JP2019150329A - 歩行評価システムおよび歩行評価方法 - Google Patents

Abstract

【課題】歩行評価の信頼性を向上させることができる歩行評価システムを提供する。【解決手段】本発明による歩行評価システム２００は、被験者の歩行データを取得する歩行データ取得部１と、歩行データ取得部１により取得された歩行データから歩行パラメータを抽出する抽出部２０５と、係数を記憶した係数記憶部２０６と、抽出部２０５により抽出された歩行パラメータと、係数記憶部２０６に記憶された係数とに基づいて、歩行評価モデルから被験者の歩行評価値を算出する評価値算出部２０７と、を備えている。係数記憶部２０６に記憶された係数は、評価基準者の歩行データから抽出された歩行パラメータと、当該評価基準者の歩行評価基準値とに基づいて、歩行評価モデルから得られた値である。【選択図】図１

Description

本発明は、歩行データから歩行評価を行うための歩行評価システムおよび歩行評価方法に関する。

高齢者の増加に伴い、足腰の運動機能の低下による運動器症候群（ロコモティブシンドローム；以下ロコモ）は社会問題となっている。そこで、病院だけでなく、生活に密着した地域でのロコモ予防により、健康寿命の延伸、医療費の削減が期待されている。ロコモ対策には、歩数の量的な増加のみならず歩き方の歩行の質的向上が求められており、個人の歩行がどのような状態であるかを歩行評価することが重要である。

歩行に問題がある場合には、理学療法士などの専門家が、所定の指標（例えば、リズムや勢い、安定性等）に基づいて目視診断を行って歩行評価を行う。しかしながら、病院以外の介護施設や地域包括ケアシステムの通いの場となっている公民館、フィットネスクラブなどでは、高齢者数に対し専門家数が圧倒的に不足し、個々の歩行機能を詳細に把握できず納得のいく診断が得られにくいという問題がある。また病院でも、歩行評価の指標の統一化がなされていないケースもあり、目視での確認では、評価のばらつきが生じている。

一方、被験者の歩行データを取得して分析し、歩行が正常に行われているか否かを判断することができるシステムが知られている（例えば、特許文献１〜４参照）。

このうち、特許文献１においては、足部圧力と膝部の慣性感圧素子の三次元角度情報から膝関節トルクに基づいた歩行分析結果を算出する歩行分析システムが開示されている。特許文献２においては、足部の加速度、傾斜、角速度センサから、蹴り足、テンポ、足の高度、歩幅のうちのいずれか１つ以上を評価する歩行評価装置が開示されている。特許文献３においては、足部の加速度から周波数スペクトル分布を算出し、第１ピーク、第２ピークとの関係性により健常歩行か否かを判定する歩行評価装置が開示されている。特許文献４では、腰部加速度データから歩行速度、歩幅、歩調を算出し、転倒リスクを判別する歩行解析システムが開示されている。

特開２０１７−１４４２３７号公報 特開２００９−０００３９１号公報 特開２０１３−０５９４８９号公報 特開２００９−２６１５９５号公報

しかしながら、特許文献１〜４に開示された方法では、被験者の歩行データから得られる特定の歩行パラメータに着目して歩行評価を行っている。一方、被験者の歩行の目視診断では、特定のパラメータではなく、所定の指標を採用して歩行評価を行っている。このため、目視診断時に採用する指標に基づいて歩行評価を行うシステムを開発することで、歩行評価のばらつきを抑制し、歩行評価の信頼性を向上させることが望まれている。

本発明はこのような点を考慮してなされたものであり、歩行評価の信頼性を向上させることができる歩行評価システムおよび歩行評価方法を提供することを目的とする。

本発明は、
被験者の歩行データから歩行評価を行うための歩行評価システムであって、
前記被験者の歩行データを取得する歩行データ取得部と、
前記歩行データ取得部により取得された前記歩行データから歩行パラメータを抽出する抽出部と、
係数を記憶した係数記憶部と、
前記抽出部により抽出された前記歩行パラメータと、前記係数記憶部に記憶された前記係数とに基づいて、歩行評価モデルから前記被験者の歩行評価値を算出する評価値算出部と、を備え、
前記係数記憶部に記憶された前記係数は、評価基準者の歩行データから抽出された歩行パラメータと、当該評価基準者の歩行評価基準値とに基づいて、前記歩行評価モデルから得られた値である、歩行評価システム、
を提供する。

上述した歩行評価システムにおいて、
前記評価基準者の前記歩行評価基準値を入力する入力部と、
前記抽出部により前記評価基準者の前記歩行データから抽出された前記歩行パラメータと、前記入力部により入力された前記歩行評価基準値とに基づいて、前記歩行評価モデルから前記係数を算出する係数算出部と、を更に備え、
前記係数記憶部に記憶された前記係数は、前記係数算出部により算出された値である、ようにしてもよい。

上述した歩行評価システムにおいて、
前記評価基準者の前記歩行評価基準値は、専門家により決定された値である、
ようにしてもよい。

上述した歩行評価システムにおいて、
前記評価値算出部により算出された前記歩行評価値に基づいて、前記被験者の歩行評価結果を表示する表示部を更に備える、
ようにしてもよい。

上述した歩行評価システムにおいて、
前記歩行評価モデルは、重回帰モデルまたはロジスティック回帰モデルである、
ようにしてもよい。

上述した歩行評価システムにおいて、
前記評価値算出部により算出された前記歩行評価値に基づいて前記被験者の歩行を判定する判定部を更に備える、
ようにしてもよい。

上述した歩行評価システムにおいて、
前記歩行評価モデルは、重回帰モデルであり、
前記評価値算出部は、複数の前記歩行評価値を算出し、
前記判定部は、前記評価値算出部により算出された複数の前記歩行評価値の和に基づいて前記被験者の歩行を判定する、
ようにしてもよい。

上述した歩行評価システムにおいて、
前記歩行評価基準値は、修正歩行異常性尺度で規定された歩行の異常性を表わす点数に相当する値である、
ようにしてもよい。

上述した歩行評価システムにおいて、
前記歩行評価基準値は、修正歩行異常性尺度で規定された歩行の異常性を表わす点数であって、複数の指標に基づく点数を加算した値である、
ようにしてもよい。

上述した歩行評価システムにおいて、
前記抽出部は、立脚期に関連付けられた歩行パラメータと、遊脚期に関連付けられた歩行パラメータとを抽出する、
ようにしてもよい。

上述した歩行評価システムにおいて、
前記抽出部は、ヒールロッカー期に関連付けられた歩行パラメータと、アンクルロッカー期に関連付けられた歩行パラメータと、フォアフットロッカー期に関連付けられた歩行パラメータと、を抽出する、
ようにしてもよい。

また、本発明は、
被験者の歩行データから歩行評価を行うための歩行評価方法であって、
前記被験者の歩行データを取得するデータ取得ステップと、
前記歩行データから歩行パラメータを抽出する抽出ステップと、
前記歩行パラメータと、係数記憶部に記憶された係数とに基づいて、歩行評価モデルから前記被験者の歩行評価値を算出する評価値算出ステップと、を備え、
前記係数記憶部に記憶された前記係数は、評価基準者の歩行データから抽出された歩行パラメータと、当該評価基準者の歩行評価基準値とに基づいて、前記歩行評価モデルから得られた値である、歩行評価方法、
を提供する。

上述した歩行評価方法において、
前記評価基準者の歩行データを取得するデータ取得ステップと、
前記評価基準者の前記歩行データから歩行パラメータを抽出する抽出ステップと、
前記評価基準者の歩行を目視して、前記歩行評価基準値を決定する決定ステップと、
前記評価基準者の前記歩行パラメータと、前記歩行評価基準値とに基づいて、前記歩行評価モデルから前記係数を算出する係数算出ステップと、を更に備え、
前記係数記憶部に記憶された前記係数は、前記係数算出ステップにおいて算出された値である、
ようにしてもよい。

上述した歩行評価方法において、
前記決定ステップにおいて、前記歩行評価基準値の決定は、専門家が前記評価基準者の歩行を目視して行う、
ようにしてもよい。

本発明によれば、歩行評価の信頼性を向上させることができる。

図１は、本発明の実施の形態における歩行評価システムの構成を示すブロック図である。 図２は、図１に示す歩行評価システムで用いられる修正歩行異常性尺度を説明するための表である。 図３は、図１に示す歩行データ取得部の一例を示す斜視図である。 図４は、本発明の実施の形態における歩行評価方法を示すフローチャートである。 図５は、図３の歩行データ取得部から取得される歩行データを示すグラフである。 図６は、図５で得られた歩行データから歩行パラメータを抽出する方法を説明するための図である。 図７は、歩行時の足裏圧力を説明するための図である。 図８は、図１に示す表示部における被験者の歩行評価結果の表示例を示す図である。 図９は、図１２に示す歩行評価結果の他の表示例を示す図である。 図１０は、実施例１におけるセンサ構成を説明するための表である。 図１１は、実施例１において得られた歩行データのＧａｒｓ基準値を示す表である。 図１２は、実施例１において得られた自由度調整済み決定係数、ＲＭＳＥおよび正答率を示す表である。 図１３は、実施例２おいて得られた再現率および正答率を示す表である。

以下、図面を参照して本発明の実施の形態について説明する。

図１〜図９を参照して、本発明の実施の形態における歩行評価システムおよび歩行評価方法について説明する。図１に示すように、本実施の形態における歩行評価システム２００は、歩行評価モデルを用いて、被験者の歩行データから歩行評価を行うためのシステムである。なお、図１は、歩行評価システム２００のブロック図を示しているが、各ブロックを結ぶ線は、情報の流れを示すことを意図して描かれている。

本実施の形態では、人の歩行に異常があるか否かを評価するための尺度の一例として、修正歩行異常性尺度（Modified Gait Abnormality Rating Scale：ＧＡＲＳ−Ｍ）を用いる。修正歩行異常性尺度については、例えば、小林まり子、外５名、“地域高齢者における動画観察による歩行異常性尺度の評価者間信頼性”（理学療法学 ２０１２年、第３９巻、第７号、３９７頁〜４０３頁）に記載されている。ＧＡＲＳ−Ｍでは、図２に示す７つの指標（Ｇａｒｓ１〜Ｇａｒｓ７）の修正歩行異常性尺度に基づいて付与された歩行の異常性を点数で表わす。点数は、０点〜３点で付けられて、点数が大きい方が異常度が深刻になることを表わしている。通常、点数は整数で付けられ、４段階の評価になっている。

一般的には、理学療法士などの専門家は、被験者の歩行評価を行う際、被験者の歩行を目視診断し、ＧＡＲＳ−Ｍの７つの指標の評価を行って点数を決定している。本実施の形態による歩行評価システム２００は、これらの７つの指標（Ｇａｒｓ１〜Ｇａｒｓ７）の各々で点数に相当する数値（歩行評価値）を自動的に算出することで、被験者の歩行評価を行う。ここで、専門家とは、歩行評価について専門知識を有する者をいう。専門家の例としては、理学療法士、義肢装具士、リハビリテーション科専門医、整形外科医が挙げられるが、歩行評価についての専門知識を有していれば、これらの者に限られることはない。

図１に示すように、歩行評価システム２００は、歩行データ取得部（データ取得装置）１と、システム本体２０１と、を備えている。このうちシステム本体２０１は、データ受信部２０２と、データ記憶部２０３と、モデル記憶部２０４と、抽出部２０５と、係数記憶部２０６と、評価値算出部２０７と、入力部２０８と、係数算出部２０９と、判定部２１０と、表示部２１１と、を備えている。システム本体２０１は、例えば、パーソナルコンピュータで構成することができる。

歩行データ取得部１は、被験者および評価基準者の歩行データを取得するように構成されている。歩行データ取得部１は、後述するように少なくとも１つのセンサを有しており、歩行データ取得部１を装着した被験者（または評価基準者）が歩行すると、センサの計測値から被験者の歩行データが得られるようになっている。歩行データ取得部１の詳細については後述する。

データ受信部２０２は、歩行データ取得部１から送信される歩行データを受信するように構成されている。データ受信部２０２は、無線または有線の通信手段を有し、所定の通信方式で歩行データ取得部１と通信を行う。

データ記憶部２０３は、データ受信部２０２が受信した歩行データを記憶するように構成されている。すなわち、被験者から取得された歩行データが記憶されるとともに、評価基準者から取得された歩行データが記憶される。

モデル記憶部２０４は、後述する評価値算出部２０７および係数算出部２０９で用いられる歩行評価モデルが記憶されるように構成されている。歩行評価モデルについては後述する。

抽出部２０５は、歩行データ取得部１により取得された歩行データから複数の歩行パラメータ（特徴量）を抽出するように構成されている。抽出部２０５は、立脚期に関連付けられた歩行パラメータと、遊脚期に関連付けられた歩行パラメータとを抽出してもよい。このうち立脚期については、ヒールロッカー期に関連付けられた歩行パラメータと、アンクルロッカー期に関連付けられた歩行パラメータと、フォアフットロッカー期に関連付けられた歩行パラメータとを抽出するようにしてもよい。

より具体的には、抽出部２０５は、図５に示すような曲げデータ、圧力データおよび加速度データから、歩行パラメータを抽出する。例えば、後述するＭＰ曲げデータから、ヒールロッカー期、アンクルロッカー期およびフォアフットロッカー期におけるＭＰ曲げ計測値の最小値や最大値、レンジ値、傾き等を算出する。歩行パラメータの抽出方法の詳細については後述する。

評価値算出部２０７は、抽出部２０５により抽出された複数の歩行パラメータと、係数記憶部２０６に記憶された複数の係数とに基づいて、歩行評価モデルから被験者の歩行評価値（以下、Ｇａｒｓ値と記す）を算出するように構成されている。評価値算出部２０７は、上述したモデル記憶部２０４に記憶された歩行評価モデルを用いて、Ｇａｒｓ１〜Ｇａｒｓ７の各々でＧａｒｓ値を算出する。

歩行評価モデルは、歩行パラメータと係数とからＧａｒｓ値を算出する。歩行評価モデルは回帰分析の手法を採用してＧａｒｓ値を算出するようにしてもよく、歩行評価モデルの例としては、単回帰モデルや重回帰モデル、ロジスティック回帰モデルが挙げられる。本実施の形態では、重回帰モデルを例にとって説明する。

重回帰モデルは、以下の式（１）で示される。

ここで、ｘ_１〜ｘ_ｎは、説明変数としての各歩行パラメータ（例えば、ヒールロッカー期におけるＭＰ曲げの最小値等）である。ａ_０〜ａ_ｎは係数（より詳細には、偏回帰係数）であるが、ａ_０は、定数項とも呼ばれる。ｙは、目的変数としてのＧａｒｓ値（歩行評価値）であり、０〜３の範囲での任意の値（整数以外の値を含む）をとる。すなわち、本実施の形態では、評価値算出部２０７は、式（１）のｘ_１〜ｘ_ｎに評価対象の被験者に関連付けられた歩行パラメータを代入するとともに、式（１）のａ_０〜ａ_ｎに係数記憶部２０６に記憶された係数を代入して、Ｇａｒｓ値を算出する。算出されたＧａｒｓ値は、ＧＡＲＳ−Ｍで規定された歩行の異常性を表わす点数に相当する値になる。Ｇａｒｓ値は、Ｇａｒｓ１〜Ｇａｒｓ７の各々について算出される。すなわち、係数は、後述するように、Ｇａｒｓ１〜Ｇａｒｓ７の各指標に関連付けられて記憶されているため、Ｇａｒｓ値として算出するＧａｒｓ指標に対応する係数を用いて、所望のＧａｒｓ指標に対応するＧａｒｓ値が算出される。

係数記憶部２０６は、上述した歩行評価モデルで用いられる複数の係数を記憶するように構成されている。各係数は、Ｇａｒｓ１〜Ｇａｒｓ７の各指標に関連付けられるとともに、対応する歩行パラメータに関連付けられている。係数記憶部２０６は、例えば、ＨＤＤ（ハードディスクドライブ）、ＳＳＤ（ソリッドステートドライブ）、メモリ装置、メモリカード（例えば、ＳＤカードなど）、またはＵＳＢメモリ等の記憶媒体を含んでいる。係数記憶部２０６は、上述したデータ記憶部２０３およびモデル記憶部２０４と共通の記憶媒体によって構成されていてもよい。

係数記憶部２０６に記憶された係数は、評価基準者の歩行データから抽出された歩行パラメータと、当該評価基準者の歩行パラメータを取得する際に得られた歩行評価基準値とに基づいて、上述した歩行評価モデルから得られた値である。歩行評価基準値とは、被験者とは異なる評価基準者の歩行を目視診断した専門家により決定された点数であって、歩行評価システム２００における歩行評価値（Ｇａｒｓ値）の基準値となる値である。この値を本明細書では、Ｇａｒｓ基準値と記す。このような係数の算出は、後述する係数算出部２０９で行われる。

係数算出部２０９は、評価基準者の歩行データから抽出された歩行パラメータと、専門家により決定されたＧａｒｓ基準値（歩行評価基準値）とに基づいて、上記式（１）に示す歩行評価モデルから係数を算出するように構成されている。係数算出部２０９は、上述したモデル記憶部２０４に記憶された歩行評価モデルを用いて、Ｇａｒｓ１〜Ｇａｒｓ７の各々で係数を算出する。すなわち、係数算出部２０９は、上記式（１）のｙに、予め目視診断した専門家により決定された各評価基準者のＧａｒｓ基準値を代入するとともに、式（１）のｘ_１〜ｘ_ｎに当該評価基準者に関連付けられた歩行パラメータを代入して、係数を算出する。係数は、Ｇａｒｓ１〜Ｇａｒｓ７の各々について算出される。算出された係数は、Ｇａｒｓ１〜Ｇａｒｓ７と関連付けられて、係数記憶部２０６に記憶されている。

入力部２０８は、専門家により決定されたＧａｒｓ基準値を入力するように構成されている。入力部２０８は、例えば、キーボード、マウス、またはタッチパネル等の入力デバイスを含んでいる。

判定部２１０は、評価値算出部２０７により算出されたＧａｒｓ値に基づいて、被験者の歩行を判定するように構成されている。より具体的には、判定部２１０は、評価値算出部２０７により算出された複数のＧａｒｓ値の和を算出し、Ｇａｒｓ値の和に基づいて被験者の歩行を判定する。例えば、Ｇａｒｓ１〜Ｇａｒｓ７の各々において算出されたＧａｒｓ値を合計し、得られたＧａｒｓ値の和が、判定基準値である９点を超えるか否かが判定部２１０により判定される。Ｇａｒｓ値の和が９点を超える場合、判定部２１０は、被験者の歩行が異常であり、転倒リスクが高いと判定する。一方、Ｇａｒｓ値の和が９点以下である場合、判定部２１０は、被験者の歩行に異常がなく、転倒リスクは低いと判定する。なお、判定基準点数は、転倒リスクが高くなるとみなせる点数を設定すればよく、９点であることに限られることはない。

表示部２１１は、評価値算出部２０７により算出されたＧａｒｓ値に基づいて、被験者の歩行評価結果を表示するように構成されている。

例えば、図８に示すように、歩行評価結果としてＧａｒｓ値から算出される偏差値をレーダーチャートで表示するようにしてもよい。図８は、Ｇａｒｓ１〜Ｇａｒｓ５に対応するＧａｒｓ値を表示した例を示している。ここで、「リズム」はＧａｒｓ１に対応し、「勢い」はＧａｒｓ２に対応し、「安定性」はＧａｒｓ３に対応し、「接地性」はＧａｒｓ４に対応し、「可動域」はＧａｒｓ５に対応する。ここでは、Ｇａｒｓ１〜Ｇａｒｓ５に対応するＧａｒｓ値を、それぞれ８０点を平均としたときの偏差値で示している。偏差値は、上述した判定部２１０で算出するようにしてもよい。

また、例えば、図９に示すように、歩行評価結果としてＧａｒｓ値の偏差値を星マークの数で表示するようにしてもよい。図９は、Ｇａｒｓ１〜Ｇａｒｓ５の各々で算出されたＧａｒｓ値を、星マークで表示した例を示している。

さらに、例えば、図８にも図９にも示されていないが、上述した判定部２１０による被験者の歩行の判定結果を表示するようにしてもよい。この場合、判定部２１０により得られたＧａｒｓ値の和が９点を超える場合には、被験者の転倒リスクが高い旨を表示し、Ｇａｒｓ値の和が９点以下である場合には、被験者の転倒リスクは低い旨を表示する。

表示部２１１は、任意の表示デバイスを含んでいてもよい。例えば、システム本体２０１がパーソナルコンピュータで構成されている場合には、パーソナルコンピュータに付属または組み込まれるＬＣＤディスプレイまたはＣＲＴ（陰極線管）ディスプレイ等の表示デバイスを含んでいてもよい。または、例えば、携帯情報端末（携帯電話、スマートホン、タブレット端末等）のＬＣＤ（液晶表示ディスプレイ）若しくはＯＬＥＤ（有機ＥＬディスプレイ）等の表示デバイスを含んでいてもよい。

次に、本実施の形態における歩行データ取得部１について説明する。ここでは一例として、特開２０１８−０１１８９０号公報に開示された歩行データ取得部１を適用する例について図３を用いて概略的に説明する。歩行データ取得部１の構成は、被験者（または評価基準者）の歩行データを取得することができれば、図３に示す構成に限られることはない。例えば、特開２０１８−０１１８９０号公報に開示された他の実施の形態の構成を採用してもよく、この公報に開示された構成以外の構成を採用してもよい。あるいは、歩行データ取得部１は、加速度センサを有する携帯端末やタブレット端末等で構成されていてもよい。携帯端末やタブレット端末であっても、加速度センサにより計測された加速度を計測時間に関連付けられて加速度データを作成することができる。さらには、データ取得部１は、被験者（または評価基準者）の足Ｆに取り付けられた圧力センサ等のセンサを有し、センサにより計測された計測値を計測時間に関連付けられて歩行データを作成可能に構成されていれば、任意の構成を適用することができる。

図３に示す歩行データ取得部１は、被験者の足Ｆに装着可能な装身具１０と、曲げ計測部２０と、圧力計測部３０と、を備えている。本実施の形態では、装身具１０が靴下１１である例を示しているが、靴やインソールなどであってもよい。曲げ計測部２０および圧力計測部３０は、装身具１０としての靴下１１に取り付けられている。

曲げ計測部２０は、被験者の足ＦのＭＰ関節軸の周りの屈曲度を計測するＭＰ曲げセンサ２１と、足首部Ａの屈曲度を計測する距腿曲げセンサ２２と、を有している。各曲げセンサ２１、２２により計測された屈曲度は計測時間と関連付けられて、歩行データの一例である曲げデータ（図５、図６参照）が作成される。

圧力計測部３０は、被験者の足裏圧力を計測する。図３に示す圧力計測部３０は、被験者の足Ｆの裏側において踵部の圧力を計測する踵圧力センサ３１と、被験者の足Ｆの裏側においてＭＰ関節部の圧力を計測するＭＰ圧力センサ３２と、被験者の足Ｆの裏側において母趾（足指部の一例）の圧力を計測する足指圧力センサ３３と、を有している。各センサ３１〜３３により計測された圧力は計測時間と関連付けられて、歩行データの一例である圧力データ（図５、図６参照）が作成される。

図３に示す歩行データ取得部１は、被験者の下腿部Ｌの加速度を計測する加速度センサ４０（加速度計測部）を更に備えている。加速度センサ４０は、ボックス１２内に収容されて、ベルト１３によって取り付けられている。この加速度センサ４０は、３軸方向の加速度を計測可能に構成されており、下腿部Ｌの上下方向加速度、前後方向加速度および左右方向（足Ｆの内外方向）加速度を計測する。加速度センサ４０により計測された加速度は計測時間と関連付けられて、歩行データの一例である上下方向加速度データ、前後方向加速度データおよび左右方向加速度データ（図５参照）が作成される。

上述のようにして作成された各歩行データは、歩行データ取得部１の出力部（図示せず）から出力されて、上述したシステム本体２０１のデータ受信部２０２に送信される。歩行データ取得部１は、データ受信部２０２に対応するように無線または有線の通信手段を有し、所定の通信方式で通信を行う。

次に、このような構成からなる本実施の形態の作用について説明する。ここでは、被験者の歩行データから歩行評価を行うための歩行評価方法について、主として図４を用いて説明する。なお、歩行評価システム２００のデータ記憶部２０３には、各種の処理の実行を制御するプログラムが記憶されており、システム本体２０１は、このプログラムを読み出して実行することにより、歩行評価システム２００の動作を制御して、以下に示す歩行評価方法が実現される。歩行データ取得部１の動作は、データ記憶部２０３に記憶されたプログラムによって制御されてもよいが、このプログラムとは独立して、歩行データ取得部１は自身に記憶された独自のプログラムを実行して動作が制御されるようにしてよい。

被験者の歩行評価値を算出する前に、評価基準者の歩行データから歩行評価モデルの係数を算出して係数記憶部２０６に記憶させる。すなわち、歩行評価モデルの係数を、被験者とは異なる複数の評価基準者の歩行データから算出する。評価基準者の人数（または評価基準者から得る歩行データ数）は、被験者の歩行評価精度や歩行評価モデルの係数の精度に応じて決定することができる。

まず、装着ステップＳ１０１として、例えば図３に示す歩行データ取得部１が、評価基準者に装着される。この場合、評価基準者の両方の足Ｆに各センサが取り付けられた歩行データ取得部１の靴下１１が装着される。また、上述したボックス１２が取り付けられたベルト１３が、評価基準者の下腿部Ｌに巻き付けられる。

装着ステップＳ１０１の後、データ取得ステップＳ１０２として、評価基準者に装着された歩行データ取得部１により評価基準者の歩行データを取得する。

具体的には、まず、各曲げセンサおよび加速度センサの基準値が計測される。この場合、評価基準者は、立位姿勢で１０秒程度静止する。この状態で計測された計測値が、各曲げセンサおよび加速度センサのゼロ点（計測基準値）としてそれぞれ設定される。圧力センサは、歩行データ取得部１を評価基準者に装着する前にゼロ点設定されるようにしてもよい。

次に、評価基準者の歩行データを計測する。この場合、評価基準者が、例えば１０ｍ程度の歩行を行う。この間、各センサにより計測された計測値が計測時間に関連付けられて歩行データが作成される。作成された歩行データは歩行データ取得部１の記憶部（図示せず）に記憶される。

計測終了後、歩行データ取得部１の記憶部に記憶された歩行データがデータ受信部２０２に送信（出力）される。このようにして、図５に示すような評価基準者の歩行データを取得することができる。図５には、歩行データの例として、踵圧力データ（波形Ａ）、ＭＰ圧力データ（波形Ｂ）、足指圧力データ（波形Ｃ）、ＭＰ曲げデータ（波形Ｄ）、距腿曲げデータ（波形Ｅ）、左右方向加速度データ（波形Ｆ）、前後方向加速度データ（波形Ｇ）、上下方向加速度データ（波形Ｈ）が示されている。

評価基準者が歩行している間、決定ステップＳ１０３として、理学療法士である専門家が評価基準者の歩行を目視診断して、評価基準者のＧａｒｓ基準値（歩行評価基準値）を決定する。この場合、評価基準者の歩行を目視診断した専門家が、Ｇａｒｓ１〜Ｇａｒｓ７の各々において０点〜３点の範囲で点数を整数で付ける。各点数は、Ｇａｒｓ１〜Ｇａｒｓ７毎にＧａｒｓ基準値として入力部２０８に入力される。なお、決定ステップＳ１０３は、評価基準者の歩行の様子を動画撮影し、その後に動画を専門家が目視診断して、Ｇａｒｓ基準値を決定するようにしてもよい。この場合においても、決定したＧａｒｓ基準値は、入力部２０８に入力される。

データ取得ステップＳ１０２の後、抽出ステップＳ１０４として、取得された評価基準者の歩行データから、抽出部２０５により歩行パラメータを抽出する。

この場合、まず、歩行データを、図５および図６に示すように、歩行パラメータを抽出するための複数の期間に区分けする。より具体的には、歩行データを、（１）ヒールロッカー期、（２）アンクルロッカー期、（３）フォアフットロッカー期、（４）前半遊脚期、（５）後半遊脚期に区分けする。歩行パラメータを抽出する方法について以下に説明する。

１歩行周期は、足Ｆが床面に接地している立脚期と、足Ｆが床面から離れている遊脚期と、に区分けされる。このうち立脚期は、図６に示すように、（１）ヒールロッカー期（立脚初期）と、（２）アンクルロッカー期（立脚中期）と、（３）フォアフットロッカー期（立脚終期）とに区分けされる。遊脚期は、（４）前半遊脚期と（５）後半遊脚期とに区分けされる。なお、図６では、横軸に、１歩行周期を１００％とする無次元時間を示し、縦軸に、各センサで計測された計測値を無次元数で示している。図６では、一例として、図６（ａ）において踵圧力データを示し、図６（ｂ）においてはＭＰ圧力データを示し、図６（ｃ）においてＭＰ曲げデータを示し、図６（ｄ）において距腿曲げデータを示している。

ヒールロッカー期は、図７に示すように、床面に踵部１００が接地してから、ＭＰ関節部１０１が床面に接地するまでの期間である。より具体的には、ヒールロッカー期は、踵部１００の圧力が正の値になった時点（踵接地時点Ｔ１）から、ＭＰ関節部１０１の圧力が正の値になった時点（ＭＰ接地時点Ｔ２）までの期間となる。通常、ＭＰ接地時点Ｔ２では、母趾１０２は接地しておらず、母趾１０２の圧力はゼロである。ヒールロッカー期では、図７に示すように、主として踵部１００を軸にして、足Ｆの全体が床面に接地する方向に足Ｆおよび下腿部Ｌが回転するように変形する。

アンクルロッカー期は、ＭＰ関節部１０１が床面に接地してから、踵部１００が床面から離れるまでの期間である。より具体的には、アンクルロッカー期は、ＭＰ関節部１０１の圧力が正の値になった時点（ＭＰ接地時点Ｔ２）から、踵部１００の圧力がゼロになった時点（踵離地時点Ｔ３）までの期間となる。通常、踵離地時点Ｔ３では、ＭＰ関節部１０１は接地し、ＭＰ関節部１０１の圧力は正の値になる。アンクルロッカー期では、図７に示すように、主として足首部Ａの距腿関節軸１０３を中心にして、足Ｆの全体が床面に接地されながら、下腿部Ｌが前側に回転するように足首部Ａが変形する。

フォアフットロッカー期は、踵部１００が床面から離れてから、母趾１０２が床面から離れるまでの期間である。より具体的には、フォアフットロッカー期は、踵部１００の圧力がゼロになった時点（踵離地時点Ｔ３）から、母趾１０２の圧力がゼロになった時点（足指離地時点Ｔ４）までの期間となる。通常、足指離地時点Ｔ４では、ＭＰ関節部１０１が離地し、ＭＰ関節部１０１の圧力はゼロになる。フォアフットロッカー期では、図７に示すように、主としてＭＰ関節軸を中心にして、足指部が床面に接地されながら、踵部１００が持ち上げられる方向に足Ｆが回転するように変形する。

歩行データを上述した各期間に区分けする場合、踵圧力データ、ＭＰ圧力データおよび足指圧力データから、ヒールロッカー期、アンクルロッカー期およびフォアフットロッカー期が定められる。この場合、踵圧力データから、踵部１００の圧力がゼロから正の値になる踵接地時点Ｔ１が特定される。また、ＭＰ圧力データから、ＭＰ関節部１０１の圧力がゼロから正の値になるＭＰ接地時点Ｔ２が特定される。そして、踵圧力データから、踵部１００の圧力が正の値からゼロになる踵離地時点Ｔ３が特定され、足指圧力データのグラフから、母趾１０２の圧力が正の値からゼロになる足指離地時点Ｔ４が特定される。これらの特定された時点Ｔ１〜Ｔ４により、図６に示すように、（１）ヒールロッカー期、（２）アンクルロッカー期、（３）フォアフットロッカー期を定めることができる。

そして、（４）前半遊脚期および（５）後半遊脚期を定めることができる。すなわち、足指離地時点Ｔ４から次の踵接地時点Ｔ１までの期間が遊脚期となる。この遊脚期を半分に（中間時点Ｔ５で）区分けし、（４）前半遊脚期と（５）後半遊脚期とを定めることができる。

そして、歩行データに関する歩行パラメータとして、各期間における最小値、最大値、レンジ値および当該期間における波形の傾き等が算出される。このうちレンジ値は、当該期間における最大値と最小値との差である。傾きは、当該期間の始期における値と終期における値との差を、始期から終期までの時間で除算した値である。

ところで、図５に示すように、歩行データ取得部１で取得された歩行データには、上述した各期間が複数現れている。このため、ヒールロッカー期における歩行パラメータを算出する場合には、複数のヒールロッカー期のうちの一のヒールロッカー期における波形から歩行パラメータを算出してもよい。あるいは、複数のヒールロッカー期の波形から加算平均波形や標準偏差値波形を作成し、加算平均波形または標準偏差値波形から歩行パラメータを算出するようにしてもよい。また、歩行データ取得部１を被験者の両足Ｆに装着している場合には、右足および左足のそれぞれについて歩行パラメータを算出する。すなわち、右足に関して歩行パラメータを算出するとともに、左足に関して歩行パラメータを算出してもよい。また、右足の歩行パラメータと左足の歩行パラメータとの平均値を歩行パラメータとして算出してもよい。さらには、右足の歩行パラメータと左足の歩行パラメータとの変動係数を歩行パラメータとして算出してもよい。他の期間における歩行パラメータについても同様である。このようにして、歩行データから複数の歩行パラメータを抽出することができる。

抽出ステップＳ１０４の後、係数算出ステップＳ１０５として、評価基準者の歩行データから抽出された歩行パラメータと、入力部２０８に入力されたＧａｒｓ基準値とに基づいて、係数算出部２０９により歩行評価モデルから係数を算出する。より具体的には、Ｇａｒｓ１に関し、一の評価基準者の歩行パラメータを、歩行評価モデルを示す上記式（１）のｘ_１〜ｘ_ｎに代入するとともに、当該評価基準者のＧａｒｓ１についてのＧａｒｓ基準値を、上記式（１）のｙに代入する。これを評価基準者毎に行うことにより、Ｇａｒｓ１に関連付けられた係数ａ_０〜ａ_ｎが算出される。この係数の算出を、Ｇａｒｓ１〜Ｇａｒｓ７の各々で行い、Ｇａｒｓ１〜Ｇａｒｓ７に関連付けられた係数ａ_０〜ａ_ｎがそれぞれ算出される。

係数算出ステップＳ１０５の後、記憶ステップＳ１０６として、算出された係数ａ_０〜ａ_ｎが係数記憶部２０６に記憶される。すなわち、記憶ステップＳ１０６において記憶される係数は、評価基準者の歩行データから抽出された歩行パラメータと、当該評価基準者の歩行パラメータを取得する際に得られたＧａｒｓ基準値とに基づいて、歩行評価モデルから得られた値になる。

このようにして歩行評価モデルの各係数が係数記憶部２０６に記憶された後、以下のようにして被験者の歩行評価を行うことができる。

まず、装着ステップＳ２０１として、図３に示す歩行データ取得部１が被験者に装着される。この歩行データ取得部１の装着は、上述した評価基準者の装着ステップＳ１０１と同様にして行うことができる。

装着ステップＳ２０１の後、データ取得ステップＳ２０２として、被験者に装着された歩行データ取得部１により、被験者の歩行データを取得する。すなわち、評価基準者の歩行データを取得した際に用いたセンサと同じ計測項目（圧力、曲げ、加速度）を計測するセンサで、被験者の歩行データを取得する。この歩行データの取得は、上述した評価基準者のデータ取得ステップＳ１０２と同様にして行うことができる。

データ取得ステップＳ２０２の後、抽出ステップＳ２０３として、抽出部２０５により被験者の歩行データから歩行パラメータを抽出する。この歩行パラメータの抽出は、上述した評価基準者の抽出ステップＳ１０４と同様にして行うことができる。

抽出ステップＳ２０３の後、評価値算出ステップＳ２０４として、抽出された歩行パラメータと、係数記憶部２０６に記憶された係数とに基づいて、評価値算出部２０７により歩行評価モデルから被験者のＧａｒｓ値を算出する。より具体的には、Ｇａｒｓ１に関し、被験者の歩行パラメータを、歩行評価モデルを示す上記式（１）のｘ_１〜ｘ_ｎに代入するとともに、係数記憶部２０６に記憶されたＧａｒｓ１に関連付けられた係数を、上記式（１）のａ_０〜ａ_ｎに代入する。このことにより、Ｇａｒｓ１についてのＧａｒｓ値としてｙの値が算出される。このＧａｒｓ値の算出を、Ｇａｒｓ２〜Ｇａｒｓ７の各々で行い、Ｇａｒｓ１〜Ｇａｒｓ７に対応した７つのＧａｒｓ値がそれぞれ算出される。

評価値算出ステップＳ２０４の後、判定ステップＳ２０５として、評価値算出ステップＳ２０４において算出されたＧａｒｓ値に基づいて、判定部２１０により被験者の歩行を判定する。ここでは、Ｇａｒｓ１〜Ｇａｒｓ７のＧａｒｓ値の和を算出し、このＧａｒｓ値の和に基づいて、被験者の歩行を判定する。例えば、上述したように、Ｇａｒｓ値の和が９点を超える場合、被験者の転倒リスクが高いと判定し、Ｇａｒｓ値の和が９点以下である場合、被験者の転倒リスクが低いと判定してもよい。

判定ステップＳ２０５の後、表示ステップＳ２０６として、被験者のＧａｒｓ値に基づいて、被験者の歩行評価結果を表示部２１１に表示する。例えば、図８または図９に示すように、歩行評価結果を表示してもよい。あるいは、判定部２１０による判定結果を表示部２１１に表示するようにしてもよい。

次に、本実施の形態による効果について説明する。

本実施の形態によれば、被験者の歩行データから抽出された歩行パラメータと、係数記憶部２０６に記憶された係数とに基づいて、歩行評価モデルから被験者のＧａｒｓ値（歩行評価値）が算出される。係数記憶部２０６に記憶された係数は、被験者とは異なる評価基準者の歩行データから抽出された歩行パラメータと、当該評価基準者の歩行データを取得する際に決定されたＧａｒｓ基準値（歩行評価基準値）とに基づいて、歩行評価モデルから得られた値になっている。すなわち、評価基準者のＧａｒｓ基準値には、目視診断を行う際の所定の指標（ここではＧａｒｓ１〜Ｇａｒｓ７のうちのいずれかの指標）に基づいた点数を採用することができ、歩行評価モデルから得られる被験者の歩行評価値を、当該指標に基づいた点数に相当する数値（すなわち、Ｇａｒｓ値）にすることができる。このことにより、目視診断時に採用する指標に基づいた被験者の歩行評価を得ることができる。また、そのようは歩行評価を、係数記憶部２０６に記憶された係数に基づいて行うことができるため、歩行評価の統一化を図ることができ、歩行評価のばらつきを抑制することができる。この結果、歩行評価の信頼性を向上させることができる。

また、本実施の形態によれば、評価基準者のＧａｒｓ基準値が入力されて、当該評価基準者の歩行データから抽出された歩行パラメータと、入力されたＧａｒｓ基準値とに基づいて、歩行評価モデルの係数が算出される。このことにより、本実施の形態による歩行評価システム２００は、歩行評価モデルの係数の算出と、被験者のＧａｒｓ値の算出とを行うことができ、利便性を向上させることができる。

また、本実施の形態によれば、評価基準者のＧａｒｓ基準値は、専門家により決定された値になっている。このことにより、被験者のＧａｒｓ値を、専門家による診断を織り込んだ値にすることができる。すなわち、専門家による診断を織り込んでいるために、専門家の診断が織り込まれていない場合よりも精度の良い被験者のＧａｒｓ値を提供することができ、歩行評価の信頼性をより一層向上させることができる。

より具体的には、本実施の形態による歩行評価モデルでは、専門家により予め決定された評価基準者のＧａｒｓ基準値に基づいて被験者の歩行評価を行っている。このことにより、歩行評価の指標として、専門家による診断が織り込まれたＧａｒｓ基準値を用いることができる。このため、歩行評価の指標の信頼性を向上させることができ、被験者の歩行評価の精度をより一層向上させることができる。

また、本実施の形態による歩行評価モデルでは、専門家により決定された評価基準者のＧａｒｓ基準値が係数記憶部２０６に記憶されている。このことにより、被験者の歩行診断を行う際に専門家がいなくても（言い換えると、専門知識を持っていなくても）、専門家による診断が織り込まれた歩行評価を行うことができる。このため、信頼性を向上させた歩行評価を容易に行うことができる。

また、本実施の形態によれば、算出されたＧａｒｓ値に基づいて被験者の歩行評価結果が表示される。このことにより、被験者の歩行評価結果を迅速かつ容易に知ることができ、利便性を向上させることができる。

また、本実施の形態によれば、歩行評価モデルは、重回帰モデルになっている。重回帰モデルは、計算を単純化させることができるという利点と、説明変数（歩行パラメータ）の選択を試すことができるという利点と、を有している。また、重回帰モデルは、目的変数に寄与する説明変数の影響度合いや原因を容易に検討することができるという利点も有している。このことにより、被験者の歩行の改善指導に役立てることができる。例えば、Ｇａｒｓ１に関して、あるパラメータの影響度合いが高いことが示された場合には、このパラメータで示される数値を高めるように被験者の歩行を指導することができる。この場合、当該被験者のＧａｒｓ１の点数を低くすることができ、その結果として歩行を改善させることができる。

また、本実施の形態によれば、算出されたＧａｒｓ値に基づいて被験者の歩行が判定される。このことにより、被験者の歩行の異常の有無を迅速かつ容易に知ることができ、利便性を向上させることができる。例えば、Ｇａｒｓ１〜Ｇａｒｓ７に対応するＧａｒｓ値の和に基づいて、被験者の歩行が判定されてもよく、この場合には、被験者の歩行の異常の有無に関する総合的な判定結果を迅速かつ容易に知ることができる。

また、本実施の形態によれば、評価基準値は、修正歩行異常性尺度（ＧＡＲＳ−Ｍ）で規定された歩行異常性尺度を示す値になっている。この修正歩行異常性尺度は、専門家個人による評価のバラツキが少ない尺度になっているため、評価基準値の決定が、専門家個人（例えば、経験の浅い専門家など）によってばらつくことを抑制することができる。このため、歩行評価の信頼性をより一層向上させることができる。なお、評価基準値の決定の際に専門家個人による評価のバラツキを低減するためには、例えば、複数の専門家により決定された評価基準値の平均値から、係数を算出するようにしてもよい。

また、本実施の形態によれば、歩行データから抽出される歩行パラメータは、立脚期に関連付けられた歩行パラメータと、遊脚期に関連付けられた歩行パラメータと、を含んでいる。このことにより、被験者の歩行の改善指導の際、Ｇａｒｓ値への影響度合いが高いパラメータが、立脚期に関しているのか、遊脚期に関しているのかを特定することができる。このため、歩行の改善指導ポイントを絞ることができ、適格な指導を行うことが可能になる。

また、本実施の形態によれば、歩行データから抽出される歩行パラメータは、フォアフットロッカー期に関連付けられた歩行パラメータと、アンクルロッカー期に関連付けられた歩行パラメータと、フォアフットロッカー期に関連付けられた歩行パラメータと、を含んでいる。このことにより、被験者の歩行の改善指導の際、Ｇａｒｓ値への影響度合いが高いパラメータが、どのロッカー期に関しているのかを特定することができる。このため、歩行の改善指導ポイントをより一層絞ることができ、適格な指導を行うことが可能になる。

以上、本発明の実施の形態について詳細に説明してきたが、本発明による歩行評価システム２００および歩行評価方法は、上記実施の形態に何ら限定されるものではなく、本発明の趣旨を逸脱しない範囲において種々の変更が可能である。

（変形例）
なお、上述した本実施の形態においては、歩行評価モデルが重回帰モデルである例について説明した。しかしながら、このことに限られることはなく、歩行評価モデルは、ロジスティック回帰モデルであってもよい。

ロジスティック回帰モデルは、以下の式（２）で示される。

説明変数ｘ_１〜ｘ_ｎ、係数ａ_０〜ａ_ｎおよび目的変数ｙは、上述した式（１）と同様であるが、ロジスティック回帰モデルでは、目的変数ｙは、０〜１の値をとる。このため、専門家の目視診断により決定されるＧａｒｓ基準値は、０点〜１点の点数を整数で付けることする。例えば、専門家の目視診断によりＧａｒｓ基準値が０点と決定された場合には、異常が無いという診断になるためＧａｒｓ基準値を０点とし、専門家の目視診断によりＧａｒｓ基準値が１点〜３点と決定された場合には、比較的小さなものも含めて異常があるという診断になるためＧａｒｓ基準値を１点としてもよい。しかしながら、専門家の目視診断によるＧａｒｓ基準値が１点以下の場合に式（２）に代入するＧａｒｓ基準値を０点とし、目視診断によるＧａｒｓ基準値が２点以上の場合に式（２）に代入するＧａｒｓ基準値を１点としてもよく、任意である。歩行評価モデルとして、この式（２）を式（１）の代わりに用いることにより、同様にして被験者の歩行評価を行うことができ、このような変形例によれば、ロジスティック曲線を利用したモデルとなるために、目的変数ｙを０〜１の範囲内の数値とすることができ、歩行評価モデルの計算上都合が良く、また算出された歩行評価値が異常度の割合を示す数値となるために被験者の異常度合い（レベル）を推測しやすくすることができる。

更に、歩行評価モデルは、重回帰モデルやロジスティック回帰モデルであることに限られない。例えば、歩行評価モデルには、決定木、サポートベクタマシン（ＳＶＭ）、ランダムフォレスト（ＲＦ）等を適用してもよい。

また、上述した本実施の形態においては、Ｇａｒｓ１〜Ｇａｒｓ７（Ｇａｒｓ指標）の各々において評価基準者のＧａｒｓ基準値を決定し、Ｇａｒｓ１〜Ｇａｒｓ７の各々において被験者のＧａｒｓ値を算出する例について説明した。しかしながら、Ｇａｒｓ１〜Ｇａｒｓ７の７つの指標に加えて（または代えて）、他の指標として、Ｇａｒｓ１〜Ｇａｒｓ７の各々のＧａｒｓ基準値の和を、目的変数としてもよい。この場合、Ｇａｒｓ１〜Ｇａｒｓ７の各々のＧａｒｓ基準値の和を式（１）のｙに代入して、当該指標に関連付けられた係数ａ_０〜ａ_ｎが算出される。この係数と、被験者の歩行データから抽出された歩行パラメータとに基づいて上記式（１）から被験者のＧａｒｓ値の和が算出される。この場合、被験者の歩行の異常の有無に関する総合的な判定結果を迅速かつ容易に知ることができる。

上述した本発明によれば、歩行評価の信頼性を向上させることができる歩行評価システムおよび歩行評価方法を提供することができる。このため、本発明は産業上利用可能な発明である。例えば、本発明は、電気機器産業、ソフトウェア産業、靴下製造業、靴製造業、インソール製造業、医療やリハビリテーション分野などの様々な分野で利用可能である。

上述した本実施の形態による歩行評価システム２００および歩行評価方法による歩行評価の適合度および精度を調べた。以下に示す実施例においては、単なる例として、２つのセンサ構成で歩行データを取得して、歩行評価モデルの適合度および精度を調べた例について説明する。上述したように、本発明による歩行評価システムおよび歩行評価方法は、多様な特徴を持つ歩行データから歩行パラメータを抽出して係数を求めることにより歩行評価の信頼性を向上させることができる。このため、本発明による歩行評価システムおよび歩行評価方法は、以下に示すセンサ構成に制限されるものではなく、任意のセンサ構成で、歩行評価の信頼性を向上させることができる。

（実施例１）
実施例１では、歩行評価モデルが重回帰モデルである場合の、歩行評価モデルの適合度および精度を調べた。実施例１では、歩行データ取得部１のセンサを、図１０に示すような第１センサ構成で構成した場合と、第２センサ構成で構成した場合とで、歩行データをそれぞれ取得した。第１センサ構成で使用した曲げセンサは、図３に示すＭＰ曲げセンサ２１と距腿曲げセンサ２２とし、圧力センサは、図３に示す踵圧力センサ３１とＭＰ圧力センサ３２と足指圧力センサ３３とした。各センサ構成で使用した歩行パラメータの個数は、図１０に示すようになった。

実施例１では、２９人の男性と２９人の女性から歩行データを取得し、各センサ構成において１０１個の歩行データを得た。１０１個の歩行データには、各被験者の右足および左足の少なくとも一方の歩行データが含まれている。各々の歩行データに対して理学療法士である専門家により歩行診断を行い、Ｇａｒｓ基準値を決定した。Ｇａｒｓ基準値の分類は、図１１に示すようになった。

各センサ構成に関連付けられた歩行データをランダムにサンプリングして、３／４の歩行データを評価基準者の歩行データとして歩行評価モデルの係数を算出するために用いた。残りの１／４の歩行データを被験者の歩行データとしてＧａｒｓ値を算出するために用いた。

上述した本実施の形態で説明した算出方法と同様にして、Ｇａｒｓ値を算出した。算出されたＧａｒｓ値に基づいて、各センサ構成における自由度調整済み決定係数を算出した。この算出には、統計ソフトウェア（SPSS Statistics ver.17.0）を用いた。より具体的には、以下の式を用いて自由度調整済み決定係数を算出した。

ここで、

は、自由度調整済み決定係数である。Ｒ^２は、決定係数であり、Ｇａｒｓ値の分散に対する予測値の分散の割合を示す。

ｙ_ｉは、評価基準者のＧａｒｓ基準値であり、

は、予測値（すなわち、歩行評価モデルで得られたＧａｒｓ値）であり、

は、予測値の平均値であり、

は、Ｇａｒｓ基準値の平均値である。

また、ｎは歩行データ数（サンプル数）であり、ｐは独立変数の数（本実施例ではモデルで選択された歩行パラメータ数）である。

自由度調整済み決定係数は、Ｇａｒｓ１〜Ｇａｒｓ７毎に算出し、それらの平均値を図１２に示す。

図１２に示すように、第１センサ構成および第２センサ構成における自由度調整済み決定係数はいずれも０．５を超えた。自由度調整済み決定係数が０．５を超えると、一般にモデルの適合度は良いとされている（例えば、“ＳＰＳＳで学ぶ医療系多変量データ解析”（東京出版）、2008、P52参照）。このことから、この歩行評価システム２００および歩行評価方法は良好な適合度を有していると考えられる。

また、算出されたＧａｒｓ値に基づいて、各センサ構成における平均二乗誤差平方根（ＲＭＳＥ）を算出した。この算出には、以下の式を用いた。

ここで、ｘ_ｉは歩行評価モデルで得られたＧａｒｓ値であり、ｙ_ｉは評価基準者のＧａｒｓ基準値である。

平均二乗誤差平方根は、Ｇａｒｓ１〜Ｇａｒｓ７毎に算出し、それらの平均値を図１２に示す。

図１２に示すように、第１センサ構成および第２センサ構成における平均二乗誤差平方根はいずれも０．５を下回った。平均二乗誤差平方根が０．５を下回ると、算出されたＧａｒｓ値を整数化するために四捨五入した際に、整数化されたＧａｒｓ値が、１点以上ずれることを回避できる。すなわち、四捨五入によってＧａｒｓ値の精度が低下することを防止できる。このため、この歩行評価システム２００および歩行評価方法は良好な精度を有していると考えられる。

さらに、算出されたＧａｒｓ値に基づいて、各センサ構成における正答率（Ａｃｃｕｒａｃｙ）を求めた。より具体的には、歩行評価モデルから得られたＧａｒｓ値と、専門家のＧａｒｓ基準値（真値）から混合行列を作成し、以下の式から求めた。

ここで、ＴＰは、真陽性（True Positive）のデータ数であり、ＴＮは、真陰性（True Negative）のデータ数であり、ＦＰは、偽陽性（False Positive）のデータ数であり、ＦＮは、偽陰性（False Negative）のデータ数である。また、算出されたＧａｒｓ値は、それを四捨五入してＧａｒｓ基準値と比較することで、ＴＰ、ＴＮ、ＦＰ、ＦＮのいずれに属するかを決定した。

正答率は、Ｇａｒｓ１〜Ｇａｒｓ７毎に算出し、それらの平均値を図１２に示す。

図１２に示すように、第１センサ構成および第２センサ構成における正答率はいずれも０．８を超えた。このため、この歩行評価システム２００および歩行評価方法は良好な精度を有していると考えられる。

（実施例２）
実施例２では、歩行評価モデルがロジスティック回帰モデルである場合の、歩行評価の適合度および精度を調べた。実施例２で使用した歩行データ、歩行データ取得部１のセンサ構成および歩行パラメータは、実施例１と同様とした。

実施例２においても、評価基準者の歩行データには、実施例１で用いた歩行データを用い、被験者の歩行データには、実施例１で用いた歩行データを用いた。

上述した変形例と同様にして、Ｇａｒｓ値を算出した。算出されたＧａｒｓ値に基づいて、各センサ構成における再現率（Ｒｅｃａｌｌ）を求めた。より具体的には、歩行評価モデルから得られたＧａｒｓ値と、専門家のＧａｒｓ基準値（真値）から混合行列を作成し、以下の式から求めた。

ここで、ＴＰ、ＦＮは、実施例１と同様である。

再現率は、Ｇａｒｓ１〜Ｇａｒｓ７毎に算出し、それらの平均値を図１３に示す。

図１３に示すように、第１センサ構成および第２センサ構成における再現率はいずれも０．７を超えた。このため、この歩行評価システム２００および歩行評価方法は良好な精度を有していると考えられる。

さらに、算出されたＧａｒｓ値に基づいて、各センサ構成における正答率（Ａｃｃｕｒａｃｙ）を求めた。正答率は、実施例１と同様にして求めた。

正答率は、Ｇａｒｓ１〜Ｇａｒｓ７毎に算出し、それらの平均値を図１３に示す。

図１３に示すように、第１センサ構成および第２センサ構成における正答率はいずれも０．８を超えた。このため、この歩行評価システム２００および歩行評価方法は良好な精度を有していると考えられる。

１ 歩行データ取得部
２００ 歩行評価システム
２０５ 抽出部
２０６ 係数記憶部
２０７ 評価値算出部
２０８ 入力部
２０９ 係数算出部
２１０ 判定部
２１１ 表示部

Claims (14)

1. 被験者の歩行データから歩行評価を行うための歩行評価システムであって、
   前記被験者の歩行データを取得する歩行データ取得部と、
   前記歩行データ取得部により取得された前記歩行データから歩行パラメータを抽出する抽出部と、
   係数を記憶した係数記憶部と、
   前記抽出部により抽出された前記歩行パラメータと、前記係数記憶部に記憶された前記係数とに基づいて、歩行評価モデルから前記被験者の歩行評価値を算出する評価値算出部と、を備え、
   前記係数記憶部に記憶された前記係数は、評価基準者の歩行データから抽出された歩行パラメータと、当該評価基準者の歩行評価基準値とに基づいて、前記歩行評価モデルから得られた値である、歩行評価システム。
2. 前記評価基準者の前記歩行評価基準値を入力する入力部と、
   前記抽出部により前記評価基準者の前記歩行データから抽出された前記歩行パラメータと、前記入力部により入力された前記歩行評価基準値とに基づいて、前記歩行評価モデルから前記係数を算出する係数算出部と、を更に備え、
   前記係数記憶部に記憶された前記係数は、前記係数算出部により算出された値である、請求項１に記載の歩行評価システム。
3. 前記評価基準者の前記歩行評価基準値は、専門家により決定された値である、請求項１または２に記載の歩行評価システム。
4. 前記評価値算出部により算出された前記歩行評価値に基づいて、前記被験者の歩行評価結果を表示する表示部を更に備えた、請求項１〜３のいずれか一項に記載の歩行評価システム。
5. 前記歩行評価モデルは、重回帰モデルまたはロジスティック回帰モデルである、請求項１〜４のいずれか一項に記載の歩行評価システム。
6. 前記評価値算出部により算出された前記歩行評価値に基づいて、前記被験者の歩行を判定する判定部を更に備えた、請求項１〜５のいずれか一項に記載の歩行評価システム。
7. 前記歩行評価モデルは、重回帰モデルであり、
   前記評価値算出部は、複数の前記歩行評価値を算出し、
   前記判定部は、前記評価値算出部により算出された複数の前記歩行評価値の和に基づいて前記被験者の歩行を判定する、請求項６に記載の歩行評価システム。
8. 前記歩行評価基準値は、修正歩行異常性尺度で規定された歩行の異常性を表わす点数である、請求項１〜７のいずれか一項に記載の歩行評価システム。
9. 前記歩行評価基準値は、修正歩行異常性尺度で規定された歩行の異常性を表わす点数であって、複数の指標に基づく点数を加算した値である、請求項１〜６のいずれか一項に記載の歩行評価システム。
10. 前記抽出部は、立脚期に関連付けられた歩行パラメータと、遊脚期に関連付けられた歩行パラメータとを抽出する、請求項１〜９のいずれか一項に記載の歩行評価システム。
11. 前記抽出部は、ヒールロッカー期に関連付けられた歩行パラメータと、アンクルロッカー期に関連付けられた歩行パラメータと、フォアフットロッカー期に関連付けられた歩行パラメータと、を抽出する、請求項１〜１０のいずれか一項に記載の歩行評価システム。
12. 被験者の歩行データから歩行評価を行うための歩行評価方法であって、
    前記被験者の歩行データを取得するデータ取得ステップと、
    前記歩行データから歩行パラメータを抽出する抽出ステップと、
    前記歩行パラメータと、係数記憶部に記憶された係数とに基づいて、歩行評価モデルから前記被験者の歩行評価値を算出する評価値算出ステップと、を備え、
    前記係数記憶部に記憶された前記係数は、評価基準者の歩行データから抽出された歩行パラメータと、当該評価基準者の歩行評価基準値とに基づいて、前記歩行評価モデルから得られた値である、歩行評価方法。
13. 前記評価基準者の歩行データを取得するデータ取得ステップと、
    前記評価基準者の前記歩行データから歩行パラメータを抽出する抽出ステップと、
    前記評価基準者の歩行を目視して、前記歩行評価基準値を決定する決定ステップと、
    前記評価基準者の前記歩行パラメータと、前記歩行評価基準値とに基づいて、前記歩行評価モデルから前記係数を算出する係数算出ステップと、を更に備え、
    前記係数記憶部に記憶された前記係数は、前記係数算出ステップにおいて算出された値である、請求項１２に記載の歩行評価方法。
14. 前記決定ステップにおいて、前記歩行評価基準値の決定は、専門家が前記評価基準者の歩行を目視して行う、請求項１３に記載の歩行評価方法。

Images