JP6403696B2 - 身体的活動のモニタリングデバイス及びその方法 - Google Patents

Description

運動及び他の身体的活動は、人間の健康や良好な状態にとって非常に有効な可能性がある。一部の人々は、個人トレーナを採用して、体系的な運動計画を通して健康や良好な状態を強化している。しかしながら、必ずしも全ての人が個人トレーナを採用することができるわけではない。個人トレーナと頻繁にトレーニングする人でさえも、身体的活動を行うときに毎回、個人トレーナを利用する可能性は低い。

身体的活動モニタリングデバイスは、ユーザの身体的活動特性（physical activity attribute）を測定するように構成される１つ以上のセンサを有するセンサアレイを含む。コントローラは、身体的活動特性に基づいて、ユーザが身体的活動に積極的に取り組んでいる時間間隔を自動的に決定する。コントローラは、身体的活動特性に基づいて、決定された時間間隔の間にユーザが積極的に取り組んでいる身体的活動のタイプも自動的に決定する。レポータは、その身体的活動のタイプに関する情報をユーザに出力する。

この「発明の概要」における記載は、以下で「発明を実施するための形態」において更に説明される概念の選択を簡略化した形で紹介するために提供される。この「発明の概要」における記載は、特許請求に係る主題の主要な特徴又は本質的特徴を特定するようには意図されておらず、また特許請求に係る主題の範囲を限定するのに使用されるようにも意図されていない。さらに、特許請求される主題は、本開示の任意の箇所で示されるいずれか又は全ての不利な点を解決する実装には限定されない。

本開示の実施形態に係る身体的活動モニタリングデバイスを装着しているユーザを示す図である。 本開示の実施形態に係る身体的活動モニタリングデバイスを示す図である。 本開示の実施形態に従って、ユーザが身体的活動に積極的に取り組んでいる期間を決定する例示の方法を示す図である。 本開示の実施形態に従って、ワークアウト計画の例示的区分の分析を示す図である。 本開示の実施形態に従って、身体的活動のタイプを認識する例示の方法を示す図である。 本開示の実施形態に従って、運動の反復をカウントする例示の方法を示す図である。 本開示の実施形態に従って、ゲーム体験を向上させる例示の方法を示す図である。 本開示の実施形態に従って、ユーザを身体的にトレーニングする例示の方法を示す図である。

本開示は、身体的活動モニタリングデバイス（ＰＡＭＤ：physical activity monitoring device）を対象としている。ＰＡＭＤは、ゲーム体験を向上させ、かつ／又はワークアウト計画を受け取り、モニタリングするのに使用され得る。

ワークアウトでは、個人が、身体的活動又は運動を行うのに時間を費やすだけでなく、その活動からの回復に費やす時間、活動の準備に費やす時間、そして水を飲むことのように運動以外の活動を行うのに費やす時間がある。ＰＡＭＤが、ＰＡＭＤを装着しているユーザによって行われる身体的活動又は運動を認識して区別するために、最初に、実際の運動の時間と、運動以外の活動の時間を区別し得る。一部の実施形態では、ＰＡＭＤは、ＰＡＭＤを装着しているユーザの身体的活動特性を測定するように構成される１つ以上のセンサを含むセンサアレイを用いて、ユーザの動きをサンプリングする。サンプルされたデータは、次いで、運動の時間期間と運動以外の時間期間へと区分され得る。運動の時間期間内に、ＰＡＭＤは、サンプルされたデータ内で固有の身体的活動又は運動を表すパターンを一意に識別するようトレーニングされ、これにより、ＰＡＭＤを装着しているユーザによって行われる身体的活動又は運動を認識することができる。反復的な身体的活動又は運動について、ＰＡＭＤは、ＰＡＭＤを装着しているユーザによって行われる、所与の反復的な身体的活動又は運動の反復回数をカウントし得る。

図１は、本開示に係る身体的活動モニタリングデバイス１０２を装着しているユーザ１０１を示している。一部の実施形態において、ＰＡＭＤ１０２は、ウェアラブルなアームバンドの形であってよい。ＰＡＭＤ１０２は、ユーザ１０１が運動をしているか他の特定の身体的活動を行う間に、ユーザ１０１によって装着され得る。ＰＡＭＤはスマート活動分析の方法を採用してよい。スマート活動分析は、ＰＡＭＤが、ＰＡＭＤを装着しているユーザによって実行される身体的活動又は運動を認識して、区別することを可能にし、さらに、ＰＡＭＤが、ＰＡＭＤを装着しているユーザによる身体的活動又は運動の反復をカウントするのを可能にする。

図２は、本開示の実施形態に係る身体的活動モニタリングデバイス２００を概略的に示している。ＰＡＭＤ２００は、センサアレイ２１０、論理マシン２１５、ストレージマシン２１７、コントローラ２２０、教師付き分類器（supervised classifier）２３０ａ、教師付き分類器２３０ｂ、集約装置２４０、通信サブシステム２５０、レポータ２６０、投票マシン２７０及びディスプレイサブシステム２８０を含んでよい。

センサアレイ２１０は、加速度計２１４、ＧＰＳ２１２、ジャイロスコープ２１６、心拍モニタ２１８及び／又は他の適切なセンサといった、１つ以上のセンサを含み得る。センサアレイ２１０からのデータは、デバイスが、ＰＡＭＤを装着しているユーザによって行われる種々の身体的活動又は運動を自動的に区別するのを可能にし得る。一部の例において、加速度計２１４は、固定のサンプリングレートでユーザの動きをサンプリングすることができる。サンプリングは、２５Ｈｚのサンプリングレートで行われてもよく、あるいは５０Ｈｚといった別の適切なサンプリングレートで行われてもよい。ＧＰＳ２１２からのデータは、ユーザが屋外で身体的活動又は運動を行う速度を学習するのに使用され得る。例えばＧＰＳで得られるデータを使用して、ランニング、ウォーキング及び自転車に乗っている時間を区別することができる。さらに、ＧＰＳはユーザの位置を評価するのに使用されてもよい。そのような位置情報を使用して活動を区別することができる。例えばユーザは、テニスコートにいるときは、テニスをプレイしている可能性が高く、ゴルフコースにいるときはゴルフをしている可能性が高い。加速度計から受け取られるデータと併せて、ＧＰＳデータは、ユーザのストライドを調整（calibrate）するのに使用されてもよい。この情報を格納しておき、身体的活動又は運動が屋内で実行されるとき、あるいはＧＰＳデータが他の理由により利用可能でないときに、この情報を使用して、同じ身体的活動又は運動を区別して調整することができ、これにより、ＧＰＳデータが存在しない場合にも、正確な距離及びペース情報を計算することが可能になる。

加速度計２１４は、任意選択により、３軸の加速度計とすることができる。加速度計２１４から受け取ったデータは、プッシュアップ、シットアップ、スクワット等を含め、種々の反復的な身体的活動又は運動のパターンにおける変化を検出するのに使用され得る。そのような反復的な身体的活動又は運動についての信号の反復性を使用して、これら及び同様の運動の反復を検出することができる。加速度計２１４から受け取ったデータは、ウォールスクワット、プランク、ヨガのポーズ等を含め、種々の静的な身体的活動のパターンにおける変化を検出するのにも使用され得る。

距離ベースの活動について、ＰＡＭＤ２００はさらに、ウォーキング、ジョギング、早めのジョギング及びランニングを含め、動きのスピードの変化を検出して区別することができる。これは、加速度計２１４を用いてユーザの足音のスピードを測定することによって達成され得る。このデータは、その後、その活動に固有の距離の計算を動的に調整するのに使用され得る。例えばウォーキングの間にユーザがとった数歩は、ランニングの間に同じユーザがとった同じ歩数の距離よりも短い距離に相当することがある。身体的活動又は運動についての多くの期間にわたって、ウォーキングやジョギング、ランニング等のユーザの真のストライドの長さが、ＧＰＳ２１２及び加速度計２１４からのデータを使用して学習され得る。

ＰＡＭＤ２００はコントローラ２２０を更に含んでもよく、コントローラ２２０は、任意選択により、論理マシン２１５及びストレージマシン２１７の使用を介して裏付けされ得る。コントローラ２２０は、ユーザが身体的活動に積極的に取り組む時間間隔を、身体的活動特性に基づいて自動的に決定するように構成され得る。この処理は、本明細書では、区分化（segmentation）と呼ばれることもある。一例として、ＰＡＭＤ２００は、ユーザが、運動としてジャンピングジャックを行うべきであることを指示することがある。この指示に続いて、ユーザは、運動の準備、例えば部屋の周りを歩くことや、水を取りに行くこと、あるいはジャンピングジャックを始めるための場所を確保する時間を要することがある。区分化の処理は、実際の運動の時間を、身体的活動又は運動に関連しない他の活動から分離することができる。運動以外の時間を分析対象から取り除くことにより、ＰＡＭＤ２００が誤った反復をカウントする確率を低減することができる。同様に、ユーザが身体的活動又は運動に積極的に取り組んでいる時間期間からのデータのみを認識システムが分析する場合、ＰＡＭＤ２００は、ユーザがどの身体的活動又は運動に取り組んでいるかをより正確に決定することができる。

一例において、ＰＡＭＤ２００は、ユーザが時間ベースの活動、例えば３０秒間のプッシュアップを実行すべきことを指示することがある。ＰＡＭＤ２００は、ユーザがプッシュアップを行う位置に着く時間中はユーザの身体的活動特性の評価を開始しなければ、３０秒のプッシュアップをより正確に追跡することができる。ユーザがプッシュアップを実行している時を正確に決定することにより、ＰＡＭＤ２００はユーザのバイオメトリクスに関する正確な要求、例えばプッシュアップを行う間にユーザがどのくらいのカロリーを消費するかについての正確な要求を作成することができる。

ＰＡＭＤ２００は、マシン学習を通して、ユーザが身体的活動又は運動に積極的に取り組んでいる期間を認識するようにトレーニングされ得る。この区分化の処理は、事前処理、特徴計算、分類及び集約というサブプロセスに更に分割され得る。

図３は、コントローラ２２０により、ユーザが身体的活動に積極的に取り組んでいる期間を判断するのに使用され得る、例示の方法３００を示している。３０２において、方法３００は、センサアレイ（例えばセンサアレイ２１０）から信号情報を受け取ることを含む。そのような信号情報を、例えばコントローラ２２０において受け取ってよい。信号情報は、ユーザの身体的活動特性を表す。一部の例において、この信号情報は、加速度計２１４又はジャイロスコープ２１６からの生データを含むことがある。加速度計２１４及びジャイロスコープ２１６は、それぞれ３つの生の信号を出力し、合計６つの生の入力信号を与える。生の入力信号は、次いでローパスフィルタを通過することがあり、その出力は６つの平滑化信号となり得る。

３０４において、方法３００は、ユーザが身体的活動に積極的に取り組んでいる時間間隔を決定することを含み得る。例えばコントローラ２２０は、３０２において受け取った信号情報を、時間間隔を決定するための基準として使用することがある。図３に示されるように、時間間隔を決定する処理は、複数のサブプロセスを含み得る。そのようなサブプロセスの非限定的な例が下記に提供される。しかしながら、積極的な取り組みの時間間隔は、本開示の範囲から逸脱することなく、任意の適切な方法で決定されてよいことを理解されたい。

３０６において、方法３００は、信号情報を、重複する区分（overlapping segment）に分割することを含み得る。一例において、データは、５秒の長さの時間枠（window）に分割され得る。それぞれの時間枠は、前の時間枠から２００ミリ秒（ｍｓ）だけ進んでおり、それぞれの５秒の時間枠は、以前の時間枠及び後続の時間枠と４．８秒分のデータを共有する。

３０８において、方法３００は、重複区分ごとに、所定の信号特徴（例えばセンサアレイの加速度計によって測定される加速度情報の加速度特徴）を識別することを含み得る。一部の例において、コントローラ２２０は、平滑化されたデータの５秒の時間枠のそれぞれを、後に身体的活動又は運動を特徴付けるのに使用される２００個の信号特徴へと変換してよいが、より少ない又は多くの信号特徴が存在してもよい。一例において、６つの平滑化信号が１０個の出力信号に変換され得る。この例において、１０個の出力信号は、ｘ軸、ｙ軸及びｚ軸の平滑化された加速度データ、ｘ軸、ｙ軸及びｚ軸の平滑化されたジャイロスコープデータ、各サンプルにおける加速度計信号の規模、各サンプルにおけるジャイロスコープ信号の規模、３つの次元の加速度計信号の第１の主成分（first principal component）上への該３つの次元の加速度計信号の投影、ｙ軸及びｚ軸の加速度計信号自体の主成分上へのｙ軸及びｚ軸の加速度計信号の投影、並びに３つの次元のジャイロスコープ信号の第１の主成分上への該３つの次元のジャイロスコープ信号の投影を含み得る。

出力信号は、ＰＡＭＤの特徴に基づいて選択され得る。信号情報が３つの次元の信号を含む幾つかの実施形態では、３つの次元のうちの２つの次元の信号が、１つの次元の信号へと、次元を低減され得る。例えばＰＡＭＤがユーザの身体に付着されるデバイスとして構成されるか、他の方法でユーザの身体に固定されるよう構成される場合、ｘ軸、ｙ軸及びｚ軸における平滑化データは、これらの３つの軸におけるユーザの動きを正確に反映すると考えられ得る。しかしながら、例えばＰＡＭＤがウェアラブルなアームバンドとして構成される場合、ＰＡＭＤはユーザの腕又は手首の周囲の回転を対象とすることがある。この例では、（例えばユーザの腕に沿った）ｘ軸のデータは、ｘ軸のユーザの動きを正確に反映すると考えられるが、ｙ軸及びｚ軸のデータは、ＰＡＭＤの位置に応じて複数の軸の動きを表す可能性がある。この例では、ｙ軸及びｚ軸の加速度計信号の自身の主成分上への投影は、出力信号として選択され得る。ｙ軸及びｚ軸の信号の次元を低減することによって、ユーザの腕の周囲のＰＡＭＤの回転は、未知の軸をより予測可能な信号へと圧縮することで説明され得る。

これらの出力信号のそれぞれについて、コントローラ２２０は、出力信号ごとに２０個の信号特徴を計算することがある。コントローラ２２０は、より多くの又はより少ない数の信号特徴を計算してもよい。一部の例において、信号特徴は、自己相関ピークの数、負の自己相関ピークの数、最大自己相関値、最大自己相関値の対数、二乗平均平方根の振幅、平均、標準偏差、分布及び統合二乗平均平方根（integrated root-mean-square）の振幅を含み得る。信号特徴は強いピークの数を含んでもよく、この場合、強いピークは、隣接するピークよりも閾値分大きく、かつ隣接するピークから閾値分の差（threshold lag）離れている自己相関ピークの数として定義され得る。信号特徴は、弱いピークの数を含むこともあり、ここで、弱いピークは、隣接するピークの閾値の高さ以内であり、かつ隣接するピークから閾値分の差よりも離れていない自己相関ピークの数として定義され得る。信号特徴は、ゼロ交差の後の最初の自己相関ピークの値、局所的な非線形性、あるいはベストフィットのラインがデータ及びパワーバンドのセットをどれほどよく説明するかについての他の測定値を更に含んでもよく、この場合、センサアレイによって取得できる周波数範囲にわたって広がる各選択されたバンドのパワースペクトルの規模が計算される。この例では７つのパワーバンドが計算され得るが、例えば１０個のパワーバンドのようにより多く又はより少ないパワーバンドが存在してもよい。

追加の信号特徴が各信号について計算されてもよい。５秒枠ごとに、信号特徴は、信号の自己相関性の指示、言い換えると、データがどのように反復するか又は自己相似であるかの指示を与えることがある。ユーザが運動している時間期間の信号は、ユーザが運動していない時間期間の信号よりもより反復的であり得る。幾つかの例において、ユーザが早い動きに取り組んでいる時間期間の信号は、運動でないものよりも、運動に対応する可能性が高いことがある。

３１０において、方法３００は、それぞれの重複する区分について、教師付き分類器を使用して、所定の信号特徴を分析することを含み得る。図２に示されるように、コントローラ２２０は、教師付き分類器２３０ａを含み得る。教師付き分類器２３０ａは、重複する区分の間に、ユーザが身体的活動に積極的に取り組んでいるかどうかを認識するようトレーニングされ得る。一般に、教師付き分類器２３０ａ及び／又はコントローラ２２０の他の態様は、マシン学習プロセスを通してトレーニングされ、ユーザが身体的活動又は運動に積極的に取り組んでいることを表す信号特徴を認識し、さらに、ユーザが身体的活動又は運動に積極的に取り組んでいないことを表す信号特徴も認識することができる。

一例において、教師付き分類器２３０ａは、サポートベクトルマシン（ＳＶＭ）、例えば線形サポートベクトルマシンを用いる。一部の例では、教師付き分類器２３０ａはマシン学習決定木を用いる。教師付き分類器２３０ａがＳＶＭを用いる幾つかの例では、ＳＶＭは、数のベクトルを生成するように構成され、所定の信号特徴に数のベクトルを乗算し、複数の乗算の積を得るように更に構成され得る。ＳＶＭは更に、乗算の積を、上述のようにマシン学習を通して決定される１つ又は複数の閾値と比較するように構成され得る。ＳＶＭは次いで、閾値を超える値を、ユーザが身体的活動に積極的に取り組む重複区分を表すものとして分類し、閾値未満の値を、ユーザが身体的活動に積極的に取り組んでいない重複区分を表すものとして分類する。

教師付分類器２３０ａがＳＶＭを含む一部の例では、所定の信号特徴を分析することは、複数のユーザ又はトレーニング対象者が身体的活動又は運動に積極的に取り組んでいた時間間隔、並びに複数のユーザ又はトレーニング対象者が身体的活動又は運動に積極的に取り組んでいなかった時間間隔の間にその複数のユーザから収集したデータで、サポートベクトルマシンをトレーニングすることを含んでもよい。所定の信号特徴を分析することは、変換ベクトルのセットと、重み付けベクトルと、ユーザが身体的活動又は運動に積極的に取り組んでいることを表す閾値とを生成することと、続いて、所定の信号特徴に変換ベクトル及び重み付けベクトルのセットを乗算して、複数の乗算の積を得ることとを更に含んでもよい。所定の信号特徴を分析することは、乗算の積を閾値と比較することと、閾値を超える値を、ユーザが身体的活動又は運動に積極的に取り組んでいる重複区分を表すものとして分類することと、閾値未満の値を、ユーザが身体的活動又は運動に積極的に取り組んでいない重複区分を表すものとして分類することとを更に含んでよい。

教師付き分類器２３０ａは各分類セグメントを分類すると、ＰＡＭＤ２００は、それぞれの５秒の時間枠の間にユーザが身体的活動又は運動に積極的に取り組んでいるかどうかに関して、単一の最良の推測を策定し得る。

図２に示されるように、ＰＡＭＤ２００は集約装置２４０を更に含んでもよく、集約装置２４０は、複数の分類された重複区分によって定義される、ユーザが身体的活動に積極的に取り組んでいる可能性が高い時間間隔を決定するように構成される。言い換えると、集約装置２４０は、教師付き分類器２３０ａの正確性を向上させ、重複区分のグループを分析して、運動又は運動以外を表すより長い時間間隔を決定し得る。

教師付き分類器２３０ａによって作成される予測は、時々前後が反転することがある。一例において、ユーザがある時間期間の間、静止して立っていることがあり、一部の重複区分は、ユーザが身体的活動又は運動に取り組んでいるものとして分類されていることがある。反対も起こることがあり、ユーザがある時間期間の間運動しており、その期間の一部の重複区分が運動以外を表すものに分類されていることがある。一部の例において、ユーザは、運動の途中で一時停止して一息つくことがあるが、その一時停止のいずれかの横の重複区分は実際に、同じ身体的活動又は運動を表すことがある。ユーザが反復的な活動の途中で一時停止して一息つく例では、一時停止の両サイドの反復が、反復の合計数に加算されるべきである。このようにして、集約装置２４０は、ユーザが身体的活動又は運動に取り組む使用可能な時間間隔を出力するよう、分類器の出力を修正することができる。

集約装置２４０が、教師付き分類器２３０ａの出力を修正する例が、図４に示されている。図４は、ワークアウト計画の一部であり得る身体的活動の区分の例を示している。グラフ４０１は、約１分に及ぶ時間間隔の間の教師付き分類器２３０ａの出力を示す。各プロットポイント４０５は、１つの重複区分を表す。各重複区分には、（「運動」と分類される）１又は（「運動以外」と分類される）０の値が与えられる。グラフ４０２は、ユーザの実際の活動を示す。４１０に示されるように、ユーザは、２０秒の間シットアップを行った。しかしながら、４１５に示されるように、一部の重複区分は、ユーザが身体的活動又は運動に積極的に取り組んでいなかったときであっても、最初に「運動」と分類されることがある。同様に、４２０に示されるように、ユーザが身体的活動又は運動に積極的に取り組んでいたときであっても、一部の重複区分は「運動以外」と分類されることもある。グラフ４０３に示されるように、集約装置２４０は、時間間隔４３０のように、ユーザが身体的活動又は運動に取り組んでいる使用可能な時間間隔を出力するように、分類器の出力を修正し得る。

集約装置２４０は、重複区分の分類を分析し、ユーザが身体的活動又は運動に取り組んでいる可能性が高い時間間隔を出力するのに、１つ以上の方法を用いてもよい。一例において、集約装置２４０は、ストリーク（streak）ベースの集約処理を使用する。この例では、集約装置２４０は、運動以外の状態をとることから始まり、続いて重複区分を順次分析する。所定の数（ｋ_１）の重複区分が「運動」に分類される場合、集約装置２４０は、ｋ_１個の重複区分の最初から開始する運動状態をとるように切り替わる。一例では、ｋ_１が１５個の重複区分に設定され得る。言い換えると、１５個の連続する重複区分が「運動」に分類されると、集約装置は運動状態をとるように切り替わる。ｋ_１と等しくても等しくなくてもよいが、別の所定の数（ｋ_２）を使用して、集約装置２４０が、運動状態をとることから、運動以外の状態をとることへと切り替わるべきことを指示してもよい。

一部の例において、集約装置２４０は、パーセントベースの集約処理を使用する。この例では、集約装置２４０は、運動以外の状態をとることから始まり、続いて重複区分を順次分析する。重複区分の所定のパーセンテージ（ｐ_１％）が所定の時間間隔（ｔ）にわたって「運動」と分類される場合、「運動」と分類された重複区分の最初から開始して、運動状態をとるように切り替える。例えばｐ_１が７５に等しく、ｔが１０に等しいとすると、１０秒間の重複区分の７５％が「運動」と分類されるとき、集約装置２４０は、「運動」と分類される重複区分の最初から開始する運動状態をとるように切り替わる。ｐ_１％と等しくても等しくなくてもよいが、別の所定の数（ｐ_２％）を使用して、集約装置２４０が、運動状態をとることから、運動以外の状態をとることへと切り替わるべきことを指示してもよい。

一部の例において、集約装置２４０は、累積ベースの集約処理を使用する。この例では、集約装置２４０は、運動以外の状態をとることから始まり、重複区分を順次分析する。「運動」として分類される各重複区分が、ポイントを小計（subtotal）に追加する。小計が、所定の閾値（ａ_１）を超えると、集約装置２４０は、運動状態をとるように切り替わる。（ａ_１）と等しくても等しくなくてもよいが、別の所定の閾値（ａ_２）を使用して、集約装置２４０が、運動状態をとることから、運動以外の状態をとることへと切り替わるべきことを指示してもよい。

集約装置２４０は、これらの処理又は他の同様の処理のうちの１つ、あるいは複数の処理の組合せを使用して、教師付き分類器２３０ａからのデータを分析して、ユーザが身体的活動又は運動に取り組む時間間隔を出力してもよい。例えば集約装置２４０は、ストリークベースの集約処理を使用して身体的活動又は運動の開始ポイントを決定し、次いで、ユーザが身体的活動又は運動を行うのを終了したかを判断する際に更に累積ベースの集約処理を使用してもよい。一部の実施形態において、集約装置２４０は、同時に複数の集約装置（例えばストリークベースの集約装置と累積ベースの集約装置）を実行し、複数の集約装置のうちのいずれか１つが身体的活動又は運動の開始又は終了を示すときに、身体的活動又は運動の開始又は終了を識別してもよい。

一部の例では、センサアレイからの初期データは、上述のような教師付き分類器２３０ａによって、集約装置２４０の出力をマシン学習アルゴリズムへの入力として更に使用して、再分析されてもよい。所定の定数（constant）が、異なる運動又は異なるタイプの運動について共有されてもよく、異なる運動又は異なるタイプの運動について一意に割り当てられてもよい（例えばプッシュアップのような反復運動は、ジョギングのような非反復的運動とは異なる定数を使用してよい）。

コントローラ２２０は、決定された時間間隔の間にユーザが積極的に取り組んでいる身体的活動のタイプを、身体的活動特性に基づいて自動的に決定するようにも構成され得る。言い換えると、コントローラ２２０は、ユーザが身体的活動又は運動に取り組んでいると決定された各時間間隔の間に、そのユーザがどの運動に積極的に取り組んでいるのかを決定し得る。この処理は認識（recognition）とも呼ばれることがある。認識処理は、任意選択で集約処理の後に続いてもよく、かつ／又は一部の認識は区分化及び／又は集約と並行に実行されてもよい。一部の実施形態において、コントローラ２２０は、決定された時間間隔の間にユーザが積極的に取り組んでいる身体的活動のタイプを、決定された時間間隔に対応する身体的活動特性のみに基づいて自動的に決定するように構成されてもよい。言い換えると、運動時間として決定された時間期間の間にセンサアレイ２１０から受け取った身体的活動特性のみを使用して、身体的活動のタイプを決定する。

運動のタイプの認識は、運動の反復をカウントすること、運動の効果又は力を計算すること、運動の間のユーザのカロリー消費を決定すること等を含め、下位の用途において使用され得る。ＰＡＭＤ２００は、ユーザの身体的活動特性を分析し、さらに、ユーザのフォームや、ユーザの運動体験を向上させ得る他の情報に関するフィードバックをユーザに提供するようにも構成され得る。コントローラ２２０は、身体的活動のタイプをユーザの身体的活動特性に基づいて認識するよう、マシン学習プロセスを通してトレーニングされ得る。一部の例において、ＰＡＭＤ２００は、ユーザによって実行されるべき具体的な活動を指示してもよい。これらの例では、認識処理は無視されても、区分化処理と組み合わされても、かつ／又は区分化処理により強化されてもよい。

図５は、身体的活動又は運動のタイプの認識のための一例の方法５００を示している。５０２において、方法５００は、センサアレイ（例えばセンサアレイ２１０）から信号情報を受け取ることを含み得る。そのような信号情報は、例えばコントローラ２２０によって受け取られてよい。信号情報は、加速度計２１０及びジャイロスコープ２１６からの生のデータを含み得る。生のデータは、ローパスフィルタによって更に処理されて、平滑化された加速度計及びジャイロスコープデータが得られる。信号情報は、加速度計信号の第１の主成分上へ加速度計信号の投影も含み得る。信号情報は、ジャイロスコープ信号の第１の主成分上へのジャイロスコープ信号の投影も含み得る。

５０４において、方法５００は、集約装置（例えば集約装置２４０）から時間間隔のセットを受け取ることを含み得る。そのような時間間隔のセットは、コントローラ２２０によって受け取られてよく、ユーザが身体的活動又は運動に取り組んでいる時間間隔を表してよい。５０６において、方法５００は、時間間隔のセットの間にユーザが積極的に取り組む身体的活動のタイプを決定すること（例えば認識）を含んでよい。言い換えると、認識処理は、ユーザが身体的活動又は運動に取り組んでいることを集約装置２４０が示すときに適用され得る。

認識処理は、複数のサブプロセスを含み得る。そのようなサブプロセスの非限定的な例が、以下で与えられる。しかしながら、認識は、本開示の範囲から逸脱することなく、任意の適切な方法で実行されてよいことを理解されたい。

５０８において、方法５００は、信号情報を重複区分に分割することを含み得る。一例では、データを５秒の長さの時間枠に分割してよい。各時間枠は、前の時間枠から２００ミリ秒だけ進んでおり、それぞれの５秒の時間枠は、前の時間枠及び後続の時間枠と４．８秒のデータを共有する。

５１０において、方法５００は、重複区分ごとに、所定の信号特徴を識別することを含み得る。一例において、平滑化されたデータのそれぞれの５秒の時間枠は、その後に身体的活動又は運動を特徴付けるのに使用される複数の信号特徴に変換され得る。１つの非限定的な例として、６０個の信号特徴が使用され得る。例えばコントローラ２２０は、重複区分それぞれの３軸の各々について、２０個の信号特徴を計算することができる。この例では、信号特徴は、５つの等間隔の自己相関ビン、二乗平均平方根の振幅、１０個の等間隔のパワーバンド、平均、標準偏差、尖度及び四分位範囲を含む。３軸のそれぞれについて、他の信号特徴を計算してもよい。

５１２において、方法５００は、教師付き分類器（例えば教師付き分類器２３０ｂ）を使用して、重複区分ごとに所定の信号特徴を分析することを含み得る。教師付き分類器２３０ｂは、重複区分の間にユーザが積極的に取り組んでいる身体的活動のタイプを認識するようにトレーニングされ得る。教師付き分類器２３０ｂは、特定のタイプの身体的活動又は運動を表す信号特徴を認識するように、マシン学習処理を通してトレーニングされ得る。

一部の例において、教師付き分類器２３０ｂは、教師付き分類器２３０ａに関連して上述したように、サポートベクトルマシン（ＳＶＭ）及び／又は決定木を使用してよい。例えば所定の信号特徴を分析することは、複数のユーザが複数のタイプの身体的活動又は運動に取り組んでいた時間間隔の間に、その複数のユーザから収集されたデータでサポートベクトルマシンをトレーニングすることと、あるタイプの身体的活動又は運動にユーザが取り組んだことを表す変換ベクトルと重み付けベクトルのセットを生成することとを含むことがある。所定の信号特徴を分析することは更に、所定の信号特徴に変換ベクトルと重みベクトルのセットを乗算して、複数の乗算の積を取得することと、乗算の積を、複数の所定の活動の各々を表すデータセットと比較することと（なお、これらのデータセットは、マシン学習を通して予め決定されている）、重複区分を、身体的活動のタイプを表すものとして分類することを含んでもよい。

図２に示されるように、ＰＡＭＤ２００は更に、投票マシン２７０も含み得る。投票マシン２７０は、ユーザが身体的活動に取り組んでいると集約装置２４０が決定した時間間隔の間に、そのユーザが積極的に取り組んでいる可能性が高い身体的活動のタイプを決定するように構成され得る。

区分化に関して上述したように、複数の重複区分を備える所与の時間間隔の間に、教師付き分類器は、どの身体的活動又は運動がユーザによって実行されているかに関して食い違う幾つかの予測を出力することがある。投票マシン２７０によって、ユーザが取り組む可能性が最も高いのはどの身体的活動又は運動であるかを決定する投票スキームが実装され得る。投票マシン２７０は、所与の時間間隔の間の身体的活動又は運動を出力することができ、この身体的活動又は運動が、反復運動の場合はカウントに使用する身体的活動又は運動がユーザに報告される。

一例において、投票マシン２７０は、単一の時間枠の開始２秒からの出力を、ユーザが身体的活動に取り組んでいると集約装置２４０が判断した時間間隔に報告する。運動期間の開始部分におけるユーザの身体的活動特性は、ユーザがまだ正しいフォームを取っていないことがあるので、信頼性がないことがある。同様に、運動期間の最後の部分におけるユーザの身体的活動は、ユーザがスローダウンしているか正しいフォームから外れていることがあるので、信頼性がないことがある。一部の例において、投票マシン２７０は、上述の集約処理と同様に実際の投票スキームを使用することができる。一部の例において、投票マシン２７０は、最初に報告されたものと異なる身体的活動又は運動にユーザが取り組んでいることを示す強力な証拠が提示される場合、運動期間中の出力を変更してもよい。

認識の投票段階の最後に、ユーザが身体的活動に取り組んでいると集約装置２４０が決定した各時間間隔は、あるタイプの身体的活動又は運動を表すものとして分類され得る。この情報は、レポータ２６０に配信されて、身体的活動のタイプに関する情報を出力し得る。

ＰＡＭＤ２００は更に、ユーザが反復的な身体的活動又は運動を実行する反復回数を決定するように構成され得る。言い換えると、ＰＡＭＤ２００は、ユーザによって実行される運動の反復回数をカウントすることができる。これは、ワークアウト計画を完了した後に、ユーザの活動の自動追跡についてレビューすることを可能にする。これは、ＰＡＭＤ２００が目標の反復回数の完了を指示する場合に、リアルタイムのゴール評価も可能にし得る。カウントは、次元の低減及びピークの発見を含む方法を通して実装され得る。

一例において、カウント処理は、区分化及び認識がコントローラ２２０によって既に実行されていることを前提としてもよい。カウント処理は、身体的活動又は運動の最初と最後の時間の双方が決定されていることを前提としてもよい。処理は、入力が、時間間隔の分類及び開始時間と終了時間との間の生の加速度計センサデータを含むことも前提としてもよい。複数のタイプの身体的活動又は運動が存在することがあり、この場合、任意選択でジャイロスコープのセンサデータを使用して、カウントデータの精度を向上させることができる。一部の例において、カウント処理は、ユーザが反復的な身体的活動又は運動の反復を積極的に行っている間に生じることがある。一例において、ここで説明される方法は、連続するより大きな時間間隔で繰り返し用いられてもよい。一部の例において、中間のカウント結果を使用して、カウントの繰り返しの数を低減してもよい。

図６は、反復的な身体的活動又は運動の反復をカウントする例示の方法６００を示す。６０２において、方法６００は、センサアレイ（例えばセンサアレイ２１０）からの信号を受け取ることを含み得る。そのような信号情報は、例えばコントローラ２２０によって受け取られてよい。６０４において、方法６００は、この信号を、センサアレイから受け取ったこの信号よりも少なくとも１つ少ない次元を有する、次元が低減された信号へと変換することを含み得る。６０６において、方法６００は、次元が低減された信号のピークの数をカウントすることを含み得る。６０８において、方法６００は、ピークの数を出力することを含み得る。

一例では、カウント方法を２つの段階に分けてもよい。第１の段階では、生のセンサデータが、コントローラ２２０によってセンサアレイ２１０から受け取られ、平滑な１次元信号へと処理される。この処理の結果、この１次元の信号は、身体的活動又は運動の反復の数と概ね同じ数のピーク又はサイクルを含み得ることになる。第２の段階は、１次元信号のピークの数をカウントすることを含む。このピークのカウントは、反復のカウントとして出力され得る。

生のセンサデータを平滑な１次元信号にする処理は、信号計算段階（signal computation stage）と呼ばれることがある。信号計算段階は、バンドパスフィルタを生のデータに適用することを含み得る。バンドパスフィルタは、高周波数のセンサノイズだけでなく、例えば重力の一定の加速度に起因する変化のような、信号内の低周波数の変化を除去するのに使用され得る。バンドパスフィルタは、反復をカウントすることに関連する周波数コンテンツを出力し得る。

信号計算段階は更に、データから平均を減算することを含んでもよい。これは、バンドパスフィルタ後に残っている信号内のいずれか残っている一定のバイアス（constant bias）を除去し得る。

信号計算段階は更に、主成分分析（ＰＣＡ）をフィルタされたデータに適用することを含んでもよい。ここでのＰＣＡの実装は、上述の区分化のためのＰＣＡの適用と同様であるが、カウント処理のためのＰＣＡは、固定サイズの重複区分とは対照的に、身体的活動又は運動の全体の期間について計算される。平滑な１次元信号は、フィルタされたデータが、ＰＣＡによって発見された第１の主成分上に投影されている結果であり得る。

ＰＡＭＤ２００が、（図１に示されるように）ユーザの手首に装着されるデバイスである場合の例において、ＰＣＡの使用は、ほとんどの運動について、ユーザの腕の動きのほとんどが、単一の軸に沿った動きにより要約され得るという事実を生かしてよい。例えばショルダープレスでは、軸は垂直又は上下の軸であり得る。この軸上に信号データを投影することにより、加速度計２１４から受け取られる信号の次元は、３次元から１次元へと低減される。ＰＣＡ投影は、信号のピークが反復に概ね対応するものであってよい。

この例のカウント方法は、次にカウント段階に進む。一部の例では、各反復は、単一の強いピークに対応することとなり、ピークのそれぞれは、同様の形状と振幅であり、比較的一定の周波数で生じる。これらの例において、強いピークをカウントすることは、任意の数の標準の信号処理技術によって達成され得る。しかしながら、必ずしも全ての信号がこれらのパラメータに適合するわけではない。反復ごとに複数のピークが存在することがあり、形状又は振幅に大きな変化があることがあり、そして、ピークは一定しない周波数で生じることがある。

したがって、信号データの広い範囲にわたってカウント精度を向上させるために、ヒューリスティック・ピークカウント方法が用いられることがある。一例において、方法は複数の段階に進む。一例において、方法は、候補ピークのセットを決定することと、局所期間予測値（local period estimate）を使用して候補ピークのセットをフィルタリングすることと、振幅統計値を使用して候補ピークのセットをフィルタリングすることと、候補ピークのセットからピークの数をカウントすることと、ピークの数を出力することとを含む。

一例において、方法は、運動の１つの反復を行うのに必要とされる最小及び最大時間の予測値を使用する。これらの値は、本明細書では、minAllowedPeriod及びmaxAllowedPeriodと呼ばれることがある。これらの値は、運動固有の基準に対するデータから推測され得る。例えばジャンピングジャックの値は、プッシュアップの値とは異なる。なぜなら、人々は、ジャンピングジャックをプッシュアップとは異なる速度で行う傾向があるからである。

カウント方法は、候補ピークのセットの計算で始まることがある。カウントされるピークの最終的なセットは、ピークのこのセットのサブセットとなり得る。候補ピークを計算するために、信号内の極大値が決定され得る。これらの極大値は、次いで振幅に基づいてソートされ得る。極大値は、最も近くの既に受け入れられた候補ピークから少なくともminAllowedPeriod秒、離れている限り、候補ピークとして受け入れられ得る。信号内の２つのピークがともに非常に近い場合（例えば２０ミリ秒しか離れていない場合）、これらのうちの一方は、運動の「実際の」反復ではないことがある。この近接性の閾値は、人間が所与の運動を行うことができる、最も早い適切な速度に基づいて設定されてよい。

最小の分離を有するピークをカウントすることは、minAllowedPeriod に設定されるMINPEAKDISTANCE パラメータを有するMatlabのfindpeaks関数、又は他の等価な信号処理操作のような、標準の信号処理操作により行われ得る。この例において、これらの候補ピークは、カウント方法の次のステップへの入力である。

上記で検討したように、minAllowedPeriodは、マシン学習プロセス中にその運動について記録された最も早い反復に基づく、１つの反復を実行するのに必要な最小時間の推測値である。ほとんどの場合、ユーザが各反復に費やす実際の時間よりもかなり少ない。したがって、実際の運動の反復ごとに複数の候補ピークが存在し得る。後続のステップにおいて、各候補ピークの周囲の実際の運動期間が予測されてよく、この予測値を使用して候補ピークのセットを精査してよい。

例えば各候補ピークについて、加速度計は、ピークを中心とする時間枠内で計算され得る。この時間枠のサイズは、maxAllowedPeriod又は所定の期間（例えば９秒）のいずれか小さい方の２倍になるように設定され得る。[minAllowedPeriod，maxAllowedPeriod]の時間差の範囲内の最大加速度値が、次いで発見される。最大加速度値における時間差は、候補ピークについての運動時間の予測値となり得る。これらの予測値が計算されると、候補ピークを受け入れるかどうかを検討するときに、minAllowedPeriodが候補ピークと以前に選択されたピークとの間の最小許容距離として使用されないことがあることを除いて、上述のフィルタリング処理を繰り返してよい。むしろ、最小許容距離は、その候補ピークについて予測される時間の３／４に等しく設定され得る。この低減された候補ピークのセットは、カウント方法の次のステップへの入力を形成してよい。

次に、候補ピークのセットが、ピーク振幅に基づいてフィルタリングされ得る。候補ピークは全て、振幅及び示される４０パーセンタイル値の最大ピーク（例えば１０個の候補ピークが存在する場合、４番目に大きいピーク）に基づいて再びソートされ得る。このピークの振幅の半分よりも小さい振幅を有するピークは全て破棄され得る。この方法は、運動の反復が概して、高加速度の動きを伴うような大きな振幅のピークを有するべきであることを想定している。さらに、ある運動では、反復の全てのセットがほぼ同じ振幅を有するべきであることが想定されることがある。言い換えると、全てのピークが、最も大きいピークとほぼ同程度の大きさのピークであるべきである。

ＰＣＡによって見られる１次元信号のサイン（sign）は任意である。しかしながら、この問題は、幾つかの方法で対処され得る。特定の運動について、「上（up）」に確実に対応する特定の加速度計の軸が存在し、各反復がこの「上」方向に１つのピークを有することがある。例として、これは、ジャンピングジャックについて特定のセンサのセット内の「ｘ」軸の場合である。これらの運動では、ＰＣＡの投影は、この投影における「上」軸のサインが正（positive）になるように更に操作され、この例では１次元の信号でピークをカウントすることが可能になる。コントローラ２２０は、ピークの数を反復の回数として指定してよく、方法は、反復の回数を出力することを更に備えてよい。

カウント方法は２回実行されてよく、１回はピークをカウントし、もう１回は谷（valley）をカウントする。一例において、方法は、候補の谷のセットを決定すること、候補の谷のセットを、局所期間予測値（local period estimate）を使用してフィルタリングすること、候補の谷のセットをフィルタリングすること、候補の谷の数を候補の谷のセットからカウントすること、谷の数をピークの数と比較すること、より大きい谷の数及びピークの数を反復の回数として指定すること、そして反復の回数を出力することを含む。

一例において、カウント方法が、ユーザが反復的な身体的活動又は運動に積極的に取り組んでいる期間に実行される場合、ＰＣＡ軸が時間とともに変化し、振幅に基づく投影についての基準も時間とともにシフトし得るので、ピークをカウントする方法の出力では、あるフレームから次のフレームへと低減させることが可能である。ユーザが反復カウントの低減を混同するのを回避するため、方法は、カウントを低減することは許容しない。

一部の例では、ユーザは、目標とする反復回数を目指して、反復的な身体的活動又は運動を行っていることがある。この例では、カウント方法は、身体的活動特性に基づいて、ユーザが反復運動を行うのをやめたことを判断するステップと、カウント方法によって決定される反復回数を、目標の反復回数と比較するステップと、カウント方法によって決定された反復回数が目標数の閾値（例えば２）以内のとき、ユーザが反復運動を完了したと示すステップとを更に含んでよい。

さらに、身体的活動モニタリングデバイスは、ゲーム体験を向上させる方法の一部として用いられてもよい。これは、ユーザがゲームコンソールの体験をして、これを現実の世界まで拡張することを可能にしてもよい。ユーザは、家の中でゲームをプレイすることがあり、ゲームは、ＰＡＭＤを用いる積極的なゲームコンセプトで家の外（あるいは、他の従来的ではないもの）を更に組み込むことがある。これは、ゲームコンソールの直ぐ近くの屋外でのユーザのアクションをゲームプレイの態様として最終的に使用しつつ、ユーザが実際の世界でゲームをプレイすることを可能にする。例えばユーザによって制御されるアバターやゲームのキャラクターは、ユーザが所定の時間又は距離を走る間にそのユーザによって消費されるカロリー数に基づいてより強くなることがある。

図７は、ＰＡＭＤの使用によりゲーム体験を向上させる、１つの例示の方法７００を示している。７０２において、方法７００は、ＰＡＭＤにおいてゲームシステムから、実行されるべき１つ以上の身体的活動の指示を受け取ることを含み得る。身体的活動は、ゲームシステムにおいてプレイされているゲームの拡張（extension）として実行され得る。例えばゲームは、ユーザに屋外で走るように言うことがあり、ユーザは、道に沿って標準の距離マーカーで、あるいはカロリー消費目標でジェム（gem）をロック解除してよく、このことは、家の中でのゲームプレイのユーザのレベルを向上させることになる。幾つかの例では、ゲームは、ユーザに所定の回数のプッシュアップを行うように言うことがあり、そのプッシュアップが行われると、ゲームプレイ内のユーザのゲームスコアを更に増加させることがある。

７０４において、方法７００は、身体的活動モニタリングデバイスを装着しているユーザの身体的活動特性を測定することを含み得る。上述のように、ＰＡＭＤは、ユーザが身体的活動又は運動に取り組んでいるときを自動的に決定するように構成され、ユーザがとっている身体的活動又は運動のタイプを自動的に決定するように更に構成され得る。これは更に、ゲームシステムが、様々な身体的活動又は運動をユーザに割り当てることを可能にする。

７０６において、方法７００は、１つ以上の身体的活動の完了に向けたユーザの進行具合（progress）を、身体的特性に基づいて決定することを含み得る。上述のように、ＰＡＭＤは、反復的な身体的活動又は運動の反復をカウントするように構成されてよく、ＧＰＳ及び／又は加速度計からの信号情報を通して、ユーザが移動した距離をモニタリングするように更に構成されてもよい。これは、ＰＡＭＤがユーザトラッキングメトリクスを提供し、完了に向けたユーザの進行具合を示すことを可能にし得る。

７０８において、方法７００は、１つ以上の身体的活動の完了に向けたユーザの進行具合の指示を、ゲームデバイスに出力することを含み得る。ＰＡＭＤは、ユーザが１つ以上の身体的活動を行っているとき、例えば通信サブシステム２５０を用いて、ゲームシステムに通信してよい。これは、ゲーム内のフィードバックが、ゲームデバイスからユーザに配信されることを可能にし得る。ＰＡＭＤ及び／又はゲームシステムは更に、パーソナルコンピュータ、モバイルコンピュータ又は他のデバイスとデータを同期するように構成されてもよく、これによりデータの統合及び記録を可能にする。

方法７００は更に、１つ以上の身体的活動の完了に向けた進行具合によって影響されるように、ゲームのユーザ情報に指示することを含むことがある。これは、ユーザが、ゲームシステムに取り組んでいる間と、ゲームシステムの近くの屋外でＰＡＭＤを使用している間との双方においてゲームのフィードバックを受け取ることを可能にする。一例において、これは、ユーザが、ゲームスコア又はゲームプレイの他の態様に影響する成績を取得しつつ、ゲームプレイを継続するのを可能にし得る。

方法７００は、身体的活動モニタリングデバイスにおいて、１つ以上の身体的活動を実行しているユーザの１つ以上の現在の生体マーカーを計算すること及び／又はユーザに１つ以上の現在の生体マーカーを示すことを更に含んでよい。ＰＡＭＤは、フィットネス追跡のために、ユーザに関連するフィードバックを、心拍数及び個人的な心拍数ゾーンに関する情報、カバーされるルートを表示するＧＰＳ情報、距離、取られるステップ、運動の期間、実行される反復回数、日時、ユーザが１つ以上の身体的活動を行うことによって消費されるカロリー数及び他の関連する現在のバイオマーカーとともに与えるように構成され得る。

本開示に係るＰＡＭＤは、ユーザによって、ワークアウトを追跡し、フィットネスメトリクスを記録するのに使用され得る。さらに、ＰＡＭＤは、ワークアウトを通してユーザをガイドし、ワークアウト中のユーザの進行具合をモニタするように構成され得る。言い換えると、身体的活動モニタリングデバイスは、身体トレーナとして機能し得る。

図８は、ＰＡＭＤのユーザをトレーニングする方法８００を示している。８０２において、方法８００は、ＰＡＭＤにおいて、複数の運動を含むワークアウト計画を受け取ることを含み得る。一例において、ユーザは、パーソナルコンピュータ、モバイルフォン又はゲームコンソール上で動作するアプリケーションで、ワークアウトをブラウズして選択することがあり、そして、そのワークアウト計画が（例えば通信サブシステム２５０を介して）ＰＡＭＤに送信されることになる。

８０４において、ワークアウト計画に含まれる複数の運動のそれぞれについて、方法８００は、運動をユーザに指示することを含み得る。ＰＡＭＤは、ワークアウト計画を通して段階的にユーザを歩かせる情報を示すように構成される、ディスプレイサブシステム２８０及び／又はオーディオサブシステムを含み得る。例えばユーザは、ＰＡＭＤ上でワークアウトを選択し、ワークアウトを開始するよう要求することができる。ＰＡＭＤは、ユーザに１０回のプッシュアップと２マイルのランニング等をするように指示することができる。

８０６において、方法８００は、上述のようにユーザによって装着されたＰＡＭＤにより、身体的活動特性を測定することを含み得る。８０８において、方法８００は、身体的活動特性に基づいて、運動の完了に向かうユーザの進行具合に関する情報を出力することを含み得る。例えばユーザがプッシュアップを実行している間、ＰＡＭＤは活動を認識し、ワークアウト内のその運動について、完了した反復回数又は残りの反復回数をカウントし得る。ＰＡＭＤは、反復回数を動的に表示することができ、ユーザの心拍数や消費カロリー、ワークアウトの経過時間、そしてユーザによって現在実行されているワークアウト又は身体的活動若しくは運動に関連する他のメトリクスに関するフィードバックを表示してもよい。

ユーザが、ＰＡＭＤによって指示されるとおりの運動を完了する場合、方法は、運動が完了したことをユーザに指示することを更に含んでもよい。例えばユーザが運動を完了すると、可聴アラーム又は物理的な信号により、ユーザが、その身体的活動又は運動を完了したこと、そして、ワークアウト計画における次の身体的活動又は運動に移る時間であることを指示してもよい。

８１０において、方法８００は、ワークアウト計画が完了したかどうかを判断することを含み得る。ワークアウト計画が未完了の運動を含む場合、方法８００は８０４に戻り、ここで方法８００は次の運動をユーザに指示し得る。一例において、ディスプレイサブシステム２８０によって表示される情報は、次の運動をユーザに指示するように変化し得る。一部の例では、ＰＡＭＤは、可聴のキューをユーザに与えてもよい。ワークアウト計画が完了した場合、ＰＡＭＤは終了してよく、更にワークアウトの終了をユーザに指示してもよい。

一部の実施形態において、上述の方法及び処理は、１つ以上のコンピューティングデバイスのコンピューティングシステムに結び付けられることがある。特に、そのような及び処理は、コンピュータアプリケーションプログラム又はサービス、アプリケーションプログラミングインタフェース（ＡＰＩ）、ライブラリ及び／又は他のコンピュータプログラム製品として実装され得る。

図２に戻ると、身体的活動モニタリングデバイス２００は、コントローラ２２０をインスタンス化するように協働し得る論理マシン２１５とストレージマシン２１７、教師付き分類器２３０ａ、教師付き分類器２３０ｂ、集約装置２４０、通信サブシステム２５０、レポータ２６０、投票マシン２７０及び／又はディスプレイサブシステム２８０を含む。

論理マシン２１５は、命令を実行するように構成される１つ以上の物理デバイスを含む。例えば論理マシンは、１つ以上のアプリケーション、サービス、プログラム、ルーチン、ライブラリ、オブジェクト、コンポーネント、データ構造又は他の論理的な構造体の一部である命令を実行するように構成され得る。そのような命令は、タスクを実行し、データタイプを実装し、１つ以上のコンポーネントの状態を変換し、技術的効果を達成し、かつ／又は他の方法で所望の結果に到達するように実装され得る。

論理マシン２１５は、ソフトウェア命令を実行するように構成される１つ以上のプロセッサを含み得る。あるいはまた、論理マシンは、ハードウェア又はファームウェア命令を実行するように構成される、１つ以上のハードウェア又はファームウェアの論理マシンを含んでもよい。論理マシンのプロセッサは、シングルコアであってもマルチコアであってもよく、そのプロセッサ上で実行される命令は、逐次処理、並行処理及び／又は分散処理のために構成され得る。論理マシンの個々のコンポーネントは、任意選択により、協働処理のためにリモートに配置かつ／又は構成され得る２つ以上の別個のデバイスの間で分散されてもよい。論理マシンの態様は、クラウドコンピューティング構成で構成される、リモートからアクセス可能なネットワーク化されたコンピューティングデバイスにおいて仮想化されて実行されてよい。

ストレージマシン２１７は、論理マシンによって実行可能な命令を保持して、本明細書で説明される方法及び処理を実装するように構成される、１つ以上の物理的なデバイスを含む。そのような方法及び処理が実装されるとき、ストレージマシン２１７の状態は−例えば異なるデータを保持するように−変換され得る。

ストレージマシン２１７は、取外し可能及び／又は組み込みデバイスを含むことがある。ストレージマシン２１７は、他の中でも特に、光メモリ（例えばＣＤ、ＤＶＤ、ＨＤ−ＤＶＤ、Ｂｌｕ−Ｒａｙ（登録商標）ディスク等）、半導体メモリ（例えばＲＡＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ等）及び／又は磁気メモリ（例えばハードディスクドライブ、フロッピー（登録商標）ディスクドライブ、テープドライブ、ＭＲＡＭ等）を含んでよい。ストレージマシン２１７は、揮発性、非揮発性、動的、静的、読取／書込、読取専用、ランダムアクセス、逐次アクセス、位置アドレス可能、ファイルアドレス可能及び／又はコンテンツアドレス可能なデバイスを含み得る。

ストレージマシン２１７は、１つ以上の物理デバイスを含むことが認識されよう。しかしながら、ここで説明される命令の態様は代替的に、物理デバイスにより有限の期間の間保持されることがない、通信媒体（例えば電磁信号、光信号等）によって伝搬されてもよい。

論理マシン２１５及びストレージマシン２１７の態様は、１つ以上のハードウェア論理コンポーネントに一緒に統合されてもよい。そのようなハードウェア論理コンポーネントは、例えば特定プログラム又は特定用途向け集積回路（ＰＡＳＩＣ／ＡＳＩＣ）又はシステムオンチップ（ＳＯＣ）を含み得る。

ディスプレイサブシステム２８０を使用して、ストレージマシン２１７により保持されるデータの視覚的表現を提示してもよい。この視覚的表現は、グラフィカルユーザインタフェース（ＧＵＩ）の形をとることができる。本明細書で説明される方法及び処理が、ストレージマシンによって保持されるデータを変化させ、したがってストレージマシンの状態を変換すると、ディスプレイサブシステム２８０の状態は、元となるデータにおける変化を視覚的に表すように変換され得る。ディスプレイサブシステム２８０は、任意のタイプの技術を仮想的に使用する１つ以上のディスプレイデバイスを含み得る。そのようなディスプレイデバイスは論理マシン２１５及び／又はストレージマシン２１７と共有空間内で組み合わされてよく、あるいはそのようなディスプレイデバイスは周辺ディスプレイデバイスであってもよい。

通信サブシステム２５０は、ＰＡＭＤ２００を１つ以上の他のコンピューティングデバイスと通信可能に結合するように構成され得る。通信サブシステム２５０は、１つ以上の異なる通信プロトコルと互換性のある有線及び／又は無線通信デバイスを含み得る。非限定的な例として、通信サブシステムは、無線電話ネットワーク経由、あるいは有線又は無線のローカル又はワイドエリアネットワーク経由の通信用に構成され得る。一部の実施形態において、通信サブシステムは、ＰＡＭＤ２００が、インターネットのようなネットワークを介して他のデバイスへメッセージを送信し、かつ／又は他のデバイスからメッセージを受け取ることができるようにする。

ＰＡＭＤ２００がＧＰＳ含むか、ユーザに関する生体データを収集するように構成される例において、通信サブシステム２５０は、ユーザに関するデータを、１つ以上の他のデバイスに伝送するように構成され得る。幾つかの例において、ＰＡＭＤ２００及び／又は１つ以上の他のコンピューティングデバイスは、収集されて伝送され得るデータに関してユーザに通知するように構成され、ＰＡＭＤがユーザに関するデータを収集、伝送又は他の方法により共有するのを許容する承諾を、ユーザが提供できるようにするよう更に構成され得る。

本明細書で説明される構成及び／又はアプローチは例示的性質であって、これらの具体的な実施形態及び実施例は、様々な変形が可能であるため、限定的な意味で解釈されるべきではないことが理解されよう。本明細書で説明される具体的なルーチン又は方法は、任意の数の処理ストラテジのうちの１つ以上を表してよい。したがって、例示及び／又は説明される様々な動作は、例示及び／又は説明されるシーケンスで実行されても、他のシーケンスで実行されても、並行に実行されてもよく、あるいは省略されてもよい。同様に上述の処理の順序も変更してよい。

本開示の主題は、本明細書で説明される様々な処理、システム及び構成、並びに他の特徴、機能、動作及び／又は特性、並びこれらのいずれか又は均等物の新規かつ非自明な組合せ及び副次的な組合せの全てを含む。

Claims (8)

1. 身体的活動のモニタリングデバイスであって：
   ユーザが当該身体的活動のモニタリングデバイスを装着している間に、前記ユーザの身体的活動特性を測定するように構成される１つ以上のセンサを含む、センサアレイと；
   コントローラであって、
   前記センサアレイから信号情報を受け取り、
   前記信号情報を重複区分に分割し、
   各重複区分について所定の信号特徴を識別し、
   前記ユーザが重複区分の間に前記身体的活動に積極的に取り組んでいるかどうか、及び、前記重複区分の間に前記ユーザが積極的に取り組んでいる身体的活動のタイプ、を認識するようトレーニングされた教師付き分類器を使用して、各重複区分について前記所定の信号特徴を分析する、
   ように動作可能なコントローラと；
   分類される複数の重複区分によって定義される、前記ユーザが身体的活動に積極的に取り組んでいる可能性が高い時間間隔を決定するように構成される、集約装置と；
   前記ユーザが身体的活動に取り組んでいることが前記集約装置によって決定された時間間隔の間に、前記ユーザが積極的に取り組んでいる可能性の高い身体的活動のタイプを決定するように構成される、投票マシンと；
   前記身体的活動のタイプに関する情報を出力するレポータと；
   を具備する、モニタリングデバイス。
2. 前記１つ以上のセンサは加速度計を含む、
   請求項１に記載のモニタリングデバイス。
3. 前記信号情報は３次元の信号を含み、前記コントローラは、前記３次元のうちの２次元の信号を、１次元の信号へと次元を低減するように動作可能である、
   請求項１に記載のモニタリングデバイス。
4. 前記教師付き分類器は、サポートベクトルマシンを含み、前記所定の信号特徴を分析するために、前記コントローラは、
   複数のユーザがある身体的活動に積極的に取り組んでいた時間間隔の間及び前記複数のユーザがある身体的活動に積極的に取り組んでいなかった時間間隔の間に、前記複数のユーザから収集されたデータで前記サポートベクトルマシンをトレーニングし、
   変換ベクトルのセットと、重み付けベクトルと、前記ユーザが身体的活動に積極的に取り組んでいることを示す閾値を生成し、
   前記所定の信号特徴に、前記変換ベクトルのセットと前記重み付けベクトルを乗算して、複数の乗算の積を取得し、
   前記乗算の積を前記閾値と比較し、
   前記閾値を超える値を、前記ユーザが身体的活動に積極的に取り組んでいる重複区分を表すものとして分類し、
   前記閾値未満の値を、前記ユーザが身体的活動に積極的に取り組んでいない重複区分を表すものとして分類し、
   前記分類された値に基づいて、前記ユーザが身体的活動に積極的に取り組んでいる可能性が高い時間間隔を表すものとして重複区分を分類する、
   ように動作可能である、請求項２に記載のモニタリングデバイス。
5. 前記コントローラは、前記集約装置から時間間隔のセットを受け取るように更に動作可能であり、前記時間間隔のセットの間に前記ユーザが積極的に取り組んでいる身体的活動のタイプを決定するために、前記コントローラは、
   前記信号情報を重複区分に分割し、
   各重複区分について所定の信号特徴を識別し、
   前記ユーザが重複区分の間に取り組んでいる前記身体的活動のタイプを認識するようトレーニングされた教師付き分類器を使用して、各重複区分について前記所定の信号特徴を分析する
   ように動作可能である、請求項１に記載のモニタリングデバイス。
6. 前記教師付き分類器は、サポートベクトルマシンを含み、前記所定の信号特徴を分析するために、前記コントローラは、
   複数のユーザが複数のタイプの身体的活動に取り組んでいた時間間隔の間に、前記複数のユーザから収集されたデータで前記サポートベクトルマシンをトレーニングし、
   変換ベクトルのセットと、ユーザがあるタイプの身体的活動に取り組んでいることを示す重み付けベクトルとを生成し、
   前記所定の信号特徴に、前記変換ベクトルのセットと前記重み付けベクトルを乗算して、複数の乗算の積を取得し、
   前記乗算の積を、複数の所定の活動の各々を表すデータセットであって、マシン学習を通して予め定められたデータセットと比較し、
   重複区分を身体的活動のタイプを表すものとして分類する、
   ように動作可能である、請求項５に記載のモニタリングデバイス。
7. 前記コントローラは、前記ユーザがそれぞれの身体的活動を行う反復回数を決定するように更に構成される、
   請求項１に記載のモニタリングデバイス。
8. 身体的活動をモニタリングする方法であって：
   １つ以上のセンサを含むセンサアレイで、前記１つ以上のセンサを含む身体的活動モニタリングデバイスを装着しているユーザの身体的活動特性を測定するステップと；
   前記センサアレイからの信号情報を重複区分に分割するステップと；
   各重複区分について所定の信号特徴を識別するステップと；
   前記ユーザが重複区分の間に前記身体的活動に積極的に取り組んでいるかどうか、及び、前記重複区分の間に前記ユーザが積極的に取り組んでいる身体的活動のタイプ、を認識するようトレーニングされた教師付き分類器を使用して、各重複区分について前記所定の信号特徴を分析するステップと；
   集約装置によって、分類される複数の重複区分によって定義される、前記ユーザが身体的活動に積極的に取り組んでいる可能性が高い時間間隔を決定するステップと；
   前記ユーザが身体的活動に取り組んでいると前記集約装置によって決定された時間間隔の間に、前記ユーザが取り組んでいる可能性が高い身体的活動のタイプを決定するステップと；
   前記身体的活動の前記タイプに関する情報を出力するステップと；
   を含む、方法。
   

Images