信息处理设备、个人识别设备、个人识别系统、信息处理方法以及存储介质

摘要

提供了一种信息处理设备，其包括：获取单元，其获取由设置在用户的脚的脚底处的第一负荷测量设备测量的第一负荷信息和由相比第一负荷测量设备更朝向脚底的脚趾设置的第二负荷测量设备测量的第二负荷信息；以及特征值提取单元，其基于第一负荷信息和第二负荷信息来提取用于识别用户的特征值。

说明书

技术领域

本发明涉及信息处理设备、个人识别设备、个人识别系统、信息处理方法和存储介质。

背景技术

专利文献1公开了一种个人认证系统，该系统使用安装在鞋上的接触负荷分布传感器检测到的负荷分布来进行个人认证。

[引用列表]

[专利文献]

PTL 1：日本专利申请特开No.2008-250996

发明内容

[技术问题]

专利文献1中公开的个人识别需要获取和处理用于特征提取的大量数据。因此，需要减少用于特征提取的数据量。

本发明旨在提供一种信息处理设备、个人识别设备、个人识别系统、信息处理方法和存储介质，其能够在提取用于个人识别的特征量中减少数据量。

[技术方案]

根据本发明的一个示例方面，提供了一种信息处理设备，包括：获取单元，该获取单元被配置为获取由设置在用户的脚底上的第一负荷测量设备测量的第一负荷信息和由设置在脚底的脚趾与第一负荷测量设备之间的第二负荷测量设备测量的第二负荷信息；以及特征量提取单元，其被配置为基于第一负荷信息和第二负荷信息来提取用于识别用户的特征量。

根据本发明的另一个示例方面，提供了一种信息处理方法，包括：获取设置在用户的脚底上的第一负荷测量设备测量的第一负荷信息和设置在脚底的脚趾与第一负荷测量设备之间的第二负荷测量设备测量的第二负荷信息，并基于第一负荷信息和第二负荷信息来提取用于识别用户的特征量。

根据本发明的另一个示例方面，提供了一种存储程序的存储介质，该程序使计算机进行：获取由设置在用户的脚底上的第一负荷测量设备测量的第一负荷信息和由被设置在所述脚底的脚趾与所述第一负荷测量设备之间的第二负荷测量设备测量的第二负荷信息，并且基于第一负荷信息和第二负荷信息来提取用于识别用户的特征量。

[有益效果]

根据本发明，可以提供能够减少在提取用于个人识别的特征量中的数据量的信息处理设备、个人识别设备、个人识别系统、信息处理方法和存储介质。

附图说明

图1是示出根据第一示例实施例的个人识别系统的一般配置的示意图。

图2是示出根据第一示例实施例的负荷测量设备的布置的示意图。

图3是示出根据第一示例实施例的步态测量设备的硬件配置的框图。

图4是示出根据第一示例实施例的信息通信终端的硬件配置的框图。

图5是根据第一示例实施例的步态测量设备的功能框图。

图6是示出由根据第一示例实施例的步态测量设备进行的个人识别处理的示例的流程图。

图7是示出步行周期的概念图。

图8是示出负荷的时间序列数据的示例的图。

图9是示出由根据第一示例实施例的服务器进行的训练处理的示例的流程图。

图10是示意性示出特征量向量与通过训练处理获取的个人识别标签之间的对应关系的表。

图11是示出交叉验证的结果的表。

图12是根据第二示例实施例的信息处理设备的功能框图。

具体实施方式

下面参照附图描述本发明的示例性实施例。在整个附图中，相同的组件或相应的组件用相同的附图标记表示，并且其描述可以被省略或简化。

[第一示例实施例]

描述了根据本示例实施例的个人识别系统。本示例实施例的个人识别系统是用于通过测量和分析用户的步行模式(步态)中包括的特征来进行个人识别的系统。

图1是示出根据本示例实施例的个人识别系统的一般配置的示意图。个人识别系统包括步态测量设备1、信息通信终端2、服务器3和负荷测量设备6a和6b，其可以通过无线通信相互连接。负荷测量设备6a可以被称为第一负荷测量设备，并且负荷测量设备6b可以被称为第二负荷测量设备。

例如，步态测量设备1和负荷测量设备6a和6b被设置为靠近用户4穿着的鞋5的底。步态测量设备1和负荷测量设备6a以及步态测量设备1和负荷测量设备6b通过布线等可通信地连接。负荷测量设备6a和6b是用于测量从用户4的脚底接收到的负荷的传感器。负荷测量设备6a和6b将从用户4接收到的负荷转换成电信号，并在步态测量设备1的控制下将该电信号输出到步态测量设备1。负荷测量设备6a和6b的负荷转换方法可以是弹簧式、压电元件式、磁致伸缩式、静电电容式、陀螺式、应变计式等，但没有特别限制。负荷测量设备6a和6b有时被称为负荷单体。步态测量设备1是具有负荷测量设备6a和6b的控制功能、分析测量的负荷信息的信息处理功能、与信息通信终端2的通信功能等的电子仪器。

注意，步态测量设备1和负荷测量设备6a和6b可以设置在鞋5的内底中，可以设置在鞋5的外底中，或者可以嵌入在鞋5中。步态测量设备1以及负荷测量设备6a和6b可以可拆卸地附接到鞋5上，或可以不可拆卸地固定在鞋5上。步态测量设备1和负荷测量设备6a和6b可以设置在鞋5以外的部分上，只要步态测量设备1能够测量足部的负荷。例如，步态测量设备1可以设置在用户4穿着的袜子中、设置在装饰物中、直接附接到用户4的脚上、或嵌入用户4的脚中。虽然图1示出了其中一个步态测量设备1和两个负荷测量设备6a和6b设置在用户4的一个脚上的示例，但是一个步态测量设备1和两个负荷测量设备6a和6b可以设置在用户4的双脚中的每一个上。在这种情况下，可以并行获取双脚的负荷信息，并且可以获取更多的信息。

在本说明书中，“脚”是指用户4脚踝以下的身体部位。另外，在本说明书中，“用户”是指作为使用步态测量设备1和负荷测量设备6a和6b的个人识别的对象的人。用户是否对应于“用户”是与用户是否是构成个人识别系统的步态测量设备1和负荷测量设备6a和6b以外的设备的用户，用户是否接收由个人识别系统等提供的服务无关的。

信息通信终端2是用户4携带的终端设备，诸如蜂窝电话、智能手机或智能手表。用于分析从步态测量设备1获取的信息的应用软件预先安装在信息通信终端2中，并且进行基于应用软件的处理。信息通信终端2获取由步态测量设备1获取的数据并使用该数据进行信息处理。信息处理的结果可以通知给用户4，也可以发送给服务器3。信息通信终端2可以具有提供诸如步态测量设备1的控制程序或步态测量设备1的数据分析程序的软件的功能。

服务器3向信息通信终端2提供并更新分析应用软件。服务器3可以存储从信息通信终端2获取的数据并使用该数据进行信息处理。

注意，一般配置是示例，例如，步态测量设备1可以直接连接到服务器3。此外，步态测量设备1和信息通信终端2可以被配置为集成设备，并且个人识别系统中还可以包括其他设备，诸如边缘服务器或中继设备。

图2是示出根据本示例实施例的负荷测量设备6a和6b的布置的示意图。图2是从底侧观察的鞋5的立体图。负荷测量设备6a设置在与用户4的脚后跟相对应的位置，负荷测量设备6b设置在脚趾与负荷测量设备6a之间。更具体地，负荷测量设备6a设置在与脚的利斯弗朗(Lisfranc)关节7(脚的足跖骨和跗骨之间的关节)和脚后跟相对应的位置之间，负荷测量设备6b设置在与脚的利斯弗朗关节和脚趾7相对应的位置之间。图中附图标记为“7”的点划线表示当用户4穿着鞋5时利斯弗朗关节7的位置。

图3是示出步态测量设备1的硬件配置示例的框图。步态测量设备1是例如微型计算机或微控制器。步态测量设备1包括中央处理单元(CPU)101、随机存取存储器(RAM)102、只读存储器(ROM)103、闪存存储器104、通信接口(I/F)105、传感器控制设备106和电池107。步态测量设备1中的每个单元经由总线、布线、驱动设备等相互连接。

CPU 101是根据存储在ROM 103、闪存存储器104等中的程序进行预定计算的处理器，并且还具有控制步态测量设备1的每个单元的功能。RAM 102由易失性存储介质构成，并且提供CPU 101的操作所需的临时存储器区域。ROM 103由非易失性存储介质构成，并且存储用于步态测量设备1的操作的程序的必要信息。闪存存储器104是由非易失性存储介质构成，并且临时存储数据、存储步态测量设备1的操作程序等的存储设备。

通信I/F 105是基于诸如蓝牙(注册商标)、Wi-Fi(注册商标)的标准的通信接口，并且是用于与信息通信终端2进行通信的模块。

传感器控制设备106是控制负荷测量设备6a和6b以测量负荷并且从负荷测量设备6a和6b获取指示负荷的电信号的控制设备。获取的电信号作为数字数据存储在闪存存储器104中。因此，步态测量设备1可以获取由负荷测量设备6a和6b测量的负荷作为时间序列数据。由负荷测量设备6a测量的负荷可以被称为第一负荷信息，并且由负荷测量设备6b测量的负荷可以被称为第二负荷信息。由负荷测量设备6a测量的负荷的时间序列数据可以称为第一时间序列数据，而由负荷测量设备6b测量的负荷的时间序列数据可以称为第二时间序列数据。注意，用于将负荷测量设备6a和6b测量的模拟信号转换成数字数据的模数(AD)转换可以在负荷测量设备6a和6b中进行，或者可以由传感器控制设备106进行。

电池107例如是二次电池，提供步态测量设备1的操作所需的电力。当需要向负荷测量设备6a、6b供电时，电池107也可以向负荷测量设备6a、6b供电。由于电池107内置在步态测量设备1中，所以步态测量设备1可以无线操作而无需通过有线连接到外部电源。

注意，图3所示的硬件配置是示例，并且可以添加其他设备或者可以不提供一些设备。此外，一些设备可以被具有类似功能的其他设备替代。例如，步态测量设备1还可以包括诸如按钮的输入设备，以便可以接受用户4的操作，还可以包括诸如显示器、显示灯和扬声器的输出设备，以向用户4提供信息。因此，可以适当地改变图3所示的硬件配置。

图4是示出信息通信终端2的硬件配置示例的框图。信息通信终端2包括CPU 201、RAM 202、ROM 203和闪存存储器204。信息通信终端2还包括通信I/F 205、输入设备206和输出设备207。信息通信终端2的每个单元经由总线、布线、驱动设备等相互连接。

在图4中，构成信息通信终端2的每个单元被示为集成设备，但是这些功能中的一些可以由外部设备提供。例如，输入设备206和输出设备207可以是与构成包括CPU 201等的计算机的功能的外部设备不同的外部设备。

CPU 201是根据存储在ROM 203、闪存存储器204等中的程序进行预定计算的处理器，并且还具有控制信息通信终端2的每个单元的功能。RAM 202由易失性存储介质构成并提供CPU 201的操作所需的临时存储器区域。ROM 203由非易失性存储介质构成并存储诸如用于信息通信终端2的操作的程序的必要信息。闪存存储器204是由非易失性存储介质构成的存储设备，其用于存储从步态测量设备1接收的和发送到步态测量设备1的数据，并存储用于操作信息通信终端2的程序。

通信I/F 205是基于诸如蓝牙(注册商标)、Wi-Fi(注册商标)或4G的标准的通信接口，并且是用于与其他设备进行通信的模块。

输入设备206是用户4用来操作信息通信终端2的用户界面。输入设备206的示例包括鼠标、轨迹球、触摸面板、手写板、按钮等。

输出设备207例如是显示设备。显示设备为液晶显示器、有机发光二极管(OLED)显示器等，并且用于显示信息、显示用于操作输入的图形用户界面(GUI)等。输入设备206和输出设备207可以一体地形成为触摸面板。

注意，图4中所示的硬件配置是示例，并且可以添加其他设备或者可以不提供一些设备。此外，一些设备可以被具有类似功能的其他设备替代。进一步地，本示例实施例的一些功能可以由其他设备经由网络提供，或者本示例实施例的一些功能可以通过分布在多个设备中来实现。例如，闪存存储器204可以由硬盘驱动器(HDD)或云存储代替。因此，可以适当地改变图4所示的硬件配置。

服务器3是具有与图4所示的硬件配置基本相同的硬件配置的计算机。由于服务器3的硬件配置与信息通信终端2的硬件配置基本相同，除了服务器3可能不是便携式的，省略对其的详细描述。

图5是根据本示例实施例的步态测量设备1的功能框图。步态测量设备1包括获取单元120、特征量提取单元130、识别单元140、存储单元150和通信单元160。特征量提取单元130包括时间序列数据处理单元131、步行周期识别单元132和特征量计算单元133。

CPU 101将存储在ROM 103、闪存存储器104等中的程序加载到RAM 102中并执行该程序。因此，CPU 101实现特征量提取单元130和识别单元140的功能。此外，CPU 101通过基于程序控制负荷测量设备6a和6b来实现获取单元120的功能。CPU 101通过基于程序控制闪存存储器104来实现存储单元150的功能。此外，CPU 101通过基于程序控制通信I/F 105来实现通信单元160的功能。稍后描述由这些单元中的每一个进行的具体处理。

在本示例实施例中，图5所示的功能块的每个功能设置在步态测量设备1中，但图5所示的功能块的一些功能可以设置在信息通信终端2或服务器3中。即，上述功能可以由步态测量设备1、信息通信终端2和服务器3中的任何一个来实现，或者可以通过步态测量设备1、信息通信终端2和服务器3的协作来实现。在本示例实施例中，步态测量设备1具有进行个人识别处理的功能，因此步态测量设备1可以更一般地称为个人识别设备。

图6是示出由根据本示例实施例的步态测量设备1进行的个人识别处理的示例的流程图。图6的处理在步态测量设备1检测到步行时，例如在用户4正在步行时进行。或者，图6的处理可以与用户4是否正在步行无关地始终进行，或者可以以预定时间间隔进行。

在步骤S101中，获取单元120控制负荷测量设备6a和6b以从负荷测量设备6a和6b获取负荷的时间序列数据。即，获取单元120从负荷测量设备6a获取第一时间序列数据并从负荷测量设备6b获取第二时间序列数据。因此，获取单元120可以获取由用户4步行引起的负荷随时间的变化。将获取到的负荷的时间序列数据转换为数字数据，然后存储在存储单元150中。另外，负荷的时间序列数据被称为步行数据，因为它表示步行的特征。步行数据不仅可以用于本示例实施例的个人识别处理，还可以用于用户4的步态分析。

在此，为了充分获取步行所包含的特征，期望负荷的时间序列数据包含与至少一个步行周期相对应的时间段内的数据。参照图7描述一个步行周期。图7是示出步行周期的概念图。图7示意性地示出了用户4的右脚和左脚在一个步行周期内的运动。图中归一化时间表示归一化时间使得一个步行周期的长度为100。即，图中归一化时间0为右脚落地的时刻，图中归一化时间50为左脚落地的时刻，图中归一化时间100为右脚再次落地的时刻。从归一化时间0到100的时间段是一个步行周期。

此外，将脚落地的时间段称为站立时间段，将脚离地的时间段称为摆动时间段。更具体地，例如，右脚的站立时间段是从右脚的脚后跟落地的时刻(落地时)到右脚的脚趾离地的时刻(离开时)的时间段，并且一般占一个步行周期的约60％的时间段。右脚的摆动时间段是从右脚脚趾离地的时刻到右脚后跟落地的时刻的时间段，并且一般占一个步行周期的约40％的时间段。如图7所示，在步行期间，交替重复站立时间段和摆动时间段。进一步地，在右脚和左脚之间，站立时间段的阶段和摆动时间段的阶段相反。

在步骤S102中，时间序列数据处理单元131通过将从负荷测量设备6a获取的第一时间序列数据和从负荷测量设备6b获取的第二时间序列数据相加来生成第三时间序列数据。在这个处理中，第一时间序列数据和第二时间序列数据中同时负荷的数字数据一起相加。因此，可以获取包括基于从负荷测量设备6a和6b两者输出的负荷的特征的第三时间序列数据。

可以适当改变步骤S101和步骤S102的顺序和内容。步骤S101和步骤S102可以同时进行，也可以作为一系列处理进行。例如，这些处理可以修改为当从负荷测量设备6a和6b获取时间序列数据时将时间序列数据一起相加以生成并存储第三时间序列数据的处理。在这种情况下，不需要存储第一时间序列数据和第二时间序列数据。这些处理可以修改为在AD转换之前将负荷测量设备6a和6b测量的模拟信号添加到电路中的处理。在这种情况下，在获取单元120获取数据之前完成添加。在这种情况下，减少了AD转换处理的数量。

在步骤S103中，步行周期识别单元132从第三时间序列数据识别一个步行周期。由于在步行期间每一步重复基本相同的运动，因此可以通过检测第三时间序列数据的周期性来识别一个步行周期。例如，可以基于第三时间序列数据的峰或谷出现的时间、对第三时间序列数据进行傅立叶变换获取的频谱中包含的峰的频率等来识别一个步行周期。

在步骤S104中，特征量计算单元133从至少一个步行周期的第三时间序列数据提取用于识别用户4的特征量。提取的特征量被存储在存储单元150中。特征量的提取通过具体的示例描述。

图8是示出负荷的时间序列数据的示例的图。图8的横轴表示时间，图8的纵轴表示任意单位的负荷。

三个不同线型的图示出了从三个不同的被实验者(被实验者1、被实验者2、被实验者3)测量的负荷随时间的变化。从图8可以理解，在三个被实验者中的任何一个中，在站立时间段的开始和结束时出现陡峭的峰值(P1，P2)，并且在它们之间出现陡峭的下降(V)。此外，三个图之间的差异在站立时间段中变大，在峰和谷附近显着变大。因此，可以通过从负荷的时间序列数据中的站立时间段的开始和结束处的峰附近以及它们之间的谷附近提取特征量来识别被实验者。

描述了特征出现在站立时间段的峰和谷的原因。在人行走期间，在站立时间段中，负荷集中点按跗骨、跖骨、指骨的顺序移动。换句话说，在站立时间段开始时(即脚刚落地后)，负荷集中在脚后跟。在站立时间段结束时(即，脚刚离地之前)，负荷集中在脚趾。在站立时间段的开始和结束以及它们之间的时间段内，负荷容易出现个体差异且信号强度大，因此该方法适用于提取特征量。特别地，如图8所示，由于特征强烈地出现在站立时间段的峰和谷中，因此它们特别适合提取特征量。这些峰在一个步行周期内出现两次，而谷在一个步行周期内出现一次。为了利用站立时间段的峰和谷进行特征提取，在本示例实施例中，期望获取至少一个步行周期的时间序列数据并提取特征量。

峰或谷的出现时间、强度等可以用作特征量。此外，可以提取通过对峰或谷的出现时间、强度等进行诸如总和、平均值、差、比率和乘积的统计计算而获取的统计量作为特征量。该处理中提取的特征量可以包括多个元素，换言之，该处理中提取的特征量可以是特征量向量。

在步骤S105中，识别单元140基于提取的特征量来识别用户4。该识别处理可以是确定用户4与预先在步态测量设备1中登记的人(登记者)是否是相同的人的处理。该处理的具体示例是将获取的特征量与登记者的特征量进行比较以计算指示确定性因素的分数，并基于分数是否超过预定阈值来确定用户4与登记者是否是相同的人。

在识别单元140进行的从特征量识别用户4的处理中，使用预先通过机器学习生成并存储在存储单元150中的训练模型。用于机器学习的算法示例包括决策树、随机森林、支持向量机、神经网络、深度学习、逻辑回归、k-最近邻算法(K-NN)、分类方法的集成学习、判别分析等。此外，使用预先准备的样本数据在步态测量设备1、信息通信终端2或服务器3中进行通过机器学习(训练处理)生成训练模型。

更详细地描述在步骤S105中生成用于个人识别的训练模型的训练处理。该处理在图6的处理之前在步态测量设备1、信息通信终端2或服务器3中预先进行。在本示例实施例的描述中，假设在服务器3中进行训练处理。

图9是示出根据本示例实施例的由服务器3进行的训练处理的示例的流程图。图9的处理在工厂发货时的个人识别处理、用户4使用步态测量设备1之前的校准等之前进行。

在步骤S201中，服务器3获取用于训练的样本数据。例如，该样本数据可以是其中用于识别人的个人识别标签(用户标识符(ID)、姓名、昵称等)与通过从步骤S101到步骤S104的处理获得的特征量向量相关联的样本数据。个人识别标签由用户4、个人识别系统的管理员等预先附加。更具体地，通过在将他/她的个人识别标签输入到步态测量设备1之后使用户4实际步行预定距离并且使步态测量设备1获取数据，可以创建其中特征量向量和个人识别标签彼此关联的样本数据。

在步骤S202中，服务器3对样本数据进行机器学习作为标记的训练数据。结果，生成训练模型，其中针对特征量向量的输入适当地识别人并且输出识别信息。

在步骤S203中，服务器3将训练的模型存储在闪存存储器204中。此后，服务器3将训练的模型提供给步态测量设备1。具体地，服务器3将训练的模型发送给信息通信终端2。信息通信终端2使步态测量设备1安装接收到的训练模型作为识别单元140中用于处理的软件。

图10是示意性地示出了通过该训练处理获取的特征向量和个人识别标签之间的对应关系的表。如图10所示，确定与特征量向量对应的个人识别标签，特征量向量包括峰强度P1(P1)、峰强度P2(P2)、谷峰P2和谷V的强度比(P2/V)等。换言之，通过训练处理获取的训练模型具有当输入特征量向量作为解释变量时输出个人识别标签作为响应变量的功能。

在下文中，使用第一示例实施例的个人识别系统实际进行个人识别的结果被描述为示例1。

[示例1]

在本示例中，对于九个被实验者测量步行期间的负荷信息，并获取步行数据。从这些步行数据提取大量特征量向量，以创建用于训练和验证的数据组。具体地，将数据组中随机选取的一些数据用作验证数据，剩余的数据用作训练数据。即使用部分数据组的训练数据生成训练模型，使用剩余的数据验证训练模型的识别率。本示例实施例中使用的机器学习算法是随机森林。

图11是示出使用这些数据组的交叉验证结果的表。表中的“预测类别”是第一实施例的个人识别系统确定的被实验者的类别，“真实类别”是指示被实验者的实际类别。表中的类别编号“1”至“9”指示被实验者编号。例如，在个人识别系统对真实类别为“4”的112个数据组进行的预测中，个人识别系统对112个数据组中的110个正确预测了类别“4”。相反，对于112个中的两个预测了不正确的类别“1”。如图11所示，在第一示例实施例的个人识别系统中，可以以97.7％或更高的高正确回答率正确确定被实验者。

本示例实施例的步态测量设备1使用从两个负荷测量设备6a和6b获取的两种负荷信息来获取用于个人识别的特征量。这里，两个负荷测量设备6a和6b沿着脚的前后方向布置在不同的位置，以便能够检测步行期间负荷集中点的转变。结果，可以通过从两个负荷测量设备6a和6b获取的特征量来进行足够准确的个人识别。因此，与诸如获取负荷的面内分布的方法的需要大量数据的方法相比，能够减少数据量。

如上所述，根据本示例实施例，可以提供一种能够减少提取用于个人识别的特征量的数据量的信息处理设备。另外，可以提供能够通过使用由信息处理设备提取的特征量来进行高精度的个人识别的个人识别设备和个人识别系统。

如图2所示，期望两个负荷测量设备6a和6b分别设置在脚跟和利斯弗朗关节之间以及脚趾和利斯弗朗关节之间。通过以这种方式布置，可以更可靠地提取以跗骨、跖骨和指骨的顺序传递的负荷的特征。

本示例实施例的个人识别系统可以识别穿着设有个人识别设备的鞋5的用户4。在下文中，描述了本示例实施例的个人识别系统的应用示例。

近年来，使用生物特征信息的生物特征认证在个人认证中得到了广泛的使用。生物信息的示例包括面部、指纹、声纹和虹膜。但是，取决于进行生物特征认证的位置，使用它们的生物特征认证可能无效。

例如，在诸如食品工厂的需要穿戴防护服、口罩等的设施中，由于诸如面部、指纹的用于获取生物信息的部分不会暴露在外部，因此难以使用利用它们的认证技术。此外，在对安全和健康有严格要求的设施中，诸如在化工厂中，用于生物特征认证的设备的安装可能受到限制。在严格要求安全的设施中，诸如发电厂，可能期望在不通知被实验者正在进行生物特征认证的情况下进行认证。此外，虽然需要在任何时候都继续对被实验者(诸如护理设施)进行认证，但是存在其中在诸如相机的生物认证设备中存在盲点的设施。此外，当需要始终指定被实验者时，难以使用要求被实验者在诸如相机、传感器或麦克风的输入设备上进行动作的认证技术。

因此，取决于进行生物特征认证的位置和生物特征认证所需的约束，使用面部、指纹、声纹、虹膜等的生物特征认证可能无效。

相反，即使被实验者的诸如面部或指纹的部分没有暴露在外面，也可以获取步态中包括的生物特征信息。进一步地，使用步态的认证设备可以安装在鞋内，使得不需要将生物认证设备安装在外面，也可以在不通知被实验者正在进行生物特征认证的情况下进行生物特征认证。步态可随时测量，在测量中无需要求行走以外的动作。因此，即使在诸如面部、指纹、声纹或虹膜的生物特征认证无效的地方，本示例实施例的个人识别系统也可以以高精度进行个人识别。

上述示例实施例中描述的设备或系统也可以如以下第二示例实施例中那样配置。

[第二示例实施例]

图12是根据第二示例实施例的信息处理设备61的功能框图。信息处理设备61包括获取单元611和特征量提取单元612。获取单元611获取由设置在用户脚底的第一负荷测量设备测量的第一负荷信息和由设置在脚底的脚趾和第一负荷测量设备之间的第二负荷测量设备测量的第二负荷信息。特征量提取单元612基于第一负荷信息和第二负荷信息来提取用于识别用户的特征量。

根据本示例实施例，提供了一种信息处理设备61，其可以减少提取用于个人识别的特征量中的数据量。

[修改示例实施例]

本发明不限于上述示例实施例，并且可以在本发明的范围内适当地修改。例如，将一个示例实施例的一部分配置添加到另一示例实施例中的示例或者将一个示例实施例的一部分配置替换为另一示例实施例的示例也是本发明的示例实施例。

在上述实施例中，作为示例，在步态测量设备1中设置了负荷测量设备6a和6b，并且仅通过这些设备就可以获取足够的认证精度，从而可以减少数据量。然而，在优先考虑认证精度而不是减少数据量的情况下，可以进一步使用除这些之外的传感器。例如，可以进一步使用用于测量三个轴向上的角速度的角速度传感器、用于测量三个方向上的加速度的加速度传感器、以及通过在三个方向上检测磁来检测地磁以识别方位的磁传感器。此外，可以提供多于两个的负荷测量设备。即使在这些情况下，也可以应用与上述示例实施例相同的处理，并且可以进一步提高精度。

尽管在上述示例实施例中在步态测量设备1内进行个人识别处理，但是可以在信息通信终端2中提供该功能。在这种情况下，信息通信终端2用作个人识别设备。

在上述示例实施例中，可以从时间序列数据提取特征量，或者可以对时间序列数据进行诸如傅立叶变换的处理以获取频谱并从频谱提取特征量。

尽管在上述示例实施例中从通过将第一时间序列数据和第二时间序列数据相加而获取的第三时间序列数据提取特征量，但是可以从第一时间序列数据和第二时间序列数据提取特征量。在这种情况下，可以省略添加处理。或者，可以将从第一时间序列数据或第二时间序列数据提取的特征量与从第三时间序列数据提取的特征量结合并且用于个人识别。

一种处理方法，其中用于操作上述示例实施例的配置的程序被记录在存储介质中以实现上述示例实施例的功能，记录在存储介质中的程序被读取为代码，在计算机中执行的程序也被包括在每个示例实施例的范围内。即，计算机可读存储介质也被包括在示例实施例的范围内。此外，每个示例实施例中不仅包括记录有上述程序的存储介质，还包括程序本身。此外，包括在上述示例实施例中的一个或多个组件可以是配置为实现每个组件的功能的诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)的电路。

可以使用，例如，软(注册商标)盘、硬盘、光盘、磁光盘、压缩盘(CD)-ROM、磁带、非易失性存储卡或ROM作为存储介质。此外，每个示例实施例的范围不限于通过单独记录在存储介质中的程序来执行处理的情况，以及通过操作操作系统(OS)与其他软件和扩展板的功能合作来执行处理的情况也包括在每个示例实施例的范围内。

通过上述示例实施例的功能实现的服务可以以软件即服务(SaaS)的形式提供给用户。

应当注意，上述示例实施例仅仅是体现本发明的示例，并且本发明的技术范围不应被这些限制性地解释。即，本发明可以在不脱离其技术思想或其主要特征的情况下以各种形式实施。

以上所公开的全部或部分示例实施例可以描述为但不限于以下附记。

(附记1)

一种信息处理设备，包括：

获取单元，其被配置为获取由设置在用户的脚底上的第一负荷测量设备测量的第一负荷信息和由设置在脚底的脚趾与第一负荷测量设备之间的第二负荷测量设备测量的第二负荷信息；以及

特征量提取单元，其被配置为基于第一负荷信息和第二负荷信息来提取用于识别用户的特征量。

(附记2)

根据附记1的信息处理设备，

其中，第一负荷信息包括与用户的至少一个步行周期对应的时间段中的第一时间序列数据；并且

其中，第二负荷信息包括与至少一个步行周期对应的时间段中的第二时间序列数据。

(附记3)

根据附记2的信息处理设备，其中，特征量提取单元基于第一时间序列数据和第二时间序列数据中的站立时间段内的特征来提取特征量。

(附记4)

根据附记2或3的信息处理设备，其中，特征量提取单元基于通过将第一时间序列数据和第二时间序列数据相加而获得的第三时间序列数据来提取特征量。

(附记5)

根据附记4的信息处理设备，其中，特征量提取单元基于第三时间序列数据中包括的峰和谷中的至少一个来提取特征量。

(附记6)

根据附记4或5的信息处理设备，其中，特征量提取单元基于第三时间序列数据中包括的两个峰和一个谷来提取特征量。

(附记7)

根据附记1至6中的任一项的信息处理设备，

其中，第一负荷测量设备设置在用户的脚的利斯弗朗关节与脚后跟之间，并且

其中，第二负荷测量设备设置在脚趾和利斯弗朗关节之间。

(附记8)

根据附记1至7中的任一项的信息处理设备，其中，特征量提取单元仅基于第一负荷信息和第二负荷信息来提取特征量。

(附记9)

一种个人识别设备，其被配置为基于由根据附记1至8中的任一项的信息处理设备提取的特征量来进行用户的识别。

(附记10)

一种个人识别系统，包括：

根据附记1至8中的任一项的信息处理设备；

识别单元，其被配置为基于特征量来识别用户；

第一负荷测量设备；以及

第二负荷测量设备。

(附记11)

一种信息处理方法，包括：

获取由设置在用户的脚底上的第一负荷测量设备测量的第一负荷信息和由设置在脚底的脚趾与第一负荷测量设备之间的第二负荷测量设备测量的第二负荷信息；以及

基于第一负荷信息和第二负荷信息来提取用于识别用户的特征量。

(附记12)

一种存储程序的存储介质，程序使计算机进行：

获取由设置在用户的脚底上的第一负荷测量设备测量的第一负荷信息和由被设置在所述脚底的脚趾与所述第一负荷测量设备之间的第二负荷测量设备测量的第二负荷信息；以及

基于第一负荷信息和第二负荷信息来提取用于识别用户的特征量。

[附图标记列表]

1 步态测量设备

2 信息通信终端

3 服务器

4 用户

5 鞋

6a、6b 负荷测量设备

7 利斯弗朗关节

61 信息处理设备

101、201 CPU

102、202 RAM

103、203 ROM

104、204 闪存存储器

105、205 通信I/F

106 传感器控制设备

107 电池

120、611 获取单元

130、612 特征量提取单元

131 时间序列数据处理单元

132 步行周期识别单元

133 特征量计算单元

140 识别单元

150 存储单元

160 通信单元

206 输入设备

207 输出设备