CN100355228C

CN100355228C - 异常检测装置、异常检测系统及异常检测方法

Info

Publication number: CN100355228C
Application number: CNB021605149A
Authority: CN
Inventors: 上野玲子; 兼田典子; 大森隆司; 原孝介; 山本浩司; 井上茂之; 田中真司
Original assignee: Matsushita Electric Industrial Co Ltd
Current assignee: Panasonic Holdings Corp
Priority date: 2001-12-25
Filing date: 2002-12-25
Publication date: 2007-12-12
Anticipated expiration: 2022-12-25
Also published as: JP2003256957A; DE60205572D1; JP3996428B2; US6989742B2; HK1056801A1; EP1324290A2; US20030117279A1; EP1324290A3; DE60205572T2; CN1428963A; EP1324290B1

Abstract

提供一种不依赖于检测异常事态的对象物或事项的种类、数量等就可检测异常事态产生的通用性高的异常检测装置。具备：微动检测传感器(25a-25c)，检测屋内人的微动；数据收集部(32)，收集、存储这些传感器信号，作为传感器模式；马尔科夫链运算部(33)，通过将平均化、标准化了的传感器模式的输入模式矢量化，变换为群集时间序列，通过适用马尔科夫链，算出马尔科夫链的变迁次数矩阵及所需时间分布等；和比较部(34)，根据得到的变迁次数矩阵及所需时间分布等，算出对日常行动的采样行动的特征量(马尔科夫链出现频率的欧几里得距离、平均对数似然、对马尔科夫链所需时间分布的平均对数似然)，与一定的阈值相比较。

Description

异常检测装置、异常检测系统及异常检测方法

技术领域

本发明涉及一种异常检测装置等，尤其是涉及适于检测屋内独居老人等产生异常事态等人的行动异常的装置等。

背景技术

对设备的动作状态或人的行动等事项进行了各种检测异常事态的尝试。例如，监视独居高龄者的行动，检测异常事态的发生，对于进入高龄化国家而言是重要的技术。作为一个现有技术，如特开2001-67576号公报中公开的异常事态通报系统。

该现有系统为了监视一人生活的老人或病人等的生活状况，具备(a)传感器部件，设置在被监视者居住的卫生间内，并且一旦检测该卫生间的使用就输出规定信号；(b)第一通信单元(无线终端装置)，设置在卫生间中，并且一旦接收来自传感器部件的信号就输出规定的信号；和(c)第二通信单元(主装置)，具备监视计时器，一旦接收来自第一通信单元的信号就开始计时，一旦来自第一通信单元的信号经过规定时间以上并断路后，通报监视中心发生异常事态。由此，在老人由于生病等倒地且身体不能动的状态下，持续一定时间以上未利用卫生间的状态，则检测老人的身体产生异常事态。

但是，在上述现有系统中，以老人在一定时间内一定去卫生间的行动特性为前提。因此，需要排除尽管非异常(正常)但经过一定时间以上后未去卫生间的例外情况、例如老人外出的时，或由身边的室内用便盆完成使用时等情况。

另外，该现有系统仅以具备卫生间的建筑物内的人的行动为对象来检测异常，存在其用途和可使用方面受到极大的限制的问题。即，不能检测不具备卫生间的场所和不使用卫生间的时间带内的人的行动异常、不使用卫生间的宠物等的动物或设备等物的动作异常等。

发明内容

因此，本发明鉴于这种问题而提出，其目的在于提供一种通用性高的异常检测装置等，不依赖于检测异常事态的对象物和事项的种类、数量、监视这些对象物和事项的空间(场所、时间带等)，就可检测这些对象物和事项中的异常事态的发生。

为了实现上述目的，本发明的异常检测装置是对对象事项检测产生异常的装置，其特征在于：具备输入单元，取得作为依赖于上述事项而变化的数据的输入模式的时间序列；转变分析单元，分析取得的输入模式时间序列转变的特征；比较单元，比较分析的上述转变特征和预定的基准值，若上述特征与上述基准值在一定范围内近似，则判断上述事项产生异常；和输出单元，在上述比较单元判断产生异常的情况下，进行相应的输出动作；上述输入单元包含设置在建筑物内多个位置的多个微动检测传感器，取得作为表示有无来自这些多个微动检测传感器的微动的信息组合的传感器模式，作为上述输入模式；上述转变分析单元算出上述输入模式时间序列的马尔科夫链，分析算出的马尔科夫链的特征，作为上述分析。。

即，取得将对应于作为监视对象的人或物的动作等事项变化而变化的数据作为输入模式的时间序列，着眼于该时间序列的模式转变，提取转变的特征量，与正常情况下的进行比较，检测异常事态的产生。这里，所谓事项是由来自设备传感器等的信号、来自人的报告(数据输入)等而表现为计算机可处理数据的现象，典型的如屋内的人的行动。

以室内人的行动为对象时的本发明的途径如下。

即，使用在规定的多个部位设置微动检测传感器的住宅(高度电脑化住宅)中得到的传感器信息，尝试个人日常生活的记述和生活异常改变的检测。这里的问题是个人具有不同的生活习惯，计算机必须理解对每个人定义的日常活动。

另一方面，在一个脑的认识信息处理中，存在离散化环境后用于预测等的符号处理。这可以认为是预测外界事项来进行生活所需要的，可以将这种认识功能利用于模型化及与人的匹配好、支持人的设备信息处理中。

具有感知人的存在、动作的传感器的高度电脑化住宅可以认为是将适于人外部的感觉器变为适于内部，有望适用于支持人的活动的认识信息处理。因此，根据高度电脑化住宅得到的实测数据，作为与人类似的信息处理模型，进行使用行动时间序列的似然的异常检测。

具体而言，构筑作为人脑符号处理基础的、连续感觉数据的离散化、该离散状态间的状态转变的环境模型，根据该模型推定实际行动的似然。由此，与学习的各人数据比较后可发现异常行动(似然低的行动)，可进行不打乱人的每天日常生活的异常检测。另外，在离散化中最好使用矢量化，在环境模型中最好使用马尔科夫过程。

另外，人的生活由多个日常行动构成，假定对应于状况启动，在再现性的某个时间区间离散化传感器时间序列，生成该时间区间内的本地日常模板。在时间区间的自动提取中应用图像处理方法，通过使用作为一定时间宽度的时间窗的模板匹配，提取相关高的时间区间。从而可构筑具有时间阶层性的日常表现。

作为日常模板的的验证，进行异常行动检测。在异常行动检测中，检测日常模板与实际中的行动不同。具体而言，采用(i)比较日常模板的概率分布和实际行动的似然，(ii)用概率分布间距测定用本地时间区间计算的日常模板与通常的日常模板的不同等方法，进行评价。

另外，本发明不限于通过上述异常检测装置等专用硬件实现，也可实现将其特征构成要素设为步骤的异常检测方法，实现为由通常的计算机执行其步骤的程序，实现包含异常检测装置和其通报目标的异常检测系统。

附图说明

图1是表示本发明实施例的异常检测系统的整体结构的框图。

图2是表示微动检测传感器位置的高度电脑化住宅平面图。

图3是表示异常检测装置结构的功能框图。

图4表示来自微动检测传感器的传感器信号的值(传感器模式的时间序列)。

图5是表示马尔科夫链运算部的动作的流程图。

图6是表示传感器模式平均化的详细计算步骤的流程图。

图7是表示平均化后的传感器模式标准化的详细计算步骤的流程图。

图8是表示对输入模式矢量化的详细计算步骤的流程图。

图9是表示群集位置的高度电脑化住宅的平面图。

图10是表示群集时间序列的算出步骤的流程图。

图11是表示马尔科夫链出现频度的变迁次数矩阵算出步骤的流程图。

图12是表示马尔科夫链所需时间分布算出的前半步骤的流程图。

图13是表示马尔科夫链所需时间分布算出的后半步骤的流程图。

图14是表示比较部的距离算出部的马尔科夫链出现频度的距离算出步骤的流程图。

图15是表示上述距离算出的标准化详细计算步骤的流程图。

图16是表示上述距离算出的欧几里得距离算出的详细计算步骤的流程图。

图17是表示比较部的似然算出部的马尔科夫链出现频度的似然算出步骤的流程图。

图18是表示上述似然算出的详细计算步骤的流程图。

图19是表示对比较部的似然算出部的马尔科夫链所需时间分布的似然算出步骤的数据流图。

图20是表示上述似然算出的详细计算步骤的流程图。

图21是表示实验1中日常模板的变迁次数矩阵的高度电脑化住宅的平面图。

图22是表示实验1中异常时的变迁次数矩阵的高度电脑化住宅的平面图。

图23是表示实验1中每个实验序号(采样)的马尔科夫链出现频度的距离的图。

图24是表示实验2中每个实验序号(采样)的马尔科夫链出现频度的距离的图。

图25是表示实验3中对马尔科夫链所需时间分布的似然的图。

图26是表示实验4的日常模板变迁次数矩阵的公寓型高度电脑化住宅的平面图。

图27是表示实验4中每个实验日及时刻的马尔科夫链出现频度的似然的图。

图28是表示实验5中基于自己申告的被实验者行为的图。

图29是表示实验5中每个实验日及时刻的马尔科夫链出现频度的似然的图。

图30是根据本发明变形例的异常检测系统的马尔科夫链运算部的详细结构的功能框图。

图31是表示图31系统的本地模板生成部的动作的流程图。

图32是说明本地模板生成的微动传感器序列图。

图33是表示对图32所示4个事例的传感器序列计算所有时间相关的结果的图。

图34是表示二进制化图33所示相关、附加标记、提取各时间区间的实例的图。

图35是表示从出现早上场面的四种事例中提出类似时间序列区间的实例的图。

图36是表示从出现晚上场面的两种事例中提出类似时间序列区间的实例的图。

图37是表示同系统本地模板预测部动作的流程图。

图38是表示推定为可靠度的模板实例的图。

图39是表示推定为输入群集时间序列的模板实例的图。

图40(a)-(f)是表示六种本地模板提取用的时间序列的图，(g)-(l)是表示对应于(a)-(f)的本地模板选择前的本地模板的图，(m)-(r)是表示对应于(a)-(f)的本地模板选择后的本地模板的图。

图41是对实验1中使用全局模板的情况和使用本地模板的情况下分别比较平均对数似然的图。

图42是对实验2中使用全局模板的情况和使用本地模板的情况下分别比较平均对数似然的图。

图43是对实验3中使用全局模板的情况和使用本地模板的情况下分别比较平均对数似然的图。

图44是使用各种传感器信号来检测人的行动异常事态产生的变形例的异常检测系统的结构图。

图45是在高度电脑化住宅中进行数据收集、由监视中心等进行处理分散以进行异常产生的分析、判断的变形例的异常检测系统的结构图。

图46是具备通过家庭网络收集传感器信号的异常通报装置的变形例的异常检测系统的结构图。

发明实施例

下面，用附图来详细说明本发明的实施例。

图1是表示本发明实施例的异常检测系统的整体结构的框图。该异常检测系统10为检测室内人的行动的异常产生并通报给特定联络地的系统，具有不限定室内的场所和时间带进行异常检测的特征，由通过通信网络40连接的高度电脑化(intelligent)住宅20、监视中心50和便携电话60构成。

高度电脑化住宅20是图2的平面图中所示的两层住宅，具备：设置在室内规定位置(20部位的黑点)处的微动检测传感器25a-25c；和异常检测装置30，通过监视来自这些微动检测传感器25a-25c的传感器信号，检测室内人的行动异常，通过通信网络40，将检测的内容通报给监视中心50和事先登录的联络目标(这里为便携电话60)。另外，微动检测传感器25a-25c例如是检测从人体发出的红外线的红外线传感器，在各传感器的设置方向等确定的检测空间(例如卫生间内)存在人，并且在检测其动作时，向异常检测装置30输出该内容。

监视中心50是集中监视作为对象的多个高度电脑化住宅20内的异常产生的救护中心等，具备一旦通过通信网络40接收来自异常检测装置30的通报就向警报器或显示装置等输出该情况的装置。便携电话60是登录在异常检测装置30上的一个联络目标，接收从异常检测装置30发送来的通知(表示高度电脑化住宅20中产生异常内容的电子邮件等)。

图3是表示图1所示异常检测装置30的结构的功能框图。该异常检测装置30是连接室内微动检测传感器25a-25c和通信网络40的控制器，由输入部31、数据收集部32、马尔科夫(マルコフ)连锁运算部33、比较部34和输出部35构成。

输入部31是操作面板等输入设备，操作者向异常检测装置30提供代替微动检测传感器25a-25c的数据，用于对该异常检测装置30设定各种参数等。

数据收集部32由接收并记录来自微动检测传感器25a-25c的传感器信号的数据记录器或硬盘等构成，具备：根据事先设定的条件，将来自微动检测传感器25a-25c的传感器信号及来自输入部31的输入数据存储为采样行动数据的采样行动数据存储部32a；和存储为表示日常行动数据的日常行动数据存储部32b。

所谓采样行动是指以监视异常产生作为对象的行动，所谓日常行动是指正常状态下的行动(作为判断有无发生异常基准的行动)。

马尔科夫链运算部33是由根据控制程序执行数据处理的CPU或存储器等实现的处理部，在异常发生监视前(基准数据的形成模式下)，通过对日常行动数据存储部32b中存储的传感器模式实施后述的运算处理，算出日常行动的马尔科夫链的变迁次数矩阵及所需时间分布，作为日常行动的特征量。另外，在异常发生的监视时(监视模式)，对采样行动数据存储部32a中存储的传感器模式的时间序列(或直接对从微动检测传感器25a-25c输入的传感器模式)实施同样的运算处理，算出群集(cluster)的时间序列或马尔科夫链的变迁次数矩阵等，作为采样行动的特征量。所得结果都输出到比较部34。

另外，所谓马尔科夫链是指对事项的时间序列，在将第n事项与在其以前的事项结果关联并确定时该事项的时间序列，这里，对应于表示室内人的行动(移动部位等)的传感器模式的时间序列(还包含对该时间序列实施一定运算处理得到的输入模式及群集的时间序列)。另外，所谓马尔科夫链的“变迁次数矩阵”是表示从过去的各事项变迁至该事项的次数的矩阵，所谓马尔科夫链的“所需时间分布”是就作为对象的时间序列而言，关于上述变迁次数矩阵的各要素(状态转变)的持续时间的直方图。另外，所谓“输入模式”是对传感器模式实施后述的平均化和标准化所得的模式，所谓“群集”是代表所有输入模式的特定个数的模式，用于将种类庞大的输入模式映射为特定个数(这里为30个)的代表模式。

另外，本异常检测装置30不必区别作为对象的事项属于日常行动还是属于采样行动，可将平均化存储的数据后的数据作为日常行动的数据。即，数据收集部32不区别收集到的数据是采样行动和日常哪一个就存储，马尔科夫链运算部33将经过一定期间存储的数据平均化后的数据为日常行动，将各个(每天的)数据作为采样行动的数据，算出上述特征。

比较部34是由根据控制程序执行数据处理的CPU或存储器等实现的处理部，具有如下功能：对于日常行动和采样行动，比较与马尔科夫链的出现频度和状态转变的持续时间相关的特征，在其差超过一定阈值(或类似程序小于一定阈值)的情况下，判断产生异常，将该情况通知给输出部35，因此，作为运算处理部，具有距离算出部34a和似然算出部34b。

距离算出部34a根据从马尔科夫链运算部33输出的两个变迁次数矩阵、即对日常行动得到的马尔科夫链的变迁次数矩阵和对采样行动得到的马尔科夫链的变迁次数矩阵，算出马尔科夫链出现频度中的距离。另一方面，似然算出部34b根据从马尔科夫链运算部33输出的对日常行动得到的马尔科夫链的变迁次数矩阵和对采样行动得到的群集时间序列，算出马尔科夫链出现频度中的似然，并根据从马尔科夫链运算部33输出的对日常行动得到的马尔科夫链所需时间分布和对采样行动所得到的群集时间序列，算出对马尔科夫链所需时间分布的似然。

输出部35是根据控制程序执行通信控制的CPU或调制解调器等，一旦接收来自比较部34的距离算出部34a和似然算出部34b的通知、即产生异常内容的通知，则通过通信网络40通报给使用输入部31等事先登录的联络目标(监视中心50及便携电话60等)。例如，进行电话呼叫，事先登录表示产生异常内容的信息，作为电子邮件发送给地址目的地。

该输出部35通过输入部31的事先设定内容，具有如下选项功能：(1)不仅输出表示产生异常内容的信息，而且输出表示产生何种异常的信息(对出现频度/所需时间分布、距离/似然哪一个产生异常的信息、其值、产生时刻等)，(2)由异常检测装置30中具备的警报器警报或由显示板显示，(3)在接收来自通报目标的确认数据之前，反复通报。

下面，详细说明如此构成的异常检测系统10的动作。

图4表示由数据收集部32收集的来自微动检测传感器25a-25c的传感器信号的值(传感器模式的时间序列)。这里，表示来自高度电脑化住宅20中设置的20个微动检测传感器25a-25c的传感器信号(存在人并且有微动时为1)、和传感器信号变化时的时刻。各传感器模式由20维的要素(1或0)构成，每变化一个要素，则作为新的传感器模式存储贮备在采样行动数据存储部32a或日常行动数据存储部32b中。

另外，这些传感器模式(pattern)不包含与各传感器配置相关的信息。微动检测传感器25a-25c从有微动状态到没有微动状态表现为1，传感器无反应的状态表现为0。因此，表示有无传感器(不知在哪个房间)的微动检测的二进制值信息和该事件产生时刻的信息是输入本异常检测装置30的一个原始数据。

图5是表示马尔科夫链运算部33的动作的流程图。这里，表示在对图4所示传感器模式的时间序列算出马尔科夫链的变迁次数矩阵和马尔科夫链所需时间分布之前的全体运算步骤。下面，依次详细说明本图各步骤。

马尔科夫链运算部33首先对应于动作模式(监视模式/基准数据形成模式)，从采样行动数据存储部32a或日常行动数据存储部32b读取一连串传感器模式的时间序列，通过进行平均化和标准化，将各传感器模式变换为输入模式。

具体而言，将作为处理对象的传感器模式bt设为N步骤(bt为设t＝1，…，N时b的时间序列)。来自微动检测传感器25a-25c的信息因为以数秒的间隔产生，所以一旦将其原样用作输入事项，则很可能不能对人的行动进行正确加权。因此，对得到的传感器模式bt进行时间平均化。具体而言，如下式所示，取作为一定时间宽度的时间窗，在进行高斯函数的加权加法后，进行标准化。

式1

另外，上述式1的上式表示的平均化的详细计算步骤如图6所示流程图所示，上述式1的下式所示标准化的详细计算步骤如图7所示流程图所示。在这些图中，bt和xt是具有20维排列要素和其模式持续时间(bt.time、xt.time)的数据。

接着，马尔科夫链运算部33通过将得到的输入模式xt矢量化，如下式所示，确定代表的输入模式(I个群集wi)。

式2

在上述式2中，c：arg max(wi·xt)表示设wi(i＝1，…I)矢量中距xt矢量最近的(两个矢量间的角度余弦最大)矢量为wc。式2所示矢量化的详细计算步骤如图8所示流程图所示。这里，设群集数I为30，学习次数L为20000。

该学习的结果，根据传感器模式的数据空间，算出近似于I个群集的矢量。该结果的采样(群集)如图9的房屋平面图中示为×标记所示。这里，各群集表现为对微动检测传感器25a-25c的位置重心。

接着，马尔科夫链运算部33通过将上述步骤S10中得到的输入模式xt输入上述步骤S11中得到的群集中并分类，如下式所示，求出对应于输入模式xt的群集时间序列st。即，将输入模式的时间序列变换为使用特定个数群集的时间序列。

式3

另外，上述式3所示群集时间序列的算出步骤如图10所示流程图所示。

接着，马尔科夫链运算部33对得到的群集时间序列St计算D维马尔科夫链。具体而言，根据下式，求出马尔科夫链的变迁次数矩阵和马尔科夫链的所需时间分布。

(4-1)算出变迁次数矩阵

式4

另外，上述式4所示变迁次数矩阵的算出步骤如图11所示的流程图所示。因为在群集时间序列中相邻群集相同的情况下不视为转变，所以实施将这种(同一群集连续的)情况作为变迁次数而不计数的处理(步骤S163)。

(4-2)算出所需时间分布

接着，对于

式5

将表现为st的状态转变持续多长时间作为以下所示的所需时间分布，生成将最大值最小值进行L分割的直方图。

式6

式7

另外，所需时间分布的算出步骤如图12和图13所示流程图所示。这里，在算出各状态转变所需时间后(图12的步骤S170-S178)，算出属于将最大时间和最小时间之间K分割后各时间区间的事项的总数(图13的步骤S180-S187)。在图13中，Bar(k).To和Bar(k).From表示各时间区分的范围，Bar(k).height表示属于该时间区分的事项总数。

对这种步骤得到的日常行动的变迁次数矩阵和所需时间分布作为日常模板(基准数据)，用于比较部34判断异常发生。

图14是表示比较部34的距离算出部34a的马尔科夫链出现频度的距离算出步骤的流程图(着眼于数据变化、流向的图)。

首先，距离算出部34a通过将作为日常模板计算的变迁次数矩阵Mdaily标准化，来算出概率分布M’daily(步骤S20)，同时，对根据采样行动时间序列计算的变迁次数矩阵Msample也同样算出概率分布M’sample(步骤S21)。该概率公布表现马尔科夫链的出现频度。

接着，距离算出部34a根据下式算出这两个概率分布间的距离(这里为欧几里得距离)(步骤S22)。

error＝D(M’daily，M’sample)

另外，上述步骤S20和S21中标准化的详细计算步骤如图15所示的流程图所示，步骤S22中的欧几里得距离的算出步骤如图16所示流程图所示。

如此算出的距离error的值越大，则为与日常不同的行动。因此，比较部34判断该值error是否超过一定阈值，在超过的情况下，将该情况通知给输出部35。

这种使用出现频率的距离的比较，比较行动次数比例，对于生活行动的大致观测有用。例如，若日常回家时用饭的人未用饭时，则遗漏记述用饭行动的时间序列。该差异在变迁次数矩阵中显著表现，可由将其标准化的概率分布间的距离来比较。但是，因为计算变迁次数矩阵时的时间带依赖性(时间从哪开始到哪为止)成为问题，所以本异常检测装置30根据操作者通过输入部30指定的时间范围指定等，计算变迁次数矩阵。

图17是表示比较部34的似然算出部34b的马尔科夫链出现频度的似然算出步骤的流程图。

首先，似然算出部34b通过标准化作为日常模板计算的变迁次数矩阵Mdaily，算出概率分布M’daily(步骤S30)。

式8

接着，对该概率分布，如下式所示，求出想比较的采样行动时间序列(群集时间序列)s1，…，sN的平均对数似然，作为异常检测的特征(步骤S31)。

式9

上述步骤S31中的似然算出步骤如图18所示流程图所示。这里，示出对比较对象的群集时间序列的对数似然LineGraphs(t).likelihood的计算步骤。通过算出这些对数似然的平均，算出式9所示平均对数似然error。

如此算出的似然的值越低，则比较的行动时间序列取与日常相反的行动。因此，比较部34判断该似然error是否小于一定的阈值，在小于的情况下，将该情况通知给输出部35。

这种使用出现频度似然的比较在日常不太进行的行动，在出现几次的异常检测中发挥威力。例如，日常不站在厨房的人几次出现在厨房时检测为异常。

图19是表示对比较部34的似然算出部34b的马尔科夫链所需时间分布的似然算出步骤的数据流图。

首先，似然算出部34b对日常模板中的马尔科夫链所需时间分布

式10

求出标准化的概率分布(步骤40)。

式11

对该概率分布，如下式所示，求出想比较的行动时间序列(群集时间序列)s1，…，sN的平均对数似然，作为异常检测的特征(步骤S41)。

式12

上述步骤S31中的尤主算出步骤如图20所示流程图所示。这里，步骤S225中的Barposition(Time)是检查时间Time位于Bars()排列的第几个的函数。在本图中，表示对比较对象的群集时间序列的对数似然lineGraphs(t).likelihood的计算顺序。通过算出这些对数似然的平均，算出式12所示的平均对数似然error。

在使用对这种所需时间分布的似然的比较方法中，呈现日常各行动需花多长时间的特征。例如所谓“通过楼梯”的行动在日常仅持续数秒，所需时间分布分布在数秒附近。若经过数分仍不移动(马尔科夫链不持续)，则检测为异常。

下面，进行日常模板的计算和5种实验，作为使用其的异常检测实验，说明其内容和结果。

实验1

假定生活在高度电脑化住宅20中的人早上起来后外出等行动时间序列，一名被实验者进行如下行动，存储传感器数据。图21和图22表示此时的马尔科夫链的变迁次数矩阵的采样。图21表示日常模板中的变迁次数矩阵，图22表示异常时的变迁次数矩阵。在这些图中，连接群集(×标记)的实线和虚线表示转变次数多，实线表示从群集序号小的群集到大的群集的转变，虚线表示从群集序号大的群集到小的群集的转变。

日常例

·起床→洗脸→卫生间→外出：6次

·起床→洗脸→外出：6次

异常例

·起床→外出：2次

·起床→卫生间→外出：2次

·起床→洗脸→卫生间→外出(改变被实验者进行实验)

将作为日常例存储的传感器数据平均化后的马尔科夫链的变迁次数矩阵用作日常模板。对该日常模板使用马尔科夫链出现频度的距离比较，对于日常的马尔科夫链，比较日常例、异常例的结果如图23所示。

图23中，横轴表示实验序号，纵轴表示欧几里得距离。实验序号1a1-1b6是日常例，实验序号1c1-1a7k是异常例。另外，实验序号1a7k是不同被实验者的异常例。

从结果可知，异常例对日常模板的距离大，日常例与日常模板的距离小。因此，通过将该距离与一定阈值比较，可检测异常的发生。

实验2

假定生活在高度电脑化住宅20中的人回家并用饭后，休息就寝等行动时间序列，一名被实验者进行如下行动，存储传感器数据。

日常例

·回家→准备饭→吃饭→收拾碗筷→在沙发中休息→就寝：14次(在这些行为中可混入卫生间，加入在沙发中休息定时改变的变化。例如：回家→卫生间→准备饭→吃饭→收拾碗筷→在沙发中休息→就寝)

异常例

·回家→就寝

·回家→卫生间→就寝

·回家→准备饭→就寝

·回家→沙发→卫生间→就寝

·回家→日式房间→准备饭→吃饭→收拾碗筷→就寝

将作为日常例存储的传感器数据平均化后的马尔科夫链的变迁次数矩阵用作日常模板。对该日常模板使用马尔科夫链出现频度的距离比较，对于日常的马尔科夫链，比较日常例、异常例的结果如图24所示。

图24中，实验序号2a1-2s2是日常例，实验序号2k1-2j2k是异常例。另外，实验序号2j2k是不同被实验者的异常例。

实验3

假定生活在高度电脑化住宅20中的人在楼梯附近起居室中突然倒下时，将一名被实验者象日常那样步行，突然在楼梯附近和起居室内倒下，不能动作作为采样。使用上述实验1和实验2中收集的传感器数据作为日常模板。

对于该模板，使用对所需时间分布的似然比较进行比较的结果如图25所示。图25中，横轴表示所需时间分布的时间区分，纵轴表示该时间区分的似然。

在该实验中，当在起居室内倒下时(图中的曲线400)或在楼梯处倒下时(图中的402)，似然为低的值。因此，通过将该似然与一定阈值比较，可检测异常的发生。

(实验4)

在该实验中，使用公寓型的高度电脑化住宅。该高度电脑化住宅与二层的实验住宅不同，另外在公寓中配置了15个微动检测传感器，这里，人实际生活了14天。对该生活数据假定取在相同时刻类似的行动，将14天的行动时间序列区分为每1小时的时间带后平均化的变迁次数矩阵(图26的房屋平面图中的实线和虚线)作为日常模板。

对该日常模板使用马尔科夫链出现频度的似然比较来比较各天的行动时间序列的结果如图27所示。图中，横轴表示一天中的时刻，纵轴表示日期。另外，图中的黑色矩形表示没有行动或非常少，格子形的矩形和白色的矩形表示密的程度，似然高。

在本图中，着眼于似然明显低的12日的19-20点。详细观察该时间带的马尔科夫链，出入洗脸间多。被实验者自己申告此日午后去美容院，可推测这成为间接的原因。

(实验5)

生活行为外时间数据为被实验者11人自己申告在约1个月的生活中从何时到何时进行睡眠、去卫生间、用饭、外出、洗澡这5个行为的数据(图28)。图28是表示自己申告内容的表，时间序列表示每个行为的时间带。

这种数据例如通过异常检测装置30的输入部31从被实验者处取得，并通过马尔科夫链运算部33对该数据进行运算来实现。如此输入的数据与微动检测传感器25a-25c的数据相比，认为更时间地表示由宏视看到的日常行动。该行动顺序由于不是来自微动检测传感器25a-25c的数据，所以省略矢量化，仅由马尔科夫链进行处理。

因此，将焦点聚集在某个被实验者上，使用马尔科夫链的出现频度似然比较，进行异常检测，结果如图29所示。另外，本图中的标记与图28一样。在日常模板中使用在一个月中平均的变迁矩阵。

结果，如本图所示，可知7月22日上午的似然低。看对应于该时间的数据(图28)时，睡眠多。尽管被实验者经常规则行动，但这天从早上到傍晚一直睡觉。由被实验者的报告可知这天生病了。

如上所述，由本发明的异常检测装置30，通过来自高度电脑化住宅中具备的传感器等的信息，可进行个人日常生活的记述和生活异变的检测。使用马尔科夫链的变迁次数矩阵以及马尔科夫链所需时间分布来作为日常模板的计算。用似然和距离来比较与日常相反的行动，可检测几个异常例。

下面，说明本实施例的变形例。

在上述实施例中，成为异常行动判断基准的日常模板为一个，但在以下说明的变形例中，生成不同时间区间的多个日常模板，当与采样行动比较时，对每个时间区间从多个日常模板中选择最佳的模板，作为异常行动的判断基准。下面，将上述实施例中的全局(global)日常模板称为“全局模板”，将下面说明的不同时间区间的日常模板称为“本地模板”。

导入本地模板的意义如下。即，当只用一个全局日常模板表述住在高度电脑化住宅20中的人的日常时，必须用一个日常模板来表现多个行动，不能正确表现日常。另一方面，人的行动可看作从楼梯下来、进浴池、去卫生间、从起居室走到寝室等多个具有再现性的某个行动的集合。因此，假定人的生活由多个日常构成，对应于状况启动，在具有再现性的某个时间区间对传感器时间序列进行离散化，生成不同时间区间的本地日常模板(本地模板)。

在时间区间的自动提取中应用图像处理方法，通过使用作为一定时间宽度的时间窗的模板匹配，提取相关高的时间区间。由此，可构筑具有时间阶层性的日常表现。

本变形例的异常检测系统与上述实施例的异常检测系统10的基本结构相同，但不同之处在于在马尔科夫链运算部中设置对本地模板的处理部。

图30是根据变形例的异常检测系统的马尔科夫链运算部36的详细结构的功能框图。马尔科夫链运算部36除上述实施例中的马尔科夫链运算部33的功能外，还具备进行关于本地模板处理的本地模板部37。

本地模板部37由在基准数据形成模式时动作的本地模板生成部37a、存储本地模板生成部37a的生成结果的本地模板存储部37b、和监视模式时动作的本地模板预测部37c构成。

本地模板生成部37a根据从数据收集部32发送来的日常行动数据，生成每个一定时间区间的多个本地模板后，算出其特征(本地模板的预测概率和持续时间)，将这些本地模板及其特征存储在本地模板存储部37b中。本地模板预测部37c对于输入的采样行动数据，根据本地模板存储部37b中存储的本地模板的预测概率及持续时间，对每个时间区间，从多个作为候补的本地模板中预测选择最佳模板。之后，马尔科夫链运算部36将在每个时间区间中由本地模板预测部37c选择的本地模板作为基准，向比较部34输出与上述实施例一样的信息(变迁次数矩阵及所需时间分布)，比较部34通过比较，进行异常行动判断。

下面，用流程图来详细说明本地模板生成部37a和本地模板预测部37c各自的处理。

图31是表示本地模板生成部37a的动作的流程图。首先，本地模板生成部37a根据日常行动数据进行向行动级的时间序列分解(步骤S300)。

这里，通过应用图像处理方法的、使用作为一定时间宽度的时间窗的模板匹配来进行向行动级的时间序列分解。

具体而言通过以下算法。即，从高度电脑化住宅20得到的传感器时间序列为传感器值变动时的时间和此时的传感器模式，但这里，如图32所示的微动传感器序列所示，将传感器模式变换为每秒(对时间的最大解像度)的传感器模式的时间序列。图32中示出表示早上场面的四个微动检测传感器的传感器序列。

这里，对某两个微动传感器时间序列

b1(t1，j)，b2(t2，j)

t1＝(1…N1)，t2＝(1…N2)，j＝(1，…，J)

考虑提取非常类似的时间区间。其中，t1、t2为每秒的时间，j为微动检测传感器25a-25c的传感器通道。该传感器时间序列为二进制，可作为二进制图像进行数据处理。因此，进行使用时间窗的模板匹配。

定义作为一定时间宽度的时间窗的大小W，在b1(t1…t1+W，j)，b2(t2…t2+W，j)之间取得相关。用模板匹配中使用的下式表示相关。

式13

这是标准化后的相互相关，可用作图像间的距离尺度。分别在t1＝(1，…，N1-W)，t2＝(1，…，N2-W)的全区间中进行计算，如图33所示的相关图所示，将得到的相关R视为N1-W×N2-W的图像。图33是表示相关R(t1，t2)的实例的图，表示对图32所示4个事例的传感器序列计算所有时间相关的结果。

根据下式，用阈值α将由该相关得到的图像二进制化。

式14

对该二进制图像Rbin(t1，t2)加上标记，将带标记的图像设为Lv，(v＝1…，V)。分别对Lv，(v＝1…，V)的各轴t1，t2，提取开始时刻(各轴的最小值)tv1，min，tv2，min和终止时刻(最大值)tv1，max，tv2，max，将此时的(tv1，min，tv1，max)、(tv2，min，tv2，max)作为时间序列的类似区间，处理为相同的时间序列。

图34表示将相关R(t1，t2)进行二进制化Rbin(t1，t2)，进行带标记的Lv，(v＝1…，V)，提取各时间区间的实例。在箭头的区间中，相同模样的时间序列区间为相同的时间序列区间。

但是，因为此前为两个区间的对应关系，所以必需对所有标记图像V×V的组合考虑类似关系。因此，将(tv1，min，tv1，max)、(tv2，min，tv2，max)认为是二维矢量，与从其它带标记图像中提取的区间进行比较，将类似的看作是类似区间。将欧几里得距离用作基准，设定某个阈值μ，当是小于其的距离时，为同一区间。用公式书写时如下式所示。对于两个标记图像v1，v2，

若为

式15，

则式16看作是类似区间。将这些相同的类似区间汇成集合，分别写为ug，(g＝1，…，G)。另外，因为用一个集合来处理相同的类似区间，所以ug为彼此不同的集合。

式17

图35和图36是对复杂的时间序列进行类似区间提取的实例。图35表示从出现早上场面的四种事例中提出类似时间序列区间的实例。图35(a)-(d)分别表示事例1(起床→洗脸→卫生间→外出)、事例2(起床→洗脸→卫生间→外出)、事例3(起床→卫生间→外出)、事例4(起床→外出)的传感器序列，图35(e)→(h)分别表示对应于事例1-4的类似时间序列区间的提取例。

图36表示从出现晚上场面的两种事例中提出类似时间序列区间的实例。图36(a)、(b)分别表示事例1(回家→照明ON→沙发→准备用饭→用饭→收拾碗筷→卫生间→照明OFF→就寝)、事例2(回家→照明ON→卫生间→沙发→准备用饭→用饭→收拾碗筷→沙发→照明OFF→就寝)的传感器序列。图36(c)、(d)分别表示对应于事项1和2的类似时间序列区间的提取例。

这里处理中使用的参数经验上为W＝10、α＝0.7、μ＝10。

接着，本地模板生成部37a进行上述步骤S300中得到的类似时间序列区间的本地模板的平均化(图31的步骤S301)。即，将上述步骤S300中求出的类似区间作为一个本地模板，进行平均化后的本地模板的计算。

具体而言，用变迁次数矩阵Fv＝[fvij]来定义群集化各类似区间后得到的群集时间序列stv(v∈ug)中的从状态j到状态i的变迁次数系列。

由此，表现本地模板的马尔科夫链的变迁概率计算为

式18。

之后，本地模板生成部37a计算上述步骤S301中得到的本地模板间的马尔科夫链(图31的步骤S302)。

具体而言，本地模板生成部37a在上述步骤S301中得到本地模板，计算将模板间的转变看作是马尔科夫链的模板变迁概率Mtemplate。将其变换为事先分布，通过设为本地模板预测分布，根据过去时间序列的本地模板的出现结果，可推定现在发生的本地模板的发生概率。

设本地模板的出现系列为zp，出现时刻为yp。p表示本地模板对现在时刻变化的时刻，时间t按顺序被离散。取得状态为所有本地模板数G，可定义G×G的组合状态变迁。这里，由变迁次数矩阵Ftemplate＝[fijtemplate]定义zp中从状态j到状态i的变迁次数。若将其标准化为概率时，则如下式。

式19

通过固定时刻p-1的状态j时的Mtemplate的标准化，将该变迁概率Mtemplate变换为预测概率

式20

该预测概率与计算本地模板间的状态转变的事先概率一样。

式21

另外，对于本地模板间的各连锁，计算平均化后的持续时间qijtemplate。

式22

其中，p、p+1的转变结束时刻为p+2的出现时刻。

最后，本地模板生成部37a将上述步骤S300中求出的多个本地模板和上述步骤S302中求出的各本地模板的预测概率和技术时间存储在本地模板存储部37b中(图31的步骤S303)。

图37是表示本地模板预测部37c的动作的流程图。本地模板存储部37b在对采样行动实际使用马尔科夫链的本地模板预测模型时，通过使用马尔科夫链的变迁概率间距离来鉴定本地模板j的出现，根据鉴定的可靠性来预测下一模板。

具体而言，首先，本地模板预测部37c与图5所示流程图中的步骤S10-S12一样，群集化输入的采样行动的时间序列bt，从而求出群集时间序列st(步骤S310)。

接着，对将输入的时间序列bt群集化的时间序列st，从现在开始计算与各本地模板连锁持续时间长度相同的时间区间(t，t-qij)的马尔科夫链M(t，t-qij)(步骤S311)。

接着，本地模板预测部37c计算该马尔科夫链与各本地模板的马尔科夫链Mg的距离(余弦)，将该距离设为时刻t时的本地模板g的可靠性λg(t)(步骤S312)。

式23

其中，vector表示将矩阵变换为列矢量的函数。

最后，本地模板预测部37c对上述步骤中求出的可靠性，根据马尔科夫链的预测概率

式24

预测现在的模板φ∈G。从而，如下定义现在的马尔科夫链Mcurrent(t)。

式25

由此，马尔科夫链运算部36在将本地模板用作判断基准时，进行Mcurrent(t)的依次计算。

图38和图39是表示如此决定的各种本地模板实例的图。图38是表示可靠性λg(t)与推定的模板Mcurrent(t)的实例的图。图38(a)-(d)分别表示上述四种事例的可靠性λg(t)，图38(e)-(h)分别表示根据图38(a)-(d)的可靠性推定的本地模板Mcurrent(t)。

图39是表示输入的群集时间序列st与推定的模板Mcurrent(t)实例的图。图39(a)-(d)分别表示上述四种事例的聚集时间序列st，图39(e)-(h)分别表示对图38(a)-(d)的群集时间序列st推定的本地模板Mcurrent(t)。

另外，本地模板预测中使用的马尔科夫链通过与事例的推定相组合，可如下扩展。

即，对于为生成Mtemplate使用的各时间序列为stv(v＝1，…，V)，分别计算模板间马尔科夫链的变迁矩阵，设置为Fvtemplate。对该马尔科夫链取各事例推定值的加权平均。

式26

从而，可生成基于事例的预测分布。

另外，作为删除不必要的本地模板的指针，可以是如下的两个。

作为第一基准，假定从各传感器时间序列得到的本地模板等频度出现，计算对各本地模板的传感器时间序列的出现数的分散。删除分散值大的本地模板。在该噪声去除基准中，提取的时间区间非常短，取消被认为没有与人容易理解的行动单位适当结合的时间序列。其中，因为必须一定程度允许出现频率差异，所以期望选择阈值平缓的。

作为第二基准，设定近似AIC的基准Γ，通过SA法来检索必要的本地模板。

式27

(v为系数，根据经验设定为0.05)

通过SA法来检索Γ最小的本地模板的组合。在该噪声去除基准中，选择模板，使熵尽可能低，并且用尽可能少的模板来表现时间序列。模板选择实例如图40所示。图40(a)-(f)表示6种本地模板提取用的时间序列，图40(g)-(1)分别表示对应于图40(a)-(f)的本地模板选择前的本地模板，图40(m)-(r)分别表示对应于图40(a)-(f)的本地模板选择后的本地模板。

接着，对以如此决定的本地模板为行动基准的优点，边与以全局模板为行动基准的情况相比，边用以下的三个实验例来进行说明。

(实验1)早上的情景

该实验与上述实施例中的实验1(早上的情景)相同。即，用于学习及平价中的日常例中的马尔科夫链的变迁矩阵如图21所示，另一方面，异常例的马尔科夫链的变迁矩阵如图22所示。

对于这种日常行动和异常行动，若分别对使用全局模板的情况和使用本地模板的情况，比较对日常模板的变迁概率的比较对象行动时间序列的平均对数似然Errlikelihood，结果如图41所示。

图41中，横轴表示实验采样，纵轴表示各采样与日常行动模板的似然Errlikelihood。由结果可知，仅与全局模板比较，通过使用本地模板，似然下降，另外，对异常例的灵敏度好(相对日常例，异常例的似然低)。由结果表示虽然仅全局模板中异常检测能力低，但若使用本地模板，则可进行异常检测。

(实验2)回家的情景

该实验与上述实施例中的实验2(回家的情景)相同。即，假设生活在高度电脑化住宅20中的人回家并用饭后，休息就寝等行动时间序列，一名被实验者进行上述实施例的实验2中的行动(日常例为14次，6种异常例分别为1次)，存储传感器数据。

对于这种日常行动和异常行动，若分别对使用全局模板的情况和使用本地模板的情况比较比较对象的行动时间序列对日常模板变迁概率的平均对数似然Errlikelihood，则结果如图42所示。

由结果可知，与早上的场面一样，仅与全局模板比较，通过使用本地模板，似然下降，另外，对异常例的灵敏度好(相对日常例，异常例的似然低)。

(实验3)早上及回家的情景

对由相同日常模板处理上述实验1(早上的情景)和实验2(回家的情景)的场面情况下的异常检测(Errlikelihood)进行实验。结果如图43所示。

全局的日常模板中已混合两个事例，不能使用马尔科夫链的变迁概率间的距离Errdistance这种方法。但是，通过对状况信号预测本地模板，可知即使是混合的事例也可稳定地检测异常。

如上所述，在本实施例及变形例中，通过高度电脑化住宅20的传感器信息来记述个人的日常生活和检测生活的异变。在日常模板的特征量中使用马尔科夫链的变迁概率及马尔科夫链的持续时间分布。另外，表示使用似然和距离来比较与日常相反的行动，可检测几个异常例。由此示意高度电脑化住宅20等住宅中的人的生活行动可通过使用概率分布的模型来表现。另外，对于本地模板的提取，因为可应用图像处理，所以示意应用现有的多个图像处理方法的展开。

记述人的行动的本地模板可看作是认识心理学中的碎片(チャンク)，使用碎片间的预测，将启动碎片的模型用作应用。也可将这认为是认识的人行动记述模型。

在本变形例中使用的本地模板的时间序列阶层结构中，行动的包含关系不明确。为了解决该问题，考虑了统计处理本地模板间的同时生起概率或开始时刻、结束时刻等，但必需大量的实验数据。

对住宅环境中的概率模型化非常重要的问题在于不限于在进行服务前得到大量用户固有的数据和各行动频度的差大这两点。作为补偿这些问题的方法，期望利用赫兹近似的模型化。尤其是可以认为贝叶斯网络(Breese，J.S.，Construction of belief and decisionnetworks，Computational Intelligence，Vol.8，No.4，pp.624-647，1992)等概率的曲线表现，对事前知识的导入或本实施例中进行的行动单位的时间序列分解相性好，有效。作为事前知识，通过生成并使用对应于用户职业、年龄、生活模式的民意测验等的事前模板，可以认为需要采集用户固有数据的日常模板的用户化期间短。在构筑贝叶斯网络中，提议使用MDL基准(J.Rissanen，Stochastic Complexityand Modeling，The annals of Statistics，Vol.14，No.3，pp.1080-1100，1986)的检索等方法(Suzuki J.，Learning BayesianBelief Networks Based on the Minimum Description LengthPrinciple：Basic Properties.IEICE Trans.Fundamentals，Col.E82-A，No.9，1999及G.F.Cooper and E.Herskovits，ABayesian Method for Constructing Bayesian Belief Networks fromDatabase，in Uncertainty in Artificial Intelligence’91，UCLA，CA，pp.86-94，1991)，另外，作为工具，提议BAYONET(木村，原.具有来自数据库的支持学习机构的概率推论系统：BAYONET，人工智能学会第12回全国大会，1998)。在生活表现上，贝叶斯网络一般必须是非循环性的有向曲线有可能成为问题。与此相对，研究了使用JunctionTree等群集直方图的曲线变换。为了处理时间序列，还提议模型化具有时间延迟(状态转变)的系统的DBN(Dynamic BeliefNetwork)(Dean，T.and Kanazawa，K.，A model for Reasoningabout Persistence and Causation，Computational Intelligence，Vol.5，No.3，pp.142-150，1989)。因此，具备将贝叶斯网络应用于高度电脑化住宅20的基础，认为作为今后的展开是有希望的。

另外，因为现状下通过将哪种异常作为对象的可适用的异常检测方法不同，所以必须根据需要开发自动选择异常检测模型的直方图。另外，还留有检测中的阈值设定问题。作为长期展望，认为必需开发考虑对住户高度有效的应用。针对该问题，需要高度的对人的理解，期待从高度电脑化住宅20得到的认识见解和生物研究之间的相互作用。

上面根据实施例及变形例说明了本发明的异常检测系统，但本发明不限于这些实施例及变形例。

例如，作为表示人行动的传感器模式，不只限于来自微动检测传感器25a-25c的传感器信号，如图44所示的异常检测系统110所示，也可使用来自CO2传感器170a、门开闭传感器170b、微动检测传感器170c、通过检测传感器170d等各种传感器170的传感器信号和表示来自空调180a、冰箱180b、换气扇180c、微波炉180d等各种家电设备180的动作状态(电源的ON/OFF、各种开关的状态、设定内容等)的信号。

另外，如图45的异常检测系统210所示，若是具有连接各种传感器270和各种家电设备280的家庭网络290的住宅，则控制器230通过家庭网络290监视各种传感器270和各种家电设备280的状态，通过通信网络将表示检测结果和动作状态的信息发送给屋内的异常检测装置和家庭控制器，报告或提示信息，或发送给监视中心，由设置在监视中心的异常检测装置来检测该住宅内的异常的发生。即，进行处理分散，由高度电脑化住宅收集数据，由监视中心等分析、判断异常发生。

如图46的异常检测系统310所示，可将与家庭网络390的控制器330独立的单独异常通报装置335连接在家庭网络390上。即，设置在屋内的异常通报装置335通过家庭网络390收集来自微动检测传感器325a-325c的传感器信号，进行与上述实施例的异常检测装置30相同的处理，在检测异常的情况下，通过通信网络40来通报给监视中心50和便携电话60。

另外，在本实施例中，作为判断异常发生时的基准值(日常模板)，使用事先存储在日常行动数据存储部32b中的数据或一个月中的数据的平均值等固定值，但也可采用根据来自住在高度电脑化住宅20中的人的报告(教师数据)来更新(学习)的方式。例如，当一天结束时，输入部31指示这一天是否是日常的一天，根据该报告，马尔科夫链运算部33定期更新日常模板。例如，以报告为日常的一天的最新100天中的变迁次数矩阵和所需时间分布为对象，算出越是最新越进行大的加权的加法平均值，更新为新的日常模板。另外，将更新后的日常模板作为基准值，判断异常事态的发生。从而实现追随人的行动形态随时间变化的异常检测系统。

发明效果

从上述说明可知，根据本发明的异常检测装置是对对象事项检测产生异常的装置，其特征在于：具备输入单元，取得作为依赖于上述事项而变化的数据的输入模式时间序列；转变分析单元，分析取得的输入模式时间序列转变的特征；比较单元，比较分析的上述转变特征和预定的基准值，若上述特征与上述基准值在一定范围内近似，则判断上述事项产生异常；和输出单元，在上述比较单元判断产生异常的情况下，进行该内容的输出动作。

从而，因为根据对应于对象事项变化而变化的输入模式的时间序列来检测异常事态的发生，所以不依赖于事项的种类、数量、监视事项的空间(场所、时间带等)，就可检测异常事态的发生。即，在以人的行动为对象的情况下，与仅基于利用卫生间的时间的异常检测不同，可不依赖于时间带和场所，来检测各种形态的异常事态。

另外，对于作为判断基准的输入模式，不固定、凭经验来决定，可采用平均化正常状态中的实测数据或在一定期间中得到的数据。由此，可进行反映作为对象的人或物的个性(关于正常状态的个人差等)的准确异常判断。

另外，对输入模式的时间序列适用马尔科夫过程，并通过马尔科夫链的出现频度中的频度及似然、对马尔科夫链所需时间分布的似然来判断异常发生。由此，与仅基于利用卫生间的时间来进行异常判断不同，可进行所谓事项发生频率(次数)和持续时间的来自多方面视点的异常监视，高精度检测频率异常和时间异常等各种异常事态。

如上所述，根据本发明，可检测独居高龄者的生活异常，对于进入高龄化和核心家族化的现代而言，其实用价值极高。

式1

传感器模式：b^t(J维矢量，t＝1，…，N)

平均化模式：x^t(J维矢量，t＝1，…，N)

分散：σ

数据大小：N

时间窗大小：K

x^{' t} : = Σ_{k = 0}^{K - 1} (\frac{1}{\sqrt{2 π} σ} e^{- \frac{k^{2}}{2 σ^{2}}}) \cdot b^{t - K}

x^{t} : = \frac{x^{' t}}{| | x^{' t} | |},

式2

群集：w_i(J维矢量，i＝1，…，I)

群集数：I

学习次数：L[epoch]

c：＝arg max(w_i·x^t)

w_c ^t+1：＝w_c ^t+ε(x^t-w_c ^t)

式3

群集时间序列：S^t(S^t＝{1，…，I}，t＝1，…，N)

S^t：＝arg max(w_i·x^t)

式4

马尔科夫链的维数：D

变迁次数矩阵：

m_{i0，Λ，iD-1，iD}是从表现为S^t的状态(i⁰，…，i^D-1)到状态i^D的变迁次数。

式5

m_{i0，Λ，iD-1，iD}

式6

H_{i0，Λ，iD-1，iD}

式7

所需时间分布的直方图比例数：L

所需时间分布：

h_{i0，Λ，iD-1，iD}是对从表现为S^t的状态(i⁰，…，i^D-1)到状态i⁰所需时间而言，L分割最大值最小值间的直方图第1个要素。

式8

式9

error = \frac{1}{N - D} Σ_{t = 1}^{N - D} \log ({m^{'}}_{s^{t}, Λ, s^{t + D - 1}, s^{t + D}})

式10

H_{i0，…，iD-1，iD}

式11

概率分布：

式12

error = \frac{1}{N - D} Σ_{t = 1}^{N - D} \log ({h^{' t}}_{s^{t}, Λ, s^{t + D - 1}, s^{t + D}})

式13

R (t_{1}, t_{2}) = \frac{Σ_{t = 1}^{W} Σ_{j = 1}^{J} b_{1} (t_{1} + t, j) b_{2} (t_{1} + t, j)}{R^{'} (t_{1}, t_{2})}

R^{'} (t_{1}, t_{2}) = {{Σ_{t = 1}^{W} Σ_{j = 1}^{J} b_{1} (t_{1} + t, j) b_{1} (t_{1} + t, j)}}^{\frac{1}{2}}

\times {Σ_{t = 1}^{W} Σ_{j = 1}^{J} b_{2} (t_{2} + t, j) b_{2} (t_{2} + t, j)}^{\frac{1}{2}}

式14

R_{bin} (t_{1}, t_{2}) = \{\begin{matrix} 1 & R (t_{1}, t_{2}) > α \\ 0 & R (t_{1}, t_{2}) \leq α \end{matrix}

式15

D (v_{1}, v_{2}) = \sqrt{(t_{\min}^{v_{1}} - t_{\min}^{v_{2}}) + (t_{\max}^{v_{1}} - t_{\max}^{v_{2}})} < μ

式16

(t_min ^v1，t_max ^v1)と，(t_min ^v2，t_max ^v2)

式17

u_{1} = {(t_{1, \min}^{v_{2}}, t_{1, \max}^{v_{2}}), (t_{2, \min}^{v_{2}}, t_{2, \max}^{v_{2}})

ex .

, (t_{1, \min}^{v_{3}}, t_{1, \max}^{v_{3}}), (t_{2, \min}^{v_{3}}, t_{2, \max}^{v_{3}})}

式18

M^{g} = [m_{ij}^{g}] = [\frac{\underset{v &Element; u_{g}}{Σ} f_{ij}^{v}}{\underset{i, j}{Σ} \underset{v &Element; u_{g}}{Σ} f_{ij}^{v}}]

式19

M^{template} = [m_{ij}^{template}] = [\frac{f_{ij}^{template}}{\underset{i, j}{Σ} f_{ij}^{template}}]

\underset{i, j}{Σ} m_{ij}^{template} = 1

式20

M_predict ^template

式21

M_{predict}^{template} = [m_{predict, ij}^{template}] = [\frac{m_{ij}^{template}}{\underset{i}{Σ} m_{ij}^{template}}]

式22

q_{ij}^{template} = \frac{1}{f_{ij}^{template}} \underset{{p | y^{p + 1} = i, y^{p} = j}}{Σ} (y^{p + 2} - y^{p})

式23

λ^g(t)＝vector(M′(t，t-q_ij))·vector(M′^g)′

M^{'} (t, t - q_{ij}) = \frac{M (t, t - q_{ij})}{| | M (t, t - q_{ij}) | |}

M^{' g} = \frac{M^{g}}{| | M^{g} | |}

式24

M_predict ^template

式25

M^{current} (t) = [m_{ij}^{current} (t)] = [\frac{\underset{g &Element; G}{Σ} a^{g} (t) \cdot m_{ij}^{g}}{\underset{i, j}{Σ} \underset{g &Element; G}{Σ} a^{g} (t) \cdot m_{ij}^{g}}]

式26

F^{template} = \underset{v}{Σ} ξ^{t} \cdot F_{v}^{template}

ξ^t＝vector(M′(t))·vector(M′^g)′

M^{'} (t) = \frac{M (t)}{| | M (t) | |}

M^{' g} = \frac{M^{g}}{| | M^{g} | |} .

式27

「＝-(全时间系列的平均似然)+V·(模板数)

Claims

1、一种异常检测装置，对对象事项产生的异常进行检测，其特征在于，具备：

输入单元，取得作为依赖于上述事项而变化的数据的输入模式的时间序列；

转变分析单元，分析取得的输入模式的时间序列转变的特征；

比较单元，比较被分析的上述转变的特征和预定的基准值，若上述特征与上述基准值不在一定范围内近似，则判断上述事项产生了异常；和

输出单元，在上述比较单元判断产生异常的情况下，进行相应的输出动作，

上述输入单元包含设置在建筑物内多个场所的多个微动检测传感器，取得作为表示有无来自这些多个微动检测传感器的微动的信息组合的传感器模式，作为上述输入模式，

上述转变分析单元算出上述输入模式时间序列的马尔科夫链，分析算出的马尔科夫链的特征，作为上述分析。

2、根据权利要求1所述的异常检测装置，其特征在于：

上述输入模式的时间序列的马尔科夫链的特征是指时间序列的每种转变的出现频度，

上述比较单元通过对上述出现频度比较上述输入单元取得的输入模式和作为基准的输入模式，判断上述异常的产生。

3、根据权利要求2所述的异常检测装置，其特征在于：

上述转变分析单元算出每种转变的概率分布，作为上述出现频度，

上述比较单元对上述概率分布算出上述输入单元取得的输入模式与作为基准的输入模式的距离，在该距离超过一定值的情况下，判断产生异常。

4、根据权利要求2所述的异常检测装置，其特征在于：

上述比较单元对上述概率分布算出上述输入单元取得的输入模式对作为基准的输入模式的似然，在该似然小于一定值的情况下，判断产生异常。

5、根据权利要求1所述的异常检测装置，其特征在于：

上述输入模式时间序列的马尔科夫链的特征是指所需时间的分布，即所述输入模式时间序列的每个转变所需时间的分布，上述比较单元通过对上述所需时间分布比较上述输入单元取得的输入模式与作为基准的输入模式，判断上述异常的产生。

6、根据权利要求5所述的异常检测装置，其特征在于：

上述比较单元对上述所需时间分布算出上述输入单元取得的输入模式对作为基准的输入模式的似然，在该似然小于一定值的情况下，判断产生异常。

7、根据权利要求1所述的异常检测装置，其特征在于：

上述异常检测装置还具备群集单元，将上述输入单元取得的输入模式的时间序列变换为作为预定的代表的输入模式时间序列的群集时间序列，

上述转变分析单元对上述群集单元变换的群集时间序列分析上述特征。

8、根据权利要求7所述的异常检测装置，其特征在于：

上述群集单元在平均化并标准化上述输入单元取得的输入模式时间序列后，求出上述群集的时间序列。

9、根据权利要求8所述的异常检测装置，其特征在于：

上述群集单元通过矢量化由上述标准化得到的输入模式的时间序列，在确定所有的群集后，求出上述群集的时间序列。

10、根据权利要求1所述的异常检测装置，其特征在于：

上述基准值，是相对作为基准的事项由上述输入单元事先取得输入模式的时间序列、并通过由上述转变分析单元分析特征所得的值。

11、根据权利要求10所述的异常检测装置，其特征在于：

上述基准值是边作为教师来学习操作者提供的信息边重复由上述输入单元的取得而得到的值。

12、根据权利要求1所述的异常检测装置，其特征在于：

上述基准值是操作者指定的值。

13、根据权利要求1所述的异常检测装置，其特征在于：

上述输入单元在上述传感器模式每次变化时产生新的传感器模式，取得对应于该传感器模式时间序列的输入模式时间序列。

14、根据权利要求13所述的异常检测装置，其特征在于：

上述输入单元通过对上述传感器模式在时间上进行平均化和标准化来取得上述输入模式。

15、根据权利要求1所述的异常检测装置，其特征在于：

上述输入单元从操作者取得上述输入模式的时间序列。

16、根据权利要求1所述的异常检测装置，其特征在于：

上述输出单元通过传送路径向预定的通信目的通报异常的产生。

17、根据权利要求1所述的异常检测装置，其特征在于：

上述转变分析单元算出上述马尔科夫链的出现频度，作为上述分析，

上述比较单元通过对上述出现频度比较上述输入单元取得的输入模式与作为基准的输入模式，判断上述异常的产生。

18、根据权利要求17所述的异常检测装置，其特征在于：

上述比较单元对上述马尔科夫链的出现频度算出上述输入单元取得的输入模式与作为基准的输入模式的欧几里得距离，在该欧几里得距离超过一定值的情况下，判断产生异常。

19、根据权利要求18所述的异常检测装置，其特征在于：

上述比较单元对上述马尔科夫链的出现频度算出上述输入单元取得的输入模式对作为基准的输入模式的似然，在该似然小于一定值的情况下，判断产生异常。

20、根据权利要求1所述的异常检测装置，其特征在于：

上述转变分析单元算出上述马尔科夫链的所需时间分布，作为上述分析，

上述比较单元通过对上述所需时间分布比较上述输入单元取得的输入模式与作为基准的输入模式，判断上述异常的产生。

21、根据权利要求20所述的异常检测装置，其特征在于：

上述比较单元对上述马尔科夫链的所需时间分布算出上述输入单元取得的输入模式对作为基准的输入模式的似然，在该似然小于一定值的情况下，判断产生异常。

22、根据权利要求1所述的异常检测装置，其特征在于：

上述基准值是满足一定条件的每个时间区间的本地基准值的集合，

上述比较单元通过在上述每个时间区间比较上述特征和上述本地基准值，判断上述异常的产生。

23、根据权利要求22所述的异常检测装置，其特征在于：

上述异常检测装置还具备本地基准值生成单元，相对作为基准的事项，由上述输入单元取得多个输入模式的时间序列，在取得的输入模式在一定范围内类似的每个时间区间中分解上述时间序列，通过在每个时间区间中集合已分解的时间序列，生成每个时间区间的本地基准值；和

本地基准值选择单元，根据作为异常检测对象的输入模式，在上述每个时间区间，从属于该时间区间的所有本地基准值中预测选择最佳的本地基准值，

上述比较单元通过对上述每个时间区间比较上述特征和上述本地基准值选择单元选择的本地基准值，判断上述异常的产生。

24、根据权利要求23所述的异常检测装置，其特征在于：

上述本地基准值生成单元通过使用作为一定时间宽度的时间窗的模板匹配来提取相关度高的时间区间，在提取的每个时间区间分解上述时间序列。

25、根据权利要求23所述的异常检测装置，其特征在于：

上述本地基准值选择单元算出作为异常检测对象的输入模式与作为基准的事项的输入模式各自时间序列中的每种转变的概率分布，根据这些概率分布的距离，预测选择最佳本地基准值。

26、一种异常检测系统，由设置在引起作为检测异常产生对象的事项的场所的异常检测装置、监视异常产生的通信装置、和连接上述异常检测装置与上述通信装置的传送路径构成，其特征在于：

上述异常检测装置具备：

输入单元，取得作为依赖于上述事项而变化的数据的输入模式时间序列；

比较单元，比较分析的上述转变的特征和预定的基准值，若上述特征与上述基准值不是在一定范围内近似，则判断上述事项产生异常；和

输出单元，在上述比较单元判断产生异常的情况下，将该情况通过上述传送路径通报给上述通信装置，

上述通信装置具备：

接收单元，接收来自上述异常检测装置的通报，和

提示单元，在上述接收单元接收上述通报时，将该情况提示给操作者，

27、一种异常检测系统，由设置在引起作为检测异常产生的对象的事项的场所的异常检测装置、监视异常产生的通信装置、和连接上述异常检测装置与上述通信装置的传送路径构成，其特征在于：

上述异常检测装置具备：

输入单元，取得作为依赖于上述事项而变化的数据的输入模式的时间序列；和

发送单元，通过上述传送路径向上述通信装置发送取得的输入模式，

上述通信装置具备：

接收单元，接收从上述异常检测装置发送来的输入模式；

转变分析单元，分析取得的输入模式时间序列的转变的特征；

提示单元，在上述比较单元判断产生异常的情况下，将该情况提示给操作者。

28、根据权利要求27所述的异常检测系统，其特征在于：

上述输入单元包含设置在上述场所内多个位置的多个微动检测传感器，取得作为表示有无来自这些多个微动检测传感器的微动的信息组合的传感器模式，作为上述输入模式。

29、根据权利要求27所述的异常检测系统，其特征在于：

上述输入单元包含检测设置在上述场所内的设备动作状态的动作状态检测传感器，取得来自上述动作状态检测传感器的传感器信号，作为上述输入模式。

30、根据权利要求26或27所述的异常检测系统，其特征在于：

上述场所是一户住宅，

上述异常检测系统还具备

家庭网络，连接设置在住宅内的多个家电设备；和

控制器，通过上述家庭网络控制上述多个家电设备，

上述输入单元通过上述家庭网络检测上述多个家电设备的动作状态，取得检测的动作状态，作为上述输入模式。

31、根据权利要求26或27所述的异常检测系统，其特征在于：

上述场所是一户住宅，

上述异常检测系统还具备家庭网络，连接设置在住宅内的多个家电设备，

上述异常检测装置还具备控制器，通过上述家庭网络控制上述多个家电设备，

32、一种异常检测方法，对对象事项产生的异常进行检测，其特征在于：包括

输入步骤，取得作为依赖于上述事项而变化的数据的输入模式的时间序列；

转变分析步骤，分析取得的输入模式时间序列转变的特征；

比较步骤，比较分析的上述转变的特征和预定的基准值，若上述特征与上述基准值不在一定范围内近似，则判断上述事项产生异常；和

输出步骤，在上述比较步骤判断产生异常的情况下，进行相应的输出动作，

上述输入步骤中，包含设置在建筑物内多个场所的多个微动检测传感器，取得作为表示有无来自这多个微动检测传感器的微动的信息组合的传感器模式，作为上述输入模式，

上述转变分析步骤中，算出上述输入模式时间序列的马尔科夫链，分析算出的马尔科夫链的特征，作为上述分析。

33、根据权利要求32所述的异常检测方法，其特征在于：

上述输入模式时间序列的马尔科夫链的特征是指时间序列的每种转变的出现频度，

上述比较步骤中，通过对上述出现频度比较上述输入步骤取得的输入模式和作为基准的输入模式，判断上述异常的产生。

34、根据权利要求32所述的异常检测方法，其特征在于：

上述输入模式的时间序列的马尔科夫链的特征是指所需时间分布，即上述输入模式的时间序列的每个转变所需时间的分布，上述比较步骤中，通过对上述所需时间分布比较上述输入步骤取得的输入模式与作为基准的输入模式，判断上述异常的产生。

35、根据权利要求32所述的异常检测方法，其特征在于：

上述异常检测方法还具备群集步骤，将上述输入步骤取得的输入模式的时间序列变换为作为预定的代表的输入模式的时间序列的群集时间序列，

上述转变分析步骤中，对上述群集步骤变换的群集时间序列分析上述特征。

36、根据权利要求32所述的异常检测方法，其特征在于：

上述基准值，是相对作为基准的事项、由上述输入步骤事先取得输入模式的时间序列、并通过由上述转变分析步骤分析特征所得到的值。

37、根据权利要求32所述的异常检测方法，其特征在于：

上述基准值是操作者指定的值。

38、根据权利要求32所述的异常检测方法，其特征在于：

上述输入步骤中，从操作者取得上述输入模式的时间序列。

39、根据权利要求32所述的异常检测方法，其特征在于：

上述输出步骤中，通过传送路径向预定的通信目的通报异常的产生。

40、根据权利要求32所述的异常检测方法，其特征在于：

上述比较步骤中，通过在上述每个时间区间比较上述特征和上述本地基准值，判断上述异常的产生。