JP5297547B2 - Specific signal pattern detection system from multi-axis sensor, specific signal pattern detection method from multi-axis sensor - Google Patents

Specific signal pattern detection system from multi-axis sensor, specific signal pattern detection method from multi-axis sensor Download PDF

Info

Publication number
JP5297547B2
JP5297547B2 JP2012106341A JP2012106341A JP5297547B2 JP 5297547 B2 JP5297547 B2 JP 5297547B2 JP 2012106341 A JP2012106341 A JP 2012106341A JP 2012106341 A JP2012106341 A JP 2012106341A JP 5297547 B2 JP5297547 B2 JP 5297547B2
Authority
JP
Japan
Prior art keywords
sensor data
specific signal
signal pattern
feature
vector
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.)
Expired - Fee Related
Application number
JP2012106341A
Other languages
Japanese (ja)
Other versions
JP2012194983A (en
Inventor
俊樹 磯
憲一 山崎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NTT Docomo Inc
Original Assignee
NTT Docomo Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by NTT Docomo Inc filed Critical NTT Docomo Inc
Priority to JP2012106341A priority Critical patent/JP5297547B2/en
Publication of JP2012194983A publication Critical patent/JP2012194983A/en
Application granted granted Critical
Publication of JP5297547B2 publication Critical patent/JP5297547B2/en
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

<P>PROBLEM TO BE SOLVED: To generate a specific signal pattern feature map for estimating a context of a person who carries equipment including a multi-axis sensor based upon multi-axis sensor data output from the multi-axis sensor. <P>SOLUTION: A system which detects a featured signal pattern of time-series multi-axis sensor data obtained from the multi-axis sensor acquires a specific signal pattern to be detected in the obtained multi-axis sensor data as dictionary data, and extracts specific signal pattern base sensor data of the dictionary data from a specific signal pattern featured map and a specific signal pattern firing probability map obtained through learning by self-organization algorithm. Dummy data generated by rotating the extracted data on respective axes is learnt by the self-organization algorithm so as to obtain a specific signal pattern featured map and a specific signal pattern firing probability map. Both the maps are used to extract the specific signal pattern from the time-series data obtained by the multi-axis sensor. <P>COPYRIGHT: (C)2013,JPO&amp;INPIT

Description

本発明は複軸センサからの特定信号パターン検出システム、複軸センサからの特定信号パターン検出方法に関し、特にユーザのコンテキストを獲得するための特定信号パターン検出システム、特定信号パターン検出方法に関する。   The present invention relates to a specific signal pattern detection system from a multi-axis sensor and a specific signal pattern detection method from a multi-axis sensor, and more particularly to a specific signal pattern detection system and a specific signal pattern detection method for acquiring a user's context.

実世界指向型サービスを実現する上でモバイル環境下での個人の状況（コンテキスト）を理解することは重要である。従来、携帯端末を持ち歩くようなモバイル環境下でユーザのコンテキストを獲得に関する研究は、例えば、非特許文献１に記載されている。
非特許文献１においては、自己組織化特徴マップのノードについて区分けを行い（すなわちクラスタリングを行い）、その区分けを固定している。そして、それに従って処理を行うことで、コンテキスト情報を取得している。 It is important to understand the personal situation (context) in a mobile environment in order to realize a real world oriented service. Conventionally, research related to acquiring a user's context in a mobile environment in which a portable terminal is carried is described in Non-Patent Document 1, for example.
In Non-Patent Document 1, the nodes of the self-organizing feature map are classified (that is, clustering is performed), and the classification is fixed. And context information is acquired by performing processing according to it.

A. Krause et. al, "Unsupervised, Dynamic Identification of Physiological and Activity Context in Wearable Computing",[online]、[平成２４年５月３日検索]、インターネット＜ＵＲＬ：http://wearables.cc.gatech.edu/paper_of_week/krause-iswc2003-unsup-activity.pdf＞A. Krause et. Al, "Unsupervised, Dynamic Identification of Physiological and Activity Context in Wearable Computing", [online], [Search May 3, 2012], Internet <URL: http: //wearables.cc.gatech .edu / paper_of_week / krause-iswc2003-unsup-activity.pdf>

上述した非特許文献１に記載されている技術には、以下のような制約があった。
（１）獲得したいコンテキストに応じてセンサを特定の位置に固定することが必要
（２）特定の軸のセンサ情報のみ、もしくは、各軸のセンサデータからセンサデータ全体の大きさにしたものを利用しているため、抽出可能な特定信号パターンが限定
（３）辞書データを部分空間法などの線形手法により特定信号パターンの基底データを選択していたため、ゆらぎのあるデータへ適用した場合は基底データの抽出精度に影響を受け易い。
本発明は上述した従来技術の課題を解決するためになされたものであり、その目的は複軸センサの設置位置に依らず、また、センサデータのゆらぎにロバストであるユーザのコンテキストに相当する特定信号パターンを獲得する特定信号パターン検出システム、特定信号パターン検出方法を提供することである。 The technology described in Non-Patent Document 1 described above has the following restrictions.
(1) It is necessary to fix the sensor at a specific position according to the context to be acquired. (2) Use only the sensor information of a specific axis or use the sensor data of each axis that is the size of the entire sensor data. Therefore, the specific signal pattern that can be extracted is limited. (3) Since the base data of the specific signal pattern is selected from the dictionary data by a linear method such as the subspace method, the base data is applied when applied to data with fluctuations. It is easily affected by the extraction accuracy.
The present invention has been made to solve the above-described problems of the prior art, and its purpose is not dependent on the installation position of the multi-axis sensor, and the identification corresponding to the user's context that is robust to fluctuations in sensor data. A specific signal pattern detection system for acquiring a signal pattern and a specific signal pattern detection method are provided.

本発明の一態様による特定信号パターン検出システムは、
複軸センサから得られる時系列の複軸センサデータにおいて検出したい複数の特定信号パターンを辞書データとして予め獲得するとともに、その獲得された特定信号パターンを予め用意された時間窓に基づいて第１の時間分割センサデータとして分割する第１のデータ分割手段と、
前記第１の時間分割センサデータのノイズ除去ならびにデータを正規化することで第１の正規化センサデータを生成する第１の正規化センサデータ生成手段と、
前記第１の正規化センサデータを基底関数展開することで時空間解像度レベルごとに第１の時空間分解センサデータを生成する第１の時空間分解センサデータ生成手段と、
前記第１の時空間分解センサデータの振幅情報に基づいて時空間解像度レベルごとに第１の時空間分解センサデータ情報エントロピーを算出する第１のエントロピー算出手段と、
前記第１の時空間分解センサデータ情報エントロピーの総和が最小になるように予め用意された評価基準に基づいて第１の基底時空間分解センサデータを選択する第１の基底時空間分解センサデータ選択手段と、
前記第１の基底時空間分解センサデータの情報エントロピーに基づいて、前記辞書データの特徴ベクトルである第１のセンサデータ特徴ベクトルを生成する第１のセンサデータ特徴ベクトル生成手段と、
前記第１のセンサデータ特徴ベクトルを自己組織化アルゴリズムにより学習させることで自己組織化された第１の特定信号パターン特徴マップを生成する第１の特定信号パターン特徴マップ生成手段と、
前記第１の特定信号パターン特徴マップの各ノードにおける特徴ノードベクトルに基づいて、前記辞書データの特徴ベクトルを入力した時に発火する特徴ノードベクトルとの対応関係を第１の蓄積結果として蓄積する蓄積手段と、
前記第１の蓄積結果に基づいて、前記第１の特定信号パターン特徴マップの各ノードごとに特定信号パターンが発火する確率を算出し第１の特定信号パターン発火確率マップを生成する第１の特定信号パターン発火確率マップ生成手段と、
前記第１の特定信号パターン発火確率マップのうち予め設定された閾値以上の確率を有するノードを基底特徴ノードベクトルとして抽出する基底特徴ノードベクトル抽出手段と、
前記基底特徴ノードベクトルを発火させる基となった複軸センサデータ特徴ベクトルのうち、基底特徴ノードベクトルとの類似度が予め設定された閾値以上のものを基底複軸センサ特徴ベクトルとして抽出する基底複軸センサ特徴ベクトル抽出手段と、
前記基底複軸センサ特徴ベクトルの基となった複軸の基底センサデータを抽出する基底センサデータ抽出手段と、
前記複軸の基底センサデータを予め設定された刻み幅の角度で各軸回りに回転させることで擬似複軸センサデータを生成する擬似複軸センサデータ生成手段と、
を含み、
さらに
前記第１の時空間分解センサデータ生成手段は、前記疑似複軸センサデータを基底関数展開することで時空間解像度レベルごとに第２の時空間分解センサデータを生成し、
前記第１のエントロピー算出手段は、前記第２の時空間分解センサデータの振幅情報に基づいて時空間解像度レベルごとに第２の時空間分解センサデータ情報エントロピーを算出し、
前記第１の基底時空間分解センサデータ選択手段は、前記第２の時空間分解センサデータ情報エントロピーの総和が最小になるように予め用意された評価基準に基づいて第２の基底時空間分解センサデータを選択し、
前記第１のセンサデータ特徴ベクトル生成手段は、前記第２の基底時空間分解センサデータの情報エントロピーに基づいて第２のセンサデータ特徴ベクトルを生成し、
前記第２のセンサデータ特徴ベクトルを合成して第１の複軸センサデータ特徴ベクトルを生成する第１の複軸センサデータ特徴ベクトル生成手段を備え、
前記第１の特定信号パターン特徴マップ生成手段は、前記第１の複軸センサデータ特徴ベクトルを自己組織化アルゴリズムにより学習させることで自己組織化された第２の特定信号パターン特徴マップを生成し、
前記蓄積手段は、前記第２の特定信号パターン特徴マップの各ノードにおける特徴ノードベクトルに基づいて、前記擬似複軸センサデータの特徴ベクトルを入力した時に発火する特徴ノードベクトルとの対応関係を第２の蓄積結果として蓄積し、
前記第１の特定信号パターン発火確率マップ生成手段は、前記第２の蓄積結果に基づいて、前記第２の特定信号パターン特徴マップの各ノードごとに特定信号パターンが発火する確率を算出し第２の特定信号パターン発火確率マップを生成することを特徴とする。
このように構成すれば、より質の良いデータを抽出することができる。 A specific signal pattern detection system according to an aspect of the present invention includes:
A plurality of specific signal patterns to be detected in the time-series multi-axis sensor data obtained from the multi-axis sensor are acquired in advance as dictionary data, and the acquired specific signal patterns are obtained based on a first time window prepared in advance. First data dividing means for dividing as time division sensor data;
First normalized sensor data generation means for generating first normalized sensor data by denoising the first time-division sensor data and normalizing the data;
First spatio-temporal decomposition sensor data generating means for generating first spatio-temporal decomposition sensor data for each spatio-temporal resolution level by expanding basis functions of the first normalized sensor data;
First entropy calculating means for calculating a first spatio-temporal resolution sensor data information entropy for each spatio-temporal resolution level based on amplitude information of the first spatio-temporal resolution sensor data;
First base spatio-temporal decomposition sensor data selection for selecting first base spatio-temporal decomposition sensor data based on an evaluation criterion prepared in advance so that the sum of the first spatio-temporal decomposition sensor data information entropy is minimized Means,
First sensor data feature vector generating means for generating a first sensor data feature vector that is a feature vector of the dictionary data based on information entropy of the first base-time-space-resolved sensor data;
First specific signal pattern feature map generation means for generating a first specific signal pattern feature map self-organized by learning the first sensor data feature vector by a self-organization algorithm;
Storage means for storing, as a first storage result, a correspondence relationship with a feature node vector that is ignited when a feature vector of the dictionary data is input based on a feature node vector at each node of the first specific signal pattern feature map When,
Based on the first accumulation result, a first specific signal for calculating a probability that a specific signal pattern is ignited for each node of the first specific signal pattern feature map and generating a first specific signal pattern firing probability map A signal pattern firing probability map generating means;
A base feature node vector extracting means for extracting, as a base feature node vector, a node having a probability equal to or higher than a preset threshold in the first specific signal pattern firing probability map;
Among the multi-axis sensor data feature vectors based on which the base feature node vector is ignited, a base multi-axis sensor feature vector having a similarity with the base feature node vector equal to or higher than a preset threshold is extracted as a base multi-axis sensor feature vector. An axis sensor feature vector extraction means;
Base sensor data extraction means for extracting the base sensor data of the multi-axis that is the basis of the base multi-axis sensor feature vector;
A pseudo multi-axis sensor data generating means for generating a pseudo multi-axis sensor data by rotating each axis about an angle of predetermined step sizes basal Sensade data of said double shaft,
Including
further
The first spatiotemporal decomposition sensor data generation means generates second spatiotemporal decomposition sensor data for each spatiotemporal resolution level by expanding the pseudo-biaxial sensor data to a basis function .
The first entropy calculating means calculates a second spatiotemporal resolution sensor data information entropy for each spatiotemporal resolution level based on amplitude information of the second spatiotemporal resolution sensor data ,
Said first base when spatially resolved sensor data selection means, second base when spatially resolving sensor based on the evaluation criteria the sum of the second spatio-temporal decomposition sensor data information entropy is prepared in advance so as to minimize select the data,
The first sensor data feature vector generation means generates a second sensor data feature vector based on the information entropy of the second basis space-time resolved sensor data ,
A first multi-axis sensor data feature vector generating unit configured to generate the first multi-axis sensor data feature vector by combining the second sensor data feature vectors ;
It said first specific signal pattern feature map generating means generates the first second specific signal pattern feature maps that are self-assembled a multi-axis sensor data feature vector by which learned by self-assembly algorithm ,
Said storage means, based on the feature node vector at each node of the second specific signal pattern feature map, the correspondence between the feature node vectors ignite when input feature vectors of the pseudo multi-axis sensor data first 2 as the accumulation result ,
It said first specific signal pattern firing probability map generating means, based on said second storage result, the calculating the probability that a particular signal pattern fire for each node of said second specific signal pattern feature map characterized in that that generates a second specific signal pattern firing probability map.
If comprised in this way, data with higher quality can be extracted.

本発明の他の態様による特定信号パターン検出システムは、
複軸センサから得られる時系列の複軸センサデータを予め用意された時間窓に基づいて時間分割複軸センサデータとして分割する第２のデータ分割手段と、
前記時間分割複軸センサデータのノイズ除去ならびにデータを正規化することで第２の正規化センサデータを生成する第２の正規化センサデータ生成手段と、
前記第２の正規化センサデータを基底関数展開することで時空間解像度レベルごとに第３の時空間分解センサデータを生成する第２の時空間分解センサデータ生成手段と、
前記第３の時空間分解センサデータの振幅情報に基づいて時空間解像度レベルごとに第３の時空間分解センサデータ情報エントロピーを算出する第２のエントロピー算出手段と、
前記第３の時空間分解センサデータ情報エントロピーの総和が最小になるように予め用意された評価基準に基づいて第３の基底時空間分解センサデータを選択する第２の基底時空間分解センサデータ選択手段と、
前記第３の基底時空間分解センサデータの情報エントロピーに基づいて第３のセンサデータ特徴ベクトルを生成する第２のセンサデータ特徴ベクトル生成手段と、
前記第３のセンサデータ特徴ベクトルを合成して第２の複軸センサデータ特徴ベクトルを生成する第２の複軸センサデータ特徴ベクトル生成手段と、
前記第２の複軸センサデータ特徴ベクトルを事前に得られた複数の特定信号パターン特徴マップに入力して得られる類似度と、前記第２の複軸センサデータ特徴ベクトルを事前に得られた複数の特定信号パターン発火確率マップに入力して得られる発火した特徴マップノードベクトルの発火確率とに基づき、前記発火した特徴マップノードベクトルから特定信号パターン特徴ベクトルを選択する特定信号パターン特徴ベクトル選択手段と、
を含み、
前記事前に得られた複数の特定信号パターン特徴マップは、前記一態様による特定信号パターン検出システムにおける前記第１の特定信号パターン特徴マップ及び前記第２の特定信号パターン特徴マップを含み、
前記事前に得られた複数の特定信号パターン発火確率マップは、前記一態様による特定信号パターン検出システムにおける前記第１の特定信号パターン発火確率マップ及び前記第２の特定信号パターン発火確率マップを含むことを特徴とする。
このように構成すれば、センサが任意の姿勢で設置されても正確なコンテキスト情報を取得することができる。 A specific signal pattern detection system according to another aspect of the present invention includes:
Second data dividing means for dividing time-series double-axis sensor data obtained from the multi-axis sensor as time-division multi-axis sensor data based on a time window prepared in advance ;
A second normalization sensor data generating means for generating a second normalized sensor data by normalizing the noise removal and data before Symbol time between division duplex axis sensor data,
Second spatio-temporal decomposition sensor data generation means for generating third spatio-temporal decomposition sensor data for each spatio-temporal resolution level by expanding basis functions of the second normalized sensor data ;
A second entropy calculation means for calculating a third spatio-temporal decomposition sensor data information entropy of each space-time resolution level based on the third amplitude information when spatially resolved sensor data,
Second base spatiotemporal decomposition sensor data selection for selecting third base spatiotemporal decomposition sensor data based on an evaluation criterion prepared in advance so that the total sum of the third spatiotemporal decomposition sensor data information entropy is minimized Means ,
Second sensor data feature vector generating means for generating a third sensor data feature vector based on the information entropy of the third basis space-time resolved sensor data ;
Second multi-axis sensor data feature vector generating means for combining the third sensor data feature vector to generate a second multi-axis sensor data feature vector ;
A similarity obtained by inputting the plurality of specific signal patterns characteristic map obtained in advance the second double-axis sensor data feature vectors were previously obtained the second double-axis sensor data feature vector based on the ignition probability of ignited feature map node vectors obtained by inputting the plurality of specific signal patterns ignition probability map, the specific signal pattern feature vector selection for selecting a specific signal pattern feature vectors from the feature map node vectors described above ignited Means ,
Only including,
The plurality of specific signal pattern feature maps obtained in advance include the first specific signal pattern feature map and the second specific signal pattern feature map in the specific signal pattern detection system according to the aspect,
The plurality of specific signal pattern firing probability maps obtained in advance include the first specific signal pattern firing probability map and the second specific signal pattern firing probability map in the specific signal pattern detection system according to the one aspect. It is characterized by that.
If comprised in this way, even if a sensor is installed with arbitrary attitude | positions, exact context information can be acquired.

本発明の一態様による特定信号パターン検出方法は、
複軸センサから得られる時系列の複軸センサデータにおいて検出したい複数の特定信号パターンを辞書データとして予め獲得するとともに、その獲得された特定信号パターンを予め用意された時間窓に基づいて第１の時間分割センサデータとして分割する第１のデータ分割ステップと、
前記第１の時間分割センサデータのノイズ除去ならびにデータを正規化することで第１の正規化センサデータを生成する第１の正規化センサデータ生成ステップと、
前記第１の正規化センサデータを基底関数展開することで時空間解像度レベルごとに第１の時空間分解センサデータを生成する第１の時空間分解センサデータ生成ステップと、
前記第１の時空間分解センサデータの振幅情報に基づいて時空間解像度レベルごとに第１の時空間分解センサデータ情報エントロピーを算出する第１のエントロピー算出ステップと、
前記第１の時空間分解センサデータ情報エントロピーの総和が最小になるように予め用意された評価基準に基づいて第１の基底時空間分解センサデータを選択する第１の基底時空間分解センサデータ選択ステップと、
前記第１の基底時空間分解センサデータの情報エントロピーに基づいて、前記辞書データの特徴ベクトルである第１のセンサデータ特徴ベクトルを生成する第１のセンサデータ特徴ベクトル生成ステップと、
前記第１のセンサデータ特徴ベクトルを自己組織化アルゴリズムにより学習させることで自己組織化された第１の特定信号パターン特徴マップを生成する第１の特定信号パターン特徴マップ生成ステップと、
前記第１の特定信号パターン特徴マップの各ノードにおける特徴ノードベクトルに基づいて、前記辞書データの特徴ベクトルを入力した時に発火する特徴ノードベクトルとの対応関係を第１の蓄積結果として蓄積する第１の蓄積ステップと、
前記第１の蓄積結果に基づいて、前記第１の特定信号パターン特徴マップの各ノードごとに特定信号パターンが発火する確率を算出し第１の特定信号パターン発火確率マップを生成する第１の特定信号パターン発火確率マップ生成ステップと、
前記第１の特定信号パターン発火確率マップのうち予め設定された閾値以上の確率を有するノードを基底特徴ノードベクトルとして抽出する基底特徴ノードベクトル抽出ステップと、
前記基底特徴ノードベクトルを発火させる基となった複軸センサデータ特徴ベクトルのうち、基底特徴ノードベクトルとの類似度が予め設定された閾値以上のものを基底複軸センサ特徴ベクトルとして抽出する基底複軸センサ特徴ベクトル抽出ステップと、
前記基底複軸センサ特徴ベクトルの基となった複軸の基底センサデータを抽出する基底センサデータ抽出ステップと、
前記複軸の基底センサデータを予め設定された刻み幅の角度で各軸回りに回転させることで擬似複軸センサデータを生成する擬似複軸センサデータ生成ステップと、
前記疑似複軸センサデータを基底関数展開することで時空間解像度レベルごとに第２の時空間分解センサデータを生成する第２の時空間分解センサデータ生成ステップと、
前記第２の時空間分解センサデータの振幅情報に基づいて時空間解像度レベルごとに第２の時空間分解センサデータ情報エントロピーを算出する第２のエントロピー算出ステップと、
前記第２の時空間分解センサデータ情報エントロピーの総和が最小になるように予め用意された評価基準に基づいて第２の基底時空間分解センサデータを選択する第２の基底時空間分解センサデータ選択ステップと、
前記第２の基底時空間分解センサデータの情報エントロピーに基づいて第２のセンサデータ特徴ベクトルを生成する第２のセンサデータ特徴ベクトル生成ステップと、
前記第２のセンサデータ特徴ベクトルを合成して第１の複軸センサデータ特徴ベクトルを生成する第１の複軸センサデータ特徴ベクトル生成ステップと、
前記第１の複軸センサデータ特徴ベクトルを自己組織化アルゴリズムにより学習させることで自己組織化された第２の特定信号パターン特徴マップを生成する第２の特定信号パターン特徴マップ生成ステップと、
前記第２の特定信号パターン特徴マップの各ノードにおける特徴ノードベクトルに基づいて、前記擬似複軸センサデータの特徴ベクトルを入力した時に発火する特徴ノードベクトルとの対応関係を第２の蓄積結果として蓄積する第２の蓄積ステップと、
前記第２の蓄積結果に基づいて、前記第２の特定信号パターン特徴マップの各ノードごとに特定信号パターンが発火する確率を算出し第２の特定信号パターン発火確率マップを生成する第２の特定信号パターン発火確率マップ生成ステップと、を含むことを特徴とする。
このような方法によれば、より質の良いデータを抽出することができる。 A specific signal pattern detection method according to an aspect of the present invention includes:
A plurality of specific signal patterns to be detected in the time-series multi-axis sensor data obtained from the multi-axis sensor are acquired in advance as dictionary data, and the acquired specific signal patterns are obtained based on a first time window prepared in advance. A first data division step of dividing as time division sensor data;
A first normalized sensor data generating step for generating first normalized sensor data by denoising the first time-division sensor data and normalizing the data;
A first spatiotemporal decomposition sensor data generation step for generating first spatiotemporal decomposition sensor data for each spatiotemporal resolution level by expanding a basis function of the first normalized sensor data;
A first entropy calculating step of calculating a first spatiotemporal resolution sensor data information entropy for each spatiotemporal resolution level based on amplitude information of the first spatiotemporal resolution sensor data;
First base spatio-temporal decomposition sensor data selection for selecting first base spatio-temporal decomposition sensor data based on an evaluation criterion prepared in advance so that the sum of the first spatio-temporal decomposition sensor data information entropy is minimized Steps,
A first sensor data feature vector generating step for generating a first sensor data feature vector, which is a feature vector of the dictionary data, based on information entropy of the first basis space-time resolved sensor data;
A first specific signal pattern feature map generation step of generating a first specific signal pattern feature map that is self-organized by learning the first sensor data feature vector by a self-organization algorithm;
Based on the feature node vector at each node of the first specific signal pattern feature map, a correspondence relationship with the feature node vector that is ignited when the feature vector of the dictionary data is input is accumulated as a first accumulation result. Accumulation step,
Based on the first accumulation result, a first specific signal for calculating a probability that a specific signal pattern is ignited for each node of the first specific signal pattern feature map and generating a first specific signal pattern firing probability map A signal pattern firing probability map generation step;
A base feature node vector extraction step of extracting, as a base feature node vector, a node having a probability equal to or higher than a preset threshold from the first specific signal pattern firing probability map;
Among the multi-axis sensor data feature vectors based on which the base feature node vector is ignited, a base multi-axis sensor feature vector having a similarity with the base feature node vector equal to or higher than a preset threshold is extracted as a base multi-axis sensor feature vector. An axis sensor feature vector extraction step;
A base sensor data extraction step for extracting the base sensor data of the multi-axis that is the basis of the base multi-axis sensor feature vector;
A pseudo multi-axis sensor data generation step of generating a pseudo multi-axis sensor data by rotating each axis about an angle of predetermined step sizes basal Sensade data of said double shaft,
A second space-time decomposition sensor data generation step of generating a spatially resolved sensor data at the second time for each spatial resolution level when By deploying the pseudo multi-axis sensor data basis function,
A second entropy calculation step of calculating a second spatio-temporal decomposition sensor data information entropy for each space-time resolution level based on the second time-space amplitude information of the degradation sensor data,
The second base when spatially resolved sensor data selection for selecting the second base when spatially resolved sensor data based on the evaluation criteria the sum of the second spatio-temporal decomposition sensor data information entropy is prepared in advance so as to minimize Steps ,
A second sensor data characteristic vector generating step of generating a second sensor data feature vector based on the second information entropy of the base when spatially resolved sensor data,
A first multi-axis sensor data feature vector generating step of combining the second sensor data feature vectors to generate a first multi-axis sensor data feature vector ;
A second specific signal pattern feature map generation step of generating a second specific signal pattern feature maps that are self-organized by train the first multi-axis sensor data feature vector by self-assembly algorithm,
Based on the feature node vector at each node of the second specific signal pattern characteristic map, as a second accumulation result the correspondence between the feature node vectors ignite when input feature vectors of the pseudo multi-axis sensor data A second accumulation step for accumulation ;
Based on the second storage result, the second to generate the second specific signal pattern characterized specific signal pattern to each node in the map calculates the probability of ignition second specific signal pattern firing probability map And a specific signal pattern firing probability map generation step.
According to such a method, higher quality data can be extracted.

本発明の他の態様による特定信号パターン検出方法は、
複軸センサから得られる時系列の複軸センサデータを予め用意された時間窓に基づいて時間分割複軸センサデータとして分割する第２のデータ分割ステップと、
前記時間分割複軸センサデータのノイズ除去ならびにデータを正規化することで第２の正規化センサデータを生成する第２の正規化センサデータ生成ステップと、
前記第２の正規化センサデータを基底関数展開することで時空間解像度レベルごとに第３の時空間分解センサデータを生成する第２の時空間分解センサデータ生成ステップと、
前記第３の時空間分解センサデータの振幅情報に基づいて時空間解像度レベルごとに第３の時空間分解センサデータ情報エントロピーを算出する第２のエントロピー算出ステップと、
前記第３の時空間分解センサデータ情報エントロピーの総和が最小になるように予め用意された評価基準に基づいて第３の基底時空間分解センサデータを選択する第２の基底時空間分解センサデータ選択ステップと、
前記第３の基底時空間分解センサデータの情報エントロピーに基づいて第３のセンサデータ特徴ベクトルを生成する第２のセンサデータ特徴ベクトル生成ステップと、
前記第３のセンサデータ特徴ベクトルを合成して第２の複軸センサデータ特徴ベクトルを生成する第２の複軸センサデータ特徴ベクトル生成ステップと、
前記第２の複軸センサデータ特徴ベクトルを事前に得られた複数の特定信号パターン特徴マップに入力して得られる類似度と、前記第２の複軸センサデータ特徴ベクトルを事前に得られた複数の特定信号パターン発火確率マップに入力して得られる発火した特徴マップノードベクトルの発火確率とに基づき、前記発火した特徴マップノードベクトルから特定信号パターン特徴ベクトルを選択する特定信号パターン特徴ベクトル選択ステップと、
を含み、
前記事前に得られた複数の特定信号パターン特徴マップは、前記一態様による特定信号パターン検出方法における前記第１の特定信号パターン特徴マップ及び前記第２の特定信号パターン特徴マップを含み、
前記事前に得られた複数の特定信号パターン発火確率マップは、前記一態様による特定信号パターン検出方法における前記第１の特定信号パターン発火確率マップ及び前記第２の特定信号パターン発火確率マップを含むことを特徴とする。
このような方法によれば、センサが任意の姿勢で設置されても正確なコンテキスト情報を取得することができる。 A specific signal pattern detection method according to another aspect of the present invention includes:
A second data division step of dividing time-series double-axis sensor data obtained from the multi-axis sensor as time-division multi-axis sensor data based on a time window prepared in advance ;
A second normalization sensor data generating step of generating a second normalized sensor data by normalizing the noise removal and data before Symbol time between division duplex axis sensor data,
A second spatiotemporal decomposition sensor data generation step of generating third spatiotemporal decomposition sensor data for each spatiotemporal resolution level by expanding basis functions of the second normalized sensor data ;
A second entropy calculation step of calculating a third spatio-temporal decomposition sensor data information entropy of each space-time resolution level based on the third amplitude information when spatially resolved sensor data,
Second base spatiotemporal decomposition sensor data selection for selecting third base spatiotemporal decomposition sensor data based on an evaluation criterion prepared in advance so that the total sum of the third spatiotemporal decomposition sensor data information entropy is minimized Steps ,
A second sensor data feature vector generating step for generating a third sensor data feature vector based on the information entropy of the third basis space-time resolved sensor data ;
A second multi-axis sensor data feature vector generating step of combining the third sensor data feature vector to generate a second multi-axis sensor data feature vector ;
A similarity obtained by inputting the plurality of specific signal patterns characteristic map obtained the second double-axis sensor data feature vectors before things beforehand obtained the second double-axis sensor data feature vector specific signal pattern feature vectors on the basis of the ignition probability of the plurality of specific signal patterns ignition probability map feature map ignited obtained by inputting the node vectors to select a particular signal pattern feature vectors from the feature map node vectors described above firing was A selection step ;
Only including,
The plurality of specific signal pattern feature maps obtained in advance include the first specific signal pattern feature map and the second specific signal pattern feature map in the specific signal pattern detection method according to the aspect,
The plurality of specific signal pattern firing probability maps obtained in advance include the first specific signal pattern firing probability map and the second specific signal pattern firing probability map in the specific signal pattern detection method according to the one aspect. It is characterized by that.
According to such a method, accurate context information can be acquired even if the sensor is installed in an arbitrary posture .

要するに、本発明では、複軸センサから出力されるデータを取得し、取得データに基づいて、前記複軸センサを含む機器を携行している者のコンテキストを推定するための特定信号パターン特徴マップを作成する場合において、複軸ごとにセンシング可能なセンサデバイス(複軸センサ)の設置位置に依存せずに、その複軸センサから得られる時系列の複軸センサデータにおける特徴的な信号パターン（特定信号パターン）を検出するシステムにおいて、複軸センサから得られる複軸センサデータの中で検出したい特定信号パターンを辞書データとして獲得し、その辞書データを自己組織化アルゴリズムで学習させて得られる特定信号パターン特徴マップならびに特定信号パターン発火確率マップから辞書データの特定信号パターン基底センサデータを抽出している。そして、抽出された特定信号パターン基底センサデータを各軸回りに回転させることで生成した擬似データを自己組織化アルゴリズムで学習させることで特定信号パターン特徴マップならびに特定信号パターン発火確率マップを得ている。さらに、上記で得られた、特定信号パターン特徴マップならびに特定信号パターン発火確率マップを用いて、複軸センサから得られる時系列のセンサデータから特定信号パターンを抽出している。   In short, in the present invention, a specific signal pattern feature map for acquiring data output from a multi-axis sensor and estimating a context of a person carrying the device including the multi-axis sensor based on the acquired data is provided. When creating, a characteristic signal pattern (specific identification) in the time-series multi-axis sensor data obtained from the multi-axis sensor without depending on the installation position of the sensor device (multi-axis sensor) capable of sensing for each multi-axis Signal system), a specific signal pattern obtained from a multi-axis sensor data obtained from a multi-axis sensor is acquired as dictionary data, and the dictionary data is learned by a self-organization algorithm. Specific signal pattern base sensor of dictionary data from pattern feature map and specific signal pattern firing probability map It is extracted over data. Then, the specific signal pattern feature map and the specific signal pattern firing probability map are obtained by learning the pseudo data generated by rotating the extracted specific signal pattern base sensor data around each axis by the self-organization algorithm. . Further, the specific signal pattern is extracted from the time-series sensor data obtained from the multi-axis sensor using the specific signal pattern feature map and the specific signal pattern firing probability map obtained above.

本発明によれば、獲得したいコンテキストごとにモジュールを用意して学習させる等のチューニングをすることなくユーザのコンテキストに相当する特定信号パターンが獲得できるという効果がある。
また、複軸センサを特定の位置に固定する必要がないので、専用の複軸センサを用いる必要がなく、例えば携帯電話機に搭載してある複軸センサを用いてプレゼンス情報を取得することができるという効果がある。 According to the present invention, there is an effect that a specific signal pattern corresponding to a user context can be acquired without tuning such as preparing and learning a module for each context to be acquired.
In addition, since it is not necessary to fix the multi-axis sensor at a specific position, there is no need to use a dedicated multi-axis sensor, and presence information can be acquired using, for example, a multi-axis sensor mounted on a mobile phone. There is an effect.

本発明の実施形態による、複軸センサからの特定信号パターン検出システムの構成を示す図である。It is a figure which shows the structure of the specific signal pattern detection system from a multi-axis sensor by embodiment of this invention. 図１中のユーザＢが使用する携帯端末の内部構成例を示す図である。It is a figure which shows the internal structural example of the portable terminal which the user B in FIG. 1 uses. 図１中のプレゼンス提供サーバの内部構成例を示す図である。It is a figure which shows the example of an internal structure of the presence provision server in FIG. 図１中のユーザＡが使用する携帯端末３００の内部構成例を示す図である。It is a figure which shows the example of an internal structure of the portable terminal 300 which the user A in FIG. 1 uses. 本発明の実施の形態に係る複軸センサからの特定信号パターン検出方法の概略を示す図である。It is a figure which shows the outline of the specific signal pattern detection method from the multi-axis sensor which concerns on embodiment of this invention. 図５中の段階（Ｃ−１）の詳細な処理内容を示す図である。It is a figure which shows the detailed processing content of the step (C-1) in FIG. 階段降り動作を行った場合の自己組織化特徴マップの例を示す図である。It is a figure which shows the example of the self-organization characteristic map at the time of performing stair-step operation. 階段昇り動作を行った場合の自己組織化特徴マップの例を示す図である。It is a figure which shows the example of the self-organization feature map at the time of performing stair-up operation. 早歩き動作を行った場合の自己組織化特徴マップの例を示す図である。It is a figure which shows the example of the self-organization characteristic map at the time of performing a fast walk operation | movement. 電車内歩行動作を行った場合の自己組織化特徴マップの例を示す図である。It is a figure which shows the example of the self-organization characteristic map at the time of performing the walk motion in a train. 電車着座動作を行った場合の自己組織化特徴マップの例を示す図である。It is a figure which shows the example of the self-organization characteristic map at the time of performing train seating operation | movement. 走行動作を行った場合の自己組織化特徴マップの例を示す図である。It is a figure which shows the example of the self-organization characteristic map at the time of performing driving | running | working operation | movement. 平地歩行動作を行った場合の自己組織化特徴マップの例を示す図である。It is a figure which shows the example of the self-organization feature map at the time of performing a flat-ground walking motion. 図５中の段階（Ｃ−２）の詳細な処理内容を示す図である。It is a figure which shows the detailed processing content of the step (C-2) in FIG. 図５中の段階（Ｃ−３）の詳細な処理内容を示す図である。It is a figure which shows the detailed processing content of the step (C-3) in FIG. 特定信号パターン検出システムの実施例の構成例を示す図である。It is a figure which shows the structural example of the Example of a specific signal pattern detection system.

以下、本発明の実施の形態を、図面を参照して説明する。なお、以下の説明において参照する各図では、他の図と同等部分は同一符号によって示されている。
以下、本発明の実施の形態を、図面を参照して説明する。以下の説明において参照する各図では、他の図と同等部分は同一符号によって示されている。
なお、以下の説明において、（→）が付加されている符号はそれがベクトルであることを示している。また、→が上に付加されている符号もそれがベクトルであることを示している。 Hereinafter, embodiments of the present invention will be described with reference to the drawings. In the drawings referred to in the following description, the same parts as those in the other drawings are denoted by the same reference numerals.
Hereinafter, embodiments of the present invention will be described with reference to the drawings. In each figure referred in the following explanation, the same part as other figures is shown by the same numerals.
In the following description, a symbol to which (→) is added indicates that it is a vector. Also, a symbol with a → added above indicates that it is a vector.

（基本構成）
本発明の実施形態による、複軸センサからの特定信号パターン検出システムの構成について図１を参照して説明する。同図は、特定信号パターン検出システムの基本的な構成例を示すものである。
同図を参照すると、本システムは、ユーザＢの状況(コンテキスト)を獲得するために必要な複軸センサデータを検出できる加速度センサを搭載した携帯端末２００と、この携帯端末２００に搭載された加速度センサから検出された複軸センサデータからユーザＢの状況をプレゼンス情報として提供する装置であるプレゼンス提供サーバ１００と、このプレゼンス提供サーバ１００で提供されたプレゼンス情報をユーザＡへ提示するための携帯端末３００とを含んで構成されている。なお、同図中のモバイルネットワークＮＷは、これらの間で信号授受を実現するためのネットワークであり、図示せぬ無線基地局装置、無線基地局制御装置等によって実現される。 (Basic configuration)
A configuration of a specific signal pattern detection system from a multi-axis sensor according to an embodiment of the present invention will be described with reference to FIG. This figure shows a basic configuration example of the specific signal pattern detection system.
Referring to the figure, this system includes a mobile terminal 200 equipped with an acceleration sensor capable of detecting multi-axis sensor data necessary to acquire the situation (context) of user B, and an acceleration mounted on the mobile terminal 200. Presence providing server 100 that is a device that provides the status of user B as presence information from multi-axis sensor data detected from sensors, and a portable terminal for presenting presence information provided by this presence providing server 100 to user A 300. Note that the mobile network NW in the figure is a network for realizing signal exchange between them, and is realized by a radio base station apparatus, a radio base station control apparatus, etc. (not shown).

図１中のユーザＢの携帯端末２００の内部構成例が図２に示されている。同図を参照すると、携帯端末２００は、加速度センサから複軸センサデータを検出するセンサデータ獲得機能部２１と、検出された複軸センサデータをプレゼンス提供サーバへ送信するセンサデータ送信機能部２２とが搭載されている。この携帯端末２００は、図示せぬＣＰＵ、通信部、メモリ、入出力操作部、表示部等、一般的な携帯電話端末としてのハードウェア構成を有しており、これらの構成によって上記の機能を実現している。   An example of the internal configuration of the mobile terminal 200 of user B in FIG. 1 is shown in FIG. Referring to the figure, the mobile terminal 200 includes a sensor data acquisition function unit 21 that detects multi-axis sensor data from the acceleration sensor, and a sensor data transmission function unit 22 that transmits the detected multi-axis sensor data to the presence providing server. Is installed. The mobile terminal 200 has a hardware configuration as a general mobile phone terminal, such as a CPU, a communication unit, a memory, an input / output operation unit, and a display unit (not shown). Realized.

図１中のプレゼンス提供サーバ１００の内部構成例が図３に示されている。同図を参照すると、プレゼンス提供サーバ１００は、上記携帯端末２００より送信された複軸センサデータを受信するセンサデータ受信機能部１１と、このセンサデータ受信機能部１１によって受信された複軸センサデータから信号パターン特徴ベクトルを抽出するセンサデータ解析機能部１２と、事前に検出対象となる特定信号パターン特徴ベクトルを抽出し、そのデータを特定信号パターンデータベース１０１へ格納する特定信号パターン獲得機能部１３と、センサデータ解析機能部１２で抽出された信号パターン特徴ベクトルとデータベース１０１に格納されている特定信号パターン特徴ベクトルと照合するセンサデータ照合機能部１４と、センサデータ照合機能部１４で照合された特定信号パターン特徴ベクトルをプレゼンスデータベース１０２に基づいてプレゼンス情報に変換するプレゼンス情報変換機能部１５と、変換されたプレゼンス情報をユーザＡのリクエストに応じて提供するプレゼンス情報送信機能部１６とを含んで構成されている。このプレゼンス提供サーバ１００は、図示せぬＣＰＵ、通信部、メモリ、入出力部、表示部等、一般的なサーバ装置としてのハードウェア構成を有しており、これらの構成によって上記の機能を実現している。   An example of the internal configuration of the presence providing server 100 in FIG. 1 is shown in FIG. Referring to the figure, the presence providing server 100 includes a sensor data receiving function unit 11 that receives the multi-axis sensor data transmitted from the mobile terminal 200, and the multi-axis sensor data received by the sensor data receiving function unit 11. A sensor data analysis function unit 12 for extracting a signal pattern feature vector from the data, a specific signal pattern acquisition function unit 13 for extracting a specific signal pattern feature vector to be detected in advance and storing the data in the specific signal pattern database 101; The sensor data matching function unit 14 for matching the signal pattern feature vector extracted by the sensor data analysis function unit 12 with the specific signal pattern feature vector stored in the database 101, and the specification verified by the sensor data matching function unit 14 Presence data as signal pattern feature vector A presence information conversion function 15 which converts the presence information based on the over scan 102 is configured to include a presence information transmitting function unit 16 to provide in accordance with converted presence information to the request of the user A. The presence providing server 100 has a hardware configuration as a general server device such as a CPU, a communication unit, a memory, an input / output unit, a display unit, etc. (not shown), and the above functions are realized by these configurations. doing.

図１中のユーザＡの携帯端末３００の内部構成例が図４に示されている。同図を参照すると、携帯端末３００は、プレゼンス提供サーバ１００から送信されたユーザＢのプレゼンス情報を受信し表示するプレゼンス情報受信機能部２３を含んで構成されている。この携帯端末３００は、図示せぬＣＰＵ、通信部、メモリ、入出力操作部、表示部等、一般的な携帯電話端末としてのハードウェア構成を有しており、これらの構成によって上記の機能を実現している。   An example of the internal configuration of the mobile terminal 300 of the user A in FIG. 1 is shown in FIG. Referring to the figure, the portable terminal 300 includes a presence information receiving function unit 23 that receives and displays the presence information of the user B transmitted from the presence providing server 100. This mobile terminal 300 has a hardware configuration as a general mobile phone terminal, such as a CPU, a communication unit, a memory, an input / output operation unit, a display unit, etc. (not shown), and the above functions are achieved by these configurations. Realized.

（複軸センサからの特定信号パターン検出方法）
図１〜図４に示されている構成からなるシステムによって実現される、複軸センサからの特定信号パターン検出方法の具体的な処理の流れについて、以下説明する。
図５に示されているように、本検出方法による処理は、オフライン処理で学習を行う段階（Ｃ−１）及び段階（Ｃ−２）と、オンライン処理で実測を行う段階（Ｃ−３）の３つの段階に大別することができる。なお、経年変化に対応するため、追加学習を行う処理を
追加してもよい。この処理を追加すれば、ユーザＢの年齢増加にも対応できる。 (Specific signal pattern detection method from multi-axis sensor)
A specific processing flow of the specific signal pattern detection method from the multi-axis sensor realized by the system having the configuration shown in FIGS. 1 to 4 will be described below.
As shown in FIG. 5, the processing according to the present detection method includes a stage (C-1) and a stage (C-2) in which learning is performed by offline processing, and a stage in which actual measurement is performed by online processing (C-3). It can be roughly divided into three stages. Note that a process for performing additional learning may be added to cope with aging. If this process is added, it is possible to cope with the age increase of the user B.

（Ｃ−１）
この段階は、質の良いデータを抽出する段階である。この段階では、辞書データＤ１を入力とし、前処理（Ｓ１１）、特徴抽出処理（Ｓ１２）、自己組織化学習（Ｓ１３）、学習結果解析処理（Ｓ１４）、基底センサデータ抽出処理（Ｓ１５）を経て、特定信号パターン特徴マップ及び特定信号パターン発火確率マップからなるデータＤ２と、特定信号パターン基底センサデータＤ３とを導出する。 (C-1)
This stage is a stage for extracting high-quality data. At this stage, the dictionary data D1 is used as an input, and through pre-processing (S11), feature extraction processing (S12), self-organized learning (S13), learning result analysis processing (S14), and base sensor data extraction processing (S15). Then, the data D2 including the specific signal pattern feature map and the specific signal pattern firing probability map and the specific signal pattern base sensor data D3 are derived.

（Ｃ−２）
この段階は、上記の段階（Ｃ−１）で得たデータを基に、より質の良い辞書データを得る段階である。この段階では、上記段階（Ｃ−１）で得られた特定信号パターン基底センサデータＤ３を入力とし、擬似データ生成処理（Ｓ２１）、特徴抽出処理（Ｓ２２）、自己組織化学習（Ｓ２３）、学習結果解析処理（Ｓ２４）を経て、特定信号パターン特徴マップ及び特定信号パターン発火確率マップからなるデータＤ４を導出する。 (C-2)
This stage is a stage for obtaining better quality dictionary data based on the data obtained in the above stage (C-1). At this stage, the specific signal pattern base sensor data D3 obtained in the above stage (C-1) is used as an input, pseudo data generation process (S21), feature extraction process (S22), self-organized learning (S23), learning Through the result analysis process (S24), data D4 including a specific signal pattern feature map and a specific signal pattern firing probability map is derived.

（Ｃ−３）
この段階は、上記の段階（Ｃ−２）で得たデータを基に、実際の測定を行う段階である。この段階では、実測データＤ５を入力とし、前処理（Ｓ３１）、特徴抽出処理（Ｓ３２）、特定信号パターン検出処理（Ｓ３３）を経て、特定信号パターン分析結果データＤ６を導出する。 (C-3)
This stage is a stage in which actual measurement is performed based on the data obtained in the above stage (C-2). In this stage, the actual measurement data D5 is input, and the specific signal pattern analysis result data D6 is derived through preprocessing (S31), feature extraction processing (S32), and specific signal pattern detection processing (S33).

以下、各段階について、図６〜図１５を参照して詳細に説明する。
（質の良いデータの抽出）
図６は、図５中の段階（Ｃ−１）の詳細な処理内容を示す図である。
図５中の段階（Ｃ−１）中の前処理（Ｓ１１）は図６中の処理（Ｃ−１−２）及び（Ｃ−１−３）に対応する。図５中の段階（Ｃ−１）中の特徴抽出処理（Ｓ１２）は図６中の処理（Ｃ−１−４）から（Ｃ−１−７）までに対応する。図５中の段階（Ｃ−１）中の自己組織化学習処理（Ｓ１３）は図６中の処理（Ｃ−１−８）に対応する。図５中の段階（
Ｃ−１）中の学習結果解析処理（Ｓ１４）は図６中の処理（Ｃ−１−９）及び（Ｃ−１−１０）に対応する。図５中の段階（Ｃ−１）中の基底センサデータ抽出処理（Ｓ１５）は図６中の処理（Ｃ−１−１１）に対応する。以下、これらの処理の内容について説明する。 Hereinafter, each stage will be described in detail with reference to FIGS.
(Extraction of good quality data)
FIG. 6 is a diagram showing the detailed processing contents of the stage (C-1) in FIG.
The preprocessing (S11) in the stage (C-1) in FIG. 5 corresponds to the processing (C-1-2) and (C-1-3) in FIG. The feature extraction process (S12) in the stage (C-1) in FIG. 5 corresponds to the processes (C-1-4) to (C-1-7) in FIG. The self-organizing learning process (S13) in the stage (C-1) in FIG. 5 corresponds to the process (C-1-8) in FIG. Stage in FIG.
The learning result analysis process (S14) in C-1) corresponds to the processes (C-1-9) and (C-1-10) in FIG. The base sensor data extraction process (S15) in the stage (C-1) in FIG. 5 corresponds to the process (C-1-11) in FIG. Hereinafter, the contents of these processes will be described.

処理（Ｃ−１−１）：ユーザＢは複数軸センサデータが獲得できる加速度センサを搭載してある携帯端末を携行している。逐次、ユーザＢの状況（コンテキスト）に応じて変動する複数軸センサデータ（加速度ベクトル）が獲得され、パケット通信でプレゼンス提供サーバへ送信される。
処理（Ｃ−１−２）：プレゼンス提供サーバでは、ユーザＢの携帯端末から送信された加速度ベクトルの時系列データを逐次受信する。時系列データとして受信される加速度ベクトル（→）ａ0（ｔ）をデータ分割する。手法は限定されないが、ここでは、複数の時間窓 Process (C-1-1): User B carries a portable terminal equipped with an acceleration sensor capable of acquiring multi-axis sensor data. Sequentially, multi-axis sensor data (acceleration vector) that fluctuates according to the situation (context) of user B is acquired and transmitted to the presence providing server by packet communication.
Process (C-1-2): The presence providing server sequentially receives time-series data of acceleration vectors transmitted from the mobile terminal of user B. The acceleration vector (→) a 0 (t) received as time series data is divided into data. The method is not limited, but here we have multiple time windows

Figure 0005297547
を用意してデータ分割する。
Figure 0005297547
 Prepare the data and divide the data.

処理（Ｃ−１−３）：その後、データ補正処理を実施する。データ補正処理方法は加速度センサの用途によって異なるが、ここでは、Gaussianフィルターによるノイズ除去処理と、時間窓｛ｔk｝での加速度の正規化を行う。
続いて、センサデータ解析から特定信号パターンとの照合について述べる。
任意の姿勢で設置されたセンサから観測される時刻ｔでの実測データ加速度ベクトルを
（→）ａ0（ｔ）＝（ａ0x（ｔ）、ａ0y（ｔ）、ａ0z（ｔ）） …（２）
理想的な姿勢で設置されたセンサから観測される時刻ｔにおける辞書データとなる加速度ベクトル（重力加速度も含む）を
（→）ａD（ｔ）＝（ａDX（ｔ）、ａ DY（ｔ）、ａ DZ（ｔ）） …（３）
とおく。 Process (C-1-3): Thereafter, a data correction process is performed. Although the data correction processing method varies depending on the application of the acceleration sensor, here, noise removal processing by a Gaussian filter and normalization of acceleration in the time window {t k } are performed.
Next, collation with a specific signal pattern from sensor data analysis will be described.
The measured data acceleration vector at time t observed from a sensor installed in an arbitrary posture is (→) a 0 (t) = (a 0x (t), a 0y (t), a 0z (t)). (2)
Acceleration vectors (including gravitational acceleration) as dictionary data at time t observed from a sensor installed in an ideal posture are (→) a D (t) = (a DX (t), a D Y (t ), A D Z (t)) (3)
far.

はじめに、辞書データとなる加速度ベクトル（→）ａD（ｔ）から特定信号パターン特徴マップを作成する方法について説明する。
処理（Ｃ−１−４）：まず、加速度ベクトル（→）ａD（ｔ）の特徴を解析するために基底関数展開することで時空間解像度レベルごとに時空間分解センサデータに分解する。ここでは局在波による関数展開であるMother WaveletをHarr関数とするWavelet Packet分解を利用する。上記の式（３）の両辺にWavelet Packet分解を施すと解像度レベルｐでの加速度ベクトル（→）ａD（ｔ）は以下のように表せる。 First, a method for creating a specific signal pattern feature map from the acceleration vector (→) a D (t) serving as dictionary data will be described.
Process (C-1-4): First, in order to analyze the feature of the acceleration vector (→) a D (t), the base function is expanded to decompose it into space-time resolution sensor data for each space-time resolution level. Here, Wavelet Packet decomposition is used in which the Mother Wavelet, which is a function expansion using localized waves, is a Harr function. When Wavelet Packet decomposition is applied to both sides of the above equation (3), the acceleration vector (→) a D (t) at the resolution level p can be expressed as follows.

Figure 0005297547
Figure 0005297547

ここで、（→）ｕ(p、q) D（ｔ）は、解像度レベルｐのｑ番目の分解波形（基底関数）を表す。
処理（Ｃ−１−５）：次に、これら分解波形である基底関数
（→）ｕ(p、q) D（ｔ）＝
（（→）ｕ(p、q) x（ｔ）、（→）ｕ(p、q) y（ｔ）、（→）ｕ(p、q) z（ｔ））
のうち、加速度ベクトル（→）ａD（ｔ）を表現するのに最良基底関数となる基底関数を選択する。そこで、以下の情報エントロピーコスト関数を定義する。 Here, (→) u (p , q) D (t) represents the qth decomposition waveform (basis function) of the resolution level p.
Process (C-1-5): Next, the basis function (→) u (p , q) D (t) =
((→) u (p , q) x (t), (→) u (p , q) y (t), (→) u (p , q) z (t))
Among them, the basis function that is the best basis function for selecting the acceleration vector (→) a D (t) is selected. Therefore, the following information entropy cost function is defined.

Figure 0005297547
Figure 0005297547

式（５）の左辺を最小にするｐとｑとの組み合わせを選択する。これにより、情報エントロピーの増加を防ぎ（冗長な表現ではなく）、波形を正確に分解することができる。さらに、選択された基底関数（→）ｕ(p、q) D_BN（ｔ）の情報エントロピー A combination of p and q that minimizes the left side of Equation (5) is selected. Thereby, an increase in information entropy can be prevented (not a redundant expression), and the waveform can be accurately decomposed. Furthermore, the information entropy of the selected basis function (→) u (p , q) D_BN (t)

Figure 0005297547
Figure 0005297547

がもっとも大きいものから選び、それらを順次加えていった和が全情報エントロピー（情報エントロピーの総和）に対して閾値ＴSoEに達するまでの基底関数を選択する。
処理（Ｃ−１−６）：そして、最終的に得られた基底関数（→）ｕ(p、q) D_F（ｔ）に基づいて辞書データの特徴ベクトル（→）ＸDを以下のように定義する。 Is selected from the largest ones, and a basis function is selected until the sum obtained by sequentially adding them reaches the threshold T SoE with respect to the total information entropy (sum of information entropy).
Treatment (C-1-6): The finally obtained basis functions (→) u (p, q ) D_F (t) characteristic vectors of the dictionary data based on (→) X D as follows Defined in

Figure 0005297547
ここで、
Figure 0005297547
 here,

Figure 0005297547
であり、直流成分Ｘ(i) D_BN（０）の項は用いない。
処理（Ｃ−１−７）：また、このとき特徴ベクトルの分布統計量として、下記のモーメントを算出する。ここでは、分布統計量ベクトルを下記のベクトル（→）Ｍ（（→）Ｘ0）として表す。
（→）Ｍ（（→）Ｘ0）＝（Ｍ(1)（（→）Ｘ0）、Ｍ(2)（（→）Ｘ0）、…、Ｍ(n)（（→
）Ｘ0））…（９）
Figure 0005297547
 The term of DC component X (i) D_BN (0) is not used.
Process (C-1-7): At this time, the following moment is calculated as the distribution statistic of the feature vector. Here, the distribution statistic vector is represented as the following vector (→) M ((→) X 0 ).
(→) M ((→) X 0 ) = (M (1) ((→) X 0 ), M (2) ((→) X 0 ),..., M (n) ((→
) X 0 )) ... (9)

Figure 0005297547
ただし、
Figure 0005297547
 However,

Figure 0005297547
Figure 0005297547

そして、辞書データとなる全ての加速度ベクトル（→）ａD（ｔ）について辞書データの特徴ベクトル（→）ＸDを求める。
処理（Ｃ−１−８）：次に、特徴ベクトル（→）ＸDを入力ベクトルとして自己組織化アルゴリズムによって学習させる。ここでは、既に公知であるKohonenの自己組織化アルゴリズムを用いる。
処理（Ｃ−１−９）：学習終了後に得られる自己組織化特徴マップのノード（ｉ，ｊ）における特徴ノードベクトル（→）ＶD (i,j)に基づいて、辞書データの特徴ベクトルを入力した時に発火する特徴ノードベクトルとの対応関係を蓄積する。 Then, the feature vector (→) X D of the dictionary data is obtained for all acceleration vectors (→) a D (t) serving as dictionary data.
Treatment (C-1-8): Next, the learned by self-organizing algorithm feature vector (→) X D as an input vector. Here, Kohonen's self-organization algorithm already known is used.
Process (C-1-9): Based on the feature node vector (→) V D (i, j) at node (i, j) of the self-organizing feature map obtained after the learning is completed, the feature vector of the dictionary data is The correspondence with the feature node vector that is fired when input is stored.

ここで、自己組織化特徴マップの例が、図７〜図１３に示されている。図７は、階段降り動作を行った場合の自己組織化特徴マップの例、図８は、階段昇り動作を行った場合の自己組織化特徴マップの例、図９は、早歩き動作を行った場合の自己組織化特徴マップの例、図１０は、電車内歩行動作を行った場合の自己組織化特徴マップの例、図１１は、電車着座動作を行った場合の自己組織化特徴マップの例、図１２は、走行動作を行った場合の自己組織化特徴マップの例、図１３は、平地歩行動作を行った場合の自己組織化特徴マップの例、である。これらは、その動作が行われている最中にいずれかのノードを発火させ、そのノード内に記載されている数値を上昇させたマップである。そして、１つのノードの数値を上昇させる場合、そのノードに隣接する近傍の６つのノードについても数値を上昇させる。このマッピング処理を所定周期（例えば、数秒周期）で繰返し行う。このようにマッピングすることにより、数値の大きなノードほど発火の頻度が高いことになる。すなわち、このマッピング処理によって、発火度数を把握することができる。   Here, examples of the self-organizing feature map are shown in FIGS. FIG. 7 is an example of a self-organizing feature map when performing a stair-down operation, FIG. 8 is an example of a self-organizing feature map when performing a stair-up operation, and FIG. 9 is a fast-walking operation. FIG. 10 is an example of a self-organizing feature map when performing a walking motion in a train, and FIG. 11 is an example of a self-organizing feature map when performing a seating operation on a train. FIG. 12 is an example of a self-organizing feature map when a running operation is performed, and FIG. 13 is an example of a self-organizing feature map when a flat-ground walking operation is performed. These are maps in which any node is ignited while the operation is being performed, and the numerical value described in the node is increased. When the numerical value of one node is increased, the numerical values are also increased for six neighboring nodes adjacent to the node. This mapping process is repeated at a predetermined cycle (for example, a cycle of several seconds). By mapping in this way, the greater the number of nodes, the higher the frequency of firing. In other words, the firing frequency can be grasped by this mapping process.

非特許文献１においては、自己組織化特徴マップのノードについて区分けを行い（すなわちクラスタリングを行い）、その区分けを固定しそれに従って処理を行っている。このため、図８〜図１３のように発火ノードが比較的集中している場合には、非特許文献１に記載の技術を利用して処理を行っても問題無いが、図７のように発火ノードが分散している傾向がある場合には、非特許文献１に記載の技術を利用して処理を行うと正しいコンテキスト情報が得られない。   In Non-Patent Document 1, the nodes of the self-organizing feature map are classified (that is, clustering is performed), the classification is fixed, and processing is performed accordingly. For this reason, when firing nodes are relatively concentrated as shown in FIGS. 8 to 13, there is no problem even if processing is performed using the technique described in Non-Patent Document 1, but as shown in FIG. If the firing nodes tend to be dispersed, correct context information cannot be obtained if processing is performed using the technique described in Non-Patent Document 1.

これに対し、本発明では、ノードの区分けを行わない。そして、ゆらぎのある質の悪いデータは学習対象とせず、質の良いデータのみを自己組織化特徴マップ中から抽出して学習対象とする。このため、図８〜図１３のように発火ノードが比較的集中している場合はもちろん、図７のように発火ノードが分散している傾向がある場合でも、正しいコンテキスト情報が得られる。
処理（Ｃ−１−１０）：上記対応関係の蓄積結果に基づいて、特徴ノードベクトル（→）ＶD (i,j)が発火した時に辞書データの特徴ベクトル（→）ＸDが特定信号パターンＣｎである確率Ｐ(i,j)（Ｃｎ）を算出する。 On the other hand, in the present invention, node classification is not performed. Then, the poor quality data with fluctuation is not the learning target, and only the high quality data is extracted from the self-organizing feature map as the learning target. Therefore, correct context information can be obtained not only when the firing nodes are relatively concentrated as shown in FIGS. 8 to 13 but also when the firing nodes tend to be dispersed as shown in FIG.
Process (C-1-10): Based on the accumulation result of the correspondence relationship, when the feature node vector (→) V D (i, j) is fired, the feature vector (→) X D of the dictionary data is the specific signal pattern. A probability P (i, j) (Cn) that is Cn is calculated.

Figure 0005297547
ここで、
Figure 0005297547
 here,

Figure 0005297547
は特定信号パターンＣｎのうち特徴ノードベクトル（→）ＶD (i,j)で発火する確率を、Ｐ（Ｃn）は特定信号パターンＣnが発生する確率を表し、下記のように定義される。
Figure 0005297547
 Is the probability of firing with the feature node vector (→) V D (i, j) in the specific signal pattern Cn, and P (C n ) is the probability of occurrence of the specific signal pattern C n and is defined as follows: The

Figure 0005297547
Figure 0005297547

Figure 0005297547
ただし、
Figure 0005297547
 However,

Figure 0005297547
はＺが生じる個数を、（→）ＶD (i,j)は特徴ノード（ｉ，ｊ）で特定信号パターンＣnが生じる事象を表す。
Figure 0005297547
 Represents the number of occurrences of Z, and (→) V D (i, j) represents the event of occurrence of the specific signal pattern C n at the feature node (i, j).

そして、全ての特徴ノード（ｉ，ｊ）についての｛（→）ＶD (i,j)｝を特定信号パターン特徴マップとして、｛Ｐ(i,j)（Ｃn）｝を特定信号パターン発火確率マップとして獲得する。
処理（Ｃ−１−１１）：この時、Ｐ(i,j)（Ｃn）が予め設定された閾値ＴPBを越えている特徴ノードを基底特徴ノードベクトル（→）ＶD (i,j)として抽出する。さらに基底特徴ノードベクトル（→）ＶD (i,j)を発火させた特徴ベクトル（→）ＸDを求め、それを算出する基となった加速度データを基底信号パターンセンサ信号（→）ａ(B) D（ｔ）として抽出する。 Then, {(→) V D (i, j) } for all feature nodes (i, j) is used as a specific signal pattern feature map, and {P (i, j) (C n )} is used as a specific signal pattern firing. Obtained as a probability map.
Process (C-1-11): At this time, a feature node in which P (i, j) (C n ) exceeds a preset threshold value T PB is represented as a base feature node vector (→) V D (i, j ) . Further, a feature vector (→) X D obtained by firing the basis feature node vector (→) V D (i, j) is obtained, and the acceleration data used as a basis for calculating the feature vector (→) X D is obtained as the basis signal pattern sensor signal (→) a ( B) Extract as D (t).

（より質の良い辞書データの構築）
図１４は、図５中の段階（Ｃ−２）の詳細な処理内容を示す図である。
図５中の段階（Ｃ−２）中の擬似データ生成処理（Ｓ２１）は図１４中の処理（Ｃ−２−１）に対応する。図５中の段階（Ｃ−２）中の特徴抽出処理（Ｓ２２）は図１４中の処理（Ｃ−２−２）から（Ｃ−２−５）までに対応する。図５中の段階（Ｃ−２）中の自己組織化学習処理（Ｓ２３）は図１４中の処理（Ｃ−２−６）に対応する。図５中の段階（Ｃ−２）中の学習結果解析処理（Ｓ２４）は図１４中の処理（Ｃ−２−７）及び（Ｃ−２−８）に対応する。以下、これらの処理の内容について説明する。
処理（Ｃ−２−１）：次に基底信号パターン（→）ａ(B) D（ｔ）から生成された擬似データである加速度ベクトル（→）ａ(D) D（ｔ）から特定信号パターン特徴マップを作成する方法について説明する。
各軸のまわりに予め設定された角度α、β、γをそれぞれ独立にΔθ刻みで変えながら以下の式に従って基底信号パターン（→）ａ(B) D（ｔ）を回転させることで擬似データ（→）ａ(D) D（ｔ）を生成する。 (Building better quality dictionary data)
FIG. 14 is a diagram showing the detailed processing contents of the stage (C-2) in FIG.
The pseudo data generation process (S21) in the stage (C-2) in FIG. 5 corresponds to the process (C-2-1) in FIG. The feature extraction process (S22) in the step (C-2) in FIG. 5 corresponds to the processes (C-2-2) to (C-2-5) in FIG. The self-organizing learning process (S23) in the stage (C-2) in FIG. 5 corresponds to the process (C-2-6) in FIG. The learning result analysis process (S24) in the stage (C-2) in FIG. 5 corresponds to the processes (C-2-7) and (C-2-8) in FIG. Hereinafter, the contents of these processes will be described.
Process (C-2-1): Next, a specific signal pattern from acceleration vector (→) a (D) D (t), which is pseudo data generated from base signal pattern (→) a (B) D (t) A method for creating a feature map will be described.
The pseudo data (by rotating the base signal pattern (→) a (B) D (t) according to the following equation while independently changing the angles α, β, γ set in advance around each axis in increments of Δθ. →) a (D) D (t) is generated.

Figure 0005297547
Figure 0005297547

そして、回転角の組み合わせ（α、β、γ）ごとに得られた擬似データ（→）ａ(D) D（ｔ）を、前述の辞書データから特定信号パターン特徴マップと特定信号パターン発火確率マップを獲得したのと同様の手順で擬似データに関する特定信号パターン特徴マップ｛（→）Ｖ(D) D (i,j)｝と特定信号パターン発火確率マップＰ(i,j) (D)（Ｃn）を得る。 Then, the pseudo data (→) a (D) D (t) obtained for each rotation angle combination (α, β, γ) is converted from the dictionary data to the specific signal pattern feature map and the specific signal pattern firing probability map. The specific signal pattern feature map {(→) V (D) D (i, j) } and the specific signal pattern firing probability map P (i, j) (D) (C n ) get.

処理（Ｃ−２−２）：まず、加速度ベクトル（→）ａD（ｔ）の特徴を解析するために基底関数展開することで時空間解像度レベルごとに時空間分解センサデータに分解する。ここでは局在波による関数展開であるMother WaveletをHarr関数とするWavelet Packet分解を利用する。上記の式（３）の両辺にWavelet Packet分解を施すと解像度レベルｐでの加速度ベクトル（→）ａD（ｔ）は上述した式（４）のように表せる。
処理（Ｃ−２−３）：次に、これら分解波形である基底関数
（→）ｕ(p、q) D（ｔ）＝
（（→）ｕ(p、q) x（ｔ）、（→）ｕ(p、q) y（ｔ）、（→）ｕ(p、q) z（ｔ））
のうち、加速度ベクトル（→）ａD（ｔ）を表現するのに最良基底関数となる基底関数を選択する。そこで、上記式（５）により情報エントロピーコスト関数を定義し、式（５）左辺を最小にするｐとｑとの組み合わせを選択する。 Process (C-2-2): First, in order to analyze the feature of the acceleration vector (→) a D (t), the base function is expanded to be decomposed into space-time resolution sensor data for each space-time resolution level. Here, Wavelet Packet decomposition is used in which the Mother Wavelet, which is a function expansion using localized waves, is a Harr function. When Wavelet Packet decomposition is applied to both sides of the above equation (3), the acceleration vector (→) a D (t) at the resolution level p can be expressed as the above equation (4).
Process (C-2-3): Next, these decomposition waveforms, which are basis functions (→) u (p , q) D (t) =
((→) u (p , q) x (t), (→) u (p , q) y (t), (→) u (p , q) z (t))
Among them, the basis function that is the best basis function for selecting the acceleration vector (→) a D (t) is selected. Therefore, an information entropy cost function is defined by the above equation (5), and a combination of p and q that minimizes the left side of equation (5) is selected.

さらに、選択された基底関数（→）ｕ(p、q) D_BN（ｔ）の情報エントロピー（上述した式（６））がもっとも大きいものから選び、それらを順次加えていった和が全情報エントロピー（情報エントロピーの総和）に対して閾値ＴSoEに達するまでの基底関数を選択する。
処理（Ｃ−２−４）：そして、最終的に得られた基底関数（→）ｕ(p、q) D_F（ｔ）に基づいて辞書データの特徴ベクトル加速度ベクトル（→）ＸDを上記式（７）のように定義する。また、上記式（８）と同様であり、直流成分Ｘ(i) D_BN（０）の項は用いない。
処理（Ｃ−２−５）：また、このとき特徴ベクトルの分布統計量として、下記のモーメントを算出する、ここでは、分布統計量ベクトルを上記式（９）、式（１０）と同様にベクトル（→）Ｍ（（→）Ｘ0）として表す。 Furthermore, the information entropy (equation (6) described above) of the selected basis function (→) u (p , q) D_BN (t) is selected from the largest one, and the sum obtained by sequentially adding them is the total information entropy. A basis function until the threshold T SoE is reached is selected for (total information entropy).
Process (C-2-4): Based on the finally obtained basis function (→) u (p , q) D_F (t), the feature vector acceleration vector (→) X D of the dictionary data is expressed by the above equation. It is defined as (7). Moreover, it is the same as that of the said Formula (8), and the term of direct-current component X (i) D_BN (0) is not used.
Process (C-2-5): At this time, the following moment is calculated as the distribution statistic of the feature vector. Here, the distribution statistic vector is a vector similar to the above formulas (9) and (10). (→) M ((→) X 0 )

そして、辞書データとなる全ての加速度ベクトル（→）ａD（ｔ）について辞書データの特徴ベクトル（→）ＸDを求める。
処理（Ｃ−２−６）：次に、特徴ベクトル（→）ＸDを入力ベクトルとして自己組織化アルゴリズムによって学習させる。ここでは、既に公知であるKohonenの自己組織化アルゴリズムを用いる。 Then, the feature vector (→) X D of the dictionary data is obtained for all acceleration vectors (→) a D (t) serving as dictionary data.
Treatment (C-2-6): Next, the learned by self-organizing algorithm feature vector (→) X D as an input vector. Here, Kohonen's self-organization algorithm already known is used.

処理（Ｃ−２−７）：学習終了後に得られる自己組織化特徴マップのノード（ｉ，ｊ）における特徴ノードベクトル（→）ＶD (i,j)に基づいて、辞書データの特徴ベクトルを入力した時に発火する特徴ノードベクトルとの対応関係を蓄積する。自己組織化特徴マップの例は、すでに述べたので、その説明を省略する。
処理（Ｃ−２−８）：上記対応関係の蓄積結果に基づいて、特徴ノードベクトル（→）ＶD (i,j)が発火した時に辞書データの特徴ベクトル（→）ＸDが特定信号パターンＣｎである確率Ｐ(i,j)（Ｃn）を上記式（１２）によって算出する。
そして、全ての特徴ノード（ｉ，ｊ）についての｛（→）ＶD (i,j)｝を特定信号パターン特徴マップとして、｛Ｐ(i,j)（Ｃn）｝を特定信号パターン発火確率マップとして獲得する。 Process (C-2-7): Based on the feature node vector (→) V D (i, j) in the node (i, j) of the self-organizing feature map obtained after the learning is completed, the feature vector of the dictionary data is The correspondence with the feature node vector that is fired when input is stored. Since the example of the self-organizing feature map has already been described, the description thereof is omitted.
Process (C-2-8): The feature vector (→) X D of the dictionary data is the specific signal pattern when the feature node vector (→) V D (i, j) is ignited based on the accumulation result of the correspondence. The probability P (i, j) (C n ) that is Cn is calculated by the above equation (12).
Then, {(→) V D (i, j) } for all feature nodes (i, j) is used as a specific signal pattern feature map, and {P (i, j) (C n )} is used as a specific signal pattern firing. Obtained as a probability map.

（実際の測定）
次に、実測データとなる加速度ベクトル（→）ａ 0 （ｔ）から特定信号パターンを抽出する方法について説明する。
前述で辞書データから特定信号パターン特徴マップと特定信号パターン発火確率マップを獲得したのと同様の手順で、実測データとなる加速度ベクトル（→）ａ 0 （ｔ）から特徴ベクトル（→）Ｘ 0 ならびに特徴ベクトルの分布統計量ベクトル（→）Ｍ（（→）Ｘ 0 ）を作成する。
図１５は、図５中の段階（Ｃ−３）の詳細な処理内容を示す図である。
図５中の段階（Ｃ−３）中の前処理（Ｓ３１）は図１５中の処理（Ｃ−３−２）及び（Ｃ−３−３）に対応する。図５中の段階（Ｃ−２）中の特徴抽出処理（Ｓ３２）は図１５中の処理（Ｃ−３−４）から（Ｃ−３−７）までに対応する。図５中の段階（Ｃ−３）中の特定信号パターン検出処理（Ｓ３３）は図１５中の処理（Ｃ−３−８）及び（Ｃ−３−９）に対応する。以下、これらの処理の内容について説明する。 (Actual measurement)
Next, a method for extracting a specific signal pattern from the acceleration vector (→) a 0 (t) that becomes actual measurement data will be described.
In the same manner as the specific signal pattern feature map and the specific signal pattern firing probability map are acquired from the dictionary data as described above, the acceleration vector (→) a 0 (t) serving as the actual measurement data to the feature vector (→) X 0 and A distribution statistic vector (→) M ((→) X 0 ) of the feature vector is created.
FIG. 15 is a diagram showing the detailed processing contents of the stage (C-3) in FIG.
The preprocessing (S31) in the step (C-3) in FIG. 5 corresponds to the processing (C-3-2) and (C-3-3) in FIG. The feature extraction process (S32) in the stage (C-2) in FIG. 5 corresponds to the processes (C-3-4) to (C-3-7) in FIG. The specific signal pattern detection process (S33) in the step (C-3) in FIG. 5 corresponds to the processes (C-3-8) and (C-3-9) in FIG. Hereinafter, the contents of these processes will be described.

処理（Ｃ−３−１）：ユーザＢは複数軸センサデータが獲得できる加速度センサを搭載してある携帯端末を携行している。逐次、ユーザＢの状況（コンテキスト）に応じて変動する複数軸センサデータ（加速度ベクトル）が獲得され、パケット通信でプレゼンス提供サーバへ送信される。
処理（Ｃ−３−２）：プレゼンス提供サーバでは、ユーザＢの携帯端末から送信された加速度ベクトルの時系列データを逐次受信する。時系列データとして受信される加速度ベクトル（→）ａ0（ｔ）をデータ分割する。手法は限定されないが、ここでは、複数の時間窓を上記式（１）にしたがって用意してデータ分割する。 Process (C-3-1): User B carries a portable terminal equipped with an acceleration sensor capable of acquiring multi-axis sensor data. Sequentially, multi-axis sensor data (acceleration vector) that fluctuates according to the situation (context) of user B is acquired and transmitted to the presence providing server by packet communication.
Process (C-3-2): The presence providing server sequentially receives time-series data of acceleration vectors transmitted from the mobile terminal of user B. The acceleration vector (→) a 0 (t) received as time series data is divided into data. The technique is not limited, but here, a plurality of time windows are prepared according to the above equation (1) and data is divided.

処理（Ｃ−３−３）：その後、データ補正処理を実施する。データ補正処理方法は加速度センサの用途によって異なるが、ここでは、Gaussianフィルターによるノイズ除去処理と、時間窓｛ｔk｝での加速度の正規化を行う。
続いて、センサデータ解析から特定信号パターンとの照合について述べる。
任意の姿勢で設置されたセンサから観測される時刻ｔでの実測データ加速度ベクトルを上記式（２）とし、理想的な姿勢で設置されたセンサから観測される時刻ｔにおける辞書データとなる加速度ベクトル（重力加速度も含む）を上記式（３）とおく。 Process (C-3-3): Thereafter, a data correction process is performed. Although the data correction processing method varies depending on the application of the acceleration sensor, here, noise removal processing by a Gaussian filter and normalization of acceleration in the time window {t k } are performed.
Next, collation with a specific signal pattern from sensor data analysis will be described.
The measured data acceleration vector at the time t observed from the sensor installed in an arbitrary posture is the above equation (2), and the acceleration vector that becomes the dictionary data at the time t observed from the sensor installed in the ideal posture (Including gravitational acceleration) is given by the above equation (3).

はじめに、辞書データとなる加速度ベクトル（→）ａD（ｔ）から特定信号パターン特徴マップを作成する方法について説明する。
処理（Ｃ−３−４）：まず、加速度ベクトル（→）ａD（ｔ）の特徴を解析するために基底関数展開することで時空間解像度レベルごとに時空間分解センサデータに分解する。ここでは局在波による関数展開であるMother WaveletをHarr関数とするWavelet Packet分解を利用する。上記の式（３）の両辺にWavelet Packet分解を施すと解像度レベルｐでの加速度ベクトル（→）ａD（ｔ）は上記（４）のように表せる。 First, a method for creating a specific signal pattern feature map from the acceleration vector (→) a D (t) serving as dictionary data will be described.
Process (C-3-4): First, in order to analyze the feature of the acceleration vector (→) a D (t), the base function is expanded to be decomposed into space-time resolution sensor data for each space-time resolution level. Here, Wavelet Packet decomposition is used in which the Mother Wavelet, which is a function expansion using localized waves, is a Harr function. When Wavelet Packet decomposition is applied to both sides of the above equation (3), the acceleration vector (→) a D (t) at the resolution level p can be expressed as in the above (4).

ここで、（→）ｕ(p、q) D（ｔ）は、解像度レベルｐのｑ番目の分解波形（基底関数）を表す。
処理（Ｃ−３−５）：次に、これら分解波形である基底関数
（→）ｕ(p、q) D（ｔ）＝
（（→）ｕ(p、q) x（ｔ）、（→）ｕ(p、q) y（ｔ）、（→）ｕ(p、q) z（ｔ））
のうち、加速度ベクトル（→）ａD（ｔ）を表現するのに最良基底関数となる基底関数を選択する。そこで、上記式（５）により情報エントロピーコスト関数を定義し、式（５）左辺を最小にするｐとｑとの組み合わせを選択する。 Here, (→) u (p , q) D (t) represents the qth decomposition waveform (basis function) of the resolution level p.
Process (C-3-5): Next, the basis function (→) u (p , q) D (t) =
((→) u (p , q) x (t), (→) u (p , q) y (t), (→) u (p , q) z (t))
Among them, the basis function that is the best basis function for selecting the acceleration vector (→) a D (t) is selected. Therefore, an information entropy cost function is defined by the above equation (5), and a combination of p and q that minimizes the left side of equation (5) is selected.

さらに、選択された基底関数（→）ｕ(p、q) D_BN（ｔ）の情報エントロピー（上述した式（６））がもっとも大きいものから選び、それらを順次加えていった和が全情報エントロピー（情報エントロピーの総和）に対して閾値ＴSoEに達するまでの基底関数を選択する。
処理（Ｃ−３−６）：そして、最終的に得られた基底関数（→）ｕ(p、q) D_F（ｔ）に基づいて辞書データの特徴ベクトル（→）ＸDを上記式（７）のように定義する。また、上記式（８）と同様であり、直流成分Ｘ(i) D_BN（０）の項は用いない。
処理（Ｃ−３−７）：また、このとき特徴ベクトルの分布統計量として、下記のモーメントを算出する、ここでは、分布統計量ベクトルを上記式（９）、式（１０）と同様にベクトル（→）Ｍ（（→）Ｘ0）として表す。 Furthermore, the information entropy (equation (6) described above) of the selected basis function (→) u (p , q) D_BN (t) is selected from the largest one, and the sum obtained by sequentially adding them is the total information entropy. A basis function until the threshold T SoE is reached is selected for (total information entropy).
Treatment (C-3-6): The finally obtained basis functions (→) u (p, q ) D_F (t) characteristic vectors of the dictionary data based on (→) X D The above equation ( It is defined as 7). Moreover, it is the same as that of the said Formula (8), and the term of direct-current component X (i) D_BN (0) is not used.
Process (C-3-7): At this time, the following moment is calculated as the distribution statistic of the feature vector. Here, the distribution statistic vector is a vector similar to the above formulas (9) and (10). (→) M ((→) X 0 )

そして、辞書データとなる全ての加速度ベクトル（→）ａD（ｔ）について辞書データの特徴ベクトル（→）ＸDを求める。
処理（Ｃ−３−８）：そして、この（→）Ｘ0を入力ベクトルとして、前述で生成された辞書データならびに回転角の組み合わせ（α、β、γ）ごとの擬似データに基づいた特定信号パターン特徴マップ｛（→）Ｖ(Dk) D (i,j)｝と特定信号パターン発火確率マップ｛Ｐ(i,j) (Dk)（Ｃn）｝に基づいて特定信号パターン発火確率Ｐ(i,j)（Ｃn、（→）Ｘ0）を求める。
処理（Ｃ−３−９）：そして、以下の条件を満たすＣnを特定信号パターンとして検出する。すなわち、 Then, the feature vector (→) X D of the dictionary data is obtained for all acceleration vectors (→) a D (t) serving as dictionary data.
Process (C-3-8): Then, with this (→) X 0 as an input vector, a specific signal based on the dictionary data generated above and pseudo data for each combination of rotation angles (α, β, γ) Based on the pattern feature map {(→) V (Dk) D (i, j) } and the specific signal pattern firing probability map {P (i, j) (Dk) (C n )}, the specific signal pattern firing probability P ( i, j) (C n , (→) X 0 ) is obtained.
Treatment (C-3-9): The detected satisfying the condition C n below as a specific signal pattern. That is,

Figure 0005297547
が特定信号パターンＣnとして検出される。
上記式（１６）で検出された特定信号パターンＣnと関連付けられているプレゼンス情報をプレゼンスデータベースから検索する。なお。プレゼンスデータベースは以下のデータ構造を有している。
Figure 0005297547
 Is detected as the specific signal pattern C n .
Presence information associated with the specific signal pattern C n detected by the above equation (16) is searched from the presence database. Note that. The presence database has the following data structure.

Figure 0005297547
Figure 0005297547

ユーザＡの要求に対しプレゼンス提供サーバは、ユーザＢのセキュリティポリシーに従ってプレゼンス情報をユーザＡに対して送信することができる。
（実施例）
以上説明した複軸センサからの特定信号パターン検出方法を実現するための、特定信号パターン検出システムの実施例の構成について、図１６を参照して説明する。同図において、本例の特定信号パターン検出装置は、センサデータ抽出部（Sensory Data Extraction）１００ａと、センサデータ前処理部（Sensory Data Preprocessing）１００ｂと、ウェブレットパケット分解部（Wavelet Packet Decomposition）１００ｃと、最良基底関数選択部（Best Basis Function Selection Based on AIC）１００ｄと、特徴パターン算出部（XYZ−Feature Pattern by composition of Entropy Distribution on each axis）１００ｅと、特徴パターン算出部（XYZ−Feature Pattern by composition of Statistic Values of Entropy Distribution on each axis）１００ｆと、自己組織化特徴マップ（Self−Organizing Feature Map(Training Stage)）１００ｇと、特定信号パターン発生確率マップ（Specific Patterns Occurrence Probabilities Map based on Best Matching Units）１００ｈと、基底特徴パターン抽出部（Basis Feature Pattern Extraction）１００ｉと、基底センサデータ抽出部（Basis Sensory Data Extraction）１００ｊと、擬似センサデータ生成部（Pseudo−Sensory Data Generation）１００ｋと、センサデータ抽出部（Sensory Data Extraction）１００ｍと、自己組織化特徴マップ部（Self−Organizing Feature Map(Clustering Stage)）１００ｎと、特定信号パターン抽出部（Specific Patterns Extraction）１００ｐと、辞書特徴パターン抽出部（Dictionary Feature Map Extraction）１００ｑとを含んで構成されている。 In response to user A's request, the presence providing server can transmit presence information to user A according to the security policy of user B.
(Example)
The configuration of an embodiment of the specific signal pattern detection system for realizing the specific signal pattern detection method from the multi-axis sensor described above will be described with reference to FIG. In the figure, the specific signal pattern detection apparatus of this example includes a sensor data extraction unit (Sensory Data Extraction) 100a, a sensor data preprocessing unit (Sensory Data Preprocessing) 100b, and a weblet packet decomposition unit (Wavelet Packet Decomposition) 100c. A Best Basis Function Selection Based on AIC 100d, a feature pattern calculation unit (XYZ-Feature Pattern by composition of Entropy Distribution on each axis) 100e, and a feature pattern calculation unit (XYZ-Feature Pattern by Composition of Statistic Values of Entropy Distribution on each axis 100f, Self-Organizing Feature Map (Training Stage) 100g, Specific Signal Pattern Occurrence Probabilities Map based on Best Matching Units ) 100h and Basis Feature Pattern Extraction 10 i, a basic sensor data extraction unit (Basis Sensory Data Extraction) 100j, a pseudo sensor data generation unit (Pseudo-Sensory Data Generation) 100k, a sensor data extraction unit (Sensory Data Extraction) 100m, and a self-organizing feature map unit (Self-Organizing Feature Map (Clustering Stage)) 100n, a specific signal pattern extraction unit (Specific Patterns Extraction) 100p, and a dictionary feature pattern extraction unit (Dictionary Feature Map Extraction) 100q.

これらの構成において、センサデータ抽出部１００ａは、上述した処理（Ｃ−１−１）を行う。
センサデータ前処理部１００ｂは、上述した処理（Ｃ−１−２）及び（Ｃ−１−３）、（Ｃ−３−２）及び（Ｃ−３−３）を行う。
ウェブレットパケット分解部１００ｃは、上述した処理（Ｃ−１−４）、（Ｃ−２−２）及び（Ｃ−３−４）を行う。
最良基底関数選択部１００ｄは、上述した処理（Ｃ−１−５）及び（Ｃ−２−３）、（Ｃ−３−５）を行う。
特徴パターン算出部１００ｅは、上述した処理（Ｃ−１−６）、（Ｃ−２−４）及び（Ｃ−３−６）を行う。
特徴パターン算出部１００ｆは、上述した処理（Ｃ−１−７）、（Ｃ−２−５）及び（Ｃ−３−７）を行う。
自己組織化特徴マップ１００ｇは、上述した処理（Ｃ−１−８）及び（Ｃ−２−６）を行う。
特定信号パターン発生確率マップ１００ｈは、上述した処理（Ｃ−１−９）及び（Ｃ−１−１０）、（Ｃ−２−７）及び（Ｃ−２−８）を行う。
基底特徴パターン抽出部１００ｉ及び基底センサデータ抽出部１００ｊは、上述した処理（Ｃ−１−１１）を行う。 In these configurations, the sensor data extraction unit 100a performs the above-described processing (C-1-1).
The sensor data preprocessing unit 100b performs the processes (C-1-2), (C-1-3), (C-3-2), and (C-3-3) described above.
The weblet packet decomposition unit 100c performs the above-described processes (C-1-4), (C-2-2), and (C-3-4).
The best basis function selection unit 100d performs the processes (C-1-5), (C-2-3), and (C-3-5) described above.
The feature pattern calculation unit 100e performs the processes (C-1-6), (C-2-4), and (C-3-6) described above.
The feature pattern calculation unit 100f performs the processes (C-1-7), (C-2-5), and (C-3-7) described above.
The self-organizing feature map 100g performs the processes (C-1-8) and (C-2-6) described above.
The specific signal pattern occurrence probability map 100h performs the processes (C-1-9), (C-1-10), (C-2-7), and (C-2-8) described above.
The base feature pattern extraction unit 100i and the base sensor data extraction unit 100j perform the above-described processing (C-1-11).

擬似センサデータ生成部１００ｋは、上述した処理（Ｃ−２−１）を行う。
センサデータ抽出部１００ｍは、上述した処理（Ｃ−３−１）を行う。
自己組織化特徴マップ部１００ｎは、上述した処理（Ｃ−３−８）を行う。
特定信号パターン抽出部１００ｐは、上述した処理（Ｃ−３−９）を行う。
辞書特徴パターン抽出部１００ｑは、辞書特徴マップを出力する処理を行う。 The pseudo sensor data generation unit 100k performs the above-described process (C-2-1).
The sensor data extraction unit 100m performs the above-described process (C-3-1).
The self-organizing feature map unit 100n performs the above-described process (C-3-8).
The specific signal pattern extraction unit 100p performs the above-described process (C-3-9).
The dictionary feature pattern extraction unit 100q performs a process of outputting a dictionary feature map.

このように、上述した３つの段階（Ｃ−１）、（Ｃ−２）及び（Ｃ−３）を行うため、重複する処理については、その処理を行う構成要素をそれぞれ設けるのではなく、重複する処理に共通して１つの構成要素を設けている。例えば、上記ウェブレットパケット分解部１００ｃは、上述した３回の処理（Ｃ−１−４）、（Ｃ−２−２）及び（Ｃ−３−４）に共通に設けられている。このように重複する処理に共通して１つの構成要素を設ければ、システムのハードウェア規模が増大することを防止できる。   As described above, since the three stages (C-1), (C-2), and (C-3) described above are performed, the overlapping processes are not provided with the respective components that perform the processes. One component is provided in common for the processing to be performed. For example, the weblet packet decomposition unit 100c is provided in common for the above-described three processes (C-1-4), (C-2-2), and (C-3-4). Thus, if one component is provided in common for overlapping processes, it is possible to prevent an increase in the hardware scale of the system.

なお、センサデータ抽出部１００ｍは、図２中のセンサデータ獲得機能部２１及びセンサデータ送信機能部２２、並びに、図３中のセンサデータ受信機能部１１に対応する。
また、センサデータ前処理部１００ｂ、ウェブレットパケット分解部１００ｃ、最良基底関数選択部１００ｄ、特徴パターン算出部１００ｅ、及び特徴パターン算出部１００ｆは、図３中のセンサデータ解析機能部１２に対応する。 The sensor data extraction unit 100m corresponds to the sensor data acquisition function unit 21 and the sensor data transmission function unit 22 in FIG. 2, and the sensor data reception function unit 11 in FIG.
Further, the sensor data preprocessing unit 100b, the weblet packet decomposition unit 100c, the best basis function selection unit 100d, the feature pattern calculation unit 100e, and the feature pattern calculation unit 100f correspond to the sensor data analysis function unit 12 in FIG. .

さらに、センサデータ抽出部１００ａ、センサデータ前処理部１００ｂ、ウェブレットパケット分解部１００ｃ、最良基底関数選択部１００ｄ、特徴パターン算出部１００ｅ、特徴パターン算出部１００ｆ、自己組織化特徴マップ１００ｇ、特定信号パターン発生確率マップ１００ｈ、及び辞書特徴パターン抽出部１００ｑは、図３中のセンサデータ照合機能部１４に対応する。
なお、自己組織化特徴マップ部１００ｎは、図３中の特定信号パターン獲得機能部１３に対応する。 Further, a sensor data extraction unit 100a, a sensor data preprocessing unit 100b, a weblet packet decomposition unit 100c, a best basis function selection unit 100d, a feature pattern calculation unit 100e, a feature pattern calculation unit 100f, a self-organizing feature map 100g, a specific signal The pattern occurrence probability map 100h and the dictionary feature pattern extraction unit 100q correspond to the sensor data matching function unit 14 in FIG.
The self-organizing feature map unit 100n corresponds to the specific signal pattern acquisition function unit 13 in FIG.

（まとめ）
以上説明したように、本発明によれば、以下の効果が得られる。
（１）センサを特定の場所に固定する必要がないので、携帯端末に搭載するセンサなどモバイル環境での携行方法に制約を与えないことが可能である。
（２）複軸センサデータを構成する各軸のセンサデータを一組のデータとして扱うことで、複軸センサデータの軌跡が非平面である特定パターンにも対応可能である。
（３）局所波を基底関数とする直交変換と情報エントロピーの情報量基準に基づいて特定信号パターンを分解することで、波形形状に応じた特徴抽出が可能である。 (Summary)
As described above, according to the present invention, the following effects can be obtained.
(1) Since it is not necessary to fix the sensor at a specific place, it is possible to prevent restrictions on the carrying method in a mobile environment such as a sensor mounted on a portable terminal.
(2) By handling the sensor data of each axis constituting the multi-axis sensor data as a set of data, it is possible to deal with a specific pattern in which the locus of the multi-axis sensor data is non-planar.
(3) The feature extraction according to the waveform shape is possible by decomposing the specific signal pattern based on the information amount criterion of orthogonal transformation and information entropy using a local wave as a basis function.

（４）自己組織化アルゴリズムで学習された結果を確率的手法に基づいてクラスタリングしているので、クラスターを代表する特徴ノードを学習データサンプルに対して忠実に決定することができる。
（５）任意の姿勢で設置されたセンサを前提に自己組織化アルゴリズムで学習させているので、極端に高速な捻りの動きでなければ、全ての並進運動の動きを検出することが可能である。
なお、上述した図３又は図１６中の構成要素の一部（すなわち機能の一部）を、携帯端末２００内に設けても良い。これにより、プレゼンス提供サーバ１００の処理負荷を軽減することができる。 (4) Since the results learned by the self-organization algorithm are clustered based on the probabilistic method, the feature nodes representing the clusters can be determined faithfully with respect to the learning data samples.
(5) Since the self-organization algorithm is used for learning based on a sensor installed in an arbitrary posture, it is possible to detect all translational movements unless the movement is extremely fast. .
Note that some of the components in FIG. 3 or FIG. 16 (that is, a part of the functions) described above may be provided in the mobile terminal 200. Thereby, the processing load of the presence providing server 100 can be reduced.

本発明は、複数の軸方向ごとにセンサデータが検出できるセンサ搭載型携帯端末を用いて個人に適応したコンテキストを獲得する状況認識システムに利用されるものであり、プレゼンスサービス、コンテキスト通信、コンテキストに基づくサービスナビゲーションならびに健康アドバイスサービスなどのヘルスケアの分野に利用することができる。   The present invention is used in a situation recognition system that acquires a context adapted to an individual using a sensor-equipped mobile terminal capable of detecting sensor data in a plurality of axial directions. It can be used in the field of health care such as service navigation based on health care services.

１１ センサデータ受信機能部
１２ センサデータ解析機能部
１３ 特定信号パターン獲得機能部
１４ センサデータ照合機能部
１５、１６ プレゼンス情報送信機能部
２１ センサデータ獲得機能部
２２ センサデータ送信機能部
２３ プレゼンス情報受信機能部
１００ プレゼンス提供サーバ
１００ａ センサデータ抽出部
１００ｂ センサデータ前処理部
１００ｃ ウェブレットパケット分解部
１００ｄ 最良基底関数選択部
１００ｅ、１００ｆ 特徴パターン算出部
１００ｇ 自己組織化特徴マップ
１００ｈ 特定信号パターン発生確率マップ
１００ｉ 基底特徴パターン抽出部
１００ｊ 基底センサデータ抽出部
１００ｋ 擬似センサデータ生成部
１００ｍ センサデータ抽出部
１００ｎ 自己組織化特徴マップ部
１００ｐ 特定信号パターン抽出部
１００ｑ 辞書特徴パターン抽出部
１０１ 特定信号パターンデータベース
１０２ プレゼンスデータベース
２００、３００ 携帯端末 DESCRIPTION OF SYMBOLS 11 Sensor data reception function part 12 Sensor data analysis function part 13 Specific signal pattern acquisition function part 14 Sensor data collation function part 15, 16 Presence information transmission function part 21 Sensor data acquisition function part 22 Sensor data transmission function part 23 Presence information reception function Unit 100 presence providing server 100a sensor data extraction unit 100b sensor data preprocessing unit 100c weblet packet decomposition unit 100d best basis function selection unit 100e, 100f feature pattern calculation unit 100g self-organizing feature map 100h specific signal pattern generation probability map 100i basis Feature pattern extraction unit 100j base sensor data extraction unit 100k pseudo sensor data generation unit 100m sensor data extraction unit 100n self-organizing feature map unit 100p specific signal pattern extraction unit 100q Feature pattern extraction unit 101 specified signal pattern database 102 presence database 200, 300 mobile terminals

Claims (4)

複軸センサから得られる時系列の複軸センサデータにおいて検出したい複数の特定信号パターンを辞書データとして予め獲得するとともに、その獲得された特定信号パターンを予め用意された時間窓に基づいて第１の時間分割センサデータとして分割する第１のデータ分割手段と、
前記第１の時間分割センサデータのノイズ除去ならびにデータを正規化することで第１の正規化センサデータを生成する第１の正規化センサデータ生成手段と、
前記第１の正規化センサデータを基底関数展開することで時空間解像度レベルごとに第１の時空間分解センサデータを生成する第１の時空間分解センサデータ生成手段と、
前記第１の時空間分解センサデータの振幅情報に基づいて時空間解像度レベルごとに第１の時空間分解センサデータ情報エントロピーを算出する第１のエントロピー算出手段と、
前記第１の時空間分解センサデータ情報エントロピーの総和が最小になるように予め用意された評価基準に基づいて第１の基底時空間分解センサデータを選択する第１の基底時空間分解センサデータ選択手段と、
前記第１の基底時空間分解センサデータの情報エントロピーに基づいて、前記辞書データの特徴ベクトルである第１のセンサデータ特徴ベクトルを生成する第１のセンサデータ特徴ベクトル生成手段と、
前記第１のセンサデータ特徴ベクトルを自己組織化アルゴリズムにより学習させることで自己組織化された第１の特定信号パターン特徴マップを生成する第１の特定信号パターン特徴マップ生成手段と、
前記第１の特定信号パターン特徴マップの各ノードにおける特徴ノードベクトルに基づいて、前記辞書データの特徴ベクトルを入力した時に発火する特徴ノードベクトルとの対応関係を第１の蓄積結果として蓄積する蓄積手段と、
前記第１の蓄積結果に基づいて、前記第１の特定信号パターン特徴マップの各ノードごとに特定信号パターンが発火する確率を算出し第１の特定信号パターン発火確率マップを生成する第１の特定信号パターン発火確率マップ生成手段と、
前記第１の特定信号パターン発火確率マップのうち予め設定された閾値以上の確率を有するノードを基底特徴ノードベクトルとして抽出する基底特徴ノードベクトル抽出手段と、
前記基底特徴ノードベクトルを発火させる基となった複軸センサデータ特徴ベクトルのうち、基底特徴ノードベクトルとの類似度が予め設定された閾値以上のものを基底複軸センサ特徴ベクトルとして抽出する基底複軸センサ特徴ベクトル抽出手段と、
前記基底複軸センサ特徴ベクトルの基となった複軸の基底センサデータを抽出する基底センサデータ抽出手段と、
前記複軸の基底センサデータを予め設定された刻み幅の角度で各軸回りに回転させることで擬似複軸センサデータを生成する擬似複軸センサデータ生成手段と、
を含み、
さらに
前記第１の時空間分解センサデータ生成手段は、前記疑似複軸センサデータを基底関数展開することで時空間解像度レベルごとに第２の時空間分解センサデータを生成し、
前記第１のエントロピー算出手段は、前記第２の時空間分解センサデータの振幅情報に基づいて時空間解像度レベルごとに第２の時空間分解センサデータ情報エントロピーを算出し、
前記第１の基底時空間分解センサデータ選択手段は、前記第２の時空間分解センサデータ情報エントロピーの総和が最小になるように予め用意された評価基準に基づいて第２の基底時空間分解センサデータを選択し、
前記第１のセンサデータ特徴ベクトル生成手段は、前記第２の基底時空間分解センサデータの情報エントロピーに基づいて第２のセンサデータ特徴ベクトルを生成し、
前記第２のセンサデータ特徴ベクトルを合成して第１の複軸センサデータ特徴ベクトルを生成する第１の複軸センサデータ特徴ベクトル生成手段を備え、
前記第１の特定信号パターン特徴マップ生成手段は、前記第１の複軸センサデータ特徴ベクトルを自己組織化アルゴリズムにより学習させることで自己組織化された第２の特定信号パターン特徴マップを生成し、
前記蓄積手段は、前記第２の特定信号パターン特徴マップの各ノードにおける特徴ノードベクトルに基づいて、前記擬似複軸センサデータの特徴ベクトルを入力した時に発火する特徴ノードベクトルとの対応関係を第２の蓄積結果として蓄積し、
前記第１の特定信号パターン発火確率マップ生成手段は、前記第２の蓄積結果に基づいて、前記第２の特定信号パターン特徴マップの各ノードごとに特定信号パターンが発火する確率を算出し第２の特定信号パターン発火確率マップを生成することを特徴とする特定信号パターン検出システム。 A plurality of specific signal patterns to be detected in the time-series multi-axis sensor data obtained from the multi-axis sensor are acquired in advance as dictionary data, and the acquired specific signal patterns are obtained based on a first time window prepared in advance. First data dividing means for dividing as time division sensor data;
First normalized sensor data generation means for generating first normalized sensor data by denoising the first time-division sensor data and normalizing the data;
First spatio-temporal decomposition sensor data generating means for generating first spatio-temporal decomposition sensor data for each spatio-temporal resolution level by expanding basis functions of the first normalized sensor data;
First entropy calculating means for calculating a first spatio-temporal resolution sensor data information entropy for each spatio-temporal resolution level based on amplitude information of the first spatio-temporal resolution sensor data;
First base spatio-temporal decomposition sensor data selection for selecting first base spatio-temporal decomposition sensor data based on an evaluation criterion prepared in advance so that the sum of the first spatio-temporal decomposition sensor data information entropy is minimized Means,
First sensor data feature vector generating means for generating a first sensor data feature vector that is a feature vector of the dictionary data based on information entropy of the first base-time-space-resolved sensor data;
First specific signal pattern feature map generation means for generating a first specific signal pattern feature map self-organized by learning the first sensor data feature vector by a self-organization algorithm;
Storage means for storing, as a first storage result, a correspondence relationship with a feature node vector that is ignited when a feature vector of the dictionary data is input based on a feature node vector at each node of the first specific signal pattern feature map When,
Based on the first accumulation result, a first specific signal for calculating a probability that a specific signal pattern is ignited for each node of the first specific signal pattern feature map and generating a first specific signal pattern firing probability map A signal pattern firing probability map generating means;
A base feature node vector extracting means for extracting, as a base feature node vector, a node having a probability equal to or higher than a preset threshold in the first specific signal pattern firing probability map;
Among the multi-axis sensor data feature vectors based on which the base feature node vector is ignited, a base multi-axis sensor feature vector having a similarity with the base feature node vector equal to or higher than a preset threshold is extracted as a base multi-axis sensor feature vector. An axis sensor feature vector extraction means;
Base sensor data extraction means for extracting the base sensor data of the multi-axis that is the basis of the base multi-axis sensor feature vector;
A pseudo multi-axis sensor data generating means for generating a pseudo multi-axis sensor data by rotating each axis about an angle of predetermined step size of the underlying sensor data of said double shaft,
Including
further
The first spatiotemporal decomposition sensor data generation means generates second spatiotemporal decomposition sensor data for each spatiotemporal resolution level by expanding the pseudo-biaxial sensor data to a basis function .
The first entropy calculating means calculates a second spatiotemporal resolution sensor data information entropy for each spatiotemporal resolution level based on amplitude information of the second spatiotemporal resolution sensor data ,
Said first base when spatially resolved sensor data selection means, second base when spatially resolving sensor based on the evaluation criteria the sum of the second spatio-temporal decomposition sensor data information entropy is prepared in advance so as to minimize select the data,
The first sensor data feature vector generation means generates a second sensor data feature vector based on the information entropy of the second basis space-time resolved sensor data ,
A first multi-axis sensor data feature vector generating unit configured to generate the first multi-axis sensor data feature vector by combining the second sensor data feature vectors ;
The first specific signal pattern feature map generating means generates a second specific signal pattern feature map that is self-organized by learning the first multi-axis sensor data feature vector using a self-organizing algorithm ,
The storage means has a second correspondence relationship with a feature node vector that is ignited when a feature vector of the pseudo-biaxial sensor data is input based on a feature node vector at each node of the second specific signal pattern feature map . and of accumulation as the accumulation result,
Said first specific signal pattern firing probability map generating means, based on said second storage result, second to calculate the probability that a particular signal pattern fire for each node of said second specific signal pattern feature map specified signal pattern detection system comprising a benzalkonium generates a specific signal pattern firing probability map. 複軸センサから得られる時系列の複軸センサデータを予め用意された時間窓に基づいて時間分割複軸センサデータとして分割する第２のデータ分割手段と、
前記時間分割複軸センサデータのノイズ除去ならびにデータを正規化することで第２の正規化センサデータを生成する第２の正規化センサデータ生成手段と、
前記第２の正規化センサデータを基底関数展開することで時空間解像度レベルごとに第３の時空間分解センサデータを生成する第２の時空間分解センサデータ生成手段と、
前記第３の時空間分解センサデータの振幅情報に基づいて時空間解像度レベルごとに第３の時空間分解センサデータ情報エントロピーを算出する第２のエントロピー算出手段と、
前記第３の時空間分解センサデータ情報エントロピーの総和が最小になるように予め用意された評価基準に基づいて第３の基底時空間分解センサデータを選択する第２の基底時空間分解センサデータ選択手段と、
前記第３の基底時空間分解センサデータの情報エントロピーに基づいて第３のセンサデータ特徴ベクトルを生成する第２のセンサデータ特徴ベクトル生成手段と、
前記第３のセンサデータ特徴ベクトルを合成して第２の複軸センサデータ特徴ベクトルを生成する第２の複軸センサデータ特徴ベクトル生成手段と、
前記第２の複軸センサデータ特徴ベクトルを事前に得られた複数の特定信号パターン特徴マップに入力して得られる類似度と、前記第２の複軸センサデータ特徴ベクトルを事前に得られた複数の特定信号パターン発火確率マップに入力して得られる発火した特徴マップノードベクトルの発火確率とに基づき、前記発火した特徴マップノードベクトルから特定信号パターン特徴ベクトルを選択する特定信号パターン特徴ベクトル選択手段と、
を含み、
前記事前に得られた複数の特定信号パターン特徴マップは、請求項１に記載の特定信号パターン検出システムにおける前記第１の特定信号パターン特徴マップ及び前記第２の特定信号パターン特徴マップを含み、
前記事前に得られた複数の特定信号パターン発火確率マップは、請求項１に記載の特定信号パターン検出システムにおける前記第１の特定信号パターン発火確率マップ及び前記第２の特定信号パターン発火確率マップを含むことを特徴とする特定信号パターン検出システム。 Second data dividing means for dividing time-series double-axis sensor data obtained from the multi-axis sensor as time-division multi-axis sensor data based on a time window prepared in advance;
A second normalization sensor data generating means for generating a second normalized sensor data by normalizing the noise removal and data before Symbol time between division duplex axis sensor data,
Second spatio-temporal decomposition sensor data generation means for generating third spatio-temporal decomposition sensor data for each spatio-temporal resolution level by expanding basis functions of the second normalized sensor data;
A second entropy calculation means for calculating a third spatio-temporal decomposition sensor data information entropy of each space-time resolution level based on the third amplitude information when spatially resolved sensor data,
Second base spatiotemporal decomposition sensor data selection for selecting third base spatiotemporal decomposition sensor data based on an evaluation criterion prepared in advance so that the total sum of the third spatiotemporal decomposition sensor data information entropy is minimized Means,
Second sensor data feature vector generating means for generating a third sensor data feature vector based on the information entropy of the third basis space-time resolved sensor data;
Second multi-axis sensor data feature vector generating means for combining the third sensor data feature vector to generate a second multi-axis sensor data feature vector;
A similarity obtained by inputting the plurality of specific signal patterns characteristic map obtained the second double-axis sensor data feature vectors before things were previously obtained the second double-axis sensor data feature vector Specific signal pattern feature vector selection means for selecting a specific signal pattern feature vector from the fired feature map node vector based on the firing probability of the fired feature map node vector obtained by inputting to a plurality of specific signal pattern firing probability maps When,
Only including,
The plurality of specific signal pattern feature maps obtained in advance include the first specific signal pattern feature map and the second specific signal pattern feature map in the specific signal pattern detection system according to claim 1,
The plurality of specific signal pattern firing probability maps obtained in advance are the first specific signal pattern firing probability map and the second specific signal pattern firing probability map in the specific signal pattern detection system according to claim 1. specific signal pattern detection system, which comprises a. 複軸センサから得られる時系列の複軸センサデータにおいて検出したい複数の特定信号パターンを辞書データとして予め獲得するとともに、その獲得された特定信号パターンを予め用意された時間窓に基づいて第１の時間分割センサデータとして分割する第１のデータ分割ステップと、
前記第１の時間分割センサデータのノイズ除去ならびにデータを正規化することで第１の正規化センサデータを生成する第１の正規化センサデータ生成ステップと、
前記第１の正規化センサデータを基底関数展開することで時空間解像度レベルごとに第１の時空間分解センサデータを生成する第１の時空間分解センサデータ生成ステップと、
前記第１の時空間分解センサデータの振幅情報に基づいて時空間解像度レベルごとに第１の時空間分解センサデータ情報エントロピーを算出する第１のエントロピー算出ステップと、
前記第１の時空間分解センサデータ情報エントロピーの総和が最小になるように予め用意された評価基準に基づいて第１の基底時空間分解センサデータを選択する第１の基底時空間分解センサデータ選択ステップと、
前記第１の基底時空間分解センサデータの情報エントロピーに基づいて、前記辞書データの特徴ベクトルである第１のセンサデータ特徴ベクトルを生成する第１のセンサデータ特徴ベクトル生成ステップと、
前記第１のセンサデータ特徴ベクトルを自己組織化アルゴリズムにより学習させることで自己組織化された第１の特定信号パターン特徴マップを生成する第１の特定信号パターン特徴マップ生成ステップと、
前記第１の特定信号パターン特徴マップの各ノードにおける特徴ノードベクトルに基づいて、前記辞書データの特徴ベクトルを入力した時に発火する特徴ノードベクトルとの対応関係を第１の蓄積結果として蓄積する第１の蓄積ステップと、
前記第１の蓄積結果に基づいて、前記第１の特定信号パターン特徴マップの各ノードごとに特定信号パターンが発火する確率を算出し第１の特定信号パターン発火確率マップを生成する第１の特定信号パターン発火確率マップ生成ステップと、
前記第１の特定信号パターン発火確率マップのうち予め設定された閾値以上の確率を有するノードを基底特徴ノードベクトルとして抽出する基底特徴ノードベクトル抽出ステップと、
前記基底特徴ノードベクトルを発火させる基となった複軸センサデータ特徴ベクトルのうち、基底特徴ノードベクトルとの類似度が予め設定された閾値以上のものを基底複軸センサ特徴ベクトルとして抽出する基底複軸センサ特徴ベクトル抽出ステップと、
前記基底複軸センサ特徴ベクトルの基となった複軸の基底センサデータを抽出する基底センサデータ抽出ステップと、
前記複軸の基底センサデータを予め設定された刻み幅の角度で各軸回りに回転させることで擬似複軸センサデータを生成する擬似複軸センサデータ生成ステップと、
前記疑似複軸センサデータを基底関数展開することで時空間解像度レベルごとに第２の時空間分解センサデータを生成する第２の時空間分解センサデータ生成ステップと、
前記第２の時空間分解センサデータの振幅情報に基づいて時空間解像度レベルごとに第２の時空間分解センサデータ情報エントロピーを算出する第２のエントロピー算出ステップと、
前記第２の時空間分解センサデータ情報エントロピーの総和が最小になるように予め用意された評価基準に基づいて第２の基底時空間分解センサデータを選択する第２の基底時空間分解センサデータ選択ステップと、
前記第２の基底時空間分解センサデータの情報エントロピーに基づいて第２のセンサデータ特徴ベクトルを生成する第２のセンサデータ特徴ベクトル生成ステップと、
前記第２のセンサデータ特徴ベクトルを合成して第１の複軸センサデータ特徴ベクトルを生成する第１の複軸センサデータ特徴ベクトル生成ステップと、
前記第１の複軸センサデータ特徴ベクトルを自己組織化アルゴリズムにより学習させることで自己組織化された第２の特定信号パターン特徴マップを生成する第２の特定信号パターン特徴マップ生成ステップと、
前記第２の特定信号パターン特徴マップの各ノードにおける特徴ノードベクトルに基づいて、前記擬似複軸センサデータの特徴ベクトルを入力した時に発火する特徴ノードベクトルとの対応関係を第２の蓄積結果として蓄積する第２の蓄積ステップと、
前記第２の蓄積結果に基づいて、前記第２の特定信号パターン特徴マップの各ノードごとに特定信号パターンが発火する確率を算出し第２の特定信号パターン発火確率マップを生成する第２の特定信号パターン発火確率マップ生成ステップと、
を含むことを特徴とする特定信号パターン検出方法。 A plurality of specific signal patterns to be detected in the time-series multi-axis sensor data obtained from the multi-axis sensor are acquired in advance as dictionary data, and the acquired specific signal patterns are obtained based on a first time window prepared in advance. A first data division step of dividing as time division sensor data;
A first normalized sensor data generating step for generating first normalized sensor data by denoising the first time-division sensor data and normalizing the data;
A first spatiotemporal decomposition sensor data generation step for generating first spatiotemporal decomposition sensor data for each spatiotemporal resolution level by expanding a basis function of the first normalized sensor data;
A first entropy calculating step of calculating a first spatiotemporal resolution sensor data information entropy for each spatiotemporal resolution level based on amplitude information of the first spatiotemporal resolution sensor data;
First base spatio-temporal decomposition sensor data selection for selecting first base spatio-temporal decomposition sensor data based on an evaluation criterion prepared in advance so that the sum of the first spatio-temporal decomposition sensor data information entropy is minimized Steps,
A first sensor data feature vector generating step for generating a first sensor data feature vector, which is a feature vector of the dictionary data, based on information entropy of the first basis space-time resolved sensor data;
A first specific signal pattern feature map generation step of generating a first specific signal pattern feature map that is self-organized by learning the first sensor data feature vector by a self-organization algorithm;
Based on the feature node vector at each node of the first specific signal pattern feature map, a correspondence relationship with the feature node vector that is ignited when the feature vector of the dictionary data is input is accumulated as a first accumulation result. Accumulation step,
Based on the first accumulation result, a first specific signal for calculating a probability that a specific signal pattern is ignited for each node of the first specific signal pattern feature map and generating a first specific signal pattern firing probability map A signal pattern firing probability map generation step;
A base feature node vector extraction step of extracting, as a base feature node vector, a node having a probability equal to or higher than a preset threshold from the first specific signal pattern firing probability map;
Among the multi-axis sensor data feature vectors based on which the base feature node vector is ignited, a base multi-axis sensor feature vector having a similarity with the base feature node vector equal to or higher than a preset threshold is extracted as a base multi-axis sensor feature vector. An axis sensor feature vector extraction step;
A base sensor data extraction step for extracting the base sensor data of the multi-axis that is the basis of the base multi-axis sensor feature vector;
A pseudo multi-axis sensor data generation step of generating a pseudo multi-axis sensor data by rotating each axis about an angle of predetermined step size of the underlying sensor data of said double shaft,
A second space-time decomposition sensor data generation step of generating a spatially resolved sensor data at the second time for each spatial resolution level when By deploying the pseudo multi-axis sensor data basis function,
A second entropy calculation step of calculating a second spatio-temporal decomposition sensor data information entropy for each space-time resolution level based on the second time-space amplitude information of the degradation sensor data,
The second base when spatially resolved sensor data selection for selecting the second base when spatially resolved sensor data based on the evaluation criteria the sum of the second spatio-temporal decomposition sensor data information entropy is prepared in advance so as to minimize Steps,
A second sensor data characteristic vector generating step of generating a second sensor data feature vector based on the second information entropy of the base when spatially resolved sensor data,
A first multi-axis sensor data feature vector generating step of combining the second sensor data feature vectors to generate a first multi-axis sensor data feature vector;
A second specific signal pattern feature map generation step of generating a second specific signal pattern feature map which is self-organized by train the first multi-axis sensor data feature vector by self-assembly algorithm,
Based on the feature node vector at each node of the second specific signal pattern feature map, the correspondence with the feature node vector that is ignited when the feature vector of the pseudo multi-axis sensor data is input is stored as a second storage result. A second accumulation step,
Based on the second accumulation result, a second specific signal generating a second specific signal pattern firing probability map by calculating a probability that the specific signal pattern fires for each node of the second specific signal pattern feature map A signal pattern firing probability map generation step;
The specific signal pattern detection method characterized by including. 複軸センサから得られる時系列の複軸センサデータを予め用意された時間窓に基づいて時間分割複軸センサデータとして分割する第２のデータ分割ステップと、
前記時間分割複軸センサデータのノイズ除去ならびにデータを正規化することで第２の正規化センサデータを生成する第２の正規化センサデータ生成ステップと、
前記第２の正規化センサデータを基底関数展開することで時空間解像度レベルごとに第３の時空間分解センサデータを生成する第２の時空間分解センサデータ生成ステップと、
前記第３の時空間分解センサデータの振幅情報に基づいて時空間解像度レベルごとに第３の時空間分解センサデータ情報エントロピーを算出する第２のエントロピー算出ステップと、
前記第３の時空間分解センサデータ情報エントロピーの総和が最小になるように予め用意された評価基準に基づいて第３の基底時空間分解センサデータを選択する第２の基底時空間分解センサデータ選択ステップと、
前記第３の基底時空間分解センサデータの情報エントロピーに基づいて第３のセンサデータ特徴ベクトルを生成する第２のセンサデータ特徴ベクトル生成ステップと、
前記第３のセンサデータ特徴ベクトルを合成して第２の複軸センサデータ特徴ベクトルを生成する第２の複軸センサデータ特徴ベクトル生成ステップと、
前記第２の複軸センサデータ特徴ベクトルを事前に得られた複数の特定信号パターン特徴マップに入力して得られる類似度と、前記第２の複軸センサデータ特徴ベクトルを事前に得られた複数の特定信号パターン発火確率マップに入力して得られる発火した特徴マップノードベクトルの発火確率とに基づき、前記発火した特徴マップノードベクトルから特定信号パターン特徴ベクトルを選択する特定信号パターン特徴ベクトル選択ステップと、
を含み、
前記事前に得られた複数の特定信号パターン特徴マップは、請求項３に記載の特定信号パターン検出方法における前記第１の特定信号パターン特徴マップ及び前記第２の特定信号パターン特徴マップを含み、
前記事前に得られた複数の特定信号パターン発火確率マップは、請求項３に記載の特定信号パターン検出方法における前記第１の特定信号パターン発火確率マップ及び前記第２の特定信号パターン発火確率マップを含むことを特徴とする特定信号パターン検出方法。 A second data division step of dividing time-series double-axis sensor data obtained from the multi-axis sensor as time-division multi-axis sensor data based on a time window prepared in advance;
A second normalization sensor data generating step of generating a second normalized sensor data by normalizing the noise removal and data before Symbol time between division duplex axis sensor data,
A second spatiotemporal decomposition sensor data generation step of generating third spatiotemporal decomposition sensor data for each spatiotemporal resolution level by expanding basis functions of the second normalized sensor data;
A second entropy calculation step of calculating a third spatio-temporal decomposition sensor data information entropy of each space-time resolution level based on the third amplitude information when spatially resolved sensor data,
Second base spatiotemporal decomposition sensor data selection for selecting third base spatiotemporal decomposition sensor data based on an evaluation criterion prepared in advance so that the total sum of the third spatiotemporal decomposition sensor data information entropy is minimized Steps,
A second sensor data feature vector generating step for generating a third sensor data feature vector based on the information entropy of the third basis space-time resolved sensor data;
A second multi-axis sensor data feature vector generating step of combining the third sensor data feature vector to generate a second multi-axis sensor data feature vector;
A similarity obtained by inputting the plurality of specific signal patterns characteristic map obtained the second double-axis sensor data feature vectors before things were previously obtained the second double-axis sensor data feature vector A specific signal pattern feature vector selection step of selecting a specific signal pattern feature vector from the fired feature map node vector based on the firing probability of the fired feature map node vector obtained by inputting to a plurality of specific signal pattern firing probability maps When,
Only including,
The plurality of specific signal pattern feature maps obtained in advance include the first specific signal pattern feature map and the second specific signal pattern feature map in the specific signal pattern detection method according to claim 3,
The plurality of specific signal pattern firing probability maps obtained in advance are the first specific signal pattern firing probability map and the second specific signal pattern firing probability map in the specific signal pattern detection method according to claim 3. The specific signal pattern detection method characterized by including .
JP2012106341A 2012-05-07 2012-05-07 Specific signal pattern detection system from multi-axis sensor, specific signal pattern detection method from multi-axis sensor Expired - Fee Related JP5297547B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2012106341A JP5297547B2 (en) 2012-05-07 2012-05-07 Specific signal pattern detection system from multi-axis sensor, specific signal pattern detection method from multi-axis sensor

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2012106341A JP5297547B2 (en) 2012-05-07 2012-05-07 Specific signal pattern detection system from multi-axis sensor, specific signal pattern detection method from multi-axis sensor

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
JP2006066184A Division JP5009543B2 (en) 2006-03-10 2006-03-10 Specific signal pattern detection system from multi-axis sensor, specific signal pattern detection method from multi-axis sensor

Publications (2)

Publication Number Publication Date
JP2012194983A JP2012194983A (en) 2012-10-11
JP5297547B2 true JP5297547B2 (en) 2013-09-25

Family

ID=47086756

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2012106341A Expired - Fee Related JP5297547B2 (en) 2012-05-07 2012-05-07 Specific signal pattern detection system from multi-axis sensor, specific signal pattern detection method from multi-axis sensor

Country Status (1)

Country Link
JP (1) JP5297547B2 (en)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0764948A (en) * 1993-08-24 1995-03-10 Kobe Steel Ltd Learning device for discriminating waveform and controller using the learning device
JP3505040B2 (en) * 1996-07-11 2004-03-08 株式会社リコー Portable information processing device
JP3923035B2 (en) * 2003-07-03 2007-05-30 株式会社東芝 Biological condition analysis apparatus and biological condition analysis method
JP3720346B2 (en) * 2004-03-30 2005-11-24 シャープ株式会社 Portable information processing device

Also Published As

Publication number Publication date
JP2012194983A (en) 2012-10-11

Similar Documents

Publication Publication Date Title
JP5009543B2 (en) Specific signal pattern detection system from multi-axis sensor, specific signal pattern detection method from multi-axis sensor
EP3951646B1 (en) Image recognition network model training method, image recognition method and device
US8935195B2 (en) Method of identification and devices thereof
JP4992043B2 (en) Action identification device, action identification system, and action identification method
CN111695605A (en) Image recognition method based on OCT image, server and storage medium
CN112543936B (en) Motion structure self-attention-drawing convolution network model for motion recognition
EP2892007A2 (en) Static posture based person identification
Zhang et al. Device-free wireless localization and activity recognition with deep learning
KR20190061538A (en) Method and apparatus of recognizing motion pattern base on combination of multi-model
Sekiguchi et al. Ensemble learning for human activity recognition
Qiu et al. Skeleton-based abnormal behavior detection using secure partitioned convolutional neural network model
Ogunseiju et al. Recognition of workers’ actions from time-series signal images using deep convolutional neural network
Saeedi et al. An energy-efficient computational model for uncertainty management in dynamically changing networked wearables
Kabir et al. CSI-IANet: An inception attention network for human-human interaction recognition based on CSI signal
CN114757224A (en) Specific radiation source identification method based on continuous learning and combined feature extraction
Ghasemzadeh et al. A phonological expression for physical movement monitoring in body sensor networks
JP5523534B2 (en) Feature amount calculation apparatus and program
Gu et al. Device‐Free Human Activity Recognition Based on Dual‐Channel Transformer Using WiFi Signals
Fu et al. Wavelet enhanced image preprocessing and neural networks for hand gesture recognition
JP5297547B2 (en) Specific signal pattern detection system from multi-axis sensor, specific signal pattern detection method from multi-axis sensor
CN113449637A (en) Method and device for estimating human skeleton posture by millimeter wave radar
JP4897314B2 (en) Walking state detection system using sensor-equipped mobile terminal, walking state detection method using sensor-equipped mobile terminal
Wang Data feature extraction method of wearable sensor based on convolutional neural network
Jung et al. Transfer learning of Wi-Fi handwritten signature signals for identity verification based on the kernel and the range space projection
Ghorbel et al. A novel outlier detection model based on one class principal component classifier in wireless sensor networks

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20120730

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20130131

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: 20130611

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20130614

R150 Certificate of patent or registration of utility model

Ref document number: 5297547

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

LAPS Cancellation because of no payment of annual fees