JP6648435B2 - 判別装置、判別方法、プログラム、モデル生成装置、及びモデル生成方法 - Google Patents
判別装置、判別方法、プログラム、モデル生成装置、及びモデル生成方法 Download PDFInfo
- Publication number
- JP6648435B2 JP6648435B2 JP2015145545A JP2015145545A JP6648435B2 JP 6648435 B2 JP6648435 B2 JP 6648435B2 JP 2015145545 A JP2015145545 A JP 2015145545A JP 2015145545 A JP2015145545 A JP 2015145545A JP 6648435 B2 JP6648435 B2 JP 6648435B2
- Authority
- JP
- Japan
- Prior art keywords
- evaluation value
- feature amount
- motion
- moving object
- movement
- 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
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Radar Systems Or Details Thereof (AREA)
Description
本発明は、判別装置、判別方法、プログラム、モデル生成装置、及びモデル生成方法に関する。
近年、非接触のセンサにより検出された人物等の動体の動きに由来する信号に基づいて、動体の動きを判別する技術が開発されている。例えば、下記特許文献１には、センサにより検出された信号の処理において、センサの感度補正を行う感度補正手段を少なくとも一つ備えた制御回路に係る発明が開示されている。なお、感度補正手段は、例えば、制御回路内の増幅回路の増幅率を調整したり、１次遅れフィルタを用いて比較的早い動きの周波数成分を抑制したり、また、２次遅れフィルタを用いて比較的緩慢な動きの周波数成分を抑制する機能を含む。かかる構成において、上記の感度補正手段を切り替えることにより、人物の存在の有無について判別するための感度を調整することができる。
上記特許文献１に開示された技術によれば、動体の動きや動体の環境に応じて感度を調整することにより、人の存在の有無の判別の精度を向上させることができる。しかし、センサが設置されている環境においては、センサは、人の複雑な動きのみならず、様々な外乱（例えば、電気的なノイズや機械的な動き）も検出し得る。センサにより検出された信号には、複数の外乱が含まれ得る。そのため、上記特許文献１に開示されている感度補正手段を単に切り替えて感度を調整するのみでは、様々な外乱を含み得る環境において動体の動きを判別することに限界がある。
そこで、本発明は、上記問題に鑑みてなされたものであり、本発明の目的とするところは、様々な外乱を含む信号からより高精度で動体の動きを判別することが可能な、新規かつ改良された判別装置を提供することにある。
上記課題を解決するために、本発明のある観点によれば、センサにより検出された動体の動きを示すセンサ信号に基づいて、上記動体の動きの特徴量を算出する特徴量算出部と、所定の動きの特徴量と、上記所定の動きに対応する評価値とを組とする複数のデータに基づいて生成された回帰学習モデルを用いて、上記特徴量算出部により算出された上記動体の動きの特徴量に応じて、上記動体の動きに対応する評価値を算出する評価値算出部と、上記動体の動きの判別のために上記動体の動きに対応する上記評価値と比較される閾値を調整する調整部と、を備え、前記所定の動きに対応する評価値は、前記所定の動きの特徴量と、前記所定の動きに対応して予め設定された評価値とを組とする複数のデータに基づいて生成された複数の回帰学習モデルを用いて判別された前記所定の動きに対応する複数の判別結果間における誤差に応じて決定される、判別装置が提供される。
上記回帰学習モデルは、サポートベクタ回帰により生成される回帰学習モデルであり、上記評価値算出部は、上記サポートベクタ回帰により生成される上記回帰学習モデルを構成するサポートベクタと、上記動体の動きの特徴量とを用いて、上記動体の動きに対応する評価値を算出してもよい。
上記特徴量算出部は、上記センサ信号の波形に基づいて上記特徴量を算出してもよい。
上記特徴量算出部は、上記センサ信号の振幅の大きさを上記特徴量として算出してもよい。
上記特徴量算出部は、所定区間における上記センサ信号の波形の周波数を上記特徴量として算出してもよい。
上記調整部は、上記閾値を段階的に調整してもよい。
上記所定の動きは、生体の動きを含み、上記動体の動きの判別は、上記動体の動きが上記生体の動きであるか否かの判別を含んでもよい。
上記センサはドップラーセンサであってもよい。
また、上記課題を解決するために、本発明の別の観点によれば、センサにより検出された動体の動きを示すセンサ信号に基づいて、上記動体の動きの特徴量を算出するステップと、所定の動きの特徴量と、上記所定の動きに対応する評価値とを組とする複数のデータに基づいて生成された回帰学習モデルを用いて、上記動体の動きの特徴量に応じて、上記動体の動きに対応する評価値を算出するステップと、上記動体の動きの判別のために上記動体の動きに対応する上記評価値と比較される閾値を調整するステップと、を含み、前記所定の動きに対応する評価値は、前記所定の動きの特徴量と、前記所定の動きに対応して予め設定された評価値とを組とする複数のデータに基づいて生成された複数の回帰学習モデルを用いて判別された前記所定の動きに対応する複数の判別結果間における誤差に応じて決定される、判別方法が提供される。
また、上記課題を解決するために、本発明の別の観点によれば、コンピュータを、センサにより検出された動体の動きを示すセンサ信号に基づいて、上記動体の動きの特徴量を算出する特徴量算出部と、所定の動きの特徴量と、上記所定の動きに対応する評価値とを組とする複数のデータに基づいて生成された回帰学習モデルを用いて、上記特徴量算出部により算出された上記動体の動きの特徴量に応じて、上記動体の動きに対応する評価値を算出する評価値算出部と、上記動体の動きの判別のために上記動体の動きに対応する上記評価値と比較される閾値を調整する調整部と、として機能させ、前記所定の動きに対応する評価値は、前記所定の動きの特徴量と、前記所定の動きに対応して予め設定された評価値とを組とする複数のデータに基づいて生成された複数の回帰学習モデルを用いて判別された前記所定の動きに対応する複数の判別結果間における誤差に応じて決定される、プログラムが提供される。
また、上記課題を解決するために、本発明の別の観点によれば、センサにより検出された動体による所定の動きを示すセンサ信号に基づいて、上記所定の動きの特徴量を算出する特徴量算出部と、前記所定の動きの特徴量と、前記所定の動きに対応して予め設定された参考評価値とを組とする複数のデータに基づいて生成された複数の回帰学習モデルを用いて判別された前記所定の動きに対応する複数の判別結果間における誤差に応じて、前記所定の動きに対応する評価値を決定する、回帰学習モデル評価値決定部と、上記所定の動きの特徴量と、上記所定の動きに対応する評価値とを組とする複数のデータに基づいて回帰学習モデルを生成するモデル生成部と、を備えるモデル生成装置が提供される。
また、上記課題を解決するために、本発明の別の観点によれば、センサにより検出された動体による所定の動きを示すセンサ信号に基づいて、上記所定の動きの特徴量を算出するステップと、前記所定の動きの特徴量と、前記所定の動きに対応して予め設定された参考評価値とを組とする複数のデータに基づいて生成された複数の回帰学習モデルを用いて判別された前記所定の動きに対応する複数の判別結果間における誤差に応じて、前記所定の動きに対応する評価値を決定するステップと、上記所定の動きの特徴量と、上記所定の動きに対応する評価値とを組とする複数のデータに基づいて回帰学習モデルを生成するステップと、を含む、モデル生成方法が提供される。
以上説明したように本発明によれば、様々な外乱を含む信号からより高精度で動体の動きを判別することが可能である。
以下に添付図面を参照しながら、本発明の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。
＜１．判別システムの概要＞
本発明の一実施形態に係る判別システム１は、予めモデル生成装置１０により所定の動きに基づいて生成された回帰学習モデルを判別装置２０に適用させ、センサ２により検出された動体の動きを判別装置２０により判別するシステムである。以下、判別システム１の概要について説明する。
本発明の一実施形態に係る判別システム１は、予めモデル生成装置１０により所定の動きに基づいて生成された回帰学習モデルを判別装置２０に適用させ、センサ２により検出された動体の動きを判別装置２０により判別するシステムである。以下、判別システム１の概要について説明する。
図１は、本発明の一実施形態に係る判別システム１の概要を示す図である。判別システム１においては、実施される処理に応じて構成が異なる。例えば、図１を参照すると、回帰学習モデルを生成するモデル生成処理を実施する際は、判別システム１は、センサ２、およびモデル生成装置１０を備える構成を有する。一方、動体の動きの判別処理を実施する際は、判別システム１は、センサ２、および判別装置２０を備える構成を有する。なお、センサ２、およびモデル生成装置１０は、一体となってモデル生成装置を構成してもよいし、センサ２、および判別装置２０は、一体となって判別装置を構成してもよい。
（センサ）
センサ２は、図１に示すように、部屋の天井等に設置される非接触型のセンサである。センサ２は、例えば、検出エリアである部屋の屋内に向けて、光、電磁波、または音波等の放射波を放射し、動体（例えば図１においては人物Ｐ、エアコンＡＣ、またはカーテンＣＵ等）により反射された反射波を受信する電波センサであってもよい。電波センサは、例えばドップラーセンサであってもよい。このとき、反射波の周波数は、物体の振動等の運動により生じるドップラー効果により、放射波の周波数から変化する。センサ２は、放射波の周波数と反射波の周波数との差分の周波数を有する信号を生成する。センサ２は、例えば直交検波方式を搭載してもよい。この場合、センサ２は、余弦波成分（Ｉ成分）および正弦波成分（Ｑ成分）の２種類の信号を生成してもよい。センサ２は、生成した信号を、モデル生成装置１０、または判別装置２０のいずれかに出力する。
センサ２は、図１に示すように、部屋の天井等に設置される非接触型のセンサである。センサ２は、例えば、検出エリアである部屋の屋内に向けて、光、電磁波、または音波等の放射波を放射し、動体（例えば図１においては人物Ｐ、エアコンＡＣ、またはカーテンＣＵ等）により反射された反射波を受信する電波センサであってもよい。電波センサは、例えばドップラーセンサであってもよい。このとき、反射波の周波数は、物体の振動等の運動により生じるドップラー効果により、放射波の周波数から変化する。センサ２は、放射波の周波数と反射波の周波数との差分の周波数を有する信号を生成する。センサ２は、例えば直交検波方式を搭載してもよい。この場合、センサ２は、余弦波成分（Ｉ成分）および正弦波成分（Ｑ成分）の２種類の信号を生成してもよい。センサ２は、生成した信号を、モデル生成装置１０、または判別装置２０のいずれかに出力する。
なお、センサ２は、動体の動きが検出可能であれば任意の位置に設置可能である。また、図１に示した例では、センサ２は放射波の送信部と反射波の受信部とが一体となって構成されているが、センサ２は、送信部と受信部とを分離した構成により実現されてもよい。また、センサ２が放射する放射波は、物体の振動によりドップラー効果を生じさせることが可能であれば、任意の周波数帯の波であってもよい。例えば、放射波は、人の動きを検出可能な周波数帯の波であることが好ましい。また、センサ２は、モデル生成処理と判別処理とにおいて設置される環境が異なってもよい。例えば、モデル生成処理においては、動体の単一の動きの信号を検出する必要があるため、センサ２は、防音室等、外乱を遮断可能な部屋に設けられてもよい。一方、判別処理においては、人物等の動体の動きを検出することが求められる場所であれば、センサ２の設置場所は特に限定されない。例えば、センサ２は、部屋のみならず、パーティションや柵等で仕切られた区画に設置されてもよい。また、センサ２は、運動施設、医療施設、介護施設、養護施設、アトラクション施設、刑事施設、家、ホテル、マンション、ビル、自動車、鉄道車両、船舶等の建造物や車体の内部に設置されてもよい。また、動体の種類も、上述したような人物、家具、または家電等に限定されない。
なお、本実施形態においては、センサ２は電波センサ（ドップラーセンサ）であることが好ましい。例えば、センサ２が赤外線センサである場合、動体の動きを検出することは出来るが、動体が静止している場合に、その動体の検出が困難となる。一方で、センサ２が電波センサである場合、動体が静止している場合においても、動体の呼吸等による体幹の振動を検出することができる。そのため、動体が静止している状態の検出も容易である。
（モデル生成装置）
モデル生成装置１０は、所定の動体の動きのモデル生成処理に用いられる装置である。モデル生成装置１０は、例えば、ネットワーク上の一または複数の情報処理装置によって実現されてもよい。より具体的には、モデル生成装置１０は、サーバやＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）等により実現されてもよい。モデル生成装置１０は、所定の動体の動きに由来する信号をセンサ２から取得するとともに、所定の動体の動きに対応する評価値を生成する。そして、モデル生成装置１０は、各所定の動体の動きの信号と各動体の動きに対応する評価値とに基づいて回帰学習モデルを生成する。生成された回帰学習モデルは、判別装置２０において用いられる。
モデル生成装置１０は、所定の動体の動きのモデル生成処理に用いられる装置である。モデル生成装置１０は、例えば、ネットワーク上の一または複数の情報処理装置によって実現されてもよい。より具体的には、モデル生成装置１０は、サーバやＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）等により実現されてもよい。モデル生成装置１０は、所定の動体の動きに由来する信号をセンサ２から取得するとともに、所定の動体の動きに対応する評価値を生成する。そして、モデル生成装置１０は、各所定の動体の動きの信号と各動体の動きに対応する評価値とに基づいて回帰学習モデルを生成する。生成された回帰学習モデルは、判別装置２０において用いられる。
ここで、本明細書において動体の動きには、人物の動きのみならず、例えば、家電の動き、地面の振動や風による家具の振動等、人物以外の動きも含まれる。また、人物の動きもさらに細分化されてもよい。例えば、寝ているときの動きや、座っているときの動きも、人物の動きに含まれてよい。また、評価値とは、動体の動きの判別のために用いられる値であり、各々の動体の動きとひも付けられる。
（判別装置）
判別装置２０は、特定の動体の動きの判別処理に用いられる装置である。判別装置２０は、例えば、ネットワーク上の一または複数の情報処理装置によって実現されてもよい。より具体的には、判別装置２０は、サーバやＰＣ等により実現されてもよい。判別装置２０は、センサ２により検出された動体の動きに由来する信号と、モデル生成装置１０により生成された回帰学習モデルとを用いることにより、動体の動きを判別する。例えば、判別装置２０は、センサ２により検出された動体の動きについて回帰学習モデルを用いることにより得られた評価値と、調整可能な閾値とを比較することにより、動体の動きについて判別してもよい。判別装置２０は、例えば、不図示の通信部を介して、判別結果を有線または無線により外部装置等に送信することが可能である。これにより、例えば、上記外部装置において、判別結果を用いた処理を行うことが可能となる。判別結果を用いた処理により、例えば、人物Ｐの存在の有無を把握することが可能となる。なお、判別結果を用いた処理については、上記のような外部装置ではなく、判別装置２０本体において行うことも可能である。
判別装置２０は、特定の動体の動きの判別処理に用いられる装置である。判別装置２０は、例えば、ネットワーク上の一または複数の情報処理装置によって実現されてもよい。より具体的には、判別装置２０は、サーバやＰＣ等により実現されてもよい。判別装置２０は、センサ２により検出された動体の動きに由来する信号と、モデル生成装置１０により生成された回帰学習モデルとを用いることにより、動体の動きを判別する。例えば、判別装置２０は、センサ２により検出された動体の動きについて回帰学習モデルを用いることにより得られた評価値と、調整可能な閾値とを比較することにより、動体の動きについて判別してもよい。判別装置２０は、例えば、不図示の通信部を介して、判別結果を有線または無線により外部装置等に送信することが可能である。これにより、例えば、上記外部装置において、判別結果を用いた処理を行うことが可能となる。判別結果を用いた処理により、例えば、人物Ｐの存在の有無を把握することが可能となる。なお、判別結果を用いた処理については、上記のような外部装置ではなく、判別装置２０本体において行うことも可能である。
なお、従来においても、人物の有無を判別する技術について開発が進められていた。例えば、特開２０１０−２３０４９２号公報に開示された発明によれば、人物の有無の判別のための感度を調整することができるが、温度の変化や動体の動きの速さなど、特定の外乱の要因を含む信号に対してしか感度を調整することができなかった。そのため、様々な外乱を含む複雑な信号について、判別精度を向上させるための感度調整は困難であった。
本発明の判別システム１においては、モデル生成装置１０が複数の所定のシナリオに基づいて回帰学習モデルを生成し、判別装置２０が回帰学習モデルを用いて動体の動きを判別する。かかる構成において、回帰学習モデルに動体の動きを当てはめることにより、動体の動きと、回帰学習モデルの構成要素である所定のシナリオとの類似度（評価値）を算出する。つまり、複数の外乱を含む信号についても、回帰学習モデルを適用させることにより、どのような動きと類似しているかを連続的な評価値として表すことができる。そのため、例えば、判別のための閾値を感度の調整要素として評価値の取り得る値の範囲内で設定することにより、動体の動きがある所定の動きか否かを閾値との比較により行うことができる。評価値が連続値であれば閾値も連続的に設定することが可能であるので、上記所定の動きの判別に係る感度を細かく調整することができる。したがって、従来においては判別の感度調整ができなかった複数の外乱が混在している信号についても、感度調整を行うことができる。よって、動体の動きの判別精度をより向上させることができる。
＜２．第１の実施形態＞
以下、本発明の第１の実施形態に係るモデル生成装置１０、および判別装置２０について説明する。
以下、本発明の第１の実施形態に係るモデル生成装置１０、および判別装置２０について説明する。
［２．１．モデル生成装置］
（１）構成
図２は、本発明の第１の実施形態に係るモデル生成装置１０の構成例を示すブロック図である。図２を参照すると、モデル生成装置１０は、信号取得部１１０、信号ＤＢ（データベース）１１１、フィルタ部１２０、特徴量算出部１３０、評価値生成部１４０、評価値ＤＢ１４１、モデル生成部１５０、および回帰学習モデルＤＢ１５１を備える。モデル生成装置１０は、センサ２により検出される既知の所定の動きに由来する信号から算出される特徴ベクトルから構成される特徴空間と上記所定の動きに対応する評価値とを組とする複数のデータから、回帰学習モデルを生成する。生成された回帰学習モデルは、判別装置２０において用いられる。以下、本実施形態に係るモデル生成装置１０について説明する。
（１）構成
図２は、本発明の第１の実施形態に係るモデル生成装置１０の構成例を示すブロック図である。図２を参照すると、モデル生成装置１０は、信号取得部１１０、信号ＤＢ（データベース）１１１、フィルタ部１２０、特徴量算出部１３０、評価値生成部１４０、評価値ＤＢ１４１、モデル生成部１５０、および回帰学習モデルＤＢ１５１を備える。モデル生成装置１０は、センサ２により検出される既知の所定の動きに由来する信号から算出される特徴ベクトルから構成される特徴空間と上記所定の動きに対応する評価値とを組とする複数のデータから、回帰学習モデルを生成する。生成された回帰学習モデルは、判別装置２０において用いられる。以下、本実施形態に係るモデル生成装置１０について説明する。
（信号取得部）
信号取得部１１０は、不図示の通信部または入力部等を介して、センサ２から出力される信号データを取得する。本実施形態において、センサ２はドップラーセンサである。センサ２から出力される信号データは、時系列のデジタル信号からなるデータであり、Ｉ成分であるＩ（ｎ）とＱ成分であるＱ（ｎ）の２成分を有する。信号データは、センサ２により規定の時間収集される。規定の時間は、例えば１０分間であってもよい。また、信号データのサンプリング周波数は特に限定されないが、人物の動きを判別するためには、１００Ｈｚ以上であることが好ましい。信号取得部１１０は、所定の動きを検出した信号を信号データとして取得し、取得した信号データを信号ＤＢ１１１に出力する。
信号取得部１１０は、不図示の通信部または入力部等を介して、センサ２から出力される信号データを取得する。本実施形態において、センサ２はドップラーセンサである。センサ２から出力される信号データは、時系列のデジタル信号からなるデータであり、Ｉ成分であるＩ（ｎ）とＱ成分であるＱ（ｎ）の２成分を有する。信号データは、センサ２により規定の時間収集される。規定の時間は、例えば１０分間であってもよい。また、信号データのサンプリング周波数は特に限定されないが、人物の動きを判別するためには、１００Ｈｚ以上であることが好ましい。信号取得部１１０は、所定の動きを検出した信号を信号データとして取得し、取得した信号データを信号ＤＢ１１１に出力する。
（信号ＤＢ）
信号ＤＢ１１１は、信号取得部１１０より取得した信号データを格納するデータベースである。データベースは複数のデータリストを有し、データリストは複数のデータセットにより構成される。図３は、信号ＤＢ１１１に格納されているデータリストの一例を示す図である。図３を参照すると、データリスト１０００には、信号取得部１１０より取得した所定の動きに由来する信号データのデータファイル（Ａ１．ｄａｔ、Ｂ２．ｄａｔ、・・・、Ｃ６．ｄａｔ）が、ＩＤ、属性、およびシナリオとともにデータセットとして記憶されている。ＩＤは、取得された信号データごとに割り振られるインデックスである。属性は、動体の動きの種類を示す項目であり、一のデータリストに複数の属性が設定され得る。図３に示したデータリスト１０００においては、例として、「無人（外乱なし）」、「無人（外乱あり）」、および「有人」の３種類の属性が設定されている。ここで、「無人（外乱なし）」とは、人物を含めた動体による動きが全く検出されない状態であることを意味する。「無人（外乱あり）」とは、人物は存在しないが、他の動体の動きが検出され得る状態であることを意味する。また、「有人」とは、人物による動きのみが検出され得る状態であることを意味する。
信号ＤＢ１１１は、信号取得部１１０より取得した信号データを格納するデータベースである。データベースは複数のデータリストを有し、データリストは複数のデータセットにより構成される。図３は、信号ＤＢ１１１に格納されているデータリストの一例を示す図である。図３を参照すると、データリスト１０００には、信号取得部１１０より取得した所定の動きに由来する信号データのデータファイル（Ａ１．ｄａｔ、Ｂ２．ｄａｔ、・・・、Ｃ６．ｄａｔ）が、ＩＤ、属性、およびシナリオとともにデータセットとして記憶されている。ＩＤは、取得された信号データごとに割り振られるインデックスである。属性は、動体の動きの種類を示す項目であり、一のデータリストに複数の属性が設定され得る。図３に示したデータリスト１０００においては、例として、「無人（外乱なし）」、「無人（外乱あり）」、および「有人」の３種類の属性が設定されている。ここで、「無人（外乱なし）」とは、人物を含めた動体による動きが全く検出されない状態であることを意味する。「無人（外乱あり）」とは、人物は存在しないが、他の動体の動きが検出され得る状態であることを意味する。また、「有人」とは、人物による動きのみが検出され得る状態であることを意味する。
シナリオは、各属性において予め設定された具体的な動体、および動体の動きを示す項目である。シナリオとして設定された所定の動きは、予めモデル生成装置１０のユーザ等により選択される動きである。図３に示したデータリスト１０００においては、属性「無人（外乱あり）」には、「エアコン」、および「カーテン」がシナリオとして設定されている。これは、「無人（外乱あり）」の属性として取得された信号データは、エアコン、およびカーテンの振動に由来する信号データであることを意味する。同様に、属性「有人」には、「座る」、「寝る」、および「歩く」がシナリオとして設定されている。これは、「有人」のシナリオとして取得された信号データは、人物の座る動き、寝る動き、および歩く動きに由来する信号データであることを意味する。
このように、信号ＤＢ１１１は、ＩＤ、属性、シナリオ、およびシナリオに対応する信号データを含む複数のデータセットからなるデータリストを格納する。なお、これらのデータセットおよびデータリストは、不図示の入力部や通信部などを介して、モデル生成装置１０のユーザ等により適宜追加、修正、または削除されてもよい。生成されたデータリストは、フィルタ部１２０に出力される。
（フィルタ部）
フィルタ部１２０は、信号ＤＢ１１１から取得したデータリストに含まれている信号データにフィルタ処理を実施する。データリストに含まれている信号データには、動体の動きとは無関係の、高周波成分のノイズが多く含まれている。そのため、フィルタ部１２０は、ＬＰＦ（Low Pass Filter：ローパスフィルタ）処理を実施することにより、これらのノイズを除去または低減する。
フィルタ部１２０は、信号ＤＢ１１１から取得したデータリストに含まれている信号データにフィルタ処理を実施する。データリストに含まれている信号データには、動体の動きとは無関係の、高周波成分のノイズが多く含まれている。そのため、フィルタ部１２０は、ＬＰＦ（Low Pass Filter：ローパスフィルタ）処理を実施することにより、これらのノイズを除去または低減する。
フィルタ部１２０は、まず、データリストに格納されているＩＤ＝ｍの信号データＩｍ（ｎ）およびＱｍ（ｎ）を取得する（ｎ＝１〜Ｎ）。ここで、Ｎは、信号データに含まれるサンプリング数を示す。
ここで、Ｉｍ（ｎ）およびＱｍ（ｎ）は、２次のＩＩＲ（Infinite Impulse Response：無限インパルス応答）フィルタによるＬＰＦ処理が実施されてもよい。ＬＰＦ処理におけるカットオフ周波数は、例えば５０Ｈｚであってもよい。かかるＬＰＦ処理により、信号データに含まれる高周波のノイズ成分を除去または減少することができる。ここで、ＩＩＲフィルタによるＬＰＦ処理が実施された後の信号データを、それぞれＩｍ’（ｎ）およびＱｍ’（ｎ）とする。
ＩＩＲフィルタによるＬＰＦ処理は、下記式（１）および式（２）を、ｎ＝１からＮまで順に繰り返し計算を行うことにより実施される。ここで、ｘ（ｎ）は入力値、ｙ（ｎ）は出力値である。例えば、下記式（１）において、ｘ（ｎ）にはＩｍ（ｎ）およびＱｍ（ｎ）が代入される。また、下記式（２）において、Ｉｍ’（ｎ）およびＱｍ’（ｎ）がｙ（ｎ）として出力される。また、ｋ、ａ０、ａ１、ａ２、ｂ１、およびｂ２は、周波数帯域に応じて設計の段階で設定される係数である。
なお、Ａ（０）＝Ａ（−１）＝０である。
Ｉｍ’（ｎ）およびＱｍ’（ｎ）が出力された後、Ａ（ｎ−２）にはＡ（ｎ−１）の値が代入され、Ａ（ｎ−１）にはＡ（ｎ）の値が代入される。この代入処理をｎ＝１からＮまで実施することにより、ＬＰＦ処理が完了する。ＬＰＦ処理が完了した信号データを含むデータリストは、特徴量算出部１３０に出力される。
なお、本実施形態にかかるフィルタ部１２０は、ＬＰＦ処理としてＩＩＲフィルタを用いたが、本発明はかかる例に限定されない。例えば、フィルタ部１２０は、信号をフーリエ変換により周波数領域に変換し、所定外の周波数帯域の周波数を除去したのち、逆フーリエ変換により再度時間領域に信号を変換することにより、ＬＰＦ処理を行ってもよい。また、フィルタ部１２０は、上述した手法以外の公知の技術を用いてＬＰＦ処理を行ってもよい。
（特徴量算出部）
特徴量算出部１３０は、フィルタ部１２０から取得したデータリストに格納されているＬＰＦ処理後の信号データの特徴量を算出する。ここで、特徴量とは、信号データの波形に基づいて算出される特徴量である。例えば、特徴量には、信号データの波形の振幅や、波形の周波数成分等により算出される特徴量が含まれる。本実施形態においては、特徴量算出部１３０は、信号データの波形の振幅特徴量、および周波数特徴量を特徴量として算出する。
特徴量算出部１３０は、フィルタ部１２０から取得したデータリストに格納されているＬＰＦ処理後の信号データの特徴量を算出する。ここで、特徴量とは、信号データの波形に基づいて算出される特徴量である。例えば、特徴量には、信号データの波形の振幅や、波形の周波数成分等により算出される特徴量が含まれる。本実施形態においては、特徴量算出部１３０は、信号データの波形の振幅特徴量、および周波数特徴量を特徴量として算出する。
本実施形態において、振幅特徴量は、ＬＰＦ処理後の信号データの時刻ｎにおける振幅の値である。振幅特徴量Ｖｍ（ｎ）は、下記式（３）により算出される。また、振幅特徴量Ｖｍ（ｎ）は、時刻ｎを先頭とする単位期間における各サンプリングデータの振幅の値の平均値や最大値等の統計量であってもよい。
周波数特徴量は、例えば、単位期間における信号データの波形のゼロ交差数であってもよい。図４は、信号データの波形のゼロ交差数について説明するための図である。図４に丸印で示したように、ゼロ交差数は、信号データＩｍ’（ｎ）またはＱｍ’（ｎ）の波形が、単位期間Ｔａにおいて時間軸（振幅＝ゼロ値）と交差する回数である。具体的には、ゼロ交差数は、時刻ｎを先頭とする単位期間ＴａにおけるＬ個のサンプリングデータのうち、下記式（４）および式（５）を満たす数である。単位区間Ｔａは、例えば１秒間であってもよく、その場合、Ｌは１００（つまり、センサ２から出力される時系列デジタル信号データのサンプリング周波数＝１００Ｈｚ）であってもよい。
時刻ｎを先頭とする単位期間Ｔａにおいて上記式（４）および式（５）を満たすｉの数をそれぞれｆ１ｍ（ｎ）およびｆ２ｍ（ｎ）とすると、ゼロ交差数ｆｍ（ｎ）は、ｆ１ｍ（ｎ）＋ｆ２ｍ（ｎ）である。
なお、特徴量算出部１３０は、上記の振幅特徴量Ｖｍ（ｎ）およびゼロ交差数ｆｍ（ｎ）の他に、さらに信号データＩｍ’（ｎ）またはＱｍ’（ｎ）の波形に基づく特徴量を算出してもよい。例えば、特徴量算出部１３０は、単位期間における波形の極大点もしくは極小点の数、複数の単位期間における極大点もしくは極小点のばらつきや平均値等の統計量、または周波数領域におけるパワースペクトル等を、特徴量として算出してもよい。特徴量の種類を増やすことにより、信号データの波形の特徴をより細かく抽出することができる。
特徴量算出部１３０は、まず、信号データから単位区間Ｔａに含まれるＬ個のサンプリングデータをＪ組抽出し、単位区間Ｔａのサンプリングデータごとに特徴量をそれぞれ算出する。つまり、一の信号データから、特徴量がＣ×Ｊ個抽出される（Ｃは特徴量の種類数）。次に、特徴量算出部１３０は、取得したデータリストに含まれるすべての信号データについて、特徴量を算出する。そして、特徴量算出部１３０は、算出した特徴量を成分とする特徴ベクトルを生成する。特徴ベクトルは、Ｆｍ（ｊ）＝［Ｖｍ（ｊ），ｆｍ（ｊ）］というベクトルを構成する。ここで、ｊは、上述したようなＬ個のサンプリングデータのうち、最もサンプリング時刻の古い時刻を示す。特徴量算出部１３０は、データリストに格納された全ての信号データに対して上記の処理を行い、信号データごとに特徴ベクトルＦｍ（ｊ）を生成する。そして、特徴量算出部１３０は、生成した特徴ベクトルＦｍ（ｊ）をモデル生成部１５０に出力する。
（評価値決定部）
評価値生成部１４０は、信号ＤＢ１１１に格納されたデータリストのシナリオごとに対応する評価値を生成する。ここで、評価値とは、特定の動体による動きを判別するために用いられるパラメータである。例えば、評価値を０から１の範囲で設定する場合、特定の動体による動き（ここでは人物の動きとする）であるシナリオについては、評価値として１が設定され、人物の動きでないシナリオについては、評価値として１以外の値が設定され得る。ここで、例えば、明らかに人物の動きでないシナリオについては、評価値として０が設定され得るが、人物の動きと紛らわしい動きであるシナリオについては、評価値として０と１の中間値が設定され得る。また、同じ属性であっても、シナリオごとに異なる評価値が設定されてもよい。このように、評価値をシナリオと対応させて設定することにより、のちの判別処理において、人物等の特定の動体による動きと紛らわしい動きを判別するための調整が容易となる。
評価値生成部１４０は、信号ＤＢ１１１に格納されたデータリストのシナリオごとに対応する評価値を生成する。ここで、評価値とは、特定の動体による動きを判別するために用いられるパラメータである。例えば、評価値を０から１の範囲で設定する場合、特定の動体による動き（ここでは人物の動きとする）であるシナリオについては、評価値として１が設定され、人物の動きでないシナリオについては、評価値として１以外の値が設定され得る。ここで、例えば、明らかに人物の動きでないシナリオについては、評価値として０が設定され得るが、人物の動きと紛らわしい動きであるシナリオについては、評価値として０と１の中間値が設定され得る。また、同じ属性であっても、シナリオごとに異なる評価値が設定されてもよい。このように、評価値をシナリオと対応させて設定することにより、のちの判別処理において、人物等の特定の動体による動きと紛らわしい動きを判別するための調整が容易となる。
評価値生成部１４０は、例えば、信号ＤＢ１１１に格納されたデータリストの属性に応じて、規定の評価値を割り振ってもよい。図５は、図３に示されたデータリスト１０００に格納された各データセットに対する評価値生成部１４０による評価値の割り振り処理フローの例を示す図である。図５を参照すると、まず、評価値生成部１４０は、信号ＤＢ１１１に格納されたデータリストを取得する（Ｓ１０１）。評価値生成部１４０は、データリストの属性を全てのシナリオについて読み込み、読み込んだ属性に応じて評価値を設定する。
評価値生成部１４０は、読み込んだ属性が「無人（外乱なし）」か否かを判定する（Ｓ１０３）。読み込んだ属性が「無人（外乱なし）」である場合（Ｓ１０３／ＹＥＳ）、評価値生成部１４０は、かかるデータセットについての評価値を０．０と設定する（Ｓ１０５）。次に、評価値生成部１４０は、読み込んだ属性が「無人（外乱あり）」か否かを判定する（Ｓ１０７）。読み込んだ属性が「無人（外乱あり）」である場合（Ｓ１０７／ＹＥＳ）、評価値生成部１４０は、かかるデータセットについての評価値を０．５と設定する（Ｓ１０９）。読み込んだ属性が「無人（外乱なし）」でも「無人（外乱あり）」でもない場合（図３に示した例においては「有人」）（Ｓ１０７／ＮＯ）、評価値生成部１４０は、かかるデータセットについての評価値を１．０と設定する（Ｓ１０１）。以上の処理フローに基づいて、評価値生成部１４０は、各データセットについて評価値を割り振ることができる。シナリオがＭ個ある場合、ｍ番目のシナリオに対応する評価値Ｙｍ（ｊ）には、ステップＳ１０５、Ｓ１０９、またはＳ１１１において設定される値が代入される。
なお、本実施形態において評価値生成部１４０により評価値が各シナリオに対して割り振られたが、本発明はかかる例に限定されない。例えば、評価値生成部１４０は、不図示の入力部により入力された評価値の値を各シナリオに対して割り振ってもよい。これにより、モデル生成装置１０のユーザ等が各シナリオに対する評価値の値を自由に設定することができる。また、評価値の範囲は、上記で示した範囲（０．０〜１．０）に限定されず、自由に設定され得る。
評価値生成部１４０は、各シナリオに対して評価値を割り振ったのち、各シナリオのＩＤと評価値をひも付けて、評価値リストとして評価値ＤＢ１４１に出力する。
（評価値ＤＢ）
評価値ＤＢ１４１は、評価値生成部１４０より取得した評価値リストを記憶するデータベースである。図６は、評価値ＤＢ１４１に格納されている評価リストの一例を示す図である。図６を参照すると、評価値ＤＢ１４１に格納されている評価リスト２０００において、評価値が、ＩＤ、属性、およびシナリオとともにデータセットとして記憶されている。ＩＤ、属性、およびシナリオの意味は、信号ＤＢ１１１に格納されているデータリストに含まれる各要素と同一であるため、説明を省略する。評価値ＤＢ１４１に格納された評価値リストは、モデル生成部１５０に出力される。なお、各データセットに記憶されている評価値の値は、不図示の入力部や通信部等を介して、モデル生成装置１０のユーザ等により設定、追加、修正、または削除されてもよい。その場合、モデル生成装置１０は、必ずしも評価値生成部１４０を含まなくてもよい。
評価値ＤＢ１４１は、評価値生成部１４０より取得した評価値リストを記憶するデータベースである。図６は、評価値ＤＢ１４１に格納されている評価リストの一例を示す図である。図６を参照すると、評価値ＤＢ１４１に格納されている評価リスト２０００において、評価値が、ＩＤ、属性、およびシナリオとともにデータセットとして記憶されている。ＩＤ、属性、およびシナリオの意味は、信号ＤＢ１１１に格納されているデータリストに含まれる各要素と同一であるため、説明を省略する。評価値ＤＢ１４１に格納された評価値リストは、モデル生成部１５０に出力される。なお、各データセットに記憶されている評価値の値は、不図示の入力部や通信部等を介して、モデル生成装置１０のユーザ等により設定、追加、修正、または削除されてもよい。その場合、モデル生成装置１０は、必ずしも評価値生成部１４０を含まなくてもよい。
（モデル生成部）
モデル生成部１５０は、特徴量算出部１３０から出力された特徴ベクトルと、評価値ＤＢ１４１より取得した評価値リストに含まれる評価値とを組とする複数のデータに基づいて、回帰学習モデルを生成する。具体的には、まず、モデル生成部１５０は、Ｊ個の抽出データおよびＭ個のシナリオに対応する特徴ベクトルＦ１（ｊ）〜ＦＭ（ｊ）からなる特徴空間を生成し、Ｍ個のシナリオに対応する評価値Ｙ１（ｊ）〜ＹＭ（ｊ）組とするデータに基づいて回帰学習モデルを生成する。なお、評価値は対応するシナリオごとに評価値生成部１４０において割り振られるので、同一のシナリオ（つまり信号データ）に対応する評価値Ｙｍ（ｊ）の値は、ｊの値によらず同一である。
モデル生成部１５０は、特徴量算出部１３０から出力された特徴ベクトルと、評価値ＤＢ１４１より取得した評価値リストに含まれる評価値とを組とする複数のデータに基づいて、回帰学習モデルを生成する。具体的には、まず、モデル生成部１５０は、Ｊ個の抽出データおよびＭ個のシナリオに対応する特徴ベクトルＦ１（ｊ）〜ＦＭ（ｊ）からなる特徴空間を生成し、Ｍ個のシナリオに対応する評価値Ｙ１（ｊ）〜ＹＭ（ｊ）組とするデータに基づいて回帰学習モデルを生成する。なお、評価値は対応するシナリオごとに評価値生成部１４０において割り振られるので、同一のシナリオ（つまり信号データ）に対応する評価値Ｙｍ（ｊ）の値は、ｊの値によらず同一である。
ここで、本実施形態において、回帰学習モデルは、例えば、ＳＶＲ（Support Vector Regression：サポートベクタ回帰）を用いて生成され得る。ＳＶＲは、例えば、SMOLA，Alex J. and Bernhard SCHOELKOPF，“A Tutorial on Support Vector Regression”，1998に開示されている内容に基づいて実現され得る。なお、回帰学習モデルは、上記の例に限定されず、例えば、カーネル法や重回帰分析等の公知の回帰分析手法により生成されてもよい。
ＳＶＲにより生成された回帰学習モデルは、Ｋ個の要素からなるサポートベクタ行列ｓと、それらの重みベクトルｃ、および閾値ｂにより構成される。具体的には、サポートベクタ行列ｓは下記式（６）で示す行列により定義され、重みベクトルｃは下記式（７）で示すベクトルにより定義される。また、閾値ｂは一意に定まる値である。また、サポートベクタ行列ｓの要素の数Ｋは、ＳＶＲによる計算の過程において一意に定まる。
なお、特徴空間および評価値により構成されるデータについて、カーネルトリックを用いて非線形空間に写像することにより、回帰学習モデルを生成することも可能である。本実施形態においては、カーネルトリックとして、下記式（８）で示すガウシアン型カーネル関数が用いられてもよい。この場合、ガウス関数の広がりを定義する係数σは、回帰学習モデルを構成する要素となる。
モデル生成部１５０は、Ｍ個のシナリオに対応する特徴空間および評価値により構成されるデータからＳＶＲ等の回帰分析を用いて生成した回帰学習モデルを、回帰学習モデルＤＢ１５１に出力する。
（回帰学習モデルＤＢ）
回帰学習モデルＤＢ１５１は、モデル生成部１５０より出力された回帰学習モデルを記憶するデータベースである。回帰学習モデルＤＢ１５１には、例えば、上記式（６）〜式（８）により生成された回帰学習モデルのサポートベクタ行列ｓ、重みベクトルｃ、閾値ｂ、およびガウシアン型カーネル関数の係数σ等が記憶される。回帰学習モデルＤＢ１５１には、一または複数の回帰学習モデルが記憶されてもよい。例えば、後述する判別装置２０により判別される動体の種類や動体の動きの種類に応じた回帰学習モデルが回帰学習モデルＤＢ１５１に記憶されてもよい。
回帰学習モデルＤＢ１５１は、モデル生成部１５０より出力された回帰学習モデルを記憶するデータベースである。回帰学習モデルＤＢ１５１には、例えば、上記式（６）〜式（８）により生成された回帰学習モデルのサポートベクタ行列ｓ、重みベクトルｃ、閾値ｂ、およびガウシアン型カーネル関数の係数σ等が記憶される。回帰学習モデルＤＢ１５１には、一または複数の回帰学習モデルが記憶されてもよい。例えば、後述する判別装置２０により判別される動体の種類や動体の動きの種類に応じた回帰学習モデルが回帰学習モデルＤＢ１５１に記憶されてもよい。
回帰学習モデルＤＢ１５１に記憶された回帰学習モデルに係るデータは、判別装置２０の回帰学習モデルＤＢ２３１に複製されて記憶される。これにより、判別装置２０は、モデル生成装置１０により生成された回帰学習モデルを用いて、動体の動きの判別を実施することができる。
（２）動作
図７は、本発明の第１の実施形態に係るモデル生成装置１０の動作例を示すフローチャートである。まず、信号取得部１１０は、センサ２が検出した所定の動きに由来する信号を信号データとして取得する（Ｓ２０１）。信号取得部１１０は、複数の所定の動きに由来する複数の信号データを信号ＤＢ１１１に出力する。信号ＤＢ１１１は、複数の信号データを、ＩＤ、属性、パラメータとともに、データリストとして記憶し、フィルタ部１２０、および評価値生成部１４０に出力する（Ｓ２０３）。
図７は、本発明の第１の実施形態に係るモデル生成装置１０の動作例を示すフローチャートである。まず、信号取得部１１０は、センサ２が検出した所定の動きに由来する信号を信号データとして取得する（Ｓ２０１）。信号取得部１１０は、複数の所定の動きに由来する複数の信号データを信号ＤＢ１１１に出力する。信号ＤＢ１１１は、複数の信号データを、ＩＤ、属性、パラメータとともに、データリストとして記憶し、フィルタ部１２０、および評価値生成部１４０に出力する（Ｓ２０３）。
次に、フィルタ部１２０は、データリストに含まれている各信号データについてＬＰＦ処理を実施する（Ｓ２０５）。ＬＰＦ処理が実施された各信号データは、特徴量算出部１３０に出力される。特徴量算出部１３０は、ＬＰＦ処理後の各信号データについて、特徴量を算出する（Ｓ２０７）。次に、特徴量算出部１３０は、算出した一または複数の特徴量により構成される特徴ベクトルを生成する（Ｓ２０９）。生成された特徴ベクトルを含むデータは、モデル生成部１５０に出力される。
次に、モデル生成部１５０は、Ｍ個のシナリオに対応する特徴ベクトルからなる特徴空間を生成する（Ｓ２１１）。一方で、評価値生成部１４０は、評価値リストに含まれている属性に基づいて、各信号データについて評価値を決定する（Ｓ２１３）。なお、各信号データについて予め評価値が決定されている場合は、ステップＳ２１１は省略されてもよい。決定された評価値を含むデータは、モデル生成部１５０に出力される。
そして、モデル生成部１５０は、生成した特徴空間および評価値とを組とするデータに基づき、回帰学習モデルを生成する（Ｓ２１５）。その後、モデル生成部１５０は、生成した回帰学習モデルを回帰学習モデルＤＢ１５１に出力する（Ｓ２１７）。
以上、本実施形態に係るモデル生成装置１０について説明した。続いて、本実施形態に係る判別装置２０について説明する。
［２．２．判別装置］
（１）構成
図８は、本発明の第１の実施形態に係る判別装置２０の構成例を示すブロック図である。図８を参照すると、判別装置２０は、信号取得部２１０、信号ＤＢ２１１、フィルタ部２２０、特徴量算出部２３０、評価値算出部２４０、回帰学習モデルＤＢ２４１、判別部２５０、および調整部２６０を備える。
（１）構成
図８は、本発明の第１の実施形態に係る判別装置２０の構成例を示すブロック図である。図８を参照すると、判別装置２０は、信号取得部２１０、信号ＤＢ２１１、フィルタ部２２０、特徴量算出部２３０、評価値算出部２４０、回帰学習モデルＤＢ２４１、判別部２５０、および調整部２６０を備える。
（信号取得部）
信号取得部２１０は、不図示の通信部または入力部等を介して、センサ２から出力される信号データを取得する。取得した信号についてリアルタイムに判別処理を実施する場合は、信号取得部２１０は、取得した信号データをフィルタ部２２０に出力する。また、取得した信号データについて事後的に判別処理を実施する場合は、信号取得部２１０は、信号ＤＢ２１１に取得した信号データを出力してもよい。
信号取得部２１０は、不図示の通信部または入力部等を介して、センサ２から出力される信号データを取得する。取得した信号についてリアルタイムに判別処理を実施する場合は、信号取得部２１０は、取得した信号データをフィルタ部２２０に出力する。また、取得した信号データについて事後的に判別処理を実施する場合は、信号取得部２１０は、信号ＤＢ２１１に取得した信号データを出力してもよい。
（信号ＤＢ）
信号ＤＢ２１１は、信号取得部２１０が取得した信号データを逐次的に記憶するデータベースである。記憶された信号データについて判別処理を実施する場合は、信号ＤＢ２１１に記憶された信号データは、フィルタ部２２０に出力される。
信号ＤＢ２１１は、信号取得部２１０が取得した信号データを逐次的に記憶するデータベースである。記憶された信号データについて判別処理を実施する場合は、信号ＤＢ２１１に記憶された信号データは、フィルタ部２２０に出力される。
（フィルタ部）
フィルタ部２２０は、信号取得部２１０、または信号ＤＢ２１１から取得した信号データにフィルタ処理を実施する。フィルタ部２２０により実施されるフィルタ処理は、モデル生成装置１０のフィルタ部１２０と同様に、ＬＰＦ処理であってもよい。この場合、ＬＰＦ処理は、ＩＩＲフィルタによるものであってもよい。ＩＩＲフィルタについては、上述したＩＩＲフィルタと同一であるので、説明を省略する。フィルタ部２２０は、ＬＰＦ処理がされた信号データを、特徴量算出部２３０に出力する。
フィルタ部２２０は、信号取得部２１０、または信号ＤＢ２１１から取得した信号データにフィルタ処理を実施する。フィルタ部２２０により実施されるフィルタ処理は、モデル生成装置１０のフィルタ部１２０と同様に、ＬＰＦ処理であってもよい。この場合、ＬＰＦ処理は、ＩＩＲフィルタによるものであってもよい。ＩＩＲフィルタについては、上述したＩＩＲフィルタと同一であるので、説明を省略する。フィルタ部２２０は、ＬＰＦ処理がされた信号データを、特徴量算出部２３０に出力する。
（特徴量算出部）
特徴量算出部２３０は、フィルタ部２２０から取得した信号データの特徴量を算出する。特徴量算出部２３０が算出する特徴量は、モデル生成装置１０の特徴量算出部１３０により算出される特徴量と同一である。例えば、特徴量算出部２３０は、信号データの波形の振幅特徴量と、周波数特徴量とを、特徴量として算出する。これらの特徴量の具体的な算出方法については、モデル生成装置１０の特徴量算出部１３０による算出方法と同一であるため、説明を省略する。
特徴量算出部２３０は、フィルタ部２２０から取得した信号データの特徴量を算出する。特徴量算出部２３０が算出する特徴量は、モデル生成装置１０の特徴量算出部１３０により算出される特徴量と同一である。例えば、特徴量算出部２３０は、信号データの波形の振幅特徴量と、周波数特徴量とを、特徴量として算出する。これらの特徴量の具体的な算出方法については、モデル生成装置１０の特徴量算出部１３０による算出方法と同一であるため、説明を省略する。
特徴量算出部２３０は、算出した特徴量を成分とする特徴ベクトルを生成する。具体的には、特徴量算出部２３０は、時刻ｋにおける信号データＩ（ｋ）またはＱ（ｋ）から、Ｆ（ｋ）＝［Ｖ（ｋ），ｆ（ｋ）］という２次元の特徴ベクトルを生成する。なお、Ｖ（ｋ）は振幅特徴量であり、ｆ（ｋ）は単位期間におけるゼロ交差数である。上記の単位期間は、モデル生成装置１０の特徴量算出部１３０によるゼロ交差数の算出の際に用いられる単位期間と同一である。特徴量算出部２３０は、生成した特徴ベクトルＦ（ｋ）を評価値算出部２４０に出力する。
（評価値算出部）
評価値算出部２４０は、特徴量算出部２３０から取得した特徴ベクトルＦ（ｋ）と、回帰学習モデルＤＢ２４１に記憶されている一の回帰学習モデルを用いて、センサ２により検出された動体の動きに対応する評価値を算出する。回帰学習モデルＤＢ２４１に記憶されている回帰学習モデルは、モデル生成装置１０により生成された回帰学習モデルである。評価値算出部２４０は、例えば、下記式（９）に示される判別関数に特徴ベクトルＦ（ｋ）を代入することにより得られる出力値ｚ（ｋ）の値を、評価値として算出する。なお、下記式（９）に示される関数ｇ（ｘｉ，ｋ，σ）は、上記式（８）に示されるカーネル関数である。
評価値算出部２４０は、特徴量算出部２３０から取得した特徴ベクトルＦ（ｋ）と、回帰学習モデルＤＢ２４１に記憶されている一の回帰学習モデルを用いて、センサ２により検出された動体の動きに対応する評価値を算出する。回帰学習モデルＤＢ２４１に記憶されている回帰学習モデルは、モデル生成装置１０により生成された回帰学習モデルである。評価値算出部２４０は、例えば、下記式（９）に示される判別関数に特徴ベクトルＦ（ｋ）を代入することにより得られる出力値ｚ（ｋ）の値を、評価値として算出する。なお、下記式（９）に示される関数ｇ（ｘｉ，ｋ，σ）は、上記式（８）に示されるカーネル関数である。
ここで、ｘｉ，ｋの値は下記式（１０）により与えられる。なお、Ｖｉおよびｆｉは、上記式（６）で示されるサポートベクタ行列ｓのｉ成分の値である。
評価値算出部２４０により算出される出力値ｚ（ｋ）は、評価値として、判別部２５０に出力される。
（回帰学習モデルＤＢ）
回帰学習モデルＤＢ２４１は、モデル生成装置１０により算出された少なくとも一の回帰学習モデルを記憶する。回帰学習モデルＤＢ２４１は、モデル生成装置１０の回帰学習モデルＤＢ１５１に記憶されている回帰学習モデルの一部または全部を記憶する。回帰学習モデルＤＢ２４１に記憶されている回帰学習モデルは、評価値算出部２４０に出力される。評価値算出部２４０に出力される回帰学習モデルの種類については、判別装置２０のユーザ等により、自由に選択される。例えば、判別装置２０が用いられる環境や建物の構造、材質等に適した回帰学習モデルが選択されてもよい。なお、回帰学習モデルＤＢ２４１に記憶されている回帰学習モデルは、不図示の入力部または通信部を介して、適宜追加、変更、または削除され得る。
回帰学習モデルＤＢ２４１は、モデル生成装置１０により算出された少なくとも一の回帰学習モデルを記憶する。回帰学習モデルＤＢ２４１は、モデル生成装置１０の回帰学習モデルＤＢ１５１に記憶されている回帰学習モデルの一部または全部を記憶する。回帰学習モデルＤＢ２４１に記憶されている回帰学習モデルは、評価値算出部２４０に出力される。評価値算出部２４０に出力される回帰学習モデルの種類については、判別装置２０のユーザ等により、自由に選択される。例えば、判別装置２０が用いられる環境や建物の構造、材質等に適した回帰学習モデルが選択されてもよい。なお、回帰学習モデルＤＢ２４１に記憶されている回帰学習モデルは、不図示の入力部または通信部を介して、適宜追加、変更、または削除され得る。
（判別部）
判別部２５０は、評価値算出部２４０から算出される評価値（出力値）ｚ（ｋ）に基づいて、センサ２により検出された動体の動きを判別する。本実施形態においては、判別部２５０は、評価値ｚ（ｋ）に基づいて、センサ２により検出された動体の動きが人物の動きであるか否かを判別する。より具体的には、判別部２５０は、評価値ｚ（ｋ）と、感度閾値Ｔｈとを比較し、その大小関係に基づいて、動体の動きが人物の動きであるか否かを判別する。ここで、人物の動きであるか否かを示す判別結果値をｄとすると、以下の比較式に基づいて、判別結果値をｄの値が決定される。まず、ｚ（ｋ）≧Ｔｈの場合、ｄ＝１となる。ｄ＝１の場合、動体の動きは人物の動きであると判別される。一方、ｚ（ｋ）＜Ｔｈの場合、ｄ＝０となる。ｄ＝０の場合、動体の動きは人物の動きではないと判別される。
判別部２５０は、評価値算出部２４０から算出される評価値（出力値）ｚ（ｋ）に基づいて、センサ２により検出された動体の動きを判別する。本実施形態においては、判別部２５０は、評価値ｚ（ｋ）に基づいて、センサ２により検出された動体の動きが人物の動きであるか否かを判別する。より具体的には、判別部２５０は、評価値ｚ（ｋ）と、感度閾値Ｔｈとを比較し、その大小関係に基づいて、動体の動きが人物の動きであるか否かを判別する。ここで、人物の動きであるか否かを示す判別結果値をｄとすると、以下の比較式に基づいて、判別結果値をｄの値が決定される。まず、ｚ（ｋ）≧Ｔｈの場合、ｄ＝１となる。ｄ＝１の場合、動体の動きは人物の動きであると判別される。一方、ｚ（ｋ）＜Ｔｈの場合、ｄ＝０となる。ｄ＝０の場合、動体の動きは人物の動きではないと判別される。
判別部２５０は、判別結果値ｄの値を、外部装置や判別装置２０に含まれる不図示の記憶部等に出力する。また、判別部２５０は、判別結果値ｄに代えて、または判別結果値ｄとともに、評価値ｚ（ｋ）を出力してもよい。例えば、判別装置２０の較正において、後述する調整部２６０により調整される感度閾値Ｔｈの適正値を較正する際に、実際の評価値ｚ（ｋ）の値と動体の動きとを検証するために、評価値ｚ（ｋ）の値が出力され得る。
（調整部）
調整部２６０は、判別部２５０による動体の動きの判別のために、動体の動きに対応する評価値と比較される感度閾値Ｔｈを調整する。調整部２６０は、不図示の入力部または通信部を介して、感度閾値Ｔｈを調整する。感度閾値Ｔｈの対象となる評価値ｚ（ｋ）は、上記式（９）により示される判別関数により得られる連続値である。上記判別関数は、回帰学習モデルに含まれるサポートベクタ行列ｓ、重みベクトルｃ、および閾値ｂにより構成される連続関数である。つまり、回帰学習モデルは、個々のシナリオに基づいて生成された連続関数を構成する。そのため、例えば、センサ２により検出される信号が複数の外乱が混在する信号であったとしても、上記判別関数により、個々のシナリオに対応する信号の特徴を反映させた、一次元の評価値が出力される。したがって、調整部２６０は、感度閾値Ｔｈを任意の値に設定するだけで、複数の外乱が存在する環境における動体の動きの判別に対する感度を調整することができる。
調整部２６０は、判別部２５０による動体の動きの判別のために、動体の動きに対応する評価値と比較される感度閾値Ｔｈを調整する。調整部２６０は、不図示の入力部または通信部を介して、感度閾値Ｔｈを調整する。感度閾値Ｔｈの対象となる評価値ｚ（ｋ）は、上記式（９）により示される判別関数により得られる連続値である。上記判別関数は、回帰学習モデルに含まれるサポートベクタ行列ｓ、重みベクトルｃ、および閾値ｂにより構成される連続関数である。つまり、回帰学習モデルは、個々のシナリオに基づいて生成された連続関数を構成する。そのため、例えば、センサ２により検出される信号が複数の外乱が混在する信号であったとしても、上記判別関数により、個々のシナリオに対応する信号の特徴を反映させた、一次元の評価値が出力される。したがって、調整部２６０は、感度閾値Ｔｈを任意の値に設定するだけで、複数の外乱が存在する環境における動体の動きの判別に対する感度を調整することができる。
調整部２６０は、上記の判別関数により出力される評価値ｚ（ｋ）が取り得る値の範囲内において、任意の値を感度閾値Ｔｈとして設定する。感度閾値Ｔｈの値は、連続的に変化してもよいが、離散的に変化してもよい。例えば、調整部２６０は、感度閾値Ｔｈの値を段階的に調整してもよい。これにより、判別装置２０を用いるユーザは、感度閾値Ｔｈの値の調整を容易に行うことができる。感度閾値Ｔｈの初期値として、予め所定の値が設定されてもよいし、判別装置２０が用いられる環境に応じた値が設定されてもよい。また、感度閾値Ｔｈの値の調整は、判別装置２０を用いるユーザによりマニュアルで設定されてもよいが、ロジスティック回帰分析や線形判別分析等の統計的手法を用いることにより、最適な感度閾値Ｔｈの値が設定されてもよい。設定された感度閾値Ｔｈの値は、判別部２５０に出力される。
（２）動作
図９は、本発明の第１の実施形態に係る判別装置２０の動作例を示すフローチャートである。まず、信号取得部２１０は、センサ２が検出した動体の動きに由来する信号を信号データとして取得する（Ｓ３０１）。信号取得部２１０は、取得した信号データを信号ＤＢ２１１、またはフィルタ部２２０に出力する。
図９は、本発明の第１の実施形態に係る判別装置２０の動作例を示すフローチャートである。まず、信号取得部２１０は、センサ２が検出した動体の動きに由来する信号を信号データとして取得する（Ｓ３０１）。信号取得部２１０は、取得した信号データを信号ＤＢ２１１、またはフィルタ部２２０に出力する。
次に、フィルタ部２２０は、取得した信号データについてＬＰＦ処理を実施する（Ｓ３０３）。ＬＰＦ処理が実施された信号データは、特徴量算出部２３０に出力される。特徴量算出部２３０は、ＬＰＦ処理後の信号データについて、特徴量を算出する（Ｓ３０５）。次に、特徴量算出部２３０は、算出した一または複数の特徴量により構成される特徴ベクトルを生成する（Ｓ３０７）。生成された特徴ベクトルを含むデータは、評価値算出部２４０に出力される。
評価値算出部２４０は、取得した特徴ベクトルと、回帰学習モデルＤＢ２４１に記憶されている一の回帰学習モデルを用いて、上記動体の動きに対応する評価値を算出する（Ｓ３０９）。次に、判別部２５０は、評価値と、調整部２６０により調整された感度閾値との大小を比較することにより、動体の動きについて判別する（Ｓ３１１）。そして、判別部２５０は、判別結果を外部装置、または記憶部等に出力する（Ｓ３１３）。
［２．３．効果］
ここまで、図１〜図９を用いて、本発明の第１の実施形態について説明した。本発明の第１の実施形態によれば、モデル生成装置１０は、複数の所定の動きの特徴量と所定の動きに対応する評価値とを組とする複数のデータに基づいて、ＳＶＲ等による回帰学習モデルを生成する。そして、判別装置２０は、モデル生成装置１０により生成された回帰学習モデルを用いて、センサ２により検出された動体の動きについて判別を行う。回帰学習モデルは、連続的な関数である判別関数を構成し、判別装置２０は、判別関数を用いて、動体の動きに対応する一次元の評価値を算出する。そして、判別装置２０は、評価値と任意の値に調整可能な感度閾値とを比較することにより、動体の動きについて判別する。かかる構成において、複数の所定の動きを反映させた回帰学習モデルを用いることにより、センサ２により検出された動体の動きに付随する様々な外乱が信号に含まれる場合であっても、判別装置２０は、それらの外乱の種類に依存せず、自由に感度閾値を設定することができる。これにより、動体の動きの判別に係る感度を、より細かく調整することができる。したがって、例えば、感度補正手段の対象とはなっていない外乱や、複数の外乱の混在など、従来では判別し得なかった外乱が含まれる信号についても、判別のための感度調整を行うことができる。よって、動体の動きの判別精度をより向上させることができる。
ここまで、図１〜図９を用いて、本発明の第１の実施形態について説明した。本発明の第１の実施形態によれば、モデル生成装置１０は、複数の所定の動きの特徴量と所定の動きに対応する評価値とを組とする複数のデータに基づいて、ＳＶＲ等による回帰学習モデルを生成する。そして、判別装置２０は、モデル生成装置１０により生成された回帰学習モデルを用いて、センサ２により検出された動体の動きについて判別を行う。回帰学習モデルは、連続的な関数である判別関数を構成し、判別装置２０は、判別関数を用いて、動体の動きに対応する一次元の評価値を算出する。そして、判別装置２０は、評価値と任意の値に調整可能な感度閾値とを比較することにより、動体の動きについて判別する。かかる構成において、複数の所定の動きを反映させた回帰学習モデルを用いることにより、センサ２により検出された動体の動きに付随する様々な外乱が信号に含まれる場合であっても、判別装置２０は、それらの外乱の種類に依存せず、自由に感度閾値を設定することができる。これにより、動体の動きの判別に係る感度を、より細かく調整することができる。したがって、例えば、感度補正手段の対象とはなっていない外乱や、複数の外乱の混在など、従来では判別し得なかった外乱が含まれる信号についても、判別のための感度調整を行うことができる。よって、動体の動きの判別精度をより向上させることができる。
＜３．第２の実施形態＞
続いて、本発明の第２の実施形態について説明する。本実施形態では、モデル生成装置１０に含まれる評価値生成部１４０が、各シナリオに対応する評価値を適正に決定する機能を有する。本発明の第１の実施形態においては、シナリオ毎に予め所定の値が割り振られていたが、この所定の値は、モデル生成装置１０のユーザ等の主観や経験により決定される値であった。そのため、回帰学習モデルを生成するにあたって、これらの評価値は必ずしも最適なモデルを生成するものではない。そこで、本実施形態に係る評価値生成部１４０は、複数の所定の動きに由来する信号データを含む複数のデータリストを用意し、各データリストごとに複数の参考回帰学習モデルを生成し、各参考回帰学習モデルを用いて、参考回帰学習モデルの生成に用いられた全てのデータリストについて判別処理を行う。そして、評価値生成部１４０は、各参考回帰学習モデルを用いて得られた判別結果について比較を行い、その比較結果に基づいて適正な評価値を決定する。これにより、所定の動きに対する評価値を、ユーザ等の主観を排し、機械的に決定することができる。したがって、モデル生成装置１０による回帰学習モデルの質が向上し、判別装置２０による判別結果の精度をさらに向上させることができる。以下、第２の実施形態に係るモデル生成装置１０、および評価値生成部１４０について説明する。
続いて、本発明の第２の実施形態について説明する。本実施形態では、モデル生成装置１０に含まれる評価値生成部１４０が、各シナリオに対応する評価値を適正に決定する機能を有する。本発明の第１の実施形態においては、シナリオ毎に予め所定の値が割り振られていたが、この所定の値は、モデル生成装置１０のユーザ等の主観や経験により決定される値であった。そのため、回帰学習モデルを生成するにあたって、これらの評価値は必ずしも最適なモデルを生成するものではない。そこで、本実施形態に係る評価値生成部１４０は、複数の所定の動きに由来する信号データを含む複数のデータリストを用意し、各データリストごとに複数の参考回帰学習モデルを生成し、各参考回帰学習モデルを用いて、参考回帰学習モデルの生成に用いられた全てのデータリストについて判別処理を行う。そして、評価値生成部１４０は、各参考回帰学習モデルを用いて得られた判別結果について比較を行い、その比較結果に基づいて適正な評価値を決定する。これにより、所定の動きに対する評価値を、ユーザ等の主観を排し、機械的に決定することができる。したがって、モデル生成装置１０による回帰学習モデルの質が向上し、判別装置２０による判別結果の精度をさらに向上させることができる。以下、第２の実施形態に係るモデル生成装置１０、および評価値生成部１４０について説明する。
［３．１．モデル生成装置］
（１）構成
図１０は、本発明の第２の実施形態に係るモデル生成装置１０の構成例を示すブロック図である。図１０を参照すると、モデル生成装置１０は、信号取得部１１０、信号ＤＢ１１１、フィルタ部１２０、特徴量算出部１３０、特徴量ＤＢ１３１、評価値生成部１４０、評価値ＤＢ１４１、モデル生成部１５０、および回帰学習モデルＤＢ１５１を備える。本実施形態に係る信号取得部１１０、信号ＤＢ１１１、フィルタ部１２０、特徴量算出部１３０、評価値ＤＢ１４１、モデル生成部１５０、および回帰学習モデルＤＢ１５１は、第１の実施形態に係る各構成要素と同一の機能を有するので、説明を省略する。特徴量ＤＢ１３１は、特徴量算出部１３０により算出された信号データの特徴量を含むデータを、信号ＤＢ１１１に記憶されているデータセットにひも付けて記憶するデータベースである。特徴量ＤＢ１３１については、詳しくは後述する。以下、評価値生成部１４０の構成等について説明する。
（１）構成
図１０は、本発明の第２の実施形態に係るモデル生成装置１０の構成例を示すブロック図である。図１０を参照すると、モデル生成装置１０は、信号取得部１１０、信号ＤＢ１１１、フィルタ部１２０、特徴量算出部１３０、特徴量ＤＢ１３１、評価値生成部１４０、評価値ＤＢ１４１、モデル生成部１５０、および回帰学習モデルＤＢ１５１を備える。本実施形態に係る信号取得部１１０、信号ＤＢ１１１、フィルタ部１２０、特徴量算出部１３０、評価値ＤＢ１４１、モデル生成部１５０、および回帰学習モデルＤＢ１５１は、第１の実施形態に係る各構成要素と同一の機能を有するので、説明を省略する。特徴量ＤＢ１３１は、特徴量算出部１３０により算出された信号データの特徴量を含むデータを、信号ＤＢ１１１に記憶されているデータセットにひも付けて記憶するデータベースである。特徴量ＤＢ１３１については、詳しくは後述する。以下、評価値生成部１４０の構成等について説明する。
［３．２．評価値生成部］
（１）構成
図１１は、評価値生成部１４０および評価値生成部１４０において用いられる各種データを格納するデータベースの構成例を示すブロック図である。図１１を参照すると、評価値生成部１４０は、参考モデル生成部４１０、判別検証部４２０、および評価値決定部４３０を含む。
（１）構成
図１１は、評価値生成部１４０および評価値生成部１４０において用いられる各種データを格納するデータベースの構成例を示すブロック図である。図１１を参照すると、評価値生成部１４０は、参考モデル生成部４１０、判別検証部４２０、および評価値決定部４３０を含む。
（参考モデル生成部）
参考モデル生成部４１０は、特徴量ＤＢ１３１に格納されている複数のデータリストに含まれる特徴量（特徴ベクトル）と、参考評価値ＤＢ１５１に格納されている、上記複数のデータリストの各々に対応する参考評価値リストに含まれる参考評価値を用いて、参考回帰学習モデルを生成する。参考回帰学習モデルとは、複数のデータリストの各々に含まれる特徴量と、参考評価値との組による複数のデータセットを用いて生成される回帰学習モデルである。本実施形態においては、データリストは２種類（データリスト１（外乱なし）、データリスト２（外乱あり））用意される。そのため、参考回帰学習モデルについて、データリスト１に対応するモデルと、データリスト２に対応するモデルの、２種類のモデルが生成される。なお、本実施形態においては、２種類の参考回帰学習モデルが生成されるが、本発明はかかる例に限定されず、３種類以上のデータリストを用いて、上記データリストにそれぞれ応じた参考回帰学習モデルが生成されてもよい。
参考モデル生成部４１０は、特徴量ＤＢ１３１に格納されている複数のデータリストに含まれる特徴量（特徴ベクトル）と、参考評価値ＤＢ１５１に格納されている、上記複数のデータリストの各々に対応する参考評価値リストに含まれる参考評価値を用いて、参考回帰学習モデルを生成する。参考回帰学習モデルとは、複数のデータリストの各々に含まれる特徴量と、参考評価値との組による複数のデータセットを用いて生成される回帰学習モデルである。本実施形態においては、データリストは２種類（データリスト１（外乱なし）、データリスト２（外乱あり））用意される。そのため、参考回帰学習モデルについて、データリスト１に対応するモデルと、データリスト２に対応するモデルの、２種類のモデルが生成される。なお、本実施形態においては、２種類の参考回帰学習モデルが生成されるが、本発明はかかる例に限定されず、３種類以上のデータリストを用いて、上記データリストにそれぞれ応じた参考回帰学習モデルが生成されてもよい。
上記複数のデータリストの構成はそれぞれ異なる。図１２および図１３は、特徴量ＤＢ１３１に格納されているデータリスト１（外乱なし）３０００、およびデータリスト２（外乱あり）４０００の一例を示す図である。図１２および図１３を参照すると、各々のデータリストは、ＩＤ、属性、シナリオ、信号データを含む信号データファイル、および特徴量データを含む特徴量データファイルを含むデータセットにより構成される。なお、特徴量データファイルに含まれる特徴量データは、予め特徴量算出部１３０により算出された、所定の動きの特徴量を含む。ここで、データリスト１には、属性が「無人（外乱なし）」、および「有人」のデータセットが含まれている。一方で、データリスト２には、属性が「無人（外乱なし）」、「無人（外乱あり）」、および「有人」のデータセットが含まれている。なお、データリスト１、およびデータリスト２には同一の属性およびシナリオのデータセットが含まれているが、各データセットに含まれる信号データは必ずしも同一でなくてもよい。また、同一内容のシナリオについて、複数の信号データが含まれていてもよい。
図１４および図１５は、参考評価値ＤＢ１５１に格納されている参考評価値リスト１（外乱なし）５０００、および参考評価値リスト２（外乱あり）の６０００の構成を示す図である。図１４および図１５を参照すると、各々のデータリストは、ＩＤ、属性、シナリオ、および参考評価値を含むデータセットにより構成される。上記のデータリスト１およびデータリスト２と同様に、参考評価値リスト１には属性が「無人（外乱あり）」のデータセットが含まれていない一方で、参考評価値リスト２には属性が「無人（外乱あり）」のデータセットが含まれる。また、これらの参考評価値リストにおいて、属性が「無人」であるデータセットの参考評価値は０に設定され、属性が「有人」であるデータセットの参考評価値は１に設定される。データリスト１は参考評価値リスト１と対応しており、データリスト２は参考評価値リスト２と対応している。
データリスト１（および参考評価値リスト１）は、属性「無人（外乱あり）」のデータセットを含まない。そのため、データリスト１および参考評価値リスト１を用いて生成された参考回帰学習モデル（参考回帰学習モデル１と呼称する）を判別処理に適用させた場合、データリスト２および参考評価値リスト２を用いて生成された参考回帰学習モデル（参考回帰学習モデル２と呼称する）を判別処理に適用させた場合と比較して、人物以外の動きを人物の動きとして判別する確率が高くなると考えられる。一方で、参考評価値リスト２において属性「無人（外乱あり）」の参考評価値は０に設定されている。そのため、参考回帰学習モデル２を判別処理に適用させた場合、参考回帰学習モデル１を判別処理に適用させた場合と比較して、人物の動きを人物以外の動きとして判別する確率が高くなると考えられる。そこで、本実施形態に係る評価値生成部１４０は、参考回帰学習モデル間での判別結果の差異に応じて、全てのシナリオに対応する評価値を決定する。これにより、判別精度を向上させることが可能となる回帰学習モデルを生成することが可能となる。
参考モデル生成部４１０は、参考回帰学習モデル１および参考回帰学習モデル２を生成し、これらの参考回帰学習モデルを参考モデルＤＢ１６１に格納する。
（判別検証部）
判別検証部４２０は、特徴量ＤＢ１３１に格納されているうちの、参考回帰学習モデルの生成に用いられた全てのデータリストに含まれる特徴量について、参考モデルＤＢ１６１に格納されている参考回帰学習モデルの各々を用いて判別処理を行い、参考回帰学習モデル毎の判別結果について検証し、その検証結果に基づいて各シナリオに対応する評価値を決定する。具体的には、判別検証部４２０は、まず、データリスト１およびデータリスト２に含まれている全ての特徴量データから特徴量を取得する。そして、判別検証部４２０は、各々の特徴量について、参考回帰学習モデル１、および参考回帰学習モデル２を用いて、特定の動体の動きの有無（ここでは、人物の存在の有無）を判別する。判別検証部４２０は、人物の存在の有無の判別結果（無人率）について、各参考回帰学習モデル間における差を比較する。そして、判別検証部４２０は、上記差に基づいて、各シナリオに対応する評価値を決定する。以下、判別検証部４２０における処理について、順に説明する。
判別検証部４２０は、特徴量ＤＢ１３１に格納されているうちの、参考回帰学習モデルの生成に用いられた全てのデータリストに含まれる特徴量について、参考モデルＤＢ１６１に格納されている参考回帰学習モデルの各々を用いて判別処理を行い、参考回帰学習モデル毎の判別結果について検証し、その検証結果に基づいて各シナリオに対応する評価値を決定する。具体的には、判別検証部４２０は、まず、データリスト１およびデータリスト２に含まれている全ての特徴量データから特徴量を取得する。そして、判別検証部４２０は、各々の特徴量について、参考回帰学習モデル１、および参考回帰学習モデル２を用いて、特定の動体の動きの有無（ここでは、人物の存在の有無）を判別する。判別検証部４２０は、人物の存在の有無の判別結果（無人率）について、各参考回帰学習モデル間における差を比較する。そして、判別検証部４２０は、上記差に基づいて、各シナリオに対応する評価値を決定する。以下、判別検証部４２０における処理について、順に説明する。
まず、判別検証部４２０は、参考回帰学習モデルの生成に用いられた全てのデータリストに含まれている特徴量について、参考回帰学習モデルの各々を用いて判別処理を行う。判別検証部４２０による判別処理は、第１の実施形態に係る判別装置２０の評価値算出部２４０、および判別部２５０による処理と同様の処理である。例えば、参考モデル生成部４１０により生成された一の参考回帰学習モデルが、以下のサポートベクタ行列ｓ’、重みベクトルｃ’、および閾値ｂ’によって構成されているとする。具体的には、サポートベクタ行列ｓ’は下記式（１１）で示す行列により定義され、重みベクトルｃ’は下記式（１２）で示すベクトルにより定義される。また、閾値ｂ’は一意に定まる値である。
また、第１の実施形態と同様に、特徴空間および評価値により構成されるデータについて、カーネルトリックを用いて非線形空間に写像することにより、回帰学習モデルを生成することも可能である。本実施形態においては、カーネルトリックとして、下記式（１３）で示すガウシアン型カーネルが用いられてもよい。
ここで、全てのデータリストに含まれているシナリオの数をＭとし、ｍ番目のシナリオに対応する特徴ベクトルをＦｍ（ｋ）とする。判別検証部４２０は、下記式（１４）に示される判別関数に特徴ベクトルＦｍ（ｋ）を代入することにより得られる出力値ｚｍ（ｋ）の値を、評価値として算出する。
ただし、ｘｉ，ｋの値は下記式（１５）により与えられる。ここで、Ｖｉおよびｆｉは、上記式（１１）で示されるサポートベクタ行列ｓのｉ成分の値である。
次に、判別検証部４２０は、上記式（１４）で得られた評価値ｚｍ（ｋ）に基づいて、ｍ番目のシナリオが人体の動きか否かを判別する。より具体的には、判別検証部４２０は、評価値ｚｍ（ｋ）が０以上であるか否かに基づいて、ｍ番目のシナリオが人体の動きか否かを判別する。ここで、人体の動きであるか否かを示す判別結果値をｄｍとすると、以下の比較式に基づいて、判別結果値をｄｍの値が決定される。まず、ｚｍ（ｋ）≧０の場合、ｄｍ＝１となる。ｄｍ＝１の場合、ｍ番目のシナリオは人物の動きであると判別される。一方、ｚｍ（ｋ）＜０の場合、ｄｍ＝０となる。ｄｍ＝０の場合、ｍ番目のシナリオは人物の動きではないと判別される。
判別検証部４２０は、全てのデータリストに含まれるすべてのシナリオについてｄｍを算出する。そして、判別検証部４２０は、下記式（１６）に従って、無人率ｅｖａｌ［％］を算出する。
判別検証部４２０は、上記の判別処理、および無人率（ｅｖａｌ）算出処理を、参考モデル生成部４１０により生成された複数の参考回帰学習モデルごとに実施する。本実施形態においては、判別検証部４２０は、参考回帰学習モデル１、および参考回帰学習モデル２の各々を用いて全てのシナリオについて判別処理を実施し、判別結果に基づいて無人率算出処理を実施する。そして、判別検証部４２０は、無人率の算出結果を評価値決定部４３０に出力する。
（評価値決定部）
評価値決定部４３０は、判別検証部４２０から取得した判別結果に基づいて、回帰学習モデルの生成処理に用いられる評価値を決定する。より具体的には、評価値決定部４３０は、判別検証部４２０から取得した無人率の参考回帰学習モデルごとの差に基づいて、評価値を決定する。以下、評価値決定部４３０による評価値決定処理について、図１６を参照しながら説明する。
評価値決定部４３０は、判別検証部４２０から取得した判別結果に基づいて、回帰学習モデルの生成処理に用いられる評価値を決定する。より具体的には、評価値決定部４３０は、判別検証部４２０から取得した無人率の参考回帰学習モデルごとの差に基づいて、評価値を決定する。以下、評価値決定部４３０による評価値決定処理について、図１６を参照しながら説明する。
図１６は、評価値決定部４３０による評価値決定処理について説明するための図である。図１６を参照すると、データリスト７０００には、シナリオに対応するＩＤ、参考評価値、参考回帰学習モデル１での無人率、参考回帰学習モデル２での無人率、無人率の差、および評価値が含まれている。参考評価値は、参考評価値ＤＢ１５１に予め格納されている仮の評価値であり、属性が「無人」のシナリオは０に、また、属性が「有人」のシナリオは１に設定されている。参考回帰学習モデル１での無人率、および参考回帰学習モデル２での無人率は、各参考回帰学習モデルを用いて算出された無人率である。例えば、ＩＤ１００１（属性「無人（外乱なし）」、シナリオ「なし」）では、両者とも無人率が１００％を示している。この場合、評価値決定部４３０は、予め参考評価値として与えていた値（１）を、評価値として決定する。一方で、ＩＤ１００４（属性「有人」、シナリオ「座る」）では、参考回帰学習モデル１での無人率は５０％を示しているが、参考回帰学習モデル２での無人率は９０％を示している。このように、シナリオによっては、算出される無人率が参考回帰学習モデルによって異なっている。そのため、判別が客観的に困難であるシナリオについて、想定する判別結果とは異なる結果を出力しないように評価値を決定する必要がある。
図１７は、各参考回帰学習モデルにより算出された無人率の分布を示すグラフである。図１７のグラフにおいて、○はデータリスト１に含まれる属性「無人」を含むシナリオの無人率、□はデータリスト１に含まれる属性「有人」を含むシナリオの無人率、×はデータリスト２に含まれる属性「無人」を含むシナリオの無人率、および、△はデータリスト２に含まれる属性「有人」を含むシナリオの無人率である。図１７に示したように、○や△は、参考回帰学習モデルによる無人率の差は小さいが、□や×など、参考回帰学習モデルによって無人率の差が大きくなる場合も存在する。そのため、評価値決定部４３０は、無人率の差が大きくなる場合には、参考回帰学習モデルの違いによる影響を抑えるため、中間的な値として、評価値の値を０．５と決定する。一方で、無人率の差が小さい場合には、参考回帰学習モデルの違いによる影響が小さいと考えられるので、参考評価値として与えていた値をそのまま評価値として決定する。このように、無人率の差に応じて評価値を柔軟に変更することにより、主観を排した回帰学習モデルを生成することが可能となる。
図１６を再度参照すると、評価値決定部４３０は、上記の無人率の差に基づいて、全てのシナリオに対して評価値の値を決定する。例えば、評価値決定部４３０は、参考回帰学習モデル１と参考回帰学習モデル２との同一のシナリオに対する無人率の差が所定の閾値Ｔｈａ以上である場合に、評価値を０．５と決定する。本実施形態では、所定の閾値Ｔｈａは２０％とする。無人率の差が２０％以上である場合、評価値決定部４３０は、上記シナリオに対して評価値を０．５と決定する。一方で、無人率の差が２０％を下回る場合、評価値決定部４３０は、参考評価値として与えていた値を評価値として決定する。
なお、所定の閾値Ｔｈａの値は、回帰学習モデルの精度の調整のために自由に変更され得る。また、本実施形態においては、所定の閾値Ｔｈａにより３値の評価値が設定されるが、所定の閾値の数は複数であってもよい。また、無人率の差が大きい場合に評価値の中間値として０．５が設定されたが、中間値としての値については特に限定されない。例えば、上記のように所定の閾値が複数ある場合には、中間値として、閾値により設定される段階数に応じて種々の値が設定され得る。また、例えば、評価値決定部４３０により決定される評価値の値は、算出された無人率ｅｖａｌの値や統計量等に基づいて決定されてもよい。例えば、一のシナリオに対応する評価値の値は、複数の参考回帰学習モデルを用いて算出された無人率の平均値に応じた値であってもよい。
評価値生成部１４０は、評価値決定部４３０により決定された評価値の値を含む評価値リストを、評価値ＤＢ１４１に出力する。
（２）動作
図１８は、本発明の第２の実施形態に係る評価値生成部１４０の処理フローを示すフローチャートである。図１８を参照すると、評価値生成部１４０は、まず参考モデル生成部４１０により各データリストに対応する参考回帰学習モデルを生成する（Ｓ４００）。次に、評価値生成部１４０は、判別検証部４２０により各参考回帰学習モデルを用いた全シナリオに対する判別処理を行い、無人率を算出する（Ｓ５００）。そして、評価値生成部１４０は、評価値決定部４３０により参考回帰学習モデル間の無人率の比較を行い、比較結果に応じた各シナリオの評価値を決定する（Ｓ６００）。以下、上記の３つの処理について、順に説明する。
図１８は、本発明の第２の実施形態に係る評価値生成部１４０の処理フローを示すフローチャートである。図１８を参照すると、評価値生成部１４０は、まず参考モデル生成部４１０により各データリストに対応する参考回帰学習モデルを生成する（Ｓ４００）。次に、評価値生成部１４０は、判別検証部４２０により各参考回帰学習モデルを用いた全シナリオに対する判別処理を行い、無人率を算出する（Ｓ５００）。そして、評価値生成部１４０は、評価値決定部４３０により参考回帰学習モデル間の無人率の比較を行い、比較結果に応じた各シナリオの評価値を決定する（Ｓ６００）。以下、上記の３つの処理について、順に説明する。
図１９は、本発明の第２の実施形態に係る参考モデル生成部４１０の処理フローを示すフローチャートである。図１９を参照すると、参考モデル生成部４１０は、まず一のデータリストを特徴量ＤＢ１３１より取得する（Ｓ４０１）。次に、参考モデル生成部４１０は、上記データリストに含まれている全てのシナリオに対応する特徴ベクトルを含む特徴量データを抽出する（Ｓ４０３）。また、参考モデル生成部４１０は、上記データリストに対応する参考評価値リストを参考評価値ＤＢ１５１より取得する（Ｓ４０５）。そして、参考モデル生成部４１０は、上記複数の特徴ベクトルからなる特徴空間と、参考評価値リストに含まれる参考評価値とを組とするデータに基づいて参考回帰学習モデルを生成する（Ｓ４０７）。参考モデル生成部４１０は、上述した処理を複数のデータリスト（および参考評価値リスト）に対して実施し、複数の参考回帰学習モデルを生成する。
図２０は、本発明の第２の実施形態に係る判別検証部４２０の処理フローを示すフローチャートである。図２０を参照すると、判別検証部４２０は、まず特徴量ＤＢ１３１に格納されている全てのデータリストから、各シナリオの特徴ベクトルを抽出する（Ｓ５０１）。次に、判別検証部４２０は、抽出した特徴ベクトルを一の参考回帰学習モデルにより構成される判別関数に代入することにより評価値を算出し、判別結果を出力する（Ｓ５０３）。そして、判別検証部４２０は、全てのシナリオに対応する判別結果を用いて、無人率を算出する（Ｓ５０５）。判別検証部４２０は、参考回帰学習モデル１および参考回帰学習モデル２を用いて、各々のモデルにおける無人率を全てのシナリオについて算出する。
図２１は、本発明の第２の実施形態に係る評価値決定部４３０の処理フローを示すフローチャートである。図２１を参照すると、評価値決定部４３０は、まず一のシナリオに対応する参考評価値を参考評価値ＤＢ１５１から取得する（Ｓ６０１）。次に、評価値決定部４３０は、判別検証部４２０において算出された各参考回帰学習モデルにおける無人率を取得する（Ｓ６０３）。評価値決定部４３０は、取得した各々の無人率の差（ｄｉｆｆ）を算出し（Ｓ６０５）、上記無人率の差ｄｉｆｆと所定の閾値Ｔｈａとの大小を比較する（Ｓ６０７）。無人率の差ｄｉｆｆが閾値Ｔｈａ以上である場合（Ｓ６０７／ＹＥＳ）、評価値決定部４３０は、上記シナリオに対応する評価値を０．５と決定する（Ｓ６０９）。一方で、無人率の差ｄｉｆｆが閾値Ｔｈａを下回る場合、評価値決定部４３０は、上記シナリオに対応する参考評価値の値を評価値として決定する（Ｓ６１１）。評価値決定部４３０は、上述した評価値決定処理を全てのシナリオに対して実施する。
［３．３．効果］
ここまで、図１０〜図２１を用いて、本発明の第２の実施形態について説明した。本発明の第２の実施形態によれば、評価値生成部１４０は、複数の異なるデータリストおよび参考評価値リストを組とする複数の参考回帰学習モデルを生成し、それらの参考回帰学習モデルを用いて、上記の複数のデータリストに含まれるシナリオについて、人物の存在の有無について判別する。そして、評価値生成部１４０は、各参考回帰学習モデル間における判別結果（無人率）の差に基づいて、各シナリオに対応する評価値を決定する。かかる構成において、回帰学習モデルの生成に用いられる評価値を回帰分析手法を用いて決定することにより、各シナリオに対応する評価値を、機械的に決定することができる。これにより、例えば、属性「無人（外乱あり）」や、シナリオ「座る」など、人物の動きか否かの判別が困難であるシナリオに対応する評価値を、ユーザ等の主観を排し、機械的に決定することができる。したがって、本実施形態に係るモデル生成装置１０は、より適正な評価値を含む評価値リストを用いて回帰学習モデルを生成することができる。よって、動体の動きがある特定の動きであるか否かの判別精度をより向上させることができる。
ここまで、図１０〜図２１を用いて、本発明の第２の実施形態について説明した。本発明の第２の実施形態によれば、評価値生成部１４０は、複数の異なるデータリストおよび参考評価値リストを組とする複数の参考回帰学習モデルを生成し、それらの参考回帰学習モデルを用いて、上記の複数のデータリストに含まれるシナリオについて、人物の存在の有無について判別する。そして、評価値生成部１４０は、各参考回帰学習モデル間における判別結果（無人率）の差に基づいて、各シナリオに対応する評価値を決定する。かかる構成において、回帰学習モデルの生成に用いられる評価値を回帰分析手法を用いて決定することにより、各シナリオに対応する評価値を、機械的に決定することができる。これにより、例えば、属性「無人（外乱あり）」や、シナリオ「座る」など、人物の動きか否かの判別が困難であるシナリオに対応する評価値を、ユーザ等の主観を排し、機械的に決定することができる。したがって、本実施形態に係るモデル生成装置１０は、より適正な評価値を含む評価値リストを用いて回帰学習モデルを生成することができる。よって、動体の動きがある特定の動きであるか否かの判別精度をより向上させることができる。
＜４．ハードウェア構成例＞
以上、本発明の各実施形態に係る判別システム１について説明した。次に、図２２を参照して、本開示の実施形態に係る情報処理装置のハードウェア構成について説明する。図２２は、本開示の実施形態に係る情報処理装置９００のハードウェア構成例を示すブロック図である。図示された情報処理装置９００は、例えば、上記の実施形態におけるモデル生成装置１０、および判別装置２０を実現しうる。
以上、本発明の各実施形態に係る判別システム１について説明した。次に、図２２を参照して、本開示の実施形態に係る情報処理装置のハードウェア構成について説明する。図２２は、本開示の実施形態に係る情報処理装置９００のハードウェア構成例を示すブロック図である。図示された情報処理装置９００は、例えば、上記の実施形態におけるモデル生成装置１０、および判別装置２０を実現しうる。
図２２を参照すると、情報処理装置９００は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）９０１と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）９０２と、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）９０３と、ホストバス９０４と、を備える。また、情報処理装置９００は、ブリッジ９０５と、外部バス９０６と、インタフェース９０７と、入力装置９０８と、出力装置９０９と、ストレージ装置９１０と、ドライブ９１１と、ネットワークインタフェース９１２と、を備える。
ＣＰＵ９０１は、演算処理装置および制御装置として機能し、各種プログラムに従って情報処理装置９００内の動作全般を制御する。また、ＣＰＵ９０１は、マイクロプロセッサであってもよい。なお、ＣＰＵ９０１は、情報処理装置９００内の各機能部を含む機能の動作全般またはその一部を制御する。例えば、ＣＰＵ９０１は、ＲＯＭ９０２は、ＣＰＵ９０１が使用するプログラムや演算パラメータ等を記憶する。ＲＡＭ９０３は、ＣＰＵ９０１の実行において使用するプログラムや、その実行において適宜変化するパラメータ等を一時記憶する。これらはＣＰＵバスなどから構成されるホストバス９０４により相互に接続されている。
ホストバス９０４は、ブリッジ９０５を介して、ＰＣＩ（Ｐｅｒｉｐｈｅｒａｌ Ｃｏｍｐｏｎｅｎｔ Ｉｎｔｅｒｃｏｎｎｅｃｔ／Ｉｎｔｅｒｆａｃｅ）バスなどの外部バス９０６に接続されている。なお、必ずしもホストバス９０４、ブリッジ９０５および外部バス９０６を分離構成する必要はなく、１つのバスにこれらの機能を実装してもよい。
入力装置９０８は、マウス、キーボード、タッチパネル、ボタン、マイクロフォン、スイッチおよびレバーなどユーザが情報を入力するための入力手段と、ユーザによる入力に基づいて入力信号を生成し、ＣＰＵ９０１に出力する入力制御回路などから構成されている。情報処理装置９００のユーザは、当該入力装置９０８を操作することにより、情報処理装置９００に対して各種のデータを入力したり処理動作を指示したりすることができる。なお、入力装置９０８は、不図示の入力部の機能を実現する。
出力装置９０９は、例えば、ＣＲＴディスプレイ装置、液晶ディスプレイ（ＬＣＤ）装置、ＯＬＥＤ装置およびランプなどの表示装置を含む。さらに、出力装置９０９は、スピーカ及びヘッドホンなどの音声出力装置を含む。出力装置９０９は、例えば、再生されたコンテンツを出力する。具体的には、表示装置は再生された映像データ等の各種情報をテキストまたはイメージで表示する。一方、音声出力装置は、再生された音声データや表示装置に表示されたテキストデータ等を音声に変換して出力する。なお、出力装置９０９は、不図示の表示部の機能を実現する。
ストレージ装置９１０は、本発明の実施形態に係る情報処理装置９００におけるデータ格納用の装置である。ストレージ装置９１０は、記憶媒体、記憶媒体にデータを記録する記録装置、記憶媒体からデータを読み出す読み出し装置および記憶媒体に記憶されたデータを削除する削除装置などを含んでも良い。ストレージ装置は、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｃ Ｄｒｉｖｅ）やＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）で構成される。このストレージ装置９１０は、ＣＰＵ９０１が実行するプログラムや各種データを格納する。なお、ストレージ装置９１０は、信号ＤＢ１１１など、各情報処理装置に備えられている各ＤＢを格納する。なお、ストレージ装置９１０は、不図示の記憶部の機能を実現する。
ドライブ９１１は、記憶媒体用リーダライタであり、情報処理装置９００に内蔵、あるいは外付けされる。ドライブ９１１は、装着されている磁気ディスク、光ディスク、光磁気ディスク、または半導体メモリ等のリムーバブル記憶媒体９６に記録されている情報を読みだして、ＲＡＭ９０３に出力する。また、ドライブ９１１は、リムーバブル記憶媒体９６に情報を書き込むこともできる。
ネットワークインタフェース９１２は、例えば、他の装置に接続するための通信デバイス等で構成された通信インタフェースである。また、ネットワークインタフェース９１２は、無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）対応通信装置、ＬＴＥ（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）対応通信装置、またはブルートゥース通信装置であってもよい。また、ネットワークインタフェース９１２は、有線による通信を行うワイヤー通信装置であってもよい。なお、ネットワークインタフェース９１２は、不図示の通信部の機能を実現する。
以上、情報処理装置９００のハードウェア構成の一例を示した。上記の各構成要素は、汎用的な部材を用いて構成されていてもよいし、各構成要素の機能に特化したハードウェアにより構成されていてもよい。かかる構成は、実施する時々の技術レベルに応じて適宜変更され得る。
＜５．まとめ＞
以上、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明はかかる例に限定されない。本発明の属する技術の分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。
以上、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明はかかる例に限定されない。本発明の属する技術の分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。
例えば、上記実施形態では、人物がセンサ２による検知が可能なエリアに存在していることが想定されていたが、本発明はかかる例に限定されない。例えば、人物が椅子やベッドなどの位置にいる場合に限定してセンサが人物を検知することができるように、センサが設置されてもよい。これにより、判別対象となるエリアを限定することが可能となるので、動体の動きの判別精度が向上する。また、判別装置は、人物の有無の結果を、他の情報処理装置（例えば人物の運動量や姿勢等を計測する装置）に組み合わせて用いられてもよい。かかる構成において、人物が特定のエリアに存在している場合に限定して、他の情報処理装置による処理を実施することができる。したがって、生じ得る外乱の影響が小さくなるため、人物の運動量や姿勢等の計測精度を向上させることができる。
また、判別装置は、モデル生成装置の有する各機能を含んでもよい。かかる構成において、判別装置は、回帰学習モデルＤＢに格納されている回帰学習モデルを用いて判別処理を行うだけではなく、外部から得られた信号データ等を用いて回帰学習モデルを生成することもできる。これにより、一般的な回帰学習モデルだけではなく、判別装置が適用される場所や場面に応じて特化された回帰学習モデルを生成することができる。したがって、判別したい動体の動きの判別精度をさらに向上させることができる。
また、上記実施形態では、人物の動きを判別対象とする例を説明したが、本発明はかかる例に限定されない。例えば、本発明は、他の生体、機械およびクランク等の運動など、多様な動体の動きに対して適用可能である。この場合、例えば、センサが電波式のセンサである場合、放射波の波長を判別対象の信号波形の変位に応じて適切に設定することにより、あらゆる動体の動きを表現する信号を抽出することが可能である。
また、本明細書の各装置および各機能部の処理における各ステップは、必ずしもフローチャートとして記載された順序に沿って時系列に処理する必要はない。例えば、各装置および各機能部の処理における各ステップは、フローチャートとして記載した順序と異なる順序で処理されても、並列的に処理されてもよい。
また、モデル生成装置１０および判別装置２０に内蔵されるＣＰＵ、ＲＯＭおよびＲＡＭなどのハードウェアを、上記のモデル生成装置１０および判別装置２０の各構成と同等の機能を発揮させるためのコンピュータプログラムも作成可能である。また、該コンピュータプログラムを記憶させた記憶媒体も提供される。
１ 判別システム
２ センサ
１０ モデル生成装置
２０ 判別装置
１１０、２１０ 信号取得部
１２０、２２０ フィルタ部
１３０、２３０ 特徴量算出部
１４０ 評価値生成部
１５０ モデル生成部
２４０ 評価値算出部
２５０ 判別部
２６０ 調整部
４１０ 参考モデル生成部
４２０ 判別検証部
４３０ 評価値決定部
２ センサ
１０ モデル生成装置
２０ 判別装置
１１０、２１０ 信号取得部
１２０、２２０ フィルタ部
１３０、２３０ 特徴量算出部
１４０ 評価値生成部
１５０ モデル生成部
２４０ 評価値算出部
２５０ 判別部
２６０ 調整部
４１０ 参考モデル生成部
４２０ 判別検証部
４３０ 評価値決定部
Claims (12)
- センサにより検出された動体の動きを示すセンサ信号に基づいて、前記動体の動きの特徴量を算出する特徴量算出部と、
所定の動きの特徴量と、前記所定の動きに対応する評価値とを組とする複数のデータに基づいて生成された回帰学習モデルを用いて、前記特徴量算出部により算出された前記動体の動きの特徴量に応じて、前記動体の動きに対応する評価値を算出する評価値算出部と、
前記動体の動きの判別のために前記動体の動きに対応する前記評価値と比較される閾値を調整する調整部と、
を備え、
前記所定の動きに対応する評価値は、前記所定の動きの特徴量と、前記所定の動きに対応して予め設定された評価値とを組とする複数のデータに基づいて生成された複数の回帰学習モデルを用いて判別された前記所定の動きに対応する複数の判別結果間における誤差に応じて決定される、判別装置。 - 前記回帰学習モデルは、サポートベクタ回帰により生成される回帰学習モデルであり、
前記評価値算出部は、前記サポートベクタ回帰により生成される前記回帰学習モデルを構成するサポートベクタと、前記動体の動きの特徴量とを用いて、前記動体の動きに対応する評価値を算出する、請求項１に記載の判別装置。 - 前記特徴量算出部は、前記センサ信号の波形に基づいて前記特徴量を算出する、請求項１または２に記載の判別装置。
- 前記特徴量算出部は、前記センサ信号の振幅の大きさを前記特徴量として算出する、請求項３に記載の判別装置。
- 前記特徴量算出部は、所定区間における前記センサ信号の波形の周波数を前記特徴量として算出する、請求項３または４に記載の判別装置。
- 前記調整部は、前記閾値を段階的に調整する、請求項１〜５のいずれか１項に記載の判別装置。
- 前記所定の動きは、生体の動きを含み、
前記動体の動きの判別は、前記動体の動きが前記生体の動きであるか否かの判別を含む、請求項１〜６のいずれか１項に記載の判別装置。 - 前記センサはドップラーセンサである、請求項１〜７のいずれか１項に記載の判別装置。
- センサにより検出された動体の動きを示すセンサ信号に基づいて、前記動体の動きの特徴量を算出するステップと、
所定の動きの特徴量と、前記所定の動きに対応する評価値とを組とする複数のデータに基づいて生成された回帰学習モデルを用いて、前記動体の動きの特徴量に応じて、前記動体の動きに対応する評価値を算出するステップと、
前記動体の動きの判別のために前記動体の動きに対応する前記評価値と比較される閾値を調整するステップと、
を含み、
前記所定の動きに対応する評価値は、前記所定の動きの特徴量と、前記所定の動きに対応して予め設定された評価値とを組とする複数のデータに基づいて生成された複数の回帰学習モデルを用いて判別された前記所定の動きに対応する複数の判別結果間における誤差に応じて決定される、判別方法。 - コンピュータを、
センサにより検出された動体の動きを示すセンサ信号に基づいて、前記動体の動きの特徴量を算出する特徴量算出部と、
所定の動きの特徴量と、前記所定の動きに対応する評価値とを組とする複数のデータに基づいて生成された回帰学習モデルを用いて、前記特徴量算出部により算出された前記動体の動きの特徴量に応じて、前記動体の動きに対応する評価値を算出する評価値算出部と、
前記動体の動きの判別のために前記動体の動きに対応する前記評価値と比較される閾値を調整する調整部と、
として機能させ、
前記所定の動きに対応する評価値は、前記所定の動きの特徴量と、前記所定の動きに対応して予め設定された評価値とを組とする複数のデータに基づいて生成された複数の回帰学習モデルを用いて判別された前記所定の動きに対応する複数の判別結果間における誤差に応じて決定される、プログラム。 - センサにより検出された動体による所定の動きを示すセンサ信号に基づいて、前記所定の動きの特徴量を算出する特徴量算出部と、
前記所定の動きの特徴量と、前記所定の動きに対応して予め設定された参考評価値とを組とする複数のデータに基づいて生成された複数の回帰学習モデルを用いて判別された前記所定の動きに対応する複数の判別結果間における誤差に応じて、前記所定の動きに対応する評価値を決定する、回帰学習モデル評価値決定部と、
前記所定の動きの特徴量と、前記所定の動きに対応する評価値とを組とする複数のデータに基づいて回帰学習モデルを生成するモデル生成部と、
を備えるモデル生成装置。 - センサにより検出された動体による所定の動きを示すセンサ信号に基づいて、前記所定の動きの特徴量を算出するステップと、
前記所定の動きの特徴量と、前記所定の動きに対応して予め設定された参考評価値とを組とする複数のデータに基づいて生成された複数の回帰学習モデルを用いて判別された前記所定の動きに対応する複数の判別結果間における誤差に応じて、前記所定の動きに対応する評価値を決定するステップと、
前記所定の動きの特徴量と、前記所定の動きに対応する評価値とを組とする複数のデータに基づいて回帰学習モデルを生成するステップと、
を含む、モデル生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2015145545A JP6648435B2 (ja) | 2015-07-23 | 2015-07-23 | 判別装置、判別方法、プログラム、モデル生成装置、及びモデル生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2015145545A JP6648435B2 (ja) | 2015-07-23 | 2015-07-23 | 判別装置、判別方法、プログラム、モデル生成装置、及びモデル生成方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2017026475A JP2017026475A (ja) | 2017-02-02 |
| JP6648435B2 true JP6648435B2 (ja) | 2020-02-14 |
Family
ID=57949557
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2015145545A Expired - Fee Related JP6648435B2 (ja) | 2015-07-23 | 2015-07-23 | 判別装置、判別方法、プログラム、モデル生成装置、及びモデル生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6648435B2 (ja) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9927519B1 (en) * | 2017-03-16 | 2018-03-27 | Cognitive Systems Corp. | Categorizing motion detected using wireless signals |
| JP6944402B2 (ja) * | 2018-03-08 | 2021-10-06 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ | 在不在判定方法、プログラム、センサ処理システム、及びセンサシステム |
| CN112444785B (zh) | 2019-08-30 | 2024-04-12 | 华为技术有限公司 | 一种目标行为识别的方法、装置和雷达系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080074307A1 (en) * | 2006-05-17 | 2008-03-27 | Olga Boric-Lubecke | Determining presence and/or physiological motion of one or more subjects within a doppler radar system |
| JP5708294B2 (ja) * | 2011-06-22 | 2015-04-30 | 日本電気株式会社 | 信号検出装置、信号検出方法及び信号検出プログラム |
| JP5333567B2 (ja) * | 2011-11-28 | 2013-11-06 | 沖電気工業株式会社 | データ処理装置、動作認識システム、動作判別方法、及びプログラム |
| JP5523534B2 (ja) * | 2012-10-22 | 2014-06-18 | 沖電気工業株式会社 | 特徴量算出装置及びプログラム |
| JP6127602B2 (ja) * | 2013-03-13 | 2017-05-17 | 沖電気工業株式会社 | 状態認識装置、状態認識方法及びコンピュータプログラム |
| NL2012327B1 (en) * | 2013-12-13 | 2016-06-21 | Utc Fire & Security B V | Selective intrusion detection systems. |
-
2015
- 2015-07-23 JP JP2015145545A patent/JP6648435B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JP2017026475A (ja) | 2017-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6515670B2 (ja) | 睡眠深度推定装置、睡眠深度推定方法、およびプログラム | |
| EP3346428A1 (en) | Sensor design support apparatus, sensor design support method and computer program | |
| US20220280098A1 (en) | Assessing parkinson's disease symptoms | |
| CN109414174B (zh) | 用于概率性地估计个体的脉搏率的方法和系统 | |
| JP6648435B2 (ja) | 判別装置、判別方法、プログラム、モデル生成装置、及びモデル生成方法 | |
| US11200507B2 (en) | System and method for optimal sensor placement | |
| JP7439004B2 (ja) | 行動認識装置、学習装置、および行動認識方法 | |
| JP6684339B1 (ja) | 音評価ａｉシステム、および、音評価ａｉプログラム | |
| CN111433801A (zh) | 数据生成装置、数据生成方法、数据生成程序及传感器装置 | |
| KR20230135844A (ko) | 생체 및 감성 반응형 마스킹 사운드 자동 제어 장치, 방법 및 시스템 | |
| JP2019011916A (ja) | 空調制御装置、空調システム、制御方法及びプログラム | |
| CN111128216A (zh) | 一种音频信号的处理方法、处理装置及可读存储介质 | |
| US20150209000A1 (en) | Bioacoustic sound testing device and bioacoustic sound testing method | |
| JP7180819B1 (ja) | 予測装置 | |
| US11751800B2 (en) | Seizure detection using contextual motion | |
| US11854369B2 (en) | Multi-computer processing system for compliance monitoring and control | |
| JP2017023449A (ja) | 活動量推定装置、活動量推定方法、プログラム、モデル生成装置、及びモデル生成方法 | |
| EP3773225B1 (en) | Detecting subjects with disordered breathing | |
| CN107908323B (zh) | 医学图像显示方法、装置和计算机存储介质 | |
| KR102871929B1 (ko) | 비염 진단 장치, 방법 및 기록매체 | |
| JP2017196194A (ja) | 睡眠状態解析支援装置、および、睡眠状態解析支援プログラム | |
| WO2019039261A1 (ja) | 睡眠の質判定システム、睡眠の質モデル作成プログラム、および、睡眠の質判定プログラム | |
| KR20190067069A (ko) | Bci 시스템의 신뢰성 향상 방법 | |
| White et al. | Investigation of a breathing surrogate prediction algorithm for prospective pulmonary gating | |
| JP6751903B2 (ja) | 噴嚔予測システムおよび噴嚔予測方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180515 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190320 |
|
| RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20190327 |
|
| RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20190328 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190521 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190711 |
|
| 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: 20191217 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191230 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6648435 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| LAPS | Cancellation because of no payment of annual fees |