JP6478275B2 - Device for determining operation, and program for causing computer to function as the device - Google Patents

Device for determining operation, and program for causing computer to function as the device Download PDF

Info

Publication number
JP6478275B2
JP6478275B2 JP2015110407A JP2015110407A JP6478275B2 JP 6478275 B2 JP6478275 B2 JP 6478275B2 JP 2015110407 A JP2015110407 A JP 2015110407A JP 2015110407 A JP2015110407 A JP 2015110407A JP 6478275 B2 JP6478275 B2 JP 6478275B2
Authority
JP
Japan
Prior art keywords
regions
region
type
specifying
user
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2015110407A
Other languages
Japanese (ja)
Other versions
JP2016223908A (en
Inventor
彰吾 松井
彰吾 松井
尾田　貴雄
貴雄 尾田
千佳子 辰巳
千佳子 辰巳
持丸　正明
正明 持丸
吉之 小林
吉之 小林
浩明 保原
浩明 保原
タイス ヘルドーン
タイス ヘルドーン
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.)
Mizuno Corp
National Institute of Advanced Industrial Science and Technology AIST
Original Assignee
Mizuno Corp
National Institute of Advanced Industrial Science and Technology AIST
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 Mizuno Corp, National Institute of Advanced Industrial Science and Technology AIST filed Critical Mizuno Corp
Priority to JP2015110407A priority Critical patent/JP6478275B2/en
Publication of JP2016223908A publication Critical patent/JP2016223908A/en
Application granted granted Critical
Publication of JP6478275B2 publication Critical patent/JP6478275B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Indicating Or Recording The Presence, Absence, Or Direction Of Movement (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Navigation (AREA)

Description

本開示は、動作を判別する技術に関し、特に、人の動作の種類を判別する技術に関する。   The present disclosure relates to a technique for discriminating an action, and more particularly, to a technique for discriminating a type of human action.

従来、加速度センサや角速度センサなどの、使用者の動きを表わすデータを出力するセンサを用いて物体の移動速度や移動角度が検出する装置が実用化されてきた。また、近年では、特開２０１２−１４５４５７号公報（特許文献１）、特開２０１３−１６０６７１号公報（特許文献２）、および、特開２０１４−１６７４６０号公報（特許文献３）において、加速度センサを含むセンサの検出結果を用いて、歩行者等の移動体の進行方向を検出する装置が提案されている。   2. Description of the Related Art Conventionally, an apparatus that detects a moving speed or a moving angle of an object using a sensor that outputs data representing a user's movement, such as an acceleration sensor or an angular velocity sensor, has been put into practical use. In recent years, in JP 2012-145457 A (Patent Document 1), JP 2013-160671 A (Patent Document 2), and JP 2014-167460 A (Patent Document 3), an acceleration sensor is used. There has been proposed an apparatus for detecting a traveling direction of a moving body such as a pedestrian using a detection result of a sensor including the pedestrian.

特開２０１２−１４５４５７号公報JP 2012-145457 A 特開２０１３−１６０６７１号公報JP 2013-160671 A 特開２０１４−１６７４６０号公報JP 2014-167460 A

センサの検出結果から得られる情報の種類が増えれば、このようなセンサを利用する装置を用いたシステムは、より多くのサービスを提供できる。したがって、人の動作の種類を判別する技術が必要とされている。   If the types of information obtained from the sensor detection results increase, a system using such a sensor-based device can provide more services. Therefore, there is a need for a technique for determining the type of human action.

本開示は、かかる実情に鑑み考え出されたものであり、そのある局面における目的は、人の動作を判別するための装置を提供することである。他の局面における目的は、人の動作を判別するための装置としてコンピュータを機能させるためのプログラムを提供することである。   The present disclosure has been conceived in view of such circumstances, and an object in one aspect thereof is to provide an apparatus for discriminating a person's movement. An object in another aspect is to provide a program for causing a computer to function as an apparatus for discriminating human movements.

本開示のある局面に従うと、動作を判別するための装置が提供される。装置は、３次元の軸方向の各々の動きのそれぞれを表わす少なくとも１つのデータから導出される１つ以上の特徴量に基づいて、２以上の種類の動作のそれぞれを２以上の領域の中のいずれかに関連付ける情報を記憶するための記憶手段と、装置の使用者の３次元の軸方向の各々の動きを表わす少なくとも１つのデータを検出するための検出手段と、検出手段によって検出された動きを表わすデータに基づいて、１つ以上の特徴量を算出するための算出手段と、２以上の領域から、算出手段によって算出された特徴量を含む領域を特定するための特定手段とを備える。特定手段は、特定された領域が対応する動作の種類を、使用者が実行した動作の種類として出力する。   In accordance with certain aspects of the present disclosure, an apparatus for determining operation is provided. The apparatus performs each of two or more types of movements in two or more regions based on one or more feature quantities derived from at least one data representing each of the three-dimensional axial movements. Storage means for storing information associated with any one of the above, detection means for detecting at least one data representing each movement in the three-dimensional axial direction of the user of the apparatus, and movement detected by the detection means And calculating means for calculating one or more feature amounts based on the data representing, and specifying means for specifying a region including the feature amounts calculated by the calculating means from two or more regions. The specifying means outputs the type of operation corresponding to the specified area as the type of operation executed by the user.

好ましくは、算出手段は、検出手段によって検出された動きを表わすデータに基づいて、２つ以上の特徴量を算出する。特定手段は、算出手段によって算出された２つ以上の特徴量の組合せを含む領域を、２以上の領域から特定する。   Preferably, the calculation unit calculates two or more feature amounts based on data representing the motion detected by the detection unit. The specifying unit specifies a region including a combination of two or more feature amounts calculated by the calculating unit from the two or more regions.

好ましくは、検出手段は、加速度センサまたは角速度センサの少なくとも一方を含む。
好ましくは、２以上の領域のそれぞれは、サンプルが各領域に対応する動作を実行したときに取得されたデータを用いて定義され、サンプルによる動作から取得された２以上のデータの正規分布の確率密度が一定である線または面または空間を定義する図形によって表される。算出された特徴量が、２以上の領域の中の複数の領域に含まれる場合には、特定手段は、複数の領域のうち、当該算出された特徴量から最も近い位置に中心を持つ図形に対応する領域を、算出された特徴量が含まれる領域であると決定する。 Preferably, the detection means includes at least one of an acceleration sensor and an angular velocity sensor.
Preferably, each of the two or more regions is defined using data acquired when the sample performs an operation corresponding to each region, and the probability of normal distribution of the two or more data acquired from the operation by the sample Represented by a line or plane or space defining a constant density. When the calculated feature amount is included in a plurality of regions among the two or more regions, the specifying unit selects a graphic having a center at a position closest to the calculated feature amount from the plurality of regions. The corresponding area is determined to be an area including the calculated feature amount.

本開示の他の局面に従うと、コンピュータの使用者の動作を判別するためのコンピュータ読取可能なプログラムが提供される。プログラムは、コンピュータに、２以上の種類の動作のそれぞれを２以上の領域のいずれかに関連付ける情報にアクセスするステップを実行させる。情報は、３次元の軸方向の各々の動きのそれぞれを表わす少なくとも１つのデータから導出される１つ以上の特徴量に基づいて、動作を２以上の領域のいずれかに関連付ける。プログラムは、コンピュータに、使用者の３次元の軸方向の各々の動きを表わす少なくとも１つのデータを検出するステップと、検出されたデータに基づいて、１つ以上の特徴量を算出するステップと、２以上の領域から、算出された特徴量を含む領域を特定するステップと、特定された領域が対応する動作の種類を、使用者が実行した動作の種類として出力するステップとを実行させる。   According to another aspect of the present disclosure, a computer readable program for determining the operation of a computer user is provided. The program causes the computer to perform steps of accessing information that associates each of the two or more types of operations with any of the two or more regions. The information associates an action with one of the two or more regions based on one or more feature quantities derived from at least one data representing each of the three-dimensional axial movements. The program detects, on a computer, at least one data representing each movement of the user in the three-dimensional axial direction, and calculates one or more feature amounts based on the detected data; A step of specifying a region including the calculated feature value from two or more regions and a step of outputting the type of operation corresponding to the specified region as the type of operation performed by the user are executed.

本開示によれば、人の動作を判別することができる。   According to the present disclosure, it is possible to discriminate human actions.

動作判別システムの全体的な構成の一例を示す図である。It is a figure which shows an example of the whole structure of an operation | movement discrimination system. 動作の種類の特定に利用される２以上の領域を模式的に示す図である。It is a figure which shows typically the 2 or more area | region utilized for specification of the kind of operation | movement. 動作の種類の判別の具体例を説明するための図である。It is a figure for demonstrating the specific example of discrimination | determination of the kind of operation | movement. センサケースの外観を示す図である。It is a figure which shows the external appearance of a sensor case. センサケースの外観を示す図である。It is a figure which shows the external appearance of a sensor case. センサケースの外観を示す図である。It is a figure which shows the external appearance of a sensor case. センサケースの外観を示す図である。It is a figure which shows the external appearance of a sensor case. 検出装置のハードウェア構成を示す図である。It is a figure which shows the hardware constitutions of a detection apparatus. スマートフォンのハードウェア構成を示す図である。It is a figure which shows the hardware constitutions of a smart phone. 検出装置の機能ブロックの一例を示す図である。It is a figure which shows an example of the functional block of a detection apparatus. サンプルデータ記憶部に格納されている情報の構成を模式的に示す図である。It is a figure which shows typically the structure of the information stored in the sample data storage part. 被験者が、動作「歩行」を実行したときの、加速度センサの検出結果の一例を示す図である。It is a figure which shows an example of the detection result of an acceleration sensor when a test subject performs operation | movement "walking." 被験者が、動作「ジョギング」を実行したときの、加速度センサの検出結果の一例を示す図である。It is a figure which shows an example of the detection result of an acceleration sensor when a test subject performs operation | movement "jogging." 被験者が、動作「ジャンプ」を実行したときの、加速度センサの検出結果の一例を示す図である。It is a figure which shows an example of the detection result of an acceleration sensor when a test subject performs operation | movement "jump." 被験者が、動作「走行」を実行したときの、加速度センサの検出結果の一例を示す図である。It is a figure which shows an example of the detection result of an acceleration sensor when a test subject performs operation | movement "running." 組合せ記憶部に格納されている情報の構成を模式的に示す図である。It is a figure which shows typically the structure of the information stored in the combination memory | storage part. 信頼区間記憶部に格納されている情報の構成を模式的に示す図である。It is a figure which shows typically the structure of the information stored in the confidence area memory | storage part. 組合せ（１）の、Ｍ種類の動作のそれぞれの領域の一例を示す図である。It is a figure which shows an example of each area | region of M types of operation | movement of a combination (1). 組合せ（２）の、Ｍ種類の動作のそれぞれの領域の一例を示す図である。It is a figure which shows an example of each area | region of M types of operation | movement of a combination (2). 動作特定用情報記憶部に格納される情報の一例を模式的に示す図である。It is a figure which shows typically an example of the information stored in the information storage part for action specification. 検出装置において実行される処理のフローチャートである。It is a flowchart of the process performed in a detection apparatus. ２以上の特徴量の組合せが２以上の領域のそれぞれに含まれるか否かの判断の他の態様に利用される数式を示す図である。It is a figure which shows the numerical formula utilized for the other aspect of judgment whether the combination of two or more feature-values is included in each of two or more area | regions. 共分散行列（Ｃｏｖ（ｎ，ｎ））の一例を示す図である。It is a figure which shows an example of a covariance matrix (Cov (n, n) ). 使用者の動作の種類に関する統計値の表示画面の一例を示す図である。It is a figure which shows an example of the display screen of the statistical value regarding the kind of user's operation | movement. 検出装置の使用者によって実行された動作の種類を特定する処理の一例のフローチャートである。It is a flowchart of an example of the process which specifies the kind of operation | movement performed by the user of the detection apparatus. 検出装置の使用者への装着方法に関する変形例を説明するための図である。It is a figure for demonstrating the modification regarding the mounting method to the user of a detection apparatus. ウィンドウを構成する複数のフレームの一部の入れ替えを説明するための図である。It is a figure for demonstrating replacement of some of the some flame | frame which comprises a window.

以下、図面を参照しつつ、本開示の実施の形態について説明する。以下の説明では、同一の部品には同一の符号を付してある。それらの名称および機能も同じである。したがって、それらについての詳細な説明は繰り返さない。   Hereinafter, embodiments of the present disclosure will be described with reference to the drawings. In the following description, the same parts are denoted by the same reference numerals. Their names and functions are also the same. Therefore, detailed description thereof will not be repeated.

［第１の実施の形態］
１．発明の概要
図１は、本開示の動作を判別するための装置を含む動作判別システムの全体的な構成の一例を示す図である。図１に示されるように、動作判別システムにおいて、使用者Ｐは、センサケース２００に収納された検出装置１００を装着している。検出装置１００は、動作を判別するための装置の一実施の形態である。センサケース２００は、使用者Ｐが履いている靴５００に取り付けられている。検出装置１００は、たとえば、３軸方向のそれぞれについての動きを表わすデータを検出するセンサ（後述する、図８等の加速度センサ１２０）を含む。 [First Embodiment]
1. FIG. 1 is a diagram illustrating an example of an overall configuration of an operation determination system including an apparatus for determining an operation of the present disclosure. As shown in FIG. 1, in the operation determination system, a user P wears a detection device 100 housed in a sensor case 200. The detection device 100 is an embodiment of a device for discriminating operations. The sensor case 200 is attached to a shoe 500 worn by the user P. Detection device 100 includes, for example, a sensor (acceleration sensor 120 in FIG. 8 and the like described later) that detects data representing movement in each of the three axis directions.

検出装置１００は、特徴量に基づいて予め定められた２以上の領域を特定する情報を格納している。２以上の領域のそれぞれは、２種類以上の動作（たとえば、「歩行」「ジョギング」「ジャンプ」「走行」）のいずれかを特定する。本明細書では、動作の特定に用いられる「領域」を、当該動作についての「信頼区間（confidence region）」とも言う。   The detection apparatus 100 stores information for specifying two or more regions that are determined in advance based on the feature amount. Each of the two or more areas specifies one of two or more types of actions (for example, “walking”, “jogging”, “jumping”, “running”). In this specification, a “region” used for specifying an operation is also referred to as a “confidence region” for the operation.

また、検出装置１００は、上記のセンサが出力するデータを用いて、予め定められた２以上の特徴量を算出する。検出装置１００は、上記２種類以上の動作のそれぞれに対応する領域のうち、算出された２以上の特徴量の組合せを含む領域を特定する。そして、検出装置１００は、特定された領域が対応する動作の種類を、使用者Ｐが実行した動作の種類として出力する。   In addition, the detection apparatus 100 calculates two or more predetermined feature amounts using data output from the sensor. The detection apparatus 100 specifies a region including a combination of two or more calculated feature amounts from regions corresponding to the two or more types of actions. And the detection apparatus 100 outputs the kind of operation | movement with which the identified area | region respond | corresponds as a kind of operation which the user P performed.

検出装置１００は、ネットワーク６００を介して、スマートフォン９００と通信可能である。スマートフォン９００は、検出装置１００から出力された動作の種類および当該種類に関する統計値を出力する（後述する、図２４の画面９９０）。なお、スマートフォン９００は、検出装置１００から出力された動作の種類および当該種類に関する統計値を出力する装置の一例である。当該装置は、パーソナルコンピュータ等のいかなる通信装置であってもよい。   The detection device 100 can communicate with the smartphone 900 via the network 600. The smartphone 900 outputs the type of operation output from the detection apparatus 100 and a statistical value related to the type (screen 990 in FIG. 24 described later). The smartphone 900 is an example of an apparatus that outputs the type of operation output from the detection apparatus 100 and a statistical value related to the type. The device may be any communication device such as a personal computer.

図２は、上記した動作の種類を特定するために利用される２以上の領域を模式的に示す図である。図２には、互いに異なる２つの特徴量（特徴量Ｆ１および特徴量Ｆ２）を用いて作成されたグラフが示されている。図２のグラフでは、横軸が特徴量Ｆ１を表わし、縦軸が特徴量Ｆ２を表わす。   FIG. 2 is a diagram schematically showing two or more regions used for specifying the type of operation described above. FIG. 2 shows a graph created using two different feature quantities (feature quantity F1 and feature quantity F2). In the graph of FIG. 2, the horizontal axis represents the feature amount F1, and the vertical axis represents the feature amount F2.

特徴量Ｆ１および特徴量Ｆ２の算出には、たとえば、図２において式（１）で示されたような、ＲＭＳ（二乗平均平方根：root mean square）が利用される。式（１）において、ｘｉは、センサにおけるｘ軸方向の加速度の検出値である。ｙｉは、センサにおけるｙ軸方向の加速度の検出値である。ｚｉは、センサにおけるｚ軸方向の加速度の検出値である。ｘ軸、ｙ軸、およびｚ軸は、３次元において互いに直交する軸である。 For the calculation of the feature quantity F1 and the feature quantity F2, for example, RMS (root mean square) as shown by the equation (1) in FIG. 2 is used. In Expression (1), x i is a detected value of acceleration in the x-axis direction of the sensor. y i is a detected value of acceleration in the y-axis direction of the sensor. z i is a detected value of acceleration in the z-axis direction of the sensor. The x-axis, y-axis, and z-axis are axes that are orthogonal to each other in three dimensions.

センサは、一定時間（たとえば、１秒間）内に、ｘ軸、ｙ軸およびｚ軸のそれぞれについてＸ個の検出値を出力する。つまり、ｘ軸、ｙ軸およびｚ軸のそれぞれの３つの検出値のセットは、一定時間内にＸセット出力される。Ｘは整数である。Ｘの一例は、「１００」である。   The sensor outputs X detection values for each of the x-axis, the y-axis, and the z-axis within a certain time (for example, 1 second). That is, three sets of detected values for the x-axis, y-axis, and z-axis are output as X sets within a fixed time. X is an integer. An example of X is “100”.

特徴量Ｆ１の一例は、Ｘセットのそれぞれについて算出されたＲＭＳＮの平均値（ＭＥＡＮ（ＲＭＳ））である。特徴量Ｆ２の一例は、Ｘセットのそれぞれについて算出されたＲＭＳＮの標準偏差（ＳＴＤ（ＲＭＳ））である。 An example of the feature amount F1 is an average value (MEAN (RMS)) of RMS N calculated for each of the X sets. An example of the feature amount F2 is the standard deviation (STD (RMS)) of RMS N calculated for each of the X sets.

図２のグラフは、特徴量Ｆ１および特徴量Ｆ２によって特定される、４つの領域ＲＷＡ，ＲＪＯ，ＲＪＵ，ＲＲＵを示す。４つの領域ＲＷＡ，ＲＪＯ，ＲＪＵ，ＲＲＵのそれぞれの形状は、楕円である。なお、ユーザの動作を識別するために特定される領域の形状は、楕円に限定されない。また、当該領域は、特定の条件に基づいて決定される除外領域を含んでいてもよい。つまり、たとえば、当該領域の形状は、基本的に楕円であるが、当該楕円の中の一部の部分が特定の条件に基づいて当該領域から除外される場合もある。また、当該領域は、追加部分を含んでいてもよい。つまり、たとえば、当該領域の形状は、基本的に楕円であるが、当該楕円に特定の条件に基づく追加部分が追加されることによって当該領域が構成されてもよい。   The graph of FIG. 2 shows four regions RWA, RJO, RJU, and RRU specified by the feature amount F1 and the feature amount F2. Each of the four regions RWA, RJO, RJU, and RRU has an ellipse shape. Note that the shape of the region specified for identifying the user's action is not limited to an ellipse. Moreover, the said area | region may contain the exclusion area | region determined based on specific conditions. That is, for example, although the shape of the region is basically an ellipse, a part of the ellipse may be excluded from the region based on a specific condition. In addition, the region may include an additional part. That is, for example, the shape of the region is basically an ellipse, but the region may be configured by adding an additional portion based on a specific condition to the ellipse.

領域ＲＷＡは、動作「歩行」に関連付けられている。領域ＲＪＯは、動作「ジョギング」に関連付けられている。領域ＲＪＵは、動作「ジャンプ」に関連付けられている。領域ＲＲＵは、動作「ランニング」に関連付けられている。   The region RWA is associated with the motion “walking”. Region RJO is associated with the operation “jogging”. Region RJU is associated with the action “jump”. The region RRU is associated with the operation “running”.

検出装置１００は、使用者Ｐに装着されているセンサの一定時間内の検出値を用いて上記特徴量Ｆ１および特徴量Ｆ２を算出し、図２に示された４つの領域ＲＷＡ，ＲＪＯ，ＲＪＵ，ＲＲＵから、算出された特徴量Ｆ１と特徴量Ｆ２の組合せによって生成されるプロットを含む領域を特定する。そして、検出装置１００は、上記プロットを含むと特定された領域に対応する動作を、プロットの生成に利用された検出値が対応する一定時間の使用者Ｐが実行した動作の種類として、出力する。   The detection apparatus 100 calculates the feature amount F1 and the feature amount F2 using the detection values within a predetermined time of the sensor worn by the user P, and the four regions RWA, RJO, RJU shown in FIG. , RRU, the region including the plot generated by the combination of the calculated feature value F1 and feature value F2 is specified. And the detection apparatus 100 outputs the operation | movement corresponding to the area | region identified as including the said plot as a kind of operation | movement which the user P performed for the fixed time to which the detection value utilized for the production | generation of a plot respond | corresponds. .

図３は、動作の種類の判別の具体例を説明するための図である。図３には、図２に示された４つの領域ＲＷＡ，ＲＪＯ，ＲＪＵ，ＲＲＵとともに、使用者Ｐに装着されているセンサの検出値から導出された３つのプロットｄｐ１，ｄｐ２，ｄｐ３が示されている。   FIG. 3 is a diagram for explaining a specific example of the determination of the type of operation. FIG. 3 shows three plots dp1, dp2, dp3 derived from the detection values of the sensor worn by the user P, together with the four regions RWA, RJO, RJU, RRU shown in FIG. ing.

プロットｄｐ１は、動作「歩行」に対応する領域ＲＷＡ内に位置している。このため、検出装置１００は、プロットｄｐ１に対応する判別結果として、動作「歩行」を出力する。換言すれば、プロットｄｐ１が期間Ａの検出値から生成された場合、検出装置１００は、当該期間Ａの動作が「歩行」であると判別される。   The plot dp1 is located in the region RWA corresponding to the motion “walking”. For this reason, the detection apparatus 100 outputs the operation “walking” as the determination result corresponding to the plot dp1. In other words, when the plot dp1 is generated from the detection value in the period A, the detection apparatus 100 determines that the operation in the period A is “walking”.

プロットｄｐ２は、２つの領域（領域ＲＷＡおよび領域ＲＪＵ）の中に位置している。プロットが２以上の領域内に位置する場合は、検出装置１００は、予め定められた基準に基づいて、当該２以上の領域のいずれか１つを選択し、選択された領域に対応する種類の動作を、使用者Ｐの動作の判別結果として出力する。当該基準は、たとえば、２以上の領域のそれぞれの中心とプロットとの距離である。つまり、２以上の領域のそれぞれの中心とプロットとの距離が算出される。そして、その距離が最も短い領域に対応する動作の種類が、判別結果として出力される。   The plot dp2 is located in two regions (region RWA and region RJU). When the plot is located in two or more regions, the detection apparatus 100 selects one of the two or more regions based on a predetermined criterion, and selects the type corresponding to the selected region. The operation is output as a determination result of the user P's operation. The reference is, for example, the distance between the center of each of the two or more regions and the plot. That is, the distance between the center of each of the two or more regions and the plot is calculated. Then, the type of operation corresponding to the region having the shortest distance is output as a discrimination result.

図３に示された例において、領域ＲＪＵの中心は、点ＣＴＪＵで示されている。領域ＲＷＡの中心は、点ＣＴＷＡで示されている。プロットｄｐ２と点ＣＴＪＵとの距離は、プロットｄｐ２と点ＣＴＷＡとの距離よりも短い。これにより、検出装置１００は、プロットｄｐ２に対応する判別結果として、領域ＲＪＵに対応する動作「ジャンプ」を出力する。   In the example shown in FIG. 3, the center of the region RJU is indicated by a point CTJU. The center of the region RWA is indicated by a point CTWA. The distance between the plot dp2 and the point CTJU is shorter than the distance between the plot dp2 and the point CTWA. As a result, the detection apparatus 100 outputs the operation “jump” corresponding to the region RJU as the determination result corresponding to the plot dp2.

プロットｄｐ３は、４つの領域ＲＷＡ，ＲＪＯ，ＲＪＵ，ＲＲＵのいずれにも含まれない。このような場合、検出装置１００は、プロットｄｐ３に対応する判別結果として、「判別不可」を出力する。なお、検出装置１００は、プロットがいずれの領域にも含まれない場合、他の判別結果（たとえば、「未判別」）を出力してもよい。   The plot dp3 is not included in any of the four regions RWA, RJO, RJU, and RRU. In such a case, the detection apparatus 100 outputs “not discriminated” as the discrimination result corresponding to the plot dp3. Note that the detection apparatus 100 may output another determination result (for example, “not determined”) when the plot is not included in any region.

なお、４つの領域ＲＷＡ，ＲＪＯ，ＲＪＵ，ＲＲＵとして示されたような、それぞれの動作を特定する領域は、モニタとしてそれぞれの動作を実行している者に装着されているセンサの検出値を用いて設定される。たとえば、領域ＲＷＡは、歩くように指示されて歩いているモニタが装着しているセンサの検出値を用いて設定される。このような領域の生成については、後述する。   In addition, the area | region which identifies each operation | movement which was shown as four area | regions RWA, RJO, RJU, and RRU uses the detection value of the sensor with which the person who is performing each operation | movement is mounted | worn as a monitor. Is set. For example, the region RWA is set using a detection value of a sensor attached to a monitor that is instructed to walk and is walking. The generation of such an area will be described later.

本明細書では、動作の種類の特定の対象となる者を「使用者」と呼ぶ。一方、図２の４つの領域ＲＷＡ，ＲＪＯ，ＲＪＵ，ＲＲＵとして示されたような「信頼区間」を生成するために動作を実行する者を「被験者」と呼ぶ。   In this specification, a person who is a specific target of the type of operation is called a “user”. On the other hand, a person who performs an operation to generate a “confidence interval” as shown as the four regions RWA, RJO, RJU, and RRU in FIG. 2 is referred to as a “subject”.

２．センサケースおよび検出装置の外観
図４〜図７は、センサケース２００および検出装置１００の外観を説明するための図である。図４には、センサケース２００が靴５００のベルト５０１に取り付けられている状態が示されている。 2. Appearance of Sensor Case and Detection Device FIGS. 4 to 7 are views for explaining the appearance of the sensor case 200 and the detection device 100. FIG. 4 shows a state where the sensor case 200 is attached to the belt 501 of the shoe 500.

図５には、検出装置１００がどのようにセンサケース２００に収納されるかが示されている。図６は、センサケース２００の側面図である。センサケース２００は、収納部２１０とカバー部２２０とを含む。検出装置１００は、矢印Ａに示されるように、収納部２１０の開口２１０Ａを介して、収納部２１０の内部に導入される。収納部２１０の一つの面には、接着部２１１が設けられている。カバー部２２０の一端は、収納部２１０に連結されている。カバー部２２０の他端には、接着部２２１が設けられている。接着部２１１，２２１は、たとえば、固定手段として一般的に採用されている、たとえば、粘着剤層、鍵ホック、ホックボタン、マジックテープ（登録商標）等の面ファスナー、または、マグネットによって実現される。   FIG. 5 shows how the detection device 100 is housed in the sensor case 200. FIG. 6 is a side view of the sensor case 200. The sensor case 200 includes a storage part 210 and a cover part 220. The detection device 100 is introduced into the storage unit 210 through the opening 210 </ b> A of the storage unit 210 as indicated by an arrow A. An adhesive portion 211 is provided on one surface of the storage portion 210. One end of the cover part 220 is connected to the storage part 210. An adhesive part 221 is provided at the other end of the cover part 220. The adhesive portions 211 and 221 are realized by, for example, a surface fastener such as an adhesive layer, a key hook, a hook button, a magic tape (registered trademark), or a magnet, which is generally employed as a fixing means. .

図７に示されるように、カバー部２２０が収納部２１０に巻きつけられることにより、接着部２１１と接着部２２１とが当接し、これにより、検出装置１００がセンサケース２００内に収納される。   As shown in FIG. 7, when the cover part 220 is wound around the storage part 210, the adhesive part 211 and the adhesive part 221 come into contact with each other, whereby the detection device 100 is stored in the sensor case 200.

なお、図７に示されたように検出装置１００がセンサケース２００内に収納されたとき、図６において隙間ＧＰ１として示されるように、収納部２１０とカバー部２２０との間に隙間が生じる。図４に示されるようにセンサケース２００が靴５００のベルト５０１に装着されるとき、収納部２１０とカバー部２２０との間に挟まれ、ベルト５０１は、図６において隙間ＧＰ１として示された部分に位置する。   When the detection device 100 is stored in the sensor case 200 as shown in FIG. 7, a gap is generated between the storage part 210 and the cover part 220 as shown as a gap GP <b> 1 in FIG. 6. As shown in FIG. 4, when the sensor case 200 is attached to the belt 501 of the shoe 500, the sensor case 200 is sandwiched between the storage portion 210 and the cover portion 220, and the belt 501 is a portion indicated as a gap GP <b> 1 in FIG. 6. Located in.

３．検出装置のハードウェア構成
図８は、検出装置１００のハードウェア構成を示す図である。図８に示されるように、検出装置１００は、主たる構成要素として、ＣＰＵ（Central Processing Unit）１１０と、加速度センサ１２０と、メモリ１３０と、通信Ｉ／Ｆ１４０と、バッテリ１５０とを備える。ＣＰＵ１１０は、検出装置１００の動作を制御するための処理を実行する。 3. Hardware Configuration of Detection Device FIG. 8 is a diagram illustrating a hardware configuration of the detection device 100. As shown in FIG. 8, the detection apparatus 100 includes a CPU (Central Processing Unit) 110, an acceleration sensor 120, a memory 130, a communication I / F 140, and a battery 150 as main components. The CPU 110 executes processing for controlling the operation of the detection apparatus 100.

加速度センサ１２０は、３つの互いに異なる軸（たとえば、ｘ軸、ｙ軸、およびｚ軸）のそれぞれの方向の加速度を検出して、各加速度をＣＰＵ１１０へ出力する。検出装置１００は、装置の使用者の３次元の軸方向の各々の動きを表わす少なくとも１つのデータを検出するための検出手段の一例として、加速度センサ１２０を備える。なお、検出手段は、当該使用者の１次元または２次元の軸方向の動きを検出するものである場合もある。   The acceleration sensor 120 detects accelerations in directions of three different axes (for example, the x-axis, the y-axis, and the z-axis), and outputs each acceleration to the CPU 110. The detection apparatus 100 includes an acceleration sensor 120 as an example of detection means for detecting at least one data representing each movement in the three-dimensional axial direction of the user of the apparatus. Note that the detecting means may detect a one-dimensional or two-dimensional axial movement of the user.

メモリ１３０は、ＲＡＭ（Random Access Memory）またはＲＯＭ（Read-Only Memory）などの記憶装置によって実現される。メモリ１３０には、ＣＰＵ１１０が実行するプログラムおよび当該プログラムの実行において利用される各種のデータが格納される。   The memory 130 is realized by a storage device such as a RAM (Random Access Memory) or a ROM (Read-Only Memory). The memory 130 stores a program executed by the CPU 110 and various data used in executing the program.

通信インターフェイス（Ｉ／Ｆ）１４０は、アンテナやコネクタによって実現される。通信Ｉ／Ｆ１４０は、スマートフォン９００（図１参照）を含む外部の機器との間で、データを送受信する。   The communication interface (I / F) 140 is realized by an antenna or a connector. Communication I / F 140 transmits and receives data to and from external devices including smartphone 900 (see FIG. 1).

バッテリ１５０は、検出装置１００の各要素に対して、当該各要素が動作するための電力を供給する。   The battery 150 supplies power for operating each element to each element of the detection apparatus 100.

４．スマートフォンのハードウェア構成
図９は、スマートフォン９００のハードウェア構成を示す図である。図９に示されるように、スマートフォン９００は、主たる構成要素として、ＣＰＵ９１０と、タッチパネル９２０と、メモリ９３０と、メモリインターフェイス９４０と、通信インターフェイス９５０とを含む。 4). Smartphone Hardware Configuration FIG. 9 is a diagram illustrating a hardware configuration of the smartphone 900. As illustrated in FIG. 9, the smartphone 900 includes a CPU 910, a touch panel 920, a memory 930, a memory interface 940, and a communication interface 950 as main components.

タッチパネル９２０は、抵抗膜方式、表面弾性波方式、赤外線方式、電磁誘導方式、静電容量方式などのいずれのタイプであってもよい。タッチパネル９２０は、光センサ液晶を含んでもよい。タッチパネル９２０は、所定時間毎に外部の物体によるタッチパネル９２０へのタッチ操作を検知して、タッチ座標（タッチ位置）をＣＰＵ９１０に入力する。換言すれば、ＣＰＵ９１０は、タッチパネル９２０から順次タッチ座標を取得する。   The touch panel 920 may be any type such as a resistive film method, a surface acoustic wave method, an infrared method, an electromagnetic induction method, and a capacitance method. Touch panel 920 may include an optical sensor liquid crystal. The touch panel 920 detects a touch operation on the touch panel 920 by an external object every predetermined time, and inputs the touch coordinates (touch position) to the CPU 910. In other words, the CPU 910 sequentially acquires touch coordinates from the touch panel 920.

メモリ９３０は、ＲＡＭまたはＲＯＭなどの記憶装置によって実現される。メモリ９３０は、ＣＰＵ９１０によって実行されるプログラム、および、当該プログラムの実行において利用されるデータが格納される。   The memory 930 is realized by a storage device such as a RAM or a ROM. The memory 930 stores a program executed by the CPU 910 and data used in executing the program.

メモリインターフェイス９４０は、外部の記憶媒体９４１からデータを読み出す。記憶媒体９４１は、スマートフォン９００に対して着脱可能である。ＣＰＵ９１０は、メモリインターフェイス９４０を介して外部の記憶媒体９４１に格納されているデータを読み出して、当該データをメモリ９３０に格納する。また、ＣＰＵ９１０は、メモリ９３０からデータを読み出し、当該データを、メモリインターフェイス９４０を介して記憶媒体９４１に格納する。ＣＰＵ９１０が実行するプログラムは、記憶媒体９４１に格納されていてもよい。また、ＣＰＵ９１０が実行するプログラムは、ネットワーク６００を介してダウンロードされて、メモリ９３０に格納されてもよい。   The memory interface 940 reads data from the external storage medium 941. The storage medium 941 can be attached to and detached from the smartphone 900. The CPU 910 reads data stored in the external storage medium 941 via the memory interface 940 and stores the data in the memory 930. Further, the CPU 910 reads data from the memory 930 and stores the data in the storage medium 941 via the memory interface 940. A program executed by the CPU 910 may be stored in the storage medium 941. A program executed by the CPU 910 may be downloaded via the network 600 and stored in the memory 930.

通信Ｉ／Ｆ９５０は、アンテナやコネクタによって実現される。通信Ｉ／Ｆ９５０は、有線通信あるいは無線通信によって他の装置との間で、データを送受信する。ＣＰＵ９１０は、通信Ｉ／Ｆ９５０を介して、他の装置からプログラムや画像データやテキストデータなどを受信し、また、他の装置に画像データやテキストデータを送信する。   Communication I / F 950 is realized by an antenna or a connector. The communication I / F 950 transmits / receives data to / from other devices by wired communication or wireless communication. The CPU 910 receives programs, image data, text data, and the like from other devices via the communication I / F 950, and transmits image data and text data to the other devices.

ＣＰＵ９１０は、メモリ９３０あるいは記憶媒体９４１に記憶されているプログラムを実行することによって、スマートフォン９００の各部を制御する。   The CPU 910 controls each unit of the smartphone 900 by executing a program stored in the memory 930 or the storage medium 941.

５．動作判別システムの機能ブロック
まず、図１０に示された検出装置１００の機能を説明する。図１０は、検出装置１００の機能ブロックの一例を示す図である。 5. Functional Block of Operation Determination System First, the function of the detection apparatus 100 shown in FIG. 10 will be described. FIG. 10 is a diagram illustrating an example of functional blocks of the detection apparatus 100.

検出装置１００において、ＣＰＵ１１０は、メモリ１３０に格納されたプログラムを実行することにより、サンプルデータ取得部１１１、信頼区間生成部１１２、評価部１１３、特徴量算出部１１４、および動作特定部１１５として機能する。メモリ１３０は、サンプルデータ記憶部１３１、組合せ記憶部１３２、信頼区間記憶部１３３、動作特定用情報記憶部１３４、およびプログラム記憶部１３５として機能する。プログラム記憶部１３５は、ＣＰＵ１１０によって実行されるプログラムを格納する。   In the detection apparatus 100, the CPU 110 functions as a sample data acquisition unit 111, a confidence interval generation unit 112, an evaluation unit 113, a feature amount calculation unit 114, and an action specification unit 115 by executing a program stored in the memory 130. To do. The memory 130 functions as a sample data storage unit 131, a combination storage unit 132, a confidence interval storage unit 133, an operation specifying information storage unit 134, and a program storage unit 135. The program storage unit 135 stores a program executed by the CPU 110.

サンプルデータ取得部１１１は、サンプルとして利用される被験者の加速度センサ１２０の検出結果を、被験者を特定する情報および当該被験者が実行した動作の種類に関連付けて、サンプルデータ記憶部１３１に格納する。図１１は、サンプルデータ記憶部１３１に格納されている情報の構成を模式的に示す図である。図１１に示されるように、サンプルデータ記憶部１３１には、Ｎ人分のＭ種類の動作のそれぞれのデータ、つまり、Ｎ×Ｍ個のデータ（データ（１，１）〜（Ｎ，Ｍ））が格納されている。ＮおよびＭのそれぞれは、予め定められた整数を表す。ＮおよびＭの値は、すべての動作の種類において同じでなくてもよい。データ（１，１）〜（Ｎ，Ｍ）のそれぞれは、一定時間分の加速度センサ１２０の検出結果である。また、データ（１，１）〜（Ｎ，Ｍ）のそれぞれは、３つの軸（ｘ軸、ｙ軸、およびｚ軸）のそれぞれの方向についての検出結果を含む。   The sample data acquisition unit 111 stores the detection result of the acceleration sensor 120 of the subject used as a sample in the sample data storage unit 131 in association with the information specifying the subject and the type of operation performed by the subject. FIG. 11 is a diagram schematically illustrating the configuration of information stored in the sample data storage unit 131. As shown in FIG. 11, the sample data storage unit 131 stores M pieces of data for N people, that is, N × M pieces of data (data (1, 1) to (N, M)). ) Is stored. Each of N and M represents a predetermined integer. The values of N and M may not be the same for all operation types. Each of the data (1, 1) to (N, M) is a detection result of the acceleration sensor 120 for a certain time. Each of the data (1, 1) to (N, M) includes detection results for the directions of the three axes (x axis, y axis, and z axis).

図１２は、被験者が、動作「歩行」を実行したときの、１秒間の加速度センサ１２０の検出結果の一例を示す図である。図１３は、図１２と同じ被験者が、動作「ジョギング」を実行したときの、１秒間の加速度センサ１２０の検出結果の一例を示す図である。図１４は、図１２と同じ被験者が、動作「ジャンプ」を実行したときの、１秒間の加速度センサ１２０の検出結果の一例を示す図である。図１５は、図１２と同じ被験者が、動作「走行」を実行したときの、１秒間の加速度センサ１２０の検出結果の一例を示す図である。   FIG. 12 is a diagram illustrating an example of a detection result of the acceleration sensor 120 for one second when the subject performs the operation “walking”. FIG. 13 is a diagram illustrating an example of a detection result of the acceleration sensor 120 for one second when the same subject as in FIG. 12 performs the operation “jogging”. FIG. 14 is a diagram illustrating an example of a detection result of the acceleration sensor 120 for one second when the same subject as in FIG. 12 performs the operation “jump”. FIG. 15 is a diagram illustrating an example of a detection result of the acceleration sensor 120 for one second when the same subject as in FIG. 12 performs the operation “running”.

図１２〜図１５のそれぞれにおいて、実線はｘ軸方向の加速度を示し、点線はｙ軸方向の加速度を示し、そして、一点鎖線はｚ軸方向の加速度を示す。図１２〜図１５に示されるように、被験者が実行する動作の種類が異なると、加速度センサ１２０の検出結果によって示される３軸（ｘ，ｙ，ｚ）のそれぞれの方向における加速度の変化の組合せが異なる。   12 to 15, the solid line indicates the acceleration in the x-axis direction, the dotted line indicates the acceleration in the y-axis direction, and the alternate long and short dash line indicates the acceleration in the z-axis direction. As shown in FIGS. 12 to 15, when the types of motions performed by the subject are different, combinations of acceleration changes in the respective directions of the three axes (x, y, z) indicated by the detection results of the acceleration sensor 120. Is different.

なお、加速度センサ１２０の検出出力におけるｘ，ｙ，およびｚ軸は、当該加速度センサ１２０内の相対的なものである。また、図５に示されたように、検出装置１００における加速度センサ１２０の設置角度は変更可能である。検出装置１００における加速度センサ１２０の設置角度が変更された場合、図１２〜図１５に示された検出結果は変化し得る。   The x, y, and z axes in the detection output of the acceleration sensor 120 are relative to the acceleration sensor 120. Further, as shown in FIG. 5, the installation angle of the acceleration sensor 120 in the detection apparatus 100 can be changed. When the installation angle of the acceleration sensor 120 in the detection apparatus 100 is changed, the detection results shown in FIGS. 12 to 15 may change.

図１２〜図１５に示されたデータは、加速度センサ１２０のサンプルレートが１００Ｈｚに設定された状態で、１秒間に取得された。これにより、図１２〜図１５のそれぞれには、１００フレーム分のデータが示されている。   The data shown in FIGS. 12 to 15 were acquired in one second with the sample rate of the acceleration sensor 120 set to 100 Hz. Thus, 100 frames of data are shown in each of FIGS.

図１６は、組合せ記憶部１３２に格納されている情報の構成を模式的に示す図である。図１６に示された例では、Ｐ個の組合せ（組合せ（１）〜（Ｐ））のそれぞれについて、特徴量の組合せが示されている。たとえば、組合せ（１）は、Ｑ個の特徴量（特徴量（１，１）〜（１，Ｑ））を含む。ＰおよびＱのそれぞれは、予め定められた整数を表す。   FIG. 16 is a diagram schematically illustrating a configuration of information stored in the combination storage unit 132. In the example shown in FIG. 16, combinations of feature amounts are shown for each of P combinations (combinations (1) to (P)). For example, the combination (1) includes Q feature quantities (feature quantities (1, 1) to (1, Q)). Each of P and Q represents a predetermined integer.

信頼区間生成部１１２は、サンプルデータ記憶部１３１に格納されたＮ人それぞれのＭ種類の動作において取得されたサンプルデータ（データ（１，１）〜（Ｎ，Ｍ））を利用して、特徴量のＰ個の組合せ（図１６の組合せ（１）〜（Ｐ））のそれぞれに対応する領域のセットを生成する。各セットは、Ｍ種類の動作のそれぞれを特定するＭ個の領域を含む。そして、信頼区間生成部１１２は、生成されたＰ個のセットの領域（各セットは、Ｍ種類の動作のそれぞれの領域を含む）を特定する情報を、信頼区間記憶部１３３に格納する。各領域の生成は、以下の３つの工程＜１＞〜＜３＞を含む。   The confidence interval generation unit 112 uses the sample data (data (1, 1) to (N, M)) acquired in the M types of operations for each of the N people stored in the sample data storage unit 131, and features A set of regions corresponding to each of the P combinations of quantities (combinations (1) to (P) in FIG. 16) is generated. Each set includes M regions that identify each of the M types of operations. Then, the confidence interval generation unit 112 stores, in the confidence interval storage unit 133, information that identifies the generated P sets of regions (each set includes each region of M types of operations). The generation of each region includes the following three steps <1> to <3>.

＜１＞Ｎ人分のサンプルデータのそれぞれについての、Ｑ個の特徴量のそれぞれの算出
＜２＞算出されたＱ個の特徴量を用いた、多次元（次元数は、特徴量の数である「Ｑ」）の正規分布の生成
＜３＞生成された正規分布における、予め定められた分散係数（たとえば、分散係数σ＝２）を示す領域（利用された特徴量の数が「１」であれば線であり、「２」であれば面であり、「３」以上であれば空間）の特定
各領域は、工程＜３＞において特定された面（または線）によって特定される。 <1> Calculation of each of Q feature values for each of N sample data <2> Multi-dimension (number of dimensions is the number of feature values) using the calculated Q feature values Generation of a normal distribution of a certain “Q” <3> A region indicating a predetermined dispersion coefficient (for example, the dispersion coefficient σ = 2) in the generated normal distribution (the number of used feature amounts is “1”) If it is “2”, it is a surface, and if it is “3” or more, a space is specified. Each region is specified by the surface (or line) specified in step <3>.

たとえば、領域の特定に利用される特徴量の数が「２」であれば、各領域は、図２において領域ＲＷＡ，ＲＪＯ，ＲＪＵ，ＲＲＵとして示されたように、２次元空間における楕円である。   For example, if the number of feature quantities used for specifying a region is “2”, each region is an ellipse in a two-dimensional space as shown as regions RWA, RJO, RJU, and RRU in FIG. .

信頼区間生成部１１２は、Ｐ個の組合せのそれぞれに対応して生成された領域を、信頼区間記憶部１３３に格納する。図１７は、信頼区間記憶部１３３に格納されている情報の構成を模式的に示す図である。信頼区間記憶部１３３には、Ｐ個の組合せ（組合せ（１）〜（Ｐ））のそれぞれについて、Ｍ種類の動作のそれぞれについての領域を特定する情報、つまり、Ｐ×Ｍ個の信頼区間（信頼区間（１，１）〜（Ｐ，Ｍ））を特定する情報を含む。各信頼区間を特定する情報は、当該信頼区間が２個の特徴量を用いて生成される場合には、図２において領域ＲＷＡ，ＲＪＯ，ＲＪＵ，ＲＲＵとして示されたような楕円を特定する。   The confidence interval generation unit 112 stores the region generated corresponding to each of the P combinations in the confidence interval storage unit 133. FIG. 17 is a diagram schematically illustrating a configuration of information stored in the confidence interval storage unit 133. In the confidence interval storage unit 133, for each of the P combinations (combinations (1) to (P)), information for specifying an area for each of the M types of operations, that is, P × M confidence intervals ( Information specifying the confidence interval (1, 1) to (P, M)) is included. When the confidence interval is generated using two feature amounts, the information specifying each confidence interval specifies an ellipse as shown as regions RWA, RJO, RJU, and RRU in FIG.

図１８および図１９を参照して、信頼区間を特定する情報について、より具体的に説明する。図１８は、１番目の組合せ（組合せ（１））の、Ｍ種類の動作のそれぞれの領域の一例を示す図である。図１９は、２番目の組合せ（組合せ（２））の、Ｍ種類の動作のそれぞれの領域の一例を示す図である。   With reference to FIGS. 18 and 19, the information for specifying the confidence interval will be described more specifically. FIG. 18 is a diagram illustrating an example of each region of M types of operations of the first combination (combination (1)). FIG. 19 is a diagram illustrating an example of each region of M types of operations of the second combination (combination (2)).

図１８および図１９のそれぞれに示された例では、動作の種類の数Ｍの一例として、「２」が採用されている。より具体的には、図１８および図１９のそれぞれに示された例では、動作「歩行」および動作「ジョギング」のそれぞれを特定する２つの領域が示されている。   In the example shown in each of FIGS. 18 and 19, “2” is adopted as an example of the number M of operation types. More specifically, in the example shown in each of FIG. 18 and FIG. 19, two regions specifying each of the movement “walking” and the movement “jogging” are shown.

また、図１８および図１９のそれぞれに示された例では、利用される特徴量の数Ｑ（図１６参照）の一例として、「２」が採用されている。   In the example shown in each of FIGS. 18 and 19, “2” is adopted as an example of the number Q of feature quantities used (see FIG. 16).

より具体的には、図１８の例では、図１６の組合わせ（１）に従った２つの特徴量（特徴量Ｆ（１，１）および特徴量Ｆ（１，２））が採用されている。図１９の例では、図１６の組合わせ（２）に従った２つの特徴量（特徴量Ｆ（２，１）および特徴量Ｆ（２，２））が採用されている。特徴量Ｆ（１，１）と特徴量Ｆ（１，２）の組合せの一例は、図２に示された「ＭＥＡＮ（ＲＭＳ）」と「ＳＴＤ（ＲＭＳ）」である。特徴量Ｆ（２，１）と特徴量Ｆ（２，２）の組合せの一例は、「サンプルデータの高速フーリエ変換および主成分分析によって得られる第１主成分」と「図２に示されたＲＭＳ」である。   More specifically, in the example of FIG. 18, two feature amounts (feature amount F (1,1) and feature amount F (1,2)) according to the combination (1) of FIG. 16 are adopted. Yes. In the example of FIG. 19, two feature quantities (feature quantity F (2,1) and feature quantity F (2,2)) according to the combination (2) of FIG. 16 are employed. An example of the combination of the feature quantity F (1,1) and the feature quantity F (1,2) is “MEAN (RMS)” and “STD (RMS)” shown in FIG. An example of the combination of the feature value F (2,1) and the feature value F (2,2) is “first principal component obtained by fast Fourier transform of sample data and principal component analysis” and “shown in FIG. RMS ".

以下、図１８および図１９のそれぞれに示された例について、詳細に説明する。まず、図１８の例について説明する。   Hereinafter, the examples shown in FIGS. 18 and 19 will be described in detail. First, the example of FIG. 18 will be described.

図１８において、動作「歩行」は、領域ＲＷＡ１によって特定される。また、動作「ジョギング」は、領域ＲＪＯ１によって特定される。   In FIG. 18, the operation “walking” is specified by a region RWA1. The operation “jogging” is specified by the region RJO1.

図１８の円形のプロットのそれぞれは、動作「歩行」を実行しているＮ人の被験者から得られた、Ｎ個のサンプルデータ（図１１のデータ（１，１）〜（Ｎ，１））に対応する。より具体的には、図１８の円形のプロットのそれぞれは、当該Ｎ個のサンプルデータのそれぞれの、特徴量Ｆ（１，１）および特徴量Ｆ（１，２）の算出結果である。   Each of the circular plots in FIG. 18 represents N sample data (data (1, 1) to (N, 1) in FIG. 11) obtained from N subjects performing the operation “walking”. Corresponding to More specifically, each of the circular plots in FIG. 18 is a calculation result of the feature amount F (1, 1) and the feature amount F (1, 2) of each of the N pieces of sample data.

図１８の三角形のプロットのそれぞれは、動作「ジョギング」を実行しているＮ人の被験者から得られた、Ｎ個のサンプルデータ（図１１のデータ（１，２）〜（Ｎ，２））に対応する。より具体的には、図１８の三角形のプロットのそれぞれは、当該Ｎ個のサンプルデータのそれぞれの、特徴量Ｆ（１，１）および特徴量Ｆ（１，２）の算出結果である。   Each of the triangular plots in FIG. 18 represents N sample data (data (1, 2) to (N, 2) in FIG. 11) obtained from N subjects performing the operation “jogging”. Corresponding to More specifically, each of the triangular plots in FIG. 18 is a calculation result of the feature value F (1, 1) and the feature value F (1, 2) of each of the N sample data.

図１８には、２つの領域（領域ＲＷＡ１および領域ＲＪＯ１）とともに、テーブルＴ１が示されている。テーブルＴ１は、２つの領域（領域ＲＷＡ１および領域ＲＪＯ１）を特定する情報として信頼区間記憶部１３３に格納される情報の具体例である。テーブルＴ１は、動作「歩行」として例示される動作（１）を特定する領域を特定する情報（信頼区間（１，１））と、動作「ジョギング」として例示される動作（２）を特定する領域を特定する情報（信頼区間（１，２））とを含む。   FIG. 18 shows a table T1 together with two areas (area RWA1 and area RJO1). The table T1 is a specific example of information stored in the confidence interval storage unit 133 as information specifying two regions (region RWA1 and region RJO1). The table T1 specifies information (confidence interval (1, 1)) specifying the region specifying the operation (1) exemplified as the operation “walking” and the operation (2) exemplified as the operation “jogging”. Information (confidence interval (1, 2)) specifying the region.

領域ＲＷＡ１は、図１８中のＮ個の円形のプロットの２次元の正規分布によって特定される信頼領域の一例である。領域ＲＷＡ１の形状の一例は楕円である。領域ＲＷＡ１のサイズは、標準偏差σ（たとえば、σ＝２）によって特定される。テーブルＴ１中の信頼区間（１，１）は、領域ＲＷＡ１の楕円を規定する。   The region RWA1 is an example of a confidence region specified by a two-dimensional normal distribution of N circular plots in FIG. An example of the shape of the region RWA1 is an ellipse. The size of the region RWA1 is specified by the standard deviation σ (for example, σ = 2). A confidence interval (1, 1) in the table T1 defines an ellipse of the region RWA1.

領域ＲＪＯ１は、図１８中のＮ個の三角形のプロットの２次元の正規分布によって特定される信頼領域の一例である。領域ＲＪＯ１の形状の一例は楕円である。領域ＲＪＯ１のサイズは、標準偏差σ（たとえば、σ＝２）によって特定される。テーブルＴ１中の信頼区間（１，２）は、領域ＲＪＯ１の楕円を規定する。   The region RJO1 is an example of a trust region specified by a two-dimensional normal distribution of N triangle plots in FIG. An example of the shape of the region RJO1 is an ellipse. The size of the region RJO1 is specified by the standard deviation σ (for example, σ = 2). The confidence interval (1, 2) in the table T1 defines an ellipse of the region RJO1.

次に、図１９の例について説明する。図１９において、動作「歩行」は、領域ＲＷＡ２によって特定される。また、動作「ジョギング」は、領域ＲＪＯ２によって特定される。   Next, the example of FIG. 19 will be described. In FIG. 19, the operation “walking” is specified by a region RWA2. Further, the operation “jogging” is specified by the region RJO2.

図１９の円形のプロットのそれぞれは、図１８の円形のプロットのそれぞれが対応するのと同じ、動作「歩行」のＮ個のサンプルデータに対応する。より具体的には、図１９の円形のプロットのそれぞれは、当該Ｎ個のサンプルデータのそれぞれの、特徴量Ｆ（２，１）および特徴量Ｆ（２，２）の算出結果である。   Each of the circular plots in FIG. 19 corresponds to N sample data of the action “walking”, as each of the circular plots in FIG. 18 corresponds. More specifically, each of the circular plots in FIG. 19 is a calculation result of the feature value F (2, 1) and the feature value F (2, 2) of each of the N sample data.

