数据处理装置、数据处理方法以及程序制造方法及图纸

本发明专利技术涉及一种数据处理装置、数据处理方法以及程序，该数据处理装置包括：获得单元，被配置成从可穿戴式传感器获得时序数据；活动模型学习单元，被配置成根据获得的时序数据以随机状态转换模型的形式学习代表使用者活动状态的活动模型；识别单元，被配置成通过使用由活动模型学习单元获得的使用者的活动模型识别当前使用者活动状态；以及预测单元，被配置成根据由识别单元识别出的当前使用者活动状态预测在从当前时间逝去预定时间之后的使用者活动状态。

【技术实现步骤摘要】

本专利技术涉及数据处理装置、数据处理方法、以及程序，更具体而言，涉及用于随机 预测在未来期望时间使用者活动状态的多个概率的数据处理装置、数据处理方法、以及程序。
技术介绍
近年来，对如下内容进行了积极研究通过使用从可穿戴式传感器(使用者可 以佩戴的传感器)获得的时序数据对使用者的状态进行建模和学习以及通过经过学习 获得的模型识别使用者的当前状态。例如，“Life Patterns structure from wearable sensors”，Brian Patrick Clarkson, Doctor Thesis, MIT，2002 提出 了如下这种方法根 据简单地以时序方式累积的图像采集数据识别使用者的当前活动地点，而无需预先把使用 者活动定义成一些活动模型(标记)。另外，提出了基于从传感器获得的传感器数据预测 在以后时间的使用者活动的方法(例如，日本未审查专利申请公开No. 2006-134080 ；日本 未审查专利申请公开 No. 2008-204040 ；以及 “Life Patterns structure from wearable sensors", Brian Patrick Clarkson, Doctor Thesis，MIT，2002)。
技术实现思路
然而，根据相关技术中的方法，可以仅预测在随后时间的使用者活动，不随机预测 在从当前时间逝去预定时间的未来时间使用者活动状态的多个概率。鉴于上述状况做出了本专利技术，期望随机预测在未来期望时间使用者活动状态的多 个概率。根据本专利技术的实施例，提供了一种数据处理装置，包括获得部件，被配置成从可 穿戴式传感器获得时序数据；活动模型学习部件，被配置成根据获得的时序数据以随机状 态转换模型的形式学习代表使用者活动状态的活动模型；识别部件，被配置成通过使用活 动模型学习部件获得的使用者的活动模型识别当前使用者活动状态；以及预测部件，被配 置成根据识别部件识别出的当前使用者活动状态预测在从当前时间逝去预定时间之后的 使用者活动状态。根据本专利技术的实施例，提供了一种数据处理方法，用于被配置成处理时序数据的 数据处理装置，所述方法包括如下步骤从可穿戴式传感器获得时序数据；根据获得的时 序数据以随机状态转换模型的形式学习代表使用者活动状态的活动模型；通过使用通过学 习获得的使用者的活动模型识别当前使用者活动状态；以及根据识别出的当前使用者活动 状态预测在从当前时间逝去预定时间之后的使用者活动状态。根据本专利技术的实施例，提供了一种程序，用于使得计算机作为获得部件，被配置 成从可穿戴式传感器获得时序数据；活动模型学习部件，被配置成根据获得的时序数据以 随机状态转换模型的形式学习代表使用者活动状态的活动模型；识别部件，被配置成通过 使用活动模型学习部件获得的使用者的活动模型识别当前使用者活动状态；以及预测部件，被配置成根据识别部件识别出的当前使用者活动状态预测在从当前时间逝去预定时间 之后的使用者活动状态。根据本专利技术的实施例，从可穿戴式传感器获得时序数据，根据获得的时序数据以 随机状态转换模型的形式学习代表使用者活动状态的活动模型，通过使用通过学习获得的 使用者活动模型识别当前使用者活动状态，根据识别出的当前使用者活动状态预测在从当 前时间逝去预定时间之后的使用者活动状态。根据本专利技术的实施例，可以随机预测在未来期望时间使用者活动状态的多个概率。附图说明图1是示出了根据应用了本专利技术的实施例的数据处理系统的配置实例的方框图；图2是示出了图1的数据处理装置的详细配置实例的方框图；图3是用于描述使用者活动模型学习处理的流程图；图4是用于描述响应处理学习处理的流程图；图5是用于描述使用者活动预测控制处理的流程图；图6示出了 HMM的实例；图7示出了左到右型HMM的实例；图8A和图8B示出了加置了稀疏限制的HMM ；图9是用于描述第一实验的概况的说明图；图10是示出了用于第一实验实例的数据处理装置的配置实例的方框图；图11示出了预处理单元的处理结果；图12示出了预处理单元的处理结果；图13示出了使用者活动模型学习单元的学习结果；图14示出了使用者活动模型学习单元的学习结果；图15A至图15C示出了使用者活动识别单元的识别结果；图16A至图16C示出了使用者活动预测单元的预测结果；图17是用于描述响应处理学习单元的学习表的说明图；图18是用于描述响应处理选择单元的选择处理的说明图；图19是用于描述实验2中数据处理装置的识别结果和预测结果的说明图；图20是用于描述实验2中数据处理装置的识别结果和预测结果的说明图；以及图21是示出了根据应用了本专利技术的实施例的计算机的配置实例的方框图。具体实施例方式图1是示出了根据应用了本专利技术的实施例的数据处理系统的配置实例的方框图。图1的数据处理系统包括可穿戴式传感器1、数据处理装置2、以及控制对象装置 3。可穿戴式传感器1是使用者本身可以佩戴的传感器并且包括例如，摄像装置、麦 克风、GPS(全球定位系统)接收器、钟表、加速度传感器、陀螺仪传感器、生物信息传感器 等。可穿戴式传感器1把通过感测获得的时序数据(在下文中，还将称为传感器数据)输出给数据处理装置2。数据处理装置2是尺寸对于使用者而言便携的装置，并且被配置成基于从可穿戴 式传感器1提供的时序数据，学习使用者活动状态(代表动作和活动模式的状态)作为随 机状态转换模型。对于用于学习的随机状态转换模型，例如，可以采用例如包括隐状态的遍 历HMM(隐马尔可夫模型)的随机状态转换模型。将参照图6等对遍历HMM进行描述。通过使用学习后的随机状态转换模型，数据处理装置2首先识别当前使用者活动 状态。接下来，通过使用学习后的随机状态转换模型，数据处理装置2根据迄今为止获得的 传感器数据预测直到未来期望时间为止各状态的出现概率，以随机预测在未来期望时间使 用者活动状态。随后，数据处理装置2向控制对象装置3输出控制信号，用于使得控制对象 装置3按照预测的使用者活动状态执行预定处理。应当注意，数据处理装置2执行的处理的一部分可以按如下这种方式执行把数 据通过无线通信或者经由互联网等的通信传送给远程装置并在远程地点执行处理。控制对象装置3是要由数据处理装置2控制的对象的装置，如，显示器、扬声器、AV 设备、照明设备、或者诸如空气调节设备的家电装备。或者，控制对象装置3也可以是用于 控制显示器、扬声器、AV设备、照明设备、空气调节设备等的控制器等。因此，控制对象装置 3的数量不限于一个，也可以存在多个控制对象装置3。应当注意，可穿戴式传感器1和数据处理装置2是可佩戴的，但控制对象装置3不 限于可穿戴式装置。当然，控制对象装置3也可以是可穿戴式装置。另外，可以按无线或有 线方式进行数据处理装置2与控制对象装置3之间的信号交换。根据如此构建的数据处理系统，可以实现如下状态。例如，当学习使用者在家的情形中的活动状态作为随机状态转换模型时，数据处 理装置2识别例如使用者“在起居室中”、“在厨房中”等的当前活动状态。随后，数据处理装 置2基于随机状态转换模型预测在预定时间逝去之后的使用者活动状态。例如，数据处理 装置2预测使用者“在预定时间逝去之后在厨房中”、“在预定时间逝去之后移动到起居室” 等的活动状态。随后本文档来自技高网...

【技术保护点】
一种数据处理装置，包括：获得部件，被配置成从可穿戴式传感器获得时序数据；活动模型学习部件，被配置成根据获得的时序数据以随机状态转换模型的形式学习代表使用者活动状态的活动模型；识别部件，被配置成通过使用由所述活动模型学习部件获得的所述使用者的活动模型识别当前使用者活动状态；以及预测部件，被配置成根据由所述识别部件识别出的所述当前使用者活动状态预测在从当前时间逝去预定时间之后的使用者活动状态。

【技术特征摘要】
...

【专利技术属性】
技术研发人员：伊藤真人，佐部浩太郎，铃木洋贵，横野顺，青山一美，莲尾高志，
申请(专利权)人：索尼公司，
类型：发明
国别省市：JP[日本]