JP7276018B2 - 学習方法、推定方法および学習プログラム - Google Patents

Description

本発明の実施形態は、学習方法、推定方法および学習プログラムに関する。

従来、運動器の障害により要介護になるリスクの高い状態を示すロコモティブシンドローム（以下、「ロコモ」と呼ぶ）の判定を行い、高齢者のリスクを評価している。

このロコモの判定については、被験者の所定の部位毎に、各部位の動きについて加速度を算出し、算出した加速度から部位毎に求めた特徴パラメータからニューラルネットワークを用いて運動機能を判定する従来技術が知られている。

特開２０１６－１４４５９８号公報

しかしながら、上記の従来技術では、認知症などの内的要因による潜在的な要介護になるリスクを評価しておらず、誤判定を招くことがあるという問題がある。

１つの側面では、要介護になるリスクの推定精度を高めることができる学習方法、推定方法および学習プログラムを提供することを目的とする。

１つの案では、学習方法は、取得する処理と、作成する処理と、判別する処理とをコンピュータが実行する。取得する処理は、対象者の姿勢と、対象者の外的要因の特徴とを取得する。作成する処理は、複数取得した異なる時点の外的要因の特徴に基づいて、外的要因の特徴に関する時系列のモデルを作成する。判別する処理は、取得した姿勢と、作成したモデルとに基づいて、対象者が内的要因の障害を有するか否かを判別する。

１つの実施態様によれば、要介護になるリスクの推定精度を高めることができる。

図１は、実施形態にかかる学習装置および推定装置の機能構成例を示すブロック図である。 図２は、ユーザ情報を例示する説明図である。 図３は、加齢モデルの作成を説明する説明図である。 図４は、姿勢判定を説明する説明図である。 図５は、加齢モデルのモデリングを説明する説明図である。 図６は、回帰分析の一例を説明する説明図である。 図７は、認知症推定を説明する説明図である。 図８は、認知症推定を説明する説明図である。 図９は、加齢モデルの作成に関する処理の一例を示すフローチャートである。 図１０は、学習フェーズに関する処理の一例を示すフローチャートである。 図１１は、推定フェーズに関する処理の一例を示すフローチャートである。 図１２は、出力画面の一例を示す説明図である。 図１３は、従来の推定結果との比較例を示す説明図である。 図１４は、認知症判定の変形例の一例を示すフローチャートである。 図１５は、認知症判定モデルの一例を説明する説明図である。 図１６は、認知症判定モデルの判定例を説明する説明図である。 図１７は、プログラムを実行するコンピュータの一例を示すブロック図である。

以下、図面を参照して、実施形態にかかる学習方法、推定方法および学習プログラムを説明する。実施形態において同一の機能を有する構成には同一の符号を付し、重複する説明は省略する。なお、以下の実施形態で説明する学習方法、推定方法および学習プログラムは、一例を示すに過ぎず、実施形態を限定するものではない。また、以下の各実施形態は、矛盾しない範囲内で適宜組みあわせてもよい。

図１は、実施形態にかかる学習装置および推定装置の機能構成例を示すブロック図である。図１に示すように、学習装置１は、推定対象者の外的要因の特徴を用いて、推定対象者が有するリスクを推定するための学習モデル３１の学習（教師あり学習）を行う情報処理装置である。具体的には、学習装置１は、学習時（学習フェーズ）において、教師とする学習対象者の外的要因の特徴を含む情報を説明変数とし、学習対象者において正解とするリスクを目的変数とする機械学習により、学習モデル３１の学習を行う。

また、推定装置２は、学習装置１が学習した学習モデル３１を用いて、推定対象者の外的要因の特徴を用いて、推定対象者が有するリスクを推定する情報処理装置である。具体的には、推定装置２は、推定時（推定フェーズ）において、学習済みの学習モデル３１に、推定対象者の外的要因の特徴を含む情報を適用することで、推定対象者が有するリスクを推定する。

本実施形態では、一例として、推定対象者の外的要因の特徴は推定対象者における歩行時の態様（姿勢、歩様など）であり、転倒等により要介護になるリスク（転倒リスク）を推定する事例を用いて説明する。なお、外的要因の特徴は、歩行時の態様に限定するものではなく、例えば歩行以外の運動時の態様などであってもよい。また、推定するリスクについても、転倒リスク以外のリスク（例えば認知症になるリスク）であってもよい。

学習装置１は、収集部１０、ユーザ情報ＤＢ１１、認知症判別部１２およびモデル学習部１３を有する。

収集部１０は、ユーザによる操作入力やファイル入力などにより、学習モデル３１の教師とする学習対象者の情報（年齢、外的要因の特徴、専門家などが判定した正解とするリスクなど）を収集する処理部である。収集部１０は、収集した各学習対象者のユーザ情報をユーザ情報ＤＢ１１に格納する。具体的には、収集部１０は、学習対象者を識別する識別情報（ユーザＩＤなど）ごとに、定期検診などにより複数の時点ごとに収集したユーザ情報をユーザ情報ＤＢ１１に格納する。

図２は、ユーザ情報を例示する説明図である。図２に示すように、ユーザ情報１１Ａは、対象者Ａの外的要因の特徴を示す情報であり、本実施形態では対象者Ａの歩行時の態様（姿勢、歩様など）を示す情報である。具体的には、ユーザ情報１１Ａは、対象者Ａの歩行時における姿勢を示す「頭」、「首」、「腰」、「足」の座標を有する。また、ユーザ情報１１Ａは、対象者Ａの歩様を示す「歩行速度」、「歩幅」、「歩隔」、「歩行角度」の座標を有する。また、ユーザ情報１１Ａには、上記の対象者Ａの外的要因の特徴を示す情報の他に、ユーザ情報１１Ａの収集時における対象者Ａの年齢、専門家などによるリスクの判定結果（転倒リスクの有無またはリスク度合い）を示す正解ラベルなどが付与されている。

認知症判別部１２は、ユーザ情報ＤＢ１１に格納された学習対象者ごとのユーザ情報１１Ａをもとに、各学習対象者が内的要因の障害（認知症）を有するか否かを判別する処理部である。具体的には、認知症判別部１２は、加齢モデル作成部１２Ａおよび１２Ｂを有する。

加齢モデル作成部１２Ａは、各学習対象者について、定期検診などにより複数の時点ごとに収集したユーザ情報１１Ａより、外的要因の特徴に関する時系列の加齢モデルを作成する処理部である。具体的は、加齢モデル作成部１２Ａは、ユーザ情報１１Ａにおいて歩様を示す「歩行速度」、「歩幅」、「歩隔」、「歩行角度」それぞれについて、複数の時点のデータから時系列変化（加齢に伴う変化）を示す加齢モデルを作成する。

なお、歩様などの外的要因の特徴については、学習対象者の姿勢により大きく異なってくる。このため、加齢モデル作成部１２Ａは、ユーザ情報１１Ａの姿勢を示す「頭」、「首」、「腰」、「足」の座標をもとに、学習対象者の姿勢を判別する。

図３は、加齢モデルの作成を説明する説明図である。図３に示すように、人の歩行時においては、例えば脊椎の生理的彎曲などにより、姿勢Ｃ１～Ｃ６のような様々な姿勢が存在する。例えば、脊椎の生理的彎曲には、骨粗鬆症性椎体骨折による変形や腰椎部を中心とした椎間板変性などがある。また、膝の痛みによってバランスと取るために姿勢が崩れる場合もある。

このような姿勢Ｃ１～Ｃ６ごとに、外的要因の特徴（例えば歩行速度）の加齢に伴う変化は異なる。例えば、姿勢Ｃ１については加齢モデルＭ１のように変化し、姿勢Ｃ２については加齢モデルＭ２のように変化する。

したがって、加齢モデル作成部１２Ａは、「頭」、「首」、「腰」、「足」の座標をもとに、学習対象者の姿勢が姿勢Ｃ１～Ｃ６のいずれであるかを判別し、判別した姿勢をベースに加齢モデルを作成する。

図４は、姿勢判定を説明する説明図である。図４に示すように、加齢モデル作成部１２Ａは、ユーザ情報１１Ａにおける対象者Ａ、Ｂ…の「頭」、「首」、「腰」、「足」の座標が姿勢Ｃ１～Ｃ６のいずれの条件にマッチするかにより、対象者Ａ、Ｂ…の姿勢を判別する。図示例では、対象者Ａについては姿勢Ｃ２と判別しており、対象者Ｂについては姿勢Ｃ３と判別している。

次いで、加齢モデル作成部１２Ａは、各学習対象者について、学習対象者の外的要因の特徴を時系列順に並べてモデリングすることで、判別した姿勢における加齢モデルを作成する。

図５は、加齢モデルのモデリングを説明する説明図である。図５に示すように、加齢モデル作成部１２Ａは、対象者Ａ、Ｂ…について、ユーザ情報１１Ａにおいて歩様を示す「歩行速度」、「歩幅」、「歩隔」、「歩行角度」それぞれにおける加齢モデルＭ１、Ｍ２…を作成する。具体的には、加齢モデル作成部１２Ａは、「歩行速度」、「歩幅」、「歩隔」、「歩行角度」それぞれについて、時系列順（年齢順）にプロットした値を回帰分析することで、加齢モデルＭ１、Ｍ２…を求める。

図６は、回帰分析の一例を説明する説明図である。図６に示すように、加齢モデル作成部１２Ａは、ユーザ情報１１Ａにおいて、４月から９月まで得られた歩行速度を時系列順にプロットする。次いで、加齢モデル作成部１２Ａは、プロットした値をもとに重回帰を行うことで、Ｙ＝ａｘ＋ｂという形式の歩行速度に関する加齢モデルＭを得る。なお、以後の説明では、加齢モデルについて、対象者ごとの区別や、「歩行速度」、「歩幅」、「歩隔」、「歩行角度」ごとの区別を行いわない場合は、加齢モデルＭと呼ぶものとする。

次いで、加齢モデル作成部１２Ａは、求めた加齢モデルＭについて、対象者に該当する識別情報を付与した上で、加齢モデル情報３０としてメモリなどに格納する。これにより、学習フェーズ、推定フェーズにおいては、対象者の識別情報をもとに加齢モデル情報３０を参照することで、各対象者の加齢モデルＭを取得することができる。

図１に戻り、認知症推定部１２Ｂは、各学習対象者について、取得した姿勢と、作成した加齢モデルＭとに基づいて、対象者が内的要因の障害（認知症）を有するか否かを判別する処理部である。

対象者が抱える内的要因の障害（本実施形態では認知症）は、姿勢別の外的要因の特徴において、時系列的に有意な変化として現れる。例えば、対象者が脳血管性認知症である場合は、段階的に認知症が進むことから、姿勢ごとの加齢に応じた基準とする加齢モデル（以下、基準モデル）に対し、対象者の加齢モデルＭに有意差が生じる。また、レビー小体型認知症では、調子が良い時と悪い時を繰り返すことから、対象者の加齢モデルＭにおいて、時系列に伴う所定幅のゆらぎが生じる。認知症推定部１２Ｂでは、このような対象者の加齢モデルＭの時系列的な特徴をもとに、対象者が内的要因の障害（認知症）を有するか否かを判別する。

図７、図８は、認知症推定を説明する説明図である。具体的には、図７に示すように、認知症推定部１２Ｂは、対象者Ａのユーザ情報１１Ａより判別した姿勢をもとに、メモリ等に予め設定された姿勢ごとの基準モデルＭＫの中から対象者Ａの姿勢に該当する基準モデルＭＫを読み出す。なお、基準モデルＭＫについては、予めメモリなどに設定されたデータを用いてもよいし、加齢モデル情報３０に格納された多数の対象者の平均を用いてもよい。

次いで、認知症推定部１２Ｂは、基準モデルＭＫと、対象者Ａの歩様（「歩行速度」、「歩幅」、「歩隔」、「歩行角度」）について作成した加齢モデルＭとをもとに、統計上の有意差検定を行う。次いで、認知症推定部１２Ｂは、有意差検定において基準モデルＭＫと、加齢モデルＭとの間に有意差がある場合に対象者Ａは認知症有りと判定し、有意差がない場合に対象者Ａは認知症なしと判定する。

また、図８に示すように、認知症推定部１２Ｂは、対象者Ａの歩様（「歩行速度」、「歩幅」、「歩隔」、「歩行角度」）について作成した加齢モデルＭについて、時系列に伴う所定幅のゆらぎの有無をルールベースで判定する。次いで、認知症推定部１２Ｂは、時系列に伴う所定幅のゆらぎがある場合に対象者Ａは認知症有りと判定し、ゆらぎがない場合に対象者Ａは認知症なしと判定する。

図１に戻り、モデル学習部１３は、学習モデル３１の学習を行う処理部である。具体的には、モデル学習部１３は、認知症判別部１２が判別した内的要因の障害（認知症）の有無と、対象者の外的要因の特徴を示すユーザ情報１１Ａとを説明変数とし、正解ラベルとして付与されたリスクを目的変数とする機械学習により、学習モデル３１の学習を行う。

なお、学習モデル３１としては、例えば、脳のニューロンを模したユニットを入力層から中間層を経て出力層に至る間に階層的に結合したニューラルネットワークを適用できる。

モデル学習部１３は、例えば、学習モデル３１の入力層に目的変数の値を入力し、演算結果を示す出力値を出力層から出力させる。そして、モデル学習部１３は、正解ラベルのリスクと、出力値との比較に基づいて、学習モデル３１におけるニューラルネットワークの各ノードにおけるパラメータを学習する。より具体的には、モデル学習部１３は、出力値と正解ラベルとの比較結果を用いた誤差逆伝播（error Back Propagation：BP）法などによって、ニューラルネットワークのパラメータを学習する。

推定装置２は、入力部２０、認知症判別部２１、推定部２２および出力部２３を有する。

収集部１０は、ユーザによる操作入力やファイル入力などにより、推定対象者の情報（年齢、外的要因の特徴など）の入力を受け付ける処理部である。収集部１０は、入力を受け付けた推定対象者の情報を認知症判別部２１へ出力する。

認知症判別部２１は、推定対象者の情報をもとに、推定対象者が内的要因の障害（認知症）を有するか否かを判別する処理部である。なお、認知症判別部２１における処理は、処理対象が学習対象者であるか推定対象者であるかの違いはあるが、認知症判別部１２と同じである。すなわち、認知症判別部２１は、加齢モデル作成部１２Ａおよび認知症推定部１２Ｂと同様の構成を有する。よって、認知症判別部２１の処理内容の説明は省略する。

推定部２２は、内的要因の障害の有無と、外的要因の特徴とを説明変数とし、リスクを目的変数として学習済みの学習モデル３１を用いて、推定対象者が有するリスクの推定を行う処理部である。具体的には、推定部２２は、学習モデル３１に対して、推定部２２が判別した内的要因の障害の有無と、推定対象者の外的要因の特徴とを適用し、推定対象者のリスクを推定する。一例として、学習モデル３１がニューラルネットワークである場合、推定部２２は、学習モデル３１の入力層に内的要因の障害の有無と、外的要因の特徴に対応する値を入力し、演算結果を示す出力値（推定したリスク）を出力層から得る。

出力部２３は、推定部２２の推定結果を、例えばディスプレイへの表示出力や、ファイル出力などにより出力する処理部である。この出力部２３からの出力により、ユーザは、推定対象者が有するリスクを知ることができる。

図９は、加齢モデルの作成に関する処理の一例を示すフローチャートである。図９に示すように、処理が開始されると、加齢モデル作成部１２Ａは、ユーザ情報ＤＢ１１より学習対象者における外的要因の特徴（「頭」、「首」、「腰」、「足」の座標）を収集する（Ｓ１）。

次いで、加齢モデル作成部１２Ａは、収集した外的要因の特徴（「頭」、「首」、「腰」、「足」の座標）をもとに、学習対象者の姿勢を判別する（Ｓ２）。

次いで、加齢モデル作成部１２Ａは、ユーザ情報ＤＢ１１より学習対象者における外的要因の特徴（歩様を示す「歩行速度」、「歩幅」、「歩隔」、「歩行角度」）について、複数の時点のデータを収集する（Ｓ３）。

次いで、加齢モデル作成部１２Ａは、歩様を示す「歩行速度」、「歩幅」、「歩隔」、「歩行角度」それぞれについて、複数の時点のデータから時系列のモデル（加齢モデルＭ）を作成する（Ｓ４）。次いで、加齢モデル作成部１２Ａは、作成した加齢モデルＭを、学習対象者に該当する識別情報を付与した上で加齢モデル情報３０に格納し、処理を終了する。

図１０は、学習フェーズに関する処理の一例を示すフローチャートである。図１０に示すように、学習フェーズに関する処理が開始されると、認知症推定部１２Ｂは、ユーザ情報ＤＢ１１より学習対象者における外的要因の特徴（「頭」、「首」、「腰」、「足」の座標）を収集する（Ｓ１１）。

次いで、認知症推定部１２Ｂは、収集した外的要因の特徴（「頭」、「首」、「腰」、「足」の座標）をもとに、学習対象者の姿勢を判別する（Ｓ１２）。次いで、認知症推定部１２Ｂは、加齢モデル情報３０より学習対象者に該当する識別情報が付与された時系列のモデル（加齢モデルＭ）を取得する（Ｓ１３）。

次いで、認知症推定部１２Ｂは、学習対象者における外的要因の特徴（歩様を示す「歩行速度」、「歩幅」、「歩隔」、「歩行角度」）について、複数の時点のデータを収集する（Ｓ１４）。

次いで、認知症推定部１２Ｂは、判別した姿勢と、学習対象者の加齢モデルＭとに基づいて、学習対象者が内的要因の障害（認知症）を有するか否かを判別する（Ｓ１５）。

次いで、モデル学習部１３は、認知症判別部１２が判別した内的要因の障害（認知症）の有無と、学習対象者の外的要因の特徴とを説明変数とし、正解ラベルとして付与されたリスクを目的変数とする学習データを生成する（Ｓ１６）。次いで、モデル学習部１３は、生成した学習データに基づく機械学習（教師つき学習）により、学習モデル３１の学習を行う（Ｓ１７）。

学習装置１では、学習フェーズにおいて、上記のＳ１１～Ｓ１７の処理を各学習対象者に対して実行することで、学習モデル３１の学習を進める。

図１１は、推定フェーズに関する処理の一例を示すフローチャートである。図１１に示すように、推定フェーズに関する処理が開始されると、認知症判別部２１は、推定対象者における外的要因の特徴（「頭」、「首」、「腰」、「足」の座標）を収集する（Ｓ２１）。

次いで、認知症判別部２１は、収集した外的要因の特徴（「頭」、「首」、「腰」、「足」の座標）をもとに、推定対象者の姿勢を判別する（Ｓ２２）。

次いで、認知症判別部２１は、加齢モデル情報３０より推定対象者に該当する識別情報が付与された時系列のモデル（加齢モデルＭ）を取得する（Ｓ２３）。次いで、認知症判別部２１は、推定対象者における外的要因の特徴（歩様を示す「歩行速度」、「歩幅」、「歩隔」、「歩行角度」）について、複数の時点のデータを収集する（Ｓ２４）。

次いで、認知症判別部２１は、判別した姿勢と、推定対象者の加齢モデルＭとに基づいて、推定対象者が内的要因の障害（認知症）を有するか否かを判別する（Ｓ２５）。

次いで、推定部２２は、認知症判別部２１が判別した内的要因の障害（認知症）の有無と、推定対象者の外的要因の特徴とを含む推定用データを生成する（Ｓ２６）。次いで、推定部２２は、学習モデル３１に対して、推定用データを適用し、推定対象者のリスクを推定する（Ｓ２７）。次いで、出力部２３は、推定部２２の推定結果を表示画面などに出力し、処理を終了する。

図１２は、出力画面の一例を示す説明図である。図１２に示すように、出力部２３が出力する出力画面４０は、歩様表示領域４１、モデル表示領域４２および推定結果表示領域４３を有する。

歩様表示領域４１は、対象者Ａについての「歩行速度」、「歩幅」、「歩隔」、「歩行角度」と、各値の全体平均とを示す表示領域である。歩様表示領域４１の表示内容により、ユーザは、対象者Ａの歩様（「歩行速度」、「歩幅」、「歩隔」、「歩行角度」）を容易に知ることができる。

モデル表示領域４２は、対象者Ａについての加齢モデルＭと、対象者Ａの姿勢（図示例では姿勢Ｃ２）に対応する基準モデルＭＫとを表示する領域である。モデル表示領域４２の表示内容により、ユーザは、対象者Ａの歩様の加齢モデルＭと、対象者Ａの姿勢に対応する基準モデルＭＫとを容易に比較することができる。

推定結果表示領域４３は、対象者Ａについて、認知症判別部２１による内的要因の障害（認知症）の判別結果と、推定部２２の推定結果とを表示する領域である。推定結果表示領域４３の表示内容により、ユーザは、対象者Ａが内的要因の障害を有するか否かと、転倒リスクの推定結果とを容易に確認することができる。

次に、認知症判定の変形例について説明する。上記の認知症判定では、対象者における外的要因の特徴として歩様（「歩行速度」、「歩幅」、「歩隔」、「歩行角度」）をもとに、内的要因の障害（認知症）を有するか否かを判定している。

しかしながら、内的要因の障害（認知症）がある場合でも、歩行速度が速くなるケースがある。このような場合は、対象者を認知症なしと誤判定することがあり、認知症などの内的要因によって要介護となる潜在的なリスクの推定精度が落ちることとなる。

また、対象者における外的要因の特徴は、歩様だけでなく、食事や会話の様子に現れることもある。例えば、認知症となると食べ物を飲み込まず淡々と口の中に入れることで、誤嚥による窒息を起こす場合もある。このような誤嚥により要介護となる潜在的なリスクは、歩様などの外的要因の特徴から推定することは困難である。

認知症判定の変形例では、認知症の判定を行うＳ１５、Ｓ２５の処理において、上記の認知症判定とは別な認知症ロジックを用いた、歩様以外の外的要因の特徴による認知症判定を行う。これにより、認知症などの内的要因によって要介護となる潜在的なリスクの推定精度を高めることができる。

図１４は、認知症判定の変形例の一例を示すフローチャートである。図１４に示すように、認知症の判定を行う処理が開始されると、認知症推定部１２Ｂは、まず、前述したＳ１５などと同様の歩様による認知症判定を行う（Ｓ３１）。

次いで、認知症推定部１２Ｂは、対象者における外的要因の特徴（歩様以外）について、ユーザ情報ＤＢ１１より複数の時点のデータを収集する（Ｓ３２）。なお、外的要因の特徴（歩様以外）には、例えば「食事速度」、「会話速度」、「同じことを繰り返し言う」、「食事を忘れる」などの項目がある。これらの外的要因の特徴（歩様以外）については、各ユーザより収集したデータが予めユーザ情報ＤＢ１１に登録されているものとする。

次いで、認知症推定部１２Ｂは、対象者について収集した外的要因の特徴（歩様以外）をもとに、Ｓ１５等とは別な認知症ロジックによる認知症判定モデルを用いた認知症判定を行う（Ｓ３３）。

図１５は、認知症判定モデルの一例を説明する説明図である。図１５に示すように、認知症の有無を確度（出現確率）として判定する認知症判定モデルＭ３は、各ユーザより採取したサンプルデータＤ１に基づく、ロジスティクス回帰により得られる。

具体的には、各ユーザのサンプルデータＤ１に含まれる外的要因の特徴（歩様以外）である「食事速度」、「会話速度」、「同じことを繰り返し言う」、「食事を忘れる」などの項目を説明変数とする。また、各ユーザのサンプルデータＤ１に含まれる認知症の有無を目的変数とする。そして、目的変数と説明変数についてロジスティクス回帰分析を行うことで、認知症判定モデルＭ３に関する回帰係数や定数項などを求めておく。

図１６は、認知症判定モデルの判定例を説明する説明図である。図１６に示すように、認知症推定部１２Ｂは、対象者のユーザ情報１１Ａを認知症判定モデルＭ３に適用することで、認知症の有無を判定する。具体的には、認知症推定部１２Ｂは、対象者のユーザ情報１１Ａにおける「食事速度」、「会話速度」、「同じことを繰り返し言う」、「食事を忘れる」などの説明変数の項目を認知症判定モデルＭ３に適用する。これにより、認知症推定部１２Ｂは、認知症の有無を確度（例えば発生確率）として求めることができる。認知症推定部１２Ｂは、認知症について得られた発生確率をもとに（例えば所定の閾値と比較することで）、認知症あり／認知症なしを判定する。

次いで、認知症推定部１２Ｂは、認知症判定において発生確率が閾値より低く、認知症なしの場合（Ｓ３３：なし）、外的要因の特徴について認知症なしとする（Ｓ３４）。また、認知症推定部１２Ｂは、認知症判定において発生確率が閾値より高く、認知症ありの場合（Ｓ３３：あり）、外的要因の特徴について認知症ありとする（Ｓ３５）。

なお、認知症推定部１２Ｂは、Ｓ３１における認知症判定の結果と、Ｓ３４またはＳ３５における認知症判定の結果とを、それぞれ別の判定として扱ってもよいし、組み合わせてもよい。

例えば、認知症推定部１２Ｂは、Ｓ３１における認知症あり／認知症なしを第１の認知症判定結果とし、Ｓ３４またはＳ３５における認知症あり／認知症なしを第２の認知症判定結果としてもよい。また、認知症推定部１２Ｂは、第１の認知症判定結果と、第２の認知症判定結果のいずれかで認知症ありの場合は認知症ありとし、第１、第２の認知症判定結果がともに認知症なしの場合は認知症なしとしてもよい。

以上のように、学習装置１の加齢モデル作成部１２Ａは、対象者の姿勢と、対象者の外的要因の特徴とを取得し、複数取得した異なる時点の外的要因の特徴に基づいて、外的要因の特徴に関する加齢モデルＭを作成する。学習装置１の認知症推定部１２Ｂは、取得した姿勢と、作成した加齢モデルＭとに基づいて、対象者が内的要因の障害（認知症）を有するか否かを判別する。これにより、学習装置１は、認知症などの内的要因による潜在的な要介護になるリスクを評価することができる。

また、学習装置１のモデル学習部１３は、判別した内的要因の障害の有無と、取得した外的要因の特徴とを説明変数とし、対象者が有するリスクを目的変数として学習モデル３１の学習を行う。

このように、学習装置１は、対象者について判別した内的要因の障害の有無を説明変数として加えていることから、認知症などの内的要因による潜在的な要因を加味した上でリスクを推定するように学習モデル３１を学習でき、リスクの推定精度を高めることができる。

図１３は、従来の推定結果との比較例を示す説明図である。図１３に示すように、対象者Ａ、Ｂを比較すると、見た目では、目線が下目で、すり足である対象者Ｂのほうが変形姿勢であることから、リスクが高く見える。このため、従来の推定結果では、内的要因による潜在的な転倒リスクを評価しないことから、対象者Ａより対象者Ｂの方がリスクが高く評価されている。

実際には、対象者Ａは、対象者Ｂより正常に近い直立姿勢であるが、加齢モデルＭにおいて基準モデルＭＫとの間に有意差が生じており、認知症を有している。本実施形態では、認知症などの内的要因による潜在的な要因を説明変数に加えて学習モデル３１の学習が行われる。このため、本実施形態の推定結果では、認知症を有している対象者Ａの方が対象者Ｂよりリスクが高く、より正しい推定結果となる。

また、認知症推定部１２Ｂは、姿勢ごとの加齢に応じた基準モデル（Ｍ１、Ｍ２…）の中の、取得した姿勢に対応する基準モデルと、作成した加齢モデルＭとの比較に基づいて、内的要因の障害の有無を判別する。このように、学習装置１は、対象者の姿勢に対応する加齢に応じた基準モデルと、対象者の加齢モデルＭとの比較により、内的要因の障害の有無を判別できる。例えば、基準モデルと、加齢モデルＭとの間に有意差がある場合に、内的要因の障害が有るものと判別することができる。

また、認知症推定部１２Ｂは、加齢モデルＭにおいて、外的要因の特徴に時系列に伴うゆらぎがある場合に、内的要因の障害が有るものと判別する。例えば、認知症推定部１２Ｂは、歩行速度において、調子がよい時と悪い時とを繰り返すような、所定の幅を持ったゆらぎがある場合に、内的要因の障害（認知症）が有るものと判別できる。

また、対象者の姿勢は、対象者の歩行時の姿勢であり、外的要因の特徴は、対象者の歩様であってもよい。このように、学習装置１は、対象者の歩行時の姿勢と、対象者の歩様とをもとに、対象者が有するリスクを推定する学習モデル３１の学習を行ってもよい。

また、内的要因の障害は、認知症であってもよい。このように、学習装置１は、対象者が有するリスクを推定する学習モデル３１の学習において、認知症の有無を説明変数として加えてもよい。

また、推定装置２の認知症判別部２１は、対象者の姿勢と、対象者の外的要因の特徴とを取得し、複数取得した異なる時点の外的要因の特徴に基づいて、外的要因の特徴に関する加齢モデルＭを作成する。推定装置２の認知症判別部２１は、取得した姿勢と、作成した加齢モデルＭとに基づいて、対象者が内的要因の障害（認知症）を有するか否かを判別する。推定装置２の推定部２２は、内的要因の障害の有無と、外的要因の特徴とを説明変数とし、リスクを目的変数として学習した学習モデル３１に、判別した内的要因の障害の有無と、取得した外的要因の特徴とを適用して対象者のリスクを推定する。

このように、推定装置２は、学習モデル３１を用いて、認知症などの内的要因による潜在的な要因を加味した上でリスクを推定することから、リスクの推定精度を高めることができる。

また、認知症判別部２１は、姿勢ごとの加齢に応じた基準モデル（Ｍ１、Ｍ２…）の中の、取得した姿勢に対応する基準モデルと、作成した加齢モデルＭとの比較に基づいて、内的要因の障害の有無を判別する。このように、推定装置２は、対象者の姿勢に対応する加齢に応じた基準モデルと、対象者の加齢モデルＭとの比較により、内的要因の障害の有無を判別できる。例えば、基準モデルと、加齢モデルＭとの間に有意差がある場合に、内的要因の障害が有るものと判別することができる。

また、認知症判別部２１は、加齢モデルＭにおいて、外的要因の特徴に時系列に伴うゆらぎがある場合に、内的要因の障害が有るものと判別する。例えば、認知症判別部２１は、歩行速度において、調子がよい時と悪い時とを繰り返すような、所定の幅を持ったゆらぎがある場合に、内的要因の障害（認知症）が有るものと判別できる。

また、対象者の姿勢は、対象者の歩行時の姿勢であり、外的要因の特徴は、対象者の歩様であってもよい。このように、推定装置２は、対象者の歩行時の姿勢と、対象者の歩様とをもとに、対象者が有するリスクを推定してもよい。

また、内的要因の障害は、認知症であってもよい。このように、推定装置２は、認知症の有無を学習モデル３１に適用して対象者が有するリスクを推定してもよい。

なお、図示した各装置の各構成要素は、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

学習装置１、推定装置２で行われる各種処理機能は、ＣＰＵ（またはＭＰＵ、ＭＣＵ（Micro Controller Unit）等のマイクロ・コンピュータ）上で、その全部または任意の一部を実行するようにしてもよい。また、各種処理機能は、ＣＰＵ（またはＭＰＵ、ＭＣＵ等のマイクロ・コンピュータ）で解析実行されるプログラム上、またはワイヤードロジックによるハードウエア上で、その全部または任意の一部を実行するようにしてもよいことは言うまでもない。また、マッチング装置１で行われる各種処理機能は、クラウドコンピューティングにより、複数のコンピュータが協働して実行してもよい。

ところで、上記の実施形態で説明した各種の処理は、予め用意されたプログラムをコンピュータで実行することで実現できる。そこで、以下では、上記の実施例と同様の機能を有するプログラムを実行するコンピュータ（ハードウエア）の一例を説明する。図１４は、プログラムを実行するコンピュータの一例を示すブロック図である。

図１４に示すように、コンピュータ３は、各種演算処理を実行するＣＰＵ１０１と、データ入力を受け付ける入力装置１０２と、モニタ１０３と、スピーカ１０４とを有する。また、コンピュータ３は、記憶媒体からプログラム等を読み取る媒体読取装置１０５と、各種装置と接続するためのインタフェース装置１０６と、有線または無線により外部機器と通信接続するための通信装置１０７とを有する。また、コンピュータ３は、各種情報を一時記憶するＲＡＭ１０８と、ハードディスク装置１０９とを有する。また、コンピュータ３内の各部（１０１～１０９）は、バス１１０に接続される。

ハードディスク装置１０９には、上記の実施形態で説明した各種の処理を実行するためのプログラム１１１が記憶される。また、ハードディスク装置１０９には、プログラム１１１が参照する各種データ１１２が記憶される。入力装置１０２は、例えば、コンピュータ３の操作者から操作情報の入力を受け付ける。モニタ１０３は、例えば、操作者が操作する各種画面を表示する。インタフェース装置１０６は、例えば印刷装置等が接続される。通信装置１０７は、ＬＡＮ（Local Area Network）等の通信ネットワークと接続され、通信ネットワークを介した外部機器との間で各種情報をやりとりする。

ＣＰＵ１０１は、ハードディスク装置１０９に記憶されたプログラム１１１を読み出して、ＲＡＭ１０８に展開して実行することで、各種の処理を行う。例えば、学習装置１の場合、ＣＰＵ１０１は、プログラム１１１を実行することで、収集部１０、認知症判別部１２およびモデル学習部１３に関する処理を行う。また、推定装置２の場合、ＣＰＵ１０１は、プログラム１１１を実行することで、入力部２０、認知症判別部２１、推定部２２および出力部２３に関する処理を行う。

なお、プログラム１１１は、ハードディスク装置１０９に記憶されていなくてもよい。例えば、コンピュータ３が読み取り可能な記憶媒体に記憶されたプログラム１１１を、コンピュータ３が読み出して実行するようにしてもよい。コンピュータ３が読み取り可能な記憶媒体は、例えば、ＣＤ－ＲＯＭやＤＶＤディスク、ＵＳＢ（Universal Serial Bus）メモリ等の可搬型記録媒体、フラッシュメモリ等の半導体メモリ、ハードディスクドライブ等が対応する。また、公衆回線、インターネット、ＬＡＮ等に接続された装置にプログラム１１１を記憶させておき、コンピュータ３がこれらからプログラム１１１を読み出して実行するようにしてもよい。

以上の実施形態に関し、さらに以下の付記を開示する。

（付記１）対象者の姿勢と、前記対象者の外的要因の特徴とを取得し、
複数取得した異なる時点の前記外的要因の特徴に基づいて、当該外的要因の特徴に関する時系列のモデルを作成し、
取得した前記姿勢と、作成した前記モデルとに基づいて、前記対象者が内的要因の障害を有するか否かを判別する、
処理をコンピュータが実行することを特徴とする学習方法。

（付記２）判別した前記内的要因の障害の有無と、取得した前記外的要因の特徴とを説明変数とし、前記対象者が有するリスクを目的変数とする学習を行う、処理をさらにコンピュータが実行する、
ことを特徴とする付記１に記載の学習方法。

（付記３）前記判別する処理は、前記姿勢ごとの加齢に応じた基準モデルの中の、取得した前記姿勢に対応する基準モデルと、作成した前記モデルとの比較に基づいて、前記内的要因の障害の有無を判別する、
ことを特徴とする付記１または２に記載の学習方法。

（付記４）前記判別する処理は、前記基準モデルと、作成した前記モデルとの間に有意差がある場合に、前記内的要因の障害が有るものと判別する、
ことを特徴とする付記３に記載の学習方法。

（付記５）前記判別する処理は、作成した前記モデルにおいて、前記外的要因の特徴に時系列に伴うゆらぎがある場合に、前記内的要因の障害が有るものと判別する、
ことを特徴とする付記１乃至４のいずれか一に記載の学習方法。

（付記６）前記姿勢は、前記対象者の歩行時の姿勢であり、
前記外的要因の特徴は、前記対象者の歩様である、
ことを特徴とする付記１乃至５のいずれか一に記載の学習方法。

（付記７）前記内的要因の障害は、認知症である、
ことを特徴とする付記１乃至６のいずれか一に記載の学習方法。

（付記８）対象者の姿勢と、前記対象者の外的要因の特徴とを取得し、
複数取得した異なる時点の前記外的要因の特徴に基づいて、当該外的要因の特徴に関する時系列のモデルを作成し、
取得した前記姿勢と、作成した前記モデルとに基づいて、前記対象者が内的要因の障害を有するか否かを判別し、
前記内的要因の障害の有無と、前記外的要因の特徴とを説明変数とし、リスクを目的変数として学習した学習モデルに、判別した前記内的要因の障害の有無と、取得した前記外的要因の特徴とを適用して前記対象者のリスクを推定する、
処理をコンピュータが実行することを特徴とする推定方法。

（付記９）前記判別する処理は、前記姿勢ごとの加齢に応じた基準モデルの中の、取得した前記姿勢に対応する基準モデルと、作成した前記モデルとの比較に基づいて、前記内的要因の障害の有無を判別する、
ことを特徴とする付記８に記載の推定方法。

（付記１０）前記判別する処理は、前記基準モデルと、作成した前記モデルとの間に有意差がある場合に、前記内的要因の障害が有るものと判別する、
ことを特徴とする付記９に記載の推定方法。

（付記１１）前記判別する処理は、作成した前記モデルにおいて、前記外的要因の特徴に時系列に伴うゆらぎがある場合に、前記内的要因の障害が有るものと判別する、
ことを特徴とする付記８乃至１０のいずれか一に記載の推定方法。

（付記１２）前記姿勢は、前記対象者の歩行時の姿勢であり、
前記外的要因の特徴は、前記対象者の歩様である、
ことを特徴とする付記８乃至１１のいずれか一に記載の推定方法。

（付記１３）前記内的要因の障害は、認知症である、
ことを特徴とする付記８乃至１２のいずれか一に記載の推定方法。

（付記１４）対象者の姿勢と、前記対象者の外的要因の特徴とを取得し、
複数取得した異なる時点の前記外的要因の特徴に基づいて、当該外的要因の特徴に関する時系列のモデルを作成し、
取得した前記姿勢と、作成した前記モデルとに基づいて、前記対象者が内的要因の障害を有するか否かを判別する、
処理をコンピュータに実行させることを特徴とする学習プログラム。

（付記１５）判別した前記内的要因の障害の有無と、取得した前記外的要因の特徴とを説明変数とし、前記対象者が有するリスクを目的変数とする学習を行う、処理をさらにコンピュータに実行させる、
ことを特徴とする付記１４に記載の学習プログラム。

（付記１６）前記判別する処理は、前記姿勢ごとの加齢に応じた基準モデルの中の、取得した前記姿勢に対応する基準モデルと、作成した前記モデルとの比較に基づいて、前記内的要因の障害の有無を判別する、
ことを特徴とする付記１４または１５に記載の学習プログラム。

（付記１７）前記判別する処理は、前記基準モデルと、作成した前記モデルとの間に有意差がある場合に、前記内的要因の障害が有るものと判別する、
ことを特徴とする付記１６に記載の学習プログラム。

（付記１８）前記判別する処理は、作成した前記モデルにおいて、前記外的要因の特徴に時系列に伴うゆらぎがある場合に、前記内的要因の障害が有るものと判別する、
ことを特徴とする付記１４乃至１７のいずれか一に記載の学習プログラム。

（付記１９）前記姿勢は、前記対象者の歩行時の姿勢であり、
前記外的要因の特徴は、前記対象者の歩様である、
ことを特徴とする付記１４乃至１８のいずれか一に記載の学習プログラム。

（付記２０）前記内的要因の障害は、認知症である、
ことを特徴とする付記１４乃至１９のいずれか一に記載の学習プログラム。

（付記２１）対象者の姿勢と、前記対象者の外的要因の特徴とを取得し、
複数取得した異なる時点の前記外的要因の特徴に基づいて、当該外的要因の特徴に関する時系列のモデルを作成し、
取得した前記姿勢と、作成した前記モデルとに基づいて、前記対象者が内的要因の障害を有するか否かを判別し、
前記内的要因の障害の有無と、前記外的要因の特徴とを説明変数とし、リスクを目的変数として学習した学習モデルに、判別した前記内的要因の障害の有無と、取得した前記外的要因の特徴とを適用して前記対象者のリスクを推定する、
処理をコンピュータに実行させることを特徴とする推定プログラム。

（付記２２）前記判別する処理は、前記姿勢ごとの加齢に応じた基準モデルの中の、取得した前記姿勢に対応する基準モデルと、作成した前記モデルとの比較に基づいて、前記内的要因の障害の有無を判別する、
ことを特徴とする付記２１に記載の推定プログラム。

（付記２３）前記判別する処理は、前記基準モデルと、作成した前記モデルとの間に有意差がある場合に、前記内的要因の障害が有るものと判別する、
ことを特徴とする付記２２に記載の推定プログラム。

（付記２４）前記判別する処理は、作成した前記モデルにおいて、前記外的要因の特徴に時系列に伴うゆらぎがある場合に、前記内的要因の障害が有るものと判別する、
ことを特徴とする付記２１乃至２３のいずれか一に記載の推定プログラム。

（付記２５）前記姿勢は、前記対象者の歩行時の姿勢であり、
前記外的要因の特徴は、前記対象者の歩様である、
ことを特徴とする付記２１乃至２４のいずれか一に記載の推定プログラム。

（付記２６）前記内的要因の障害は、認知症である、
ことを特徴とする付記２１乃至２５のいずれか一に記載の推定プログラム。

１…学習装置
２…推定装置
３…コンピュータ
１０…収集部
１１…ユーザ情報ＤＢ
１１Ａ…ユーザ情報
１２…認知症判別部
１２Ａ…加齢モデル作成部
１２Ｂ…認知症推定部
１３…モデル学習部
２０…入力部
２１…認知症判別部
２２…推定部
２３…出力部
３０…加齢モデル情報
３１…学習モデル
４０…出力画面
４１…歩様表示領域
４２…モデル表示領域
４３…推定結果表示領域
１０１…ＣＰＵ
１０２…入力装置
１０３…モニタ
１０４…スピーカ
１０５…媒体読取装置
１０６…インタフェース装置
１０７…通信装置
１０８…ＲＡＭ
１０９…ハードディスク装置
１１０…バス
１１１…プログラム
１１２…各種データ
Ａ、Ｂ…対象者
Ｃ１～Ｃ６…姿勢
Ｄ１…サンプルデータ
Ｍ、Ｍ１、Ｍ２…加齢モデル
Ｍ３…認知症判定モデル
ＭＫ…基準モデル

Claims (7)

1. 対象者の姿勢と、前記対象者の歩様とを取得し、
   複数取得した異なる時点の前記歩様に基づいて、当該歩様に関する時系列のモデルを作成し、
   取得した前記姿勢と、作成した前記モデルとに基づいて、前記対象者が認知症を有するか否かを判別し、
   判別した前記認知症の有無と、取得した前記歩様とを説明変数とし、前記対象者が有する転倒リスクを目的変数とする学習を行う、
   処理をコンピュータが実行することを特徴とする学習方法。
2. 前記判別する処理は、前記姿勢ごとの加齢に応じた基準モデルの中の、取得した前記姿勢に対応する基準モデルと、作成した前記モデルとの比較に基づいて、前記認知症の有無を判別する、
   ことを特徴とする請求項１に記載の学習方法。
3. 前記判別する処理は、前記基準モデルと、作成した前記モデルとの間に有意差がある場合に、前記認知症が有るものと判別する、
   ことを特徴とする請求項２に記載の学習方法。
4. 前記判別する処理は、作成した前記モデルにおいて、前記歩様に時系列に伴うゆらぎがある場合に、前記認知症が有るものと判別する、
   ことを特徴とする請求項１乃至３のいずれか一項に記載の学習方法。
5. 前記姿勢は、前記対象者の歩行時の姿勢である、
   ことを特徴とする請求項１乃至４のいずれか一項に記載の学習方法。
6. 対象者の姿勢と、前記対象者の歩様とを取得し、
   複数取得した異なる時点の前記歩様に基づいて、当該歩様に関する時系列のモデルを作成し、
   取得した前記姿勢と、作成した前記モデルとに基づいて、前記対象者が認知症を有するか否かを判別し、
   前記認知症の有無と、前記歩様とを説明変数とし、転倒リスクを目的変数として学習した学習モデルに、判別した前記認知症の有無と、取得した前記歩様とを適用して前記対象者の転倒リスクを推定する、
   処理をコンピュータが実行することを特徴とする推定方法。
7. 対象者の姿勢と、前記対象者の歩様とを取得し、
   複数取得した異なる時点の前記歩様に基づいて、当該歩様に関する時系列のモデルを作成し、
   取得した前記姿勢と、作成した前記モデルとに基づいて、前記対象者が認知症を有するか否かを判別し、
   判別した前記認知症の有無と、取得した前記歩様とを説明変数とし、前記対象者が有する転倒リスクを目的変数とする学習を行う、
   処理をコンピュータに実行させることを特徴とする学習プログラム。

Images