感圧導電シートを用いた 床面圧力センサによる 人物同定手法の開発 　 上村 宙1), 由谷 哲夫2), 渋谷 敦子2), 湯村 翼1) 1)北海道情報大学　2) First Four Notes 合同会社　 第213回情報処理学会ヒューマンコンピュータインタラクション研究発表会＠東京大学　 2025.06.19 
 

概要 ● 動線分析や人物認証にカメラ映像 を用いると死角が生じたり、プライバシーを侵害 し たりする懸念がある ● 床面圧力センサー と足底圧力分布 を用いて足底圧力の時系列データによる人物同 定を行った ● 評価実験として16名の被験者を対象に提案手法の性能を確認した 2 

背景 動線分析や人物識別技術は様々な場所で活用されている 現在はカメラを用いた手法 が主流になっている 3 →非視覚的なセンシング技術が注目されている ❌ カメラを使うデメリット ● 遮蔽物などによる死角の発生 ● プライバシー侵害への懸念 https://kajagogo.com/column/345.html https://www.scorer.jp/solutions/flow-analysis 

提案手法 ● 床面圧力センサ ○ 感圧導電シート「Velostat」(詳細は後述)と 導電性テープを使用 ○ 設置場所に合わせた自由な形状設計が可能 ● 人物同定用の深層学習モデル ○ 圧力分布の静的な特徴だけでなく 時間的な変化にも着目 ○ 深層学習（CNN+GRU）を用いて 空間的・時間的特徴を捉えるモデルを構築 4 自由な形状設計 ができるセンサを用いて プライバシーに配慮 した人物識別や動線分析が可能となる 

関連研究 | Velostatを用いた圧力センサの研究 Velostatと銅箔を用いた床面圧力マットを 開発し、中心圧の推定精度を評価した。 [4] 人工ニューラルネットワークを用いた補正モデ ルにより、Velostatセンサの出力を線形化し た。[5] 5 [4] Martinez et al., A velostat-based pressure-sensitive mat for center-of-pressure measurements: A preliminary study (2021) [5]Kciuk et al., Intelligent Medical Velostat Pressure Sensor Mat Based on Artificial Neural Network and Arduino Embedded System (2023) 

関連研究 | 足底圧力を活用した研究 104 名の被験者から動的足圧画像を取得して 人物識別を行った。[6] 102 点のセンサを備えたインソールを開発し、 膝関節障害の有無を分類した。 [9] [9]Arumugaraja et al.,Design and development of foot worn piezoresistive sensor for knee pain analysis with supervised machine learning algorithms based on gait pattern(2022) 6 Emed ST4(大型の市販センサ)を用いて おり、可搬性に劣る センサの装着を要するため、人物識別 に向かない [6]Pataky et al.,Gait recognition: highly unique dynamic plantar pressure patterns among 104 individuals(2012) 

材料 ● 感圧導電シート (Velostat) 圧力がかかると電気抵抗が下がる ● 導電性テープ アルミテープを使用 ● クリアファイル A3のクリアファイルから切り出して使用 識別手法 | 床面圧力センサ 7 

構造 ● 30cm四方のセンサ ● 導電性テープを格子状に配置 ○ 縦横15本で交点は225点 ○ 幅1センチ、間隔1センチ ○ クリアファイルに貼る ● クリアファイルで感圧導電シートを挟み込む → velostatの保護 → 精度の向上 識別手法 | 床面圧力センサ 8 アルミテープ Velostat クリアファイル アルミテープ Velostat クリアファイル アルミテープ 

識別手法 | 床面圧力センサ 制御 ● 圧力信号の取得にArduinoを使用 ● 外部電源(10V)をトランジスタで制御 ● 交点ごとに逐次的に電圧を印加し、 電圧変化を読み取る 手順 1. 15本の送電ラインを順次活性化 2. 各ラインごとに受信側の 15本の電圧を取得 3. 200msごとに繰り返す 9 ・・・ ・・・ ・・・ 電源 10V 圧力センサ 電流制御回路 記録用PC 

識別手法 | 人物識別モデル 二次元畳み込みニューラルネットワーク(2D-CNN)と ゲート付き再帰ユニット(GRU)を組み合わせたハイブリッドモデルを採用 2D-CNN BachNorm ReLU MaxPool 2D-CNN BachNorm ReLU MaxPool GRU fully-connected soft-max 10 output 

評価実験 識別性能の評価実験を実施した 条件等 ● 被験者は計16名 (男性13名、女性3名) ● 北海道情報大学の学生および教職員 ● 合図に合わせてセンサに乗り降りする ● センサ上に足を置く位置は自由 ● 両足がセンサ内に収まるように指示 ● 被験者への報酬等の支払いは無し 実験手順 1. センサの前で待機 (a) 2. 一歩前に出て、センサに乗る (b) 3. 両足で乗った状態を約 5 秒間維持 (c) 4. センサから降りる 5. 一連の動作を5回繰り返す 11 

評価実験 | 学習データ データセット ● 拡張なしのデータセット ○ 16 名× 5 回 = 80 データ ○ 被験者16人 ○ 5回の昇降動作 ● 拡張したデータセット ○ 16 名× 5 回 × 4 = 320データ ○ 圧力分布画像を90度ずつ回転させ4倍に拡張 12 取得したデータ例 

評価実験 | 学習データ 前処理 ● 足が接地していない時間 （全センサ値が0）を削除 検証方法 ● 各被験者ごとに分割交差検証を実施 ○ 5 回分のデータのうち 4 データを学習 用、1データをテスト用した ● 拡張したデータセットでは、元データとそ の回転データを同じように分割交差検証 を行った 13 ・・・ ・・・ 拡張なし 拡張あり １' テストデータ 学習データ １ 2' 16' 2 16 ・・・ ・・・ テストデータ 学習データ 

評価実験 | 結果 14 ランダム選択(6.25%)を大幅に上回っているが 人物認証に使えるほど高くない データ拡張あり 平均識別精度: 59.7% データ拡張なし 平均識別精度: 52.5% 正 解 予測 正 解 予測 

評価実験 | 考察 精度が限定的な要因 ● データの不足 各被験者あたり5回分のデータでは、個人の特徴を学習するには不十分である可能性 ● 低いサンプリングレート 5Hz (200ms間隔)では、動的な足の動きを詳細に捉えきれていない可能性 ● データノイズ 一部のデータに欠損や異常値が生じていた ● センササイズによる制約 センサが小さく、被験者が不自然な立ち方になったことで、個人差が出にくかった可能性 15 

議論 個人認証などにおいては評価実験の識別精度では十分とは言えない しかし、環境や用途によっては有効な手段 となり得る ● 厳密な個人識別が不要な用途 ○ 商業施設や展示会での大まかな動線分析 ● 識別対象の人数が限定される環境 ○ 執務室 ○ 研究室 16 ● 映像監視が困難なプライバシー配慮を 必要とする空間 ○ 医療機関 ○ 介護施設 ○ 更衣室 ○ トイレ ⇒ 提案手法ではプライバシー保護と人流把握などの両立が期待できる 

今後の課題 ● センサの改良 ○ 高解像度化 ○ サンプリングレート向上 ○ 大型化 ● モデルの改良 ○ LSTMなどより高性能な時系列モデルの導入 ○ 学習済みモデルの使用 ● 特徴量の追加 ○ 重心位置 ○ 足のサイズ ● 実環境での性能評価 17 

まとめ ● カメラを使った人物識別などはプライバシーなどの問題があり、非視覚的なセンシング技術が注目 されている ● 感圧導電シートを用いた、自由な形状設計が可能な 床面圧力センサを開発 した ● 2D-CNNとGRUを組み合わせたモデルで足底圧力の時系列データから人物同定 を行った ● 16名の被験者で評価実験を行い、最大で約 60%の識別精度を達成した ● 識別精度は限定的だが、環境や用途によっては有効な手段となり得る 可能性がある 18