JP2019030491A - 運動パフォーマンス推定装置、トレーニング装置、それらの方法、およびプログラム - Google Patents

Abstract

【課題】対象者の眼の動的な変化から運動パフォーマンスを推定する。【解決手段】対象者の眼の動的な変化に基づく特徴量を抽出し、抽出された特徴量に基づいて対象者の注意範囲の広さに対応する情報の推定結果である推定注意範囲情報を得、注意範囲の広さに対応する情報とヒトの運動パフォーマンスとの関連付けに基づいて、推定注意範囲情報から対象者の運動パフォーマンスの指標を得る。【選択図】図１

Description

本発明は、対象者の運動パフォーマンス（運動特性）を推定する技術に関する。

非特許文献１には、「文字の識別」という課題におけるマイクロサッカードの方向と提示された課題に対する反応の速さとの間に相関があることが示されている。具体的には、個々のマイクロサッカードの発生時刻の近傍で提示された課題に対する対象者の反応速度が遅くなること、およびマイクロサッカードの方向と対象者の注意方向とに相関があることなどが示されている。

Alexander Pastukho and Jochen Braun , "Rare but precious: Microsaccades are highly informative about attentional allocation", Vision Research, Vol.50, Issue 12, pp.1173-1184, (2000).

しかしながら、対象者の眼の動的な変化から運動パフォーマンスを推定する技術は知られていない。

本発明では、対象者の眼の動的な変化に基づく特徴量を抽出し、抽出された特徴量に基づいて対象者の注意範囲（「注目範囲」ともいう）の広さに対応する情報の推定結果である推定注意範囲情報を得、注意範囲の広さに対応する情報とヒト（人）の運動パフォーマンスとの関連付けに基づいて、推定注意範囲情報から対象者の運動パフォーマンスの指標を得る。

これにより、対象者の眼の動的な変化から運動パフォーマンスを推定できる。

図１は第１実施形態の運動パフォーマンス推定装置の機能構成を例示したブロック図である。 図２は第２実施形態の運動パフォーマンス推定装置の機能構成を例示したブロック図である。 図３は第３実施形態のトレーニング装置の機能構成を例示したブロック図である。 図４は第４実施形態のトレーニング装置の機能構成を例示したブロック図である。 図５Ａは注意範囲と運動パフォーマンスとの関係を検証する実験内容を説明するための図である。図５Ｂは注意範囲と反応の正確性との関係を例示した図である。図５Ｃは注意範囲と反応速度との関係を例示した図である。 図６Ａは対象者の眼の動的な変化と注意範囲との関係を検証する実験内容を説明するための図である。図６Ｂは３段階の注意範囲と各被験者のマイクロサッカードの発生頻度との関係を例示した箱髭図である。図６Ｃはマイクロサッカードの振動性と注意範囲との関係を例示した箱髭図である。 図７は注意範囲の広さと運動パフォーマンスとの関係を表した図である。

以下、図面を参照して本発明の実施形態を説明する。
［原理］
まず、各実施形態のベースとなる原理を説明する。
各実施形態は、ヒトの眼の動的な変化を表す特徴量と注意範囲の広さとに相関性があり、また、ヒトの注意範囲の広さと運動パフォーマンス（例えば、反応速度や反応の正確性）との間に相関性があるという自然法則の発見に基づく。各実施形態では、この自然法則を利用し、対象者（ヒト）の眼の動的な変化に基づく特徴量を抽出し、抽出された特徴量に基づいて対象者の注意範囲の広さに対応する情報の推定結果である推定注意範囲情報を得、ヒトの注意範囲の広さに対応する情報とヒトの運動パフォーマンスとの関連付けに基づいて、推定注意範囲情報から、対象者の運動パフォーマンスの指標を得る。また、対象者の反応速度や反応の正確性を向上させるために、目標となる注意範囲の広さを表す目標注意範囲情報を提示し、対象者の運動パフォーマンス向上を支援する。すなわち、得られた運動パフォーマンスの指標から、ヒトの運動パフォーマンスと注意範囲の広さに対応する情報との関連付けに基づいて、当該指標が表す運動パフォーマンスよりも高い運動パフォーマンスに関連付けられた注意範囲の広さに対応する情報である目標注意範囲情報を得、当該目標注意範囲情報を対象者が認識可能な形で提示する。なお、眼の動的な変化を表す特徴量とは、例えばマイクロサッカードの発生頻度や減衰係数、固有角振動数等である（詳細は後述する）。また「注意範囲」とは注意の範囲を意味し、「注目範囲」と同義である。

＜背景となる実験結果＞
背景となる実験結果を示す。
まず、ヒトの眼の動的な変化を表す特徴量と注意範囲の広さとの相関性を調べる実験について説明する。
予め特定の広さの注意範囲Ｃに注意を向けるよう指示した状況下で、当該注意範囲Ｃ内に表示されるターゲット図形Ｔが現れたら所定の動作（タッピング等）を行うよう対象者に指示する（図６Ａ）。例えば、ターゲット図形Ｔの移動方向が右（Ｒ）か左（Ｌ）かをタッピングによって回答するよう対象者に指示する。図６Ｂおよび図６Ｃにこの実験結果を示す。図６Ｂおよび図６Ｃは、「広(large)」「中(medium)」「狭(small)」の３段階のカテゴリを採用し、複数の被験者が「広」に対応する広い注意範囲、「中」に対応する中ほどの注意範囲、および「狭」に対応する狭い注意範囲のそれぞれを見ていたときのマイクロサッカードの特徴量の平均値（被験者ごとの平均値）を示す。ただし、図６Ｂおよび図６Ｃの横軸は３段階のカテゴリ（「広」「中」「狭」）に対応する注意範囲を表す。図６Ｂの縦軸はマイクロサッカードの発生頻度（Microsaccade Rate）の被験者ごとの平均値を表し、図６Ｃの縦軸はマイクロサッカードの振動性（Microsaccade Damping Rate）の被験者ごとの平均値を表す。これらの結果から、注意範囲が広いほど、マイクロサッカードの発生頻度が高くなり、また、マイクロサッカードの振動性が強くなる傾向が見られる。マイクロサッカードの発生頻度や振動性が大きいときは注意範囲が広いと推定されやすく、マイクロサッカードの発生頻度や振動性が小さいときは注意範囲が狭いと推定されやすいことが分かる。

以上より、被験者の眼の動きを用いて、注意範囲の広さを推定できることが分かる。具体的には、以下の手順により注意範囲の広さを推定できる。
（１）被験者の眼の動きの情報から「眼の動的な変化を表す特徴量」を算出する。
（２）算出した「眼の動的な変化を表す特徴量」から注意範囲の広さを推定する。
なお、（２）の注意範囲の広さの推定には機械学習を用いる。例えば、上述のタスクを実行している際の対象者の眼の動きを計測して「眼の動的な変化を表す特徴量」が得られる。これを注意範囲Ｃの広さを変えて実施することで、「眼の動的な変化を表す特徴量」と注意範囲の広さを対応付けたデータ対が取得される。複数の被験者に同様のタスクを実施してもらうことで得たデータ対の集合を学習用データとし、コンピュータによる機械学習によって「眼の動的な変化を表す特徴量」を入力として注意範囲の広さの推定結果を出力するモデルを学習する。例えば、注意範囲の広さを大、中、小のようなカテゴリに分け、サポートベクターマシーン（ＳＶＭ）などの識別学習法を用いれば、入力された「眼の動的な変化を表す特徴量」に基づいて、どの注意範囲の広さのカテゴリに属するかを推定できる。こうして得た学習済みモデルに上記（１）で得た「眼の動的な変化を表す特徴量」を入力すれば、上記（２）の注意範囲の広さの推定結果が得られる。

次に、ヒトの注意範囲と運動パフォーマンスとの相関性を調べる実験について説明する。
被験者１０名に対して次の実験を行った。被験者に対して投手が投球をする映像を視聴してもらい、投手の動きから「ストレート」と「カーブ」のどちらを投げるかを判別して回答してもらう（図５Ａ）。このとき、被験者の眼の動きの情報を取得しておくとともに、以下の方法で「反応の正確性を表す指標」と「反応速度を表す指標」を計算する。
反応の正確性を表す指標：
全試行のうちカーブかストレートかの判別結果が正しい回答であった割合、すなわち回答の正答率を「反応の正確性を表す指標」とする。
反応速度を表す指標：
ピッチャーが投げた球がホームベースに到達する時点を基準として回答時点がどれだけ早いかを示す指標を「反応速度を表す指標」とする。例えば、ピッチャーが投げた球がホームベースに到達した時刻と回答時刻との差分が「反応速度を表す指標」である。

図５Ｂおよび図５Ｃでは、被験者の注意範囲（Attentional Range）を「広(large)」「狭(small)」の２段階のカテゴリに分け、複数の被験者が「広」に対応する広い注意範囲、および「狭」に対応する狭い注意範囲のそれぞれを見ていたときの反応の正確性（Accuracy [%]）および反応時間（RT: response time [s]）の平均値（被験者ごとの平均値）を示す。ただし、図５Ｂおよび図５Ｃの横軸は２段階のカテゴリ（「広」「狭」）に対応する注意範囲を表す。図５Ｂの縦軸は反応の正確性の被験者ごとの平均値を表し、図５Ｃの縦軸は反応時間の被験者ごとの平均値を表す。図５Ｂの実験結果から、注意範囲が広いと判断の正確性、つまり、反応の正確性が向上する傾向が見られる。すなわち、注意範囲の広さと反応の正確性に正の相関関係があることが分かる。また、図５Ｃの実験結果から、注意範囲が広いと判断速度、つまり、反応速度が低下する傾向が見られる。すなわち、注意範囲の広さと反応速度には負の相関関係があることが分かる。これらの実験から以下の傾向があることが分かる。
・注意範囲が広いほうが、注意範囲が狭いときよりも反応の正確性が高い（反応の正確性についての運動パフォーマンスが高い）。
・注意範囲が広いほうが、注意範囲が狭いときよりも反応速度が遅い（反応速度についての運動パフォーマンスが低い）。
この実験結果から、反応の正確性や反応速度に限らず、その他の運動パフォーマンスを表す指標も、注意範囲の広さと何らかの相関性を持つと期待できる。

以上の見地に基づき、以下の運動パフォーマンス推定装置は、対象者の眼の動的な変化に基づく特徴量に基づいて対象者の注意範囲の広さに対応する情報を推定し、さらに注意範囲の広さに対応する情報に基づいて対象者の運動パフォーマンスの指標を推定する。また、トレーニング装置は、このように得られた運動パフォーマンスの指標から、この運動パフォーマンスを向上させるような注意範囲の広さに対応する情報を生成し、これを対象者に提示することで対象者の運動パフォーマンスの向上を支援する。

［第１実施形態］
本実施形態では、注意範囲の広さを入力として、対象者の運動パフォーマンスを表す指標を出力するようなモデル（運動パフォーマンス推定モデル）を仮定し、このモデルに基づいて、入力された任意の対象者の眼の動きから推定される注意範囲の広さから、その対象者の（そのときの）運動パフォーマンスを推定する。運動パフォーマンス推定モデルは、ヒトの注意範囲の広さと運動パフォーマンスを表す指標（の正解）とを対応付けた学習用データを用いて機械学習により学習しておく。以下に詳細に説明する。

図１に例示するように、本実施形態の運動パフォーマンス推定装置１は、注意範囲推定装置１１０、運動パフォーマンス推定部１２０、および運動パフォーマンス推定モデル１３０を有する。注意範囲推定装置１１０は、眼球情報取得部１１１、特徴量抽出部１１２、注意範囲推定部１１３、および注意範囲推定モデル１１４を有する。

＜眼球情報取得部１１１＞
眼球情報取得部１１１は、対象者の各離散時間の「眼の動的な変化」に関する時系列情報を取得し、取得した眼の動的な変化に関する時系列情報を特徴量抽出部１１２へ出力する。「対象者」はヒトである。「眼の動的な変化」は、眼球自体の動き（眼球の位置の経時変化）であってもよいし、瞳孔の動き（瞳孔径の経時変化）であってもよいし、それら両方であってもよい。眼球情報取得部１１１は、両眼の動的な変化に関する時系列情報を取得してもよいし、何れか一方の眼の動的な変化に関する時系列情報を取得してもよい。

対象者の「眼球自体の動き」に関する時系列情報は、撮像装置（例えば赤外線カメラ）で対象者の眼を撮影して得られた映像に基づいて得られる。眼球情報取得部１１１は、例えば、撮影された映像を画像処理することで、所定の時間区間であるフレーム毎（例えば、1000Hzのサンプリング間隔）の眼球の位置の時系列を眼球の動きに関する時系列情報として取得する。眼球情報取得部１１１は、撮像装置と画像処理アルゴリズムを実行するコンピュータなどによって実現されてもよいし、撮像装置を外部装置として、撮像装置から入力された画像を画像処理するアルゴリズムを実行するコンピュータなどによって実現されてもよい。あるいは、眼球情報取得部１１１は、電極を用いた電位計測法を用いて眼球の動きを測定し、その測定結果に基づいて「眼球自体の動き」に関する時系列情報を取得してもよい。この場合、眼球情報取得部１１１は、測定装置（電極を含む）と測定装置が測定した電位に基づいて眼球の位置を計算するアルゴリズムを実行するコンピュータなどによって実現されてもよいし、測定装置を外部装置として、測定装置から入力された電位に基づいて眼球の位置を計算するアルゴリズムを実行するコンピュータなどによって実現されてもよい。

対象者の「瞳孔の動き」に関する時系列情報は、撮像装置（例えば赤外線カメラ）で対象者の眼を撮影して得られた映像に基づいて得られる。この場合、眼球情報取得部１１１は、撮影された映像を画像処理することで、フレーム毎（例えば、1000Hzのサンプリング間隔）の瞳孔の大きさの時系列を取得する。眼球情報取得部１１１は、例えば瞳孔を撮影した画像に対して、瞳孔に円をフィッティングし、当該フィッティングした円の半径を瞳孔径として用いることができる。瞳孔径は微細に変動するため、眼球情報取得部１１１は、所定の時間区間ごとにスムージング(平滑化)した瞳孔径の値を用いれば好適である。眼球情報取得部１１１が取得する「瞳孔の動きに関する時系列情報」は、瞳孔の大きさに対応する値の時系列であればどのようなものであってもよい。例えば、「瞳孔の動きに関する時系列情報」は、z-scoreで表現された瞳孔径の時系列であってもよいし、瞳孔径の値そのものの時系列であってもよいし、瞳孔の面積や直径の時系列であってもよい。

＜特徴量抽出部１１２＞
特徴量抽出部１１２は、入力された対象者の眼の動的な変化に基づく特徴量を抽出して注意範囲推定部１１３に出力する。「特徴量」はどのようなものであってもよく、スカラであってもよいし、複数の要素からなるベクトルであってもよい。「特徴量」は複数の離散時間や時間区間のそれぞれに対応する時系列であってもよいし、時系列でなくてもよい。「眼の動的な変化」に基づく特徴量は、「眼球自体の動き」に基づく特徴を含んでもよいし、「瞳孔の動き」に基づく特徴を含んでもよいし、「眼球自体の動き」に基づく特徴および「瞳孔の動き」に基づく特徴の両方を含んでもよい。

「眼球自体の動き」に基づく特徴の例は、眼球の動きに表れるサッカードの特徴（「サッカード」の特徴に対応する情報）である。「サッカード」はマイクロサッカード（micro saccade）であってもよいし、ラージサッカード（large saccade）であってもよい。眼球の動きに表れるサッカードの特徴としては、眼球の運動方向またはその関数値、眼球運動の振幅の絶対値またはその関数値、眼球運動の減衰係数またはその関数値、眼球運動の固有角振動数またはその関数値、眼球のサッカードの発生タイミングまたはその関数値などを例示できる。「瞳孔の動き」に基づく特徴の例は、縮瞳に基づく特徴、散瞳に基づく特徴などである。縮瞳に基づく特徴としては、縮瞳の振幅、縮瞳の持続時間、平均縮瞳の速度、縮瞳の発生回数などを例示できる。散瞳に基づく特徴としては、散瞳の振幅、散瞳の持続時間、平均散瞳の速度、散瞳の発生回数などを例示できる。これらの詳細については、例えば、特開２０１７−０８６５３０等に開示されている。

ベクトルである「特徴量」が含む複数の要素は、複数種類の特徴を表すものであってもよいし、１種類の特徴を表すものであってもよい。例えば、「特徴量」が「サッカード」の特徴を表す要素と「散瞳」の特徴を表す要素とを含むベクトルであってもよいし、「サッカード」の特徴を表す複数の要素のみを含むベクトルであってもよい。

「特徴量」が、同一の「対象者」の一方の眼（例えば、右眼）の動的な変化に由来する値と他方の眼（例えば、左眼）の動的な変化に由来する値との相対量に基づく特徴を表す情報を含んでもよい。両眼の動的な変化の相対量には対象者の属性や個性が表れ、そのような相対量に基づく特徴を利用することで「注意範囲」の推定精度が向上する。例えば、「特徴量」が、同一の「対象者」の一方の眼のサッカードに由来する値と他方の眼のサッカードに由来する値との相対量に基づく特徴を表す情報を含んでもよい。「αとβとの相対量」は、例えば、αとβとの差分、αからβを減じた値、βからαを減じた値、αをβで除した値、もしくはβをαで除した値、またはそれらの何れかの関数値である。「相対値に基づく特徴を表す情報」は、例えば、「相対値」もしくはその関数値、「相対値」もしくはその関数値を要素としたベクトル、または、それらの何れかの関数値である。

＜注意範囲推定モデル１１４＞
注意範囲推定モデル１１４は、ヒトから取得した眼の動的な変化に基づく特徴量と当該ヒトの注意範囲（注意範囲の正解）とを含む学習用データを用い、コンピュータにより学習されることで得られるモデルである。注意範囲推定モデル１１４は、ヒトの眼の動的な変化に基づく特徴量と当該ヒトの注意範囲との関係を表す。

注意範囲推定モデル１１４の例は、ヒトの眼の動的な変化に基づく特徴量と当該ヒトの注意範囲の広さの程度（いくつかの段階にカテゴライズされた注意範囲の広さの程度、広いか狭いか等）との関係を表す分類器である。分類器の具体例は、ＳＶＭ、k-means、単純クラスタリングなどである。分類器である注意範囲推定モデル１１４は、「眼の動的な変化」に基づく「特徴量」を、「注意範囲」の広さを示す「カテゴリ」の何れか１つに分類する。このような注意範囲推定モデル１１４の学習処理は、複数の大きさの異なる学習用の「注意範囲」である「学習用注意範囲」と、「学習用注意範囲」のそれぞれを見ている学習用の「対象者」である「学習用対象者」から得た「眼の動的な変化」に基づく「特徴量」である「学習用特徴量」との組を含むデータ集合を学習用データとして用いる。要するに、この学習用データは、「学習用注意範囲」の大きさ（カテゴリ）とそのときの「学習用特徴量」とを一組の学習用データ（学習用データ対）として、カテゴリ毎に複数の学習用対象者から取得した学習用データ対の集合である。

このような注意範囲推定モデル１１４の学習は以下のように行われる。
１．モニタやスクリーンなどの表示部（図示せず）が、複数の「学習用注意範囲」それぞれに応じた位置に「注視対象」を表示する。例えば、表示部は、「学習用注意範囲」の境界線を所定時間表示させた後に当該境界線を非表示とし、さらに所定時間経過後に当該境界線が表示されていた位置よりも内側に「注視対象」を表示する。
２．「学習用注意範囲」の境界線が非表示となってから当該「注視対象」が表示されるまでの「学習用対象者」の「眼の動的な変化」に基づく「特徴量」（注視対象が表示されたときの対象者の眼の動的な変化に基づく特徴量）が、当該「注視対象」に対応する「学習用注意範囲」それぞれに対応する「学習用特徴量」として抽出される。
３．複数の「学習用注意範囲」およびそれらについて抽出された「学習用特徴量」との組を学習用データとして用い、「眼の動的な変化」に基づく「特徴量」を「注意範囲」の広さを示すカテゴリの何れか１つに分類する注意範囲推定モデル１１４を得る。

なお、新たな学習用データが得られるたびに当該学習用データを用いて注意範囲推定モデル１１４の学習（更新）を行ってもよいし、予め取得しておいた学習用データを用いて注意範囲推定モデル１１４の学習を一度に行ってもよい。要するに、「学習用特徴量」と当該「学習用特徴量」に対応するカテゴリ（ラベル）の組からなるラベルあり学習用データの集合を入力として、未知の特徴量をいずれかのカテゴリに分類する（未知の特徴量の属するカテゴリの推定値を出力する）ための識別モデルや識別関数等を学習する学習処理であれば何でも良い。「注意範囲」の広さを示す「カテゴリ」の種類および／または個数は予め定められていてもよいし、学習処理で定められてもよい。「カテゴリ」の例は、「広(large)」「中(medium)」「狭(small)」や「一番広い」「二番目に広い」・・・「八番目に広い」などのように、「注意範囲」の広さを相対的に表現したものである。「カテゴリ」の他の例は、「半径５ｃｍの円の内側の範囲」「半径１０ｃｍの円の内側の範囲」「半径２０ｃｍの円の内側の範囲」などのように、「注意範囲」の広さを絶対的に表現したものである。なお、この学習処理は、「注意範囲」の推定の対象となる「対象者」自身の「眼の動的な変化」に基づく「特徴量」を用いて行われることが望ましい。これにより、マイクロサッカード等の「眼の動的な変化」に基づく「特徴量」から「対象者」の「注意範囲」を高い精度で推定できる。ただし、「注意範囲」の推定の対象となる「対象者」以外の「眼の動的な変化」に基づく「特徴量」を用いて学習処理が行われてもよい。

注意範囲推定モデル１１４が、ヒトの眼の動的な変化に基づく特徴量と当該ヒトの注意範囲のサイズを特定するための情報（例えば、注意範囲である円の半径や直径、楕円の長軸長や短軸長、三角形や四角形などの多角形の辺の長さ、注意範囲の面積）との関係を表す統計モデルや確率モデルであってもよい。例えば、注意範囲推定モデル１１４が、「特徴量」の変数が与えられた場合における「注意範囲」に対応する情報の変数の条件付き分布を表すモデルであってもよいし、「特徴量」の変数と「注意範囲」に対応する情報との関係を表す状態空間モデルであってもよい。例えば、注意範囲推定モデル１１４は、「注意範囲」に対応する情報がｒであったときに、眼の動的な変化に基づく特徴を表すκ（例えば、マイクロサッカードの持つ特徴を表すマークκ）をもつ事象が発生する頻度g(r,κ)（例えば、単位時間当たりの発生率である条件付強度関数）に基づいて得られる統計モデル（例えば、g(r,κ)そのもの）であってもよい。何れかの時点の「特徴量」と注意範囲推定モデル１１４とに基づいてその時点の推定結果のみを得てもよいし、「特徴量」の時系列と注意範囲推定モデル１１４とに基づいて推定結果の時系列を得てもよい。後者の場合、例えば、過去の時点以前の「対象者」の「眼の動的な変化」に基づく「特徴量」の時系列が与えられた場合における、「対象者」が過去の時点に注目していたと推定された各「注意範囲」に応じた「第１事後確率分布」と、「第１事後確率分布」の遷移確率とを用い、過去の時点以前の「対象者」の「眼の動的な変化」に基づく「特徴量」の時系列が与えられた場合における、「対象者」が現時点で注目していると推定される注意範囲の「第２事後確率分布」を得、「第２事後確率分布」と上述の頻度g(r,κ)とを用い、現時点以前の「対象者」の「眼の動的な変化」に基づく「特徴量」の時系列が与えられた場合における、「対象者」が現時点で注目していると推定される「注意範囲」に応じた「第３事後確率分布」を、「推定結果」として得てもよい。なお「過去の時点」は、例えば、「現時点」の一期前（直前）の時点である。

このような注意範囲推定モデル１１４の学習は以下のように行われる。
１．表示部が、複数の「注意範囲」それぞれに応じた位置に「注視対象」を表示する。
２．当該「注視対象」が表示されるまでの「学習用対象者」の「眼の動的な変化」に基づく「特徴量」（注視対象が表示されたときの対象者の眼の動的な変化に基づく特徴量）が、当該「注視対象」に対応する「注意範囲」それぞれに対応する「特徴量」として抽出される。
３．このように得られた「学習用注意範囲」のそれぞれに対応する「学習用特徴量」を用い、「眼の動的な変化」に基づく「特徴量」の変数と「注意範囲」に対応する情報の変数との「関係を表す情報」が得られる。「関係を表す情報」は上述の頻度g(r,κ)そのものであってもよいし、頻度g(r,κ)を特定するための情報であってもよい。
なお、学習処理は、「注意範囲」の推定の対象となる「対象者」自身の「眼の動的な変化」に基づく「特徴量」を用いて行われることが望ましい。これにより、マイクロサッカード等の「眼の動的な変化」に基づく「特徴量」から「対象者」の「注意範囲」を高い精度で推定できる。ただし、「注意範囲」の推定の対象となる「対象者」以外の「眼の動的な変化」に基づく「特徴量」を用いて学習処理が行われてもよい。

その他、重回帰分析、隠れマルコフモデル、ニューラルネットワーク、ディープラーニングなどを利用したモデルが用いられてもよい。注意範囲推定モデル１１４は、注意範囲推定装置１１０の記憶部（図示せず）に記憶されていてもよいし、外部から注意範囲推定装置１１０に入力されてもよい。

なお、或る主体の「注意範囲」とは、その主体が注意している範囲、すなわち、その主体が視界でとらえようと意識している範囲を意味する。或る主体の「注意範囲」は、その主体が現実に注視している範囲（注視範囲や注視点）よりも広い。或る主体の「注意範囲」は、例えば、その主体の視野範囲よりも狭く、注視範囲や注視点よりも広い範囲である。「注意範囲」の広さに対応する情報は、「注意範囲」に対して定まる情報である。「注意範囲の広さに対応する情報」は、いくつかの段階にカテゴライズされた注意範囲の広さの程度を表す情報であってもよいし、「注意範囲」のサイズを特定するための情報であってもよい。

＜注意範囲推定部１１３＞
注意範囲推定部１１３は、特徴量抽出部１１２で抽出された「特徴量」に基づいて対象者の注意範囲の広さに対応する情報の推定結果である「推定注意範囲情報」を得、当該「推定注意範囲情報」を運動パフォーマンス推定部１２０に出力する。本実施形態の注意範囲推定部１１３は、特徴量抽出部１１２で抽出された「特徴量」を注意範囲推定モデル１１４に適用することで「推定注意範囲情報」を得て出力する。すなわち、注意範囲推定部１１３は、特徴量抽出部１１２から出力された「特徴量」を注意範囲推定モデル１１４に入力して「推定注意範囲情報」を得て出力する。「推定注意範囲情報」は、注意範囲の広さに対応する情報の推定結果である。

＜運動パフォーマンス推定モデル１３０＞
運動パフォーマンス推定モデル１３０は、注意範囲の広さに対応する情報を入力とし、ヒトの運動パフォーマンスを示す指標を出力する学習済みモデル（第１の学習済みモデル）である。「運動パフォーマンスを示す指標」の例は、前述した「反応の正確性を表す指標」や「反応速度を表す指標」である。しかし、これは本発明を限定しない。例えば、「反応の強さを表す指標」「反応の大きさを表す指標」「疲労具合を表す指標」「緊張状態を表す指標」などを「運動パフォーマンスを示す指標」としてもよい。運動パフォーマンス推定モデル１３０は、１つのモデルのみを含んでいてもよいし、複数個のモデルを含んでいてもよい。すなわち、運動パフォーマンス推定モデル１３０は、注意範囲の広さに対応する情報を入力とし、１種類の運動パフォーマンスを示す指標を出力するものであってもよいし、複数種類の運動パフォーマンスを示す指標を出力するものであってもよい。

運動パフォーマンス推定モデル１３０は、学習用に用意されたヒトの注意範囲の広さに対応する情報と当該ヒトの運動パフォーマンスを示す指標の正解との組からなるデータ集合（学習用データ集合）を用い、機械学習やニューラルネットワーク等の手法により学習されたものである。「学習用データ集合」として、ヒトの眼の動的な変化に基づく特徴量と当該ヒトの運動パフォーマンスを示す指標の正解との組からなるデータ集合が用いられてもよい。この場合には、注意範囲推定モデル１１４を用いて眼の動的な変化に基づく特徴量から注意範囲の広さが推定され、推定された注意範囲の広さと運動パフォーマンスを示す指標の正解との組からなるデータ集合を用いて、運動パフォーマンス推定モデル１３０が学習されればよい。すなわち、運動パフォーマンス推定モデル１３０は、ヒトから取得した注意範囲の広さに対応する情報と、当該ヒトの運動パフォーマンスの指標の正解と、を含む学習用データを用いて、コンピュータにより学習された学習済みモデルである。注意範囲の広さに対応する情報とは、注意範囲の大きさそのものであってもよいし、注意範囲が広さ毎にカテゴリ分けされているものとしてそのカテゴリを特定する情報であってもよい。当該ヒトは自ら運動を行っていてもよいし、自ら運動を行っていなくてもよいが、少なくとも何等かの肉体的または精神的な活動を行っている必要がある。肉体的な活動の例はエクササイズであり、精神的な活動の例は判断、決断、決定、反応などである。本実施形態における「注意範囲の広さに対応する情報とヒトの運動パフォーマンスとの関連付け」は、運動パフォーマンス推定モデル１３０（第１の学習済みモデル）により与えられる。学習用データ集合は、例えば、前述した実験の被験者から取得する。運動パフォーマンス推定モデル１３０の例は、識別学習によって得られるＳＶＭ等の分類器である。その他、重回帰分析、k-means、単純クラスタリング、隠れマルコフモデル、ニューラルネットワーク、ディープラーニングなどを利用したモデルが運動パフォーマンス推定モデル１３０とされてもよい。

運動パフォーマンス推定モデル１３０は、入力された注意範囲の広さに対応する情報に対して１種類の運動パフォーマンスを示す指標を出力する１個のモデルを含んでいてもよいし、入力された注意範囲の広さに対応する情報に対して複数種類の運動パフォーマンスを示す指標を出力する１個のモデルを含んでいてもよいし、入力された注意範囲の広さに対応する情報に対して１種類の運動パフォーマンスを示す指標を出力するモデルを複数個含んでいてもよい。運動パフォーマンス推定モデル１３０は、運動パフォーマンス推定装置１の記憶部（図示せず）に記憶されていてもよいし、外部から運動パフォーマンス推定装置１に入力されてもよい。

＜運動パフォーマンス推定部１２０＞
運動パフォーマンス推定部１２０は、ヒトの注意範囲の広さに対応する情報と当該ヒトの運動パフォーマンスとの関連付けに基づいて、注意範囲推定部１１３で得た「推定注意範囲情報」から「対象者」の運動パフォーマンスの指標を得て出力する。本実施形態の運動パフォーマンス推定部１２０は、運動パフォーマンス推定モデル１３０に基づいて「推定注意範囲情報」から運動パフォーマンスを示す指標を得て出力する。つまり、運動パフォーマンス推定部１２０は、注意範囲推定部１１３から出力された注意範囲の広さを表す情報を運動パフォーマンス推定モデル１３０に入力することで、運動パフォーマンスを表す指標（の推定値）を得て出力する。運動パフォーマンス推定部１２０は、１種類の運動パフォーマンスを示す指標のみを出力してもよいし、複数種類の運動パフォーマンスを示す指標を出力してもよい。

［第２実施形態］
第２実施形態でも、注意範囲の広さに対応する情報と人の運動パフォーマンスとの関連付けに基づいて、注意範囲推定部１１３で得た推定注意範囲情報から対象者の運動パフォーマンスの指標を得る。ただし、本実施形態では、前述の背景となる実験結果で示した相関関係に関する知見を直接利用し、対象者の眼の動きに基づいて、対象者の反応速度や反応の正確性を推定する。すなわち、第１実施形態では、反応速度や反応の正確性に限定しない様々な運動パフォーマンスを推定するために学習済みモデル（運動パフォーマンス推定モデル）を用いた。しかし、第２実施形態では、運動パフォーマンス推定モデルの代わりに実験により得た知見を応用することで直接的に反応速度や反応の正確性を推定する。以下、これまで説明した事項との相違点を中心に説明し、既に説明した事項については同じ参照番号を用いて説明を簡略化する。

図２に例示するように、本実施形態の運動パフォーマンス推定装置２は、注意範囲推定装置１１０、および運動パフォーマンス推定部２２０を有する。

＜運動パフォーマンス推定部２２０＞
運動パフォーマンス推定部２２０は、注意範囲推定部１１３から出力された注意範囲の広さに対応する情報（推定注意範囲情報）に基づいて、反応速度および／または反応の正確性を示す指標（運動パフォーマンスの指標）を得て出力する。

例えば、運動パフォーマンス推定部２２０は、注意範囲推定部１１３で得た「推定注意範囲情報」に対応する注意範囲の広さが「第１の広さ」である場合に「第１の反応の正確性」を表す運動パフォーマンスの指標を得て出力する。また、運動パフォーマンス推定部２２０は、当該「推定注意範囲情報」に対応する注意範囲の広さが「第１の広さ」よりも広い「第２の広さ」である場合に「第１の反応の正確性」よりも高い「第２の反応の正確性」を表す運動パフォーマンスの指標を得て出力する。例えば、運動パフォーマンス推定部２２０は、注意範囲推定部１１３から出力された「推定注意範囲情報」が表す注意範囲の広さが広いほど（注意範囲が広いことを示すカテゴリであるほど）、高い反応の正確性を示す運動パフォーマンスの指標を得て出力する。

例えば、運動パフォーマンス推定部２２０は、当該「推定注意範囲情報」に対応する注意範囲の広さが「第３の広さ」である場合に「第３の反応速度」を表す運動パフォーマンスの指標を得て出力する。また運動パフォーマンス推定部２２０は、当該「推定注意範囲情報」に対応する注意範囲の広さが「第３の広さ」よりも広い「第４の広さ」である場合に「第３の反応速度」よりも遅い「第４の反応速度」を表す運動パフォーマンスの指標を得て出力する。例えば、運動パフォーマンス推定部２２０は、注意範囲推定部１１３から出力された「推定注意範囲情報」の広さが広いほど（注意範囲が広いことを示すカテゴリであるほど）、遅い反応速度を示す運動パフォーマンスの指標を得て出力する。

このような処理のために、図７に例示するように、予め注意範囲の広さのカテゴリ（「大」「中」「小」）と反応速度の指標（「遅」「中」「速」）や反応の正確性の指標（「高」「中」「低」）とを対応付けた表を運動パフォーマンス推定部２２０に格納しておいてもよい。この場合、運動パフォーマンス推定部２２０は、この表に基づいて、入力された「推定注意範囲情報」が表す注意範囲の広さのカテゴリに対応する反応速度の指標（カテゴリ）や反応の正確性の指標（カテゴリ）を出力する。あるいは、運動パフォーマンス推定部２２０は、「推定注意範囲情報」が表す注意範囲の半径ｒに対して単調増加（または単調非減少）する関数値ｆ（ｒ）を反応の正確性の指標として出力してもよい。同様に、運動パフォーマンス推定部２２０は、「推定注意範囲情報」が表す注意範囲の半径ｒに対して単調減少（または単調非増加）する関数値ｇ（ｒ）を反応速度の指標として出力してもよい。なお、この反応速度の指標は反応速度が速いほど大きい。

［第３実施形態］
第３実施形態では、第１実施形態で用いた注意範囲と運動パフォーマンスを表す指標との相関性を利用し、対象者の運動パフォーマンスを向上させるよう支援する情報を提示する。

図３に例示するように、本実施形態のトレーニング装置３は、注意範囲推定装置１１０、運動パフォーマンス推定部１２０、運動パフォーマンス推定モデル１３０、訓練情報生成部３４０、注意範囲生成モデル３５０、および訓練情報提示部３６０を有する。注意範囲推定装置１１０、運動パフォーマンス推定部１２０、および運動パフォーマンス推定モデル１３０の処理は第１実施形態で説明した通りである。

＜注意範囲生成モデル３５０（第２の学習済みモデル）＞
注意範囲生成モデル３５０は、運動パフォーマンスを示す指標を入力とし、注意範囲の広さに対応する情報を出力する学習済みモデルである。つまり、運動パフォーマンス推定モデル１３０とは逆方向の推定をするモデルである。注意範囲生成モデル３５０の学習には、運動パフォーマンス推定モデル１３０の学習に用いた学習用データ集合と同じ学習用データ集合を用いればよい。運動パフォーマンス推定モデル１３０の学習とは入力と出力の関係を逆にして、機械学習やニューラルネットワーク等により注意範囲生成モデル３５０を学習すればよい。つまり、注意範囲推定モデル１１４を用いて眼の動的な変化に基づく特徴量から注意範囲の広さが推定され、推定された注意範囲の広さと運動パフォーマンスを示す指標の正解との組からなるデータ集合を用いて学習を行えばよい。すなわち、注意範囲生成モデル３５０は、ヒトから取得した注意範囲の広さに対応する情報と、ヒトの運動パフォーマンスの指標の正解と、を含む学習用データを用いて、コンピュータにより学習されたものである。注意範囲の広さに対応する情報とは、注意範囲の大きさそのものであってもよいし、注意範囲が広さ毎にカテゴリ分けされているものとしてそのカテゴリを特定する情報であってもよい。注意範囲生成モデル３５０は、トレーニング装置３の記憶部（図示せず）に記憶されていてもよいし、外部からトレーニング装置３に入力されてもよい。

＜訓練情報生成部３４０＞
訓練情報生成部３４０は、ヒトの運動パフォーマンスと注意範囲の広さに対応する情報との関連付けに基づいて、運動パフォーマンス推定部１２０で得た運動パフォーマンスの指標から、指標が表す運動パフォーマンスよりも高い運動パフォーマンスに関連付けられた注意範囲の広さに対応する情報である目標注意範囲情報を得て出力する。本実施形態では、訓練情報生成部３４０は、注意範囲生成モデル３５０に基づいて、運動パフォーマンス推定部１２０で得た運動パフォーマンスの指標から目標注意範囲情報を得る。

まず、本実施形態の訓練情報生成部３４０は、運動パフォーマンス推定部１２０から出力された運動パフォーマンスを表す指標と注意範囲生成モデル３５０とに基づいて、訓練用の注意範囲の大きさを表す指標を得て出力する。具体的には、まず、運動パフォーマンス推定部１２０から出力された運動パフォーマンスを表す指標に基づいて目標とする運動パフォーマンスを表す指標を計算する。例えば、運動パフォーマンスを表す指標が取り得る値が連続値であり、値が大きいほど運動パフォーマンスが高いことを示す場合には、運動パフォーマンス推定部１２０から出力された運動パフォーマンスを表す指標に所定の値を加算した値を目標とする運動パフォーマンスを表す指標とする。あるいは、運動パフォーマンスを表す指標が取りうる値が離散値であり、値が大きいほど運動パフォーマンスが高いことを示す場合には、取り得る離散値のうち、運動パフォーマンス推定部１２０から出力された運動パフォーマンスを表す指標よりも大きい離散値を目標とする運動パフォーマンスを表す指標とする。要するに、運動パフォーマンス推定部１２０から出力された運動パフォーマンスを表す指標よりも、運動パフォーマンスが高いことに対応する指標を目標とする運動パフォーマンスを表す指標とすればよい。

次に、訓練情報生成部３４０は、目標とする運動パフォーマンスを表す指標を注意範囲生成モデル３５０に入力し、注意範囲の広さに対応する情報（の推定値）（目標注意範囲情報）を得る。ここで得られる「目標注意範囲情報」は、注意範囲生成モデル３５０に基づいて目標とする運動パフォーマンスを表す指標を達成するために必要と推定された、注意範囲の広さを表す。

＜訓練情報提示部３６０＞
訓練情報提示部３６０は、訓練情報生成部３４０が出力した注意範囲の広さに対応した情報（目標注意範囲情報）を、対象者が認識可能な形で提示する。つまり、対象者の注意範囲を、訓練情報生成部３４０が出力した「目標注意範囲情報」に対応する注意範囲の広さに近づけるための情報を提示する。例えば、対象者がディスプレイの対象物を見ている場合、訓練情報提示部３６０は、ディスプレイに表示された対象物の映像に、「目標注意範囲情報」に対応する注意範囲の広さを示す円形などの図形を重畳した映像を提示してもよい。あるいは、訓練情報提示部３６０は、注意範囲推定部１１３で得た「推定注意範囲情報」に対応する注意範囲の広さを示す指標（現在の注意範囲の広さ）と、訓練情報生成部３４０で得た「目標注意範囲情報」に対応する注意範囲の広さを示す指標とを視認可能なようにディスプレイ上に表示してもよい。これにより、対象者は現在の注意範囲の状態と目指すべき注意範囲の状態を把握できる。あるいは、訓練情報提示部３６０は、音声等により、注意範囲推定部１１３で得た「推定注意範囲情報」に対応する注意範囲の広さを示す指標（現在の注意範囲の広さ）と、訓練情報生成部３４０で得た「目標注意範囲情報」に対応する注意範囲の広さを示す指標との差分を認識可能なように提示してもよい。これにより、対象者は現在の注意範囲の状態と目指すべき注意範囲の状態の差分を把握できる。

［第４実施形態］
第４実施形態では、第２実施形態の運動パフォーマンス推定装置２の構成を利用して、対象者の反応速度や反応の正確性を向上させるよう支援する情報を提示する。

図４に例示するように、本実施形態のトレーニング装置４は、注意範囲推定装置１１０、運動パフォーマンス推定部２２０、および訓練情報生成部４４０、訓練情報提示部４６０を有する。注意範囲推定装置１１０、および運動パフォーマンス推定部２２０の処理は、第２実施形態で説明した通りである。

＜訓練情報生成部４４０＞
訓練情報生成部４４０は、ヒトの運動パフォーマンスと注意範囲の広さに対応する情報との関連付けに基づいて、運動パフォーマンス推定部２２０で得た運動パフォーマンスの指標から、指標が表す運動パフォーマンスよりも高い運動パフォーマンスに関連付けられた注意範囲の広さに対応する情報である目標注意範囲情報を得て出力する。本実施形態の訓練情報生成部４４０は、運動パフォーマンス推定部２２０で推定した運動パフォーマンスの指標（反応速度の指標または反応の正確性の指標）に基づいて、推定した運動パフォーマンスの指標よりも運動パフォーマンスが向上する方向に注意範囲の広さを変化させるための情報（目的注意範囲情報）を得て出力する。すなわち、運動パフォーマンスが反応の正確性である場合には、訓練情報提示部４６０は、注意範囲推定部１１３が出力した「推定注意範囲情報」が示す注意範囲の広さよりも広い注意範囲に対応する「目的注意範囲情報」を得る。また、運動パフォーマンスが反応速度である場合には、訓練情報提示部４６０は、注意範囲推定部１１３が出力した「推定注意範囲情報」が示す注意範囲の広さよりも狭い注意範囲に対応する「目的注意範囲情報」を得る。

＜訓練情報提示部４６０＞
訓練情報提示部４６０は、訓練情報生成部４４０が出力した「目的注意範囲情報」を、対象者が認識可能な形で提示する。例えば、運動パフォーマンスが反応の正確性であり、対象者がディスプレイの対象物を見ている場合、訓練情報提示部４６０は、対象物の映像に、注意範囲推定部１１３で得た「推定注意範囲情報」に対応する注意範囲の広さよりも広い範囲を示す円形などの図形を重畳した映像を提示する。あるいは、訓練情報提示部４６０は、「推定注意範囲情報」に対応する注意範囲の広さを示す指標と、「目的注意範囲情報」に対応する注意範囲の広さを示す指標とをディスプレイ上に表示してもよい。これにより、対象者は現在の注意範囲の状態と目指すべき注意範囲の状態を把握できる。あるいは、訓練情報提示部４６０は、「推定注意範囲情報」に対応する注意範囲の広さを示す指標と、「目的注意範囲情報」に対応する注意範囲の広さを示す指標との差分を認識可能な音声等を提示してもよい。これにより、対象者は現在の注意範囲の状態と目指すべき注意範囲の状態を把握できる。あるいは、訓練情報提示部４６０は、音声等により、注意範囲を広げる（狭める）ことを勧めるアナウンスを流してもよい。

なお、本発明は上述の実施形態に限定されるものではない。例えば、上述の各種の処理は、記載に従って時系列に実行されるのみならず、処理を実行する装置の処理能力あるいは必要に応じて並列的にあるいは個別に実行されてもよい。その他、本発明の趣旨を逸脱しない範囲で適宜変更が可能であることはいうまでもない。

上記の各装置は、例えば、ＣＰＵ（central processing unit）等のプロセッサ（ハードウェア・プロセッサ）およびＲＡＭ（random-access memory）・ＲＯＭ（read-only memory）等のメモリ等を備える汎用または専用のコンピュータが所定のプログラムを実行することで構成される。このコンピュータは１個のプロセッサやメモリを備えていてもよいし、複数個のプロセッサやメモリを備えていてもよい。このプログラムはコンピュータにインストールされてもよいし、予めＲＯＭ等に記録されていてもよい。また、ＣＰＵのようにプログラムが読み込まれることで機能構成を実現する電子回路（circuitry）ではなく、プログラムを用いることなく処理機能を実現する電子回路を用いて一部またはすべての処理部が構成されてもよい。１個の装置を構成する電子回路が複数のＣＰＵを含んでいてもよい。

上述の構成をコンピュータによって実現する場合、各装置が有すべき機能の処理内容はプログラムによって記述される。このプログラムをコンピュータで実行することにより、上記処理機能がコンピュータ上で実現される。この処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体に記録しておくことができる。コンピュータで読み取り可能な記録媒体の例は、非一時的な（non-transitory）記録媒体である。このような記録媒体の例は、磁気記録装置、光ディスク、光磁気記録媒体、半導体メモリ等である。

このプログラムの流通は、例えば、そのプログラムを記録したＤＶＤ、ＣＤ−ＲＯＭ等の可搬型記録媒体を販売、譲渡、貸与等することによって行う。さらに、このプログラムをサーバコンピュータの記憶装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することにより、このプログラムを流通させる構成としてもよい。

このようなプログラムを実行するコンピュータは、例えば、まず、可搬型記録媒体に記録されたプログラムもしくはサーバコンピュータから転送されたプログラムを、一旦、自己の記憶装置に格納する。処理の実行時、このコンピュータは、自己の記憶装置に格納されたプログラムを読み取り、読み取ったプログラムに従った処理を実行する。このプログラムの別の実行形態として、コンピュータが可搬型記録媒体から直接プログラムを読み取り、そのプログラムに従った処理を実行することとしてもよく、さらに、このコンピュータにサーバコンピュータからプログラムが転送されるたびに、逐次、受け取ったプログラムに従った処理を実行することとしてもよい。サーバコンピュータから、このコンピュータへのプログラムの転送は行わず、その実行指示と結果取得のみによって処理機能を実現する、いわゆるＡＳＰ（Application Service Provider）型のサービスによって、上述の処理を実行する構成としてもよい。

コンピュータ上で所定のプログラムを実行させて本装置の処理機能が実現されるのではなく、これらの処理機能の少なくとも一部がハードウェアで実現されてもよい。

１，２ 運動パフォーマンス推定装置
３，４ トレーニング装置

Claims (9)

1. 対象者の眼の動的な変化に基づく特徴量を抽出する特徴量抽出部と、
   前記特徴量抽出部で抽出された前記特徴量に基づいて前記対象者の注意範囲の広さに対応する情報の推定結果である推定注意範囲情報を得る注意範囲推定部と、
   注意範囲の広さに対応する情報とヒトの運動パフォーマンスとの関連付けに基づいて、前記注意範囲推定部で得た前記推定注意範囲情報から前記対象者の運動パフォーマンスの指標を得る運動パフォーマンス推定部と、
   を有する運動パフォーマンス推定装置。
2. 前記注意範囲の広さに対応する情報とヒトの運動パフォーマンスとの関連付けは、ヒトから取得した注意範囲の広さに対応する情報と、前記ヒトの運動パフォーマンスの指標の正解と、を含む学習用データを用いて、コンピュータにより学習された学習済みモデルにより与えられる
   ことを特徴とする請求項１の運動パフォーマンス推定装置。
3. 前記運動パフォーマンス推定部は、
   前記注意範囲推定部で得た前記推定注意範囲情報に対応する注意範囲の広さが第１の広さである場合に第１の反応の正確性を表す前記運動パフォーマンスの指標を得、前記注意範囲推定部で得た前記推定注意範囲情報に対応する注意範囲の広さが前記第１の広さよりも広い第２の広さである場合に前記第１の反応の正確性よりも高い第２の反応の正確性を表す前記運動パフォーマンスの指標を得る、および／または、
   前記注意範囲推定部で得た前記推定注意範囲情報に対応する注意範囲の広さが第３の広さである場合に第３の反応速度を表す前記運動パフォーマンスの指標を得、前記注意範囲推定部で得た前記推定注意範囲情報に対応する注意範囲の広さが前記第３の広さよりも広い第４の広さである場合に前記第３の反応速度よりも遅い第４の反応速度を表す前記運動パフォーマンスの指標を得る
   ことを特徴とする請求項１の運動パフォーマンス推定装置。
4. 対象者の眼の動的な変化に基づく特徴量を抽出する特徴量抽出部と、
   前記特徴量抽出部で抽出された前記特徴量に基づいて前記対象者の注意範囲の広さに対応する情報の推定結果である推定注意範囲情報を得る注意範囲推定部と、
   注意範囲の広さに対応する情報とヒトの運動パフォーマンスとの関連付けに基づいて、前記推定注意範囲情報から前記対象者の運動パフォーマンスの指標を得る運動パフォーマンス推定部と、
   ヒトの運動パフォーマンスと注意範囲の広さに対応する情報との関連付けに基づいて、前記運動パフォーマンス推定部で得た前記運動パフォーマンスの指標から、前記指標が表す運動パフォーマンスよりも高い運動パフォーマンスに関連付けられた注意範囲の広さに対応する情報である目標注意範囲情報を得る訓練情報生成部と、
   前記目標注意範囲情報を前記対象者が認識可能な形で提示する訓練情報提示部と、
   を有するトレーニング装置。
5. 前記運動パフォーマンス推定部は、注意範囲の広さに対応する情報を入力として運動パフォーマンスの指標を出力する第１の学習済みモデルに基づいて、前記推定注意範囲情報から前記対象者の運動パフォーマンスの指標を得るものであり、
   前記訓練情報生成部は、運動パフォーマンスの指標を入力として注意範囲の広さに対応する情報を出力する第２の学習済みモデルに基づいて、前記運動パフォーマンス推定部で得た前記運動パフォーマンスの指標から前記目標注意範囲情報を得るものであり、
   前記第１の学習済みモデルは、ヒトから取得した注意範囲の広さに対応する情報と、前記ヒトの運動パフォーマンスの指標の正解と、を含む学習用データを用いて、コンピュータにより学習されたものであり、
   前記第２の学習済みモデルは、ヒトから取得した眼の動的な変化に基づく特徴量またはヒトから取得した注意範囲の広さに対応する情報と、前記ヒトの運動パフォーマンスの指標の正解と、を含む学習用データを用いて、コンピュータにより学習されたものである
   ことを特徴とする請求項４のトレーニング装置。
6. 前記運動パフォーマンス推定部は、
   前記推定注意範囲情報に対応する注意範囲の広さが第１の広さである場合に第１の反応の正確性を表す前記運動パフォーマンスの指標を得、前記推定注意範囲情報に対応する注意範囲の広さが前記第１の広さよりも広い第２の広さである場合に前記第１の反応の正確性よりも高い第２の反応の正確性を表す前記運動パフォーマンスの指標を得る、または、
   前記推定注意範囲情報に対応する注意範囲の広さが第３の広さである場合に第３の反応速度を表す前記運動パフォーマンスの指標を得、前記推定注意範囲情報に対応する注意範囲の広さが前記第３の広さよりも広い第４の広さである場合に前記第３の反応速度よりも遅い第４の反応速度を表す前記運動パフォーマンス指標を得、
   前記訓練情報生成部は、
   前記運動パフォーマンスが反応の正確性である場合には、前記推定注意範囲情報が示す注意範囲の広さよりも広い注意範囲に対応する前記目的注意範囲情報を得、前記運動パフォーマンスが反応速度である場合には、前記推定注意範囲情報が示す注意範囲の広さよりも狭い注意範囲に対応する前記目標注意範囲情報を得る
   ことを特徴とする請求項４のトレーニング装置。
7. 対象者の眼の動的な変化に基づく特徴量を抽出する特徴量抽出ステップと、
   前記特徴量抽出ステップで抽出された前記特徴量に基づいて前記対象者の注意範囲の広さに対応する情報の推定結果である推定注意範囲情報を得る注意範囲推定ステップと、
   注意範囲の広さに対応する情報とヒトの運動パフォーマンスとの関連付けに基づいて、前記注意範囲推定ステップで得た前記推定注意範囲情報から前記対象者の運動パフォーマンスの指標を得る運動パフォーマンス推定ステップと、
   を有する運動パフォーマンス推定方法。
8. 対象者の眼の動的な変化に基づく特徴量を抽出する特徴量抽出ステップと、
   前記特徴量抽出ステップで抽出された前記特徴量に基づいて前記対象者の注意範囲の広さに対応する情報の推定結果である推定注意範囲情報を得る注意範囲推定ステップと、
   注意範囲の広さに対応する情報とヒトの運動パフォーマンスとの関連付けに基づいて、前記推定注意範囲情報から前記対象者の運動パフォーマンスの指標を得る運動パフォーマンス推定ステップと、
   ヒトの運動パフォーマンスと注意範囲の広さに対応する情報との関連付けに基づいて、前記運動パフォーマンス推定ステップで得た前記運動パフォーマンスの指標から、前記指標が表す運動パフォーマンスよりも高い運動パフォーマンスに関連付けられた注意範囲の広さに対応する情報である目標注意範囲情報を得る訓練情報生成ステップと、
   前記目標注意範囲情報を前記対象者が認識可能な形で提示する訓練情報提示ステップと、
   を有するトレーニング方法。
9. 請求項１から３の何れかの運動パフォーマンス推定装置または請求項４から６の何れかのトレーニング装置としてコンピュータを機能させるためのプログラム。