歩行振動データを用いた個人識別システムの構築

伊藤和輝† 池下大翔† 中村雄一† 中川匡弘‡

†国立高専機構 阿南工業高等専門学校 〒774-0017 徳島県阿南市見能林町青木 265 ‡長岡技術科学大学 〒940-2188 新潟県長岡市上富岡町 1603-1

E-mail: †yuichi@anan-nct.ac.jp

あらまし 個人識別技術において多様な識別手法の確立が望まれる．本研究では，歩行時に発生する振動データ

から個人識別を行う手法について検討する．歩行動作には個人の体型や癖などの固有情報が含まれている．また右

足，左足の振動にも違いがある．歩行振動データを取得し，歩行におけるステップの抽出および固有情報の解析に

より，個人識別への応用の可能性を示す．歩行時の 4 ステップをひとつの歩行波形として切り分けを行い，抽出す

る．歩行波形の抽出には Adaboost 法を適用する．個人毎の特徴を表現するために，主成分分析を用いて解析する．

キーワード 歩行振動データ，パターン認識，個人識別，Adaboost 法

Construction of Individual Identification System using Gait Vibration Data

Kazuki ITO† Hiroto IKESHITA† Yuichi NAKAMURA† and Masahiro NAKAGAWA‡

†National Institute of Technology, Anan College 265 Minobayashi-cho, Anan-shi, Tokushima, 774-0017 Japan

‡Nagaoka University of Technology 1603-1 Kamitomioka-machi, Nagaoka-shi, Niigata, 940-2188 Japan

E-mail: †yuichi@anan-nct.ac.jp

Abstract Establishment of various identification methods in personal identification technology is desired. In this research,

we consider a method to identify individuals from vibration data generated during walking. Walking motion includes unique

information such as personal form and habit. There is also a difference in vibration of the right and left legs. We show the

possibility of application to personal identification by acquiring walking vibration data, extraction of steps in walking and

analysis of unique information. Four steps in walking are separated and extracted. The Adaboost method is applied for the

extraction of the walking waveform. Analyze using principal component analysis to express features of each individual.

Keywords Gait vibration data, Pattern recognition, Individual identification, Adaboost method

1. はじめに 現在，主に指紋や顔画像による認証システムがセキ

ュリティに使用されている．セキュリティの多様性，

精度向上のために歩行時の振動による個人識別および

認証システムを提案する．

個人の特徴が現われやすい顔[1,2]，手の形状[3]や

指紋[4,5]による個人識別および認証システムはセキ

ュリティでの使用が期待され，研究も盛んである．こ

れらの個人識別・認証の技術は，場面ごとの使い分け

や相互補完による識別率の向上のため，多様な識別手

法を確立することが望ましい．これまでの研究では，

Adaboost 法を用いて歩行における振動データから一

歩分の歩行振動パターンの自動抽出を行った[6]．本研

究では複数歩の振動パターンでの識別をおこなうこと

で，右足・左足の振動波形の違いがあっても，同一の

人物として認識できるよう改良する．振動データから

4 歩分の振動パターンの自動抽出を行う．これにより

歩行パターンの抽出精度の向上を目指す．また振動計

の多点観測のための観測ユニットを作製し，歩行振動

観測の精度および認識率の向上を目的とする．

2. 問題の設定 歩行時に発生する振動データの取得および解析に

用いたシステムの概要を図１に示す．被験者が床の上

を歩行することで，床が振動する．その振動は，床に

設置された振動計によりデータとして取得される．振

動計で取得した振動データは PC を用いて解析する．

今回用いた振動計は PC と USB ケーブルで接続可能で，

AD 変換器は 14bit，サンプリング速度は 100 点 /秒であ

る． これまでの研究では歩行振動データから 1 歩分の

振動パターンを抽出した [6]．この 1 歩分の振動パター

ンを“Step”と呼ぶこととする．Step は個人毎に形状・

特徴が異なることを確認した．そこで，多数の Step デ

ータを収集し，主成分分析を行った．これにより個人

毎の特徴を評価でき，個人識別の可能性を示した [7]．

同一人物においても Step パターンは左足・右足によ

り違いがみられた．そこで今回は４歩分の振動パター

ンの抽出と，そのパターンによる特徴量の評価を検討

する．この４歩分の振動パターンを“4step”と呼ぶこ

とにする．つまり，4step の中には左足着地パターンが

２歩分，右足着地パターンが２歩分含まれている． 4

歩分の振動パターンを一つのまとまりとして扱うこと

で，歩行パターンの抽出精度の向上が期待できる．ま

た，個人識別においても特徴量の評価精度が向上する

ものと考えられる．

3. 歩行パターン抽出方法について 振動計で取得した歩行振動から 4 歩ごとの振動パタ

ーン 4step を抽出する．自動的に 4step を抽出するため

に，特定のパターンを検出する識別器を構築する．識

別器を構築するために機械学習の Adaboost 法を用い

る [8-12]．Adaboost 法によって求まる識別器を図 2 に

示す．識別器は複数の弱識別器（Weak Classifier）ht, t=1,

…, T と，それらの出力の信頼度α t で重み付けした多

数決を行う強識別器（Strong Classifier）で構成されて

いる．Adaboost 法において，4step を検出する識別器

を構築するためには，学習サンプルを準備する必要が

ある．体電位法により一歩あたりの歩行運動における

電位の変化は図 3 に示すパターンがみられる [13]．振

動データにおいても同様な振動パターンがみられるこ

とを確認している．

今回は被験者 A～E の 5 人を対象に歩行振動データ

を採取し，そこから学習用の 4step サンプルに切り分

けた．図 4 は歩行振動データからの 4step サンプルの

切り出しについて示している．なお，4 歩分の振動パ

ターンに対応しないパターンも切り出し，これを

“Non4step”と呼ぶこととする．この作業により，学

図 1. 歩行振動観測・解析システムの概念図

習サンプルとして 4step パターン 200 個， Non4step パ

ターン 400 個を準備した．また，学習サンプルとは別

に，学習後の評価サンプルとして 4step パターン 50 個，

Non4step パターン 100 個も準備した．図 5 に各被験者

の 4step パターンを例示した．

4. 解析結果

4.1. 識別器の構築と 4step 準備した学習サンプルを用いて，Adaboost 法をによ

り 4step パターンを検出するため，100 個の弱識別器お

よびその信頼度を求めた．これらの弱識別器・信頼度

により強識別器を構築した．図 6 に構築した識別器の

サンプルデータに対する識別性能を示す．図 6(a)は学

習サンプルデータ（4step パターン 200 個，Non4step

パターン 400 個）に対する強識別器の内部評価値 G（図

2 参照）の分布を描いたものである．4step パターンに

対して評価値 G は正値側に，Non4step パターンに対し

て評価値 G は負値側に完全に分離して分布している．

図 6(b)は学習には用いていない評価サンプルデータ

（4step パターン 50 個，Non4step パターン 100 個）に

対する評価値の分布を描いたものである．互いの分布

が干渉し，判断を誤るパターンも存在するが，大半の

パターンの識別が行えていることが分かる．

図 2. Adaboost 法で構築される識別器

図 3. 歩行運動単位の体電位変化

図 4. サンプルデータの切り出し

被験者 A 被験者 B 被験者 C 被験者 D 被験者 E

図 5. 5 人の被験者による 4step サンプルデータ例

(a) 学習サンプルデータに対する評価値 G の分布

（4step データ 200 個，Non4step データ 400 個）

(b) 評価サンプルデータに対する評価値 G の分布

（4step データ 50 個，Non4step データ 100 個）

図 6. サンプルデータに対する識別結果

(a) 被験者 A・学習サンプル切り出しデータ

(b) 被験者 A・評価サンプル切り出しデータ

(c) 被験者 E・学習サンプル切り出しデータ

(d) 被験者 E・評価サンプル切り出しデータ

図 7. 歩行振動データからの 4step 自動抽出

以前の 1 歩分の歩行振動パターン Step を学習した識

別器と今回の識別器を比較すると，今回の方が分布の

重なりは減少している．よって，4 歩分の歩行振動パ

ターンを 4step として扱うことで検出精度の向上につ

ながったといえる．

4.2. 歩行振動データからの 4step 自動抽出 構築した識別器を用いて歩行振動データから 4step

パターンを自動検索・抽出した．図 7 は歩行振動デー

タからの 4step 自動抽出の結果である．ここでは被験

者 A，E の結果を挙げる．図 7(a)は被験者 A において

学習サンプルの切り出しに用いた振動データから

4step パターンを自動検索・抽出した結果である．矩形

部分が抽出した 4step パターンである．この図より，

ほぼ正確に４つの 4step パターンが抽出できているこ

とが分かる．図 7(b)は被験者 A において評価サンプル

の切り出しに用いた振動データから自動検索・抽出し

た結果である．この場合，最後の 4step が検出出来て

いないが，前半の３つの 4step パターンは抽出できて

いる．図 7(c)は被験者Ｅにおいて学習サンプルから

4step パターンを自動検索・抽出した結果である．一部

に一歩分の未抽出部分がみられるが，３つの 4step パ

ターンが抽出できている．図 7(d)は被験者 E において

評価サンプルから自動検索・抽出した結果である．こ

の場合，最初の１つの 4step パターンしか抽出できて

いない．図 7(c) および図 7(d)の歩行振動データに注目

すると，被験者Ｅの歩行振動は一歩一歩の区切りがわ

かり難い．このような歩行振動に対しても，抽出でき

るよう，さらなる精度の向上が必要である．

4.3. 歩行振動パターン 4step による特徴量評価 次に抽出した 4step パターンについて，個人毎の特

徴量を評価し，個人識別を検討する [7,14]．特徴量の評

価 方 法 と し て 主 成 分 分 析 （ Principal Component

Analysis : PCA）を用いる．主成分分析では，全被験者

の 4step パターンの共分散行列を計算し，その固有値・

固有ベクトルを求める．固有値の大きい順に特徴空間

を構成することで，個人毎の特徴を明確に表現できる．

今回，特徴空間として，第 1 主成分～第 10 主成分まで

の 10 次限で評価した．

図 8 は被験者 A の平均特徴ベクトルを基準と定めた

場合に，各被験者の 4step パターンの特徴量の距離を

評価したものである．被験者 A の 4step パターンは基

準の平均特徴ベクトルに近く，距離が小さい部分に分

布している．図 8(a)は被験者 B の 4step パターンの特

徴距離の分布を描いている．被験者 A の分布と重なり

もみられるが，距離が 15 程度の比較的離れた位置に分

布していることが分かる．図 8(b)は被験者 C の 4step

パターンの特徴距離の分布を描いている．被験者 A と

の重なりがみられるが，距離が 18 程度の離れた位値に

分布している．被験者 D の 4step パターンの特徴距離

の分布（図 8(c)）および被験者 D の 4step パターンの

(a) 被験者Ｂの特徴距離の分布 (b) 被験者Ｃの特徴距離の分布

(c) 被験者Ｄの特徴距離の分布 (d) 被験者Ｅの特徴距離の分布

図 8. 被験者 A の特徴ベクトルを基準としたときの各被験者の 4step パターンの特徴距離の分布

特徴距離の分布（図 8(d)）についても，同様に基準の

特徴ベクトルから離れていることが確認できる．

これらの結果から 4step パターンの主成分分析から，

個人毎の特徴評価ができ，個人識別の可能性が示され

ている．

5. 多点観測によるシステムの発展 振動計を複数点に設置することで，多方向からの振

動に対応できる装置の作成によって，より歩行振動に

よる個人識別の精度が向上すると考えた．

観測ユニットの作製のため，振動の検出に３軸加速

度センサ KXR94-2050 を使用する．今回は加速度セン

サでｚ軸方向の振動を観測した．観測したデータは

Arduino のアナログ -デジタル変換器 (ADC,10bit)により

デジタル値として取り込む．データは Arduino の通信

機能により PC に送信される．観測ユニットはリファ

レンスの加速度計 GID-SSS/U10x（数理設計研究所）に

特性を対応させるよう調整する．これにより振動計の

多点設置が可能になり，歩行振動観測の精度向上につ

ながる．

図 9. 観測ユニット多点設置による測定

6. まとめ・今後の課題 本研究では人の歩行動作に関する情報に注目し，歩

行時に発生する振動データから個人識別を行う手法に

ついて検討した．歩行動作には個人固有の体型や癖が

含まれ，固有情報が歩行時に発生して床に伝わる振動

にも反映されるものと仮定した．振動データを取得し，

歩行動作における 4 歩毎の振動パターン 4step を

Adaboost 法で構築した識別器で抽出した．また， 4step

パターンについて主成分分析を行った結果，個人毎の

パターンの特徴量を評価でき，個人識別の可能性を示

した．

今後は複数カ所の同時観測システムを完成させ，観

測精度の向上，多様データの取得を計画している．本

研究はセキュリティ以外にも，定期的に歩行振動を観

測することで，健康状態などを知ることができ，医療

面への応用も期待できる．

文 献 [1] 中川聖一，“音声認識研究の動向”，電子情報通信

学会論文誌，D 83.2，pp.433-457，2000．

[2] 佐藤俊雄，“顔による個人認証”，生体医工学，44.1， pp.40-46，2006．

[3] 平山高嗣，岩井儀雄，谷内田正彦，“顔画像認識を用いた施錠セキュリティシステム FACELOCK の開発”，電気学会論文誌，C 124.3，pp.784-797，2004．

[4] 佐藤公則，大野敬弘，鹿嶋雅之，渡邊睦，“手の形状を利用した非接触型セキュリティキー入力システムの開発”，画像電子学会誌， 38.5， pp. 686-693，2009．

[5] 内田薫，溝口正典，“指紋による携帯向け個人識別端末とそのセキュリティ”，電子情報通信学会技術研究報告，PRMU，パターン認識・メディア理解，99.118，pp.13-20，1999．

[6] 中村雄一，黒川敦史，米田大輔，長谷川竜生，伊丹伸，中川匡弘，“歩行時に発生する振動データを用いた個人識別の検討”

[7] Y. Nakamura, K. Ito, T. Hasegawa, S. Itami, Y. Saika, and M. Nakagawa, “Individual Identification by Gait Vibration Data Transmitted Floor”, 16th International Conference on Control, Automation and Systems, Oct. 16-19, 2016 Korea.

[8] Y. Freund, and R. E. Schapire, “Experiments with a new boosting algorithm”, ICML, Vol. 96, 1996.

[9] P. Viola, and M. Jones, “Rapid object detection using a boosted cascade of simple features”, Computer Vision and Pattern Recognition 2001, Proceedings of the 2001 IEEE Computer Society Conference on. Vol. 1. IEEE, 2001.

[10] P. Viola, and M. Jones, “Robust real-time object detection”, International Journal of Computer Vision, 4, pp.51-52, 2001.

[11] 三田雄志，“AdaBoost の基本原理と顔検出への応用 : CVIM 研究会 チュートリアルシリーズ (チュートリアル 2).”，情報処理学会研究報告， CVIM， [コンピュータビジョンとイメージメディア ] 2007.42，pp.265-272，2007．

[12] M. Turk, and A. Pentland, “Face recognition using eigenfaces”, Proceedings of Computer Vision and Pattern Recognition, pp.568–591, 1991.

[13] 滝口清昭，“自然歩行データ取得システム”，IPA，平成 13 年度 「未踏ソフトウェア創造事業」，2001

[14] 坂野鋭，“パターン認識における主成分分析顔画像認識を例として”，統計数理，49.1，pp.23-42，2001．