示されているハードウェア構成は適宜変更可能である。

サーバ３は、図３に示したものと概ね同様のハードウェア構成を有するコンピュータである。サーバ３のハードウェア構成は、携帯可能でなくてもよい点を除けば情報通信端末２と概ね同様であるため、詳細な説明を省略する。

図４は、本実施形態に係る情報処理装置１１の機能ブロック図である。情報処理装置１１は、取得部１２０、特徴量抽出部１３０、識別部１４０、記憶部１５０及び通信部１６０を有する。特徴量抽出部１３０は、座標系変換部１３１、角度算出部１３２、歩行周期特定部１３３及び特徴量演算部１３４を有する。

ＣＰＵ１１１は、ＲＯＭ１１３、フラッシュメモリ１１４等に記憶されたプログラムをＲＡＭ１１２にロードして実行する。これにより、ＣＰＵ１１１は、特徴量抽出部１３０及び識別部１４０の機能を実現する。また、ＣＰＵ１１１は、当該プログラムに基づいてＩＭＵ制御装置１１６を制御することにより取得部１２０の機能を実現する。また、ＣＰＵ１１１は、当該プログラムに基づいてフラッシュメモリ１１４を制御することにより記憶部１５０の機能を実現する。また、ＣＰＵ１１１は、当該プログラムに基づいて通信Ｉ／Ｆ１１５を制御することにより通信部１６０の機能を実現する。これらの各部で行われる具体的な処理については後述する。

本実施形態においては図４の機能ブロックの各機能は歩容計測装置１に設けられているものとするが、図４の機能ブロックの機能の一部が情報通信端末２又はサーバ３に設けられていてもよい。すなわち、上述の各機能は、歩容計測装置１、情報通信端末２及びサーバ３のいずれによって実現されてもよく、歩容計測装置１、情報通信端末２及びサーバ３が協働することにより実現されてもよい。本実施形態では、歩容計測装置１は、個人識別処理を行う機能を備えているため、より一般的に個人識別装置と呼ばれることもある。

図５は、本実施形態に係る歩容計測装置１により行われる個人識別処理の一例を示すフローチャートである。図５の処理は、例えば、ユーザ４が歩行しているときのように、歩容計測装置１が歩行を検出しているときに実行される。あるいは、図５の処理は、歩行の有無とは無関係に常に実行されるものであってもよく、所定の時間間隔で実行されるものであってもよい。

ステップＳ１０１において、取得部１２０は、ＩＭＵ１２の角速度センサ及び加速度センサを制御して３軸の角速度及び３方向の加速度の時系列データを取得する。これにより、取得部１２０は、ユーザ４の歩行により生じた角速度及び加速度の時間変化を取得することができる。取得された角速度及び加速度の時系列データは、デジタルデータに変換された上で記憶部１５０に記憶される。これらの角速度及び加速度はより一般的に運動情報と呼ばれることもある。また、この運動情報のうち、特に歩行時の角速度及び加速度の時系列データは歩行データと呼ばれることもある。この歩行データは、本実施形態の個人識別処理に用いるだけでなく、ユーザ４の歩容解析に用いることもできる。

なお、取得部１２０により取得される加速度の３方向とは、例えば、ＩＭＵ１２が設けられているユーザ４の足の幅方向（左右方向）、長手方向（前後方向）及び垂直方向であり得る。これらの各方向をそれぞれｘ軸、ｙ軸、ｚ軸とする。また、取得部１２０により取得される角速度の３軸とは、例えば、ｚ軸を回転軸とする足の内転及び外転（ヨー）、ｙ軸を回転軸とする足の回内及び回外（ピッチ）及びｘ軸を回転軸とする足の屈曲及び伸展（ロール）であり得る。

ここで、歩行に含まれる特徴が十分得られるためには、３軸の角速度及び３方向の加速度の時系列データは、少なくとも１歩行周期に相当する期間のデータを含むことが望ましい。１歩行周期について図６を参照して説明する。図６は、歩行周期について説明するための概念図である。図６は、１歩行周期分のユーザ４の右足と左足の動きを模式的に示している。図中の正規化時間は、１歩行周期の長さが１００になるように正規化した時間を示している。すなわち、図中の正規化時間０は右足が着地する瞬間であり、図中の正規化時間５０は左足が着地する瞬間であり、図中の正規化時間１００は再び右足が着地する瞬間である。正規化時間０から１００までの期間が１歩行周期である。

また、足が地面に着いている期間を立脚期と呼び、足が地面から離れている期間を遊脚期と呼ぶ。より詳細には、例えば、右足の立脚期は、右足の踵が着地する瞬間（着地時）から、右足の爪先が地面から離れる瞬間までの期間（離地時）であり、一般的には１歩行周期の約６０％の期間を占める。右足の遊脚期は、右足の爪先が地面から離れる瞬間から、右足の踵が着地する瞬間までの期間であり、一般的には１歩行周期の約４０％の期間を占める。図６に示されるように、歩行時には、立脚期と遊脚期が交互に繰り返される。また、右足と左足とで、立脚期と遊脚期の位相が逆である。

ステップＳ１０２において、座標系変換部１３１は、３軸の角速度及び３方向の加速度の座標系変換を行う。ＩＭＵ１２が出力する角速度及び加速度の基準となる座標系は、慣性座標系である。座標系変換部１３１は、角速度及び加速度の座標系をユーザ４の足を基準とする座標系に変換する。これにより、角速度及び加速度の座標系を足の回転角度の算出に適したものとすることができる。この座標系の変換は、例えば、オイラー角を用いた方向余弦行列Ｅを慣性座標系の基底ベクトルに乗算して基底ベクトルを回転させることにより実現される。

方向余弦行列Ｅによる座標系の変換の例をより具体的に説明する。慣性座標系の基底ベクトルを［ｘ_ｉ，ｙ_ｉ，ｚ_ｉ］、足を基準とする座標系の基底ベクトルを［ｘ_ｂ，ｙ_ｂ，ｚ_ｂ］とすると、これらの間の変換式は、以下の式（１）のように表される。

ここで、慣性座標系の基底ベクトルをｚ、ｙ、ｘの順でそれぞれψ（プサイ）、θ（シータ）、φ（ファイ）の角度だけ回転させた角を本座標系変換のオイラー角とした場合に、方向余弦行列Ｅは、以下の式（２）のように表される。

なお、上述の座標系の変換に用いた演算手法はあくまでも一例であり、これ以外の演算手法を用いてもよい。例えば、クォータニオンを用いる演算手法を適用してもよい。

ステップＳ１０３において、角度算出部１３２は、ユーザ４の足を基準とする座標系に変換された後の３軸の角速度及び３方向の加速度から、ユーザ４の足底と地面との間の角度を算出する。この処理の具体例としては、Madgwickフィルタ（非特許文献１）に３軸の角速度及び３方向の加速度を入力して、足の３軸の回転角度を出力として出力させる手法が挙げられる。Madgwickフィルタにより得られる３軸の回転角度は、足の内転又は外転の角度、足の回内又は回外の角度及び足の屈曲又は伸展の角度である。なお、後述の特徴量の抽出において、回転角度の情報が不要である場合には、ステップＳ１０３は省略されてもよい。

ステップＳ１０４において、歩行周期特定部１３３は、角速度、加速度及び回転角度の時系列データから１歩行周期を特定する。歩行時には、一歩ごとに概ね同じ動きが繰り返されるため、時系列データの周期性を検出することにより１歩行周期を特定することができる。例えば、時系列データのピーク又はディップの出現時刻、時系列データをフーリエ変換して得られた周波数スペクトルに含まれるピークの周波数等に基づいて１歩行周期を特定することができる。

ステップＳ１０５において、特徴量演算部１３４は、少なくとも１歩行周期内の時系列データからユーザ４の識別に用いられる特徴量を抽出する。抽出された特徴量は記憶部１５０に記憶される。この特徴量の抽出について、２つの具体例を挙げて説明する。

まず、図７を参照して第１の例を説明する。図７は、足の幅方向の加速度の時系列データの一例を示すグラフである。図７の横軸は時間を示しており、図７の縦軸は幅方向の加速度を示している。図７に示されている単位Ｇは、標準重力加速度（約９．８ｍ／ｓ^２）を基準とする加速度の単位である。

線種の異なる３つのグラフは、異なる３人の被験者（被験者１、被験者２、被験者３）から測定された幅方向の加速度をそれぞれ示している。図７より理解されるように、３人の被験者のいずれにおいても遊脚期の初期に急峻なピークが現れており、遊脚期の終期に急峻なディップが現れている。また、３つのグラフの相互間の差異は、遊脚期内で大きくなっており、特に上述のピークとディップの近傍で顕著に大きくなっている。そのため、足の幅方向の加速度の時系列データのうちの遊脚期の初期のピークの近傍と遊脚期の終期のディップの近傍から特徴量を抽出することにより、被験者を識別することができる。

次に、図８を参照して第２の例を説明する。図８は、足の内外転角度の時系列データの一例を示すグラフである。図８の横軸は時間を示しており、図８の縦軸は内外転角度を示している。

線種の異なる３つのグラフは、異なる３人の被験者（被験者１、被験者２、被験者３）から測定された足の内外転角度をそれぞれ示している。図８より理解されるように、３人の被験者のいずれにおいても遊脚期の初期に急峻なディップが現れており、遊脚期の終期に急峻なピークが現れている。また、３つのグラフの相互間の差異は、上述のピークとディップの近傍で顕著に大きくなっている。そのため、足の幅方向の加速度の時系列データのうちの遊脚期の初期のディップの近傍と遊脚期の終期のピークの近傍から特徴量を抽出することにより、被験者を識別することができる。

上述の遊脚期の初期と終期の近傍に特徴が現れる理由について説明する。人間の歩行時において、遊脚期の初期（すなわち、足が地面から離れるとき）には、足の爪先が下方を向く。また、遊脚期の終期（すなわち、足が地面に着くとき）には、足の爪先が上方を向く。これらのタイミングにおいて、足は内外転方向に揺れやすいため、幅方向の加速度及び内外転角度の変動が大きくなる。この変動には個人差が生じやすいため、図７及び図８に示されるように、被験者間での差が大きく、特徴量の抽出に適している。これらのピーク及びディップは、１歩行周期内に少なくとも１回ずつ生じるため、本実施形態では、少なくとも１歩行周期内の時系列データを取得して特徴量の抽出を行う。

なお、上述の例以外の時系列データから特徴量の抽出が行われてもよい。具体的には、足の長手方向の加速度、足の垂直方向の加速度、足の回内外角度、足の屈曲・伸展角度等の時系列データから特徴量の抽出が行われてもよい。また、これらの時系列データに対して時間積分等の演算を行うことにより二次的に取得されるデータ（二次データ）から特徴量の抽出が行われてもよい。当該二次データの例としては、足の３方向の速度、足の３方向の軌跡、歩行速度、歩幅、接地時間、足の滞空時間、立脚期の長さ、遊脚期の長さが挙げられる。また、ユーザ４の両足にＩＭＵ１２が設けられている場合には、両足から得られた時系列データ又は二次データの差分、比等から特徴量の抽出が行われてもよい。また、上述の時系列データ又は二次データからピーク又はディップを抽出し、そのピーク又はディップの発生時刻、強度等を特徴量として用いてもよい。また、ピーク又はディップの発生時刻、強度等に対して和、平均値、差、比、積等の統計演算を行って得られた統計量を特徴量として抽出してもよい。本処理において抽出される特徴量は、複数の要素を含んでもよく、言い換えると、本処理において抽出される特徴量は特徴量ベクトルであり得る。

ステップＳ１０６において、識別部１４０は、抽出された特徴量に基づいてユーザ４を識別する。この識別処理は、ユーザ４が歩容計測装置１にあらかじめ登録されている人物（登録者）と同一人物であるか否かを判定する処理であり得る。この処理の具体例としては、取得された特徴量と、登録者の特徴量とを比較して確信度を示すスコアを算出し、そのスコアが所定の閾値を超えているか否かに基づいてユーザ４が登録者と同一人物であるか否かを判定するというものが挙げられる。

なお、識別部１４０によって行われる特徴量からユーザ４を識別する処理には、あらかじめ機械学習により生成され、記憶部１５０に記憶されている学習済みモデルが用いられる。機械学習に用いられるアルゴリズムの例としては、決定木、ランダムフォレスト、サポートベクトルマシン、ニューラルネットワーク、ディープラーニング、ロジスティック回帰、最近傍分類法（Ｋ－ＮＮ：k-nearest neighbor algorithm）、アンサンブル分類学習法、判別分析等が挙げられる。また、機械学習による学習済みモデルの生成（学習処理）は、あらかじめ準備されたサンプルデータを用いて、歩容計測装置１、情報通信端末２又はサーバ３において行われる。

上述のステップＳ１０６における個人識別に用いられる学習済みモデルを生成するための学習処理についてより詳細に説明する。本処理は、図５の処理に先立ってあらかじめ歩容計測装置１、情報通信端末２又はサーバ３において行われる。本実施形態の説明では、学習処理はサーバ３において行われるものとする。

図９は、本実施形態に係るサーバ３により行われる学習処理の一例を示すフローチャートである。図９の処理は、個人識別処理に先立って、工場出荷時、ユーザ４が歩容計測装置１を使用する前のキャリブレーション時等のタイミングで行われる。

ステップＳ２０１において、サーバ３は、学習用のサンプルデータを取得する。このサンプルデータは、例えば、ステップＳ１０１からステップＳ１０５の処理により得られる特徴量ベクトルに人物を特定する個人識別ラベル（ユーザＩＤ（Identifier）、氏名、ニックネーム等）を対応付けたものであり得る。なお、個人識別ラベルは、ユーザ４、個人識別システムの管理者等によりあらかじめ付されている。より具体的には、ユーザ４が自分の個人識別ラベルを歩容計測装置１に入力してから実際に所定の距離を歩行して歩容計測装置１にデータを取得させることにより、特徴量ベクトルと個人識別ラベルとが対応付けられたサンプルデータを作成することができる。

ステップＳ２０２において、サーバ３は、サンプルデータを教師データとして機械学習を行う。これにより、特徴量ベクトルの入力に対して適切に人物を識別して識別情報が出力されるような学習済みモデルが生成される。

ステップＳ２０３において、サーバ３は、学習済みモデルをフラッシュメモリ２０４に記憶する。その後、サーバ３は、学習済みモデルを歩容計測装置１に提供する。具体的には、サーバ３は、学習済みモデルを情報通信端末２に送信する。情報通信端末２は、受信した学習済みモデルを識別部１４０における処理用のソフトウェアとして歩容計測装置１にインストールさせる。

図１０は、本学習処理により得られる特徴量ベクトルと個人識別ラベルとの対応関係を模式的に示す表である。図１０に示されるように、「遊脚期内における幅方向加速度の最大値」、「遊脚期内における内外転角度の最小値」、「遊脚期内における垂直方向加速度のピーク値」等を含む特徴量ベクトルに対応して、個人識別ラベルが決定される。言い換えると、本学習処理により得られる学習済みモデルは、特徴量ベクトルを説明変数として入力したときに、個人識別ラベルを応答変数として出力する機能を有する。

以下、第１実施形態の個人識別システムを用いて実際に個人識別を行った結果を実施例１及び実施例２として説明する。

［実施例１］
本実施例では、９人の被験者に対して歩行時の運動情報を計測し、歩行データを取得した。これらの歩行データから多数の特徴量ベクトルを抽出して学習用及び検証用のデータ群を作成した。本実施例では、このデータ群を用いて交差検証を行った。具体的には、データ群のうちのランダムに選択した１５％を検証用データとし、残りの８５％のデータを学習用データとした。すなわち、データ群の８５％のデータを用いて学習済みモデルを生成し、残りの１５％の検証用データを用いて学習済みモデルの認識率を検証した。

図１１は、このデータ群を用いて交差検証を行った結果を示す表である。表の「予測されたクラス」は、第１実施形態の個人識別システムにより判定された被験者のクラスであり、「真のクラス」は、実際の被験者を示すクラスである。表中のクラスの番号「１」から「９」は、被験者番号を示している。例えば、真のクラスが「３」である１８５個のデータ群について個人識別システムにより予測を行った場合には、１８５個のうちの１８４個について正しくクラス「３」を予測することができている。これに対し、１８５個のうちの１個については誤ったクラス「５」が予測されている。図１１に示されているように、第１実施形態の個人識別システムでは９９．５％以上の高い正解率で正しく被験者を判定できた。

［実施例２］
本実施例では、１０人の被験者に対して歩行時の運動情報を計測し、歩行データを取得した。これらの歩行データから多数の特徴量ベクトルを抽出して学習済みモデルを生成した。そして、同じ被験者の別の日の歩行データに対して学習済みモデルの認識率を検証した。なお、認識率は、同一人物であるか否かを判別する閾値として設定される確信度の値によって変化するが、この検証においては確信度の値は０．９とした。また、本実施例において用いた機械学習のアルゴリズムはディープラーニングである。

図１２は、認識率の検証結果を示すグラフである。図１２のグラフの縦軸は認識率であり、横軸は被験者番号である。図１２に示されているように、第１実施形態の個人識別システムでは８５％程度の高い認識率で被験者を判定できた。

以上のように、本実施形態によれば、個人識別に用いられる特徴量を好適に抽出することができる情報処理装置１１が提供される。また、情報処理装置１１により抽出された特徴量を用いることにより、高精度に個人識別を行うことができる個人識別装置及び個人識別システムが提供される。

近年、個人認証において生体情報を用いた生体認証が広く用いられている。この生体情報の例としては、顔、指紋、声紋、虹彩等がある。しかしながら、生体認証が行われる場所によっては、これらを用いた生体認証が有効に行えない場合もある。

例えば、食品工場のように、保護服、マスク等の着用が要求される施設では、顔、指紋等の生体情報を取得するための部位が外部に露出していないため、これらを用いた認証手法を用いることが困難である。また、化学工場のように安全衛生の要求が厳しい施設では、生体認証用の装置の設置が制限される場合もある。また、発電所のようにセキュリティの要求が厳しい施設では、対象者に生体認証を行っていることを知らせずに認証を行いたい場合もある。また、介護施設のように、対象者を常時認証し続けることが要求されるものの、カメラ等の生体認証用装置の死角が存在する施設もある。また、対象者を常時特定する必要がある場合には、カメラ、センサ、マイクロホン等の入力装置に対するアクションを対象者に要求する必要がある認証手法を用いることが困難である。

このように、生体認証が行われる場所及び生体認証に要求される制約条件によっては顔、指紋、声紋、虹彩等による生体認証が有効でない場合がある。

これに対し、歩容に含まれる生体情報は、対象者の顔、指紋等の部位が外部に露出していなくても取得可能である、また、歩容を用いた認証用装置は靴の中に設置できるため、外部に生体認証用の装置を設置する必要はなく、対象者に生体認証を行っていることを知られないようにすることもできる。また、歩容は、常時計測することが可能であり、その計測において歩行以外のアクションを要求する必要もない。そのため、本実施形態の個人識別システムは、上述のような顔、指紋、声紋、虹彩等の生体認証が有効でない場所においても高精度に個人識別を行うことができる。

［第２実施形態］
本実施形態の個人識別システムは、時系列データを時間領域から周波数領域に変換する機能を備える点が第１実施形態と相違する。以下では主として第１実施形態との相違点について説明するものとし、共通部分については説明を省略又は簡略化する。

図１３は、本実施形態に係る情報処理装置１１の機能ブロック図である。特徴量抽出部１３０は、第１実施形態で述べた要素に加えて、更にデータ変換部１３５を有する。データ変換部１３５は、時系列データを時間領域から周波数領域に変換する機能を有する。具体的には、データ変換部１３５は、フーリエ変換等のデータ変換を行うことにより、時間領域で取得された時系列データを周波数領域のデータ（周波数スペクトル）に変換する。変換に用いられるアルゴリズムは、例えば、高速フーリエ変換であり得る。

ＣＰＵ１１１は、ＲＯＭ１１３、フラッシュメモリ１１４等に記憶されたプログラムをＲＡＭ１１２にロードして実行することにより、データ変換部１３５の機能を実現する。なお、データ変換部１３５の機能は、情報通信端末２又はサーバ３に設けられていてもよく、ＩＭＵ１２内に設けられていてもよい。

図１４は、本実施形態に係る歩容計測装置１により行われる個人識別処理の一例を示すフローチャートである。第１実施形態と共通するステップについては説明を省略する。

ステップＳ１０７において、データ変換部１３５は、時間領域で取得された時系列データのうちの少なくとも１歩行周期分に対し、フーリエ変換等を行うことにより、周波数領域に変換する。

ステップＳ１０８において、特徴量演算部１３４は、データ変換部１３５により得られた周波数スペクトルからユーザ４の識別に用いられる特徴量を抽出する。抽出された特徴量は記憶部１５０に記憶される。この特徴量の抽出について具体例を挙げて説明する。

図１５は、足の幅方向の加速度の周波数スペクトルの一例を示すグラフである。図１５の横軸は周波数を「回／歩行周期」の単位に規格化したものを示しており、図１５の縦軸は足の幅方向の加速度をフーリエ変換して得られた振動強度を示している。

図１６は、足の内外転角度の周波数スペクトルの一例を示すグラフである。図１６の横軸は周波数を「回／歩行周期」の単位に規格化したものを示しており、図１６の縦軸は足の内外転角度をフーリエ変換して得られた振動強度を示している。

図１５及び図１６において、線種の異なる３つのグラフは、異なる３人の被験者（被験者１、被験者２、被験者３）から取得された振動強度のスペクトルをそれぞれ示している。図１５及び図１６より理解されるように、３人の被験者間について、低周波数側（例えば７回／歩行周期未満の範囲）ではピークの周波数は類似しているものの、ピークの高さに差がみられる。また、高周波数側（例えば７回／歩行周期以上の範囲）ではピークの形状、高さともに差がみられるものの、振動強度が小さい。そのため、低周波数側のいくつかのピークの高さ、高周波数側の振動強度の積分値等を特徴量として抽出することにより、被験者を識別することができる。また、ピークの高さ、積分値等を四則演算して得られたパラメータを特徴量として抽出してもよく、複数の特徴量を特徴量ベクトルとして抽出してもよい。

図１７は、上述の特徴量ベクトルを用いた学習処理により得られる特徴量ベクトルと個人識別ラベルとの対応関係を模式的に示す表である。図１７に示されるように、「横方向の主振動ピーク強度」、「内外転の主振動ピーク強度」、「横方向振動の高周波成分の積分値」等を含む特徴量ベクトルに対応して、個人識別ラベルが決定される。言い換えると、本学習処理により得られる学習済みモデルは、特徴量ベクトルを説明変数として入力したときに、個人識別ラベルを応答変数として出力する機能を有する。

以下、第２実施形態の個人識別システムを用いて実際に個人識別を行った結果を実施例３及び実施例４として説明する。

［実施例３］
本実施例では、１０人の被験者に対して歩行時の運動情報を計測し、歩行データを取得した。これらの歩行データから多数の特徴量ベクトルを抽出して学習用及び検証用のデータ群を作成した。本実施例では、このデータ群を用いて交差検証を行った。具体的には、データ群のうちのランダムに選択した１５％を検証用データとし、残りの８５％のデータを学習用データとした。すなわち、データ群の８５％のデータを用いて学習済みモデルを生成し、残りの１５％の検証用データを用いて学習済みモデルの認識率を検証した。

図１８は、このデータ群を用いて交差検証を行った結果を示す表である。表の「予測されたクラス」は、第２実施形態の個人識別システムにより判定された被験者のクラスであり、「真のクラス」は、実際の被験者を示すクラスである。表中のクラスの番号「１」から「１０」は、被験者番号を示している。例えば、真のクラスが「３」である１６８個のデータ群について個人識別システムにより予測を行った場合には、１６８個のうちの１６５個について正しくクラス「３」を予測することができている。これに対し、１６８個のうちの３個については誤ったクラス「１」、「７」及び「８」が予測されている。図１８に示されているように、第２実施形態の個人識別システムでは９８．５％以上の高い正解率で正しく被験者を判定できた。

［実施例４］
本実施例では、１０人の被験者に対して歩行時の運動情報を計測し、歩行データを取得した。これらの歩行データから多数の特徴量ベクトルを抽出して学習済みモデルを生成した。そして、同じ被験者の別の日の歩行データに対して学習済みモデルの認識率を検証した。なお、認識率は、同一人物であるか否かを判別する閾値として設定される確信度の値によって変化するが、この検証においては確信度の値は０．６とした。また、本実施例において用いた機械学習のアルゴリズムはディープラーニングである。

図１９は、認識率の検証結果を示すグラフである。図１９のグラフの縦軸は認識率であり、横軸は被験者番号である。図１９に示されているように、第２実施形態の個人識別システムでは８５％程度の高い認識率で被験者を判定できた。

以上のように、本実施形態においても第１実施形態と同様に、個人識別に用いられる特徴量を好適に抽出することができる情報処理装置１１が提供される。また、情報処理装置１１により抽出された特徴量を用いることにより、高精度に個人識別を行うことができる個人識別装置及び個人識別システムが提供される。

上述の実施形態において説明した装置又はシステムは以下の第３実施形態のようにも構成することができる。

［第３実施形態］
図２０は、第３実施形態に係る情報処理装置６１の機能ブロック図である。情報処理装置６１は、取得部６１１及び特徴量抽出部６１２を備える。取得部６１１は、ユーザの足に設けられた運動計測装置によって計測された足の運動情報を取得する。特徴量抽出部６１２は、運動情報に含まれる少なくとも１歩行周期の時系列データから、ユーザの識別に用いられる特徴量を抽出する。

本実施形態によれば、個人識別に用いられる特徴量を好適に抽出することができる情報処理装置６１が提供される。

［変形実施形態］
本発明は、上述の実施形態に限定されることなく、本発明の趣旨を逸脱しない範囲において適宜変更可能である。例えば、いずれかの実施形態の一部の構成を他の実施形態に追加した例や、他の実施形態の一部の構成と置換した例も、本発明の実施形態である。

上述の実施形態では、３軸の角速度を計測する角速度センサと、３方向の加速度を計測する加速度センサとを備える運動計測装置が用いられることが例示されているが、これら以外のセンサが更に用いられてもよい。例えば３方向の磁気を検出することで地磁気を検出し、方位を特定する磁気センサが更に用いられてもよい。この場合であっても、上述の実施形態と同様の処理が適用可能であり、精度を更に向上させることができる。

上述の実施形態では、個人識別処理は歩容計測装置１の内部で行われているが、この機能は、情報通信端末２に設けられていてもよい。この場合、情報通信端末２は、個人識別装置として機能する。

第１の実施形態では、時系列データから特徴量が抽出されており、第２の実施形態では、周波数スペクトルから特徴量が抽出されているが、時系列データと周波数スペクトルの両方から特徴量が抽出される構成であってもよい。

上述の実施形態において、加速度及び角速度の計測が行われているが、いずれか一方のみで十分な精度が得られる場合には、他方の計測は省略可能である。その場合、ＩＭＵ１２の角速度センサ又は加速度センサの一方は省略可能であり、部品のコストを削減することができる。

上述の実施形態の機能を実現するように該実施形態の構成を動作させるプログラムを記憶媒体に記録させ、記憶媒体に記録されたプログラムをコードとして読み出し、コンピュータにおいて実行する処理方法も各実施形態の範疇に含まれる。すなわち、コンピュータ読取可能な記憶媒体も各実施形態の範囲に含まれる。また、上述のプログラムが記録された記憶媒体だけでなく、そのプログラム自体も各実施形態に含まれる。また、上述の実施形態に含まれる１又は２以上の構成要素は、各構成要素の機能を実現するように構成されたＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）等の回路であってもよい。

該記憶媒体としては例えばフロッピー（登録商標）ディスク、ハードディスク、光ディスク、光磁気ディスク、ＣＤ（Compact Disk）－ＲＯＭ、磁気テープ、不揮発性メモリカード、ＲＯＭを用いることができる。また該記憶媒体に記録されたプログラム単体で処理を実行しているものに限らず、他のソフトウェア、拡張ボードの機能と共同して、ＯＳ（Operating System）上で動作して処理を実行するものも各実施形態の範疇に含まれる。

上述の各実施形態の機能により実現されるサービスは、ＳａａＳ（Software as a Service）の形態でユーザに対して提供することもできる。

なお、上述の実施形態は、いずれも本発明を実施するにあたっての具体化の例を示したものに過ぎず、これらによって本発明の技術的範囲が限定的に解釈されてはならないものである。すなわち、本発明はその技術思想、又はその主要な特徴から逸脱することなく、様々な形で実施することができる。

上述の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。

（付記１）
ユーザの足に設けられた運動計測装置によって計測された前記足の運動情報を取得する取得部と、
前記運動情報に含まれる少なくとも１歩行周期の時系列データから、前記ユーザの識別に用いられる特徴量を抽出する特徴量抽出部と、
を備える情報処理装置。

（付記２）
前記運動情報は、加速度及び角速度の少なくとも１つを含む、
付記１に記載の情報処理装置。

（付記３）
前記特徴量抽出部は、前記加速度及び前記角速度の少なくとも１つの前記時系列データから、前記特徴量を抽出する、
付記２に記載の情報処理装置。

（付記４）
前記特徴量抽出部は、前記運動情報に含まれる前記加速度及び前記角速度の少なくとも１つの座標系を前記足を基準とする座標系に変換する座標系変換部を含む、
付記２又は３に記載の情報処理装置。

（付記５）
前記特徴量抽出部は、前記加速度及び前記角速度を用いて前記足の回転角度を算出する角度算出部を含む、
付記２乃至４のいずれか１項に記載の情報処理装置。

（付記６）
前記角度算出部は、Madgwickフィルタを用いて前記回転角度を算出する、
付記５に記載の情報処理装置。

（付記７）
前記特徴量抽出部は、前記回転角度の前記時系列データから、前記特徴量を抽出する、
付記５又は６に記載の情報処理装置。

（付記８）
前記運動計測装置は、前記足の土踏まずに対応する位置に設けられる、
付記１乃至７のいずれか１項に記載の情報処理装置。

（付記９）
特徴量抽出部は、前記時系列データを時間領域から周波数領域に変換してから前記特徴を抽出する、
付記１乃至８のいずれか１項に記載の情報処理装置。

（付記１０）
前記特徴量抽出部は、前記時系列データのうちの遊脚期内の特徴から、前記ユーザの識別に用いられる特徴量を抽出する、
付記１乃至９のいずれか１項に記載の情報処理装置。

（付記１１）
付記１乃至１０のいずれか１項に記載の情報処理装置により抽出された特徴量に基づいて前記ユーザを識別する、
個人識別装置。

（付記１２）
付記１乃至１０のいずれか１項に記載の情報処理装置と、
前記特徴量に基づいて前記ユーザを識別する識別部と、
前記運動計測装置と、
を備える、個人識別システム。

（付記１３）
ユーザの足に設けられた運動計測装置によって計測された前記足の運動情報を取得するステップと、
前記運動情報に含まれる少なくとも１歩行周期の時系列データから、前記ユーザの識別に用いられる特徴量を抽出するステップと、
を備える情報処理方法。

（付記１４）
コンピュータに、
ユーザの足に設けられた運動計測装置によって計測された前記足の運動情報を取得するステップと、
前記運動情報に含まれる少なくとも１歩行周期の時系列データから、前記ユーザの識別に用いられる特徴量を抽出するステップと、
を備える情報処理方法を実行させるためのプログラムが記憶された記憶媒体。

１ 歩容計測装置
２ 情報通信端末
３ サーバ
４ ユーザ
５ 靴
１１、６１ 情報処理装置
１２ ＩＭＵ
１３ バッテリ
１１１、２０１ ＣＰＵ
１１２、２０２ ＲＡＭ
１１３、２０３ ＲＯＭ
１１４、２０４ フラッシュメモリ
１１５、２０５ 通信Ｉ／Ｆ
１１６ ＩＭＵ制御装置
１２０、６１１ 取得部
１３０、６１２ 特徴量抽出部
１３１ 座標系変換部
１３２ 角度算出部
１３３ 歩行周期特定部
１３４ 特徴量演算部
１３５ データ変換部
１４０ 識別部
１５０ 記憶部
１６０ 通信部
２０６ 入力装置
２０７ 出力装置

Claims (11)

1. ユーザの足の土踏まずに対応する位置に設けられる運動計測装置によって計測された前記足の運動情報を取得する取得部と、
   前記運動情報に含まれる少なくとも１歩行周期の時系列データから、前記ユーザの識別に用いられる特徴量を抽出する特徴量抽出部と、
   を備え、
   前記特徴量抽出部は、前記運動情報に含まれる加速度及び角速度を用いて前記足の回転角度を算出する角度算出部を含み、
   前記特徴量抽出部は、前記回転角度の前記時系列データから、遊脚期内における幅方向加速度の最大値、遊脚期内における内転又は外転の角度の最小値、及び遊脚期内における垂直方向加速度のピーク値のうち少なくとも１つを含む特徴量を抽出する、
   情報処理装置。
2. 前記特徴量抽出部は、前記運動情報に含まれる前記加速度及び前記角速度の少なくとも１つの座標系を前記足を基準とする座標系に変換する座標系変換部を含む、
   請求項１に記載の情報処理装置。
3. 前記角度算出部は、Madgwickフィルタを用いて前記回転角度を算出する、
   請求項１又は２に記載の情報処理装置。
4. 前記特徴量抽出部は、前記回転角度の前記時系列データから、遊脚初期内又は遊脚終期内における幅方向加速度の最大値、遊脚初期内又は遊脚終期内における内転又は外転の角度の最小値、及び遊脚初期内又は遊脚終期内における垂直方向加速度のピーク値のうち少なくとも１つを含む特徴量を抽出する、
   請求項１乃至３のいずれか１項に記載の情報処理装置。
5. 前記角度算出部により算出される前記回転角度は、前記足の内転又は外転の角度を含む、
   請求項１乃至４のいずれか１項に記載の情報処理装置。
6. 特徴量抽出部は、前記時系列データを時間領域から周波数領域に変換してから前記特徴量を抽出する、
   請求項１乃至５のいずれか１項に記載の情報処理装置。
7. 前記特徴量抽出部は、前記時系列データのうちの遊脚期内の特徴から、前記ユーザの識別に用いられる特徴量を抽出する、
   請求項１乃至６のいずれか１項に記載の情報処理装置。
8. 請求項１乃至７のいずれか１項に記載の情報処理装置により抽出された特徴量に基づいて前記ユーザを識別する、
   個人識別装置。
9. 請求項１乃至７のいずれか１項に記載の情報処理装置と、
   前記特徴量に基づいて前記ユーザを識別する識別部と、
   前記運動計測装置と、
   を備える、個人識別システム。
10. ユーザの足の土踏まずに対応する位置に設けられる運動計測装置によって計測された前記足の運動情報を取得するステップと、
    前記運動情報に含まれる少なくとも１歩行周期の時系列データから、前記ユーザの識別に用いられる特徴量を抽出するステップと、
    を備え、
    前記特徴量を抽出するステップは、前記運動情報に含まれる加速度及び角速度を用いて前記足の回転角度を算出するステップを含み、
    前記回転角度の前記時系列データから、遊脚期内における幅方向加速度の最大値、遊脚期内における内転又は外転の角度の最小値、及び遊脚期内における垂直方向加速度のピーク値のうち少なくとも１つを含む特徴量が抽出される、
    情報処理方法。
11. コンピュータに、
    ユーザの足の土踏まずに対応する位置に設けられる運動計測装置によって計測された前記足の運動情報を取得するステップと、
    前記運動情報に含まれる少なくとも１歩行周期の時系列データから、前記ユーザの識別に用いられる特徴量を抽出するステップと、
    を備える情報処理方法を実行させるためのプログラムであって、
    前記特徴量を抽出するステップは、前記運動情報に含まれる加速度及び角速度を用いて前記足の回転角度を算出するステップを含み、
    前記回転角度の前記時系列データから、遊脚期内における幅方向加速度の最大値、遊脚期内における内転又は外転の角度の最小値、及び遊脚期内における垂直方向加速度のピーク値のうち少なくとも１つを含む特徴量が抽出される、
    プログラム。

Images