JP7047991B1

JP7047991B1 - 行動状態推定装置、行動状態推定方法、行動状態学習装置、および、行動状態学習方法

Info

Publication number: JP7047991B1
Application number: JP2021574987A
Authority: JP
Inventors: 龍彦松本; 敦士内藤; 直樹河原; 泰 ▲高▼丸
Original assignee: Murata Manufacturing Co Ltd
Current assignee: Murata Manufacturing Co Ltd
Priority date: 2020-07-30
Filing date: 2021-07-21
Publication date: 2022-04-05
Anticipated expiration: 2041-07-21
Also published as: JP7047990B1; US20230148908A1; CN116322508A; WO2022024900A1; WO2022024899A1; JPWO2022024900A1; US20230148906A1; CN115916047A; JPWO2022024899A1

Abstract

行動状態推定装置（１０）は、サンプリング部（１１）、行動状態モデル記憶部（１３Ｂ）、および、推定演算部（１４Ｂ）を備える。サンプリング部（１１）は、変位計測信号を、所定時間内においてサンプリングして、変位計測データを生成する。行動状態モデル記憶部（１３Ｂ）は、変位計測データと所望の筋肉の負荷状態とが関連づけられてモデル化された行動状態モデルを記憶する。推定演算部（１４Ｂ）は、変位計測データを入力ベクトルとして、行動状態モデルを用いて負荷状態を推定する。

Description

本発明は、振戦の検出結果から筋肉の負荷状態を含む行動状態を推定する技術、および、この推定技術のための行動状態モデルの生成技術（行動状態学習技術）に関する。

特許文献１には、行動状態推定装置等が記載されている。特許文献１に記載の行動状態推定装置は、変位検知センサの測定信号を周波数成分に変換する。特許文献１に記載の行動状態推定装置は、所定の周波数バンドの成分から、行動状態を推定する。

特開２０１１－１８２８２４号公報

しかしながら、特許文献１に示すような従来の装置および方法では、センサの測定信号を周波数成分に変換する必要がある。このため、推定用の信号を生成する処理負荷が増大する。

したがって、本発明の目的は、所望の推定精度を実現しながら、処理負荷を抑制する行動状態推定技術を提供することにある。

この発明の行動状態推定装置は、第１サンプリング部、行動状態モデル記憶部、および、推定演算部を備える。第１サンプリング部は、変位計測信号を所定時間内においてサンプリングして、変位計測データを生成する。行動状態モデル記憶部は、変位計測データと所望の筋肉の負荷状態とが関連づけられてモデル化された行動状態モデルを記憶する。推定演算部は、変位計測データを入力ベクトルとして、行動状態モデルを用いて負荷状態を推定する。

この構成では、変位計測データを直接用いて、負荷状態が推定される。

この発明によれば、所望の推定精度を実現しながら、処理負荷を抑制できる。

図１は、本発明の第１の実施形態に係る行動状態推定装置の機能ブロック図である。図２は、第１の実施形態に係る重要度の設定例を示す表である。図３は、本発明の第１の実施形態に係る行動状態推定方法の主要処理を示すフローチャートである。図４は、本発明の第１の実施形態に係る行動状態学習装置の機能ブロック図である。図５は、本発明の第１の実施形態に係る行動状態学習方法の主要処理を示すフローチャートである。図６（Ａ）は、信号強度の時間変化例を示し、図６（Ｂ）は、信号強度分布を示し、図６（Ｃ）は、強度ブロックデータを示す。図７は、第２の実施形態に係る重要度の設定例を示す表である。図８（Ａ）は、信号強度の時間変化例を示し、図８（Ｂ）は、強度ブロックデータ（平均値）を示し、図８（Ｃ）は、強度ブロックデータ（積算値）を示す図である。図９は、本発明の第３の実施形態に係る行動状態推定装置の機能ブロック図である。図１０（Ａ）、図１０（Ｂ）は、第３の実施形態に係る重要度の設定例を示す表である。図１１は、本発明の第３の実施形態に係る行動状態推定方法の主要処理を示すフローチャートである。図１２は、本発明の第３の実施形態に係る行動状態学習装置の機能ブロック図である。図１３は、本発明の第３の実施形態に係る行動状態学習方法の主要処理を示すフローチャートである。図１４（Ａ）、図１４（Ｂ）は、第４の実施形態に係る重要度の設定例を示す表である。図１５は、本発明の第５の実施形態に係る行動状態学習方法の主要処理を示すフローチャートである。図１６は、同期の概念を示す図である。図１７は、本発明の第６の実施形態に係る行動状態推定装置の機能ブロック図である。図１８（Ａ）は、時間範囲の重要度を説明するための波形、時間範囲設定の一例を示す図であり、図１８（Ｂ）は、時間範囲による重要度の設定の一例を示す表である。図１９は、本発明の第６の実施形態に係る行動状態推定方法の主要処理を示すフローチャートである。図２０は、本発明の第６の実施形態に係る行動状態学習装置の機能ブロック図である。図２１は、本発明の第６の実施形態に係る行動状態学習方法の主要処理を示すフローチャートである。図２２は、本発明の第７の実施形態に係る行動状態推定装置の機能ブロック図である。図２３は、本発明の第７の実施形態に係る行動状態推定方法の主要処理を示すフローチャートである。図２４は、本発明の第７の実施形態に係る行動状態学習装置の機能ブロック図である。図２５は、本発明の第７の実施形態に係る行動状態学習方法の主要処理を示すフローチャートである。

（第１の実施形態）
本発明の第１の実施形態に係る行動状態推定技術および行動状態モデル生成技術について、図を参照して説明する。

（行動状態推定装置の構成および処理）
図１は、本発明の第１の実施形態に係る行動状態推定装置の機能ブロック図である。図１に示すように、行動状態推定装置１０は、サンプリング部１１、統計量算出部１２、推定演算部１４、および、行動状態モデル記憶部１３を備える。行動状態推定装置１０を構成する各機能部は、電子回路、ＩＣ、各機能部の機能を実行するプログラムが記憶された記憶媒体とこのプログラムを実行する演算処理デバイス（ＣＰＵ等）によって実現可能である。

サンプリング部１１には、変位検知センサ１０１から変位計測信号が入力される。サンプリング部１１は、変位計測信号を、所定のサンプリング周波数（例えば、１００Ｈｚ）でサンプリングすることで、変位計測データを生成する。すなわち、サンプリング部１１は、変位計測信号を周波数成分に変換することなく、変位計測データを生成する。サンプリング部１１は、変位計測データを、統計量算出部１２に出力する。

なお、変位検知センサ１０１は、圧電センサや加速度センサ等によって実現される。変位検知センサ１０１は、負荷状態を推定する筋肉の位置に配置する必要はなく、推定対象の筋肉によって生じる振戦が計測できる位置に配置されていればよい。また、変位検知センサ１０１は、１箇所に配置された１個のセンサであっても、複数箇所に配置された複数個のセンサであってもよい。変位検知センサ１０１は、変位計測信号を生成して出力する。変位計測信号は、振戦と変形に起因する皮膚表面の変位を電圧に変換した信号である。

ここで言う本発明における振戦とは、例えば、律動的な筋活動を示す不随意運動である。すなわち、本発明における振戦は、正常人にみられる細かく速い姿勢時振戦であり、生理的振戦とよばれ、例えば、８Ｈｚから１２Ｈｚの周波数である。なお、パーキンソン病患者等の疾患者にみられるふるえは、病理的振戦であり、例えば、４Ｈｚから７Ｈｚであり、本発明における振戦の対象とはしない。振戦を用いることによって、筋電に対して、次の各種の優位点がある。例えば、振戦の検出（計測）は、人の体等の被検知体の表面（皮膚等）に直接貼り付けなくても可能である。振戦の検出によって、筋伸縮を検出できる。振戦の検出によって、筋疲労に伴う変化を検出できる。

統計量算出部１２は、変位計測データから、統計量を算出する。統計量算出部１２は、所定期間（例えば、１秒間）内の複数の変位計測データから、統計量を算出する。

統計量の種類としては、例えば、平均値、最大値、最小値、中央値、１％値、５％値、２５％値、７５％値、９５％値、９９％値、分散値、歪度値、尖度値、積算値等が用いられる。なお、統計量の種類は、これに限るものでなく、時系列の変位計測データから得られるものであれば、他のものであってもよい。統計量算出部１２は、これらのなかから、複数種類の統計量を算出する。なお、ｘ％値とは、期間内の複数の変位計測データの内、最小値から昇順に数えてｘ％に位置する値を指す。

統計量算出部１２は、算出した複数種類の統計量を、推定演算部１４に出力する。

行動状態モデル記憶部１３には、行動状態モデルが記憶されている。行動状態モデルは、変位計測データの各種統計量と、推定対象の筋肉の負荷状態との関係が設定されている。行動状態モデルは、例えば後述する行動状態学習装置２０によって事前に生成され、行動状態モデル記憶部１３に格納されている。

推定演算部１４は、行動状態モデル記憶部１３に記憶された行動状態モデルを用い、複数の統計量を入力ベクトルとして、推定対象の筋肉の負荷状態を推定する。この際、推定演算部１４は、推定対象の筋肉に応じて、推定に用いる統計量の重要度を設定する。この重要度は、例えば、行動状態モデルに設定されている。

図２は、第１の実施形態に係る重要度の設定例を示す表である。筋肉Ｍ１、筋肉Ｍ２、筋肉Ｍ３、および、筋肉Ｍ４は、計測した変位で負荷状態が推定可能な筋肉の種類を示す。例えば、変位検知センサ１０１が足首の腱が集まっている箇所、より具体的には、足首前方および足首後方に配置されている場合、筋肉Ｍ１、筋肉Ｍ２、筋肉Ｍ３、および、筋肉Ｍ４は、ヒラメ筋、腓腹筋、前脛骨筋、大腿四頭筋、ハムストリング等を設定できる。また、統計量Ａ１～Ａ１５のそれぞれは、上述の各種の統計量（平均値、最大値、最小値、中央値、１％値、５％値、２５％値、７５％値、９５％値、９９％値、分散値、歪度値、尖度値、積算値等）のいずれかがそれぞれに設定される。

例えば、図２の場合、筋肉Ｍ１に対しては、統計量Ａ１、統計量Ａ２、統計量Ａ８、統計量Ａ１２、統計量Ａ７の順に、推定に対する重要度が、１位、２位、３位、４位、５位の順に設定される。また、筋肉Ｍ２に対しては、統計量Ａ３、統計量Ａ５、統計量Ａ２、統計量Ａ１４、統計量Ａ１５の順に、推定に対する重要度が、１位、２位、３位、４位、５位の順に設定される。以下、筋肉Ｍ３、筋肉Ｍ４についても、図２に示すように統計量に対して重要度が設定される。

推定演算部１４は、推定対象の筋肉を設定すると、筋肉に応じて設定された重要度を用いて、複数の統計量から、筋肉の負荷状態（例えば、筋電位値）を推定する。なお、筋肉の負荷状態は、筋電位値に限らず、値として表されるものであれば、他のものであってもよい。

より具体的には、例えば、推定演算部１４は、重要度が１位から５位の統計量のそれぞれと行動状態モデルとから推定される統計量毎の負荷状態の推定結果を演算する。そして、推定演算部１４は、重要度に応じた重み付けを各推定結果に行って、例えば加算平均等を行うことで、最終的な負荷状態の推定結果を算出する。なお、推定演算部１４が推定に用いる統計量の個数は、これに限らない。例えば、重要度が１位から１０位の統計量から推定演算を行ってもよい。

また、推定演算部１４は、推定対象の筋肉が１種類であれば、この筋肉に応じた統計量と重要度を用いて、負荷状態を推定する。一方、推定演算部１４は、推定対象の筋肉が複数種類であれば、統計量と重要度とを筋肉毎に設定し、それぞれの筋肉に対する負荷状態を推定する。

この構成を用いることによって、行動状態推定装置１０は、計測データを周波数成分に変換する処理を行うことなく、筋肉の負荷状態を推定できる。これにより、行動状態推定装置１０は、所望の推定精度を実現しながら、処理負荷を抑制できる。

さらに、この構成を用いることによって、行動状態推定装置１０は、推定対象の筋肉毎に、推定に用いる統計量の種類、その重要度を、個別に設定している。これにより、行動状態推定装置１０は、筋肉の負荷状態を、より高精度に推定できる。

また、この構成を用いることによって、行動状態推定装置１０は、変位検知センサ１０１の位置が、推定対象の筋肉の位置でなくても、この筋肉の負荷状態を推定できる。これにより、行動状態推定装置１０は、例えば、体表面に表出していない筋肉、筋電位が直接計測できない筋肉（例として、変位検知センサ１０１の配置位置から離れた筋肉）に対しても、負荷状態を推定できる。変位検知センサ１０１を足首に配置することで、行動状態推定装置１０は、大腿四頭筋、ハムストリングス（大腿二頭筋、半膜様筋、半腱様筋、大内転筋）、前脛骨筋、腓腹筋、ヒラメ筋、大臀筋などの負荷状態を推定できる。また、行動状態推定装置１０は、複数の筋肉の連動状態を推定できる。

また、変位検知センサ１０１の配置位置の誤差による影響を抑制できる。したがって、変位検知センサ１０１の配置が容易になり、負荷状態の推定のための作業が容易になる。

また、この構成では、変位検知センサ１０１の変位計測信号を共通に用いて、複数の筋肉の負荷状態を推定できるので、センサと行動状態推定装置とを含む行動状態推定システムを小型化できる。

また、この構成では、利用する統計量と重要度とが推定対象の筋肉毎に個別に設定される。したがって、行動状態推定装置１０は、変位検知センサ１０１の変位計測信号を共通に用いて、複数の筋肉の負荷状態を高精度に推定できる。

また、この構成では、負荷状態をクラスでなく値として推定できる。このように、負荷状態を値で推定できることによって、行動状態推定装置１０は、より正確な負荷状態を提示、管理でき、被験者に対して、より適切な通知等を行うことができる。

（行動状態推定方法）
図３は、本発明の第１の実施形態に係る行動状態推定方法の主要処理を示すフローチャートである。なお、各処理の具体的な内容は、上述の構成の説明によって記載しているので、以下では概略的に説明する。

行動状態推定装置１０は、変位計測信号を入力する（Ｓ１１）。行動状態推定装置１０は、変位計測信号に対してサンプリングを実行し、変位計測データを生成する（Ｓ１２）。行動状態推定装置１０は、変位計測データから統計量を算出する（Ｓ１３）。

行動状態推定装置１０は、行動状態モデルを取得する（Ｓ１４）。行動状態推定装置１０は、統計量を入力ベクトルとして、行動状態モデルを用いて負荷状態を推定する（Ｓ１５）。

なお、上述の処理は、プログラム化して記憶媒体等に記憶しておき、ＣＰＵ等の演算処理装置によって実行する態様であってもよい。

（行動状態学習装置の構成および処理）
上述の行動状態モデルは、例えば、次に示すように生成される。図４は、本発明の第１の実施形態に係る行動状態学習装置の機能ブロック図である。

図４に示すように、行動状態学習装置２０は、サンプリング部１１、統計量算出部１２、行動状態モデル記憶部１３、サンプリング部２１、モデル化基準値算出部２２、および、学習演算部２４を備える。サンプリング部１１、統計量算出部１２、行動状態モデル記憶部１３は、上述の通りであり、説明は省略する。

サンプリング部２１には、筋活動検知センサ１０２から筋活動計測信号（例えば、筋電位信号）が入力される。サンプリング部２１は、筋活動計測信号を、所定のサンプリング周波数（例えば、１００Ｈｚ）でサンプリングすることで、筋活動計測データを生成する。サンプリング部２１は、筋活動計測データを、モデル化基準値算出部２２に出力する。

なお、筋活動検知センサ１０２は、筋活動を計測可能なセンサであり、例えば、筋電センサ（筋電位計）である。筋活動検知センサ１０２は、負荷状態を推定する筋肉の位置に配置されている。より具体的には、筋活動検知センサ１０２は、筋活動検知センサ１０２で計測される振戦を生じる筋活動の元となる筋肉の位置に配置される。筋活動検知センサ１０２は、筋活動を検知し、筋活動計測信号を生成して出力する。筋活動検知センサ１０２は、１種類の筋肉に対して配置された１個のセンサであっても、複数の種類の筋肉に対して筋肉別に配置された複数個のセンサであってもよい。

モデル化基準値算出部２２は、筋活動計測データからモデル化基準値を算出する。例えば、モデル化基準値算出部２２は、所定期間内の筋活動計測データの絶対平均値をモデル化基準値として算出する。絶対平均値とは、計測データの絶対値の平均値である。

なお、モデル化基準値は、絶対平均値に限るものではなく、回帰可能な値、例えば、平均値、最大値、最小値、中央値、１％値、５％値、２５％値、７５％値、９５％値、９９％値、分散値、歪度値、尖度値等を用いることもできる。さらには、モデル化基準値は、筋活動計測データから分類可能な負荷の大、中、小等のクラスを表すものでも可能である。

モデル化基準値算出部２２は、モデル化基準値を学習演算部２４に出力する。

学習演算部２４は、統計量とモデル化基準値とを用いて学習を行い、行動状態モデルを生成する。より具体的には、例えば、学習演算部２４は、統計量を説明変数としモデル化基準値を目的変数として決定木アルゴリズムを利用した勾配ブースティングの手法を用いて学習を行う。学習演算部２４は、この学習を繰り返し行い、所定の推論精度が得られたら、この結果を用いて行動状態モデルを生成する。なお、学習の手法は、勾配ブースティングに限らず、類似するＡｄａＢｏｏｓｔといった手法に代表されるブースティング（ｂｏｏｓｔｉｎｇ）などの手法を用いてもよい。また、それ以外の学習の手法として、ＳＶＭやＧＭＭ、ＨＭＭ、ニューラルネットワーク、学習型ベイジアンネットワーク等を用いてもよい。さらには、学習演算部２４に複数の学習器を用いて、複数の学習器の結果を重み付けした上で多数決をとるアンサンブル法を用いてもよい。

この構成および処理を用いることで、行動状態学習装置２０は、行動状態モデルを適正に設定できる。

（行動状態モデル生成方法）
図５は、本発明の第１の実施形態に係る行動状態学習方法の主要処理を示すフローチャートである。なお、各処理の具体的な内容は、上述の構成の説明によって記載しているので、以下では概略的に説明する。

行動状態学習装置２０は、変位計測信号を入力する（Ｓ２１）。行動状態学習装置２０は、変位計測信号に対してサンプリングを実行し、変位計測データを生成する（Ｓ２２）。行動状態学習装置２０は、変位計測データから統計量を算出する（Ｓ２３）。

行動状態学習装置２０は、筋活動計測信号を入力する（Ｓ３１）。行動状態学習装置２０置は、筋活動計測信号に対してサンプリングを実行し、筋活動計測データを生成する（Ｓ３２）。行動状態学習装置２０は、筋活動計測データからモデル化基準値を算出する（Ｓ３３）。

行動状態学習装置２０は、統計量とモデル化基準値とを用いた学習を実行し、行動状態モデルを生成する（Ｓ４１）。

また、本実施形態の行動状態推定装置１０と行動状態学習装置２０との構成からわかるように、本実施形態の構成を用いることによって、学習時には、筋電位計等の比較的大掛かりな筋電位測定手段を用いる必要はあるものの高精度な行動状態モデルを生成でき、実使用時（行動状態推定装置１０の使用時）には、筋電位計等の比較的大掛かりな筋電位測定手段を用いる必要が無い。すなわち、実使用時には、簡素な構成で、被験者への負担も少なく、負荷状態を推定（計測）できる。

（第２の実施形態）
本発明の第２の実施形態に係る行動状態推定技術および行動状態モデル生成技術について、図を参照して説明する。第２の実施形態に係る行動状態推定技術は、第１の実施形態に示した行動状態推定技術に対して、統計量の算出方法において異なる。図６（Ａ）は、信号強度の時間変化例を示し、図６（Ｂ）は、信号強度分布を示し、図６（Ｃ）は、強度ブロックデータを示す。

統計量算出部１２は、所定期間内の変位計測データから、信号強度分布を算出する。信号強度分布とは、所定期間内の変位計測データを信号強度の大きい順に並べたものである。例えば、統計量算出部１２は、図６（Ａ）に示すように、所定のサンプリング周期（サンプリング周波数）によって設定された時刻ｔ１から時刻ｔ１００の信号強度が得られると、図６（Ｂ）に示すように、信号強度の大きな順に、順位Ｒ１から順位Ｒ１００を設定し、順位Ｒ１から順に、順位Ｒ１００まで並べる。

統計量算出部１２は、信号強度分布から、強度ブロックデータを生成し、これを統計量として出力する。より具体的には、統計量算出部１２は、信号強度分布に対して信号強度の高い順に所定個数毎に強度ブロック（信号強度ブロック）を設定する。統計量算出部１２は、強度ブロック毎に積算値を算出することで、強度ブロックデータを生成する。例えば、図６（Ｃ）の場合、統計量算出部１２は、計測データを１０個ずつブロック分けする。一例であれば、統計量算出部１２は、順位Ｒ１から順位Ｒ１０までの信号強度を強度ブロックＢ１に設定し、順位Ｒ１から順位Ｒ１０までの信号強度の積算値を算出する。統計量算出部１２は、この処理を強度ブロックＢ１から強度ブロックＢ１０まで行い、統計量として出力する。

推定演算部１４は、この信号強度分布に基づく統計量を用いて行動状態を推定する。この際、推定演算部１４は、重要度を用いて行動状態を推定する。

図７は、第２の実施形態に係る重要度の設定例を示す表である。図７に示すように、第２の実施形態では、信号強度分布の強度ブロックに対して、筋肉毎に重要度が設定される。

例えば、図７の場合、筋肉Ｍ１に対しては、強度ブロックＢ１０、強度ブロックＢ９、強度ブロックＢ６、強度ブロックＢ３、強度ブロックＢ５の順に、推定に対する重要度が、１位、２位、３位、４位、５位の順に設定される。また、筋肉Ｍ２に対しては、強度ブロックＢ１０、強度ブロックＢ８、強度ブロックＢ９、強度ブロックＢ７、強度ブロックＢ１の順に、推定に対する重要度が、１位、２位、３位、４位、５位の順に設定される。以下、筋肉Ｍ３、筋肉Ｍ４についても、図７に示すように統計量（強度ブロック）に対して重要度が設定される。

推定演算部１４は、推定対象の筋肉を設定すると、筋肉に応じて設定された重要度を用いて、複数の統計量（強度ブロックの値）から筋肉の負荷状態を推定する。

この構成によって、第２の実施形態に係る行動状態推定装置は、第１の実施形態に係る行動状態推定装置１０と同様に、計測データを周波数成分に変換する処理を行うことなく、筋肉の負荷状態を推定できる。これにより、第２の実施形態に係る行動状態推定装置は、必要な推定精度を実現しながら、処理負荷を抑制できる。

なお、上述の説明（図６（Ａ）、図６（Ｂ）、図６（Ｃ）を参照）では、複数の計測データを強度順に並べ、複数の強度ブロックを設定し、複数の強度ブロック毎に積算値を算出して統計量としている。しかしながら、この場合、積算値は、平均値に置き換えることも可能である。

さらに、次に図８（Ａ）、図８（Ｂ）、図８（Ｃ）を参照して説明する態様では、複数の計測データに対して時間範囲で複数のブロック（時間ブロック）を設定し、複数の時間ブロック毎に平均値や積算値を算出して統計量としている。

平均値を用いる場合、統計量算出部１２は、統計量算出用の時間内の複数の計測データを、時系列のブロック（時間ブロック）に分け、時間ブロック毎に平均値を算出する。積算値を用いる場合、統計量算出部１２は、統計量算出用の時間内の複数の計測データを、時系列のブロック（時間ブロック）に分け、時間ブロック毎に積算値を算出する。統計演算部１２は、この平均値や積算値を時間ブロックの値（統計量）とする。

図８（Ａ）は、信号強度の時間変化例を示し、図８（Ｂ）は、時間ブロックデータ（平均値）を示し、図８（Ｃ）は、時間ブロックデータ（積算値）を示す図である。

例えば、図８（Ａ）のような計測データを取得した時、時刻ｔ１から時刻ｔ１００の信号強度に対して、経時的に並ぶ時間ブロックＢ１ｔ－Ｂ１０ｔを設定する。時間ブロックＢ１ｔは、時刻ｔ１－ｔ１０に対応し、時間ブロックＢ２ｔは、時刻ｔ１１－ｔ２０に対応する。同様に、時間ブロックＢ３ｔ－Ｂ９ｔが設定され、時間ブロックＢ１０ｔは、時刻ｔ９１－ｔ１００に対応する。

平均値を用いる場合、統計量算出部１２は、時間ブロックＢ１ｔについて、時刻ｔ１から時刻ｔ１０の信号強度の平均値を算出し、時間ブロックＢ１ｔの統計量とする。同様に、統計量算出部１２は、時間ブロックＢ２ｔ－Ｂ９ｔについて平均値を算出して、それぞれの統計値とする。そして、統計量算出部１２は、時間ブロックＢ１０ｔについては、時刻ｔ９１から時刻ｔ１００の信号強度の平均値を算出し、時間ブロックＢ１０ｔの統計量とする。

積算値を用いる場合、統計量算出部１２は、時間ブロックＢ１ｔについて、時刻ｔ１から時刻ｔ１０の信号強度の積算値を算出し、時間ブロックＢ１ｔの統計量とする。同様に、統計量算出部１２は、時間ブロックＢ２ｔ－Ｂ９ｔについて積算値を算出して、それぞれの統計値とする。そして、統計量算出部１２は、時間ブロックＢ１０ｔについては、時刻ｔ９１から時刻ｔ１００の信号強度の積算値を算出し、時間ブロックＢ１０ｔの統計量とする。

（第３の実施形態）
本発明の第３の実施形態に係る行動状態推定技術および行動状態モデル生成技術について、図を参照して説明する。

（行動状態推定装置の構成および処理）
図９は、本発明の第３の実施形態に係る行動状態推定装置の機能ブロック図である。図９に示すように、行動状態推定装置１０Ａは、第１の実施形態に係る行動状態推定装置１０に対して、サンプリング部３１、統計量算出部３２を備え、行動状態モデル記憶部１３Ａ、推定演算部１４Ａにおいて異なる。行動状態推定装置１０Ａの他の構成は、行動状態推定装置１０と同様であり、同様の箇所の説明は省略する。

行動状態推定装置１０Ａは、サンプリング部１１、統計量算出部１２、推定演算部１４Ａ、行動状態モデル記憶部１３Ａ、サンプリング部３１、および、統計量算出部３２を備える。行動状態推定装置１０Ａを構成する各機能部は、電子回路、ＩＣ、各機能部の機能を実行するプログラムが記憶された記憶媒体とこのプログラムを実行する演算処理デバイス（ＣＰＵ等）によって実現可能である。

統計量算出部１２は、第１の実施形態に示した統計量を変位統計量として算出し、推定演算部１４Ａに出力する。

サンプリング部３１には、動作検知センサ３００から動作計測信号が入力される。サンプリング部３１は、動作計測信号を、所定のサンプリング周波数（例えば、１００Ｈｚ）でサンプリングすることで、動作計測データを生成する。すなわち、サンプリング部３１は、動作計測信号を周波数成分に変換することなく、動作計測データを生成する。サンプリング部３１は、動作計測データを統計量算出部３２に出力する。

なお、動作検知センサ３００は、加速度センサ、角速度センサ等によって実現される。動作検知センサ３００は、負荷状態を推定する筋肉の位置に配置する必要はなく、推定対象の筋肉によって生じる被験者の動作が計測できる位置に配置されていればよい。また、動作検知センサ３００は、１箇所に配置された１個のセンサであっても、複数箇所に配置された複数個のセンサであってもよい。動作検知センサ３００は、被験者の動作を検知し、動作の計測信号を生成して出力する。

統計量算出部３２は、時系列に並ぶ動作計測データから、動作統計量を算出する。統計量算出部３２は、所定期間（例えば、１秒間）内の複数の動作計測データから、動作統計量を算出する。

動作統計量の種類としては、例えば、平均値、最大値、最小値、中央値、１％値、５％値、２５％値、７５％値、９５％値、９９％値、分散値、歪度値、尖度値、積算値等が用いられる。なお、動作統計量の種類は、これに限るものでなく、時系列の計測データから得られるものであれば、他のものであってもよい。統計量算出部３２は、これらのなかから、複数種類の動作統計量を算出する。なお、ｘ％値とは、期間内の複数の動作計測データの内最大値を１００％として、その上位ｘ％に当たる値である。

統計量算出部３２は、算出した複数種類の動作統計量を推定演算部１４Ａに出力する。

行動状態モデル記憶部１３Ａには、行動状態モデルが記憶されている。行動状態モデルは、各種の変位統計量および各種の動作統計量と、推定対象の筋肉の負荷状態との関係が設定されている。行動状態モデルは、例えば後述する行動状態学習装置２０Ａによって事前に生成され、行動状態モデル記憶部１３Ａに記憶（格納）されている。

推定演算部１４Ａは、行動状態モデル記憶部１３Ａに記憶された行動状態モデルを用い、変位統計量および動作統計量を入力ベクトルとして、推定対象の筋肉の負荷状態を推定する。この際、推定演算部１４Ａは、推定対象の筋肉に応じて、推定に用いる変位統計量の重要度および動作統計量の重要度を設定する。これらの重要度は、例えば、行動状態モデルに設定されている。

図１０（Ａ）、図１０（Ｂ）は、第３の実施形態に係る重要度の設定例を示す表である。図１０（Ａ）は、変位統計量の重要度を示し、図１０（Ｂ）は、動作統計量の重要度を示す。また、図１０（Ａ）、図１０（Ｂ）において、筋肉Ｍ１、筋肉Ｍ２、筋肉Ｍ３、および、筋肉Ｍ４は、計測した変位で負荷状態が推定可能な筋肉の種類を示す。例えば、変位検知センサ１０１が足首の腱が集まっている箇所、より具体的には、足首前方および足首後方に配置されている場合、筋肉Ｍ１、筋肉Ｍ２、筋肉Ｍ３、および、筋肉Ｍ４は、ヒラメ筋、腓腹筋、前脛骨筋、大腿四頭筋、ハムストリング等を設定できる。変位統計量Ａｒ１～Ａｒ１５のそれぞれは、上述の各種の変位統計量のいずれかがそれぞれに設定され、動作統計量Ａａ１～Ａａ１５のそれぞれは、上述の各種の動作統計量のいずれかがそれぞれに設定される。

例えば、図１０（Ａ）の場合、筋肉Ｍ１に対しては、変位統計量Ａｒ１、変位統計量Ａｒ２、変位統計量Ａｒ８、変位統計量Ａｒ１２、変位統計量Ａｒ７の順に、推定に対する重要度が、１位、２位、３位、４位、５位の順に設定される。また、筋肉Ｍ２に対しては、変位統計量Ａｒ３、変位統計量Ａｒ５、変位統計量Ａｒ２、変位統計量Ａｒ１４、変位統計量Ａｒ１５の順に、推定に対する重要度が、１位、２位、３位、４位、５位の順に設定される。以下、筋肉Ｍ３、筋肉Ｍ４についても、図１０（Ａ）に示すように変位統計量に対して重要度が設定される。

さらに、例えば、図１０（Ｂ）の場合、筋肉Ｍ１に対しては、動作統計量Ａａ１、動作統計量Ａａ２、動作統計量Ａａ８、動作統計量Ａａ１２、動作統計量Ａａ７の順に、推定に対する重要度が、１位、２位、３位、４位、５位の順に設定される。また、筋肉Ｍ２に対しては、動作統計量Ａａ３、動作統計量Ａａ５、動作統計量Ａａ２、動作統計量Ａａ１４、動作統計量Ａａ１５の順に、推定に対する重要度が、１位、２位、３位、４位、５位の順に設定される。以下、筋肉Ｍ３、筋肉Ｍ４についても、図１０（Ｂ）に示すように動作統計量に対して重要度が設定される。

なお、１種類の筋肉に対する変位統計量の重要度と動作統計量の重要度とは、共通の重要度によって設定されていてもよく、個別に設定されていてもよい。例えば、図１０（Ａ）、図１０（Ｂ）に示す変位統計量の添え字（数字）と動作統計量の添え字（数字）とが、同じ種類の統計量を示す場合、図１０（Ａ）、図１０（Ｂ）に示す変位統計量の重要度と動作統計量の重要度の設定は、共通の重要度によって設定が可能である。

一方、図１０（Ａ）に示す変位統計量の添え字（数字）は変位統計量の種類に応じて設定され、図１０（Ｂ）に示す動作統計量の添え字（数字）は動作統計量の種類に応じて設定されていれば、変位統計量の重要度と動作統計量の重要度の設定は、個別に設定される。

変位統計量の重要度と動作統計量の重要度とを共通の重要度によって設定することによって、重要度の設定が簡素化され、行動状態の推定処理を簡素化できる。一方、変位統計量の重要度と動作統計量の重要度とを個別に設定することによって、行動状態の推定条件をより多様に設定できる、行動状態を、さらに高精度に推定できる。

推定演算部１４Ａは、推定対象の筋肉を設定すると、筋肉に応じて設定された重要度を用いて、複数の変位統計量および動作統計量から、筋肉の負荷状態（例えば、筋電位値）を推定する。なお、筋肉の負荷状態は、筋電位値に限らず、値として表されるものであれば、他のものであってもよい。

より具体的には、例えば、推定演算部１４Ａは、重要度が同じ順位の変位統計量と動作統計量との組と行動状態モデルとから負荷状態の推定結果を演算する。推定演算部１４Ａは、重要度が同じ順位の組毎に、負荷状態の推定結果を算出する。そして、推定演算部１４Ａは、各推定結果に重要度に応じた重み付けを行って、例えば加算平均等を行うことで、最終的な負荷状態の推定結果を算出する。

なお、推定演算部１４Ａは、変位統計量と行動状態モデルとからの負荷状態の推定結果と、動作統計量と行動状態モデルとからの負荷状態の推定結果とを個別に演算し、これらの推定結果から最終的な負荷状態の推定結果を算出することも可能である。推定演算部１４が推定に用いる姿勢統計量および動作統計量の個数は、これに限らず、適宜設定できる。例えば、重要度が１位から１０位の統計量から推定演算を行ってもよい。

また、推定演算部１４Ａは、推定対象の筋肉が１種類であれば、この筋肉に応じた変位統計量および動作統計量とこれらの重要度を用いて、負荷状態を推定する。一方、推定演算部１４Ａは、推定対象の筋肉が複数種類であれば、筋肉毎に、変位統計量および動作統計量とこれらの重要度とを都度設定し、それぞれの筋肉に対する負荷状態を推定する。

この構成を用いることによって、行動状態推定装置１０Ａは、振戦を含む変位のみでなく、加速度、角速度等の動作の検知結果を用いて、筋肉の負荷状態を推定できる。サンプリングされた加速度、角速度等の動作の検知結果は、被験者の動作から強い影響を受け、被験者の筋活動に対して相関性が高い。そして、行動状態推定装置１０Ａは、ミクロ的な振戦計測データとマクロ的な動作計測データとから行動状態を推定するので、筋肉の負荷状態を高精度に推定できる。

さらに、この構成では、変位計測データも、サンプリングされた計測データである。したがって、行動状態推定装置１０Ａは、周波数変換に伴う振戦に関する情報の欠落を抑制でき、筋肉の負荷状態を、さらに高精度に推定できる。

さらに、この構成を用いることによって、行動状態推定装置１０Ａは、推定対象の筋肉毎に、推定に用いる変位統計量および動作統計量の種類、その重要度を個別に設定している。これにより、行動状態推定装置１０Ａは、筋肉の負荷状態をより高精度に推定できる。

また、この構成を用いることによって、行動状態推定装置１０Ａは、変位検知センサ１０１の位置および動作検知センサ３００の位置が推定対象の筋肉の位置でなくても、この筋肉の負荷状態を推定できる。これにより、行動状態推定装置１０Ａは、例えば、体表面に表出していない筋肉、筋電位が直接計測できない筋肉（例として、変位検知センサ１０１あるいは動作検知センサ３００の配置位置から離れた筋肉）に対しても、負荷状態を推定できる。変位検知センサ１０１と動作検知センサ３００を足首に配置することで、行動状態推定装置１０Ａは、大腿四頭筋、ハムストリングス（大腿二頭筋、半膜様筋、半腱様筋、大内転筋）、前脛骨筋、腓腹筋、ヒラメ筋、大臀筋などの負荷状態を推定できる。また、行動状態推定装置１０Ａは、複数の筋肉の連動状態を推定できる。

また、変位検知センサ１０１の配置位置の誤差による影響を抑制できる。したがって、変位検知センサ１０１および動作検知センサ３００の配置が容易になり、負荷状態の推定のための作業が容易になる。

また、この構成では、変位検知センサ１０１の変位計測信号および動作検知センサ３００の動作計測信号を共通に用いて、複数の筋肉の負荷状態を推定できるので、センサと行動状態推定装置とを含む行動状態推定システムを小型化できる。

また、この構成では、利用する変位統計量および動作統計量と重要度とが推定対象の筋肉毎に個別に設定される。したがって、行動状態推定装置１０Ａは、変位検知センサ１０１の計測信号および動作検知センサ３００の計測信号を共通に用いて、複数の筋肉の負荷状態を、高精度に推定できる。

また、この構成では、負荷状態をクラスでなく値として推定できる。このように、負荷状態を値で推定できることによって、行動状態推定装置１０Ａは、より正確な負荷状態を提示、管理でき、被験者に対して、より適切な通知等を行うことができる。

（行動状態推定方法）
図１１は、本発明の第３の実施形態に係る行動状態推定方法の主要処理を示すフローチャートである。なお、各処理の具体的な内容は、上述の構成の説明によって記載しているので、以下では概略的に説明する。

行動状態推定装置１０Ａは、変位計測信号を入力する（Ｓ１１Ａ）。行動状態推定装置１０Ａは、変位計測信号に対してサンプリングを実行し、変位計測データを生成する（Ｓ１２Ａ）。行動状態推定装置１０Ａは、変位計測データから変位統計量を算出する（Ｓ１３Ａ）。

行動状態推定装置１０Ａは、動作計測信号を入力する（Ｓ２１Ａ）。行動状態推定装置１０Ａは、動作計測信号に対してサンプリングを実行し、動作計測データを生成する（Ｓ２２Ａ）。行動状態推定装置１０Ａは、動作計測データから動作統計量を算出する（Ｓ２３Ａ）。

行動状態推定装置１０Ａは、行動状態モデルを取得する（Ｓ１４Ａ）。行動状態推定装置１０Ａは、変位統計量および動作統計量を入力ベクトルとして、行動状態モデルを用いて、負荷状態を推定する（Ｓ１５Ａ）。

（行動状態学習装置の構成および処理）
上述の行動状態モデルは、例えば、次に示すように生成される。図１２は、本発明の第３の実施形態に係る行動状態学習装置の機能ブロック図である。

図１２に示すように、行動状態学習装置２０Ａは、サンプリング部１１、統計量算出部１２、行動状態モデル記憶部１３Ａ、サンプリング部２１、モデル化基準値算出部２２、学習演算部２４Ａ、サンプリング部３１、および、統計量算出部３２を備える。サンプリング部１１、統計量算出部１２、行動状態モデル記憶部１３Ａ、サンプリング部３１、および、統計量算出部３２は、上述の通りであり、説明は省略する。

なお、筋活動検知センサ１０２は、筋活動を計測可能なセンサであり、例えば、筋電センサ（筋電位計）である。筋活動検知センサ１０２は、負荷状態を推定する筋肉の位置に配置されている。より具体的には、筋活動検知センサ１０２は、筋活動検知センサ１０２で計測される振戦を生じる筋活動の元となる筋肉の位置に配置される。筋活動検知センサ１０２は、筋活動を検知し、筋活動の計測信号を生成して出力する。筋活動検知センサ１０２は、１種類の筋肉に対して配置された１個のセンサであっても、複数の種類の筋肉に対して筋肉別に配置された複数個のセンサであってもよい。

モデル化基準値算出部２２は、筋活動計測データからモデル化基準値を算出する。例えば、モデル化基準値算出部２２は、所定期間内の筋活動計測データの絶対平均値を、モデル化基準値として算出する。絶対平均値とは、計測データの絶対値の平均値である。

モデル化基準値算出部２２は、モデル化基準値を、学習演算部２４Ａに出力する。

学習演算部２４Ａは、変位統計量および動作統計量とモデル化基準値とを用いて、学習を行い、行動状態モデルを生成する。より具体的には、例えば、学習演算部２４Ａは、変位統計量および動作統計量を説明変数とし、モデル化基準値を目的変数として決定木アルゴリズムを利用した勾配ブースティングの手法を用いて学習させる。学習演算部２４Ａは、この学習を繰り返し行い、所定の推論精度が得られたら、この結果を用いて行動状態モデルを生成する。

なお、学習の手法は、勾配ブースティングに限らず、類似するＡｄａＢｏｏｓｔといった手法に代表されるブースティング（ｂｏｏｓｔｉｎｇ）などの手法を用いてもよい。また、それ以外の学習の手法として、ＳＶＭやＧＭＭ、ＨＭＭ、ニューラルネットワーク、学習型ベイジアンネットワーク等を用いてもよい。さらには、学習演算部２４Ａに複数の学習器を用いて、複数の学習器の結果を重み付けした上で多数決をとるアンサンブル法を用いてもよい。

この構成および処理を用いることで、行動状態学習装置２０Ａは、行動状態モデルを適正に設定できる。

（行動状態学習方法）
図１３は、本発明の第３の実施形態に係る行動状態学習方法の主要処理を示すフローチャートである。

行動状態学習装置２０Ａは、変位計測信号および動作計測信号を入力する（Ｓ４１Ａ）。行動状態学習装置２０Ａは、変位計測信号に対してサンプリングを実行し、変位計測データを生成し、動作計測信号に対してサンプリングを実行し、動作計測データを生成する（Ｓ４２Ａ）。行動状態学習装置２０Ａは、変位計測データから変位統計量を算出し、動作計測データから動作統計量を算出する（Ｓ４３Ａ）。

行動状態学習装置２０Ａは、筋活動計測信号を入力する（Ｓ５１Ａ）。行動状態学習装置２０Ａは、筋活動計測信号に対してサンプリングを実行し、筋活動計測データを生成する（Ｓ５２Ａ）。行動状態学習装置２０Ａは、筋活動計測データからモデル化基準値を算出する（Ｓ５３Ａ）。

行動状態学習装置２０Ａは、変位統計量および動作統計量とモデル化基準値とを用いた学習を実行し、行動状態モデルを生成する（Ｓ６１Ａ）。

（第４の実施形態）
本発明の第４の実施形態に係る行動状態推定技術および行動状態モデル生成技術について説明する。第４の実施形態に係る行動状態推定技術は、第３の実施形態に示した行動状態推定技術に対して、変位統計量および動作統計量の強度ブロックデータを用いる点で異なる。動作統計量の強度ブロックデータの生成方法は、第３の実施形態の変位統計量の強度ブロックデータの生成方法と同様であり、具体的な例を用いた説明は省略する。

統計量算出部１２は、変位計測データの信号強度分布から変位計測データの強度ブロックデータ（変位強度ブロックデータ）を生成し、これを変位統計量として出力する。より具体的には、統計量算出部１２は、信号強度分布に対して信号強度の高い順に所定個数毎に強度ブロック（信号強度ブロック）を設定する。統計量算出部１２は、強度ブロック毎に積算値を算出することで、変位強度ブロックデータを生成する。

統計量算出部３２は、統計量算出部１２と同様の構成であり、動作計測データに対して、統計量算出部１２と同様の処理を行う。これにより、統計量算出部３２は、動作計測データの強度ブロックデータ（動作強度ブロックデータ）からなる動作統計量を算出し、出力する。

推定演算部１４Ａは、この信号強度分布に基づく変位統計量および動作統計量を用いて、行動状態を推定する。この際、推定演算部１４Ａは、重要度を用いて、行動状態を推定する。

図１４（Ａ）、図１４（Ｂ）は、第４の実施形態に係る重要度の設定例を示す表である。図１４（Ａ）は、変位統計量の重要度を示し、図１４（Ｂ）は、動作統計量の重要度を示す。図１４（Ａ）、図１４（Ｂ）に示すように、第４の実施形態では、信号強度分布の強度ブロックに対して、筋肉毎に重要度が設定される。

図１４（Ａ）に示す重要度の設定は、変位統計量が強度ブロックの値という点を除いて、図１０（Ａ）に示した重要度の設定と同様である。図１４（Ｂ）に示す重要度の設定は、動作統計量が強度ブロックの値という点を除いて、図１０（Ｂ）に示した重要度の設定と同様である。したがって、詳細な説明は省略する。

推定演算部１４Ａは、推定対象の筋肉を設定すると、筋肉に応じて設定された重要度を用いて、複数の変位統計量（強度ブロックの値）および動作統計量（強度ブロックの値）から、筋肉の負荷状態を推定する。

この構成によって、第４の実施形態に係る行動状態推定装置は、第３の実施形態に係る行動状態推定装置１０Ａと同様に、筋肉の負荷状態を高精度に推定できる。

（第５の実施形態）
本発明の第５の実施形態に係る行動状態推定技術および行動状態モデル生成技術について説明する。第５の実施形態に係る行動状態推定技術は、第１の実施形態に示した行動状態推定技術に対して、学習時の変位計測信号と筋活動計測信号との同期をとる点で異なる。第５の実施形態に係る行動状態推定技術の他の方法は、第１の実施形態に係る行動状態推定技術と同様であり、同様の箇所の説明は省略する。

図１５は、本発明の第５の実施形態に係る行動状態学習方法の主要処理を示すフローチャートである。図１５に示すように、第５の実施形態に係る行動状態学習方法は、第１の実施形態に係る行動状態学習方法に対して同期処理を追加した点で異なる。第５の実施形態に係る行動状態学習方法の他の処理は、第１の実施形態に係る行動状態学習方法と同様であり、同様の箇所の説明は省略する。

行動状態学習装置２０は、統計量とモデル化基準値とを算出すると、統計量とモデル化基準値とを同期させる。図１６は、同期の概念を示す図である。図１６に示すように、変位検知センサ１０１と筋活動検知センサ１０２との反応差に応じて、変位計測信号の基準時間ｔ０ｔと筋活動計測信号の基準時間ｔ０ｍとの間に時差Δｔを生じる。

したがって、学習演算部２４は、変位計測信号の基準時間ｔ０ｔと筋活動計測信号の基準時間ｔ０ｍとを検出し、これらの差を算出することで、時差Δｔを検出する。学習演算部２４は、この時差Δｔを用いて、統計量とモデル化基準値とを同期させる。

学習演算部２４は、同期された統計量とモデル化基準値とを用いた学習を実行し、行動状態モデルを生成する（Ｓ４１）。

このような処理を行うことによって、行動状態推定装置１０は、筋肉の負荷状態をより高精度に推定できる。

なお、変位計測信号および動作計測信号と、筋活動計測信号とを用いて学習を行う場合には、変位計測信号および動作計測信号と筋活動計測信号とを同期させて学習を行えばよい。

（第６の実施形態）
本発明の第６の実施形態に係る行動状態推定技術および行動状態モデル生成技術について説明する。第６の実施形態に係る行動状態推定技術および行動状態モデル生成技術は、第１の実施形態に示した行動状態推定技術および行動状態モデル生成技術に対して、特徴量を用いない点で異なる。第６の実施形態に係る行動状態推定技術および行動状態モデル生成技術の他の方法は、第１の実施形態に係る行動状態推定技術および行動状態モデル生成技術と同様であり、同様の箇所の説明は省略する。

（行動状態推定装置の構成および処理）
図１７は、本発明の第６の実施形態に係る行動状態推定装置の機能ブロック図である。図１７に示すように、行動状態推定装置１０Ｂは、サンプリング部１１、行動状態モデル記憶部１３Ｂ、および、推定演算部１４Ｂを備える。

サンプリング部１１は、変位計測データ、すなわち、時間関数で表される変位計測データ（複数時刻の変位計測データ）を、推定演算部１４Ｂに出力する。

行動状態モデル記憶部１３Ｂには、行動状態モデルが記憶されている。行動状態モデルは、変位計測データと、推定対象の筋肉の負荷状態との関係が設定されている。行動状態モデルは、例えば後述する行動状態学習装置２０Ｂによって事前に生成され、行動状態モデル記憶部１３Ｂに格納されている。

推定演算部１４Ｂは、行動状態モデル記憶部１３Ｂに記憶された行動状態モデルを用い、複数時刻の変位計測データを入力ベクトルとして、推定対象の筋肉の負荷状態を推定する。

このように、行動状態推定装置１０Ｂは、特徴量を算出しなくても、推定対象の筋肉の負荷状態を推定できる。これにより、行動状態推定装置１０Ｂは、処理負荷を軽減できる。

この際、推定演算部１４Ｂは、推定対象の筋肉に応じて、推定に用いる変位計測データの重要度を設定できる。この重要度は、例えば、行動状態モデルに設定されている。

例えば、推定演算部１４Ｂは、計測開始時刻を基準として、所定時間経過後の所定時間範囲の変位計測データの重要度を、他の時間範囲の変位計測データの重要度よりも高くする。または、例えば、推定演算部１４Ｂは、計測開始時刻を基準として、所定時間範囲毎に変位計測データをグループ化し、グループ毎に重要度を設定する。

図１８（Ａ）は、時間範囲の重要度を説明するための波形、時間範囲設定の一例を示す図であり、図１８（Ｂ）は、時間範囲による重要度の設定の一例を示す表である。なお、図１８（Ａ）、図１８（Ｂ）では、筋肉の負荷状態の推定に利用する所定時間範囲を、４つの時間範囲に分割する場合を示したが、分割数はこれに限るものではない。

図１８（Ａ）に示すように、推定演算部１４Ｂは、筋肉の負荷状態の推定に利用する所定時間範囲Ｔｔを複数の時間範囲Ｂ１ｔ、Ｂ２ｔ、Ｂ３ｔ、Ｂ４ｔに分割する。推定演算部１４Ｂは、所定時間範囲Ｔｔの複数の変位計測データを、それぞれの計測時間（取得時間）に応じて複数の時間範囲Ｂ１ｔ、Ｂ２ｔ、Ｂ３ｔ、Ｂ４ｔに割り当てる。

図１８（Ｂ）に示すように、推定演算部１４Ｂは、推定対象の筋肉の負荷状態に対する複数の時間範囲Ｂ１ｔ、Ｂ２ｔ、Ｂ３ｔ、Ｂ４ｔの重要度を記憶している。例えば、図１８（Ｂ）の場合であれば、筋肉Ｍ１であれば、時間範囲Ｂ１ｔ、Ｂ４ｔの重要度が高に設定され、時間範囲Ｂ２ｔ、Ｂ３ｔの重要度が低に設定される。また、筋肉Ｍ２であれば、時間範囲Ｂ２ｔ、Ｂ３ｔの重要度が高に設定され、時間範囲Ｂ１ｔ、Ｂ４ｔの重要度が低に設定される。

重要度は、例えば、推定対象の筋肉と変位検知センサ１０１との位置関係によって設定される。

具体例として、推定対象の筋肉と変位検知センサ１０１との距離が短ければ、すなわち、変位検知センサ１０１が推定対象の筋肉の近傍に配置されていれば、計測対象の所定時間範囲における最初と最後の時間範囲（末端の時間範囲）の変位計測データが推定結果に与える影響は相対的に大きく、中間の時間範囲の変位計測データが推定結果に与える影響は相対的に小さい。

したがって、上述の例では、筋肉Ｍ１と変位計測センサ１０１との距離が短い場合として、筋肉Ｍ１に対しては、最初と最後の時間範囲に対応する時間範囲Ｂ１ｔ、Ｂ４ｔの重要度を高くし、中間の時間範囲に対応する時間範囲Ｂ２ｔ、Ｂ３ｔの重要度を低くする。

一方、推定対象の筋肉と変位検知センサ１０１との距離が長ければ、すなわち、変位検知センサ１０１が推定対象の筋肉から離れた位置に配置されていれば、計測対象の所定時間範囲における最初と最後の時間範囲（末端の時間範囲）の変位計測データが推定結果に与える影響は相対的に小さく、中間の時間範囲の変位計測データが推定結果に与える影響は相対的に大きい。

したがって、上述の例では、筋肉Ｍ２と変位計測センサ１０１との距離が長い場合として、筋肉Ｍ２に対しては、最初と最後の時間範囲に対応する時間範囲Ｂ１ｔ、Ｂ４ｔの重要度を低くし、中間の時間範囲に対応する時間範囲Ｂ２ｔ、Ｂ３ｔの重要度を高くする。

このように時間範囲に対して重要度を設定することで、行動状態推定装置１０Ｂは、推定対象の筋肉の負荷状態を、より精度良く推定できる。

なお、重要度が低いと設定される時間範囲については、推定に用いないようにすることも可能である。これにより、行動状態推定装置１０Ｂは、推定負荷を軽減できる。

（行動状態推定方法）
図１９は、本発明の第６の実施形態に係る行動状態推定方法の主要処理を示すフローチャートである。

行動状態推定装置１０Ｂは、変位計測信号を入力する（Ｓ１１）。行動状態推定装置１０Ｂは、変位計測信号に対して、サンプリングを実行し、変位計測データを生成する（Ｓ１２）。

行動状態推定装置１０Ｂは、変位計測データを用いた行動状態モデルを取得する（Ｓ１４Ｂ）。行動状態推定装置１０は、変位計測データを入力ベクトルとして、行動状態モデルを用いて負荷状態を推定する（Ｓ１５Ｂ）。

（行動状態学習装置の構成および処理）
上述の行動状態モデルは、例えば、次に示すように生成される。

図２０は、本発明の第６の実施形態に係る行動状態学習装置の機能ブロック図である。

図２０に示すように、行動状態学習装置２０Ｂは、サンプリング部１１、行動状態モデル記憶部１３Ｂ、サンプリング部２１、モデル化基準値算出部２２、および、学習演算部２４Ｂを備える。サンプリング部１１、サンプリング部２１、および、モデル化基準値算出部２２は、第１の実施形態に係る行動状態学習装置２０と同様であり、説明は省略する。

学習演算部２４Ｂは、変位計測データとモデル化基準値とを用いて学習を行い、行動状態モデルを生成する。より具体的には、例えば、学習演算部２４Ｂは、変位計測データを説明変数としモデル化基準値を目的変数として決定木アルゴリズムを利用した勾配ブースティングの手法を用いて学習を行う。なお、学習の手法は、勾配ブースティングに限らず、上述の各種方法を用いてもよい。

学習演算部２４Ｂは、この学習を繰り返し行い、所定の推論精度が得られたら、この結果を用いて行動状態モデルを生成する。学習演算部２４Ｂは、生成した行動状態モデルを、行動状態モデル記憶部１３Ｂに記憶する。

この構成および処理を用いることで、行動状態学習装置２０Ｂは、特徴量を用いなくても行動状態モデルを適正に設定できる。

この際、第５の実施形態に示したような同期処理を行うことで、変位計測データと筋活動計測データとの時差による行動状態モデルの生成に与える悪影響を抑制できる。したがって、行動状態学習装置２０Ｂは、行動状態モデルをより適正に設定できる。

（行動状態モデル生成方法）
図２１は、本発明の第６の実施形態に係る行動状態学習方法の主要処理を示すフローチャートである。

行動状態学習装置２０Ｂは、変位計測信号を入力する（Ｓ２１）。行動状態学習装置２０は、変位計測信号に対して、サンプリングを実行し、変位計測データを生成する（Ｓ２２）。

行動状態学習装置２０Ｂは、筋活動計測信号を入力する（Ｓ３１）。行動状態学習装置２０Ｂは、筋活動計測信号に対して、サンプリングを実行し、筋活動計測データを生成する（Ｓ３２）。行動状態学習装置２０は、筋活動計測データからモデル化基準値を算出する（Ｓ３３）。

行動状態学習装置２０Ｂは、変位計測データとモデル化基準値とを用いた学習を実行し、行動状態モデルを生成する（Ｓ４１Ｂ）。

（第７の実施形態）
本発明の第７の実施形態に係る行動状態推定技術および行動状態モデル生成技術について、図を参照して説明する。

（行動状態推定装置の構成および処理）
図２２は、本発明の第７の実施形態に係る行動状態推定装置の機能ブロック図である。図２２に示すように、行動状態推定装置１０Ｃは、第３の実施形態に係る行動状態推定装置１０Ａに対して、統計量算出部が無く、行動状態モデル記憶部１３Ｃ、推定演算部１４Ｃにおいて異なる。行動状態推定装置１０Ｃの他の構成は、行動状態推定装置１０Ａと同様であり、同様の箇所の説明は省略する。

行動状態推定装置１０Ｃは、サンプリング部１１、推定演算部１４Ｃ、行動状態モデル記憶部１３Ｃ、および、サンプリング部３１を備える。

サンプリング部３１は、算出した動作計測データを推定演算部１４Ｃに出力する。この際、サンプリング部３１は、動作計測データを、直交三軸成分、または、これら直交三軸成分を合成した合成値で取得する。このような動作計測データを用いることによって、推定対象の筋肉の負荷状態をより精度良く推定可能な入力ベクトルを設定できる。なお、直交三軸成分と合成値の両方を用いてもよい。

行動状態モデル記憶部１３Ｃには、行動状態モデルが記憶される。行動状態モデルは、変位計測データおよび動作計測データと、推定対象の筋肉の負荷状態との関係が設定されている。行動状態モデルは、例えば後述する行動状態学習装置２０Ｃによって事前に生成され、行動状態モデル記憶部１３Ｃに記憶（格納）されている。

推定演算部１４Ｃは、行動状態モデル記憶部１３Ｃに記憶された行動状態モデルを用い、変位計測データおよび動作計測データを入力ベクトルとして、推定対象の筋肉の負荷状態を推定する。この際、推定演算部１４Ｃは、推定に用いる変位計測データの重要度および動作計測データの重要度を設定できる。この重要度は、例えば、行動状態モデルに設定されている。

例えば、推定演算部１４Ｃは、計測開始時刻を基準として、所定時間経過後の所定時間範囲の変位計測データの重要度を、他の時間範囲の変位計測データの重要度よりも高くする。または、例えば、推定演算部１４Ｂは、計測開始時刻を基準として、所定時間範囲毎に変位計測データをグループ化し、グループ毎に重要度を設定する。動作計測データについても、変位計測データと同様の方法で重要度を設定できる。

このように、行動状態推定装置１０Ｃは、複数種類の計測データ（変位計測データおよび動作計測データ）に対して特徴量を算出しなくても、推定対象の筋肉の負荷状態を推定できる。

（行動状態推定方法）
図２３は、本発明の第７の実施形態に係る行動状態推定方法の主要処理を示すフローチャートである。

行動状態推定装置１０Ｃは、変位計測信号を入力する（Ｓ１１Ｃ）。行動状態推定装置１０Ｃは、変位計測信号に対してサンプリングを実行し、変位計測データを生成する（Ｓ１２Ｃ）。

行動状態推定装置１０Ｃは、動作計測信号を入力する（Ｓ２１Ｃ）。行動状態推定装置１０Ｃは、動作計測信号に対してサンプリングを実行し、動作計測データを生成する（Ｓ２２Ｃ）。

行動状態推定装置１０Ｃは、行動状態モデルを取得する（Ｓ１４Ｃ）。行動状態推定装置１０Ｃは、変位計測データおよび動作計測データを入力ベクトルとして、行動状態モデルを用いて、負荷状態を推定する（Ｓ１５Ｃ）。

（行動状態学習装置の構成および処理）
上述の行動状態モデルは、例えば、次に示すように生成される。図２４は、本発明の第７の実施形態に係る行動状態学習装置の機能ブロック図である。

図２４に示すように、行動状態学習装置２０Ｃは、サンプリング部１１、行動状態モデル記憶部１３Ｃ、サンプリング部２１、モデル化基準値算出部２２、学習演算部２４Ｃ、および、サンプリング部３１を備える。

学習演算部２４Ｃは、変位計測データおよび動作計測データとモデル化基準値とを用いて、学習を行い、行動状態モデルを生成する。より具体的には、例えば、学習演算部２４Ｃは、変位計測データおよび動作計測データを説明変数とし、モデル化基準値を目的変数として決定木アルゴリズムを利用した勾配ブースティングの手法を用いて学習させる。学習演算部２４Ｃは、この学習を繰り返し行い、所定の推論精度が得られたら、この結果を用いて行動状態モデルを生成する。なお、学習の手法は、勾配ブースティングに限らず、上述の各種方法を用いてもよい。

学習演算部２４Ｃは、この学習を繰り返し行い、所定の推論精度が得られたら、この結果を用いて行動状態モデルを生成する。学習演算部２４Ｃは、生成した行動状態モデルを、行動状態モデル記憶部１３Ｃに記憶する。

この構成および処理を用いることで、行動状態学習装置２０Ｃは、行動状態モデルを適正に設定できる。

（行動状態学習方法）
図２５は、本発明の第７の実施形態に係る行動状態学習方法の主要処理を示すフローチャートである。

行動状態学習装置２０Ｃは、変位計測信号および動作計測信号を入力する（Ｓ４１Ｃ）。行動状態学習装置２０Ｃは、変位計測信号に対してサンプリングを実行し、変位計測データを生成し、動作計測信号に対してサンプリングを実行し、動作計測データを生成する（Ｓ４２Ｃ）。

行動状態学習装置２０Ｃは、筋活動計測信号を入力する（Ｓ５１Ｃ）。行動状態学習装置２０Ｃは、筋活動計測信号に対して、サンプリングを実行し、筋活動計測データを生成する（Ｓ５２Ｃ）。行動状態学習装置２０Ａは、筋活動計測データからモデル化基準値を算出する（Ｓ５３Ｃ）。

行動状態学習装置２０Ｃは、変位計測データおよび動作計測データとモデル化基準値とを用いた学習を実行し、行動状態モデルを生成する（Ｓ６１Ｃ）。

上述の各実施形態の構成および処理は、組み合わせることができる。そして、これらの組合せを用いることによって、行動状態推定装置、および、行動状態推定方法は、より高い推定精度を実現できる。例えば、サンプリングによって得られた統計量と、信号強度分布を算出して得られた統計量の２つの統計量を併用する（両方の統計量を用いる）こともできる。

また、上述の説明では、筋活動検知センサ１０２として、筋電センサ（筋電位計）を用いる態様を示した。しかしながら、筋活動検知センサ１０２は、ＭＲＩ等の筋活動を計測可能な別のセンサであってもよい。

また、上述の説明では、動作検知センサ３００として、加速度センサや角速度センサ等の慣性センサを用いる態様を示した。しかしながら、動作検知センサ３００は、例えば、モーションセンサ、画像センサ等を用いることもできる。

また、上述の説明では、変位計測信号をサンプリングする態様を示した。しかしながら、動作計測信号をサンプリングする場合は、変位計測信号を周波数サンプリングすることも可能である。ただし、上述のように、変位計測信号をサンプリングすることによって、行動状態推定装置は、筋肉の負荷状態をより高精度に推定できる。

このような点を考慮すると、変位検知センサ１０１は、圧電センサであることが好ましい。すなわち、加速度センサ等の他のセンサでは周波数成分を抽出することによって精度が向上するが、圧電センサを用いれば、このような周波数成分の抽出を行わなくても、精度良く推定できる。

また、上述の特徴量を用いない態様（第６の実施形態）では、変位検知センサ１０１が圧電センサであることによって、より有効に作用する。

また、上述の構成および処理では、行動状態として筋肉の負荷状態を推定する態様を示した。しかしながら、この筋肉の負荷状態に関連性を有する被験者の他の行動状態も推定可能である。

また、上述の構成および処理では、サンプリングにより得られた変位計測データおよび動作計測データをそのまま用いて、あるいは信号強度分布を算出して得られた変位統計量および動作統計量を用いて、行動状態を推定する態様を示した。しかしながら、行動状態推定装置、および、行動状態推定方法には、各統計量の差分値（変化量）や変化率を用いることもできる。具体的には、行動状態推定装置、および、行動状態推定方法は、複数の統計量における、隣り合う統計量の差分値（変化量）や変化率を算出し、この算出値を用いる。これにより、行動状態推定装置、および、行動状態推定方法は、行動状態の変化を推定することもできる。

また、上述の行動状態モデルを用いた負荷状態の推定において、入力ベクトルとして、次の生体情報に関する項目を追加してもよい。例えば、被計測者のＢＭＩ、身長、体重、体脂肪率、筋肉量、握力（左右、１回目、２回目）、下腿最小囲周径、年代（２０代、３０代、４０代、５０代、６０代）、性別（女性、男性）の少なくとも１つを加えてもよい。これにより、筋肉の負荷状態をより高精度に推定できる。

１０、１０Ａ、１０Ｂ：行動状態推定装置
１１：サンプリング部
１２：統計量算出部
１３、１３Ａ、１３Ｂ：行動状態モデル記憶部
１４、１４Ａ、１４Ｂ：推定演算部
２０、２０Ａ、２０Ｂ：行動状態学習装置
２１：サンプリング部
２２：モデル化基準値算出部
２４、２４Ａ、２４Ｂ：学習演算部
３１：サンプリング部
３２：統計量算出部
１０１：変位検知センサ
１０２：筋活動検知センサ
３００：動作検知センサ

Claims

被験者の変位計測信号を所定時間内においてサンプリングして、変位計測データを生成する第１サンプリング部と、
変位計測データと所望の筋肉の負荷状態とが関連づけられてモデル化された行動状態モデルを記憶する行動状態モデル記憶部と、
前記変位計測データを入力ベクトルとして、前記行動状態モデルを用いて、前記負荷状態を推定する推定演算部と、
を備える、行動状態推定装置。
前記行動状態モデルは、
前記負荷状態の推定対象の筋肉毎に、前記変位計測データの時間範囲に応じた重要度が設定されている、
請求項１に記載の行動状態推定装置。
前記被験者の動作計測信号を所定時間内においてサンプリングして、動作計測データを生成する第２サンプリング部を備え、
前記行動状態モデル記憶部は、
前記変位計測データ、前記動作計測データ、および、所望の筋肉の負荷状態が関連づけられてモデル化された行動状態モデルを記憶し、
前記推定演算部は、
前記変位計測データ、および、前記動作計測データを入力ベクトルとして、前記行動状態モデルを用いて、前記負荷状態を推定する、
請求項１または請求項２に記載の行動状態推定装置。
前記行動状態モデルは、
前記負荷状態の推定対象の筋肉毎に、前記変位計測データの時間範囲に応じた重要度および前記動作計測データの時間範囲に応じた重要度が設定されている、
請求項３に記載の行動状態推定装置。
前記変位計測データの時間範囲に応じた重要度および前記動作計測データの時間範囲に応じた重要度は、共通の重要度によって設定されている、
請求項４に記載の行動状態推定装置。
前記変位計測データの時間範囲に応じた重要度および前記動作計測データの時間範囲に応じた重要度は、個別に設定されている、
請求項４に記載の行動状態推定装置。
前記動作計測信号は、加速度および角速度の少なくとも一方の計測信号である、
請求項３乃至請求項６のいずれかに記載の行動状態推定装置。
前記動作計測信号は少なくとも、直交三軸成分と前記直交三軸成分を合成した合成成分のいずれかを含む、
請求項７に記載の行動状態推定装置。
前記変位計測信号は、生理的振戦による影響を含む変位を電圧変換した信号である、
請求項１乃至請求項８のいずれかに記載の行動状態推定装置。
前記入力ベクトルとして生体情報を含む、
請求項１乃至請求項９のいずれかに記載の行動状態推定装置。
前記変位計測信号は、前記被験者の足首に配置したセンサからサンプリングしたものであって、
前記所望の筋肉は、前記被験者の大腿四頭筋、ハムストリングス、前脛骨筋、腓腹筋、ヒラメ筋または大臀筋を含む、
請求項１乃至請求項１０のいずれかに記載の行動状態推定装置。
被験者の変位計測信号を所定時間内においてサンプリングして、変位計測データを生成する第１サンプリング処理と、
変位計測データと所望の筋肉の負荷状態とが関連づけられてモデル化された行動状態モデルを用いて、前記変位計測データを入力ベクトルとして、前記負荷状態を推定する推定演算処理と、
を有する、行動状態推定方法。
前記被験者の動作計測信号を時系列サンプリングして、動作計測データを生成する第２サンプリング処理を有し、
前記推定演算処理は、
変位計測データ、動作計測データ、および、所望の筋肉の負荷状態が関連づけられてモデル化された行動状態モデルを用いて、前記変位計測データおよび前記動作計測データを入力ベクトルとして、前記負荷状態を推定する、
請求項１２に記載の行動状態推定方法。
被験者の変位計測信号を所定時間内においてサンプリングして、変位計測データを生成する第１サンプリング部と、
筋活動計測信号を所定時間内においてサンプリングして、筋活動計測データを生成する第３サンプリング部と、
前記筋活動計測データから行動状態モデルのモデル化基準値を算出するモデル化基準値算出部と、
前記変位計測データと前記モデル化基準値を用いた学習を実行し、前記行動状態モデルを生成する学習演算部と、
を備える、行動状態学習装置。
前記学習演算部は、
前記変位計測データ、および、前記モデル化基準値を同期して、行動状態モデルを生成する、
請求項１４に記載の行動状態学習装置。
前記被験者の動作の計測信号を所定時間内においてサンプリングして、動作計測データを生成する第２サンプリング部を備え、
前記学習演算部は、
前記変位計測データ、前記動作計測データ、および、前記モデル化基準値を用いて、行動状態モデルを生成する、
請求項１４または請求項１５に記載の行動状態学習装置。
前記学習演算部は、
前記変位計測データ、前記動作計測データ、および、前記モデル化基準値を同期して、行動状態モデルを生成する、
請求項１６に記載の行動状態学習装置。
被験者の変位計測信号を所定時間内においてサンプリングして、変位計測データを生成する第１サンプリング処理と、
筋活動計測信号を所定時間内においてサンプリングして、筋活動計測データを生成する第３サンプリング処理と、
前記筋活動計測データから行動状態モデルのモデル化基準値を算出するモデル化基準値算出処理と、
前記変位計測データと前記モデル化基準値を用いた学習を実行し、前記行動状態モデルを生成する学習演算処理と、
を有する、行動状態学習方法。
前記被験者の動作計測信号を時系列サンプリングして、動作計測データを生成する第２サンプリング処理を有し、
前記学習演算処理は、
前記変位計測データ、前記動作計測データ、および、前記モデル化基準値を用いて、行動状態モデルを生成する、
請求項１８に記載の行動状態学習方法。