|
屋内の各家電に備わる多種のセンサから得られる情報を深層学習で解析し、人の生活状況や行動詳細を求めるのが研究の最終的な目標である。本研究では多種のセンサ情報の統合までは至らず、赤外線モーションセンサに特化したものとなった。センサ配置についても、家電配置のような散発的な配置での研究まで至らず、机の周囲に半ば格子状に設置したり、部屋の4隅へ定性的に設置するまでとなった。
当初はセンサノードからのデータ収集が安定せず、処理・通信両機能の強化として、ノード母体をArudinoからRaspberry Piへ変更、更に無線通信をZigbeeからWiFiへ変更し、安定した収集を実現した。
赤外線モーションセンサは、複数の設置位置と感度を調整して統合すれば、距離センサあるいは狭領域センサとして扱えるはずである。実際にそれに類する配置で実験を繰り返し、机周囲に配置した場合はその机での不在・着座・異常等を判定でき、室内4隅に配置した場合は室内を1m四方や50cm四方に区切った位置判定ができた。判定については時系列情報を深層学習に含めないと著しく精度が下がり、含めるとセンサの反応セット的には類似していても混同する事なく正しく位置判定等ができる事が判った。
その次に転倒判定実験として、転倒のみを学習させた場合は推定精度が低いが、前段として位置判定を行い、そこに重ねて転倒を判定した場合は精度が上がった。
転倒についてはシミュレーション実験のみで、計測実験については実験途中である。シミュレーションデータで学習したものを計測実験で評価した場合は精度が低く、設計した設置位置角度に基づくシミュレーションと、厳密にシミュレーションに一致するよう正確には設置できない実測の齟齬が大きく影響してると思われる。よって、本システムは完成したとしても、個々の家屋や季節へと個別にチューニングする必要のあるシステムになると予想される。
|
