特許 7511189 推定装置、推定方法、および、プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-06-27

(45)【発行日】2024-07-05

(54)【発明の名称】推定装置、推定方法、および、プログラム

(51)【国際特許分類】

   G01V 3/12 20060101AFI20240628BHJP

   G01S 7/02 20060101ALI20240628BHJP

【ＦＩ】

G01V3/12 A

G01S7/02 210

【請求項の数】 14

(21)【出願番号】P 2021548165

(86)(22)【出願日】2021-02-17

(86)【国際出願番号】 JP2021005890

(87)【国際公開番号】W WO2021172126

(87)【国際公開日】2021-09-02

【審査請求日】2023-06-27

(31)【優先権主張番号】P 2020031770

(32)【優先日】2020-02-27

(33)【優先権主張国・地域又は機関】JP

(73)【特許権者】

【識別番号】314012076

【氏名又は名称】パナソニックＩＰマネジメント株式会社

(74)【代理人】

【識別番号】100109210

【弁理士】

【氏名又は名称】新居 広守

(74)【代理人】

【識別番号】100137235

【弁理士】

【氏名又は名称】寺谷 英作

(74)【代理人】

【識別番号】100131417

【弁理士】

【氏名又は名称】道坂 伸一

(72)【発明者】

【氏名】飯塚 翔一

(72)【発明者】

【氏名】中山 武司

(72)【発明者】

【氏名】本間 尚樹

(72)【発明者】

【氏名】白木 信之

【審査官】森口 正治

(56)【参考文献】

【文献】特開２０１９－１１７０５５（ＪＰ，Ａ）

【文献】特開２０１９－１９７０３９（ＪＰ，Ａ）

【文献】特開２０１４－２２８２９１（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０１Ｖ １／００－９９／００

Ｇ０１Ｓ ７／０２

(57)【特許請求の範囲】

【請求項1】

１以上の生体が存在する空間にＮ個（Ｎは２以上の自然数）の送信アンテナ素子から送信され、Ｍ個（Ｍは２以上の自然数）の受信アンテナ素子で受信された電波の受信信号を用いて、前記送信アンテナ素子と前記受信アンテナ素子との間の伝搬特性を示す複素伝達関数を算出する複素伝達関数算出部と、
（ａ）互いに異なる複数の数値のそれぞれを生体数として用いて、前記複素伝達関数に含まれる生体に対応する成分である生体情報から、前記生体の存在を推定する推定アルゴリズムを用いて導出される、前記存在の尤度を示す尤度スペクトルを算出し、
（ｂ）算出した複数の前記尤度スペクトルを統合した統合スペクトルを算出する、スペクトル算出部と、
前記統合スペクトルから、前記空間に存在する生体数を少なくとも示す生体情報を推定して出力する推定部と、を備える
推定装置。

【請求項2】

前記推定部は、前記統合スペクトルから、前記空間に存在する生体の位置をさらに示す前記生体情報を推定して出力する
請求項１に記載の推定装置。

【請求項3】

前記スペクトル算出部は、
（前記Ｎ×前記Ｍ－１）以下の複数の自然数、前記Ｎ以下の複数の自然数、または、前記Ｍ以下の複数の自然数を、前記複数の数値として用いて、前記尤度スペクトルを算出する
請求項１または２に記載の推定装置。

【請求項4】

前記スペクトル算出部は、
前記空間に存在し得る生体の最大数として定められた数以下の複数の自然数を、前記複数の数値として用いて、前記尤度スペクトルを算出する
請求項１または２に記載の推定装置。

【請求項5】

さらに、過去に前記推定部が推定した前記生体情報を記憶している記憶部を備え、
前記スペクトル算出部は、前記記憶部に記憶されている前記生体情報に示される前記生体数を含む範囲内の複数の自然数を、前記複数の数値として用いて、前記尤度スペクトルを算出する
請求項１または２に記載の推定装置。

【請求項6】

前記推定部は、
前記尤度スペクトルの複数の極大値のうちの一以上の極大値であって、当該極大値を含む所定範囲において当該極大値が最大値である一以上の極大値を取得し、
取得した前記一以上の極大値のうちの第一極大値であって、前記第一極大値と、前記第一極大値の次に大きい第二極大値との差異が最大である第一極大値を決定し、
決定した前記第一極大値が、前記一以上の極大値のうち何番目に大きいかを示す数を、前記生体数と推定する
請求項１～５のいずれか１項に記載の推定装置。

【請求項7】

前記推定部は、
前記一以上の極大値のうちの一以上の第三極大値であって、当該第三極大値と、当該第三極大値を含む所定範囲に含まれる値に所定の割合を乗じた値との差異が閾値以上である一以上の第三極大値のみを、前記一以上の極大値として用いて、前記第一極大値を決定する
請求項６に記載の推定装置。

【請求項8】

前記推定部は、
前記尤度スペクトルにおける尤度が閾値以上である区間の個数を、前記生体数と推定する
請求項１～５のいずれか１項に記載の推定装置。

【請求項9】

前記推定部は、
前記空間における生体の存在の尤度を示す尤度スペクトルを示す画像と、前記生体の数とを教師データとして機械学習により事前に作成したモデルに、前記スペクトル算出部が算出した前記統合スペクトルを入力することで出力される生体数を、前記生体数と推定する
請求項１～５のいずれか１項に記載の推定装置。

【請求項10】

前記推定部は、畳み込みニューラルネットワークモデルを前記モデルとして用いて、前記生体情報を出力する
請求項９に記載の推定装置。

【請求項11】

前記スペクトル算出部は、前記推定アルゴリズムとして、前記空間に存在する生体数が入力された場合に入力された前記生体数の前記生体の存在を推定する推定アルゴリズムを用いて、前記尤度スペクトルを算出する
請求項１～１０のいずれか１項に記載の推定装置。

【請求項12】

前記スペクトル算出部は、ＭＵＳＩＣ（ＭＵｌｔｉｐｌｅ ＳＩｇｎａｌ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ）法を、前記推定アルゴリズムとして用いて、前記尤度スペクトルを算出する
請求項１～１１のいずれか１項に記載の推定装置。

【請求項13】

１以上の生体が存在する空間にＮ個（Ｎは２以上の自然数）の送信アンテナ素子から送信され、Ｍ個（Ｍは２以上の自然数）の受信アンテナ素子で受信された電波の受信信号を用いて、前記送信アンテナ素子と前記受信アンテナ素子との間の伝搬特性を示す複素伝達関数を算出し、
互いに異なる複数の数値のそれぞれを生体数として用いて、前記複素伝達関数に含まれる生体に対応する成分である生体情報から、前記生体の存在を推定する推定アルゴリズムを用いて導出される、前記存在の尤度を示す尤度スペクトルを算出し、
算出した複数の前記尤度スペクトルを統合した統合スペクトルを算出し、
前記統合スペクトルから、前記空間に存在する生体数を少なくとも示す生体情報を推定して出力する
推定方法。

【請求項14】

請求項１３に記載の推定方法をコンピュータに実行させるプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、推定装置、推定方法、および、プログラムに関する。

【背景技術】

【0002】

無線で送信される信号を利用して検出対象を検出する技術が開発されている（例えば特許文献１参照）。

【0003】

特許文献１には、無線で受信した信号に対してフーリエ変換を用いてドップラーシフトを含む成分の固有値を解析することで、検出対象である生体の数または位置を知ることができることが開示されている。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２０１５－１１７９７２号公報

【文献】特開２０１４－２２８２９１号公報

【文献】特許第５０４７００２号公報

【文献】特許第５０２５１７０号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

検出対象を検出するアルゴリズムによっては、検出対象の数をアルゴリズムに入力する必要があることがある。その場合、検出対象の数が不明であるときには、検出対象を検出することができないという問題がある。

【0006】

本開示は、検出対象である生体の数が不明である場合にも生体に関する情報を推定できる推定装置など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】

【0007】

本開示における推定装置は、１以上の生体が存在する空間にＮ個（Ｎは２以上の自然数）の送信アンテナ素子から送信され、Ｍ個（Ｍは２以上の自然数）の受信アンテナ素子で受信された電波の受信信号を用いて、前記送信アンテナ素子と前記受信アンテナ素子との間の伝搬特性を示す複素伝達関数を算出する複素伝達関数算出部と、（ａ）互いに異なる複数の数値のそれぞれを生体数として用いて、前記複素伝達関数に含まれる生体に対応する成分である生体情報から、前記生体の存在を推定する推定アルゴリズムを用いて導出される、前記存在の尤度を示す尤度スペクトルを算出し、（ｂ）算出した複数の前記尤度スペクトルを統合した統合スペクトルを算出する、スペクトル算出部と、前記統合スペクトルから、前記空間に存在する生体数を少なくとも示す生体情報を推定して出力する推定部と、を備える推定装置である。

【0008】

なお、これらの包括的または具体的な態様は、システム、方法、集積回路、コンピュータプログラムまたはコンピュータ読み取り可能なＣＤ－ＲＯＭなどの記録媒体で実現されてもよく、システム、方法、集積回路、コンピュータプログラムおよび記録媒体の任意な組み合わせで実現されてもよい。

【発明の効果】

【0009】

本開示の推定装置によれば、検出対象である生体の数が不明である場合にも生体に関する情報を推定することができる。

【図面の簡単な説明】

【0010】

【図1】図１は、実施の形態１におけるセンサの構成を示すブロック図である。

【図2】図２は、実施の形態１におけるセンサによる到来方向の推定を示す概念図である。

【図3】図３は、実施の形態１における推定部の構成を示すブロック図である。

【図4】図４は、実施の形態１におけるピーク探索部の動作を表す概念図である。

【図5】図５は、実施の形態１における検定部の動作を表す概念図である。

【図6】図６は、実施の形態１におけるセンサの処理を示すフローチャートである。

【図7】図７は、実施の形態１におけるセンサの人情報の算出処理を示すフローチャートである。

【図8】図８は、実施の形態２における推定部の構成を表すブロック図である。

【図9】図９は、実施の形態２におけるブロック検出部の動作を表す概念図である。

【図10】図１０は、実施の形態３における推定部の構成を表すブロック図である。

【発明を実施するための形態】

【0011】

（本開示の基礎となった知見）
本発明者は、「背景技術」の欄において記載した、検出に関する技術について、以下の問題が生じることを見出した。

【0012】

従来、無線で送信される信号を利用して検出対象を検出する技術が開発されている（例えば特許文献１～４参照）。

【0013】

例えば、特許文献１には、フーリエ変換を用いてドップラーシフトを含む成分の固有値を解析することで、検出対象である人物の数または位置を推定する技術が開示されている。具体的には、特許文献１の処理装置は、受信信号に対してフーリエ変換を行い、特定の周波数成分を抽出した波形に対して自己相関行列を求め、その自己相関行列を固有値分解して固有値を求める。一般に、固有値および固有ベクトルは、それぞれが送信アンテナから受信アンテナに至る電波の伝搬経路、すなわちパスの１本を表している。しかし、特許文献１の技術では、生体情報が含まれない成分は除去されているため、生体により反射された信号に対応するパスとその二次反射、および雑音に対応するパスのみが、固有値および固有ベクトルに現れる。ここで、雑音に対応する固有値の値は、生体に対応する固有値の値よりも小さいため、その固有値のうち、所定の閾値よりも大きいものの個数を数え上げることで生体数が推定可能である。

【0014】

しかしながら、特許文献１に開示される技術では、検出対象となる生体が検出装置から比較的遠い位置に存在する場合、または、生体の数が比較的多い場合には、生体に対応する固有値と雑音に対応する固有値との差が縮まり、人数推定の精度が低下するという問題がある。なぜなら、ドップラー効果が非常に弱い状況では、受信機が持つ内部雑音、または、検出対象以外から飛来する干渉波の影響、および、検出対象以外にドップラーシフトを発生させる物体が存在するなどの影響を受け、ドップラーシフトをしている微弱な信号を検出することが難しくなるからである。また、測定対象となる生体がある程度の大きさを持っており、生体の成分が複数の固有値にまたがって分布するので、生体数が比較的多い場合には、生体の固有値の分離が完全にはできなくなり、人数推定が困難になる。

【0015】

特許文献２には、ＭＵＳＩＣ（ＭＵｌｔｉｐｌｅ ＳＩｇｎａｌ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ）法などの方向推定アルゴリズムを利用して、対象物の位置を推定する技術が開示されている。具体的には、送信局が発した信号を受信した受信局は、受信信号に対してフーリエ変換を行い、特定の周波数成分を抽出した波形に対して自己相関行列を求め、ＭＵＳＩＣ法などの方向推定アルゴリズムを適用する。これにより、高い精度で方向推定が可能である。しかしながら、特許文献２で用いるＭＵＳＩＣ法は、検出対象となる生体数が与えられる必要があるので、特許文献２の技術を用いた検出では、あらかじめ人数を推定しておくことが必要である。

【0016】

また、例えば特許文献３には、複数のアンテナにより受信された受信信号の固有ベクトルと、電波の到来する可能性のある範囲のステアリングベクトルとの相関から到来波数、すなわち携帯電話など送信機の数を推定する技術が開示されている。

【0017】

また、例えば特許文献４には、複数のアンテナにより受信された受信信号に対し様々な到来波数を仮定し、それぞれに対してステアリングベクトルを用いた評価関数を算出し、評価関数が最大となる到来波数を、真の到来波数として推定する技術が開示されている。

【0018】

しかしながら、特許文献３～４に開示される技術は、電波を発する送信機の数を推定する技術であり、生体の数を推定することはできない。

【0019】

そこで、発明者らはこれらのことを鑑み、対象となる生体に送信機などの特別な機器を所持させずに、無線信号を利用して、より正確かつ、より多くの生体数を推定できる推定装置などを見出し、本開示に至った。

【0020】

本開示の一様態に係る推定装置は、１以上の生体が存在する空間にＮ個（Ｎは２以上の自然数）の送信アンテナ素子から送信され、Ｍ個（Ｍは２以上の自然数）の受信アンテナ素子で受信された電波の受信信号を用いて、前記送信アンテナ素子と前記受信アンテナ素子との間の伝搬特性を示す複素伝達関数を算出する複素伝達関数算出部と、（ａ）互いに異なる複数の数値のそれぞれを生体数として用いて、前記複素伝達関数に含まれる生体に対応する成分である生体情報から、前記生体の存在を推定する推定アルゴリズムを用いて導出される、前記存在の尤度を示す尤度スペクトルを算出し、（ｂ）算出した複数の前記尤度スペクトルを統合した統合スペクトルを算出する、スペクトル算出部と、前記統合スペクトルから、前記空間に存在する生体数を少なくとも示す生体情報を推定して出力する推定部と、を備える推定装置である。

【0021】

上記態様によれば、推定装置は、検出対象である生体の数として互いに異なる複数の数値を用いて算出した複数の尤度スペクトルを統合した統合スペクトルを用いて、空間に存在する生体に関する情報を出力するので、検出対象である生体の数の入力を必要としない。よって、推定装置は、検出対象である生体の数が不明である場合にも生体に関する情報を推定できる。

【0022】

例えば、前記推定部は、前記統合スペクトルから、前記空間に存在する生体の位置をさらに示す前記生体情報を推定して出力してもよい。

【0023】

上記態様によれば、推定装置は、生体に関する情報として、生体の数に加えて、生体の位置を示す情報を推定できる。よって、推定装置は、検出対象である生体の数が不明である場合にも、生体に関する、より多くの情報を推定できる。

【0024】

例えば、前記スペクトル算出部は、（前記Ｎ×前記Ｍ－１）以下の複数の自然数、前記Ｎ以下の複数の自然数、または、前記Ｍ以下の複数の自然数を、前記複数の数値として用いて、前記尤度スペクトルを算出してもよい。

【0025】

上記態様によれば、推定装置は、送信アンテナ素子の個数および受信アンテナ素子の個数の少なくとも一方を用いて複数の尤度スペクトルを算出する。複素伝達関数の生体情報を用いる場合、推定される生体数が送信アンテナ素子数と受信アンテナ素子数との積以下である場合に生体情報がより精度よく定められ、また、推定される生体数が送信アンテナ素子数以下または受信アンテナ素子数以下である場合に生体情報がさらに精度よく定められる。よって、推定装置は、検出対象である生体の数が不明である場合にも、より容易に、かつ、より精度よく、生体に関する情報を推定できる。

【0026】

例えば、前記スペクトル算出部は、前記空間に存在し得る生体の最大数として定められた数以下の複数の自然数を、前記複数の数値として用いて、前記尤度スペクトルを算出してもよい。

【0027】

上記態様によれば、推定装置は、空間に存在し得る生体の最大数として定められた数を用いて複数の尤度スペクトルを算出する。空間に存在し得る生体の最大数は、例えば、空間の大きさ（面積または容積）によってあらかじめ定められていることがある。その場合には、その最大数以下の数の生体が空間に存在していると想定され、言い換えれば、その最大数を超える数の生態が空間に存在していることを想定する必要がない。よって、その最大数以下の複数の自然数を用いて複数の尤度スペクトルを算出することで、計算処理を必要かつ十分な量に抑制でき、必要以上に多い生体を想定した計算処理をすることを未然に回避できる。よって、推定装置は、必要かつ十分な計算処理により、検出対象である生体の数が不明である場合にも生体に関する情報を推定できる。

【0028】

例えば、さらに、過去に前記推定部が推定した前記生体情報を記憶している記憶部を備え、前記スペクトル算出部は、前記記憶部に記憶されている前記生体情報に示される前記生体数を含む範囲内の複数の自然数を、前記複数の数値として用いて、前記尤度スペクトルを算出してもよい。

【0029】

上記態様によれば、推定装置は、過去に空間に存在していた生体の数を用いて複数の尤度スペクトルを算出する。これにより、過去に空間に存在していた生体の数と同等の数の生体が存在すると想定される空間において、より容易に、複数の尤度スペクトルを算出することができる。よって、推定装置は、より容易に、検出対象である生体の数が不明である場合にも生体に関する情報を推定できる。

【0030】

例えば、前記推定部は、前記尤度スペクトルの複数の極大値のうちの一以上の極大値であって、当該極大値を含む所定範囲において当該極大値が最大値である一以上の極大値を取得し、取得した前記一以上の極大値のうちの第一極大値であって、前記第一極大値と、前記第一極大値の次に大きい第二極大値との差異が最大である第一極大値を決定し、決定した前記第一極大値が、前記一以上の極大値のうち何番目に大きいかを示す数を、前記生体数と推定してもよい。

【0031】

上記態様によれば、推定装置は、比率法を用いて、尤度スペクトルが有する複数のピークから、虚像に基づくピークを除外して、生体に基づくピークの数を出力することができる。本願発明者らは、尤度スペクトルが有するピークのうち虚像に基づくピークは、ピーク値が比較的低い、または、比較的なだらかであるという特徴があることを見出し、その知見に基づいて、尤度スペクトルが有するピークのうち虚像に基づくピークを比率法を用いて除外する技術に想到した。推定装置は、尤度スペクトルが有する複数のピークを用いた処理を行い、言い換えれば、尤度に閾値を設ける必要がないので、閾値の設定の大小が処理に影響を与えることを回避できる。また、機械学習モデルを用いることがないので、教師データの用意および事前の学習処理のような準備作業が必要となるのを回避できる。よって、推定装置は、より容易に、検出対象である生体の数が不明である場合にも生体に関する情報を推定できる。

【0032】

例えば、前記推定部は、前記一以上の極大値のうちの一以上の第三極大値であって、当該第三極大値と、当該第三極大値を含む所定範囲に含まれる値に所定の割合を乗じた値との差異が閾値以上である一以上の第三極大値のみを、前記一以上の極大値として用いて、前記第一極大値を決定してもよい。

【0033】

上記態様によれば、推定装置は、尤度スペクトルが有するピークのうち虚像に基づくピークをより適切に除外できる。尤度スペクトルにおける虚像に基づくピークは、比較的なだらかであるので、極大値と、当該極大値を含む所定範囲に含まれる値に所定の割合を乗じた値との差異の大きさによって判別され得る。よって、推定装置は、虚像の影響を除外することで、より容易に、検出対象である生体の数が不明である場合にも生体に関する情報を推定できる。

【0034】

例えば、前記推定部は、前記尤度スペクトルにおける尤度が閾値以上である区間の個数を、前記生体数と推定してもよい。

【0035】

上記態様によれば、推定装置は、尤度スペクトルにおける尤度と閾値との大小に基づいて判別される区間を用いて、尤度スペクトルが有する複数のピークのうち、虚像に基づくピークを除外した、生体に基づくピークの数を出力することができる。本願発明者らは、上記知見に基づいて、尤度スペクトルが有するピークのうち虚像に基づくピークを、上記区間を用いる方法で除外する技術に想到した。推定装置は、上記区間を用いる方法を用い、言い換えれば、複数のピークを対象とした差分の比較の処理を行う必要がないので、処理を単純化することができる。また、機械学習モデルを用いたりすることがないので、教師データの用意および事前の学習処理のような準備作業が必要となるのを回避できる。よって、推定装置は、より容易に、検出対象である生体の数が不明である場合にも生体に関する情報を推定できる。

【0036】

例えば、前記推定部は、前記空間における生体の存在の尤度を示す尤度スペクトルを示す画像と、前記生体の数とを教師データとして機械学習により事前に作成したモデルに、前記スペクトル算出部が算出した前記統合スペクトルを入力することで出力される生体数を、前記生体数と推定してもよい。

【0037】

上記態様によれば、推定装置は、事前に機械学習により作成したモデルを用いて、虚像に基づくピークを除外した、生体に基づくピークの数を出力することができる。本願発明者らは、上記知見に基づいて、尤度スペクトルが有するピークのうち虚像に基づくピークを、機械学習により作成したモデルを用いる方法で除外する技術に想到した。推定装置は、機械学習により作成したモデルを用い、言い換えれば、複数のピークを対象とした差分の比較の処理を行う必要がないので、処理を単純化することができる。尤度に閾値を設ける必要がないので、閾値の設定の大小が処理に影響を与えることを回避できる。よって、推定装置は、より容易に、検出対象である生体の数が不明である場合にも生体に関する情報を推定できる。

【0038】

例えば、前記推定部は、畳み込みニューラルネットワークモデルを前記モデルとして用いて、前記生体情報を出力してもよい。

【0039】

上記態様によれば、推定装置は、畳み込みニューラルネットワークを用いて、より適切に、検出対象である生体の数が不明である場合にも生体に関する情報を推定できる。

【0040】

例えば、前記スペクトル算出部は、前記推定アルゴリズムとして、前記空間に存在する生体数が入力された場合に入力された前記生体数の前記生体の存在を推定する推定アルゴリズムを用いて、前記尤度スペクトルを算出してもよい。

【0041】

上記態様によれば、推定装置は、空間に存在する生体数が入力されることを前提とした推定アルゴリズムを用いて、空間に存在する生体数を入力することなく、空間に存在する生体に関する情報を得ることができる。よって、推定装置は、検出対象である生体の数が不明である場合にも生体に関する情報を推定できる。

【0042】

例えば、前記スペクトル算出部は、ＭＵＳＩＣ（ＭＵｌｔｉｐｌｅ ＳＩｇｎａｌ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ）法を、前記推定アルゴリズムとして用いて、前記尤度スペクトルを算出してもよい。

【0043】

上記態様によれば、推定装置は、ＭＵＳＩＣ法を用いて、検出対象である生体の数が不明である場合にも生体に関する情報を推定できる。

【0044】

また、本開示の一様態に係る推定方法は、１以上の生体が存在する空間にＮ個（Ｎは２以上の自然数）の送信アンテナ素子から送信され、Ｍ個（Ｍは２以上の自然数）の受信アンテナ素子で受信された電波の受信信号を用いて、前記送信アンテナ素子と前記受信アンテナ素子との間の伝搬特性を示す複素伝達関数を算出し、互いに異なる複数の数値のそれぞれを生体数として用いて、前記複素伝達関数に含まれる生体に対応する成分である生体情報から、前記生体の存在を推定する推定アルゴリズムを用いて導出される、前記存在の尤度を示す尤度スペクトルを算出し、算出した複数の前記尤度スペクトルを統合した統合スペクトルを算出し、前記統合スペクトルから、前記空間に存在する生体数を少なくとも示す生体情報を推定して出力する推定方法である。

【0045】

上記態様によれば、上記推定装置と同様の効果を奏する。

【0046】

また、本開示の一様態に係るプログラムは、上記の推定方法をコンピュータに実行させるプログラムである。

【0047】

上記態様によれば、上記推定装置と同様の効果を奏する。

【0048】

なお、本開示は、装置として実現するだけでなく、このような装置が備える処理手段を備える集積回路として実現したり、その装置を構成する処理手段をステップとする方法として実現したり、それらステップをコンピュータに実行させるプログラムとして実現したり、そのプログラムを示す情報、データまたは信号として実現したりすることもできる。そして、それらプログラム、情報、データおよび信号は、ＣＤ－ＲＯＭ等の記録媒体やインターネット等の通信媒体を介して配信してもよい。

【0049】

以下、本開示の実施の形態について図面を用いて詳細に説明する。なお、以下で説明する実施の形態は、いずれも本開示の好ましい一具体例を示すものである。以下の実施の形態で示される数値、形状、材料、構成要素、構成要素の配置位置及び接続形態、ステップ、ステップの順序などは、一例であり、本開示を限定する主旨ではない。また、以下の実施の形態における構成要素のうち、本開示の最上位概念を示す独立請求項に記載されていない構成要素については、より好ましい形態を構成する任意の構成要素として説明される。また、本明細書および図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。

【0050】

（実施の形態１）
以下では、図面を参照しながら実施の形態１におけるセンサ１の人数推定方法等の説明を行う。センサ１は、検出対象である生体の数が不明である場合にも生体に関する情報を推定することができる推定装置の一例である。

【0051】

［センサ１の構成］
図１は、実施の形態１におけるセンサ１の構成を示すブロック図である。図２は、実施の形態１におけるセンサ１による到来方向の推定を示す概念図である。

【0052】

図１に示すセンサ１は、複素伝達関数算出部３０と、生体成分抽出部４０と、相関行列算出部５０と、スペクトル算出部７０と、推定部８０とを備える。センサ１は、送信機１０と、受信機２０とに接続されている。なお、センサ１は、送信機１０と受信機２０との一方または両方を備えてもよい。なお、送信機１０と、受信機２０とは、同一の筐体内に配置されていてもよい。

【0053】

［送信機１０］
送信機１０は、送信部１１と送信アンテナ部１２とを備える。送信機１０は、空間Ｓに電波を送信する。空間Ｓには生体２００が存在すると想定される。生体２００は、例えば人（つまり人体）であり、この場合を例として説明する。

【0054】

送信アンテナ部１２は、Ｍ_Ｔ個の送信アンテナ素子＃１～＃Ｍ_Ｔを有するアレーアンテナで構成されている。送信アンテナ部１２は、例えば、素子間隔が半波長である４素子パッチアレーアンテナなどである。

【0055】

送信部１１は、高周波の信号を生成する。送信部１１が生成する高周波の信号は、生体２００の在不在、位置、または、人数を推定するために用いられ得る。例えば、送信部１１は、２．４ＧＨｚのＣＷ（Ｃｏｎｔｉｎｕｏｕｓ Ｗａｖｅ）を生成し、生成したＣＷを電波つまり送信波として送信アンテナ部１２から送信する。なお、送信する信号はＣＷに限らず変調をされた信号でも構わない。

【0056】

［受信機２０］
受信機２０は、受信アンテナ部２１と受信部２２とを備える。受信機２０は、送信機１０が電波を送信した空間Ｓから、電波を受信する。受信される電波には、送信アンテナ部１２から送信された送信波の一部が生体２００によって反射または散乱された信号である、反射波または散乱波が含まれ得る。

【0057】

受信アンテナ部２１は、Ｍ_Ｒ個の受信アンテナ素子＃１～＃Ｍ_Ｒを有するアレーアンテナで構成されている。例えば、素子間隔が半波長である４素子パッチアレーアンテナなどである。受信アンテナ部２１は、アレーアンテナで高周波の信号を受信する。

【0058】

受信部２２は、受信アンテナ部２１が受信した高周波の信号を、例えばダウンコンバータなどを用いて信号処理が可能な低周波の信号に変換する。また、送信機１０が変調信号を送信していた場合、受信部２２は受信した変調信号の復調も行う。受信部２２は、変換した低周波の信号を複素伝達関数算出部３０に伝達する。

【0059】

なお、本実施の形態にて例として挙げた利用周波数は２．４ＧＨｚであるが、５ＧＨｚまたはミリ波帯などの周波数を用いてもよい。

【0060】

［複素伝達関数算出部３０］
複素伝達関数算出部３０は、受信アンテナ部２１のアレーアンテナで受信された受信信号から、送信機１０の送信アンテナ部１２と受信アンテナ部２１との間の伝搬特性を表す複素伝達関数を算出する。より具体的には、複素伝達関数算出部３０は、受信部２２により伝達された低周波の信号から、送信アンテナ部１２が有するＭ_Ｔ個の送信アンテナ素子と、受信アンテナ部２１が有するＭ_Ｒ個の受信アンテナ素子との間の伝搬特性を表す複素伝達関数を算出する。

【0061】

なお、複素伝達関数算出部３０が算出した複素伝達関数は、送信アンテナ部１２から送信された送信波の一部が生体２００によって反射または散乱された信号である、反射波または散乱波に対応する成分（生体成分ともいう）を含む場合がある。また、複素伝達関数算出部３０が算出した複素伝達関数は、送信アンテナ部１２からの直接波、および、固定物由来の反射波など、生体２００を経由しない反射波に対応する成分を含む場合もある。また、生体２００によって反射または散乱された信号、すなわち生体２００経由の反射波および散乱波の振幅および位相は、生体２００の呼吸および心拍等の生体活動によって常に変動している。

【0062】

以下、複素伝達関数算出部３０が算出した複素伝達関数が、生体２００によって反射または散乱された信号である反射波および散乱波に対応する生体成分を含むとして説明する。

【0063】

なお、図１では送信機１０と受信機２０とが隣接して配置されている状態が図示されているが、送信機１０と受信機２０との配置は、これに限られず、例えば図２に示すように離れて配置されてもよい。また、送信アンテナと受信アンテナとは、兼用でもよい。また、送信アンテナと受信アンテナとは、Ｗｉ－Ｆｉ（登録商標）ルータまたは子機といった無線機器のハードウェアと共用してもよい。

【0064】

［生体成分抽出部４０］
生体成分抽出部４０は、受信アンテナ部２１の受信アレーアンテナで受信された信号（受信信号ともいう）を複素伝達関数算出部３０から取得する。そして、生体成分抽出部４０は、受信信号に含まれている生体成分、つまり、送信アンテナ部１２から送信され、かつ、１以上の生体２００によって反射または散乱された信号成分を抽出する。

【0065】

より具体的には、生体成分抽出部４０は、複素伝達関数算出部３０で算出された複素伝達関数を、信号が受信された順である時系列で記録する。そして、生体成分抽出部４０は、時系列で記録した複素伝達関数の変化のうち、生体２００の影響による変動成分を抽出する。このように抽出される、生体２００の影響による複素伝達関数の変動成分が、生体成分に相当する。

【0066】

生体成分を抽出する方法としては、例えば、複素伝達関数の変化をフーリエ変換などにより周波数領域へ変換した後、生体成分に対応する周波数の成分を抽出する方法、または、２つの異なる時間の複素伝達関数の差分を計算することで抽出する方法がある。これらの方法により、複素伝達関数に含まれる直接波および固定物を経由する反射波の成分が除去され、生体２００を経由する生体成分が残ることになる。例えば、５秒間の複素伝達関数を用いて、生体成分に対応する周波数として０．３Ｈｚから３Ｈｚの成分を抽出することによって、生体２００が静止しているときでも存在する、生体２００の呼吸成分を抽出することができる。

【0067】

なお、本実施の形態では、一例として０．３Ｈｚから３Ｈｚの成分を抽出する例を説明したが、より遅い動作、または、より速い動作を抽出したい場合は、抽出したい動作に対応した周波数成分を抽出するように変更すればよいことは言うまでもない。

【0068】

なお、本実施の形態では、送信アレーアンテナを構成する送信アンテナ素子がＭ_Ｔ個あり、また、受信アレーアンテナを構成する受信アンテナ素子がＭ_Ｒ個すなわち複数あるので、送信アレーアンテナおよび受信アレーアンテナに対応する複素伝達関数に含まれる、生体２００経由の生体成分も複数となる。

【0069】

生体２００経由の複数の生体成分は、Ｍ行Ｎ列の行列（生体成分チャネル行列Ｆ（ｆ）ともいう）として、（式１）のように表される。

【0070】

【数1】

【0071】

なお、生体成分複素伝達関数行列すなわち生体成分チャネル行列Ｆ（ｆ）の各要素Ｆ_ｉｊは、複素伝達関数の各要素h_ijから変動成分を抽出した要素である。また、生体成分複素伝達関数行列すなわち生体成分チャネル行列Ｆ（ｆ）は、周波数または周波数に類する差分周期の関数であり、複数の周波数に対応する情報を含む。なお、差分周期とは、２つの異なる時間の複素伝達関数の差分を計算することで生体成分を抽出する方法における、２つの複素伝達関数の時間差である。

【0072】

［相関行列算出部５０］
相関行列算出部５０は、生体成分抽出部４０が算出したＭ行Ｎ列で構成される生体成分チャネル行列の要素を並べ替えることで、（Ｍ×Ｎ）行１列の生体成分チャネルベクトルＦ_ｖｅｃ（ｆ）に変換する。要素の並べ方としては、例えば（式２）のような方法があるが、行列を並べ替える操作であればよく、要素の順序は問わない。

【0073】

【数2】

【0074】

その後、相関行列算出部５０は、生体成分チャネルベクトルＦ_ｖｅｃ（ｆ）から相関行列を算出する。より具体的には、相関行列算出部５０は、生体２００による複数の変動成分から構成される生体成分チャネルベクトルＦ_ｖｅｃ（ｆ）の相関行列Ｒを、（式３）に従って算出する。

【0075】

【数3】

【0076】

（式３）中のＥ［］は、平均演算を表し、演算子Ｈは複素共役転置を表す。ここで、相関行列算出部５０は、相関行列計算において複数の周波数成分を含む生体成分チャネルベクトルＦ_ｖｅｃ（ｆ）を、周波数方向に平均化することで、それぞれの周波数に含まれる情報を同時に使用したセンシングが可能となる。

【0077】

［スペクトル算出部７０］
スペクトル算出部７０は、空間Ｓにおける生体２００の存在の尤度を示す尤度スペクトルを算出し、また、算出した尤度スペクトルを用いて統合スペクトルを算出する。スペクトル算出部７０は、推定アルゴリズムとして、空間に存在する生体数が入力された場合に入力された生体数の前記生体の存在を推定する推定アルゴリズムを用いて、尤度スペクトルを算出する。尤度スペクトルは、例えばＭＵＳＩＣ法により算出され、この場合を例として説明する。ＭＵＳＩＣ法により算出される尤度スペクトルをＭＵＳＩＣスペクトルともいう。

【0078】

一般に、尤度スペクトルを算出するためには、到来波の数である到来波数が必要であることがある。ＭＵＳＩＣ法によりＭＵＳＩＣスペクトルを算出するためには、到来波数が必要である。到来波数は、本実施例における空間Ｓに存在する生体２００の数に相当する。

【0079】

スペクトル算出部７０は、生体数として特定の一の数値を用いるのではなく、互いに異なる複数の数値を順次に生体数として用いて、ＭＵＳＩＣスペクトルの算出を行う。

【0080】

すなわち、スペクトル算出部７０は、変数Ｌを初期値Ｌ_startからＬ_endまで変化させながら、変数Ｌを生体数として用いてＭＵＳＩＣスペクトルの算出を行う。そして、スペクトル算出部７０は、互いに異なる複数の変数Ｌを用いて算出された複数のＭＵＳＩＣスペクトルを統合した統合ＭＵＳＩＣスペクトルを算出する。以下にＭＵＳＩＣスペクトル算出部７０の動作について数式を用いて説明する。

【0081】

相関行列算出部５０で算出された相関行列Ｒを固有値分解すると、

【数4】

と書ける。ここで、

【数5】

【数6】

である。

【0082】

ここで、

【数7】

は、要素数がＭ_R個である固有ベクトルであり、

【数8】

は、固有ベクトルに対応する固有値であり、

【数9】

が成り立つとする。また、Ｌは、生体数つまり人数として用いられるループ変数である。

【0083】

また、送信アレーアンテナのステアリングベクトル（方向ベクトル）は、

【数10】

と定義され、受信アレーアンテナのステアリングベクトル（方向ベクトル）は、

【数11】

と定義される。なお、使用するアンテナ素子が均一な複素指向性を持たないときは、送信および受信ステアリングベクトルは実測した複素指向性データをもとに作成したものを用いてもよい。ここで、ｋは波数である。

【0084】

さらに、これらのステアリングベクトルを乗算して、送信アレーアンテナおよび受信アレーアンテナ双方の角度情報を考慮したステアリングベクトルを

【数12】

と定義し、変数Ｌを様々に変化させながらＭＵＳＩＣ法を適用する。

【0085】

すなわち、スペクトル算出部７０は、ＭＵＳＩＣ法に基づき、乗算したステアリングベクトルを用いて、下記（式４）で示される複数のＭＵＳＩＣスペクトルが統合された評価関数Ｐ_music(θ_T,θ_R)を算出する。この評価関数を統合ＭＵＳＩＣスペクトルと呼称し、単に統合スペクトルともいう。

【0086】

【数13】

【0087】

なお、統合の演算は、（式４）では総和を用いたが、総和の代わりに総乗を用いてもよい。つまり、（式４）において、総和記号

【数14】

を、総乗記号

【数15】

に置き換えたものを用いてもよい。

【0088】

なお、変数Ｌの最小値Ｌ_startおよび最大値Ｌ_endは、あらかじめ所定の値を設定しておく必要がある。例えば、最小値Ｌ_startは、１、または、測定対象である空間Ｓに存在する生体の最小数が既知である場合はその数とする。また、最大値Ｌ_endは、測定対象である空間Ｓに存在する生体の最大数が既知である場合はその数またはその数より１から３程度大きな数とすることができる。

【0089】

また、例えば、最大値Ｌ_endは、送信アンテナ素子数と受信アンテナ素子数との積より１程度少ない数にしてもよい。なぜならば、ＭＵＳＩＣ法で検出可能な、検出対象の最大数は、送信アンテナ素子数と受信アンテナ素子数との積より１少ない数であるからである。また、最大数Ｌ_endは、送信アンテナ素子数または受信アンテナ素子数としてもよい。

【0090】

つまり、スペクトル算出部７０は、例えば、（送信アンテナ素子数Ｎ×受信アンテナ素子数Ｍ－１）以下の複数の自然数、送信アンテナ素子数Ｎ以下の複数の自然数、または、受信アンテナ素子数Ｍ以下の複数の自然数を、変数Ｌとして用いて、尤度スペクトルを算出することができる。なぜならば、推定される生体数が送信アンテナ素子数と受信アンテナ素子数との積以下である場合に生体情報がより精度よく定められ、また、推定される生体数が送信アンテナ素子数以下または受信アンテナ素子数以下である場合に生体情報がさらに精度よく定められるからである。

【0091】

また、スペクトル算出部７０は、空間Ｓに存在し得る生体の最大数として定められた数以下の複数の自然数を、変数Ｌとして用いて、尤度スペクトルを算出することができる。

【0092】

さらに、スペクトル算出部７０は、記憶部に記憶されている生体数情報に示される生体数を含む範囲内の複数の自然数を、変数Ｌとして用いて、尤度スペクトルを算出することができる。ここで、記憶部は、過去に推定部８０が推定した生体数情報を記憶している記憶装置（不図示）である。

【0093】

なお、上記の例では変数Ｌを１ずつ増やすこととしたが、等間隔に増やす必要はなく、１ずつ増やすのとは異なる変化パターンで変数Ｌを変化させてもよい。変化パターンは、あらかじめ定められたものであってもよいし、処理を進めながらランダムに選択されるものであってもよい。

【0094】

なお、ＭＵＳＩＣスペクトルは、Ｂｅａｍｆｏｒｍｅｒ法またはＣａｐｏｎ法によるスペクトルでも代用可能である。ただし、Ｂｅａｍｆｏｒｍｅｒ法またはＣａｐｏｎ法は、ＭＵＳＩＣ法と比較して精度が悪く、単体では高精度な推定ができないことに留意が必要である。言い換えれば、ＭＵＳＩＣ法は、Ｂｅａｍｆｏｒｍｅｒ法またはＣａｐｏｎ法と比較して、単体で、比較的高精度な推定ができる利点がある。

【0095】

［推定部８０］
推定部８０は、ＭＵＳＩＣスペクトル算出部７０が算出した統合スペクトルから、測定対象となる空間Ｓに存在する生体２００の数を少なくとも示す生体情報、つまり、空間Ｓに存在する人の数を少なくとも示す人情報を推定して出力する。また、推定部８０は、統合スペクトルから、空間Ｓに存在する生体の位置をさらに示す生体情報、つまり、空間Ｓに存在する人の位置をさらに示す人情報を推定して出力してもよい。

【0096】

本来、正しい人数（つまり、空間Ｓに実際に存在する人の人数）を入力して算出されたＭＵＳＩＣスペクトルには、入力された人数と同じ数のピークが現れる。しかし、本実施の形態では、様々な数値を人数として入力して得られた複数のＭＵＳＩＣスペクトルを統合しているので、統合スペクトルに虚像（つまり、実際には人がいない位置に現れるピーク）が現れることがある。

【0097】

推定部８０では、統合スペクトルに現れているピークのうち虚像でないものを判別し、上記ピークのうち虚像でないものを対象として人数を算出することで、空間Ｓに存在する人の人数を示す人情報を推定する。また、推定部８０は、上記ピークのうち虚像でないものを対象としてそのピークの位置を算出することで、空間Ｓに存在する人の位置をさらに示す人情報を推定してもよい。

【0098】

人の人数または位置の算出には、例えばスペクトルのピーク値に対して比率法を用いる方法、ＭＵＳＩＣスペクトルで所定の閾値以上の尤度が連続する区間、言い換えれば尤度が所定の閾値以上である区間（ブロックともいう）の個数を数える方法、または、ＭＵＳＩＣスペクトルを画像として扱い畳み込みニューラルネットワークなどの機械学習を用いる方法などがある。本実施の形態では、一例として比率法を用いた人情報の算出方法について説明する。

【0099】

図３は、実施の形態１における推定部８０の詳細なブロック図である。

【0100】

図３に示される推定部８０は、ピーク探索部８１と、誤ピーク判定部８２と、ピークソート部８３と、検定部８４とを備える。

【0101】

＜ピーク探索部８１＞
ピーク探索部８１は、統合スペクトルのうち極大値をとるピークの探索を行う。探索により発見されたピークの集合を第一ピーク集合とする。なお、第一ピーク集合は、雑音による細かなピークを除外するために、ピーク値が所定の範囲ｘで最大値となるピークのみに限定されることが望ましい。

【0102】

図４は、実施の形態１におけるピーク探索部８１の動作を表す概念図である。図４を参照しながら、ピーク探索部８１の処理を、１次元の統合スペクトル１０００を用いて説明する。

【0103】

図４には、統合スペクトル１０００に含まれる４つのピークである、ピーク１００１－Ａ、１００１－Ｂ、１００１－Ｃおよび１００１－Ｄが示されている。４つのピークそれぞれについて、当該ピークから距離０．５ｍ以内の範囲（つまり範囲１００２－Ａ、１００２－Ｂ、１００２－Ｃおよび１００２－Ｄ）において、当該ピークが最大値をとっているピークは、ピーク１００１－Ａ、１００１－Ｂおよび１００１－Ｄの３つである。ピーク探索部８１は、統合スペクトル１０００から上記３つのピークを抽出し、抽出したピークを第一ピーク集合として取得する。

【0104】

第一ピーク集合は、尤度スペクトルの複数の極大値のうちの一以上の極大値であって、当該極大値を含む所定範囲において当該極大値が最大値である一以上の極大値に相当する。

【0105】

＜誤ピーク判定部８２＞
誤ピーク判定部８２は、第一ピーク集合に含まれるピークのうち、比較的なだらかなピークを除外する。統合スペクトル１０００における虚像は、比較的なだらかなピークとして現れるので、比較的なだらかなピークを除外することで、虚像に基づくピークを除外するためである。

【0106】

具体的には、誤ピーク判定部８２は、第一ピーク集合に含まれるピーク値それぞれについて、当該ピークから所定の距離ｘの範囲に含まれる値のｙ％値を算出する。誤ピーク判定部８２は、ピーク値とｙ％値との差異が所定の閾値ｚ以上であるものを抽出し、抽出したピークを第二ピーク集合として取得する。ピーク値とｙ％値との差異は、ピーク値とｙ％値との差分（つまり、ピーク値－ｙ％値）であってもよいし、ピーク値とｙ％値との比率（つまり、ｙ％値／ピーク値）であってもよい。また、「所定の距離ｘの範囲に含まれる値」は、当該範囲に含まれる任意の数値、当該範囲に含まれる値の平均値、最大値または最小値などを用いることができる。

【0107】

これにより、誤ピーク判定部８２は、第一ピーク集合に含まれるピークのうち、比較的なだらかなピークを除外することができる。例えば、所定の距離ｘを０．５ｍとし、ｙを７０％、ｚを０．４ｄＢとしたとき、誤ピーク判定部８２は、第一ピーク集合に含まれるピーク値それぞれの周囲０．５ｍ以内に含まれる値の７０％値よりも０．４ｄＢ以上大きいものを抽出する。

【0108】

第一ピーク集合から、誤ピーク判定部８２によって虚像に基づくピークが除外された第二ピーク集合は、一以上の第三極大値であって、当該第三極大値と、当該第三極大値を含む所定範囲に含まれる値に所定の割合を乗じた値との差異が閾値以上である一以上の第三極大値に相当する。ここで、所定の割合は、０より大きく１より小さい所定値である。

【0109】

＜ピークソート部８３＞
ピークソート部８３は、第二ピーク集合に含まれる複数のピークそれぞれの値を降順にソートする。なお、ピークソート部８３は、第二ピーク集合に対して、第二ピーク集合に含まれるピークのうち値が最小のものよりもｗだけ小さい値を、仮想ピークとして追加してもよい。仮想ピークは、第二ピーク集合に含まれる複数のピークそれぞれについて、当該ピークと当該ピークの次に大きいピークとの比較をする処理において、ピーク値が最小であるピークの次に大きいピークとして用いられ得る。例えば、ｗを３．４ｄＢに設定し、最小のピークが最大のピークに対して－３ｄＢであるとき、追加する仮想ピークは最大のピークに対して－６．４ｄＢである。

【0110】

＜検定部８４＞
検定部８４は、ピークソート部８３によってソートされた第二ピーク集合に対し、隣接するピーク値間の差異を算出することによって人数の推定を行う。より具体的には、降順にソートされた第二ピーク集合のｉ番目のピークとｉ＋１番目のピークとの差分として、比率または差分を算出し、その差分または比率が最大となるｉを人数として出力する。ここでｉは１以上、かつ、第二ピーク集合の要素数以下の整数である。

【0111】

以降では、差異として差分を用いる場合を例として説明する。

【0112】

図５は、実施の形態１における検定部８４の動作を表す概念図である。

【0113】

図５には、第二ピーク集合に含まれるピーク１１０１－Ａ、１１０１－Ｂ、１１０１－Ｃおよび１１０２がピーク値によって降順にソートされて示されている。なお、ピーク１１０２は、ピークソート部８３で追加された仮想ピークである。

【0114】

ピークソート部８３は、第二ピーク集合の隣接するピークの差分１１０３－Ａ、１１０３－Ｂおよび１１０３－Ｃを算出し、算出した差分が最大となるピークの組み合わせを求める。

【0115】

図５に示す例では、差分１１０３－Ｂ、つまり、２番目のピーク１１０１－Ｂと３番目のピーク１１０１－Ｃとの差分が最大であるので、ｉが２であり、算出される人数は２である。

【0116】

以上のように、検定部８４は、ピーク探索部８１が取得した一以上の極大値のうちの第一極大値であって、第一極大値と、第一極大値の次に大きい第二極大値との差異が最大である第一極大値を取得し、取得した第一極大値が、一以上の極大値のうち何番目に大きいかを示す数を取得する。そして、推定部８０は、検定部８４が取得した数を、空間Ｓに存在する人の人数として推定して出力する。

【0117】

なお、検定部８４は、ピーク探索部８１が取得した一以上の極大値をそのまま用いて上記のように人情報を出力してもよいし、ピーク探索部８１が取得した一以上の極大値のうち誤ピーク判定部８２が虚像に基づくピークを除外した、一以上の第三極大値を、一以上の極大値として用いて、上記のように人情報を出力してもよい。

【0118】

なお、上記では、センサ１が人数を示す人情報を出力する場合を例として説明したが、ＭＵＳＩＣスペクトルを用いて人の位置を推定し、人の位置を示す人情報を出力してもよい。

【0119】

なお、本実施の形態では送信アンテナと受信アンテナとがともに複数のＭＩＭＯ（Ｍｕｌｔｉｐｌｅ－Ｉｎｐｕｔ Ｍｕｌｔｉｐｌｅ－Ｏｕｔｐｕｔ）構成の例を説明したが、送信または受信の一方が単一アンテナの構成を用いてもよい。その場合、スペクトル算出部７０が出力する統合スペクトルは１次元となるが、その場合でも２次元の場合と同様にピーク探索による人情報の推定が可能である。

【0120】

なお、空間Ｓに人が不在、すなわち０人の場合の検出のみ、最大の固有値の大きさ、複素伝達関数の変動成分の電力、または、無人のときとの相関の大きさに基づいて判定を行い、有人であるときのみスペクトル算出部７０による尤度スペクトルおよび統合スペクトルの算出を行ってもよい。こうすることで、空間Ｓに人が不在である場合に、尤度スペクトルおよび統合スペクトルの算出に必要な処理を省くことができ、消費電力の削減に寄与する。

【0121】

［センサ１の動作］
以上のように構成されるセンサ１が生体数を推定する処理について説明する。

【0122】

図６は、実施の形態１におけるセンサ１の処理を示すフローチャートである。

【0123】

図６に示されるように、ステップＳ１０において、センサ１は、受信機２０において所定の期間、信号を受信する。

【0124】

ステップＳ２０において、センサ１は、受信信号から複素伝達関数を算出する。

【0125】

ステップＳ３０において、センサ１は、算出した複素伝達関数それぞれを時系列に記録し、記録した時系列の複素伝達関数から生体の影響による変動成分を抽出することで、生体成分チャネル行列を算出する。

【0126】

ステップＳ４０において、センサ１は、抽出した生体成分チャネル行列の相関行列を算出する。

【0127】

ステップＳ５０において、センサ１は、変数Ｌに初期値Ｌ_startを設定する。

【0128】

ステップＳ６０において、センサ１は、ステップＳ５０またはＳ７５で設定された変数Ｌと、ステップＳ４０で算出された相関行列とをもとに、ＭＵＳＩＣ法により尤度スペクトルを算出する。

【0129】

ステップＳ７０において、センサ１は、変数ＬがＬ_endに一致しているか否かを判定する。ＬがＬ_endに一致していると判定した場合（ステップＳ７０でＹｅｓ）には、ステップＳ８０に進み、そうでない場合（ステップＳ７０でＮｏ）にはステップＳ７５に進む。

【0130】

ステップＳ７５において、センサ１は、変数Ｌを１加算する。その後、センサ１は、ステップＳ６０を再び実行する。

【0131】

ステップＳ８０において、センサ１は、尤度スペクトルを統合することで、統合スペクトルを算出する。統合される尤度スペクトルは、ステップＳ５０、Ｓ６０、Ｓ７０およびＳ７５の処理によって変数ＬをＬ_startからＬ_endまで１ずつ変化させながらセンサ１が算出した尤度スペクトルである。

【0132】

ステップＳ９０において、センサ１は、ステップＳ８０で算出した統合スペクトルから人数を算出し、人情報として推定して出力する。ステップＳ９０の処理は、例えば、統合スペクトルのピーク値に対して比率法を用いる方法、統合スペクトルで所定の値以上の区間が連続するブロックの個数を数える方法、または、統合スペクトルを画像として扱い畳み込みニューラルネットワークなどの機械学習を用いる方法などを用いて行われる。

【0133】

図７は、実施の形態１におけるセンサ１の人情報の算出処理を示すフローチャートである。図７に示される処理は、ステップＳ９０の処理を、一例として比率法を用いて行う場合の処理の例である。

【0134】

図７に示すように、ステップＳ１１０において、センサ１は、統合スペクトルのピークのうち当該ピークが所定の範囲で最大値であるピークを抽出し、抽出したピークを第一ピーク集合として取得する。

【0135】

ステップＳ１２０において、センサ１は、第一ピーク集合に含まれるピークそれぞれについて、当該ピークからの所定の距離の範囲に含まれる値のｙ％値を算出する。

【0136】

ステップＳ１３０において、センサ１は、ステップＳ１１０で抽出したピークについて、ピーク値と、ステップＳ１２０で算出したｙ％値との差異が所定の閾値以上であるピークを抽出し、抽出したピークを第二ピーク集合として取得する。

【0137】

ステップＳ１４０において、センサ１は、第二ピーク集合に含まれるピークを、ピーク値の降順にソートする。

【0138】

ステップＳ１５０において、センサ１は、第二ピーク集合のうちｉ番目のピークと（ｉ＋１）番目のピークとの差異を計算し、その差異が最大となるｉを人数として示す人情報を推定して出力する。ここでｉは１以上、第二ピーク集合の要素数以下の整数である。

【0139】

［効果等］
本実施の形態のセンサ１によれば、無線信号を利用して、空間Ｓに存在している生体２００の数を高精度に推定できる。

【0140】

空間Ｓに存在している生体２００の数に推定に用いられている既存の尤度スペクトルを導出する推定法では、空間Ｓに存在している生体数を与える必要があることがある。

【0141】

本実施の形態のセンサ１によれば、空間Ｓに存在している生体数として複数の数値を用いて算出した尤度スペクトルを統合した統合スペクトルを用いて、空間Ｓに存在している生体数を推定する。そのため、空間Ｓに存在している生体数が不明である場合にも、空間Ｓに存在している生体数を示す生体情報を推定することができる。

【0142】

（実施の形態２）
実施の形態１では、統合スペクトルから比率法を用いて生体情報（つまり人情報）を推定する方法を説明した。実施の形態２では、統合スペクトルから尤度が所定の閾値以上である区間であるブロックの個数を数える方法を用いて生体情報を推定する方法を説明する。

【0143】

本実施の形態におけるセンサは、実施の形態１におけるセンサ１と同様の構成を備えるが、実施の形態１のセンサ１が備える推定部８０が、推定部２０８０に代わる点で異なる。推定部２０８０以外の構成は、実施の形態１と同一であるので、ここでは説明を省略する。

【0144】

図８は、実施の形態２における推定部２０８０の構成を表すブロック図である。図９は、実施の形態２におけるブロック検出部２０８２の動作を表す概念図である。図９に示される統合スペクトル２１００は、スペクトル算出部７０が算出した統合スペクトルの一例である。

【0145】

推定部２０８０は、図８に示すように、閾値設定部２０８１とブロック検出部２０８２とを備える。

【0146】

閾値設定部２０８１は、統合スペクトル２１００の最大値からｖ［ｄＢ］小さい閾値２１０１を設定する。なお、ｖおよび閾値２１０１には、あらかじめ設定された固定値を用いてもよいし、事前にｖおよび閾値２１０１を様々に変化させて人数推定の精度を評価し、最も精度が高かった閾値２１０１を最適値として用いてもよい。例えば、２．４７１２５ＧＨｚの無変調連続波を用い、素子間隔が半波長である４素子パッチアレーアンテナで４ｍ四方の部屋をセンシングする場合には、ｖを３．９ｄＢと設定できる。

【0147】

ブロック検出部２０８２は、統合スペクトル２１００における尤度が閾値２１０１以上である区間をブロックとして検出し、検出されたブロックの個数を取得する。

【0148】

推定部２０８０は、ブロック検出部２０８２が取得したブロックの個数を、空間Ｓに存在する人の人数と推定する。

【0149】

図９に示す例では、統合スペクトル２１００が閾値２１０１以上である区間として、ブロック２１０２－Ａおよび２１０２－Ｂの２つのブロックが検出される。ブロック検出部２０８２、人数が２であることを示す人情報を算出する。

【0150】

［効果等］
実施の形態２のセンサによれば、実施の形態１におけるセンサ１と比べて推定部２０８０における計算量を削減することができる。これにより、リアルタイム処理に必要な処理装置の能力基準を下げ、低コストで人に関する情報の推定を実現することができる。

【0151】

（実施の形態３）
実施の形態１では、統合スペクトルから比率法を用いて生体情報（つまり人情報）を推定する方法を説明した。実施の形態３では、統合スペクトルから機械学習モデル（例えば畳み込みニューラルネットワーク）を用いて生体情報を推定する方法を説明する。

【0152】

本実施の形態におけるセンサは、実施の形態１におけるセンサ１と同様の構成を備えるが、実施の形態１のセンサ１が備える推定部８０が、推定部３０８０に代わる点で異なる。推定部３０８０以外の構成は、実施の形態１と同一であるので、ここでは説明を省略する。

【0153】

図１０は、実施の形態３における推定部３０８０の構成を表すブロック図である。

【0154】

推定部３０８０は、図１０に示すように、教師データ作成部３０８１と、学習部３０８２と、ネットワーク記憶部３０８３と、画像変換部３０８４と、判定部３０８５とを備える。

【0155】

教師データ作成部３０８１と学習部３０８２とネットワーク記憶部３０８３とは、事前の機械学習モデルの学習を行う。画像変換部３０８４と判定部３０８５とは、事前に学習された機械学習モデルを用い、テストデータに対して人情報の算出を行う。

【0156】

教師データ作成部３０８１は、事前に人数が既知の場合のＭＵＳＩＣスペクトルを示す画像を複数取得し、教師データ画像として保存する。ここで、教師データ画像には、空間Ｓに存在すると想定される人数それぞれについて複数のＭＵＳＩＣスペクトルを示す画像が含まれる。例えば、教師データ画像には、測定対象である空間Ｓに存在する人数の上限が３である場合、０人、１人、２人および３人のそれぞれについて複数枚、例えば１００以上の教師データ画像が含まれる。

【0157】

学習部３０８２は、教師データ画像を入力として機械学習モデルの学習を行う。機械学習モデルは、例えば、畳み込みニューラルネットワークモデルである。入力として用いられる教師データ画像は、教師データ作成部３０８１が保存した教師データ画像である。なお、ここでは、例えば転移学習のようなニューラルネットワークの学習を効率化させる手法を用いてもよい。

【0158】

ネットワーク記憶部３０８３は、学習部３０８２が学習によって生成した畳み込みニューラルネットワークを、コンピュータ上のメモリ、ＣＤ－ＲＯＭ等の記録媒体、または、センサの外部のサーバなどに記憶させる。センサの外部のサーバに記憶させる場合には、ネットワークを介した通信によって上記サーバに畳み込みニューラルネットワークのデータを送信する。

【0159】

画像変換部３０８４は、スペクトル算出部７０が算出した統合スペクトルを畳み込みニューラルネットワークで処理可能な形式に変換することで、入力データを生成する。畳み込みニューラルネットワークで処理可能な形式の画像は、例えば、各画素が統合スペクトルの値に対応するヒートマップ画像である。

【0160】

判定部３０８５は、ネットワーク記憶部３０８３に記憶されている畳み込みニューラルネットワークに、画像変換部３０８４が生成した入力データを入力することで出力される人情報を取得する。

【0161】

推定部３０８０は、判定部３０８５が取得した人情報を、空間Ｓに存在する人を示す人情報として推定する。

【0162】

以上、本開示の一態様に係るセンサについて、実施の形態に基づいて説明したが、本開示は、これらの実施の形態に限定されるものではない。本開示の趣旨を逸脱しない限り、当業者が思いつく各種変形を本実施の形態に施したもの、あるいは異なる実施の形態における構成要素を組み合わせて構築される形態も、本開示の範囲内に含まれる。

【0163】

また、本開示は、このような特徴的な構成要素を備える、センサとして実現することができるだけでなく、センサに含まれる特徴的な構成要素をステップとする推定方法などとして実現することもできる。また、そのような方法に含まれる特徴的な各ステップをコンピュータに実行させるコンピュータプログラムとして実現することもできる。そして、そのようなコンピュータプログラムを、ＣＤ－ＲＯＭ等のコンピュータで読取可能な非一時的な記録媒体あるいはインターネット等の通信ネットワークを介して流通させることができるのは、言うまでもない。

【0164】

［効果等］
実施の形態３のセンサを用いて畳み込みニューラルネットワークによる機械学習を用いることで、当該センサを設置する環境それぞれに対して変更する必要がある、閾値などの各種パラメータ調整を自動で行うことができる。また、学習したネットワークを随時更新していくことにより更なる人数推定精度の改善も期待できる。

【産業上の利用可能性】

【0165】

本開示は、生体の人数や位置を測定する測定器、生体の人数や位置に応じた制御を行う家電機器、生体の侵入を検知する監視装置などに利用できる。

【符号の説明】

【0166】

１ センサ
１０ 送信機
１１ 送信部
１２ 送信アンテナ部
２０ 受信機
２１ 受信アンテナ部
２２ 受信部
３０ 複素伝達関数算出部
４０ 生体成分抽出部
５０ 相関行列算出部
７０ スペクトル算出部
８０、２０８０、３０８０ 推定部
８１ ピーク探索部
８２ 誤ピーク判定部
８３ ピークソート部
８４ 検定部
２００ 生体
１０００、２１００ 統合スペクトル
１００１－Ａ、１００１－Ｂ、１００１－Ｃ、１００１－Ｄ、１１０１－Ａ、１１０１－Ｂ、１１０１－Ｃ、１１０２ ピーク
１００２－Ａ、１００２－Ｂ、１００２－Ｃ、１００２－Ｄ 範囲
１１０３－Ａ、１１０３－Ｂ、１１０３－Ｃ 差分
２０８１ 閾値設定部
２０８２ ブロック検出部
２１０１ 閾値
２１０２－Ａ、２１０２－Ｂ ブロック
３０８１ 教師データ作成部
３０８２ 学習部
３０８３ ネットワーク記憶部
３０８４ 画像変換部
３０８５ 判定部
Ｓ 空間

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】