JP2022069286A - Rehabilitation support device, rehabilitation support method and program - Google Patents

Rehabilitation support device, rehabilitation support method and program Download PDF

Info

Publication number
JP2022069286A
JP2022069286A JP2020178385A JP2020178385A JP2022069286A JP 2022069286 A JP2022069286 A JP 2022069286A JP 2020178385 A JP2020178385 A JP 2020178385A JP 2020178385 A JP2020178385 A JP 2020178385A JP 2022069286 A JP2022069286 A JP 2022069286A
Authority
JP
Japan
Prior art keywords
rehabilitation
proposal
sensor data
support device
content
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2020178385A
Other languages
Japanese (ja)
Other versions
JP7514013B2 (en
Inventor
秀一 佐々木
Shuichi Sasaki
尚伸 高平
Naonobu Takahira
聡 穴田
Satoshi Anada
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kitasato Institute
Original Assignee
Kitasato Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Kitasato Institute filed Critical Kitasato Institute
Priority to JP2020178385A priority Critical patent/JP7514013B2/en
Publication of JP2022069286A publication Critical patent/JP2022069286A/en
Priority to JP2024069895A priority patent/JP2024087009A/en
Application granted granted Critical
Publication of JP7514013B2 publication Critical patent/JP7514013B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Rehabilitation Tools (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

To enable a patient to receive a proper instruction in rehabilitation without requiring face-to-face evaluation with an expert.SOLUTION: A rehabilitation support device includes: an input part for inputting sensor data showing a body movement; and an output part for outputting a proposal content regarding rehabilitation in accordance with the inputted sensor data, by using learned algorithm learned in advance by using teacher data containing the sensor data and the proposal content regarding rehabilitation.SELECTED DRAWING: Figure 1

Description

本発明は、リハビリ支援装置、リハビリ支援方法及びプログラムに関する。 The present invention relates to a rehabilitation support device, a rehabilitation support method and a program.

特許文献１には、リハビリにおいて正しい動きができるようにサポートできる支援装置が開示されている。より具体的には、支援装置はセンサを介して取得したユーザの「リハビリテーション時の動き」と、「セラピストと一緒に行ったリハビリテーション時の正しい動きの情報」とが異なっている場合に、その「動き」が間違っていることを知らせるとともに、「正しい動き」に近づくように誘導することが記載されている。 Patent Document 1 discloses a support device that can support correct movement in rehabilitation. More specifically, when the support device is different from the user's "movement during rehabilitation" acquired through the sensor and "information on the correct movement during rehabilitation performed with the therapist", the "information" is used. It is stated that the "movement" is wrong and that the user is guided to approach the "correct movement".

特開２０２０－０９９５５７号公報Japanese Unexamined Patent Publication No. 2020-099557

これまで、専門家が麻痺患者と対面し、その動きをみて機能評価を行い、適切なアドバイスや目標設定がなされてきた。近年、コロナ感染症の影響などにより、テレリハビリテーションの需要が高まることが予想される。そこで、患者が専門家との対面による評価を要さずともリハビリテーションにおける適切な指示を受けることができる仕組みが求められている。 Until now, specialists have faced paralyzed patients, evaluated their functions by observing their movements, and provided appropriate advice and goal setting. In recent years, the demand for telerehabilitation is expected to increase due to the effects of corona infections. Therefore, there is a need for a mechanism that allows patients to receive appropriate instructions in rehabilitation without the need for face-to-face evaluation with specialists.

本発明は、このような課題に鑑みてなされたものであって、患者が専門家との対面による評価を要さずともリハビリテーションにおける適切な指示を受けることができるリハビリ支援装置、リハビリ支援方法及びプログラムを提供することを目的とする。 The present invention has been made in view of such problems, and is a rehabilitation support device, a rehabilitation support method, and a rehabilitation support device that allows a patient to receive appropriate instructions in rehabilitation without requiring face-to-face evaluation with a specialist. The purpose is to provide a program.

本発明の第１の態様によれば、リハビリ支援装置は、身体の動きを示すセンサデータを入力する入力部と、前記センサデータとリハビリに関する提案内容とを含む教師データを用いて事前に学習された学習済みアルゴリズムを用いて、前記入力されたセンサデータに応じた、リハビリに関する提案内容を出力する出力部と、を備える。 According to the first aspect of the present invention, the rehabilitation support device is learned in advance using an input unit for inputting sensor data indicating the movement of the body and teacher data including the sensor data and the content of the proposal regarding rehabilitation. It is provided with an output unit that outputs the content of a proposal regarding rehabilitation according to the input sensor data by using the learned algorithm.

本発明の第２の態様によれば、前記出力部は、前記リハビリに関する提案内容として、活動量の目標値を出力する。 According to the second aspect of the present invention, the output unit outputs a target value of the amount of activity as the content of the proposal regarding the rehabilitation.

本発明の第３の態様によれば、前記出力部は、前記リハビリに関する提案内容として、トレーニング動作の目標を出力する。 According to the third aspect of the present invention, the output unit outputs the target of the training operation as the content of the proposal regarding the rehabilitation.

本発明の第４の態様によれば、前記出力部は、前記リハビリに関する提案内容として、獲得可能な日常生活動作を出力する。 According to the fourth aspect of the present invention, the output unit outputs the activities of daily living that can be acquired as the content of the proposal regarding the rehabilitation.

本発明の第５の態様によれば、前記出力部は、前記リハビリに関する提案内容として、重症度の変化に伴う目標を出力する。 According to the fifth aspect of the present invention, the output unit outputs a target accompanying a change in severity as the content of the proposal regarding the rehabilitation.

本発明の第６の態様によれば、リハビリに関する提案内容は、ＦＭＡに基づく重症度の評価結果に対応して定められた提案内容である。 According to the sixth aspect of the present invention, the content of the proposal regarding rehabilitation is the content of the proposal defined in response to the evaluation result of the severity based on FMA.

本発明の第７の態様によれば、リハビリ支援方法は、身体の動きを示すセンサデータを入力するステップと、前記センサデータとリハビリに関する提案内容とを含む教師データを用いて事前に学習された学習済みアルゴリズムを用いて、前記入力されたセンサデータに応じた、リハビリに関する提案内容を出力するステップと、を有する。 According to the seventh aspect of the present invention, the rehabilitation support method was learned in advance using the teacher data including the step of inputting the sensor data indicating the movement of the body and the sensor data and the content of the proposal regarding the rehabilitation. It has a step of outputting a proposal content regarding rehabilitation according to the input sensor data by using the learned algorithm.

本発明の第８の態様によれば、プログラムは、リハビリ支援装置のコンピュータに、身体の動きを示すセンサデータを入力するステップと、前記センサデータとリハビリに関する提案内容とを含む教師データを用いて事前に学習された学習済みアルゴリズムを用いて、前記入力されたセンサデータに応じた、リハビリに関する提案内容を出力するステップと、を実行させる。 According to the eighth aspect of the present invention, the program uses the teacher data including the step of inputting the sensor data indicating the movement of the body into the computer of the rehabilitation support device and the sensor data and the content of the proposal regarding the rehabilitation. Using a pre-learned learned algorithm, a step of outputting a proposal content regarding rehabilitation according to the input sensor data is executed.

上述のリハビリ支援装置、リハビリ支援方法およびプログラムによれば、患者が専門家との対面による評価を要さずともリハビリテーションにおける適切な指示を受けることができる。 The rehabilitation support devices, rehabilitation support methods and programs described above allow patients to receive appropriate rehabilitation instructions without the need for face-to-face evaluation with a specialist.

第１の実施形態に係るリハビリ支援装置の全体構成を示す図である。It is a figure which shows the whole structure of the rehabilitation support apparatus which concerns on 1st Embodiment. 第１の実施形態に係る機械学習アルゴリズムの機能を示す図である。It is a figure which shows the function of the machine learning algorithm which concerns on 1st Embodiment. 第１の実施形態に係る機械学習アルゴリズムの機能を示す図である。It is a figure which shows the function of the machine learning algorithm which concerns on 1st Embodiment. 第１の実施形態に係るリハビリ支援装置による処理の例を示す図である。It is a figure which shows the example of the processing by the rehabilitation support apparatus which concerns on 1st Embodiment. 第１の実施形態に係るリハビリ支援装置による処理の例を示す図である。It is a figure which shows the example of the processing by the rehabilitation support apparatus which concerns on 1st Embodiment. 第１の実施形態に係るリハビリ支援装置による処理の例を示す図である。It is a figure which shows the example of the processing by the rehabilitation support apparatus which concerns on 1st Embodiment. 第１の実施形態に係るリハビリ支援装置による処理の例を示す図である。It is a figure which shows the example of the processing by the rehabilitation support apparatus which concerns on 1st Embodiment. 第１の実施形態に係るリハビリ支援装置による処理の例を示す図である。It is a figure which shows the example of the processing by the rehabilitation support apparatus which concerns on 1st Embodiment.

＜第１の実施形態＞
以下、本発明の第１の実施形態に係るリハビリ支援システムについて、図１～図８を参照しながら説明する。 <First Embodiment>
Hereinafter, the rehabilitation support system according to the first embodiment of the present invention will be described with reference to FIGS. 1 to 8.

（リハビリ支援装置の全体構成）
図１は、第１の実施形態に係るリハビリ支援装置の全体構成を示す図である。
図１に示すリハビリ支援装置１は、腕時計タイプのウェアラブル端末装置である。リハビリ支援装置１は、例えば、上肢麻痺患者の、麻痺側の腕に取り付けられて用いられる。なお、本実施形態においては、リハビリ支援装置１は、専用の端末装置であるものとして説明するが、他の実施形態においてはこの態様に限定されない。例えば、リハビリ支援装置１は、一般的なスマートフォンやスマートウォッチに、専用のプログラム（アプリケーション）を適用することで、以下に説明するリハビリ支援装置１として機能するものであってもよい。 (Overall configuration of rehabilitation support device)
FIG. 1 is a diagram showing an overall configuration of a rehabilitation support device according to a first embodiment.
The rehabilitation support device 1 shown in FIG. 1 is a wristwatch-type wearable terminal device. The rehabilitation support device 1 is used, for example, by being attached to the arm on the paralyzed side of a patient with upper limb paralysis. In the present embodiment, the rehabilitation support device 1 will be described as being a dedicated terminal device, but the other embodiments are not limited to this mode. For example, the rehabilitation support device 1 may function as the rehabilitation support device 1 described below by applying a dedicated program (application) to a general smartphone or smart watch.

図１に示すように、リハビリ支援装置１は、ＣＰＵ１０と、メモリ１１と、タッチセンサ１２と、ディスプレイ１３と３軸加速度計１４とを備えている。 As shown in FIG. 1, the rehabilitation support device 1 includes a CPU 10, a memory 11, a touch sensor 12, a display 13, and a 3-axis accelerometer 14.

ＣＰＵ１０は、予め用意されたプログラムに従って動作するプロセッサである。ＣＰＵ１０は、このプログラムに従って動作することで後述の種々の機能を発揮する。 The CPU 10 is a processor that operates according to a program prepared in advance. The CPU 10 exerts various functions described later by operating according to this program.

メモリ１１は、いわゆる主記憶装置であって、ＣＰＵ１０の動作に必要な記憶領域を有する。 The memory 11 is a so-called main storage device, and has a storage area necessary for the operation of the CPU 10.

タッチセンサ１２は、利用者（上肢麻痺患者）のタッチ操作を受け付ける入力手段の一例である。 The touch sensor 12 is an example of an input means that accepts a touch operation of a user (patient with paralysis of the upper limbs).

ディスプレイ１３は、種々の情報などを表示して利用者に通知する表示手段の一例である。 The display 13 is an example of display means for displaying various information and notifying the user.

３軸加速度計１４は、本体（リハビリ支援装置１）の空間上の動き（加速度）を検知可能なセンサである。 The 3-axis accelerometer 14 is a sensor capable of detecting the spatial movement (acceleration) of the main body (rehabilitation support device 1).

リハビリ支援装置１のＣＰＵ１０は、プログラムに従って動作することで、入力部１００、出力部１０１としての機能を発揮する。 The CPU 10 of the rehabilitation support device 1 operates according to a program to exhibit functions as an input unit 100 and an output unit 101.

入力部１００は、３軸加速度計１４を通じて得られたデータであって、利用者の身体（本実施形態では麻痺側の上肢）の動きを示すセンサデータを入力する。 The input unit 100 inputs data obtained through the 3-axis accelerometer 14 and inputs sensor data indicating the movement of the user's body (in this embodiment, the upper limb on the paralyzed side).

出力部１０１は、学習済みの機械学習アルゴリズムＡＬを用いて、入力部１００によって入力されたセンサデータに応じた、リハビリに関する提案内容を、ディスプレイ１３に表示（出力）する。 The output unit 101 uses the learned machine learning algorithm AL to display (output) on the display 13 the content of the proposal regarding rehabilitation according to the sensor data input by the input unit 100.

機械学習アルゴリズムＡＬは、センサデータとリハビリに関する提案内容とを含む教師データを用いて事前に学習された学習済みアルゴリズムである。 The machine learning algorithm AL is a pre-learned algorithm that has been learned in advance using teacher data including sensor data and proposals for rehabilitation.

（機械学習アルゴリズムの機能）
図２、図３は、第１の実施形態に係る機械学習アルゴリズムの機能を示す図である。
図２は、学習段階における機械学習アルゴリズムＡＬの機能を示している。また、図３は、実用段階における機械学習アルゴリズムＡＬの機能を示している。 (Function of machine learning algorithm)
2 and 3 are diagrams showing the functions of the machine learning algorithm according to the first embodiment.
FIG. 2 shows the function of the machine learning algorithm AL in the learning stage. Further, FIG. 3 shows the function of the machine learning algorithm AL in the practical stage.

図２に示すように、教師データＤＴを機械学習アルゴリズムＡＬに入力することで機械学習（教師あり学習）を行う。 As shown in FIG. 2, machine learning (supervised learning) is performed by inputting the teacher data DT into the machine learning algorithm AL.

教師データＤＴは、３軸加速度計１４から取得されたセンサデータと、当該センサデータに対応するリハビリに関する提案内容とをセットとした教師データである。 The teacher data DT is teacher data in which the sensor data acquired from the 3-axis accelerometer 14 and the content of the proposal regarding rehabilitation corresponding to the sensor data are set.

ここで、上肢麻痺に対する上肢機能評価の一般的手法について簡単に説明する。
上肢機能評価の評価方法に関しては、専門家（作業療法士）が患者と対面で行うことが一般的であり、通常、Ｆｕｇｌ－Ｍｅｙｅｒ Ａｓｓｅｓｓｍｅｎｔ（以下、「ＦＭＡ」と表記する。）に基づいて定量的に評価される。ＦＭＡは、脳卒中の上肢機能評価において国際的に最も使用され検者間にて高い信頼性があり、効果のアウトカムとなる。ＦＭＡの上肢運動機能は、項目ごとに、“０点（全くできない）”，“１点（不十分）”，“２点（十分可能）”の３段階で評価され、その合計点（６６点満点）が上肢機能評価（重症度）となる。ＦＭＡは、専門家が患者に対し、肩、前腕、手関節、手指の各運動を行わせて評価する。そして、専門家は、このＦＭＡの点数（重症度）にしたがい、患者に対し、適切な目標設定やアドバイスを行う。 Here, a general method for evaluating upper limb function for upper limb paralysis will be briefly described.
The evaluation method for upper limb function evaluation is generally performed face-to-face by a specialist (occupational therapist), and is usually quantified based on the Fugl-Meyer Assessment (hereinafter referred to as "FMA"). Is evaluated. FMA is the most used internationally in the assessment of upper limb function in stroke, is highly reliable among examiners, and is an outcome of efficacy. FMA's upper limb motor function is evaluated for each item on a three-point scale of "0 points (not possible at all)", "1 point (insufficient)", and "2 points (sufficiently possible)", and the total points (66 points). Perfect score) is the upper limb function evaluation (severity). The FMA is evaluated by a specialist by having the patient perform shoulder, forearm, wrist, and finger movements. Then, the expert sets appropriate goals and gives advice to the patient according to the FMA score (severity).

本実施形態に係る機械学習アルゴリズムＡＬは、このＦＭＡに準拠するように学習される。具体的には、図２に示すように、教師データＤＴは、各種センサデータ（入力値）に対し、ＦＭＡによる重症度の評価結果に準拠した目標設定をペアとして用意される。ここでセンサデータは、３軸加速度計１４によって取得されたデータ群であり、上肢（リハビリ支援装置１が取り付けられた腕）の活動量、上肢運動の軌跡、上肢の移動距離などが含まれる。 The machine learning algorithm AL according to the present embodiment is learned so as to comply with this FMA. Specifically, as shown in FIG. 2, the teacher data DT is prepared as a pair of target settings based on the evaluation result of the severity by FMA for various sensor data (input values). Here, the sensor data is a data group acquired by the 3-axis accelerometer 14, and includes the amount of activity of the upper limb (arm to which the rehabilitation support device 1 is attached), the locus of upper limb movement, the movement distance of the upper limb, and the like.

このようにして学習された機械学習アルゴリズムＡＬによれば、実用段階において、図３に示すように、ある患者のセンサデータＤ１が入力された場合に、当該センサデータＤ１から推定される重症度に基づいて、ＦＭＡに準拠した、患者固有の目標設定Ｄ２を出力することができる。 According to the machine learning algorithm AL learned in this way, in the practical stage, as shown in FIG. 3, when the sensor data D1 of a certain patient is input, the severity estimated from the sensor data D1 is obtained. Based on this, FMA-compliant, patient-specific target setting D2 can be output.

（リハビリ支援装置の処理）
図４～図８は、第１の実施形態に係るリハビリ支援装置による処理の例を示す図である。
以下、図４～図８を参照しながら、第１の実施形態に係るリハビリ支援装置の具体的な処理について詳しく説明する。 (Processing of rehabilitation support device)
4 to 8 are diagrams showing an example of processing by the rehabilitation support device according to the first embodiment.
Hereinafter, specific processing of the rehabilitation support device according to the first embodiment will be described in detail with reference to FIGS. 4 to 8.

（上肢活動量）
図４に示すように、リハビリ支援装置１は、リハビリに関する提案内容として、上肢麻痺の重症度に応じた上肢活動量の目標値を出力する。 (Upper limb activity)
As shown in FIG. 4, the rehabilitation support device 1 outputs a target value of the amount of upper limb activity according to the severity of upper limb paralysis as the content of the proposal regarding rehabilitation.

具体的には、リハビリ支援装置１の入力部１００は、３軸加速度計１４（図１）を通じて得られた患者固有のセンサデータの入力を受け付ける。そして、出力部１０１は、事前に学習された機械学習アルゴリズムＡＬに対し、患者固有のセンサデータを入力し、当該機械学習アルゴリズムＡＬから上肢活動量の目標値を取得する。 Specifically, the input unit 100 of the rehabilitation support device 1 receives the input of the patient-specific sensor data obtained through the 3-axis accelerometer 14 (FIG. 1). Then, the output unit 101 inputs the sensor data peculiar to the patient to the machine learning algorithm AL learned in advance, and acquires the target value of the upper limb activity amount from the machine learning algorithm AL.

図４に示すように、リハビリ支援装置１は、ディスプレイ１３（図１）に表示画像Ｇを表示させる。この表示画像Ｇには、例えば、現在（今日１日）の時間帯別上肢活動量および総活動量と、次の時間帯（明日１日）の時間帯別上肢活動量の目標値および総活動量の目標値とが表示される。 As shown in FIG. 4, the rehabilitation support device 1 causes the display 13 (FIG. 1) to display the display image G. In this display image G, for example, the target value and the total activity of the upper limb activity amount and the total activity amount by the time zone of the present (today 1st) and the time zone of the next time zone (tomorrow 1st day) are shown. The target value of the quantity and is displayed.

ここで出力される上肢活動量の目標値は、上述した機械学習アルゴリズムＡＬにより出力されるので、ＦＭＡを用いた専門家の判断に準じたものとなる。 Since the target value of the upper limb activity amount output here is output by the machine learning algorithm AL described above, it is based on the judgment of an expert using FMA.

（獲得可能な動き）
図５に示すように、リハビリ支援装置１は、リハビリに関する提案内容として、上肢麻痺の重症度に応じた「獲得可能な動き」の目標（トレーニング内容）を出力する。 (Available movement)
As shown in FIG. 5, the rehabilitation support device 1 outputs a goal (training content) of “acquirable movement” according to the severity of upper limb paralysis as a proposal content regarding rehabilitation.

具体的には、入力部１００は、３軸加速度計１４（図１）を通じて得られた患者固有のセンサデータの入力を受け付ける。そして、出力部１０１は、事前に学習された機械学習アルゴリズムＡＬに対し、患者固有のセンサデータを入力し、当該機械学習アルゴリズムＡＬから「獲得可能な動き」の目標を取得する。 Specifically, the input unit 100 receives the input of the patient-specific sensor data obtained through the 3-axis accelerometer 14 (FIG. 1). Then, the output unit 101 inputs the sensor data peculiar to the patient to the machine learning algorithm AL learned in advance, and acquires the target of the “acquirable movement” from the machine learning algorithm AL.

図５に示すように、リハビリ支援装置１は、ディスプレイ１３（図１）に表示画像Ｇを表示させる。この表示画像Ｇには、例えば、獲得可能な動きの目標（トレーニング内容）がアニメーション表示される。 As shown in FIG. 5, the rehabilitation support device 1 causes the display 13 (FIG. 1) to display the display image G. For example, the target (training content) of the movement that can be acquired is displayed as an animation on the display image G.

ここで出力される「獲得可能な動き」の目標は、上述した機械学習アルゴリズムＡＬにより出力されるため、ＦＭＡを用いた専門家の判断に準じたものとなる。 Since the goal of the "acquirable movement" output here is output by the machine learning algorithm AL described above, it is based on the judgment of an expert using FMA.

（獲得可能な日常生活動作）
図６、図７に示すように、リハビリ支援装置１は、リハビリに関する提案内容として、上肢麻痺の重症度に応じた「獲得可能な日常動作」の目標を出力する。 (Available activities of daily living)
As shown in FIGS. 6 and 7, the rehabilitation support device 1 outputs a target of “acquirable activities of daily living” according to the severity of upper limb paralysis as a proposal content regarding rehabilitation.

具体的には、入力部１００は、３軸加速度計１４（図１）を通じて得られた患者固有のセンサデータの入力を受け付ける。そして、出力部１０１は、事前に学習された機械学習アルゴリズムＡＬに対し、患者固有のセンサデータを入力し、当該機械学習アルゴリズムＡＬから「獲得可能な日常生活動作」の目標を取得する。 Specifically, the input unit 100 receives the input of the patient-specific sensor data obtained through the 3-axis accelerometer 14 (FIG. 1). Then, the output unit 101 inputs the sensor data peculiar to the patient to the machine learning algorithm AL learned in advance, and acquires the target of "acquirable daily life movement" from the machine learning algorithm AL.

図６に示すように、リハビリ支援装置１は、ディスプレイ１３（図１）に、食事動作の目標を示す表示画像Ｇを表示させる。食事動作の目標は、例えば、重症度に応じて、「全介助」、「ユニバーサルカフ付きスプーンを使用」、「太柄自助具スプーンを使用」、「普通スプーンで自立」、「自助具箸＋普通スプーンで自立」、「箸で自立」のいずれかが設定される。 As shown in FIG. 6, the rehabilitation support device 1 causes the display 13 (FIG. 1) to display a display image G indicating a target of a meal operation. The goals of eating movements are, for example, "total caregiving", "use a spoon with a universal cuff", "use a thick-handled self-help spoon", "self-reliance with a normal spoon", and "self-help chopsticks +" depending on the severity. Either "independent with a regular spoon" or "independent with chopsticks" is set.

また、図７に示すように、リハビリ支援装置１は、ディスプレイ１３（図１）に、更衣動作の目標表示画像Ｇを表示させる。更衣動作の目標は、例えば、重症度に応じて、「全介助」、「低い位置で腕を伸ばして袖を通せる」、「前開きシャツを、肩を少し上げて腕を伸ばして袖を通せる」、「前開きシャツを、肩を高く上げて腕を伸ばして袖を通せる」、「ボタンを閉めることができる」のいずれかが設定される。 Further, as shown in FIG. 7, the rehabilitation support device 1 causes the display 13 (FIG. 1) to display the target display image G of the changing clothes operation. The goals of changing clothes are, for example, "total assistance", "stretching your arms in a low position and letting your sleeves pass", "front-opening shirt, slightly raising your shoulders and stretching your sleeves", depending on the severity. Either "can be passed through", "the front-opening shirt can be raised to the shoulders and the arms can be extended to pass through the sleeves", or "the button can be closed" is set.

図６、図７のように出力される「獲得可能な日常動作」の目標は、上述した機械学習アルゴリズムＡＬにより出力されるので、ＦＭＡを用いた専門家の判断に準じたものとなる。 Since the goal of "acquirable daily movement" output as shown in FIGS. 6 and 7 is output by the above-mentioned machine learning algorithm AL, it is based on the judgment of an expert using FMA.

（重症度の変化に伴う目標値の設定）
図８に示すように、リハビリ支援装置１は、リハビリに関する提案内容として、上肢麻痺の重症度の変化に伴った目標を出力する。 (Setting of target value according to change of severity)
As shown in FIG. 8, the rehabilitation support device 1 outputs a target according to a change in the severity of upper limb paralysis as a proposal content regarding rehabilitation.

具体的には、入力部１００は、３軸加速度計１４（図１）を通じて得られた患者固有のセンサデータの入力を受け付ける。そして、出力部１０１は、事前に学習された機械学習アルゴリズムＡＬに対し、患者固有のセンサデータを入力し、当該機械学習アルゴリズムＡＬから、重症度の変化に伴った目標を取得する。 Specifically, the input unit 100 receives the input of the patient-specific sensor data obtained through the 3-axis accelerometer 14 (FIG. 1). Then, the output unit 101 inputs patient-specific sensor data to the machine learning algorithm AL learned in advance, and acquires a target according to the change in severity from the machine learning algorithm AL.

例えば、リハビリ支援装置１は、一週間前の総活動量と現在の総活動量とを比較した結果、改善傾向がみられている場合、総活動量の目標値として、現在の総活動量のみに基づいて設定される目標値（基準）よりも高い目標値が設定される（図８（ａ）参照）。 For example, in the rehabilitation support device 1, if an improvement tendency is observed as a result of comparing the total activity amount one week ago and the current total activity amount, only the current total activity amount is set as the target value of the total activity amount. A target value higher than the target value (reference) set based on is set (see FIG. 8A).

また、リハビリ支援装置１は、一週間前の総活動量と現在の総活動量とを比較した結果、改善傾向がみられていない場合、総活動量の目標値として、現在の総活動量のみに基づいて設定される目標値（基準）よりも低い目標値が設定される（図８（ｂ）参照）。 In addition, as a result of comparing the total activity amount one week ago and the current total activity amount, the rehabilitation support device 1 sets only the current total activity amount as the target value of the total activity amount when no improvement tendency is observed. A target value lower than the target value (reference) set based on is set (see FIG. 8 (b)).

なお、図８は、「重症度の変化に伴う目標値の設定」として、「総活動量」の目標設定を例に説明したものであるが、「獲得可能な動き」（図５）、「獲得可能な日常生活動作」（図６、図７）の目標設定についても同様に処理される。 Note that FIG. 8 describes the setting of the target value of the “total activity amount” as an example of the “setting of the target value according to the change in severity”, but the “acquirable movement” (FIG. 5) and “ The same applies to the goal setting of "acquirable activities of daily living" (FIGS. 6 and 7).

このような重症度の変化に伴う目標値の設定（縦断的分析）も、上述した機械学習アルゴリズムＡＬにより出力されるので、ＦＭＡを用いた専門家の判断に準じたものとなる。 Since the setting of the target value (longitudinal analysis) accompanying such a change in severity is also output by the above-mentioned machine learning algorithm AL, it is based on the judgment of an expert using FMA.

（作用効果）
以上のとおり、第１の実施形態に係るリハビリ支援装置１は、患者に取り付けた活動量センサによる「センサデータ」と、「活動量・動きの目標の提案」、「獲得可能な日常動作の提案」、「重症度の変化に伴う目標値の設定（縦断的分析）」等の提案内容を教師あり学習で学習させた学習済みＡＩ（機械学習アルゴリズムＡＬ）を有することを特徴としている。この学習済みＡＩを用いることで、患者が専門家との対面による評価を要さずとも、専門家と同等のアドバイス、指示を受けることができる。 (Action effect)
As described above, the rehabilitation support device 1 according to the first embodiment has "sensor data" by the activity amount sensor attached to the patient, "proposal of activity amount / movement target", and "proposal of acquireable daily movement". It is characterized by having a learned AI (machine learning algorithm AL) in which proposal contents such as "setting of target value according to change in severity (longitudinal analysis)" are learned by supervised learning. By using this learned AI, the patient can receive the same advice and instructions as the expert without the need for face-to-face evaluation with the expert.

上述の実施形態においては、リハビリ装置１の各種処理の過程は、プログラムの形式でコンピュータ読み取り可能な記録媒体に記憶されており、このプログラムをコンピュータが読み出して実行することによって上記各種処理が行われる。また、コンピュータ読み取り可能な記録媒体とは、磁気ディスク、光磁気ディスク、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、半導体メモリ等をいう。また、このコンピュータプログラムを通信回線によってコンピュータに配信し、この配信を受けたコンピュータが当該プログラムを実行するようにしてもよい。 In the above-described embodiment, the processes of various processes of the rehabilitation device 1 are stored in a computer-readable recording medium in the form of a program, and the various processes are performed by the computer reading and executing this program. .. The computer-readable recording medium refers to a magnetic disk, a magneto-optical disk, a CD-ROM, a DVD-ROM, a semiconductor memory, or the like. Further, the computer program may be distributed to the computer via a communication line, and the computer receiving the distribution may execute the program.

上記プログラムは、上述した機能の一部を実現するためのものであってもよい。更に、上述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であってもよい。 The above program may be for realizing a part of the above-mentioned functions. Further, a so-called difference file (difference program) may be used, which can realize the above-mentioned function in combination with a program already recorded in the computer system.

以上のとおり、本開示に係るいくつかの実施形態を説明したが、これら全ての実施形態は、例として提示したものであり、発明の範囲を限定することを意図していない。これらの実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で種々の省略、置き換え、変更を行うことができる。これらの実施形態及びその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれる。 As described above, some embodiments according to the present disclosure have been described, but all of these embodiments are presented as examples and are not intended to limit the scope of the invention. These embodiments can be implemented in various other embodiments, and various omissions, replacements, and changes can be made without departing from the gist of the invention. These embodiments and variations thereof are included in the scope of the invention described in the claims and the equivalent scope thereof, as are included in the scope and gist of the invention.

１ リハビリ支援装置
１０ ＣＰＵ
１１ メモリ
１２ タッチセンサ
１３ ディスプレイ
１４ ３軸加速度計
１００ 入力部
１０１ 出力部
ＡＬ 機械学習アルゴリズム 1 Rehabilitation support device 10 CPU
11 Memory 12 Touch sensor 13 Display 14 3-axis accelerometer 100 Input unit 101 Output unit AL Machine learning algorithm

Claims (8)

身体の動きを示すセンサデータを入力する入力部と、
前記センサデータとリハビリに関する提案内容とを含む教師データを用いて事前に学習された学習済みアルゴリズムを用いて、前記入力されたセンサデータに応じた、リハビリに関する提案内容を出力する出力部と、
を備えるリハビリ支援装置。 An input unit that inputs sensor data indicating body movement,
An output unit that outputs the proposal content regarding rehabilitation according to the input sensor data by using a learned algorithm learned in advance using the teacher data including the sensor data and the proposal content regarding rehabilitation.
Rehabilitation support device equipped with. 前記出力部は、前記リハビリに関する提案内容として、活動量の目標値を出力する、
請求項１に記載のリハビリ支援装置。 The output unit outputs a target value of the amount of activity as the content of the proposal regarding the rehabilitation.
The rehabilitation support device according to claim 1. 前記出力部は、前記リハビリに関する提案内容として、獲得可能な動きの目標を出力する、
請求項１又は請求項２に記載のリハビリ支援装置。 The output unit outputs the target of the movement that can be acquired as the content of the proposal regarding the rehabilitation.
The rehabilitation support device according to claim 1 or 2. 前記出力部は、前記リハビリに関する提案内容として、獲得可能な日常生活動作を出力する、
請求項１から請求項３のいずれか一項に記載のリハビリ支援装置。 The output unit outputs the activities of daily living that can be acquired as the content of the proposal regarding the rehabilitation.
The rehabilitation support device according to any one of claims 1 to 3. 前記出力部は、前記リハビリに関する提案内容として、重症度の変化に伴う目標を出力する、
請求項１から請求項４のいずれか一項に記載のリハビリ支援装置。 The output unit outputs a target according to a change in severity as the content of the proposal regarding the rehabilitation.
The rehabilitation support device according to any one of claims 1 to 4. 前記リハビリに関する提案内容は、ＦＭＡに基づく重症度の評価結果に対応して定められた提案内容である、
請求項１から請求項５のいずれか一項に記載のリハビリ支援装置。 The content of the proposal regarding rehabilitation is the content of the proposal determined in response to the evaluation result of the severity based on FMA.
The rehabilitation support device according to any one of claims 1 to 5. 身体の動きを示すセンサデータを入力するステップと、
前記センサデータとリハビリに関する提案内容とを含む教師データを用いて事前に学習された学習済みアルゴリズムを用いて、前記入力されたセンサデータに応じた、リハビリに関する提案内容を出力するステップと、
を備えるリハビリ支援方法。 Steps to input sensor data indicating body movement,
Using a pre-learned algorithm using teacher data including the sensor data and the proposal content regarding rehabilitation, a step of outputting the proposal content regarding rehabilitation according to the input sensor data, and a step of outputting the proposal content regarding rehabilitation.
Rehabilitation support method to prepare. リハビリ支援装置のコンピュータに、
身体の動きを示すセンサデータを入力するステップと、
前記センサデータとリハビリに関する提案内容とを含む教師データを用いて事前に学習された学習済みアルゴリズムを用いて、前記入力されたセンサデータに応じた、リハビリに関する提案内容を出力するステップと、
を実行させるプログラム。 For the computer of the rehabilitation support device,
Steps to input sensor data indicating body movement,
Using a pre-learned algorithm using teacher data including the sensor data and the proposal content regarding rehabilitation, a step of outputting the proposal content regarding rehabilitation according to the input sensor data, and a step of outputting the proposal content regarding rehabilitation.
A program to execute.
JP2020178385A 2020-10-23 2020-10-23 Rehabilitation support device, and method and program for controlling rehabilitation support device Active JP7514013B2 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2020178385A JP7514013B2 (en) 2020-10-23 2020-10-23 Rehabilitation support device, and method and program for controlling rehabilitation support device
JP2024069895A JP2024087009A (en) 2020-10-23 2024-04-23 Rehabilitation support device, method for controlling rehabilitation support device, and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020178385A JP7514013B2 (en) 2020-10-23 2020-10-23 Rehabilitation support device, and method and program for controlling rehabilitation support device

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2024069895A Division JP2024087009A (en) 2020-10-23 2024-04-23 Rehabilitation support device, method for controlling rehabilitation support device, and program

Publications (2)

Publication Number Publication Date
JP2022069286A true JP2022069286A (en) 2022-05-11
JP7514013B2 JP7514013B2 (en) 2024-07-10

Family

ID=81521873

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2020178385A Active JP7514013B2 (en) 2020-10-23 2020-10-23 Rehabilitation support device, and method and program for controlling rehabilitation support device
JP2024069895A Pending JP2024087009A (en) 2020-10-23 2024-04-23 Rehabilitation support device, method for controlling rehabilitation support device, and program

Family Applications After (1)

Application Number Title Priority Date Filing Date
JP2024069895A Pending JP2024087009A (en) 2020-10-23 2024-04-23 Rehabilitation support device, method for controlling rehabilitation support device, and program

Country Status (1)

Country Link
JP (2) JP7514013B2 (en)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016002885A1 (en) * 2014-07-03 2016-01-07 帝人ファーマ株式会社 Rehabilitation assistance device and program for controlling rehabilitation assistance device
JP2020039566A (en) * 2018-09-10 2020-03-19 学校法人北里研究所 Rehabilitation support device and program
JP2020099534A (en) * 2018-12-21 2020-07-02 株式会社元気広場 Function improvement support device and system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016002885A1 (en) * 2014-07-03 2016-01-07 帝人ファーマ株式会社 Rehabilitation assistance device and program for controlling rehabilitation assistance device
JP2020039566A (en) * 2018-09-10 2020-03-19 学校法人北里研究所 Rehabilitation support device and program
JP2020099534A (en) * 2018-12-21 2020-07-02 株式会社元気広場 Function improvement support device and system

Also Published As

Publication number Publication date
JP7514013B2 (en) 2024-07-10
JP2024087009A (en) 2024-06-28

Similar Documents

Publication Publication Date Title
Sathiyanarayanan et al. MYO Armband for physiotherapy healthcare: A case study using gesture recognition application
Veerbeek et al. Effects of robot-assisted therapy for the upper limb after stroke: a systematic review and meta-analysis
Spender et al. Wearables and the internet of things: Considerations for the life and health insurance industry
WO2017204233A1 (en) Health condition prediction device, health condition prediction method, and computer-readable recording medium
Powell et al. A training strategy for learning pattern recognition control for myoelectric prostheses
CN108133742A (en) Body movement and body-building monitor
WO2011158965A1 (en) Sensitivity evaluation system, sensitivity evaluation method, and program
Abdollahi et al. Body-machine interface enables people with cervical spinal cord injury to control devices with available body movements: proof of concept
KR102105552B1 (en) Massage chair system for improving cognitive ability of user
Baranyi et al. Reha@ stroke-a mobile application to support people suffering from a stroke through their rehabilitation
Wolf et al. cARe: an augmented reality support system for geriatric inpatients with mild cognitive impairment
Allison The I of BCIs: next generation interfaces for brain–computer interface systems that adapt to individual users
Renault et al. Individual movement features during prism adaptation correlate with after-effects and interlimb transfer
WO2020059789A1 (en) Information processing method, computer program, trained model, and information processing device
Li et al. AI in the shell: Towards an understanding of integrated embodiment
Joyner et al. Comparison of dexterous task performance in virtual reality and real-world environments
Fang et al. Wearable technology for robotic manipulation and learning
Matey-Sanz et al. Instrumented timed up and go test using inertial sensors from consumer wearable devices
Bell et al. Are tools truly incorporated as an extension of the body representation?: Assessing the evidence for tool embodiment
JP2022069286A (en) Rehabilitation support device, rehabilitation support method and program
Ayoade et al. The development and evaluation of an interactive system for age related musculoskeletal rehabilitation in the home
JP7469966B2 (en) Information processing device, information processing method, and program
Wodarski et al. Interactive controller aiding the process of upper limb rehabilitation
Bleser et al. Human motion capturing and activity recognition using wearable sensor networks
JP2021174311A (en) Movement evaluation system, movement evaluation device, and movement evaluation method

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230605

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231114

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20231115

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240112

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20240206

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240423

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20240507

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240611

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240621

R150 Certificate of patent or registration of utility model

Ref document number: 7514013

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150