CN112137839A - 学习系统、步行训练系统、方法、程序、以及学习完毕模型 - Google Patents

学习系统、步行训练系统、方法、程序、以及学习完毕模型 Download PDF

Info

Publication number
CN112137839A
CN112137839A CN202010586577.0A CN202010586577A CN112137839A CN 112137839 A CN112137839 A CN 112137839A CN 202010586577 A CN202010586577 A CN 202010586577A CN 112137839 A CN112137839 A CN 112137839A
Authority
CN
China
Prior art keywords
walking
data
learning
training
trainer
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.)
Granted
Application number
CN202010586577.0A
Other languages
English (en)
Other versions
CN112137839B (zh
Inventor
大槻将久
中岛一诚
岩田拓也
太场裕昌
小林诚
今井田昌幸
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.)
Toyota Motor Corp
Original Assignee
Toyota Motor Corp
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 Toyota Motor Corp filed Critical Toyota Motor Corp
Publication of CN112137839A publication Critical patent/CN112137839A/zh
Application granted granted Critical
Publication of CN112137839B publication Critical patent/CN112137839B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/08—Learning methods
    • 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
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2505/00—Evaluating, monitoring or diagnosing in the context of a particular type of medical care
    • A61B2505/09—Rehabilitation or training
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Computational Linguistics (AREA)
  • Pain & Pain Management (AREA)
  • Rehabilitation Therapy (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physiology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Fuzzy Systems (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Dentistry (AREA)

Abstract

本发明提供用于以适当的设定参数进行步行训练的学习装置、步行训练系统、方法、程序以及学习完毕模型。本实施方式所涉及的学习装置具备：数据取得部，其取得来自步行训练装置的复健数据，该步行训练装置具备对训练者的步行动作进行辅助的促动器和根据设定参数来控制促动器的控制部；数据生成部，其生成包括设定参数在内的复健数据作为学习用数据；以及学习部，其使用学习用数据进行机器学习，从而生成将检测数据作为输入而输出上述设定参数的推荐值的学习模型。

Description

学习系统、步行训练系统、方法、程序、以及学习完毕模型
技术领域
本发明涉及学习系统、步行训练系统、方法、程序以及学习完毕模型。
背景技术
在日本特开2015－223294号公报中公开了步行训练装置。
步行训练装置的步行训练使用各种促动器来辅助训练者的步行动作。步行训练装置例如具有赋予拉伸训练者的病腿的拉伸力的马达、赋予用于辅助膝关节的伸展运动以及屈曲运动的驱动力的马达。这样的促动器所赋予的辅助力越大，则步行训练的难易度下降，而辅助力越小，则难易度上升。例如，步行能力较低的训练者需要较高的辅助力。另一方面，在步行能力较高的训练者以较高的辅助力进行训练的情况下，难易度过低，因而不无法进行有效的训练。
由此，需要物理治疗师等训练工作人员根据训练者来设定促动器的输出，从而使训练者以最佳的难易度进行训练。即，每个训练者的瘫痪程度、恢复程度不同，因而需要训练工作人员根据训练者来进行适当的设定。并且，假定训练者随着持续进行训练而逐渐恢复。因此，即便是同一训练者，也需根据恢复程度来变化适当的设定。训练工作人员难以进行有效的设定。
发明内容
本发明是为了解决这样的问题而完成的，其提供用于以适当的设定参数进行步行训练的学习系统、步行训练系统、方法、程序以及学习完毕模型。
本实施方式中的学习系统具备：数据取得部，其取得来自步行训练系统的复健数据，该步行训练系统具备对训练者的步行动作进行辅助的促动器、对与由所述促动器辅助的步行动作相关的数据进行检测的传感器、以及根据设定参数来控制所述促动器的控制部；数据生成部，其生成包括基于所述传感器的检测结果的检测数据和所述设定参数在内的复健数据作为学习用数据；以及学习部，其使用所述学习用数据进行机器学习，从而生成将所述检测数据作为输入而输出所述设定参数的推荐值的学习模型。
在上述的学习系统中，也可以为：所述学习部将训练工作人员实际设定的所述设定参数的实际设定值作为教导数据来进行有教导学习。
在上述的学习系统中，也可以为：所述传感器被设置为用于检测所述训练者的步行动作中的多个动作量，在所述动作量的至少一个与预先决定的异常步行基准的任一个一致的情况下，所述步行训练系统将所述步行动作评价为异常步行，所述复健数据包括表示是否为所述异常步行的评价结果的检测数据。
在上述的学习系统中，也可以为：所述复健数据包括与所述训练者相关的训练者数据，所述学习系统根据所述训练者数据将所述训练者分类成组，所述学习部按照每个所述组来生成学习模型。
本实施方式所涉及的学习方法具备如下步骤：取得来自步行训练系统的复健数据的步骤，该步行训练系统具备对进行步行训练的训练者的动作进行辅助的促动器、对与由所述促动器辅助的步行动作相关的数据进行检测的传感器、以及根据设定参数来控制所述促动器的控制部；生成包括基于所述传感器的检测结果的检测数据和与所述步行训练系统的设定相关的设定参数在内的复健数据作为学习用数据的步骤；以及使用所述学习用数据进行机器学习，从而生成将所述检测数据作为输入而输出所述设定参数的学习模型的步骤。
本实施方式所涉及的程序用于使计算机执行上述的学习方法。
本实施方式所涉及的学习完毕模型用于使计算机发挥功能，使得基于在步行训练系统取得的评价用复健数据来输出所述步行训练系统的设定参数的推荐值，其中，所述学习完毕模型是由技术方案1～4中任一项所述的学习系统生成的学习模型。
本实施方式所涉及的步行训练系统具备：促动器，其对训练者的步行动作进行辅助；传感器，其对与由所述促动器辅助的步行动作相关的数据进行检测；控制部，其根据设定参数来控制所述促动器；以及学习完毕模型，其将与所述传感器的检测结果对应的检测数据作为输入而输出所述设定参数的推荐值。
在上述的步行训练系统中，也可以为：所述传感器被设置为用于检测所述训练者的步行动作中的多个动作量，在所述动作量的至少一个与预先决定的异常步行基准的任一个一致的情况下，所述步行训练系统将所述步行动作评价为异常步行，所述检测数据包括是否为所述异常步行的评价结果。
在上述的步行训练系统中，也可以为：所述步行训练系统根据与所述训练者相关的训练者数据，将所述训练者分类成组，并按照每个所述组而设定有不同的所述学习完毕模型。
在上述的步行训练系统中，也可以为：基于在所述训练者的训练中依次取得的所述检测数据来更新所述设定参数的推荐值。
对于本实施方式所涉及的步行训练系统的动作方法而言，该步行训练系统具备：促动器，其对训练者的步行动作进行辅助；传感器，其对与由所述促动器辅助的步行动作相关的数据进行检测；以及控制部，其根据设定参数来控制所述促动器，其中，所述步行训练系统的工作方法具备如下步骤，即：取得与所述传感器的检测结果对应的检测数据的步骤；以及将与所述传感器的检测结果对应的检测数据作为输入而输出所述设定参数的推荐值的步骤。
本实施方式所涉及的步行训练系统的工作方法是能够访问上述的学习完毕模型的处理系统中的处理方法，基于所述检测数据来输出所述设定参数的推荐值。
根据本公开，提供用于以适当的设定参数进行步行训练的学习系统、步行训练系统、方法、程序以及学习完毕模型。
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是本实施方式所涉及的步行训练装置的简要立体图。
图2是步行辅助装置的简要立体图。
图3是表示步行训练装置的系统构成的图。
图4是表示服务器的结构的框图。
图5是用于说明控制部中的处理的流程图。
图6是用于说明学习用数据组的表。
图7是用于说明学习模型的图。
图8是表示参数的设定画面的一个例子的图。
图9是表示参数的设定画面的一个例子的图。
图10是表示实施方式2的处理的流程图。
图11是说明第1异常步行基准的图。
图12是说明第2异常步行基准的图。
图13是说明第3异常步行基准的图。
图14是说明第4异常步行基准的图。
图15是说明第5异常步行基准的图。
图16是说明第6异常步行基准的图。
图17是说明第7异常步行基准的图。
图18是表示步行训练装置的处理动作的流程图。
图19是表示异常步行的判定结果的表。
图20是表示设定参数的变化的表。
图21是用于说明使用了RNN的学习模型的图。
具体实施方式
以下，通过发明的实施方式来对本发明进行说明，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(步行训练系统)主要由步行训练装置(系统)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可以是治疗师(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，所以还可以称为训练指导者、训练帮助者、训练辅助者等。
步行训练装置100主要具备：控制盘133，其被安装于构成整体骨架的框架130；步行机131，其供训练者900步行；以及步行辅助装置120，其佩戴于训练者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步行机131上。步行机131通过未图示的马达使环状的带132旋转。步行机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的状态站立等容易对训练者900进行帮助的状态。
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拉伸部135，在头上部附近支承保护带拉伸部112，在头上部后方附近支承后侧拉伸部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，从而能够变更其倾斜角度。例如，扶手130a能够具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。
通过前侧拉伸部135与后侧拉伸部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的一端与前侧拉伸部135的卷取机构连结，另一端与步行辅助装置120连结。前侧拉伸部135的卷取机构通过使未图示的马达接通/断开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的一端与后侧拉伸部137的卷取机构连结，另一端与步行辅助装置120连结。后侧拉伸部137的卷取机构通过使未图示的马达接通/断开来根据病腿的活动而卷取或导出后侧钢丝136。通过这样的前侧拉伸部135与后侧拉伸部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作为操作人员将对于重度瘫痪的训练者进行辅助的水平设定得大。若进行辅助的水平被设定得大，则前侧拉伸部135配合病腿的摆动时机以比较大的力卷取前侧钢丝134。若随着训练的进展而不再需要辅助，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，则前侧拉伸部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具备作为安全装置的防跌倒保护带装置，其以辅具110、保护带钢丝111以及保护带拉伸部112为主要构成要素。辅具110是被卷绕于训练者900的腹部的带，例如通过面粘扣而固定于腰部。辅具110具备与作为吊具的保护带钢丝111的一端连结的连结钩110a，也可以称为悬吊带。训练者900以连结钩110a位于后背部的方式佩戴辅具110。
保护带钢丝111的一端与辅具110的连结钩110a连结，另一端与保护带拉伸部112的卷取机构连结。保护带拉伸部112的卷取机构通过使未图示的马达接通/断开来卷取或导出保护带钢丝111。通过这样的结构，在训练者900即将要跌倒的情况下，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，通过辅具110支承训练者900的上身，从而防止训练者900跌倒。
辅具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，输出佩戴了辅具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，使步行训练装置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，辅具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的详细情况将后述。
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情况将后述。
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单元的一个具体例。服务器500与网络400连接，具有存储从外部通信装置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，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，从而将大腿框架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，例如还可以构成为检测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、步行机驱动部211、操作受理部212、显示控制部213以及拉伸驱动部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。
步行机驱动部211包括使带132旋转的马达及其驱动电路。整体控制部210通过向步行机驱动部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，能够使电源接通断开、给予训练开始的指示、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以及由照相机140拍摄到的实时影像。
拉伸驱动部214包括构成前侧拉伸部135的用于拉伸前侧钢丝134的马达及其驱动电路、和构成后侧拉伸部137的用于拉伸后侧钢丝136的马达及其驱动电路。整体控制部210通过向拉伸驱动部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拉伸力。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拉伸力增减，由此来辅助病腿的摆动动作。
保护带驱动部215包括构成保护带拉伸部112的用于拉伸保护带钢丝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的拉伸力。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，从照相机140接受图像信号，并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，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步行机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被施加于扶手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，通过执行从整体控制部210赋予的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的启动/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进行通知的情形下，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，从管理用监视器139或者另外设置的扬声器进行通知。关于该通知的详细情况将后述，但需要针对训练工作人员901进行通知的情形能够为接收到用于从服务器500进行通知的指令的情况。
接下来，对服务器500的详细情况进行说明。
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，由此能够收集较多的复健数据。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(学习器)而发挥功能。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具备数据生成部510a以及学习部510b。在该情况下，上述的控制程序包括用于实现这些数据生成部510a以及学习部510b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。通信IF514以及数据蓄积部520例如作为取得复健数据的数据取得部而发挥功能。
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的功能实施切换的控制。但是，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。数据生成部510a以及学习部510b为了使服务器500作为学习装置发挥功能而设置。推荐设定参数输出部510c为了通过学习完毕模型进行复健辅助处理而设置。具体而言，推荐设定参数输出部510c如后述那样输出推荐设定参数。服务器500具有推荐设定参数输出部510c，但也可以是整体控制部210具有推荐设定参数输出部510c。
(复健数据)
这里，在对数据生成部510a以及学习部510b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最主要包括：(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。(1)～(4)的复健数据可以与取得时间日期建立关联地进行收集。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，但还可以构成为服务器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)、(2)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。
设定参数与促动器的设定相关。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。例如，整体控制部210根据设定参数来控制马达等促动器。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减少由步行训练装置100进行的辅助。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，例如还能够举出步行机速度[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[％]。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拉伸部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。
步行机速度是基于步行机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将步行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所赋予的拉伸力对应的水平，该水平越高，则最大拉伸力越大。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水平。摆动前后比是在腿的摆动时前侧钢丝134的拉伸力与后侧钢丝136的拉伸力之比。
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的驱动转矩对应的水平，该水平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水平。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可以构成为能够通过膝部屈曲角度、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例如还可以构成为通过声音从未图示的扬声器反馈载荷、角度等各种参数的设定值、目标值、目标的实现率、目标的达成时机等。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直接有关的设定参数。例如，上述的设定参数还可以是为了使训练者900提高积极性而通过训练用监视器138或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，但也可以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、载荷传感器等。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的与行走方式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，视线检查传感器、拍摄上述图像的拍摄部、麦克风等能够预先设置于步行训练装置100的主体侧，但例如也能够设置于用于使训练者900佩戴的眼镜型可佩戴终端。在该终端具备以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佩戴终端取得的数据。脑波仪局限于检测精度良好的脑波仪，但能够构成为设置于步行训练装置100的主体侧而能够区别并检查训练者900的脑波和训练工作人员901的脑波。其中，优选将脑波仪设置为使得上述的眼镜型可佩戴终端(例如眼镜的枝的部分等)等接近检查对象者的位置。
另外，传感器等对检测数据进行检测的传感器等并不局限于上述的传感器。例如，能够使训练者900佩戴搭载了佩戴式生物体传感器和/或佩戴式触摸传感器的衣物。这里所述的衣物并不局限于穿着于上半身的衣物，可以是穿着于下半身的衣物，也可以是上下成套的衣物，例如也可以是辅具110等佩戴于局部的部件。另外，在衣物和步行训练装置100具备上述那样的无线通信部。由此，步行训练装置100能够通过无线通信取得由佩戴式生物体传感器、佩戴式触摸传感器所取得的数据。佩戴式生物体传感器能够取得佩戴者的心率等重要(vital)数据。佩戴式触摸传感器能够取得表示佩戴者亦即训练者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，例如也可以是1天、1次训练、1个步行周期等一定期间内的通过动态统计的统计值。
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也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，检测数据能够包括针对每日的、或者针对1日内的每次实施复健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]、表示每分钟的步数(step)的步行率[steps/min]、步行PCI[拍/m]、规避跌倒帮助[％]等。平均速度例如能够是根据步行机131的速度设定值而计算出的值、或根据步行机驱动部211中的驱动信号而计算出的值。步距是指从单侧的脚跟接地至同侧的脚跟下次再次接地为止的距离。PCI是指Physiological Cost Index(生理成本指数的临床指标)，步行PCI表示步行时的能量效率。规避跌倒帮助[％]是指按每1个步数计算训练工作人员901对训练者900进行了规避跌倒帮助的次数亦即规避跌倒帮助[次]的比例、即每1个步数进行了规避跌倒帮助的比例。
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]、规避跌倒帮助[次]、规避跌倒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，能够举出作为步行机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1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10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、颅内出血(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。在无帮助者且无辅具(辅助器械)而能够步行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)而能够移动50m的情况下，成为4分，在以中等程度帮助(帮助量25％以上)而能够移动50m的情况下，成为3分。因此，随着恢复进展，训练者10的步行FIM逐渐变高。
由此，步行FIM是表示从复健开始时刻起的训练者900的恢复度的指标。另外，步行FIM是表示不使用促动器的情况下的训练者的动作能力(即步行能力)的指标。换言之，在知晓训练者900的复健的进展状况之后，步行FIM成为重要的指标。然而，为了对步行FIM进行打分，需要训练者900在帮助者位于附近的状态下在平坦地步行50m。因此，存在无法频繁地对步行FIM进行打分的情况。另外，如上述那样，在步行FIM为3分的情况下和为4分的情况下，仅帮助水平不同。即，根据帮助者(训练工作人员)不同，存在步行FIM的打分产生偏差的担忧。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。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变化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，例如能够是将到目前为止的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的信息中。条件能够包含取得该信息时的辅高、所使用的辅具(例如步行辅助装置120、其他步行辅助装置、无辅具等)、该辅具中的膝部、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、包括训练者900的症状、身体能力以及恢复度的至少一个的指标数据。此外，对于最新的步行FIM等身体能力以及恢复度双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。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而被使用。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来进行复健的情况下，复健数据能够包含多人的工作人员数据。另外，各工作人员数据还能够包含表示是否是主要的训练工作人员、是否是辅助的训练工作人员、是否是仅进行操作的训练工作人员、是否是仅起到用手支承训练者900的作用的训练工作人员等的信息。
另外，优选步行训练装置100构成为能够输入针对训练者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被包含。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被包含。
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。
(学习模型的构建)
服务器500作为生成学习模型的学习模型构建装置而发挥功能。具体而言，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至数据蓄积部520。服务器500通过基于复健数据进行机器学习来构件学习完毕模型。具体而言，服务器500生成将复健数据作为输入数据而输出有效的设定参数的学习完毕模型。
这里，学习完毕模型以训练者能够进行有效的步行训练的方式将与该训练者对应的有效的设定参数的值作为推荐值来进行输出。学习完毕模型相对于上述的多个设定参数中的1种以上输出推荐值即可。这里，将设定参数的推荐值亦称为推荐设定参数。学习完毕模型的输入数据至少包括检测数据。即，学习完毕模型将包括检测数据的复健数据作为输入而输出设定参数。
如图4所示，服务器500的控制部510具备数据生成部510a和学习部510b。图5是表示控制部510中的学习模型的构建方法(学习方法)的流程图。控制部510取得从步行训练装置100发送出的复健数据(S11)。数据生成部510a生成学习数据作为机器学习的前处理(S12)。即，数据生成部510a基于蓄积于数据蓄积部520的复健数据，来生成学习数据。学习部510b通过使用学习数据进行机器学习，来构建学习模型(S13)。
学习部510b构建对推荐设定参数进行计算的学习模型。例如，学习部510b进行有教导学习。将训练工作人员901实际设定的设定参数的设定值亦称为实际设定值。学习部510b准备包括设定参数的实际设定值作为教导数据的学习数据。
例如，在学习数据中，将从步行训练装置100收集到的复健数据与作为教导数据的设定参数的实际设定值建立起关联。更详细地说，复健数据包括设定参数的实际设定值，因而复健数据所包括的设定参数的实际设定值成为教导数据。
例如，摆动辅助水平用水平1～6这6个等级来表示，膝部伸展辅助水平用水平1～10这10个等级来表示。训练工作人员901在训练开始时或者训练中输入的值成为实际设定值。而且，欲输出推荐值的种类的设定参数的实际设定值成为教导数据。例如，在输出摆动辅助水平以及膝部伸展辅助水平这2个推荐值的情况下，摆动辅助水平以及膝部伸展辅助水平的实际设定值成为教导数据。当然，不仅可以将1种、或者也可以将3种以上的设定参数的实测定值作为教导数据。
数据生成部510a准备多个学习数据组。因此，数据生成部510a准备在规定的期间内收集到的复健数据作为1组学习数据。例如，可以准备在1次步行训练或者步行训练的1次施行中收集到的复健数据作为1组学习数据。
1次步行训练是一位训练者900所进行的一系列的训练，若1次步行训练结束，则下一训练者900在步行训练装置100中进行训练。1次步行训练通常为20分钟～60分钟左右。步行训练的1次施行是在1次步行训练中训练者900持续步行的1个单位。1次步行训练包括多次施行。例如，1次施行为5分钟左右。具体而言，在1次步行训练中，训练者900在进行了5分钟的步行训练之后休息5分钟。即，在1次步行训练中，步行训练的施行与休息交替重复地进行。休息与休息之间的5分钟成为1次施行的时间。当然，1次训练与1次施行的时间并不特别限定，能够针对每个训练者900适当地设定。
数据生成部510a可以准备在比1次施行短的期间收集到的复健数据作为学习数据。数据生成部510a也可以准备在比1次施行长的期间收集到的复健数据作为1组学习数据。另外，也可以将直至训练工作人员901将设定参数的设定变更为止的期间的数据作为1组数据组。此外，在以下的说明中，将1组学习数据作为学习用数据组(亦简称为数据组)。
使用图6对数据组的一个例子进行说明。图6是用于说明数据组的表格。1个数据组包括设定参数亦即教导数据与检测数据。并且，1个数据组可以包括检测数据、教导数据以外的设定参数、训练者数据以及工作人员数据。在图6中，将设定参数、检测数据、训练者数据、工作人员数据以及教导数据建立起关联而构成1个数据组。此外，如上述那样，教导数据是训练工作人员901输入的设定参数的输入值。
为了对相对于摆动辅助水平以及膝部伸展辅助水平输出推荐值的学习模型进行说明，将教导数据表示为二维向量。当然，1个数据组所包括的教导数据的维数成为与欲输出推荐值的设定参数数量对应的数量。
此外，在图6中，为了说明的简化，将教导数据以外的设定参数、检测数据、训练者数据以及工作人员数据分别表示为1个数据(例如，parameter_1)，但实际上可以具有多个数据。例如，如上所述，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个以上的数据。如上所述，训练者数据可以包括训练者900的初始步行FIM、步行FIM、性别以及年龄等2个以上的数据。如上所述，工作人员数据可以包括训练工作人员901的年龄以及性别等2个以上的数据。
另外，检测数据可以包括加速度传感器、角速度传感器、位置传感器、光传感器、扭矩传感器、载荷传感器等2个以上的传感器的数据。另外，数据组并不局限于检测数据的原始数据，也可以包括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出的特征量作为学习用数据。
例如，数据组可以包括1次施行中的检测数据的最大值、最小值、极大值、极小值以及平均值等。数据生成部510a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可以蓄积特征量。数据蓄积部520蓄积检测数据的原始数据，学习模型可以具有计算特征量的层。数据生成部510a可以通过对从步行训练装置100取得的复健数据进行运算处理来计算特征量。在该情况下，将数据生成部510a生成的新的复健数据追加至学习用数据组。
学习部510b能够作为根据包括检测数据的复健数据求出导出设定参数的函数的回归问题而进行机器学习。或者，辅助水平等按照1～N(N为2以上的整数)这N个等级来进行设定，因而学习部510b能够作为分类问题而进行机器学习。另外，即便设定参数为膝部屈曲角度[deg]、膝部屈伸时间[sec]、辅高[mm]、减重阈值[％]、载荷阈值[％]，也能够表达为以最小单位变化的数据。因此，学习部510b能够作为分类问题而进行机器学习。
学习部510b可以通过如图7那样在输入层5311与输出层5312之间设置有中间层(亦称为隐藏层)5313的神经网络来构建学习模型。输入层5311具有多个节点5315，将数据组所包含的各数据作为输入。输出层5312输出推荐设定参数。输出层5312具有2个输出节点5316。一方的输出节点5316输出与摆动辅助水平相关的推荐设定参数，另一方的输出节点5316输出与膝部伸展辅助水平相关的推荐设定参数。中间层5313具有多个节点5315。各节点具有激活函数。在连接各节点的边缘形成有加权。学习模型5310是将推荐设定参数作为因变量、将检测数据等作为解释变量的模型。
这里，利用学习部510b学习的学习模型5310的种类及其算法是任意的，但作为算法，能够使用神经网络。特别优选使用将中间层5313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。
由于输入了实际设定值作为教导数据，因而学习部510b以使实际设定值与推荐值一致的方式构建学习模型5310。学习部510b能够构建输出与实测值一致的那样的推荐值的学习模型5310。为了将实际设定值与推荐值的误差最小化，学习部510b使未学习模型读入大量的学习用数据。控制部510将构建的学习模型5310写入至模型存储部521。
学习部510b可以通过深度学习来构建学习模型。学习部510b也可以通过进行卷积运算的CNN(Convolutional Neural Network)来构建学习模型。在该情况下，学习模型5310可以具有卷积层、池化层等。学习部510b也可以通过处理时间序列数据的RNN(RecurrentNeural Network)来构建学习模型。在RNN中，时刻t－1的中间层与时刻t的中间层连接。例如，将在第1次施行中收集到的复健数据作为时刻t－1的学习用数据组，将在第2次施行中收集到的复健数据作为时刻t的学习用数据组。或者，将在第1次施行内的第1步收集到的复健数据作为时刻t－1的学习用数据组，将在第2步收集到的复健数据作为时刻t的学习用数据组。
或者，为了依次输入1次施行中的各时刻的输入数据，1个数据组可以包括检测数据等时间序列数据。即，学习用数据组可以包括按照时间序列的日志数据。也可以如上述那样，将从日志数据提取出的特征量作为学习数据。并且，数据生成部510a也可以进行数据处理，以便时间序列的检测数据成为图像数据，并将该图像数据作为学习用数据。此外，作为学习部510b所使用的学习手法，能够使用公知的算法，因而省略详细的说明。
例如，学习完毕模型能够将扶手传感器218检测出的载荷的检测数据作为输入。在步行FIM较低的训练者900的步行训练中，训练者900倚着扶手130a步行。施加于扶手传感器218的载荷较大。在步行FIM较低的训练者900的步行训练中，为了增大各钢丝的拉伸力等，训练工作人员901设定较高的辅助水平。另一方面，在步行FIM较高的训练者900的步行训练中，训练者900不倚着扶手130a步行。施加于扶手传感器218的载荷较小。在步行FIM较高的训练者900的步行训练中，为了减小各钢丝的拉伸力等，训练工作人员901设定较低的辅助水平。这样，扶手传感器218的检测数据与辅助水平存在相关关系。学习部510b构建表示检测数据与辅助水平的相关关系的学习完毕模型。
或者，学习完毕模型能够将钢丝的驱动扭矩的检测数据作为输入。在步行FIM较低的训练者900的步行训练中，关节驱动部221、拉伸驱动部214或者保护带驱动部215的驱动扭矩变高。因此，对于步行FIM较低的训练者900，存在辅助水平变高的趋势。对于步行FIM较高的训练者900，存在辅助水平变低的趋势。在步行FIM较高的训练者900的步行训练中，关节驱动部221、拉伸驱动部214或者保护带驱动部215的驱动扭矩变低。因此，学习完毕模型能够将由线传感器检测到的驱动扭矩作为输入。
由此，学习部510b能够构建基于检测数据而输出推荐设定参数的学习模型。并且，学习部510b将实际设定值作为教导数据来构建学习模型。由此，学习部510b能够构建输出适当的推荐设定参数的学习模型。若机器学习结束，则学习部510b将学习模型5310写入至模型存储部521。
此外，在以下的说明中，将机器学习结束并写入至模型存储部521的学习模型亦称为学习完毕模型。即，将利用阶段中的学习模型亦称为学习完毕模型。当然，在新的复健数据蓄积至数据蓄积部520的情况下，可以进行追加的机器学习，来更新学习完毕模型。
(学习模型的利用)
以下，对学习完毕模型的利用进行说明。在图4中，推荐设定参数输出部510c设置于服务器500，但这里，对在步行训练装置100中利用学习完毕模型的例子进行说明。服务器500将学习完毕模型发送至步行训练装置100。当然，服务器500可以利用学习完毕模型。即，用于利用学习完毕模型的处理的一部分或者全部可以在服务器500进行，也可以在步行训练装置100进行。
步行训练装置100将学习完毕模型储存于存储器等。而且，在进行新的训练时，训练工作人员900在触摸面板等输入训练者的训练者数据。另外，也可以将训练者的ID或姓名与除此以外的训练者数据建立关联。在该情况下，若训练工作人员901输入训练者900的ID或姓名，则从存储器读出所需的训练者数据，并将其自动输入。例如，若训练工作人员900输入训练者900的ID，则自动输入身高、年龄、体重等的值。另外，作为训练者数据的训练天数可以通过自动计算来输入。并且，在进行步行FIM的测定并更新了步行FIM的值的情况下，训练工作人员901输入最新的步行FIM的实测值。
接下来，训练工作人员901对设定参数进行设定。例如，训练工作人员901输入适于训练者900的设定参数。图8以及图9是表示设定参数的输入画面的一个例子的图。
图8是用于输入臀部接头的有无、辅高、保护带类型、踝关节跖屈限制、踝关节背屈限制、后方腿免载、前方腿免载、扶手130a的宽度、扶手130a的高度的画面。保护带类型表示辅具110的类型，包括仅进行步行辅助装置120的免载的免载类型和悬垂包括步行辅助装置120的训练者900的类型。前方腿免载、后方腿免载表示前侧拉伸部135以及后侧拉伸部137的左右方向的位置，取－3～+3这7个等级的值。具体而言，前方腿免载、后方腿免载用中央为0、左端为－3、右端为+3的整数值表示。
图9是用于输入体重免载量、膝部屈伸时间、膝部屈曲角度、步行机速度、摆动辅助水平以及膝部伸展辅助水平的画面。训练工作人员901确认训练者900的信息，在触摸面板等输入设定值。或者，也可以是若训练工作人员901输入训练者900的ID等，则整体控制部210自动输入该训练者900的前次训练时的数据。
若执行新的步行训练，则步行训练装置100取得复健数据(以下，亦称为评价用复健数据)。学习完毕模型将评价用复健数据作为输入而输出推荐设定参数。即，评价用复健数据包括与传感器的检测结果对应的检测数据。因此，整体控制部210若取得在步行训练中取得的检测数据，则将检测数据输入至学习完毕模型。由此，学习完毕模型输出设定参数的推荐值。而且，整体控制部210对实际设定值与推荐值进行比较，在实际设定值与推荐值不同的情况下，输出推荐值。此外，收集评价用复健数据的训练者900与收集到学习用数据的训练者900可以相同，也可以不同。另外，收集评价用复健数据的步行训练装置100与收集到作为学习用数据的复健数据的步行训练装置100可以相同，也可以不同。
学习完毕模型根据训练者900来输出推荐设定参数。例如，如图9所示，管理用监视器139相对于训练工作人员901显示对设定参数的变更进行推荐的消息。在图9中，管理用监视器139显示推荐将摆动水平从当前水平(水平4)提高1的消息。若训练工作人员901确认监视器，则进行设定变更。或者，也可以是整体控制部210使用推荐设定参数来自动变更设定。
这样，学习完毕模型能够通过输出推荐设定参数来使设定参数成为适当的设定值。能够根据在训练者900的步行训练中取得的检测数据，对设定参数进行设定，因而训练者900能够实施有效的训练。另外，也可以对训练工作人员901是否实际采用推荐设定参数进行判定。或者，也可以使用在前次训练时取得的检测数据，来输出下次的训练时的推荐设定参数。在该情况下，在训练开始时，在训练工作人员901输入设定参数之前，学习完毕模型能够输出推荐设定参数。在该情况下，管理用监视器139可以在设定参数的输入画面显示推荐设定参数的值。
当然，也可以不是步行训练装置100、而是服务器500输出推荐设定参数。在该情况下，步行训练装置100将评价用复健数据发送至服务器500。于是，服务器500将评价用复健数据输入至学习完毕模型，从而输出推荐设定参数。在该情况下，服务器500作为用于输出推荐设定参数的处理装置而发挥功能。当然，也可以是学习完毕模型中的一部分处理由服务器500实施，一部分处理由整体控制部210实施。
综上所述，本实施方式所涉及的服务器500作为学习装置而发挥功能。服务器500的通信IF514作为取得来自步行训练装置100的复健数据的数据取得部而发挥功能。此外，步行训练装置100具备：促动器，其辅助进行步行训练的训练者的动作；和传感器，其检测与上述促动器所辅助的上述步行动作相关的数据。数据生成部510a生成包括与上述传感器的检测结果对应的检测数据和与上述步行训练装置的设定相关的设定参数在内的复健数据作为学习用数据。学习部510b使用上述学习用数据进行机器学习，从而生成将上述检测数据作为输入而输出上述设定参数的推荐值的学习模型。
另外，整体控制部210或者服务器500作为基于从步行训练装置取得的评价用复健数据来在上述步行训练装置中输出设定参数的推荐值的处理装置而发挥功能。处理装置将利用上述的学习装置生成的学习模型作为学习完毕模型，通过向上述学习完毕模型输入评价用复健数据而输出上述设定参数的推荐值。并且，整体控制部210以及服务器500的至少一方执行程序，从而实施用于基于评价用复健数据来输出设定参数的推荐值的处理方法。
根据本实施方式，能够针对每个训练者900设定适合的设定参数。因此，训练者900能够有效地进行步行训练。另外，也可以对训练工作人员901是否采用推荐值进行判定。即，训练工作人员901可以使用推荐值来实施步行训练，也可以输入推荐值以外的值来实施步行训练。
并且，也可以基于在训练者900的训练中依次取得的检测数据来更新设定参数的推荐值。即，在步行训练中，可以依次求出推荐值，使得能够动态地变更设定参数的设定值。例如，在1次步行训练或者1次施行中，各传感器依次检测新的检测数据。整体控制部210基于新的检测数据来依次计算推荐值。管理用监视器139提示依次计算出的推荐值。此外，也可以根据步行周期来适当地决定推荐设定参数的更新周期。
实施方式2.
在实施方式2中，服务器500将训练者900分成多组。而且，服务器500按照每个组构建学习模型。具体而言，服务器500基于训练者数据来对训练者进行聚类。此外，实施方式2所涉及的系统的基本结构以及处理与实施方式1同样，因而适当地省略说明。
使用图10对本实施方式所涉及的处理方法进行说明。图10是用于说明控制部510中的处理的流程图。首先，与实施方式1同样，控制部510取得复健数据(S21)。然后，控制部510对训练者进行分组(S22)。作为分组的训练数据，能够使用初始步行FIM以及SIAS的值。例如，也可以将初始步行FIM和SIAS的值一致的训练者作为1组。此外，组数为2以上即可，并不特别限定。另外，训练工作人员901等可以进行分组处理的一部分或者全部。
另外，控制部510可以使用机器学习来构建分组用的学习模型。在该情况下，控制部510例如通过无教导学习来构建分组用的学习模型。控制部510使用k平均法等聚类手法来构建学习模型。在k平均法中，若管理者预先输入类数k(2以上的整数)，则包括多个训练者900的集团被聚类为k类。此外，聚类可以是非层次型聚类，也可以是层次型聚类。
数据生成部510a按照每组来准备学习用数据组(S23)。即，数据生成部510a将属于相同的组的训练者900的复健数据作为学习用数据组。学习部510b按照每组构建学习模型(S24)。此外，步骤S21、步骤S23、步骤S24与实施方式1同样，因而省略说明。
这样一来，学习部510b能够按照每组构建学习模型。模型存储部521针对各个组存储学习模型。在利用第1学习模型时，整体控制部210使用训练者900所属的组的第1学习完毕模型来输出推荐设定参数。整体控制部210能够使用适于训练者900的第1学习完毕模型，因而能够输出适当的推荐设定参数。例如，若服务器500取得评价用的复健数据，则能够通过k近邻算法(knn法)来决定类似于该训练者900的组。
或者，控制部510使用训练者900所属的组的第2学习完毕模型来输出设定参数的推荐值。整体控制部210能够使用适于训练者900的第2学习完毕模型，因而能够计算更适当的推荐设定参数。此外，也可以将第1学习完毕模型以及第2学习完毕模型设定为一体的学习完毕模型(计算机程序)，也可以构建为不同的学习完毕模型(计算机程序)。
实施方式3.
在说明本实施方式之前，对步行训练中的异常步行样式进行说明。本申请发明人们发现：见于偏瘫患者的异常步行存在分类成至少7种的样式。即，知晓了：若对于各个样式规定了异常步行基准，则在训练者的步态与任一异常步行基准一致的情况下，能够评价为该步行动作为异常步行。因此，在本实施方式所涉及的步行训练装置100中，步行评价部210a对各瘫痪体部的动作量与各异常步行基准进行比较，由此来评价该步行动作是否为异常步行。以下，对各个的异常步行基准与该评价手法进行说明。
图11是说明第1异常步行基准的说明图。图11是相对于步行方向从侧方观察病腿侧的下半身亦即瘫痪体部的情况下的示意图，从上依次表示躯干TL、髋关节HJ、大腿HL、膝关节NJ、小腿CL、踝关节FJ、脚FL。此外，本实施例中，“腿”以及“腿部”用作表示比髋关节HJ靠下的下部整体的用语，“脚”以及“脚部”用作表示从脚踝至脚尖为止的部分的用语。
为了对是否与第1异常步行基准一致进行判断，整体控制部210将病腿结束摆腿期而着地时的、从髋关节HJ至踝关节FJ为止的沿着步行方向的距离X1作为步行动作所伴有的第1动作量来进行检测。若为健康腿的通常步行，则结束摆腿期而着地的地点应该位于比髋关节HJ靠步行方向(前方)的位置。然而，在病腿的步行中，因无法使病腿充分摆动而无法充分移动腿至前方，存在着地于比髋关节HJ稍靠前方、或着地于比髋关节HJ靠后方的情况。
因此，设定“不足基准距离Xc1”作为第1异常步行基准。若在步行动作中检测到的距离X1不足基准距离Xc1，则判断为异常步行。整体控制部210取得来自载荷传感器222的检测信号和来自照相机140的图像数据，使用这些信息来检测摆腿期的结束时刻的距离X1。例如，在设定为Xc1＝20cm(＝从髋关节HJ向前方为20cm)的情况下，当检测到的距离X1为10cm或－5cm时，步行评价部210a将该步行动作评价为异常步行。基准距离Xc1可以根据训练者的体格、复健的进展程度等来变更。
图12是说明第2异常步行基准的图。图12是相对于步行方向从侧方观察病腿侧的下半身亦即瘫痪体部的情况下的示意图，与图11同样地表示各体部。
为了对是否与第2异常步行基准一致进行判断，整体控制部210将病腿的摆腿期中的脚底载荷X2作为步行动作所伴有的第2动作量来进行检测。若为健康腿的通常步行，则脚底在摆腿期不会接地。然而，在病腿的步行中，抬高腿整体的力不足，因而存在以脚底接地的状态下将腿向前方拖出的那样的所谓的拖动步行的情况。
因此，设定“大于基准载荷Xc2”作为第2异常步行基准。若在步行动作中检测到的载荷X2大于基准载荷Xc2，则判断为异常步行。整体控制部210取得来自载荷传感器222的检测信号和来自照相机140的图像数据，使用这些信息来检测摆腿期内的载荷X2。通常设定为Xc2＝0。即，若在摆腿期内检测到即便很小的来自脚底的载荷，则步行评价部210a也将该步行动作评价为异常步行。但是，根据复健的进展程度等，也可以设定为允许稍微接地，例如Xc2＝10N。另外，可以将摆腿期中的累计载荷作为基准值。
图13是说明第3异常步行基准的图。图13是相对于步行方向从侧方观察病腿侧的下半身亦即瘫痪体部的情况下的示意图，与图11同样地表示各体部。
为了对是否与第3异常步行基准一致进行判断，整体控制部210将病腿的立腿中的膝关节NJ的屈曲角度X3作为步行动作所伴有的第3动作量来进行检测。若为健康腿的通常步行，则立腿中的膝关节NJ并不那么屈曲。然而，在病腿的步行中，膝关节NJ支承上身的力不足，因而存在膝关节NJ在立腿中大幅度屈曲的情况。根据情况不同，引起所谓的折膝。
因此，设定“不足基准角度Xc3”作为第3异常步行基准。若在步行动作中检测到的屈曲角度X3小于基准角度Xc3，则判断为异常步行。整体控制部210取得来自角度传感器223的检测信号和来自照相机140的图像数据，使用这些信息来检测立腿中的屈曲角度X3。例如，在设定为Xc3＝165度的情况下，当检测到的屈曲角度X3为140度时，步行评价部210a将该步行动作评价为异常步行。此外，若在立腿中连续检测到的屈曲角度X3即便有一次不足基准角度Xc3，则步行评价部210a将该步行动作评价为异常步行。基准角度Xc3可以根据训练者的年龄、复健的进展程度等变更。
图14是说明第4异常步行基准的图。图14是相对于步行方向从侧方观察病腿侧的下半身亦即瘫痪体部的情况下的示意图，与图11同样地表示各体部。
为了对是否与第4异常步行基准一致进行判断，整体控制部210将病腿从立腿期切换为摆腿期的摆动时的、从髋关节HJ至踝关节FJ为止的沿着步行方向的距离X4作为步行动作所伴有的第4动作量来进行检测。若为健康正常人的步行，则在某种程度上，摆动时的踝关节FJ相对于髋关节HJ位于后方。然而，在瘫痪患者的步行中，上身的体重移动无法自由地进行，因而存在踝关节FJ在充分离开髋关节HJ之前开始摆动的情况。
因此，设定“基准距离Xc4以上”作为第4异常步行基准。若在步行动作中检测到的距离X4不足基准距离Xc4，则判断为异常步行。整体控制部210取得来自载荷传感器222的检测信号与来自照相机140的图像数据，使用这些信息来检测从立腿期切换为摆腿期的摆动时刻的距离X4。例如，在设定为Xc4＝－20cm(＝从髋关节HJ向后方为20cm)的情况下，当检测到的距离X4为－10cm(＝从髋关节HJ向后方为10cm)或5cm(＝从髋关节HJ向前方为5cm)时，步行评价部210a将该步行动作评价为异常步行。基准距离Xc4可以根据训练者的体格、复健的进展程度等来变更。
图15是说明第5异常步行基准的图。图15是相对于步行方向从侧方观察病腿侧的下半身亦即瘫痪体部的情况下的示意图，与图11同样地表示各体部。
为了对是否与第5异常步行基准一致进行判断，整体控制部210将病腿的立腿中的躯干TL向前方向的倾斜角度X5作为步行动作所伴有的第5动作量来进行检测。若为健康正常人的通常步行，则立腿中的躯干TL为相对于通过髋关节HJ的铅垂线稍向前方倾斜的程度。然而，在瘫痪患者的步行中，为了庇护下半身，存在躯干TL相对于通过髋关节HJ的铅垂线大幅度前倾的情况。
因此，设定“基准角度Xc5以上”作为第5异常步行基准。若在步行动作中检测到的向前方的倾斜角度X5为基准角度Xc5以上，则判断为异常步行。整体控制部210取得来自姿势传感器217的检测信号和来自照相机140的图像数据，使用这些信息来检测立腿中的倾斜角度X5。例如，在设定为Xc5＝10度的情况下，当检测到的倾斜角度X5为30度时，步行评价部210a将该步行动作评价为异常步行。此外，若在立腿中连续检测到的倾斜角度X5即便有一次为基准角度Xc5以上，则步行评价部210a也将该步行动作评价为异常步行。基准角度Xc5可以根据训练者的年龄、复健的进展程度等来变更。
图16是说明第6异常步行基准的图。图16是从步行方向正面观察病腿侧的下半身亦即瘫痪体部的情况下的示意图，与图11同样地表示各体部。
为了对是否与第6异常步行基准一致进行判断，整体控制部210将病腿的立腿中的躯干TL向病腿侧的倾斜角度X6作为步行动作所伴有的第6动作量来进行检测。若为健康正常人的通常步行，则立腿中的躯干TL基本不会相当于通过髋关节HJ的铅垂线向左右方向摇晃。然而，在瘫痪患者的步行中，因为对于在病腿侧施加体重的恐惧心理等，所以存在躯干TL相对于通过髋关节HJ的铅垂线向病腿侧大幅度前倾的情况。
因此，设定“基准角度Xc6以上”作为第6异常步行基准。若在步行动作中检测到的向病腿侧的倾斜角度X6为基准角度Xc6以上，则判断为异常步行。整体控制部210取得来自姿势传感器217的检测信号和来自照相机140的图像数据，使用这些信息来检测立腿中的倾斜角度X6。例如，在设定为Xc6＝10度的情况下，当检测到的倾斜角度X6为20度时，步行评价部210a将该步行动作评价为异常步行。此外，在立腿中连续检测到的倾斜角度X6即便由一次为基准角度Xc6以上，则步行评价部210a也将该步行动作评价为异常步行。基准角度Xc6可以根据训练者的年龄、复健的进展程度等来变更。
图17是说明第7异常步行基准的图。图17是相对于步行方向从侧方观察病腿侧的下半身亦即瘫痪体部的情况下的示意图，与图11同样地表示各体部。
为了对是否与第7异常步行基准一致进行判断，整体控制部210将病腿的摆腿中的躯干TL向前方向的倾斜角度X7作为步行动作所伴有的第7动作量来进行检测。若为健康正常人的通常步行，则在某种程度上，摆腿中的躯干TL相对于通过髋关节HJ的铅垂线向前方倾斜。然而，在瘫痪患者的步行中，上身的体重移动无法自由地进行而后倾，存在躯干TL相对于通过髋关节HJ的铅垂线向后方倾斜的情况。
因此，设定“不足基准角度Xc7”作为第7异常步行基准。若在步行动作中检测到的向前方的倾斜角度X7不足基准角度Xc7，则判断为异常步行。整体控制部210取得来自姿势传感器217的检测信号和来自照相机140的图像数据，使用这些信息来检测摆腿中的倾斜角度X7。例如，在设定为Xc7＝－5度(＝向后方倾斜5度)的情况下，当检测到的倾斜角度X7为－20度时，步行评价部210a将该步行动作评价为异常步行。此外，若在摆腿中连续检测到的倾斜角度X7即便由一次不足基准角度Xc7，则步行评价部210a将该步行动作评价为异常步行。基准角度Xc7可以根据训练者的年龄、复健的进展程度等来变更。
以上，对7个异常步行基准进行了说明，但也可以增加其他异常步行基准。在规定异常步行基准时，重要的是规定多个而非单个，该情况下的异常步行基准至少包括与瘫痪体部的相互不同的部位的动作量相关的2个以上的基准，或者包括与瘫痪体部的相同部位的向相互不同的方向的动作量相关的2个以上的基准即可。
这里，与相互不同的部位的动作量相关的2个以上的基准从与躯干的动作量相关的基准、与膝关节的动作量相关的基准、以及与从脚踝起靠前的脚部的动作量相关的基准中选择即可。在上述的例子中，与躯干的动作量相关的基准是第5、6、7基准，与膝关节的动作量相关的基准是第3基准，与脚部的动作量相关的基准是第1、2、4基准。通过实验可明确：若这样选择着眼的动作量，则在实际的步态应该评价为异常步行的情况下，即便在根据一方的动作量不评价为异常步行的情况下，根据另一方的动作量也评价为异常步行的情况较多。
另外，与瘫痪体部的相同部位的向相互不同的方向的动作量相关的2个以上的基准包括与躯干的相对于步行方向的动作量相关的基准和与相对于同步行方向正交的正交方向的动作量相关的基准即可。在上述的例子中，第5基准以及第7基准中的任一基准与第6基准的关系相当。通过实验可明确：即便这样组合着眼的动作量，在实际的步态应该评价为异常步行的情况下，在即便根据一方的动作量不评价为异常步行的情况下，根据另一方的动作量也评价为异常步行的情况较多。
另外可知：异常步行基准在病腿的摆腿期与立腿期分别为不同的基准即可。第1基准与第4基准是相互相同部位的相同方向的基准，但分别着眼于从摆腿期切换为立腿期的时刻和从立腿期切换为摆腿期的时刻。另外，第5基准与第7基准同样是相互相同部位的相同方向的基准，但各自分别着眼于立腿期与摆腿期。即，即便是相同部位且相同方向的动作量，若划分观察时刻，则也能够作为步行动作的不同的特征量来进行评价。
接下来，对步行训练装置100的处理动作进行说明。图12是表示处理动作的流程图。流程从由训练者900或者操作人员选择训练菜单而使一系列的训练程序启动的时刻开始。
整体控制部210在步骤S101中将步行周期计数器n复位。而且，驱动步行机驱动部211开始带132的旋转，并且根据设定好的调整值来驱动拉伸驱动部214以及关节驱动部221，执行训练者900的步行辅助。若训练者900开始步行动作，则在步骤S102中取得步行动作所伴有的各动作量。具体而言，通过图像处理部216解析从照相机140取得的图像信号，取得来自姿势传感器217、载荷传感器222、角度传感器223的检测信号并换算为动作量。
整体控制部210在步骤S103中对一个步行周期是否结束进行判断。异常步行的评价可以按照病腿的每一步来执行，但在本实施方式中，按照病腿的一步和与之连续的健康腿的一步的一个周期来执行评价。因此，若判断为一个步行周期结束，则整体控制部210为了执行评价而进入步骤S104，若判断为尚未结束，则返回步骤S102继续各动作量的取得。
整体控制部210的步行评价部210a在步骤S104中执行异常步行的评价。具体而言，汇总步行动作中的各部位、各方向、各期间的动作量，来对是否与上述的各异常步行基准一致进行确认。在判定为异常步行的情况下，将该步行动作判定为失败步行。对于步行评价部210a而言，在步骤S105中，对是否即便与上述的各异常步行基准中的一个一致进行判断，在判断为即便与一个一致的情况下，也进入步骤S106，将“0”代入至第n步的评价变量En。而且，整体控制部210将该一步为失败步行的主旨经由显示控制部213显示在训练用监视器138以及管理用监视器139。另一方面，在步骤S105中，在判断为即便与上述的各异常步行基准的任一者不一致的情况下，进入至步骤S108，将“1”代入至第n步的评价变量En。而且，整体控制部210将该一步为成功步行的主旨经由显示控制部213显示在训练用监视器138以及管理用监视器139。
这里，在训练中实时显示为失败步行的主旨的情况下，训练用监视器138以及管理用监视器139可以简单地为单一显示，而不表示与哪个异常步行基准一致。或者，训练用监视器138以及管理用监视器139可以按照每个异常步行基准来表示是否一致。在该情况下，按照每个样式准备上述的评价变量En即可。此外，呈现是否为失败步行的构件并不局限于管理用监视器139，还能够利用蜂鸣器声音、闪烁光等。在该情况下，优选声音、光简单地以单一的形态展示给训练者900。这样呈现为失败步行的主旨的管理用监视器139、产生声音、光的器件等作为呈现与步行评价部210a的评价相关的信息的呈现部而发挥功能。
若在步骤S107中结束失败显示、或者在步骤S109中结束成功显示，则整体控制部210进入步骤S110，将步行周期计数器n加1。而且，在步骤S111中，对步行周期计数器n是否达到在一系列的步行训练程序中预定的步行周期数n0进行判断。若判断为未达到，则返回步骤S102，继续步行训练控制。若判断为达到，则进入步骤S112。
整体控制部210的训练判定部210b在步骤S112中汇总一系列的连续地步行的步行训练尝试中的评价结果，进行用于表示步行训练尝试的成功程度的判定。具体而言，训练判定部210b计算失败步行数相对于病腿的总步行数的比例、评价使保护带驱动部215动作的跌倒规避动作数，来导出训练判定。整体控制部210在训练判定部210b将判定结果在步骤S113中经由显示控制部213显示在训练用监视器138以及管理用监视器139之后，结束一系列的处理。
步行评价部210a基于预先设定的异常步行基准来进行异常步行判定。即，在步行评价部210a与异常步行基准一致的情况下，判定为符合与该异常步行基准对应的异常步行样式，在与异常步行基准不一致的情况下，判定为不符合与该异常步行基准对应的异常步行样式。步行训练装置100将是否符合异常步行样式的判定结果作为检测数据进行记录。
图19是表示异常步行样式的判定结果的表。如图19所示，检测数据按照每一步来包括是否符合7个异常步行样式的判定结果。在图19中，在与异常步行基准一致的情况下，成为表示符合异常步行样式的NG，在与异常步行基准不一致的情况下，成为表示不符合异常步行样式的OK。当然，也存在一步符合2个以上的异常步行样式的情况。在上述的说明中，异常步行的样式数为7个，但也可以不足7个，也可以为8个以上。即，异常步行的样式数为1个以上即可。此外，步行训练装置100也可以按照每一步来将判定结果与拍摄到步行动作的动画建立关联地进行存储。
步行训练装置100将图19所示的那样的是否符合异常步行样式的判定结果作为检测数据发送至服务器500。服务器500收集是否符合异常步行样式的判定结果作为复健数据的一部分。此外，步行训练装置100并不局限于发送判定结果本身作为检测数据的结构，也可以发送用于进行判定的数据(例如距离X1等)。而且，服务器500可以进行异常步行判定。
控制部510使用异常步行判定的判定结果进行机器学习。具体而言，在异常步行判定的判定结果变化的时机的前后，数据生成部510a生成数据组。学习部510b使用判定结果变化的前后的数据组，来进行基于RNN的机器学习。
例如，在图19所示的判定结果中，在第1～2步为无步行异常，在第3步符合步行异常样式1，在第4～7步为无步行异常。另外，在第8步、第9步产生步行异常样式2、7，这些相同。因此，数据生成部510a将第2步、第3步、第4步、第7步、第8步的数据分别作为1个数据组。换言之，在第4步～第7步为无步行异常而未变化，因而数据生成部510a从学习用数据组排除第5步、第6步的数据。这样一来，能够准备变化较大的数据组。并且，能够排除变化较小的数据组，因而能够抑制计算处理的负荷。
并不局限于检测数据存在变化的情况，数据生成部510a也可以在设定参数存在变化的前后生成数据组。例如，训练工作人员901在1次施行的训练中改变步行训练装置100中的辅助水平等设定参数的情况下，整体控制部210按照每1步记录设定参数的变化。例如，如图20所示，整体控制部210按照每1步记录设定参数的值即可。
设定参数1～N分别为不同的参数。例如，设定参数1为步行机速度[km/h]，设定参数2为部分体重免载量[％]等。步行训练装置100将每1步的设定参数的设定值发送至服务器500。而且，与设定参数的判定结果的情况同样，在存在设定参数的变化的前后，服务器500生成数据组。
此外，在上述的例子中，数据生成部510a按照每1步生成了1个数据组，但也可以将集合多步的数据作为1个数据组。例如，数据生成部510a可以将多步的数据作为1个数据组。或者，数据生成部510a可以将1次施行的数据作为1个数据组。
图21表示本实施方式中的学习模型5210。具体而言，学习模型5210成为具备输入层5211、中间层5213以及输出层5212的RNN。在输入层5211，按照时间序列依次输入数据组。RNN亦即学习模型5210将中间层5213的输出再次输入至中间层5213。
这样，数据生成部510a将异常步行判定的判定结果、设定参数变化的前后的数据分别作为1个数据组。这样一来，学习部510b能够适当地进行机器学习。即，数据生成部510a能够通过简单的计算生成精度更高的学习完毕模型。
异常步行的判定结果作为检测数据包括在复健数据中。数据生成部510a准备表示异常步行的判定结果的检测数据作为学习用数据组。学习部510b使用表示异常步行的判定结果的检测数据作为学习用数据组来进行机器学习，生成第1以及第2学习模型的至少一方。此外，异常步行的判定可以在步行训练装置100进行，也可以在服务器500进行。或者，异常步行的判定的一部分可以在步行训练装置100进行，也可以在服务器500进行。即，也可以是步行训练装置100与服务器500或其他处理装置配合来进行异常步行判定。
另外，上述的服务器500或者步行训练装置100中的处理的一部分或者全部能够作为计算机程序实现。另外，在服务器500或者步行训练装置100执行的学习完毕模型能够作为计算机程序实现。例如，服务器500或者步行训练装置100通过执行作为计算机程序的学习完毕模型来输出设定参数等的推荐值。
能够使用各种类型的非暂时性计算机可读介质来储存这样的程序，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。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)、CD-ROM(Read Only Memory)、CD-R、CD-R/W、半导体存储器(例如掩模ROM、PROM(ProgrammableROM)、EPROM(Erasable PROM)、闪速ROM、RAM(Random Access Memory))。另外，程序可以通过各种类型的暂时性计算机可读介质供给至计算机。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。
此外，本发明并不局限于上述实施方式，在不脱离主旨的范围内能够适当地进行变更。

Claims (13)

1.一种学习系统，其中，
所述学习系统具备：
数据取得部，其取得来自步行训练系统的复健数据，该步行训练系统具备对训练者的步行动作进行辅助的促动器、对与由所述促动器辅助的步行动作相关的数据进行检测的传感器、以及根据设定参数来控制所述促动器的控制部；
数据生成部，其生成包括基于所述传感器的检测结果的检测数据和所述设定参数在内的复健数据作为学习用数据；以及
学习部，其使用所述学习用数据进行机器学习，从而生成将所述检测数据作为输入而输出所述设定参数的推荐值的学习模型。
2.根据权利要求1所述的学习系统，其中，
所述学习部将训练工作人员实际设定的所述设定参数的实际设定值作为教导数据来进行有教导学习。
3.根据权利要求1或2所述的学习系统，其中，
所述传感器被设置为用于检测所述训练者的步行动作中的多个动作量，
在所述动作量的至少一个与预先决定的异常步行基准的任一个一致的情况下，所述步行训练系统将所述步行动作评价为异常步行，
所述复健数据包括表示是否为所述异常步行的评价结果的检测数据。
4.根据权利要求1～3中任一项所述的学习系统，其中，
所述复健数据包括与所述训练者相关的训练者数据，
所述学习系统根据所述训练者数据将所述训练者分类成组，
所述学习部按照每个所述组来生成学习模型。
5.一种学习方法，其中，
所述学习方法具备如下步骤，即：
取得来自步行训练系统的复健数据的步骤，该步行训练系统具备对进行步行训练的训练者的动作进行辅助的促动器、对与由所述促动器辅助的步行动作相关的数据进行检测的传感器、以及根据设定参数来控制所述促动器的控制部；
生成包括基于所述传感器的检测结果的检测数据和与所述步行训练系统的设定相关的设定参数在内的复健数据作为学习用数据的步骤；以及
使用所述学习用数据进行机器学习，从而生成将所述检测数据作为输入而输出所述设定参数的学习模型的步骤。
6.一种记录介质，其中，
所述记录介质储存有用于使计算机执行权利要求5所述的学习方法的程序。
7.一种记录介质，储存有学习完毕模型，该学习完毕模型用于使计算机发挥功能，使得基于在步行训练系统取得的评价用复健数据来输出所述步行训练系统的设定参数的推荐值，其中，
所述学习完毕模型是由权利要求1～4中任一项所述的学习系统生成的学习模型。
8.一种步行训练系统，其中，
所述步行训练系统具备：
促动器，其对训练者的步行动作进行辅助；
传感器，其对与由所述促动器辅助的步行动作相关的数据进行检测；
控制部，其根据设定参数来控制所述促动器；以及
学习完毕模型，其将与所述传感器的检测结果对应的检测数据作为输入而输出所述设定参数的推荐值。
9.根据权利要求8所述的步行训练系统，其中，
所述传感器被设置为用于检测所述训练者的步行动作中的多个动作量，
在所述动作量的至少一个与预先决定的异常步行基准的任一个一致的情况下，所述步行训练系统将所述步行动作评价为异常步行，
所述检测数据包括是否为所述异常步行的评价结果。
10.根据权利要求8或9所述的步行训练系统，其中，
所述步行训练系统根据与所述训练者相关的训练者数据，将所述训练者分类成组，
并按照每个所述组而设定有不同的所述学习完毕模型。
11.根据权利要求9或10所述的步行训练系统，其中，
所述步行训练系统基于在所述训练者的训练中依次取得的所述检测数据来更新所述设定参数的推荐值。
12.一种步行训练系统的工作方法，该步行训练系统具备：
促动器，其对训练者的步行动作进行辅助；
传感器，其对与由所述促动器辅助的步行动作相关的数据进行检测；以及
控制部，其根据设定参数来控制所述促动器，其中，
所述步行训练系统的工作方法具备如下步骤，即：
取得与所述传感器的检测结果对应的检测数据的步骤；以及
将与所述传感器的检测结果对应的检测数据作为输入而输出所述设定参数的推荐值的步骤。
13.一种处理方法，为能够访问权利要求7所述的学习完毕模型的处理系统的处理方法，其中，
所述处理方法基于所述检测数据来输出所述设定参数的推荐值。
CN202010586577.0A 2019-06-27 2020-06-24 学习系统、步行训练系统、方法、程序、以及学习完毕模型 Active CN112137839B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-119948 2019-06-27
JP2019119948A JP7243486B2 (ja) 2019-06-27 2019-06-27 学習装置、歩行訓練システム、方法、及びプログラム

Publications (2)

Publication Number Publication Date
CN112137839A true CN112137839A (zh) 2020-12-29
CN112137839B CN112137839B (zh) 2023-08-01

Family

ID=71143509

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010586577.0A Active CN112137839B (zh) 2019-06-27 2020-06-24 学习系统、步行训练系统、方法、程序、以及学习完毕模型

Country Status (4)

Country Link
US (1) US11839465B2 (zh)
EP (1) EP3758011A1 (zh)
JP (1) JP7243486B2 (zh)
CN (1) CN112137839B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220016482A1 (en) * 2019-05-10 2022-01-20 Rehab2Fit Technologies Inc. Method and System for Using Artificial Intelligence to Onboard a User for an Exercise Plan

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6898876B2 (ja) 2018-02-28 2021-07-07 住友重機械工業株式会社 偏心揺動型減速装置
CN118396805B (zh) * 2024-05-23 2024-10-01 湖南葆龄医疗科技有限公司 基于老年综合评估数据的分类管理系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102058464A (zh) * 2010-11-27 2011-05-18 上海大学 下肢康复机器人运动控制方法
CN106539587A (zh) * 2016-12-08 2017-03-29 浙江大学 一种基于多运动传感器的跌倒风险评估以及监测系统及评估方法
CN107019618A (zh) * 2015-09-10 2017-08-08 丰田自动车株式会社 步行训练装置以及该步行训练装置的步行训练方法
JP6463587B1 (ja) * 2018-07-04 2019-02-06 航 梅山 ランニング支援システム
CN109793644A (zh) * 2017-11-17 2019-05-24 丰田自动车株式会社 步态评估装置、步态训练系统和步态评估方法
CN109806113A (zh) * 2019-03-14 2019-05-28 郑州大学 一种基于自组网导航的icu病房卧式下肢康复智能交互机器人群组系统

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4972666B2 (ja) * 2009-03-26 2012-07-11 英一 元田 機能的電気刺激歩行補助装置
JP5588180B2 (ja) * 2010-01-15 2014-09-10 キヤノン株式会社 パターン識別装置及びその制御方法
US20120289866A1 (en) * 2011-04-13 2012-11-15 Shriners Hospital For Children Device for collection of gait analysis data for upper and lower extremities
JP6052234B2 (ja) 2014-05-27 2016-12-27 トヨタ自動車株式会社 歩行訓練装置
KR102292683B1 (ko) * 2014-09-12 2021-08-23 삼성전자주식회사 보행 환경 인식 방법 및 장치
JP6369419B2 (ja) * 2015-08-07 2018-08-08 トヨタ自動車株式会社 歩行訓練装置、及びその作動方法
CN105213155B (zh) * 2015-10-29 2017-03-29 刘珩先 一种人工智能运动辅助设备
US20210283001A1 (en) * 2016-08-17 2021-09-16 Ecole Polytechnique Federale De Lausanne (Epfl) Apparatus comprising a support system for a user and its operation in a gravity-assist mode
JP6599294B2 (ja) * 2016-09-20 2019-10-30 株式会社東芝 異常検知装置、学習装置、異常検知方法、学習方法、異常検知プログラム、および学習プログラム
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
JP2018173814A (ja) * 2017-03-31 2018-11-08 富士通株式会社 画像処理装置、画像処理方法、画像処理プログラム、及び教師データ生成方法
JP7057589B2 (ja) * 2017-10-02 2022-04-20 日本電気株式会社 医療情報処理システム、歩行状態定量化方法およびプログラム
JP6879178B2 (ja) * 2017-11-24 2021-06-02 トヨタ自動車株式会社 レポート出力装置、訓練装置、レポート出力システム、レポート出力方法、及びプログラム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102058464A (zh) * 2010-11-27 2011-05-18 上海大学 下肢康复机器人运动控制方法
CN107019618A (zh) * 2015-09-10 2017-08-08 丰田自动车株式会社 步行训练装置以及该步行训练装置的步行训练方法
CN106539587A (zh) * 2016-12-08 2017-03-29 浙江大学 一种基于多运动传感器的跌倒风险评估以及监测系统及评估方法
CN109793644A (zh) * 2017-11-17 2019-05-24 丰田自动车株式会社 步态评估装置、步态训练系统和步态评估方法
JP6463587B1 (ja) * 2018-07-04 2019-02-06 航 梅山 ランニング支援システム
CN109806113A (zh) * 2019-03-14 2019-05-28 郑州大学 一种基于自组网导航的icu病房卧式下肢康复智能交互机器人群组系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220016482A1 (en) * 2019-05-10 2022-01-20 Rehab2Fit Technologies Inc. Method and System for Using Artificial Intelligence to Onboard a User for an Exercise Plan

Also Published As

Publication number Publication date
EP3758011A1 (en) 2020-12-30
US20200405189A1 (en) 2020-12-31
CN112137839B (zh) 2023-08-01
JP7243486B2 (ja) 2023-03-22
JP2021003490A (ja) 2021-01-14
US11839465B2 (en) 2023-12-12

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
JP7255392B2 (ja) リハビリ支援システム、推定装置、学習装置、方法、プログラム、及び学習済みモデル
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
CN112137839B (zh) 学习系统、步行训练系统、方法、程序、以及学习完毕模型
US20240188848A1 (en) Learning system, walking training system, method, program, and trained model
US11937918B2 (en) Learning system, walking training system, method, program, and trained model
CN112137834B (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
CN112137832B (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