JP2024022278A - 情報処理装置、情報処理方法及び情報処理プログラム - Google Patents

Abstract

【課題】歩行テストに供する歩行データの信頼性を判定する情報処理装置、情報処理方法及び情報処理プログラムを得る。【解決手段】演算装置１０は、歩行者の歩様を示す歩行教師データ、及び所定の歩行テストにおける前記歩行教師データの信頼性で機械学習モデルを学習させ、対象者２００に装着したセンサ２２０、２３０で検出した対象者２００の歩様を示す歩行データを、対象者が２００所持する携帯デバイス類２１０を介して取得し、学習済みの機械学習モデルにより、取得した歩行データの所定の歩行テストにおける信頼性を推定する。【選択図】図１

Description

本発明は、対象者の歩様を示す歩行データが、当該対象者の歩行の健全性を判断する所定の歩行テストに供した際の当該歩行データの信頼性を判定する情報処理装置、情報処理方法及び情報処理プログラムに関する。

臨床では、対象者の歩行の健全性を判断するために、当該対象者の１０ｍの歩行速度、及び歩数を測定する１０ｍ歩行テストが行われる。１０ｍ歩行テストは、対象者が１０ｍの直線コースを歩行した際の状態を判断するが、対象者が歩く区間を定める等の準備を要するので、健康管理を目的として個人が継続して日常的に行うのは難しい。

１０ｍ歩行テストのように、特定のコースを歩行した場合ではなく、日常生活における歩行から、対象者の歩行の健全性を判断することが試みられている。特許文献１には、スマートフォン等の携帯デバイス類が備える加速度センサ等で検出した情報から対象者が歩行する際の個々の足運びを示す歩行ステップを認識し、さらに段差を上る、段差を下る又は傾斜を上る等の歩行ステップの種別を把握する発明が開示されている。

特許６４５７３４６号公報

しかしながら、特許文献１に記載の発明は、センサで検出したデータを、その良否を判断せずに対象者の歩行ステップの認識及び種別の把握に供しているので、歩行ステップの種別を把握する精度に難があった。日常の歩行では、対象者は人混み等の自身のペースでの歩行が難しい場合があり、かかる場合で対象者は本来の歩行能力に応じた歩行ができない。また、何かの理由で駆け足になる場合もあり、かかる場合も対象者の本来の歩行能力に応じた歩行ができなくなるからである。

本発明は、上記事実を考慮し、歩行テストに供する歩行データの信頼性を判定する情報処理装置、情報処理方法及び情報処理プログラムを得ることを目的とする。

上記目的を達成するために請求項１に記載の情報処理装置は、対象者に装着したセンサで検出した前記対象者の歩様を示す歩行データを、前記対象者が所持する携帯デバイスを介して取得する取得部と、歩行者の歩様を示す歩行教師データ、及び所定の歩行テストにおける前記歩行教師データの信頼性で学習した機械学習モデルにより、前記取得部で取得した前記歩行データの前記所定の歩行テストにおける信頼性を推定する演算部と、を含む。

請求項１に記載の情報処理装置によれば、歩行テストに供する歩行データの信頼性を推定し、信頼性の高い歩行データのみを歩行テストに供することにより、歩行テストにおける分析精度を向上させることができる。

請求項２に記載の情報処理装置は、前記携帯デバイスは、加速度及び角速度を検出すると共に、衛星測位による現在位置の推定が可能で、前記センサは、前記対象者の腕の加速度及び角速度を検出する腕部センサと、前記対象者の足の加速度及び角速度、並びに前記足の裏の圧力を検出する足部センサとを含む。

請求項２に記載の情報処理装置によれば、対象者が日常的に違和感なく装着できる腕部センサ、足部センサ、及び携帯デバイスを用いて歩行データを取得できる。

請求項３に記載の情報処理装置は、前記演算部は、前記センサで検出した加速度及び角速度、前記足の裏の圧力、並びに前記衛星測位による現在位置を含む前記歩行データに基づいて算出した前記対象者の歩行速度、歩幅、及びバランスを含む歩行分析データを学習済みの機械学習モデルに適用して前記歩行データの前記所定の歩行テストにおける信頼性を推定する。

請求項３に記載の情報処理装置によれば、センサで検出した加速度及び角速度、前記足の裏の圧力、並びに前記衛星測位による現在位置を含む歩行データから算出した対象者２００の歩行速度、歩幅、及びバランス等の対象者の歩行を端的に示す歩行分析データに基づいて歩行データの信頼性を推定できる。

上記目的を達成するために請求項４に記載の情報処理方法は、歩行者の歩様を示す歩行教師データ、及び所定の歩行テストにおける前記歩行教師データの信頼性で機械学習モデルを学習させる工程と、対象者に装着したセンサで検出した前記対象者の歩様を示す歩行データを、前記対象者が所持する携帯デバイスを介して取得する工程と、学習済みの機械学習モデルにより、前記取得した前記歩行データの前記所定の歩行テストにおける信頼性を推定する工程と、を含む。

請求項４に記載の情報処理方法によれば、歩行テストに供する歩行データの信頼性を推定し、信頼性の高い歩行データのみを歩行テストに供することにより、歩行テストにおける分析精度を向上させることができる。

上記目的を達成するために請求項５に記載の情報処理プログラムは、コンピュータを、歩行者の歩様を示す歩行教師データ、及び所定の歩行テストにおける前記歩行教師データの信頼性で機械学習モデルを学習させる学習部、対象者に装着したセンサで検出した前記対象者の歩様を示す歩行データを、前記対象者が所持する携帯デバイスを介して取得する取得部、並びに学習済みの機械学習モデルにより、前記取得部で取得した前記歩行データの前記所定の歩行テストにおける信頼性を推定する演算部として機能させる。

請求項５に記載の情報処理プログラムによれば、歩行テストに供する歩行データの信頼性を推定し、信頼性の高い歩行データのみを歩行テストに供することにより、歩行テストにおける分析精度を向上させることができる。

以上説明したように、本発明に係る情報処理装置、情報処理方法及び情報処理プログラムによれば、歩行テストに供する歩行データの信頼性を判定することが可能となる。

本実施形態に係る情報処理装置の構成を示す概略図である。 本実施形態に係る演算装置の具体的な構成の一例を示すブロック図である。 本実施形態に係る情報処理装置の携帯デバイス類及び演算装置の機能ブロック図である。 （Ａ）は、携帯デバイス類の歩行データ収集部で収集する歩行データの一例を示した概略図であり、（Ｂ）は、携帯デバイス類の動作推定用データ収集部で収集する歩行データの一例を示した概略図であり、（Ｃ）は、携帯デバイス類の周辺状況データ収集部で収集する周辺状況データの一例を示した概略図である。 （Ａ）は、歩行状況を示す歩行分析データの一例を示した概略図であり、（Ｂ）は、動作推定データの一例を示した概略図であり、（Ｃ）は、判定ランクの一例を示した概略図である。 本実施形態に係る情報処理装置の歩行データ判定処理の一例を示したフローチャートである。

以下、図１を用いて、本実施形態に係る情報処理装置１００について説明する。図１に示した情報処理装置１００は、ネットワークへの常時接続機能を備えた、スマートフォン等の無線通信が可能な携帯デバイス類２１０を所持した複数の対象者２００からデータを取得する通信装置１１０と、通信装置１１０が受信したデータを蓄積するデータストレージ１２０と、データストレージ１２０から所得した対象者２００の歩様を示す歩行データの所定の歩行テストにおける信頼性を判定する演算装置１０と、を含む。携帯デバイス類２１０は、周囲の音を検出可能であって、気圧の変化等によって高度を検出する高度計を備え、ＧＮＳＳ（全地球航法衛星システム）機能による測位が可能であると共に、Ｘ、Ｙ、Ｚの各々直交する３軸方向の加速度を検出する加速度センサと、Ｘ、Ｙ、Ｚの各々直交する３軸方向の角速度を検出するジャイロセンサとで構成されたＩＭＵ（慣性計測装置）を備えている。さらに、携帯デバイス類２１０は、対象者２００が装着した腕部センサ２２０、及び足部センサ２３０が各々検出したデータを受信し、受信したデータを、通信装置１１０を介してデータストレージ１２０に送信可能に構成されている。携帯デバイス類２１０のＧＮＳＳ機能の高度検出精度が良好であれば、高度計に代えてＧＮＳＳ機能によって高度を検出してもよい。

腕部センサ２２０は、Ｘ、Ｙ、Ｚの各々直交する３軸方向の加速度及び角速度が検出可能なＩＭＵを備え、足部センサ２３０は、Ｘ、Ｙ、Ｚの各々直交する３軸方向の加速度及び角速度が検出可能なＩＭＵ、及び対象者２００の足裏の圧力である足圧を検出する足圧センサを各々備えている。足圧センサは、例えば、対象者２００が歩行で着地させた際の足圧を検知する圧電素子等を用いたセンサである。

データストレージ１２０は、後述するように、データベースを備えたデータサーバであり、演算装置１０は、高度な演算処理を高速で実行できるコンピュータである。データストレージ１２０及び演算装置１０の各々は、単体のサーバでもよいが、処理負荷を分散できるクラウドでもよい。データストレージ１２０及び演算装置１０は、同一のサーバでもよい。

図２は、本発明の実施形態に係る演算装置１０の具体的な構成の一例を示すブロック図である。演算装置１０は、コンピュータ４０を含んで構成されている。コンピュータ４０は、ＣＰＵ（Central Processing Unit）４２、ＲＯＭ（Read Only Memory）４４、ＲＡＭ（Random Access Memory）４６、及び入出力ポート４８を備える。一例としてコンピュータ４０は、高度な演算処理を高速で実行できる機種であることが望ましい。

コンピュータ４０では、ＣＰＵ４２、ＲＯＭ４４、ＲＡＭ４６、及び入出力ポート４８がアドレスバス、データバス、及び制御バス等の各種バスを介して互いに接続されている。入出力ポート４８には、各種の入出力機器として、ディスプレイ５０、マウス５２、キーボード５４、ハードディスク（ＨＤＤ）５６、及び各種ディスク（例えば、ＣＤ－ＲＯＭやＤＶＤ等）５８から情報の読み出しを行うディスクドライブ６０が各々接続されている。

また、入出力ポート４８には、ネットワーク６２が接続されており、ネットワーク６２に接続された各種機器と情報の授受が可能とされている。本実施形態では、ネットワーク６２には、データベース（ＤＢ）１２２が接続されたデータサーバであるデータストレージ１２０が接続されており、ＤＢ１２２に対して情報の授受が可能とされている。

ＤＢ１２２には、通信装置１１０を介して取得した複数の対象者２００の歩行データが記憶される。ＤＢ１２２へのデータの記憶は、通信装置１１０を介する以外に、コンピュータ４０やネットワーク６２に接続された他の機器によって登録するようにしてもよい。

本実施形態では、データストレージ１２０に接続されたＤＢ１２２に、複数の対象者２００の歩行データ等が記憶されるものとして説明するが、コンピュータ４０に内蔵されたＨＤＤ５６や外付けのハードディスク等の外部記憶装置にＤＢ１２２の情報を記憶するようにしてもよい。

コンピュータ４０のＨＤＤ５６には、ニューラルネットワークを用いた機械学習に係るプログラムがインストールされている。本実施形態では、ＣＰＵ４２が当該プログラムを実行することにより、機械学習が開始され、機械学習に基づいた学習済みの機械学習モデルが構築される。さらに、構築された学習済みの機械学習モデルを用いて、対象者２００から取得した歩行データの信頼性を判定する。また、ＣＰＵ４２は、当該プログラムによる処理結果をディスプレイ５０に表示させる。

本実施形態の機械学習に係るプログラムをコンピュータ４０にインストールするには、幾つかの方法があるが、例えば、当該プログラムをセットアッププログラムと共にＣＤ－ＲＯＭやＤＶＤ等に記憶しておき、ディスクドライブ６０にディスクをセットし、ＣＰＵ４２に対してセットアッププログラムを実行することによりＨＤＤ４６に当該プログラムをインストールする。または、公衆電話回線又はネットワーク６２を介してコンピュータ４０と接続される他の情報処理機器と通信することで、ＨＤＤ４６に当該プログラムをインストールするようにしてもよい。

続いて、演算装置１０のＣＰＵ４２が機械学習に係るプログラムを実行することで実現される各種機能について説明する。機械学習に係るプログラムは、ＡＩの数理モデルを、予め用意した歩行教師データで学習させて学習済みの機械学習モデルを構築する学習機能、学習時とは別の歩行教師データを用いて学習済みの機械学習モデルの性能を評価する評価機能、及び性能が優れた機械学習モデルを選定する選定機能を備えている。ＣＰＵ４２がこの各機能を有する機械学習に係るプログラムを実行することで、ＣＰＵ４２は、学習部、評価部、及び選定部として機能する。本実施形態では、学習済みの機械学習モデルを構築する際のＡＩの数理モデルには、一例として、ＲＮＮ（Recurrent Neural Network）等の、入力を線形変換する処理単位がネットワーク状に結合したニューラルネットワークを用いる。学習機能及び選定機能で用いる歩行教師データは、一例として、携帯デバイス類２１０、腕部センサ２２０、及び足部センサ２３０の各々で検出した緯度経度で示された携帯デバイス類２１０の位置、加速度、角速度、傾斜、及び足圧等を含むデータから算出された対象者２００の歩行速度、歩幅、及びバランス等の対象者２００の歩行を端的に示すデータと、当該データの所定の歩行テストにおける信頼性の評価である。また、所定の歩行テストは、例えば、１０ｍ歩行テストのように、所定の距離内での対象者２００の歩行速度、及び歩数等を計測するテストである。

学習済みの機械学習モデルが構築されたＣＰＵ４２は、対象者２００が所持する携帯デバイス類２１０から送信されてきたデータから対象者２００の歩行に係るデータを選別するデータ選別機能、選別したデータから足部センサ２３０で検出した加速度、角速度、及び足圧の各々のデータと、携帯デバイス類２１０で検出した加速度、角速度、周囲の音、及び高度の各々のデータと、腕部センサ２２０で検出した加速度、及び角速度の各々のデータと、携帯デバイス類２１０のＧＮＳＳ機能によって検出した携帯デバイス類２１０の位置情報を抽出し分析する歩行データ分析機能、抽出したデータの各々から対象者２００の歩行速度、及び歩幅等を推定する動作推定機能、対象者２００の周囲の状況等を推定する周辺状況推定機能、及び学習済みの機械学習モデルを用いて歩行データの信頼性を判定する歩行データ判定機能を備えている。ＣＰＵ４２がかかる各機能を有するプログラムを実行することで、ＣＰＵ４２は、データ選別部、歩行データ分析部、周辺状況推定部、動作推定部、及び判定部として機能する。

図３は、本実施形態に係る情報処理装置１００の携帯デバイス類２１０及び演算装置１０の機能ブロック図である。図３に示したように、携帯デバイス類２１０は、歩行データ収集部２１２と、動作推定用データ収集部２１４と、周辺状況データ収集部２１６と、を含む。

図４（Ａ）は、携帯デバイス類２１０の歩行データ収集部２１２で収集する歩行データの一例を示した概略図である。歩行データ収集部２１２は、対象者２００が装着した足部センサ２３０のデータを収集する。足部センサ２３０が検出したデータは、加速度（Ｘ、Ｙ、Ｚ）で示した加速度と、ジャイロ（Ｘ、Ｙ、Ｚ）で示した角速度と、足圧とである。

前述のように、足部センサ２３０は、検出したデータを携帯デバイス類２１０に送信可能で、携帯デバイス類２１０の歩行データ収集部２１２は、足部センサ２３０から受信したデータを通信装置１１０に送信する。

図４（Ｂ）は、携帯デバイス類２１０の動作推定用データ収集部２１４で収集する歩行データの一例を示した概略図である。動作推定用データ収集部２１４は、携帯デバイス類２１０が検出したデータと、対象者２００が装着した腕部センサ２２０のデータとを収集する。携帯デバイス類２１０（スマホ）が検出したデータは、加速度（Ｘ、Ｙ、Ｚ）で示した加速度と、ジャイロ（Ｘ、Ｙ、Ｚ）で示した角速度とである。腕部センサ２２０が検出したデータは、加速度（Ｘ、Ｙ、Ｚ）で示した加速度と、ジャイロ（Ｘ、Ｙ、Ｚ）で示した角速度とである。腕部センサ２２０は、検出したデータを携帯デバイス類２１０に送信可能で、携帯デバイス類２１０の動作推定用データ収集部２１４は、腕部センサ２２０から受信したデータを通信装置１１０に送信する。

図４（Ｃ）は、携帯デバイス類２１０の周辺状況データ収集部２１６で収集する周辺状況データの一例を示した概略図である。周辺状況データ収集部２１６は、携帯デバイス類２１０のＧＮＳＳ機能で検出した緯度経度の情報と、携帯デバイス類２１０が検出した周囲の音声と、携帯デバイス類２１０の高度計等で検出した高度の変化と、携帯デバイス類２１０のＩＭＵが検出した角速度の変化に基づいて得られた、現在位置の緯度経度、路面の傾斜又は段差の程度と、周辺の音声の大きさとが含まれる。路面の傾斜は、例えば、携帯デバイス類２１０の高度計等で検出した高度、及び携帯デバイス類２１０のＩＭＵで検出した角速度の各々の時系列での変化に基づいて推定される。高度及び角速度が線形的に変化しているのであれば、対象者２００は段差ではなく傾斜した路面を歩行していると推定でき、高度及び角速度が急激かつ非線形的に変化しているのであれば、対象者２００は段差を超えていると推定できる。さらに、高度及び角速度の時系列での定量的な変化から、路面の傾斜、又は段差の程度を推定できる。

また、後述するように、周辺状況データは、演算装置１０の動作推定部２４での推定結果の一部である人混みか否か、工事又は事故の有無等の情報が付加される。

図４（Ａ）に示した歩行データは、携帯デバイス類２１０の歩行データ収集部２１２から演算装置１０に送信され、演算装置１０の歩行データ蓄積部１２に蓄積される。歩行データ蓄積部１２に蓄積された歩行データは、歩行データ分析部１４で対象者２００の歩行速度等の歩行状況の算出に供される。歩行データ分析部１４で算出された歩行状況のデータは歩行分析データ蓄積部１６に蓄積される。

図５（Ａ）は、歩行状況を示す歩行分析データの一例を示した概略図である。歩行分析データは、対象者２００の歩行速度、歩幅、及び歩行時のバランスを示す数値の時系列での変化である。歩行速度は、例えば、足部センサ２３０で検出した加速度を時間積分して算出する。歩幅は、例えば、足部センサ２３０で対象者２００の足圧を検出したタイミング間で歩行速度を時間積分して得た距離である。足部センサ２３０が対象者２００の左右の足のいずれかに装着されている場合は、上記の距離の１／２の値が歩幅となる。バランスは、足部センサ２３０で検出した足圧の大小で推定する。バランスを示す数値は、例えば、足圧が対象者２００に応じてあらかじめ定められた基準値よりも小さい場合は小さく推定し、足圧が当該基準値よりも大きい場合は大きく推定する。

図４（Ｂ）に示した動作推定用データは、携帯デバイス類２１０の動作推定用データ収集部２１４から演算装置１０に送信され、演算装置１０の動作推定用データ蓄積部１８に蓄積される。

図４（Ｃ）に示した周辺状況データは、携帯デバイス類２１０の周辺状況データ収集部２１６から演算装置１０に送信され、演算装置１０の周辺状況データ蓄積部２０に蓄積される。周辺状況データ蓄積部２０に蓄積された周辺状況データは、周辺状況推定部２２で路面状況、道の混雑状況等による歩行への影響の推定に供される。

歩行分析データ蓄積部１６に蓄積された歩行状況のデータ、動作推定用データ蓄積部１８に蓄積された動作推定用データ、及び周辺状況推定部２２で推定した歩行への影響を示す情報の各々は、動作推定部２４に入力される。

動作推定部２４では、動作推定用データ蓄積部１８に蓄積したデータ、歩行分析データ蓄積部１６に蓄積したデータ、及び周辺状況推定部２２で推定した歩行への影響に基づいてユーザの動作を推定した動作推定データを生成する。

図５（Ｂ）は、動作推定データの一例を示した概略図である。動作推定データは、緯度経度の時系列での変化、及び対象者（ユーザー）２００の推定動作の時系列での変化である。図５（Ｂ）には、対象者２００の推定動作として、人混み（追従）と、人混み（追い抜き）と、ながらスマホとが記載されている。

動作推定部２４は、例えば、携帯デバイス類２１０で検出した周囲の音声が人混みを示すような音量であり、かつ対象者の歩行速度が対象者２００に応じて予め定められた基準歩行速度よりも遅い場合に、人混み（追従）のように、対象者２００が人混みに追従して歩行していると判定する。

動作推定部２４は、例えば、携帯デバイス類２１０で検出した周囲の音声が人混みを示すような音量であり、かつ対象者の歩行速度が対象者２００に応じて予め定められた基準歩行速度よりも早い場合に、人混み（追い抜き）のように、対象者２００が人混みを追い抜いて歩行していると判定する。

動作推定部２４は、緯度経度が時系列で変化している際に、対象者２００が携帯デバイス類２１０を操作している場合に、ながらスマホであると判定する。

動作推定部２４での推定結果に含まれる、人混みの有無、工事の有無、及び事故の有無等の情報は、周辺状況データ蓄積部２０に入力され、入力された情報は、周辺状況データ収集部２１６から得た情報と共に周辺状況推定部２２での歩行への影響の演算に供される。

動作推定部２４で算出された動作推定データは、動作推定データ蓄積部２６に蓄積される。

歩行データ判定部２８では、動作推定データ蓄積部２６に蓄積されたデータと、歩行分析データ蓄積部１６に蓄積されたデータとに基づいて、歩行データの有効度合を判定し、ランク付けをする。

図５（Ｃ）は、判定ランクの一例を示した概略図である。本実施形態では、１のタイムスタンプから次のタイムスタンプまでのタイムステップ毎に歩行データの有効性が判定され、Ａ、Ｂ、Ｃ等のデータ判定がなされる。そして、判定ランク蓄積部３０では、ランク付けされたデータを蓄積する。

以上説明した歩行データ分析部１４、周辺状況推定部２２、及び動作推定部２４での処理は、演算装置１０のＣＰＵ４２で実行される。また、歩行データ蓄積部１２、歩行分析データ蓄積部１６、動作推定用データ蓄積部１８、周辺状況データ蓄積部２０、動作推定データ蓄積部２６、及び判定ランク蓄積部３０の各々は、例えば、ＨＤＤ５６等の記憶装置に相当する。

図６は、本実施形態に係る情報処理装置１００の歩行データ判定処理の一例を示したフローチャートである。ステップＳ１００では、携帯デバイス類２１０で各種データを収集する。そして、ステップＳ１０２では、収集したデータを通信装置１１０を介して演算装置に送信する。

ステップＳ１０４では、歩行データ分析部１４において歩行速度等の歩行状況を算出する。

ステップＳ１０６では、周辺状況データ蓄積部２０で各ユーザからの情報を集約すると共に、動作推定部２４での動作推定結果を用いてデータを更新する。

ステップＳ１０８では、周辺状況推定部２２で路面状況、道の混雑状況等から歩行への影響を推定する。

ステップＳ１１０では、動作推定用データ蓄積部１８に携帯デバイス類２１０、及び腕部センサ２２０で各々検出したデータを格納する。

ステップＳ１１２では、動作推定部２４において、動作推定用データ蓄積部１８のデータ、算出した歩行状況、及び歩行への影響に基づいてユーザの動作を推定する。

ステップＳ１１４では、歩行データ判定部２８において、動作推定した結果からデータの有効度合を判定し、ランク付けする。

ステップＳ１１６では、判定ランク蓄積部３０にランク付けされたデータを蓄積して処理を終了する。

以上説明したように、本実施形態は、１０ｍ歩行テストのような所定の歩行テストに供する所定の歩行データの信頼性を推定することができる。所定の歩行テストでは、対象者２００の通常の歩行状態を示す歩行データを供することが求められるが、対象者２００の日常の行動は、周辺環境に影響される場合があるので、歩行データとして適切でないデータを所定の歩行テストに採用するおそれがあった。例えば、人混みを避けるために早足で歩く場合があるし、人混みの流れに従って、対象者２００の本来の歩行速度よりも遅く歩く場合もある。本実施形態では、歩行データの信頼性を推定し、信頼性の高い歩行データのみを所定の歩行テストに供することにより、所定の歩行テストにおける分析精度を向上させることができる。

また、本実施形態では、対象者２００が日常的に違和感なく装着できる腕部センサ２２０、足部センサ２３０、及び携帯デバイス類２１０を用いて歩行データを取得できる。

１０ 演算装置
１４ 歩行データ分析部
２２ 周辺状況推定部
２４ 動作推定部
２８ 歩行データ判定部
４０ コンピュータ
４２ ＣＰＵ
４４ ＲＯＭ
４６ ＲＡＭ
１００ 情報処理装置
２００ 対象者
２１０ 携帯デバイス類
２２０ 腕部センサ
２３０ 足部センサ

Claims (5)

1. 対象者に装着したセンサで検出した前記対象者の歩様を示す歩行データを、前記対象者が所持する携帯デバイスを介して取得する取得部と、
   歩行者の歩様を示す歩行教師データ、及び所定の歩行テストにおける前記歩行教師データの信頼性で学習した機械学習モデルにより、前記取得部で取得した前記歩行データの前記所定の歩行テストにおける信頼性を推定する演算部と、
   を含む情報処理装置。
2. 前記携帯デバイスは、加速度及び角速度を検出すると共に、衛星測位による現在位置の推定が可能で、
   前記センサは、前記対象者の腕の加速度及び角速度を検出する腕部センサと、前記対象者の足の加速度及び角速度、並びに前記足の裏の圧力を検出する足部センサとを含む請求項１に記載の情報処理装置。
3. 前記演算部は、前記センサで検出した加速度及び角速度、前記足の裏の圧力、並びに前記衛星測位による現在位置を含む前記歩行データに基づいて算出した前記対象者の歩行速度、歩幅、及びバランスを含む歩行分析データを学習済みの機械学習モデルに適用して前記歩行データの前記所定の歩行テストにおける信頼性を推定する請求項２に記載の情報処理装置。
4. 歩行者の歩様を示す歩行教師データ、及び所定の歩行テストにおける前記歩行教師データの信頼性で機械学習モデルを学習させる工程と、
   対象者に装着したセンサで検出した前記対象者の歩様を示す歩行データを、前記対象者が所持する携帯デバイスを介して取得する工程と、
   学習済みの機械学習モデルにより、前記取得した前記歩行データの前記所定の歩行テストにおける信頼性を推定する工程と、
   を含む情報処理方法。
5. コンピュータを、
   歩行者の歩様を示す歩行教師データ、及び所定の歩行テストにおける前記歩行教師データの信頼性で機械学習モデルを学習させる学習部、対象者に装着したセンサで検出した前記対象者の歩様を示す歩行データを、前記対象者が所持する携帯デバイスを介して取得する取得部、並びに学習済みの機械学習モデルにより、前記取得部で取得した前記歩行データの前記所定の歩行テストにおける信頼性を推定する演算部として機能させる情報処理プログラム。