JP7122696B2 - 要因推定システム、及び、要因推定方法 - Google Patents

Description

本開示は、被測定者の転倒の可能性を示す転倒リスクの要因を推定する要因推定システム、及び、要因推定方法に関する。

従来、転倒リスクを評価又は判定する方法などが提案されている（例えば、特許文献１参照）。特許文献１では、被測定者の運動機能を示す指標である片足タッピング回数と、運動器不安定症の一指標であるＴＵＧ（Ｔｉｍｅｄ Ｕｐ ｔｏ Ｇｏ）テスト値とに基づいて、転倒リスクを評価する方法が開示されている。

特開２０１７－０４２６１８号公報

しかしながら、特許文献１に記載の方法では、転倒リスクを評価することはできるが、転倒リスクがある場合に、その要因まではわからない。そのため、被測定者の監視者（例えば、介護者など）は、転倒リスクがある人に対して、転倒リスクを低減するための提案を適切に行えない場合がある。

そこで、本開示は、転倒リスクの要因を推定することができる要因推定システム、及び、要因推定方法を提供することを目的とする。

本開示の一態様に係る要因推定システムは、被測定者の転倒の可能性を示す転倒リスクの要因を推定する要因推定システムであって、前記被測定者の歩行時における体動を示す体動データを取得し、取得された前記体動データに基づいて、前記被測定者の２以上の歩行パラメータを算出する算出部と、前記２以上の歩行パラメータに基づいて、前記被測定者の前記転倒リスクの要因に含まれる１以上の主成分であって、前記２以上の歩行パラメータに基づく１以上の主成分を推定し、推定結果を出力する推定部とを備える。

また、本開示の一態様に係る要因推定方法は、被測定者の転倒の可能性を示す転倒リスクの要因を推定する要因推定方法であって、前記被測定者の歩行時における体動を示す体動データを取得し、取得された前記体動データに基づいて、前記被測定者の２以上の歩行パラメータを算出し、前記２以上の歩行パラメータに基づいて、前記被測定者の前記転倒リスクの要因に含まれる１以上の主成分であって、前記２以上の歩行パラメータに基づく１以上の主成分を推定し、推定結果を出力する。

本開示の一態様に係る要因推定システム等によれば、転倒リスクの要因を推定することができる。

図１は、実施の形態１に係る要因推定システムの概要構成を示す図である。 図２は、実施の形態１に係る要因推定システムの機能構成を示すブロック図である。 図３は、実施の形態１に係るリスク分析部が転倒リスク値を算出する式の一例を示す図である。 図４は、実施の形態１に係る要因推定システムにおける、推定動作の前に実行される動作を示すフローチャートである。 図５は、第１対応情報の一例を示す図である。 図６は、第２対応情報の一例を示す図である。 図７は、実施の形態１に係る要因推定システムにおける、転倒リスクの要因を推定する推定動作を示すフローチャートである。 図８は、実施の形態２に係る要因推定システムの機能構成を示すブロック図である。 図９は、実施の形態２に係る要因推定システムにおける動作を示すフローチャートである。 図１０は、要因と介入方法との対応関係の一例を示す図である。 図１１は、被測定者の歩行時の体の上下方向における変位を示す図である。 図１２は、被測定者の認知機能が正常である場合の周波数分析結果を示す図である。 図１３は、被測定者の認知機能が低下している場合の周波数分析結果を示す図である。 図１４は、実施の形態３に係る要因推定システムの機能構成を示すブロック図である。 図１５は、実施の形態３に係る要因推定システムにおける動作を示すフローチャートである。 図１６Ａは、実施の形態３に係るリスク判定部における動作の一例を示すフローチャートである。 図１６Ｂは、実施の形態３に係るリスク判定部における動作の他の一例を示すフローチャートである。

以下、実施の形態について、図面を参照しながら説明する。なお、以下で説明する実施の形態は、いずれも包括的又は具体的な例を示すものである。以下の実施の形態で示される数値、形状、材料、構成要素、構成要素の配置位置及び接続形態、ステップ、ステップの順序などは、一例であり、本開示を限定する主旨ではない。また、以下の実施の形態における構成要素のうち、独立請求項に記載されていない構成要素については、任意の構成要素として説明される。

なお、各図は模式図であり、必ずしも厳密に図示されたものではない。また、各図において、実質的に同一の構成に対しては同一の符号を付し、重複する説明は省略又は簡略化される場合がある。

また、本明細書において、一致などの要素間の関係性を示す用語、並びに、数値、および、数値範囲は、厳格な意味のみを表す表現ではなく、実質的に同等な範囲、例えば数％程度の差異をも含むことを意味する表現である。

（実施の形態１）
［１－１．要因推定システムの概略構成］
図１は、本実施の形態に係る要因推定システム１の概要構成を示す図である。図１に示すように、要因推定システム１は、計測装置１０と、推定装置２０と、入力装置３０と、表示装置４０とを備える。

要因推定システム１は、計測装置１０（例えば、カメラ）によって被測定者５０の歩行時（歩行中）の体動を計測することにより、動画像データを生成する。計測装置１０は、例えば、老人ホーム又は介護施設の天井又は壁などに設置され、室内を常時撮影する。推定装置２０は、計測装置１０によって撮影（生成）された動画像データに基づいて被測定者５０の歩行態様を分析し、被測定者５０の転倒リスクの要因を推定する。推定結果は、表示装置４０に表示される。なお、動画像データは、体動データの一例である。また、被測定者５０は、被検者の一例である。

このような計測装置１０を用いた要因推定システム１は、計測装置１０による常時撮影された動画像データを蓄積しておくことにより、被測定者５０の過去の推定結果、及び、現在の推定結果を評価することができる。また、要因推定システム１は、被測定者５０に気づかれることなく被測定者５０の転倒リスクの要因を推定することができる。なお、計測装置１０は、被測定者５０を常時撮影することに限定されない。

［１－２．要因推定システムの機能構成］
本実施の形態に係る要因推定システム１の機能構成について、図２を参照しながら説明する。図２は、本実施の形態に係る要因推定システム１の機能構成を示すブロック図である。要因推定システム１は、被測定者５０の歩行時の体動を計測することで、当該被測定者５０の転倒リスクの要因を迅速に推定するシステムである。

図２に示すように、要因推定システム１は、計測装置１０と、推定装置２０と、入力装置３０と、表示装置４０とを備える。

計測装置１０は、被測定者５０の歩行時の体動を計測するための装置である。本実施の形態では、計測装置１０は、被測定者５０の歩行時の動画像データを撮影するためのカメラである。計測装置１０は、ＣＭＯＳ（Ｃｏｍｐｌｅｍｅｎｔａｒｙ Ｍｅｔａｌ Ｏｘｉｄｅ Ｓｅｍｉｃｏｎｄｕｃｔｏｒ）イメージセンサを用いたカメラでもよいし、ＣＣＤ（Ｃｈａｒｇｅ Ｃｏｕｐｌｅｄ Ｄｅｖｉｃｅ）イメージセンサを用いたカメラでもよい。

なお、フレームレート（動画像データに含まれる１秒当たりの画像データ数）は、特に限定されるものではなく、例えば、４０ｆｐｓ（ｆｒａｍｅｓ ｐｅｒ ｓｅｃｏｎｄ）でもよいし、６０ｆｐｓでもよい。

推定装置２０は、計測装置１０によって撮影された動画像データに基づいて被測定者５０の歩行態様を分析し、被測定者５０の転倒リスクの要因を推定し、表示装置４０へ出力する。こうすることで、推定装置２０は、例えば、被測定者５０を介護する介護者に当該被測定者５０の転倒リスクの要因の推定結果を通知することができるため、介護者が被測定者５０に対して転倒リスクを低減するためのより適切な提案（介入）を行うことができる。また、要因推定システム１は、例えば、介護者が被測定者５０に転倒リスクがあることに気付いていない場合であっても、被測定者５０に転倒リスクの要因を通知することで、介護者に被測定者５０に転倒リスクがあることを気付かせることができる。また、要因推定システム１は、転倒リスクがあることを被測定者５０が自覚していない場合に、転倒リスクの要因を通知することで、被測定者５０に転倒リスクがあることを気付かせることができる。

推定装置２０は、算出部２１と、リスク分析部２２と、要因分析部２３と、記憶部２４とを有する。

算出部２１は、計測装置１０から計測結果（例えば、動画像データ）を取得し、取得した計測結果から、歩行パラメータを算出する。算出部２１は、例えば、計測装置１０によって撮影された動画像データを、被測定者５０の歩行時の体動を示す体動データとして取得する。なお、動画像データから歩行パラメータを算出する算出方法は、特に限定されないが、例えば、動画像データの画像解析により行われてもよい。

なお、筋力、筋量（筋肉量）、バランス感覚、及び、認知機能の少なくとも１つが低下している人は、筋力、筋量、バランス感覚、及び、認知機能の少なくとも１つが低下していない人（健常者）と歩行時の体動が異なることが知られている。そのため、歩行パラメータは、筋力、筋量、バランス感覚、及び、認知機能の少なくとも１つと相関性がある、歩行速度、歩幅、関節角度、腰又は頭部の変位を含む。歩行パラメータは、歩行速度、歩幅、関節角度、腰又は頭部の変位の少なくとも２つを含む。なお、関節角度は、例えば、膝関節の角度である。

リスク分析部２２は、歩行パラメータに基づいて、被測定者５０の転倒リスクを分析する。リスク分析部２２は、例えば、図３に示す計算式に基づいて、転倒リスク値を算出することで被測定者５０の転倒リスクを分析する。リスク分析部２２は、第２判定部の一例である。

図３は、本実施の形態に係るリスク分析部２２が転倒リスク値を算出する式の一例を示す図である。図３に示すスコアＸ１、Ｘ２、Ｘ３は、歩行パラメータに基づく数値である。例えば、スコアＸ１は、歩幅に基づく数値であり、スコアＸ２は、歩行速度に基づく数値であり、スコアＸ３は、腰の位置に基づく数値であってもよい。また、スコアは、２以上の歩行パラメータに基づく数値であってもよく、例えば、スコアＸ１は、歩幅及び歩行速度に基づく数値であってもよい。なお、図３では、後述する主成分（図６参照）のうち「筋力」及び「筋量」のみを図示しているが、他の主成分を含んでいてもよい。つまり、転倒リスク値は、後述する複数の主成分のうち、２以上の主成分に基づいて算出されてもよい。転倒リスク値は、例えば、後述する複数の主成分のそれぞれに基づいて算出されてもよい。

図３に示すように、リスク分析部２２は、スコアＸ１、Ｘ２、Ｘ３、及び、転倒歴に関すスコアを加算することで転倒リスク値を算出する。スコアＸ１及びＸ２は、例えば、筋力に対応する歩行パラメータに基づく数値である。スコアＸ１は、歩行速度に基づく数値であり、スコアＸ２は、歩幅に基づく数値であってもよい。なお、筋力と歩行速度及び歩幅とは、相関性がある（後述する図６参照）。また、スコアＸ３は、例えば、バランス系（例えば、バランス感覚）に対応する歩行パラメータに基づく数値である。スコアＸ３は、腰の変位に基づく数値であってもよい。なお、筋量と腰の変位とは、相関性がある（後述する図６参照）。

また、転倒歴に関するスコアは、例えば、転倒の有無、又は、転倒回数に基づく数値である。転倒リスク値に転倒歴に関するスコアが含まれることで、筋力、筋量などが正常である場合であっても、転倒リスクの判定を適切に行うことができる。なお、リスク分析部２２は、例えば、入力装置３０を介して転倒歴に関する情報を取得するが、記憶部２４から読み出すことで転倒歴に関する情報を取得してもよい。

リスク分析部２２は、図３に示す式により算出された転倒リスク値に応じた分析結果を出力する。リスク分析部２２は、例えば、転倒リスクの有無を出力してもよいし、転倒リスクのレベル（例えば、「高」、「中」、「低」など）を出力してもよい。転倒リスクのレベルは、３段階上であれば、特に限定されない。また、リスク分析部２２は、転倒リスク値を出力してもよい。

なお、図３に示す式は、一例であり、歩行パラメータに基づいて転倒リスク値が算出されていれば、図３に示す式以外の式により転倒リスク値が算出されてもよい。転倒リスク値は、例えば、スコアＸ１～Ｘ３等に所定の重みを演算して算出されてもよい。また、転倒リスク値は、例えば、加算、減算、乗算、除算等の少なくとも１つを用いて算出されてもよい。また、転倒リスク値は、さらに、認知機能に関する数値を用いて算出されてもよい。つまり、転倒リスクは、被測定者５０の認知機能も考慮して分析されてもよい。

図２を再び参照して、要因分析部２３は、歩行パラメータに基づいて、被測定者５０の転倒する可能性を示す転倒リスクの要因を分析する。要因分析部２３は、例えば、歩行パラメータと、人の体力指標及び歩行パラメータの対応関係を示す対応情報とに基づいて、被測定者５０の転倒リスクの要因を分析する。体力指標は、人の体力又は運動能力を示し、例えば、体力測定などで計測される項目を含む。体力指標は、例えば、握力、脚筋力、開眼片足立ち、ステッピング（例えば、反復横跳び）などを含む。また、体力指標には、体組成計の計測結果から推定される体組成を含んでいてもよい。体組成は、例えば、ＢＩＡ法（Ｂｉｏｅｌｅｃｔｒｉｃａｌ Ｉｍｐｅｄａｎｃｅ Ａｎａｌｙｓｉｓ：生体インピーダンス法）を用いた体組成計の計測結果である。なお、歩行パラメータは、体力指標には含まれない。また、要因は、人の転倒リスクに影響を与える主な原因（成分）を含む。要因分析部２３は、推定部の一例である。

記憶部２４は、各処理部が取得又は算出した各種データを記憶する記憶装置である。記憶部２４は、例えば、計測装置１０から取得した動画像データを記憶してもよいし、算出部２１が算出した歩行パラメータを記憶してもよい。また、記憶部２４は、例えば、リスク分析部２２及び要因分析部２３の分析結果を記憶してもよい。

例えば、被測定者５０の歩行時の体動の長期的な経過変化を解析したい場合、算出部２１は、被測定者５０の動画像データ又は算出した歩行パラメータを記憶部２４に記憶させてもよい。また、例えば、被測定者５０における分析結果の長期的な経過変化を解析したい場合、リスク分析部２２又は要因分析部２３は、分析結果を記憶部２４に記憶させてもよい。なお、長期的な期間は特に限定されないが、例えば１週間であってもよいし、１ヶ月であってもよいし、１年であってもよい。また、以下において、動画像データ、歩行パラメータ、及び、分析結果を、体動に基づく情報とも記載する。

こうすることにより、推定装置２０は、被測定者５０の過去の歩行時の体動に基づく情報（例えば、歩行パラメータなど）に基づいて、例えば、現在の転倒リスクに関する判定を行うことができる。推定装置２０は、例えば、現在の転倒リスクの有無に関する判定を行うことができる。

また、記憶部２４には、例えば、各処理部が実施の形態に係る要因推定方法を実行するためのプログラム、及び、要因分析を行う際に用いられる情報データも記憶されている。記憶部２４は、半導体メモリ又はＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）等によって実現される。

なお、推定装置２０は、リスク分析部２２を有していなくてもよい。推定装置２０は、被測定者５０の転倒リスクの要因を推定することができる構成であればよい。

なお、推定装置２０の各処理部は、それぞれの機能を併せ持つ１つのプロセッサ、マイクロコンピュータ、又は、専用回路で実現されてもよいし、プロセッサ、マイクロコンピュータ、又は、専用回路のうちの２つ以上の組み合わせによって実現されてもよい。また、算出部２１、及び、要因分析部２３は、有線通信又は無線通信を行う通信モジュール（通信回路）を含んで構成されてもよい。この場合、算出部２１は、計測装置１０と通信可能であればよく、算出部２１の通信方式（通信規格、通信プロトコル）は、特に限定されない。また、要因分析部２３は、表示装置４０と通信可能であればよく、要因分析部２３の通信方式（通信規格、通信プロトコル）は、特に限定されない。このように、算出部２１は、取得部としての機能を有していてもよいし、要因分析部２３は、出力部としての機能を有していてもよい。

なお、推定装置２０は、例えば、パーソナルコンピュータであるが、サーバ装置であってもよい。また、推定装置２０は、計測装置１０が設置された建物内に設置されてもよいし、当該建物の外に設置されてもよい。

入力装置３０は、被測定者５０から所定の情報の入力を受け付けるユーザインタフェースである。入力装置３０は、例えば、当該被測定者の転倒歴に関する情報の入力を受け付ける。入力装置３０は、ハードウェアキー（ハードウェアボタン）、スライドスイッチ、タッチパネルなどにより実現される。

表示装置４０は、推定装置２０から出力される転倒リスクの要因の分析結果に基づく画像を表示する。表示装置４０は、具体的には、液晶パネル、又は、有機ＥＬパネル等によって構成されるモニタ装置である。表示装置４０として、テレビ、スマートフォン、又は、タブレット端末、ウェアラブル端末等の情報端末が用いられてもよい。推定装置２０と表示装置４０との間の通信は、例えば、有線通信であるが、表示装置４０がスマートフォン、タブレット端末、又は、ウェアラブル端末である場合には、無線通信であってもよい。

［１－３．要因推定システムの動作］
次に、本実施の形態に係る要因推定システム１の動作について、図４及び図５を参照しながら説明する。図４は、本実施の形態に係る要因推定システム１における、推定動作の前に実行される動作を示すフローチャートである。具体的には、図４は、被測定者５０に対する転倒リスクの要因分析を行う前に実行される動作を示す。

図４に示すように、算出部２１は、人の体力指標に関する計測結果に基づく第１対応情報を取得する（Ｓ１１）。算出部２１は、例えば、体力指標ごとの転倒リスクと、体力指標に関する計測結果との対応関係を示す第１対応情報を取得する。図５は、第１対応情報Ｄ１の一例を示す図である。なお、以降において、体力指標ごとの転倒リスクを指標別転倒リスクとも記載する。なお、第１対応情報は、人の体力指標と転倒リスクとの関係を示す情報の一例である。

図５に示すように、第１対応情報Ｄ１は、「握力」、「開眼片足立ち」、「転倒履歴」等を含む体力指標と、「高」、「中」、「低」を含む指標別転倒リスクとの対応関係を示す図である。「握力」について説明すると、握力が１０ｋｇｗ未満であると指標別転倒リスクが「高」であり、１５ｋｇｗ程度であると指標別転倒リスクが「中」であり、２０ｋｇｗ以上であると指標別転倒リスクが「低」である例を示している。なお、図５に示す項目及び数値は一例であり、これに限定されない。また、図５における程度との表現は、握力を例に説明すると、１５ｋｇｗ及び１５ｋｇｗ前後の数値を含むことを意味する。１５ｋｇｗ程度とは、指標別転倒リスク「高」及び「低」に対応する握力の間の数値であってもよく、例えば、１０ｋｇｗ以上２０ｋｇｗ未満であってもよい。

また、指標別転倒リスク「高」、「中」、「低」のそれぞれには、スコアが割り当てられている。例えば、指標別転倒リスク「高」には２点、「中」には１点、「低」には０点が割り当てられるが、スコアの割り当てはこれに限定されない。また、算出部２１は、指標別転倒リスクのスコアに基づいて、転倒リスクがあるか否かを判定するための閾値を取得してもよい。算出部２１は、例えば、体力指標の各スコアを演算した演算値に対する閾値を取得してもよい。演算は、例えば、加算であるが、減算、乗算、除算の少なくとも１つであってもよい。また、演算は、重み付け加算などであってもよい。以下では、演算は、加算であり、演算値は体力指標ごとのスコアの合計値である例について説明する。算出部２１は、例えば、被測定者５０の転倒リスクが「高」と判定するための第１閾値として６点、ユーザの転倒リスクが「中」と判定するための第２閾値として２点を取得したとする。第１閾値及び第２閾値は、例えば、記憶部２４に記憶されていてもよい。

次に、算出部２１は、体力指標と歩行パラメータとの対応関係を示す第２対応情報Ｄ２を取得する（Ｓ１２）。算出部２１は、例えば、入力装置３０を介して第２対応情報Ｄ２を取得してもよい。図６は、第２対応情報Ｄ２の一例を示す図である。なお、第２対応情報は、人の体力指標と２以上の歩行パラメータとの関係を示す情報の一例である。

図６に示すように、第２対応情報Ｄ２は、転倒リスクの要因に含まれる成分１～４のそれぞれに対応する、主成分、体力指標、及び、歩行パラメータが対応付けられた情報である。主成分は、人の転倒リスクと関係性がある身体的要素を示しており、予め設定されている。主成分は、例えば、「筋力」、「バランス」、「俊敏性」及び「筋量」を含む。成分１を例に説明すると、主成分「筋力」に対応する体力指標は、「握力」及び「脚筋力」であり、「筋力」に対応する歩行パラメータは、「歩行速度」及び「歩幅」である。言い換えると、第２対応情報Ｄ２は、転倒リスクの要因の推定において、「握力」及び「脚筋力」の替わりに、「歩行速度」及び「歩幅」が使用することができることを示す。

主成分「筋力」は、人が転倒する要因の１つが当該人の筋力であることを意味する。体力指標「握力」及び「脚筋力」は、主成分「筋力」の状態を示す指標である。「歩行速度」、及び、「歩幅」は、体力指標「握力」及び「脚筋力」と相関関係がある歩行パラメータである。

なお、ここでの相関関係は、体力指標が「握力」であり、「歩行パラメータ」が「歩行速度」である場合、握力の値と歩行パラメータの値との相関関係を含んでいてもよい。相関関係は、例えば、歩行速度が２ｋｍ／ｈであることが、握力が１０ｋｇｗであることに相当するなどの相関関係を含んでいてもよい。

なお、体力指標と歩行パラメータとの相関関係は、複数の人の体力指標及び歩行パラメータの計測結果の回帰分析などにより取得可能であるが、相関関係の取得方法はこれに限定されない。

なお、成分２における「関節角度」は、例えば、左右の足の関節角度の差を含む。ここでの関節角度は、歩行に関係する関節の角度であり、例えば、膝関節の角度である。関節角度の左右の差は、例えば、左足及び右足の膝関節の角度の差である。

なお、成分３における「関節角度」は、例えば、関節角度の大きさを含む。ここでの関節角度は、歩行に関係する関節の角度であり、例えば、膝関節の角度の大きさである。

なお、成分４における「腰の変位」は、腰の位置の変位を含む。成分４における歩行パラメータは、体組成計の値と相関関係があればよく、「腰の変位」に加えて、又は、「腰の変位」とともに、「頭部の変位」などを含んでいてもよい。

図４を再び参照して、算出部２１は、第１対応情報Ｄ１及び第２対応情報Ｄ２を記憶部２４に記憶する（Ｓ１３）。

続いて、要因推定システム１における転倒リスクの要因を推定する動作について、図７を参照しながら説明する。図７は、本実施の形態に係る要因推定システム１における、転倒リスクの要因を推定する推定動作を示すフローチャートである。

図７に示すように、算出部２１は、計測装置１０から被測定者５０の歩行時の動画像データを取得する（Ｓ２１）。動画像データは、被測定者５０の普段の歩行時の様子を撮影したデータであってもよいし、転倒リスクの要因を推定するために所定の場所を歩行した時の様子を撮影したデータであってもよい。所定の場所は、例えば、マーカが付された歩行面を含む通路であってもよい。また、動画像データは、複数視点から被測定者５０を撮影して得られた動画像データであってもよい。

次に、算出部２１は、動画像データに基づいて、被測定者５０における歩行パラメータを算出する（Ｓ２２）。算出部２１による歩行パラメータの算出方法は特に限定されないが、例えば、動画像データの画像解析により行われてもよい。算出部２１は、例えば、画像データから被測定者５０の特徴点を算出し、特徴点の移動軌跡に基づいて、歩行パラメータを算出してもよい。算出部２１は、上記の通路を歩行する被測定者５０の動画像データを取得した場合、背景差分法によって特徴点を算出してもよい。算出部２１は、歩行パラメータをリスク分析部２２に出力する。

次に、リスク分析部２２は、歩行パラメータに基づいて、被測定者５０に転倒リスクがあるか否かを判定する（Ｓ２３）。リスク分析部２２は、例えば、歩行パラメータごとにスコアを算出し、算出した複数のスコアに基づいて、被測定者５０に転倒リスクがあるか否かを判定する。リスク分析部２２は、例えば、記憶部２４に記憶されている第１対応情報Ｄ１及び第２対応情報Ｄ２に基づいて、歩行パラメータごとのスコアを算出する。リスク分析部２２は、歩行パラメータが歩行速度であり、かつ、歩行速度が２ｋｍ／ｈである場合、例えば、歩行速度２ｋｍ／ｈが握力１０ｋｇｗに相当することを取得する。そして、リスク分析部２２は、第１対応情報に基づいて、歩行速度２ｋｍ／ｈのスコアが２点であることを取得する。

リスク分析部２２は、例えば、図３の式に示すように、歩行パラメータごとに上記のスコアを算出し、算出した複数のスコアを加算することで、転倒リスク値を算出する。そして、リスク分析部２２は、例えば、複数のスコアの合計値、つまり転倒リスク値が閾値以上である場合に転倒リスクがあると判定する。この場合の閾値は、転倒リスクの有無を判定するための数値である。閾値は、固定値であってもよいし、被測定者５０ごとに設定されていてもよい。

また、リスク分析部２２は、例えば、閾値として第１閾値（例えば、６点）及び第２閾値（例えば、２点）が設定されている場合、転倒リスクの度合いを判定することができる。リスク分析部２２は、例えば、転倒リスクの度合いが所定度合い以上（例えば、「中」以上）である場合に、転倒リスクがあると判定してもよい。

なお、リスク分析部２２による転倒リスクの有無の判定方法は、上記に限定されない。リスク分析部２２は、例えば、歩行速度が閾値以下である場合に、転倒リスクがあると判定してもよい。つまり、リスク分析部２２は、歩行パラメータの数値に基づいて、転倒リスクがあるか否かを判定してもよい。

リスク分析部２２は、判定結果を要因分析部２３に出力する。また、リスク分析部２２は、判定結果を記憶部２４に記憶させてもよい。リスク分析部２２が出力する判定結果は、第２判定結果の一例である。

要因分析部２３は、リスク分析部２２から転倒リスクがあることを示す判定結果を取得すると（Ｓ２３でＹｅｓ）、歩行パラメータと相関のある体力指標から、主成分ごとに転倒リスクへの影響度合いを算出する（Ｓ２４）。要因分析部２３は、例えば、第２対応情報Ｄ２に基づいて、歩行パラメータの「歩行速度」及び「歩幅」が主成分「筋力」と相関があることを取得する。要因分析部２３は、主成分「筋力」における転倒リスクへの影響度合いを、歩行速度及び歩幅に基づいて算出する。要因分析部２３は、例えば、歩行速度のスコア及び歩幅のスコアに基づいて、転倒リスクへの影響度合いを算出してもよい。要因分析部２３は、例えば、歩行速度のスコア及び歩幅のスコアの合計値を主成分「筋力」における転倒リスクへの影響度合いとして算出する。要因分析部２３は、歩行パラメータに基づいて、主成分分析を行うことで、転倒リスクの要因に含まれる主成分を推定するとも言える。

要因分析部２３は、図６に示す成分１～４ごと、つまり主成分ごとに、上記の影響度合いを算出する。影響度合いは、スコアに基づく絶対値（例えば、６点など）であってもよいし、当該スコアに基づく相対値（例えば、５０％）であってもよい。要因分析部２３は、影響度合いがスコアに基づく値である場合、リスク分析部２２が算出した転倒リスク値に含まれる各スコアを主成分ごとにまとめる処理を実行するとも言える。

次に、要因分析部２３は、例えば、主成分ごとの影響度合いに基づいて、被測定者５０の転倒リスクの要因を推定する（Ｓ２５）。つまり、要因分析部２３は、２以上の歩行パラメータに基づいて、転倒リスクの要因を推定する。要因分析部２３は、２以上の歩行パラメータに基づいて、複数の主成分の中から被測定者５０における転倒リスクの要因に含まれる１以上の主成分を推定する。要因分析部２３は、例えば、影響度合いが最も高い主成分を、被測定者５０の転倒リスクの要因であると推定してもよいし、影響度合いが所定度合い以上である主成分を、被測定者５０の転倒リスクの要因であると推定してもよい。

次に、要因分析部２３は、推定結果を示す情報を表示装置４０に出力する（Ｓ２６）。つまり、要因分析部２３は、推定結果を表示装置４０に表示させる。

次に、推定装置２０は、動画像データ、歩行パラメータ、及び、推定結果の少なくとも１つを記憶部２４に記憶させる（Ｓ２７）。

なお、要因分析部２３は、リスク分析部２２から転倒リスクがないことを示す判定結果を取得すると（Ｓ２３でＮｏ）、転倒リスクへの要因を推定する処理を終了する。

［１－４．効果など］
以上のように、本実施の形態に係る要因推定システム１は、被測定者５０の転倒の可能性を示す転倒リスクの要因を推定する要因推定システムであって、被測定者５０の歩行時における体動を示す動画像データ（体動データの一例）を取得し、取得された体動データに基づいて、被測定者５０の２以上の歩行パラメータを算出する算出部２１と、２以上の歩行パラメータに基づいて、被測定者５０の転倒リスクの要因に含まれる１以上の主成分であって、２以上の歩行パラメータに基づく１以上の主成分を推定し、推定結果を出力する要因分析部２３（推定部の一例）とを備える。

これにより、要因分析部２３は、２以上の歩行パラメータに基づいて、被測定者５０の転倒リスクの要因を推定することができる。具体的には、要因分析部２３は、２以上の歩行パラメータに基づいて、１以上の主成分を推定することができる。よって、本実施の形態に係る要因推定システム１は、転倒リスクの要因を推定することができる。

また、要因分析部２３は、体力指標と転倒リスクとの関係を示す情報、及び、体力指標と２以上の歩行パラメータとの関係を示す情報に基づいて、２以上の主成分を推定する。

これにより、要因分析部２３は、上記情報を用いることで、被測定者５０が体力指標の計測を行うことなく、２以上の歩行パラメータから１以上の主成分を推定することができる。よって、要因推定システム１は、転倒リスクの要因を、より簡単に推定することができる。要因分析部２３は、上記情報を用いることで、被測定者５０の保有能力を推定しているとも言える。

また、要因推定システム１は、さらに、２以上の歩行パラメータに基づいて、被測定者５０の転倒リスクを判定するリスク分析部２２（第２判定部の一例）を備える。そして、要因分析部２３は、リスク分析部２２が被測定者５０を転倒リスクがあると判定した場合、２以上の主成分を推定する。

これにより、要因推定システム１は、転倒リスクの有無などの転倒リスクの判定を行うことができる。当該判定結果が出力されることで、被測定者５０及び介護者に当該判定結果を知らせることができる。また、要因分析部２３による処理量を低減することができるので、要因推定システム１の省エネ化につながる。

また、１以上の主成分は、筋力、筋量、バランス、認知機能の少なくとも１つを含む。

これにより、要因分析部２３は、被測定者５０の転倒リスクがある時に、体の衰えによることが要因であるか、又は、認知機能の衰えによることが要因であるかを推定することができる。

また、２以上の歩行パラメータは、歩行速度、歩幅、関節角度、及び、腰の変位の少なくとも２つを含む。

これにより、要因分析部２３は、動画像データから取得可能である、歩行速度、歩幅、関節角度、腰の変位の少なくとも２つに基づいて、被測定者５０の転倒リスクの要因を推定することができる。つまり、要因推定システム１は、転倒リスクの要因を推定するための計測（例えば、体力指標の計測）を行うことなく、被測定者５０の普段の歩行の様子を撮影した動画像データに基づいて、被測定者５０の転倒リスクの要因を推定することができる。よって、要因推定システム１は、転倒リスクの要因をさらに簡単に推定することができる。

また、以上のように、本実施の形態に係る要因推定システム１における推定方法は、被測定者５０の転倒の可能性を示す転倒リスクの要因を推定する要因推定方法であって、被測定者５０の歩行時における体動を示す体動データを取得し（Ｓ２１）、取得された体動データに基づいて、被測定者５０の２以上の歩行パラメータを算出し（Ｓ２２）、２以上の歩行パラメータに基づいて、被測定者５０の転倒リスクの要因に含まれる１以上の主成分であって、２以上の歩行パラメータに基づく１以上の主成分を推定し（Ｓ２５）、推定結果を出力する（Ｓ２６）。

これにより、上記の要因推定システム１と同様の効果を奏する。

（実施の形態２）
以下、本実施の形態に係る要因推定システム１ａについて、図８～図１３を参照しながら説明する。本実施の形態に係る要因推定システム１ａは、転倒リスクの要因を推定することに加えて、推定結果に基づいて転倒リスクを低減するための介入方法を提案する点に特徴を有する。

なお、以下の説明では、実施の形態１との相違点を中心に説明し、実施の形態１と同様の構成については同一の符号を付し、説明を省略又は簡略化する場合がある。

［２－１．要因推定システムの機能構成］
本実施の形態に係る要因推定システム１ａの機能構成について、図８を参照しながら説明する。図８は、本実施の形態に係る要因推定システム１ａの機能構成を示すブロック図である。

図８に示すように、要因推定システム１ａは、実施の形態１に係る要因推定システム１が備える推定装置２０に替えて推定装置２０ａを備える。推定装置２０ａは、実施の形態１に係る推定装置２０に加えて、レコメンド判定部２５を有する。

レコメンド判定部２５は、被測定者５０の転倒リスクの要因の推定結果に基づいて、介護者等が当該推定結果に応じた介入を被測定者５０に行うための処理を行う。レコメンド判定部２５は、例えば、介護者に介入効率が高い方法を提案するための処理を行う。レコメンド判定部２５は、例えば、当該推定結果に含まれる２以上の主成分に基づいて、介護者に介入効率が高い方法（改善メニュー）を提案するための判定処理を行う。介入効率が高い方法とは、被測定者５０に、当該被測定者５０の転倒リスクの要因に適した介入を行い得る方法（改善メニュー）を意味する。つまり、介入効率が高い方法とは、被測定者５０の転倒リスクを効果的に低減することが可能な方法である。すなわち、レコメンド判定部２５は、被測定者５０の転倒リスクを低減するための低減方法を判定（決定）する。レコメンド判定部２５は、例えば、当該２以上の主成分の転倒リスクへの影響度合いに応じて、上記の判定を行う。レコメンド判定部２５は、第１判定部の一例である。

また、レコメンド判定部２５は、例えば、判定結果の長期的な経過変化を解析したい場合、当該判定結果を記憶部２４に記憶させてもよい。また、判定結果は、体動に基づく情報の一例である。

また、レコメンド判定部２５は、有線通信又は無線通信を行う通信モジュール（通信回路）を含んで構成されてもよい。この場合、レコメンド判定部２５は、表示装置４０と通信可能であればよく、レコメンド判定部２５の通信方式（通信規格、通信プロトコル）は、特に限定されない。

［２－２．要因推定システムの動作］
次に、本実施の形態に係る要因推定システム１ａの動作について、図９及び図１０を参照しながら説明する。図９は、本実施の形態に係る要因推定システム１ａにおける動作を示すフローチャートである。具体的には、図９は、被測定者５０に対する転倒リスクの要因の推定結果に基づいて、転倒リスクを低減するための提案を行う動作を示す。なお、図９に示すＳ２１～Ｓ２５の処理は、実施の形態１の図７と同様であり、説明を省略する。

図９に示すように、要因分析部２３は、被測定者５０の転倒リスクの要因を推定する（Ｓ２５）と、推定結果をレコメンド判定部２５に出力する。

レコメンド判定部２５は、要因分析部２３から推定結果を取得すると、当該推定結果に基づいて、被測定者５０の介護者等に、推奨される介入方法を判定する（Ｓ３１）。レコメンド判定部２５は、例えば、記憶部２４に記憶されている複数の介入方法の中から、推定結果に応じた介入方法を判定する。図１０は、要因と介入方法との対応関係の一例を示す図である。

図１０に示すように、レコメンド判定部２５は、「筋力」、「筋量」、「バランス」、及び、「認知」における転倒リスクへの影響度合い（割合）に応じた介入方法を判定する。レコメンド判定部２５は、例えば、「筋力」、「筋量」、「バランス」、及び、「認知」のうち、「筋力」が最も割合が高い場合、「運動改善メニュー（遅筋）」が推奨される介入方法であると判定する。これにより、遅筋を鍛えることで効果的に筋力が向上するので、転倒リスクを容易に低減することができる。

また、レコメンド判定部２５は、例えば、「筋力」、「筋量」、「バランス」、及び、「認知」のうち、「筋量」が最も割合が高い場合、「運動改善メニュー（速筋）」が推奨される介入方法であると判定する。これにより、速筋を鍛えることで効果的に筋量を増やすことができるので、転倒リスクを容易に低減することができる。

このように、レコメンド判定部２５は、例えば、「筋力」及び「筋量」の一方の割合が最も高い場合、転倒予防及び運動機能向上のための運動メニューを提案する。

また、レコメンド判定部２５は、例えば、「筋力」、「筋量」、「バランス」、及び、「認知」のうち、「筋力」及び「筋量」の割合が類似している（例えば、一致している）場合、「食事改善メニュー」が推奨される介入方法であると判定する。このように、レコメンド判定部２５は、例えば、「筋力」及び「筋量」などの筋肉に対する主成分の割合が類似している場合、筋トレではなく、食事における改善方法を提案してもよい。なお。類似とは、例えば、２つの割合の差が所定値以内であることであってもよい。所定値は、例えば、１０％であってもよく、２０％であってもよく、その他であってよい。

なお、図１０に示す割合は、例えば、主成分ごとのスコアの合計値に基づいて算出される。

なお、図１０に示す「認知」は、認知機能の低下による歩行への影響度合いを示す。認知機能が低下している又は認知機能の低下の兆候が現れた人と、認知機能が低下していない人（健常者）とは、歩行時の体動が異なることが知られている。そのため、「認知」における影響度合いは、例えば、歩行パラメータに基づいて、算出可能である。なお、認知機能とは、認識したり、記憶したり、判断したりする能力を示す。

以下では、認知機能の分析方法（評価方法）の一例について説明する。なお、認知機能の分析方法は、以下に限定されない。

要因分析部２３は、歩行パラメータに頭部の位置が含まれる場合、例えば、頭部の変位を周波数分析する。要因分析部２３は、頭部の変位（例えば、図１１に示す頭部の位置の時間変化を示す信号）を離散フーリエ変換する。つまり、要因分析部２３は、体の変位を示す信号を時間領域から周波数領域に変換する周波数変換処理を行う。なお、図１１は、被測定者５０の歩行時の体の上下方向における変位を示す図である。また、頭部の変位は、重心の位置の一例であり、例えば、算出部２１により算出される。

被測定者５０の認知機能が正常であれば、図１２に示されるような分析結果が得られ、被測定者５０の認知機能が低下している場合には、図１３に示されるような分析結果が得られる。図１２は、被測定者５０の認知機能が正常である場合の周波数分析結果を示す図であり、図１３は、被測定者５０の認知機能が低下している場合の周波数分析結果を示す図である。

図１２及び図１３に示される分析結果のそれぞれにおいて、最も周波数の低いピーク（最もレベルの高いピーク）は、歩行の周期を示す周波数ピークである。言い換えれば、最も周波数の低いピークは、主周波数成分である。被測定者５０の認知機能が正常であれば、被測定者５０は、一定の周期で歩くことができる。このため、図１２では図１３に比べて歩行の周期を示す周波数ピークが尖っており、ピークレベルが高くなる。

一方で、被測定者５０の認知機能が低下している場合には、被測定者５０は、一定の周期で歩くことが難しくなるため、歩行の周期のばらつきが多くなる。したがって、図１３では図１２に比べて歩行の周期を示す周波数ピークのピークレベルが低く、当該周波数ピークの裾が広がっている。

そこで、要因分析部２３は、離散フーリエ変換によって得られる周波数分析により得られる被測定者５０の歩行の周期を示す周波数ピークに基づいて、被測定者５０の認知機能を分析する。例えば、要因分析部２３は、周波数ピークのピークレベルに基づいて、被測定者５０の認知機能を分析する。要因分析部２３は、ピークレベルが低いほど被測定者５０の認知機能が低下していると分析する。要因分析部２３は、例えば、ピークレベルが閾値（図１２及び図１３に図示）以上である場合には、認知機能が正常であると判定し、認知機能が正常であることを示すスコアを割り当てる。認知機能が正常であることを示すスコアは、予め設定されており、例えば、０点であってもよい。

一方、要因分析部２３は、例えば、ピークレベルが閾値未満である場合には、認知機能が低下していると判定し、認知機能が低下していることを示すスコアを割り当てる。認知機能が低下していることを示すスコアは、予め設定されており、例えば、２点であってもよい。なお、閾値は、例えば、記憶部２４に記憶されていてもよい。

図９を再び参照して、レコメンド判定部２５は、判定結果を示す情報を表示装置４０に出力する（Ｓ３２）。つまり、レコメンド判定部２５は、判定結果を表示装置４０に表示させる。レコメンド判定部２５が出力する判定結果は、第１判定結果の一例である。

そして、推定装置２０は、動画像データ、歩行パラメータ、推定結果、及び、判定結果の少なくとも１つを記憶部２４に記憶させる（Ｓ３３）。レコメンド判定部２５は、判定結果を記憶部２４に記憶させてもよい。

［２－３．効果など］
以上のように、本実施の形態に係る要因推定システム１ａの要因分析部２３は、２以上の主成分を推定する。そして、要因推定システム１ａは、さらに、２以上の主成分に基づいて、転倒リスクを低減するための被測定者５０に対する介入方法を判定し、判定結果を出力するレコメンド判定部２５（第１判定部の一例）を備える。

これにより、レコメンド判定部２５は、転倒リスクの要因に適した介入方法を介護者などに知らせることができる。また、要因推定システム１ａは、介護者などが転倒リスクの低減に関する知識等がない場合であっても、被測定者５０に適切な介入方法により転倒リスクの低減を行うことを促すことができる。

また、レコメンド判定部２５は、２以上の主成分のうち、転倒リスクへの影響度合いが最も大きい主成分における影響度合いを低減するための介入方法を判定する。

これにより、レコメンド判定部２５は、被測定者５０の転倒リスクを効果的に低減させること介入方法を出力することができる。

（実施の形態３）
以下、本実施の形態に係る要因推定システム１ｂについて、図１４～図１６Ｂを参照しながら説明する。本実施の形態に係る要因推定システム１ｂは、過去の時系列データに基づいて、転倒リスクに関する処理を行う点に特徴を有する。過去の時系列データとは、現在より以前に取得された時系列データであり、例えば、直近の１週間分の時系列データであってもよいし、直近の１ヶ月分の時系列データであてもよいし、直近の１年分の時系列データであってもよいし、その他であってもよい。

なお、以下の説明では、実施の形態２との相違点を中心に説明し、実施の形態２と同様の構成については同一の符号を付し、説明を省略又は簡略化する場合がある。

［３－１．要因推定システムの機能構成］
本実施の形態に係る要因推定システム１ｂの機能構成について、図１４を参照しながら説明する。図１４は、本実施の形態に係る要因推定システム１ｂの機能構成を示すブロック図である。

図１４に示すように、要因推定システム１ｂは、実施の形態２に係る要因推定システム１ａが備える推定装置２０ａに替えて推定装置２０ｂを備える。推定装置２０ｂは、実施の形態２に係る推定装置２０ａに加えて、解析部２６及びリスク判定部２７を有する。なお、推定装置２０ｂは、レコメンド判定部２５を有していなくてもよい。

解析部２６は、過去の歩行時の体動に基づく情報を解析する。解析部２６は、例えば、統計処理により、転倒リスクに関する時系列データの時間的な変化を取得する。そして、解析部２６は、時系列データの時間的な変化を解析することで、時系列データの傾向を算出してもよいし、現時点における転倒リスクを判定するための閾値を算出してもよい。解析部２６は、例えば、ユーザの過去の転倒リスク値の時間的な変化を解析することで、当該ユーザにおける転倒リスク値に対する閾値を算出してもよい。

なお、以下では、解析部２６は、転倒リスクに関する時系列データを解析する例について説明するが、これに限定されず、歩行パラメータ、要因の主成分（例えば、筋力）、判定結果の少なくとも１つの時系列データを解析してもよい。リスク判定部２７は、解析部２６が要因の主成分の時系列データを解析することで、例えば、筋力の転倒リスクへの影響度合いが低下しているか、つまり介入方法に基づくメニューにより転倒リスクが低減しているか否かを判定することができる。

リスク判定部２７は、解析部２６の解析結果に基づいて、被測定者５０の転倒リスクを判定する。リスク判定部２７は、過去の歩行時の体動に基づく情報の少なくとも１つの時系列データに基づいて、被測定者５０の転倒リスクを判定する。リスク判定部２７は、例えば、解析部２６が当該被測定者５０における転倒リスク値の閾値を算出する場合、現時点の転倒リスクが閾値を超えているか否かに応じて、当該ユーザの転倒リスクがあるか否かを判定してもよい。つまり、解析部２６は、現時点の歩行時の体動に基づく情報の閾値を設定するために、過去の時系列データを用いてもよい。

これにより、リスク判定部２７は、例えば、被測定者５０において、急激に転倒リスク値が上昇した場合に、当該上昇に応じた判定を行うことができる。

また、リスク判定部２７は、有線通信又は無線通信を行う通信モジュール（通信回路）を含んで構成されてもよい。この場合、リスク判定部２７は、表示装置４０と通信可能であればよく、リスク判定部２７の通信方式（通信規格、通信プロトコル）は、特に限定されない。

［３－２．要因推定システムの動作］
次に、本実施の形態に係る要因推定システム１ｂの動作について、図１５～図１６Ｂを参照しながら説明する。図１５は、本実施の形態に係る要因推定システム１ｂにおける動作を示すフローチャートである。

図１５に示すように、解析部２６は、歩行パラメータ、転倒リスク、推定結果、及び、判定結果の少なくとも１つの時系列データを取得する（Ｓ４１）。解析部２６は、例えば、当該時系列データを記憶部２４から読み出すことで取得する。

次に、解析部２６は、時系列データを解析する（Ｓ４２）。解析部２６は、例えば、ステップＳ４１において、歩行速度を含む歩行パラメータを取得した場合、所定時点の歩行速度を基準とした歩行速度の変化度合いを示す情報を算出してもよい。変化度合いは、例えば、所定時点の歩行速度と所定時点以外の歩行速度との差分であってもよいし、比率であってもよい。

また、解析部２６は、例えば、ステップＳ４１において、転倒リスク値を含む転倒リスクを取得した場合、所定時点の転倒リスク値を基準とした転倒リスク値の変化度合いを示す情報を算出してもよい。変化度合いは、例えば、所定時点の転倒リスク値と所定時点以外の転倒リスク値との差分であってもよいし、比率であってもよい。

また、解析部２６は、例えば、ステップＳ４１において、主成分の影響度合い（例えば、図１０に示す割合）を取得した場合、主成分ごとに割合の変化の傾向を算出してもよい。解析部２６は、例えば、当該傾向を示す折れ線グラフを生成してもよい。

また、解析部２６は、例えば、ステップＳ４１において、介入方法を含む判定結果を取得した場合、介入方法の変化の傾向を算出してもよい。解析部２６は、例えば、所定期間において複数の介入方法のそれぞれの提案された回数を算出してもよい。

また、解析部２６は、上記の数値（例えば、変化度合い、転倒リスク値、影響度合い、回数）に関する統計処理を行ってもよい。統計処理において算出される統計値は、例えば、平均値であるが、最大値、最小値、中央値、バラつきを示す数値（例えば、標準偏差）などであってもよい。

解析部２６は、解析結果をリスク判定部２７に出力する。

リスク判定部２７は、解析結果に基づいて、転倒リスクに関する判定処理を実行する（Ｓ４３）。リスク判定部２７は、時系列データに基づいて、転倒リスクに関する判定処理を実行するともいえる。リスク判定部２７は、例えば、図１６Ａ及び図１６Ｂに示す判定処理の少なくとも一方を実行する。図１６Ａは、本実施の形態に係るリスク判定部２７における動作の一例を示すフローチャートである。図１６Ａは、ステップＳ４１で歩行パラメータの時系列データを取得した場合のフローチャートを示す。

図１６Ａに示すように、リスク判定部２７は、歩行パラメータの変化が所定値以上であるか否かを判定する（Ｓ１０１）。リスク判定部２７は、例えば、歩行速度の変化が所定値以上であるか否かを判定する。リスク判定部２７は、例えば、歩行速度が所定値以上低下したか否かを判定する。

リスク判定部２７は、歩行パラメータの変化が所定値以上である場合（Ｓ１０１でＹｅｓ）、転倒リスクが高まっていると判定する（Ｓ１０２）。また、リスク判定部２７は、歩行パラメータの変化が所定値未満である場合（Ｓ１０１でＮｏ）、転倒リスクの変化が小さいと判定する（Ｓ１０３）。また、リスク判定部２７は、例えば、歩行パラメータが所定の変化である場合、転倒リスクが低下していると判定してもよい。なお、所定の変化は、例えば、当該歩行パラメータにおける最適値に近づく変化であってもよい。

これにより、要因推定システム１ｂは、介護者等に、被測定者５０の転倒リスクの変化傾向を知らせることができる。

次に、リスク判定部２７における動作の他の一例について、図１６Ｂを参照しながら説明する。図１６Ｂは、本実施の形態に係るリスク判定部２７における動作の他の一例を示すフローチャートである。図１６Ｂは、ステップＳ４１で推定結果の時系列データを取得した場合のフローチャートを示す。

図１６Ｂに示すように、リスク判定部２７は、推定結果における所定の主成分の割合が低下したか否かを判定する（Ｓ２０１）。リスク判定部２７は、例えば、推定結果における「筋力」の割合が低下したか否かを判定する。所定の主成分は、例えば、複数の主成分のうち、転倒リスクへの影響度合いが最も高かったことが所定期間内において１回以上ある主成分であるとよい。

リスク判定部２７は、所定の主成分の割合が低下した場合（Ｓ２０１でＹｅｓ）、介入方法による改善効果がみられると判定する（Ｓ２０２）。また、リスク判定部２７は、所定の主成分の割合が低下していない場合（Ｓ２０１でＮｏ）、介入方法による改善効果がみられないと判定する（Ｓ２０３）。なお、リスク判定部２７は、所定の主成分が所定割合以上低下した場合に、ステップＳ２０１でＹｅｓと判定してもよい。

図１５を再び参照して、次に、リスク判定部２７は、判定結果を示す情報を生成し（Ｓ４４）、生成した判定結果を示す情報を表示装置４０に出力する（Ｓ４５）。つまり、リスク判定部２７は、判定結果を表示装置４０に表示させる。

これにより、要因推定システム１ｂは、介護者等に、介入方法による改善効果を知らせることができる。

なお、要因推定システム１が上記動作を実行するタイミングは特に限定されず、定期的に実行されてもよい。

［３－３．効果など］
以上のように、本実施の形態に係る要因推定システム１ｂは、さらに、２以上の歩行パラメータ、推定結果、及び、リスク分析部２２の判定結果の少なくとも１つの時系列データに基づいて、転倒リスクを判定するリスク判定部２７（第３判定部の一例）を備える。

これにより、リスク判定部２７は、２以上の歩行パラメータ、推定結果、及び、リスク分析部２２の判定結果の経時的な変化に基づいて転倒リスクを判定することができるので、転倒リスクの早期発見が可能となる。

（その他の実施の形態）
以上、各実施の形態（以降において、実施の形態等とも記載する）について説明したが、本開示は、上記実施の形態等に限定されるものではない。

例えば、上記実施の形態等では、推定装置は、計測装置、入力装置、及び、表示装置を有していない、つまり、算出装置と、計測装置、入力装置、及び、表示装置とは、別体である例について説明したが、これに限定されない。推定装置は、計測装置、入力装置、及び、表示装置の少なくとも１つの機能を有していてもよい。この場合、計測装置は推定装置の一部である計測部として機能し、入力装置は推定装置の一部である入力部として機能し、表示装置は推定装置の一部である表示部として機能する。例えば、要因推定システムは、１つの装置により構成されてもよい。

また、上記実施の形態等において、要因推定システムにおける推定装置は、単一の装置によって実現される例について説明したが、複数の装置によって実現されてもよい。例えば、推定装置は、１つのサーバ装置で実現されてもよいし、３以上のサーバ装置で実現されてもよい。要因推定システムが複数のサーバ装置によって実現される場合、当該推定装置が備える構成要素は、複数のサーバ装置にどのように振り分けられてもよい。

また、上記実施の形態等において、各構成要素は、専用のハードウェアで構成されるか、各構成要素に適したソフトウェアプログラムを実行することによって実現されてもよい。各構成要素は、ＣＰＵまたはプロセッサなどのプログラム実行部が、ハードディスクまたは半導体メモリなどの記録媒体に記録されたソフトウェアプログラムを読み出して実行することによって実現されてもよい。

また、上記実施の形態等において、特定の処理部が実行する処理を別の処理部が実行してもよい。また、上記実施の形態のフローチャートで説明された処理の順序は、一例である。複数の処理の順序が変更されてもよいし、複数の処理が並行して実行されてもよい。

また、上記実施の形態等において、各構成要素は、各構成要素に適したソフトウェアプログラムを実行することによって実現されてもよい。各構成要素は、ＣＰＵまたはプロセッサなどのプログラム実行部が、ハードディスクまたは半導体メモリなどの記録媒体に記録されたソフトウェアプログラムを読み出して実行することによって実現されてもよい。

また、各構成要素は、ハードウェアによって実現されてもよい。例えば、各構成要素は、回路（または集積回路）でもよい。これらの回路は、全体として１つの回路を構成してもよいし、それぞれ別々の回路でもよい。また、これらの回路は、それぞれ、汎用的な回路でもよいし、専用の回路でもよい。

また、ブロック図における機能ブロックの分割は一例であり、複数の機能ブロックを１つの機能ブロックとして実現したり、１つの機能ブロックを複数に分割したり、一部の機能を他の機能ブロックに移してもよい。また、類似する機能を有する複数の機能ブロックの機能を単一のハードウェア又はソフトウェアが並列又は時分割に処理してもよい。

また、本開示の包括的または具体的な態様は、システム、方法、集積回路、コンピュータプログラムまたはコンピュータ読み取り可能なＣＤ－ＲＯＭなどの記録媒体で実現されてもよい。また、本開示の包括的または具体的な態様は、システム、方法、集積回路、コンピュータプログラムまたは記録媒体の任意な組み合わせで実現されてもよい。

その他、各実施の形態に対して当業者が思いつく各種変形を施して得られる形態、又は、本開示の趣旨を逸脱しない範囲で各実施の形態における構成要素及び機能を任意に組み合わせることで実現される形態も本開示に含まれる。

１、１ａ、１ｂ 要因推定システム
２１ 算出部
２２ リスク分析部（第２判定部）
２３ 要因分析部（推定部）
２５ レコメンド判定部（第１判定部）
２７ リスク判定部（第３判定部）
５０ 被測定者
Ｄ１ 第１対応情報
Ｄ２ 第２対応情報

Claims (6)

1. 被測定者の転倒の可能性を示す転倒リスクの要因を推定する要因推定システムであって、
   前記被測定者の歩行時における体動を示す体動データを取得し、取得された前記体動データに基づいて、前記被測定者の２以上の歩行パラメータを算出する算出部と、
   前記２以上の歩行パラメータに基づいて、前記被測定者の前記転倒リスクと関係性がある筋力、筋量、バランス、認知機能の少なくとも１つを含む身体的要素を示す主成分であって、前記２以上の歩行パラメータに基づく１以上の主成分を推定し、推定結果を出力する推定部とを備え、
   前記推定部は、前記２以上の歩行パラメータと前記主成分との関係を示す情報に基づいて、前記１以上の主成分を推定し、
   前記２以上の歩行パラメータは、前記被測定者の歩行速度、歩幅、関節角度、及び、腰の変位の少なくとも２つを含む
   要因推定システム。
2. 前記推定部は、２以上の主成分を推定し、
   さらに、前記２以上の主成分に基づいて、前記主成分と対応づけられている複数の介入方法の中から、転倒リスクを低減するための前記被測定者に対する介入方法を判定し、判定結果を出力する第１判定部を備える
   請求項１に記載の要因推定システム。
3. 前記第１判定部は、前記２以上の主成分のうち、前記転倒リスクへの影響度合いが最も大きい主成分における影響度合いを低減するための前記介入方法を判定する
   請求項２に記載の要因推定システム。
4. さらに、前記２以上の歩行パラメータに基づいて、前記被測定者の転倒リスクを判定する第２判定部を備え、
   前記推定部は、前記第２判定部が前記被測定者を転倒リスクがあると判定した場合、前記２以上の主成分を推定する
   請求項２又は３に記載の要因推定システム。
5. さらに、前記２以上の歩行パラメータ、前記推定結果、及び、前記第２判定部の判定結果の少なくとも１つの時系列データに基づいて、前記転倒リスクを判定する第３判定部を備える
   請求項４に記載の要因推定システム。
6. 被測定者の転倒の可能性を示す転倒リスクの要因を推定する要因推定システムが実行する要因推定方法であって、
   前記被測定者の歩行時における体動を示す体動データを取得し、
   取得された前記体動データに基づいて、前記被測定者の２以上の歩行パラメータを算出し、
   前記２以上の歩行パラメータに基づいて、前記被測定者の前記転倒リスクと関係性がある筋力、筋量、バランス、認知機能の少なくとも１つを含む身体的要素を示す主成分であって、前記２以上の歩行パラメータに基づく１以上の主成分を推定し、推定結果を出力し、
   前記１以上の主成分を推定することは、前記２以上の歩行パラメータと前記主成分との関係を示す情報に基づいて、前記１以上の主成分を推定することを含み、
   前記２以上の歩行パラメータは、前記被測定者の歩行速度、歩幅、関節角度、及び、腰の変位の少なくとも２つを含む
   要因推定方法。

Images