CN109862831B - 认知功能评价装置、认知功能评价方法以及程序记录介质 - Google Patents

认知功能评价装置、认知功能评价方法以及程序记录介质 Download PDF

Info

Publication number
CN109862831B
CN109862831B CN201780061427.4A CN201780061427A CN109862831B CN 109862831 B CN109862831 B CN 109862831B CN 201780061427 A CN201780061427 A CN 201780061427A CN 109862831 B CN109862831 B CN 109862831B
Authority
CN
China
Prior art keywords
body movement
cognitive function
data
measurement subject
periodicity
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201780061427.4A
Other languages
English (en)
Other versions
CN109862831A (zh
Inventor
冈田崇志
松村吉浩
西山高史
阿部贤吾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Panasonic Intellectual Property Management Co Ltd
Original Assignee
Panasonic Intellectual Property Management Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Panasonic Intellectual Property Management Co Ltd filed Critical Panasonic Intellectual Property Management Co Ltd
Publication of CN109862831A publication Critical patent/CN109862831A/zh
Application granted granted Critical
Publication of CN109862831B publication Critical patent/CN109862831B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/112—Gait analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6813—Specially adapted to be attached to a specific body part
    • A61B5/6823—Trunk, e.g., chest, back, abdomen, hip

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Neurology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Neurosurgery (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

认知功能评价装置(100)具备：存储部(102)，其存储有参照数据，该参照数据表示人步行时的身体移动的周期性与人的认知功能的程度之间的关系；获取部(101)，其从对被测定者(2)步行时的身体移动进行检测的身体移动传感器(105)获取表示检测出的身体移动的身体移动数据；运算部(103)，其根据获取到的身体移动数据来计算步行时的身体移动的周期性，将计算出的周期性与存储部(102)中存储的参照数据(110)进行对照，由此确定与计算出的周期性对应的认知功能的程度。

Description

认知功能评价装置、认知功能评价方法以及程序记录介质
技术领域
本发明涉及一种认知功能评价装置、认知功能评价方法以及程序记录介质。
背景技术
提出有一种基于根据人的步行测量出的参数来对膝盖疼痛等老年障碍的易发性进行评价的系统等。例如，存在如下一种系统：测量人的步幅等，并判断跌倒风险或步行能力，来辅助对人的跌倒进行预防。另外，关于跌倒以外的老年障碍，也存在一种根据步行来简便地对发生老年障碍的危险性进行评价的评价方法(例如，参照专利文献1)。
专利文献1中记载的评价方法是基于根据人的步行测量出的步行参数来对老年障碍的易发性进行评价的评价方法，是将步行比、步幅、步间隔等用作步行参数来对膝盖疼痛、腰痛等老年障碍进行评价的方法。
由此，在专利文献1所记载的评价方法中，关于跌倒以外的老年障碍，也能够根据步行来简便地对发生老年障碍的危险性进行评价。
专利文献1：日本特开2013-255786号公报
发明内容
发明要解决的问题
然而，在专利文献1所记载的评价方法中，为了测定步行参数而使用薄片式压力传感器等，无法简便地对老年障碍的易发性进行评价。因此，存在对老年障碍的易发性进行评价时耗费时间之类的问题。
本发明提供一种能够迅速地对认知功能进行评价的认知功能评价装置等。
用于解决问题的方案
本发明的一个方式所涉及的认知功能评价装置具备：存储部，其存储有参照数据，该参照数据表示人步行时的身体移动的周期性与人的认知功能的程度之间的关系；获取部，其从对被测定者步行时的身体移动进行检测的身体移动传感器获取表示检测出的所述身体移动的身体移动数据；以及运算部，其根据获取到的所述身体移动数据来计算所述身体移动的周期性，将计算出的所述身体移动的周期性与所述存储部中存储的所述参照数据进行对照，由此确定与计算出的所述身体移动的周期性对应的认知功能的程度。
另外，本发明的一个方式所涉及的认知功能评价方法包括以下步骤：身体移动数据获取步骤，从对被测定者步行时的身体移动进行检测的身体移动传感器获取表示检测出的所述身体移动的身体移动数据；以及运算步骤，根据获取到的所述身体移动数据来计算身体移动的周期性，将计算出的所述身体移动的周期性与存储部中存储的参照数据进行对照，由此确定与计算出的所述身体移动的周期性对应的认知功能的程度，其中，所述参照数据表示人步行时的身体移动的周期性与所述人的认知功能之间的关系。
另外，本发明也可以实现为用于使计算机执行认知功能评价方法中包含的步骤的程序记录介质。
发明的效果
根据本发明的一个方式所涉及的认知功能评价装置等，能够迅速地对认知功能进行评价。
附图说明
图1是示出包括实施方式1所涉及的认知功能评价装置的系统的结构的图。
图2是示出实施方式1所涉及的认知功能评价装置的特征性的功能结构的框图。
图3是示出实施方式1所涉及的被测定者佩戴着安装有加速度传感器的佩戴器具的情形的图。
图4是示出人步行时的代表性的动作的影像图。
图5是示出由实施方式1所涉及的认知功能评价装置获取到的加速度数据的实施例的图。
图6是示出直至实施方式1所涉及的认知功能评价装置根据加速度数据计算出被测定者的重心的相对位置为止的计算过程的流程图。
图7是示出实施方式1所涉及的认知功能评价装置根据获取到的加速度数据来计算被测定者的相对位置所得到的数据及窗函数的图。
图8是示出实施方式1所涉及的认知功能评价装置获取到的加速度数据以及实施方式1所涉及的认知功能评价装置计算出的窗函数的图。
图9A是示出实施方式1所涉及的认知功能评价装置对加速度数据进行傅里叶变换所计算出的数据的图。
图9B是示出将图9A所示的数据标准化所得到的数据的图。
图10是示出直至实施方式1所涉及的认知功能评价装置根据加速度数据来计算积分值为止的计算过程的流程图。
图11是示出被测定者接受MoCA测试时获得的分数的图。
图12是示出根据由身体移动传感器测定出的健康的正常人、轻度痴呆症患者及痴呆症患者的加速度数据计算出的频谱的一个具体例的图。
图13是示出在针对实施方式1所涉及的认知功能评价装置计算出的被测定者的积分值进行的MoCA测试中被测定者获得的分数的图。
图14是示出直至根据实施方式1所涉及的认知功能评价装置获取到的加速度数据来确定认知功能的程度为止的动作过程的流程图。
图15是示出实施方式2所涉及的认知功能评价装置的特征性的功能结构的框图。
图16A是示出直至实施方式2所涉及的认知功能评价装置根据加速度数据来计算一步的时间为止的计算过程的流程图。
图16B是示出直至实施方式2所涉及的认知功能评价装置根据加速度数据来计算步幅为止的计算过程的流程图。
图17是示出在针对由实施方式2所涉及的认知功能评价装置计算出的被测定者的一步的时间及步幅的、被测定者在MoCA测试中获得的分数的实施例的图。
图18是示出包括本实施方式的变形例1所涉及的认知功能评价装置的系统的结构的图。
图19是示出包括本实施方式的变形例2所涉及的认知功能评价装置的系统的结构的图。
具体实施方式
下面，参照附图来说明实施方式所涉及的认知功能评价装置和认知功能评价方法。此外，下面所说明的实施方式均表示概括性的或具体的例子。下面的实施方式中示出的数值、形状、材料、构成要素、构成要素的配置位置及连接方式、步骤、步骤的顺序等是一个例子，并不意图限定本发明。另外，关于下面的实施方式中的构成要素中的、表示最上位概念的技术方案中没有记载的构成要素，设为任意的构成要素来进行说明。
此外，各图是示意图，不一定是严密地进行图示的图。另外，存在以下情况：在各图中，对实质上相同的结构标注相同的附图标记，并省略或简化重复的说明。
此外，在本说明书中，定义为以下结构：将Z轴方向设为人的步行方向(前后方向)，被测定者向Z轴的正方向步行。另外，将Y轴方向定义为铅垂方向(上下方向)，将Y轴的正方向定义为被测定者的铅垂上方。另外，将X轴方向定义为与被测定者的步行方向正交的水平方向(左右方向)，将X轴的正方向定义为从被测定者观察时的右方向。
(实施方式1)
[认知功能评价装置的结构]
首先，说明实施方式1所涉及的认知功能评价装置的结构。图1是示出包括实施方式1所涉及的认知功能评价装置的系统的结构的图。
认知功能评价装置100是用于通过对被测定者步行时的身体移动进行测定来确定人的认知功能的程度的装置。认知功能表示进行识别、记忆、判断的能力。作为一个具体例，认知功能评价装置100对是否为患有痴呆症的人(痴呆症患者)进行评价。痴呆症呈现出现上述的认知功能降低的症状。作为痴呆症的一个具体例，能够列举阿尔兹海默型痴呆症(AD：Alzheimer’s disease，阿尔兹海默病)。由于痴呆症没有自觉症状，因此以往通过由痴呆症患者的家人或第三者等催促痴呆症患者到病院进行检查，来使痴呆症患者接受来自医生的检查。另外，通过使被测定者接受MoCA(Montreal Cognitive Assessment：蒙特利尔认知评估量)测试等用于诊断痴呆症的批量测试，能够确认该被测定者是否患有痴呆症。然而，MoCA测试需要15分左右的时间。另外，为了诊断被测定者的经时变化，需要通过隔日执行多次MoCA测试来进行被测定者是否患有痴呆症的判定。也就是说，为了诊断被测定者是否患有痴呆症，MoCA测试需要长的期间。另外，周知的是，痴呆症患者步行时的身体移动与不患有痴呆症的人(健康的正常人)不同。
本发明的发明人们发现了通过利用规定的方法对被测定者步行时的身体移动进行评价来确定被测定者的认知功能的程度。具体地说，本实施方式所涉及的认知功能评价装置100是通过对被测定者步行时的身体移动进行测定来迅速地确定该被测定者的认知功能的程度的装置。
接下来，说明佩戴器具，该佩戴器具是用于对被测定者步行时的身体移动进行测定的装置的一个具体例。
如图1所示，佩戴器具11具备加速度传感器10、带12以及面粘扣13。
佩戴器具11例如是佩戴在被测定者的腰部的带子。通过使面粘扣13的刺毛面与圆毛面在适当的位置结合，来调整带12的长度。具体地说，将带12缠绕在被测定者的腰部并适当地调整带12的长度后系紧，由此将佩戴器具11佩戴在被测定者的腰部。此外，调整带12的长度的方法不限于使用面粘扣13，也可以使用带扣等扣件。另外，佩戴器具11也可以不是带子，而是被测定者穿着的衣服。例如，加速度传感器10可以固定在该衣服上，或者也可以收容在衣服的口袋中。
加速度传感器10安装于被测定者来测定作为表示被测定者步行时的身体移动的身体移动数据的一个具体例的加速度数据。具体地说，加速度传感器10以规定的测定速率来对被测定者的安装有该加速度传感器10的部位的加速度进行测定。测定速率为每单位时间的加速度的测定次数。加速度传感器10向认知功能评价装置100发送测定出的加速度数据。
在3轴加速度传感器的情况下，加速度传感器10测定的加速度数据为三维的加速度矢量数据，例如为被测定者的在前后方向、左右方向以及上下方向各个方向上的加速度数据。加速度数据包含多个测定点。多个测定点中的各个测定点对应有表示对测定点进行了测定的时刻的时刻信息。
加速度传感器10向认知功能评价装置100发送测定出的加速度数据。具体地说，佩戴器具11具备无线通信装置(未图示)，经由该无线通信装置而与认知功能评价装置100进行通信。加速度传感器10通过无线通信来向认知功能评价装置100发送测定出的加速度数据。例如基于Bluetooth(注册商标)、Wi-Fi(注册商标)或ZigBee(注册商标)等规定的无线通信标准来进行无线通信。
图2是示出实施方式1所涉及的认知功能评价装置100的特征性的功能结构的框图。如图2所示，认知功能评价装置100具备获取部101、存储部102以及运算部103。
获取部101是获取由身体移动传感器105测定出的被测定者的身体移动数据的处理部。获取部101例如由CPU(Central Processing Unit：中央处理单元)、存储在存储部102中的控制程序、以及通信接口来实现。
存储部102是用于存储由获取部101获取到的身体移动数据的存储器。存储部102例如由ROM(Read Only Memory：只读存储器)、RAM(Random Access Memory：随机存取存储器)或HDD(Hard Disk Drive：硬盘驱动器)等构成。另外，在存储部102中存储有参照数据110，运算部103将由获取部101获取到的身体移动数据与该参照数据110进行对照。在后面记述参照数据110的详细内容。
运算部103是根据由获取部101获取到的身体移动数据来计算认知功能的评价结果的处理部。具体地说，运算部103根据由获取部101获取到的身体移动数据来计算身体移动的周期性，将计算出的身体移动的周期性与存储部102中存储的参照数据110进行对照。身体移动的周期性表示在人步行时产生的周期性的振动。在后面记述身体移动的周期性的详细内容。另外，运算部103根据身体移动的周期性和参照数据110来确定被测定者的认知功能的程度。
此外，认知功能评价装置100也可以与身体移动传感器105及显示部104以能够进行通信的方式连接。
身体移动传感器105是用于对被测定者步行时的身体移动进行检测的传感器。身体移动传感器105例如是加速度传感器10、摄像机(图像传感器)或电波传感器。
显示部104是用于将表示由运算部103确定出的认知功能的程度的评价结果传达给被测定者2的显示装置。显示部104例如是显示器。运算部103也可以进行将表示认知功能的程度的评价结果显示于显示部104的控制。
图3是示出实施方式1所涉及的被测定者佩戴着安装有加速度传感器10的佩戴器具11的情形的图。
如图3所示，佩戴器具11所具备的加速度传感器10被安装在被测定者2的腰部的背面侧。此外，被测定者2的安装作为身体移动传感器105的一例的加速度传感器10的部位不限定于腰部的背面侧，也可以是腰部、头部、胸部、腿部、腕部等的正面侧，没有限定。
另外，人的步行具有代表性的动作，且人的步行具有周期性。图4是示出步行的周期性中的代表性的动作的影像图。
如图4所示，在人的步行中，右脚轴R的状态与左脚轴L的状态交替地重复。换言之，通过右脚轴R的状态与左脚轴L的状态交替地重复，来使步行产生规定的周期性。步行的周期是指从步行中的一个动作起至相同的动作为止的重复周期。例如，从左脚的脚后跟接触地面G起至左脚的脚后跟再次接触地面G为止的期间为步行的一个周期。在本说明书中，认为该一个周期为两步。也就是说，认为从左脚的脚后跟接触地面起至右脚的脚后跟接触地面G为止的期间为一步。
在此，在被测定者2的左脚碰到地面G的情况下，成为被测定者2的重心落在左脚的状态即左脚轴L，因此被测定者2的腰部变为偏左的位置。也就是说，被测定者2的姿势偏左。换言之，被测定者2的重心位置相比于被测定者2直立的状态下的重心位置而言相对靠左侧。
同样地，在被测定者2的右脚碰到地面G的情况下，成为被测定者2的重心落在右脚的状态即右脚轴R，因此被测定者2的腰部变为偏右的位置。也就是说，被测定者2的姿势偏右。换言之，被测定者2的重心位置相比于被测定者2直立的状态下的重心位置而言相对靠右侧。
像这样，在步行中，使重心落在被测定者2的右脚的状态即右脚轴R的期间与重心落在被测定者2的左脚的状态即左脚轴L的期间重复。
[实施例]
接下来，说明将加速度传感器10用作身体移动传感器105来获取到的作为身体移动数据的一个具体例的加速度数据。
图5是示出由实施方式1所涉及的认知功能评价装置100获取到的加速度数据的实施例的图。也就是说，图5是通过如图3所示那样由被测定者2佩戴着佩戴器具11并且被测定者2向Z轴的正方向步行而获取到的加速度数据，其中，该佩戴器具11具备作为身体移动传感器105的一个具体例的加速度传感器10(3轴加速度传感器)。也就是说，图5所示的加速度数据表示被测定者2步行时的身体移动的加速度随时间的变化。图5所示的加速度数据的纵轴为加速度，横轴为步行时间。另外，图5的(a)所示的加速度数据为被测定者2的X轴方向上的加速度，图5的(b)所示的加速度数据为被测定者2的Y轴方向上的加速度，图5的(c)所示的加速度数据为被测定者2的Z轴方向上的加速度。
如图5所示，关于加速度数据，无论从X轴方向、Y轴方向以及Z轴方向中的哪个方向都能够确认出加速度的正负交替地发生变化。通过利用认知功能评价装置100对该加速度数据进行分析，来计算被测定者2步行时的身体移动的周期性。
图6是示出直至实施方式1所涉及的认知功能评价装置100根据加速度数据来计算被测定者2的重心的相对位置为止的计算过程的流程图。具体地说，图6是如下的处理过程：利用作为身体移动传感器105的一个具体例的加速度传感器10来测定被测定者2的加速度数据，获取部101获取该加速度数据，运算部103对存储部102中存储的该加速度数据进行变换。
如图6所示，运算部103获取存储部102中存储的加速度数据(步骤S10)。接下来，运算部103通过对获取到的加速度数据进行积分来计算速度(步骤S101)。接下来，运算部103根据计算出的速度来计算该速度的平均值即被测定者2的平均速度(步骤S102)。接下来，运算部103通过取得计算出的速度与计算出的平均速度之差，来计算相对速度(步骤S103)。接下来，运算部103通过对计算出的相对速度进行积分，来计算被测定者2的重心位置(步骤S104)。接下来，运算部103根据计算出的被测定者2的重心位置，来计算该重心位置的平均值即平均相对位置(步骤S105)。在此，运算部103通过取得计算出的被测定者2的重心位置与计算出的平均相对位置之差，来计算相对位置(步骤S106)。接下来，运算部103根据计算出的相对位置来计算窗函数(步骤S11)。
图7是示出实施方式1所涉及的认知功能评价装置100根据获取到的加速度数据来计算被测定者2的相对位置所得到的数据及窗函数的图。具体地说，图7是通过对图5的(a)所示的X轴方向上的加速度数据进行变换而得到的被测定者2的相对位置数据。
图7所示的曲线图的横轴为步行时间，纵轴为被测定者2的重心的相对位置。在此，相对位置是指将紧挨被测定者2开始步行之前的状态即直立的状态下的重心位置设为0的情况下的、被测定者2的重心的位置的偏移量。具体地说，在实施方式1中，紧挨被测定者2开始步行之前的状态即直立的状态下的加速度传感器10的位置为纵轴的重心的相对位置为0的位置。
如图7所示，可知相对位置周期性地向正方向侧和负方向侧变化。这表示在被测定者2步行时重心在右脚(正方向侧)与左脚(负方向侧)之间移动。也就是说，表示被测定者2使右脚轴R的状态与左脚轴L的状态交替地重复。
在此，运算部103根据被测定者2的图7中用实线表示的相对位置数据来计算图7中用虚线表示的窗函数W。窗函数W是根据被测定者2的与步行时间对应的相对位置数据计算出的函数。窗函数W例如是矩形窗函数，被设定为使与步行时间对应的相对位置数据中的、相对位置为零的步行时间的时刻与窗函数W的最大值及最小值发生变化的步行时间的时刻一致。通过这样，通过判定窗函数W为最大值还是窗函数W为最小值，能够简便地计算被测定者2是处于右脚轴R的状态还是处于左脚轴L的状态。也就是说，窗函数W是表示被测定者2的步行的步的函数。此外，窗函数W的最大值和最小值可以被设定为任意的值。
在图7所示的窗函数W中，在窗函数W取最大值的情况下，被测定者2的重心在左脚上，在窗函数W取最小值的情况下，被测定者2的重心在右脚上。也就是说，在图7中，在窗函数W为最大值的情况下的步行时间时，被测定者2处于左脚轴L，在窗函数W为最小值的情况下的步行时间时，被测定者2处于右脚轴R。
此外，窗函数W不需要如图7所示那样为矩形窗函数，也可以是汉宁窗函数等，没有限定。另外，关于窗函数W，也可以按周期来变更所采用的窗函数。例如，关于窗函数W，也可以使每隔三个周期(右脚轴三次和左脚轴三次合计六步的周期)成为相同的窗函数，仅将三个周期中的最初的一步和最后的一步设为汉宁窗函数，并将最初的一步与最后的一步之间的两个周期(四步)设为矩形窗函数来进行加权。
另外，在图7中，将窗函数W设定为：在窗函数W为最大值的情况下的步行时间时，使被测定者2处于左脚轴L，在窗函数W为最小值的情况下的步行时间时，使被测定者2处于右脚轴R，但不限定于此。也可以将窗函数W设定为：在窗函数W为最大值的情况下的步行时间时，使被测定者2处于右脚轴R，在窗函数W为最小值的情况下的步行时间时，使被测定者2处于左脚轴L。
另外，在图7中，在计算窗函数W时使用了X轴方向上的加速度数据，但不限定于此。在计算窗函数W时，也可以使用Y轴方向上的加速度数据。
图8是示出由实施方式1所涉及的认知功能评价装置100测定出的加速度数据和窗函数W的图。也就是说，图8是将由运算部103计算出的窗函数W叠加于图5所示的加速度数据所得到的数据。此外，窗函数W以与图8的横轴的步行时间相一致的方式叠加于加速度数据。另外，为了便于说明，窗函数W的最大值和最小值被设为任意的常数倍。图8的(a)是将窗函数W叠加于图5的(a)所示的加速度数据所得到的图。图8的(b)是将窗函数W叠加于图5的(b)所示的加速度数据所得到的图。图8的(c)是将窗函数W叠加于图5的(c)所示的加速度数据所得到的图。
如图8所示，运算部103根据加速度数据和窗函数W来决定对加速度数据进行傅里叶变换的步行时间的范围即时间区间F(傅里叶变换范围F)。在此，关于加速度数据，在被测定者2刚开始步行时(例如，步行时间为0秒至2秒左右)，加速度数据不稳定的情况多。因此，傅里叶变换范围F最好为从被测定者2开始步行起数秒后以后的步行时间，但没有特别限定。在实施方式1中，将从自被测定者2开始步行起大约2.7秒后被测定者2变为左脚轴L1时起设为傅里叶变换范围F的起点。另外，在实施方式1中，将直至自被测定者2开始步行起大约5.3秒后被测定者2变为右脚轴R3时为止设为傅里叶变换范围F的终点。也就是说，在实施方式1中，运算部103将被测定者2走了左脚轴L1、L2、L3这三步(3step)、右脚轴R1、R2、R3这三步(三步骤)合计六步(6step)的范围的步行时间决定为傅里叶变换范围F。具体地说，运算部103将被测定者2的步行时间中的以左脚轴L1→右脚轴R1→左脚轴L2→右脚轴R2→左脚轴L3→右脚轴R3发生了变化的步行时间决定为傅里叶变换范围F。
此外，关于傅里叶变换范围F，使用被测定者2在步行中取得的右脚轴R与左脚轴L的合计次数、也就是说合计步数的步行时间，但关于该合计步数没有限定。合计步数例如可以是六步，也可以是八步。
另外，傅里叶变换范围F被设定为包括每一步的右脚轴R的状态或每一步的左脚轴L的状态的全部步行时间。
另外，傅里叶变换可以是离散傅里叶变换(Discrete Fourier Transform(DFT))，也可以是高速傅里叶变换(Fast Fourier Trasform(FFT))，没有限定。此外，在实施方式1中，运算部103所执行的傅里叶变换采用了DFT。
图9A是示出实施方式1所涉及的认知功能评价装置100对加速度数据进行傅里叶变换所计算出的谱(频谱)的图。具体地说，图9A是运算部103在图8所示的傅里叶变换范围F内对加速度数据进行DFT所得到的数据。图9A的(a)是运算部103对X轴方向上的加速度数据进行DFT所得到的数据。图9A的(b)是运算部103对Y轴方向上的加速度数据进行DFT所得到的数据。图9A的(c)是运算部103对Z轴方向上的加速度数据进行DFT所得到的数据。
在此，频谱的振幅的绝对值按每个被测定者2而不同。为了将每个被测定者的频谱进行比较，以0Hz～6Hz左右的低频率成分且峰强度最强的(振幅最大的)频率(主频率)将频谱进行标准化。
图9B是示出将图9A所示的频谱以主频率的振幅(加速度振幅)进行标准化所得到的数据的图。图9B的(a)是运算部103将X轴方向上的频谱进行标准化所得到的数据。图9B的(b)是运算部103将Y轴方向上的频谱进行标准化所得到的数据。图9B的(c)是运算部103将Z轴方向上的频谱进行标准化所得到的数据。
如图9A和图9B所示，可知加速度周期(频率)越大，则振幅越小。换言之，0Hz～6Hz左右的低频率成分的振幅大，6Hz以上的高频成分相比于低频率成分而言振幅小。
认为低频率成分的振幅是由于被测定者2在步行中重心在右脚与左脚之间移动而产生的振幅。另外，认为高频成分的振幅是因被测定者2在步行中发生在左右方向(X轴方向)上的不自主运动(不基于意图的运动)而产生的振幅。也就是说，可以认为：伴随脑功能降低或体力的降低，痴呆症患者以相比于健康正常人而言在6Hz～20Hz更强烈(多)地发生起立性震颤(在起立时表现的不能控制的律动)，以在步行中保持左右的平衡。换言之，可以认为在频谱中的特别是6Hz以上的高频成分中反映出是否为痴呆症的特征。
在实施方式1中，由运算部103计算的被测定者2步行时的身体移动的周期性为构成被测定者2的身体移动的频率成分中的、比与步行对应的频率高的频率中的频率成分。具体地说，在实施方式1中，表示身体移动的周期性的数据为上述的频谱中的高频成分的数据。
在此，在实施方式1中，运算部103计算被标准化后的频谱(也就是说，是图9B所示的数据)中的高频成分的积分值。具体地说，在实施方式1中，运算部103计算对6Hz以上且20Hz以下的高频成分的被标准化后的频谱进行积分所得到的值即积分值。
图10是示出直至实施方式1所涉及的认知功能评价装置100根据加速度数据来计算实施例的积分值为止的计算过程的流程图。具体地说，是示出直至运算部103根据加速度数据来计算上述的积分值为止的计算过程的流程图。此外，在图10中存在以下情况：对与图6所示的流程图实质上相同的过程标注相同的附图标记，并省略或简化说明。
如图10所示，运算部103获取存储部102中存储的加速度数据(步骤S10)。接下来，运算部103根据获取到的加速度数据来计算窗函数W(步骤S11)。具体地说，运算部103通过图6所示的步骤S101～步骤S106来计算窗函数W。接下来，运算部103根据计算出的窗函数W来决定傅里叶变换范围F(步骤S12)。接下来，运算部103在傅里叶变换范围F内对加速度数据进行傅里叶变换(步骤S13)。具体地说，在步骤S13中，运算部103根据加速度数据来计算表示被测定者2步行时的身体移动的周期性的频谱。接下来，运算部103将计算出的频谱以峰强度最强的频率的振幅进行标准化(步骤S14)。接下来，运算部103通过对被标准化后的频谱的高频成分进行积分，来计算积分值(步骤S15)。在此，在实施方式1中，将高频成分设为6Hz以上且20Hz以下。此外，关于高频区域的上限没有特别限定，可以设为30Hz，也可以设为50Hz。
通过这样，运算部103根据加速度数据来计算被测定者2的积分值。
另外，在痴呆症的诊断中，通过使被测定者2接受作为用于诊断痴呆症的批量测试的MoCA测试，能够确定被测定者2是否患有痴呆症。图11是示出被测定者2接受MoCA测试时获得的分数的图。
如图11所示，本发明的发明人们聚集包括健康的正常人(NC：Normal Controls)、轻度的痴呆症患者(MCI：Mild Cognitive Inpairment)以及痴呆症患者(AD)在内的多个被测定者来实施了MoCA测试。将NC的被测定者数(Number of subjects：受验者的人数)设为90人，将MCI的被测定者数设为94人，将AD的被测定者数设为93人。
如图11所示，能够确认在NC、MCI以及AD之间，MoCA分数的平均值(MoCA averagescore：MoCA平均分数)及分数的范围(MoCA score range：MoCA分数范围)不同。具体地说，NC的MoCA分数的平均值为27.4，MCI的MoCA分数的平均值为22.1，AD的MoCA分数的平均值为16.2。
图12是示出根据由身体移动传感器105测定出的ND、MCI及AD的加速度数据计算出的频谱的一个具体例的图。也就是说，图12是根据通过以下方法获取到的加速度数据计算出的频谱，该方法是：通过MoCA测试确定出的ND、MCI以及AD如图3所示那样分别佩戴着佩戴器具11，并且ND、MCI以及AD分别向Z轴的正方向步行。图12所示的加速度数据的纵轴为加速度振幅，横轴为加速度周期。另外，图12的(a)为ND、MCI及AD的X轴方向上的频谱，图12的(b)为ND、MCI及AD的Y轴方向上的频谱，图12的(c)为ND、MCI及AD的Z轴方向上的频谱。
如图12的(a)所示，能够理解，相比于ND而言MCI和AD的6Hz以上的高频成分的峰强度更强。具体地说，能够理解，相比于ND而言MCI和AD的6Hz以上的加速度振幅更大。本发明的发明人们发现，将对根据加速度数据计算出的频谱的高频成分进行积分所得到的值即积分值作为用于确定认知功能的程度的值来应用。
图13是示出在针对由实施方式1所涉及的认知功能评价装置100计算出的被测定者的实施例所涉及的积分值的、被测定者在MoCA测试中获得的分数的图。本发明的发明人们从被实施了MoCA测试的被测定者中提取NC、MCI以及AD各三名。另外，本发明的发明人们使用认知功能评价装置100来从提取出的被测定者们获取与步行相关的身体移动数据(具体地说，是加速度数据)，并根据该身体移动数据获得表示身体移动的周期性的数据(具体地说，是上述的积分值)。图13的(a)是针对X轴方向上的频谱中的6Hz以上的积分值的MoCA测试的分数。图13的(b)是针对Y轴方向上的频谱中的6Hz以上的积分值的MoCA测试的分数。图13的(c)是针对Z轴方向上的频谱中的6Hz以上的积分值的MoCA测试的分数。
如图13的(a)所示，可知在NC、MCI以及AD之间，X轴方向上的积分值与MoCA测试的分数的相关性不同。具体地说，ND的X轴方向上的积分值为2.5以下，MCI的X轴方向上的积分值为3.0～3.8之间，AD的X轴方向上的积分值为4.0以上。也就是说，能够基于根据加速度数据计算出的积分值来确定是NC、MCI以及AD中的哪一个。
在认知功能评价装置100所具备的存储部102中预先存储有参照数据110，该参照数据110是上述的积分值与ND、MCI及AD的对应关系。运算部103根据由获取部101获取到的身体移动数据(例如，加速度数据)来计算表示身体移动的周期性的数据即积分值，通过将计算出的积分值与参照数据110进行比较，来确定被测定者2的认知功能的程度。
此外，根据与图13的(b)和(c)所示的Y轴方向及Z轴方向上的积分值对应的MoCA测试的分数难以区分NC、MCI以及AD。然而，存在以下可能性：通过在Y轴方向及Z轴方向上的积分值中也增加被测定者2的测定结果，能够如图13的(a)那样区分NC、MCI以及AD。
图14是示出直至根据由实施方式1所涉及的认知功能评价装置100测定出的身体移动数据来确定认知功能的程度为止的动作过程的流程图。具体地说，是示出直至运算部103根据被测定者2步行时的身体移动数据来确定被测定者2的认知功能的程度为止的动作过程的流程图。
如图14所示，获取部101获取由加速度传感器10测定出的加速度数据(步骤S10)。接下来，运算部103计算根据加速度数据进行标准化后的频谱，并计算该频谱的高频成分的积分值(步骤S15)。具体地说，运算部103通过执行图10所示的S10～S15来计算积分值。接下来，运算部103通过将计算出的积分值与预先存储在存储部102中的参照数据110进行对照，来确定被测定者2的认知功能的程度(步骤S16)。接下来，运算部103进行使确定出的认知功能的程度的评价结果显示于显示部104的控制(步骤S17)。例如，也可以是，在由运算部103确定出被测定者2的认知功能的程度为MCI的情况下，运算部103进行以下控制：生成表示疑似MCI的意思的图像，并使该图像显示于显示部104。通过这样，认知功能评价装置100能够简便地确定被测定者2的认知功能的程度。
[效果等]
以上，实施方式1所涉及的认知功能评价装置100具备存储有参照数据的存储部102，其中，该参照数据表示人步行时的身体移动的周期性与人的认知功能的程度之间的关系。另外，认知功能评价装置100还具备获取部101，该获取部101从对被测定者2步行时的身体移动进行检测的身体移动传感器105获取表示检测出的身体移动的身体移动数据。另外，认知功能评价装置100还具备运算部103，该运算部103根据获取到的身体移动数据来计算身体移动的周期性，将计算出的身体移动的周期性与存储部102中存储的参照数据进行对照。进一步地，运算部103确定与计算出的身体移动的周期性对应的认知功能的程度。
由此，认知功能评价装置100不需要如MoCA测试那样的时间就能够确定被测定者2的认知功能的程度。也就是说，认知功能评价装置100能够迅速地确定被测定者2的认知功能的程度。并且，根据认知功能评价装置100，能够简便地确定被测定者2的认知功能的程度，因此能够高频度地确定认知功能的程度。因此，根据认知功能评价装置100，被测定者2易于确认被测定者2的认知功能的经时变化。
另外，身体移动的周期性为构成身体移动的频率成分中的、比与步行对应的频率高的频率中的频率成分。
也就是说，运算部103计算在ND、MCI以及AD之间频谱的特征互不相同的高频成分来作为身体移动的周期性的特征。由此，认知功能评价装置100能够高精度地确定被测定者2的认知功能的程度。
另外，身体移动数据也可以是表示身体移动的时间变化的数据。另外，也可以是，运算部103通过对身体移动数据进行频率分析来计算频谱，将计算出的频谱中的、比与步行对应的频率高的频率的积分值作为身体移动的周期性来进行计算。
由此，认知功能评价装置100能够根据在ND、MCI以及AD之间特征更为不同的数据来计算身体移动的周期性。因此，认知功能评价装置100能够更高精度地确定被测定者2的认知功能的程度。
另外，身体移动数据也可以是表示身体移动的加速度随时间的变化的数据。另外，也可以是，运算部103根据身体移动数据来确定被测定者2在步行时步行了规定步数的时间区间F，并对确定出的时间区间F内的身体移动数据进行频率分析。
由此，认知功能评价装置100能够以将特别是在步行开始时产生的身体移动数据的紊乱排除的方式计算身体移动的周期性。因此，认知功能评价装置100能够更高精度地确定被测定者2的认知功能的程度。
另外，身体移动数据也可以是表示被测定者2步行时的、被测定者2的在与步行方向正交的水平方向上的加速度随时间的变化的数据。
具体地说，在设为如图3所示那样被测定者2向Z轴的正方向步行的情况下，可以是表示被测定者2的在X轴方向上的加速度随时间的变化的数据。由此，认知功能评价装置100能够更高精度地确定被测定者2的认知功能的程度。
另外，实施方式1所涉及的认知功能评价方法包括以下步骤：身体移动数据获取步骤，从对被测定者2步行时的身体移动进行检测的身体移动传感器105获取表示检测出的身体移动的身体移动数据；以及运算步骤。在运算步骤中，根据获取到的身体移动数据来计算身体移动的周期性。另外，在运算步骤中，通过将计算出的身体移动的周期性与存储部102中存储的参照数据110进行对照，来确定与计算出的身体移动的周期性对应的认知功能的程度，其中，参照数据110表示人步行时的身体移动的周期性与人的认知功能之间的关系。
由此，根据认知功能评价方法，不需要如MoCA测试那样的时间就能够对被测定者2的认知功能的程度进行评价。也就是说，根据认知功能评价方法，能够迅速地确定被测定者2的认知功能的程度。并且，根据认知功能评价方法，能够简便地确定被测定者2的认知功能的程度，因此能够高频度地确定认知功能的程度。因此，根据认知功能评价方法，被测定者2易于确认被测定者2的认知功能的经时变化。
另外，本发明也可以实现为用于使计算机执行认知功能评价方法中包含的步骤的程序记录介质。
由此，认知功能评价方法能够作为能够简便地对被测定者2的认知功能进行评价的程序来由计算机执行。
(实施方式2)
接下来，说明实施方式2所涉及的认知功能评价装置。
在实施方式1中，运算部103对被进行傅里叶变换后的身体移动数据(加速度数据)的高频成分进行积分，由此获得表示被测定者2步行时的身体移动的周期性的数据来作为积分值。在实施方式2中，计算根据身体移动数据获得的被测定者2的步幅或每一步所花费的时间(一步的时间)来作为表示被测定者2的身体移动的周期性的数据。
下面，说明实施方式2所涉及的认知功能评价装置。此外，存在以下情况：对与实施方式1实质上相同的结构或相同的动作标注相同的附图标记，并省略或简化重复的说明。
[认知功能评价装置的结构]
图15是示出实施方式2所涉及的认知功能评价装置100a的特征性的功能结构的框图。如图15所示，认知功能评价装置100a具备获取部101、存储部102以及运算部103a。
与实施方式1同样地，获取部101是获取由身体移动传感器105测定出的被测定者的身体移动的数据的处理部。获取部101例如由CPU、存储在存储部102中的控制程序以及通信接口来实现。
与实施方式1同样地，存储部102是用于存储由获取部101获取到的身体移动数据的存储器。存储部102例如由ROM、RAM或HDD等构成。另外，在存储部102中存储有参照数据110a，该参照数据110a用于在运算部103中与根据由获取部101获取到的身体移动数据计算出的身体移动的周期性进行对照。在后面记述参照数据110a的详细内容。
与实施方式1同样地，运算部103a是根据由获取部101获取到的身体移动数据来计算身体移动的周期性的处理部。运算部103例如由CPU、存储在存储部102中的控制程序来实现。
在此，运算部103a的直至根据获取到的身体移动数据来计算身体移动的周期性为止的计算方法与实施方式1所涉及的运算部103不同。具体地说，计算根据获取到的身体移动数据获得的被测定者2的步幅或一步的时间来作为表示被测定者2的身体移动的周期性的数据。
[实施例]
图16A是示出直至实施方式2所涉及的认知功能评价装置100a根据加速度数据来计算一步的时间为止的计算过程的流程图。图16B是示出直至实施方式2所涉及的认知功能评价装置100a根据加速度数据来计算步幅为止的计算过程的流程图。
此外，在实施方式2中，与实施方式1同样地，身体移动传感器105为加速度传感器(3轴加速度传感器)，通过由被测定者2佩戴图3所示的佩戴器具11，来获取被测定者2的加速度数据。
如图16A和图16B所示，运算部103a获取存储部102中存储的加速度数据(步骤S10)。接下来，运算部103a根据获取到的加速度数据来计算窗函数W(步骤S11)。具体地说，是与图6所示的流程图同样的过程，运算部103a通过对获取到的加速度数据进行积分来计算速度(步骤S101)。接下来，运算部103a根据计算出的速度来计算被测定者2的平均速度(步骤S102)。在此，运算部103通过取得计算出的速度与计算出的平均速度之差，来计算相对速度(步骤S103)。接下来，运算部103a通过对计算出的相对速度进行积分，来计算被测定者2的位置(步骤S104)。接下来，运算部103a根据计算出的被测定者2的位置来计算平均相对位置(步骤S105)。在此，运算部103a通过取得计算出的被测定者2的位置与计算出的平均相对位置之差，来计算相对位置(步骤S106)。接下来，运算部103a根据计算出的相对位置来计算窗函数W(步骤S11)。接下来，运算部103a根据计算出的窗函数W来计算一步的时间(步骤S20)。具体地说，通过根据上述的加速度数据来计算窗函数W，能够计算与图7所示的相对位置数据同样的数据。
如上述的那样，窗函数W是根据被测定者2的与步行时间对应的相对位置数据计算出的函数，是表示被测定者2在步行中重心在右脚上还是重心在左脚上的函数。也就是说，能够根据窗函数W取最大值或最小值的步行时间，来简便地估计被测定者2在规定的步行时间时的重心位置。具体地说，如图7所示，在窗函数W取最大值时，被测定者2的重心在左脚上(左脚轴L1、L2、L3)，在窗函数W取最小值时，被测定者2的重心在右脚上(右脚轴R1、R2、R3)。
根据以上所述，图7所示的每一步(1step)的左脚轴L的状态或右脚轴R的状态的步行时间为被测定者2的一步的时间。也就是说，运算部103a根据每一步的左脚轴L或右脚轴R的步行时间来计算一步的时间。
另外，如图16B所示，运算部103a根据计算出的窗函数W来计算被测定者2的步幅(步骤S30)。具体地说，通过根据上述的加速度数据来计算窗函数W，能够计算与图7所示的表示被测定者2的与步行时间对应的相对位置的数据同样的数据。另外，通过将上述的一步的时间与基于图6的步骤S102计算出的平均速度相乘，能够计算每一步的幅度(步幅)。也就是说，运算部103a根据被测定者2的一步的时间和被测定者2的平均速度来计算步幅。
此外，关于在根据窗函数W来计算一步的时间和步幅时利用的窗函数W的数据点(或数据范围)没有限定。例如，在被测定者2刚开始步行时(例如，步行时间为0秒至2秒左右)，数据不稳定的情况多。因此，为了计算一步的时间和步幅，也可以利用从被测定者2开始步行起数秒后的数据。另外，在计算一步的时间和步幅时，运算部103a也可以根据与多步(例如，六步)相应的量的数据的平均值来计算一步的时间和步幅。
图17是示出在针对由实施方式2所涉及的认知功能评价装置100a测定出的被测定者的一步的时间及步幅的、被测定者在MoCA测试中获得的分数的图。具体地说，与实施方式1同样地，本发明的发明人们首先从被实施了MoCA测试的被测定者中提取NC、MCI以及AD各三名。接下来，使用认知功能评价装置100a来从提取出的被测定者们获取身体移动数据(具体地说，是加速度数据)，并根据该加速度数据获得一步的时间和步幅。也就是说，图17是针对被测定者们的一步的时间及步幅的MoCA测试的点数(分数)。图17的(a)是针对被测定者2的一步的时间的MoCA测试的分数。图17的(b)是针对被测定者2的步幅的MoCA测试的分数。
如图17的(a)所示，可知在NC、MCI以及AD之间，一步的时间与MoCA测试的分数的相关性不同。具体地说，ND的一步的时间短于425ms，MCI的一步的时间为425ms以上且短于500ms，AD的一步的时间为500ms以上。也就是说，能够根据作为加速度数据的变换值的一步的时间来确定是NC、MCI以及AD中的哪一个。
在认知功能评价装置100a所具备的存储部102中预先存储有参照数据110a，该参照数据110a是一步的时间或步幅与ND、MCI及AD之间的对应关系。运算部103a根据由获取部101获取到的身体移动数据(例如，加速度数据)来计算一步的时间或步幅，将计算出的一步的时间或步幅与参照数据110a进行比较，由此确定被测定者2的认知功能的程度。也就是说，在实施方式2中，身体移动的周期性为步行时的一步的时间或步幅。具体地说，在实施方式2中，表示身体移动的周期性的数据为被测定者2步行中的每一步所花费的时间或步幅。
如图16A所示，运算部103a将在步骤S20中计算出的一步的时间与参照数据110a进行比较(步骤S21)。具体地说，运算部103a通过将一步的时间与存储部102中存储的参照数据110a进行对照，来确定被测定者2的认知功能的程度。接下来，运算部103a将表示确定出的认知功能的程度的评价结果输出(步骤S22)。
另外，如图16B所示，运算部103a将在步骤S30中计算出的步幅与参照数据110a进行比较(步骤S31)。具体地说，运算部103a通过将步幅与存储部102中存储的参照数据110a进行对照，来确定被测定者2的认知功能的程度。接下来，运算部103a将表示确定出的认知功能的程度的评价结果输出(步骤S32)。
在上述的步骤S22和S32中，例如在由运算部103a确定出被测定者2的认知功能的程度为MCI的情况下，运算部103可以进行以下控制：生成表示疑似MCI的意思的图像，并使该图像显示于显示部104。
通过这样，认知功能评价装置100a能够简便地确定被测定者2的认知功能的程度。
此外，根据针对图17的(b)所示的步幅的MoCA测试的分数，难以区分NC、MCI以及AD，但有存在以下可能性：通过使被测定者2的测定结果增加，来如图17的(a)那样区分NC、MCI以及AD。
[效果等]
以上，与实施方式1所涉及的认知功能评价装置100同样地，实施方式2所涉及的认知功能评价装置100a具备存储部102和获取部101。另外，实施方式2所涉及的认知功能评价装置100a具备运算部103a。运算部103a确定与计算出的身体移动的周期性对应的认知功能的程度。在此，身体移动的周期性可以是被测定者2步行时的步幅。具体地说，表示被测定者2的身体移动的周期性的数据可以是被测定者2步行时的步幅。
由此，认知功能评价装置100a能够高精度地确定被测定者2的认知功能的程度。
另外，身体移动数据也可以是表示身体移动的加速度随时间的变化的数据。另外，也可以是，运算部103a根据身体移动数据来确定被测定者2在步行时仅步行了规定步数的时间区间F，并根据确定出的时间区间F内的身体移动数据来计算步幅。
由此，认知功能评价装置100a能够以将特别是在步行开始时产生的身体移动数据的紊乱排除的方式计算身体移动的周期性。因此，认知功能评价装置100a能够更高精度地确定被测定者2的认知功能的程度。
另外，身体移动的周期性也可以是被测定者2步行时的一步的时间。具体地说，表示被测定者2的身体移动的周期性的数据也可以是被测定者2步行时的每一步所花费的时间。
由此，认知功能评价装置100a能够高精度地确定被测定者2的认知功能的程度。
另外，身体移动数据也可以是表示身体移动的加速度随时间的变化的数据。另外，也可以是，运算部103根据身体移动数据来确定被测定者2在步行时仅步行了规定步数的时间区间F，并根据确定出的时间区间F内的身体移动数据来计算一步的时间。
由此，认知功能评价装置100a能够以将特别是在步行开始时产生的身体移动数据的紊乱排除的方式计算身体移动的周期性。因此，认知功能评价装置100a能够更高精度地确定被测定者2的认知功能的程度。
另外，也可以是，运算部103a根据身体移动数据来生成表示被测定者2的重心位置的移动的相对位置数据，并根据所生成的相对位置数据来确定时间区间F。
由此，认知功能评价装置100a能够高精度地计算身体移动的周期性。因此，认知功能评价装置100a能够更高精度地确定被测定者2的认知功能的程度。
(本实施方式的变形例)
[变形例1]
如以上所说明的那样，在实施方式1和实施方式2中，身体移动传感器105为加速度传感器10，运算部103和103a使用由加速度传感器10测定出的加速度数据来计算身体移动的周期性。然而，身体移动传感器105不限定于加速度传感器10。身体移动传感器105只要能够对被测定者2的身体移动数据进行检测即可，例如也可以是摄像机。
图18是示出包括本实施方式的变形例1所涉及的认知功能评价装置的系统的结构的图。本实施方式的变形例1所涉及的认知功能评价装置100b的身体移动传感器105为摄像机200，由摄像机200对被测定者2的运动图像进行摄影，获取部获取该运动图像来作为身体移动数据。此外，本实施方式的变形例1所涉及的认知功能评价装置100b的特征性的功能结构与图2所示的实施方式1的认知功能评价装置100实质上相同，身体移动传感器105的种类、运算部的动作以及预先存储在存储部102中的参照数据的内容不同。
图18的(a)是示出利用摄像机200对被测定者2进行摄影的情形的示意图。
如图18的(a)所示，摄像机200例如从在室内的墙壁等的固定位置对被测定者2步行中的运动图像进行摄影。摄像机200例如是具有CCD(Charge Coupled Device：电荷耦合器件)或CMOS(Complementary Metal Oxide Semiconductor：互补金属氧化物半导体)等图像传感器的图像(或运动图像)摄影装置。摄像机200经由线缆400而与认知功能评价装置100b以能够进行通信的方式连接。
运算部从由摄像机200进行摄影得到的运动图像中提取例如头、肩、手、脚等。图18的(b)是示出由摄像机200进行摄影得到的运动图像的帧的一个具体例的图。具体地说，是示出按帧201→帧202→帧203→帧204的顺序进行摄影得到的运动图像的各个帧的一个具体例的图。在图18的(b)中，运算部从由摄像机200进行摄影得到的运动图像中例如提取头来作为识别位置H。具体地说，运算部通过确认帧201、202、203、204内的识别位置H，来计算被测定者2的识别位置H的与步行时间对应的移动。通过这样，运算部计算被测定者2步行时的身体移动的周期性。例如，运算部根据帧201、202、203、204内的识别位置H的与步行时间对应的变化，既可以计算被测定者2的相对位置数据，也可以计算被测定者2的加速度数据。运算部通过将表示计算出的身体移动的周期性的数据与同该数据对应的预先存储在存储部102中的参照数据进行对照，来确定被测定者2的认知功能的程度。
此外，在图18中，摄像机200从X轴的负方向侧对被测定者2进行摄影，但摄像机200拍摄被测定者2的摄影方向不限于此。摄像机200也可以从Y轴方向对被测定者2进行摄影，还可以从Z轴方向对被测定者2进行摄影。例如，摄像机200被设置为能够从Z轴方向对被测定者2进行摄影即可。另外，也可以通过设置多台摄像机200，来测定被测定者2的X轴方向、Y轴方向及Z轴方向上的步行的周期性。
[变形例2]
如以上所说明的那样，在本实施方式的变形例1所涉及的认知功能评价装置100b中，使用作为身体移动传感器105的一个具体例的摄像机200来获取作为身体移动数据的与步行时间对应的图像(运动图像)，并确定被测定者2的认知功能的程度。在本实施方式的变形例2所涉及的认知功能评价装置100c中，将电波传感器用作身体移动传感器105来获取身体移动数据。
图19是示出包括本实施方式的变形例2所涉及的认知功能评价装置100c的系统的结构的图。本实施方式的变形例2所涉及的认知功能评价装置100c的身体移动传感器105为电波传感器300。此外，本实施方式的变形例2所涉及的认知功能评价装置100c的特征性的功能结构与图2所示的实施方式1的认知功能评价装置100实质上相同，身体移动传感器105的种类、运算部的动作以及预先存储在存储部102中的参照数据的内容不同。
如图19所示，为了对被测定者2步行时的身体移动数据进行测定，使用多个电波传感器300来向被测定者2发出电波且探测电波。电波传感器300经由线缆400而与认知功能评价装置100c以能够进行通信的方式连接。
电波传感器300是由多普勒模块构成的进行移动体探测的传感器。电波传感器300例如发出微波。从电波传感器300发出的微波在空间内经过后接触到被测定者2，并在被测定者2处发生反射。反射回的微波被电波传感器300探测。此时，在使微波发生了反射的被测定者2进行了移动的情况下，在由电波传感器300发出的微波与由电波传感器300探测到的微波之间产生与被测定者2的移动速度相应的频率变化(多普勒位移)。
也可以是，运算部通过计算在被测定者2步行中基于多普勒效应产生的频率差(照射出的电波与探测到的电波之差)，来按各个方向捕捉被测定者2步行中的移动，例如既可以计算相对位置数据，也可以计算加速度数据。也就是说，运算部根据由电波传感器300发出的微波的频率与由电波传感器300探测到的微波的频率之差，来计算被测定者2步行时的身体移动的周期性。运算部通过将表示计算出的身体移动的周期性的数据与预先存储在存储部102中的同该数据对应的参照数据进行对照，来确定被测定者2的认知功能的程度。
[效果等]
以上，用于本实施方式所涉及的认知功能评价装置从被测定者2检测表示步行时的身体移动的身体移动数据的身体移动传感器105也可以是加速度传感器10、摄像机200或电波传感器300。
由此，本实施方式所涉及的认知功能评价装置能够与身体移动传感器105的种类无关地迅速地确定被测定者2的认知功能的程度。
(其它)
以上，说明了实施方式所涉及的认知功能评价装置和认知功能评价方法，但本发明不限定于上述实施方式。
例如，在本实施方式中，关于认知功能评价装置的运算部，通过由处理器执行程序来以软件方式实现，但不限定于这样的实现方法。运算部也可以通过使用了门阵列等的专用的电子电路来以硬件方式实现。
另外，本实施方式所涉及的认知功能评价装置根据与被测定者2的步行相关的数据即频谱的积分值、步幅或一步的时间来确定被测定者2的认知功能的程度。在此，不需要分别单独地计算表示被测定者2步行时的身体移动的周期性的数据即频谱的积分值、步幅以及一步的时间。也就是说，通过将被测定者2的频谱的积分值、步幅以及一步的时间任意地进行组合，也可以不进行被测定者2的认知功能的程度的确定。
例如，运算部事先对频谱的积分值、步幅以及一步的时间乘以预先设为权重的规定的数值。运算部根据被测定者2的身体移动数据来计算频谱的积分值、步幅以及一步的时间。在此，运算部对计算出的结果执行事先存储的加权。并且，运算部将被执行加权后的频谱的积分值、步幅以及一步的时间分别相加。也可以是，通过将使执行加权后的频谱的积分值、步幅以及一步的时间分别相加所得到的结果与参照数据进行对照，来确定认知功能的程度。
另外，作为认知功能的程度的确定的一个具体例，本实施方式所涉及的认知功能评价装置进行了是ND、MCI以及AD中的哪一个的确定。然而，本实施方式所涉及的认知功能评价装置不限定于确定是ND、MCI以及AD中的哪一个。例如，也可以确定被测定者2的醉酒程度。
另外，在本实施方式中，作为认知功能降低的症状的一个具体例，列举了阿尔兹海默型痴呆症。然而，认知功能表示进行识别、记忆、判断的能力，痴呆症呈现出现上述的认知功能降低的症状。也就是说，由本实施方式所涉及的认知功能评价装置确定的认知功能的程度不限定于阿尔兹海默型痴呆症，例如也可以是血管性痴呆症等。
另外，在本实施方式中，为了确定被测定者2的认知功能的程度而预先在存储部102中存储有表示MoCA测试的分数与身体移动的周期性之间的相关性的数据来作为参照数据。然而，参照数据只要是能够通过与身体移动的周期性进行对照来确定认知功能的数据即可，不限定于表示MoCA测试的分数与身体移动的周期性之间的相关性的数据。例如，参照数据也可以是表示MMSE(Mini-Mental State Examination：简易精神状态检查)的分数与身体移动的周期性之间的相关性的数据。
另外，在其它的实施方式1和实施方式2中，摄像机200及电波传感器300经由线缆400而与认知功能评价装置以能够进行通信的方式连接，但关于通信方法没有限定。例如，也可以是，摄像机200和电波传感器300具备无线通信装置，经由该无线通信装置而与认知功能评价装置100进行通信。加速度传感器10通过无线通信来向认知功能评价装置100发送测定出的加速度数据。例如也可以基于Bluetooth(注册商标)、Wi-Fi(注册商标)或ZigBee(注册商标)等规定的无线通信标准来进行无线通信。
另外，本发明也可以实现为用于使计算机执行由认知功能评价装置执行的步骤的程序。另外，本发明也可以实现为记录有该程序的能够由计算机读取的CD-ROM等程序记录介质。另外，本发明也可以实现为表示该程序的信息、数据或信号。而且，这些程序、信息、数据以及信号可以经由互联网等通信网络来发送。
除此以外，对各实施方式实施本领域技术人员所想到的各种变形而获得的方式或者通过在不脱离本发明的主旨的范围内将各实施方式中的构成要素和功能任意地进行组合而实现的方式也包含在本发明中。
附图标记说明
2：被测定者；10：加速度传感器；100、100a、100b、100c：认知功能评价装置；101：获取部；102：存储部；103、103a：运算部；104：显示部；105：身体移动传感器；110、110a：参照数据；200：摄像机；300：电波传感器；F：傅里叶变换范围(时间区间)；W：窗函数。

Claims (10)

1.一种认知功能评价装置，具备：
存储部，其存储有参照数据，该参照数据表示人步行时的身体移动的周期性与人的认知功能的程度之间的关系；
获取部，其从对被测定者步行时的身体移动进行检测的身体移动传感器获取表示检测出的所述身体移动的身体移动数据；以及
运算部，其根据获取到的所述身体移动数据来计算所述身体移动的周期性，将计算出的所述身体移动的周期性与所述存储部中存储的所述参照数据进行对照，由此确定与计算出的所述身体移动的周期性对应的认知功能的程度，
所述身体移动的周期性是构成身体移动的频率成分中的、比与步行对应的频率高的频率中的频率成分。
2.根据权利要求1所述的认知功能评价装置，其特征在于，
所述身体移动数据是表示身体移动随时间的变化的数据，
所述运算部通过对所述身体移动数据进行频率分析来计算频谱，将计算出的所述频谱中的比与步行对应的频率高的频率的积分值作为所述身体移动的周期性来进行计算。
3.根据权利要求2所述的认知功能评价装置，其特征在于，
所述身体移动数据是表示身体移动的加速度随时间的变化的数据，
所述运算部从所述身体移动数据中确定所述被测定者在步行时仅步行了规定步数的时间区间，并对确定出的所述时间区间内的所述身体移动数据进行频率分析。
4.根据权利要求1～3中的任一项所述的认知功能评价装置，其特征在于，
所述身体移动数据是表示所述被测定者步行时的、所述被测定者的在与步行方向正交的水平方向上的加速度随时间的变化的数据。
5.根据权利要求3所述的认知功能评价装置，其特征在于，
所述运算部根据所述身体移动数据来生成表示所述被测定者的重心位置的移动的相对位置数据，并根据所生成的所述相对位置数据来确定所述时间区间。
6.一种认知功能评价装置，具备：
存储部，其存储有参照数据，该参照数据表示人步行时的身体移动的周期性与人的认知功能的程度之间的关系；
获取部，其从对被测定者步行时的身体移动进行检测的身体移动传感器获取表示检测出的所述身体移动的身体移动数据；以及
运算部，其根据获取到的所述身体移动数据来计算所述身体移动的周期性，将计算出的所述身体移动的周期性与所述存储部中存储的所述参照数据进行对照，由此确定与计算出的所述身体移动的周期性对应的认知功能的程度，
所述身体移动的周期性是所述被测定者步行时的步幅，
所述身体移动数据是表示身体移动的加速度随时间的变化的数据，
所述运算部根据所述身体移动数据来生成表示所述被测定者的重心位置的移动的相对位置数据，并根据所生成的所述相对位置数据来确定所述被测定者在步行时仅步行了规定步数的时间区间，并根据确定出的所述时间区间内的所述身体移动数据来计算所述步幅。
7.一种认知功能评价装置，具备：
存储部，其存储有参照数据，该参照数据表示人步行时的身体移动的周期性与人的认知功能的程度之间的关系；
获取部，其从对被测定者步行时的身体移动进行检测的身体移动传感器获取表示检测出的所述身体移动的身体移动数据；以及
运算部，其根据获取到的所述身体移动数据来计算所述身体移动的周期性，将计算出的所述身体移动的周期性与所述存储部中存储的所述参照数据进行对照，由此确定与计算出的所述身体移动的周期性对应的认知功能的程度，
所述身体移动的周期性是所述被测定者步行时的一步的时间，
所述身体移动数据是表示身体移动的加速度随时间的变化的数据，
所述运算部根据所述身体移动数据来生成表示所述被测定者的重心位置的移动的相对位置数据，并根据所生成的所述相对位置数据来确定所述被测定者在步行时仅步行了规定步数的时间区间，并根据确定出的所述时间区间内的所述身体移动数据来计算所述一步的时间。
8.根据权利要求1、6、7中的任一项所述的认知功能评价装置，其特征在于，
所述身体移动传感器是加速度传感器、摄像机或电波传感器。
9.一种认知功能评价方法，包括以下步骤：
身体移动数据获取步骤，设备从对被测定者步行时的身体移动进行检测的身体移动传感器获取表示检测出的所述身体移动的身体移动数据；以及
运算步骤，所述设备根据获取到的所述身体移动数据来计算身体移动的周期性，将计算出的所述身体移动的周期性与存储部中存储的参照数据进行对照，由此确定与计算出的所述身体移动的周期性对应的认知功能的程度，其中，所述参照数据表示人步行时的身体移动的周期性与所述人的认知功能之间的关系，
所述身体移动的周期性是构成身体移动的频率成分中的、比与步行对应的频率高的频率中的频率成分。
10.一种程序记录介质，用于使计算机执行根据权利要求9所述的认知功能评价方法。
CN201780061427.4A 2016-10-07 2017-09-27 认知功能评价装置、认知功能评价方法以及程序记录介质 Active CN109862831B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2016199499 2016-10-07
JP2016-199499 2016-10-07
PCT/JP2017/034843 WO2018066422A1 (ja) 2016-10-07 2017-09-27 認知機能評価装置、認知機能評価方法及びプログラム

Publications (2)

Publication Number Publication Date
CN109862831A CN109862831A (zh) 2019-06-07
CN109862831B true CN109862831B (zh) 2022-03-04

Family

ID=61831720

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780061427.4A Active CN109862831B (zh) 2016-10-07 2017-09-27 认知功能评价装置、认知功能评价方法以及程序记录介质

Country Status (6)

Country Link
US (1) US11883183B2 (zh)
JP (1) JP6771162B2 (zh)
CN (1) CN109862831B (zh)
SG (1) SG11201902960QA (zh)
TW (1) TWI655932B (zh)
WO (1) WO2018066422A1 (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6846678B2 (ja) * 2017-03-24 2021-03-24 パナソニックＩｐマネジメント株式会社 認知機能評価支援装置、認知機能評価支援方法及びプログラム
JP2020113098A (ja) * 2019-01-15 2020-07-27 日本電信電話株式会社 歩数計測装置および方法、並びにプログラム
US20200294669A1 (en) * 2019-03-11 2020-09-17 Fujitsu Limited Learning method, estimating method, and storage medium
JP7283217B2 (ja) * 2019-05-10 2023-05-30 株式会社ジェイテクト 歩幅算出システム
CN114096195A (zh) * 2019-07-10 2022-02-25 伊莱利利公司 用于采用移动设备检测认知衰退的系统和方法
JP7358842B2 (ja) * 2019-08-23 2023-10-11 富士通株式会社 障害判定方法、障害判定プログラムおよび情報処理装置
JP7473354B2 (ja) * 2019-08-29 2024-04-23 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ サルコペニア評価方法、サルコペニア評価装置及びサルコペニア評価プログラム
JP7439353B2 (ja) * 2019-08-29 2024-02-28 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 認知機能評価方法、認知機能評価装置及び認知機能評価プログラム
JP7408132B2 (ja) * 2019-12-02 2024-01-05 地方独立行政法人東京都健康長寿医療センター 認知症判定プログラム及び認知症判定装置
WO2023163436A1 (ko) * 2022-02-24 2023-08-31 플랜비포유 주식회사 인지 장애 판별 방법 및 장치

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1985155A (zh) * 2004-07-03 2007-06-20 伍兹堡尤利乌斯－马克西米利安斯大学 确定平衡特征的力估算装置和力估算方法
JP2008054768A (ja) * 2006-08-29 2008-03-13 Aisin Seiki Co Ltd 歩数計測装置および歩数計測方法
CN102144248A (zh) * 2008-09-04 2011-08-03 皇家飞利浦电子股份有限公司 预防跌倒系统
KR101205908B1 (ko) * 2011-05-26 2012-11-28 건국대학교 산학협력단 보행과 심전도 모니터링을 통한 초기인지장애와 치매 평가 시스템 및 그 방법
JP2013059489A (ja) * 2011-09-13 2013-04-04 Toshiba Corp 歩行評価装置
CN103505219A (zh) * 2012-06-20 2014-01-15 中国科学院电子学研究所 一种人体步态评测系统及方法
CN103558851A (zh) * 2013-10-10 2014-02-05 杨松 精确感知室内活动的方法及装置
CN103927851A (zh) * 2014-04-04 2014-07-16 余志峰 一种个人化多阈值跌倒检测方法及系统
WO2015129883A1 (ja) * 2014-02-28 2015-09-03 マイクロストーン株式会社 歩行状態検出方法及び歩行状態検出装置
WO2015169880A1 (en) * 2014-05-09 2015-11-12 Koninklijke Philips N.V. Method and apparatus for determining the orientation of an accelerometer
CN105286874A (zh) * 2015-11-03 2016-02-03 长安大学 一种用于预测老年人跌倒风险的系统及方法

Family Cites Families (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2760484B2 (ja) 1995-12-19 1998-05-28 アニマ株式会社 床反力計測装置
JP2002345786A (ja) 2001-05-29 2002-12-03 Nippon Telegr & Teleph Corp <Ntt> 転倒予防指導支援システム及び転倒予防指導支援方法
JP2008042380A (ja) * 2006-08-03 2008-02-21 Matsushita Electric Ind Co Ltd アナログ・ディジタル変換器
US8395498B2 (en) * 2007-08-31 2013-03-12 Cardiac Pacemakers, Inc. Wireless patient communicator employing security information management
JP5293950B2 (ja) * 2008-03-04 2013-09-18 株式会社リコー 個人認証装置及び電子機器
JP5332292B2 (ja) 2008-04-24 2013-11-06 アイシン精機株式会社 歩行解析及び運動メニュー提案システム
JP2010005033A (ja) 2008-06-25 2010-01-14 Panasonic Electric Works Co Ltd 歩行動作分析装置
US9492092B2 (en) * 2009-05-20 2016-11-15 Sotera Wireless, Inc. Method for continuously monitoring a patient using a body-worn device and associated system for alarms/alerts
WO2010150260A1 (en) 2009-06-24 2010-12-29 The Medical Research, Infrastructure, And Health Services Fund Of The Tel Aviv Medical Center Automated near-fall detector
CN102781319B (zh) * 2009-09-03 2015-06-03 杨章民 织品感测器的步态分析系统及方法
EP2484281A4 (en) 2009-09-30 2015-05-06 Mitsubishi Chem Corp BODY MOTION SIGNAL INFORMATION PROCESSING METHOD, BODY MOVEMENT SIGNAL INFORMATION PROCESSING SYSTEM, BODY MOTION SIGNAL INFORMATION PROCESSING DEVICE, DISPLAY DEVICE, DISPLAY METHOD, MEDIUM RECORDING PROGRAM FOR RECORDED PROGRAMS, PROGRAM, BODY MOVEMENT SIGNAL DETECTION DEVICE, BODY MOTION SIGNAL DETECTION METHOD, OUTPUT DEVICE, OUTPUT METHOD, DIAGNOSTIC METHOD OF DISEASE, DIAGNOSTIC SYSTEM OF DISEASE AND DEVICE FOR DIAGNOSING A DISEASE
JP5417204B2 (ja) 2010-01-28 2014-02-12 日本電信電話株式会社 歩行情報抽出装置、歩行情報抽出方法、及び歩行情報抽出プログラム
JP2012024275A (ja) 2010-07-22 2012-02-09 Omron Healthcare Co Ltd 歩行姿勢判定装置
CN103140791B (zh) * 2010-10-01 2016-03-30 松下知识产权经营株式会社 透视显示装置及搭载透视显示装置的车辆
CN103620607B (zh) * 2010-12-13 2017-08-11 耐克创新有限合伙公司 处理进行运动活动的用户的数据以估计能量消耗的方法和装置
WO2013023004A2 (en) * 2011-08-08 2013-02-14 Solinsky James C Systems and methods for sensing balanced-action for improving mammal work-track efficiency
WO2013054258A1 (en) * 2011-10-09 2013-04-18 The Medical Research, Infrastructure and Health Services Fund of the Tel Aviv Medical Center Freezing of gait (fog), detection, prediction and/or treatment
JP5740285B2 (ja) * 2011-10-31 2015-06-24 株式会社東芝 歩行分析装置及び歩行分析プログラム
JP5915285B2 (ja) * 2012-03-15 2016-05-11 セイコーエプソン株式会社 状態検出装置、電子機器、測定システム及びプログラム
JP6236862B2 (ja) 2012-05-18 2017-11-29 花王株式会社 老年障害リスクの算出方法
TWI498846B (zh) * 2012-07-06 2015-09-01 Univ Nat Cheng Kung 步態分析方法及步態分析系統
US20140024971A1 (en) * 2012-07-17 2014-01-23 Frank E. Bunn Assessment and cure of brain concussion and medical conditions by determining mobility
CN102915039B (zh) * 2012-11-09 2015-08-12 河海大学常州校区 一种仿动物空间认知的多机器人联合目标搜寻方法
JP2014142746A (ja) 2013-01-23 2014-08-07 Hitachi Omron Terminal Solutions Corp 自動取引システムおよび自動取引装置
CN105163648B (zh) * 2013-03-11 2018-08-28 亚特兰大儿童医疗保健公司 用于认知和发育状况的检测的系统和方法
JP2014217693A (ja) * 2013-05-10 2014-11-20 オムロンヘルスケア株式会社 歩行姿勢計およびプログラム
JP6127873B2 (ja) 2013-09-27 2017-05-17 花王株式会社 歩行特徴の解析方法
US9474481B2 (en) * 2013-10-22 2016-10-25 Mindstrong, LLC Method and system for assessment of cognitive function based on electronic device usage
US20150208975A1 (en) * 2014-01-29 2015-07-30 Sync-Think, Inc. System and Method for Target Independent Neuromotor Analytics
JP6411111B2 (ja) 2014-07-24 2018-10-24 タイオー株式会社 認知症リスク判定システム
TWM505663U (zh) * 2015-03-12 2015-07-21 Myzone Internat Co Ltd A 移步運動處方管理總成
CN104713568A (zh) * 2015-03-31 2015-06-17 上海帝仪科技有限公司 步态识别方法以及相应的计步器
GB2538698B (en) * 2015-04-02 2019-05-15 Cambridge Cognition Ltd Systems and methods for assessing cognitive function
US11504038B2 (en) * 2016-02-12 2022-11-22 Newton Howard Early detection of neurodegenerative disease
TWI711431B (zh) * 2020-01-17 2020-12-01 寶成工業股份有限公司 左右步態的判斷方法及其分析裝置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1985155A (zh) * 2004-07-03 2007-06-20 伍兹堡尤利乌斯－马克西米利安斯大学 确定平衡特征的力估算装置和力估算方法
JP2008054768A (ja) * 2006-08-29 2008-03-13 Aisin Seiki Co Ltd 歩数計測装置および歩数計測方法
CN102144248A (zh) * 2008-09-04 2011-08-03 皇家飞利浦电子股份有限公司 预防跌倒系统
KR101205908B1 (ko) * 2011-05-26 2012-11-28 건국대학교 산학협력단 보행과 심전도 모니터링을 통한 초기인지장애와 치매 평가 시스템 및 그 방법
JP2013059489A (ja) * 2011-09-13 2013-04-04 Toshiba Corp 歩行評価装置
CN103505219A (zh) * 2012-06-20 2014-01-15 中国科学院电子学研究所 一种人体步态评测系统及方法
CN103558851A (zh) * 2013-10-10 2014-02-05 杨松 精确感知室内活动的方法及装置
WO2015129883A1 (ja) * 2014-02-28 2015-09-03 マイクロストーン株式会社 歩行状態検出方法及び歩行状態検出装置
CN103927851A (zh) * 2014-04-04 2014-07-16 余志峰 一种个人化多阈值跌倒检测方法及系统
WO2015169880A1 (en) * 2014-05-09 2015-11-12 Koninklijke Philips N.V. Method and apparatus for determining the orientation of an accelerometer
CN105286874A (zh) * 2015-11-03 2016-02-03 长安大学 一种用于预测老年人跌倒风险的系统及方法

Also Published As

Publication number Publication date
JPWO2018066422A1 (ja) 2019-07-04
TWI655932B (zh) 2019-04-11
WO2018066422A1 (ja) 2018-04-12
CN109862831A (zh) 2019-06-07
JP6771162B2 (ja) 2020-10-21
SG11201902960QA (en) 2019-05-30
US20200008735A1 (en) 2020-01-09
US11883183B2 (en) 2024-01-30
TW201815349A (zh) 2018-05-01

Similar Documents

Publication Publication Date Title
CN109862831B (zh) 认知功能评价装置、认知功能评价方法以及程序记录介质
US10856813B2 (en) Method and apparatus for generating assessments using physical activity and biometric parameters
JP5740285B2 (ja) 歩行分析装置及び歩行分析プログラム
JP2010005033A (ja) 歩行動作分析装置
US20220287651A1 (en) Method and system for analyzing biomechanical activity and exposure to a biomechanical risk factor on a human subject in a context of physical activity
US11779259B2 (en) Cognitive function evaluation device, cognitive function evaluation system, cognitive function evaluation method, and recording medium
JP2016106948A (ja) 歩数計測装置、歩行機能判定装置および歩数計測システム
Murray et al. A pilot study using entropy as a noninvasive assessment of running
Kong et al. Comparison of gait event detection from shanks and feet in single-task and multi-task walking of healthy older adults
JP6044670B2 (ja) 歩行分析装置
KR102395937B1 (ko) 보행 시간-주파수 분석에 기초한 건강 상태 예측 방법 및 시스템
JP3696047B2 (ja) 健康状態診断装置
JP6629485B2 (ja) 被検者の歩行運動を決定する処理装置及び方法
Akbari et al. Validation of a new model-free signal processing method for gait feature extraction using inertial measurement units to diagnose and quantify the severity of Parkinson's disease
Qin et al. A smart phone based gait monitor system
Farah et al. Comparison of inertial sensor data from the wrist and mid-lower back during a 2-minute walk test
Tatarnikova et al. The spectral analysis of data obtained from accelerometers for musculoskeletal diseases diagnosis
EP2233072A1 (en) Method and device for monitoring a motion sequence of a person
De Mol Comparison and evaluation of the accuracy of accelerometers and gyroscopes for detecting gait events in a real life setting
Tatarnikova et al. The Possibility of Using Spectral Analysis of Data Obtained from Mobile Device’s Accelerometer for the Detection of Musculoskeletal System Pathologies

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant