CN112137834B - 学习系统、复健辅助系统、方法、程序及学习完毕模型 - Google Patents
学习系统、复健辅助系统、方法、程序及学习完毕模型 Download PDFInfo
- Publication number
- CN112137834B CN112137834B CN202010578895.2A CN202010578895A CN112137834B CN 112137834 B CN112137834 B CN 112137834B CN 202010578895 A CN202010578895 A CN 202010578895A CN 112137834 B CN112137834 B CN 112137834B
- Authority
- CN
- China
- Prior art keywords
- data
- learning
- rehabilitation
- trainer
- training
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 403
- 208000024891 symptom Diseases 0.000 claims abstract description 32
- 238000011084 recovery Methods 0.000 claims abstract description 24
- 230000008859 change Effects 0.000 claims description 134
- 238000000605 extraction Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 8
- 230000006403 short-term memory Effects 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 210000002414 leg Anatomy 0.000 description 59
- 238000012545 processing Methods 0.000 description 57
- 238000001514 detection method Methods 0.000 description 51
- 238000004891 communication Methods 0.000 description 47
- 230000004044 response Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 24
- 230000006870 function Effects 0.000 description 22
- 238000007726 management method Methods 0.000 description 22
- 230000033001 locomotion Effects 0.000 description 20
- 210000003127 knee Anatomy 0.000 description 19
- 230000001681 protective effect Effects 0.000 description 19
- 230000008569 process Effects 0.000 description 17
- 210000000689 upper leg Anatomy 0.000 description 17
- 238000007781 pre-processing Methods 0.000 description 15
- 238000013500 data storage Methods 0.000 description 13
- 210000003423 ankle Anatomy 0.000 description 12
- 230000006872 improvement Effects 0.000 description 12
- 238000011156 evaluation Methods 0.000 description 11
- 210000001699 lower leg Anatomy 0.000 description 11
- 238000004804 winding Methods 0.000 description 11
- 210000002683 foot Anatomy 0.000 description 10
- 201000010099 disease Diseases 0.000 description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 9
- 230000008878 coupling Effects 0.000 description 8
- 238000010168 coupling process Methods 0.000 description 8
- 238000005859 coupling reaction Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 210000000629 knee joint Anatomy 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 206010033799 Paralysis Diseases 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 6
- 230000015654 memory Effects 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 230000007704 transition Effects 0.000 description 5
- 208000006011 Stroke Diseases 0.000 description 4
- 230000008034 disappearance Effects 0.000 description 4
- 210000004394 hip joint Anatomy 0.000 description 4
- 210000003141 lower extremity Anatomy 0.000 description 4
- 230000036961 partial effect Effects 0.000 description 4
- 239000013585 weight reducing agent Substances 0.000 description 4
- 210000001015 abdomen Anatomy 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 230000005021 gait Effects 0.000 description 3
- 210000001624 hip Anatomy 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 230000037396 body weight Effects 0.000 description 2
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000035807 sensation Effects 0.000 description 2
- 210000002303 tibia Anatomy 0.000 description 2
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 1
- 206010018985 Haemorrhage intracranial Diseases 0.000 description 1
- 206010019468 Hemiplegia Diseases 0.000 description 1
- 208000008574 Intracranial Hemorrhages Diseases 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 208000032851 Subarachnoid Hemorrhage Diseases 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 210000003489 abdominal muscle Anatomy 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 244000309466 calf Species 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000003387 muscular Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000004197 pelvis Anatomy 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 208000020431 spinal cord injury Diseases 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H1/00—Apparatus for passive exercising; Vibrating apparatus; Chiropractic devices, e.g. body impacting devices, external devices for briefly extending or aligning unbroken bones
- A61H1/02—Stretching or bending or torsioning apparatus for exercising
- A61H1/0218—Drawing-out devices
- A61H1/0229—Drawing-out devices by reducing gravity forces normally applied to the body, e.g. by lifting or hanging the body or part of it
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H1/00—Apparatus for passive exercising; Vibrating apparatus; Chiropractic devices, e.g. body impacting devices, external devices for briefly extending or aligning unbroken bones
- A61H1/02—Stretching or bending or torsioning apparatus for exercising
- A61H1/0237—Stretching or bending or torsioning apparatus for exercising for the lower limbs
- A61H1/0255—Both knee and hip of a patient, e.g. in supine or sitting position, the feet being moved together in a plane substantially parallel to the body-symmetrical plane
- A61H1/0262—Walking movement; Appliances for aiding disabled persons to walk
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H3/00—Appliances for aiding patients or disabled persons to walk about
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H3/00—Appliances for aiding patients or disabled persons to walk about
- A61H2003/007—Appliances for aiding patients or disabled persons to walk about secured to the patient, e.g. with belts
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
- A61H2201/12—Driving means
- A61H2201/1207—Driving means with electric or magnetic drive
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
- A61H2201/50—Control means thereof
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
- A61H2201/50—Control means thereof
- A61H2201/5058—Sensors or detectors
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
- A61H2201/50—Control means thereof
- A61H2201/5058—Sensors or detectors
- A61H2201/5069—Angle sensors
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
- A61H2205/00—Devices for specific parts of the body
- A61H2205/10—Leg
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/40—Robotics, robotics mapping to robotics vision
- G05B2219/40324—Simulation, modeling of muscle, musculoskeletal dynamical system
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Physical Education & Sports Medicine (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Pain & Pain Management (AREA)
- Rehabilitation Therapy (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Rehabilitation Tools (AREA)
Abstract
本发明提供学习系统、复健辅助系统、方法、程序及学习完毕模型。学习系统的学习部生成如下学习模型。即,该学习模型是被输入关于训练者利用复健辅助系统执行了的复健锻炼的、每个规定期间的复健数据来用于对设定参数的变化进行预测的模型。该设定参数是训练者实施复健时的复健辅助系统中的设定参数。该复健数据至少包含表示训练者的症状、身体能力以及恢复度的至少一个的指标数据、表示训练者的特征的训练者数据、以及包括设定参数的训练数据。另外,学习部将指标数据达到规定的目标水平为止的数据作为教导数据来生成学习模型。
Description
技术领域
本公开涉及学习系统、复健辅助系统、方法、程序及学习完毕模型。
背景技术
患者等训练者在进行复健锻炼(复健)时,有时利用步行训练装置等复健辅助系统。作为步行训练装置的例子,在日本专利第6052234号公报中公开了一种具备被佩戴于训练者的腿部来辅助训练者的步行的步行辅助装置的步行训练装置。
在训练者进行复健时,根据复健辅助系统,有时医师、物理治疗师等训练工作人员进行陪同、向训练者搭话、出手帮助、以及该复健辅助系统的设定操作作为训练者的辅助。
然而,为了获得良好的训练成果,需要训练工作人员对复健辅助系统的设定操作能够通过复健辅助系统对训练者实现恰当的辅助。另外,该设定操作的时机、即辅助的追加或者减除、辅助程度的变更的时机也对训练成果造成影响。因此,为了这样的设定操作,训练工作人员需要进行应该对训练者进行何种辅助的取舍选择的判断、恰当的辅助的程度、时机的判断。
为了恰当地进行上述那样的设定操作等辅助,训练工作人员期望掌握训练者的症状、身体能力、恢复度等指标数据而在恰当的时期将恰当的设定参数变更为恰当的值。特别是若能够预测训练成果提高那样的变更,则能够进行更恰当的辅助。
发明内容
本公开为了解决这样的问题而完成的,提供生成在训练者利用复健辅助系统执行复健时能够预测训练成果提高那样的设定参数的变化的学习模型的学习系统等。
本公开的第1方式所涉及的学习系统具备生成学习模型的学习部,该学习模型被输入关于训练者利用复健辅助系统执行了的复健锻炼的、至少包含表示上述训练者的症状、身体能力以及恢复度的至少一个的指标数据、表示上述训练者的特征的训练者数据、以及上述训练者实施复健锻炼时的包括上述复健辅助系统中的设定参数的训练数据的、每个规定期间的复健数据,用于对上述设定参数的变化进行预测,上述学习部将上述指标数据达到规定的目标水平为止的数据作为教导数据来生成上述学习模型。由此,能够生成可在训练者利用复健辅助系统执行复健时对训练成果提高那样的设定参数的变化进行预测的学习模型。
上述训练数据还能够包括在复健锻炼实施中由上述复健辅助系统取得的数据。由此,能够以可对考虑了由复健辅助系统在复健锻炼实施中取得的数据的设定参数的变化进行预测的方式构建学习模型。
上述学习系统能够构成为还具备提取部,该提取部从多个训练者的复健数据之中提取训练者在训练开始初期的指标数据所表示的状态为规定水平的训练者的复健数据,上述学习部将由上述提取部提取出的复健数据作为输入,来将上述学习模型生成为用于上述规定水平的训练者。由此,能够以对训练开始初期的指标数据为规定水平的训练者用的设定参数的变化进行预测的方式构建学习模型。
上述提取部还能够提取训练者在训练开始初期的指标数据与上述训练者的指标数据处于规定水平的指标数据的组合为规定的组合的训练者的复健数据。由此,能够以对指标数据在训练开始初期和现阶段为规定的组合的训练者用的设定参数的变化进行预测的方式构建学习模型。
上述学习模型能够是用于对上述指标数据朝向上述规定的目标水平那样的上述设定参数的变化模式进行预测的模型。由此,能够构建可输出设定参数的变化模式那样的学习模型。
上述学习模型能够是按上述设定参数所表示的每个水平递归地反映相差一级的水平的运算结果的模型。由此,能够构建可输出设定参数的水平发生变化的时刻那样的学习模型。
特别是,上述学习模型能够是具有RNN(Recurrent Neural Network)的模型。由此,能够利用通用的算法构建学习模型。
特别是,上述学习模型能够是具有LSTM(Long Short-Term Memory)区块的模型。由此,能够缓和具有RNN的模型中的梯度消失问题。
本公开的第2方式所涉及的复健辅助系统是能够访问利用第1方式所涉及的学习系统学习而得到的学习模型亦即学习完毕模型的复健辅助系统,具备:预测部,向上述学习完毕模型输入开始训练或者训练实施中的训练者的、至少包含上述指标数据以及上述训练者数据的复健数据,来对上述设定参数的变化进行预测;和提示部,提示由上述预测部预测出的上述设定参数的变化。由此,在训练者利用复健辅助系统执行复健时,对此辅助的训练工作人员能够一边确认训练成果提高那样的设定参数变化的预测结果一边进行复健辅助。
特别是,本公开的第2方式所涉及的复健辅助系统是能够访问利用具备上述提取部的第1方式所涉及的学习系统学习而得到的学习模型亦即学习完毕模型的复健辅助系统,能够还具备:指定部,指定上述训练者;预测部,向与由上述指定部指定的训练者的指标数据对应的学习完毕模型输入至少包含由上述指定部指定的训练者的上述训练者数据的复健数据,来对上述设定参数的变化进行预测;以及提示部,提示由上述预测部预测出的上述设定参数的变化。由此,在训练者利用复健辅助系统执行复健时,对此辅助的训练工作人员能够一边确认为了训练开始初期的指标数据为规定水平的训练者预测出的设定参数的变化一边进行复健辅助。
本公开的第3方式所涉及的学习方法具有生成学习模型的学习步骤,该学习模型被输入关于训练者利用复健辅助系统执行了的复健锻炼的、至少包含表示上述训练者的症状、身体能力以及恢复度的至少一个的指标数据、表示上述训练者的特征的训练者数据、以及上述训练者实施复健锻炼时的包括上述复健辅助系统中的设定参数的训练数据的、每个规定期间的复健数据,用于对上述设定参数的变化进行预测,上述学习步骤将上述指标数据达到规定的目标水平为止的数据作为教导数据来生成上述学习模型。由此,在训练者利用复健辅助系统执行复健时,能够生成可预测训练成果提高那样的设定参数的变化的学习模型。
本公开的第4方式所涉及的复健辅助方法(复健辅助系统的工作方法)是能够访问利用第3方式所涉及的学习方法学习而得到的学习模型亦即学习完毕模型的复健辅助系统中的复健辅助方法,具有:预测步骤,向上述学习完毕模型输入开始训练或者训练实施中的训练者的、至少包含上述指标数据以及上述训练者数据的复健数据,来对上述设定参数的变化进行预测;和提示步骤,提示在上述预测步骤中预测出的上述设定参数的变化。由此,在训练者利用复健辅助系统执行复健时,对此辅助的训练工作人员能够一边确认训练成果提高那样的设定参数变化的预测结果一边进行复健辅助。
本公开的第5方式所涉及的程序用于使计算机执行生成学习模型的学习步骤,该学习模型被输入关于训练者利用复健辅助系统执行了的复健锻炼的、至少包含表示上述训练者的症状、身体能力以及恢复度的至少一个的指标数据、表示上述训练者的特征的训练者数据、以及上述训练者实施复健锻炼时的包括上述复健辅助系统中的设定参数的训练数据的、每个规定期间的复健数据,用于对上述设定参数的变化进行预测,上述学习步骤将上述指标数据达到规定的目标水平为止的数据作为教导数据来生成上述学习模型。由此,能够生成可在训练者利用复健辅助系统执行复健时对训练成果提高那样的设定参数的变化进行预测的学习模型。
本公开的第6方式所涉及的复健辅助程序用于使能够访问利用第5方式所涉及的程序学习而得到的学习模型亦即学习完毕模型的复健辅助系统的计算机执行如下步骤:预测步骤,向上述学习完毕模型输入开始训练或者训练实施中的训练者的、至少包含上述指标数据以及上述训练者数据的复健数据,来对上述设定参数的变化进行预测;和提示步骤,提示在上述预测步骤中预测出的上述设定参数的变化。由此,在训练者利用复健辅助系统执行复健时,对此辅助的训练工作人员能够一边确认训练成果提高那样的设定参数变化的预测结果一边进行复健辅助。
本公开的第7方式所涉及的学习完毕模型是利用第1方式所涉及的学习系统学习而得到的学习模型、利用第3方式所涉及的学习方法学习而得到学习模型、以及利用第5方式所涉及的程序学习而得到的学习模型中的任一个学习模型。由此,能够提供可在训练者利用复健辅助系统执行复健时对训练成果提高那样的设定参数的变化进行预测的学习完毕模型。
根据本公开,能够提供生成在训练者利用复健辅助系统执行复健时可对训练成果提高那样的设定参数的变化进行预测的学习模型的学习系统。另外,根据本公开,能够提供使用所生成的学习完毕模型的复健辅助系统、学习该学习模型的方法及程序、学习完毕模型、以及使用了学习完毕模型的复健辅助的方法及程序。
根据以下的详细描述和附图,会更充分理解本公开的上述和其他目的、特征以及优点,附图仅以例示的方式给出,因此不应认为限制本公开。
附图说明
图1是表示实施方式1所涉及的复健辅助系统的一个构成例的整体示意图。
图2是表示图1的复健辅助系统中的步行辅助装置的一个构成例的简要立体图。
图3是表示图1的复健辅助系统中的步行训练装置的系统构成例的框图。
图4是表示图1的复健辅助系统中的服务器的一个构成例的框图。
图5是用于对图4的服务器中的学习处理的一个例子进行说明的流程图。
图6是表示用于对在图5的学习处理中使用的学习用数据组进行说明的表的图。
图7是表示图6的参数中的变化模式的例子的图。
图8是用于对在图5的学习处理中使用的学习模型的一个例子进行说明的图。
图9是用于对图1的复健辅助系统中的复健辅助处理的一个例子进行说明的流程图。
图10是表示在图9的复健辅助处理中向训练工作人员提示的图像的例子的图。
图11是表示在实施方式3所涉及的复健辅助系统中使用的学习模型的一个例子的图。
图12是表示在实施方式3所涉及的复健辅助系统中使用的学习模型的其他例子的图。
图13是表示在实施方式3所涉及的复健辅助系统中使用的学习模型的其他例子的图。
图14是表示在实施方式4所涉及的复健辅助系统中使用的学习模型的一个例子的图。
图15是表示在实施方式4所涉及的复健辅助系统中使用的学习模型的其他例子的图。
具体实施方式
以下,通过发明的实施方式来对本公开进行说明,但并不将技术方案所涉及的发明限定为以下的实施方式。另外,并不限定为实施方式中说明的结构全部是作为用于解决课题的构件所必需的。
<实施方式1>
以下,参照附图对实施方式1进行说明。
(系统构成)
图1是表示实施方式1所涉及的复健辅助系统的一个构成例的整体示意图。本实施方式所涉及的复健辅助系统(复健系统)主要由步行训练装置100、外部通信装置300、服务器(服务器装置)500构成。
步行训练装置100是对训练者(用户)900的复健(复健锻炼)进行辅助的复健辅助装置的一个具体例。步行训练装置100是用于供一条腿瘫痪的偏瘫患者亦即训练者900根据训练工作人员901的指导来进行步行训练的装置。这里,训练工作人员901能够是治疗师(物理治疗师)或者医师,由于通过指导或者帮助等来辅助训练者的训练,所以还能够称为训练指导者、训练帮助者、训练辅助者等。如这里例示那样,训练工作人员901为人。
步行训练装置100主要具备:控制盘133,被安装于构成整体骨架的框架130;跑步机131,供训练者900步行;以及步行辅助装置120,被佩戴于训练者900的瘫痪侧的腿部亦即病腿。
框架130立设于在地板面设置的跑步机131上。跑步机131通过未图示的马达使环状的带132旋转。跑步机131是促进训练者900的步行的装置,进行步行训练的训练者900登上带132并配合带132的移动来尝试步行动作。此外,例如如图1所示,训练工作人员901也能够站立在训练者900的背后的带132上而一同进行步行动作,但通常优选处于以跨着带132的状态站立等容易进行训练者900的帮助的状态。
框架130对收纳进行马达、传感器的控制的整体控制部210的控制盘133、向训练者900提示训练的进展状况等的例如作为液晶面板的训练用监视器138等进行支承。另外,框架130在训练者900的头上部前方附近支承前侧抻拉部135,在头上部附近支承保护带抻拉部112,在头上部后方附近支承后侧抻拉部137。另外,框架130包括用于供训练者900抓握的扶手130a。
扶手130a被配置于训练者900的左右两侧。各个扶手130a沿着与训练者900的步行方向平行的方向配置。扶手130a能够调整上下位置以及左右位置。即,扶手130a能够包括变更其高度以及宽度的机构。并且,扶手130a还能够构成为例如通过以使高度在步行方向的前方侧与后方侧不同的方式进行调整而能够变更其倾斜角度。例如,扶手130a能够带有沿着步行方向逐渐变高那样的倾斜角度。
另外,在扶手130a设置有检测从训练者900受到的载荷的扶手传感器218。例如,扶手传感器218能够是电极被配置为矩阵状的阻力变化检测型的载荷检测片。另外,扶手传感器218还能够是使3轴加速度传感器(x,y,z)与3轴陀螺仪传感器(roll,pitch,yaw)复合而成的6轴传感器。其中,扶手传感器218的种类、设置位置是任意的。
照相机140承担作为用于观察训练者900的全身的拍摄部的功能。照相机140以与训练者相对的方式设置于训练用监视器138的附近。照相机140拍摄训练中的训练者900的静态图像、动态图像。照相机140包括成为能够捕捉训练者900的全身的程度的视场角那样的镜头与拍摄元件的套件。拍摄元件例如是CMOS(Complementary Metal-Oxide-Semiconductor)影像传感器,将成像在成像面的光学像变换为图像信号。
通过前侧抻拉部135与后侧抻拉部137协作的动作,来以步行辅助装置120的载荷不成为病腿的负担的方式抵消该载荷,并且,根据设定的程度来辅助病腿的摆动动作。
前侧钢丝134的一端与前侧抻拉部135的卷取机构连结,另一端与步行辅助装置120连结。前侧抻拉部135的卷取机构通过使未图示的马达开/关来根据病腿的活动而卷取或导出前侧钢丝134。同样,后侧钢丝136的一端与后侧抻拉部137的卷取机构连结,另一端与步行辅助装置120连结。后侧抻拉部137的卷取机构通过使未图示的马达开/关来根据病腿的活动而卷取或导出后侧钢丝136。通过这样的前侧抻拉部135与后侧抻拉部137协作的动作,来以步行辅助装置120的载荷不成为病腿的负担的方式抵消该载荷,并且,根据设定的程度来辅助病腿的摆动动作。
例如,训练工作人员901作为操作人员来对于重度瘫痪的训练者将进行辅助的水平设定得大。若进行辅助的水平被设定得大,则前侧抻拉部135配合病腿的摆动时机以比较大的力卷取前侧钢丝134。若训练进展而不需要辅助,则训练工作人员901将进行辅助的水平设定为最小。若将进行辅助的水平设定为最小,则前侧抻拉部135配合病腿的摆动时机以仅消除步行辅助装置120的自重的力来卷取前侧钢丝134。
步行训练装置100具备以背带110、保护带钢丝111以及保护带抻拉部112为主要构成要素的、作为安全装置的防跌倒保护带装置。背带110是被卷绕于训练者900的腹部的带,例如通过面粘扣被固定于腰部。背带110具备将作为吊具的保护带钢丝111的一端连结的连结钩110a,还能够称为悬吊带。训练者900以连结钩110a位于后背部的方式佩戴背带110。
保护带钢丝111的一端与背带110的连结钩110a连结,另一端与保护带抻拉部112的卷取机构连结。保护带抻拉部112的卷取机构通过使未图示的马达开/关来卷取或导出保护带钢丝111。通过这样的结构,在训练者900要跌倒的情况下,防跌倒保护带装置根据检测到该活动的整体控制部210的指示来卷取保护带钢丝111,通过背带110支承训练者900的上身而防止训练者900跌倒。
背带110具备用于检测训练者900的姿势的姿势传感器217。姿势传感器217例如是将陀螺仪传感器与加速度传感器组合而成的传感器,输出佩戴了背带110的腹部相对于重力方向的倾斜角。
管理用监视器139被安装于框架130,是主要用于供训练工作人员901进行监视以及操作的显示输入装置。管理用监视器139例如为液晶面板,在其表面设置有触摸面板。管理用监视器139显示与训练设定相关的各种菜单项目、训练时的各种参数值、训练结果等。另外,在管理用监视器139的附近设置有紧急停止按钮232。通过训练工作人员901按压紧急停止按钮232,由此步行训练装置100紧急停止。
步行辅助装置120被佩戴于训练者900的病腿,通过减少病腿的膝关节处的伸展以及屈曲的负荷来辅助训练者900的步行。步行辅助装置120具备测量脚底载荷的传感器等,向整体控制部210输出与移动腿相关的各种数据。另外,背带110还能够使用具有旋转部的连接部件(以下,称为称为臀部接头:a hip joint)来与步行辅助装置120连接。关于步行辅助装置120的详细将后述。
整体控制部210生成可包含与训练设定相关的设定参数、作为训练结果而从步行辅助装置120输出的与移动腿相关的各种数据等的复健数据。该复健数据能够包含表示训练工作人员901或者其经验年数、熟练度等的数据、表示训练者900的症状、步行能力、恢复度等的数据、从设置于步行辅助装置120的外部的传感器等输出的各种数据等。其中,关于复健数据的详细将后述。
外部通信装置300是将复健数据向外部发送的发送构件的一个具体例。外部通信装置300能够具有接受步行训练装置100所输出的复健数据并暂时进行存储的功能和将所存储的复健数据向服务器500发送的功能。
外部通信装置300例如通过USB(Universal Serial Bus)线缆与步行训练装置100的控制盘133连接。另外,外部通信装置300经由无线通信设备410例如通过无线LAN(LocalArea Network)与因特网或者局域网等网络400连接。此外,步行训练装置100还能够具备通信装置来代替外部通信装置300。
服务器500是存储复健数据的存储构件的一个具体例。服务器500与网络400连接,具有蓄积从外部通信装置300接收到的复健数据的功能。关于服务器500的功能将后述。
在本实施方式1中,作为复健辅助装置的一个例子对步行训练装置100进行说明,但并不局限于此,也可以是其他结构的步行训练装置,还可以是进行训练者的复健辅助的任意复健辅助装置。例如,复健辅助装置也可以是辅助肩、臂的复健的上肢复健辅助装置。或者,复健辅助装置也可以是辅助训练者的平衡能力的复健的复健辅助装置。
接下来,使用图2对步行辅助装置120进行说明。图2是表示步行辅助装置120的一个构成例的简要立体图。步行辅助装置120主要具备控制单元121、支承病腿的各部的多个框架、以及用于检测施加于脚底的载荷的载荷传感器222。
控制单元121包括进行步行辅助装置120的控制的辅助控制部220,另外,还包括产生用于对膝关节的伸展运动以及屈曲运动进行辅助的驱动力的未图示的马达。支承病腿的各部的框架包括大腿框架122和与大腿框架122连结为转动自如的小腿框架123。另外,该框架还包括与小腿框架123连结为转动自如的脚掌框架124、用于连结前侧钢丝134的前侧连结框架127、以及用于连结后侧钢丝136的后侧连结框架128。
大腿框架122与小腿框架123绕图示的铰接轴Ha相对转动。控制单元121的马达根据辅助控制部220的指示进行旋转,以大腿框架122与小腿框架123绕铰接轴Ha相对打开或者闭合的方式施力。收纳于控制单元121的角度传感器223例如为旋转式编码器,检测大腿框架122与小腿框架123绕铰接轴Ha所成的角。小腿框架123与脚掌框架124绕图示的铰接轴Hb相对转动。相对转动的角度范围通过调整机构126预先调整。
前侧连结框架127被设置为在大腿的前侧沿左右方向伸延并在两端与大腿框架122连接。另外,在前侧连结框架127中,在左右方向的中央附近设置有用于连结前侧钢丝134的连结钩127a。后侧连结框架128被设置为在小腿的后侧沿左右方向伸延并在两端分别与沿上下伸延的小腿框架123连接。另外,在后侧连结框架128中,在左右方向的中央附近设置有用于连结后侧钢丝136的连结钩128a。
大腿框架122具备大腿带129。大腿带129是一体设置于大腿框架的带,被卷绕于病腿的大腿部来将大腿框架122固定于大腿部。由此,防止了步行辅助装置120的整体相对于训练者900的腿部偏移。
载荷传感器222是被埋入至脚掌框架124的载荷传感器。载荷传感器222检测训练者900的脚底所承受的垂直载荷的大小与分布,例如还能够构成为检测COP(Center OfPressure:载荷中心)。载荷传感器222例如是电极被配置为矩阵状的阻力变化检测型的载荷检测片。
接下来,参照图3对步行训练装置100的系统构成例进行说明。图3是表示步行训练装置100的系统构成例的框图。如图3所示,步行训练装置100能够具备整体控制部210、跑步机驱动部211、操作受理部212、显示控制部213以及抻拉驱动部214。另外,步行训练装置100能够具备保护带驱动部215、图像处理部216、姿势传感器217、扶手传感器218、通信连接IF(接口)219、输入输出单元231以及步行辅助装置120。
整体控制部210例如是MPU(Micro Processing Unit),通过执行从系统存储器读入的控制程序来执行装置整体的控制。整体控制部210能够具有后述的步行评价部210a、训练判定部210b、输入输出控制部210c以及通知控制部210d。
跑步机驱动部211包括使带132旋转的马达和其驱动电路。整体控制部210通过向跑步机驱动部211发送驱动信号来执行带132的旋转控制。整体控制部210例如根据由训练工作人员901设定的步行速度来调整带132的旋转速度。
操作受理部212受理来自训练工作人员901的输入操作并将操作信号向整体控制部210发送。训练工作人员901对构成操作受理部212的、设置于装置的操作按钮、与管理用监视器139重叠的触摸面板、附属的遥控器等进行操作。通过该操作,能够赋予电源的开/关、训练的开始的指示、进行与设定相关的数值的输入、菜单项目的选择。此外,操作受理部212还能够受理来自训练者900的输入操作。
显示控制部213接受来自整体控制部210的显示信号来生成显示图像,并显示于训练用监视器138或者管理用监视器139。显示控制部213根据显示信号来生成表示训练的进展的图像、由照相机140拍摄到的实时影像。
抻拉驱动部214包括构成前侧抻拉部135的用于抻拉前侧钢丝134的马达及其驱动电路、和构成后侧抻拉部137的用于抻拉后侧钢丝136的马达及其驱动电路。整体控制部210通过向抻拉驱动部214发送驱动信号来分别控制前侧钢丝134的卷取与后侧钢丝136的卷取。另外,并不局限于卷取动作,还通过控制马达的驱动转矩来控制各钢丝的抻拉力。整体控制部210例如根据载荷传感器222的检测结果来确定病腿从立腿状态切换为摆腿状态的时机,通过与该时机同步地使各钢丝的抻拉力增减,来辅助病腿的摆动动作。
保护带驱动部215包括构成保护带抻拉部112的用于抻拉保护带钢丝111的马达及其驱动电路。整体控制部210通过向保护带驱动部215发送驱动信号来控制保护带钢丝111的卷取和保护带钢丝111的抻拉力。例如在预测到训练者900跌倒的情况下,整体控制部210卷取一定量的保护带钢丝111来防止训练者跌倒。
图像处理部216与照相机140连接,能够从照相机140接受图像信号。图像处理部216根据来自整体控制部210的指示来从照相机140接受图像信号,对接受到的图像信号进行图像处理而生成图像数据。另外,图像处理部216还能够根据来自整体控制部210的指示来对从照相机140接受到的图像信号实施图像处理而执行特定的图像解析。例如,图像处理部216通过图像解析来检测与跑步机131接触的病腿的脚的位置(立腿位置)。具体而言,例如通过提取脚掌框架124的前端附近的图像区域并对描绘在与该前端部重叠的带132上的识别标识进行解析来运算立腿位置。
姿势传感器217如上述那样检测训练者900的腹部相对于重力方向的倾斜角,并将检测信号向整体控制部210发送。整体控制部210使用来自姿势传感器217的检测信号来运算训练者900的姿势、具体为躯干的倾斜角。其中,整体控制部210与姿势传感器217可以通过有线连接,也可以通过近距离无线通信连接。
扶手传感器218检测施加于扶手130a的载荷。即,训练者900无法通过两腿完全支承自身的体重的量的载荷施加于扶手130a。扶手传感器218检测该载荷,并将检测信号向整体控制部210发送。
整体控制部210还承担作为执行与控制相关的各种运算、控制的功能执行部的作用。步行评价部210a使用从各种传感器取得的数据来评价训练者900的步行动作是否为异常步行。训练判定部210b例如基于步行评价部210a评价出的异常步行的累计数来对于一系列步行训练判定训练结果。整体控制部210能够生成该判定结果或成为其根本的异常步行的累计数等作为复健数据的一部分。
其中,包括该判定的基准在内,判定的方法是任意的。例如,能够按每个步行相位将瘫痪体部的动作量与基准比较来进行判定。其中,步行相位将关于病腿(或者健康腿)的1个步行周期(one walking cycle)分类成处于立腿状态的立腿期、从立腿期向处于摆腿状态的摆腿期的过渡期、摆腿期、从摆腿期向立腿期的过渡期等。例如能够如上述那样根据载荷传感器222的检测结果来分类(判定)处于哪个步行相位。此外,步行周期能够如上述那样以立腿期、过渡期、摆腿期、过渡期为1个周期,但将哪个时期定义为开始时期是任意的。除此之外,步行周期例如还能够以两腿支承状态、单腿(病腿)支承状态、两腿支承状态、单腿(健康腿)支承状态为1个周期,在这种情况下,将哪个状态定义为开始状态也是任意的。
另外,关注于右腿或者左腿(健康腿或者病腿)的步行周期还能够进一步细分,例如,能够将立腿期分为初始接地与4期来表达,将摆腿期分为3期来表达。初始接地是指观察脚部接地于地板的瞬间,立腿期的4期是指载荷响应期、立腿中期、立腿末期以及前摆腿期。载荷响应期是从初始接地至相反侧的脚部离开地板的瞬间(对侧离地)为止的期间。立腿中期是从对侧离地至观察脚部的脚后跟离开的瞬间(脚后跟离地)为止的期间。立腿末期是从脚后跟离地至相反侧的初始接地为止的期间。前摆腿期是从相反侧的初始接地至观察脚部离开地板(离地)为止的期间。摆腿期的3期是指摆腿初期、摆腿中期、以及摆腿后期。摆腿初期是从前摆腿期的最后(上述离地)至双脚交叉(脚部交叉)为止的期间。摆腿中期是从脚部交叉至胫骨成为垂直(胫骨垂直)为止的期间。摆腿末期是从胫骨垂直至下一初始接地为止的期间。
通信连接IF219是与整体控制部210连接的接口,是用于向被佩戴于训练者900的病腿的步行辅助装置120赋予指令、接受传感器信息的接口。
步行辅助装置120能够具备与通信连接IF219通过有线或者无线连接的通信连接IF229。通信连接IF229与步行辅助装置120的辅助控制部220连接。通信连接IF219、229是符合通信标准的例如有线LAN或者无线LAN等通信接口。
另外,步行辅助装置120能够具备辅助控制部220、关节驱动部221、载荷传感器222以及角度传感器223。辅助控制部220例如为MPU,通过根据来自整体控制部210的指示执行控制程序来执行步行辅助装置120的控制。另外,辅助控制部220将步行辅助装置120的状态经由通信连接IF219、229向整体控制部210通知。另外,辅助控制部220接受来自整体控制部210的指令而执行步行辅助装置120的起动/停止等控制。
关节驱动部221包括控制单元121的马达及其驱动电路。辅助控制部220通过向关节驱动部221发送驱动信号来以大腿框架122与小腿框架123绕铰接轴Ha相对打开或关闭的方式施力。通过这样的动作,来辅助膝的伸展动作以及屈曲动作、防止折膝。
载荷传感器222如上述那样检测训练者900的脚底所承受的垂直载荷的大小与分布并将检测信号向辅助控制部220发送。辅助控制部220通过接受并解析检测信号来进行摆腿/立腿的状态判别、切换推断等。
角度传感器223如上述那样检测大腿框架122与小腿框架123绕铰接轴Ha所成的角并将检测信号向辅助控制部220发送。辅助控制部220接受该检测信号并运算膝关节的打开角。
输入输出单元231例如包括USB(Universal Serial Bus)接口,是用于与外部的设备(外部通信装置300、其他外部设备)连接的通信接口。整体控制部210的输入输出控制部210c经由输入输出单元231与外部的设备通信,进行上述的整体控制部210内的控制程序、辅助控制部220内的控制程序的改写、指令的接受、生成的复健数据的输出等。步行训练装置100通过输入输出控制部210c的控制来经由输入输出单元231以及外部通信装置300进行与服务器500的通信。例如,输入输出控制部210c能够进行经由输入输出单元231以及外部通信装置300将复健数据发送至服务器500的控制、接收来自服务器500的指令的控制。
在需要针对训练工作人员901的通知的情形下,通知控制部210d通过控制显示控制部213或者另外设置的声音控制部等来从管理用监视器139或者另外设置的扬声器进行通知。关于该通知的详细将后述,但需要针对训练工作人员901的通知的情形能够包括从服务器500接收到用于进行通知的指令的情况。
接下来,对服务器500的详细进行说明。
如上所述,步行训练装置100经由外部通信装置300将各种复健数据向服务器500发送。服务器500能够构成为从多个步行训练装置100接收复健数据,由此能够收集许多复健数据。而且,服务器500是处理各种数据的处理装置。例如,服务器500能够作为使用收集到的复健数据进行机器学习并构建学习完毕模型的学习装置(学习系统)发挥功能。学习装置也能够是学习器。此外,学习装置还能够称为学习模型生成装置。
图4是表示服务器500的一个构成例的框图。如图4所示,服务器500能够具备控制部510、通信IF514、数据蓄积部520以及模型存储部521。控制部510例如为MPU,通过执行从系统存储器读入的控制程序来执行服务器500的控制。控制部510能够具备后述的预测部510a、学习部510b以及响应处理部510c,在该情况下,上述的控制程序包括用于实现包括这些部位510a~510c的功能的控制部510的功能的程序。
通信IF514例如包括有线LAN接口,是用于与网络400连接的通信接口。控制部510能够经由通信IF514接收来自步行训练装置100的复健数据,能够发送向步行训练装置100的指令。
数据蓄积部520例如具有HDD(Hard Disk Drive)、SSD(Solid State Drive)等存储装置,存储复健数据。控制部510将经由通信IF514从外部通信装置300接收到的复健数据向数据蓄积部520写入。
模型存储部521也具有HDD、SSD等存储装置。此外,数据蓄积部520与模型存储部521还能够具有共通的存储装置。模型存储部521存储未学习(还包括学习中的情况)的学习模型(以下,称为未学习模型)以及学习完毕的学习模型(以下,称为学习完毕模型)的至少一方。当服务器500作为学习装置发挥功能时,模型存储部521中至少存储有未学习模型。在服务器500与步行训练装置100配合来执行复健辅助处理的情况下,模型存储部521中至少存储有能够运用的学习完毕模型。
另外,控制部510能够构成为进行对作为学习装置的功能与通过学习完毕模型进行复健辅助处理(包括预测结果提示处理)的功能加以切换的控制。不过,服务器500也能够按照在学习阶段使用的装置和在伴有学习完毕模型的运用阶段使用的装置进行分散。学习部510b为了使服务器500作为学习装置发挥功能而设置,预测部510a以及响应处理部510c为了使服务器500执行复健辅助处理的一部分而设置。
(复健数据)
这里,在对预测部510a、学习部510b以及响应处理部510c进行说明之前,对服务器500为了学习或者为了复健辅助处理而能够收集的复健数据进行说明。服务器500能够收集的复健数据主要包括:(1)步行训练装置100的设定参数、(2)由设置于步行训练装置100的传感器等检测到的检测数据、(3)与训练者900相关的数据、(4)与训练工作人员901相关的数据。上述(1)~(4)的复健数据可以与取得时间日期建立对应地收集。并且,检测数据或者设定参数可以作为按照时间序列的日志数据来收集。或者,也可以是每隔一定的时间的对于数据提取的特征量等。
复健数据主要是在步行训练装置100中通过操作输入、自动输入、传感器的测量等而获得的数据。另外,复健数据还能够包括由照相机140录像的录像数据。此外,复健数据能够是复健的每个实施日的数据,该情况下,还能够称为日报数据。以下,对服务器500收集由步行训练装置100生成的复健数据进行说明,但还能够构成为服务器500从步行训练装置100以外的例如其他服务器取得复健数据的一部分。这里所说的复健数据的一部分例如能够是训练者900的症状等上述(3)的详细数据、PT的经验年数等上述(4)的详细数据等。前者能够作为训练者900的病历信息储存于其他服务器,后者能够作为PT的履历书等储存储存于其他服务器。
在学习阶段中,服务器500只要在复健数据的产生时或每1天、每1周等定期地从步行训练装置100接收复健数据即可。在学习阶段与运用阶段中,能够使所使用的复健数据的种类(复健数据所包含的内容)不同。例如,在运用阶段中,服务器500只要在训练开始时从步行训练装置100接收复健数据并在训练中接收上述(1)~(4)中的存在变更的数据即可。另外,步行训练装置100与服务器500中的任一个可以成为主体来执行复健数据的收发。
对上述(1)进行说明。
上述(1)的数据能够与上述(2)的检测数据一同被定义为由步行训练装置100在复健实施中取得的训练者900的训练数据。
步行训练装置100的设定参数例如是为了设定步行训练装置100的动作而由操作人员输入的数据或者自动设定的数据。其中,如上所述,操作人员通常是在训练者900的训练中实际陪同的训练工作人员901,以下以操作人员是训练工作人员901为前提来进行说明。另外,由于训练工作人员901是物理治疗师(PT:Physical Therapist)的情况较多,所以以下还存在将训练工作人员901简称为“PT”的情况。
在步行训练装置100中,能够通过设定参数来调整步行训练的难易度。其中,设定参数还能够包含表示难易度的水平的参数,该情况下,伴随着该水平的变更,能够使其他设定参数中的一部分或者全部变更。随着训练者900的恢复推进,训练工作人员901逐渐提高步行训练的难易度。即,随着训练者900的步行能力变高,训练工作人员901减少步行训练装置100的辅助。另外,当在步行训练中看到异常的情况下,训练工作人员901增加辅助。通过训练工作人员901恰当地调整设定参数,训练者900能够实施恰当的步行训练,能够更高效地进行复健。
设定参数的具体例如以下所示。
作为设定参数,例如能够举出部分体重免载量[%]、扶手130a的上下位置[cm]、扶手130a的左右位置[cm]、臀部接头的有无、踝关节跖屈限制[deg]、踝关节背屈限制[deg]等。另外,作为设定参数,例如还能够举出跑步机速度[km/h]、摆动辅助[水平]、摆动前后比[前/后]。另外,作为设定参数,例如还能够举出膝部伸展辅助[水平]、膝部屈曲角度[deg]、膝部屈伸时间[sec]、辅高[mm]、减重阈值[%]、载荷阈值[%]。另外,作为设定参数,例如还能够举出跑步机的带的倾斜[度]、步行辅助装置对关节的活动的辅助[水平]、使步行辅助装置对关节的活动的辅助或者摆动辅助产生的频度、步行的异常或者正常的判定条件(例如判定阈值)、跌倒或者要跌倒的判定条件(例如判定阈值)、在与步行的异常或者正常建立对应地进行报告的情况下其产生条件(产生频度、产生阈值等)。这里,报告可以是基于声音、振动、显示等任一个的报告,可以包括其一部分或者全部。此外,包括这里例示的设定参数在内,复健数据所包含的数据的单位是任意的。
部分体重免载量是通过保护带抻拉部112拉动保护带钢丝111而将训练者900的体重免载的比例。所希望的步行训练的难易度越高,则训练工作人员901将部分体重免载量设定为越低的值。扶手130a的上下位置以及左右位置是从扶手130a的基准位置起的调整量。臀部接头的有无是指是否安装有臀部接头。踝关节跖屈限制、踝关节背屈限制规定了小腿框架123与脚掌框架124能够绕铰接轴Hb转动的角度范围。踝关节跖屈限制与前侧的上限角度对应,踝关节背屈限制与后侧的最大角度对应。即,踝关节跖屈限制、踝关节背屈限制分别是使踝关节向降低脚尖的一侧、向提高脚尖的一侧弯曲的角度的限制值。训练工作人员901以所希望的步行训练的难易度越高则角度范围越大的方式来设定踝关节跖屈限制以及踝关节背屈限制的值。
跑步机速度是基于跑步机131的步行速度。所希望的步行训练的难易度越高,则训练工作人员901将跑步机速度设定为越高的值。摆动辅助是腿的摆动时与前侧钢丝134所赋予的抻拉力对应的程度,该程度越高,则最大抻拉力越大。所希望的步行训练的难易度越高,则训练工作人员901将摆动辅助设定为越低的程度。摆动前后比是在腿的摆动时前侧钢丝134的抻拉力与后侧钢丝136的抻拉力之比。
膝部伸展辅助是为了防止立腿时折膝而施加的与关节驱动部221的驱动转矩对应的程度,该程度越高则驱动转矩越大。所希望的步行训练的难易度越高,则训练工作人员901将膝部伸展辅助设定为越低的程度。膝部屈曲角度是进行膝部伸展辅助时的角度。膝部屈伸时间是进行膝部伸展辅助的期间,若该值大,则以缓慢地使膝部屈伸的方式进行辅助,若该值小,则以使膝部快速屈伸的方式进行辅助。
辅高是在与训练者900的瘫痪腿相反侧的腿(不佩戴辅助器亦即步行辅助装置120一侧的腿)的鞋底设置的缓冲物等部件的高度。减重阈值是施加于脚底的载荷的阈值之一,若低于该阈值,则解除摆动辅助。载荷阈值是施加于脚底的载荷的阈值之一,若超过该阈值,则进行摆动辅助。这样,步行辅助装置120能够构成为可通过膝部屈曲角度、膝部屈伸时间、减重阈值以及载荷阈值这4个设定参数来调整该膝部的屈伸运动。
另外,步行训练装置100例如还能够构成为通过声音从未图示的扬声器向训练者以及/或者训练工作人员反馈载荷、角度等各种参数的设定值、目标值、目标的实现率、目标的实现时机等。上述的设定参数还能够包括关于这样的反馈声的有无、音量之类的设定的参数。
除此之外,上述的设定参数也可以不是与训练的难易度直接有关的设定参数。例如,上述的设定参数还能够是为了使训练者900提高积极性而用于通过训练用监视器138、未图示的扬声器提供的图像、音乐、游戏的种类、游戏的难易度等设定值等。
此外,上述的设定参数是一个例子,也可以存在这些以外的设定参数。或者,上述中的一部分设定参数可以不存在。另外,如上述那样,上述的设定参数是用于调整训练的难易度的参数较多,但也能够还包括与难易度无关的参数。例如,步行训练装置100能够构成为显示使训练用监视器138显示的注意唤起用的图标图像。而且,作为与难易度无关的设定参数,例如能够举出这样的注意唤起用的图标图像的大小、显示间隔等用于提高训练者900对训练的集中度的参数等。另外,上述的设定参数能够预先附加完成了该设定操作的时间日期等时间信息或者时间以外的时机信息(例如表示1个步行周期内的立腿期、摆腿期等的区别的信息)。
对上述(2)进行说明。
上述(2)的检测数据能够与上述(1)的数据一同被定义为由步行训练装置100在复健实施中取得的训练者900的训练数据。
作为检测数据,主要能够举出传感器数据。传感器数据是由步行训练装置100的各种传感器检测出的传感器值。例如,传感器数据是由姿势传感器217检测出的躯干的倾斜角度、由扶手传感器218检测出的载荷、倾斜角度、由角度传感器223检测出的角度等。输出传感器数据的传感器是加速度传感器、角速度传感器、位置传感器、光传感器、转矩传感器、重量传感器等。另外,可以使用设置于前侧钢丝134、后侧钢丝136、保护带钢丝111的卷取机构等的马达的编码器作为传感器。并且,可以将马达的转矩传感器(测力元件)作为传感器,可以将对驱动马达的驱动电流值进行检测的电流检测部作为传感器。
另外,传感器数据例如能够包括由检测视线的视线检测传感器取得的视线数据。同样的视线数据还能够基于拍摄了训练者900的至少眼睛的图像并通过图像处理检测视线来获得,或者还能够基于拍摄了训练者900的至少面部的图像来判定面部的朝向(朝上/朝下等)而获得。这样的数据也能够包括于上述的检测数据。另外,检测数据还能够是由取得训练者900或者训练工作人员901的声音的麦克风等声音取得部取得的声音数据、或声音解析了该声音数据的文本数据、或解析了该文本数据的数据。训练工作人员901的声音能够包括对训练者900的与走法的矫正等相关的呼喊。另外,传感器数据还能够是利用脑波仪检测了训练者900的脑波的数据,还能够是利用脑波仪检测了训练工作人员901的脑波的数据。
另外,视线检测传感器、拍摄上述图像的拍摄部、麦克等能够设置于步行训练装置100的主体侧,但也能够设置于例如用于供训练者900佩戴的眼镜型可穿戴终端。只要在该终端具备通过Bluetooth(注册商标)等无线通信方式对数据进行无线通信的无线通信部,并且在步行训练装置100侧也具备无线通信部即可。由此,步行训练装置100能够通过无线通信取得由可穿戴终端取得的数据。脑波仪限于检测精度良好的脑波仪,能够构成为设置于步行训练装置100的主体侧而能够将训练者900的脑波与训练工作人员901的脑波区别来进行检测。其中,优选将脑波仪设置为成为上述的眼镜型可穿戴终端(例如眼镜的镜腿的部分等)等接近检测对象者的位置。
另外,传感器等取得检测数据的检测部并不局限于参照图1~图3说明的结构、或作为眼镜式可穿戴终端等而例示的结构。例如,能够使训练者900穿戴搭载了穿戴式生物体传感器以及/或者穿戴式触摸传感器的衣物。这里所说的衣物并不局限于穿戴于上半身的衣物,也可以是穿戴于下半身的衣物,还可以是上下成套的衣物,例如可以是背带110等穿戴于一部分的部件。另外,在衣物以及步行训练装置100具备上述那样的无线通信部。由此,步行训练装置100能够通过无线通信来取得由穿戴式生物体传感器、穿戴式触摸传感器取得的数据。穿戴式生物体传感器能够取得穿戴者的心率等重要(vital)数据。穿戴式触摸传感器能够取得表示穿戴者亦即训练者900被从外部触摸的信息、即训练工作人员901触摸训练者900的位置的信息的数据。
另外,检测数据并不局限于各种传感器等检测到的检测信号所表示的值,也能够包括基于来自多个传感器的检测信号而计算出的值、统计处理来自1个或者多个传感器等的检测信号的统计值。作为该统计值,例如能够采用平均值、最大值、最小值、标准偏差值等各种统计值,另外,也可以是静态统计的统计值,例如可以是1天、1次训练、1个步行周期等一定期间内的动态统计的统计值。
例如,传感器数据能够包括根据由角度传感器223检测出的大腿框架122与小腿框架123的角度而计算出的膝关节的打开角。并且,关于角度传感器的传感器数据能够包括将角度微分所得的角速度。关于加速度传感器的传感器数据可以是将加速度积分所得的速度、将加速度两次积分所得的位置。
例如,检测数据能够包括关于每日或者1日内的复健的每次实施的、如下那样的平均值、合计值、最大值、最小值、代表值。作为这里的平均值,能够举出平均速度(总步行距离/总步行时间)[km/h]、步距的平均值[cm]、表示每1分钟的步数(step)的步行率[steps/min]、步行PCI[拍/m]、跌倒规避帮助[%]等。平均速度例如能够是根据跑步机131的速度设定值而计算出的值、或根据跑步机驱动部211中的驱动信号而计算出的值。步距是指单侧的脚后跟接地至同侧的脚后跟下次再次接地为止的距离。PCI是指Physiological CostIndex(生理成本指数的临床指标),步行PCI表示步行时的能量效率。跌倒规避帮助[%]是指按每1个步数计算训练工作人员901对训练者900进行了跌倒规避帮助的次数亦即跌倒规避帮助[次]的比例、即按照每1个步数进行了跌倒规避帮助的比例。
另外,作为这里的合计值,能够举出步行时间[秒]、步行距离[m]、步数[steps]、跌倒规避帮助[次]、跌倒规避帮助部位以及每个部位的次数[次]等。
另外,作为这里的最大值或者最小值,能够举出连续步行时间[秒]、连续步行距离[m]、连续步数[steps]等的最大值、最小值、步行PCI[拍/m]的最小值(换言之,每1拍能够步行的距离的最长值)等。作为代表值,能够举出作为跑步机131的速度而最多使用的值(代表速度[km/h])等。
这样,检测数据能够包括从各种传感器等检测部直接或者间接供给的数据。另外,上述的检测数据能够预先附加完成该检测的时间日期等时间信息或者时间以外的时机信息。
此外,上述的检测数据是一个例子,也可以存在除此以外的检测数据。或者,上述中的一部分检测数据也可以不存在。即,在采用检测数据作为复健数据的情况下,服务器500只要收集一个以上检测数据即可。
对上述(3)进行说明。
与训练者900相关的数据(以下,称为训练者数据)例如表示训练者900的属性等。训练者数据能够以训练者900的年龄、性别、体格(身高、体重等)为代表而包括症状信息、Br.Stage、SIAS、初始步行FIM、最新的步行FIM等。另外,训练者数据能够包含训练者900的姓名或者ID,另外,还能够包含表示训练者900的喜好的嗜好信息、表示性格的性格信息等。另外,训练者数据能够包含步行能力所涉及的项目以外的运动项目作为FIM,另外,还能够包含认知项目。即,训练者数据能够包含表示训练者900的身体能力的各种数据。其中,训练者数据的一部分或者全部还能够称为身体信息、基本信息或训练者特征信息等。
这里,症状信息能够包含表示初始症状、其发病时期、当前的症状的信息,能够理解为训练者900主要因这里所包含的症状而需要复健。但是,症状信息也能够包含与复健无直接关系的症状。另外,在症状信息中能够与中风(脑血管病)、脊髄损伤等罹患的疾病的类型(病名或者疾病名)一同包含其部位(损伤部位),能够根据类型不同而包含其分类。例如,中风能够分类为脑梗塞、头盖内出血(脑出血/蛛网膜下出血)等。
Br.Stage是指Brunnstrom Recovery Stage,针对偏瘫的恢复过程,根据观察将其恢复阶段分为6个阶段。训练者数据能够包括Br.stage中的与步行训练装置100有关的主要项目亦即下肢项目。SIAS是指Stroke Impairment Assessment Set,是综合地评价中风的功能障碍的指标。SIAS能够包括髋屈曲测试(Hip-Flex)、膝部伸展测试(Knee-Ext)、脚底板测试(Foot-Pat)。另外,SIAS能够包括下肢触觉(TouchL/E)、下肢位置感(PositionL/E)、腹肌力(Abdominal)、以及垂直性测试(Verticality)。
FIM(Functional Independence Measure:功能独立性评价表)决定了评价ADL(Activities of Daily Life)的评价方法之一。在FIM中,根据帮助量而以1分~7分这7个阶段进行评价。
例如,步行FIM成为表示恢复度的通用的指标。在无帮助者且无背带(辅助器)能够步行50m以上的情况下,成为最高分的7分,在一个帮助者如何帮助也只能步行小于15m的情况下,成为最低分的1分。另外,在以最小帮助(帮助量为25%以下)能够移动50m的情况下,成为4分,在以中等程度帮助(帮助量25%以上)能够移动50m的情况下,成为3分。因此,随着恢复进展,训练者900的步行FIM逐渐变高。此外,进行步行FIM的评价的情况下的步行距离并不局限于50m,例如还存在15m的情况。
由此也可知,由步行训练装置100管理的最新的步行FIM不仅是表示训练者900的身体能力的指标,还是表示从复健开始时刻起的训练者900的恢复度的指标。步行FIM成为表示不使用促动器的情况下的训练者900的动作能力、即步行能力的指标。换言之,在知晓训练者900的复健的进展状况的方面,步行FIM成为重要的指标。另外,从初始步行FIM向最新的步行FIM的变化量或者变化速度也成为表示恢复度的指标。变化速度还能够称为FIM效率,例如能够是将到现在为止的FIM的增益(变化量)除以复健的实施天数、表示复健的期间的经过天数、或训练者900为入院患者的情况下的入院天数等期间所得的值
另外,步行FIM能够理解为穿戴了辅助器的情况等的评价时的条件下的分数,该情况下,还能够将表示该评价时所应用的条件的信息附加至表示步行FIM的信息。条件能够包含取得该信息时的辅高、所使用的背带(例如步行辅助装置120、其他步行辅助装置、无背带等)、该背带中的膝部、脚踝的部位的角度设定等设定、平地步行还是斜面步行等。另外,通常步行FIM是平地步行下的步行FIM,表示其的平地步行信息中还能够包含平地步行评价时步行最远的距离(最大连续步行距离[m])等信息。
这样,上述(3)的训练者数据能够包括关于训练者900利用步行训练装置100执行的复健的、包含训练者900的症状、身体能力以及恢复度的至少一个的指标数据。例如,恢复度能够为步行FIM、平地步行速度、SIAS等,但并不局限于此,另外,身体能力除了上述以外还能够包括拐杖的有无等。此外,对于最新的步行FIM等身体能力以及恢复度两方的概念所能包含的数据而言,通常只要包含于一方即可,但也能够包含于两方。例如,上述那样的指标数据也能够处理为不包含于上述(3)的训练者数据的复健数据,也能够处理为上述(3)的训练者数据与不包含于其的数据两方。此外,同样的情况对于复健数据的全部项目而言,某个项目的数据能够视为上述(1)~(4)中的任一个或者多个数据。另外,上述的训练者数据能够预先附加步行FIM的测定时间日期等取得其的时间日期等时间信息。
对上述(4)进行说明。
与训练工作人员901相关的数据(以下,称为工作人员数据)例如表示训练工作人员901的属性等。工作人员数据是训练工作人员901的姓名、ID、年龄、性别、体格(身高、体重等)、所属的医院名、作为PT或者医师的经验年数等。工作人员数据能够包含将帮助训练者900的时间数值化的值作为与帮助者相关的数据。
另外,在多个训练工作人员同时帮助复健的情况下,复健数据能够包含多人的工作人员数据。另外,各工作人员数据能够还包含表示是主要的训练工作人员、还是辅助的训练工作人员的信息。各工作人员数据能够除了包括这样的信息之外、或者也可以代替这样的信息而包括表示是否是进行管理用监视器139中的设定操作、图像的确认的训练工作人员、或者是否是仅起到用手支承训练者900的作用的训练工作人员的信息等。
另外,优选步行训练装置100构成为能够输入对训练者900的复健计划。而且,这样输入的复健计划的数据也能够作为与作为其输入者的训练工作人员901相关的工作人员数据或属于其他分类的复健数据而包含。另外,为了能够应对训练工作人员901的变更,优选步行训练装置100构成为能够输入今后的对该训练者900的训练进行辅助时的注意事项、转告事项。而且,这样输入的数据也能够作为与作为其输入者的训练工作人员901相关的工作人员数据或属于其他分类的复健数据而包含。
使复健数据包含这些数据的理由是也可能存在某个训练工作人员正因为存在来自熟练的其他训练工作人员的注意事项、转告事项才能够顺利地推行训练者900的训练这一情形。另外,上述的工作人员数据例如能够预先附加复健计划的输入时间日期等完成该输入的时间日期等时间信息。
(学习阶段:学习模型的构建)
接下来,一并参照图5~图9对服务器500的控制部510的学习阶段(学习时期)中的处理进行说明。图5是用于对服务器500中的学习处理的一个例子进行说明的流程图。图6是表示用于对在该学习处理中使用的学习用数据组进行说明的表的图,是表示相对于学习模型输入输出的参数的一个例子的图。图7是表示图6的参数中的变化模式的例子的图。另外,图8是用于对在上述的学习处理中使用的学习模型的一个例子进行说明的图。
服务器500从多个步行训练装置100收集复健数据。而且,服务器500将收集到的复健数据蓄积于数据蓄积部520。控制部510对上述那样的复健数据所包含的信息中的一部分或者全部恰当地实施前处理,在学习部510b中使用处理后的数据进行机器学习,由未学习模型构建学习完毕模型。控制部510内的未图示的前处理部执行前处理(准备处理),学习部510b使用前处理后的数据来执行机器学习。
更具体而言,学习部510b生成学习完毕模型,该学习完毕模型被输入关于训练者900利用步行训练装置100执行了的复健的、每个规定期间的复健数据,用于预测(推断)设定参数的变化。而且,这里被输入的复健数据至少包含表示训练者900的症状、身体能力以及恢复度的至少一个的指标数据、表示训练者900的特征的训练者数据、包括训练者900实施复健时的步行训练装置100中的设定参数的训练数据。当然,由于是学习阶段,所以收集到的复健数据以及前处理后的数据包括关于多个训练者900的数据。
上述规定期间基本上能够是预先决定了时间的长度或者实施次数或者训练次数等的期间。除此之外,还能够将设定参数(例如摆动辅助水平等)直至达到至少高n阶段(n为正整数)的水平为止的期间、直至达到至少低n阶段的水平为止的期间、直至方向如何用于均变化为止的期间等作为上述规定期间。其中,之所以至少为n级来进行说明是因为有可能突然产生n+1级等比n级更多地变化的情况。另外,在前处理前的复健数据不是每个上述规定期间的数据的情况下,优选以成为每个上述规定期间的复健数据的方式进行分割处理、统计处理等处理作为前处理。
而且,学习部510b将直至指标数据达到规定的目标水平为止的数据作为教导数据,来进行机器学习,生成学习完毕模型。即,这里生成的学习完毕模型是对表示为指标数据达到规定的目标水平为止的设定参数的变化进行预测的学习模型。指标数据达到规定的目标水平意味着训练成果提高,在该学习模型中,预测这样的训练成果提高那样的设定参数的变化。当然,规定的目标水平可以是多个目标水平、即所生成的学习完毕模型可以是对直至达到多个规定的目标水平为止的变化进行预测的学习模型。另外,也能够按指标数据的每个种类构建各自独立的学习完毕模型。另外,也能够针对各规定的目标水平的每一个构建各自独立的学习完毕模型。另外,还能够按设定参数的每个种类来构建各个学习完毕模型。
作为生成上述那样的学习完毕模型的步骤,首先在服务器500的数据蓄积部520准备多个用于学习的数据(或者用于其前处理的数据)的组。为此,控制部510例如将在某个期间内收集到的复健数据作为一组学习数据而蓄积于数据蓄积部520。例如,可以准备在一次步行训练或者步行训练的一次实施中收集到的复健数据作为一组学习数据。其中,在以下的说明中,将一组学习数据作为学习用数据组(也简称为数据组)。一个数据组能够包含上述的每个规定期间的复健数据,也可以是一个规定期间的复健数据。
其中,一次步行训练是一个训练者900所进行的一系列训练,若一次步行训练结束,则下一个训练者900在步行训练装置100中进行训练。一次步行训练通常为20分钟~60分钟左右。步行训练的一次实施是在一次步行训练中训练者900持续步行的一个单位。在一次步行训练中包含多次实施。例如,一次实施为5分钟左右。具体而言,在一次步行训练中,训练者900在进行5分钟的步行训练后休息5分钟。即,在一次步行训练中,交替重复进行步行训练的实施和休息。休息和休息之间的5分钟为一次实施的时间。当然,一次训练和一次实施的时间没有特别的限定,能够针对每个训练者900恰当地设定。
另外,也可以准备在比一次实施短的期间收集到的复健数据作为一个数据组,另外,也可以准备在比一次实施长的期间收集到的复健数据作为一个数据组。另外,训练工作人员901也可以准备直至进行喊话、设定参数的变更等为止的期间的数据作为一个数据组。并且,也可以准备直至指标数据的某个值变化m次(m为正整数)为止的期间的数据作为一个数据组。
而且,控制部510的前处理部(未图示)针对如此准备的复健数据,根据需要进行前处理而储存于数据蓄积部520,并读出储存于数据蓄积部520的每个规定期间的复健数据(步骤S1)。
这里的从读出到向未学习模型的输入为止的处理能够按每个数据组进行。在一个数据组中,也能够如上述那样仅包含一个规定期间的复健数据,但优选包含多个。在包含多个的情况下,它们能够是将关于某个训练者900实施了的训练的(优选是关于某个训练者900通过某个训练工作人员901的辅助而实施了的训练的)一系列复健数据按每个规定期间进行划分而得到的数据。
使用图6对数据组的一个例子进行说明。图6是用于对数据组进行说明的表。一个数据组如上述那样具有至少包含指标数据和训练数据的复健数据。在图6的例子中,设定参数、检测数据、训练者数据、工作人员数据、当前的步行FIM(当前步行FIM)以及设定参数(例如摆动辅助水平等)变化模式建立了对应而构成1个数据组。构成一个数据组的这些各种数据是每个规定期间的值,当不是唯一确定的值的情况下,能够是作为在该规定期间进行了统计处理的结果的代表值、平均值等统计值。
如上述那样,训练数据包括设定参数,但这里举出还包括检测数据的例子。其中,训练者数据能够是不包含指标数据的训练者的数据,但也能够包含。训练者数据以及工作人员数据是因为这些信息也有可能影响结果而包含它们的。当前步行FIM是指标数据的一个例子,即便是步行FIM也能够使用未进行训练的阶段中的初始的步行FIM,当然也能够使用步行FIM以外的值、也能够使用多种指标数据。
设定参数变化模式是对该设定参数在作为正确答案标签而包含的、成为对象的一个数据组内如何变化进行表示的模式,这里示出的值是用于确定变化模式的种类的值。
针对图6中例示出的4个设定参数变化模式的具体例,可举出例如图7所示那样的模式。图7的变化模式1是从前半段的停滞期起在中间附近成为急剧增大的值并在后半段再次进入停滞期的模式。图7的变化模式2是在前半段未明显变化且在后半段产生急剧变化的模式。图7的变化模式3是在前半段产生急剧变化且没有达到设定参数的最高值(这里为“7”)的模式。图7的变化模式4是在到中间附近为止恒定地变化并在后半段以最高值进入停滞期的模式。
例如,在将关于步行FIM的规定的目标水平设为“5”的情况下,当将图7所例示的变化模式1~4作为教导数据的正确答案标签使用的情况下,是指任一变化模式1~4均是达到了该目标水平“5”的情况下的模式。
正确答案标签的值分别能够与未学习模型的输出参数的每一个(输出节点的每一个)相关联。实际上,由于根据训练者900的不同,训练以各种恢复曲线进行推移,所以变化模式也可以不是准确的模式。例如,由数据组的制作者决定多个种类的变化模式,能够将其中最接近的变化模式决定为关于成为对象的一个数据组的正确答案标签。当然,正确答案标签可以是其他种类的设定参数的变化模式,也可以是多种设定参数的组合的变化模式。并且,正确答案标签不局限于变化模式,只要是一种或者多种设定参数的简单的最终结果等知晓设定参数的变化的标签即可。
其中,在图6中,为了简化说明,设定参数、检测数据、训练者数据、以及工作人员数据、当前步行FIM分别被表示为一个数据(例如,parameter_1)。但是,关于当前步行FIM,如上述那样,实际上设定参数、检测数据、训练者数据、以及工作人员数据、当前步行FIM各自可以具有多个数据。例如,设定参数可以具有部分体重免载量、扶手130a的上下位置等2个以上数据,只要针对其中的一部分或者全部具有正确答案标签的数据即可。检测数据可以包含来自多个传感器的检测数据。训练者数据可以包含训练者900的性别、以及年龄等2个以上数据。工作人员数据如上述那样可以包含训练工作人员901的年龄、以及性别等2个以上数据。
另外,如上述那样,数据组在包含检测数据的情况下,并不限定于检测数据的原始数据,也可以包含对检测数据实施了规定的处理的数据。例如,可以将从在一定期间取得的检测数据提取得到的特征量作为学习用数据。例如,数据组可以包含一次实施中的检测数据的最大值、最小值、极大值、极小值、平均值等。控制部510也可以根据蓄积于数据蓄积部520的检测数据来计算特征量。另外,数据蓄积部520也可以蓄积特征量。可以是数据蓄积部520蓄积检测数据的原始数据,学习模型具有计算特征量的层。
其中,在生成一个数据组时,存在指标数据、训练者数据以及训练数据的任意一个或者多个未包含在成为根源的复健数据中的情况,但能够将未包含的信息视为是对与紧前的信息相同的值进行表示的信息而包含其中。另外,复健数据能够是训练者900利用步行训练装置100并根据需要由训练工作人员901提供帮助并且执行了的复健的数据,因此举出了包含工作人员数据以及训练者数据的例子。这是因为设定参数的变化既会根据帮助(也包含交流)而变化、也会根据训练者的特征而变化。
接着,前处理部将被读出的数据组(每个规定期间的复健数据)中的指标数据达到规定的目标水平为止的复健数据选择为教导数据(步骤S2)。在步骤S2中,从储存于数据蓄积部520的多个数据组中选择多个数据组作为教导数据。但是,在步骤S2中,也能够将在此选择的一个数据组所包含的多个规定期间的复健数据中的、指标数据达到了规定的目标水平之后的期间的复健数据从教导数据中除去。此外,图6所示的数据组作为步骤S1的处理后的数据的例子被举出,但也能够作为步骤S2的处理后的数据的例子来举出。
然后,学习部510b将这样准备的教导数据输入至未学习模型,来生成(构建)学习完毕模型(步骤S3)。这里,如图6所例示那样,在向未学习模型的输入参数中包含指标数据以及训练数据,来自未学习模型的输出参数能够是设定参数的变化模式(表示指标数据的推移的模式)。
例如,如图8所示,学习部510b能够通过在输入层5011与输出层5012之间设置有中间层(也称为隐藏层)5013的神经网络来构建学习模型。输入层5011具有多个节点5015,被输入数据组所包含的各数据。输出层5012具有多个输出节点5016,作为各输出节点5016的输出参数,输出被称为各设定参数变化模式的确信度等的值。中间层5013具有多个节点5015。各节点具有激活函数。对将各节点连接的边缘进行加权。学习模型5000能够成为将指标数据、训练者数据以及训练数据等作为说明变量、将设定参数变化模式作为目标变量的模型。当然,也能够进一步设置输出例如图8的输出节点5016中的确信度最高的节点编号(即与模式编号对应)的最终的输出层。
这里,利用学习部510b进行学习的未学习模型的种类、其算法是任意的,作为算法,能够使用神经网络。特别是如图8所例示那样,优选使用将中间层5013多层化的深层神经网络(DNN)。作为DNN,例如能够使用采用了误差反向传播法的多层感知器(MLP)等前馈(正向传播型)神经网络。
在学习完毕模型的生成时,学习部510b针对具有多组的教导数据分别将恰当的次数输入至未学习模型。例如,利用教导数据的一部分组(学习的训练数据)生成学习完毕模型,使用剩余组作为测试数据来检验该学习完毕模型的精度。对于检验的结果而言,若精度良好则保持原状安装,若精度差则变更前处理,或者在进行调整等执行了处理之后再次进行学习完毕模型的生成、评价。此外,也能够准备用于检验精度的评价数据和用于测试最终的精度的测试数据两方。另外,能够根据在学习完毕模型的生成时被输入的数据组的项目来生成反映了该项目的学习完毕模型。
另外,成为调整的对象的超级参数是任意的。作为上述对象,例如能够举出神经网络的层数、各层的单元数(节点数)、使用了相同的数据组的反复学习的次数(轮数(numberof epochs))、一次转给模型的输入数据的数(批量大小)。另外,作为上述对象,例如还能够举出学习系数、激活函数的种类等。此外,学习系数还被称为学习率,能够是决定一次何种程度改变各层的权重的值。
另外,一部分的复健数据还能够作为图像数据输入至CNN(Convolutional NeuralNetwork)中的包括卷积层以及池化层(pooling layer)那样的特征提取部。作为图像数据,例如能够举出将训练者900拍摄成知晓其姿势的图像数据等。在设置了这样的特征提取部的情况下,还能够使在此提取到特征的结果与其他输入参数并列输入至所有连接层。
通过以上那样的处理,能够生成在训练者900利用步行训练装置100执行复健时可对该训练者900的训练成果提高那样的设定参数的变化进行预测的学习模型。控制部510将所构建的学习完毕模型(例如学习模型5000)写入模型存储部521中。此外,如上述那样,也能够按设定参数的每个种类、指标数据的每个种类、每个目标水平构建学习完毕模型,该情况下多个学习完毕模型被储存于模型存储部521。
由此,如后面对运用阶段进行叙述那样,在利用了该学习完毕模型的步行训练装置100中,依次输入在复健中取得的数据作为输入参数,能够提示预测出的设定参数变化。因此,训练工作人员901通过灵活运用该被提示的信息,根据需要来进行设定参数的变更,能够以提高训练成果的方式进行针对训练者900的辅助(复健辅助)。
另外,如上所述,复健数据所包含的训练数据能够包含在复健实施中由步行训练装置100取得的数据。由此,能够以对考虑了在复健实施中由步行训练装置100取得的数据的设定参数的变化进行预测的方式构建学习完毕模型。
另外,如上所述,复健数据包括表示训练者900的特征的训练者数据。这里,训练者900的特征能够举出身高、体重、性别、疾病、症状等,训练者数据能够包含表示这样的特征的身体信息。由此,能够以可考虑训练者900的特征来预测设定参数的变化的方式构建学习完毕模型。特别优选该训练者数据包含表示训练者900的疾病(病名或者疾病名)以及症状的至少一方的症状数据。这是因为能够根据训练者900的疾病、症状而预料为预测结果不同。症状数据是记述了上述的症状信息的数据。特别在步行训练的情况下,作为该症状数据所包含的症状,例如能够举出躯干后方移动、躯干前倾、躯干患病侧移动、膝关节屈曲、脚尖离地困难、摆腿保持困难、躯干后倾、骨盆后退、下肢前倾、膝关节伸展、膝关节屈曲位、摆动。另外,作为该症状数据所包含的症状,例如还能够举出躯干健康侧移动、踮脚、骨盆举高、髋关节外旋、环动(circumduction)、内侧绊腿(medial whip)等。
另外,除了训练者900的特征之外(或者作为特征所包含的概念),复健数据也能够包含被输入至步行训练装置100的表示训练者900的喜好的数据。
另外,如上述那样,由学习部510b生成的学习完毕模型能够是用于对指标数据朝向规定的目标水平那样的设定参数的变化模式进行预测的模型。由此,能够构建可输出设定参数的变化模式那样的学习完毕模型。
另外,优选控制部510还具备提取部,该提取部从多个训练者的复健数据之中提取训练者的训练开始初期的指标数据(初始数据)所表示的状态为规定水平(规定状态)的训练者的复健数据。该提取部能够构成为前处理部的一部分或者包含于学习部510b,例如能够构成为进行以初始症状来分层等处理。对于提取出的结果的复健数据而言,若储存于数据蓄积部520则能够在学习时读出。
而且,学习部510b将关于由提取部提取出的复健数据的数据组作为输入,将上述学习模型生成为用于上述规定水平的训练者。由此,能够以进行训练开始初期的指标数据为上述规定水平的训练者用的设定参数的变化预测的方式构建学习完毕模型。
另外,上述的提取部也能够构成为提取如下那样的训练者900的复健数据。即,该训练者900是指训练者900在训练开始初期的指标数据与训练者900的指标数据(现阶段等提取对象阶段中的指标数据)处于规定水平的指标数据的组合为规定的组合那样的人。由此,能够以进行指标数据在训练开始初期与当前阶段为规定的组合的训练者用的设定参数的变化预测的方式构建学习完毕模型。
(运用阶段:学习模型的利用)
接下来,对步行训练装置100以及服务器500在运用阶段(推论阶段)中的处理进行说明。如上述那样,步行训练装置100通过构成为能够访问学习完毕模型,而能够利用该学习完毕模型。其中,学习完毕模型还能够称为学习完毕模块。在运用阶段,主要是步行训练装置100和与其网络连接的服务器500配合、即作为复健辅助系统来进行复健辅助处理。
为了运用上述的学习完毕模型,步行训练装置100主要能够具有如下的预测取得部以及提示部,服务器500能够具有预测部510a和存储了学习完毕模型的模型存储部521。预测取得部例如能够具有输入输出控制部210c以及输入输出单元231。提示部能够具有通知控制部210d、显示控制部213、管理用监视器139、训练用监视器138、未图示的声音控制部以及扬声器等。
作为输入参数,步行训练装置100的预测取得部取得关于进行训练(开始训练或者训练实施中)的训练者900的、至少包含指标数据、训练者数据以及训练数据的复健数据。优选这里取得的指标数据至少包括当前步行FIM等当前的指标数据,但还能够取而代之或者与之一并包含过去的指标数据。这里取得的训练者数据能够包含此刻的过去的数据,但也可以仅为此刻所存在的信息。另外,这里取得的训练数据能够包含此刻的过去的数据,但也可以仅为此刻的设定参数等所存在的信息。
而且,预测取得部将所取得的复健数据发送至服务器500,使服务器500侧执行设定参数的变化的预测,能够得到从服务器500返回的表示预测结果的信息。
主要能够通过服务器500的预测部510a来执行该预测。预测部510a向学习完毕模型输入开始训练或者训练实施中的训练者900的、至少包含指标数据以及训练者数据的复健数据,来预测设定参数的变化。当然,被输入的复健数据还能够包含训练数据。
因此,预测部510a经由响应处理部510c输入复健数据,使存储于模型存储部521的学习完毕模型运行,输入该复健数据中的所需的一部分或者全部作为输入参数。向学习完毕模型输入的复健数据预先通过控制部510的前处理部或者预测取得部而根据需要被实施了前处理以便成为每个规定期间的复健数据。预测部510a接收相对于这样的输入从学习完毕模型输出的各输出参数的值(例如确信度),输出对被预测为其中确信度最高的设定参数变化模式的模式进行表示的结果作为预测结果。预测部510a经由响应处理部510c向步行训练装置100发送该预测结果。其中,响应处理部510c经由通信IF514进行与步行训练装置100的通信。
步行训练装置100的预测取得部从服务器500侧接收从预测部510a输出的预测结果。步行训练装置100的提示部提示由预测取得部得到的预测结果(确信度最高的设定参数变化模式等、预测出的设定参数的变化)。例如能够通过使管理用监视器139显示为图像、从扬声器以声音进行输出等来实施该提示。
由此,在训练者900利用步行训练装置100执行复健时,对此辅助的训练工作人员901能够一边确认训练者900的训练成果提高那样的设定参数变化的预测结果一边进行复健辅助。
具体而言,一并参照图9以及图10对包括步行训练装置100以及服务器500的复健系统中的复健辅助处理的例子进行说明。图9是用于对服务器500中的复健辅助处理的一个例子进行说明的流程图。图10是表示在图9的复健辅助处理中向训练工作人员901提示的图像的例子的图。
首先,步行训练装置100的输入输出控制部210c将可成为输入参数的所取得的复健数据经由输入输出单元231输入至服务器500。服务器500的响应处理部510c在经由通信IF514接收到该数据的情况下(在步骤S11中为是的情况下),开始响应处理。响应处理部510c将接收到的数据移送至预测部510a。这里,当采用复健数据不是每个规定期间的数据那样的接收方式的情况下,响应处理部510c将接收到的数据移送至未图示的前处理部,前处理部将其转换为每个规定期间的数据并移送至预测部510a。预测部510a对每个规定期间的复健数据进行解析而分成多个项目数据,将这些项目数据分别作为模型存储部521内的学习完毕模型中的输入层的输入参数的每一个而输出(步骤S12)。
预测部510a使学习完毕模型运转来执行运算,通过判定来自输出层的各输出参数,来对是否存在被预测为设定参数变化模式的输出进行判定(步骤S13)。其中,能够通过以针对各个预先准备的阈值(或者共通的阈值)对输出参数的值进行阈值处理来进行输出参数的判定。该阈值相当于规定的确信度,能够根据变化模式而使规定的确信度不同。当然,在输出参数的值仅存在0与1这2个值那样的模型的情况下,只要判定是0还是1即可
当在步骤S13中为是的情况下,例如当某个输出参数超过了规定的确信度的情况下,预测部510a将表示与该超过的输出参数对应的设定参数变化模式的信息移送至响应处理部510c。而且,响应处理部510c将该信息经由通信IF514向步行训练装置100侧返回(步骤S14)。返回的信息能够是针对步行训练装置100的指令。当在步骤S13中为否的情况下,预测部510a不经过步骤S14地进入后述的步骤S15。
这样,在步骤S13、S14中,预测部510a运行学习完毕模型来执行运算,响应处理部510c针对与来自输出层的输出参数中的作为比阈值高的确信度而输出的输出参数对应的设定参数变化模式,生成与之对应的指令。另一方面,预测部510a不对除此以外的参数进行特别的处理。即,也存在响应处理部510c根据运算结果而完全不输出指令的情况。其中,响应处理部510c例如通过从预先存储的指令组中读出与输出参数对应(与输出节点对应)的指令,而能够进行指令的生成。只要将指令预先与学习完毕模型的输出参数的每一个(输出节点的每一个)建立对应即可。另外,指令可以简单地仅对表示输出参数的信息(例如示出是输出层的第几个节点的信息)进行表示,只要构成为能够在步行训练装置100侧进行解释即可。响应处理部510c将所生成的指令经由通信IF514发送至步行训练装置100侧。
在步骤S14的处理后,响应处理部510c判定复健数据的接收是否已结束(步骤S15),在已结束的情况下结束处理,在未结束的情况下视为处于继续复健中而返回至步骤S12。
在步行训练装置100中,输入输出控制部210c接收在步骤S14中发送的指令,并将其移送至通知控制部210d。通知控制部210d针对显示控制部213或者未图示的声音控制部等进行与该指令对应的通知控制。在通知控制部210d中,只要预先存储有与有可能从服务器500侧发送的指令组的每一个对应的通知控制即可。
通知控制部210d使显示控制部213向管理用监视器139输出例如用于将与指令对应的图像由管理用监视器139显示的显示控制信号。例如,通知控制部210d能够将图10所示的GUI(Graphical User Interface)图像显示于管理用监视器139。
GUI图像139a是在管理用监视器139上显示或者作为弹出图像而重叠的图像。优选在GUI图像139a中包括表示设定参数相对于时间经过(经过周数)的变化的图表,并且如图示那样表示当前的设定参数的值以及时间(周数)。此外,这里举出仅进行了一个设定参数的预测的例子,但在同时对多种设定参数进行了预测的情况下等,例如还能够在相同的图表上或者在不同的图表上同时提示它们。
另外,通知控制部210d也能够使上述声音控制部向扬声器输出例如用于从该扬声器输出与指令对应的声音的声音控制信号。但是,为了不使训练者900听到该声音,也能够将训练工作人员901戴在耳朵等的无线耳机(也可以是骨传导耳机)等作为该扬声器。当然,通知控制部210d也能够采用与显示输出一同进行声音输出那样的结构。
通过这样的处理,在训练者900利用步行训练装置100执行复健时,对此辅助的训练工作人员901能够一边确认预测出的设定参数的变化一边进行复健辅助。例如,能够预测如何变更设定参数或者在什么时刻使设定参数的变更处于暂时停滞的停滞状态(平稳)、指标数据的指标水平会上升至规定的目标水平。即,通过这样的处理,训练工作人员901能够进行设定参数的变更时机的判断。例如,训练工作人员901能够确认某个指标数据的指标水平上升那样的设定参数的变化的预测结果而知晓为了提高训练成果应该产生这样的参数变化。另外,由此训练工作人员901例如还能够进行由于存在下周应该提高设定参数那样的训练成果(恢复等)所以可以现在提前提高等判断。另外,由于学习完毕模型存在于服务器500,所以能够在多个步行训练装置100进行使用了共用的学习完毕模型的运用。
以上,举出了步行训练装置100的预测取得部使用预测部510a来得到预测结果的例子。由于该预测取得部是得到预测结果的部位,所以也能被称为预测部。但是,在步行训练装置100仅取得成为输入参数的复健数据并向服务器500侧而等待回信的情况下,服务器500侧的预测部510a也能够单独地执行预测。
另外,步行训练装置100也能够构成为可访问利用上述的提取部按初始数据所表示的每个状态创建的学习完毕模型。在该例子中,能够使模型存储部521预先存储这些学习完毕模型。该情况下,步行训练装置100能够进一步具备如下的指定部。该指定部例如通过初期的指标数据或者与之相关联的姓名来指定训练者900。该指定部能够具有显示于管理用监视器139并受理这样的指定的GUI图像。
预测取得部将至少包含由指定部指定的训练者900的训练者数据的复健数据输入至与由指定部指定的训练者900的指标数据对应的学习完毕模型,预测设定参数的变化来得到其结果。所得到的结果成为与该训练者900相匹配的规定水平的训练者用的结果。提示部提示由预测取得部取得的所预测到的设定参数的变化。
通过这样的处理,在训练者900利用步行训练装置100执行复健时,对此辅助的训练工作人员901能够一边确认训练开始初期的指标数据为了规定水平的训练者而预测出的设定参数的变化一边进行复健辅助。
另外,在按决定规定的目标水平的对象的指标数据的每个种类构建了各自独立的学习完毕模型的情况下,步行训练装置100能够构成为可访问这些学习完毕模型。该情况下,步行训练装置100能够具备对要决定目标水平的指标数据的种类进行指定的种类指定部。该种类指定部相对于上述的指定部仅其指定对象不同,基本上能够成为相同的结构。而且,提示部同样能够提示由预测取得部从以被指定的种类的指标数据成为规定的目标水平的方式预测设定参数的变化的学习完毕模型中取得的、预测出的设定参数的变化。
在针对各规定的目标水平的每一个构建了各自独立的学习完毕模型的情况下,步行训练装置100能够构成为可访问这些学习完毕模型。该情况下,步行训练装置100能够具备对要预测的规定的目标水平进行指定的水平指定部。该水平指定部相对于上述的指定部仅其指定对象不同,基本上能够成为相同的结构。而且,提示部同样能够提示由预测取得部从对直到指标数据成为被指定的规定的目标水平为止的设定参数的变化进行预测的学习完毕模型中取得的、预测出的设定参数的变化。
另外,在按设定参数的每个种类构建了各自独立的学习完毕模型的情况下,步行训练装置100能够构成为可访问这些学习完毕模型。该情况下,步行训练装置100能够具备对想要预测的设定参数的种类进行指定的参数指定部。该参数指定部能够相对于上述的指定部仅其指定对象不同,基本能够成为同样的结构。而且,提示部同样能够提示由预测取得部从以指标数据成为规定的目标的方式对指定设定参数的变化进行预测的学习完毕模型取得的、预测出的设定参数的变化。另外,虽然省略其说明,但在按指标数据的每个种类、每个规定的目标水平、每个设定参数中的任意一个或多个等而构建不同的学习完毕模型的情况下也同样。
(效果)
如以上那样,根据本实施方式,在训练者900利用步行训练装置100执行复健时,能够生成可预测该训练者900的设定参数的变化的学习完毕模型。另外,根据本实施方式所涉及的步行训练装置100,由于能够访问这样生成的学习完毕模型,所以使用该学习完毕模型,训练工作人员901能够一边确认训练成果提高(指标数据提高)那样的训练者900的设定参数的变化的预测结果一边进行复健辅助。由此,训练工作人员901能够在对训练者900最佳的时机使设定参数变更,能够使训练者900的机会损失减少。
(与方法、程序相关的补充)
在本实施方式中,根据上述的说明可知,还能够提供具有如下学习步骤的学习方法。学习步骤生成学习模型,该学习模型被输入关于训练者900利用步行训练装置100执行了的复健的、每个规定期间的复健数据,用于对训练者900实施复健时的步行训练装置100中的设定参数的变化进行预测。如上述那样,该复健数据至少包括表示训练者900的症状、身体能力以及恢复度的至少一个的指标数据、表示训练者900的特征的训练者数据、以及包括设定参数的训练数据。另外,学习步骤将指标数据达到规定的目标水平为止的数据作为教导数据来生成学习模型。
在本实施方式中,根据上述的说明可知,也能够提供一种可访问通过上述的学习方法学习而得到的学习模型即学习完毕模型的步行训练装置100中的复健辅助方法(步行训练装置100的工作方法),该方法具有如下的预测步骤以及提示步骤。预测步骤向学习完毕模型输入进行训练的训练者900的、至少包含指标数据以及训练者数据的复健数据,预测设定参数的变化。提示步骤提示通过预测步骤预测到的设定参数的变化。
在本实施方式中,根据上述的说明可知,也能够提供一种用于使计算机执行上述的学习步骤的程序(学习程序)。另外,在本实施方式中,当然也能够提供通过学习装置学习而得到的学习完毕模型、通过学习方法学习而得到的学习完毕模型、通过学习程序学习而得到的学习完毕模型。另外,在本实施方式中,根据上述的说明可知,也能够提供一种用于使可访问上述那样的学习完毕模型的步行训练装置100的计算机执行上述的预测步骤以及提示步骤的复健辅助程序。
<实施方式2>
关于实施方式2,包含其效果在内,对与实施方式1的不同点进行说明。虽未特别说明,但在本实施方式中也能够应用实施方式1的各种例子。
在本实施方式所涉及的学习装置中,作为前处理,按从开始训练起的每个期间划分复健数据来生成学习完毕模型。而且,在本实施方式所涉及的步行训练装置100中,通过这样学习而得到的学习完毕模型进行预测。
在学习阶段中,学习部510b将每个规定期间的复健数据输入至未学习模型,生成对直至成为比上述规定期间长的其他规定期间(上述规定期间×N等)为止的、设定参数的变化进行预测的学习完毕模型。这里,N为2以上的整数。因此,学习部510b将直至上述其他规定期间为止的复健数据(或者至少包含它的复健数据)作为教导数据,来生成学习完毕模型。
例如,针对从训练开始到第二周、从训练开始到第四周等之类的状况准备多个种类的复健数据,仅使用各个复健数据来分别构建不同的学习完毕模型。在构建任一种类的学习完毕模型时,作为教导数据而被输入的复健数据均是直至指标数据达到规定的目标水平为止的数据,与实施方式1的不同点在于是直至上述其他规定期间为止的数据。因此,在本实施方式中也与实施方式1同样,向未学习模型输入的复健数据中包含含有指标数据、训练者数据、设定参数(包含所预测的对象的种类的数据)的训练数据。而且,例如将从训练开始到第二周为止的复健数据中的、直至指标数据达到规定的目标水平为止的数据作为教导数据,来生成从训练开始到第二周为止的学习完毕模型。
换言之,本实施方式相当于在实施方式1中当构建学习完毕模型时忽略被输入的每个规定期间的复健数据中的、不包含于上述其他规定期间的期间的复健数据来向未学习模型进行输入。
由此,在运用阶段中,例如能够使用由从训练开始到第四周的复健数据构建的学习完毕模型,来预测从训练开始到第四周的设定参数的值(水平),提示该预测结果。例如,能够通过声音或者图像仅针对第四周的值进行该情况下的提示。但是,在本实施方式中,也能够与图10所例示的GUI图像139a同样地全部提示包括第四周的遍及各周的变化模式。
另外,如上述那样,在本实施方式中,能够与实施方式1同样地将每个规定期间的复健数据输入至学习完毕模型来进行学习,但也能够应用如下的变形例。即,在本实施方式中,也能够使用形成为在最初的阶段(例如上述其他规定期间中的最初的两个规定期间)存在复健数据中的进行忽略的种类的数据(例如某个设定参数、某个训练者数据、某个训练数据等)那样的学习完毕模型的正确答案标签。
通过以这样的学习完毕模型进行运用,例如能够将输入参数设为3个而在最初的两个规定期间等最初的阶段基于两种数据来预测对象的设定参数的变化,并在随后的阶段基于3个种类的数据进行预测。
<实施方式3>
一并参照图11~图13对实施方式3进行说明。图11是表示在本实施方式所涉及的复健辅助系统中使用的学习模型的一个例子的图,图12以及图13均是表示学习模型的另一例子的图。在本实施方式中,使用与实施方式1不同的算法的学习模型。其他方面包括其效果在内均与实施方式1相同,虽未特别说明,但在本实施方式中也能够应用实施方式1、2的各种例子。
对于本实施方式中使用的算法而言,例如能够使用RNN(Recurrent NeuralNetwork:循环神经网络)等具有递归构造的神经网络作为神经网络。由此,能够通过通用的算法构建学习完毕模型。另外,通过使用RNN,能够基于当前与稍前的过去的状态,构建适时输出仅通过从一个数据组的期间和保存步骤数得到的期间而从过去预测的设定参数的变化的学习完毕模型。而且,能够在步行训练装置100中利用这样的学习完毕模型,得到灵活运用了时间序列数据的输出。
在使用具有RNN那样的递归模型的情况下,为了学习部510b例如针对各规定期间依次输入各时刻下的复健数据,一个数据组可以包含时间序列数据。即,一个数据组(学习用数据组)可以包含按照时间序列的日志数据。另外,一个数据组可以包括如上述那样从日志数据提取出的特征量,也可以包含对时间序列的检测数据等进行数据处理而得到的图像数据。
另外,RNN也能够是扩展成具有LSTM(Long short-term memory:长短期记忆网络)区块的神经网络(有时也简称为LSTM)。由此,能够缓和具有RNN的模型中的梯度消失问题。
图11中例示的学习模型5100成为具备输入层5111、中间层5113、以及多个输出节点5112的输出层的RNN。针对输入层5111按时间序列依次输入数据组。在作为RNN的学习模型5100中,中间层5113的输出被再次输入至中间层5113。输出层的各输出节点5112与图8的例子相同,例如能够与设定参数变化模式的每一个对应。当然,也能够进一步设置具有一个输出节点的最终的输出层,该一个输出节点输出例如图11的输出节点5112中的确信度最高的节点编号。其中,这里的节点编号对应于变化模式的编号。
这里,作为输出参数的变化模式以一个种类的设定参数的变化模式进行了例示,但也能够是多个种类的设定参数的变化模式。在成为1个种类的设定参数的情况下,若按设定参数的每个种类构建学习模型5100,则能够得到各种预测结果。
在使用了学习模型5100的运用时,步行训练装置100将与学习阶段相同的复健数据(不过,无正确答案标签)向服务器500输出,预测部510a将其向学习模型5100输入,从而得到其变化模式的预测结果。响应处理部510c将与该预测结果对应的指令向步行训练装置100返回。步行训练装置100从服务器500接收该指令,例如在管理用监视器139中如图10所例示那样提示变化模式。
图12中例示的学习模型5200是在使学习模型5100粗略地沿时间方向展开的模型中将上述规定期间设为一周、将输出参数设为各周的设定参数的模型。例如,第0周的数据可以是开始训练前的数据,第一周的数据可以是从开始到一周的数据。此外,这里作为输出参数的设定参数也能够是任意的种类,另外也能够包含各种种类的设定参数。在成为1个种类的设定参数的情况下,若按设定参数的每个种类构建学习模型5200,则能够得到各种预测结果。
学习模型5200通过将具备输入层5211、中间层5213以及一个输出节点5212的输出层的第1NN、和具备输入层5221、中间层5223以及一个输出节点5222的输出层的第2NN连接而成。并且,学习模型5200通过还连接具备输入层5231、中间层5233以及一个输出节点5232的输出层的第3NN等进一步的NN而成。
在第1NN中,向输入层5211输入第0周的数据作为输入参数,从输出节点5212输出第一周的设定参数作为输出参数。输出节点5212能够是输出节点5213中的确信度最高的节点编号的节点。在第2NN中,向输入层5221输入第一周的数据和来自输出节点5212的输出参数作为输入参数,从输出节点5222输出第二周的设定参数作为输出参数。输出节点5222能够是输出节点5223中的确信度最高的节点编号的节点。针对以后的NN也是相同的,在学习模型5200中,设置有与预先决定的规定期间(这里以周进行例示)的数量(一个数据组所包含的规定期间数)、或者与将其加1而得到的数量对应的NN。
在学习阶段中,例如针对各NN使用如实施方式1中说明那样的教导数据(其中,与该NN对应的周的教导数据),将各周的数据向对应的NN输入而进行机器学习,由此能够生成学习完毕的学习模型5200。
另外,例如也能够通过将输出节点5212的输出不仅向输入层5221输入、也向输入层5231等规定量的后段的输入层输入等(针对后段的输出节点也相同),从而形成为具有LSTM区块那样的结构。
在使用了学习模型5200的运用时,步行训练装置100将与学习阶段相同的复健数据(不过,无正确答案标签)向服务器500输出,预测部510a将其分成每周的数据等而向学习模型5200输入,由此得到预测结果。预测部510a将各输出参数的值汇总,整合成对例如图10所例示那样的变化模式进行描绘的数据,响应处理部510c将与之对应的指令向步行训练装置100返回。步行训练装置100接收该指令,例如在管理用监视器139中如图10所例示那样提示变化模式。
图13中例示的学习模型5300能够是将在中间层分别准备了想要压缩输入数据的维数的节点的自动编码器5310、5311、5312、5313、……按各周排列的模型。这里,也与图12的例子相同地例示出一周作为上述规定期间。
排列于学习模型5300的各自动编码器5310等能够是由输入层、中间层以及输出层这3层构成的3层感知器,中间层的输出作为朝向外部的输出参数被输出。虽未图示,但在各自动编码器5310等中,成为由输出层输出对从输入层输入的全部的输入参数进行再现那样的输出参数的构造,其中的全部或者一部分被输入至后段的输入层。在各自动编码器5310等中,前段的输出层的数量与其后段的输入层的数量可以相同也可以不同。
对自动编码器5310的输入层输入直至指标数据达到规定的目标水平为止的每个规定期间的数据组作为教导数据。此外,自动编码器有时也被分类为无教导的学习,但这里理解为属于将输出层的各输出参数的正确答案标签作为输入层的各输入参数的有教导学习,说明为将上述数据组作为教导数据来进行输入。
另外,为了进行运用,在各自动编码器5310等中也能够进一步设置对来自中间层的输出参数中的确信度最高的节点编号(即对应于设定参数的水平)进行输出的最终的外部输出层。该情况下,也能够以具有关于该外部输出层的正确答案标签的方式学习上述教导数据。
根据这样的结构,自动编码器5310例如能够将遍及数周的复健数据(包含开始训练之前的数据)作为输入参数组来输入,将第一周的预测数据作为中间层(或者上述的外部输出层)的输出参数来输出。这里,预测数据能够成为预测出的设定参数的水平。自动编码器5310中的输出层的输出成为针对后段的自动编码器5311的输入。自动编码器5311对于这样的输入,能够将第二周的预测数据作为中间层(或者上述的外部输出层)的输出参数来输出。以后也是相同的,学习模型5300能够具有需要来自中间层的输出参数的输出的规定期间数量(例如周数量)的自动编码器,能够得到关于经过各规定期间后的输出参数。此外,在学习时,也可以对各自动编码器5310等的每一个输入上述输入参数组。
通过排列了这样的自动编码器的学习模型5300,例如能够推测在第一周达到的设定参数的水平、即作为其数据组的特征能够从各自动编码器5310等的中间层进行提取。
此外,学习模型5300也能够采用不分割中间层的4层以上的感知器等其他的结构。但是,在保持多层的状态下进行了学习的情况下,由于有时会因梯度消失问题而不能很好地学习,所以优选如学习模型5300那样分割为3层的自动编码器并各自独立地进行学习。
在使用了学习模型5300的运用时,步行训练装置100将与学习阶段相同的复健数据(不过,无正确答案标签)向服务器500输出,预测部510a将其向学习模型5300输入,从而得到预测结果。预测部510a将各中间层的输出参数的值汇总,整合成对例如图10所例示那样的变化模式进行描绘的数据,响应处理部510c将与之对应的指令向步行训练装置100返回。步行训练装置100接收该指令,例如在管理用监视器139中如图10所例示那样提示变化模式。
另外,预测部510a例如针对由步行训练装置100指定的规定期间数(在该例子中为周数),也能够得到与之对应的自动编码器的中间层的输出参数的值。该情况下,响应处理部510c将与之对应的指令向步行训练装置100返回。而且,步行训练装置100接收该指令,例如在管理用监视器139中与被指定的规定期间数一同提示上述值(预测出的设定参数的水平)。
<实施方式4>
一并参照图14以及图15对实施方式4进行说明。图14是表示在本实施方式所涉及的复健辅助系统中使用的学习模型的一个例子的图,图15是表示这样的学习模型的另一例子的图。在本实施方式中,使用与实施方式1~3不同的算法的学习模型。对于其他方面而言,包含其效果在内均与实施方式1~3相同,虽未特别说明,但在本实施方式中也能够应用实施方式1~3的各种例子。
在本实施方式中,学习部510b按设定参数所表示的每一个水平,生成递归反映低一级的水平的运算结果的学习模型。其中,在本实施方式中,将上述规定期间理解为直至预测对象的设定参数的水平上升(增加)一个水平为止的期间。这里,直至增加为止的期间基本上是指训练者900的能力提高(以规定水平升级)。根据本实施方式,可构建能够输出设定参数的水平增加的时刻那样的学习完毕模型。
图14所例示的学习模型5400是在将学习模型5100粗略地沿时间方向展开的模型中,将上述规定期间设为直至设定参数的水平上升一个水平为止的期间并将输出参数设为各期间的模型。例如,从水平1到2的数据能够是直至预测对象的设定参数的水平从1向2升级为止的数据。同样,从水平2到3的数据能够是直至预测对象的设定参数的水平从2向3升级为止的数据。以后也是相同的。另外,根据数据组,存在设定参数的水平例如仅从大于1的值开始存在的情况,该情况下,能够视为是仅朝向对应的NN的输入。此外,这里作为预测对象的设定参数也能够是各种设定参数,另外也能够包含各种种类的设定参数。在成为1个种类的设定参数的情况下,若按设定参数的每个种类构建学习模型5400,则能够得到各种类的预测结果。
学习模型5400通过将具备输入层5411、中间层5413以及一个输出节点5412的输出层的第1NN和具备输入层5421、中间层5423以及一个输出节点5422的输出层的第2NN连接而成。并且,学习模型5400还通过将具备输入层5431、中间层5433以及一个输出节点5432的输出层的第3NN等进一步的NN连接而成。
在第1NN中,向输入层5411输入直至从水平1升级至2为止的数据作为输入参数,从输出节点5412输出该升级所需的期间(达到水平2的期间)作为输出参数。输出节点5412能够是输出节点5413中的确信度最高的节点编号的节点。在第2NN中,向输入层5421输入直至从水平2升级至3为止的数据和来自输出节点5412的输出参数作为输入参数,从输出节点5422输出该升级所需的期间(达到水平3的期间)作为输出参数。此外,达到水平3的期间也能够是从水平1升级至水平3的期间。输出节点5422能够是输出节点5423中的确信度最高的节点编号的节点。针对以后的NN也是相同的,在学习模型5400中,设置有与预先决定的规定期间(这里以上升1个水平来例示)的数量(一个数据组所包含的规定期间数)、或者与对其加1而得的数量对应的NN。
在学习阶段中,例如针对各NN,使用如实施方式1中说明那样的教导数据(其中,关于与该NN对应的设定参数的水平变化的教导数据),将关于各水平变化的数据向对应的NN输入来进行机器学习。由此,能够生成学习完毕的学习模型5400。
另外,例如也能够通过将输出节点5412的输出不仅向输入层5421输入、也向输入层5431等规定量的后段的输入层输入等(针对后段的输出节点也相同),从而成为具有LSTM区块那样的结构。
在使用了学习模型5400的运用时,步行训练装置100将与学习阶段相同的复健数据(但是,无正确答案标签)向服务器500输出。然后,预测部510a将其作为当前水平的数据(或者在也包含过去量的数据的情况下,按每个水平变化进行划分等)向学习模型5200输入,从而得到预测结果。预测部510a将各输出参数的值汇总,整合成对例如图10所例示那样的变化模式进行描绘的数据,响应处理部510c将与之对应的指令向步行训练装置100返回。步行训练装置100接收该指令,例如在管理用监视器139中如图10所例示那样提示变化模式。
另外,预测部510a例如也能够针对来自步行训练装置100的输入参数的一部分所包含的设定参数的当前水平,仅得到与之对应的NN的(或者与之对应的NN以后的)输出参数的值。该情况下,响应处理部510c将与之对应的指令向步行训练装置100返回。然后,步行训练装置100接收该指令,例如在管理用监视器139中与设定参数的当前水平一同提示上述值、即提示预测出的直至成为下一设定参数水平为止(以及直至成为随后的水平为止)的期间。
图15所示的学习模型5500是与图13所例示的学习模型5300同样地排列有自动编码器5510、5511、5512、5513、……的模型。但是,学习模型5500将在学习模型5300中来自各自动编码器的中间层的输出参数设为设定参数的水平变化的周数等规定期间数。例如,将来自自动编码器5510的中间层的输出参数设为直至设定参数的水平从1达到2为止的期间(周数等),将来自自动编码器5511的中间层的输出参数设为直至水平从2达到3为止的期间(其周数或者到目前为止的累积周数等)。
通过构建这样的结构的学习模型5500,能够推测设定参数的水平可以不进一步上升那样的规定期间数(周数等)。即,通过学习模型5300,能够将这样的规定期间数作为被输入的数据组的特征,来从各自动编码器5310等的中间层进行提取。
此外,学习模型5500也能够与学习模型5300的应用例同样地应用不分割中间层的4层以上的感知器等其他结构。但是,在保持多层的状态下进行了学习的情况下,由于有时会因梯度消失问题而不能很好地学习,所以优选如学习模型5500那样分割成3层的自动编码器并且各自独立地进行学习。
如以上那样,在本实施方式中,能够构建对直至设定参数水平增加为止的期间(设定参数水平增加的时刻)进行输出的学习完毕模型。而且,在运用阶段中,也能够提示这样的直至设定参数水平增加为止的期间、或者根据其结果而提示变化模式。此外,以是朝向训练的成果显现的方向的变化为前提对于设定参数的水平的增加进行了说明,但根据设定参数,也存在值的减少是朝向训练成果显现的方向的变化的情况。因此,在本实施方式中,可以说学习部510b按设定参数所表示的每一个水平生成递归反映相差一级的水平的运算结果的学习模型。
<实施方式5>
在实施方式1~4中,举出了服务器500具备学习部510b、由服务器500生成学习完毕模型的例子,但在本实施方式中,学习部、前处理部被装备在步行训练装置100侧(例如整体控制部210)。本实施方式所涉及的复健辅助系统只要包含步行训练装置100即可。但是,该情况下,为了在学习阶段中增多复健数据的收集量,优选构成为能够收集来自其他步行训练装置的复健数据。
另外,在实施方式1~4中,关于运用阶段,举出了在服务器500具备学习完毕模型、步行训练装置100向服务器500发送复健数据并接收其响应的例子,但不限定于此。例如,也能够将学习完毕模型安装于步行训练装置100侧(例如整体控制部210内的存储部)。为此,步行训练装置100能够具有存储学习完毕模型的存储部。另外,虽未特别说明,但在本实施方式中也能够应用在实施方式1~4中说明的各种例子。
<代替例>
在以上说明的各实施方式中,对训练者900表示一条腿患病的偏瘫患者的例子进行了说明,但对于两腿瘫痪的患者也能够应用步行训练装置100。该情况下,在两腿佩戴步行辅助装置120来实施训练。该情况下,可以针对每条病腿进行异常步行的评价。通过对于各条病腿独立地进行异常步行的评价,能够分别独立地判断恢复程度。
另外,虽未图示,但步行训练装置能够作为在图1的步行训练装置100中不具备跑步机131的装置,成为训练者900能够在被框架130包围的空间内实际移动。该情况下,只要采用如下那样的结构即可:框架130形成为在行进方向很长,伴随着训练者900的移动,保护带抻拉部112、前侧抻拉部135、后侧抻拉部137借助未图示的马达分别沿着导轨移动。由于训练者900相对于地板面实际相对移动,所以能够进一步获得复健训练的成就感。当然,步行训练装置并不局限于这些构成例。
另外,各实施方式中说明的目标水平、规定水平能够分别作为目标程度、规定程度的一个例子来对待。即,水平可以是程度的一个例子。若举出其他例子,则目标程度、规定程度也可以分别是关于指标数据所表示的指标值的目标值、关于指标数据所表示的指标值的规定值。虽然省略说明,但针对关于其他值的水平也同样能够作为程度的一个例子来对待。
另外,以上述的各实施方式中的训练工作人员901是人为前提进行了说明,但也能够应用人以外的训练助理(机械式的训练助理、即人工训练助理)来代替人。作为人工训练助理,能够举出人型的机器人、声音助理程序、显示助理程序等各种人工训练助理。若举出声音助理程序用声音进行辅助的例子,则例如能够进行“请使上身进一步向右倾斜”、“请抓住扶手”、“请降低步行速度”等之类的搭话。
在训练助理为程序的情况下,能够以可执行的方式安装于步行训练装置100,还能够以可执行的方式安装于能与步行训练装置100通信的移动电话机(还包括被称为智能手机的设备)、移动PC等可移动型终端、外部服务器等。另外,人工训练助理还能够具有拥有人工智能的程序(AI程序)。
另外,在利用步行训练装置100的步行训练时,能够利用多个人工训练助理,且管理为能够分别区别它们各自。即,训练助理为人工训练助理的情况也与训练工作人员的情况同样,训练助理能够与其他训练助理区别。
另外,在采用人工训练助理的情况下,作为和上述(4)的训练工作人员901相关的数据所对应的与人工训练助理相关的数据(助理数据),能够举出如下数据。例如,能够举出该人工训练助理(程序)所具有的功能(声音辅助功能、基于影像显示的辅助功能等)、该程序的名称、版本等,并且当该程序是在运用时不断学习的类型的AI程序的情况下,能够举出学习算法、学习的程度、学习时间、学习次数等。
另外,在多个训练助理(人还是人以外是任意的)同时帮助复健的情况下,如针对多个训练工作人员说明那样,复健数据能够包含多个人的助理数据。另外,各助理数据能够包括表示是主要的训练助理还是辅助的训练助理的信息。除了这样的信息之外、或者代替这样的信息,各助理数据还能够包含表示进行何种辅助的信息。
针对通知进行说明。例如,在需要对于人工训练助理而非训练工作人员901那样的人通知的情形下,通知控制部210d只要向该训练助理进行通知即可。通知能够直接通过通信来进行,也可以与人的情况下同样利用影像、声音来进行,人工训练助理对其进行检测。另外,人工训练助理能够对于步行训练装置100通过通信或者直接的触摸操作等来进行设定变更等。
另外,各实施方式中说明的复健辅助装置还能够作为复健辅助系统而由多个装置构成。同样,步行训练装置能够作为步行训练系统而由多个装置构成,另外,训练辅助装置能够作为训练辅助系统而由多个装置构成。另外,各实施方式中说明的服务器(服务器装置)例如不仅能够仅具备学习完毕模型而不具备学习装置,而且还能够仅具备学习装置的全部功能或者一部分功能。另外,各实施方式中说明的服务器装置还能够具备作为复健辅助装置的功能或部位而说明过的功能或部位的至少一部分。
另外,如上所述,各实施方式所涉及的复健辅助装置可以是对步行训练以外的其他种类的复健或复健以外的训练进行辅助的装置。该情况下,各实施方式所涉及的学习装置能够是生成应用于该装置的学习完毕模型的学习装置,能够采用与复健的种类、训练的种类对应的输入参数、输出参数。作为复健以外的训练,例如能够举出行走、跑步之类的运动、训练等,能够使用与训练的内容对应的训练辅助装置。另外,复健以外的训练的情况下的指标数据能够是表示训练者的身体功能提高度的数据来代替训练者的恢复度。作为身体功能提高度,能够包括因运动等的对肌肉力量提高、持久力提高等。另外,即便在训练为复健的情况下,指标数据也能够是表示训练者的身体功能提高度的数据,该情况下,作为身体功能提高度,能够包括因复健等带来的恢复度。另外,在复健以外的训练的情况下,复健数据能够称为训练数据。
另外,上述的复健辅助装置或者服务器装置例如能够是具有处理器、存储器、以及通信接口等的硬件结构。这些装置能够通过处理器读入并执行存储于存储器的程序来实现。
能够使用各种类型的非暂时性计算机可读介质(non-transitory computerreadable medium)来储存这样的程序,并供给至计算机。非暂时性计算机可读介质包括各种类型的有实体的记录介质(tangible storage medium)。非暂时性计算机可读介质的例子包括磁记录介质(例如软盘、磁带、硬盘驱动器)、光磁记录介质(例如磁光盘)。并且,该例子包括CD-ROM(Read Only Memory)、CD-R、CD-R/W、半导体存储器。作为该半导体存储器,例如能够举出掩模ROM、PROM(Programmable ROM)、EPROM(Erasable PROM)、闪速ROM、RAM(Random Access Memory)等。另外,程序可以通过各种类型的暂时性计算机可读介质(transitory computer readable medium)供给至计算机。暂时性计算机可读介质的例子包括电信号、光信号以及电磁波。暂时性计算机可读介质能够经由电线以及光纤等有线通信路或者无线通信路将程序供给至计算机。
根据上述公开的内容,显然本公开的实施例可以以多种方式变化。这些变化不应视为脱离本公开的精神和范围,并且对于本领域技术人员而言,显然所有这些变更旨在包括于技术方案的范围。
Claims (18)
1.一种学习系统,其中,
具备学习部,该学习部被输入关于训练者利用复健辅助系统执行了的复健锻炼的、至少包含表示所述训练者的症状、身体能力以及恢复度的至少一个的指标数据、表示所述训练者的特征的训练者数据、以及所述训练者实施复健锻炼时的包括所述复健辅助系统中的设定参数的训练数据的、每个规定期间的复健数据,通过使用被输入的指标数据进行机器学习来生成用于对所述设定参数的变化进行预测的学习模型,
所述学习部将所述指标数据达到规定的目标水平为止的数据作为教导数据来生成所述学习模型。
2.根据权利要求1所述的学习系统,其中,
所述训练数据包括在复健锻炼实施中由所述复健辅助系统取得的数据。
3.根据权利要求1所述的学习系统,其中,
所述学习系统还具备提取部,该提取部从多个训练者的复健数据之中提取训练者在训练开始初期的指标数据所表示的状态为规定水平的训练者的复健数据,
所述学习部将由所述提取部提取出的复健数据作为输入来将所述学习模型生成为用于所述规定水平的训练者。
4.根据权利要求2所述的学习系统,其中,
所述学习系统还具备提取部,该提取部从多个训练者的复健数据之中提取训练者在训练开始初期的指标数据所表示的状态为规定水平的训练者的复健数据,
所述学习部将由所述提取部提取出的复健数据作为输入来将所述学习模型生成为用于所述规定水平的训练者。
5.根据权利要求3所述的学习系统,其中,
所述提取部提取训练者在训练开始初期的指标数据与所述训练者的指标数据处于规定水平的指标数据的组合为规定的组合的训练者的复健数据。
6.根据权利要求4所述的学习系统,其中,
所述提取部提取训练者在训练开始初期的指标数据与所述训练者的指标数据处于规定水平的指标数据的组合为规定的组合的训练者的复健数据。
7.根据权利要求1~6中任一项所述的学习系统,其中,
所述学习模型是用于对所述指标数据朝向所述规定的目标水平那样的所述设定参数的变化模式进行预测的模型。
8.根据权利要求1~6中任一项所述的学习系统,其中,
所述学习模型是按所述设定参数所表示的每个水平递归地反映相差一级的水平的运算结果的模型。
9.根据权利要求1~6中任一项所述的学习系统,其中,
所述学习模型是具有RNN即循环神经网络的模型。
10.根据权利要求9所述的学习系统,其中,
所述学习模型是具有LSTM区块即长短期记忆网络区块的模型。
11.一种计算机可读介质,其中,
所述计算机可读介质记录有学习完毕模型,该学习完毕模型是利用权利要求1~10中任一项所述的学习系统学习而得到的学习模型。
12.一种复健辅助系统,能够访问利用权利要求1~10中任一项所述的学习系统学习而得到的学习模型亦即学习完毕模型,其中,具备:
预测部,向所述学习完毕模型输入开始训练或者训练实施中的训练者的、至少包含所述指标数据以及所述训练者数据的复健数据,来对所述设定参数的变化进行预测;和
提示部,提示由所述预测部预测出的所述设定参数的变化。
13.一种复健辅助系统,能够访问利用权利要求3至6中任意一项所述的学习系统学习而得到的学习模型亦即学习完毕模型,其中,具备:
指定部,指定所述训练者;
预测部,向与由所述指定部指定的训练者的指标数据对应的学习完毕模型输入至少包含由所述指定部指定的训练者的所述训练者数据的复健数据,来对所述设定参数的变化进行预测;和
提示部,提示由所述预测部预测出的所述设定参数的变化。
14.一种学习方法,其中,
具有学习步骤,该学习步骤被输入关于训练者利用复健辅助系统执行了的复健锻炼的、至少包含表示所述训练者的症状、身体能力以及恢复度的至少一个的指标数据、表示所述训练者的特征的训练者数据、以及所述训练者实施复健锻炼时的包括所述复健辅助系统中的设定参数的训练数据的、每个规定期间的复健数据,通过使用被输入的指标数据进行机器学习来生成用于对所述设定参数的变化进行预测的学习模型,
所述学习步骤将所述指标数据达到规定的目标水平为止的数据作为教导数据来生成所述学习模型。
15.一种计算机可读介质,其中,
所述计算机可读介质记录有学习完毕模型,该学习完毕模型是利用权利要求14所述的学习方法学习而得到的学习模型。
16.一种计算机可读介质,其中,
记录有用于使计算机执行学习步骤的程序,该学习步骤被输入关于训练者利用复健辅助系统执行了的复健锻炼的、至少包含表示所述训练者的症状、身体能力以及恢复度的至少一个的指标数据、表示所述训练者的特征的训练者数据、以及所述训练者实施复健锻炼时的包括所述复健辅助系统中的设定参数的训练数据的、每个规定期间的复健数据,通过使用被输入的指标数据进行机器学习来生成用于对所述设定参数的变化进行预测的学习模型,
所述学习步骤将所述指标数据达到规定的目标水平为止的数据作为教导数据来生成所述学习模型。
17.一种计算机可读介质,其中,
所述计算机可读介质记录有复健辅助程序,该复健辅助程序用于使能够访问利用权利要求16所述的计算机可读介质所记录的所述程序学习而得到的学习模型亦即学习完毕模型的复健辅助系统的计算机执行如下步骤:
预测步骤,向所述学习完毕模型输入开始训练或者训练实施中的训练者的、至少包含所述指标数据以及所述训练者数据的复健数据,来对所述设定参数的变化进行预测;和
提示步骤,提示在所述预测步骤预测出的所述设定参数的变化。
18.一种计算机可读介质,其中,
所述计算机可读介质记录有学习完毕模型,该学习完毕模型是利用权利要求16所述的计算机可读介质所记录的所述程序学习而得到的学习模型。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019120209A JP7326926B2 (ja) | 2019-06-27 | 2019-06-27 | 学習装置、リハビリ支援システム、方法、プログラム、及び学習済みモデル |
JP2019-120209 | 2019-06-27 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112137834A CN112137834A (zh) | 2020-12-29 |
CN112137834B true CN112137834B (zh) | 2023-03-21 |
Family
ID=73887482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010578895.2A Active CN112137834B (zh) | 2019-06-27 | 2020-06-23 | 学习系统、复健辅助系统、方法、程序及学习完毕模型 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20200410341A1 (zh) |
JP (1) | JP7326926B2 (zh) |
CN (1) | CN112137834B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114903747A (zh) * | 2022-06-06 | 2022-08-16 | 郑州安杰莱智能科技有限公司 | 踝关节康复训练装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006345973A (ja) * | 2005-06-14 | 2006-12-28 | Fukui Computer Kk | メディカル・オートフィットネス・システム |
CN106691772A (zh) * | 2015-11-12 | 2017-05-24 | 摩托瑞克有限公司 | 执行训练课程程序 |
CN109036571A (zh) * | 2014-12-08 | 2018-12-18 | 20/20基因系统股份有限公司 | 用于预测患有癌症的可能性或风险的方法和机器学习系统 |
Family Cites Families (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI357586B (en) * | 2007-11-30 | 2012-02-01 | Ind Tech Res Inst | A tutorial learning method for rahabilitation robo |
JP6229969B2 (ja) * | 2013-06-28 | 2017-11-15 | 株式会社スペース・バイオ・ラボラトリーズ | 歩行訓練支援装置、歩行訓練支援システムおよびプログラム |
JP6052234B2 (ja) * | 2014-05-27 | 2016-12-27 | トヨタ自動車株式会社 | 歩行訓練装置 |
JP6435581B2 (ja) * | 2015-01-29 | 2018-12-12 | パナソニックIpマネジメント株式会社 | 転移学習装置、転移学習システム、転移学習方法およびプログラム |
JP6540169B2 (ja) * | 2015-04-03 | 2019-07-10 | 日本電気株式会社 | 分析システム、リハビリテーション支援システム、方法およびプログラム |
US10130311B1 (en) * | 2015-05-18 | 2018-11-20 | Hrl Laboratories, Llc | In-home patient-focused rehabilitation system |
JP6323419B2 (ja) * | 2015-09-09 | 2018-05-16 | トヨタ自動車株式会社 | 歩行訓練装置 |
KR102459677B1 (ko) * | 2015-11-05 | 2022-10-28 | 삼성전자주식회사 | 알고리즘 학습 방법 및 장치 |
JP6399034B2 (ja) * | 2016-04-28 | 2018-10-03 | トヨタ自動車株式会社 | 歩行訓練装置及びその作動方法 |
US11056218B2 (en) * | 2016-05-31 | 2021-07-06 | International Business Machines Corporation | Identifying personalized time-varying predictive patterns of risk factors |
CN106725376B (zh) * | 2016-11-30 | 2017-12-19 | 中南民族大学 | 体征信号检测方法及装置 |
CN106600000A (zh) * | 2016-12-05 | 2017-04-26 | 中国科学院计算技术研究所 | 人‑机器人运动数据映射的方法及系统 |
US20190066832A1 (en) * | 2017-02-20 | 2019-02-28 | KangarooHealth, Inc. | Method for detecting patient risk and selectively notifying a care provider of at-risk patients |
JP6882916B2 (ja) * | 2017-03-29 | 2021-06-02 | 本田技研工業株式会社 | 歩行支援システム、歩行支援方法、および歩行支援プログラム |
JP6951659B2 (ja) * | 2017-05-09 | 2021-10-20 | オムロン株式会社 | タスク実行システム、タスク実行方法、並びにその学習装置及び学習方法 |
JP7001095B2 (ja) * | 2017-07-04 | 2022-02-03 | 富士通株式会社 | 情報処理装置、情報処理プログラム及び情報処理方法 |
JP6933101B2 (ja) * | 2017-11-17 | 2021-09-08 | トヨタ自動車株式会社 | 歩行評価装置、歩行訓練システムおよび歩行評価方法 |
US10916348B2 (en) * | 2017-12-12 | 2021-02-09 | University Of South Carolina | Machine learning to identify locations of brain injury |
CN108814597B (zh) * | 2018-04-16 | 2021-09-07 | 深圳睿瀚医疗科技有限公司 | 一种基于运动信息与肌电交互的康复训练评测方法及系统 |
CN109087706B (zh) * | 2018-07-13 | 2022-12-02 | 浙江清华长三角研究院 | 基于睡眠大数据的人体健康评估方法及评估系统 |
CN109272164B (zh) * | 2018-09-29 | 2021-09-28 | 清华大学深圳研究生院 | 学习行为动态预测方法、装置、设备及存储介质 |
CN109271374B (zh) * | 2018-10-19 | 2021-01-26 | 国网江苏省电力有限公司信息通信分公司 | 一种基于机器学习的数据库健康度打分方法和打分系统 |
CN109350071A (zh) * | 2018-11-08 | 2019-02-19 | 华东师范大学 | 一种基于人工智能计算的柔性步态监测方法 |
CN109785962B (zh) * | 2019-01-07 | 2021-07-16 | 安徽大学 | 一种基于学习模型智能预测放疗中射野参数的方法和系统 |
CN109875834B (zh) * | 2019-02-18 | 2021-07-20 | 解国强 | 一种脊柱复健设备及其控制方法 |
KR102341985B1 (ko) * | 2019-06-20 | 2021-12-22 | 코드비전 주식회사 | 운동 보조 장치 및 운동 보조 방법 |
-
2019
- 2019-06-27 JP JP2019120209A patent/JP7326926B2/ja active Active
-
2020
- 2020-05-28 US US16/885,927 patent/US20200410341A1/en active Pending
- 2020-06-23 CN CN202010578895.2A patent/CN112137834B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006345973A (ja) * | 2005-06-14 | 2006-12-28 | Fukui Computer Kk | メディカル・オートフィットネス・システム |
CN109036571A (zh) * | 2014-12-08 | 2018-12-18 | 20/20基因系统股份有限公司 | 用于预测患有癌症的可能性或风险的方法和机器学习系统 |
CN106691772A (zh) * | 2015-11-12 | 2017-05-24 | 摩托瑞克有限公司 | 执行训练课程程序 |
Also Published As
Publication number | Publication date |
---|---|
US20200410341A1 (en) | 2020-12-31 |
CN112137834A (zh) | 2020-12-29 |
JP7326926B2 (ja) | 2023-08-16 |
JP2021003521A (ja) | 2021-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7200851B2 (ja) | 学習装置、リハビリ支援システム、方法、プログラム、及び学習済みモデル | |
CN112137846B (zh) | 学习系统、步行训练系统、系统、方法、程序及学习完毕模型 | |
CN112138334B (zh) | 处理系统、步行训练系统、处理方法以及计算机可读介质 | |
CN112137844A (zh) | 复健辅助系统、推断装置、学习装置、方法及存储介质 | |
CN112151145A (zh) | 检索装置、系统、方法以及程序 | |
CN112137832B (zh) | 学习系统、复健辅助系统、方法、程序及学习完毕模型 | |
CN112137836B (zh) | 学习系统、复健辅助系统、方法、程序及学习完毕模型 | |
CN112137839B (zh) | 学习系统、步行训练系统、方法、程序、以及学习完毕模型 | |
CN112137837B (zh) | 学习系统、步行训练系统、方法、程序及学习完毕模型 | |
CN112137838A (zh) | 学习装置、步行训练系统、方法、程序及学习完毕模型 | |
CN112137834B (zh) | 学习系统、复健辅助系统、方法、程序及学习完毕模型 | |
JP7124796B2 (ja) | リハビリ支援システム、リハビリ支援装置の作動方法、及びリハビリ支援プログラム | |
CN112137835B (zh) | 学习系统、复健辅助系统、方法、程序及学习完毕模型 |
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 |