CN109387203A - 活动状况分析装置、活动状况分析方法及记录介质 - Google Patents

Abstract

一种分析骑行者的自行车骑行中的活动状况的活动状况分析装置(10)、活动状况分析方法和记录介质。具有：传感器部(21～26、18)，从骑行者的腰部佩戴的包括加速度传感器(21)及陀螺仪传感器(22)的多种传感器，取得各种传感器数据；以及CPU(11)，根据传感器部(21～26、18)的多种传感器的检测输出，分析骑行者的自行车骑行中的活动状况。

Description

活动状况分析装置、活动状况分析方法及记录介质

对相关申请的交叉引用

本申请以在2017年8月3日提出申请的第2017－150684号日本专利申请为基础并对其主张优先权，并且该基础申请的全部内容通过引用被包含于此。

技术领域

本发明涉及适合于自行车骑行的活动状况分析装置、活动状况分析方法及记录介质。

背景技术

以往，作为记录自行车骑行时的各种数据的自行车骑行用的数据记录器，使用所谓被称为自行车计算机、自行车微计算机(将“自行车”和“微计算机”组合造成的词语)的设备。

这种自行车计算机具有GPS(Global Positioning System：全球测位系统)接收部、速度传感器、踏频传感器等各种传感器，能够记录自行车骑行中的移动轨迹和各种传感器的数据。

例如，在日本特开2016－088386号公报中记载了判定自行车的立踩(standing)和座踩(seating)的技术。在该技术中，作为其判定基准的是磁气传感器和设于踏板曲柄的应变仪的各种检测输出，磁气传感器检测车轮的旋转，磁气传感器以与在车轮的辐条设置的磁铁相对置的方式设于车架的车叉部上。这样，即使是日本特开2016－088386号公报所记载的技术，通过取得来自在自行车的车体设置的各种传感器等的检测输出，也能够判定运转状态。

发明内容

如上所述，为了准确记录自行车的各种活动，不仅要在自行车计算机本体，而且要在自行车的各部分安装多种传感器，导致结构复杂，其使用操作性也烦杂。

本发明正是鉴于上述情况而完成的，其目的在于，提供活动状况分析装置、活动状况分析方法及记录介质，不需在自行车的各部分安装多种传感器，即可分析自行车骑行中的活动状况。

本发明的活动状况分析装置，具有：传感器数据取得单元，从骑行者的腰部佩戴的至少包括加速度传感器及陀螺仪传感器的多种传感器，取得多种传感器数据；以及活动状况分析单元，根据通过所述传感器数据取得单元取得的至少包括加速度传感器及陀螺仪传感器的传感器数据的多种传感器数据，分析所述骑行者的自行车骑行中的活动状况。

本发明的活动状况分析装置的活动状况分析方法，包括：传感器数据取得步骤，从骑行者的腰部佩戴的至少包括加速度传感器及陀螺仪传感器的多种传感器，取得多种传感器数据；以及活动状况分析步骤，根据通过所述传感器数据取得步骤而取得的至少包括加速度传感器及陀螺仪传感器的传感器数据的多种传感器数据，分析所述骑行者的自行车骑行中的活动状况。

本发明的记录了程序的计算机可读的记录介质，该程序使活动状况分析装置的计算机作为以下单元发挥作用：传感器数据取得单元，从骑行者的腰部佩戴的至少包括加速度传感器及陀螺仪传感器的多种传感器，取得多种传感器数据；以及活动状况分析单元，根据通过所述传感器数据取得单元取得的至少包括加速度传感器及陀螺仪传感器的传感器数据的多种传感器数据，分析所述骑行者的自行车骑行中的活动状况。

附图说明

图1是示例有关本发明的一实施方式的可佩戴设备的自行车骑行时的使用环境的图。

图2A是表示本发明的一种方式的实施方式的可佩戴设备的电子电路的功能结构的框图。

图2B是表示本发明的另一种方式的实施方式的可佩戴设备及外部设备的电子电路的功能结构的框图。

图3是表示该实施方式的主程序的处理内容的流程图。

图4是说明该实施方式的轴校正的处理的图。

图5是该实施方式的图3中的行动/踏频估计(M105)的子程序的流程图。

图6是该实施方式的图5中的坐踩判定(S115、S120)的子程序的流程图。

图7是表示该实施方式的图6中的坐踩判定1(S201)的子程序的详细的处理内容的流程图。

图8是示例该实施方式的三个骑行者各自的坐踩时的陀螺仪传感器22的y轴方向的输出GyrY的变化程度的图。

图9是表示该实施方式的基于方差和自协方差的边界线BD的线性分离的例子的图。

图10是表示该实施方式的图6中的坐踩判定2(S204)的子程序的详细的处理内容的流程图。

图11是示例该实施方式的针对图10中的陀螺仪传感器输出的极值间校正(S222)的内容的图。

图12是表示该实施方式的图6中的坐踩判定3(S207)的子程序的详细的处理内容的流程图。

图13是示例该实施方式的加速度传感器的y轴方向的输出AccY的检测波形的图。

图14是表示该实施方式的图5、图7、图10、图12中的踏频估计(S102、S211、S221、S231)的子程序的详细的处理内容的流程图。

图15是示例在该实施方式的自相关性系数中出现的基于噪声的高频的极大值的图。

图16是表示该实施方式的图5中的第1踏频值的设定(踏频设定(1)(S111))的子程序的详细的处理内容的流程图。

图17是表示该实施方式的图5中的第2踏频设定(S118、S123)的子程序的详细的处理内容的流程图。

图18是表示该实施方式的图5中的踏频值的更新(踏频设定(2)(S127))的子程序的详细的处理内容的流程图。

图19是表示该实施方式的图18中的踏频稳定化(S602)的子程序的详细的处理内容的流程图。

图20是表示该实施方式的图3中的轨迹估计(M107)的子程序的详细的处理内容的流程图。

图21是表示该实施方式的图20中的齿轮值/步幅更新(S703)的子程序的详细的处理内容的流程图。

图22是示例该实施方式的与路面状况对应的加速度波形的图。

图23是表示该实施方式的图20中的航位推算(S704)的子程序的详细的处理内容的流程图。

图24是表示该实施方式的图23中的地磁的可靠度估计(S734)的子程序的详细的处理内容的流程图。

图25是说明该实施方式的针对地磁的外部干扰的影响的图。

图26是表示该实施方式的图3中的卡路里估计(M109)的子程序的详细的处理内容的流程图。

图27是示例该实施方式的座踩及立踩时和步行时的MSTs值的特性的图。

图28是示例该实施方式的与骑行者的姿势和可佩戴设备的安装位置的高度对应的前倾角的估计内容的图。

图29是表示该实施方式的图3中的聚类处理(M112)的子程序的详细的处理内容的流程图。

图30是示例该实施方式的在聚类处理中使用的参照表格的内容的图。

图31是表示该实施方式的图3中的功率估计(M113)的子程序的详细的处理内容的流程图。

具体实施方式

下面，关于将本发明适用于可佩戴设备时的一个实施方式，参照附图进行详细说明。

在本实施方式中，说明适用于特别是自行车骑行和徒步、越野跑等专用于户外运动的可佩戴设备的情况。

图1是示例骑着自行车BC进行骑行的骑行者CL佩戴了可佩戴设备10的状态的图。骑行者CL利用附属于可佩戴设备10的本体的卡子将可佩戴设备10佩戴于例如骑行裤的腰带部分，以便使可佩戴设备10位于腰部的背面侧中央。

图2A是表示本发明的一种方式的上述可佩戴设备10的电子电路的功能结构的框图。在该图中，该可佩戴设备10以由CPU 11、主存储器12及程序存储器13构成的控制器CNT为中心进行动作。

其中，CPU 11读出在由闪存等非易失性存储器构成的程序存储器13存储的动作程序和各种固定数据等，并展开到由SRAM等构成的主存储器12中进行保存，然后依次执行该动作程序，由此统一控制后述的动作等。当然，也可以使用CPU以外的处理器，例如ASIC(Application Specification Integrated Circuit：专用集成电路)、FPGA(FieldProgrammable Gate Array：可编程门阵列)等。

通信接口(I/F)14、GPS接收部15、操作部16、存储卡17及传感器接口(I/F)18，通过总线B与该CPU 11、主存储器12及程序存储器13连接。

通信接口14是使用天线19、并使用如下技术与外部的未图示的智能电话、或个人电脑(PC)、数码相机等设备进行数据通信的电路，所述技术例如是基于IEEE802.11a/11b/11g/11n标准规格的无线LAN技术、基于Bluetooth(注册商标)、Bluetooth(注册商标)LE(Low Energy)的近距离无线通信技术等。

GPS接收部15使用GPS天线20接收来自未图示的多个GPS卫星的到来电波，并计算当前位置的绝对三维坐标位置(纬度/经度/高度)和当前时刻。

另外，上述GPS天线20及GPS接收部15还可以应对上述GPS以外的卫星测位系统，例如GLONASS(Global Navigation Satellite System)或日本的地域导航卫星系统即准天顶卫星系统QZSS(Quasi-Zenith Satellite System)等，接收来自这些卫星的到来电波，以更高的精度计算当前位置的三维坐标和当前时刻。

在这种情况下，当在下述动作时的说明中记述为进行GPS测位时，还一并执行上述GPS以外的卫星测位系统的测位动作。

操作部16接受在该可佩戴设备10设置的电源键和设定活动内容用的设定键、指示测定的开始/结束用的按键等的操作，向上述CPU 11发送操作键信号。

存储卡17通过卡槽CS插拔自如地设于该可佩戴设备10，是为了即使是不能进行与外部的设备等的无线连接的状态下，也记录由该可佩戴设备10检测出的各种数据而安装的。

传感器接口18例如连接加速度传感器21、陀螺仪传感器22、地磁传感器23、气压传感器24、温度传感器25及心率传感器26，接收各传感器的检测输出并将其数字数据化发送给上述CPU 11。

加速度传感器21检测沿着相互正交的3个轴各自的加速度，由此检测佩戴了该可佩戴设备10的人员的姿势(包括重力加速度方向)和所接受的外力的方向。

陀螺仪传感器22由检测沿着相互正交的3个轴各自的角速度的振动型陀螺仪构成，检测该可佩戴设备10的状态变化的程度。还可以是除振动型陀螺仪以外的其它的角速度传感器。

地磁传感器23由检测沿着相互正交的3个轴各自的针对磁北方向的地磁强度的磁阻效应元件(MR传感器)构成，检测包括磁北方向在内的该可佩戴设备10正在移动的方位。

通过将上述加速度传感器21、陀螺仪传感器22及地磁传感器23各自的检测输出进行组合，即使是在不能通过上述GPS天线20、GPS接收部15检测当前位置的绝对值的室内、隧道内等环境下，也能够获得基于三维空间内的自主导航(航位推算(DR))的考虑了方位的行动轨迹。

气压传感器24检测气压，由此检测气压状态的变化，并且还能够与由上述GPS接收部15的输出得到的高度信息进行组合，在以后不能进行GPS测位时的高度估计中使用。

温度传感器25检测温度。

心率传感器26接收来自心电检测元件(未图示)的检测信号，并检测骑行者CL的心率，该心电检测元件由佩戴该可佩戴设备10的骑行者CL佩戴于左胸部。

图2B是表示本发明的另一种方式的上述可佩戴设备10及外部设备30的电子电路的功能结构的框图。在该图中，可佩戴设备10与图2A所示的可佩戴设备一样，因而省略其说明。

外部设备30是智能电话、PC等电子设备。外部设备30以由CPU 31、主存储器32及程序存储器33构成的控制器CNT1为中心进行动作。

其中，CPU 31读出在由闪存等非易失性存储器构成的程序存储器33存储的动作程序和各种固定数据等，并展开到由SRAM等构成的主存储器32中进行保存，然后依次执行该动作程序，由此统一控制后述的动作等。当然，也可以使用CPU以外的处理器，例如ASIC(Application Specification Integrated Circuit：专用集成电路)、FPGA(FieldProgrammable Gate Array：可编程门阵列)等。

通信接口(I/F)35通过总线B1与该CPU 31、主存储器32、程序存储器33及显示器34连接。通信接口35是使用天线36通过上述的近距离无线通信技术等与可佩戴设备10进行数据通信的电路。即，可佩戴设备10的通信接口14通过天线19、36与外部设备30的通信接口35进行数据通信。

下面，对本实施方式的动作进行说明。

在此，佩戴了可佩戴设备10的骑行者CL在进行自行车骑行时，在将动作模式设定为“自行车骑行”后开始测定，在结束自行车骑行的时刻结束测定，然后进行该自行车骑行的行程分析，对这期间的一系列的处理进行说明。

例如，图2A所示的可佩戴设备10能够执行从测定到分析的一系列的处理。并且，图2B所示的可佩戴设备10执行从测定到分析的一系列的处理的一部分处理，剩余的处理由智能电话或PC等外部设备30执行。

下面，对由图2A所示的可佩戴设备10执行从测定到分析的一系列的处理进行说明。

图3是表示CPU 11执行的主程序的处理内容的流程图。在该处理开始时，CPU 11根据操作部16的起动/结束键的操作开始处理，确认测定动作在继续中(步骤M101：是)，然后通过传感器接口18取得加速度传感器21、陀螺仪传感器22、地磁传感器23、气压传感器24、温度传感器25及心率传感器26各自的检测数据(步骤M102)。

该各种传感器的测定动作是按照预先设定的时间间隔(将其定义为分析周期)、例如按照每1[秒]1次的频次执行的，将传感器数据即时存储在存储卡17中，并且根据基本上过去5[秒]量的传感器数据执行下面的动作。

首先，CPU 11根据加速度传感器21、陀螺仪传感器22及地磁传感器23的输出，执行轴校正的处理(步骤M103)。

图4是说明该轴校正的处理的图。图4(A)表示轴校正前的y轴方向及z轴方向。即，如图4(A)所示，本来应与铅直方向平行的z轴方向以及应与骑行者CL的行进方向平行的y轴方向，倾斜了佩戴可佩戴设备10的骑行者CL的腰部的倾斜角度量。

因此，根据在加速度传感器21得到的重力加速度的方向，按照图4(B)-1、图4(B)-2所示校正加速度传感器21的检测数据，以便使反重力方向成为z轴的正方向，使与骑行者CL的行进方向相反的方向成为y轴的正方向，使与骑行者CL的行进方向正交的左方向成为x轴的正方向。此处的x轴方向及y轴方向是将骑行者CL朝向的方向作为正面而设定的方向。

这样，由各种传感器检测的如图4(A)所示的各轴被校正成如图4(B)所示。在本实施方式中，按照图4(B)所示定义各轴。

另外，校正陀螺仪传感器22的检测数据，以便使相对于x、y、z各轴的正方向，各角速度成为在从原点位置观察时使其右旋为正的角速度。

在上述轴校正的处理后，CPU 11对各传感器的数据，通过低通滤波处理及偏离值去除处理来降低噪声成分(步骤M104)。

使用进行了这样的轴校正及噪声成分的降低的传感器数据，CPU 11估计骑行者CL的行动和踏频(步骤M105)。

在此，所谓行动估计，是指根据各种传感器检测出的数据估计自行车骑行时的骑行者CL持续了固定时间的动作。在本实施方式中，通过行动估计而分类成以下五种行动中的任意一种行动。即，

·坐踩：坐在自行车BC的车座上踩踏板的状态

·立踩：从车座上站立起来踩踏板的状态

·惯性行进：不踩踏板而靠惯性行进的状态

·步行：从自行车下来步行的状态(包括推车步行)

·停止：上述以外的行动。主要假设是停止的状态。

并且，所谓踏频估计，是指对于上述行动中的坐踩、立踩、步行这三种行动，估计每单位时间(通常是1分钟)的自行车BC的曲轴踏板的转数(坐踩及立踩的情况)或者步数(步行的情况)。

图5是表示上述步骤M105的行动/踏频估计的详细的处理内容的子程序的流程图。首先，CPU 11作为初始设定，将累计更新用踏频的值及最大更新用踏频的值都设定为无效值(步骤S101)。

然后，CPU 11执行步骤S102～S110的行动判定1的处理。在该行动判定1中，判定行动是“立踩或者步行”还是这些行动以外的行动。即，在立踩及步行中，骑行者CL的腰周期性地上下运动，因而能够明显地观察到加速度传感器21的z轴方向的输出AccZ的周期性，所以在判定中使用输出AccZ。

首先，CPU 11执行踏频估计的处理，并计算加速度传感器21的z轴方向的输出AccZ的自相关性系数，详细情况在后面进行说明(步骤S102)。

然后，CPU 11根据加速度传感器21的z轴方向的输出AccZ的方差是否大于第1阈值Th1例如1.4、而且加速度传感器21的z轴方向的输出AccZ的自相关性系数是否大于第2阈值Th2例如0.47，在将来自路面的振动等较小的振幅作为噪声去除后执行上述行动判定1(步骤S103)。

在上述步骤S103，加速度传感器21的z轴方向的输出AccZ的方差大于第1阈值Th1、而且该输出AccZ的自相关性系数大于第2阈值Th2，在判定行动是立踩或者步行的情况下(步骤S103：是)，CPU 11判定移动速度的信息是否可靠(步骤S104)。另外，将GPS测位信息的可靠度较高的情况设为移动速度的信息可靠的情况，详细情况在后面进行说明。

在此，在能够稳定地得到移动速度的信息、并判定可靠的情况下(步骤S104：是)，然后CPU 11根据该速度是否小于第3阈值Th3例如2.4[m/秒]、而且加速度传感器21的y轴方向的输出AccY的方差是否大于第4阈值Th4例如2.0，判定是否由于移动速度小于一定值、而且行进方向的加速度的方差较大，而存在步行特别是脚着地时的冲击(刹车振动)(步骤S105)。

在此，移动速度小于第3阈值Th3、而且加速度传感器21的y轴方向的输出AccY的方差大于第4阈值Th4，因而在判定移动速度小于一定值、而且行进方向的加速度的方差较大的情况下(步骤S105：是)，CPU 11判定该时刻的行动是步行(步骤S106)，以上结束行动判定1的处理。

并且，在上述步骤S105中，由于移动速度在第3阈值Th3以上、或者加速度传感器21的y轴方向的输出AccY的方差在第4阈值Th4以下，因而在判定移动速度在一定值以上或者行进方向的加速度的方差较小的情况下(步骤S105：否)，CPU 11判定该时刻的行动是立踩(步骤S107)，以上结束行动判定1的处理。

另外，在上述步骤S104中，在不能稳定地得到移动速度的信息而判定为不可靠的情况下(步骤S104：否)，然后CPU 11仅通过加速度传感器21的y轴方向的输出AccY的方差是否大于第4阈值Th4例如2.0的判定，判定是否由于行进方向的加速度的方差较大，而存在步行特别是脚着地时的冲击(刹车振动)(步骤S108)。

在此，加速度传感器21的y轴方向的输出AccY的方差大于第4阈值Th4，因而在判定行进方向的加速度的方差较大的情况下(步骤S108：是)，CPU 11判定该时刻的行动是步行(步骤S109)，以上结束行动判定1的处理。

并且，在上述步骤S108中，加速度传感器21的y轴方向的输出AccY的方差在第4阈值Th4以下，在判定行进方向的加速度的方差较小的情况下(步骤S108：否)，CPU 11判定该时刻的行动是立踩(步骤S110)，以上结束行动判定1的处理。

并且，在上述步骤S106、S107、S109、S110的行动判定的处理后，CPU 11进行与立踩或者步行对应的第1踏频值的设定(踏频设定(1))(步骤S111)。关于该第1踏频值的设定的详细的处理内容在后面进行说明。

并且，在上述步骤S103中，根据加速度传感器21的z轴方向的输出AccZ的方差在第1阈值Th1以下、或者该输出AccZ的自相关性系数在第2阈值Th2以下的至少一方，在判定行动既不是立踩也不是步行的情况下(步骤S103：否)，CPU 11判定移动速度的信息是否可靠(步骤S112)。另外，将GPS测位信息的可靠度较高的情况设为移动速度的信息可靠的情况，详细情况在后面进行说明。

在此，能够稳定地得到移动速度的信息，在判定可靠的情况下(步骤S112：是)，然后CPU 11根据该速度是否小于第5阈值Th5例如0.64[m/秒]，判定行动是否停止(步骤S113)。

在此，在判定移动速度小于第5阈值Th5的情况下(步骤S113：是)，CPU 11判定该时刻的行动停止(步骤S114)，以上结束行动判定2的处理。

这样，在可靠的移动速度小于一定值的情况下，考虑到骑行者CL将自行车BC停下来而进行体操时等不能定义的具体行动，应尽力避免将停止中的无法预测的运动错误判定为坐踩或惯性行进的可能性。

并且，在上述步骤S113中，在判定移动速度在第5阈值Th5以上的情况下(步骤S113：否)，CPU 11进入步骤S115～S119的行动判定3，进行惯性行进和坐踩的判定。

在该行动判定3中，CPU 11执行以下所示的坐踩判定(步骤S115)。

图6是表示该坐踩判定的子程序的详细的处理内容的流程图。首先，CPU 11通过坐踩判定1，根据坐踩时的特征即陀螺仪传感器22的y轴方向的输出GyrY、其z轴方向的输出GyrZ是否具有周期性，判定是否是坐踩(步骤S201)。

图7是表示该坐踩判定1的子程序的详细的处理内容的流程图。使用陀螺仪传感器22的y轴方向的输出GyrY、其z轴方向的输出GyrZ的理由是虽然存在个人差异，但是骑行者CL踩踏板时的腰的旋转运动容易出现在y轴方向和z轴方向任意一方或者双方。

对陀螺仪传感器22的y轴方向的输出GyrY、其z轴方向的输出GyrZ的周期性的检测方法进行叙述。

图8是示例三人骑行者CL中CL-A、CL-B、CL-C各自坐踩时的陀螺仪传感器22的z轴方向的输出GyrZ的变化的程度的图。这样，在坐踩动作中每个人的运动的大小的差异较大，仅仅根据方差和自相关性系数的单独的阈值判定有无周期性来进行坐踩判定是不够的。

因此，如图9所示，根据基于方差和自协方差的边界线BD的线性分离，判定有无周期性。

在此，不使用自相关性系数而使用自协方差的理由是，自相关性系数是将自协方差除以方差得到的，因而要防止方差的影响成为双重的。

因此，即使是骑行者CL的腰的运动较小(＝方差较小)的坐踩动作，也能够通过判定是否存在与该方差相当的自协方差来检测周期性。

并且，如上述图9所示，除线性分离以外，是某一定值以下的过小方差的情况也视为不是坐踩的条件。

在图7的具体处理中，首先执行后述的踏频估计(步骤S211)。

然后，CPU 11判定是否是陀螺仪传感器22的y轴方向的输出GyrY的自相关性系数大于第7阈值Th7例如0.51、而且该输出GyrY的方差大于第8阈值Th8例如0.01，或者是否是陀螺仪传感器22的z轴方向的输出GyrZ的自相关性系数大于上述第7阈值Th7、而且该输出GyrZ的方差大于上述第8阈值Th8的至少一方(步骤S212)。

在上述步骤S212的判定中，基于下述目的而偏大地设定上述的第7阈值Th7及第8阈值Th8，即，通过抽取陀螺仪传感器22的y轴方向的输出GyrY、其z轴方向的输出GyrZ的振幅足够大、明确具有周期性的输出，明确明显是坐踩。

在判定该条件成立的情况下(步骤S212：是)，CPU 11判定行动是坐踩(步骤S213)。

并且，在判定上述步骤S212的条件不成立的情况下(步骤S212：否)，CPU 11判定是否是陀螺仪传感器22的y轴方向的输出GyrY的自协方差小于第9阈值Th9例如0.0016、或者该输出GyrY的方差小于第10阈值Th10例如0.0047，而且是否是陀螺仪传感器22的z轴方向的输出GyrZ的自协方差小于上述第9阈值Th9、或者该输出GyrZ的方差小于上述第10阈值Th10(步骤S214)。

在上述步骤S214的判定中，通过抽取陀螺仪传感器22的y轴方向的输出GyrY、其z轴方向的输出GyrZ的振幅非常小、周期性明确较低的要素，确定明显不是坐踩。为此，偏小地设定第9阈值Th9及第10阈值Th10。

在判定该条件成立的情况下(步骤S214：是)，CPU 11判定行动不是坐踩(步骤S215)。

另外，在判定上述步骤S214的条件不成立的情况下(步骤S214：否)，CPU 11判定是否是陀螺仪传感器22的y轴方向的输出GyrY的自协方差、大于将该输出GyrY的方差与上述图9的边界线BD的坡度a1例如0.3113相乘再与切点(切片)值b1例如0.0018相加而得的值，或者是否是陀螺仪传感器22的z轴方向的输出GyrZ的自协方差、大于将该输出GyrZ的方差与上述图9的边界线BD的坡度a1相乘再与切点(切片)值b1相加而得的值中的至少一方(步骤S216)。

如上所述，坐踩动作时的坐踩方式的个人差异较大，仅仅对方差设定阈值，难以评价有无周期性。例如，既存在运动较大且出现周期性的骑行者(图8(C))，也存在即使运动是中等程度或者运动较小也出现周期性的骑行者(图8(B)和图8(A))。因此，存在仅仅按照步骤S212或者步骤S214那样对方差设定一个阈值而难以判定周期性的情况。为了应对这种情况，在步骤S216，不是分别评价相关性系数和方差，而是通过以诸如对两个进行了回归的形式评价自协方差和方差来进行坐踩判定。

通过进行基于上述图9所示的边界线BD的线性分离，进行坐踩的判定。在判定上述步骤S216的条件成立的情况下(步骤S216：是)，CPU 11判定行动是坐踩(步骤S217)。通过步骤S216的判定，即使是诸如在步骤S212、S214不能判定是坐踩的方差较低的情况下，也能够判定是坐踩。

并且，在判定上述步骤S216的条件不成立的情况下(步骤S216：否)，CPU 11判定行动不是坐踩(步骤S218)。

在上述图7的坐踩判定1的处理后，CPU 11返回到上述图6的处理，判定是否在上述坐踩判定1中判定行动是坐踩(步骤S202)。

在此，在判定行动是坐踩的情况下(步骤S202：是)，重新视为行动是坐踩(步骤S203)，并且视为该判定的可靠性较高，将在踏频判定中得到的踏频用于最大踏频的计算中。

并且，在上述步骤S202中，在判定行动不是坐踩的情况下(步骤S202：否)，CPU 11然后执行坐踩判定2(步骤S204)。

图10是表示该坐踩判定2的详细的处理内容的子程序的流程图。CPU11首先执行后述的踏频估计(步骤S221)。

然后，CPU 11进行陀螺仪传感器22的y轴方向的输出GyrY和其z轴方向的输出GyrZ双方的极值间校正(步骤S222)。

图11(A)-1是示例在坐踩时的校正前的陀螺仪传感器22的y轴方向的输出GyrY的图，将该y轴方向的输出GyrY的极值间的中间位置校正为0(零)的结果在图11(A)-2中示出。在图11(A)-1中存在如下情况，即虽然在陀螺仪传感器22的y轴方向的输出GyrY中观察到某种程度的周期性，但是在直接用于后述的判定时被判定为不是坐踩。为了避免这种情况，在步骤S222，进行使陀螺仪传感器22的y轴方向的输出GyrY的极大值和极小值的中间位置的值成为0(零)的处理。该图11(A)-2是成功例，即使是陀螺仪传感器22的y轴方向的输出GyrY不规律而且振幅较小的情况下，也能够通过使稳定化以便进行坐踩判定，而更准确地执行判定。

另一方面，图11(B)-1是示例在坐踩时的校正前的陀螺仪传感器22的z轴方向的输出GyrZ的图，将该z轴方向的输出GyrZ的极值间的中间位置校正为0(零)的结果在图11(B)-2中示出。该图11(B)-2是失败例，示例了将施加给陀螺仪传感器22的z轴方向的输出GyrZ的噪声包含在内判定为具有周期性，由此不能正确执行坐踩判定的情况。

在该极值间的校正处理后，CPU 11判定是否是陀螺仪传感器22的y轴方向的输出GyrY的自相关性系数大于第11阈值Th11例如0.49、而且该输出GyrY的方差大于第12阈值Th12例如0.018，或者是否是陀螺仪传感器22的z轴方向的输出GyrZ的自相关性系数大于上述第11阈值Th11、而且该输出GyrZ的方差大于上述第12阈值Th12中的至少一方(步骤S223)。

在上述步骤S223的判定中，基于下述目的而偏大地设定上述的第11阈值Th11及第12阈值Th12，即，通过抽取陀螺仪传感器22的y轴方向的输出GyrY、其z轴方向的输出GyrZ的振幅足够大、明确具有周期性的输出，确定明显是坐踩。

在判定该条件成立的情况下(步骤S223：是)，CPU 11判定行动是坐踩(步骤S224)。

并且，在判定上述步骤S223的条件不成立的情况下(步骤S223：否)，CPU 11判定是否是陀螺仪传感器22的y轴方向的输出GyrY的自协方差小于第13阈值Th13例如0.00017、或者该输出GyrY的方差小于第14阈值Th14例如0.002，而且是否是陀螺仪传感器22的z轴方向的输出GyrZ的自协方差小于上述第13阈值Th13、或者该输出GyrZ的方差小于上述第14阈值Th14(步骤S225)。

在上述步骤S225的判定中，通过抽取陀螺仪传感器22的y轴方向的输出GyrY、其z轴方向的输出GyrZ的振幅非常小、周期性明确较低的输出，确定明显不是坐踩。为此，偏小地设定第13阈值Th13及第14阈值Th14。

在判定该条件成立的情况下(步骤S225：是)，CPU 11判定行动不是坐踩(步骤S226)。

另外，在判定上述步骤S225的条件不成立的情况下(步骤S225：否)，CPU 11判定是否是陀螺仪传感器22的y轴方向的输出GyrY的自协方差、大于将该输出GyrY的方差与上述图9的边界线BD的坡度a2例如0.5065相乘再与切点(切片)值b2例如0.00041相加而得的值，或者是否是陀螺仪传感器22的z轴方向的输出GyrZ的自协方差、大于将该输出GyrZ的方差与上述图9的边界线BD的坡度a2相乘再与切点(切片)值b2相加而得的值中的至少一方(步骤S227)。

通过进行基于上述图9所示的边界线BD的线性分离，进行坐踩的判定。在判定上述步骤S227的条件成立的情况下(步骤S227：是)，CPU 11判定行动是坐踩(步骤S228)。通过步骤S227的判定，即使是诸如在步骤S223、S225不能判定是坐踩的方差较低的情况下，也能够判定是坐踩。

并且，在判定上述步骤S227的条件不成立的情况下(步骤S227：否)，CPU 11判定行动不是坐踩(步骤S229)。

另外，步骤S222的陀螺仪极值间校正等同于强调噪声的处理，因而不应在步骤S201的坐踩判定1之前进行步骤S204的坐踩判定2。坐踩判定2是为了在进行了坐踩判定1之后，去拾取虽然是坐踩却在坐踩判定1中不被判定是坐踩的行动而进行的。如果从一开始就进行坐踩判定2，如后面所述将导致连正确踏频的计算也不能进行，因而CPU 11在进行了坐踩判定1之后进行坐踩判定2。

在上述图10的坐踩判定2的处理后，CPU 11返回到上述图6的处理，判定是否在上述坐踩判定2中判定了行动是坐踩(步骤S205)。

在此，在判定行动是坐踩的情况下(步骤S205：是)，重新判定行动是坐踩(步骤S206)，但是视为该判定的可靠性较低，不将在踏频判定中得到的踏频用于最大踏频的计算中。

并且，在上述步骤S205中，在判定行动不是坐踩的情况下(步骤S205：否)，CPU 11然后执行坐踩判定3(步骤S207)。在该坐踩判定3中，根据加速度传感器21的y轴方向的输出AccY进行坐踩判定。即，在坐踩判定3中，进行将诸如非常缓慢地踩踏而几乎检测不到角速度的骑行者作为对象的坐踩判定。

图12是表示该坐踩判定3的详细的处理内容的子程序的流程图。CPU 11首先执行后述的踏频估计(步骤S231)。

然后，CPU 11判定是否加速度传感器21的y轴方向的输出AccY的自相关性系数大于第15阈值Th15例如0.65、而且该输出AccY的方差大于第16阈值Th16例如0.071(步骤S232)。

在此，在判定上述步骤S232的条件成立的情况下(步骤S232：是)，CPU 11判定行动是坐踩(步骤S233)。

并且，在判定上述步骤S232的条件不成立的情况下(步骤S232：否)，CPU 11判定行动不是坐踩(步骤S234)。

在上述步骤S232的处理中，即使是陀螺仪传感器22的y、z轴方向的输出GyrY、GyrZ观察不到周期性的情况下，例如后述的齿轮值较大、踏频较慢的状态下的坐踩的情况等，由于在加速度传感器21的y轴方向的输出AccY中也能够观察到踩踏板时的推动力，因而进行上述判定。

因此，在加速度传感器21的y轴方向的输出AccY的自相关性系数大于第15阈值Th15、而且该输出AccY的方差大于第16阈值Th16的情况下，判定是坐踩。

例如，在齿轮值较大而使用身体的状态踩踏的情况下等，即使在坐踩判定1或坐踩判定2中判定不是坐踩，也能够在坐踩判定3中根据加速度传感器21的y轴方向的输出AccY的自相关性系数和方差判定是坐踩。

图13是示例加速度传感器21的y轴方向的输出AccY的检测波形的图。图13(A)表示能够根据加速度传感器21的y轴方向的输出AccY检测出周期性的成功例。

另一方面，图13(B)表示当在加速度传感器21的y轴方向的输出AccY中叠加了噪声的状态下，根据该噪声判定具有周期性的检测失败例。

因此，在后述的踏频的计算中，坐踩判定1的手法是稳定的坐踩的检测方法，而将坐踩判定2及坐踩判定3的手法作为稍微不稳定的坐踩的检测方法来加以区分。

在上述图12的坐踩判定3的处理后，CPU 11返回到上述图6的处理中，并判定是否在上述坐踩判定3中判定了行动是坐踩(步骤S208)。

在此，在判定行动是坐踩的情况下(步骤S208：是)，重新判定行动是坐踩(步骤S206)，并且视为该判定的可靠性较低，不将在踏频判定中得到的踏频用于最大踏频的计算中。

并且，在上述步骤S208中，在判定行动不是坐踩的情况下(步骤S208：否)，CPU 11判定行动不是坐踩(步骤S209)，以上结束图6的子程序，并返回到图5的处理中。

在图5的上述步骤S115中，在进行了坐踩判定的处理后，CPU 11根据其结果判定是否判定行动是坐踩(步骤S116)。

在此，在判定行动是坐踩的情况下(步骤S116：是)，CPU 11重新将行动设为坐踩(步骤S117)。然后，CPU 11执行后述的踏频设定(2)的处理(步骤S118)，以上结束行动判定3的处理。

并且，在上述步骤S116中，在判定所检测出的数据没有周期性、行动不是坐踩的情况下(步骤S116：否)，CPU 11将行动设为惯性行进(步骤S119)，以上结束行动判定3的处理。

并且，在上述行动判定2的步骤S112中，在判定速度不可靠的情况下(步骤S112：否)，CPU 11执行步骤S120～S126的行动判定4。在该行动判定4中，CPU 11进行行动属于“坐踩”和“惯性行进”和“停止”哪一方的判定。在上述行动判定2中，判定根据来自GPS接收部15的输出而得到的移动速度的信息不可靠，并且认为根据航位推算而估计出的移动速度的信息也因误差等而不可靠，因而在行动判定4中先于停止的判定而进行坐踩判定。

在该行动判定4中，CPU 11首先先于停止的判定，而执行与上述步骤S115一样的坐踩判定的处理(步骤S120)。

在进行了该坐踩判定的处理后，CPU 11根据其结果判定是否判定了行动是坐踩(步骤S121)。

在此，在判定行动是坐踩的情况下(步骤S121：是)，CPU 11重新将行动设为坐踩(步骤S122)。然后，CPU 11执行后述的踏频设定(2)的处理(步骤S123)，以上结束行动判定4的处理。

并且，在上述步骤S121中，在判定行动不是坐踩的情况下(步骤S121：否)，CPU 11根据加速度传感器21的z轴方向的输出AccZ的微分的方差是否大于第6阈值Th6例如0.19，判定是否能够检测出路面的微小振动(步骤S124)。

在此，加速度传感器21的z轴方向的输出AccZ的微分的方差大于第6阈值Th6，在判定能够检测出路面的微小振动的情况下(步骤S124：是)，视为行动是惯性行进(步骤S125)，以上结束行动判定4的处理。

如上所述，由于在行动判定2中判定根据来自GPS接收部15的输出而得到的移动速度的信息不可靠，因而在行动判定4中不能使用移动速度的信息。因此，不能根据如步骤S113那样的速度进行停止的判定。因此，在步骤S124，不根据速度判定剩余的行动(惯性行进或者停止)，因而使用加速度传感器21的z轴方向的输出AccZ的微分的方差、即是否检测出由路面接受到的微小的振动。

并且，在上述步骤S124中，加速度传感器21的z轴方向的输出AccZ的微分的方差在第6阈值Th6以下，在判定检测不出路面的微小振动的情况下(步骤S124：否)，视为行动停止(步骤S126)，以上结束行动判定4的处理。

下面，说明上述图5的步骤S102、图7的步骤S211、图10的步骤S221、图12的步骤S231中的踏频估计的详细的处理内容。

踏频如上所述是表示随时变化的、骑行者CL踩踏自行车BC的曲轴踏板的转数的值，通常设为最近刚刚的每1分钟的转数，用单位[rpm]表示。

最大踏频是整个行程中的踏频的最大值，通常被用作自行车竞技能力指标中的一项。

累计转数是在整个行程中踩踏板的总转数，与步行中的步数相当。

在本实施方式中，在行动是立踩、坐踩及步行的情况下，视为具有周期性来计算踏频。

另一方面，在行动是惯性行进及停止的情况下，由于没有周期性，因而不进行踏频的计算。

图14是表示在各行动中共同的踏频估计的子程序的流程图。首先，CPU 11对样本部(sample lag)设定初始值“0”(步骤S301)。

然后，CPU 11将上述样本部的值“+1”进行更新设定(步骤S302)。CPU 11按照该更新设定的样本部计算自相关性系数(步骤S303)，将所计算出的自相关性系数保存在主存储器12内部的缓存器中(步骤S304)。

然后，CPU 11判定截止到此是否存在低于“0”的自相关性系数(步骤S305)。

在此，在判定存在低于“0”的自相关性系数的情况下(步骤S305：是)，然后，CPU 11判定其值是否是大于第17阈值Th17例如0.2以上的极大值(步骤S306)。

在上述步骤S305中，在判定不存在低于“0”的自相关性系数的情况下(步骤S305：否)、以及在上述步骤S306中判定自相关性系数的值小于第17阈值Th17的情况下(步骤S306：否)，CPU 11设为不采用该自相关性系数，进一步判定是否还有样品(步骤S307)。

在判定还有的情况下(步骤S307：是)，再次返回到自上述步骤S302起的处理中，反复进行相同的动作。

这样依次更新设定样本部，从“0”开始顺序地进行扫描，搜索自相关性系数达到极大的样本部。

在上述步骤S306中，在判定所计算出的自相关性系数是第17阈值Th17以上的极大值的情况下(步骤S306：是)，CPU 11用将该极大的样本部除以传感器的采样频率(样品f)得到的商，再除以常数60[秒]，由此取得踏频值[rpm](步骤S309)。

并且，在上述步骤S307，在判定已经没有样品的情况下(步骤S307：否)，视为不能计算踏频，对踏频值设定一定值0(零)[rpm](步骤S308)。

在通过上述步骤S309或者上述步骤S308得到踏频值后，CPU 11根据对象的信号是否是加速度传感器21的z轴方向的输出AccZ，判定行动是否是步行(步骤S310)。

在此，仅在对象的信号是加速度传感器21的z轴方向的输出AccZ、并判定行动是步行的情况下(步骤S310：是)，CPU 11通过与曲轴踏板的转数的整合，将所计算出的踏频值[rpm]更新设定为1/2(步骤S311)，以上结束该踏频估计的处理。

并且，在上述步骤S310，在对象的信号不是加速度传感器21的z轴方向的输出AccZ、并判定行动不是步行的情况下(步骤S310：否)，CPU 11不进行上述步骤S311的处理，以上结束该踏频估计的处理。

在上述步骤S306，使用第17阈值Th17对样本部的自相关性系数进行了极大值的采用判定。这是为了按照图15所示排除高频的极大值的影响。

图15(A)是示例成为对象的输入信号的波形的图。根据该输入信号计算自相关性系数的结果在图15(B)中示出。如图15(B)中的XV部分所示，存在因噪声而出现高频的极大值的情况，在上述步骤S305进行不应采用这种状况的判定。

下面，对各行动状态下的踏频的计算方法进行说明。

将累计转数和最大踏频用于划分要利用的踏频值。其原因在于，即使是累计转数在各时刻的估计中多少存在误差的情况下，也不会对总体的最终累计值带来较大的误差，而另一方面，当最大踏频在某一时刻输出较大的踏频值的情况下，由于以后不能修正，因而需要利用稳定的踏频。

首先，对行动是步行和立踩时的踏频的计算方法进行说明。

图16是表示上述图5中的步骤S111的第1踏频值的设定(踏频设定(1))的子程序的详细的处理内容的流程图。

CPU 11首先将加速度传感器21的z轴方向的输出AccZ的周期计数为踏频值，并作为累计更新用踏频(步骤S401)。

然后，CPU 11使用在基于陀螺仪传感器22的y轴方向的输出GyrY的踏频值和基于其z轴方向的输出GyrZ的踏频值中、自相关性系数较大的一方的踏频值GyrYZ，并根据与上述加速度传感器21的z轴方向的输出AccZ的踏频值之差的绝对值是否小于第18阈值Th18例如10，来判定加速度传感器21的z轴方向的输出AccZ的踏频值是否具有可靠性(步骤S402)。

在此，踏频值GyrYZ与输出AccZ的踏频值之差的绝对值小于第18阈值Th18，在判定加速度传感器21的z轴方向的输出AccZ的踏频值具有可靠性的情况下(步骤S402：是)，CPU11直接采用加速度传感器21的z轴方向的输出AccZ的踏频值作为最大更新用踏频(步骤S403)，以上结束该第1踏频值的设定的处理。

并且，在上述步骤S402，踏频值GyrYZ与输出AccZ的踏频值之差的绝对值在第18阈值Th18以上，在判定加速度传感器21的z轴方向的输出AccZ的踏频值不具有可靠性的情况下(步骤S402：否)，CPU 11采用无效值作为最大更新用踏频(步骤S404)，以上结束该第1踏频值的设定的处理。

将上述踏频值GyrYZ与输出AccZ的踏频值之差的绝对值和第18阈值Th18进行比较，是为了排除在行动是步行和立踩时出现的、因噪声而形成的极端大的踏频的计数部分，在上述两个踏频之差的绝对值在阈值Th18以下、两者表示大致相同的踏频值的情况下，判定可靠性较高。

下面，对行动是坐踩时的踏频的计算方法进行说明。

图17是表示上述图5中的步骤S118、S123的第2踏频值的设定(踏频设定(2))的子程序的详细的处理内容的流程图。

在该处理开始时，CPU 11判定是否通过上述图6的坐踩判定1、坐踩判定2及坐踩判定3中某一方进行了坐踩判定(步骤S501)。

在此，在判定是坐踩判定1的情况下，视为上述输出GyrY、GyrZ的可靠性、稳定性较高，CPU 11将计数陀螺仪传感器22的y轴或者z轴方向的输出GyrYZ的周期得到的踏频值，直接设定为累计更新用踏频值(步骤S502)。

另外，CPU 11将上述踏频值GyrYZ设定为最大更新用踏频值(步骤S503)，以上结束该图17的处理。

并且，在上述步骤S501，在判定是坐踩判定2的情况下，鉴于进行了极值的修正的上述输出GyrY、GyrZ，CPU 11将上述踏频值GyrYZ设定为累计更新用踏频值(步骤S504)。

另外，CPU 11对最大更新用踏频值设定无效值(步骤S505)，以上结束该图17的处理。

这起因于如上述图11(B)-1、图11(B)-2所示在极值的校正中强调了噪声，存在生成高频的危险性。

并且，在上述步骤S501，在判定是坐踩判定3的情况下，由于根据加速度传感器21的y轴方向的输出AccY判定是坐踩，因而CPU 11将基于上述输出AccY的周期的计数值的踏频值设定为累计更新用踏频值(步骤S506)。

另外，CPU 11对最大更新用踏频值设定无效值(步骤S507)，以上结束该图17的处理。

这起因于如上述图13(B)所示，上述输出AccY的信号容易包含较多噪声，存在生成高频的危险性。

这样，通过先进行稳定的周期性的判定，然后进行稍微不稳定的周期性的判定，能够明确地分开处理稳定性较高的踏频和稍微欠缺稳定性的踏频。

在上述图5中，在执行行动判定1～行动判定4的各处理后，CPU 11执行踏频的更新处理(步骤S127)。

图18是表示上述踏频的更新处理的子程序的详细的处理内容的流程图。

CPU 11首先在将该时刻的累计更新用踏频的值设定为对象踏频的状态下(步骤S601)，执行该踏频的稳定化处理(步骤S602)。

图19是表示上述踏频的稳定化处理的子程序的详细的处理内容的流程图。

CPU 11首先将对象的踏频存储于在主存储器12内设定的FIFO格式的缓存存储器中(步骤S621)。在此，缓存存储器的容量例如是相当于5个踏频值的量。

CPU 11判定该缓存存储器是否已全部填充(步骤S622)。在判定尚未填充的情况下(步骤S622：否)，CPU 11在缓存存储器中保存设定无效值作为稳定化踏频(步骤S629)，以上结束该图19的处理。另外，关于该无效值的设定，当在缓存存储器中保存有无效值的情况下，在以后的处理中也将该无效值作为数据进行计数。

并且，在上述步骤S622，在判定包括无效值在内已填充缓存存储器的情况下(步骤S622：是)，CPU 11选择在缓存存储器中保存的例如5个踏频值中的中央值，并设定给变量Median(步骤S623)。

然后，CPU 11取得与变量Median的值之差的绝对值在第19阈值Th19例如20以下的上述缓存存储器内的踏频值的个数，并设定给变量MedN(步骤S624)。

CPU 11根据对该MedN设定的踏频值的数值是否大于第20阈值Th20例如3，判定在缓存存储器保存的踏频值的稳定度是否较高(步骤S625)。

在对Med-N设定的踏频值的数值大于第20阈值Th20、并判定在缓存存储器保存的踏频值的稳定度较高的情况下(步骤S625：是)，CPU 11根据缓存存储器的保存内容计算与上述变量Median之差的绝对值在上述第19阈值Th19以下的踏频值的平均值，将所计算出的踏频值的平均值重新设定为稳定的踏频值(步骤S626)。

并且，在上述步骤S625，在对MedN设定的踏频值的数值在第20阈值Th20以下、并判定在缓存存储器保存的踏频值的稳定度不怎么高的情况下(步骤S625：否)，CPU 11从缓存存储器的保存内容中，读出与上述变量Median之差的绝对值在上述第19阈值Th19以下的踏频值中最后被保存的踏频值，将所读出的踏频值直接设定为稳定的踏频值(步骤S627)。

在上述步骤S626或者步骤S627的处理后，CPU 11判定成为对象的踏频值是否是无效值(步骤S628)。

在此，仅在判定成为对象的踏频值、此处是指累计更新用踏频的值是无效值的情况下(步骤S628：是)，CPU 11将稳定化踏频的值设定为无效值(步骤S629)，以上结束该图19的处理，并且返回到上述图18的处理。

并且，在上述步骤S628，在判定成为对象的踏频值此处是指累计更新用踏频的值不是无效值的情况下，不进行上述步骤S629的处理。

这样，即使在成为对象的踏频值是无效值的情况下，在最后的处理中，在成为对象的踏频值是无效值的情况下，也同样对稳定的踏频值设定无效值，以便避免当在缓存存储器内还保存有其它有效的踏频值的情况下，将该有效的踏频值设定为稳定的踏频值。

在图18中，将在上述步骤S602的处理中设定的稳定化踏频值设定为累计更新用踏频(步骤S603)。

然后，CPU 11把对将稳定的累计更新用踏频值除以60并乘以分析周期而得到的值与前一次的累计转数相加而得的值，设定为累计转数(步骤S604)。

然后，将累计更新用踏频的值直接设定为当前时刻的踏频值(步骤S605)。

以上结束有关累计更新用踏频的更新处理，然后在将最大更新用踏频的值设定为对象踏频的状态下(步骤S606)，执行该踏频的稳定化处理(步骤S607)。

该踏频的稳定化处理(步骤S607)与在上述步骤S602执行的图19的内容相同，因而省略其详细说明。

在此，通过把最大更新用踏频作为对象，第19阈值Th19使用例如20，第20阈值Th20使用例如4。

CPU 11将在上述步骤S607的处理中设定的稳定踏频值设定为最大更新用踏频(步骤S608)。

然后，CPU 11判定在刚刚前面的步骤S608所设定的最大更新用踏频是否大于此前的最大踏频(步骤S609)。

在此，仅在判定为最大更新用踏频是此前的最大踏频的情况下(步骤S609：是)，CPU 11使用最大更新用踏频的值更新设定最大踏频(步骤S610)，以上结束该图18的处理，并且也结束上述图5的处理，返回到上述图3的主程序。

并且，在上述步骤S609中，在判定最大更新用踏频为此前的最大踏频以下的情况下(步骤S609：否)，视为不需要最大踏频的更新，不进行上述步骤S610的处理。

返回到图3的主程序，CPU 11然后进行坡度的估计(步骤M106)。在此，CPU 11根据单位距离例如在最近刚刚过去的每30[m]而变动的高度信息的变动量，计算在当前时刻的坡度，如果该计算结果是正，则定义为上坡，如果是负，则定义为下坡。

关于在参照坡度时使用的高度信息的变化量，在能够判定在GPS接收部15取得的GPS测位信息具有高的可靠度的情况下，使用GPS测位信息，而在判定GPS测位信息不具有高的可靠度的情况下，使用气压传感器24的检测输出。

在上述坡度估计的处理后，CPU 11进行截止到此前的移动的轨迹估计(步骤M107)。

图20是表示上述步骤M107的轨迹估计的子程序的详细的处理内容的流程图。

首先，CPU 11按照“高”“中”“低”这三档，判定在该时刻从GPS接收部15得到的GPS测位信息的可靠度(步骤S701)。

GPS测位信息的可靠度根据例如在测位处理的过程中得到的、表示GPS的精度降低率的DOP(Dilution Of Precision)值进行判定。例如，CPU 11在DOP值较小的情况下判定GPS测位信息的可靠度高，在DOP值为中等程度的情况下判定GPS测位信息的可靠度为中等程度，在DOP值较大的情况下判定GPS测位信息的可靠度低。

在上述步骤S701，在判定GPS测位信息的可靠度较高的情况下，CPU 11直接使用GPS的测位信息设定当前位置的经度及纬度(步骤S702)。

另外，CPU 11更新设定在后述的航位推算处理中使用的、在该时刻使用的自行车BC的齿轮值(行动是坐踩或者立踩时)或者步幅(行动是步行时)(步骤S703)。该齿轮值/步幅更新仅在GPS测位信息的可靠度高的情况下执行。

齿轮值是指在自行车BC的曲轴踏板旋转一圈的期间行进的距离，通过骑行者CL进行换挡而随时变化。

步幅是指应与上述齿轮值对应的、在步行时每两步行进的距离，该步幅也根据骑行者CL的疲劳程度和状况等而随时变化。

图21是表示该齿轮值/步幅更新的子程序的详细的处理内容的流程图。

首先，CPU 11根据行动估计是否是坐踩或者立踩，判定要更新的对象是否是齿轮值(步骤S711)。

在此，在行动估计是坐踩或者立踩、并判定要更新的对象是齿轮值的情况下(步骤S711：是)，CPU 11进行成为扰乱向行进方向行进的距离和踏频的比例关系的要因的多个判定，由此判定是否进行齿轮值的更新。

具体地，作为第一点，判定踏频是否不稳定(步骤S712)。这是为了去除在换挡途中或者刚刚换挡后发生曲轴踏板的踩空(踏板的旋转未传递至齿轮的状态)的情况。

CPU 11作为判定基准，例如将前次与此次的踏频之差为2[rpm]以上的情况判定为不稳定(步骤S712：是)，不进行齿轮值的更新。即，在判定踏频不稳定的情况下，CPU 11不更新齿轮值，而结束图21的处理。另一方面，在判定踏频并非不稳定、即稳定的情况下(步骤S712：否)，处理进入步骤S713。

作为第二点，根据在刚刚前面的上述步骤M106得到的坡度估计的结果，判定是否是一定角度以上的下坡(步骤S713)。这包括去除上述踩空的目的。CPU 11作为判定基准，判定是下坡而且坡度(数值)低于例如-3[％]的情况(步骤S713：是)，不进行齿轮值的更新。即，在判定是下坡的情况下，CPU 11不更新齿轮值，而结束图21的处理。另一方面，在判定不是下坡的情况下(步骤S713：否)，处理进入步骤S714。

作为第三点，判定路面状况是否粗糙(步骤S714)。其目的在于，当在刚刚前面的惯性行进时判定的路面状况中成为如未铺设路面等那样的粗糙路面的情况下，去除因轮胎浮起而形成的断续的踩空齿轮、未被计算为向行进方向行进的距离的左右或向上的细小的蛇行。因此，作为判定基准，当在刚刚前面的更新行进时判定路面粗糙的情况下(步骤S714：是)，不进行齿轮值的更新。即，在判定路面状况较粗糙的情况下，CPU 11不更新齿轮值，而结束图21的处理。关于路面状况判定的详细情况在后面进行说明。

在上述步骤S714，在判定路面不粗糙而较平滑的情况下(步骤S714：否)，视为满足上述三点的判定基准，CPU 11根据踏频和距离，并根据下面的算式更新齿轮值(步骤S715)。并且，CPU 11结束图21的处理，并且也结束上述图20的处理。

齿轮值[m/rev]＝距离[m]/(踏频[rpm]/60)

这样，在行动估计结果是坐踩或者立踩的情况下(步骤S711：是)，CPU 11根据踏频的稳定性(步骤S712)、刚刚前面的路径的坡度(步骤S713)及路面的粗糙度(步骤S714)的相关判定，决定有无齿轮值的更新。即，仅在不符合上述三个步骤中的判定基准的情况下，根据上述算式更新齿轮值。

并且，在上述步骤S711，在判定行动估计不是坐踩及立踩任意一方的情况下(步骤S711：否)，然后CPU 11判定行动估计是否是步行(步骤S716)。

在此，在判定行动估计是步行的情况下(步骤S716：是)，CPU 11设为要更新的对象不是齿轮值而是步幅，根据踏频和距离，并根据下面的算式更新步幅(步骤S717)。并且，CPU11结束图21的处理，并且也结束上述图20的处理。

步幅[m/2步]＝距离[m]/(踏频[2步/分]/60)

与上述算式相关联，根据动作的周期的观点，自行车的曲轴踏板旋转一圈相当于步行的2步，因而将踏频的单位由[rpm](revolutions per minute)置换为[2步/分]。

并且，在上述步骤S716，在判定行动估计也不是步行的情况下(步骤S716：否)，然后CPU 11判定行动估计是否是惯性行进(步骤S718)。

在此，在判定行动估计是惯性行进的情况下(步骤S718：是)，CPU 11决定在上述的齿轮值的更新判定中使用的路面状况，因而根据从加速度传感器21的输出中去除了重力加速度成分的加速度3轴范数的方差，判定路面状况是否粗糙(步骤S719)。

这是因为在不踩踏板的惯性行进时的加速度的信息中出现了与路面状况对应的振动。

图22示例了在平滑铺设的路面上的惯性行进时的加速度(图22(A))和在粗糙的路面上的惯性行进时的加速度(图22(B))。如图所示，在平滑铺设的路面上惯性行进时的加速度3轴范数的时间变动较小，而在粗糙的路面上惯性行进时的加速度3轴范数的时间变动由于从路面接受的振动的影响而比较大。关于将何种程度的加速度范数的方差判定为粗糙，取决于上述的齿轮值更新的精度和应答性的均衡程度，例如，如果在0.7以上，则判定为粗糙。

因此，CPU 11在判定是粗糙的路面的情况下(步骤S719：是)，对表示路面状况的主存储器12内的相应标志寄存器设定表示粗糙的标志(步骤S720)。并且，CPU 11结束图21的处理，并且也结束上述图20的处理。

并且，在上述步骤S719，在判定不是粗糙的路面的情况下(步骤S719：否)，对表示路面状况的主存储器12内的相应标志寄存器设定表示平滑的标志(步骤S721)。并且，CPU11结束图21的处理，并且也结束上述图20的处理。

这样，在判定行动估计是惯性行进的情况下(步骤S718：是)，CPU 11对齿轮值及步幅哪一方都不更新，但进行表示路面状况的粗糙/平滑的标志的设定。

并且，在上述步骤S718，在判定行动估计也不是惯性行进的情况下(步骤S718：否)，CPU 11对齿轮值及步幅哪一方都不更新，结束该图21的处理，并且也结束上述图20的处理。属于这种状况的有行动估计结果是停止的情况。

并且，在上述图20的步骤S701，在判定GPS的测位信息的可靠度是中等的情况下，CPU 11首先执行航位推算处理(步骤S704)。

图23是表示步骤S704的航位推算的子程序的详细的处理内容的流程图。

CPU 11首先判定该时刻的行动估计是否是步行(步骤S731)。在判定行动估计是步行的情况下(步骤S731：是)，CPU 11根据在该时刻设定的步幅和踏频，并根据下面的算式计算步行时的速度(步骤S732)。

速度[m/秒]＝步幅[m/2步]×(踏频[2步/分]/60)

并且，在上述步骤S731，在判定行动估计不是步行的情况下(步骤S731：否)，CPU11根据在该时刻设定的齿轮值和踏频，并根据下面的算式计算自行车行进时的速度(步骤S733)。

速度[m/秒]＝齿轮值[m/rev]×(踏频[rev/分]/60)

另外，在惯性行进时虽然踏频为0，但视为维持刚刚前面不是0时的踏频，并使用上述算式进行自行车行进时的速度计算。

这样，在计算出当前的速度后，CPU 11执行地磁的可靠度估计的处理(步骤S734)。

该地磁的可靠度估计起因于在可靠度高的情况下，能够直接检测行进方向的方位角，因而即使是长时间的航位推算时，也能够极力排除因陀螺仪传感器22的输出而引起的角速度的误差的累计影响，以进行正确的行进方向的估计。

但是，也存在地磁因外部干扰的影响而不能检测正确的方位的情况。特别是在自行车行进时在机动车道上行进的情况下，作为磁性体的汽车就在自行车旁边通过，因而容易受到外部干扰的影响，地磁的可靠度估计很重要。

图24是表示该地磁的可靠度估计的子程序的详细的处理内容的流程图。

CPU 11首先根据地磁传感器23的输出，计算与刚刚前面的检测时的相对角(1)(步骤S741)。

然后，CPU 11根据陀螺仪传感器22的输出，计算与刚刚前面的检测时的相对角(2)(步骤S742)。

并且，CPU 11计算地磁传感器23的3轴范数的刚刚前面的规定时间量例如1分钟期间的平均(3)(步骤S743)。

CPU 11根据由上述地磁传感器23得到的相对角(1)和由陀螺仪传感器22得到的相对角(2)的平均值的绝对误差是否小于第1阈值Th1例如5[°](条件式1)、而且地磁传感器23的3轴范数相对于由地磁传感器23的3轴范数得到的平均(3)的方差是否小于第2阈值Th2例如10(地磁的单位是[μT]时)(条件式2)，判定是否地磁的外部干扰较小且可靠度较高(步骤S744)。

在此，在上述两个条件都成立、并判定地磁的外部干扰小且可靠度高的情况下(步骤S744：是)，CPU 11设定为地磁可靠度高(步骤S745)，以上结束该图24的处理，返回到上述图23的处理。

并且，在上述步骤S744，在上述两个条件至少一方不成立、并判定地磁的外部干扰大且可靠度低的情况下(步骤S744：否)，CPU 11设定为地磁可靠度低(步骤S746)，以上结束该图24的处理，返回到上述图23的处理。

图25是说明针对地磁的外部干扰的影响的图。图25(A)表示外部干扰的影响小的情况。在这种情况下，如图25(A)-1所示，可知上述条件式1的角速度的相对角和地磁的相对角大致相同，它们的平均绝对误差成为非常小的值。并且，如图25(A)-2所示，可以发现上述条件式2中的左边、相对于地磁的3轴范数的平均值的方差也小。

另一方面，图25(B)表示针对地磁的外部干扰的影响较大的情况。在这种情况下，如图25(B)-1所示，可知上述条件式1的角速度的相对角和地磁的相对角的偏差明显增大。并且，如图25(B)-2所示，可以发现上述条件式2中的左边、相对于地磁的3轴范数的平均值的方差虽然相比上述图25(A)-1的情况增大，但是未发现多么明显的不同。

如该例所示，仅仅根据条件式2有时不能判别有无外部干扰的影响，相反也存在条件式1的左边较小、而条件式2的左边增大的情况。因此，通过仅将两个条件式都满足的情况视为地磁的可靠度较高，能够更正确地判定地磁的可靠度。

在这样进行了对地磁的可靠度估计后，在图23的处理中，CPU 11判定是否设定为地磁的可靠度高(步骤S735)。

在此，在判定是设定为地磁的可靠度高的情况下(步骤S735：是)，CPU 11根据在步骤S732或者步骤S733计算出的速度和在地磁传感器23得到的地磁的检测内容，估计当前地点的经度和纬度(步骤S736)。

并且，在上述步骤S735，在判定地磁的可靠度不高、并设定为低的情况下(步骤S735：否)，CPU 11根据在步骤S732或者步骤S733计算出的速度、和由陀螺仪传感器22得到的水平面方向的角速度的检测内容，估计当前地点的经度和纬度(步骤S737)。即，在地磁的可靠度较低的情况下，替代由地磁传感器23得到的地磁的检测内容，而根据由陀螺仪传感器22得到的角速度的检测内容，估计当前地点的经度和纬度。

在这样结束了图23的航位推算的处理后，返回到上述图20。在图20中，在GPS的可靠度是中等程度的情况下，CPU 11根据能够按照GPS测位信息的可靠度而适当设定的变量r(0<r<1)，并根据下式执行将GPS测位信息和航位推算测位信息组合的加权处理(步骤S705)，以上结束该图20的轨迹估计的处理。

经纬度＝r×GPS+(1-r)×DR

(其中，GPS：基于GPS测位的经度和纬度，

DR：基于航位推算测位的经度和纬度。)

并且，在上述步骤S701，在判定GPS测位信息的可靠度低的情况下，CPU 11执行航位推算处理(步骤S706)。

该航位推算的处理与在上述步骤S704执行的处理相同，参见在上述图23中说明的详细的处理内容。

在航位推算的处理结束后，CPU 11仅根据在航位推算中得到的测位信息执行经度和纬度的更新处理(步骤S707)，以上结束该图20的轨迹估计的处理。

根据以上所述，在本实施方式中，提供用于估计自行车骑行的一系列的活动的轨迹的轨迹估计装置。轨迹估计装置例如具有：可靠度判定部，判定由卫星测位信息接收部得到的卫星测位信息的可靠度；更新定时判定部，根据卫星测位信息的可靠度和由骑行记录装置得到的一系列的活动中的行动的估计信息，判定更新在自主导航中使用的用于估计移动速度的参数的定时；以及轨迹估计部，在判定所述可靠度低时，通过自主导航来估计所述轨迹。可佩戴设备10具有作为轨迹估计装置的功能，可佩戴设备10的CPU 11具有作为上述可靠度判定部、更新定时判定部及轨迹估计部的功能。

在本实施方式中，通过在移动速度的计算中导入踏频和齿轮值(步行时是步幅)这些参数，只要齿轮不变，能够获得踏频就能够稳定地进行速度计算。

并且，在本实施方式中，提供用于估计自行车骑行的一系列的活动的轨迹的轨迹估计装置。轨迹估计装置具有：可靠度判定部，判定由卫星测位信息接收部得到的卫星测位信息的可靠度；地磁可靠度判定部，使用根据角速度和地磁分别计算出的计算值，判定将角速度和地磁哪一方用于方向指定；以及轨迹估计部，在判定可靠度低时，通过自主导航来估计所述轨迹。可佩戴设备10具有作为轨迹估计装置的功能，可佩戴设备10的CPU 11具有作为上述可靠度判定部、地磁可靠度判定部及轨迹估计部的功能。

例如，关于行进方向，虽然本来想要主动地采用误差不累计的地磁，但是由于在自行车骑行中接近汽车时产生的外部干扰而频繁地发生干扰，因而通过进行地磁的可靠度估计，有选择地使用地磁或陀螺仪。

根据本实施方式，即使是GPS的观测环境较差时，也能够高精度地计算自行车骑行等的移动轨迹。

在图3的主程序中，在步骤S107的轨迹估计的处理后，CPU 11执行速度估计的处理(步骤M108)。关于速度，在GPS测位信息的可靠度高的情况下，CPU 11根据在GPS测位中得到的多普勒频移值，以0.1[m/秒]以下的精度取得移动速度的信息。

并且，在GPS测位信息的可靠度较低的情况下，CPU 11根据通过上述轨迹估计而得到的轨迹的距离和时间计算速度。

然后，CPU 11执行卡路里估计的处理(步骤M109)。

在本实施方式中，作为卡路里估计，依据由日本国立/营养研究所公开的“改訂版「身体活動のメッツ(METs)表」”，考虑由可佩戴设备10分析的信息来估计消耗卡路里。METs(METabolic equivalents)是运动强度的单位，设平静时为1，利用消耗了此时几倍的能量表示活动的强度。

图26是表示卡路里估计的子程序的详细的处理内容的流程图。CPU 11首先判定行动估计是否是坐踩或者立踩(步骤S801)。

在判定行动估计是坐踩或者立踩的情况下(步骤S801：是)，CPU 11根据速度和坡度计算METs(步骤S802)。

图27(A)是说明座踩/立踩时的MSTs的图。图27(A)-1表示速度MSTs，图27(A)-2表示坡度MSTs。求出将这些速度MSTs和坡度MSTs相加之和。

如图27(A)-1所示，在速度MSTs中，

在小于速度7.23[km/时]时，成为一定值1.8METs，

在速度7.23[km/时]以上、且小于速度36.76[km/时]时，

METs＝0.47×速度[km/时]-1.63……(1)

在速度36.76[km/时]以上时，成为一定值15.8METs。

并且，如图27(A)-2所示，在坡度MSTs中，在坡度0[％]以上时，将METs＝0.55×坡度0[％]……(2)

与速度METs相加。

另外，CPU 11判定行动估计是否是立踩(步骤S803)。仅在判定行动估计是立踩的情况下(步骤S803：是)，CPU 11将上述计算出的METs与一定值1.5METs相加并进行更新(步骤S804)。

从METs表中抽取涉及到自行车的行进速度的项目(代码：01018、01019、01020、01030、01040、01050)，按照各自的中间速度决定METs值(参照图27(A)-1的标绘点位置)，并通过线性回归将上述式1模型化。

关于小于速度7.23[km/时]时，将后述的惯性行进时的METs设定为1.8METs，因而是作为下限值而设定的一定值。

并且，在速度36.76[km/时]以上时，与自行车的速度相关的METs表的上限是15.8METs，因而是设定了上限的结果，使不会超过该值。

另外，式(2)的坡度METs是根据METs表的代码：01003和代码：01009，计算自行车行进时的上坡部分的METs为5.5METs，假设此时的坡度为10[10％]，通过线性回归将基于坡度的METs增加部分模型化的结果。

并且，在上述步骤S804中说明的立踩时的增加部分是计算METs表的代码：01066和上述式(1)中的19.3[km/时]时的METs值，并作为立踩时的增加部分计算出来的结果。

并且，在上述步骤S801中，在判定行动估计不是坐踩或者立踩的情况下(步骤S801：否)，然后CPU 11判定行动估计是否是步行(步骤S805)。

在判定行动估计是步行的情况下(步骤S805：是)，CPU 11根据速度METs和坡度METs计算METs(步骤S806)。

图27(B)是说明步行时的METs的图。图27(B)-1表示速度METs，图27(B)-2表示坡度METs。求出将这些速度MSTs和坡度MSTs相加之和。

如图27(B)-1所示，在速度MSTs中，

在小于速度3.2[km/时]时，

METs＝0.47×速度[km/时]+1.3……(3)

在速度3.2[km/时]以上、且小于速度8.0[km/时]时，

METs＝0.24×速度²-1.5×速度+5.2……(4)

在速度8.0[km/时]以上时，成为一定值8.4METs。

并且，如图27(B)-2所示，在坡度MSTs中，在坡度0[％]以上时，将METs＝0.42×坡度0[％]……(5)

与速度METs相加。

另外，CPU 11在步行时整体上加上一定值0.8METs进行更新。

将后述的停止时的METs设定为1.3，将速度0[km/时]的METs设为1.3，根据用METs表定义的步行速度的下限3.2[km/时]和此时的METs值2.8，通过线性回归将上述式(3)模型化。

从METs表中抽取涉及到步行速度的项目(代码：17152、17170、17190、17200、17220、17230、17231)，(参照图27(B)-1的标绘点位置)，并通过非线性回归将上述式4模型化。

关于速度8.0[km/时]以上，将其设为在作为步行速度而定义的上限即8.0[km/时]中止，根据上述式(4)计算此时的METs。

并且，在坡度METs的式(5)中，关于步行时的速度和坡度，抽取在METs表中涉及到的项目(代码：17210、17211、17235)，由上述式4减去速度部分的METs，通过线性回归将基于步行时的坡度的增加部分模型化。

另外，在步行时整体上加上一定值0.8METs，这是鉴于在本实施方式中主要作为对象的步行是推着自行车步行的可能性大，抽取与推着自行车步行比较接近的状况和此时的速度所涉及的METs表的项目(代码：17100)，由上述式(4)减去速度量的METs，并进行计算作为在步行时基于推着自行车步行的增加量。

并且，在上述步骤S805，在判定行动估计也不是步行的情况下(步骤S805：否)，然后CPU 11判定行动估计是否是惯性行进(步骤S807)。

在判定行动估计是惯性行进的情况下(步骤S807：是)，CPU 11将METs值设为一定值1.8(步骤S808)。

即，虽然惯性行进接近静止状态，但是假设针对随着自行车的行进而产生的空气阻力和来自路面的振动，主要是靠上半身取得平衡，相应地产生了卡路里消耗，从METs表中抽取状况比较相似的项目(代码：15408)的结果是一定值1.8METs。

并且，在上述步骤S807，在判定行动估计也不是惯性行进的情况下(步骤S807：否)，行动估计自动地设为静止，因而CPU 11将METs值设为一定值1.3METs(步骤S809)。

这是从METs表中抽取相应的项目(代码：07021)的结果。

以上关于行动估计是坐踩或者立踩的情况、是步行的情况、是惯性行进的情况、以及是静止的情况，分别计算METs值，然后CPU 11根据下式计算消耗卡路里(步骤S810)，以上结束上述图26的卡路里估计。

卡路里＝METs值×1.05×单位时间[秒]×体重[kg]

在图3的主程序中，CPU 11然后执行前倾角估计的处理(步骤M110)。前倾角表示由骑行者CL佩戴于腰部的可佩戴设备10相对于作为重力轴的铅直方向在行进方向上倾斜了何种程度。

这特别是在自行车BC是公路赛车类型的情况下，握持赛车车把的手的位置(弯把位置、托架位置、立柱位置等)根据踩动自行车BC的区间的地形和比赛状况而随时变化，因而在表现自行车上的活动中很重要。特别是公路摩托车中，上述各个位置反映出了骑行者CL努力踩动的区间和轻松踩动的区间等，因而在掌握自行车上的一系列的活动中很重要。

图28是示例与骑行者CL的托架位置及弯把位置和骑行者CL的可佩戴设备10的安装位置的高度(低/中/高)对应的、可佩戴设备10的前倾角的估计内容的图。

CPU 11通过作为无线脉冲应答滤波器的卡尔曼滤波处理，根据加速度传感器21的输出计算重力方向的围绕x轴的角度，由此估计上述前倾角。如图28所示，估计出安装位置较低时的前倾角例如在托架位置是0[°]、在弯把位置是5[°]。并且，估计出安装位置大致中间时的前倾角例如在托架位置是15[°]、在弯把位置是25[°]。并且，估计出安装位置较高时的前倾角例如在托架位置是35[°]、在弯把位置是55[°]。

在结束前倾角估计时，CPU 11将以上测定并估计出的分析结果进行归纳，并记录保存在存储卡17中，并且在设定有与该可佩戴设备10成对的外部设备30的情况下，通过通信接口14将上述分析结果发送给该外部设备30(步骤M111)。

CPU 11通过以上步骤结束在活动时以一定周期例如每1[秒]进行的一系列的测定处理，以备在后面的测定中使用，返回到自上述步骤M101起的处理。

这样，通过反复执行上述步骤M101～M111的处理，CPU 11执行使用了活动中的各种传感器的测定动作，并依次存储其分析结果。

然后，CPU 11接受用于指示操作部16的测定的开始/结束的按键的操作，当在上述步骤M101中判定不继续测定时(步骤M101：否)，然后CPU 11执行针对在截止到此的活动中蓄积的数据的聚类处理(步骤M112)。

聚类处理既可以由可佩戴设备10的CPU 11执行，也可以由从可佩戴设备10接收到分析结果的外部设备30的CPU 31执行。即，执行聚类处理的活动记录数据处理装置既可以是可佩戴设备10，也可以是智能电话和PC等外部设备30。

在聚类处理中，适当地表现任意的分析项目并提示给用户。在以速度为例的情况下，根据用户的身体能力和活动的目的，速度可取的值的平均和范围大不相同。在如直方图那样以颜色来区分表示速度的情况下，在以统一的绝对值进行颜色区分时，有时也有可能得不到期望的结果，如根据用户的感觉打算设定慢速时，却基本上用一种颜色显示等。因此，通过进行聚类处理，能够适当地表现在同一活动中的速度等后述的对象项目的相对变化。

作为聚类的另一个目的，有时对凭靠项目的绝对值难以判定或者不能辨明意思的分析结果赋予适当的意思。在此，例如对前倾角和齿轮值进行说明。

前倾角如上面参照图28所述，根据骑行者CL佩戴可佩戴设备10的位置的变化、骑行者CL的姿势(位置)的变化，检测结果容易不同。在用卡子将可佩戴设备10佩戴于骑行者CL的衣服上的情况下，可佩戴设备10的佩戴位置也容易根据骑行者CL当日穿的衣服而变化。因此，仅凭靠在可佩戴设备10得到的前倾角的绝对值，难以判定表示骑行者CL的姿势的前倾的程度。因此，通过执行前述的聚类处理，能够适当表现表示在同一活动中的姿势的前倾的程度。

齿轮值在本实施方式中表示在曲轴踏板每旋转一圈时行进的距离。根据通常的用户的感觉，与表示齿轮的重量的指标相当。该齿轮值根据自行车BC的轮胎直径和齿轮比而变化，因而仅凭靠绝对值难以进行判定，但通过执行聚类处理，能够适当地分类表现在同一活动中的齿轮的重量。

在本实施方式中，作为聚类处理的前提，假设可佩戴设备10的用户预先选择任意的分析项目作为聚类处理的对象。并且，假设聚类数及值的幅度是不明确的，聚类之间的尺寸具有较大的偏差。

图29是表示CPU 11执行的聚类处理的子程序的详细的处理内容的流程图。CPU 11首先判定是否具有被设定成应进行聚类处理的对象项目(步骤S901)。

在判定有对象项目时(步骤S901：是)，CPU 11从存储卡17读出在该活动整体中的对象项目的数据，并且从程序存储器13读出并取得对应的参照表格(步骤S902)。

图30是示例在程序存储器13存储的参照表格的内容的图。在此，按照“骑行”和“徒步”这两项活动来定义行动分类。另外，按照适合于该活动的每个项目，定义作为对象的行动和作为最小分割幅度的基本单位。最小分割幅度能够根据骑行者或者徒步者的身体能力和活动的目的适当设定。

在骑行的情况下，如上所述具有坐踩、立踩、惯性行进、步行、停止这五种行动分类。并且，作为聚类处理的对象有速度、前倾角、齿轮值、踏频、高度、温度、坡度、横倾角这八个项目。速度、前倾角、齿轮值、踏频、高度、温度、坡度已经出现过。横倾角是指骑行者CL的身体相对于铅直方向的倾斜的角度，是由离心力与重力之比而取得的值，该离心力是由根据陀螺仪传感器22的z轴方向的输出GyrZ计算的(体动除外)角速度和速度计算出来的。对每个项目设定了作为对象的行动和最小分割幅度，例如作为项目是速度时的对象的行动是坐踩、立踩、惯性行进，最小分割幅度例如是2[km/h]。

可佩戴设备10除用于骑行以外，还能够用于徒步中的活动记录。在徒步的情况下，具有步行、跑步、车辆、停止这四种行动分类。即

·步行：以规定的移动速度以上的速度行进的状态

·跑步：以比步行快的规定的移动速度以上的速度行进的状态

·车辆：搭乘电车、汽车、缆车等车辆移动的状态

·停止：上述以外的行动。主要假设停止的状态。

这四种行动能够通过根据本实施方式对一系列的徒步活动记录进行类推的行动估计处理而得到行动估计结果。

并且，作为聚类处理的对象有速度、高度、温度、坡度这四个项目。按照每个项目设定了作为对象的行动和最小分割幅度，例如作为项目是速度时的对象的行动是步行、跑步，最小分割幅度例如是0.5[km/h]。

然后，CPU 11按照所取得的参照表格和该时刻的对象项目，根据行动估计结果仅抽取相应的时刻值量的数据(步骤S903)。

例如，在对象项目是前倾角的情况下，根据所取得的参照表格，作为对象的行动是坐踩、立踩、惯性行进。即，在行动估计结果是步行或者停止的时刻的前倾角的数据，根据基于自行车的活动的观点并不重要，而成为噪声要素，因而通过该抽取处理而被去除。即，行动估计结果被用于噪声去除的一种。

然后，CPU 11从所抽取的数据中，将极端偏离的值作为噪声成分去除(步骤S904)。

然后，CPU 11对剩余的数据计算平均和基于正规分布的标准偏差(步骤S905)。根据所计算出的平均和标准偏差，在规定σ内按照规定数量进行分割(步骤S906)。

其中，规定σ是根据想要关注到数据分布中的何种程度的分散而决定的，例如将相对于平均值的±3σ的范围作为对象。

并且，进行分割用的规定数量是预先根据定义为最大要分割成几部分、或者将分割幅度的分解能力设为何种程度而决定的。例如，在设定为分割成三部分的情况下，将规定σ内分割成三部分，还包括偏离规定σ的规定σ以上、规定σ以下在内，合计分割成五部分，确定最大聚类数。

CPU 11判定通过上述分割而确定的分割幅度是否小于在参照表格中定义的最小分割幅度(步骤S907)。

在此，仅在判定为通过上述分割而确定的分割幅度小于最小分割幅度的情况下(步骤S907：是)，CPU 11按照所定义的最小分割幅度进行再分割(步骤S908)。

基于该最小分割幅度的再分割是按照下述目的而进行的处理，例如在对象项目是前倾角、在同一活动中始终以相同姿势行进的情况下，角度几乎不变，因而认为优选作为一个聚类进行输出，为此要防止按照预先定义的最小分割幅度例如前倾角是2[°]进行过度分割。

在上述步骤S907中，在判定通过上述分割而确定的分割幅度为最小分割幅度以上的情况下(步骤S907：否)，CPU 11不执行上述步骤S908的再分割处理。

最后，CPU 11对分割而成的每个区域进行附加标签(步骤S909)。此时，根据目的，也可以对在上述步骤S903中未抽取的行动估计结果的区域和在步骤S904中被去除的偏离值，附加相当的标签。这是考虑到例如在对象项目是速度的情况下，虽然想要将步行时的速度从聚类处理的计算中去除，但是基于显示上的连续性的需要，还想在最终的每种分类的颜色区分中反映出来的情况等。即，最终能够对包括在聚类处理的计算中被去除的步行时的速度在内的同一活动中的所有速度连续地附加标签。

将这样关于一个对象项目的一直到附加标签的处理作为一系列的聚类处理，CPU11返回到上述步骤S901，对每个对象项目执行协调的处理。

并且，在对所有的对象项目执行了上述聚类处理后，在上述步骤S901，在判定没有对象项目时(步骤S901：否)，结束以上基于该图29的聚类处理。

在聚类处理结束后，将已处理的对象项目的数据提示给骑行者等用户。例如，在可佩戴设备10的CPU 11执行了聚类处理的情况下(参照图2A)，既可以通过总线B在可佩戴设备10的未图示的显示器显示已处理的对象项目的用颜色区分的数据，也可以从总线B通过通信接口14、天线19被显示在外部设备的显示器上。并且，例如在外部设备30的CPU 31执行了聚类处理的情况下(参照图2B)，还可以通过总线B1在外部设备30的显示器34显示已处理的对象项目的用颜色区分的数据。例如，在对象项目是速度的情况下，在所测定/分析的一系列的活动的轨迹上叠加显示用颜色区分的速度数据。

另外，还可以按照聚类处理的对象项目的每个行动(行动估计结果)改变步骤S905～S908的处理。例如，在对象项目是踏频的情况下，根据图30的参照表格，作为聚类处理的对象的行动是坐踩、立踩、步行，但是坐踩时和立踩时的踏频可能与步行时的踏频大不相同。因此，通过对与各行动对应的聚类数进行基于不同的最小分割幅度的处理，能够进行更合适的聚类处理。

根据以上所述，在本实施方式中提供具有运算部的活动记录数据处理装置，该运算部使用由活动数据分析装置得到的一系列的活动中的行动的估计信息，抽取所述一系列的活动中应作为对象的对象活动数据，并对所述对象活动数据进行聚类处理，该活动数据分析装置取得在所述一系列的活动中得到的多种活动数据并进行分析。可佩戴设备10的CPU 11或者外部设备30的CPU 31具有作为活动记录数据处理装置的运算部的功能。

在本实施方式的聚类处理中，在各项目中的聚类数是未知、聚类之间的尺寸也有较大差异的情况下，还能够使用平均/标准偏差等基本手法进行与项目对应的适当的聚类处理。

特别是这样的聚类处理不限于骑行和徒步、或者跑步、划动、冲浪等户外运动的活动记录，还用于适当地强调提示聚类数未知而且聚类之间的尺寸具有偏差的一系列的数据的相对变化，或对单纯凭靠绝对值显示难以理解其自身具有的意义的数据进行浅显易懂的提示。

并且，在本实施方式中，能够对一系列的活动记录中包含的多个项目(速度、前倾角、齿轮值等)分别单独进行聚类处理。由此，对于在可佩戴设备10能够取得的各种项目，能够对用户进行适当的提示。

在图3的主程序中，在聚类处理之后，CPU 11执行功率估计的处理(步骤M113)。

图31是表示功率估计的子程序的详细的处理内容的流程图。CPU 11对活动中的各时刻的数据分别执行以下的功率估计。

首先，CPU 11取得该时刻的气压和气温的数据(步骤S951)。

然后，CPU 11根据下式计算空气密度系数(步骤S952)。

空气密度系数＝气压[hPa]/(2.87×(气温[℃]+273.15))/1.293

另外，CPU 11根据前倾角的在上述步骤M112的聚类结果，取得位置系数(步骤S953)。另外，作为位置系数，例如使用以下系数。

弯把位置：位置系数＝1.0

托架位置：位置系数＝1.25

立柱位置：位置系数＝1.375

立踩：位置系数＝1.725

对于上述弯把位置、托架位置及立柱位置，根据将在上述聚类处理中行动估计是坐踩的情况分割成三个聚类的结果进行判别，而对于立踩，则根据行动估计的结果进行判别。

然后，CPU 11取得速度的数据(步骤S954)。

CPU 11根据上述取得的结果，根据下式计算空气阻力(步骤S955)。

空气阻力[kgf]＝0.00007638×身高[cm]^0.725×体重[kgf]^0.425

×速度[m/秒]²×空气密度系数×位置系数

另外，除由上述可佩戴设备10取得并分析的数据以外，作为可佩戴设备10的用户的骑行者CL的身高、体重、作为体重与上述自行车BC和未图示的行李的总和的重量等，都是事前在可佩戴设备10设定好的。

然后，CPU 11通过从在刚刚前面的惯性行进的区间时得到的加速度去除了重力加速度成分的加速度3轴范数的方差，计算该时刻的路面系数(步骤S956)。

如在上述图22中说明的那样，根据路面状态，惯性行进时的加速度出现差异。将平滑地铺设的路面设为1.0，将未铺设过的路面设为约5.0，将路面系数规范化成使根据加速度3轴范数的值在它们之间变动。

CPU 11使用所得到的路面系数，根据下式计算转动阻力系数(步骤S957)。

转动阻力系数＝轮胎系数×路面系数

其中，轮胎系数如果是通常的公路赛车用，例如约是0.004，如果通常的山地自行车用，例如约是0.008等，根据所使用的轮胎而规定在约0.003～0.010的范围内，但此处假设是已知的值。

然后，CPU 11取得该时刻的坡度的数据(步骤S958)。

CPU 11使用所取得的坡度的数据，根据下式计算转动阻力(步骤S959)。

转动阻力[kgf]＝重量[kgf]×cos(asin(坡度[％]×0.01))×转动阻力系数

另外，CPU 11根据下式计算上坡阻力(步骤S960)。

上坡阻力[kgf]＝重量[kgf]×坡度[％]×0.01

利用上述计算出的空气阻力、转动阻力及上坡阻力，CPU 11根据下式计算综合阻力(步骤S961)。

阻力[kgf]＝空气阻力[kgf]+转动阻力[kgf]+上坡阻力[kgf]

最后，CPU 11根据下式计算该时刻的功率(步骤S962)。

功率[W]＝阻力[kgf]×速度[m/秒]×9.81

通过在活动中所记录的各时刻反复执行上述一系列的功率估计的处理，能够计算在该整个活动中使用的功率的总输出值[kWh]。

在图3的主程序中，以上述步骤M113的功率估计的处理结束一系列的动作。

另外，上述图3的步骤M112以后的针对聚类处理及功率估计的各处理的动作，也可以不在可佩戴设备10的内部执行，而在接收并存储了来自可佩戴设备10的数据的外部设备30例如智能电话或个人电脑等中，根据预先安装的应用程序来执行。

根据以上详细说明的本实施方式，不需在自行车的各部分安装多种传感器，即可能够分析自行车骑行中的活动状况。

并且，在上述实施方式中，在可佩戴设备10设置GPS天线20及GPS接收部15，随时计算三维空间内的经度/纬度/高度的绝对值，并和与其可靠度相关的信息一起用于活动状态的判定和分析中，因而在能够利用来自测位卫星的到来电波的环境下，能够更正确且客观地判定活动状态。

另外，在本实施方式中，仅通过由骑行者CL佩戴于身体的可佩戴设备10，判定活动状态是坐踩、立踩、惯性行进、步行及停止中的哪一种，并与具体的信息一起进行记录，因而与普通的自行车计算机相比，使用操作进一步简化，能够记录详细的信息。

特别是对于自行车骑行中的立踩(standing)和从自行车下来后的步行，能够根据身体的上下运动的周期性等，更正确地判定其状态。

另外，对于自行车骑行中的坐踩(seating)，能够根据陀螺仪传感器输出的角速度、加速度传感器输出的加速度随时间而变化的程度，正确地判定状态。

另外，关于上述坐踩的判定，根据陀螺仪传感器输出的角速度和加速度传感器输出的加速度的可靠度，划分成多个阶段进行判定，根据其判定结果来设定可否应用于以后执行的踏频的计算等中，因而能够灵活运用可靠性较高的判定结果。

另外，在上述实施方式中，在自行车骑行中的坐踩、立踩及步行时，还一并计算出踏频的值，因而能够更详细地判定自行车骑行时的状态。

在计算上述踏频时，能够根据加速度传感器和陀螺仪传感器随时间的变化计算出正确的值。

另外，在上述实施方式中，一并判定活动中的速度和坡度，因而能够更详细地分析并记录各种活动时的状况。

另外，在本实施方式中，通过估计来计算基于活动状态的判定结果的消耗卡路里，将所计算出的消耗卡路里的估计值与活动判定的结果一起进行记录，因而能够识别在活动行程的各时刻的消耗卡路里以及在整个行程中的消耗卡路里，能够适当地判定营养补给的时机等。

同样，在本实施方式中，通过估计来计算基于活动状态的判定结果的输出功率，将所计算出的输出功率的估计值与活动判定的结果一起进行记录，因而能够识别在活动行程的各时刻的输出功率以及在整个行程中的输出功率，能够适当地判定活动行程中的步调分配等。

另外，上述实施方式说明了在自行车骑行的活动时判定活动状态的情况，但本发明不限定活动内容，在自行车骑行以外的活动例如徒步、越野跑、独木舟比赛、冲浪等户外活动、不问户外和户内的各种球类运动等中，通过对传感器的检测输出进行适当的阈值设定，都能够进行活动状态的判定。

另外，本发明不限于上述实施方式，在实施阶段中能够在不脱离发明主旨的范围内进行各种变形。并且，各实施方式可以适当组合实施，这种情况时能够得到组合的效果。此外，在上述实施方式中包含各种发明，根据从所公开的多个构成要素中选择的组合可以提出各种发明。例如，在从实施方式所示的所有构成要素中删除几个构成要素，也能够解决问题并获得效果的情况下，则删除了该构成要素后的结构也可以作为发明提出。

Claims (15)

1.一种活动状况分析装置，具有：

传感器数据取得单元，从骑行者的腰部佩戴的至少包括加速度传感器及陀螺仪传感器的多种传感器，取得多种传感器数据；以及

活动状况分析单元，根据通过所述传感器数据取得单元取得的至少包括加速度传感器及陀螺仪传感器的传感器数据的多种传感器数据，分析所述骑行者的自行车骑行中的活动状况。

2.根据权利要求1所述的活动状况分析装置，

所述传感器数据取得单元还取得利用了从卫星测位系统的测位卫星发送的到来电波的测位数据，

所述活动状况分析单元根据通过所述传感器数据取得单元取得的至少包括加速度传感器、陀螺仪传感器及测位数据的多种传感器数据，分析所述骑行者的自行车骑行中的活动状态。

3.根据权利要求1或2所述的活动状况分析装置，

所述活动状况分析单元将坐踩、立踩、惯性行进、步行及停止中任意一方判定为所述骑行者的自行车骑行中的活动状态。

4.根据权利要求3所述的活动状况分析装置，

所述活动状况分析单元使用所述加速度传感器在连续的规定时间中输出的相对于铅直方向的加速度的变化的方差及相关性系数、和相对于行进方向的加速度的变化的方差中的至少任意一方，判定所述骑行者的自行车骑行中的活动状态是立踩或者步行。

5.根据权利要求3所述的活动状况分析装置，

所述活动状况分析单元使用所述陀螺仪传感器在连续的规定时间中输出的相对于行进方向或者铅直方向的角速度的变化的方差、相关性系数及自协方差、和所述加速度传感器在连续的规定时间中输出的相对于行进方向的加速度的变化的方差及相关性系数中的至少任意一方，判定所述骑行者的自行车骑行中的活动状态是坐踩。

6.根据权利要求5所述的活动状况分析装置，

所述活动状况分析单元根据所述陀螺仪传感器的输出和所述加速度传感器的输出的可靠度分成几个阶段来判定所述骑行者的自行车骑行中的活动状态是坐踩。

7.根据权利要求3所述的活动状况分析装置，

所述活动状况分析单元在判定为所述骑行者的自行车骑行中的活动状态是坐踩、立踩及步行中的任意一方的情况下，计算所述骑行者的踏频数作为活动状态附带的信息。

8.根据权利要求7所述的活动状况分析装置，

所述活动状况分析单元使用所述加速度传感器在连续的规定时间中输出的相对于铅直方向的加速度的变化的周期、和所述陀螺仪传感器在连续的规定时间中输出的相对于行进方向或者铅直方向的角速度的变化的相关性系数中的至少任意一方，计算所述骑行者的踏频数。

9.根据权利要求1或2所述的活动状况分析装置，

所述活动状况分析单元还判定活动中的速度和坡度的信息作为所述骑行者的自行车骑行中的活动状态。

10.根据权利要求9所述的活动状况分析装置，

所述活动状况分析装置还具有卡路里估计单元，该卡路里估计单元使用所述活动状况分析单元的判定结果估计消耗卡路里。

11.根据权利要求9所述的活动状况分析装置，

所述活动状况分析装置还具有功率估计单元，该功率估计单元使用所述活动状况分析单元的判定结果估计所述骑行者的输出功率。

12.根据权利要求1或2所述的活动状况分析装置，

所述活动状况分析装置还具有记录单元，该记录单元记录通过所述传感器数据取得单元取得的所述多种传感器数据和所述活动状况分析单元的分析结果。

13.根据权利要求1或2所述的活动状况分析装置，

所述传感器数据取得单元具有包括加速度传感器及陀螺仪传感器的多种传感器，

该活动状况分析装置被佩戴于所述骑行者的腰部。

14.一种活动状况分析装置的活动状况分析方法，包括：

传感器数据取得步骤，从骑行者的腰部佩戴的至少包括加速度传感器及陀螺仪传感器的多种传感器，取得多种传感器数据；以及

活动状况分析步骤，根据通过所述传感器数据取得步骤而取得的至少包括加速度传感器及陀螺仪传感器的传感器数据的多种传感器数据，分析所述骑行者的自行车骑行中的活动状况。

15.一种记录了程序的计算机可读的记录介质，该程序使活动状况分析装置的计算机作为以下单元发挥作用：

传感器数据取得单元，从骑行者的腰部佩戴的至少包括加速度传感器及陀螺仪传感器的多种传感器，取得多种传感器数据；以及

活动状况分析单元，根据通过所述传感器数据取得单元取得的至少包括加速度传感器及陀螺仪传感器的传感器数据的多种传感器数据，分析所述骑行者的自行车骑行中的活动状况。