JP7436257B2 - 行動認識サーバ、行動認識システム、および、行動認識方法 - Google Patents

Description

本発明は、行動認識サーバ、行動認識システム、および、行動認識方法に関する。

近年、インターネットに接続された高性能なセンサが、ＩоＴ（Internet of Things）機器として普及している。そして、家庭内などの環境に設置した多数のセンサから大量のセンサ情報をビッグデータとして収集し、それらのビッグデータを分析することで、有益な情報を抽出する試みが行われている。

センサ情報の測定頻度として、一般的には人間の行動期間よりも非常に短期間に測定可能である。よって、センサの１反応をそのまま人間の１行動に置き換えると、「１秒間に３回も立ち上がった」などの非現実的な行動が認識されてしまうこともある。
そこで、特許文献１には、あらかじめ用意したセンサ反応定義に従って、１秒以内に複数回センサが反応した場合でも、それらの反応を平滑化して１回分の行動に対応づける方法が記載されている。

特開２００４－１４５８２０公報

各種センサには、実際には検知対象の人間などが存在しているにもかかわらず、非検知として計測してしまう誤検出が発生する。例えば、人感センサから発光させる検知用の赤外線が、部屋内の照明光などの加減により遮られてしまうなどの誤検出の要因がある。その結果、人感センサが静止している人間を見逃してしまうことで、リラックスしている人間が存在しても不在と誤認識されることもある。

よって、家庭内で生活する被介護者の老人などを監視対象とする場合などで、センサが瞬間的に誤動作してもその老人の行動を認識する精度を高める必要がある。しかし、特許文献１などの従来の技術では、センサの誤動作の影響については考慮されていない。

そこで、本発明は、誤検出データを含むセンサ情報から、認識精度の低減を抑制することを、主な課題とする。

前記課題を解決するために、本発明の行動認識サーバは、以下の特徴を有する。
本発明は、被観察者を検知するセンサの集合から、前記センサごとの検知結果を示すセンサ情報を取得するセンサ情報取得部と、
時系列の前記センサ情報のうちの前記被観察者が検知された反応時刻をもとに、その反応時刻を最大値とする時間方向の確率密度関数に前記センサ情報を変換するセンサ情報変換部と、
変換された前記センサ情報をもとに、各時刻での前記被観察者の行動を分類する行動分類部と、
分類した前記被観察者の行動をデータ化して出力する行動出力部と、を有することを特徴とする。
その他の手段は、後記する。

本発明によれば、誤検出データを含むセンサ情報から、認識精度の低減を抑制することができる。

本発明の一実施形態に関する行動認識システムの構成図である。 本発明の一実施形態に関する行動認識システムのハードウェア構成図である。 本発明の一実施形態に関する行動認識サーバの詳細を示す構成図である。 本発明の一実施形態に関する行動認識サーバの処理を示すフローチャートである。 本発明の一実施形態に関する検出漏れがない状態でのセンサ情報の時系列グラフである。 本発明の一実施形態に関する図５の時系列グラフから、一部の検出漏れが発生した状態での時系列グラフである。 本発明の一実施形態に関する曲線以外の確率密度関数を適用した場合の時系列グラフである。 本発明の一実施形態に関する空間軸に確率密度関数を適用した場合のグラフである。 本発明の一実施形態に関する図８のグラフが適用される空間の具体例を示す平面図である。 本発明の一実施形態に関するレイアウトデータの一例を示す説明図である。 本発明の一実施形態に関するレイアウトデータの説明用テーブルである。 本発明の一実施形態に関する画像データの説明図である。 本発明の一実施形態に関する行動補正部の処理内容を示す時系列グラフである。

以下、本発明の一実施形態について、図面を参照しながら説明する。

図１は、行動認識システムの構成図である。
行動認識システムは、自宅２ｈで生活する被観察者２ｕの生活状態を、観察者３ｕが観察者端末３を用いて遠隔から見守るように構成される。行動認識サーバ１は、各種センサ２から取得したセンサ情報をもとに被観察者２ｕの生活状態を認識し、その認識結果を観察者端末３に通知する。これにより、観察者端末３の表示画面を見た観察者３ｕが、被観察者２ｕの生活状態を把握できる。
被観察者２ｕは例えば要介護者であり、観察者３ｕは例えば要介護者の家族である。または、自宅２ｈの代わりに病院や介護施設に行動認識システムを導入してもよく、その場合、観察者３ｕは医師やケアマネージャとなる。

自宅２ｈには、被観察者２ｕの行動を監視するためのさまざまなセンサ２がネットワークに接続されている。センサ２は、例えば、冷蔵庫２ａや自律移動型の掃除機２ｂなどの家電機器に組み込まれたセンサでもよいし、人感センサ２ｃなどの単体のセンサでもよい。
なお、人感センサ２ｃなどのセンサ２は、その測定領域が部屋の入口に対向しない方向に設置されていることが望ましい。この設置により、人感センサ２ｃが部屋外の廊下をすれ違う被観察者２ｕとは別人を誤検出してしまうことを抑制できる。

図２は、行動認識システムのハードウェア構成図である。
センサ２は、検知部１２２が検知したセンサ情報などを他装置に通知する通信部１２１と、被観察者２ｕを検知する検知部１２２と、観察者３ｕからのメッセージなどを被観察者２ｕに報知する報知部１２３とを有する。
行動認識サーバ１は、センサ２からセンサ情報を受け、そのセンサ情報からの認識結果を観察者端末３に通知する通信部１１１と、被観察者２ｕの生活状態を認識する制御部１１２と、制御部１１２の処理に用いられるデータを格納する記憶部１１３とを有する。
観察者端末３は、被観察者２ｕの認識結果を受信する通信部１３１と、被観察者２ｕの認識結果を観察者３ｕに報知する報知部１３２と、被観察者２ｕからのメッセージなどを入力させる入力部１３３とを有する。

行動認識サーバ１は演算装置（制御部１１２）としてのＣＰＵ（Central Processing Unit）、主記憶装置としてのメモリ、および、外部記憶装置（記憶部１１３）としてのハードディスクを有する計算機として構成される。
この計算機は、ＣＰＵが、メモリ上に読み込んだプログラム（アプリケーションや、その略のアプリとも呼ばれる）を実行することにより、各処理部により構成される制御部（制御手段）を動作させる。

図３は、行動認識サーバ１の詳細を示す構成図である。
行動認識サーバ１の制御部１１２（図２）は、センサ情報取得部１１と、センサ情報変換部１１Ｔと、時刻情報取得部１２と、画像変換部１３と、行動分類部１４と、行動補正部１５と、現在行動蓄積部１６と、行動出力部１７とを有する。
行動認識サーバ１の記憶部１１３（図２）は、レイアウトデータ１３Ｌと、分類モデル１４ｍとを格納する。
以下、図３の構成要素の詳細について、図４のフローチャートに沿って説明する。

図４は、行動認識サーバ１の処理を示すフローチャートである。
センサ情報取得部１１は、自宅２ｈに設置されたセンサ２（冷蔵庫２ａ、掃除機２ｂ、人感センサ２ｃ）からのセンサ情報を取得する（Ｓ１０１）。センサ情報は、センサ２の種類ごとにデータ形式が異なることもある。
センサ情報変換部１１Ｔは、０または１という離散値のデータ形式のセンサ情報をセンサ情報取得部１１から受け、その離散値のセンサ情報を確率密度関数のセンサ情報に変換する（Ｓ１０２、図５～図９で後記）。

センサ情報変換部１１Ｔは、確率密度関数の関数値として、例えば、センサが反応した時刻ｔにおいて離散値「１」の入力データから、時刻ｔにおける関数値を最大値（例えば「１」）とし、その前後の時間方向にも最大値未満の関数値を追加した出力データを作成する（図５）。最大値未満の関数値とは、時刻ｔからの時間差が大きくなるほど関数値が小さくなるようにセンサ情報変換部１１Ｔが計算したものである。
一方、センサ情報変換部１１Ｔは、離散値以外のデータ形式である入力データは、変換せずにそのまま出力データとする。

画像変換部１３は、センサ情報変換部１１Ｔの出力データであるセンサ２ごとのセンサ情報をもとに、所定時刻におけるセンサ情報の集合を画像化する（Ｓ１０３）。なお、画像変換部１３が変換時に参照するレイアウトデータ１３Ｌには、あらかじめどのセンサ２のセンサ情報を画像内のどの部分に配置するかという画像内のレイアウトに関する情報が定義されている（図１０，図１１）。

また、画像変換部１３は、センサ情報の集合に加えて、そのセンサ情報の計測時刻である所定時刻を示す時刻情報を時刻情報取得部１２を介して取得し、その時刻情報を画像化対象に含めてもよい。時刻情報取得部１２は、センサ２がセンサ情報にタイムスタンプを含めている場合はその時刻を取得し、タイムスタンプが無い場合はセンサ情報の受信時刻を画像化対象とする。
なお、画像変換部１３によるセンサ情報の画像化処理を省略して、行動分類部１４は、画像化されていないセンサ情報や時刻情報を受け付けてもよい。

行動分類部１４は、センサ情報を示す画像データから、その時刻情報における被観察者２ｕの行動を分類する（Ｓ１０４）。この分類処理のために、あらかじめ画像データを入力すると、対応する行動をデータ化して出力する分類モデル１４ｍが用意されている。分類モデル１４ｍは、例えば、深層学習などの機械学習アルゴリズムによって訓練されている。

行動補正部１５は、行動分類部１４が出力する個々の行動に対して、時間的に前後の行動を参照することで、瞬間的に発生してしまった不自然な行動を補正する（図１３で後記）。
そのため、行動補正部１５は、今回着目する行動（現在の行動）に対してその前後の行動からの局所的な変化が存在するときには（Ｓ１１１,Yes）、その局所的な行動を前後の行動に整合させるように補正してから、補正後の行動を現在行動蓄積部１６に蓄積する（Ｓ１１２）。一方、局所的な変化が存在しないときには（Ｓ１１１,No）、その自然な行動をそのまま現在行動蓄積部１６に蓄積する（Ｓ１１３）。
行動出力部１７は、現在行動蓄積部１６に蓄積された行動認識結果を外部（観察者端末３）に出力する。行動認識結果の出力先は、顧客環境（観察者端末３）に限らず、データベースシステムやクラウドシステムなどの他システムに出力してもよい。

以下、図５～図９を参照して、センサ情報変換部１１Ｔの処理（Ｓ１０２）の具体例を説明する。
図５は、検出漏れがない状態でのセンサ情報の時系列グラフを示す。
グラフ２１１は、センサ情報取得部１１からセンサ情報変換部１１Ｔに入力されるセンサ情報である。反応時刻ｔ１～ｔ５でそれぞれ被観察者２ｕの検知を示す離散値「１」がグラフ２１１に含まれる。

グラフ２１２は、センサ情報変換部１１Ｔがグラフ２１１を入力データとして、離散値のセンサ情報を確率密度関数に変換した結果である。センサ情報変換部１１Ｔは、反応時刻ｔ１の離散値「１」を受け、反応時刻ｔ１をピークとした曲線ｍ１の確率密度関数に変換する。同様に、センサ情報変換部１１Ｔは、反応時刻ｔ２の曲線ｍ２と、反応時刻ｔ３の曲線ｍ３と、反応時刻ｔ４の曲線ｍ４と、反応時刻ｔ５の曲線ｍ５とをそれぞれ作成する。
センサ情報変換部１１Ｔは、センサ情報を確率密度関数にした分布として、例えば、正規分布、スチューデントτ分布、Ｕ(Universal)分布、および、その他の統計分野で用いられる任意の分布を適用することができる。

グラフ２１３は、グラフ２１２の曲線間の重複区間を統合したものである。ここでは、同じ時刻に複数の曲線が存在する場合、センサ情報変換部１１Ｔは、それらの曲線の最大値を採用したが、曲線の総和を採用してもよい。これにより、グラフ２１３は各時刻の確率密度関数の値が一意に求まる。
このように、センサ情報変換部１１Ｔの変換後においても各反応時刻ｔ１～ｔ５の関数値は「０」ではないので、正しい検出結果がセンサ情報変換部１１Ｔによって削除されることはない。

図６は、図５の時系列グラフから、一部の検出漏れが発生した状態での時系列グラフを示す。
グラフ２２１は、センサ情報取得部１１からセンサ情報変換部１１Ｔに入力されるセンサ情報である。時刻ｔ２，t４でそれぞれ被観察者２ｕが実際には自宅２ｈに存在するにもかかわらず、検知漏れのため離散値「０」となってしまった。残りの反応時刻ｔ１，ｔ３，ｔ５では図５と同様に正しく離散値「１」が検知されている。
グラフ２２２は、センサ情報変換部１１Ｔがグラフ２２１を入力データとして、離散値のセンサ情報を確率密度関数に変換した結果である。このグラフ２２２では、図５のグラフ２１２から、時刻ｔ２での曲線ｍ２と、時刻ｔ４での曲線ｍ４とが欠落してしまった。

グラフ２２３は、図５のグラフ２１３と同様に、グラフ２２２の曲線間の重複区間を統合したものである。ここで、時刻ｔ２に着目すると、時刻ｔ２のセンサ情報（関数値）は、「０」ではなく、時間的に近傍の時刻ｔ１，t３からの確率密度関数（曲線ｍ１，ｍ３）の影響を受ける。同様に、時刻ｔ４の関数値も、時間的に近傍の時刻ｔ５からの確率密度関数（曲線ｍ５）の影響を受ける。
このように、時刻ｔ２，t４でそれぞれ検出漏れが発生しても、時間的に近傍の他信号を確率密度関数にすることで、検出漏れを救済できる。

図７は、図５の時系列グラフと同じ入力データから、曲線以外の確率密度関数を適用した場合の時系列グラフを示す。
グラフ２３１は、グラフ２１１と同様に、時刻ｔ１～ｔ５でそれぞれ被観察者２ｕの検知を示す離散値「１」がに含まれる。
グラフ２３２は、センサ情報変換部１１Ｔがグラフ２３１を入力データとして、離散値「１」の各時刻ｔ１～ｔ５をピークとした直線近似の確率密度関数に変換した結果である。
直線近似は計算量が少なくて済む。また、直線近似の方程式近似の他にも、センサ情報変換部１１Ｔは、図５で示した曲線近似や、図示しない多項式近似などを用いてもよい。

グラフ２３３は、センサ情報変換部１１Ｔがグラフ２３１を入力データとして、所定範囲の乱数値に変換した結果である。以下に示すように、入力データの離散値「０」の場合と、「１」の場合とで、それぞれ乱数値の取り得る範囲が異なる。
・入力データの離散値「０」→出力データ「０～０．３の範囲での乱数値」
・入力データの離散値「１」→出力データ「０．７～１．０の範囲での乱数値」
これにより、時間的に近傍の離散値「１」が存在しない期間でも、検出漏れを救済できることもある。

図８は、空間軸に確率密度関数を適用した場合のグラフである。
図５～図７では、センサ情報変換部１１Ｔは、時間軸に確率密度関数を適用することで、入力データの離散値「１」が発生した時刻周辺にも検出信号を擬似的に作成していた。
同様に、図８でセンサ情報変換部１１Ｔは、空間軸に確率密度関数を適用することで、入力データの離散値「１」が発生した場所（リビング）の周辺に位置する場所（寝室、キッチン）も検出信号を擬似的に作成してもよい。

図９は、図８のグラフが適用される空間の具体例を示す平面図である。
入力データの離散値「１」が発生したリビングを、被観察者２ｕの存在確率「１（100%）」とすると、センサ情報変換部１１Ｔは、その近傍の部屋にも存在確率を波及させる。
例えば、キッチンや寝室には、入力データの離散値「１」が発生せず、被観察者２ｕが検知されていない。しかし、センサ情報変換部１１Ｔは、リビングに近い順に、キッチン（存在確率＝0.7）、寝室（存在確率＝0.5）を波及させる。

図１０は、画像変換部１３が画像化処理に使用するレイアウトデータ１３Ｌの一例を示す説明図である。レイアウトデータ１３Ｌは、縦方向に１２マス、横方向に１２マスの正方形の画像データ内の各位置に書き込むデータ内容が、「T」や「ACC1」などの図中記号として配置されている。なお、「マス」とは画像領域を細分化した最小単位であり、センサ情報や時刻情報には、最低１マスの書き込み領域が割り当てられる。

図１１は、図１０のレイアウトデータ１３Ｌの説明用テーブルである。例えば、図１０の最上部「T」は、図１１の第１行「時刻」の図中記号「T」に対応する。なお、図１０の最上部「T」の場所に配置される画像データは、時刻情報取得部１２が取得した時刻データである。つまり、図１２に示す１枚の画像は、各場所に配置されたセンサ２から同じ計測時刻（「T」の時刻データ）において計測されたセンサ情報の集合を、１つに集約して可視化した結果である。
なお、Ｓ１０２でセンサ情報変換部１１Ｔが確率密度関数に変換するセンサ２の種類は、例えば、加速度センサ、（ドア）開閉センサなどの被観察者２ｕの動作を検出するものや、人感センサなどの被観察者２ｕの存在を検出するものが挙げられる。

説明用テーブルの第３列「マス数」とは、書き込み領域の大きさを示す。なお、書き込み領域が表現可能なデータ量よりも書き込むデータ量が少ないときには、書き込み領域が余ってしまう。そのときには、画像変換部１３は、同じデータ内容を複数の場所にコピーして書き込むことで、画像内のマス数を埋める。

なお、レイアウトデータ１３Ｌのマス数は書き込む情報間の重みを示し、多くのマス数が割り当てられるほど行動への影響が大きい。このマス数の配分は、例えば、以下のポリシにより決定される。
・昼間は外出し夜は寝るなど、人間の生活は時刻によって取る行動が習慣化されているので、時刻情報「T」は、他のセンサ情報よりも多くのマス数（24マス）を配分する。
・人間は居る場所によって取り得る行動がある程度絞り込まれるので、人感センサ「HM1～HM5」のセンサ情報（居場所情報）は他のセンサ情報よりも多くのマス数（12マス）を配分する。
・平日は出勤し休日は家で休むなど、人間の生活は曜日によっても同じ行動を取る習慣があるので、曜日情報「DoW」は、自宅２ｈの環境を測定するセンサ情報よりも多くのマス数（12マス）を配分する。
・人間の動作を検知するセンサ情報として、加速度センサ「ACC1～ACC4」および開閉センサ「OC1～OC3」は、自宅２ｈの環境を測定するセンサ情報よりも多くのマス数（4マス）を配分する。

説明用テーブルの第４列「値」とは、書き込み領域に書き込むデータ内容を示す。例えば、画像データの色深度がグレースケールの8bitであるときには、書き込み領域が表現可能なデータ量は、２の８乗＝256通りの数値となる。なお，画像データの色深度は任意に設定可能であるため，表現可能なデータ量は256通りに限定されることは無い。従って，例えば8bitのグレースケールと16bitのカラーでは，同じセンサの反応値でも異なる値，精度に変換されることがある。本実施形態では、0.00～1.00の範囲を0.01の精度で記載することとした。
例えば、時刻「T」の値「0.31」とは、0時0分を値「0.00」とし、23時59分を値「1.00」としたときには、午前7時40分を示す。一方、曜日は、月曜日を値「0.00」とし、日曜日を値「1.00」としたときの７通りの中から選択される。
なお、上記「値」とは、各センサ情報の値に基づいた任意の範囲の値のことである。上述したように各センサ情報の値に応じた色をいう場合の他、各センサ情報の値そのままをいう場合も含む。

なお、図１１の「湿度」の行「HUM」では、マス数「5(=1x5)」とは、湿度センサの書き込み領域の大きさが、１センサで１マス分ありセンサ数が５個なので、合計５マス分という意味である。また「湿度」の値「0.66,0.57,0.64,0.58,0.7」は、左から順に第１湿度センサの値「0.66」、第２湿度センサの値「0.57」、…、第５湿度センサの値「0.7」を示す。
以上説明したレイアウトデータ１３Ｌは、同じ種類のセンサ情報を画像内の近接にまとめて配置する一例を説明した。一方、センサの設置場所（部屋）が同じセンサ情報ごとに、画像内の近接にまとめて配置してもよい。

図１２は、図１０のレイアウトデータ１３Ｌに対して、図１１の「値」を書き込んだ結果の画像データの説明図である。図１２では説明をわかりやすくするために「T」や「ACC1」などの図中記号も併記したが、実際は図中記号は画像からは省略される。
例えば、画像変換部１３は、「ACC1」の書き込み領域には、値「0」を示す黒色を書き込む。一方、画像変換部１３は、「HM4」の書き込み領域には、値「1」を示す白色を書き込む。つまり、書き込む値が大きいほど白色に近づく。
さらに、画像変換部１３が作成した画像データに対して、その画像データが示すシチュエーションを示す被観察者２ｕの行動「帰宅」を対応づけることにより、分類モデル１４ｍが定義される。

行動分類部１４は、過去に登録された分類モデル１４ｍを参照することで、分類モデル１４ｍの画像データと一致または類似する画像データが現在の被観察者２ｕから検知された場合には、分類モデル１４ｍで対応する行動「帰宅」を分類結果として出力する（Ｓ１０４）。
なお、分類モデル１４ｍの定義は、観察者３ｕなどの人間が「帰宅」、「休憩」などの意味のある行動ラベルを教えてもよい。一方、機械学習により自動分類した「行動Ａ」、「行動Ｂ」などの意味を持たないが類似する行動をグループ化しただけの行動ラベルを用いてもよい。

図１３は、行動補正部１５の処理内容を示す時系列グラフである。
グラフ２４１は、補正前の行動分類部１４の出力データを示す。グラフ２４１では、基本的には被観察者２ｕが外出中であることが検知されているが、10:00に5分間（ΔT1）の入浴行動と、15:00に3分間（ΔT2）の掃除行動が検知されたとする。
グラフ２４２は、補正後の行動補正部１５の出力データを示す。行動補正部１５は、時間的に前後の行動とは異なる行動が突発的に検知されたときに、前後の行動と同じ行動になるように、異なる行動を補正する（Ｓ１１２）。
そのため、行動補正部１５は各行動の期間（ΔT1、ΔT2）が、所定期間Th＝10分より短いときに、補正対象となる不自然な行動と判定する。これにより、10:00の入浴行動と、15:00の掃除行動とが、それぞれ前後の「外出中」と同じ行動に補正される。

また、行動補正部１５は、補正対象となる不自然な行動の検知方法として、行動の期間だけでなく、行動の種類を参照してもよい。例えば、行動補正部１５は、前の行動（リラックス）に対して、その直後に（1分後に）発生すること自体が不自然な行動（外出）を補正対象としてもよい。
なお、行動補正部１５は、前後とは異なる行動を補正するか否かについて、異なる行動の種類によって、比較する所定期間Thを変更してもよい。例えば、入浴行動は20分（所定期間Th1）未満の場合には不自然な行動として補正する一方、掃除行動は5分（所定期間Th2）未満の場合には不自然な行動として補正する。
一方、比較例として、行動検知の時間間隔を短くすることで行動認識の精度を向上させる方法もあるが、この方法では制御の煩雑さが発生してしまう。

以上説明した本実施形態では、センサ情報取得部１１がセンサ情報を取得し、そのセンサ情報が瞬間的な誤動作により被観察者２ｕを見逃してしまった場合でも、センサ情報変換部１１Ｔが時間軸または空間軸で近傍のセンサ情報をもとに確率密度関数にすることで、検出漏れを救済できる。これにより、誤検出データを含むセンサ情報から、認識精度の低減を抑制することができる。

なお、本発明は前記した実施例に限定されるものではなく、さまざまな変形例が含まれる。例えば、前記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。
また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。
また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。また、上記の各構成、機能、処理部、処理手段などは、それらの一部または全部を、例えば集積回路で設計するなどによりハードウェアで実現してもよい。
また、前記の各構成、機能などは、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。

各機能を実現するプログラム、テーブル、ファイルなどの情報は、メモリや、ハードディスク、ＳＳＤ（Solid State Drive）などの記録装置、または、ＩＣ（Integrated Circuit）カード、ＳＤカード、ＤＶＤ（Digital Versatile Disc）などの記録媒体におくことができる。
また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際にはほとんど全ての構成が相互に接続されていると考えてもよい。
さらに、各装置を繋ぐ通信手段は、無線ＬＡＮに限定せず、有線ＬＡＮやその他の通信手段に変更してもよい。

１ 行動認識サーバ
２ センサ
２ｕ 被観察者
３ 観察者端末
１１ センサ情報取得部
１１Ｔ センサ情報変換部
１２ 時刻情報取得部
１３ 画像変換部
１３Ｌ レイアウトデータ
１４ 行動分類部
１４ｍ 分類モデル
１５ 行動補正部
１６ 現在行動蓄積部
１７ 行動出力部

Claims (6)

1. 被観察者を検知するセンサの集合から、前記センサごとの検知結果を示すセンサ情報を取得するセンサ情報取得部と、
   時系列の前記センサ情報のうちの前記被観察者が検知された反応時刻をもとに、その反応時刻を最大値とする時間方向の確率密度関数に前記センサ情報を変換するセンサ情報変換部と、
   変換された前記センサ情報をもとに、各時刻での前記被観察者の行動を分類する行動分類部と、
   分類した前記被観察者の行動をデータ化して出力する行動出力部と、を有することを特徴とする
   行動認識サーバ。
2. 前記センサ情報変換部は、前記センサ情報のうちの前記被観察者が検知された反応場所をもとに、その反応場所を最大値の確率値とし、その反応場所からの距離が長くなる場所ほど前記確率値が小さくなる確率密度関数に前記センサ情報を変換することを特徴とする
   請求項１に記載の行動認識サーバ。
3. 前記行動認識サーバは、さらに、縦方向に所定数のマス数と、横方向に所定数のマス数を有する格子状のレイアウトデータに基づいて前記センサ情報を画像にする画像変換部を備えており、
   前記レイアウトデータには、どのセンサの前記センサ情報を画像内のどの部分に配置するかという画像内のレイアウトに関する情報が定義されており、
   前記マス数は、前記被観察者の行動への影響が大きいセンサの前記センサ情報ほど、画像内に前記マス数が多くなるように配分され、
   前記画像変換部は、前記配分されたマス数のレイアウトデータに従って、前記各センサ情報の値に基づいたグレースケールの濃度を、画像内の各マスに書き込むことで前記各センサ情報を画像化し、その画像を前記行動分類部に入力する前記センサ情報として用いることを特徴とする
   請求項１に記載の行動認識サーバ。
4. 前記行動認識サーバは、さらに、行動補正部を備えており、
   前記行動補正部は、前記行動分類部が分類した前記被観察者の行動について、時間的に前後の行動とは異なる行動が突発的に検知されたときに、前後の行動と同じ行動になるように、異なる行動を補正することを特徴とする
   請求項１に記載の行動認識サーバ。
5. 被観察者の生活する部屋の入口に対向しない方向に設置されているセンサを含む前記被観察者を検知する前記センサの集合と、
   前記被観察者の行動を認識する行動認識サーバとを有する行動認識システムであって、
   前記行動認識サーバは、
   前記被観察者を検知する前記センサの集合から、前記センサごとの検知結果を示すセンサ情報を取得するセンサ情報取得部と、
   時系列の前記センサ情報のうちの前記被観察者が検知された反応時刻をもとに、その反応時刻を最大値とする時間方向の確率密度関数に前記センサ情報を変換するセンサ情報変換部と、
   変換された前記センサ情報をもとに、各時刻での前記被観察者の行動を分類する行動分類部と、
   分類した前記被観察者の行動をデータ化して出力する行動出力部と、を有することを特徴とする
   行動認識システム。
6. 行動認識サーバは、センサ情報取得部と、センサ情報変換部と、行動分類部と、行動出力部と、を有しており、
   前記センサ情報取得部は、被観察者を検知するセンサの集合から、前記センサごとの検知結果を示すセンサ情報を取得し、
   前記センサ情報変換部は、時系列の前記センサ情報のうちの前記被観察者が検知された反応時刻をもとに、その反応時刻を最大値とする時間方向の確率密度関数に前記センサ情報を変換し、
   前記行動分類部は、変換された前記センサ情報をもとに、各時刻での前記被観察者の行動を分類し、
   前記行動出力部は、分類した前記被観察者の行動をデータ化して出力することを特徴とする
   行動認識方法。

Images