JP7174386B2 - 情報処理装置、有用パラメータ選択方法及びプログラム - Google Patents
情報処理装置、有用パラメータ選択方法及びプログラム Download PDFInfo
- Publication number
- JP7174386B2 JP7174386B2 JP2021078379A JP2021078379A JP7174386B2 JP 7174386 B2 JP7174386 B2 JP 7174386B2 JP 2021078379 A JP2021078379 A JP 2021078379A JP 2021078379 A JP2021078379 A JP 2021078379A JP 7174386 B2 JP7174386 B2 JP 7174386B2
- Authority
- JP
- Japan
- Prior art keywords
- parameter group
- evaluation
- useful
- group
- parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Description
データ取得手段と、解析手段と、を備え、
前記データ取得手段は、評価項目の評価対象であり特定の特徴を有する第1の集団及び該特徴を有しない第2の集団の各被験者について、複数のパラメータに係る学習用計測データを取得し、
前記解析手段は、
前記複数のパラメータから所定の個数のパラメータを選択し、該所定の個数のパラメータからなる候補パラメータ群を複数決定する候補パラメータ群選択手段と、
各候補パラメータ群について、該候補パラメータ群に係る前記計測データにおける、前記第1の集団の各被験者の前記第2の集団との差異を示す距離を算出する距離算出手段と、
各候補パラメータ群について、前記第1の集団の各被験者についての、前記距離、及び前記評価項目を評価する評価指標の値に基づき、前記距離と前記評価指標との関係の強さを示す評価関数の値を算出する評価関数算出手段と、
前記評価関数が、前記関係が最も強くなる値を示す候補パラメータ群を、前記評価項目の評価に有用な有用パラメータ群として決定する有用パラメータ群抽出手段と、を備える、
情報処理装置である。
前記評価関数算出手段は、前記評価関数を、相関係数、残差二乗和、決定係数の何れかを用いて算出し、
前記有用パラメータ群抽出手段は、前記評価関数を最小化又は最大化させる候補パラメータ群を、前記有用パラメータ群として決定する。
前記有用パラメータ群抽出手段は、前記推移先パラメータ群として採択された候補パラメータ群から前記有用パラメータ群を抽出する。
前記候補パラメータ群選択手段は、
前記採択判定手段により前記候補パラメータ群を採択すると判定された場合、該採択された候補パラメータ群の一部を変更することにより、次候補パラメータ群を選択し、
前記採択判定手段により前記候補パラメータ群を棄却すると判定された場合、前回採択された候補パラメータ群の一部を変更することにより、次候補パラメータ群を選択する。
前記有用パラメータ群抽出手段は、前記繰り返し処理が所定回数行われることで、前記有用パラメータ群を複数決定し、
前記解析手段は、前記複数の有用パラメータ群に含まれる各パラメータの重要度を決定する重要度決定手段を更に備える。
前記データ取得手段は、前記評価項目の評価対象者についての前記有用パラメータ群に係る計測データを取得し、
前記距離算出手段は、取得した前記有用パラメータ群に係る計測データに基づき、前記評価対象者の前記第2の集団との前記距離を算出し、
前記評価値取得手段は、前記関係式及び前記評価対象者についての前記距離に基づき、該評価対象者についての前記評価指標の値を算出する。
コンピューターが、
データ取得ステップと、解析ステップと、を実行し、
前記データ取得ステップは、評価項目の評価対象であり特定の特徴を有する第1の集団、及び該特徴を有しない第2の集団の各被験者について、複数のパラメータに係る学習用の計測データを取得し、
前記解析ステップは、
前記複数のパラメータから所定の個数のパラメータを選択し、該所定の個数のパラメータからなる候補パラメータ群を複数決定する候補パラメータ群選択ステップと、
各候補パラメータ群について、該候補パラメータ群に係る前記計測データにおける、前記第1の集団の各被験者の前記第2の集団との差異を示す距離を算出する距離算出ステップと、
各候補パラメータ群について、前記第1の集団の各被験者についての、前記距離、及び前記評価項目を評価する評価指標の値に基づき、前記距離と前記評価指標との関係の強さを示す評価関数の値を算出する評価関数算出ステップと、
前記評価関数が、前記関係が最も強くなる値を示す候補パラメータ群を、前記評価項目の評価に有用な有用パラメータ群として決定する有用パラメータ群抽出ステップと、を含む、
有用パラメータ選択方法、として規定され得る。
コンピューターを、
データ取得手段と、解析手段と、として機能させるためのプログラムであって、
前記データ取得手段は、評価項目の評価対象であり特定の特徴を有する第1の集団、及び該特徴を有しない第2の集団の各被験者について、複数のパラメータに係る学習用の計測データを取得し、
前記解析手段は、
前記複数のパラメータから所定の個数のパラメータを選択し、該所定の個数のパラメータからなる候補パラメータ群を複数決定する候補パラメータ群選択手段と、
各候補パラメータ群について、該候補パラメータ群に係る前記計測データにおける、前記第1の集団の各被験者の前記第2の集団との差異を示す距離を算出する距離算出手段と、
各候補パラメータ群について、前記第1の集団の各被験者についての、前記距離、及び前記評価項目を評価する評価指標の値に基づき、前記距離と前記評価指標との関係の強さを示す評価関数の値を算出する評価関数算出手段と、
前記評価関数が、前記関係が最も強くなる値を示す候補パラメータ群を、前記評価項目の評価に有用な有用パラメータ群として決定する有用パラメータ群抽出手段と、を備える、
プログラム、として規定され得る。
図1は、本実施形態に係るシステムの構成を示す概略図である。図1に示すように、本実施形態に係るシステムは、ヒト(被験者)の身体特性や機能等を測定する1又は複数の各種計測機器9と、各種計測機器9により計測されたデータ(測定結果)を記録し、当該計測データを用いることで目的とする評価項目の評価に有用なパラメータの選択を自動で行う情報処理装置1とからなる。
(2)t=2、3、…に対して次の(A)、(B)を繰り返す。
(A)x′(推移先候補)をランダムに選定する。
(B)0から1の範囲の一様乱数uを発生させ、メトロポリス法で決まる採択確率αに従い、以下の通り状態を推移させる(採択/棄却する)。
であり、分散共分散行列がΣである多変量データ群に対して、対象となるデータxi(疾患群に属する被験者に係るデータ)が、
で表される場合、対象となるデータxiの上記多変量データ群に対するマハラノビス距離D(x)は、以下の式で定義される。
片麻痺患者に対して二つの装具のうちどちらの装具が適するか否かを評価項目として評価したい場合、「GAIT(Gait Assessment Intervention Tool)点数差」を評価指標として使用することが可能である。この場合、疾患群の各被験者に対して、それぞれの装具を装着させた上で歩行評価が行われた結果、評価値取得部123は、各被験者についての各装具装着下歩行に係るGAIT点数を取得し、各被験者についての評価指標(GAIT点数差)を算出する。なお、GAIT点数は、歩行障害の程度をスコア化した、観察による臨床的評価尺度であり、全歩行周期の上肢、体幹、下肢の、立脚期ならびに遊脚期の計31項目を、正常を0点、異常を1点から3点で採点した点数(合計点数)である。なお、GAIT点数差は、片側(患側のみ、健側のみ)についてのGAIT点数差を採用してもよいし、両側(患側及び健側)についてのGAIT点数差を採用してもよい。
脳血管障害者に対して足関節ロボットを用いた歩行練習効果が得られるか否かを評価項目として評価したい場合、「麻痺肢推進力の改善率」を評価指標として使用することが可能である。この場合、疾患群の各被験者に対して足関節ロボットを用いた歩行訓練が行われ、評価値取得部123は、当該歩行訓練の結果として、各被験者についての麻痺肢推進力の改善率を取得(算出)し、各被験者についての評価指標とする。
肥満患者がWide Base歩行(以下、「WB歩行」と称する)を行うことで外部膝関節内転モーメントを減少させることができるか否かを評価項目として評価したい場合、「膝関節前額面モーメント第一極大値についての、通常歩行時に対するWB歩行時での減少率」を評価として使用することが可能である。この場合、肥満患者の集団の各被験者に対して通常歩行時とWB歩行時における外部膝関節内転モーメントが計測され、評価値取得部123は、当該計測の結果、各被験者についての通常歩行時に対するWB歩行時での外部膝関節内転モーメント(ピーク値)の減少率を取得(算出)し、各被験者についての評価指標とする。
(1)E(x´)≦E(x(t-1))(ΔE≦0)の場合
候補パラメータ群x´を採択する(x(t)=x´とする)
(2)E(x´)>E(x(t-1))(ΔE>0)の場合
採択確率α(=exp(-βΔE))で、候補パラメータ群x´を採択する
次に、本実施形態に係る情報処理装置によって実行される処理の流れを、フローチャートを用いて説明する。なお、以下に説明するフローチャートに示された処理の具体的な内容及び処理順序は、本開示を実施するための一例である。具体的な処理内容および処理順序は、本開示の実施の形態に応じて適宜選択されてよい。
第一の実施例では、図3、図4のフローチャートでも例示した、脳卒中片麻痺患者にGSとSHBのどちらの装具が適するか(装具の適合性)を評価項目として評価したい場合について例示する。この場合、上述の通り、評価項目に係る評価指標には「GAIT点数差」を使用する。
第二の実施例では、脳血管障害者に対する足関節ロボットを用いた歩行練習(ロボット治療)により効果が得られるか否か(ロボット治療効果)を評価項目として評価したい場合について例示する。この場合、評価項目に係る評価指標に、「麻痺肢推進力の改善率」を使用する。
第三の実施例では、肥満患者がWB歩行を行うことで外部膝関節内転モーメントを減少させることができるか否か(WB歩行指導の効果)を評価項目として評価したい場合について例示する。この場合、評価項目に係る評価指標に、「膝関節前額面モーメント第一極大値(以下、「外部膝関節内転モーメント」と称する)についての、通常歩行時に対するWB歩行時での減少率」を使用する。
図20を参照しつつ、本発明の他の実施形態について説明する。計測データの解析における評価項目の評価に有用なパラメータを取得する装置及び方法について説明してきたが、当該装置の解析部に入力されるパラメータの数、すなわち、候補パラメータ群(有用パラメータ群)を構成するパラメータの個数はハイパーパラメータである。有用パラメータを決定するにあたり、1つの態様では、パラメータ群を構成するパラメータの個数はハイパーパラメータとして適切な個数が事前に与えられるが、本実施形態では、複数の異なるパラメータ個数を用いて得られた有用パラメータを用いて解析を行う。本明細書において、マハラノビス距離を用いた最適化手法における候補パラメータ群を構成するパラメータの個数を「マハラノビス次元」と称する。本実施形態では、マハラノビス次元を変えて有用パラメータを決定する時に、各マハラノビス次元において決定される有用パラメータ群は、マハラノビス次元によって変化し得ることに着目した。マハラノビス次元を変化させることにより得られた有用パラメータに基づく解析は以下に述べるように有用である。また、本実施形態に係る実験では、後述するように、歩行速度を評価指標として用いた。図20に示す実施形態において、パラメータの最適化計算に入力されるパラメータの数(マハラノビス次元)を変化させる点を除き、基本的な構成は記述の実施形態と同様であり、既述の記載を適宜援用することができる。
1つの態様では、適切なマハラノビス次元を、選択確率を用いて求められた情報量基準に基づいて決定する。情報量基準としては幾つかの基準が知られており、限定されないものの、例えば、AIC(赤池情報量基準)やBIC(ベイズ情報量基準)によって情報量基準を計算し、情報量基準に基づいて適切なハイパーパラメータの次元を決定する。AICやBICの計算については、当業者によく知られているので、さらなる説明は省略する。但し、本実施形態では、必ずしも情報量基準の値が最小のモデルが最適となるわけではなく、得られた値の用い方に留意する必要がある。実際の計算例を図21に示す。図21において、単純にAICやBICの数値だけを見ると、最小値はマハラノビス次元「1」となるが、1変数ではパラメータ間の関係が見られないことと、マハラノビス次元が「4」もしくは「5」の時の値でグラフの傾きが変化しており、「4」よりも小さい時に比べ、「5」以上ではなだらかになっていることから、マハラノビス次元「4」もしくは「5」を選択するのが適切であると判定し得る。例えば、変曲点として「4」を選択し、あるいは、極小点として「5」を選択する。情報量基準に基づいてこのような点(変曲点や極小点)を選択するようなプログラムを設計することで、自動的に適切なマハラノビス次元を決定することができ、決定されたマハラノビス次元に基づいて得られた有用パラメータを用いて解析を行うことができる。
マハラノビス次元を変化させながら、マハラノビス次元毎に有用パラメータ群の組を取得していき、マハラノビス次元における各有用パラメータの選択確率を計算すると、マハラノビス次元の変化に伴い選択確率が減少していくパラメータがあり、これと同時に選択確率が増えていくパラメータが観測される。このことは次のように解釈し得る。あるパラメータ(パラメータ1)の決定に対して、2つ以上の別のパラメータ(パラメータ2とパラメータ3の組み合わせ)が関与していることがある。そして、複数のパラメータ(パラメータ2とパラメータ3の組み合わせ)が組み合わさることによって、パラメータ1に相当する部分をよく説明できると考えられる。例えば、表1に示す例では、マハラノビス次元が1→2に変化すると、11のパラメータが大きく減少し、2、10、12が増加している。これは、11のパラメータを2、10、12で説明し得ることを示している。すなわち、表1の場合には、パラメータ1に相当するのがTO時の矢状面膝関節モーメントの健側と患側の差であり、パラメータ2・・・に相当するのが患側HC時の患側矢状面股関節角度、HC時の足関節の内外旋角度の健側と患側の差、TO時矢状面膝関節角度の健側と患側の差である。
特定のマハラノビス次元において、同一のトライアルで同時に複数のパラメータが有用パラメータとして選択される確率(割合や頻度でもよい)を求めることによって、その評価指標に影響を与える有用パラメータの組み合わせを見出すことができる。適切なハイパーパラメータを選択したうえで、同じトライアルにおいて、2つのパラメータが同時に選択される数(割合)に基づいて、有用パラメータの組み合わせを推定する。表2は、特定のパラメータが選択されたときに同時に別のパラメータが選択された回数をカウントしたものである。各パラメータは数字(ID)によって識別されている。表2において、選択されている有用パラメータは上位のパラメータのみであり、色の濃い部分が互いに関連のあるパラメータを意味している。計算条件は、疾患名:脳卒中片麻痺、評価値(評価指標):歩行速度、マハラノビス次元:10である。実験では、任意に選択された適切なマハラノビス次元「10」を用いているが、マハラノビス次元「10」は例示であり、マハラノビス次元は、上述の情報量基準に基づいて決定してもよく、例えば、マハラノビス次元「4」を用いてもよい。
図22参照しつつ、本発明のさらに他の実施形態について説明する。図22に示すように、被験者グループに属する各被験者の計測データを用いて、選択された評価指標に対する有用パラメータ群を決定し、有用パラメータ群に基づいて有用パラメータ(例えば、上位パラメータ)を取得する。被験者グループを教師無しクラスタリング手法を用いて複数のグループ(クラスタ)、例えば、被験者サブグループ1と被験者サブグループ2に分類する。後述の実験例のように、被験者グループを3つ以上のクラスタに分類してもよい。教師無しクラスタリング手法として、k-means法を例示することができ、また、クラスタリングにおいて、得られた有用パラメータ群に属する上位の有用パラメータを用いることができる。1つの態様では、上位の有用パラメータに対して、k-means法を実行して被験者グループを分類する。各被験者に対して、有用パラメータ群の上位のパラメータに対して、クラスタリング(k-means法など)を行い、類似性の高い被験者にグループ分けをすることで、被験者の評価指標に影響を与える特徴という観点から被験者を分類することができる。本実施形態に係る教師無しクラスタリング手法は限定されないものの、有用パラメータ決定方法を用いて選択された有用パラメータを、被験者グループのクラスタリングに用いることができる。
11 データ取得部
12 解析部
121 候補パラメータ群選択部
122 距離算出部
123 評価値取得部
124 評価関数算出部
125 有用パラメータ群抽出部
126 採択判定部
127 重要度決定部
128 関係式算出部
13 解析結果記憶部
14 出力部
9 計測機器
Claims (22)
- データ取得手段と、解析手段と、を備え、
前記データ取得手段は、評価項目の評価対象であり特定の特徴を有する第1の集団及び該特徴を有しない第2の集団の各被験者について、複数のパラメータに係る学習用の計測データを取得し、
前記解析手段は、
前記複数のパラメータから所定の個数のパラメータを選択し、該所定の個数のパラメータからなる候補パラメータ群を複数決定する候補パラメータ群選択手段と、
各候補パラメータ群について、該候補パラメータ群に係る前記計測データにおける、前記第1の集団の各被験者の前記第2の集団との差異を示す距離を算出する距離算出手段と、
各候補パラメータ群について、前記第1の集団の各被験者についての、前記距離、及び前記評価項目を評価する評価指標の値に基づき、前記距離と前記評価指標との関係の強さを示す評価関数の値を算出する評価関数算出手段と、
前記評価関数が、前記関係が最も強くなる値を示す候補パラメータ群を、前記評価項目の評価に有用な有用パラメータ群として決定する有用パラメータ群抽出手段と、を備える、
情報処理装置。 - 前記第1の集団に対する前記評価項目に係る評価が行われることにより、前記第1の集団の各被験者についての前記評価指標の値を取得する評価値取得手段を更に備える、
請求項1に記載の情報処理装置。 - 前記関係の強さは、前記距離と前記評価指標との相関の強さであり、
前記評価関数算出手段は、前記評価関数を、相関係数、残差二乗和、決定係数の何れかを用いて算出し、
前記有用パラメータ群抽出手段は、前記評価関数を最小化又は最大化させる候補パラメータ群を、前記有用パラメータ群として決定する、
請求項1又は2に記載の情報処理装置。 - 前記解析手段は、前記候補パラメータ群に係る前記評価関数の値を収束条件と比較し、比較結果に基づいて、該候補パラメータ群を推移先パラメータ群として採択するか否かを判定する採択判定手段を更に備え、
前記有用パラメータ群抽出手段は、前記推移先パラメータ群として採択された候補パラメータ群から前記有用パラメータ群を抽出する、
請求項1から3の何れか一項に記載の情報処理装置。 - 前記候補パラメータ群選択手段による処理から、前記評価関数算出手段による処理、前記採択判定手段による処理までの処理が繰り返し行われ、
前記候補パラメータ群選択手段は、
前記採択判定手段により前記候補パラメータ群を採択すると判定された場合、該採択された候補パラメータ群の一部を変更することにより、次候補パラメータ群を選択し、
前記採択判定手段により前記候補パラメータ群を棄却すると判定された場合、前回採択された候補パラメータ群の一部を変更することにより、次候補パラメータ群を選択する、
請求項4に記載の情報処理装置。 - 前記採択判定手段および前記候補パラメータ群選択手段は、マルコフ連鎖モンテカルロ法に基づいて行われる、
請求項4または5に記載の情報処理装置。 - 前記評価項目は、前記特定の特徴を有する評価対象者に対する治療方法の有用性または該評価対象者の病態に関する評価項目である、
請求項1から6の何れか一項に記載の情報処理装置。 - 前記候補パラメータ群選択手段による処理から、前記評価関数算出手段による処理、前記有用パラメータ群抽出手段による処理までの処理である繰り返し処理が所定回数繰り返し行われ、
前記有用パラメータ群抽出手段は、前記繰り返し処理が所定回数行われることで、前記有用パラメータ群を複数決定し、
前記解析手段は、前記有用パラメータ群に含まれる各パラメータの重要度を決定する重要度決定手段を更に備える、
請求項1から7の何れか一項に記載の情報処理装置。 - 前記重要度決定手段は、前記有用パラメータ群に含まれる各パラメータが、当該有用パラメータ群に出現した結果に基づき、各パラメータの前記重要度を決定する、
請求項8に記載の情報処理装置。 - 前記重要度決定手段は、前記有用パラメータ群に含まれる各パラメータが、当該有用パラメータ群に出現した割合または該割合に基づく順位を、前記重要度として決定する、
請求項9に記載の情報処理装置。 - 前記重要度決定手段は、前記重要度を決定することにより、前記有用パラメータ群から前記評価項目の評価に有用なパラメータを決定する、
請求項8から10の何れか一項に記載の情報処理装置。 - 前記有用パラメータ群および/または前記有用パラメータ群に含まれる各パラメータの重要度を出力する出力手段を更に備える、
請求項8から11の何れか一項に記載の情報処理装置。 - 前記距離には、マハラノビス距離、ユークリッド距離、マンハッタン距離の何れかを用いる、
請求項1から12の何れか一項に記載の情報処理装置。 - 前記解析手段は、前記有用パラメータ群に係る前記計測データに基づき、前記有用パラメータ群に係る前記距離と前記評価指標との関係式を算出する関係式算出手段を更に備え、
前記データ取得手段は、前記評価項目の評価対象者についての前記有用パラメータ群に係る計測データを取得し、
前記距離算出手段は、取得した前記有用パラメータ群に係る計測データに基づき、前記評価対象者の前記第2の集団との前記距離を算出し、
前記評価値取得手段は、前記関係式及び前記評価対象者についての前記距離に基づき、該評価対象者についての前記評価指標の値を算出する、
請求項1から13のいずれか一項(請求項2の従属項に限る)に記載の情報処理装置。 - 前記解析手段は、前記候補パラメータ群に含まれるパラメータの個数を設定するパラメータ個数設定手段を備えており、
設定された個数のパラメータに基づいて、前記候補パラメータ群選択手段による処理から、前記評価関数算出手段による処理、前記有用パラメータ群抽出手段による処理までの処理である繰り返し処理が所定回数試行され、
前記有用パラメータ群抽出手段は、前記繰り返し処理が所定回数試行されることで、設定された個数のパラメータから構成された有用パラメータ群を複数決定し、
前記解析手段は、前記有用パラメータ群に基づいて、前記有用パラメータ群に含まれる各パラメータの選択確率を取得する選択確率取得手段を備えている、
請求項1に記載の情報処理装置。 - 前記パラメータ個数設定手段により設定されるパラメータ個数は可変であり、
前記パラメータ個数設定手段は、パラメータ個数を変化させながらパラメータ個数を順次設定し、設定された個数のパラメータに基づいて前記繰り返し処理が実行され、設定された各パラメータ個数に対応して有用パラメータ群が複数決定され、
設定された各パラメータ個数に対応して、前記有用パラメータ群に含まれる各パラメータの選択確率が取得される、
請求項15に記載の情報処理装置。 - 前記解析手段は、設定されたパラメータ個数毎に情報量基準を算出し、算出された情報量基準に基づいて、パラメータ個数を決定するパラメータ個数決定手段を備えている、
請求項16に記載の情報処理装置。 - 前記解析手段は、パラメータ個数の変化に伴う各有用パラメータの選択確率の変化に基づいて、関連し得る複数の有用パラメータの組み合わせを推定する手段を備えている、
請求項16に記載の情報処理装置。 - 前記解析手段は、前記第1の集団を教師無しクラスタリングにより複数のサブグループに分類する手段を備え、
前記複数のサブグループの少なくとも1つのサブグループについて、前記候補パラメータ群選択手段、前記距離算出手段、前記評価関数算出手段、前記有用パラメータ群抽出手段が実行されて、前記少なくとも1つのサブグループにおける有用パラメータ群が決定される、
請求項1に記載の情報処理装置。 - 前記教師無しクラスタリングにおいて、前記第1の集団において取得された有用パラメータが用いられる、
請求項19に記載の情報処理装置。 - コンピューターが、
データ取得ステップと、解析ステップと、を実行し、
前記データ取得ステップは、評価項目の評価対象であり特定の特徴を有する第1の集団、及び該特徴を有しない第2の集団の各被験者について、複数のパラメータに係る学習用の計測データを取得し、
前記解析ステップは、
前記複数のパラメータから所定の個数のパラメータを選択し、該所定の個数のパラメータからなる候補パラメータ群を複数決定する候補パラメータ群選択ステップと、
各候補パラメータ群について、該候補パラメータ群に係る前記計測データにおける、前記第1の集団の各被験者の前記第2の集団との差異を示す距離を算出する距離算出ステップと、
各候補パラメータ群について、前記第1の集団の各被験者についての、前記距離、及び前記評価項目を評価する評価指標の値に基づき、前記距離と前記評価指標との関係の強さを示す評価関数の値を算出する評価関数算出ステップと、
前記評価関数が、前記関係が最も強くなる値を示す候補パラメータ群を、前記評価項目の評価に有用な有用パラメータ群として決定する有用パラメータ群抽出ステップと、を含む、
有用パラメータ選択方法。 - コンピューターを、
データ取得手段と、解析手段と、として機能させるためのプログラムであって、
前記データ取得手段は、評価項目の評価対象であり特定の特徴を有する第1の集団、及び該特徴を有しない第2の集団の各被験者について、複数のパラメータに係る学習用の計測データを取得し、
前記解析手段は、
前記複数のパラメータから所定の個数のパラメータを選択し、該所定の個数のパラメータからなる候補パラメータ群を複数決定する候補パラメータ群選択手段と、
各候補パラメータ群について、該候補パラメータ群に係る前記計測データにおける、前記第1の集団の各被験者の前記第2の集団との差異を示す距離を算出する距離算出手段と、
各候補パラメータ群について、前記第1の集団の各被験者についての、前記距離、及び前記評価項目を評価する評価指標の値に基づき、前記距離と前記評価指標との関係の強さを示す評価関数の値を算出する評価関数算出手段と、
前記評価関数が、前記関係が最も強くなる値を示す候補パラメータ群を、前記評価項目の評価に有用な有用パラメータ群として決定する有用パラメータ群抽出手段と、を備える、
プログラム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020082072 | 2020-05-07 | ||
JP2020082072 | 2020-05-07 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021179984A JP2021179984A (ja) | 2021-11-18 |
JP7174386B2 true JP7174386B2 (ja) | 2022-11-17 |
Family
ID=78510327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021078379A Active JP7174386B2 (ja) | 2020-05-07 | 2021-05-06 | 情報処理装置、有用パラメータ選択方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7174386B2 (ja) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019150329A (ja) | 2018-03-02 | 2019-09-12 | 広島県 | 歩行評価システムおよび歩行評価方法 |
-
2021
- 2021-05-06 JP JP2021078379A patent/JP7174386B2/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019150329A (ja) | 2018-03-02 | 2019-09-12 | 広島県 | 歩行評価システムおよび歩行評価方法 |
Non-Patent Citations (1)
Title |
---|
宮脇 悠ほか,歩行リハビリテーションによる歩行改善度の定量化に関する研究,電子情報通信学会技術研究報告,日本,一般社団法人電子情報通信学会,2016年01月14日,第115巻第413号,pp.11-16 |
Also Published As
Publication number | Publication date |
---|---|
JP2021179984A (ja) | 2021-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khera et al. | Role of machine learning in gait analysis: a review | |
Boukhennoufa et al. | Wearable sensors and machine learning in post-stroke rehabilitation assessment: A systematic review | |
Figueiredo et al. | Automatic recognition of gait patterns in human motor disorders using machine learning: A review | |
CN107753026B (zh) | 针对脊柱腿部健康的智能鞋自适应监测方法 | |
Wang et al. | Integral real-time locomotion mode recognition based on GA-CNN for lower limb exoskeleton | |
Turner et al. | The classification of minor gait alterations using wearable sensors and deep learning | |
Goswami et al. | Kinematic quantification of gait asymmetry based on bilateral cyclograms | |
Kour et al. | A survey of knee osteoarthritis assessment based on gait | |
Koçer et al. | Classifying neuromuscular diseases using artificial neural networks with applied Autoregressive and Cepstral analysis | |
Bisele et al. | Optimisation of a machine learning algorithm in human locomotion using principal component and discriminant function analyses | |
Dutta et al. | Poststroke grasp ability assessment using an intelligent data glove based on action research arm test: Development, algorithms, and experiments | |
Beynon et al. | Classification of osteoarthritic and normal knee function using three-dimensional motion analysis and the Dempster-Shafer theory of evidence | |
Jones et al. | Reduction, classification and ranking of motion analysis data: an application to osteoarthritic and normal knee function data | |
Shayestegan et al. | Motion tracking in diagnosis: Gait disorders classification with a dual-head attentional transformer-LSTM | |
Ji et al. | Detection of cervical spondylotic myelopathy based on gait analysis and deterministic learning | |
CN111820902B (zh) | 一种基于活动度特征的踝关节韧带损伤智能决策系统 | |
JP7174386B2 (ja) | 情報処理装置、有用パラメータ選択方法及びプログラム | |
Bajpai et al. | AbnormNet: A neural network based suggestive tool for identifying gait abnormalities in cerebral palsy children | |
Tang et al. | An artificial neural network algorithm for the evaluation of postoperative rehabilitation of patients | |
Rodrigo et al. | Application of Kohonen maps to kinetic analysis of human gait | |
Vieira et al. | Dynamic human gait VGRF reference profile generation via extreme learning machine | |
Low et al. | Lower extremity kinematics walking speed classification using long short-term memory neural frameworks | |
Jeong et al. | Quantifying asymmetry between medial and lateral compartment knee loading forces using acoustic emissions | |
Gonzalez-Islas et al. | Human gait analysis based on automatic recognition: A review | |
Molaviaan et al. | Artificial Intelligence Approach in Biomechanical Analysis of Gait. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20210511 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210928 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220829 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220906 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220913 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20221004 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221027 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7174386 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |