JP2017023449A - 活動量推定装置、活動量推定方法、プログラム、モデル生成装置、及びモデル生成方法 - Google Patents

Abstract

【課題】生体の動きに基づく身体活動量の推定精度を向上した活動量推定装置を提供する。
【解決手段】センサ２により検出された生体の動きを示すセンサ信号に基づいて、生体の動きの特徴量を算出する特徴量算出部と、所定の動きの特徴量と、所定の動きに対応する活動量とを組とする複数のデータに基づいて生成された回帰学習モデルを用いることにより、特徴量算出部により算出された生体の動きの特徴量に基づいて、生体の動きに対応する活動量を推定する活動量推定部と、を備える活動量推定装置２０が提供される。
【選択図】図１

Description

本発明は、活動量推定装置、活動量推定方法、プログラム、モデル生成装置、及びモデル生成方法に関する。

近年、非接触のセンサにより検出された被験者などの生体の動きに由来する信号に基づいて、生体の身体活動量を推定する技術が開発されている。例えば、下記特許文献１には、焦電型赤外線センサから出力された出力信号の周波数成分および電力成分に基づいて生体の身体の動きのカテゴリーを推定し、上記カテゴリーに対応する活動量を出力する技術が開示されている。

特開平６−１３７６３９号公報

上記特許文献１においては、生体の身体の動きのカテゴリーを推定することにより活動量が算出される。しかし、センサにより検出された生体の身体の動きから直接的に身体活動量が推定されているわけではない。そのため、生体の身長、体重、体格、または身体の動かし方によっては、推定された身体活動量と実際の身体活動量が異なることが考えられる。したがって、生体の動きに基づいて推定される身体活動量の精度は高くなかった。

そこで、本発明は、上記問題に鑑みてなされたものであり、本発明の目的とするところは、生体の動きに基づく身体活動量の推定精度を向上させることが可能な、新規かつ改良された活動量推定装置を提供することにある。

上記課題を解決するために、本発明のある観点によれば、センサにより検出された生体の動きを示すセンサ信号に基づいて、上記生体の動きの特徴量を算出する特徴量算出部と、所定の動きの特徴量と、上記所定の動きに対応する活動量とを組とする複数のデータに基づいて生成された回帰学習モデルを用いることにより、上記特徴量算出部により算出された上記生体の動きの特徴量に基づいて、上記生体の動きに対応する活動量を推定する活動量推定部と、を備える活動量推定装置が提供される。

上記回帰学習モデルは、サポートベクタ回帰により生成される回帰学習モデルであり、上記活動量推定部は、上記サポートベクタ回帰により生成される上記回帰学習モデルを構成するサポートベクタと、上記生体の動きの特徴量とを用いて、上記生体の動きに対応する活動量を算出してもよい。

上記所定の動きに対応する活動量は、生体により上記所定の動きを行う際に計測される上記生体の酸素摂取量に基づいて決定されてもよい。

上記特徴量算出部は、上記センサ信号の波形に基づいて上記特徴量を算出してもよい。

上記特徴量算出部は、所定区間における上記センサ信号の波形のゼロ交差数を用いて上記特徴量を算出してもよい。

上記特徴量算出部は、所定区間における上記センサ信号の波形のピーク数を用いて上記特徴量を算出してもよい。

上記特徴量算出部は、上記センサ信号の波形をフーリエ変換することにより得られる上記センサ信号の振幅スペクトルを用いて上記特徴量を算出してもよい。

上記特徴量算出部は、上記センサ信号の振幅の変化に基づいて上記特徴量を算出してもよい。

上記所定の動きは、上記生体の体幹部の動き、または上記生体の四肢部の各々の動きの少なくともいずれかを含んでもよい。

上記活動量推定装置は、上記活動量推定部により推定された上記生体の動きに対応する活動量、および上記生体の体重に基づいて、上記生体の消費カロリーを算出する消費エネルギー算出部をさらに備えてもよい。

上記センサはドップラーセンサであってもよい。

また、上記課題を解決するために、本発明の別の観点によれば、センサにより検出された生体の動きを示すセンサ信号に基づいて、上記生体の動きの特徴量を算出するステップと、所定の動きの特徴量と、上記所定の動きに対応する活動量とを組とする複数のデータに基づいて生成された回帰学習モデルを用いることにより、上記生体の動きの特徴量に基づいて、上記生体の動きに対応する活動量を推定するステップと、を含む活動量推定方法が提供される。

また、上記課題を解決するために、本発明の別の観点によれば、コンピュータを、センサにより検出された生体の動きを示すセンサ信号に基づいて、上記生体の動きの特徴量を算出する特徴量算出部と、所定の動きの特徴量と、上記所定の動きに対応する活動量とを組とする複数のデータに基づいて生成された回帰学習モデルを用いることにより、上記特徴量算出部により算出された上記生体の動きの特徴量に基づいて、上記生体の動きに対応する活動量を推定する活動量推定部と、として機能させるためのプログラムが提供される。

また、上記課題を解決するために、本発明の別の観点によれば、センサにより検出された生体による所定の動きを示すセンサ信号に基づいて、上記所定の動きの特徴量を算出する特徴量算出部と、上記所定の動きの特徴量と、上記所定の動きに対応する活動量とを組とする複数のデータに基づいて回帰学習モデルを生成するモデル生成部と、を備えるモデル生成装置が提供される。

上記所定の動きに対応する活動量は、上記生体により上記所定の動きを行う際に計測される上記生体の酸素摂取量に基づいて決定されてもよい。

また、上記課題を解決するために、本発明の別の観点によれば、センサにより検出された生体による所定の動きを示すセンサ信号に基づいて、上記所定の動きの特徴量を算出するステップと、上記所定の動きの特徴量と、上記所定の動きに対応する活動量とを組とする複数のデータに基づいて回帰学習モデルを生成するステップと、を含むモデル生成方法が提供される。

以上説明したように本発明によれば、生体の動きに基づく身体活動量の推定精度を向上させることが可能である。

本発明の一実施形態に係る活動量推定システムの概要を示す図である。 本発明の第１の実施形態に係るモデル生成装置の構成例を示すブロック図である。 信号・活動量ＤＢに格納されている信号・活動量データリストの一例を示す図である。 信号データＡｍｐ（ｎ）の波形のゼロ交差数について説明するための図である。 信号データＡｍｐ（ｎ）の波形のピーク数について説明するための図である。 信号データＡｍｐ（ｎ）の波形の複数のゼロ交差数の分布について説明するための図である。 信号データＡｍｐ（ｎ）の時間差分について説明するための図である。 信号データＡｍｐ（ｎ）の周波数領域におけるビン、およびビンにおける平均パワーを説明するための図である。 同実施形態に係るモデル生成装置の動作例を示すフローチャートである。 同実施形態に係るモデル生成装置による信号・活動量データリストの生成処理フローを示すフローチャートである。 同実施形態に係るモデル生成装置による回帰学習モデルの生成処理フローを示すフローチャートである。 同実施形態に係る活動量推定装置の構成例を示すブロック図である。 同実施形態に係る活動量推定装置の動作例を示すフローチャートである。 本発明の第２の実施形態に係る活動量推定装置の構成例を示すブロック図である。 同実施形態に係る活動量推定装置の動作例を示すフローチャートである。 本開示の実施形態に係る情報処理装置のハードウェア構成例を示すブロック図である。

以下に添付図面を参照しながら、本発明の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。

＜１．活動量推定システムの概要＞
本発明の一実施形態に係る活動量推定システム１は、予めモデル生成装置１０により所定の動き、および医学的に算出された所定の動きに対応する身体活動量に基づいて生成された回帰学習モデルを活動量推定装置２０に適用させ、センサ２により検出された生体の動きに基づいて活動量推定装置２０により生体の身体活動量を推定するシステムである。以下、活動量推定システム１の概要について説明する。

図１は、本発明の一実施形態に係る活動量推定システム１の概要を示す図である。活動量推定システム１においては、実施される処理に応じて構成が異なる。例えば、図１を参照すると、回帰学習モデルを生成するモデル生成処理を実施する際は、活動量推定システム１は、センサ２、活動量測定デバイス３、およびモデル生成装置１０を備える構成を有する。一方、生体の身体活動量の推定処理を実施する際は、活動量推定システム１は、センサ２、および活動量推定装置２０を備える構成を有する。なお、センサ２、およびモデル生成装置１０は、一体となってモデル生成装置を構成してもよいし、センサ２、および活動量推定装置２０は、一体となって活動量推定装置を構成してもよい。

（センサ）
センサ２は、図１に示すように、部屋の天井等に設置される非接触型のセンサである。センサ２は、いわゆる人感センサであってもよい。例えば、センサ２は、例えば、検出エリアである部屋の屋内に向けて、光、電磁波、または音波等の放射波を放射し、生体（例えば図１においては被験者Ｐ）により反射された反射波を受信する電波センサであってもよい。上記電波センサは、例えばドップラーセンサであってもよい。このとき、反射波の周波数は、物体の振動等の運動により生じるドップラー効果により、放射波の周波数から変化する。センサ２は、放射波の周波数と反射波の周波数との差分の周波数を有する信号を生成する。上記センサ２による信号の生成について、詳しくは後述する。センサ２は、生成した信号を、モデル生成装置１０、または活動量推定装置２０のいずれかに出力する。

なお、センサ２は、生体の動きが検出可能であれば任意の位置に設置可能である。また、図１に示した例では、センサ２は放射波の送信部と反射波の受信部とが一体となって構成されているが、センサ２は、送信部と受信部とを分離した構成により実現されてもよい。また、センサ２が放射する放射波は、物体の振動によりドップラー効果を生じさせることが可能であれば、任意の周波数帯の波であってもよい。例えば、放射波は、人の動きを検出可能な周波数帯の波であることが好ましい。また、センサ２は、モデル生成処理と活動量推定処理とにおいて設置される環境が異なってもよい。例えば、モデル生成処理においては、生体の単一の動きの信号を検出する必要があるため、センサ２は、防音室など、外乱を遮断可能な部屋に設けられてもよい。一方、活動量推定処理においては、人などの生体の動きを検出することが求められる場所であれば、センサ２の設置場所は特に限定されない。例えば、センサ２は、部屋のみならず、パーティションや柵等で仕切られた区画に設置されてもよい。また、センサ２は、運動施設、医療施設、介護施設、養護施設、アトラクション施設、刑事施設、家、ホテル、マンション、ビルなどの建造物の内部に設置されてもよい。また、生体の種類も、人物に限定されない。

なお、本実施形態においては、センサ２は電波センサ（ドップラーセンサ）であることが好ましい。例えば、センサ２が赤外線センサである場合、生体の動きを検出することは出来るが、睡眠状態など生体が静止している場合にその生体の状態の検出が困難となる。一方で、センサ２が電波センサである場合、生体が静止している場合においても、生体の呼吸等の体幹の動きを検出することができる。そのため、生体が静止している状態の検出を短時間で行うことができる。

（活動量測定デバイス）
活動量測定デバイス３は、生体の身体の動きによる身体活動量を測定する装置である。ここで、本明細書において身体活動量とは、ＭＥＴｓ（ＭＥＴａｂｏｌｉｃ ｅｑｕｉｖａｌｅｎｔｓ：代謝当量）値と呼ばれる安静時の何倍の代謝が行われているかを示す値である。具体的には、ＭＥＴｓ値は、安静時の酸素摂取量を基準とする様々な動作や運動における酸素摂取量によって定められる値である。酸素摂取量に基づくＭＥＴｓ値の算出方法は、例えば、S．Glass，G．B．Dwyer，“ACSM's Metabolic Calculations Handbook”，Lippincott Williams & Wilkins，2007等の公知文献に開示されている。活動量測定デバイス３は、例えば、生体の酸素摂取量を測定可能な呼気ガス分析計であってもよい。呼気ガス分析計は、人物に装着されるマスクおよびチューブ等を通して体内に供給される酸素流量等に基づいて酸素摂取量を測定する装置である。これにより、人物が摂取する酸素摂取量から直接ＭＥＴｓ値を算出することが可能となる。つまり、文献等には記載されていないような動きや、体格の異なる人物の動きに対応するＭＥＴｓ値を、酸素摂取量から直接算出することができる。これにより、生成される回帰学習モデルによる活動量推定処理の精度が向上する。また、活動量測定デバイス３は、例えば、生体の一部に装着される活動量算出器であってもよい。活動量算出器は、加速度センサ等により人物の移動、昇降、または姿勢を推定し、推定結果に応じて活動量を算出する装置である。これにより、容易に人物の身体の運動による身体活動量を計測することが可能である。

活動量測定デバイス３は、センサ２による生体の身体の動きの検出と同時に、生体の身体活動量を測定する。これにより、モデル生成装置１０において、生体の身体の動きに対応する信号データおよび身体活動量データを組とするデータリストが作成される。活動量測定デバイス３は、身体活動量の測定値をモデル生成装置１０に出力する。

（モデル生成装置）
モデル生成装置１０は、所定の生体の動きのモデル生成処理に用いられる装置である。モデル生成装置１０は、例えば、ネットワーク上の一または複数の情報処理装置によって実現されてもよい。より具体的には、モデル生成装置１０は、サーバやＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）等により実現されてもよい。モデル生成装置１０は、所定の生体の動きに由来する信号をセンサ２から取得するとともに、所定の生体の動きに対応する身体活動量を活動量測定デバイス３から取得する。そして、モデル生成装置１０は、各所定の生体の動きの信号と各生体の動きに対応する身体活動量とに基づいて回帰学習モデルを生成する。生成された回帰学習モデルは、活動量推定装置２０において用いられる。

ここで、本明細書において生体の動きには、人物の動きのみならず、例えば、動物の動きなど、人物以外の動きも含まれる。また、人物の動きもさらに細分化されてもよい。例えば、寝ているときの動きや、座っているときの動きも、人物の動きに含まれてよい。また、人物の動きは、例えば体幹のみの動き、四肢部のみの動き、または体幹と四肢部の動きの組み合わせであってもよい。体幹と四肢部とでは動きのダイナミクスが異なるので、動きに対応する身体活動量も異なるためである。

（活動量推定装置）
活動量推定装置２０は、生体の動きに対応する身体活動量の推定処理に用いられる装置である。活動量推定装置２０は、例えば、ネットワーク上の一または複数の情報処理装置によって実現されてもよい。より具体的には、活動量推定装置２０は、サーバやＰＣ等により実現されてもよい。活動量推定装置２０は、センサ２により検出された生体の動きに由来する信号と、モデル生成装置１０により生成された回帰学習モデルとを用いることにより、生体の動きに対応する身体活動量を推定する。また、活動量推定装置２０は、例えば、不図示の通信部を介して、身体活動量の推定結果を有線または無線により外部装置等に送信することが可能である。これにより、上記外部装置において、身体活動量の推定結果を用いた処理を行うことが可能となる。身体活動量の推定結果を用いた処理により、例えば、被験者Ｐの消費カロリーの算出することが可能となる。なお、身体活動の推定結果を用いた処理については、上記のような外部装置ではなく、活動量推定装置２０本体において行うことも可能である。

なお、従来においても、生体の動きに対応する身体活動量を推定する技術について開発が進められていた。例えば、特開平６−１３７６３９号公報に開示された発明によれば、焦電型赤外線センサから出力された出力信号の周波数成分および電力成分に基づいて生体の身体の動きのカテゴリーを推定し、上記カテゴリーに対応する活動量を出力することができる。しかし、上記公報に開示された発明は、センサにより検出された生体の身体の動きから直接的に身体活動量を推定していない。そのため、身体の動きに応じて変化する身体活動量を正確に把握することはできなかった。

本発明の活動量推定システム１においては、モデル生成装置１０が複数の所定の動きに基づいて生成された身体活動量に係る回帰学習モデルを生成し、活動量推定装置２０が生成された回帰学習モデルを用いて生体の動きに対応する身体活動量を直接推定する。かかる構成において、回帰学習モデルに生体の動きを当てはめることにより、生体の動きと、回帰学習モデルの構成要素である所定の動きとの類似度に基づいて身体活動量が推定される。つまり、例えば、生体の動きが複雑な運動である場合においても、回帰学習モデルを適用させることにより、どのような動きと類似しているかを判別し、複数の動きとの類似具合に応じた身体活動量が算出される。これにより、生体の様々な動きに対して、身体活動量を直接推定することができる。

＜２．第１の実施形態＞
以下、本発明の第１の実施形態に係るモデル生成装置１０、および活動量推定装置２０について説明する。

［２．１．モデル生成装置］
（１）構成
図２は、本発明の第１の実施形態に係るモデル生成装置１０の構成例を示すブロック図である。図２を参照すると、モデル生成装置１０は、信号取得部１１０、活動量取得部１２０、信号・活動量ＤＢ（データベース）１２１、フィルタ部１３０、特徴量算出部１４０、モデル生成部１５０、および回帰学習モデルＤＢ１５１を備える。モデル生成装置１０は、センサ２により検出される既知の所定の動きに由来する信号から算出される特徴ベクトルから構成される特徴空間と、活動量測定デバイス３より測定される上記所定の動きに対応する身体活動量とを組とする複数のデータから、回帰学習モデルを生成する。生成された回帰学習モデルは、活動量推定装置２０において用いられる。以下、本実施形態に係るモデル生成装置１０について説明する。

（信号取得部）
信号取得部１１０は、不図示の通信部または入力部等を介して、センサ２から出力される信号データを取得する。本実施形態において、センサ２はドップラーセンサである。センサ２から出力される信号データは、時系列のデジタル信号からなるデータであり、Ｉ成分であるＩ（ｎ）とＱ成分であるＱ（ｎ）の２成分を有する。信号取得部１１０は、取得した信号データ（Ｉ（ｎ）、Ｑ（ｎ））を信号・活動量ＤＢ１２１に出力する。

ここで、信号取得部１１０が取得する信号データ（Ｉ（ｎ）、Ｑ（ｎ））について説明する。所定の動きを検出するセンサ２は、例えば、下記の手段により信号データ（Ｉ（ｎ）、Ｑ（ｎ））を得る。まず、センサ２は、被験者に対して下記式（１）に示される放射波Ｖ_ｔ（ｔ）を放射する。

ここで、Ａ_ｔは放射波Ｖ_ｔ（ｔ）の振幅であり、ｆ_０は放射波Ｖ_ｔ（ｔ）の周波数であり、φ_０は放射波Ｖ_ｔ（ｔ）の初期位相である。次に、センサ２は、放射波Ｖ_ｔ（ｔ）を受けた被験者から反射された反射波Ｖ_ｒ（ｔ）（下記式（２））を受信する。

ここで、Ａ_ｒは反射波Ｖ_ｒ（ｔ）の振幅であり、ｆ_ｄはドップラー周波数であり、φは放射波Ｖ_ｔ（ｔ）と反射波Ｖ_ｒ（ｔ）の位相差である。反射波Ｖ_ｒ（ｔ）を受信したセンサ２は、反射波Ｖ_ｒ（ｔ）を位相検波する。位相検波とは、放射波Ｖ_ｔ（ｔ）と同相成分の波、または直交成分の波を掛け合わせて、ＬＰＦ（Low Pass Filter：ローパスフィルタ）処理をかけて低周波成分を抽出することである。反射波Ｖ_ｒ（ｔ）を位相検波することにより、生体の動きに由来するドップラー周波数を含むＩＦ（Intermediate Frequency）信号を検出することができる。ＩＦ信号には、Ｉ信号およびＱ信号が含まれる。Ｉ信号は、反射波Ｖ_ｒ（ｔ）に放射波Ｖ_ｔ（ｔ）の同相成分を掛け合わせることにより得られる。具体的には、Ｉ信号は、下記式（３）により表現される。また、Ｑ信号は、反射波Ｖ_ｒ（ｔ）に放射波Ｖ_ｔ（ｔ）の直交成分を掛け合わせることにより得られる。具体的には、Ｑ信号は、下記式（４）により表現される。

上記式（３）および式（４）により表現されるＩ信号およびＱ信号にＬＰＦ処理を行うと、下記式（５）および式（６）により表現されるアナログＩＦ信号（Ｉ（ｔ）、Ｑ（ｔ））が得られる。

そして、センサ２は、アナログＩＦ信号（Ｉ（ｔ）、Ｑ（ｔ））をＡ／Ｄ変換処理によりデジタル信号データ（Ｉ（ｎ）、Ｑ（ｎ））に変換する。Ａ／Ｄ変換処理に係るサンプリング周波数は特に限定されないが、生体の動きを判別するためには、１００Ｈｚ以上であることが好ましい。センサ２は、信号データ（Ｉ（ｎ）、Ｑ（ｎ））を信号取得部１１０に出力する。また、生体の動きの検出時間は特に限定されないが、生体の動きが安定した状態の信号データを取得するために、５分程度以上であることが好ましい。

なお、上記の位相検波処理、ＬＰＦ処理、およびＡ／Ｄ変換処理は、センサ２ではなく、信号取得部１１０により行われてもよい。例えば、センサ２は放射波Ｖ_ｔ（ｔ）および反射波Ｖ_ｒ（ｔ）を信号取得部１１０に出力し、信号取得部１１０が上記の位相検波処理、ＬＰＦ処理、およびＡ／Ｄ変換処理を行うことにより信号データ（Ｉ（ｎ）、Ｑ（ｎ））を取得してもよい。

（活動量取得部）
活動量取得部１２０は、不図示の通信部または入力部等を介して、活動量測定デバイス３から出力される身体活動量データを取得する。身体活動量データには、活動量測定デバイス３により測定されたＭＥＴｓ値等が含まれる。ＭＥＴｓ値の測定時間は、上述したセンサ２による生体の動きの検出時間のうち、最後の数分間であってもよい。これは、上述したように、生体の動きが安定した状態における活動量を測定するためである。活動量取得部１２０に出力される身体活動量データには、測定時間における時系列のＭＥＴｓ値が含まれていてもよいし、測定時間におけるＭＥＴｓ値の平均値や中間値等の統計量が含まれていてもよい。活動量取得部１２０は、取得したＭＥＴｓ値等の身体活動量データを、信号・活動量ＤＢ１２１に出力する。

なお、例えば、活動量測定デバイス３が上記の呼気ガス検出器である場合は、活動量取得部１２０は、呼気ガス検出器によって検出された酸素摂取量を含むデータを取得してもよい。この場合、活動量取得部１２０は、取得した酸素摂取量に基づいてＭＥＴｓ値を算出してもよい。

（信号・活動量ＤＢ）
信号・活動量ＤＢ１２１は、信号取得部１１０より取得した信号データ、および活動量取得部１２０より取得した身体活動量データを格納するデータベースである。データベースは複数のデータリストを有し、データリストは複数のデータセットにより構成される。図３は、信号・活動量ＤＢ１２１に格納されている信号・活動量データリストの一例を示す図である。図３を参照すると、信号・活動量データリスト１００には、信号取得部１１０より取得した所定の動きに由来する信号データのデータファイル（ｄａｔａＡ１．ｔｘｔ、ｄａｔａＡ２．ｔｘｔ、・・・、ｄａｔａＢ７．ｔｘｔ）、および活動量取得部１２０より取得した、所定の動きに対応する身体活動量データ（ＭＥＴｓ値）が、ＩＤ、サンプル、および動作とともにデータセットとして記憶されている。ＩＤは、取得された信号データおよび身体活動量データの組ごとに割り振られるインデックスである。サンプルは、信号データおよび身体活動量データの取得のために所定の動きを行った人物を示す名称や識別子等である。被験者の数は特に限定されない。動作は、人物が実施した所定の動きであり、一のデータリストに複数の所定の動きが設定され得る。図３に示した信号・活動量データリスト１０００においては、ＩＤ１〜７には人物Ａによる複数の所定の動きに係る信号データファイルおよびＭＥＴｓ値が、ＩＤ８〜１４には人物Ｂによる複数の所定の動きに係る信号データファイルおよびＭＥＴｓ値が、それぞれ記憶されている。動作には、「寝る演技」等の安静状態や、「ジョギング」等の激しい運動状態などの様々な動きが含まれている。また、動作には、「字を書く」等の四肢部の動きや、「体幹部ストレッチ」等の体幹の動きが含まれている。

このように、信号・活動量ＤＢ１２１は、ＩＤ、被験者、動作、動作に対応する信号データ、および動作に対応するＭＥＴｓ値を含む複数のデータセットからなる信号・活動量データリストを格納する。なお、これらのデータセットおよびデータリストは、不図示の入力部や通信部などを介して、モデル生成装置１０の管理者により適宜追加、修正、または削除されてもよい。生成されたデータリストは、フィルタ部１３０に出力される。

（フィルタ部）
フィルタ部１３０は、信号・活動量ＤＢ１２１から取得したデータリストに含まれている信号データにフィルタ処理を実施する。データリストに含まれている信号データには、生体の動きとは無関係の、高周波成分のノイズが多く含まれている。そのため、フィルタ部１３０は、ＬＰＦ処理を実施することにより、これらのノイズを除去または低減する。

フィルタ部１３０は、まず、データリストに格納されているＩＤ＝ｍの信号データＩ_ｍ（ｎ）およびＱ_ｍ（ｎ）を取得する（ｎ＝１〜Ｎ）。ここで、Ｎは、信号データに含まれるサンプリング数を示す。

ここで、Ｉ_ｍ（ｎ）およびＱ_ｍ（ｎ）は、２次のＩＩＲ（Infinite Impulse Response：無限インパルス応答）フィルタによるＬＰＦ処理が実施されてもよい。ＬＰＦ処理におけるカットオフ周波数は、例えば５０Ｈｚであってもよい。かかるＬＰＦ処理により、信号データに含まれる高周波のノイズ成分を除去または減少することができる。ここで、ＩＩＲフィルタによるＬＰＦ処理が実施された後の信号データを、それぞれＩ_ｍ’（ｎ）およびＱ_ｍ’（ｎ）とする。

ＩＩＲフィルタによるＬＰＦ処理は、下記式（７）および式（８）を、ｎ＝１からＮまで順に繰り返し計算を行うことにより実施される。ここで、ｘ（ｎ）は入力値、ｙ（ｎ）は出力値である。例えば、下記式（１）において、ｘ（ｎ）にはＩ_ｍ（ｎ）およびＱ_ｍ（ｎ）が代入される。また、下記式（２）において、Ｉ_ｍ’（ｎ）およびＱ_ｍ’（ｎ）がｙ（ｎ）として出力される。また、ｋ、ａ_０、ａ_１、ａ_２、ｂ_１、およびｂ_２は、周波数帯域に応じて設計の段階で設定される係数である。

なお、Ａ（０）＝Ａ（−１）＝０である。

Ｉ_ｍ’（ｎ）およびＱ_ｍ’（ｎ）が出力された後、Ａ（ｎ−２）にはＡ（ｎ−１）の値が代入され、Ａ（ｎ−１）にはＡ（ｎ）の値が代入される。この代入処理をｎ＝１からＮまで実施することにより、ＬＰＦ処理が完了する。ＬＰＦ処理が完了した信号データを含むデータリストは、特徴量算出部１４０に出力される。

なお、本実施形態にかかるフィルタ部１３０は、ＬＰＦ処理としてＩＩＲフィルタを用いたが、本発明はかかる例に限定されない。例えば、フィルタ部１３０は、信号をフーリエ変換により周波数領域に変換し、所定外の周波数帯域の周波数を除去したのち、逆フーリエ変換により再度時間領域に信号を変換することにより、ＬＰＦ処理を行ってもよい。また、フィルタ部１３０は、上述した手法以外の公知の技術を用いてＬＰＦ処理を行ってもよい。

（特徴量算出部）
特徴量算出部１４０は、フィルタ部１３０から取得したデータリストに格納されているＬＰＦ処理後の信号データの特徴量を算出する。ここで、特徴量とは、信号データの波形に基づいて算出される特徴量である。例えば、特徴量には、信号データの波形の振幅や波形の周波数成分などにより算出される特徴量が含まれる。本実施形態においては、以下に説明するような複数の特徴量が算出され得る。なお、特徴量を算出するために用いられる信号データは、Ｉ’（ｎ）またはＱ’（ｎ）のいずれかであってもよい。また、Ｉ’（ｎ）およびＱ’（ｎ）の両方の特徴量が算出されてもよい。以降、特徴量の算出に用いられる信号データをＡｍｐ（ｎ）と表記する。

・特徴量１（ｆ_１）：ゼロ交差数
特徴量算出部１４０は、特徴量として、単位区間における信号データＡｍｐ（ｎ）の波形のゼロ交差数を算出してもよい。ゼロ交差数は、生体の身体全体の動きを反映する特徴量である。図４は、信号データＡｍｐ（ｎ）の波形のゼロ交差数について説明するための図である。図４に丸印で示したように、ゼロ交差数は、信号データＡｍｐ（ｎ）の波形が、単位区間Ｔ_ａにおいてゼロ値と交差する回数である。具体的には、ゼロ交差数は、時刻ｎを先頭とする単位区間Ｔ_ａにおけるＡ個のデータのうち、下記式（９）を満たすｉの数である（ただし、ｉ＝ｎ〜ｎ＋Ａ−１）。単位区間Ｔ_ａは、例えば１秒間であってもよく、その場合、Ａは１００（つまり、センサ２から出力される時系列デジタル信号データのサンプリング周波数＝１００Ｈｚ）であってもよい。

時刻ｎを先頭とする単位区間Ｔ_ａにおいて上記式（９）を満たすｉの数が、特徴量ｆ_１として算出される。

・特徴量２（ｆ_２）：ピーク数
特徴量算出部１４０は、特徴量として、単位区間における信号データＡｍｐ（ｎ）の波形のピーク数を算出してもよい。ここで、ピークとは、波形の極大または極小を意味する。ピーク数は、生体の四肢等による細かな動きを反映する特徴量である。図５は、信号データＡｍｐ（ｎ）の波形のピーク数について説明するための図である。図５に丸印で示したように、ピーク数（図５の場合は波形が極大となる数）は、信号データＡｍｐ（ｎ）の波形が、単位区間Ｔ_ａにおいて極大を示す回数である。具体的には、ピーク数は、時刻ｎを先頭とする単位区間Ｔ_ａにおけるＡ個のデータのうち、下記式（１０）を満たすｉの数である（ただし、ｉ＝ｎ〜ｎ＋Ａ−１）。

時刻ｎを先頭とする単位区間Ｔ_ａにおいて上記式（１０）を満たすｉの数が、特徴量ｆ_２として算出される。

なお、Ａｍｐ（ｎ）の波形のピーク数は、信号データＡｍｐ（ｎ）の波形が、単位区間Ｔ_ａにおいて極小を示す回数であってもよい。この場合、ピーク数は、時刻ｎを先頭とする単位区間Ｔ_ａにおけるＡ個のデータのうち、下記式（１１）を満たすｉの数である。（ただし、ｉ＝ｎ〜ｎ＋Ａ−１）。時刻ｎを先頭とする単位区間Ｔ_ａにおいて下記式（１１）を満たすｉの数が、特徴量ｆ_２として算出される。また、ピーク数は、単位区間Ｔ_ａにおいて極大および極小を示す回数の合計であってもよい。

・特徴量３（ｆ_３）：ゼロ交差数の分散と標準偏差
特徴量算出部１４０は、複数の連続する単位区間における信号データＡｍｐ（ｎ）のゼロ交差数の分布に基づいて特徴量を算出してもよい。ゼロ交差数の分布は、生体の身体全体の動きの安定度（同一の動きを持続しているか否か）を反映する特徴量である。具体的には、特徴量算出部１４０は、特徴量として、複数の連続する単位区間における信号データＡｍｐ（ｎ）のゼロ交差数の分散、または標準偏差の値を算出してもよい。図６は、信号データＡｍｐ（ｎ）の波形の複数のゼロ交差数の分布について説明するための図である。図６に示した丸印は、信号データＡｍｐ（ｎ）のゼロ値との交差点である。図６に示したように、対象区間Ｔ_Ｌには、Ｌ個の単位区間Ｔ_ａが含まれている。各々の単位区間に含まれる信号データＡｍｐ（ｎ）のゼロ交差数は、ｚｅｒｏ（ｌ）という値として算出される（ただし、ｌ＝１〜Ｌ）。Ｌの値は、例えば３０であってもよい。特徴量算出部１４０は、算出されたｚｅｒｏ（ｌ）の分布から、ゼロ交差数の分散ｚｅｒｏ＿ｖａｒ（ｎ）またはゼロ交差数の標準偏差ｚｅｒｏ＿ｓｔｄ（ｎ）を、下記式（１２）または式（１３）を用いて算出する。なお、特徴量算出部１４０は、ゼロ交差数の分散ｚｅｒｏ＿ｖａｒ（ｎ）または標準偏差ｚｅｒｏ＿ｓｔｄ（ｎ）のいずれかを特徴量ｆ_３として算出してもよいし、両者をそれぞれ信号データＡｍｐ（ｎ）の特徴量として採用してもよい。なお、Ｌの数は、分散および標準偏差の値を算出するために十分なサンプル数であることが好ましい。例えば、Ｌは、３０であってもよい。Ｔ_ａが１秒である場合、Ｔ_Ｌは３０秒となる。

・特徴量４（ｆ_４）：ピーク数の分散と標準偏差
特徴量算出部１４０は、複数の連続する単位区間における信号データＡｍｐ（ｎ）のピーク数の分布に基づいて特徴量を算出してもよい。ピーク数の分布は、生体の四肢等による細かな動きの安定度を反映する特徴量である。具体的には、特徴量算出部１４０は、特徴量として、複数の連続する単位区間における信号データＡｍｐ（ｎ）のピーク数の分散、または標準偏差の値を算出してもよい。特徴量ｆ_３と同様に、Ｌ個の単位区間Ｔ_ａを含む対象区間Ｔ_Ｌにおける、各々の単位区間に含まれる信号データＡｍｐ（ｎ）のピーク数は、ｐｅａｋ（ｌ）という値として算出される（ただし、ｌ＝１〜Ｌ）。特徴量算出部１４０は、算出されたｐｅａｋ（ｌ）の分布から、ピーク数の分散ｐｅａｋ＿ｖａｒ（ｎ）またはピーク数の標準偏差ｐｅａｋ＿ｓｔｄ（ｎ）を、下記式（１４）または式（１５）を用いて算出する。なお、特徴量算出部１４０は、ピーク数の分散ｐｅａｋ＿ｖａｒ（ｎ）または標準偏差ｐｅａｋ＿ｓｔｄ（ｎ）のいずれかを特徴量ｆ_４として算出してもよいし、両者をそれぞれ信号データＡｍｐ（ｎ）の特徴量として採用してもよい。

・特徴量５（ｆ_５）：時間差分の分散と標準偏差
特徴量算出部１４０は、単位区間における信号データＡｍｐ（ｎ）の時間差分の分布に基づいて特徴量を算出してもよい。ここで、時間差分とは、信号データＡｍｐ（ｎ）における、Ａｍｐ（ｎ）とＡｍｐ（ｎ−１）の差分ｄｖ（ｎ）を意味する。時間差分ｄｖ（ｎ）は、連続する時刻間における振幅の変化量であり、生体の動きの大小を反映する特徴量である。図７は、信号データＡｍｐ（ｎ）の時間差分について説明するための図である。図７（ａ）には信号データＡｍｐ（ｎ）の波形が示されており、図７（ｂ）には、信号データＡｍｐ（ｎ）の時間差分データｄｖ（ｎ）＝Ａｍｐ（ｎ）−Ａｍｐ（ｎ−１）の波形が示されている。特徴量算出部１４０は、単位区間Ｔ_ａにおける時間差分データｄｖ（ｎ）の分布に基づいて特徴量を算出する。具体的には、特徴量算出部１４０は、特徴量として、単位区間Ｔ_ａにおける時間差分データＡｍｐ’（ｎ）の分散または標準偏差の値を算出してもよい。時間差分データｄｖ（ｎ）の分散ｄｖ＿ｖａｒ（ｎ）および標準偏差ｄｖ＿ｓｔｄ（ｎ）は、下記式（１６）および式（１７）を用いて算出される。なお、特徴量算出部１４０は、時間差分データｄｖ（ｎ）の分散ｄｖ＿ｖａｒ（ｎ）または標準偏差ｄｖ＿ｓｔｄ（ｎ）のいずれかを特徴量ｆ_５として算出してもよいし、両者をそれぞれ信号データＡｍｐ（ｎ）の特徴量として採用してもよい。

上述した特徴量ｆ_１〜ｆ_５は、信号データＡｍｐ（ｎ）の時間領域における特徴量であるが、特徴量算出部１４０は、信号データＡｍｐ（ｎ）の周波数領域における特徴量を算出してもよい。例えば、特徴量算出部１４０は、信号データＡｍｐ（ｎ）をフーリエ変換することにより得られる周波数スペクトルに基づく特徴量を算出してもよい。以下に、信号データＡｍｐ（ｎ）の周波数領域における特徴量の算出方法について説明する。

まず、特徴量算出部１４０は、信号データＡｍｐ（ｋ）（ｋ＝１〜Ｎ）を高速フーリエ変換することにより、フーリエ係数ｚ_ｎを算出する（ｎ＝−Ｎ／２＋１、・・・、０、・・・、Ｎ／２）。例えば、フーリエ係数ｚ_ｎ（ａ_ｎ、ｂ_ｎ）は、下記式（１６）を用いて算出される。

ただし、Ｗ^ｐおよびｐは、下記式（１７）および式（１８）のように定義される。

すると、振幅スペクトルＰ_ｎは、フーリエ係数ｚ_ｎから下記式（１９）を用いて算出される。

ここで、振幅スペクトルＰ_ｎのｎは周波数インデックス（ｎ＝０，１，・・・，Ｎ／２）であり、ω_ｎは下記式（２０）により表現される。

ここで、ｆ_ｓは、フーリエ変換時のサンプリング周波数である。特徴量算出部１４０は、フーリエ変換により得られた周波数ω_ｎにおける振幅スペクトルＰ_ｎを用いて、以下の特徴量を算出する。

・特徴量６（ｆ_６）：平均周波数
特徴量算出部１４０は、特徴量として、信号データＡｍｐ（ｎ）の平均周波数を算出してもよい。平均周波数は、生体の身体の動きの速さを反映する特徴量である。平均周波数ｆ_ａｖｅは、下記式（２１）により算出される。

・特徴量７（ｆ_７）：最大振幅スペクトルの周波数インデックス
特徴量算出部１４０は、特徴量として、信号データＡｍｐ（ｎ）の最大振幅スペクトルｍａｘ（Ｐ_ｎ）を示す周波数インデックスを算出してもよい。最大振幅スペクトルは、生体の身体の特徴的な動きを反映する。

・特徴量８（ｆ_８）：平均パワースペクトルが最大のビン
特徴量算出部１４０は、信号データＡｍｐ（ｎ）のフーリエ係数系列Ｎ／２をＲ等分した各周波数帯（ビン）の平均パワーに基づいて特徴量を算出してもよい。図８は、信号データＡｍｐ（ｎ）の周波数領域におけるビン、およびビンにおける平均パワーを説明するための図である。図８に示すように、フーリエ係数系列Ｎ／２において、Ｒ等分された周波数帯（ビン）の平均パワーが、ｂｉｎ（１）、ｂｉｎ（２）、・・・、ｂｉｎ（Ｒ）としてヒストグラム状に示されている。Ｒのビンサイズは、ナイキスト周波数（ｆ_ｓ／２）の１０分の１から２０分の１程度であることが好ましい。これにより、信号データＡｍｐ（ｎ）に含まれるノイズによる最大振幅スペクトルの誤検出を抑制することができる。特徴量算出部１４０は、複数のｂｉｎ（ｒ）（ｒ＝１〜Ｒ：ビン番号）のうち最大となる平均パワーを示すビン番号を、特徴量ｆ_８として算出する。なお、ｂｉｎ（ｒ）は、下記式（２２）により算出される。

ここで、Ｂは、下記式（２３）により定義される値である。

なお、特徴量算出部１４０は、上記の特徴量ｆ_１〜ｆ_８に限られず、信号データＡｍｐ（ｎ）を用いてさらに他の特徴量を算出してもよい。算出する特徴量の種類を増やすことにより、信号データＡｍｐ（ｎ）の波形の特徴をより細かく抽出することができる。

特徴量算出部１４０は、まず、信号データから単位区間Ｔ_ａに含まれるＡ個のサンプリングデータをＪ組抽出し、単位区間Ｔ_ａのサンプリングデータごとに特徴量をそれぞれ算出する。つまり、一の信号データから、特徴量がＣ×Ｊ個抽出される（Ｃは特徴量の種類数）。次に、特徴量算出部１４０は、取得したデータリストに含まれるすべての信号データについて、特徴量を算出する。そして、特徴量算出部１４０は、算出した特徴量を成分とする特徴ベクトルを生成する。例えば、ｍ番目のシナリオに対応する信号データＡｍｐ（ｎ）の特徴ベクトルは、Ｆ_ｍ（ｊ）＝［ｆ_ｍ，１（ｊ），・・・，ｆ_ｍ，Ｃ（ｊ）］というベクトルを構成する。ここで、ｊは、上述したようなＡ個のサンプリングデータのうち、最もサンプリング時刻の古い時刻を示す。特徴量算出部１４０は、データリストに格納された全ての信号データに対して特徴ベクトルＦ_ｍ（ｊ）を生成し、生成した特徴ベクトルＦ_ｍからなる特徴行列Ｆ（ｊ）を生成する。特徴行列Ｆ（ｊ）は、下記式（２４）に示される行列により表される。そして、特徴量算出部１４０は、生成した特徴行列Ｆ（ｊ）（ただし、ｊ＝１〜Ｊ）をモデル生成部１５０に出力する。

（モデル生成部）
モデル生成部１５０は、特徴量算出部１４０から出力された特徴行列Ｆと、信号・活動量ＤＢ１２１の信号・活動量データリストに含まれるＭ個の動作に対応する身体活動量からなる身体活動量ベクトルＹとを組とするデータに基づいて、回帰学習モデルを生成する。具体的には、まず、モデル生成部１５０は、Ｊ個の特徴行列Ｆ（ｊ）からなる特徴空間を生成し、特徴空間と、Ｊ個の身体活動量ベクトルＹ（ｊ）＝［Ｙ_１，・・・，Ｙ_Ｍ］^Ｔとを組とするデータに基づいて回帰学習モデルを生成する。なお、身体活動量の値は対応するシナリオごとに割り振られるので、同一のシナリオ（つまり信号データ）に対応する身体活動量ベクトルＹ（ｊ）の構成は、ｊの値によらず同一である。

ここで、本実施形態において、回帰学習モデルは、例えば、ＳＶＲ（Support Vector Regression：サポートベクタ回帰）を用いて生成され得る。ＳＶＲは、例えば、SMOLA，Alex J. and Bernhard SCHOELKOPF，“A Tutorial on Support Vector Regression”，1998に開示されている内容に基づいて実現され得る。なお、回帰学習モデルは、上記の例に限定されず、例えば、カーネル法や重回帰分析等の公知の回帰分析手法により生成されてもよい。

ＳＶＲにより生成された回帰学習モデルは、Ｋ個の要素からなるサポートベクタ行列ｓと、それらの重みベクトルｃ、および閾値ｂにより構成される。具体的には、サポートベクタ行列ｓは下記式（２５）で示す行列により定義され、重みベクトルｃは下記式（２６）２６で示すベクトルにより定義される。また、閾値ｂは一意に定まる値である。また、サポートベクタ行列ｓの要素の数Ｋは、ＳＶＲによる計算の過程において一意に定まる。

なお、Ｊ個の特徴行列Ｆからなる特徴空間および身体活動量ベクトルＹにより構成されるデータについて、カーネルトリックを用いて非線形空間に写像することにより、回帰学習モデルを生成することも可能である。本実施形態においては、カーネルトリックとして、下記式（２７）で示すガウシアン型カーネル関数が用いられてもよい。この場合、ガウス関数の広がりを定義する係数σは、回帰学習モデルを構成する要素となる。

モデル生成部１５０は、Ｊ個の特徴行列Ｆからなる特徴空間および身体活動量ベクトルＹにより構成されるデータからＳＶＲ等の回帰分析を用いて生成した回帰学習モデルを、回帰学習モデルＤＢ１５１に出力する。

（回帰学習モデルＤＢ）
回帰学習モデルＤＢ１５１は、モデル生成部１５０より出力された回帰学習モデルを記憶するデータベースである。回帰学習モデルＤＢ１５１には、例えば、上記式（２４）〜式（２６）により生成された回帰学習モデルのサポートベクタ行列ｓ、重みベクトルｃ、閾値ｂ、およびガウシアン型カーネル関数の係数σ等が記憶される。回帰学習モデルＤＢ１５１には、一または複数の回帰学習モデルが記憶されてもよい。例えば、後述する活動量推定装置２０により推定される生体の種類や、生体の動きの種類に応じた回帰学習モデルが回帰学習モデルＤＢ１５１に記憶されてもよい。

回帰学習モデルＤＢ１５１に記憶された回帰学習モデルに係るデータは、活動量推定装置２０の回帰学習モデルＤＢ２４１に複製されて記憶される。これにより、活動量推定装置２０は、モデル生成装置１０により生成された回帰学習モデルを用いて、生体の身体の動きに対応する身体活動量を推定することができる。

（２）動作
図９は、本発明の第１の実施形態に係るモデル生成装置１０の動作例を示すフローチャートである。図９を参照すると、モデル生成装置１０は、まずセンサ２より信号データを、また、活動量測定デバイス３より身体活動量データを取得し、これらのデータから信号・活動量データリストを生成する（Ｓ１００）。そして、モデル生成装置１０は、信号・活動量データリストを用いて、回帰学習モデルを生成する（Ｓ２００）。以下、上記の２つの処理について、順に説明する。

図１０は、本発明の第１の実施形態に係るモデル生成装置１０による信号・活動量データリストの生成処理フローを示すフローチャートである。図１０を参照すると、まず、信号取得部１１０は、センサ２より信号データを取得する（Ｓ１０１）。また、センサ２による信号の検出と同時に活動量測定デバイス３により測定された身体活動量データを、活動量取得部１２０が取得する（Ｓ１０３）。取得された信号データ、および身体活動量データは、信号・活動量ＤＢ１２１の信号・活動量データリストに追加される（Ｓ１０５）。モデル生成装置１０は、生体による所定の動きの種類に応じて、上記の信号・活動量データリストの生成処理フローを繰り返し実施する。

図１１は、本発明の第１の実施形態に係るモデル生成装置１０による回帰学習モデルの生成処理フローを示すフローチャートである。図１１を参照すると、まず、信号・活動量ＤＢ１２１から、信号・活動量データリストがフィルタ部１３０に出力される（Ｓ２０１）。フィルタ部１３０は、信号・活動量データリストに含まれている各信号データについてＬＰＦ処理を実施する（Ｓ２０３）。ＬＰＦ処理が実施された各信号データは、特徴量算出部１４０に出力される。特徴量算出部１４０は、ＬＰＦ処理後の各信号データについて、特徴量を算出する（Ｓ２０５）。次に、特徴量算出部１４０は、算出した一または複数の特徴量により構成される特徴ベクトルを生成する（Ｓ２０７）。このとき、特徴量算出部１４０は、各信号データにより生成された特徴ベクトルにより構成される特徴行列を生成する。生成された特徴行列は、モデル生成部１５０に出力される。

次に、モデル生成部１５０は、複数の特徴行列からなる特徴空間を生成する（Ｓ２０９）。そして、モデル生成部１５０は、生成した特徴空間と、信号・活動データリストに含まれている複数の動作に対応する身体活動量データからなる身体活動量ベクトルとを組とするデータに基づき、回帰学習モデルを生成する（Ｓ２１１）。その後、モデル生成部１５０は、生成した回帰学習モデルを回帰学習モデルＤＢ１５１に出力する（Ｓ２１３）。

以上、本実施形態に係るモデル生成装置１０について説明した。続いて、本実施形態に係る活動量推定装置２０について説明する。

［２．２．活動量推定装置］
（１）構成
図１２は、本発明の第１の実施形態に係る活動量推定装置２０の構成例を示すブロック図である。図１２を参照すると、活動量推定装置２０は、信号取得部２１０、信号ＤＢ２１１、フィルタ部２２０、特徴量算出部２３０、活動量推定部２４０、回帰学習モデルＤＢ２４１、出力制御部２５０、および活動量履歴ＤＢ２５１を備える。

（信号取得部）
信号取得部２１０は、不図示の通信部または入力部等を介して、センサ２から出力される信号データを取得する。取得した信号についてリアルタイムに活動量推定処理を実施する場合は、信号取得部２１０は、取得した信号データをフィルタ部２２０に出力する。また、取得した信号データについて事後的に活動量推定処理を実施する場合は、信号取得部２１０は、信号ＤＢ２１１に取得した信号データを出力してもよい。

（フィルタ部）
フィルタ部２２０は、信号取得部２１０、または信号ＤＢ２１１から取得した信号データにフィルタ処理を実施する。フィルタ部２２０により実施されるフィルタ処理は、モデル生成装置１０のフィルタ部１３０と同様に、ＬＰＦ処理であってもよい。この場合、ＬＰＦ処理は、ＩＩＲフィルタによるものであってもよい。ＩＩＲフィルタについては、上述したＩＩＲフィルタと同一であるので、説明を省略する。フィルタ部２２０は、ＬＰＦ処理がされた信号データを、特徴量算出部２３０に出力する。

（特徴量算出部）
特徴量算出部２３０は、フィルタ部２２０から取得した信号データの特徴量を算出する。特徴量算出部２３０が算出する特徴量は、モデル生成装置１０の特徴量算出部１４０により算出される特徴量と同一である。例えば、特徴量算出部２３０は、信号データの波形の時間領域または周波数領域におけるゼロ交差数やピーク数等を特徴量として算出する。これらの特徴量の具体的な算出方法については、上述した特徴量算出部１４０による算出方法と同一であるため、説明を省略する。

特徴量算出部２３０は、算出した特徴量を成分とする特徴ベクトルを生成する。具体的には、特徴量算出部２３０は、時刻ｋにおける信号データＩ（ｋ）またはＱ（ｋ）から、Ｆ（ｋ）＝［ｆ_１（ｋ），・・・，ｆ_Ｃ（ｋ）］という２次元の特徴ベクトルを生成する。なお、ｆは特徴量であり、Ｃは特徴量の種類数である。特徴量算出部２３０は、生成した特徴ベクトルＦ（ｋ）を活動量推定部２４０に出力する。

（活動量推定部）
活動量推定部２４０は、特徴量算出部２３０から取得した特徴ベクトルＦ（ｋ）と、回帰学習モデルＤＢ２４１に記憶されている一の回帰学習モデルを用いて、センサ２により検出された生体の身体の動きに対応する活動量を推定する。回帰学習モデルＤＢ２４１に記憶されている回帰学習モデルは、モデル生成装置１０により生成された回帰学習モデルである。活動量推定部２４０は、例えば、下記式（２８）に示される活動量推定のための関数に特徴ベクトルＦ（ｋ）を代入することにより得られるｚ（ｋ）の値を、活動量推定値として算出する。なお、下記式（２８）に示される関数ｇ（ｘ_ｉ，ｋ，σ）は、上記式（２７）に示されるカーネル関数である。

ここで、ｘ_ｉ，ｋの値は下記式（２９）により与えられる。

活動量推定部２４０により推定される活動量推定値ｚ（ｋ）は、出力制御部２５０に出力される。

（回帰学習モデルＤＢ）
回帰学習モデルＤＢ２４１は、モデル生成装置１０により算出された少なくとも一の回帰学習モデルを記憶する。回帰学習モデルＤＢ２４１は、モデル生成装置１０の回帰学習モデルＤＢ１５１に記憶されている回帰学習モデルの一部または全部を記憶する。回帰学習モデルＤＢ２４１に記憶されている回帰学習モデルは、活動量推定部２４０に出力される。活動量推定部２４０に出力される回帰学習モデルの種類については、活動量推定装置２０のユーザ、製造者、または管理者などにより、自由に選択される。例えば、活動量推定装置２０が用いられる環境や、被験者の特性等に適した回帰学習モデルが選択されてもよい。なお、回帰学習モデルＤＢ２４１に記憶されている回帰学習モデルは、不図示の入力部または通信部を介して、適宜追加、変更、または削除され得る。

（出力制御部）
出力制御部２５０は、活動量推定部２４０から出力された活動量推定値ｚ（ｋ）を、活動量履歴ＤＢ２５１や、他のデバイス等に出力する制御を行う。出力制御部２５０は、例えば、活動量推定値ｚ（ｋ）を、逐次的に活動量履歴ＤＢ２５１に記憶する制御を行ってもよい。また、出力制御部２５０は、活動量推定値ｚ（ｋ）を、不図示の表示部を実現するディスプレイ等に表示させる制御を行ってもよい。さらに、出力制御部２５０は、活動量推定値ｚ（ｋ）を、不図示の通信部を介して、他の情報端末等に出力する制御を行ってもよい。出力制御部２５０は、活動量推定値ｚ（ｋ）を、テキスト、画像、音声等のあらゆるデータ形式に変換して出力する制御を行う。

本実施形態に係る出力制御部２５０は、例えば、時刻ｊ_０を先頭とする過去Ｋ個分の活動量推定値ｚ（ｋ）（ｋ＝ｋ_０、・・・、ｋ_０−Ｋ＋１）を活動量履歴ＤＢ２５１より取得し、それらの平均値Ｚ（ｋ_０）を算出してもよい。平均値Ｚ（ｋ_０）を不図示の表示部等により出力することにより、取得対象となった区間における被験者の身体活動量について知ることができる。また、出力制御部２５０は、上述した平均値Ｚ（ｋ_０）に限らず、過去の活動量推定値ｚ（ｋ）に関する統計量などの情報を出力する制御を行ってもよい。

また、出力制御部２５０は、所定の閾値と活動量推定値とを比較することにより、被験者の状態を推定してもよい。例えば、出力制御部２５０は、活動量推定部２４０により推定され得る身体活動量の範囲内において、複数の閾値を設定する。このとき、出力制御部２５０は、第１の閾値が第２の閾値を下回る値となるように、第１の閾値、および第２の閾値を設定する。例えば、出力制御部２５０は、活動量推定値が第１の閾値の値を下回る場合、被験者が安静状態であるという推定結果を出力する制御を行ってもよい。また、出力制御部２５０は、活動量推定値が第１の閾値と第２の閾値の間の値である場合、被験者が低負荷運動状態（歩行、生活行動など）であるという推定結果を出力する制御を行ってもよい。また、出力制御部２５０は、活動量推定値が第２の閾値の値を上回る場合、被験者が高負荷運動状態（体操、ジョギングなど）であるという推定結果を出力する制御を行ってもよい。これにより、被験者の行動状態を把握することが可能である。なお、上記に示した閾値の数や、推定する被験者の状態に関する内容は、かかる例に限定されない。

（２）動作
図１３は、本発明の第１の実施形態に係る活動量推定装置２０の動作例を示すフローチャートである。まず、信号取得部２１０は、センサ２が検出した生体の動きに由来する信号を信号データとして取得する（Ｓ３０１）。信号取得部２１０は、取得した信号データを信号ＤＢ２１１、またはフィルタ部２２０に出力する。

次に、フィルタ部２２０は、取得した信号データについてＬＰＦ処理を実施する（Ｓ３０３）。ＬＰＦ処理が実施された信号データは、特徴量算出部２３０に出力される。特徴量算出部２３０は、ＬＰＦ処理後の信号データについて、特徴量を算出する（Ｓ３０５）。次に、特徴量算出部２３０は、算出した一または複数の特徴量により構成される特徴ベクトルを生成する（Ｓ３０７）。生成された特徴ベクトルを含むデータは、活動量推定部２４０に出力される。

活動量推定部２４０は、取得した特徴ベクトルと、回帰学習モデルＤＢ２４１に記憶されている一の回帰学習モデルを用いて、上記生体の身体の動きに対応する活動量推定値を推定する（Ｓ３０９）。出力制御部２５０は、活動量推定値等の推定結果に関する情報を、活動量履歴ＤＢ２５１、または他のデバイス等に出力する制御を行う（Ｓ３１１）。

［２．３．効果］
ここまで、図１〜図１３を用いて、本発明の第１の実施形態について説明した。本発明の第１の実施形態によれば、モデル生成装置１０は、複数の所定の動きの特徴量と所定の動きに対応する身体活動量とを組とする複数のデータに基づいて、ＳＶＲ等による回帰学習モデルを生成する。そして、活動量推定装置２０は、モデル生成装置１０により生成された回帰学習モデルを用いて、センサ２により検出された生体の身体の動きに対応する身体活動量を推定する。かかる構成において、センサ２により検出された生体による任意の動きに対しても、その動きに対応する身体活動量を直接推定することができる。例えば、複数の動きが組み合わさったような動きをセンサ２が検出した場合、その動きの特徴量を算出し、回帰学習モデルを用いてどのような動きと類似しているかを回帰的に分析することにより、上記動きに対応する身体活動量を推定することができる。よって、生体の身体の動きに対応する身体活動量の推定精度をより向上させることができる。

＜３．第２の実施形態＞
続いて、本発明の第２の実施形態について説明する。本実施形態では、活動量推定装置２０が、活動量推定値を用いて被験者の消費エネルギーを算出する構成をさらに備える。本発明の第１の実施形態においては、活動量推定装置２０は活動量推定値を出力値として出力する制御を行う。しかし、身体活動量は専門的な数値であるため、被験者は、自己の動きによる活動の成果について直感的に理解することができない。そこで、本実施形態に係る活動量推定装置２０は、推定された活動量推定値から、被験者の消費エネルギーを算出する構成をさらに備える。かかる構成により、被験者は、自己の動きによる活動の成果について、消費エネルギーという指標により把握することができる。以下、第２の実施形態に係る活動量推定装置２０について説明する。

［３．１．活動量推定装置］
（１）構成
図１４は、本発明の第２の実施形態に係る活動量推定装置２０の構成例を示すブロック図である。図１４を参照すると、活動量推定装置２０は、信号取得部２１０、信号ＤＢ２１１、フィルタ部２２０、特徴量算出部２３０、活動量推定部２４０、回帰学習モデルＤＢ２４１、出力制御部２５０、活動量履歴ＤＢ２５１、消費エネルギー算出部２６０、および体重データ取得部２７０を備える。本実施形態に係る信号取得部２１０、信号ＤＢ２１１、フィルタ部２２０、特徴量算出部２３０、活動量推定部２４０、回帰学習モデルＤＢ２４１、出力制御部２５０、および活動量履歴ＤＢ２５１は、第１の実施形態に係る各構成要素と同一の機能を有するので、説明を省略する。以下、消費エネルギー算出部２６０、および体重データ取得部２７０について説明する。

（消費エネルギー算出部）
消費エネルギー算出部２６０は、活動量推定部２４０により推定された活動量推定値ｚ（ｋ）に基づいて、被験者の消費エネルギーを算出する。ここで、活動量推定値ｚ（ｋ）はＭＥＴｓ値であり、消費エネルギーは、消費カロリーである。時刻ｋにおける単位時間あたりの消費カロリー時系列データＥ_ｃ（ｋ）［ｋｃａｌ／ｈ］は、下記式（３０）を用いて算出される。

ここで、１．０５という値はＭＥＴｓ値をカロリー量に変換するための定数［ｋｃａｌ／ｋｇ・ｈ］であり、Ｗは被験者の体重（ｋｇ）である。被験者の体重Ｗは、体重データ取得部２７０から出力される値である。消費エネルギー算出部２６０は、算出した消費カロリー時系列データＥ_ｃ（ｋ）を出力制御部２５０に出力する。

出力制御部２５０は、消費エネルギー算出部２６０から出力された消費カロリー時系列データＥ_ｃ（ｋ）を、活動量履歴ＤＢ２５１や、他のデバイス等に出力する制御を行う。出力制御部２５０は、例えば、消費カロリー時系列データＥ_ｃ（ｋ）を、逐次的に活動量履歴ＤＢ２５１に記憶する制御を行ってもよい。また、出力制御部２５０は、消費カロリー時系列データＥ_ｃ（ｋ）を、不図示の表示部を実現するディスプレイ等に表示させる制御を行ってもよい。さらに、出力制御部２５０は、消費カロリー時系列データＥ_ｃ（ｋ）を、不図示の通信部を介して、他の情報端末等に出力する制御を行ってもよい。出力制御部２５０は、消費カロリー時系列データＥ_ｃ（ｋ）を、テキスト、画像、音声等のあらゆるデータ形式に変換して出力する制御を行う。

さらに、本実施形態に係る出力制御部２５０は、例えば、時刻ｋ_０を先頭とする過去Ｋ個分の消費カロリー時系列データＥ_ｃ（ｋ）（ｋ＝ｋ_０、・・・、ｋ_０−Ｋ＋１）を活動量履歴ＤＢ２５１より取得し、消費カロリーの総和Ｅ_Ｔ（ｋ_０）を算出してもよい。消費カロリーの総和Ｅ_Ｔ（ｋ_０）は、下記式（３１）を用いて算出される。

ここで、Δｔは、消費カロリー時系列データＥ_ｃ（ｋ）のサンプリング間隔［ｈ］である。消費カロリーの総和Ｅ_Ｔ（ｋ_０）を不図示の表示部等により出力することにより、取得対象となった区間における被験者の消費カロリーについて知ることができる。また、出力制御部２５０は、上述した消費カロリーの総和Ｅ_Ｔ（ｋ_０）に限らず、消費カロリー時系列データＥ_ｃ（ｋ）に関する統計量などの情報を出力する制御を行ってもよい。

（体重データ取得部）
体重データ取得部２７０は、消費エネルギー算出部２６０において消費カロリー時系列データＥ_ｃ（ｋ）の算出に用いられる被験者の体重データを取得する。体重データ取得部２７０は、不図示の入力部または通信部を介して、被験者の体重データを取得する。例えば、体重データ取得部２７０は、体重計等の測定デバイスにより測定された体重の値を被験者が入力することにより体重データを取得してもよい。また、活動量推定装置２０が上記測定デバイスと有線または無線により接続されている場合、体重データ取得部２７０は、上記測定デバイスから被験者の体重データを通信により取得してもよい。また、体重データ取得部２７０は、不図示の記憶部に記憶されている被験者の体重データを取得してもよい。体重データ取得部２７０は、取得した体重データを消費エネルギー算出部２６０に出力する。

（２）動作
図１５は、本発明の第２の実施形態に係る活動量推定装置２０の動作例を示すフローチャートである。まず、信号取得部２１０は、センサ２が検出した生体の動きに由来する信号を信号データとして取得する（Ｓ４０１）。信号取得部２１０は、取得した信号データを信号ＤＢ２１１、またはフィルタ部２２０に出力する。

次に、フィルタ部２２０は、取得した信号データについてＬＰＦ処理を実施する（Ｓ４０３）。ＬＰＦ処理が実施された信号データは、特徴量算出部２３０に出力される。特徴量算出部２３０は、ＬＰＦ処理後の信号データについて、特徴量を算出する（Ｓ４０５）。次に、特徴量算出部２３０は、算出した一または複数の特徴量により構成される特徴ベクトルを生成する（４３０７）。生成された特徴ベクトルを含むデータは、活動量推定部２４０に出力される。

活動量推定部２４０は、取得した特徴ベクトルと、回帰学習モデルＤＢ２４１に記憶されている一の回帰学習モデルを用いて、上記生体の身体の動きに対応する活動量推定値を推定する（Ｓ４０９）。

一方で、体重データ取得部２７０は、被験者の体重値を取得する（Ｓ４１１）。活動量推定値および体重値は、消費エネルギー算出部２６０に出力される。消費エネルギー算出部２６０は、活動量推定値および体重値から被験者の単位時間あたりの消費カロリーを算出する（Ｓ４１３）。そして、出力制御部２５０は、活動量推定値または消費カロリー等の推定結果に関する情報を、活動量履歴ＤＢ２５１、または他のデバイス等に出力する制御を行う（Ｓ４１５）。

［３．２．効果］
ここまで、図１４、および図１５を用いて、本発明の第２の実施形態について説明した。本発明の第２の実施形態によれば、活動量推定装置２０は、推定した身体活動量に基づいて、被験者の消費エネルギーを算出する。かかる構成において、被験者は、自己の動きによる活動結果を、消費エネルギーという指標で把握することができる。

＜４．ハードウェア構成例＞
以上、本発明の各実施形態に係る活動量推定システム１について説明した。次に、図１６を参照して、本開示の実施形態に係る情報処理装置のハードウェア構成について説明する。図１６は、本開示の実施形態に係る情報処理装置９００のハードウェア構成例を示すブロック図である。図示された情報処理装置９００は、例えば、上記の実施形態におけるモデル生成装置１０、および活動量推定装置２０を実現しうる。

図１６を参照すると、情報処理装置９００は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）９０１と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）９０２と、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）９０３と、ホストバス９０４と、を備える。また、情報処理装置９００は、ブリッジ９０５と、外部バス９０６と、インタフェース９０７と、入力装置９０８と、出力装置９０９と、ストレージ装置９１０と、ドライブ９１１と、ネットワークインタフェース９１２と、を備える。

ＣＰＵ９０１は、演算処理装置および制御装置として機能し、各種プログラムに従って情報処理装置９００内の動作全般を制御する。また、ＣＰＵ９０１は、マイクロプロセッサであってもよい。なお、ＣＰＵ９０１は、情報処理装置９００内の各機能部を含む機能の動作全般またはその一部を制御する。例えば、ＣＰＵ９０１は、ＲＯＭ９０２は、ＣＰＵ９０１が使用するプログラムや演算パラメータ等を記憶する。ＲＡＭ９０３は、ＣＰＵ９０１の実行において使用するプログラムや、その実行において適宜変化するパラメータ等を一時記憶する。これらはＣＰＵバスなどから構成されるホストバス９０４により相互に接続されている。

ホストバス９０４は、ブリッジ９０５を介して、ＰＣＩ（Ｐｅｒｉｐｈｅｒａｌ Ｃｏｍｐｏｎｅｎｔ Ｉｎｔｅｒｃｏｎｎｅｃｔ／Ｉｎｔｅｒｆａｃｅ）バスなどの外部バス９０６に接続されている。なお、必ずしもホストバス９０４、ブリッジ９０５および外部バス９０６を分離構成する必要はなく、１つのバスにこれらの機能を実装してもよい。

入力装置９０８は、マウス、キーボード、タッチパネル、ボタン、マイクロフォン、スイッチおよびレバーなどユーザが情報を入力するための入力手段と、ユーザによる入力に基づいて入力信号を生成し、ＣＰＵ９０１に出力する入力制御回路などから構成されている。情報処理装置９００のユーザは、当該入力装置９０８を操作することにより、情報処理装置９００に対して各種のデータを入力したり処理動作を指示したりすることができる。なお、入力装置９０８は、不図示の入力部の機能を実現する。

出力装置９０９は、例えば、ＣＲＴディスプレイ装置、液晶ディスプレイ（ＬＣＤ）装置、ＯＬＥＤ装置およびランプなどの表示装置を含む。さらに、出力装置９０９は、スピーカ及びヘッドホンなどの音声出力装置を含む。出力装置９０９は、例えば、再生されたコンテンツを出力する。具体的には、表示装置は再生された映像データ等の各種情報をテキストまたはイメージで表示する。一方、音声出力装置は、再生された音声データや表示装置に表示されたテキストデータ等を音声に変換して出力する。なお、出力装置９０９は、不図示の表示部の機能を実現する。

ストレージ装置９１０は、本発明の実施形態に係る情報処理装置９００におけるデータ格納用の装置である。ストレージ装置９１０は、記憶媒体、記憶媒体にデータを記録する記録装置、記憶媒体からデータを読み出す読み出し装置および記憶媒体に記憶されたデータを削除する削除装置などを含んでも良い。ストレージ装置は、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｃ Ｄｒｉｖｅ）やＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）で構成される。このストレージ装置９１０は、ＣＰＵ９０１が実行するプログラムや各種データを格納する。なお、ストレージ装置９１０は、信号ＤＢ１１１など、各情報処理装置に備えられている各ＤＢを格納する。なお、ストレージ装置９１０は、不図示の記憶部の機能を実現する。

ドライブ９１１は、記憶媒体用リーダライタであり、情報処理装置９００に内蔵、あるいは外付けされる。ドライブ９１１は、装着されている磁気ディスク、光ディスク、光磁気ディスク、または半導体メモリ等のリムーバブル記憶媒体９６に記録されている情報を読みだして、ＲＡＭ９０３に出力する。また、ドライブ９１１は、リムーバブル記憶媒体９６に情報を書き込むこともできる。

ネットワークインタフェース９１２は、例えば、他の装置に接続するための通信デバイス等で構成された通信インタフェースである。また、ネットワークインタフェース９１２は、無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）対応通信装置、ＬＴＥ（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）対応通信装置、またはブルートゥース通信装置であってもよい。また、ネットワークインタフェース９１２は、有線による通信を行うワイヤー通信装置であってもよい。なお、ネットワークインタフェース９１２は、不図示の通信部の機能を実現する。

以上、情報処理装置９００のハードウェア構成の一例を示した。上記の各構成要素は、汎用的な部材を用いて構成されていてもよいし、各構成要素の機能に特化したハードウェアにより構成されていてもよい。かかる構成は、実施する時々の技術レベルに応じて適宜変更され得る。

＜５．まとめ＞
以上、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明はかかる例に限定されない。本発明の属する技術の分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。

例えば、上記実施形態では、被験者がセンサ２による検知が可能なエリアに存在していることが想定されていたが、本発明はかかる例に限定されない。例えば、被験者が椅子やベッドなどの位置にいる場合に限定してセンサが被験者を検知することができるように、センサが設置されてもよい。これにより、活動量の推定処理を実施する対象となるエリアを限定することが可能となるので、生体の動きの活動量の推定精度が向上する。また、活動量推定装置は、活動量推定値を、他の情報処理装置（例えば被験者の存在の有無を判別する装置）に組み合わせて用いられてもよい。かかる構成において、他の情報処理装置により被験者が特定のエリアに存在していると判別した場合に、活動量推定装置による推定処理を実施することができる。したがって、家電等のノイズや動きに由来する信号から誤って活動量を推定することを防ぐことができる。

また、活動量推定装置は、モデル生成装置の有する各機能を含んでもよい。かかる構成において、活動量推定装置は、回帰学習モデルＤＢに格納されている回帰学習モデルを用いて推定処理を行うだけではなく、外部から得られた信号データや身体活動量データ等を用いて回帰学習モデルを生成することもできる。これにより、一般的な回帰学習モデルだけではなく、活動量推定装置が適用される場所や場面に応じて特化された回帰学習モデルを生成することができる。したがって、ある特定の生体の動きに対応する活動量の推定精度をさらに向上させることができる。

また、上記実施形態では、人物の身体の動きを身体活動量の推定対象とする例を説明したが、本発明はかかる例に限定されない。例えば、本発明は、動物など他の生体に対して適用可能である。この場合、例えば、センサが電波式のセンサである場合、放射波の波長を身体活動量の推定対象の信号波形の変位に応じて適切に設定することにより、あらゆる生体の動きを表現する信号を抽出することが可能である。

また、本明細書の各装置および各機能部の処理における各ステップは、必ずしもフローチャートとして記載された順序に沿って時系列に処理する必要はない。例えば、各装置および各機能部の処理における各ステップは、フローチャートとして記載した順序と異なる順序で処理されても、並列的に処理されてもよい。

また、モデル生成装置１０および活動量推定装置２０に内蔵されるＣＰＵ、ＲＯＭおよびＲＡＭなどのハードウェアを、上記のモデル生成装置１０および活動量推定装置２０の各構成と同等の機能を発揮させるためのコンピュータプログラムも作成可能である。また、該コンピュータプログラムを記憶させた記憶媒体も提供される。

１ 活動量推定システム
２ センサ
３ 活動量測定デバイス
１０ モデル生成装置
２０ 活動量推定装置
１１０、２１０ 信号取得部
１２０ 活動量取得部
１３０、２２０ フィルタ部
１４０、２３０ 特徴量算出部
１５０ モデル生成部
２４０ 活動量推定部
２５０ 出力制御部
２６０ 消費エネルギー算出部
２７０ 体重データ取得部

Claims (16)

1. センサにより検出された生体の動きを示すセンサ信号に基づいて、前記生体の動きの特徴量を算出する特徴量算出部と、
   所定の動きの特徴量と、前記所定の動きに対応する活動量とを組とする複数のデータに基づいて生成された回帰学習モデルを用いることにより、前記特徴量算出部により算出された前記生体の動きの特徴量に基づいて、前記生体の動きに対応する活動量を推定する活動量推定部と、
   を備える活動量推定装置。
2. 前記回帰学習モデルは、サポートベクタ回帰により生成される回帰学習モデルであり、
   前記活動量推定部は、前記サポートベクタ回帰により生成される前記回帰学習モデルを構成するサポートベクタと、前記生体の動きの特徴量とを用いて、前記生体の動きに対応する活動量を算出する、請求項１に記載の活動量推定装置。
3. 前記所定の動きに対応する活動量は、生体により前記所定の動きを行う際に計測される前記生体の酸素摂取量に基づいて決定される、請求項１または２に記載の活動量推定装置。
4. 前記特徴量算出部は、前記センサ信号の波形に基づいて前記特徴量を算出する、請求項１〜３のいずれか１項に記載の活動量推定装置。
5. 前記特徴量算出部は、所定区間における前記センサ信号の波形のゼロ交差数を用いて前記特徴量を算出する、請求項４に記載の活動量推定装置。
6. 前記特徴量算出部は、所定区間における前記センサ信号の波形のピーク数を用いて前記特徴量を算出する、請求項４または５に記載の活動量推定装置。
7. 前記特徴量算出部は、前記センサ信号の波形をフーリエ変換することにより得られる前記センサ信号の振幅スペクトルを用いて前記特徴量を算出する、請求項４〜６のいずれか１項に記載の活動量推定装置。
8. 前記特徴量算出部は、前記センサ信号の振幅の変化に基づいて前記特徴量を算出する、請求項４〜７のいずれか１項に記載の活動量推定装置。
9. 前記所定の動きは、前記生体の体幹部の動き、または前記生体の四肢部の各々の動きの少なくともいずれかを含む、請求項１〜８のいずれか１項に記載の活動量推定装置。
10. 前記活動量推定部により推定された前記生体の動きに対応する活動量、および前記生体の体重に基づいて、前記生体の消費カロリーを算出する消費エネルギー算出部をさらに備える、請求項１〜９のいずれか１項に記載の活動量推定装置。
11. 前記センサはドップラーセンサである、請求項１〜１０のいずれか１項に記載の活動量推定装置。
12. センサにより検出された生体の動きを示すセンサ信号に基づいて、前記生体の動きの特徴量を算出するステップと、
    所定の動きの特徴量と、前記所定の動きに対応する活動量とを組とする複数のデータに基づいて生成された回帰学習モデルを用いることにより、前記生体の動きの特徴量に基づいて、前記生体の動きに対応する活動量を推定するステップと、
    を含む活動量推定方法。
13. コンピュータを、
    センサにより検出された生体の動きを示すセンサ信号に基づいて、前記生体の動きの特徴量を算出する特徴量算出部と、
    所定の動きの特徴量と、前記所定の動きに対応する活動量とを組とする複数のデータに基づいて生成された回帰学習モデルを用いることにより、前記特徴量算出部により算出された前記生体の動きの特徴量に基づいて、前記生体の動きに対応する活動量を推定する活動量推定部と、
    として機能させるためのプログラム。
14. センサにより検出された生体による所定の動きを示すセンサ信号に基づいて、前記所定の動きの特徴量を算出する特徴量算出部と、
    前記所定の動きの特徴量と、前記所定の動きに対応する活動量とを組とする複数のデータに基づいて回帰学習モデルを生成するモデル生成部と、
    を備えるモデル生成装置。
15. 前記所定の動きに対応する活動量は、前記生体により前記所定の動きを行う際に計測される前記生体の酸素摂取量に基づいて決定される、請求項１４に記載のモデル生成装置。
16. センサにより検出された生体による所定の動きを示すセンサ信号に基づいて、前記所定の動きの特徴量を算出するステップと、
    前記所定の動きの特徴量と、前記所定の動きに対応する活動量とを組とする複数のデータに基づいて回帰学習モデルを生成するステップと、
    を含むモデル生成方法。
    

Images