知財求人 - 知財ポータルサイト「IP Force」
(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】P2024172008
(43)【公開日】2024-12-12
(54)【発明の名称】イベント認識装置、イベント認識方法、及びプログラム
(51)【国際特許分類】
G01H 9/00 20060101AFI20241205BHJP
G10L 17/26 20130101ALI20241205BHJP
G10L 25/51 20130101ALI20241205BHJP
【ＦＩ】
G01H9/00 E
G10L17/26
G10L25/51
【審査請求】未請求
【請求項の数】15
【出願形態】ＯＬ
(21)【出願番号】P 2023089414
(22)【出願日】2023-05-31
(71)【出願人】
【識別番号】000004237
【氏名又は名称】日本電気株式会社
(74)【代理人】
【識別番号】100103894
【弁理士】
【氏名又は名称】家入 健
(72)【発明者】
【氏名】砺波 紀之
(72)【発明者】
【氏名】美島 咲子
(72)【発明者】
【氏名】松下 崇
(72)【発明者】
【氏名】近藤 玲史
(72)【発明者】
【氏名】樋野 智之
【テーマコード（参考）】
2G064
【Ｆターム（参考）】
2G064AB01
2G064AB02
2G064BA02
2G064BC12
2G064BD02
2G064CC43
2G064DD02
(57)【要約】
【課題】光ファイバセンシングにより取得された観測信号を用いてモデル学習を行うことなく、イベントを認識すること。
【解決手段】イベント認識装置（２０）は、光ファイバに沿った地点で発生し、光ファイバセンシングにより検知された音響又は振動を示す観測信号を取得すると共に、光学的ノイズを示す雑音信号を取得する取得部（２１）と、音響センサ又は振動センサにより取得された音響信号又は振動信号の統計的情報（２３）を利用して、観測信号から、光ファイバに沿った地点でイベントが発生している事後確率を導出すると共に、雑音信号から、光ファイバに沿った地点でイベントが発生している事後確率を導出する導出部（２２）と、観測信号から導出された事後確率と雑音信号から導出された事後確率とを比較し、該比較結果から、光ファイバに沿った地点でイベントが発生している事後確率を導出し、該導出結果を出力する比較部（２４）と、を備える。
【選択図】図８
【解決手段】イベント認識装置（２０）は、光ファイバに沿った地点で発生し、光ファイバセンシングにより検知された音響又は振動を示す観測信号を取得すると共に、光学的ノイズを示す雑音信号を取得する取得部（２１）と、音響センサ又は振動センサにより取得された音響信号又は振動信号の統計的情報（２３）を利用して、観測信号から、光ファイバに沿った地点でイベントが発生している事後確率を導出すると共に、雑音信号から、光ファイバに沿った地点でイベントが発生している事後確率を導出する導出部（２２）と、観測信号から導出された事後確率と雑音信号から導出された事後確率とを比較し、該比較結果から、光ファイバに沿った地点でイベントが発生している事後確率を導出し、該導出結果を出力する比較部（２４）と、を備える。
【選択図】図８
【特許請求の範囲】
【請求項1】
光ファイバに沿った地点で発生し、光ファイバセンシングにより検知された音響又は振動を示す観測信号を取得すると共に、前記光ファイバに沿った地点に存在する光学的ノイズを示す雑音信号を取得する取得部と、
音響センサ又は振動センサにより取得された音響信号又は振動信号の統計的情報を利用して、前記観測信号から、前記光ファイバに沿った地点で少なくとも１つのイベントが発生している事後確率を導出すると共に、前記雑音信号から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出する導出部と、
前記観測信号から導出された事後確率と前記雑音信号から導出された事後確率とを比較し、該比較結果から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出し、該導出結果を出力する比較部と、
を備える、イベント認識装置。
音響センサ又は振動センサにより取得された音響信号又は振動信号の統計的情報を利用して、前記観測信号から、前記光ファイバに沿った地点で少なくとも１つのイベントが発生している事後確率を導出すると共に、前記雑音信号から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出する導出部と、
前記観測信号から導出された事後確率と前記雑音信号から導出された事後確率とを比較し、該比較結果から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出し、該導出結果を出力する比較部と、
を備える、イベント認識装置。
【請求項2】
前記統計的情報は、入力信号に対して、前記少なくとも１つのイベントが発生している事後確率を出力する機械学習モデルであり、
前記機械学習モデルは、前記音響センサ又は前記振動センサにより取得された前記音響信号又は前記振動信号により学習されたモデルであり、
前記導出部は、前記観測信号を前記機械学習モデルに前記入力信号として入力することで、前記観測信号から事後確率を導出すると共に、前記雑音信号を前記機械学習モデルに前記入力信号として入力することで、前記雑音信号から事後確率を導出する、
請求項１に記載のイベント認識装置。
前記機械学習モデルは、前記音響センサ又は前記振動センサにより取得された前記音響信号又は前記振動信号により学習されたモデルであり、
前記導出部は、前記観測信号を前記機械学習モデルに前記入力信号として入力することで、前記観測信号から事後確率を導出すると共に、前記雑音信号を前記機械学習モデルに前記入力信号として入力することで、前記雑音信号から事後確率を導出する、
請求項１に記載のイベント認識装置。
【請求項3】
前記導出部は、前記機械学習モデルを再学習なしに利用する、
請求項２に記載のイベント認識装置。
請求項２に記載のイベント認識装置。
【請求項4】
前記観測信号は、音響を示す信号であり、
前記機械学習モデルは、前記音響センサとしてのマイクロフォンにより取得された音響信号により学習されたモデルである、
請求項２に記載のイベント認識装置。
前記機械学習モデルは、前記音響センサとしてのマイクロフォンにより取得された音響信号により学習されたモデルである、
請求項２に記載のイベント認識装置。
【請求項5】
前記観測信号は、振動を示す信号であり、
前記機械学習モデルは、前記振動センサとしての加速度センサ又はハイドロフォンにより取得された振動信号により学習されたモデルである、
請求項２に記載のイベント認識装置。
前記機械学習モデルは、前記振動センサとしての加速度センサ又はハイドロフォンにより取得された振動信号により学習されたモデルである、
請求項２に記載のイベント認識装置。
【請求項6】
イベント認識装置によるイベント認識方法であって、
光ファイバに沿った地点で発生し、光ファイバセンシングにより検知された音響又は振動を示す観測信号を取得すると共に、前記光ファイバに沿った地点に存在する光学的ノイズを示す雑音信号を取得する取得ステップと、
音響センサ又は振動センサにより取得された音響信号又は振動信号の統計的情報を利用して、前記観測信号から、前記光ファイバに沿った地点で少なくとも１つのイベントが発生している事後確率を導出すると共に、前記雑音信号から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出する導出ステップと、
前記観測信号から導出された事後確率と前記雑音信号から導出された事後確率とを比較し、該比較結果から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出し、該導出結果を出力する比較ステップと、
を含む、イベント認識方法。
光ファイバに沿った地点で発生し、光ファイバセンシングにより検知された音響又は振動を示す観測信号を取得すると共に、前記光ファイバに沿った地点に存在する光学的ノイズを示す雑音信号を取得する取得ステップと、
音響センサ又は振動センサにより取得された音響信号又は振動信号の統計的情報を利用して、前記観測信号から、前記光ファイバに沿った地点で少なくとも１つのイベントが発生している事後確率を導出すると共に、前記雑音信号から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出する導出ステップと、
前記観測信号から導出された事後確率と前記雑音信号から導出された事後確率とを比較し、該比較結果から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出し、該導出結果を出力する比較ステップと、
を含む、イベント認識方法。
【請求項7】
前記統計的情報は、入力信号に対して、前記少なくとも１つのイベントが発生している事後確率を出力する機械学習モデルであり、
前記機械学習モデルは、前記音響センサ又は前記振動センサにより取得された前記音響信号又は前記振動信号により学習されたモデルであり、
前記導出ステップでは、前記観測信号を前記機械学習モデルに前記入力信号として入力することで、前記観測信号から事後確率を導出すると共に、前記雑音信号を前記機械学習モデルに前記入力信号として入力することで、前記雑音信号から事後確率を導出する、
請求項６に記載のイベント認識方法。
前記機械学習モデルは、前記音響センサ又は前記振動センサにより取得された前記音響信号又は前記振動信号により学習されたモデルであり、
前記導出ステップでは、前記観測信号を前記機械学習モデルに前記入力信号として入力することで、前記観測信号から事後確率を導出すると共に、前記雑音信号を前記機械学習モデルに前記入力信号として入力することで、前記雑音信号から事後確率を導出する、
請求項６に記載のイベント認識方法。
【請求項8】
前記導出ステップでは、前記機械学習モデルを再学習なしに利用する、
請求項７に記載のイベント認識方法。
請求項７に記載のイベント認識方法。
【請求項9】
前記観測信号は、音響を示す信号であり、
前記機械学習モデルは、前記音響センサとしてのマイクロフォンにより取得された音響信号により学習されたモデルである、
請求項７に記載のイベント認識方法。
前記機械学習モデルは、前記音響センサとしてのマイクロフォンにより取得された音響信号により学習されたモデルである、
請求項７に記載のイベント認識方法。
【請求項10】
前記観測信号は、振動を示す信号であり、
前記機械学習モデルは、前記振動センサとしての加速度センサ又はハイドロフォンにより取得された振動信号により学習されたモデルである、
請求項７に記載のイベント認識方法。
前記機械学習モデルは、前記振動センサとしての加速度センサ又はハイドロフォンにより取得された振動信号により学習されたモデルである、
請求項７に記載のイベント認識方法。
【請求項11】
コンピュータに、
光ファイバに沿った地点で発生し、光ファイバセンシングにより検知された音響又は振動を示す観測信号を取得すると共に、前記光ファイバに沿った地点に存在する光学的ノイズを示す雑音信号を取得する取得手順と、
音響センサ又は振動センサにより取得された音響信号又は振動信号の統計的情報を利用して、前記観測信号から、前記光ファイバに沿った地点で少なくとも１つのイベントが発生している事後確率を導出すると共に、前記雑音信号から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出する導出手順と、
前記観測信号から導出された事後確率と前記雑音信号から導出された事後確率とを比較し、該比較結果から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出し、該導出結果を出力する比較手順と、
を実行させるプログラム。
光ファイバに沿った地点で発生し、光ファイバセンシングにより検知された音響又は振動を示す観測信号を取得すると共に、前記光ファイバに沿った地点に存在する光学的ノイズを示す雑音信号を取得する取得手順と、
音響センサ又は振動センサにより取得された音響信号又は振動信号の統計的情報を利用して、前記観測信号から、前記光ファイバに沿った地点で少なくとも１つのイベントが発生している事後確率を導出すると共に、前記雑音信号から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出する導出手順と、
前記観測信号から導出された事後確率と前記雑音信号から導出された事後確率とを比較し、該比較結果から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出し、該導出結果を出力する比較手順と、
を実行させるプログラム。
【請求項12】
前記統計的情報は、入力信号に対して、前記少なくとも１つのイベントが発生している事後確率を出力する機械学習モデルであり、
前記機械学習モデルは、前記音響センサ又は前記振動センサにより取得された前記音響信号又は前記振動信号により学習されたモデルであり、
前記導出手順では、前記観測信号を前記機械学習モデルに前記入力信号として入力することで、前記観測信号から事後確率を導出すると共に、前記雑音信号を前記機械学習モデルに前記入力信号として入力することで、前記雑音信号から事後確率を導出する、
請求項１１に記載のプログラム。
前記機械学習モデルは、前記音響センサ又は前記振動センサにより取得された前記音響信号又は前記振動信号により学習されたモデルであり、
前記導出手順では、前記観測信号を前記機械学習モデルに前記入力信号として入力することで、前記観測信号から事後確率を導出すると共に、前記雑音信号を前記機械学習モデルに前記入力信号として入力することで、前記雑音信号から事後確率を導出する、
請求項１１に記載のプログラム。
【請求項13】
前記導出手順では、前記機械学習モデルを再学習なしに利用する、
請求項１２に記載のプログラム。
請求項１２に記載のプログラム。
【請求項14】
前記観測信号は、音響を示す信号であり、
前記機械学習モデルは、前記音響センサとしてのマイクロフォンにより取得された音響信号により学習されたモデルである、
請求項１２に記載のプログラム。
前記機械学習モデルは、前記音響センサとしてのマイクロフォンにより取得された音響信号により学習されたモデルである、
請求項１２に記載のプログラム。
【請求項15】
前記観測信号は、振動を示す信号であり、
前記機械学習モデルは、前記振動センサとしての加速度センサ又はハイドロフォンにより取得された振動信号により学習されたモデルである、
請求項１２に記載のプログラム。
前記機械学習モデルは、前記振動センサとしての加速度センサ又はハイドロフォンにより取得された振動信号により学習されたモデルである、
請求項１２に記載のプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、イベント認識装置、イベント認識方法、及びプログラムに関する。
【背景技術】
【0002】
ＤＡＳ（Distributed Acoustic Sensing：分散型音響センシング）に代表される光ファイバセンシングは、光ファイバに沿った地点で発生した音響及び振動を検知することが可能である。
【0003】
近年は、光ファイバに沿った地点で発生し、光ファイバセンシングにより検知された音響又は振動を示す観測信号を取得し、取得された観測信号に基づいて、光ファイバに沿った地点で発生した異常などのイベントを認識する技術も提案されている。
【0004】
また、光ファイバセンシングにより取得された観測信号に基づいて、イベントを認識する技術としては、観測信号についてモデル学習を行って、機械学習モデルを生成し、生成された機械学習モデルを用いて、イベントを認識する技術が挙げられる。例えば、特許文献１には、教師あり学習により生成された機械学習モデルを用いて、イベントを認識する技術が開示されている。
【先行技術文献】
【特許文献】
【0005】
【特許文献1】国際公開第２０２０／０４４６４８号
【発明の概要】
【発明が解決しようとする課題】
【0006】
ところで、機械学習の手法としては、上述した教師あり学習の他、転移学習、ファインチューニング（fine-tuning）、ドメイン適応、自己教師あり学習などが挙げられる。これらの手法を光ファイバセンシングに利用する場合、いずれの手法も、モデル学習には、光ファイバセンシングにより取得された観測信号が必要になる。
【0007】
しかし、光ファイバセンシングにより取得された観測信号は、光学的ノイズ（白色性が高いショット雑音が支配的）に起因して、ＳＮＲ（Signal-to-Noise Ratio）が低く、感度が不均一となっており、低品質な信号である。そのため、モデル学習に有効な観測信号がそもそも少ないため、観測信号を用いてモデル学習を行って、機械学習モデルを生成することが困難であるという問題がある。
