CN112438723A - 认知功能评估方法、认知功能评估装置以及存储介质 - Google Patents
认知功能评估方法、认知功能评估装置以及存储介质 Download PDFInfo
- Publication number
- CN112438723A CN112438723A CN202010869111.1A CN202010869111A CN112438723A CN 112438723 A CN112438723 A CN 112438723A CN 202010869111 A CN202010869111 A CN 202010869111A CN 112438723 A CN112438723 A CN 112438723A
- Authority
- CN
- China
- Prior art keywords
- angle
- test subject
- cognitive function
- walking
- period
- 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.)
- Pending
Links
- 230000003920 cognitive function Effects 0.000 title claims abstract description 389
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000011156 evaluation Methods 0.000 title description 54
- 238000012360 testing method Methods 0.000 claims abstract description 498
- 210000002414 leg Anatomy 0.000 claims abstract description 433
- 210000000544 articulatio talocruralis Anatomy 0.000 claims abstract description 339
- 210000000629 knee joint Anatomy 0.000 claims abstract description 239
- 238000000034 method Methods 0.000 claims abstract description 65
- 208000010877 cognitive disease Diseases 0.000 claims description 261
- 208000027061 mild cognitive impairment Diseases 0.000 claims description 261
- 238000006073 displacement reaction Methods 0.000 claims description 209
- 210000002683 foot Anatomy 0.000 claims description 118
- 238000001514 detection method Methods 0.000 claims description 39
- 239000000725 suspension Substances 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 6
- 238000012986 modification Methods 0.000 description 146
- 230000004048 modification Effects 0.000 description 146
- 238000010586 diagram Methods 0.000 description 76
- 238000002790 cross-validation Methods 0.000 description 54
- 238000002474 experimental method Methods 0.000 description 33
- 230000008859 change Effects 0.000 description 20
- 230000008569 process Effects 0.000 description 14
- 239000000284 extract Substances 0.000 description 10
- 230000003247 decreasing effect Effects 0.000 description 8
- 210000000988 bone and bone Anatomy 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 208000035475 disorder Diseases 0.000 description 6
- 230000005021 gait Effects 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 208000024827 Alzheimer disease Diseases 0.000 description 2
- 206010012289 Dementia Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 210000003141 lower extremity Anatomy 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000006820 Arthralgia Diseases 0.000 description 1
- 208000008035 Back Pain Diseases 0.000 description 1
- 208000008930 Low Back Pain Diseases 0.000 description 1
- 206010046543 Urinary incontinence Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 208000024765 knee pain Diseases 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000007659 motor function Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 208000001076 sarcopenia Diseases 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/112—Gait analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- 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
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1071—Measuring physical dimensions, e.g. size of the entire body or parts thereof measuring angles, e.g. using goniometers
-
- 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
- A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
-
- 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
- A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
- A61B5/1122—Determining geometric values, e.g. centre of rotation or angular range of movement of movement trajectories
-
- 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
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
- A61B5/1128—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using image analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/117—Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- 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
-
- 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
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
- G06V40/25—Recognition of walking or running movements, e.g. gait recognition
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Neurology (AREA)
- Artificial Intelligence (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Psychiatry (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Developmental Disabilities (AREA)
- Neurosurgery (AREA)
- Child & Adolescent Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Geometry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
Abstract
本发明提供一种基于试验对象的步行动作评估认知功能的认知功能评估装置的认知功能评估方法、认知功能评估装置以及存储介质。认知功能评估方法中,获取与试验对象的步行有关的步行数据;从步行数据检测出试验对象的一条腿的脚踝关节的角度以及一条腿的膝关节的角度的至少其中之一;利用脚踝关节的角度以及膝关节的角度的至少其中之一,判断试验对象的认知功能的程度。根据本发明的构成,可以简单且高精度地评估认知功能。
Description
技术领域
本发明涉及一种基于试验对象的步行动作评估认知功能的技术。
背景技术
近年来,为了掌握老年人的健康状态,正在研发能简易地推测身体功能的技术。
特别是提出了一种基于根据日常进行的步行测量的参数来评估认知功能或运动功能的技术。
例如,日本专利公开公报特开2013-255786号公报公开了一种基于在步行行为中测量的步行参数来评估容易发生老年障碍(老年障碍风险)的方法。
而且,例如,国际公开第2018/066422号公开了一种认知功能评估装置,其具备:存储表示人在步行时的身体运动的周期性和人的认知功能的程度之间的关系的参照数据的存储部;从检测被检测者步行时的身体运动的身体运动传感器获取表示所检测出的身体运动的身体运动数据的获取部;根据所获取的身体运动数据计算在步行时的身体运动的周期性,并通过将存储在存储部的参照数据与计算出的周期性进行对照来确定与计算出的周期性对应的认知功能的程度的运算部。
然而,上述以往技术,难以简单且高精度地评估认知功能,需要进一步的改善。
发明内容
本发明是为了解决上述问题而做出的发明,其目的在于提供一种可以简单且高精度地评估认知功能的技术。
本发明的一方面涉及的认知功能评估方法,是基于试验对象的步行动作评估认知功能的认知功能评估装置的认知功能评估方法,获取与所述试验对象的步行有关的步行数据;从所述步行数据检测出所述试验对象的一条腿的脚踝关节的角度以及所述一条腿的膝关节的角度的至少其中之一;利用所述脚踝关节的所述角度以及所述膝关节的所述角度的至少其中之一,判断所述试验对象的认知功能的程度。
附图说明
图1是表示本发明的实施方式的认知功能评估系统的构成的方框图。
图2是用于说明在本实施方式从二维图像数据提取骨骼数据的处理的示意图。
图3是用于说明本实施方式的步行周期的示意图。
图4是用于说明在本实施方式利用了试验对象的步行动作的认知功能评估处理的流程图。
图5是用于说明图4的步骤S4的认知功能判断处理的流程图。
图6是用于说明图4的步骤S4的认知功能判断处理的其它的例子的流程图。
图7是表示在本实施方式、一条腿的脚踝关节在一个步行周期的角度的变化的示意图。
图8是表示从利用本实施方式的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
图9是表示在本实施方式的第一变形例、一条腿的脚踝关节在一个步行周期的角度的变化的示意图。
图10是表示从利用本实施方式的第一变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
图11是表示在本实施方式的第一变形例、健康者们的一条腿的脚踝关节在一个步行周期的85%至88%的期间的角度的时间序列数据的平均值的平均和轻度认知障碍(MCI)的患者们的一条腿的脚踝关节在一个步行周期的85%至88%的期间的角度的时间序列数据的平均值的平均的示意图。
图12是表示在本实施方式的第二变形例、一条腿的膝关节在一个步行周期的角度的变化的示意图。
图13是表示从利用本实施方式的第二变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
图14是表示在本实施方式的第三变形例、一条腿的膝关节在一个步行周期的角度的变化的示意图。
图15是表示从利用本实施方式的第三变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
图16是表示在本实施方式的第三变形例、健康者们的一条腿的膝关节在一个步行周期的45%至49%的期间的角度的时间序列数据的平均值的平均和轻度认知障碍(MCI)的患者们的一条腿的膝关节在一个步行周期的45%至49%的期间的角度的时间序列数据的平均值的平均的示意图。
图17是表示在本实施方式的第四变形例、腰部在一个步行周期在垂直方向的位移的示意图。
图18是表示从利用本实施方式的第四变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
图19是表示在本实施方式的第五变形例、一条腿的脚踝关节在一个步行周期的角度的变化的示意图。
图20是表示从利用本实施方式的第五变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
图21是表示从利用本实施方式的第六变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
图22是表示从利用本实施方式的第七变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
图23是表示从利用本实施方式的第八变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
图24是表示从利用本实施方式的第九变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
图25是表示在本实施方式的第十变形例、男性的试验对象的一条腿的脚踝关节在一个步行周期的角度的变化的示意图。
图26是表示从利用本实施方式的第十变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
图27是表示在本实施方式的第十一变形例、男性的试验对象的一条腿的脚踝关节在一个步行周期的角度的变化的示意图。
图28是表示从利用本实施方式的第十一变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
图29是表示在本实施方式的第十二变形例、男性的试验对象的一条腿的膝关节在一个步行周期的角度的变化的示意图。
图30是表示从利用本实施方式的第十二变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
图31是表示在本实施方式的第十三变形例、男性的试验对象的腰部在一个步行周期在垂直方向的位移的示意图。
图32是表示从利用本实施方式的第十三变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
图33是表示在本实施方式的第十四变形例、女性的试验对象的一条腿的脚踝关节在一个步行周期的角度的变化的示意图。
图34是表示从利用本实施方式的第十四变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
图35是表示在本实施方式的第十五变形例、女性的试验对象的一条腿的膝关节在一个步行周期的角度的变化的示意图。
图36是表示从利用本实施方式的第十五变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
图37是表示在本实施方式的第十六变形例、女性的试验对象的腰部在一个步行周期在垂直方向的位移的示意图。
图38是表示从利用本实施方式的第十六变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
图39是表示在本实施方式的第十七变形例、女性的试验对象的腰部在一个步行周期在垂直方向的位移的示意图。
图40是表示从利用本实施方式的第十七变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
图41是表示在本实施方式显示的评估结果画面的一个例子的示意图。
具体实施方式
(本发明的基础知识)
日本专利公开公报特开2013-255786号公报所公开的步行参数的测量利用片式压力传感器或三维动作解析系统。片式压力传感器测量步行时的压力分布并根据压力分布测量步行参数。三维动作解析系统从多个摄像机获取拍摄了安装在腿上的标签的图像信息,并通过根据图像信息分析动作来测量步行参数。然而,设置这种片式压力传感器或三维动作解析系统很麻烦。因此,日本专利公开公报特开2013-255786号公报所公开的技术难以简单地评估老年障碍风险。
而且,作为日本专利公开公报特开2013-255786号公报所公开的步行参数,可以从踢、跨步、步行比率、步幅、步间隔、步行角度、脚尖角度、跨步左右差、步间隔左右差、步行角度左右差以及双脚支撑期左右差中选择两个以上而使用。步行角度是连接左右一只脚后跟和另一只脚后跟的直线与行进方向之间的角度。脚尖角度是连接脚后跟和脚尖的直线与行进方向之间的角度。而且,日本专利公开公报特开2013-255786号公报的技术对至少从膝盖痛、腰痛、尿失禁、痴呆症以及肌肉衰减症中选出的老年障碍的老年障碍风险进行评估。然而,在日本专利公开公报特开2013-255786号公报中并没有公开有关利用上述以外的步行参数来评估老年障碍风险的内容,通过利用其它的步行参数能进一步提高评估老年障碍风险的评估精度。
国际公开第2018/066422号中的运算部,根据频谱的积分值、步幅或一步的时间来确定是健康者(NC:Normal Controls)、轻度认知障碍(MCI:Mild Cognitive Impairment)以及阿尔茨海默氏痴呆症(AD:Alzheimer's Disease)之中的哪一种。然而,在国际公开第2018/066422号并没有公开有关利用上述以外的参数来评估认知功能的程度的内容,通过利用其它的步行参数能进一步提高评估认知功能的评估精度。
为了解决以上问题,本发明的一方面涉及的认知功能评估方法,是基于试验对象的步行动作评估认知功能的认知功能评估装置的认知功能评估方法,获取与所述试验对象的步行有关的步行数据;从所述步行数据检测出所述试验对象的一条腿的脚踝关节的角度以及所述一条腿的膝关节的角度的至少其中之一;利用所述脚踝关节的所述角度以及所述膝关节的所述角度的至少其中之一,判断所述试验对象的认知功能的程度。
根据该构成,步行的试验对象的一条腿的脚踝关节的角度以及一条腿的膝关节的角度的至少其中之一被用作是与试验对象的认知功能的程度有关的参数。认知功能低下的试验对象的步行动作与认知功能没有低下的试验对象的步行动作具有不同的倾向。为此,因为利用与步行中的试验对象的认知功能的程度有关的参数来判断试验对象的认知功能的程度,所以能高精度地对试验对象的认知功能进行评估。
而且,因为正在步行的试验对象的一条腿的脚踝关节的角度以及一条腿的膝关节的角度的至少其中之一例如可以从通过摄像正在步行的试验对象得到的图像数据中简单地检测得出,所以不需要大型的装置。为此,本构成可以简单地对试验对象的认知功能进行评估。
而且,在所述的认知功能评估方法,也可以是,在所述检测中,检测出所述脚踝关节在所述一条腿的脚悬空期的规定期间的所述角度的时间序列数据,在所述判断中,利用所述脚踝关节的所述角度的所述时间序列数据的平均值来判断所述试验对象的认知功能的程度。
正在步行的试验对象的脚踝关节在一条腿的脚悬空期的规定期间的角度,认知功能低下的试验对象与认知功能没有低下的试验对象之间存在显著的差异。为此,根据该构成,通过利用正在步行的试验对象的脚踝关节在一条腿的脚悬空期的规定期间的角度的时间序列数据的平均值,能可靠地评估试验对象的认知功能。
而且,在所述的认知功能评估方法,也可以是,在所述试验对象的一只脚从落地起到该只脚再次落地为止的期间作为一个步行周期来表示,所述一个步行周期用1%至100%来表示时,所述规定期间是所述一个步行周期的81%至100%的期间。
根据该构成,试验对象的一只脚从落地起到该只脚再次落地为止的期间作为一个步行周期来表示,一个步行周期用1%至100%来表示。此时,通过利用一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据的平均值,能可靠地评估试验对象的认知功能。
而且,在所述的认知功能评估方法,也可以是,所述规定期间是所述一个步行周期的85%至88%的期间。
根据该构成,通过利用一条腿的脚踝关节在一个步行周期的85%至88%的期间的角度的时间序列数据的平均值,能更可靠地评估试验对象的认知功能。
而且,在所述的认知功能评估方法,也可以是,在所述检测中,检测出所述脚踝关节在所述一条腿的立脚期的第一期间的第一角度的时间序列数据和所述脚踝关节在所述一条腿的脚悬空期的第二期间的第二角度的时间序列数据,在所述判断中,利用所述脚踝关节的所述第一角度的所述时间序列数据的平均值和所述脚踝关节的所述第二角度的所述时间序列数据的平均值来判断所述试验对象的认知功能的程度。
根据该构成,通过组合利用脚踝关节在一条腿的立脚期的第一期间的第一角度的时间序列数据的平均值和脚踝关节在一条腿的脚悬空期的第二期间的第二角度的时间序列数据的平均值,与分别单独利用脚踝关节在一条腿的立脚期的第一期间的第一角度的时间序列数据的平均值和脚踝关节在一条腿的脚悬空期的第二期间的第二角度的时间序列数据的平均值相比,能高精度地评估认知功能。
而且,在所述的认知功能评估方法,也可以是,在所述试验对象的一只脚从落地起到该只脚再次落地为止的期间作为一个步行周期来表示,所述一个步行周期用1%至100%来表示时,所述第一期间是所述一个步行周期的45%至50%的期间,所述第二期间是所述一个步行周期的85%至88%的期间。
根据该构成,试验对象的一只脚从落地起到该只脚再次落地为止的期间作为一个步行周期来表示,一个步行周期用1%至100%来表示。此时,通过利用一条腿的脚踝关节在一个步行周期的45%至50%的期间的角度的时间序列数据的平均值和一条腿的脚踝关节在一个步行周期的85%至88%的期间的角度的时间序列数据的平均值,能可靠地评估试验对象的认知功能。
而且,在所述的认知功能评估方法,也可以是,在所述检测中,检测出所述膝关节在所述一条腿的立脚期的规定期间的所述角度的时间序列数据,在所述判断中,利用所述膝关节的所述角度的所述时间序列数据的平均值来判断所述试验对象的认知功能的程度。
膝关节在一条腿的立脚期的规定期间的角度,认知功能低下的试验对象与认知功能没有低下的试验对象之间存在显著的差异。为此,根据该构成,通过利用正在步行的试验对象的膝关节在一条腿的立脚期的规定期间的角度的时间序列数据的平均值,能可靠地评估试验对象的认知功能。
而且,在所述的认知功能评估方法,也可以是,在所述试验对象的一只脚从落地起到该只脚再次落地为止的期间作为一个步行周期来表示,所述一个步行周期用1%至100%来表示时,所述规定期间是所述一个步行周期的41%至50%的期间。
根据该构成,试验对象的一只脚从落地起到该只脚再次落地为止的期间作为一个步行周期来表示,一个步行周期用1%至100%来表示。此时,通过利用一条腿的膝关节在一个步行周期的41%至50%的期间的角度的时间序列数据的平均值,能可靠地评估试验对象的认知功能。
而且,在所述的认知功能评估方法,也可以是,在所述检测中,检测出所述膝关节在所述一条腿的立脚期的第一期间的所述角度的时间序列数据和所述脚踝关节在所述一条腿的脚悬空期的第二期间的所述角度的时间序列数据,在所述判断中,利用所述膝关节的所述角度的所述时间序列数据的平均值和所述脚踝关节的所述角度的所述时间序列数据的平均值来判断所述试验对象的认知功能的程度。
根据该构成,检测出膝关节在一条腿的立脚期的第一期间的角度的时间序列数据和脚踝关节在一条腿的脚悬空期的第二期间的角度的时间序列数据。利用膝关节的角度的时间序列数据的平均值和脚踝关节的角度的时间序列数据的平均值来判断试验对象的认知功能的程度。
因此,通过组合利用膝关节在一条腿的立脚期的第一期间的角度的时间序列数据的平均值和脚踝关节在一条腿的脚悬空期的第二期间的角度的时间序列数据的平均值,与分别单独利用膝关节在一条腿的立脚期的第一期间的角度的时间序列数据的平均值和脚踝关节在一条腿的脚悬空期的第二期间的角度的时间序列数据的平均值相比,能以更高的精度评估认知功能。
而且,在所述的认知功能评估方法,也可以是,在所述试验对象的一只脚从落地起到该只脚再次落地为止的期间作为一个步行周期来表示,所述一个步行周期用1%至100%来表示时,所述第一期间是所述一个步行周期的41%至50%的期间,所述第二期间是所述一个步行周期的81%至100%的期间。
根据该构成,试验对象的一只脚从落地起到该只脚再次落地为止的期间作为一个步行周期来表示,一个步行周期用1%至100%来表示。此时,通过利用一条腿的膝关节在一个步行周期的41%至50%的第一期间的第一角度的时间序列数据的平均值和利用一条腿的膝关节在一个步行周期的81%至100%的第二期间的第二角度的时间序列数据的平均值,能可靠地评估试验对象的认知功能。
而且,在所述的认知功能评估方法,也可以是,还从所述步行数据检测出所述试验对象的腰部在垂直方向的位移,在所述判断中,利用所述脚踝关节的所述角度以及所述膝关节的所述角度的至少其中之一和所述腰部在垂直方向的所述位移来判断所述试验对象的认知功能的程度。
根据该构成,通过组合利用脚踝关节的角度和膝关节的角度的至少其中之一以及腰部在垂直方向的位移,与单独利用腰部在垂直方向的位移相比,能更高精度地评估认知功能。
而且,在所述的认知功能评估方法,也可以是,还识别所述试验对象的性别,在识别出所述试验对象为男性的情况下,在所述检测中,检测出所述脚踝关节在所述一条腿的立脚期的初期的所述角度的时间序列数据,在所述判断中,利用所述脚踝关节的所述角度的所述时间序列数据的平均值来判断所述试验对象的认知功能的程度。
在试验对象为男性的情况下,正在步行的试验对象的脚踝关节在一条腿的立脚期的初期的角度,认知功能低下的试验对象与认知功能没有低下的试验对象之间存在显著的差异。为此,根据该构成,通过利用正在步行的试验对象的脚踝关节在一条腿的立脚期的初期的角度的时间序列数据的平均值,能可靠地评估男性的试验对象的认知功能。
而且,在所述的认知功能评估方法,也可以是,还识别所述试验对象的性别,在识别出所述试验对象为男性的情况下,在所述检测中,检测出所述膝关节在所述一条腿的脚悬空期的所述角度的时间序列数据,在所述判断中,利用所述膝关节的所述角度的所述时间序列数据的平均值来判断所述试验对象的认知功能的程度。
在试验对象为男性的情况下,正在步行的试验对象的膝关节在一条腿的脚悬空期的角度,认知功能低下的试验对象与认知功能没有低下的试验对象之间存在显著的差异。为此,根据该构成,通过利用正在步行的试验对象的膝关节在一条腿的脚悬空期的角度的时间序列数据的平均值,能可靠地评估男性的试验对象的认知功能。
而且,在所述的认知功能评估方法,也可以是,在所述判断中,在所述脚踝关节的所述角度小于阈值的情况下或所述膝关节的所述角度小于阈值的情况下,判断所述试验对象为轻度认知障碍。
根据该构成,在脚踝关节的所述角度小于阈值的情况下或膝关节的角度小于阈值的情况下,判断试验对象为轻度认知障碍。因此,通过将脚踝关节的角度或膝关节的角度与阈值进行比较,能简单地判断试验对象是否为轻度认知障碍。
而且,在所述的认知功能评估方法,也可以是,在所述判断中,通过将检测出的所述脚踝关节的所述角度以及所述膝关节的所述角度的至少其中之一输入到预测模型来判断所述试验对象是否为轻度认知障碍,所述预测模型将所述脚踝关节的所述角度以及所述膝关节的所述角度的至少其中之一作为输入值,将所述试验对象是否为轻度认知障碍作为输出值而生成。
根据该构成,预测模型将脚踝关节的角度以及膝关节的角度的至少其中之一作为输入值,将试验对象是否为轻度认知障碍作为输出值而生成。而且,通过将检测出的脚踝关节的角度以及膝关节的角度的至少其中之一输入到预测模型来判断试验对象是否为轻度认知障碍。因此,通过预先存储预测模型,能简单地判断试验对象是否为轻度认知障碍。
本发明的另一方面涉及的认知功能评估装置,基于试验对象的步行动作评估认知功能,包括:获取部,用于获取与所述试验对象的步行有关的步行数据;检测部,从所述步行数据检测出所述试验对象的一条腿的脚踝关节的角度以及所述一条腿的膝关节的角度的至少其中之一;以及,判断部,利用所述脚踝关节的所述角度以及所述膝关节的所述角度的至少其中之一,判断所述试验对象的认知功能的程度。
根据该构成,步行的试验对象的一条腿的脚踝关节的角度以及一条腿的膝关节的角度的至少其中之一被用作是与试验对象的认知功能的程度有关的参数。认知功能低下的试验对象的步行动作与认知功能没有低下的试验对象的步行动作具有不同的倾向。为此,因为利用与步行中的试验对象的认知功能的程度有关的参数来判断试验对象的认知功能的程度,所以能高精度地对试验对象的认知功能进行评估。
而且,因为正在步行的试验对象的一条腿的脚踝关节的角度以及一条腿的膝关节的角度的至少其中之一例如可以从通过摄像正在步行的试验对象得到的图像数据中简单地检测得出,所以不需要大型的装置。为此,本构成可以简单地对试验对象的认知功能进行评估。
本发明的另一方面涉及的存储介质,是存储了基于试验对象的步行动作评估认知功能的认知功能评估程序的非暂时性的计算机可读取的存储介质,使计算机具备以下功能:获取与所述试验对象的步行有关的步行数据;从所述步行数据检测出所述试验对象的一条腿的脚踝关节的角度以及所述一条腿的膝关节的角度的至少其中之一;利用所述脚踝关节的所述角度以及所述膝关节的所述角度的至少其中之一,判断所述试验对象的认知功能的程度。
根据该构成,步行的试验对象的一条腿的脚踝关节的角度以及一条腿的膝关节的角度的至少其中之一被用作是与试验对象的认知功能的程度有关的参数。认知功能低下的试验对象的步行动作与认知功能没有低下的试验对象的步行动作具有不同的倾向。为此,因为利用与步行中的试验对象的认知功能的程度有关的参数来判断试验对象的认知功能的程度,所以能高精度地对试验对象的认知功能进行评估。
而且,因为正在步行的试验对象的一条腿的脚踝关节的角度以及一条腿的膝关节的角度的至少其中之一例如可以从通过摄像正在步行的试验对象得到的图像数据中简单地检测得出,所以不需要大型的装置。为此,本构成可以简单地对试验对象的认知功能进行评估。
以下参照附图对本发明的实施方式进行说明。另外,以下说明的实施方式都是具体地表示本发明的一个例子,并不用于限定本发明的技术保护范围。
(实施方式)
以下,基于图1对本实施方式涉及的认知功能评估系统进行说明。
图1是表示本发明的实施方式的认知功能评估系统的构成的方框图。
图1所示的认知功能评估系统具备认知功能评估装置1、摄像机2以及显示部3。
摄像机2对步行的试验对象进行摄像。摄像机2将表示步行的试验对象的动态图像数据输出到认知功能评估装置1。摄像机2通过有线或无线与认知功能评估装置1连接。
认知功能评估装置1具备处理器11以及存储器12。
处理器11例如是CPU(中央运算处理装置),具备数据获取部111、步行参数检测部112、认知功能判断部112以及评估结果提示部114。
存储器12例如是RAM(Random Access Memory)、HDD(Hard Disk Drive)、SSD(Solid State Drive)或闪存等可以存储各种信息的存储装置。
数据获取部111获取与试验对象的步行有关的步行数据。步行数据例如是通过对步行的试验对象进行摄像得到的动态图像数据。数据获取部111获取通过摄像机2输出的动态图像数据。
步行参数检测部112从通过数据获取部111获取的动态图像数据提取表示试验对象的骨骼的骨骼数据。骨骼数据用表示试验对象的关节等的多个特征点的坐标和连接各特征点的直线来表示。步行参数检测部112也可以利用从二维图像数据检测出人的特征点的坐标的软件(例如Open Pose或3D pose-baseline)。
在此,对从二维图像数据提取骨骼数据的处理进行说明。
图2是用于说明在本实施方式、从二维图像数据提取骨骼数据的处理的示意图。
步行参数检测部112从包含步行的试验对象200的图像的二维图像数据20中提取骨骼数据21。骨骼数据21包含表示头部的特征点201、表示双肩的中央的特征点202、表示右肩的特征点203、表示右肘的特征点204、表示右手的特征点205、表示左肩的特征点206、表示左肘的特征点207、表示左手的特征点208、表示腰部的特征点209、表示右股关节的特征点210、表示右膝关节的特征点211、表示右脚踝关节的特征点212、表示右脚足尖部的特征点213、表示左股关节的特征点214、表示左膝关节的特征点215、表示左脚踝关节的特征点216以及表示左脚足尖部的特征点217。
动态图像数据由多个二维图像数据构成。步行参数检测部112从构成动态图像数据的多个二维图像数据的每个图像数据提取时间序列的骨骼数据。而且,步行参数检测部112既可以从所有帧的二维图像数据提取骨骼数据,也可以从每个规定帧的二维图像数据提取骨骼数据。而且,在本实施方式,主要基于步行中的试验对象的下肢的动作来评估认知功能。为此,步行参数检测部112也可以仅提取试验对象的下肢的骨骼数据。
而且,步行参数检测部112对从动态图像数据提取的时间序列的骨骼数据截取与试验对象的一个步行周期对应的骨骼数据。人的步行动作是周期性的动作。
在此,对试验对象的步行周期进行说明。
图3是用于说明本实施方式的步行周期的示意图。
如图3所示,试验对象的一只脚从落地起到该只脚再次落地为止的期间作为一个步行周期来表示。图3所示的一个步行周期是试验对象的右脚从落地起到右脚再次落地为止的期间。而且,一个步行周期被标准化为1%至100%。一个步行周期的1%至60%的期间称为一只脚(例如右脚)正在落地的立脚期,一个步行周期的61%至100%的期间称为一只脚(例如右脚)正从地面离开的脚悬空期。一个步行周期包含立脚期和脚悬空期。另外,一个步行周期也可以是试验对象的左脚从落地起到左脚再次落地为止的期间。
步行参数检测部112从步行数据检测出试验对象的一条腿的脚踝关节的角度和一条腿的膝关节的角度中的至少其中之一。
在本实施方式,步行参数检测部112从步行数据检测出试验对象的一条腿的脚踝关节的角度。步行参数检测部112从截取的与一个步行周期对应的时间序列的骨骼数据检测出试验对象的一条腿的脚踝关节的角度。如图2所示,脚踝关节的角度θ在箭头状面是连接表示右脚踝关节的特征点212和表示右膝关节的特征点211的直线与连接表示右脚踝关节的特征点212和表示右脚足尖部的特征点213的直线之间所形成的角度。
特别是,步行参数检测部112检测出脚踝关节在一条腿的脚悬空期的规定期间的角度的时间序列数据。具体而言,规定期间是一个步行周期的81%至100%的期间。而且,规定期间也可以是一个步行周期的85%至88%的期间。步行参数检测部112将脚踝关节在一条腿的脚悬空期的规定期间的角度的时间序列数据的平均值作为步行参数来计算。
另外,在本实施方式,因为一个步行周期是试验对象的右脚从落地起到右脚再次落地为止的期间,所以,步行参数检测部112检测出右腿的脚踝关节的角度θ。在一个步行周期是试验对象的左脚从落地起到左脚再次落地为止的期间的情况下,步行参数检测部112也可以检测左腿的脚踝关节的角度θ。
而且,在本实施方式的变形例对试验对象的一条腿的膝关节的角度的检测进行说明。
认知功能判断部113利用脚踝关节的角度以及膝关节的角度的至少其中之一来判断试验对象的认知功能的程度。
在本实施方式,认知功能判断部113利用脚踝关节的角度来判断试验对象的认知功能的程度。认知功能判断部113,通过将由步行参数检测部112检测出的脚踝关节的角度输入到预测模型来判断试验对象是否为轻度认知障碍,所述预测模型将脚踝关节的角度作为输入值、将试验对象是否为轻度认知障碍作为输出值而生成。
另外,在本实施方式的变形例对利用膝关节的角度判断试验对象的认知功能的程度进行说明。
存储器12预先存储将脚踝关节的角度作为输入值、将试验对象是否为轻度认知障碍作为输出值而生成的预测模型。预测模型是将试验对象是否为轻度认知障碍作为目的变量,将脚踝关节在一个步行周期的角度的时间序列数据作为说明变量的回归模型。预测模型输出表示试验对象为轻度认知障碍的值(例如1)或表示试验对象不为轻度认知障碍的值(例如,0)的其中之一。
特别是,认知功能判断部113利用脚踝关节在一条腿的脚悬空期的规定期间的角度的时间序列数据的平均值来判断试验对象的认知功能的程度。具体而言,认知功能判断部113利用一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据的平均值来判断试验对象的认知功能的程度。而且,认知功能判断部113也可以利用一条腿的脚踝关节在一个步行周期的85%至88%的期间的角度的时间序列数据的平均值来判断试验对象的认知功能的程度。
另外,预测模型也可以通过机器学习而生成。作为机器学习,例如有利用对输入信息赋予了标签(输出信息)的教师数据学习输入和输出之间的关系的有教师学习、没有标签仅根据输入构建数据的构造的无教师学习、对有标签和无标签都处理的半有教师学习、通过反复试验学习使报酬最大化的行动的强化学习等。而且,作为机器学习的具体方法例如存在神经网络(包含利用多层神经网络的深层学习)、遗传算法、决策树、贝叶斯网络或支持向量机(SVM)等。在本发明的机器学习可以使用以上列举的具体例子之中的任意一种。
而且,预测模型也可以输出表示认知功能的程度的值。表示认知功能的程度的值例如用0.0至1.0来表示。在这种情况下,例如,认知功能判断部113也可以,在表示认知功能的程度的值为0.5以下时判断不为轻度认知障碍,在表示认知功能的程度的值大于0.5时判断为轻度认知障碍的可能性比较高。
评估结果提示部114提示通过认知功能判断部113判断的认知功能的程度的评估结果。评估结果提示部114将通过认知功能判断部113判断的评估结果输出到显示部3。评估结果是表示通过认知功能判断部113判断的试验对象是否为轻度认知障碍的信息以及评估留言的至少其中之一。
显示部3显示从评估结果提示部114输出的评估结果。显示部3例如是液晶显示面板或发光元件。
另外,显示部3,为了比较表示此次判断的认知功能的程度的值和表示过去的认知功能的程度的值,也可以用图表显示表示认知功能的程度的值的迁移。另外,表示过去的认知功能的程度的值可以存储在存储器12,从存储器12读出。
另外,认知功能评估装置1也可以具备摄像机2以及显示部3。而且,认知功能评估装置1也可以具备显示部3。认知功能评估装置1可以是个人计算机或服务器。
其次,利用图4对本实施方式的认知功能评估处理进行说明。
图4是用于说明在本实施方式利用了试验对象的步行动作的认知功能评估处理的流程图。图4所示的流程图表示利用了认知功能评估装置1的认知功能的程度的评估的方法。
试验对象在摄像机2前步行。摄像机2拍摄正在步行的试验对象。摄像机2将试验对象正在步行的动态图像数据发送到认知功能评估装置1。
首先,在步骤S1,数据获取部111获取通过摄像机2发送来的动态图像数据。
其次,在步骤S2,步行参数检测部112从动态图像数据提取时间序列的骨骼数据。
其次,在步骤S3,步行参数检测部112根据时间序列的骨骼数据检测出用于判断认知功能的程度的步行参数。在此,本实施方式的步行参数是试验对象的一条腿的脚踝关节在一个步行周期的规定期间的角度的时间序列数据的平均值。规定期间例如是一个步行周期的81%至100%的期间。另外,关于步行参数的决定方法后述。
其次,在步骤S4,认知功能判断部113执行利用步行参数判断试验对象的认知功能的程度的认知功能判断处理。另外,关于认知功能判断处理后述。
其次,在步骤S5,评估结果提示部114将通过认知功能判断部113判断的认知功能的程度的评估结果输出到显示部3。认知功能的程度的评估结果表示试验对象是否为轻度认知障碍。另外,评估结果提示部114也可以不只是将认知功能的程度而且将与认知功能的程度相对应的评估留言输出到显示部3。显示部3显示从评估结果提示部114输出的认知功能的程度的评估结果。
在此,对图4的步骤S4的认知功能判断处理进行说明。
图5是用于说明图4的步骤S4的认知功能判断处理的流程图。
首先,在步骤S11,认知功能判断部113从存储器12读出预测模型。
其次,在步骤S12,认知功能判断部113将通过步行参数检测部112检测出的步行参数输入到预测模型。本实施方式的步行参数是试验对象的一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据的平均值。认知功能判断部113将试验对象的一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据的平均值输入到预测模型。
其次,在步骤S13,认知功能判断部113从预测模型获取认知功能的程度的判断结果。认知功能判断部113从预测模型获取试验对象是否为轻度认知障碍作为判断结果。
另外,本实施方式的认知功能判断处理,通过向预先生成的预测模型输入步行参数来判断认知功能的程度,但是,本发明并不局限于此。在本实施方式的认知功能判断处理的其它的例子中,也可以通过比较预先存储的阈值和步行参数来判断认知功能的程度。
在这种情况下,存储器12预先存储用于判断试验对象是否为轻度认知障碍的阈值。
而且,认知功能判断部113,在脚踝关节的角度小于阈值的情况下,判断试验对象为轻度认知障碍。在本实施方式,认知功能判断部113判断试验对象的一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据的平均值是否小于阈值。认知功能判断部113,在试验对象的一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据的平均值小于阈值的情况下,判断试验对象为轻度认知障碍。另一方面,认知功能判断部113,在试验对象的一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据的平均值在阈值以上的情况下,判断试验对象不为轻度认知障碍即试验对象是健康者。
图6是用于说明图4的步骤S4的认知功能判断处理的其它的例子的流程图。
首先,在步骤S21,认知功能判断部113从存储器12读出阈值。
其次,在步骤S22,认知功能判断部113判断通过步行参数检测部112检测出的步行参数是否小于阈值。本实施方式的步行参数是试验对象的一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据的平均值。认知功能判断部113判断试验对象的一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据的平均值是否小于阈值。
在此,在判断为步行参数小于阈值的情况下(在步骤S22为“是”),在步骤S23,认知功能判断部113判断试验对象为轻度认知障碍。
另一方面,在判断为步行参数在阈值以上的情况下(在步骤S22为“否”),在步骤S24,认知功能判断部113判断试验对象不为轻度认知障碍即试验对象是健康者。
如此,在本实施方式,步行的试验对象的一条腿的脚踝关节的角度是与试验对象的认知功能的程度有关的参数。认知功能低下的试验对象的步行动作与认知功能没有低下的试验对象的步行动作具有不同的倾向。为此,因为利用与步行中的试验对象的认知功能的程度有关的参数来判断试验对象的认知功能的程度,所以能高精度地对试验对象的认知功能进行评估。
而且,因为正在步行的试验对象的一条腿的脚踝关节的角度例如可以从通过摄像正在步行的试验对象得到的图像数据中简单地检测得出,所以不需要大型的装置。为此,本实施方式的构成可以简单地对试验对象的认知功能进行评估。
另外,认知功能判断部113也可以判断试验对象的一条腿的脚踝关节在脚悬空期的角度的最大值和最小值之间的差值是否小于阈值。认知功能判断部113,在试验对象的一条腿的脚踝关节在脚悬空期的角度的最大值和最小值之间的差值小于阈值的情况下,可以判断试验对象为轻度认知障碍。另一方面,认知功能判断部113,在试验对象的一条腿的脚踝关节在脚悬空期的角度的最大值和最小值之间的差值在阈值以上的情况下,可以判断试验对象不为轻度认知障碍即试验对象是健康者。
本实施方式的步行参数和预测模型可以通过实验来决定。以下,对本实施方式的步行参数以及预测模型的决定方法进行说明。
参加实验的试验对象的总数为92人。男性的试验对象为27人,女性的试验对象为65人。对试验对象进行了痴呆症筛查即简易精神状态检查(MMSE:Mini Mental StateExamination)。MMSE的得分为27分至30分的试验对象被判断为健康者,MMSE的得分为22分至26分的试验对象被判断为疑似轻度认知障碍。在本实验,将疑似轻度认知障碍的患者视为轻度认知障碍的患者。根据MMSE的结果,试验对象之中轻度认知障碍的患者为10人,健康者为82人。轻度认知障碍的患者之中,男性患者为4人,女性患者为6人。在实验时,试验对象们在摄像机前步行。用摄像机拍摄步行的试验对象,从动态图像数据提取每个试验对象的骨骼数据。而且,从所提取的骨骼数据中检测出每个试验对象的一条腿的脚踝关节的角度的时间序列数据。
图7是表示在本实施方式、一条腿的脚踝关节在一个步行周期的角度的变化的示意图。在图7中,纵轴表示脚踝关节的角度,横轴表示标准化的一个步行周期。而且,在图7中,虚线表示健康者们的一条腿的脚踝关节的角度的平均波形,实线表示轻度认知障碍的患者们的一条腿的脚踝关节的角度的平均波形。
在实验中,将标准化的一个步行周期划分为十个区间,对每个试验对象计算出一条腿的脚踝关节在一个区间或两个以上连续的区间的角度的平均值。而且,创建将试验对象是否为轻度认知障碍作为目的变量,将一条腿的脚踝关节在一个区间或两个以上连续的区间的角度的平均值作为说明变量的多个预测模型。多个预测模型通过交叉验证进行评估。作为交叉验证采用leave-one-out交叉验证。而且,计算出多个预测模型各自的ROC(Receiver Operating Characteristic)曲线。进一步,计算出多个预测模型各自的ROC曲线的AUC(Area Under Curve)值,并选择AUC值为最高的预测模型。
在本实施方式,将一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的平均值作为说明变量而创建的预测模型的AUC值为最高。
图8是表示从利用本实施方式的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
本实施方式的预测模型是将试验对象是否为轻度认知障碍作为目的变量,将一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的平均值作为说明变量而创建。在图8中,纵轴表示真阳性率(True Positive Rate),横轴表示假阳性率(FalsePositive Rate)。真阳性率表示预测模型将轻度认知障碍的患者正确地判断为轻度认知障碍的比例,假阳性率表示预测模型将健康者错误地判断为轻度认知障碍的比例。
图8所示的ROC曲线是描绘了预测模型的真阳性率和假阳性率的曲线,该预测模型将脚踝关节在一个步行周期的81%至100%的期间的角度的平均值作为说明变量而创建的预测模型的真阳性率和假阳性率的曲线。图8所示的ROC曲线的AUC值为0.660。AUC值是ROC曲线的下半部分的面积。可以说AUC值越大(越接近1)则预测模型的性能就越高。在这种情况下,脚踝关节在一个步行周期的81%至100%的期间的角度的平均值被决定为步行参数。而且,将脚踝关节在一个步行周期的81%至100%的期间的角度的平均值作为说明变量而创建的预测模型被决定为认知功能判断部113所使用的预测模型。
存储器12预先存储预测模型,该预测模型将一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据的平均值作为输入值,将试验对象是否为轻度认知障碍作为输出值而生成。步行参数检测部112检测出一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据。认知功能判断部113,通过将一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据的平均值输入到预测模型,从预测模型获取表示试验对象是否为轻度认知障碍的判断结果。
而且,在图7所示的一个步行周期的81%至100%的期间,轻度认知障碍的患者们的一条腿的脚踝关节的角度的时间序列数据小于健康者们的一条腿的脚踝关节的角度的时间序列数据。为此,也可以将通过实验得到的、轻度认知障碍的患者们的一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据的平均值的平均和健康者们的一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据的平均值的平均之间的差值作为阈值存储到存储器12。认知功能判断部113也可以通过将一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据的平均值与预先存储的阈值进行比较来判断认知功能的程度。
另外,在本实施方式,步行参数是一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据的平均值,但是,本发明并不局限于此。以下,对本实施方式的步行参数的各种例子进行说明。
首先,对本实施方式的第一变形例的步行参数进行说明。
本实施方式的第一变形例的步行参数也可以是一条腿的脚踝关节在一个步行周期的85%至88%的期间的角度的时间序列数据的平均值。
图9是表示在本实施方式的第一变形例、一条腿的脚踝关节在一个步行周期的角度的变化的示意图。在图9中,纵轴表示脚踝关节的角度,横轴表示标准化的一个步行周期。而且,在图9中,虚线表示健康者们的一条腿的脚踝关节的角度的平均波形,实线表示轻度认知障碍的患者们的一条腿的脚踝关节的角度的平均波形。
在本实施方式的第一变形例与上述的实验相同,检测出多个试验对象各自的一条腿的脚踝关节的角度的时间序列数据。而且,创建将试验对象是否为轻度认知障碍作为目的变量,将一条腿的脚踝关节在一个步行周期的85%至88%的期间的角度的平均值作为说明变量的预测模型。通过交叉验证评估预测模型。作为交叉验证采用leave-one-out交叉验证。然后,计算出预测模型的ROC曲线。并且,计算出预测模型的ROC曲线的AUC值。
图10是表示从利用本实施方式的第一变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
本实施方式的第一变形例的预测模型是将试验对象是否为轻度认知障碍作为目的变量,将一条腿的脚踝关节在一个步行周期的85%至88%的期间的角度的平均值作为说明变量而创建。在图10中,纵轴表示真阳性率,横轴表示假阳性率。真阳性率表示预测模型将轻度认知障碍的患者正确地判断为轻度认知障碍的比例,假阳性率表示预测模型将健康者错误地判断为轻度认知障碍的比例。
图10所示的ROC曲线是描绘了预测模型的真阳性率和假阳性率的曲线,该预测模型将脚踝关节在一个步行周期的85%至88%的期间的角度的平均值作为说明变量而创建。图10所示的ROC曲线的AUC值为0.6866。在这种情况下,脚踝关节在一个步行周期的85%至88%的期间的角度的平均值被决定为步行参数。而且,将脚踝关节在一个步行周期的85%至88%的期间的角度的平均值作为说明变量而创建的预测模型被决定为认知功能判断部113所使用的预测模型。
存储器12预先存储将一条腿的脚踝关节在一个步行周期的85%至88%的期间的角度的时间序列数据的平均值作为输入值,将试验对象是否为轻度认知障碍作为输出值而生成的预测模型。
步行参数检测部112检测出一条腿的脚踝关节在一个步行周期的85%至88%的期间的角度的时间序列数据。而且,步行参数检测部112计算出一条腿的脚踝关节在一个步行周期的85%至88%的期间的角度的时间序列数据的平均值。
认知功能判断部113利用一条腿的脚踝关节在一个步行周期的85%至88%的期间的角度的时间序列数据的平均值来判断试验对象的认知功能的程度。认知功能判断部113通过将一条腿的脚踝关节在一个步行周期的85%至88%的期间的角度的时间序列数据的平均值输入到预测模型,从预测模型获取表示试验对象是否为轻度认知障碍的判断结果。
图11是在本实施方式的第一变形例、表示健康者们的一条腿的脚踝关节在一个步行周期的85%至88%的期间的角度的时间序列数据的平均值的平均和轻度认知障碍(MCI)的患者们的一条腿的脚踝关节在一个步行周期的85%至88%的期间的角度的时间序列数据的平均值的平均的示意图。
如图11所示,健康者们的一条腿的脚踝关节在一个步行周期的85%至88%的期间的角度的时间序列数据的平均值为13.2度,轻度认知障碍(MCI)的患者们的一条腿的脚踝关节在一个步行周期的85%至88%的期间的角度的时间序列数据的平均值为9.5度。
如此,在一个步行周期的85%至88%的期间,轻度认知障碍的患者们的一条腿的脚踝关节的角度的时间序列数据的平均值的平均小于健康者们的一条腿的脚踝关节的角度的时间序列数据的平均值的平均。为此,也可以将通过实验得到的轻度认知障碍的患者们的一条腿的脚踝关节在一个步行周期的85%至88%的期间的角度的时间序列数据的平均值的平均和健康者们的一条腿的脚踝关节在一个步行周期的85%至88%的期间的角度的时间序列数据的平均值的平均之间的值作为阈值存储到存储器12。认知功能判断部113也可以通过将试验对象的一条腿的脚踝关节在一个步行周期的85%至88%的期间的角度的时间序列数据的平均值与预先存储的阈值进行比较来判断认知功能的程度。
接着,对本实施方式的第二变形例的步行参数进行说明。
本实施方式的第二变形例的步行参数也可以是一条腿的膝关节在一个步行周期的41%至50%的期间的角度的时间序列数据的平均值。
图12是表示在本实施方式的第二变形例一条腿的膝关节在一个步行周期的角度的变化的示意图。在图12中,纵轴表示膝关节的角度,横轴表示标准化的一个步行周期。而且,在图12中,虚线表示健康者们的一条腿的膝关节的角度的平均波形,实线表示轻度认知障碍的患者们的一条腿的膝关节的角度的平均波形。
本实施方式的第二变形例与上述的实验相同,从包含健康者及轻度认知障碍的患者的多个试验对象的骨骼数据检测出多个试验对象各自的一条腿的膝关节的角度的时间序列数据。如图2所示,膝关节的角度γ是在箭头状面上连接表示右膝关节的特征点211和表示右股关节的特征点210的直线与连接表示右膝关节的特征点211和表示右脚踝关节的特征点212的直线之间形成的角度。
在实验中,将标准化的一个步行周期划分为十个区间,对每个试验对象计算出一条腿的膝关节在一个区间或两个以上连续区间的角度的平均值。然后,创建了将试验对象是否为轻度认知障碍作为目的变量,将一条腿的膝关节在一个区间或两个以上连续的区间的角度的平均值作为说明变量的多个预测模型。多个预测模型通过交叉验证进行评估。作为交叉验证采用leave-one-out交叉验证。然后,计算出多个预测模型各自的ROC曲线。并且,分别计算出多个预测模型的ROC曲线的AUC值,选择AUC值为最高的预测模型。
在本实施方式的第二变形例,一条腿的膝关节在一个步行周期的41%至50%的期间的角度的平均值作为说明变量而创建的预测模型的AUC值为最高。
图13是表示从利用本实施方式的第二变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
本实施方式的第二变形例的预测模型是将试验对象是否为轻度认知障碍作为目的变量,将一条腿的膝关节在一个步行周期的41%至50%的期间的角度的平均值作为说明变量而创建的。在图13中,纵轴表示真阳性率,横轴表示假阳性率。真阳性率表示预测模型将轻度认知障碍的患者正确地判断为轻度认知障碍的比例,假阳性率表示预测模型将健康者错误地判断为轻度认知障碍的比例。
图13所示的ROC曲线是描绘了预测模型的真阳性率和假阳性率的曲线,该预测模型将膝关节在一个步行周期的41%至50%的期间的角度的平均值作为说明变量而创建。图13所示的ROC曲线的AUC值为0.682。在这种情况下,膝关节在一个步行周期的41%至50%的期间的角度的平均值被决定为步行参数。而且,将膝关节在一个步行周期的41%至50%的期间的角度的平均值作为说明变量而创建的预测模型被决定为认知功能判断部113所使用的预测模型。
步行参数检测部112从步行数据检测出试验对象的一条腿的膝关节的角度。步行参数检测部112从与截取的一个步行周期对应的时间序列的骨骼数据检测出试验对象的一条腿的膝关节的角度。特别是,步行参数检测部112检测出膝关节在一条腿的立脚期的规定期间的角度的时间序列数据。具体而言,规定期间是一个步行周期的41%至50%的期间。步行参数检测部112检测出一条腿的膝关节在一个步行周期的41%至50%的期间的角度的时间序列数据。而且,步行参数检测部112计算出一条腿的膝关节在一个步行周期的41%至50%的期间的角度的时间序列数据的平均值。
另外,在本实施方式的第二变形例,因为一个步行周期是试验对象的右脚从落地起到右脚再次落地为止的期间,所以,步行参数检测部112检测出右腿的膝关节的角度γ。在一个步行周期是试验对象的左脚从落地起到左脚再次落地为止的期间的情况下,步行参数检测部112也可以检测出左腿的膝关节的角度γ。
认知功能判断部113利用膝关节的角度判断试验对象的认知功能的程度。认知功能判断部113通过将由步行参数检测部112检测出的膝关节的角度输入到预测模型来判断试验对象是否为轻度认知障碍,该预测模型将膝关节的角度作为输入值,将试验对象是否为轻度认知障碍作为输出值而生成。
存储器12预先存储将膝关节的角度作为输入值,将试验对象是否为轻度认知障碍作为输出值而生成的预测模型。预测模型是将试验对象是否为轻度认知障碍作为目的变量,将膝关节在一个步行周期的角度的时间序列数据作为说明变量的回归模型。特别是,存储器12预先存储将一条腿的膝关节在一个步行周期的41%至50%的期间的角度的时间序列数据的平均值作为输入值,将试验对象是否为轻度认知障碍作为输出值而生成的预测模型。
而且,认知功能判断部113利用膝关节在一条腿的立脚期的规定期间的角度的时间序列数据的平均值来判断试验对象的认知功能的程度。具体而言,认知功能判断部113利用一条腿的膝关节在一个步行周期的41%至50%的期间的角度的时间序列数据的平均值来判断试验对象的认知功能的程度。认知功能判断部113通过将一条腿的膝关节在一个步行周期的41%至50%的期间的角度的时间序列数据的平均值输入到预测模型,从预测模型获取表示试验对象是否为轻度认知障碍的判断结果。
而且,在图12所示的一个步行周期的41%至50%的期间,轻度认知障碍的患者们的一条腿的膝关节的角度的平均波形比健康者们的一条腿的膝关节的角度的平均波形小。为此,也可以将通过实验得到的轻度认知障碍的患者们的一条腿的膝关节在一个步行周期的41%至50%的期间的角度的时间序列数据的平均值的平均和健康者们的一条腿的膝关节在一个步行周期的41%至50%的期间的角度的时间序列数据的平均值的平均之间的值作为阈值存储到存储器12。认知功能判断部113也可以通过将试验对象的一条腿的膝关节在一个步行周期的41%至50%的期间的角度的时间序列数据的平均值与预先存储的阈值进行比较来判断认知功能的程度。
接着,对本实施方式的第三变形例的步行参数进行说明。
本实施方式的第三变形例的步行参数也可以是一条腿的膝关节在一个步行周期的45%至49%的期间的角度的时间序列数据的平均值。
图14是表示本实施方式的第三变形例的一条腿的膝关节在一个步行周期的角度的变化的示意图。在图14中,纵轴表示膝关节的角度,横轴表示标准化的一个步行周期。而且,在图14中,虚线表示健康者们的一条腿的膝关节的角度的平均波形,实线表示轻度认知障碍的患者们的一条腿的膝关节的角度的平均波形。
本实施方式的第三变形例与上述的实验相同,检测出多个试验对象各自的一条腿的膝关节的角度的时间序列数据。而且,创建了将试验对象是否为轻度认知障碍作为目的变量,将一条腿的膝关节在一个步行周期的45%至49%的期间的角度的平均值作为说明变量的预测模型。通过交叉验证评估预测模型。作为交叉验证采用leave-one-out交叉验证。然后,计算出预测模型的ROC曲线。并且,计算出预测模型各自的ROC曲线的AUC值。
图15是表示从利用本实施方式的第三变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
本实施方式的第三变形例的预测模型是将试验对象是否为轻度认知障碍作为目的变量,将一条腿的膝关节在一个步行周期的45%至49%的期间的角度的平均值作为说明变量而创建的。在图15中,纵轴表示真阳性率,横轴表示假阳性率。真阳性率表示预测模型将轻度认知障碍的患者正确地判断为轻度认知障碍的比例,假阳性率表示预测模型将健康者错误地判断为轻度认知障碍的比例。
图15所示的ROC曲线了预测模型的真阳性率和假阳性率的曲线,该预测模型描绘将膝关节在一个步行周期的45%至49%的期间的角度的平均值作为说明变量而创建。图15所示的ROC曲线的AUC值为0.5829。在这种情况下,膝关节在一个步行周期的45%至49%的期间的角度的平均值被决定为步行参数。而且,将膝关节在一个步行周期的45%至49%的期间的角度的平均值作为说明变量而创建的预测模型被决定为认知功能判断部113所使用的预测模型。
存储器12预先存储将一条腿的膝关节在一个步行周期的45%至49%的期间的角度的时间序列数据的平均值作为输入值,将试验对象是否为轻度认知障碍作为输出值而生成的预测模型。
步行参数检测部112检测出一条腿的膝关节在一个步行周期的45%至49%的期间的角度的时间序列数据。而且,步行参数检测部112计算出一条腿的膝关节在一个步行周期的45%至49%的期间的角度的时间序列数据的平均值。
认知功能判断部113利用一条腿的膝关节在一个步行周期的45%至49%的期间的角度的时间序列数据的平均值来判断试验对象的认知功能的程度。认知功能判断部113,通过将一条腿的膝关节在一个步行周期的45%至49%的期间的角度的时间序列数据的平均值输入到预测模型,从预测模型获取表示试验对象是否为轻度认知障碍的判断结果。
图16是表示在本实施方式的第三变形例、健康者们的一条腿的膝关节在一个步行周期的45%至49%的期间的角度的时间序列数据的平均值的平均和轻度认知障碍(MCI)的患者们的一条腿的膝关节在一个步行周期的45%至49%的期间的角度的时间序列数据的平均值的平均的示意图。
如图16所示,健康者们的一条腿的膝关节在一个步行周期的45%至49%的期间的角度的时间序列数据的平均值的平均为27.9度,轻度认知障碍(MCI)的患者们的一条腿的膝关节在一个步行周期的45%至49%的期间的角度的时间序列数据的平均值的平均为23.1度。
如上所述,在一个步行周期的45%至49%的期间,轻度认知障碍的患者们的一条腿的膝关节的角度的时间序列数据的平均值比健康者们的一条腿的膝关节的角度的时间序列数据的平均值的平均小。为此,也可以将通过实验得到的轻度认知障碍的患者们的一条腿的膝关节在一个步行周期的45%至49%的期间的角度的时间序列数据的平均值的平均和健康者们的一条腿的膝关节在一个步行周期的45%至49%的期间的角度的时间序列数据的平均值的平均之间的值作为阈值存储到存储器12。认知功能判断部113也可以通过将试验对象的一条腿的膝关节在一个步行周期的45%至49%的期间的角度的时间序列数据的平均值与预先存储的阈值进行比较来判断认知功能的程度。
接着,对本实施方式的第四变形例的步行参数进行说明。
本实施方式的第四变形例的步行参数也可以是腰部在一个步行周期的21%至30%的期间在垂直方向的位移的时间序列数据的平均值。
图17是表示在本实施方式的第四变形例、腰部在一个步行周期在垂直方向的位移的示意图。在图17中,纵轴表示腰部在垂直方向的位移,横轴表示标准化的一个步行周期。而且,在图17中,虚线表示健康者们的腰部在垂直方向的位移的平均波形,实线表示轻度认知障碍的患者们的腰部在垂直方向的位移的平均波形。
本实施方式的第四变形例与上述的实验相同,从包含健康者以及轻度认知障碍的患者的多个试验对象的骨骼数据中检测出多个试验对象各自的腰部在垂直方向的位移的时间序列数据。如图2所示,腰部在垂直方向的位移α是表示腰部的特征点209在垂直方向的位移。
在实验中,将标准化的一个步行周期划分为十个区间,对每个试验对象计算出腰部在一个区间或两个以上连续的区间在垂直方向的位移的平均值。然后,创建了将试验对象是否为轻度认知障碍作为目的变量,将腰部在一个区间或两个以上连续的区间在垂直方向的位移的平均值作为说明变量的多个预测模型。多个预测模型通过交叉验证进行评估。作为交叉验证采用leave-one-out交叉验证。然后,计算出多个预测模型各自的ROC曲线。并且,分别计算出多个预测模型的ROC曲线的AUC值,选择AUC值为最高的预测模型。
在本实施方式的第四变形例,将腰部在一个步行周期的21%至30%的期间在垂直方向的位移的平均值作为说明变量而创建的预测模型的AUC值为最高。
图18是表示从利用本实施方式的第四变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
本实施方式的第四变形例的预测模型是将试验对象是否为轻度认知障碍作为目的变量,将腰部在一个步行周期的21%至30%的期间在垂直方向的位移的平均值作为说明变量而创建的。在图18中,纵轴表示真阳性率,横轴表示假阳性率。真阳性率表示预测模型将轻度认知障碍的患者正确地判断为轻度认知障碍的比例,假阳性率表示预测模型将健康者错误地判断为轻度认知障碍的比例。
图18所示的ROC曲线是描绘了预测模型的真阳性率和假阳性率的曲线,该预测模型将腰部在一个步行周期的21%至30%的期间在垂直方向的位移的平均值作为说明变量而创建。图18所示的ROC曲线的AUC值为0.587。在这种情况下,腰部在一个步行周期的21%至30%的期间在垂直方向的位移的平均值被决定为步行参数。而且,将腰部在一个步行周期的21%至30%的期间在垂直方向的位移的平均值作为说明变量而创建的预测模型被决定为认知功能判断部113所使用的预测模型。
步行参数检测部112从步行数据检测出试验对象的腰部在垂直方向的位移。步行参数检测部112从与截取的一个步行周期对应的时间序列的骨骼数据检测出试验对象的腰部在垂直方向的位移。特别是,步行参数检测部112检测出腰部在一条腿的立脚期的规定期间在垂直方向的位移的时间序列数据。具体而言,规定期间是一个步行周期的21%至30%的期间。步行参数检测部112检测出腰部在一个步行周期的21%至30%的期间在垂直方向的位移的时间序列数据。而且,步行参数检测部112计算出腰部在一个步行周期的21%至30%的期间在垂直方向的位移的时间序列数据的平均值。
另外,在本实施方式的第四变形例,因为一个步行周期是试验对象的右脚从落地起到右脚再次落地为止的期间,所以,步行参数检测部112检测出腰部在右脚处于立脚期之际在垂直方向的位移α。在一个步行周期是试验对象的左脚从落地起到左脚再次落地为止的期间的情况下,步行参数检测部112也可以检测出腰部在左脚处于立脚期之际在垂直方向的位移α。
认知功能判断部113利用腰部在垂直方向的位移来判断试验对象的认知功能的程度。认知功能判断部113,通过将由步行参数检测部112检测出的腰部在垂直方向的位移输入到预测模型来判断试验对象是否为轻度认知障碍,该预测模型将腰部在垂直方向的位移作为输入值,将试验对象是否为轻度认知障碍作为输出值而生成。
存储器12预先存储将腰部在垂直方向的位移作为输入值,将试验对象是否为轻度认知障碍作为输出值而生成的预测模型。预测模型是将试验对象是否为轻度认知障碍作为目的变量,将腰部在一个步行周期的21%至30%的期间在垂直方向的位移的时间序列数据作为说明变量的回归模型。特别是,存储器12预先存储将腰部在一个步行周期的21%至30%的期间在垂直方向的位移的时间序列数据的平均值作为输入值,将试验对象是否为轻度认知障碍作为输出值而生成的预测模型。
而且,认知功能判断部113利用腰部在一条腿的立脚期的规定期间在垂直方向的位移的时间序列数据的平均值来判断试验对象的认知功能的程度。具体而言,认知功能判断部113利用腰部在一个步行周期的21%至30%的期间在垂直方向的位移的时间序列数据的平均值来判断试验对象的认知功能的程度。认知功能判断部113通过将腰部在一个步行周期的21%至30%的期间在垂直方向的位移的时间序列数据的平均值输入到预测模型,从预测模型获取表示试验对象是否为轻度认知障碍的判断结果。
而且,在图17所示的一个步行周期的21%至30%的期间,轻度认知障碍的患者们的腰部在垂直方向的位移的平均波形比健康者们的腰部在垂直方向的位移的平均波形大。为此,也可以将通过实验得到的轻度认知障碍的患者们的腰部在一个步行周期的21%至30%的期间在垂直方向的位移的时间序列数据的平均值的平均与健康者们的腰部在一个步行周期的21%至30%的期间在垂直方向的位移的时间序列数据的平均值的平均之间的值作为阈值存储到存储器12。认知功能判断部113也可以通过将试验对象的腰部在一个步行周期的21%至30%的期间在垂直方向的位移的时间序列数据的平均值与预先存储的阈值进行比较来判断认知功能的程度。
接着,对本实施方式的第五变形例的步行参数进行说明。
本实施方式的第五变形例的步行参数也可以是脚踝关节在一条腿的立脚期的第一期间的第一角度的时间序列数据的平均值和脚踝关节在一条腿的脚悬空期的第二期间的第二角度的时间序列数据的平均值。
图19是表示在本实施方式的第五变形例、一条腿的脚踝关节在一个步行周期的角度的变化的示意图。在图19中,纵轴表示脚踝关节的角度,横轴表示标准化的一个步行周期。而且,在图19中,虚线表示健康者们的一条腿的脚踝关节的角度的平均波形,实线表示轻度认知障碍的患者们的一条腿的脚踝关节的角度的平均波形。
本实施方式的第五变形例与上述的实验相同,检测出多个试验对象各自的一条腿的脚踝关节的角度的时间序列数据。而且,创建了将试验对象是否为轻度认知障碍作为目的变量,将一条腿的脚踝关节在一个步行周期的45%至50%的期间的角度的平均值和一条腿的脚踝关节在一个步行周期的85%至88%的期间的角度的平均值作为说明变量的预测模型。通过交叉验证评估预测模型。作为交叉验证采用leave-one-out交叉验证。然后,计算出预测模型的ROC曲线。并且,计算出预测模型的ROC曲线的AUC值。
图20是表示从利用本实施方式的第五变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
本实施方式的第五变形例的预测模型是将试验对象是否为轻度认知障碍作为目的变量,将一条腿的脚踝关节在一个步行周期的45%至50%的期间的角度的平均值和一条腿的脚踝关节在一个步行周期的85%至88%的期间的角度的平均值作为说明变量而创建的。在图20中,纵轴表示真阳性率,横轴表示假阳性率。真阳性率表示预测模型将轻度认知障碍的患者正确地判断为轻度认知障碍的比例,假阳性率表示预测模型将健康者错误地判断为轻度认知障碍的比例。
图20所示的ROC曲线是描绘了预测模型的真阳性率和假阳性率的曲线,该预测模型将一条腿的脚踝关节在一个步行周期的45%至50%的期间的角度的平均值和一条腿的脚踝关节在一个步行周期的85%至88%的期间的角度的平均值作为说明变量而创建。图20所示的ROC曲线的AUC值为0.7024。在这种情况下,一条腿的脚踝关节在一个步行周期的45%至50%的期间的角度的平均值和一条腿的脚踝关节在一个步行周期的85%至88%的期间的角度的平均值被决定为步行参数。而且,将一条腿的脚踝关节在一个步行周期的45%至50%的期间的角度的平均值和一条腿的脚踝关节在一个步行周期的85%至88%的期间的角度的平均值作为说明变量而创建的预测模型被决定为认知功能判断部113所使用的预测模型。
步行参数检测部112检测出脚踝关节在一条腿的立脚期的第一期间的第一角度的时间序列数据和脚踝关节在一条腿的脚悬空期的第二期间的第二角度的时间序列数据。第一期间是一个步行周期的45%至50%的期间,第二期间是一个步行周期的85%至88%的期间。步行参数检测部112检测出一条腿的脚踝关节在一个步行周期的45%至50%的期间的角度的时间序列数据和一条腿的脚踝关节在一个步行周期的85%至88%的期间的角度的时间序列数据。而且,步行参数检测部112计算出一条腿的脚踝关节在一个步行周期的45%至50%的期间的角度的时间序列数据的平均值和一条腿的脚踝关节在一个步行周期的85%至88%的期间的角度的时间序列数据的平均值。
认知功能判断部113利用脚踝关节的第一角度的时间序列数据的平均值和第二角度的时间序列数据的平均值来判断试验对象的认知功能的程度。
存储器12预先存储将脚踝关节在一条腿的立脚期的第一期间的第一角度的时间序列数据的平均值和脚踝关节在一条腿的脚悬空期的第二期间的第二角度的时间序列数据的平均值作为输入值,将试验对象是否为轻度认知障碍作为输出值而生成的预测模型。存储器12预先存储将一条腿的脚踝关节在一个步行周期的45%至50%的期间的角度的平均值和一条腿的脚踝关节在一个步行周期的85%至88%的期间的角度的平均值作为输入值,将试验对象是否为轻度认知障碍作为输出值而生成的预测模型。
认知功能判断部113利用一条腿的脚踝关节在一个步行周期的45%至50%的期间的角度的时间序列数据的平均值和一条腿的脚踝关节在一个步行周期的85%至88%的期间的角度的时间序列数据的平均值来判断试验对象的认知功能的程度。认知功能判断部113通过将一条腿的脚踝关节在一个步行周期的45%至50%的期间的角度的时间序列数据的平均值和一条腿的脚踝关节在一个步行周期的85%至88%的期间的角度的时间序列数据的平均值输入到预测模型,从预测模型获取表示试验对象是否为轻度认知障碍的判断结果。
如此,单独利用脚踝关节在一个期间的角度的平均值而创建的预测模型的AUC值为0.660,而利用脚踝关节在两个期间的角度的平均值而创建的预测模型的AUC值为0.7024。因此,与单独利用脚踝关节在一个期间的角度的平均值而创建的预测模型相比,利用脚踝关节在两个期间的角度的平均值而创建的预测模型可以更高精度地判断认知功能的程度。
接着,对本实施方式的第六变形例的步行参数进行说明。
本实施方式的第六变形例的步行参数也可以是膝关节在一条腿的立脚期的第一期间的角度的时间序列数据的平均值和脚踝关节在一条腿的脚悬空期的第二期间的角度的时间序列数据的平均值。
本实施方式的第六变形例与上述的实验相同,检测出多个试验对象各自的一条腿的膝关节的角度的时间序列数据和多个试验对象各自的一条腿的脚踝关节的角度的时间序列数据。而且,创建了将试验对象是否为轻度认知障碍作为目的变量,将一条腿的膝关节在一个步行周期的41%至50%的期间的角度的平均值和一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的平均值作为说明变量的预测模型。通过交叉验证评估预测模型。作为交叉验证采用leave-one-out交叉验证。然后,计算出预测模型的ROC曲线。并且,计算出预测模型的ROC曲线的AUC值。
图21是表示从利用本实施方式的第六变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
本实施方式的第六变形例的预测模型是将试验对象是否为轻度认知障碍作为目的变量,将一条腿的膝关节在一个步行周期的41%至50%的期间的角度的平均值和一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的平均值作为说明变量而创建的。在图21中,纵轴表示真阳性率,横轴表示假阳性率。真阳性率表示预测模型将轻度认知障碍的患者正确地判断为轻度认知障碍的比例,假阳性率表示预测模型将健康者错误地判断为轻度认知障碍的比例。
图21所示的ROC曲线是描绘了预测模型的真阳性率和假阳性率的曲线,该预测模型将一条腿的膝关节在一个步行周期的41%至50%的期间的角度的平均值和一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的平均值作为说明变量而创建的。图21所示的ROC曲线的AUC值为0.734。在这种情况下,一条腿的膝关节在一个步行周期的41%至50%的期间的角度的平均值和一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的平均值被决定为步行参数。而且,将一条腿的膝关节在一个步行周期的41%至50%的期间的角度的平均值和一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的平均值作为说明变量而创建的预测模型被决定为认知功能判断部113所使用的预测模型。
步行参数检测部112检测出膝关节在一条腿的立脚期的第一期间的角度的时间序列数据和脚踝关节在一条腿的脚悬空期的第二期间的角度的时间序列数据。第一期间是一个步行周期的41%至50%的期间,第二期间是一个步行周期的81%至100%的期间。步行参数检测部112检测出一条腿的膝关节在一个步行周期的41%至50%的期间的角度的时间序列数据和一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据。而且,步行参数检测部112计算出一条腿的膝关节在一个步行周期的41%至50%的期间的角度的时间序列数据的平均值和一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据的平均值。
认知功能判断部113利用膝关节的角度的时间序列数据的平均值和脚踝关节的角度的时间序列数据的平均值来判断试验对象的认知功能的程度。
存储器12预先存储将膝关节在一条腿的立脚期的第一期间的角度的时间序列数据的平均值和脚踝关节在一条腿的脚悬空期的第二期间的角度的时间序列数据的平均值作为输入值,将试验对象是否为轻度认知障碍作为输出值而生成的预测模型。存储器12预先存储将一条腿的膝关节在一个步行周期的41%至50%的期间的角度的平均值和一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的平均值作为输入值,将试验对象是否为轻度认知障碍作为输出值而生成的预测模型。
认知功能判断部113利用一条腿的膝关节在一个步行周期的41%至50%的期间的角度的时间序列数据的平均值和一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据的平均值来判断试验对象的认知功能的程度。认知功能判断部113通过将一条腿的膝关节在一个步行周期的41%至50%的期间的角度的时间序列数据的平均值和一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据的平均值输入到预测模型,从预测模型获取表示试验对象是否为轻度认知障碍的判断结果。
如此,分别单独利用脚踝关节的角度以及膝关节的角度而创建的预测模型的AUC值为0.660以及0.682,而利用脚踝关节的角度以及膝关节的角度而创建的预测模型的AUC值为0.734。因此,与分别单独利用脚踝关节的角度以及膝关节的角度而创建的预测模型相比,利用脚踝关节的角度以及膝关节的角度而创建的预测模型可以更高精度地判断认知功能的程度。
接着,对本实施方式的第七变形例的步行参数进行说明。
本实施方式的第七变形例的步行参数也可以是腰部在一条腿的立脚期的第一期间在垂直方向的位移的时间序列数据的平均值和脚踝关节在一条腿的脚悬空期的第二期间的角度的时间序列数据的平均值。
本实施方式的第七变形例与上述的实验相同,检测出多个试验对象各自的腰部在垂直方向的位移的时间序列数据和多个试验对象各自的脚踝关节的角度的时间序列数据。而且,创建了将试验对象是否为轻度认知障碍作为目的变量,将腰部在一个步行周期的21%至30%的期间在垂直方向的位移平均值和一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的平均值作为说明变量的预测模型。通过交叉验证评估预测模型。作为交叉验证采用leave-one-out交叉验证。然后,计算出预测模型的ROC曲线。并且,计算出预测模型的ROC曲线的AUC值。
图22是表示从利用本实施方式的第七变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
本实施方式的第七变形例的预测模型是将试验对象是否为轻度认知障碍作为目的变量,将腰部在一个步行周期的21%至30%的期间在垂直方向的位移的平均值和一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的作为说明变量而创建的。在图22中,纵轴表示真阳性率,横轴表示假阳性率。真阳性率表示预测模型将轻度认知障碍的患者正确地判断为轻度认知障碍的比例,假阳性率表示预测模型将健康者错误地判断为轻度认知障碍的比例。
图22所示的ROC曲线是描绘了预测模型的真阳性率和假阳性率的曲线,该预测模型将腰部在一个步行周期的21%至30%的期间在垂直方向的位移的平均值和一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的平均值作为说明变量而创建。图22所示的ROC曲线的AUC值为0.652。在这种情况下,腰部在一个步行周期的21%至30%的期间在垂直方向的位移的平均值和一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的平均值被决定为步行参数。而且,将腰部在一个步行周期的21%至30%的期间在垂直方向的位移的平均值和一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的平均值作为说明变量而创建的预测模型被决定为认知功能判断部113所使用的预测模型。
步行参数检测部112检测出腰部在一条腿的立脚期的第一期间在垂直方向的位移的时间序列数据和脚踝关节在一条腿的脚悬空期的第二期间的角度的时间序列数据。第一期间是一个步行周期的21%至30%的期间,第二期间是一个步行周期的81%至100%的期间。步行参数检测部112检测出腰部在一个步行周期的21%至30%的期间在垂直方向的位移的时间序列数据和一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据。而且,步行参数检测部112计算出腰部在一个步行周期的21%至30%的期间在垂直方向的位移的时间序列数据的平均值和一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据的平均值。
认知功能判断部113利用腰部在垂直方向的位移的时间序列数据的平均值和脚踝关节的角度的时间序列数据的平均值来判断试验对象的认知功能的程度。
存储器12预先存储将腰部在一条腿的立脚期的第一期间在垂直方向的位移的时间序列数据的平均值和脚踝关节在一条腿的脚悬空期的第二期间的角度的时间序列数据的平均值作为输入值,将试验对象是否为轻度认知障碍作为输出值而生成的预测模型。存储器12预先存储将腰部在一个步行周期的21%至30%的期间在垂直方向的位移的平均值和一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的平均值作为输入值,将试验对象是否为轻度认知障碍作为输出值而生成的预测模型。
认知功能判断部113利用腰部在一个步行周期的21%至30%的期间在垂直方向的位移的时间序列数据的平均值和一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据的平均值来判断试验对象的认知功能的程度。认知功能判断部113通过将腰部在一个步行周期的21%至30%的期间在垂直方向的位移的时间序列数据的平均值和一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据的平均值输入到预测模型,从预测模型获取表示试验对象是否为轻度认知障碍的判断结果。
如此,单独利用腰部在垂直方向的位移而创建的预测模型的AUC值为0.587,而利用脚踝关节的角度和腰部在垂直方向的位移而创建的预测模型的AUC值为0.652。因此,与单独利用腰部在垂直方向的位移而创建的预测模型相比,利用脚踝关节的角度以及腰部在垂直方向的位移而创建的预测模型可以更高精度地判断认知功能的程度。
接着,对本实施方式的第八变形例的步行参数进行说明。
本实施方式的第八变形例的步行参数也可以是腰部在一条腿的立脚期的第一期间在垂直方向的位移的时间序列数据的平均值和膝关节在一条腿的立脚期的第二期间的角度的时间序列数据的平均值。
本实施方式的第八变形例与上述的实验相同,检测出多个试验对象各自的腰部在垂直方向的位移的时间序列数据和多个试验对象各自的一条腿的膝关节的角度的时间序列数据。而且,创建了将试验对象是否为轻度认知障碍作为目的变量,将腰部在一个步行周期的21%至30%的期间在垂直方向的位移的平均值和一条腿的膝关节在一个步行周期的41%至50%的期间的角度的平均值作为说明变量的预测模型。通过交叉验证评估预测模型。作为交叉验证采用leave-one-out交叉验证。然后,计算出预测模型的ROC曲线。并且,计算出预测模型的ROC曲线的AUC值。
图23是表示从利用本实施方式的第八变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
本实施方式的第八变形例的预测模型是将试验对象是否为轻度认知障碍作为目的变量,将腰部在一个步行周期的21%至30%的期间在垂直方向的位移的平均值和一条腿的膝关节在一个步行周期的41%至50%的期间的角度的平均值作为说明变量而创建的。在图23中,纵轴表示真阳性率,横轴表示假阳性率。真阳性率表示预测模型将轻度认知障碍的患者正确地判断为轻度认知障碍的比例,假阳性率表示预测模型将健康者错误地判断为轻度认知障碍的比例。
图23所示的ROC曲线是描绘了预测模型的真阳性率和假阳性率的曲线,该预测模型将腰部在一个步行周期的21%至30%的期间在垂直方向的位移的平均值和一条腿的膝关节在一个步行周期的41%至50%的期间的角度的平均值作为说明变量而创建。图23所示的ROC曲线的AUC值为0.671。在这种情况下,腰部在一个步行周期的21%至30%的期间在垂直方向的位移的平均值和一条腿的膝关节在一个步行周期的41%至50%的期间的角度的平均值被决定为步行参数。而且,将腰部在一个步行周期的21%至30%的期间在垂直方向的位移的平均值和一条腿的膝关节在一个步行周期的41%至50%的期间的角度的平均值作为说明变量而创建的预测模型被决定为认知功能判断部113所使用的预测模型。
步行参数检测部112检测出腰部在一条腿的立脚期的第一期间在垂直方向的位移的时间序列数据和膝关节在一条腿的立脚期的第二期间的角度的时间序列数据。第一期间是一个步行周期的21%至30%的期间,第二期间是一个步行周期的41%至50%的期间。步行参数检测部112检测出腰部在一个步行周期的21%至30%的期间在垂直方向的位移的时间序列数据和一条腿的膝关节在一个步行周期的41%至50%的期间的角度的时间序列数据。而且,步行参数检测部112计算出腰部在一个步行周期的21%至30%的期间在垂直方向的位移的时间序列数据的平均值和一条腿的膝关节在一个步行周期的41%至50%的期间的角度的时间序列数据的平均值。
认知功能判断部113利用腰部在垂直方向的位移的时间序列数据的平均值和膝关节的角度的时间序列数据的平均值来判断试验对象的认知功能的程度。
存储器12预先存储将腰部在一条腿的立脚期的第一期间在垂直方向的位移的时间序列数据的平均值和膝关节在一条腿的立脚期的第二期间的角度的时间序列数据的平均值作为输入值,将试验对象是否为轻度认知障碍作为输出值而生成的预测模型。存储器12预先存储将腰部在一个步行周期的21%至30%的期间在垂直方向的位移的平均值和一条腿的膝关节在一个步行周期的41%至50%的期间的角度的平均值作为输入值,将试验对象是否为轻度认知障碍作为输出值而生成的预测模型。
认知功能判断部113利用腰部在一个步行周期的21%至30%的期间在垂直方向的位移的时间序列数据的平均值和一条腿的膝关节在一个步行周期的41%至50%的期间的角度的时间序列数据的平均值来判断试验对象的认知功能的程度。认知功能判断部113通过将腰部在一个步行周期的21%至30%的期间在垂直方向的位移的时间序列数据的平均值和一条腿的膝关节在一个步行周期的41%至50%的期间的角度的时间序列数据的平均值输入到预测模型,从预测模型获取表示试验对象是否为轻度认知障碍的判断结果。
如此,单独利用腰部在垂直方向的位移而创建的预测模型的AUC值为0.587,而利用膝关节的角度和腰部在垂直方向的位移而创建的预测模型的AUC值为0.671。因此,与单独利用腰部在垂直方向的位移而创建的预测模型相比,利用膝关节的角度以及腰部在垂直方向的位移而创建的预测模型可以更高精度地判断认知功能的程度。
接着,对本实施方式的第九变形例的步行参数进行说明。
本实施方式的第九变形例的步行参数也可以是腰部在一条腿的立脚期的第一期间在垂直方向的位移的时间序列数据的平均值、膝关节在一条腿的立脚期的第二期间的角度的时间序列数据的平均值以及脚踝关节在一条腿的脚悬空期的第三期间的角度的时间序列数据的平均值。
本实施方式的第九变形例与上述的实验相同,检测出多个试验对象各自的腰部在垂直方向的位移的时间序列数据,多个试验对象各自的一条腿的膝关节的角度的时间序列数据,多个试验对象各自的一条腿的脚踝关节的角度的时间序列数据。而且,创建了将试验对象是否为轻度认知障碍作为目的变量,将腰部在一个步行周期的21%至30%的期间在垂直方向位移的平均值、一条腿的膝关节在一个步行周期的41%至50%的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的平均值作为说明变量的预测模型。通过交叉验证评估预测模型。作为交叉验证采用leave-one-out交叉验证。然后,计算出预测模型的ROC曲线。并且,计算出预测模型的ROC曲线的AUC值。
图24是表示从利用本实施方式的第九变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
本实施方式的第九变形例的预测模型是将试验对象是否为轻度认知障碍作为目的变量,将腰部在一个步行周期的21%至30%的期间在垂直方向的位移的平均值、一条腿的膝关节在一个步行周期的41%至50%的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的平均值作为说明变量而创建的。在图24中,纵轴表示真阳性率,横轴表示假阳性率。真阳性率表示预测模型将轻度认知障碍的患者正确地判断为轻度认知障碍的比例,假阳性率表示预测模型将健康者错误地判断为轻度认知障碍的比例。
图24所示的ROC曲线是描绘了预测模型的真阳性率和假阳性率的曲线,该预测模型将腰部在一个步行周期的21%至30%的期间在垂直方向的位移的平均值、一条腿的膝关节在一个步行周期的41%至50%的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的平均值作为说明变量而创建。图24所示的ROC曲线的AUC值为0.687。在这种情况下,腰部在一个步行周期的21%至30%的期间在垂直方向的位移的平均值、一条腿的膝关节在一个步行周期的41%至50%的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的平均值被决定为步行参数。而且,将腰部在一个步行周期的21%至30%的期间在垂直方向的位移的平均值、一条腿的膝关节在一个步行周期的41%至50%的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的平均值作为说明变量生成的预测模型被决定为认知功能判断部113所使用的预测模型。
步行参数检测部112检测出腰部在一条腿的立脚期的第一期间在垂直方向的位移的时间序列数据,膝关节在一条腿的立脚期的第二期间的角度的时间序列数据,脚踝关节在一条腿的脚悬空期的第三期间的角度的时间序列数据。第一期间是一个步行周期的21%至30%的期间,第二期间是一个步行周期的41%至50%的期间,第三期间是一个步行周期的81%至100%的期间。步行参数检测部112检测出腰部在一个步行周期的21%至30%的期间在垂直方向的位移的时间序列数据,一条腿的膝关节在一个步行周期的41%至50%的期间的角度的时间序列数据,一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据。
而且,步行参数检测部112计算出腰部在一个步行周期的21%至30%的期间在垂直方向的位移的时间序列数据的平均值,一条腿的膝关节在一个步行周期的41%至50%的期间的角度的时间序列数据的平均值,一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据的平均值。
认知功能判断部113利用腰部在垂直方向的位移的时间序列数据的平均值,膝关节的角度的时间序列数据的平均值,脚踝关节的角度的时间序列数据的平均值来判断试验对象的认知功能的程度。
存储器12预先存储将腰部在一条腿的立脚期的第一期间在垂直方向的位移的时间序列数据的平均值,膝关节在一条腿的立脚期的第二期间的角度的时间序列数据的平均值,脚踝关节在一条腿的脚悬空期的第三期间的角度的时间序列数据的平均值作为输入值,将试验对象是否为轻度认知障碍作为输出值而生成的预测模型。存储器12预先存储将腰部在一个步行周期的21%至30%的期间在垂直方向的位移的平均值,一条腿的膝关节在一个步行周期的41%至50%的期间的角度的平均值,一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的平均值作为输入值,将试验对象是否为轻度认知障碍作为输出值而生成的预测模型。
认知功能判断部113利用腰部在一个步行周期的21%至30%的期间在垂直方向的位移的时间序列数据的平均值,一条腿的膝关节在一个步行周期的41%至50%的期间的角度的时间序列数据的平均值,一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据的平均值来判断试验对象的认知功能的程度。认知功能判断部113,通过将腰部在一个步行周期的21%至30%的期间在垂直方向的位移的时间序列数据的平均值,一条腿的膝关节在一个步行周期的41%至50%的期间的角度的时间序列数据的平均值,一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据的平均值输入到预测模型,从预测模型获取表示试验对象是否为轻度认知障碍的判断结果。
如此,分别单独利用脚踝关节的角度、膝关节的角度以及腰部在垂直方向的位移而创建的预测模型的AUC值为0.660、0.682以及0.587,利用脚踝关节的角度、膝关节的角度以及腰部在垂直方向的位移而创建的预测模型的AUC值为0.687。因此,与分别单独利用脚踝关节的角度、膝关节的角度以及腰部在垂直方向的位移而创建的预测模型相比,利用脚踝关节的角度、膝关节的角度以及腰部在垂直方向的位移而创建的预测模型可以更高精度地判断认知功能的程度。
接着,对本实施方式的第十变形例的步行参数进行说明。
在本实施方式的第十变形例,在试验对象为男性的情况下,步行参数也可以是脚踝关节在一条腿的立脚期的初期的角度的时间序列数据的平均值。
图25是表示在本实施方式的第十变形例、男性的试验对象的一条腿的脚踝关节在一个步行周期的角度的变化的示意图。在图25中,纵轴表示脚踝关节的角度,横轴表示标准化的一个步行周期。而且,在图25中,虚线表示男性的健康者们的一条腿的脚踝关节的角度的平均波形,实线表示男性的轻度认知障碍的患者们的一条腿的脚踝关节的角度的平均波形。
本实施方式的第十变形例与上述的实验不同,检测出男性的试验对象各自的一条腿的脚踝关节的角度的时间序列数据。从男性的试验对象的一条腿的脚踝关节的角度的平均波形可以看出,在立脚期的初期即一个步行周期的1%至2%的期间,轻度认知障碍的患者们的脚踝关节的角度比健康者的脚踝关节的角度大。在此,创建了将试验对象是否为轻度认知障碍作为目的变量,将一条腿的脚踝关节在一个步行周期的1%至2%的期间的角度的平均值作为说明变量的预测模型。通过交叉验证评估预测模型。作为交叉验证采用leave-one-out交叉验证。然后,计算出预测模型的ROC曲线。并且,计算出预测模型的ROC曲线的AUC值。
图26是表示从利用本实施方式的第十变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
本实施方式的第十变形例的预测模型是将试验对象是否为轻度认知障碍作为目的变量,将男性的试验对象的一条腿的脚踝关节在一个步行周期的1%至2%的期间的角度的平均值作为说明变量而创建。在图26中,纵轴表示真阳性率,横轴表示假阳性率。真阳性率表示预测模型将轻度认知障碍的患者正确地判断为轻度认知障碍的比例,假阳性率表示预测模型将健康者错误地判断为轻度认知障碍的比例。
图26所示的ROC曲线是描绘了预测模型的真阳性率和假阳性率的曲线,该预测模型将男性的试验对象的一条腿的脚踝关节在一个步行周期的1%至2%的期间的角度的平均值作为说明变量而创建的。图26所示的ROC曲线的AUC值为0.7174。在实验对象为男性的情况下,脚踝关节在一个步行周期的1%至2%的期间的角度的平均值被决定为步行参数。而且,将男性的试验对象的一条腿的脚踝关节在一个步行周期的1%至2%的期间的角度的平均值作为说明变量而创建的预测模型被决定为认知功能判断部113所使用的预测模型。
本实施方式的第十变形例的认知功能评估装置1的处理器11还具备识别试验对象的性别的性别识别部。性别识别部从动态图像数据中包含的试验对象的图像中检测出脸部和身体的至少其中之一的特征量。然后,性别识别部根据检测出的特征量来识别试验对象是男性还是女性。另外,存储器12也可以预先存储使试验对象的脸部图像与性别相互对应的用户信息。在这种情况下,性别识别部还可以利用存储在存储器12中的用户信息来识别动态图像数据中包含的试验对象是男性还是女性。
存储器12预先存储将男性的试验对象的一条腿的脚踝关节在一个步行周期的1%至2%的期间的角度的时间序列数据的平均值作为输入值,将试验对象是否为轻度认知障碍作为输出值而生成的预测模型。
步行参数检测部112,在通过性别识别部识别出试验对象为男性的情况下,检测出脚踝关节在一条腿的立脚期的初期的角度的时间序列数据。步行参数检测部112,在通过性别识别部识别出试验对象为男性的情况下,检测出一条腿的脚踝关节在一个步行周期的1%至2%的期间的角度的时间序列数据。而且,步行参数检测部112计算出一条腿的脚踝关节在一个步行周期的1%至2%的期间的角度的时间序列数据的平均值。
认知功能判断部113,利用一条腿的脚踝关节在一个步行周期的1%至2%的期间的角度的时间序列数据的平均值来判断男性的试验对象的认知功能的程度。认知功能判断部113,通过将一条腿的脚踝关节在一个步行周期的1%至2%的期间的角度的时间序列数据的平均值输入到预测模型,从预测模型获取表示男性的试验对象是否为轻度认知障碍的判断结果。
而且,在试验对象为男性的情况下,在立脚期的初期(一个步行周期的1%至2%的期间),轻度认知障碍的患者们的一条腿的脚踝关节的角度的平均波形比健康者们的一条腿的脚踝关节的角度的平均波形高。为此,也可以将通过实验得到的男性的轻度认知障碍的患者们的一条腿的脚踝关节在一个步行周期的1%至2%的期间的角度的时间序列数据的平均值的平均与男性的健康者们的一条腿的脚踝关节在一个步行周期的1%至2%的期间的角度的时间序列数据的平均值的平均之间的值作为阈值存储到存储器12。认知功能判断部113,也可以通过将试验对象的一条腿的脚踝关节在一个步行周期的1%至2%的期间的角度的时间序列数据的平均值与预先存储的阈值进行比较来判断认知功能的程度。
如上所述,在试验对象为男性的情况下,通过利用一条腿的脚踝关节在立脚期的初期(一个步行周期的1%至2%的期间)的角度的时间序列数据,可以更高精度地判断认知功能的程度。
接着,对本实施方式的第十一变形例的步行参数进行说明。
在本实施方式的第十一变形例,在试验对象为男性的情况下,步行参数也可以是脚踝关节在一条腿的立脚期的第一期间的第一角度的时间序列数据的平均值和脚踝关节在一条腿的脚悬空期的第二期间的第二角度的时间序列数据的平均值。
图27是表示在本实施方式的第十一变形例、男性的试验对象的一条腿的脚踝关节在一个步行周期的角度的变化的示意图。在图27中,纵轴表示脚踝关节的角度,横轴表示标准化的一个步行周期。而且,在图27中,虚线表示男性的健康者们的一条腿的脚踝关节的角度的平均波形,实线表示男性的轻度认知障碍的患者们的一条腿的脚踝关节的角度的平均波形。
本实施方式的第十一变形例,与上述的实验不同,检测出男性的试验对象各自的一条腿的脚踝关节的角度的时间序列数据。而且,创建了将试验对象是否为轻度认知障碍作为目的变量,将一条腿的脚踝关节在一个步行周期的1%至40%的期间的角度的平均值和一条腿的脚踝关节在一个步行周期的71%至90%的期间的角度的平均值作为说明变量的预测模型。通过交叉验证评估预测模型。作为交叉验证采用leave-one-out交叉验证。然后,计算出预测模型的ROC曲线。并且,计算出预测模型的ROC曲线的AUC值。
图28是表示从利用本实施方式的第十一变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
本实施方式的第十一变形例的预测模型是将试验对象是否为轻度认知障碍作为目的变量,将男性的试验对象的一条腿的脚踝关节在一个步行周期的1%至40%的期间的角度的平均值和男性的试验对象的一条腿的脚踝关节在一个步行周期的71%至90%的期间的角度的平均值作为说明变量而创建。在图28中,纵轴表示真阳性率,横轴表示假阳性率。真阳性率表示预测模型将轻度认知障碍的患者正确地判断为轻度认知障碍的比例,假阳性率表示预测模型将健康者错误地判断为轻度认知障碍的比例。
图28所示的ROC曲线是描绘了预测模型的真阳性率和假阳性率的曲线,该预测模型将男性的试验对象的一条腿的脚踝关节在一个步行周期的1%至40%的期间的角度的平均值和男性的试验对象的一条腿的脚踝关节在一个步行周期的71%至90%的期间的角度的平均值作为说明变量而创建。图28所示的ROC曲线的AUC值为0.648。在实验对象为男性的情况下,脚踝关节在一个步行周期的1%至40%的期间的角度的平均值和脚踝关节在一个步行周期的71%至90%的期间的角度的平均值被决定为步行参数。而且,将男性的试验对象的一条腿的脚踝关节在一个步行周期的1%至40%的期间的角度的平均值和男性的试验对象的一条腿的脚踝关节在一个步行周期的71%至90%的期间的角度的平均值作为说明变量而创建的预测模型被决定为认知功能判断部113所使用的预测模型。
本实施方式的第十一变形例的认知功能评估装置1的处理器11还具备识别试验对象的性别的性别识别部。
步行参数检测部112,在通过性别识别部识别出试验对象为男性的情况下,检测出脚踝关节在一条腿的立脚期的第一期间的第一角度的时间序列数据和脚踝关节在一条腿的脚悬空期的第二期间的第二角度的时间序列数据。第一期间是一个步行周期的1%至40%的期间,第二期间是一个步行周期的71%至90%的期间。步行参数检测部112,在通过性别识别部识别出试验对象为男性的情况下,检测出一条腿的脚踝关节在一个步行周期的1%至40%的期间的角度的时间序列数据和一条腿的脚踝关节在一个步行周期的71%至90%的期间的角度的时间序列数据。而且,步行参数检测部112计算出一条腿的脚踝关节在一个步行周期的1%至40%的期间的角度的时间序列数据的平均值和一条腿的脚踝关节在一个步行周期的71%至90%的期间的角度的时间序列数据的平均值。
认知功能判断部113,利用脚踝关节的第一角度的时间序列数据的平均值和第二角度的时间序列数据的平均值来判断男性的试验对象的认知功能的程度。
存储器12预先存储将男性的试验对象的脚踝关节在一条腿的立脚期的第一期间的第一角度的时间序列数据的平均值和男性的试验对象的脚踝关节在一条腿的脚悬空期的第二期间的第二角度的时间序列数据的平均值作为输入值,将试验对象是否为轻度认知障碍作为输出值而生成的预测模型。存储器12预先存储将男性的试验对象的一条腿的脚踝关节在一个步行周期的1%至40%的期间的角度的平均值和男性的试验对象的一条腿的脚踝关节在一个步行周期的71%至90%的期间的角度的平均值作为输入值,将试验对象是否为轻度认知障碍作为输出值而生成的预测模型。
认知功能判断部113利用一条腿的脚踝关节在一个步行周期的1%至40%的期间的角度的时间序列数据的平均值和一条腿的脚踝关节在一个步行周期的71%至90%的期间的角度的时间序列数据的平均值来判断男性的试验对象的认知功能的程度。认知功能判断部113,通过将一条腿的脚踝关节在一个步行周期的1%至40%的期间的角度的时间序列数据的平均值和一条腿的脚踝关节在一个步行周期的71%至90%的期间的角度的时间序列数据的平均值输入到预测模型,从预测模型获取表示男性的试验对象是否为轻度认知障碍的判断结果。
如上所述,在试验对象为男性的情况下,通过利用一条腿的脚踝关节在立脚期(一个步行周期的1%至40%的期间)以及脚悬空期(一个步行周期的71%至90%的期间)的角度的时间序列数据,可以更高精度地判断认知功能的程度。
接着,对本实施方式的第十二变形例的步行参数进行说明。
在本实施方式的第十二变形例,在试验对象为男性的情况下,步行参数也可以是膝关节在一条腿的脚悬空期的角度的时间序列数据的平均值。
图29是表示在本实施方式的第十二变形例、男性的试验对象的一条腿的膝关节在一个步行周期的角度的变化的示意图。在图29中,纵轴表示膝关节的角度,横轴表示标准化的一个步行周期。而且,在图29中,虚线表示男性的健康者们的一条腿的膝关节的角度的平均波形,实线表示男性的轻度认知障碍的患者们的一条腿的膝关节的角度的平均波形。
本实施方式的第十二变形例与上述的实验不同,检测出男性的试验对象各自的一条腿的膝关节的角度的时间序列数据。而且,创建了将试验对象是否为轻度认知障碍作为目的变量,将一条腿的膝关节在一个步行周期的71%至100%的期间的角度的平均值作为说明变量的预测模型。通过交叉验证评估预测模型。作为交叉验证采用leave-one-out交叉验证。然后,计算出预测模型的ROC曲线。并且,计算出预测模型的ROC曲线的AUC值。
图30是表示从利用本实施方式的第十二变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
本实施方式的第十二变形例的预测模型将试验对象是否为轻度认知障碍作为目的变量,将男性的试验对象的一条腿的膝关节在一个步行周期的71%至100%的期间的角度的平均值作为说明变量而创建。在图30中,纵轴表示真阳性率,横轴表示假阳性率。真阳性率表示预测模型将轻度认知障碍的患者正确地判断为轻度认知障碍的比例,假阳性率表示预测模型将健康者错误地判断为轻度认知障碍的比例。
图30所示的ROC曲线是描绘了预测模型的真阳性率和假阳性率的曲线,该预测模型将男性的试验对象的一条腿的膝关节在一个步行周期的71%至100%的期间的角度的平均值作为说明变量。图30所示的ROC曲线的AUC值为0.693。在实验对象为男性的情况下,膝关节在一个步行周期的71%至100%的期间的角度的平均值被决定为步行参数。而且,将男性的试验对象的一条腿的膝关节在一个步行周期的71%至100%的期间的角度的平均值作为说明变量而创建的预测模型被决定为认知功能判断部113所使用的预测模型。
本实施方式的第十二变形例的认知功能评估装置1的处理器11还具备识别试验对象的性别的性别识别部。
存储器12预先存储将男性的试验对象的一条腿的膝关节在一个步行周期的71%至100%的期间的角度的时间序列数据的平均值作为输入值,将试验对象是否为轻度认知障碍作为输出值而生成的预测模型。
步行参数检测部112,在通过性别识别部识别出试验对象为男性的情况下,检测出膝关节在一条腿的脚悬空期的角度的时间序列数据。步行参数检测部112,在通过性别识别部识别出试验对象为男性的情况下,检测出一条腿的膝关节在一个步行周期的71%至100%的期间的角度的时间序列数据。而且,步行参数检测部112计算出一条腿的膝关节在一个步行周期的71%至100%的期间的角度的时间序列数据的平均值。
认知功能判断部113利用膝关节的角度的时间序列数据的平均值来判断试验对象的认知功能的程度。认知功能判断部113利用一条腿的膝关节在一个步行周期的71%至100%的期间的角度的时间序列数据的平均值来判断男性的试验对象的认知功能的程度。认知功能判断部113,通过将一条腿的膝关节在一个步行周期的71%至100%的期间的角度的时间序列数据的平均值输入到预测模型,从预测模型获取表示男性的试验对象是否为轻度认知障碍的判断结果。
而且,在试验对象为男性的情况下,在脚悬空期(一个步行周期的71%至100%的期间),轻度认知障碍的患者们的一条腿的膝关节的角度的平均波形比健康者们的一条腿的膝关节的角度的平均波形小。为此,也可以将通过实验得到的、男性的轻度认知障碍的患者们的一条腿的膝关节在一个步行周期的71%至100%的期间的角度的时间序列数据的平均值的平均与男性的健康者们的一条腿的膝关节在一个步行周期的71%至100%的期间的角度的时间序列数据的平均值的平均之间的值作为阈值存储到存储器12。认知功能判断部113也可以通过将试验对象的一条腿的膝关节在一个步行周期的71%至100%的期间的角度的时间序列数据的平均值与预先存储的阈值进行比较来判断认知功能的程度。
如上所述,在试验对象为男性的情况下,通过利用一条腿的膝关节在脚悬空期(一个步行周期的71%至100%的期间)的角度的时间序列数据,可以更高精度地判断认知功能的程度。
接着,对本实施方式的第十三变形例的步行参数进行说明。
在本实施方式的第十三变形例,在试验对象为男性的情况下,步行参数也可以是腰部在一个步行周期的第一期间在垂直方向的第一位移的时间序列数据的平均值、腰部在一个步行周期的第二期间在垂直方向的第二位移的时间序列数据的平均值、腰部在一个步行周期的第三期间在垂直方向的第三位移的时间序列数据的平均值。
图31是表示在本实施方式的第十三变形例、男性的试验对象的腰部在一个步行周期在垂直方向的位移的示意图。在图31中,纵轴表示腰部在垂直方向的位移,横轴表示标准化的一个步行周期。而且,在图31中,虚线表示男性的健康者们的腰部在垂直方向的位移的平均波形,实线表示男性的轻度认知障碍的患者们的腰部在垂直方向的位移的平均波形。
本实施方式的第十三变形例与上述的实验不同,检测出男性的试验对象各自的腰部在垂直方向的位移的时间序列数据。而且,创建了将试验对象是否为轻度认知障碍作为目的变量,将腰部在一个步行周期的1%至10%的第一期间在垂直方向的第一位移的平均值、腰部在一个步行周期的31%至40%的第二期间在垂直方向的第二位移的平均值、腰部在一个步行周期的51%至80的第三期间在垂直方向的第三位移的平均值作为说明变量的预测模型。通过交叉验证评估预测模型。作为交叉验证采用leave-one-out交叉验证。然后,计算出预测模型的ROC曲线。并且,计算出预测模型的ROC曲线的AUC值。
图32是表示从利用本实施方式的第十三变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
本实施方式的第十三变形例的预测模型将试验对象是否为轻度认知障碍作为目的变量,将男性的试验对象的腰部在一个步行周期的1%至10%的第一期间在垂直方向的第一位移的平均值、男性的试验对象的腰部在一个步行周期的31%至40%的第二期间在垂直方向的第二位移的平均值、男性的试验对象的腰部在一个步行周期的51%至80%的第三期间在垂直方向的第三位移的平均值作为说明变量而创建。在图32中,纵轴表示真阳性率,横轴表示假阳性率。真阳性率表示预测模型将轻度认知障碍的患者正确地判断为轻度认知障碍的比例,假阳性率表示预测模型将健康者错误地判断为轻度认知障碍的比例。
图32所示的ROC曲线是描绘了预测模型的真阳性率和假阳性率的曲线,该预测模型将男性的试验对象的腰部在一个步行周期的1%至10%的第一期间在垂直方向的第一位移的平均值、男性的试验对象的腰部在一个步行周期的31%至40%的第二期间在垂直方向的第二位移的平均值、男性的试验对象的腰部在一个步行周期的51%至80%的第三期间在垂直方向的第三位移的平均值作为说明变量。图32所示的ROC曲线的AUC值为0.852。在实验对象为男性的情况下,腰部在一个步行周期的1%至10%的第一期间在垂直方向的第一位移的平均值、腰部在一个步行周期的31%至40%的第二期间在垂直方向的第二位移的平均值、腰部在一个步行周期的51%至80%的第三期间在垂直方向的第三位移的平均值被定义为步行参数。而且,将男性的试验对象的腰部在一个步行周期的1%至10%的第一期间在垂直方向的第一位移的平均值、男性的试验对象的腰部在一个步行周期的31%至40%的第二期间在垂直方向的第二位移的平均值、男性的试验对象的腰部在一个步行周期的51%至80%的第三期间在垂直方向的第三位移的平均值作为说明变量而创建的预测模型被决定为认知功能判断部113所使用的预测模型。
本实施方式的第十三变形例的认知功能评估装置1的处理器11还具备识别试验对象的性别的性别识别部。
歩行参数检测部112,在通过性别识别部识别出试验对象为男性的情况下,检测出腰部在一个步行周期的第一期间在垂直方向的第一位移的时间序列数据、腰部在一个步行周期的第二期间在垂直方向的第二位移的时间序列数据、腰部在一个步行周期的第三期间在垂直方向的第三位移的时间序列数据。第一期间是一个步行周期的1%至10%的期间,第二期间是一个步行周期的31%至40%的期间,第三期间是一个步行周期的51%至80%的期间。歩行参数检测部112,在通过性别识别部识别出试验对象为男性的情况下,检测出腰部在一个步行周期的1%至10%的第一期间在垂直方向的第一位移的时间序列数据、腰部在一个步行周期的31%至40%的第二期间在垂直方向的第二位移的时间序列数据、腰部在一个步行周期的51%至80%的第三期间在垂直方向的第三位移的时间序列数据。
另外,第三期间也可以划分为一个步行周期的51%至60%的期间和一个步行周期的61%至80%的期间。一个步行周期的51%至60%的期间属于立脚期,一个步行周期的61%至80%的期间属于脚悬空期。
而且,步行参数检测部112计算出腰部在一个步行周期的1%至10%的第一期间在垂直方向的第一位移的时间序列数据的平均值、腰部在一个步行周期的31%至40%的第二期间在垂直方向的第二位移的时间序列数据的平均值、腰部在一个步行周期的51%至80%的第三期间在垂直方向的第三位移的时间序列数据的平均值。
认知功能判断部113利用腰部在垂直方向的第一位移的时间序列数据的平均值、腰部在垂直方向的第二位移的时间序列数据的平均值、腰部在垂直方向的第三位移的时间序列数据的平均值来判断男性的试验对象的认知功能的程度。
存储器12预先存储将男性的试验对象的腰部在一个步行周期的第一期间在垂直方向的第一位移的时间序列数据的平均值、男性的试验对象的腰部在一个步行周期的第二期间在垂直方向的第二位移的时间序列数据的平均值、男性的试验对象的腰部在一个步行周期的第三期间在垂直方向的第三位移的时间序列数据的平均值作为输入值,将试验对象是否为轻度认知障碍作为输出值而生成的预测模型。存储器12预先存储将男性的试验对象的腰部在一个步行周期的1%至10%的第一期间在垂直方向的第一位移的平均值、男性的试验对象的腰部在一个步行周期的31%至40%的第二期间在垂直方向的第二位移的平均值、男性的试验对象的腰部在一个步行周期的51%至80%的第三期间在垂直方向的第三位移的平均值作为输入值,将试验对象是否为轻度认知障碍作为输出值而生成的预测模型。
认知功能判断部113利用腰部在一个步行周期的1%至10%的第一期间在垂直方向的第一位移的时间序列数据的平均值、腰部在一个步行周期的31%至40%的第二期间在垂直方向的第二位移的时间序列数据的平均值、腰部在一个步行周期的51%至80%的第三期间在垂直方向的第三位移的时间序列数据的平均值来判断男性的试验对象的认知功能的程度。认知功能判断部113,通过将腰部在一个步行周期的1%至10%的第一期间在垂直方向的第一位移的时间序列数据的平均值、腰部在一个步行周期的31%至40%的第二期间在垂直方向的第二位移的时间序列数据的平均值、腰部在一个步行周期的51%至80%第三期间在垂直方向的第三位移的时间序列数据的平均值输入到预测模型,从预测模型获取表示男性的试验对象是否为轻度认知障碍的判断结果。
如上所述,在试验对象为男性的情况下,通过利用腰部在一个步行周期的第一期间(一个步行周期的1%至10%的期间)、一个步行周期的第二期间(一个步行周期的31%至40%的期间)以及一个步行周期的第三期间(一个步行周期的51%至80%的期间)在垂直方向的位移的时间序列数据,可以更高精度地判断认知功能的程度。
接着,对本实施方式的第十四变形例的步行参数进行说明。
在本实施方式的第十四变形例,在试验对象为女性的情况下,步行参数也可以是脚踝关节在一条腿的脚悬空期的角度的时间序列数据的平均值。
图33是表示在本实施方式的第十四变形例、女性的试验对象的一条腿的脚踝关节在一个步行周期的角度的变化的示意图。在图33中,纵轴表示脚踝关节的角度,横轴表示标准化的一个步行周期。而且,在图33中,虚线表示女性的健康者们的一条腿的脚踝关节的角度的平均波形,实线表示女性的轻度认知障碍的患者们的一条腿的脚踝关节的角度的平均波形。
本实施方式的第十四变形例与上述的实验不同,检测出女性的试验对象各自的一条腿的脚踝关节的角度的时间序列数据。而且,创建了将试验对象是否为轻度认知障碍作为目的变量,将一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的平均值作为说明变量的预测模型。通过交叉验证评估预测模型。作为交叉验证采用leave-one-out交叉验证。然后,计算出预测模型的ROC曲线。并且,计算出预测模型的ROC曲线的AUC值。
图34是表示从利用本实施方式的第十四变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
本实施方式的第十四变形例的预测模型是将试验对象是否为轻度认知障碍作为目的变量,将女性的试验对象的一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的平均值作为说明变量而创建。在图34中,纵轴表示真阳性率,横轴表示假阳性率。真阳性率表示预测模型将轻度认知障碍的患者正确地判断为轻度认知障碍的比例,假阳性率表示预测模型将健康者错误地判断为轻度认知障碍的比例。
图34所示的ROC曲线是描绘了预测模型的真阳性率和假阳性率的曲线,该预测模型将女性的试验对象的一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的平均值作为说明变量而创建。图34所示的ROC曲线的AUC值为0.803。在实验对象为女性的情况下,脚踝关节在一个步行周期的81%至100%的期间的角度的平均值被决定为步行参数。而且,将女性的试验对象的一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的平均值作为说明变量而创建的预测模型被决定为认知功能判断部113所使用的预测模型。
本实施方式的第十四变形例的认知功能评估装置1的处理器11还具备识别试验对象的性别的性别识别部。
存储器12预先存储将女性的试验对象的一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据的平均值作为输入值,将试验对象是否为轻度认知障碍作为输出值而生成的预测模型。
步行参数检测部112,在通过性别识别部识别出试验对象为女性的情况下,检测出脚踝关节在一条腿的脚悬空期的角度的时间序列数据。步行参数检测部112,在通过性别识别部识别出试验对象为女性的情况下,检测出一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据。而且,步行参数检测部112计算出一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据的平均值。
认知功能判断部113利用一条腿的脚踝关节在脚悬空期的角度的时间序列数据的平均值来判断试验对象的认知功能的程度。认知功能判断部113利用一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据的平均值来判断女性的试验对象的认知功能的程度。认知功能判断部113,通过将一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据的平均值输入到预测模型,从预测模型获取表示女性的试验对象是否为轻度认知障碍的判断结果。
而且,在试验对象为女性的情况下,在脚悬空期(一个步行周期的81%至100%的期间),轻度认知障碍的患者们的一条腿的脚踝关节的角度的平均波形比健康者们的一条腿的脚踝关节的角度的平均波形小。为此,也可以将通过实验得到的、女性的轻度认知障碍的患者们的一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据的平均值的平均与女性的健康者们的一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据的平均值的平均之间的值作为阈值存储到存储器12。认知功能判断部113也可以通过将试验对象的一条腿的脚踝关节在一个步行周期的81%至100%的期间的角度的时间序列数据的平均值与预先存储的阈值进行比较来判断认知功能的程度。
如上所述,在试验对象为女性的情况下,通过利用一条腿的脚踝关节在脚悬空期(一个步行周期的81%至100%的期间)的角度的时间序列数据,可以更高精度地判断认知功能的程度。
接着,对本实施方式的第十五变形例的步行参数进行说明。
在本实施方式的第十五变形例,在试验对象为女性的情况下,步行参数也可以是膝关节在一条腿的立脚期的角度的时间序列数据的平均值。
图35是表示在本实施方式的第十五变形例、女性的试验对象的一条腿的膝关节在一个步行周期的角度的变化的示意图。在图35中,纵轴表示膝关节的角度,横轴表示标准化的一个步行周期。而且,在图35中,虚线表示女性的健康者们的一条腿的膝关节的角度的平均波形,实线表示女性的轻度认知障碍的患者们的一条腿的膝关节的角度的平均波形。
本实施方式的第十五变形例与上述的实验不同,检测出女性的试验对象各自的一条腿的膝关节的角度的时间序列数据。而且,创建了将试验对象是否为轻度认知障碍作为目的变量,将一条腿的膝关节在一个步行周期的41%至50%的期间的角度的平均值作为说明变量的预测模型。通过交叉验证评估预测模型。作为交叉验证采用leave-one-out交叉验证。然后,计算出预测模型的ROC曲线。并且,计算出预测模型的ROC曲线的AUC值。
图36是表示从利用本实施方式的第十五变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
本实施方式的第十五变形例的预测模型是将试验对象是否为轻度认知障碍作为目的变量,将女性的试验对象的一条腿的膝关节在一个步行周期的41%至50%的期间的角度的平均值作为说明变量而创建。在图36中,纵轴表示真阳性率,横轴表示假阳性率。真阳性率表示预测模型将轻度认知障碍的患者正确地判断为轻度认知障碍的比例,假阳性率表示预测模型将健康者错误地判断为轻度认知障碍的比例。
图36所示的ROC曲线是描绘了预测模型的真阳性率和假阳性率的曲线,该预测模型将女性的试验对象的一条腿的膝关节在一个步行周期的41%至50%的期间的角度的平均值作为说明变量而创建。图36所示的ROC曲线的AUC值为0.733。在试验对象为女性的情况下,膝关节在一个步行周期的41%至50%的期间的角度的平均值被决定为步行参数。而且,将女性的试验对象的一条腿的膝关节在一个步行周期的41%至50%的期间的角度的平均值作为说明变量而创建的预测模型被决定为认知功能判断部113所使用的预测模型。
本实施方式的第十五变形例的认知功能评估装置1的处理器11还具备识别试验对象的性别的性别识别部。
存储器12预先存储将女性的试验对象的一条腿的膝关节在一个步行周期的41%至50%的期间的角度的时间序列数据的平均值作为输入值,将试验对象是否为轻度认知障碍作为输出值而生成的预测模型。
步行参数检测部112,在通过性别识别部识别出试验对象为女性的情况下,检测出膝关节在一条腿的立脚期的角度的时间序列数据。步行参数检测部112,在通过性别识别部识别出试验对象为女性的情况下,检测出一条腿的膝关节在一个步行周期的41%至50%的期间的角度的时间序列数据。而且,步行参数检测部112计算出一条腿的膝关节在一个步行周期的41%至50%的期间的角度的时间序列数据的平均值。
认知功能判断部113利用膝关节在一条腿的立脚期的角度的时间序列数据的平均值来判断试验对象的认知功能的程度。认知功能判断部113利用一条腿的膝关节在一个步行周期的41%至50%的期间的角度的时间序列数据的平均值来判断女性的试验对象的认知功能的程度。认知功能判断部113通过将一条腿的膝关节在一个步行周期的41%至50%的期间的角度的时间序列数据的平均值输入到预测模型,从预测模型获取表示女性的试验对象是否为轻度认知障碍的判断结果。
而且,在试验对象为女性的情况下,在立脚期(一个步行周期的41%至50%的期间),轻度认知障碍的患者们的一条腿的膝关节的角度的平均波形比健康者们的一条腿的膝关节的角度的平均波形小。为此,也可以将通过实验得到的、女性的轻度认知障碍的患者们的一条腿的膝关节在一个步行周期的41%至50%的期间的角度的时间序列数据的平均值的平均与女性的健康者们的一条腿的膝关节在一个步行周期的41%至50%的期间的角度的时间序列数据的平均值的平均之间的值作为阈值存储到存储器12。认知功能判断部113也可以通过将试验对象的一条腿的膝关节在一个步行周期的41%至50%的期间的角度的时间序列数据的平均值与预先存储的阈值进行比较来判断认知功能的程度。
如上所述,在试验对象为女性的情况下,通过利用一条腿的膝关节在立脚期(一个步行周期的41%至50%的期间)的角度的时间序列数据,可以更高精度地判断认知功能的程度。
接着,对本实施方式的第十六变形例的步行参数进行说明。
在本实施方式的第十六变形例,在试验对象为女性的情况下,步行参数也可以是腰部在一条腿的立脚期的第一期间在垂直方向的第一位移的时间序列数据的平均值和腰部在一条腿的脚悬空期的第二期间在垂直方向的第二位移的时间序列数据的平均值。
图37是表示本实施方式的第十六变形例、女性的试验对象的腰部在一个步行周期在垂直方向的位移的示意图。在图37中,纵轴表示腰部在垂直方向的位移,横轴表示标准化的一个步行周期。而且,在图37中,虚线表示女性的健康者们的腰部在垂直方向的位移的平均波形,实线表示女性的轻度认知障碍的患者们的腰部在垂直方向的位移的平均波形。
本实施方式的第十六变形例与上述的实验不同,检测出女性的试验对象各自的腰部在垂直方向的位移的时间序列数据。而且,创建了将试验对象是否为轻度认知障碍作为目的变量,将腰部在一个步行周期的11%至20%的期间在垂直方向的位移的平均值和腰部在一个步行周期的71%至80%的期间在垂直方向的位移的平均值作为说明变量的预测模型。通过交叉验证评估预测模型。作为交叉验证采用leave-one-out交叉验证。然后,计算出预测模型的ROC曲线。并且,计算出预测模型的ROC曲线的AUC值。
图38是表示从利用本实施方式的第十六变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
本实施方式的第十六变形例的预测模型是将试验对象是否为轻度认知障碍作为目的变量,将女性的试验对象的腰部在一个步行周期的11%至20%的期间在垂直方向的位移的平均值和女性的试验对象的腰部在一个步行周期的71%至80%的期间在垂直方向的位移的作为说明变量而创建。在图38中,纵轴表示真阳性率,横轴表示假阳性率。真阳性率表示预测模型将轻度认知障碍的患者正确地判断为轻度认知障碍的比例,假阳性率表示预测模型将健康者错误地判断为轻度认知障碍的比例。
图38所示的ROC曲线是描绘了预测模型的真阳性率和假阳性率的曲线,该预测模型将女性的试验对象的腰部在一个步行周期的11%至20%的期间在垂直方向的位移的平均值和女性的试验对象的腰部在一个步行周期的71%至80%的期间在垂直方向的位移的平均值作为说明变量而创建。图38所示的ROC曲线的AUC值为0.813。在试验对象为女性的情况下,腰部在一个步行周期的11%至20%的期间在垂直方向的位移的平均值和腰部在一个步行周期的71%至80%的期间在垂直方向的位移的平均值被决定为步行参数。而且,将女性的试验对象的腰部在一个步行周期的11%至20%的期间在垂直方向的位移的平均值和女性的试验对象的腰部在一个步行周期的71%至80%的期间在垂直方向的位移的平均值作为说明变量而创建的预测模型被决定为认知功能判断部113所使用的预测模型。
本实施方式的第十六变形例的认知功能评估装置1的处理器11还具备识别试验对象的性别的性别识别部。
步行参数检测部112,在通过性别识别部识别出试验对象为女性的情况下,检测出腰部在一条腿的立脚期的第一期间在垂直方向的第一位移的时间序列数据和腰部在一条腿的脚悬空期的第二期间在垂直方向的第二位移的时间序列数据。第一期间是一个步行周期的11%至20%的期间,第二期间是一个步行周期的71%至80%的期间。步行参数检测部112,在通过性别识别部识别出试验对象为女性的情况下,检测出腰部在一个步行周期的11%至20%的期间在垂直方向的位移的时间序列数据和腰部在一个步行周期的71%至80%的期间在垂直方向的位移的时间序列数据。而且,步行参数检测部112计算出腰部在一个步行周期的11%至20%的期间在垂直方向的位移的时间序列数据的平均值和腰部在一个步行周期的71%至80%的期间在垂直方向的位移的时间序列数据的平均值。
认知功能判断部113,利用腰部在立脚期的第一期间在垂直方向的第一位移的时间序列数据的平均值和腰部在脚悬空期的第二期间在垂直方向的第二位移的时间序列数据的平均值来判断女性的试验对象的认知功能的程度。
存储器12预先存储将女性的试验对象的腰部在一条腿的立脚期的第一期间在垂直方向的第一位移的时间序列数据的平均值和女性的试验对象的腰部在一条腿的脚悬空期的第二期间在垂直方向的第二位移的时间序列数据的平均值作为输入值,将试验对象是否为轻度认知障碍作为输出值而生成的预测模型。存储器12预先存储将女性的试验对象的腰部在一个步行周期的11%至20%的期间在垂直方向的位移的平均值和女性的试验对象的腰部在一个步行周期的71%至80%的期间在垂直方向的位移的平均值作为输入值,将试验对象是否为轻度认知障碍作为输出值而生成的预测模型。
认知功能判断部113,利用腰部在一个步行周期的11%至20%的期间在垂直方向的位移的时间序列数据的平均值和腰部在一个步行周期的71%至80%的期间在垂直方向的位移的时间序列数据的平均值,来判断女性的试验对象的认知功能的程度。认知功能判断部113,通过将腰部在一个步行周期的11%至20%的期间在垂直方向的位移的时间序列数据的平均值和腰部在一个步行周期的71%至80%的期间在垂直方向的位移的时间序列数据的平均值输入到预测模型,从预测模型获取表示女性的试验对象是否为轻度认知障碍的判断结果。
如上所述,在试验对象为女性的情况下,通过利用腰部在立脚期(一个步行周期的11%至20%的期间)以及脚悬空期(一个步行周期的71%至80%的期间)在垂直方向的位移的时间序列数据,可以更高精度地判断认知功能的程度。
接着,对本实施方式的第十七变形例的步行参数进行说明。
在本实施方式的第十七变形例,在试验对象为女性的情况下,步行参数也可以是腰部在一条腿的脚悬空期的规定时刻在垂直方向的位移。
图39是表示在本实施方式的第十七变形例、女性的试验对象的腰部在一个步行周期在垂直方向的位移的示意图。在图39中,纵轴表示腰部在垂直方向的位移,横轴表示标准化的一个步行周期。而且,在图39中,虚线表示女性的健康者们的腰部在垂直方向的位移的平均波形,实线表示女性的轻度认知障碍的患者们的腰部在垂直方向的位移的平均波形。
本实施方式的第17变形例与上述的实验不同,检测出女性的试验对象各自的腰部在垂直方向的位移的时间序列数据。而且,创建了将试验对象是否为轻度认知障碍作为目的变量,将腰部在一个步行周期的74%的时刻在垂直方向的位移作为说明变量的预测模型。通过交叉验证评估预测模型。作为交叉验证采用leave-one-out交叉验证。然后,计算出预测模型的ROC曲线。并且,计算出预测模型的ROC曲线的AUC值。
图40是表示从利用本实施方式的第十七变形例的预测模型判断了健康者以及轻度认知障碍的结果得到的ROC曲线的示意图。
本实施方式的第十七变形例的预测模型是将试验对象是否为轻度认知障碍作为目的变量,将女性的试验对象的腰部在一个步行周期的74%的时刻在垂直方向的位移作为说明变量而创建。在图40中,纵轴表示真阳性率,横轴表示假阳性率。真阳性率表示预测模型将轻度认知障碍的患者正确地判断为轻度认知障碍的比例,假阳性率表示预测模型将健康者错误地判断为轻度认知障碍的比例。
图40中所示的ROC曲线是描绘了预测模型的真阳性率和假阳性率的曲线,该预测模型将女性的试验对象的腰部在一个步行周期的74%的时刻在垂直方向的位移作为说明变量而创建。图40所示的ROC曲线的AUC值为0.7401。在实验对象为女性的情况下,腰部在一个步行周期74%的时刻在垂直方向的位移被决定为步行参数。而且,将女性的试验对象的腰部在一个步行周期的74%的时刻在垂直方向的位移作为说明变量而创建的预测模型被决定为认知功能判断部113所使用的预测模型。
本实施方式的第十七变形例的认知功能评估装置1的处理器11还具备识别试验对象的性别的性别识别部。
步行参数检测部112,在通过性别识别部识别出试验对象为女性的情况下,检测出腰部在一条腿的脚悬空期的规定时刻在垂直方向的位移。规定时刻是在一个步行周期的74%的时刻。步行参数检测部112,在通过性别识别部识别出试验对象为女性的情况下,检测出腰部在一个步行周期的74%的时刻在垂直方向的位移。
另外,一个步行周期的74%的时刻在检测出腰部在一条腿的脚悬空期在垂直方向的位移的最大值的时刻的附近。为此,步行参数检测部112,在通过性别识别部识别出试验对象为女性的情况下,也可以检测出腰部在一条腿的脚悬空期在垂直方向的位移的最大值。
认知功能判断部113利用腰部在脚悬空期的规定时刻在垂直方向的位移来判断女性的试验对象的认知功能的程度。
存储器12预先存储将女性的试验对象的腰部在一条腿的脚悬空期的规定时刻在垂直方向的位移作为输入值,将试验对象是否为轻度认知障碍作为输出值而生成的预测模型。存储器12预先存储将女性的试验对象的腰部在一个步行周期的74%的时刻在垂直方向的位移作为输入值,将试验对象是否为轻度认知障碍作为输出值而生成的预测模型。
认知功能判断部113利用腰部在一个步行周期的74%的时刻在垂直方向的位移来判断女性的试验对象的认知功能的程度。认知功能判断部113通过将腰部在一个步行周期74%的时刻在垂直方向的位移输入到预测模型,从预测模型获取表示女性的试验对象是否为轻度认知障碍的判断结果。
如上所述,在试验对象为女性的情况下,通过利用腰部在脚悬空期的规定时刻(一个步行周期的74%的时刻)在垂直方向的位移,可以更高精度地判断认知功能的程度。
图41是表示在本实施方式所显示的评估结果画面的一个例子的示意图。
显示部3显示图41所示的评估结果画面。评估结果画面包含表示过去的认知功能的评估值和此次的认知功能的评估值的认知功能评估提示区域31和评估留言32。在图41的认知功能评估提示区域31显示一个月进行一次认知功能的评估,过去六个月的认知功能的评估值和本月的认知功能的评估值。
认知功能的评估值是表示通过预测模型计算出的认知功能的程度的值。表示认知功能的程度的值例如用0.0至1.0来表示。评估结果提示部114将表示认知功能的程度的值换算为百分比作为认知功能的评估值来提示。
另外,在显示本次的认知功能的评估值的同时还显示过去的认知功能的评估值的情况下,认知功能判断部113将认知功能的评估值存储到存储器12。
而且,认知功能评估提示区域31也可以显示试验对象是否为轻度认知障碍作为评估结果。
而且,显示例如“MCI的危险性比上个月有所下降,维持了良好的状态。请保持这种方式生活。”这样的评估留言32。评估结果提示部114,在本月的认知功能的评估值低于上个月的认知功能的评估值,并且,本月的认知功能的评估值低于0.5的情况下,从存储器12读出图41所示的评估留言32并将其输出到显示部3。
另外,在本实施方式,在显示本次的认知功能的评估值的同时还显示过去的认知功能的评估值,但是,本发明并不局限于此,也可以仅显示本次的认知功能的评估值。在这种情况下,认知功能判断部113也可以不将认知功能的评估值存储到存储器12。
而且,本实施方式的摄像机2也可以是设置在玄关前的防盗摄像机、对讲机的摄像机子机或设置在室内的监视摄像机。而且,显示部3也可以是智能手机、平板电脑或对讲机的监视器。
另外,在本实施方式,步行参数检测部112基于从摄像机2获取的动态图像数据提取骨骼数据,但是,本发明并不局限于此,也可以利用动作捕捉系统提取骨骼数据。动作捕捉系统可以是光学式、磁性式、机械式以及惯性传感器式中的任何一种。例如,光学式动作捕捉系统,用摄像机拍摄在关节部分粘贴了标签的试验对象,并根据所拍摄的图像检测出标签的位置。步行参数检测部112从通过动作捕捉系统检测到的位置数据获取试验对象的骨骼数据。作为光学式动作捕捉系统,例如,可以采用英特瑞哈有限公司(Inter Reha)制造的三维动作分析装置。
而且,动作捕捉系统还可以具备深度传感器以及彩色摄像机,可以从视频图像自动地提取试验对象的关节点的位置信息并检测试验对象的姿势。在这种情况下,试验对象无需粘贴标签。而且,作为这样的动作捕捉系统,例如,可以采用微软公司制造的Kinect。
在利用动作捕捉系统测量步行动作时,最好根据位置坐标提取在步行动作中脚踝关节的角度、膝关节的角度或腰部在垂直方向的位移,根据提取出的角度或位移检测出步行动作的特征量。
另外,在上述各实施方式中,各构成要素即可以用专用的硬件来构成,也可以通过执行适合于各构成要素的软件程序来实现。各构成要素也可以通过让CPU或处理器等程序执行部读取记录在硬盘或半导体存储器等存储介质中的软件程序来实现。
本发明的实施方式所涉及的装置的功能的一部分或全部可以典型地作为集成电路LSI(Large Scale Integration)来实现。这些功能的一部分或全部即可以分别地形成芯片化,也可以形成为包含一部分或全部的芯片化。而且,集成电路不局限于LSI,也可以用专用电路或通用处理器来实现。也可以利用在制造LSI之后可编程的FPGA(FieldProgrammable Gate Array)或可重新构筑LSI内部的电路单元的连接或设定的可重构处理器。
而且,本发明的实施方式所涉及的装置的功能的一部分或全部也可以通过让CPU等处理器执行程序来实现。
而且,在上述所使用的数字都是为了具体地说明本发明而给出的示例,本发明不局限于这些被示例的数字。
而且,上述流程图所示的各步骤被执行的顺序只是为了具体地说明本发明而给出的示例,在能够获得同样效果的范围内也可以是上述以外的顺序。而且,上述步骤的一部分也可以与其它的步骤同时(并行)执行。
本发明涉及的技术,因为能简单且高精度地评估认知功能,作为基于试验对象的步行动作评估认知功能的技术有其实用价值。
Claims (17)
1.一种认知功能评估方法,是基于试验对象的步行动作评估认知功能的认知功能评估装置的认知功能评估方法,其特征在于包括以下步骤:
获取与所述试验对象的步行有关的步行数据;
从所述步行数据检测出所述试验对象的一条腿的脚踝关节的角度以及所述一条腿的膝关节的角度的至少其中之一;
利用所述脚踝关节的所述角度以及所述膝关节的所述角度的至少其中之一,判断所述试验对象的认知功能的程度。
2.根据权利要求1所述的认知功能评估方法,其特征在于,
在所述检测中,检测所述脚踝关节在所述一条腿的脚悬空期的规定期间的所述角度的时间序列数据,
在所述判断中,利用所述脚踝关节的所述角度的所述时间序列数据的平均值来判断所述试验对象的认知功能的程度。
3.根据权利要求2所述的认知功能评估方法,其特征在于,
在所述试验对象的一只脚从落地起到该只脚再次落地为止的期间作为一个步行周期来表示,所述一个步行周期用1%至100%来表示时,
所述规定期间是所述一个步行周期的81%至100%的期间。
4.根据权利要求3所述的认知功能评估方法,其特征在于,
所述规定期间是所述一个步行周期的85%至88%的期间。
5.根据权利要求1所述的认知功能评估方法,其特征在于,
在所述检测中,检测所述脚踝关节在所述一条腿的立脚期的第一期间的第一角度的时间序列数据和所述脚踝关节在所述一条腿的脚悬空期的第二期间的第二角度的时间序列数据,
在所述判断中,利用所述脚踝关节的所述第一角度的所述时间序列数据的平均值和所述脚踝关节的所述第二角度的所述时间序列数据的平均值来判断所述试验对象的认知功能的程度。
6.根据权利要求5所述的认知功能评估方法,其特征在于,
在所述试验对象的一只脚从落地起到该只脚再次落地为止的期间作为一个步行周期来表示,所述一个步行周期用1%至100%来表示时,
所述第一期间是所述一个步行周期的45%至50%的期间,
所述第二期间是所述一个步行周期的85%至88%的期间。
7.根据权利要求1所述的认知功能评估方法,其特征在于,
在所述检测中,检测所述膝关节在所述一条腿的立脚期的规定期间的所述角度的时间序列数据,
在所述判断中,利用所述膝关节的所述角度的所述时间序列数据的平均值来判断所述试验对象的认知功能的程度。
8.根据权利要求7所述的认知功能评估方法,其特征在于,
在所述试验对象的一只脚从落地起到该只脚再次落地为止的期间作为一个步行周期来表示,所述一个步行周期用1%至100%来表示时,
所述规定期间是所述一个步行周期的41%至50%的期间。
9.根据权利要求1所述的认知功能评估方法,其特征在于,
在所述检测中,检测所述膝关节在所述一条腿的立脚期的第一期间的所述角度的时间序列数据和所述脚踝关节在所述一条腿的脚悬空期的第二期间的所述角度的时间序列数据,
在所述判断中,利用所述膝关节的所述角度的所述时间序列数据的平均值和所述脚踝关节的所述角度的所述时间序列数据的平均值来判断所述试验对象的认知功能的程度。
10.根据权利要求9所述的认知功能评估方法,其特征在于,
在所述试验对象的一只脚从落地起到该只脚再次落地为止的期间作为一个步行周期来表示,所述一个步行周期用1%至100%来表示时,
所述第一期间是所述一个步行周期的41%至50%的期间,
所述第二期间是所述一个步行周期的81%至100%的期间。
11.根据权利要求1所述的认知功能评估方法,其特征在于,
还从所述步行数据检测出所述试验对象的腰部在垂直方向的位移,
在所述判断中,利用所述脚踝关节的所述角度以及所述膝关节的所述角度的至少其中之一和所述腰部在垂直方向的所述位移来判断所述试验对象的认知功能的程度。
12.根据权利要求1所述的认知功能评估方法,其特征在于,
还识别所述试验对象的性别,
在识别出所述试验对象为男性的情况下,在所述检测,检测所述脚踝关节在所述一条腿的立脚期的初期的所述角度的时间序列数据,
在所述判断中,利用所述脚踝关节的所述角度的所述时间序列数据的平均值来判断所述试验对象的认知功能的程度。
13.根据权利要求1所述的认知功能评估方法,其特征在于,
还识别所述试验对象的性别,
在识别出所述试验对象为男性的情况下,在所述检测,检测所述膝关节在所述一条腿的脚悬空期的所述角度的时间序列数据,
在所述判断中,利用所述膝关节的所述角度的所述时间序列数据的平均值来判断所述试验对象的认知功能的程度。
14.根据权利要求1所述的认知功能评估方法,其特征在于,
在所述判断中,在所述脚踝关节的所述角度小于阈值的情况下或所述膝关节的所述角度小于阈值的情况下,判断所述试验对象为轻度认知障碍。
15.根据权利要求1所述的认知功能评估方法,其特征在于,
在所述判断中,通过将检测出的所述脚踝关节的所述角度以及所述膝关节的所述角度的至少其中之一输入到预测模型来判断所述试验对象是否为轻度认知障碍,所述预测模型将所述脚踝关节的所述角度以及所述膝关节的所述角度的至少其中之一作为输入值,将所述试验对象是否为轻度认知障碍作为输出值而生成。
16.一种认知功能评估装置,基于试验对象的步行动作评估认知功能,其特征在于包括:
获取部,用于获取与所述试验对象的步行有关的步行数据;
检测部,从所述步行数据检测出所述试验对象的一条腿的脚踝关节的角度以及所述一条腿的膝关节的角度的至少其中之一;以及,
判断部,利用所述脚踝关节的所述角度以及所述膝关节的所述角度的至少其中之一,判断所述试验对象的认知功能的程度。
17.一种存储介质,是存储了基于试验对象的步行动作评估认知功能的认知功能评估程序的非暂时性的计算机可读取的存储介质,其特征在于,所述认知功能评估程序使计算机具备以下功能:
获取与所述试验对象的步行有关的步行数据;
从所述步行数据检测出所述试验对象的一条腿的脚踝关节的角度以及所述一条腿的膝关节的角度的至少其中之一;
利用所述脚踝关节的所述角度以及所述膝关节的所述角度的至少其中之一,判断所述试验对象的认知功能的程度。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962893297P | 2019-08-29 | 2019-08-29 | |
US62/893297 | 2019-08-29 | ||
JP2020023432A JP7439353B2 (ja) | 2019-08-29 | 2020-02-14 | 認知機能評価方法、認知機能評価装置及び認知機能評価プログラム |
JP2020-023432 | 2020-02-14 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112438723A true CN112438723A (zh) | 2021-03-05 |
Family
ID=74676826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010869111.1A Pending CN112438723A (zh) | 2019-08-29 | 2020-08-26 | 认知功能评估方法、认知功能评估装置以及存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11779260B2 (zh) |
JP (1) | JP7439353B2 (zh) |
CN (1) | CN112438723A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112998700A (zh) * | 2021-05-26 | 2021-06-22 | 北京欧应信息技术有限公司 | 用于辅助对象运动功能评估的设备、系统和方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023074829A1 (ja) * | 2021-10-29 | 2023-05-04 | 国立大学法人大阪大学 | 認知機能評価システム、及び学習方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0623352D0 (en) * | 2005-11-26 | 2007-01-03 | Hague Ian | Foot massager |
US20100121232A1 (en) * | 2007-08-20 | 2010-05-13 | University Of Tsukuba | Motion-assist system of wearable motion-assist device, wearable motion-assist device, and motion-assist method of wearable motion-assist device |
JP2012000343A (ja) * | 2010-06-18 | 2012-01-05 | Tohoku Univ | 歩行解析システムおよび歩行解析方法 |
JP2013255786A (ja) * | 2012-05-18 | 2013-12-26 | Kao Corp | 老年障害リスクの評価方法 |
US20140142439A1 (en) * | 2012-04-19 | 2014-05-22 | Barry J. French | Cognitive function evaluation and rehabilitation method and system |
CN104008398A (zh) * | 2014-06-11 | 2014-08-27 | 北京大学 | 一种基于多传感器信息融合的步态分类方法 |
KR20150062493A (ko) * | 2013-11-29 | 2015-06-08 | 한국산업기술대학교산학협력단 | 관성센서 기반 보행자의 보폭 추정장치 및 그 방법 |
US20170027803A1 (en) * | 2014-04-21 | 2017-02-02 | The Trustees Of Columbia University In The City Of New York | Human Movement Research, Therapeutic, and Diagnostic Devices, Methods, and Systems |
CN106419929A (zh) * | 2016-11-05 | 2017-02-22 | 上海大学 | 帕金森病患者姿态平衡稳定性的定量检测装置 |
CN106473342A (zh) * | 2015-08-31 | 2017-03-08 | 松下知识产权经营株式会社 | 步行杖和步行辅助装置 |
CN107115102A (zh) * | 2017-06-07 | 2017-09-01 | 西南科技大学 | 一种骨关节功能评估方法与装置 |
US20170258390A1 (en) * | 2016-02-12 | 2017-09-14 | Newton Howard | Early Detection Of Neurodegenerative Disease |
WO2018066422A1 (ja) * | 2016-10-07 | 2018-04-12 | パナソニックIpマネジメント株式会社 | 認知機能評価装置、認知機能評価方法及びプログラム |
WO2018066421A1 (ja) * | 2016-10-07 | 2018-04-12 | パナソニックIpマネジメント株式会社 | 認知機能評価装置、認知機能評価システム、認知機能評価方法、及び、プログラム |
KR20190014641A (ko) * | 2017-08-03 | 2019-02-13 | 삼육대학교산학협력단 | 관성센서를 이용한 보행 분석 시스템 및 방법 |
CN109453462A (zh) * | 2018-11-06 | 2019-03-12 | 苏州大学 | 一种功能性电刺激装置和系统 |
CN109953761A (zh) * | 2017-12-22 | 2019-07-02 | 浙江大学 | 一种下肢康复机器人感知系统及运动意图推理方法 |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9526946B1 (en) * | 2008-08-29 | 2016-12-27 | Gary Zets | Enhanced system and method for vibrotactile guided therapy |
US9149222B1 (en) * | 2008-08-29 | 2015-10-06 | Engineering Acoustics, Inc | Enhanced system and method for assessment of disequilibrium, balance and motion disorders |
JP5644304B2 (ja) * | 2009-09-30 | 2014-12-24 | 三菱化学株式会社 | 体動信号についての情報処理方法、体動信号についての情報処理装置およびパーキンソン病の診断装置 |
EP2593009B1 (en) * | 2010-07-14 | 2020-08-26 | Ecole Polytechnique Federale De Lausanne (Epfl) | System and method for 3d gait assessment |
US10945641B2 (en) * | 2011-10-09 | 2021-03-16 | The Medical Research, Infrastructure and Health Services Fund of the Tel Aviv Medical Center | Virtual reality for movement disorder diagnosis and/or treatment |
US11612786B2 (en) * | 2012-08-31 | 2023-03-28 | Blue Goji Llc | System and method for targeted neurological therapy using brainwave entrainment with passive treatment |
JP6143469B2 (ja) * | 2013-01-17 | 2017-06-07 | キヤノン株式会社 | 情報処理装置、情報処理方法及びプログラム |
JP2015061579A (ja) * | 2013-07-01 | 2015-04-02 | 株式会社東芝 | 動作情報処理装置 |
US20170007168A1 (en) * | 2014-02-04 | 2017-01-12 | The Medical Reseach, Infrastructure And Health Services Fund Of The Tel Aviv Medical Center | Methods and systems for providing diagnosis or prognosis of parkinson's disease using body-fixed sensors |
US20200000373A1 (en) * | 2014-04-22 | 2020-01-02 | The Trustees Of Columbia University In The City Of New York | Gait Analysis Devices, Methods, and Systems |
US20170055880A1 (en) * | 2014-04-22 | 2017-03-02 | The Trustees Of Columbia University In The City Of New York | Gait Analysis Devices, Methods, and Systems |
US9996739B2 (en) * | 2016-02-19 | 2018-06-12 | Conduent Business Services, Llc | System and method for automatic gait cycle segmentation |
EP3257437A1 (en) * | 2016-06-13 | 2017-12-20 | Friedrich-Alexander-Universität Erlangen-Nürnberg | Method and system for analyzing human gait |
US11219389B2 (en) * | 2016-11-15 | 2022-01-11 | Jacob Benford | Gait analysis and alerting system |
FR3061787A1 (fr) * | 2017-01-10 | 2018-07-13 | Univ Paris Descartes | Outil pour analyser les exercices de marche |
WO2019130674A1 (ja) * | 2017-12-25 | 2019-07-04 | コニカミノルタ株式会社 | 介護施設用行動異常検知装置、該方法および該システム |
US20210315486A1 (en) * | 2018-07-16 | 2021-10-14 | The Board Of Trustees Of The Leland Stanford Junior University | System and Method for Automatic Evaluation of Gait Using Single or Multi-Camera Recordings |
US11412957B2 (en) * | 2019-06-07 | 2022-08-16 | Tellus You Care, Inc. | Non-contact identification of gait dynamics, patterns and abnormalities for elderly care |
JP7473355B2 (ja) * | 2019-08-29 | 2024-04-23 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | 転倒リスク評価方法、転倒リスク評価装置及び転倒リスク評価プログラム |
WO2021046583A1 (en) * | 2019-09-04 | 2021-03-11 | Gaitiq, Llc | Gait-based assessment of neurodegeneration |
CN114080631A (zh) * | 2019-09-13 | 2022-02-22 | 松下知识产权经营株式会社 | 原因推断系统及原因推断方法 |
-
2020
- 2020-02-14 JP JP2020023432A patent/JP7439353B2/ja active Active
- 2020-08-19 US US16/997,482 patent/US11779260B2/en active Active
- 2020-08-26 CN CN202010869111.1A patent/CN112438723A/zh active Pending
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0623352D0 (en) * | 2005-11-26 | 2007-01-03 | Hague Ian | Foot massager |
US20100121232A1 (en) * | 2007-08-20 | 2010-05-13 | University Of Tsukuba | Motion-assist system of wearable motion-assist device, wearable motion-assist device, and motion-assist method of wearable motion-assist device |
JP2012000343A (ja) * | 2010-06-18 | 2012-01-05 | Tohoku Univ | 歩行解析システムおよび歩行解析方法 |
US20140142439A1 (en) * | 2012-04-19 | 2014-05-22 | Barry J. French | Cognitive function evaluation and rehabilitation method and system |
JP2013255786A (ja) * | 2012-05-18 | 2013-12-26 | Kao Corp | 老年障害リスクの評価方法 |
KR20150062493A (ko) * | 2013-11-29 | 2015-06-08 | 한국산업기술대학교산학협력단 | 관성센서 기반 보행자의 보폭 추정장치 및 그 방법 |
US20170027803A1 (en) * | 2014-04-21 | 2017-02-02 | The Trustees Of Columbia University In The City Of New York | Human Movement Research, Therapeutic, and Diagnostic Devices, Methods, and Systems |
CN104008398A (zh) * | 2014-06-11 | 2014-08-27 | 北京大学 | 一种基于多传感器信息融合的步态分类方法 |
CN106473342A (zh) * | 2015-08-31 | 2017-03-08 | 松下知识产权经营株式会社 | 步行杖和步行辅助装置 |
US20170258390A1 (en) * | 2016-02-12 | 2017-09-14 | Newton Howard | Early Detection Of Neurodegenerative Disease |
WO2018066422A1 (ja) * | 2016-10-07 | 2018-04-12 | パナソニックIpマネジメント株式会社 | 認知機能評価装置、認知機能評価方法及びプログラム |
WO2018066421A1 (ja) * | 2016-10-07 | 2018-04-12 | パナソニックIpマネジメント株式会社 | 認知機能評価装置、認知機能評価システム、認知機能評価方法、及び、プログラム |
CN109862831A (zh) * | 2016-10-07 | 2019-06-07 | 松下知识产权经营株式会社 | 认知功能评价装置、认知功能评价方法以及程序 |
CN106419929A (zh) * | 2016-11-05 | 2017-02-22 | 上海大学 | 帕金森病患者姿态平衡稳定性的定量检测装置 |
CN107115102A (zh) * | 2017-06-07 | 2017-09-01 | 西南科技大学 | 一种骨关节功能评估方法与装置 |
KR20190014641A (ko) * | 2017-08-03 | 2019-02-13 | 삼육대학교산학협력단 | 관성센서를 이용한 보행 분석 시스템 및 방법 |
CN109953761A (zh) * | 2017-12-22 | 2019-07-02 | 浙江大学 | 一种下肢康复机器人感知系统及运动意图推理方法 |
CN109453462A (zh) * | 2018-11-06 | 2019-03-12 | 苏州大学 | 一种功能性电刺激装置和系统 |
Non-Patent Citations (2)
Title |
---|
HANY HAZFIZA MANAP; NOORITAWATI MD TAHIR; RAMLI ABDULLAH: "Parkinsonian Gait Motor Impairment Detection Using Decision Tree", 《IEEE》 * |
KIM, S.G; SHIN S. H; JANG K. W;等: "Characterization of the Fiber-Optic Goniometer for Measuring Knee Joint Angle", 《SENSOR LETTERS》, vol. 13, no. 8 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112998700A (zh) * | 2021-05-26 | 2021-06-22 | 北京欧应信息技术有限公司 | 用于辅助对象运动功能评估的设备、系统和方法 |
CN112998700B (zh) * | 2021-05-26 | 2021-09-24 | 北京欧应信息技术有限公司 | 用于辅助对象运动功能评估的设备、系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
US11779260B2 (en) | 2023-10-10 |
JP7439353B2 (ja) | 2024-02-28 |
JP2021030050A (ja) | 2021-03-01 |
US20210059596A1 (en) | 2021-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9996739B2 (en) | System and method for automatic gait cycle segmentation | |
US11986286B2 (en) | Gait-based assessment of neurodegeneration | |
AU2018250385B2 (en) | Motor task analysis system and method | |
US20200205697A1 (en) | Video-based fall risk assessment system | |
JP7473355B2 (ja) | 転倒リスク評価方法、転倒リスク評価装置及び転倒リスク評価プログラム | |
AU2010286471B2 (en) | Characterizing a physical capability by motion analysis | |
JP6433805B2 (ja) | 運動機能診断装置及び方法、並びにプログラム | |
González et al. | Comparison between passive vision-based system and a wearable inertial-based system for estimating temporal gait parameters related to the GAITRite electronic walkway | |
Wang et al. | Home monitoring musculo-skeletal disorders with a single 3d sensor | |
US20240057946A1 (en) | Sarcopenia evaluation method, sarcopenia evaluation device, and non-transitory computer-readable recording medium in which sarcopenia evaluation program is recorded | |
CN113728394A (zh) | 身体活动执行和训练的评分度量 | |
CN112438723A (zh) | 认知功能评估方法、认知功能评估装置以及存储介质 | |
Romeo et al. | Video based mobility monitoring of elderly people using deep learning models | |
CN117883074A (zh) | 一种基于人体姿态视频的帕金森病步态量化分析方法 | |
JP7169213B2 (ja) | 身体健康状態映像分析装置、方法並びにシステム | |
Oluwadare | Gait analysis on a smart floor for health monitoring | |
Cicirelli et al. | Skeleton based human mobility assessment by using deep neural networks | |
WO2022249746A1 (ja) | 身体機能推定システム、身体機能推定方法、及び、プログラム | |
Ismail | Gait and postural sway analysis, A multi-modal system | |
Cheng et al. | Your Turn: Real-World Turning Angle Estimation for Parkinson's Disease Severity Assessment | |
Ramesh et al. | Automated Stride Detection from OpenPose Keypoints Using Handheld Smartphone Video | |
KR20230097298A (ko) | 이미지를 이용하여 임상 평가 정보를 제공하는 방법 및 장치 | |
González et al. | A dual approach for quantitative gait analysis based on vision and wearable pressure systems | |
Wu et al. | A view invariant gait cycle segmentation for ambient monitoring | |
Irfan et al. | Self Gait Assessment Using a Smartphone Camera |
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 |