JP6433805B2 - 運動機能診断装置及び方法、並びにプログラム - Google Patents
運動機能診断装置及び方法、並びにプログラム Download PDFInfo
- Publication number
- JP6433805B2 JP6433805B2 JP2015023677A JP2015023677A JP6433805B2 JP 6433805 B2 JP6433805 B2 JP 6433805B2 JP 2015023677 A JP2015023677 A JP 2015023677A JP 2015023677 A JP2015023677 A JP 2015023677A JP 6433805 B2 JP6433805 B2 JP 6433805B2
- Authority
- JP
- Japan
- Prior art keywords
- motor function
- subject
- neural network
- predetermined
- acceleration
- 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.)
- Expired - Fee Related
Links
Images
Description
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)。
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。
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。
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。
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。
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。
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。
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。
・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)
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。
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。
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。
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。
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)。
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。
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)。
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。
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)
- 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。 - 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。
- 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。
- 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。
- 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。
- 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。 - 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015023677A JP6433805B2 (ja) | 2015-02-09 | 2015-02-09 | 運動機能診断装置及び方法、並びにプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015023677A JP6433805B2 (ja) | 2015-02-09 | 2015-02-09 | 運動機能診断装置及び方法、並びにプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016144598A JP2016144598A (ja) | 2016-08-12 |
JP6433805B2 true JP6433805B2 (ja) | 2018-12-05 |
Family
ID=56685051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015023677A Expired - Fee Related JP6433805B2 (ja) | 2015-02-09 | 2015-02-09 | 運動機能診断装置及び方法、並びにプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6433805B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7462491B2 (ja) | 2020-07-01 | 2024-04-05 | 株式会社竹中工務店 | 接合構造 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109803589B (zh) | 2016-10-07 | 2022-01-14 | 松下知识产权经营株式会社 | 认知功能评价装置、认知功能评价系统、认知功能评价方法以及记录介质 |
JP6917047B2 (ja) * | 2017-01-16 | 2021-08-11 | マイクロストーン株式会社 | 複数のウェアラブルなセンサによる運動機能評価システム |
JP6940139B2 (ja) * | 2017-06-28 | 2021-09-22 | Necソリューションイノベータ株式会社 | 身体特性分析装置、身体特性分析方法、及びプログラム |
JP6345332B1 (ja) * | 2017-11-21 | 2018-06-20 | 国立研究開発法人理化学研究所 | 分類装置、分類方法、プログラム、ならびに、情報記録媒体 |
WO2019111521A1 (ja) * | 2017-12-06 | 2019-06-13 | 株式会社 資生堂 | 情報処理装置、プログラム |
JP7212352B2 (ja) * | 2018-10-01 | 2023-01-25 | 公立大学法人大阪 | 歩行能力の検査装置 |
JP7358842B2 (ja) | 2019-08-23 | 2023-10-11 | 富士通株式会社 | 障害判定方法、障害判定プログラムおよび情報処理装置 |
JP7357872B2 (ja) * | 2021-06-07 | 2023-10-10 | 国立大学法人大阪大学 | 被験者の状態を推定するためのコンピュータシステム、方法、およびプログラム |
WO2023127010A1 (ja) * | 2021-12-27 | 2023-07-06 | 日本電気株式会社 | 移動能力推定装置、移動能力推定システム、移動能力推定方法、および記録媒体 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0331406A (ja) * | 1989-06-27 | 1991-02-12 | Nippon Steel Corp | 高炉パターンデータの総合判定システム |
JP2008216488A (ja) * | 2007-03-01 | 2008-09-18 | Univ Waseda | 音声処理装置及び音声認識装置 |
-
2015
- 2015-02-09 JP JP2015023677A patent/JP6433805B2/ja not_active Expired - Fee Related
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7462491B2 (ja) | 2020-07-01 | 2024-04-05 | 株式会社竹中工務店 | 接合構造 |
Also Published As
Publication number | Publication date |
---|---|
JP2016144598A (ja) | 2016-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6433805B2 (ja) | 運動機能診断装置及び方法、並びにプログラム | |
US20210059565A1 (en) | Gait-based assessment of neurodegeneration | |
Dijkstra et al. | Detection of gait and postures using a miniaturized triaxial accelerometer-based system: accuracy in patients with mild to moderate Parkinson's disease | |
Millor et al. | An evaluation of the 30-s chair stand test in older adults: frailty detection based on kinematic parameters from a single inertial unit | |
Millor et al. | Kinematic parameters to evaluate functional performance of sit-to-stand and stand-to-sit transitions using motion sensor devices: a systematic review | |
Ricci et al. | Assessment of motor impairments in early untreated Parkinson's disease patients: the wearable electronics impact | |
Hulleck et al. | Present and future of gait assessment in clinical practice: Towards the application of novel trends and technologies | |
JP7057589B2 (ja) | 医療情報処理システム、歩行状態定量化方法およびプログラム | |
US9659150B2 (en) | Method for assessing cognitive function and predicting cognitive decline through quantitative assessment of the TUG test | |
CN111027417B (zh) | 基于人体关键点检测算法的步态识别方法及步态评估系统 | |
JP2010017447A (ja) | 歩行動作分析装置、歩行動作分析方法、歩行動作分析プログラムおよびその記録媒体 | |
US20210020295A1 (en) | Physical function independence support device of physical function and method therefor | |
Aghanavesi et al. | Motion sensor-based assessment of Parkinson's disease motor symptoms during leg agility tests: results from levodopa challenge | |
Kargar et al. | Automatic measurement of physical mobility in get-up-and-go test using kinect sensor | |
JP2021030051A (ja) | 転倒リスク評価方法、転倒リスク評価装置及び転倒リスク評価プログラム | |
Suriani et al. | Optimal accelerometer placement for fall detection of rehabilitation patients | |
JP7439353B2 (ja) | 認知機能評価方法、認知機能評価装置及び認知機能評価プログラム | |
Wang et al. | SAIL: A deep-learning-based system for automatic gait assessment from TUG videos | |
Dell'Acqua et al. | An assistive tool for monitoring physical activities in older adults | |
JP2020151470A (ja) | 歩行評価装置、歩行評価方法およびプログラム | |
Pan et al. | Evaluation of hemiplegic gait based on plantar pressure and inertial sensors | |
Chen et al. | Sarcopenia Recognition System Combined with Electromyography and Gait Obtained by the Multiple Sensor Module and Deep Learning Algorithm. | |
Guimarães et al. | Phone based fall risk prediction | |
JP7473354B2 (ja) | サルコペニア評価方法、サルコペニア評価装置及びサルコペニア評価プログラム | |
JP7169213B2 (ja) | 身体健康状態映像分析装置、方法並びにシステム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20170327 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20180221 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180306 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180501 |
|
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: 20181016 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20181107 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6433805 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |