Study on physical factors of visual, auditory and tactile sensations that determine confortness/discomfortness of active touch

被験者の指先および機械のプローブに加速度センサーを取り付け、繊維製品、金属などの20種類の素材をなぞるときの加速度を6軸センサーを用いて取得し、加えて被験者は素材をなぞった後の粗滑「ざらざら-なめらか」、摩擦「べたつく-滑る」、乾湿「乾いた-湿った」、温冷「冷たい-温かい」、硬軟「硬い-柔らかい」、快不快「不快-快い」の6つの項目を素材ごとに、触感の度合いを7段階に分けたSD(Semantic Differential)法に基づいて官能評価した。前年度はこのデータを短時間フーリエ変換により、時間・周波数・強度の3次元で表されるスペクトログラムに変換し、機械学習により、各官能評価項目を7段階に識別できるかどうかを調べた結果、96％以上の高い識別精度を得た。しかし、その背後にあるそれぞれの触感を引き起こす物理的条件が不明であった。そこで、今年度は機械学習に用いた加速度データを高速フーリエ変換(FFT)によりパワースペクトルに変換し、このパワースペクトルを主成分分析により縮約して、主成分得点を説明変数、官能値を目的変数とした重回帰分析を行うことで、触感を決定づける因子を明らかにすることを試みた。また、ヒトのなぞり動作と機械のなぞり動作の特徴の違いを調べるため、機械のプローブでなぞる時の加速度データについても同様の処理を行い、ヒトのなぞり動作と比較した。その結果、ヒトと機械の双方で主成分として感覚受容器に対応する周波数帯域に主成分が見られ、さらに、これらの主成分をもとに触感の官能値を推定したところ、ヒトの場合の方が機械の場合より高い決定係数が得られた。また、素材の触感と主成分の関係から、指先によるなぞり動作の解析データの方が機械によるなぞり動作の解析データよりも触感の推定に適している可能性が示された。

被験者の指先および機械のプローブに加速度センサーを取り付け、繊維製品、金属などの20種類の素材をなぞるときの加速度を6軸センサーを用いて取得し、加えて被験者は素材をなぞった後の粗滑「ざらざら-なめらか」、摩擦「べたつく-滑る」、乾湿「乾いた-湿った」、温冷「冷たい-温かい」、硬軟「硬い-柔らかい」、快不快「不快-快い」の6つの項目を素材ごとに、触感の度合いを7段階に分けたSD(Semantic Differential)法に基づいて官能評価した。前年度はこのデータを短時間フーリエ変換により、時間・周波数・強度の3次元で表されるスペクトログラムに変換し、機械学習により、各官能評価項目を7段階に識別できるかどうかを調べた結果、96％以上の高い識別精度を得た。しかし、その背後にあるそれぞれの触感を引き起こす物理的条件が不明であった。そこで、今年度は機械学習に用いた加速度データを高速フーリエ変換(FFT)によりパワースペクトルに変換し、このパワースペクトルを主成分分析により縮約して、主成分得点を説明変数、官能値を目的変数とした重回帰分析を行うことで、触感を決定づける因子を明らかにすることを試みた。また、ヒトのなぞり動作と機械のなぞり動作の特徴の違いを調べるため、機械のプローブでなぞる時の加速度データについても同様の処理を行い、ヒトのなぞり動作と比較した。その結果、ヒトと機械の双方で主成分として感覚受容器に対応する周波数帯域に主成分が見られ、さらに、これらの主成分をもとに触感の官能値を推定したところ、ヒトの場合の方が機械の場合より高い決定係数が得られた。また、素材の触感と主成分の関係から、指先によるなぞり動作の解析データの方が機械によるなぞり動作の解析データよりも触感の推定に適している可能性が示された。