WO2013128972A1 - 動作判定装置、動作判定システムおよび動作判定方法 - Google Patents

動作判定装置、動作判定システムおよび動作判定方法 Download PDF

Info

Publication number
WO2013128972A1
WO2013128972A1 PCT/JP2013/051035 JP2013051035W WO2013128972A1 WO 2013128972 A1 WO2013128972 A1 WO 2013128972A1 JP 2013051035 W JP2013051035 W JP 2013051035W WO 2013128972 A1 WO2013128972 A1 WO 2013128972A1
Authority
WO
WIPO (PCT)
Prior art keywords
peak
time
unit
sensor data
interval
Prior art date
Application number
PCT/JP2013/051035
Other languages
English (en)
French (fr)
Inventor
雄樹 千葉
宮崎　陽司
Original Assignee
日本電気株式会社
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 日本電気株式会社 filed Critical 日本電気株式会社
Priority to EP13754172.8A priority Critical patent/EP2821009A4/en
Priority to JP2014502064A priority patent/JP6052278B2/ja
Priority to CN201380012221.4A priority patent/CN104144643A/zh
Priority to US14/377,217 priority patent/US9606138B2/en
Publication of WO2013128972A1 publication Critical patent/WO2013128972A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P13/00—Indicating or recording presence, absence, or direction, of movement
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1116—Determining posture transitions
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1123—Discriminating type of movement, e.g. walking or running
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1116—Determining posture transitions
    • A61B5/1117—Fall detection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
    • A61B5/6898—Portable consumer electronic devices, e.g. music players, telephones, tablet computers
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems

Definitions

  • the present invention relates to an operation determination device, an operation determination system, and an operation determination method.
  • FIG. 1A shows the flow of a general operation determination process using a sensor.
  • data of a certain section hereinafter referred to as “time window”
  • feature a statistic indicating the feature of the recognized operation
  • the obtained feature quantity is compared with a preset threshold value, for example, the magnitude relation is examined, or the type of operation is determined by using a pattern recognition method.
  • a preset threshold value for example, the magnitude relation is examined, or the type of operation is determined by using a pattern recognition method.
  • FIG. 1B shows a determination process in the case of using sensor data SD obtained from an acceleration sensor when “walking” as an example.
  • Data WD of the time window TW specified by the start time ST and the end time ET is extracted from the sensor data SD.
  • Feature amounts F 1 , F 2 , F 3, etc. are calculated from the extracted data WD.
  • FIG. 2 shows a configuration example of an operation determination system that realizes such determination processing.
  • the sensor data acquisition / storage unit 1 acquires data from the sensor and temporarily stores it.
  • the time window start / end time setting unit 21 sets a start time and an end time of a time window which is a section from which data is extracted.
  • the time window data extraction unit 22 extracts sensor data of the set time window.
  • the feature amount calculation unit 23 calculates a feature amount for the extracted sensor data.
  • the motion determination unit 24 determines motion based on the calculated feature amount.
  • Patent Document 1 An example of performing an operation determination using a sensor in this way is described in Patent Document 1.
  • a determination process is performed in the order of time window setting, data extraction, feature amount calculation, and operation determination using an acceleration sensor worn by a human.
  • FIG. 3 shows how time window data is extracted from sensor data in the determination of a repetitive action such as “walking”.
  • FIG. 3A shows the range from the start SP to the end EP of one-step motion in the “walking” sensor data SD, that is, the range UP for one cycle.
  • the time window data to be extracted needs to include data for one period of the operation of interest or data from the start to the end of the operation. If one step is estimated to be about 1 second, the time window TW needs to be longer than 1 second. Therefore, in the examples of FIGS. 3B, 3C, and 3D, the case where the length of the time window TW is set to 3 seconds is shown.
  • FIGS. 3B, 3C, and 3D the case where the length of the time window TW is set to 3 seconds is shown.
  • 3B, 3C, and 3D show three examples (ST1, ST2, ST3) in which the start time (timing) ST of the time window is changed. Since repeatable operations such as “walking” often last for a relatively long time, such as 10 seconds to 1 minute or more, “timing 1” shown in FIGS. 3B, 3C, and 3D, Any time window of “timing 2” and “timing 3” can be correctly determined in the same manner. In other words, within a general operation duration of 10 seconds to 1 minute or more, the repetition interval between adjacent time windows, that is, the interval between start times (ST1, ST2, ST3) of adjacent time windows is set wide. Even so, the possibility of detection omission is low and correct operation determination is possible.
  • a data point obtained immediately after the end time ET of a certain time window does not cause a blank section in which the time window TW is not set in the obtained time series data.
  • Is used as the start time ST of the next time window, or the time window interval is set so that a data section having a half time window length overlaps between adjacent time windows. It is.
  • FIG. 4 shows how time window data is extracted from the sensor data SD in the determination of an operation that is completed in a short time of about 1 to 5 seconds, such as “getting up” or “sitting”.
  • FIG. 4A shows the range from the start SP to the end EP of the “sitting” operation, that is, the range UP for one cycle. Such an operation completed in a short time is referred to as an “event operation” in this specification.
  • 4B, 4C, and 4D show three examples (ST1, ST2, ST3) in which the start time (timing) of the time window is changed.
  • the interval UP from the start SP to the end EP of the operation is within the time window TW as shown in “timing 2” shown in FIG. It is necessary to fit in.
  • the “event operation” is completed in a short time, if the time interval between adjacent time windows is set wide, “timing 1” shown in FIG. 4B and “timing 3” shown in FIG. Thus, since the operation is not included for one period or more, the time window cannot be set correctly.
  • FIG. 5 shows an example of determining the “sitting” event action, and the determination process is repeatedly executed in each of a plurality of time windows 1, time windows 2, time windows 3, time windows 4. is doing.
  • determination processing in each time window is frequently performed, the number of determination processing increases, and a large amount of calculation is required.
  • the determination process is performed using a device having only limited calculation resources such as a mobile phone, there are problems such as a long time for the process and a heavy battery power consumption.
  • an object of the present invention is to solve the above-described problems and provide an operation determination device, an operation determination system, and an operation determination method that can execute determination of “event operation” with a small amount of calculation.
  • the motion determination device of the present invention is a motion determination device that determines a user's motion using sensor data, and the periodicity of the sensor data is lost when the user is operating.
  • the periodicity loss detecting means for detecting the data and the data interval used for the operation determination according to the loss of periodicity of the detected sensor data are set, and the user's operation is determined based on the sensor data of the set data interval. Determination processing means.
  • the operation determination system of the present invention includes the above-described operation determination device, a sensor data acquisition / storage unit that acquires sensor data output from the sensor and temporarily stores the data, and an operation performed by the determination processing unit A determination result output unit that outputs a result of the determination.
  • the operation determination method of the present invention is an operation determination method for determining a user's operation using sensor data, and detecting a loss of periodicity of the sensor data when the user is operating; Setting a data section used for operation determination according to loss of periodicity of the detected sensor data, and determining a user action based on the sensor data of the set data section.
  • the effect of the present invention is that the amount of calculation can be reduced in the determination process of “event action”.
  • FIG. 11 is an explanatory diagram in a case where the determination process is repeatedly performed while the time window start time is gradually shifted in the “event operation” determination process. It is a block diagram which shows the structure of the 1st Embodiment of this invention.
  • FIG. 6 shows an operation determination system 10 according to the first embodiment of the present invention.
  • the operation determination system 10 includes a sensor data acquisition / storage unit 1, a determination processing unit 2, an event operation detection unit 3, and a determination result output unit 4.
  • the determination processing unit 2 includes a time window start / end time setting unit 21, a time window data extraction unit 22, a feature amount calculation unit 23, and an operation determination unit 24.
  • the event operation detection unit 3 includes a peak detection unit 31, a peak interval calculation unit 32, a peak prediction unit 33, and a peak matching determination unit 34.
  • the determination processing unit 2 and the event operation detection unit 3 may constitute the operation determination device 8.
  • the event operation detection unit 3 may be referred to as periodicity loss detection means.
  • the sensor data acquisition / storage unit 1 acquires sensor data representing user actions from various sensors, and temporarily stores them.
  • the peak detector 31 detects at least the peak time (hereinafter, peak time) of the peak shape in the sensor data obtained by the sensor data acquisition / storage unit 1.
  • the peak interval calculation unit 32 calculates an interval between peak times detected by the peak detection unit 31.
  • the peak prediction unit 33 predicts the next peak time from the peak interval value calculated by the peak interval calculation unit 32 and the latest peak time obtained.
  • the peak matching determination unit 34 compares the peak time detected by the peak detection unit 31 with the peak time predicted by the peak prediction unit 33, and the difference between the two times falls within a predetermined time width. Determine if it exists.
  • the time window start / end time setting unit 21 sets the start time of the time window and the time window so that the time when the “event operation” occurs is included in the time window only when the event operation detection unit 3 detects the occurrence of the “event operation”.
  • the time window data extraction unit 22 extracts sensor data of a time window having a predetermined length from the start time and end time of the time window set by the time window start / end time setting unit 21.
  • the feature amount calculation unit 23 uses the time window data cut out by the time window data extraction unit 22 to calculate a feature amount representing the feature of the operation to be determined.
  • the motion determination unit 24 determines whether or not the estimation target motion is being performed using the feature amount calculated by the feature amount calculation unit 23.
  • the determination processing unit 2 may be configured to be prepared and used for each target operation. For example, in the case of determining two types of motions of “walking” and “sit down”, two determination processing units, a “walking” determination processing unit and a “sitting” determination processing unit, may be provided.
  • each motion is determined in advance as to whether it belongs to the “event motion” or not, and each motion determination processing unit stores it. Keep it. For example, considering the case of determining four types of movements of “walking”, “running”, “standing up”, and “sitting down”, “walking” is not “event movement”, and “running” is not “event movement” , “Rise” is “event action”, “sit down” is “event action”, and the like are stored in the determination processing unit 2.
  • the determination processing unit for the “event operation” executes the determination process.
  • the determination process of the operation other than the “event operation” may be performed using the determination technique used in the related technology as illustrated in FIG. 2 without using the event operation detection unit 3.
  • the physical configuration of the operation determination system 10 is not limited, for example, a mobile phone owned by a user can be exemplified.
  • the sensor data acquisition / storage unit 1 of the operation determination system 10 inside the mobile phone acquires sensor data generated by the acceleration sensor.
  • each process is executed in the event motion detection unit 3 and the determination processing unit 2, and the determination result obtained by the motion determination unit 24 of the determination processing unit 2 is displayed in the determination result output unit 4. It is displayed on a display device of a mobile phone.
  • a “walking” operation that is not an “event operation” and a “sitting” operation that is an “event operation” are in accordance with the flow of processing.
  • Each component will be described.
  • sensor data consider the case where the sensor data acquisition / storage unit 1 acquires acceleration data in real time and sequentially processes the acquired acceleration data.
  • the sensor data acquisition / storage unit 1 acquires sensor data output by the sensor when the user is operating. Further, short-time sensor data is temporarily stored for a predetermined length of time such as about several seconds to several tens of seconds.
  • the sensor data acquisition / storage unit 1 inputs the obtained sensor data to the peak detection unit 31 of the event operation detection unit 3. For example, considering the case where the sensor data acquisition / storage unit 1 is provided in a mobile phone terminal equipped with an acceleration sensor, the acceleration when the user is operating by wearing the mobile phone. Sensor data can be obtained.
  • the peak detector 31 detects a peak present in the sensor data obtained from the sensor data acquisition / storage unit 1.
  • a peak refers to a data point that is at least a maximum value or a data point that is a minimum value when the values of sensor data are viewed in chronological order.
  • the peak detection unit 31 provides “peak information” including the peak time of the detected peak to the peak interval calculation unit 32 and the peak matching determination unit 34.
  • Peak information includes at least time information of data points that are peaks.
  • peak information for example, the data value of a data point that is a peak, the value of the slope between the data point that is a peak, and the data points before and after the data point can be considered.
  • the peak detection process in the peak detection unit 31 is repeatedly executed every time sensor data for a predetermined time is obtained, and is given to the peak interval calculation unit 32 and the peak matching determination unit 34 every time new peak information is obtained. Further, when no peak exists in the obtained sensor data, the peak detection unit 31 does not give peak information to the peak interval calculation unit 32 and the peak matching determination unit 34.
  • FIG. 7A schematically shows sensor data of the “walking” motion obtained from the acceleration sensor worn by the user.
  • the peak detector 31 detects the peak P 0 at time ⁇ 0.5 seconds, and gives the obtained peak time information to the peak interval calculator 32 and the peak matching determiner 34 as peak information. Further, it is assumed that the peak P ⁇ 1 has already been detected at time ⁇ 1.5 seconds and the peak information has already been given to the peak interval calculation unit 32 before obtaining sensor data up to time 0 seconds.
  • the data point having the maximum value or the data point having the minimum value is used as an example of the peak.
  • the peak to be detected is not limited to this.
  • a point that is a maximum value and a maximum value within a certain data interval, a point that is a minimum value and a value in a specific range, and the like are conceivable.
  • only the peak that represents the periodicity of the operation is determined using a rule such as considering only the largest peak among the detected peaks as a peak. It may be possible to detect.
  • the peak interval calculation unit 32 calculates a time interval between the newest peak in time and a peak one older than the newest peak, and peaks the calculated peak interval value and the peak information of the latest peak. This is given to the prediction unit 33.
  • the peak interval calculation unit 32 gives the calculated peak interval value of 1 second and the time information of ⁇ 0.5 seconds, which is the peak information of the peak P 0 , to the peak prediction unit 33.
  • the peak predicting unit 33 predicts the next peak using the peak interval obtained from the peak interval calculating unit 32 and the latest peak information in terms of time. Next, an example of a method for predicting a peak will be described with reference to FIGS.
  • FIG. 7A and FIG. 8 schematically show sensor data of “walking” motion obtained from the acceleration sensor worn by the user as described above.
  • “walking” motion a section from one peak to the next peak corresponds to one step of “walking”, that is, one cycle of motion.
  • the peak interval is considered to be constant. Therefore, as shown in FIG. 7A, it can be predicted that the predicted peak P e1 appears after the elapse of the immediately preceding peak interval PI 0 from the appearance of the latest peak P 0 .
  • the peak prediction unit 33 provides the predicted peak information to the peak matching determination unit 34.
  • the “predicted peak information” includes at least the value (0.5 seconds) of the predicted peak time t e1 .
  • the peak matching determination unit 34 compares the predicted peak information obtained from the peak prediction unit 33 with the peak information obtained from the sensor data by the peak detection unit 31 and checks whether the two peak information matches.
  • the coincidence / non-coincidence is examined with respect to a peak at a newer time (hereinafter referred to as a new peak) than the peak obtained by the peak interval calculation unit 32 and the peak prediction unit 33 from the peak detection unit 31 at this time.
  • FIG. 9A shows a state in which the peak P e1 (time t e1 ) to come next to the latest peak P 0 (time t 0 ) is predicted.
  • FIG. 9B shows a state in which the predicted peak P e1 matches the new peak P 1 .
  • FIG. 9C shows a case where the predicted peak and the new peak do not match.
  • the peak matching determination unit 34 starts and ends the time window with the determination result that the peaks match, that is, the periodic operation continues, the predicted peak information, and the new peak information. This is given to the time setting unit 21.
  • the predicted peak generation time t e1 obtained from the peak predicting unit 33 and the peak difference generation time t 1 of the new peaks obtained from the detection unit 31 is larger than the predetermined value, the predicted peak and the new peak considered to be mismatched.
  • the peak matching determination unit 34 determines that the peaks do not match, that is, the periodic operation is interrupted and the “event operation” occurs, the predicted peak information, and the new peak Information is given to the time window start / end time setting unit 21.
  • the peak detection unit 31 detects a peak used by the peak interval calculation unit 32 and the peak prediction unit 33 and then does not detect a new peak for a predetermined length of time, the peak is similarly detected.
  • the determination result that they do not match and the predicted peak information may be given to the time window start / end time setting unit 21.
  • FIG. 7B shows a state in which the sensor data acquisition / storage unit 1 has obtained acceleration data up to time 1 second, and the peak detection unit 31 has processed acceleration data up to time 1 second, so that no peak has been detected. Show. Since the peak does not actually exist at the time 0.5 seconds of the predicted peak Pe1 , the predicted peak and the new peak are regarded as mismatched. Therefore, the determination result that the “event operation” has occurred and the time information 0.5 seconds as the predicted peak information are given to the time window start / end time setting unit 21.
  • the time window start / end time setting unit 21 sets the time window start time and the time window end time according to the determination result given from the peak matching determination unit 34.
  • the time window start / end time setting unit 21 does not set the time window for the “event operation” determination. Therefore, the subsequent “event operation” determination process in the determination processing unit 2 is not executed.
  • the peak matching determination unit 34 determines that an “event operation” has occurred, the time window start time and end time are set for the “event operation”, and subsequent determinations in the determination processing unit 2 Execute the process.
  • each determination processing unit 2 stores in advance whether the operation to be determined is an “event operation” or not.
  • the “walking” determination processing unit 2a stores in advance that it is not an “event operation”.
  • the “start-up” determination processing unit 2b stores “event operation” in advance, and executes time window start / end time setting processing according to the determination result of the peak matching determination unit 34 Please decide.
  • the time window length is set in advance for each operation to be determined.
  • the time window length needs to include data for one period of the operation or from the start to the end of the operation in the time window.
  • the time window length used for “walking” determination is determined.
  • an operation of stepping on one foot can be regarded as one cycle of a “walking” operation.
  • the time required for one step of operation is estimated to be about 1 second at the maximum, so the time window length can be determined as 1 second.
  • the time window length used for determining the “sitting” motion is about 2 seconds at the maximum based on the result of the experiment. Therefore, the time window length can be determined as 2 seconds.
  • a specific method for setting the time window start / end time of “event operation” will be described.
  • a method for setting the time window start time and end time of the “event operation” for example, a method of setting the start time and the end time so that the peak time predicted by the peak prediction unit 33 is set as the start time of the time window, A method of setting the start time and the end time so that the peak time predicted by the peak prediction unit 33 is set as the center time of the time window is conceivable.
  • the peak detection unit 31 detects a new peak at a time different from the peak time predicted by the peak prediction unit 33
  • a method of using the detected new peak time as a time window end time is conceivable.
  • the time window start time is set to a time that is back by the time window length determined in advance for each operation of interest from the set time window end time.
  • a method of setting multiple time windows is also conceivable. That is, after setting the time window by the method described above, only within a certain interval before and after the set time window, a plurality of time windows in which the start and end times are shifted by a short time as shown in FIG. 5 are set.
  • a method of executing the determination process for each time window is also conceivable.
  • a method using a predetermined length of time such as a period of 3 seconds before and after the central time of the set time window and a total of 6 seconds is used. Conceivable.
  • the time window length varies depending on the operation to be judged. For example, when the time window length is w seconds, the center time of the set time window is used as a reference for w seconds before and after. For example, a method of separately setting intervals in which the time window is shifted for each operation, such as an interval of 2 w seconds in total, can be considered.
  • the time window start / end time setting unit 21 provides the time window data extraction unit 22 with information on the start time and end time of the time window for each operation.
  • the time window start / end time setting unit 21 obtains information of the predicted peak Pe1 time 0.5 seconds from the peak matching determination unit 34 as the predicted peak information, and then sets the predicted peak time 0.5 seconds to the time window.
  • a time window TW having a length of 2 seconds is set as a start point.
  • the time window data extraction unit 22 follows the time window start time and end time for each operation obtained from the time window start / end time setting unit 21 from the sensor data temporarily stored in the sensor data acquisition / storage unit 1. Cut out sensor data.
  • the time window data extraction unit 22 gives the cut sensor data to the feature amount calculation unit 23.
  • the feature amount calculation unit 23 uses the sensor data obtained from the time window data extraction unit 22 to calculate a feature amount that characterizes the operation for each operation to be determined.
  • a feature amount for example, various statistical amounts such as an average value and a variance value of sensor data in a time window, a maximum value, a minimum value, and the like can be considered.
  • the feature amount calculation unit 23 gives the obtained feature amount to the motion determination unit 24.
  • the motion determination unit 24 uses the feature amount obtained from the feature amount calculation unit 23 to determine the operation at the time when the time window is set. For example, when using a variance value within a time window as a feature amount for determining a “walking” action, when the variance value is less than 4000 [mG 2 ], it is “not walking” or 4000 [mG 2 ] or more. In some cases, the movement is determined using a rule such as “walking”.
  • the operation determination result obtained by the above processing is displayed on the display device of the mobile phone, for example, which is the determination result output unit 4.
  • the processing of the time window data extraction unit 22, the feature amount calculation unit 23, and the operation determination unit 24 described above can use a technique of related technology, and can perform operations of “event operation” and “other than event operation”. Can be used in common.
  • the peak predicting unit 33 uses only the peak time information and predicts only the time of the next appearing peak.
  • the peak information the magnitude of the value of the data point that is the peak
  • a process for predicting a more accurate peak by using a slope value between a data point that is a peak and data points before and after the data point is also conceivable.
  • the magnitude of the value is used as the peak information
  • the time of the next appearing peak is predicted, and at the same time, the peak value obtained from the peak interval calculating unit 32 is changed to the next appearing peak.
  • a method of giving it to the peak matching determination unit 34 can be considered.
  • the peak interval peak interval calculation unit 32 has calculated and was PI 0 (seconds), around the time of occurrence of expected peak, respectively PI 0/2 before and after the time (in seconds)
  • a section with a width is set as a predicted peak generation section.
  • the peak / matching determination unit 34 determines match / mismatch depending on whether or not the new peak obtained from the peak detection unit 31 exists in the predicted peak occurrence section.
  • the method by which the peak matching determination unit 34 determines the coincidence / noncoincidence of the peaks in the predicted peak occurrence section having a certain time width is not limited to the above method.
  • the new peak obtained from the peak detector 31 is determined in advance, for example, within 30% of the entire distribution, with the center of the Gaussian distribution as a reference. For example, a method of determining whether or not a match is made depending on whether or not the distribution is within the range.
  • the method of performing the prediction with a certain width as described above is not only for the time width but also when other peak information such as the magnitude of the value of the peak data point is used for the prediction. Applicable.
  • the configuration in which the mobile phone equipped with the acceleration sensor owned by the user includes the entire operation determination system 10 is shown, but the physical configuration is not limited thereto.
  • the sensor data acquisition / storage unit 1 is provided in the mobile phone, and the event operation detection unit 3 and the determination processing unit 2 communicate with the mobile phone.
  • the sensor data acquisition / storage unit 1 has a communication function of transmitting sensor data to an external server device.
  • the sensor data may be transmitted in real time, and the operation determination process may be executed, or the server device is equipped with a storage device, and the determination process is executed collectively when a certain amount of sensor data is acquired. May be.
  • a storage device is provided on the mobile phone side, and after the data measurement is completed, the sensor data can be collectively transmitted to the server device, or the data can be transferred to the personal computer device through a wired connection.
  • the senor is not limited to the acceleration sensor mounted on the mobile phone, but may be a dedicated acceleration sensor device that is attached to the user's body using a band or the like.
  • Step S1 The sensor data acquisition / storage unit 1 acquires sensor data of the user's action and temporarily stores it.
  • Step S ⁇ b> 2 The peak detector 31 detects a peak existing in the sensor data obtained from the sensor data acquisition / storage unit 1. If there is a peak (“Y” in step S 3), the peak information is provided to the peak interval calculation unit 32 and the peak matching determination unit 34. The detection process is repeatedly executed every time sensor data for a predetermined time is obtained, and is given to the peak interval calculation unit 32 and the peak matching determination unit 34 every time new peak information is obtained. If no peak exists in the obtained sensor data ("N" in step S3), the peak detector 31 does not give peak information to the peak interval calculator 32 and the peak matching determiner 34, and the process returns to step S1. .
  • Step S4 The peak interval calculation unit 32 receives peak information from the peak detection unit 31 every time the peak detection unit 31 obtains new peak information. Using the given peak information, the peak interval calculation unit 32 calculates a time interval between the newest peak in time and a peak one older than the newest peak in time, and the peak interval of the calculated peak interval is calculated. The value and the “peak information” of the newest peak are given to the peak prediction unit 33.
  • Step S ⁇ b> 5 The peak prediction unit 33 predicts the next peak, and gives “predicted peak information” to the peak matching determination unit 34.
  • the peak matching determination unit 34 compares the predicted peak information obtained from the peak prediction unit 33 with the peak information of the new peak obtained from the peak detection unit 31, and determines whether the two peak information matches. Investigate.
  • the peak matching determination unit 34 obtains “predicted peak information” from the peak prediction unit 33 and then the peak detection unit 31 detects a new peak, or the peak detection unit 31 determines a predetermined length of time. If the state in which no new peak is detected continues, peak information matching / mismatching determination processing is performed.
  • the peak matching determination unit 34 uses the peak match / mismatch determination result, the predicted peak information, and the latest peak information obtained from the peak detection unit 31 to determine the time window start / end time setting unit of the determination processing unit 2. 21.
  • Step S8 The time window start / end time setting unit 21 sets the time window start time and the time window end for each operation to be determined according to the determination result given from the peak matching determination unit 34 (step S7).
  • the time is set, and the set time information is given to the time window data extraction unit 22.
  • Step S9 The time window data extraction unit 22 cuts out sensor data from the sensor data temporarily stored in the sensor data acquisition / storage unit 1 according to the time window start time and end time for each determination operation.
  • the time window data extraction unit 22 gives the extracted sensor data to the feature amount calculation unit 23.
  • Step S ⁇ b> 10 The feature amount calculation unit 23 uses the sensor data obtained from the time window data extraction unit 22 to calculate a feature amount that characterizes the operation for each determination operation. The feature amount calculation unit 23 gives the obtained feature amount to the motion determination unit 24.
  • Step S ⁇ b> 11 The operation determination unit 24 determines an operation in the set time window using the feature amount obtained from the feature amount calculation unit 23.
  • Step S12 The determination result output unit 4 outputs the determination result to a display device or the like.
  • the reason is as follows. Focusing on the fact that the periodicity of the sensor data is lost when the “event operation” occurs, only when the periodicity is lost, the “event operation” is determined to have occurred and the determination process of the “event operation” is performed. Specifically, when the predicted peak appearance time deviates from the actual appearance peak time, it is considered that the periodicity of the operation has been lost, that is, the “event operation” has occurred. Then, a determination process such as setting a time window and calculating a feature amount is executed only for the vicinity of the time when there is a high possibility that an “event operation” has occurred.
  • the second embodiment of the present invention is different from the first embodiment in that a peak interval history storage unit 35 is added. Different.
  • the peak interval calculation unit 32 calculates the peak interval using the peak information at the latest time obtained from the peak detection unit 31 and the peak information at the second latest time, and thus obtained. Using the latest peak interval value, the peak prediction unit 33 predicted the next peak to appear. In the second embodiment, the peak interval value calculated by the peak interval calculation unit 32 and the peak information of the latest peak are given to the peak interval history storage unit 35.
  • the peak interval history storage unit 35 predetermines the peak interval value obtained from the peak interval calculation unit 32 and the detected past peak information, for example, for the past 5 minutes or for the past 300 peaks. Memorized for the number of hours or number. The stored peak interval value and peak information are given to the peak prediction unit 33. The history information to be given to the peak prediction unit 33 is determined in advance such as the past 5 seconds or the past 5 pieces.
  • FIG. 12 shows a state in which the peak interval history storage unit 35 stores the peak information and the peak interval values for the past 300 pieces.
  • the peak interval history storage unit 35 provides the peak prediction unit 33 with five latest peak interval values from PI 0 to PI -4 and five latest peak information from P 0 to P -4 .
  • the peak prediction unit 33 predicts the next peak that appears from the peak interval value and peak information for a certain time obtained from the peak interval history storage unit 35.
  • the latest peak P is not added to the time t 0 of the latest peak P 0 but the value of PI 0 which is the immediately preceding peak interval.
  • a method of adding the value of PI ave which is an average value of past peak intervals stored in the peak interval history storage unit 35 at time 0 to be a predicted peak appearance time can be considered.
  • the maximum value and the minimum value are obtained, and each interval obtained by dividing the interval between the maximum value and the minimum value into, for example, 10
  • a method in which a section having the largest number of peak intervals to which the user belongs is employed as the peak interval can be considered.
  • the peak intervals stored in the peak interval history storage unit 35 are set to PI ⁇ n , PI ⁇ (n ⁇ 1), ..., PI ⁇ 1 , PI 0 in order from the oldest time, Of these, the smallest peak interval is 0.7 seconds, and the largest peak interval is 1.7 seconds.
  • 10 sections are considered from a section of 0.7 seconds or more and less than 0.8 seconds to a section of 1.6 seconds or more and less than 1.7 seconds, and PI ⁇ n , PI ⁇ (n ⁇ 1) ,. .., PI ⁇ 1 , PI 0 peak intervals are allocated to the sections to which they belong.
  • the peak prediction unit 33 does not use only the time information of the peak, but as the peak information, the magnitude of the value of the data point that is the peak and the data point that is the peak. Also, a method for predicting a more accurate peak using a slope value between the data points before and after the data point, etc. is also conceivable. Furthermore, a method of predicting a time having a certain time width without uniquely determining the time at which a peak appears can be applied. Further, a statistical prediction method such as a least square method or curve interpolation can be applied to the peak information history and the peak interval history.
  • Step S1 The sensor data acquisition / storage unit 1 acquires sensor data of the user's action and temporarily stores it.
  • Step S ⁇ b> 2 The peak detector 31 detects a peak existing in the sensor data obtained from the sensor data acquisition / storage unit 1. If there is a peak (“Y” in step S 3), the peak information is provided to the peak interval calculation unit 32 and the peak matching determination unit 34. The detection process is repeatedly executed every time sensor data for a predetermined time is obtained, and is given to the peak interval calculation unit 32 and the peak matching determination unit 34 every time new peak information is obtained. If no peak exists in the obtained sensor data ("N" in step S3), the peak detector 31 does not give peak information to the peak interval calculator 32 and the peak matching determiner 34, and the process returns to step S1. .
  • Step S4 The peak interval calculation unit 32 receives peak information from the peak detection unit 31 every time the peak detection unit 31 obtains new peak information. Using the given peak information, the peak interval calculation unit 32 calculates a time interval between the newest peak in time and a peak one older than the newest peak in time, and the peak interval of the calculated peak interval is calculated. The value and the “peak information” of the newest peak are given to the peak interval history storage unit 35.
  • the peak interval history storage unit 35 stores the peak interval value obtained from the peak interval calculation unit 32 and the peak information of the latest peak in time.
  • Step S5 The peak prediction unit 33 predicts the next peak using the history of past peak interval values obtained from the peak interval history storage unit 35 and past peak information, and determines peak matching.
  • the unit 34 is provided with “predicted peak information”.
  • the peak matching determination unit 34 obtains predicted peak information from the peak prediction unit 33.
  • the peak detection unit 31 detects a peak at a newer time than the peak information used by the peak interval calculation unit 32 and the peak prediction unit 33
  • the detected peak information is obtained from the peak detection unit 31.
  • the predicted peak information obtained from the peak predicting unit 33 and the new peak information obtained from the peak detecting unit 31 are compared, and it is checked whether the two peak information matches.
  • the peak matching determination unit 34 After the peak matching determination unit 34 obtains predicted peak information from the peak prediction unit 33, the peak detection unit 31 detects a peak at a new time, or the peak detection unit 31 has a predetermined time length or more. When a state in which a new peak is not detected continues, peak information matching / mismatching determination processing is performed.
  • the peak matching determination unit 34 gives the peak match / mismatch determination result, the predicted peak information, and the new peak information obtained from the peak detection unit 31 to the time window start / end time setting unit 21.
  • Step S8 The time window start / end time setting unit 21 sets the time window start time and the time window end for each operation to be determined according to the determination result given from the peak matching determination unit 34 (step S7).
  • the time is set, and the set time information is given to the time window data extraction unit 22.
  • Step S9 The time window data extraction unit 22 cuts out sensor data from the sensor data temporarily stored in the sensor data acquisition / storage unit 1 according to the time window start time and end time for each determination operation.
  • the time window data extraction unit 22 gives the extracted sensor data to the feature amount calculation unit 23.
  • Step S ⁇ b> 10 The feature amount calculation unit 23 uses the sensor data obtained from the time window data extraction unit 22 to calculate a feature amount that characterizes the operation for each determination operation. The feature amount calculation unit 23 gives the obtained feature amount to the motion determination unit 24.
  • Step S ⁇ b> 11 The motion determination unit 24 determines a motion in the set time window using the feature amount obtained from the feature amount calculation unit 23.
  • Step S12 The determination result output unit 4 outputs the determination result to a display device or the like.
  • the peak predicting unit 33 uses the peak interval value calculated using the peak information of the latest peak occurrence time and the peak information of the second most recent time, The peak that appeared was predicted.
  • the peak prediction unit 33 uses the peak interval value and peak information for the past fixed time stored in the peak interval history storage unit 35, and the next peak to appear. Predict. In this way, by using the history of a certain past time, the next appearing peak can be predicted with higher accuracy. Therefore, compared with the first embodiment of the present invention, the time window start / end time of the “event operation” determination process can be set more appropriately, so that the highly accurate “event operation” determination process is possible.
  • FIG. 14 shows the configuration of the third embodiment of the present invention. Compared to the first embodiment of the present invention shown in FIG. 6, it differs in that a peak interval history storage unit 5, a peak learning unit 6, and a correct action input unit 7 are added.
  • the peak interval history storage unit 5 stores the value of the peak interval obtained from the peak interval calculation unit 32 and the detected past peak information for a predetermined time such as the past 24 hours or the past week. ing.
  • the correct action input unit 7 inputs the type of action actually performed by the user to the peak learning unit 6.
  • the information input to the peak learning unit 6 includes at least information on the time when the operation was performed and information on the type of operation. Information including at least time information on the operation and information on the type of operation performed is referred to as “correct operation information” in this specification.
  • As an input method for example, a method in which a user inputs a set of a past time and a type of operation performed by the user through the computer device or the like through the computer device or a mobile phone is conceivable. .
  • the peak learning unit 6 uses the peak interval value and peak information stored in the peak interval history storage unit 5 for a predetermined time and the “correct operation information” obtained from the correct operation input unit 7 to obtain peak information. And learn the peak interval. As a result of the learning, the peak learning unit 6 gives parameters used for peak prediction to the peak prediction unit 33. Examples of the parameter to be given include a value of a predicted peak occurrence section set by the peak prediction unit 33.
  • the peak learning unit 6 from the peak interval history storage unit 5 includes a peak in a predetermined section such as the past 5 minutes including the time 0 seconds. Get interval value and peak information. In this way, the peak learning unit 6 determines whether or not an “event operation” has occurred for the section around the time 0 second when the peak interval and peak information are obtained.
  • the method for determining the occurrence of “event action” uses the same processing as the peak prediction unit 33 and the peak matching determination unit 34, and the peak information is obtained from the peak interval history storage unit 5.
  • the peak information is obtained from the peak interval history storage unit 5.
  • the peak learning unit 6 does not perform learning and ends the process.
  • the predicted peak It is thought that the generation interval is set longer than necessary.
  • the peak learning unit 6 provides the peak prediction unit 33 with the value of the generated section length used for the new peak prediction thus obtained.
  • each of front and rear PIi ⁇ (2/3) (seconds) is set as a predicted peak generation section.
  • a method of verifying whether or not the newly set peak prediction method can correctly determine the occurrence of “event operation” is conceivable. That is, learning is performed from the correct action information at time t by the same method as described above, and a new peak prediction parameter value is obtained. Then, the new action information obtained from the correct action information at the same time t is again obtained. Learning is performed using a simple peak prediction method. In this way, it is possible to set a more accurate predicted peak occurrence section by repeatedly performing the learning process until the “event action” occurrence determination according to the correct action information can be executed.
  • the peak interval history storage unit 5 provides the peak learning unit 6 with the peak interval and peak information of a section having a predetermined time width, such as 5 minutes before and after the designated time t. The learning process may be performed depending on whether or not the “event action” occurrence determination according to the correct action information can be performed within the section.
  • the peak prediction unit 33 performs peak prediction using the new peak prediction parameters obtained from the peak learning unit 6.
  • the physical configuration of the third embodiment of the present invention will be described.
  • a configuration in which the correct action input unit 7 is a mobile phone owned by the user, and the peak interval history storage unit 5 and the peak learning unit 6 are external server devices can be considered.
  • the physical configuration is not limited to this, and for example, the correct action input unit 7, the peak interval history storage unit 5, and the peak learning unit 6 are external computer devices, and the user passes through the computer device.
  • the learning process is performed inside the computer device using the input correct action information, and the obtained new peak prediction method is transmitted to the mobile phone through the computer device, and the peak of the event motion detection unit 3 mounted on the mobile phone.
  • a configuration in which the prediction method of the prediction unit 33 is updated is also conceivable.
  • the step represented by S1-S12 in FIG. 16 is the same as S1-S12 in the description of the operation of the first embodiment of the present invention, and thus the description thereof is omitted.
  • the peak interval history storage unit 5 stores the peak interval value obtained from the peak interval calculation unit 32 and the peak information of the latest peak in time.
  • the correct answer action input unit 7 inputs correct answer action information including the type of action actually performed by the user and time information of the action to the peak learning part 6.
  • Step S15 The peak learning unit 6 uses the peak interval value and peak information for a certain time stored in the peak interval history storage unit 5 and the correct action information obtained from the correct action input unit 7, Learn trends in peak intervals. A new peak prediction method obtained by learning is given to the peak prediction unit 33.
  • step S15 is executed with the input of the correct action information represented by step S14. At this time, step S14 and step S15 do not need to be executed at the same time. For example, after the correct operation information represented by step S14 is input, the step S14 and step S15 are performed at a predetermined time, for example, once a day. A method such as executing the learning process represented by S15 and giving the obtained peak prediction method to the peak prediction unit 33 is conceivable.
  • the peak prediction unit 33 predicts the next peak that appears based on a predetermined rule, whereas in the third embodiment of the present invention, peak learning is performed.
  • the unit 6 performs learning using the correct operation information, and changes the peak prediction and peak matching methods. As described above, since the correct action information is used to change to the method of detecting the “event action” with higher accuracy, the “event action” determination process is more accurate than in the first embodiment of the present invention. Is possible.
  • the third embodiment of the present invention can realize both effects by being used in combination with the second embodiment of the present invention.
  • the operation determination program in each of the first to third embodiments of the present invention can be configured as a program that causes a computer to execute a part or all of the steps shown in FIG. 10, FIG. 13, or FIG. By installing this program in a computer and executing it, the operation determination apparatus and the operation determination method in the first to third embodiments can be realized.
  • Examples of the computer include a server device, a personal computer, and a mobile phone as described above.
  • An operation determination device for determining a user's operation using sensor data, Loss of periodicity detecting means for detecting loss of periodicity of the sensor data when the user is operating;
  • a determination processing means for setting a data section used for operation determination according to loss of periodicity of the detected sensor data, and determining a user's operation based on the sensor data of the set data section;
  • An operation determination device characterized by comprising:
  • Appendix 2 The operation determination apparatus according to appendix 1, wherein the periodicity of the sensor data is a periodicity of a peak that is a data point having at least a maximum value or a minimum value in the sensor data.
  • Appendix 3 The motion determination device according to appendix 1 or 2, wherein the data section is set to have a predetermined time width for each type of motion to be determined.
  • Appendix 4 The operation determination apparatus according to any one of appendices 1 to 3, further comprising the determination processing unit for each type of operation to be determined.
  • the periodic loss detection means is From the sensor data, a peak detection unit for detecting a peak that is a data point having at least a maximum value or a minimum value; A peak interval calculation unit that calculates a time interval between peaks from the occurrence times of the detected plurality of peaks; A peak prediction unit that predicts peak information including at least the occurrence time of the next peak using the peak interval value calculated by the peak interval calculation unit and the occurrence time of the peak detected by the peak detection unit, A peak matching determination unit that determines whether or not the peak predicted by the peak prediction unit matches the peak detected by the peak detection unit from sensor data;
  • the operation determination device according to any one of appendices 1 to 5, characterized in that:
  • a peak interval history storage unit that stores time information of peaks detected by the peak detection unit and a peak interval calculated by the peak interval calculation unit for a predetermined past time;
  • the peak prediction unit predicts peak information including at least the occurrence time of the next peak using the peak information and the peak interval history stored in the peak interval history storage unit.
  • a peak interval history storage unit for storing time information of peaks detected by the peak detection unit and a peak interval calculated by the peak interval calculation unit for a predetermined past time;
  • a correct action input unit that inputs correct action information including at least the type of action actually performed and the time when the action was performed;
  • a history of peak time information and peak interval around the time inputted by the correct action input unit is acquired from the peak interval history storage unit, a tendency of the peak interval is learned, and a periodicity detection method is performed based on the learning result.
  • the operation determining apparatus according to appendix 6, further comprising:
  • the peak matching determination unit determines a match based on a difference in occurrence time and a peak value difference between a peak predicted by the peak prediction unit and a peak detected by the peak detection unit from sensor data.
  • Appendix 11 The operation determination device according to any one of appendices 1 to 10; A sensor data acquisition / storage unit for acquiring sensor data output from the sensor and temporarily storing it; A determination result output unit that outputs a result of the operation determination performed by the determination processing unit; An operation determination system comprising:
  • Detecting the loss of periodicity comprises: Detecting a peak that is a data point taking at least a maximum value or a minimum value from the sensor data; and Calculating a time interval between the peaks from the occurrence times of the detected peaks; Predicting peak information including at least the occurrence time of the next peak using the calculated peak interval value and the occurrence time of the detected peak; Determining whether the predicted peak and the detected peak match; and
  • the predicting step includes predicting peak information including at least an occurrence time of a next peak using the stored peak information and peak interval history. How to judge the operation.
  • (Appendix 15) Storing the time information of the detected peak and the calculated peak interval for a predetermined past time; Inputting correct action information including at least the type of action actually performed and the time when the action was performed; Obtaining a history of peak time information and peak interval around the input time from the information stored for the past fixed time, and changing the periodicity detection method by learning the tendency of the peak interval;
  • Appendix 16 The operation according to any one of appendices 13 to 14, wherein, in the determining step, a match is determined based on a difference in occurrence time between the predicted peak and a peak detected from the sensor data. Judgment method.
  • Appendix 17 Any one of appendixes 13 to 15, wherein, in the determining step, matching is determined based on a difference in occurrence time and a peak value difference between the predicted peak and a peak detected from the sensor data. 2. The operation determination method according to 1.
  • An operation determination program for determining a user's operation using sensor data A function of detecting loss of periodicity of the sensor data when the user is operating; A function of setting a data section used for operation determination according to loss of periodicity of the detected sensor data, and determining a user's action based on the set sensor data of the data section; An operation determination program characterized by realizing the above.
  • the function of detecting the loss of periodicity is A function of detecting a peak which is a data point having at least a maximum value or a minimum value from the sensor data; A function of calculating a time interval between the peaks from the occurrence times of the detected peaks; A function of predicting peak information including at least the occurrence time of the next peak using the calculated peak interval value and the occurrence time of the detected peak; A function of determining whether the predicted peak matches the detected peak;
  • Appendix 21 In addition, A function of storing time information of the detected peak and the calculated peak interval for a predetermined past time; A function for inputting correct action information including at least the type of action actually performed and the time when the action was performed; A function of obtaining a history of peak time information and a peak interval around the input time from information stored for the past fixed time, and changing a periodicity detection method by learning a trend of the peak interval;
  • the present invention for example, when a user browses a record by performing a highly accurate calorie consumption calculation or recording a daily motion determination result using a result of performing a human motion determination, In addition to being used as an automatically generated diary, it can be applied to monitoring of infants and the elderly from remote locations by monitoring in real time the occurrence of dangerous actions such as “falling”.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Physiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

　「イベント動作」の判定を少ない計算量で実行可能な動作判定装置、動作判定システム、および動作判定方法を提供する。センサデータを用いてユーザの動作を判定する動作判定システムにおいて、ユーザが動作しているときのセンサデータの周期性の喪失を検知する周期性喪失検知手段と、検知したセンサデータの周期性の喪失に応じて動作判定に用いるデータ区間を設定し、設定したデータ区間のセンサデータを基にユーザの動作を判定する判定処理手段とを備える構成とした。

Description

動作判定装置、動作判定システムおよび動作判定方法
　本発明は動作判定装置、動作判定システムおよび動作判定方法に関する。
　近年、様々なセンサを用いて、ユーザの動作を判定する試みが盛んに行われている。センサを利用した一般的な動作判定処理の流れを図１（ａ）に示す。まず、連続するセンサデータから一定区間（以下、「時間窓」という）のデータを抽出する。次に抽出した時間窓データから、認識する動作の特徴を表す統計量など（以下、「特徴量」という）を算出する。そして、得られた特徴量について、例えばあらかじめ設定した閾値と比較して大小関係を調べたり、パターン認識手法を用いるなどして動作の種類等の判定を行う。以下では、データ抽出、特徴量の算出、動作判定の３つの処理を行うことを、まとめて「判定処理」と呼ぶこととする。
　図１（ｂ）は、例として「歩く」ときに加速度センサから得られるセンサデータＳＤを用いた場合の判定処理を示す。センサデータＳＤから、開始時刻ＳＴと終了時刻ＥＴとで指定される時間窓ＴＷのデータＷＤを抽出する。抽出データＷＤから、特徴量Ｆ１，Ｆ２，Ｆ３等を算出する。例示した動作判定では、算出した特徴量Ｆ１が閾値ａより大きければ、動作Ａと判定し、特徴量Ｆ１が閾値ａより小さければ、動作Ｂと判定している。このような判定処理を実現する動作判定システムの構成例を、図２に示す。
　図２において、センサデータ取得・記憶部１は、センサからデータを取得して一時的に記憶する。時間窓開始・終了時刻設定部２１は、データを抽出する区間である時間窓の開始時刻と終了時刻を設定する。時間窓データ抽出部２２は、設定された時間窓のセンサデータを抽出する。特徴量算出部２３は、抽出したセンサデータについて特徴量を算出する。動作判定部２４は、算出した特徴量を基に動作の判定を行う。
　このようにセンサを用いて動作判定を行う一例が、特許文献１に記載されている。特許文献１では、人間に装着した加速度センサを用いて、時間窓の設定、データの抽出、特徴量の算出、動作判定の順に判定処理を行う。
特開２０１１－１２３８３２号公報
　しかしながら、特許文献１などに記載の手法では、「立ち上がる」や「座る」などのような、１秒から５秒程度の短い時間で完結する動作を、検出漏れなく判定する場合、計算量が多くなるという課題があった。その理由を以下に説明する。
　まず、「歩行」のように繰り返し可能な動作の判定において、センサデータから時間窓データを抽出する様子を、図３に示す。図３（ａ）は「歩行」のセンサデータＳＤにおける一歩の動作の開始ＳＰから終了ＥＰまでの範囲、すなわち１周期分の範囲ＵＰを示す。一般に、抽出する時間窓データには、注目している動作の１周期分、または動作の開始から終了までのデータが含まれる必要がある。１歩が約１秒と見積もると、時間窓ＴＷは１秒以上の長さが必要となる。そこで、図３（ｂ）、（ｃ）、（ｄ）の例では、時間窓ＴＷの長さを３秒に設定した場合を示している。図３（ｂ）、（ｃ）、（ｄ）は、時間窓の開始時刻（タイミング）ＳＴを変えた３例（ＳＴ１，ＳＴ２，ＳＴ３）を示す。「歩行」などの繰り返し可能な動作は、１０数秒から１分以上の、比較的長時間継続する場合が多いため、図３（ｂ）、（ｃ）、（ｄ）に示す「タイミング１」、「タイミング２」、および「タイミング３」の、どの時間窓であっても、同様に正しく判定できる。即ち、１０数秒から１分以上の、一般的な動作継続時間以内であれば、隣り合う時間窓同士の繰返し間隔、すなわち隣り合う時間窓の開始時刻（ＳＴ１，ＳＴ２，ＳＴ３）の間隔を広く設定しても、検出漏れが生じる可能性は低く、正しい動作判定が可能である。
　従って、具体的な時間窓設定方法としては、得られた時系列データに時間窓ＴＷが設定されない空白区間を生じさせないように、例えば、ある時間窓の終了時刻ＥＴの直後に得られたデータ点を、次の時間窓の開始時刻ＳＴとする方法や、時間窓長さの半分のデータ区間が、隣り合う時間窓同士で重複するように時間窓の間隔を設定する、などの方法が一般的である。
　次に、「立ち上がる」や「座る」などのような、１秒から５秒程度の短い時間で完結する動作の判定において、センサデータＳＤから時間窓データを抽出する様子を、図４に示す。図４（ａ）は「座る」動作の開始ＳＰから終了ＥＰまでの範囲、すなわち１周期分の範囲ＵＰを示す。このような短い時間で完結する動作を、本明細書において「イベント動作」と呼ぶこととする。図４（ｂ）、（ｃ）、（ｄ）は、時間窓の開始時刻（タイミング）を変えた３例（ＳＴ１，ＳＴ２，ＳＴ３）を示す。「イベント動作」においても「歩行」動作などの繰り返し可能な動作と同様、図４（ｃ）に示す「タイミング２」のように、動作の開始ＳＰから終了ＥＰまでの区間ＵＰを時間窓ＴＷ内に収める必要がある。しかしながら、「イベント動作」は短時間で完結するため、隣り合う時間窓の時間間隔を広く設定すると、図４（ｂ）に示す「タイミング１」や図４（ｄ）に示す「タイミング３」のように、動作を１周期分以上含まないので正しく時間窓を設定できない。
　そこで、「イベント動作」判定において動作の開始から終了までを時間窓に収めるためには、図５に示すように、隣り合う時間窓同士の繰返し間隔を短く設定し、それぞれの時間窓においてデータ抽出、特徴量算出、動作判定の処理を繰り返し実行する必要がある。図５は、「座る」イベント動作を判定する例を示し、開始時刻ＳＴが少しずつ異なる複数の時間窓１，時間窓２，時間窓３，時間窓４・・・それぞれにおいて判定処理を繰り返し実行している。その結果、各時間窓における判定処理を頻繁に行うことになり、判定処理の回数が増加し、多くの計算量を要した。さらに、携帯電話などの限られた計算資源しか持たないデバイスを用いて判定処理を行う場合は、処理に時間がかかる、バッテリの電力消費が激しいなどの問題があった。
　したがって、本発明の目的は、上述した課題を解決し、「イベント動作」の判定を少ない計算量で実行可能な動作判定装置、動作判定システム、および動作判定方法を提供することである。
　上記目的を達成するために、本発明の動作判定装置は、センサデータを用いてユーザの動作を判定する動作判定装置であり、前記ユーザが動作しているときの前記センサデータの周期性の喪失を検知する周期性喪失検知手段と、前記検知した前記センサデータの周期性の喪失に応じて動作判定に用いるデータ区間を設定し、設定した前記データ区間のセンサデータを基にユーザの動作を判定する判定処理手段とを備える。
　また、本発明の動作判定システムは、上記の動作判定装置と、センサから出力されるセンサデータを取得し、一時的に記憶するセンサデータ取得・記憶部と、前記判定処理部により行われた動作判定の結果を出力する判定結果出力部と、を備える。
　また、本発明の動作判定方法は、センサデータを用いてユーザの動作を判定する動作判定方法であり、前記ユーザが動作しているときの前記センサデータの周期性の喪失を検知するステップと、前記検知した前記センサデータの周期性の喪失に応じて動作判定に用いるデータ区間を設定し、設定した前記データ区間のセンサデータを基にユーザの動作を判定するステップと、を含む。
　本発明の効果は、「イベント動作」の判定処理において、計算量を削減できる点にある。
一般的な動作判定処理の流れを示す図である。 図１の動作判定処理に用いられる動作判定システムの構成を示すブロック図である。 「歩行」などの繰り返し可能な動作判定における、時間窓開始・終了時刻と動作の開始・終了との関係を示す図である。 「イベント動作」判定における、時間窓開始・終了時刻と動作の開始・終了との関係を示す図である。 「イベント動作」判定処理において、時間窓開始時刻を少しずつずらしながら、判定処理を繰り返し行う場合の説明図である。 本発明の第１の実施形態の構成を示すブロック図である。 本発明の第１の実施形態の具体的な処理を示す図である。 直前のピーク情報を用いて、次に出現するピークを予測する方法の一例を示す図である。 予測したピークと、実際に得られたピークとの一致・不一致を説明する図である。 本発明の第１の実施形態における処理内容を示す流れ図である。 本発明の第２の実施形態の構成を示すブロック図である。 本発明の第２の実施形態におけるピーク間隔履歴記憶部３５に記憶されているピーク間隔とピーク情報の例を示す図である。 本発明の第２の実施形態における処理内容を示す流れ図である。 本発明の第３の実施形態の構成を示すブロック図である。 本発明の第３の実施形態の学習処理を説明する図である。 本発明の第３の実施形態における処理内容を示す流れ図である。
　次に、本発明の第１の実施形態について図６ないし１０を参照して詳細に説明する。
　図６は、本発明の第１の実施形態の動作判定システム１０を示す。動作判定システム１０は、センサデータ取得・記憶部１と、判定処理部２と、イベント動作検出部３と、判定結果出力部４とを含む。判定処理部２は、時間窓開始・終了時刻設定部２１と、時間窓データ抽出部２２と、特徴量算出部２３と、動作判定部２４とを含む。イベント動作検出部３は、ピーク検出部３１と、ピーク間隔算出部３２と、ピーク予測部３３と、ピーク・マッチング判定部３４とを含む。判定処理部２とイベント動作検出部３とで動作判定装置８を構成してもよい。イベント動作検出部３は周期性喪失検知手段と呼ばれることもある。
　センサデータ取得・記憶部１は、各種センサからユーザの動作を表すセンサデータを取得し、一時的に記憶する。ピーク検出部３１は、センサデータ取得・記憶部１が得たセンサデータ内のピーク形状の、少なくとも頂点の時刻（以下、ピーク時刻）を検出する。ピーク間隔算出部３２は、ピーク検出部３１が検出したピーク時刻同士の間隔を算出する。ピーク予測部３３は、ピーク間隔算出部３２が算出したピーク間隔の値と、得られている最新のピークの時刻から、次に出現するピーク時刻を予測する。ピーク・マッチング判定部３４は、ピーク検出部３１が検出したピーク時刻と、ピーク予測部３３が予測したピーク時刻とを比較して、両者の時刻の乖離があらかじめ決められた一定の時間幅内に存在するかどうかを判定する。
　時間窓開始・終了時刻設定部２１は、イベント動作検出部３が「イベント動作」の発生を検出した場合のみ「イベント動作」が発生した時刻を時間窓内に収めるように時間窓の開始時刻および終了時刻を設定する。時間窓データ抽出部２２は、時間窓開始・終了時刻設定部２１が設定した時間窓の開始時刻および終了時刻から、あらかじめ決められた長さの時間窓のセンサデータを切り出す。特徴量算出部２３は、時間窓データ抽出部２２が切り出した時間窓データを用いて、判定対象の動作の特徴を表す特徴量を算出する。動作判定部２４は、特徴量算出部２３が算出した特徴量を用いて、推定対象の動作が行われているかどうかを判定する。
　判定対象とする動作が複数種類ある場合、判定処理部２は、対象とする動作ごとに、それぞれ別に用意して用いる構成としてもよい。例えば、「歩行」動作と「座りこむ」動作の２種類の動作を判定する場合、「歩行」判定処理部および「座る」判定処理部の２つの判定処理部を備える構成としてもよい。
　このようにして複数の動作を対象として動作判定を行う場合、各動作はそれぞれ「イベント動作」に属する動作か、そうでない動作かを、あらかじめ決めておき、それぞれの動作の判定処理部が記憶しておく。例えば、「歩行」、「走行」、「立ち上がる」、「座りこむ」の４種類の動作を判定する場合を考えると、「歩行」は「イベント動作」でない、「走行」は「イベント動作」でない、「立ち上がる」は「イベント動作」である、「座りこむ」は「イベント動作」である、などと決めて判定処理部２に記憶させる。
　そして、イベント動作検出部３が「イベント動作」の発生を検出したときのみ、「イベント動作」の判定処理部が判定処理を実行する。一方、「イベント動作」でない動作の判定処理は、イベント動作検出部３を利用せず、図２に示したような、関連技術で用いられる判定処理を行ってもよい。
　動作判定システム１０の物理的な構成として、限定するものではないが、例えば、ユーザが所有する携帯電話が例示できる。この場合、例えば、ユーザが加速度センサ搭載の携帯電話を所持しているとき、携帯電話内部の動作判定システム１０のセンサデータ取得・記憶部１が、加速度センサの発生するセンサデータを取得する。得られた加速度センサデータを用いて、イベント動作検出部３と、判定処理部２において各処理が実行し、判定処理部２の動作判定部２４が得た判定結果を、判定結果出力部４であるところの、携帯電話のディスプレイ装置に表示する。
　以下、本発明の第１の実施形態について、具体例として、「イベント動作」ではない「歩行」動作と、「イベント動作」であるところの、「座る」動作のそれぞれについて、処理の流れに沿って各構成要素ごとに説明する。センサデータの例として加速度データをセンサデータ取得・記憶部１がリアルタイムに取得し、取得した加速度データを逐次的に処理する場合を考える。
　まず、センサデータ取得・記憶部１は、ユーザが動作を行っているときにセンサが出力するセンサデータを取得する。また、短時間のセンサデータを、例えば数秒から数十秒程度といったあらかじめ決められた時間長さ分だけ、一時的に記憶する。センサデータ取得・記憶部１は、得られたセンサデータを、イベント動作検出部３のピーク検出部３１に入力する。例えば、センサデータ取得・記憶部１が、加速度センサを搭載した携帯電話端末に備えられている場合を考えると、ユーザが携帯電話を身につけることで、ユーザが動作を行っているときの加速度センサデータを得ることができる。
　ピーク検出部３１は、センサデータ取得・記憶部１から得たセンサデータに存在するピークを検出する。ピークとは、センサデータの値を時系列順に見たとき、少なくとも極大値であるデータ点、または極小値であるデータ点を指す。ピーク検出部３１は、検出したピークのピーク時刻を含む「ピーク情報」を、ピーク間隔算出部３２、およびピーク・マッチング判定部３４に与える。
　「ピーク情報」は、少なくともピークであるデータ点の時刻情報を含む。その他のピーク情報としては、例えばピークであるデータ点のデータの値や、ピークであるデータ点と、その前後のデータ点との間の傾きの値などが考えられる。
　ピーク検出部３１におけるピーク検出処理は、あらかじめ決められた時間分のセンサデータを得るたびに繰り返し実行し、新しくピーク情報を得るたびにピーク間隔算出部３２およびピーク・マッチング判定部３４に与える。また、得られたセンサデータにピークが存在しない場合は、ピーク検出部３１はピーク間隔算出部３２およびピーク・マッチング判定部３４にピーク情報を与えない。
　説明のため、図７（ａ）を参照する。図７（ａ）は、ユーザが身に付けた加速度センサから得られた、「歩行」動作のセンサデータを概略的に表している。図７（ａ）に示すように、或る時刻から時刻０秒までのセンサデータが得られている場合を考える。ピーク検出部３１は時刻－０．５秒においてピークＰ０を検出し、得られたピーク時刻の情報をピーク情報として、ピーク間隔算出部３２およびピーク・マッチング判定部３４に与える。また、時刻０秒までのセンサデータを得る以前に、時刻－１．５秒においてピークＰ－１を既に検出済であり、既にピーク間隔算出部３２にそのピーク情報を与えているものとする。
　また、上の説明ではピークの例として極大値であるデータ点、または極小値であるデータ点としたが、検出するピークはこれに限らない。例えば、一定のデータ区間内で極大値かつ最大値である点や、極小値かつ特定の範囲の値である点などが考えられる。また、一定のデータ区間中に条件を満たすピークを多数検出した場合は、検出したピークのうち最も値の大きいものだけをピークとみなす、などのルールを用いて、動作の周期性を表すピークのみ検出できるようにしてもよい。
　ピーク間隔算出部３２は、時刻的に最も新しいピークと、最も新しいピークよりも１つ古いピークとの間の時間間隔を算出し、算出したピーク間隔の値と、最新のピークのピーク情報をピーク予測部３３に与える。
　図７（ａ）を例にとって説明すると、ピーク間隔算出部３２は最新のピークＰ０（時刻－０．５秒）および最新のピークよりも１つ古いピークＰ－１（時刻－１．５秒）の時間間隔ＰＩ０を算出し、（－０．５秒）－（－１．５秒）＝１秒という結果を得る。ピーク間隔算出部３２は、算出したピーク間隔１秒という値と、ピークＰ０のピーク情報であるところの－０．５秒という時刻情報を、ピーク予測部３３に与える。
　ピーク予測部３３は、ピーク間隔算出部３２から得たピーク間隔と、時刻的に最も新しいピーク情報を用いて、次に出現するピークを予測する。次に、ピークを予測する方法の例を、図７および図８を用いて説明する。
　図７（ａ）および図８は、上述したように、ユーザが身に付けた加速度センサから得られた、「歩行」動作のセンサデータを概略的に表している。「歩行」動作の場合、あるピークから、次のピークまでの区間が、「歩行」の１歩、即ち動作の１周期に対応する。「歩行」動作が一定のペースで周期的に継続している場合は、ピーク間隔が一定と考えられる。よって、図７（ａ）に示すように、最新ピークＰ０の出現から、その直前のピーク間隔ＰＩ０の経過後に予測ピークＰｅ１が現れると予測できる。
　このピーク間隔ＰＩ０は、図８（ａ）にも示すように、ピークＰ０の時刻ｔ０とピークＰ－１の時刻ｔ－１との差であり、この場合、上述したように１秒である。したがって、図８（ｂ）に示すように、最新のピークＰ０の時刻ｔ０（－０．５秒）に、その直前のピーク間隔ＰＩ０の値（１秒）を足し合わせた時刻ｔｅ１（０．５秒）に、次のピークが現れると考えられる。ピーク予測部３３は、予測ピーク情報を、ピーク・マッチング判定部３４に与える。「予測ピーク情報」は、少なくとも予測されるピークの時刻ｔｅ１の値（０．５秒）を含む。
　ピーク・マッチング判定部３４は、ピーク予測部３３から得た予測ピーク情報と、ピーク検出部３１がセンサデータから得たピーク情報とを比較し、２つのピーク情報が一致しているかどうか調べる。一致・不一致を調べるのは、この時点でピーク間隔算出部３２およびピーク予測部３３がピーク検出部３１から得たピークよりも、新しい時刻のピーク（以下、新ピーク）についてである。
　ここで、ピークの一致不一致を判定する方法について、図９を用いて説明する。図９（ａ）は、最新のピークＰ０（時刻ｔ０）の次に来るべきピークＰｅ１（時刻ｔｅ１）を予測した様子を表す。図９（ｂ）は、予測ピークＰｅ１と新ピークＰ１とが一致した様子を表す。図９（ｃ）は、予測ピークと新ピークとが不一致の場合を表す。
　例えば、ピーク情報としてピークの発生時刻のみ用いる場合を考えると、ピーク予測部３３から得られた予測ピークＰｅ１の発生時刻ｔｅ１と、ピーク検出部３１から得られた新ピークＰ１の発生時刻ｔ１の差が、あらかじめ決められた値より小さい場合（図９（ｂ））、予測ピークと新ピークが一致したとみなす。ピークが一致したとき、ピーク・マッチング判定部３４は、ピークが一致した、即ち周期的な動作が続いている、という判定結果と、予測ピーク情報、および新ピーク情報とを、時間窓開始・終了時刻設定部２１に与える。
　また、予測ピークの時刻ｔｅ１に、実際にはピークが現れなかった場合（図９（ｃ））、具体的には、ピーク予測部３３から得られた予測ピークの発生時刻ｔｅ１と、ピーク検出部３１から得られた新ピークの発生時刻ｔ１の差が、あらかじめ決められた値より大きい場合、予測ピークと新ピークが不一致であるとみなす。
　ピークが不一致であるとき、ピーク・マッチング判定部３４は、ピークが一致しなかった、即ち周期的な動作が途切れ、「イベント動作」が発生した、という判定結果と、予測ピーク情報、および新ピーク情報とを、時間窓開始・終了時刻設定部２１に与える。
　また、ピーク検出部３１が、ピーク間隔算出部３２およびピーク予測部３３が用いたピークを検出した後、あらかじめ決められた時間長さ以上、新ピークを検出しなかった場合も、同様にピークが一致しなかったという判定結果と、予測ピーク情報とを、時間窓開始・終了時刻設定部２１に与えてもよい。
　ピークが不一致の場合について、図７（ｂ）を参照して説明する。図７（ｂ）は、センサデータ取得・記憶部１が時刻１秒までの加速度データを得、ピーク検出部３１が時刻１秒までの加速度データを処理した結果、ピークを検出しなかった様子を示す。予測ピークＰｅ１の時刻０．５秒には、実際にはピークが存在しないため、予測ピークと新ピークは不一致とみなす。従って、「イベント動作」が発生した、という判定結果と、予測ピーク情報であるところの時刻情報０．５秒を時間窓開始・終了時刻設定部２１に与える。
　時間窓開始・終了時刻設定部２１は、ピーク・マッチング判定部３４から与えられた判定結果に応じて、時間窓開始時刻および時間窓終了時刻を設定する。
　具体的には、ピーク・マッチング判定部３４が「イベント動作」は発生していないと判定した場合は、時間窓開始・終了時刻設定部２１は、「イベント動作」判定に関する時間窓は設定せず、従って判定処理部２における以降の「イベント動作」判定処理も実行されない。
　また、ピーク・マッチング判定部３４が、「イベント動作」が発生していると判定した場合は、「イベント動作」について、時間窓開始時刻および終了時刻を設定し、判定処理部２における以降の判定処理を実行する。
　複数の動作を判定対象とする場合は、判定対象の動作ごとに、別々の判定処理部２を用意し、判定する構成としてもよい。このとき、各判定処理部２は、判定対象とする動作が「イベント動作」かそうでないかをあらかじめ記憶しておく。例えば、判定処理部２として「歩行」判定処理部２ａ、および「立ち上がる」判定処理部２ｂの２つを用いるとき、「歩行」判定処理部２ａは、あらかじめ、「イベント動作」でないことを記憶し、「立ち上がる」判定処理部２ｂは、あらかじめ、「イベント動作」であることを記憶しておき、ピーク・マッチング判定部３４の判定結果に応じて時間窓開始・終了時刻設定の処理を実行するかどうか決める。
　ここで、時間窓の具体的な設定方法について説明する。まず、時間窓長さについては、判定対象の動作ごとに、あらかじめ設定しておく。一般に、時間窓長さは、動作の１周期分、または動作の開始から終了までのデータが、それぞれ時間窓内に含まれる必要がある。
　一例として、「歩行」判定に用いる時間窓長さを決める場合を考える。この場合、例えば足を１歩踏み出す動作を「歩行」動作の１周期とみなすことができる。実験を行った結果などから、１歩の動作に要する時間が、最大で１秒間程度であると見積もられるので、時間窓長さを１秒間と決めることができる。
　同様に、「イベント動作」の一例として「座る」動作の判定に用いる時間窓長さについて考えると、実験を行った結果などから、「座る」動作に要する時間は、最大で２秒間程度であると見積もられるので、時間窓長さを２秒間と決めることができる。
　次に、「イベント動作」の時間窓開始・終了時刻の具体的な設定方法について説明する。「イベント動作」の時間窓開始時刻および終了時刻の設定方法としては、例えば、ピーク予測部３３が予測したピーク時刻を、時間窓の開始時刻とするように開始時刻と終了時刻を設定する方法や、ピーク予測部３３が予測したピーク時刻を、時間窓の中心時刻とするように開始時刻と終了時刻を設定する方法が考えられる。
　他の方法としては、ピーク検出部３１が、ピーク予測部３３が予測したピーク時刻と異なる時刻に、新ピークを検出した場合、検出した新ピーク時刻を時間窓終了時刻とする方法が考えられる。新ピーク時刻を時間窓終了時刻とする場合、設定した時間窓終了時刻から、注目する動作ごとに予め決められた時間窓長さ分遡った時刻を時間窓開始時刻とする。
　同様に、例えば、ピーク検出部３１が検出した新ピークの時刻を、「イベント動作」判定時間窓の開始時刻とする方法などが考えられる。
　さらに、時間窓を複数設定する方法も考えられる。即ち、上に述べた方法で時間窓を設定した後、設定した時間窓の前後一定区間内に限り、図５に示すような短い時刻だけ開始・終了時刻をずらした複数の時間窓を設定し、時間窓ごとに判定処理を実行する方法も考えられる。このとき時間窓をずらす前後一定区間としては、例えば、設定した時間窓の中心時刻を基準として、前後３秒、計６秒間の区間とするなど、あらかじめ決められた時間の長さを用いる方法が考えられる。
　他の時間窓をずらす区間の設定方法としては、判定する動作によって時間窓長さは異なるため、例えば時間窓長さをｗ秒間とすると、設定した時間窓の中心時刻を基準として、前後ｗ秒間、計２ｗ秒間の区間とする、などのように、動作ごとに時間窓をずらす区間を別々に設定する方法が考えられる。時間窓開始・終了時刻設定部２１は、動作ごとの時間窓の開始時刻と終了時刻の情報を、時間窓データ抽出部２２に与える。
　次に、図７（ｃ）を参照して、「座る」動作を判定する場合を具体的に説明する。上述したように、「座る」時間窓長さを２秒間に設定し、ピーク予測部３３が予測したピーク時刻を、時間窓の開始時刻とするように開始時刻と終了時刻を設定する方法を用いる場合を考える。時間窓開始・終了時刻設定部２１は、ピーク・マッチング判定部３４から、予測ピーク情報として予測ピークＰｅ１の時刻０．５秒の情報を得た後、予測ピーク時刻０．５秒を時間窓開始点とする、長さ２秒の時間窓ＴＷを設定する。
　時間窓データ抽出部２２は、センサデータ取得・記憶部１に一時的に記憶されているセンサデータから、時間窓開始・終了時刻設定部２１から得た動作ごとの時間窓開始時刻および終了時刻に従って、センサデータを切出す。時間窓データ抽出部２２は、切り出したセンサデータを、特徴量算出部２３に与える。
　特徴量算出部２３は、時間窓データ抽出部２２から得たセンサデータを用いて、判定対象の動作ごとに、その動作を特徴付ける特徴量を算出する。特徴量としては例えば、時間窓におけるセンサデータの平均値や分散値といった各種統計量や、最大値や最小値などが考えられる。特徴量算出部２３は、得られた特徴量を動作判定部２４に与える。
　動作判定部２４は、特徴量算出部２３から得た特徴量を用いて、時間窓を設定した時刻における動作を判定する。例えば、「歩行」動作を判定する特徴量として、時間窓内の分散値を用いる場合を考えると、分散値が４０００［ｍＧ２］未満のときは「歩行でない」、４０００［ｍＧ２］以上のときは「歩行」と判定する、などのルールを用いて動作判定を行う。以上の処理によって得た動作判定結果を、判定結果出力部４であるところの、例えば携帯電話のディスプレイ装置に表示などする。
　以上に述べた時間窓データ抽出部２２、特徴量算出部２３、および動作判定部２４の処理は、関連技術の手法を用いることができ、「イベント動作」と「イベント動作以外」の動作とに共通して使用できる。
　また、上記説明では、ピーク予測部３３はピークの時刻情報のみ用いて、次に出現するピークの時刻のみ予測を行う場合について示したが、ピーク情報としてピークであるデータ点の値の大きさや、ピークであるデータ点と、その前後のデータ点との間の傾きの値などを用いて、より正確なピークの予測を行う処理も考えられる。例えば、ピーク情報として、時刻の他に値の大きさを用いる場合、次に出現するピークの時刻を予測すると同時に、ピーク間隔算出部３２から得られたピークの値を、次に出現するピークの値の予測値として、ピーク・マッチング判定部３４に与える方法などが考えられる。
　さらに、他のピーク予測の方法として、ピークが出現する時刻を一意に決めず、ある一定の時間幅を持たせた時刻を予測する方法も考えられる。具体的には、例えば、ピーク間隔算出部３２が算出したピーク間隔がＰＩ０（秒）であったとすると、予測ピークの発生時刻を中心とし、この時刻の前後にそれぞれＰＩ０／２（秒）ずつ幅を持たせた区間を、予測ピーク発生区間とする。ピーク・マッチング判定部３４は、ピーク検出部３１から得られた新ピークが、この予測ピーク発生区間内に存在するか否かによって、一致・不一致を判定する。このように、一定の時間幅を持たせた予測ピーク発生区間において、ピーク・マッチング判定部３４がピークの一致・不一致を判定する方法は、上記方法に限定されない。
　例えば、他にも、予測ピーク発生区間にガウス分布を仮定し、ピーク検出部３１から得られた新ピークが、ガウス分布の中心を基準として、例えば分布全体の３０％以内などの、予め決められた範囲内に分布しているか否かによって一致・不一致を判定するなどの方法が考えられる。また、このようにある一定の幅を持たせた予測を行う方法は、時間幅についてだけでなく、ピークであるデータ点の値の大きさなどの、他のピーク情報を予測に用いる場合にも適用できる。
　以上に加え、上記説明では、「イベント動作」の発生を検出したか否かによって、「イベント動作」判定処理を実行するか否かを決定する場合について述べたが、「イベント動作」以外の動作に関しても同様の方式を適用できる。即ち、イベント動作検出部３が「イベント動作」が発生していない、と判定した場合には「イベント動作」でない動作の判定処理を実行し、「イベント動作」が発生した、と判定した場合には「イベント動作」でない動作の判定処理は実行しない、などのルールを「イベント動作」でない動作判定処理部に対しても適用することができる。
　ここで、本発明の第１の実施形態の物理的な構成を述べる。
　上述した例では、ユーザが所有する加速度センサ搭載携帯電話が、動作判定システム１０全体を備えている、という構成を示したが、物理的な構成はこれに限らない。考えられる他の構成としては、例えば図６に示した構成のうち、センサデータ取得・記憶部１のみ携帯電話に備えられており、イベント動作検出部３および判定処理部２が、携帯電話と通信して動作判定を行う外部のサーバ装置やユーザが所有するパソコンなどである、という構成も考えられる。このとき、センサデータ取得・記憶部１は、センサデータを外部のサーバ装置に送信する通信機能を有する。このとき、センサデータをリアルタイムに送信し、動作判定処理を実行してもよいし、サーバ装置に記憶装置が備えられており、一定量のセンサデータを取得したときにまとめて判定処理を実行してもよい。
　さらに、携帯電話側に記憶装置が備えられており、データ計測終了後にまとめてセンサデータをサーバ装置に送信するか、有線接続を通じてパソコン装置にデータを移動して用いる方法も考えられる。
　また、センサは携帯電話に搭載された加速度センサに限らず、バンドなどを用いてユーザの身体に装着する専用の加速度センサ装置である場合も考えられる。
　以上の物理的な構成は、以下に示す本発明の他の実施形態についても同様のことが言える。
　次に、図６および図１０を参照して本発明の第１の実施形態の動作について詳細に説明する。
（ステップＳ１）センサデータ取得・記憶部１が、ユーザの動作のセンサデータを取得し、一時的に記憶する。
（ステップＳ２）ピーク検出部３１が、センサデータ取得・記憶部１から得たセンサデータに存在するピークの検出を行う。ピークが存在する場合（ステップＳ３の「Ｙ」）、ピーク情報をピーク間隔算出部３２およびピーク・マッチング判定部３４に与える。検出処理は一定時間分のセンサデータが得られるたびに繰り返し実行し、新しくピーク情報が得られるたびにピーク間隔算出部３２およびピーク・マッチング判定部３４に与える。また、得られたセンサデータにピークが存在しない場合（ステップＳ３の「Ｎ」）、ピーク検出部３１はピーク間隔算出部３２およびピーク・マッチング判定部３４にピーク情報を与えず、ステップＳ１に戻る。