【0008】
そのため、光ファイバセンシングにより取得された観測信号を用いてモデル学習を行うことなく、イベントを認識することが可能な技術が望まれている。
【0009】
そこで本開示の目的は、上述した課題に鑑み、光ファイバセンシングにより取得された観測信号を用いてモデル学習を行うことなく、イベントを認識することが可能なイベント認識装置、イベント認識方法、及びプログラムを提供することにある。
【課題を解決するための手段】
【0010】
一態様によるイベント認識装置は、
光ファイバに沿った地点で発生し、光ファイバセンシングにより検知された音響又は振動を示す観測信号を取得すると共に、前記光ファイバに沿った地点に存在する光学的ノイズを示す雑音信号を取得する取得部と、
音響センサ又は振動センサにより取得された音響信号又は振動信号の統計的情報を利用して、前記観測信号から、前記光ファイバに沿った地点で少なくとも１つのイベントが発生している事後確率を導出すると共に、前記雑音信号から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出する導出部と、
前記観測信号から導出された事後確率と前記雑音信号から導出された事後確率とを比較し、該比較結果から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出し、該導出結果を出力する比較部と、
を備える。
光ファイバに沿った地点で発生し、光ファイバセンシングにより検知された音響又は振動を示す観測信号を取得すると共に、前記光ファイバに沿った地点に存在する光学的ノイズを示す雑音信号を取得する取得部と、
音響センサ又は振動センサにより取得された音響信号又は振動信号の統計的情報を利用して、前記観測信号から、前記光ファイバに沿った地点で少なくとも１つのイベントが発生している事後確率を導出すると共に、前記雑音信号から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出する導出部と、
前記観測信号から導出された事後確率と前記雑音信号から導出された事後確率とを比較し、該比較結果から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出し、該導出結果を出力する比較部と、
を備える。
【0011】
一態様によるイベント認識方法は、
イベント認識装置によるイベント認識方法であって、
光ファイバに沿った地点で発生し、光ファイバセンシングにより検知された音響又は振動を示す観測信号を取得すると共に、前記光ファイバに沿った地点に存在する光学的ノイズを示す雑音信号を取得する取得ステップと、
音響センサ又は振動センサにより取得された音響信号又は振動信号の統計的情報を利用して、前記観測信号から、前記光ファイバに沿った地点で少なくとも１つのイベントが発生している事後確率を導出すると共に、前記雑音信号から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出する導出ステップと、
前記観測信号から導出された事後確率と前記雑音信号から導出された事後確率とを比較し、該比較結果から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出し、該導出結果を出力する比較ステップと、
を含む。
イベント認識装置によるイベント認識方法であって、
光ファイバに沿った地点で発生し、光ファイバセンシングにより検知された音響又は振動を示す観測信号を取得すると共に、前記光ファイバに沿った地点に存在する光学的ノイズを示す雑音信号を取得する取得ステップと、
音響センサ又は振動センサにより取得された音響信号又は振動信号の統計的情報を利用して、前記観測信号から、前記光ファイバに沿った地点で少なくとも１つのイベントが発生している事後確率を導出すると共に、前記雑音信号から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出する導出ステップと、
前記観測信号から導出された事後確率と前記雑音信号から導出された事後確率とを比較し、該比較結果から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出し、該導出結果を出力する比較ステップと、
を含む。
【0012】
一態様によるプログラムは、
コンピュータに、
光ファイバに沿った地点で発生し、光ファイバセンシングにより検知された音響又は振動を示す観測信号を取得すると共に、前記光ファイバに沿った地点に存在する光学的ノイズを示す雑音信号を取得する取得手順と、
音響センサ又は振動センサにより取得された音響信号又は振動信号の統計的情報を利用して、前記観測信号から、前記光ファイバに沿った地点で少なくとも１つのイベントが発生している事後確率を導出すると共に、前記雑音信号から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出する導出手順と、
前記観測信号から導出された事後確率と前記雑音信号から導出された事後確率とを比較し、該比較結果から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出し、該導出結果を出力する比較手順と、
を実行させる。
コンピュータに、
光ファイバに沿った地点で発生し、光ファイバセンシングにより検知された音響又は振動を示す観測信号を取得すると共に、前記光ファイバに沿った地点に存在する光学的ノイズを示す雑音信号を取得する取得手順と、
音響センサ又は振動センサにより取得された音響信号又は振動信号の統計的情報を利用して、前記観測信号から、前記光ファイバに沿った地点で少なくとも１つのイベントが発生している事後確率を導出すると共に、前記雑音信号から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出する導出手順と、
前記観測信号から導出された事後確率と前記雑音信号から導出された事後確率とを比較し、該比較結果から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出し、該導出結果を出力する比較手順と、
を実行させる。
【発明の効果】
【0013】
上述した態様によれば、光ファイバセンシングにより取得された観測信号を用いてモデル学習を行うことなく、イベントを認識することが可能なイベント認識装置、イベント認識方法、及びプログラムを提供できるという効果が得られる。
【図面の簡単な説明】
【0014】
【図1】マイクロフォンにより取得された音響信号の分布と、ＤＡＳにより取得された音響を示す観測信号の分布と、を対比した例を示す図である。
【図2】実施の形態１に係るイベント認識装置の構成例を示すブロック図である。
【図3】実施の形態１に係るイベント認識装置の概略的な動作例を説明する図である。
【図4】実施の形態１に係るイベント認識装置の具体的な動作例を説明する図である。
【図5】実施の形態１に係るイベント認識装置の具体的な動作例を説明する図である。
【図6】実施の形態１に係るイベント認識装置によるイベント認識結果の例を、関連技術によるイベント認識結果と対比して説明する図である。
【図7】実施の形態１に係るイベント認識装置によるイベント認識結果の例を、関連技術によるイベント認識結果と対比して説明する図である。
【図8】実施の形態２に係るイベント認識装置の構成例を示すブロック図である。
【図9】各実施の形態に係るイベント認識装置を実現するコンピュータのハードウェア構成例を示すブロック図である。
【発明を実施するための形態】
【0015】
以下、図面を参照して本開示の実施の形態について説明する。なお、以下の記載及び図面は、説明の明確化のため、適宜、省略及び簡略化がなされている。また、以下の各図面において、同一の要素には同一の符号が付されており、必要に応じて重複説明は省略されている。また、以下で示す具体的な数値等は、本開示の理解を容易とするための例示にすぎず、これに限定されるものではない。
【0016】
＜各実施の形態の概要＞
本開示の各実施の形態の詳細を説明する前に、各実施の形態の概要について説明する。
まず、図１を参照して、マイクロフォンにより取得された音響信号の分布と、ＤＡＳにより取得された音響を示す観測信号の分布と、を対比した例について説明する。なお、図１では、観測信号の分布は、光学的ノイズの影響を排除した後の分布となっている。
本開示の各実施の形態の詳細を説明する前に、各実施の形態の概要について説明する。
まず、図１を参照して、マイクロフォンにより取得された音響信号の分布と、ＤＡＳにより取得された音響を示す観測信号の分布と、を対比した例について説明する。なお、図１では、観測信号の分布は、光学的ノイズの影響を排除した後の分布となっている。
【0017】
図１に示されるように、ＤＡＳにより取得された音響を示す観測信号の分布は、光学的ノイズの影響を排除すると、マイクロフォンにより取得された音響信号の分布と非常に似ていることが分かる。
【0018】
また、市場では、マイクロフォンなどの音響センサ又は振動センサにより取得された音響信号又は振動信号に関するオープンソースのデータや機械学習モデルなどの統計的情報が流通している。
【0019】
そこで、以下で説明する各実施の形態では、市場に流通する、音響センサ又は振動センサにより取得された音響信号又は振動信号の統計的情報を利用する。これにより、光ファイバセンシングにより取得された観測信号を用いたモデル学習が不要になる。
【0020】
また、以下で説明する各実施の形態では、上述した統計的情報を利用して、光ファイバセンシングにより検知された音響又は振動を示す観測信号及び光学的ノイズを示す雑音信号のそれぞれから、イベントが発生している事後確率を導出する。そして、観測信号から導出された事後確率と、雑音信号から導出された事後確率と、を比較し、その比較結果から、最終的に、イベントが発生している事後確率を導出する。これにより、光学的ノイズの影響を排除して、イベントの認識性能の向上を図る。
以下、本開示の各実施の形態について説明する。
以下、本開示の各実施の形態について説明する。
【0021】
＜実施の形態１＞
まず、図２を参照して、本実施の形態１に係るイベント認識装置１０の構成例について説明する。本実施の形態１は、音響センサ又は振動センサにより取得された音響信号又は振動信号の統計的情報として、それら音響信号又は振動信号により学習された機械学習モデルを利用する例である。
図２に示されるように、本実施の形態１に係るイベント認識装置１０は、取得部１１、導出部１２、及び比較部１４を備えている。
まず、図２を参照して、本実施の形態１に係るイベント認識装置１０の構成例について説明する。本実施の形態１は、音響センサ又は振動センサにより取得された音響信号又は振動信号の統計的情報として、それら音響信号又は振動信号により学習された機械学習モデルを利用する例である。
図２に示されるように、本実施の形態１に係るイベント認識装置１０は、取得部１１、導出部１２、及び比較部１４を備えている。
【0022】
取得部１１は、光ファイバに沿った各地点で発生し、光ファイバセンシングにより検知された音響又は振動を示す観測信号を取得する。例えば、取得部１１は、ＤＡＳ装置などのセンシング装置から観測信号を取得しても良い。また、例えば、観測信号は、光ファイバに沿った各地点毎に、その地点で発生した音響又は振動の強度の時間変化を示す時間領域信号ＲＴであっても良い。又は、観測信号は、その時間領域信号ＲＴをフーリエ変換した後の周波数領域信号ＣＴ×Ｆであっても良い。
【0023】
また、取得部１１は、光ファイバに沿った任意の地点に存在する光学的ノイズを示す雑音信号を取得する。光学的ノイズは、白色性が高いショット雑音が支配的である。取得部１１は、光学的ノイズの種類や光学的ノイズが存在する時間区間が未知である場合には、任意の種類の光学的ノイズを模擬した任意の雑音信号を、任意の装置から取得しても良い。又は、取得部１１は、イベントが発生している時間区間が既知である場合には、ＤＡＳ装置などのセンシング装置から、イベントが発生していない時間区間の観測信号を、雑音信号として取得しても良い。
【0024】
導出部１２は、市場で流通しており、音響センサ又は振動センサにより取得された音響信号又は振動信号の統計的情報の一例である機械学習モデル１３を保持する。
機械学習モデル１３は、入力信号に対して、少なくとも１つのイベントが発生している事後確率を出力するモデルである。
また、機械学習モデル１３は、音響センサ又は振動センサにより取得された音響信号又は振動信号を、入力信号として用いて、学習されたモデルである。
音響センサは、例えば、音響信号を取得するマイクロフォンなどである。また、振動センサは、例えば、振動信号を取得する加速度センサ又はハイドロフォンなどである。
機械学習モデル１３は、入力信号に対して、少なくとも１つのイベントが発生している事後確率を出力するモデルである。
また、機械学習モデル１３は、音響センサ又は振動センサにより取得された音響信号又は振動信号を、入力信号として用いて、学習されたモデルである。
音響センサは、例えば、音響信号を取得するマイクロフォンなどである。また、振動センサは、例えば、振動信号を取得する加速度センサ又はハイドロフォンなどである。
【0025】
導出部１２は、機械学習モデル１３を利用して、光ファイバに沿った各地点毎に、取得部１１により取得された、その地点の観測信号から、その地点で少なくとも１つのイベントが発生している事後確率を導出する。詳細には、導出部１２は、各地点毎に、その地点の観測信号を機械学習モデル１３に入力信号として入力し、機械学習モデル１３の出力信号として、その地点で少なくとも１つのイベントが発生している事後確率を得る。
【0026】
また、導出部１２は、機械学習モデル１３を利用して、取得部１１により取得された、光ファイバに沿った任意の地点に存在する雑音信号から、その任意の地点で少なくとも１つのイベントが発生している事後確率を導出する。詳細には、導出部１２は、任意の地点の雑音信号を機械学習モデル１３に入力信号として入力し、機械学習モデル１３の出力信号として、その任意の地点で少なくとも１つのイベントが発生している事後確率を得る。
【0027】
比較部１４は、光ファイバに沿った各地点毎に、導出部１２により、その地点の観測信号から導出された事後確率と、雑音信号から導出された事後確率と、を比較する。そして、比較部１４は、その比較結果から、最終的に、その地点で少なくとも１つのイベントが発生している事後確率を導出する。さらに、比較部１４は、各地点毎に導出された、少なくとも１つのイベントが発生している事後確率を、イベント認識結果として、イベント認識装置１０の外部に出力する。
【0028】
続いて、図３を参照して、本実施の形態１に係るイベント認識装置１０の概略的な動作例について説明する。なお、図３では、取得部１１は、光ファイバに沿った各地点の観測信号及び任意の地点の雑音情報を既に取得しているものとし、その後の動作例について説明する（後述する図４及び図５において同じ）。
【0029】
図３に示されるように、導出部１２は、各地点毎に、その地点の観測信号を機械学習モデル１３に入力信号として入力し（ステップＳ１１）、機械学習モデル１３の出力信号として、その地点で少なくとも１つのイベントが発生している事後確率を得る（ステップＳ１３）。
【0030】
また、導出部１２は、任意の地点の雑音信号を機械学習モデル１３に入力信号として入力し（ステップＳ１２）、機械学習モデル１３の出力信号として、その任意の地点で少なくとも１つのイベントが発生している事後確率を得る（ステップＳ１４）。
【0031】
比較部１４は、各地点毎に、その地点の観測信号から導出された事後確率と、雑音信号から導出された事後確率と、を比較し、その比較結果から、最終的に、その地点で少なくとも１つのイベントが発生している事後確率を導出する（ステップＳ１５）。
【0032】
その後、比較部１４は、各地点毎に導出された、少なくとも１つのイベントが発生している事後確率を、イベント認識結果として、イベント認識装置１０の外部に出力する（ステップＳ１６）。
【0033】
続いて、本実施の形態１に係るイベント認識装置１０の具体的な動作例について説明する。
（１）具体的な動作例１
まず、図４を参照して、本実施の形態１に係るイベント認識装置１０の具体的な動作例１について説明する。
本動作例１は、光ファイバに沿った任意の地点に存在する光学的ノイズの種類や光学的ノイズが存在する時間区間が未知である場合の例である。
（１）具体的な動作例１
まず、図４を参照して、本実施の形態１に係るイベント認識装置１０の具体的な動作例１について説明する。
本動作例１は、光ファイバに沿った任意の地点に存在する光学的ノイズの種類や光学的ノイズが存在する時間区間が未知である場合の例である。
【0034】
本動作例１の場合、取得部１１は、任意の種類の光学的ノイズを模擬した任意の雑音信号を、任意の装置から取得する。例えば、本動作例１の雑音信号は、光子の検出数をポアソン分布とし、検出数大の時の中心極限定理に従った信号（Ｎ（μ，√μ））となる。
また、取得部１１は、ＤＡＳ装置などのセンシング装置から、光ファイバに沿った各地点の観測信号として、上述した時間領域信号ＲＴ又は周波数領域信号ＣＴ×Ｆを取得する。
また、取得部１１は、ＤＡＳ装置などのセンシング装置から、光ファイバに沿った各地点の観測信号として、上述した時間領域信号ＲＴ又は周波数領域信号ＣＴ×Ｆを取得する。
【0035】
図４に示されるように、導出部１２は、各地点毎に、その地点の観測信号ＲＴ又はＣＴ×Ｆを機械学習モデル１３に入力信号として入力する（ステップＳ２１）。これにより、導出部１２は、各地点毎に、機械学習モデル１３の出力信号として、その地点で、５つのイベントがそれぞれ発生している事後確率を得る（ステップＳ２３）。ここで得られる事後確率のうち、例えば、ある地点において、５つのイベントのうちのイベントｅが時刻ｔで発生している事後確率を、以下の数式（１）のように示すものとする。
【数1】
【0036】
また、導出部１２は、任意の地点の雑音信号Ｎ（μ，√μ）を機械学習モデル１３に入力信号として入力する（ステップＳ２２）。これにより、導出部１２は、機械学習モデル１３の出力信号として、その任意の地点で、５つのイベントがそれぞれ発生している事後確率を得る（ステップＳ２４）。ここで得られる事後確率のうち、例えば、任意の地点において、５つのイベントのうちのイベントｅが時刻ｔで発生している事後確率を、以下の数式（２）のように示すものとする。
【数2】
【0037】
比較部１４は、各地点毎に、その地点の観測信号から導出された事後確率と、雑音信号から導出された事後確率と、を比較し、その比較結果から、最終的に、その地点で、５つのイベントがそれぞれ発生している事後確率を導出する（ステップＳ２５）。ここで得られる事後確率のうち、例えば、ある地点において、５つのイベントのうちのイベントｅが時刻ｔで発生している事後確率を、以下の数式（３）のように示すものとする。
【数3】
【0038】
また、ここでは、比較部１４は、上述した数式（３）の事後確率を、例えば、以下の数式（４）又は数式（５）を用いて、導出するものとする。
又は
【数4】
【数5】
【0039】
その後、比較部１４は、各地点毎に導出された、５つのイベントがそれぞれ発生している事後確率を、イベント認識結果として、イベント認識装置１０の外部に出力する（ステップＳ２６）。
【0040】
なお、本動作例１では、導出部１２は、機械学習モデル１３を再学習なしで利用する。そのため、基本的には、導出部１２は、観測信号を用いたモデル学習を行わない。ただし、これには限定されず、導出部１２は、少数の観測信号を用いてfew-shot学習を行い、機械学習モデル１３を再学習しても良い。
【0041】
また、導出部１２は、具体的な光学的ノイズが一意に定まらない場合、取得部１１により事前に取得された複数の種類の光学的ノイズの雑音信号をそれぞれ使用し、比較部１４は、複数の種類の雑音信号の事後確率のそれぞれを、観測信号の事後確率と比較して、イベントを認識しても良い。
【0042】
また、事後確率の導出は、確率レベルでの計算になるため、事後確率は、必ず0～1の値となる。そのため、導出部１２は、複数の機械学習モデル１３をそれぞれ利用し、比較部１４は、複数の機械学習モデル１３のそれぞれを利用して導出された事後確率を比較して、イベントを認識しても良い。
【0043】
また、導出部１２及び比較部１４は、５つのイベントの全てについて事後確率を導出せず、任意のイベントクラスのイベントについては、事後確率を導出せずにマスクを行うデノイズを行っても良い。
【0044】
（２）具体的な動作例２
続いて、図５を参照して、本実施の形態１に係るイベント認識装置１０の具体的な動作例２について説明する。
本動作例２は、光ファイバに沿った任意の地点において、イベントが発生している時間区間が既知である場合の例である。言い換えれば、本動作例２は、任意の地点で光学的ノイズが存在する時間区間が既知である場合の例である。
続いて、図５を参照して、本実施の形態１に係るイベント認識装置１０の具体的な動作例２について説明する。
本動作例２は、光ファイバに沿った任意の地点において、イベントが発生している時間区間が既知である場合の例である。言い換えれば、本動作例２は、任意の地点で光学的ノイズが存在する時間区間が既知である場合の例である。
【0045】
本動作例２の場合、取得部１１は、ＤＡＳ装置などのセンシング装置から、任意の地点の雑音信号として、イベントが発生していない時間区間の観測信号である時間領域信号ＲＴ又は周波数領域信号ＣＴ×Ｆを取得する。
また、取得部１１は、ＤＡＳ装置などのセンシング装置から、各地点の観測信号として、上述した時間領域信号ＲＴ又は周波数領域信号ＣＴ×Ｆを取得する。
また、取得部１１は、ＤＡＳ装置などのセンシング装置から、各地点の観測信号として、上述した時間領域信号ＲＴ又は周波数領域信号ＣＴ×Ｆを取得する。
【0046】
図５に示されるように、導出部１２は、各地点毎に、その地点の観測信号ＲＴ又はＣＴ×Ｆを機械学習モデル１３に入力信号として入力する（ステップＳ３１）。これにより、導出部１２は、各地点毎に、機械学習モデル１３の出力信号として、その地点で、５つのイベントがそれぞれ発生している事後確率を得る（ステップＳ３３）。ここで得られる事後確率のうち、例えば、ある地点において、５つのイベントのうちのイベントｅが時刻ｔで発生している事後確率を、上述した数式（１）のように示すものとする。
【0047】
また、導出部１２は、任意の地点の雑音信号Ｎ（μ，√μ）を機械学習モデル１３に入力信号として入力する（ステップＳ３２）。これにより、導出部１２は、機械学習モデル１３の出力信号として、その任意の地点で、５つのイベントがそれぞれ発生している事後確率を得る（ステップＳ３４）。ここで得られる事後確率のうち、例えば、任意の地点において、５つのイベントのうちのイベントｅが時刻ｔで発生している事後確率を、上述した数式（２）のように示すものとする。
【0048】
比較部１４は、各地点毎に、その地点の観測信号から導出された事後確率と、雑音信号から導出された事後確率と、を比較し、その比較結果から、最終的に、その地点で、５つのイベントがそれぞれ発生している事後確率を導出する（ステップＳ３５）。ここで得られる事後確率のうち、例えば、ある地点において、５つのイベントのうちのイベントｅが時刻ｔで発生している事後確率を、上述した数式（３）のように示すものとする。
また、ここでは、比較部１４は、上述した数式（３）の事後確率を、例えば、上述した数式（４）又は数式（５）を用いて、導出するものとする。
また、ここでは、比較部１４は、上述した数式（３）の事後確率を、例えば、上述した数式（４）又は数式（５）を用いて、導出するものとする。
【0049】
その後、比較部１４は、各地点毎に導出された、５つのイベントがそれぞれ発生している事後確率を、イベント認識結果として、イベント認識装置１０の外部に出力する（ステップＳ３６）。
【0050】
なお、本動作例２では、導出部１２は、機械学習モデル１３を再学習なしで利用する。そのため、基本的には、導出部１２は、観測信号を用いたモデル学習を行わない。ただし、これには限定されず、導出部１２は、少数の観測信号を用いてfew-shot学習を行い、機械学習モデル１３を再学習しても良い。
【0051】
また、導出部１２及び比較部１４は、５つのイベントの全てについて事後確率を導出せず、任意のイベントクラスのイベントについては、事後確率を導出せずにマスクを行うデノイズを行っても良い。
【0052】
続いて、図６及び図７を参照して、本実施の形態１に係るイベント認識装置１０によるイベント認識結果の例について、関連技術によるイベント認識結果と対比して説明する。
なお、図６及び図７は、上から順に、関連技術によるある地点のイベント認識結果、本実施の形態１による同じ地点のイベント認識結果、イベント認識が行われたときに機械学習モデル１３に観測信号として入力された同じ地点のスペクトログラム、をそれぞれ示している。なお、スペクトログラムは、上述した周波数領域信号ＣＴ×Ｆに相当する。
なお、図６及び図７は、上から順に、関連技術によるある地点のイベント認識結果、本実施の形態１による同じ地点のイベント認識結果、イベント認識が行われたときに機械学習モデル１３に観測信号として入力された同じ地点のスペクトログラム、をそれぞれ示している。なお、スペクトログラムは、上述した周波数領域信号ＣＴ×Ｆに相当する。
【0053】
また、図６及び図７において、関連技術は、光学ノイズを示す雑音信号から事後確率を導出する処理や、観測信号と雑音信号の事後確率を比較する処理を行わず、雑音信号から導出された事後確率を、そのままイベント認識結果として出力する技術であるものとする。言い換えれば、関連技術は、図３の例では、ステップＳ１３で観測信号から得られた事後確率を、ステップＳ１６でイベント認識結果として出力する技術であるものとする。
【0054】
また、図６及び図７は、スペクトログラムが互いに相違しており、図６をケース＃１、図７をケース＃２と称する。
また、図６及び図７において、３つの図面の横軸は時間を示し、上の２つの図面の縦軸は各イベントのイベントクラスを示し、下の図面の縦軸は周波数を示している。
また、図６及び図７において、上の２つの図面は、白っぽく見えるほど、事後確率が高く、黒っぽく見えるほど、事後確率が低いことを示している。
また、図６及び図７において、３つの図面の横軸は時間を示し、上の２つの図面の縦軸は各イベントのイベントクラスを示し、下の図面の縦軸は周波数を示している。
また、図６及び図７において、上の２つの図面は、白っぽく見えるほど、事後確率が高く、黒っぽく見えるほど、事後確率が低いことを示している。
【0055】
図６に示されるように、ケース＃１では、関連技術は、本実施の形態１と比較して、全体的に黒っぽく見えている。このことから、関連技術は、光学的ノイズの影響を受けて、イベント認識性能が明らかに悪いことがわかる。言い換えれば、本実施の形態１は、光学的ノイズの影響が排除されて、イベント認識性能が明らかに向上していることがわかる。
また、図７に示されるように、ケース＃２でも、ケース＃１と同様の傾向になっていることがわかる。
また、図７に示されるように、ケース＃２でも、ケース＃１と同様の傾向になっていることがわかる。
【0056】
上述したように本実施の形態１によれば、取得部１１は、光ファイバに沿った地点で発生し、光ファイバセンシングにより検知された音響又は振動を示す観測信号を取得すると共に、光ファイバに沿った地点に存在する光学的ノイズを示す雑音信号を取得する。導出部１２は、音響センサ又は振動センサにより取得された音響信号又は振動信号を用いて学習された機械学習モデル１３を利用して、観測信号及び雑音信号のそれぞれから、光ファイバに沿った地点で少なくとも１つのイベントが発生している事後確率を導出する。比較部１４は、観測信号から導出された事後確率と、雑音信号から導出された事後確率と、を比較し、その比較結果から、光ファイバに沿った地点で少なくとも１つのイベントが発生している事後確率を導出し、導出された事後確率を、イベント認識結果として出力する。
【0057】
このように、本実施の形態１によれば、音響センサ又は振動センサにより取得された音響信号又は振動信号を用いて学習された機械学習モデル１３を利用する。これにより、光ファイバセンシングにより取得された観測信号を用いたモデル学習が不要になる。
【0058】
また、本実施の形態１によれば、機械学習モデル１３を利用して、観測信号及び雑音信号のそれぞれから、光ファイバに沿った地点でイベントが発生している事後確率を導出する。そして、観測信号から導出された事後確率と、雑音信号から導出された事後確率と、を比較し、その比較結果から、最終的に、イベントが発生している事後確率を導出する。これにより、光学的ノイズの影響が排除されるため、イベントの認識性能の向上を図れる。
【0059】
＜実施の形態２＞
本実施の形態２は、上述した実施の形態１を上位概念化した実施の形態に相当する。
まず、図８を参照して、本実施の形態２に係るイベント認識装置２０の構成例について説明する。
図８に示されるように、本実施の形態２に係るイベント認識装置２０は、取得部２１、導出部２２、及び比較部２４を備えている。
本実施の形態２は、上述した実施の形態１を上位概念化した実施の形態に相当する。
まず、図８を参照して、本実施の形態２に係るイベント認識装置２０の構成例について説明する。
図８に示されるように、本実施の形態２に係るイベント認識装置２０は、取得部２１、導出部２２、及び比較部２４を備えている。
【0060】
取得部２１は、光ファイバに沿った地点で発生し、光ファイバセンシングにより検知された音響又は振動を示す観測信号を取得する。また、取得部２１は、光ファイバに沿った地点に存在する光学的ノイズを示す雑音信号を取得する。
【0061】
導出部２２は、音響センサ又は振動センサにより取得された音響信号又は振動信号の統計的情報２３を保持する。そして、導出部２２は、統計的情報２３を利用して、観測信号から、光ファイバに沿った地点で少なくとも１つのイベントが発生している事後確率を導出すると共に、雑音信号から、光ファイバに沿った地点で少なくとも１つのイベントが発生している事後確率を導出する。
【0062】
比較部２４は、観測信号から導出された事後確率と雑音信号から導出された事後確率とを比較し、その比較結果から、光ファイバに沿った地点で少なくとも１つのイベントが発生している事後確率を導出し、その導出結果を出力する。
【0063】
このように、本実施の形態２によれば、音響センサ又は振動センサにより取得された音響信号又は振動信号の統計的情報２３を利用する。これにより、光ファイバセンシングにより取得された観測信号を用いたモデル学習が不要になる。
【0064】
また、本実施の形態２によれば、統計的情報２３を利用して、観測信号及び雑音信号のそれぞれから、光ファイバに沿った地点でイベントが発生している事後確率を導出する。そして、観測信号から導出された事後確率と、雑音信号から導出された事後確率と、を比較し、その比較結果から、最終的に、イベントが発生している事後確率を導出する。これにより、光学的ノイズの影響が排除されるため、イベントの認識性能の向上を図れる。
【0065】
なお、統計的情報２３は、入力信号に対して、少なくとも１つのイベントが発生している事後確率を出力する機械学習モデルであっても良い。また、機械学習モデルは、音響センサ又は振動センサにより取得された音響信号又は振動信号により学習されたモデルであっても良い。また、導出部２２は、観測信号を機械学習モデルに入力信号として入力することで、観測信号から事後確率を導出すると共に、雑音信号を機械学習モデルに入力信号として入力することで、雑音信号から事後確率を導出しても良い。
また、導出部２２は、機械学習モデルを再学習なしに利用しても良い。
また、導出部２２は、機械学習モデルを再学習なしに利用しても良い。
【0066】
また、一例では、観測信号は、音響を示す信号であり、機械学習モデルは、音響センサとしてのマイクロフォンにより取得された音響信号により学習されたモデルであっても良い。
【0067】
また、他の例では、観測信号は、振動を示す信号であり、機械学習モデルは、振動センサとしての加速度センサ又はハイドロフォンにより取得された振動信号により学習されたモデルであっても良い。
【0068】
＜実施の形態に係るイベント認識装置のハードウェア構成＞
続いて、図９を参照して、上述した各実施の形態１，２に係るイベント認識装置１０，２０を実現するコンピュータのハードウェア構成例について説明する。
続いて、図９を参照して、上述した各実施の形態１，２に係るイベント認識装置１０，２０を実現するコンピュータのハードウェア構成例について説明する。
【0069】
図９に示されるように、コンピュータ９０は、プロセッサ９１、メモリ９２、ストレージ９３、入出力インタフェース（入出力Ｉ／Ｆ）９４、及び通信インタフェース（通信Ｉ／Ｆ）９５などを備えている。プロセッサ９１、メモリ９２、ストレージ９３、入出力インタフェース９４、及び通信インタフェース９５は、相互にデータを送受信するためのデータ伝送路で接続されている。
【0070】
プロセッサ９１は、例えばＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）などの演算処理装置である。メモリ９２は、例えばＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）などのメモリである。ストレージ９３は、例えばＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、又はメモリカードなどの記憶装置である。また、ストレージ９３は、ＲＡＭやＲＯＭなどのメモリであっても良い。
【0071】
ストレージ９３には、プログラムが記憶される。このプログラムは、コンピュータに読み込まれた場合に、上述したイベント認識装置１０，２０における１又はそれ以上の機能をコンピュータ９０に行わせるための命令群（又はソフトウェアコード）を含む。上述したイベント認識装置１０，２０における構成要素は、プロセッサ９１がストレージ９３に記憶されたプログラムを読み込んで実行することにより実現されても良い。また、上述したイベント認識装置１０，２０における記憶機能は、メモリ９２又はストレージ９３により実現されても良い。
【0072】
また、上述したプログラムは、非一時的なコンピュータ可読媒体又は実体のある記憶媒体に格納されても良い。限定ではなく例として、コンピュータ可読媒体又は実体のある記憶媒体は、ＲＡＭ、ＲＯＭ、フラッシュメモリ、ＳＳＤ又はその他のメモリ技術、ＣＤ（Compact Disc）－ＲＯＭ、ＤＶＤ（Digital Versatile Disc）、Ｂｌｕ－ｒａｙ（登録商標）ディスク又はその他の光ディスクストレージ、磁気カセット、磁気テープ、磁気ディスクストレージ又はその他の磁気ストレージデバイスを含む。プログラムは、一時的なコンピュータ可読媒体又は通信媒体上で送信されても良い。限定ではなく例として、一時的なコンピュータ可読媒体又は通信媒体は、電気的、光学的、音響的、又はその他の形式の伝搬信号を含む。
【0073】
入出力インタフェース９４は、表示装置９４１、入力装置９４２、音出力装置９４３などと接続される。表示装置９４１は、ＬＣＤ（Liquid Crystal Display）、ＣＲＴ（Cathode Ray Tube）ディスプレイ、モニタのような、プロセッサ９１により処理された描画データに対応する画面を表示する装置である。入力装置９４２は、オペレータの操作入力を受け付ける装置であり、例えば、キーボード、マウス、及びタッチセンサなどである。表示装置９４１及び入力装置９４２は一体化され、タッチパネルとして実現されていても良い。音出力装置９４３は、スピーカのような、プロセッサ９１により処理された音響データに対応する音を音響出力する装置である。
【0074】
通信インタフェース９５は、外部の装置との間でデータを送受信する。例えば、通信インタフェース９５は、有線通信路又は無線通信路を介して外部装置と通信する。
【0075】
以上、実施の形態を参照して本開示を説明したが、本開示は上述した実施の形態に限定されるものではない。本開示の構成や詳細には、本開示のスコープ内で当業者が理解し得る様々な変更をすることができる。そして、各実施の形態は、適宜、他の実施の形態と組み合わせることができる。
【0076】
また、上述した実施の形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
（付記１）
光ファイバに沿った地点で発生し、光ファイバセンシングにより検知された音響又は振動を示す観測信号を取得すると共に、前記光ファイバに沿った地点に存在する光学的ノイズを示す雑音信号を取得する取得部と、
音響センサ又は振動センサにより取得された音響信号又は振動信号の統計的情報を利用して、前記観測信号から、前記光ファイバに沿った地点で少なくとも１つのイベントが発生している事後確率を導出すると共に、前記雑音信号から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出する導出部と、
前記観測信号から導出された事後確率と前記雑音信号から導出された事後確率とを比較し、該比較結果から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出し、該導出結果を出力する比較部と、
を備える、イベント認識装置。
（付記２）
前記統計的情報は、入力信号に対して、前記少なくとも１つのイベントが発生している事後確率を出力する機械学習モデルであり、
前記機械学習モデルは、前記音響センサ又は前記振動センサにより取得された前記音響信号又は前記振動信号により学習されたモデルであり、
前記導出部は、前記観測信号を前記機械学習モデルに前記入力信号として入力することで、前記観測信号から事後確率を導出すると共に、前記雑音信号を前記機械学習モデルに前記入力信号として入力することで、前記雑音信号から事後確率を導出する、
付記１に記載のイベント認識装置。
（付記３）
前記導出部は、前記機械学習モデルを再学習なしに利用する、
付記２に記載のイベント認識装置。
（付記４）
前記観測信号は、音響を示す信号であり、
前記機械学習モデルは、前記音響センサとしてのマイクロフォンにより取得された音響信号により学習されたモデルである、
付記２に記載のイベント認識装置。
（付記５）
前記観測信号は、振動を示す信号であり、
前記機械学習モデルは、前記振動センサとしての加速度センサ又はハイドロフォンにより取得された振動信号により学習されたモデルである、
付記２に記載のイベント認識装置。
（付記６）
イベント認識装置によるイベント認識方法であって、
光ファイバに沿った地点で発生し、光ファイバセンシングにより検知された音響又は振動を示す観測信号を取得すると共に、前記光ファイバに沿った地点に存在する光学的ノイズを示す雑音信号を取得する取得ステップと、
音響センサ又は振動センサにより取得された音響信号又は振動信号の統計的情報を利用して、前記観測信号から、前記光ファイバに沿った地点で少なくとも１つのイベントが発生している事後確率を導出すると共に、前記雑音信号から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出する導出ステップと、
前記観測信号から導出された事後確率と前記雑音信号から導出された事後確率とを比較し、該比較結果から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出し、該導出結果を出力する比較ステップと、
を含む、イベント認識方法。
（付記７）
前記統計的情報は、入力信号に対して、前記少なくとも１つのイベントが発生している事後確率を出力する機械学習モデルであり、
前記機械学習モデルは、前記音響センサ又は前記振動センサにより取得された前記音響信号又は前記振動信号により学習されたモデルであり、
前記導出ステップでは、前記観測信号を前記機械学習モデルに前記入力信号として入力することで、前記観測信号から事後確率を導出すると共に、前記雑音信号を前記機械学習モデルに前記入力信号として入力することで、前記雑音信号から事後確率を導出する、
付記６に記載のイベント認識方法。
（付記８）
前記導出ステップでは、前記機械学習モデルを再学習なしに利用する、
付記７に記載のイベント認識方法。
（付記９）
前記観測信号は、音響を示す信号であり、
前記機械学習モデルは、前記音響センサとしてのマイクロフォンにより取得された音響信号により学習されたモデルである、
付記７に記載のイベント認識方法。
（付記１０）
前記観測信号は、振動を示す信号であり、
前記機械学習モデルは、前記振動センサとしての加速度センサ又はハイドロフォンにより取得された振動信号により学習されたモデルである、
付記７に記載のイベント認識方法。
（付記１１）
コンピュータに、
光ファイバに沿った地点で発生し、光ファイバセンシングにより検知された音響又は振動を示す観測信号を取得すると共に、前記光ファイバに沿った地点に存在する光学的ノイズを示す雑音信号を取得する取得手順と、
音響センサ又は振動センサにより取得された音響信号又は振動信号の統計的情報を利用して、前記観測信号から、前記光ファイバに沿った地点で少なくとも１つのイベントが発生している事後確率を導出すると共に、前記雑音信号から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出する導出手順と、
前記観測信号から導出された事後確率と前記雑音信号から導出された事後確率とを比較し、該比較結果から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出し、該導出結果を出力する比較手順と、
を実行させるプログラム。
（付記１２）
前記統計的情報は、入力信号に対して、前記少なくとも１つのイベントが発生している事後確率を出力する機械学習モデルであり、
前記機械学習モデルは、前記音響センサ又は前記振動センサにより取得された前記音響信号又は前記振動信号により学習されたモデルであり、
前記導出手順では、前記観測信号を前記機械学習モデルに前記入力信号として入力することで、前記観測信号から事後確率を導出すると共に、前記雑音信号を前記機械学習モデルに前記入力信号として入力することで、前記雑音信号から事後確率を導出する、
付記１１に記載のプログラム。
（付記１３）
前記導出手順では、前記機械学習モデルを再学習なしに利用する、
付記１２に記載のプログラム。
（付記１４）
前記観測信号は、音響を示す信号であり、
前記機械学習モデルは、前記音響センサとしてのマイクロフォンにより取得された音響信号により学習されたモデルである、
付記１２に記載のプログラム。
（付記１５）
前記観測信号は、振動を示す信号であり、
前記機械学習モデルは、前記振動センサとしての加速度センサ又はハイドロフォンにより取得された振動信号により学習されたモデルである、
付記１２に記載のプログラム。
（付記１）
光ファイバに沿った地点で発生し、光ファイバセンシングにより検知された音響又は振動を示す観測信号を取得すると共に、前記光ファイバに沿った地点に存在する光学的ノイズを示す雑音信号を取得する取得部と、
音響センサ又は振動センサにより取得された音響信号又は振動信号の統計的情報を利用して、前記観測信号から、前記光ファイバに沿った地点で少なくとも１つのイベントが発生している事後確率を導出すると共に、前記雑音信号から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出する導出部と、
前記観測信号から導出された事後確率と前記雑音信号から導出された事後確率とを比較し、該比較結果から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出し、該導出結果を出力する比較部と、
を備える、イベント認識装置。
（付記２）
前記統計的情報は、入力信号に対して、前記少なくとも１つのイベントが発生している事後確率を出力する機械学習モデルであり、
前記機械学習モデルは、前記音響センサ又は前記振動センサにより取得された前記音響信号又は前記振動信号により学習されたモデルであり、
前記導出部は、前記観測信号を前記機械学習モデルに前記入力信号として入力することで、前記観測信号から事後確率を導出すると共に、前記雑音信号を前記機械学習モデルに前記入力信号として入力することで、前記雑音信号から事後確率を導出する、
付記１に記載のイベント認識装置。
（付記３）
前記導出部は、前記機械学習モデルを再学習なしに利用する、
付記２に記載のイベント認識装置。
（付記４）
前記観測信号は、音響を示す信号であり、
前記機械学習モデルは、前記音響センサとしてのマイクロフォンにより取得された音響信号により学習されたモデルである、
付記２に記載のイベント認識装置。
（付記５）
前記観測信号は、振動を示す信号であり、
前記機械学習モデルは、前記振動センサとしての加速度センサ又はハイドロフォンにより取得された振動信号により学習されたモデルである、
付記２に記載のイベント認識装置。
（付記６）
イベント認識装置によるイベント認識方法であって、
光ファイバに沿った地点で発生し、光ファイバセンシングにより検知された音響又は振動を示す観測信号を取得すると共に、前記光ファイバに沿った地点に存在する光学的ノイズを示す雑音信号を取得する取得ステップと、
音響センサ又は振動センサにより取得された音響信号又は振動信号の統計的情報を利用して、前記観測信号から、前記光ファイバに沿った地点で少なくとも１つのイベントが発生している事後確率を導出すると共に、前記雑音信号から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出する導出ステップと、
前記観測信号から導出された事後確率と前記雑音信号から導出された事後確率とを比較し、該比較結果から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出し、該導出結果を出力する比較ステップと、
を含む、イベント認識方法。
（付記７）
前記統計的情報は、入力信号に対して、前記少なくとも１つのイベントが発生している事後確率を出力する機械学習モデルであり、
前記機械学習モデルは、前記音響センサ又は前記振動センサにより取得された前記音響信号又は前記振動信号により学習されたモデルであり、
前記導出ステップでは、前記観測信号を前記機械学習モデルに前記入力信号として入力することで、前記観測信号から事後確率を導出すると共に、前記雑音信号を前記機械学習モデルに前記入力信号として入力することで、前記雑音信号から事後確率を導出する、
付記６に記載のイベント認識方法。
（付記８）
前記導出ステップでは、前記機械学習モデルを再学習なしに利用する、
付記７に記載のイベント認識方法。
（付記９）
前記観測信号は、音響を示す信号であり、
前記機械学習モデルは、前記音響センサとしてのマイクロフォンにより取得された音響信号により学習されたモデルである、
付記７に記載のイベント認識方法。
（付記１０）
前記観測信号は、振動を示す信号であり、
前記機械学習モデルは、前記振動センサとしての加速度センサ又はハイドロフォンにより取得された振動信号により学習されたモデルである、
付記７に記載のイベント認識方法。
（付記１１）
コンピュータに、
光ファイバに沿った地点で発生し、光ファイバセンシングにより検知された音響又は振動を示す観測信号を取得すると共に、前記光ファイバに沿った地点に存在する光学的ノイズを示す雑音信号を取得する取得手順と、
音響センサ又は振動センサにより取得された音響信号又は振動信号の統計的情報を利用して、前記観測信号から、前記光ファイバに沿った地点で少なくとも１つのイベントが発生している事後確率を導出すると共に、前記雑音信号から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出する導出手順と、
前記観測信号から導出された事後確率と前記雑音信号から導出された事後確率とを比較し、該比較結果から、前記光ファイバに沿った地点で前記少なくとも１つのイベントが発生している事後確率を導出し、該導出結果を出力する比較手順と、
を実行させるプログラム。
（付記１２）
前記統計的情報は、入力信号に対して、前記少なくとも１つのイベントが発生している事後確率を出力する機械学習モデルであり、
前記機械学習モデルは、前記音響センサ又は前記振動センサにより取得された前記音響信号又は前記振動信号により学習されたモデルであり、
前記導出手順では、前記観測信号を前記機械学習モデルに前記入力信号として入力することで、前記観測信号から事後確率を導出すると共に、前記雑音信号を前記機械学習モデルに前記入力信号として入力することで、前記雑音信号から事後確率を導出する、
付記１１に記載のプログラム。
（付記１３）
前記導出手順では、前記機械学習モデルを再学習なしに利用する、
付記１２に記載のプログラム。
（付記１４）
前記観測信号は、音響を示す信号であり、
前記機械学習モデルは、前記音響センサとしてのマイクロフォンにより取得された音響信号により学習されたモデルである、
付記１２に記載のプログラム。
（付記１５）
前記観測信号は、振動を示す信号であり、
前記機械学習モデルは、前記振動センサとしての加速度センサ又はハイドロフォンにより取得された振動信号により学習されたモデルである、
付記１２に記載のプログラム。
【符号の説明】
【0077】
１０，２０ イベント認識装置
１１，２１ 取得部
１２，２２ 導出部
１３ 機械学習モデル
１４，２４ 比較部
２３ 統計的情報
９０ コンピュータ
９１ プロセッサ
９２ メモリ
９３ ストレージ
９４ 入出力インタフェース
９４１ 表示装置
９４２ 入力装置
９４３ 音出力装置
９５ 通信インタフェース
１１，２１ 取得部
１２，２２ 導出部
１３ 機械学習モデル
１４，２４ 比較部
２３ 統計的情報
９０ コンピュータ
９１ プロセッサ
９２ メモリ
９３ ストレージ
９４ 入出力インタフェース
９４１ 表示装置
９４２ 入力装置
９４３ 音出力装置
９５ 通信インタフェース
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】