図１９の三角形のプロットのそれぞれは、図１８の三角形のプロットのそれぞれが対応するのと同じ、動作「ジョギング」のＮ個のサンプルデータに対応する。より具体的には、図１９の三角形のプロットのそれぞれは、当該Ｎ個のサンプルデータのそれぞれの、特徴量Ｆ（２，１）および特徴量Ｆ（２，２）の算出結果である。   Each of the triangular plots of FIG. 19 corresponds to N sample data of the operation “jogging”, as each of the triangular plots of FIG. 18 corresponds. More specifically, each of the triangular plots in FIG. 19 is a calculation result of the feature value F (2, 1) and the feature value F (2, 2) of each of the N sample data.

図１９には、２つの領域（領域ＲＷＡ２および領域ＲＪＯ２）とともに、テーブルＴ２が示されている。テーブルＴ２は、２つの領域（領域ＲＷＡ２および領域ＲＪＯ２）を特定する情報として信頼区間記憶部１３３に格納される情報の具体例である。テーブルＴ２は、動作「歩行」として例示される動作（１）を特定する領域を特定する情報（信頼区間（２，１））と、動作「ジョギング」として例示される動作（２）を特定する領域を特定する情報（信頼区間（２，２））とを含む。   FIG. 19 shows a table T2 together with two areas (area RWA2 and area RJO2). The table T2 is a specific example of information stored in the confidence interval storage unit 133 as information specifying two regions (region RWA2 and region RJO2). The table T2 specifies information (confidence interval (2, 1)) specifying the region specifying the operation (1) exemplified as the operation “walking” and the operation (2) exemplified as the operation “jogging”. And information specifying the region (confidence interval (2, 2)).

領域ＲＷＡ２は、図１９中のＮ個の円形のプロットの２次元の正規分布によって特定される信頼領域の一例である。領域ＲＷＡ２の形状の一例は楕円である。領域ＲＷＡ２のサイズは、標準偏差σ（たとえば、σ＝２）によって特定される。テーブルＴ２中の信頼区間（２，１）は、領域ＲＷＡ２の楕円を規定する。   The region RWA2 is an example of a confidence region identified by a two-dimensional normal distribution of N circular plots in FIG. An example of the shape of the region RWA2 is an ellipse. The size of the region RWA2 is specified by the standard deviation σ (for example, σ = 2). The confidence interval (2, 1) in the table T2 defines an ellipse of the region RWA2.

領域ＲＪＯ２は、図１９中のＮ個の三角形のプロットの２次元の正規分布によって特定される信頼領域の一例である。領域ＲＪＯ２の形状の一例は楕円である。領域ＲＪＯ２のサイズは、標準偏差σ（たとえば、σ＝２）によって特定される。テーブルＴ２中の信頼区間（２，２）は、領域ＲＪＯ２の楕円を規定する。   The region RJO2 is an example of a trust region specified by a two-dimensional normal distribution of N triangle plots in FIG. An example of the shape of the region RJO2 is an ellipse. The size of the region RJO2 is specified by the standard deviation σ (for example, σ = 2). The confidence interval (2, 2) in the table T2 defines an ellipse of the region RJO2.

図１０に戻って、評価部１１３は、信頼区間生成部１１２によって生成された、特徴量のＰ個の組合せ（図１６の組合せ（１）〜（Ｐ））から、２以上の互いに異なる動作を最も正確に分離できる組合せを選択する。当該選択は、たとえば、Ｐ個の組合せのそれぞれについて算出された評価値に基づいて実現される。   Returning to FIG. 10, the evaluation unit 113 performs two or more different operations from the P combinations of feature amounts (combinations (1) to (P) in FIG. 16) generated by the confidence interval generation unit 112. Select the combination that can be separated most accurately. The selection is realized based on, for example, evaluation values calculated for each of the P combinations.

評価値は、ある特徴量の組合せ（たとえば、図２に示された、特徴量Ｆ１と特徴量Ｆ２）に対応して設定された複数の領域（たとえば、図２に示された、４つの領域ＲＷＡ，ＲＪＯ，ＲＪＵ，ＲＲＵ）の間の、動作の分離性能を表わす指標である。評価値の一例は、Ｍ種類の動作のそれぞれのＮ個のサンプルデータ（Ｎ×Ｍ個のサンプルデータ）のうち、正しい動作の種類に分類される割合である。以下、評価部１１３による評価値の算出について、詳細に説明する。   The evaluation value is a plurality of areas (for example, four areas shown in FIG. 2) set in correspondence with a certain combination of feature quantities (eg, feature quantity F1 and feature quantity F2 shown in FIG. 2). RWA, RJO, RJU, RRU) is an index representing the performance separation performance. An example of the evaluation value is a ratio of the N types of sample data (N × M pieces of sample data) of the M types of operations classified into the correct type of operation. Hereinafter, calculation of the evaluation value by the evaluation unit 113 will be described in detail.

評価部１１３は、たとえば図１８に示されるように、サンプルデータに基づいて２以上の動作のそれぞれを特定する領域が生成された後、生成された領域を用いて、サンプルデータのそれぞれに対応する動作の種類を特定する。図１８の例では、評価部１１３は、サンプルデータのプロットが、領域ＲＷＡ１内に位置すれば、当該サンプルデータに対応する動作の種類として動作「歩行」を出力する。また、評価部１１３は、サンプルデータのプロットが、領域ＲＪＯ１内に位置すれば、当該サンプルデータに対応する動作の種類として動作「ジョギング」を出力する。   For example, as illustrated in FIG. 18, the evaluation unit 113 generates a region that specifies each of two or more operations based on the sample data, and then uses the generated region to correspond to each sample data. Identify the type of action. In the example of FIG. 18, when the plot of the sample data is located in the region RWA1, the evaluation unit 113 outputs the operation “walking” as the type of operation corresponding to the sample data. If the plot of the sample data is located in the region RJO1, the evaluation unit 113 outputs the operation “jogging” as the type of operation corresponding to the sample data.

なお、評価部１１３は、１つのサンプルデータのプロットが、領域ＲＷＡ１および領域ＲＪＯ１の内部に位置する場合には、当該プロットが領域ＲＷＡ１および領域ＲＪＯ１のいずれの中心点に近いかを判断する。そして、評価部１１３は、当該プロットが、領域ＲＪＯ１の中心点よりも領域ＲＷＡ１の中心点に近いと判断すると、当該プロットのサンプルデータに対応する動作の種類として、動作「歩行」を出力する。また、評価部１１３は、当該プロットが、領域ＲＷＡ１の中心点よりも領域ＲＪＯ１の中心点に近いと判断すると、当該プロットのサンプルデータに対応する動作の種類として、動作「ジョギング」を出力する。   In addition, when the plot of one sample data is located inside the region RWA1 and the region RJO1, the evaluation unit 113 determines which center point of the region RWA1 and the region RJO1 is closer. If the evaluation unit 113 determines that the plot is closer to the center point of the region RWA1 than the center point of the region RJO1, the evaluation unit 113 outputs the operation “walking” as the type of operation corresponding to the sample data of the plot. If the evaluation unit 113 determines that the plot is closer to the center point of the region RJO1 than the center point of the region RWA1, the evaluation unit 113 outputs the operation “jogging” as the operation type corresponding to the sample data of the plot.

より具体的に、図１８のプロットｄｐ１１について説明する。図１８において、領域ＲＷＡ１の中心点が、点ＣＴＷＡとして示されている。また、領域ＲＪＯ１の中心点が、点ＣＴＪＯとして示されている。プロットｄｐ１１は、領域ＲＷＡ１内に位置し、かつ、領域ＲＪＯ１内に位置する。プロットｄｐ１１から点ＣＴＷＡまでの距離Ｄ１は、プロットｄｐ１１から点ＣＴＪＯまでの距離Ｄ２よりも短い。これにより、評価部１１３は、プロットｄｐ１１のサンプルデータに対応する動作の種類として、動作「歩行」を出力する。   More specifically, the plot dp11 in FIG. 18 will be described. In FIG. 18, the center point of the region RWA1 is shown as a point CTWA. Further, the center point of the region RJO1 is shown as a point CTJO. The plot dp11 is located in the region RWA1 and is located in the region RJO1. The distance D1 from the plot dp11 to the point CTWA is shorter than the distance D2 from the plot dp11 to the point CTJO. Thereby, the evaluation unit 113 outputs the operation “walking” as the type of operation corresponding to the sample data of the plot dp11.

図１８に示されたように各サンプルデータに対応する動作の種類が領域の中心点を利用して特定されるため、あるサンプルデータに対して特定される動作の種類が、本来の動作の種類（当該サンプルデータが取得されたときに被験者が実行していた動作）とは異なる場合があり得る。図１８と図１９との間で２以上の動作のそれぞれを特定する２以上の領域の中心点の配置が異なるように、２以上の領域の中心点の配置は、特徴量の組合せによって変化し得る。したがって、Ｎ個のサンプルデータのうち、本来の動作の種類とは異なる種類として特定されるデータの割合は、特徴量の組合せによって変化し得る。   As shown in FIG. 18, since the type of operation corresponding to each sample data is specified by using the center point of the region, the type of operation specified for certain sample data is the type of original operation. (The operation performed by the subject when the sample data is acquired) may be different. The arrangement of the center points of the two or more areas that specify each of the two or more actions differs between FIG. 18 and FIG. 19 depending on the combination of the feature amounts. obtain. Therefore, the proportion of data that is specified as a type different from the type of the original operation among the N pieces of sample data can vary depending on the combination of feature amounts.

評価部１１３は、特徴量のＰ個の組合せごとに、評価値として、Ｎ個のサンプルデータのうち、本来の動作の種類とは異なる種類として特定されるデータの割合を算出する。そして、評価部１１３は、評価値が最も小さい組合せを、ユーザの動作の種類の判定に利用する特徴量の組合せとして選択する。そして、評価部１１３は、選択された組合せによって特定される２以上の領域のそれぞれを特定する情報を、動作特定用情報記憶部１３４に格納する。評価部１１３によって選択された組合せに対応する２以上の領域が、使用者の動作の種類の特定に利用される２以上の領域である。   The evaluation unit 113 calculates a ratio of data that is specified as a type different from the type of the original operation among N pieces of sample data as an evaluation value for each P combinations of feature amounts. Then, the evaluation unit 113 selects the combination having the smallest evaluation value as a combination of feature amounts used for determining the type of user's action. Then, the evaluation unit 113 stores information for specifying each of the two or more regions specified by the selected combination in the operation specifying information storage unit 134. Two or more areas corresponding to the combination selected by the evaluation unit 113 are two or more areas used for specifying the type of user's action.

図２０は、動作特定用情報記憶部１３４に格納される情報の一例を模式的に示す図である。図２０には、使用者の動作の種類の特定に利用されるＭ個の信頼区間（信頼区間（１）〜（Ｍ））のそれぞれを特定する情報が示されている。図１８に示された領域ＲＷＡ１および領域ＲＪＯ１が使用者の動作の種類の特定に利用される場合、図２０の信頼区間（１）は領域ＲＷＡ１の楕円を特定し、図２０の信頼区間（２）は領域ＲＪＯ１の楕円を特定する。図２０に示された例では、１つの動作の種類に１つの信頼区間が割り当てられている。１つの動作の種類に２つ以上の信頼区間が割り当てられる場合もあり得る。   FIG. 20 is a diagram schematically illustrating an example of information stored in the operation specifying information storage unit 134. FIG. 20 shows information specifying each of M confidence intervals (reliability intervals (1) to (M)) used for specifying the type of user's action. When the region RWA1 and the region RJO1 shown in FIG. 18 are used for specifying the type of user's action, the confidence interval (1) in FIG. 20 specifies the ellipse of the region RWA1, and the confidence interval (2 ) Specifies the ellipse of the region RJO1. In the example shown in FIG. 20, one confidence interval is assigned to one type of operation. There may be a case where two or more confidence intervals are assigned to one operation type.

図１０に戻って、特徴量算出部１１４は、加速度センサ１２０から、ｘ軸、ｙ軸、およびｚ軸の方向に沿った加速度の検出結果を取得する。そして、特徴量算出部１１４は、取得した検出結果について、動作を特定するためのＭ個の特徴量を算出する。Ｍ個の特徴量とは、組合せ記憶部１３２に格納されたＰ個の組合せのうち、上記のように評価部１１３によって選択された組合せを構成するＭ個の特徴量である。図１８に示された例では、Ｍ個の特徴量は、２個の特徴量Ｆ（１，１）および特徴量Ｆ（１，２）である。そして、特徴量算出部１１４は、算出したＭ個の特徴量を、動作特定部１１５へ出力する。   Returning to FIG. 10, the feature amount calculation unit 114 acquires, from the acceleration sensor 120, acceleration detection results along the x-axis, y-axis, and z-axis directions. Then, the feature amount calculation unit 114 calculates M feature amounts for specifying an action for the acquired detection result. The M feature values are M feature values that constitute the combination selected by the evaluation unit 113 as described above from the P combinations stored in the combination storage unit 132. In the example shown in FIG. 18, the M feature amounts are two feature amounts F (1, 1) and feature amount F (1, 2). Then, the feature amount calculation unit 114 outputs the calculated M feature amounts to the action specifying unit 115.

動作特定部１１５は、特徴量算出部１１４が取得した検出結果に対応する動作の種類を特定する。より具体的には、動作特定部１１５は、特徴量算出部１１４によって算出されたＭ個の特徴量の組合せのプロットが、動作特定用情報記憶部１３４内の情報によって特定される２以上の領域の中のいずれかの内部に位置するかどうかを判断する。そして、当該プロットが内部に位置する領域に対応する動作の種類を、特徴量算出部１１４が取得した検出結果に対応する動作の種類として特定する。そして、動作特定部１１５は、特定された動作の種類を、使用者が実行した動作の種類として、スマートフォン９００に向けて出力する。   The action specifying unit 115 specifies the type of action corresponding to the detection result acquired by the feature amount calculating unit 114. More specifically, the action specifying unit 115 includes two or more areas in which a plot of a combination of M feature quantities calculated by the feature quantity calculating unit 114 is specified by information in the action specifying information storage unit 134. Determine if it is located inside any of the. Then, the type of action corresponding to the region in which the plot is located is specified as the type of action corresponding to the detection result acquired by the feature amount calculation unit 114. Then, the action specifying unit 115 outputs the specified action type to the smartphone 900 as the action type executed by the user.

次に、図１０に示されたスマートフォン９００の機能を説明する。スマートフォン９００のＣＰＵ９１０は、レポート生成部９１１および表示制御部９１２として機能する。レポート生成部９１１および表示制御部９１２は、たとえば、ＣＰＵ９１０が検出装置１００において特定された動作の種類および当該種類に関する統計値を表示するためのアプリケーションプログラムを実行することによって、実現される。   Next, functions of the smartphone 900 shown in FIG. 10 will be described. The CPU 910 of the smartphone 900 functions as a report generation unit 911 and a display control unit 912. The report generation unit 911 and the display control unit 912 are realized, for example, when the CPU 910 executes an application program for displaying the type of operation specified in the detection apparatus 100 and a statistical value related to the type.

レポート生成部９１１は、検出装置１００から、使用者Ｐ（図１）の動作の種類を受信し、受信した動作の種類またはそれに関する統計値を表示するための画面データを生成する。表示制御部９１２は、生成された当該画面データを、タッチパネル９２０に表示する。表示される画面の具体例は、図２４を参照して後述する。   The report generation unit 911 receives the type of operation of the user P (FIG. 1) from the detection device 100 and generates screen data for displaying the received type of operation or a statistical value related thereto. The display control unit 912 displays the generated screen data on the touch panel 920. A specific example of the displayed screen will be described later with reference to FIG.

６．使用者の動作の判定
検出装置１００において実行される、使用者の動作の種類の特定のための処理について、より具体的に説明する。図２１は、検出装置１００のＣＰＵ１１０によって実行される処理のフローチャートである。 6). Determination of User's Action The process for specifying the type of user's action executed in the detection apparatus 100 will be described more specifically. FIG. 21 is a flowchart of processing executed by the CPU 110 of the detection apparatus 100.

図２１を参照して、ステップＳ１０で、ＣＰＵ１１０は、加速度センサ１２０から、１ウィンドウ分のデータを取得したか否かを判断する。１ウィンドウ分のデータ（ｘ軸、ｙ軸、およびｚ軸についての加速度に対応する検出結果）とは、たとえば、図１２に示された１００フレーム分のデータである。なお、加速度センサ１２０は、１フレーム分のデータを生成するたびにＣＰＵ１１０へ当該データを出力してもよいし、予め定められた数のフレーム分のデータをまとめてＣＰＵ１１０へ出力してもよい。   Referring to FIG. 21, in step S <b> 10, CPU 110 determines whether data for one window has been acquired from acceleration sensor 120. The data for one window (the detection result corresponding to the acceleration about the x-axis, the y-axis, and the z-axis) is, for example, data for 100 frames shown in FIG. The acceleration sensor 120 may output the data to the CPU 110 every time data for one frame is generated, or may output data for a predetermined number of frames to the CPU 110 in a batch.

ＣＰＵ１１０は、１ウィンドウ分のデータを取得したと判断するまでステップＳ１０に制御を留め（ステップＳ１０でＮＯ）、１ウィンドウ分のデータを取得したと判断するとステップＳ２０へ制御を進める（ステップＳ１０でＹＥＳ）。   CPU 110 keeps controlling at step S10 until it is determined that data for one window has been acquired (NO in step S10), and proceeds to step S20 when it is determined that data for one window has been acquired (YES in step S10). ).

ステップＳ２０で、ＣＰＵ１１０は、加速度センサ１２０から取得した１ウィンドウ分のデータの２個以上の特徴量を算出する。２個以上の特徴量とは、たとえば、図２に示される特徴量Ｆ１および特徴量Ｆ２である。そして、制御はステップＳ３０へ進められる。   In step S <b> 20, the CPU 110 calculates two or more feature amounts of data for one window acquired from the acceleration sensor 120. The two or more feature amounts are, for example, the feature amount F1 and the feature amount F2 shown in FIG. And control is advanced to step S30.

ステップＳ３０で、ＣＰＵ１１０は、ステップＳ２０で算出された２以上の特徴量の組合せに対応するプロットが、２以上の領域（信頼区間）のいずれかに含まれるかどうかを判断する。ステップＳ３０における２以上の領域（信頼区間）とは、図２において４つの領域ＲＷＡ，ＲＪＯ，ＲＪＵ，ＲＲＵとして示されたような、動作の種類の特定に利用される２以上の領域である。そして、ＣＰＵ１１０は、当該プロットが２以上の領域のいずれかに含まれると判断すると（ステップＳ３０でＹＥＳ）、ステップＳ４０へ制御を進める。一方、ＣＰＵ１１０は、当該プロットが２以上の領域のいずれにも含まれないと判断すると（ステップＳ３０でＮＯ）、ステップＳ７０へ制御を進める。   In step S30, the CPU 110 determines whether the plot corresponding to the combination of two or more feature amounts calculated in step S20 is included in any of the two or more regions (confidence intervals). The two or more regions (confidence intervals) in step S30 are two or more regions used for specifying the type of operation, as shown as four regions RWA, RJO, RJU, and RRU in FIG. When CPU 110 determines that the plot is included in any of the two or more regions (YES in step S30), control proceeds to step S40. On the other hand, when CPU 110 determines that the plot is not included in any of the two or more regions (NO in step S30), control proceeds to step S70.

ステップＳ４０で、ＣＰＵ１１０は、２以上の領域のうち、その内部にステップＳ３０の判断対象のプロットを含むような領域の数が１であるか否かを判断する。そして、ＣＰＵ１１０は、当該数が１であると判断すると（ステップＳ４０でＹＥＳ）、ステップＳ５０へ制御を進める。また、ＣＰＵ１１０は、当該数が２以上であると判断すると（ステップＳ４０でＮＯ）、ステップＳ６０へ制御を進める。   In step S40, the CPU 110 determines whether or not the number of areas including the plot of the determination target in step S30 is 1 among the two or more areas. If CPU 110 determines that the number is 1 (YES in step S40), control proceeds to step S50. When CPU 110 determines that the number is 2 or more (NO in step S40), control proceeds to step S60.

ステップＳ５０で、ＣＰＵ１１０は、その内部にステップＳ３０の判断対象のプロットを含むような領域について、当該領域に対応する動作の種類を、スマートフォン９００に向けて出力し、図２１の処理を終了する。出力される動作の種類は、図２１の処理の対象となったウィンドウに対応する時間区間についての使用者の動作の種類である。領域（信頼区間）と動作の種類とは、たとえば図２０に示された情報によって関連付けられている。   In step S50, the CPU 110 outputs, to the smartphone 900, the type of operation corresponding to the area including the plot to be determined in step S30, and ends the process in FIG. The type of action to be output is the type of action of the user for the time interval corresponding to the window that is the target of processing in FIG. The area (confidence interval) and the type of operation are associated with each other by the information shown in FIG. 20, for example.

ステップＳ６０で、ＣＰＵ１１０は、その中心がステップＳ３０の判断対象のプロットに最も近い領域を選択し、選択された当該領域に対応する動作の種類をスマートフォン９００に向けて出力する。ステップＳ６０における領域の選択は、たとえば、図１８を参照して説明された方法に従う。   In step S60, CPU 110 selects an area whose center is closest to the plot to be determined in step S30, and outputs the type of operation corresponding to the selected area to smartphone 900. The selection of the region in step S60 follows, for example, the method described with reference to FIG.

ステップＳ７０で、ＣＰＵ１１０は、スマートフォン９００に向けて、結果「特定不可」を出力して、図２１の処理を終了する。結果「特定不可」は、図２１の処理の対象となったウィンドウに対応する時間区間について、検出装置１００が使用者の動作の種類を特定できなかったことを意味する。   In step S <b> 70, the CPU 110 outputs the result “unspecified” to the smartphone 900 and ends the process of FIG. 21. The result “unidentifiable” means that the detection apparatus 100 has not been able to identify the type of user's action for the time interval corresponding to the window that is the target of the processing in FIG.

以上説明された図２１の処理において、ＣＰＵ１１０は、１ウィンドウ分の加速度センサ１２０のデータを取得し、当該データから２以上の特徴量を算出し、当該２以上の特徴量の組合せのプロットを生成し、その内部に当該プロットを含むような領域を特定し、そして、特定された領域に対応する動作の種類を使用者が実行した動作の種類として出力する。動作の種類の特定には、２以上の領域（たとえば、図２の４つの領域ＲＷＡ，ＲＪＯ，ＲＪＵ，ＲＲＵ）が利用される。   In the process of FIG. 21 described above, the CPU 110 acquires data of the acceleration sensor 120 for one window, calculates two or more feature amounts from the data, and generates a plot of the combination of the two or more feature amounts. Then, an area including the plot is specified inside, and the type of action corresponding to the specified area is output as the type of action executed by the user. Two or more areas (for example, the four areas RWA, RJO, RJU, and RRU in FIG. 2) are used to specify the type of operation.

図２２は、２以上の特徴量の組合せが２以上の領域のそれぞれに含まれるか否かの判断の他の態様に利用される数式を示す図である。２以上の領域は、それぞれ、多次元の正規分布が利用されることによって生成される。次元の数は、用いられる特徴量の数である。そして、特徴量の組合せが２以上の領域のそれぞれに含まれるか否かの判断には、上記したプロットを用いる方法の代わりに、図２２に示された数式が利用されても良い。   FIG. 22 is a diagram illustrating mathematical formulas used for another mode of determining whether or not a combination of two or more feature amounts is included in each of two or more regions. Each of the two or more regions is generated by using a multidimensional normal distribution. The number of dimensions is the number of feature quantities used. In order to determine whether or not a combination of feature amounts is included in each of two or more regions, the mathematical formula shown in FIG. 22 may be used instead of the method using the above-described plot.

図２２に示された式は、動作の種類ごとに生成される。図２２に示された式において、ｋは、各領域の中心からの標準偏差（σ）を表す。Ｆ１〜Ｆｎは、各領域の生成に利用されたｎ個の特徴量を表す。ｎは、予め定められた整数である。Ｍ１〜Ｍｎは、各領域の生成に利用されたｎ個の特徴量のそれぞれについてのサンプルデータの平均値を表す。行列Ｃ１，１〜Ｃｎ，ｎは、各領域の元となるモニタの動作において得られたトレーニングデータの共分散行列（Ｃｏｖ（ｎ，ｎ））のコレスキ分解（Cholesky decomposition）によって得られる。図２３は、共分散行列（Ｃｏｖ（ｎ，ｎ））を示す図である。図２３において、共分散行列（Ｃｏｖ（ｎ，ｎ））の要素は、行列Ｒ１，１〜Ｒｎ，ｎとして示されている。図２２に示された式の左辺は、ユークリッド距離を表すことから、２本の縦二重線で挟まれるように記述されている。 The formula shown in FIG. 22 is generated for each type of operation. In the equation shown in FIG. 22, k represents a standard deviation (σ) from the center of each region. F 1 to F n represent n feature quantities used for generating each region. n is a predetermined integer. M 1 to M n represent average values of sample data for each of the n feature quantities used for generating each region. The matrices C 1,1 to C n, n are obtained by Cholesky decomposition of the covariance matrix (Cov (n, n) ) of the training data obtained in the operation of the monitor that is the source of each region. FIG. 23 is a diagram showing a covariance matrix (Cov (n, n) ). In FIG. 23, the elements of the covariance matrix (Cov (n, n) ) are shown as matrices R 1,1 to R n, n . Since the left side of the equation shown in FIG. 22 represents the Euclidean distance, it is described so as to be sandwiched between two vertical double lines.

加速度センサ１２０から検出結果が出力されると、ＣＰＵ１１０は、当該検出結果を利用してｎ個の特徴量Ｆ１〜Ｆｎを算出する。次に、ＣＰＵ１１０は、当該ｎ個の特徴量Ｆ１〜Ｆｎを２以上の動作の種類のそれぞれについて定義された図２２の式の左辺に代入する。次に、２以上の動作の種類のそれぞれについて、当該左辺の値を算出する。そして、ＣＰＵ１１０は、当該左辺の値が１以下であって、最小の値をとる、動作の種類を、上記検出結果に対応する動作の種類として出力する。 When the detection result is output from the acceleration sensor 120, the CPU 110 calculates n feature amounts F 1 to F n using the detection result. Next, the CPU 110 assigns the n feature quantities F 1 to F n to the left side of the expression of FIG. 22 defined for each of two or more types of actions. Next, the value of the left side is calculated for each of the two or more types of actions. Then, the CPU 110 outputs the type of operation that has a minimum value of 1 or less and takes the minimum value as the type of operation corresponding to the detection result.

なお、ユーザの動作の特定に利用される信頼区間の生成は、汎用のコンピュータ等の検出装置１００以外の装置で実行されてもよい。信頼区間が検出装置１００以外の装置によって生成された場合、検出装置１００は、図２に示されたような、サンプルデータ取得部１１１、信頼区間生成部１１２、評価部１１３、サンプルデータ記憶部１３１、組合せ記憶部１３２、および、信頼区間記憶部１３３を備える必要はない。特徴量の組合せが図２２に示された数式に基づいて判断される場合には、検出装置１００は、動作特定用情報記憶部１３４に、当該数式を特定する値ｋ，Ｍ１〜Ｍｎ，Ｃ１，１〜Ｃｎ，ｎを格納する。 The generation of the confidence interval used for specifying the user's action may be executed by a device other than the detection device 100 such as a general-purpose computer. When the confidence interval is generated by a device other than the detection device 100, the detection device 100 uses the sample data acquisition unit 111, the confidence interval generation unit 112, the evaluation unit 113, and the sample data storage unit 131 as illustrated in FIG. The combination storage unit 132 and the confidence interval storage unit 133 are not necessarily provided. When the combination of feature amounts is determined based on the mathematical formula shown in FIG. 22, the detection apparatus 100 stores values k, M 1 to M n , which identify the mathematical formula in the operation specifying information storage unit 134. C 1,1 to C n, n are stored.

７．判定結果の出力
図２４は、スマートフォン９００のタッチパネル９２０における、使用者の動作の種類に関する統計値の表示画面の一例を示す図である。図２４の画面９９０は、４つの表示欄９９１〜９９４を含む。表示欄９９１は、４種類の動作の種類のそれぞれに対応する４種類の統計値を示す。各統計値の一例は、表示対象とされた日における、各種類の動作が実行された累積時間である。当該累積時間の算出方法の一例は、図２５を参照して後述される。 7). Outputting Determination Result FIG. 24 is a diagram illustrating an example of a display screen of statistical values related to the type of user operation on the touch panel 920 of the smartphone 900. A screen 990 in FIG. 24 includes four display fields 991 to 994. The display column 991 shows four types of statistical values corresponding to each of the four types of operations. An example of each statistical value is the accumulated time during which each type of operation is performed on the date that is the display target. An example of a method for calculating the cumulative time will be described later with reference to FIG.

表示欄９９２は、表示欄９９１に示された統計値に対する判定結果に対応するメッセージを示す。統計値に対する判定は、たとえばメモリ９３０に格納された、予め定められた基準に基づく。メモリ９３０には、複数のメッセージが、複数の判定結果のそれぞれに関連付けられて、格納されている。スマートフォン９００のＣＰＵ９１０は、たとえば、メモリ９３０から、判定結果に関連付けられたメッセージを選択して、表示欄９９２に表示する。   The display column 992 shows a message corresponding to the determination result for the statistical value shown in the display column 991. The determination on the statistical value is based on a predetermined standard stored in the memory 930, for example. In the memory 930, a plurality of messages are stored in association with each of a plurality of determination results. For example, the CPU 910 of the smartphone 900 selects a message associated with the determination result from the memory 930 and displays the message in the display field 992.

表示欄９９３は、上記判定結果に対応する商品の画像を示す。表示欄９９４は、上記判定結果に対応する商品のＩＤ（ＲＵ００１）を示す。メモリ９３０には、複数の商品についての画像とＩＤとの組み合わせが、複数の判定結果のそれぞれに関連付けられて、格納されている。ＣＰＵ９１０は、たとえば、メモリ９３０から、判定結果に関連付けられた画像とＩＤとの組み合わせを選択して、当該組み合わせを表示欄９９３，９９４に表示する。   A display field 993 shows an image of a product corresponding to the determination result. The display column 994 indicates the product ID (RU001) corresponding to the determination result. In the memory 930, combinations of images and IDs for a plurality of products are stored in association with each of a plurality of determination results. For example, the CPU 910 selects a combination of an image and an ID associated with the determination result from the memory 930 and displays the combination on the display fields 993 and 994.

図２５は、１分間ごとの、検出装置１００の使用者によって実行された動作の種類を特定する処理の一例のフローチャートである。なお、図２５の処理の実行間隔は、動作の特定について求められる精度に応じて、変更され得る。ＣＰＵ９１０は、図２４の画面９９０の対象となる期間（たとえば、１日）に含まれる１分間ごとに実行された動作の種類を、図２５に示されたフローチャートに従って特定する。そして、ＣＰＵ９１０は、特定された種類の動作が当該１分間継続して実行されたと仮定し、表示対象の期間における動作の種類ごとの累積時間を算出する。なお、図２５の処理は、スマートフォン９００が、検出装置１００から、ステップＳ５０〜Ｓ７０（図２１）の出力として、５秒ごとの出力（つまり、１分間に対して１２個の出力）を取得することを前提としている。   FIG. 25 is a flowchart of an example of processing for specifying the type of operation executed by the user of the detection apparatus 100 every minute. Note that the execution interval of the processing in FIG. 25 can be changed according to the accuracy required for specifying the operation. The CPU 910 specifies the type of operation executed every minute included in the period (for example, one day) that is the target of the screen 990 in FIG. 24 according to the flowchart shown in FIG. Then, the CPU 910 calculates the accumulated time for each type of operation in the display target period, assuming that the specified type of operation is continuously executed for one minute. In the process of FIG. 25, the smartphone 900 obtains outputs every 5 seconds (that is, 12 outputs per minute) as the outputs of steps S50 to S70 (FIG. 21) from the detection device 100. It is assumed that.

図２５を参照して、ステップＳＡ１０で、ＣＰＵ９１０は、図２５の処理の対象となる１分間に対する検出装置１００からの１２個の出力のうち８個以上が同一の動作の種類を示すものであるか否かを判断する。そして、ＣＰＵ９１０は、１２個の出力のうち８個以上が同一の動作の種類を示すと判断すると（ステップＳＡ１０でＹＥＳ）、ステップＳＡ２０へ制御を進める。一方、ＣＰＵ９１０は、１２個の出力が８個以上の同一の動作の種類を示す出力を含まないと判断すると（ステップＳＡ１０でＮＯ）、ステップＳＡ３０へ制御を進める。   Referring to FIG. 25, in step SA10, CPU 910 indicates the type of operation in which eight or more out of twelve outputs from detection device 100 for one minute to be processed in FIG. 25 are the same. Determine whether or not. When CPU 910 determines that 8 or more of the 12 outputs indicate the same type of operation (YES in step SA10), control proceeds to step SA20. On the other hand, when CPU 910 determines that the 12 outputs do not include eight or more outputs indicating the same type of operation (NO in step SA10), control proceeds to step SA30.

ステップＳＡ２０で、ＣＰＵ９１０は、当該同一の動作の種類を、対象となる１分間に実行された動作の種類として特定して、図２５の処理を終了する。   In step SA20, the CPU 910 specifies the same type of operation as the type of operation executed in one minute, and ends the processing in FIG.

ステップＳＡ３０で、ＣＰＵ９１０は、対象となる１分間に実行された動作はなかったことを特定して、図２５の処理を終了する。   In step SA30, the CPU 910 specifies that no operation has been performed for one minute, and ends the process in FIG.

図２５の処理において採用された３つの数値「１分間」「１２個」および「８個」は、それぞれの数値の一例である。これらの数値は、適宜変更され得る。   The three numerical values “1 minute”, “12”, and “8” employed in the processing of FIG. 25 are examples of the respective numerical values. These numerical values can be changed as appropriate.

第１の実施の形態では、図１に示されるように、検出装置１００は、当該使用者Ｐの動作の種類を特定し、特定された動作の種類を出力する。これにより、使用者Ｐが検出装置１００を装着しながら動作を実行するだけで、当該使用者Ｐの動作の種類が特定され得る。そして、図２４に示されるように、スマートフォン９００は、検出装置１００からの出力を利用して、使用者Ｐの複数の動作の種類についての統計値を表示する。これにより、使用者Ｐが検出装置１００を装着しながら動作を実行するだけで、使用者Ｐの動作の種類についての統計的な情報が、使用者Ｐの両親等に提供され得る。   In the first embodiment, as illustrated in FIG. 1, the detection apparatus 100 specifies the type of operation of the user P and outputs the specified type of operation. Thereby, the user P can specify the type of operation of the user P only by performing the operation while wearing the detection device 100. And as FIG. 24 shows, the smart phone 900 displays the statistical value about the several types of operation | movement of the user P using the output from the detection apparatus 100. FIG. Thus, statistical information about the type of operation of the user P can be provided to the parents of the user P and the like only by the user P performing the operation while wearing the detection device 100.

なお、第１の実施の形態における、動作の種類の特定のための特徴量の組合せの選択に利用されるデータは、図１６（組合せ記憶部１３２）および図１７（信頼区間記憶部１３３）に示されたものに限定されない。１つの動作を他の動作と区別できる能力が高い特徴量の組合せを選択することができる限り、他の態様のデータが利用されてもよい。   In the first embodiment, data used for selecting a combination of feature amounts for specifying the type of operation is shown in FIG. 16 (combination storage unit 132) and FIG. 17 (confidence interval storage unit 133). It is not limited to what is shown. Data of other modes may be used as long as a combination of feature amounts having a high ability to distinguish one operation from another operation can be selected.

８．変形例（１）
検出装置１００では、２つ以上の動作の種類のそれぞれに対応する２つ以上の領域が設定されている。ＣＰＵ１１０は、加速度センサ１２０からの１ウィンドウ分の検出結果から、２つ以上の特徴量を算出し、そして、上記２つ以上の領域から、当該２つ以上の特徴量の組合せを含む領域を特定する。なお、算出された特徴量の数は１である場合もあり得る。この場合、ＣＰＵ１１０は、上記２つ以上の領域から、算出された単一の特徴量を含む領域を特定する。 8). Modification (1)
In the detection apparatus 100, two or more areas corresponding to two or more types of operations are set. The CPU 110 calculates two or more feature quantities from the detection result for one window from the acceleration sensor 120, and specifies an area including the combination of the two or more feature quantities from the two or more areas. To do. Note that the calculated number of feature amounts may be one. In this case, the CPU 110 specifies a region including the calculated single feature amount from the two or more regions.

検出装置１００のＣＰＵ１１０は、図２１に示された動作を特定するための処理を、たとえば、加速度センサ１２０が１ウィンドウ分の検出値を出力するたびに実行しても良い。   The CPU 110 of the detection device 100 may execute the process for specifying the operation shown in FIG. 21 every time the acceleration sensor 120 outputs a detection value for one window, for example.

９．変形例（２）
ＣＰＵ１１０は、メモリ１３０に、たとえば１日分など、ある一定の期間分の検出値を蓄積する。そして、ＣＰＵ１１０は、蓄積されたある一定期間分の検出値の中から、１ウィンドウ分ずつ検出値を読み出して、図２１に示された処理を実行しても良い。 9. Modification (2)
CPU 110 accumulates detection values for a certain period, such as one day, in memory 130. Then, the CPU 110 may read the detection values for each window from the accumulated detection values for a certain period and execute the processing shown in FIG.

１０．変形例（３）
第１の実施の形態において利用され得る特徴量の他の例は、１ウィンドウ内で、検出値が予め定められた閾値を下回ったフレームの数である。さらに他の例は、１ウィンドウ内で、検出値が予め定められた閾値を下回ったフレームが連続する数である。 10. Modification (3)
Another example of the feature quantity that can be used in the first embodiment is the number of frames in which the detection value falls below a predetermined threshold within one window. Yet another example is the number of consecutive frames in which a detection value falls below a predetermined threshold within one window.

１１．変形例（４）
検出装置１００では、加速度センサ１２０の代わりに、または、加速度センサ１２０に加えて、ｘ軸、ｙ軸、およびｚ軸のそれぞれを軸とした３種類の角速度を検出する角速度センサが用いられても良い。検出装置では、少なくともｘ軸、ｙ軸、およびｚ軸の３種類の軸についての加速度または角速度の検出結果が利用されれば、当該検出結果がどのような種類のセンサによって取得されたものであっても良い。 11. Modification (4)
In the detection apparatus 100, an angular velocity sensor that detects three types of angular velocities about the x axis, the y axis, and the z axis may be used instead of or in addition to the acceleration sensor 120. good. In the detection device, if the detection result of acceleration or angular velocity for at least three types of axes, the x-axis, the y-axis, and the z-axis, is used, the detection result is obtained by any type of sensor. May be.

１２．変形例（５）
図２６は、検出装置１００の使用者への装着方法に関する変形例を説明するための図である。 12 Modification (5)
FIG. 26 is a diagram for describing a modification example regarding a method of mounting the detection device 100 to a user.

図２６に示されるように、靴５００Ａは、ベルト５０１を備え、さらに、当該ベルト５０１の一端にポケット５０２を備える。靴５００Ａでは、矢印Ｂによって示されるように検出装置１００がポケット５０２内に導入された後、接着部５１１と接着部５１２とが接着されることにより、検出装置１００がポケット５０２内に収納される。   As shown in FIG. 26, the shoe 500 </ b> A includes a belt 501, and further includes a pocket 502 at one end of the belt 501. In the shoe 500 </ b> A, after the detection device 100 is introduced into the pocket 502 as indicated by the arrow B, the detection device 100 is accommodated in the pocket 502 by bonding the bonding portion 511 and the bonding portion 512. .

なお、靴５００Ａにおいて、ポケットは、ベルト５０１とは別の場所に設けられても良い。他の箇所の一例は、靴５００Ａの先端部（つま先部）である。他の例は、靴５００Ａに靴紐が設けられたときの、当該靴ひもの上を覆う部分（ベロ部）である。さらに他の例は、靴５００Ａの踵部である。また、検出装置１００は、靴に取り付けられる代わりに、靴下に取り付けられてもよいし、使用者の足にベルトなどによって直接装着されてもよい。   In the shoe 500 </ b> A, the pocket may be provided at a place different from the belt 501. An example of another location is the tip (toe) of the shoe 500A. Another example is a portion (velo portion) that covers the top of the shoelace when a shoelace is provided on the shoe 500A. Yet another example is the heel of shoe 500A. Further, the detection device 100 may be attached to socks instead of being attached to shoes, or may be directly attached to a user's foot by a belt or the like.

［第２の実施の形態］
第２の実施の形態では、１ウィンドウごとの動作の種類の特定において、動作の種類が特定されなかったときに、ウィンドウを構成する複数のフレームの一部が入れ替えられた後、再度、動作の種類の特定が実行される。図２７は、ウィンドウを構成する複数のフレームの一部の入れ替えを説明するための図である。 [Second Embodiment]
In the second embodiment, when the type of operation for each window is specified and the type of operation is not specified, after a part of a plurality of frames constituting the window is replaced, the operation is performed again. Type identification is performed. FIG. 27 is a diagram for explaining replacement of a part of a plurality of frames constituting a window.

図２７には、３種類のウィンドウｗ１，ｗ２，ｗ３が示されている。ウィンドウｗ１は、動作の特定の対象となる時間期間の開始からの１００フレームを含む。ウィンドウｗ２は、ウィンドウｗ１の後半の５０フレームと、その先の５０フレームとを含む。ウィンドウｗ３は、ウィンドウｗ２の後半の５０フレームと、その先の５０フレームとを含む。   FIG. 27 shows three types of windows w1, w2, and w3. Window w1 includes 100 frames from the start of the time period that is the specific target of the operation. The window w2 includes 50 frames in the latter half of the window w1 and 50 frames ahead. The window w3 includes 50 frames in the latter half of the window w2 and 50 frames ahead.

第２の実施の形態において、検出装置１００のＣＰＵ１１０は、まず、ウィンドウｗ１を対象として、使用者が実行した動作の種類を特定する。   In the second embodiment, the CPU 110 of the detection apparatus 100 first specifies the type of operation performed by the user for the window w1.

当該特定において動作の種類が特定されなければ、ＣＰＵ１１０は、特定の対象をウィンドウｗ１からウィンドウｗ２へと変更して、使用者が実行した動作の種類を特定する。   If the type of operation is not specified in the specification, the CPU 110 changes the specific target from the window w1 to the window w2, and specifies the type of operation performed by the user.

ウィンドウｗ２を用いた特定において動作の種類が特定されなければ、ＣＰＵ１１０は、特定の対象をウィンドウｗ２からウィンドウｗ３へと変更して、使用者が実行した動作の種類を特定する。   If the type of operation is not specified in the specification using the window w2, the CPU 110 changes the specific target from the window w2 to the window w3, and specifies the type of operation performed by the user.

そして、ウィンドウｗ２を用いた特定において動作の種類が特定されなければ、ＣＰＵ１１０は、動作の種類の特定ができなかったことを示す結果を出力する。   If the operation type is not specified in the specification using the window w2, the CPU 110 outputs a result indicating that the operation type cannot be specified.

第２の実施の形態では、動作の種類の特定の対象とされるウィンドウは、最大で２回、変更される。なお、変更される最大の数は、適宜変更され得る。   In the second embodiment, the window that is the specific target of the operation type is changed twice at the maximum. The maximum number to be changed can be changed as appropriate.

以上説明されたように、第２の実施の形態に係る動作の種類の特定の態様によると、ウィンドウを構成する複数のフレームの一部の入替えにより、加速度センサ１２０等のセンサの検出結果の出力のタイミングが、使用者Ｐの動作の実行のタイミングに適合するように調整され得る。   As described above, according to the specific aspect of the type of operation according to the second embodiment, the output of the detection result of the sensor such as the acceleration sensor 120 is obtained by replacing a part of the plurality of frames constituting the window. Can be adjusted to match the timing of execution of the operation of the user P.

今回開示された実施の形態およびその変形例はすべての点で例示であって制限的なものではないと考えられるべきである。本開示の領域は上記した説明ではなくて特許請求の領域によって示され、特許請求の領域と均等の意味および領域内でのすべての変更が含まれることが意図される。   It should be thought that embodiment disclosed this time and its modification are illustrations in all the points, and are not restrictive. The scope of the present disclosure is indicated not by the above description but by the scope of the claims, and is intended to include meanings equivalent to the claims and all modifications within the scope.

１００ 検出装置、１１１ サンプルデータ取得部、１１２ 信頼区間生成部、１１３ 評価部、１１４ 特徴量算出部、１１５ 動作特定部、１２０ 加速度センサ、１３０，９３０ メモリ、１３１ サンプルデータ記憶部、１３２ 組合せ記憶部、１３３ 信頼区間記憶部、１３４ 動作特定用情報記憶部、１３５ プログラム記憶部、１５０ バッテリ、２００ センサケース、２１０ 収納部、２２０ カバー部、５００，５００Ａ 靴、６００ ネットワーク、９００ スマートフォン、９１１ レポート生成部、９１２ 表示制御部、９２０ タッチパネル、９４０ メモリインターフェイス、９４１ 記憶媒体、９５０ 通信インターフェイス、９９０ 画面。   DESCRIPTION OF SYMBOLS 100 Detection apparatus, 111 Sample data acquisition part, 112 Confidence area generation part, 113 Evaluation part, 114 Feature-value calculation part, 115 Motion specification part, 120 Acceleration sensor, 130,930 Memory, 131 Sample data storage part, 132 Combination storage part 133, confidence interval storage unit, 134 operation specifying information storage unit, 135 program storage unit, 150 battery, 200 sensor case, 210 storage unit, 220 cover unit, 500, 500A shoe, 600 network, 900 smartphone, 911 report generation unit , 912 Display control unit, 920 touch panel, 940 memory interface, 941 storage medium, 950 communication interface, 990 screen.

Claims (5)

動作を判別するための装置であって、
３次元の軸方向の各々の動きのそれぞれを表わす少なくとも１つのデータから導出される１つ以上の特徴量に基づいて、２以上の種類の動作のそれぞれを２以上の領域の中のいずれかに関連付ける情報を記憶するための記憶手段と、
前記装置の使用者の３次元の軸方向の各々の動きを表わす少なくとも１つのデータを検出するための検出手段と、
前記検出手段によって検出された動きを表わすデータに基づいて、前記１つ以上の特徴量を算出するための算出手段と、
前記２以上の領域から、前記算出手段によって算出された特徴量を含む領域を特定するための特定手段とを備え、
前記２以上の領域のそれぞれは、
線または面または空間を定義する図形によって表され、
前記特定手段は、
前記算出された特徴量が前記２以上の領域の中の複数の領域に含まれる場合には、前記複数の領域のうち、当該算出された特徴量から最も近い位置に中心を持つ図形に対応する領域を、前記算出された特徴量を含む領域として特定し、
前記特定された領域が対応する動作の種類を、前記使用者が実行した動作の種類として出力する、装置。 A device for determining operation,
Based on one or more feature quantities derived from at least one data representing each of the three-dimensional axial movements, each of the two or more types of movements is set to one of the two or more regions. Storage means for storing associated information;
Detecting means for detecting at least one data representing each movement of the user of the apparatus in the three-dimensional axial direction;
Calculation means for calculating the one or more feature quantities based on data representing movement detected by the detection means;
A specifying unit for specifying a region including the feature amount calculated by the calculating unit from the two or more regions;
Each of the two or more regions is
Represented by lines or faces or shapes that define space,
The specifying means is:
When the calculated feature amount is included in a plurality of regions among the two or more regions, it corresponds to a figure having a center at a position closest to the calculated feature amount among the plurality of regions. An area is identified as an area including the calculated feature amount,
The apparatus which outputs the kind of operation | movement which the said area | region respond | corresponds as a kind of operation which the said user performed. 前記算出手段は、前記検出手段によって検出された動きを表わすデータに基づいて、２つ以上の特徴量を算出し、
前記特定手段は、前記算出手段によって算出された前記２つ以上の特徴量の組合せを含む領域を、前記２以上の領域から特定する、請求項１に記載の装置。 The calculation means calculates two or more feature amounts based on data representing the motion detected by the detection means,
The apparatus according to claim 1, wherein the specifying unit specifies a region including the combination of the two or more feature amounts calculated by the calculating unit from the two or more regions. 前記検出手段は、加速度センサまたは角速度センサの少なくとも一方を含む、請求項１または請求項２に記載の装置。   The apparatus according to claim 1, wherein the detection unit includes at least one of an acceleration sensor and an angular velocity sensor. 前記２以上の領域のそれぞれは、
サンプルが各領域に対応する動作を実行したときに取得されたデータを用いて定義され、
前記サンプルによる動作から取得された２以上のデータの正規分布の確率密度が一定である線または面または空間を定義する図形によって表される、請求項１〜請求項３のいずれか１項に記載の動作判別装置。 Each of the two or more regions is
The sample is defined using the data obtained when the operation corresponding to each area is executed,
The representation according to any one of claims 1 to 3, represented by a line or a surface or a figure defining a space in which a probability density of a normal distribution of two or more data obtained from the operation by the sample is constant. Operation discrimination device. コンピュータの使用者の動作を判別するためのコンピュータ読取可能なプログラムであって、前記プログラムは、前記コンピュータに、
２以上の種類の動作のそれぞれを２以上の領域のいずれかに関連付ける情報にアクセスするステップを実行させ、
前記情報は、３次元の軸方向の各々の動きのそれぞれを表わす少なくとも１つのデータから導出される１つ以上の特徴量に基づいて、前記動作を前記２以上の領域のいずれかに関連付け、
前記プログラムは、前記コンピュータに、
前記使用者の３次元の軸方向の各々の動きを表わす少なくとも１つのデータを検出するステップと、
前記検出されたデータに基づいて、前記１つ以上の特徴量を算出するステップと、
前記２以上の領域から、算出された前記特徴量を含む領域を特定するステップと、を実行させ、
前記２以上の領域のそれぞれは、
線または面または空間を定義する図形によって表され、
前記領域を特定するステップは、
前記算出された特徴量が前記２以上の領域の中の複数の領域に含まれる場合には、前記複数の領域のうち、当該算出された特徴量から最も近い位置に中心を持つ図形に対応する領域を、前記算出された特徴量を含む領域として特定することを含み、
前記プログラムは、前記コンピュータに、さらに、
前記特定された領域が対応する動作の種類を、前記使用者が実行した動作の種類として出力するステップを実行させる、プログラム。 A computer-readable program for determining the operation of a computer user, wherein the program is stored in the computer,
Accessing information that associates each of the two or more types of actions with any of the two or more regions;
The information associates the motion with one of the two or more regions based on one or more feature quantities derived from at least one data representing each of the three-dimensional axial movements,
The program is stored in the computer.
Detecting at least one data representing each of the user's three-dimensional axial movements;
Calculating the one or more feature quantities based on the detected data;
A step of specifying a region including the calculated feature amount from the two or more regions , and
Each of the two or more regions is
Represented by lines or faces or shapes that define space,
The step of identifying the region includes
When the calculated feature amount is included in a plurality of regions among the two or more regions, it corresponds to a figure having a center at a position closest to the calculated feature amount among the plurality of regions. Identifying a region as a region including the calculated feature amount,
The program is further stored on the computer.
Wherein the type of operation that is specified region corresponding to execute the steps of outputting as the type of operation that the user has performed, the program.
JP2015110407A 2015-05-29 2015-05-29 Device for determining operation, and program for causing computer to function as the device Active JP6478275B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2015110407A JP6478275B2 (en) 2015-05-29 2015-05-29 Device for determining operation, and program for causing computer to function as the device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2015110407A JP6478275B2 (en) 2015-05-29 2015-05-29 Device for determining operation, and program for causing computer to function as the device

Publications (2)

Publication Number Publication Date
JP2016223908A JP2016223908A (en) 2016-12-28
JP6478275B2 true JP6478275B2 (en) 2019-03-06

Family

ID=57748536

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2015110407A Active JP6478275B2 (en) 2015-05-29 2015-05-29 Device for determining operation, and program for causing computer to function as the device

Country Status (1)

Country Link
JP (1) JP6478275B2 (en)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100217533A1 (en) * 2009-02-23 2010-08-26 Laburnum Networks, Inc. Identifying a Type of Motion of an Object
JP5704561B2 (en) * 2011-01-12 2015-04-22 独立行政法人産業技術総合研究所 Traveling direction estimation device, portable terminal, control program, computer-readable recording medium, and traveling direction estimation method
JP5885292B2 (en) * 2011-11-08 2016-03-15 公立大学法人首都大学東京 Action recognition program and processing device for action recognition
JP2013160671A (en) * 2012-02-07 2013-08-19 Seiko Epson Corp State detector, electronic apparatus, and program
JP6322960B2 (en) * 2013-02-01 2018-05-16 株式会社リコー Inertial device, method and program

Also Published As

Publication number Publication date
JP2016223908A (en) 2016-12-28

Similar Documents

Publication Publication Date Title
US20200046263A1 (en) System and method for characterizing biomechanical activity
KR101799474B1 (en) User activity tracking system and device
US20170095692A1 (en) System and method for run tracking with a wearable activity monitor
JP5740285B2 (en) Gait analyzer and gait analysis program
US10365120B2 (en) Device, method and system for counting the number of cycles of a periodic movement of a subject
US20160166180A1 (en) Enhanced Real Time Frailty Assessment for Mobile
US9576500B2 (en) Training supporting apparatus and system for supporting training of walking and/or running
US20220022604A1 (en) Receiving feedback based on pressure sensor data and movement data
TW201842432A (en) Method, electronic apparatus and recording medium for automatically configuring sensors
KR102423494B1 (en) Smart shoes system and mobile terminal processing data of smart shoes
JP6365031B2 (en) Activity amount measuring device, activity amount measuring method, activity amount measuring program
JP2017124086A (en) Training classification system, training classification method and training classification server
JP2023145448A (en) Multi-modal sensor fusion platform
JP6044670B2 (en) Gait analyzer
JP6478275B2 (en) Device for determining operation, and program for causing computer to function as the device
EP3991649A1 (en) Non-obtrusive gait monitoring methods and systems for reducing risk of falling
US11564439B2 (en) System and method for determining foot strike pattern
JP2022520219A (en) Foot-mounted wearable device and how it works
JP6689578B2 (en) Information processing apparatus, program, and walking determination method
JP6067148B1 (en) Information processing method, information processing apparatus, and program
US20220096896A1 (en) Measurement device, measurement method, and recording medium
KR20240067542A (en) System and method of analizing physiological response to heat stress
JP2017070723A (en) Information processing method, information processing device and program
JP2022053412A (en) Information processing device, information processing method, and program
JP2022053413A (en) Information processing device, information processing method, and program

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20170719

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20170719

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20180516

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20180703

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180821

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: 20190115

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20190131

R150 Certificate of patent or registration of utility model

Ref document number: 6478275

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250