JP6564328B2 - 身体活動監視デバイスを用いたゲームプレーの拡張 - Google Patents

Description

[0001] 運動および他の身体活動は、個人の健康および福利にとって非常に有益となり得る。一部の人々は、系統立てた運動計画を通して健康および福利を高めるために、個人トレーナを利用する。しかし誰でも個人トレーナを利用する余裕があるわけではない。個人トレーナによって頻繁に訓練する人々でさえ、身体活動が行われるときに常に個人トレーナに接することができる可能性は低い。

[0002] 身体活動監視デバイスは、ゲームシステム上でプレーされているゲームの拡張として行われるべき１つまたは複数の身体活動の指示を受け取り、身体活動監視デバイスを着用したユーザの身体活動属性を測定する。身体活動監視デバイスは、身体活動属性に基づいて、１つまたは複数の身体活動の完了に向けてのユーザの進捗を決定し、１つまたは複数の身体活動の完了に向けてのユーザの進捗の指示をゲームデバイスに出力する。

[0003] この「発明の概要」は、「発明を実施するための形態」において以下でさらに述べられる、選ばれた概念を簡略化した形で紹介するために示される。この「発明の概要」は、特許請求される主題の主要な特徴または本質的な特徴を特定するものではなく、特許請求される主題の範囲を限定するために用いられることを意図するものでもない。さらに特許請求される主題は、本開示のいずれかの部分において記載された、いずれかのまたはすべての欠点を解決する実装形態に限定されない。

[0004]本開示の一実施形態による身体活動監視デバイスを着用したユーザを示す図である。 [0005]本開示の一実施形態による身体活動監視デバイスを示す図である。 [0006]本開示の一実施形態による、ユーザが身体活動に活発に取り組んでいる期間を決定する例示の方法示す図である。 [0007]本開示の一実施形態による、ワークアウト計画の例示の区分の分析を示す図である。 [0008]本開示の一実施形態による、身体活動のタイプを認識する例示の方法を示す図である。 [0009]本開示の一実施形態による、運動反復をカウントする例示の方法を示す図である。 [0010]本開示の一実施形態による、ゲーム体験を拡大する例示の方法を示す図である。 [0011]本開示の一実施形態による、ユーザを身体的に訓練する例示の方法を示す図である。

[0012] 本開示は、ゲーム体験を拡大するため、および／またはワークアウト計画を受け取り、監視するために用いることができる身体活動監視デバイス（PAMD）を対象とする。

[0013] ワークアウトにおいて個人は、身体活動または運動を行うための時間を費やし、および、活動からの回復に費やす時間、活動の準備に費やす時間、水を飲むなどの非運動活動を行うために費やす時間があり得る。ＰＡＭＤが、ＰＡＭＤを着用したユーザによって行われる身体活動または運動を認識し区別するためには、ＰＡＭＤは始めに実際の運動と非運動活動とを区別することができる。いくつかの実施形態ではＰＡＭＤは、ＰＡＭＤを着用したユーザの身体活動属性を測定するように構成された１つまたは複数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ルする。サンプルされたデータは次いで、運動の期間と非運動の期間とに区分化することができる。運動の期間内は、ＰＡＭＤは次いで、特定の身体活動または運動を表すサンプルされたデータ内のパターンを一意に識別するように訓練することができ、それによってＰＡＭＤを着用したユーザによって行われる身体活動または運動を認識する。反復身体活動または運動に対してはＰＡＭＤは、ＰＡＭＤを着用したユーザによって行われる所与の反復身体活動または運動の反復数をカウントすることができる。

[0014] 図１は、本開示による身体活動監視デバイス１０２を着用したユーザ１０１を示す。いくつかの実施形態ではＰＡＭＤ１０２は、着用可能なアームバンドの形とすることができる。ＰＡＭＤ１０２は、ユーザ１０１が運動しているあるいは特定の身体活動を行っている間に、ユーザ１０１によって着用することができる。ＰＡＭＤ１０２は、スマート活動分析の方法を使用することができる。スマート活動分析は、ＰＡＭＤが、ＰＡＭＤを着用したユーザによって行われる身体活動または運動を認識し、区別することを可能にすることができ、さらにＰＡＭＤが、ＰＡＭＤを着用したユーザによって行われる身体活動または運動の反復をカウントすることを可能にし得る。

[0015] 図２は、本開示による身体活動監視デバイス２００を概略的に示す。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、管理された分類器２３０ａ、管理された分類器２３０ｂ、アグリゲータ２４０、通信サブシステム２５０、リポータ２６０、投票機２７０、および表示サブシステム２８０を含むことができる。

[0016] センサアレイ２１０は、加速度計２１４、ＧＰＳ２１２、ジャイロスコープ２１６、心拍数モニタ２１８、および／または他の適したセンサなどの、１つまたは複数のセンサを含むことができる。センサアレイ２１０からのデータは、デバイスが、ＰＡＭＤを着用したユーザによって行われる異なる身体活動または運動を自動的に区別することを可能にし得る。いくつかの例では加速度計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ルすることができる。サンプリングは、２５Ｈｚのサンプルレートで、または５０Ｈｚなどの他の適したサンプリングレートで生じ得る。ＧＰＳ２１２からのデータは、戸外で身体活動または運動を行うユーザの速度を知るために用いることができる。例えばＧＰＳによって得られるデータは、走っている、歩いている、および自転車に乗っている期間を区別するために用いることができる。さらにＧＰＳは、ユーザの位置を判断するために用いることができる。このような位置情報は活動を区別するために用いることができる。例えばユーザは、テニスコート上にいるときはテニスをしている、ゴルフコース上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ったデータと協調してＧＰＳデータは、ユーザの歩幅を較正するために用いることができる。この情報は記憶され、屋内で行われたとき、または他の理由でＧＰＳデータが利用可能でないときに、同じ身体活動または運動を区別し較正するための用いることができ、ＧＰＳデータがない状態で正確な距離およびペース情報を計算することを可能にする。

[0017] 加速度計２１４は、任意選択により３軸加速度計とすることができる。加速度計２１４から受け取られたデータは、腕立て伏せ、起き上がり腹筋体操、スクワットなどを含み得る異なる反復身体活動または運動におけるパターンの変化を検出するために用いることができる。このような反復身体活動または運動に対する信号の反復性は、これらおよび同様な運動の反復を検出するために用いることができる。加速度計２１４から受け取られたデータはまた、スクワット、プランク、ヨガの姿勢などを含み得る、異なる静的な身体活動または運動に対するパターンの変化を検出するために用いることができる。

[0018] 距離をベースとする活動に対してＰＡＭＤ２００はさらに、ウォーキング、ジョギング、速いジョギング、およびランニングを含む、様々な動きの速度を検出し区別することができる。これは加速度計２１４を用いて、ユーザの歩みの速度を測定することによって達成することができる。次いでこのデータは、活動に特有の距離計算を動的に調整するために用いることができる。例えば歩いているときのユーザのステップ数は、走っているときの同じユーザによる同じステップ数に対するよりも短い距離に等しいと見なすことができる。身体活動または運動の多数の期間にわたって、ウォーキング、ジョギング、ランニングなどに対するユーザの真の歩幅を、ＧＰＳ２１２および加速度計２１４からのデータ用いて知ることができる。

[0019] ＰＡＭＤ２００はさらにコントローラ２２０を含むことができ、これは任意選択により論理マシン２１５およびストレージマシン２１７を通じてインスタンス化され得る。コントローラ２２０は、身体活動属性に基づいて、ユーザが身体活動に活発に取り組んでいる時間間隔を自動的に決定するように構成することができる。このプロセスはまた、本明細書では区分化と呼ぶことができる。１つの例ではＰＡＭＤ２００は、ユーザが運動として挙手跳躍運動を行うことを示すことができる。この指示の後にユーザは、運動のための準備、例えば室内を歩き廻る、水を飲む、または挙手跳躍運動を始めるための位置に着くために時間をとることができる。区分化のプロセスは、実際の運動の期間を、身体活動または運動に関係しない他の活動から分離することができる。非運動の期間を分析から取り除くことで、ＰＡＭＤ２００が誤った反復をカウントする可能性を低くすることができる。同様にＰＡＭＤ２００は、ユーザが身体活動または運動に活発に取り組んでいる期間からのデータだけを認識システムが分析する場合に、ユーザがどの身体活動または運動に取り組んでいるかをより正確に決定することを可能にし得る。

[0020] １つの例ではＰＡＭＤ２００は、ユーザが時間ベースの活動、例えば腕立て伏せを３０秒間行うことを示すことができる。ＰＡＭＤ２００は、ユーザが腕立て伏せを行うために位置に着く時間の間に、ユーザの身体活動属性の評価を開始しなければ、腕立て伏せの３０秒をより正確に追跡することができる。腕立て伏せを行っているときを正確に決定することによって、ＰＡＭＤ２００はユーザバイオメトリック、例えばユーザが腕立て伏せを行っている間にユーザどれだけのカロリーを燃焼したかについて、正確な主張を行うことが可能になり得る。

[0021] ＰＡＭＤ２００は、ユーザが身体活動または運動に活発に取り組んでいる期間を認識するために、機械学習を通して訓練され得る。この区分化のプロセスはさらに、事前処理のサブプロセス、特徴の算出、分類、およびアグリゲーションに細分することができる。

[0022] 図３は、ユーザが身体活動に活発に取り組んでいる期間を決定するために、コントローラ２２０によって用いられる例示の方法３００を示す。３０２で方法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ステップを含む。このような信号情報は、例えばコントローラ２２０によって受け取ることができる。信号情報はユーザの身体活動属性を表すものである。いくつかの例ではこの信号情報は、加速度計２１４およびジャイロスコープ２１６からの生のデータを含むことができる。加速度計２１４およ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もたらす。次いで生の入力信号はローパスフィルタに通すことができ、次いでその出力は６つの平滑化された信号となり得る。

[0023] ３０４で方法３００は、ユーザが身体活動に活発に取り組んでいる時間間隔を決定するステップを含むことができる。例えばコントローラ２２０は、３０２で受け取られた信号情報を、時間間隔を決定する基準として用いることができる。図３に示されるように時間間隔を決定するプロセスは、複数のサブプロセスを含むことができる。このようなサブプロセスの非限定的な例は以下に示される。しかし活発な取り組みの時間間隔は、本開示の範囲から逸脱せずに任意の適したやり方で決定され得ることが理解されるべきである。

[0024] ３０６で方法３００は、信号情報を、重なり合う区分に分割するステップを含むことができる。１つの例ではデータは、５秒の長さのウィンドウに分割することができる。各ウィンドウは前のウィンドウから２００ｍｓだけ進めることができ、それにより各５秒のウィンドウは、前および後のウィンドウとデータの４．８秒を共有する。

[0025] ３０８で方法３００は、各重なり合う区分に対して、所定の信号特性（例えば、センサアレイの加速度計によって測定された加速度情報の加速度特性）を識別するステップを含むことができる。いくつかの例では、コントローラ２２０は、平滑化されたデータの各５秒のウィンドウを、次いで身体活動または運動を特性化するために用いられる２００個の信号特性に変換することができるが、より少ないまたはより多い信号特性があってもよい。１つの例では６つの平滑化された信号は、１０個の出力信号に変換され得る。この例での１０個の出力信号は、ｘ、ｙ、およびｚ軸での平滑化された加速度計データ、ｘ、ｙ、およびｚ軸で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大きさ、各サンプルにおけるジャイロスコープ信号の大きさ、３次元加速度計信号のその信号の第１主成分への投影、ｙおよびｚ軸における加速度計信号のそれら自体の主成分への投影、および３次元ジャイロスコープ信号のその信号の第１主成分への投影を含むことができる。

[0026] 出力信号はＰＡＭＤの特性に基づいて選択することができる。信号情報が３次元での信号を含むいくつかの実施形態では、３つのうちの２つの次元での信号は、１次元の信号に次元を縮小することができる。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、あるいはユーザの身体に固定されるように構成される場合は、ｘ、ｙ、およびｚ軸における平滑化されたデータは、これらの３軸におけるユーザの動きを正確に反映すると見なすことができる。しかしＰＡＭＤが例えば着用可能なアームバンドとして構成される場合は、ＰＡＭＤはユーザの腕または手首の周りの偶然の回転を受け得る。この例ではｘ軸におけるデータ（例えばユーザの腕に沿った）は、ｘ軸でのユーザの動きを正確に反映すると見なすことができるが、ｙおよびｚ軸でのデータは、ＰＡＭＤの位置に応じて複数の軸における動きを表し得る。この例では、ｙおよびｚ軸における加速度計信号のそれら自体の主成分への投影は、出力信号として選択され得る。ｙおよびｚ軸における信号の次元数を低減することによって、ユーザの腕の周りのＰＡＭＤの回転は、未知の軸をより予測可能な信号に圧縮することによって計上され得る。

[0027] 次いでコントローラ２２０は、これらの出力信号のそれぞれに対して、各出力信号に対する２０個の信号特性を計算することができる。コントローラ２２０はまた、より大きなまたは少ない数の信号特性を計算することができる。いくつかの例では信号特性は、いくつかの自己相関ピーク、いくつかの負の自己相関ピーク、最大自己相関値、最大自己相関値の対数、二乗平均平方根振幅、平均、標準偏差、分散、および積分された二乗平均平方根振幅を含むことができる。信号特性はまた、いくつかの強いピークを含むことができ、強いピークとは、それらの隣接ピークより閾値だけ大きく、それらの隣接ピークから閾値遅延より離れた、いくつかの自己相関ピークとして定義され得る。信号特性はまた、いくつかの弱いピークを含むことができ、弱いピークとは、それらの隣接ピークの閾値高さ内であり、それらの隣接ピークから閾値遅延未満だけ離れた、いくつかの自己相関ピークとして定義され得る。信号特性はさらに、ゼロクロス後の第１の自己相関ピークの値、局所非線形性または、最良適合ラインがどれだけ良好にデータを説明するかの他の測定値、および１組の電力帯域を含むことができ、大きさは、センサアレイによって取得され得る周波数の範囲にわたって広がる各選択されたバンド内の電力スペクトルに対して計算される。この例では７つの電力帯域を計算することができるが、より多いまたはより少ない電力帯域、例えば１０個の電力帯域があってもよい。

[0028] 各信号に対して、さらなる信号特性を計算することができる。各５秒ウィンドウに対して信号特性は、信号の自己相関の指示、言い換えればデータがどれだけ反復的または自己相似であるかの指示をもたらすことができる。ユーザが運動している期間からの信号は、ユーザが運動していない期間からの信号より反復的となり得る。いくつかの例では、ユーザが速い動作に取り組んでいる期間からの信号は、非運動よりも運動に対応する可能性が高くなり得る。

[0029] ３１０で方法３００は、管理された分類器を用いて、各重なり合う区分に対して所定の信号特性を分析するステップを含むことができる。図２に示されるようにコントローラ２２０は、管理された分類器２３０ａを含むことができる。管理された分類器２３０ａは、重なり合う区分の間でユーザが身体活動に活発に取り組んでいるかどうかを認識するように訓練することができる。一般に管理された分類器２３０ａおよび／またはコントローラ２２０の他の態様は、機械学習プロセスを通して、ユーザが身体活動または運動に活発に取り組んでいることを表す信号特性を認識するように、およびさらにユーザが身体活動または運動に活発に取り組んでいないことを表す信号特性を認識するように訓練することができる。

[0030] １つの例では管理された分類器２３０ａは、サポートベクターマシン（SVM）、例えば線形サポートベクターマシンを利用する。いくつかの例では管理された分類器２３０ａは、機械学習決定木を利用する。管理された分類器２３０ａがＳＶＭを利用するいくつかの例では、ＳＶＭは、数のベクトルを発生するように構成することができ、さら所定の信号特性に数のベクトルを乗算して、複数の乗算結果を得るように構成され得る。ＳＶＭはさらに乗算結果を、上述のように機械学習を通して決定された１つまたは複数の閾値と比較するように構成され得る。次いでＳＶＭは閾値より高い値を、ユーザが身体活動に活発に取り組んでいる重なり合う区分を表すものとして分類し、閾値より低い値を、ユーザが身体活動に活発に取り組んでいない重なり合う区分として分類するように構成され得る。

[0031] 管理された分類器２３０ａがＳＶＭを含むいくつかの例では、所定の信号特性を分析するステップは、ユーザが身体活動または運動に活発に取り組んでいた時間間隔、およびユーザが身体活動または運動に活発に取り組んでいなかった時間間隔の間に複数のユーザから収集されたデータを用いて、サポートベクターマシンを訓練するステップを含むことができる。所定の信号特性を分析するステップはさらに、１組の変換ベクトル、重みベクトル、およびユーザが身体活動または運動に活発に取り組んでいることを表す閾値を発生するステップ、その後に所定の信号特性に１組の変換ベクトルおよび重みベクトルを乗算して、複数の乗算結果を得るステップを含むことができる。所定の信号特性を分析するステップはさらに、乗算結果を閾値と比較するステップ、閾値より高い値をユーザが身体活動または運動に活発に取り組んでいる重なり合う区分を表すものとして分類し、閾値より低い値をユーザが身体活動または運動に活発に取り組んでいない重なり合う区分を表すものとして分類するステップを含むことができる。

[0032] 管理された分類器２３０ａが各重なり合う区分を分類したときは、ＰＡＭＤ２００は、各５秒ウィンドウの間にユーザが身体活動または運動に活発に取り組んでいるかどうかについての、単一の最良推測を策定することができる。

[0033] 図２に示されるようにＰＡＭＤ２００はさらに、ユーザが身体活動に活発に取り組んでいる可能性が高い、複数の分類された重なり合う区分によって定義される時間間隔を決定するように構成された、アグリゲータ２４０を含むことができる。言い換えればアグリゲータ２４０は、管理された分類器２３０ａの精度を改善する、または重なり合う区分のグループを分析して、運動または非運動を表す、より長い時間間隔を決定することができる。

[0034] 管理された分類器２３０ａによって行われる予測は、時折行ったり来たりして反転する場合がある。１つの例ではユーザは、ある期間じっと立っている場合があり、いくつかの重なり合う区分は、ユーザが身体活動または運動に取り組んでいることを表すものとして分類され得る。その逆も生じ、ユーザはある期間運動している場合があり、その期間内のいくつかの重なり合う区分は、非運動として分類される場合がある。いくつかの例では、ユーザが運動の途中で一息つくために休止する場合があるが、休止の両側の重なり合う区分は、実際は同じ身体活動または運動を表す。ユーザが反復活動の途中で一息つくために休止する一例では、休止の両側での反復は、同じ総反復数に向かってカウントされるべきである。このようにしてアグリゲータ２４０は、ユーザが身体活動また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することができる。

[0035] アグリゲータ２４０が管理された分類器２３０ａの出力を修正する例は、図４に示される。図４は、ワークアウト計画の一部となり得る身体活動の区分の例を示す。グラフ４０１は、およそ１分にわたる時間間隔の間の管理された分類器２３０ａの出力を示す。各プロット点４０５は１つの重なり合う区分を表す。各重なり合う区分は、１（「運動」として分類される）、または０（「非運動」として分類される）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秒の期間、起き上がり腹筋体操を行った。しかし４１５に示されるように、ユーザが身体活動または運動に活発に取り組んでいなかったときであっても、いくつかの重なり合う区分は初めは「運動」として分類され得る。同様に４２０に示されるように、ユーザが身体活動または運動に活発に取り組んでいたときであっても、いくつかの重なり合う区分は「非運動」として分類され得る。グラフ４０３に示されるようにアグリゲータ２４０は、分類器の出力を修正して、時間間隔４３０などのユーザが身体活動また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ことができる。

[0036] アグリゲータ２４０は１つまたは複数の方法を使用して、重なり合う区分の分類を分析し、ユーザが身体活動また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ことができる。１つの例ではアグリゲータ２４０は、ストリークベースのアグリゲーションのプロセスを用いる。この例ではアグリゲータ２４０は、非運動状態を仮定することによって開始し、重なり合う区分を順番に分析するように進む。所定の数（ｋ_１）の重なり合う区分が「運動」として分類された場合は、アグリゲータ２４０は、ｋ_１個の重なり合う区分の最初から始まる、運動状態を仮定するように切り換わることができる。１つの例ではｋ_１は、１５個の重なり合う区分に設定され得る。言い換えれば、１５個の連続した重なり合う区分が「運動」として分類された場合は、アグリゲータ２４０は運動状態を仮定するように切り換わる。アグリゲータ２４０が運動状態を仮定することから非運動状態を仮定することに切り換わるべきであることを示すために、もう１つの所定の数（ｋ_２）を利用することができ、これはｋ_１と等しくても等しくなくてもよい。

[0037] いくつかの例ではアグリゲータ２４０は、百分率ベースのアグリゲーションのプロセスを用いる。この例ではアグリゲータ２４０は、非運動状態を仮定することによって開始し、重なり合う区分を順番に分析する。重なり合う区分の所定の百分率（ｐ_１％）が、所定の時間間隔（t）にわたって「運動」として分類された場合は、アグリゲータ２４０は、「運動」として分類された重なり合う区分の最初から始まる、運動状態を仮定するように切り換わることができる。例えばｐ_１は７５に等しくすることができ、ｔは１０に等しくすることができ、したがって１０秒にわたる重なり合う区分の７５％が「運動」として分類されたときは、アグリゲータ２４０は、「運動」として分類された重なり合う区分の最初から始めて、運動状態を仮定するように切り換わることができる。アグリゲータ２４０が運動状態を仮定することから非運動状態を仮定することに切り換わるべきであることを示すために、もう１つの所定の百分率（ｐ_２％）を利用することができ、これはｐ_１％に等しくても等しくなくてもよい。

[0038] いくつかの例ではアグリゲータ２４０は、累算器ベースのアグリゲーションのプロセスを用いる。この例ではアグリゲータ２４０は、非運動状態を仮定することによって開始し、重なり合う区分を順番に分析する。「運動」として分類された各重なり合う区分は、小計にポイントを加算する。小計が所定の閾値（ａ_１）を超えたときは、アグリゲータ２４０は運動状態を仮定するように切り換わる。アグリゲータ２４０が運動状態を仮定することから非運動状態を仮定することに切り換わるべきであることを示すために、もう１つの所定の閾値（ａ_２）を利用することができ、これは（ａ_１）に等しくても等しくなくてもよい。

[0039] アグリゲータ２４０は、これらのプロセスまたは他の同様なプロセス、または複数のプロセスの組み合わせを用いて、管理された分類器２３０ａからのデータを分析し、ユーザが身体活動または運動に取り組んでいる時間間隔を出力することができる。例えばアグリゲータ２４０は、ストリークベースのアグリゲーションのプロセスを用いて身体活動または運動の開始点を決定することができ、次いでさらに、ユーザが身体活動または運動を行うことを止めたかどうかの決定に、累算器ベースのアグリゲーションのプロセスを用いることができる。いくつかの実施形態ではアグリゲータ２４０は、複数のアグリゲータ（例えばストリークベースおよび累算器ベースのアグリゲータ）を同時に実行させ、複数のアグリゲータのいずれか１つが身体活動または運動が開始したまたは終了したことを示したときに、身体活動または運動の開始または終了を識別することができる。

[0040] いくつかの例では、さらにアグリゲータ２４０の出力を機械学習アルゴリズムへの入力として用いて、センサアレイからの初期データを、上述のように管理された分類器２３０ａによって再分析することができる。所定の定数は、異なる運動または異なるタイプの運動のために共有する、または一意に割り当てることができる（例えば腕立て伏せなどの反復運動は、ジョギングなどの非反復運動とは異なる定数を用いることができる）。

[0041] コントローラ２２０はまた、身体活動属性に基づいて決定された時間間隔の間に、ユーザが活発に取り組んでいる身体活動のタイプを自動的に決定するように構成することができる。言い換えればコントローラ２２０は、ユーザが身体活動または運動に取り組んでいると判断された各時間間隔内で、ユーザがどの運動に活発に取り組んでいるかを決定することができる。このプロセスは、本明細書では認識と呼ぶことができる。認識のプロセスは任意選択によりアグリゲーションのプロセスに続くことができ、および／または一部の認識は区分化および／またはアグリゲーションと平行して行われ得る。いくつかの実施形態ではコントローラ２２０は、決定された時間間隔に対応する身体活動属性のみに基づいて、決定された時間間隔の間にユーザが活発に取り組んでいた身体活動のタイプを自動的に決定するように構成することができる。言い換えれば、運動の期間として決定された期間に対して、センサアレイ２１０から受け取られた身体活動属性のみが、身体活動のタイプを決定するために用いられる。

[0042] 運動のタイプの認識は、運動反復をカウントすること、運動の効率またはパワーを算出すること、運動の過程にわたるユーザのカロリー消費を決定することなどを含む、下流側のアプリケーションにおいて用いることができる。ＰＡＭＤ２００はまた、ユーザの身体活動属性を分析し、さらに、ユーザの運動エクスペリエンスを強化し得るユーザのフォームまたは他の情報に関してユーザにフィードバックをもたらすように構成することができる。コントローラ２２０は、機械学習プロセスを通して、ユーザの身体活動属性に基づいて身体活動のタイプを認識するように訓練され得る。いくつかの例ではＰＡＭＤ２００は、ユーザによって行われるべき特定の活動を示すことができる。これらの例では認識のプロセスは、無視される、区分化のプロセスと組み合わされる、および／またはそれによって強化され得る。

[0043] 図５は、身体活動または運動のタイプの認識のための１つの例示の方法５００を示す。５０２で方法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ステップを含むことができる。このような信号情報は、例えばコントローラ２２０によって受け取ることができる。信号情報は、加速度計２１４およびジャイロスコープ２１６からの生のデータを含むことができる。生のデータは、平滑化された加速度計およびジャイロスコープデータを生じるように、ローパスフィルタによってさらに処理され得る。信号情報はまた、加速度計信号の、その信号の第１主成分への投影を含むことができる。信号情報はまた、ジャイロスコープ信号の、その信号の第１主成分への投影を含むことができる。

[0044] ５０４で方法５００は、アグリゲータ（例えばアグリゲータ２４０）から１組の時間間隔を受け取るステップを含むことができる。このような１組の時間間隔は、コントローラ２２０によって受け取ることができ、ユーザが身体活動または運動に取り組んでいる時間間隔を表すものとすることができる。５０６で方法５００は、１組の時間間隔の間にユーザが活発に取り組んでいる身体活動のタイプを決定するステップ（例えば認識）を含むことができる。言い換えれば認識のプロセスは、ユーザが身体活動または運動に取り組んでいることをアグリゲータ２４０が示すときに適用され得る。

[0045] 認識のプロセスは複数のサブプロセスを含むことができる。このようなサブプロセスの非限定的な例は以下に示される。しかし認識は、本開示の範囲から逸脱せずに任意の適したやり方で行われ得ることが理解されるべきである。

[0046] ５０８で方法５００は、信号情報を重なり合う区分に分割するステップを含むことができる。１つの例ではデータは、５秒の長さを有するウィンドウに分割することができる。各ウィンドウは前のウィンドウから２００ｍｓだけ進めることができ、それにより各５秒ウィンドウは、前および後のウィンドウと４．８秒のデータを共有する。

[0047] ５１０で方法５００は、各重なり合う区分に対して、所定の信号特性を識別するステップを含むことができる。１つの例では、平滑化されたデータの各５秒ウィンドウは、複数の信号特性に変換することができ、次いでこれらは身体活動または運動を特性化するために用いることができる。１つの非限定的な例として、６０個の信号特性を用いることができる。例えばコントローラ２２０は、重なり合う区分のそれぞれの、３軸のそれぞれに対して２０個の信号特性を計算することができる。この例では信号特性は、５つの等間隔に並べられた自己相関ビン、二乗平均平方根振幅、１０個の等間隔に並べられた電力帯域、平均、標準偏差、尖度および四分位範囲を含む。他の信号特性も、３軸のそれぞれに対して計算され得る。

[0048] ５１２で方法５００は、管理された分類器（例えば管理された分類器２３０ｂ）を用いて、各重なり合う区分に対して所定の信号特性を分析するステップを含むことができる。管理された分類器２３０ｂは、重なり合う区分の間にユーザが活発に取り組んでいる身体活動のタイプを認識するように訓練され得る。管理された分類器２３０ｂは、特定のタイプの身体活動または運動を表す信号特性を認識するように、機械学習のプロセスを通して訓練され得る。

[0049] いくつかの例では管理された分類器２３０ｂは、管理された分類器２３０ａに関連して上述されたように、サポートベクターマシン（SVM）および／または決定木を利用することができる。例えば所定の信号特性を分析するステップは、ユーザが複数のタイプの身体活動または運動に取り組んでいた時間間隔の間に、複数のユーザから収集されたデータを用いてサポートベクターマシンを訓練し、あるタイプの身体活動または運動に取り組んでいるユーザを表す、１組の変換ベクトルおよび重みベクトルを発生するステップを含むことができる。所定の信号特性を分析するステップはさらに、所定の信号特性に１組の変換ベクトルおよび重みベクトルを乗算して、複数の乗算結果を取得するステップ、乗算結果を複数の所定の活動のそれぞれを表すデータセットと比較するステップであって、データセットは機械学習を通して予め決定されている、ステップと、あるタイプの身体活動を表すものとして、重なり合う区分を分類するステップを含むことができる。

[0050] 図２に示されるようにＰＡＭＤ２００はさらに、投票機２７０を含むことができる。投票機２７０は、アグリゲータ２４０が、ユーザは身体活動に取り組んでいたと判断した時間間隔の間に、ユーザが活発に取り組んでいた可能性が高い身体活動のタイプを決定するように構成することができる。

[0051] 区分化に関して上記で論じられたように、複数の重なり合う区分を備える所与の時間間隔に対して、管理された分類器は、ユーザによってどの身体活動または運動が行われているかについて、一致しないいくつかの予測を出力し得る。どの身体活動または運動にユーザが取り組んでいた可能性が最も高いかを決定するために、投票機２７０によって投票方式を実施することができる。投票機２７０は、ユーザに報告することができる、所与の時間間隔に対する身体活動または運動、および反復運動の場合に、カウントするために用いるべき身体活動または運動を出力することができる。

[0052] １つの例では投票機２７０は、アグリゲータ２４０がユーザは身体活動に取り組んでいると判断した時間間隔内への２秒で開始する、単一ウィンドウからの出力を報告する。運動期間の始点におけるユーザの身体活動属性は、ユーザが依然として適切なフォームに入りつつある場合があるので、信頼できない場合がある。同様に運動期間の終わりにおけるユーザの身体活動は、ユーザがスローダウンしている、または適切なフォームから逸脱しつつある場合があるので信頼できない場合がある。いくつかの例では投票機２７０は、上述のアグリゲーティングプロセスと同様な真の投票方式を用いることができる。いくつかの例では投票機２７０は、最初に報告されたのと異なる身体活動または運動に取り組んでいたことの強い証拠ユーザが提示された場合は、運動期間の間のその出力を変更することができる。

[0053] 認識投票段階の終わりでは、アグリゲータ２４０がユーザは身体活動に取り組んでいると判断した各時間間隔は、あるタイプの身体活動または運動を表すものとして分類され得る。この情報は、身体活動のタイプに関する情報を出力するためにリポータ２６０に届けられ得る。

[0054] ＰＡＭＤ２００はさらに、反復身体活動または運動のうちの、ユーザが行う反復数を決定するように構成され得る。言い換えればＰＡＭＤ２００は、ユーザによって行われる運動の反復数をカウントすることができる。これは、ワークアウト計画の完了後にユーザが見直すための、活動の自動追跡を可能にすることができる。これはまたリアルタイムの目標評価を可能にし、そこではＰＡＭＤ２００は、目標反復数の完了を示すことができる。カウントすることは、次元縮小およびピーク検出を含む方法を通して実施され得る。

[0055] １つの例ではカウントプロセスは、区分化および認識はコントローラ２２０によってすでに行われたと仮定することができる。カウントプロセスは、身体活動または運動の開始および終了時間の両方が決定されていると仮定することができる。プロセスはまた入力が、時間間隔の分類、および開始時間と終了時間の間の生の加速度計センサデータを含むことを仮定することができる。カウントするデータの精度を改善するためにジャイロセンサデータを任意選択により用いることができる、身体活動または運動のタイプが存在し得る。いくつかの例ではカウントプロセスは、ユーザが反復身体活動または運動の反復を活発に行っている間に生じることができる。１つの例では、本明細書で述べられる方法は、逐次より大きな時間間隔に対して反復して利用され得る。いくつかの例では、カウント繰り返し数を低減するために、中間のカウント結果を用いることができる。

[0056] 図６は、反復身体活動または運動の反復をカウントするための例示の方法６００を示す。６０２で方法６００は、センサアレイ（例えばセンサアレイ２１０）から信号を受け取るステップを含むことができる。このような信号情報は、例えばコントローラ２２０によって受け取ることができる。６０４で方法６００は、信号を、センサアレイから受け取った信号より少なくとも１つ少ない次元を有する、次元が縮小された信号に変換するステップを含むことができる。７０６で方法７００は、次元が縮小された信号のピーク数をカウントするステップを含むことができる。７０８で方法７００は、ピーク数を出力するステップを含むことができる。

[0057] １つの例では、カウント方法は２つの段階に分割され得る。第１の段階では、生のセンサデータがセンサアレイ２１０からコントローラ２２０によって受け取られ、平滑な１次元信号に処理される。処理は１次元信号が、身体活動または運動の反復数と概略で同じ数のピークまたはサイクルを含むようにすることができる。第２の段階は、１次元信号のピーク数をカウントするステップを含むことができる。このピークカウントは、反復カウントとして出力され得る。

[0058] 生のセンサデータを平滑な１次元信号に処理することは、本明細書では信号算出段階と呼ぶことができる。信号算出段階は、生のデータにバンドパスフィルタを適用するステップを含むことができる。バンドパスフィルタは、信号内の高周波センサノイズ、ならびに例えば重力の一定加速度による変化などの低周波の変化を除去するために用いることができる。バンドパスフィルタは、反復をカウントすることに関連性のある周波数成分を出力することができる。

[0059] 信号算出段階はさらに、データから平均値を減算することを含むことができる。これは、バンドパスフィルタリングの後に残る、信号内の残りの一定バイアスを除去することができる。

[0060] 信号算出段階はさらに、フィルタリングされたデータに主成分分析（PCA）を適用することを含むことができる。本明細書におけるＰＣＡの実施は、上述の区分化のためのＰＣＡの適用と同様であるが、カウントプロセスのためにはＰＣＡは、固定サイズの重なり合う区分ではなく、身体活動または運動の全体の持続時間に対して算出される。平滑な１次元信号は、フィルタリングされたデータが、ＰＣＡによって見出された第１主成分に投影された結果となり得る。

[0061] ＰＡＭＤ２００がユーザの腕に着用されたデバイスである（図１に示されるような）例では、ＰＣＡの使用は、ほとんどの運動に対して、ユーザの腕の動作のほとんどは、単一の軸に沿った動作によって要約され得るという事実をうまく利用することができる。例えばショルダープレスの場合は、軸は垂直な上下の軸となり得る。信号データをこの軸に投影することによって、加速度計２１４から受け取った信号の次元数は、３次元から１次元に縮小される。ＰＣＡ投影は、ここで信号ピークが概略的に反復に対応するようなものとなり得る。

[0062] この例のカウント方法は、次にカウント段階に進むことができる。いくつかの例では、各反復は単一の強いピークに対応することになり、ピークのそれぞれは同様な形状および振幅であり、比較的一定の周波数で生じる。これらの例では、強いピークをカウントすることは、多数の標準の信号処理技法を用いて達成され得る。しかしあらゆる信号がこれらのパラメータに適合するようにはならない。反復ごとに複数のピークが存在する場合があり、形状または振幅に大きな変動がある場合があり、ピークは不安定な周波数において生じ得る。

[0063] したがって、広い範囲の信号データにわたってカウント精度を高めるために、ヒューリスティックなピークカウント方法を用いることができる。１つの例では方法は、複数の段階において進む。１つの例では、方法は１組の候補ピークを決定し、局所的周期推定を用いて１組の候補ピークをフィルタリングし、振幅統計を用いて１組の候補ピークをフィルタリングし、１組の候補ピークからピーク数をカウントし、ピーク数を出力するステップを含む。

[0064] １つの例では方法は、運動の１つの反復を行うのに必要な最小および最大時間の推定を利用する。これらの値は、本明細書ではｍｉｎＡｌｌｏｗｅｄＰｅｒｉｏｄおよびｍａｘＡｌｌｏｗｅｄＰｅｒｉｏｄと呼ぶことができる。これらの値は、運動固有ベースでデータから推定され得る。例えば人々は挙手跳躍運動を、腕立て伏せとは異なる速度で行う傾向があるので、挙手跳躍運動に対する値は、腕立て伏せに対する値とは異なる。

[0065] カウント方法は、１組の候補ピークの算出で開始する。カウントされる最後のピークの組は、このピークの組のサブセットとなる。候補ピークを算出するために、信号内の極大値が決定され得る。次いでこれらの極大値は、振幅に基づいてソートすることができる。極大値は、すでに受け入れられた候補ピークから、少なくともｍｉｎＡｌｌｏｗｅｄＰｅｒｉｏｄ秒離れているならば、候補ピークとして受け入れられ得る。信号内の２つのピークが互いに非常に近い（例えば２００ｍｓしか離れていない）場合は、それらの１つは運動の「真の」反復ではない場合がある。この近さの閾値は、人が所与の運動を行うことができる最も速い妥当な速度に基づいて設定することができる。

[0066] 最小の分離を有するピークをカウントすることは、ＭＩＮＰＥＡＫＤＩＳＴＡＮＣＥパラメータをｍｉｎＡｌｌｏｗｅｄＰｅｒｉｏｄに設定したＭａｔｌａｂのｆｉｎｄｐｅａｋｓ関数、または等価な信号処理動作などの、標準の信号処理動作によって行うことができる。この例ではこれらの候補ピークは、カウント方法の次の工程に入力される。

[0067] 上記で論じられたように、ｍｉｎＡｌｌｏｗｅｄＰｅｒｉｏｄは、機械学習プロセス時の、その運動の記録された最も速い反復に基づいた、１つの反復を行うのに必要な最小時間の推定である。ほとんどの場合これは、ユーザが反復ごとに費やす実際の時間よりずっと小さい。したがって実際の運動反復ごとに、複数の候補ピークが存在し得る。以下の工程では、各候補ピークの周りの実際の運動期間を推定することができ、この推定は１組の候補ピークを精緻化するために用いることができる。

[0068] 例えば各候補ピークに対して、ピークを中心とするウィンドウ内で自己相関を計算することができる。このウィンドウのサイズは、ｍａｘＡｌｌｏｗｅｄＰｅｒｉｏｄの２倍、または所定の持続時間（例えば９秒）のいずれか小さい方に設定することができる。次いで、遅延の範囲［ｍｉｎＡｌｌｏｗｅｄＰｅｒｉｏｄ，ｍａｘＡｌｌｏｗｅｄＰｅｒｉｏｄ］内の最も大きな自己相関値が見出され得る。最大自己相関値が生じる遅延は、候補ピークに対する運動期間の推定となり得る。これらの推定を算出した後に、候補ピークを受け入れるかどうかを考察するときに、候補ピークと前の選択されたピークの間の最小許容距離としてｍｉｎＡｌｌｏｗｅｄＰｅｒｉｏｄを用いることができないことを除いて、上述のフィルタリングプロセスを繰り返すことができる。むしろ最小許容距離は、その候補ピークに対して推定される期間の３／４、または他の適した比率に等しく設定され得る。この縮小された１組の候補ピークは、カウント方法の次の工程への入力となり得る。

[0069] 次に１組の候補ピークは、ピーク振幅に基づいてフィルタリングすることができる。候補ピークのすべては再び振幅に基づいてソートすることができ、百分率で４０番目に最も大きなピーク（例えば１０個の候補ピークがある場合は、第４の最も大きなピーク）が指定される。このピークの振幅の半分より小さい振幅を有するすべてのピークは無視され得る。この方法は、運動反復は、高い加速度を有する動作を必要とするので、一般に大きな振幅ピークを有すると仮定する。さらに運動の組内で、反復のすべてはほぼ同じ振幅を有すると仮定され得る。言い換えれば、すべてのピークはほぼ、最も大きなピークのうちの１つの大きさとなる。

[0070] ＰＣＡによって見出される１次元信号の符号は不定となる。しかしこの問題はいくつかの方法で対処することができる。一部の運動に対しては、確実に「上向き」に対応する特定の加速度計軸が存在する場合があり、各反復はこの「上向き」方向に１つのピークを有する。例として挙手跳躍運動、および特定のセンサの組における「ｘ」軸が、そのようになり得る。これらの運動に対してＰＣＡ投影はさらに、投影における「上向き」軸の符号が正となるように操作することができ、この例の１次元信号において、ピークをカウントすることを可能にする。コントローラ２２０はピーク数を反復数として指定することができ、方法はさらに反復数を出力するステップを含むことができる。

[0071] カウント方法は、ピークをカウントするために１回、およびバレーをカウントするために１回の、２回実行することができる。１つの例では方法は、１組の候補バレーを決定し、局所的周期推定を用いて１組の候補バレーをフィルタリングし、１組の候補バレーをフィルタリングし、１組の候補バレーから候補バレー数をカウントし、バレー数をピーク数と比較し、バレー数とピーク数の大きい方を反復数として指定し、反復数を出力するステップを含む。

[0072] ユーザが反復身体活動または運動に活発に取り組んでいる間にカウント方法が行われる例では、ＰＣＡ軸が時間と共に変化し、振幅ベースの除去の基準も時間と共にシフトし得るので、ピークカウント方法の出力は、１つのフレームから次のフレームへと減少する可能性があり得る。減少する反復カウントによってユーザを混乱させるのを防ぐために、方法はカウントが減少することを許容しないようにすることができる。

[0073] いくつかの例ではユーザは、目標反復数を追い求めて、反復身体活動または運動を行っている場合がある。この例ではカウント方法はさらに、身体活動属性に基づいてユーザが反復運動を行うのを止めたことを判断する工程、カウント方法によって決定された反復数を目標反復数と比較する工程、およびカウント方法によって決定された反復数が目標数の閾値（例えば２）内であるときに、ユーザが反復運動を完了したことを示す工程を含むことができる。

[0074] さらに身体活動監視デバイスは、ゲーム体験を拡大する方法の一部として使用することができる。これは、ユーザがゲーム機体験をして、それを実世界に拡張することを可能にすることができる。ユーザは家の中でゲームを行い、ゲームはさらに、家の外の（あるいは伝統的でない）、ＰＡＭＤを使用するアクティブゲーム概念を組み入れることができる。これは、ゲーム機のごく近傍の外側でのユーザの行動が最終的にゲームプレーの側面として用いられながら、ユーザが実世界でゲームすることを可能にすることができる。例えば、ユーザによって制御されるアバターまたはゲームキャラクタは、ユーザが所定の期間または距離を走る間に、ユーザによって燃焼されたカロリー数に基づいて、より強力になることができる。

[0075] 図７は、ＰＡＭＤを使用してゲーム体験を拡大する１つの例示の方法７００を示す。７０２で方法７００は、ＰＡＭＤにおいてゲームシステムから、行われるべき１つまたは複数の身体活動の指示を受け取るステップを含むことができる。身体活動は、ゲームシステム上でプレーされているゲームの拡張として行うことができる。例えばゲームは、ユーザに外で走るように告げることができ、ユーザは途中に、規則的な距離マーカまたはカロリー燃焼目標において宝石を解錠し、それにより家の中でのゲームプレー内のユーザのレベルを高めることができる。いくつかの例ではゲームは、ユーザに所定の数の腕立て伏せをするように告げることができ、腕立て伏せが行われるのに従ってゲームプレーにおけるユーザのゲームスコアをさらに高めることができる。

[0076] ７０４で方法７００は、身体活動監視デバイスを着用したユーザの身体活動属性を測定するステップを含むことができる。上述のようにＰＡＭＤは、いつユーザが身体活動または運動に取り組んでいるかを自動的に決定するように構成することができ、さらにユーザによって着手された身体活動または運動のタイプを自動的に決定するように構成することができる。これはさらにゲームシステムが、多様な身体活動または運動をユーザに割り当てることを可能にし得る。

[0077] ７０６で方法７００は、身体属性に基づいて、１つまたは複数の身体活動の完了に向けてのユーザの進捗を決定することができる。上述のようにＰＡＭＤは、反復身体活動または運動の反復をカウントするように構成することができ、さらにＧＰＳおよび／また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監視するように構成することができる。これはＰＡＭＤがユーザに追跡メトリクスをもたらし、完了に向けてのユーザの進捗を示すことを可能にし得る。

[0078] ７０８で方法７００は、１つまたは複数の身体活動の完了に向けてのユーザの進捗の指示を、ゲームデバイスに出力するステップを含むことができる。ＰＡＭＤは、ユーザが１つまたは複数の身体活動を行うのに従って、例えば通信サブシステム２５０によってゲームシステムと通信することができる。これは、ゲームデバイスからユーザに、ゲーム内フィードバックが届けられることを可能にし得る。ＰＡＭＤおよび／またはゲームシステムはさらに、パーソナルコンピュータ、携帯電話、または他のデバイスにデータを同期するように構成することができ、データ統合化および記録を可能にする。

[0079] 方法７００はさらに、１つまたは複数の身体活動の完了に向けての進捗によって影響されるのに従って、ゲームの情報をユーザに知らせるステップを含むことができる。これは、ユーザがゲームシステムに関与している間、およびゲームシステムの近傍の外部でＰＡＭＤを用いている間の両方で、ゲームフィードバックを受け取ることを可能にし得る。１つの例では、これはユーザが、彼等のゲームスコアまたはゲームプレーの他の側面に影響する達成を獲得しながら、ゲームプレーを続けることを可能にし得る。

[0080] 方法７００はさらに、身体活動監視デバイスにおいて、１つまたは複数の身体活動を行うユーザに対する１つまたは複数の現在のバイオメトリックマーカを計算すること、および／または１つまたは複数の現在のバイオメトリックマーカをユーザに知らせることを含むことができる。ＰＡＭＤは、心拍数および個人仕様の心拍数ゾーンに関する情報、対象となったルートを見るためのＧＰＳ位置情報、距離、かかった歩数、運動の持続時間、行われた反復数、時刻、１つまたは複数の身体活動を行うユーザによって燃焼されたカロリーの量、および他の関連のある現在のバイオマーカによって、フィットネス追跡のための関連のあるフィードバックをユーザにもたらすように構成され得る。

[0081] 本開示によるＰＡＭＤは、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ためにユーザによって用いられ得る。さらにＰＡＭＤは、ワークアウトを通してユーザを案内し、ワークアウト時のユーザの進捗を監視するように構成され得る。言い換えれば、身体活動監視デバイスは身体トレーナとして働くことができる。

[0082] 図８は、ＰＡＭＤのユーザを訓練する方法８００を示す。８０２で方法８００は、複数の運動を含むワークアウト計画をＰＡＭＤにおいて受け取るステップを含むことができる。１つの例ではユーザは、パーソナルコンピュータ、携帯電話、またはゲーム機上で稼働するアプリケーション上でワークアウトをブラウズし、選択し、そのワークアウト計画をＰＡＭＤに（例えば通信サブシステム２５０を通じて）送出させることができる。

[0083] ８０４で、ワークアウト計画に含まれる複数の運動のそれぞれに対して、方法８００はユーザに運動を示すステップを含むことができる。ＰＡＭＤは、ユーザにワークアウト計画を通して一歩一歩進ませる情報を表示するように構成された、表示サブシステム２８０および／またはオーディオサブシステムを含むことができる。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に要求することができる。ＰＡＭＤはユーザに、１０回の腕立て伏せを行う、２マイル走るなどを示すことができる。

[0084] ８０６で方法８００は、上述のようにユーザによって着用されたＰＡＭＤによって、ユーザの身体活動属性を測定するステップを含むことができる。８０８で方法８００は、身体活動属性に基づいて運動の完了に向けてのユーザの進捗に関する情報を出力するステップを含むことができる。例えばユーザが腕立て伏せを行う間に、ＰＡＭＤは活動を認識し、完了した反復数、またはワークアウトにおけるその運動に対する残りの反復数をカウントすることができる。ＰＡＭＤは、反復数を動的に表示し、ならびにユーザの心拍数、燃焼されたカロリー、ワークアウトに費やされた時間、およびユーザによって現在行われているワークアウトまたは身体活動または運動に関連のある他のメトリクスに関するフィードバックを表示することができる。

[0085] ユーザが、ＰＡＭＤによって示された運動を完了した場合は、方法はさらに、運動が完了されたことをユーザに知らせるステップを含むことができる。例えばユーザが運動を完了した場合は、聞こえるアラームまたは物理的な振動が、ユーザは身体活動または運動を完了したこと、およびワークアウト計画における次の身体活動または運動に取り掛かるべき時であることを知らせることができる。

[0086] ８１０で方法８００は、ワークアウト計画が完了したかどうかを判定するステップを含むことができる。ワークアウト計画が、済んでいない運動を含む場合は、方法８００は８０４に戻ることができ、そこで方法８００は、次の運動をユーザに知らせるステップを含むことができる。１つの例では、表示サブシステム２８０によって表示される情報は、ユーザに次の運動を知らせるように変化することができる。いくつかの例ではＰＡＭＤは、聞こえるキューをユーザにもたらすことができる。ワークアウト計画が完了された場合は、ＰＡＭＤは終了することができ、さらにワークアウトの終了をユーザに知らせることができる。

[0087] いくつかの実施形態では上述の方法およびプロセスは、１つまたは複数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ることができる。具体的にはこのような方法およびプロセスは、コンピュータアプリケーションプログラムまたはサービス、アプリケーションプログラミングインターフェース（API）、ライブラリ、および／または他のコンピュータプログラム製品として実施することができる。

[0088] 図２に戻ると、身体活動監視デバイス２００は、論理マシン２１５およびストレージマシン２１７を含み、これらは、コントローラ２２０、管理された分類器２３０ａ、管理された分類器２３０ｂ、アグリゲータ２４０、通信サブシステム２５０、リポータ２６０、投票機２７０、および／または表示サブシステムをインスタンス化するように協力することができる。

[0089] 論理マシン２１５は、命令を実行するように構成された１つまたは複数の物理デバイスを含む。例えば論理マシンは、１つまたは複数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、データ構造体、または他の論理構成体の一部である命令を実行するように構成され得る。このような命令は、タスクを行う、データタイプを実装する、１つまたは複数のコンポーネントの状態を変化させる、技術的効果を達成する、あるいは所望の結果に到達するように実施され得る。

[0090] 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た１つまたは複数のプロセッサを含むことができる。追加または代替として論理マシンは、ハードウェアまたはファームウェア命令を実行するように構成された１つまたは複数のハードウェアまたはファームウェア論理マシンを含むことができる。論理マシンのプロセッサは、単一コアまたはマルチコアとすることができ、その上で実行される命令は、順次、並列、および／また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２つ以上の別々のデバイスの間に分散することができ、これらはリモートに配置されるおよび／または協調処理のために構成され得る。論理マシンの態様は仮想化され、リモートにアクセス可能な、クラウドコンピューティング構成において構成されたネットワーク化されたコンピューティングデバイスによって実行され得る。

[0091] ストレージマシン２１７は、本明細書で述べられた方法およびプロセスを実施するように論理マシンによって実行可能な命令を保持するように構成された、１つまたは複数の物理デバイスを含む。このような方法およびプロセスが実施されたときは、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化され得る。

[0092] ストレージマシン２１７は、リムーバブルおよび／または内蔵デバイスを含むことができる。ストレージマシン２１７は中でも、光メモリ（例えばCD、DVD、HD-DVD、ブルーレイディスクなど）、半導体メモリ（例えばRAM、EPROM、EEPROMなど）、および／または磁気メモリ（例えばハードディスク装置、フロッピディスク装置、テープ装置、MRAMなど）を含むことができる。ストレージマシン２１７は揮発性、不揮発性、ダイナミック、スタティック、リード／ライト、リードオンリ、ランダムアクセス、シーケンシャルアクセス、位置指定可能、ファイル指定可能、および／またはコンテンツ指定可能デバイスを含むことができる。

[0093] ストレージマシン２１７は、１つまたは複数の物理デバイスを含むことが理解されよう。しかし本明細書で述べられる命令の態様は代替として、有限の持続時間の間、物理デバイスによって保持されない通信媒体（例えば電磁信号、光信号など）によって伝搬され得る。

[0094] 論理マシン２１５およびストレージマシン２１７の態様は、１つまたは複数のハードウェアロジック構成要素内に一緒に統合され得る。このようなハードウェアロジック構成要素は、例えばプログラムおよび特定用途向け集積回路（PASIC/ASIC）、またはシステムオンチップ（SOC）を含むことができる。

[0095] 表示サブシステム２８０は、ストレージマシン２１７によって保持されるデータの視覚表示を提示するために用いることができる。この視覚表示は、グラフィカルユーザインターフェース（GUI）の形をとることができる。本明細書で述べられた方法およびプロセスは、ストレージマシンによって保持されるデータを変更し、したがってストレージマシンの状態を変化させるので、表示サブシステム２８０の状態も同様に、基礎をなすデータにおける変化を視覚的に表示するように変化され得る。表示サブシステム２８０は、事実上任意のタイプの技術を利用した１つまたは複数の表示デバイスを含むことができる。このような表示デバイスは、共有された筐体において論理マシン２１５および／またはストレージマシン２１７と組み合わせることができ、またはこのような表示デバイスは周辺装置としての表示デバイスとすることができる。

[0096] 通信サブシステム２５０は、ＰＡＭＤ２００を１つまたは複数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つまたは複数の通信プロトコルに適合する有線および／または無線通信デバイスを含むことができる。非限定的な例として通信サブシステムは、無線電話網、あるいは有線または無線のローカルまたはワイドエリアネットワークを通じて通信するように構成され得る。いくつかの実施形態では通信サブシステムは、ＰＡＭＤ２００がインターネットなどのネットワークを通じて、他のデバイスにおよび／またはそれらから、メッセージを送出するおよび／または受け取ることを可能にし得る。

[0097] ＰＡＭＤ２００がＧＰＳを含む、および／またはユーザに関するバイオメトリックデータを収集するように構成される例では、通信サブシステム２５０は、ユーザについてのデータを１つまたは複数の他のコンピューティングデバイスに送信するように構成することができる。いくつかの例では、ＰＡＭＤ２００および／または１つまたは複数の他のコンピューティングデバイスは、収集され送信され得るデータに関してユーザに通知するように構成することができ、さらＰＡＭＤがユーザに関するデータを収集、送信、あるいは共有することを許可するための同意を、ユーザがもたらすことを可能にするように構成され得る。

[0098] 本明細書で述べられた構成および／または手法は、本質的に例示であること、および数多くの変形が可能であるのでこれらの特定の実施形態または例は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るであろう。本明細書で述べられた特定のルーチンまたは方法は、任意の数の処理方策の１つまたは複数を表すことができる。したがって例示されたおよび／または述べられた様々な動作は、例示されたおよび／または述べられた順序で、他の順序で、並列に、または省略されて行われ得る。同様に上述のプロセスの順序も変更され得る。

[0099] 本開示の主題は、本明細書で開示された様々なプロセス、システムおよび構成、および他の特徴、機能、動作、および／または特性の、すべての新規なおよび自明でない組み合わせおよび部分組み合わせ、ならびにそれらのすべての均等物を含む。

Claims (12)

1. 身体活動監視デバイスにおいて、ゲームシステム上でプレーされているゲームの拡張として行われるべき１つまたは複数の身体活動の指示を前記ゲームシステムから受け取ること、
   前記身体活動監視デバイスにおいて、前記身体活動監視デバイス内に含まれた１つまたは複数のセンサを含むセンサアレイから、前記身体活動監視デバイスを着用したユーザの身体活動属性を示す加速度計およびジャイロスコープからのデータを含む信号情報を受けること、
   前記身体活動監視デバイスにおいて、前記身体活動属性に基づいて、前記１つまたは複数の身体活動の完了に向けての前記ユーザの進捗を決定すること、
   前記身体活動監視デバイスにおいて、前記加速度計およびジャイロスコープから受け取られる前記データの次元数を縮小する主成分分析を用いて得られた、次元が縮小された信号のピーク数をカウントすることを含むカウント方法を用いて、前記ユーザによって行われた反復身体活動の反復数を決定すること、および、
   前記１つまたは複数の身体活動の完了に向けての前記ユーザの進捗の指示を、前記身体活動監視デバイスから前記ゲームシステムに出力すること
   を含む、方法。
2. 前記ゲームの情報を前記ユーザに知らせるステップをさらに含み、前記ゲームの情報は、前記１つまたは複数の身体活動の完了に向けての進捗によって影響されるのに従って更新される、請求項１に記載の方法。
3. 前記身体活動監視デバイスにおいて、前記１つまたは複数の身体活動を行っている前記ユーザに対する１つまたは複数の現在のバイオメトリックマーカを計算することをさらに含む、請求項１に記載の方法。
4. １つまたは複数の現在のバイオメトリックマーカを前記ユーザに知らせることをさらに含む、請求項３に記載の方法。
5. 前記１つまたは複数の現在のバイオメトリックマーカは、前記１つまたは複数の身体活動を実行する前記ユーザによって燃焼されたカロリーの量を含む、請求項４に記載の方法。
6. 前記身体活動監視デバイスにおいて、前記身体活動属性に基づいて、前記ユーザが前記身体活動に活発に取り組んでいる時間間隔を自動的に決定する、請求項１に記載の方法。
7. 前記ユーザが前記身体活動に活発に取り組んでいる時間間隔を決定することは、
   前記センサアレイで前記ユーザの前記身体活動属性を表す信号情報を取得すること、
   前記信号情報を重なり合う区分に分割すること、
   各重なり合う区分に対して、所定の信号特性を識別すること、および
   重なり合う区分の間でユーザが身体活動に活発に取り組んでいる場合、管理された分類器を用いて、各重なり合う区分に対して所定の信号特性を分析すること
   を含む、請求項６に記載の方法。
8. 前記管理された分類器は、サポートベクターマシンを含み、前記所定の信号特性を分析することは、
   複数のユーザが複数のタイプの身体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を用いて、サポートベクターマシンを訓練すること、
   あるタイプの身体活動に取り組んでいるユーザを表す、１組の変換ベクトルおよび重みベクトルを発生すること、
   前記所定の信号特性に前記１組の変換ベクトルおよび重みベクトルを乗算して、複数の乗算結果を取得すること、
   乗算結果を複数の所定の活動のそれぞれを表すデータセットと比較することであって、前記データセットは機械学習を通して予め決定されていること、および、
   あるタイプの身体活動を表すものとして、重なり合う区分を分類すること
   を含む、請求項７に記載の方法。
9. 前記身体活動監視デバイスは、前記ユーザが身体活動に活発に取り組んでいる可能性が高い、複数の分類された重なり合う区分によって定義される時間間隔を決定するように構成された、アグリゲータをさらに含む、請求項８に記載の方法。
10. 前記カウント方法が、
    １組の候補ピークを決定すること、
    局所的周期推定を用いて、前記候補ピークをフィルタリングすること、
    振幅統計を用いて、前記候補ピークをフィルタリングすること、および、
    前記ピーク数を出力すること
    をさらに含む、請求項１に記載の方法。
11. 前記カウント方法が、
    １組の候補バレーを決定すること、
    局所的周期推定を用いて、前記候補バレーをフィルタリングすること、
    振幅統計を用いて、前記候補バレーをフィルタリングすること、
    前記次元が縮小された信号のバレー数をカウントすること、
    前記バレー数を前記ピーク数と比較すること、
    前記バレー数と前記ピーク数の大きい方を、反復数として指定すること、および、
    前記反復数を出力すること
    をさらに含む、請求項１０に記載の方法。
12. 身体活動監視デバイスであって、
    ゲームシステム上でプレーされているゲームの拡張として行われるべき１つまたは複数の身体活動の指示を前記ゲームシステムから受け取るように構成された通信サブシステムと、
    前記身体活動監視デバイスを着用したユーザの身体活動属性を示す加速度計およびジャイロスコープからのデータを含む信号情報を提供するように構成された１つまたは複数のセンサを含むセンサアレイと、
    前記センサアレイで前記ユーザの前記身体活動属性を表す信号情報を取得すること、
    前記信号情報を重なり合う区分に分割すること、
    各重なり合う区分に対して、所定の信号特性を識別すること、
    重なり合う区分の間でユーザが身体活動に活発に取り組んでいるかどうかを認識するように訓練された、管理された分類器を用いて、各重なり合う区分に対して所定の信号特性を分析すること、
    前記身体活動属性に基づいて、前記ユーザが前記身体活動に活発に取り組んでいる時間間隔を自動的に決定すること、
    前記ユーザが前記身体活動に活発に取り組んでいる時間間隔の間、前記身体活動属性に基づいて、前記１つまたは複数の身体活動の完了に向けての前記ユーザの進捗を決定すること、および、
    前記身体活動監視デバイスにおいて、前記加速度計および前記ジャイロスコープから受け取られる前記データの次元数を縮小する主成分分析を用いて得られた、次元が縮小された信号のピーク数をカウントすることを含むカウント方法を用いて、前記ユーザによって行われた反復身体活動の反復数を決定すること
    を行うように、機械学習プロセスで訓練されたコントローラと、
    前記１つまたは複数の身体活動の完了に向けての前記ユーザの進捗の指示を、前記ゲームシステムに出力するように構成されたリポータと
    を備える、身体活動監視デバイス。