ホーム > 特許ランキング > ＴＯＰＰＡＮエッジ株式会社
(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】P2023149012
(43)【公開日】2023-10-13
(54)【発明の名称】個人認証装置、個人認証方法および個人認証プログラム
(51)【国際特許分類】
G06F 21/32 20130101AFI20231005BHJP
A61B 5/117 20160101ALI20231005BHJP
G06T 7/00 20170101ALI20231005BHJP
【ＦＩ】
G06F21/32
A61B5/117 100
G06T7/00 350B
G06T7/00 510A
【審査請求】未請求
【請求項の数】6
【出願形態】ＯＬ
(21)【出願番号】P 2022057327
(22)【出願日】2022-03-30
(71)【出願人】
【識別番号】000110217
【氏名又は名称】ＴＯＰＰＡＮエッジ株式会社
(74)【代理人】
【識別番号】110002147
【氏名又は名称】弁理士法人酒井国際特許事務所
(72)【発明者】
【氏名】杉本 隼一
(72)【発明者】
【氏名】丹野 有
(72)【発明者】
【氏名】徳永 大輝
【テーマコード（参考）】
4C038
5B043
5L096
【Ｆターム（参考）】
4C038VA07
4C038VB15
4C038VC20
5B043AA09
5B043DA07
5B043EA05
5B043GA02
5L096EA11
5L096FA59
5L096GA19
5L096HA02
5L096HA07
5L096KA04
(57)【要約】
【課題】より少ないデータ量で高精度な個人認証を実現すること。
【解決手段】本開示に係る個人認証装置は、被検者の足裏に掛かる圧力の分布を示す足圧分布が、被検者の歩行に応じて測定された測定結果である足圧分布データを取得する取得部と、足圧分布データに基づいて、圧力に関する複数の異なるパラメータごとに、当該パラメータの経時変化であって、歩行に応じた経時変化を示す経時データを抽出する抽出部と、パラメータごとに抽出された経時データと、当該経時データの元となる足圧分布データが得られた被検者を示す被検者データとの組み合せを学習データとして用いて、各パラメータに対して個別に対応するパラメータごとの識別モデルを生成する生成部とを有する。
【選択図】図３
【解決手段】本開示に係る個人認証装置は、被検者の足裏に掛かる圧力の分布を示す足圧分布が、被検者の歩行に応じて測定された測定結果である足圧分布データを取得する取得部と、足圧分布データに基づいて、圧力に関する複数の異なるパラメータごとに、当該パラメータの経時変化であって、歩行に応じた経時変化を示す経時データを抽出する抽出部と、パラメータごとに抽出された経時データと、当該経時データの元となる足圧分布データが得られた被検者を示す被検者データとの組み合せを学習データとして用いて、各パラメータに対して個別に対応するパラメータごとの識別モデルを生成する生成部とを有する。
【選択図】図３
【特許請求の範囲】
【請求項1】
被検者の足裏に掛かる圧力の分布を示す足圧分布が、前記被検者の歩行に応じて測定された測定結果である足圧分布データを取得する取得部と、
前記足圧分布データに基づいて、前記圧力に関する複数の異なるパラメータごとに、当該パラメータの経時変化であって、歩行に応じた経時変化を示す経時データを抽出する抽出部と、
前記パラメータごとに抽出された経時データと、当該経時データの元となる前記足圧分布データが得られた被検者を示す被検者データとの組み合せを学習データとして用いて、対象者が前記被検者のうちのいずれの人物であるかを識別する識別モデルであって、各パラメータに対して個別に対応するパラメータごとの識別モデルを生成する生成部と
を有することを特徴とする個人認証装置。
前記足圧分布データに基づいて、前記圧力に関する複数の異なるパラメータごとに、当該パラメータの経時変化であって、歩行に応じた経時変化を示す経時データを抽出する抽出部と、
前記パラメータごとに抽出された経時データと、当該経時データの元となる前記足圧分布データが得られた被検者を示す被検者データとの組み合せを学習データとして用いて、対象者が前記被検者のうちのいずれの人物であるかを識別する識別モデルであって、各パラメータに対して個別に対応するパラメータごとの識別モデルを生成する生成部と
を有することを特徴とする個人認証装置。
【請求項2】
前記取得部は、前記被検者の足裏を複数の領域に分割した場合における各領域に掛かる圧力の分布を示す足圧分布が、前記被検者の歩行に応じて測定された測定結果である足圧分布データを取得し、
前記抽出部は、前記経時データとして、前記足裏の複数の領域それぞれに掛けられる圧力の値に基づき、前記複数の領域の中から抽出された抽出領域の面積を示す加圧面積の経時変化であって、歩行に応じた経時変化を示す第１の経時データと、前記抽出領域に含まれる領域それぞれでの前記圧力の値の総和を示す圧力総和の経時変化であって、歩行に応じた経時変化を示す第２の経時データとを前記被検者ごとに抽出し、
前記生成部は、前記第１の経時データと、当該第１の経時データの元となる前記足圧分布データが得られた被検者を示す被検者データとの組み合せを第１の学習データとして用いて、前記対象者が前記被検者のうちのいずれの人物であるかを識別する第１の識別モデルを生成するとともに、前記第２の経時データと、当該第２の経時データの元となる前記足圧分布データが得られた被検者を示す被検者データとの組み合せを第２の学習データとして用いて、前記対象者が前記被検者のうちのいずれの人物であるかを識別する第２の識別モデルを生成する
ことを特徴とする請求項１に記載の個人認証装置。
前記抽出部は、前記経時データとして、前記足裏の複数の領域それぞれに掛けられる圧力の値に基づき、前記複数の領域の中から抽出された抽出領域の面積を示す加圧面積の経時変化であって、歩行に応じた経時変化を示す第１の経時データと、前記抽出領域に含まれる領域それぞれでの前記圧力の値の総和を示す圧力総和の経時変化であって、歩行に応じた経時変化を示す第２の経時データとを前記被検者ごとに抽出し、
前記生成部は、前記第１の経時データと、当該第１の経時データの元となる前記足圧分布データが得られた被検者を示す被検者データとの組み合せを第１の学習データとして用いて、前記対象者が前記被検者のうちのいずれの人物であるかを識別する第１の識別モデルを生成するとともに、前記第２の経時データと、当該第２の経時データの元となる前記足圧分布データが得られた被検者を示す被検者データとの組み合せを第２の学習データとして用いて、前記対象者が前記被検者のうちのいずれの人物であるかを識別する第２の識別モデルを生成する
ことを特徴とする請求項１に記載の個人認証装置。
【請求項3】
前記識別モデルを生成するための前処理として、前記経時データを規格化する前処理部をさらに有し、
前記生成部は、規格化された後の経時データを用いて、前記識別モデルを生成する
ことを特徴とする請求項１または２に記載の個人認証装置。
前記生成部は、規格化された後の経時データを用いて、前記識別モデルを生成する
ことを特徴とする請求項１または２に記載の個人認証装置。
【請求項4】
前記対象者に対応する第１の経時データを入力として第１の識別モデルによって出力された結果である第１の識別結果と、前記対象者に対応する第２の経時データを入力として第２の識別モデルによって出力された結果である第２の識別結果とに基づいて、前記対象者が前記被検者のうちのいずれの人物であるかを識別する識別部をさらに有する
ことを特徴とする請求項２に記載の個人認証装置。
ことを特徴とする請求項２に記載の個人認証装置。
【請求項5】
コンピュータが実行する個人認証方法であって、
被検者の足裏に掛かる圧力の分布を示す足圧分布が、前記被検者の歩行に応じて測定された測定結果である足圧分布データを取得する取得工程と、
前記足圧分布データに基づいて、前記圧力に関する複数の異なるパラメータごとに、当該パラメータの経時変化であって、歩行に応じた経時変化を示す経時データを抽出する抽出工程と、
前記パラメータごとに抽出された経時データと、当該経時データの元となる前記足圧分布データが得られた被検者を示す被検者データとの組み合せを学習データとして用いて、対象者が前記被検者のうちのいずれの人物であるかを識別する識別モデルであって、各パラメータに対して個別に対応するパラメータごとの識別モデルを生成する生成工程と
を含むことを特徴とする個人認証方法。
被検者の足裏に掛かる圧力の分布を示す足圧分布が、前記被検者の歩行に応じて測定された測定結果である足圧分布データを取得する取得工程と、
前記足圧分布データに基づいて、前記圧力に関する複数の異なるパラメータごとに、当該パラメータの経時変化であって、歩行に応じた経時変化を示す経時データを抽出する抽出工程と、
前記パラメータごとに抽出された経時データと、当該経時データの元となる前記足圧分布データが得られた被検者を示す被検者データとの組み合せを学習データとして用いて、対象者が前記被検者のうちのいずれの人物であるかを識別する識別モデルであって、各パラメータに対して個別に対応するパラメータごとの識別モデルを生成する生成工程と
を含むことを特徴とする個人認証方法。
【請求項6】
被検者の足裏に掛かる圧力の分布を示す足圧分布が、前記被検者の歩行に応じて測定された測定結果である足圧分布データを取得する取得手順と、
前記足圧分布データに基づいて、前記圧力に関する複数の異なるパラメータごとに、当該パラメータの経時変化であって、歩行に応じた経時変化を示す経時データを抽出する抽出手順と、
前記パラメータごとに抽出された経時データと、当該経時データの元となる前記足圧分布データが得られた被検者を示す被検者データとの組み合せを学習データとして用いて、対象者が前記被検者のうちのいずれの人物であるかを識別する識別モデルであって、各パラメータに対して個別に対応するパラメータごとの識別モデルを生成する生成手順と
をコンピュータに実行させることを特徴とする個人認証プログラム。
前記足圧分布データに基づいて、前記圧力に関する複数の異なるパラメータごとに、当該パラメータの経時変化であって、歩行に応じた経時変化を示す経時データを抽出する抽出手順と、
前記パラメータごとに抽出された経時データと、当該経時データの元となる前記足圧分布データが得られた被検者を示す被検者データとの組み合せを学習データとして用いて、対象者が前記被検者のうちのいずれの人物であるかを識別する識別モデルであって、各パラメータに対して個別に対応するパラメータごとの識別モデルを生成する生成手順と
をコンピュータに実行させることを特徴とする個人認証プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、個人認証装置、個人認証方法および個人認証プログラムに関する。
【背景技術】
【0002】
従来、歩行パターンによる認証が提案されている。例えば、足裏に加わる荷重の推移に基づいて、対象人物を認証する技術が提案されている。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２００８－２５０９９６号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
しかしながら、上記の従来技術では、より少ないデータ量で高精度な個人認証を実現する点で改善の余地がある。
【0005】
例えば、上記の従来技術は、足裏に加わる荷重の時間的推移を示す荷重情報を学習データとして用いて、個人認証のためのニューラルネットワークモデルを生成しているが、係る手法では、認証の高精度化において莫大な学習データが必要になると考えられる。すなわち、上記の従来技術には、高精度な個人認証を実現するうえで煩雑さが残されているといえる。
【0006】
そこで、本開示では、より少ないデータ量で高精度な個人認証を実現することができる個人認証装置、個人認証方法および個人認証プログラムを提案する。
【課題を解決するための手段】
【0007】
上記の課題を解決するために、本開示に係る個人認証装置は、被検者の足裏に掛かる圧力の分布を示す足圧分布が、前記被検者の歩行に応じて測定された測定結果である足圧分布データを取得する取得部と、前記足圧分布データに基づいて、前記圧力に関する複数の異なるパラメータごとに、当該パラメータの経時変化であって、歩行に応じた経時変化を示す経時データを抽出する抽出部と、前記パラメータごとに抽出された経時データと、当該経時データの元となる前記足圧分布データが得られた被検者を示す被検者データとの組み合せを学習データとして用いて、対象者が前記被検者のうちのいずれの人物であるかを識別する識別モデルであって、各パラメータに対して個別に対応するパラメータごとの識別モデルを生成する生成部とを有する。
【発明の効果】
【0008】
本開示によれば、より少ないデータ量で高精度な個人認証を実現することができるといった効果を奏する。
【図面の簡単な説明】
【0009】
【発明を実施するための形態】
【0010】
以下に、個人認証装置、個人認証方法および個人認証プログラムを実施するための形態（以下、「実施形態」と記載する）の一例について図面を参照しつつ詳細に説明する。なお、この実施形態により個人認証装置、個人認証方法および個人認証プログラムが限定されるものではない。また、以下の実施形態において同一の部位には同一の符号を付し、重複する説明は省略する。
【0011】
［実施形態］
〔１．システム構成〕
まず、図１を用いて、実施形態に係る認証システムの構成を説明する。図１は、実施形態に係る認証システムの一例を示す図である。図１には、実施形態に係る認証システムの一例として、認証システム１が示される。
〔１．システム構成〕
まず、図１を用いて、実施形態に係る認証システムの構成を説明する。図１は、実施形態に係る認証システムの一例を示す図である。図１には、実施形態に係る認証システムの一例として、認証システム１が示される。
【0012】
図１に示すように、認証システム１は、測定マット１０と、端末装置３０と、個人認証装置１００とを含む。また、測定マット１０と、端末装置３０と、個人認証装置１００とは、ネットワークＮを介して、有線または無線により通信可能に接続される。
【0013】
測定マット１０は、歩行に応じて足裏にどのように圧力が掛かるか、足裏における圧力分布を測定するための装置である。例えば、測定マット１０は、その上を人物が歩けるようにマット型に設計されたセンサであり、床面等に敷設して使用される。
【0014】
また、測定マット１０によれば、足裏に掛かる圧力の分布を示す足圧分布が、例えば、１／７２秒ごとに測定されることで、測定結果を示す足圧分布データが画像（フレーム）として出力される。すなわち、測定マット１０によれば、１／７２秒ごとにフレームが出力され、出力されたフレームには、このタイミングでの足圧分布データが示される。
【0015】
端末装置３０は、測定マット１０による測定で得られた足圧分布データが出力される先の情報処理端末であり、測定マット１０と接続される。端末装置３０は、例えば、スマートフォンや、タブレット型端末や、ノート型ＰＣ（Personal Computer）や、デスクトップＰＣや、携帯電話機や、ＰＤＡ（Personal Digital Assistant）等であってよい。
【0016】
例えば、端末装置３０は、測定マット１０によって足圧分布が測定されるたびに、測定マット１０から出力された足圧分布データ（より具体的には、足圧分布データが示されるフレーム）を取得する。また、端末装置３０は、例えば、利用者の操作に応じて、足圧分布データを個人認証装置１００に送信する。
【0017】
例えば、端末装置３０は、複数の被検者（例えば、ユニークな情報（氏名等）が判明している人物）それぞれについて、複数歩分の足圧分布データが蓄積された場合には、被検者データと紐付けられた複数歩分の足圧分布データを個人認証装置１００に送信してよい。また、端末装置３０は、認証対象者の足圧分布データが得られた場合には、この足圧分布データを未知な人物のデータとして個人認証装置１００に送信してよい。
【0018】
個人認証装置１００は、実施形態に係る識別処理を行う中心的な装置である。具体的には、個人認証装置１００は、被検者から得られた足圧分布データに基づいて、圧力に関する複数の異なるパラメータごとに、当該パラメータの経時変化であって、歩行に応じた経時変化を示す経時データを抽出する。そして、個人認証装置１００は、経時データと被検者データとの組み合わせを学習データとして用いて、認証対象者が被検者のうちのいずれの人物であるかを識別するための識別モデルを生成する。具体的には、個人認証装置１００は、複数の異なるパラメータそれぞれに対応する識別モデルを生成する。より具体的には、個人認証装置１００は、複数の異なるパラメータごとに、当該パラメータに対応する識別モデルを生成する。すなわち、個人認証装置１００は、各パラメータに対して個別に対応するパラメータごとの識別モデルを生成する。
【0019】
〔２．識別処理の全体像〕
次に、図２を用いて、実施形態に係る識別処理の全体的な流れを説明する。図２は、実施形態に係る識別処理の全体像を示す図である。図２には、それぞれ名前が判明している複数の被検者（「被検者ＴＵｘ」と表記する）から得られた足圧分布データから識別モデルを生成し、このモデルを用いて、１人の認証対象者（「対象者ＡＵ１」と表記する）が、被検者ＴＵｘのうちのいずれの人物であるかを識別する場面が示される。
次に、図２を用いて、実施形態に係る識別処理の全体的な流れを説明する。図２は、実施形態に係る識別処理の全体像を示す図である。図２には、それぞれ名前が判明している複数の被検者（「被検者ＴＵｘ」と表記する）から得られた足圧分布データから識別モデルを生成し、このモデルを用いて、１人の認証対象者（「対象者ＡＵ１」と表記する）が、被検者ＴＵｘのうちのいずれの人物であるかを識別する場面が示される。
【0020】
【0021】
まず、学習フェーズについて説明する。測定マット１０は、被検者ＴＵｘがマット上を歩行することに応じて被検者ＴＵｘの足裏にどのように圧力が掛かるか、足裏における圧力の分布を示す足圧分布を測定する（ステップＳ１１）。そして、測定マット１０は、被検者ＴＵｘの歩行に応じて足圧分布が測定された測定結果である足圧分布データを端末装置３０に出力する（ステップＳ１２）。
【0022】
端末装置３０は、測定マット１０から足圧分布データを取得すると、取得した足圧分布データを個人認証装置１００に送信する（ステップＳ１３）。
【0023】
個人認証装置１００は、足圧分布データに基づいて、圧力に関する複数の異なるパラメータごとに、当該パラメータの経時変化であって、歩行に応じた経時変化を示す経時データを抽出する（ステップＳ１４）。例えば、個人認証装置１００は、足裏に対応する領域において一定以上の圧力が掛かる領域の面積である加圧面積が、歩行に応じた経時変化に伴いどのように変化するかを示す第１の経時データを、被検者ＴＵｘごとに当該被検者ＴＵｘの足圧分布データから抽出する。また、個人認証装置１００は、この一定以上の圧力が掛かる領域での圧力の総和である圧力総和が、歩行に応じた経時変化に伴いどのように変化するかを示す第２の経時データを、被検者ＴＵｘごとに当該被検者ＴＵｘの足圧分布データから抽出する。
【0024】
ここで、加圧面積は、複数の異なるパラメータの１つの例である。また、圧力総和は、複数の異なるパラメータのもう１つの例である。
【0025】
次に、個人認証装置１００は、ステップＳ１４で抽出した経時データに基づいて、学習データを取得する（ステップＳ１５）。例えば、個人認証装置１００は、第１の経時データと、当該第１の経時データの元となる足圧分布データが得られた被検者ＴＵｘを示す被検者データ（例えば、名前）との組み合せを第１の学習データとして、これを被検者ＴＵｘごとに調整する。また、個人認証装置１００は、第２の経時データと、当該第２の経時データの元となる足圧分布データが得られた被検者ＴＵｘを示す被検者データ（例えば、名前）との組み合せを第２の学習データとして、これを被検者ＴＵｘごとに調整する。
【0026】
そして、個人認証装置１００は、ステップＳ１５で取得した学習データに基づいて、識別モデルを生成する（ステップＳ１６）。例えば、個人認証装置１００は、被検者ＴＵｘごとに得られている第１の学習データ群に基づいて、加圧面積に対応する識別モデルである第１の識別モデルを生成する。また、個人認証装置１００は、被検者ＴＵｘごとに得られている第２の学習データ群に基づいて、圧力総和に対応する識別モデルである第２の識別モデルを生成する。
【0027】
一例として、個人認証装置１００は、第１の経時データ（第２の経時データも同様）を波形と見做して、ピーク数、最大値、最小値、平均値、ピーク高さ、微積分（傾き、面積）、前後のデータ間での差分の統計量等を特徴量として、被検者ＴＵｘごとに特徴量の傾向をモデルに学習させるというモデル生成を行う場合がある。また、個人認証装置１００は、モデル生成のための機械学習アルゴリズムとして、ランダムフォレストあるいはＸＧＢｏｏｓｔ等の決定木手法を用いてよい。
【0028】
続いて、識別フェーズについて説明する。測定マット１０は、対象者ＡＵ１がマット上を歩行することに応じて対象者ＡＵ１の足裏にどのように圧力が掛かるか、足裏における圧力の分布を示す足圧分布を測定する（ステップＳ２１）。そして、測定マット１０は、対象者ＡＵ１の歩行に応じて足圧分布が測定された測定結果である足圧分布データを端末装置３０に出力する（ステップＳ２２）。
【0029】
端末装置３０は、測定マット１０から足圧分布データを取得すると、取得した足圧分布データを個人認証装置１００に送信する（ステップＳ２３）。ここで、図２では不図示であるが、個人認証装置１００は、ステップＳ１４と同様の手法で識別用データを抽出する。具体的には、個人認証装置１００は、ステップＳ１４と同様の手法で対象者ＡＵ１の足圧分布データからも第１の経時データを抽出し、これを第１の識別用データとする。また、個人認証装置１００は、ステップＳ１４と同様の手法で対象者ＡＵ１の足圧分布データから第２の経時データも抽出し、これを第２の識別用のデータとする。
【0030】
そして、個人認証装置１００は、識別用データを識別モデルに入力する（ステップＳ２４）。具体的には、個人認証装置１００は、加圧面積に対応する第１の識別モデルには、加圧面積の経時変化を示す第１の識別用データを入力する。また、個人認証装置１００は、圧力総和に対応する第２の識別モデルには、圧力総和の経時変化を示す第２の識別用データを入力する。
【0031】
続いて、個人認証装置１００は、ステップＳ２４の入力に応じて識別モデルから出力された識別結果を取得する（ステップＳ２５）。例えば、第１の識別モデルは、第１の識別用データを入力とする第１の識別結果として、被検者ＴＵｘが対象者ＡＵ１であることの確率を示す分類確率を被検者ＴＵｘごとに出力する。また、第２の識別モデルは、第２の識別用データを入力とする第２の識別結果として、被検者ＴＵｘが対象者ＡＵ１であることの確率を示す分類確率を被検者ＴＵｘごとに出力する。したがって、個人認証装置１００は、第１の識別モデルに対応する分類確率であって被検者ＴＵｘごとの分類確率を取得する。また、個人認証装置１００は、第２の識別モデルに対応する分類確率であって被検者ＴＵｘごとの分類確率を取得する。
【0032】
最後に、個人認証装置１００は、ステップＳ２５で取得した識別結果に基づいて、対象者ＡＵ１を被検者ＴＵｘのいずれかに分類する（ステップＳ２６）。例えば、個人認証装置１００は、第１の識別モデルに対応する分類確率のうち、最も高い分類確率である第１の分類確率と、第２の識別モデルに対応する分類確率のうち、最も高い分類確率である第２の分類確率とを比較する。そして、個人認証装置１００は、第１の分類確率、第２の分類確率のうち、確率値の高い方に対応する１人の被検者ＴＵｘと、対象者ＡＵ１とが同一人物であると認証する。
【0033】
ここまで、図２を用いて、実施形態に係る識別処理の全体像を説明した。係る識別処理によれば、１種のデータ（圧力分布データ）から、２種のパラメータ（加圧面積、圧力総和）それぞれに対応する２種の経時データが抽出され、そして経時データそれぞれに対応する２種の学習データが調整される。また、この結果、２種のパラメータ（加圧面積、圧力総和）それぞれに対応する２種の識別モデルが決定木アルゴリズムによって生成される。そして、実施形態に係る識別処理によれば、２種の識別モデルそれぞれから出力された識別結果を統合することで、最終的な識別結果が得られる。このような識別処理によれば、より少ないデータ量で高精度な個人認証が実現される。
【0034】
以下では、このような効果を立証するための検証実験を例に挙げて、実施形態に係る識別処理をより具体的に説明する。
【0035】
〔３．個人認証装置の構成〕
次に、図３を用いて、実施形態に係る個人認証装置１００について説明する。図３は、実施形態に係る個人認証装置１００の構成例を示す図である。図３に示すように、個人認証装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。
次に、図３を用いて、実施形態に係る個人認証装置１００について説明する。図３は、実施形態に係る個人認証装置１００の構成例を示す図である。図３に示すように、個人認証装置１００は、通信部１１０と、記憶部１２０と、制御部１３０とを有する。
【0036】
（通信部１１０について）
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１０は、ネットワークと有線または無線で接続され、例えば、測定マット１０や端末装置３０との間で情報の送受信を行う。
通信部１１０は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１０は、ネットワークと有線または無線で接続され、例えば、測定マット１０や端末装置３０との間で情報の送受信を行う。
【0037】
（記憶部１２０について）
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ等の半導体メモリ素子またはハードディスク、光ディスク等の記憶装置によって実現される。記憶部１２０は、測定データ記憶部１２１と、第１の経時データ記憶部１２２と、第２の経時データ記憶部１２３と、第１の学習データ記憶部１２４と、第２の学習データ記憶部を１２５と、モデルデータ記憶部１２６とを有する。
記憶部１２０は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ等の半導体メモリ素子またはハードディスク、光ディスク等の記憶装置によって実現される。記憶部１２０は、測定データ記憶部１２１と、第１の経時データ記憶部１２２と、第２の経時データ記憶部１２３と、第１の学習データ記憶部１２４と、第２の学習データ記憶部を１２５と、モデルデータ記憶部１２６とを有する。
【0038】
（制御部１３０について）
制御部１３０は、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、個人認証装置１００内部の記憶装置に記憶されている各種プログラム（例えば、実施形態に係る個人認証プログラム）がＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。
制御部１３０は、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、個人認証装置１００内部の記憶装置に記憶されている各種プログラム（例えば、実施形態に係る個人認証プログラム）がＲＡＭを作業領域として実行されることにより実現される。また、制御部１３０は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。
【0039】
図３に示すように、制御部１３０は、取得部１３１と、抽出部１３２と、前処理部１３３と、生成部１３４と、受付部１３５と、識別部１３６とを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１３０の内部構成は、図３に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。また、制御部１３０が有する各処理部の接続関係は、図３に示した接続関係に限られず、他の接続関係であってもよい。
【0040】
（取得部１３１について）
取得部１３１は、被検者の足裏に掛かる圧力の分布を示す足圧分布が、被検者の歩行に応じて測定された測定結果である足圧分布データを取得する。例えば、取得部１３１は、被検者の足裏を複数の領域に分割した場合における各領域に掛かる圧力の分布を示す足圧分布が、被検者の歩行に応じて測定された測定結果である足圧分布データを取得する。例えば、取得部１３１は、足圧分布データとして、被検者が一方の足の足裏を地面に着けたことが検出されてから、当該足の足裏を地面から離したことが検出されるまでの動作である一歩の動作の間での足圧分布データを取得する。足圧分布データの詳細については、図７で説明する。
取得部１３１は、被検者の足裏に掛かる圧力の分布を示す足圧分布が、被検者の歩行に応じて測定された測定結果である足圧分布データを取得する。例えば、取得部１３１は、被検者の足裏を複数の領域に分割した場合における各領域に掛かる圧力の分布を示す足圧分布が、被検者の歩行に応じて測定された測定結果である足圧分布データを取得する。例えば、取得部１３１は、足圧分布データとして、被検者が一方の足の足裏を地面に着けたことが検出されてから、当該足の足裏を地面から離したことが検出されるまでの動作である一歩の動作の間での足圧分布データを取得する。足圧分布データの詳細については、図７で説明する。
【0041】
（抽出部１３２について）
抽出部１３２は、足圧分布データに基づいて、圧力に関する複数の異なるパラメータごとに、当該パラメータの経時変化であって、歩行に応じた経時変化を示す経時データを抽出する。
抽出部１３２は、足圧分布データに基づいて、圧力に関する複数の異なるパラメータごとに、当該パラメータの経時変化であって、歩行に応じた経時変化を示す経時データを抽出する。
【0042】
複数の異なるパラメータの一方は、足裏の複数の領域それぞれに掛けられる圧力の値に基づき、複数の領域の中から抽出された抽出領域の面積である加圧面積であり、複数の異なるパラメータのもう一方は、この抽出領域に含まれる領域それぞれでの圧力の値の総和である圧力総和であってよい。また、係る例では、抽出部１３２は、足圧分布データに基づいて、経時データとして、加圧面積の経時変化であって、歩行に応じた経時変化を示す第１の経時データと、圧力総和の経時変化であって、歩行に応じた経時変化を示す第２の経時データとを被検者ごとに抽出する。第１の経時データおよび第２の経時データの抽出手法の詳細については、図８～図１０で説明する。
【0043】
（前処理部１３３について）
前処理部１３３は、識別モデルを生成するための前処理として、経時データを規格化する。具体的には、前処理部１３３は、一定の速度で歩行されたと見做すように、経時データを規格化する。規格化手法の詳細については、図１１で説明する。
前処理部１３３は、識別モデルを生成するための前処理として、経時データを規格化する。具体的には、前処理部１３３は、一定の速度で歩行されたと見做すように、経時データを規格化する。規格化手法の詳細については、図１１で説明する。
【0044】
（生成部１３４について）
生成部１３４は、パラメータごとに抽出された経時データと、当該経時データの元となる足圧分布データが得られた被検者を示す被検者データとの組み合せを学習データとして用いて、対象者が被検者のうちのいずれの人物であるかを識別する識別モデルであって、複数の異なるパラメータそれぞれに対応する識別モデルを生成する。具体的には、生成部１３４は、複数の異なるパラメータごとに、当該パラメータに対応するモデルを生成する。すなわち、生成部１３４は、各パラメータに対して個別に対応するパラメータごとの識別モデルを生成する。例えば、生成部１３４は、パラメータに関する特徴量を変数としてモデルに学習させることで、パラメータごとに存在する複数の識別モデルを生成してよい。
生成部１３４は、パラメータごとに抽出された経時データと、当該経時データの元となる足圧分布データが得られた被検者を示す被検者データとの組み合せを学習データとして用いて、対象者が被検者のうちのいずれの人物であるかを識別する識別モデルであって、複数の異なるパラメータそれぞれに対応する識別モデルを生成する。具体的には、生成部１３４は、複数の異なるパラメータごとに、当該パラメータに対応するモデルを生成する。すなわち、生成部１３４は、各パラメータに対して個別に対応するパラメータごとの識別モデルを生成する。例えば、生成部１３４は、パラメータに関する特徴量を変数としてモデルに学習させることで、パラメータごとに存在する複数の識別モデルを生成してよい。
【0045】
例えば、生成部１３４は、第１の経時データと、当該第１の経時データの元となる足圧分布データが得られた被検者を示す被検者データとの組み合せを第１の学習データとして用いて、対象者が被検者のうちのいずれの人物であるかを識別する第１の識別モデルを生成する。また、生成部１３４は、第２の経時データと、当該第２の経時データの元となる足圧分布データが得られた被検者を示す被検者データとの組み合せを第２の学習データとして用いて、対象者が前記被検者のうちのいずれの人物であるかを識別する第２の識別モデルを生成する。
【0046】
また、生成部１３４は、複数歩を歩行されることに応じて抽出された複数歩分の経時データであって、複数の異なるパラメータごとに抽出された経時データと、当該経時データの元となる足圧分布データが得られた被検者を示す被検者データとの組み合わせを学習データとして、識別モデルを生成してよい。
【0047】
また、生成部１３４は、機械学習アルゴリズムとして、決定木を用いて、識別モデルを生成してよい。
【0048】
（受付部１３５について）
受付部１３５は、認証の対象者に対応する足圧分布データを受け付ける。具体的には、受付部１３５は、対象者の足裏に掛かる圧力の分布を示す足圧分布が、対象者の歩行に応じて測定された測定結果である足圧分布データを受け付ける。
受付部１３５は、認証の対象者に対応する足圧分布データを受け付ける。具体的には、受付部１３５は、対象者の足裏に掛かる圧力の分布を示す足圧分布が、対象者の歩行に応じて測定された測定結果である足圧分布データを受け付ける。
【0049】
また、抽出部１３２は、受付部１３５により対象者に対応する足圧分布データが受け付けられた場合には、被検者に対応する足圧分布データの場合と同様に、対象者の足圧分布データからも経時データを抽出する。例えば、抽出部１３２は対象者の足圧分布データからも、第１の経時データおよび第２の経時データを抽出する。
【0050】
また、抽出部１３２は、第１の経時データを、識別モデルに入力される第１の識別用データとして識別部１３６に出力してよい。また、抽出部１３２は、第２の経時データを、識別モデルに入力される第２の識別用データとして識別部１３６に出力してよい。
【0051】
（識別部１３６について）
識別部１３６は、対象者に対応する第１の経時データ（第１の識別用データ）を入力として第１の識別モデルによって出力された結果である第１の識別結果と、対象者に対応する第２の経時データ（第２の識別用データ）を入力として第２の識別モデルによって出力された結果である第２の識別結果とに基づいて、対象者が被検者のうちのいずれの人物であるかを識別する。
識別部１３６は、対象者に対応する第１の経時データ（第１の識別用データ）を入力として第１の識別モデルによって出力された結果である第１の識別結果と、対象者に対応する第２の経時データ（第２の識別用データ）を入力として第２の識別モデルによって出力された結果である第２の識別結果とに基づいて、対象者が被検者のうちのいずれの人物であるかを識別する。
【0052】
具体的には、識別部１３６は、第１の識別結果として被検者ごとに出力された分類確率のうち、最も高い分類確率である第１の分類確率、および、第２の識別結果として被検者ごとに出力された分類確率のうち、最も高い分類確率である第２の分類確率のうち、より高い確率に対応する被検者と、対象者とが同一人物であると認証する。
【0053】
〔４．検証に用いるデータの構成〕
本開示における効果を立証するための検証実験を例に挙げて、実施形態に係る識別処理を説明するが、それに先立って、まず、検証に用いるデータの構成を説明する。図４は、検証に用いられるデータの構成例を示す図である。
本開示における効果を立証するための検証実験を例に挙げて、実施形態に係る識別処理を説明するが、それに先立って、まず、検証に用いるデータの構成を説明する。図４は、検証に用いられるデータの構成例を示す図である。
【0054】
まず、データ構成の概要について説明する。検証実験では、被検者ＴＵ１、被検者ＴＵ２，・・・，ＴＵ１０という「１０人」の被検者それぞれについて、１人あたり「２０回」の測定が行われた。なお、ＴＵ１、ＴＵ２・・・等は、各被検者の名前であるものとする。
【0055】
また、このような測定で得られた測定データ（２０回分／人）を２分割し、学習用の測定データ（１０回分／人）と、識別用の測定データ（１０回分／人）が用意された。
【0056】
また、このような状態で、学習用の測定データ（１０回分／人）については、第１の学習データの調整、および、第２の学習データの調整の双方に用いることにした。識別用の測定データ（１０回分／人）についてはそのまま認証に用いることにした。
【0057】
続いて、データ構成についてより詳細に説明する。図４では、被検者ＴＵ１にフォーカスして説明するが、その他の９人の被検者についても同様にしてテストデータが調整される。
【0058】
まず、測定データについて説明する。例えば、被検者ＴＵ１が右足の足裏を測定マット１０に着けたことが検出されてから、この右足を測定マット１０から離したことが検出されるまでの一連の動作を一歩の動作と定義して、この一歩の動作の間において１／７２秒ごとに得られたフレーム（例えば、フレームＦＬ１１、ＦＬ１２、ＦＬ１３等の集まり）のフレーム群ＦＬｘ（足圧分布データ群ＦＬｘともいえる）が、１回の測定に対応する測定データ（１回／人）に相当する。
【0059】
すなわち、１回の測定に対応する測定データとは、一歩の動作が開始されてから（例えば、踵の一部が測定マット１０に着いてから）、この一歩の動作が終了するまで（例えば、つま先が測定マット１０から離れるまで）の間での足圧分布の測定で得られたフレーム群ＦＬｘである。このようなことから、２０回の測定に対応する測定データ（２０回／人）とは、右足のみに着目し、被検者ＴＵ１が２０歩を歩行することによるフレーム群ＦＬｘの２０歩分に相当する。
【0060】
以下では、２０歩を歩行されることによる足圧分布の測定（測定回数２０回）で得られた測定データを「測定データＤＡ１（２０回／人）」として説明する。なお、被検者ＴＵ１を例に説明したが、その他の９人の被検者についても同様に２０回の測定が行われることで、各被検者の測定データＤＡ１（２０回／人）が得られる。また、右足を例に説明したが、左足でもよい。
【0061】
引き続き、被検者ＴＵ１を例に説明する。上記のようにして得られた測定データＤＡ１（２０回／人）が、図４に示すように、測定回数を基準に２分割されることで、学習用の測定データ（１０回分／人）と、識別用の測定データ（１０回分／人）が用意された。
【0062】
以下では、学習用の測定データ（１０回分／人）を「測定データＤＡ１１（１０回分／人）」、識別用の測定データ（１０回分／人）を「測定データＤＡ１２（１０回分／人）」として説明する。もちろん、その他の９人の被検者についても同様に、測定データＤＡ１１（１０回分／人）」と、測定データＤＡ１２（１０回分／人）とが用意される。
【0063】
そして、図４に示すように、測定データＤＡ１１（１０回分／人）は、経時データ抽出ステップにおいて、第１の経時データおよび第２の経時データを抽出し、最終的に第１の学習データおよび第２の学習データを得るために活用される。
【0064】
一方、測定データＤＡ１２（１０回分／人）は、図４に示すように、識別用データとして活用される。例えば、測定データＤＡ１２（１０回分／人）は、第１の識別用データおよび第２の識別用データを得るために活用される。
【0065】
【0066】
また、図５では、被検者ＴＵ１、被検者ＴＵ２，・・・，ＴＵ１０という「１０人」の被検者それぞれについて、「２０回」の測定が行われたことで、各被検者について、測定データＤＡ１１（１０回分／人）、および、測定データＤＡ１２（１０回分／人）が準備されているものとして識別処理を説明する。データの準備については、図４で説明した通りである。
【0067】
図５に示すように、実施形態に係る識別処理は、経時データ抽出ステップ（Ｓ４０）、データ調整ステップ（Ｓ４１）、識別モデル生成ステップ（Ｓ４２）、識別ステップ（Ｓ４３）の順に進んでよい。各ステップについて具体的に説明する。
【0068】
まず、経時データ抽出ステップ（Ｓ４０）について説明する。抽出部１３２は、測定データＤＡ１１（１０回分／人）に含まれるフレーム群ＦＬｘ（足圧分布データ群ＦＬｘ）に基づいて、被検者ＴＵ１～ＴＵ１０それぞれに対応する第１の経時データ（加圧面積の経時変化を示すデータ）と、被検者ＴＵ１～ＴＵ１０それぞれに対応する第２の経時データ（圧力総和の経時変化を示すデータ）とを抽出する（ステップＳ４０１１）。
【0069】
また、抽出部１３２は、測定データＤＡ１２（１０回分／人）に含まれるフレーム群ＦＬｘ（足圧分布データ群ＦＬｘ）に基づいて、対象者ＡＵ１～ＡＵ１０それぞれに対応する第１の経時データ（加圧面積の経時変化を示すデータ）、および、対象者ＡＵ１～ＡＵ１０それぞれに対応する第２の経時データ（圧力総和の経時変化を示すデータ）も抽出する（ステップＳ４０２１）。
【0070】
なお、ここでいう対象者ＡＵ１は、被検者ＴＵ１に対応する人物であるが、検証実験のため、便宜上、名称等のユニークな情報が未知の人物と仮定されている。その他の９人の対象者についても同様である。
【0071】
例えば、抽出部１３２は、ステップＳ４０１１では、測定データＤＡ１１（１０回分／人）に含まれる一歩の動作に対応するフレーム群ＦＬｘごとに、この一歩の動作に対応する第１の経時データを抽出することで、測定１０回分（１０歩分）の第１の経時データを抽出する。また、抽出部１３２は、ステップＳ４０１１では、測定データＤＡ１１（１０回分／人）に含まれる一歩の動作に対応するフレーム群ＦＬｘごとに、この一歩の動作に対応する第２の経時データを抽出することで、測定１０回分（１０歩分）の第２の経時データを抽出する。また、抽出部１３２は、この動作を被検者ＴＵ１～ＴＵ１０それぞれについて行う。
【0072】
一方、抽出部１３２は、ステップＳ４０２１では、測定データＤＡ１２（１０回分／人）に含まれる一歩の動作に対応するフレーム群ＦＬｘごとに、この一歩の動作に対応する第１の経時データを抽出することで、測定１０回分（１０歩分）の第１の経時データを抽出する。また、抽出部１３２は、ステップＳ４０２１では、測定データＤＡ１２（１０回分／人）に含まれる一歩の動作に対応するフレーム群ＦＬｘごとに、この一歩の動作に対応する第２の経時データを抽出することで、測定１０回分（１０歩分）の第２の経時データを抽出する。また、抽出部１３２は、この動作を対象者ＡＵ１～ＡＵ１０それぞれについて行う。
【0073】
以下では、人物（被検者ＴＵ１～ＴＵ１０、対象者ＡＵ１～ＡＵ１０）ごとに抽出された測定１０回分（１０歩分）の第１の経時データを「第１の経時データＡＣＴｘ（１０回分／人）」と表記する。また、人物（被検者ＴＵ１～ＴＵ１０、対象者ＡＵ１～ＡＵ１０）ごとに抽出された測定１０回分（１０歩分）の第１の経時データを「第２の経時データＰＣＴｘ（１０回分／人）」と表記する。
【0074】
次に、前処理部１３３は、ステップＳ４０１１で抽出された第１の経時データＡＣＴｘ（１０回分／人）、および、第２の経時データＰＣＴｘ（１０回分／人）に対して、データの不均一性を整えるための前処理を実行する（ステップＳ４０１２）。具体的には、前処理部１３３は、ステップＳ４０１１で抽出された第１の経時データＡＣＴｘ（１０回分／人）、および、第２の経時データＰＣＴｘ（１０回分／人）に対して、歩行速度の違いによるデータの不均一性を整えるための規格化処理を実行する。
【0075】
また、前処理部１３３は、ステップＳ４０２１で抽出された第１の経時データＡＣＴｘ（１０回分／人）、および、第２の経時データＰＣＴｘ（１０回分／人）に対しても同様に、歩行速度の違いによるデータの不均一性を整えるための規格化処理を実行する（ステップS４０２２）。
【0076】
次に、データ調整ステップ（Ｓ４１）について説明する。生成部１３４は、ステップＳ４０１２で規格化された後の第１の経時データＡＣＴｘ（１０回分／人）から第１の学習データを調整し、ステップＳ４０１２で規格化された後の第２の経時データＰＣＴｘ（１０回分／人）からは第２の学習データを調整する（ステップＳ４１１１）。
【0077】
具体的には、生成部１３４は、第１の経時データＡＣＴｘ（１０回分／人）と、このデータの元となる測定データＤＡ１１（１０回分／人）が得られた被検者ＴＵｘを示す被検者データ（例えば、被検者ＴＵｘの氏名）との組み合わせを第１の学習データとして調整する。より具体的には、生成部１３４は、被検者ＴＵ１を示す被検者データが紐付けられた第１の経時データＡＣＴｘ（１０回分／人）を、被検者ＴＵ１に対応する第１の学習データセットとして調整する。また、生成部１３４は、被検者ＴＵ２を示す被検者データが紐付けられた第１の経時データＡＣＴｘ（１０回分／人）を、被検者ＴＵ２に対応する第１の学習データセットとして調整する。このようにして、生成部１３４は、被検者ＴＵ１～ＴＵ１０それぞれに対応する第１の学習データセットを調整する。
【0078】
また、生成部１３４は、第２の経時データＰＣＴｘ（１０回分／人）と、このデータの元となる測定データＤＡ１１（１０回分／人）が得られた被検者ＴＵｘを示す被検者データ（例えば、被検者ＴＵｘの氏名）との組み合わせを第２の学習データとして調整する。より具体的には、生成部１３４は、被検者ＴＵ１を示す被検者データが紐付けられた第２の経時データＰＣＴｘ（１０回分／人）を、被検者ＴＵ１に対応する第２の学習データセットとして調整する。また、生成部１３４は、被検者ＴＵ２を示す被検者データが紐付けられた第２の経時データＰＣＴｘ（１０回分／人）を、被検者ＴＵ２に対応する第１の学習データセットとして調整する。このようにして、生成部１３４は、被検者ＴＵ１～ＴＵ１０それぞれに対応する第２の学習データセットを調整する。
【0079】
一方、生成部１３４は、ステップＳ４０２２で規格化された後の第１の経時データＡＣＴｘ（１０回分／人）から第１の識別用データを調整し、ステップＳ４０２２で規格化された後の第２の経時データＰＣＴｘ（１０回分／人）からは第２の識別用データを調整する（ステップＳ４１２１）。
【0080】
具体的には、生成部１３４は、被検者ＴＵ１の測定データＤＡ１２から抽出された第１の経時データＡＣＴｘ（１０回分／人）を、未知の対象者ＡＵ１に対応する第１の識別用データとして調整する。また、生成部１３４は、被検者ＴＵ２の測定データＤＡ１２から抽出された第１の経時データＡＣＴｘ（１０回分／人）を、未知の対象者ＡＵ２に対応する第１の識別用データとして調整する。このようにして、生成部１３４は、被検者ＴＵ１～ＴＵ１０それぞれに対応する第１の識別用データであって、測定回数１０回分のデータを調整する。
【0081】
また、生成部１３４は、被検者ＴＵ１の測定データＤＡ１２から抽出された第２の経時データＰＣＴｘ（１０回分／人）を、未知の対象者ＡＵ１に対応する第２の識別用データとして調整する。また、生成部１３４は、被検者ＴＵ２の測定データＤＡ１２から抽出された第２の経時データＰＣＴｘ（１０回分／人）を、未知の対象者ＡＵ２に対応する第１２識別用データとして調整する。このようにして、生成部１３４は、被検者ＴＵ１～ＴＵ１０それぞれに対応する第２の識別用データであって、測定回数１０回分のデータを調整する。
【0082】
次に、識別モデル生成ステップ（Ｓ４２）について説明する。生成部１３４は、ステップＳ４１１１で調整した第１の学習データセットに基づき、加圧面積に対応する第１の識別モデルＭＤ１を生成し、ステップＳ４１１１で調整した第２の学習データセットに基づき、圧力総和に対応する第２の識別モデルＭＤ２を生成する。
【0083】
例えば、生成部１３４は、第１の経時データＡＣＴｘ（１０回分／人）を波形と見做す。そして、生成部１３４は、ピーク数、最大値、最小値、平均値、ピーク高さ、微積分（傾き、面積）、前後のデータ間での差分の統計量等を特徴量として、被検者ＴＵ１～ＴＵ１０それぞれについて、特徴量の傾向をモデルＭＤ１に学習させるというモデル生成を行ってよい。
【0084】
また、生成部１３４は、第２の経時データＰＣＴｘ（１０回分／人）を波形と見做す。そして、生成部１３４は、ピーク数、最大値、最小値、平均値、ピーク高さ、微積分（傾き、面積）、前後のデータ間での差分の統計量等を特徴量として、被検者ＴＵ１～ＴＵ１０それぞれについて、特徴量の傾向をモデルＭＤ２に学習させるというモデル生成を行ってよい。
【0085】
また、生成部１３４は、モデル生成のための機械学習アルゴリズムとして、ランダムフォレストあるいはＸＧＢｏｏｓｔ等の決定木手法を用いてよい。
【0086】
次に、識別ステップ（Ｓ４３）について説明する。識別部１３６は、ステップＳ４１２１で調整された第１の識別用データを第１の識別モデルＭＤ１に入力し、ステップＳ４１２１で調整された第２の識別用データを第２の識別モデルＭＤ２に入力する。
【0087】
図５の例では、第１の識別モデルＭＤ１は、第１の識別用データを入力とする第１の識別結果として、対象者ＡＵ１（ＴＵ１）が被検者ＴＵ１～ＴＵ１０であることの確率を示す分類確率を出力する。また、第１の識別モデルＭＤ１は、第１の識別用データを入力とする第１の識別結果として、対象者ＡＵ２（ＴＵ２）が被検者ＴＵ１～ＴＵ１０であることの確率を示す分類確率を出力する。このようにして、第１の識別モデルＭＤ１は、対象者ＡＵ１～ＡＵ１０の全てについて、被検者ＴＵ１～ＴＵ１０であることの確率を示す分類確率を出力する。
【0088】
また、図５の例では、第２の識別モデルＭＤ２は、第２の識別用データを入力とする第２の識別結果として、対象者ＡＵ１（ＴＵ１）が被検者ＴＵ１～ＴＵ１０であることの確率を示す分類確率を出力する。また、第２の識別モデルＭＤ２は、第２の識別用データを入力とする第２の識別結果として、対象者ＡＵ２（ＴＵ２）が被検者ＴＵ１～ＴＵ１０であることの確率を示す分類確率を出力する。このようにして、第２の識別モデルＭＤ２は、対象者ＡＵ１～ＡＵ１０の全てについて、被検者ＴＵ１～ＴＵ１０であることの確率を示す分類確率を出力する。
【0089】
ここで、今回の検証実験で実際に得られた分類結果と、実施形態に係る識別処理による識別精度とを図６に示す。図６は、実施形態に係る識別処理の結果を示す図である。図６には、分類結果が示される一覧テーブルＴＢ１と、識別精度が示される一覧テーブルＴＢ２とが含まれる。
【0090】
まず、一覧テーブルＴＢ１について説明する。一覧テーブルＴＢ１には、第１の識別モデルＭＤ１が、対象者ＡＵ１（ＴＵ１）の第１の識別用データを入力として、被検者ＴＵ１～ＴＵ１０それぞれについて出力した分類確率が一覧されている。より具体的には、一覧テーブルＴＢ１には、１０回分の測定データＤＡ１２のうち、ある１回分の測定データから調整された対象者ＡＵ１の第１の識別用データを入力として、被検者ＴＵ１～ＴＵ１０それぞれについて出力した分類確率が一覧されている。
【0091】
また、一覧テーブルＴＢ１には、第２の識別モデルＭＤ２が、対象者ＡＵ１（ＴＵ１）の第２の識別用データを入力として、被検者ＴＵ１～ＴＵ１０それぞれについて出力した分類確率が一覧されている。より具体的には、一覧テーブルＴＢ１には、１０回分の測定データＤＡ１２のうち、ある１回分の測定データから調整された対象者ＡＵ１の第２の識別用データを入力として、被検者ＴＵ１～ＴＵ１０それぞれについて出力した分類確率が一覧されている。
【0092】
図６の例によれば、第１の識別モデルＭＤ１は、１０回分の測定データＤＡ１２のうち、ある１回分（１／１０）の測定データから調整された第１の識別用データを入力として、対象者ＡＵ１が被検者ＴＵ１であることの確率「３０％」、対象者ＡＵ１が被検者ＴＵ２であることの確率「０％」等を出力している。また、図６の例では、第１の識別モデルＭＤ１は、対象者ＡＵ１が被検者ＴＵ８であることの確率「３１％」を出力しており、被検者ＴＵ１～ＴＵ１０の中でこの確率値が最も高い。したがって、図６の例では、被検者ＴＵ８に対応する分類確率「３１％」が第１の分類確率に相当する。
【0093】
また、図６の例によれば、第２の識別モデルＭＤ２は、１０回分の測定データＤＡ１２のうち、同様のある１回分（１／１０）の測定データから調整された第２の識別用データを入力として、対象者ＡＵ１が被検者ＴＵ１であることの確率「６０％」、対象者ＡＵ１が被検者ＴＵ２であることの確率「０％」等を出力している。また、図６の例では、対象者ＡＵ１が被検者ＴＵ１であることの確率「６０％」が最も高く、被検者ＴＵ１に対応するこの分類確率「６０％」が第２の分類確率に相当する。
【0094】
係る例によれば、識別部１３６は、第１の分類確率「３１％」（ＴＵ８）と、第２の分類確率「６０％」（ＴＵ１）とを統合する統合処理によって、被検者ＴＵ８および被検者ＴＵ１のうち確率値がより高い方、すなわち被検者ＴＵ１と、対象者ＡＵ１とが同一人物であると認証する。
【0095】
また、図６の例によれば、第１の識別モデルＭＤ１は、１０回分の測定データＤＡ１２のうち、別の１回分（２／１０）の測定データから調整された第１の識別用データを入力として、対象者ＡＵ１が被検者ＴＵ１であることの確率「５４％」、対象者ＡＵ１が被検者ＴＵ２であることの確率「１％」等を出力している。また、図６の例では、対象者ＡＵ１が被検者ＴＵ１であることの確率「５４％」が最も高く、被検者ＴＵ１に対応するこの分類確率「５４％」が第１の分類確率に相当する。
【0096】
一方、図６の例によれば、第２の識別モデルＭＤ２は、１０回分の測定データＤＡ１２のうち、同様の別の１回分（２／１０）の測定データから調整された第２の識別用データを入力として、対象者ＡＵ１が被検者ＴＵ１であることの確率「７６％」、対象者ＡＵ１が被検者ＴＵ２であることの確率「０％」等を出力している。また、図６の例では、対象者ＡＵ１が被検者ＴＵ１であることの確率「７６％」が最も高く、被検者ＴＵ１に対応するこの分類確率「７６％」が第２の分類確率に相当する。
【0097】
係る例によれば、識別部１３６は、第１の分類確率「５４％」（ＴＵ１）と、第２の分類確率「７６％」（ＴＵ１）とを統合する統合処理によって、被検者ＴＵ１と、対象者ＡＵ１とが同一人物であると認証する。
【0098】
ここで、一覧テーブルＴＢ１には、対象者ＡＵ１にフォーカスし、かつ、２回分の測定データに対応する結果のみ記されているが、実際には、対象者ＡＵ１～ＡＵ１０の全てについて１０回分の測定データを用いて認証が行われた。そこで、一覧テーブルＴＢ２には、１０回分の最終結果の正誤に基づき、どれだけの認証精度であったかが、被検者ごとに示されている。一覧テーブルＴＢ２によれば、ほぼ１００％に近い認証精度が得られている。また、このようなことから、実施形態に係る識別処理では、より少ないデータ量で高精度な個人認証が実現可能なことが立証された。具体的には、実施形態に係る識別処理では、例えば、１０回程度の測定でも高精度な認証を実現可能なことが立証された。
【0099】
〔６．足圧分布データの具体例〕
次に、図７を用いて、図４で説明した一歩の動作に対応するフレーム群ＦＬｘの点から、一歩の動作に対応する足圧分布データについて具体的に説明する。図７は、一歩の動作に対応する足圧分布データの具体例を示す図である。図７では、ある人物が特定の一歩の動作を行う間での１／７２秒ごとの測定によって得られたフレーム群ＦＬ１（フレーム群ＦＬｘの一例）のうち、一部のフレームがピックアップされている。
次に、図７を用いて、図４で説明した一歩の動作に対応するフレーム群ＦＬｘの点から、一歩の動作に対応する足圧分布データについて具体的に説明する。図７は、一歩の動作に対応する足圧分布データの具体例を示す図である。図７では、ある人物が特定の一歩の動作を行う間での１／７２秒ごとの測定によって得られたフレーム群ＦＬ１（フレーム群ＦＬｘの一例）のうち、一部のフレームがピックアップされている。
【0100】
例えば、フレームＦＬ１１は、測定開始から経過した経過時間Ｎ１（Ｓ）の時点で実行された足圧測定の測定結果である足圧分布データが画像として出力されたものに相当する。また、フレームＦＬ１２は、経過時間Ｎ２（Ｓ）の時点で実行された足圧測定の測定結果である足圧分布データが画像として出力されたものであり、フレームＦＬ１１から８フレーム先のデータに相当する。また、フレームＦＬ１３は、経過時間Ｎ３（Ｓ）の時点で実行された足圧測定の測定結果である足圧分布データが画像として出力されたものであり、フレームＦＬ１から３５フレーム先のデータに相当する。
【0101】
ここで、図８には、フレームＦＬ１２がピックサップされているが、係る例によれば、フレームＦＬ１１、フレームＦＬ１２、フレームＦＬ１３等をはじめとする各フレームは、４８マス×４８マスで構成されている。係るマス構成により足裏を複数の領域に分割することができる。このようなことから、測定マット１０のセンサは、足裏に対応する領域ごとに、当該領域に対応する足裏部分に掛かった圧力を検出する。そして、例えば、圧力が検出された領域に対応するマスの中には、この圧力の値が入力された状態のフレームが出力される。図７に示すフレームＦＬ１１、フレームＦＬ１２、フレームＦＬ１３において、圧力が検出された足裏領域に対応するマスの中には、この圧力の値が表示されている。
【0102】
また、図７や図８の例によれば、圧力が検出された足裏領域に対応するマスが、圧力の値の大小関係に応じてヒートマップ表示されている。ここで、上述したように、一歩の動作は、足裏を測定マット１０に着け始めて、そして踏み込んで、最後には測定マット１０から完全に離すという一連の動作として定義することができる。このようなことから、フレームＦＬ１１においてヒートマップ表示されている１つの領域は、例えば、一歩の動作が開始されたことに応じて踵の一部が測定マット１０に着いた結果、踵に対応する足裏領域に圧力が掛かったことを示している。
【0103】
また、フレームＦＬ１２においてヒートマップ表示されている特長的な２つの領域は、一歩の動作が進んだことに応じて、足裏全体（例えば、踵や母指球等）で測定マット１０が踏み込まれた結果、全体部分に対応する足裏領域に圧力が掛かったことを示している。
【0104】
また、フレームＦＬ１３においてヒートマップ表示されている特長的な１つの領域は、一歩の動作がさらに進んだことに応じて、最後につま先部分のみ測定マット１０に着いていることで、つま先に対応する足裏領域には未だ圧力が掛かったことを示している。
【0105】
図７で説明したように、本実施形態では、人物が歩行することに応じて、歩数に応じた分のフレーム群ＦＬｘが得られる。そして、一歩の動作に対応するフレーム群ＦＬｘは、各測定タイミングでの足裏の着面状態に応じた圧力の値の分布がマス中に示されたフレームで構成される。
【0106】
〔７．抽出手法〕
続いて、図８を用いて、第１の経時データおよび第２の経時データの抽出手法について具体的に説明する。図８は、実施形態に係る抽出手法を説明する説明図である。上述したように、図８には、図７のフレームＦＬ１１、ＦＬ１２およびＦＬ１３のうち、フレームＦＬ１２がピックアップされている。
続いて、図８を用いて、第１の経時データおよび第２の経時データの抽出手法について具体的に説明する。図８は、実施形態に係る抽出手法を説明する説明図である。上述したように、図８には、図７のフレームＦＬ１１、ＦＬ１２およびＦＬ１３のうち、フレームＦＬ１２がピックアップされている。
【0107】
また、図８の例では、フレームＦＬ１２においてヒートマップ表示されている特長的な２つの領域のうち、踵に対応する足裏領域が拡大表示されている。図８では、この拡大図を用いて、第１の経時データおよび第２の経時データの抽出手法を説明する。
【0108】
まず、第１の経時データの抽出手法について説明する。例えば、抽出部１３２は、「６」より低い圧力の値についてはノイズと判断し、圧力の値「６」以上が入力されているマスを抽出する。図８に示す拡大図によれば、抽出部１３２は、ヒートマップとして示されているマスを抽出してよい。なお、ノイズか否か判断する基準の値は「６」に限定されない。
【0109】
そして、抽出部１３２は、抽出したマスで構成される抽出領域（点線で示される領域）の面積を算出し、算出した面積をフレームＦＬ１２に対応する測定タイミングでの加圧面積と定める。なお、ここでいう加圧面積とは、より具体的には、圧力の値「６」以上が入力されているマスそれぞれの面積を足し合わせた面積総和に相当する。図８には、抽出部１３２が、経過時間Ｎ２（Ｓ）の時点で実行された足圧測定の測定結果である足圧分布データ（フレームＦＬ１２）から加圧面積Ａ１２を算出した例が示される。
【0110】
なお、図８では、踵に対応する足裏領域だけに着目して加圧面積Ａ１２が算出された例を示したが、抽出部１３２は、実際には、もう一方の特徴的な領域も含めて、圧力の値「６」以上が入力されているマスを抽出することで、経過時間Ｎ２（Ｓ）の時点での加圧面積を算出する。
【0111】
また、図８には、経過時間Ｎ２（Ｓ）では加圧面積Ａ１２が算出された例が示されるが、抽出部１３２は、経過時間Ｎ１（Ｓ）や、経過時間Ｎ３（Ｓ）等、１／７２秒おきに得られる圧力分布データそれぞれから加圧面積を算出することで、加圧面積の経時変化を示す第１の経時データを抽出する。
【0112】
続いて、第２の経時データの抽出手法について説明する。例えば、抽出部１３２は、加圧面積のために抽出した抽出領域（点線で示される領域）に含まれるマスそれぞれに入力されている圧力の値を足し合わせたものを、フレームＦＬ１２に対応する測定タイミングでの圧力総和と定める。図８には、抽出部１３２が、経過時間Ｎ２（Ｓ）の時点で実行された足圧測定の測定結果である足圧分布データ（フレームＦＬ１２）から圧力総和Ｐ１２を算出した例が示される。
【0113】
また、図８には、経過時間Ｎ２（Ｓ）では圧力総和Ｐ１２が算出された例が示されるが、抽出部１３２は、経過時間Ｎ１（Ｓ）や、経過時間Ｎ３（Ｓ）等、１／７２秒おきに得られる圧力分布データそれぞれから圧力総和を算出することで、圧力総和の経時変化を示す第２の経時データを抽出する。
【0114】
〔８．第１の経時データについて〕
続いて、図９を用いて、図５のステップＳ４０１１において、対象者ＡＵ１～ＡＵ１０それぞれについて抽出された第１の経時データの一例を示す。図９は、実施形態に係る第１の経時データの一例を示す図である。図９には、特定の歩数目に対応する一歩の動作の間において、特定のタイミングごと（例えば、１／７２秒ごと）の測定によって得られた各フレームから加圧面積が算出され、算出された加圧面積がグラフ化された様子が示される。
続いて、図９を用いて、図５のステップＳ４０１１において、対象者ＡＵ１～ＡＵ１０それぞれについて抽出された第１の経時データの一例を示す。図９は、実施形態に係る第１の経時データの一例を示す図である。図９には、特定の歩数目に対応する一歩の動作の間において、特定のタイミングごと（例えば、１／７２秒ごと）の測定によって得られた各フレームから加圧面積が算出され、算出された加圧面積がグラフ化された様子が示される。
【0115】
より具体的には、図９（ａ）には、一歩の動作が開始されたことが検出されたことに応じて、特定のタイミングごとに足圧分布が測定されたことで、特定のタイミングごとに得られた各フレームから算出された加圧面積の一覧が示される。また、図９（ｂ）には、図９（ａ）に示される加圧面積の一覧が被検者ＴＵ１～ＴＵ１０ごとにグラフ化された様子が示される。
【0116】
なお、図９でいう特定のタイミングとは、一歩の動作が開始されたことが検出されたことに応じて足圧分布の測定が開始されてからの経過時間「０．０００（Ｓ）」、経過時間「０．０１４（Ｓ）」、経過時間「０．０２８（Ｓ）」、経過時間「０．０４２（Ｓ）」、経過時間「０．０５６（Ｓ）」等の測定タイミングである。
【0117】
まず、図９（ａ）について、被検者ＴＵ１の例を用いて説明する。図９（ａ）の例によれば、抽出部１３２は、経過時間「０．０００（Ｓ）」での測定結果として得られた１つのフレーム（足圧分布データ）からは、加圧面積「５５」を算出している。また、抽出部１３２は、経過時間「０．０１４（Ｓ）」での測定結果として得られた１つのフレーム（足圧分布データ）からは、加圧面積「７２」を算出している。また、抽出部１３２は、経過時間「０．０２８（Ｓ）」での測定結果として得られた１つのフレーム（足圧分布データ）からは、加圧面積「８３」を算出している。また、抽出部１３２は、経過時間「０．０４２（Ｓ）」での測定結果として得られた１つのフレーム（足圧分布データ）からは、加圧面積「１１６」を算出している。また、抽出部１３２は、経過時間「０．０５６（Ｓ）」での測定結果として得られた１つのフレーム（足圧分布データ）からは、加圧面積「１３３」を算出している。なお、係る例に倣って、図９（ａ）に示される他の被検者についても説明可能なため、他の被検者については説明を省略する。また、加圧面積の算出手法については図８で説明した通りである。
【0118】
また、図９（ａ）に示される被検者ごとの加圧面積群は、これまでの例によれば、測定データＤＡ１１（１０回分／人）を構成する各フレーム群ＦＬｘのうち、一歩の動作に対応するフレーム群ＦＬｘに含まれるフレームそれぞれから算出された加圧面積の経時変化を示す第１の経時データといえる。
【0119】
次に、図９（ｂ）について説明する。図９（ｂ）では、経過時間「０．０００（Ｓ）」、経過時間「０．０１４（Ｓ）」、経過時間「０．０２８（Ｓ）」、経過時間「０．０４２（Ｓ）」、経過時間「０．０５６（Ｓ）」等の各測定タイミングに対して、このタイミングで得られたフレームに基づき算出された加圧面積をプロットすることで生成されたグラフである。説明の便宜上、図９（ｂ）には、被検者ＴＵ１～ＴＵ１０のうち、被検者ＴＵ１～ＴＵ４の４人のグラフのみ示されている。
【0120】
例えば、第１の経時データＡＣＴ１（１回分／人）は、図５で説明した被検者ＴＵ１に対応する第１の経時データＡＣＴｘ（１０回分／人）のうち、被検者ＴＵ１による特定の一歩の動作に対応するフレーム群ＦＬｘから算出された１回分の第１の経時データに対応する。また、第１の経時データＡＣＴ２（１回分／人）は、被検者ＴＵ２に対応する第１の経時データＡＣＴｘ（１０回分／人）のうち、被検者ＴＵ２による特定の一歩の動作に対応するフレーム群ＦＬｘから算出された１回分の第１の経時データに対応する。
【0121】
また、第１の経時データＡＣＴ３（１回分／人）は、被検者ＴＵ３に対応する第１の経時データＡＣＴｘ（１０回分／人）のうち、被検者ＴＵ３による特定の一歩の動作に対応するフレーム群ＦＬｘから算出された１回分の第１の経時データに対応する。また、第１の経時データＡＣＴ４（１回分／人）は、被検者ＴＵ４に対応する第１の経時データＡＣＴｘ（１０回分／人）のうち、被検者ＴＵ４による特定の一歩の動作に対応するフレーム群ＦＬｘから算出された１回分の第１の経時データに対応する。
【0122】
また、図９（ｂ）の例によれば、第１の経時データは、波形を示し、その形状は被検者ごとに様々である。つまり、加圧面積の経時変化には、被検者の歩き方の特徴が反映されていると解することができる。このように、第１の経時データは、歩き方に応じて特徴的な形状を示すため（特徴量波形）、被検者を識別するユニークな情報といえる。したがって、第１の経時データは、学習データとして有効な情報になり得ることが図９から示唆される。
【0123】
〔９．第２の経時データについて〕
ここからは、図１０を用いて、図５のステップＳ４０１１において、対象者ＡＵ１～ＡＵ１０それぞれについて抽出された第２の経時データの一例を示す。図１０は、実施形態に係る第２の経時データの一例を示す図である。図１０には、特定の歩数目に対応する一歩の動作の間において、特定のタイミングごと（例えば、１／７２秒ごと）の測定によって得られた各フレームから圧力総和が算出され、算出された圧力総和がグラフ化された様子が示される。
ここからは、図１０を用いて、図５のステップＳ４０１１において、対象者ＡＵ１～ＡＵ１０それぞれについて抽出された第２の経時データの一例を示す。図１０は、実施形態に係る第２の経時データの一例を示す図である。図１０には、特定の歩数目に対応する一歩の動作の間において、特定のタイミングごと（例えば、１／７２秒ごと）の測定によって得られた各フレームから圧力総和が算出され、算出された圧力総和がグラフ化された様子が示される。
【0124】
より具体的には、図１０（ａ）には、一歩の動作が開始されたことが検出されたことに応じて、特定のタイミングごとに足圧分布が測定されたことで、特定のタイミングごとに得られた各フレームから算出された圧力総和の一覧が示される。また、図１０（ｂ）には、図１０（ａ）に示される圧力総和の一覧が被検者ＴＵ１～ＴＵ１０ごとにグラフ化された様子が示される。なお、図１０に示す圧力総和は、図９と同様のフレームを用いて算出されたものである。
【0125】
まず、図１０（ａ）について、被検者ＴＵ１の例を用いて説明する。図１０（ａ）の例によれば、抽出部１３２は、経過時間「０．０００（Ｓ）」での測定結果として得られた１つのフレーム（足圧分布データ）からは、圧力総和「１７７２．６」を算出している。また、抽出部１３２は、経過時間「０．０１４（Ｓ）」での測定結果として得られた１つのフレーム（足圧分布データ）からは、圧力総和「２３０８．６」を算出している。また、抽出部１３２は、経過時間「０．０２８（Ｓ）」での測定結果として得られた１つのフレーム（足圧分布データ）からは、圧力総和「２７７７．６」を算出している。また、抽出部１３２は、経過時間「０．０４２（Ｓ）」での測定結果として得られた１つのフレーム（足圧分布データ）からは、圧力総和「３５６０．１」を算出している。また、抽出部１３２は、経過時間「０．０５６（Ｓ）」での測定結果として得られた１つのフレーム（足圧分布データ）からは、圧力総和「４０１８．２」を算出している。なお、係る例に倣って、図９（ａ）に示される他の被検者についても説明可能なため、他の被検者については説明を省略する。また、圧力総和の算出手法については図８で説明した通りである。
【0126】
また、図１０（ａ）に示される被検者ごとの圧力総和群は、これまでの例によれば、測定データＤＡ１１（１０回分／人）を構成する各フレーム群ＦＬｘのうち、一歩の動作に対応するフレーム群ＦＬｘに含まれるフレームそれぞれから算出された圧力総和の経時変化を示す第２の経時データといえる。
【0127】
次に、図１０（ｂ）について説明する。図１０（ｂ）では、経過時間「０．０００（Ｓ）」、経過時間「０．０１４（Ｓ）」、経過時間「０．０２８（Ｓ）」、経過時間「０．０４２（Ｓ）」、経過時間「０．０５６（Ｓ）」等の各測定タイミングに対して、このタイミングで得られたフレームに基づき算出された圧力総和をプロットすることで生成されたグラフである。説明の便宜上、図１０（ｂ）でも、被検者ＴＵ１～ＴＵ１０のうち、被検者ＴＵ１～ＴＵ４の４人のグラフのみ示されている。
【0128】
例えば、第２の経時データＰＣＴ１（１回分／人）は、図５で説明した被検者ＴＵ１に対応する第２の経時データＰＣＴｘ（１０回分／人）のうち、被検者ＴＵ１による特定の一歩の動作に対応するフレーム群ＦＬｘから算出された１回分の第２の経時データに対応する。また、第２の経時データＰＣＴ２（１回分／人）は、被検者ＴＵ２に対応する第２の経時データＰＣＴｘ（１０回分／人）のうち、被検者ＴＵ２による特定の一歩の動作に対応するフレーム群ＦＬｘから算出された１回分の第２の経時データに対応する。
【0129】
また、第２の経時データＰＣＴ３（１回分／人）は、被検者ＴＵ３に対応する第２の経時データＰＣＴｘ（１０回分／人）のうち、被検者ＴＵ３による特定の一歩の動作に対応するフレーム群ＦＬｘから算出された１回分の第２の経時データに対応する。また、第２の経時データＰＣＴ４（１回分／人）は、被検者ＴＵ４に対応する第２の経時データＰＣＴｘ（１０回分／人）のうち、被検者ＴＵ４による特定の一歩の動作に対応するフレーム群ＦＬｘから算出された１回分の第２の経時データに対応する。
【0130】
また、図１０（ｂ）の例によれば、第２の経時データも同様に波形を示し、その形状は被検者ごとに様々である。つまり、圧力総和の経時変化には、被検者の歩き方の特徴が反映されていると解することができる。このように、第２の経時データは、歩き方に応じて特徴的な形状を示すため（特徴量波形）、被検者を識別するユニークな情報といえる。したがって、第２の経時データは、学習データとして有効な情報になり得ることが図１０から示唆される。
【0131】
〔１０．規格化手法〕
続いて、図１１を用いて、第１の経時データおよび第２の経時データに対して行われる規格化の手法について説明する。図１１は、実施形態に係る規格化手法を説明する説明図である。図１１では、被検者ＴＵ１に対応する第１の経時データＡＣＴｘ（１０回分／人）の例を用いて、規格化手法を説明する。
続いて、図１１を用いて、第１の経時データおよび第２の経時データに対して行われる規格化の手法について説明する。図１１は、実施形態に係る規格化手法を説明する説明図である。図１１では、被検者ＴＵ１に対応する第１の経時データＡＣＴｘ（１０回分／人）の例を用いて、規格化手法を説明する。
【0132】
図１１（ａ）には、被検者ＴＵ１について１０回の測定が行われたことで、一歩の動作に対応する第１の経時データ（特徴量波形）が、例えば１０歩分（例えば、右足１０歩分）記されている。
【0133】
ここで、図１１（ａ）の例によれば、第１の経時データそれぞれに対応する波形データの終端にズレが生じている。具体的には、一歩の動作の計測が開始されたタイミングは、いずれの動作の間でも経過時間「０．０００（Ｓ）」で共通している一方で、加圧面積がゼロになるタイミング（一歩の動作の計測が終了されたタイミング）には、歩行動作の間でバラつきが生じしまっている。このようなバラつきの原因として、被検者ＴＵ１の歩行速度が一定でなかったことが考えられる。
【0134】
このように、人物は、意識していても一定速度で歩行することは困難であるため、第１の経時データおよび第２の経時データには不均一性が生じてしまう。そして、不均一なままの生データを使用して識別モデルが生成された場合、その精度は必ずしも高いものとはいえない場合がある。このようなことから、歩行速度の違いによるデータの不均一性を整えるための処理として、実施形態に係る規格化処理が実行される。
【0135】
例えば、前処理部１３３は、識別モデルが生成されるための前処理として、複数歩分の第１の経時データを規格化する規格化処理を行う。具体的には、前処理部１３３は、一定の速度で複数歩を歩行されたと見做すように、複数歩分の第１の経時データを規格化してよい。例えば、図１１（ａ）では、第１の経時データの間で、加圧面積がゼロになるタイミングにバラつきが生じてしまっているところを、前処理部１３３は、図１１（ｂ）に示すように、加圧面積がゼロになるタイミングを「１（Ｓ）」で揃えるという規格化を行ってよい。この結果、第１の経時データ間での不均一性が抑制されるため、個人認証装置１００は、第１の識別モデルＭＤ１の識別精度を向上させることができるようになる。
【0136】
また、図１１では、第１の経時データを例に説明したが、第２の経時データについても同様のことがいえる。
【0137】
例えば、一歩の動作の計測が開始されたタイミングは、いずれの動作の間でも経過時間「０．０００（Ｓ）」で共通している一方で、圧力総和がゼロになるタイミング（一歩の動作の計測が終了されたタイミング）には、歩行動作の間でバラつきが生じてしまう。このようなバラつきの原因も同様に、歩行速度が一定でないことが考えられる。
【0138】
そこで、前処理部１３３は、識別モデルが生成されるための前処理として、複数歩分の第２の経時データを規格化する規格化処理を行う。具体的には、前処理部１３３は、一定の速度で複数歩を歩行されたと見做すように、複数歩分の第１の経時データを規格化してよい。例えば、第２の経時データの間で、圧力総和がゼロになるタイミングにバラつきが生じてしまっているところを、前処理部１３３は、加圧面積がゼロになるタイミングを「１（Ｓ）」で揃えるという規格化を行ってよい。この結果、第２の経時データ間での不均一性が抑制されるため、個人認証装置１００は、第２の識別モデルＭＤ２の識別精度を向上させることができるようになる。
【0139】
なお、前処理部１３３は、対象者の圧力分布データから抽出された第１の経時データ、および、第２経時データについても同様の手法で規格化を行うことで、規格化後のデータを識別用データとして識別モデルに入力させてよい。
【0140】
〔１１．処理手順（１）〕
ここからは、図１２を用いて、実施形態に係る認証システム１において、個人認証装置１００が実行する学習処理の手順について説明する。図１２は、実施形態に係る学習処理手順を示すフローチャートである。
ここからは、図１２を用いて、実施形態に係る認証システム１において、個人認証装置１００が実行する学習処理の手順について説明する。図１２は、実施形態に係る学習処理手順を示すフローチャートである。
【0141】
まず、取得部１３１は、被検者を複数歩歩かせることに応じて、特定のタイミングごとに足圧分布が測定された結果として、ｎ歩分の足圧分布データすなわち足圧分布データ（ｎ回分／人）を取得する（ステップＳ１２０１）。例えば、このような足圧分布データが測定マット１０から端末装置３０へと出力されている場合には、取得部１３１は、端末装置３０にアクセスすることで、これまでに蓄積されている足圧分布データ（ｎ回分／人）を取得してよい。
【0142】
次に、抽出部１３２は、足圧分布データ（ｎ回分／人）を一歩の動作単位で分割する（ステップＳ１２０２）。
【0143】
そして、抽出部１３２は、ステップＳ１２０２で得られた足圧分布データすなわち足圧分布データ（１回分／人）に基づいて、加圧面積の経時変化を示す第１の経時データ（ｎ回分／人）と、圧力総和の経時変化を示す第２経過データ（ｎ回分／人）とを抽出する（ステップＳ１２０３）。
【0144】
例えば、抽出部１３２は、足圧分布データ（１回分／人）に対応するフレーム群であるフレーム群ＦＬｘに含まれるフレームごとに加圧面積を算出する。例えば、抽出部１３２は、フレームを構成するマスそれぞれに入力されている圧力値に基づいて、フレームごとに加圧面積を算出する。そして、抽出部１３２は、フレームが得られた測定タイミングと、このフレームから算出した加圧面積とを用いて、測定タイミングの経過に応じた加圧面積の推移を示す第１の経時データ（１回分／人）を抽出する。抽出部１３２は、ｎ回分の足圧分布データそれぞれに対してこの処理を行うことで、最終的に第１の経時データ（ｎ回分／人）を抽出する。
【0145】
また、抽出部１３２は、足圧分布データ（１回分／人）に対応するフレーム群ＦＬｘに含まれるフレームごとに圧力総和を算出する。例えば、抽出部１３２は、フレームを構成するマスそれぞれに入力されている圧力値に基づいて、フレームごとに圧力総和を算出する。そして、抽出部１３２は、フレームが得られた測定タイミングと、このフレームから算出した圧力総和とを用いて、測定タイミングの経過に応じた圧力総和の推移を示す第２の経時データ（１回分／人）を抽出する。抽出部１３２は、ｎ回分の足圧分布データそれぞれに対してこの処理を行うことで、最終的に第２の経時データ（ｎ回分／人）を抽出する。
【0146】
次に、前処理部１３３は、ステップＳ１２０３で抽出された第１の経時データ（ｎ回分／人）、および、第２経過データ（ｎ回分／人）に対して、歩行速度の違いによるデータの不均一性を一定に整えるための規格化処理を前処理として実行する（ステップＳ１２０４）。
【0147】
次に、生成部１３４は、ステップＳ１２０４で規格化された後の第１の経時データ（ｎ回分／人）に基づき第１の学習データ（ｎ回分／人）を調整し、また、ステップＳ１２０４で規格化された後の第２の経時データ（ｎ回分／人）に基づき第２の学習データ（ｎ回分／人）を調整する（ステップＳ１２０５）。
【0148】
例えば、生成部１３４は、規格化後の第１の経時データ（１回分／人）と、このデータに対応する人物を示す被検者データとの組み合わせを第１の学習データ（１回分／人）として調整する。生成部１３４は、規格化後におけるｎ回分の第１の経時データそれぞれに対してこの処理を行うことで、最終的に第１の学習データ（ｎ回分／人）を調整する。
【0149】
また、生成部１３４は、規格化後の第２の経時データ（１回分／人）と、このデータに対応する人物を示す被検者データとの組み合わせを第２の学習データ（１回分／人）として調整する。生成部１３４は、規格化後におけるｎ回分の第２の経時データそれぞれに対してこの処理を行うことで、最終的に第２の学習データ（ｎ回分／人）を調整する。
【0150】
次に、生成部１３４は、ステップＳ１２０５で調整した第１の学習データ（ｎ回分／人）に基づき第１の識別モデルＭＤ１を生成し、ステップＳ１２０５で調整した第２の学習データ（ｎ回分／人）に基づき第２の識別モデルＭＤ２を生成する（ステップＳ１２０６）。
【0151】
例えば、生成部１３４は、第１の学習データ（ｎ回分／人）から特徴量を抽出し、第１の学習データ（ｎ回分／人）に対応する人物におけるこの特徴量の傾向を決定木モデルに学習させることで、第１の識別モデルＭＤ１を生成してよい。また、生成部１３４は、第２の学習データ（ｎ回分／人）から特徴量を抽出し、第２の学習データ（ｎ回分／人）に対応する人物におけるこの特徴量の傾向を決定木モデルに学習させることで、第２の識別モデルＭＤ２を生成してよい。
【0152】
〔１２．処理手順（２）〕
続いて、図１３を用いて、実施形態に係る認証システム１において、個人認証装置１００が実行する識別処理の手順について説明する。図１３は、実施形態に係る識別処理手順を示すフローチャートである。
続いて、図１３を用いて、実施形態に係る認証システム１において、個人認証装置１００が実行する識別処理の手順について説明する。図１３は、実施形態に係る識別処理手順を示すフローチャートである。
【0153】
まず、受付部１３５は、認証対象者に対応する足圧分布データを受け付けたか否かを判定する（ステップＳ１３０１）。
【0154】
なお。ここでいう足圧分布データは、足圧分布を測定される人物が認証対象者という違いがあるだけで、被検者の足圧分布を測定する際と同様の手法で測定されてよいものである。ただし必ずしもｎ回測定される必要はない。
【0155】
次に、抽出部１３２と、前処理部１３３とによって識別用データが調整される（ステップＳ１３０２）。例えば、抽出部１３２は、図１２のステップＳ１２０２およびＳ１２０３と同様の手法を用いて、認証対象者に対応する足圧分布データから第１の経時データと、第２の経時データとを抽出してよい。
【0156】
また、前処理部１３３は、図１２のステップＳ１２０４と同様の手法を用いて、認証対象者の足圧分布データから抽出された第１の経時データ、および、第２経過データに対して、規格化処理を施してよい。そして、前処理部１３３は、規格化した後の第１の経時データを第１の識別用データとして識別部１３６に出力し、規格化した後の第２の経時データを第３の識別用データとして識別部１３６に出力する。
【0157】
次に、識別部１３６は、ステップＳ１３０２で調整された識別用データと、図１２で説明した手順で生成済みの識別モデルとに基づいて、認証対象者が識別モデルの生成に関与した被検者のうちのいずれの人物であるかを識別する処理を実行する（ステップＳ１３０３）。
【0158】
例えば、識別部１３６は、第１の識別用データを第１の識別モデルＭＤ１に入力し、第２の識別用データを第２の識別モデルＭＤ２に入力する。
【0159】
例えば、第１の識別モデルＭＤ１は、第１の識別用データを入力とする第１の識別結果として、今回の対象者が被検者であることの確率を示す分類確率を出力する。例えば、第１の識別モデルＭＤ１は、被検者が複数存在する場合には、被検者ごとに、今回の対象者が当該被検者であることを示す分類確率を出力する。
【0160】
また、第２の識別モデルＭＤ２は、第２の識別用データを入力とする第２の識別結果として、今回の対象者が被検者であることの確率を示す分類確率を出力する。例えば、第２の識別モデルＭＤ２は、被検者が複数存在する場合には、被検者ごとに、今回の対象者が当該被検者であることを示す分類確率を出力する。
【0161】
識別部１３６は、上記のように出力された各分類確率に基づいて、最終的な識別を行う。具体的には、識別部１３６は、第１の識別モデルに対応する分類確率のうち、最も高い分類確率である第１の分類確率と、第２の識別モデルに対応する分類確率のうち、最も高い分類確率である第２の分類確率とを統合する統合処理を行う。例えば、識別部１３６は、第１の分類確率と、第２の分類確率とを比較し、第１の分類確率、第２の分類確率のうち、確率値の高い方に対応する１人の被検者と、今回の認証対象者とが同一人物であると認証する。第１の分類確率、第２の分類確率の双方で確率値が同一であることにより、確率値の最も高い被検者が双方で交通する場合には、識別部１３６は、この被検者と、今回の認証対象者とが同一人物であると認証してよい。
【0162】
〔１３．限定解除〕
上記実施形態では、個人認証装置１００が、加圧面積（パラメータの１種）の経時変化を示す第１の経時データからは第１の識別モデルを生成し、圧力総和（パラメータのもう１種）の経時変化を示す第２の経時データからは第２の識別モデルを生成する例を示した。すなわち、個人認証装置１００が、２種のパラメータ（加圧面積、圧力総和）それぞれに対応する２種の識別モデルを生成する例を示した。しかしながら、個人認証装置１００は、加圧面積および圧力総和以外にも、例えば、人物の歩行の特徴が波形に現れるようなパラメータが存在する場合には、そのパラメータをさらに用いて、２種以上のパラメータそれぞれに対応する２種以上の識別モデルを生成してもよい。例えば、個人認証装置１００は、３種のパラメータそれぞれに対応する３種の識別モデルを生成してよい。
上記実施形態では、個人認証装置１００が、加圧面積（パラメータの１種）の経時変化を示す第１の経時データからは第１の識別モデルを生成し、圧力総和（パラメータのもう１種）の経時変化を示す第２の経時データからは第２の識別モデルを生成する例を示した。すなわち、個人認証装置１００が、２種のパラメータ（加圧面積、圧力総和）それぞれに対応する２種の識別モデルを生成する例を示した。しかしながら、個人認証装置１００は、加圧面積および圧力総和以外にも、例えば、人物の歩行の特徴が波形に現れるようなパラメータが存在する場合には、そのパラメータをさらに用いて、２種以上のパラメータそれぞれに対応する２種以上の識別モデルを生成してもよい。例えば、個人認証装置１００は、３種のパラメータそれぞれに対応する３種の識別モデルを生成してよい。
【0163】
また、上記実施形態ではクラウド側の個人認証装置１００が識別モデルの生成および識別処理を行う例を示した。しかしながら、エッジ側の端末装置３０が識別モデルの生成および識別処理を行ってもよい。つまり、端末装置３０が、実施形態に係る個人認証装置として振る舞う構成が採用されてもよく、係る例では、端末装置３０に対して、実施形態に係る個人認証プログラムが導入される。
【0164】
〔１４．ユースケースについて〕
実施形態に係る識別処理が利用されるシーンとしては、例えば、クリーンルームに入室しようとする人物や、介護施設の入居者等を対象とする認証シーンが考えられる。
実施形態に係る識別処理が利用されるシーンとしては、例えば、クリーンルームに入室しようとする人物や、介護施設の入居者等を対象とする認証シーンが考えられる。
【0165】
例えば、クリーンルームに入室しようとする人物は、全身を専用の防塵服で覆っているが、指紋認証等の生態認証が採用されている場合、一部の着用物（手袋やマスク等）を外さなければ場合があり手間であるし、ハザードのリスクが大きくなる。一方、実施形態に係る識別処理では、クリーンルームに入室しようとする人物は、防塵服で覆った状態で測定マット１０の上を歩行するだけで良いため利便性が増す。
【0166】
また、介護施設の入居者の多くは、高齢であるうえに身体が不自由であることから認証装置を適切に扱えない場合があるが、実施形態に係る識別処理では、測定マット１０の上を歩行するだけで良いため、装置の扱いで手間取ることがなくなるというメリットがある。
【0167】
〔１５．効果〕
上述してきたように、本開示に係る個人認証装置（実施形態では個人認証装置１００）は、取得部（実施形態では取得部１３１）と、抽出部（実施形態では抽出部１３２）と、生成部（実施形態では生成部１３４）とを有する。取得部は、被検者の足裏に掛かる圧力の分布を示す足圧分布が、被検者の歩行に応じて測定された測定結果である足圧分布データを取得する。抽出部は、足圧分布データに基づいて、圧力に関する複数の異なるパラメータごとに、当該パラメータの経時変化であって、歩行に応じた経時変化を示す経時データを抽出する。生成部は、パラメータごとに抽出された経時データと、当該経時データの元となる足圧分布データが得られた被検者を示す被検者データとの組み合せを学習データとして用いて、対象者が被検者のうちのいずれの人物であるかを識別する識別モデルであって、各パラメータに対して個別に対応するパラメータごとの識別モデルを生成する。このような個人認証装置によれば、より少ないデータ量で高精度な個人認証が実現することができるようになる。
上述してきたように、本開示に係る個人認証装置（実施形態では個人認証装置１００）は、取得部（実施形態では取得部１３１）と、抽出部（実施形態では抽出部１３２）と、生成部（実施形態では生成部１３４）とを有する。取得部は、被検者の足裏に掛かる圧力の分布を示す足圧分布が、被検者の歩行に応じて測定された測定結果である足圧分布データを取得する。抽出部は、足圧分布データに基づいて、圧力に関する複数の異なるパラメータごとに、当該パラメータの経時変化であって、歩行に応じた経時変化を示す経時データを抽出する。生成部は、パラメータごとに抽出された経時データと、当該経時データの元となる足圧分布データが得られた被検者を示す被検者データとの組み合せを学習データとして用いて、対象者が被検者のうちのいずれの人物であるかを識別する識別モデルであって、各パラメータに対して個別に対応するパラメータごとの識別モデルを生成する。このような個人認証装置によれば、より少ないデータ量で高精度な個人認証が実現することができるようになる。
【0168】
また、複数の異なるパラメータの一方は、足裏の複数の領域それぞれに掛けられる圧力の値に基づき、複数の領域の中から抽出された抽出領域の面積を示す加圧面積であり、複数の異なるパラメータのもう一方は、この抽出領域に含まれる領域それぞれでの圧力の値の総和を示す圧力総和であってよい。係る場合、抽出部は、足圧分布データに基づいて、経時データとして、加圧面積の経時変化であって、歩行に応じた経時変化を示す第１の経時データと、圧力総和の経時変化であって、歩行に応じた経時変化を示す第２の経時データとを被検者ごとに抽出してよい。生成部は、第１の経時データと、当該第１の経時データの元となる足圧分布データが得られた被検者を示す被検者データとの組み合せを第１の学習データとして用いて、対象者が被検者のうちのいずれの人物であるかを識別する第１の識別モデルを生成してよい。また、生成部は、第２の経時データと、当該第２の経時データの元となる足圧分布データが得られた被検者を示す被検者データとの組み合せを第２の学習データとして用いて、対象者が被検者のうちのいずれの人物であるかを識別する第２の識別モデルを生成してよい。このような個人認証装置によれば、１種のデータ（圧力分布データ）から、２種のパラメータ（加圧面積、圧力総和）それぞれに対応する２種の経時データが抽出され、そして、これら経時データそれぞれに対応する２種の学習データが調整される。また、この結果、２種のパラメータ（加圧面積、圧力総和）それぞれに対応する２種の識別モデルが生成されるため、より少ないデータ量で高精度な個人認証が実現される。
【0169】
また、個人認証装置は、識別モデルを生成するための前処理として、経時データを規格化する前処理部（実施形態では前処理部１３３）をさらに有する。このような個人認証装置によれば、複数歩分の経時データの間で生じているバラつきを抑制することができるため、質の高い学習データを調整することができるようになる。
【0170】
また、個人認証装置は、対象者に対応する第１の経時データを入力として第１の識別モデルによって出力された結果である第１の識別結果と、対象者に対応する第２の経時データを入力として第２の識別モデルによって出力された結果である第２の識別結果とに基づいて、対象者が被検者のうちのいずれの人物であるかを識別する識別部（実施形態では識別部１３６）をさらに有する。このような個人認証装置によれば、第１の識別モデルによって出力された結果と、第２の識別モデルによって出力された結果とに基づいて、総合的な判断を行うことができるため、分類精度を向上させることができるようになる。
【0171】
〔１６．ハードウェア構成〕
また、上述してきた実施形態に係る個人認証装置１００は、例えば、図１４に示すような構成のコンピュータ１０００によって実現される。図１４は、個人認証装置１００の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を有する。
また、上述してきた実施形態に係る個人認証装置１００は、例えば、図１４に示すような構成のコンピュータ１０００によって実現される。図１４は、個人認証装置１００の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を有する。
【0172】
ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。
【0173】
ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、及び、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００は、所定の通信網を介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータを所定の通信網を介して他の機器へ送信する。
【0174】
ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、生成したデータを入出力インターフェイス１６００を介して出力装置へ出力する。
【0175】
メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラムまたはデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。
【0176】
例えば、コンピュータ１０００が実施形態に係る個人認証装置１００として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラム（例えば、実施形態に係る個人認証プログラム）を実行することにより、制御部１３０の機能を実現する。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置から所定の通信網を介してこれらのプログラムを取得してもよい。
【0177】
〔１７．その他〕
また、上記各実施形態において説明した処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。
また、上記各実施形態において説明した処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。
【0178】
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。
【0179】
また、上記各実施形態は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。
【0180】
以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。
【符号の説明】
【0181】
１ 認証システム
１０ 測定マット
３０ 端末装置
１００ 個人認証装置
１２０ 記憶部
１２１ 測定データ記憶部
１２２ 第１の経時データ記憶部
１２３ 第２の経時データ記憶部
１２４ 第１の学習データ記憶部
１２５ 第２の学習データ記憶部
１２６ モデルデータ記憶部
１３０ 制御部
１３１ 取得部
１３２ 抽出部
１３３ 前処理部
１３４ 生成部
１３５ 受付部
１３６ 識別部
１０ 測定マット
３０ 端末装置
１００ 個人認証装置
１２０ 記憶部
１２１ 測定データ記憶部
１２２ 第１の経時データ記憶部
１２３ 第２の経時データ記憶部
１２４ 第１の学習データ記憶部
１２５ 第２の学習データ記憶部
１２６ モデルデータ記憶部
１３０ 制御部
１３１ 取得部
１３２ 抽出部
１３３ 前処理部
１３４ 生成部
１３５ 受付部
１３６ 識別部
【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13】
【図14】