特開 2022-148871 特定装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2022148871

(43)【公開日】2022-10-06

(54)【発明の名称】特定装置

(51)【国際特許分類】

   G06F 21/31 20130101AFI20220929BHJP

   G06N 20/00 20190101ALI20220929BHJP

【ＦＩ】

G06F21/31

G06N20/00 130

【審査請求】未請求

【請求項の数】12

【出願形態】ＯＬ

(21)【出願番号】P 2021050713

(22)【出願日】2021-03-24

(71)【出願人】

【識別番号】000204284

【氏名又は名称】太陽誘電株式会社

(74)【代理人】

【識別番号】100087480

【弁理士】

【氏名又は名称】片山 修平

(72)【発明者】

【氏名】松田 勲

(72)【発明者】

【氏名】宮澤 冬樹

(72)【発明者】

【氏名】青木 洋一

(57)【要約】

【課題】短時間で処理可能な特定装置を提供する．
【解決手段】特定装置は、対象者が体重の少なくとも一部を加える対象物が備える起歪体に設けられ前記起歪体の歪み量を検出する複数のセンサがそれぞれ出力する複数の出力値を取得する取得部と、前記対象者が前記対象物に前記体重の少なくとも一部を加えた時刻から第１時間経過後の前記複数の出力値である複数の第１値と、前記時刻から前記第１時間より長い第２時間経過後の前記複数の出力値である複数の第２値と、のそれぞれ対応する差である複数の第３値を特徴量とし、前記対象者を特定するための機械学習を行った学習済みのモデルに、前記取得部が取得した前記出力値から算出された前記複数の第３値を入力することで、前記対象者を特定する特定部と、を備える。
【選択図】図１

【特許請求の範囲】

【請求項1】

対象者が体重の少なくとも一部を加える対象物が備える起歪体に設けられ前記起歪体の歪み量を検出する複数のセンサがそれぞれ出力する複数の出力値を取得する取得部と、
前記対象者が前記対象物に前記体重の少なくとも一部を加えた時刻から第１時間経過後の前記複数の出力値である複数の第１値と、前記時刻から前記第１時間より長い第２時間経過後の前記複数の出力値である複数の第２値と、のそれぞれ対応する差である複数の第３値を特徴量とし、前記対象者を特定するための機械学習を行った学習済みのモデルに、前記取得部が取得した前記出力値から算出された前記複数の第３値を入力することで、前記対象者を特定する特定部と、
を備える特定装置。

【請求項2】

前記複数のセンサは、上方からみて三角形の頂点に相当する位置に設けられた３つのセンサを含む請求項１に記載の特定装置。

【請求項3】

前記対象物はシートであり、前記対象者は前記対象物に着座する請求項１または２に記載の特定装置。

【請求項4】

前記複数のセンサは、前記対象者が着座したときに、前記対象者を基準に前方または後方に設けられる第１センサ、前記対象者を基準に右に設けられる第２センサおよび前記対象者を基準に左に設けられる第３センサを含む請求項３に記載の特定装置。

【請求項5】

前記複数のセンサは、前記対象者が着座したときに、前記対象者の右太ももに重なる第４センサおよび前記対象者の左太ももに重なる第５センサを含む請求項４に記載の特定装置。

【請求項6】

前記複数のセンサは、前記対象者が着座したときに、前記対象者の背部に重なる第６センサを含む請求項３から５のいずれか一項に記載の特定装置。

【請求項7】

前記モデルは、前記複数のセンサに対応する複数の前記第１値と前記複数のセンサに対応する複数の前記第２値との少なくとも一方の複数の値と、前記複数のセンサに対応する複数の前記第３値と、を特徴量とし、前記対象者を特定するための機械学習を行ったモデルであり、
前記特定部は、前記取得部が取得した前記複数の出力値から算出された前記複数のセンサにそれぞれ対応する、前記少なくとも一方の複数の値と前記複数の第３値とを入力することで、前記対象者を特定する請求項１から６のいずれか一項に記載の特定装置。

【請求項8】

前記モデルは、前記少なくとも一方の複数の値と、前記複数の第３値と、前記複数の第１値の合計値と前記複数の第２値の合計値との少なくとも一方の合計値と、を特徴量とし、前記対象者を特定するための機械学習を行ったモデルであり、
前記特定部は、前記取得部が取得した前記複数の出力値から算出された前記複数のセンサにそれぞれ対応する、前記少なくとも一方の複数の値と、前記複数の第３値と、前記少なくとも一方の合計値と、を入力することで、前記対象者を特定する請求項７に記載の特定装置。

【請求項9】

前記モデルは、前記複数の第１値と、前記複数の第２値と、前記複数の第３値と、前記複数の第１値の合計値と、前記複数の第２値の合計値と、を特徴量とし、前記対象者を特定するための機械学習を行ったモデルであり、
前記特定部は、前記取得部が取得した前記複数の出力値から算出された前記複数のセンサにそれぞれ対応する、前記複数の第１値と、前記複数の第２値と、前記複数の第３値と、前記複数の第１値の合計値と、前記複数の第２値の合計値と、を入力することで、前記対象者を特定する請求項８に記載の特定装置。

【請求項10】

前記機械学習は、決定木またはランダムフォレストを用いた機械学習である請求項１から９のいずれか一項に記載の特定装置。

【請求項11】

前記対象者と前記第３値を特徴量とし、前記対象者を特定するための機械学習を行う機械学習部を備える請求項１から１０のいずれか一項に記載の特定装置。

【請求項12】

対象者が体重の少なくとも一部を加える対象物が備える起歪体に設けられ前記起歪体の歪み量を検出するセンサが出力する出力値を取得する取得部と、
前記対象者が前記対象物に前記体重の少なくとも一部を加えた負荷時刻から第１時間経過後の第１時刻の前記出力値である第１値と、前記負荷時刻から前記第１時間より長い第２時間経過後の第２時刻の前記出力値である第２値と、のそれぞれ対応する差である第３値を特徴量とし、前記対象者を特定するための機械学習を行った学習済みのモデルに、前記取得部が取得した前記出力値から算出された前記第３値を入力することで、前記対象者を特定する特定部と、
を備え、
前記第１時刻は、同じ対象者が複数回前記体重の少なくとも一部を加えたときの前記出力値の各時刻におけるばらつきが、オーバーシュートした後の時刻である特定装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、特定装置に関し、例えばシートに着座した着座者を特定する特定装置に関する。

【背景技術】

【0002】

シートに着座した着座者を特定する特定装置が知られている（例えば特許文献１～３）。シートに複数の圧力センサを設け、畳み込みニューラルネットワークを用い、着座者が着座したときの重心の位置および圧力の極大値の位置等の身体的特徴を演算し、リカエントニューラルネットワークを用い、重心の位置の移動および極大値の位置の移動等の行動的特徴を演算することで、着座者を特定する特定装置が知られている（例えば特許文献１）。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】国際公開第２０１８／１７９３２５号

【特許文献2】特開２０１２－１３３６８３号公報

【特許文献3】特開２００７－１７９４７４号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

特許文献１では、畳み込みニューラルネットワークを用い特徴量を抽出し、リカレントユーラルネットワークを用い時系列的な特徴量を抽出する。このため、多くの教師データが必要となり、演算処理に膨大な時間を要する。

【0005】

本発明は、上記課題に鑑みなされたものであり、短時間で処理可能な特定装置を提供することを目的とする。

【課題を解決するための手段】

【0006】

本発明は、対象者が体重の少なくとも一部を加える対象物が備える起歪体に設けられ前記起歪体の歪み量を検出する複数のセンサがそれぞれ出力する複数の出力値を取得する取得部と、前記対象者が前記対象物に前記体重の少なくとも一部を加えた時刻から第１時間経過後の前記複数の出力値である複数の第１値と、前記時刻から前記第１時間より長い第２時間経過後の前記複数の出力値である複数の第２値と、のそれぞれ対応する差である複数の第３値を特徴量とし、前記対象者を特定するための機械学習を行った学習済みのモデルに、前記取得部が取得した前記出力値から算出された前記複数の第３値を入力することで、前記対象者を特定する特定部と、を備える特定装置である。

【0007】

上記構成において、前記複数のセンサは、上方からみて三角形の頂点に相当する位置に設けられた３つのセンサを含む構成とすることができる。

【0008】

上記構成において、前記対象物はシートであり、前記対象者は前記対象物に着座する構成とすることができる。

【0009】

上記構成において、前記複数のセンサは、前記対象者が着座したときに、前記対象者を基準に前方または後方に設けられる第１センサ、前記対象者を基準に右に設けられる第２センサおよび前記対象者を基準に左に設けられる第３センサを含む構成とすることができる。

【0010】

上記構成において、前記複数のセンサは、前記対象者が着座したときに、前記対象者の右太ももに重なる第４センサおよび前記対象者の左太ももに重なる第５センサを含む構成とすることができる。

【0011】

上記構成において、前記複数のセンサは、前記対象者が着座したときに、前記対象者の背部に重なる第６センサを含む構成とすることができる。

【0012】

上記構成において、前記モデルは、前記複数のセンサに対応する複数の前記第１値と前記複数のセンサに対応する複数の前記第２値との少なくとも一方の複数の値と、前記複数のセンサに対応する複数の前記第３値と、を特徴量とし、前記対象者を特定するための機械学習を行ったモデルであり、前記特定部は、前記取得部が取得した前記複数の出力値から算出された前記複数のセンサにそれぞれ対応する、前記少なくとも一方の複数の値と前記複数の第３値とを入力することで、前記対象者を特定する構成とすることができる。

【0013】

上記構成において、前記モデルは、前記少なくとも一方の複数の値と、前記複数の第３値と、前記複数の第１値の合計値と前記複数の第２値の合計値との少なくとも一方の合計値と、を特徴量とし、前記対象者を特定するための機械学習を行ったモデルであり、前記特定部は、前記取得部が取得した前記複数の出力値から算出された前記複数のセンサにそれぞれ対応する、前記少なくとも一方の複数の値と、前記複数の第３値と、前記少なくとも一方の合計値と、を入力することで、前記対象者を特定する構成とすることができる。

【0014】

上記構成において、前記モデルは、前記複数の第１値と、前記複数の第２値と、前記複数の第３値と、前記複数の第１値の合計値と、前記複数の第２値の合計値と、を特徴量とし、前記対象者を特定するための機械学習を行ったモデルであり、前記特定部は、前記取得部が取得した前記複数の出力値から算出された前記複数のセンサにそれぞれ対応する、前記複数の第１値と、前記複数の第２値と、前記複数の第３値と、前記複数の第１値の合計値と、前記複数の第２値の合計値と、を入力することで、前記対象者を特定する構成とすることができる。

【0015】

上記構成において、前記機械学習は、決定木またはランダムフォレストを用いた機械学習である構成とすることができる。

【0016】

上記構成において、前記対象者と前記第３値を特徴量とし、前記対象者を特定するための機械学習を行う機械学習部を備える構成とすることができる。

【0017】

本発明は、対象者が体重の少なくとも一部を加える対象物が備える起歪体に設けられ前記起歪体の歪み量を検出するセンサが出力する出力値を取得する取得部と、前記対象者が前記対象物に前記体重の少なくとも一部を加えた負荷時刻から第１時間経過後の第１時刻の前記出力値である第１値と、前記負荷時刻から前記第１時間より長い第２時間経過後の第２時刻の前記出力値である第２値と、のそれぞれ対応する差である第３値を特徴量とし、前記対象者を特定するための機械学習を行った学習済みのモデルに、前記取得部が取得した前記出力値から算出された前記第３値を入力することで、前記対象者を特定する特定部と、を備え、前記第１時刻は、同じ対象者が複数回前記体重の少なくとも一部を加えたときの前記出力値の各時刻におけるばらつきが、オーバーシュートした後の時刻である特定装置である。

【発明の効果】

【0018】

本発明によれば、短時間で処理可能な特定装置を提供することができる。

【図面の簡単な説明】

【0019】

【図1】図１（ａ）は、実施例１における特定装置を配置したシートを示す模式図、図１（ｂ）および図１（ｃ）は、起歪体の平面図である。

【図2】図２は、実施例１における特定装置の機能ブロック図である。

【図3】図３は、実施例１における特定装置のブロック図である。

【図4】図４（ａ）および図４（ｂ）は、実施例１におけるプロセッサの処理を示すフローチャートである。

【図5】図５（ａ）は、実験に用いた便器および便座の側面図、図５（ｂ）は、便座の平面図でありセンサの配置Ｗを示す図である。

【図6】図６（ａ）から図６（ｄ）は、各着座者Ａ～Ｄの時間に対する出力値を示す図である。

【図7】図７は、各着座者の時間に対する出力値を示す図である。

【図8】図８（ａ）から図８（ｃ）は、それぞれ配置Ｘ，ＹおよびＺにおけるセンサの配置を示す図である。

【図9】図９（ａ）は、実施例１の変形例１における起歪体の配置を示すシートの斜視図、図９（ｂ）は、起歪体の斜視図である。

【図10】図１０（ａ）は、図７の着座した時刻付近の拡大図、図１０（ｂ）は、図７の出力値の一次微分を示す図である。

【図11】図１１（ａ）は、着座者Ｃの複数回のデータを示す図、図１１（ｂ）は、図１１（ａ）の各時間において出力値のＭａｘ－Ｍｉｎを示す図、図１１（ｃ）は、図１１（ｂ）の拡大図である。

【図12】図１２（ａ）は、着座者Ｄの複数回のデータを示す図、図１２（ｂ）は、図１２（ａ）の各時間において出力値のＭａｘ－Ｍｉｎを示す図、図１２（ｃ）は、図１２（ｂ）の拡大図である。

【発明を実施するための形態】

【0020】

以下、図面を参照し実施例について説明する。

【実施例0021】

図１（ａ）は、実施例１における特定装置を配置したシートを示す模式図、図１（ｂ）および図１（ｃ）は、起歪体の平面図である。図１（ｂ）は、起歪体２０を上方から見た図であり、図１（ｃ）は、起歪体２０を下方からみた図である。着座者２８がシート２５に着座したときに正面方向を＋Ｘ方向、左方向を＋Ｙ方向、右方向を－Ｙ方向、上方向をＺ方向とする。

【0022】

図１（ａ）に示すように、シート２５は、起歪体２０および支持体２１を備えている。支持体２１は、例えばシート２５の脚に相当し、起歪体２０を支持する。着座者２８は起歪体２０上に着座する。支持体２１は剛体であり起歪体２０は着座者２８の着座より撓む材料である。起歪体２０と着座者２８との間にはクッション材が設けられていてもよい。起歪体２０の下面にはセンサ１０が設けられている。センサ１０は起歪体２０の側面に設けられていてもよい。このように、センサ１０は起歪体２０の表面に設けられていてもよい。センサ１０が起歪体２０の変位量を検出できれば、センサ１０は起歪体２０の表面に別部材を介し設けられていてもよい。センサ１０は起歪体２０の変位量を検出することで、起歪体２０の歪み量（すなわち撓み）を検出する。センサ１０は、例えば歪ゲージまたは圧力センサ等の起歪体２０の変位量を検出できるセンサでもよく、振動センサでもよい。センサ１０に振動センサを用いる場合、検出される速度成分または加速度成分を１回または２回積分すれば変位量が算出できる。起歪体２０は、樹脂または金属であり、圧力が加わることで歪む（すなわち撓む）材料であればよい。起歪体２０の具体的な材料は、例えばポリプロピレン樹脂である。起歪体２０に用いる材料は硬質なプラスチックが好ましく、起歪体２０の弾性率は５００ＭＰａ～１００００ＭＰａが好ましい。

【0023】

図１（ｂ）および図１（ｃ）に示すように、センサ１０ａ～１０ｃは起歪体２０の下面に複数設けられている。センサ１０ａは、着座者２８の重心２３に対し前方に設けられている。センサ１０ｂは、重心２３に対し右に設けられている。センサ１０ｃは、重心２３に対し左に設けられている。センサ１０ａ～１０ｃは、起歪体２０の上面に設けられていてもよいし、起歪体２０内に設けられていてもよい。センサは１個のみ設けられていてもよいし、２個または４個以上設けられていてもよい。

【0024】

図２は、実施例１における特定装置の機能ブロック図である。図２に示すように、特定装置１１は、取得部１２、抽出部１３、演算部１４、特定部１６、機械学習部１７および記憶部１８を備えている。センサ１０の出力値は取得部１２に入力する。特定部１６から特定の結果が出力される。演算部１４、特定部１６、機械学習部１７および記憶部１８の少なくとも一部は、特定装置１１外に設けられていてもよく、例えばクラウド上で実行される機能でもよい。また、センサ１０は特定装置１１内に設けられていてもよい。

【0025】

図３は、実施例１における特定装置のブロック図である。特定装置１１は、例えばマイクロコンピュータを含む。図３に示すように、特定装置１１は、プロセッサ３０、メモリ３２、インターフェース３４および内部バス３６を備えている。プロセッサ３０は、ＣＰＵ（Central Processing Unit）等の処理部であり、ソフトウエアと協働し取得部１２、抽出部１３、演算部１４、特定部１６および機械学習部１７として機能する。メモリ３２は、揮発性メモリまたは不揮発性メモリであり、プロセッサ３０が実行するプログラムおよびデータ等を記憶する。また、メモリ３２は、記憶部１８として機能する。インターフェース３４はデータ等を入出力し、例えばセンサ１０が出力するデータを入力し、プロセッサ３０の処理結果を出力する。内部バス３６は、プロセッサ３０、メモリ３２およびインターフェース３４間に接続されており、これらの間にデータ等を伝送する。

【0026】

図４（ａ）および図４（ｂ）は、実施例１におけるプロセッサの処理を示すフローチャートである。図４（ａ）は、着座者の特定を行うときのフローチャートであり、図４（ｂ）は、機械学習を用いモデルを作成するときのフローチャートである。

【0027】

まず、図２および図４（ａ）を参照し、特定装置１１が、シート２５に着座した着座者２８を特定する処理について説明する。取得部１２は、センサ１０ａ～１０ｃから出力信号を取得する（ステップＳ１０）。センサ１０の出力信号は、起歪体２０の時系列の変位量Ａ（ｔ）である。抽出部１３は、時系列の変位量Ａ（ｔ）から着座者２８が着座した負荷時刻ｔ０から第１時間Ｔ１経過後の第１時刻ｔ１の変位量Ａ１（第１値）と第２時間Ｔ２経過後の第２時刻ｔ２の変位量Ａ２（第２値）を抽出する（ステップＳ１２）。第２時間Ｔ２は第１時間Ｔ１より長い。演算部１４は、抽出部１３が抽出した変位量Ａ１およびＡ２を演算する（ステップＳ１４）。例えば、演算部１４は、変位量Ａ１とＡ２の差に相当する起歪体２０のクリープ値ΔＡ（第３値）＝Ａ２－Ａ１を演算する。また、複数のセンサ１０ａ～１０ｃにおける変位量Ａ１の合計に対応する合計値ＳＡ１および変位量Ａ２の合計に対応する合計値ＳＡ２を演算する。なお、クリープは起歪体２０に一定の持続応力が加わったときに時間の経過とともに起歪体２０の歪が増加する現象である。実施例１では、着座者２８がシート２５に着座した後、起歪体２０に加わる応力の分布が時間とともに変化することもありうる。クリープ値ΔＡには、クリープ現象における歪の変化に加え、起歪体２０への応力分布の時間変化による歪の変化も含まれる。

【0028】

特定部１６は、記憶部１８に格納されたモデルを用い、変位量Ａ１、Ａ２、クリープ値ΔＡ、合計値ＳＡ１およびＳＡ２を特徴量とし、着座者２８を特定する（ステップＳ１６）。例えば、特定部１６は、モデルを用い変位量Ａ１、Ａ２、クリープ値ΔＡ、合計値ＳＡ１およびＳＡ２を特徴量とし、個人識別率スコアを算出する。特定部１６は、算出された個人識別率スコアが、登録された着座者の識別スコアより高ければ登録された着座者と特定する。登録された着座者が複数の場合、複数の着座者の識別スコアと算出された個人識別率スコアとを比較し、登録された複数の着座者から着座者を特定する。その後、終了する。

【0029】

次に、図２および図４（ｂ）を用い、特定装置１１が学習済みモデルを作成する処理について説明する。変位量Ａ１、Ａ２、クリープ値ΔＡ、合計値ＳＡ１およびＳＡ２を１つのセットとし、複数の特定の着座者に対し各々複数のセットを準備する。機械学習部１７は、複数の特定の着座者に対する複数のセットを取得する（ステップＳ１５）。複数のセットは、図４（ａ）のステップＳ１０～Ｓ１４と同様に取得してもよいし、予め取得した複数のセットをメモリ３２または外部のメモリに格納させておき、機械学習部１７は、メモリ３２または外部のメモリから複数のセットを取得してもよい。機械学習部１７は、複数のセットを教師データとして、機械学習を行い、機械学習済のモデルを作成する（ステップＳ１８）。機械学習部１７は、作成したモデルを記憶部１８に格納する（ステップＳ２０）。その後、終了する。

【0030】

［実験］
便座に着座する着座者を特定する実験を行った。図５（ａ）は、実験に用いた便器および便座の側面図、図５（ｂ）は、便座の平面図でありセンサの配置Ｗを示す図である。図５（ａ）に示すように、便器２４上に起歪体として便座２２が設けられている。便座２２に着座者２８が着座する。便座２２の材料はポリプロピレン樹脂である。図５（ｂ）に示すように、便座２２の下面（－Ｚ側の面）には３個のセンサ１０ａ～１０ｃが設けられている。センサ１０ａ～１０ｃは、便座２２の歪を検出する歪ゲージである。センサ１０ａは、便座２２の内の前（＋Ｘ）に、センサ１０ｂおよび１０ｃはそれぞれ便座２２の内の右（－Ｙ）および左（＋Ｙ）に設けられている。図５（ａ）のセンサ１０ａ～１０ｃの配置を配置Ｗとする。

【0031】

５名の着座者について、センサ１０ａ～１０ｃの出力値を測定した。図６（ａ）から図６（ｄ）は、各着座者Ａ～Ｄの時間に対する出力値を示す図である。縦軸は、センサ１０ａ～１０ｃの出力値であり、単位は任意座標［ａ．ｕ．］である。センサ１０ａ～１０ｃの出力値の大きさは歪ゲージが検出する便座２２の歪み量であり、便座２２の変位量に相関する。横軸は時間であり、矢印で示した１０秒において着座者が着座した。４名の着座者Ａ～Ｄの測定データを示している。５人目の着座者の時間に対する出力値は着座者ＡとＢとの間の傾向を有しているが、図示していない。

【0032】

図６（ａ）から図６（ｄ）に示すように、着座者ＡおよびＢは、センサ１０ｃの出力値がセンサ１０ａおよび１０ｂより大きい。着座者ＣおよびＤは、センサ１０ａ～１０ｃの出力値が同程度である。このことから着座者ＡおよびＢは左側に重心が位置することがわかる。このように、センサ１０ａ～１０ｃの出力値により、着座したときの重心の位置がわかる。また、センサ１０ａ～１０ｃの出力値を合計することにより、着座者Ａ～Ｄの体重に相当する変位量がわかる。

【0033】

着座者Ａ、ＢおよびＤでは、センサ１０ａは着座した後の出力値の増加は小さく、センサ１０ｂおよび１０ｃの出力値の増加は大きい。このことから、着座者Ａ、ＢおよびＤは、前屈みに座り、重心が前方に位置してから時間とともに後方に重心が移動していることがわかる。着座者Ｃはセンサ１０ｂおよび１０ｃの出力値の時間に対する増加が小さい。このことから、着座者Ｃは、前屈みに着座しない傾向があることがわかる。このように、センサ１０ａ～１０ｃの出力値（すなわち便座２２の変位量）の時間に対する傾向により着座者の座り方の特徴がわかる。

【0034】

図７は、各着座者の時間に対する出力値を示す図である。縦軸は、センサ１０ｂの出力値である。図７に示すように、着座した負荷時刻ｔ０から一定時間Ｔ１経過後の時刻ｔ１の出力値を変位量Ａ１とし、一定時間Ｔ２経過後の時刻ｔ２の出力値を変位量Ａ２とする。ΔＡ＝Ａ２－Ａ１は、便座２２のクリープ値に対応する。クリープ値ΔＡを機械学習の特徴量に含めることを検討した。

【0035】

５名の着座者について、各々５０回着座し、センサ１０ａ～１０ｃの出力値を取得した。使用した特徴量は、時間Ｔ１およびＴ２をそれぞれ１０秒および４０秒とし、３個のセンサ１０ａ～１０ｃの各々の変位量Ａ１、Ａ２およびクリープ値ΔＡ、３個のセンサ１０ａ～１０ｃのＡ１の合計値ＳＡ１およびＡ２の合計値ＳＡ２である。３個のＡ１、３個のＡ２、３個のΔＡ、ＳＡ１およびＳＡ２を１セットとする。５各の着座者について、各々５０セットのデータを準備した。５×５０セットのデータのうち５×４０セットを教師データとし、機械学習させ、モデルを作成した。残りの５×１０セットのデータを検証データとして用い、着座者を特定させたときに着座者を正答する割合を正答率とした。交差検証として、５０セットのデータから教師データと検証データの組み合わせを２０条件で行った。機械学習の手法として決定木とランダムフォレストを用いた。木の深さを５とした。

【0036】

表１は、センサ１０ａ～１０ｃの配置Ｗのとき、交差検証を２０条件で行ったときの正答率の平均を示す表である。

【表1】

【0037】

「ΔＡあり」は、３個のＡ１、３個のＡ２、３個のΔＡ、ＳＡ１およびＳＡ２を特徴量として機械学習したときの正答率である。「ΔＡなし」は、３個のＡ１、３個のＡ２、ＳＡ１およびＳＡ２を特徴量として機械学習したときの正答率である。「ΔＡのみ」は、３個のΔＡのみを特徴量として機械学習したときの正答率である。機械学習の手法として決定木およびランダムフォレストを用いた場合の正答率を示している。

【0038】

表１に示すように、決定木を用いるよりランダムフォレストを用いる方が高い正答率となる。ΔＡのみを特徴量としても６０％以上の正答率を確保できる。ΔＡなしにΔＡを特徴量に加えると、正答率が向上し、約８０％となる。このように、ΔＡを特徴量とすることで、着座者を特定できる。Ａ１、Ａ２、ＳＡ１およびＳＡ２にΔＡを加え特徴量とすることで、正答率がより向上する。

【0039】

センサの配置を変え正答率を調べた。図８（ａ）から図８（ｃ）は、それぞれ配置Ｘ、ＹおよびＺにおけるセンサの配置を示す図である。図８（ａ）に示すように、配置Ｘでは、５個のセンサ１０ａ～１０ｃ、１０ｆおよび１０ｇを配置した。センサ１０ａ～１０ｃの配置は図５（ｂ）の配置Ｗと同じである。センサ１０ｆおよび１０ｇをそれぞれ右側後方および左側後方に配置した。図８（ｂ）に示すように、配置Ｙでは、５個のセンサ１０ａ～１０ｅを配置した。センサ１０ａ～１０ｃの配置は図５（ｂ）の配置Ｗと同じである。センサ１０ｄおよび１０ｅを図８（ａ）の配置Ｘのセンサ１０ｆおよび１０ｇより前方（＋Ｘ方向）に配置した。図８（ｃ）に示すように、配置Ｚでは、７個のセンサ１０ａ～１０ｇを配置した。センサ１０ａ～１０ｇの配置は図８（ａ）の配置Ｘおよび図８（ｂ）の配置Ｙを組み合わせた配置である。

【0040】

配置Ｗ～Ｚについて正答率を求めた。表２は、配置Ｗ～Ｚの正答率を示す表である。

【表2】

【0041】

上段の正答率は交差検証２０条件の平均の正答率であり、下段の括弧内の正答率は交差検証２０条件のうち最も低い正答率である。センサが５個のときの特徴量は５個のＡ１、５個のＡ２、５個のΔＡ、ＳＡ１およびＳＡ２であり、センサが７個のときの特徴量は７個のＡ１、７個のＡ２、７個のΔＡ、ＳＡ１およびＳＡ２である。

【0042】

表２に示すように、センサの個数が増えると正答率が向上する。センサが７個の配置Ｚのランダムフォレストでは、正答率の平均は９０％であり、最も低い正答率も８０％である。５個の配置ＸとＹでは、配置Ｙの正答率が高い。図８（ａ）と図８（ｂ）のように、センサ１０ｇおよび１０ｆは、センサ１０ｄおよび１０ｅに比べ着座者２８の体重が加わり難い。このため、配置Ｘは配置Ｙより正答率が低いと考えられる。

【0043】

実施例１によれば、特定部１６は、クリープ値ΔＡを特徴量とし、着座者２８を特定するための機械学習を行った学習済みのモデルに、取得部１２が取得した変位量から算出されたクリープ値ΔＡを入力することで、着座者２８を特定する。これにより、表１のΔＡのみのように、着座者を特定することができる。特許文献１のように膨大な教師データが不要なため、短時間で処理が可能となる。

【0044】

センサは１個でもよいが複数設けられることが好ましい。複数のセンサ１０ａ～１０ｇにそれぞれ対応する複数のクリープ値ΔＡを特徴量とし、着座者２８を特定することにより、特定精度をより向上できる。センサの個数は３個以上が好ましく、５個以上がより好ましい。特徴量として、複数のセンサ１０ａ～１０ｇのクリープ値の合計を用いてもよい。

【0045】

配置Ｗ～Ｙのように、センサ１０ａ～１０ｇは、上方からみて三角形の頂点に相当する位置に設けられた３つのセンサを含むことが好ましい。これにより、着座者の着座するときの重心の移動の特徴に基づき着座者を特定できる。

【0046】

センサ１０ａ～１０ｇは、着座者２８が着座したとき、着座者２８を基準にシートの前方または後方に設けられるセンサ１０ａ、１０ｇまたは１０ｆ（第１センサ）、右に設けられるセンサ１０ｂまたは１０ｄ（第２センサ）、左に設けられるセンサ１０ｃまたは１０ｅ（第３センサ）を含むことが好ましい。これにより、着座者２８が着座する行動の特徴として、前屈みか否か、左右のいずれかに重心があるか、などの着座者２８の着座の行動の特徴に基づき、着座者２８を特定できる。配置ＸとＹとを比較すると、配置Ｘのようにセンサ１０ｆおよび１０ｇを着座者２８の後ろに配置しても、回答率が低い。これは、配置Ｘのセンサ１０ｆおよび１０ｇの位置には着座者２８の荷重があまり加わらないためと考えられる。このように、センサ１０ａ～１０ｇは着座者２８の荷重が大きい位置に配置することが好ましい。

【0047】

センサ１０ａ～１０ｇは、着座者２８を基準に右に設けられるセンサ１０ｄ（第２センサ）、左に設けられるセンサ１０ｅ（第３センサ）に加え、着座者２８の右太ももに重なるセンサ１０ｂ（第４センサ）および左太ももに重なるセンサ１０ｃ（第５センサ）を含むことが好ましい。これにより、太ももから起歪体２０に加わる体重変化の特徴に基づき着座者２８を特定できる。

【0048】

複数のセンサ１０ａ～１０ｇに対応する複数の変位量Ａ１、Ａ２およびクリープ値ΔＡを特徴量とし、着座者２８を特定する。これにより、着座者２８が着座したときの重心の位置などの特徴に基づき着座者２８を特定できる。よって、着座者２８の特定精度をより向上できる。重心の位置などの特徴を機械学習に反映させるためには、変位量Ａ１とＡ２の少なくとも一方を特徴量としてもよい。

【0049】

さらに、複数のセンサ１０ａ～１０ｇに対応する複数のクリープ値ΔＡ、合計値ＳＡ１およびＳＡ２を特徴量とし、着座者２８を特定する。これにより、着座者２８の体重などの特徴に基づき着座者２８を特定できる。よって、着座者２８の特定精度をさらに向上できる。着座者２８の体重などの特徴を機械学習に反映させるためには、合計値ＳＡ１とＳＡ２の少なくとも一方を特徴量としてもよい。

【0050】

着座者２８の重心の位置と着座者２８の体重の両方を機械学習に反映させるためには、複数のセンサ１０ａ～１０ｇに対応する複数の変位量Ａ１、Ａ２、複数のクリープ値ΔＡ、合計値ＳＡ１およびＳＡ２を特徴量とし、着座者２８を特定することが好ましい。

【0051】

［実施例１の変形例１］
図９（ａ）は、実施例１の変形例１における起歪体の配置を示すシートの斜視図、図９（ｂ）は、起歪体の斜視図である。図９（ａ）に示すように、４輪車両内のカーシート４１として、台座４２、シートクッション４４およびシートバック４６が設けられている。台座４２は例えば金属部材である。シートクッション４４およびシートバック４６はクッション材である。シートクッション４４内に３個の起歪体２０ａ、シートバック４６内に２個の起歪体２０ｂが設けられている。起歪体２０ａは着座者の重心の前方、右および左に設けられている。起歪体２０ａには、主に着座者の臀部から荷重が加わる。起歪体２０ｂは、下方の左右に設けられている。起歪体２０ｂには、主に着座者の背部から荷重が加わる。図９（ｂ）に示すように、起歪体２０ａおよび２０ｂの歪を検出するセンサ１０は起歪体２０ａおよび２０ｂに設けられている。

【0052】

実施例１の変形例１のように、起歪体２０ａおよび２０ｂが設けられるシートはカーシート４１でもよい。起歪体２０は、ソファー、事務所用椅子など着座者が着座するシートに設けられていればよい。起歪体２０ｂを着座者の背部が接触する箇所に設けることで、着座者の特定精度がより向上する。このように、センサ１０（第６センサ）を、着座者が着座したときに、着座者の背部に重なる配置してもよい。

【0053】

［実施例１の変形例２］
実施例１の変形例２は、抽出部１３が着座した時刻ｔ０を判定する方法の例である。図１０（ａ）は、図７の着座した時刻付近の拡大図、図１０（ｂ）は、図７の出力値の一次微分を示す図である。図１０（ａ）に示すように、着座者ＡおよびＣでは、出力値が上昇し始める時刻（矢印の時間であり横軸が１０秒の時刻）後に出力値がオーバーシュートする。着座者ＢおよびＤでは、オーバーシュートしない。また、出力値の立ち上がりは着座者Ａ～Ｄにより異なる。図１０（ｂ）に示すように、出力値の一次微分は出力値が上昇し始める時刻（矢印）後にオーバーシュートする。オーバーシュートのピークは着座者Ａ～Ｄにより異なる。

【0054】

着座者２８がシートに着座した時刻としては、着座者２８の一部がシートに触れた瞬間、着座後安定したときにシートに加わる着座者２８の体重の所定割合がシートに加わった時刻など、様々な定義が考えられる。そこで、抽出部１３は、図１０（ａ）において、出力値が所定の閾値Ｔｈとなった時刻を着座者２８が着座した時刻ｔ０と判定する。図１０（ａ）では、着座者Ｃの出力値において閾値Ｔｈとなる時刻をｔ０としている。着座者が子供など体重の軽い場合、出力値が閾値Ｔｈに達しない場合もある。そこで、図１０（ｂ）に示すように、抽出部１３は、出力値の一次微分が所定の閾値Ｔｈとなった時刻を着座者２８が着座した時刻ｔ０と判定してもよい。図１０（ｂ）では、着座者Ｃの出力値の一次微分において閾値Ｔｈとなる時刻をｔ０としている。また、抽出部１３は、出力値の一次微分のピークとなった時刻を着座者２８が着座した時刻ｔ０と判定してもよい。抽出部１３は、出力値のデータを取得するたびに、時刻ｔ０を決定する。

【0055】

［実施例１の変形例３］
実施例１の変形例３は、着座者が着座した時刻ｔ０から第１時間Ｔ１経過後の時刻ｔ１を決定する方法の例である。複数回の着座データのばらつきを調査した。図１１（ａ）および図１２（ａ）は、それぞれ着座者ＣおよびＤの複数回のデータを示す図、図１１（ｂ）および図１２（ｂ）は、それぞれ図１１（ａ）および図１２（ａ）の各時間において出力値のＭａｘ－Ｍｉｎを示す図、図１１（ｃ）および図１２（ｃ）は、それぞれ図１１（ｂ）および図１２（ｂ）の拡大図である。なお、Ｍａｘ－Ｍｉｎは、各時刻における出力値の最大値－出力値の最小値である。図１１（ｃ）および図１２（ｃ）のドットはＭａｘ－Ｍｉｎを算出した点を示し、直線はドットをつなぐ線である。

【0056】

図１１（ａ）および図１２（ａ）に示すように、出力値のデータはばらついている。着座者Ｃでは、ほぼ全てのデータで出力値がオーバーシュートしているのに対し、着座者Ｄでは、ほぼ全てのデータで出力値がオーバーシュートしていない。図１１（ｂ）および図１２（ｂ）に示すように、着座者ＣおよびＤともに、Ｍａｘ－Ｍｉｎは、時間経過にともない極大値Ｍ１となり、その後極小値Ｍ２となる。このように、Ｍａｘ－Ｍｉｎはオーバーシュートしている。着座者Ｃのオーバーシュートは着座者Ｄのオーバーシュートより大きい。

【0057】

第１時刻ｔ１として、Ｍａｘ－Ｍｉｎが大きい時刻を用いると着座者を特定する精度が落ちる。そこで、第１時刻ｔ１は、出力値が安定した後とする。具体的には、第１時刻ｔ１は、同じ着座者が複数回着座したときの出力値の各時刻におけるＭａｘ－Ｍｉｎ（ばらつき）が、オーバーシュートした後の時刻とする。例えば、複数の着座者が各々複数回着座したときの出力値に基づき、全ての着座者について、第１時刻ｔ１が出力値のばらつきのオーバーシュート後となるように、第１時刻ｔ１を決定する。第１時刻ｔ１の決定は、抽出部１３が行ってもよいし、予め第１時刻ｔ１を設定しておいてもよい。第１時刻ｔ１および第２時刻ｔ２を決定すると、その後は複数の着座者に対し同じ第１時刻ｔ１および第２時刻ｔ２を用いる。

【0058】

オーバーシュートした後の時刻は、Ｍａｘ－Ｍｉｎのピーク以降の時刻であればよいが、例えば、Ｋを０以上かつ１未満としたとき、Ｍａｘ－ＭｉｎがＭ１－Ｋ×（Ｍ１－Ｍ２）となった時刻を時刻ｔ１としてもよい。Ｋは例えば０．５以上が好ましく、０．８以上がより好ましい。複数の着座者に対し、時刻ｔ１を求め、最も遅い時刻ｔ１を第１時刻ｔ１としてもよい。各時間におけるばらつきは、Ｍａｘ－Ｍｉｎ以外にも標準偏差等を用いてもよい。着座者がシートに着座する場合、出力値が安定するため、第１時間Ｔ１は４秒以上が好ましく５秒以上がより好ましい。第１時間Ｔ１が長すぎると出力値が飽和してしまう。よって、第１時間Ｔ１は２０秒以下が好ましい。第２時間Ｔ２と第１時間Ｔ１との差（すなわちｔ２－ｔ１）が小さすぎると、出力値があまり変化しない。よって、第２時間Ｔ２と第１時間Ｔ１との差は１０秒以上が好ましい。第２時間Ｔ２が長すぎると出力値が飽和してしまう。よって、第２時間Ｔ２と第１時間Ｔ１との差は１００秒以下が好ましい。

【0059】

実施例１およびその変形例では、特定装置１１がシート２５に着座する着座者を特定する例を説明したが、特定装置１１は、対象物に体重の少なくとも一部を加える対象者を特定してもよい。図１（ａ）では対象物はシート２５であり、図５（ａ）では対象物は便座２２である。対象物は、例えば対象者が横たわるベッド、または対象者が立った状態で乗る体重計でもよい。

【0060】

以上、本発明の実施例について詳述したが、本発明はかかる特定の実施例に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。

【符号の説明】

【0061】

１０，１０ａ～１０ｇ センサ
１１ 特定装置
１２ 取得部
１６ 特定部
１７ 機械学習部
２０、２０ａ、２０ｂ 起歪体
２２ 便座

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】