JP2010207485A

JP2010207485A - 運動強度推定システム

Info

Publication number: JP2010207485A
Application number: JP2009058710A
Authority: JP
Inventors: Koji Oguri; 宏次小栗; Yukihiko Ogiwara; 由記彦荻原; Akira Kurata; 晃倉田; Yutaka Yokochi; 裕横地
Original assignee: Suzuken Co Ltd; Oguri Koji
Current assignee: Suzuken Co Ltd; Oguri Koji
Priority date: 2009-03-11
Filing date: 2009-03-11
Publication date: 2010-09-24

Abstract

【課題】本発明は、運動強度推定システムに関し、運動実施者への携帯機の装着身体部位についてポジションフリーでの運動強度推定を実現しつつ、各センサ装着身体部位での運動強度の推定精度を向上させることにある。
【解決手段】運動実施者の身体に生ずる運動を検知する運動センサを備え、該運動センサによる検知結果に基づいて運動実施者の運動強度を推定する運動強度推定システムにおいて、運動センサが装着され得る身体部位ごとに学習された、運動強度を示すパラメータとしての複数の特徴量と運動強度のクラスとの関係を学習値記憶手段に記憶し、運動センサによる検知結果から各特徴量をそれぞれ抽出し、運動センサが装着される身体部位を特定し、そして、その抽出される各特徴量及びその特定される運動センサが装着される身体部位に基づいて、学習値記憶手段に記憶されている関係に従って運動強度を推定する。
【選択図】図１

Description

本発明は、運動強度推定システムに係り、特に、運動を実施する者の運動強度を推定するうえで好適な運動強度推定システムに関する。

従来、運動を実施する運動実施者の運動強度を推定する機器が知られている（例えば、特許文献１参照）。この機器は、運動実施者の運動を検知するための運動センサと、運動センサからの信号を処理するマイクロコンピュータと、を備えている。この機器において、マイクロコンピュータは、運動センサからの運動検知データに基づいて運動実施者の運動強度を推定する。

特開２００４−５７５１４号公報

ところで、上記した運動強度を推定する機器は、運動実施者の身体に装着されるものである。機器の装着位置は、腰部（例えばベルト装着）や胸部（例えばシャツの胸ポケットの中），腕部（例えば腕回り装着），脚部（例えばズボンのポケットや靴の中）など様々であるが、いわゆる機器を身体の様々な部位に装着しても運動強度を推定できる（いわゆるポジションフリーを実現できる）機器が存在する。

しかし、一般的に、運動強度を最も精度よく推定できる機器の装着位置は運動実施者の腰部であり、機器を腰部に装着すれば最も精度よく運動強度を推定することはできるが、一方、ポジションフリーの機器がポケットの中など移動や回転が許容される部位に装着されると、その移動や回転に起因して運動強度の推定精度が低下するおそれがある。

本発明は、上述の点に鑑みてなされたものであり、ポジションフリーでの運動強度推定を実現しつつ、各装着部位での運動強度の推定精度を向上させることが可能な運動強度推定システムを提供することを目的とする。

上記の目的は、運動実施者の身体に生ずる運動を検知する運動センサを備え、該運動センサによる検知結果に基づいて運動実施者の運動強度を推定する運動強度推定システムであって、前記運動センサが装着され得る身体部位ごとに学習された、前記運動強度を示すパラメータとしての複数の特徴量と前記運動強度のクラスとの関係を記憶する学習値記憶手段と、前記運動センサによる検知結果から前記各特徴量をそれぞれ抽出する特徴量抽出手段と、前記運動センサが装着される身体部位を特定する装着部位特定手段と、前記特徴量抽出手段により抽出される前記各特徴量、及び、前記装着部位特定手段により特定される前記運動センサが装着される身体部位に基づいて、前記学習値記憶手段に記憶されている前記関係に従って、前記運動強度を推定する推定手段と、を備える運動強度推定システムにより達成される。

この態様の発明において、運動強度を示すパラメータとしての複数の特徴量と運動強度クラスとの関係は、運動センサが装着され得る身体部位ごとに学習されて学習値記憶手段に記憶される。そして、運動実施者の運動強度は、運動センサによる検知結果から抽出される各特徴量及びその運動センサが装着される身体部位に基づいて、その学習値記憶手段に記憶される関係を参照して推定される。かかる構成によれば、ポジションフリーでの運動強度推定を実現しつつ、各装着部位での運動強度の推定精度を向上させることができる。

ところで、上記した運動強度推定システムにおいて、前記各特徴量をそれぞれ二値的に識別する複数の識別器による識別結果と、教師データと、に基づいて、前記運動センサが装着され得る身体部位ごとの前記学習値記憶手段に記憶される前記関係を学習する学習手段を備えることとしてもよい。

この態様の発明において、運動強度を示すパラメータとしての複数の特徴量と運動強度クラスとの関係は、複数の識別器による識別結果と、教師データと、に基づいて学習される。このため、運動強度を推定するうえで行われる各特徴量の識別を運動強度に合わせた最適なものとすることができる。従って、本発明によれば、運動実施者の運動強度の推定を精度よく実現することができる。

また、上記した運動強度推定システムにおいて、前記推定手段は、前記特徴量抽出手段により抽出される前記各特徴量をそれぞれ二値的に識別する複数の識別器による識別結果、及び、前記装着部位特定手段により特定される前記運動センサが装着される身体部位に基づいて、前記運動強度を推定することとしてもよい。

この態様の発明において、運動強度を示すパラメータとしての複数の特徴量はそれぞれ識別器により二値的に識別される。このため、各特徴量の識別自体を簡易に行うことができる。また、その複数の特徴量の識別結果を組み合わせれば、運動実施者の運動強度の推定精度を向上させることができる。従って、本発明によれば、運動実施者の運動強度の推定を簡易な構成でかつ精度よく実現することができる。

本発明によれば、ポジションフリーでの運動強度推定を実現しつつ、各装着部位での運動強度の推定精度を向上させることができる。

本発明の一実施例である運動強度推定システムの構成図である。本実施例の運動強度推定システムにおいて用いられる複数の特徴量と運動強度クラスとの関係マップの一例を表した図である。本実施例の運動強度推定システムにおいて実行される制御ルーチンの一例のフローチャートである。本実施例の運動強度推定システムにおいて行われる学習の構成図である。本実施例の運動強度推定システムにおいてＡｄａＢｏｏｓｔにより学習を行ううえでの基本概念図である。

以下、図面を用いて、本発明の具体的な実施の形態について説明する。

図１は、本発明の一実施例である運動強度推定システムの構成図を示す。本実施例の運動強度推定システムは、運動を実施する運動実施者の運動強度（運動量）を推定するシステムである。本実施例において、推定する運動実施者の運動強度は、安静状態、散歩などのゆっくりした歩行、通常の歩行、速歩、トレーニング運動などの複数のクラス（例えば、５クラス）に分類される。

本実施例において、運動強度推定システムは、運動実施者に携帯される携帯機１０を備えている。携帯機１０は、運動実施者の腰部ベルトやシャツの胸ポケット，ズボンのポケット等の何れの身体部位にも装着可能なポジションフリーの機器である。携帯機１０は、各種処理を行うマイクロコンピュータ１２と、加速度センサ１４と、を備えている。マイクロコンピュータ１２と加速度センサ１４とは電気的に接続されており、マイクロコンピュータ１２は、予め定められたプログラムに従って動作し、主に、加速度センサ１４から出力される信号に基づいて運動実施者の運動強度を推定する処理を行う。

加速度センサ１４は、互いに直交する三軸それぞれ（三次元空間）に生ずる加速度に応じた信号を出力するセンサである。加速度センサ１４は、例えば、半導体ウェハ上に加速度成分を取り出す機械的な機構と集積回路とを一体化したデバイスであって、ピエゾ抵抗型や圧電型，静電容量型，磁気センサ型などにより構成されている。加速度センサ１４の出力信号は、マイクロコンピュータ１２に供給される。マイクロコンピュータ１２は、加速度センサ１４の出力を所定のサンプリング周波数でサンプリングして、運動強度を示すパラメータとしての複数（Ｎ個；例えば４個）の特徴量を抽出し、それらの各特徴量に基づいて運動実施者の運動強度を推定する。

尚、運動強度を示すパラメータとしての特徴量としては、加速度の所定時間内における平均値，最大値，最小値，標準偏差などである。また、運動強度を推定するうえで用いる特徴量は、三軸加速度データから求められるノルム（ベクトル方向の距離を表す。）、及び、三軸加速度データの中で最も出力の強い軸のデータによるものである。

マイクロコンピュータ１２は、運動実施者の運動強度を推定するうえで参照すべき関係マップを記憶する記憶装置１６を有している。記憶装置１６に記憶される関係マップは、上記した複数の特徴量と運動強度のクラスとの関係を示すものであり、後述の如く、加速度センサ１４が装着され得る人の身体部位ごとに学習されたものである。すなわち、加速度センサ１４が装着され得る人の身体部位別に、上記した複数の特徴量と運動強度のクラスとの関係が記憶装置１６に記憶される。

図２は、本実施例の運動強度推定システムにおいて用いられる複数の特徴量と運動強度クラスとの関係マップの一例を表した図を示す。尚、複数の特徴量と運動強度クラスとの関係マップは、各特徴量がそれぞれ閾値処理により二値的に識別された場合の特徴パターン（"−１"又は"＋１"）と運動強度クラスとの関係を示すものであればよい。例えば、運動強度クラスがクラス０〜クラス４までの５クラスある場合、特徴量の数は４個あれば十分であり、図２に示す如く、ある特徴量ａの閾値によりクラス０とクラス１とを切り分け、別の特徴量ｂの閾値によりクラス１とクラス２とを切り分け、特徴量ｃの閾値によりクラス２とクラス３とを切り分け、そして、特徴量ｄの閾値によりクラス３とクラス４とを切り分けるようにすればよい。

また、複数の特徴量と運動強度クラスとの関係の初期値は、予め実験的に定められた一般的なものであってもよく、また、予め運動実施者自身に指示した運動に対して得られるもの（例えば、運動強度クラスが既知である所定のリズムで歩行させる運動を運動実施者に行わせたときに加速度センサ１４の出力から得られる各特徴量と、その運動の運動強度クラスとの関係）であってもよい。

更に、関係マップの学習は、医療機関側や運動強度の推定に信頼性の高い機器側と運動実施者の携帯機１０とを遠隔的に通信接続して、その医療機関側などから送られるデータを書き込んだものであってもよく、また、初期値と同じように、所定期間（例えば一週間）ごとに運動実施者自身に指示した運動に対して得られるもの（例えば、運動強度クラスが既知である所定のリズムで歩行させる運動を運動実施者に行わせたときに加速度センサ１４の出力から得られる各特徴量と、その運動の運動強度クラスとの関係）であってもよい。また、この学習は、携帯機１０が装着され得る身体部位ごとに行われる。

次に、図３を参照して、本実施例の運動強度推定システムにおいてマイクロコンピュータ１２が運動実施者の運動強度を推定する手法について説明する。図３は、本実施例の運動強度推定システムにおいて実行される制御ルーチンの一例のフローチャートを示す。

本実施例において、マイクロコンピュータ１２は、前処理部２０、特徴量抽出部２２、装着位置検出部２４、及びパターン選択・認識部２６を有している。前処理部２０には、加速度センサ１４が接続されており、加速度センサ１４からの加速度データが入力される（ステップ１００）。前処理部２０は、加速度センサ１４からの加速度データをフィルタ処理してノイズ除去を行う。

特徴量抽出部２２には、前処理部２０が接続されており、前処理部２０からのノイズ除去後の加速度データが入力される。特徴量抽出部２２は、前処理部２０からの加速度データから複数種類の特徴量をそれぞれ抽出する（ステップ１０２）。これらの特徴量は、上記の如く、三軸加速度データから求められるノルム及び三軸加速度データの中で最も出力の強い軸のデータによるものであって、加速度の所定時間内における平均値，最大値，最小値，標準偏差などである。

また、装着位置検出部２４には、前処理部２０が接続されており、前処理部２０からのノイズ除去後の加速度データが入力される。装着位置検出部２４は、前処理部２０からの加速度データを処理して、その加速度センサ１４すなわち携帯機１０が何れの身体部位（例えば、予め定められた腰部や胸部，脚部など）に装着されているかを判定する（ステップ１０４）。尚、装着位置検出部２４による装着位置判定は、予め用意された身体部位別の加速度データの時間変化などの特徴パターンに基づいて行われる。

パターン選択・認識部２６には、上記した特徴量抽出部２２及び装着位置検出部２４が接続されており、特徴量抽出部２２からの複数種類の特徴量及び装着位置検出部２４からのセンサ装着身体部位の情報が入力される。パターン選択・認識部２６には、また、加速度センサ１４が装着され得る人の身体部位別に複数種類の特徴量と運動強度クラスとの関係マップを記憶する記憶装置１６が接続されており、記憶装置１６からのその関係情報が読み出される。

パターン選択・認識部２６は、特徴量抽出部２２からの複数種類の特徴量、及び、装着位置検出部２４からのセンサ装着身体部位の情報に基づいて、記憶装置１６に記憶される複数種類の特徴量と運動強度クラスとの関係マップに従って、運動実施者の運動強度を推定する。

具体的には、まず、装着位置検出部２４からのセンサ装着身体部位の情報を基に、記憶装置１６に記憶されている身体部位別の複数種類の特徴量と運動強度クラスとの関係マップのうちから、そのセンサ装着身体部位に対応する関係マップを選択する（ステップ１０６）。次に、特徴量抽出部２２からの複数種類の特徴量を、その選択した関係マップに従って閾値処理することで、運動強度クラス（クラス０〜クラス４）を推定する（ステップ１０８）。

次に、図４及び図５を参照して、本実施例の運動強度推定システムに用いる記憶装置１６に記憶される関係マップの学習について説明する。図４は、本実施例の運動強度推定システムにおいて行われる学習の構成図を示す。また、図５は、本実施例の運動強度推定システムにおいてＡｄａＢｏｏｓｔにより学習を行ううえでの基本概念図を示す。

本実施例において、マイクロコンピュータ１２は、運動実施者の運動強度を推定するのに用いるＡｄａＢｏｏｓｔ３０を有している。ＡｄａＢｏｏｓｔ３０は、複数（Ｎ個；例えば４個）の識別器３２を有している。これら複数の識別器３２には、加速度センサ１４の出力から抽出される複数の特徴量の情報が入力される。特徴量と識別器３２とは、一対一で対応する。

ＡｄａＢｏｏｓｔ３０の各識別器３２はそれぞれ、対応して入力される加速度センサ１４からの特徴量を、記憶装置１６から読み出したセンサ装着身体部位に対応する上記の関係マップに従って二値的に閾値処理する（例えば、特徴量が閾値以下であるときはそのことを示す"−１"を出力し、一方、特徴量が閾値を超えるときはそのことを示す"＋１"を出力する。）。ＡｄａＢｏｏｓｔ３０は、各特徴量をそれぞれ識別器３２で二値識別して、その各識別結果を組み合わせた特徴パターンを形成する。そして、その特徴パターンを、記憶装置１６から読み出したセンサ装着身体部位に対応する上記の関係マップに照らし合わせることにより、上記した運動実施者の運動強度クラスの推定を行う。

また、ＡｄａＢｏｏｓｔ３０は、多段階分割・追加学習型分析手法を適用したパターン認識のための学習アルゴリズムである。ＡｄａＢｏｏｓｔ３０による学習は、加速度センサ１４の装着され得る身体部位ごと及び特徴量の種類ごとに、逐次的に学習データの重み（信頼度α）を変化させながら異なる識別器を作り、これら複数（Ｔ個）の識別器（弱識別器ｈ_ｔ）の重み付け多数決によって最終的な識別関数（強識別器Ｈ）を与えるものである。すなわち、ＡｄａＢｏｏｓｔ３０は、加速度センサ１４の装着され得る身体部位ごと及び特徴量の種類ごとに、Ｔ個の弱識別器ｈ_ｔと、それらの弱識別器ｈ_ｔの出力が入力される一つの強識別器Ｈと、を有している。ＡｄａＢｏｏｓｔ３０による学習結果は、記憶装置１６に記憶される。

ＡｄａＢｏｏｓｔ３０は、単純でかつ識別力の比較的弱い弱識別器ｈ_ｔを逐次的に学習して強識別器Ｈを生成し、識別器としての精度を増強する。すなわち、ｎ個の入力ｘ_ｉ∈Ｘとその入力ｘ_ｉに対する正解ｙ_ｉ∈Ｙ＝｛±１｝との組（＝（ｘ_１，ｙ_１），・・・，（ｘ_ｎ，ｙ_ｎ））を学習データとして用い、Ｔ個の弱識別器ｈ_ｔ（ｘ）（ｔ＝１，２，・・・，Ｔ）を、信頼度α_ｔで重み付けをして結合することにより強識別器Ｈ（ｘ）を構成する。強識別器Ｈ（ｘ）は、入力されるＴ個の弱識別器ｈ_ｔ（ｘ）からの各出力を信頼度αで重み付けをして結合することにより、最終的な識別を行う（例えば、特徴量が閾値以下であるときはそのことを示す"−１"を出力し、一方、特徴量が閾値を超えるときはそのことを示す"＋１"を出力する。）。

尚、学習データの正解ｙ_ｉ（教師データ）は、例えば、識別結果としての出力について信頼性の比較的高い製品（例えば、運動実施者への装着部位が腰部に限定される一軸加速度センサ搭載の携帯機；株式会社スズケン製の商品（商品名＝ライフコーダ））を被験者に装着したときにその製品での識別結果として出力されるものを用い、或いは、予め正解ｙ_ｉが与えられた運動を被験者に行わせたときのその正解ｙ_ｉを用いる。また、この被験者は、運動強度の推定精度を向上させるうえで運動実施者自身であることが望ましい。

ＡｄａＢｏｏｓｔ３０は、ｔ回目の学習における入力ｘ_ｉの重みをＤ_ｔ（ｉ）とし、その重みの初期値をすべての入力について一様の値Ｄ_１（ｉ）＝１／Ｎとしたうえで、各回において正しく識別できなかった入力データの重みを大きくし正しく識別できたデータの重みを小さくすることにより、前回正しく識別できなかった入力データを次の回において重点的に学習する。すなわち、重みの分布Ｄ_ｔの基で次式（１）の誤り率ε_ｔをできるだけ小さくするように弱識別器ｈ_ｔを選び出す。

ＡｄａＢｏｏｓｔ３０は、まず、重み初期値Ｄ_１（ｉ）＝１／Ｎによって初期化を行う。そして次に、各弱識別器について、重みの分布Ｄ_ｔに基づき学習を行う。つまり、上記した式（１）の最小化を行い、ｈ_ｔ：Ｘ→Ｙを得る。また、各弱識別器について、誤り率ε_ｔを用いて次式（２）の如く信頼度α_ｔ∈Ｒを計算する。更に、各弱識別器について、次式（３）により重みの分布Ｄ_ｔを更新する。

但し、Ｚ_ｔは、次式（４）を成立させるための規格化因子であり、次式（５）である。

そして、ＡｄａＢｏｏｓｔ３０は、すべての弱識別器ｈ_ｔ（ｘ）をその信頼度α_ｔで重み付けをして多数決をとり、次式（６）の如く強識別器Ｈ（ｘ）を得る。

このように、本実施例のＡｄａＢｏｏｓｔ３０による学習によれば、加速度センサ１４が装着され得る身体部位ごと、かつ、加速度センサ１４の出力から抽出される各特徴量の種類ごとに、運動実施者の運動強度を推定するうえで最適な閾値を設定することができ、各特徴量の二値識別を運動強度に合わせた最適なものとすることができる。そして、加速度センサ１４が装着され得る身体部位ごとに、全特徴量それぞれの設定閾値を組み合わせることで、運動強度クラス別の関係マップを生成することができる。尚、三段階以上（本実施例では五段階）の運動強度クラスを切り分ける必要のある多値判別問題は、ＥＣＯＣ（error-correcting output coding）法などを用いて複数の二値判別問題に分解するものとすればよい。

本実施例において、加速度センサ１４が装着され得る身体部位ごとに上記の如く生成された関係マップは、更新されて記憶装置１６に格納される。記憶装置１６に格納された身体部位ごとの関係マップは、パターン選択・認識部２６における運動実施者の運動強度の推定の際に読み出される。パターン選択・認識部２６は、記憶装置１６から読み出したセンサ装着身体部位に対応する上記の関係マップに従って、加速度センサ１４からの各特徴量をそれぞれ二値的に閾値処理し、その特徴パターンから運動強度クラスを推定する。

かかる構成によれば、携帯機１０が運動実施者の身体部位の中で予め定められた部位に装着されると、その装着部位に対応した，複数種類の特徴量と運動強度クラスとの関係マップが記憶装置１６から読み出され、その関係マップに従った識別器３２により加速度センサ１４からの各特徴量が閾値処理される。このため、センサ装着身体部位が予め定められた何れの身体部位であっても、運動強度クラスを推定するうえで用いる関係マップをそのセンサ装着身体部位に応じたものに切り替えることで、運動実施者の運動強度クラスを推定することができる。

また、本実施例において、運動強度クラスを推定するうえで用いられる記憶装置１６内の関係マップは、センサ装着身体部位ごとに定められたものであり、ＡｄａＢｏｏｓｔ３０を用いて教師データに従って学習されたものである。このため、センサ装着身体部位が予め定められた何れの身体部位であっても、運動強度を推定するうえで行われる各特徴量の識別を運動強度にあわせた最適なものとすることができるので、各センサ装着身体部位での運動強度の推定精度を向上させることができる。

従って、本実施例の運動強度推定システムによれば、運動実施者への携帯機１０の装着身体部位についてポジションフリーでの運動強度推定を実現しつつ、各センサ装着身体部位での運動強度の推定精度を向上させることが可能となっている。

また、上記した本実施例の構成においては、運動実施者の運動強度を推定するうえで、加速度センサ１４からの各特徴量をそれぞれ個々に二値判別する複数の単純な識別器３２を用いるので、その計算時間が増大するのは回避される。また、個々の識別器３２は、複数の弱識別器ｈの出力がそれぞれの信頼度αで重み付けされて結合されることで得られる最終的な強識別器Ｈであるので、その識別の精度が低下するのは防止される。従って、本実施例の運動強度推定システムによれば、運動実施者の運動強度の推定を簡易な構成で高速にかつ高精度に実現することが可能となっている。

尚、運動強度クラスを推定するうえで用いられる記憶装置１６内の関係マップは、上記の如く、ＡｄａＢｏｏｓｔ３０を用いて教師データに従って学習されるが、運動実施者の運動強度を推定するのに加速度センサ１４の出力に基づく別の特徴量などが新たに追加される場合、それまでに学習・構築されたＡｄａＢｏｏｓｔ３０を一つのモジュールとして利用して、新たに運動実施者の運動強度を推定するシステムを構築することができる。すなわち、既存のＡｄａＢｏｏｓｔ３０を１段目に設定し、そのＡｄａＢｏｏｓｔ３０の出力を２段目の新たなＡｄａＢｏｏｓｔの入力に接続して、運動実施者の運動強度を推定するうえでＡｄａＢｏｏｓｔ３０をそのままに一つの弱識別器として利用する。この場合には、新たな特徴量を含めたＡｄａＢｏｏｓｔを構築して総合的・複合的に運動実施者の運動強度を推定することができる。

このため、かかる構成によれば、運動実施者の運動強度を推定するのに新たな特徴量が追加される場合、その新規特徴量を運動実施者の運動強度の推定に容易に適合させることができ、運動実施者の運動強度を推定するシステムの拡張性を確保しつつその推定精度の向上を図ることが可能となっている。

尚、かかる構成において、新たに構築される後段のＡｄａＢｏｏｓｔによる演算は、前段のＡｄａＢｏｏｓｔ３０の演算に影響を与えることはなく、また、新規特徴量に係る弱識別器によるものとＡｄａＢｏｏｓｔ３０の演算結果との結合によるものであるので、あまり複雑ではない。このため、運動実施者の運動強度を推定するのに新たな特徴量が追加される場合にも、その追加に起因して運動実施者の運動強度の推定に要する演算時間があまり長くなることはなく、短時間でその推定を実現させることが可能である。従って、かかる構成によれば、運動実施者の運動強度の推定を簡易な構成で高速にかつ高精度に実現させつつ、その推定システムの拡張性を確保することが可能となっている。

ところで、上記の実施例においては、加速度センサ１４が特許請求の範囲に記載した「運動センサ」に、記憶装置１６が特許請求の範囲に記載した「学習値記憶手段」に、マイクロコンピュータ１２の特徴量抽出部２２が特許請求の範囲に記載した「特徴量抽出手段」に、センサ装着位置検出部２４が特許請求の範囲に記載した「装着部位特定手段」に、パターン選択・認識部２６が特許請求の範囲に記載した「推定手段」に、ＡｄａＢｏｏｓｔ３０が特許請求の範囲に記載した「学習手段」に、それぞれ相当している。

尚、上記の実施例においては、加速度センサ１４の出力に基づく各特徴量を二値識別して運動実施者の運動強度を推定することとしているが、本発明はこれに限定されるものではなく、他の要素、例えば、単位時間当たりの歩数などをも判定して運動実施者の運動強度を推定することとしてもよい。

また、上記の実施例においては、運動実施者の身体に生ずる加速度を検知するのに、互いに直交する三軸それぞれに生ずる加速度を検知する三軸の加速度センサ１４を用いるが、互いに直交する二軸（例えば、前後方向の軸及び上下方向の軸）それぞれに生ずる加速度を検知する二軸の加速度センサを用いることとしてもよい。また、加速度センサ１４を半導体ウェハ上に形成した半導体式のものとしたが、一般的な機械式のものや光学的のものとしてもよい。

また、上記の実施例においては、運動実施者の運動強度を推定するのに、運動実施者の身体に生ずる加速度を検知する加速度センサ１４を用いることとしているが、気圧変化に基づいて運動実施者の身体に生ずる上下の運動を検知する高度センサ（気圧センサ）や、運動実施者の身体に生ずる角速度を検知するジャイロセンサなどを用いることとしてもよい。この場合、高度センサやジャイロセンサが特許請求の範囲に記載した「運動センサ」に相当する。

１０携帯機
１２マイクロコンピュータ
１４加速度センサ
１６記憶装置
３０ＡｄａＢｏｏｓｔ
３２識別器

Claims

運動実施者の身体に生ずる運動を検知する運動センサを備え、該運動センサによる検知結果に基づいて運動実施者の運動強度を推定する運動強度推定システムであって、
前記運動センサが装着され得る身体部位ごとに学習された、前記運動強度を示すパラメータとしての複数の特徴量と前記運動強度のクラスとの関係を記憶する学習値記憶手段と、
前記運動センサによる検知結果から前記各特徴量をそれぞれ抽出する特徴量抽出手段と、
前記運動センサが装着される身体部位を特定する装着部位特定手段と、
前記特徴量抽出手段により抽出される前記各特徴量、及び、前記装着部位特定手段により特定される前記運動センサが装着される身体部位に基づいて、前記学習値記憶手段に記憶されている前記関係に従って、前記運動強度を推定する推定手段と、
を備えることを特徴とする運動強度推定システム。
前記各特徴量をそれぞれ二値的に識別する複数の識別器による識別結果と、教師データと、に基づいて、前記運動センサが装着され得る身体部位ごとの前記学習値記憶手段に記憶される前記関係を学習する学習手段を備えることを特徴とする請求項１記載の運動強度推定システム。
前記推定手段は、前記特徴量抽出手段により抽出される前記各特徴量をそれぞれ二値的に識別する複数の識別器による識別結果、及び、前記装着部位特定手段により特定される前記運動センサが装着される身体部位に基づいて、前記運動強度を推定することを特徴とする請求項２記載の運動強度推定システム。