（ステップＳ４）ピーク間隔算出部３２は、ピーク検出部３１がピーク情報を新しく得るたびに、ピーク検出部３１からピーク情報を受け取る。ピーク間隔算出部３２は、与えられたピーク情報を用いて、時刻的に最も新しいピークと、最も新しいピークよりも時刻的に１つ古いピークの間の時間間隔を算出し、算出したピーク間隔の値と、最も新しいピークの「ピーク情報」をピーク予測部３３に与える。
（ステップＳ５）ピーク予測部３３が、次に出現するピークを予測し、ピーク・マッチング判定部３４に「予測ピーク情報」を与える。
（ステップＳ６）ピーク・マッチング判定部３４は、ピーク予測部３３から得た予測ピーク情報と、ピーク検出部３１から得た新ピークのピーク情報を比較し、２つのピーク情報が一致しているかどうか調べる。また、ピーク・マッチング判定部３４は、ピーク予測部３３から「予測ピーク情報」を得たのち、ピーク検出部３１が新ピークを検出する、もしくは、ピーク検出部３１が、あらかじめ決められた時間長さ以上、新ピークを検出しない状態が続いた場合、ピーク情報の一致・不一致判定処理を行う。ピーク・マッチング判定部３４は、ピークの一致・不一致の判定結果と、予測ピーク情報、およびピーク検出部３１から得た最新のピーク情報とを、判定処理部２の時間窓開始・終了時刻設定部２１に与える。
（ステップＳ８）時間窓開始・終了時刻設定部２１は、ピーク・マッチング判定部３４から与えられた判定結果に応じて（ステップＳ７）、判定対象の動作ごとに、時間窓開始時刻および時間窓終了時刻を設定し、時間窓データ抽出部２２に設定した時刻情報を与える。
（ステップＳ９）時間窓データ抽出部２２は、センサデータ取得・記憶部１に一時的に記憶されているセンサデータから、判定動作ごとの時間窓開始時刻および終了時刻に従って、センサデータを切出す。時間窓データ抽出部２２は、抽出したセンサデータを、特徴量算出部２３に与える。
（ステップＳ１０）特徴量算出部２３は、時間窓データ抽出部２２から得たセンサデータを用いて、判定動作ごとに、その動作を特徴付ける特徴量を算出する。特徴量算出部２３は、得られた特徴量を動作判定部２４に与える。
（ステップＳ１１）動作判定部２４は、特徴量算出部２３から得た特徴量を用いて、設定した時間窓における動作を判定する。
（ステップＳ１２）判定結果出力部４がディスプレイ装置等に判定結果を出力する。
　次に、本発明の第１の実施形態の効果について説明する。
　本発明の第１の実施形態では、イベント動作の判定処理における計算量を削減できる効果を奏する。その理由は次の通りである。「イベント動作」発生時にセンサデータの周期性が失われる点に着目し、周期性が失われた場合のみ、「イベント動作」が発生したとみなして「イベント動作」の判定処理を行う。具体的には、予測したピーク出現時刻と、実際に出現したピーク時刻が乖離したときに、動作の周期性が失われた、即ち「イベント動作」が発生したとみなす。そして、「イベント動作」が発生した可能性が高い時刻の周辺についてのみ、時間窓を設定し、特徴量を計算するなどの判定処理を実行する。従って、時間窓を設定して判定処理を行ったのち、時間窓の開始時刻を短い時刻だけずらした新たな時間窓を設定し、再び判定処理を行う、というサイクルを、得られた全てのセンサデータに対して実行する必要がない。これにより、判定処理の実行回数を削減することができ、「イベント動作」の判定処理全体の計算量を削減できる。
　次に、本発明の第２の実施形態について、図１１ないし１３を参照して詳細に説明する。
　第１の実施態様の構成を示す図６と、図１１を参照すると、本発明の第２の実施形態は、第１の実施形態と比べて、ピーク間隔履歴記憶部３５が加わっている点で異なる。
　第１の実施形態では、ピーク間隔算出部３２は、ピーク検出部３１から得た、最も新しい時刻のピーク情報と、２番目に新しい時刻のピーク情報を用いてピーク間隔を算出し、こうして得た最新のピーク間隔の値を用いて、ピーク予測部３３が次に出現するピークを予測していた。第２の実施形態では、ピーク間隔算出部３２が算出したピーク間隔の値と、最新のピークのピーク情報を、ピーク間隔履歴記憶部３５に与える。
　ピーク間隔履歴記憶部３５は、ピーク間隔算出部３２から得たピーク間隔の値と、検出された過去のピーク情報を、例えば過去５分間分や、過去のピーク３００個分などの、予め決められた時間分または個数分記憶している。記憶しているピーク間隔の値、およびピーク情報を、ピーク予測部３３に与える。ピーク予測部３３に与える履歴情報は、過去５秒間分や、過去５個分など、予め決めておく。
　ピーク間隔履歴記憶部３５が記憶しているピーク情報の例を、図１２に示す。図１２は、ピーク間隔履歴記憶部３５が、ピーク情報とピーク間隔の値を、過去３００個分記憶している様子を表す。ピーク間隔履歴記憶部３５は、ＰＩ０からＰＩ－４までの最新のピーク間隔の値５個分、およびＰ０からＰ－４までの最新のピーク情報５個分をピーク予測部３３に与える。
　ピーク予測部３３は、ピーク間隔履歴記憶部３５から得た一定時間分のピーク間隔の値、およびピーク情報から、次に出現するピークを予測する。
　ピークを予測する方法としては、例えば図８（ｂ）に示すように最新のピークＰ０の時刻ｔ０に、直前のピーク間隔であるＰＩ０の値を足し合わせるのではなく、最新のピークＰ０の時刻ｔ０に、ピーク間隔履歴記憶部３５に記憶されている過去のピーク間隔の平均値であるＰＩａｖｅの値を足し合わせた値を予測ピークの出現時刻とする方法などが考えられる。
　具体例として、図１２に示したピーク履歴情報のうち、最新のピーク間隔の値５個分、および最新のピーク情報５個分を得た場合を考える。このとき、過去５個分のピーク間隔の値の平均値は１．０６秒となるので、これを最新のピークＰ０の時刻０．０秒に足し合わせた時刻１．０６秒が予測ピーク時刻となる。
　他の方法としては、例えば、ピーク間隔履歴記憶部３５に記憶されているピーク間隔の値のうち、最大値と最小値を求め、最大値と最小値の間の区間を例えば１０分割した各区間に、記憶されているピーク間隔の値を割り振った結果、所属するピーク間隔の数が最も回数の多かった区間を、ピーク間隔として採用する方法が考えられる。
　具体的には、ピーク間隔履歴記憶部３５に記憶されているピーク間隔を、時刻の古いものから順にＰＩ－ｎ，ＰＩ－（ｎ－１），・・・，ＰＩ－１，ＰＩ０とし、このうち最も値の小さいピーク間隔が０．７秒間、最も大きなピーク間隔が１．７秒間であったとする。ここで、０．７秒以上０．８秒未満の区間から、１．６秒以上１．７秒未満の区間まで、１０の区間を考え、ＰＩ－ｎ，ＰＩ－（ｎ－１），・・・，ＰＩ－１，ＰＩ０の各ピーク間隔を、それぞれ所属する区間に割り振る。その結果、例えば１．１秒以上１．２秒未満の区間に所属するピーク間隔の数が最も多かったとすると、ピークＰ０の時刻０秒にこの区間を足し合わせた、時刻１．１秒から時刻１．２秒の区間を、予測ピーク発生区間とする、などの方法が考えられる。
　以降のイベント動作検出部３、および判定処理部２の動作は、本発明の第１の実施形態と同様のため、説明を省略する。
　また、本発明の第１の実施形態の説明でも述べた通り、ピーク予測部３３はピークの時刻情報のみ用いるのでなく、ピーク情報としてピークであるデータ点の値の大きさや、ピークであるデータ点と、その前後のデータ点との間の傾きの値などを用いて、より正確なピークの予測を行う方法も考えられる。さらに、ピークが出現する時刻を一意に決めず、ある一定の時間幅を持たせた時刻を予測する方法も適用できる。また、ピーク情報の履歴とピーク間隔の履歴に、最小二乗法や曲線補完などの統計的な予測方法を適用することもできる。
　次に、図１１および図１３を参照して、本発明の第２の実施形態の動作について詳細に説明する。
（ステップＳ１）センサデータ取得・記憶部１が、ユーザの動作のセンサデータを取得し、一時的に記憶する。
（ステップＳ２）ピーク検出部３１が、センサデータ取得・記憶部１から得たセンサデータに存在するピークの検出を行う。ピークが存在する場合（ステップＳ３の「Ｙ」）、ピーク情報をピーク間隔算出部３２およびピーク・マッチング判定部３４に与える。検出処理は一定時間分のセンサデータが得られるたびに繰り返し実行し、新しくピーク情報が得られるたびにピーク間隔算出部３２およびピーク・マッチング判定部３４に与える。また、得られたセンサデータにピークが存在しない場合（ステップＳ３の「Ｎ」）、ピーク検出部３１はピーク間隔算出部３２およびピーク・マッチング判定部３４にピーク情報を与えず、ステップＳ１に戻る。
（ステップＳ４）ピーク間隔算出部３２は、ピーク検出部３１がピーク情報を新しく得るたびに、ピーク検出部３１からピーク情報を受け取る。ピーク間隔算出部３２は、与えられたピーク情報を用いて、時刻的に最も新しいピークと、最も新しいピークよりも時刻的に１つ古いピークの間の時間間隔を算出し、算出したピーク間隔の値と、最も新しいピークの「ピーク情報」をピーク間隔履歴記憶部３５に与える。
（ステップＳ１３）ピーク間隔履歴記憶部３５は、ピーク間隔算出部３２から得たピーク間隔の値と、時刻的に最も新しいピークのピーク情報を記憶する。
（ステップＳ５）ピーク予測部３３は、ピーク間隔履歴記憶部３５から得た過去のピーク間隔の値の履歴と、過去のピーク情報を用いて、次に出現するピークを予測し、ピーク・マッチング判定部３４に「予測ピーク情報」を与える。
（ステップＳ６）ピーク・マッチング判定部３４は、ピーク予測部３３から予測ピーク情報を得る。ピーク検出部３１が、ピーク間隔算出部３２およびピーク予測部３３が用いたピーク情報よりも、新しい時刻のピークを検出した場合、検出したピーク情報をピーク検出部３１から得る。こうしてピーク予測部３３から得た予測ピーク情報と、ピーク検出部３１から得た新ピーク情報を比較し、２つのピーク情報が一致しているかどうか調べる。
　ピーク・マッチング判定部３４は、ピーク予測部３３から予測ピーク情報を得たのち、ピーク検出部３１が新しい時刻のピークを検出する、もしくは、ピーク検出部３１が、あらかじめ決められた時間長さ以上、新たなピークを検出しない状態が続いた場合に、ピーク情報の一致・不一致判定処理を行う。ピーク・マッチング判定部３４は、ピークの一致・不一致の判定結果と、予測ピーク情報と、ピーク検出部３１から得た新ピーク情報とを、時間窓開始・終了時刻設定部２１に与える。
（ステップＳ８）時間窓開始・終了時刻設定部２１は、ピーク・マッチング判定部３４から与えられた判定結果に応じて（ステップＳ７）、判定対象の動作ごとに、時間窓開始時刻および時間窓終了時刻を設定し、時間窓データ抽出部２２に設定した時刻情報を与える。
（ステップＳ９）時間窓データ抽出部２２は、センサデータ取得・記憶部１に一時的に記憶されているセンサデータから、判定動作ごとの時間窓開始時刻および終了時刻に従って、センサデータを切出す。時間窓データ抽出部２２は、抽出したセンサデータを、特徴量算出部２３に与える。
（ステップＳ１０）特徴量算出部２３は、時間窓データ抽出部２２から得たセンサデータを用いて、判定動作ごとに、その動作を特徴付ける特徴量を算出する。特徴量算出部２３は、得られた特徴量を動作判定部２４に与える。
（ステップＳ１１）動作判定部２４は、特徴量算出部２３から得た特徴量を用いて、設定した時間窓における動作を判定する。
（ステップＳ１２）判定結果出力部４がディスプレイ装置等に判定結果を出力する。
　次に、本発明の第２の実施形態の効果について説明する。
　本発明の第１の実施形態では、ピーク予測部３３は、最も新しいピークの発生時刻のピーク情報と、２番目に新しい時刻のピーク情報を用いて算出したピーク間隔の値を用いて、次に出現するピークを予測していた。一方、本発明の第２の実施形態では、ピーク予測部３３が、ピーク間隔履歴記憶部３５が記憶している過去一定時間分のピーク間隔の値とピーク情報を用いて、次に出現するピークを予測する。このように、過去一定時間の履歴を用いることによって、次に出現するピークを、より高精度に予測できる。よって、本発明の第１の実施形態と比較して、「イベント動作」判定処理の時間窓開始・終了時刻をより適切に設定できるので、高精度な「イベント動作」判定処理が可能である。
　次に、本発明の第３の実施形態について、図１４ないし１６を参照して詳細に説明する。
　図１４は、本発明の第３の実施形態の構成を示す。図６に示された本発明の第１の実施形態と比べて、ピーク間隔履歴記憶部５、ピーク学習部６、および正解動作入力部７が加わっている点で異なる。
　ピーク間隔履歴記憶部５は、ピーク間隔算出部３２から得たピーク間隔の値と、検出された過去のピーク情報を、例えば過去２４時間や過去１週間などの、あらかじめ決められた時間分記憶している。
　正解動作入力部７は、ユーザが実際に行った動作の種類を、ピーク学習部６に入力する。ピーク学習部６に入力する情報は、少なくとも、動作を行った時刻の情報と、動作の種類の情報とを含む。少なくとも、動作を行った時刻情報と、行った動作の種類の情報を含む情報を、本明細書では「正解動作情報」と呼ぶ。入力の方法としては、例えば、ユーザがコンピュータ装置などを通じて、過去のある時刻と、その時刻に自分自身が行った動作の種類との組を、コンピュータ装置や携帯電話などを通じて入力する方法が考えられる。
　ピーク学習部６は、ピーク間隔履歴記憶部５に記憶されている一定時間分のピーク間隔の値、およびピーク情報と、正解動作入力部７から得た「正解動作情報」を用いて、ピーク情報やピーク間隔を学習する。学習の結果、ピーク学習部６は、ピーク予測に用いるパラメータをピーク予測部３３に与える。与えるパラメータとしては、例えば、ピーク予測部３３が設定する、予測ピーク発生区間の値などが挙げられる。
　学習によりピーク予測方法を変更する様子を、図１５を用いて説明する。図１５（ａ）に示すように、過去のある時刻に、「イベント動作」であるところの「座る」動作が発生した、という正解動作情報を得た場合を考える。ここで、「座る」動作が発生した時刻を０秒とすると、ピーク学習部６は、ピーク間隔履歴記憶部５より、時刻０秒を含む、過去５分間などの、あらかじめ決められた区間におけるピーク間隔の値、およびピーク情報を得る。こうして、ピーク間隔とピーク情報を得た時刻０秒周辺の区間について、ピーク学習部６は、「イベント動作」が発生したか否かを判定する。
　「イベント動作」発生の判定方法は、ピーク予測部３３およびピーク・マッチング判定部３４と同じ処理を用い、ピーク情報はピーク間隔履歴記憶部５から得る。一例として、本発明の第１の実施形態の説明で示したように、幅を持った予測ピーク発生区間を用いてピークの一致・不一致を判定する場合を考える。
　例えば、最新のピークＰ０の時刻ｔ０秒を含まず、かつ時刻０秒の直前のピーク間隔ＰＩｉの大きさがＰＩｉ＝１秒間であったとし、予測ピークの発生時刻ｔｅをｔｅ＝０秒とすると、図１５（ｂ）に示すように、時刻ｔｅ＝０秒を中心とし、時刻ｔｅ＝０秒の前後にそれぞれＰＩｉ／２＝０．５秒間ずつ幅を持たせた区間が、予測ピーク発生区間となる。
　そして、ピーク間隔履歴記憶部５から得た新ピークが、この予測ピーク発生区間内に存在するか否かによって、一致・不一致を判定する。その結果、正解動作情報の通り、時刻ｔｅ＝０秒において「イベント動作」が発生したと判定した場合は、ピーク学習部６は学習を行わず、処理を終える。
　一方、正解動作情報と異なり、時刻ｔｅ＝０秒において、「イベント動作」は発生していないと判定した場合、即ち、予測したピーク発生区間に、実際にピークを検出した場合は、予測ピーク発生区間を必要以上に長く設定していると考えられる。その場合には、図１５（ｃ）に示すように、従来の予測ピーク発生区間である、前後ＰＩｉ／２＝０．５秒間よりも短い区間として、例えば前後ＰＩｉ／３＝０．３秒間ずつを予測ピーク発生区間とする。ピーク学習部６は、こうして得た新たなピーク予測に用いる発生区間長さの値を、ピーク予測部３３に与える。
　また、正解動作情報として、「歩行」などの「イベント動作」でない動作の情報を得たときも、同様の学習方法が考えられる。例えば、時刻ｔ＝０秒に「歩行」動作を行った、という正解動作情報を得たとき、上に述べた方法と同様に、時刻ｔ＝０秒周辺の区間において、「イベント動作」発生判定を行ったとする。その結果、時刻ｔ＝０秒周辺において、正解動作情報の通り、「イベント動作」が発生していない、と判定された場合は、ピーク学習部６は学習を行わず、処理を終える。
　一方、正解動作情報と異なり、「イベント動作」が発生したと判定した場合は、予測したピーク発生区間を、必要以上に短く設定していると考えられるので、従来の区間である、前後ＰＩｉ／２（秒）よりも長い区間として、例えば前後ＰＩｉ×（２／３）（秒）ずつを、予測ピーク発生区間とする。
　さらに、上記説明した方法に加えて、新たに設定したピーク予測方法が、正しく「イベント動作」の発生を判定できるかどうかを検証する方法も考えられる。即ち、時刻ｔにおける正解動作情報から、上記説明したのと同様の方法で学習を行い、新たなピーク予測のパラメータの値を得た後、再び同じ時刻ｔにおける正解動作情報から、得られた新たなピーク予測方法を用いて、学習を行う。このようにして、正解動作情報の通りの「イベント動作」発生判定を実行できるまで、学習処理を繰り返し行うことで、より高精度な予測ピーク発生区間を設定できる。
　また、繰り返し学習処理を行っても、正解動作情報の通りの「イベント動作」発生判定ができない場合も起こり得るため、学習処理の繰り返し回数に上限を設け、学習処理回数が上限に達したら学習処理を終了する、などのルールを別途設けることも考えられる。
　そして、学習によって予測ピーク発生区間を変更する以外に、例えば本発明の第１の実施形態の説明で述べたように、ピークの値やピーク前後の傾き情報などをピーク予測に用いる場合も、同様の方法で学習が可能である。
　加えて、上記説明では、正解動作情報として、ユーザが時刻ｔを指定する場合について述べたが、実際には「イベント動作」は発生時間が短いため、ユーザが記憶などを頼りに指定した正解動作の発生時刻と、実際に「イベント動作」が発生した時刻が必ずしも一致しない場合がある。従って、ピーク間隔履歴記憶部５は、指定された時刻ｔの前後５分ずつ、などの、あらかじめ決められた時間幅をもった区間のピーク間隔およびピーク情報を、ピーク学習部６に与え、この区間内で正解動作情報の通りの「イベント動作」発生判定が行えるか否かによって、学習処理を行ってもよい。
　ピーク予測部３３は、ピーク学習部６から得た、新たなピーク予測のパラメータを用いて、ピーク予測を行う。
　ここで、本発明の第３の実施形態の物理的な構成について述べる。考えられる構成としては、例えば正解動作入力部７がユーザの所有する携帯電話であって、ピーク間隔履歴記憶部５とピーク学習部６が、外部のサーバ装置である構成が考えられる。また、物理的な構成はこれに限らず、他にも例えば、正解動作入力部７、ピーク間隔履歴記憶部５、およびピーク学習部６が、外部のコンピュータ装置であって、ユーザがコンピュータ装置を通じて入力した正解動作情報を用いて、学習処理がコンピュータ装置内部で行われ、得られた新しいピーク予測方法が、コンピュータ装置を通じて携帯電話に送信され、携帯電話に搭載されたイベント動作検出部３のピーク予測部３３の予測方法を更新する、という構成も考えられる。
　次に、図１４および図１６を参照して、本発明の第３の実施形態の動作について詳細に説明する。
　図１６におけるＳ１－Ｓ１２で表されるステップは、本発明の第１の実施形態の動作の説明におけるＳ１－Ｓ１２と同様の動作のため、説明を割愛する。
（ステップＳ１３）ピーク間隔履歴記憶部５が、ピーク間隔算出部３２から得たピーク間隔の値と、時刻的に最も新しいピークのピーク情報を記憶する。
（ステップＳ１４）正解動作入力部７は、ユーザが実際に行った動作の種類とその動作の時刻情報とを含む正解動作情報をピーク学習部６に入力する。
（ステップＳ１５）ピーク学習部６は、ピーク間隔履歴記憶部５に記憶されている一定時間分のピーク間隔の値、およびピーク情報と、正解動作入力部７から得た正解動作情報を用いて、ピーク間隔の傾向を学習する。学習によって得た新たなピーク予測方法をピーク予測部３３に与える。
　ステップＳ１５で表される学習処理は、ステップＳ１４で表される正解動作情報の入力をきっかけとして実行される。このとき、ステップＳ１４とステップＳ１５は、同時に実行される必要はなく、例えばステップＳ１４で表される正解動作情報の入力が行われた後、例えば１日に１回などの決められた時間にステップＳ１５で表される学習処理を実行し、得られたピーク予測方法をピーク予測部３３に与えるなどの方法が考えられる。
　次に、本発明の第３の実施形態の効果について説明する。
　本発明の第１の実施形態では、ピーク予測部３３は、あらかじめ定められたルールに基づいて次に出現するピークを予測していたのに対し、本発明の第３の実施形態では、ピーク学習部６が、正解動作情報を用いて学習を行い、ピーク予測およびピーク・マッチング方法を変更する。このように、正解動作情報を用いて、より高精度に「イベント動作」を検出する方法へ変更するため、本発明の第１の実施形態と比較して、高精度な「イベント動作」判定処理が可能である。
　また、本発明の第３の実施形態は、本発明の第２の実施形態と組み合わせて用いることで、双方の効果を実現することも可能である。
　また、本発明の第１－３の各実施形態における動作判定プログラムは、コンピュータに、図１０、図１３または図１６に示すステップのうち一部または全部を実行させるプログラムとして構成できる。このプログラムをコンピュータにインストールし、実行することによって、第１－３の各実施形態における動作判定装置および動作判定方法を実現することができる。コンピュータとしては、上述したようにサーバ装置、パーソナルコンピュータ、携帯電話等が挙げられる。
　上記の実施形態の一部または全部は、以下の付記のようにも記載されうるが、以下には限られない。
（付記１）
　センサデータを用いてユーザの動作を判定する動作判定装置であって、
　前記ユーザが動作しているときの前記センサデータの周期性の喪失を検知する周期性喪失検知手段と、
　前記検知した前記センサデータの周期性の喪失に応じて動作判定に用いるデータ区間を設定し、設定した前記データ区間のセンサデータを基にユーザの動作を判定する判定処理手段と、
を有することを特徴とする動作判定装置。
（付記２）
　前記センサデータの周期性が、センサデータにおいて少なくとも極大値または極小値をとるデータ点であるピークの周期性であることを特徴とする付記１に記載の動作判定装置。
（付記３）
　前記データ区間は、判定対象の動作の種類毎に所定の時間幅を有するように設定されることを特徴とする付記１または２に記載の動作判定装置。
（付記４）
　判定対象の動作の種類毎の前記判定処理手段を備えることを特徴とする付記１ないし３のいずれか１に記載の動作判定装置。
（付記５）
　前記センサデータは、ユーザの動作に伴って動く加速度センサの出力データであることを特徴とする付記１ないし４のいずれか１に記載の動作判定装置。
（付記６）
　前記周期性喪失検知手段が、
　前記センサデータから、少なくとも極大値または極小値をとるデータ点であるピークを検出するピーク検出部と、
　前記検出した複数のピークの発生時刻からピーク間の時間間隔を算出するピーク間隔算出部と、
　前記ピーク間隔算出部が算出したピーク間隔の値と、前記ピーク検出部が検出したピークの発生時刻を用いて、次のピークの、少なくとも発生時刻を含むピーク情報を予測するピーク予測部と、
　前記ピーク予測部が予測したピークと、前記ピーク検出部がセンサデータから検出したピークとが一致するか否かを判定するピーク・マッチング判定部と、
を有することを特徴とする付記１ないし５のいずれか１に記載の動作判定装置。
（付記７）
　前記ピーク検出部が検出したピークの時刻情報と、前記ピーク間隔算出部が算出したピーク間隔を、過去一定時間分記憶するピーク間隔履歴記憶部を更に含み、
　前記ピーク予測部が、前記ピーク間隔履歴記憶部に記憶されているピーク情報およびピーク間隔の履歴を用いて、次のピークの、少なくとも発生時刻を含むピーク情報を予測することを特徴とする付記６に記載の動作判定装置。
（付記８）
　前記ピーク検出部が検出したピークの時刻情報と、前記ピーク間隔算出部が算出したピーク間隔を、過去一定時間分記憶するピーク間隔履歴記憶部と、
　少なくとも実際に行われた動作の種類と、その動作が行われた時刻とを含む正解動作情報を入力する正解動作入力部と、
　前記正解動作入力部が入力した時刻周辺のピークの時刻情報とピーク間隔との履歴を前記ピーク間隔履歴記憶部から取得し、ピーク間隔の傾向を学習し、学習結果に基づいて周期性検知方法を変更するピーク学習部と、
を更に有することを特徴とする付記６に記載の動作判定装置。
（付記９）
　前記ピーク・マッチング判定部において、前記ピーク予測部が予測したピークと、前記ピーク検出部がセンサデータから検出したピークとの、発生時刻の差に基づいて一致を判定することを特徴とする付記６ないし８のいずれか１に記載の動作判定装置。
（付記１０）
　前記ピーク・マッチング判定部において、前記ピーク予測部が予測したピークと、前記ピーク検出部がセンサデータから検出したピークとの、発生時刻の差およびピーク値の差に基づいて一致を判定することを特徴とする付記６ないし８のいずれか１に記載の動作判定装置。
（付記１１）
　付記１ないし１０のいずれか１に記載の動作判定装置と、
　センサから出力されるセンサデータを取得し、一時的に記憶するセンサデータ取得・記憶部と、
　前記判定処理部により行われた動作判定の結果を出力する判定結果出力部と、
を備えたことを特徴とする動作判定システム。
（付記１２）
　センサデータを用いてユーザの動作を判定する動作判定方法であって、
　前記ユーザが動作しているときの前記センサデータの周期性の喪失を検知するステップと、
　前記検知した前記センサデータの周期性の喪失に応じて動作判定に用いるデータ区間を設定し、設定した前記データ区間のセンサデータを基にユーザの動作を判定するステップと、
を含むことを特徴とする動作判定方法。
（付記１３）
　前記周期性の喪失を検知するステップが、
　前記センサデータから、少なくとも極大値または極小値をとるデータ点であるピークを検出するステップと、
　検出した複数のピークの発生時刻からピーク間の時間間隔を算出するステップと、
　前記算出したピーク間隔の値と、前記検出したピークの発生時刻を用いて、次のピークの、少なくとも発生時刻を含むピーク情報を予測するステップと、
　前記予測したピークと、前記検出したピークとが一致するか否かを判定するステップと、
を含むことを特徴とする付記１２に記載の動作判定方法。
（付記１４）
　前記検出したピークの時刻情報と、前記算出したピーク間隔を、過去一定時間分記憶するステップ、
を更に含み、
　前記予測するステップが、前記記憶されているピーク情報およびピーク間隔の履歴を用いて、次のピークの、少なくとも発生時刻を含むピーク情報を予測する、ことを含むことを特徴とする付記１３に記載の動作判定方法。
（付記１５）
　　前記検出したピークの時刻情報と、前記算出したピーク間隔を、過去一定時間分記憶するステップと、
　少なくとも実際に行われた動作の種類と、その動作が行われた時刻とを含む正解動作情報を入力するステップと、
　前記入力した時刻周辺のピークの時刻情報とピーク間隔との履歴を前記過去一定時間分記憶された情報から取得し、ピーク間隔の傾向を学習することによって周期性検知方法を変更するステップと、
を更に含むことを特徴とする付記１３に記載の動作判定方法。
（付記１６）
　前記判定するステップにおいて、前記予測したピークと、前記センサデータから検出したピークとの、発生時刻の差に基づいて一致を判定することを特徴とする付記１３ないし１４のいずれか１に記載の動作判定方法。
（付記１７）
　前記判定するステップにおいて、前記予測したピークと、前記センサデータから検出したピークとの、発生時刻の差およびピーク値の差に基づいて一致を判定することを特徴とする付記１３ないし１５のいずれか１に記載の動作判定方法。
（付記１８）
　センサデータを用いてユーザの動作を判定する動作判定プログラムであって、コンピュータに、
　前記ユーザが動作しているときの前記センサデータの周期性の喪失を検知する機能と、
　前記検知した前記センサデータの周期性の喪失に応じて動作判定に用いるデータ区間を設定し、設定した前記データ区間のセンサデータを基にユーザの動作を判定する機能と、
を実現させることを特徴とする動作判定プログラム。
（付記１９）
　前記周期性の喪失を検知する機能が、
　前記センサデータから、少なくとも極大値または極小値をとるデータ点であるピークを検出する機能と、
　前記検出した複数のピークの発生時刻からピーク間の時間間隔を算出する機能と、
　前記算出したピーク間隔の値と、前記検出したピークの発生時刻を用いて、次のピークの、少なくとも発生時刻を含むピーク情報を予測する機能と、
　前記予測したピークと、前記検出したピークとが一致するか否かを判定する機能と、
を含むことを特徴とする付記１８に記載の動作判定プログラム。
（付記２０）
　更に、コンピュータに、
　前記検出したピークの時刻情報と、前記算出したピーク間隔を、過去一定時間分記憶する機能、を実現させることを含み、
　前記予測する機能が、前記記憶されているピーク情報およびピーク間隔の履歴を用いて、次のピークの、少なくとも発生時刻を含むピーク情報を予測する、ことを含むことを特徴とする付記１８に記載の動作判定プログラム。
（付記２１）
　更に、コンピュータに、
　前記検出したピークの時刻情報と、前記算出したピーク間隔を、過去一定時間分記憶する機能と、
　少なくとも実際に行われた動作の種類と、その動作が行われた時刻とを含む正解動作情報を入力する機能と、
　前記入力した時刻周辺のピークの時刻情報とピーク間隔との履歴を前記過去一定時間分記憶された情報から取得し、ピーク間隔の傾向を学習することによって周期性検知方法を変更する機能と、
を実現させることを含むことを特徴とする付記１９に記載の動作判定プログラム。
　この出願は、２０１２年３月２日に出願された日本出願特願２０１２－０４６６１０を基礎とする優先権を主張し、その開示の全てをここに取り込む。
　以上、実施形態を参照して本願発明を説明したが、本願発明は上記実施形態に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
　本発明によれば、例えば人の動作判定を行った結果を用いて、高精度な消費カロリー計算を行ったり、１日の動作判定結果を記録することで、ユーザが記録を閲覧したときに、自動的に生成された日記のように利用できる他、「転倒」などの危険動作の発生をリアルタイムに監視することで、幼児や高齢者の遠隔地からの見守りなどに応用できる。
１　　センサデータ取得・記憶部
２　　判定処理部
２１　時間窓開始・終了時刻設定部
２２　時間窓データ抽出部
２３　特徴量算出部
２４　動作判定部
３　　イベント動作検出部
３１　ピーク検出部
３２　ピーク間隔算出部
３３　ピーク予測部
３４　ピーク・マッチング判定部
３５　ピーク間隔履歴記憶部
４　　判定結果出力部
５　　ピーク間隔履歴記憶部
６　　ピーク学習部
７　　正解動作入力部
８　　動作判定装置
１０　動作判定システム
　

Claims (10)

  1. 　センサデータを用いてユーザの動作を判定する動作判定装置であって、
    　前記ユーザが動作しているときの前記センサデータの周期性の喪失を検知する周期性喪失検知手段と、
    　前記検知した前記センサデータの周期性の喪失に応じて動作判定に用いるデータ区間を設定し、設定した前記データ区間のセンサデータを基にユーザの動作を判定する判定処理手段と、
    を有することを特徴とする動作判定装置。
  2. 　前記センサデータの周期性が、センサデータにおいて少なくとも極大値または極小値をとるデータ点であるピークの周期性であることを特徴とする請求項１に記載の動作判定装置。
  3. 　前記データ区間は、判定対象の動作の種類毎に所定の時間幅を有するように設定されることを特徴とする請求項１または２に記載の動作判定装置。
  4. 　判定対象の動作の種類毎の前記判定処理手段を備えることを特徴とする請求項１ないし３のいずれか１項に記載の動作判定装置。
  5. 　前記周期性喪失検知手段が、
    　前記センサデータから、少なくとも極大値または極小値をとるデータ点であるピークを検出するピーク検出部と、
    　前記検出した複数のピークの発生時刻からピーク間の時間間隔を算出するピーク間隔算出部と、
    　前記ピーク間隔算出部が算出したピーク間隔の値と、前記ピーク検出部が検出したピークの発生時刻を用いて、次のピークの、少なくとも発生時刻を含むピーク情報を予測するピーク予測部と、
    　前記ピーク予測部が予測したピークと、前記ピーク検出部がセンサデータから検出したピークとが一致するか否かを判定するピーク・マッチング判定部と、
    を有することを特徴とする請求項１ないし４のいずれか１項に記載の動作判定装置。
  6. 　前記ピーク検出部が検出したピークの時刻情報と、前記ピーク間隔算出部が算出したピーク間隔を、過去一定時間分記憶するピーク間隔履歴記憶部を更に含み、
    　前記ピーク予測部が、前記ピーク間隔履歴記憶部に記憶されているピーク情報およびピーク間隔の履歴を用いて、次のピークの、少なくとも発生時刻を含むピーク情報を予測することを特徴とする請求項５に記載の動作判定装置。
  7. 　前記ピーク検出部が検出したピークの時刻情報と、前記ピーク間隔算出部が算出したピーク間隔を、過去一定時間分記憶するピーク間隔履歴記憶部と、
    　少なくとも実際に行われた動作の種類と、その動作が行われた時刻とを含む正解動作情報を入力する正解動作入力部と、
    　前記正解動作入力部が入力した時刻周辺のピークの時刻情報とピーク間隔との履歴を前記ピーク間隔履歴記憶部から取得し、ピーク間隔の傾向を学習し、学習結果に基づいて周期性検知方法を変更するピーク学習部と、
    を更に有することを特徴とする請求項５に記載の動作判定装置。
  8. 　請求項１ないし７のいずれか１項に記載の動作判定装置と、
    　センサから出力されるセンサデータを取得し、一時的に記憶するセンサデータ取得・記憶部と、
    　前記判定処理部により行われた動作判定の結果を出力する判定結果出力部と、
    を備えたことを特徴とする動作判定システム。
  9. 　センサデータを用いてユーザの動作を判定する動作判定方法であって、
    　前記ユーザが動作しているときの前記センサデータの周期性の喪失を検知するステップと、
    　前記検知した前記センサデータの周期性の喪失に応じて動作判定に用いるデータ区間を設定し、設定した前記データ区間のセンサデータを基にユーザの動作を判定するステップと、
    を含むことを特徴とする動作判定方法。
  10. 　センサデータを用いてユーザの動作を判定する動作判定プログラムであって、コンピュータに、
    　前記ユーザが動作しているときの前記センサデータの周期性の喪失を検知する機能と、
    　前記検知した前記センサデータの周期性の喪失に応じて動作判定に用いるデータ区間を設定し、設定した前記データ区間のセンサデータを基にユーザの動作を判定する機能と、
    を実現させることを特徴とする動作判定プログラム。
    　
PCT/JP2013/051035 2012-03-02 2013-01-21 動作判定装置、動作判定システムおよび動作判定方法 WO2013128972A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
EP13754172.8A EP2821009A4 (en) 2012-03-02 2013-01-21 MOTION DETERMINATION DEVICE, MOTION DETERMINATION SYSTEM, AND MOTION DETERMINATION METHOD
JP2014502064A JP6052278B2 (ja) 2012-03-02 2013-01-21 動作判定装置、動作判定システムおよび動作判定方法
CN201380012221.4A CN104144643A (zh) 2012-03-02 2013-01-21 动作判定装置、动作判定***和动作判定方法
US14/377,217 US9606138B2 (en) 2012-03-02 2013-01-21 Motion recognition apparatus, motion recognition system, and motion recognition method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2012-046610 2012-03-02
JP2012046610 2012-03-02

Publications (1)

Publication Number Publication Date
WO2013128972A1 true WO2013128972A1 (ja) 2013-09-06

Family

ID=49082180

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2013/051035 WO2013128972A1 (ja) 2012-03-02 2013-01-21 動作判定装置、動作判定システムおよび動作判定方法

Country Status (5)

Country Link
US (1) US9606138B2 (ja)
EP (1) EP2821009A4 (ja)
JP (1) JP6052278B2 (ja)
CN (1) CN104144643A (ja)
WO (1) WO2013128972A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160007926A1 (en) * 2014-07-14 2016-01-14 Samsung Electronics Co., Ltd. Method and apparatus for processing bio-signals using recursive estimation
JP2016513494A (ja) * 2013-03-05 2016-05-16 マイクロソフト テクノロジー ライセンシング，エルエルシー 自動的な運動の区分と認識

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10591387B2 (en) * 2013-08-22 2020-03-17 Ford Global Technologies, Llc Signal classification
US9241079B1 (en) * 2014-06-27 2016-01-19 Sap Se Mobile application usage monitor
CN105310695B (zh) * 2015-11-03 2019-09-06 苏州景昱医疗器械有限公司 异动症评估设备
JP6784044B2 (ja) * 2016-03-24 2020-11-11 カシオ計算機株式会社 行動解析装置、行動解析方法及びプログラム
US11917008B2 (en) * 2019-07-29 2024-02-27 Nippon Telegraph And Telephone Corporation Relay server, relay method, and relay program
US11937917B1 (en) * 2023-08-16 2024-03-26 Alva Health Inc. Detecting falls with multiple wearable motion sensors

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004026138A1 (ja) * 2002-09-19 2004-04-01 Matsushita Electric Industrial Co., Ltd. 身体運動評価装置、及び身体運動評価システム
JP2005021450A (ja) * 2003-07-03 2005-01-27 Toshiba Corp 生体状態分析装置及び生体状態分析方法
JP2005152633A (ja) * 2003-11-21 2005-06-16 Polar Electro Oy 人の身体活動度レベルの測定装置、測定方法、コンピュータプログラム配布媒体
JP2006262973A (ja) * 2005-03-22 2006-10-05 Sony Corp 体動検出装置、コンテンツ再生装置、体動検出方法およびコンテンツ再生方法
JP2007209430A (ja) * 2006-02-08 2007-08-23 Seiko Instruments Inc 運動計測装置
JP2011123832A (ja) 2009-12-14 2011-06-23 Nippon Telegr & Teleph Corp <Ntt> 行動・状態モニタリング方法およびプログラム

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000213967A (ja) 1999-01-22 2000-08-04 Amutekkusu:Kk 人体動作判別装置
KR100863098B1 (ko) * 2000-09-01 2008-10-13 신에쓰 가가꾸 고교 가부시끼가이샤 마그네트론 플라즈마용 자장 발생 장치, 이 자장 발생장치를 이용한 플라즈마 에칭 장치 및 방법
CN1287733C (zh) 2001-03-06 2006-12-06 微石有限公司 身体动作检测装置
JP5107519B2 (ja) 2005-12-27 2012-12-26 住友大阪セメント株式会社 状態解析装置及びソフトウエアプログラム
JP4904861B2 (ja) * 2006-03-14 2012-03-28 ソニー株式会社 体動検出装置、体動検出方法および体動検出プログラム
JP4800235B2 (ja) * 2007-02-14 2011-10-26 東京エレクトロン株式会社 処理方法
CA2718680C (en) * 2008-03-18 2016-12-06 Elliptic Laboratories As Object and movement detection
US20110022352A1 (en) 2008-03-31 2011-01-27 Hidaka Fujita Body movement measuring device, mobile phone, method for controlling the body movement measuring device, body movement measuring device control program, and computer-readable recording medium in which the body movement measuring device control program is recorded
US10667727B2 (en) 2008-09-05 2020-06-02 Varian Medical Systems, Inc. Systems and methods for determining a state of a patient
JP5522338B2 (ja) 2008-10-28 2014-06-18 日本電気株式会社 状況判定装置、状況判定システム、その方法及びプログラム
JP5590301B2 (ja) 2010-03-30 2014-09-17 日本電気株式会社 行動判定装置、行動判定システム、端末装置、行動判定方法、及びプログラム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004026138A1 (ja) * 2002-09-19 2004-04-01 Matsushita Electric Industrial Co., Ltd. 身体運動評価装置、及び身体運動評価システム
JP2005021450A (ja) * 2003-07-03 2005-01-27 Toshiba Corp 生体状態分析装置及び生体状態分析方法
JP2005152633A (ja) * 2003-11-21 2005-06-16 Polar Electro Oy 人の身体活動度レベルの測定装置、測定方法、コンピュータプログラム配布媒体
JP2006262973A (ja) * 2005-03-22 2006-10-05 Sony Corp 体動検出装置、コンテンツ再生装置、体動検出方法およびコンテンツ再生方法
JP2007209430A (ja) * 2006-02-08 2007-08-23 Seiko Instruments Inc 運動計測装置
JP2011123832A (ja) 2009-12-14 2011-06-23 Nippon Telegr & Teleph Corp <Ntt> 行動・状態モニタリング方法およびプログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP2821009A4

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016513494A (ja) * 2013-03-05 2016-05-16 マイクロソフト テクノロジー ライセンシング，エルエルシー 自動的な運動の区分と認識
US20160007926A1 (en) * 2014-07-14 2016-01-14 Samsung Electronics Co., Ltd. Method and apparatus for processing bio-signals using recursive estimation
US10448896B2 (en) * 2014-07-14 2019-10-22 Samsung Electronics Co., Ltd. Method and apparatus for processing bio-signals using recursive estimation

Also Published As

Publication number Publication date
JP6052278B2 (ja) 2016-12-27
JPWO2013128972A1 (ja) 2015-07-30
US9606138B2 (en) 2017-03-28
EP2821009A4 (en) 2015-10-28
EP2821009A1 (en) 2015-01-07
US20150006446A1 (en) 2015-01-01
CN104144643A (zh) 2014-11-12

Similar Documents

Publication Publication Date Title
JP6052278B2 (ja) 動作判定装置、動作判定システムおよび動作判定方法
US11921609B2 (en) Data anomaly detection
US11190425B2 (en) Anomaly detection in a network based on a key performance indicator prediction model
US10743819B2 (en) System and method for determining information and outliers from sensor data
CN112231174B (zh) 异常告警方法、装置、设备及存储介质
EP3023051A1 (en) Diagnostic apparatus using habit, diagnosis management apparatus, and diagnostic method using same
US20150112891A1 (en) Information processor, information processing method, and program
US8751414B2 (en) Identifying abnormalities in resource usage
WO2016124482A1 (en) Pain management wearable device
US20220022604A1 (en) Receiving feedback based on pressure sensor data and movement data
EP2951654B1 (en) Methods and systems for online monitoring using a variable data sampling rate
US20210161479A1 (en) A Probability-Based Detector and Controller Apparatus, Method, Computer Program
US20120054133A1 (en) Method of configuring a sensor-based detection device and a corresponding computer program and adaptive device
JP2019032729A (ja) 演算時間算出方法、演算時間算出装置、演算時間算出プログラム及び演算時間算出システム
CN106844152B (zh) 银行后台任务跑批时间的相关性分析方法及装置
JP6468635B2 (ja) 眠気推定装置及び眠気推定プログラム
JP5522338B2 (ja) 状況判定装置、状況判定システム、その方法及びプログラム
JP5534163B2 (ja) 行動判定装置、行動判定システム、行動判定方法、及びプログラム
Amor et al. Recursive and rolling windows for medical time series forecasting: a comparative study
KR20200002097A (ko) 배뇨에 관한 설문을 수행하는 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체
JP7419719B2 (ja) 睡眠ステージ推定装置、睡眠ステージ推定方法及びプログラム
CN110058692B (zh) 一种基于机器学习的穿戴数据处理方法和装置
US20230397890A1 (en) Fatigue level estimation apparatus, fatigue level estimation method, and computer-readable recording medium
CN115496105B (zh) 睡眠预测模型训练方法、睡眠状况预测方法及相关装置
US20230298329A1 (en) Information processing apparatus, information processing method, and storage medium

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 13754172

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2014502064

Country of ref document: JP

Kind code of ref document: A

REEP Request for entry into the european phase

Ref document number: 2013754172

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 2013754172

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 14377217

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE