状態判定装置、状態判定方法及びプログラム
【課題】平常と非平常のデータ区間に重なりがあっても平常／非平常の判定を正確に行えるようにし、これにより誤報の発生を減らす。
【解決手段】学習フェーズにおいて、センサデータの度数分布の区間ごとの非平常発生確率を算出すると共に、過去の複数の計測タイミングにおけるセンサデータとユーザ自身が設定したアノテーション情報をもとにＨＭＭモデルの学習を行い、上記算出された非平常発生確率とＨＭＭモデルの学習結果をもとに重み係数及びしきい値を設定する。次に判定フェーズにおいて、取得されたセンサデータをもとに数値的特徴に対する処理による非平常発生確率を算出すると共に、時系列的特徴に対する処理による各計測タイミングでの非平常発生確率を算出し、これらを上記設定された重み係数を用いて加重平均し、その結果を上記設定されたしきい値と比較することにより平常か非平常かを判定する。
【解決手段】学習フェーズにおいて、センサデータの度数分布の区間ごとの非平常発生確率を算出すると共に、過去の複数の計測タイミングにおけるセンサデータとユーザ自身が設定したアノテーション情報をもとにＨＭＭモデルの学習を行い、上記算出された非平常発生確率とＨＭＭモデルの学習結果をもとに重み係数及びしきい値を設定する。次に判定フェーズにおいて、取得されたセンサデータをもとに数値的特徴に対する処理による非平常発生確率を算出すると共に、時系列的特徴に対する処理による各計測タイミングでの非平常発生確率を算出し、これらを上記設定された重み係数を用いて加重平均し、その結果を上記設定されたしきい値と比較することにより平常か非平常かを判定する。
【発明の詳細な説明】
【技術分野】
【０００１】
この発明は、ユーザの状態や環境の状態をセンシングしてその状態が平常であるか又は非平常であるかを判定するための装置、方法及びプログラムに関する。
【背景技術】
【０００２】
近年、ユーザが身に付けたセンサにより得られるセンサデータをもとに当該ユーザの日常的な平常／非平常を判定し、その判定結果をもとにユーザの健康管理を行う方法が提案されている。例えば、ユーザが日常の生活をおくる中で、ユーザが身に付けているセンサにより得られた過去のセンサデータ値をもとにしきい値を決定し、最新のセンサデータについて上記しきい値をもとに平常／非平常を判定する。上記しきい値は、一定の時間間隔で得られた過去のセンサデータ値と、当該センサデータ値が得られた時点でのユーザの主観的判断による平常／非平常のアノテーションから、平常及び非平常時データの統計分布が最もよく乖離する位置に設定される。
【０００３】
そして、平常／非平常の判定結果が正常の場合には、一定の周期（例えば毎月）でその健康状態を表すデータをユーザの端末と契約医師や病院の端末へ送信する。これに対し、判定結果が異常の場合には、当該データを直ちにユーザの端末と契約医師や病院の端末へ送信すると共に、健康状態を監視する装置とユーザの携帯端末に表示する。このシステムを利用すると、病院等で受診しなくてもユーザの日常的な平常／非平常を検知することが可能となる（例えば、特許文献１を参照。）。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特開２００３−１５０７１８号公報
【発明の概要】
【発明が解決しようとする課題】
【０００５】
ところが、前記従来の判定方法では、各時点におけるセンサデータの単発的な値をしきい値と比較することにより平常／非平常の判定が行われる。このため、平常と非平常のデータ区間に重なりがあると、平常／非平常の誤判定が増加して誤報が増えるという問題点があった。
この発明は上記事情に着目してなされたもので、その目的とするところは、平常と非平常のデータ区間に重なりがあっても平常／非平常の判定を正確に行えるようにし、これにより誤報の発生を減らした状態判定装置、状態判定方法及びプログラムを提供することにある。
【課題を解決するための手段】
【０００６】
上記目的を達成するためにこの発明の第１の観点は、以下のような構成要素を備えている。すなわち、監視対象の状態を計測するセンサから当該計測結果を表すセンサデータを受信して記憶すると共に、複数の計測時点における前記監視対象物の状態を表すアノテーション情報を受信して記憶する。そして、上記記憶されたセンサデータをもとにその度数分布を表す情報を生成してこの度数分布を複数の区間に分け、これらの区間ごとに上記アノテーション情報をもとに第１の非平常発生確率を算出して、この算出された第１の非平常発生確率をもとに数値的特徴に対する処理による第２の非平常発生確率を算出する。また、上記センサデータ及びアノテーション情報をもとに平常／非平常を二つの隠れ状態とした確率モデルを学習し、この学習された確率モデルをもとに時系列的特徴に対する処理による前記各計測時点での第３の非平常発生確率を算出する。そして、予め設定した重み係数を用いて、前記算出された第２の非平常発生確率と前記各計測時点での第３の非平常発生確率との加重平均値を算出し、この算出された加重平均値を予め設定されたしきい値と比較することにより、前記計測時点ごとに前記監視対象の状態が平常か非平常かを判定する。
【０００７】
したがって、平常と非平常のデータ区間に重なりがあっても平常／非平常の判定を正確に行えるようになり、その結果数値的特徴に対する処理による非平常発生確率のみをもとに平常か非平常かを判定する場合に比べ、高精度の平常／非平常判定を行うことが可能となる。
【０００８】
また、この発明の一観点は以下のような態様を備えることを特徴とする。
第１の態様は、第２の非平常発生確率を算出する際に、記憶されたセンサデータを前記分けられた区間ごとに量子化し、この量子化されたセンサデータの該当する区間と同じ区間における第１の非平常発生確率を数値的特徴に対する処理による第２の非平常発生確率として出力するものである。
このようにすると、特別な演算処理を必要とすることなく第２の非平常発生確率を求めることができる。
【０００９】
第２の態様は、確率モデルを学習する際に、前記複数の区間に分けられたセンサデータを、前記区間ごとに前記監視対象の状態が平常から平常、平常から非平常、非平常から非平常、非平常から平常へ遷移する時に生成される４種類のセンサデータに分類し、この４種類に分類されたセンサデータを用いて前記各区間における確率モデルの各遷移確率を求めるものである。
このようにすると４種類のセンサデータを取り扱えばよいので、比較的簡単な処理により確率モデルの学習を行うことができる。
【００１０】
第３の態様は、第３の非平常発生確率を算出する際に、先ず記憶されたセンサデータの中から特定の時間窓に対応する時系列データを抽出して、この抽出された時系列データに対し前記学習された確率モデルを用いて想定し得るすべての状態系列の発生確率を算出する。次に、この算出された状態系列の発生確率の総和を算出すると共に、前記算出された状態系列の発生確率のうち平常／非平常の判定対象としている時間区間において非平常の状態をとっているものの発生確率の総和を算出し、これらの算出された発生確率の総和の比により非平常発生確率を求めて、この求められた非平常発生確率を時系列的特徴に対する処理による前記各計測時点での第３の非平常発生確率として出力するものである。
このようにすると、時間窓を適宜設定することで、時系列的特徴に対する処理による非平常発生確率を、処理負荷を抑えつつ精度良く算出することが可能となる。
【発明の効果】
【００１１】
すなわちこの発明によれば、平常と非平常のデータ区間に重なりがあっても平常／非平常の判定を正確に行えるようにし、これにより誤報の発生を減らした状態推定装置、方法及びプログラムを提供することができる。
【図面の簡単な説明】
【００１２】
【図１】この発明の一実施形態における状態判定装置を中核として備える判定システムの概略構成図である。
【図２】この発明の一実施形態における状態推定装置の機能構成を示すブロック図である。
【図３】図２に示した状態推定装置において実行される平常／非平常判定処理の学習フェーズの処理手順と処理内容を示すフローチャートである。
【図４】図２に示した状態推定装置において実行される平常／非平常判定処理の判定フェーズの処理手順と処理内容を示すフローチャートである。
【図５】図３に示した学習フェーズ中の非平常発生確率算出処理を説明するための図である。
【図６】図３に示した学習フェーズ中のＨＭＭモデルの学習処理を説明するための図である。
【図７】図３に示した学習フェーズ中のＨＭＭモデルの学習処理を説明するための図である。
【図８】図３に示した学習フェーズ中のＨＭＭモデルの学習処理を、脈拍数を例にとって説明した図である。
【図９】図３に示した学習フェーズ中のしきい値決定処理の第１の実施例を説明するための図である。
【図１０】図４に示した判定フェーズ中の、数値的特徴に対する処理による各時点における非平常発生確率算出処理を説明するための図である。
【図１１】図４に示した判定フェーズ中の、各状態時系列の発生確率算出処理を説明するための図である。
【図１２】図４に示した判定フェーズ中の、平常／非平常判定処理を説明するための図である。
【発明を実施するための形態】
【００１３】
以下、図面を参照してこの発明に係わる実施形態を説明する。
この発明の一実施形態における平常／非平常判定システムは、複数のユーザの各々についてその脈拍、体温或いは血圧等のバイタルデータをもとにユーザの状態が平常か非平常かを判定するもので、以下のように構成される。図１はこの平常／非平常判定システムの概略構成図である。
【００１４】
すなわち、監視対象となる複数のユーザの各々にはセンサ１１〜１ｎが取着されている。これらのセンサ１１〜１ｎはそれぞれユーザの脈拍、体温或いは血圧等を計測し、その計測データ（センサデータ）を例えば携帯電話網、無線ＬＡＮ（Local Area Network）又はＢＴ（Blue Tooth）（登録商標）等の無線通信手段を介してデータベースサーバ２へ送信する。データベースサーバ２は、例えば定期的或いは任意のタイミングで上記センサ１１〜１ｎからセンサデータを受信して蓄積する。状態判定装置３はこの判定システムの中核をなすもので、上記データベースサーバ２から例えばインターネット等の通信手段を利用して各ユーザのセンサデータを受信し、このセンサデータに対し後述する判定処理を行ってユーザの状態が平常か非平常かを判定する。そして、その判定結果を表す通知情報を、ユーザ本人が所持又は所有する携帯端末又は固定端末４１〜４ｍへ携帯電話網又はインターネットを含む固定通信網を介して送信する。
【００１５】
ところで、状態判定装置３は次のように構成される。図２はその機能構成を示すブロック図である。すなわち、状態判定装置３は例えばパーソナル・コンピュータからなり、入力部３１と、記憶部３２と、処理部３３と、出力部３４を備えている。
【００１６】
入力部３１は、ハードウエアとして、キーボードやマウスを有する入力デバイスと、データベースサーバ２との間で通信を行う通信インタフェースを備える。また、ソフトウエアとして、アノテーション入力部３１１と、センサデータ入力部３１２を備えている。
【００１７】
アノテーション入力部３１１は、上記通信インタフェースを用いて前記データベースサーバ２に対しアクセスすることにより、当該データベースサーバ２からアノテーション情報を受信し、この受信したアノテーション情報を記憶部３２へ出力する処理を行う。アノテーション情報は、ユーザが携帯端末４１又は固定端末４２を用いて自ら入力した自身の状態（平常か非平常か）を表す情報とその時刻を表す情報とからなり、この入力情報は携帯端末４１又は固定端末４２から携帯電話網又はインターネットを含む固定通信網を介してデータベースサーバ２に送られ記憶される。なお、アノテーション情報は、ユーザが状態判定装置２の入力デバイスを用いて入力することも可能である。
【００１８】
センサデータ入力部３１２は、任意の計測タイミング又は予め決められた計測タイミングで上記通信インタフェースを用いて前記データサーバ２に対しアクセスすることにより、当該データサーバ２から判定対象のユーザのセンサデータを取得し、この取得したセンサデータをその計測タイミングを表す情報と共に記憶部３２へ出力する処理を行う。
【００１９】
記憶部３２は、ハードウエアとして例えばハードディスクドライブ又は半導体メモリを備えたもので、これらの記憶媒体により構成される記録領域上に、アノテーション記憶部３２１と、センサデータ記憶部３２２と、非平常発生確率記憶部３２３と、ＨＭＭ（Hidden Markov Model）モデル記憶部３２４と、重み係数・しきい値記憶部３２５を設けている。
【００２０】
アノテーション記憶部３２１は、上記アノテーション入力部３１１から出力されたアノテーション情報を記憶するために使用される。センサデータ記憶部３２２は、上記センサデータ入力部３１２から出力されたセンサデータとその計測タイミングを表す情報を互いに対応付けて記憶するために使用される。
【００２１】
非平常発生確率記憶部３２３は、後述する処理部３３により計算される、センサデータの度数分布の各定義域における非平常発生確率を保存するために使用される。ＨＭＭモデル記憶部３２４は、後述する処理部３３により計算される、ＨＭＭモデルの計算結果を表す情報を保存するために使用される。重み係数・しきい値記憶部３２５には、後述する処理部３３による判定処理に用いる重み係数としきい値が格納される。
【００２２】
処理部３３は、ハードウエアとしてＣＰＵを有し、ソフトウエアとして非平常発生確率算出処理部３３１と、ＨＭＭモデル学習処理部３３２と、重み係数・しきい値設定処理部３３３と、平常／非平常判定処理部３３４を備えている。
【００２３】
非平常発生確率算出処理部３３１は、以下の各処理を上記ＣＰＵに実行させる。
(1) 上記センサデータ記憶部３２２に記憶されたセンサデータと、上記アノテーション記憶部３２１に記憶されたアノテーション情報をもとに、当該センサデータの度数分布を表す情報を生成し、この生成されたセンサデータの度数分布を複数の区間に分けてこれらの区間ごとに非平常発生確率を算出する処理。
(2) 上記(1) により算出された、センサデータの度数分布の区間ごとの非平常発生確率をもとに、数値的特徴に対する処理による非平常発生確率を算出する処理。具体的には、上記センサデータ記憶部３２２に記憶されたセンサデータを上記分割された区間ごとに量子化し、この量子化されたセンサデータの該当する区間と同じ区間における第１の非平常発生確率を数値的特徴に対する処理による第２の非平常発生確率とする。
(3) 後述するＨＭＭモデル学習処理部３３２により学習されたＨＭＭモデルをもとに、時系列的特徴に対する処理による上記各計測タイミングでの非平常発生確率を算出する処理。具体的には、先ず上記センサデータ記憶部３２２に記憶されたセンサデータの中から特定の時間窓に対応する時系列データを抽出して、この抽出された時系列データに対し後述するＨＭＭモデルを用いて想定し得るすべての状態系列の発生確率を算出する。次に、この算出された状態系列の発生確率の総和を算出すると共に、上記算出された状態系列の発生確率のうち平常／非平常の判定対象としている時間区間において非平常の状態をとっているものの発生確率の総和を算出し、これらの算出された発生確率の総和の比により非平常発生確率を求めて、この求められた非平常発生確率を時系列的特徴に対する処理による各計測時点での第３の非平常発生確率とする。
【００２４】
ＨＭＭモデル学習処理部３３２は、上記センサデータ記憶部３２２に記憶されたセンサデータと、上記アノテーション記憶部３２１に記憶されたアノテーション情報をもとに、平常／非平常を二つの隠れ状態としたＨＭＭモデルを学習するための処理を、上記ＣＰＵに実行させる。
【００２５】
重み係数・しきい値設定処理部３３３は、平常／非平常の判定に必要な重み係数及びしきい値を設定する処理をＣＰＵに実行させる。この重み係数及びしきい値を設定する処理手法には以下の３種類がある。
(1) 第１の設定処理手法は、システム設計者又はユーザ自身が、入力部３１の入力デバイスを操作して手動により重み係数及びしきい値を入力した場合に、この手動入力された重み係数及びしきい値を上記記憶部へ３２の重み係数・しきい値記憶部３２５に記憶させるものである。
(2) 第２の設定処理手法は、重み係数については手動設定し、しきい値については計算により自動設定するものである。
重み係数の設定処理は、上記入力部３１の入力デバイスの手動入力操作により入力された値を、上記記憶部へ３２の重み係数・しきい値記憶部３２５に記憶させることによりなされる。しきい値の自動設定処理は、学習用に収集した各センサデータに対し、数値的特徴に対する処理による非平常発生確率と時系列的特徴に対する処理による各計測タイミングにおける非平常発生確率を重み付け平均し、Ｆ値を最大にする割合をしきい値として設定することによりなされる。
(3) 第３の設定処理手法は、重み係数及びしきい値の両方を自動設定するものである。この重み係数及びしきい値の自動設定処理は、パーセプトロンによる学習を利用することによりなされる。
【００２６】
平常／非平常判定処理部３３４は、以下の処理をＣＰＵに実行させる。
(1) 上記重み係数・しきい値記憶部３２５に記憶された重み係数を用いて、上記非平常発生確率算出処理部３３１により算出された数値的特徴に対する処理による非平常発生確率と、上記時系列的特徴に対する処理による各計測タイミングでの非平常発生確率との加重平均値を算出する処理。
(2) 上記(1) により算出された非平常発生確率の加重平均値を、上記重み係数・しきい値記憶部３２５に記憶されたしきい値と比較することにより、上記計測タイミングごとにユーザの状態が平常か非平常かを判定する処理。
【００２７】
出力部３４は、ハードウエアとしては表示デバイスと、通信インタフェースを備える。また、ソフトウエアとしては判定結果通知部３４１を備える。この判定結果通知部３４１は、上記処理部３３の平常／非平常判定処理部３３４により得られたユーザの状態の判定結果を表す情報を、上記通信インタフェースから携帯電話網又はインターネットを含む固定通信網を介して携帯端末又は固定端末４１〜４ｍへ送信する処理を行う。
【００２８】
次に、以上のように構成された状態判定装置の動作を説明する。
（１）平常／非平常判定処理のための学習フェーズ
この学習フェーズは、平常／非平常判定処理に先立ち判定に必要な重み係数及びしきい値を設定するもので、以下のように行われる。図３はその処理手順と処理内容を示すフローチャートである。
【００２９】
すなわち、先ずユーザのバイタルデータが任意のタイミング又は予め決められたタイミングでセンサ１１〜１ｎにより計測され、この計測されたセンサデータはデータベースサーバ２に送信されて蓄積される。また、ユーザは上記バイタルデータの計測タイミングにおける自身の状態、つまり平常か非平常かを表す情報を、自身の携帯端末４１又は固定端末４２を用いて主観により入力する。そうすると、この入力された自身の状態を表す情報は、上記計測タイミングを表す情報と共に、アノテーション情報として携帯端末４１又は固定端末４２から携帯電話網又は固定通信網を介してデータベースサーバ２に送られ、記憶される。
【００３０】
さて、この状態で状態判定装置３において学習フェーズが起動すると、先ずステップＳ３１において、入力部３１のセンサデータ入力部３１２及びアノテーション入力部３１の制御の下で、データベースサーバ２から上記センサデータ及びアノテーション情報が取得され、それぞれ記憶部３２内のセンサデータ記憶部３２２及びアノテーション記憶部３２１に保存される。
【００３１】
次にステップＳ３２において非平常発生確率算出処理部３３２が起動し、その制御の下でセンサデータの度数分布の各区間における非平常発生確率の算出が行われる。この非平常発生確率の算出処理は以下のように行われる。
すなわち、先ず上記記憶部３２のセンサデータ記憶部３２２からセンサデータを読み出し、この読み出したセンサデータの度数分布を算出する。そして、この生成されたセンサデータの度数分布を複数の区間に分割する。続いて、記憶部３２のアノテーション記憶部３２１から、上記センサデータと計測タイミングが対応するアノテーション情報を読み出し、この読み出したユーザのアノテーション情報をもとに、上記分割された各区間における平常、非平常の割合から、当該各区間における非平常発生確率を算出する。
【００３２】
図５は、脈拍数を例にとった場合のセンサデータの度数分布の各区間における非平常発生確率の算出処理の概要を示すもので、区間ごとに非平常発生確率ｐ1i（i=1,2,…,n）が算出される。同図では、区間１及び区間２における非平常発生確率ｐ11，ｐ12を例示している。なお、i は度数分布における区間の番号、ｂi は区間i における全センサデータの頻度、ａi は区間i における非平常の頻度をそれぞれ示している。
以上のように算出された、センサデータの度数分布の区間ごとの非平常発生確率の値は、ステップＳ３４により記憶部３２の非平常発生確率記憶部３２３に保存される。
【００３３】
次に、ステップＳ３３においてＨＭＭモデル学習処理部３３２が起動し、その制御の下でＨＭＭモデルの学習処理が以下のように行われる。すなわち、先ず平常、非平常の二状態からなるモデルが定義される。図６はこのときのＨＭＭモデルを示す状態遷移図であり、Ａ11(i) 〜Ａ22(i) は区間ｉにおけるセンサデータを出力しながら状態Ｓ1 とＳ2 との間で遷移する確率である。図７は上記各状態Ｓ1 とＳ2 におけるセンサデータの値の一例を示す。
【００３４】
続いて、上記ステップＳ３２において算出されたセンサデータの度数分布と、記憶部３２のアノテーション記憶部３２１に保存されたユーザのアノテーション情報をもとに、ＨＭＭモデルの遷移確率が算出される。図８は、脈拍数を例にとったときのＨＭＭモデルの学習処理の概要を示すものである。同図において、ｃ11(i) は平常から平常へ状態遷移する際に区間ｉに収まる値が出現する頻度、ｃ12(i) は平常から非平常へ状態遷移する際に区間ｉに収まる値が出現する頻度、ｃ22(i) は非平常から非平常へ状態遷移する際に区間ｉに収まる値が出現する頻度、ｃ21(i) は非平常から平常へ状態遷移する際に区間ｉに収まる値が出現する頻度である。そして、これらの頻度ｃ11(i) ，ｃ12(i) ，ｃ22(i) ，ｃ21(i) をもとに、状態遷移の確率Ａ11(i) ，Ａ12(i) ，Ａ22(i) ，Ａ21(i) が以下のように算出される。
【数１】
そして、上記状態遷移の確率Ａ11(i) ，Ａ12(i) ，Ａ22(i) ，Ａ21(i) の算出結果は、ＨＭＭモデルの学習結果として、ステップＳ３４により記憶部３２のＨＭＭモデル記憶部３２４に保存される。
【００３５】
次に、ステップＳ３５において重み係数・しきい値設定処理部３３３が起動され、その制御の下で重み係数及びしきい値を設定するための処理が行われる。なお、重み係数及びしきい値の設定方法には、先に述べたようにシステム管理者又はユーザが重み係数及びしきい値の両方を手動設定する第１の設定処理方法と、重み係数のみを手動設定してしきい値は計算により自動設定する第２の設定処理方法と、重み係数及びしきい値の両方を自動設定する第３の設定処理方法があるが、ここでは第２の設定処理方法と第３の設定処理方法について説明する。
【００３６】
（第２の設定処理方法）
重み係数・しきい値設定処理部３３３は、先ず入力部３１の入力デバイスにおいてユーザが重み係数ｗ1 ，ｗ2 を入力すると、この入力された重み係数ｗ1 ，ｗ2 を記憶部２内の重み係数・しきい値記憶部３２５に格納する。
【００３７】
次に重み係数・しきい値設定処理部３３３は、しきい値の自動設定処理を行う。この自動設定処理は、学習用にデータベースサーバ２から取得した各センサデータに対し、数値的特徴に対する処理による非平常発生確率を算出すると共に、時系列的特徴に対する処理による各計測タイミングでの非平常発生確率を算出する。そして、上記算出された数値的特徴に対する処理による非平常発生確率に、上記算出された時系列的特徴に対する処理による非平常発生確率を加重平均し、Ｆ値を最大にする割合をしきい値として設定することによりなされる。
【００３８】
図９は上記しきい値の自動設定処理の一例を示すものである。同図では、学習用のセンサデータに対して、例えば０．５〜１．０間（刻み幅は１．０又は０．０５等に設定される）で、数値的特徴に対する処理による非平常発生確率と、時系列的特徴に対する処理による非平常発生確率をそれぞれ算出している。そして、この各計測タイミングにおいて算出された各非平常発生確率ｘをしきい値としたときに、最大のＦ値（Ｆmax ）を与える非平常発生確率ｚを、しきい値Ｔｈとして設定する。すなわち、
【数２】
とする。
【００３９】
上記Ｆ(x) は（しきい値ｘでの適合率＋しきい値ｘでの再現率）に対する、（２×しきい値ｘでの適合率×しきい値ｘでの再現率）の割合として定義される。ただし、適合率は、学習フェーズで判定した非平常の総数に対する、正解と一致する非平常の検知数の割合として求められる。また再現率は、非平常の正解総数に対する、正解と一致する非平常の検知数の割合として求められる。
上記のように設定されたしきい値Ｔｈは、ステップＳ３６により記憶部２内の重み係数・しきい値記憶部３２５に格納される。
【００４０】
（第３の設定処理方法）
この設定処理方法には、パーセプトロンによる学習が用いられる。その学習式は次のように表される。
Ｗi,t+1＝Ｗi,t ＋ΔＷi ＝Ｗi,t ＋η（Ｔ(t) −ｙ(t) ）Ｐi (t)
ただし、各変数は以下のように表される。
【数３】
上記学習式を用いることで、重み係数ｗ1 ，ｗ2 及びしきい値Ｔｈを設定することができ、この設定された重み係数ｗ1 ，ｗ2 及びしきい値ＴｈはステップＳ３６により記憶部２内の重み係数・しきい値記憶部３２５に格納される。
【００４１】
（２）平常／非平常判定処理のための判定フェーズ
上記学習フェーズが終了すると、状態判定装置３では平常／非平常判定処理のための判定フェーズが次のように行われる。図４はその処理手順と処理内容を示すフローチャートである。
【００４２】
すなわち、先ずステップＳ４１においてセンサデータ入力部３１２が起動し、その制御の下で、データベースサーバ２から最新のセンサデータが取得されて記憶部３２内のセンサデータ記憶部３２２に保存される。なお、上記センサデータの取得は、データベースサーバ２を経由して状態判定装置３に取り込むようにしているが、データベースサーバ２を経由せずにセンサ１１〜１ｎから直接センサデータを状態判定装置３に取り込むようにすることも可能である。
【００４３】
次に、ステップＳ４２において非平常発生確率算出処理部３３１が起動し、その制御の下で、上記最新のセンサデータがセンサデータ記憶部３２２から読み出される。そして、この読み出された最新のセンサデータの該当するデータ区間が算出される。該当するデータ区間の算出処理は、センサデータ記憶部３２２から読み出したセンサデータが、予め定められた度数分布の各データの区間の中でどの区間に納まるのかを調べるものである。
この該当するデータ区間の算出が終了すると、続いてステップＳ４３により、当該算出されたセンサデータ区間における非平常発生確率が記憶部３２のセンサデータ記録部３２２から選択的に読み出される。この読み出された非平常発生確率が、数値的特徴に対する処理による非平常発生確率となる。
【００４４】
図１０は、脈拍数を例にとった場合の、上記該当するデータの区間の算出処理と数値的特徴に対する処理による非平常発生確率の算出処理の概要を示すものである。同図に示すように、先ず時刻ｔにおけるセンサデータが度数分布の各区間に分類される。続いて、該当する定義域における非平常発生確率Ｐ1 (k)が
Ｐ1 (k)＝Ｐ1I
として求められる。ただし、Ｉは時刻ｔのセンサデータが分類された区間を示すもので、この例では区間「４」である。
【００４５】
次に、ステップＳ４４において、各状態時系列の発生確率の算出処理が以下のように行われる。
すなわち、先ず予め設定した特定の窓長を用いてセンサデータを区切る。窓長は５〜７程度の窓長を想定している。この処理も、先に述べた各センサデータの該当するデータの区間の算出処理と同様に、各時点におけるセンサデータを度数分布の各区間に分類し、センサデータ記憶部３２２から読み出したセンサデータの時系列が納まる、各データ区間の時系列を得ることによりなされる。図１１は、脈拍数を例にとった場合のセンサデータの分類処理の一例を示したものである。
【００４６】
続いて、特定窓長と同じ長さの状態系列を全時系列に対し用意し、上記ステップＳ３３において学習したＨＭＭモデルをＨＭＭモデル記憶部３２４から読み出して、各状態系列の発生確率を求める。例えば、状態系列がｍ通りの場合、入力データ時系列の各点が収まる定義域の時系列と、状態系列発生確率は以下のように表される。
【数４】
【００４７】
次に、ステップＳ４５において、時系列的特徴に対する処理による各計測タイミングでの非平常発生確率の算出処理が、以下のように行われる。
すなわち、上述のように求められた各状態系列の発生確率から、先ず１時点ごとの非平常発生確率を算出する。ある１時点に注目し、各状態系列の中から、注目する１時点において非平常の状態をとっている系列の発生確率の総和を分子とし、全ての系列の発生確率の総和を分母として、これを時系列的特徴に対する処理による各時点での非平常発生確率とする。
【００４８】
例えば、時系列的特徴に対する処理による時刻ｋにおける非平常の発生確率をＰ2 (k) とすると、この非平常発生確率Ｐ2 (k) は
【数５】
により算出される。
【００４９】
この結果、例えば状態系列がｍ通りの場合、入力データ時系列の各点が収まる定義域の時系列と、状態系列発生確率は以下のように表される。
【数６】
【００５０】
次に、ステップＳ４６において平常／非平常判定処理部３３４が起動し、その制御の下で以下のように平常／非平常の判定処理が行われる。
すなわち、先ず前記学習フェーズにより設定した重み係数が、記憶部３２内の重み係数・しきい値記憶部３２５から読み出される。そして、先にステップＳ４３において算出された数値的特徴に対する処理による非平常発生確率と、上記ステップＳ４５により算出された時系列的特徴に対する処理による各時点での非平常発生確率を、上記読み出された重み係数を用いて加重平均する処理が行われる。
【００５１】
例えば、数値的特徴に対する処理による非平常発生確率をＰ1(k) とすると共に、時系列的特徴に対する処理による非平常発生確率をＰ2(k) とし、これらの非平常発生確率Ｐ1(k) ，Ｐ2(k) に対する重み係数をそれぞれｗ1 ，ｗ2 とすると、時刻ｔ＝ｋにおける非平常発生確率をＰ(k) は次式により算出される。
【数７】
【００５２】
続いて、記憶部３２の重み係数・しきい値記憶部３２５からしきい値Ｔｈが読み出され、この読み出されたしきい値Ｔｈを用いて、上記算出された時刻ｔ＝ｋにおける非平常発生確率Ｐ(k) がしきい値Ｔｈ以上であるか否かが判定される。この判定処理を次式に示す。
【数８】
【００５３】
すなわち、時刻ｔ＝ｋにおける非平常発生確率Ｐ(k) がしきい値Ｔｈ以上であればこのときのユーザの状態は状態Ｓ２と判定され、一方しきい値Ｔｈ未満であればこのときのユーザの状態は状態Ｓ１と判定される。図１２は上記平常／非平常判定処理の動作を示すものである。同図に示すように、この実施形態の判定方法によれば、数値的特徴に対する処理による非平常発生確率Ｐ1(k) のみで判定せず、窓により切り出された時系列的特徴に対する処理による非平常発生確率Ｐ2(k) を考慮して判定が行われるので、ユーザの平常／非平常の判定精度が高められる。
【００５４】
最後に、ステップＳ４７において、上記判定結果に基づいてユーザの平常／非平常を表すラベルが生成される。そして、この生成されたユーザの平常／非平常を表すラベルは、出力部３４の判定結果通知部３４１により該当するユーザ端末（例えば携帯端末４１）に向け通信インタフェースから送信される。
【００５５】
以上述べたようにこの実施形態では、以下のような処理が行われる。すなわち、先ず学習フェーズにおいて、センサデータの度数分布の区間ごとの非平常発生確率を算出すると共に、過去の複数の計測タイミングにおけるセンサデータとユーザ自身が設定した上記各計測タイミングにおけるアノテーション情報をもとにＨＭＭモデルの学習を行い、上記算出された非平常発生確率と上記ＨＭＭモデルの学習結果をもとに重み係数及びしきい値を設定する。次に、判定フェーズにおいて、最新の計測タイミングにおけるセンサデータをもとに数値的特徴に対する処理による非平常発生確率を算出すると共に、時系列的特徴に対する処理による各計測タイミングにおける非平常発生確率を算出し、これらの非平常発生確率を上記学習フェーズで設定された重み係数を用いて加重平均し、その結果を上記設定されたしきい値と比較することにより平常か非平常かを判定するようにしている。
したがって、平常と非平常のデータ区間に重なりがあっても平常／非平常の判定を正確に行えるようになり、数値的特徴に対する処理による非平常発生確率のみをもとに平常か非平常かを判定する場合に比べ、高精度の判定を行うことが可能となる。
【００５６】
なお、この発明は上記実施形態に限定されるものではない。例えば、前記実施形態では、状態判定装置３がデータベースサーバ２からセンサデータ及びアノテーション情報を取得して記憶部３２に保存すると、以後この保存されたセンサデータ及びアノテーション情報をもとに学習及び判定のための一連の処理を実行し、その過程で得られた非平常発生確率やＨＭＭモデル、重み係数、しきい値を記憶部３２内の各記憶部３２３〜３２５に保存するようにした。すなわち、平常／非平常判定のための学習フェーズ及び判定フェーズの一連の処理を状態判定装置３内ですべて実行する場合を例示した。しかし、平常／非平常判定のための学習フェーズ及び判定フェーズの一連の処理を、センサ１１〜１ｎ、データベースサーバ２、状態処理装置３及びユーザ端末４１〜４ｍにより分散して実行するように構成してもよい。
【００５７】
また、前記実施形態では脈拍のセンサデータをもとにユーザの平常／非平常を判定する場合を例にとって説明したが、他に体温や血圧等のその他のバイタルデータをもとにユーザの平常／非平常を判定するようにしてもよい。また、人に限らず環境の平常／非平常を判定するようにしてもよい。
【００５８】
その他、平常／非平常判定処理装置の構成、平常／非平常の判定対象となるセンサデータの種類、学習フェーズ及び判定フェーズの処理手順と処理内容、しきい値の設定方法、確率モデルの種類（ＨＭＭモデル以外でもよい）等についても、この発明の要旨を逸脱しない範囲で種々変形して実施可能である。
【００５９】
要するにこの発明は、上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合せにより種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態に亘る構成要素を適宜組み合せてもよい。
【符号の説明】
【００６０】
１１〜１ｎ…センサ、２…データベースサーバ、３…状態判定装置、４１〜４ｍ…ユーザ端末、３１…入力部、３２…記憶部、３３…処理部、３４…出力部、３１１…アノテーション入力部、３１２…センサデータ入力部、３２１…アノテーション記憶部、３２２…センサデータ記憶部、３２３…非平常発生確率記憶部、３２５…重み係数・しきい値記憶部、３３１…非平常発生確率算出処理部、３３２…ＨＭＭモデル学習処理部、３３３…重み係数・しきい値設定処理部、３３４…平常／非平常判定処理部、３４１…判定結果通知部。
【技術分野】
【０００１】
この発明は、ユーザの状態や環境の状態をセンシングしてその状態が平常であるか又は非平常であるかを判定するための装置、方法及びプログラムに関する。
【背景技術】
【０００２】
近年、ユーザが身に付けたセンサにより得られるセンサデータをもとに当該ユーザの日常的な平常／非平常を判定し、その判定結果をもとにユーザの健康管理を行う方法が提案されている。例えば、ユーザが日常の生活をおくる中で、ユーザが身に付けているセンサにより得られた過去のセンサデータ値をもとにしきい値を決定し、最新のセンサデータについて上記しきい値をもとに平常／非平常を判定する。上記しきい値は、一定の時間間隔で得られた過去のセンサデータ値と、当該センサデータ値が得られた時点でのユーザの主観的判断による平常／非平常のアノテーションから、平常及び非平常時データの統計分布が最もよく乖離する位置に設定される。
【０００３】
そして、平常／非平常の判定結果が正常の場合には、一定の周期（例えば毎月）でその健康状態を表すデータをユーザの端末と契約医師や病院の端末へ送信する。これに対し、判定結果が異常の場合には、当該データを直ちにユーザの端末と契約医師や病院の端末へ送信すると共に、健康状態を監視する装置とユーザの携帯端末に表示する。このシステムを利用すると、病院等で受診しなくてもユーザの日常的な平常／非平常を検知することが可能となる（例えば、特許文献１を参照。）。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特開２００３−１５０７１８号公報
【発明の概要】
【発明が解決しようとする課題】
【０００５】
ところが、前記従来の判定方法では、各時点におけるセンサデータの単発的な値をしきい値と比較することにより平常／非平常の判定が行われる。このため、平常と非平常のデータ区間に重なりがあると、平常／非平常の誤判定が増加して誤報が増えるという問題点があった。
この発明は上記事情に着目してなされたもので、その目的とするところは、平常と非平常のデータ区間に重なりがあっても平常／非平常の判定を正確に行えるようにし、これにより誤報の発生を減らした状態判定装置、状態判定方法及びプログラムを提供することにある。
【課題を解決するための手段】
【０００６】
上記目的を達成するためにこの発明の第１の観点は、以下のような構成要素を備えている。すなわち、監視対象の状態を計測するセンサから当該計測結果を表すセンサデータを受信して記憶すると共に、複数の計測時点における前記監視対象物の状態を表すアノテーション情報を受信して記憶する。そして、上記記憶されたセンサデータをもとにその度数分布を表す情報を生成してこの度数分布を複数の区間に分け、これらの区間ごとに上記アノテーション情報をもとに第１の非平常発生確率を算出して、この算出された第１の非平常発生確率をもとに数値的特徴に対する処理による第２の非平常発生確率を算出する。また、上記センサデータ及びアノテーション情報をもとに平常／非平常を二つの隠れ状態とした確率モデルを学習し、この学習された確率モデルをもとに時系列的特徴に対する処理による前記各計測時点での第３の非平常発生確率を算出する。そして、予め設定した重み係数を用いて、前記算出された第２の非平常発生確率と前記各計測時点での第３の非平常発生確率との加重平均値を算出し、この算出された加重平均値を予め設定されたしきい値と比較することにより、前記計測時点ごとに前記監視対象の状態が平常か非平常かを判定する。
【０００７】
したがって、平常と非平常のデータ区間に重なりがあっても平常／非平常の判定を正確に行えるようになり、その結果数値的特徴に対する処理による非平常発生確率のみをもとに平常か非平常かを判定する場合に比べ、高精度の平常／非平常判定を行うことが可能となる。
【０００８】
また、この発明の一観点は以下のような態様を備えることを特徴とする。
第１の態様は、第２の非平常発生確率を算出する際に、記憶されたセンサデータを前記分けられた区間ごとに量子化し、この量子化されたセンサデータの該当する区間と同じ区間における第１の非平常発生確率を数値的特徴に対する処理による第２の非平常発生確率として出力するものである。
このようにすると、特別な演算処理を必要とすることなく第２の非平常発生確率を求めることができる。
【０００９】
第２の態様は、確率モデルを学習する際に、前記複数の区間に分けられたセンサデータを、前記区間ごとに前記監視対象の状態が平常から平常、平常から非平常、非平常から非平常、非平常から平常へ遷移する時に生成される４種類のセンサデータに分類し、この４種類に分類されたセンサデータを用いて前記各区間における確率モデルの各遷移確率を求めるものである。
このようにすると４種類のセンサデータを取り扱えばよいので、比較的簡単な処理により確率モデルの学習を行うことができる。
【００１０】
第３の態様は、第３の非平常発生確率を算出する際に、先ず記憶されたセンサデータの中から特定の時間窓に対応する時系列データを抽出して、この抽出された時系列データに対し前記学習された確率モデルを用いて想定し得るすべての状態系列の発生確率を算出する。次に、この算出された状態系列の発生確率の総和を算出すると共に、前記算出された状態系列の発生確率のうち平常／非平常の判定対象としている時間区間において非平常の状態をとっているものの発生確率の総和を算出し、これらの算出された発生確率の総和の比により非平常発生確率を求めて、この求められた非平常発生確率を時系列的特徴に対する処理による前記各計測時点での第３の非平常発生確率として出力するものである。
このようにすると、時間窓を適宜設定することで、時系列的特徴に対する処理による非平常発生確率を、処理負荷を抑えつつ精度良く算出することが可能となる。
【発明の効果】
【００１１】
すなわちこの発明によれば、平常と非平常のデータ区間に重なりがあっても平常／非平常の判定を正確に行えるようにし、これにより誤報の発生を減らした状態推定装置、方法及びプログラムを提供することができる。
【図面の簡単な説明】
【００１２】
【図１】この発明の一実施形態における状態判定装置を中核として備える判定システムの概略構成図である。
【図２】この発明の一実施形態における状態推定装置の機能構成を示すブロック図である。
【図３】図２に示した状態推定装置において実行される平常／非平常判定処理の学習フェーズの処理手順と処理内容を示すフローチャートである。
【図４】図２に示した状態推定装置において実行される平常／非平常判定処理の判定フェーズの処理手順と処理内容を示すフローチャートである。
【図５】図３に示した学習フェーズ中の非平常発生確率算出処理を説明するための図である。
【図６】図３に示した学習フェーズ中のＨＭＭモデルの学習処理を説明するための図である。
【図７】図３に示した学習フェーズ中のＨＭＭモデルの学習処理を説明するための図である。
【図８】図３に示した学習フェーズ中のＨＭＭモデルの学習処理を、脈拍数を例にとって説明した図である。
【図９】図３に示した学習フェーズ中のしきい値決定処理の第１の実施例を説明するための図である。
【図１０】図４に示した判定フェーズ中の、数値的特徴に対する処理による各時点における非平常発生確率算出処理を説明するための図である。
【図１１】図４に示した判定フェーズ中の、各状態時系列の発生確率算出処理を説明するための図である。
【図１２】図４に示した判定フェーズ中の、平常／非平常判定処理を説明するための図である。
【発明を実施するための形態】
【００１３】
以下、図面を参照してこの発明に係わる実施形態を説明する。
この発明の一実施形態における平常／非平常判定システムは、複数のユーザの各々についてその脈拍、体温或いは血圧等のバイタルデータをもとにユーザの状態が平常か非平常かを判定するもので、以下のように構成される。図１はこの平常／非平常判定システムの概略構成図である。
【００１４】
すなわち、監視対象となる複数のユーザの各々にはセンサ１１〜１ｎが取着されている。これらのセンサ１１〜１ｎはそれぞれユーザの脈拍、体温或いは血圧等を計測し、その計測データ（センサデータ）を例えば携帯電話網、無線ＬＡＮ（Local Area Network）又はＢＴ（Blue Tooth）（登録商標）等の無線通信手段を介してデータベースサーバ２へ送信する。データベースサーバ２は、例えば定期的或いは任意のタイミングで上記センサ１１〜１ｎからセンサデータを受信して蓄積する。状態判定装置３はこの判定システムの中核をなすもので、上記データベースサーバ２から例えばインターネット等の通信手段を利用して各ユーザのセンサデータを受信し、このセンサデータに対し後述する判定処理を行ってユーザの状態が平常か非平常かを判定する。そして、その判定結果を表す通知情報を、ユーザ本人が所持又は所有する携帯端末又は固定端末４１〜４ｍへ携帯電話網又はインターネットを含む固定通信網を介して送信する。
【００１５】
ところで、状態判定装置３は次のように構成される。図２はその機能構成を示すブロック図である。すなわち、状態判定装置３は例えばパーソナル・コンピュータからなり、入力部３１と、記憶部３２と、処理部３３と、出力部３４を備えている。
【００１６】
入力部３１は、ハードウエアとして、キーボードやマウスを有する入力デバイスと、データベースサーバ２との間で通信を行う通信インタフェースを備える。また、ソフトウエアとして、アノテーション入力部３１１と、センサデータ入力部３１２を備えている。
【００１７】
アノテーション入力部３１１は、上記通信インタフェースを用いて前記データベースサーバ２に対しアクセスすることにより、当該データベースサーバ２からアノテーション情報を受信し、この受信したアノテーション情報を記憶部３２へ出力する処理を行う。アノテーション情報は、ユーザが携帯端末４１又は固定端末４２を用いて自ら入力した自身の状態（平常か非平常か）を表す情報とその時刻を表す情報とからなり、この入力情報は携帯端末４１又は固定端末４２から携帯電話網又はインターネットを含む固定通信網を介してデータベースサーバ２に送られ記憶される。なお、アノテーション情報は、ユーザが状態判定装置２の入力デバイスを用いて入力することも可能である。
【００１８】
センサデータ入力部３１２は、任意の計測タイミング又は予め決められた計測タイミングで上記通信インタフェースを用いて前記データサーバ２に対しアクセスすることにより、当該データサーバ２から判定対象のユーザのセンサデータを取得し、この取得したセンサデータをその計測タイミングを表す情報と共に記憶部３２へ出力する処理を行う。
【００１９】
記憶部３２は、ハードウエアとして例えばハードディスクドライブ又は半導体メモリを備えたもので、これらの記憶媒体により構成される記録領域上に、アノテーション記憶部３２１と、センサデータ記憶部３２２と、非平常発生確率記憶部３２３と、ＨＭＭ（Hidden Markov Model）モデル記憶部３２４と、重み係数・しきい値記憶部３２５を設けている。
【００２０】
アノテーション記憶部３２１は、上記アノテーション入力部３１１から出力されたアノテーション情報を記憶するために使用される。センサデータ記憶部３２２は、上記センサデータ入力部３１２から出力されたセンサデータとその計測タイミングを表す情報を互いに対応付けて記憶するために使用される。
【００２１】
非平常発生確率記憶部３２３は、後述する処理部３３により計算される、センサデータの度数分布の各定義域における非平常発生確率を保存するために使用される。ＨＭＭモデル記憶部３２４は、後述する処理部３３により計算される、ＨＭＭモデルの計算結果を表す情報を保存するために使用される。重み係数・しきい値記憶部３２５には、後述する処理部３３による判定処理に用いる重み係数としきい値が格納される。
【００２２】
処理部３３は、ハードウエアとしてＣＰＵを有し、ソフトウエアとして非平常発生確率算出処理部３３１と、ＨＭＭモデル学習処理部３３２と、重み係数・しきい値設定処理部３３３と、平常／非平常判定処理部３３４を備えている。
【００２３】
非平常発生確率算出処理部３３１は、以下の各処理を上記ＣＰＵに実行させる。
(1) 上記センサデータ記憶部３２２に記憶されたセンサデータと、上記アノテーション記憶部３２１に記憶されたアノテーション情報をもとに、当該センサデータの度数分布を表す情報を生成し、この生成されたセンサデータの度数分布を複数の区間に分けてこれらの区間ごとに非平常発生確率を算出する処理。
(2) 上記(1) により算出された、センサデータの度数分布の区間ごとの非平常発生確率をもとに、数値的特徴に対する処理による非平常発生確率を算出する処理。具体的には、上記センサデータ記憶部３２２に記憶されたセンサデータを上記分割された区間ごとに量子化し、この量子化されたセンサデータの該当する区間と同じ区間における第１の非平常発生確率を数値的特徴に対する処理による第２の非平常発生確率とする。
(3) 後述するＨＭＭモデル学習処理部３３２により学習されたＨＭＭモデルをもとに、時系列的特徴に対する処理による上記各計測タイミングでの非平常発生確率を算出する処理。具体的には、先ず上記センサデータ記憶部３２２に記憶されたセンサデータの中から特定の時間窓に対応する時系列データを抽出して、この抽出された時系列データに対し後述するＨＭＭモデルを用いて想定し得るすべての状態系列の発生確率を算出する。次に、この算出された状態系列の発生確率の総和を算出すると共に、上記算出された状態系列の発生確率のうち平常／非平常の判定対象としている時間区間において非平常の状態をとっているものの発生確率の総和を算出し、これらの算出された発生確率の総和の比により非平常発生確率を求めて、この求められた非平常発生確率を時系列的特徴に対する処理による各計測時点での第３の非平常発生確率とする。
【００２４】
ＨＭＭモデル学習処理部３３２は、上記センサデータ記憶部３２２に記憶されたセンサデータと、上記アノテーション記憶部３２１に記憶されたアノテーション情報をもとに、平常／非平常を二つの隠れ状態としたＨＭＭモデルを学習するための処理を、上記ＣＰＵに実行させる。
【００２５】
重み係数・しきい値設定処理部３３３は、平常／非平常の判定に必要な重み係数及びしきい値を設定する処理をＣＰＵに実行させる。この重み係数及びしきい値を設定する処理手法には以下の３種類がある。
(1) 第１の設定処理手法は、システム設計者又はユーザ自身が、入力部３１の入力デバイスを操作して手動により重み係数及びしきい値を入力した場合に、この手動入力された重み係数及びしきい値を上記記憶部へ３２の重み係数・しきい値記憶部３２５に記憶させるものである。
(2) 第２の設定処理手法は、重み係数については手動設定し、しきい値については計算により自動設定するものである。
重み係数の設定処理は、上記入力部３１の入力デバイスの手動入力操作により入力された値を、上記記憶部へ３２の重み係数・しきい値記憶部３２５に記憶させることによりなされる。しきい値の自動設定処理は、学習用に収集した各センサデータに対し、数値的特徴に対する処理による非平常発生確率と時系列的特徴に対する処理による各計測タイミングにおける非平常発生確率を重み付け平均し、Ｆ値を最大にする割合をしきい値として設定することによりなされる。
(3) 第３の設定処理手法は、重み係数及びしきい値の両方を自動設定するものである。この重み係数及びしきい値の自動設定処理は、パーセプトロンによる学習を利用することによりなされる。
【００２６】
平常／非平常判定処理部３３４は、以下の処理をＣＰＵに実行させる。
(1) 上記重み係数・しきい値記憶部３２５に記憶された重み係数を用いて、上記非平常発生確率算出処理部３３１により算出された数値的特徴に対する処理による非平常発生確率と、上記時系列的特徴に対する処理による各計測タイミングでの非平常発生確率との加重平均値を算出する処理。
(2) 上記(1) により算出された非平常発生確率の加重平均値を、上記重み係数・しきい値記憶部３２５に記憶されたしきい値と比較することにより、上記計測タイミングごとにユーザの状態が平常か非平常かを判定する処理。
【００２７】
出力部３４は、ハードウエアとしては表示デバイスと、通信インタフェースを備える。また、ソフトウエアとしては判定結果通知部３４１を備える。この判定結果通知部３４１は、上記処理部３３の平常／非平常判定処理部３３４により得られたユーザの状態の判定結果を表す情報を、上記通信インタフェースから携帯電話網又はインターネットを含む固定通信網を介して携帯端末又は固定端末４１〜４ｍへ送信する処理を行う。
【００２８】
次に、以上のように構成された状態判定装置の動作を説明する。
（１）平常／非平常判定処理のための学習フェーズ
この学習フェーズは、平常／非平常判定処理に先立ち判定に必要な重み係数及びしきい値を設定するもので、以下のように行われる。図３はその処理手順と処理内容を示すフローチャートである。
【００２９】
すなわち、先ずユーザのバイタルデータが任意のタイミング又は予め決められたタイミングでセンサ１１〜１ｎにより計測され、この計測されたセンサデータはデータベースサーバ２に送信されて蓄積される。また、ユーザは上記バイタルデータの計測タイミングにおける自身の状態、つまり平常か非平常かを表す情報を、自身の携帯端末４１又は固定端末４２を用いて主観により入力する。そうすると、この入力された自身の状態を表す情報は、上記計測タイミングを表す情報と共に、アノテーション情報として携帯端末４１又は固定端末４２から携帯電話網又は固定通信網を介してデータベースサーバ２に送られ、記憶される。
【００３０】
さて、この状態で状態判定装置３において学習フェーズが起動すると、先ずステップＳ３１において、入力部３１のセンサデータ入力部３１２及びアノテーション入力部３１の制御の下で、データベースサーバ２から上記センサデータ及びアノテーション情報が取得され、それぞれ記憶部３２内のセンサデータ記憶部３２２及びアノテーション記憶部３２１に保存される。
【００３１】
次にステップＳ３２において非平常発生確率算出処理部３３２が起動し、その制御の下でセンサデータの度数分布の各区間における非平常発生確率の算出が行われる。この非平常発生確率の算出処理は以下のように行われる。
すなわち、先ず上記記憶部３２のセンサデータ記憶部３２２からセンサデータを読み出し、この読み出したセンサデータの度数分布を算出する。そして、この生成されたセンサデータの度数分布を複数の区間に分割する。続いて、記憶部３２のアノテーション記憶部３２１から、上記センサデータと計測タイミングが対応するアノテーション情報を読み出し、この読み出したユーザのアノテーション情報をもとに、上記分割された各区間における平常、非平常の割合から、当該各区間における非平常発生確率を算出する。
【００３２】
図５は、脈拍数を例にとった場合のセンサデータの度数分布の各区間における非平常発生確率の算出処理の概要を示すもので、区間ごとに非平常発生確率ｐ1i（i=1,2,…,n）が算出される。同図では、区間１及び区間２における非平常発生確率ｐ11，ｐ12を例示している。なお、i は度数分布における区間の番号、ｂi は区間i における全センサデータの頻度、ａi は区間i における非平常の頻度をそれぞれ示している。
以上のように算出された、センサデータの度数分布の区間ごとの非平常発生確率の値は、ステップＳ３４により記憶部３２の非平常発生確率記憶部３２３に保存される。
【００３３】
次に、ステップＳ３３においてＨＭＭモデル学習処理部３３２が起動し、その制御の下でＨＭＭモデルの学習処理が以下のように行われる。すなわち、先ず平常、非平常の二状態からなるモデルが定義される。図６はこのときのＨＭＭモデルを示す状態遷移図であり、Ａ11(i) 〜Ａ22(i) は区間ｉにおけるセンサデータを出力しながら状態Ｓ1 とＳ2 との間で遷移する確率である。図７は上記各状態Ｓ1 とＳ2 におけるセンサデータの値の一例を示す。
【００３４】
続いて、上記ステップＳ３２において算出されたセンサデータの度数分布と、記憶部３２のアノテーション記憶部３２１に保存されたユーザのアノテーション情報をもとに、ＨＭＭモデルの遷移確率が算出される。図８は、脈拍数を例にとったときのＨＭＭモデルの学習処理の概要を示すものである。同図において、ｃ11(i) は平常から平常へ状態遷移する際に区間ｉに収まる値が出現する頻度、ｃ12(i) は平常から非平常へ状態遷移する際に区間ｉに収まる値が出現する頻度、ｃ22(i) は非平常から非平常へ状態遷移する際に区間ｉに収まる値が出現する頻度、ｃ21(i) は非平常から平常へ状態遷移する際に区間ｉに収まる値が出現する頻度である。そして、これらの頻度ｃ11(i) ，ｃ12(i) ，ｃ22(i) ，ｃ21(i) をもとに、状態遷移の確率Ａ11(i) ，Ａ12(i) ，Ａ22(i) ，Ａ21(i) が以下のように算出される。
【数１】
そして、上記状態遷移の確率Ａ11(i) ，Ａ12(i) ，Ａ22(i) ，Ａ21(i) の算出結果は、ＨＭＭモデルの学習結果として、ステップＳ３４により記憶部３２のＨＭＭモデル記憶部３２４に保存される。
【００３５】
次に、ステップＳ３５において重み係数・しきい値設定処理部３３３が起動され、その制御の下で重み係数及びしきい値を設定するための処理が行われる。なお、重み係数及びしきい値の設定方法には、先に述べたようにシステム管理者又はユーザが重み係数及びしきい値の両方を手動設定する第１の設定処理方法と、重み係数のみを手動設定してしきい値は計算により自動設定する第２の設定処理方法と、重み係数及びしきい値の両方を自動設定する第３の設定処理方法があるが、ここでは第２の設定処理方法と第３の設定処理方法について説明する。
【００３６】
（第２の設定処理方法）
重み係数・しきい値設定処理部３３３は、先ず入力部３１の入力デバイスにおいてユーザが重み係数ｗ1 ，ｗ2 を入力すると、この入力された重み係数ｗ1 ，ｗ2 を記憶部２内の重み係数・しきい値記憶部３２５に格納する。
【００３７】
次に重み係数・しきい値設定処理部３３３は、しきい値の自動設定処理を行う。この自動設定処理は、学習用にデータベースサーバ２から取得した各センサデータに対し、数値的特徴に対する処理による非平常発生確率を算出すると共に、時系列的特徴に対する処理による各計測タイミングでの非平常発生確率を算出する。そして、上記算出された数値的特徴に対する処理による非平常発生確率に、上記算出された時系列的特徴に対する処理による非平常発生確率を加重平均し、Ｆ値を最大にする割合をしきい値として設定することによりなされる。
【００３８】
図９は上記しきい値の自動設定処理の一例を示すものである。同図では、学習用のセンサデータに対して、例えば０．５〜１．０間（刻み幅は１．０又は０．０５等に設定される）で、数値的特徴に対する処理による非平常発生確率と、時系列的特徴に対する処理による非平常発生確率をそれぞれ算出している。そして、この各計測タイミングにおいて算出された各非平常発生確率ｘをしきい値としたときに、最大のＦ値（Ｆmax ）を与える非平常発生確率ｚを、しきい値Ｔｈとして設定する。すなわち、
【数２】
とする。
【００３９】
上記Ｆ(x) は（しきい値ｘでの適合率＋しきい値ｘでの再現率）に対する、（２×しきい値ｘでの適合率×しきい値ｘでの再現率）の割合として定義される。ただし、適合率は、学習フェーズで判定した非平常の総数に対する、正解と一致する非平常の検知数の割合として求められる。また再現率は、非平常の正解総数に対する、正解と一致する非平常の検知数の割合として求められる。
上記のように設定されたしきい値Ｔｈは、ステップＳ３６により記憶部２内の重み係数・しきい値記憶部３２５に格納される。
【００４０】
（第３の設定処理方法）
この設定処理方法には、パーセプトロンによる学習が用いられる。その学習式は次のように表される。
Ｗi,t+1＝Ｗi,t ＋ΔＷi ＝Ｗi,t ＋η（Ｔ(t) −ｙ(t) ）Ｐi (t)
ただし、各変数は以下のように表される。
【数３】
上記学習式を用いることで、重み係数ｗ1 ，ｗ2 及びしきい値Ｔｈを設定することができ、この設定された重み係数ｗ1 ，ｗ2 及びしきい値ＴｈはステップＳ３６により記憶部２内の重み係数・しきい値記憶部３２５に格納される。
【００４１】
（２）平常／非平常判定処理のための判定フェーズ
上記学習フェーズが終了すると、状態判定装置３では平常／非平常判定処理のための判定フェーズが次のように行われる。図４はその処理手順と処理内容を示すフローチャートである。
【００４２】
すなわち、先ずステップＳ４１においてセンサデータ入力部３１２が起動し、その制御の下で、データベースサーバ２から最新のセンサデータが取得されて記憶部３２内のセンサデータ記憶部３２２に保存される。なお、上記センサデータの取得は、データベースサーバ２を経由して状態判定装置３に取り込むようにしているが、データベースサーバ２を経由せずにセンサ１１〜１ｎから直接センサデータを状態判定装置３に取り込むようにすることも可能である。
【００４３】
次に、ステップＳ４２において非平常発生確率算出処理部３３１が起動し、その制御の下で、上記最新のセンサデータがセンサデータ記憶部３２２から読み出される。そして、この読み出された最新のセンサデータの該当するデータ区間が算出される。該当するデータ区間の算出処理は、センサデータ記憶部３２２から読み出したセンサデータが、予め定められた度数分布の各データの区間の中でどの区間に納まるのかを調べるものである。
この該当するデータ区間の算出が終了すると、続いてステップＳ４３により、当該算出されたセンサデータ区間における非平常発生確率が記憶部３２のセンサデータ記録部３２２から選択的に読み出される。この読み出された非平常発生確率が、数値的特徴に対する処理による非平常発生確率となる。
【００４４】
図１０は、脈拍数を例にとった場合の、上記該当するデータの区間の算出処理と数値的特徴に対する処理による非平常発生確率の算出処理の概要を示すものである。同図に示すように、先ず時刻ｔにおけるセンサデータが度数分布の各区間に分類される。続いて、該当する定義域における非平常発生確率Ｐ1 (k)が
Ｐ1 (k)＝Ｐ1I
として求められる。ただし、Ｉは時刻ｔのセンサデータが分類された区間を示すもので、この例では区間「４」である。
【００４５】
次に、ステップＳ４４において、各状態時系列の発生確率の算出処理が以下のように行われる。
すなわち、先ず予め設定した特定の窓長を用いてセンサデータを区切る。窓長は５〜７程度の窓長を想定している。この処理も、先に述べた各センサデータの該当するデータの区間の算出処理と同様に、各時点におけるセンサデータを度数分布の各区間に分類し、センサデータ記憶部３２２から読み出したセンサデータの時系列が納まる、各データ区間の時系列を得ることによりなされる。図１１は、脈拍数を例にとった場合のセンサデータの分類処理の一例を示したものである。
【００４６】
続いて、特定窓長と同じ長さの状態系列を全時系列に対し用意し、上記ステップＳ３３において学習したＨＭＭモデルをＨＭＭモデル記憶部３２４から読み出して、各状態系列の発生確率を求める。例えば、状態系列がｍ通りの場合、入力データ時系列の各点が収まる定義域の時系列と、状態系列発生確率は以下のように表される。
【数４】
【００４７】
次に、ステップＳ４５において、時系列的特徴に対する処理による各計測タイミングでの非平常発生確率の算出処理が、以下のように行われる。
すなわち、上述のように求められた各状態系列の発生確率から、先ず１時点ごとの非平常発生確率を算出する。ある１時点に注目し、各状態系列の中から、注目する１時点において非平常の状態をとっている系列の発生確率の総和を分子とし、全ての系列の発生確率の総和を分母として、これを時系列的特徴に対する処理による各時点での非平常発生確率とする。
【００４８】
例えば、時系列的特徴に対する処理による時刻ｋにおける非平常の発生確率をＰ2 (k) とすると、この非平常発生確率Ｐ2 (k) は
【数５】
により算出される。
【００４９】
この結果、例えば状態系列がｍ通りの場合、入力データ時系列の各点が収まる定義域の時系列と、状態系列発生確率は以下のように表される。
【数６】
【００５０】
次に、ステップＳ４６において平常／非平常判定処理部３３４が起動し、その制御の下で以下のように平常／非平常の判定処理が行われる。
すなわち、先ず前記学習フェーズにより設定した重み係数が、記憶部３２内の重み係数・しきい値記憶部３２５から読み出される。そして、先にステップＳ４３において算出された数値的特徴に対する処理による非平常発生確率と、上記ステップＳ４５により算出された時系列的特徴に対する処理による各時点での非平常発生確率を、上記読み出された重み係数を用いて加重平均する処理が行われる。
【００５１】
例えば、数値的特徴に対する処理による非平常発生確率をＰ1(k) とすると共に、時系列的特徴に対する処理による非平常発生確率をＰ2(k) とし、これらの非平常発生確率Ｐ1(k) ，Ｐ2(k) に対する重み係数をそれぞれｗ1 ，ｗ2 とすると、時刻ｔ＝ｋにおける非平常発生確率をＰ(k) は次式により算出される。
【数７】
【００５２】
続いて、記憶部３２の重み係数・しきい値記憶部３２５からしきい値Ｔｈが読み出され、この読み出されたしきい値Ｔｈを用いて、上記算出された時刻ｔ＝ｋにおける非平常発生確率Ｐ(k) がしきい値Ｔｈ以上であるか否かが判定される。この判定処理を次式に示す。
【数８】
【００５３】
すなわち、時刻ｔ＝ｋにおける非平常発生確率Ｐ(k) がしきい値Ｔｈ以上であればこのときのユーザの状態は状態Ｓ２と判定され、一方しきい値Ｔｈ未満であればこのときのユーザの状態は状態Ｓ１と判定される。図１２は上記平常／非平常判定処理の動作を示すものである。同図に示すように、この実施形態の判定方法によれば、数値的特徴に対する処理による非平常発生確率Ｐ1(k) のみで判定せず、窓により切り出された時系列的特徴に対する処理による非平常発生確率Ｐ2(k) を考慮して判定が行われるので、ユーザの平常／非平常の判定精度が高められる。
【００５４】
最後に、ステップＳ４７において、上記判定結果に基づいてユーザの平常／非平常を表すラベルが生成される。そして、この生成されたユーザの平常／非平常を表すラベルは、出力部３４の判定結果通知部３４１により該当するユーザ端末（例えば携帯端末４１）に向け通信インタフェースから送信される。
【００５５】
以上述べたようにこの実施形態では、以下のような処理が行われる。すなわち、先ず学習フェーズにおいて、センサデータの度数分布の区間ごとの非平常発生確率を算出すると共に、過去の複数の計測タイミングにおけるセンサデータとユーザ自身が設定した上記各計測タイミングにおけるアノテーション情報をもとにＨＭＭモデルの学習を行い、上記算出された非平常発生確率と上記ＨＭＭモデルの学習結果をもとに重み係数及びしきい値を設定する。次に、判定フェーズにおいて、最新の計測タイミングにおけるセンサデータをもとに数値的特徴に対する処理による非平常発生確率を算出すると共に、時系列的特徴に対する処理による各計測タイミングにおける非平常発生確率を算出し、これらの非平常発生確率を上記学習フェーズで設定された重み係数を用いて加重平均し、その結果を上記設定されたしきい値と比較することにより平常か非平常かを判定するようにしている。
したがって、平常と非平常のデータ区間に重なりがあっても平常／非平常の判定を正確に行えるようになり、数値的特徴に対する処理による非平常発生確率のみをもとに平常か非平常かを判定する場合に比べ、高精度の判定を行うことが可能となる。
【００５６】
なお、この発明は上記実施形態に限定されるものではない。例えば、前記実施形態では、状態判定装置３がデータベースサーバ２からセンサデータ及びアノテーション情報を取得して記憶部３２に保存すると、以後この保存されたセンサデータ及びアノテーション情報をもとに学習及び判定のための一連の処理を実行し、その過程で得られた非平常発生確率やＨＭＭモデル、重み係数、しきい値を記憶部３２内の各記憶部３２３〜３２５に保存するようにした。すなわち、平常／非平常判定のための学習フェーズ及び判定フェーズの一連の処理を状態判定装置３内ですべて実行する場合を例示した。しかし、平常／非平常判定のための学習フェーズ及び判定フェーズの一連の処理を、センサ１１〜１ｎ、データベースサーバ２、状態処理装置３及びユーザ端末４１〜４ｍにより分散して実行するように構成してもよい。
【００５７】
また、前記実施形態では脈拍のセンサデータをもとにユーザの平常／非平常を判定する場合を例にとって説明したが、他に体温や血圧等のその他のバイタルデータをもとにユーザの平常／非平常を判定するようにしてもよい。また、人に限らず環境の平常／非平常を判定するようにしてもよい。
【００５８】
その他、平常／非平常判定処理装置の構成、平常／非平常の判定対象となるセンサデータの種類、学習フェーズ及び判定フェーズの処理手順と処理内容、しきい値の設定方法、確率モデルの種類（ＨＭＭモデル以外でもよい）等についても、この発明の要旨を逸脱しない範囲で種々変形して実施可能である。
【００５９】
要するにこの発明は、上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合せにより種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態に亘る構成要素を適宜組み合せてもよい。
【符号の説明】
【００６０】
１１〜１ｎ…センサ、２…データベースサーバ、３…状態判定装置、４１〜４ｍ…ユーザ端末、３１…入力部、３２…記憶部、３３…処理部、３４…出力部、３１１…アノテーション入力部、３１２…センサデータ入力部、３２１…アノテーション記憶部、３２２…センサデータ記憶部、３２３…非平常発生確率記憶部、３２５…重み係数・しきい値記憶部、３３１…非平常発生確率算出処理部、３３２…ＨＭＭモデル学習処理部、３３３…重み係数・しきい値設定処理部、３３４…平常／非平常判定処理部、３４１…判定結果通知部。
【特許請求の範囲】
【請求項１】
監視対象の状態を計測するセンサから当該計測結果を表すセンサデータを受信し、この受信されたセンサデータを記憶する手段と、
複数の計測時点における前記監視対象物の状態を表すアノテーション情報を受信し、この受信されたアノテーション情報を記憶する手段と、
前記記憶されたセンサデータ及びアノテーション情報をもとに当該センサデータの度数分布を表す情報を生成し、この生成されたセンサデータの度数分布を複数の区間に分けてこれらの区間ごとに第１の非平常発生確率を算出する手段と、
前記記憶されたセンサデータ及びアノテーション情報をもとに、平常／非平常を二つの隠れ状態とした確率モデルを学習する手段と、
前記算出された第１の非平常発生確率をもとに、数値的特徴に対する処理による第２の非平常発生確率を算出する手段と、
前記学習された確率モデルをもとに、時系列的特徴に対する処理による前記各計測時点での第３の非平常発生確率を算出する手段と、
予め設定した重み係数を用いて、前記算出された第２の非平常発生確率と前記各計測時点での第３の非平常発生確率との加重平均値を算出する手段と、
前記算出された加重平均値を予め設定されたしきい値と比較することにより、前記計測時点ごとに前記監視対象の状態が平常か非平常かを判定する手段と
を具備することを特徴とする状態判定装置。
【請求項２】
前記第２の非平常発生確率を算出する手段は、
前記記憶されたセンサデータを前記分けられた区間ごとに量子化する手段と、
前記量子化されたセンサデータの該当する区間と同じ区間における前記第１の非平常発生確率を、数値的特徴に対する処理による第２の非平常発生確率として出力する手段と
を備えることを特徴とする請求項１記載の状態判定装置。
【請求項３】
前記確率モデルを学習する手段は、
前記複数の区間に分けられたセンサデータを、前記区間ごとに前記監視対象の状態が平常から平常、平常から非平常、非平常から非平常、非平常から平常へ遷移する時に生成される４種類のセンサデータに分類する手段と、
前記４種類に分類されたセンサデータを用いて、前記各区間における確率モデルの各遷移確率を求める手段と
を備えることを特徴とする請求項１記載の状態判定装置。
【請求項４】
前記第３の非平常発生確率を算出する手段は、
前記記憶されたセンサデータの中から特定の時間窓に対応する時系列データを抽出し、この抽出された時系列データに対し、前記学習された確率モデルを用いて想定し得るすべての状態系列の発生確率を算出する手段と、
前記算出された状態系列の発生確率の総和を算出し、かつ前記算出された状態系列の発生確率のうち、平常／非平常の判定対象としている時間区間において非平常の状態をとっているものの発生確率の総和を算出する手段と、
前記算出された発生確率の総和の比により非平常発生確率を求め、この求められた非平常発生確率を時系列的特徴に対する処理による前記各計測時点での第３の非平常発生確率として出力する手段と
を備えることを特徴とする請求項１記載の状態判定装置。
【請求項５】
監視対象の状態を計測するセンサから当該計測結果を表すセンサデータを受信し、この受信されたセンサデータを記憶する過程と、
複数の計測時点における前記監視対象物の状態を表すアノテーション情報を受信し、この受信されたアノテーション情報を記憶する過程と、
前記記憶されたセンサデータ及びアノテーション情報をもとに当該センサデータの度数分布を表す情報を生成し、この生成されたセンサデータの度数分布を複数の区間に分けてこれらの区間ごとに第１の非平常発生確率を算出する過程と、
前記記憶されたセンサデータ及びアノテーション情報をもとに、平常／非平常を二つの隠れ状態とした確率モデルを学習する過程と、
前記算出された第１の非平常発生確率をもとに、数値的特徴に対する処理による第２の非平常発生確率を算出する過程と、
前記学習された確率モデルをもとに、時系列的特徴に対する処理による前記各計測時点での第３の非平常発生確率を算出する過程と、
予め設定した重み係数を用いて、前記算出された第２の非平常発生確率と前記各計測時点での第３の非平常発生確率との加重平均値を算出する過程と、
前記算出された加重平均値を予め設定されたしきい値と比較することにより、前記計測時点ごとに前記監視対象の状態が平常か非平常かを判定する過程と
を具備することを特徴とする状態判定方法。
【請求項６】
前記第２の非平常発生確率を算出する過程は、
前記記憶されたセンサデータを前記分けられた区間ごとに量子化する過程と、
前記量子化されたセンサデータの該当する区間と同じ区間における前記第１の非平常発生確率を、数値的特徴に対する処理による第２の非平常発生確率として出力する過程と
を備えることを特徴とする請求項１記載の状態判定方法。
【請求項７】
前記確率モデルを学習する過程は、
前記複数の区間に分けられたセンサデータを、前記区間ごとに前記監視対象の状態が平常から平常、平常から非平常、非平常から非平常、非平常から平常へ遷移する時に生成される４種類のセンサデータに分類する過程と、
前記４種類に分類されたセンサデータを用いて、前記各区間における確率モデルの各遷移確率を求める過程と
を備えることを特徴とする請求項１記載の状態判定方法。
【請求項８】
前記第３の非平常発生確率を算出する過程は、
前記記憶されたセンサデータの中から特定の時間窓に対応する時系列データを抽出し、この抽出された時系列データに対し、前記学習された確率モデルを用いて想定し得るすべての状態系列の発生確率を算出する過程と、
前記算出された状態系列の発生確率の総和を算出し、かつ前記算出された状態系列の発生確率のうち、平常／非平常の判定対象としている時間区間において非平常の状態をとっているものの発生確率の総和を算出する過程と、
前記算出された発生確率の総和の比により非平常発生確率を求め、この求められた非平常発生確率を時系列的特徴に対する処理による前記各計測時点での第３の非平常発生確率として出力する過程と
を備えることを特徴とする請求項１記載の状態判定方法。
【請求項９】
請求項１乃至３のいずれかに記載の状態判定装置が備える各手段に対応する処理を、当該状態判定装置のコンピュータに実行させるプログラム。
【請求項１】
監視対象の状態を計測するセンサから当該計測結果を表すセンサデータを受信し、この受信されたセンサデータを記憶する手段と、
複数の計測時点における前記監視対象物の状態を表すアノテーション情報を受信し、この受信されたアノテーション情報を記憶する手段と、
前記記憶されたセンサデータ及びアノテーション情報をもとに当該センサデータの度数分布を表す情報を生成し、この生成されたセンサデータの度数分布を複数の区間に分けてこれらの区間ごとに第１の非平常発生確率を算出する手段と、
前記記憶されたセンサデータ及びアノテーション情報をもとに、平常／非平常を二つの隠れ状態とした確率モデルを学習する手段と、
前記算出された第１の非平常発生確率をもとに、数値的特徴に対する処理による第２の非平常発生確率を算出する手段と、
前記学習された確率モデルをもとに、時系列的特徴に対する処理による前記各計測時点での第３の非平常発生確率を算出する手段と、
予め設定した重み係数を用いて、前記算出された第２の非平常発生確率と前記各計測時点での第３の非平常発生確率との加重平均値を算出する手段と、
前記算出された加重平均値を予め設定されたしきい値と比較することにより、前記計測時点ごとに前記監視対象の状態が平常か非平常かを判定する手段と
を具備することを特徴とする状態判定装置。
【請求項２】
前記第２の非平常発生確率を算出する手段は、
前記記憶されたセンサデータを前記分けられた区間ごとに量子化する手段と、
前記量子化されたセンサデータの該当する区間と同じ区間における前記第１の非平常発生確率を、数値的特徴に対する処理による第２の非平常発生確率として出力する手段と
を備えることを特徴とする請求項１記載の状態判定装置。
【請求項３】
前記確率モデルを学習する手段は、
前記複数の区間に分けられたセンサデータを、前記区間ごとに前記監視対象の状態が平常から平常、平常から非平常、非平常から非平常、非平常から平常へ遷移する時に生成される４種類のセンサデータに分類する手段と、
前記４種類に分類されたセンサデータを用いて、前記各区間における確率モデルの各遷移確率を求める手段と
を備えることを特徴とする請求項１記載の状態判定装置。
【請求項４】
前記第３の非平常発生確率を算出する手段は、
前記記憶されたセンサデータの中から特定の時間窓に対応する時系列データを抽出し、この抽出された時系列データに対し、前記学習された確率モデルを用いて想定し得るすべての状態系列の発生確率を算出する手段と、
前記算出された状態系列の発生確率の総和を算出し、かつ前記算出された状態系列の発生確率のうち、平常／非平常の判定対象としている時間区間において非平常の状態をとっているものの発生確率の総和を算出する手段と、
前記算出された発生確率の総和の比により非平常発生確率を求め、この求められた非平常発生確率を時系列的特徴に対する処理による前記各計測時点での第３の非平常発生確率として出力する手段と
を備えることを特徴とする請求項１記載の状態判定装置。
【請求項５】
監視対象の状態を計測するセンサから当該計測結果を表すセンサデータを受信し、この受信されたセンサデータを記憶する過程と、
複数の計測時点における前記監視対象物の状態を表すアノテーション情報を受信し、この受信されたアノテーション情報を記憶する過程と、
前記記憶されたセンサデータ及びアノテーション情報をもとに当該センサデータの度数分布を表す情報を生成し、この生成されたセンサデータの度数分布を複数の区間に分けてこれらの区間ごとに第１の非平常発生確率を算出する過程と、
前記記憶されたセンサデータ及びアノテーション情報をもとに、平常／非平常を二つの隠れ状態とした確率モデルを学習する過程と、
前記算出された第１の非平常発生確率をもとに、数値的特徴に対する処理による第２の非平常発生確率を算出する過程と、
前記学習された確率モデルをもとに、時系列的特徴に対する処理による前記各計測時点での第３の非平常発生確率を算出する過程と、
予め設定した重み係数を用いて、前記算出された第２の非平常発生確率と前記各計測時点での第３の非平常発生確率との加重平均値を算出する過程と、
前記算出された加重平均値を予め設定されたしきい値と比較することにより、前記計測時点ごとに前記監視対象の状態が平常か非平常かを判定する過程と
を具備することを特徴とする状態判定方法。
【請求項６】
前記第２の非平常発生確率を算出する過程は、
前記記憶されたセンサデータを前記分けられた区間ごとに量子化する過程と、
前記量子化されたセンサデータの該当する区間と同じ区間における前記第１の非平常発生確率を、数値的特徴に対する処理による第２の非平常発生確率として出力する過程と
を備えることを特徴とする請求項１記載の状態判定方法。
【請求項７】
前記確率モデルを学習する過程は、
前記複数の区間に分けられたセンサデータを、前記区間ごとに前記監視対象の状態が平常から平常、平常から非平常、非平常から非平常、非平常から平常へ遷移する時に生成される４種類のセンサデータに分類する過程と、
前記４種類に分類されたセンサデータを用いて、前記各区間における確率モデルの各遷移確率を求める過程と
を備えることを特徴とする請求項１記載の状態判定方法。
【請求項８】
前記第３の非平常発生確率を算出する過程は、
前記記憶されたセンサデータの中から特定の時間窓に対応する時系列データを抽出し、この抽出された時系列データに対し、前記学習された確率モデルを用いて想定し得るすべての状態系列の発生確率を算出する過程と、
前記算出された状態系列の発生確率の総和を算出し、かつ前記算出された状態系列の発生確率のうち、平常／非平常の判定対象としている時間区間において非平常の状態をとっているものの発生確率の総和を算出する過程と、
前記算出された発生確率の総和の比により非平常発生確率を求め、この求められた非平常発生確率を時系列的特徴に対する処理による前記各計測時点での第３の非平常発生確率として出力する過程と
を備えることを特徴とする請求項１記載の状態判定方法。
【請求項９】
請求項１乃至３のいずれかに記載の状態判定装置が備える各手段に対応する処理を、当該状態判定装置のコンピュータに実行させるプログラム。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【公開番号】特開２０１０−２７９６４４（Ｐ２０１０−２７９６４４Ａ）
【公開日】平成２２年１２月１６日（２０１０．１２．１６）
【国際特許分類】
【出願番号】特願２００９−１３７３６０（Ｐ２００９−１３７３６０）
【出願日】平成２１年６月８日（２００９．６．８）
【新規性喪失の例外の表示】特許法第３０条第１項適用申請有り ２００９年２月２６日 社団法人電子情報通信学会発行の「電子情報通信学会技術研究報告 信学技報 Ｖｏｌ．１０８ Ｎｏ．４６２」に発表、平成２１年３月１０日 社団法人情報処理学会発行の「情報処理学会 第７１回全国大会（平成２１年）講演論文集」に発表
【出願人】（０００００４２２６）日本電信電話株式会社 (13,992)
【Ｆターム（参考）】
【公開日】平成２２年１２月１６日（２０１０．１２．１６）
【国際特許分類】
【出願日】平成２１年６月８日（２００９．６．８）
【新規性喪失の例外の表示】特許法第３０条第１項適用申請有り ２００９年２月２６日 社団法人電子情報通信学会発行の「電子情報通信学会技術研究報告 信学技報 Ｖｏｌ．１０８ Ｎｏ．４６２」に発表、平成２１年３月１０日 社団法人情報処理学会発行の「情報処理学会 第７１回全国大会（平成２１年）講演論文集」に発表
【出願人】（０００００４２２６）日本電信電話株式会社 (13,992)
【Ｆターム（参考）】
[ Back to top ]