CN115916047A - 行动状态推测装置、行动状态推测方法、行动状态学习装置以及行动状态学习方法 - Google Patents

行动状态推测装置、行动状态推测方法、行动状态学习装置以及行动状态学习方法 Download PDF

Info

Publication number
CN115916047A
CN115916047A CN202180050002.XA CN202180050002A CN115916047A CN 115916047 A CN115916047 A CN 115916047A CN 202180050002 A CN202180050002 A CN 202180050002A CN 115916047 A CN115916047 A CN 115916047A
Authority
CN
China
Prior art keywords
action state
measurement data
action
muscle
displacement
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
Application number
CN202180050002.XA
Other languages
English (en)
Inventor
松本龙彦
内藤敦士
河原直树
高丸泰
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.)
Murata Manufacturing Co Ltd
Original Assignee
Murata Manufacturing Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Murata Manufacturing Co Ltd filed Critical Murata Manufacturing Co Ltd
Publication of CN115916047A publication Critical patent/CN115916047A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1107—Measuring contraction of parts of the body, e.g. organ, muscle
    • 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
    • A61B5/1101—Detecting tremor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
    • A61B5/4519—Muscles
    • 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
    • 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
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Rheumatology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

行动状态推测装置(10)具备采样部(11)、行动状态模型存储部(13B)以及推测运算部(14B)。采样部(11)在规定时间内对位移测量信号进行采样，而生成位移测量数据。行动状态模型存储部(13B)存储有将位移测量数据和所希望的肌肉的负荷状态建立起关联而模型化得到的行动状态模型。推测运算部(14B)将位移测量数据作为输入向量，使用行动状态模型来推测负荷状态。

Description

行动状态推测装置、行动状态推测方法、行动状态学习装置以及行动状态学习方法
技术领域
本发明涉及根据震颤的检测结果来推测包含肌肉的负荷状态的行动状态的技术、以及用于该推测技术的行动状态模型的生成技术(行动状态学习技术)。
背景技术
在专利文献1中记载行动状态推测装置等。专利文献1中记载的行动状态推测装置将位移检测传感器的测定信号变换为频率成分。专利文献1中记载的行动状态推测装置根据规定的频带的成分来推测行动状态。
专利文献1：日本特开2011-182824号公报
然而，在专利文献1所示的现有的装置和方法中，需要将传感器的测定信号变换为频率成分。因此，生成推测用的信号的处理负荷增大。
发明内容
因此，本发明的目的在于，提供一种实现所希望的推测精度并且抑制处理负荷的行动状态推测技术。
本发明的行动状态推测装置具备第一采样部、行动状态模型存储部以及推测运算部。第一采样部在规定时间内对位移测量信号进行采样，而生成位移测量数据。行动状态模型存储部存储有将位移测量数据和所希望的肌肉的负荷状态建立起关联而模型化得到的行动状态模型。推测运算部将位移测量数据作为输入向量，使用行动状态模型来推测负荷状态。
在该结构中，直接使用位移测量数据来推测负荷状态。
根据本发明，能够实现所希望的推测精度，并且抑制处理负荷。
附图说明
图1是本发明的第一实施方式的行动状态推测装置的功能框图。
图2是表示第一实施方式的重要度的设定例的表。
图3是表示本发明的第一实施方式的行动状态推测方法的主要处理的流程图。
图4是本发明的第一实施方式的行动状态学习装置的功能框图。
图5是表示本发明的第一实施方式的行动状态学习方法的主要处理的流程图。
图6的(A)表示信号强度的时间变化例，图6的(B)表示信号强度分布，图6的(C)表示强度块数据。
图7是表示第二实施方式的重要度的设定例的表。
图8的(A)是表示信号强度的时间变化例的图，图8的(B)是表示强度块数据(平均值)的图，图8的(C)是表示强度块数据(累计值)的图。
图9是本发明的第三实施方式的行动状态推测装置的功能框图。
图10的(A)、图10的(B)是表示第三实施方式的重要度的设定例的表。
图11是表示本发明的第三实施方式的行动状态推测方法的主要处理的流程图。
图12是本发明的第三实施方式的行动状态学习装置的功能框图。
图13是表示本发明的第三实施方式的行动状态学习方法的主要处理的流程图。
图14的(A)、图14的(B)是表示第四实施方式的重要度的设定例的表。
图15是表示本发明的第五实施方式的行动状态学习方法的主要处理的流程图。
图16是表示同步的概念的图。
图17是本发明的第六实施方式的行动状态推测装置的功能框图。
图18的(A)是表示用于对时间范围的重要度进行说明的波形、时间范围设定的一例的图，图18的(B)是表示基于时间范围的重要度的设定的一例的表。
图19是表示本发明的第六实施方式的行动状态推测方法的主要处理的流程图。
图20是本发明的第六实施方式的行动状态学习装置的功能框图。
图21是表示本发明的第六实施方式的行动状态学习方法的主要处理的流程图。
图22是本发明的第七实施方式的行动状态推测装置的功能框图。
图23是表示本发明的第七实施方式的行动状态推测方法的主要处理的流程图。
图24是本发明的第七实施方式的行动状态学习装置的功能框图。
图25是表示本发明的第七实施方式的行动状态学习方法的主要处理的流程图。
具体实施方式
(第一实施方式)
参照附图对本发明的第一实施方式的行动状态推测技术和行动状态模型生成技术进行说明。
(行动状态推测装置的结构和处理)
图1是本发明的第一实施方式的行动状态推测装置的功能框图。如图1所示，行动状态推测装置10具备采样部11、统计量计算部12、推测运算部14以及行动状态模型存储部13。构成行动状态推测装置10的各功能部能够通过电子电路、IC、存储有执行各功能部的功能的程序的存储介质、以及执行该程序的运算处理器件(CPU等)来实现。
从位移检测传感器101对采样部11输入位移测量信号。采样部11以规定的采样频率(例如，100Hz)对位移测量信号进行采样，由此生成位移测量数据。即，采样部11在不将位移测量信号变换为频率成分的情况下生成位移测量数据。采样部11将位移测量数据输出到统计量计算部12。
此外，位移检测传感器101由压电传感器、加速度传感器等实现。位移检测传感器101不需要配置在推测负荷状态的肌肉的位置，只要配置在能够测量由推测对象的肌肉产生的震颤的位置即可。另外，位移检测传感器101可以是配置在一个部位的一个传感器，也可以是配置在多个部位的多个传感器。位移检测传感器101生成并输出位移测量信号。位移测量信号是将由震颤和变形引起的皮肤表面的位移变换为电压的信号。
这里所说的本发明的震颤例如是指表示有规律的肌肉活动的非自愿运动。即，本发明的震颤是能被正常人看到的细微且快速的姿势时震颤，被称为生理性震颤，例如是8Hz至12Hz的频率。此外，帕金森病患者等病人被看到的动作是病理性震颤，例如是4Hz至7Hz，不是本发明的震颤的对象。通过使用震颤，相比于肌电，具有下面的各种优点。例如，即使不直接粘贴在人的身体等被检测体的表面(皮肤等)也能够进行震颤的检测(测量)。通过震颤的检测，能够检测肌肉伸缩。通过震颤的检测，能够检测伴随着肌肉疲劳出现的变化。
统计量计算部12根据位移测量数据来计算统计量。统计量计算部12根据规定期间(例如，1秒钟)内的多个位移测量数据来计算统计量。
作为统计量的种类，例如使用平均值、最大值、最小值、中间值、1％值、5％值、25％值、75％值、95％值、99％值、方差值、偏度值、峰度值、累计值等。此外，统计量的种类不限于此，只要是能够根据时间序列的位移测量数据得到的内容，也可以是其他的种类。统计量计算部12从它们中计算多种统计量。此外，x％值是指期间内的多个位移测量数据中的、从最小值按升序计数而位于x％的值。
统计量计算部12向推测运算部14输出计算出的多种统计量。
在行动状态模型存储部13中存储有行动状态模型。在行动状态模型中设定位移测量数据的各种统计量与推测对象的肌肉的负荷状态之间的关系。行动状态模型例如由后述的行动状态学习装置20预先生成，并储存于行动状态模型存储部13。
推测运算部14使用存储于行动状态模型存储部13的行动状态模型，将多个统计量作为输入向量，对推测对象的肌肉的负荷状态进行推测。此时，推测运算部14根据推测对象的肌肉，设定用于推测的统计量的重要度。该重要度例如设定于行动状态模型。
图2是表示第一实施方式的重要度的设定例的表。肌肉M1、肌肉M2、肌肉M3以及肌肉M4表示能够通过测量出的位移来推测负荷状态的肌肉的种类。例如，在位移检测传感器101配置在脚踝的腱集中的部位、更具体而言配置在脚踝前方和脚踝后方的情况下，肌肉M1、肌肉M2、肌肉M3以及肌肉M4能够设定比目鱼肌、腓肠肌、胫骨前肌、股四头肌、腘绳肌等。另外，统计量A1～A15分别被设定为上述的各种统计量(平均值、最大值、最小值、中间值、1％值、5％值、25％值、75％值、95％值、99％值、方差值、偏度值、峰度值、累计值等)中任一者。
例如，在图2的情况下，针对肌肉M1，按照统计量A1、统计量A2、统计量A8、统计量A12、统计量A7的顺序，按照第1位、第2位、第3位、第4位、第5位的顺序设定针对推测的重要度。另外，针对肌肉M2，按照统计量A3、统计量A5、统计量A2、统计量A14、统计量A15的顺序，按照第1位、第2位、第3位、第4位、第5位的顺序设定针对推测的重要度。以下，针对肌肉M3、肌肉M4，也如图2所示，针对统计量设定重要度。
推测运算部14若设定了推测对象的肌肉，则使用根据肌肉而设定的重要度，根据多个统计量推测肌肉的负荷状态(例如，肌电位值)。此外，肌肉的负荷状态并不限于肌电位值，只要是能作为值来表示出来的参数，也可以是其他的参数。
更具体而言，例如，推测运算部14对根据重要度为从第1位到第5位的统计量中的各个统计量和行动状态模型而推测出的每个统计量的负荷状态的推测结果进行运算。而且，推测运算部14对各推测结果进行与重要度对应的加权，例如进行加法平均等，由此计算最终的负荷状态的推测结果。此外，推测运算部14在推测中使用的统计量的个数不限于此。例如，也可以根据重要度为从第1位到第10位的统计量进行推测运算。
另外，一方面，如果推测对象的肌肉为1种，则推测运算部14使用与该肌肉对应的统计量和重要度来推测负荷状态。另一方面，如果推测对象的肌肉为多种，则推测运算部14针对每个肌肉设定统计量和重要度，推测针对各个肌肉的负荷状态。
通过使用该结构，行动状态推测装置10能够在不进行将测量数据变换为频率成分的处理的情况下推测肌肉的负荷状态。由此，行动状态推测装置10能够实现所希望的推测精度并且抑制处理负荷。
并且，通过使用该结构，行动状态推测装置10针对每个推测对象的肌肉，单独地设定用于推测的统计量的种类、其重要度。由此，行动状态推测装置10能够更高精度地推测肌肉的负荷状态。
另外，通过使用该结构，即使位移检测传感器101的位置不是推测对象的肌肉的位置，行动状态推测装置10也能够推测该肌肉的负荷状态。由此，行动状态推测装置10例如针对在体表面未露出的肌肉、无法直接测量肌电位的肌肉(作为例子，远离位移检测传感器101的配置位置的肌肉)，也能够推测负荷状态。通过将位移检测传感器101配置于脚踝，从而行动状态推测装置10能够推测股四头肌、腘绳肌(股二头肌、半膜肌、半腱肌、大内转肌)、胫骨前肌、腓肠肌、比目鱼肌、大臀肌等的负荷状态。另外，行动状态推测装置10能够推测多个肌肉的联动状态。
另外，能够抑制由于位移检测传感器101的配置位置的误差带来的影响。因此，位移检测传感器101的配置变得容易，用于负荷状态的推测的作业变得容易。
另外，在该结构中，能够共用地使用位移检测传感器101的位移测量信号来推测多个肌肉的负荷状态，因此能够将包含传感器和行动状态推测装置的行动状态推测系统小型化。
另外，在该结构中，针对每个推测对象的肌肉单独地设定所使用的统计量和重要度。因此，行动状态推测装置10能够共用地使用位移检测传感器101的位移测量信号，而高精度地推测多个肌肉的负荷状态。
另外，在该结构中，能够将负荷状态推测为值而不是分类。这样，能够利用值推测负荷状态，由此行动状态推测装置10能够提示并管理更正确的负荷状态，能够对受检者进行更适当的通知等。
(行动状态推测方法)
图3是表示本发明的第一实施方式的行动状态推测方法的主要处理的流程图。此外，各处理的具体的内容通过上述的结构的说明来记载，因此以下概略地进行说明。
行动状态推测装置10输入位移测量信号(S11)。行动状态推测装置10针对位移测量信号执行采样，生成位移测量数据(S12)。行动状态推测装置10根据位移测量数据来计算统计量(S13)。
行动状态推测装置10取得行动状态模型(S14)。行动状态推测装置10将统计量作为输入向量，使用行动状态模型来推测负荷状态(S15)。
此外，上述的处理也可以是进行程序化而预存储于存储介质等、并由CPU等运算处理装置执行的方式。
(行动状态学习装置的结构和处理)
上述的行动状态模型例如像以下那样生成。图4是本发明的第一实施方式的行动状态学习装置的功能框图。
如图4所示，行动状态学习装置20具备采样部11、统计量计算部12、行动状态模型存储部13、采样部21、模型化基准值计算部22、以及学习运算部24。采样部11、统计量计算部12、行动状态模型存储部13如上所述，省略说明。
从肌肉活动检测传感器102向采样部21输入肌肉活动测量信号(例如，肌电位信号)。采样部21通过以规定的采样频率(例如，100Hz)对肌肉活动测量信号进行采样，而生成肌肉活动测量数据。采样部21将肌肉活动测量数据输出到模型化基准值计算部22。
此外，肌肉活动检测传感器102是能够测量肌肉活动的传感器，例如是肌电传感器(肌电位计)。肌肉活动检测传感器102配置在推测负荷状态的肌肉的位置。更具体而言，肌肉活动检测传感器102配置在成为产生由肌肉活动检测传感器102测量的震颤的肌肉活动的基础的肌肉的位置。肌肉活动检测传感器102检测肌肉活动，生成并输出肌肉活动测量信号。肌肉活动检测传感器102可以是针对1种肌肉配置的一个传感器，也可以是针对多种肌肉按照每个肌肉配置的多个传感器。
模型化基准值计算部22根据肌肉活动测量数据来计算模型化基准值。例如，模型化基准值计算部22计算规定期间内的肌肉活动测量数据的绝对平均值作为模型化基准值。绝对平均值是指测量数据的绝对值的平均值。
此外，模型化基准值不限于绝对平均值，也可以使用能够回归的值、例如平均值、最大值、最小值、中间值、1％值、5％值、25％值、75％值、95％值、99％值、方差值、偏度值、峰度值等。而且，模型化基准值也可以是能够根据肌肉活动测量数据进行分类的表示负荷的大、中、小等分类的值。
模型化基准值计算部22将模型化基准值输出到学习运算部24。
学习运算部24使用统计量和模型化基准值进行学习，生成行动状态模型。更具体而言，例如，学习运算部24将统计量作为说明变量，将模型化基准值作为目标变量，使用利用了决策树算法的梯度提升的方法进行学习。学习运算部24反复进行该学习，若得到规定的推论精度，则使用该结果而生成行动状态模型。此外，学习的方法并不限于梯度提升，也可以使用以类似的AdaBoost这样的方法为代表的提升(boosting)等方法。另外，作为除此以外的学习的方法，也可以使用SVM、GMM、HMM、神经网络、学习型贝叶斯网络等。而且，也可以在学习运算部24中使用多个学习器，使用在对多个学习器的结果进行加权之后采取多数投票法的总体法。
通过使用该结构和处理，从而行动状态学习装置20能够适当地设定行动状态模型。
(行动状态模型生成方法)
图5是表示本发明的第一实施方式的行动状态学习方法的主要处理的流程图。此外，各处理的具体的内容通过上述的结构的说明来记载，因此以下概略地进行说明。
行动状态学习装置20输入位移测量信号(S21)。行动状态学习装置20针对位移测量信号执行采样，生成位移测量数据(S22)。行动状态学习装置20根据位移测量数据来计算统计量(S23)。
行动状态学习装置20输入肌肉活动测量信号(S31)。行动状态学习装置20针对肌肉活动测量信号执行采样，生成肌肉活动测量数据(S32)。行动状态学习装置20根据肌肉活动测量数据来计算模型化基准值(S33)。
行动状态学习装置20执行使用了统计量和模型化基准值的学习，生成行动状态模型(S41)。
此外，上述的处理也可以是进行程序化而预存储于存储介质等、并由CPU等运算处理装置执行的方式。
另外，根据本实施方式的行动状态推测装置10和行动状态学习装置20的结构可知，通过使用本实施方式的结构，在学习时，虽然需要使用肌电位计等比较大型的肌电位测定单元，但能够生成高精度的行动状态模型，在实际使用时(行动状态推测装置10的使用时)，不需要使用肌电位计等比较大型的肌电位测定单元。即，在实际使用时，能够以简单的结构，减少对受检者的负担地推测(测量)负荷状态。
(第二实施方式)
参照附图对本发明的第二实施方式的行动状态推测技术和行动状态模型生成技术进行说明。相比于第一实施方式所示的行动状态推测技术，第二实施方式的行动状态推测技术在统计量的计算方法上不同。图6的(A)表示信号强度的时间变化例，图6的(B)表示信号强度分布，图6的(C)表示强度块数据。
统计量计算部12根据规定期间内的位移测量数据来计算信号强度分布。信号强度分布是将规定期间内的位移测量数据按照信号强度从大到小的顺序排列而得的。例如，统计量计算部12若如图6的(A)所示那样，得到根据规定的采样周期(采样频率)而设定的从时刻t1到时刻t100的信号强度，则像图6的(B)所示那样，按照信号强度从大到小的顺序，设定从顺位R1到顺位R100，从顺位R1依次排列到顺位R100。
统计量计算部12根据信号强度分布生成强度块数据，并将其作为统计量输出。更具体而言，统计量计算部12针对信号强度分布按照信号强度从高到低的顺序，按照规定的个数设定强度块(信号强度块)。统计量计算部12通过按照每个强度块计算累计值，而生成强度块数据。例如，在图6的(C)的情况下，统计量计算部12按照每10个块划分测量数据。作为一例，统计量计算部12将从顺位R1到顺位R10为止的信号强度设定为强度块B1，计算从顺位R1到顺位R10为止的信号强度的累计值。统计量计算部12从强度块B1到强度块B10为止进行该处理，作为统计量输出。
推测运算部14使用基于该信号强度分布得到的统计量来推测行动状态。此时，推测运算部14使用重要度来推测行动状态。
图7是表示第二实施方式的重要度的设定例的表。如图7所示，在第二实施方式中，针对信号强度分布的强度块，按照每个肌肉设定重要度。
例如，在图7的情况下，针对肌肉M1，按照强度块B10、强度块B9、强度块B6、强度块B3、强度块B5的顺序，按照第1位、第2位、第3位、第4位、第5位的顺序设定针对推测的重要度。另外，针对肌肉M2，按照强度块B10、强度块B8、强度块B9、强度块B7、强度块B1的顺序，按照第1位、第2位、第3位、第4位、第5位的顺序设定针对推测的重要度。以下，针对肌肉M3、肌肉M4，也如图7所示那样针对统计量(强度块)设定重要度。
推测运算部14若设定了推测对象的肌肉，则使用根据肌肉而设定的重要度，根据多个统计量(强度块的值)推测肌肉的负荷状态。
通过该结构，与第一实施方式的行动状态推测装置10相同，第二实施方式的行动状态推测装置能够在不进行将测量数据变换为频率成分的处理的情况下推测肌肉的负荷状态。由此，第二实施方式的行动状态推测装置能够实现必要的推测精度，并且抑制处理负荷。
此外，在上述的说明(参照图6的(A)、图6的(B)、图6的(C))中，将多个测量数据按照强度的顺序排列，设定多个强度块，针对多个强度块中的每个强度块计算累计值，并作为统计量。然而，在该情况下，累计值也可以置换为平均值。
并且，在接着参照图8的(A)、图8的(B)、图8的(C)进行说明的方式中，针对多个测量数据在时间范围内设定多个块(时间块)，针对多个时间块中的每个时间块计算平均值、累计值，并作为统计量。
在使用平均值的情况下，统计量计算部12将统计量计算用的时间内的多个测量数据分成时间序列的块(时间块)，针对每个时间块计算平均值。在使用累计值的情况下，统计量计算部12将统计量计算用的时间内的多个测量数据分成时间序列的块(时间块)，针对每个时间块计算累计值。统计运算部12将该平均值、累计值作为时间块的值(统计量)。
图8的(A)是表示信号强度的时间变化例的图，图8的(B)是表示时间块数据(平均值)的图，图8的(C)是表示时间块数据(累计值)的图。
例如，在取得图8的(A)的测量数据时，针对从时刻t1到时刻t100的信号强度，设定在时间序列上排列的时间块B1t-B10t。时间块B1t与时刻t1-t10对应，时间块B2t与时刻t11-t20对应。同样地设定时间块B3t-B9t，时间块B10t与时刻t91-t100对应。
在使用平均值的情况下，统计量计算部12针对时间块B1t，计算从时刻t1到时刻t10的信号强度的平均值，作为时间块B1t的统计量。同样，统计量计算部12针对时间块B2t-B9t计算平均值，作为各自的统计值。而且，统计量计算部12针对时间块B10t，计算从时刻t91到时刻t100的信号强度的平均值，作为时间块B10t的统计量。
在使用累计值的情况下，统计量计算部12针对时间块B1t，计算从时刻t1到时刻t10的信号强度的累计值，作为时间块B1t的统计量。同样，统计量计算部12针对时间块B2t-B9t计算累计值，作为各自的统计值。而且，统计量计算部12针对时间块B10t，计算从时刻t91到时刻t100的信号强度的累计值，作为时间块B10t的统计量。
(第三实施方式)
参照附图对本发明的第三实施方式的行动状态推测技术和行动状态模型生成技术进行说明。
(行动状态推测装置的结构和处理)
图9是本发明的第三实施方式的行动状态推测装置的功能框图。如图9所示，相比于第一实施方式的行动状态推测装置10，行动状态推测装置10A在具备采样部31、统计量计算部32这方面、在行动状态模型存储部13A、推测运算部14A这方面不同。行动状态推测装置10A的其他结构与行动状态推测装置10相同，省略相同的部位的说明。
行动状态推测装置10A具备采样部11、统计量计算部12、推测运算部14A、行动状态模型存储部13A、采样部31以及统计量计算部32。构成行动状态推测装置10A的各功能部能够通过电子电路、IC、存储有执行各功能部的功能的程序的存储介质以及执行该程序的运算处理器件(CPU等)来实现。
统计量计算部12计算第一实施方式所示的统计量作为位移统计量，并输出到推测运算部14A。
从动作检测传感器300向采样部31输入动作测量信号。采样部31通过以规定的采样频率(例如，100Hz)对动作测量信号进行采样，而生成动作测量数据。即，采样部31在不将动作测量信号变换为频率成分的情况下生成动作测量数据。采样部31将动作测量数据输出到统计量计算部32。
此外，动作检测传感器300由加速度传感器、角速度传感器等实现。动作检测传感器300不需要配置在推测负荷状态的肌肉的位置，只要配置在能够测量由推测对象的肌肉产生的受检者的动作的位置即可。另外，动作检测传感器300可以是配置在一个部位的一个传感器，也可以是配置在多个部位的多个传感器。动作检测传感器300检测受检者的动作，生成并输出动作的测量信号。
统计量计算部32根据在时间序列上排列的动作测量数据来计算动作统计量。统计量计算部32根据规定期间(例如，1秒钟)内的多个动作测量数据来计算动作统计量。
作为动作统计量的种类，例如使用平均值、最大值、最小值、中间值、1％值、5％值、25％值、75％值、95％值、99％值、方差值、偏度值、峰度值、累计值等。此外，动作统计量的种类不限于此，只要能够根据时间序列的测量数据得到，也可以是其他的种类。统计量计算部32从它们中计算多种动作统计量。此外，x％值是指将期间内的多个动作测量数据中的最大值设为100％，相当于其上位x％的值。
统计量计算部32将计算出的多种动作统计量输出到推测运算部14A。
在行动状态模型存储部13A中存储有行动状态模型。在行动状态模型中设定各种位移统计量和各种动作统计量与推测对象的肌肉的负荷状态的关系。行动状态模型例如由后述的行动状态学习装置20A预先生成，并存储(储存)于行动状态模型存储部13A。
推测运算部14A使用存储于行动状态模型存储部13A的行动状态模型，将位移统计量和动作统计量作为输入向量，对推测对象的肌肉的负荷状态进行推测。此时，推测运算部14A根据推测对象的肌肉，设定用于推测的位移统计量的重要度和动作统计量的重要度。这些重要度例如设定于行动状态模型。
图10的(A)、图10的(B)是表示第三实施方式的重要度的设定例的表。图10的(A)表示位移统计量的重要度，图10的(B)表示动作统计量的重要度。另外，在图10的(A)、图10的(B)中，肌肉M1、肌肉M2、肌肉M3和肌肉M4表示能够通过测量出的位移来推测负荷状态的肌肉的种类。例如，在位移检测传感器101配置在脚踝的腱集中的部位、更具体而言脚踝前方和脚踝后方的情况下，肌肉M1、肌肉M2、肌肉M3以及肌肉M4能够设定比目鱼肌、腓肠肌、胫骨前肌、股四头肌、腘绳肌等。位移统计量Ar1～Ar15分别被设定为上述的各种位移统计量中任一者，动作统计量Aa1～Aa15分别被设定为上述的各种动作统计量中任一者。
例如，在图10的(A)的情况下，针对肌肉M1，按照位移统计量Ar1、位移统计量Ar2、位移统计量Ar8、位移统计量Ar12、位移统计量Ar7的顺序，按照第1位、第2位、第3位、第4位、第5位的顺序设定针对推测的重要度。另外，针对肌肉M2，按照位移统计量Ar3、位移统计量Ar5、位移统计量Ar2、位移统计量Ar14、位移统计量Ar15的顺序，按照第1位、第2位、第3位、第4位、第5位的顺序设定针对推测的重要度。以下，针对肌肉M3、肌肉M4，也如图10的(A)所示，针对位移统计量设定重要度。
并且，例如，在图10的(B)的情况下，针对肌肉M1，按照动作统计量Aa1、动作统计量Aa2、动作统计量Aa8、动作统计量Aa12、动作统计量Aa7的顺序，按照第1位、第2位、第3位、第4位、第5位的顺序设定针对推测的重要度。另外，针对肌肉M2，按照动作统计量Aa3、动作统计量Aa5、动作统计量Aa2、动作统计量Aa14、动作统计量Aa15的顺序，按照第1位、第2位、第3位、第4位、第5位的顺序设定针对推测的重要度。以下，针对肌肉M3、肌肉M4，也如图10的(B)所示，针对动作统计量设定重要度。
此外，针对1种肌肉的位移统计量的重要度和动作统计量的重要度也可以通过共用的重要度来设定，也可以单独地设定。例如，在图10的(A)、图10的(B)所示的位移统计量的尾标(数字)与动作统计量的尾标(数字)表示相同的种类的统计量的情况下，图10的(A)、图10的(B)所示的位移统计量的重要度与动作统计量的重要度的设定能够通过共用的重要度来设定。
另一方面，如果图10的(A)所示的位移统计量的尾标(数字)是根据位移统计量的种类而设定的，图10的(B)所示的动作统计量的尾标(数字)是根据动作统计量的种类而设定的，则位移统计量的重要度与动作统计量的重要度的设定是被单独地设定的。
通过利用共用的重要度来设定位移统计量的重要度和动作统计量的重要度，能够将重要度的设定简化，将行动状态的推测处理简化。另一方面，通过单独地设定位移统计量的重要度和动作统计量的重要度，能够更多样地设定行动状态的推测条件，能够更高精度地推测行动状态。
推测运算部14A若设定了推测对象的肌肉，则使用根据肌肉而设定的重要度，根据多个位移统计量和动作统计量推测肌肉的负荷状态(例如，肌电位值)。此外，肌肉的负荷状态并不限于肌电位值，只要是能作为值来表示出来参数，也可以是其他的参数。
更具体而言，例如，推测运算部14A根据重要度相同的顺位的位移统计量与动作统计量的组以及行动状态模型来运算负荷状态的推测结果。推测运算部14A针对重要度相同的顺位的每个组，计算负荷状态的推测结果。而且，推测运算部14A对各推测结果进行与重要度对应的加权，例如进行加法平均等，由此计算最终的负荷状态的推测结果。
此外，推测运算部14A也可以单独地运算根据位移统计量和行动状态模型推测的负荷状态的推测结果、以及根据动作统计量和行动状态模型推测的负荷状态的推测结果，根据这些推测结果来计算最终的负荷状态的推测结果。推测运算部14在推测中使用的姿势统计量和动作统计量的个数并不限于此，能够适当地设定。例如，也可以根据重要度为第1位到第10位的统计量来进行推测运算。
另外，一方面，如果推测对象的肌肉为1种，则推测运算部14A使用与该肌肉对应的位移统计量和动作统计量以及它们的重要度来推测负荷状态。另一方面，如果推测对象的肌肉为多种，推测运算部14A针对每个肌肉，每次都设定位移统计量和动作统计量以及它们的重要度，推测针对各个肌肉的负荷状态。
通过使用该结构，行动状态推测装置10A能够不仅使用包含震颤的位移，还使用加速度、角速度等动作的检测结果来推测肌肉的负荷状态。所采样的加速度、角速度等动作的检测结果从受检者的动作受到较强的影响，与受检者的肌肉活动的相关性较高。而且，行动状态推测装置10A根据微观的震颤测量数据和宏观的动作测量数据来推测行动状态，因此能够高精度地推测肌肉的负荷状态。
并且，在该结构中，位移测量数据也是所采样的测量数据。因此，行动状态推测装置10A能够抑制与伴随着频率变换的震颤相关的信息的丢失，能够更高精度地推测肌肉的负荷状态。
并且，通过使用该结构，行动状态推测装置10A针对每个推测对象的肌肉，单独地设定用于推测的位移统计量和动作统计量的种类、其重要度。由此，行动状态推测装置10A能够更高精度地推测肌肉的负荷状态。
另外，通过使用该结构，即使位移检测传感器101的位置和动作检测传感器300的位置不是推测对象的肌肉的位置，行动状态推测装置10A也能够推测该肌肉的负荷状态。由此，行动状态推测装置10A例如针对在体表面未露出的肌肉、无法直接测量肌电位的肌肉(作为例子，远离位移检测传感器101或动作检测传感器300的配置位置的肌肉)，也能够推测负荷状态。通过将位移检测传感器101和动作检测传感器300配置于脚踝，从而行动状态推测装置10A能够推测股四头肌、腘绳肌(股二头肌肉、半膜肌、半腱肌、大内转肌)、胫骨前肌、腓肠肌、比目鱼肌、大臀肌等的负荷状态。另外，行动状态推测装置10A能够推测多个肌肉的联动状态。
另外，能够抑制由于位移检测传感器101的配置位置的误差带来的影响。因此，位移检测传感器101和动作检测传感器300的配置变得容易，用于负荷状态的推测的作业变得容易。
另外，在该结构中，能够共用地使用位移检测传感器101的位移测量信号和动作检测传感器300的动作测量信号来推测多个肌肉的负荷状态，因此能够将包含传感器和行动状态推测装置的行动状态推测系统小型化。
另外，在该结构中，针对每个推测对象的肌肉单独地设定所使用的位移统计量、动作统计量以及重要度。因此，行动状态推测装置10A能够共用地使用位移检测传感器101的测量信号和动作检测传感器300的测量信号，而高精度地推测多个肌肉的负荷状态。
另外，在该结构中，能够将负荷状态推测为值而不是分类。这样，能够利用值推测负荷状态，由此行动状态推测装置10A能够提示并管理更正确的负荷状态，能够针对受检者进行更适当的通知等。
(行动状态推测方法)
图11是表示本发明的第三实施方式的行动状态推测方法的主要处理的流程图。此外，各处理的具体的内容通过上述的结构的说明来记载，因此以下概略地进行说明。
行动状态推测装置10A输入位移测量信号(S11A)。行动状态推测装置10A针对位移测量信号执行采样，生成位移测量数据(S12A)。行动状态推测装置10A根据位移测量数据来计算位移统计量(S13A)。
行动状态推测装置10A输入动作测量信号(S21A)。行动状态推测装置10A针对动作测量信号执行采样，生成动作测量数据(S22A)。行动状态推测装置10A根据动作测量数据来计算动作统计量(S23A)。
行动状态推测装置10A取得行动状态模型(S14A)。行动状态推测装置10A将位移统计量和动作统计量作为输入向量，使用行动状态模型来推测负荷状态(S15A)。
此外，上述的处理也可以是进行程序化而预存储于存储介质等、并由CPU等运算处理装置执行的方式。
(行动状态学习装置的结构和处理)
上述的行动状态模型例如像以下那样生成。图12是本发明的第三实施方式的行动状态学习装置的功能框图。
如图12所示，行动状态学习装置20A具备采样部11、统计量计算部12、行动状态模型存储部13A、采样部21、模型化基准值计算部22、学习运算部24A、采样部31、以及统计量计算部32。采样部11、统计量计算部12、行动状态模型存储部13A、采样部31以及统计量计算部32如上所述，省略说明。
从肌肉活动检测传感器102向采样部21输入肌肉活动测量信号(例如，肌电位信号)。采样部21通过以规定的采样频率(例如，100Hz)对肌肉活动测量信号进行采样，而生成肌肉活动测量数据。采样部21将肌肉活动测量数据输出到模型化基准值计算部22。
此外，肌肉活动检测传感器102是能够测量肌肉活动的传感器，例如是肌电传感器(肌电位计)。肌肉活动检测传感器102配置在推测负荷状态的肌肉的位置。更具体而言，肌肉活动检测传感器102配置在肌肉的成为产生由肌肉活动检测传感器102测量的震颤的肌肉活动基础的位置。肌肉活动检测传感器102检测肌肉活动，生成并输出肌肉活动的测量信号。肌肉活动检测传感器102也可以是针对1种肌肉配置的一个传感器，也可以针对多种肌肉按照每个肌肉配置的多个传感器。
模型化基准值计算部22根据肌肉活动测量数据来计算模型化基准值。例如，模型化基准值计算部22计算规定期间内的肌肉活动测量数据的绝对平均值作为模型化基准值。绝对平均值是指测量数据的绝对值的平均值。
此外，模型化基准值不限于绝对平均值，也可以使用能够回归的值、例如平均值、最大值、最小值、中间值、1％值、5％值、25％值、75％值、95％值、99％值、方差值、偏度值、峰度值等。而且，模型化基准值也可以是能够根据肌肉活动测量数据进行分类的表示负荷的大、中、小等分类的值。
模型化基准值计算部22将模型化基准值输出到学习运算部24A。
学习运算部24A使用位移统计量和动作统计量以及模型化基准值进行学习，生成行动状态模型。更具体而言，例如，学习运算部24A将位移统计量和动作统计量作为说明变量，将模型化基准值作为目标变量，使用利用了决策树算法的梯度提升的方法进行学习。学习运算部24A反复进行该学习，若得到规定的推论精度，则使用该结果而生成行动状态模型。
此外，学习的方法并不限于梯度提升，也可以使用以类似的AdaBoost这样的方法为代表的提升(boosting)等方法。另外，作为除此以外的学习的方法，也可以使用SVM、GMM、HMM、神经网络、学习型贝叶斯网络等。而且，也可以在学习运算部24A中使用多个学习器，使用在对多个学习器的结果进行加权之后采取多数投票法的总体法。
通过使用该结构和处理，从而行动状态学习装置20A能够适当地设定行动状态模型。
(行动状态学习方法)
图13是表示本发明的第三实施方式的行动状态学习方法的主要处理的流程图。
行动状态学习装置20A输入位移测量信号和动作测量信号(S41A)。行动状态学习装置20A针对位移测量信号执行采样，生成位移测量数据，针对动作测量信号执行采样，生成动作测量数据(S42A)。行动状态学习装置20A根据位移测量数据来计算位移统计量，根据动作测量数据来计算动作统计量(S43A)。
行动状态学习装置20A输入肌肉活动测量信号(S51A)。行动状态学习装置20A针对肌肉活动测量信号执行采样，生成肌肉活动测量数据(S52A)。行动状态学习装置20A根据肌肉活动测量数据来计算模型化基准值(S53A)。
行动状态学习装置20A执行使用了位移统计量和动作统计量以及模型化基准值的学习，生成行动状态模型(S61A)。
此外，上述的处理也可以是进行程序化而预存储于存储介质等、并由CPU等运算处理装置执行的方式。
(第四实施方式)
对本发明的第四实施方式的行动状态推测技术和行动状态模型生成技术进行说明。相比于第三实施方式所示的行动状态推测技术，第四实施方式的行动状态推测技术在使用位移统计量和动作统计量的强度块数据的方面不同。动作统计量的强度块数据的生成方法与第三实施方式的位移统计量的强度块数据的生成方法相同，省略使用具体的例子的说明。
统计量计算部12根据位移测量数据的信号强度分布生成位移测量数据的强度块数据(位移强度块数据)，将其作为位移统计量输出。更具体而言，统计量计算部12针对信号强度分布按照信号强度从高到低的顺序，按照规定的个数设定强度块(信号强度块)。统计量计算部12通过按照每个强度块计算累计值，而生成位移强度块数据。
统计量计算部32是与统计量计算部12相同的结构，针对动作测量数据，进行与统计量计算部12相同的处理。由此，统计量计算部32计算并输出由动作测量数据的强度块数据(动作强度块数据)构成的动作统计量。
推测运算部14A使用基于该信号强度分布得到的位移统计量和动作统计量来推测行动状态。此时，推测运算部14A使用重要度来推测行动状态。
图14的(A)、图14的(B)是表示第四实施方式的重要度的设定例的表。图14的(A)表示位移统计量的重要度，图14的(B)表示动作统计量的重要度。如图14的(A)、图14的(B)所示，在第四实施方式中，针对信号强度分布的强度块，按照每个肌肉设定重要度。
关于图14的(A)所示的重要度的设定，除了位移统计量为强度块的值这方面之外，与图10的(A)所示的重要度的设定相同。关于图14的(B)所示的重要度的设定，除了动作统计量为强度块的值这方面之外，与图10的(B)所示的重要度的设定相同。因此，省略详细的说明。
推测运算部14A若设定了推测对象的肌肉，则使用根据肌肉而设定的重要度，根据多个位移统计量(强度块的值)和动作统计量(强度块的值)推测肌肉的负荷状态。
通过该结构，与第三实施方式的行动状态推测装置10A相同，第四实施方式的行动状态推测装置能够高精度地推测肌肉的负荷状态。
(第五实施方式)
对本发明的第五实施方式的行动状态推测技术和行动状态模型生成技术进行说明。相比于第一实施方式所示的行动状态推测技术，第五实施方式的行动状态推测技术在采取学习时的位移测量信号与肌肉活动测量信号的同步这方面不同。第五实施方式的行动状态推测技术的其他方法与第一实施方式的行动状态推测技术相同，省略相同的部位的说明。
图15是表示本发明的第五实施方式的行动状态学习方法的主要处理的流程图。如图15所示，相比于第一实施方式的行动状态学习方法，第五实施方式的行动状态学习方法在添加了同步处理这方面不同。第五实施方式的行动状态学习方法的其他处理与第一实施方式的行动状态学习方法相同，省略相同的部位的说明。
行动状态学习装置20若计算了统计量和模型化基准值，则使统计量与模型化基准值同步。图16是表示同步的概念的图。如图16所示，根据位移检测传感器101与肌肉活动检测传感器102之间的反应差，在位移测量信号的基准时间t0t与肌肉活动测量信号的基准时间tom之间产生时间差Δt。
因此，学习运算部24检测位移测量信号的基准时间tot和肌肉活动测量信号的基准时间tom，通过计算它们的差来检测时间差Δt。学习运算部24使用该时间差Δt，而使统计量与模型化基准值同步。
学习运算部24执行使用了同步的统计量和模型化基准值的学习，生成行动状态模型(S41)。
通过进行这样的处理，行动状态推测装置10能够更高精度地推测肌肉的负荷状态。
此外，在使用位移测量信号和动作测量信号以及肌肉活动测量信号进行学习的情况下，只要使位移测量信号和动作测量信号与肌肉活动测量信号同步来进行学习即可。
(第六实施方式)
对本发明的第六实施方式的行动状态推测技术和行动状态模型生成技术进行说明。相比于第一实施方式所示的行动状态推测技术和行动状态模型生成技术，第六实施方式的行动状态推测技术和行动状态模型生成技术在不使用特征量这方面不同。第六实施方式的行动状态推测技术和行动状态模型生成技术的其他方法与第一实施方式的行动状态推测技术和行动状态模型生成技术相同，省略相同的部位的说明。
(行动状态推测装置的结构和处理)
图17是本发明的第六实施方式的行动状态推测装置的功能框图。如图17所示，行动状态推测装置10B具备采样部11、行动状态模型存储部13B以及推测运算部14B。
采样部11将位移测量数据、即由时间函数表示的位移测量数据(多个时刻的位移测量数据)输出到推测运算部14B。
在行动状态模型存储部13B存储有行动状态模型。在行动状态模型中设定位移测量数据与推测对象的肌肉的负荷状态的关系。行动状态模型例如由后述的行动状态学习装置20B预先生成，储存于行动状态模型存储部13B。
推测运算部14B使用被存储于行动状态模型存储部13B的行动状态模型，将多个时刻的位移测量数据作为输入向量，对推测对象的肌肉的负荷状态进行推测。
这样，行动状态推测装置10B即使不计算特征量，也能够推测推测对象的肌肉的负荷状态。由此，行动状态推测装置10B能够减轻处理负荷。
此时，推测运算部14B能够根据推测对象的肌肉来设定用于推测的位移测量数据的重要度。该重要度例如设定于行动状态模型。
例如，推测运算部14B以测量开始时刻为基准，使经过规定时间后的规定时间范围的位移测量数据的重要度比其他的时间范围的位移测量数据的重要度高。或者，例如，推测运算部14B以测量开始时刻为基准，按照每个规定时间范围对位移测量数据进行分组，按照每个组设定重要度。
图18的(A)是表示用于对时间范围的重要度进行说明的波形、时间范围设定的一例的图，图18的(B)是表示基于时间范围的重要度的设定的一例的表。此外，在图18的(A)、图18的(B)中，表示将肌肉的负荷状态的推测中使用的规定时间范围分割为4个时间范围这种情况，但分割数不限于此。
如图18的(A)所示，推测运算部14B将肌肉的负荷状态的推测中使用的规定时间范围Tt分割为多个时间范围B1t、B2t、B3t、B4t。推测运算部14B将规定时间范围Tt的多个位移测量数据对应于各自的测量时间(取得时间)分配给多个时间范围B1t、B2t、B3t、B4t。
如图18的(B)所示，推测运算部14B存储有针对推测对象的肌肉的负荷状态的多个时间范围B1t、B2t、B3t、B4t的重要度。例如，在图18的(B)的情况下，如果是肌肉M1，则时间范围B1t、B4t的重要度被设定为高，时间范围B2t、B3t的重要度被设定为低。另外，如果是肌肉M2，则时间范围B2t、B3t的重要度被设定为高，时间范围B1t、B4t的重要度被设定为低。
例如根据推测对象的肌肉与位移检测传感器101之间的位置关系来设定重要度。
作为具体例，如果推测对象的肌肉与位移检测传感器101之间的距离较短、即如果位移检测传感器101配置于推测对象的肌肉的附近，则测量对象的规定时间范围中的最初和最后的时间范围(末端的时间范围)的位移测量数据对推测结果带来的影响相对较大，中间的时间范围的位移测量数据对推测结果带来的影响相对较小。
因此，在上述的例子中，作为肌肉M1与位移仪测传感器101之间的距离较短这种情况，针对肌肉M1，使与最初和最后的时间范围对应的时间范围B1t、B4t的重要度较高，使与中间的时间范围对应的时间范围B2t、B3t的重要度较低。
另一方面，如果推测对象的肌肉与位移检测传感器101之间的距离较长、即如果位移检测传感器101配置在远离推测对象的肌肉的位置，则测量对象的规定时间范围中的最初和最后的时间范围(末端的时间范围)的位移测量数据对推测结果带来的影响相对较小，中间的时间范围的位移测量数据对推测结果带来的影响相对较大。
因此，在上述的例子中，作为肌肉M2与位移仪测传感器101之间的距离较长的情况，针对肌肉M2，使与最初和最后的时间范围对应的时间范围B1t、B4t的重要度较低，使与中间的时间范围对应的时间范围B2t、B3t的重要度较高。
通过像这样针对时间范围设定重要度，从而行动状态推测装置10B能够更高精度地对推测对象的肌肉的负荷状态进行推测。
此外，关于重要度被设定为低的时间范围，也可以不用于推测。由此，行动状态推测装置10B能够减轻推测负荷。
(行动状态推测方法)
图19是表示本发明的第六实施方式的行动状态推测方法的主要处理的流程图。
行动状态推测装置10B输入位移测量信号(S11)。行动状态推测装置10B针对位移测量信号执行采样，生成位移测量数据(S12)。
行动状态推测装置10B取得使用了位移测量数据的行动状态模型(S14B)。行动状态推测装置10将位移测量数据作为输入向量，使用行动状态模型来推测负荷状态(S15B)。
此外，上述的处理也可以是进行程序化而预存储于存储介质等、并由CPU等运算处理装置执行的方式。
(行动状态学习装置的结构和处理)
上述的行动状态模型例如像以下所示那样生成。
图20是本发明的第六实施方式的行动状态学习装置的功能框图。
如图20所示，行动状态学习装置20B具备采样部11、行动状态模型存储部13B、采样部21、模型化基准值计算部22以及学习运算部24B。采样部11、采样部21以及模型化基准值计算部22与第一实施方式的行动状态学习装置20相同，省略说明。
学习运算部24B使用位移测量数据和模型化基准值进行学习，生成行动状态模型。更具体而言，例如，学习运算部24B将位移测量数据作为说明变量，将模型化基准值作为目标变量，使用利用了决策树算法的梯度提升的方法进行学习。此外，学习的方法并不限于梯度提升，也可以使用上述的各种方法。
学习运算部24B反复进行该学习，若得到规定的推论精度，则使用该结果而生成行动状态模型。学习运算部24B将所生成的行动状态模型存储于行动状态模型存储部13B。
通过使用该结构和处理，从而行动状态学习装置20B即使不使用特征量也能够适当地设定行动状态模型。
此时，通过进行第五实施方式所示的同步处理，能够抑制由于位移测量数据与肌肉活动测量数据之间的时间差而对行动状态模型的生成带来的负面影响。因此，行动状态学习装置20B能够更适当地设定行动状态模型。
(行动状态模型生成方法)
图21是表示本发明的第六实施方式的行动状态学习方法的主要处理的流程图。
行动状态学习装置20B输入位移测量信号(S21)。行动状态学习装置20针对位移测量信号执行采样，生成位移测量数据(S22)。
行动状态学习装置20B输入肌肉活动测量信号(S31)。行动状态学习装置20B针对肌肉活动测量信号执行采样，生成肌肉活动测量数据(S32)。行动状态学习装置20根据肌肉活动测量数据来计算模型化基准值(S33)。
行动状态学习装置20B执行使用了位移测量数据和模型化基准值的学习，生成行动状态模型(S41B)。
此外，上述的处理也可以是进行程序化而预存储于存储介质等、并由CPU等运算处理装置执行的方式。
(第七实施方式)
参照附图对本发明的第七实施方式的行动状态推测技术和行动状态模型生成技术进行说明。
(行动状态推测装置的结构和处理)
图22是本发明的第七实施方式的行动状态推测装置的功能框图。如图22所示，相比于第三实施方式的行动状态推测装置10A，行动状态推测装置10C在没有统计量计算部这方面以及在行动状态模型存储部13C、推测运算部14C这方面不同。行动状态推测装置10C的其他结构与行动状态推测装置10A相同，省略相同的部位的说明。
行动状态推测装置10C具备采样部11、推测运算部14C、行动状态模型存储部13C以及采样部31。
采样部31将计算出的动作测量数据输出到推测运算部14C。此时，采样部31利用正交三轴成分或者将这些正交三轴成分合成而得的合成值取得动作测量数据。通过使用这样的动作测量数据，能够设定能够更高精度地对推测对象的肌肉的负荷状态进行推测的输入向量。此外，也可以使用正交三轴成分和合成值双方。
在行动状态模型存储部13C存储有行动状态模型。在行动状态模型中设定位移测量数据和动作测量数据与推测对象的肌肉的负荷状态之间的关系。行动状态模型例如由后述的行动状态学习装置20C预先生成，存储(储存)于行动状态模型存储部13C。
推测运算部14C使用存储于行动状态模型存储部13C的行动状态模型，将位移测量数据和动作测量数据作为输入向量，对推测对象的肌肉的负荷状态进行推测。此时，推测运算部14C能够设定用于推测的位移测量数据的重要度和动作测量数据的重要度。该重要度例如设定于行动状态模型。
例如，推测运算部14C以测量开始时刻为基准，使经过规定时间后的规定时间范围的位移测量数据的重要度比其他的时间范围的位移测量数据的重要度高。或者，例如，推测运算部14B以测量开始时刻为基准，按照每个规定时间范围对位移测量数据进行分组，按照每个组设定重要度。对于动作测量数据，也能够通过与位移测量数据相同的方法设定重要度。
这样，行动状态推测装置10C即使不针对多种测量数据(位移测量数据和动作测量数据)计算特征量，也能够对推测对象的肌肉的负荷状进行态推测。
(行动状态推测方法)
图23是表示本发明的第七实施方式的行动状态推测方法的主要处理的流程图。
行动状态推测装置10C输入位移测量信号(S11C)。行动状态推测装置10C针对位移测量信号执行采样，生成位移测量数据(S12C)。
行动状态推测装置10C输入动作测量信号(S21C)。行动状态推测装置10C针对动作测量信号执行采样，生成动作测量数据(S22C)。
行动状态推测装置10C取得行动状态模型(S14C)。行动状态推测装置10C将位移测量数据和动作测量数据作为输入向量，使用行动状态模型来推测负荷状态(S15C)。
此外，上述的处理也可以是进行程序化而预存储于存储介质等、并由CPU等运算处理装置执行的方式。
(行动状态学习装置的结构和处理)
上述的行动状态模型例如像以下那样生成。图24是本发明的第七实施方式的行动状态学习装置的功能框图。
如图24所示，行动状态学习装置20C具备采样部11、行动状态模型存储部13C、采样部21、模型化基准值计算部22、学习运算部24C以及采样部31。
学习运算部24C使用位移测量数据和动作测量数据以及模型化基准值，进行学习，生成行动状态模型。更具体而言，例如，学习运算部24C将位移测量数据和动作测量数据作为说明变量，将模型化基准值作为目标变量，使用利用了决策树算法的梯度提升的方法进行学习。学习运算部24C反复进行该学习，若得到规定的推论精度，则使用该结果而生成行动状态模型。此外，学习的方法并不限于梯度提升，也可以使用上述的各种方法。
学习运算部24C反复进行该学习，若得到规定的推论精度，则使用该结果而生成行动状态模型。学习运算部24C将所生成的行动状态模型存储于行动状态模型存储部13C。
通过使用该结构和处理，从而行动状态学习装置20C能够适当地设定行动状态模型。
(行动状态学习方法)
图25是表示本发明的第七实施方式的行动状态学习方法的主要处理的流程图。
行动状态学习装置20C输入位移测量信号和动作测量信号(S41C)。行动状态学习装置20C针对位移测量信号执行采样，生成位移测量数据，针对动作测量信号执行采样，生成动作测量数据(S42C)。
行动状态学习装置20C输入肌肉活动测量信号(S51C)。行动状态学习装置20C针对肌肉活动测量信号执行采样，生成肌肉活动测量数据(S52C)。行动状态学习装置20A根据肌肉活动测量数据来计算模型化基准值(S53C)。
行动状态学习装置20C执行使用了位移测量数据和动作测量数据以及模型化基准值的学习，生成行动状态模型(S61C)。
此外，上述的处理也可以是进行程序化而预存储于存储介质等、并由CPU等运算处理装置执行的方式。
上述的各实施方式的结构和处理能够组合。而且，通过使用这些组合，行动状态推测装置和行动状态推测方法能够实现更高的推测精度。例如，也可以并用通过采样而得的统计量以及计算信号强度分布而得的统计量这两个统计量(使用双方的统计量)。
另外，在上述的说明中，表示使用肌电传感器(肌电位计)作为肌肉活动检测传感器102这种方式。然而，肌肉活动检测传感器102也可以是MRI等能够测量肌肉活动的其他的传感器。
另外，在上述的说明中，表示使用加速度传感器、角速度传感器等惯性传感器作为动作检测传感器300这种方式。然而，动作检测传感器300例如也可以使用运动传感器、图像传感器等。
另外，在上述的说明中，表示对位移测量信号进行采样的方式。然而，在对动作测量信号进行采样的情况下，也可以对位移测量信号进行频率采样。其中，通过如上述那样，对位移测量信号进行采样，从而行动状态推测装置能够更高精度地推测肌肉的负荷状态。
考虑到这一点，优选位移检测传感器101为压电传感器。即，在加速度传感器等其他的传感器中通过提取频率成分而提高精度，但只要使用压电传感器，即使不进行这样的频率成分的提取，也能够高精度地推测。
另外，在不使用上述的特征量的方式(第六实施方式)中，由于位移检测传感器101是压电传感器，因而更有效地发挥作用。
另外，在上述的结构和处理中，表示作为行动状态推测肌肉的负荷状态的方式。然而，也能够推测与该肌肉的负荷状态具有相关性的受检者的其他的行动状态。
另外，在上述的结构和处理中，表示直接使用通过采样而得的位移测量数据和动作测量数据、或者使用计算信号强度分布而得的位移统计量和动作统计量来推测行动状态的方式。然而，在行动状态推测装置和行动状态推测方法中，也可以使用各统计量的差值(变化量)、变化率。具体而言，在行动状态推测装置和行动状态推测方法中，计算多个统计量中的相邻的统计量的差值(变化量)、变化率，并使用该计算值。由此，在行动状态推测装置和行动状态推测方法中，也可以推测行动状态的变化。
另外，在使用上述的行动状态模型的负荷状态的推测中，作为输入向量，也可以追加下面的与生物体信息相关的项目。例如，也可以添加被测量者的BMI、身高、体重、体脂肪率、肌肉量、握力(左右、第一次、第二次)、小腿最小环绕周径、年龄段(20岁、30岁、40岁、50岁、60岁)、性别(女性，男性)中至少一者。由此，能够更高精度地推测肌肉的负荷状态。
附图标记的说明
10、10A、10B...行动状态推测装置；11...采样部；12...统计量计算部；13、13A、13B...行动状态模型存储部；14、14A、14B...推测运算部；20、20A、20B...行动状态学习装置；21...采样部；22...模型化基准值计算部；24、24A、24B...学习运算部；31...采样部；32...统计量计算部；101...位移检测传感器；102...肌肉活动检测传感器；300...动作检测传感器

Claims (18)

1.一种行动状态推测装置，具备：
第一采样部，其在规定时间内对受检者的位移测量信号进行采样，而生成位移测量数据；
行动状态模型存储部，其存储有将位移测量数据和所希望的肌肉的负荷状态建立起关联而模型化得到的行动状态模型；以及
推测运算部，其将所述位移测量数据作为输入向量，使用所述行动状态模型来推测所述负荷状态。
2.根据权利要求1所述的行动状态推测装置，其中，
所述行动状态模型针对每个所述负荷状态的推测对象的肌肉设定与所述位移测量数据的时间范围对应的重要度。
3.根据权利要求1或2所述的行动状态推测装置，其中，
该行动状态推测装置具备第二采样部，该第二采样部在规定时间内对所述受检者的动作测量信号进行采样，而生成动作测量数据，
所述行动状态模型存储部存储有将所述位移测量数据、所述动作测量数据以及所希望的肌肉的负荷状态建立起关联而模型化得到的行动状态模型，
所述推测运算部将所述位移测量数据和所述动作测量数据作为输入向量，使用所述行动状态模型来推测所述负荷状态。
4.根据权利要求3所述的行动状态推测装置，其中，
在所述行动状态模型中，针对每个所述负荷状态的推测对象的肌肉，设定与所述位移测量数据的时间范围对应的重要度以及与所述动作测量数据的时间范围对应的重要度。
5.根据权利要求4所述的行动状态推测装置，其中，
与所述位移测量数据的时间范围对应的重要度和与所述动作测量数据的时间范围对应的重要度通过共用的重要度来设定。
6.根据权利要求4所述的行动状态推测装置，其中，
与所述位移测量数据的时间范围对应的重要度和与所述动作测量数据的时间范围对应的重要度被单独地设定。
7.根据权利要求3至6中任一项所述的行动状态推测装置，其中，
所述动作测量信号是加速度和角速度中至少一者的测量信号。
8.根据权利要求7所述的行动状态推测装置，其中，
所述动作测量信号至少包含正交三轴成分和将所述正交三轴成分合成而得的合成成分中任一者。
9.根据权利要求1至8中任一项所述的行动状态推测装置，其中，
所述位移测量信号是对包含由生理性震颤引起的影响的位移进行电压变换而得的信号。
10.根据权利要求1至9中任一项所述的行动状态推测装置，其中，
作为所述输入向量，包含生物体信息。
11.一种行动状态推测方法，具有：
第一采样处理，在规定时间内对受检者的位移测量信号进行采样，而生成位移测量数据；以及
推测运算处理，使用将位移测量数据和所希望的肌肉的负荷状态建立起关联而模型化得到的行动状态模型，将所述位移测量数据作为输入向量，推测所述负荷状态。
12.根据权利要求11所述的行动状态推测方法，其中，
该行动状态推测方法具有第二采样处理，在该第二采样处理中按时间序列对所述受检者的动作测量信号进行采样，而生成动作测量数据，
在所述推测运算处理中，使用将位移测量数据、动作测量数据以及所希望的肌肉的负荷状态建立起关联而模型化得到的行动状态模型，将所述位移测量数据和所述动作测量数据作为输入向量，推测所述负荷状态。
13.一种行动状态学习装置，具备：
第一采样部，其在规定时间内对受检者的位移测量信号进行采样，而生成位移测量数据；
第三采样部，其在规定时间内对肌肉活动测量信号进行采样，而生成肌肉活动测量数据；
模型化基准值计算部，其根据所述肌肉活动测量数据来计算行动状态模型的模型化基准值；以及
学习运算部，其执行使用了所述位移测量数据和所述模型化基准值的学习，生成所述行动状态模型。
14.根据权利要求13所述的行动状态学习装置，其中，
所述学习运算部将所述位移测量数据和所述模型化基准值同步，而生成行动状态模型。
15.根据权利要求13或14所述的行动状态学习装置，其中，
该行动状态学习装置具备第二采样部，该第二采样部在规定时间内对所述受检者的动作的测量信号进行采样，而生成动作测量数据，
所述学习运算部使用所述位移测量数据、所述动作测量数据以及所述模型化基准值，而生成行动状态模型。
16.根据权利要求15所述的行动状态学习装置，其中，
所述学习运算部将所述位移测量数据、所述动作测量数据以及所述模型化基准值同步，而生成行动状态模型。
17.一种行动状态学习方法，具有：
第一采样处理，在规定时间内对受检者的位移测量信号进行采样，而生成位移测量数据；
第三采样处理，在规定时间内对肌肉活动测量信号进行采样，而生成肌肉活动测量数据；
模型化基准值计算处理，根据所述肌肉活动测量数据来计算行动状态模型的模型化基准值；以及
学习运算处理，执行使用了所述位移测量数据和所述模型化基准值的学习，生成所述行动状态模型。
18.根据权利要求17所述的行动状态学习方法，其中，
该行动状态学习方法具有第二采样处理，在该第二采样处理中按时间序列对所述受检者的动作测量信号进行采样，而生成动作测量数据，
在所述学习运算处理中，使用所述第一统计量、所述第二统计量以及所述模型化基准值，而生成行动状态模型。
CN202180050002.XA 2020-07-30 2021-07-21 行动状态推测装置、行动状态推测方法、行动状态学习装置以及行动状态学习方法 Pending CN115916047A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
JP2020-129388 2020-07-30
JP2020129388 2020-07-30
JP2020129387 2020-07-30
JP2020-129387 2020-07-30
PCT/JP2021/027255 WO2022024900A1 (ja) 2020-07-30 2021-07-21 行動状態推定装置、行動状態推定方法、行動状態学習装置、および、行動状態学習方法

Publications (1)

Publication Number Publication Date
CN115916047A true CN115916047A (zh) 2023-04-04

Family

ID=80035615

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202180049998.2A Pending CN116322508A (zh) 2020-07-30 2021-07-21 行动状态推测装置、行动状态推测方法、行动状态学习装置、以及行动状态学习方法
CN202180050002.XA Pending CN115916047A (zh) 2020-07-30 2021-07-21 行动状态推测装置、行动状态推测方法、行动状态学习装置以及行动状态学习方法

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202180049998.2A Pending CN116322508A (zh) 2020-07-30 2021-07-21 行动状态推测装置、行动状态推测方法、行动状态学习装置、以及行动状态学习方法

Country Status (4)

Country Link
US (2) US20230148908A1 (zh)
JP (2) JP7047990B1 (zh)
CN (2) CN116322508A (zh)
WO (2) WO2022024899A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7322985B2 (ja) * 2020-03-19 2023-08-08 カシオ計算機株式会社 運動支援装置、運動支援方法及びプログラム
JP7477000B1 (ja) * 2023-02-22 2024-05-01 Smk株式会社 筋活動解析装置、筋活動解析方法及び筋活動解析プログラム

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4021137B2 (ja) * 2000-09-07 2007-12-12 マイクロストーン株式会社 身体動作センシング装置
JP2003116822A (ja) * 2001-06-26 2003-04-22 Matsushita Electric Works Ltd 筋活動解析装置およびトレーニング装置
JP4825456B2 (ja) * 2005-06-14 2011-11-30 タマティーエルオー株式会社 筋活動推定システム
JP5120795B2 (ja) * 2005-11-15 2013-01-16 学校法人日本大学 人の姿勢動作判別装置およびエネルギー消費量算出装置
JP5099152B2 (ja) * 2010-03-04 2012-12-12 沖電気工業株式会社 行動状態推定装置、行動状態学習装置、行動状態推定方法、行動状態学習方法およびプログラム
JP6362521B2 (ja) * 2014-11-26 2018-07-25 株式会社日立システムズ 行動分類システム、行動分類装置及び行動分類方法
US10372975B2 (en) * 2015-08-10 2019-08-06 Catapult Group International Ltd. Managing mechanical stress in sports participants
WO2018047739A1 (ja) * 2016-09-07 2018-03-15 社会福祉法人兵庫県社会福祉事業団 運動器作動力推定システム

Also Published As

Publication number Publication date
WO2022024899A1 (ja) 2022-02-03
JPWO2022024899A1 (zh) 2022-02-03
US20230148906A1 (en) 2023-05-18
JP7047990B1 (ja) 2022-04-05
JP7047991B1 (ja) 2022-04-05
CN116322508A (zh) 2023-06-23
JPWO2022024900A1 (zh) 2022-02-03
WO2022024900A1 (ja) 2022-02-03
US20230148908A1 (en) 2023-05-18

Similar Documents

Publication Publication Date Title
Marsico et al. A survey on gait recognition via wearable sensors
Zeng et al. Parkinson's disease classification using gait analysis via deterministic learning
Cai et al. Validity and reliability of upper limb functional assessment using the Microsoft Kinect V2 sensor
US20230148906A1 (en) Action state estimation apparatus, action state estimation method, action state learning apparatus, and action state learning method
JP7184398B2 (ja) 自動診断装置
US20170027501A1 (en) Realtime biofeedback mechanism and data presentation for knee injury rehabilitation monitoring and a soft real time intelligent system thereof
JP4590010B1 (ja) 動作解析装置、および動作解析方法
Jamšek et al. Nonlinear cardio-respiratory interactions revealed by time-phase bispectral analysis
KR20150113700A (ko) 진단 시스템 및 방법
Bernecker et al. Activity recognition on 3d accelerometer data (technical report)
CN115004265A (zh) 信息处理装置以及判断结果输出方法
Iqbal et al. Nonlinear time-series analysis of different human walking gaits
Gopalakrishnan et al. A novel computational framework for deducing muscle synergies from experimental joint moments
Skvortsov et al. Heel‐Strike and Toe‐Off Detection Algorithm Based on Deep Neural Networks Using Shank‐Worn Inertial Sensors for Clinical Purpose
Witte et al. Visualized movement patterns and their analysis to classify similaritiesdemonstrated by the karate kick mae-geri
KR102395937B1 (ko) 보행 시간-주파수 분석에 기초한 건강 상태 예측 방법 및 시스템
Nutakki et al. Classifying gait features for stance and swing using machine learning
Dehzangi et al. Activity detection using fusion of multi-pressure sensors in insoles
WO2022269724A1 (ja) 運動内容推定装置、運動内容推定方法およびプログラム
Wang et al. Optimization system for training efficiency and load balance based on the fusion of heart rate and inertial sensors
Świtoński et al. Correlation dimension and entropy in the assessment of sex differences based on human gait data
Weiss et al. Walking behavior change detector for a “smart” walker
Bueno et al. Effect of muscular fatigue on fractal upper limb coordination dynamics and muscle synergies
Abid et al. Detection of asymmetric abnormalities in gait using depth data and dynamic Bayesian networks
Yao et al. A non-parametric model for Ballistocardiography

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