Comments
Description
Transcript
携帯端末のセンサ情報を用いた 人物移動状態の識別に関する研究
2012 年度修士論文 携帯端末のセンサ情報を用いた 人物移動状態の識別に関する研究 指導： 甲藤 二郎 教授 小松 尚久 教授 2013 年 2 月 8 日 早稲田大学理工学術院 基幹理工学研究科 情報理工学専攻 5111B015-1 上原 聡介 目次 第1章 序論 1 1.1 本研究の背景と目的 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 2010 年度までの研究内容と 2011∼12 年度の検討項目 . . . . . . . . . . . . . . 3 1.3 本論文の構成と概要 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 センサを用いた人物移動状態の識別 5 2.1 従来研究 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.2 携帯端末搭載のセンサ機能 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 2.2.1 加速度センサ [13] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 2.2.2 測位センサ [14] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 2.2.3 地磁気センサ（電子コンパス機能を含む）[15] . . . . . . . . . . . . . . . 9 2.3 携帯端末搭載センサの出力データ . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.4 人物移動状態の識別 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.4.1 識別における要素 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.4.2 本研究で取り扱う特徴量 17 第2章 第3章 3.1 3.2 磁気データ調査 19 磁気データ調査実験 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 実験諸元 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 実験結果と考察 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 電車における磁気データ調査実験 . . . . . . . . . . . . . . . . . . . . . . . . . 22 再現性調査実験 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 実験諸元 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 実験結果と考察 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 電車内磁界のメカニズム [18] . . . . . . . . . . . . . . . . . . . . . . . . 24 バスと自動車における磁気データ調査実験 . . . . . . . . . . . . . . . . . . . . 27 3.2.1 3.2.2 3.3 . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3.1 3.3.2 車内磁気データ調査実験 . . . . . . . . . . . . . . . . . . . . . . . . . . 27 実験諸元 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 実験結果と考察 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 各方角における車内磁気データ調査実験 . . . . . . . . . . . . . . . . . . 29 実験諸元 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 実験結果と考察 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 –i– 目次 第4章 4.1 4.2 第5章 加速度データ調査 33 加速度データ調査実験 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 実験諸元 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 実験結果と考察 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 バスと自動車における加速度データ調査実験 . . . . . . . . . . . . . . . . . . . 35 実験諸元 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 実験結果と考察 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 提案する識別手法 41 識別手法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 実験諸元 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 5.1 磁気量を用いた電車の識別手法 . . . . . . . . . . . . . . . . . . . . . . . . . . 43 5.2 加速度を用いた徒歩の識別手法 . . . . . . . . . . . . . . . . . . . . . . . . . . 45 5.3 磁気量と進行方向を用いたバスと自動車の識別手法 . . . . . . . . . . . . . . . . 47 5.4 加速度を用いたバスと自動車の識別手法 . . . . . . . . . . . . . . . . . . . . . . 49 5.5 加速度と速度を用いたバスと自動車の識別手法 . . . . . . . . . . . . . . . . . . 52 結果と考察 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 決定木（アルゴリズムは J48）を用いた識別器の設計と評価 . . . . . . . . . . . 56 実験諸元 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 識別器の設計 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 評価と考察 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 5.6 第6章 結論 61 6.1 まとめ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 6.2 今後の課題と検討 62 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 謝辞 63 参考文献 65 付録 A オフセット磁場と DOE[19] 67 付録 B 電車の各車両における磁気データ 69 付録 C 実験諸元 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 結果と考察 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70 電気自動車における磁気データ 71 実験諸元 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . – ii – 71 目次 結果と考察 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . – iii – 72 第1章 序論 1.1 本研究の背景と目的 国内における携帯電話の契約者数は電気通信事業者協会が公開している月末累計 (Figure1.1)[1] のように増加の一途を辿り，携帯電話の人口普及率は 2012 年 3 月末時点で 100 ％を超えた．普及 率から見ると，携帯電話はすべての人にとって日常生活に欠かせない機器になったと言える．そ して，近年，急激な普及とともに携帯電話はスマートフォンやタブレット型コンピュータといっ た高機能かつ多機能な携帯端末へと移り変わり，それに伴ってライフログを利活用したビジネス が注目されてきている． Figure1.1 Transition in mobile phone subscribership and penetration rate ライフログとは，利用者の個人に関わるネット内外の活動記録（行動履歴）が，パソコンや携帯 端末などを通じて長時間に渡り取得・蓄積されたディジタルデータのことである．昨今の携帯端 末では，通話履歴，Web アクセス履歴，位置情報履歴などの，色々なサービスを行う上で価値の –1– 第 1 章 序論 高い，様々なライフログ情報が取得可能となった．特に，その携帯端末に蓄積されるライフログ情 報を収集し分析することで，従来の大雑把なユーザの類型化とは異なった個人の行動に基づく詳 細なユーザ特性を把握でき，本人だけでなく第三者にも有益な情報を提供することが可能となる． ライフログ利活用のメリットとして，パーソナライズの高度化，個人が自覚してない自己の再認 識，個人ではなしえない情報へのアクセス，個人では価値を見出していない情報の発信などが挙 げられる．ライフログの利用により個人に適したサービス提供が可能となるので，顧客満足度が 迅速にかつ効率良く向上し，サービス競争力を格段に上げることができる．また，消費者の創り 出すライフログが重要な素材となり、マーケティングが深まることも期待される．例えば，ポイ ント，マイレージ，電子マネー，ＥＣなどで個人ごとの購買履歴を取得することで，購買エリア， 来店頻度などの実世界での動線を把握することができる．第三者向けの様々なサービスでは，リ アルタイムな交通量や通行量，地域における人口の流動を調査するパーソントリップ調査や，感 染者との接触を知らせて感染の拡大を防ぐ，パンデミックの抑制などが期待される． その一方で，ライフログを活用したサービスの提供にあたり，考慮しなければならないのが個 人情報およびプライバシー保護の問題である．個人の行動データを用いるため，個人特定に繋が る情報を削除，または抽象化する技術的課題，制度的課題，さらに利用者の不快感という心情的 な問題も残っている． センサの性能向上、小型化，協調フィルタリングによって，サイバースペース（ネットなどの 電脳空間）と現実世界の両方で，個人のライフログだけでなく，多人数のライフログを活用する ことも可能となるなど，あらゆる場面でのライフログを取得できる環境が整備されつつある．ラ イフログ活用サービスを実現する基本技術には，ユーザの許諾を得た上で手間を取らせないデー タ収集，個人内の蓄積情報の統計的分析による情報マイニング，集団と個人の関係性を利用した 情報の利活用や，柔軟性が高く，理解しやすい情報開示制御が求められる [2]． 以上のようなライフログ活用技術の動向を踏まえ，本研究グループでは，携帯端末から取得で きるライフログ情報の中でも，主にセンサデータ（位置，加速度，磁気量など）から人の移動に関 わる情報や，本人確認情報（歩き方など）を把握し，複合的に分析することで新しいサービスの提 供を目指している．特に，ユーザの時々の移動状態を把握することは，前述したパーソントリッ プ調査や交通インフラの整備および評価，行動ターゲティング広告などにも広く利用できる可能 性があり，極めて有用であると考えられる． –2– 1.2 2010 年度までの研究内容と 2011∼12 年度の検討項目 1.2 2010 年度までの研究内容と 2011∼12 年度の検討項目 Figure1.2 Example of a Flow Line Map 2008 年度は，GPS の位置情報履歴を用いた人物の滞留時間や場所の測定による滞在区間の検 出を行った [3]．その結果，動線マップ（Figure1.2）を作成する上で重要となる POI(Point Of Interest) を推定することができた．また，P 形フーリエ記述子を用いて位置情報履歴から取得し た動線のデータ量を軽減し，少ないデータで動線の概形を表すことができた． 2009 年度は，加速度センサを用いてユーザの移動状態を識別することについての検討を行った [4]．その結果，加速度センサから取得できる加速度データが移動状態の識別に有用であることが 確認できたが，加速度データはユーザの動きによる影響を受けるため，電車・バス・自動車を厳 密に判別することは難しく，加速度センサから取得できる加速度データ単体による識別では精度 が不十分であると考えた． 2010 年度は，加速度センサとともに携帯端末への搭載が進んでいた地磁気センサ（電子コンパ ス）を用いてユーザの移動状態を識別することについての検討を行った [5]．