未学習クラスを推定可能な再帰型学習モデルの確立と筋骨格モデルに基づく作業負荷評価

点击翻译按钮获取中文摘要

本年度は介護施設における作業記録の自動化を目指し，[1] ウェアラブル・エンベデッドセンサを利用した作業姿勢推定法を提案し，作業検知への応用を試みた．また，学習時に想定しない未分類作業を考慮できる高精度な作業分類モデルを実現するために，[2] 時系列データの時間変化を考慮可能な未学習クラス推定確率ニューラルネットの開発に取り組んだ．[1]の提案法では背部に取り付けるIMUと作業靴に挿入可能なインソール型足底圧センサを使用することで作業中の姿勢計測を実現し，計測データから抽出した特徴ベクトルを未学習クラス推定確率ニューラルネット（NACGMN）に入力することで未学習姿勢を考慮した下肢姿勢分類を行った．学習時に分類対象の作業姿勢が生起した事後確率を表す姿勢適合度を算出し教師ラベルとして利用することで，従来法では不可能だった複数の姿勢からなる複合姿勢の推定を可能にした．また，任意の作業に対して得られた下肢姿勢の推定結果と上半身姿勢，全身負荷量の変化を時系列パターンと捉え，隠れマルコフモデル（HMM）によって介護作業のモデル化を試みた．HMMから得られる隠れ状態遷移列に対して頻度分布を定義し，隠れ状態ヒストグラムに基づく作業分類手法を提案した．実験ではベッドから車いすへの移乗介助作業に着目し，介護施設で計測した実介護作業に対する姿勢分類および作業検知を試みた．推定結果のRMS誤差から提案する分類システムおよび姿勢適合度の有効性が示され，提案法が有効な被験者に対しては80％程度の高精度な移乗介助作業検知を実現できた．[2]の提案法ではNACGMNにHMMの構造を導入したリカレント確率ニューラルネットを定義し，統計制約を保存可能な通時的誤差逆伝播法を提案した．提案法により統計制約を満たした学習が可能になり，時系列データに対する未学習クラスを考慮した多クラス分類が可能になった．