エナジハーベスト焦電型赤外線・ドア開閉センサと家電消費電力に基づいた宅内生活行動認識システム  [in Japanese] A Living Activity Recognition System Based on Power Consumption of Appliances and Energy Harvesting PIR and Door Sensors  [in Japanese]

Access this Article

Search this Article

Abstract

ユビキタス情報技術の発展によって,省エネ家電制御や高齢者見守りシステム,コンシェルジュ機能など生活を支援するサービスへの応用が期待されている.これらのサービスの実現には,多種多様な人間の生活行動を高精度,かつ低コストで認識することが重要である.スマートホームにおける行動推定のアプローチは多数存在するが,(1)カメラやマイクを使用するためにプライバシを侵害する,(2)導入・運用コストが高い,(3)ユーザへの装着負担が大きい,(4)電源・データ収集のための配線が必要,(5)認識できる行動の種類が少ない,(6)認識の精度が低いという6つの課題が存在する.本論文では,これら6つの課題をすべて解決することを目指した生活行動認識手法を提案する.課題(1)~(4)を解決するために,エナジハーベスト焦電型赤外線センサ・ドア開閉センサおよび家電に付帯した消費電力センサのみを活用したユーザの行動推定を実現する.このエナジハーベスト焦電型赤外線センサ・ドア開閉センサは太陽光パネルと大容量キャパシタを内蔵しており,これらから取得した電力を用いて半永続的な運用が可能である.また,課題(5),(6)を解決するために,(i)教師データに対する効果的な特徴量の選定,(ii)適切な行動学習モデルの構築,(iii)焦電型赤外線センサの不感帯に対する補完処理を行っている.提案手法の有用性を評価するため,筆者らの大学内設置したスマートホーム設備(1LDK)で,計5名の被験者に2~3日ずつ生活してもらい,計13日間評価実験を行った,評価実験の結果,F-measure: 68.6%でユーザの行動を推定した.

Progress of ubiquitous computing technology has strong anticipation to realize efficient energy-saving appliance control and elderly monitoring. In order to put those applications into practice, high-accuracy and low-cost in-home living activity recognition is essential. Many researches have tackled living activity recognition so far, but the followings problems remain: (1) privacy exposure due to utilization of cameras and microphones; (2) high deployment and maintenance costs due to many sensors used; (3) burden to force the user to carry the device and (4) wire installation to supply power and communication between sensor node and server; (5) few recognizable activities; (6) low recognition accuracy. In this paper, we propose an in-home living activity recognition method to solve all the problems. To solove the problems (1)-(4), our method only utilizes energy harvesting PIR and door sensors and power meter. The energy harvesting sensor has a solar cell to drive the sensor and wireless communication modules. To solve the problems (5) and (6), we have tackled the following challenges: (i) determining appropriate features for training samples; and (ii) determining the best machine learning algorithm to achieve high recognition accuracy; (iii) complement for the dead zone of PIR sensor semipermanently. We have conducted evaluations with the sensor by five subjects living in a home for 2-3 days each. As a result, the proposed method has achieved F-measure: 68.6% on average.

Journal

  • 情報処理学会論文誌

    情報処理学会論文誌 58(2), 409-418, 2017-02-15

Codes

  • NII Article ID (NAID)
    170000131200
  • NII NACSIS-CAT ID (NCID)
    AN00116647
  • Text Lang
    JPN
  • Article Type
    journal article
  • ISSN
    1882-7764
  • Data Source
    IPSJ 
Page Top