その結果，地磁気セ ンサから取得できる磁気データも，電車内でのみ観測される特有な磁気の乱れから，電車の識別 には有用であることが確認できたが，これも加速度センサから取得できる加速度データと同様に 単体では徒歩，電車，バス，自動車といった移動状態の識別は望めないことがわかった． そこで，2011∼12 年度は，携帯端末に搭載されている加速度センサ，地磁気センサ，測位セン サから取得できるそれぞれのセンサデータを複合的に用いることで，より精度の高い移動状態の 識別手法の検討を行うことにした． –3– 第 1 章 序論 1.3 本論文の構成と概要 [第 1 章] 序論 本章．研究を行うにあたっての背景，目的と，本論文の構成を述べた. [第 2 章] センサを用いた人物移動状態の識別 センサを用いた人物移動状態の識別に関する従来研究，携帯端末搭載のセンサ機能と出力 データ，および人物移動状態の識別における要素などについて述べる． [第 3 章] 磁気データ調査 各移動状態（徒歩，電車，バス，自動車）において地磁気センサから取得できる磁気データ についての評価を行う． [第 4 章] 加速度データ調査 各移動状態（徒歩，電車，バス，自動車）において加速度センサから取得できる加速度デー タについての評価を行う． [第 5 章] 提案する識別手法 3 章において調査した磁気データの特徴の結果と，4 章において調査した加速度データの特 徴の結果を踏まえ，各センサデータから得られた平均値，標準偏差値，パワースペクトルの最 大値といった特徴量を用いることによる移動状態（徒歩，電車，バス，自動車）の識別手法の 提案を行う． [第 6 章] 結論 本論文のまとめと今後の検討について述べる． –4– 第2章 センサを用いた人物移動状態の識別 本章では，人物移動状態の識別に関する先行研究について言及するとともに，携帯端末搭載セ ンサの基本原理を解説し，2009 年度の研究 [4] で検討したセンサデータを用いた人物移動状態の 識別手法について述べる． 2.1 従来研究 センサデータを用いてユーザの移動状態を識別する研究は，これまでにもいくつか行われてい る [6][7][8][9]． ATR メディア情報科学研究所の田淵らが行った研究 [10] では，加速度センサを多数用いて識 別し，装着位置や装着数，サンプリング周波数についての評価を行っている．識別対象は，立つ， 座る，階段の上り下り，読書などのオフィスワークでの移動であり，特徴量は平均，標準偏差など の 5 種類を用いている．結果，「両手首・両足首」の 4 箇所の装着位置で，識別率 89.8% という 高い識別率が得られている． しかし，このような高い識別率が得られたのは，4 つというセンサの数の多さとセンサが固定さ れているため，正確なデータが取りやすいからではないかと考えられる．特に携帯端末に搭載す るためには，少ないセンサ個数で識別できる必要がある． 山崎らが行った研究 [11] では，加速度センサ単体を使用して，移動状態の特徴を表したモデル データと観測された加速度のパワースペクトルの相関を利用することで，徒歩，停止，自転車，電 車，バス，自動車の計６種類の移動状態を 50% 以上の精度で推定できることを示した．また，小 林らが行った研究 [12] では，携帯端末に搭載することを想定し，加速度センサ，GPS，マイクを 併用して識別を行っている．識別対象は，歩行，走行，停止，自転車，電車，バス，自動車であ り，加速度データに対しての特徴量はパワースペクトルを用いている．結果として，加速度セン サ，GPS，マイクを複合的に使用することで，全移動状態を概ね 80% 以上の精度で推定できるこ とを示した． しかし，これらの研究では，電車・バス・自動車に関しての識別精度が，他移動状態と比較する と，ユーザの着席・起立状態などの要因により影響を受けると考えられるため，安定性に欠ける という問題点がある． そこで，電車・バス・自動車では，駆動源や車載電子機器などの影響により，車内において観測 –5– 第2章 センサを用いた人物移動状態の識別 される磁気データに差異が存在する可能性があると考え，近年になって携帯端末の搭載機能とし て標準採用される傾向にある地磁気センサに着目した．各移動状態における磁気データにそれぞ れ固有の特徴があることを確認できれば，前述の識別精度の問題を改善できると考えられる．本 研究では，従来研究で用いられている加速度センサや測位センサに加え，新たに地磁気センサを 移動状態の識別に使用することによって全体の精度向上を目指す． 2.2 携帯端末搭載のセンサ機能 本節では，本研究で取り扱う携帯端末である iPhone に登載される三種類のセンサについての基 本原理を説明する． 2.2.1 加速度センサ [13] 加速度センサとは，センサ自体の一定時間あたりの速度変化を検出するセンサである．重力加 速度も検出できるので，人や物体の動きや地震などの振動を検出できる．また，三軸の加速度セン サであれば水平状態の検出も可能である．加速度センサは測定範囲によって低 G 加速度センサ， 高 G 加速度センサに分けることができる． 低 G 加速度センサとは，± 20G 以下の汎用計測用センサを指し，腕や手の動きを検出するモー ション・センサとして使用されており，小型で安価なため多くの民生機器にも組み込まれている． 例えば，任天堂のゲーム機「Wii」のコントローラや，本年度の実験に用いる iPhone には低 G 三 軸加速度センサが採用されている． 一方，高 G 加速度センサとは，± 20G∼± 250G の衝突衝撃検出用センサを指し，大型で高価 なため主に産業機器に使用されている．自動車や飛行機の衝突検出実験等に使用され，エアバッ グを膨らませる仕組みにも採用されている． –6– 2.2 携帯端末搭載のセンサ機能 Figure2.1 The Detection Principle of the 3-axis Acceleration Sensor 2009 年度の実験では，乗り物の揺れや振動を検出することと，携帯電話に搭載することを想定 して，iPhone に搭載されているものと同じ低 G 三軸加速度センサを使用した．三軸加速度セン サは，Figure2.1[13] に示すように，ばね定数 k のばねに支えられた質量 m のおもり一つを使っ て，ばねの変位量 x を基に各方向の加速度 a を検出する．物体に働く力はニュートンの法則に より F = ma で表されるが，ばねとおもりの関係から kx = ma が成立するので，加速度 a は a = kx/m と置き換えられる．k と m は既知なので，おもりの移動距離 x が分かれば加速度 a が 求められる． –7– 第2章 センサを用いた人物移動状態の識別 Figure2.2 The Structure of the 3-axis Acceleration Sensor using the MEMS technology MEMS（Micro Electro Mechanical Systems）技 術 を 用 い た 三 軸 加 速 度 セ ン サ の 場 合 ， Figure2.2[13] に示すようにおもりの側面にくし状のコンデンサが形成されており，電子回路によ り静電容量の変化を加速度に対応する電気信号に変換している．MEMS 技術とは半導体技術を用 いて，一枚のシリコン基板上に機能を集積化することであり，加速度センサに MEMS 技術を使 うことにより，小型化，高精度化，低価格化が実現された． 2.2.2 測位センサ [14] 現在地を測定するための測位センサには，GPS（Global Positioning System） ，Wi-Fi 測位，基 地局測位と呼ばれる 3 種類がある． • GPS GPS は，アメリカが打ち上げた三十個ほどの GPS 衛星のうち，上空にある数個の衛星からの 信号を GPS 受信機で受け取り，現在位置を知るシステムである（Figure2.3[14] 参照） ．GPS 衛星からの信号には，衛星に搭載された原子時計からの時刻のデータ，衛星の軌道情報など が含まれている．GPS 受信機にも正確な時刻を知ることができる時計が搭載されているなら ば，GPS 衛星からの電波を受信し，発信-受信の時刻差に電波の伝播速度（光の速度と同じ 30 万 km/s）を掛けることによって，その衛星からの距離がわかる．三個の GPS 衛星からの 距離が分かれば空間上の一点は決定できるが，時刻の誤差がたとえ 100 万分の 1 秒であった としても距離の誤差は 300m にも及んでしまうため，四つの GPS 衛星からの電波を受信し， GPS 受信機内部の時計の校正をしながら測位を行なっている． –8– 2.2 携帯端末搭載のセンサ機能 Figure2.3 Placement of the GPS Satellite • Wi-Fi 測位 Wi-Fi 測位は，Wi-Fi（Wireless Fidelity）機器を使用して現在位置を短時間でリアルタイム に測定することができるテクノロジーである．Wi-Fi 測位では周囲にある複数の無線 LAN アクセスポイントからの電波を受信し，その電測情報を用いて現在地を推定するため，ビル の谷間や屋内や地下街のような GPS が機能しない場所でもフロアごとの位置測定が可能で あることが特徴である．しかし，当然のことながら Wi-Fi アクセスポイントがない場所では 位置検出ができないため，海上や山など都市以外の場所では利用できない．また，都市につ いてもデータベースに Wi-Fi アクセスポイントを登録しておく必要がある． • 基地局測位 基地局測位は，携帯電話と直接交信をする携帯電話網の末端にあたる装置である基地局を利 用した測位技術である．基地局は主に電柱やビルの屋上，電話ボックス，地下鉄ホームの天 井などに設置されている．基地局測位では，基地局の識別情報と携帯端末自身が受信した基 地局からの電波の強さ（電界強度）を基に，基地局から半径何メートルの範囲に対象端末が あるかを測位している．GPS と比べて精度は劣るものの，基地局さえあれば屋内でも位置検 索が可能であることが特徴である． 2.2.3 地磁気センサ（電子コンパス機能を含む）[15] 電子コンパスは，地球の発する磁気を検知して方位を算出し，北方向を電気的に示すコンパス である．方位磁石の代わりに地磁気を検知する地磁気センサと，センサからの信号を増幅する IC と，信号から方位角を演算するソフトウェアからできている．北の方向を知るためには，地磁気 が水平方向にどちらを向いているかを調べる必要があり，二つの地磁気センサを直角に組み合わ せて，前後方向と左右方向の地磁気を検出し，その強さからどちらが北の方向なのかを計算する （Figure2.4[15] 参照）． –9– 第2章 センサを用いた人物移動状態の識別 Figure2.4 The Principle of the Electronic Compass 電子コンパスが方位磁石と異なる点は，針式に比べて揺れや振動での誤差が出にくいこと，コ ンパクトであることなどの他，影響を及ぼす装置内の磁気に強いことが挙げられる．電子コンパ スは，装置の中の磁気の影響を受けても，その磁気の影響の大きさを検出し，瞬時に分析するこ とで磁気の影響を補正することができる．このことにより電子コンパスは，正しい方位を示すこ とが可能となる． 電子コンパスには“二軸タイプ”と“三軸タイプ”がある．北の方向を検出するために，地磁 気が水平方向にどちらを向いているかを調べる際，二つの地磁気センサを組み合わせて，前後方 向と左右方向の地磁気を検出するものを“二軸タイプ”と呼び，三つの地磁気センサを組み合わ せて，前後方向と左右方向に加えて，上下方向の地磁気を検出するものを“三軸タイプ”と呼ぶ． “二軸タイプ”では，電子コンパスを地面に対して水平に持たなければならず，傾けて使うと，正 しく水平方向の地磁気を検知できないため，示す方位に誤差が含まれてしまう．一方，“三軸タイ プ”では，携帯電話を傾けて手に持っている場合など，電子コンパスが傾いた状態でも，傾きの角 度を検知することができるため，その傾き分を差し引いて水平方向の地磁気を計算し，正しい方 位を表示することが可能である．また，電子コンパスは周囲の磁気の影響を受けて方位に誤差が 生じた場合は，磁気補正をする必要がある．例えば，電子コンパスを水平に数周回すことで，影 響する磁気の大きさを検出して補正をすることができる． – 10 – 2.3 携帯端末搭載センサの出力データ 2.3 携帯端末搭載センサの出力データ 本節では，2.2 節で解説した携帯端末搭載センサから得られる出力データについて述べる． ■加速度センサの出力データ 加速度センサから取得できるデータを Table2.1 に示す． Table2.1 The Output Data from the Acceleration Sensor property mean unit sample data timestamp date X X-axis acceleration [G] 0.072448 Y Y-axis acceleration [G] -0.362243 Z Z-axis acceleration [G] -1.050506 8598.113275 iPhone に搭載されている加速度センサは三軸加速度センサを用いており，時間，X 軸・Y 軸・Z 軸方向の加速度 [G] を取得することができる．また，加速度センサにおける Timestamp は実行 時の時刻ではなく，CPU 時間を基準とした経過時間である．iPhone 搭載センサにおける X 軸・ Y 軸・Z 軸の方向を以下の Figure2.5[16] に示す． Figure2.5 Orientation of the 3-axis Sensor for iPhone – 11 – 第2章 センサを用いた人物移動状態の識別 本研究では，三軸加速度センサはデータ取得端末の向きにより，各軸から出力される値が異 なってしまうため，三軸の加速度を合成した値を検討に用いることにした．三軸加速度センサか ら取得できる Table2.1 における X，Y，Z 軸の加速度データを合成し，1 つのデータに変換した （以降，本論文では「三軸合成加速度」と定義する）．三軸合成加速度を Ａ とすると，三軸合成加 速度 A は式（2.1）によって求められる． √ A = (X 2 + Y 2 + Z 2 ) (2.1) これにより，データ取得端末の向きが異なっても，加速度センサの変動値を他と比べることが できるようになった．Figure2.6 は三軸の加速度データを合成した様子を表している． Figure2.6 3-axis Acceleration – 12 – 2.3 携帯端末搭載センサの出力データ ■測位センサの出力データ 測位センサから取得できるデータを Table2.2 に示す． Table2.2 The Output Data from the Positioning Sensor property mean unit sample data timestamp date latitude latitude [°] 35.677088 longitude longitude [°] 139.396037 altitude altitude [m] 90.251800 verticalAccuracy accuracy of vertical direction [m] 23.164149 horizonalAccuracy accuracy of horizonal direction [m] 17.068495 speed speed [m/s] 1.903444 2010/11/14 16:06:23.550 前述の通り，測位センサには，GPS 測位，Wi-Fi 測位，基地局測位の三種類があり，指定した 精度に応じて iPhone が自動的に測位方法を選択し，位置情報のデータを取得している．得られ るデー タは，時刻，緯度 [度]，経度 [度]，高度 [m]，高度の精度 [m]，水平精度 [m]，速度 [m/s] である．時刻は年月日時分秒（ミリ秒は小数点第三位まで）で表示される．水平精度とは，実際 に取得された位置情報を中心として，そこから半径何 [m] の円の中にデバイスが実際に存在して いるかどうかを表している．高度の精度・水平精度で負の数が取得される場合は，その取得され たデータが無効であることを表している．速度は，現在向いている方向のデバイスの瞬間の速度 を表している． ■地磁気センサの出力データ 地磁気センサから取得できるデータを Table2.3 に示す． Table2.3 The Output Data from the Magnetic Sensor property mean unit sample data timestamp date X X-axis magnetism [μ T] 18.625478 Y Y-axis magnetism [μ T] -14.375184 Z Z-axis magnetism [μ T] -34.4375209 trueHeading true north [°] 227.934634 magneticHeading magnetic north [°] 235.892004 headingAccuracy accuracy of magnetic north [°] 10.000000 2010/6/2 17:12:46.380 – 13 – 第2章 センサを用いた人物移動状態の識別 iPhone に搭載されている地磁気センサは三軸地磁気センサを用いており，時刻，X 軸・Y 軸・ Z 軸方向の磁気量 [μ T]，真北 [度]，磁北 [度]，精度 [度] を取得することができ，時刻は年月日時 分秒（ミリ秒は小数点第三位まで）で表示される． 本研究では，この三軸地磁気センサにおいても，三軸加速度センサと同様に，三軸の磁力を合 成することによって，その場の全磁気量の値を測定することとした．三軸地磁気センサで取得し た Table2.3 における X，Y，Z 軸の磁力データを合成し，1 つのデータに変換した（以降，本論 文では「三軸合成磁気量」と定義する）．三軸合成磁気量を F とすると，三軸合成磁気量 F は式 （2.2）によって求められる． √ F = (X 2 + Y 2 + Z 2 ) (2.2) これにより，データ取得端末の向きが異なっても，地磁気センサの変動値を他と比べることが できるようになった． また，iPhone では，三軸の磁気量を元にして磁北を算出し，算出された磁北と観測地点の磁気 偏角により真北を算出している．精度は，得られる磁北と実際の磁北からの最大偏差を表してお り，この精度が負の値を示す場合は，強い磁場の影響をデバイスが受けた場合などで，データが 無効であることを示している． 磁北とは，方位磁針の N 極が指す方向であり，地球上の磁力は磁北に向かっている．現在の磁 北の極点はカナダの北（北緯 78 度，西経 98 度）のあたりに存在し，この磁北点は年を経る毎に 徐々にずれている．真北とは，北極点，すなわち地球の自転軸の北端（北緯 90 度地点）を指す方 位であり，北極星のある方位である．この真北と磁北にはズレがあり，そのズレを磁気偏角とい う．磁気偏角は日本では 3∼9 度の偏角があり，アメリカでは地域により 30∼40 度の偏角がある ところもある． また，地磁気に関して，赤道付近での地磁気の大きさは約 30∼35 μ T，極域では約 55∼60 μ T とされており，日本国内だと，沖縄では約 44 μ T なのに対して，北海道では約 50 μ T とされ ている．本研究の実験場である東京付近の平均磁場は約 45 μ T と観測されている [17]． – 14 – 2.4 人物移動状態の識別 2.4 人物移動状態の識別 本節では，本研究で検討する人物移動状態の識別における要素について解説する．また，本研 究の 2010 年度までの研究内容と，2011∼12 年度の検討項目について述べる． 2.4.1 識別における要素 本項では，センサ情報を用いた人物移動状態の識別における各要素について述べる． まず，本研究では，人物移動状態を識別するにあたって，以下の要素が重要であると考える． ■識別において重要な要素 • 識別対象区間の決定 • 特徴量の抽出 • 識別アルゴリズムの考案 それぞれの要素についての意味は以下に解説する通りである． ■識別対象区間の決定 識別対象区間の決定は，各移動状態のどこを識別対象とするのかを定めることである． 移動状態の識別においては，移動状態の特徴を得るためのデータ数と精度の関係を知ることが 重要である．移動状態の識別を携帯端末のアプリケーションで行うことを考えると，識別対象区 間は移動状態によらず一定でなくてはならない．つまり，最低何個集まれば全ての移動状態の特 徴が得られるかを検討し求めなくてはならない．そして，どの程度のデータ数でどの程度の精度 を発揮できるのかを精査し，識別にかかる時間設定との兼ね合いを検討する必要がある． ■特徴量の抽出 特徴量とは，対象（例えば，本研究では徒歩，電車，バス，自動車といった移動状態）の特徴を 数値化したものである．そして，特徴量の抽出とは，入力されたデータから識別に有効な特徴量 を取り出す処理のことである． センサ情報を用いた人物移動状態の識別では，入力されたセンサデータから抽出した特徴量を もとに識別処理を行う．特徴量の抽出で重要なことは，複数の特徴量の組み合わせから，各移動 状態の特徴を算出する有効な特徴量を見つけることである． 具体的に有効な特徴量とは，Figure2.7 のように，特徴空間で各クラスが分離でき，重なりが少 ない特徴量のことである．逆に Figure2.8 のような，各クラスが分離できず，重なりがある特徴 量は識別に有効でないと言える． ■識別手法の考案 識別手法は，入力されたセンサデータから出力された特徴量について評価を行い，どの移動状態 – 15 – 第2章 センサを用いた人物移動状態の識別 Figure2.7 Examples of the distribution of good features for identification Figure2.8 Examples of the distribution of bad features for identification – 16 – 2.4 人物移動状態の識別 に属するかを判定する手法である．識別器の最後に位置し，移動状態の識別結果を出力する．特 徴空間での各クラスの分布の様子を踏まえ，識別手法を決める必要がある． 以上，三種類の重要な要素を紹介したが，特に特徴量の抽出が重要であると考える．特徴量の 抽出が適切でなければ，識別器の設計にいかに力を注いでも，高精度の識別は実現できない．特 徴量の抽出は認識性能を左右する極めて重要な処理である． そのため，本研究では，ユーザの移動状態の識別手法を考案するため，携帯端末に搭載されて いる地磁気センサ，加速度センサ，測位センサから取得できる，徒歩，電車，バス，自動車といっ た移動状態におけるセンサデータの性質や特徴分布空間の様子についての検討と評価を行う． 2.4.2 本研究で取り扱う特徴量 本項では，本研究で検討する特徴量について述べる． 本研究における特徴量の抽出方法は，各センサから取得できる三軸合成加速度や三軸合成磁気 量などのセンサデータを一定時間のウィンドウに分割し，ウィンドウごとに特徴量を求めるもの である．2009 年度の三軸合成加速度を用いた研究 [4] では，ウィンドウサイズを 256 サンプルに 設定して特徴量を求める方法と，256 サンプルのウィンドウを 128 サンプルずつスライドさせる ことで，データの重複を行い，特徴量を求める方法を行った（以降，本論文ではウィンドウスライ ド方式と定義する）． Figure2.9 Window Slide Method – 17 – 第2章 センサを用いた人物移動状態の識別 Figure2.9 にウィンドウスライド方式の分割方法について示す．ウィンドウスライド方式の利 点は，特徴量データを増やしたい場合，本来ならばウィンドウサイズを狭めて取得するのが，ウィ ンドウを狭めずに，多くの特徴量が得られることである．音声認識では，データ取得の際にデー タを重複させた方が，特徴抽出がしやすいという結果が出ていることから，本研究でも用いた． そして，本研究では，地磁気センサから取得された磁気データから抽出する特徴量には平均値 と標準偏差値，加速度センサから取得された加速度データから抽出する特徴量には平均値と標準 偏差値，そしてパワースペクトルの最大値を用いた．これらの特徴量は，センサデータを用いた 移動状態識別の先行研究 [10][11][12] にも使用されているため，本研究で取り扱う磁気データや加 速度データにも有効ではないかと考えて採用した． ■平均値 平均値 x̄ は式（2.3）より求められる． 1∑ x̄ = xi n i=1 n (2.3) ■標準偏差値 標準偏差値 σ は式（2.4）より求められる． v u n u1 ∑ σ =t (xi − x̄)2 n i=1 (2.4) ■パワースペクトル 本研究で取り扱うパワースペクトルは，三軸合成加速度に FFT（Fast Fourier Transform：高 速フーリエ変換）を行い，周波数成分ごとのパワーを求め，横軸を周波数としてグラフ化したも のである．三軸合成加速度の時間信号 x(t) のフーリエスペクトルを X(f ) とすると，パワースペ クトルは式（2.5）より求められる． powerSpectrum = |X(f )|2 = |X(f )| ∗ |X(f )| – 18 – (2.5) 第3章 磁気データ調査 本章では，各移動状態（徒歩，電車，バス，自動車）において地磁気センサから取得できる磁気 データについての評価を行う． 3.1 磁気データ調査実験 本実験では，徒歩，電車，バス，自動車においてデータ取得を行い，それぞれの磁気データの三 軸合成磁気量や，その平均値や標準偏差値といった特徴量について比較を試みた． 実験諸元 実験諸元を Table3.1 に示す． Table3.1 Specifications of the experiment walk train date 2012/06/04 2012/05/29 time 11:26:39 12:22:33 place bus 2012/11/06 2012/10/15 neighborhood Sobu Line(Mitaka∼Nakano) holding pocket of the right leg number of data 12000 device iPhone 4S – 19 – car 16:04:37 12:02:25 Hino∼Tachikawa 第 3 章 磁気データ調査 実験結果と考察 Figure3.1 3-axis Magnetism 徒歩，電車，バス，自動車において観測される三軸合成磁気量の推移を比較した結果を Figure3.1 に示す．グラフの横軸は時間 [10ms]，縦軸は三軸合成磁気量 [μ T] である． 調査の結果，徒歩の磁気量は 40∼50 μ T の範囲で推移していることが確認できた．気象庁の 地磁気観測所が公開している観測結果によると，東京近辺の平常な地磁気の値は約 45 μ T とさ れているため，この徒歩における磁気量は地磁気そのものの値であると言える．一方，電車内の 磁気量は，徒歩とは異なり，通常では生じ得ない 100 μ T 以上の値が多く見られ，一定の値に収 まらず大きく変動しながら推移していた．また，自動車とバスは似通った値での推移が確認され た．電車ほどに磁気量は乱れていないものの，自動車とバスも徒歩とは異なる値で推移している ことが分かる． 次に，徒歩，電車，バス，自動車における三軸合成磁気量の 10 秒（=1000 データ）毎の平均値 と標準偏差値の散布図を取り，比較を行った結果を Figure3.2 に示す．グラフの横軸は三軸合成 磁気量の平均値 [μ T]，縦軸は三軸合成磁気量の標準偏差値である． – 20 – 3.1 磁気データ調査実験 Figure3.2 Scatter Plot of Average and Standard Deviation 比較の結果，電車の磁気データを見ると，三軸合成磁気量の平均値と標準偏差値の両方が非常 に大きい範囲に分布しており，徒歩，バス，自動車とは明確に区別されていることが確認できる． また，電車と同様に，バスと自動車における平均値も地磁気の値とは異なるため，ここでは徒歩 も電車，バス，自動車とは区別されていることが確認できる．しかし．バスと自動車に関しては， 両方ともに分布が重なってしまっていることが分かる． 以上の結果から，電車とその他の移動状態は，電車内では磁気量が乱れるという特性から，時々 の三軸合成磁気量の平均や標準偏差の値を用いることによる識別の可能性が期待できる． そこで，電車内において磁気量の乱れがいかなる状況でも同様に見られるかを調査する必要性 と，バスと自動車において取得できる磁気データに特徴の差異がないかを詳細に調査する必要性 があると考えた． 電車における磁気データ調査実験の結果を 3.2 節，バスと自動車における磁気データ調査実験 の結果を 3.3 節で示す． – 21 – 第 3 章 磁気データ調査 3.2 電車における磁気データ調査実験 本節では，電車において取得される磁気データについての詳細な調査を行った． 3.2.1 再現性調査実験 本実験では，電車において確認される磁気量の乱れに再現性があるのかを調査するため，東西 線の中野∼三鷹間で，データ取得時に用いた車両や座席の位置，端末の方向などの状況を再現し て二度のデータ取得を行い，電車内において観測される三軸合成磁気量の比較を試みた． 実験諸元 実験諸元を表 3.2 に示す． Table3.2 Specifications of the experiment train(first) date time train(second) 2010/09/04 17:14:58 17:50:04 place Touzai Line (Nakano∼Mitaka) holding hand number of data 765 device iPhone 3GS – 22 – 3.2 電車における磁気データ調査実験 実験結果と考察 Figure3.3 Reproducibility of the Magnetism in the Train 同様の環境において電車の 1 回目と 2 回目において観測される三軸合成磁気量の平均値の推移 を比較した結果を Figure3.1 に示す．グラフの横軸は時間 [s]，縦軸は三軸合成磁気量の 1 秒毎 （=100 データ）の平均値 [μ T] である． 結果として，同じ状況を再現してデータ取得を行っても，一度目と二度目で観測された磁気量 の乱れは完全に異なっており，電車内における磁気量の乱れに再現性がないことが見受けられた． これは，電車の磁界は多数の原因から生じており，磁界の周波数や磁束密度は，測定位置や測定 時間の他，車載機器の位置や運転状況（力行，だ行，制動などの走行モード）により，時間的局所 的に異なるからである. 3.2.2 項において，この原因について詳細な調査を行った結果を示す． – 23 – 第 3 章 磁気データ調査 3.2.2 電車内磁界のメカニズム [18] ここでは，電車内磁界のメカニズムに関して，先行研究 [18] を調査した結果をまとめる． 電気鉄道は，架線から電流を取り，車内の電気機器に電力を供給し，レールに帰線電流として帰 すという電流の流れにより磁界を放射している．従って，電車の磁界は大きく二つに分類される. ■電車の磁界 • 架線ー車両ーレールを流れる電流ループからの磁界 • 車載機器や配線を流れる電流からの磁界 そして，上記の二種類の磁界は，以下の通り，さらに細かく分類される（Figure3.4，Figure3.5 参照）． ■磁界の分類 • き電方式の違い（交流き電 or 直流き電） • 駆動制御方式の違い（インバータ制御 or チョッパ制御） • 車載機器の特徴（静止型インバータ，リアクトルなど） Figure3.4 The magnetic field from the rail and overhead wires – 24 – 3.2 電車における磁気データ調査実験 Figure3.5 The magnetic field from the train また，これらの磁界には，基本周波数の磁界以外に高調波電流による磁界も重畳されるため，さ らに複雑な磁界分布になる．こうした鉄道からの複雑な磁界は，測定位置や測定時間によって周 波数や磁束密度が大きく異なり，Figure3.3 のような特徴がある． Figure3.6[18] は，磁界測定器による車内（インバータ上，モータ上，リアクトル上，座席上）の 磁界測定結果解析例である．この例からも，車内における磁界は場所や時間により大きく異なる ことが裏付けられた． – 25 – 第 3 章 磁気データ調査 Table3.3 Characteristic of the magnetic field from the railway[18] 10nT∼1mT magnetic field strength frequency range distribution interior separation line） depends on the position of the vehicle equipment and the driving situation characteristic 0∼several thousands[Hz]（except the magnetic field from the exterior depends on the position of the substation, the train, and the driving situation driving situation depends on driving mode（power running, coasting, braking） reproducibility not much Figure3.6 Analysis Sample of Measurements of the Magnetic Field in the Train 本節において説明した電車内磁界におけるメカニズムをまとめると以下の通りである． • 電車の磁界は多数の原因から生じている． • 磁界の周波数や磁束密度は，測定位置や測定時間によって異なる． • 磁界は走行モード（力行，だ行，制動）により異なる． – 26 – 3.3 バスと自動車における磁気データ調査実験 3.3 バスと自動車における磁気データ調査実験 本節では，バスと自動車において取得される磁気データについての詳細な調査を行った． 3.3.1 車内磁気データ調査実験 本実験では，バスと自動車において確認される磁気量の乱れが，どのような状況で生じるのか を把握するため，バスと自動車で取得した磁気データについて詳細な調査を行った． 実験諸元 実験諸元を Table3.4 に示す． Table3.4 Specifications of the experiment bus date time car 2012/10/14 2012/10/15 14:19:06 12:04:32 place Hino∼Hachioji holding hand number of data 2000 device iPhone 4S 実験結果と考察 バスと自動車の走行中において磁気量が乱れるケースを調査した結果，以下の状況において車 内の磁気量が大きく変動することが判明した． ■車内の磁気量が乱れる状況 • 鉄橋，立体交差上，立体交差下などの通過時 • 右左折などによる，車体が向いている方角の変更時 自動車が鉄橋，立体交差上，立体交差下を通過した際の三軸合成磁気量の推移を Figure3.7，バ スと自動車が交差点を右折した際の三軸合成磁気量の推移を Figure3.8 に示す．グラフの横軸は 時間 [10ms]，縦軸は三軸合成磁気量 [μ T] である． – 27 – 第 3 章 磁気データ調査 Figure3.7 Histogram of 3-axis Magnetism (East) Figure3.8 Histogram of 3-axis Magnetism (East) – 28 – 3.3 バスと自動車における磁気データ調査実験 まず，バスと自動車の車内において観測される磁気量が地磁気の値と異なるのは，車体や車載 電子機器などが形成する磁界の影響によるものと考えられる． そのため，鉄橋，立体交差上，立体交差下などを通過した際に車内の磁気量が乱れるのは，車 体や車載電子機器などが形成する磁界が，これらの構造物を構成している鉄筋などによって生じ ている磁界から影響を受けるのが原因であると考えられる． そして，右左折によって車内の磁気量が変化するのは，車体が向いている方角が変わることに より，車体や車載電子機器などが形成する磁界の向きも変わるのが原因であると考えられる． 以上の結果より，各方角における車内の磁気量が，バスと自動車によって差異があるのかを確 認するため，バスと自動車の各方角における磁気データの調査を行う必要性があると考えた． 3.3.2 各方角における車内磁気データ調査実験 本実験では，車体が向いている方角によって変動する車内の磁気量が，バスと自動車によって 差異があるのかを確認するため，暫定的に東西南北を設定してデータ取得を行い，各方角におけ る車内磁気データの調査を試みた． 実験諸元 実験諸元を Table3.5 に示す． Table3.5 Specifications of the experiment bus car date 2012/11/06 time 14:17:35 14:29:53 place Hino∼Tachikawa holding hand number of data 12000 device iPhone 4S – 29 – 第 3 章 磁気データ調査 実験結果と考察 Figure3.9 Average of 3-axis Magnetism for Each Direction 各方角における三軸合成磁気量の平均値を比較したところ，バスと自動車で取得できる磁気量 に差異があることが判明した．その結果を Figure3.9 に示す． この結果を受けて，今度は直進中のバスと自動車が向いている各方角における三軸合成磁気量 の分布の比較を行った．東方向，南方向，西方向，北方向における結果を，それぞれ Figure3.10， Figure3.11，Figure3.12，Figure3.13 に示す．グラフの横軸は三軸合成磁気量 [μ T]，縦軸は各 値におけるデータ数である． 東方向（Figure3.10）の結果を見ると，一部の値は重なってしまっているものの，バスの磁気量 は 20 μ T より小さい値に多く分布しており，これらの値は自動車ではどの方角においても見ら れない特徴である．南方向（Figure3.11）でも一部の値に重なりが見られるが，バスの磁気量の多 くは 20 μ T 台，自動車の磁気量はすべてが 30 μ T 台に分布しており，西方向（Figure3.12）に 至っては分布が重なることなく明確に区別されている．しかし，北方向（Figure3.13）においては 分布の大半が重なってしまっており，区別することが困難である． 以上の結果から，北方向以外については磁気量の分布がある程度異なることが確認された．携 帯端末に搭載されている GPS からユーザ（端末）の移動方向を取得できるため，地磁気センサと GPS を複合して利用し，車体が向かっている方角と車内の磁気量を関連付けることで，バスと自 動車の識別精度を向上できる可能性が考えられる． – 30 – 3.3 バスと自動車における磁気データ調査実験 Figure3.10 Histogram of 3-axis Magnetism (East) Figure3.11 Histogram of 3-axis Magnetism (South) – 31 – 第 3 章 磁気データ調査 Figure3.12 Histogram of 3-axis Magnetism (West) Figure3.13 Histogram of 3-axis Magnetism (North) – 32 – 第4章 加速度データ調査 本章では，各移動状態（徒歩，電車，バス，自動車）において加速度センサから取得できる加速 度データについての評価を行う． 4.1 加速度データ調査実験 本実験では，徒歩，電車，バス，自動車においてデータ取得を行い，それぞれの加速度データの 三軸合成加速度の平均値や標準偏差値といった特徴量について比較を試みた． 実験諸元 実験諸元を Table4.1 に示す． Table4.1 Specifications of the experiment walk train date 2012/06/04 2012/05/29 time 11:26:39 12:22:33 place bus 2012/11/06 2012/10/15 neighborhood Sobu Line(Mitaka∼Nakano) holding pocket of the right leg number of data 12000 device iPhone 4S – 33 – car 16:04:37 12:02:25 Hino∼Tachikawa 第4章 加速度データ調査 実験結果と考察 Figure4.1 Scatter Plot of Average and Standard Deviation 徒歩，電車，バス，自動車における三軸合成加速度の 10 秒（=1000 データ）毎の平均値と標準 偏差値の散布図を取り，比較を行った結果を Figure4.1 に示す．グラフの横軸は三軸合成加速度 の平均値 [G]，縦軸は三軸合成加速度の標準偏差値である．この際，徒歩，電車およびバスにおい ては歩行状態，着席・起立状態によって得られる加速度データが異なるため，徒歩は歩行・走行・ 停止，電車およびバスは着席・起立と場合分けして検討を行った． Figure4.1 を見ると，三軸合成加速度の標準偏差値を用いることで，徒歩（歩行・走行・停止） は他移動状態と明確に区別できることが確認できる．一方で，電車・バス・自動車に関しては値 が重なってしまっており，単純な統計量では区別することが困難であることが分かる． しかし，電車に関しては，前章で述べたように三軸合成磁気量の平均や標準偏差の値を用いる ことで高精度の識別が可能であると考えられるので，ここでは加速度データを用いたバスと自動 車の識別を目指す．また，バスにおいては着席状態と起立状態によって得られる加速度データが 異なると考えられるため，両方の場合において検討を行う． バスと自動車における加速度データ調査実験の結果を 4.2 節に示す． – 34 – 4.2 バスと自動車における加速度データ調査実験 4.2 バスと自動車における加速度データ調査実験 本実験では，バスと自動車において取得される加速度データの三軸合成加速度，鉛直方向加速 度，進行方向加速度，側面方向加速度のパワースペクトルといった特徴量について比較を試みた． 実験諸元 実験諸元を Table4.2 に示す． Table4.2 Specifications of the experiment bus date time car 2012/12/02 15:06:22 15:35:36 place Hino∼Tachikawa holding pocket of the right leg number of data 1024 device iPhone 4S 実験結果と考察 まず，バスと自動車の進行中と停止中における約 10 秒間（＝ 1024 データ）の三軸合成加速度 に対して，それぞれ高速フーリエ変換を行い算出した周波数スペクトルの比較を試みた．ここで 進行中とは運転状況が加速，直進，減速状態にあることを指し，停止中とは運転状況が信号待ち などにおける一時的な停止状態にあることを指す．進行中と停止中における周波数スペクトルを Figure4.2，Figure4.3 に示す．グラフの横軸は周波数 [Hz]，縦軸は各周波数におけるパワースペ クトルである． 進行中におけるパワースペクトルの最大値を比較すると，バスは着席状態と起立状態に関わら ず 10 以上を示しているが，自動車は 10 に満たないことが確認できる．一方，停止中においては， 全体的にパワースペクトルの大きさが低下してしまうものの，自動車よりはバスの方が大きいこ とが確認できる．これは，駆動源や車体の大きさの違いにより，車体の揺れが異なるからである と考えられる． – 35 – 第4章 Figure4.2 Spectrum of 3-axis Acceleration (Moving) Figure4.3 Spectrum of 3-axis Acceleration (Suspension) – 36 – 加速度データ調査 4.2 バスと自動車における加速度データ調査実験 次に，バスと自動車における鉛直方向，進行方向などの加速度成分から重力加速度の分離を行 い，ユーザ加速度を算出した．三軸合成加速度には常に重力による加速度が含まれているが，こ の重力成分は三軸合成加速度にローパスフィルタをかけることで分離することができる．ユーザ 加速度とは，三軸合成加速度から分離した重力加速度を差し引いた値で，ユーザ（端末）の動きに よって生じる加速度である． まず，ユーザ加速度ベクトルを重力加速度ベクトルが向いている方向に射影することで，鉛直 方向の加速度を算出した．この鉛直方向加速度を用いた場合の，進行中と停止中における周波数 スペクトルを Figure4.4，Figure4.5 に示す．グラフの横軸は周波数 [Hz]，縦軸は各周波数におけ るパワースペクトルである． 進行中におけるパワースペクトルの最大値を比較すると，先程と同様に，バスは着席・起立状 態とも 10 以上を示しているが，自動車は 10 に満たないことが確認できる．しかし，停止中にお いては自動車よりも起立状態におけるバスの方がパワースペクトルの最大値が下回っていること が確認できる．これは，停止中における車体の縦揺れは起立状態だとユーザの脚によって振動が 吸収されてしまうからであると考えられる． Figure4.4 Spectrum of Vertical Acceleration (Moving) – 37 – 第4章 加速度データ調査 Figure4.5 Spectrum of Vertical Acceleration (Suspension) 続いて，ユーザ加速度を重力加速度ベクトルが向いている方向に垂直な平面に射影することに より，水平方向加速度ベクトルを算出した．この水平方向加速度ベクトルは進行方向の加速度と 車体ないしユーザの横揺れによる加速度を含んでいるが，進行中においては，データ取得端末が 固定されているという条件下では得られた水平方向加速度ベクトル群を足し合わせれば進行方向 の加速度が支配的になると考えられる（以下，進行方向加速度と呼称する）．そのようにして進行 中に得られた進行方向加速度を用いた場合の周波数スペクトルを Figure4.6 に示す．また，この 進行方向加速度ベクトルに垂直になるよう個々の水平方向加速度ベクトルを射影することで横揺 れの加速度も算出できる（以下，側面方向加速度と呼称する）．進行方向加速度と同時に得られた 側面方向加速度を利用した場合の周波数スペクトルを Figure4.7 に示す．グラフの横軸は周波数 [Hz]，縦軸は各周波数におけるパワースペクトルである． – 38 – 4.2 バスと自動車における加速度データ調査実験 Figure4.6 Spectrum of Acceleration of Traveling Direction Figure4.7 Spectrum of Acceleration of Lateral Direction – 39 – 第4章 加速度データ調査 結果，進行方向加速度におけるパワースペクトルの最大値を比較すると，今度は起立状態のバ スと自動車は 10 以上を示しているが，着席状態のバスは 10 に満たないことが確認できる．また， 側面方向加速度におけるパワースペクトルの最大値を比較しても，起立状態のバスと自動車より も着席状態のバスの方が小さい，このことから，着席状態のバスにおいては，鉛直方向における 加速度成分が支配的であることが分かる．これは，データ取得端末を右脚ポケットに装着してい るため，着席していることにより，バスの縦揺れが座席からユーザの身体に吸収されず直積伝わ りやすいためと考えられる．同様に，自動車においては，進行方向や側面方向における加速度成 分が支配的であると推測される．また，起立状態のバスが，進行方向と側面方向において最もパ ワースペクトルが大きくなるのは，ユーザ（データ取得端末）が固定されていないため，バスの加 速や減速に伴って生じる慣性力により，水平方向に大きく揺れやすいからであると考えられる． 以上の結果から，バスと自動車を識別するには，着席状態と起立状態に関わらず，バスと自動 車を区別できる特徴を用いるのが相応しいので，三軸合成加速度や鉛直方向加速度を用いた場合 のパワースペクトルが適切であると考えられる． – 40 – 第5章 提案する識別手法 本章では，3 章において調査した磁気データの特徴の結果と，4 章において調査した加速度デー タの特徴の結果を踏まえ，各センサデータから得られた平均値，標準偏差値，パワースペクトル の最大値といった特徴量を用いることによる移動状態（徒歩，電車，バス，自動車）の識別手法の 提案を行う． 識別手法 以下に 5 章で提案する識別手法の概要を示す．また，概要図を Figure5.1 に示す． ■磁気量を用いた電車の識別手法 5.1 節において，磁気データから得られた三軸合成磁気量の平均値と標準偏差値を用いることに よる電車と他移動状態（徒歩，バス，自動車）の判別についての検討を行う． ■加速度を用いた徒歩の識別手法 5.2 節において，加速度データから得られた鉛直方向加速度の平均値と標準偏差値を用いること による徒歩と他移動状態（バス，自動車）の判別についての検討を行う． ■磁気量と進行方向を用いたバスと自動車の識別手法 5.3 節において，磁気データから得られた三軸合成磁気量の平均値と，位置データから得られた 進行方向を用いることによるバスと自動車の判別についての検討を行う． ■加速度を用いたバスと自動車の識別手法 5.4 節において，加速度データから得られた四種類の加速度のパワースペクトルの最大値を用い ることによるバスと自動車の判別についての検討を行う． ■加速度と速度を用いたバスと自動車の識別手法 5.5 節において，加速度データから得られた三軸合成加速度のパワースペクトルの最大値と，位 置データから取得可能な 1 秒毎の速度 [m/s] を用いることによるバスと自動車の判別についての 検討を行う． – 41 – 第5章 提案する識別手法 Figure5.1 Schematic View 実験諸元 実験諸元を Table5.1 に示す． Table5.1 Specifications of the experiment walk train bus car date 2012/06/04 2012/05/29 2012/12/02 time 11:26:39 12:22:33 15:06:22 15:35:36 place neighborhood Sobu Line(Mitaka∼Nakano) Hino∼Tachikawa holding pocket of the right leg number of data 12000 device iPhone 4S ここで，識別対象区間として，徒歩に関しては歩行，走行，停止状態を含めた 12000 個のデー – 42 – 5.1 磁気量を用いた電車の識別手法 タ，電車に関しては着席・起立状態それぞれにおいて 3.2.2 項で述べた各走行モード（力行，だ 行，制動）および停止中を含めた 12000 個のデータ，バスに関しては着席・起立状態それぞれに おいて進行中（加速，直進，減速状態）および停止中を含めた 12000 個のデータ，自動車に関し ては進行中（加速，直進，減速状態）および停止中を含めた 12000 個のデータを用いている． 5.1 磁気量を用いた電車の識別手法 本節では，磁気データから得られた三軸合成磁気量の平均値と標準偏差値を用いることによる 電車と他移動状態（徒歩，バス，自動車）の判別についての検討を行う． 徒歩，電車，バス，自動車における三軸合成磁気量の 10 秒 (=1000 データ) 毎の平均値のヒス トグラムを Figure5.2 に示す．グラフの横軸は平均値 [μ T]，縦軸は頻度 [％] である． Figure5.2 Histogram of Average of 3-axis Magnetism まず，三軸合成磁気量の平均値を用いた識別手法において，電車以外の移動状態（徒歩，バス， 自動車）が明確に区別できる閾値として，55 μ T という値を設定した． 結果として，Figure5.2 を見ると，ここでは電車のデータの約 98 ％が設定した閾値よりも高い 範囲に分布していることが確認できた．そのため，電車と他移動状態（徒歩，バス，自動車）の識 別に用いる特徴量として，三軸合成磁気量の平均値を採用することにより，かなりの高精度で電 車の切り分けを行うことが可能であると言える． 約 2 ％が閾値よりも低い範囲に分布してしまう原因としては，電車が駅のホームに停車してい る平均約 30 秒弱の最中などに，一時的に三軸合成磁気量の値が下がってしまう場合があるためで – 43 – 第5章 提案する識別手法 あると推測されため，この対処法としては，平均値を算出する時間幅を 10 秒 (=1000 データ) で はなく 30 秒 (=3000 データ) とすることにより，一時的な磁気量の低下を抑制すればよいと考え られる． Figure5.3 Histogram of Standard Deviation of 3-axis Magnetism 徒歩，電車，バス，自動車における三軸合成磁気量の 10 秒 (=1000 データ) 毎の標準偏差値の ヒストグラムを Figure5.3 に示す．グラフの横軸は標準偏差値，縦軸は頻度 [％] である． 先程と同様に，三軸合成磁気量の標準偏差値を用いた識別手法において，電車以外の移動状態 （徒歩，バス，自動車）が明確に区別できる閾値として，18 という値を設定した． 結果として，Figure5.3 を見ると，ここでは電車のデータの約 50 ％が設定した閾値よりも高い 範囲に分布していることが確認できた．約半分が閾値よりも低い範囲に分布してしまう原因とし ては，電車内の磁気量は大きく変動しながら推移するが，標準偏差値を算出するのが 10 秒間とい う短い時間幅の場合，磁気量の変動が小さい箇所も含まれてしまうからである．そのため，この 対処法としては，標準偏差値を算出する時間幅を 10 秒 (=1000 データ) よりも長くすることで， 全体的に標準偏差値を高くするなどが考えられるが，今回のデータで実際に 30 秒 (＝ 3000 デー タ) で標準偏差値を算出したところ，閾値よりも高い範囲に分布した電車のデータは約 80 ％程で あり，平均値を用いた場合よりも区別することができなかった． 以上の結果から，電車と他移動状態（徒歩，バス，自動車）を判別するには，磁気データから得 られた三軸合成磁気量の 10 秒間もしくは 30 秒間における平均値を用いるのが有効であると考え られる． – 44 – 5.2 加速度を用いた徒歩の識別手法 5.2 加速度を用いた徒歩の識別手法 本節では，加速度データから得られた鉛直方向加速度の平均値と標準偏差値を用いることによ る徒歩と他移動状態（バス，自動車）の判別についての検討を行う． ここで，三軸合成加速度ではなく鉛直方向加速度を用いたのは，徒歩の停止中におけるユーザ の無意識な横揺れの影響をなくすためである． また，電車に関しては，5.1 節より磁気データから得られた 10 秒間もしくは 30 秒間における三 軸合成磁気量の平均値を用いることで切り分けが可能であると考えられるため，識別対象の移動 状態からは除いている． 徒歩，バス，自動車における鉛直方向加速度の 10 秒 (=1000 データ) 毎の平均値のヒストグラ ムを Figure5.2 に示す．グラフの横軸は平均値 [G]，縦軸は頻度 [％] である．この際，徒歩，バス においては歩行状態，着席・起立状態によって得られる加速度データが異なるため，徒歩は歩行・ 走行・停止，バスは着席・起立と場合分けして検討を行った． Figure5.4 Histogram of Average of Vertical Acceleration まず，鉛直方向加速度の平均値を用いた識別手法において，徒歩（停止）と他移動状態（バス， 自動車）が明確に区別できる閾値として 0.004G，徒歩（歩行・走行）と他移動状態（バス，自動 車）が明確に区別できる閾値として 0.4G という二つの値を設定した． 結果として，Figure5.4 を見ると，ここでは徒歩（停止）のデータは 100 ％が設定した閾値より も低い範囲に分布しており，徒歩（歩行・走行）のデータは 100 ％が設定した閾値よりも高い範 囲に分布していることが確認できた．そのため，徒歩と他移動状態（バス，自動車）の識別に用 – 45 – 第5章 提案する識別手法 いる特徴量として，鉛直方向加速度の平均値を採用することにより，かなりの高精度で徒歩の切 り分けを行うことが可能であると言える． Figure5.5 Histogram of Standard Deviation of Vertical Acceleration 徒歩，バス，自動車における鉛直方向加速度の 10 秒 (=1000 データ) 毎の標準偏差値のヒスト グラムを Figure5.3 に示す．グラフの横軸は標準偏差値，縦軸は頻度 [％] である． 先程と同様に，鉛直方向加速度の標準偏差値を用いた識別手法において，徒歩（停止）と他移 動状態（バス，自動車）が明確に区別できる閾値として 0.003，徒歩（歩行・走行）と他移動状態 （バス，自動車）が明確に区別できる閾値として 0.3 という二つの値を設定した． 結果として，Figure5.5 を見ると，ここでは徒歩（停止）のデータは 100 ％が設定した閾値より も低い範囲に分布しており，徒歩（歩行・走行）のデータは 100 ％が設定した閾値よりも高い範 囲に分布していることが確認できた．そのため，徒歩と他移動状態（バス，自動車）の識別に用 いる特徴量として，鉛直方向加速度の標準偏差値を採用することによっても，かなりの高精度で 徒歩の切り分けを行うことが可能であると言える． 以上の結果から，徒歩と他移動状態（バス，自動車）を判別するには，加速度データから得られ た鉛直方向加速度の 10 秒間における平均値もしくは標準偏差値を用いるのが有効であると考えら れる． – 46 – 5.3 磁気量と進行方向を用いたバスと自動車の識別手法 5.3 磁気量と進行方向を用いたバスと自動車の識別手法 本節では，磁気データから得られた三軸合成磁気量の平均値と，位置データから得られた進行 方向を用いることによるバスと自動車の判別についての検討を行う． バスと自動車の東方向，南方向，西方向，北方向における三軸合成磁気量の 10 秒 (=1000 デー タ) 毎の平均値のヒストグラムを Figure5.6，Figure5.7，Figure5.8，Figure5.9 に示す．グラフの 横軸は平均値 [μ T]，縦軸は頻度 [％] である． バスと自動車を区別するための閾値として，東方向は 21 μ T，南方向は 33 μ T，西方向は 37 μ T，北方向は 39 μ T を設定した． 結果として，ここではバスと自動車の分布が明確に分かれている西方向（Figure5.8）に関して は完全に切り分けることができたが，東方向（Figure5.6）と南方向（Figure5.7）に関してはバス のデータの一部が自動車の分布と重なってしまっており，北方向に至ってはバスと自動車の分布 が完全に被っているため，高い精度で区別することができなかった． 以上の結果から，バスと自動車の三軸合成磁気量は進行方向によって分布の傾向が異なるため， 閾値を設定して判別を試みても精度は安定しない．また，今回は暫定的に決めた東西南北という 四方向において閾値を設定したが，実際にはより細分化された方向毎に閾値を設定する必要があ る．その他にも，実現に用いる進行方向は測位センサから取得できる位置データのものを用いる ため，地磁気センサだけでなく測位センサの精度にも依存することになり，さらに精度は下がる と考えられる． Figure5.6 Histogram of Average of 3-axis Magnetism (East) – 47 – 第5章 Figure5.7 Histogram of Average of 3-axis Magnetism (South) Figure5.8 Histogram of Average of 3-axis Magnetism (West) – 48 – 提案する識別手法 5.4 加速度を用いたバスと自動車の識別手法 Figure5.9 Histogram of Average of 3-axis Magnetism (North) 5.4 加速度を用いたバスと自動車の識別手法 本節では，加速度データから得られた四種類の加速度のパワースペクトルの最大値を用いるこ とによるバスと自動車の判別についての検討を行う． ここでは検討を行う加速度として三軸合成加速度，鉛直方向加速度，進行方向加速度，側面方 向加速度を選択した． バスと自動車における，それぞれの加速度の約 10 秒 (=1024 データ) 毎のパワースペクトルの 最大値のヒストグラムを Figure5.10，Figure5.11，Figure5.12，Figure5.13 に示す．グラフの横 軸はパワースペクトルの最大値 [μ T]，縦軸は頻度 [％] である． 加速度のパワースペクトルの最大値を用いた識別手法において，バスと自動車を区別するため の閾値として，三軸合成加速度は 10，鉛直方向加速度は 9.8，進行方向加速度は 3.5，側面方向加 速度は 1.8 を設定した． 結果として，どの加速度においても，バスのデータが自動車の分布と重なってしまっており，閾 値を設定して判別を試みても低い精度となっている．この原因としては，速度，すなわち運転状 況を考慮しなかった場合，停止中におけるバスが自動車と誤識別されてしまっているからである と考えられる． そのため，現段階でもある程度は分布が分かれている三軸合成加速度を選択し，5.5 節において 速度を用いた上で再度判別を試みることにした． – 49 – 第5章 提案する識別手法 Figure5.10 Histogram of Max Power Spectrum of 3-axis Acceleration Figure5.11 Histogram of Max Power Spectrum of Vertical Acceleration – 50 – 5.4 加速度を用いたバスと自動車の識別手法 Figure5.12 Histogram of Max Power Spectrum of Acceleration of Traveling Direction Figure5.13 Histogram of Max Power Spectrum of Acceleration of Lateral Direction – 51 – 第5章 5.5 提案する識別手法 加速度と速度を用いたバスと自動車の識別手法 本節では，加速度データから得られた三軸合成加速度のパワースペクトルの最大値と，位置デー タから取得可能な 1 秒毎の速度 [m/s] を用いることによるバスと自動車の判別についての検討を 行う． ここで，運転状況の場合分けの条件としては，速度が秒速 8 メートル以上のときを進行中，秒 速 1 メートル以下のときを停止中とした．進行中とは運転状況が加速，直進，減速状態にあるこ とを指し，停止中とは運転状況が信号待ちなどにおける一時的な停止状態にあることを指す． 進行中における三軸合成加速度の約 10 秒 (=1024 データ) 毎のパワースペクトルの最大値のヒ ストグラムを Figure5.14 に示す．グラフの横軸はパワースペクトルの最大値 [μ T]，縦軸は頻度 [％] である． Figure5.14 Histogram of Max Power Spectrum of 3-axis Acceleration(High Speed) まず，進行中における三軸合成加速度のパワースペクトルの最大値を用いた識別手法において， バスと自動車を区別するための閾値として，11.2 という値を設定した． 結果として，Figure5.14 を見ると，5.4 節の運転状況を考慮しなかった場合と比べると明確に 分布が区別されており，ここではバスのデータは約 95 ％が設定した閾値よりも高い範囲に分布し ており，自動車のデータは約 93 ％が設定した閾値よりも低い範囲に分布していることが確認でき た．そのため，進行中のバスと自動車の識別に用いる特徴量として，三軸合成加速度のパワース ペクトルの最大値を採用することによって，かなりの高精度でバスと自動車の切り分けを行うこ とが可能であると言える． – 52 – 5.5 加速度と速度を用いたバスと自動車の識別手法 Figure5.15 Histogram of Max Power Spectrum of 3-axis Acceleration(Low Speed) 停止中における三軸合成加速度の約 10 秒 (=1024 データ) 毎のパワースペクトルの最大値のヒ ストグラムを Figure5.14，Figure5.15 に示す．グラフの横軸はパワースペクトルの最大値 [μ T]， 縦軸は頻度 [％] である． 先程と同様に，停止中における三軸合成加速度のパワースペクトルの最大値を用いた識別手法 において，バスと自動車を区別するための閾値として，2.4 という値を設定した． 結果として，Figure5.15 を見ると，5.4 節の運転状況を考慮しなかった場合と比べると明確に 分布が区別されており，ここではバスのデータは約 94 ％が設定した閾値よりも高い範囲に分布し ており，自動車のデータは約 86 ％が設定した閾値よりも低い範囲に分布していることが確認でき た．そのため，停止中のバスと自動車の識別に用いる特徴量として，三軸合成加速度のパワース ペクトルの最大値を採用することによって，かなりの高精度でバスと自動車の切り分けを行うこ とが可能であると言える． 以上の結果から，バスと自動車を判別するには，位置データから得られた速度を利用して進行 中と停止中で場合分けした上で，加速度データから得られた三軸合成加速度の約 10 秒間における パワースペクトルの最大値を用いるのが有効であると考えられる． – 53 – 第5章 提案する識別手法 結果と考察 以下に 5 章で提案した識別手法の結果を示す． ■磁気量を用いた電車の識別手法 5.1 節より，電車と他移動状態（徒歩，バス，自動車）は，磁気データから得られた三軸合成磁 気量の 10 秒間もしくは 30 秒間における平均値を用いることで，100 ％近い精度で識別が可能で あると考えられる． ■加速度を用いた徒歩の識別手法 5.2 節より，徒歩と他移動状態（バス，自動車）は，加速度データから得られた鉛直方向加速度 の 10 秒間における平均値もしくは標準偏差値を用いることで，100 ％近い精度で識別が可能であ ると考えられる． ■磁気量と進行方向を用いたバスと自動車の識別手法 5.3 節より，バスと自動車の三軸合成磁気量は進行方向によって分布の傾向が異なるため，閾値 を設定して判別を試みても精度は安定しない．また，実現に用いる進行方向は測位センサから取 得できる位置データのものを用いるため，地磁気センサだけでなく測位センサの精度にも依存す ることになり，進行方向毎に厳密な閾値を設定することは非常に難しいと考えられる． ■加速度を用いたバスと自動車の識別手法 5.4 節より，加速度単体では停止中におけるバスが自動車と誤識別されてしまうと考えられ，バ スのデータが自動車の分布と重なってしまい，閾値を設定して判別を試みても精度は安定しない． ■加速度と速度を用いたバスと自動車の識別手法 5.5 節より，バスと自動車を判別は，位置データから得られた速度を利用して進行中と停止中で 場合分けした上で，加速度データから得られた三軸合成加速度の約 10 秒間におけるパワースペク トルの最大値を用いることで，90 ％近い精度で識別が可能であると考えられる． 以上の結果から，本研究では，最終的な人物移動状態の識別手法として，次のものを提案する． また，概要図を Figure5.16 に示す． ■提案する人物移動状態の識別手法 1. 三軸合成磁気量の平均値を用いることにより電車と他移動状態（徒歩，バス，自動車）の判 別を行う． 2. 鉛直方向加速度の平均値もしくは標準偏差値を用いることにより徒歩と他移動状態（バス， 自動車）の判別を行う． 3. 速度を利用して進行中と停止中で場合分けを行い，三軸合成加速度のパワースペクトルの最 – 54 – 5.5 加速度と速度を用いたバスと自動車の識別手法 大値を用いることによりバスと自動車の判別を行う． Figure5.16 Schematic View – 55 – 第5章 5.6 提案する識別手法 決定木（アルゴリズムは J48）を用いた識別器の設計と評価 本節では，Figure5.16 に提案した識別手法の有効性を検証するため，データマイニングソフト である Weka の J48 アルゴリズムを用いた決定木学習を行うことで，設計された識別器の精度評 価を試みる． Weka を利用した決定木学習は，センサデータを用いた移動状態識別の先行研究 [8] において も，提案した識別手法の有効性を検証するための手法として使用されているため，本研究におけ る検証でも有効ではないかと考えて採用した． 実験諸元 決定木学習を行って識別器を設計するための学習データと，設計された識別器の精度評価を行 うためのテストデータの実験諸元を，それぞれ Table5.2，Table5.3 に示す． Table5.2 Specifications of the experiment for Training Data walk train bus car date 2012/06/04 2012/05/29 2012/12/02 time 11:26:39 12:22:33 15:11:55 15:39:32 place neighborhood Sobu Line(Mitaka∼Nakano) Hino∼Tachikawa holding pocket of the right leg number of data 12000 device iPhone 4S Table5.3 Specifications of the experiment for Test Data walk train bus car date 2013/01/06 2013/01/07 2012/12/02 time 17:02:57 12:47:53 15:14:00 15:41:33 place neighborhood Sobu Line(Mitaka∼Nakano) Hino∼Tachikawa holding pocket of the right leg number of data 12000 device iPhone 4S ここで，識別対象区間として，徒歩に関しては歩行，走行，停止状態を含めた 12000 個のデー タ，電車に関しては着席・起立状態それぞれにおいて 3.2.2 項で述べた各走行モード（力行，だ – 56 – 5.6 決定木（アルゴリズムは J48）を用いた識別器の設計と評価 行，制動）および停止中を含めた 12000 個のデータ，バスに関しては着席・起立状態それぞれに おいて進行中（加速，直進，減速状態）および停止中を含めた 12000 個，自動車に関しては進行 中（加速，直進，減速状態）および停止中を含めた 12000 個のデータを用いている． 識別器の設計 Figure5.17 Discriminator -The Decision Tree Using the J48 Algorithm- Table5.2 の学習データを用いて決定木学習を行い，設計された識別器を Figure5.17 に示す．特 徴量としては，三軸合成磁気量の 10 秒間（=1000 データ）における平均値 [μ T]，鉛直方向加速 度の 10 秒間（=1000 データ）における標準偏差値，三軸合成加速度の約 10 秒間（=1024 デー タ）におけるパワースペクトルの最大値，そして速度 [m/s] を選択した． 注意点として，Weka による決定木の設計は自動で行われるため，ここでは徒歩（停止）の識別 – 57 – 第5章 提案する識別手法 に 5.2 節で提案した鉛直方向加速度の標準偏差値ではなく，三軸合成加速度のパワースペクトル の最大値が用いられている．また，速度に関しても，パワースペクトルの最大値が 2.48 より大き く 10.33 以下の範囲において，停止中のバスと自動車を識別するために利用されているのが特徴 である． 評価と考察 設計された識別器に Table5.3 のテストデータを用いて精度評価を行った結果を Table5.4 に 示す． Table5.4 Accuracy of the Estimation[％] train walk bus car train 100.0 0.0 0.0 0.0 100.0 0.0 0.0 walk 0.0 bus 0.0 0.0 90.0 10.0 car 0.0 0.0 8.3 91.7 Table5.4 を見ると，既存研究では推定性能が低かった電車に関して，特徴量として三軸合成磁 気量の平均値を用いることにより大幅に性能を向上できていることが確認できる．また，徒歩に 関しても特徴量として鉛直方向加速度の標準偏差を用いることによって高い識別精度を維持でき ている．これは，鉛直方向の加速度成分を利用することによって，既存研究で徒歩の停止状態が 乗り物における停止状態と誤識別されていた点を抑制できているためと考えられる．そして，バ スと自動車に関しても，三軸合成加速度のパワースペクトルと速度を併せて用いることで，およ そ 90 ％という高い精度での識別が行えており，加速度センサ単体を用いた乗り物の識別において 精度が低かったバスと自動車も，大幅な性能の向上を果たせている． 以上の結果より，Figure5.16 に示した提案手法の電車，バス，自動車の識別における有効性が 確認できた． 続いて，設計された識別器において自動に設定された各閾値（Figure5.17 参照）と，5.1∼5.5 節において手動で設定した閾値について比較・考察を行う． 電車と他移動状態（徒歩，バス，自動車）を識別するための三軸合成磁気量の平均値における閾 値は，5.1 節で設定した 55 μ T よりも小さい 49 μ T となっている．49 μ T という閾値は，今 回の学習データとテストデータにおいては電車を問題なく識別することができるが，Figure3.13 – 58 – 5.6 決定木（アルゴリズムは J48）を用いた識別器の設計と評価 の北方向における車内の磁気量の分布を見ると，バスのデータが 49 μ T にも分布しているのが 確認できることから，49 μ T という閾値では場合によってはバスが電車に誤識別されてしまう可 能性があると考えられる．そのため，ある程度の余裕をもって電車と他移動状態（徒歩，バス，自 動車）を識別するには，設計された識別器における閾値よりも，5.1 節で設定した 55 μ T という 閾値の方が適切であると考えられる． 徒歩（歩行・走行）と他移動状態（バス，自動車）を識別するための鉛直方向加速度の標準偏 差値における閾値は，5.2 節で設定した 0.3 よりも小さい 0.147 となっている．0.147 という閾値 は，今回の学習データとテストデータにおいては徒歩（歩行・走行）を問題なく識別することが できるが，Figure5.5 の各移動状態における標準偏差値の分布を見ると，徒歩（歩行）のデータは 0.3 を下回っていないことが確認できる．同時に，起立状態におけるバスのデータは 0.1 を超えて いることが確認でき，0.147 という閾値では，起立状態のバスが徒歩（歩行）に誤識別されてしま う可能性があると考えられる．そのため，ある程度の余裕をもって徒歩（歩行・走行）と他移動 状態（バス，自動車）を識別するには，設計された識別器における閾値よりも，5.2 節で設定した 0.3 という閾値の方が適切であると考えられる． Figure5.18 MaxPowerSpectrum of 3-axis Magnetism 一方，徒歩（停止）と他移動状態（バス，自動車）を識別するための特徴量としては，5.2 節で 提案した鉛直方向加速度の標準偏差値ではなく，三軸合成加速度のパワースペクトルの最大値が 用いられている．ここで，0.94 という閾値が設定されているが，Figure5.10 における三軸合成加 速度のパワースペクトルの最大値の分布をより詳細に調査したところ，停止中の自動車のデータ – 59 – 第5章 提案する識別手法 が 0.94 以下にも分布しているのが確認できた．結果を Figure5.18 に示す．このことから，三軸 合成加速度のパワースペクトルの最大値という特徴量と 0.94 という閾値では，自動車が徒歩（停 止）に誤識別されてしまう可能性があると考えられる．そのため，徒歩（停止）と他移動状態（バ ス，自動車）を識別するには，設計された識別器における特徴量と閾値よりも，5.2 節で提案した 鉛直方向加速度の標準偏差値と，0.003 という閾値の方が適切であると考えられる． バスと自動車を識別するための三軸合成加速度のパワースペクトルの最大値における閾値に関 しては，5.5 節で設定した値と大きな差異はない．しかし，5.5 節ではあらかじめ速度が秒速 8 メートル以上および秒速 1 メートル以下のみにおける三軸合成加速度のパワースペクトルの最 大値を抽出して判別を試みたのに対して，今回用いた学習データとテストデータでは実際の使用 を想定して前処理を行なっていない．その理由としては，速度の場合分けを学習データとテスト データに適用してしまうと，速度が設定した範囲に属さない徒歩の歩行と走行から特徴量の抽出 が行えないからである．そのため，ここでは三軸合成加速度のパワースペクトルの最大値が 10.33 に満たない進行中のバスが自動車と誤識別されてしまい，5.5 節で分布の切り分けを行った際より も精度が下がってしまっている．このことから，今後の課題として，速度の前処理の方法を検討 する必要性がある． また，速度と加速度の関係性として，自動車は速度が高くなると三軸合成加速度のパワースペ クトルの最大値が閾値（設計された識別器では 10.33）を超えてしまい，バスと誤識別されてしま う場合がある．これは高い速度が出ている際は自動車の車体が大きく揺れる場合があることが原 因であると考えられる．そのため，最も識別がしやすい速度がある可能性が考えられる．このこ とから，今後の課題として，加速度と速度の関係性についても検討する必要性がある． – 60 – 第6章 結論 6.1 まとめ 本研究では，携帯端末に搭載されている地磁気センサ，加速度センサ，測位センサから取得でき るセンサデータを用いることによるユーザの移動状態の識別をするため，徒歩，電車，バス，自動 車といった移動状態における各センサデータの性質や特徴分布空間の様子について検討を行った． そして，特徴量の定量的評価を行った結果，三軸合成磁気量の平均値，鉛直方向加速度の平均 値もしくは標準偏差値，三軸合成加速度のパワースペクトルの最大値と速度を用いることによっ て，移動状態の基本的な要素である徒歩，電車，バス，自動車を区別できる可能性があることが分 かった． 既存研究から，加速度センサ単体では電車，バス，自動車の識別精度は不安定であることが推測 されているが，本研究で提案したように，地磁気センサを加えて，あらかじめ電車を加速度デー タによる識別対象から除くことで，加速度センサによるバス，自動車の識別精度の向上が期待で きる． 以下に本研究で明らかとなったことを示す． ■地磁気センサの測定データから分かったこと • 加速度センサと異なり，地磁気センサから取得できる磁気データは人の動きによる大きな影 響は受け難く，磁気量の変化は微小である． • 地磁気センサから取得できる磁気データは，周囲の磁界を乱す要因に大きく影響を受け，特 に電車での磁気量の乱れが顕著である． • 電車においては，磁気量の乱れるパターンに再現性がない． • バスと自動車においては，磁気量は鉄橋や立体交差などを通過した際に乱れる． • バスと自動車においては，磁気量は車体が向いている方角によって変動する． ■加速度センサの測定データから分かったこと • 加速度センサから取得できる加速度データは，ユーザの姿勢による影響を受けるため，着席 状態か起立状態かによって得られる加速度が大きく異なる． • 着席状態のバスにおいては，鉛直方向の加速度成分が支配的である． – 61 – 第 6 章 結論 • 起立状態のバスにおいては，ユーザ（データ取得端末）が固定されていないため，水平方向 の加速度成分が大きくなりやすい． • 自動車においては，水平方向の加速度成分が支配的である． ■特徴量の評価から分かったこと • 電車とそれ以外の移動状態は，三軸合成磁気量の平均値を用いることで区別可能であると考 えられる． • 徒歩とそれ以外の移動状態は，鉛直方向加速度の平均値もしくは標準偏差値を用いることで 区別可能であると考えられる． • バスと自動車は，時々の速度から運転状況を場合分けした上で，三軸合成加速度のパワース ペクトルの最大値を用いることで区別可能であると考えられる． 6.2 今後の課題と検討 本研究で得られた結果を踏まえた上で，今後は以下の項目について検討を行う必要があると考 えられる． ■磁気量および加速度の環境変化による差異の調査 各移動状態において取得できる磁気量や加速度は，環境に依存するであろうことが予想される． 電車における磁気データに関しては，路線や車両を問わず大きい磁気量が観測されたため，多様 なデータの取得は行わなかった．しかし，いかなる状況でも電車では識別に足る特徴が観測でき ることを証明するためにはデータ量が不足しているため，より詳細なデータ取得が必要であると 考える．例えば，直流電車と交流電車で得られる磁気量の特徴が同様なのか，新幹線やモノレー ルなどで得られる磁気量の特徴が電車と異なるかなどを調査する必要性があると考えられる．ま た，バスと自動車における加速度データに関しても同様に，道路，車種の違いなどの要因による 取得データの差異について調査する必要性があると考えられる． ■バスと自動車における加速度と速度の関係性の調査 今回，5.5 節におけるバスと自動車の判別では，秒速 8 メートル以上を進行中，秒速 1 メートル 以下を停止中という単純な場合分けを行い，それぞれの運転状況における加速度のパワースペク トルの最大値を評価したが，より特定された速度の状態が最も識別しやすいという可能性も考え られるため，加速度と速度の関係性について調査する必要性があると考えられる．また，それに 関連して，5.6 節で言及したように，他移動状態に影響を与えない速度の場合分けのアルゴリズム を検討する必要性があると考えられる． – 62 – 謝辞 本研究を進めるにあたり，終始懇切丁寧な御指導，御助言を賜りました甲藤二郎教授，小松尚久 教授に心から深く感謝の意を表します．また，日頃から有意義な検討及び討論をして頂いた，株 式会社ソフトバンクテレコム 吉井英樹氏並びに，電気通信大学大学院 市野将嗣氏，本学小松研究 室研究員 鶴丸和宏氏，共同研究者である修士 2 年 笠原弘樹氏を始め，小松研究室，甲藤研究室の 皆様に深く感謝いたします． 2013 年 2 月 8 日 上原 聡介 参考文献 [1] TCA-社団法人電気通信事業者協会， “携帯電話・PHS 契約数，”http://www.tca.or.jp/database/index.html [2] 阿部匡伸， “ヒューマンインタフェース特論 -ライフログを用いたアプローチ-， ”岡山大学大 学院 自然科学研究科，2010． [3] 佛圓俊一朗，吉井英樹，小松尚久，”P 形フーリエ記述子を用いた動線マップ作成手法につい て，”電子情報通信学会技術研究報告.OIS，オフィスインフォメーションシステム 108(397)， pp.7-12，2009． [4] 伊藤智則，吉井英樹，小松尚久，”加速度センサを用いた人物移動手段識別に関する研 究，”2009 年度学士論文，2010． [5] 上原聡介，伊藤智則，吉井英樹，鶴丸和宏，小松尚久，”人物移動手段の推定における携帯 端末の地磁気データの有効性に関する検討，”電子情報通信学会技術研究報告.LOIS，ライ フインテリジェンスとオフィス情報システム 111(50)，pp.33-38，2011． [6] 前司敏昭，堀口良太，赤羽弘和，小宮粋史，“GPS 携帯端末による交通モード自動判定法の 開発， ”第 4 回 ITS シンポジウム 2005 論文集，2005． [7] 小川晶子，小西勇介，柴崎亮介，“自立型ポジショニングシステム構築に向けて ∼着用型セ ンサ ーを用いた人間の行動モード推定∼，”全国測量 技術大会 2002 学生フォーラム発表論 文集，2002． [8] 青木政勝，瀬古俊一，西野正彬，山田智広，武藤伸洋，阿部匡伸，“ライフログのための位 置情報からの移動モード判定の検討，”情報処理学会研究報告.DD(70)，pp.7-12，2008． [9] Donald J.Patterson，Lin Liao，Dieter Fox，and Henry Kautz，“Inferring High-Level Behavior from Low -Level Sensors”，Lect Notes Comput Sci，no.2864，pp.73-89，2003． [10] 田淵勝宏，納谷 太，大村 廉， “加速度センサを用いた日常行動識別におけるデータ収集条件 の識別性能への影響評価， ”電子通信情報学会技術研究報告，PRMU2006-27，MI2006-27， pp.43-48，May. 2006． [11] 山崎亜希子，五味田啓，“加速度センサ等を用いた移動状態判定方式の検討，”全国大会講演 論文集 第 70 回平成 20 年 (3)，pp.“3-39”-“3-40”，2008． [12] 小林亜令, 岩本健嗣，西山 智，“釈迦：携帯電話を用いたユーザ移動状態推定・共有方式，” 情報処理学会研究報告，vol. 108，no. 44，pp.115-120，May. 2008． [13] 上田智章，“加速度センサと角速度センサのしくみ，”Design Wave Magazine，pp.70-73， 2007 年 8 月号． [14] shamen-net， “GPS に関する用語解説， ”http://www.shamen-net.com/word/keyword ＿ 1.html – 65 – 参考文献 [15] 旭化成，“知ってる?電子コンパス，”http://www.s3sensor.com/sens ＿ a01/ [16] iOS Reference，”UIAcceleration Class Reference， ” http://developer.apple.com/library/ios/documentation/UIKit/Reference/UIAcceleration ＿ Class/Reference/UIAcceleration.html [17] 気象庁， “地球磁気・地電流観測結果 2010 年 10 月， ”地磁気観測所，http://www.kakiokajma.go.jp/obsdata/me2010/me201010.html [18] 水間毅，“鉄道車両からの磁界放射の実態”，月刊 EMC，2006． [19] 月刊「発明」編集部，“SPECIAL REPORTS 平成 24 年度 全国発明表彰 恩賜発明賞 受 賞者にきく”，月刊発明（8），2012． – 66 – 付録 A オフセット磁場と DOE[19] データ取得端末（iPhone 4S）を回転させながら磁気データの取得を行うと，その場で取得さ れる磁気量に変動が生じることが確認されている．自動車の車内と車外の二つの状況において， データ取得端末を水平に北東南西の順番で回転させてデータ取得を行った結果を FigureA.1 に示 す．グラフの横軸は時間 [10ms]，縦軸は三軸合成磁気量 [μ T] である． FigureA.1 3-axis Magnetism in the case of rotating ここで，データ取得端末を回転させることにより，取得される磁気データに差異が生じてしま う理由について考察を行う． まず，携帯端末には，磁石や磁性体金属などが用いられているスピーカーなどの多数の磁性部 品が搭載されており，携帯端末内部ではこれらの部品によりオフセット磁場が生じている．そし て，このオフセット磁場は，地磁気の 1000 倍以上の大きさがあるとされており [19]，端末内部 の温度や端末外部の磁場の影響によって変化してしまう．携帯端末内部における磁場イメージを FigureA.2[19] に示す． 付録 A オフセット磁場と DOE[19] FigureA.2 Offset Magnetic Field そのため，携帯端末の CPU では，このオフセット磁場を測定して，動的に取得される磁気量 の補正を行う DOE（Dynamic Offset Estimation）という自動調整アルゴリズムを有したソフト ウェアが実行されている． 三軸磁気センサを搭載した携帯端末では，ユーザーがどのような動かし方をしても，地磁気の 測定データは球を描くため，珠の表面に並ぶ測定データを蓄積させて解析することで，球の中心 であるオフセット磁場を求めることができる．DOE では，計算されたオフセット磁場の数値が正 しいかどうかを判断するために，数値の信頼性をその都度，統計的に評価を行うことによって対 応している [19]． この自動調整が行われた結果，デバイスの向きを変えることによっても，取得される磁気デー タに（特にオフセット磁場の影響が大きい車内などの環境では顕著に）差異が生じてしまうもの と考えられる． – 68 – 付録 B 電車の各車両における磁気データ 電車における車両には以下に挙げる種類が存在する． ■電車の車両の種類 • クモハ車両：モーター有り，運転台有り． • モハ車両：モーター有り，運転台無し． • クハ車両：モーター無し，運転台有り． • サハ車両：モーター無し，運転台無し． 本付録では，電車において取得できる磁気データが，どの車両においても電車を識別するに十 分な特徴を有しているかの調査を行う．ここでは，クモハ車両についてはモハ車両とクハ車両を 足し合わせたものであると考え，モハ車両，クハ車両，サハ車両の三種類における三軸合成磁気 量の平均値について調査を行った． 実験諸元 実験諸元を TableB.1 に示す． ここで，モハ車両を trainA，クハ車両を trainB，サハ車両を trainC とする． TableB.1 Specifications of the experiment trainA date time trainB trainC 2012/06/26 2012/05/29 2012/06/07 13:16:00 12:29:37 19:15:00 place Sobu Line(Mitaka∼Nakano) holding pocket of the right leg number of data 12000 device iPhone 4S 付録 B 電車の各車両における磁気データ 結果と考察 モハ車両（trainA），クハ車両（trainB） ，サハ車両（trainC）における三軸合成磁気量の 10 秒 （=1000 データ）毎の平均値のヒストグラムを FigureB.1 に示す．グラフの横軸は平均値 [μ T]， 縦軸は頻度 [％] である． FigureB.1 Histogram of Average of 3-axis Magnetism in Each of the Trains FigureB.1 を見ると，サハ車両における三軸合成磁気量の平均値は，モハ車両とクハ車両に比べ ると 60∼80 μ T の範囲に属する値が多く，200 μ T 以上に達する値は少ないことが分かる．こ れは，モハ車両とクハ車両は電車内磁界を生じさせるモーターと車載機器を有し，サハ車両は有 さないということに由来するものであると考えられる．しかし，ここではどの車両においても三 軸合成磁気量の平均値は 60 μ T を上回っており，電車以外の移動状態よりも大きい値を示して いることが分かる． 以上の結果より，データ取得を行った車両の種類に限定されず，電車を識別するに十分な特徴 を得られることが確認できた． – 70 – 付録 C 電気自動車における磁気データ 電気自動車は，一般的な自動車（ガソリン車）とは異なり，電車のように電力を用いるモーター により稼働する自動車である．そこで，本付録では，電気自動車において取得できる磁気データ が，電車や自動車と特徴が異なるかについて調査を行う． 実験諸元 実験諸元を TableC.1 に示す． ここで，実験に用いる電気自動車としては，日産のリーフを使用した． また，3.3.2 項より，自動車における磁気量は車体が向いている方角によって異なることが判明 しているため，ここでは最も磁気量の値が大きい北方向におけるデータを示す． TableC.1 Specifications of the experiment electric car date 2012/06/10 time 11:41:05 place Hino∼Tachikawa holding hand number of data 6000 device iPhone 4S 付録 C 電気自動車における磁気データ 結果と考察 電気自動車において観測される三軸合成磁気量の推移を FigureC.1 に示す．グラフの横軸は時 間 [10ms]，縦軸は三軸合成磁気量 [μ T] である． FigureC.1 3-axis Magnetism in the Electric Car（North） FigureC.1 を見ると，電気自動車において観測される磁気量は，3.3.2 項の Figure3.13 における 自動車とほぼ同様の範囲に収まっていることが分かる．また，電車において観測されるような磁 気量の乱れも生じていないことも分かる． 以上の結果より，電気自動車において取得できる磁気データは，一般的な自動車（ガソリン車） と同様であることが確認できた． – 72 –