特許ウォッチ

公開番号2025163849
公報種別公開特許公報(A)
公開日2025-10-30
出願番号2024067423
出願日2024-04-18
発明の名称推定装置
出願人株式会社NTTドコモ,国立大学法人静岡大学
代理人個人,個人,個人,個人
主分類G06N 20/00 20190101AFI20251023BHJP(計算;計数)
要約【課題】アノテーションの作業量を削減して、人物行動の推定が可能な学習モデルを効率的に構築する。
【解決手段】推定装置1は、Wi-Fi受信機から受信信号の振幅あるいは位相に関する信号状態データを時系列に受信するデータ受信部11と、時系列の信号状態データを基にした入力データを学習モデルに入力することにより、学習モデルの出力を基に人物行動の推定を行う第2推定部13と、時系列の信号状態データに対して第1のデータ拡張を行って第1のトレーニングデータを生成し、時系列の信号状態データに対して第2のデータ拡張を行って第2のトレーニングデータを生成するデータ生成部14と、第1のトレーニングデータを学習モデルに入力した結果を基に、第1のトレーニングデータに疑似ラベルを付与し、第2のトレーニングデータと、疑似ラベルとを用いて、学習モデルをトレーニングするトレーニング部15と、を備える。
【選択図】図1
特許請求の範囲【請求項１】
近距離無線通信機から受信信号の振幅あるいは位相に関する信号状態データを時系列に受信するデータ受信部と、
時系列の前記信号状態データを基にした入力データを学習モデルに入力することにより、前記学習モデルの出力を基に人物行動の推定を行う推定部と、
前記データ受信部によって受信された時系列の前記信号状態データに対して第１のデータ拡張を行って第１のトレーニングデータを生成し、前記時系列の信号状態データに対して第２のデータ拡張を行って第２のトレーニングデータを生成するデータ生成部と、
前記第１のトレーニングデータを前記学習モデルに入力した結果を基に、前記第１のトレーニングデータに疑似ラベルを付与し、前記第２のトレーニングデータと、前記疑似ラベルとを用いて、前記学習モデルをトレーニングするトレーニング部と、
を備える推定装置。
続きを表示（約 900 文字）【請求項２】
前記第１のデータ拡張は、時系列の前記信号状態データを弱くデータ変形する処理であり、
前記第２のデータ拡張は、時系列の前記信号状態データを強くデータ変形する処理である、
請求項１に記載の推定装置。
【請求項３】
前記トレーニング部は、前記第２のトレーニングデータを前記学習モデルに入力した結果と、前記疑似ラベルとを基に第１の損失関数を計算し、前記第１の損失関数を用いて前記学習モデルのパラメータを更新する、
請求項１に記載の推定装置。
【請求項４】
前記トレーニング部は、時系列の前記信号状態データに対して正解値がラベル付けされた第３のトレーニングデータをさらに取得し、前記第３のトレーニングデータを前記学習モデルに入力した結果と、前記正解値とを基に第２の損失関数をさらに計算し、前記第２の損失関数をさらに用いて前記学習モデルのパラメータを更新する、
請求項３に記載の推定装置。
【請求項５】
前記トレーニング部は、前記第１の損失関数の値と前記第２の損失関数の値とを加算した加算損失関数を計算し、前記加算損失関数を基に前記学習モデルのパラメータを更新する、
請求項４に記載の推定装置。
【請求項６】
前記トレーニング部は、前記第１の損失関数の値と前記第２の損失関数の値とをエポック数に応じて重み付けを変更した重み付け加算を行うことにより加算損失関数を計算し、前記加算損失関数を基に前記学習モデルのパラメータを更新する、
請求項４に記載の推定装置。
【請求項７】
前記第１のデータ拡張は、複数の時系列の前記信号状態データのうちからペアとなる２つの時系列の前記信号状態データを抽出し、２つの時系列の前記信号状態データの一方を、２つの時系列の前記信号状態データの他方の特性をも持つように変形させる処理である、
請求項２に記載の推定装置。
【請求項８】
前記第２のデータ拡張は、スプライン補間処理である、
請求項２に記載の推定装置。

発明の詳細な説明【技術分野】
【０００１】
本開示は、推定装置に関する。
続きを表示（約 1,800 文字）【背景技術】
【０００２】
特許文献１には、入浴者の状態を検知する浴室監視装置が開示されている。この装置では、無線電波の受信部が受信した反射波に基づいて複数のエリアのそれぞれにおける信号強度を算出し、それを基に求められた基準データを複数用いた機械学習により分類モデルを記憶し、解析対象の解析データが複数のクラスのいずれに属するのかを分類モデルを用いて判定することが行われている。
【先行技術文献】
【特許文献】
【０００３】
特開２０２０－８６９３５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、特許文献１に記載の装置においては、精度の高いモデルを実現するためには、訓練用データに関するアノテーションの作業が必要となり、学習モデルの生成に手間がかかる傾向にあった。
【０００５】
そこで、本開示では、アノテーションの作業量を削減して、人物行動の推定が可能な学習モデルを効率的に構築することができる推定装置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】
【０００６】
本開示の推定装置は、近距離無線通信機から受信信号の振幅あるいは位相に関する信号状態データを時系列に受信するデータ受信部と、時系列の信号状態データを基にした入力データを学習モデルに入力することにより、学習モデルの出力を基に人物行動の推定を行う推定部と、データ受信部によって受信された時系列の信号状態データに対して第１のデータ拡張を行って第１のトレーニングデータを生成し、時系列の信号状態データに対して第２のデータ拡張を行って第２のトレーニングデータを生成するデータ生成部と、第１のトレーニングデータを学習モデルに入力した結果を基に、第１のトレーニングデータに疑似ラベルを付与し、第２のトレーニングデータと、疑似ラベルとを用いて、学習モデルをトレーニングするトレーニング部と、を備える。
【発明の効果】
【０００７】
本開示によると、アノテーションの作業量を削減して、人物行動の推定が可能な学習モデルを効率的に構築することができる。
【図面の簡単な説明】
【０００８】
図１は、本開示の推定装置１の構成を示すブロック図である。
図２は、Ｗｉ－Ｆｉ受信機３ａ，３ｂ，３ｃのそれぞれから受信されるＣＳＩデータの構成の一例を示す図である。
図３は、１つのチャネルの信号状態データにおける時系列の振幅値の時間変化の一例を示す図である。
図４は、図１に示すデータ生成部１４およびトレーニング部１５による処理の流れを示す図である。
図５は、図１の第２学習モデル格納部１７に格納された狭域学習モデルＭ１の構成の一例を示す。の図である。
図６は、推定装置１によるデータ収集フェーズの手順を示すフローチャートである。
図７は、推定装置１による訓練フェーズの手順を示すフローチャートである。
図８は、推定装置１による推定フェーズの手順を示すフローチャートである。
図９は、本開示の一実施の形態に係る推定装置１のハードウェア構成の一例を示す図である。
【発明を実施するための形態】
【０００９】
添付図面を参照しながら本開示の実施形態を説明する。可能な場合には、同一の部分には同一の符号を付して、重複する説明を省略する。
【００１０】
図１は、本開示における推定装置１の構成を示す図である。推定装置１は、通信ネットワーク（図示せず）を介して、複数のＷｉ－Ｆｉ受信機（近距離無線通信機）３ａ，３ｂ，３ｃとデータ通信が可能なように構成されている。同図においては、便宜上、Ｗｉ－Ｆｉ受信機が３台図示されているが、推定装置１は、任意の数のＷｉ－Ｆｉ受信機とデータ通信が可能なように構成されていてよい。Ｗｉ－Ｆｉ受信機３ａ，３ｂ，３ｃは、１台以上のＷｉ－Ｆｉ送信機（親機）５から、ＩＥＥＥ８０２．１１の通信規格に準拠した近距離無線通信によって無線信号を受信可能に構成されている。Ｗｉ－Ｆｉ受信機３ａ，３ｂ，３ｃは、本実施形態では、屋内で互いに離れて、例えば、屋内の異なる部屋に配置されている。
（【００１１】以降は省略されています）

関連特許