JP7355242B2 - グリップ判定装置、グリップ判定方法及びグリップ判定プログラム - Google Patents

Description

本発明は、グリップ判定装置、グリップ判定方法及びグリップ判定プログラムに関する。

近年、圧電素子を用いて、対象物に対する行動を判定する技術の開発が進んでいる。例えば、特許文献１には、圧電センサの計測値の標準偏差を算出し、算出された標準偏差に基づいて、圧電センサの計測値を出力するか否かを判定する計測方法が提案されている。特許文献１で提案される計測方法によれば、対象物に実際に振動が生じた際に、圧電センサによる計測を開始することができ、これにより、対象物に振動が生じていない間における圧電センサの不要な計測が起きるのを抑制することができる。

特開２０１９－１１３３９６号公報

本件発明者は、特許文献１の方法には、次のような問題点があることを見出した。すなわち、圧電素子の信号値の標準偏差によれば、圧電素子を取り付けた対象物において振動が生じているか否かを判定することは可能である。しかしながら、標準偏差はデータの散らばり具合を示すに過ぎないため、算出される標準偏差の値に基づいて、対象物に対して力を加える等の単純な事象を把握することは可能であるが、対象物に対する行動を正確に把握することは困難である。特に、対象物に対する行動がグリップであるか否か（例えば、周期的に叩く等のノイズ的な行動とグリップとを判別する）を標準偏差の値に基づいて正確に判定することは困難である。

本発明は、一側面では、このような事情を鑑みてなされたものであり、その目的は、圧電素子を利用して、対象物に対する行動がグリップであるか否かを正確に判定する技術を提供することである。

本発明は、上述した課題を解決するために、以下の構成を採用する。
すなわち、本発明の一側面に係るグリップ判定装置は、対象物に取り付けられた圧電素子の測定値を時系列に示す時系列データを取得するデータ取得部と、取得された前記時系列データから、時系列に並ぶ前記測定値の波形の形状に関する１つ以上の第１特徴量を算出する算出部と、機械学習により生成された学習済み判定モデルを使用して、算出された前記１つ以上の第１特徴量に基づき、前記対象物に対する行動がグリップであるか否かを判定する判定部と、判定の結果を出力する出力部と、を備える。

本件発明者は、後述する実験例の結果から、圧電素子の時系列データから算出可能な測定値の波形の形状に関する特徴量を説明変数に用いること、及び判定モデルの生成方法に機械学習を採用することで、対象物に対する行動がグリップであるか否かを高精度に判定可能な判定モデルを生成可能であることを見出した。したがって、当該構成によれば、そのように生成された学習済み判定モデルを備えることにより、圧電素子を利用して、対象物に対する行動がグリップであるか否かを正確に判定することができる。

上記一側面に係るグリップ判定装置において、前記時系列データは、前記圧電素子から直接的に得られた信号値が時系列に並ぶことで構成された第１系列データを含んでよい。当該構成によれば、圧電素子を利用して、対象物に対する行動がグリップであるか否かを正確かつ簡易に判定することができる。

上記一側面に係るグリップ判定装置において、前記時系列データは、前記圧電素子から直接的に得られた信号値が時系列に並ぶことで構成された原系列データを標準化することで生成された第２系列データを含んでよい。測定値の平均値により、ノック等のノイズをグリップと判別しようとすると、グリップと同じような強度のノイズをグリップと誤判定してしまう可能性が生じる。同様に、学習済み判定モデルがそのように構成されると、測定値の平均値に起因する誤判定が起きる可能性が生じる。当該構成によれば、時系列データの平均値を標準化により一定値にすることができる。その結果、測定値の平均値に起因する誤判定の起きる可能性を低減することができ、判定精度の向上を期待することができる。

上記一側面に係るグリップ判定装置において、前記時系列データは、前記圧電素子から直接的に得られた信号値が時系列に並ぶことで構成された原系列データの階差系列を演算することで生成された第３系列データを含んでよい。当該構成によれば、圧電素子の信号におけるベースラインの揺らぎ（ノイズ）を階差演算により除去することができる。すなわち、信号のベースラインをある程度統一することができる。これにより、判定精度の向上を期待することができる。

上記一側面に係るグリップ判定装置において、前記時系列データは、前記圧電素子から直接的に得られた信号値が時系列に並ぶことで構成された原系列データの階差系列を演算し、かつ標準化することで生成された第４系列データを含んでよい。当該構成によれば、階差演算及び標準化の上記作用により、判定精度の向上を期待することができる。

上記一側面に係るグリップ判定装置において、前記１つ以上の第１特徴量は、所定のパーセンタイル値、歪度、尖度、又はこれらの組み合わせにより構成されてよい。当該構成によれば、測定値の波形の特徴が表れた特徴量を適切に得ることができ、これにより、対象物に対する行動がグリップであるか否かを正確に判定することができる。

上記一側面に係るグリップ判定装置において、前記時系列データの時間長は４００ｍｓ以上であってよい。当該構成によれば、時系列データの時間長を４００ｍｓ以上とすることで、４Ｈｚ～３０Ｈｚのノイズとグリップとを判別する場合に、学習済み判定モデルによる判定の精度の向上を期待することができる。

上記一側面に係るグリップ判定装置において、前記対象物に対する行動がグリップであるか否かを判定することは、前記対象物に対する行動がグリップであるかそれ以外のノイズ行動であるかを判別することを含んでよい。当該構成によれば、グリップ行動とそれ以外のノイズ的な行動とを正確に判別することができる。

上記一側面に係るグリップ判定装置において、前記算出部は、取得された前記時系列データから、振幅に関する１つ以上の第２特徴量を更に算出してもよい。そして、前記判定部は、前記学習済み判定モデルを使用して、算出された前記１つ以上の第２特徴量に基づき、前記対象物に対するグリップの強度を更に判定してもよい。本件発明者は、後述する実験例の結果から、圧電素子の時系列データから算出可能な測定値の振幅に関する特徴量を説明変数に用いることで、グリップの強度を正確に判定可能であることを更に見出した。したがって、当該構成によれば、対象物に対する行動がグリップである場合に、そのグリップの強度を正確に判定することができる。

上記一側面に係るグリップ判定装置において、前記１つ以上の第２特徴量は、最小値、最大値、標準偏差、又はこれらの組み合わせにより構成されてよい。当該構成によれば、測定値の振幅の特徴が表れた特徴量を適切に得ることができ、これにより、グリップの強度を正確に判定することができる。

上記各形態に係るグリップ判定装置の別の態様として、本発明の一側面は、以上の各構成要素の全部又はその一部を実現する情報処理方法であってもよいし、プログラムであってもよいし、このようなプログラムを記憶した、コンピュータその他装置、機械等が読み取り可能な記憶媒体であってもよい。ここで、コンピュータ等が読み取り可能な記憶媒体とは、プログラム等の情報を、電気的、磁気的、光学的、機械的、又は、化学的作用によって蓄積する媒体である。

例えば、本発明の一側面に係るグリップ判定方法は、コンピュータが、対象物に取り付けられた圧電素子の測定値を時系列に示す時系列データを取得するステップと、取得された前記時系列データから、時系列に並ぶ前記測定値の波形の形状に関する１つ以上の特徴量を算出するステップと、機械学習により生成された学習済み判定モデルを使用して、算出された前記１つ以上の特徴量に基づき、前記対象物に対する行動がグリップであるか否かを判定するステップと、判定の結果を出力するステップと、を実行する、情報処理方法である。前記１つ以上の特徴量は、所定のパーセンタイル値、歪度、尖度、又はこれらの組み合わせにより構成されてよい。

また、例えば、本発明の一側面に係るグリップ判定プログラムは、コンピュータに、対象物に取り付けられた圧電素子の測定値を時系列に示す時系列データを取得するステップと、取得された前記時系列データから、時系列に並ぶ前記測定値の波形の形状に関する１つ以上の特徴量を算出するステップと、機械学習により生成された学習済み判定モデルを使用して、算出された前記１つ以上の特徴量に基づき、前記対象物に対する行動がグリップであるか否かを判定するステップと、判定の結果を出力するステップと、を実行させるための、プログラムである。

本発明によれば、圧電素子を利用して、対象物に対する行動がグリップであるかそれ以外のノイズであるかを判定することができる。

図１は、本発明が適用される場面の一例を模式的に例示する。 図２は、実施の形態に係るグリップ判定装置のハードウェア構成の一例を模式的に例示する。 図３は、実施の形態に係るモデル生成装置のハードウェア構成の一例を模式的に例示する。 図４は、実施の形態に係るグリップ判定装置のソフトウェア構成の一例を模式的に例示する。 図５は、実施の形態に係るモデル生成装置のソフトウェア構成の一例を模式的に例示する。 図６は、実施の形態に係るモデル生成装置の処理手順の一例を示すフローチャートである。 図７は、実施の形態に係るグリップ判定装置の処理手順の一例を示すフローチャートである。 図８Ａは、非接触時に得られた測定データのサンプルを示す。 図８Ｂは、グリップ時に得られた測定データのサンプルを示す。 図８Ｃは、ノイズ（ノック）時に得られた測定データのサンプルを示す。 図９Ａは、非接触時に得られた原系列データのヒストグラムのサンプルを示す。 図９Ｂは、非接触時に得られた階差系列データのヒストグラムのサンプルを示す。 図９Ｃは、非接触時に得られた標準化系列データのヒストグラムのサンプルを示す。 図９Ｄは、非接触時に得られた標準化階差系列データのヒストグラムのサンプルを示す。 図１０Ａは、グリップ時に得られた原系列データのヒストグラムのサンプルを示す。 図１０Ｂは、グリップ時に得られた階差系列データのヒストグラムのサンプルを示す。 図１０Ｃは、グリップ時に得られた標準化系列データのヒストグラムのサンプルを示す。 図１０Ｄは、グリップ時に得られた標準化階差系列データのヒストグラムのサンプルを示す。 図１１Ａは、ノイズ（ノック）時に得られた原系列データのヒストグラムのサンプルを示す。 図１１Ｂは、ノイズ時に得られた階差系列データのヒストグラムのサンプルを示す。 図１１Ｃは、ノイズ時に得られた標準化系列データのヒストグラムのサンプルを示す。 図１１Ｄは、ノイズ時に得られた標準化階差系列データのヒストグラムのサンプルを示す。 図１２は、実験例に係る学習済み判定モデルの判別精度を示すグラフである。 図１３Ａは、非接触、グリップ、及びノイズの際に得られた原系列データから２５％値を算出した結果を示すグラフである。 図１３Ｂは、非接触、グリップ、及びノイズの際に得られた原系列データから７５％値を算出した結果を示すグラフである。 図１３Ｃは、非接触、グリップ、及びノイズの際に得られた原系列データから歪度を算出した結果を示すグラフである。 図１３Ｄは、非接触、グリップ、及びノイズの際に得られた原系列データから尖度を算出した結果を示すグラフである。 図１３Ｅは、非接触、グリップ、及びノイズの際に得られた原系列データから最小値を算出した結果を示すグラフである。 図１３Ｆは、非接触、グリップ、及びノイズの際に得られた原系列データから最大値を算出した結果を示すグラフである。 図１３Ｇは、非接触、グリップ、及びノイズの際に得られた原系列データから標準偏差を算出した結果を示すグラフである。 図１３Ｈは、非接触、グリップ、及びノイズの際に得られた原系列データから５０％値を算出した結果を示すグラフである。 図１４Ａは、非接触、グリップ、及びノイズの際に得られた階差系列データから２５％値を算出した結果を示すグラフである。 図１４Ｂは、非接触、グリップ、及びノイズの際に得られた階差系列データから７５％値を算出した結果を示すグラフである。 図１４Ｃは、非接触、グリップ、及びノイズの際に得られた階差系列データから歪度を算出した結果を示すグラフである。 図１４Ｄは、非接触、グリップ、及びノイズの際に得られた階差系列データから尖度を算出した結果を示すグラフである。 図１４Ｅは、非接触、グリップ、及びノイズの際に得られた階差系列データから最小値を算出した結果を示すグラフである。 図１４Ｆは、非接触、グリップ、及びノイズの際に得られた階差系列データから最大値を算出した結果を示すグラフである。 図１４Ｇは、非接触、グリップ、及びノイズの際に得られた階差系列データから標準偏差を算出した結果を示すグラフである。 図１４Ｈは、非接触、グリップ、及びノイズの際に得られた階差系列データから５０％値を算出した結果を示すグラフである。 図１５Ａは、非接触、グリップ、及びノイズの際に得られた標準化系列データから２５％値を算出した結果を示すグラフである。 図１５Ｂは、非接触、グリップ、及びノイズの際に得られた標準化系列データから７５％値を算出した結果を示すグラフである。 図１５Ｃは、非接触、グリップ、及びノイズの際に得られた標準化系列データから歪度を算出した結果を示すグラフである。 図１５Ｄは、非接触、グリップ、及びノイズの際に得られた標準化系列データから尖度を算出した結果を示すグラフである。 図１５Ｅは、非接触、グリップ、及びノイズの際に得られた標準化系列データから最小値を算出した結果を示すグラフである。 図１５Ｆは、非接触、グリップ、及びノイズの際に得られた標準化系列データから最大値を算出した結果を示すグラフである。 図１５Ｇは、非接触、グリップ、及びノイズの際に得られた標準化系列データから５０％値を算出した結果を示すグラフである。 図１６Ａは、非接触、グリップ、及びノイズの際に得られた標準化階差系列データから２５％値を算出した結果を示すグラフである。 図１６Ｂは、非接触、グリップ、及びノイズの際に得られた標準化階差系列データから７５％値を算出した結果を示すグラフである。 図１６Ｃは、非接触、グリップ、及びノイズの際に得られた標準化階差系列データから歪度を算出した結果を示すグラフである。 図１６Ｄは、非接触、グリップ、及びノイズの際に得られた標準化階差系列データから尖度を算出した結果を示すグラフである。 図１６Ｅは、非接触、グリップ、及びノイズの際に得られた標準化階差系列データから最小値を算出した結果を示すグラフである。 図１６Ｆは、非接触、グリップ、及びノイズの際に得られた標準化階差系列データから最大値を算出した結果を示すグラフである。 図１６Ｇは、非接触、グリップ、及びノイズの際に得られた標準化階差系列データから５０％値を算出した結果を示すグラフである。 図１７Ａは、非接触、弱グリップ、中グリップ、及び強グリップの際に得られた原系列データから最小値を算出した結果を示すグラフである。 図１７Ｂは、非接触、弱グリップ、中グリップ、及び強グリップの際に得られた原系列データから最大値を算出した結果を示すグラフである。 図１７Ｃは、非接触、弱グリップ、中グリップ、及び強グリップの際に得られた原系列データから標準偏差を算出した結果を示すグラフである。 図１７Ｄは、非接触、弱グリップ、中グリップ、及び強グリップの際に得られた原系列データから２５％値を算出した結果を示すグラフである。 図１７Ｅは、非接触、弱グリップ、中グリップ、及び強グリップの際に得られた原系列データから７５％値を算出した結果を示すグラフである。 図１８Ａは、非接触、弱グリップ、中グリップ、及び強グリップの際に得られた階差系列データから最小値を算出した結果を示すグラフである。 図１８Ｂは、非接触、弱グリップ、中グリップ、及び強グリップの際に得られた階差系列データから最大値を算出した結果を示すグラフである。 図１８Ｃは、非接触、弱グリップ、中グリップ、及び強グリップの際に得られた階差系列データから標準偏差を算出した結果を示すグラフである。 図１８Ｄは、非接触、弱グリップ、中グリップ、及び強グリップの際に得られた階差系列データから２５％値を算出した結果を示すグラフである。 図１８Ｅは、非接触、弱グリップ、中グリップ、及び強グリップの際に得られた階差系列データから７５％値を算出した結果を示すグラフである。

以下、本発明の一側面に係る実施の形態（以下、「本実施形態」とも表記する）を、図面に基づいて説明する。ただし、以下で説明する本実施形態は、あらゆる点において本発明の例示に過ぎない。本発明の範囲を逸脱することなく種々の改良や変形を行うことができることは言うまでもない。つまり、本発明の実施にあたって、実施形態に応じた具体的構成が適宜採用されてもよい。なお、本実施形態において登場するデータを自然言語により説明しているが、より具体的には、コンピュータが認識可能な疑似言語、コマンド、パラメータ、マシン語等で指定される。

§１ 適用例
図１は、本実施形態に係る判定システム１００の適用場面の一例を模式的に例示する。図１に示されるとおり、本実施形態に係る判定システム１００は、グリップ判定装置１及びモデル生成装置２を備えている。

本実施形態に係るグリップ判定装置１は、機械学習により生成された学習済み判定モデル５を使用して、圧電素子Ｓの測定データに基づき、対象物に対するグリップ行動（対象物を握ること）を判定するように構成されたコンピュータである。まず、グリップ判定装置１は、対象物に取り付けられた圧電素子Ｓの複数の測定値を時系列に示す時系列データ６を取得する。次に、グリップ判定装置１は、取得された時系列データ６から、時系列に並ぶ測定値の波形の形状に関する１つ以上の特徴量７１を算出する。グリップ判定装置１は、機械学習により生成された学習済み判定モデル５を使用して、算出された１つ以上の特徴量７１に基づき、対象物に対する行動がグリップであるか否かを判定する。そして、グリップ判定装置１は、判定の結果を出力する。

一方、本実施形態に係るモデル生成装置２は、上記グリップの判定に利用可能な学習済み判定モデル５を生成するように構成されたコンピュータである。モデル生成装置２は、複数の学習データセット３を取得する。各学習データセット３は、訓練データ及び正解ラベルの組み合わせで構成される。訓練データは、１つ以上の特徴量７１と同種のデータを備えるように構成される。正解ラベルは、訓練データにおける対象物に対する行動の正解を示すように構成される。モデル生成装置２は、取得された複数の学習データセット３を使用して、判定モデル５の機械学習を実施する。これにより、圧電素子Ｓの時系列データから算出される１つ以上の特徴量（特徴量７１）に基づいて、対象物に対する行動がグリップであるか否かを判定する能力を獲得した学習済み判定モデル５を生成することができる。

以上のとおり、本実施形態では、対象物に対する行動がグリップであるか否かの判定に、機械学習により生成された学習済み判定モデル５を使用し、かつ圧電素子Ｓの時系列データ６から算出される測定値の波形の形状に関する１つ以上の特徴量７１を判定モデル５の説明変数に採用する。本実施形態によれば、このような構成を採用することにより、圧電素子Ｓを利用して、対象物に対する行動がグリップであるか否かを正確に判定することができる。

なお、図１の例では、グリップ判定装置１及びモデル生成装置２は、ネットワークを介して互いに接続されている。ネットワークの種類は、例えば、インターネット、無線通信網、移動通信網、電話網、専用網等から適宜選択されてよい。ただし、グリップ判定装置１及びモデル生成装置２の間でデータをやりとりする方法は、このような例に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。例えば、グリップ判定装置１及びモデル生成装置２の間では、記憶媒体を利用して、データがやりとりされてよい。

また、図１の例では、グリップ判定装置１及びモデル生成装置２は、それぞれ別個のコンピュータにより構成されている。しかしながら、本実施形態に係る判定システム１００の構成は、このような例に限定されなくてもよく、実施の形態に応じて適宜決定されてよい。たとえば、グリップ判定装置１及びモデル生成装置２は一体のコンピュータであってもよい。また、例えば、グリップ判定装置１及びモデル生成装置２のうちの少なくとも一方は、複数台のコンピュータにより構成されてもよい。

また、対象物は、握る対象となり得るものであれば、その種類は、特に限定されなくてよく、実施の形態に応じて適宜選択されてよい。対象物は、例えば、車両のグリップ部、車載用スイッチ、ゲーム機器のコントローラ、電動工具、家庭用電気器具、農業機器のグリップ部等であってよい。車両のグリップ部は、例えば、ハンドル、レバー、自動運転車両の把持部、トラクタの把持部等であってよい。車両は、例えば、二輪車（例えば、バイク、自転車）、四輪車（例えば、自動車）等であってよい。自動運転車両は、例えば、自動運転バス、自動運転タクシー等であってよく、自動運転車両の把持部は、例えば、安全用途のつり革等であってよい。車載用スイッチは、例えば、タッチパッド、タッチパネル、自動ドアの開閉スイッチ、エンジンスタートのスイッチ等であってよい。電動工具は、例えば、電動ノコギリ、チェーンソー、芝刈り機等であってよい。家庭用電気器具は、例えば、掃除機、アイロン等であってよい。本実施形態を各機器に適用することにより、各機器に対するユーザのグリップ行動を監視することができる。そして、グリップ行動のオン／オフに応じて、何らかのアクションを各機器に実行させることができる。したがって、本実施形態によれば、各機器におけるユーザインタフェースの自由度の向上を図ることができる。

§２ 構成例
［ハードウェア構成］
＜グリップ判定装置＞
図２は、本実施形態に係るグリップ判定装置１のハードウェア構成の一例を模式的に例示する。図２に示されるとおり、本実施形態に係るグリップ判定装置１は、制御部１１、記憶部１２、通信インタフェース１３、外部インタフェース１４、入力装置１５、出力装置１６、及びドライブ１７が電気的に接続されたコンピュータである。なお、図２では、通信インタフェース及び外部インタフェースを「通信Ｉ／Ｆ」及び「外部Ｉ／Ｆ」と記載している。以降の図でも同様の表記を用いている。

制御部１１は、ハードウェアプロセッサであるＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）等を含み、プログラム及び各種データに基づいて情報処理を実行するように構成される。記憶部１２は、メモリの一例であり、例えば、ハードディスクドライブ、ソリッドステートドライブ等で構成される。本実施形態では、記憶部１２は、グリップ判定プログラム８１、学習結果データ２２５等の各種情報を記憶する。

グリップ判定プログラム８１は、対象物に対するグリップの判定に関する後述の情報処理（図７）をグリップ判定装置１に実行させるためのプログラムである。グリップ判定プログラム８１は、当該情報処理の一連の命令を含む。学習結果データ２２５は、学習済み判定モデル５に関する情報を示す。詳細は後述する。

通信インタフェース１３は、例えば、有線ＬＡＮ（Local Area Network）モジュール、無線ＬＡＮモジュール等であり、ネットワークを介した有線又は無線通信を行うためのインタフェースである。グリップ判定装置１は、通信インタフェース１３を利用して、他の情報処理装置との間で、ネットワークを介したデータ通信を実行することができる。

外部インタフェース１４は、例えば、ＵＳＢ（Universal Serial Bus）ポート、専用ポート等であり、外部装置と接続するためのインタフェースである。外部インタフェース１４の種類及び数は任意に選択されてよい。図２の例では、グリップ判定装置１は、外部インタフェース１４を介して、圧電素子Ｓに直接的に接続される。これにより、グリップ判定装置１は、圧電素子Ｓの測定データを取得することができる。ただし、グリップ判定装置１及び圧電素子Ｓの間の接続方法及び接続関係は、このような例に限定されなくてよい。例えば、グリップ判定装置１は、通信インタフェース１３を介して接続されてよい。また、例えば、グリップ判定装置１は、他のコンピュータを介して圧電素子Ｓに間接的に接続されてもよい。なお、圧電素子Ｓは、加えられた力により出力を変えるように構成されていれば、その種類は、特に限定されなくてよく、実施の形態に応じて適宜選択されてよい。一例では、圧電素子Ｓは、圧電性を有した材料（圧電体）及び電極により構成されてよい。例えば、圧電素子Ｓは、２つの電極で圧電体を挟むことにより構成されてよい。圧電体は、例えば、セラミックス、有機物、単結晶等であってよい。また、圧電素子Ｓの測定の周波数は任意でよい。圧電素子Ｓの測定の周波数は、例えば、６０Ｈｚ以上であってよい。

入力装置１５は、例えば、マウス、キーボード等の入力を行うための装置である。また、出力装置１６は、例えば、ディスプレイ、スピーカ等の出力を行うための装置である。ユーザ等のオペレータは、入力装置１５及び出力装置１６を利用することで、グリップ判定装置１を操作することができる。

ドライブ１７は、例えば、ＣＤドライブ、ＤＶＤドライブ等であり、記憶媒体９１に記憶されたプログラム等の各種情報を読み込むためのドライブ装置である。記憶媒体９１は、コンピュータその他装置、機械等が、記憶されたプログラム等の各種情報を読み取り可能なように、当該プログラム等の情報を、電気的、磁気的、光学的、機械的又は化学的作用によって蓄積する媒体である。上記グリップ判定プログラム８１及び学習結果データ２２５の少なくともいずれかは、記憶媒体９１に記憶されていてもよい。グリップ判定装置１は、この記憶媒体９１から、上記グリップ判定プログラム８１及び学習結果データ２２５の少なくともいずれかを取得してもよい。なお、図２では、記憶媒体９１の一例として、ＣＤ、ＤＶＤ等のディスク型の記憶媒体を例示している。しかしながら、記憶媒体９１の種類は、ディスク型に限られなくてもよく、ディスク型以外であってもよい。ディスク型以外の記憶媒体として、例えば、フラッシュメモリ等の半導体メモリを挙げることができる。ドライブ１７の種類は、記憶媒体９１の種類に応じて任意に選択されてよい。

なお、グリップ判定装置１の具体的なハードウェア構成に関して、実施形態に応じて、適宜、構成要素の省略、置換及び追加が可能である。例えば、制御部１１は、複数のハードウェアプロセッサを含んでもよい。ハードウェアプロセッサは、マイクロプロセッサ、ＦＰＧＡ（field-programmable gate array）等で構成されてよい。記憶部１２は、制御部１１に含まれるＲＡＭ及びＲＯＭにより構成されてもよい。通信インタフェース１３、外部インタフェース１４、入力装置１５、出力装置１６及びドライブ１７の少なくともいずれかは省略されてもよい。グリップ判定装置１は、複数台のコンピュータで構成されてもよい。この場合、各コンピュータのハードウェア構成は、一致していてもよいし、一致していなくてもよい。また、グリップ判定装置１は、提供されるサービス専用に設計された情報処理装置の他、マイクロコンピュータ、汎用のＰＣ（Personal Computer）等であってよい。

＜モデル生成装置＞
図３は、本実施形態に係るモデル生成装置２のハードウェア構成の一例を模式的に例示する。図３に示されるとおり、本実施形態に係るモデル生成装置２は、制御部２１、記憶部２２、通信インタフェース２３、外部インタフェース２４、入力装置２５、出力装置２６、及びドライブ２７が電気的に接続されたコンピュータである。

モデル生成装置２の制御部２１～ドライブ２７及び記憶媒体９２はそれぞれ、上記グリップ判定装置１の制御部１１～ドライブ１７及び記憶媒体９１それぞれと同様に構成されてよい。制御部２１は、ハードウェアプロセッサであるＣＰＵ、ＲＡＭ、ＲＯＭ等を含み、プログラム及びデータに基づいて各種情報処理を実行するように構成される。記憶部２２は、例えば、ハードディスクドライブ、ソリッドステートドライブ等で構成される。本実施形態では、記憶部２２は、モデル生成プログラム８２、複数の学習データセット３、学習結果データ２２５等の各種情報を記憶する。

モデル生成プログラム８２は、学習済み判定モデル５の生成（判定モデル５の機械学習）に関する後述の情報処理（図６）をモデル生成装置２に実行させるためのプログラムである。モデル生成プログラム８２は、当該情報処理の一連の命令を含む。複数の学習データセット３は、学習済み判定モデル５の生成に使用される。学習結果データ２２５は、モデル生成プログラム８２を実行した結果として生成されてよい。モデル生成プログラム８２及び複数の学習データセット３の少なくともいずれかは、記憶媒体９２に記憶されていてもよい。また、モデル生成装置２は、モデル生成プログラム８２及び複数の学習データセット３の少なくともいずれかを記憶媒体９２から取得してもよい。

なお、モデル生成装置２の具体的なハードウェア構成に関して、実施形態に応じて、適宜、構成要素の省略、置換及び追加が可能である。例えば、制御部２１は、複数のハードウェアプロセッサを含んでもよい。ハードウェアプロセッサは、マイクロプロセッサ、ＦＰＧＡ等で構成されてよい。記憶部２２は、制御部２１に含まれるＲＡＭ及びＲＯＭにより構成されてもよい。通信インタフェース２３、外部インタフェース２４、入力装置２５、出力装置２６、及びドライブ２７の少なくともいずれかは省略されてもよい。モデル生成装置２は、複数台のコンピュータで構成されてもよい。この場合、各コンピュータのハードウェア構成は、一致していてもよいし、一致していなくてもよい。また、モデル生成装置２は、提供されるサービス専用に設計された情報処理装置の他、汎用のサーバ装置、汎用のＰＣ等であってもよい。

［ソフトウェア構成］
＜グリップ判定装置＞
図４は、本実施形態に係るグリップ判定装置１のソフトウェア構成の一例を模式的に例示する。グリップ判定装置１の制御部１１は、記憶部１２に記憶されたグリップ判定プログラム８１をＲＡＭに展開する。そして、制御部１１は、ＲＡＭに展開されたグリップ判定プログラム８１に含まれる命令をＣＰＵにより解釈及び実行して、各構成要素を制御する。これにより、図４に示されるとおり、本実施形態に係るグリップ判定装置１は、データ取得部１１１、算出部１１２、判定部１１３、及び出力部１１４をソフトウェアモジュールとして備えるコンピュータとして動作する。

データ取得部１１１は、対象物に取り付けられた圧電素子Ｓの複数の測定値を時系列に示す時系列データ６を取得する。本実施形態では、時系列データ６は、４つの系列データ（原系列データ６１、標準化系列データ６２、階差系列データ６３、及び標準化階差系列データ６４）を含むように構成される。

原系列データ６１は、圧電素子Ｓから直接的に得られた信号値が時系列に並ぶことで構成される。原系列データ６１は、圧電素子Ｓの生の信号値により構成されてよい。この場合、データ取得部１１１は、圧電素子Ｓにより生成される生データ１２０を原系列データ６１として取得してもよい。或いは、原系列データ６１は、圧電素子Ｓの生の信号値に対して任意の前処理を適用することで得られる前処理済みの信号値により構成されてよい。この場合、データ取得部１１１は、圧電素子Ｓから生データ１２０を取得し、かつ取得された生データ１２０に対して前処理を実行することで、原系列データ６１を取得してもよい。前処理は、例えば、直流成分（平均値）の除去、移動平均による高周波ノイズの除去等のノイズ処理を含んでよい。移動平均は、時系列データにおいて、一定の時間長の区画を時間軸方向にずらしながら、その区画内の平均値を算出したものである。区間内の平均値を算出する前に、その区間のデータに任意の窓関数（例えば、ハニング窓）を掛け算してもよい。

標準化系列データ６２は、圧電素子Ｓから直接的に得られた信号値が時系列に並ぶことで構成された原系列データを標準化することで生成される。階差系列データ６３は、圧電素子Ｓから直接的に得られた信号値が時系列に並ぶことで構成された原系列データの階差系列を演算することで生成される。標準化階差系列データ６４は、圧電素子Ｓから直接的に得られた信号値が時系列に並ぶことで構成された原系列データの階差系列を演算し、かつ標準化することで生成される。それぞれの原系列データは、上記原系列データ６１と同様、生データ１２０又は生データ１２０に対して前処理を実行することで得られる前処理済みの系列データであってよい。

標準化は、系列データの標準偏差及び平均値を一定の値に変換する正規化処理である（例えば、標準偏差を１、平均値を０のデータに変換する）。すなわち、標準化系列データ６２は、原系列データに対して当該正規化処理を実行することにより得られる系列データであって、標準偏差及び平均値が一定の値である系列データである。以下の式１は、標準化の演算の一例である。

階差演算は、時系列に並ぶ複数の値により構成された系列データにおいて、各時点の値とその時点から１つ離れた時点の値との差分を算出する演算である。階差系列は、そのような階差演算により得られる系列である。すなわち、階差系列データ６３は、原系列データに対して当該階差演算を実行することで得られる系列データであって、特定の時間内での変化を示す系列データである。そのため、ベースラインの揺らぎの影響を減らすことができる。標準化階差系列データ６４は、原系列データに対して上記階差演算及び正規化処理を実行することにより得られる系列データである。標準化階差系列データ６４を得る際の階差演算及び正規化処理の実行順序は任意でよい。以下の式２は、階差演算の一例である。

なお、Δｙ_tは、階差系列の時点ｔの値を示す。ｙ_tは、元の系列の時点ｔの値を示し、ｙ_t-1は、元の系列の時点ｔ－１の値を示す。ｙｓ_tは、標準化後の時点ｔの値を示す。ｍｅａｎ（ｙ）は、標準化前の系列データの平均値を示し、ｓｔｄ（ｙ）は、標準化前の系列データの標準偏差を示す。標準化の演算及び階差演算では、各時点の測定値に対して上記各式の計算を実行する。

原系列データ６１は、第１系列データの一例であり、圧電素子Ｓの測定値の時系列を直接的に示す。標準化系列データ６２は、第２系列データの一例である。階差系列データ６３は、第３系列データの一例である。標準化階差系列データ６４は、第４系列データの一例である。標準化系列データ６２、階差系列データ６３、及び標準化階差系列データ６４はそれぞれ、圧電素子Ｓの測定値の時系列を間接的に示す。すなわち、時系列データ６を構成する測定値は、圧電素子Ｓから得られる生の信号値、生の信号値にノイズ除去等の前処理を適用した後の信号値（前処理済みの信号値）、及び生の信号値又は前処理済みの信号値に対して何らかの演算処理（例えば、標準化、階差演算）を適用した後の値を含んでよい。本実施形態では、データ取得部１１１は、圧電素子Ｓから生データ１２０を取得し、取得された生データ１２０から上記各系列データ６１～６４を生成する。これにより、データ取得部１１１は、原系列データ６１、標準化系列データ６２、階差系列データ６３、及び標準化階差系列データ６４を含む時系列データ６を取得することができる。

算出部１１２は、取得された時系列データ６から、時系列に並ぶ測定値の波形の形状に関する１つ以上の特徴量７１を算出する。特徴量７１は、第１特徴量の一例である。波形の形状に関する特徴量７１は、波形の形状が異なれば値が相違し得るタイプの特徴量である。この特徴量７１は、例えば、所定のパーセンタイル値、歪度、尖度、最小値、最大値等であってよい。所定のパーセンタイル値は、系列データを構成する測定値の数が１００であるとして、各測定値を小さい方（又は大きい方）から順に整列した後の所定番目の計測値を示す。５０パーセンタイル値は、中央値である。パーセンタイル値を得る序数の値（所定値）は、任意に選択されてよい。波形の形状がよく反映された値を得るためには、この序数の値は、１０～４０又は６０～９０であるのが好ましい。歪度は、データ分布の歪み度合いを示す指標である。尖度は、データ分布の尖り具合を示す指標である。各値は、公知の演算方法により算出されてよい。

判定部１１３は、学習結果データ２２５を保持していることで、機械学習により生成された学習済み判定モデル５を備えている。判定部１１３は、学習済み判定モデル５を使用して、算出された１つ以上の特徴量７１に基づき、対象物に対する行動がグリップであるか否かを判定する。対象物に対する行動がグリップであるか否かを判定することは、対象物に対する行動がグリップであるかそれ以外のノイズ行動であるかを判別することを含んでよい。ノイズ行動は、例えば、対象物を一時的に又は周期的にノックする等の対象物に力を加える行動であってよい。なお、波形の形状がよく反映された値を取得し、グリップの判定精度の向上を期待するためには、１つ以上の特徴量７１は、上記の一例のうち所定のパーセンタイル値、歪度、尖度、又はこれらの組み合わせにより構成されるのが好ましい。

本実施形態では、算出部１１２は、取得された時系列データ６から、振幅に関する１つ以上の特徴量７５を更に算出する。特徴量７５は、第２特徴量の一例である。振幅に関する特徴量７５は、振幅（測定値の大きさ）が異なれば値が相違し得るタイプの特徴量である。この特徴量７５は、例えば、最小値、最大値、標準偏差、所定のパーセンタイル値等であってよい。判定部１１３は、学習済み判定モデル５を使用して、算出された１つ以上の特徴量７５に基づき、対象物に対するグリップの強度を更に判定する。なお、振幅がよく反映された値を取得し、グリップ強度の判定精度の向上を期待するためには、１つ以上の特徴量７５は、上記の一例のうち最小値、最大値、標準偏差、又はこれらの組み合わせにより構成されるのが好ましい。出力部１１４は、各判定の結果を出力する。

＜モデル生成装置＞
図５は、本実施形態に係るモデル生成装置２のソフトウェア構成の一例を模式的に例示する。モデル生成装置２の制御部２１は、記憶部２２に記憶されたモデル生成プログラム８２をＲＡＭに展開する。そして、制御部２１は、ＲＡＭに展開されたモデル生成プログラム８２に含まれる命令をＣＰＵにより解釈及び実行して、各構成要素を制御する。これにより、本実施形態に係るモデル生成装置２は、データ収集部２１１、学習処理部２１２、及び保存処理部２１３をソフトウェアモジュールとして備えるコンピュータとして動作する。

データ収集部２１１は、機械学習に使用するための複数の学習データセット３を収集する。各学習データセット３は、訓練データ３１及び正解ラベル３２の組み合わせにより構成される。訓練データ３１は、１つ以上の特徴量７１と同種のデータを備えるように構成される。正解ラベル３２は、訓練データ３１における対象物に対する行動の正解（グリップか否か）を示すように構成される。対象物に対する行動がグリップであるかそれ以外のノイズ行動であるかをグリップ判定装置１において判別する場合、正解ラベル３２は、この判別処理の正解を示すように構成される。本実施形態では、学習済み判定モデル５によりグリップの強度を更に判定するように構成される。そのため、本実施形態では、訓練データ３１は、１つ以上の特徴量７５と同種のデータを更に備えるように構成される。また、正解ラベル３２は、訓練データ３１におけるグリップの強度の正解を更に示すように構成される。

一例として、データ収集部２１１は、圧電素子Ｓ又は同種の圧電素子から、対象物に対する行動が特定された時間区間の測定データを学習用生データ２２０として取得してもよい。続いて、データ収集部２１１は、上記データ取得部１１１と同様の方法で、学習用生データ２２０から学習用時系列データ２２１を生成してもよい。学習用生データ２２０は、上記生データ１２０に対応し、学習用時系列データ２２１は、上記時系列データ６に対応する。次に、データ収集部２１１は、上記算出部１１２と同様の演算処理を実行することにより、各学習データセット３の訓練データ３１を学習用時系列データ２２１から生成してもよい。そして、データ収集部２１１は、特定された行動（グリップか否か／グリップの強度）を示す情報を正解ラベル３２として対応する訓練データ３１に関連付ける。これにより、各学習データセット３を生成することができる。

学習処理部２１２は、複数の学習データセット３を使用して、判定モデル５の機械学習を実施する。判定モデル５の構成は、特に限定されなくてよく、実施の形態に応じて適宜選択されてよい。機械学習の方法は、判定モデル５の構成に応じて適宜選択されてよい。判定モデル５の構成及び機械学習の方法には、公知の構成及び方法が採用されてよい。この機械学習の実施の結果、圧電素子Ｓの時系列データから算出される特徴量（特徴量７１／特徴量７５）に基づいて、対象物に対する行動がグリップであるか否か及びグリップの強度を判定する能力を獲得した学習済み判定モデル５を生成することができる。

保存処理部２１３は、機械学習の結果、すなわち、生成された学習済み判定モデル５に関する情報を学習結果データ２２５として生成する。学習結果データ２２５は、学習済み判定モデル５を再生するための情報を含むように構成される。そして、保存処理部２１３は、生成された学習結果データ２２５を所定の記憶領域に保存する。

＜その他＞
グリップ判定装置１及びモデル生成装置２の各ソフトウェアモジュールに関しては後述する動作例で詳細に説明する。なお、本実施形態では、グリップ判定装置１及びモデル生成装置２の各ソフトウェアモジュールがいずれも汎用のＣＰＵによって実現される例について説明している。しかしながら、上記ソフトウェアモジュールの一部又は全部が、１又は複数の専用のプロセッサにより実現されてもよい。すなわち、上記各モジュールは、ハードウェアモジュールとして実現されてもよい。また、グリップ判定装置１及びモデル生成装置２それぞれのソフトウェア構成に関して、実施形態に応じて、適宜、ソフトウェアモジュールの省略、置換及び追加が行われてもよい。学習結果データ２２５は必ず学習済み判定モデル５と別に生成されるとは限らず、学習結果データ２２５が反映された学習済み判定モデルのみを生成する場合も含み得る。

§３ 動作例
［モデル生成装置］
図６は、本実施形態に係るモデル生成装置２による判定モデル５の機械学習に関する処理手順の一例を示すフローチャートである。ただし、モデル生成装置２の処理手順は、一例に過ぎず、各ステップは可能な限り変更されてよい。また、以下のモデル生成装置２の処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。

（ステップＳ２０１）
ステップＳ２０１では、制御部２１は、データ収集部２１１として動作し、複数の学習データセット３を収集する。

各学習データセット３は適宜生成されてよい。一例として、圧電素子Ｓ又はこれと同種の圧電素子を用意する。判定時を想定した対象物に用意した圧電素子を取り付ける。そして、グリップを含む様々な行動を対象物に対して行う。これにより、学習用生データ２２０を生成する。続いて、学習用生データ２２０から学習用時系列データ２２１を生成する。本実施形態では、学習用時系列データ２２１は、原系列データ、標準化系列データ、階差系列データ、及び標準化階差系列データを含むように構成される。次に、生成された学習用生データ２２０から上記特徴量７１と同種の特徴量を算出する。また、上記特徴量７５と同種の特徴量を学習用生データ２２０から算出する。これらの演算の結果、算出された特徴量を訓練データ３１として取得することができる。そして、対象物に対して行った行動（グリップか否か／グリップの強度）を示す情報を正解ラベル３２として対応する訓練データ３１に関連付ける。これらの処理により、各学習データセット３を生成することができる。

各学習データセット３は、コンピュータの動作により自動的に生成されてもよいし、或いは少なくとも部分的にオペレータの操作を含むことで手動的に生成されてもよい。また、各学習データセット３の生成は、モデル生成装置２により行われてもよいし、モデル生成装置２以外の他のコンピュータにより行われてもよい。各学習データセット３をモデル生成装置２が生成する場合、制御部２１は、自動的に又はオペレータの操作により手動的に上記生成処理を実行することで、各学習データセット３を収集する。一方、各学習データセット３を１又は複数の他のコンピュータが生成する場合、制御部２１は、例えば、ネットワーク、記憶媒体９２等を介して、各学習データセット３を収集する。一部の学習データセット３をモデル生成装置２が生成し、その他の学習データセット３を１又は複数の他のコンピュータが生成してもよい。

収集する学習データセット３の件数は、特に限定されなくてよく、実施の形態に応じて適宜決定されてよい。複数の学習データセット３を収集すると、制御部２１は、次のステップＳ２０２に処理を進める。

（ステップＳ２０２）
ステップＳ２０２では、制御部２１は、学習処理部２１２として動作し、得られた複数の学習データセット３を使用して、判定モデル５の機械学習を実施する。

判定モデル５は、推論結果を導出するための１つ以上の演算パラメータを備える。対象データに基づく判定モデル５の推論結果は、対象データを判定モデル５に入力し、判定モデル５の演算処理を実行することで、判定モデル５からの出力として得られる。なお、判定モデル５の出力形式は、特に限定されなくてよく、実施の形態に応じて適宜決定されてよい。機械学習は、各学習データセット３について、訓練データ３１に基づく判定モデル５の推論結果が対応する正解ラベル３２に適合するように判定モデル５を訓練する（すなわち、演算パラメータの値を調整する）ことにより構成される。

判定モデル５には、例えば、決定木モデル、ニューラルネットワーク、回帰モデル、サポートベクターマシン等の機械学習モデルが採用されてよい。機械学習の方法（演算パラメータの調整方法）には、例えば、ランダムフォレスト、誤差逆伝播法、回帰分析等の公知の方法が採用されてよい。一例として、判定モデル５は、決定木モデルにより構成されてよい。この場合、条件分岐の閾値等が、演算パラメータの一例である。制御部２１は、機械学習の処理として、ランダムフォレスト法により決定木モデルの演算パラメータの値を調整する。その他の一例として、判定モデル５は、ニューラルネットワークにより構成されてよい。この場合、各ニューロン間の結合の重み、各ニューロンの閾値等が、演算パラメータの一例である。制御部２１は、機械学習の処理として、誤差逆伝播法により演算パラメータの値を調整する。

この機械学習を実施した結果、圧電素子Ｓの時系列データから算出される特徴量（特徴量７１／特徴量７５）に基づいて、対象物に対する行動がグリップであるか否か及びグリップの強度を判定する能力を獲得した学習済み判定モデル５を生成することができる。機械学習が完了すると、制御部２１は、次のステップＳ２０３に処理を進める。

（ステップＳ２０３）
ステップＳ２０３では、制御部２１は、保存処理部２１３として動作し、生成された学習済み判定モデル５を示す学習結果データ２２５を生成する。上記推論（判定）の演算を実行するための情報を保持可能であれば、学習結果データ２２５の構成は、特に限定されなくてよく、実施の形態に応じて適宜決定されてよい。一例として、学習結果データ２２５は、判定モデル５の構成（例えば、ニューラルネットワークの構造等）及び上記調整により得られた演算パラメータの値を示す情報により構成されてよい。そして、制御部２１は、生成された学習結果データ２２５を所定の記憶領域に保存する。

所定の記憶領域は、例えば、制御部２１内のＲＡＭ、記憶部２２、外部記憶装置、記憶メディア又はこれらの組み合わせであってよい。記憶メディアは、例えば、ＣＤ、ＤＶＤ等であってよく、制御部２１は、ドライブ２７を介して記憶メディアに学習結果データ２２５を格納してもよい。外部記憶装置は、例えば、ＮＡＳ（Network Attached Storage）等のデータサーバであってよい。この場合、制御部２１は、通信インタフェース２３を利用して、ネットワークを介してデータサーバに学習結果データ２２５を格納してもよい。また、外部記憶装置は、例えば、外部インタフェース２４を介してモデル生成装置２に接続された外付けの記憶装置であってもよい。

学習結果データ２２５の保存が完了すると、制御部２１は、本動作例に係る処理手順を終了する。

なお、生成された学習結果データ２２５は、任意のタイミングでグリップ判定装置１に提供されてよい。例えば、制御部２１は、ステップＳ２０３の処理として又は当該処理とは別に、学習結果データ２２５をグリップ判定装置１に転送してもよい。グリップ判定装置１は、これを受信することで、学習結果データ２２５を取得してもよい。また、例えば、グリップ判定装置１は、通信インタフェース１３を利用して、モデル生成装置２又はデータサーバにネットワークを介してアクセスすることで、学習結果データ２２５を取得してもよい。また、例えば、グリップ判定装置１は、記憶媒体９１を介して、学習結果データ２２５を取得してもよい。また、例えば、学習結果データ２２５は、グリップ判定装置１に予め組み込まれてもよい。

更に、制御部２１は、上記ステップＳ２０１～ステップＳ２０３の処理を定期又は不定期に繰り返すことで、学習結果データ２２５を更新又は新たに生成してもよい。この繰り返しの際に、複数の学習データセット３の少なくとも一部の変更、修正、追加、削除等が適宜実行されてよい。そして、制御部２１は、更新された又は新たに生成された学習結果データ２２５を任意の方法でグリップ判定装置１に提供してもよい。これにより、グリップ判定装置１の保持する学習結果データ２２５を更新してもよい。

［グリップ判定装置］
図７は、本実施形態に係るグリップ判定装置１によるグリップ判定に関する処理手順の一例を示すフローチャートである。以下のグリップ判定装置１の処理手順は、グリップ判定方法の一例である。ただし、以下のグリップ判定装置１の処理手順は、一例に過ぎず、各ステップは可能な限り変更されてよい。また、以下のグリップ判定装置１の処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。

（ステップＳ１０１）
ステップＳ１０１では、制御部１１は、データ取得部１１１として動作し、対象物に取り付けられた圧電素子Ｓの複数の測定値を時系列に示す時系列データ６を取得する。

本実施形態では、制御部１１は、４つの系列データ６１～６４を含む時系列データ６を取得する。一例として、制御部１１は、圧電素子Ｓから生データ１２０を取得し、取得された生データ１２０に対して前処理を実行することで、前処理済みデータを生成してもよい。前処理は、直流成分（平均値）を除去する処理、及び移動平均により高周波ノイズを除去する処理を含んでよい。制御部１１は、前処理済みデータを原系列データ６１として取得してもよい。また、制御部１１は、得られた前処理済みデータ（原系列データ）に対して標準化の処理（上記式１の演算）を実行することで、標準化系列データ６２を生成してもよい。同様に、制御部１１は、得られた前処理済みデータに対して階差演算（上記式２の演算）を実行することで、階差系列データ６３を生成してもよい。制御部１１は、前処理済みデータに対して階差演算を実行し、階差演算により得られた系列データに対して標準化の演算を更に実行することで、標準化階差系列データ６４を生成してもよい。なお、各系列データ６１～６４を生成する過程で前処理は省略されてよい。これらの処理を実行するにより、制御部１１は、４つの系列データ６１～６４を含む時系列データ６を取得することができる。その他の一例として、上記各系列データ６１～６４の生成処理は、他のコンピュータで実行されてもよい。この場合、制御部１１は、他のコンピュータにより生成された時系列データ６を取得してもよい。

時系列データ６の時間長は任意に設定されてよい。例えば、後述する実験例に示されるとおり、４Ｈｚ～３０Ｈｚのノイズとグリップとを高精度に判別するために、時系列データ６（すなわち、各系列データ６１～６４）の時間長は、４００ｍｓ以上に設定されてよい。時系列データ６を取得すると、制御部１１は、次のステップＳ１０２に処理を進める。

（ステップＳ１０２）
ステップＳ１０２では、制御部１１は、算出部１１２として動作し、取得された時系列データ６から、時系列に並ぶ測定値の波形の形状に関する１つ以上の特徴量７１を算出する。１つ以上の特徴量７１は、所定のパーセンタイル値、歪度、尖度、又はこれらの組み合わせにより構成されてよい。制御部１１は、これらのタイプの特徴量のうちの少なくともいずれかを各系列データ６１～６４から算出することで、１つ以上の特徴量７１を得ることができる。

また、本実施形態では、制御部１１は、算出部１１２は、取得された時系列データ６から、振幅に関する１つ以上の特徴量７５を算出する。１つ以上の特徴量７５は、最小値、最大値、標準偏差、又はこれらの組み合わせにより構成されてよい。制御部１１は、これらのタイプの特徴量のうちの少なくともいずれかを各系列データ６１～６４から算出することで、１つ以上の特徴量７５を得ることができる。

なお、各系列データ６１～６４の間で、算出する各特徴量（７１、７５）のタイプ及び数は、一致していてもよいし、一致していなくてもよい。各系列データ６１～６４から算出する各特徴量（７１、７５）のタイプ及び数はそれぞれ、実施の形態に応じて適宜選択されてよい。ただし、標準化系列データ６２及び標準化階差系列データ６４については、標準偏差以外の特徴量が選択されるのが好ましい。各特徴量（７１、７５）を算出すると、制御部１１は、次のステップＳ１０３に処理を進める。

（ステップＳ１０３）
ステップＳ１０３では、制御部１１は、判定部１１３として動作し、学習結果データ２２５を参照することで、学習済み判定モデル５を設定する。そして、制御部１１は、学習済み判定モデル５を使用して、算出された１つ以上の特徴量７１に基づき、対象物に対する行動がグリップであるか否かを判定する。対象物に対する行動がグリップであるか否かを判定することは、対象物に対する行動がグリップであるかそれ以外のノイズ行動であるかを判別することを含んでよい。また、制御部１１は、学習済み判定モデル５を使用して、算出された１つ以上の特徴量７５に基づき、対象物に対するグリップの強度を算出する。本実施形態では、制御部１１は、算出された１つ以上の特徴量７１及び１つ以上の特徴量７５を学習済み判定モデル５に入力し、学習済み判定モデル５の演算処理を実行する。これにより、制御部１１は、各判定の結果に対応する出力を学習済み判定モデル５から取得する。学習済み判定モデル５から各判定の結果を取得すると、制御部１１は、次のステップＳ１０４に処理を進める。

（ステップＳ１０４）
ステップＳ１０４では、制御部１１は、出力部１１４として動作し、各判定の結果に関する情報を出力する。

出力先及び出力する情報の内容はそれぞれ、実施の形態に応じて適宜決定されてよい。一例として、制御部１１は、ステップＳ１０３の各判定の結果をそのまま出力装置１６に出力してもよい。また、その他の一例として、制御部１１は、各判定の結果に基づいて、所定の情報処理を実行してもよい。制御部１１は、その情報処理を実行した結果を、各判定の結果に関する情報として出力してもよい。例えば、制御部１１は、ステップＳ１０３の判定の結果に基づいて、グリップ行動のオン／オフ（又はグリップの強度）を認識してもよい。そして、制御部１１は、グリップ行動のオン／オフに応じて、何らかのアクションを実行してもよい。

判定の結果に関する情報の出力が完了すると、制御部１１は、本動作例に係る処理手順を終了する。なお、制御部１１は、ステップＳ１０１～ステップＳ１０４の一連の情報処理を継続的に繰り返し実行してもよい。繰り返すタイミングは、任意であってよい。これにより、グリップ判定装置１は、対象物に対するグリップに関する判定タスクを継続的に実施してもよい。また、一例として、制御部１１は、一連の情報処理をリアルタイムに実行してもよい。すなわち、制御部１１は、圧電素子Ｓからリアルタイムに取得されるデータに対して上記ステップＳ１０１～ステップＳ１０４の一連の情報処理を実行してもよい。その他の一例として、制御部１１は、圧電素子Ｓから過去に取得されたデータに対して上記ステップＳ１０１～ステップＳ１０４の一連の情報処理を実行してもよい。

［実験例］
上記本実施形態によりグリップ行動を判定可能か否か検証するために、市販のＰＣを用いて、以下の実験を行った。なお、本発明は、以下の実験例に限定されるものではない。

まず、圧電素子を取り付けたハンドルを用意した。用意したハンドルを利用して、非接触、グリップ、及びノイズ行動の各行動の測定データ（学習用生データ）を取得した。非接触は、ハンドルに何ら物が触れていない状態を示す。ノイズ行動には、凡そ１Ｈｚ～５Ｈｚの周期でハンドルをノックする行動を採用した。グリップの強度は三段階に分けて、各強度のグリップを測定した。すなわち、非接触、弱グリップ、中グリップ、強グリップ及びノイズ行動の５つの行動それぞれの測定データを取得した。取得した測定データの時間長はそれぞれ約４分であった。図８Ａは、非接触時に得られた測定データの一サンプルを示す。図８Ｂは、グリップ（強度：中）時に得られた測定データの一サンプルを示す。図８Ｃは、ノイズ行動（ノック）時に得られた測定データの一サンプルを示す。これらはいずれも、横軸には時間が示されており、縦軸には圧電素子の測定値から直流成分を除く前処理を行った値が示されている。

次に、得られた各行動の測定データを、１０００ミリ秒、５００ミリ秒、４００ミリ秒、及び３００ミリ秒の各時間長のデータに分割し、学習用時系列データ（原系列データ、標準化系列データ、階差系列データ、及び標準化階差系列データ）を行動種及び分割時間長毎に生成した。図９Ａ～図９Ｄは、非接触時に得られた原系列データ（図９Ａ）、階差系列データ（図９Ｂ）、標準化系列データ（図９Ｃ）、及び標準化階差系列データ（図９Ｄ）のヒストグラムの一サンプルを示す。図１０Ａ～図１０Ｄは、グリップ（強度：中）時に得られた原系列データ（図１０Ａ）、階差系列データ（図１０Ｂ）、標準化系列データ（図１０Ｃ）、及び標準化階差系列データ（図１０Ｄ）のヒストグラムの一サンプルを示す。図１１Ａ～図１１Ｄは、ノイズ行動（ノック）時に得られた原系列データ（図１１Ａ）、階差系列データ（図１１Ｂ）、標準化系列データ（図１１Ｃ）、及び標準化階差系列データ（図１１Ｄ）のヒストグラムの一サンプルを示す。

続いて、生成された学習用時系列データ（各系列データ）から各特徴量を算出した。原系列データ及び階差系列データの特徴量には、２５パーセンタイル値、５０パーセンタイル値（中央値）、７５パーセンタイル値、最小値、最大値、標準偏差、尖度、及び歪度を選択した。一方、標準化系列データ及び標準化階差系列データの特徴量には、２５パーセンタイル値、５０パーセンタイル値（中央値）、７５パーセンタイル値、最小値、最大値、尖度、及び歪度を選択した。

算出された各特徴量により訓練データを構成し、得られた訓練データに対して各行動種を示す正解ラベルを関連付けた。これにより、時系列データの時間長毎に、複数の学習データセットを生成した。すなわち、１０００ミリ秒の時系列データに対応する約２４０件の学習データセット、５００ミリ秒の時系列データに対応する約４８０件の学習データセット、４００ミリ秒の時系列データに対応する約６００件の学習データセット、及び３００ミリ秒の時系列データに対応する約８００件の学習データセットを生成した。

そして、生成された複数の学習データセットを使用して、判定モデルの機械学習を実施した。判定モデルには、決定木モデルを採用し、機械学習の方法には、ランダムフォレスト法を採用した。この機械学習の結果、時系列データの時間長毎に、上記各行動を判定する能力を獲得した学習済み判定モデルを生成した。

生成された各学習済み判定モデルの性能を評価するために、用意したハンドルを利用して、各行動の検証用の測定データを更に取得した。取得した検証用の測定データの時間長はそれぞれ約３０秒であった。取得された検証用の測定データを対応する時間長のデータに分割し、約３０件の１０００ミリ秒の時系列データ、約６０件の５００ミリ秒の時系列データ、約７５件の４００ミリ秒の時系列データ及び約１００件の３００ミリ秒の時系列データを行動種毎に生成した。各件の時系列データから上記各特徴量を算出し、算出された各特徴量を対応する時間長の学習済み判定モデルに与えることで、各学習済み判定モデルが各行動を正しく判別できるか否か検証した。

図１２は、各学習済み判定モデルの判別精度を算出した結果を示す。本検証では、３つの強度のグリップ行動を一つにまとめて判別精度を算出した（すなわち、３つの強度のグリップ行動を単一のグリップ行動として取り扱った）。図１２に示されるとおり、各時間長の学習済み判定モデルの判別精度は９０％を超えていた。この結果から、上記各特徴量を説明変数に用いることで、対象物に対する行動がグリップか否かを高精度に判定する能力を有する判定モデルを機械学習により生成可能であることが分かった。また、時系列データの時間長を４００ｍｓ以上にすることで、各行動の判別、特に、ノイズ行動（凡そ１Ｈｚ～５Ｈｚのノック）とグリップ行動との判別の精度が９６％を超えていた。この結果から、１Ｈｚ以上（特に、４Ｈｚ～３０Ｈｚ）のノック行動とグリップ行動とを高精度に判別するためには、時系列データの時間長を４００ｍｓ以上にすればよいことが分かった。

次に、グリップの強度の判定精度について検証した。３００ミリ秒の学習済み判定モデルによる弱グリップ及び強グリップの判別精度は９４．０６％及び８７．３８％であった。４００ミリ秒の学習済み判定モデルによる弱グリップ及び強グリップの判別精度は９０．７９％及び８９．６１％であった。５００ミリ秒の学習済み判定モデルによる弱グリップ及び強グリップの判別精度は９１．６７％及び９５．０８％であった。１０００ミリ秒の学習済み判定モデルによる弱グリップ及び強グリップの判別精度は９６．６７％及び１００％であった。この結果から、各特徴量を説明変数に用いることで、グリップの強度を高精度に判定する能力を有する判定モデルを機械学習により生成可能であることが分かった。

更に、各行動の判別と各特徴量との関係を調べるため、上記演算で得られた各特徴量の分布を分析した。図１３Ａ～図１３Ｈは、非接触、グリップ、及びノイズ行動の各行動により得られた検証用の原系列データから算出された２５パーセンタイル値（図１３Ａ）、７５パーセンタイル値（図１３Ｂ）、歪度（図１３Ｃ）、尖度（図１３Ｄ）、最小値（図１３Ｅ）、最大値（図１３Ｆ）、標準偏差（図１３Ｇ）、５０パーセンタイル値（図１３Ｈ）の分布を示す。図１４Ａ～図１４Ｈは、非接触、グリップ、及びノイズ行動の各行動により得られた検証用の階差系列データから算出された２５パーセンタイル値（図１４Ａ）、７５パーセンタイル値（図１４Ｂ）、歪度（図１４Ｃ）、尖度（図１４Ｄ）、最小値（図１４Ｅ）、最大値（図１４Ｆ）、標準偏差（図１４Ｇ）、５０パーセンタイル値（図１４Ｈ）の分布を示す。図１５Ａ～図１５Ｇは、非接触、グリップ、及びノイズ行動の各行動により得られた検証用の標準化系列データから算出された２５パーセンタイル値（図１５Ａ）、７５パーセンタイル値（図１５Ｂ）、歪度（図１５Ｃ）、尖度（図１５Ｄ）、最小値（図１５Ｅ）、最大値（図１５Ｆ）、５０パーセンタイル値（図１５Ｇ）の分布を示す。図１６Ａ～図１６Ｇは、非接触、グリップ、及びノイズ行動の各行動により得られた検証用の標準化階差系列データから算出された２５パーセンタイル値（図１６Ａ）、７５パーセンタイル値（図１６Ｂ）、歪度（図１６Ｃ）、尖度（図１６Ｄ）、最小値（図１６Ｅ）、最大値（図１６Ｆ）、５０パーセンタイル値（図１６Ｇ）の分布を示す。

所定のパーセンタイル値（特に、２５パーセンタイル値、７５パーセンタイル値等の中央値を除いた値）、歪度、及び尖度は、測定値の波形の形状に影響を受ける（すなわち、形状が変動すれば値が変わり得る）特徴量の一例である。各図に示されるとおり、各行動（特に、グリップ行動及びノイズ行動）の間で、各系列データから算出される２５パーセンタイル値、７５パーセンタイル、歪度、及び尖度の分布に差が生じていた。この結果から、グリップ行動の判定（特に、グリップ行動かノイズ行動かの判別）には、測定値の波形の形状に関する特徴量が有効であることが分かった。なお、各系列データから算出された最小値、最大値、及び中央値（５０パーセンタイル値）、更に、原系列データ及び階差系列データから算出された標準偏差の分布でも、各行動の間で差が生じていた。この結果から、最小値、最大値、及び中央値も（原系列データ及び階差系列データについては、更に標準偏差も）、測定値の波形の形状に関する特徴量としてグリップ行動の判定に利用可能であることが分かった。

また、グリップの強度と各特徴量との関係を調べるため、非接触及び各強度のグリップ行動の時系列データから得られた各特徴量の分布を分析した。図１７Ａ～図１７Ｅは、非接触及び各強度のグリップの各行動により得られた検証用の原系列データから算出された最小値（図１７Ａ）、最大値（図１７Ｂ）、標準偏差（図１７Ｃ）、２５パーセンタイル値（図１７Ｄ）、及び７５パーセンタイル値（図１７Ｅ）の分布を示す。図１８Ａ～図１８Ｅは、非接触及び各強度のグリップの各行動により得られた検証用の原系列データから算出された最小値（図１８Ａ）、最大値（図１８Ｂ）、標準偏差（図１８Ｃ）、２５パーセンタイル値（図１８Ｄ）、及び７５パーセンタイル値（図１８Ｅ）の分布を示す。

最小値、最大値及び標準偏差は、測定値の振幅に影響を受ける（すなわち、振幅が変動すれば値が変わり得る）特徴量の一例である。各図に示されるとおり、最小値、最大値及び標準偏差の分布は、グリップの強度に相関性を有していた。この結果から、グリップの強度の判定には、測定値の振幅に関する特徴量が有効であることが分かった。なお、原系列データ及び階差系列データから算出された２５パーセンタイル値及び７５パーセンタイル値の分布も、グリップの強度に相関性を有していた。この結果から、所定のパーセンタイル値も、測定値の振幅に関する特徴量としてグリップの強度の判定に利用可能であることが分かった。

［特徴］
以上のとおり、本実施形態では、ステップＳ１０３において、機械学習により生成された学習済み判定モデル５を使用し、かつ圧電素子Ｓの時系列データ６から算出される測定値の波形の形状に関する１つ以上の特徴量７１を説明変数に採用して、対象物に対する行動がグリップであるか否かを判定する。本実施形態によれば、このような構成を採用することにより、上記実験例に示されるとおり、圧電素子Ｓを利用して、対象物に対する行動がグリップであるか否かを正確に判定することができる。

また、本実施形態では、ステップＳ１０３において、機械学習により生成された学習済み判定モデル５を使用し、かつ圧電素子Ｓの時系列データ６から算出される振幅に関する１つ以上の特徴量７５を説明変数に採用して、対象物に対するグリップの強度を判定する。本実施形態によれば、このような構成を採用することにより、上記実験例に示される通り、圧電素子Ｓを利用して、対象物に対するグリップの強度を正確に判定することができる。

また、測定値の平均値により、ノック等のノイズをグリップと判別しようとすると、グリップと同じような強度のノイズをグリップと誤判定してしまう可能性が生じる。同様に、学習済み判定モデルがそのように構成されると、測定値の平均値に起因する誤判定が起きる可能性があると推測される。これに対して、本実施形態では、学習時及び推論時の時系列データは、標準化系列データ及び標準化階差系列データを含んでいる。標準化の演算によれば、時系列データの平均値を一定値にすることができる。その結果、測定値の平均値に起因する誤判定の起きる可能性を低減することができ、対象物に対する行動がグリップか否かの判定（特に、グリップかノイズ行動かの判別）の精度の向上を期待することができる。

また、本実施形態では、学習時及び推論時の時系列データは、階差系列データ及び標準化階差系列データを含んでいる。階差演算によれば、圧電素子Ｓの信号におけるベースラインの揺らぎ（ノイズ）を除去することができる。すなわち、信号のベースラインをある程度統一することができる。その結果、ステップＳ１０３における判定精度の向上を期待することができる。

§４ 変形例
以上、本発明の実施の形態を詳細に説明してきたが、前述までの説明はあらゆる点において本発明の例示に過ぎない。本発明の範囲を逸脱することなく種々の改良又は変形を行うことができることは言うまでもない。例えば、以下のような変更が可能である。なお、以下では、上記実施形態と同様の構成要素に関しては同様の符号を用い、上記実施形態と同様の点については、適宜説明を省略した。以下の変形例は適宜組み合わせ可能である。

＜４．１＞
上記実施形態では、学習時及び推論時の時系列データは、原系列データ、標準化系列データ、階差系列データ、及び標準化階差系列データの４つの系列データを含むように構成される。しかしながら、時系列データの構成は、このような例に限定されなくてよい。時系列データは、原系列データ、標準化系列データ、階差系列データ、及び標準化階差系列データの少なくともいずれかは省略されてよい。

＜４．２＞
上記実施形態では、学習済み判定モデル５は、対象物に対する行動がグリップか否か及びグリップの強度の２つの判定を実行するように構成される。しかしながら、学習済み判定モデル５の構成は、このような例に限定されなくてもよい。２つの判定のうちのいずれか一方は省略されてよい。

対象物に対する行動がグリップか否かを判定する能力のみ有するように学習済み判定モデル５を構成する場合、上記機械学習のフェーズにおいて、グリップの強度を判定する能力の獲得に関連するデータは訓練データ３１及び正解ラベル３２から省略されてよい。加えて、推論（判定）のフェーズにおいて、特徴量７５を算出する処理及びグリップの強度を判定する処理は省略されてよい。

また、グリップの強度を判定する能力のみ有するように学習済み判定モデル５を構成する場合、上記機械学習のフェーズにおいて、対象物に対する行動がグリップか否かを判定する能力の獲得に関連するデータは訓練データ３１及び正解ラベル３２から省略されてよい。加えて、推論のフェーズにおいて、特徴量７１を算出する処理及び対象物に対する行動を判定する処理は省略されてよい。なお、グリップの強度を判定する能力のみ有するように学習済み判定モデル５を構成する場合、時系列データは、原系列データ及び階差系列データの少なくとも一方を含むように構成されるのが好ましい。

また、上記実験例では、グリップの強度を３段階（弱、中、強）で設定している。しかしながら、グリップの強度のスケールは、このような例に限定されなくてもよい。グリップの強度は、連続値で推定されてもよいし、或いは任意数のレベルで推定されてもよい。

また、上記実施形態では、１つの学習済み判定モデル５が上記２つの判定を実行する能力を有するように構成されている。しかしながら、学習済み判定モデルの数は、このような例に限定されなくてもよい。判定処理毎に別々の学習済み判定モデルが用意されてよい。

また、上記実験例では、得られた時系列データを４００ｍｓ以上の長さに分割した時系列データを用いて判定したが、たとえば切り取る位置を１００ｍｓずつずらしながら、４００ｍｓ以上の長さのデータを重複しながら取得して判定してもよい。

１…グリップ判定装置、
１１…制御部、１２…記憶部、１３…通信インタフェース、
１４…外部インタフェース、
１５…入力装置、１６…出力装置、１７…ドライブ、
９１…記憶媒体、８１…グリップ判定プログラム、
１１１…データ取得部、１１２…算出部、
１１３…判定部、１１４…出力部、
１２０…生データ、
２…モデル生成装置、
２１…制御部、２２…記憶部、２３…通信インタフェース、
２４…外部インタフェース、
２５…入力装置、２６…出力装置、２７…ドライブ、
９２…記憶媒体、８２…モデル生成プログラム、
２１１…データ収集部、２１２…学習処理部、
２１３…保存処理部、
２２０…学習用生データ、２２１…学習用時系列データ、
２２５…学習結果データ、
３…学習データセット、
３１…訓練データ、３２…正解ラベル、
５…判定モデル、
６…時系列データ、
６１…原系列データ（第１系列データ）、
６２…標準化系列データ（第２系列データ）、
６３…階差系列データ（第３系列データ）、
６４…標準化階差系列データ（第４系列データ）、
７１…特徴量（第１特徴量）、７５…特徴量（第２特徴量）

Claims (14)

1. 対象物に取り付けられた圧電素子の測定値を時系列に示す時系列データを取得するデータ取得部と、
   取得された前記時系列データから、時系列に並ぶ前記測定値の波形の形状に関する１つ以上の第１特徴量を算出する算出部と、
   機械学習により生成された学習済み判定モデルを使用して、算出された前記１つ以上の第１特徴量に基づき、前記対象物に対する行動がグリップであるか否かを判定する判定部と、
   判定の結果を出力する出力部と、を備え、
   前記学習済み判定モデルは、前記１つ以上の第１特徴量と、グリップに関する前記対象物に対する行動とを関連付けた訓練用データを用いた機械学習によって生成されたモデルである、グリップ判定装置。
2. 前記時系列データは、前記圧電素子から直接的に得られた信号値が時系列に並ぶことで構成された第１系列データを含む、請求項１に記載のグリップ判定装置。
3. 前記時系列データは、前記圧電素子から直接的に得られた信号値が時系列に並ぶことで構成された原系列データを標準化することで生成された第２系列データを含む、請求項１又は２に記載のグリップ判定装置。
4. 前記時系列データは、前記圧電素子から直接的に得られた信号値が時系列に並ぶことで構成された原系列データの階差系列を演算することで生成された第３系列データを含む、請求項１から３のいずれか１項に記載のグリップ判定装置。
5. 前記時系列データは、前記圧電素子から直接的に得られた信号値が時系列に並ぶことで構成された原系列データの階差系列を演算し、かつ標準化することで生成された第４系列データを含む、請求項１から４のいずれか１項に記載のグリップ判定装置。
6. 前記１つ以上の第１特徴量は、所定のパーセンタイル値、歪度、尖度、又はこれらの組み合わせにより構成される、請求項１から５のいずれか１項に記載のグリップ判定装置。
7. 前記時系列データの時間長は４００ｍｓ以上である、請求項１から６のいずれか１項に記載のグリップ判定装置。
8. 前記対象物に対する行動がグリップであるか否かを判定することは、前記対象物に対する行動がグリップであるかそれ以外のノイズ行動であるかを判別することを含む、請求項１から７のいずれか１項に記載のグリップ判定装置。
9. 前記算出部は、取得された前記時系列データから、振幅に関する１つ以上の第２特徴量を更に算出し、
   前記判定部は、前記学習済み判定モデルを使用して、算出された前記１つ以上の第２特徴量に基づき、前記対象物に対するグリップの強度を更に判定する、請求項１から８のいずれか１項に記載のグリップ判定装置。
10. 前記１つ以上の第２特徴量は、最小値、最大値、標準偏差、又はこれらの組み合わせにより構成される、請求項９に記載のグリップ判定装置。
11. コンピュータが、
    対象物に取り付けられた圧電素子の測定値を時系列に示す時系列データを取得するステップと、
    取得された前記時系列データから、時系列に並ぶ前記測定値の波形の形状に関する１つ以上の特徴量を算出するステップと、
    機械学習により生成された学習済み判定モデルを使用して、算出された前記１つ以上の特徴量に基づき、前記対象物に対する行動がグリップであるか否かを判定するステップと、
    判定の結果を出力するステップと、を実行し、
    前記学習済み判定モデルは、前記１つ以上の特徴量と、グリップに関する前記対象物に対する行動とを関連付けた訓練用データを用いた機械学習によって生成されたモデルである、グリップ判定方法。
12. 前記１つ以上の特徴量は、所定のパーセンタイル値、歪度、尖度、又はこれらの組み合わせにより構成される、請求項１１に記載のグリップ判定方法。
13. コンピュータに以下のステップを実行させるためのプログラムであって、
    前記ステップは、
    対象物に取り付けられた圧電素子の測定値を時系列に示す時系列データを取得するステップと、
    取得された前記時系列データから、時系列に並ぶ前記測定値の波形の形状に関する１つ以上の特徴量を算出するステップと、
    機械学習により生成された学習済み判定モデルを使用して、算出された前記１つ以上の特徴量に基づき、前記対象物に対する行動がグリップであるか否かを判定するステップと、
    判定の結果を出力するステップと、を含み、
    前記学習済み判定モデルは、前記１つ以上の特徴量と、グリップに関する前記対象物に対する行動とを関連付けた訓練用データを用いた機械学習によって生成されたモデルである、グリップ判定プログラム。
14. 前記１つ以上の特徴量は、所定のパーセンタイル値、歪度、尖度、又はこれらの組み合わせにより構成される、請求項１３に記載のグリップ判定プログラム。