JP6822715B1 - 身体負荷推定装置及び身体負荷推定方法 - Google Patents

Abstract

【課題】手に圧力がかかる動作の際に身体の所定部位にかかる負荷を推定する技術を提供する。【解決手段】身体負荷推定装置は、複数の教師データに基づいて機械学習されている学習済みモデルを格納するモデル格納手段と、対象者の手の平側で測定された荷重情報及びその対象者の身体の一以上の部位で測定された姿勢情報を測定タイミングで関連付け可能な状態で取得する取得手段と、当該取得された荷重情報及び姿勢情報をその学習済みモデルに適用して、その荷重情報及びその姿勢情報が示す荷重及び姿勢に対応して対象者の当該所定部位にかかる負荷を推定する推定手段と、を備える。【選択図】図４

Description

本発明は、手に圧力がかかる動作の際に身体にかかる負荷を推定する技術に関する。

近年の働き方改革の動きから工場やオフィス等の職場において自動化・ロボット化が進み、人の作業負担が大きく軽減されつつある。一方で、農林水産業や医療・介護、土木建築業等のように、自動化が難しく、どうしても人手に頼らなければならない業務がある。このような業務の従事者は、荷物を持ち上げたり、高齢者を抱えたり、中腰姿勢を維持したりといった身体への負担が大きい作業により腰痛等を発症してしまうことも多い。

下記特許文献１には、使用者の手にかかる荷重とその使用者の姿勢との関係を予め格納しておき、その使用者に関して検出された姿勢とその予め格納されている上記関係とに基づいて、その使用者の手に許容される荷重を推定する負荷検出装置が開示されている。この装置によれば、特定の人を対象にして姿勢ごとに許容される手の荷重を推定することができるため、検出された姿勢に応じて腰に過度の負担がかからないようにすることができる。
なお、下記特許文献２にはハンドセンサ装置が開示されており、その詳細は後述する。

特開２０１９−１５４８１７号公報 特開２０１９−２０３８０４号公報

上述したとおり、特許文献１の装置によれば、使用者は、自身の腰に過度の負担がかからない範囲で手の荷重を抑制するように注意することができる。しかしながら、検出された姿勢に応じて許容される手の荷重が推定されるに過ぎないため、実際にその使用者の身体にかかっている負荷が把握できるわけではない。

本発明は、このような事情に鑑みてなされたものであり、手に圧力がかかる動作の際に身体の所定部位にかかる負荷を推定する技術を提供する。

本発明の一側面によれば、手に圧力がかかる動作の際に身体の所定部位にかかる負荷の正解情報と、その動作の際における手の平側の荷重情報及び身体の一以上の部位の姿勢情報とが関連付けられた複数の教師データに基づいて機械学習されている学習済みモデルを格納するモデル格納手段と、対象者の手の平側で測定された荷重情報及びその対象者の身体の一以上の部位で測定された姿勢情報を測定タイミングで関連付け可能な状態で取得する取得手段と、当該取得された荷重情報及び姿勢情報をその学習済みモデルに適用して、その荷重情報及びその姿勢情報が示す荷重及び姿勢に対応して対象者の当該所定部位にかかる負荷を推定する推定手段と、を備える身体負荷推定装置が提供される。
また、本発明の他の側面によれば、上述の学習済みモデルを格納するメモリと、そのメモリにアクセス可能なプロセッサとを備える装置により実行される身体負荷推定方法であって、対象者の手の平側で測定された荷重情報及びその対象者の身体の一以上の部位で測定された姿勢情報を測定タイミングで関連付け可能な状態で取得し、その取得された荷重情報及び姿勢情報を当該学習済みモデルに適用して、その荷重情報及びその姿勢情報が示す荷重及び姿勢に対応してその対象者の当該所定部位にかかる負荷を推定することを含む身体負荷推定方法が提供される。
また、本発明の他の側面によれば、上述の身体負荷推定方法を上述のコンピュータに実行させるためのコンピュータプログラムが提供されてもよいし、そのコンピュータプログラムを記憶する記憶媒体が提供されてもよい。

本発明によれば、手に圧力がかかる動作の際に身体の所定部位にかかる負荷を推定する技術を提供することができる。

第一実施形態に係る身体負荷推定装置の全体構成を示す模式図である。 グローブ部の外観を示す図である。 第一実施形態に係る身体負荷推定装置のハードウェア構成を示す模式図である。 メイン処理ユニットのソフトウェア構成を示す模式図である。 負荷推定ＡＩモデルのニューラルネットワーク構造を示す模式図である。 第一実施形態に係る身体負荷推定装置の動作例を示すシーケンスチャートである。 第二実施形態に係る動作アシスト装置の構成を示す模式図である。 第一実施形態に係る身体負荷推定装置において推定された負荷値と筋電位センサにより測定された筋負荷値とを比較するグラフである。

以下、本発明の実施形態について図面を用いて説明する。以下に挙げる各実施形態はそれぞれ例示であり、本発明は以下の実施形態の構成に限定されない。

［第一実施形態］
第一実施形態に係る身体負荷推定装置（以降、装置と略称する場合もある）１は、手に圧力がかかる動作を行っている対象者の手の平側の荷重情報及びその対象者の身体の一以上の部位の姿勢情報を測定し、その測定された荷重情報及び姿勢情報に基づいて、その荷重情報及び姿勢情報が示す荷重及び姿勢に対応してその対象者の所定部位にかかる負荷を推定する。
対象者は、装置１を利用する任意のユーザである。また、手に圧力がかかる動作の具体的動作内容についても何ら制限されない。例えば、荷物を持ち上げたり、高齢者を抱えたり、膝に手をついて立ち上がったり、手を使ったマッサージであったり等、手に圧力がかかる動作には様々な動作がある。以降、負荷推定の対象となる手に圧力がかかる動作を対象動作と表記する場合がある。
このように、第一実施形態によれば、手に圧力がかかる動作を行っている際の対象者の手の平側の荷重及び身体の姿勢に応じて対象者の所定部位にかかる負荷をリアルタイムに推定することができる。

上述の「対象者の所定部位」は、対象動作の際に負荷がかかる対象者の身体のどこかの部位であればよく、例えば、腰部、腕部、肩部、首部、腹部等が当該「対象者の所定部位」とされ得る。第一実施形態では、対象者の腰部にかかる負荷が推定される。
また、「対象者の身体の一以上の部位の姿勢情報」とは、対象者の身体の一以上の部位の位置若しくは向き（傾き）のいずれか一方を示し得る情報であればよいが、位置及び向きの両方を示し得る情報であることが好ましい。
更に言えば、「対象者の身体の一以上の部位の姿勢情報」は、対象者の手又は腕の一以上の第一部位の位置及び向きを示し得る情報及び対象者の胴体、頭又は首の一以上の第二部位の位置及び向きを示し得る情報を含むことがより好ましい。
対象動作で力点に近い手又は腕の部位（第一部位）と、身体の中軸となる胴体、頭又は首の部位（第二部位）との各姿勢情報を用いることで、当該対象動作を行う際の対象者の姿勢を細かく区別することができる。例えば、同じような起き上がり動作であっても、膝を曲げて腰を落とした姿勢から起き上がる動作と、膝を伸ばして腰を曲げた姿勢から起き上がる動作とを区別することができる。そして、これら動作では身体にかかる負荷が異なることから、結果として、身体にかかる負荷の推定精度を向上させることができる。
詳細は後述するが、第一実施形態では、対象者の手の背側の位置及び向きを示し得る情報及び対象者の腰部の位置及び向きを示し得る情報が当該姿勢情報として取得され、対象者の腰部にかかる負荷の推定に用いられる。

ここで「位置及び向きを示し得る情報」とは、位置及び向きを直接的に示す情報のみならず、積分等のような何らかの計算を施すことで位置及び向きを最終的に示すことになる情報をも包含する意味で用いる。
また、「測定された荷重情報」或いは「測定された姿勢情報」とは、センサ信号から直接的に得られる情報（第一実施形態における加速度値、地磁気値、角速度値等）のみならず、センサ信号から直接的に得られる情報に対して何らかの計算を施すことで得られる情報（第一実施形態におけるクォータニオン等）をも包含する意味で用いる。

以下、第一実施形態に係る装置１についてより具体的に説明する。
図１は、第一実施形態に係る身体負荷推定装置１の全体構成を示す模式図であり、図２は、グローブ部２１の外観を示す図であり、図３は、第一実施形態に係る身体負荷推定装置１のハードウェア構成を示す模式図である。
図１に示されるように、装置１は、大きく分けると、ハンドセンサ部２及び本体部３から構成されている。

〔ハンドセンサ部〕
ハンドセンサ部２は、対象者の手に着脱自在に装着可能なグローブ部２１及びグローブ部２１の背側（甲の部分）に設けられたセンサ処理基板２２を有している。センサ処理基板２２は、外側に露出しないようにグローブ部２１の内側に内設されていてもよいし、袋体に収容された状態でグローブ部２１の甲側に固設されていてもよい。
図１には、２つのハンドセンサ部２が対象者の両手に装着されている例が示されているが、１つのハンドセンサ部２が対象者の片手に装着されてもよい。

グローブ部２１は、図２に示されるように、５本指、手の平及び手首を覆う一般的な手袋形状を有している。但し、グローブ部２１の形状は、図２に示される例に限定されない。例えば、グローブ部２１の形状は、５本指、手の平及び手首の全てを覆う形状でなくてもよく、例えば、手の甲側が開放されていてもよい。
また、グローブ部２１は、人の手に着脱容易に形成されていればよく、その材質は、綿、ポリエステル、合成樹脂等、何ら制限されない。

グローブ部２１の手の平側には、手にかかる荷重（圧力）を検出可能な第一感圧センサ２３及び第二感圧センサ２４が設けられている。本実施形態において、第一感圧センサ２３は、グローブ部２１の全ての手指の腹部に設けられており、第二感圧センサ２４は、グローブ部２１の平側の指尖球部に設けられている。
第一感圧センサ２３及び第二感圧センサ２４は、加圧により電気特性が変化するのであれば、その具体的な原理や構造は限定されない。加圧により変化する電気特性は、例えば、電気抵抗値や静電容量などである。例えば、第一感圧センサ２３及び第二感圧センサ２４は、伸縮性又は柔軟性を有する薄膜状の感圧導電性エラストマセンサで実現される。但し、第一感圧センサ２３及び第二感圧センサ２４は、薄膜状に形成されていなくてもよいし、柔軟性を有していなくてもよい。

また、第一感圧センサ２３及び第二感圧センサ２４のグローブ部２１への取り付け形態は、何ら制限されない。第一感圧センサ２３及び第二感圧センサ２４は、グローブ部２１の外側（露出側）に接着されていてもよいし、グローブ部２１の手の平側の内側（手を入れた状態で手の平側が当接する裏側）に接着されていてもよい。また、第一感圧センサ２３及び第二感圧センサ２４は、グローブ部２１の素材に重ね合わされるのではなく、グローブ部２１の素材に編み込まれてもよい。

本実施形態によれば、対象動作の際に手の平側にかかる荷重として手の指の腹部にかかる荷重と手の平（指尖球）にかかる荷重とをそれぞれ用いることで、対象動作における手の平側への荷重の細かなかかり方までも推定材料として用いることができるため、いずれか一方の荷重のみを用いる場合と比べて、負荷の推定精度を高めることができる。

グローブ部２１の背側には、第一感圧センサ２３及び第二感圧センサ２４の各々の２つの端子に接続される２本の配線部２５が配設されている。
本実施形態では、図２（ｂ）に示されるように、これら配線部２５は、伸縮性又は柔軟性を有する薄膜状導電体で形成されており、グローブ部２１の背側に接着されている。そして、これら配線部２５は、センサ処理基板２２に接続されている。
但し、配線部２５は、断線を抑えつつ、第一感圧センサ２３及び第二感圧センサ２４の電気特性の変化をセンサ処理基板２２に伝えることができるのであれば、その素材や形状は何ら制限されない。

また、グローブ部２１における感圧センサの配置は、図２に示される例に限定されない。
例えば、第一感圧センサ２３は、５本の手指の全てではなく、一部の手指にのみ設けられていてもよく、一以上の手指に設けられればよい。第二感圧センサ２４についても、グローブ部２１の指尖球部ではなく、グローブ部２１の母指球部又は小指球部に設けられてもよく、グローブ部２１の手の平部の一部又は全部に設けられればよい。
また、感圧センサは、第一感圧センサ２３又は第二感圧センサ２４のいずれか一方のみでもよい。また、第一感圧センサ２３及び第二感圧センサ２４に加えて更なる感圧センサが設けられてもよい。例えば、母指球部若しくは小指球部の一方又は両方に感圧センサが更に設けられてもよい。感圧センサは、グローブ部２１の平側における手を握った状態で屈曲の少ない部位に設けられることが好ましい。
このように感圧センサの配置は様々考えられるが、身体の負荷を推定する上で適正な荷重情報を得ることができると共に、ハンドセンサ部２の製造コストや破損等を考慮して、適切な配置に決定されることが好ましい。図２に例示される本実施形態における感圧センサの配置は、このような観点からも望ましい配置であるといえる。

センサ処理基板２２は、上述したとおりグローブ部２１の背側に設けられており、センサ処理ユニット２６及びハンド慣性センサ２７を有している。
ハンド慣性センサ２７は、対象者の手の背側の位置及び向きを示し得る情報を検出するセンサである。本実施形態におけるハンド慣性センサ２７は、９軸慣性センサ（３軸加速度センサ、３軸地磁気センサ、３軸ジャイロセンサ）であり、３軸方向の加速度、３軸方向の地磁気、及び３軸周りの角速度を測定する。加速度を２階積分することで変位を得ることができ、角速度を１階積分すること角度を得ることができるため、ハンド慣性センサ２７で測定される情報は、対象者の手の背側の位置及び向きを示し得る情報と表記できる。詳細は後述するが、本実施形態では、ハンド慣性センサ２７により測定されたこれらセンサ値から３軸方向の加速度値及び４成分からなるクォータニオンが用いられる。

但し、ハンド慣性センサ２７は、対象者の手の背側の位置及び向きを示し得る情報を測定することができるのであれば、その具体的な原理や構造は限定されない。ハンド慣性センサ２７は、９軸慣性センサでなくてもよく、３軸加速度センサ及び３軸ジャイロセンサからなる６軸慣性センサであってもよいし、画像センサを含む他のセンサであってもよい。ハンド慣性センサ２７が画像センサを含む場合には、検出された画像に対して一般的な画像認識処理を適用することで対象者の手の背側の位置及び向きを検出することもできる。

また、ハンド慣性センサ２７の配置は、対象者の手の背側に限定されず、グローブ部２１の手首部に設けられてもよい。このとき、ハンド慣性センサ２７は、グローブ部２１の手首部の背側に設けられてもよいし、手の平側に設けられてもよい。
本実施形態によれば、荷重情報を取得可能なセンサ（第一感圧センサ２３及び第二感圧センサ２４）と姿勢情報を取得可能なハンド慣性センサ２７とをグローブ部２１に設けることで、対象者はグローブ部２１を装着するだけでよいため、手の荷重情報及び手の姿勢情報を容易に入手することができる。

センサ処理ユニット２６は、ＣＰＵ（Central Processing Unit）２６１、メモリ２６２、入出力インタフェース（Ｉ／Ｆ）２６３、無線通信ユニット２６４等を有している。センサ処理ユニット２６は、シングルチップのＩＣ（Integrated Circuit）で実現されてもよいし、複数のＩＣチップで実現されてもよい。
図３に図示されるセンサ処理ユニット２６の構成はあくまで例示であり、センサ処理ユニット２６は、増幅器やＡＤ変換器等のように図示されていない構成を含んでもよい。また、図示される各構成の数も図３の例に限定されない。

ＣＰＵ２６１はいわゆるプロセッサであり、メモリ２６２は、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）等である。メモリ２６２には、ハンドセンサ部２の各種機能を実現する制御プログラムが格納される。
入出力Ｉ／Ｆ２６３は、外部に接続された部品から信号を入力し、外部に接続された部品へ信号を出力するインタフェースである。第一感圧センサ２３、第二感圧センサ２４、及びハンド慣性センサ２７は入出力Ｉ／Ｆ２６３に接続されており、それらセンサからの信号は入出力Ｉ／Ｆ２６３に入力される。
無線通信ユニット２６４は、本体部３を含む他の機器と無線通信を行う。無線通信の方式は何ら制限されない。例えば、無線通信ユニット２６４は、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＢＬＥ（Bluetooth（登録商標） Low Energy）、ＺｉｇＢｅｅ、ＷｉＦｉ等のような通信方式により他の機器と無線通信を行う。

センサ処理ユニット２６は、ＣＰＵ２６１によりメモリ２６２（ＲＯＭ）に格納されている制御プログラムを実行させることで、次のような処理を行う。
センサ処理ユニット２６は、入出力Ｉ／Ｆ２６３を介して第一感圧センサ２３及び第二感圧センサ２４からのセンサ信号を取得する。取得されるセンサ信号は、第一感圧センサ２３及び第二感圧センサ２４の各々からの電気特性を示すアナログ信号が所定周期（例えば、１ｍｓ）でサンプリングされてＡＤ変換されたデジタル信号（電気特性値）である。
センサ処理ユニット２６は、その取得された電気特性値を示すセンサ信号に基づいて、対象者の手の平側の荷重値を算出する。本実施形態では、第一感圧センサ２３はグローブ部２１の５本の手指の腹部に設けられているため、第一感圧センサ２３からのセンサ信号に基づいて対象者の５本の手指の腹部に掛かる５つの荷重値が算出される。また、第二感圧センサ２４はグローブ部２１の平側の指尖球部に設けられているため、第二感圧センサ２４からのセンサ信号に基づいて対象者の手の指尖球部に掛かる１つの荷重値が算出される。

センサ処理ユニット２６は、第一感圧センサ２３及び第二感圧センサ２４に関する電気特性値から荷重値に変換する電気特性−荷重変換式又は変換テーブルを予め保持しておき、この式又は変換テーブルを用いて、電気特性値を荷重値に変換することができる。
ここで、上記特許文献２に開示されているとおり、人の手の平の硬度は部位によって異なっており、感圧部の感度がその部位の硬度に影響を受けることが見出されている。このため、センサ処理ユニット２６は、第一感圧センサ２３及び第二感圧センサ２４の各々が配置される手の部位の硬度をパラメータとして含む電気特性補正式を更に保持しておき、各感圧センサの電気特性値をその感圧センサが配置された手の部位の硬度が設定された電気特性補正式で補正した後に、上述のように荷重値への変換を行うようにしてもよい。
本実施形態では、２つのハンドセンサ部２が対象者の両手に装着されるため、センサ処理ユニット２６は、対象者の右手の５本の手指の腹部で測定された５つの荷重値、同右手の指尖球部で測定された１つの荷重値、対象者の左手の５本の手指の腹部で測定された５つの荷重値、及び同左手の指尖球部で測定された１つの荷重の合計１２個の荷重値を算出する。

更に、センサ処理ユニット２６は、入出力Ｉ／Ｆ２６３を介してハンド慣性センサ２７から入力されるセンサ信号を所定周期でサンプリングし、３軸方向の加速度値、３軸方向の地磁気値、及び３軸周りの角速度値を取得する。即ち、センサ処理ユニット２６は、対象者の右手及び左手の各々で測定された、３軸方向の加速度値、３軸方向の地磁気値、及び３軸周りの角速度値の２つの組合せを取得する。
このとき、センサ処理ユニット２６は、サンプリング周期を合わせる等して、第一感圧センサ２３及び第二感圧センサ２４からのセンサ信号に基づく荷重値の取得タイミングと合わせて、当該加速度値、当該地磁気値、及び当該角速度値を取得する。これにより、略同じ測定タイミングで測定された荷重値、加速度値、地磁気値及び角速度値を同期を取って取得することができる。

ハンド慣性センサ２７からのセンサ信号直接的に得られる加速度値、地磁気値及び角速度値は、手の背側の位置及び向きを示すため、手の背側の姿勢情報として用いることができる。但し、本実施形態では、センサ処理ユニット２６は、取得された３軸方向の加速度値、３軸方向の地磁気値、及び３軸周りの角速度値からクォータニオンを算出し、このクォータニオンを手の背側の姿勢情報の一つとして用いる。
クォータニオンは、回転軸（ベクトル）と回転角（スカラー）との４成分で３次元空間の回転姿勢を表現する。クォータニオンの計算方法としては様々な方法が存在しているため、どのような方法が用いられてもよい。例えば、角速度値のみから数値積分等によりクォータニオンが算出されてもよい。この手法では、角速度の誤差等が累積されてしまうため、加速度を用いた補正を行う手法、即ち角速度及び加速度からクォータニオンが算出されてもよい。但し、地磁気を用いた更なる補正が適用可能であるため、本実施形態のように、角速度、加速度及び地磁気を用いてクォータニオンが算出されることが好ましい。

ここで、加速度値、地磁気値及び角速度値は、上述したとおり、略同じ測定タイミングで測定された荷重値と同期を取って取得されるため、加速度値、地磁気値及び角速度値から算出されるクォータニオンも当該荷重値と測定タイミングで同期を取って取得されるといえる。
本実施形態では、クォータニオンは、ハンド慣性センサ２７からのセンサ信号に基づいてセンサ処理ユニット２６により算出されるが、ハンド慣性センサ２７によりクォータニオンが算出され、センサ処理ユニット２６に送られてもよい。
また、本実施形態では、ハンド慣性センサ２７からのセンサ信号に基づく対象者の手の背側（第一部位）の向きを示し得る姿勢情報としてクォータニオンが用いられたが、クォータニオンに加えて又はクォータニオンと替えてＺ−Ｙ−Ｘオイラー角が用いられてもよいし、他の表現手法が用いられてもよい。

センサ処理ユニット２６は、上述のように同期を取って取得された荷重情報及び姿勢情報を無線通信ユニット２６４に本体部３へ無線送信させる。本実施形態では、荷重情報として、対象者の右手の平側で測定された６つの荷重値及び対象者の左手の平側で測定された６つの荷重値が本体部３へ送信される。また、対象者の手の背側（第一部位）の向きを示し得る姿勢情報として、対象者の右手及び左手の各々で測定された角速度、加速度及び地磁気から算出された２つのクォータニオンが本体部３へ送信され、対象者の手の背側（第一部位）の位置を示し得る姿勢情報として、対象者の右手及び左手の各々で測定された２組の３軸方向の加速度値が本体部３へ送信される。
本実施形態では、向きを示し得る姿勢情報としてクォータニオンが送信されたが、クォータニオンに替えて若しくは加えて、３軸周りの角速度値及び３軸方向の地磁気値の少なくとも一方が送信されてもよい。もちろん、Ｚ−Ｙ−Ｘオイラー角のような他の情報が向きを示し得る姿勢情報として送信されてもよい。また、本実施形態では、位置を示し得る姿勢情報として３軸方向の加速度値が送信されたが、他の情報が送信されてもよい。
以降、３軸方向の加速度値は加速度ベクトル（３軸成分）と表記する場合があり、３軸周りの角速度値は角速度ベクトル（３軸成分）と表記する場合があり、３軸方向の地磁気値は地磁気ベクトル（３軸方向）と表記する場合がある。

〔本体部〕
本体部３は、図３に示されるように、メイン処理ユニット３０、腰部慣性センサ３７等を有している。
本実施形態では、腰部慣性センサ３７による姿勢情報の測定部位が対象者の腰部と予め決められているため、本体部３は、対象者の腰部（背側）にベルト等を用いて装着される。但し、腰部慣性センサ３７の出力により対象者の腰部の姿勢情報を取得することができるのであれば、本体部３の対象者への装着手法は、このような例に限定されない。
また、腰部慣性センサ３７による測定部位は、対象者の胴体、頭又は首の一以上の第二部位であればよく、腰部慣性センサ３７が予め決められたそのような測定部位に配置されればよい。このため、例えば、本体部３は、携帯端末として実現されてもよい。この場合には、対象者のズボンや上着のポケット等に収容された状態で利用されてもよい。
更に言えば、本体部３と腰部慣性センサ３７とが別体で形成されていてもよい。この場合には、腰部慣性センサ３７のみが予め決められた測定部位に配置されて、本体部３は、ＰＣ（Personal Computer）等のような据置き型の装置、スマートフォン等のような携帯端末等として実現されてもよい。

腰部慣性センサ３７は、対象者の腰部（背側）の位置及び向きを示し得る情報を検出するセンサであり、本実施形態では、ハンド慣性センサ２７と同様の９軸慣性センサである。つまり、本実施形態におけるハンド慣性センサ２７は、対象者の腰部における３軸方向の加速度、３軸方向の地磁気、及び３軸周りの角速度を測定する。このため、腰部慣性センサ３７で測定される情報は、対象者の腰部（背側）の位置及び向きを示し得る情報と表記できる。
腰部慣性センサ３７についても、ハンド慣性センサ２７と同様に、その具体的な原理や構造は限定されない。腰部慣性センサ３７は、ハンド慣性センサ２７と同じセンサでなくてもよく、３軸加速度センサ及び３軸ジャイロセンサからなる６軸慣性センサであってもよいし、画像センサを含む他のセンサであってもよい。

メイン処理ユニット３０は、ＣＰＵ３０１、メモリ３０２、入出力Ｉ／Ｆ３０３、無線通信ユニット３０４等を有している。メイン処理ユニット３０は、シングルチップのＩＣで実現されてもよいし、複数のＩＣチップで実現されてもよい。
図３に図示されるメイン処理ユニット３０の構成はあくまで例示であり、メイン処理ユニット３０は、図示されていない構成を含んでもよい。また、図示される各構成の数も図３の例に限定されない。

ＣＰＵ３０１はいわゆるプロセッサであり、一般的な一以上のＣＰＵ又はＭＰＵ（Micro Processing Unit）であってもよいし、それに替え又はそれと共に、特定用途向け集積回路（ＡＳＩＣ）、ＤＳＰ（Digital Signal Processor）、ＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（Field Programmable Gate Array）等であってもよい。
メモリ３０２は、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）等である。メモリ３０２には、本体部３の各種機能を実現する制御プログラムが格納される。制御プログラムには、学習済みモデルも含まれる。

ここで「学習済みモデル」とは、回帰分析で得られる回帰式であってもよいし、ディープラーニング（深層学習）等で得られるニューラルネットワークモデルであってもよく、そのモデルのデータ構造や学習アルゴリズム等は限定されない。例えば、学習済みモデルは、コンピュータプログラムとパラメータとの組合せ、複数の関数とパラメータとの組合せなどにより実現される。学習済みモデルは、ニューラルネットワークで構築される場合で、かつ、入力層、中間層及び出力層を一つのニューラルネットワークの単位と捉えた場合に、一つのニューラルネットワークを指してもよいし、複数のニューラルネットワークの組合せを指してもよい。また、学習済みモデルは、複数の重回帰式の組合せで構成されてもよいし、一つの重回帰式で構成されてもよい。
本実施形態で利用される学習済みモデルは、教師有り機械学習のＡＩ（Artificial Intelligence）モデルであり、以降、ＡＩモデル３３０と表記される。

入出力Ｉ／Ｆ３０３は、外部に接続された部品から信号を入力し、外部に接続された部品へ信号を出力するインタフェースである。腰部慣性センサ３７は入出力Ｉ／Ｆ３０３に接続されており、腰部慣性センサ３７からの信号は入出力Ｉ／Ｆ３０３に入力される。
無線通信ユニット３０４は、ハンドセンサ部２のセンサ処理基板２２を含む他の機器と無線通信を行う。無線通信の方式は何ら制限されない。例えば、無線通信ユニット３０４は、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＢＬＥ（Bluetooth（登録商標） Low Energy）、ＺｉｇＢｅｅ、ＷｉＦｉ等のような通信方式により他の機器と無線通信を行う。

図４は、メイン処理ユニット３０のソフトウェア構成を示す模式図である。
メイン処理ユニット３０は、ＣＰＵ３０１によりメモリ３０２（ＲＯＭ）に格納されている制御プログラムを実行させることで、図４に示されるようなソフトウェア構成を実現する。具体的には、メイン処理ユニット３０は、ソフトウェア構成として、情報取得モジュール３１０、ＡＩ処理モジュール３２０、負荷推定ＡＩモデル（以降、ＡＩモデルと略称する場合もある）３３０等を有している。情報取得モジュール３１０は取得手段と表記することができ、ＡＩ処理モジュール３２０は推定手段と表記することができる。
但し、図４に示される各ソフトウェア構成要素は、説明の便宜のために概念的にそれぞれ分けて示したものであるため、メイン処理ユニット３０で実現されるソフトウェア構成は、図４に示されるような各構成要素に明確に区分けされていなくてもよい。

メイン処理ユニット３０は、上述のソフトウェア構成により、ハンドセンサ部２のセンサ処理基板２２（センサ処理ユニット２６）から送信される荷重情報及び姿勢情報を取得し、その取得された荷重情報及び姿勢情報をＡＩモデル３３０に適用して、その荷重情報及びその姿勢情報が示す荷重及び姿勢に対応して対象者の腰部にかかる負荷を推定する。
メイン処理ユニット３０がこのような処理を実行するにあたり、ＡＩモデル３３０はメモリ３０２に既に格納されている。ＡＩモデル３３０は、教師有りの機械学習アルゴリズムで学習済みのＡＩモデルである。

ＡＩモデル３３０は、対象者の手の平側で測定された荷重情報及びその対象者の身体の一以上の部位で測定された姿勢情報を入力して、対象者の所定部位にかかる負荷を推定するＡＩモデルである。ＡＩモデル３３０は、対象動作の際に身体の所定部位にかかる負荷の正解情報と、その動作の際における手の平側の荷重情報及び身体の姿勢情報とが関連付けられた複数の教師データに基づいて機械学習されている。
ここで「教師データ」とは、訓練データ、学習データ等とも呼ばれ、入力（例題）と正解（答え）とのデータセットを意味する。本実施形態で利用される教師データでは、手の平側の荷重情報及び身体の一以上の部位の姿勢情報が入力情報であり、所定部位にかかる負荷が正解情報とされている。

本実施形態では、対象動作の際に対象者の両手の平側で測定された１２個の荷重値が荷重情報として準備され、その対象動作の際に対象者の両手の背側（第一部位）で測定されたセンサ値に対応する２つのクォータニオン（４成分）及び２つの加速度ベクトル（３軸成分）、並びにその対象動作の際に対象者の腰部（背側）で測定されたセンサ値に対応する１つのクォータニオン（４成分）及び１つの加速度ベクトル（３軸成分）が姿勢情報として準備される。
更に、その対象動作の際に、その対象者の腰部で筋負荷値を測定しておき、測定された筋負荷値が正解情報として準備される。本実施形態では、筋負荷値は、市販の筋電位センサを対象者の腰部の筋肉（例えば腸腰筋）に付けることで、筋電位として測定することができる。
このように準備された手の平側の荷重情報及び身体の姿勢情報と、筋負荷値の正解情報とが関連付けられて、教師データとされる。そして、このような教師データが、当該対象動作の中の複数のタイミングで測定された情報からそれぞれ生成されることで、複数の教師データが生成できる。
本実施形態におけるＡＩモデル３３０は、このように生成された複数の教師データを用いて所定の機械学習アルゴリズムにより学習される。上述したとおり、ＡＩモデル３３０の学習に用いられる機械学習アルゴリズムは何ら限定されない。

このように負荷の正解情報として筋電位センサ等で測定された筋負荷値（筋電位）を用いた教師データでＡＩモデル３３０を機械学習することで、対象者の所定部位（本実施形態では腰部）にかかる負荷を高精度に推定することができる。
本実施形態におけるＡＩモデル３３０は、対象者の両手の平側で測定された１２個の荷重値が当該荷重情報として入力され、対象者の両手の背側（第一部位）で測定されたセンサ値に対応する２つのクォータニオン（４成分）及び２つの加速度ベクトル（３軸成分）、並びに対象者の腰部（背側）で測定されたセンサ値に対応する１つのクォータニオン（４成分）及び１つの加速度ベクトル（３軸成分）が姿勢情報として入力されることで、対象者の腰部にかかる負荷値（筋電位の推定値）を推定（出力）する。

図５は、負荷推定ＡＩモデル３３０のニューラルネットワーク構造を示す模式図である。
本実施形態では、ＡＩモデル３３０は、図５に示されるように、ニューラルネットワークと呼ばれるモデルで実現されている。ニューラルネットワークでは、入力層、中間層（隠れ層）及び出力層の各層において複数のノード（ニューロンとも呼ばれる）がエッジで連結されている構造を持ち、各ノードの値がそのノードに接続される他のノードの値及びエッジの重み（パラ―メータ）から活性化関数で算出される。
例えば、ＡＩモデル３３０は、入力データを対応するセンサごとに全結合させた第一層（入力層）のニューロン群を設け、そのニューロン群を順次全結合させた複数の中間層のニューロン群を設け、第ｎ層（出力層）の一つのニューロンに全結合させた構造とすることができる。これにより、出力層のニューロンの出力値が負荷値（筋電位の推定値）となる。例えば、第一層のニューロン群は次のように形成することができる。
・左手の第一感圧センサ２３及び第二感圧センサ２４のセンサ値から得られる６つの荷重値が全結合された所定数（例えば５個）のニューロン群
・右手の第一感圧センサ２３及び第二感圧センサ２４のセンサ値から得られる６つの荷重値が全結合された所定数（例えば５個）のニューロン群
・左手のハンド慣性センサ２７により測定された３つの加速度値（３軸の各方向の加速度値）が全結合された所定数（例えば５個）のニューロン群
・左手のハンド慣性センサ２７のセンサ値から得られるクォータニオンの４つの成分値が全結合された所定数（例えば５個）のニューロン群
・右手のハンド慣性センサ２７により測定された３つの加速度値（３軸の各方向の加速度値）が全結合された所定数（例えば５個）のニューロン群
・右手のハンド慣性センサ２７のセンサ値から得られるクォータニオンの４つの成分値が全結合された所定数（例えば５個）のニューロン群
・腰部の腰部慣性センサ３７により測定された３つの加速度値（３軸の各方向の加速度値）が全結合された所定数（例えば５個）のニューロン群
・腰部の腰部慣性センサ３７のセンサ値から得られるクォータニオンの４つの成分値が全結合された所定数（例えば５個）のニューロン群
但し、ＡＩモデル３３０ニューラルネットワーク構造はこのような例に限定されない。ＡＩモデル３３０のニューラルネットワークを構成する層数やニューロン数等は適宜決めることができる。

情報取得モジュール３１０は、センサ処理基板２２のセンサ処理ユニット２６から無線送信された対象者の手の平側の荷重情報及び対象者の手の背側の姿勢情報を無線通信ユニット３０４を介して取得する。具体的には、通信処理モジュール３１０は、対象者の右手及び左手それぞれの平側で測定された１２個の荷重値を荷重情報として取得し、対象者の右手及び左手それぞれにおいてハンド慣性センサ２７により測定されたセンサ値に基づく２つのクォータニオン（４成分）及び２つの加速度ベクトル（３軸成分）を対象者の手の背側（第一部位）の姿勢情報として取得する。
上述したとおり、センサ処理ユニット２６では、その荷重情報及び姿勢情報は測定タイミングで同期を取って取得され無線送信されるため、通信処理モジュール３１０は、当該荷重情報及び姿勢情報を測定タイミングで関連付け可能な状態で取得するということができる。例えば、センサ処理ユニット２６が、測定タイミングで同期を取って取得された荷重情報及び姿勢情報を無線パケットの同一ＰＤＵ（Protocol Data Unit）で送信する、或いはタイムスタンプを付して無線送信する等により、通信処理モジュール３１０は、それら荷重情報及び姿勢情報を関連付け可能な状態で取得することができる。

更に、情報取得モジュール３１０は、腰部慣性センサ３７からのセンサ信号が入出力Ｉ／Ｆ３０３へ入力されることで、対象者の腰部における３軸方向の加速度値、３軸方向の地磁気値、及び３軸周りの角速度値を取得することができる。
情報取得モジュール３１０は、取得された３軸方向の加速度値、３軸方向の地磁気値、及び３軸周りの角速度値からクォータニオンを算出する。情報取得モジュール３１０によるクォータニオンの算出手法については、様々な手法の中から任意に選択されればよく、センサ処理ユニット２６に関して述べたとおりである。
本実施形態において情報取得モジュール３１０は、腰部慣性センサ３７から取得された３軸方向の加速度値を対象者の腰部の位置を示す姿勢情報とし、算出されたクォータニオン（４成分）を対象者の腰部の向きを示す姿勢情報とする。

このように取得された対象者の腰部の姿勢情報についても、上述した対象者の手の平側の荷重情報及び対象者の手の背側の姿勢情報と測定タイミングで関連付け可能な状態で取得する必要がある。例えば、情報取得モジュール３１０は、センサ処理ユニット２６からの受信タイミングと腰部慣性センサ３７からの取得タイミングとが合う、荷重情報、対象者の手の姿勢情報及び対象者の腰部の姿勢情報を同測定タイミングで同期を取って取得された情報として相互に関連付けることができる。また、センサ処理ユニット２６からの姿勢情報及び荷重情報にタイムスタンプが付されている場合には、情報取得モジュール３１０は、腰部慣性センサ３７からの取得タイミングで当該腰部の姿勢情報にタイムスタンプを付して、各情報のタイムスタンプの比較により、相互に関連付けることもできる。
このように通信処理モジュール３１０が姿勢情報及び荷重情報を測定タイミングで関連付け可能な状態で取得する具体的手法については何ら限定されない。

ＡＩ処理モジュール３２０は、上述のように情報取得モジュール３１０により測定タイミングで関連付け可能に取得された荷重情報並びに手及び腰部の姿勢情報をＡＩモデル３３０に適用することで、それら荷重情報及び姿勢情報が示す荷重及び姿勢に対応して対象者の腰部にかかる負荷を推定する。具体的には、ＡＩ処理モジュール３２０は、対象者の両手の平側で測定された１２個の荷重値を荷重情報として、対象者の両手の背側で測定されたセンサ値に対応する２つのクォータニオン（４成分）及び２つの加速度ベクトル（３軸成分）、並びに対象者の腰部（背側）で測定されたセンサ値に対応する１つのクォータニオン（４成分）及び１つの加速度ベクトル（３軸成分）を姿勢情報として、ＡＩモデル３３０に入力する。この入力により、ＡＩ処理モジュール３２０は、ＡＩモデル３３０から出力される対象者の腰部にかかる負荷値（筋電位の推定値）を取得する。

〔身体負荷推定方法〕
次に、装置１により実行される身体負荷推定方法について図６を用いて説明する。
図６は、第一実施形態に係る身体負荷推定装置１の動作例を示すシーケンスチャートである。
装置１は、ハンドセンサ部２のセンサ処理ユニット２６の動作及び本体部３のメイン処理ユニット３０の動作を通じて、図６に示される身体負荷推定方法を実行する。
本方法の各工程は、上述した装置１の各構成要素の処理内容と同様であるため、簡略化して説明する。また、図６に示される各工程の順番は例示であるため、内容に支障のない範囲で適宜入れ替え又は並行実行されてもよい。

ハンドセンサ部２は対象者の右手及び左手にそれぞれ装着されるため、右手のハンドセンサ部２及び左手のハンドセンサ部２がそれぞれ次のように動作する。なお、いずれのハンドセンサ部２も同じ動作をするため、以下には、一方のハンドセンサ部２の動作が代表して説明される。
なお、図６の動作が開始される前には、機械学習済みのＡＩモデル３３０がメモリ３０２に既に格納されている。

ハンドセンサ部２（センサ処理ユニット２６）は、第一感圧センサ２３及び第二感圧センサ２４からの各センサ値（電気特性値）を変換式若しくは変換テーブルを用いて荷重値にそれぞれ変換する。このとき、ハンドセンサ部２は、各感圧センサの電気特性値をその感圧センサが配置された手の部位の硬度が設定された電気特性補正式で補正した後に、上述のように荷重値への変換を行うようにしてもよい。
これにより、ハンドセンサ部２は、片手における６つの荷重値、即ち５本の各指の腹部の荷重値及び指尖球の荷重値を取得する（Ｓ２１）。

更に、ハンドセンサ部２（センサ処理ユニット２６）は、ハンド慣性センサ２７から入力されるセンサ信号を所定周期でサンプリングし、３軸方向の加速度値、３軸方向の地磁気値、及び３軸周りの角速度値を取得する（Ｓ２２）。
続いて、ハンドセンサ部２（センサ処理ユニット２６）は、工程（Ｓ２２）で取得された加速度値、地磁気値及び角速度値を用いて、対象者の手の背側の姿勢を示すクォータニオンを算出する（Ｓ２３）。

ハンドセンサ部２（センサ処理ユニット２６）は、工程（Ｓ２１）で取得された６つの荷重値、工程（Ｓ２２）で取得された３軸方向の加速度値、及び工程（Ｓ２３）で算出されたクォータニオンを本体部３へ無線送信する（Ｓ２４）。
ハンドセンサ部２（センサ処理ユニット２６）は、このような処理を周期的に実行する。

一方、本体部３（メイン処理ユニット３０）は、腰部慣性センサ３７から入力されるセンサ信号を所定周期でサンプリングし、３軸方向の加速度値、３軸方向の地磁気値、及び３軸周りの角速度値を取得する（Ｓ３１）。例えば、このサンプリング周期は、ハンドセンサ部２の工程（Ｓ２２）で利用されるサンプリング周期と同じに設定されている。
続いて、本体部３（メイン処理ユニット３０）は、工程（Ｓ３１）で取得された加速度値、地磁気値及び角速度値を用いて、対象者の腰部の姿勢を示すクォータニオンを算出する（Ｓ３２）。

本体部３（メイン処理ユニット３０）は、右手及び左手のハンドセンサ部２から送信される両手の１２個の荷重値、２つの加速度ベクトル（３軸成分）及び２つのクォータニオンを受信すると共に、工程（Ｓ３１）で取得された腰部の姿勢を示す３軸方向の加速度値及び工程（Ｓ３２）で算出されたクォータニオンを取得する（Ｓ３３）。取得された各情報は、略同様のタイミングで測定されたセンサ値に基づく情報であるため、測定タイミングで関連付け可能な状態となっている。

本体部３（メイン処理ユニット３０）は、工程（Ｓ３３）で取得された各情報をＡＩモデル３３０に適用する（Ｓ３４）。
そして、本体部３（メイン処理ユニット３０）は、ＡＩモデル３３０から出力される、腰部の負荷値を取得する（Ｓ３５）。
本体部３においてもこのような処理が周期的に実行される。

上述のようにして推定された負荷値については様々な利用形態がある。例えば、本体部３は、推定された負荷値を本体部３に接続されている表示装置に表示させることができる。この表示によれば、対象者は、対象動作を行いながら、自身の身体に掛かる負荷の大きさをリアルタイムに把握することができる。
また、本体部３は、推定された負荷値を予め決められた閾値と比較して、負荷値がその閾値を超えた場合に、表示や音等により警告を報知することができる。また、本体部３は、推定された負荷値を時刻情報と共に記録して、その記録された負荷値の時系列情報を何らかの形態で出力することもできる。
このように本実施形態で推定された負荷値の利用形態は何ら制限されない。

［第二実施形態］
以下、上述の第一実施形態に係る身体負荷推定装置１で推定された負荷値の一利用形態として、第二実施形態に係る動作アシスト装置５について図７を用いて説明する。
図７は、第二実施形態に係る動作アシスト装置５の構成を示す模式図である。
動作アシスト装置５は、対象者の身体に装着されて、アクチュエータの出力により対象者の動作をアシストする装置であり、装置１、アシスト機構６、制御部８等により構成される。

アシスト機構６は、対象者の身体に脱着自在に装着可能であり、アクチュエータ７の出力により対象者の動作をアシストする。アシスト機構６の構造は、何ら制限されず、装置１により負荷値が推定される身体の部位（第一実施形態では腰部）への負担を軽減することができるような構造とされればよい。アシスト機構６の構造には公知の様々な構造が利用可能である。
アシスト機構６で用いられるアクチュエータ７の種類や構造についても何ら限定されない。アクチュエータ７は、電気、空気圧、油圧などのエネルギーを機械的な動きに変換する駆動装置であればよく、モータのような電動アクチュエータであってもよいし、空気圧を利用した人工筋肉であってもよいし、それら両方であってもよい。

制御部８は、ＣＰＵ９、メモリ、入出力Ｉ／Ｆ、無線通信ユニット等を有している。但し、制御部８のハードウェア構成は何ら制限されない。制御部８は、メモリに格納される制御プログラムをＣＰＵ９に実行させることで、次のような処理を行う。
制御部８は、装置１により推定された負荷値に応じてアクチュエータ７の出力を調整する。例えば、制御部８は、負荷値が大きければアシスト力が高まるように、アクチュエータ７の出力を調整し、負荷値が小さければアシスト力が低下するように、アクチュエータ７の出力を調整する。但し、制御部８によるアクチュエータ７の出力制御において、装置１により推定された負荷値の具体的な利用方法については何ら制限されない。

第一実施形態で述べたように、装置１により推定された負荷値は、対象動作における対象者の所定部位（第一実施形態では腰部）にかかる負荷を高精度に示しているため、第二実施形態によれば、対象者の所定部位にかかる負荷の大きさに応じた適切なアシスト力で、対象者の動作をアシストすることができる。結果、動作アシスト装置５の消費電力を抑え、稼働時間を長くすることができる。また、アクチュエータ７の不必要な動作も軽減することができるため、動作アシスト装置５の劣化や故障も抑制することができる。

以下に実施例を挙げ、上述の内容を更に詳細に説明する。但し、以下の実施例の内容は、上述の実施形態の内容に何ら限定を加えるものではない。以下の実施例では、上述の第一実施形態において推定される負荷値の精度が検証された。

本実施例では、被験者が、上述の装置１を装着すると共に腸腰筋に筋電位センサを取り付けた状態で、荷物の上げ下ろし動作を行い、その動作の際に装置１により推定される負荷値と筋電位センサからの出力レベルとが記録された。
荷物の上げ下ろし動作は、具体的には、テーブルに置かれた荷物を床に下ろし、床に置いたその荷物を持ち上げて再度テーブルに置く動作とされた。そして、この動作が、膝を曲げて腰を落とした姿勢を含む場合と、膝を伸ばしたまま腰を曲げて行う場合との二つの形態で行われた。以降、前者の動作形態を屈伸有り動作と表記し、後者の動作形態を屈伸無し動作と表記する。
更に、荷物についても、形状は同じだが、１ｋｇの重さの荷物と１０ｋｇの重さの荷物とが用いられた。

図８は、第一実施形態に係る身体負荷推定装置１において推定された負荷値と筋電位センサにより測定された筋負荷値とを比較するグラフである。図８には、装置１により推定された負荷値は推定値と表記されており、筋電位センサにより測定された筋負荷値は筋電位センサ出力レベルと表記されている。
装置１により推定される負荷値は、筋電位センサにより測定された筋負荷値を正解情報とする教師データで学習されたＡＩモデル３３０から出力される値であるため、実際に測定された筋負荷値と同様の負荷レベルとなるはずである。そこで、図８のグラフの縦軸は、腰部負荷レベルとして推定値及び筋電位センサ出力レベルの大きさを示している。また、図８のグラフの横軸は時間を示している。

本実施例では、図８に示されるように、次の順番で上記動作が続けて行われた。
（動作１）１ｋｇの荷物を用いて屈伸有り動作を二回連続で行う。
（動作２）１０ｋｇの荷物を用いて屈伸有り動作を二回連続で行う。
（動作３）１ｋｇの荷物を用いて屈伸無し動作を二回連続で行う。
（動作４）１０ｋｇの荷物を用いて屈伸無し動作を二回連続で行う。
図８では、時間Ｔ１が（動作１）の時間を示し、時間Ｔ２が（動作２）の時間を示し、時間Ｔ３が（動作３）の時間を示し、時間Ｔ４が（動作４）の時間を示している。

本実施例によれば、図８に示されるとおり、装置１において推定された負荷値と筋電位センサにより測定された筋負荷値とが近似する結果となった。両値の相関係数は０．９２を示した。
更に言えば、同じ重さの荷物の上げ下ろし動作であっても、屈伸有り動作と屈伸無し動作とでは筋負荷値（筋電位センサ出力レベル）の傾向が大きく異なっていることが分かる。具体的には、屈伸無し動作のほうが屈伸有り動作よりも腰部にかかる負荷が大きいことが示されており、実情に沿った結果を示している。
従って、本実施例により、上述の第一実施形態の手法によれば、手に圧力がかかる対象動作において身体の所定部位にかかる負荷値をその動作の姿勢に対応して高精度に推定できることが実証された。

また、上述の実施例に加えて、ハンドセンサ部２自体を用いない第一比較モデル、ハンドセンサ部２のハンド慣性センサ２７を用いない第二比較モデル、及び本体部３の腰部慣性センサ３７を用いない第三比較モデルの各々についても、装置１において推定された負荷値と筋電位センサにより測定された筋負荷値との比較がそれぞれ行われた。
第一比較モデルは、腰部の姿勢情報のみを用いて腰部の負荷値を推定するモデルであり、第二比較モデルは、手の平側の荷重情報及び腰部の姿勢情報を用いて腰部の負荷値を推定するモデルであり、第三比較モデルは、手の平側の荷重情報及び手の背側の姿勢情報を用いて腰部の負荷値を推定するモデルである。
結果、いずれの比較モデルも上述の実施例で算出された相関係数（０．９２）よりも低い相関係数を示した。また、第二比較モデルに関しては相関係数（０．８３）を示し、第一実施形態よりも精度は落ちるが、それなりの精度で負荷推定が可能なことが分かった。
一方で、手の平側の荷重情報を用いない第一比較モデルは、最大誤差が大きくなったことから、手の平側の荷重情報を用いた身体の負荷推定の有用性が立証された。

［変形例］
上述の内容は、各実施形態に係る身体負荷推定装置１及び動作アシスト装置７の一例である。身体負荷推定装置１及び動作アシスト装置７は、上述の構成のみに限定されるわけではなく、上述の少なくとも一部の構成を有していれば、部分的に適宜変形されてもよいし、他の構成を更に有していてもよい。

上述の実施形態では、対象者の身体の一以上の部位の姿勢情報として、両手の背側及び腰部の姿勢情報が利用された。しかしながら、実施例の項で述べた通り、負荷推定の精度が低下するが、両手の背側のみの姿勢情報が利用されてもよいし、腰部の姿勢情報のみが利用されてもよい。また、腰部に替えて、頭部、首部、胸部、背中部、臀部等、他の部位の姿勢情報が利用されてもよいし、両手の背側に替えて、両手の手首部若しくは両腕部の姿勢情報が利用されてもよい。また、両手及び両腕ではなく、片手或いは片腕の姿勢情報が利用されてもよい。更に、対象者の身体の３つ以上の部位の姿勢情報が利用されてもよい。
この場合、測定すべき部位に姿勢情報を取得可能なセンサが配置されればよく、決められた部位で測定された姿勢情報を荷重情報と共に身体の所定部位にかかる負荷の正解情報と関連付けてＡＩモデル３３０の教師データが生成されればよい。

また、上述の実施形態では、手の姿勢を示すクォータニオンはセンサ処理ユニット２６で算出され、腰部の姿勢を示すクォータニオンはメイン処理ユニット３０にて算出されたが、ハンド慣性センサ２７又は腰部慣性センサ３７により算出されてもよい。この場合には、センサ処理ユニット２６は、ハンド慣性センサ２７から３軸方向の加速度値及びクォータニオンを取得し、メイン処理ユニット３０は、腰部慣性センサ３７から３軸方向の加速度値及びクォータニオンを取得すればよい。
また、手の姿勢を示すクォータニオンは、メイン処理ユニット３０により算出されるようにしてもよい。この場合、センサ処理ユニット２６は、ハンド慣性センサ２７から得られた３軸方向の加速度値、３軸方向の地磁気値及び３軸周りの角速度値をメイン処理ユニット３０に対して送信し、メイン処理ユニット３０が、それら加速度値、地磁気値及び角速度値を用いてクォータニオンを算出すればよい。

また、上述の実施形態では、ＡＩモデル３３０は、本体部３のメイン処理ユニット３０のメモリ３０２に格納されていたが、他の装置内のメモリに格納されていてもよい。この場合、メイン処理ユニット３０は、無線通信ユニット３０４を介した無線通信により当該他の装置内のＡＩモデル３３０にアクセスすればよい。
また、ＡＩモデル３３０は、適宜、再学習されるようにしてもよい。例えば、サーバ装置においてＡＩモデル３３０の再学習が適宜実行され、メイン処理ユニット３０のメモリ３０２内のＡＩモデル３３０がその再学習されたＡＩモデル３３０で更新されるようにしてもよい。このようにすれば、ＡＩモデル３３０による負荷値の推定精度を向上させることができる。

上述した内容は、次のように特定することもできる。
（付記１）手に圧力がかかる動作の際に身体の所定部位にかかる負荷の正解情報と、該動作の際における手の平側の荷重情報及び身体の一以上の部位の姿勢情報とが関連付けられた複数の教師データに基づいて機械学習されている学習済みモデルを格納するモデル格納手段と、
対象者の手の平側で測定された荷重情報及び該対象者の身体の一以上の部位で測定された姿勢情報を測定タイミングで関連付け可能な状態で取得する取得手段と、
前記取得された荷重情報及び姿勢情報を前記学習済みモデルに適用して、該荷重情報及び該姿勢情報が示す荷重及び姿勢に対応して前記対象者の前記所定部位にかかる負荷を推定する推定手段と、
を備える身体負荷推定装置。
（付記２）前記取得手段により取得される前記姿勢情報は、前記対象者の手又は腕の一以上の第一部位の位置及び向きを示し得る情報及び前記対象者の胴体、頭又は首の一以上の第二部位の位置及び向きを示し得る情報を含む、
付記１に記載の身体負荷推定装置。
（付記３）前記対象者の前記第二部位は、前記対象者の腰部を含み、
前記複数の教師データに含まれる前記正解情報は、人の腰部で測定された筋負荷値であり、
前記推定手段は、前記対象者の腰部にかかる負荷値を推定する、
付記２に記載の身体負荷推定装置。
（付記４）前記対象者の手に着脱自在に装着可能なグローブ部と、該グローブ部の手の平側に設けられた感圧センサと、該グローブ部の背側又は手首部に設けられた慣性センサとを含むハンドセンサ部を更に備え、
前記取得手段は、前記慣性センサからのセンサ信号に基づく前記第一部位の位置及び向きを示し得る情報を含む前記姿勢情報を取得し、前記感圧センサからのセンサ信号に基づく前記荷重情報を取得する、
付記２又は３に記載の身体負荷推定装置。
（付記５）前記ハンドセンサ部の前記感圧センサは、前記グローブ部の一以上の手指の腹部に設けられた第一感圧センサ及び前記グローブ部の手の平部の一部又は全部に設けられた第二感圧センサを含み、
前記取得手段は、前記第一感圧センサからのセンサ信号に基づく前記対象者の一以上の手指の腹部にかかる荷重及び前記第二感圧センサからのセンサ信号に基づく前記対象者の手の平部の一部又は全部にかかる荷重を示す前記荷重情報を取得する、
付記４に記載の身体負荷推定装置。
（付記６） 付記１から５のいずれか一つに記載の身体負荷推定装置と、
前記対象者の身体に脱着自在に装着可能であり、アクチュエータの出力により該対象者の動作をアシストするアシスト機構と、
前記身体負荷推定装置により推定された負荷の情報に基づいて、前記アクチュエータの出力を調整する制御手段と、
を備える動作アシスト装置。

（付記７）手に圧力がかかる動作の際に身体の所定部位にかかる負荷の正解情報と、該動作の際における手の平側の荷重情報及び身体の一以上の部位の姿勢情報とが関連付けられた複数の教師データに基づいて機械学習されている学習済みモデルを格納するメモリと、該メモリにアクセス可能なプロセッサとを備える装置により実行される身体負荷推定方法であって、
対象者の手の平側で測定された荷重情報及び該対象者の身体の一以上の部位で測定された姿勢情報を測定タイミングで関連付け可能な状態で取得し、
前記取得された荷重情報及び姿勢情報を前記学習済みモデルに適用して、該荷重情報及び該姿勢情報が示す荷重及び姿勢に対応して前記対象者の前記所定部位にかかる負荷を推定する、
ことを含む身体負荷推定方法。
（付記８）前記取得される前記姿勢情報は、前記対象者の手又は腕の一以上の第一部位の位置及び向きを示し得る情報及び前記対象者の胴体、頭又は首の一以上の第二部位の位置及び向きを示し得る情報を含む、
付記７に記載の身体負荷推定方法。
（付記９）前記対象者の前記第二部位は、前記対象者の腰部を含み、
前記複数の教師データに含まれる前記正解情報は、人の腰部で測定された筋負荷値であり、
前記対象者の腰部にかかる負荷値が推定される、
付記８に記載の身体負荷推定方法。
（付記１０）前記装置は、前記対象者の手に着脱自在に装着可能なグローブ部と、該グローブ部の手の平側に設けられた感圧センサと、該グローブ部の背側又は手首部に設けられた慣性センサとを含むハンドセンサ部とを更に備えており、
前記取得される姿勢情報は、前記慣性センサからのセンサ信号に基づく前記第一部位の位置及び向きを示し得る情報を含み、
前記取得される荷重情報は、前記感圧センサからのセンサ信号に基づく情報である、
付記８又は９に記載の身体負荷推定方法。
（付記１１）前記ハンドセンサ部の前記感圧センサは、前記グローブ部の一以上の手指の腹部に設けられた第一感圧センサ及び前記グローブ部の手の平部の一部又は全部に設けられた第二感圧センサを含み、
前記取得される荷重情報は、前記第一感圧センサからのセンサ信号に基づく前記対象者の一以上の手指の腹部にかかる荷重及び前記第二感圧センサからのセンサ信号に基づく前記対象者の手の平部の一部又は全部にかかる荷重を示す、
付記１０に記載の身体負荷推定方法。
（付記１２）付記７から１１のいずれか一つに記載の身体負荷推定方法を実行する前記装置と、前記対象者の身体に脱着自在に装着可能であり、アクチュエータの出力により該対象者の動作をアシストするアシスト機構とを備える動作アシスト装置により実行される動作アシスト方法であって、
前記装置により推定された負荷の情報に基づいて、前記アクチュエータの出力を調整する、
ことを含む動作アシスト方法。

１ 身体負荷推定装置（装置）、２ ハンドセンサ部、３ 本体部、５ 動作アシスト装置、６ アシスト機構、７ アクチュエータ、８ 制御部、９ ＣＰＵ、２１ グローブ部、２２ センサ処理基板、２３ 第一感圧センサ、２４ 第二感圧センサ、２５ 配線部、２６ センサ処理ユニット、２７ ハンド慣性センサ、３０ メイン処理ユニット、３７ 腰部慣性センサ、２６１ ＣＰＵ、２６２ メモリ、２６３ 入出力Ｉ／Ｆ、２６４ 無線通信ユニット、３０１ ＣＰＵ、３０２ メモリ、３０３ 入出力Ｉ／Ｆ、３０４ 無線通信ユニット、３１０ 情報取得モジュール、３２０ ＡＩ処理モジュール、３３０ 負荷推定ＡＩモデル（ＡＩモデル）

Claims (7)

1. 手に圧力がかかる動作の際に身体の所定部位にかかる負荷の正解情報と、該動作の際における手の平側の荷重情報及び身体の一以上の部位の姿勢情報とが関連付けられた複数の教師データに基づいて機械学習されている学習済みモデルを格納するモデル格納手段と、
   対象者の手の平側で測定された荷重情報及び該対象者の身体の一以上の部位で測定された姿勢情報を測定タイミングで関連付け可能な状態で取得する取得手段と、
   前記取得された荷重情報及び姿勢情報を前記学習済みモデルに適用して、該荷重情報及び該姿勢情報が示す荷重及び姿勢に対応して前記対象者の前記所定部位にかかる負荷を推定する推定手段と、
   を備える身体負荷推定装置。
2. 前記取得手段により取得される前記姿勢情報は、前記対象者の手又は腕の一以上の第一部位の位置及び向きを示し得る情報及び前記対象者の胴体、頭又は首の一以上の第二部位の位置及び向きを示し得る情報を含む、
   請求項１に記載の身体負荷推定装置。
3. 前記対象者の前記第二部位は、前記対象者の腰部を含み、
   前記複数の教師データに含まれる前記正解情報は、人の腰部で測定された筋負荷値であり、
   前記推定手段は、前記対象者の腰部にかかる負荷値を推定する、
   請求項２に記載の身体負荷推定装置。
4. 前記対象者の手に着脱自在に装着可能なグローブ部と、該グローブ部の手の平側に設けられた感圧センサと、該グローブ部の背側又は手首部に設けられた慣性センサとを含むハンドセンサ部を更に備え、
   前記取得手段は、前記慣性センサからのセンサ信号に基づく前記第一部位の位置及び向きを示し得る情報を含む前記姿勢情報を取得し、前記感圧センサからのセンサ信号に基づく前記荷重情報を取得する、
   請求項２又は３に記載の身体負荷推定装置。
5. 前記ハンドセンサ部の前記感圧センサは、前記グローブ部の一以上の手指の腹部に設けられた第一感圧センサ及び前記グローブ部の手の平部の一部又は全部に設けられた第二感圧センサを含み、
   前記取得手段は、前記第一感圧センサからのセンサ信号に基づく前記対象者の一以上の手指の腹部にかかる荷重及び前記第二感圧センサからのセンサ信号に基づく前記対象者の手の平部の一部又は全部にかかる荷重を示す前記荷重情報を取得する、
   請求項４に記載の身体負荷推定装置。
6. 請求項１から５のいずれか一項に記載の身体負荷推定装置と、
   前記対象者の身体に脱着自在に装着可能であり、アクチュエータの出力により該対象者の動作をアシストするアシスト機構と、
   前記身体負荷推定装置により推定された負荷の情報に基づいて、前記アクチュエータの出力を調整する制御手段と、
   を備える動作アシスト装置。
7. 手に圧力がかかる動作の際に身体の所定部位にかかる負荷の正解情報と、該動作の際における手の平側の荷重情報及び身体の一以上の部位の姿勢情報とが関連付けられた複数の教師データに基づいて機械学習されている学習済みモデルを格納するメモリと、該メモリにアクセス可能なプロセッサとを備える装置により実行される身体負荷推定方法であって、
   対象者の手の平側で測定された荷重情報及び該対象者の身体の一以上の部位で測定された姿勢情報を測定タイミングで関連付け可能な状態で取得し、
   前記取得された荷重情報及び姿勢情報を前記学習済みモデルに適用して、該荷重情報及び該姿勢情報が示す荷重及び姿勢に対応して前記対象者の前記所定部位にかかる負荷を推定する、
   ことを含む身体負荷推定方法。
   

Images