JP6724984B2 - 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

Description

本発明は、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。

高齢者の中には歩行等、日常での移動に問題を抱えて入る者が多い。したがって、日常での高齢者の移動能力を把握することは、医療従事者の関心を集めている。

これを正しく把握するためには、歩行や階段昇降、自転車、ターンなどの日常でよく行われる運動の仕方をセンサで定量化することが重要である。そのためには、まず、運動が行われていた期間（以下、「運動期間」という。）を正しく検出できる必要が有る。

従来、ウェアラブルセンサのデータから機械学習を適用して運動期間を検出する手法が提案されている。

例えば、被験者の身体の５箇所にセンサが装着され、歩行、走行、階段のぼる等、各種運動時のセンサデータが予め収集される。当該センサデータが利用されて、データの特徴量から運動種別を判別する学習モデルが決定木により学習される。当該学習モデルがテストデータに適用されて運動が判定される（非特許文献１参照）。

また、人によって運動の仕方が違うことから、人毎にモデルが学習されることで、運動の判定に関して高精度化が図られている（非特許文献２参照）。

しかし、患者の学習データを大量に集めることは困難である。

そこで、学習データ収集のコストを削減するため、少量の学習データとラベル無しデータとが使われて、運動期間の推定モデルを作る手法が提案されている。

例えば、既に得られている学習データから複数個の推定モデルが作られる。ラベル無しデータに複数個の推定モデルが適用されて全ての推定結果が一致した場合に、そのラベル無しデータが学習データに追加される手法（Ｅｎ−Ｃｏ−Ｔｒａｉｎｉｎｇ）が提案されている（非特許文献３）。

また、既に得られている別人の学習データが転移されて、本人の推定モデルが構築される手法もある。例えば、まず、人物Ａの学習データが使われて決定木が学習される。その後に、人物Ｂのラベリングされてない観測データが使われて決定木が改変される手法（ＴｒａｎｓＥＭＤＴ）が提案されている（非特許文献４）。具体的には、高い確信度で判別された場合に、決定木の閾値が更新されていくという方法である。

Bao,「Activity Recognition from User-Annotated Acceleration Data」,2004 Weiss,「The Impact of Personalization on Smartphone-Based Activity Recognition」, 2012 Guan,「Activity recognition based on semi-supervised learning」,2007 Zhao,「Cross-People Mobile-Phone Based Activity Recognition」,2007

しかしながら、非特許文献３の手法では、人によって動き方が異なるため、最適な推定モデルを学習することが困難である。

また、非特許文献４の手法では、推定が上手くいくか否かは、事前に得られた学習モデルに依存するため、それまでにない動きをする新規ユーザに関する推定は失敗する可能性が高い。

そこで、一側面では、対象者、または、対象者の周囲環境、または、対象者の状態によって動き方が変わった場合に、運動期間を正しく検出可能とすることを目的とする。

一つの案では、情報処理装置は、体の１以上の部位の動きを時系列に示すセンサデータに基づいて、所定の運動が行われたことが推定される期間を特定する特定部と、前記センサデータに基づいて、前記期間における動作群を検出する検出部と、検出された動作群の特徴に基づいて、当該動作群が前記所定の運動であることの尤度を算出する算出部と、を有する。

一態様によれば、対象者、または、対象者の周囲環境、または、対象者の状態によって動き方が変わった場合に、運動期間を正しく検出可能とすることができる。

第１の実施の形態における運動期間判定装置のハードウェア構成例を示す図である。 第１の実施の形態における運動期間判定装置の機能構成例を示す図である。 第１の実施の形態における運動期間判定部の機能構成例を示す図である。 各方向を説明するための図である。 運動種別ごと身体部位ごとに検出される必現動作を示す図である。 左右交互度を説明するための図である。 間隔一致度を説明するための図である。 速度一致度を説明するための図である。 逆足支持度を説明するための図である。 両足着地度を説明するための図である。 同時移動度を説明するための図である。 着地時屈曲度を説明するための図である。 離地時屈曲度を説明するための図である。 上下交互度を説明するための図である。 同時衝撃度を説明するための図である。 運動種別ごとに算出対象の特徴尤度を示す図である。 尤度算出ルールの関数例を示す図である。 必現パターンの各特性と各特徴尤度との対応関係を示す図である。 第１の実施の形態における運動期間判定装置が実行する処理手順の一例を説明するためのフローチャートである。 判定対象の運動種別の設定例を示す図である。 候補期間の抽出例を示す図である。 各候補期間の運動種別の確定結果の一例を示す図である。 第１の実施の形態における運動期間判定処理の処理手順の一例を説明するためのフローチャートである。 パラメータセットの一例を示す図である。 フィルタ通過帯域の一例を示す図である。 フィルタリングの前後のセンサデータとピーク点との一例を示す図である。 複数のピークの統合を示す図である。 動作範囲の特定方法の一例を示す図である。 動作範囲の特定によって得られる情報を示す図である。 尤度算出ルール群の一例を示す図である。 必現動作検出器ごとに必現パターン尤度の算出結果の一例を示す図である。 動作間特徴量の抽出処理の処理手順の一例を説明するめのフローチャートである。 候補動作ごとの動作間特徴量の抽出結果の一例を示す図である。 特徴尤度の算出処理の処理手順の一例を説明するためのフローチャートである。 左右交互尤度の算出例を示す図である。 必現パターン尤度の算出処理の処理手順の一例を説明するためのフローチャートである。 必現パターン尤度に対する運動種別ごとの所定範囲の一例を示す図である。 「歩行」に関する運動期間の判定結果の一例を示す図である。 「歩行」に関する運動期間の判定結果に運動特徴量が追加された例を示す図である。 運動特徴量の可視化の例を示す図である。 様々な歩き方に対して本実施の形態を適用した場合の「歩行」の運動期間の判定結果の一例を示す図である。 第１の実施の形態における運動期間判定装置の第２の機能構成例を示す図である。 第１の実施の形態における運動期間判定装置の第３の機能構成例を示す図である。 候補動作群を歩行動作と非歩行動作とに分類した例を示す図である。と非対象期間との分類の結果例を示す図である。 第２の実施の形態における動作間特徴量の抽出例を示す図である。 候補動作群を歩行動作と非歩行動作とに分類するための方針を説明するための図である。 各候補動作に各状態を割り当てた例を示す図である。 第２の実施の形態における運動期間判定部の機能構成例を示す図である。 第２の実施の形態における運動期間判定処理の処理手順の一例を説明するためのフローチャートである。 候補期間の分類処理の処理手順の一例を説明するためのフローチャートである。 第２の実施の形態における尤度算出ルールを説明するための図である。 隠れマルコフモデルにおける状態観測確率の算出結果の一例を示す図である。 状態遷移確率情報の第１の例を示す図である。 初期状態確率情報の一例を示す図である。 最適の状態系列の一例を示す図である。 対象期間の特定結果の一例を示す図である。 第２の実施の形態における１つの候補期間に対する１つの必現動作検出器に基づく運動期間の判定結果の一例を示す図である。 第２の実施の形態における１つの候補期間に対する全ての必現動作検出器に基づく運動期間の判定結果の一例を示す図である。 １つの候補期間に対する全ての必現動作検出器に基づく運動期間の判定結果の評価値の一例を示す図である。 「階段下り」の状態遷移の一例を示す図である。 状態遷移確率情報の第２の例を示す図である。 状態遷移確率情報が利用されて候補動作群に状態が割り当てられた結果例を示す図である。 足底圧データの一例を示す図である。 足底圧データに基づく必現動作の検出例を示す図である。 上半身の動作を表すセンサデータの一例を示す図である。 上半身動作データのうち上下方向の振動を表すデータの一例を示す図である。 第５の実施の形態における運動期間判定部の機能構成例を示す図である。 第５の実施の形態における運動期間判定処理の処理手順の一例を説明するためのフローチャートである。 各必現動作の動作特徴量の一例を示す図である。 必現動作検出器の種別ごとに遊脚動作に関して設定された基準値パラメータの例を示す図である。 尤度要素の算出方法の一例を説明するための図である。 必現パターン尤度及び必現動作尤度に基づく評価値の算出結果の一例を示す図である。 パラメータリストの再設定を説明するための図である。

以下、図面に基づいて本発明の実施の形態を説明する。図１は、第１の実施の形態における運動期間判定装置のハードウェア構成例を示す図である。図１の運動期間判定装置１０は、それぞれバスＢで相互に接続されているドライブ装置１００、補助記憶装置１０２、メモリ装置１０３、ＣＰＵ１０４、及びインタフェース装置１０５等を有する。

運動期間判定装置１０での処理を実現するプログラムは、記録媒体１０１によって提供される。プログラムを記録した記録媒体１０１がドライブ装置１００にセットされると、プログラムが記録媒体１０１からドライブ装置１００を介して補助記憶装置１０２にインストールされる。但し、プログラムのインストールは必ずしも記録媒体１０１より行う必要はなく、ネットワークを介して他のコンピュータよりダウンロードするようにしてもよい。補助記憶装置１０２は、インストールされたプログラムを格納すると共に、必要なファイルやデータ等を格納する。

メモリ装置１０３は、プログラムの起動指示があった場合に、補助記憶装置１０２からプログラムを読み出して格納する。ＣＰＵ１０４は、メモリ装置１０３に格納されたプログラムに従って運動期間判定装置１０に係る機能を実行する。インタフェース装置１０５は、ネットワークに接続するためのインタフェースとして用いられる。

なお、記録媒体１０１の一例としては、ＣＤ−ＲＯＭ、ＤＶＤディスク、又はＵＳＢメモリ等の可搬型の記録媒体が挙げられる。また、補助記憶装置１０２の一例としては、ＨＤＤ（Hard Disk Drive）又はフラッシュメモリ等が挙げられる。記録媒体１０１及び補助記憶装置１０２のいずれについても、コンピュータ読み取り可能な記録媒体に相当する。

図２は、第１の実施の形態における運動期間判定装置の機能構成例を示す図である。図２において、運動期間判定装置１０は、データ収集部１１、データ前処理部１２、運動期間判定部１３、及びデータ加工部１４等を有する。これら各部は、運動期間判定装置１０にインストールされた１以上のプログラムが、ＣＰＵ１０４に実行させる処理により実現される。運動期間判定装置１０は、また、判定結果記憶部１５を利用する。判定結果記憶部１５は、例えば、補助記憶装置１０２、又は運動期間判定装置１０にネットワークを介して接続可能な記憶装置等を用いて実現可能である。

データ収集部１１は、人体に装着されたセンサからセンサデータ（動作センサデータ）を収集し、収集したセンサデータを、例えば、補助記憶装置１０２に記憶する。センサデータとは、例えば、ジャイロ（角速度）データ及び加速度データとを時系列に含むデータである。図２には、センサの一例として、左足用センサデバイス３０Ｌ及び右足用センサデバイス３０Ｒ等が示されている。

左足用センサデバイス３０Ｌは、例えば、左足首に装着されるセンサである。右足用センサデバイス３０Ｒは、例えば、右足首に装着されるセンサデバイスである。本実施の形態では、現場で求められるシステムの要件として、患者のセンサ装着の負担が少ないことを考慮して、両足首にセンサデバイスが装着される例について説明する。

但し、両足首に限らず、両足の踵、爪先、腿、脛、ポケット、体幹などにセンサが装着されてもよい。例えば、図２に示されるように、１又は複数の上半身用センサデバイス３０Ｕが装着されてもよい。上半身用センサデバイス３０Ｕは、上半身に装着されるセンサデバイスである。

なお、各センサデバイスには、少なくとも１軸のジャイロセンサ又は加速度センサが内蔵されている。

各センサデバイスはデータ取得部及びデータ記憶部を有する。データ取得部は、センサデータを取得する。データ記憶部は、センサデータを記憶する。運動期間判定装置１０のデータ収集部１１は、データ記憶部に記憶されているセンサデータをバッチ的または連続的に収集する。

データ前処理部１２は、収集されたセンサデータについて前処理を行う。例えば、データ前処理部１２は、各センサデバイスから収集されたセンサデータ間の時刻同期を行う。時刻同期は、公知の手法によって行われればよい。データ前処理部１２による処理結果は、補助記憶装置１０２に記憶されているセンサデータに上書きされる。

運動期間判定部１３は、センサデバイスが装着された人（以下、「被験者」という。）の運動期間及び運動期間における運動種別等を判定する。運動期間とは、運動が行われていた期間をいう。運動種別とは運動の種別をいう。本実施の形態では、運動種別として、「歩行」、「走り」、「階段下り」、「階段上り」、「スキップ」、「ターン」、「自転車」の７種類が判別される。換言すれば、これら７種類のいずれかまたは複数の運動に関する運動期間が判定される。例えば、平地を真っ直ぐ歩いた場合は、「歩行」の運動期間のみが出力され、歩く途中にターンした場合は、「歩行」と「ターン」の運動期間が重複して出力される。運動期間判定部１３による判定結果は、判定結果記憶部１５に記憶される。なお、「ターン」とは、方向転換をする運動をいう。「自転車」とは、自転車をこぐ運動をいう。なお、運動種別とは、上記に限定されず、「立つ」、「座る」、「寝る」、「起きる」、「物を拾う」、「手を洗う」、「顔を洗う」、「ドアを開ける」、「ドアを閉める」、「歯を磨く」、などを含んでもよい。

データ加工部１４は、運動期間判定部１３による判定結果を、例えば、可視化に適した形式に加工する。加工されたデータは、出力装置２０の可視化部２１によって可視化（出力）される。出力装置２０は、例えば、表示装置、プリンタ等である。

運動期間判定部１３について更に詳細に説明する。図３は、第１の実施の形態における運動期間判定部の機能構成例を示す図である。図３において、運動期間判定部１３は、運動種別選択部１１１、データ読出部１１２、候補期間抽出部１１３、検出器設計部１１４、必現動作検出部１１５、動作間特徴量抽出部１１６、特徴尤度算出部１１７、必現パターン尤度算出部１１８、検出器選択部１１９、及び運動期間比較部１２０等を含む。また、運動期間判定部１３は、検出パラメータ記憶部１５１及びルール記憶部１５２を利用する。これら各記憶部は、例えば、補助記憶装置１０２、又は運動期間判定装置１０にネットワークを介して接続可能な記憶装置等を用いて実現可能である。

運動種別選択部１１１は、運動期間の判定対象とする運動種別を選択する。すなわち、本実施の形態では、各運動種別について順番に運動期間の判定が行われる。以下、選択中の運動種別を「対象運動種別」という。

データ読出部１１２は、補助記憶装置１０２から複数部位（例えば、両足首）のセンサデータを読み出す。

候補期間抽出部１１３は、複数部位のセンサデータに基づいて、運動期間の候補である候補期間を抽出する。運動期間の候補とは、運動が行われたことが推定される期間をいう。通常、複数の候補期間が抽出される。複数部位とは、例えば、「左足首と右足首」である。但し、「左足首と腰」又は「左足ポケットと腰」等、他の組み合わせが採用されてもよい。

検出器設計部１１４及び必現動作検出部１１５は、センサデータに基づいて、各候補期間に関して必現動作を検出するための処理を実行する。どんな人であっても、或る運動を行った時には、その運動に応じた部分動作が、その運動固有の方法で発生する。例えば、「歩行」であれば、「片足を前に出す」という部分動作が現れ、当該部分動作を左右交互に行っている。また、「自転車」であれば、人でも、「片足を回転する」という部分動作が現れ、当該部分動作を左右逆位相で行っている。本実施の形態ではこのような部分動作を「必現動作」と呼ぶ。本実施の形態において、必現動作は、片足を前方に移動させる「遊脚動作」、片足が着地する「着地動作」、上半身を前方に移動させる「移動動作」、ある部位を左右方向に回転させる「回転動作」の４種類に分類される。

必現動作は、１つ以上の関節の回転に伴って起こる動作であるため、或る部位の或る軸方向のセンサデータにおいて、（大なり小なりの）ピークとして現れる。必現動作検出部１１５は、このピークを検出することで、必現動作の発生時点を特定する。例えば、遊脚動作の検出は、足の矢状面方向の角速度信号のピーク検出により行われる。着地動作の検出は、足又は上半身の上下方向の加速度信号、又は足裏圧力信号のピーク検出により行われる。移動動作の検出は、上半身の前後方向の加速度信号のピーク検出により行われる。回転動作の検出は、対象部位の横断面方向の角速度信号のピーク検出により行われる。

なお、矢状面方向等の各方向を図４に示す。図４の（Ａ）には、矢状面方向、横断面方向、及び冠状面方向が示されている。（Ｂ）には、前後方向、左右方向、及び上下方向が示されている。（Ｃ）は被験者を右側から見た図であり、矢状面方向の正方向の回転が示されている。（Ｄ）は被験者を上側から見た図であり、横断面方向の正方向の回転が示されている。

必現動作は、運動種別に応じて異なる。したがって、必現動作検出部１１５は、対象運動種別に対応した必現動作を検出する。運動種別ごと身体部位ごとに、いずれの必現動作が検出されるのかを図５に示す。図５の「身体部位」において、足とは、脛、腿など臀部から足首までに至る身体部位、または、その身体部位と同位置にある着用物の一部のいずれかであってよい。また、上半身とは、腰、胸、背中、頭、腕、手首など臀部より上部の身体部位、または、その身体部位と同位置にある着用物の一部のいずれであってよい。更に、足先とは、爪先、踵、甲、足裏など足首から爪先に至る身体部位、または、その身体部位と同位置にある着用物の一部のいずれかであってよい。着用物とは、衣類、靴、腕時計、眼鏡などを指す。

なお、必現動作検出部１１５は、複数種類の検出方法によって必現動作の検出を試みる。例えば、単に「歩行」であっても、速く歩く場合、遅く歩く場合等、様々な状態に応じて必現動作の現れ方が異なるからである。このような検出方法ごとに、検出のための条件を示すパラメータ（以下、「検出パラメータ」という。）が検出パラメータ記憶部１５１に記憶されている。本実施の形態では、各検出方法を、「必現動作検出器」という。検出器設計部１１４は、検出パラメータに基づいて、「速く歩行」を検出するための必現動作検出器や、「遅く歩行」を検出するための必現検出器等、複数の必現動作検出器を生成する。必現動作検出部１１５は、は、それぞれの必現動作検出器に基づいて、必現動作を検出する。

なお、必現動作検出部１１５によって必現動作として検出される動作は、厳密には、必現動作の候補である。当該動作は、必現動作として確定されていないからである。そこで、必現動作検出部１１５によって必現動作として検出される動作を、以下「候補動作」という。また、一つの候補期間から抽出される候補動作の集合を、「候補動作群」という。

動作間特徴量抽出部１１６は、必現動作検出部１１５によって検出された各候補動作群について、候補動作間の特徴量（以下、「動作間特徴量」という。）を抽出する。本実施の形態では、動作間特徴量として、左右交互度、間隔一致度、速度一致度、逆足支持度、両足支持度、同時移動度、着地時屈曲度、離地時屈曲度、上下交互度、及び同時衝撃度の１０種類の動作間特徴量が抽出される。

左右交互度は、遊脚動作を左右交互に行っていることを示す動作間特徴量である。左右交互度は、１又は０によって表現される。１は、候補動作群を発生時刻順に並べた場合に、或る候補動作の属する側の脚が直前の動作のそれと異なることを示す。０は、候補動作群を発生時刻順に並べた場合に、或る候補動作の属する側の脚が直前の動作のそれと同じであることを示す。

図６は、左右交互度を説明するための図である。図６の左側のグラフは、左足及び右足のそれぞれの矢状面方向のジャイロデータを示す。円で囲まれた部分は、ピークである。図６には、各候補動作（ピーク）に係る足が交互である例が示されている。したがって、各候補動作の左右交互度は、１である。仮に、左、左と続いた場合、少なくとも２番目の左の左右交互度は、０である。

間隔一致度は、遊脚動作の時間間隔がおよそ同じであることを示す動作間特徴量である。間隔一致度は、前後の候補動作間の時間間隔が、基準値にどれだけ近いかを表す数値によって表現される。

図７は、間隔一致度を説明するための図である。前後の候補動作間の時間間隔とは、或る動作と次の動作の時間間隔（Ｔ１）、又は或る動作と同側の次動作の時間間隔（Ｔ２）をいう。また、基準値とは、候補期間でのＴ１又はＴ２の平均値でもよいし、事前に定めた定数値でもよい。なお、図７の右側には、間隔一致度の計算式の例が示されている。

速度一致度は、各遊脚動作の速度がおよそ同じであることを示す動作間特徴量である。速度一致度は、各候補動作のピーク点の高さ（以下、「速度特徴」という。）が、基準値にどれだけ近いかを表す数値によって表現される。

図８は、速度一致度を説明するための図である。図８の左側には、ピーク点の高さが例示されている。また、図８の右側には、速度一致度の計算式の例が示されている。基準値とは、候補期間での速度特徴の平均値でもよいし、事前に定めた定数値でもよい。

逆足支持度は、一方の足の遊脚動作中に、他方の足が止まっていることを示す動作間特徴量である。逆足支持度は、各動作の発生時刻の近傍範囲における、逆側の足の動作量によって表現される。

図９は、逆足支持度を説明するための図である。近傍範囲とは、候補動作発生時刻の前後期間としてもよいし、直前動作の終了点から直後動作の開始点の中間範囲としてもよい。動作量とは、矢状面方向のジャイロデータ又は前後方向の加速度データの平均値、最大値、又は最小値とする。なお、図９の右側には、逆足支持度の計算式の例が示されている。

両足着地度は、着地した後に、両足で立つ期間が有ることを示す動作間特徴量をいう。両足着地度は、或る候補動作が終了してから次の候補動作が開始するまでの期間長によって表現される。

図１０は、両足着地度を説明するための図である。図１０の左側において、△は、候補動作の開始時刻を示し、×は、候補動作の終了時刻を示す。したがって、前の候補動作の×から後の候補動作の△までの期間長が、両足着地度である。また、図１０の右側には、両足着地度の計算式の例が示されている。

同時移動度は、片足の遊脚動作が起こるとほぼ同時に上半身の移動動作が現れていることを示す動作間特徴量である。同時移動度は、２つの特徴を含む。第一特徴は、着地時刻の近傍期間での「上半身前進量」の最小値ｆ_{ｕｐｐｅｒ１}である。第二特徴は、逆足の遊脚時刻の近傍期間での「上半身前進量」の最大値ｆ_{ｕｐｐｅｒ２}である。上半身前進量とは、例えば、上半身の前後方向の加速度データを積分した値、又は上半身の矢状面方向のジャイロデータの平均値等である。

図１１は、同時移動度を説明するための図である。図１１の右側には、同時移動度の計算式の一例が示されている。

着地時屈曲度は、遊脚動作の直後に膝が後ろに曲がることを示す動作間特徴量である。着地時屈曲度は、各候補動作の終了時刻における膝曲げ量によって表現される。

図１２は、着地時屈曲度を説明するための図である。膝曲げ量とは、下肢の矢上面ジャイロの最小値、又は最小値の近傍範囲での変化量若しくは積分値である。

離地時屈曲度は、遊脚動作の直前に膝が後ろに曲がることを示す動作間特徴量である。離地時屈曲度は、各候補動作の開始時刻における膝曲げ量によって表現される。

図１３は、離地時屈曲度を説明するための図である。膝曲げ量とは、下肢の矢上面ジャイロの最小値、又は近傍範囲での変化量若しくは積分値である。

上下交互度は、上半身の前進移動と下半身の前進移動が交互に現れていたことを示す特徴量である。例えば、歩行の場合、片脚を前に出した後に、続いて上半身を前に出す、という動作が上下交互で繰り返し行われる。上下交互度は、上半身の上下方向の加速度データから検出された「着地動作」と、片足の矢状面方向のジャイロデータから検出された「遊脚動作」とのタイミングに基づいて算出される。具体的には、「片足の遊脚動作」が検出されてから「次の遊脚動作」が検出されるまでに、「上半身の着地動作」が発生した回数が上下交互度である。

図１４は、上下交互度を説明するための図である。図１４の例では、前後の遊脚動作の間に着地が２回発生しているため、上下交互度は、２である。

同時衝撃度は、片足が着地したときに、「着地した側の脚」と「上半身」とにおいて同時に着地時の衝撃が起こっていることを示す特徴量である。同時衝撃度は、上半身の上下方向の加速度から検出された「着地動作１」と、片足の上下方向の加速度から検出された「着地動作２」とのタイミングに基づいて算出される。具体的には、「着地動作２」と発生時刻が最も近い「着地動作１」との発生時間差が同時衝撃度である。

図１５は、同時衝撃度を説明するための図である。図１５において、破線の矩形で囲まれた着地１と着地２との発生時間差が、同時衝撃度である。

図３に戻る。特徴尤度算出部１１７は、動作間特徴量を特徴尤度に変換する。特徴尤度とは、動作間特徴量が対象運動種別にとって尤もらしい度合いを示す指標である。すなわち、特徴尤度は、運動種別に依存する値であるため、同じ動作間特徴量の値に対して、運動種別ごとに異なった値が算出されうる。ルール記憶部１５２には、運動種別ごと、かつ、特徴尤度の種別ごとに、特徴尤度を算出するためのルール（以下、「尤度算出ルール」という。）が記憶されている。特徴尤度算出部１１７は、対象運動種別に対応する尤度算出ルールを動作間特徴量に適用して、特徴尤度を算出する。なお、本実施の形態において、特徴尤度の値は、０以上１以下である。

左右交互度の特徴尤度を、左右交互尤度という。例えば、対象運動種別が「歩行」であれば、「歩行中は左右交互に遊脚動作を行うのが尤もらしい」ので、左右交互度が１であれば、左右交互尤度を高くするような尤度算出ルールが適用される。

間隔一致度の特徴尤度を、間隔一致尤度という。例えば、対象運動種別が「歩行」であれば、「歩行中は遊脚動作の時間間隔はバラつかないのが尤もらしい」ので、間隔一致度が小さいほど間隔一致尤度を高くするような尤度算出ルールが適用される。

速度一致度の特徴尤度を、速度一致尤度という。例えば、対象運動種別が「歩行」であれば、「歩行中は速度がバラつかないのが尤もらしい」ので、速度一致度が小さいほど速度一致尤度が高くなるような尤度算出ルールが適用される。

逆足支持度の特徴尤度を、逆足支持尤度という。例えば、対象運動種別が「歩行」であれば、「片足が遊脚している時は、逆足は支持するため、静止(または微小後方回転)するのが歩行らしい」ので、逆足支持度が所定範囲（例えば、負の一定範囲）であれば、逆足支持尤度を高くするような尤度算出ルールが適用される。

両足着地度の特徴尤度を、両足着地尤度という。対象運動種別が「歩行」であれば、「遊脚動作を行う前に両足が着地しているのが尤もらしい」ので、両足着地度が正である(かつ、所定値以下)であるような場合に、両足着地尤度が高くなるような尤度算出ルールが適用される。一方、対象運動種別が「走り」又は「スキップ」の場合は、両足が着地しないことから、両足着地度が負である場合に尤度が高くなるような尤度算出ルールが適用される。

同時移動度の特徴尤度を、同時移動尤度という。例えば、対象運動種別が「歩行」であれば、「倒れないように着地時に上半身が急減速し、その後に前進するために逆足の遊脚動作と同時に上半身が急加速するのが尤もらしい」ため、第一特徴ｆ_{ｕｐｐｅｒ１}が閾値以下、かつ、第二特徴ｆ_{ｕｐｐｅｒ２}が閾値以上である場合に、同時移動尤度が高くなるような尤度算出ルールが適用される。

着地時屈曲度の特徴尤度を、着地時屈曲尤度という。例えば、対象運動種別が「歩行」であれば、「着地時に膝を後方に曲げるのが尤もらしい」ため、着地時屈曲度が高い場合に着地時屈曲尤度が高くなるような尤度算出ルールが適用される。例えば、ジャイロデータの最小値が負であれば着地時屈曲尤度が高くされてもよい。又は、ジャイロデータの積分値が低いほど着地時屈曲尤度が高くされてもよい。又は、ジャイロデータの変化量が正であるほど着地時屈曲尤度が高くされてもよい。

離地時屈曲度の特徴尤度を、離地時屈曲尤度という。例えば、対象運動種別が「歩行」であれば、「着地時に膝を後方に曲げるのが尤もらしい」ため、離地時屈曲度が高い場合に特徴尤度が高くなるような尤度算出ルールが適用される。例えば、ジャイロデータの最小値が負であれば尤度を高くされてもよい。又は、ジャイロデータの積分値が低いほど尤度が高くされてもよい。又は、ジャイロデータの変化量が負であるほど尤度が高くされてもよい。

上下交互度の特徴尤度を、上下交互尤度という。例えば、対象運動種別が「歩行」であれば、「次の遊脚が起こるまでに両足が１回ずつ着地するのが尤もらしい」ため、上下交互度が２である場合に上下交互尤度が高くなるような尤度算出ルールが適用される。なお、上下交互度が２であるという状態は、片側の足の遊脚の前後において着地が２回発生している状態であるため、次の遊脚が起こるまでに両足が１回ずつ着地する状態に該当する。一方、スキップの場合は、両足が２回ずつ着地する特徴があるので、上下交互度が４の場合に上下候補尤度が高くなるような尤度算出ルールが適用される。

同時衝撃度の特徴尤度を、同時衝撃尤度という。例えば、対象運動種別が「自転車」でもなく「ターン」でもない場合は、「上記２つの着地は同時に起こることが尤もらしい」ため、同時衝撃度が閾値以下である場合に同時衝撃尤度が高くなるような尤度算出ルールが適用される。

なお、対象運動種別が「走り」である場合、両足着地尤度以外の特徴尤度の算出方法は、「歩行」の場合と同じである。

また、対象運動種別が「階段下り」である場合、段差を下るために足を大きく後ろに曲げるため、離地時屈曲尤度の算出閾値が歩行時よりも高く設定される。他の特徴尤度の算出方法は「歩行」の場合と同じである。

また、対象運動種別が「階段上り」である場合、段差を上がるために足を大きく後ろに曲げるため、離地時屈曲尤度の算出閾値が歩行時よりも高く設定される。また、この場合、前方への推進力を得るために支持足は膝下を固定して腿を曲げるため、着地時に屈曲しない傾向がある。そこで、着地時屈曲度が小さいほど尤もらしいとする。他の特徴尤度算出方法は「歩行」の場合と同じである。

また、対象運動種別が「自転車」である場合、一方の足を前に出した時に逆足は後方に回転するため、逆足支持度の閾値範囲が歩行時と比べて小さい時に尤もらしい。また、自転車こぐ場合は、着地、離地、および移動動作が無いため、両足着地尤度、同時移動尤度、着地時屈曲尤度、離地時屈曲尤度、上下交互尤度、及び同時衝撃尤度は、算出されなくてよい。

また、対象運動種別が「ターン」である場合、回転速度や回転時間はバラつく可能性が高いので、間隔一致尤度及び速度一致尤度は算出されなくてよい。また、ターンするときに、着地、離地、移動動作は関係ないため、両足着地尤度、同時移動尤度、着地時屈曲尤度、離地時屈曲尤度、上下交互尤度、及び同時衝撃尤度は、算出されなくてよい。

また、対象運動種別が「スキップ」である場合、基本的には「歩行」の場合と同じだが、逆足支持尤度及び上下交互尤度が、「歩行」の場合と異なる。すなわち、「スキップ」するときは、片足の遊脚動作を行っている時に逆足が１度ジャンプするため、逆足も前方回転し、このため逆足支持度が正になることが尤もらしい。また、片足の遊脚動作が１回起こる間に４回の着地が起こるため上下交互度は４になるのが尤もらしい。

なお、運動種別ごとに、いずれの特徴尤度が算出されるのかを図１６に示す。図１６において、○は、算出対象であることを示し、×は、算出対象でないことを示す。また、◎は、「歩行」の場合と算出方法が異なることを示す。

なお、動作間特徴量を特徴尤度に変換する尤度算出ルールは、例えば、動作間特徴量及び基準値の性質に基づいて、例えば、図１７に示されるように、いずれかの関数に基づいて定義される。たとえば、左右交互尤度を算出する場合は二項分布を用いる。上下交互スコアを算出する場合は多項分布を用いる。間隔一致尤度および速度一致尤度および逆足支持尤度を算出する場合は正規分布を用いる。逆足支持尤度および両足着地尤度および同時移動尤度および着地時屈曲尤度および離地時屈曲尤度および同時衝撃尤度を算出する場合は連続一様分布を用いる。同時移動尤度のように２以上のパラメータによって表現される特徴尤度については、各パラメータに対して尤度算出ルールを適用した結果の積が最終的な特徴尤度とされてもよい。

図３に戻る。必現パターン尤度算出部１１８は、各候補動作群について、必現パターンが尤もらしく現れている度合い（以下、「必現パターン尤度」という。）を算出する。

必現パターンとは、２つ以上の必現動作に対する（１）類似性、（２）交互性、（３）同時性、及び（４）順序性の組み合わせにより定義される指標である。

必現動作の類似性とは、左右片側の「必現動作のいずれか」の速度特徴において、類似性が成り立つことをいう。また、必現動作の類似性とは、左右片側の「必現動作のいずれか」の時間間隔特徴において、類似性が成り立つことをいう。したがって、必現動作の類似性は、速度一致尤度及び間隔一致尤度に基づいて評価可能である。

必現動作の交互性とは、右足の「遊脚動作、又は回転動作、又は着地動作」、及び、左足の「遊脚動作、又は回転動作、又は着地動作」において、交互性が成り立つことをいう。また、必現動作の交互性とは、「上半身の移動動作」と「下半身の遊脚動作」が交互に現れていることをいう。したがって、必現動作の交互性は、左右交互尤度及び上下交互尤度に基づいて評価可能である。

必現動作の同時性とは、片足の遊脚動作が現れているときに、逆足の静止度が所定範囲内であることをいう。また、必現動作の同時性とは、片足の遊脚動作と上半身の移動動作が所定時間内に同時に起こることをいう。更に、必現動作の同時性とは、着地動作の衝撃が複数部位で所定時間内に同時に起こることをいう。したがって、必現動作の同時性は、逆足支持尤度、同時移動尤度、及び同時衝撃尤度に基づいて評価可能である。

必現動作の順序性とは、両足が着地している期間が所定範囲内であることをいう。また、必現動作の順序性とは、着地動作が起こった後の姿勢変化が所定範囲内であることをいう。更に、必現動作の順序性とは、遊脚動作が開始する前の姿勢変化が所定範囲内であることをいう。したがって、必現動作の順序性は、両足着地尤度、着地時屈曲尤度、及び離地時屈曲尤度に基づいて評価可能である。

必現パターンの各特性（類似性、交互性、同時性、順序性）と、各特徴尤度との対応関係を、図１８に示す。図１８に示されるように、必現パターン尤度は、各特徴尤度によって評価可能である。換言すれば、必現パターン尤度を算出するために、特徴尤度が算出されるのである。

このように、必現パターンの類似性、交互性、同時性、及び順序性は、各特徴尤度に基づいて評価可能である。したがって、必現パターン尤度算出部１１８は、各特徴尤度に基づいて、各候補動作群の必現パターン尤度を算出する。

但し、必現パターン尤度の評価にいずれの特徴尤度を利用するかは、センサが装着された身体部位に応じて変更される。例えば、左足と右足にセンサが装着される場合、左右交互尤度、間隔一致尤度、速度一致尤度、逆足支持尤度、両足着地尤度、着地時屈曲尤度、及び離地時屈曲尤度が利用される。

なお、必現パターン尤度は、特徴尤度に依存する。特徴尤度は、動作間特徴量に依存する。動作間特徴量は、必現動作検出器ごとに検出される。したがって、特徴尤度及び必現パターン尤度は、対象運動種別について、必現動作検出器ごと（相互に異なる検出方法ごと）に算出される。

図３に戻る。検出器選択部１１９は、各候補期間について、必現動作検出器ごとの必現パターン尤度の中で、最大値を選択する。検出器選択部１１９は、当該最大値が閾値を超える候補期間および候補検出器を、対象運動種別の運動期間および検出器として認定する。但し、複数の運動種別が判定対象とされる場合、検出器選択部１１９による運動期間の認定は、運動期間の確定を意味するものではない。

運動期間比較部１２０は、各候補期間について、運動種別を確定する。運動期間比較部１２０は、一つの候補期間に対して、複数の運動種別が認定されてしまった場合に、例えば、その中で最も必現パターン尤度が高い運動種別を、当該候補期間の運動種別として選択する。また、認定された運動種別の組み合わせに応じて固有の選択処理を行ってもよい。例えば、一つの候補区間に対して歩行とターンが認定された場合は、両者を出力する。例えば、一つの候補区間に対して歩行と自転車が認定された場合は、いずれかを出力する。

以下、運動期間判定装置１０が実行する処理手順について説明する。なお、以下において説明する処理手順が実行される前において、被験者の左右足首に左足用センサデバイス３０Ｌ及び右足用センサデバイス３０Ｒが装着され、これらのセンサデバイスによって取得されたセンサデータがデータ収集部１１によって収集されていることとする。例えば、専用ケーブルでセンサデバイスと運動期間判定装置１０とを接続することでセンサデータが収集されてもよい。また、センサデータが収集されるタイミングは任意である。例えば、１日に１回の周期でセンサデータが収集されてもよい。収集されたセンサデータは、例えば、補助記憶装置１０２に記憶される。

図１９は、第１の実施の形態における運動期間判定装置が実行する処理手順の一例を説明するためのフローチャートである。

ステップＳ１０１において、運動種別選択部１１１は、対象運動種別を選択する。例えば、予めユーザによって判定対象として設定された運動種別の中から順番に１つの運動種別が対象運動種別として選択される。

図２０は、判定対象の運動種別の設定例を示す図である。図２０では、運動種別ごとに、「ＴＲＵＥ」又は「ＦＡＬＳＥ」が設定される例が示されている。「ＴＲＵＥ」は、判定対象であることを示す。「ＦＡＬＳＥ」は、判定対象でないことを示す。図２０の例によれば、最初は「歩行」が対象運動種別として選択される。

続いて、データ読出部１１２は、補助記憶装置１０２に記憶されているセンサデータを読み出す（Ｓ１０２）。例えば、３軸のセンサデバイスであれば、矢状面方向、冠状面方向、及び横断面方向のそれぞれの方向ごとに、ジャイロデータ又は加速度データが時系列に記憶されている。ステップＳ１０２で読み出されるセンサデータは、全てのセンサデータであってもよいし、対象運動種別に応じて読み出し対象が変えられてもよい。例えば、「歩行」の場合は、左右両方の、矢状面方向の回転を表すジャイロデータが読み出されてもよい。また、「走り」、「自転車」、「階段上り」、「階段下り」の場合は、矢状面方向の回転を表すジャイロデータが読み出されてもよい。「ターン」の場合は、横断面方向の回転を表すジャイロデータが読み出されてもよい。

続いて、候補期間抽出部１１３は、センサデータに基づいて、候補期間を抽出する（Ｓ１０３）。例えば、候補期間抽出部１１３は、センサデータから、静止していない期間を候補期間として抽出する。具体的には、候補期間抽出部１１３は、窓幅Ｗの窓を、ずらし幅（Ｗ／２）で時間軸方向にずらしながら、左右のセンサデータ（ジャイロ）をセグメンテーションする。候補期間抽出部１１３は、左及び右のジャイロデータの平均Ｍｇ、分散Ｖｇが、それぞれ所定閾値ＴＨ＿Ｍｇ、ＴＨ＿Ｖｇを超えたセグメントを「非静止セグメント」と認定する。候補期間抽出部１１３は、このような処理をセンサデータの最初から最後まで行った後、連続する非静止セグメントを統合して、一つの非静止期間とする。その結果、各非静止期間が候補期間とされる。

図２１は、候補期間の抽出例を示す図である。図２１には、左足の矢状面方向のジャイロデータと右足の矢状面方向のジャイロデータとが時刻が同期された状態で上下に並べられている。ここで、ジャイロデータの上部に示され、１〜７の数値が付与された帯が、候補期間を示す。

続いて、候補期間ごとにステップＳ１０４及びＳ１０５が実行される。ステップＳ１０４において、運動期間判定部１３は例えば、時期の早い候補期間から順に一つの候補期間を選択し、選択された候補期間におけるセンサデータ（ジャイロデータ）を切り出す。図２１では、候補期間１のジャイロデータが切り出された例が示されている。以下、選択された候補期間を「対象候補期間」という。

続いて、対象運動種別及び対象候補期間に関して、運動期間判定処理が実行される（Ｓ１０５）。

全ての候補期間についてステップＳ１０４及びＳ１０５が実行されると、運動種別選択部１１１は、対象運動種別が、判定対象の運動種別の中で最後の運動種別であるか否かを判定する（Ｓ１０６）。対象運動種別が、判定対象の運動種別の中で最後の運動種別でない場合（Ｓ１０６でＮｏ）、ステップＳ１０１以降が繰り返される。対象運動種別が、判定対象の運動種別の中で最後の運動種別である場合（Ｓ１０６でＹｅｓ）、運動期間比較部１２０は、複数の運動種別が認定された候補期間について、各運動種別の必現パターン尤度に基づいて、一つの運動種別を選択する（Ｓ１０７）。その結果、各候補期間の運動種別が確定される。

図２２は、各候補期間の運動種別の確定結果の一例を示す図である。図２２には、候補期間ごとに、各運動種別の判定結果と、運動種別の確定結果とが示されている。図２２において、○は、必現パターン尤度が閾値を超えていることを示し、×が、必現パターン尤度が閾値以下であることを示す。○の場合における括弧内の数値は、必現パターン尤度を示す。例えば、候補期間１については、「歩行」と「走り」とのそれぞれの必現パターン尤度が閾値を超えている。この場合、運動期間比較部１２０は、必現パターン尤度が高い「歩行」を、候補期間１に対する運動種別として選択する。一方、候補期間２については、必現パターン尤度が閾値を超えた運動種別は無い。この場合、運動期間比較部１２０は、候補期間２は、運動期間でないと確定する。なお、一つの運動種別のみについて必現パターン尤度が閾値を超えている候補期間については、運動期間比較部１２０は、当該運動種別を当該候補期間に対する運動種別として確定する。

続いて、ステップＳ１０５の詳細について説明する。図２３は、第１の実施の形態における運動期間判定処理の処理手順の一例を説明するためのフローチャートである。

ステップＳ２１０において、必現動作検出部１１５は、対象運動種別に対応する、必現動作検出器ごとのパラメータリスト群（以下、「パラメータセット」という。）をパラメータ記憶部から読み込む。

図２４は、パラメータセットの一例を示す図である。図２４において、行方向は、必現動作検出器の種類に対応する。図２４では、「Ｆａｓｔ」、「Ｓｌｏｗ」、「Ｎｏｒｍａｌ」、「Ａｂｎｏｒｍａｌ」という４種類の必現動作検出器が設定された例が示されている。「Ｆａｓｔ」は、速く歩く状態を検出するための必現動作検出器である。「Ｓｌｏｗ」は、遅く歩く状態を検出するための必現動作検出器である。「Ｎｏｒｍａｌ」は、通常の速度で歩く状態を検出するための必現動作検出器である。「Ａｂｎｏｒｍａｌ」は、異常な歩行状態を検出するための必現動作検出器である。

また、列方向は、パラメータリストを構成する検出パラメータに対応する。検出パラメータとしては、ＴＨ＿ＴｉｍｅＤｉｆｆ、ＴＨ＿Ａｍｐ、ＣｕｔＯｆｆＰａｒａｍ、ＭａｒｇｉｎＴｉｍｅ、及びＤｉｍｐａｒａｍが有る。これらの検出パラメータの意味及び用途については後述される。

このように、一つの運動種別に対して複数の必現動作検出器が用意されることで、一種類の検出方法によって必現動作を検出する場合に比べて、必現動作の検出漏れの可能性を低下させることができる。

続いて、ステップＳ２２０〜Ｓ２８０は、パラメータリストごと（すなわち、必現動作検出器ごと）のループ処理である。以下、処理対象のパラメータリストを「対象パラメータリスト」という。

ステップＳ２２０において、検出器設計部１１４は、対象パラメータリストに基づいて、必現動作検出器を設計する。必現動作検出器の設計とは、センサデータ（ジャイロデータ）に対するフィルタ通過帯域を設定することをいう。

すなわち、いかなる二足運動でも足を出す動作を行うと、下肢のある部位である方向へ加減速運動が発生する。これに基づき、対象候補期間のセンサデータからピーク点を検出することで、当該動作を検出することができる。ピーク検出は、バンドパスフィルタをセンサデータにかけてジャイロ波形を整形した上で、ピーク点における閾値判定に基づいて行われる。

まず、検出器設計部１１４は、対象パラメータリストの検出パラメータである、カットオフ周波数ＣｕｔｏｆｆＰａｒａｍ、フィルタ次数ＤｉｍＰａｒａｍに基づいて、バンドパスフィルタのフィルタ通過帯域を設定する。一般に、遅い歩行を判定したい場合、フィルタ通過帯域を低めに設定し、速い歩行を判定したい場合、フィルタ通過帯域を高めに設定するとよい。

図２５は、フィルタ通過帯域の一例を示す図である。図２５には、複数のフィルタ通過帯域が示されている。これは、必現動作検出器ごとにフィルタ通過帯域が異なることを示す。したがって、ステップＳ２２０では、１つのフィルタ通過帯域が設定される。

続いて、必現動作検出部１１５は、候補動作を検出する（Ｓ２３０）。具体的には、必現動作検出部１１５は、ステップＳ２２０において設定したフィルタ通過帯域で、対象候補期間のセンサデータについてバンドパスフィルタリングを実行する。その結果、当該センサデータは、所定周波数帯域のデータＤに変換される。更に、必現動作検出部１１５は、フィルタリング後のデータＤを対象に、ピーク検出を行う。必現動作検出部１１５は、ピーク検出において、まず、データＤの微分値が０になる箇所を探す。必現動作検出部１１５は、データＤの微分値が０になる箇所のデータ値Ｄ（ｔ）が、検出パラメータの一つである閾値ＴＨ＿Ａｍｐを超えた場合にピークが発生したと判定し、ｔを候補動作が発生したタイミングとする。図２６に、フィルタリング前後のセンサデータとピーク点との一例を示す。

必現動作検出部１１５は、このような処理を、例えば、左足ジャイロ、右足ジャイロのそれぞれに対して行う。左右非対称な動き方をする可能性もあるので、必現動作検出器のパラメータリストやピーク検出の閾値ＴＨ＿Ａｍｐは、左右別々に設定されてもよい。

なお、図２７に示されるように、検出パラメータの一つである所定時間ＴＨ＿ＴｉｍｅＤｉｆｆの間に複数のピークが発生した場合、それらが一つのピークにまとめられてもよい。その場合、複数のピークの中で、最もジャイロ値が高いピークが代表ピークとされる。

続いて、動作間特徴量抽出部１１６は、対象候補期間において検出された各候補動作（各ピーク点）について、動作範囲を特定する（Ｓ２４０）。候補動作の動作範囲とは、当該候補動作の開始点から終了点までの期間をいう。

図２８は、動作範囲の特定方法の一例を示す図である。図２８では、左側の２番目の候補動作について、動作範囲が特定される例が示されている。図２８に示されるように、ピーク発生点から検出パラメータの一つである所定時間ＭａｒｇｉｎＴｉｍｅ前までの範囲で、ジャイロ値が最小になる時点が開始点とされる。また、ピーク発生点から所定時間ＭａｒｇｉｎＴｉｍｅ後までの範囲で、ジャイロ値が最小になる時点が終了点とされる。

動作範囲が対象候補期間における各候補動作について特定されることにより、当該候補動作ごとに、図２９に示されるような情報が得られる。

図２９は、動作範囲の特定によって得られる情報を示す図である。図２９において、動作番号は、候補動作の識別番号である。発生点は、候補動作の発生時刻である。開始点は、候補動作の開始時刻である。終了点は、候補動作の終了時刻である。左右側は、左右の足のいずれの候補動作であるのかを示す情報である。

続いて、動作間特徴量抽出部１１６は、対象候補期間の候補動作群について、動作間特徴量の抽出処理を実行する（Ｓ２５０）。

続いて、特徴尤度算出部１１７は、ルール記憶部１５２から対象運動種別に対応する尤度算出ルール群を読み出す（Ｓ２６０）。

図３０は、尤度算出ルール群の一例を示す図である。図３０には、各尤度算出ルールが、関数種類と関数パラメータとから構成される例が示されている。関数種類は、尤度算出ルールである関数の種類を示す。関数パラメータは、当該関数を規定するパラメータの値であり、図１７に記載のパラメータである。

続いて、特徴尤度算出部１１７は、ステップＳ２５０において抽出された各動作間特徴量に対して、ステップＳ２６０において読み出された各尤度算出ルールを適用して特徴尤度を算出する（Ｓ２７０）。

続いて、必現パターン尤度算出部１１８は、ステップＳ２７０において算出された特徴尤度に基づいて、対象候補期間に対する必現パターン尤度を算出する（Ｓ２８０）。

ステップＳ２２０〜Ｓ２８０が、全ての必現動作検出器について実行されると、図３１に示されるように、対象運動種別及び対象候補期間に関して、必現動作検出器ごとに必現パターン尤度が算出される。そこで、検出器選択部１１９は、対象候補期間について、運動期間および検出器を判定する（Ｓ２９０）。具体的には、検出器選択部１１９は、必現動作検出器ごとの必現パターン尤度の中から最大値を選択し、当該最大値が閾値より大きければ、対象候補期間を対象運動種別の運動期間であると判定する。検出器選択部１１９は、判定された運動期間の開始時刻及び終了時刻と、採用された必現動作検出器の識別情報とを判定結果記憶部１５に出力（記憶）する。採用された必現動作検出器とは、閾値より大きい最大値に係る必現パターン尤度の算出に利用された必現動作検出器をいう。

続いて、ステップＳ２５０の詳細について説明する。図３２は、動作間特徴量の抽出処理の処理手順の一例を説明するめのフローチャートである。

図３２に示されるように、動作間特徴量抽出部１１６は、対象候補期間において検出された候補動作ごとに、左右交互度、間隔一致度、速度一致度、逆足支持度、両足着地度、同時移動度、着地時屈曲度、離地時屈曲度、上下交互度、及び同時衝撃度を算出する（Ｓ３０１〜Ｓ３１０）。その結果、図３３に示されるように、候補動作ごとに、各動作間特徴量が得られる。なお、各動作間特徴量の算出方法は上記した通りである。また、対象運動種別に応じて、又は収集されているセンサデータに応じて、一部の動作間特徴量は算出されなくてもよい。

続いて、図２３のステップＳ２７０の詳細について説明する。図３４は、特徴尤度の算出処理の処理手順の一例を説明するためのフローチャートである。

特徴尤度算出部１１７は、対象候補期間において検出された候補動作ごとに、ステップＳ４０１〜Ｓ４１０を実行する。以下、処理対象とされている候補動作を、「対象動作」という。

ステップＳ４０１において、特徴尤度算出部１１７は、対象動作の左右交互度に左右交互尤度の尤度算出ルールを適用することにより、対象動作の左右交互尤度を算出する。

図３５は、左右交互尤度の算出例を示す図である。図３０によれば、左右交互尤度の尤度算出ルールの関数種類は、二項分布であるため、左右交互尤度（Ｌ（ｆ_ｌｒ））の計算は、図１７に記載の二項分布の確率関数式に基づいて行われる。ここで、関数パラメータであるαは、０．９５である。したがって、左右交互度が「１」である候補動作の左右交互尤度は、０．９５であり、左右交互度が「０」である候補動作の左右交互尤度は、０．０５となる。なお、図３５では、便宜上、５つの候補動作について左右交互尤度が算出される例が示されているが、１回のステップＳ４０１の実行では、１つの候補動作について左右交互尤度が算出される。

続いて、特徴尤度算出部１１７は、対象動作の間隔一致度に間隔一致尤度の尤度算出ルールを適用することにより、対象動作の間隔一致尤度を算出する（Ｓ４０２）。間隔一致尤度（Ｌ（ｆ_ｔｉｍｅ））は、例えば、以下の式に基づいて算出される。なお、ｆ_ｔｉｍｅは、間隔一致度を示す。また、Ｎは、正規分布を示す。

続いて、特徴尤度算出部１１７は、速度一致尤度の尤度算出ルールに対象動作の速度一致度を適用することにより、対象動作の速度一致尤度を算出する（Ｓ４０３）。速度一致尤度（Ｌ（ｆ_{ｓｐｅｅｄ}））は、例えば、以下の式に基づいて算出される。なお、ｆ_{ｓｐｅｅｄ}は、速度一致度を示す。

続いて、特徴尤度算出部１１７は、対象動作の逆足支持度に逆足支持尤度の尤度算出ルールを適用することにより、対象動作の逆足支持尤度を算出する（Ｓ４０４）。逆足支持尤度（Ｌ（ｆ_{ｉｎｖｅｒｓｅ}））は、例えば、以下の式に基づいて算出される。なお、ｆ_{ｉｎｖｅｒｓｅ}は、逆足支持度を示す。

続いて、特徴尤度算出部１１７は、対象動作の両足着地度に両足着地尤度の尤度算出ルールを適用することにより、対象動作の両足着地尤度を算出する（Ｓ４０５）。両足着地尤度（Ｌ（ｆ_{ｓｔａｎｃｅ}））は、例えば、以下の式に基づいて算出される。なお、ｆ_{ｓｔａｎｃｅ}は、両足着地度を示す。

続いて、特徴尤度算出部１１７は、対象動作の同時移動度に同時移動尤度の尤度算出ルールを適用することにより、対象動作の同時移動尤度を算出する（Ｓ４０６）。同時移動尤度（Ｌ（ｆ_{ｕｐｐｅｒ１}，ｆ_{ｕｐｐｅｒ２}））は、例えば、以下の式に基づいて算出される。なお、ｆ_{ｕｐｐｅｒ１}は、同時移動度の第一特徴を示し、ｆ_{ｕｐｐｅｒ２}は、同時移動度の第二特徴を示す。

続いて、特徴尤度算出部１１７は、対象動作の着地時屈曲度に着地時屈曲尤度の尤度算出ルールを適用することにより、対象動作の着地時屈曲尤度を算出する（Ｓ４０７）。着地時屈曲尤度（Ｌ（ｆ_{ｈｅｅｌ−ｓｔｒｉｋｅ}））は、例えば、以下の式に基づいて算出される。なお、ｆ_{ｈｅｅｌ−ｓｔｒｉｋｅ}は、着地時屈曲度を示す。

続いて、特徴尤度算出部１１７は、対象動作の離地時屈曲度に離地時屈曲尤度の尤度算出ルールを適用することにより、対象動作の離地時屈曲尤度を算出する（Ｓ４０８）。離地時屈曲尤度（Ｌ（ｆ_{ｔｏｅ−ｏｆｆ}））は、例えば、以下の式に基づいて算出される。なお、ｆ_{ｔｏｅ−ｏｆｆ}は、離地時屈曲度を示す。

続いて、特徴尤度算出部１１７は、対象動作の上下交互度に上下交互尤度の尤度算出ルールを適用することにより、対象動作の上下交互尤度を算出する（Ｓ４０９）。

続いて、特徴尤度算出部１１７は、対象動作の同時衝撃度に同時衝撃尤度の尤度算出ルールを適用することにより、対象動作の同時衝撃尤度を算出する（Ｓ４１０）。

なお、対象運動種別に応じて、又は収集されているセンサデータに応じて、一部の特徴尤度は算出されなくてもよい。

続いて、図２３のステップＳ２８０の詳細について説明する。図３６は、必現パターン尤度の算出処理の処理手順の一例を説明するためのフローチャートである。

必現パターン尤度算出部１１８は、対象候補期間に関して検出された候補動作ごと、かつ、ステップＳ２７０において算出された特徴尤度ごとに、ステップＳ５０１を実行する。すなわち、必現パターン尤度算出部１１８は、対象候補期間に関して検出された各候補動作について算出された全ての特徴尤度の積を算出する。続いて、必現パターン尤度算出部１１８は、算出結果を候補動作の数及び特徴尤度の数に基づいて平均化して、必現パターン尤度を算出する（Ｓ５０２）すなわち、必現パターン尤度Ｌ_{ｐａｔｔｅｒｎ}は、以下の式によって算出される。

但し、ｉは、特徴尤度の番号、ｊは、候補動作の番号、Ｎは、特徴尤度の数、Ｍは、候補動作の数である。平均化は、対象候補期間に関して検出された各候補動作について算出された全ての特徴尤度の積を、（１／ＮＭ）乗することで行われる。

続いて、必現パターン尤度算出部１１８は、候補動作の数Ｎに基づいて、必現パターンの算出結果を重み付けする（Ｓ５０３）。例えば、候補動作の数Ｎが、図３７に示されるルように運動種別ごとに設定される所定範囲内に収まっていなければ、必現パターン尤度が低くされてもよい。具体的には、対象運動種別が、「歩行」の場合、Ｎが４以下であれば、歩行期間とみなさず、必現パターン尤度が下げられてもよい。

なお、所定時間以上のセンサデータが取得できた場合、全ての処理の完了後に、運動期間判定部１３は、各運動種別の発生頻度の分布を求め、この分布が不自然である場合に、運動期間であることを判定するための必現パターン尤度に対する閾値を変更したり、必現動作検出器（パラメータリスト）の種類を増減したりして、全ての処理を再実行してもよい。ここで、「発生頻度が不自然」とは、例えば、一日あたりの「歩行」の回数が所定値以下(５回以下)であった場合、「歩行」以外の特定運動（「走り」、「階段下り」、「階段上り」、「スキップ」）のいずれかの発生回数が、「歩行」の発生回数を上回る場合又は所定閾値を上回る場合（例えば、１日にスキップ期間が１００回あった）をいう。

或る運動種別の発生頻度が不自然に多い場合は、必現パターン尤度に対する閾値が高くされてもよいし、必現動作検出器が減らされてもよい。逆に、或る運動種別の発生頻度が不自然に少ない場合は、必現パターン尤度に対する閾値が低くされてもよいし、必現動作検出器が増やされてもよい。

なお、例えば、「歩行」について図１９のステップＳ１０５が完了した時点において、判定結果記憶部１５には、例えば、図３８に示されるような情報が記憶される。

図３８は、「歩行」に関する運動期間の判定結果の一例を示す図である。図３８には、運動種別が「歩行」であることが確定された各運動期間について、期間番号、開始時刻、終了時刻、及び歩数が示されている。歩数は、当該運動期間（候補期間）において検出された候補動作の数である。なお、各運動期間に対して、採用された必現動作検出器の識別情報が関連付けられて記憶されてもよい。

データ加工部１４は、判定結果記憶部１５に記憶された各運動期間（歩行期間）の情報を利用して、各運動期間の運動特徴量を抽出してもよい。運動特徴量としては、例えば、歩幅、歩行速度、歩行時間、ケーデンス、着地時衝撃、両足着地時間等が抽出される。データ加工部１４は、判定結果記憶部１５に対して、抽出された運動特徴量を追加登録してもよい。図３９には、図３８の判定結果に対して、運動特徴量が追加された例が示されている。なお、運動特徴量の抽出方法は、以下の文献（１）〜（３）に詳しい。
（１）Greene,「An adaptive gyroscope-based algorithm for temporal gait analysis」,2012)
（２）Wu,「A robust step length estimation system for human gait using motion sensors」,2015
（３）Dobkin,「Reliability and Validity of Bilateral Ankle Accelerometer Algorithms for Activity Recognition and Walking Speed After Stroke」,2011
また、可視化部２１は、運動特徴量を、出力装置２０を用いて可視化（出力）する。例えば、対象とする日付範囲がユーザによって指定されると、可視化部２１は、指定された日付範囲の運動特徴量を判定結果記憶部１５から取得する。続いて、可視化部２１は、日々の運動の仕方の推移を把握可能とするために、例えば、取得した運動特徴量を日付毎の統計値として算出し、その統計値を図４０に示されるように可視化する。可視化において、健康の基準値となる範囲を明示する、治療など参考イベントのタイミングを明示する、動作間特徴量の上下限を明示する、などが行われてもよい。

なお、様々な歩き方に対して取得されたセンサデータに対して、本実施の形態を適用した場合の「歩行」の運動期間（歩行期間）の判定結果を図４１に示す。図４１には、普通の歩行、内股歩行、小刻み歩行、爪引きずり歩行、ぶん回し歩行、右足引きずり歩行、及びふらつき歩行を行った時のそれぞれのセンサデータに対して、歩行期間と判定された期間が、帯によって示されている。図４１によれば、高い精度で歩行期間が検出されていることが分かる。

上述したように、第１の実施の形態によれば、事前に学習データを取得する手間を省いて、患者の動き方に合わせて、運動期間を精度良く検出することができる。また、患者の動き方が時間経過とともに変わっていったとしても、それに追従して運動期間を精度良く検出することができる。

すなわち、本実施の形態によれば、実際の医療現場では（１）どんな患者の動き方であっても（継続的に）精度保障できること、（２）余計な手間なしに対応できること、が求められているところ、これら（１）及び（２）の要件を満たすことができる。

また、本実施の形態によれば、複数の必現動作検出器によって必現動作が検出されるため、運動期間の検出漏れの可能性を低下させることができる。

なお、図２に示した機能構成例において、運動期間判定装置１０が可視化部２１を含んでいてもよい。また、図２に示した機能構成例は、図４２又は図４３に示されるように変更されてもよい。図４２では、データ取得用デバイス４０によって、センサデータの収集及びセンサデータに対する前処理が実行される場合の構成例が示されている。この場合、運動期間判定装置１０は、データ収集部１１及びデータ前処理部１２を有さずに、データ取得用デバイス４０によって前処理されたセンサデータを受信するための通信部１６を有していればよい。

また、図４３には、各センサデバイスがデータ記憶部を有していない例が示されている。すなわち、図４３は、各センサデバイスからリアルタイムにセンサデータが収集され、リアルタイムに図１９の処理手順が実行される場合の機能構成例である。

次に、第２の実施の形態について説明する。第２の実施の形態では第１の実施の形態と異なる点について説明する。第２の実施の形態において、特に言及されない点については、第１の実施の形態と同様でもよい。

第１の実施の形態では、１つの候補期間の候補動作群が全て同じ運動種別の動作であることを仮定している。そのため、１つの候補期間内に複数の運動種別の動作が混在している場合（例えば、歩行前にターンした等）に、必現パターン尤度の精度が劣化する可能性が有る。そこで、第２の実施の形態では、候補期間に複数の運動種別が混在している状態を想定した例について説明する
第２の実施の形態では、最初に、各候補動作の動作間特徴量を用いて対象運動種別の運動期間（以下、「対象期間」という。）と非対象運動種別の運動期間（以下、「非対象期間」という。）とが切り分けられて、その後に、対象期間について必現パターン尤度が算出される。以下、対象運動種別が「歩行」である場合について説明する。

まず、候補期間の中の候補動作群が、歩行動作と非歩行動作とに分類される。なお、歩行動作とは、「歩行」の運動種別に属する候補動作いう。

図４４は、候補動作群を歩行動作と非歩行動作とに分類した例を示す図である。図４４には、歩行の後にその場でターンが行われた場合の左右足の矢状面方向のジャイロデータが示されている。これらの一連の動作が行われた期間は、一つの候補期間として抽出されている。当該候補期間では、１３個の候補動作が検出されているが、実際は、候補動作１〜１０が歩行動作であって、候補動作１１〜１３が非歩行動作である。

なお、候補動作１〜１３については、図４５に示されるように動作間特徴量が抽出されていることとする。

図４６は、候補動作群を歩行動作と非歩行動作とに分類するための方針を説明するための図である。

候補動作群について、図４４に示したような分類を可能とするため、図４６の（Ａ）に示されるように、各候補動作に「歩行動作」又は「非歩行動作」の少なくとも２つの状態のいずれかを割り当てることを考える。

ここで、より正確に歩行動作を捉えるため、１歩目及び最終歩は半歩である点において、２歩目以降かつ最終歩の１歩前までとは特徴が異なることを踏まえて、（Ｂ）に示されるように、「歩行中動作」を「１歩目動作」、「歩行中動作」、「最終歩動作」の３つの状態に分ける。

また、図４４のセンサデータのように、左足と右足の動き方が非対称である場合、左足と右足で動作間特徴量の基準値は別々に設定された方がよい。そこで、（Ｃ）に示されるように、「歩行動作」について左右を区別する。その結果、歩行動作は、６つの状態に分類される。

歩行動作に関する６つの状態に非歩行状態を加えた７つの状態を仮定した上で、各候補動作に対して、いずれかの状態を割り当てていく。図４７には、図４４に示した各候補動作に対して７つの状態のいずれかが割り当てられた例が示されている。その結果、対象期間と非対象期間とを特定することができる。

以下、第２の実施の形態の運動期間判定装置１０について具体的に説明する。図４８は、第２の実施の形態における運動期間判定部の機能構成例を示す図である。図４８中、図３と同一部分には同一符号を付し、その説明は省略する。

図４８において、運動期間判定部１３は、更に、候補期間分類部１２１を含む。候補期間分類部１２１は、状態遷移確率記憶部１５３を利用する。状態遷移確率記憶部１５３は、例えば、補助記憶装置１０２、又は運動期間判定装置１０にネットワークを介して接続可能な記憶装置等を用いて実現可能である。

候補期間分類部１２１は、候補期間を対象期間と非対象期間とに分類する。状態遷移確率記憶部１５３には、７つの状態間の遷移確率を示す情報が記憶されている。当該情報は、候補期間分類部１２１によって利用される。

第２の実施の形態では、図１９のステップＳ１０５の内容が第１の実施の形態と異なる。

図４９は、第２の実施の形態における運動期間判定処理の処理手順の一例を説明するためのフローチャートである。図４９中、図２３と同一ステップには同一ステップ番号を付し、その説明は省略する。

図４９では、ステップＳ２５０に続いて、ステップＳ２５１が実行される。ステップＳ２５１において、運動期間判定部１３は、対象候補期間を、対象期間と非対象期間とに分類する。すなわち、対象候補期間における各候補動作に対して、図４７において説明したような状態の割り当てが行われて、対象候補期間が、対象期間と非対象期間とに分類される。

続いて、対象期間ごとに、ステップＳ２７１〜Ｓ２８０ａが実行される。例えば、「ターン」が歩行動作の間に行われている場合等、ステップＳ２５１において複数の対象期間が抽出されている場合、それぞれの対象期間について、ステップＳ２７１〜Ｓ２８０ａが実行される。すなわち、対象期間ごとに、必現パターン尤度の算出が行われる。

続いて、ステップＳ２５１の詳細について説明する。図５０は、候補期間の分類処理の処理手順の一例を説明するためのフローチャートである。

まず、７つの状態ごとに、ステップＳ６０１及びＳ６０２が実行される。以下、処理対象とされている状態を「対象状態」という。

ステップＳ６０１において、特徴尤度算出部１１７は、対象運動種別及び対象状態に対応する尤度算出ルール群をルール記憶部１５２から読み出す。すなわち、第２の実施の形態では、運動種別ごと、かつ、状態ごとに尤度算出ルールが定義される。

図５１は、第２の実施の形態における尤度算出ルールを説明するための図である。図５１には、「歩行」に対応する尤度算出ルール群が、７つの状態ごとの尤度算出ルール群に細分化されていることが示されている。

すなわち、各候補動作に状態を割り当てるため、それぞれの状態ごとに、どのような動作間特徴量が得られるのが尤もらしいのかが尤度算出ルールに定義される。

例えば、「歩行中（右）」及び「歩行中（左）」では、第１の実施の形態における尤度算出ルール群と同じものが採用されてもよい。「一歩目（右）」、「一歩目（左）」、「最終歩（右）」、及び「最終歩（左）」では、その前又は後に動作がないことと、半歩しか歩かないこととを踏まえて、「歩行中（右）」及び「歩行中（左）」に対応する尤度算出ルール群に対して変更を加えたものが定義される。

また、非歩行状態においては、"非歩行らしさ"が定義される。非歩行状態に関しては、どのような動作間特徴量を取り得るかが未知であるので、どのような動作間特徴量が観測されても特徴尤度が均一になるように、ルール群を設定されてもよい。

続いて、特徴尤度算出部１１７は、読み出した尤度算出ルール群を利用して、図３４の処理手順を実行して、各特徴尤度を算出する（Ｓ６０２）。

ステップＳ６０１及びＳ６０２が、７つの状態について実行されると、対象候補期間の候補動作ごとに、７つの状態のそれぞれについて各特徴尤度が算出される。

続いて、候補期間分類部１２１は、対象候補期間の候補動作ごと、かつ、状態ごとに、当該候補動作及び当該状態に関して算出された特徴尤度群を掛け合わせる（Ｓ６０３）。特徴尤度群を掛け合わせた結果は、隠れマルコフモデルにおける状態観測確率に相当する。なお本発明では、尤度算出ルールの確率分布パラメータを状態観測確率情報と記述することがある。

図５２は、隠れマルコフモデルにおける状態観測確率の算出結果の一例を示す図である。図５２には、１３個の候補動作について、７つの状態のそれぞれごとに、状態観測確率の算出結果が示されている。

続いて、候補期間分類部１２１は、対象運動種別に対応する状態遷移確率情報を、状態遷移確率記憶部１５３から取得する（Ｓ６０４）。

図５３は、状態遷移確率情報の第１の例を示す図である。図５３の表には、行方向に配列された状態を前状態とし、列方向に配列された状態を次状態として、前状態から次状態へ遷移する確率が示されている。なお、図５３の右側には、参考までに、図５３の表に対応する状態遷移図が示されている。

なお、状態遷移確率情報を定義する際に、「歩行中は左右交互に足を出す」ことを表現するため、歩行時は同じ側の状態に遷移しないよう、当該遷移の遷移確率を０に設定しておけばよい。

続いて、候補期間分類部１２１は、対象運動種別に対応する初期状態確率情報を、状態遷移確率記憶部１５３から取得する（Ｓ６０５）。

図５４は、初期状態確率情報の一例を示す図である。図５４には、初期状態は、「１歩目（右）」、「１歩目（左）」、又は「非歩行」のいずれかであるとして、これらの状態以外が０である初期状態確率が定義された例が示されている。

続いて、候補期間分類部１２１は、候補動作ごとの各状態の状態観測確率（図５２）と、状態遷移確率情報（図５３）と、初期状態確率情報（図５４）とを用いて、ビタビアルゴリズムに基づいて、最適な状態系列を求める（Ｓ６０６）。その結果、図５５に示されるような情報が得られる。

図５５は、最適の状態系列の一例を示す図である。図５５に示されるように、各候補動作に対して、状態の推定値が割り当てられる。

続いて、候補期間分類部１２１は、ステップＳ６０６において得られた状態系列のうち、歩行状態に含まれる状態が開始されてから終了するまでの期間を対象期間として特定する（Ｓ６０７）。この際、歩数（候補動作の数）が所定の閾値（例えば、４）を上回ることが、対象期間として特定されるための条件とされてもよい。

図５６は、対象期間の特定結果の一例を示す図である。図５６には、図５５に示した表に対して「対象期間」の行が追加されている。当該行は、対象期間に該当する候補動作に対して１が付与され、非対象期間に該当する候補動作に対して０が付与されている。したがって、図５６の例では、動作番号１が歩行期間の開始点であり、動作番号１０が歩行期間の終了点である。当該開始点及び当該終了点の間の歩数（候補動作の数）は１０であるので、対象期間として特定される。

なお、図４９のステップＳ２８０ａでは、対象期間における必現パターン尤度を求めるために、対象期間の動作間特徴量が抽出される。具体的には、図５６に示した対象期間の特定結果によれば、図４５において、動作番号が１から１０までの候補動作ごとに動作間特徴量が抽出される。

抽出された各動作間特徴量が、第１の実施の形態と同じ方法で特徴尤度に変換されて、第１の同じ方法で（すなわち、数８に基づいて）、必現パターン尤度が計算される。

又は、状態遷移確率も考慮したい場合、隠れマルコフモデルを適用し、図５５の状態系列のモデル尤度の対数が必現パターン尤度として求められてもよい。

また、上記のモデル尤度の対数を歩数（候補動作の数）で除した値（１歩毎のモデル尤度に相当）が必現パターン尤度として求められてもよい。

検出器選択部１１９は、歩行開始を表すピーク点の開始時刻を「歩行開始時刻」、歩行終了を表すピーク点の終了時刻を「歩行終了時刻」として、歩数とともに必現パターン尤度の算出結果を、例えば、図５７に示されるような形式で、判定結果記憶部１５に記憶する。

上記の処理が、パラメータリストごと（必現動作検出器ごと）に実行される。本実施の形態では、「Ｆａｓｔ」、「Ｓｌｏｗ」、「Ｎｏｒｍａｌ」、「Ａｂｎｏｒｍａｌの４種類のパラメータリストに対して、歩行期間及び必現パターン尤度が算出される。

図５８は、第２の実施の形態における１つの候補期間に対する全ての必現動作検出器に基づく運動期間の判定結果の一例を示す図である。図５８の例では、「Ｓｌｏｗ」の場合は歩行期間が全く検出されず、「Ａｂｎｏｒｍａｌ」の場合は対象候補期間において、２つの歩行期間が検出されている。

図４９のステップＳ２９０ａにおいて、検出器選択部１１９は、基本的に、図２３のステップＳ２９０と同様の処理を実行する。但し、複数の歩行期間が検出されている必現動作検出器については、当該複数の歩行期間の必現パターン尤度の平均値が評価値とされる。又は単純な平均値ではなく、必現パターン尤度を歩行時間若しくは歩数で重みづけた加重平均が評価値とされてもよい。

図５９は、１つの候補期間に対する全ての必現動作検出器に基づく運動期間の判定結果の評価値の一例を示す図である。図５９では、２つの歩行期間が検出された「Ａｂｎｏｒｍａｌ」について、２つの必現パターン尤度が歩数によって重み付けされた加重平均が評価値とされている。「Ｆａｓｔ」及び「Ｎｏｒｍａｌ」については、必現パターン尤度がそのまま評価値とされる。

この場合、検出器選択部１１９は、評価値が最大である「Ｆａｓｔ」を採用する。検出器選択部１１９は、当該評価値が必現パターン尤度に対する閾値を超えていれば、「Ｆａｓｔ」の開始時刻と終了時刻とを「歩行」の開始時刻及び終了時刻として出力する。

なお、上記では、対象運動種別が「歩行」である場合について説明したが、他の運動種別についても同様に第２の実施の形態が適用できる。但し、「階段上り」、「階段下り」、「走り」、「スキップ」の場合、その運動の前後に歩行が行われている可能性が高い。

そこで、隠れマルコフモデルの状態として歩行状態も追加した上で、状態遷移が定義されてもよい。

図６０は、「階段下り」の状態遷移の一例を示す図である。図６０では、歩行状態から「階段下り状態」に遷移するような状態遷移図が示されている。

このような状態遷移図に基づいて、図６１に示されるような状態遷移確率情報が定義されてもよい。

図６１の見方は、図５３と同じである。但し、図６１では、「階段下り（右）」及び「階段下り（左）」に関する行及び列が追加されている。図６１では、「歩行中」の状態から１０％の確率で「階段下り」の状態に遷移し、「階段下り」の状態に遷移した後に９０％の確率で、「階段下り」の状態に留まることが示されている。図６１の状態遷移確率情報が利用されて、候補動作群に状態が割り当てられた結果例を図６２に示す。

なお、「階段上り」、「走り」、及び「スキップ」についても、「階段下り」と同様の状態遷移確率情報を用いることができる。すなわち、図６１の状態遷移確率情報における「階段下り状態」が、「階段上り状態」、「走り状態」、又は「スキップ状態」に置換されればよい。

ところで、上記において、尤度算出ルールの確率分布パラメータ（図５１）及び状態遷移確率情報（図５３、図６１）は、予め設定される情報である。

しかし、運動期間が確定されたセンサデータが有る場合、候補期間分類部１２１は、当該センサデータを活用してＢａｕｍ−Ｗｅｌｃｈアルゴリズム等を利用して、隠れマルコフモデルの各パラメータ（尤度算出ルールの確率分布パラメータ及び状態遷移確率情報）を学習し、学習結果をルール記憶部１５２又は状態遷移確率記憶部１５３に追加するという処理を実行してもよい。

この場合、適用対象となる尤度算出ルールや状態遷移確率情報（以下、「隠れマルコフモデルのパラメータ群」という。）が複数セット記憶されることになるが、隠れマルコフモデルのパラメータ群のそれぞれに基づいて必現パターン尤度が計算されて、最大の必現パターン尤度が得られた場合の処理結果が採用されればよい。

但し、学習が繰り返されて隠れマルコフモデルのパラメータ群のセット数が増加すると、処理負荷が増加してしまう。

そこで、候補期間分類部１２１は、既に記憶されているパラメータ群のいずれとも類似しないパラメータ群が学習された場合のみ、パラメータ群の追加が行われるようにしてもよい。

例えば、候補期間分類部１２１は、新たに学習されたパラメータ群Ｐと、全ての既存のパラメータ群Ｑ_１，Ｑ_２，…，Ｑ_Ｎとについて、以下の式に基づいて類似度ｓｉｍ（Ｐ，Ｑ）を算出してもよい。

候補期間分類部１２１は、類似度ｓｉｍ（Ｐ，Ｑ）が閾値以下であれば、新たに学習されたパラメータ群Ｐをルール記憶部１５２及び状態遷移確率記憶部１５３に追加してもよい。

上述したように、第２の実施の形態によれば、１つの候補期間に複数の運動種別が混在している場合であっても、運動期間を精度良く検出することができる。

次に、第３の実施の形態について説明する。第３の実施の形態では第１又は第２の実施の形態と異なる点について説明する。第３の実施の形態において、特に言及されない点については、第１又は第２の実施の形態と同様でもよい。

第３の実施の形態では、両足の動作センサデータを測定するセンサデバイスではなく、両足の足底圧データを測定するセンサデバイスが利用される場合について説明する。

なお、足底圧が得られている場合は、着地した時に大きな圧力変化が起こるため、比較的高精度に必現動作の検出ができる。

両足の足底圧を表すセンサデータのみが得られている場合は、動作センサデータが得られている場合（第１の実施の形態）と同様、（１）候補期間抽出、（２）必現動作検出、（３）動作間特徴量抽出、（４）必現パターン尤度の算出が実行される。（１）、（２）、（３）は、足底圧固有の処理が実行されるが、（４）は共通処理である。

（１）候補期間抽出
図６３に示されるように、足底圧は、起立時には両足ともに圧力平均は高いが、歩行時には、遊脚動作が行われている間に圧力平均が低い。この場合、左右の圧力平均の相関が負になる。

そこで、動作センサデータが得られている場合と同様に、一定幅の窓をずらしながら、窓内における足裏全部位の圧力平均Ｐ（ｔ）（または圧力総和）が各時刻点で計算され、窓内での「左足の圧力平均Ｐ_ｌｅｆｔ（ｔ）」と「右足の圧力平均Ｐ_{ｒｉｇｈｔ}（ｔ）」との相関係数が閾値以下である窓が候補窓として認定される。連続する候補窓が連結されて候補期間が抽出される。

（２）必現動作検出
候補期間において、圧力平均が閾値を下回った場合に、遊脚動作が起こったとし、最初に閾値を下回った時点が動作開始時刻とされ、最後に閾値を上回った時点が動作終了時刻とされる。圧力平均の最下点が動作ピーク時点とされる。以上が左足と右足の両方について実行される。図６４に、足底圧データに基づく必現動作の検出例を示す。

（３）動作間特徴量の抽出
左右交互度、間隔一致度、両足着地度は、第１の実施の形態と同様に抽出される。

速度一致度は、歩行速度とヒールストライクの衝撃に相関があることを踏まえて、着地時点近傍の圧力平均の最大値を速度特徴として、適切な基準値が設けられた上で算出される。

逆足支持度は、動作時の逆足の圧力平均の時間平均とされる。

着地時屈曲度は、動作終了時から閾値時間後までの「足裏前部の圧力平均の変化量」とされる。着地時は踵をつくため、膝を屈曲するほどそれに伴って爪先部分が浮き、足裏前部の圧力平均が大きく変化する。

離地時屈曲度は、動作開始時から閾値時間前までの「足裏後部の圧力平均の変化量」とされる。離地時は爪先が離れるため、離地前に膝を屈曲するほどそれに伴って踵部分が浮き、足裏後部の圧力平均が小さく変化する。

（４）必現パターン尤度の算出
必現パターン尤度の算出は、第１の実施の形態と同様に行われる。但し、欠損している動作間特徴量に関しては、特徴尤度が１とされる。

次に、第４の実施の形態について説明する。第４の実施の形態では第１又は第２の実施の形態と異なる点について説明する。第４の実施の形態において、特に言及されない点については、第１又は第２の実施の形態と同様でもよい。

第４の実施の形態では、上半身の動作を表すセンサデータを測定するセンサデバイスが利用される場合について説明する。

上半身の動作を表すセンサデータのみが得られている場合は、動作センサデータが得られている場合（第１の実施の形態）と同様、（１）候補期間抽出、（２）必現動作検出、（３）動作間特徴量抽出、（４）必現パターン尤度の算出が実行される。なお、（１）、（２）、（３）については、上半身動作固有の処理が実行されるが、（４）は、共通処理である。また、候補動作を左右に分離する処理が、（３）において実行される。

（１）候補期間抽出
図６５に、上半身の動作を表すセンサデータの一例を示す。動作センサデータが得られている場合と同様に、一定幅の窓をずらしながら、窓内における上半身動作量（例えば、上半身のジャイロまたは加速度の二乗を全軸で合成した値）Ｐ（ｔ）が各時刻点で計算され、窓内での動作量の平均および分散が閾値以上である窓が候補窓として認定される。連続する候補窓が連結されて候補期間が抽出される。

（２）必現動作検出
候補期間における上半身動作データのうち、上下方向の振動を表すデータＸ（ｔ）（例えば、上下方向の加速度）が抽出され（図６６参照）、１つ前の測定時期からの変化量が表すデータＤ（ｔ）＝Ｘ（ｔ）−Ｘ（ｔ−１）に変換される。変化量データＤ（ｔ）にバンドパスフィルタがかけられた上でピーク検出が行われる。ピーク値が閾値を超えた場合に、動作発生と判断される。なお、必現動作検出の発生点は、ピーク点とされてもよいし、その前後の点とされてもよい。

（３）動作間特徴量抽出
動作間特徴量を抽出する前に、発生した動作が左足動作か右足動作かが分類される。単純には、発生順に「右足→左足→右足・・・」と交互に割り振られてもよい。又は、着地時に重心方向が左に傾くと「右足動作」、着地時に重心方向が右に傾くと「左足動作」と判断されてもよい。

左右交互度及び間隔一致度は、両足動作センサデータが得られた場合と同様に抽出される。

速度一致度は、歩行速度とヒールストライクの衝撃に相関が有ることを踏まえて、ピーク点近傍での変化量の最大値が速度特徴とされ、適切な基準値が設けられて、速度一致度が算出される。

同時移動度は、第一の実施の形態と同様に抽出される。

逆足支持度、両足着地度、着地時屈曲度、及び離地時屈曲度は、欠損値とされる。

（４）必現パターン尤度の算出
必現パターン尤度の算出は、第１の実施の形態と同様に行われる。但し、欠損している動作間特徴量に関しては、特徴尤度が１とされる。

次に、第５の実施の形態について説明する。第５の実施の形態では第１の実施の形態と異なる点について説明する。第５の実施の形態において、特に言及されない点については、第１の実施の形態と同様でもよい。

第５の実施の形態では、必現動作の候補群（候補動作群）の評価基準として、「候補動作群が対象運動種別に対応する必現動作であることの尤もらしさ」が追加される。当該尤もらしさは、第５の実施の形態において「必現動作尤度」と呼ばれる。

図６７は、第５の実施の形態における運動期間判定部の機能構成例を示す図である。図６７中、図３と同一部分には同一符号を付し、その説明は省略する。

図６７において、運動期間判定部１３は、更に、必現動作尤度算出部１２２を有する。必現動作尤度算出部１２２は、各候補動作群について必現動作尤度を算出する。

図６８は、第５の実施の形態における運動期間判定処理の処理手順の一例を説明するためのフローチャートである。図６８中、図２３と同一ステップには同一ステップ番号を付し、その説明は省略する。図６８では、ステップＳ２４０に続いて、ステップＳ２４１及びＳ２４２が実行される。

ステップＳ２４１において、必現動作尤度算出部１２２は、対象候補期間の各候補動作について、対象運動種別に対応する必現動作の動作特徴量を抽出する。動作特徴量とは、４種類の必現動作ごとにその特徴を示す指標をいい、候補動作間の特徴量である動作間特徴量とは区別される。

図６９は、各必現動作の動作特徴量の一例を示す図である。なお、図６９において、△は、開始点を示す。○は、ピーク点を示す。×は、終了点を示す。

遊脚動作の動作特徴量は、（１）時間間隔、（２）時間長、（３）開始点高さ、（４）終了点高さ、及び（５）ピーク点高さの５つである。（１）時間間隔は、当該候補動作のピーク点と次の候補動作のピーク点との時間間隔である。時間長は、当該候補動作の開始点から終了点までの時間間隔である。（３）開始点高さは、開始点での信号値である。（４）終了点高さは、終了点での信号値である。（５）ピーク点高さは、ピーク点での信号値である。

回転動作の動作特徴量は、（１）時間長、（２）ピーク点高さ、（３）ピーク面積の３つである。（１）時間長は、開始点から終了点までの時間間隔である。（２）ピーク点高さは、ピーク点での信号値である。（３）ピーク面積は、開始点から終了点までの信号値の積分値である。

着地動作の動作特徴量は、（１）最大最小差、（２）時間長の２つである。（１）最大最小差は、動作範囲での信号の最大値と最小値との差分である。（２）時間長は、開始点から終了点までの時間間隔である。

移動動作の動作特徴量は、（１）最大最小差、（２）時間長の２つである。（１）最大最小差は、動作範囲での信号の最大値と最小値との差分である。（２）時間長は、開始点から終了点までの時間間隔である。

なお、対象動作に対応する必現動作とは、図５に示した通りである。例えば、図５に示した情報が、予め補助記憶装置１０２に記憶されていてもよい。例えば、両足首の動作センサデータが取得されている場合であって、対象運動種別が「歩行」であれば、対象運動種別に対応する必現動作（以下、「対象必現動作」という。）は、遊脚動作及び着地動作である。必現動作尤度算出部１２２は、これらのいずれか一方又は双方に関して、必現動作尤度を算出する。

まず、必現動作尤度算出部１２２は、対象候補期間の候補動作ごとに、所定のパラメータを含む確率分布を用いて尤度要素を算出する。尤度要素とは、１つの候補動作及び１つの動作特徴量について算出される指標であり、必現動作尤度の構成要素である。尤度要素の算出方法については後述される。確率分布の形状は、特徴尤度を求める場合と同様、例えば、図１７に示したように、二項分布、多項分布、正規分布、又は連続一様分布のいずれかでもよい。これらは、基本的に、観測した動作特徴量が、「事前設定された基準値パラメータにどれだけ近いか」、又は「事前設定された範囲に収まっているか」を表す。基準値パラメータは、運動種別ごと、かつ、必現動作の種別ごとに設定される。更に、必現動作検出器の種別ごとに設定されてもよい。図７０に、必現動作検出器の種別ごとに遊脚動作に関して設定された基準値パラメータの例を示す。

例えば、対象候補期間におけるｊ番目の候補動作について、正規分布に従う動作特徴量ｉの尤度要素は、図７１に示した式で算出される。図７１において、ｘは動作特徴量、ｉは動作特徴量の番号、ｐ（ｘ_ｉ，ｊ｜θ_ｉ）は、尤度要素である。

必現動作尤度算出部１２２は、対象候補期間の各候補動作について、対象必現動作の動作特徴量ごとに尤度要素を算出する。対象必現動作が、遊脚動作及び着地動作であれば、遊脚動作及び着地動作のいずれか一方に関する尤度要素が算出されてもよいし、双方に関する尤度要素が算出されてもよい。

続いて、必現動作尤度算出部１２２は、対象候補期間の候補動作群について、必現動作尤度を算出する（Ｓ２４２）。必現動作尤度Ｌ_{ａｃｔｉｏｎ}は、以下の式によって算出される。

但し、ｉは、動作特徴量の番号、ｊは、候補動作の番号、Ｎは、動作特徴量の数、Ｍは、候補動作の数である。例えば、遊脚動作に関する必現動作尤度であれば、Ｎ＝５である。

すなわち、必現動作尤度は、対象候補期間における全ての候補動作について算出された、対象必現動作の全ての動作特徴量の積によって算出される。

なお、対象必現動作が複数有る場合、複数の必現動作尤度が算出されてもよいし、いずれか一つの対象必現動作に関する必現動作尤度が算出されてもよい。

なお、図６８のステップＳ２９０ｂにおいて検出器選択部１１９は、対象候補期間に関して、必現動作尤度をも考慮して運動期間を判定する。具体的には、対象候補期間の候補動作群に対して算出された必現動作尤度をＬ_{ａｃｔｉｏｎ}、必現パターン尤度をＬ_{ｐａｔｔｅｒｎ}とした場合、これらを掛け合わせた値Ｌ＝Ｌ_{ａｃｔｉｏｎ}×Ｌ_{ｐａｔｔｅｒｎ}が評価値とされる。当該評価値Ｐは、必現動作検出器ごとに算出される。必現動作検出器ごとの評価値Ｐの中の最大値が閾値を超えていれば、検出器選択部１１９は、候補期間を対象運動種別の運動期間として選択する。

例えば、図７２のように評価値が計算された場合、「Ｆａｓｔ」の評価値が最大であるため、当該評価値が閾値を超えていれば、「Ｆａｓｔ」の処理結果が採用される。

上述したように、候補動作群が対象運動種別に対応する必現動作であることの尤もらしさをも考慮して運動期間を判定することができる。したがって、運動期間の判定期間の精度向上を期待することができる。

次に、第６の実施の形態について説明する。第６の実施の形態では上記各実施の形態と異なる点について説明する。第６の実施の形態において、特に言及されない点については、上記各実施の形態と同様でもよい。

第６の実施の形態では、予め設定された検出パラメータのパラメータリストに基づく複数の必現動作検出器のいずれによっても全く運動期間が検出されない可能性が考慮される。

所定時間以上のセンサデータに対し、運動期間判定部１３が運動期間の検出を行い、各運動種別の発生頻度の分布を求めた結果、歩行が１回も検出されなかった等、発生頻度の分布が不自然であった場合、検出器設計部１１４は、ステップＳ１０７までに算出された複数の必現パターン尤度を、パラメータリストを構成する各検出パラメータを次元とする座標上にプロットする。検出器設計部１１４は、プロット結果に基づいて、必現パターン尤度が高くなる方向を判定し、その方向において、各検出パラメータの値を決定する。必現動作検出部１１５は、決定した値に基づいて必現動作検出器を設計する。以降は、当該必現動作検出器に基づいて、図２３のステップＳ２３０以降が実行されればよい。

例えば、図７３には、説明の便宜上、パラメータリストを構成する検出パラメータが２つである例が示されている（なお、本実施の形態では、図２４に示したようにパラメータリストは５つの検出パラメータから構成される）。（Ａ）には、この２つの検出パラメータを次元とする座標系に対して、１つの候補区間において、３つのパラメータリストに基づいて（すなわち、３つの必現動作検出器に基づいて）算出された必現パターン尤度であるＡ点、Ｂ点、及びＣ点がプロットされた例が示されている。（Ｂ）には、Ａ点、Ｂ点、及びＣ点に基づいて、必現パターン尤度が高くなる方向ｄ１が決定され、方向ｄ１の先に有る領域Ａ１に対応する値が、各検出パラメータに再設定される（すなわち、新たな検出パラメータが生成される）例が示されている。

上述したように、第６の実施の形態によれば、運動期間の検出に成功する可能性を高めることができる。

なお、上記各実施の形態において、運動期間判定部１３は、情報処理装置の一例である。候補期間抽出部１１３は、特定部の一例である。検出器設計部１１４は、設計部の一例である。必現動作検出部１１５は、検出部の一例である。必現パターン尤度算出部１１８は、第１の算出部の一例である。動作間特徴量抽出部１１６は、第１の抽出部の一例である。特徴尤度算出部１１７は、変換部の一例である。候補期間分類部１２１は、分類部の一例である。運動期間比較部１２０は、判定部の一例である。必現動作尤度算出部１２２は、第２の算出部の一例である。

以上、本発明の実施例について詳述したが、本発明は斯かる特定の実施形態に限定されるものではなく、請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。

１０ 運動期間判定装置
１１ データ収集部
１２ データ前処理部
１３ 運動期間判定部
１４ データ加工部
１５ 判定結果記憶部
１６ 通信部
２０ 出力装置
２１ 可視化部
３０Ｌ 左足用センサデバイス
３０Ｒ 右足用センサデバイス
３０Ｕ 上半身用センサデバイス
４０ データ取得用デバイス
１００ ドライブ装置
１０１ 記録媒体
１０２ 補助記憶装置
１０３ メモリ装置
１０４ ＣＰＵ
１０５ インタフェース装置
１１１ 運動種別選択部
１１２ データ読出部
１１３ 候補期間抽出部
１１４ 検出器設計部
１１５ 必現動作検出部
１１６ 動作間特徴量抽出部
１１７ 特徴尤度算出部
１１８ 必現パターン尤度算出部
１１９ 検出器選択部
１２０ 運動期間比較部
１２１ 候補期間分類部
１２２ 必現動作尤度算出部
１５１ 検出パラメータ記憶部
１５２ ルール記憶部
１５３ 状態遷移確率記憶部
Ｂ バス

Claims (13)

1. 体の１以上の部位の動きを時系列に示すセンサデータに基づいて、所定の運動が行われたことが推定される期間を特定する特定部と、
   前記センサデータに基づいて、前記期間における動作群を検出する検出部と、
   前記検出された動作群を構成する動作ごとに、当該動作群における他の動作との間の特徴量を抽出する第１の抽出部と、
   抽出された特徴量を、当該特徴量が前記所定の運動にとって尤もらしい度合いを示す指標に変換する変換部と、
   前記変換部によって変換された指標に基づいて、当該動作群が前記所定の運動であることの尤度を算出する第１の算出部と、
   を有することを特徴とする情報処理装置。
2. 前記検出部は、１以上の関節の、所定軸方向または所定面の所定物理量を示すセンサデータが所定周波数帯域に変換されたデータにおいて、所定値以上のピークを検出する、
   ことを特徴とする請求項１記載の情報処理装置。
3. 前記検出部は、前記動作群を検出するための複数の条件を前記センサデータに適用して、前記条件ごとに動作群を検出し、
   前記第１の算出部は、前記条件ごとに、当該条件に基づいて検出された動作群の前記指標に基づいて、当該動作群が前記所定の運動であることの尤度を算出する、
   ことを特徴とする請求項１又は２記載の情報処理装置。
4. 所定時間以上のセンサデータから前記運動の発生頻度分布を特定し、前記の発生頻度分布が所定条件を満たさない場合に、前記複数の条件ごとに算出された複数の前記尤度に基づいて、新たな条件を設計する設計部、
   を有することを特徴とする請求項３記載の情報処理装置。
5. 前記第１の抽出部は、
   動作間において、動作の速度特徴または時間特徴が類似している度合い、
   動作間において、動作の所属部位が交互である度合い、
   動作間において、動作発生時刻が同時に発生している度合い、
   動作間において、動作が特定順序で発生している度合い、
   のうちいいずれかを抽出する請求項１乃至４いずれか一項記載の情報処理装置。
6. 前記検出された動作群を構成する動作ごとに、各動作の特徴量を抽出し、抽出された特徴量を、当該特徴量が前記所定の運動にとって尤もらしい度合いを示す指標に変換し、変換された指標に基づいて第２の尤度を算出する第２の算出部を有し、
   前記第１の算出部は、前記第２の尤度を加えて前記尤度を算出する、
   ことを特徴とする請求項１乃至５いずれか一項記載の情報処理装置。
7. 前記検出された動作群を構成する各動作に、前記所定の運動における複数の第１の状態と、前記所定の運動以外の第２の状態とに関する状態遷移確率情報および状態観測確率情報に基づいて、いずれかの状態を割り当てて、前記特定部によって特定された期間を、前記第１の状態が割り当てられた動作に係る第１の期間と、前記第２の状態が割り当てられた動作に係る第２の期間とに分類する分類部を有し、
   前記第１の算出部は、前記検出された動作群のうち前記第１の期間に係る動作群の前記指標に基づいて、当該動作群が前記所定の運動であることの尤度を算出する、
   ことを特徴とする請求項１乃至６いずれか一項記載の情報処理装置。
8. 前記分類部は、部位ごとに異なる状態を加えて状態群を構成し、前記所定の運動の開始を示す状態と、前記所定の運動の終了を示す状態と、前記所定の運動ではないことを示す状態を加えて状態群を構成し、前記所定の運動とは異なる運動に関する状態も加えて状態群を構成し、構成された状態群の中のいずれかの状態を前記検出された動作群を構成する各動作に割り当てる、
   ことを特徴とする請求項７記載の情報処理装置。
9. 前記分類部は、前記特定された期間のセンサデータに基づいて、前記状態遷移確率情報および前記状態観測確率情報を学習し、学習された前記状態遷移確率情報および前記状態観測確率情報に基づいて、前記特定された期間を前記第１の期間と前記第２の期間に分類する、
   ことを特徴とする請求項７又は８記載の情報処理装置。
10. 前記分類部は、前記学習された状態遷移確率情報および状態観測確率情報と、既存の前記状態遷移確率情報および前記状態観測確率情報との類似度に応じて、前記学習された状態遷移確率情報および状態観測確率情報を利用する、
    ことを特徴とする請求項９記載の情報処理装置。
11. 前記第１の算出部は、複数の運動の種別のそれぞれごとに、検出された動作群の前記指標に基づいて、当該動作群が当該運動の種別に関する動作群であることの尤度を算出し、
    前記運動の種別の組み合わせ、および、前記運動の種別ごとの尤度に基づいて、前記期間における運動の種別を判定する判定部、
    を有することを特徴とする請求項１乃至１０いずれか一項記載の情報処理装置。
12. 体の１以上の部位の動きを時系列に示すセンサデータに基づいて、所定の運動が行われたことが推定される期間を特定する処理と、
    前記センサデータに基づいて、前記期間における動作群を検出する処理と、
    前記検出された動作群を構成する動作ごとに、当該動作群における他の動作との間の特徴量を抽出する処理と、
    抽出された特徴量を、当該特徴量が前記所定の運動にとって尤もらしい度合いを示す指標に変換する処理と、
    前記変換する処理において変換された指標に基づいて、当該動作群が前記所定の運動であることの尤度を算出する処理と、
    をコンピュータが実行することを特徴とする情報処理方法。
13. 体の１以上の部位の動きを時系列に示すセンサデータに基づいて、所定の運動が行われたことが推定される期間を特定する処理と、
    前記センサデータに基づいて、前記期間における動作群を検出する処理と、
    前記検出された動作群を構成する動作ごとに、当該動作群における他の動作との間の特徴量を抽出する処理と、
    抽出された特徴量を、当該特徴量が前記所定の運動にとって尤もらしい度合いを示す指標に変換する処理と、
    前記変換する処理において変換された指標に基づいて、当該動作群が前記所定の運動であることの尤度を算出する処理と、
    をコンピュータに実行させることを特徴とする情報処理プログラム。

Images