電子情報通信学会ワードテンプレート (タイトル)

Size: px

Start display at page:

Download "電子情報通信学会ワードテンプレート (タイトル)"

えいしろうよしなが
5 years ago
Views:

1 DEIM Forum 014 E3-4 入力ストローク数削減による高速手書き入力手法王琛鬼沢和也, 浅井洋樹山名早人早稲田大学基幹理工学部東京都新宿区大久保早稲田大学大学院基幹理工学研究科東京都新宿区大久保早稲田大学メディアネットワークセンター東京都新宿区戸塚町早稲田大学理工学術院東京都新宿区大久保国立情報学研究所東京都千代田区一ツ橋 {magaret1103,kazuya_o, あらましコンピュータ上での手書き文字入力は認識エンジンが判別可能な品質で記入しようとするとキーボードによる入力と比較して入力に時間がかかる. 一方, 品質を犠牲にして高速に手書き入力しようとすると誤認識が増える結果となり, 入力速度が低下してしまう. こうした問題に対し既存研究では, 単語の予測入力や入力途中に随時変換することにより入力速度を向上させている. しかし多くの従来のシステムでは, 各漢字を完全に書いた後でないと認識結果に書きたい文字が表示されず, 画数の多い漢字を認識させるためには手の動きと時間をかなり要することになる. 本研究では, 単語を書く際に各漢字を途中までしか書かなくとも, 希望する単語を動的に予測し, 手書き入力を高速化する手法を提案する. 評価実験では, 提案手法と既存手法で同じテキストを入力し, 入力にかかる時間とストローク数を記録する. 提案手法を用いた場合, 入力にかかる時間は削減できなかったが, ストローク数が既存手法より少なくなることより, 提案手法の有効性を示すことができた. キーワード手書き認識, テキスト入力 1. はじめに近年, スマートフォンや ipad など, タッチディスプレイを搭載した端末が普及している. タッチディスプレイを搭載した端末でテキストを入力する方法は主につある. 画面上のソフトウェアキーボートを使用して入力する方法と, 手書きで入力する方法である. それぞれの方式を採用した様々な IME(Input method editor) が多く生み出されている. ソフトウェアキーボードとは, 画面上に物理キーボードと同じ形で各キーを並べて表示し, 各キーをタップすることにより文字を入力する方法である. ソフトウェアキーボードを使用してテキストを入力する場合は, 小さい画面上に存在する数多くのキーを連続で正確にタップすることになる. そのため, 目や神経の疲れと, 押し間違いが多く発生することによる, 入力効率の低下が問題になる [1]. 手書きで入力する方法とは, 手書きで書いた文字を, オンライン手書き文字認識を使用し, どの文字が書かれたか認識することにより文字を入力する方法である. 日本語のオンライン手書き文字認識は学会では終わった研究分野といわれており, 一文字の認識率が 90% 以上の高い水準まで達している [3]. しかし, オンライン手書き文字認識を使用したテキスト入力は時間がかかる. なぜなら入力する文字のストロークを全て書かなければならないからである. そのため, 入力速度が物理キーボートでの入力速度より明らかに遅くなる []. オンライン手書き文字認識を用いて文字入力をする既存研究としては POBox 1,Mazec など手書き入力システムがある. これらは予測入力や随時変換を用いて, 手書き入力速度を向上させている. 増井らの研究結果によると, 普通の紙に手書きで文字を書く速度が 49. 文字 / 分であり,Pilot 版 POBox でテキストを入力する速度は 0.1 文字 / 分である [3]. また,Mazec,MyScript 3 など広く利用される商用のオンライン手書き文字入力システムでは, 各漢字を完全に描いた後でないと書きたい文字を正確に認識候補として表示できない. 画数の多い漢字を認識させるためには手の動きと時間をかなり要することになる. 手書き入力が遅くなる原因はストロークの描画に長い時間がかかるからである. 本研究では, 書く頻度の高い単語に対して, 書く必要のあるストローク数を減らすことにより, 高速手書き入力を実現する. 物理キーボードで富士を速く入力したい場合は, fuji の代わりに fj と入力すると, 自動的に富士に変換されるように, 入力したい単語の各文字を途中まで

2 しか書かなくとも入力したい単語を認識できるようにし, ストローク数の削減を実現する. 評価実験では, 提案手法と Mazec, MyScript など商用のオンライン手書き文字入力システムで同じテキストを入力し, 入力にかかる時間とストローク回数を記録して比較する. 提案手法を用いた場合, 入力にかかる時間とストローク回数が Mazec, MyScript オンライン手書き文字入力システムより少なくなることより, 提案手法の有効性を示す. 本稿では以下の構成をとる. まず節でオンライン手書き入力に関する既存研究を紹介し, 3 節で提案手法を説明する. 次に 4 節で実験と評価を行い, 最後に 5 節でまとめを述べる.. オンライン手書き入力の関連研究以下では, 手書き入力に用いられるオンライン手書き認識エンジンについて説明した後, 予測入力と文字補完に関連しているシステムについて説明する..1. オンライン手書き認識エンジンオンライン手書き文字認識とは, アナログ行為としての手書き文字を情報処理できるディジタル方式に変換するプロセスである [3]. 日本語のオンライン手書き文字認識に関する研究は朱らの研究報告 [3] によると, 約 40 年前から, 学会では終わった研究分野といわれており, 一文字の認識率が 90% 以上の高い水準まで達している. 本稿では, アナログ行為としての手書き文字を手書き文字と呼び, 情報処理できるディジタル方式に変換した後の文字をタイプ文字と呼ぶ. オンライン手書き文字認識エンジンの 1 つに Vision Objects 社の MyScript[5] がある.MyScript は 54 種類の言語の手書き文字を最高の精度で認識できる [5]. MyScript を手書き認識エンジンとして利用したノートアプリや手書き数式計算アプリ, テキスト入力アプリなど, 様々な機能を持つアプリが開発され, 世界中で広く使われている [4]. オンライン手書き文字認識エンジンは他にも Zinnia[6] というオープンソースのオンライン手書き文字認識エンジンがある. Zinnia はストロークの座標点列をインプットとして, インプットされた座標点列と似ている 10 文字を変換候補として出力する.Zinnia は SVM を使用しているため, 文字のみならず任意のペンストロークを高速に学習でき,50~100 文字 / 秒の実用的な認識速度を実現している [6]. しかし, オンライン手書き文字認識を使用したテキスト入力は時間がかかる. なぜなら入力する文字のストロークを全て書かなければならないからである. 画数の多い漢字を認識させるためには手の動きと時間をかなり要することになる. そのため, 入力速度が物理キーボートでの入力速度より明らかに遅くなる. また, 不安定な姿勢で大量の文字を入力することにより疲れる問題もある []... 予測入力を用いた手書き入力システム予測入力機能とは, 利用者がすべての文字を入力し終える前に利用者が意図する語彙を提示する機能である [7]. 物理キーボードを持つコンピュータの様々な IME に予測入力機能が採用されている. 近年, キーボードがなく入力効率が低いモバイル端末の普及とともに, 入力効率を向上させられる予測入力機能が広く応用されている. 予測入力機能を用いると, 入力したい単語の全ての文字を書かなくとも, 入力候補に表示される. 予測入力機能を持つ手書き入力システムである Mazec[8] と POBox[4] は, 予測機能を用いて手書き入力速度を向上させることができる. Mazec は, タッチパネルを搭載したデバイスにおいてソフトウェアキーボードの代わりに手書き認識による日本語入力を簡単にできるアプリケーションである.Mazec は手書き認識機能だけではなく, かな漢字変換機能, かな文字と漢字の交ぜ書き変換機能, 予測入力機能を搭載し, 効率よく簡単に手書きによるテキスト入力を行うことができる [8]. POBox は, 増井ら [] が開発したペン計算機向きの文字入力システムである. PalmPilot 版 POBox では, ソフトウェアキーボードとペンストロークの併用で, 予測入力と曖昧検索に基づく効率的な入力手法を用いて, 効率的なテキスト入力を実現した. PalmPilot 版 POBox の予測入力機能は先行登録した辞書内の単語を順番にマッチングすることにより行うという単語内の予測と, 先行文字から次の入力単語を予測する単語間の予測の種類あり, どちらでも単語と読みを辞書に先行登録する必要がある. しかし, 多くの予測候補から入力したい文字や単語を選ぶための視線移動と辞書にない単語の検索に時間がかかるという欠点がある []. 増井らの研究結果によると, 普通の紙に手書きで文字を書く速度が 49. 文字 / 分であり, Pilot 版 POBox でテキストを入力する速度が 40.5 文字 / 分である [4]..3. 文字補完を用いた手書き入力システム文字補完とは, 単語の各漢字を途中までしか書かなくとも, 書いた一部のストロークから書きたい単語を動的に予測することである.Mazec, MyScript など広く利用される商用のオンライン手書き文字入力システムでは, 漢字を完全に描いた後でないと書きたい文字が正確に認識候補として表示されないため, 画数の多い漢字を認識させるためには手の動きと時間をかなり要することになる. PalmPilot 版 POBox は文字補完機能がある. しかし,PalmPilot 版 POBox のペンストローク入力

方式では, 書ける枠はつしかなく, 日本語に多く存在する 3 文字以上で構成される単語を書くためには分割して書くしかないという問題がある. また, POBox の辞書に登録された単語はすべて形態素単位であるため, 書いている時辞書をマッチングし, 候補に表示される単語も形態素単位である [4].

3 方式では, 書ける枠はつしかなく, 日本語に多く存在する 3 文字以上で構成される単語を書くためには分割して書くしかないという問題がある. また, POBox の辞書に登録された単語はすべて形態素単位であるため, 書いている時辞書をマッチングし, 候補に表示される単語も形態素単位である [4]. これに対し, 使用者が書いた単語は形態素単位でない場合は, 候補に表示されない欠点がある..4. 関連研究のまとめ表 1 は, 関連研究の長所と短所をまとめたものである. 表 1 関連研究の長所と短所の先頭のアルファベットのみを入力することにより, タイピング速度を向上させることができる. この考え方をタブレット端末での手書き入力に応用することにより, ストローク数の削減を実現する. 具体的には, 入力したい単語の各文字を途中までしか書かなくとも入力したい単語を認識できるようにし, ストローク数の削減を実現することを目指した. 図 1 富士を高速で入力する例 3. 提案手法本節では, 提案手法である, 書く必要のあるストローク数を削減することにより, 書く頻度の高い単語を高速で入力できる手法について述べる概要手書き入力が遅くなる原因は, 各ストロークを書くのに時間がかかるからである. よって, 書く必要のあるストローク数を削減できれば, 手書き入力の速度が向上する. 例えば, 物理キーボードで富士と入力する場合, アルファベットの fuji を先に入力する必要がある. しかし, 図 1 に示したように, 速く入力したい場合は, fuji の代わりに fj と入力すると, 自動的に富士に変換される場合もある. このようにすべてのアルファベットを入力する代わりに, 各文字本研究では, 書く頻度の高い単語に対して, 書く必要のあるストローク数を減らすことにより, 高速手書き入力を実現する. 提案手法は, 以下の 3 つのステップで構成されている : 1 手書き文字の認識各文字候補の組み合わせスコアの算出 3 各組み合わせのスコアに対するランキングステップ1 の手書き文字の認識では, Zinnia を手書き文字認識器として使用することより, 書いた手書き文字をタイプ文字に変換する.Zinnia の認識モデルは, 一度書いた事のある文字の筆跡を登録することにより, 作成する. この認識モデルに含まれる文字の数は Zinnia のデフォルトの認識モデルに登録されている文字の数より明らかに少ない. よって, 作成した認識モデルを使用すると, 途中までしか文字を書かなくとも, 書きたい文字を予測できるようになる. 途中までしか文字を書かなくとも書きたい文字を予測できることを利用し, 一度書いた事がある文字列を再び書く際には, 各漢字を途中までしか書かなくとも, 文字列を入力できるようにする. ステップでは,1 の認識結果を用いて入力文字列の候補を作成する. そして Google 日本語 n-gram の 1-gram, すなわち 1 形態素中の出現頻度を使用し, スコアを計算する. ステップ 3 ではステップで算出したスコアを用いて候補文字列の推薦順位を決める. この手法を利用すると, 入力したい単語の各文字を途中までしか書かなくて良いので, 時間と手の動作を削減することができる. 提案手法の概略を図に示す. 3

図提案手法の概略図図 3 手書き文字早稲田に対するデフォルト認識モデルを用いた Zinnia の認識結果 3.. 提案手法の流れ提案手法の流れをステップごとに具体的に説明する. 3..1.

4 図提案手法の概略図図 3 手書き文字早稲田に対するデフォルト認識モデルを用いた Zinnia の認識結果 3.. 提案手法の流れ提案手法の流れをステップごとに具体的に説明する手書き文字の認識手書き文字の認識では, 機械学習アルゴリズム SVM を用いたオンライン手書き文字認識エンジン Zinnia を手書き文字認識器として使用することより, 書いた手書き文字をタイプ文字に変換する. まず, 書いた文字の筆跡点の座標情報を (x y) の形で記録する. その後, 座標情報を Zinnia が認識できる形式に変換し,Zinnia に入力する. そうすると, 図 4 のように各文字 10 個ずつの認識結果がアウトプットされる. 認識結果の文字の右に表示される数字は Zinnia が算出した SVM による類似度であり, その範囲は - 1~+1 である. この類似度は 3.. でスコアを計算する際に使用する. 図 3 には手書き文字早稲田に対するデフォルト認識モデルを用いた Zinnia の認識結果を示す. 図 4 手書き文字早稲田に対する個人的認識モデルを用いた Zinnia の認識結果 Zinnia が持つデフォルトの認識モデルには数字, 漢字, かな文字を含め, 全 6,449 文字が含まれている. しかし, 書き順などの使用者の個人的な特徴は含まれておらず, かつ, 膨大な認識モデルを持つので, 手書き文字の認識率が低くなる. また, 文字を途中まで書いた状態でも書き終えた状態として認識されるので, 違う文字が予測候補に表示される場合が多い. そこで, 文字のストロークを全て書かなくとも, 入力したい文字を認識結果に出すために, 以前使用者が書いたことがある文字の筆跡情報を記録することより, 個人性を持つ認識モデルを作る. 図 4 には手書き文字早稲田に対する個人的認識モデルを用いた Zinnia の認識 4

結果を示している. 3... 各文字候補の組み合わせスコアの算出次に, 各文字 10 個ずつの候補を組み合わせ, 単語を作る. この段階では, 各組み合わせが単語として意味を持つかどうかを問わない. この時, 手書き文字 3 文字を書いた場合は,10 10 10=1000 種の組み合わせができる. しかし, これらすべての組み合わせを予測候補として表示するのは現実的でない.

5 結果を示している各文字候補の組み合わせスコアの算出次に, 各文字 10 個ずつの候補を組み合わせ, 単語を作る. この段階では, 各組み合わせが単語として意味を持つかどうかを問わない. この時, 手書き文字 3 文字を書いた場合は, =1000 種の組み合わせができる. しかし, これらすべての組み合わせを予測候補として表示するのは現実的でない. また, どの組み合わせを使用者が希望しているのかもわからない. そこで, これらの組み合わせの数を削減するためと, 優先順位を決めるために, スコアを計算する. 組み合わせの数を削減するには,Google n-gram データの中の 1-gram を辞書として使用する.1-gram には, 約,565,44 個の単語を持ち, 各単語の出現回数も記載されている.1-gram に入ってない単語は, 約 00 億文の日本語データに一度も使われたことがなく, 日常的には使用されない単語として考えられる. これにより, 各組み合わせを順番に 1-gram 中に存在するかどうかを見ていき,1-gram 中に存在しない組み合わせは削除することより, 使用者が使う可能性が極めて小さい組み合わせを排除し, 使用者の希望する単語が含まれる組み合わせに絞り込む. 残りの組み合わせは候補と呼ぶ. しかし, 候補だけでも大量に存在するため, すべての候補を表示すると, ストロークを書くごとに, 使用者が多くの候補から入力したい文字や単語を選ぶことになり, 入力効率が下がる. そこで, 各候補の優先順位を決めるスコアを計算することより, 使用者の希望単語を予測する. このスコアは,Google n-gram データの中に記載されている各候補の出現回数を使い, 式 (1) 用いて計算する. Freq w Score w = α log (1 + max(freq all ) ) n w + (1 α) 1 Sim n i w i=1 (1) 式 (1) において, Score w はある組み合わせ ( 文字列 w) のスコア, αは重み係数 (0 α 1), Freq w は Google 1- gram におけるある文字列 wの出現回数,max(freq all ) は Google 1-gram に含まれる全ての文字列の中の最大出現回数,n w は文字列 wの文字数,sim i は Zinnia における i 番目の文字の出力スコアを表している.Score w は出現回数スコアと認識スコアから計算される. Score w が大きいほど, 出現回数が大きいかつ使用者が書いた手書き文字と似ていることになり, 使用者が希望する単語に近づいていると考えられる各組み合わせのスコアを用いたランキング組み合わせのスコアが大きければ大きいほど, 使用者の希望単語に近づいていると考えられるため, 3.. 節で算出したスコアの大きいものから小さいものの順に各組み合わせを予測候補列に表示する. このことにより, 使用者が多くの入力候補から入力したい文字や単語を選ぶための視線移動を減らすことができると考えられる. そして, 使用者の余計な視線移動を減らすために, 以前に書いた単語を予測候補列のより前方に表示したほうがいいと考えられる. このことを実現するために, 使用者が入力した単語を毎回記録し, 入力単語履歴を作る. ランキングの順位が 15 位以内になる各候補は, この入力単語履歴に含まれるかどうかを調べる. 含まれているなら以前に書いたことがあり, 再び書く可能性が高いので, 候補列表示欄の先頭に表示する. つ以上履歴に含まれる単語があった場合は使用した回数の多い順に表示する. また, 使用者が書いた文字列が形態素単位ではない場合は, 入力単語履歴を用いて, 以前入力したことがある単語を形態素単位で入力する. 例えば, 手書き文字利用可を書いた時, 利用と可は形態素単位の単語であるが, 利用可は形態素単位の単語ではない. よって, 3.. 節で述べた組み合わせの作り方では, 候補列に利用可は表示されないことになる. それに対して, 使用者が書いた文字列が形態素単位ではない場合にも対応できるようにするために, 利用可の前方一致検索で入力単語履歴の中に検索し, 利と利用があれば表示する. 利か利用かを選択した後に, 残りの手書き文字可の認識結果を表示することになる. このような流れで, 使用者がすべてのストロークを書かなくとも, 希望する単語を予測できるシステムの実装システムのインターフェイスは図 6 に示したようになっている. 図 5 早稲田を書いた様子図 5 の赤い部分はデフォルトの認識モデルを用いた Zinnia の認識結果の表示選択欄である. 左から認 5

6 識結果の類似度が高い順に表示する. 表示される文字は各ストロークを書き終えるごとに更新する. 青い部分は提案手法を用いた予測候補の表示選択欄である. 左から使用者の希望単語になる可能性が高い順に表示する. 予測候補列に表示できる単語の数が多すぎると, 使用者が予測候補列の確認にかかる時間が長くなるので, 候補の数は 15 個とした. また, 使用者が見つけやすくするために, 以前に入力したことがある単語を青い文字で表示する. 黄色い部分はテキスト入力部である. 入力したテキストを中央の欄に表示する. 紫色の部分は枠付き手書きエリアである. 左から 1 枠ごとに 1 文字を書く. 提案手法を実装したシステムで文字列を書く際に, その文字列を書くのが初めてか回目以降なのかにより, 入力方法が異なる. 初めて書く文字列の場合は, ストローク削減できない. 文字列を書くのが回目以降の場合, ストローク削減はできる. しかし, 使用者がテキストを手書きで入力する時, 入力したい文字列は以前書いたことがあるかどうかを意識していないので, 初めて書く場合の仕組みと回目以降に書く場合の仕組み, 両方を実装している. 回目以降に書く場合の仕組みで書きたい文字列を認識できない場合は, 初めて書く場合の仕組みで選択し, 入力できる. 4. 評価実験本章では, 第 3 章で述べたシステムを既存のシステムと比較することにより, 提案手法を評価する実験内容本研究では, 節と 3 節で述べた以下のつの手書き入力システムでテキストを入力することにより評価実験を行った. Mazec-T for Windows Windows 版 MyScript Stylus 3. 提案手法を実装したシステム実験では, 被験者である 7 名大学生大学院生が各手書き入力システムで同じテキストを回ずつ入力する. 被験者を変える度に各システムをリセットしている.1 回目は被験者の入力した単語を入力履歴に記録し, 手書き筆跡を認識モデルに変換するために行う. 回目は 1 回目で学習して得た認識モデルを用いて実施する. 被験者がテキストを入力し終える度に書いたストローク数と, テキストの一文字目を書き始めた時点から, テキストのすべて文字を入力し終わる時点までの入力時間を記録する. また,Windows 版 MyScript Stylus 3. と Mazec-T for Windows の手書きエリアには枠がないため, 被験者に 1 度に書く文字数は 4 文字以内として頂いた. さらに, 提案システムに対する慣れがどの程度有効かどうかを調べるため, 提案システムに慣れた被験者 1 名による実験を行った. 具体的には, 7 名被験者の内 1 名に対して実験用入力テキスト以外の文章を使い, 1 週間練習してもらい, その後実験を行った. 評価方法としては, 各手書き入力システムで回目にテキストを入力した際のストローク数と入力にかかる時間を比較することにより, 提案手法の有効性を示す. 提案手法を実装したシステムでのテキスト入力にかかる時間と書いたストローク数が,Windows 版 MyScript Stylus 3. と Mazec-T for Windows のつのシステムより少ないことより, 提案手法の有効性を示すことができる. 実験環境として, 今回の評価実験は CPU が Intel(R) Core(TM) i メモリが 16.0GB,OS が 64bit Windows 7 のコンピュータで実施した. また, Wacom DTZ-100W を手書き入力システムとして使用している. 残念ながら,. と.3 で紹介した POBox の Windows 版は手書き入力機能が備わっていないため, 実験の比較システムに加えられていない. 4.. 入力データ今回の評価実験のために, ある文章の中に存在する 4 つの文を入力データとして使用する. 4 つの文はかな文字, 漢字, 助詞などを含む, 意味を持つ文章である. 文字数は合計 41 文字になり, ストローク数は合計 1,5 画である. ただし, 今回の実験の入力データでは句読点を含めない. 4 つの文全てを 1 つの文章から選択した理由は, 文の主旨が同じになり,4 つの文の中に同じ単語の出現回数が多くなるからである. 表に, 入力データを Mecab 4 により形態素解析した結果得られた各形態素の出現頻度を示す. 表 Mecab により得られた各形態素の出現回数文字列出現回数文字列出現回数文字列出現回数の 8 と周辺 1 に 7 て主 1 候補 6 ため室 1 を 6 た山名 1 入力 5 その行え 1 予測 4 しかし効果 1 単語 4 ある語 1 で 4 優先 1 研究 1 が 4 問題 1 学習 html 6

7 削減率 [%] 方式 3 未知 1 解決 1 提示 3 文章 1 加える 1 過去 3 度 1 位置 1 ない 3 適切 1 れる 1 する 3 的 1 のみ 1 し 3 提案 1 なる 1 さ 3 低い 1 なり 1 利用抽出 1 など 1 者対象 1 という 1 基づい存在 1 そもそも 1 れ早稲田大学 1 この 1 は全く 1 から 1 な場面 1 うる 1 として従来 1 い実験結果実験結果を表 3 にまとめた. ここで, ストローク削減率 R s と時間削減率 R T はそれぞれ式 (4) と式 (5) により算出する. 式 (4) の S 1 と S は式 () より求める. 式 () の S n は各被験者があるシステムを n 回目に使用した際の総入力ストローク数の平均を表している. 式 () の m M は各被験者,N m は被験者の総数,num_strokes(m, n) は被験者 m が n 回目にシステムを利用した際に入力した総ストローク数を表している. ただし M は被験者の全体集合である. また, 式 (5) の T 1 と T は式 (3) を用いて算出する. 式 (3) の T n は各被験者があるシステムを n 回目に使用し始めてから, 使用し終えるまでにかかった時間の平均である. 式 (3) の time(m, n) は被験者 m が n 回目にシステムを使用し始めてから, 使用し終えるまでにかかった時間を表している. 図 6 に表 3 の中のストローク数削減率と入力時間削減率を示している. 手書き入力システム Mazec MyScri pt 提案システム ( 不慣れ ) 提案システム ( 慣れた状態 ) 平均ストローク数 [ 画 ] 1 回目表 3 実験結果回目ストローク削減率 [%] 平均入力時間 [s] 1 回目回目入力時間削減率 [%] S n = 1 N m num_strokes(m, n) m M T n = 1 N m time(m, n) m M () (3) R s = S 1 S S (4) R T = T 1 T T (5) スロトーク削減率入力時間削減率図 6 ストローク削減率と入力時間削減率の比較表 3 から同じテキストを入力する際, 提案手法を実装したシステムは Windows 版 Mazec-T for Windows より, 平均ストローク数が少ない. しかし, 平均入力時間は長くなることがわかる. 削減できたストロークはほとんど回目以後に書いた漢字のストロークである. 助詞などのひらがなは, もともとストローク数が少ないので, 書き終える場合が多い. 平均ストローク数が少ないことから, 提案手法によりストローク数の削減 7

8 は実現できている. しかし, 平均入力時間が長い原因としては, 以下の 3 つが考えられる. 実験者が提案手法のシステムの使い方に慣れていない. 提案した手法は書く頻度の高い単語に対して, 単語の各漢字を途中までしか書かなくとも, 希望する単語を動的に予測する. しかし各文字を途中まで書く時, どこまで書くと候補に出てくるかは, 初めてシステムを使用する実験者にとって把握しにくい. それにより, ストロークを書くごとに予測候補列を確認するが, ストロークを書くごとに候補列を確認すると時間がかかる. そして, 被験者の中の 1 人が提案手法のシステムに慣れるまで練習した後は, 入力時間削減率が 9.74% になり, 入力ストローク削減率も 55.% まで実現できた. よって, 提案手法のシステムに慣れないうちはかなり時間がかかるが, 慣れれば入力速度が向上できると思われる. 手書きエリアの枠による手の移動に時間が掛かる. 図 5 のように, 今回実装したインターフェイスの手書きエリアには 4 つの枠がある. 実験者が文字列を書く時, 枠に合わせてストロークを書き,1 度に 4 文字しか書けない. しかし, このように枠に合わせて書くことは時間がかかるだけではなく, 実験者が連続したテキストをどこで切り分けるかを先に考えなければならない. この問題を解決するには, 手書きエリアの枠を取り除き, 自由に書いても自動的に文字ごとに切り出せる仕組みを加えれば良いと考えられる. 予測が失敗し, 書き直す場合に時間が掛かる. 認識エンジンの Zinnia は書き順や速書に弱い. 使用者が少し速く文字を書いたり, 書き順を変えたりした時,Zinnia が認識できなくなり, 全く関係のない認識結果を出してしまう. そして Zinnia の認識結果による組み合わせも大幅に変化し, 希望する単語が予測候補列に表示されない場合がある. その時は使用者が書き直すしかない. この問題を解決するには, Zinnia の代わりに書き順と書く速度の変化に強い認識エンジンを使用すれば良いと考えられる. 5. まとめ本稿では, 書く頻度の高い単語に対して, 書く必要のあるストローク数を減らすことにより手書き入力を高速化する手法について述べた. オンライン手書き文字認識を用いてテキスト入力を行う既存の研究では, 予測機能や動的検索を用いて, 入力速度を向上させているが, 各漢字を完全に描いた後でないと認識結果に書きたい文字が表示されず, 画数の多い漢字を認識させるためには手の動きと時間をかなり要することになる. それに対し, 提案手法では, 使用者の筆跡で作成した認識モデルを持つ手書き文字認識エンジン Zinnia を使用し, 辞書として Google 日本語 n-gram の 1-gram を用いて, 文字列の出現頻度と文字認識結果の総合評価により候補文字列の推薦順位を決める. この手法を利用することにより, 途中までしか文字を書かなくとも, 書きたい文字を予測できるようになる. ストロークを書く回数の削減率が 53.0% になり, オンライン手書き文字入力システム Mazec, MyScript のストローク削減率 0%,33.96% より多く削減できることより, 提案手法の有効性を示した. 今後の課題としては, 本研究で入力にかかる時間の短縮を出来なかった原因の解決がある. 提案手法のシステムの使い方に慣れていないことに対しては, システムをたくさん利用すれば解決できる. 書くエリアの枠による手の移動に時間が掛かるに対しては, インターフェイスの手書きエリアの枠を取り除き, 自由に書いても自動的に文字ごとに切り出せる仕組みを加えれば, 解決できる. 予測が失敗し, 書き直す場合に時間が掛かる事に対しては, Zinnia の代わりに書き順と筆画数に強い認識エンジンを使用できれば解決できると考えられる. 参考文献 [1]. 増井俊之, ペンを用いた高速文章入力手法, 日本ソフトウェア科学会 WISS 96,pp.51-60, 近代科学社,December []. 増井俊之, 動的パタンマッチを用いた高速文章入力手法, 日本ソフトウェア科学会 WISS 97, pp.81-86, 近代科学社, December [3]. 朱碧蘭, 中川正樹, オンライン手書き文字認識の最新動向,IEICE Vol. 95,No. 4,pp ,01. [4]. 増井俊之, インターフェイスの街角 (6) POBox の予測手法と辞書の作成, Unix Magazine, pp.1-7, May [5]. MyScript テクノロジ, on 013/1/17. [6]. Zinnia: 機械学習ベースのポータブルなオンライン手書き文字認識エンジン, on 013/1/17. [7]. Hiroyuki Komatsu, Taku Kudo, Yusuke Tabata, Jun Mukai, Toshiyuki Hanaoka & Yohei Yukawa, Development of Predictive Input System, コンピュータソフトウェア,Vol.8,No.4,pp.17-,011. [8]. Mazec-T for Windows, Accessed on 013/1/17. 8

Xperia™ XZ ユーザーガイド

Xperia™ XZ ユーザーガイド文字を入力するキーボードを切り替えるキーボードについて文字入力画面でクイックツールバーの文字を入力するときはディスプレイに表示されるソフトウェアキーボードを使用しますソフトウェアキーボードには1つのキーに複数の文字が割り当てられているテンキーと 1つのキーに1つの文字が割り当てられている PCキーボードがありますまたディスプレイをなぞって文字入力ができる手書き入力や Google