対外発表・受賞(GCCE2024)

博士3年の寺田君,修士2年の倉田君,修士1年の志田原さんが,北九州市で開催されたIEEE Global Conference on Consumer Electronics (GCCE2024)で以下の研究成果の発表を行いました.このうち志田原さんの研究がExcellent Poster Award (Silver Prize)を受賞しました(約160件中の2位).

  • Kandai Kurata, Airi Tsuji, and Kaori Fujinami, “Uh-Huh Duch: Self-Problem-Solving Support During Programming Through Interaction with a Doll Duck,” In Proceedings of the 2024 IEEE 13th Global Conference on Consumer Electronics (GCCE 2024), pp. 689-690, 30 October 2024.
  • (Silver Prize of Excellent Poster Award) Moemi Shidahara, Airi Tsuji, and Kaori Fujinami, “A Preliminary Study on Mental Workload Estimation Through Movement Analysis Using Inertial Sensors: A Case of Floor Mopping”, In Proceedings of the 2024 IEEE 13th Global Conference on Consumer Electronics (GCCE 2024), pp. 146-147, 29 October 2024.
  • Kenji Terada and Kaori Fujinami, “Improving Disease Forecast on Different Farms Using Sensing Agricultural Robot with XAI”, In Proceedings of the 2024 IEEE 13th Global Conference on Consumer Electronics (GCCE 2024), pp. 411-415, 29 October 2024.

対外発表(FIT2024)

M1の志田原萌美さんが以下の論文発表を行いました.

志田原萌美,早川侑花,辻愛里,藤波香織.人とモノへの装着型センサを用いた行動計測によるメンタルワークロード推定〜床拭き掃除のケース〜,第23回情報科学技術フォーラム(FIT2024)予稿集,pp. 243-248, 2024年9月5日.

作業中の認知負荷(メンタルワークロード;MWL)が高いことで当該作業におけるヒューマンエラーの発生可能性が高まったり,負荷を高める要因による心身不調の発生,肥満や疲労・睡眠障害リスクの増大などの問題が生じます.本研究では,日常の作業中のMWL推定を目的とし,その一例としてフローリングワイパー掛けを取り上げました.頭部,手首,モップの柄に加速度/角速度センサをとりつけ,それらから得られる慣性データを入力,認知負荷の指標として用いられることが多いNASA-TLXおよび精神疲労尺度の主観評価値をそれぞれ出力とする回帰モデルを教師付機械学習により構築しました.そして,有効なセンサ取り付け部位が手首であること,個人特化型の回帰モデルを用いた場合には,最大可能誤差100のうち平均絶対誤差10.0以下になることを確認しました.

対外発表・受賞(UBI78)

M2の村儀君が情報処理学会ユビキタスコンピューティングシステム研究会第78回研究会にて次の発表を行いました.(2023-07-07追記:学生奨励賞を受賞しました)

  • 村儀天星,渡邊昭信,辻愛里,藤波香織.手と視線の連動性の活用と分類の階層化による組立作業中の迷いの検出と分類,情報処理学会ユビキタスコンピューティングシステム研究会 第78回研究発表会,情報処理学会研究報告 Vol. 2023-UBI-78 No. 3,pp. 1-8,2023年5月24日.
実験環境
視線遷移と手の位置の遷移が同時に起こる様子を表したヒストグラム

2022年9月のUBI75研究会で発表した研究は視線遷移だけでしたが,今回は手の動きも組み合わせて,組立作業中の迷いの状態を推定することを試みました.AOI(関心領域)に視線と手が同時に入る度合い(共起度合い)をヒストグラムに表し,ここから特徴量を算出して機械学習により分類器を構築しています.視線遷移だけの場合に0.700であったF値は,手の遷移を組み合わせることで0.735まで向上すること,タスクの違いをほとんど受けないことを確認しました.