JP7211280B2 - 学習装置、歩行訓練システム、方法、プログラム、及び学習済みモデル - Google Patents

Description

本開示は、学習装置、歩行訓練システム、方法、プログラム、及び学習済みモデルに関する。

特許文献１には、歩行訓練装置が開示されている（例えば、特許文献１参照）。

特開２０１５－２２３２９４号公報

このような歩行訓練装置では、より適切に歩行訓練を行うことが望まれている。

本開示は、このような問題を解決するためになされたものであり、適切に歩行訓練を行うための学習装置、歩行訓練システム、方法、プログラム、及び学習済みモデルを提供するものである。

本実施の形態における学習装置は、訓練者の歩行動作を補助するアクチュエータと、前記アクチュエータによって補助された歩行動作に関するデータを検出するセンサと、設定パラメータに応じて前記アクチュエータを制御する制御部と、を備えた歩行訓練装置からのリハビリデータを取得するデータ取得部と、前記リハビリデータに基づいて学習用データを生成するデータ生成部と、前記学習用データを用いて機械学習を行う学習部と、を備え、前記センサは、前記訓練者の歩行動作における複数の動作量を検出するために設けられ、歩行動作の歩行サイクル毎に、前記動作量の少なくとも一つが、予め定められた異常歩行基準のいずれかに合致した場合に、合致した前記異常歩行基準に応じた異常歩行パターンであると評価され、前記データ生成部は、前記異常歩行パターンに対する評価結果が変化した前後の歩行サイクルにおける前記リハビリデータをそれぞれ学習用データとして生成し、前記学習部は、前記評価結果が変化した前後の歩行サイクルにおける前記リハビリデータをそれぞれ１つのデータセットとして順次入力することで機械学習を行い、前記学習部は、前記異常歩行パターンを入力として、前記設定パラメータを出力する学習モデルを構築する。

上記の学習装置において、前記設定パラメータの設定値を変化した直後では、複数の歩行サイクル分の前記動作量の平均値を用いて、前記異常歩行基準に合致するか否かが判定されていてもよい。

上記の学習装置において、連続する歩行サイクルにおいて、２以上の前記設定パラメータの設定値が同時に変化している場合、前記学習部が、同時に変化した２以上の前記設定パラメータに対して重み付けを行うようにしてもよい。

本実施の形態にかかる学習方法は、訓練者の歩行動作を補助するアクチュエータと、前記アクチュエータによって補助された歩行動作に関するデータを検出するセンサと、設定パラメータに応じて前記アクチュエータを制御する制御部と、を備えた歩行訓練装置からのリハビリデータを取得するデータステップと、前記リハビリデータに基づいて学習用データを生成するステップと、前記学習用データを用いて機械学習を行うステップと、を備え、前記センサは、前記訓練者の歩行動作における複数の動作量を検出するために設けられ、歩行動作の歩行サイクル毎に、前記動作量の少なくとも一つが、予め定められた異常歩行基準のいずれかに合致した場合に、合致した前記異常歩行基準に応じた異常歩行パターンであると評価され、前記異常歩行パターンに対する評価結果が変化した前後の歩行サイクルにおける前記リハビリデータをそれぞれ学習用データとして生成し、前記評価結果が変化した前後の歩行サイクルにおける前記リハビリデータをそれぞれ１つのデータセットとして順次入力することで機械学習を行い、前記異常歩行パターンを入力として、前記設定パラメータを出力する学習モデルを構築する

本実施の形態にかかるプログラムは、コンピュータに対して、上記の学習方法を実行させるためのものである。

本実施の形態にかかる学習済みモデルは、歩行訓練装置で取得した評価用リハビリデータに基づいて、合致した異常歩行パターンに関連する設定パラメータを出力するように、コンピュータを機能させるための学習済みモデルであって、前記学習済みモデルが、上記の学習装置で生成された学習モデルである。

本実施の形態にかかる歩行訓練システムは、訓練者の歩行動作を補助するアクチュエータと、前記アクチュエータによって補助された前記訓練者の歩行動作における複数の動作量を検出するために設けられたセンサと、複数の設定パラメータに応じて前記アクチュエータを制御する制御部と、前記歩行動作の歩行サイクル毎に、前記動作量の少なくとも一つが、予め定められた複数の異常歩行基準のいずれかに合致した場合に、前記歩行サイクルでの歩行動作が前記異常歩行基準に応じた異常歩行パターンであると評価する評価部と、前記異常歩行パターンを入力として、前記異常歩行パターンに関連する前記設定パラメータを出力する出力部と、を備えている。

上記の歩行訓練システムにおいて、前記設定パラメータの設定値を変化した直後では、複数の歩行サイクル分の前記動作量の平均値を用いて、前記異常歩行基準に合致するか否かが判定されていてもよい。

上記の歩行訓練システムにおいて、前記出力部が、上記の学習済みモデルを用いて、前記設定パラメータを出力してもよい。

本実施の形態にかかる歩行訓練システムの作動方法は、訓練者の歩行動作を補助するアクチュエータと、前記アクチュエータによって補助された前記訓練者の歩行動作における複数の動作量を検出するために設けられたセンサと、複数の設定パラメータに応じて前記アクチュエータを制御する制御部と、を備えた歩行訓練システムの作動方法であって、前記歩行動作の歩行サイクル毎に、前記動作量の少なくとも一つが、予め定められた複数の異常歩行基準のいずれかに合致した場合に、前記歩行サイクルでの歩行動作が前記異常歩行基準に応じた異常歩行パターンであると評価するステップと、前記異常歩行パターンを入力として、前記異常歩行パターンに関連する前記設定パラメータを出力するステップと、を備えている。

上記の歩行訓練システムの作動方法において、前記設定パラメータの設定値を変化した直後では、複数の歩行サイクル分の前記動作量の平均値を用いて、前記異常歩行基準に合致するか否かが判定されている。

上記の歩行訓練システムの作動方法において、上記の学習済みモデルを用いて、前記設定パラメータを出力してもよい。

本開示により、適切に歩行訓練を行うための学習装置、歩行訓練システム、方法、プログラム、及び学習済みモデルを提供するものである。

本実施形態にかかる歩行訓練装置の概略斜視図である。 歩行補助装置の概略斜視図である。 歩行訓練装置のシステム構成を示す図である。 サーバの構成を示すブロック図である。 第１の異常歩行基準を説明する図である。 第２の異常歩行基準を説明する図である。 第３の異常歩行基準を説明する図である。 第４の異常歩行基準を説明する図である。 第５の異常歩行基準を説明する図である。 第６の異常歩行基準を説明する図である。 第７の異常歩行基準を説明する図である。 歩行訓練装置の処理動作を示すフロー図である。 異常歩行の判定結果を示す表である。 制御部における処理を説明するためのフローチャートである。 設定パラメータの変化を示す表である。 学習用データセットを説明する表である。 学習モデルを説明するための図である。 学習モデルを用いた歩行訓練装置の作動方法を示すフローチャートである。 異常歩行パターンを提示するモニタ画面を示す図である。 変形例の処理を説明するためのフローチャートである。 変形例の処理を説明するための表である。

以下、発明の実施の形態を通じて本発明を説明するが、特許請求の範囲に係る発明を以下の実施形態に限定するものではない。また、実施形態で説明する構成の全てが課題を解決するための手段として必須であるとは限らない。

実施の形態１．
以下、図面を参照して実施形態１について説明する。
（システム構成）
図１は、実施形態１にかかるリハビリ支援システムの一構成例を示す全体概念図である。本実施形態にかかるリハビリ支援システム（歩行訓練システム）は、主に、歩行訓練装置１００と、外部通信装置３００と、サーバ（サーバ装置）５００によって構成される。なお、サーバ５００は、歩行訓練装置１００と通信可能な外部サーバであってもよく、歩行訓練装置１００の装置本体内に組み込まれていてもよい。つまり、歩行訓練装置１００がサーバ５００を含んでいてもよく、含んでいなくてもよい。後述する学習済みモデルが、外部のサーバ５００に組み込まれる構成となっていてもよく、歩行訓練装置１００に組み込まれる構成となっていてもよい。

歩行訓練装置１００は、訓練者（ユーザ）９００のリハビリ（リハビリテーション）を支援するリハビリ支援装置の一具体例である。歩行訓練装置１００は、一方の脚に麻痺を患う片麻痺患者である訓練者９００が、訓練スタッフ９０１の指導に従って歩行訓練を行うための装置である。ここで、訓練スタッフ９０１は、療法士（理学療法士）又は医師とすることができ、訓練者の訓練を指導又は介助などにより補助することから、訓練指導者、訓練介助者、訓練補助者などと称することもできる。

歩行訓練装置１００は、主に、全体の骨格を成すフレーム１３０に取り付けられた制御盤１３３と、訓練者９００が歩行するトレッドミル１３１と、訓練者９００の麻痺側の脚部である患脚に装着する歩行補助装置１２０と、を備える。

フレーム１３０は、床面に設置されるトレッドミル１３１上に立設されている。トレッドミル１３１は、不図示のモータによりリング状のベルト１３２を回転させる。トレッドミル１３１は、訓練者９００の歩行を促す装置であり、歩行訓練を行う訓練者９００は、ベルト１３２に乗り、ベルト１３２の移動に合わせて歩行動作を試みる。なお、訓練スタッフ９０１は、例えば図１に示すように訓練者９００の背後のベルト１３２上に立って一緒に歩行動作を行うこともできるが、通常、ベルト１３２を跨いだ状態で立つなど、訓練者９００の介助を行い易い状態に居ることが好ましい。

フレーム１３０は、モータやセンサの制御を行う全体制御部２１０を収容する制御盤１３３や、訓練の進捗状況等を訓練者９００へ提示する、例えば液晶パネルである訓練用モニタ１３８などを支持している。また、フレーム１３０は、訓練者９００の頭上部前方付近で前側引張部１３５を、頭上部付近でハーネス引張部１１２を、頭上部後方付近で後側引張部１３７を、それぞれ支持している。また、フレーム１３０は、訓練者９００が掴むための手摺り１３０ａを含む。

手摺り１３０ａは、訓練者９００の左右両側に配置されている。それぞれの手摺り１３０ａは、訓練者９００の歩行方向と平行な方向に配置されている。手摺り１３０ａは、上下位置、及び左右位置が調整可能となっている。つまり、手摺り１３０ａは、その高さ及び幅を変更する機構を含むことができる。さらに、手摺り１３０ａは、例えば歩行方向の前方側と後方側とで高さを異ならせるように調整することで、その傾斜角度を変更できるように構成することもできる。例えば、手摺り１３０ａは、歩行方向に沿って徐々に高くなるような傾斜角度を付すことができる。

また、手摺り１３０ａには、訓練者９００から受ける荷重を検出する手摺りセンサ２１８が設けられている。例えば、手摺りセンサ２１８は、電極がマトリックス状に配置された抵抗変化検出型の荷重検出シートとすることができる。また、手摺りセンサ２１８は、３軸の加速度センサ（ｘ，ｙ，ｚ）と３軸のジャイロセンサ（ｒｏｌｌ，ｐｉｔｃｈ，ｙａｗ）とを複合させた６軸センサとすることもできる。但し、手摺りセンサ２１８の種類や設置位置は問わない。

カメラ１４０は、訓練者９００の全身を観察するための撮像部としての機能を担う。カメラ１４０は、訓練用モニタ１３８の近傍に、訓練者と相対するように設置されている。カメラ１４０は、訓練中の訓練者９００の静止画や動画を撮影する。カメラ１４０は、訓練者９００の全身を捉えられる程度の画角となるような、レンズと撮像素子のセットを含む。撮像素子は、例えばＣＭＯＳ（Complementary Metal-Oxide-Semiconductor）イメージセンサであり、結像面に結像した光学像を画像信号に変換する。

前側引張部１３５と後側引張部１３７の連携した動作により、歩行補助装置１２０の荷重が患脚の負担とならないように当該荷重を相殺し、更には、設定の程度に応じて患脚の振出し動作をアシストする。

前側ワイヤ１３４は、一端が前側引張部１３５の巻取機構に連結されており、他端が歩行補助装置１２０に連結されている。前側引張部１３５の巻取機構は、不図示のモータをオン／オフさせることにより、患脚の動きに応じて前側ワイヤ１３４を巻き取ったり繰り出したりする。同様に、後側ワイヤ１３６は、一端が後側引張部１３７の巻取機構に連結されており、他端が歩行補助装置１２０に連結されている。後側引張部１３７の巻取機構は、不図示のモータをオン／オフさせることにより、患脚の動きに応じて後側ワイヤ１３６を巻き取ったり繰り出したりする。このような前側引張部１３５と後側引張部１３７の連携した動作により、歩行補助装置１２０の荷重が患脚の負担とならないように当該荷重を相殺し、更には、設定の程度に応じて患脚の振出し動作をアシストする。

例えば、訓練スタッフ９０１は、オペレータとして、重度の麻痺を抱える訓練者に対しては、アシストするレベルを大きく設定する。アシストするレベルが大きく設定されると、前側引張部１３５は、患脚の振出しタイミングに合わせて、比較的大きな力で前側ワイヤ１３４を巻き取る。訓練が進み、アシストが必要でなくなったら、訓練スタッフ９０１は、アシストするレベルを最小に設定する。アシストするレベルが最小に設定されると、前側引張部１３５は、患脚の振出しタイミングに合わせて、歩行補助装置１２０の自重をキャンセルするだけの力で前側ワイヤ１３４を巻き取る。

歩行訓練装置１００は、装具１１０、ハーネスワイヤ１１１、及びハーネス引張部１１２を主な構成要素とする、安全装置としての転倒防止ハーネス装置を備える。装具１１０は、訓練者９００の腹部に巻き付けられるベルトであり、例えば面ファスナによって腰部に固定される。装具１１０は、吊具であるハーネスワイヤ１１１の一端を連結する連結フック１１０ａを備え、ハンガーベルトと称することもできる。訓練者９００は、連結フック１１０ａが後背部に位置するように、装具１１０を装着する。

ハーネスワイヤ１１１は、一端が装具１１０の連結フック１１０ａに連結されており、他端がハーネス引張部１１２の巻取機構に連結されている。ハーネス引張部１１２の巻取機構は、不図示のモータをオン／オフさせることにより、ハーネスワイヤ１１１を巻き取ったり繰り出したりする。このような構成により、転倒防止ハーネス装置は、訓練者９００が転倒しそうになった場合に、その動きを検知した全体制御部２１０の指示に従ってハーネスワイヤ１１１を巻き取り、装具１１０により訓練者９００の上体を支えて、訓練者９００の転倒を防ぐ。

装具１１０は、訓練者９００の姿勢を検出するための姿勢センサ２１７を備える。姿勢センサ２１７は、例えばジャイロセンサと加速度センサを組み合わせたものであり、装具１１０が装着された腹部の重力方向に対する傾斜角を出力する。

管理用モニタ１３９は、フレーム１３０に取り付けられており、主に訓練スタッフ９０１が監視及び操作するための表示入力装置である。管理用モニタ１３９は、例えば液晶パネルであり、その表面にはタッチパネルが設けられている。管理用モニタ１３９は、訓練設定に関する各種メニュー項目や、訓練時における各種パラメータ値、訓練結果などを表示する。また、管理用モニタ１３９の近傍には、非常停止ボタン２３２が設けられている。訓練スタッフ９０１が非常停止ボタン２３２を押すことで、歩行訓練装置１００が非常停止する。

歩行補助装置１２０は、訓練者９００の患脚に装着され、患脚の膝関節における伸展及び屈曲の負荷を軽減することにより訓練者９００の歩行を補助する。歩行補助装置１２０は、足裏荷重を計測するセンサ等を備え、運脚に関する各種データを全体制御部２１０へ出力する。また、装具１１０は、回転部を有する接続部材（以下、ヒップジョイント）を用いて、歩行補助装置１２０と接続しておくこともできる。歩行補助装置１２０の詳細については後述する。

全体制御部２１０は、訓練設定に関する設定パラメータ、訓練結果として歩行補助装置１２０から出力された運脚に関する各種データなどを含みうるリハビリデータを生成する。このリハビリデータには、訓練スタッフ９０１又はその経験年数や熟練度等を示すデータ、訓練者９００の症状、歩行能力、回復度等を示すデータ、歩行補助装置１２０の外部に設けられたセンサ等から出力された各種データなどを含むことができる。なお、リハビリデータの詳細については後述する。

外部通信装置３００は、リハビリデータを外部に送信する送信手段の一具体例である。外部通信装置３００は、歩行訓練装置１００が出力するリハビリデータを受け取り、一時的に記憶する機能と、記憶しているリハビリデータをサーバ５００へ送信する機能と、を有することができる。

外部通信装置３００は、歩行訓練装置１００の制御盤１３３と例えばＵＳＢ（Universal Serial Bus）ケーブルによって接続される。また、外部通信装置３００は、インターネット又はイントラネット等のネットワーク４００と無線通信機器４１０を介して例えば無線ＬＡＮ（Local Area Network）によって接続されている。なお、歩行訓練装置１００は、外部通信装置３００の代わりに通信装置を備えておくこともできる。

サーバ５００は、リハビリデータを記憶する記憶手段の一具体例である。サーバ５００は、ネットワーク４００に接続されており、外部通信装置３００から受信したリハビリデータを蓄積する機能を有する。サーバ５００の機能については後述する。

本実施形態１においてはリハビリ支援装置の一例として歩行訓練装置１００を説明するが、これに限定されず、訓練者のリハビリ支援を行う任意のリハビリ支援装置であってもよい。例えば、リハビリ支援装置は、肩や腕のリハビリを支援する上肢リハビリ支援装置であってもよい。或いは、リハビリ支援装置は、訓練者のバランス能力のリハビリを支援するリハビリ支援装置であってもよい。

次に、歩行補助装置１２０について、図２を用いて説明する。図２は、歩行補助装置１２０の一構成例を示す概略斜視図である。歩行補助装置１２０は、主に、制御ユニット１２１と、患脚の各部を支える複数のフレームと、足裏に掛かる荷重を検出するための荷重センサ２２２と、を備える。

制御ユニット１２１は、歩行補助装置１２０の制御を行う補助制御部２２０を含み、また、膝関節の伸展運動及び屈曲運動を補助するための駆動力を発生させる不図示のモータを含む。患脚の各部を支えるフレームは、上腿フレーム１２２と、上腿フレーム１２２に回動自在に連結された下腿フレーム１２３と、を含む。また、このフレームは、下腿フレーム１２３に回動自在に連結された足平フレーム１２４と、前側ワイヤ１３４を連結するための前側連結フレーム１２７と、後側ワイヤ１３６を連結するための後側連結フレーム１２８と、を含む。

上腿フレーム１２２と下腿フレーム１２３は、図示するヒンジ軸Ｈ_ａ周りに相対的に回動する。制御ユニット１２１のモータは、補助制御部２２０の指示に従って回転して、上腿フレーム１２２と下腿フレーム１２３がヒンジ軸Ｈ_ａ周りに相対的に開くように加勢したり、閉じるように加勢したりする。制御ユニット１２１に収められた角度センサ２２３は、例えばロータリエンコーダであり、ヒンジ軸Ｈ_ａ周りの上腿フレーム１２２と下腿フレーム１２３の成す角を検出する。下腿フレーム１２３と足平フレーム１２４は、図示するヒンジ軸Ｈ_ｂ周りに相対的に回動する。相対的に回動する角度範囲は、調整機構１２６によって事前に調整される。

前側連結フレーム１２７は、上腿の前側を左右方向に伸延し、両端で上腿フレーム１２２に接続するように設けられている。また、前側連結フレーム１２７には、前側ワイヤ１３４を連結するための連結フック１２７ａが、左右方向の中央付近に設けられている。後側連結フレーム１２８は、下腿の後側を左右方向に伸延し、両端でそれぞれ上下に伸延する下腿フレーム１２３に接続するように設けられている。また、後側連結フレーム１２８には、後側ワイヤ１３６を連結するための連結フック１２８ａが、左右方向の中央付近に設けられている。

上腿フレーム１２２は、上腿ベルト１２９を備える。上腿ベルト１２９は、上腿フレームに一体的に設けられたベルトであり、患脚の上腿部に巻き付けて上腿フレーム１２２を上腿部に固定する。これにより、歩行補助装置１２０の全体が訓練者９００の脚部に対してずれることを防止している。

荷重センサ２２２は、足平フレーム１２４に埋め込まれた荷重センサである。荷重センサ２２２は、訓練者９００の足裏が受ける垂直荷重の大きさと分布を検出し、例えばＣＯＰ（Center Of Pressure：荷重中心）を検出するように構成することもできる。荷重センサ２２２は、例えば、電極がマトリックス状に配置された抵抗変化検出型の荷重検出シートである。

次に、図３を参照しながら、歩行訓練装置１００のシステム構成例について説明する。図３は、歩行訓練装置１００のシステム構成例を示すブロック図である。図３に示すように、歩行訓練装置１００は、全体制御部２１０、トレッドミル駆動部２１１、操作受付部２１２、表示制御部２１３、及び引張駆動部２１４を備えることができる。また、歩行訓練装置１００は、ハーネス駆動部２１５、画像処理部２１６、姿勢センサ２１７、手摺りセンサ２１８、通信接続ＩＦ（インターフェース）２１９、入出力ユニット２３１、及び歩行補助装置１２０を備えることができる。

全体制御部２１０は、例えばＭＰＵ（Micro Processing Unit）であり、システムメモリから読み込んだ制御プログラムを実行することにより、装置全体の制御を実行する。全体制御部２１０は、後述する歩行評価部２１０ａ、訓練判定部２１０ｂ、入出力制御部２１０ｃ、及び通知制御部２１０ｄを有することができる。

トレッドミル駆動部２１１は、ベルト１３２を回転させるモータとその駆動回路を含む。全体制御部２１０は、トレッドミル駆動部２１１へ駆動信号を送ることにより、ベルト１３２の回転制御を実行する。全体制御部２１０は、例えば、訓練スタッフ９０１によって設定された歩行速度に応じて、ベルト１３２の回転速度を調整する。

操作受付部２１２は、訓練スタッフ９０１からの入力操作を受け付けて、操作信号を全体制御部２１０へ送信する。訓練スタッフ９０１は、操作受付部２１２を構成する、装置に設けられた操作ボタンや管理用モニタ１３９に重畳されたタッチパネル、付属するリモコン等を操作する。この操作により、電源のオン／オフやトレーニングの開始の指示を与えることや、設定に関する数値の入力やメニュー項目の選択を行うことができる。なお、操作受付部２１２は、訓練者９００からの入力操作を受け付けることもできる。

表示制御部２１３は、全体制御部２１０からの表示信号を受け取って表示画像を生成し、訓練用モニタ１３８又は管理用モニタ１３９に表示する。表示制御部２１３は、表示信号に従って、トレーニングの進捗を示す画像や、カメラ１４０で撮影したリアルタイム映像を生成する。

引張駆動部２１４は、前側引張部１３５を構成する、前側ワイヤ１３４を引張するためのモータとその駆動回路と、後側引張部１３７を構成する、後側ワイヤ１３６を引張するためのモータとその駆動回路と、を含む。全体制御部２１０は、引張駆動部２１４へ駆動信号を送ることにより、前側ワイヤ１３４の巻き取りと後側ワイヤ１３６の巻き取りをそれぞれ制御する。また、巻き取り動作に限らず、モータの駆動トルクを制御することにより、各ワイヤの引張力を制御する。全体制御部２１０は、例えば、荷重センサ２２２の検出結果から患脚が立脚状態から遊脚状態に切り替わるタイミングを同定し、そのタイミングに同期して各ワイヤの引張力を増減させることにより、患脚の振出し動作をアシストする。

ハーネス駆動部２１５は、ハーネス引張部１１２を構成する、ハーネスワイヤ１１１を引張するためのモータとその駆動回路を含む。全体制御部２１０は、ハーネス駆動部２１５へ駆動信号を送ることにより、ハーネスワイヤ１１１の巻き取りと、ハーネスワイヤ１１１の引張力を制御する。全体制御部２１０は、例えば、訓練者９００の転倒を予測した場合に、ハーネスワイヤ１１１を一定量巻き取って、訓練者の転倒を防止する。

画像処理部２１６は、カメラ１４０に接続されており、カメラ１４０から画像信号を受け取ることができる。画像処理部２１６は、全体制御部２１０からの指示に従って、カメラ１４０から画像信号を受け取り、受け取った画像信号を画像処理して画像データを生成する。また、画像処理部２１６は、全体制御部２１０からの指示に従って、カメラ１４０から受け取った画像信号に画像処理を施して、特定の画像解析を実行することもできる。例えば、画像処理部２１６は、トレッドミル１３１に接する患脚の足の位置（立脚位置）を、画像解析により検出する。具体的には、例えば、足平フレーム１２４の先端近傍の画像領域を抽出し、当該先端部と重なるベルト１３２上に描かれた識別マーカを解析することにより、立脚位置を演算する。

姿勢センサ２１７は、上述の通り訓練者９００の腹部の重力方向に対する傾斜角を検出して、検出信号を全体制御部２１０へ送信する。全体制御部２１０は、姿勢センサ２１７からの検出信号を用いて、訓練者９００の姿勢、具体的には体幹の傾斜角を演算する。なお、全体制御部２１０と姿勢センサ２１７は、有線で接続されていても良いし、近距離無線通信で接続されていても良い。

手摺りセンサ２１８は、手摺り１３０ａに加わる荷重を検出する。つまり、訓練者９００が両脚で自身の体重を支えきれない分の荷重が手摺り１３０ａに加わる。手摺りセンサ２１８は、この荷重を検出して、検出信号を全体制御部２１０へ送信する。

全体制御部２１０は、制御に関わる様々な演算や制御を実行する機能実行部としての役割も担う。歩行評価部２１０ａは、各種センサから取得したデータを用いて、訓練者９００の歩行動作が異常歩行であるか否かを評価する。訓練判定部２１０ｂは、例えば、歩行評価部２１０ａが評価した異常歩行の積算数に基づいて、一連の歩行訓練に対する訓練結果を判定する。全体制御部２１０は、この判定結果或いはその元となった異常歩行の積算数などをリハビリデータの一部として生成することができる。

なお、この判定の基準を含み、判定の方法は問わない。例えば、歩行フェーズ毎に麻痺体部の動作量と基準とを比較して判定することができる。なお、歩行フェーズとは、患脚（又は健脚）についての１歩行周期（１歩行サイクル）を、立脚状態にある立脚期、立脚期から遊脚状態にある遊脚期への移行期、遊脚期、遊脚期から立脚期への移行期などに分類したものである。どの歩行フェーズであるかは、例えば上述したように荷重センサ２２２の検出結果から分類（判定）することができる。なお、歩行サイクルは、上述のように、立脚期、移行期、遊脚期、移行期で１サイクルとして取り扱うことができるが、どの時期を開始期と定義するかは問わない。その他、歩行サイクルは、例えば、両脚支持状態、単脚（患脚）支持状態、両脚支持状態、単脚（健脚）支持状態で１サイクルとして取り扱うこともでき、この場合にもどの状態を開始状態と定義するかは問わない。

また、右脚又は左脚（健脚又は患脚）に注目した歩行周期は、より細分化することもでき、例えば、立脚期を初期接地と４期、遊脚期を３期に分けて表現することができる。初期接地は、観察足部が床に接地する瞬間を指し、立脚期の４期とは、荷重応答期、立脚中期、立脚終期、及び前遊脚期を指す。荷重応答期は、初期接地から反対側の足部が床から離れた瞬間（対側離地）までの期間である。立脚中期は、対側離地から観察足部の踵が離れた瞬間（踵離地）までの期間である。立脚終期は、踵離地から反対側の初期接地までの期間である。前遊脚期は、反対側の初期接地から観察足部が床から離れる（離地）までの期間である。遊脚期の３期とは、遊脚初期、遊脚中期、及び遊脚後期を指す。遊脚初期は、前遊脚期の最後（上記離地）から両足が交差する（足部交差）までの期間である。遊脚中期は、足部交差から頸骨が垂直となる（頸骨垂直）までの期間である。遊脚終期は、頸骨垂直から次の初期接地までの期間である。

通信接続ＩＦ２１９は、全体制御部２１０に接続されたインターフェースであり、訓練者９００の患脚に装着される歩行補助装置１２０に指令を与えたり、センサ情報を受け取ったりするためのインターフェースである。

歩行補助装置１２０は、通信接続ＩＦ２１９と有線又は無線によって接続される通信接続ＩＦ２２９を備えることができる。通信接続ＩＦ２２９は、歩行補助装置１２０の補助制御部２２０に接続されている。通信接続ＩＦ２１９、２２９は、通信規格に則った例えば有線ＬＡＮ又は無線ＬＡＮ等の通信インターフェースである。

また、歩行補助装置１２０は、補助制御部２２０、関節駆動部２２１、荷重センサ２２２、及び角度センサ２２３を備えることができる。補助制御部２２０は、例えばＭＰＵであり、全体制御部２１０から与えられた制御プログラムを実行することにより、歩行補助装置１２０の制御を実行する。また、補助制御部２２０は、歩行補助装置１２０の状態を、通信接続ＩＦ２１９、２２９を介して全体制御部２１０へ通知する。また、補助制御部２２０は、全体制御部２１０からの指令を受けて、歩行補助装置１２０の起動／停止等の制御を実行する。

関節駆動部２２１は、制御ユニット１２１のモータとその駆動回路を含む。補助制御部２２０は、関節駆動部２２１へ駆動信号を送ることにより、上腿フレーム１２２と下腿フレーム１２３がヒンジ軸Ｈ_ａ周りに相対的に開くように加勢したり、閉じるように加勢したりする。このような動作により、膝の伸展動作及び屈曲動作をアシストしたり、膝折れを防止したりする。

荷重センサ２２２は、上述の通り訓練者９００の足裏が受ける垂直荷重の大きさと分布を検出して、検出信号を補助制御部２２０へ送信する。補助制御部２２０は、検出信号を受け取り解析することにより、遊脚／立脚の状態判別や切替り推定等を行う。

角度センサ２２３は、上述の通りヒンジ軸Ｈ_ａ周りの上腿フレーム１２２と下腿フレーム１２３の成す角を検出して、検出信号を補助制御部２２０へ送信する。補助制御部２２０は、この検出信号を受け取って膝関節の開き角を演算する。

入出力ユニット２３１は、例えばＵＳＢ（Universal Serial Bus）インターフェースを含み、外部の機器（外部通信装置３００や他の外部機器）と接続するための通信インターフェースである。全体制御部２１０の入出力制御部２１０ｃは、入出力ユニット２３１を介して外部の機器と通信し、上述した全体制御部２１０内の制御プログラムや補助制御部２２０内の制御プログラムの書換え、コマンドの受け入れ、生成したリハビリデータの出力などを行う。歩行訓練装置１００は、入出力制御部２１０ｃの制御により、入出力ユニット２３１及び外部通信装置３００を介してサーバ５００との通信を行うことになる。例えば、入出力制御部２１０ｃは、入出力ユニット２３１及び外部通信装置３００を介して、リハビリデータをサーバ５００に送信する制御やサーバ５００からのコマンドを受信する制御を行うことができる。

通知制御部２１０ｄは、訓練スタッフ９０１に対する通知が必要となった場面において、表示制御部２１３又は別途設けた音声制御部等を制御することで、管理用モニタ１３９又は別途設けたスピーカから通知を行う。この通知の詳細については後述するが、訓練スタッフ９０１に対する通知が必要となった場面とは、サーバ５００から通知を行うためのコマンドを受信した場合とすることができる。

次に、サーバ５００の詳細について説明する。
上述したように、歩行訓練装置１００は、外部通信装置３００を介して、各種リハビリデータをサーバ５００に送信する。サーバ５００は、複数の歩行訓練装置１００からリハビリデータを受信するように構成しておくことができ、これにより多くのリハビリデータを収集することができる。そして、サーバ５００は、各種データを処理する処理装置である。例えば、サーバ５００は、収集したリハビリデータを用いて機械学習を行って、学習済みモデルを構築する学習装置（学習器）として機能させることができる。なお、学習装置は学習モデル生成装置と称することもできる。

図４は、サーバ５００の一構成例を示すブロック図である。図４に示すように、サーバ５００は、制御部５１０、通信ＩＦ５１４、データ蓄積部５２０、及びモデル記憶部５２１を備えることができる。制御部５１０は、例えばＭＰＵであり、システムメモリから読み込んだ制御プログラムを実行することにより、サーバ５００の制御を実行する。制御部５１０は、データ生成部５１０ａ、及び学習部５１０ｂを備えている。この場合、上記の制御プログラムはこれらのデータ生成部５１０ａ、及び学習部５１０ｂの機能を実現させるためのプログラムを含むことになる。

通信ＩＦ５１４は、例えば有線ＬＡＮインターフェースを含み、ネットワーク４００と接続するための通信インターフェースである。制御部５１０は、通信ＩＦ５１４を介して、歩行訓練装置１００からのリハビリデータを受信することができ、歩行訓練装置１００へのコマンドを送信することができる。

データ蓄積部５２０は、例えばＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）等の記憶装置を有しており、リハビリデータを記憶する。制御部５１０は、通信ＩＦ５１４を介して外部通信装置３００から受信したリハビリデータをデータ蓄積部５２０へ書き込む。通信ＩＦ５１４、及びデータ蓄積部５２０は、例えば、リハビリデータを取得するデータ取得部として機能する。

モデル記憶部５２１もＨＤＤやＳＳＤ等の記憶装置を有している。なお、データ蓄積部５２０とモデル記憶部５２１とは共通の記憶装置を有することもできる。モデル記憶部５２１は、未学習（学習中である場合も含む）の学習モデル（以下、未学習モデル）及び学習済みの学習モデル（以下、学習済みモデル）の少なくとも一方を記憶する。サーバ５００が学習装置として機能するとき、モデル記憶部５２１には少なくとも未学習モデルが記憶されている。サーバ５００が歩行訓練装置１００と協働してリハビリ支援処理を実行する場合、モデル記憶部５２１には少なくとも運用可能な学習済みモデルが記憶されている。

また、制御部５１０は、学習装置としての機能と学習済みモデルによりリハビリ支援処理を行う機能とを切り替える制御を行うように構成することができる。但し、サーバ５００は、学習段階で用いる装置と学習済みモデルを伴う運用段階で用いる装置とで分散させておくこともできる。データ生成部５１０ａ及び学習部５１０ｂは、サーバ５００を学習装置として機能させるために設けられている。

（リハビリデータ）
ここで、データ生成部５１０ａ、及び学習部５１０ｂについて、説明するに先立ち、サーバ５００が学習のため又はリハビリ支援処理のために収集可能なリハビリデータについて説明する。サーバ５００が収集可能なリハビリデータは、主として（１）歩行訓練装置１００の設定パラメータ、（２）歩行訓練装置１００に設けられたセンサ等で検出された検出データ、（３）訓練者９００に関するデータ、（４）訓練スタッフ９０１に関するデータを含む。（１）～（４）のリハビリデータは、取得日時に対応付けて収集されていてもよい。さらに、検出データ、又は設定パラメータは時系列に沿ったログデータとして収集されていてもよい。あるいは、一定の時間毎のデータに対して抽出された特徴量などであってもよい。

リハビリデータは、主に、歩行訓練装置１００において操作入力、自動入力、センサによる計測などにより得られるデータである。また、リハビリデータは、カメラ１４０で録画された録画データを含むこともできる。なお、リハビリデータは、リハビリの実施日毎のデータとすることができ、その場合、日報データと称することもできる。以下では、サーバ５００が歩行訓練装置１００で生成されたリハビリデータを収集するものとして説明するが、リハビリデータの一部を歩行訓練装置１００以外の、例えば他のサーバからサーバ５００が取得するように構成しておくこともできる。ここで言うリハビリデータの一部とは、例えば、訓練者９００の症状等の上記（３）のデータの詳細や、ＰＴの経験年数等の上記（４）のデータの詳細などとすることができる。前者は訓練者９００のカルテ情報として他のサーバに格納しておくことができ、後者はＰＴの履歴書などとして他のサーバに格納しておくことができる。

学習段階では、サーバ５００は、リハビリデータの発生時に、或いは１日毎、１週間毎など定期的に、歩行訓練装置１００からリハビリデータを受信すればよい。学習段階と運用段階とでは、使用するリハビリデータの種類（リハビリデータに含まれる内容）を異ならせることができる。例えば、運用段階では、サーバ５００は、歩行訓練装置１００から訓練開始時にリハビリデータを受信し、訓練中、上記（１），（２）のうち変更があったデータを受信するようにしておけばよい。また、リハビリデータの送受は歩行訓練装置１００とサーバ５００のどちらが主体となって実行してもよい。

上記（１）について説明する。
上記（１）のデータは、上記（２）の検出データとともに、歩行訓練装置１００でリハビリ実施中に取得された訓練者９００の訓練データとして定義することができる。

歩行訓練装置１００の設定パラメータは、例えば、歩行訓練装置１００の動作を設定するために、オペレータが入力するデータ又は自動的に設定されるデータである。なお、上述したように、オペレータは通常、訓練者９００の訓練に実際に付き添う訓練スタッフ９０１であり、以下ではオペレータが訓練スタッフ９０１であることを前提に説明する。また、訓練スタッフ９０１は理学療法士（ＰＴ：Physical Therapist）であることが多いため、以下では、訓練スタッフ９０１を単に「ＰＴ」と称する場合もある。

設定パラメータは、アクチュエータの設定に関するものである。歩行訓練装置１００では、設定パラメータにより、歩行訓練の難易度を調整することができる。例えば、全体制御部２１０は、設定パラメータに応じて、モータなどのアクチュエータを制御する。なお、設定パラメータに難易度のレベルを示すパラメータを含むこともでき、その場合、そのレベルの変更に伴い、他の設定パラメータのうち一部又は全部を変更させることができる。訓練スタッフ９０１は、訓練者９００の回復が進むにつれて、歩行訓練の難易度を高くしていく。つまり、訓練スタッフ９０１は、訓練者９００の歩行能力が高くなるにつれて、歩行訓練装置１００によるアシストを減らす。また、訓練スタッフ９０１は、歩行訓練中に異常が認められた場合、アシストを増やす。訓練スタッフ９０１が適切に設定パラメータを調整することにより、訓練者９００は適切な歩行訓練を実施することができ、リハビリをより効率良く行うことが可能となる。

設定パラメータの具体例を以下に示す。
設定パラメータとしては、例えば、部分体重免荷量［％］、手摺り１３０ａの上下位置［ｃｍ］、手摺り１３０ａの左右位置［ｃｍ］、ヒップジョイントの有無、足関節底屈制限［ｄｅｇ］、足関節背屈制限［ｄｅｇ］などが挙げられる。また、設定パラメータとしては、例えば、トレッドミル速度［ｋｍ／ｈ］、振出しアシスト［レベル］、振出し前後比［前／後］も挙げられる。また、設定パラメータとしては、例えば、膝伸展アシスト［レベル］、膝屈曲角度［ｄｅｇ］、膝屈伸時間［ｓｅｃ］、補高［ｍｍ］、抜重閾値［％］、荷重閾値［％］も挙げられる。なお、ここで例示する設定パラメータを含め、リハビリデータに含まれるデータの単位は問わない。

部分体重免荷量は、ハーネス引張部１１２がハーネスワイヤ１１１を引っ張ることで、訓練者９００の体重を免荷する割合である。訓練スタッフ９０１は、所望する歩行訓練の難易度が高くなるほど、部分体重免荷量を低い値に設定する。手摺り１３０ａの上下位置及び左右位置は、手摺り１３０ａの基準位置からの調整量である。ヒップジョイントの有無は、ヒップジョイントが取り付けられているか否かである。足関節底屈制限、足関節背屈制限は、ヒンジ軸Ｈ_ｂ周りに下腿フレーム１２３と足平フレーム１２４とが回動可能な角度範囲を規定している。足関節底屈制限が前側の上限角度に対応し、足関節背屈制限が後ろ側の最大角度に対応する。つまり、足関節底屈制限、足関節背屈制限はそれぞれ、つま先を下げる側に、つま先を上げる側に、足関節を曲げる角度の制限値である。訓練スタッフ９０１は、所望する歩行訓練の難易度が高くなるほど、角度範囲が大きくなるように足関節底屈制限及び足関節背屈制限の値を設定する。

トレッドミル速度は、トレッドミル１３１による歩行速度である。訓練スタッフ９０１は、所望する歩行訓練の難易度が高くなるほど、トレッドミル速度を高い値に設定する。振出しアシストは、脚の振出し時に前側ワイヤ１３４が与える引張力に応じたレベルであり、このレベルが高くなるほど、最大引張力が大きくなる。訓練スタッフ９０１は、所望する歩行訓練の難易度が高くなるほど、振出しアシストを低いレベルに設定する。振出し前後比は、脚の振出し時において、前側ワイヤ１３４による引張力と後側ワイヤ１３６による引張力との比である。

膝伸展アシストは、立脚時における膝折れを防止するためにかける関節駆動部２２１の駆動トルクに応じたレベルであり、このレベルが高くなるほど、駆動トルクが大きくなる。訓練スタッフ９０１は、所望する歩行訓練の難易度が高くなるほど、膝伸展アシストを低いレベルに設定する。膝屈曲角度は、膝伸展アシストを行う際の角度である。膝屈伸時間は、膝伸展アシストを行う期間であり、この値が大きいとゆっくり膝を屈伸させるようにアシストし、この値が小さいと早く膝を屈伸させるようにアシストすることになる。

補高は、訓練者９００の麻痺脚と反対側の脚（補助具である歩行補助装置１２０を取り付けない側の脚）の靴底に設けるクッション等の部材の高さである。抜重閾値は、足底に掛かる荷重の閾値の一つであり、この閾値を下回ると振出しアシストが解除される。荷重閾値は、足底に掛かる荷重の閾値の一つであり、この閾値を超えると振出しアシストがなされる。このように、歩行補助装置１２０は、その膝の屈伸運動を、膝屈曲角度、膝屈伸時間、抜重閾値、及び荷重閾値の４つの設定パラメータで調整可能に構成しておくことができる。

また、歩行訓練装置１００は、例えば、図示しないスピーカから、荷重や角度などの各種パラメータの設定値、目標値、目標の達成率、目標の達成タイミングなどを音でフィードバックするように構成することもできる。上記の設定パラメータは、このようなフィードバック音の有無や音量といった設定についてのパラメータを含むこともできる。

その他、上記の設定パラメータは、訓練に直接関係する設定パラメータでなくてもよい。例えば、上記の設定パラメータは、訓練者９００にモチベーションを上げてもらうために訓練用モニタ１３８や図示しないスピーカで提供するための画像、音楽、ゲームの種類、ゲームの難易度等の設定値などとすることもできる。

なお、上記の設定パラメータは、一例であり、これ以外の設定パラメータがあってもよい。或いは、上記のうちの一部の設定パラメータは無くてもよい。また、上述のように、上記の設定パラメータは訓練の難易度を調整するためのパラメータが多いが、難易度に無関係なパラメータも含むこともできる。例えば、歩行訓練装置１００は、訓練用モニタ１３８に表示させる注意喚起用のアイコン画像を表示するように構成することができる。そして、難易度に無関係な設定パラメータとしては、例えばこのような注意喚起用のアイコン画像の大きさや表示間隔等、訓練者９００の訓練への集中度を高めるためのパラメータなどが挙げられる。また、上記の設定パラメータは、その設定操作がなされた日時等の時間情報又は時間以外のタイミング情報（例えば１歩行サイクルにおける立脚期、遊脚期等の区別を示す情報）を付加しておくことができる。

上記（２）について説明する。
上記（２）の検出データは、上記（１）のデータとともに、歩行訓練装置１００でリハビリ実施中に取得された訓練者９００の訓練データとして定義することができる。

検出データとしては、主にセンサデータが挙げられる。センサデータは、歩行訓練装置１００の各種センサで検出されたセンサ値である。例えば、センサデータは、姿勢センサ２１７で検出された体幹の傾斜角度、手摺りセンサ２１８で検出された荷重や傾斜角度、角度センサ２２３で検出された角度等である。センサデータを出力するセンサは、加速度センサ、角速度センサ、位置センサ、光センサ、トルクセンサ、加重センサ等である。また、前側ワイヤ１３４、後側ワイヤ１３６、ハーネスワイヤ１１１の巻取機構等のモータに設けられたエンコーダをセンサとして用いてもよい。更には、モータのトルクセンサ（ロードセル）をセンサとしてもよいし、モータを駆動する駆動電流値を検出する電流検知部をセンサとしてもよい。

また、センサデータは、例えば、視線を検知する視線検知センサで取得された視線データを含むことができる。同様の視線データは、訓練者９００の少なくとも目元を撮影した画像に基づき画像処理により視線を検出して得ることや、訓練者９００の少なくとも顔を撮影した画像に基づき顔の向き（上向き／下向き等）を判定して得ることもできる。このようなデータも上記の検出データに含むことができる。また、検出データは、訓練者９００又は訓練スタッフ９０１の音声を取得するマイク等の音声取得部で取得された音声データ、或いはその音声データを音声解析したテキストデータ、或いはそのテキストデータを解析したデータとすることもできる。訓練スタッフ９０１の音声には、訓練者９００への歩き方の矯正等に関する声掛けを含めることができる。また、センサデータは、脳波計で訓練者９００の脳波を検出したデータとすることもでき、脳波計で訓練スタッフ９０１の脳波を検出したデータとすることもできる。

また、視線検知センサ、上記画像を撮影する撮影部、マイクなどは、歩行訓練装置１００の本体側に設けておくことができるが、例えば、訓練者９００に装着させるための眼鏡型ウェアラブル端末に設けておくこともできる。この端末にＢｌｕｅｔｏｏｔｈ（登録商標）等の無線通信方式でデータを無線通信する無線通信部を備えるとともに、歩行訓練装置１００側にも無線通信部を備えておけばよい。これにより、歩行訓練装置１００は、ウェアラブル端末で取得されたデータを無線通信により取得することができる。脳波計は、検出精度が良いものに限るが、歩行訓練装置１００の本体側に設けて、訓練者９００の脳波と訓練スタッフ９０１の脳波とを区別して検知できるように構成することができる。但し、脳波計は、上述した眼鏡型ウェアブル端末（例えば眼鏡の枝の部分など）など検知対象者に近接する位置になるように設けておくことが好ましい。

また、センサ等、検出データを取得する検出部は、図１～図３を参照して説明したものや眼鏡型ウェアラブル端末等として例示したものに限らない。例えば、訓練者９００にウェア型生体センサ及び／又はウェア型タッチセンサが搭載されたウェアを着用させることができる。ここで言うウェアは、上半身に着用するものに限らず、下半身に着用するものであっても上下セットのものであってもよいし、例えば装具１１０等の一部に着用するものであってもよい。また、ウェア及び歩行訓練装置１００に、上述したような無線通信部を備えておく。これにより、歩行訓練装置１００は、ウェア型生体センサやウェア型タッチセンサで取得されたデータを無線通信により取得することができる。ウェア型生体センサは、着用者の心拍数等のバイタルデータを取得することができる。ウェア型タッチセンサは、着用者である訓練者９００が外部からタッチされた情報、つまり訓練スタッフ９０１が訓練者９００に触れた位置の情報を示すデータを取得することができる。

また、検出データは、各種のセンサ等が検出した検出信号が示す値に限らず、複数のセンサからの検出信号に基づき算出した値や、１又は複数のセンサ等からの検出信号を統計処理した統計値を含むことができる。この統計値としては、例えば平均値、最大値、最小値、標準偏差値等の様々な統計値を採用することができ、また、静態統計による統計値であってもよいし、例えば１日、１訓練、１歩行サイクルなどの一定期間での動態統計による統計値であってもよい。

例えば、センサデータは、角度センサ２２３で検出された上腿フレーム１２２と下腿フレーム１２３の角度から算出された膝関節の開き角を含むことができる。さらに、角度センサについてのセンサデータは、角度を微分した角速度を含むことができる。加速度センサについてのセンサデータは、加速度を積分した速度や、２回積分した位置であってもよい。

例えば、検出データは、日毎、又は１日内のリハビリの施行毎についての、次のような平均値、合計値、最大値、最小値、代表値を含むことができる。ここでの平均値としては、平均速度（総歩行距離／総歩行時間）［ｋｍ／ｈ］や、重複歩距離の平均値［ｃｍ］、１分間あたりの歩数（ｓｔｅｐ）を示す歩行率［ｓｔｅｐｓ／ｍｉｎ］、歩行ＰＣＩ［拍／ｍ］、転倒回避介助［％］などが挙げられる。平均速度は、例えば、トレッドミル１３１の速度設定値から計算した値とすること、或いはトレッドミル駆動部２１１での駆動信号から計算した値とすることができる。重複歩距離とは、片側の踵が接地して次に同側の踵が再び接地するまでの距離を指す。ＰＣＩとはPhysiological Cost Index（生理的コスト指数の臨床指標）を指し、歩行ＰＣＩは歩行時のエネルギー効率を示すことになる。転倒回避介助［％］とは、訓練スタッフ９０１が訓練者９００への転倒回避介助を行った回数である転倒回避介助［回］を、１歩数あたりで算出した割合、つまり１歩数あたりで転倒回避介助をした割合を指す。

また、ここでの合計値としては、歩行時間［秒］、歩行距離［ｍ］、歩数［ｓｔｅｐｓ］、転倒回避介助［回］、転倒回避介助部位及び部位毎の回数［回］などが挙げられる。
また、ここでの最大値又は最小値としては、連続歩行時間［秒］、連続歩行距離［ｍ］、連続歩数［ｓｔｅｐｓ］等の最大値や最小値、歩行ＰＣＩ［拍／ｍ］の最小値（換言すれば１拍あたりに歩行できる距離の最長値）などが挙げられる。代表値としては、トレッドミル１３１の速度として最も使用した値（代表速度［ｋｍ／ｈ］）などが挙げられる。

このように、各種センサ等の検出部から直接又は間接的に供給されるデータを検出データに含めることができる。また、上記の検出データは、その検出がなされた日時等の時間情報又は時間以外のタイミング情報を付加しておくことができる。

なお、上記の検出データは、一例であり、これ以外の検出データがあってもよい。或いは、上記のうちの一部の検出データは無くてもよい。つまり、リハビリデータとして検出データを採用する場合、サーバ５００は、１つ以上の検出データを収集すればよい。

上記（３）について説明する。
訓練者９００に関するデータ（以下、訓練者データ）は、例えば、訓練者９００の属性等を示すものである。訓練者データは、訓練者９００の年齢、性別、体格（身長、体重等）をはじめ、症状情報、Ｂｒ．ｓｔａｇｅ、ＳＩＡＳ、初期歩行ＦＩＭ、最新の歩行ＦＩＭ等を含むことができる。また、訓練者データは、訓練者９００の氏名又はＩＤを含むことができ、また、訓練者９００の好みを示す嗜好情報や性格を示す性格情報などを含むこともできる。また、訓練者データは、ＦＩＭとして、歩行能力に係るもの以外の運動項目を含むことができ、また、認知項目を含むこともできる。つまり、訓練者データは、訓練者９００の身体能力を示す様々なデータを含むことができる。なお、訓練者データの一部又は全部は、身体情報、基本情報、或いは訓練者特徴情報などと称することもできる。

ここで、症状情報には、初期症状、その発症時期、現在の症状を示す情報を含むことができ、主にここに含まれる症状のために訓練者９００がリハビリを必要としたと捉えることができる。但し、リハビリとは直接関係なさそうな症状についても症状情報に含めることができる。また、症状情報には、脳卒中（脳血管障害）、脊髄損傷など、罹患した病気のタイプ（病名又は疾患名）とともにその部位（損傷部位）を含むことができ、タイプによってはその分類を含むことができる。例えば、脳卒中は、脳梗塞、頭蓋内出血（脳出血／くも膜下出血）などに分類されることができる。

Ｂｒ．ｓｔａｇｅは、Brunnstrom Recovery Stageを指し、片麻痺の回復過程について、観察からその回復段階を６段階に分けたものである。訓練者データには、Ｂｒ．ｓｔａｇｅのうち、歩行訓練装置１００に関係する主な項目である下肢項目を含むことができる。ＳＩＡＳは、Stroke Impairment Assessment Setを指し、脳卒中の機能障害を総合的に評価する指標である。ＳＩＡＳには、股屈曲テスト（Hip-Flex）、膝伸展テスト（Knee-Ext）、足パット・テスト（Foot-Pat）を含むことができる。また、ＳＩＡＳには、下肢触覚（Touch L/E）、下肢位置覚（Position L/E）、腹筋力（Abdominal）、及び垂直性テスト（Verticality）を含むことができる。

ＦＩＭ（Functional Independence Measure：機能的自立度評価表）とは、ＡＤＬ（Activities of Daily Life）を評価する評価方法の一つを定めたものである。ＦＩＭでは、介助量に応じて１点～７点の７段階で評価を行っている。

例えば、歩行ＦＩＭが回復度を示す汎用の指標となる。また、歩行ＦＩＭは、アクチュエータを用いない場合における訓練者の動作能力（つまり、歩行能力）を示す指標となる。介助者なし、かつ装具（補助具）なしで５０ｍ以上歩行できた場合、最高点の７点となり、一人の介助者がどんなに介助しても１５ｍ未満しか歩行できない場合、最低点の１点となる。また、最小介助（介助量が２５％以下）で５０ｍ移動することができる場合、４点、中程度介助（介助量２５％以上）で５０ｍ移動できる場合、３点となる。したがって、回復が進むにつれて、訓練者９００の歩行ＦＩＭが徐々に高くなっていく。

よって、歩行ＦＩＭが、リハビリ開始時点からの訓練者９００の回復度を示す指標となる。歩行ＦＩＭは、アクチュエータを用いない場合における訓練者９００の動作能力、すなわち、歩行能力を示す指標となる。換言すると、訓練者９００のリハビリの進捗状況を知る上で、歩行ＦＩＭは重要な指標となる。しかしながら、歩行ＦＩＭを採点するためには、介助者が近くにいる状態で、訓練者９００が平坦地を５０ｍ歩行する必要がある。したがって、頻繁に歩行ＦＩＭを採点することができない場合がある。また、上記のように、歩行ＦＩＭが３点の場合と４点の場合とでは、介助レベルのみが異なっている。つまり、介助者（訓練スタッフ）によって、歩行ＦＩＭの採点がばらついてしまうおそれがある。なお、歩行ＦＩＭの評価を行う場合の歩行距離は、５０ｍに限られるものではなく、例えば、１５ｍの場合もある。

このことからも分かるように、歩行訓練装置１００で取り扱う最新の歩行ＦＩＭは、訓練者９００の身体能力を示す指標となるだけでなく、リハビリ開始時点からの訓練者９００の回復度を示す指標となる。換言すると、訓練者９００のリハビリの進捗状況を知る上で、歩行ＦＩＭは重要な指標となる。また、初期歩行ＦＩＭから最新の歩行ＦＩＭへの変化量又は変化速度も、回復度を示す指標となる。変化速度は、ＦＩＭ効率と称することもでき、例えば、現在までのＦＩＭの利得（変化量）を、リハビリの実施日数、リハビリの期間を示す経過日数、或いは、訓練者９００が入院患者である場合には入院日数などの期間で除算した値とすることができる。

また、歩行ＦＩＭは、補装具を着用した場合などの評価時の条件での点数と捉えることができ、その場合、その評価時に適用した条件を示す情報を、歩行ＦＩＭを示す情報に付加しておくこともできる。条件とは、その情報を取得した際の、補高、使用した装具（例えば歩行補助装置１２０、他の歩行補助装置、装具無し等）、その装具における膝や足首の箇所の角度設定等の設定、平地歩行であったのか斜面歩行であったのかなどを含むことができる。また、通常、歩行ＦＩＭと言えば平地歩行での歩行ＦＩＭであり、これを示す平地歩行情報には、平地歩行評価時において最も歩行した距離（最大連続歩行距離［ｍ］）等の情報を含めることもできる。

このように上記（３）の訓練者データは、訓練者９００が歩行訓練装置１００を利用し実行したリハビリについての、訓練者９００の症状、身体能力、及び回復度の少なくとも１つを含む指標データを含むことができる。なお、最新の歩行ＦＩＭなど、身体能力及び回復度の双方の概念に含めることができるデータについては、通常、一方に含めておけばよいが、双方に含めておくこともできる。なお、同様のことはリハビリデータの全ての項目に関して言え、ある項目のデータは上記（１）～（４）のいずれか１又は複数のデータとして取り扱うことができる。また、上記の訓練者データは、歩行ＦＩＭの測定日時など、それが取得できた日時等の時間情報を付加しておくことができる。

上記（４）について説明する。
訓練スタッフ９０１に関するデータ（以下、スタッフデータ）は、例えば、訓練スタッフ９０１の属性等を示すものである。スタッフデータは、訓練スタッフ９０１の氏名、ＩＤ、年齢、性別、体格（身長、体重等）、所属する病院名、ＰＴ又は医師としての経験年数などである。スタッフデータは、訓練者９００を介助するタイミングを数値化した値を介助者に関するデータとして含むことができる。

また、リハビリに同時に複数の訓練スタッフが介助する場合には、リハビリデータには、複数人のスタッフデータを含むことができる。また、各スタッフデータには、主たる訓練スタッフであるのか、補助的な訓練スタッフであるのか、操作だけを行う訓練スタッフであるのか、訓練者９００を手で支える役目だけの訓練スタッフであるのかなどを示す情報も含めておくことができる。

また、歩行訓練装置１００は、訓練者９００へのリハビリ計画を入力可能に構成しておくことが好ましい。そして、このように入力されたリハビリ計画のデータも、その入力者としての訓練スタッフ９０１に関するスタッフデータとして、或いは他の分類に属するリハビリデータとして、含めておくことができる。また、歩行訓練装置１００は、訓練スタッフ９０１の変更に対応可能とするために、今後のその訓練者９００の訓練を補助する際の注意事項や申し送り事項を入力可能に構成しておくことが好ましい。そして、このようにして入力されたデータも、その入力者についての訓練スタッフ９０１に関するスタッフデータとして、或いは他の分類に属するリハビリデータとして、含めておくことができる。

これらのデータをリハビリデータに含める理由は、ある訓練スタッフが熟練の他の訓練スタッフからの注意事項や申し送り事項が存在していたからこそ、上手く訓練者９００の訓練を遂行させることができたという場面もあり得るためである。また、上記のスタッフデータは、例えばリハビリ計画の入力日時など、その入力がなされた日時等の時間情報を付加しておくことができる。

（歩行評価部２１０ａにおける異常歩行判定）
歩行評価部２１０ａについて詳述する。歩行評価部２１０ａは、歩行周期毎に、歩行動作が異常歩行パターンに該当するか否かについて説明する。本願発明者らは、片麻痺患者に見られる異常歩行には少なくとも７つに分類されるパターンが存在することを知見として得た。すなわち、それぞれのパターンに対して異常歩行基準を定めれば、訓練者の歩容がいずれかの異常歩行基準と合致する場合に、その歩行動作は異常歩行であると評価できることがわかった。そこで、本実施形態にかかる歩行訓練装置１００においては、歩行評価部２１０ａが、各麻痺体部の動作量と各異常歩行基準とを比較して、その歩行動作が異常歩行であるか否かを評価する。以下に、それぞれの異常歩行基準と、その評価手法について説明する。

図５は、第１の異常歩行基準を説明する図である。図は、患脚側の下半身である麻痺体部を歩行方向に対して側方から観察した場合の模式図であり、上から順に、体幹ＴＬ，股関節ＨＪ，大腿ＨＬ、膝関節ＮＪ、下腿ＣＬ、足関節ＦＪ、足ＦＬを表す。なお、本実施例においては、「脚」および「脚部」は、股関節ＨＪより下部全体を示す用語として用い、「足」および「足部」を足首からつま先までの部分を示す用語として用いる。

第１の異常歩行基準に合致するか否かを判断するために、全体制御部２１０は、患脚が遊脚期を終えて着地したときの、股関節ＨＪから足関節ＦＪまでの歩行方向に沿う距離Ｘ_１を歩行動作に伴う第１の動作量として検出する。健脚の通常歩行であれば、遊脚期を終えて着地する地点は、股関節ＨＪよりも歩行方向（前方）に位置するはずである。しかし、患脚の歩行においては、患脚を十分に振り出せないために前方まで十分に運脚できず、股関節ＨＪより少しだけ前方に着地したり、股関節ＨＪより後方に着地したりすることがある。

そこで、第１の異常歩行基準として「基準距離Ｘ_ｃ１未満」を設定する。歩行動作において検出された距離Ｘ_１が基準距離Ｘ_ｃ１未満であれば異常歩行と判断する。全体制御部２１０は、荷重センサ２２２からの検出信号とカメラ１４０からの画像データを取得し、これらの情報を用いて遊脚期の終了時点における距離Ｘ_１を検出する。例えば、Ｘ_ｃ１＝２０ｃｍ（＝股関節ＨＪから前方に２０ｃｍ）と設定されている場合に、検出された距離Ｘ_１が１０ｃｍや－５ｃｍであるときには、歩行評価部２１０ａは、その歩行動作を異常歩行と評価する。基準距離Ｘ_ｃ１は、訓練者の体格やリハビリの進捗度合等に応じて変更しても良い。

図６は、第２の異常歩行基準を説明する図である。図は、患脚側の下半身である麻痺体部を歩行方向に対して側方から観察した場合の模式図であり、各体部を図５と同様に表す。

第２の異常歩行基準に合致するか否かを判断するために、全体制御部２１０は、患脚の遊脚期における足裏荷重Ｘ_２を歩行動作に伴う第２の動作量として検出する。健脚の通常歩行であれば、遊脚期に足裏が接地することはない。しかし、患脚の歩行においては、脚全体を持ち上げる力が足りないために、足裏が接地した状態で脚を前方に押し出すような、いわゆる引き摺り歩行となる場合がある。

そこで、第２の異常歩行基準として「基準荷重Ｘ_ｃ２より大きい」を設定する。歩行動作において検出された荷重Ｘ_２が基準荷重Ｘ_ｃ２より大きければ異常歩行と判断する。全体制御部２１０は、荷重センサ２２２からの検出信号とカメラ１４０からの画像データを取得し、これらの情報を用いて遊脚期における荷重Ｘ_２を検出する。通常はＸ_ｃ２＝０と設定する。すなわち、遊脚期において足裏からの荷重を少しでも検出したら、歩行評価部２１０ａは、その歩行動作を異常歩行と評価する。ただし、リハビリの進捗度合等に応じて、多少の接地を許容し、例えばＸ_ｃ２＝１０Ｎのように設定しても良い。また、遊脚期中の積算荷重を基準値としても良い。

図７は、第３の異常歩行基準を説明する図である。図は、患脚側の下半身である麻痺体部を歩行方向に対して側方から観察した場合の模式図であり、各体部を図５と同様に表す。

第３の異常歩行基準に合致するか否かを判断するために、全体制御部２１０は、患脚の立脚中における膝関節ＮＪの屈曲角度Ｘ_３を歩行動作に伴う第３の動作量として検出する。健脚の通常歩行であれば、立脚中における膝関節ＮＪはそれほど屈曲しない。しかし、患脚の歩行においては、膝関節ＮＪが上体を支える力が足りないために、立脚中に膝関節ＮＪが大きく屈曲することがある。場合によっては、いわゆる膝折れを起こす。

そこで、第３の異常歩行基準として「基準角度Ｘ_ｃ３未満」を設定する。歩行動作において検出された屈曲角度Ｘ_３が基準角度Ｘ_ｃ３より小さければ異常歩行と判断する。全体制御部２１０は、角度センサ２２３からの検出信号とカメラ１４０からの画像データを取得し、これらの情報を用いて立脚中における屈曲角度Ｘ_３を検出する。例えば、Ｘ_ｃ３＝１６５度と設定されている場合に、検出された屈曲角度Ｘ_３が１４０度であるときには、歩行評価部２１０ａは、その歩行動作を異常歩行と評価する。なお、歩行評価部２１０ａは、立脚中に連続して検出された屈曲角度Ｘ_３が一度でも基準角度Ｘ_ｃ３未満となったら、その歩行動作を異常歩行と評価する。基準角度Ｘ_ｃ３は、訓練者の年齢やリハビリの進捗度合等に応じて変更しても良い。

図８は、第４の異常歩行基準を説明する図である。図は、患脚側の下半身である麻痺体部を歩行方向に対して側方から観察した場合の模式図であり、各体部を図５と同様に表す。

第４の異常歩行基準に合致するか否かを判断するために、全体制御部２１０は、患脚が立脚期から遊脚期に切り替わる振り出し時の、股関節ＨＪから足関節ＦＪまでの歩行方向に沿う距離Ｘ_４を歩行動作に伴う第４の動作量として検出する。健常者による歩行であれば、振り出し時における足関節ＦＪは、股関節ＨＪに対してある程度後方に位置する。しかし、麻痺患者による歩行においては、上体の体重移動が自由に行えないために、足関節ＦＪが股関節ＨＪから十分に離れる前に振り出しを開始してしまうことがある。

そこで、第４の異常歩行基準として「基準距離Ｘ_ｃ４以上」を設定する。歩行動作において検出された距離Ｘ_４が基準距離Ｘ_ｃ４未満であれば異常歩行と判断する。全体制御部２１０は、荷重センサ２２２からの検出信号とカメラ１４０からの画像データを取得し、これらの情報を用いて立脚期から遊脚期に切り替わる振り出し時点における距離Ｘ_４を検出する。例えば、Ｘ_ｃ４＝－２０ｃｍ（＝股関節ＨＪから後方に２０ｃｍ）と設定されている場合に、検出された距離Ｘ_４が－１０ｃｍ（＝股関節ＨＪから後方に１０ｃｍ）や５ｃｍ（＝股関節ＨＪから前方に５ｃｍ）であるときには、歩行評価部２１０ａは、その歩行動作を異常歩行と評価する。基準距離Ｘ_ｃ４は、訓練者の体格やリハビリの進捗度合等に応じて変更しても良い。

図９は、第５の異常歩行基準を説明する図である。図は、患脚側の下半身である麻痺体部を歩行方向に対して側方から観察した場合の模式図であり、各体部を図５と同様に表す。

第５の異常歩行基準に合致するか否かを判断するために、全体制御部２１０は、患脚の立脚中における体幹ＴＬの前方向への傾斜角度Ｘ_５を歩行動作に伴う第５の動作量として検出する。健常者による通常歩行であれば、立脚中における体幹ＴＬは、股関節ＨＪを通る鉛直線に対して前方へ若干傾斜する程度である。しかし、麻痺患者の歩行においては、下半身を庇おうとするために、体幹ＴＬが股関節ＨＪを通る鉛直線に対して大きく前傾してしまうことがある。

そこで、第５の異常歩行基準として「基準角度Ｘ_ｃ５以上」を設定する。歩行動作において検出された前方への傾斜角度Ｘ_５が基準角度Ｘ_ｃ５以上であれば異常歩行と判断する。全体制御部２１０は、姿勢センサ２１７からの検出信号とカメラ１４０からの画像データを取得し、これらの情報を用いて立脚中における傾斜角度Ｘ_５を検出する。例えば、Ｘ_ｃ５＝１０度と設定されている場合に、検出された傾斜角度Ｘ_５が３０度であるときには、歩行評価部２１０ａは、その歩行動作を異常歩行と評価する。なお、歩行評価部２１０ａは、立脚中に連続して検出された傾斜角度Ｘ_５が一度でも基準角度Ｘ_ｃ５以上となったら、その歩行動作を異常歩行と評価する。基準角度Ｘ_ｃ５は、訓練者の年齢やリハビリの進捗度合等に応じて変更しても良い。

図１０は、第６の異常歩行基準を説明する図である。図は、患脚側の下半身である麻痺体部を歩行方向正面から観察した場合の模式図であり、各体部を図５と同様に表す。

第６の異常歩行基準に合致するか否かを判断するために、全体制御部２１０は、患脚の立脚中における体幹ＴＬの患脚側への傾斜角度Ｘ_６を歩行動作に伴う第６の動作量として検出する。健常者による通常歩行であれば、立脚中における体幹ＴＬは、股関節ＨＪを通る鉛直線に対して左右方向へぶれることはほとんどない。しかし、麻痺患者の歩行においては、患脚側に体重を掛けることに対する恐怖心などのために、体幹ＴＬが股関節ＨＪを通る鉛直線に対して患脚側へ大きく前傾してしまうことがある。

そこで、第６の異常歩行基準として「基準角度Ｘ_ｃ６以上」を設定する。歩行動作において検出された患脚側への傾斜角度Ｘ_６が基準角度Ｘ_ｃ６以上であれば異常歩行と判断する。全体制御部２１０は、姿勢センサ２１７からの検出信号とカメラ１４０からの画像データを取得し、これらの情報を用いて立脚中における傾斜角度Ｘ_６を検出する。例えば、Ｘ_ｃ６＝１０度と設定されている場合に、検出された傾斜角度Ｘ_６が２０度であるときには、歩行評価部２１０ａは、その歩行動作を異常歩行と評価する。なお、歩行評価部２１０ａは、立脚中に連続して検出された傾斜角度Ｘ_６が一度でも基準角度Ｘ_ｃ６以上となったら、その歩行動作を異常歩行と評価する。基準角度Ｘ_ｃ６は、訓練者の年齢やリハビリの進捗度合等に応じて変更しても良い。

図１１は、第７の異常歩行基準を説明する図である。図は、患脚側の下半身である麻痺体部を歩行方向に対して側方から観察した場合の模式図であり、各体部を図５と同様に表す。

第７の異常歩行基準に合致するか否かを判断するために、全体制御部２１０は、患脚の遊脚中における体幹ＴＬの前方向への傾斜角度Ｘ_７を歩行動作に伴う第７の動作量として検出する。健常者による通常歩行であれば、遊脚中における体幹ＴＬは、股関節ＨＪを通る鉛直線に対して前方へある程度傾斜する。しかし、麻痺患者の歩行においては、上体の体重移動が自由に行えずにのけぞってしまい、体幹ＴＬが股関節ＨＪを通る鉛直線に対して後方に傾斜してしまうことがある。

そこで、第７の異常歩行基準として「基準角度Ｘ_ｃ７未満」を設定する。歩行動作において検出された前方への傾斜角度Ｘ_７が基準角度Ｘ_ｃ７未満であれば異常歩行と判断する。全体制御部２１０は、姿勢センサ２１７からの検出信号とカメラ１４０からの画像データを取得し、これらの情報を用いて遊脚中における傾斜角度Ｘ_７を検出する。例えば、Ｘ_ｃ７＝－５度（＝後方に５度傾斜）と設定されている場合に、検出された傾斜角度Ｘ_７が－２０度であるときには、歩行評価部２１０ａは、その歩行動作を異常歩行と評価する。なお、歩行評価部２１０ａは、遊脚中に連続して検出された傾斜角度Ｘ_７が一度でも基準角度Ｘ_ｃ７未満となったら、その歩行動作を異常歩行と評価する。基準角度Ｘ_ｃ７は、訓練者の年齢やリハビリの進捗度合等に応じて変更しても良い。

以上、７つの異常歩行基準を説明したが、この他の異常歩行基準が加えられても良い。異常歩行基準を定めるにあたっては、単一ではなく、複数定めることが肝要であり、その場合の異常歩行基準は、少なくとも、麻痺体部の互いに異なる部位の動作量に関する２つ以上の基準を含むか、麻痺体部の同一部位の互いに異なる方向への動作量に関する２つ以上の基準を含むと良い。

ここで、互いに異なる部位の動作量に関する２つ以上の基準は、体幹の動作量に関する基準、膝関節の動作量に関する基準および足首から先の足部の動作量に関する基準のうちから選択されると良い。上記の例においては、体幹の動作量に関する基準は第５、６、７の基準であり、膝関節の動作量に関する基準は、第３の基準であり、足部の動作量に関する基準は、第１、２、４の基準である。このように着目する動作量を選択すると、実際の歩容が異常歩行であると評価されるべき場合に、一方の動作量からは異常歩行と評価されない場合でも、他方の動作量から異常歩行と評価されることが多いことが実験を通じて明らかとなった。

また、麻痺体部の同一部位の互いに異なる方向への動作量に関する２つ以上の基準は、体幹の歩行方向に対する動作量に関する基準と歩行方向に対して直交する直交方向に対する動作量に関する基準とを含むと良い。上記の例においては、第５および第７のいずれかの基準と、第６の基準との関係が相当する。このように着目する動作量を組み合わせても、実際の歩容が異常歩行であると評価されるべき場合に、一方の動作量からは異常歩行と評価されない場合でも、他方の動作量から異常歩行と評価されることが多いことが実験を通じて明らかとなった。

また、異常歩行基準は、患脚の遊脚期と立脚期でそれぞれ異なる基準とすると良いことがわかった。第１の基準と第４の基準は、互いに同一部位の同一方向の基準であるが、それぞれ遊脚期から立脚期に切り替わる時点と、立脚期から遊脚期に切り替わる時点に着目している。また、第５の基準と第７の基準は、同じく互いに同一部位の同一方向の基準であるが、それぞれ立脚期と遊脚期を別々に着目している。すなわち、同一部位かつ同一方向の動作量であっても、観察時点を区切れば、歩行動作の異なる特徴量として評価できる。

次に、歩行訓練装置１００の処理動作について説明する。図１２は、処理動作を示すフロー図である。フローは、訓練者９００またはオペレータによって訓練メニューが選択されて、一連の訓練プログラムが起動した時点から開始する。

全体制御部２１０は、ステップＳ１０１で、歩行周期カウンタｎをリセットする。そして、トレッドミル駆動部２１１を駆動してベルト１３２の回転を開始すると共に、設定された調整値に応じて引張駆動部２１４および関節駆動部２２１を駆動して、訓練者９００の歩行アシストを実行する。訓練者９００が方向動作を開始したら、ステップＳ１０２で、歩行動作に伴う各動作量を取得する。具体的には、カメラ１４０から取得した画像信号を画像処理部２１６で解析したり、姿勢センサ２１７、荷重センサ２２２、角度センサ２２３からの検出信号を取得して動作量に換算したりする。

全体制御部２１０は、ステップＳ１０３で、一歩行周期が終了したか否かを判断する。異常歩行の評価は、患脚の一歩ごとに実行しても良いが、本実施形態においては、患脚の一歩とこれに連続する健脚の一歩の一周期で評価を実行する。したがって、全体制御部２１０は、一歩行周期が終了したと判断したら、評価を実行すべくステップＳ１０４へ進み、まだ終了していないと判断したら、ステップＳ１０２へ戻って各動作量の取得を継続する。

全体制御部２１０の歩行評価部２１０ａは、ステップＳ１０４で、異常歩行の評価を実行する。具体的には、歩行動作における各部位、各方向、各期間の動作量を集計し、上記の各異常歩行基準に合致するか否かを確認する。異常歩行と評価された場合には、その歩行動作を失敗歩行と判定する。歩行評価部２１０ａは、ステップＳ１０５で、上記の各異常歩行基準の一つにでも合致するかを判断し、一つにでも合致すると判断した場合には、ステップＳ１０６へ進み、ｎ歩目の評価変数Ｅｎに「０」を代入する。そして、全体制御部２１０は、当該一歩が失敗歩行であった旨を、表示制御部２１３を介して訓練用モニタ１３８および管理用モニタ１３９に表示する。一方、ステップＳ１０５で、上記の各異常歩行基準のいずれにも合致しないと判断した場合には、ステップＳ１０８へ進み、ｎ歩目の評価変数Ｅｎに「１」を代入する。そして、全体制御部２１０は、当該一歩が成功歩行であった旨を、表示制御部２１３を介して訓練用モニタ１３８および管理用モニタ１３９に表示する。

ここで、失敗歩行であった旨を訓練中にリアルタイムに表示する場合には、訓練用モニタ１３８および管理用モニタ１３９が、どの異常歩行基準に合致したかを示すことなく、簡素で単一の表示にしてもよい。あるいは、訓練用モニタ１３８および管理用モニタ１３９が、異常歩行基準毎に合致したか否かを示してもよい。この場合、上記の評価変数Ｅｎをパターン毎に用意しておけばよい。なお、失敗歩行であるか否かを呈示する手段は、管理用モニタ１３９に限らず、ブザー音や点滅光などを利用することもできる。この場合も、音や光は、簡素で単一の態様で訓練者９００に示すことが好ましい。このように失敗歩行である旨を呈示する管理用モニタ１３９や、音や光を発生するデバイスなどは、歩行評価部２１０ａによる評価に関する情報を呈示する呈示部として機能する。

ステップＳ１０７で失敗表示を、またはステップＳ１０９で成功表示を終えたら、全体制御部２１０は、ステップＳ１１０へ進み、歩行周期カウンタｎをインクリメントする。そして、ステップＳ１１１では、歩行周期カウンタｎが、一連の歩行訓練プログラムで予定されていた歩行周期数ｎ_０に到達したか否かを判断する。到達していないと判断したら、ステップＳ１０２へ戻り、歩行訓練制御を継続する。到達したと判断したら、ステップＳ１１２へ進む。

全体制御部２１０の訓練判定部２１０ｂは、ステップＳ１１２で、一連の連続的に歩行した歩行訓練試行における評価結果を集計し、歩行訓練試行の成功度合を示すための判定を行う。訓練判定部２１０ｂは、具体的には、患脚の総歩行数に対する失敗歩行数の割合を計算したり、ハーネス駆動部２１５を動作させた転倒回避動作数を評価したりして、訓練判定を導出する。全体制御部２１０は、訓練判定部２１０ｂが判定結果を、ステップＳ１１３で、表示制御部２１３を介して訓練用モニタ１３８および管理用モニタ１３９に表示した後に、一連の処理を終了する。

歩行評価部２１０ａは予め設定された異常歩行基準に基づいて、異常歩行判定を行っている。つまり、歩行評価部２１０ａは異常歩行基準に合致した場合、当該異常歩行基準に対応する異常歩行パターンに該当すると判定し、異常歩行基準に合致しない場合、当該異常歩行基準に対応する異常歩行パターンに該当しないと判定する。歩行訓練装置１００は、異常歩行パターンに該当するか否かの判定結果を検出データとして記録する。

図１３は、異常歩行パターンの判定結果を示す表である。図１３に示すように、検出データは、一歩毎に、７個の異常歩行パターンに該当するか否かの判定結果を含んでいる。図１３では、異常歩行基準に合致する場合、異常歩行パターンに該当することを示すＮＧとなり、異常歩行基準に合致しない場合、異常歩行パターンに該当しないことを示すＯＫとなる。もちろん、一歩が２つ以上の異常歩行パターンに該当することもある。上記の説明では、異常歩行のパターン数を７つとしたが、７未満でもよく、８以上でもよい。つまり、異常歩行のパターン数は１又は２以上であればよい。なお、歩行訓練装置１００は、一歩毎に、判定結果と歩行動作を撮像した動画を対応付けて記憶してもよい。

歩行訓練装置１００は、図１３に示すような異常歩行パターンに該当するか否かの判定結果を検出データとして、サーバ５００に送信する。サーバ５００は、異常歩行パターンに該当するか否かの判定結果をリハビリデータの一部として収集する。なお、歩行訓練装置１００は、判定結果自体を検出データとして送信する構成に限らず、判定するためのデータ（例えば、距離Ｘ_１など）を送信しても良い。そして、サーバ５００が、異常歩行判定を行ってもよい。

（学習モデルの構築）
図４の説明に戻る。サーバ５００は学習モデルを生成する学習モデル構築装置として機能する。具体的には、サーバ５００は、複数の歩行訓練装置１００からリハビリデータを収集する。そして、サーバ５００は、収集したリハビリデータをデータ蓄積部５２０に蓄積する。サーバ５００は、リハビリデータに基づいて機械学習を行うことで、学習済みモデルを構築する。

図４に示すように、サーバ５００の制御部５１０は、データ生成部５１０ａと、学習部５１０ｂとを備えている。制御部５１０は、異常歩行パターンと設定パラメータの関連性を機械学習するための制御を行う。制御部５１０は，異常歩行判定の判定結果を用いて、機械学習を行う。具体的には、データ生成部５１０ａが、異常歩行判定の判定結果が変化したタイミングの前後で、データセットを生成する。学習部５１０ｂは、判定結果が変化する前後のデータセットを用いて、ＲＮＮによる機械学習を行う。

図１４は、制御部５１０における学習モデルの構築方法（学習方法）を示すフローチャートである。制御部５１０は、歩行訓練装置１００から送信されたリハビリデータを取得する（Ｓ１１）。データ生成部５１０ａは、機械学習の前処理として、学習データを生成する（Ｓ１２）。つまり、データ生成部５１０ａは、データ蓄積部５２０に蓄積されているリハビリデータに基づいて、学習データを生成する。学習部５１０ｂは、学習データを用いて機械学習を行うことで、学習モデルを構築する（Ｓ１３）。

以下、学習データ（学習用データともいう）について説明する。以下の説明において、異常歩行パターンに該当するか否かを判定するための動作量を判定値とする。具体的には、上記の７パターンの場合、距離Ｘ_１、荷重Ｘ_２、屈曲角度Ｘ_３、距離Ｘ_４、傾斜角度Ｘ_５、傾斜角度Ｘ_６、及び傾斜角度Ｘ_７が判定値となる。動作量は各種センサによる検出データから直接的または間接的に求められる値である。したがって、検出データは、判定値を含んでいてもよい。なお、全ての判定値を０～１００％などの一定範囲で示されるように、正規化してもよい。

また、判定値が異常歩行基準に合致するか否かの基準となる値を基準値とする。具体的には、上記の７パターンの場合、基準距離Ｘ_ｃ１、基準荷重Ｘ_ｃ２、基準角度Ｘ_ｃ３、基準距離Ｘ_ｃ４、基準角度Ｘ_ｃ５、基準角度Ｘ_ｃ６、及び基準角度Ｘ_ｃ７が基準値となる。基準値は、異常歩行を判定するための判定閾値となる。基準値は歩行訓練装置１００の訓練スタッフ９０１や歩行訓練装置の製造者、保守作業者などにより設定される値である。あるいは、より適切な基準値又は判定閾値を機械学習などにより求めてもよい。また、判定値を０～１００％と正規化した場合において、基準値は、８０％等の一定値であってもよい。

歩行評価部２１０ａは、判定値と基準値を比較して、異常歩行に該当するか否かを判定している。各異常歩行パターンの判定結果は、１ビットデータで示すことができる。例えば、異常歩行に該当する場合、“１”となり、異常歩行に該当しない場合“０”となる。異常歩行パターンが、７パターンある場合、判定結果は７ビットデータとなる。歩行サイクル毎に異常歩行の判定結果を示す７ビットデータが生成される。

異常歩行の判定に用いるデータを判定データとする。判定データは、センサの検出結果に応じた検出データから求められるデータである。判定データは、検出データに含まれていてもよい。判定データは、判定結果を示す１ビットデータであってもよく、基準値のデータであってもよい。データ蓄積部５２０は、判定データを蓄積している。判定データは複数の歩行訓練装置１００から収集されたリハビリデータに含まれていてもよく、サーバ５００がリハビリデータに対して演算処理を行うことで、判定データを生成してもよい。

データ生成部５１０ａは、判定データと、設定パラメータとが関連付けられた学習用データを用意する。つまり、データ生成部５１０ａは、判定データと、その判定データが得られたときの設定パラメータとを対応づけて、１セットの学習用データとする。データ生成部５１０ａは、異常歩行結果が変化する前後でのデータを学習用データとして生成する。

例えば、図１３に示す判定結果では、１～２歩目で歩行異常無しとなり、３歩目で歩行異常パターン１に該当し、４～７歩目で歩行異常無しとなっている。また、８歩目、９歩目で歩行異常パターン２，７が発生し、これらは同じとなっている。よって、データ生成部５１０ａが、２歩目、３歩目、４歩目、７歩目、８歩目のデータをそれぞれ１データセットとする。換言すると、４歩目～７歩目までは歩行異常なしで変化していないため、データ生成部５１０ａが、５歩目、６歩目のデータを学習用データセットから排除する。このようにすることで、変化の大きいデータセットを用意することができる。さらに、変化の小さいデータセットを排除することができるため、計算処理の負荷を抑制することができる。

判定結果に変化があった場合に限らず、データ生成部５１０ａが、設定パラメータに変化があった前後で、データセットを生成してもよい。例えば、１施行の訓練中に訓練スタッフ９０１が歩行訓練装置１００におけるアシストレベルなどの設定パラメータを変えた場合、全体制御部２１０は、１歩毎に、設定パラメータの変化を記録する。例えば、図１５に示すように、全体制御部２１０は、１歩毎に、設定パラメータの値を記録すればよい。

設定パラメータ１～Ｎは、それぞれ異なるパラメータとなっている。例えば、設定パラメータ１は、トレッドミル速度［ｋｍ／ｈ］、設定パラメータ２は部分体重免荷量［％］等となっている。歩行訓練装置１００は、１歩毎の設定パラメータの設定値をサーバ５００に送信する。そして、サーバ５００は、設定パラメータの判定結果の場合と同様に、設定パラメータの変化があった前後で、データセットを生成する。

データ生成部５１０ａは、図１６に示すようなデータセットを学習用データとして生成する。図１６は、学習用データセットを説明するためのテーブルである。１つのデータセットは、設定パラメータと判定データを含んでいる。図１６では、判定データと設定パラメータとが対応付けられて、１つのデータセットとなっている。さらに、１つのデータセットは、訓練者データを含んでいてもよい。また、図示を省略するが、データセットは、スタッフデータを含んでいてもよい。１つのデータセットは、１歩行サイクル分のデータである。

なお、図１６では、説明の簡略化のため、設定パラメータ、判定データ、及び訓練者データのそれぞれが１つのデータ（例えば、parameter_1）として示されているが、実際には、複数のデータを有していてもよい。例えば、設定パラメータは、上記したように、部分体重免荷量、手摺り１３０ａの上下位置等の２つ以上データを有していてもよい。訓練者データは、上記したように、訓練者９００の初期歩行ＦＩＭ，性別、及び年齢等の２つ以上のデータを含んでいてもよい。訓練者データは、訓練者の身体的な特徴、例えば、身長、体重などを含んでいることが好ましい。訓練者データは、訓練者の回復度又は歩行能力を示すデータ、例えば、歩行ＦＩＭ等を含んでいることが好ましい。

判定データは、異常歩行判定に用いられるデータである。判定データは、判定結果を示すデータであってもよく、判定値であってもよい。上記のように、連続する２つのデータセットでは、判定データが異なっている。あるいは、連続する２つのデータセットでは、設定パラメータが異なっている。

データ生成部５１０ａは、学習データのセットを複数用意する。例えば、１回の歩行訓練又は歩行訓練の１施行で収集されたリハビリデータを学習データとして用意してもよい。１回の歩行訓練は、一人の訓練者９００が行う一連の訓練であり、１回の歩行訓練が終わると次の訓練者９００が歩行訓練装置１００において訓練を行う。１回の歩行訓練は、通常２０分～６０分程度である。歩行訓練の１施行とは、１回の歩行訓練において、訓練者９００が継続して歩行する１単位である。１回の歩行訓練には、複数回の施行が含まれる。例えば、１施行は５分程度となっている。具体的には、１回の歩行訓練において、訓練者９００は、５分の歩行訓練を行った後、５分の休憩を取る。つまり、１回の歩行訓練では、歩行訓練の施行と休憩とが交互に繰り返される。休憩と休憩との間の５分間が１施行の時間となる。もちろん、１回の訓練と、１施行の時間は特に限定されるものではなく、訓練者９００毎に適宜設定することができる。

学習部５１０ｂは、判定データと設定パラメータとの関連性を機械学習する。つまり、学習部５１０ｂは、設定パラメータ毎にどの異常歩行パターンとの関連性が高いかを判別する。そして、学習部５１０ｂは、設定パラメータを入力として、当該設定パラメータと関連性の高い異常歩行パターンを出力とする学習モデルを構築する。

例えば、学習部５１０ｂは、複数の異常歩行パターンの中から設定パラメータに関連性が高い異常歩行パターンを求める回帰問題として機械学習を行うことができる。例えば、設定パラメータと判定データとの間の類似度又は相関係数を設定パラメータ毎に求めることで、関連性の高い異常歩行パターンを求めることができる。また、設定パラメータの変更と、異常歩行パターンの判定結果の変化が同時に起きる同時確率を用いて、学習部５１０ｂが関連性の高い設定パラメータを求めてもよい。

設定パラメータに対して関連性の高い異常歩行パターンを関連パターンとする。つまり、関連パターンは、設定パラメータが変更された場合に、異常歩行の判定結果が変更する可能性が高い異常歩行パターンである。例えば、訓練スタッフ９０１が設定パラメータの設定値を変更すると、設定パラメータに関連する関連パターンで異常歩行基準に合致しやすくなる。

なお、１つの設定パラメータに対して設定される関連パターンは１つに限らず、２つ以上であってもよい。換言すると１つの設定パラメータを変更した場合に、２つ以上の異常歩行の判定結果が変わることがある。あるいは、１つの設定パラメータに対して関連する関連パターンがない場合もある。つまり、設定パラメータを変えた場合でも、全ての異常歩行の判定に与える影響が小さいこともある。学習部５１０ｂは、設定パラメータ毎に、０又は１つ以上の関連パターンを求める。

図１７は、学習部５１０ｂが構築する学習モデルの一例を示す図である。ここでは、ＲＮＮによる機械学習を用いた例について説明している。学習モデル５１１０は、入力層５１１１、５１２１と出力層５１１２、５１２２と中間層（隠れ層ともいう）５１１３，５１２３とを備えている。入力層５１１１，５１２１は、設定パラメータ、及び訓練者データを入力とする。出力層５１１２，５１２２は、異常歩行パターンの判定データを出力とする。

入力層５１１１、出力層５１１２は、異常歩行の判定結果の変化前のデータに対応し、入力層５１２１、及び出力層５１２２は、異常歩行の判定結果の変化後のデータに対応する。連続する２つの歩行サイクルの１つ目を歩行サイクルｔ１とし、２つ目を歩行サイクルｔ２とする。入力層５１１１、出力層５１１２は、歩行サイクルｔ１のデータであり、これらを１セット目のデータセットとする。入力層５１２１、出力層５１２２は、歩行サイクルｔ２のデータであり、これらを２セット目のデータセットとする。

中間層５１１３は、入力層５１１１と出力層５１１２との間に設けられている。入力層５１１１は、１セット目のデータセットに含まれる各データを入力とする。出力層５１１２は、設定パラメータを出力する。中間層５１１３は複数のノード５１１５を有している。各ノード５１１５は活性化関数を有している。なお、図１７では、中間層５１１３が１層となっているが、複数の層で構成されていてもよい。この場合、各ノードを接続するエッジには重み付けが成されている。

中間層５１２３は、入力層５１２１と出力層５１２２との間に設けられている。入力層５１２１は、２セット目のデータセットに含まれる各データを入力とする。出力層５１２２は、設定パラメータを出力する。中間層５１２３は複数のノード５１２５を有している。各ノード５１２５は活性化関数を有している。なお、図１７では、中間層５１２３が１層となっているが、複数の層で構成されていてもよい。この場合、各ノードを接続するエッジには重み付けが成されている。

さらに、中間層５１２３の入力側には、中間層５１１３が結合されている。つまり、中間層５１１３で算出されたデータの一部又は全部が中間層５１２３に入力される。中間層５１２３は、中間層５１１３の出力データと、歩行サイクルｔ２の設定パラメータ等を入力として、歩行サイクルｔ２の判定データを出力する。

学習部５１０ｂは、判定データを教師データ（正解ラベル）として、教師有り学習を行うことができる。学習部５１０ｂは、出力層５１１２，５１２２の出力が実際の判定データと一致するように、学習モデル５１１０を構築する。実際の判定データの値と、学習モデルの出力値との誤差を最小化するように学習部５１０ｂは未学習モデルに多数の学習用データを読み込ませていく。制御部５１０は、構築した学習モデル５１１０をモデル記憶部５２１に書き込む。学習モデル５１１０は、判定データを目的変数とし、設定パラメータ等を説明変数とするモデルである。

ここで、学習部５１０ｂで学習させる学習モデル５１１０の種類やそのアルゴリズムは問わないが、アルゴリズムとして、ニューラルネットワークを用いることができる。特に、中間層５１１３、５１２３を多層化した深層ニューラルネットワーク（ＤＮＮ）を用いることが好ましい。ＤＮＮとしては、例えば、誤差逆伝搬法を採用した多層パーセプトロン（ＭＬＰ）等の、フィードフォワード（順伝搬型）ニューラルネットワークを用いることができる。また、学習モデル５１１０はサポートベクターマシン（ＳＶＭ）としてもよい。

学習部５１０ｂは、ディープラーニングにより学習モデルを構築してもよい。学習部５１０ｂは、畳み込み演算を行うＣＮＮ（Convolutional Neural Network）により、学習モデルを構築してもよい。この場合、学習モデル５１１０が畳み込み層やプーリング層などを有していてもよい。学習部５１０ｂは、時系列データを取り扱うＲＮＮ（Recurrent Neural Network）やＬＳＴＭ（Long Short Term Memory）等により、学習モデルを構築してもよい。ＲＮＮ等では、歩行サイクルｔ１の中間層５１１３が歩行サイクルｔ２の中間層５１２３に結合されている。例えば、判定結果の変化前の歩行サイクルに収集されたリハビリデータが歩行サイクルｔ１の学習用データセットとされ、変化後に収集されたリハビリデータが歩行サイクルｔ２の学習用データセットとされる。

データ生成部５１０ａは、異常歩行パターンに対する評価結果が変化した前後の歩行サイクルにおけるリハビリデータをそれぞれ学習用データとして生成する。学習部５１０ｂは、評価結果が変化した前後の歩行サイクルにおけるリハビリデータをそれぞれ１つのデータセットとして順次入力することで機械学習を行う。学習部５１０ｂは、異常歩行パターンを入力として、設定パラメータを出力する学習モデルを構築する。

１施行又は１歩行サイクルにおける各時刻での入力データを逐次入力するために、１つのデータセットが検出データ等の時系列データを含んでいてもよい。例えば、１歩行サイクルにおけるタイミングに応じて、トルクセンサ等のデータが変化する場合、１つのデータセットが時系列に沿った検出データを有している。つまり、学習用データセットは、検出データの時系列に沿ったログデータを含んでいてもよい。ログデータから抽出された特徴量を学習データとしてもよい。

また、２つ以上の設定パラメータが同時に変更されている場合、どちらの設定パラメータの異常歩行パターンの改善への寄与が大きいか判断することが困難になる。よって、２つ以上の設定パラメータが同時に変更されている場合、同時に変化した２以上の設定パラメータに対して重み付けを行うにしてもよい。つまり、学習部５１０ｂが設定パラメータに重みを付与してもよい。これにより、より適切に学習を行うことができる。

なお、上述したように、未学習モデルとは全くの未学習である場合に限らず、学習中のモデルである場合もある。なお、学習部５１０ｂが用いる学習手法としては公知のアルゴリズムを用いることができるため、詳細な説明を省略する。

学習部５１０ｂは、設定パラメータを入力として、判定データを出力する学習モデルを構築することができる。さらに、学習部５１０ｂは、実際に設定されている設定パラメータの実設定値を教師データとして、学習モデルを構築する。これにより、学習部５１０ｂは、適切な学習モデルを構築することが可能となる。機械学習が終了したら、学習部５１０ｂは、学習モデル５１１０をモデル記憶部５２１に書き込む。

なお、以下の説明では、機械学習が終了してモデル記憶部５２１に書き込まれた学習モデルを学習済みモデルとも称する。つまり、利用段階での学習モデルを学習済みモデルとも称する。もちろん、新たなリハビリデータがデータ蓄積部５２０に蓄積された場合、追加の機械学習を行って、学習済みモデルを更新してもよい。

制御部５１０又は歩行訓練装置１００は、学習済みモデルを利用して、新たな収集されたリハビリデータから異常歩行パターンを出力する。以下、学習済みモデルの利用について、図１８を用いて説明する。図１８は、学習済みモデルを利用した処理を示すフローチャートである。ここでは、歩行訓練装置１００の全体制御部２１０が学習済みモデルを利用しているとして説明する。なお、新たに収集されたリハビリデータを評価用リハビリデータともいう。

新たな訓練者９００が歩行訓練を行うと、歩行訓練装置１００がリハビリデータを取得する（Ｓ２１）。そして、歩行訓練装置１００が、設定パラメータの変更入力を受け付ける（Ｓ２２）。例えば、訓練スタッフ９０１が管理用モニタ１３９のタッチパネルを操作することで、変更する設定パラメータを選択する。全体制御部２１０は、入出力ユニット２３１を通じて、変更入力を受け付けることができる。訓練スタッフ９０１が、設定値を変更するために、選択した設定パラメータを選択パラメータとする。

全体制御部２１０は、学習済みモデルを用いて、選択パラメータに関連する関連パターンを決定する（Ｓ２３）。つまり、設定パラメータの変更入力がなされた場合に、全体制御部２１０は、異常歩行と判定されやすい異常歩行パターンを関連パターンとして決定する。そして、全体制御部２１０が、選択パラメータに関連する関連パターンを出力する（Ｓ２４）。例えば、通知制御部２１０ｄが管理用モニタ１３９に関連パターンを表示させる。これにより、管理用モニタ１３９が関連パターンを訓練スタッフ９０１に提示することができる。訓練スタッフ９０１は、設定パラメータの設定値を変更する前に、あるいは、変更するタイミングで、異常歩行と判定されやすくなるパターンを把握することができる。

図１９は、管理用モニタ１３９の表示画面の一例を示す図である。表示画面１３９ａは、カメラ画像画面１３９ｂと、異常歩行パターンテーブル１３９ｃと、設定パラメータテーブル１３９ｄとを備えている。

カメラ画像画面１３９ｂはカメラ１４０で撮像されている画像をリアルタイムで表示する。ここでは、カメラ１４０が、訓練者９００を正面から撮像する例が示されている。カメラ画像画面１３９ｂには、訓練者９００の歩行動作が表示される。訓練スタッフ９０１は、訓練者９００の歩行動作を視認することができる。

異常歩行パターンテーブル１３９ｃには、異常歩行パターン毎に、評価結果が表示されている。異常歩行パターンテーブル１３９ｃには、７つの異常歩行パターンがパターン１～７として示されている。

設定パラメータテーブル１３９ｄには、複数の設定パラメータが表示されている。訓練スタッフ９０１が、設定パラメータを変更するための変更入力を行う。訓練スタッフ９０１が設定パラメータテーブル１３９ｄを見ながら、タッチパネルやマウスなどを操作して、変更したい設定パラメータを選択する。ここでは、振出しアシスト量が選択パラメータ１３９ｆとなっている。なお、変更入力は、音声入力であってもよい。

異常歩行パターンテーブル１３９ｃには、選択パラメータ１３９ｆに関連する関連パターン１３９ｅとしてパターン５が提示されている。つまり、振出しアシスト量に関連する関連パターン１３９ｅがパターン５となっている。ここでは、関連パターン１３９ｅが太枠で強調表示されている。このように、管理モニタ１３９が関連パターン１３９ｅを出力する。

訓練スタッフ９０１が、設定パラメータを変更する際に、当該設定パラメータに関連する異常歩行パターンを認識することができる。異常歩行パターン５は、体幹ＴＬの前方向への傾斜角度Ｘ_５に関するものであるため、訓練スタッフ９０１が体幹ＴＬ傾斜角度に注意しながら、歩行訓練を補助することができる。例えば、訓練スタッフ９０１が訓練者９０１の体幹ＴＬが大きく傾斜しないように歩行動作をサポートすることができる。これにより、適切に訓練者９００が適切な補助を受けながら、歩行訓練を行うことができる。訓練スタッフ９０１が歩行動作を適切に補助することができる。訓練者９００が異常歩行とならない歩行動作で歩行訓練を行うことができ、より適切な歩行訓練が可能となる。

なお、図１９では、関連パターン１３９ｅを太枠で表示することで、訓練スタッフ９０１に提示したが他の方法により提示してもよい。例えば、表示画面１３９ａにおいて、関連パターン１３９ｅを明滅させたり、表示色を変えたりすることで、関連パターン１３９ｅを強調表示してもよい。あるいは、スピーカを用いた音声出力により、関連パターン１３９ｅを提示してもよい。

なお、上記の説明では、１つの選択パラメータに対して１つの関連パターンを出力する例に示したが、１つの選択パラメータに対して２つ以上の関連パターンを出力してもよい。あるいは、選択パラメータに対して関連する関連パターンがない場合は、関連パターンを出力しなくてもよい。

関連パターンが設定パラメータ毎に独立に設定されていてもよい。あるいは、設定パラメータの組み合わせ毎に、関連パターンが設定されていてもよい。例えば、同時に２つ以上の設定パラメータを変更する場合、２つの設定パラメータに関連する全ての関連パターンを表示してもよい。あるいは、２つの設定パラメータの組み合わせに対して求められた１つ以上の関連パターンを表示してもよい。

変形例
変形例では、異常歩行の判定が実施の形態１と異なっている。具体的には、設定パラメータの設定値が変化した直後では、複数の歩行サイクル分の動作量の平均値を用いて、異常歩行基準に合致するか否かが判定されている。

本実施の形態にかかる作動方法について、図２０を用いて説明する。図２０は、歩行訓練装置１００の作動方法を示すフローチャートである。まず、全体制御部２１０がリハビリデータを取得する（Ｓ３１）。ここでは、全体制御部２１０は、歩行サイクル毎にリハビリデータを取得する。そして、全体制御部２１０が、設定パラメータに変更があった否かを判定する（Ｓ３２）。すなわち、全体制御部２１０は、連続する２つの歩行サイクルの間でリハビリデータを比較して、設定パラメータの設定値が変更されていたか否かを判定する。

設定パラメータに変更がない場合（Ｓ３２のＮＯ）、実施の形態１と同様に歩行評価部２１０ａが異常歩行の判定を行う（Ｓ３３）。

設定パラメータに変更がある場合（Ｓ３２のＹＥＳ）、歩行評価部２１０ａは、複数サイクル分のリハビリデータを蓄積する（Ｓ３６）。そして、歩行評価部２１０ａは、複数サイクル分の検出データの平均値を算出する（Ｓ３７）。この平均値が異常歩行か否かを判定するための判定値となる。歩行評価部２１０ａが、判定値である平均値を基準値と比較して、異常歩行判定を行う（Ｓ３３）。

ステップＳ３６とステップＳ３７について、図２１を用いて詳細に説明する。図２１は、収集されたリハビリデータを示す表である。それぞれのデータセットが、１歩行サイクル分のデータに対応している。つまり、図２１は１サイクル目～４サイクル目のリハビリデータがデータセット１～４として示されている。

ここで、１サイクル目と２サイクル目との間で設定パラメータが変更されているとする。この場合、歩行評価部２１０ａが２～４サイクル目の検出データを平均化することで、判定値を求めている。例えば、第1の異常歩行パターンの判定値である距離Ｘ_１について、２～４サイクル目での値がＸ_１２、Ｘ_１３、Ｘ_１４であるとする。この場合、２サイクル目では、歩行評価部２１０ａが判定値を（Ｘ_１２＋Ｘ_１３＋Ｘ_１４）／３として、異常歩行判定を行う。

このようにすることで、より適切に異常歩行判定を行うことができる。例えば、設定パラメータの設定値が変更した直後では、アクチュエータの駆動力が大きく変化する。訓練者９００が駆動力の変化に追従することができず、歩行動作が不安定になる。設定パラメータの変更直後では、複数サイクル分の動作量の平均値に基づいて、異常歩行判定を行う。これにより、より適切に異常歩行判定を行うことができる。

なお、上記の説明では、単純平均により判定値を求めたが、重み付け平均により判定値を求めてもよい。また、平均化する歩行サイクル数は、３に限らず、２であってもよく、４以上であってもよい。変形例に係る処理は、学習段階での異常歩行判定、及び利用段階での異常歩行判定の少なくとも一方に用いられていればよい。

このようなプログラムは、様々なタイプの非一時的なコンピュータ可読媒体を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば光磁気ディスク）、ＣＤ－ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ ＰＲＯＭ）、フラッシュＲＯＭ、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ））を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。

なお、本発明は上記実施形態に限られたものではなく、趣旨を逸脱しない範囲で適宜変更することが可能である。

１００ 歩行訓練装置
１１０ 装具
１１０ａ 連結フック
１１１ ハーネスワイヤ
１１２ ハーネス引張部
１２０ 歩行補助装置
１２１ 制御ユニット
１３０ フレーム
１３０ａ 手摺り
１３１ トレッドミル
１３２ ベルト
５１０ 制御部
５１０ａ データ生成部
５１０ｂ 学習部
５１１０ 学習モデル
５１１１ 入力層
５１１２ 出力層
５１１３ 中間層
２１０ 全体制御部
２１０ａ 歩行評価部
２１０ｂ 訓練判定部
２１１ トレッドミル駆動部

Claims (10)

1. 訓練者の歩行動作を補助するために前記訓練者に駆動力を与える複数のアクチュエータと、前記アクチュエータによって補助された歩行動作に関するセンサデータを検出する複数のセンサと、前記訓練者が歩行するトレッドミルと、複数の設定パラメータに応じて前記複数のアクチュエータを制御する制御部と、前記歩行動作が異常歩行パターンであるか否かを判定する歩行評価部と、を備えた歩行訓練装置からのリハビリデータを取得するデータ取得部と、
   前記リハビリデータに基づいて、前記訓練者の身体情報と身体能力とに関する訓練者データと、前記歩行評価部による判定結果と、前記設定パラメータとを含む学習用データを生成するデータ生成部と、
   前記学習用データを用いて機械学習を行う学習部と、を備え、
   前記複数のアクチュエータは、前記訓練者の脚部の振り出しをアシストするために前記訓練者の脚部に前方から引張力を与えるための駆動力を与える前側引張手段と、前記訓練者の脚部に後方から引張力を与えるための駆動力を与える後側引張手段とを含み、
   前記設定パラメータは、前記トレッドミルの速度、前記前側引張手段及び前記後側引張手段の引張力とその前後比と、を含み、
   前記センサデータに基づいて、前記訓練者の歩行動作における複数の動作量が求められ、
   前記複数の動作量は、前記脚部の着地時と振り出し時とのそれぞれにおける、前記訓練者の股関節から足関節までの歩行方向に沿った距離を含み、
   歩行動作の歩行サイクル毎に、前記動作量の少なくとも一つが、予め定められた複数の異常歩行基準のいずれかに合致した場合に、前記歩行評価部が、合致した前記異常歩行基準に応じた異常歩行パターンであると判定し、
   前記学習部は、
   少なくとも一つの前記異常歩行パターンに対する判定結果が変化した前後の歩行サイクルにおける前記設定パラメータ、前記訓練者データ、及び前記判定結果を１つのデータセットとして順次入力し、かつ、前記判定結果を正解ラベルとする教師データとし、複数の前記異常歩行パターンと前記複数の設定パラメータとの関連性を教師有り学習し、
   前記設定パラメータと前記訓練者データとを入力として、ユーザが設定値を変更するために選択した設定パラメータである選択パラメータと関連性の高い１又は複数の前記異常歩行パターンを出力する学習モデルを構築する学習装置。
2. 前記設定パラメータの設定値を変化した直後では、前記歩行サイクル毎に代えて、複数の歩行サイクル分の前記動作量の平均値を用いて、前記異常歩行基準に合致するか否かが判定されている請求項１に記載の学習装置。
3. 連続する歩行サイクルにおいて、２以上の前記設定パラメータの設定値が同時に変化している場合、前記学習部が、同時に変化した２以上の前記設定パラメータに対して重み付けを行う請求項１、又は２に記載の学習装置。
4. 訓練者の歩行動作を補助するために前記訓練者に駆動力を与える複数のアクチュエータと、前記アクチュエータによって補助された歩行動作に関するセンサデータを検出する複数のセンサと、前記訓練者が歩行するトレッドミルと、複数の設定パラメータに応じて前記複数のアクチュエータを制御する制御部と、前記歩行動作が異常歩行パターンであるか否かを判定する歩行評価部と、を備えた歩行訓練装置からのリハビリデータを学習装置のデータ取得部が取得するデータステップと、
   前記学習装置のデータ生成部が、前記リハビリデータに基づいて、前記訓練者の身体情報と身体能力とに関する訓練者データと、前記歩行評価部による判定結果と、前記設定パラメータとを含む学習用データを生成するステップと、
   前記学習装置の学習部が、前記学習用データを用いて機械学習を行うステップと、を備え、
   前記複数のアクチュエータは、前記訓練者の脚部の振り出しをアシストするために前記訓練者の脚部に前方から引張力を与えるための駆動力を与える前側引張手段と、前記訓練者の脚部に後方から引張力を与えるための駆動力を与える後側引張手段とを含み、
   前記設定パラメータは、前記トレッドミルの速度、前記前側引張手段及び前記後側引張手段の引張力とその前後比と、を含み、
   前記センサデータに基づいて、前記訓練者の歩行動作における複数の動作量が求められ、
   前記複数の動作量は、前記脚部の着地時と振り出し時とのそれぞれにおける、前記訓練者の股関節から足関節までの歩行方向に沿った距離を含み、
   歩行動作の歩行サイクル毎に、前記動作量の少なくとも一つが、前記歩行評価部に予め定められている複数の異常歩行基準のいずれかに合致した場合に、前記歩行評価部が、合致した前記異常歩行基準に応じた異常歩行パターンであると判定し、
   前記学習部は、
   少なくとも一つの前記異常歩行パターンに対する判定結果が変化した前後の歩行サイクルにおける前記設定パラメータ、前記訓練者データ、及び前記判定結果を１つのデータセットとして順次入力し、かつ、前記判定結果を正解ラベルとする教師データとし、複数の前記異常歩行パターンと前記複数の設定パラメータとの関連性を教師有り学習し、
   前記設定パラメータと前記訓練者データとを入力として、ユーザが設定値を変更するために選択した設定パラメータである選択パラメータと関連性の高い１又は複数の前記異常歩行パターンを出力する学習モデルを構築する学習方法。
5. 学習装置のコンピュータに対して、請求項４に記載の学習方法を実行させるためのプログラム。
6. 歩行訓練装置で取得した設定パラメータ、訓練者データ、及び判定結果を含むリハビリデータに基づいて、ユーザが設定値を変更するために選択した設定パラメータである選択パラメータに関連する異常歩行パターンを出力するように、前記歩行訓練装置のコンピュータを機能させるための学習済みモデルであって、
   前記学習済みモデルが、請求項１～３のいずれか１項に記載の学習装置で生成された学習モデルである、学習済みモデル。
7. 訓練者の歩行動作を補助するために前記訓練者に駆動力を与える複数のアクチュエータと、
   前記アクチュエータによって補助された前記訓練者の歩行動作における複数の動作量を検出するために、前記歩行動作に関するセンサデータを検出する複数のセンサと、
   前記訓練者が歩行するトレッドミルと、
   前記訓練者の身体情報と身体能力とに関する訓練者データを取得し、かつ、複数の設定パラメータに応じて前記複数のアクチュエータを制御する制御部と、
   前記歩行動作の歩行サイクル毎に、前記動作量の少なくとも一つが、予め定められた複数の異常歩行基準のいずれかに合致した場合に、前記歩行サイクルでの歩行動作が前記異常歩行基準に応じた異常歩行パターンであると判定する評価部と、
   学習モデルを用いて、前記設定パラメータと前記訓練者データとを入力として、ユーザが設定値を変更するために選択した設定パラメータである選択パラメータと関連性の高い１又は複数の前記異常歩行パターンを出力する出力部と、を備え、
   前記複数のアクチュエータは、前記訓練者の脚部の振り出しをアシストするために前記訓練者の脚部に前方から引張力を与えるための駆動力を与える前側引張手段と、前記訓練者の脚部に後方から引張力を与えるための駆動力を与える後側引張手段とを含み、
   前記設定パラメータは、前記トレッドミルの速度、前記前側引張手段及び前記後側引張手段の引張力とその前後比と、を含み、
   前記センサデータに基づいて、前記訓練者の歩行動作における複数の動作量が求められ、
   前記複数の動作量は、前記脚部の着地時と振り出し時とのそれぞれにおける、前記訓練者の股関節から足関節までの歩行方向に沿った距離を含み、
   前記学習モデルとして、少なくとも一つの前記異常歩行パターンに対する判定結果が変化した前後の歩行サイクルにおける前記設定パラメータ、前記訓練者データ、及び前記判定結果を１つのデータセットとして順次入力し、かつ、前記判定結果を正解ラベルとする教師データとし、複数の前記異常歩行パターンと前記複数の設定パラメータとの関連性を教師有り学習することで前記学習モデルが構築されている歩行訓練システム。
8. ユーザが前記設定パラメータの設定値を変更した直後では、前記歩行サイクル毎に代えて、複数の歩行サイクル分の前記動作量の平均値を用いて、前記異常歩行基準に合致するか否かが判定されている請求項７に記載の歩行訓練システム。
9. 訓練者の歩行動作を補助するために前記訓練者に駆動力を与える複数のアクチュエータと、
   前記アクチュエータによって補助された前記訓練者の歩行動作における複数の動作量を検出するために、前記歩行動作に関するセンサデータを検出する複数のセンサと、
   前記訓練者が歩行するトレッドミルと、
   前記歩行動作の歩行サイクル毎に、前記動作量の少なくとも一つが、予め定められた複数の異常歩行基準のいずれかに合致した場合に、前記歩行サイクルでの歩行動作が前記異常歩行基準に応じた異常歩行パターンであると判定する評価部と、
   前記訓練者の身体情報と身体能力とに関する訓練者データを取得し、かつ、複数の設定パラメータに応じて前記複数のアクチュエータを制御する制御部と、を備えた歩行訓練システムにおけるデータの処理方法であって、
   前記設定パラメータと前記訓練者データとを学習モデルに入力するステップと、
   前記学習モデルが、ユーザが設定値を変更するために選択した設定パラメータである選択パラメータと関連性の高い１又は複数の前記異常歩行パターンを出力するステップと、を備え、
   前記複数のアクチュエータは、前記訓練者の脚部の振り出しをアシストするために前記訓練者の脚部に前方から引張力を与えるための駆動力を与える前側引張手段と、前記訓練者の脚部に後方から引張力を与えるための駆動力を与える後側引張手段とを含み、
   前記設定パラメータは、前記トレッドミルの速度、前記前側引張手段及び前記後側引張手段の引張力とその前後比と、を含み、
   前記センサデータに基づいて、前記訓練者の歩行動作における複数の動作量が求められ、
   前記複数の動作量は、前記脚部の着地時と振り出し時とのそれぞれにおける、前記訓練者の股関節から足関節までの歩行方向に沿った距離を含み、
   少なくとも一つの前記異常歩行パターンに対する判定結果が変化した前後の歩行サイクルにおける前記設定パラメータ、前記訓練者データ、及び前記判定結果を１つのデータセットとして順次入力し、かつ、前記判定結果を正解ラベルとする教師データとし、複数の前記異常歩行パターンと前記複数の設定パラメータとの関連性を教師有り学習することで、前記学習モデルが構築されている、歩行訓練システムにおけるデータの処理方法。
10. ユーザが前記設定パラメータの設定値を変更した直後では、前記歩行サイクル毎に代えて、複数の歩行サイクル分の前記動作量の平均値を用いて、前記異常歩行基準に合致するか否かが判定されている請求項９に記載のデータの処理方法。

Images