CN103596626A - 跑步方式诊断系统以及跑步方式的打分方法 - Google Patents

Abstract

本发明提供一种跑步方式诊断系统，能自动对跑步者的跑步方式进行打分。跑步方式诊断系统获取关于在跑步机上跑步的被测试者的身体动作信息，通过将所获取的特征应用于所给的运算式，从而计算出该被测试者的跑步方式得分。运算式是基于多个测试跑步者的特性与专家对于该多个测试跑步者的跑步所给出的综合评价之间的相关关系而生成的。

Description

跑步方式诊断系统以及跑步方式的打分方法

技术领域

本发明涉及跑步者跑步方式的自动诊断技术。

背景技术

一直以来，跑步、步行、或者高尔夫等方式的诊断通常通过专门的训练员或教练的目测这样的个别判断来进行。另一方面，近年来，提出了自动对这样的方式进行诊断的各种诊断系统。

例如，日本专利特开2002-233517号公报（专利文献1）中，揭示了对步行的优美度进行评价的装置。该装置利用压力传感器对被测试者步行过程中的足压分布进行测量，并基于该测量结果，求得该被测试者的足压中心轨迹。然后，该装置通过将如上所述那样求得的被测试者的足压中心轨迹与预先设定的标准的足压中心轨迹的参数进行比较，从而对被测试者的步行的优美度进行打分。

日本专利特开2010-017447号公报（专利文献2）中揭示了分析步行者的步行状态的装置。该装置根据多个拍摄图像来构建三维人物模型，从而将步行者的步行动作数据化。并且，通过将数据化后的步行者的步行动作与登载在字典数据中的健康人物的步行动作进行比较，来分析步行者的步行状态。

现有技术文献

专利文献

专利文献1：日本专利特开2002－233517号公报

专利文献2：日本专利特开2010－017447号公报

发明内容

发明所要解决的技术问题

然而，如上所述的现有装置均将被测试者的测定数据与特定的数据进行比较，并基于该比较结果来对被测试者的动作进行评价。在如上所述的装置中，具有以下问题：即，根据怎样的方式选择用于比较的数据，评价结果会大不相同。因此，需要抑制评价结果的偏差的技术。

此外，在现有装置中，用于比较的数据可能并未严格反映专家的判断基准。在这样的情况下，具有如下问题：即，利用该数据而获得的评价结果与实际专家进行评价的诊断结果相比欠缺正确性。因此，需要确保诊断结果的正确性的技术。

本发明是为了解决上述现有的课题而完成的，其目的在于，提供一种能基于与专家的判断相同的基准，自动地对跑步者的跑步方式进行打分的跑步方式诊断系统。

解决技术问题所采用的技术方案

根据本发明的某一方面，提供一种对被测试者的跑步方式进行打分的跑步方式诊断系统。跑步方式诊断系统包括：存储装置，该存储装置构成为存储有运算式，该运算式表示从与多个测试跑步者的跑步有关的信息中所提取到的身体动作信息与专家分别对该多个测试跑步者的跑步所给出的评价之间的相关关系；接口，该接口用于接受与被测试者的跑步有关的信息输入；以及处理器，该处理器构成为基于输入至接口的信息，输出关于被测试者的跑步方式的得分。处理器构成为从输入至接口的与被测试者的跑步有关的信息中提取被测试者的身体动作信息，通过将该提取到的身体动作信息应用于运算式，来计算关于被测试者的跑步方式的得分。

优选为运算式包括：第1回归式，该第1回归式通过将由专家对于测试跑步者的跑步所给出的两个以上项目的评价设为说明变量，将由专家对于测试跑步者的跑步所给出的综合评价设为目的变量，并进行回归分析而得到；以及第2回归式，该第2回归式通过将测试跑步者的身体动作信息设为说明变量，分别将由专家对于测试跑步者的跑步所给出的两个以上项目的评价设为目的变量，并进行回归分析而得到。

优选为通过对由专家对于测试跑步者的跑步所给出的预先所设定个数的项目的评价与由专家对于测试跑步者的跑步所给出的综合评价进行统计处理，从而从预先所设定个数的项目中确定第1回归式中所利用的两个以上项目。

进一步优选为，通过对特定个数的身体动作信息与两个以上项目的评价进行统计处理，从而从特定个数的项目的特性中确定第2回归式中所使用的测试跑步者的身体动作信息。

优选为，运算式包括多元回归式，该多元回归式通过将测试跑步者的多个身体动作信息设为说明变量，将专家对于测试跑步者所给出的综合评价设为目的变量，并进行多元回归分析而获得。

优选为，运算式包括多个回归式，通过将测试跑步者的多个身体动作信息设为说明变量，将专家对于测试跑步者所给出的综合评价设为目的变量，并进行回归分析，从而获得该多个回归式。处理器基于利用多个回归式而获得的多个综合评价，来计算关于被测试者的跑步方式的得分。优选为，被测试者的身体动作信息至少包括通过计算被测试者的前臂对上臂的角度而获得的肘关节角度、被测试者的前臂与上臂各自的段角度、通过计算被测试者的小腿对于大腿的角度而获得的膝关节角度、或者被测试者的小腿与大腿各自的段角度的任一种。

优选为跑步方式诊断系统还包括与接口结合、用于拍摄被测试者的视频的拍摄装置。接口构成为接受被测试者的视频输入。在提取被测试者的肘关节角度、或者被测试者的前臂与上臂各自的段角度的至少任一种的情况下，处理器基于视频中的安装于被测试者的肩关节、肘关节、手关节的标记的图像位置，来提取它们的角度，在提取被测试者的膝关节角度、或者被测试者的小腿与大腿各自的段角度的至少任一种的情况下，处理器基于视频中的安装于被测试者的股关节、膝关节、踝关节的标记的图像位置，来提取它们的角度。

优选为跑步方式诊断系统还包括安装于被测试者的惯性传感器。接口构成为接受惯性传感器的检测结果的输入。处理器构成为基于惯性传感器的检测结果，来提取被测试者的身体动作信息。

优选为存储装置构成为将关于跑步的建议信息分别与预先被区分的得分相关联并进行存储。处理器构成为输出与计算出的被测试者得分相关联的建议信息。

优选为运算式还表示从与多个测试跑步者的跑步有关的信息中提取出的身体动作信息以及多个测试跑步者的身体特性与专家对于该多个测试跑步者各自的跑步给出的综合评价之间的相关关系。接口还构成为接受被测试者的身体特性的输入。处理器构成为通过将被测试者的身体动作信息以及身体特性应用于运算式，从而计算出关于被测试者的跑步方式的得分。

根据本发明的其他方面，提供一种利用计算机执行的、对被测试者的跑步方式进行打分的方法。计算机包括：存储装置，该存储装置构成为存储有运算式，该运算式表示从与多个测试跑步者的跑步有关的信息中提取的身体动作信息与专家对该多个测试跑步者各自的跑步所给出的综合评价之间的相关关系；以及接口，该接口接受与被测试者的跑步有关的信息输入。方法包括：计算机从输入至接口的与被测试者的跑步有关的信息中提取被测试者的身体动作信息；以及计算机通过将提取到的身体动作信息应用于运算式，来计算关于被测试者的跑步方式的得分。

优选为运算式包括第1回归式与第2回归式，通过将由专家对于测试跑步者的跑步所给出的两个以上项目的评价设为说明变量，将由专家对于测试跑步者的跑步所给出的得分设为目的变量，并进行回归分析，从而得到该第1回归式，通过将测试跑步者的身体动作信息设为说明变量，将由专家对于测试跑步者的跑步所给出的两个以上项目的评价分别设为目的变量，并进行回归分析从而得到该第2回归式。

优选为，运算式包括多元回归式，通过将测试跑步者的多个身体动作信息设为说明变量，将专家对于测试跑步者所给出的综合评价设为目的变量，并进行多元回归分析，从而获得该多元回归式。

优选为，运算式包括多个回归式，通过将测试跑步者的多个身体动作信息分别设为说明变量，将专家对于测试跑步者所给出的综合评价设为目的变量，并进行回归分析，从而获得该多个回归式。计算机对关于被测试者的跑步方式的得分的计算包括基于利用多个回归式而获得的多个综合评价，来计算关于被测试者的跑步方式的得分。

关于本发明的上述及其他目的、特征、方面及优点，可从以下结合附图来理解的、与本发明相关的详细说明来了解。

附图说明

图1是表示跑步方式诊断系统的结构的图。

图2是表示信息处理装置的硬件结构的一个示例的图。

图3是表示跑步方式诊断系统的动作的流程图。

图4是表示信息处理装置的功能性结构的框图。

图5是运算式的生成的流程图。

图6是用于说明BMI（BodyMathIndex：身体数学指数）的计算方法的图。

图7是用于说明作为生物力学数据的一个示例的“大腿角度（后方）MaxMin”的图。

图8是用于说明作为生物力学数据的一个示例的“前臂角度（侧面）MaxMin”的图。

图9是用于说明作为生物力学数据的一个示例的“上臂角度（侧面）Max”的图。

图10是用于说明作为生物力学数据的一个示例的“小腿角度差－大腿角度差”的图。

图11是用于说明作为生物力学数据的一个示例的“大腿角速度（侧面）Min”的图。

图12是用于说明作为生物力学数据的一个示例的“小腿角速度（触地）”的图。

图13是用于说明作为生物力学数据的一个示例的“小腿角度（侧面）Min”的图。

图14是表示前臂角度的时间序列数据的一个示例的图。

图15是表示所生成的回归式的一个示例的图。

图16是用于说明利用运算式来计算跑步方式得分的概要的图。

图17是表示计算出的跑步方式得分与由专家所给出的跑步方式得分之间的相关性的图。

图18是参照图5所说明的运算式的生成的变形例的流程图。

图19是表示计算跑步方式得分的流程的一个示例的图。

图20是表示计算跑步方式得分的流程的其他示例的图。

图21是表示计算跑步方式得分的流程的另一个其他示例的图。

图22是表示分发给专家的问卷调查的概要的一个示例的图。

图23是表示分发给专家的问卷调查的具体示例的图。

图24是对于利用因子分析提取出的因子、绘制各技巧要素的因子负荷量所得的图。

图25是绘制20个跑步者的因子得分所得的图。

图26是表示提取出的因子的因子得分与“综合评价”之间的相关关系的图。

图27是表示跑步方式得分的计算中所利用的数学式组的一个示例的图。

图28是表示身体特性及生物力学参数、评价项目、利用评价项目计算出的技巧要素、利用技巧要素计算出的跑步方式得分之间的关系的图。

图29是表示关于技巧要素“安全”所计算出的得分与由专家给出的得分之间的关系的图。

图30是表示关于技巧要素“跳跃感”所计算出的得分与由专家给出的得分之间的关系的图。

图31是表示计算出的跑步方式得分与由专家所给出的跑步方式得分之间的关系的图。

图32是表示输出表的具体示例的图。

图33是表示输出表的具体示例的图。

图34是表示跑步方式诊断系统的变形例的简要结构的图。

图35是表示信息处理装置的硬件结构的变形例的图。

图36是表示信息处理装置的功能结构的变形例的图。

图37是表示在利用外部设备生成运算式的情况下，信息处理装置的功能结构的一个示例的图。

具体实施方式

下面，在参照附图的同时，对跑步方式诊断系统的实施方式进行说明。在下面的说明中，对相同的元器件标注相同的标号。它们的名称和功能也相同。因此，对于与此相关的详细内容不再进行反复说明。

[跑步方式诊断系统的结构]

对包含跑步方式诊断系统的一个实施方式的系统结构的一个示例进行说明。图1是表示跑步方式诊断系统100的结构的图。

如图1所示，跑步方式诊断系统100包括跑步机10、对穿着有标记90的被测试者A进行拍摄的拍摄系统20、基于被测试者A跑步的视频来对该被测试者A的跑步方式进行打分的信息处理装置30、以及输出被测试者A的跑步方式的诊断结果的输出装置40。被测试者A例如分别在右侧六个部位（肩、肘、手腕、大腿根部、膝盖、脚踝）穿着标记90。信息处理装置30取得被测试者A的身体特性，此外，从被测试者A跑步的视频数据提取出该被测试者A的身体动作信息。从而，信息处理装置30基于身体特性以及/或者身体动作信息，计算出被测试者的跑步方式得分。跑步方式诊断系统至少包括信息处理装置30。

如图1所示，拍摄系统20例如包括两台高速照相机，能通过可利用动作捕捉技术的系统来构成。信息处理装置30由包括CPU（Central ProcessingUnit：中央处理器）、存储装置以及软件等的例如PC（个人电脑）构成。信息处理装置30的详细结构在后文中阐述。输出装置40由例如视觉性地输出信息的监视器或打印机构成。另外，输出装置40也可以以音频等视觉以外的方式、或者、以视听觉信息那样两种以上的输出方式的组合，来输出诊断结果。

[信息处理装置30的硬件结构]

参照图2，对信息处理装置30的硬件结构的一个示例进行说明。图2是表示信息处理装置30的硬件结构的一个示例的图。

信息处理装置30包括CPU300、图形控制器310、VRAM（Video RAM（RandomAccessMemory：随机存取存储器））312、I/O（输入/输出）控制器316、接口324，332、通信设备（接口）326、主存储器328、BIOS（BasicInputOutputSystem：基本输入输出系统）330、USB（UniversalSerialBus：通用串行总线）336以及总线338。

BIOS330存储有启动信息处理装置30时CPU300执行的启动程序、依存于信息处理装置30的硬件的程序等。硬盘318、光盘驱动器322、以及半导体存储器320等存储装置与I/O控制器316相连接。接口324例如是触摸面板、键盘等用于对信息处理装置30输入信息的装置。

接口332是从拍摄装置20向信息处理装置30输入视频数据的接口的一个示例。图形控制器310是从信息处理装置30向输出装置40输出信息的接口的一个示例，利用了VRAM312。

信息处理装置30还包括无线部334与蓝牙（注册商标）模块314。信息处理装置30能经由无线部334与外部设备之间进行无线通信。此外，信息处理装置30能通过利用蓝牙模块314，以蓝牙方式（近距离无线通信方式的一个示例）与外部设备进行通信。

作为光盘驱动器322采用例如CD－ROM（CompactDisc-RO<（ReadOnlyMemory：只读存储器））驱动器、DVD（DigitalVersatileDisc：数字通用光盘）－ROM驱动器、DVD－RAM驱动器、BD（Blu-rayDisk：蓝光光盘）－ROM驱动器。光盘400是与光盘驱动器322相对应的形式的记录介质。CPU300利用光盘驱动器322从光盘400读取程序或者数据。CPU300能经由I/O控制器316将读取到的程序或者数据加载到主存储器328、或者安装到硬盘318中。通信设备326是LAN（LocalAreaNetwork：局域网）卡等为了与其他的设备进行通信而搭载于信息处理装置30的设备。

CPU300能执行存储在光盘400或者记录介质（存储卡等）中的、可提供给用户的程序。CPU300可以执行存储在光盘400以外的记录介质中的程序，也可以执行经由通信设备326下载的程序。

[跑步方式诊断系统的全体动作]

下面，参照图1～图3，对跑步方式诊断系统100的动作进行说明。图3是表示跑步方式诊断系统100的动作的流程图。

首先，在步骤S201中，将被测试者A的身高、体重、性别、或者每月练习量等用户信息输入至信息处理装置30。CPU300接受用户信息的输入。

接着，拍摄系统20对穿着有标记90、并在跑步机10上跑了一定时间的被测试者A进行拍摄（步骤S202）。将由拍摄而生成的动画数据输出至信息处理装置30。

接着，信息处理装置30从由拍摄系统20发送的视频数据中，提取出关节角度、角速度等生物力学数据（身体动作信息）（步骤S203）。CPU300将从被测试者A的右脚触地开始到下一次右脚触地为止的视频数据作为一个周期的数据进行处理。在步骤S203中，CPU300例如分别从多个周期提取出生物力学数据，并计算它们的平均值。关于生物力学数据的种类将在后文中阐述。

接着，信息处理装置30通过将用户的特性（在步骤S203中提取出的被测试者的生物力学数据以及/或者身体特性）应用于所给的运算式，来计算该被测试者的跑步方式的得分（步骤S204）。所给的运算式例如通过对过去多个专家（评价者）对于多个跑步者的跑步方式所给出的评价分与该多个跑步者的生物力学数据进行统计处理，而被导出。

然后，信息处理装置30生成登载有跑步方式得分，以及跑步方式的建议信息等的输出表，并显示在输出装置40上（步骤S205）。通过该显示，跑步方式诊断系统100的一系列的动作结束。

[信息处理装置的功能]

参照图4，对信息处理装置30的功能结构进行说明。图4是表示信息处理装置30的功能性结构的框图。如图4所示，信息处理装置30包括用户信息输入部31、数据存储部32、身体信息提取部33、运算式生成部34、运算式存储部34A、得分运算部35、输出数据生成部36。

用户信息输入部31是接受被测试者的身高、体重、跑步机速度、每月练习量等用户信息的输入的接口，由键盘、触摸面板等构成。输入的各种信息存储在数据存储部32中。数据存储部32中除了存储有各种运算数据以外，还存储有专家对跑步方式的评价说明、跑步方式改善点的建议信息等用于生成输出数据的数据。得分运算部35以及输出数据生成部36对存储于数据存储部32中的信息适当地加以利用。

身体信息提取部33从由拍摄系统20经由接口（图2的接口332）传输的被测试者A的跑步视频中提取出关节角度、关节角速度等生物力学数据。如图4所示，身体信息提取部33包括图像处理部33a与生物力学数据提取部33b。

图像处理部33a通过测量由拍摄系统20发送的被测试者A的跑步视频中的标记的位置，来求得与被测试者A的动作有关的三维坐标值。图像处理部33a例如通过使CPU300执行进行动作捕捉的软件来实现。利用图像处理部33a提取的三维坐标值信息被发送至生物力学数据提取部33b。

生物力学数据提取部33b从由图像处理部33a输出的三维坐标值信息中提取出被测试者A的生物力学数据。更具体而言，生物力学数据提取部33b从由图像处理部33a输出的三维坐标值信息中计算出被测试者A的关节角度以及关节角速度。此外，生物力学数据提取部33b通过将各关节角度（关节角速度）应用于所给的变换式，来计算投影到绝对坐标系的各平面的段角度（段角速度）。

并且，生物力学数据提取部33b进一步计算出关于关节角度、关节角速度、段角度、段角速度各自的加工数据。加工数据包括最大值、最小值、以及/或者最大值与最小值的差（下面也标记为〔最大值-最小值〕）。加工数据有时也包括对从被测试者一只脚触地开始到离地为止的时间进行标准化时的任意时刻的关节角度、角速度。

生物力学数据提取部33b例如通过使CPU300执行所给的程序而实现。在本实施方式中，如上所述，生物力学数据可以包括关节角度、关节角速度、段角度、段角速度、以及它们的加工数据。提取出的生物力学数据从生物力学数据提取部33b输出至得分运算部35。

运算式生成部34生成上述运算式。用于确定所生成的运算式的信息被存储于运算式存储部34A中。运算式生成部34例如通过使CPU300执行所给的程序而实现。关于运算式生成部34的运算式的生成，参照图5在后文进行阐述。

得分运算部35从运算式存储部34A中读取出由运算式生成部34生成的运算式。接着，得分运算部35通过将从生物力学数据提取部33b输出的生物力学数据应用于该运算式，从而计算出被测试者的跑步方式得分。得分运算部35的跑步方式得分的计算相当于图3的步骤S204。得分运算部35例如通过使CPU300执行所给的程序来实现。

得分运算部35将计算出的跑步方式得分输出至输出数据生成部36。输出数据生成部36通过将计算出的跑步方式得分与图像处理部33a中所截取的被测试者A的跑步图像、存储于数据存储部32中的跑步建议数据等进行组合，来生成诊断结果。诊断结果作为输出表显示在输出装置40上。根据需要有时也将诊断结果打印出来。输出数据生成部36例如通过使CPU300执行所给的程序来实现。输出数据生成部36在输出装置40等上输出诊断结果的处理相当于图3的步骤S205的处理。

另外，诊断结果除了建议信息以外，有时也包括与适合被测试者的跑步方式的跑步鞋与运动服相关的信息。即，数据存储部32中也可以预先存储有例如作为数据表的与跑步方式得分、被测试者的身体动作信息相对应的最合适的跑步鞋的特性信息以及具体的商品信息。接着，输出数据生成部36能基于输入至用户信息输入部31的用户信息、最终获得的被测试者的跑步方式得分、以及/或者被测试者的身体动作信息，来读取上述数据表，选择最合适的跑步鞋信息，并添加到诊断结果中。此外，用于确定与跑步方式得分、被测试者的身体动作信息等相对应的跑步运动服的信息有时也包含在上述数据表中。在该情况下，跑步方式诊断系统能将最合适的跑步运动服的信息作为诊断结果向被测试者进行提示。

如上所述，根据本实施方式的跑步方式诊断系统，基于从测试跑步者跑步的视频中获得的生物力学数据与多个专家对该测试跑步者的跑步所给出的跑步方式得分的相关性，来准备运算式。然后，通过将从被测试者的跑步视频中提取出的该被测试者的生物力学数据应用于上述运算式，来计算出该被测试者的跑步方式得分。上述运算式是基于多个专家共同的判断指标而生成的。由此，在本实施方式中，对于被测试者的跑步，给出基于多个专家的判断指标所计算出的跑步方式得分。因此，能提高所给出的跑步方式得分的正确性。

在本实施方式中，测试跑步者是指用于计算被测试者的跑步方式得分的数据收集用跑步者。即，在本实施方式中，基于测试跑步者的跑步来生成运算式，并通过利用该运算式来计算被测试者的跑步方式得分。

[运算式的生成]

得分运算部35在计算被测试者的跑步方式得分中所利用的运算式由运算式生成部34生成。此处，参照图5，对运算式的生成进行说明。下面，参照图5对该运算式的生成进行说明。图5是运算式生成的流程图。

参照图5，在生成运算式时，运算式生成部34在步骤S401中，加载多个测试跑步者的跑步视频数据与专家对于该多个测试跑步者的跑步方式的评分数据。

对步骤S401中加载的视频数据进行说明。作为对于步骤S401的事前准备，准备在跑步机上跑步的数据收集用的测试跑步者的视频。此处，准备多人的测试跑步者的视频。该视频例如利用拍摄系统20来进行拍摄。为了便于说明，将测试跑步者的人数以“M”表示。M个测试跑步者优选为以该M人的技巧、性别、年龄等特性尽可能分布地较广的方式进行选择。此外，优选为所有的测试跑步者的视频在相同的条件下进行拍摄。例如，各测试跑步者的视频可以包含至少从被测试者的右侧以及后侧所拍摄到的视频。在步骤S401中，加载了M个测试跑步者的视频数据。

对步骤S401中加载的评分数据进行说明。多个专家分别对上述M个测试跑步者的跑步视频进行观察，同时给出各个测试跑步者的跑步方式得分。评分数据包含确定这里所给出的跑步方式得分的信息。为了便于说明，将专家的人数以“N”表示。作为对于步骤S401的事前准备，准备分别对应于M个测试跑步者的N个专家的评分数据。在步骤S401中，加载所准备的、分别对应于M个测试跑步者的N个专家的评分数据。作为进行打分的专家，能假设为以跑步或运动生物力学为专业的多个研究人员或者教练等。

在步骤S401中，运算式生成部34还可以进一步加载各测试跑步者的用户信息，并从该用户信息中提取出各测试跑步者的身体特性。身体特性除了输入至用户信息输入部31的用户信息以外，还包括对该用户信息进行加工而生成的信息（例如，BMI）。图6是用于说明BMI的计算方法的图。如图6所示，BMI基于跑步者的身高（Height）与体重（Weight)来计算。

在步骤S402中，运算式生成部34从步骤S401中所加载的视频数据中提取出各测试跑步者的生物力学数据。运算式生成部34能利用图像处理部33a以及生物力学数据提取部33b的功能，来提取生物力学数据。

参照图7～图13，对生物力学数据的具体示例进行说明。图7～图13是用于说明生物力学数据的示例的图。图7～图13分别示意性地示出了视频数据所包含的跑步者的姿势。另外，图7中示出了两个不同时刻的跑步者的姿势。在图7～图13的各图中，以虚线示出了用于取得生物力学数据的基准线。运算式生成部34例如基于视频中的标记90（参照图1）的位置，来确定跑步者的四肢的位置，并且定义各基准线。各跑步者例如在右侧六个部位（肩、肘、手腕、大腿根部、膝盖、脚踝）穿着标记90。

图7中示出了从后方拍摄跑步者的视频的一个示例。图8～图13中示出了从右侧方拍摄跑步者的视频的一个示例。图7～图13中，相对于基准线的一侧以加法的符号（+）表示，而另一侧以减法的符号（+）表示。这些符号示出了跑步者的四肢中在各图中成为问题的部位的位置与基于各图提取出的生物力学数据的数值的符号（正或负）之间的关系。在之后的生物力学数据的说明中，“Max”表示相对于基准线“+”侧的角度的最大值。“Min”表示相对于基准线“-”侧的角度的最小值（“-”侧的绝对值的最大值）。“MaxMin”表示“Max”与“Min”之间角度的差异。

图7是用于说明作为生物力学数据的一个示例的“大腿角度（后方）MaxMin”的图。基于相对于基准线的大腿角度提取出“大腿角度（后方）MaxMin”。更具体而言，运算式生成部34从视频数据中提取出一定时间内的各周期的相对于基准线的大腿角度的最大值与最小值，计算出所提取的多个周期的最大值与最小值各自的平均值，并通过计算最大值的平均值与最小值的平均值的差分，来取得“大腿角度（后方）MaxMin”。

图8是用于说明作为生物力学数据的一个示例的“前臂角度（侧面）MaxMin”的图。基于相对于基准线的前臂角度提取出“前臂角度（侧面）MaxMin”。更具体而言，运算式生成部34从视频数据中提取出一定时间内的各周期的相对于基准线的前臂角度的最大值与最小值，计算出所提取的多个周期的最大值与最小值各自的平均值，并通过计算最大值的平均值与最小值的平均值的差分，来取得“前臂角度（侧面）MaxMin”。

图9是用于说明作为生物力学数据的一个示例的“上臂角度（侧面）Max”的图。基于相对于基准线的上臂角度提取出“上臂角度（侧面）Max”。更具体而言，运算式生成部34从视频数据中提取出一定时间内的各周期的相对于基准线的上臂角度的最大值，通过计算出所提取的多个周期的最大值的平均值，来取得“上臂角度（侧面）Max”。

图10是用于说明作为生物力学数据的一个示例的“小腿角度差－大腿角度差”的图。运算式生成部34从视频数据中取得一定时间内的各周期的小腿角度的最大值与最小值，计算所取得的最大值与最小值的平均值，从而计算出最大值的平均值与最小值的平均值的差分。此外，运算式生成部34从视频数据中取得一定时间内的各周期的大腿角度的最大值与最小值，计算所取得的最大值与最小值的平均值，从而计算出最大值的平均值与最小值的平均值的差分。并且，通过计算出小腿角度的平均值的差分与大腿角度的平均值的差分的差分，来取得“小腿角度差－大腿角度差”。

图11是用于说明作为生物力学数据的一个示例的“大腿角速度（侧面）Min”的图。运算式生成部34从视频数据中提取出各周期的大腿的角速度，计算该角速度的最小值，并通过计算出多个周期的最小值的平均值，来取得“大腿角速度（侧面）Min”。

图12是用于说明作为生物力学数据的一个示例的“小腿角速度（触地）”的图。运算式生成部34从视频数据中提取出一定时间内的各周期的右脚触地时小腿的角速度，通过计算所提取到的多个周期的小腿角速度的平均值，来取得“小腿角速度（触地）”。

图13是用于说明作为生物力学数据的一个示例的“小腿角度（侧面）Min”的图。运算式生成部34从视频数据中提取出一定时间内的各周期的小腿角度的最小值，通过计算所提取到的多个周期的小腿角度的平均值，来取得“小腿角度（侧面）Min”。

参照图14对生物力学数据的具体示例进行说明。图14是表示前臂角度的时间序列数据的一个示例的图。生物力学数据提取部33基于跑步视频中标记90的轨迹，来生成前臂角度的时间序列数据。图14中，虚线表示右脚触地的时刻。图14中示出了12秒时间内的数据。该数据包含十三个周期的数据。运算式生成部34从视频数据中提取出图14所示的数据，并且提取出各周期的前臂角度的最大值与最小值。然后，运算式生成部34计算出所提取到的多个周期的最大值的平均值与最小值的平均值，通过计算这些平均值的差分来获得上述“前臂角度（侧面）MaxMin”。另外，图14中，第十三个周期的前臂角度的最大值以“Max”表示，最小值以“Min”表示，它们的差分以“Max－Min”表示。

回到图5，在利用步骤S402提取出生物力学数据后，运算式生成部34在步骤S403中，从用户特性中提取出与对于测试跑步者所给出的跑步方式得分相关性较高的特性。“用户特性”包括各跑步者的身体特性（例如BMI）、以及参照图7～图14所说明的生物力学数据。运算式生成部34从测试跑步者的特性（“BMI”、“大腿角度（后方）MaxMin”、“前臂角度（侧面）MaxMin”、“上臂角度（侧面）Max”、“小腿角度差-大腿角度差”、“大腿角速度（侧面）Min”、“小腿角速度（触地）”、“小腿角度（侧面）Min”）中，提取出对于测试跑步者所给出的跑步方式得分相关性较高的特性。提取相关性较高的特性例如通过提取相关函数的数值在特定值以上的特性来实现。

接着，在步骤S404中，运算式生成部34通过进行一元回归分析，来生成表示各特性与跑步方式得分之间的关系的回归式。该一元回归分析中，将步骤S403中所提取到的特性分别设为说明变量，将跑步方式得分设为目的变量。

图15是表示由步骤S404生成的回归式的一个示例的图。图15将关于“BMI”、“大腿角度（后方）MaxMin”、“前臂角度（侧面）MaxMin”、“上臂角度（侧面）Max”、“小腿角度差-大腿角度差”、“大腿角速度（侧面）Min”各自的回归式用式（1）～式（6）来表示。式（1）中的“N1”与“N2”、式（2）中的“I1”与“I2”、式（3）中的“J1”与“J2”、式（4）中的“K1”与“K2”、式（5）中的“L1”与“L2”、以及式（6）中的“M1”与“M2”是各回归式中所使用的系数。“Score1”～“Score6”分别表示式（1）～式（6）的计算结果。

另外，运算式的生成（步骤S401～S404）也可以利用得分运算部35来进行。得分运算部35利用在身体信息提取部33中所提取到的测试跑步者的生物力学数据以及/或者从输入至用户信息输入部31的测试跑步者的用户信息中提取的身体特性，并通过执行与上述运算式生成部34中的处理相同的处理，来生成运算式。在该情况下，运算式生成部34向得分运算部35输出关于为了生成运算式如何对生物力学数据与身体特性进行处理的指示。

[跑步方式得分的计算]

如参照图3所说明的那样，得分运算部35在步骤S204中计算出被测试者的跑步方式得分。更具体而言，得分运算部35从被测试者的用户信息与跑步视频中，提取出式（1）～式（6）所需的被测试者的特性。提取出的被测试者的特性包括被测试者的身体特性与生物力学数据。关于身体信息提取部33（图像处理部33a以及生物力学数据提取部33b）如何从被测试者的跑步视频中提取出生物力学数据，例如，如参照图5～图14所说明的那样，由于与利用运算式生成部34提取测试跑步者的生物力学数据相同，因此此处不再重复说明。

于是，得分运算部35将提取到的被测试者的特性分别应用于式（1）～式（6）。由此，预先计算出被测试者的跑步方式得分，来作为“Score1”～“Score6”。接着，得分运算部35根据下面的公式（av.），通过计算预算算出的跑步方式得分的平均值，来获得被测试者的跑步方式得分。式（av.）中，变量i的值在“1”到“6”之间变化。获得的跑步方式得分在步骤S205（参照图3）中作为诊断结果被输出。

（跑步方式得分）=（ΣScorei）/6…（av.）

[综述]

参照图16，对本实施方式的跑步方式得分的计算进行说明。为了计算被测试者的跑步方式得分，基于测试跑步者的跑步视频与专家对于测试跑步者的跑步所给出的跑步方式得分，来生成运算式。

运算式包括利用六个特性的数学式（式（1）～式（6））、以及对由这些数学式预先计算出的跑步方式得分的平均值进行计算的数学式（式（av.）。六个特性是“BMI”、“大腿角度（后方）MaxMin”、“前臂角度（侧面）MaxMin”、“上臂角度（侧面）Max”、“小腿角度差-大腿角度差”、“大腿角速度（侧面）Min”、“小腿角速度（触地）”以及“小腿角度（侧面）Min”。另外，式（1）～式（6）所示的跑步方式得分的计算中所利用的跑步者（测试跑步者以及被测试者）的特性仅仅是例示。这些特性是作为与对于测试跑步者所给出的跑步方式得分相关性较高的特性而被选择的一个示例，其个数与种类并不限于式（1）～式（6）的特性。

在本实施方式中，跑步方式得分的计算中所利用的跑步者的特性包括身体特性（例如“BMI”）与生物力学数据。另外，跑步方式得分的计算中所利用的跑步者的特性也可以仅包含生物力学数据。

图17是表示对于35个测试跑步者，根据本实施方式计算出的跑步方式得分（根据评价分值计算出的跑步方式得分）与由专家给出的跑步方式得分之间的相关性的图。图17的曲线图的纵轴表示专家对于各测试跑步者所给出的跑步方式综合评价的数值。该曲线图的横轴表示基于各测试跑步者的跑步视频，利用式（1）～式（6）以及式（av.）所计算出的跑步方式综合得分（根据评价分值计算出的跑步方式得分）的数值。

基于图17所示的结果，由专家所给出的跑步方式得分与根据评价分值所计算出的分数的确定系数（多重相关系数的平方）为“0.74”。由此，可以认为根据本实施方式的跑步方式得分的计算方法，能在评价结果中，提供与由专家所给出的跑步方式得分相接近的得分。

[变形例]

对跑步方式得分计算中所利用的运算式与利用该运算式的跑步方式得分的计算的变形例进行说明。在下面的叙述中，仅主要说明本变形例中相对于图1等所示的跑步方式诊断系统的变更点。

在该变形例中，专家对于测试跑步者的跑步，除了跑步方式得分以外，还给出关于两个以上项目的评价。该变形例的运算式包括关联与跑步方式得分相关性较高的评价项目以及跑步方式得分的数学式（第1回归式）、以及关联与该评价项目相关性较高的跑步者的特性以及该评价项目的数学式（第2回归式）。利用测试跑步者的身体特性以及/或者跑步视频来生成这些数学式。

该变形例中跑步方式得分的计算包括：从被测试者的身体特性以及/或者跑步视频中提取出第2回归式所需的用户特性、通过将提取到的用户特性应用于第2回归式来计算“相关性较高的评价项目”的数值、以及将计算出的“相关性较高的评价项目”的数值应用于第1回归式。

图18是本变形例中运算式的生成的流程图。

参照图18，运算式生成部34加载由N个专家对M个测试跑步者的跑步的问卷评分数据以及M个测试跑步者的跑步视频（步骤S501）。此外，在步骤S501中，运算式生成部34接受包含有各测试跑步者的身高、体重的身体信息的输入。参照图22如后所述，评分数据包括对于测试跑步者的跑步的综合跑步方式得分（图22的“综合评价”）、以及作为评价跑步的观点的两个以上的技巧要素（图22的“技巧要素1”～“技巧要素n”）的得分。两个以上的技巧要素在后面的说明中有时会被分别标记为“技巧要素Fn”。

接着，运算式生成部34对各技巧要素的评分数据进行统计解析，由此来确定构成专家的跑步方式的综合评价（理想跑步的跑步方式的达成度情况）的技巧要素Fn（步骤S502）。更具体而言，运算式生成部34例如通过对专家的问卷评分项目（技巧要素与综合评价）进行因子分析，从而将技巧要素Fn分为多个要素（因子）组。接着，运算式生成部34确定从该分组中提取到的因子与综合评价之间的相关关系。然后，运算式生成部34从各因子所包含的技巧要素Fn中确定代表因子。运算式生成部34取得构成综合评价的技巧要素Fn，来作为被确定的代表因子。由此，能通过所确定的技巧要素Fn来建立与跑步方式的综合评价的关联。所谓“构成”综合评价是指带给综合评价的“影响较大”。

接着，运算式生成部34根据从各测试跑步者的跑步视频中所获得的三维坐标信息，计算出各测试跑步者的生物力学数据（步骤S503）。运算式生成部34利用图像处理部33a以及生物力学数据提取部33b的功能，能够对生物力学数据进行提取。关于如何提取生物力学数据，与参照图6～图13的上述说明相同，因此不再重复该说明。

接着，运算式生成部34通过求得关于用户特性（提取到的生物力学数据与身体特性）与步骤S502中所确定的技巧要素Fn（构成综合评价的技巧要素Fn）各自的相关矩阵，来提取与构成该综合评价的技巧要素Fn相关性较高的用户特性（步骤S504）。此处所提取到的用户特性在接下来的说明中，用适当的参数Xn（X1、X2…Xn）来叙述。

接着，在步骤S505中，运算式生成部34将由专家给出的、构成综合评价的技巧要素Fn的得分（记载在问卷中的得分）设为目的变量，将提取到的用户特性Xn（身体特性与生物力学参数）设为说明变量，通过多元回归分析，生成用于利用用户特性Xn（身体特性与生物力学参数）来预测构成综合评价的技巧要素Fn的得分的回归式f2（第2回归式）。作为回归式f2，可使用一元回归式或者多元回归式。并且在步骤S505中，运算式生成部34通过进行多元回归分析，生成多元回归式f1（第1回归式），该多元回归式f1用于利用构成综合评价的技巧要素Fn来计算综合评价（跑步方式得分）。在该多元回归分析中，将综合评价设为目的变量，将构成综合评价的技巧要素Fn的得分设为说明变量。

在本变形例中，用于计算被测试者的跑步方式得分的“运算式”包括多元回归式f2与多元回归式f1。通过多元回归式f2与多元回归式f1，建立用户特性与跑步方式得分（综合评价）的关联。

在本变形例的步骤S205中，得分运算部35通过将如上所述生成的用户特性应用于多元回归式f2来获得“相关性较高的评价项目”的数值，并且通过将“相关性较高的评价项目”的该数值应用于多元回归式f1，来计算跑步方式得分。

另外，当问卷中所记载的评价通过多阶段评价来进行评分时，该评价所包含的数值也可以以所希望的得分比例进行标准化后再进行表示。

上述计算跑步方式得分的一系列的流程在图19中表示。图19举例示出从作为构成综合评价的技巧要素的技巧要素Fn中取得技巧要素F3以及F6。此外，在该例中，从多个用户特性中提取出与技巧要素F3相关性较高的用户特性X1～X3以及与技巧要素F6相关性较高的用户特性X4～X8。技巧要素F3及F6的得分利用回归式f1来求得。跑步方式得分（综合评价）利用回归式f2来求得。

此外，作为其他的示例也可以是，利用如图20所示那样提取到的参数Xn，暂时求得跑步方式的个别评价项目（In）的得分，此外，利用该个别评价项目（In）的得分，求得构成综合评价的技巧要素Fn的分值，并且利用该技巧要素Fn的分值，求得综合评价。可以将能使用用于计算构成综合评价的技巧要素Fn的参数Xn来导出的任意项目设定为个别评价项目（In）。

计算综合评价与个别评价项目（In）的得分的一系列的流程在图20中表示。图20中示出了如下情况，从技巧要素Fn中取得作为构成综合评价的技巧要素的技巧要素F3以及F6，并从多个用户特性中提取出与技巧要素F3相关性较高的用户特性X1～X3、以及与技巧要素F6相关性较高的用户特性X4～X8。

并且，图20的示例中，设定有能与参数X1与X2建立关联的个别评价项目I1和能与参数X3建立关联的个别评价项目I2，并基于个别评价项目I1以及I2的得分来计算技巧要素F3的得分。同样，设定有能与参数X4建立关联的个别评价项目I3、能与参数X5与X6建立关联的个别评价项目I4、以及能与参数X7与X8建立关联的个别评价项目I5，并基于这些个别评价项目I3～I5，来计算技巧要素F6的得分。然后，基于技巧要素F3以及F6的得分来计算综合得分。

利用回归式f3求得个别评价项目I1～I5的得分，利用回归式f4求得技巧因素F3以及F6的得分，利用回归式f5求得跑步方式得分（综合得分）。

由此，除了跑步方式的综合评价点以外，对于个别评价项目也以专家的评价结果为基础来进行打分，因此能更详细地进行被测试者的方式诊断。

此外，将多个测试跑步者的生物力学数据（身体动作信息）作为说明变量，将专家所给出的对于该多个测试跑步者的跑步的综合评价作为目的变量，通过这样的多元回归分析，可以生成用于从被测试者的身体动作信息中直接求得跑步方式得分的多元回归式。上述计算被测试者的跑步方式得分的一系列的流程在图21中表示。此外，下面的式（X）为该多元回归式的一个示例。

综合得分＝N1+N2×大腿角度（后方）MaxMin

+N3×上臂角度（侧面）MaxMin

+N4×前臂角度（侧面）MaxMin…（X）

在图21所示的例中，将多元回归分析中所利用的三种身体动作信息表示为X1、X2、X3。在该多元回归式中，作为这三种身体动作信息的具体示例，采用“大腿角度（后方）MaxMin”、“上臂角度（侧面）MaxMin”、“前臂角度（侧面）MaxMin”。

另外，在图21以及式（X）所示的示例中，多元回归分析中所利用的身体动作信息的个数为“3”，但这仅是一个示例，并不限于此。

本变形例也适用图4所示的功能框图。跑步方式评价式（多元回归式f2、f1）存储于运算式生成部34内的存储区域（未图示），并设定在后级的得分运算部35。得分运算部35从由生物力学数据提取部33b所输出的被测试者A的生物力学数据中选择规定的身体特性与生物力学参数Xn，将这些参数依次应用到跑步方式评价式（多元回归式f2、f1）中，从而计算出被测试者A的跑步方式得分（步骤S506）。

参照图22，对本变形例中所利用的问卷内容进行说明。图22是表示分发给专家的问卷调查表的概要图。问卷调查表中包括用于记入关于各技巧要素的评分结果的区域（图22的“技巧要素1”～“技巧要素n”）与用于记入综合评价（跑步方式得分）的区域（图22的“综合评价”）。

[实施例]

下面，对变形例的实施例进行说明。跑步方式诊断系统的基本结构如图1所示。所使用的跑步机、拍摄系统、解析软件如下所述。

跑步机：日本光电株式会社制造

拍摄系统：Library株式会社、Giganet图像输入系统GE60W（双照相机规格）

解析软件：Library株式会社、三维动画测量软件Move-tr/3D（包含二维软件）、CaptureEx（SP）

此外，六个标记90被分别穿着在被测试者右侧的六个部位（肩、肘、手腕、大腿根部、膝盖、脚踝）。

运算式（跑步方式评价式）根据以下的过程来确定。

首先，准备跑步等级不同的20名跑步者（测试跑步者）的跑步视频。然后，12名著名的专家通过观看20名测试跑步者的跑步视频，来生成各测试跑步者的评分数据。图23是表示分发给各专家的问卷调查表的具体示例的图。

如图23所示，本实施例中，举出了“速度感”、“美感”、“安全”、“节奏感”、“放松”、“跳跃感”、“流畅”以及“平衡”八个项目作为技巧要素，并分七个阶段来进行评分评价。此外，作为“综合评价”，设置有记入跑步方式的具体得分的栏。

在问卷中，虽然分七个阶段来对技术要素进行评分评价，但在该分析中优选进行标准化，在本实施例中，可以使用N个专家给出的M个跑步者的数据的平均和标准偏差，将八个项目的技巧要素与综合评价分别换算成70±15分等。

另外，在后面的说明中，在表示各技巧要素本身时，用双引号来括住各技巧要素名（例如：“安全”、“跳跃感”），在表示各技巧要素的得分时，在各技巧要素的末尾添加上“分值”的文字（例如：“安全分值”、“跳跃感分值”）。

根据对回答后的问卷的评分结果进行因子分析的结果可知、跑步方式得分（由专家给出的综合评价）如下所述主要由“安全分值”与“跳跃感分值”形成。

图24是对于利用因子分析提取出的因子、绘制出的各技巧要素的因子负荷量的图。图25是绘制出的20个跑步者各自的因子得分的图。此外，图26是表示提取出的因子的因子得分与“综合评价”之间的相关关系的图。

对问卷评价项目进行因子分析的结果为提取出因子1与因子2两个因子。如图24所示，在绘制各技巧要素的因子负荷量后可知，可以将各技巧要素分类成由“跳跃感”以及“速度感”构成的第1组，“综合评价”、“美感”、“节奏感”、“放松”、“流畅”以及“平衡”构成的第2组，“安全”构成的第3组。

此外，如图25所示，在绘制各技巧要素的因子得分后可知，理想的跑步方式可以以因子1（与安全性相关的因子）与因子2（与跳跃感相关的因子）这两个轴为基准进行分类。在调查了因子1以及因子2与“综合评价”之间的相关关系后可知，如图26所示，专家所给出的跑步方式的综合评价用因子1+因子2（因子1与因子2组合后的分值）来表示。

并且，如图24所示，从因子1中提取出“安全分值”作为其代表变量。此外，从因子2中提取出“跳跃感分值”作为其代表变量。由此，跑步方式的综合评价由“安全分值”+“跳跃感分值”来表示。

接着，提取出成为“安全分值”以及“跳跃感分值”各自的主要因素的用户特性（身体特性以及/或者生物力学参数）。

首先，根据20名测试跑步者的跑步视频，计算出关于左右股关节、膝关节、踝关节、胸锁关节、肩关节、以及肘关节、和躯干以及头部合计14个关节的总计36个项目的关节角度。并且，计算出身体部分（大腿、小腿、躯干、上身、下身、上臂、前臂、脚部、肩）投影到绝对坐标系各平面的投影角，将此作为身体段角度。然后，利用对这些生物力学数据加上被测试者的BMI与地面反作用力数据的一组数据进行单相关分析以及主成分分析，筛选出用户特性，并由此提取出分别与“安全分值”以及“跳跃感分值”相关性较高的用户特性（参数）。为了提取该用户特性所进行的筛选在避免多重共线性的同时执行。

上述处理的结果是，作为与“安全分值”相关性较高的用户特性，提取出作为身体特性的一种的“BMI”、生物力学数据中的“大腿角度（后方）MaxMin”以及“前臂角度（侧面）MaxMin”合计三种要素。此外，作为与“跳跃感分值”相关性较高的用户特性，从生物力学数据中提取出“上臂角度（侧面）Max”、“大腿角速度（侧面）Min”、“小腿角度（侧面）Min”、“小腿角度差－大腿角度差”、以及“小腿角速度（触地）”合计五种要素。

与“安全分值”以及“跳跃感分值”相关的所提取到的身体特性以及生物力学参数已参照图6～图13进行了说明。如参照图6～图13所说明的那样提取（计算）出此处所使用的生物力学数据。生物力学数据的提取（计算）至少需要六个标记。更具体而言，六个标记穿着于跑步者的肩关节、肘关节、手关节、股关节、膝关节、踝关节。利用这些肩关节、肘关节以及手关节的标记能获得上臂以及前臂的角度信息，此外，利用股关节、膝关节、踝关节的标记能获得大腿以及小腿的角度信息。

接着，通过多元回归分析，根据提取到的用户特性（身体特性与生物力学数据）来构成表示评价项目“安全分值”以及“跳跃感分值”的公式。由此，能求出用于求得跑步方式的评价分（综合评价）的多元回归式。在本实施例中，除了综合评价以外，也表示出了跑步方式的每个个别评价项目的分数（个别评价得分）。基于提取到用户特性（身体特性与生物力学参数）来计算出各个别评价项目。然后，基于计算出的各个别评价得分，计算出综合评价。

图27是表示本实施例中跑步方式得分的计算中所利用的数学式组的一个示例的图。图27中示出了式（7）～式（14）。

关于评价项目“安全分值”，将“BMI”、“大腿角度（后方）MaxMin”、“前臂角度（侧面）MaxMin”设为说明变量，将“各个别评价得分”设为目的变量，并进行多元回归分析。计算个别评价项目的分值的公式以图27的式（7）以及式（8）所示的方式被确定，该个别评价项目能利用上述三个参数来导出。被确定的个别评价项目的名称（Safety（安全）、Relax（放松））是考虑相对应的技巧要素等而任意设定的名称。

同样，用于计算能将与评价项目“跳跃感分值”相关的“上臂角度（侧面）Max”、“大腿角速度（侧面）Min”、“小腿角度（侧面）Min”、“小腿角度差－大腿角度差”以及“小腿角速度（触地）”定义为说明变量的个别评价项目的分值的公式以图27的式（10）～式（13）所示的方式被确定。

在图27中，式（9）是用于利用由式（7）以及式（8）计算出的数值来计算“安全分值”的回归式。式（13）是用于利用由式（10）～式（12）计算出的数值来计算“跳跃感分值”的回归式。式（14）是用于利用式（9）的“安全分值”与式（13）的“跳跃感分值”来计算综合得分的回归式。

图28表示如上所述提取到的身体特性和生物力学参数、（用于确定技巧要素）个别评价项目、利用个别评价项目计算出的技巧要素、以及利用技巧要素计算出的跑步方式得分之间的关系的图。

在图28所示的技巧要素与跑步方式得分之间的关系中，利用计算出的五个个别评价项目（“Safety”、“Relax”、“Positioning（位置）”、“Ride（骑）”、“Swing（摆动）”）的分值，来计算技巧要素“安全分值”以及“跳跃感分值”的得分。接着，利用技巧要素“安全分值”以及“跳跃感分值”，由式（14）计算出综合得分（跑步方式得分）。

如上所述那样求得的技巧要素的得分以及综合得分和分别与得分分布相对应的预先准备的专家的建议评论一起作为评价结果，登载在输出表上。建议评论例如如下所述那样进行选择，即，技巧要素的得分以及综合得分分别被区分为86分以上、85分～76分、75分～66分、65分～56分、55分以下，对于各个得分区域的跑步者预先设定建议。所设定的建议内容例如基于向专家咨询的内容来确定。输出数据生成部36根据被测试者的得分从数据存储部32等中选择建议评论，并登载在输出表上。另外，区分的方式（各区分中的分数范围）并不限于上述内容，也可以采用其他方式。

图29～图31是表示利用本实施例的跑步方式诊断系统对35名跑步者进行计算所得的得分与对于各跑步者专家所给出的得分之间的关系的图。图29是表示关于技巧要素“安全”的得分的关系。图30是表示关于技巧要素“跳跃感”的得分的关系。图31是表示关于跑步方式得分的关系。

如从图29～图31所理解的那样，以“安全分值”、“跳跃感分值”以及“综合评价”为基础，利用本实施例的跑步方式诊断系统所获得的得分与专家的评价表现出了较高的相关性。例如，在关于跑步方式得分的关系中，由专家给出的得分与计算所得的得分的确定系数为0.84。由此，确认了本实施例的跑步方式诊断系统的评价精度的有效性。此外，通过将图17与图31的结果进行比较，可以确认变形例中的评价精度比实施方式中评价精度要高。

[输出表的具体示例]

接着，对输出装置40所输出的输出表的具体示例进行说明。图32以及图33是表示输出表的具体示例的图。

输出表包括图32所示的表510与图33所示的表520。表510包括：表示被测试者资料的栏110；表示对于被测试者的跑步所给出的跑步方式得分等得分的栏120；表示对于被测试者的建议的栏130；表示被测试者的跑步方式的图像的栏140；表示对于被测试者提出的练习计划的栏150；以及表示推荐被测试者购买的运动鞋等信息的栏160。输出数据生成部36基于输入至用户信息输入部31的信息等，生成登载于栏110中的信息。

栏120包括用于表示图28所示的五个评价项目各自的得分的栏121～125、用于表示跑步方式得分的栏126。栏121～125分别包含有用于表示与各评价项目的得分相对应的建议评论的栏。更具体而言，栏121包含栏121A、121B。栏122包含栏122A、122B。栏123包含栏123A、123B。栏124包含栏124A、124B。栏125包含栏125A、125B。数据存储部32中，对于评价项目的得分，存储有分别与预先被区分的得分相关联的建议评论。输出数据生成部36从存储于数据存储部32的建议评价中选择与各评价项目的得分相对应的建议评论，并分别显示在栏121～125中。

栏121A显示与在栏121中显示有得分的评价项目“Safety（安全）”的得分相对应的建议评论。所显示的建议评论例如为“若对身体的负担增大，则可能会引起跑步问题。‘BMI、骨骼、肌肉、跑步习惯’等会引起跑步过程中脚的左右摇摆，从而成为对股关节、膝盖的负担。在需要减量的情况下，请以缓慢的节奏、持续地慢跑。若脚会左右摇摆，请注意着地的位置与脚尖的方向。”。数据存储部32中，关于评价项目的得分，还存储有分别与预先被区分的得分相关联的、被测试者应该注意的点。栏121B表示与栏121所示的得分相关联的点。栏121B中显示的内容例如为“着地的位置与脚尖的方向”、“腹肌、臀部周围的肌肉训练”、“减肥”、“O形腿X形腿适合选择的运动鞋、护膝”。

栏121～125各自所显示的得分的下方示出了与各得分相对应的评价。评价的内容分别与关于各评价项目的、预先被区分的得分相关联，并存储于数据存储部32中。该评价例如以从与较高得分相对应开始的顺序、包含有“良好”、“标准”、“需要注意”这样的消息。

栏130包括在栏121～125所示的得分中，表示与最高的得分相对应的评价项目的评论的栏131和表示与最低的得分相对应的评价项目的评论的栏132。栏131中显示关于评价项目“Swing”的评论。该评论例如是“从Swing项目的结果可知能在良好的时刻踏出，到着地为止具有不错的节奏。有意识地迅速将膝盖往前顶出，达到更高的目标吧。”。栏132显示评价项目“Safety”的评论。所显示的评论例如是“从Safety项目的结果可看到稍许有左右的摇摆，处于不稳定的状态。注意通过体重管理、锻炼等来改善。”。

基于得分最低的评价项目，栏130显示有“方式建议”与“锻炼建议”。为了更为具体地提示建议的内容，“方式建议”与“锻炼建议”分别包含有人物图像。并且，“方式建议”还包括表示具体的消息的栏133A～133C。“锻炼建议”还包括具体的消息的栏134A、134B。栏130还包括栏135，该栏135中显示有提示注意“方式建议”与“锻炼建议”中所示的建议仅仅是所考虑建议的示例的文字。

参照图33，栏140包括表示被测试者的跑步方式的图像141A～141D，以及表示作为标准跑步者的跑步方式的图像142A～142D。输出数据生成部36从由拍摄系统20所拍摄到的被测试者的跑步视频中获取图像141A～141D。图像142A～142D存储于数据存储部32中。图像141A、142A是着地时的图像。图像141B、142B是加重时的图像。图像141C、142C是离地时的图像。图像141D、142D是跑步中对于膝盖下方（小腿）的垂直方向的角度呈最大时的图像。栏143A～143D显示在上述四个时刻的各个时刻，表示跑步者要确认的点的消息。

栏150表示基于被测试者的跑步方式得分等计算出的全程马拉松的预测时间等信息。另外，栏150包含栏151，该栏151中显示有表示栏150中所显示的预测时间等是大致的目标的消息。

栏160包括表示假设被测试者的着地模式的栏161、表示被测试者的步速以及步幅的测量结果的栏162、以及显示推荐被测试者购买的运动鞋的信息的栏163。此外，栏160包括栏164，该栏164显示有表示栏163中所提示的运动鞋的信息是简要的信息以及为了获得适合被测试者的运动鞋的更具体的信息，推荐实际地去试穿运动鞋的消息。

[基于惯性传感器测量的生物力学数据的提取]

参照图34，对跑步方式诊断系统的变形例进行说明。图34表示跑步方式诊断系统的变形例的简要结构。在下述说明中，主要说明本变形例的跑步方式诊断系统中相对于图1所示的系统的变更点。

如图34所示，在跑步方式诊断系统200中，在跑步机10上跑步的被测试者穿着惯性传感器91。被测试者在夹住想要测量关节角度的关节的两个部位穿着惯性传感器91。更具体而言，被测试者为了测试上臂、前臂、大腿以及小腿的角度等，分别在右侧或者左侧的上臂部、前臂部、大腿部、小腿部穿着惯性传感器91。

图34所示的系统中包括信息处理装置30A来代替图1所示的信息处理装置30。信息处理装置30A获取惯性传感器91的测量结果。惯性传感器91例如通过无线通信将测量结果发送给信息处理装置30A。信息处理装置30A通过利用从惯性传感器91获取的测量结果，计算出被测试者的跑步方式得分，并输出至输出装置40。输出装置40输出跑步方式得分。

信息处理装置30A基于惯性传感器91的测量结果，计算出上臂、前臂、大腿以及小腿的角度信息以及/或者角速度。作为惯性传感器91例如采用具有陀螺传感器以及加速度计两个功能的精工爱普生公司制造的惯性测量装置（Inertial Measurement Unit）。惯性传感器91可分别对三个轴方向的角速度与加速度进行测量，并输出至信息处理装置30A。

图35是表示信息处理装置30A的硬件结构的一个示例的图。如图35所示，信息处理装置30A的通信设备326接收从惯性传感器91发送的测量结果。CPU300通过对所接收到的测量结果进行处理，来计算出被测试者的跑步方式得分。

图36是表示信息处理装置30A的功能结构的一个示例的图。参照图36，信息处理装置30A包括接受来自惯性传感器91的信息输入的传感器信息输入部50。传感器信息输入部50例如由通信设备326构成。生物力学数据提取部51从惯性传感器91的测量结果中提取被测试者的生物力学数据。生物力学数据提取部51例如通过使CPU300执行所给的程序来实现。

信息处理装置30A的得分运算部35通过将被测试者的生物力学数据以及/或者身体信息应用于由运算式生成部34所生成的运算式，来计算出被测试者的跑步方式得分。

信息处理装置30A中所利用的运算式的生成利用了测试跑步者的生物力学数据。测试跑步者的生物力学数据可以是从惯性传感器91的测量结果中提取出的数据，也可以参照图1所说明的那样，从利用拍摄系统20所拍摄的视频中提取的数据。

参照图34～图36所说明的跑步方式诊断系统200从惯性传感器91的测量结果中提取出被测试者的生物力学数据。拍摄系统20从多个角度对被测试者进行测定。因此，预计装置结构的规模会变大。跑步方式诊断系统200在计算被测试者的跑步方式得分时，无需图1所示的拍摄系统20。因此，跑步方式诊断系统200中，能使计算被测试者的得分所需的装置小型化。因此，只要在信息处理装置30A中预先登录运算式，则被测试者例如即使在自己家中也能取得对于自己的跑步方式的得分。

[其他的变形例]

在跑步方式诊断系统中，利用信息处理装置30的运算式生成部34生成了运算式，但也可以在信息处理装置30的外部设备中通过进行与运算式生成部34相同的处理来生成运算式。图37是表示在利用外部设备生成运算式的情况下，信息处理装置30B的功能的图。信息处理装置30B是信息处理装置30的另一个其他变形例。

参照图37，信息处理装置30B中用于确定运算式的信息存储于运算式存储部34A。得分运算部35在计算跑步方式时，读取存储于运算式存储部34A中的运算式。

在各实施方式、实施例以及变形例中，得分运算部35不仅可以计算出综合得分，也可以基于提取到的用户特性（身体特性以及/或者生物力学参数）来计算出跑步方式的评价项目的得分。更具体而言，运算式存储部34A中可以存储有基于身体特性或者生物力学参数来确定用于计算各技巧要素的得分的运算式的信息。例如在将测试跑步者的身体特性或者生物力学数据设为说明变量，将由专家对测试跑步者的跑步所给出的各技巧要素的得分设为目的变量的情况下，利用回归分析导出关于各技巧要素的该运算式。得分运算部35通过将图18的步骤S504中提取出的被测试者的参数Xn（身体特性以及/或者生物力学数据）应用于关于各技巧要素的运算式，从而计算出关于各技巧要素的得分。如图32所示，计算出的得分可以添加到诊断结果中。除了提示跑步方式得分以外，还对个别项目的得分进行提示，因此即使是个别项目也能提示专家的评价，由此，能更详细地进行被测试者的方式诊断。

本发明的跑步方式诊断系统中，基于多个专家对于跑步者的方式的评价与跑步者的生物力学数据的相关性，来生成用于评价跑步方式的运算式。然后，跑步方式诊断系统通过将被测试者的特性应用于该运算式，来对跑步方式进行打分。由此，原本作为内隐知识的专家对跑步方式的评价经由运算式以得分的形式被具体化。基于多个专家的评价来生成运算式。因此，被测试者自动的获得对于跑步方式的得分。并且，能对于被测试者给出不与多个教练、专家所给出的评价极端脱离的得分。

尽管对本发明进行了详细说明，但这只是用于举例表示，而非限定，通过附加的权利要求范围所解释的内容可以清楚地理解发明的范围。

工业上的实用性

根据本发明的跑步方式诊断系统，在能基于与专家的判断相同的基准，自动对用户的跑步方式进行打分这一点上较为有用。

标号说明

10  跑步机、20  拍摄系统、30，30A，30B  信息处理装置、31  用户信息输入部、32  数据存储部、33  身体信息提取部、33a  图像处理部、33b  生物力学数据提取部、34  运算式生成部、34A  运算式存储部、35得分运算部、36  输出数据生成部、40  输出装置、50  传感器信息输入部、90  标记、91  惯性传感器、100，200  跑步方式诊断系统

Claims (15)

1.一种跑步方式诊断系统，该跑步方式诊断系统对被测试者的跑步方式进行打分，其特征在于，包括：

存储装置，该存储装置构成为存储有运算式，该运算式表示从与多个测试跑步者的跑步有关的信息中提取到的身体动作信息与专家对该多个测试跑步者各自的跑步所给出的评价之间的相关关系；

接口，该接口用于接受与被测试者的跑步有关的信息输入；以及

处理器，该处理器构成为基于输入至所述接口的信息，输出关于所述被测试者的跑步方式的得分，

所述处理器具有如下结构，

从输入至所述接口的、与所述被测试者的跑步有关的信息中提取出所述被测试者的身体动作信息，

通过将该提取到的身体动作信息应用于所述运算式，来计算关于所述被测试者的跑步方式的得分。

2.如权利要求1所述的跑步方式诊断系统，其特征在于，

所述运算式包括：

第1回归式，该第1回归式是通过将由所述专家对于所述测试跑步者的跑步所给出的两个以上项目的评价设为说明变量，将由所述专家对于所述测试跑步者的跑步所给出的综合评价设为目的变量，并进行回归分析而得到；以及

第2回归式，该第2回归式是通过将所述测试跑步者的身体动作信息设为说明变量，将由所述专家对于所述测试跑步者的跑步所给出的所述两个以上项目的评价分别设为目的变量，并进行回归分析而得到。

3.如权利要求2所述的跑步方式诊断系统，其特征在于，

通过对由所述专家对于所述测试跑步者的跑步所给出的预先所设定个数的项目的评价与由所述专家对于所述测试跑步者的跑步所给出的综合评价进行统计处理，从而从所述预先所设定个数的项目中确定所述第1回归式中所利用的所述两个以上项目。

4.如权利要求3所述的跑步方式诊断系统，其特征在于，

通过对确定个数的身体动作信息与所述两个以上项目的评价进行统计处理，从而从所述确定个数的项目的特性中确定所述第2回归式中所使用的所述测试跑步者的身体动作信息。

5.如权利要求1所述的跑步方式诊断系统，其特征在于，

所述运算式包括多元回归式，通过将所述测试跑步者的多个身体动作信息设为说明变量，将所述专家对于所述测试跑步者所给出的综合评价设为目的变量，并进行多元回归分析，从而获得该多元回归式。

6.如权利要求1所述的跑步方式诊断系统，其特征在于，

所述运算式包括多个回归式，通过将所述测试跑步者的多个身体动作信息分别设为说明变量，将所述专家对于所述测试跑步者所给出的综合评价设为目的变量，并进行回归分析，从而获得该多个回归式，

所述处理器基于利用所述多个回归式而获得的多个综合评价，来计算关于所述被测试者的跑步方式的得分。

7.如权利要求1至6任一项所述的跑步方式诊断系统，其特征在于，

所述被测试者的身体动作信息至少包括通过计算所述被测试者的前臂对上臂的角度而获得的肘关节角度、所述被测试者的前臂与上臂各自的段角度、通过计算所述被测试者的小腿对于大腿的角度而获得的膝关节角度、或者所述被测试者的小腿与大腿各自的段角度的任一种。

8.如权利要求7所述的跑步方式诊断系统，其特征在于，

还包括与所述接口相结合、用于拍摄所述被测试者的视频的拍摄装置，

所述接口构成为接受所述被测试者的视频输入，

所述处理器具有如下结构，

在提取所述被测试者的肘关节角度、或者所述被测试者的前臂与上臂各自的段角度的至少任一种的情况下，基于所述视频中的安装于所述被测试者的肩关节、肘关节、手关节的标记的图像位置，来提取它们的角度，

在提取所述被测试者的膝关节角度、或者所述被测试者的小腿与大腿各自的段角度的至少任一种的情况下，基于所述视频中的安装于所述被测试者的股关节、膝关节、踝关节的标记的图像位置，来提取它们的角度。

9.如权利要求7所述的跑步方式诊断系统，其特征在于，

还包括安装于所述被测试者的惯性传感器，

所述接口构成为接受所述惯性传感器的检测结果的输入，

所述处理器构成为基于所述惯性传感器的检测结果，来提取所述被测试者的身体动作信息。

10.如权利要求1至9任一项所述的跑步方式诊断系统，其特征在于，

所述存储装置构成为将关于跑步的建议信息分别与预先被区分的得分相关联并进行存储，

所述处理器构成为输出与计算出的所述被测试者的得分相关联的所述建议信息。

11.如权利要求1至10任一项所述的跑步方式诊断系统，其特征在于，

所述运算式还表示从与多个测试跑步者的跑步有关的信息中提取出的身体动作信息以及多个所述测试跑步者的身体特性与专家对于该多个测试跑步者各自的跑步所给出的综合评价之间的相关关系，

所述接口还构成为接受所述被测试者的身体特性的输入，

所述处理器构成为通过将所述被测试者的身体动作信息以及身体特性应用于所述运算式，从而计算关于所述被测试者的跑步方式的得分。

12.一种利用计算机执行的、对被测试者的跑步方式进行打分的方法，其特征在于，

所述计算机包括：

存储装置，该存储装置构成为存储有运算式，该运算式表示从与多个测试跑步者的跑步有关的信息中提取到的身体动作信息与专家对该多个测试跑步者各自的跑步所给出的评价之间的相关关系；以及

接口，该接口用于接受与被测试者的跑步有关的信息输入，

该方法包括：所述计算机从输入至所述接口的、与所述被测试者的跑步有关的信息中提取出所述被测试者的身体动作信息；以及

所述计算机通过将所述提取到的身体动作信息应用于所述运算式，来计算关于所述被测试者的跑步方式的得分。

13.如权利要求12所述的方法，其特征在于，

所述运算式包括：

第1回归式，该第1回归式是通过将由所述专家对于所述测试跑步者的跑步所给出的两个以上项目的评价设为说明变量，将由所述专家对于所述测试跑步者的跑步所给出的得分设为目的变量，并进行回归分析而得到；以及

第2回归式，该第2回归式是通过将所述测试跑步者的身体动作信息设为说明变量，将由所述专家对于所述测试跑步者的跑步所给出的所述两个以上项目的评价分别设为目的变量，并进行回归分析而得到。

14.如权利要求12所述的方法，其特征在于，

所述运算式包括多元回归式，该多元回归式是通过将所述测试跑步者的多个身体动作信息设为说明变量，将所述专家对于所述测试跑步者所给出的综合评价设为目的变量，并进行多元回归分析而得到。

15.如权利要求12所述的方法，其特征在于，

所述运算式包括多个回归式，通过将所述测试跑步者的多个身体动作信息分别设为说明变量，将所述专家对于所述测试跑步者所给出的综合评价设为目的变量，并进行回归分析，从而获得该多个回归式，

所述计算机对关于所述被测试者的跑步方式的得分的计算包括基于利用所述多个回归式而获得的多个综合评价，来计算关于所述被测试者的跑步方式的得分。

Images