驾驶员状态估计装置和驾驶员状态估计方法

摘要

一种驾驶员状态估计装置和驾驶员状态估计方法，迅速且高精度地捕捉驾驶员的导致无法驾驶的异常预兆。驾驶员状态估计装置具备：头部行为检测部(21)，根据对驾驶员进行摄影的摄像机(10)的输出来探测驾驶员的头部的行为；以及探测部(30)，根据由头部行为检测部(21)检测出的头部的行为探测驾驶员的异常预兆。探测部(30)在作用于驾驶员的头部的横向加速度为规定值以下的情况下，针对表示驾驶员的头部的行为的时间序列数据运算周期性特征量，针对得到的周期性特征量运算时间序列变动模式，将得到的时间序列变动模式与规定的阈值进行比较，判定有无驾驶员的异常预兆。

说明书

技术领域

在此公开的技术属于估计驾驶移动体的驾驶员的状态的技术领域。

背景技术

近来，从国家层面正在推进自动驾驶系统的开发。本申请的申请人认为在当前时间点自动驾驶系统大致分为存在两个方向性。

第一方向性是汽车成为主体而无需驾驶员的操作就将乘客送到目的地的系统即所谓的汽车的完全自动行驶。另一方面，第二方向性是如想要享受汽车的驾驶等以始终由人进行驾驶为前提的自动驾驶系统。

在第二方向性的自动驾驶系统中，例如设想在发生了驾驶员产生疾病等而难以进行正常的驾驶的状况的情况等下汽车自动地代替乘客来进行自动驾驶。因此，从提高驾驶员的救生率、确保包括周围在内的安全的观点来看，如何能够提早且高精度地发现驾驶员产生了异常、特别是驾驶员产生了功能障碍、疾病是极其重要的。

在专利文献1中公开了将驾驶员的面部朝向的走样与驾驶操作的无操作、异常操作进行组合来检测驾驶员陷入无法驾驶的技术。在专利文献2中公开了在被施加外力时的驾驶员的头部的摇晃大时或者小时判定为驾驶员产生了异常的技术。

专利文献1：日本专利第6379720号公报

专利文献2：日本专利第6361312号公报

非专利文献1：T.Nakamura,et al.,“Multiscale Analysis of Intensive Longitudinal Biomedical Signals and its Clinical Applications”,Proceedings of theIEEE,Institute of Electrical and Electronics Engineers,2016,vol.104,pp.242-261

非专利文献2：水田及其他“重心動揺に対するフラクタル解析”、EquilibriumRese arch、日本眩晕平衡医学会、2016，Vol.75(3),pp.154-161

发明内容

发明要解决的问题

已知如专利文献1、2所示那样基于驾驶员的头部的活动判定驾驶员的无法驾驶、异常的技术。但是，这些技术用于在驾驶员中疾病已表现之后检测变为无法驾驶的状态。在驾驶员产生异常时，为了更安全地进行紧急停车等，优选的是在驾驶员变为无法驾驶之前捕捉该预兆。如果能够迅速地捕捉无法驾驶的预兆，则能够缩短随着疾病发病所产生的车辆的空走时间来更安全地采取紧急停车等措施。

在此公开的技术的目的在于，能够迅速地探测驾驶移动体的驾驶员陷入无法驾驶状态的预兆。

用于解决问题的方案

为了解决所述问题，在在此公开的技术中，将估计驾驶移动体的驾驶员的状态的驾驶员状态估计装置设为以下结构，即具备：头部行为检测部，根据对所述驾驶员进行摄影的摄像机的输出来探测所述驾驶员的头部的行为；以及探测部，根据由所述头部行为检测部检测出的头部的行为探测所述驾驶员的异常预兆，所述探测部在作用于所述驾驶员的头部的横向加速度超过规定值的情况下，不进行异常预兆的探测，在作用于所述驾驶员的头部的横向加速度为规定值以下的情况下，针对表示所述驾驶员的头部的行为的时间序列数据运算周期性特征量，针对通过运算来得到的周期性特征量运算时间序列变动模式，将通过运算来得到的时间序列变动模式与规定的阈值进行比较，使用该比较结果来判定有无所述驾驶员的异常预兆。

该技术着眼于人的内稳态维持功能，根据驾驶员的头部的行为探测异常的预兆。内稳态是指针对干扰想要将状态保持一定的功能，就头部行为而言是指驾驶员在驾驶中想要维持头部姿势的性质。驾驶员的头部行为在正常状态下为了维持内稳态而不规则地变动，在疾病状态下变动小而稳定。而且，在从正常状态向疾病状态转变时，经过被称为临界慢化的、头部具有周期性地变动的状态。因此，本申请的发明人们认为为了探测驾驶员的异常预兆而能够利用头部行为的周期性特征量。并且，进行实验、探讨等的结果获知即使在正常状态下在头部行为上表现周期性的情况不少，发现为了将正常状态与异常预兆加以区分而对周期性特征量的时间序列变动模式进行模式分类是有效的。此外，进一步探讨的结果获知，在如在拐角行驶时那样的横向加速度较大地作用于驾驶员的头部的事例中，在头部行为上容易表现周期性。

因此，在该技术中，根据驾驶员的头部的行为探测驾驶员的异常预兆。头部行为检测部根据对驾驶员进行摄影的摄像机的输出来检测驾驶员的头部的行为。探测驾驶员的异常预兆的探测部在作用于驾驶员的头部的横向加速度超过规定值的情况下，不进行异常预兆的探测，在作用于驾驶员的头部的横向加速度为规定值以下的情况下，针对表示驾驶员的头部的行为的时间序列数据运算周期性特征量，针对通过运算来得到的周期性特征量运算时间序列变动模式，将得到的时间序列变动模式与规定的阈值进行比较来判定有无驾驶员的异常预兆。由此，能够更提早且高精度地探测驾驶员的异常预兆。此外，能够根据设置于车内的摄像机的摄影图像检测驾驶员的头部的行为，因此通过本技术，能够使用现有的车载传感器来迅速地捕捉导致无法驾驶的疾病的预兆。

另外，也可以设为：所述探测部根据检测该移动体的运动状态的传感器的输出，判定作用于所述驾驶员的头部的横向加速度是否超过规定值。

由此，探测部能够容易地识别难以进行异常预兆的探测的场景。

另外，也可以设为：所述探测部对通过运算来得到的周期性特征量的时间序列数据使用非线性降维方法进行降维，求出二维数据来作为所述时间序列变动模式，针对求出的二维数据将二维图上的判定线用作所述规定的阈值来判定有无所述驾驶员的异常预兆。

由此，能够根据头部行为的周期性特征量的时间序列数据容易地判定有无驾驶员的异常预兆。

另外，在在此公开的技术中，是一种估计驾驶移动体的驾驶员的状态的驾驶员状态估计方法，设为以下结构，即包括：在作用于所述驾驶员的头部的横向加速度超过规定值的情况下，不进行异常预兆的探测，在作用于所述驾驶员的头部的横向加速度为规定值以下的情况下，针对表示所述驾驶员的头部的行为的时间序列数据运算周期性特征量，针对通过运算来得到的周期性特征量运算时间序列变动模式，将通过运算来得到的时间序列变动模式与规定的阈值进行比较，使用该比较结果来判定有无所述驾驶员的异常预兆。

在该技术中，在作用于驾驶员的头部的横向加速度超过规定值的情况下，不进行异常预兆的探测，在作用于驾驶员的头部的横向加速度为规定值以下的情况下，针对表示驾驶员的头部的行为的时间序列数据运算周期性特征量，针对通过运算来得到的周期性特征量运算时间序列变动模式，将得到的时间序列变动模式与规定的阈值进行比较来判定有无驾驶员的异常预兆。由此，能够更提早且高精度地探测驾驶员的异常预兆。

发明的效果

如以上说明的那样，根据在此公开的技术，能够迅速地探测驾驶移动体的驾驶员陷入无法驾驶状态的预兆。

附图说明

图1是表示本公开所涉及的技术的定位的概念图。

图2是表示头部行为的内稳态与疾病的关系的图，(a)是正常状态，(b)是临界慢化状态，(c)是疾病状态。

图3是头部的俯仰角和侧倾角的时间序列数据的例子。

图4是表示头部的俯仰角和侧倾角的自相关指标的分布的图。

图5是表示自相关指标的时间序列变动的图。

图6是表示自相关指标的时间序列变动模式的分类结果的图。

图7是头部的俯仰角的时间序列数据，(a)是在正常状态下直线行驶时，(b)是异常模拟状态，(c)是在正常状态下拐角行驶时。

图8是基于行驶实验的数据，(a)是从直线部进入拐角时，(b)是从正常状态转变为异常模拟状态时。

图9是包括实施方式所涉及的驾驶员状态估计装置的车载系统的结构例。

图10是实施方式中的驾驶员状态估计的处理的流程的一例。

附图标记说明

10：驾驶员摄像机

21：头部行为检测部

30：探测部

50：车辆加速度传感器

具体实施方式

以下，参照附图来详细说明例示性的实施方式。

图1是表示本公开所涉及的技术的定位的概念图。驾驶员陷入无法驾驶的状态变样汇总为3个模式。事例A是知觉、判断、运动中的一部分功能下降的模式，事例B是全部功能逐渐下降的模式，事例C是突然失去意识的模式。其中，在事例A、B的情况下，如图1所示，在疾病发病后，驾驶员的驾驶能力水平逐渐下降，不久达到无法驾驶状态。因而，如果能够检测出该驾驶能力的下降状态，则能够探测驾驶员的无法驾驶的预兆。如果能够探测无法驾驶的预兆，则之后例如能够进行确认驾驶员的意思并通过自动行驶控制来使车辆退避到路肩等紧急应对。

本公开所涉及的技术着眼于人的内稳态维持功能，根据驾驶员的头部的行为探测无法驾驶的预兆。

图2是表示头部行为的内稳态与疾病的关系的图(参照非专利文献1、2)。图2的各图表示从上方观察的头部的活动，(a)是维持了内稳态的正常状态，(b)是正常与疾病之间的临界慢化这样的状态，(c)是疾病状态。此外，图2的(a)、(c)的图是从非专利文献1引用的图。

人具有针对干扰想要将状态保持一定的内稳态这样的功能。头部行为的内稳态是指在驾驶中想要维持头部姿势的性质。如图2的(a)所示，在正常状态下，为了维持内稳态，头部不规则地变动。另一方面，如图2的(c)所示，在疾病时，头部的变动变小，行为稳定。而且认为，如图2的(b)所示，在从正常状态向疾病状态转变的期间的临界慢化状态下，头部具有周期性(自相关性)地变动(参照非专利文献2)。

本申请的发明人们着眼于上述的见解，认为如果能够根据驾驶员的头部行为捕捉向临界慢化状态的状态转变则能够探测异常的预兆。而且认为，为了探测驾驶员的异常预兆而能够利用头部行为的周期性特征量。

本申请的发明人们进行了如下实验。使驾驶员在试验场中驾驶，测量驾驶中的驾驶员的头部行为。使驾驶员进行如平常一样的正常驾驶(相当于正常状态)，在驾驶中，将异常模拟任务(难的心算)与暗号一起作为课题提供给驾驶员(相当于异常预兆状态)。作为表示头部的行为的数据，根据对驾驶员进行摄影的摄像机的影像测量了头部的俯仰角(前后方向的角度)和侧倾角(左右方向的角度)。而且，针对头部的俯仰角和侧倾角的时间序列数据，通过DFA(Detrended Fluctuation Analysis：去趋势波动分析)求出自相关指标(标度指数α)。DFA是去除非常缓慢地变化的成分、所谓的趋势来调查标度的方法。自相关指标(标度指数α)是表示数据的周期性的特征量的一例。

图3是头部的俯仰角和侧倾角的时间序列数据的例子。图4是表示头部的俯仰角和侧倾角的自相关指标的分布的图，横轴是侧倾角的自相关指标，纵轴是俯仰角的自相关指标。自相关指标的值越小则表示自相关性越强，自相关指标的值越大则表示自相关性越弱。

如图4所示，在异常预兆状态下，与正常状态相比自相关指标的分布偏向于自相关性强的一侧。该实验结果与在正常状态下头部不规则地变动、而在临界慢化状态下头部具有周期性地变动这样的上述的见解一致。但是，从图4可知，正常状态的分布在比较大的范围内扩展，与异常预兆状态的分布重叠的范围大。因而可知，仅用自相关指标判别异常预兆状态未必容易。

因此，本申请的发明人们着眼于自相关指标的时间序列变动模式。如图5所示，按时间顺序截取自相关指标的时间序列数据，将其作为时间序列变动模式进行了模式分类。在此，作为模式分类的方法，使用了非线性降维方法(UMAP：Uniform ManifoldApproximation and Projection(统一流形逼近与投影))。

图6表示自相关指标的时间序列变动模式的分类结果。在图6中，利用UMAP将时间序列变动模式降维为二维，并映射到二维图。在图6中，与图4相比，正常状态的分布与异常预兆状态的分布进一步分开。图6所示的判定线LTH是对二维数据使用支持向量机来得到的。利用该判定线LTH，关于异常预兆状态的判别，达成了误判定率15％。

根据以上内容认为，针对表示驾驶员的头部的行为的时间序列数据运算周期性特征量，针对通过运算来得到的周期性特征量运算时间序列变动模式，将通过运算来得到的时间序列变动模式与规定的阈值进行比较，由此能够探测驾驶员的异常预兆。

除此以外，本申请的发明人们还进行了用于进一步提高异常预兆的判定精度的探讨。进一步探讨的结果获知，存在即使驾驶员为正常状态、但头部的行为也与异常预兆状态相似的事例。

图7是通过本申请的发明人们的实验来得到的头部的俯仰角的时间序列数据，(a)是驾驶员在正常状态下进行了直线行驶的事例，(b)是驾驶员在异常模拟状态下进行了驾驶的事例，(c)是驾驶员在正常状态下在拐角处进行了行驶的事例。在各图中示出了原始数据及其移动平均。如图7的(a)所示，在正常状态下进行了直线行驶的事例中，头部进行不规则的变动，如图7的(b)所示，在异常模拟状态下进行了驾驶的事例中，头部进行有规则的变动。但是，如图7的(c)所示，在正常状态下在拐角处进行了行驶的事例中，头部进行有规则的变动。

即，在图7的(c)的事例中，尽管驾驶员为正常状态，但是头部俯仰角数据的自相关指标大，因此难以与图7的(b)的事例加以辨别。估计为在拐角行驶时驾驶员的头部有规则地变动的主要原因是作用于头部的横向加速度。

图8是通过行驶实验来得到的数据，(a)是车辆从环路直线部进入了拐角时的数据，(b)是驾驶员从正常状态变为异常模拟状态时的数据。在图8的(a)、(b)中，上侧的图表示车辆横向加速度和头部侧倾角的时间序列变化，下侧的图表示车辆横向加速度与头部侧倾的相干性的时间序列变化。相干性的图表示：颜色越浅则相关性越高，颜色越深则相关性越低。

观察图8的(a)的上侧的数据可知，在车辆进入拐角之后，头部与横向加速度的变化连动地活动。即，驾驶员在横向加速度起作用而头部开始摇动时，将头部向横向加速度的相反方向进行校正。因此，从进入拐角起逐渐在车辆横向加速度与头部侧倾角之间开始表现相关性。另一方面，在图8的(b)的情况下，头部侧倾角不与车辆横向加速度的变化连动，相干性几乎不变化。

根据上述的实验结果可知，在如在拐角行驶时那样的横向加速度较大地作用于驾驶员的头部的事例中，在头部行为上容易表现周期性。而且认为，为了进一步提高异常预兆的判定精度，一种策略是从判定中排除预计难以与异常预兆状态加以辨别的、横向加速度较大地作用于驾驶员的头部的事例。

以下，说明本实施方式所涉及的驾驶员状态估计装置。

图9是表示包括本实施方式所涉及的驾驶员状态估计装置的车载系统的结构例的框图。在图9的车载系统中，驾驶员摄像机10、扬声器11、信息呈现部12、开关13以及麦克风14搭载于车室内。信息处理装置20例如由具备处理器和存储器的单个IC芯片、或者具备处理器和存储器的多个IC芯片等构成。车辆停止控制部40接收来自信息处理装置20的指示来进行使车辆自动地退避到路肩并停止的控制。车辆加速度传感器50设置于车辆。

驾驶员摄像机10例如设置于挡风玻璃的内侧，对包括驾驶者在内的车内的状况进行摄影。由驾驶员摄像机10进行摄影得到的图像例如经由车载网络发送到信息处理装置20。

在信息处理装置20中，头部行为检测部21根据由驾驶员摄像机10进行摄影得到的图像检测驾驶员的头部的行为。例如，根据图像来识别驾驶员的头部，求出头部的倾斜角、例如俯仰角和侧倾角。头部行为检测部21中的处理是能够通过现有的图像处理技术来实现的。通过头部行为检测部21的处理，能够得到如图3所示的头部行为的时间序列数据。头部行为的时间序列数据被送到探测驾驶员的异常预兆的探测部30。

探测部30具备周期性特征量运算部31、时间序列变动模式运算部32、异常判定部33、异常判定阈值数据库34以及场景判定部35。周期性特征量运算部31根据由头部行为检测部20得到的头部行为的时间序列数据运算周期性特征量。具体地说，例如通过DFA(Detrended Fluctuation Analysis)求出自相关指标(标度指数α)来作为周期性特征量。能够由周期性特征量运算部31得到如图5所示的周期性特征量的时间序列数据。

时间序列变动模式运算部32按时间顺序截取由周期性特征量运算部31得到的周期性特征量的时间序列数据，根据截取出的时间序列数据运算时间序列变动模式，进行模式分类。具体地说，例如使用作为非线性降维方法之一的UMAP对周期性特征量的时间序列数据进行降维，变换为二维数据。

异常判定部33将由时间序列变动模式运算部32得到的数据与保存在异常判定阈值数据库34中的阈值进行比较，判定驾驶员是否产生了异常预兆。例如，图6的二维图中的判定线LTH相当于保存在异常判定阈值数据库34中的阈值。异常判定部33根据由时间序列变动模式运算部32得到的数据在二维图上位于判定线LTH的哪一侧来判定驾驶员是否产生了异常预兆。

场景判定部35接收车辆加速度传感器50的输出，判定车辆的行驶状态是否符合如在拐角行驶时那样的难以探测驾驶员的异常预兆的场景。例如，捕捉根据车辆加速度传感器50的输出来识别出的车辆的左右方向的加速度来作为作用于驾驶员的头部的横向加速度，判定其是否超过规定值。在超过规定值的情况下，场景判定部35判定为是难以探测驾驶员的异常预兆的场景。周期性特征量运算部31在由场景判定部35判定为是难以探测驾驶员的异常预兆的场景时，不进行周期性特征量的运算。

探测部30在由异常判定部33判定为产生了异常预兆时，将对驾驶员的询问请求输出到询问部22。

询问部22在从探测部30接收到对驾驶员的询问请求时，对驾驶员进行询问。该询问用于关于是否通过自动驾驶来使车辆进行紧急避让确认驾驶员的意思。关于询问，例如借助扬声器11通过声音来进行，或者通过借助监视器等信息呈现部12的显示来进行。

应答检测部23检测驾驶员对于询问部22的询问的应答。关于驾驶员的应答，例如通过开关13的操作、借助麦克风14的发声来进行。在确认出驾驶员的意思时、或者不存在驾驶员的应答时，信息处理装置20对车辆停止控制部40指示以使车辆自动地退避到路肩并停止。

本实施方式所涉及的驾驶员状态估计装置是至少包括信息处理装置20内的头部行为检测部21和探测部30的结构。另外，本公开所涉及的驾驶员状态估计装置还有包括驾驶员摄像机10的情况。

图10是表示驾驶员状态估计的处理的流程的一例的流程图。首先，头部行为检测部21根据由驾驶员摄像机10进行摄影得到的图像对驾驶员的头部进行图像识别，针对识别出的头部运算倾斜角、在此为俯仰角和侧倾角(S11)。该运算例如每隔100ms进行。当头部的倾斜角数据累积了规定数量以上时(在S12中“是”)，场景判定部35根据车辆加速度传感器50的输出来判定作用于驾驶员的头部的横向加速度是否为阈值以下(S13)。在阈值以下时，进入步骤S14，进行周期性特征量的运算。另一方面，在超过阈值时，判定为是难以探测驾驶员的异常预兆的场景，在该情况下不进行周期性特征量的运算。

在S14中，探测部30中的周期性特征量运算部31针对头部的倾斜角的时间序列数据运算周期性特征量。具体地说，例如通过DFA求出自相关指标(标度指数α)来作为周期性特征量。关于周期性特征量的运算，一边错开作为对象的倾斜角数据的时间范围，一边例如每隔100ms例如使用256个倾斜角数据来进行。

当周期性特征量数据累积了规定数量以上时(在S15中“是”)，探测部30中的时间序列变动模式运算部32针对周期性特征量数据运算时间序列变动模式(S16)。具体地说，例如使用作为非线性降维方法之一的UMAP对周期性特征量的时间序列变动数据进行降维，变换为二维数据。关于时间序列变动模式的运算，一边错开作为对象的周期性特征量数据的时间范围，一边例如每隔100ms例如使用256个周期性特征量数据来进行。

之后，探测部30中的异常判定部33获取在异常判定阈值数据库34中保持的阈值(S17)。具体地说，例如获取如图6所示的判定线LTH那样的分类模式的二维图中的判定线的信息来作为阈值。然后，将在步骤S16中求出的作为时间序列变动模式的二维数据与判定线进行比较(S18)。在二维数据相对于判定线位于异常预兆侧时，异常判定部33判定为产生了异常预兆(在S18中“是”)。此时，探测部30将对驾驶员的询问请求输出到询问部22(S19)。

此外，作为异常预兆的判定方法，除此以外，例如还可以在时间序列变动模式连续多个相对于判定线位于异常预兆侧时，判定为是异常预兆。或者，也可以在相对于判定线位于异常预兆侧的时间序列变动模式在规定时间内超过规定的比例地产生时，判定为是异常预兆。

另外，在上述的流程中，设为探测部30在判定为是难以探测驾驶员的异常预兆的场景时不进行周期性特征量的运算，但是不限于此。例如也可以设为：探测部30始终进行周期性特征量的运算，在判定为是难以探测驾驶员的异常预兆的场景时，不进行时间序列变动模式的运算。或者也可以设为：探测部30始终进行周期性特征量的运算和时间序列变动模式的运算，在判定为是难以探测驾驶员的异常预兆的场景时，不进行异常预兆的判定。即，探测部30只要是在难以探测驾驶员的异常预兆的场景中回避异常预兆的探测的结构即可。

如以上那样，根据本实施方式，头部行为检测部21根据对驾驶员进行摄影的摄像机10的输出来检测驾驶员的头部的行为。探测驾驶员的异常预兆的探测部30在作用于驾驶员的头部的横向加速度超过规定值的情况下，不进行异常预兆的探测，在作用于驾驶员的头部的横向加速度为规定值以下的情况下，针对表示驾驶员的头部的行为的时间序列数据运算周期性特征量，针对周期性特征量运算时间序列变动模式，将得到的时间序列变动模式与规定的阈值进行比较来判定有无驾驶员的异常预兆。由此，能够更提早且高精度地探测驾驶员的异常预兆。此外，能够根据设置于车内的摄像机10的摄影图像检测驾驶员的头部的行为，因此通过本技术，能够使用现有的车载传感器来迅速地捕捉导致无法驾驶的疾病的预兆。

另外，关于保存在异常判定阈值数据库34中的阈值，也可以根据驾驶员来进行自定义。例如，也可以最初事先设定标准的阈值，在车辆行驶的过程中，探测部30逐渐累积通过运算来得到的周期性特征量的时间序列变动模式，基于所累积的正常状态下的时间序列变动模式对阈值进行修正。例如，与驾驶员正常时的时间序列变动模式的分布相应地修正二维图上的判定线即可。

另外，在上述实施方式中设为针对头部行为的时间序列数据通过DFA求出自相关指标(标度指数α)来作为周期性特征量，但是求出周期性特征量的方法不限于此。例如也可以使用FFT(Fast Fourier Transform：快速傅里叶变换)，还可以计算简单的自相关。

另外，在上述实施方式中设为对周期性特征量的时间序列变动数据使用UMAP进行降维来变换为二维数据，但是时间序列变动模式的运算不限于此。例如，也可以对周期性特征量的时间序列变动数据使用UMAP进行降维来变换为三维数据。在该情况下，例如通过支持向量机求出的二维平面被用作用于判定有无异常预兆的阈值。另外，也可以使用UMAP以外的方法对周期性特征量的时间序列变动数据进行降维。例如，也可以使用UMAP以外的作为流形学习方法的LLE(Locally Linear Embedding：局部线性嵌入)、t-SNE(t-distributed Stochastic Neighbo r Embedding：t-分布随机邻域嵌入)。另外，还能够应用作为一般的降维方法的PCA(Principal C omponent Analysis：主成分分析)等。

另外，本发明的应用用途不限于汽车。在汽车以外的例如电车等移动体中探测驾驶员的异常预兆时有效。

另外，本公开所涉及的技术还有可能存在通过单个信息处理装置以外的方式实现的情况。例如，探测部30也可以由与头部行为检测部21不同的信息处理装置实现。另外，例如也可以由未搭载于移动体的信息处理装置、例如驾驶员所持有的智能手机、平板电脑等实现探测部30的功能。或者，也可以设为由云来执行探测部30所进行的运算处理的一部分或全部的方式。

前述的实施方式只不过是例示，不应限定性地解释本公开的范围。本公开的范围是由权利要求书来定义，属于权利要求书的均等范围的变形、变更全部都在本公开的范围内。

产业上的可利用性

在此公开的技术作为估计驾驶移动体的驾驶员的状态的技术有用。