JP5009543B2 - 複軸センサからの特定信号パターン検出システム、複軸センサからの特定信号パターン検出方法 - Google Patents
複軸センサからの特定信号パターン検出システム、複軸センサからの特定信号パターン検出方法 Download PDFInfo
- Publication number
- JP5009543B2 JP5009543B2 JP2006066184A JP2006066184A JP5009543B2 JP 5009543 B2 JP5009543 B2 JP 5009543B2 JP 2006066184 A JP2006066184 A JP 2006066184A JP 2006066184 A JP2006066184 A JP 2006066184A JP 5009543 B2 JP5009543 B2 JP 5009543B2
- Authority
- JP
- Japan
- Prior art keywords
- sensor data
- specific signal
- feature
- signal pattern
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Description
本発明は複軸センサからの特定信号パターン検出システム、複軸センサからの特定信号パターン検出方法に関し、特にユーザのコンテキストを獲得するための特定信号パターン検出システム、特定信号パターン検出方法に関する。
実世界指向型サービスを実現する上でモバイル環境下での個人の状況（コンテキスト）を理解することは重要である。従来、携帯端末を持ち歩くようなモバイル環境下でユーザのコンテキストを獲得に関する研究は、例えば、非特許文献１に記載されている。
非特許文献１においては、自己組織化特徴マップのノードについて区分けを行い（すなわちクラスタリングを行い）、その区分けを固定している。そして、それに従って処理を行うことで、コンテキスト情報を取得している。
非特許文献１においては、自己組織化特徴マップのノードについて区分けを行い（すなわちクラスタリングを行い）、その区分けを固定している。そして、それに従って処理を行うことで、コンテキスト情報を取得している。
A. Krause et. al, "Unsupervised, Dynamic Identification of Physiological and Activity Context in Wearable Computing",[online]、[平成１８年３月４日検索]、インターネット＜ＵＲＬ：http://www.cc.gatech.edu/ccg/paper_of_week/krause-iswc2003-unsup-activity.pdf＞
上述した非特許文献１に記載されている技術には、以下のような制約があった。
（１）獲得したいコンテキストに応じてセンサを特定の位置に固定することが必要
（２）特定の軸のセンサ情報のみ、もしくは、各軸のセンサデータからセンサデータ全体の大きさにしたものを利用しているため、抽出可能な特定信号パターンが限定
（３）辞書データを部分空間法などの線形手法により特定信号パターンの基底データを選択していたため、ゆらぎのあるデータへ適用した場合は基底データの抽出精度に影響を受け易い。
本発明は上述した従来技術の課題を解決するためになされたものであり、その目的は複軸センサの設置位置に依らず、また、センサデータのゆらぎにロバストであるユーザのコンテキストに相当する特定信号パターンを獲得する特定信号パターン検出システム、特定信号パターン検出方法を提供することである。
（１）獲得したいコンテキストに応じてセンサを特定の位置に固定することが必要
（２）特定の軸のセンサ情報のみ、もしくは、各軸のセンサデータからセンサデータ全体の大きさにしたものを利用しているため、抽出可能な特定信号パターンが限定
（３）辞書データを部分空間法などの線形手法により特定信号パターンの基底データを選択していたため、ゆらぎのあるデータへ適用した場合は基底データの抽出精度に影響を受け易い。
本発明は上述した従来技術の課題を解決するためになされたものであり、その目的は複軸センサの設置位置に依らず、また、センサデータのゆらぎにロバストであるユーザのコンテキストに相当する特定信号パターンを獲得する特定信号パターン検出システム、特定信号パターン検出方法を提供することである。
本発明一態様による特定信号パターン検出システムは、
複軸センサから得られる時系列の複軸センサデータにおいて検出したい複数の特定信号パターンを辞書データとして予め獲得するとともに、それらの特定信号パターンに識別ラベルを付与する識別ラベル付与手段と、
前記識別ラベル付与手段によって獲得された特定信号パターンを予め用意された時間窓に基づいて時間分割センサデータとして分割する第１のデータ分割手段と、
前記第１のデータ分割手段によって得られた時間分割センサデータのノイズ除去ならびにデータの正規化することで正規化センサデータを生成する第１の正規化センサデータ生成手段と、
前記第１の正規化センサデータ生成手段によって得られた正規化センサデータを基底関数展開することで時空間解像度レベルごとに時空間分解センサデータを生成する第１の時空間分解センサデータ生成手段と、
前記第１の時空間分解センサデータ生成手段によって得られた時空間分解センサデータの振幅情報に基づいて時空間解像度レベルごとに時空間分解センサデータ情報エントロピーを算出する第１のエントロピー算出手段と、
前記第１のエントロピー算出手段によって時空間解像度レベルごとに算出された時空間分解センサデータ情報エントロピーの総和が最小になるように予め用意された評価基準に基づいて基底時空間分解センサデータを選択するデータ選択手段と、
前記データ選択手段によって選択された基底時空間分解センサデータの情報エントロピーに基づいて、前記辞書データの特徴ベクトルである複軸センサデータ特徴ベクトルを生成する第１のセンサデータ特徴ベクトル生成手段と、
前記第１のセンサデータ特徴ベクトル生成手段によって生成された前記複軸センサデータ特徴ベクトルを自己組織化アルゴリズムにより学習させることで自己組織化された第１の特定信号パターン特徴マップを生成する第１の特定信号パターン特徴マップ生成手段と、
前記第１の特定信号パターン特徴マップの各ノードにおける特徴ノードベクトルに基づいて、前記辞書データの特徴ベクトルを入力した時に発火する特徴ノードベクトルとの対応関係を蓄積する蓄積手段と、
前記蓄積手段による前記対応関係の蓄積結果に基づいて、前記第１の特定信号パターン特徴マップの各ノードごとに特定信号パターンが発火する確率を算出し特定信号パターン発火確率マップを生成する特定信号パターン発火確率マップ生成手段と、
前記特定信号パターン発火確率マップ生成手段によって得られた特定信号パターン発火確率マップのうち予め設定された閾値以上の確率を有するノードを基底特徴ノードベクトルとして抽出する基底特徴ノードベクトル抽出手段と、
前記基底特徴ノードベクトル抽出手段によって抽出された基底特徴ノードベクトルを発火させる基となった複軸センサデータ特徴ベクトルのうち、基底特徴ノードベクトルとの類似度が予め設定された閾値以上のものを基底複軸センサ特徴ベクトルとして抽出する基底複軸センサ特徴ベクトル抽出手段と、
前記基底複軸センサ特徴ベクトル抽出手段によって抽出された基底複軸センサ特徴ベクトルの基となった複軸の基底センサデータを抽出する基底センサデータ抽出手段と、
を含むことを特徴とする。このように構成すれば、質の良いデータを抽出することができる。
複軸センサから得られる時系列の複軸センサデータにおいて検出したい複数の特定信号パターンを辞書データとして予め獲得するとともに、それらの特定信号パターンに識別ラベルを付与する識別ラベル付与手段と、
前記識別ラベル付与手段によって獲得された特定信号パターンを予め用意された時間窓に基づいて時間分割センサデータとして分割する第１のデータ分割手段と、
前記第１のデータ分割手段によって得られた時間分割センサデータのノイズ除去ならびにデータの正規化することで正規化センサデータを生成する第１の正規化センサデータ生成手段と、
前記第１の正規化センサデータ生成手段によって得られた正規化センサデータを基底関数展開することで時空間解像度レベルごとに時空間分解センサデータを生成する第１の時空間分解センサデータ生成手段と、
前記第１の時空間分解センサデータ生成手段によって得られた時空間分解センサデータの振幅情報に基づいて時空間解像度レベルごとに時空間分解センサデータ情報エントロピーを算出する第１のエントロピー算出手段と、
前記第１のエントロピー算出手段によって時空間解像度レベルごとに算出された時空間分解センサデータ情報エントロピーの総和が最小になるように予め用意された評価基準に基づいて基底時空間分解センサデータを選択するデータ選択手段と、
前記データ選択手段によって選択された基底時空間分解センサデータの情報エントロピーに基づいて、前記辞書データの特徴ベクトルである複軸センサデータ特徴ベクトルを生成する第１のセンサデータ特徴ベクトル生成手段と、
前記第１のセンサデータ特徴ベクトル生成手段によって生成された前記複軸センサデータ特徴ベクトルを自己組織化アルゴリズムにより学習させることで自己組織化された第１の特定信号パターン特徴マップを生成する第１の特定信号パターン特徴マップ生成手段と、
前記第１の特定信号パターン特徴マップの各ノードにおける特徴ノードベクトルに基づいて、前記辞書データの特徴ベクトルを入力した時に発火する特徴ノードベクトルとの対応関係を蓄積する蓄積手段と、
前記蓄積手段による前記対応関係の蓄積結果に基づいて、前記第１の特定信号パターン特徴マップの各ノードごとに特定信号パターンが発火する確率を算出し特定信号パターン発火確率マップを生成する特定信号パターン発火確率マップ生成手段と、
前記特定信号パターン発火確率マップ生成手段によって得られた特定信号パターン発火確率マップのうち予め設定された閾値以上の確率を有するノードを基底特徴ノードベクトルとして抽出する基底特徴ノードベクトル抽出手段と、
前記基底特徴ノードベクトル抽出手段によって抽出された基底特徴ノードベクトルを発火させる基となった複軸センサデータ特徴ベクトルのうち、基底特徴ノードベクトルとの類似度が予め設定された閾値以上のものを基底複軸センサ特徴ベクトルとして抽出する基底複軸センサ特徴ベクトル抽出手段と、
前記基底複軸センサ特徴ベクトル抽出手段によって抽出された基底複軸センサ特徴ベクトルの基となった複軸の基底センサデータを抽出する基底センサデータ抽出手段と、
を含むことを特徴とする。このように構成すれば、質の良いデータを抽出することができる。
本発明の一態様による特定信号パターン検出方法は、
複軸センサから得られる時系列の複軸センサデータにおいて検出したい複数の特定信号パターンを辞書データとして予め獲得するとともに、それらの特定信号パターンに識別ラベルを付与するステップと、
前記獲得された特定信号パターンを予め用意された時間窓に基づいて時間分割センサデータとして分割するステップと、
前記時間分割センサデータのノイズ除去ならびにデータの正規化することで正規化センサデータを生成するステップと、
前記正規化センサデータを基底関数展開することで時空間解像度レベルごとに時空間分解センサデータを生成するステップと、
前記時空間分解センサデータの振幅情報に基づいて時空間解像度レベルごとに時空間分解センサデータ情報エントロピーを算出するステップと、
時空間解像度レベルごとに算出された前記時空間分解センサデータ情報エントロピーを予め用意された評価基準に基づいて基底時空間分解センサデータを選択するステップと、
選択された前記基底時空間分解センサデータの情報エントロピーに基づいて、前記辞書データの特徴ベクトルである複軸センサデータ特徴ベクトルを生成するステップと、
生成された前記複軸センサデータ特徴ベクトルを自己組織化アルゴリズムにより学習させることで第１の特定信号パターン特徴マップを生成するステップと、
前記第１の特定信号パターン特徴マップの各ノードにおける特徴ノードベクトルに基づいて、前記辞書データの特徴ベクトルを入力した時に発火する特徴ノードベクトルとの対応関係を蓄積する蓄積ステップと、
前記蓄積ステップによる前記対応関係の蓄積結果に基づいて、前記第１の特定信号パターン特徴マップの各ノードごとに特定信号パターンが発火する確率を算出し特定信号パターン発火確率マップを生成するステップと、
前記特定信号パターン発火確率マップのうち予め設定された閾値以上の確率を有するノードを基底特徴ノードベクトルとして抽出するステップと、
抽出された前記基底特徴ノードベクトルを発火させる基となった複軸センサデータ特徴ベクトルのうち、基底特徴ノードベクトルとの類似度が予め設定された閾値以上のものを基底複軸センサ特徴ベクトルとして抽出するステップと、
抽出された前記基底複軸センサ特徴ベクトルの基となった複軸の基底センサデータを抽出するステップと、
を含むことを特徴とする。このような方法によれば、質の良いデータを抽出することができる。
複軸センサから得られる時系列の複軸センサデータにおいて検出したい複数の特定信号パターンを辞書データとして予め獲得するとともに、それらの特定信号パターンに識別ラベルを付与するステップと、
前記獲得された特定信号パターンを予め用意された時間窓に基づいて時間分割センサデータとして分割するステップと、
前記時間分割センサデータのノイズ除去ならびにデータの正規化することで正規化センサデータを生成するステップと、
前記正規化センサデータを基底関数展開することで時空間解像度レベルごとに時空間分解センサデータを生成するステップと、
前記時空間分解センサデータの振幅情報に基づいて時空間解像度レベルごとに時空間分解センサデータ情報エントロピーを算出するステップと、
時空間解像度レベルごとに算出された前記時空間分解センサデータ情報エントロピーを予め用意された評価基準に基づいて基底時空間分解センサデータを選択するステップと、
選択された前記基底時空間分解センサデータの情報エントロピーに基づいて、前記辞書データの特徴ベクトルである複軸センサデータ特徴ベクトルを生成するステップと、
生成された前記複軸センサデータ特徴ベクトルを自己組織化アルゴリズムにより学習させることで第１の特定信号パターン特徴マップを生成するステップと、
前記第１の特定信号パターン特徴マップの各ノードにおける特徴ノードベクトルに基づいて、前記辞書データの特徴ベクトルを入力した時に発火する特徴ノードベクトルとの対応関係を蓄積する蓄積ステップと、
前記蓄積ステップによる前記対応関係の蓄積結果に基づいて、前記第１の特定信号パターン特徴マップの各ノードごとに特定信号パターンが発火する確率を算出し特定信号パターン発火確率マップを生成するステップと、
前記特定信号パターン発火確率マップのうち予め設定された閾値以上の確率を有するノードを基底特徴ノードベクトルとして抽出するステップと、
抽出された前記基底特徴ノードベクトルを発火させる基となった複軸センサデータ特徴ベクトルのうち、基底特徴ノードベクトルとの類似度が予め設定された閾値以上のものを基底複軸センサ特徴ベクトルとして抽出するステップと、
抽出された前記基底複軸センサ特徴ベクトルの基となった複軸の基底センサデータを抽出するステップと、
を含むことを特徴とする。このような方法によれば、質の良いデータを抽出することができる。
要するに、本発明では、複軸センサから出力されるデータを取得し、取得データに基づいて、前記複軸センサを含む機器を携行している者のコンテキストを推定するための特定信号パターン特徴マップを作成する場合において、複軸ごとにセンシング可能なセンサデバイス(複軸センサ)の設置位置に依存せずに、その複軸センサから得られる時系列の複軸センサデータにおける特徴的な信号パターン（特定信号パターン）を検出するシステムにおいて、複軸センサから得られる複軸センサデータの中で検出したい特定信号パターンを辞書データとして獲得し、その辞書データを自己組織化アルゴリズムで学習させて得られる特定信号パターン特徴マップならびに特定信号パターン発火確率マップから辞書データの特定信号パターン基底センサデータを抽出している。そして、抽出された特定信号パターン基底センサデータを各軸回りに回転させることで生成した擬似データを自己組織化アルゴリズムで学習させることで特定信号パターン特徴マップならびに特定信号パターン発火確率マップを得ている。さらに、上記で得られた、特定信号パターン特徴マップならびに特定信号パターン発火確率マップを用いて、複軸センサから得られる時系列のセンサデータから特定信号パターンを抽出している。
本発明によれば、獲得したいコンテキストごとにモジュールを用意して学習させる等のチューニングをすることなくユーザのコンテキストに相当する特定信号パターンが獲得できるという効果がある。
また、複軸センサを特定の位置に固定する必要がないので、専用の複軸センサを用いる必要がなく、例えば携帯電話機に搭載してある複軸センサを用いてプレゼンス情報を取得することができるという効果がある。
また、複軸センサを特定の位置に固定する必要がないので、専用の複軸センサを用いる必要がなく、例えば携帯電話機に搭載してある複軸センサを用いてプレゼンス情報を取得することができるという効果がある。
以下、本発明の実施の形態を、図面を参照して説明する。以下の説明において参照する各図では、他の図と同等部分は同一符号によって示されている。
なお、以下の説明において、（→）が付加されている符号はそれがベクトルであることを示している。また、→が上に付加されている符号もそれがベクトルであることを示している。
なお、以下の説明において、（→）が付加されている符号はそれがベクトルであることを示している。また、→が上に付加されている符号もそれがベクトルであることを示している。
（基本構成）
本発明の実施形態による、複軸センサからの特定信号パターン検出システムの構成について図１を参照して説明する。同図は、特定信号パターン検出システムの基本的な構成例を示すものである。
同図を参照すると、本システムは、ユーザＢの状況(コンテキスト)を獲得するために必要な複軸センサデータを検出できる加速度センサを搭載した携帯端末２００と、この携帯端末２００に搭載された加速度センサから検出された複軸センサデータからユーザＢの状況をプレゼンス情報として提供する装置であるプレゼンス提供サーバ１００と、このプレゼンス提供サーバ１００で提供されたプレゼンス情報をユーザＡへ提示するための携帯端末３００とを含んで構成されている。なお、同図中のモバイルネットワークＮＷは、これらの間で信号授受を実現するためのネットワークであり、図示せぬ無線基地局装置、無線基地局制御装置等によって実現される。
本発明の実施形態による、複軸センサからの特定信号パターン検出システムの構成について図１を参照して説明する。同図は、特定信号パターン検出システムの基本的な構成例を示すものである。
同図を参照すると、本システムは、ユーザＢの状況(コンテキスト)を獲得するために必要な複軸センサデータを検出できる加速度センサを搭載した携帯端末２００と、この携帯端末２００に搭載された加速度センサから検出された複軸センサデータからユーザＢの状況をプレゼンス情報として提供する装置であるプレゼンス提供サーバ１００と、このプレゼンス提供サーバ１００で提供されたプレゼンス情報をユーザＡへ提示するための携帯端末３００とを含んで構成されている。なお、同図中のモバイルネットワークＮＷは、これらの間で信号授受を実現するためのネットワークであり、図示せぬ無線基地局装置、無線基地局制御装置等によって実現される。
図１中のユーザＢの携帯端末２００の内部構成例が図２に示されている。同図を参照すると、携帯端末２００は、加速度センサから複軸センサデータを検出するセンサデータ獲得機能部２１と、検出された複軸センサデータをプレゼンス提供サーバへ送信するセンサデータ送信機能部２２とが搭載されている。この携帯端末２００は、図示せぬＣＰＵ、通信部、メモリ、入出力操作部、表示部等、一般的な携帯電話端末としてのハードウェア構成を有しており、これらの構成によって上記の機能を実現している。
図１中のプレゼンス提供サーバ１００の内部構成例が図３に示されている。同図を参照すると、プレゼンス提供サーバ１００は、上記携帯端末２００より送信された複軸センサデータを受信するセンサデータ受信機能部１１と、このセンサデータ受信機能部１１によって受信された複軸センサデータから信号パターン特徴ベクトルを抽出するセンサデータ解析機能部１２と、事前に検出対象となる特定信号パターン特徴ベクトルを抽出し、そのデータを特定信号パターンデータベース１０１へ格納する特定信号パターン獲得機能部１３と、センサデータ解析機能部１２で抽出された信号パターン特徴ベクトルとデータベース１０１に格納されている特定信号パターン特徴ベクトルと照合するセンサデータ照合機能部１４と、センサデータ照合機能部１４で照合された特定信号パターン特徴ベクトルをプレゼンスデータベース１０２に基づいてプレゼンス情報に変換するプレゼンス情報変換機能部１５と、変換されたプレゼンス情報をユーザＡのリクエストに応じて提供するプレゼンス情報送信機能部１６とを含んで構成されている。このプレゼンス提供サーバ１００は、図示せぬＣＰＵ、通信部、メモリ、入出力部、表示部等、一般的なサーバ装置としてのハードウェア構成を有しており、これらの構成によって上記の機能を実現している。
図１中のユーザＡの携帯端末３００の内部構成例が図４に示されている。同図を参照すると、携帯端末３００は、プレゼンス提供サーバ１００から送信されたユーザＢのプレゼンス情報を受信し表示するプレゼンス情報受信機能部２３を含んで構成されている。この携帯端末３００は、図示せぬＣＰＵ、通信部、メモリ、入出力操作部、表示部等、一般的な携帯電話端末としてのハードウェア構成を有しており、これらの構成によって上記の機能を実現している。
（複軸センサからの特定信号パターン検出方法）
図１〜図４に示されている構成からなるシステムによって実現される、複軸センサからの特定信号パターン検出方法の具体的な処理の流れについて、以下説明する。
図５に示されているように、本検出方法による処理は、オフライン処理で学習を行う段階（Ｃ−１）及び段階（Ｃ−２）と、オンライン処理で実測を行う段階（Ｃ−３）の３つの段階に大別することができる。なお、経年変化に対応するため、追加学習を行う処理を追加してもよい。この処理を追加すれば、ユーザＢの年齢増加にも対応できる。
図１〜図４に示されている構成からなるシステムによって実現される、複軸センサからの特定信号パターン検出方法の具体的な処理の流れについて、以下説明する。
図５に示されているように、本検出方法による処理は、オフライン処理で学習を行う段階（Ｃ−１）及び段階（Ｃ−２）と、オンライン処理で実測を行う段階（Ｃ−３）の３つの段階に大別することができる。なお、経年変化に対応するため、追加学習を行う処理を追加してもよい。この処理を追加すれば、ユーザＢの年齢増加にも対応できる。
（Ｃ−１）
この段階は、質の良いデータを抽出する段階である。この段階では、辞書データＤ１を入力とし、前処理（Ｓ１１）、特徴抽出処理（Ｓ１２）、自己組織化学習（Ｓ１３）、学習結果解析処理（Ｓ１４）、基底センサデータ抽出処理（Ｓ１５）を経て、特定信号パターン特徴マップ及び特定信号パターン発火確立マップからなるデータＤ２と、特定信号パターン基底センサデータＤ３とを導出する。
この段階は、質の良いデータを抽出する段階である。この段階では、辞書データＤ１を入力とし、前処理（Ｓ１１）、特徴抽出処理（Ｓ１２）、自己組織化学習（Ｓ１３）、学習結果解析処理（Ｓ１４）、基底センサデータ抽出処理（Ｓ１５）を経て、特定信号パターン特徴マップ及び特定信号パターン発火確立マップからなるデータＤ２と、特定信号パターン基底センサデータＤ３とを導出する。
（Ｃ−２）
この段階は、上記の段階（Ｃ−１）で得たデータを基に、より質の良い辞書データを得る段階である。この段階では、上記段階（Ｃ−１）で得られた特定信号パターン基底センサデータＤ３を入力とし、擬似データ生成処理（Ｓ２１）、特徴抽出処理（Ｓ２２）、自己組織化学習（Ｓ２３）、学習結果解析処理（Ｓ２４）を経て、特定信号パターン基底センサデータＤ４を導出する。
この段階は、上記の段階（Ｃ−１）で得たデータを基に、より質の良い辞書データを得る段階である。この段階では、上記段階（Ｃ−１）で得られた特定信号パターン基底センサデータＤ３を入力とし、擬似データ生成処理（Ｓ２１）、特徴抽出処理（Ｓ２２）、自己組織化学習（Ｓ２３）、学習結果解析処理（Ｓ２４）を経て、特定信号パターン基底センサデータＤ４を導出する。
（Ｃ−３）
この段階は、上記の段階（Ｃ−２）で得たデータを基に、実際の測定を行う段階である。この段階では、実測データＤ５を入力とし、前処理（Ｓ３１）、特徴抽出処理（Ｓ３２）、特定信号パターン検出処理（Ｓ３３）を経て、特定信号パターン分析結果データＤ６を導出する。
この段階は、上記の段階（Ｃ−２）で得たデータを基に、実際の測定を行う段階である。この段階では、実測データＤ５を入力とし、前処理（Ｓ３１）、特徴抽出処理（Ｓ３２）、特定信号パターン検出処理（Ｓ３３）を経て、特定信号パターン分析結果データＤ６を導出する。
以下、各段階について、図６〜図１５を参照して詳細に説明する。
（質の良いデータの抽出）
図６は、図５中の段階（Ｃ−１）の詳細な処理内容を示す図である。
図５中の段階（Ｃ−１）中の前処理（Ｓ１１）は図６中の処理（Ｃ−１−２）及び（Ｃ−１−３）に対応する。図５中の段階（Ｃ−１）中の特徴抽出処理（Ｓ１２）は図６中の処理（Ｃ−１−４）から（Ｃ−１−７）までに対応する。図５中の段階（Ｃ−１）中の自己組織化学習処理（Ｓ１３）は図６中の処理（Ｃ−１−８）に対応する。図５中の段階（Ｃ−１）中の学習結果解析処理（Ｓ１４）は図６中の処理（Ｃ−１−９）及び（Ｃ−１−１０）に対応する。図５中の段階（Ｃ−１）中の基底センサデータ抽出処理（Ｓ１５）は図６中の処理（Ｃ−１−１１）に対応する。以下、これらの処理の内容について説明する。
（質の良いデータの抽出）
図６は、図５中の段階（Ｃ−１）の詳細な処理内容を示す図である。
図５中の段階（Ｃ−１）中の前処理（Ｓ１１）は図６中の処理（Ｃ−１−２）及び（Ｃ−１−３）に対応する。図５中の段階（Ｃ−１）中の特徴抽出処理（Ｓ１２）は図６中の処理（Ｃ−１−４）から（Ｃ−１−７）までに対応する。図５中の段階（Ｃ−１）中の自己組織化学習処理（Ｓ１３）は図６中の処理（Ｃ−１−８）に対応する。図５中の段階（Ｃ−１）中の学習結果解析処理（Ｓ１４）は図６中の処理（Ｃ−１−９）及び（Ｃ−１−１０）に対応する。図５中の段階（Ｃ−１）中の基底センサデータ抽出処理（Ｓ１５）は図６中の処理（Ｃ−１−１１）に対応する。以下、これらの処理の内容について説明する。
処理（Ｃ−１−１）：ユーザＢは複数軸センサデータが獲得できる加速度センサを搭載してある携帯端末を携行している。逐次、ユーザＢの状況（コンテキスト）に応じて変動する複数軸センサデータ（加速度ベクトル）が獲得され、パケット通信でプレゼンス提供サーバへ送信される。
処理（Ｃ−１−２）：プレゼンス提供サーバでは、ユーザＢの携帯端末から送信された加速度ベクトルの時系列データを逐次受信する。時系列データとして受信される加速度ベクトル（→）ａ0（ｔ）をデータ分割する。手法は限定されないが、ここでは、複数の時間窓
処理（Ｃ−１−２）：プレゼンス提供サーバでは、ユーザＢの携帯端末から送信された加速度ベクトルの時系列データを逐次受信する。時系列データとして受信される加速度ベクトル（→）ａ0（ｔ）をデータ分割する。手法は限定されないが、ここでは、複数の時間窓
処理（Ｃ−１−３）：その後、データ補正処理を実施する。データ補正処理方法は加速度センサの用途によって異なるが、ここでは、Gaussianフィルターによるノイズ除去処理と、時間窓｛ｔk｝での加速度の正規化を行う。
続いて、センサデータ解析から特定信号パターンとの照合について述べる。
任意の姿勢で設置されたセンサから観測される時刻ｔでの実測データ加速度ベクトルを
（→）ａ0（ｔ）＝（ａ0x（ｔ）、ａ0y（ｔ）、ａ0z（ｔ）） …（２）
理想的な姿勢で設置されたセンサから観測される時刻ｔにおける辞書データとなる加速度ベクトル（重力加速度も含む）を
（→）ａD（ｔ）＝（ａDX（ｔ）、ａ0Y（ｔ）、ａ0Z（ｔ）） …（３）
とおく。
続いて、センサデータ解析から特定信号パターンとの照合について述べる。
任意の姿勢で設置されたセンサから観測される時刻ｔでの実測データ加速度ベクトルを
（→）ａ0（ｔ）＝（ａ0x（ｔ）、ａ0y（ｔ）、ａ0z（ｔ）） …（２）
理想的な姿勢で設置されたセンサから観測される時刻ｔにおける辞書データとなる加速度ベクトル（重力加速度も含む）を
（→）ａD（ｔ）＝（ａDX（ｔ）、ａ0Y（ｔ）、ａ0Z（ｔ）） …（３）
とおく。
はじめに、辞書データとなる加速度ベクトル（→）ａD（ｔ）から特定信号パターン特徴マップを作成する方法について説明する。
処理（Ｃ−１−４）：まず、加速度ベクトル（→）ａD（ｔ）の特徴を解析するために基底関数展開することで時空間解像度レベルごとに時空間分解センサデータに分解する。ここでは局在波による関数展開であるMother WaveletをHarr関数とするWavelet Packet分解を利用する。上記の式（３）の両辺にWavelet Packet分解を施すと解像度レベルｐでの加速度ベクトル（→）ａD（ｔ）は以下のように表せる。
処理（Ｃ−１−４）：まず、加速度ベクトル（→）ａD（ｔ）の特徴を解析するために基底関数展開することで時空間解像度レベルごとに時空間分解センサデータに分解する。ここでは局在波による関数展開であるMother WaveletをHarr関数とするWavelet Packet分解を利用する。上記の式（３）の両辺にWavelet Packet分解を施すと解像度レベルｐでの加速度ベクトル（→）ａD（ｔ）は以下のように表せる。
ここで、（→）ｕ(p、q) D（ｔ）は、解像度レベルｐのｑ番目の分解波形（基底関数）を表す。
処理（Ｃ−１−５）：次に、これら分解波形である基底関数
（→）ｕ(p、q) D（ｔ）＝
（（→）ｕ(p、q) x（ｔ）、（→）ｕ(p、q) y（ｔ）、（→）ｕ(p、q) z（ｔ））
のうち、加速度ベクトル（→）ａD（ｔ）を表現するのに最良基底関数となる基底関数を選択する。そこで、以下の情報エントロピーコスト関数を定義する。
処理（Ｃ−１−５）：次に、これら分解波形である基底関数
（→）ｕ(p、q) D（ｔ）＝
（（→）ｕ(p、q) x（ｔ）、（→）ｕ(p、q) y（ｔ）、（→）ｕ(p、q) z（ｔ））
のうち、加速度ベクトル（→）ａD（ｔ）を表現するのに最良基底関数となる基底関数を選択する。そこで、以下の情報エントロピーコスト関数を定義する。
式（５）の左辺を最小にするｐとｑとの組み合わせを選択する。これにより、情報エントロピーの増加を防ぎ（冗長な表現ではなく）、波形を正確に分解することができる。
さらに、選択された基底関数（→）ｕ(p、q) D_BN（ｔ）の情報エントロピー
さらに、選択された基底関数（→）ｕ(p、q) D_BN（ｔ）の情報エントロピー
処理（Ｃ−１−６）：そして、最終的に得られた基底関数（→）ｕ(p、q) D_F（ｔ）に基づいて辞書データの特徴ベクトル加速度ベクトル（→）ＸDを以下のように定義する。
であり、直流成分Ｘ(i) D_BN（０）の項は用いない。
処理（Ｃ−１−７）：また、このとき特徴ベクトルの分布統計量として、下記のモーメントを算出する。ここでは、分布統計量ベクトルを下記のベクトル（→）Ｍ（（→）Ｘ0）
として表す。
（→）Ｍ（（→）Ｘ0）＝（Ｍ(1)（（→）Ｘ0）、Ｍ(2)（（→）Ｘ0）、…、Ｍ(n)（（→）Ｘ0））…（９）
そして、辞書データとなる全ての加速度ベクトル（→）ａD（ｔ）について辞書データの特徴ベクトル（→）ＸDを求める。
処理（Ｃ−１−８）：次に、特徴ベクトル（→）ＸDを入力ベクトルとして自己組織化アルゴリズムによって学習させる。ここでは、既に公知であるKohonenの自己組織化アルゴリズムを用いる。
処理（Ｃ−１−９）：学習終了後に得られる自己組織化特徴マップのノード（ｉ，ｊ）における特徴ノードベクトル（→）ＶD (i,j)に基づいて、辞書データの特徴ベクトルを入力した時に発火する特徴ノードベクトルとの対応関係を蓄積する。
処理（Ｃ−１−８）：次に、特徴ベクトル（→）ＸDを入力ベクトルとして自己組織化アルゴリズムによって学習させる。ここでは、既に公知であるKohonenの自己組織化アルゴリズムを用いる。
処理（Ｃ−１−９）：学習終了後に得られる自己組織化特徴マップのノード（ｉ，ｊ）における特徴ノードベクトル（→）ＶD (i,j)に基づいて、辞書データの特徴ベクトルを入力した時に発火する特徴ノードベクトルとの対応関係を蓄積する。
ここで、自己組織化特徴マップの例が、図７〜図１３に示されている。図７は、階段降り動作を行った場合の自己組織化特徴マップの例、図８は、階段昇り動作を行った場合の自己組織化特徴マップの例、図９は、早歩き動作を行った場合の自己組織化特徴マップの例、図１０は、電車内歩行動作を行った場合の自己組織化特徴マップの例、図１１は、電車着座動作を行った場合の自己組織化特徴マップの例、図１２は、走行動作を行った場合の自己組織化特徴マップの例、図１３は、平地歩行動作を行った場合の自己組織化特徴マップの例、である。これらは、その動作が行われている最中にいずれかのノードを発火させ、そのノード内に記載されている数値を上昇させたマップである。そして、１つのノードの数値を上昇させる場合、そのノードに隣接する近傍の６つのノードについても数値を上昇させる。このマッピング処理を所定周期（例えば、数秒周期）で繰返し行う。このようにマッピングすることにより、数値の大きなノードほど発火の頻度が高いことになる。すなわち、このマッピング処理によって、発火度数を把握することができる。
非特許文献１においては、自己組織化特徴マップのノードについて区分けを行い（すなわちクラスタリングを行い）、その区分けを固定しそれに従って処理を行っている。このため、図８〜図１３のように発火ノードが比較的集中している場合には、非特許文献１に記載の技術を利用して処理を行っても問題無いが、図７のように発火ノードが分散している傾向がある場合には、非特許文献１に記載の技術を利用して処理を行うと正しいコンテキスト情報が得られない。
これに対し、本発明では、ノードの区分けを行わない。そして、ゆらぎのある質の悪いデータは学習対象とせず、質の良いデータのみを自己組織化特徴マップ中から抽出して学習対象とする。このため、図８〜図１３のように発火ノードが比較的集中している場合はもちろん、図７のように発火ノードが分散している傾向がある場合でも、正しいコンテキスト情報が得られる。
処理（Ｃ−１−１０）：上記対応関係の蓄積結果に基づいて、特徴ノードベクトル（→）ＶD (i,j)が発火した時に辞書データの特徴ベクトル（→）ＸDが特定信号パターンＣｎである確率Ｐ(i,j)（Ｃｎ）を算出する。
処理（Ｃ−１−１０）：上記対応関係の蓄積結果に基づいて、特徴ノードベクトル（→）ＶD (i,j)が発火した時に辞書データの特徴ベクトル（→）ＸDが特定信号パターンＣｎである確率Ｐ(i,j)（Ｃｎ）を算出する。
そして、全ての特徴ノード（ｉ，ｊ）についての｛（→）ＶD (i,j)｝を特定信号パターン特徴マップとして、｛Ｐ(i,j)（Ｃn）｝を特定信号パターン発火確率マップとして獲得する。
処理（Ｃ−１−１１）：この時、Ｐ(i,j)（Ｃn）が予め設定された閾値ＴPBを越えている特徴ノードを基底特徴ノードベクトル（→）ＶD (i,j)として抽出する。さらに基底特徴ノードベクトル（→）ＶD (i,j)を発火させた特徴ベクトル（→）ＸDを求め、それを算出する基となった加速度データを基底信号パターンセンサ信号（→）ａ(B) D（ｔ）として抽出する。
処理（Ｃ−１−１１）：この時、Ｐ(i,j)（Ｃn）が予め設定された閾値ＴPBを越えている特徴ノードを基底特徴ノードベクトル（→）ＶD (i,j)として抽出する。さらに基底特徴ノードベクトル（→）ＶD (i,j)を発火させた特徴ベクトル（→）ＸDを求め、それを算出する基となった加速度データを基底信号パターンセンサ信号（→）ａ(B) D（ｔ）として抽出する。
（より質の良い辞書データの構築）
図１４は、図５中の段階（Ｃ−２）の詳細な処理内容を示す図である。
図５中の段階（Ｃ−２）中の擬似データ生成処理（Ｓ２１）は図１４中の処理（Ｃ−２−１）に対応する。図５中の段階（Ｃ−２）中の特徴抽出処理（Ｓ２２）は図１４中の処理（Ｃ−２−２）から（Ｃ−２−５）までに対応する。図５中の段階（Ｃ−２）中の自己組織化学習処理（Ｓ２３）は図１４中の処理（Ｃ−２−６）に対応する。図５中の段階（Ｃ−２）中の学習結果解析処理（Ｓ２４）は図１４中の処理（Ｃ−２−７）及び（Ｃ−２−８）に対応する。以下、これらの処理の内容について説明する。
処理（Ｃ−２−１）：次に基底信号パターン（→）ａ(B) D（ｔ）から生成された擬似データである加速度ベクトル（→）ａ(D) D（ｔ）から特定信号パターン特徴マップを作成する方法について説明する。
各軸のまわりに予め設定された角度α、β、γをそれぞれ独立にΔθ刻みで変えながら以下の式に従って基底信号パターン（→）ａ(B) D（ｔ）を回転させることで（→）ａ(D) D（ｔ）を生成する。
図１４は、図５中の段階（Ｃ−２）の詳細な処理内容を示す図である。
図５中の段階（Ｃ−２）中の擬似データ生成処理（Ｓ２１）は図１４中の処理（Ｃ−２−１）に対応する。図５中の段階（Ｃ−２）中の特徴抽出処理（Ｓ２２）は図１４中の処理（Ｃ−２−２）から（Ｃ−２−５）までに対応する。図５中の段階（Ｃ−２）中の自己組織化学習処理（Ｓ２３）は図１４中の処理（Ｃ−２−６）に対応する。図５中の段階（Ｃ−２）中の学習結果解析処理（Ｓ２４）は図１４中の処理（Ｃ−２−７）及び（Ｃ−２−８）に対応する。以下、これらの処理の内容について説明する。
処理（Ｃ−２−１）：次に基底信号パターン（→）ａ(B) D（ｔ）から生成された擬似データである加速度ベクトル（→）ａ(D) D（ｔ）から特定信号パターン特徴マップを作成する方法について説明する。
各軸のまわりに予め設定された角度α、β、γをそれぞれ独立にΔθ刻みで変えながら以下の式に従って基底信号パターン（→）ａ(B) D（ｔ）を回転させることで（→）ａ(D) D（ｔ）を生成する。
そして、回転角の組み合わせ（α、β、γ）ごとに得られた擬似データ（→）ａ(D) D（ｔ）を、前述の辞書データから特定信号パターン特徴マップと特定信号パターン発火確率マップを獲得したのと同様の手順で擬似データに関する特定信号パターン特徴マップ｛（→）Ｖ(D) D (i,j)｝と特定信号パターン発火確率マップＰ(i,j) (D)（Ｃn）を得る。
次に、実測データとなる加速度ベクトル（→）ａ0（ｔ）から特定信号パターンを抽出する方法について説明する。
前述で辞書データから特定信号パターン特徴マップと特定信号パターン発火確率マップを獲得したのと同様の手順で、実測データとなる加速度ベクトル（→）ａ0（ｔ）から特徴ベクトル（→）Ｘ0ならびに特徴ベクトルの分布統計量ベクトル（→）Ｍ（（→）Ｘ0）を作成する。
前述で辞書データから特定信号パターン特徴マップと特定信号パターン発火確率マップを獲得したのと同様の手順で、実測データとなる加速度ベクトル（→）ａ0（ｔ）から特徴ベクトル（→）Ｘ0ならびに特徴ベクトルの分布統計量ベクトル（→）Ｍ（（→）Ｘ0）を作成する。
処理（Ｃ−２−２）：まず、加速度ベクトル（→）ａD（ｔ）の特徴を解析するために基底関数展開することで時空間解像度レベルごとに時空間分解センサデータに分解する。ここでは局在波による関数展開であるMother WaveletをHarr関数とするWavelet Packet分解を利用する。上記の式（３）の両辺にWavelet Packet分解を施すと解像度レベルｐでの加速度ベクトル（→）ａD（ｔ）は上述した式（４）のように表せる。
処理（Ｃ−２−３）：次に、これら分解波形である基底関数
（→）ｕ(p、q) D（ｔ）＝
（（→）ｕ(p、q) x（ｔ）、（→）ｕ(p、q) y（ｔ）、（→）ｕ(p、q) z（ｔ））
のうち、加速度ベクトル（→）ａD（ｔ）を表現するのに最良基底関数となる基底関数を選択する。そこで、上記式（５）により情報エントロピーコスト関数を定義し、式（５）左辺を最小にするｐとｑとの組み合わせを選択する。
処理（Ｃ−２−３）：次に、これら分解波形である基底関数
（→）ｕ(p、q) D（ｔ）＝
（（→）ｕ(p、q) x（ｔ）、（→）ｕ(p、q) y（ｔ）、（→）ｕ(p、q) z（ｔ））
のうち、加速度ベクトル（→）ａD（ｔ）を表現するのに最良基底関数となる基底関数を選択する。そこで、上記式（５）により情報エントロピーコスト関数を定義し、式（５）左辺を最小にするｐとｑとの組み合わせを選択する。
さらに、選択された基底関数（→）ｕ(p、q) D_BN（ｔ）の情報エントロピー（上述した式（６））がもっとも大きいものから選び、それらを順次加えていった和が全情報エントロピー（情報エントロピーの総和）に対して閾値ＴSoEに達するまでの基底関数を選択する。
処理（Ｃ−２−４）：そして、最終的に得られた基底関数（→）ｕ(p、q) D_F（ｔ）に基づいて辞書データの特徴ベクトル加速度ベクトル（→）ＸDを上記式（７）のように定義する。また、上記式（８）と同様であり、直流成分Ｘ(i) D_BN（０）の項は用いない。
処理（Ｃ−２−５）：また、このとき特徴ベクトルの分布統計量として、下記のモーメントを算出する、ここでは、分布統計量ベクトルを上記式（９）、式（１０）と同様にベクトル（→）Ｍ（（→）Ｘ0）として表す。
処理（Ｃ−２−４）：そして、最終的に得られた基底関数（→）ｕ(p、q) D_F（ｔ）に基づいて辞書データの特徴ベクトル加速度ベクトル（→）ＸDを上記式（７）のように定義する。また、上記式（８）と同様であり、直流成分Ｘ(i) D_BN（０）の項は用いない。
処理（Ｃ−２−５）：また、このとき特徴ベクトルの分布統計量として、下記のモーメントを算出する、ここでは、分布統計量ベクトルを上記式（９）、式（１０）と同様にベクトル（→）Ｍ（（→）Ｘ0）として表す。
そして、辞書データとなる全ての加速度ベクトル（→）ａD（ｔ）について辞書データの特徴ベクトル（→）ＸDを求める。
処理（Ｃ−２−６）：次に、特徴ベクトル（→）ＸDを入力ベクトルとして自己組織化アルゴリズムによって学習させる。ここでは、既に公知であるKohonenの自己組織化アルゴリズムを用いる。
処理（Ｃ−２−６）：次に、特徴ベクトル（→）ＸDを入力ベクトルとして自己組織化アルゴリズムによって学習させる。ここでは、既に公知であるKohonenの自己組織化アルゴリズムを用いる。
処理（Ｃ−２−７）：学習終了後に得られる自己組織化特徴マップのノード（ｉ，ｊ）における特徴ノードベクトル（→）ＶD (i,j)に基づいて、辞書データの特徴ベクトルを入力した時に発火する特徴ノードベクトルとの対応関係を蓄積する。自己組織化特徴マップの例は、すでに述べたので、その説明を省略する。
処理（Ｃ−２−８）：上記対応関係の蓄積結果に基づいて、特徴ノードベクトル（→）ＶD (i,j)が発火した時に辞書データの特徴ベクトル（→）ＸDが特定信号パターンＣｎである確率Ｐ(i,j)（Ｃn）を上記式（１２）によって算出する。
そして、全ての特徴ノード（ｉ，ｊ）についての｛（→）ＶD (i,j)｝を特定信号パターン特徴マップとして、｛Ｐ(i,j)（Ｃn）｝を特定信号パターン発火確率マップとして獲得する。
処理（Ｃ−２−８）：上記対応関係の蓄積結果に基づいて、特徴ノードベクトル（→）ＶD (i,j)が発火した時に辞書データの特徴ベクトル（→）ＸDが特定信号パターンＣｎである確率Ｐ(i,j)（Ｃn）を上記式（１２）によって算出する。
そして、全ての特徴ノード（ｉ，ｊ）についての｛（→）ＶD (i,j)｝を特定信号パターン特徴マップとして、｛Ｐ(i,j)（Ｃn）｝を特定信号パターン発火確率マップとして獲得する。
（実際の測定）
図１５は、図５中の段階（Ｃ−３）の詳細な処理内容を示す図である。
図５中の段階（Ｃ−３）中の前処理（Ｓ３１）は図１５中の処理（Ｃ−３−２）及び（Ｃ−３−３）に対応する。図５中の段階（Ｃ−２）中の特徴抽出処理（Ｓ３２）は図１５中の処理（Ｃ−３−４）から（Ｃ−３−７）までに対応する。図５中の段階（Ｃ−３）中の特定信号パターン検出処理（Ｓ３３）は図１５中の処理（Ｃ−３−８）及び（Ｃ−３−９）に対応する。以下、これらの処理の内容について説明する。
図１５は、図５中の段階（Ｃ−３）の詳細な処理内容を示す図である。
図５中の段階（Ｃ−３）中の前処理（Ｓ３１）は図１５中の処理（Ｃ−３−２）及び（Ｃ−３−３）に対応する。図５中の段階（Ｃ−２）中の特徴抽出処理（Ｓ３２）は図１５中の処理（Ｃ−３−４）から（Ｃ−３−７）までに対応する。図５中の段階（Ｃ−３）中の特定信号パターン検出処理（Ｓ３３）は図１５中の処理（Ｃ−３−８）及び（Ｃ−３−９）に対応する。以下、これらの処理の内容について説明する。
処理（Ｃ−３−１）：ユーザＢは複数軸センサデータが獲得できる加速度センサを搭載してある携帯端末を携行している。逐次、ユーザＢの状況（コンテキスト）に応じて変動する複数軸センサデータ（加速度ベクトル）が獲得され、パケット通信でプレゼンス提供サーバへ送信される。
処理（Ｃ−３−２）：プレゼンス提供サーバでは、ユーザＢの携帯端末から送信された加速度ベクトルの時系列データを逐次受信する。時系列データとして受信される加速度ベクトル（→）ａ0（ｔ）をデータ分割する。手法は限定されないが、ここでは、複数の時間窓を上記式（１）にしたがって用意してデータ分割する。
処理（Ｃ−３−２）：プレゼンス提供サーバでは、ユーザＢの携帯端末から送信された加速度ベクトルの時系列データを逐次受信する。時系列データとして受信される加速度ベクトル（→）ａ0（ｔ）をデータ分割する。手法は限定されないが、ここでは、複数の時間窓を上記式（１）にしたがって用意してデータ分割する。
処理（Ｃ−３−３）：その後、データ補正処理を実施する。データ補正処理方法は加速度センサの用途によって異なるが、ここでは、Gaussianフィルターによるノイズ除去処理と、時間窓｛ｔk｝での加速度の正規化を行う。
続いて、センサデータ解析から特定信号パターンとの照合について述べる。
任意の姿勢で設置されたセンサから観測される時刻ｔでの実測データ加速度ベクトルを上記式（２）とし、理想的な姿勢で設置されたセンサから観測される時刻ｔにおける辞書データとなる加速度ベクトル（重力加速度も含む）を上記式（３）とおく。
続いて、センサデータ解析から特定信号パターンとの照合について述べる。
任意の姿勢で設置されたセンサから観測される時刻ｔでの実測データ加速度ベクトルを上記式（２）とし、理想的な姿勢で設置されたセンサから観測される時刻ｔにおける辞書データとなる加速度ベクトル（重力加速度も含む）を上記式（３）とおく。
はじめに、辞書データとなる加速度ベクトル（→）ａD（ｔ）から特定信号パターン特徴マップを作成する方法について説明する。
処理（Ｃ−３−４）：まず、加速度ベクトル（→）ａD（ｔ）の特徴を解析するために基底関数展開することで時空間解像度レベルごとに時空間分解センサデータに分解する。ここでは局在波による関数展開であるMother WaveletをHarr関数とするWavelet Packet分解を利用する。上記の式（３）の両辺にWavelet Packet分解を施すと解像度レベルｐでの加速度ベクトル（→）ａD（ｔ）は上記（４）のように表せる。
処理（Ｃ−３−４）：まず、加速度ベクトル（→）ａD（ｔ）の特徴を解析するために基底関数展開することで時空間解像度レベルごとに時空間分解センサデータに分解する。ここでは局在波による関数展開であるMother WaveletをHarr関数とするWavelet Packet分解を利用する。上記の式（３）の両辺にWavelet Packet分解を施すと解像度レベルｐでの加速度ベクトル（→）ａD（ｔ）は上記（４）のように表せる。
ここで、（→）ｕ(p、q) D（ｔ）は、解像度レベルｐのｑ番目の分解波形（基底関数）を表す。
処理（Ｃ−３−５）：次に、これら分解波形である基底関数
（→）ｕ(p、q) D（ｔ）＝
（（→）ｕ(p、q) x（ｔ）、（→）ｕ(p、q) y（ｔ）、（→）ｕ(p、q) z（ｔ））
のうち、加速度ベクトル（→）ａD（ｔ）を表現するのに最良基底関数となる基底関数を選択する。そこで、上記式（５）により情報エントロピーコスト関数を定義し、式（５）左辺を最小にするｐとｑとの組み合わせを選択する。
処理（Ｃ−３−５）：次に、これら分解波形である基底関数
（→）ｕ(p、q) D（ｔ）＝
（（→）ｕ(p、q) x（ｔ）、（→）ｕ(p、q) y（ｔ）、（→）ｕ(p、q) z（ｔ））
のうち、加速度ベクトル（→）ａD（ｔ）を表現するのに最良基底関数となる基底関数を選択する。そこで、上記式（５）により情報エントロピーコスト関数を定義し、式（５）左辺を最小にするｐとｑとの組み合わせを選択する。
さらに、選択された基底関数（→）ｕ(p、q) D_BN（ｔ）の情報エントロピー（上述した式（６））がもっとも大きいものから選び、それらを順次加えていった和が全情報エントロピー（情報エントロピーの総和）に対して閾値ＴSoEに達するまでの基底関数を選択する。
処理（Ｃ−３−６）：そして、最終的に得られた基底関数（→）ｕ(p、q) D_F（ｔ）に基づいて辞書データの特徴ベクトル加速度ベクトル（→）ＸDを上記式（７）のように定義する。また、上記式（８）と同様であり、直流成分Ｘ(i) D_BN（０）の項は用いない。
処理（Ｃ−３−７）：また、このとき特徴ベクトルの分布統計量として、下記のモーメントを算出する、ここでは、分布統計量ベクトルを上記式（９）、式（１０）と同様にベクトル（→）Ｍ（（→）Ｘ0）として表す。
処理（Ｃ−３−６）：そして、最終的に得られた基底関数（→）ｕ(p、q) D_F（ｔ）に基づいて辞書データの特徴ベクトル加速度ベクトル（→）ＸDを上記式（７）のように定義する。また、上記式（８）と同様であり、直流成分Ｘ(i) D_BN（０）の項は用いない。
処理（Ｃ−３−７）：また、このとき特徴ベクトルの分布統計量として、下記のモーメントを算出する、ここでは、分布統計量ベクトルを上記式（９）、式（１０）と同様にベクトル（→）Ｍ（（→）Ｘ0）として表す。
そして、辞書データとなる全ての加速度ベクトル（→）ａD（ｔ）について辞書データの特徴ベクトル（→）ＸDを求める。
処理（Ｃ−３−８）：そして、この（→）Ｘ0を入力ベクトルとして、前述で生成された辞書データならびに回転角の組み合わせ（α、β、γ）ごとの擬似データに基づいた特定信号パターン特徴マップ｛（→）Ｖ(Dk) D (i,j)｝と特定信号パターン発火確率マップ｛Ｐ(i,j) (Dk)（Ｃn）｝に基づいて特定信号パターン発火確率Ｐ(i,j)（Ｃn、（→）Ｘ0）を求める。
処理（Ｃ−３−９）：そして、以下の条件を満たすＣnを特定信号パターンとして検出する。すなわち、
処理（Ｃ−３−８）：そして、この（→）Ｘ0を入力ベクトルとして、前述で生成された辞書データならびに回転角の組み合わせ（α、β、γ）ごとの擬似データに基づいた特定信号パターン特徴マップ｛（→）Ｖ(Dk) D (i,j)｝と特定信号パターン発火確率マップ｛Ｐ(i,j) (Dk)（Ｃn）｝に基づいて特定信号パターン発火確率Ｐ(i,j)（Ｃn、（→）Ｘ0）を求める。
処理（Ｃ−３−９）：そして、以下の条件を満たすＣnを特定信号パターンとして検出する。すなわち、
上記式（１６）で検出された特定信号パターンＣnと関連付けられているプレゼンス情報をプレゼンスデータベースから検索する。なお。プレゼンスデータベースは以下のデータ構造を有している。
ユーザＡの要求に対しプレゼンス提供サーバは、ユーザＢのセキュリティポリシーに従ってプレゼンス情報をユーザＡに対して送信することができる。
（実施例）
以上説明した複軸センサからの特定信号パターン検出方法を実現するための、特定信号パターン検出システムの実施例の構成について、図１６を参照して説明する。同図において、本例の特定信号パターン検出装置は、センサデータ抽出部（Sensory Data Extraction）１００ａと、センサデータ前処理部（Sensory Data Preprocessing）１００ｂと、ウェブレットパケット分解部（Wavelet Packet Decomposition）１００ｃと、最良基底関数選択部（Best Basis Function Selection Based on AIC）１００ｄと、特徴パターン算出部（XYZ−Feature Pattern by composition of Entropy Distribution on each axis）１００ｅと、特徴パターン算出部（XYZ−Feature Pattern by composition of Statistic Values of Entropy Distribution on each axis）１００ｆと、自己組織化特徴マップ（Self−Organizing Feature Map(Training Stage)）１００ｇと、特定信号パターン発生確率マップ（Specific Patterns Occurrence Probabilities Map based on Best Matching Units）１００ｈと、基底特徴パターン抽出部（Basis Feature Pattern Extraction）１００ｉと、基底センサデータ抽出部（Basis Sensory Data Extraction）１００ｊと、擬似センサデータ生成部（Pseudo−Sensory Data Generation）１００ｋと、センサデータ抽出部（Sensory Data Extraction）１００ｍと、自己組織化特徴マップ部（Self−Organizing Feature Map(Clustering Stage)）１００ｎと、特定信号パターン抽出部（Specific Patterns Extraction）１００ｐと、辞書特徴パターン抽出部（Dictionary Feature Map Extraction）１００ｑとを含んで構成されている。
（実施例）
以上説明した複軸センサからの特定信号パターン検出方法を実現するための、特定信号パターン検出システムの実施例の構成について、図１６を参照して説明する。同図において、本例の特定信号パターン検出装置は、センサデータ抽出部（Sensory Data Extraction）１００ａと、センサデータ前処理部（Sensory Data Preprocessing）１００ｂと、ウェブレットパケット分解部（Wavelet Packet Decomposition）１００ｃと、最良基底関数選択部（Best Basis Function Selection Based on AIC）１００ｄと、特徴パターン算出部（XYZ−Feature Pattern by composition of Entropy Distribution on each axis）１００ｅと、特徴パターン算出部（XYZ−Feature Pattern by composition of Statistic Values of Entropy Distribution on each axis）１００ｆと、自己組織化特徴マップ（Self−Organizing Feature Map(Training Stage)）１００ｇと、特定信号パターン発生確率マップ（Specific Patterns Occurrence Probabilities Map based on Best Matching Units）１００ｈと、基底特徴パターン抽出部（Basis Feature Pattern Extraction）１００ｉと、基底センサデータ抽出部（Basis Sensory Data Extraction）１００ｊと、擬似センサデータ生成部（Pseudo−Sensory Data Generation）１００ｋと、センサデータ抽出部（Sensory Data Extraction）１００ｍと、自己組織化特徴マップ部（Self−Organizing Feature Map(Clustering Stage)）１００ｎと、特定信号パターン抽出部（Specific Patterns Extraction）１００ｐと、辞書特徴パターン抽出部（Dictionary Feature Map Extraction）１００ｑとを含んで構成されている。
これらの構成において、センサデータ抽出部１００ａは、上述した処理（Ｃ−１−１）を行う。
センサデータ前処理部１００ｂは、上述した処理（Ｃ−１−２）及び（Ｃ−１−３）、（Ｃ−３−２）及び（Ｃ−３−３）を行う。
ウェブレットパケット分解部１００ｃは、上述した処理（Ｃ−１−４）、（Ｃ−２−２）及び（Ｃ−３−４）を行う。
最良基底関数選択部１００ｄは、上述した処理（Ｃ−１−５）及び（Ｃ−２−３）、（Ｃ−３−５）を行う。
特徴パターン算出部１００ｅは、上述した処理（Ｃ−１−６）、（Ｃ−２−４）及び（Ｃ−３−６）を行う。
特徴パターン算出部１００ｆは、上述した処理（Ｃ−１−７）、（Ｃ−２−５）及び（Ｃ−３−７）を行う。
自己組織化特徴マップ１００ｇは、上述した処理（Ｃ−１−８）及び（Ｃ−２−６）を行う。
特定信号パターン発生確率マップ１００ｈは、上述した処理（Ｃ−１−９）及び（Ｃ−１−１０）、（Ｃ−２−７）及び（Ｃ−２−８）を行う。
基底特徴パターン抽出部１００ｉ及び基底センサデータ抽出部１００ｊは、上述した処理（Ｃ−１−１１）を行う。
センサデータ前処理部１００ｂは、上述した処理（Ｃ−１−２）及び（Ｃ−１−３）、（Ｃ−３−２）及び（Ｃ−３−３）を行う。
ウェブレットパケット分解部１００ｃは、上述した処理（Ｃ−１−４）、（Ｃ−２−２）及び（Ｃ−３−４）を行う。
最良基底関数選択部１００ｄは、上述した処理（Ｃ−１−５）及び（Ｃ−２−３）、（Ｃ−３−５）を行う。
特徴パターン算出部１００ｅは、上述した処理（Ｃ−１−６）、（Ｃ−２−４）及び（Ｃ−３−６）を行う。
特徴パターン算出部１００ｆは、上述した処理（Ｃ−１−７）、（Ｃ−２−５）及び（Ｃ−３−７）を行う。
自己組織化特徴マップ１００ｇは、上述した処理（Ｃ−１−８）及び（Ｃ−２−６）を行う。
特定信号パターン発生確率マップ１００ｈは、上述した処理（Ｃ−１−９）及び（Ｃ−１−１０）、（Ｃ−２−７）及び（Ｃ−２−８）を行う。
基底特徴パターン抽出部１００ｉ及び基底センサデータ抽出部１００ｊは、上述した処理（Ｃ−１−１１）を行う。
擬似センサデータ生成部１００ｋは、上述した処理（Ｃ−２−１）を行う。
センサデータ抽出部１００ｍは、上述した処理（Ｃ−３−１）を行う。
自己組織化特徴マップ部１００ｎは、上述した処理（Ｃ−３−８）を行う。
特定信号パターン抽出部１００ｐは、上述した処理（Ｃ−３−９）を行う。
辞書特徴パターン抽出部１００ｑは、辞書特徴マップを出力する処理を行う。
センサデータ抽出部１００ｍは、上述した処理（Ｃ−３−１）を行う。
自己組織化特徴マップ部１００ｎは、上述した処理（Ｃ−３−８）を行う。
特定信号パターン抽出部１００ｐは、上述した処理（Ｃ−３−９）を行う。
辞書特徴パターン抽出部１００ｑは、辞書特徴マップを出力する処理を行う。
このように、上述した３つの段階（Ｃ−１）、（Ｃ−２）及び（Ｃ−３）を行うため、重複する処理については、その処理を行う構成要素をそれぞれ設けるのではなく、重複する処理に共通して１つの構成要素を設けている。例えば、上記ウェブレットパケット分解部１００ｃは、上述した３回の処理（Ｃ−１−４）、（Ｃ−２−２）及び（Ｃ−３−４）に共通に設けられている。このように重複する処理に共通して１つの構成要素を設ければ、システムのハードウェア規模が増大することを防止できる。
なお、センサデータ抽出部１００ｍは、図２中のセンサデータ獲得機能部２１及びセンサデータ送信機能部２２、並びに、図３中のセンサデータ受信機能部１１に対応する。
また、センサデータ前処理部１００ｂ、ウェブレットパケット分解部１００ｃ、最良基底関数選択部１００ｄ、特徴パターン算出部１００ｅ、及び特徴パターン算出部１００ｆは、図３中のセンサデータ解析機能部１２に対応する。
また、センサデータ前処理部１００ｂ、ウェブレットパケット分解部１００ｃ、最良基底関数選択部１００ｄ、特徴パターン算出部１００ｅ、及び特徴パターン算出部１００ｆは、図３中のセンサデータ解析機能部１２に対応する。
さらに、センサデータ抽出部１００ａ、センサデータ前処理部１００ｂ、ウェブレットパケット分解部１００ｃ、最良基底関数選択部１００ｄ、特徴パターン算出部１００ｅ、特徴パターン算出部１００ｆ、自己組織化特徴マップ１００ｇ、特定信号パターン発生確率マップ１００ｈ、及び辞書特徴パターン抽出部１００ｑは、図３中のセンサデータ照合機能部１４に対応する。
なお、自己組織化特徴マップ部１００ｎは、図３中の特定信号パターン獲得機能部１３に対応する。
なお、自己組織化特徴マップ部１００ｎは、図３中の特定信号パターン獲得機能部１３に対応する。
（まとめ）
以上説明したように、本発明によれば、以下の効果が得られる。
（１）センサを特定の場所に固定する必要がないので、携帯端末に搭載するセンサなどモバイル環境での携行方法に制約を与えないことが可能である。
（２）複軸センサデータを各軸のセンサデータを一組のデータとして扱うことで、複軸センサデータの軌跡が非平面である特定パターンにも対応可能である。
（３）局所波を基底関数とする直交変換と情報エントロピーの情報量基準に基づいて特定信号パターンを分解することで、波形形状に応じた特徴抽出が可能である。
以上説明したように、本発明によれば、以下の効果が得られる。
（１）センサを特定の場所に固定する必要がないので、携帯端末に搭載するセンサなどモバイル環境での携行方法に制約を与えないことが可能である。
（２）複軸センサデータを各軸のセンサデータを一組のデータとして扱うことで、複軸センサデータの軌跡が非平面である特定パターンにも対応可能である。
（３）局所波を基底関数とする直交変換と情報エントロピーの情報量基準に基づいて特定信号パターンを分解することで、波形形状に応じた特徴抽出が可能である。
（４）自己組織化アルゴリズムで学習された結果を確率的手法に基づいてクラスタリングしているので、クラスターを代表する特徴ノードを学習データサンプルに対して忠実に決定することができる。
（５）任意の姿勢で設置されたセンサを前提に自己組織化アルゴリズムで学習させているので、極端に高速な捻りの動きでなければ、全ての並進運動の動きを検出することが可能である。
なお、上述した図３又は図１６中の構成要素の一部（すなわち機能の一部）を、携帯端末２００内に設けても良い。これにより、プレゼンス提供サーバ１００の処理負荷を軽減することができる。
（５）任意の姿勢で設置されたセンサを前提に自己組織化アルゴリズムで学習させているので、極端に高速な捻りの動きでなければ、全ての並進運動の動きを検出することが可能である。
なお、上述した図３又は図１６中の構成要素の一部（すなわち機能の一部）を、携帯端末２００内に設けても良い。これにより、プレゼンス提供サーバ１００の処理負荷を軽減することができる。
本発明は、複数の軸方向ごとにセンサデータが検出できるセンサ搭載型携帯端末を用いて個人に適応したコンテキストを獲得する状況認識システムに利用されるものであり、プレゼンスサービス、コンテキスト通信、コンテキストに基づくサービスナビゲーションならびに健康アドバイスサービスなどのヘルスケアの分野に利用することができる。
１１ センサデータ受信機能部
１２ センサデータ解析機能部
１３ 特定信号パターン獲得機能部
１４ センサデータ照合機能部
１５、１６ プレゼンス情報送信機能部
２１ センサデータ獲得機能部
２２ センサデータ送信機能部
２３ プレゼンス情報受信機能部
１００ プレゼンス提供サーバ
１００ａ センサデータ抽出部
１００ｂ センサデータ前処理部
１００ｃ ウェブレットパケット分解部
１００ｄ 最良基底関数選択部
１００ｅ、１００ｆ 特徴パターン算出部
１００ｇ 自己組織化特徴マップ
１００ｈ 特定信号パターン発生確率マップ
１００ｉ 基底特徴パターン抽出部
１００ｊ 基底センサデータ抽出部
１００ｋ 擬似センサデータ生成部
１００ｍ センサデータ抽出部
１００ｎ 自己組織化特徴マップ部
１００ｐ 特定信号パターン抽出部
１００ｑ 辞書特徴パターン抽出部
１０１ 特定信号パターンデータベース
１０２ プレゼンスデータベース
２００、３００ 携帯端末
１２ センサデータ解析機能部
１３ 特定信号パターン獲得機能部
１４ センサデータ照合機能部
１５、１６ プレゼンス情報送信機能部
２１ センサデータ獲得機能部
２２ センサデータ送信機能部
２３ プレゼンス情報受信機能部
１００ プレゼンス提供サーバ
１００ａ センサデータ抽出部
１００ｂ センサデータ前処理部
１００ｃ ウェブレットパケット分解部
１００ｄ 最良基底関数選択部
１００ｅ、１００ｆ 特徴パターン算出部
１００ｇ 自己組織化特徴マップ
１００ｈ 特定信号パターン発生確率マップ
１００ｉ 基底特徴パターン抽出部
１００ｊ 基底センサデータ抽出部
１００ｋ 擬似センサデータ生成部
１００ｍ センサデータ抽出部
１００ｎ 自己組織化特徴マップ部
１００ｐ 特定信号パターン抽出部
１００ｑ 辞書特徴パターン抽出部
１０１ 特定信号パターンデータベース
１０２ プレゼンスデータベース
２００、３００ 携帯端末
Claims (2)
- 複軸センサから得られる時系列の複軸センサデータにおいて検出したい複数の特定信号パターンを辞書データとして予め獲得するとともに、それらの特定信号パターンに識別ラベルを付与する識別ラベル付与手段と、
前記識別ラベル付与手段によって獲得された特定信号パターンを予め用意された時間窓に基づいて時間分割センサデータとして分割する第１のデータ分割手段と、
前記第１のデータ分割手段によって得られた時間分割センサデータのノイズ除去ならびにデータの正規化することで正規化センサデータを生成する第１の正規化センサデータ生成手段と、
前記第１の正規化センサデータ生成手段によって得られた正規化センサデータを基底関数展開することで時空間解像度レベルごとに時空間分解センサデータを生成する第１の時空間分解センサデータ生成手段と、
前記第１の時空間分解センサデータ生成手段によって得られた時空間分解センサデータの振幅情報に基づいて時空間解像度レベルごとに時空間分解センサデータ情報エントロピーを算出する第１のエントロピー算出手段と、
前記第１のエントロピー算出手段によって時空間解像度レベルごとに算出された時空間分解センサデータ情報エントロピーの総和が最小になるように予め用意された評価基準に基づいて基底時空間分解センサデータを選択するデータ選択手段と、
前記データ選択手段によって選択された基底時空間分解センサデータの情報エントロピーに基づいて、前記辞書データの特徴ベクトルである複軸センサデータ特徴ベクトルを生成する第１のセンサデータ特徴ベクトル生成手段と、
前記第１のセンサデータ特徴ベクトル生成手段によって生成された前記複軸センサデータ特徴ベクトルを自己組織化アルゴリズムにより学習させることで自己組織化された第１の特定信号パターン特徴マップを生成する第１の特定信号パターン特徴マップ生成手段と、
前記第１の特定信号パターン特徴マップの各ノードにおける特徴ノードベクトルに基づいて、前記辞書データの特徴ベクトルを入力した時に発火する特徴ノードベクトルとの対応関係を蓄積する蓄積手段と、
前記蓄積手段による前記対応関係の蓄積結果に基づいて、前記第１の特定信号パターン特徴マップの各ノードごとに特定信号パターンが発火する確率を算出し特定信号パターン発火確率マップを生成する特定信号パターン発火確率マップ生成手段と、
前記特定信号パターン発火確率マップ生成手段によって得られた特定信号パターン発火確率マップのうち予め設定された閾値以上の確率を有するノードを基底特徴ノードベクトルとして抽出する基底特徴ノードベクトル抽出手段と、
前記基底特徴ノードベクトル抽出手段によって抽出された基底特徴ノードベクトルを発火させる基となった複軸センサデータ特徴ベクトルのうち、基底特徴ノードベクトルとの類似度が予め設定された閾値以上のものを基底複軸センサ特徴ベクトルとして抽出する基底複軸センサ特徴ベクトル抽出手段と、
前記基底複軸センサ特徴ベクトル抽出手段によって抽出された基底複軸センサ特徴ベクトルの基となった複軸の基底センサデータを抽出する基底センサデータ抽出手段と、
を含むことを特徴とする特定信号パターン検出システム。 - 複軸センサから得られる時系列の複軸センサデータにおいて検出したい複数の特定信号パターンを辞書データとして予め獲得するとともに、それらの特定信号パターンに識別ラベルを付与するステップと、
前記獲得された特定信号パターンを予め用意された時間窓に基づいて時間分割センサデータとして分割するステップと、
前記時間分割センサデータのノイズ除去ならびにデータの正規化することで正規化センサデータを生成するステップと、
前記正規化センサデータを基底関数展開することで時空間解像度レベルごとに時空間分解センサデータを生成するステップと、
前記時空間分解センサデータの振幅情報に基づいて時空間解像度レベルごとに時空間分解センサデータ情報エントロピーを算出するステップと、
時空間解像度レベルごとに算出された前記時空間分解センサデータ情報エントロピーを予め用意された評価基準に基づいて基底時空間分解センサデータを選択するステップと、
選択された前記基底時空間分解センサデータの情報エントロピーに基づいて、前記辞書データの特徴ベクトルである複軸センサデータ特徴ベクトルを生成するステップと、
生成された前記複軸センサデータ特徴ベクトルを自己組織化アルゴリズムにより学習させることで第１の特定信号パターン特徴マップを生成するステップと、
前記第１の特定信号パターン特徴マップの各ノードにおける特徴ノードベクトルに基づいて、前記辞書データの特徴ベクトルを入力した時に発火する特徴ノードベクトルとの対応関係を蓄積する蓄積ステップと、
前記蓄積ステップによる前記対応関係の蓄積結果に基づいて、前記第１の特定信号パターン特徴マップの各ノードごとに特定信号パターンが発火する確率を算出し特定信号パターン発火確率マップを生成するステップと、
前記特定信号パターン発火確率マップのうち予め設定された閾値以上の確率を有するノードを基底特徴ノードベクトルとして抽出するステップと、
抽出された前記基底特徴ノードベクトルを発火させる基となった複軸センサデータ特徴ベクトルのうち、基底特徴ノードベクトルとの類似度が予め設定された閾値以上のものを基底複軸センサ特徴ベクトルとして抽出するステップと、
抽出された前記基底複軸センサ特徴ベクトルの基となった複軸の基底センサデータを抽出するステップと、
を含むことを特徴とする特定信号パターン検出方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2006066184A JP5009543B2 (ja) | 2006-03-10 | 2006-03-10 | 複軸センサからの特定信号パターン検出システム、複軸センサからの特定信号パターン検出方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2006066184A JP5009543B2 (ja) | 2006-03-10 | 2006-03-10 | 複軸センサからの特定信号パターン検出システム、複軸センサからの特定信号パターン検出方法 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2012106341A Division JP5297547B2 (ja) | 2012-05-07 | 2012-05-07 | 複軸センサからの特定信号パターン検出システム、複軸センサからの特定信号パターン検出方法 |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JP2007241866A JP2007241866A (ja) | 2007-09-20 |
| JP2007241866A5 JP2007241866A5 (ja) | 2009-01-15 |
| JP5009543B2 true JP5009543B2 (ja) | 2012-08-22 |
Family
ID=38587314
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2006066184A Expired - Fee Related JP5009543B2 (ja) | 2006-03-10 | 2006-03-10 | 複軸センサからの特定信号パターン検出システム、複軸センサからの特定信号パターン検出方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP5009543B2 (ja) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5185203B2 (ja) * | 2009-06-04 | 2013-04-17 | 日本電信電話株式会社 | コンテキスト分析装置及びコンテキスト分析プログラム |
| JP5027859B2 (ja) * | 2009-10-26 | 2012-09-19 | パナソニック デバイスＳｕｎｘ株式会社 | 信号識別方法および信号識別装置 |
| JP5704561B2 (ja) * | 2011-01-12 | 2015-04-22 | 独立行政法人産業技術総合研究所 | 進行方向推定装置、携帯端末、制御プログラム、コンピュータ読み取り可能な記録媒体、および進行方向推定方法 |
| JP6663765B2 (ja) * | 2016-03-25 | 2020-03-13 | 株式会社メガチップス | 状態判定装置、プログラムおよび集積回路 |
| US10586154B2 (en) | 2016-03-25 | 2020-03-10 | Megachips Corporation | State estimation apparatus, state estimation method, and integrated circuit |
| JP6663780B2 (ja) * | 2016-04-18 | 2020-03-13 | 株式会社メガチップス | 状態判定装置、プログラムおよび集積回路 |
| JP6704574B2 (ja) * | 2016-04-27 | 2020-06-03 | 株式会社メガチップス | 状態判定装置、プログラムおよび集積回路 |
| US20200026985A1 (en) * | 2018-07-17 | 2020-01-23 | Palo Alto Research Center Incorporated | System and method for characterizing an arbitrary-length time series using pre-selected signatures |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0764948A (ja) * | 1993-08-24 | 1995-03-10 | Kobe Steel Ltd | 波形識別用学習装置及び同装置を用いた制御装置 |
| JP3505040B2 (ja) * | 1996-07-11 | 2004-03-08 | 株式会社リコー | 携帯型情報処理装置 |
| JP3923035B2 (ja) * | 2003-07-03 | 2007-05-30 | 株式会社東芝 | 生体状態分析装置及び生体状態分析方法 |
| JP3720346B2 (ja) * | 2004-03-30 | 2005-11-24 | シャープ株式会社 | 携帯情報処理装置 |
-
2006
- 2006-03-10 JP JP2006066184A patent/JP5009543B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JP2007241866A (ja) | 2007-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5009543B2 (ja) | 複軸センサからの特定信号パターン検出システム、複軸センサからの特定信号パターン検出方法 | |
| Zhang et al. | Data augmentation and dense-LSTM for human activity recognition using WiFi signal | |
| Zhang et al. | Human activity recognition based on motion sensor using u-net | |
| US20210264205A1 (en) | Image recognition network model training method, image recognition method and apparatus | |
| JP4992043B2 (ja) | 行動識別装置、行動識別システムおよび行動識別方法 | |
| US8935195B2 (en) | Method of identification and devices thereof | |
| Garcia-Ceja et al. | Long-term activity recognition from accelerometer data | |
| Qiu et al. | Skeleton-based abnormal behavior detection using secure partitioned convolutional neural network model | |
| CN112543936A (zh) | 用于动作识别的动作结构自注意力图卷积网络 | |
| Kerola et al. | Cross-view human action recognition from depth maps using spectral graph sequences | |
| KR20190061538A (ko) | 멀티 인식모델의 결합에 의한 행동패턴 인식방법 및 장치 | |
| Ogunseiju et al. | Recognition of workers’ actions from time-series signal images using deep convolutional neural network | |
| Showmik et al. | Human activity recognition from wi-fi csi data using principal component-based wavelet cnn | |
| Pandey et al. | Csi-based joint location and activity monitoring for covid-19 quarantine environments | |
| Gu et al. | Device‐Free Human Activity Recognition Based on Dual‐Channel Transformer Using WiFi Signals | |
| CN114757224A (zh) | 一种基于持续学习和联合特征提取的特定辐射源识别方法 | |
| JP5297547B2 (ja) | 複軸センサからの特定信号パターン検出システム、複軸センサからの特定信号パターン検出方法 | |
| JP4897314B2 (ja) | センサ搭載型携帯端末による歩行状態検出システム、センサ搭載型携帯端末による歩行状態検出方法 | |
| Yao et al. | Energy efficient communication among wearable devices using optimized motion detection | |
| Ge et al. | QCRUFT: Quaternion Context Recognition under Uncertainty using Fusion and Temporal Learning | |
| CN113720333B (zh) | 一种基于图注意力网络的室内多点协同定位方法 | |
| Hsieh et al. | End-to-end deep learning-based human activity recognition using channel state information | |
| Abuhoureyah et al. | Addressing Location Dependency in Human Activity Recognition Using Channel State Information via 3D-CWT Approach | |
| CN113869193A (zh) | 行人再识别模型的训练方法、行人再识别方法及系统 | |
| US20200054288A1 (en) | Method, Device and System for Detection, Prediction and Classification of Physical Activities Using IMU Sensors Placed on Wearable Fabrics for Knees |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20081003 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20081121 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20111213 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20120213 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20120306 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20120507 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20120529 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20120531 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 Ref document number: 5009543 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20150608 Year of fee payment: 3 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |