JP2009238196A - 携帯端末装置の移動状態を推定する方法及びシステム - Google Patents
携帯端末装置の移動状態を推定する方法及びシステム Download PDFInfo
- Publication number
- JP2009238196A JP2009238196A JP2008126986A JP2008126986A JP2009238196A JP 2009238196 A JP2009238196 A JP 2009238196A JP 2008126986 A JP2008126986 A JP 2008126986A JP 2008126986 A JP2008126986 A JP 2008126986A JP 2009238196 A JP2009238196 A JP 2009238196A
- Authority
- JP
- Japan
- Prior art keywords
- movement state
- data
- list
- estimated
- spectrum
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 191
- 238000001228 spectrum Methods 0.000 claims description 397
- 230000001133 acceleration Effects 0.000 claims description 200
- 230000006870 function Effects 0.000 claims description 63
- 238000012545 processing Methods 0.000 claims description 59
- 238000011156 evaluation Methods 0.000 claims description 46
- 239000013598 vector Substances 0.000 claims description 40
- 238000007476 Maximum Likelihood Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000005070 sampling Methods 0.000 claims description 19
- 230000007613 environmental effect Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000001131 transforming effect Effects 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 51
- 230000008859 change Effects 0.000 description 28
- 230000007704 transition Effects 0.000 description 16
- 238000006243 chemical reaction Methods 0.000 description 12
- 238000005259 measurement Methods 0.000 description 7
- 108090000623 proteins and genes Proteins 0.000 description 6
- 230000007423 decrease Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000009795 derivation Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- 210000003423 ankle Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 210000004247 hand Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000036316 preload Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Time Recorders, Dirve Recorders, Access Control (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【解決手段】本発明は少なくともCPUと、メモリと、環境情報取得装置とを包含する携帯端末装置の移動状態を推定する方法であって、該メモリが、所定の移動状態を代表する少なくとも2以上のシンボル(ID)から構成される第1のシンボル列の群を格納し、該CPUが、環境情報取得装置により所定期間収集された環境情報値をシンボル化するステップと、所定期間を一定期間ずらして前記シンボル化ステップを少なくとも2回以上繰り返し、繰り返し生成された複数のシンボル化された環境情報値からなる第2のシンボル列を生成するステップと、第1のシンボル列の群に対する第2のシンボル列の尤度を求めるステップとを有し、尤度が最大となる前記第1のシンボル列を特定することにより移動状態を推定する方法に関する。
【選択図】 図2
Description
Nicky Kern, "A Model for Human Interruptability: Experimental Evaluation and Automatic Estimation fromWearable Sensors" ISWC'04, pp.158-165(2004). Stephen S.Intille, " Acquiring In Situ Training Data for Context-Aware Ubiquitous Computing Applications" CHI 2004, ACM Press, pp.1-9(2004). Daniel Siewiorek, "SenSay: A Context-Aware Mobile Phone" ISWC'03(2003). Toshiki Iso, "Personal Context Extractor with Multiple Sensor on a Cell Phone" D. 2 C200525(2005). Y. Kawahara, "A Context-Aware Content Delivery Service Using Off-the-shelf Sensors" Mobisys2004(2004). 北 研二他著、「確率的言語モデル」、1999年 L.E. Baum他著、「A maximization technique occurring in the statistical analysis of probabilistic function of markov chains」、1970年 、赤池著、「統計的検定の新しい考え方」、1979年
また、本発明は、少なくとも中央演算処理装置と、メモリと、所定のサンプリングレートを備えた加速度センサとを包含する携帯端末装置の移動状態を推定する方法であって、前記メモリが、所定の移動状態を代表する少なくとも2以上のスペクトルから構成される第1のスペクトル・リストの群(代表パワースペクトル・リスト群)を格納し、前記CPUが、前記加速度センサにより連続的に加速度値を収集させるステップと、前記収集された連続の加速度値において、所定期間の前記連続の加速度値のデータから構成されるスペクトルを時間窓データとして生成させる時間窓データ生成ステップと、時間窓を一定期間ずらして前記時間窓データを生成させるステップを少なくとも2回以上繰り返し、当該繰り返し生成された複数の時間窓データから推定用データ・リストを生成させるステップと、前記生成された推定用データ・リストを高速フーリエ変換させ、第2のスペクトル・リスト(推定用パワースペクトル・リスト)を生成させるステップと、前記第1のスペクトル・リストの群に対する、前記第2のスペクトル・リストの尤度を評価するステップと、を有し、前記尤度が最大となる前記第1のスペクトル・リストを特定することにより移動状態を推定する方法を特徴とする。
また、本発明は、少なくとも中央演算処理装置と、メモリと、所定のサンプリングレートを備えた加速度センサとを包含する携帯端末装置の移動状態を推定するシステムであって、前記メモリが、所定の移動状態を代表する少なくとも2以上のスペクトルから構成される第1のスペクトル・リストの群を格納し、前記CPUが、前記加速度センサにより連続的に加速度値を収集させ、前記収集された連続の加速度値において、所定の期間の前記連続の加速度値のデータから構成されるスペクトルを時間窓データとして生成させ、時間窓を一定期間ずらして前記時間窓データの生成を少なくとも2回以上繰り返し、当該繰り返し生成された複数の時間窓データから推定用データ・リストを生成させ、前記生成された推定用データ・リストを高速フーリエ変換させ、第2のスペクトル・リストを生成させ、前記第1のスペクトル・リストの群に対する、前記第2のスペクトル・リストの尤度を評価する、前記尤度が最大となる前記第1のスペクトル・リストを特定することにより移動状態を推定するシステムに関する。
前記加速度センサにより連続的に単位時間あたりの加速度値を収集させるステップと、を有し、前記尤度が最大となる前記第1のスペクトル・リストを特定することにより推定された移動状態を単位時間あたりの推定データとしてメモリへ蓄積することを特徴とする、請求項19に記載の移動状態を推定する方法であることを特徴とする。
また、別の態様において、請求項25に記載の推定データ・ログを用いて多数決推定方式で移動状態を推定するステップは、前記推定データ・ログに含まれる最高頻度の移動状態が前記識別された移動状態グループの種別に属する場合は、該最高頻度の移動状態を推定される移動状態として特定し、前記推定データ・ログに含まれる最高頻度の移動状態が前記識別された移動状態グループの種別に属さない場合は、前記識別された移動状態グループの基本の移動状態を推定される移動状態として特定することにより、移動状態を推定することを特徴とする請求項25または26に記載の方法を提供する。
ユーザの移動状態の推定
図3は、ユーザの移動状態の推定処理のフロー図である。ユーザの有する加速度センサから加速度データを取得し、FF変換により推定用パワースペクトル・リストを生成する(C1)。より詳細には、CPUが、あらかじめ、移動状態推定関数(FF変換関数,パターンマッチング関数、シンボル列生成関数、HMM推定関数)をFlashメモリから読み込み、ヒープメモリ上にロードする。そして、FF変換関数により、CPUがヒープメモリから推定用加速度データを読み込み、推定用パワースペクトル・リストを計算し、算出結果をヒープメモリに蓄積する。
以下に各ステップの詳細を個別に説明する。
学習用パワースペクトル・リストの生成
図4は学習用パワースペクトル・リストの生成処理のフロー図である。学習用パワースペクトル・リストは、HMMの学習をするために利用されるデータであり、ある特定の移動状態における参照状態のデータを一定期間取得することにより生成される。
代表パワースペクトル群の選定
学習用パワースペクトル・リストからの代表パワースペクトル・リストの選定は、好ましい実施態様では、GAを用いて行われる。代表パワースペクトル・リストの選定は、CPUにより学習用パワースペクトル・リストから個体群を生成し、生成された個体群のうち1の個体毎に評価値を計算し、評価値を基に各個体を評価し、世代交代を所定回数行い、評価値の高い個体を選択することにより行われる。すなわち、各個体の評価値を計算し、その評価値を基に評価値順に個体群をソートし、個体群の交叉・継承・突然変異等の操作を所定回数繰り返し、無進化状態が続く場合は、選定されている個体群の内最も高い評価値を有する個体を最適解として選定する。これら一連の処理を含むプロセスを図5に示す。尚、これら一連の処理を行うにあたって、CPUは、あらかじめFlashメモリに格納されている代表パワースペクトル選定プログラムをヒープメモリ上へロードする。そして、CPUは、代表パワースペクトル選定プログラムの命令をCPUレジスタへ登録し、プログラム処理し、得られた値をヒープメモリへ蓄積する。
学習用パワースペクトル・リストのパターンマッチング
選定された代表パワースペクトル群のうち、各々の代表パワースペクトル(ここでは、224個)に対し、個別にIDを付与する。次に、学習用パワースペクトル・リストPaに格納された時系列の学習用パワースペクトル毎に、代表パワースペクトル群の内の各代表パワースペクトルとパターンマッチングを行い、最近傍の代表パワースペクトルのIDを選定し、順次ヒープメモリへ格納し、学習用シンボル列を生成する。ここで、シンボル列とは、所定期間における代表パワースペクトルのIDを時系列に格納したデータ列である。
HMM学習
本発明は、HMMをユーザの移動状態の推定に用いることにより、ユーザの移動状態が大きく変動した場合でも正確にユーザの移動状態を認識できるようにするものである。HMMは、概略的には互いに遷移により接続されている状態の集合であり、いくつかの内部状態から構成され、各遷移のステップ毎に観測可能な出力を生成しながら、初期状態から最終状態まで状態を遷移するものである。HMMの詳細については、例えば北 研二著、1999年、「確率的言語モデル」に記載されている。バウムーウェルチアルゴリズムの詳細については、L.E. Baum他著、「A maximization technique occurring in the statistical analysis of probabilistic function of markov chains」に記載されている。また、AIC(赤池情報量基準)については、赤池著、「統計的検定の新しい考え方」に記載されている。
HMMの作成
図6はHMMの学習処理フローを示す。一実施態様において、HMMは、初期状態確率Xi、状態遷移確率Aij、信号出力確率Bi(k)により構成される。HMMでは、いくつかの状態iを用意し、それぞれの状態から始まる確率を初期状態確率Xi、ある状態iから各々の状態jへの遷移確率を状態遷移確率Aij、及び各々の状態iにおけるシンボルk(ここでは224個の代表スペクトルのID)の出現する確率を信号出力確率Bi(k)とする。HMMは、初期状態確率Xi、状態遷移確率Aij、記号出力確率Bi(k)の値に基づいて確率的に記号列を出力することができる。ユーザの移動状態の推定は、予め移動状態毎にHMMを用意し、各HMMが学習用シンボル列を最も高い確率で出力するようにHMMの確率表、Xi,Aij,bi(k)を学習することにより行われる。
次に、ステップF2により得られた値Xi、Aij、Bi(k)を用いてHMMの尤度計算を好ましくは、前向きアルゴリズムにより行う(F3)。
尤度に一定以上の向上がない場合、AICを算出する(F5)。ここで、AICとは統計モデルの良さを評価するための指標であり、モデルの複雑さと、データとの適合度とのバランスをとるために使用されるものである。
推定用パワースペクトル・リストの生成
ある移動状態にいるユーザの移動状態を推定するために用いる推定用パワースペクトル・リストは、学習用パワースペクトル・リストの選定と同様のプロセスにより行われる。すなわち、ある移動状態にいるユーザが有する加速度センサから所定期間(ここでは2秒間)に亘って推定用の加速度データを取得し、得られた推定用加速度データから加速度の時間窓データを生成する。
可変長シンボルを用いた多段推定方式
本発明の更なる態様において、ユーザの移動状態の推定は、移動状態を推定するために要するシンボル長(時間長)を、所定の期間に得られる情報に従って、多段階で変更することでより短時間にユーザの移動状態を推定すること(多段推定方式)に関する。図7は可変長シンボル列を用いた多段推定方式による処理フロー図である。本方式を適用することにより上述した推定方法に要した平均推定時間を更に短縮してユーザの移動状態を推定することが可能となる。
移動状態スキーマを用いた多数決推定方式
本発明の更なる態様は、前述した多段推定方式による推定精度を落とさずに、移動状態の推定に要する時間を更に短縮する多数決推定方式に関する。多数決推定方式においては、移動状態スキーマを用いることにより、移動状態の推定に要する処理時間を短縮し、一回の推定に必要な処理負荷を軽減することができる。
複数種類の外部環境情報を用いた移動状態推定方式
更なる実施態様は、最小誤差推定方式、及び加速度センサ、マイクセンサ、位置測位システム受信機の3種類のセンサを複合的に用いたHMM推定方式に関する。図11は本発明の一態様によるユーザ移動状態推定方式のシステム構成を示した図である。携帯端末装置(A1)は少なくとも加速度センサ(A50)、メモリ、中央演算装置(CPU)(A10)、バッテリ(A60)を含み、さらにマイクセンサ(A70)、位置測位システム受信機(A80)を含むことができる。これらの各コンポーネントは、好ましくは1つの携帯端末装置に搭載される。1つの携帯端末装置に搭載することにより、ユーザの携帯端末装置を所持する負担を軽減することができる。
最小誤差推定方式
本実施態様は、推定用パワースペクトルとの誤差が最小の代表パワースペクトルのIDを代表パワースペクトル・リスト群から所定数取得し、取得されたIDの多数決をとることにより最高頻度の移動状態を推定結果として取得してユーザの移動状態を推定するものである。HMMを用いた移動状態推定方式のように、推定用パワースペクトルにより生成される推定用シンボル列を用いて、移動状態毎に尤度の計算を行う必要はないため、計算量を低減することができる。
加速度センサを用いたHMM推定方式
最小誤差推定方式により推定された移動状態が第1の所定の移動状態ではない場合、加速度センサを用いたHMM推定を行う。加速度センサを用いたHMM推定方式は図3に示される処理フローに従って行われる。これにより、所定時間毎(ここでは、2秒間)に最も尤度の高いHMMに該当する移動状態を特定し、加速度に対する推定データを得る。ここで推定データとは、HMMからなる関数を介してHMMの尤度を評価し、最大の尤度を有するHMMを特定し、該HMMに対応する移動状態を示すIDのことであり、推定データ・ログとは、単位時間(例えば、3秒間)に取得された推定データのログのことである。本実施態様では、ずらし幅を0.5秒に設定しており3秒間で6の推定データからなる推定データ・ログが得られる。
マイクセンサを用いたHMM推定方式
加速度センサを用いたHMM推定方式により推定された移動状態が第2の所定の移動状態ではない場合、マイクセンサを用いてHMM推定を行う。例えば、歩行状態、走行状態、停止状態、自転車状態においてはユーザの置かれた環境に応じて、音に対するパワースペクトルの形態に多様な時系列変化が表れる。音に対するパワースペクトルの形態が、環境に応じて多様な時系列変化を有する場合、移動状態毎に得られる音に対するパワースペクトルの時系列変化よりも、その環境に応じたパワースペクトルの時系列変化が顕著に表れると、ユーザの移動状態をHMMを介して推定することが困難な場合がある。例えば、歩行状態と、走行状態では、ユーザの置かれた環境に応じて音に対するパワースペクトルの形態に多様な変化が表れるが、いずれの移動状態も、そのパワースペクトルの形態の時系列変化が類似する場合、移動状態の推定は困難になる。従って、マイクセンサのみを用いて移動状態を推定することが困難な移動状態がある。一方、例えば、電車状態、バス状態、自動車状態においては、ユーザの置かれた環境に応じた音に対するパワースペクトルの形態の時系列変化が、移動状態毎に顕著に表れる。従って、電車状態、バス状態、自動車状態については、音データからパワースペクトルを算出し、その時系列変化に着目することにより移動状態を推定することが可能である。
位置測位システムを用いたHMM推定方式
マイクセンサを用いたHMM推定を用いることにより、バス状態及び電車状態においても概ね推定精度の向上が期待できる。しかしながら、例えば、電車内が混雑している場合等、マイクセンサから得られる環境雑音の音量が全体的に小さくなる等すると、バス状態と電車状態における音のパワースペクトルの形態とが類似することがあり、マイクセンサを用いた高精度な移動状態の推定が困難となる。従って、位置測位システムを用いた位置データに対するHMM推定を行うことにより、推定精度の向上を図る。位置測位システムには、GPS(全地球位置測位システム)等のシステムがある。GPSは、地球低軌道にある衛星を用いて地球上のユーザの位置を決定するシステムである。DGPS(差分全地球位置測位システム)は、GPS受信機により受信された位置と真の位置からその誤差を用いて修正することにより、GPSを利用した測位精度を向上させるシステムである。AGPS(支援全地球位置測位システム)は、ネットワーク上のサーバが位置算出を行い、GPS受信機に組み込まれる処理能力を低減し、高速な処理を可能にするシステムである。
Claims (36)
- 少なくとも中央演算処理装置(CPU)と、メモリと、環境情報取得装置とを包含する携帯端末装置の移動状態を推定する方法であって、前記メモリが、所定の移動状態を代表する少なくとも2以上のシンボルから構成される第1のシンボル列の群を格納し、
前記CPUが、
前記環境情報取得装置により所定期間収集された環境情報値をシンボル化させるステップと、
時間窓を一定期間ずらして前記シンボル化させるステップを少なくとも2回以上繰り返し、当該繰り返し生成された複数のシンボル化された環境情報値からなる第2のシンボル列を生成するステップと、
前記第1のシンボル列の群に対する前記第2のシンボル列の尤度を求めるステップと、
を有し、前記尤度が最大となる前記第1のシンボル列を特定することにより移動状態を推定する方法。 - 請求項1に記載の環境情報取得装置は、加速度センサ、マイクセンサ、位置測位システム受信機のうち少なくとも1つを備える環境情報取得装置。
- 少なくとも中央演算処理装置と、メモリと、所定のサンプリングレートを備えた加速度センサとを包含する携帯端末装置の移動状態を推定する方法であって、前記メモリが、所定の移動状態を代表する少なくとも2以上のスペクトルから構成される第1のスペクトル・リストの群を格納し、
前記CPUが、
前記加速度センサにより連続的に加速度値を収集させるステップと、
前記収集された連続の加速度値において、所定期間の前記連続の加速度値のデータから構成されるスペクトルを時間窓データとして生成させる時間窓データ生成ステップと、
時間窓を一定期間ずらして前記時間窓データを生成させるステップを少なくとも2回以上繰り返し、当該繰り返し生成された複数の時間窓データから推定用データ・リストを生成させるステップと、
前記生成された推定用データ・リストを高速フーリエ変換させ、第2のスペクトル・リストを生成させるステップと、
前記第1のスペクトル・リストの群に対する、前記第2のスペクトル・リストの尤度を評価するステップと、
を有し、前記尤度が最大となる前記第1のスペクトル・リストを特定することにより移動状態を推定する方法。 - 少なくとも中央演算処理装置と、メモリと、所定のサンプリングレートを備えたマイクセンサとを包含する携帯端末装置の移動状態を推定する方法であって、前記メモリが、所定の移動状態を代表する少なくとも2以上のベクトルから構成される第1のベクトル・リストの群を格納し、
前記CPUが、
前記マイクセンサにより所定期間毎に一定期間連続的に音データを収集させ、該収集された連続の音データから構成されるスペクトルを時間窓データとして生成させる時間窓データ生成ステップと、
時間窓を前記所定期間ずらして前記時間窓データを生成させるステップを少なくとも2回以上繰り返し、当該繰り返し生成された複数の時間窓データから推定用データ・リストを生成させるステップと、
前記生成された推定用データ・リストを高速フーリエ変換させ、第2のスペクトル・リストを生成させるステップと、
前記生成された第2のスペクトル・リストから一定の周波数毎に第2のスペクトルの振幅の平均値を算出し、第2のベクトル・リストを生成させるステップと、
前記第1のベクトル・リストの群に対する、前記第2のベクトル・リストの尤度を求めるステップと、
を有し、前記尤度が最大となる前記第1のベクトル・リストを特定することにより移動状態を推定する方法。 - 少なくとも中央演算処理装置と、メモリと、位置測位システム受信機とを包含する携帯端末装置の移動状態を推定する方法であって、前記メモリが、所定の移動状態を代表する少なくとも2以上の速度データから構成される第1の速度データ・リストの群を格納し、
前記CPUが、
前記位置測位システム受信機により所定期間毎に位置データを収集させメモリへ蓄積するステップと、
前記メモリへ蓄積した位置データのうちn番目の位置データを第nの位置データとし、第Nの位置データまで順次特定するステップであって、ここでnは1からNまでの整数であるステップと、
第n番目の位置データと第n+1番目の位置データとを用いて、2地点間の平均速度を生成させる平均速度データ生成ステップと、
前記平均速度データを生成するステップを、前記特定順に少なくとも2回以上繰り返し、当該繰り返し生成された複数の平均速度データから第2の速度データ・リストを生成させるステップと、
前記第1の速度データ・リストの群に対する、前記第2の速度データ・リストの尤度を求めるステップと、
を有し、前記尤度が最大となる前記第1の速度データ・リストを特定することにより移動状態を推定する方法。 - 請求項5に記載の第2の速度データ・リストを生成させるステップは、
前記平均速度データを生成するステップを、前記特定順に少なくとも2回以上繰り返し、当該繰り返し生成された複数の平均速度データから平均速度データ・リストを生成させるステップと、
前記生成された平均速度データ・リストから第n番目から第n+m番目の平均速度データを用いて、m個の平均速度データの平均値を算出させるステップであって、ここでmは1からMまでの整数でありMはNより小さい値であるステップと、
前記平均値を算出させるステップを、前記特定順に少なくとも2回以上繰り返し、当該繰り返し生成された複数の平均値から第2の速度データ・リストを生成させるステップと、
からなる請求項5に記載の方法。 - 請求項3に記載の方法により推定された移動状態が第1または第2の所定の移動状態である場合に、該推定された移動状態を移動状態として特定する第1のステップと、
請求項3に記載の方法により推定された移動状態が第1または第2の所定の移動状態でない場合に、さらに請求項4に記載の方法により移動状態を推定し、推定された移動状態が第3の所定の移動状態である場合に、該推定された移動状態を移動状態として特定する第2のステップと、
請求項4に記載の方法により推定された移動状態が第3の所定の移動状態でない場合に、さらに請求項5に記載の方法により移動状態を推定し、該推定された移動状態を移動状態として特定する方法。 - 少なくとも中央演算処理装置と、メモリと、所定のサンプリングレートを備えた加速度センサとを包含する携帯端末装置の移動状態を推定する方法であって、前記メモリが、所定の移動状態を代表する少なくとも2以上のスペクトルから構成される第1のスペクトル・リストの群を格納し、
前記CPUが、
前記加速度センサにより連続的に加速度値を収集させるステップと、
前記収集された連続の加速度値において、所定期間の前記連続の加速度値のデータから構成されるスペクトルを時間窓データとして生成させる時間窓データ生成ステップと、
時間窓を一定期間ずらして前記時間窓データを生成させるステップを少なくとも2回以上繰り返し、当該繰り返し生成された複数の時間窓データから推定用データ・リストを生成させるステップと、
前記生成された推定用データ・リストを高速フーリエ変換させ、第2のスペクトル・リストを生成させるステップと、
前記第1のスペクトル・リストの群のうちそれぞれ1のスペクトルと、前記第2のスペクトル・リストのうちそれぞれ1の第2のスペクトルとを比較することにより前記所定期間における前記第2のスペクトルと最近傍の第1のスペクトルを選定するステップと、
を有し、前記第1のスペクトルを選定するステップを所定回数繰り返して、最高頻度の第1のスペクトル・リストを特定することにより、移動状態を推定する方法。 - 請求項7に記載の第1のステップにおいて、
請求項8に記載の方法により推定された移動状態が第1の所定の移動状態である場合に、推定された移動状態を移動状態として特定し、請求項8に記載の方法により推定された移動状態が第1の移動状態でない場合に、請求項3に記載の方法により移動状態を推定し、推定された移動状態が第2の所定の移動状態である場合に、該推定された移動状態を移動状態として特定する、方法。 - 少なくとも中央演算処理装置と、メモリと、環境情報取得装置とを包含する携帯端末装置の移動状態を推定するシステムであって、前記メモリが、所定の移動状態を代表する少なくとも2以上のシンボルから構成される第1のシンボル列の群を格納し、
前記CPUが、
前記環境情報取得装置により所定期間収集された環境情報値をシンボル化させ、
時間窓を一定期間ずらして前記シンボル化させるステップを少なくとも2回以上繰り返し、当該繰り返し生成された複数のシンボル化された環境情報値からなる第2のシンボル列を生成させ、
前記第1のシンボル列の群に対する前記第2のシンボル列の尤度を求める、前記尤度が最大となる前記第1のシンボル列を特定することにより移動状態を推定するシステム。 - 請求項10に記載の環境情報取得装置は、加速度センサ、マイクセンサ、位置測位システム受信機のうち少なくとも1つを備える環境情報取得装置。
- 少なくとも中央演算処理装置と、メモリと、所定のサンプリングレートを備えた加速度センサとを包含する携帯端末装置の移動状態を推定するシステムであって、前記メモリが、所定の移動状態を代表する少なくとも2以上のスペクトルから構成される第1のスペクトル・リストの群を格納し、
前記CPUが、
前記加速度センサにより連続的に加速度値を収集させ、
前記収集された連続の加速度値において、所定の期間の前記連続の加速度値のデータから構成されるスペクトルを時間窓データとして生成させ、
時間窓を一定期間ずらして前記時間窓データの生成を少なくとも2回以上繰り返し、当該繰り返し生成された複数の時間窓データから推定用データ・リストを生成させ、
前記生成された推定用データ・リストを高速フーリエ変換させ、第2のスペクトル・リストを生成させ、
前記第1のスペクトル・リストの群に対する、前記第2のスペクトル・リストの尤度を評価する、前記尤度が最大となる前記第1のスペクトル・リストを特定することにより移動状態を推定するシステム。 - 少なくとも中央演算処理装置と、メモリと、所定のサンプリングレートを備えたマイクセンサとを包含する携帯端末装置の移動状態を推定するシステムであって、前記メモリが、所定の移動状態を代表する少なくとも2以上のベクトルから構成される第1のベクトル・リストの群を格納し、
前記CPUが、
前記マイクセンサにより所定期間毎に一定期間連続的に音データを収集させ、該収集された連続の音データから構成されるスペクトルを時間窓データとして生成させ、
時間窓を前記所定期間ずらして前記時間窓データの生成を少なくとも2回以上繰り返し、当該繰り返し生成された複数の時間窓データから推定用データ・リストを生成させ、
前記生成された推定用データ・リストを高速フーリエ変換させ、第2のスペクトル・リストを生成させ、
前記生成された第2のスペクトル・リストから一定の周波数毎に第2のスペクトルの振幅の平均値を算出し、第2のベクトル・リストを生成させ、
前記第1のベクトル・リストの群に対する、前記第2のベクトル・リストの尤度を求める、前記尤度が最大となる前記第1のベクトル・リストを特定することにより移動状態を推定するシステム。 - 少なくとも中央演算処理装置と、メモリと、位置測位システム受信機とを包含する携帯端末装置の移動状態を推定するシステムであって、前記メモリが、所定の移動状態を代表する少なくとも2以上の速度データから構成される第1の速度データ・リストの群を格納し、
前記CPUが、
前記位置測位システム受信機により所定期間毎に位置データを収集させメモリへ蓄積し、
前記メモリへ蓄積した位置データのうちn番目の位置データを第nの位置データとし、第Nの位置データまで順次特定させ、ここでnは1からNまでの整数であり、
第n番目の位置データと第n+1番目の位置データとを用いて、2地点間の平均速度を生成させ、
前記平均速度データの生成を、前記特定順に少なくとも2回以上繰り返し、当該繰り返し生成された複数の平均速度データから第2の速度データ・リストを生成させ、
前記第1の速度データ・リストの群に対する、前記第2の速度データ・リストの尤度を求める、前記尤度が最大となる前記第1の速度データ・リストを特定することにより移動状態を推定するシステム。 - 請求項14に記載の第2の速度データ・リストの生成は、
前記平均速度データの生成を、前記特定順に少なくとも2回以上繰り返し、当該繰り返し生成された複数の平均速度データから平均速度データ・リストを生成させ、
前記生成された平均速度データ・リストから第n番目から第n+m番目の平均速度データを用いて、m個の平均速度データの平均値を算出させ、ここでmは1からMまでの整数であってMはNより小さい値であり、
前記平均値の算出を、前記特定順に少なくとも2回以上繰り返し、当該繰り返し生成された複数の平均値から第2の速度データ・リストを生成させる、請求項14に記載のシステム。 - 請求項12に記載のシステムにより推定された移動状態が第1または第2の所定の移動状態である場合に、該推定された移動状態を移動状態として特定し、
請求項12に記載のシステムにより推定された移動状態が第1または第2の所定の移動状態でない場合に、さらに請求項13に記載のシステムにより移動状態を推定し、推定された移動状態が第3の所定の移動状態である場合に、該推定された移動状態を移動状態として特定し、
請求項13に記載のシステムにより推定された移動状態が第3の所定の移動状態でない場合に、さらに請求項14に記載のシステムにより移動状態を推定し、該推定された移動状態を移動状態として特定するシステム。 - 少なくとも中央演算処理装置と、メモリと、所定のサンプリングレートを備えた加速度センサとを包含する携帯端末装置の移動状態を推定するシステムであって、前記メモリが、所定の移動状態を代表する少なくとも2以上のスペクトルから構成される第1のスペクトル・リストの群を格納し、
前記CPUが、
前記加速度センサにより連続的に加速度値を収集させ、
前記収集された連続の加速度値において、所定の期間の前記連続の加速度値のデータから構成されるスペクトルを時間窓データとして生成させ、
時間窓を一定期間ずらして前記時間窓データの生成を少なくとも2回以上繰り返し、当該繰り返し生成された複数の時間窓データから推定用データ・リストを生成させ、
前記生成された推定用データ・リストを高速フーリエ変換させ、第2のスペクトル・リストを生成させ、
前記第1のスペクトル・リストの群のうちそれぞれ1のスペクトルと、前記第2のスペクトル・リストのうちそれぞれ1の第2のスペクトルとを比較することにより前記所定期間における前記第2のスペクトルと最近傍の第1のスペクトルを選定する、前記第1のスペクトルの選定を所定回数繰り返して、最高頻度の第1のスペクトル・リストを特定することにより、移動状態を推定するシステム。 - 請求項16に記載の推定された移動状態が第1または第2の所定の移動状態である場合に、前記移動状態の特定は、
請求項17に記載のシステムにより推定された移動状態が第1の所定の移動状態である場合に、推定された移動状態を移動状態として特定し、請求項17に記載のシステムにより推定された移動状態が第1の移動状態でない場合に、請求項12に記載のシステムにより移動状態を推定し、推定された移動状態が第2の所定の移動状態である場合に、該推定された移動状態を移動状態として特定することにより行われる、システム。 - 少なくとも中央演算処理装置と、メモリと、所定のサンプリングレートを備えた加速度センサとを包含する携帯端末装置の移動状態を推定する方法であって、前記メモリが、所定の移動状態を代表する少なくとも2以上のスペクトルから構成される第1のスペクトル・リストの群を格納し、
前記CPUが、
前記加速度センサにより連続的に加速度値を収集させるステップと、
前記収集された連続の加速度値において、所定期間の前記連続の加速度値のデータから構成されるスペクトルを時間窓データとして生成させる時間窓データ生成ステップと、
時間窓を一定期間ずらして前記時間窓データを生成させるステップを少なくとも2回以上繰り返し、当該繰り返し生成された複数の時間窓データから推定用データ・リストを生成させるステップと、
前記生成された推定用データ・リストを高速フーリエ変換させ、第2のスペクトル・リストを生成させるステップと、
前記第1のスペクトル・リストの群に対する、前記第2のスペクトル・リストの尤度を評価するステップと、
を有し、前記尤度が最大となる前記第1のスペクトル・リストを特定することにより移動状態を推定する方法。 - 前記尤度を評価するステップが、
前記CPUにより、
前記第1のスペクトル・リストの群に対して、前記第2のスペクトル・リストを比較適合して、前記第1のスペクトル・リストを構成するスペクトルのうち、前記第2のスペクトル・リストを構成するスペクトルに対して最近傍のスペクトルを各々選択させ、
前記各々選択された第1のスペクトルの集合をHMM(隠れマルコフモデル)からなる関数を介して、前記HMMの尤度を移動状態毎に評価することを特徴とする請求項19に記載の方法。 - 前記第1のスペクトル・リストは、
前記CPUが、
前記加速度センサによって連続的に学習用の加速度値を収集させるステップと、
前記収集された連続の学習用の加速度値において、所定期間の前記連続の学習用の加速度値のデータから構成される学習用のスペクトルを学習用の時間窓データとして生成させる学習用時間窓データ生成ステップと、
時間窓を一定期間ずらして前記学習用時間窓データを生成させるステップを少なくとも2回以上繰り返し、当該繰り返し生成された複数の学習用時間窓データから学習用データ・リストを生成させるステップと、
前記生成された学習用データ・リストを高速フーリエ変換させ、学習用パワースペクトル・リストを生成させるステップと、
前記学習用パワースペクトル・リストに対して遺伝的アルゴリズムを適用し、評価値を計算するステップとを有し、
前記計算された評価値が最も高いリストを第1のスペクトル・リストとすることにより決定されることを特徴とする請求項19または20に記載の方法。 - 請求項20に記載のHMMの尤度を評価するステップは、前記CPUがさらに、
前記各々選択された第1のスペクトルの集合を、所定の時間幅で前記HMMからなる関数を介して、前記HMMの尤度を移動状態毎に評価することを含む、方法。 - 請求項19に記載した各ステップに加えて、前記CPUがさらに、
請求項22に記載の前記HMMの尤度を移動状態毎に評価する第1のステップと、
前記尤度が最大である移動状態を特定する第2のステップと、
を有し、前記所定の時間幅において得られた最大の尤度に対応するHMMが所定の移動状態でない場合に、前記所定の時間幅より長い所定の時間幅で、前記第1のステップと前記第2のステップとを繰り返して移動状態を順次特定することにより移動状態を推定することを特徴とする請求項20に記載の方法。 - 請求項19に記載の加速度値を収集させるステップは、前記CPUがさらに
前記加速度センサにより連続的に単位時間あたりの加速度値を収集させるステップと、
を有し、前記尤度が最大となる前記第1のスペクトル・リストを特定することにより推定された移動状態を単位時間あたりの推定データとしてメモリへ蓄積することを特徴とする、請求項19に記載の移動状態を推定する方法。 - 請求項24に記載の方法であって、推定された移動状態と該推定された移動状態と間違える頻度の高い移動状態とを同一グループとしたデータ構造は、それぞれ1または複数の移動状態を含む1または複数の移動状態グループを含み、該移動状態グループは1の基本の移動状態を含むデータ構造を用いて移動状態を推定する方法であって、前記CPUが、
前記単位時間あたりの推定データを前記メモリから読み出すステップと、
前記単位時間あたりの推定データを用いて前記データ構造の移動状態グループの種別を識別するステップと、
前記単位時間あたりの推定データを所定期間取得し推定データ・ログを生成するステップと、
前記推定データ・ログを用いて、多数決推定方式により前記移動状態グループに包含される1の移動状態を推定するステップと、
を有する、移動状態を推定する方法。 - 前記単位時間は前記データ構造の移動状態グループの種別を識別するために要する所定数の推定データの取得に要する時間である、請求項25に記載の方法。
- 請求項25に記載の推定データ・ログを用いて多数決推定方式で移動状態を推定するステップは、
前記推定データ・ログに含まれる最高頻度の移動状態が前記識別された移動状態グループの種別に属する場合は、該最高頻度の移動状態を推定される移動状態として特定し、
前記推定データ・ログに含まれる最高頻度の移動状態が前記識別された移動状態グループの種別に属さない場合は、前記識別された移動状態グループの基本の移動状態を推定される移動状態として特定することにより、移動状態を推定することを特徴とする請求項25または26に記載の方法。 - 少なくともCPUと、メモリと、所定のサンプリングレートを備えた加速度センサとを包含する携帯端末装置の移動状態を推定するシステムであって、前記メモリが、所定の移動状態を代表する少なくとも2以上のスペクトルから構成される第1のスペクトル・リストの群を格納し、
前記CPUが、
前記加速度センサにより連続的に加速度値を収集させ、
前記収集された連続の加速度値において、所定期間の前記連続の加速度値のデータから構成されるスペクトルを時間窓データとして生成させ、
時間窓を一定期間ずらして前記時間窓データを生成させるステップを少なくとも2回以上繰り返し、当該繰り返し生成された複数の時間窓データから推定用データ・リストを生成させ、
前記生成された推定用データ・リストを高速フーリエ変換させ、第2のスペクトル・リストを生成させ、
前記第1のスペクトル・リストの群に対する、前記第2のスペクトル・リストの尤度を評価する、
前記尤度が最大となる前記第1のスペクトル・リストを特定することにより移動状態を推定するシステム。 - 前記尤度の評価は、
前記CPUにより、
前記第1のスペクトル・リストの群に対して、前記第2のスペクトル・リストを比較適合して、前記第1のスペクトル・リストを構成するスペクトルのうち、前記第2のスペクトル・リストを構成するスペクトルに対して最近傍のスペクトルを各々選択させ、
前記各々選択された第1のスペクトルの集合をHMMからなる関数を介して、前記HMMの尤度を移動状態毎に評価することを特徴とする請求項28に記載のシステム。 - 前記第1のスペクトル・リストは、
前記CPUが、
前記加速度センサによって連続的に学習用の加速度値を収集させ、
前記収集された連続の学習用の加速度値において、所定の期間の前記連続の学習用の加速度値のデータから構成される学習用のスペクトルを学習用の時間窓データとして生成させ、
時間窓を一定期間ずらして前記学習用時間窓データを生成させるステップを少なくとも2回以上繰り返し、当該繰り返し生成された複数の学習用時間窓データから学習用データ・リストを生成させ、
前記生成された学習用データ・リストを高速フーリエ変換させ、学習用パワースペクトル・リストを生成させ、
前記学習用パワースペクトル・リストに対して遺伝的アルゴリズムを適用し、評価値を計算し、
前記計算された評価値が最も高いリストを第1のスペクトル・リストとすることにより決定されることを特徴とする請求項28または29に記載のシステム。 - 請求項29に記載のHMMの尤度の評価は、前記CPUがさらに、
前記各々選択された第1のスペクトルの集合を、所定の時間幅で前記HMMからなる関数を介して、前記HMMの尤度を移動状態毎に評価することを含む、システム。 - 請求項28に記載した前記CPUがさらに、
請求項31に記載の前記HMMの尤度を移動状態毎に評価する第1のステップと、
前記尤度が最大である移動状態を特定する第2のステップと、
を有し、前記所定の時間幅において得られた最大の尤度に対応するHMMが所定の移動状態でない場合に、前記所定の時間幅より長い所定の時間幅で、前記第1のステップと前記第2のステップとを繰り返して移動状態を順次特定することにより移動状態を推定することを特徴とする請求項29に記載のシステム。 - 請求項28に記載の加速度値の収集は、前記CPUがさらに
前記加速度センサにより連続的に単位時間あたりの加速度値を収集させ、
前記尤度が最大となる前記第1のスペクトル・リストを特定することにより推定された移動状態を単位時間あたりの推定データとしてメモリへ蓄積することを特徴とする、請求項28に記載の移動状態を推定するシステム。 - 請求項33に記載のシステムであって、推定された移動状態と該推定された移動状態と間違える頻度の高い移動状態とを同一グループとしたデータ構造は、それぞれ1または複数の移動状態を含む1または複数の移動状態グループを含み、該移動状態グループは1の基本の移動状態を含むデータ構造を用いた移動状態を推定するシステムであって、前記CPUが、
前記単位時間あたりの推定データを前記メモリから読み出し、
前記単位時間あたりの推定データを用いて前記データ構造の移動状態グループの種別を識別し、
前記単位時間あたりの推定データを所定期間取得し推定データ・ログを生成させ、
前記推定データ・ログを用いて、多数決推定方式により前記移動状態グループに包含される1の移動状態を推定すること、
を含む、移動状態を推定するシステム。 - 前記単位時間は前記データ構造の移動状態グループの種別を識別するために要する所定数の推定データの取得に要する時間である、請求項34に記載のシステム。
- 請求項33に記載の推定データ・ログを用いた多数決推定方式の移動状態の推定は、
前記推定データ・ログに含まれる最高頻度の移動状態が前記識別された移動状態グループの種別に属する場合は、該最高頻度の移動状態を推定される移動状態として特定し、
前記推定データ・ログに含まれる最高頻度の移動状態が前記識別された移動状態グループの種別に属さない場合は、前記識別された移動状態グループの基本の移動状態を推定される移動状態として特定することにより、移動状態を推定することを特徴とする請求項34または35に記載のシステム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008126986A JP5348941B2 (ja) | 2008-03-05 | 2008-05-14 | 携帯端末装置の移動状態を推定する方法及びシステム |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008055168 | 2008-03-05 | ||
JP2008055168 | 2008-03-05 | ||
JP2008126986A JP5348941B2 (ja) | 2008-03-05 | 2008-05-14 | 携帯端末装置の移動状態を推定する方法及びシステム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2009238196A true JP2009238196A (ja) | 2009-10-15 |
JP5348941B2 JP5348941B2 (ja) | 2013-11-20 |
Family
ID=41252003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2008126986A Expired - Fee Related JP5348941B2 (ja) | 2008-03-05 | 2008-05-14 | 携帯端末装置の移動状態を推定する方法及びシステム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5348941B2 (ja) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013528419A (ja) * | 2010-05-03 | 2013-07-11 | エモヴィ インコーポレーテッド | 膝関節病状評価および診断補助のための方法ならびにシステム |
JP2013243579A (ja) * | 2012-05-22 | 2013-12-05 | Kyocera Corp | 通信機器及び通信システム |
WO2014069048A1 (ja) * | 2012-11-02 | 2014-05-08 | 富士ゼロックス株式会社 | 状態推定プログラム及び状態推定装置 |
WO2015177858A1 (ja) * | 2014-05-20 | 2015-11-26 | 株式会社日立製作所 | トリップ属性推定システム、トリップ属性推定方法、トリップ属性推定プログラム、及び交通行動調査システム |
US9459103B2 (en) | 2012-03-22 | 2016-10-04 | Fuji Xerox Co., Ltd. | Non-transitory computer readable medium storing program, movement situation determining method, and movement situation determining device |
JPWO2018131311A1 (ja) * | 2017-01-10 | 2019-11-07 | 日本電気株式会社 | センシングシステム、センサノード装置、センサ測定値処理方法及びプログラム |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6351093B2 (ja) * | 2013-12-11 | 2018-07-04 | 日本信号株式会社 | 駐車場管理システム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005024540A (ja) * | 2003-06-30 | 2005-01-27 | Microsoft Corp | 携帯型コンピュータデバイスの所在と動態を割り出すシステムおよび方法 |
JP2007072592A (ja) * | 2005-09-05 | 2007-03-22 | Nec Corp | 情報処理システム、情報処理装置、情報処理方法、および情報処理プログラム |
JP2009159336A (ja) * | 2007-12-26 | 2009-07-16 | Panasonic Corp | 行動範囲把握方法および行動把握装置 |
-
2008
- 2008-05-14 JP JP2008126986A patent/JP5348941B2/ja not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005024540A (ja) * | 2003-06-30 | 2005-01-27 | Microsoft Corp | 携帯型コンピュータデバイスの所在と動態を割り出すシステムおよび方法 |
JP2007072592A (ja) * | 2005-09-05 | 2007-03-22 | Nec Corp | 情報処理システム、情報処理装置、情報処理方法、および情報処理プログラム |
JP2009159336A (ja) * | 2007-12-26 | 2009-07-16 | Panasonic Corp | 行動範囲把握方法および行動把握装置 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013528419A (ja) * | 2010-05-03 | 2013-07-11 | エモヴィ インコーポレーテッド | 膝関節病状評価および診断補助のための方法ならびにシステム |
US9459103B2 (en) | 2012-03-22 | 2016-10-04 | Fuji Xerox Co., Ltd. | Non-transitory computer readable medium storing program, movement situation determining method, and movement situation determining device |
JP2013243579A (ja) * | 2012-05-22 | 2013-12-05 | Kyocera Corp | 通信機器及び通信システム |
WO2014069048A1 (ja) * | 2012-11-02 | 2014-05-08 | 富士ゼロックス株式会社 | 状態推定プログラム及び状態推定装置 |
JP2014093634A (ja) * | 2012-11-02 | 2014-05-19 | Fuji Xerox Co Ltd | 状態推定プログラム及び状態推定装置 |
WO2015177858A1 (ja) * | 2014-05-20 | 2015-11-26 | 株式会社日立製作所 | トリップ属性推定システム、トリップ属性推定方法、トリップ属性推定プログラム、及び交通行動調査システム |
JPWO2018131311A1 (ja) * | 2017-01-10 | 2019-11-07 | 日本電気株式会社 | センシングシステム、センサノード装置、センサ測定値処理方法及びプログラム |
US11514277B2 (en) | 2017-01-10 | 2022-11-29 | Nec Corporation | Sensing system, sensor node device, sensor measurement value processing method, and program |
JP7206915B2 (ja) | 2017-01-10 | 2023-01-18 | 日本電気株式会社 | センシングシステム、センサノード装置、センサ測定値処理方法及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP5348941B2 (ja) | 2013-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5348941B2 (ja) | 携帯端末装置の移動状態を推定する方法及びシステム | |
CN111027487B (zh) | 基于多卷积核残差网络的行为识别***、方法、介质及设备 | |
KR100800367B1 (ko) | 음성 인식 시스템의 작동 방법, 컴퓨터 시스템 및 프로그램을 갖춘 컴퓨터 판독 가능 저장 매체 | |
US20170229115A1 (en) | Method and apparatus for training language model and recognizing speech | |
JP5356923B2 (ja) | 携帯端末装置の移動状態を推定する方法及びシステム | |
CN101887728A (zh) | 多传感语音增强方法和装置 | |
US9431010B2 (en) | Speech-recognition device and speech-recognition method | |
Kintzley et al. | Event selection from phone posteriorgrams using matched filters | |
CN110772700B (zh) | 自动推送助眠乐曲方法、装置、计算机设备及存储介质 | |
JP2010152751A (ja) | 統計モデル学習装置、統計モデル学習方法、およびプログラム | |
CN112967739B (zh) | 一种基于长短期记忆网络的语音端点检测方法及*** | |
KR20100072838A (ko) | 비터비 디코더와 이를 이용한 음성 인식 방법 | |
CN113505225B (zh) | 一种基于多层注意力机制的小样本医疗关系分类方法 | |
US20120109650A1 (en) | Apparatus and method for creating acoustic model | |
CN105895104B (zh) | 说话人自适应识别方法及*** | |
CN1198261C (zh) | 基于决策树的语音辨别方法 | |
CN109350072B (zh) | 一种基于人工神经网络的步频探测方法 | |
Berisha et al. | Real-time acoustic monitoring using wireless sensor motes | |
CN116186581A (zh) | 一种基于图脉冲神经网络的楼层识别方法及*** | |
CN112201314B (zh) | 分子指纹的提取及基于其的相关度的计算的方法及装置 | |
JP3628245B2 (ja) | 言語モデル生成方法、音声認識方法及びそのプログラム記録媒体 | |
WO2011110897A1 (en) | Device and method for context recognition | |
JP3913626B2 (ja) | 言語モデル生成方法、その装置及びそのプログラム | |
Benhammoud et al. | Automatic classification of disordered voices with hidden Markov models | |
Tivarekar et al. | Species recognition using audio processing algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20110124 |
|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20110819 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20130117 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20130318 |
|
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: 20130722 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130820 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5348941 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |