JP6433805B2 - 運動機能診断装置及び方法、並びにプログラム - Google Patents

Description

本発明は、被験者の運動機能を診断する装置に関する。

近年、高齢化に伴い運動器の障害による転倒事故を起こし、要介護状態に陥る人が多く存在する。このような転倒事故の原因として注目されているのがロコモティブシンドローム（以下「ロコモ」と称す）である。ロコモとは、日本整形外科学会が２００７年に新たに提唱したものであり、運動器の障害による要介護の状態や要介護リスクの高い状態を表す新しい言葉である。ロコモのうち変形性関節症と骨粗鬆症に起因する患者に限っても推計患者数は４７００万人といわれており、ロコモの早期発見は重要な課題のひとつである。

ロコモの早期発見のためには運動機能を判定することが有効であるが、従来、運動機能を判定するための装置は種々開発されている（例えば特許文献１、２参照）。

特開２０１３−１５３９２４号公報 特開２００５−２８７７０８号公報

一般にロコモ診断には、ロコモチェックと呼ばれるものが多く用いられている。その内容は、「片足立ちで靴下がはけない」「階段を上がる際に手すりが必要」などの７つの項目にチェックを付けていき、１つでも該当する項目があればロコモの危険性があるというものである。これは、自己申告に基づく主観的な診断であるため曖昧な部分がある。

一方、客観的な診断手法として歩行中の揺動性や周期性、歩行速度などを加速度センサから評価して診断する手法が提案されている。具体的には、取得した加速度のＲＭＳ（二乗平均平方根）、ＡＣ（自己相関関数）を用いることで定量化し、転倒経験群と非経験群との有意差を調べることでロコモ診断を行なっている。しかし、加速度センサを装着するといった手間や、加速度センサを装着することによる歩行の違和感から、普段の歩行を再現できない場合があるといった問題が指摘されている。

本発明は、被験者に負担をかけずに運動機能を測定でき、運動機能の診断結果を客観的な指標で提示できる診断装置を提供することを目的とする。

本発明に係る運動機能診断装置は、被験者の画像を撮影し、撮影した画像から被験者の身体の所定の複数部位の動きを検出する動き検出部と、動き検出部による各部位の動きの検出結果に基づき被験者の運動機能を判定し、判定結果を示す情報を出力する判定部と、を備える。判定部は、被験者の所定の部位毎に、各部位の動きについて加速度を算出し、算出した加速度から所定の演算を行って特徴パラメータを求め、部位毎に求めた特徴パラメータからニューラルネットワークを用いて運動機能を判定する。

本発明に係る運動機能診断方法は、被験者の画像を撮影し、撮影した画像から身体の所定の複数部位の動きを検出するステップと、被験者の所定の部位毎に、各部位の動きについて加速度を算出するステップと、算出した加速度に対して所定の演算を行って特徴パラメータを求めるステップと、部位毎に求めた特徴パラメータからニューラルネットワークを用いて運動機能を判定するステップと、判定結果を示す情報を出力するステップと、を含む。

本発明に係るプログラムは、コンピュータを運動機能診断装置として機能させるプログラムであって、被験者の身体の所定の複数部位の動きに関する情報を取得するステップと、被験者の所定の部位毎に、各部位の動きについて加速度を算出するステップと、算出した加速度に対して所定の演算を行って特徴パラメータを求めるステップと、部位毎に求めた特徴パラメータからニューラルネットワークを用いて運動機能を判定するステップと、判定結果を示す情報を出力するステップと、をコンピュータに実行させる。

本発明によれば、被験者の撮影画像に基づいて自動的に運動機能を判定する。このため、被験者に負担をかけずに運動機能を測定でき、また、被験者の運動機能の診断結果を客観的な指標で提示することができる。

本発明の一実施の形態の運動機能診断装置の構成例を示す図 動きセンサによる被験者の動きの測定を説明した図 運動機能診断装置による運動機能診断処理を示すフローチャート 動きセンサによる被験者（健常者）の各部位の変位の測定結果の例を説明した図 動きセンサによる被験者（ロコモ患者）の各部位の変位の測定結果の例を説明した図 動きセンサによる被験者（健常者）の測定結果の歩行部分のみを抽出した結果を示した図 動きセンサによる被験者（ロコモ患者）の測定結果の歩行部分のみを抽出した結果を示した図 動きセンサによる測定結果の補正前と補正後の値を示した図 動きセンサによる被験者（健常者）の測定結果の補正後の値を２階微分した値（加速度）を示した図 動きセンサによる被験者（ロコモ患者）の測定結果の補正後の値を２階微分した値（加速度）を示した図 動きセンサによる被験者（健常者）の各部位の測定結果の加速度の自己相関関数を示した図 動きセンサによる被験者（ロコモ患者）の各部位の測定結果の加速度の自己相関関数を示した図 動きセンサによる被験者（健常者）の各部位の測定結果の加速度のＦＦＴによる解析結果を示した図 動きセンサによる被験者（ロコモ患者）の各部位の測定結果の加速度のＦＦＴによる解析結果を示した図 二段のニューラルネットワークを用いた運動機能診断を説明した図 ニューラルネットワークの別の構成例を説明した図

以下添付の図面を参照して、本発明に係る運動機能診断装置の一実施の形態を説明する。なお、以下では、運動機能の診断の一例として、被験者のロコモの程度を判定する診断装置を説明する。

０．概要
本開示では、ビジョンセンサ（例えば、Ｋｉｎｅｃｔセンサ）を用いた非接触・非拘束な計測手段を用いて、被験者の歩行時の時系列骨格情報から頭部、腰部、左右両肩の変位を取得し、さらに加速度を算出する。算出した加速度の時系列データに対してパワースペクトル（周波数解析）、二乗平均平方根（ＲＭＳ）及び自己相関関数（ＡＣ）を演算することにより、特徴パラメータを抽出する。これらの特徴パラメータは、理学療法士へのインタビューの結果を考慮して設定したパラメータであり、彼等が実際に患者の診断を行う際に着目している上体動作の特徴と対応している。各部位（頭部、腰部、左肩、右肩）各々に対して、特徴パラメータを入力とし、理学療法士によるロコモ診断結果を出力として、一段目のニューラルネットワークを構成し、教師データに基づき学習を行い「部位モデル」を構築する。得られた各部位の「部位モデル」の出力をさらに入力として設定し、身体（本例では上体）全体のロコモ診断を行う二段目のニューラルネットワークを構成することで、最終的なロコモ診断モデルを得る（なお、二段目のニューラルネットワークには、さらに年齢、性別といった特徴パラメータも入力する）。

１．装置構成
図１に、運動機能診断装置のハードウェア構成を示す。運動機能診断装置１はパーソナルコンピュータのような情報処理装置で構成される。運動機能診断装置１は、その全体動作を制御する制御部１１と、画面表示を行う表示部１７と、ユーザが操作を行う操作部１９と、データやプログラムを記憶するデータ格納部２１とを備える。

表示部１７は例えば、液晶ディスプレイや有機ＥＬディスプレイで構成される。操作部１９はキーボード、マウス、タッチパネル等を含む。

さらに、運動機能診断装置１は、外部機器やネットワークに接続するためのインタフェース部２５を含む。インタフェース部２５は、ＵＳＢやＨＤＭＩ（登録商標）等のインタフェースに準拠した種々の機器（プリンタ、通信装置、入力装置等）を接続可能であり、接続した機器と本運動機能診断装置１間のデータや制御コマンドの通信を可能とする。

制御部１１は運動機能診断装置１全体の動作を制御するものであり、プログラムを実行することで所定の機能を実現するＣＰＵやＭＰＵで構成される。制御部１１で実行されるプログラムは通信回線や、ＣＤ、ＤＶＤ、メモリカード等の記録媒体を介して提供されてもよい。制御部１１は、所定の機能を実現するように設計された専用のハードウェア回路（ＡＳＩＣ等）で構成されてもよい。

データ格納部２１はデータやプログラムを記憶する装置であり、例えばハードディスク（ＨＤＤ）、ＳＳＤ、半導体メモリ素子、光ディスクで構成することができる。データ格納部２１は、運動機能診断プログラムや、その解析に必要な測定データ等の情報を格納する。

運動機能診断装置１には、インタフェース部２５を介して、被験者の身体の各部位の動きを測定する動きセンサ３１が接続されており、運動機能診断装置１は動きセンサ３１から測定結果を受信する。図２（ａ）は、動きセンサ３１を備えた測定装置３０を示した図である。測定装置３０は、動きセンサ３１が所定の高さで支持フレーム３３に取り付けられて構成される。測定装置３０は、前方から測定装置３０に向かって歩行してくる被験者５０の各部位の動きを測定し、測定結果を運動機能診断装置１に送信する。このように測定装置３０は、被験者が前方から歩行により近づいてくる際の動作時における被験者の身体の各部位（頭部、左肩、右肩、腰）の動きを検出する。本実施形態では、動きセンサ３１として、画像を撮影し、撮影画像から被写体の動きを検出するビジョンセンサを用いる。具体的には、Ｋｉｎｅｃｔセンサ（米国マイクロソフト社製）を用いる。Ｋｉｎｅｃｔセンサは、被験者の身体の各部位（頭部、左肩、右肩、腰等）の動き（座標および時間変位）を検出することができる（図２（ｂ）参照）。

２．診断に用いる特徴パラメータの選定
本発明者は、本実施形態の運動機能診断装置１において用いる特徴パラメータを決定するために、２名の理学療法士Ａ、Ｂにヒアリングを行った。下記の表１に、２名の理学療法士Ａ、Ｂとのヒアリングの結果から得たロコモ判定を行う際の着目点を示す。なお、表１には、現在主流のロコモチェックに記載されている項目も併せて記載している。また、表１中の判断基準の欄に付されている「*」は、理学療法士Ａ、理学療法士Ｂ、ロコモチェックの全てにおいて参照される判断基準である。以下の表１に示す判断基準のうち以下に記すａ）からｅ）は、Ｋｉｎｅｃｔを用いた動きセンサにより検出可能な判断基準である。

ａ）歩行速度の低下（加速度の低下）
歩行速度・加速度の低下は、Ｋｉｎｅｃｔによる骨格検出を通して得られる「深さ情報」と、その「歩行時間」を用いることで推定可能である。Ｋｉｎｅｃｔでは深さ情報（Ｋｉｎｅｃｔからの距離）を３０ｆｐｓ（３０Ｈｚ）のタイミングでおよそ１０ｍｍ程度の精度で取得することが可能である。このことから、取得されるフレームごとにＫｉｎｅｃｔから歩行者までの距離を逐次算出できるため、それらの変化を歩行速度の変化として捉えることが可能である。また、Ｋｉｎｅｃｔから取得した骨格情報より各骨格部分の上下動に関わる加速度を算出し、その最大パワースペクトル値およびそのときの周波数値からも、おおよその歩行速度の低下（加速度の低下）を知ることが可能である。

ｂ）歩幅・歩隔不均衡
先に述べたように、Ｋｉｎｅｃｔから取得した骨格情報より各骨格部位の上下動に関わる加速度を推定することが可能である。歩行の際には支持脚と遊脚が入れ替わるタイミングで加速度にピーク値が出現する。このため、Ｋｉｎｅｃｔから得られる深さ情報を用いて各ピーク時の距離を算出し、その差分をもって歩幅を推定することが可能である。歩隔とは、左右の足の着地点の横幅であり、同様にＫｉｎｅｃｔから得られる骨格情報より取得可能である。

ｃ）上肢の揺れの大きさ・頭部の揺れの大きさ
上肢の揺れの大きさに関しては、頭部、腰部、左右両肩部のそれぞれについて、Ｋｉｎｅｃｔより得られる骨格情報に基づいたＸ座標、Ｙ座標変位を用いることで推定が可能である。特に肩や頭部は左右に大きく揺れることが想定されるため、その特徴をうまく捉える可能性が高い。また、得られた変位から加速度を算出し、そのＲＭＳ（二乗平均平方根）を指標にすることも考えられる（変動の大きさ）。さらに、加速度の周期性（自己相関関数およびＦＦＴ）も同様に指標となり得る。

ｄ）姿勢が偏っている
Ｋｉｎｅｃｔより得られる骨格情報に基づいた頭部と腰部の座標に着目することで、左右の偏りを推定することが可能である。姿勢が偏ることで歩行の加速度変動も特徴的になることから、加速度、加速度の自己相関関数（同様にＦＦＴ）も有用な指標といえる。

ｅ）立脚、遊脚時間不均衡
歩幅の推定と同様に加速度に現れるピーク時間を算出し，その差分をもって推定が可能である。

上記と同等な物理的評価指標と思われる項目を追加し、判断基準に対応した物理的評価指標をまとめたものを表２に示す。

表２より、全ての判断基準に対応しているのは「加速度」であることがわかる。そこで、本実施形態では、加速度に関する以下の物理的指標を、運動機能の診断に用いる特徴パラメータ（後述するニューラルネットワークの入力）として設定した。
・加速度のパワースペクトル（最大スペクトル値およびその際の周波数）
・加速度のＲＭＳ（Ｘ軸およびＹ軸方向）
・加速度の自己相関関数の分散値（正のピークに関して）

３．運動機能診断処理
以上のような構成を有する運動機能診断装置１の動作を図３のフローチャートを用いて説明する。図３のフローチャートに示す処理は、主として運動機能診断装置１の制御部１１により実行される。

本処理の開始前に事前に、図２に示す測定装置３０により、被験者の身体の各部位に対する動きが測定されている。具体的には、被験者５０に、測定装置３０の所定距離（例えば５ｍ）だけ離れた前方から測定装置３０に向かって、測定装置３０の下を通過するまで歩行してもらう。測定装置３０の動きセンサ３１は、その歩行時における被験者５０の骨格情報から頭部、腰部、左肩、右肩の変位を時系列で測定する。図４Ａは被験者が健常者である場合の各部位の測定結果を示す。具体的には、図４Ａ（ａ）〜（ｄ）はそれぞれ、頭部、腰部、左肩部、右肩部の時間的変位の測定結果を示している。図４Ｂは、ロコモであると診断された被験者（以下「ロコモ患者」という）の場合の各部位の測定結果を示す。

動きセンサ３１により測定された結果は運動機能診断装置１に送信される。制御部１１は、動きセンサ３１からの測定結果を、インタフェース部２５を介して受信し、測定データとしてデータ格納部２１に記録する。

図３のフローチャートを参照し、まず、制御部１１は、データ格納部２１に記録された一の被験者の測定データを取得する（Ｓ１１）。すなわち、図４Ａや図４Ｂに示すような測定データを取得する。制御部１１は、取得した測定データに対してローパスフィルタなどのデータ処理を施してノイズを除去する（Ｓ１２）。本例では、カットオフ周波数５Ｈｚのローパスフィルタを用いてノイズを除去した。

次に、測定した全時間帯のデータ部分から歩行時間帯に関するデータ部分のみを抽出する（Ｓ１３）。例えば、図４Ａに示す各データでは、１０秒付近より前の時間帯では、各部位の変位（height）はほとんど変化していないが、１０秒付近を超えると急激に変位している。これは、Ｋｉｎｅｃｔに向かって歩行をすることにより撮像上の高さ位置（Ｙ軸：height）に変化が生じるためである。なお、１３秒付近のデータの乱れは、被験者の姿がＫｉｎｅｃｔの検出範囲外に出たためである。
そこで、制御部１１は、各部位の変位の時間変化率を算出し、時間変化率が所定値以上になった時点以降を歩行時間帯のデータとして、その部分のデータを抽出する。このようにして、図４Ａ、図４Ｂに示す測定データから歩行時間帯に関するデータ部分を抽出したものが、図５Ａおよび図５Ｂに示すデータである。

続いて、各部位の座標値を補正する（Ｓ１４）。Ｋｉｎｅｃｔにより測定した歩行時の各部位の高さ位置（Ｙ軸）のデータは、被験者がＫｉｎｅｃｔに接近するにつれ高さが変化するという問題を有する。そこで、Ｋｉｎｅｃｔより取得できる深さ情報と被験者の身長情報を用いて高さ位置（座標）を補正する。補正には以下の補正式を用いる。
ｙ＝ｚ×α＋ｙ^*＋β （１）
ここで、ｙは補正後の高さ（Ｙ軸値）、ｚはＫｉｎｅｃｔからの距離（深さ）、ｙ^*はＫｉｎｅｃｔによる高さ（Ｙ軸）の実測値（測定値）を示す。αおよびβは下記表３に示した値を用いる。なお、下記のα、βの各値は本発明者が身長の異なる複数の被験者に対して得たデータに基づき見出したものである。

図６に、上記の方法による補正前後のデータを示す。図６（ａ）、（ｂ）はそれぞれ、健常者の各部位の測定データについて補正前と補正後のデータを示す。図６（ｃ）、（ｄ）はそれぞれ、ロコモ患者の各部位の測定データについて補正前と補正後のデータを示す。図６（ｂ）、（ｄ）に示すように、補正により各部位の高さの急激な変動が修正されている。

その後、各部位の補正後のデータを二階微分することによって、各部位の測定データの加速度を求める（Ｓ１５）。図７Ａ、図７Ｂはそれぞれ図６（ｂ）、（ｄ）に示す各部位の変位を二階微分することで得た健常者およびロコモ患者の各部位の加速度を示している。

以上のような処理により得られた被験者の各部位の加速度のデータに対して、パワースペクトル（ＦＦＴ）、ＲＭＳ（二乗平均平方根）、自己相関関数を算出する（Ｓ１６）。

図８Ａ、図８Ｂはそれぞれ、健常者およびロコモ患者に関する各部位の加速度の自己相関関数の算出結果を示した図である。図９Ａ、図９Ｂはそれぞれ、健常者およびロコモ患者に関する各部位の加速度のパワースペクトル（ＦＦＴ）の算出結果を示した図である。図９Ａ、図９Ｂを参照すると、２〜５Ｈｚの間にパワースペクトルの最大値が出現しており、歩行の周期が２〜５Ｈｚであることが確認できる。この結果は一般的に人間の歩行周期が２〜５Ｈｚであると言われていることと一致する。

運動機能診断装置１は、以上のようにして被験者の身体の各部位毎に求めた、加速度に対するパワースペクトル、ＲＭＳ（二乗平均平方根）、自己相関関数に基づき、二段のニューラルネットワーク（詳細は後述）を用いて被験者のロコモ診断を行う（Ｓ１７）。運動機能診断装置１は、ニューラルネットワークによる診断結果を出力する。診断結果の出力は表示部１７に表示してもよい。または、データとして、データ格納部２１に記録してもよい。または、インタフェース部２５を介して外部機器へ送信したり、プリンタで印刷したりしてもよい。

運動機能診断装置１から出力される診断結果は、ロコモ患者としての「程度」を示す指標（数値）で表される。運動機能診断装置１において、ニューラルネットワークは、シグモイド関数を用いて０〜１の実数値が出力するように構成されている。この出力値を百分率で表せば、ロコモ可能性を示すよう意味付けすることも可能となる。

３．１ ニューラルネットワーク
本実施形態の運動機能診断装置１で用いるニューラルネットワークについて図１０を用いて説明する。一般的にニューラルネットワークとは、入力と出力間をネットワーク状に関連付けることで、非線形性を含む複雑な関係性をモデル化できる手法の１つである。特に、本実施形態では、ロコモ診断を行うための手法として、図１０に示すように、ニューラルネットワークを二段構成で用いている。

一段目のニューラルネットワークは、頭部、腰部、左肩部、右肩部の各部位を単独でのロコモ診断を行う。このため、一段目ニューラルネットワークとして、頭部、腰部、左肩部、右肩部に関する４つのニューラルネットワークを構築する。二段目のニューラルネットワークは、一段目のニューラルネットワークによる各部位ごとのロコモ診断の結果と、年齢および性別といった確実な知識情報とに基づいて、被験者の身体全体のロコモ診断を行う。各段のニューラルネットワークの設定値を表４に示す。

一段目のニューラルネットワークに対して、各部位について下記の５種類のデータを入力する（図１０参照）。
１）自己相関関数の分散値（正のピークに関して）、
２）パワースペクトルの最大値
３）パワースペクトルの最大値時の周波数
４）加速度のＲＭＳ（Ｘ軸）
５）加速度のＲＭＳ（Ｙ軸）。

ニューラルネットワークの出力は、被験者がロコモ患者としての「程度」を示すロコモ診断結果である。

頭部、腰部、左右肩部の各部位に関する一段目のニューラルネットワークに対して、出力には教師データとしてあらかじめ理学療法士により診断された診断結果（ロコモ：1、健常：0）を与え、表４に示す条件で学習させ、各中間層の重みを決定する。ニューラルネットワークを学習させる手法は一般的な誤差逆伝搬法を用いることができるが、他の手法を用いてもよい。

二段目ニューラルネットワークへの入力は、一段目の各出力（頭部、腰部、左肩部、右肩部の４つの値）と、年齢と、性別との６つのデータである（図１０参照）。このとき、年齢は１００で除算して正規化し、０〜１までの実数値とし、性別は男性の場合０．５、女性の場合１．０とする（これは、一般的に男性に比べて女性のロコモ患者率が高いという知見に基づく）。二段目ニューラルネットワークに対しても、あらかじめ、出力には教師データとして理学療法士のロコモ診断結果（一段目の場合と同じ）を与え、表４に示す条件で学習させ、各中間層の重みを決定する。

本実施形態では、以上のようにして構築した二段階のニューラルネットワークを用いてロコモ診断を行う。

４．検証
上記の要領で学習させて構築した二段のニューラルネットワークを用いて、その効果の検証を行った。検証は５０〜８０歳代の男女６１人を対象として行った。６１人のうち、理学療法士によりロコモ患者であると診断されたのは８人である。表５に診断結果を示す。

今回、ロコモであるか否かの判断の基準値として０．６と０．９の２種類の閾値を設定し、それぞれについて検証した。

閾値を０．６に設定した場合、ロコモと診断されたのは３４件、健常と診断されたのは２７件であった。また、誤診断のうちロコモ未検出は０件、ロコモ過検出は２６件であった。真のロコモ患者は８件であるので、過検出気味ではある。しかし、ロコモ患者の見逃しを防ぐためには、閾値を０．６程度とすることが望ましいことがわかる。また、過検出気味であったとしても患者総数６１名に対して３４名をスクリーニングできたことから、初期スクリーニングの手段（診断支援装置）として、本運動機能診断装置１の利用価値が見出せる。すなわち、運動機能診断装置１による診断結果を参照することで、ロコモ患者の候補者を絞り込むことができるので、理学療法士や医師が診断対象とする患者の数を低減でき、診断の負荷を軽減できる。

閾値を０．９に設定した場合、ロコモと診断されたのは２３件、健常と診断されたのは３８件であった。また、誤診断のうちロコモ未検出は２件、ロコモ過検出は１７件であった。閾値０．６の場合に比べて未検出がより多く発生してはいるが、過検出の数は抑制されている。本閾値に設定した場合は、診断の見逃しを防ぐための最終スクリーニングの手段（診断支援装置）として、本運動機能診断装置１の利用価値が見出せる。すなわち、運動機能診断装置１による診断結果を参照することで、診断漏れ（見逃し）を防止することができるので、理学療法士や医師の診断時の負荷を軽減できる。

上記の結果を踏まえると、１）未知対象者を閾値０．６にてスクリーニング、２）ロコモと診断された対象者に対しては有資格者（医師や理学療法士など）が診断、３）有資格者によって健常と判断された対象者を閾値０．９にてスクリーニング、４）ロコモと再度診断された対象者は再度有資格者によって診断、という利用シーンが想定される。

本運動機能診断装置１は、上記の利用シーンを経て、より多くの被験者データが蓄積されることで、更にニューラルネットワークを追加学習させることが可能となる。つまり、運動機能診断装置１の利用ごとに学習され、診断精度が向上するという特徴を持っている。なお、ニューラルネットワークは教師データに対して学習を行うため、教師データを生成する診断者は不変であることが望ましい。最終的には、本運動機能診断装置１のみで正確なロコモ診断が可能であり、出力値である０〜１を百分率で表現することで、ロコモのレベルを定量化することも可能となる。

５．効果
以上説明したように、本実施の形態における運動機能診断装置１は、被験者の画像を撮影し、撮影した画像から被験者の身体の所定の複数部位（頭部、腰部、左肩、右肩）の動きを検出する動きセンサ３１と、動きセンサ３１による各部位の動きの検出結果に基づき被験者の運動機能を判定し、判定結果を示す情報を出力する制御部（判定部の一例）１１と、を備える。制御部１１は、被験者の所定の部位毎に、各部位の動きについて加速度を算出し（Ｓ１５）、算出した加速度から所定の演算（パワースペクトル、ＲＭＳ、自己相関関数）を行って特徴パラメータを求め（Ｓ１６）、部位毎に求めた特徴パラメータからニューラルネットワークを用いて運動機能を判定する（Ｓ１７）。

このような運動機能診断装置１によれば、被験者の画像に基づいて自動的に運動機能を判定する。これにより、被験者の運動時の画像を撮影するだけで運動機能を測定できるため被験者の負担を軽減できる。また、被験者の運動機能の診断結果を客観的な指標で提示することができる。

また、従来、ロコモに関する診断は、先に述べた通り患者の自己申告と医師や理学療法士の知識・経験に基づいてなされていた。また、従来、定量化を試みる動きは少なからずあるものの、歩幅や身体重心（主として腰部）の加速度を健常者との比較で評価しているものがほとんどであった。そのため、両者が区別しにくい場面においては、人間（医師や理学療法士）が判断せざるを得ない。このことより、現在提案されている方法論は定量化への基準作りにはほど遠いものであった。

これに対して本実施形態の運動機能診断装置１では、二段階のニューラルネットワークにより、身体の各部位単体での評価および身体全体での評価という二段階評価を行う。これにより、実際の医師や理学療法士が判断するように部分的な判断と全体的な判断が可能な仕組みとなっている。判断に必要な特徴パラメータについては、医師や理学療法士からのヒアリングによって得た「知識」を再現するようデータ処理を行うことで、判断処理に彼等の知識が含まれることになる。また、判断のためのモデルとしてニューラルネットワークを用いているため、ネットワークの重みそのものが定量化のための基準値となる。さらに、ニューラルネットワークの学習には医師や理学療法士が実際に判断した健常者とロコモ患者のデータに基づくため、ネットワークの重みに彼等の「知識および経験則」がそのまま埋め込まれることとなる。

他の実施の形態
以上のように、本出願において開示する技術の例示として上記の実施の形態を説明したが、本開示における技術はこれに限定されず、適宜、変更、置き換え、付加、省略などを行うことができる。以下、他の変形例を説明する。

上記の実施形態では、ニューラルネットワークの出力として０〜１の値を出力する例を説明した。ロコモティブシンドロームのレベルを、ニューラルネットワークの出力値の範囲により段階的に設定しもよい（表６参照）。この場合、理学療法士が、あらかじめ被験者が出力０〜１間のどのレベルに分布するかを調べておいて、各レベルの閾値を設定してもよい。

上記の実施形態では、運動機能の１つとして、被験者のロコモティブシンドロームの程度を診断する診断装置を説明したが、診断対象はロコモティブシンドロームに限らず、運動機能の障害の程度であってもよい。この場合、運動機能診断装置は、運動機能の障害の程度を示す値（指標）を出力するように構成すればよい。具体的には、運動機能の障害の程度を示す既知の値を教師データとして与えて学習させることで各段のニューラルネットワークを構成すればよい。この運動機能診断装置による指標を参照することで、リハビリテーションの進み具合やケガからの回復状況を容易にかつ客観的に判定することができる。

上記の実施形態では、ニューラルネットワークを二段で構成したが、一段で構成してもよい。一段のニューラルネットワークで構成する場合、中間層の数を増加させればよい。

上記の実施形態において、動きセンサとしてＫｉｎｅｃｔセンサを用いたが、被験者の身体の各部位の動きを検出できるものであれば、他の種類のセンサであってもよい。例えば、３次元画像センサ、３次元距離画像センサであってもよい。

上記実施形態において、一段目のニューラルネットワークに入力するパラメータとして、自己相関関数の分散値（正のピークに関して）、パワースペクトルの最大値、パワースペクトルの最大値時の周波数、加速度のＲＭＳ（Ｘ軸）、加速度のＲＭＳ（Ｙ軸）の５種類のデータを入力したが、入力パラメータはこれらに限定されない。実際の理学療法士や医師の知識や経験に基づき、適宜他のパラメータを入力パラメータとして選定してもよい。さらに、実際の理学療法士や医師の経験に基づいて、選定したパラメータと出力パラメータの関係を決定し、その関係をニューラルネットワークに学習させればよい。これにより、理学療法士や医師の知識や経験に基づいた判断と同等の判断による診断結果の出力を可能とする診断装置を実現することができる。

上記の実施形態では、図１０に示す構成を有する二段のニューラルネットワークを用いたが、図１１に示すような二段のニューラルネットワークを用いてもよい。図１１に示すニューラルネットワークは、姿勢を考慮することも大切であるという理学療法士の考えを反映させたものである。図１１に示すニューラルネットワークは、図１０に示すニューラルネットワークにおいて、二段目のニューラルネットワークの出力層の入力として、姿勢に応じた実数値をさらに加算している。

理学療法の分野では、姿勢（横から見た場合）について，「正常」「胸椎後弯（猫背）」「腰椎後弯（腰の湾曲）」「ｆｌａｔ ｂａｃｋ」「腰椎前弯（反り腰）」の５つに分類できる。このうち「胸椎後弯（猫背）」と「腰椎後弯（腰の湾曲）」は前方に重心位置が偏るため、ロコモとの関連性が最も高い。「ｆｌａｔ ｂａｃｋ」「腰椎前弯（反り腰）」は、重心位置が後方に偏るため同様にロコモとの関連性が高い。そのため、図１１に示すように、いわゆる猫背に類する「胸椎後弯」と「腰椎後弯」は０．６、いわゆる反り腰に類する「ｆｌａｔ ｂａｃｋ」と「腰椎前弯」は０．３として、新たな入力層を設け，出力層に直接加算している。図１１に示すニューラルネットワークにより、検出精度が向上すること（未検出の減少）も確認できている。なお、前記５つの姿勢それぞれに異なる実数値を与えても良い。

１ 運動機能診断装置
１１ 制御部
１７ 表示部
１９ 操作部
２１ データ格納部
２５ インタフェース部
３０ 測定装置
３１ 動きセンサ
５０ 被験者

Claims (7)

1. 被験者の画像を撮影し、撮影した画像から前記被験者の身体の所定の複数部位の動きを検出する動き検出部と、
   前記動き検出部による各部位の動きの検出結果に基づき被験者の運動機能を判定し、判定結果を示す情報を出力する判定部と、を備え、
   前記判定部は、被験者の所定の部位毎に、各部位の動きについて加速度を算出し、算出した加速度から所定の演算を行って特徴パラメータを求め、部位毎に求めた特徴パラメータから前記所定の部位毎に運動機能の判定結果を出力する第一のニューラルネットワークと、前記第一のニューラルネットワークから出力された前記所定の部位毎の運動機能の判定結果を入力し、前記被験者の運動機能の判定結果を出力する第二のニューラルネットワークとを用いて運動機能を判定し、
   前記第一および第二のニューラルネットワークは、理学療法士または医師の経験に基づいて得られた教師データを用いて学習させて重みが決定される、
   運動機能診断装置。
2. 前記所定の部位は、頭部、腰部、右肩および左肩を含む、請求項１記載の運動機能診断装置。
3. 前記判定部は、各部位の加速度に対して、パワースペクトル、二乗平均平方根及び自己相関関数をそれぞれ算出することにより前記特徴パラメータを求める、請求項１記載の運動機能診断装置。
4. 前記判定部は、前記被験者に対するロコモティブシンドロームの程度の判定を行う、請求項１ないし３のいずれかに記載の運動機能診断装置。
5. 前記動き検出部は、前方から前記動き検出部に近づくように歩行している前記被験者の状態を撮影する、請求項１ないし３のいずれかに記載の運動機能診断装置。
6. 被験者の画像を撮影し、撮影した画像から身体の所定の複数部位の動きを検出する動き検出部と、前記動き検出部による各部位の動きの検出結果に基づき被験者の運動機能を判定し、判定結果を示す情報を出力する判定部と、を備えた運動機能診断装置の動作方法であって、
   前記運動機能診断装置の動作方法は、
   前記検出部が、
   被験者の画像を撮影し、撮影した画像から身体の所定の複数部位の動きを検出するステップを含み、
   前記判定部が、
   前記被験者の所定の部位毎に、各部位の動きについて加速度を算出するステップと、
   算出した加速度に対して所定の演算を行って特徴パラメータを求めるステップと、
   部位毎に求めた特徴パラメータから前記所定の部位毎に運動機能の判定結果を出力する第一のニューラルネットワークと、前記第一のニューラルネットワークから出力された前記所定の部位毎の運動機能の判定結果を入力し、前記被験者の運動機能の判定結果を出力する第二のニューラルネットワークとを用いて運動機能を判定するステップと、
   判定結果を示す情報を出力するステップとを含み、
   前記第一および第二のニューラルネットワークは、理学療法士または医師の経験に基づいて得られた教師データを用いて学習させて重みが決定される、
   運動機能診断装置の動作方法。
7. コンピュータを運動機能診断装置として機能させるプログラムであって、
   被験者の身体の所定の複数部位の動きに関する情報を取得するステップと、
   前記被験者の所定の部位毎に、各部位の動きについて加速度を算出するステップと、
   算出した加速度に対して所定の演算を行って特徴パラメータを求めるステップと、
   部位毎に求めた特徴パラメータから前記所定の部位毎に運動機能の判定結果を出力する第一のニューラルネットワークと、前記第一のニューラルネットワークから出力された前記所定の部位毎の運動機能の判定結果を入力し、前記被験者の運動機能の判定結果を出力する第二のニューラルネットワークとを用いて運動機能を判定するステップと、
   判定結果を示す情報を出力するステップと、
   をコンピュータに実行させ、
   前記第一および第二のニューラルネットワークは、理学療法士または医師の経験に基づいて得られた教師データを用いて学習させて重みが決定される、
   プログラム。

Images