JP7326927B2 - 学習装置、リハビリ支援システム、方法、プログラム、及び学習済みモデル - Google Patents

Description

本発明は、学習装置、リハビリ支援システム、方法、プログラム、及び学習済みモデルに関する。

患者等の訓練者は、リハビリテーション（リハビリ）を行うに際し、歩行訓練装置等のリハビリ支援システムを利用することがある。歩行訓練装置の例として、特許文献１には、訓練者の脚部に装着されて訓練者の歩行を補助する歩行補助装置を備えた歩行訓練装置が開示されている。

訓練者がリハビリを行うに際し、リハビリ支援システムによっては、訓練者の補助として医師、理学療法士等の訓練スタッフが付き添い、訓練者への声掛けや手の差し伸べ、さらにはそのリハビリ支援システムの設定操作を行うことがある。

特許第６０５２２３４号公報

ところで、良い訓練成果を得るためには、訓練スタッフによるリハビリ支援システムの設定操作は、リハビリ支援システムによる訓練者への適切なアシストができるようになされる必要がある。また、その設定操作のタイミング、つまりアシストの追加又は除去やアシストの度合いの変更のタイミングも、訓練成果に影響を与えることになる。よって、そのような設定操作のために、訓練スタッフは、訓練者にどのようなアシストをさせるべきかの取捨選択の判断や、適切なアシストの度合いやタイミングの判断を行う必要がある。さらに、訓練スタッフは、訓練者にどのような声掛けをどのようなタイミングで行うべきかの判断やどのようなタイミングで手を差し伸べるべきかの判断を行う必要がある。

上述のような設定操作等の補助を適切に行うためには、訓練スタッフは、訓練者の症状、身体能力、回復度などの指標データを把握しておくことが望まれるが、今後の指標データを予測することができれば、より適切な補助を行うことができる。

本発明は、このような問題を解決するためになされたもので、訓練者がリハビリ支援システムを利用してリハビリを実行する際に、その訓練者の指標データの変化を予測することが可能な学習モデルを生成する学習装置等を提供するものである。

本発明の第１の態様に係る学習装置は、訓練者がリハビリ支援システムを利用し実行したリハビリテーションについての、前記訓練者の症状、身体能力、及び回復度の少なくとも１つを示す指標データと、前記リハビリ支援システムでリハビリテーション実施中に取得された前記訓練者の訓練データと、を少なくとも含む、所定期間毎のリハビリデータを入力し、前記指標データの変化を予測するための学習モデルを生成する学習部を備え、前記学習部は、前記指標データが所定の目標レベルに到達するまでのデータを教師データとして、前記学習モデルを生成する。これにより、訓練者がリハビリ支援システムを利用してリハビリを実行する際に、その訓練者の指標データの変化を予測することが可能な学習モデルを生成することができる。

前記学習装置は、複数の訓練者のリハビリデータの中から、訓練者の訓練開始初期での指標データが示す状態が所定レベルである訓練者のリハビリデータを抽出する抽出部をさらに備え、前記学習部は、前記抽出部で抽出されたリハビリデータを入力として、前記学習モデルを前記所定レベルの訓練者用に生成するよう構成することができる。これにより、訓練開始初期の指標データが所定レベルの訓練者用の、指標データの変化予測を行うように、学習モデルを構築することができる。
前記抽出部は、訓練者の訓練開始初期での指標データと前記訓練者の指標データが所定レベルにある指標データとの組合せが所定の組合せである、訓練者のリハビリデータを抽出することもできる。これにより、指標データが訓練開始初期と現段階とで所定の組合せである訓練者用の、指標データの変化予測を行うように、学習モデルを構築することができる。

前記訓練データは、前記訓練者がリハビリテーションを実施する際の前記リハビリ支援システムにおける設定パラメータを含むこともできる。これにより、設定パラメータを考慮して指標データの変化を予測することが可能なように、学習モデルを構築することができる。
前記リハビリデータは、前記訓練者の特徴を示す訓練者データを含むこともできる。これにより、訓練者の特徴を考慮して指標データの変化を予測することが可能なように、学習モデルを構築することができる。

前記学習モデルは、前記指標データが前記所定の目標レベルに向かう変化パターンを予測するためのモデルとすることができる。これにより、変化パターンを出力できるような学習モデルを構築することができる。
前記学習モデルは、前記指標データが示す指標レベル毎に、一段階異なるレベルの演算結果を再帰的に反映させるモデルとすることができる。これにより、指標レベルが変化する時点を出力できるような学習モデルを構築することができる。

特に、前記学習モデルはＲＮＮ（Recurrent Neural Network）を有するモデルとすることができる。これにより、汎用的なアルゴリズムで学習モデルを構築することができる。
特に、前記学習モデルは、ＬＳＴＭ（Long Short-Term Memory）ブロックを有するモデルとすることができる。これにより、ＲＮＮを有するモデルにおける勾配消失問題を緩和することができるようになる。

本発明の第２の態様に係るリハビリ支援システムは、第１の態様に係る学習装置で学習された学習モデルである学習済みモデルにアクセス可能なリハビリ支援システムであって、前記学習済みモデルに、訓練を開始する又は実施中の訓練者の、前記指標データ及び前記訓練データを少なくとも含むリハビリデータを入力し、前記指標データの変化を予測する予測部と、前記予測部で予測された前記指標データの変化を提示する提示部と、を備える。これにより、訓練者がリハビリ支援システムを利用してリハビリを実行する際に、それを補助する訓練スタッフが訓練者の指標データの予測結果を確認しながらリハビリ支援を行うことができる。

特に、本発明の第２の態様に係るリハビリ支援システムは、前記抽出部を備えた第１の態様に係る学習装置で学習された学習モデルである学習済みモデルにアクセス可能なリハビリ支援システムであって、前記訓練者を指定する指定部と、前記指定部で指定された訓練者の指標データに対応する学習済みモデルに、前記指定部で指定された訓練者の前記訓練データを少なくとも含むリハビリデータを入力し、前記指標データの変化を予測する予測部と、前記予測部で予測された前記指標データの変化を提示する提示部と、を備えることもできる。これにより、訓練者がリハビリ支援システムを利用してリハビリを実行する際に、それを補助する訓練スタッフが、訓練開始初期の指標データが所定レベルの訓練者用に予測した指標データの変化を確認しながらリハビリ支援を行うことができる。

本発明の第３の態様に係る学習方法は、訓練者がリハビリ支援システムを利用し実行したリハビリテーションについての、前記訓練者の症状、身体能力、及び回復度の少なくとも１つを示す指標データと、前記リハビリ支援システムでリハビリテーション実施中に取得された前記訓練者の訓練データと、を少なくとも含む、所定期間毎のリハビリデータを入力し、前記指標データの変化を予測するための学習モデルを生成する学習ステップを有し、前記学習ステップは、前記指標データが所定の目標レベルに到達するまでのデータを教師データとして、前記学習モデルを生成する。これにより、訓練者がリハビリ支援システムを利用してリハビリを実行する際に、その訓練者の指標データの変化を予測することが可能な学習モデルを生成することができる。

本発明の第４の態様に係るリハビリ支援方法（リハビリ支援システムの作動方法）は、第３の態様に係る学習方法で学習された学習モデルである学習済みモデルにアクセス可能なリハビリ支援システムにおけるリハビリ支援方法であって、前記学習済みモデルに、訓練を開始する又は実施中の訓練者の、前記指標データ及び前記訓練データを少なくとも含むリハビリデータを入力し、前記指標データの変化を予測する予測ステップと、前記予測ステップで予測された前記指標データの変化を提示する提示ステップと、を有する。これにより、訓練者がリハビリ支援システムを利用してリハビリを実行する際に、それを補助する訓練スタッフが訓練者の指標データの予測結果を確認しながらリハビリ支援を行うことができる。

本発明の第５の態様に係るプログラムは、コンピュータに、訓練者がリハビリ支援システムを利用し実行したリハビリテーションについての、前記訓練者の症状、身体能力、及び回復度の少なくとも１つを示す指標データと、前記リハビリ支援システムでリハビリテーション実施中に取得された前記訓練者の訓練データと、を少なくとも含む、所定期間毎のリハビリデータを入力し、前記指標データの変化を予測するための学習モデルを生成する学習ステップを実行させるためのプログラムであって、前記学習ステップは、前記指標データが所定の目標レベルに到達するまでのデータを教師データとして、前記学習モデルを生成する。これにより、訓練者がリハビリ支援システムを利用してリハビリを実行する際に、その訓練者の指標データの変化を予測することが可能な学習モデルを生成することができる。

本発明の第６の態様に係るリハビリ支援プログラムは、第５の態様に係るプログラムで学習された学習モデルである学習済みモデルにアクセス可能なリハビリ支援システムのコンピュータに、前記学習済みモデルに、訓練を開始する又は実施中の訓練者の、前記指標データ及び前記訓練データを少なくとも含むリハビリデータを入力し、前記指標データの変化を予測する予測ステップと、前記予測ステップで予測された前記指標データの変化を提示する提示ステップと、を実行させるためのリハビリ支援プログラムである。これにより、訓練者がリハビリ支援システムを利用してリハビリを実行する際に、それを補助する訓練スタッフが訓練者の指標データの予測結果を確認しながらリハビリ支援を行うことができる。

本発明の第７の態様に係る学習済みモデルは、第１の態様に係る学習装置で学習された学習モデル、第３の態様に係る学習方法で学習された学習モデル、及び、第５の態様に係るプログラムで学習された学習モデルのいずれかである。これにより、訓練者がリハビリ支援システムを利用してリハビリを実行する際に、その訓練者の指標データの変化を予測することが可能な学習済みモデルを提供することができる。

本発明により、訓練者がリハビリ支援システムを利用してリハビリを実行する際に、その訓練者の指標データの変化を予測することが可能な学習モデルを生成する学習装置を提供することができる。また、本発明により、生成された学習済みモデルを用いるリハビリ支援システム、その学習モデルを学習する方法及びプログラム、学習済みモデル、並びに、学習済みモデルを用いたリハビリ支援の方法及びプログラムを提供することができる。

実施形態１に係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。 図１のリハビリ支援システムにおける歩行補助装置の一構成例を示す概略斜視図である。 図１のリハビリ支援システムにおける歩行訓練装置のシステム構成例を示すブロック図である。 図１のリハビリ支援システムにおけるサーバの一構成例を示すブロック図である。 図４のサーバにおける学習処理の一例を説明するためのフロー図である。 図５の学習処理において使用する学習用データセットを説明するためのテーブルを示す図である。 図６のパラメータにおける変化パターンの例を示す図である。 図５の学習処理において用いる学習モデルの一例を説明するための図である。 図１のリハビリ支援システムにおけるリハビリ支援処理の一例を説明するためのフロー図である。 図９のリハビリ支援処理において訓練スタッフに提示される画像の例を示す図である。 実施形態３に係るリハビリ支援システムにおいて用いる学習モデルの一例を示す図である。 実施形態３に係るリハビリ支援システムにおいて用いる学習モデルの他の例を示す図である。 実施形態３に係るリハビリ支援システムにおいて用いる学習モデルの他の例を示す図である。 実施形態４に係るリハビリ支援システムにおいて用いる学習モデルの一例を示す図である。 実施形態４に係るリハビリ支援システムにおいて用いる学習モデルの他の例を示す図である。

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に係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。本実施形態に係るリハビリ支援システム（リハビリシステム）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。

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。ここで例示したように、訓練スタッフ９０１は人である。

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、他の構成の歩行訓練装置であってもよいし、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には、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を含むことができる。

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、後述する予測部５１０ａ、学習部５１０ｂ、及び応答処理部５１０ｃを備えることができ、この場合、上記の制御プログラムはこれらの部位５１０ａ～５１０ｃの機能を含む制御部５１０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。

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（予測結果提示処理を含む）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。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おり、予測部５１０ａ及び応答処理部５１０ｃは、サーバ５００にリハビリ支援処理の一部を実行させるために設けられている。

（リハビリデータ）
ここで、予測部５１０ａ、学習部５１０ｂ、及び応答処理部５１０ｃ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。上記（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く、或いは、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）～（４）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。

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。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。また、設定パラメータとしては、例えば、トレッドミルのベルトの傾斜［度］、歩行補助装置による関節の動きのアシスト［レベル］、歩行補助装置による関節の動きのアシスト又は振出しアシストを発生させる頻度、歩行の異常又は正常の判定条件（例えば判定閾値）、転倒又は転倒しそうであることの判定条件（例えば判定閾値）、歩行の異常又は正常に対応付けて報知する場合はその発生条件（発生頻度や発生閾値など）も挙げられる。ここで、報知とは、音、振動、表示などのいずれによる報知であってもよく、その一部又は全部を含んでもよい。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、訓練の難易度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。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。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。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。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。例えば、回復度は、歩行ＦＩＭ、平地歩行速度、ＳＩＡＳ等とすることができるがこれに限らず、また、身体能力は上述した以外にも杖の有無などを含めることもできる。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。例えば、上述のような指標データは、上記（３）の訓練者データに含まれないリハビリデータとして取り扱うこともできるし、上記（３）の訓練者データとそれに含まれないデータの双方として取り扱うこともできる。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の氏名又は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、或いは補助的な訓練スタッフであるのかを示す情報を含めておくことができる。そのような情報に加えて又はその代わりに、各スタッフデータには、管理用モニタ１３９における設定操作や画像の確認を行う訓練スタッフであるのか、或いは訓練者９００を手で支える役目だけの訓練スタッフであるのかを示す情報など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。

（学習段階：学習モデルの構築）
次に、サーバ５００の制御部５１０における学習段階（学習フェーズ）での処理について、図５～図９を併せて参照しながら説明する。図５は、サーバ５００における学習処理の一例を説明するためのフロー図である。図６は、その学習処理において使用する学習用データセットを説明するためのテーブルを示す図で、学習モデルに入出力されるパラメータの一例を示す図である。図７は、図６のパラメータにおける変化パターンの例を示す図である。また、図８は、上記の学習処理で用いる学習モデルの一例を説明するための図である。

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。制御部５１０は、上述のようなリハビリデータに含まれる情報のうち一部又は全部に適宜前処理を施し、学習部５１０ｂにおいて、処理後のデータを用いて機械学習を行い、未学習モデルから学習済みモデルを構築する。制御部５１０内の図示しない前処理部が前処理（下処理）を実行し、前処理後のデータを用いて学習部５１０ｂが機械学習を実行する。

より具体的には、学習部５１０ｂ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、所定期間毎のリハビリデータを入力し、指標データの変化を予測するための学習済みモデルを生成する。そして、ここで入力されるリハビリデータは、訓練者９００の症状、身体能力、及び回復度の少なくとも１つを示す指標データと、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、を少なくとも含む。無論、学習段階であるため、収集したリハビリデータ及び前処理後のデータには複数の訓練者９００についてのデータが含まれることになる。

上記所定期間とは、基本的に、時間的な長さ又は施行回数又は訓練回数などが予め定められた期間とすることができる。その他、指標データの値（例えば歩行ＦＩＭ）が少なくともｎ段階（ｎは正の整数）高いレベルに到達するまでの期間、少なくともｎ段階低いレベルに到達するまでの期間、方向を問わずにレベルが変化するまでの期間などを、上記所定期間とすることもできる。なお、少なくともｎ段階として説明しているのは、急にｎ＋１段階などｎ段階より多く変化することが生じ得るためである。また、前処理前のリハビリデータが上記所定期間毎のデータでない場合、前処理として、上記所定期間毎のリハビリデータになるように分割処理や統計処理などの処理を行うとよい。

そして、学習部５１０ｂは、指標データが所定の目標レベルに到達するまでのデータを教師データとして、機械学習を行い、学習済みモデルを生成する。つまり、ここで生成される学習済みモデルは、指標データが所定の目標レベルに到達することを示すようになるまでの、指標データの変化を予測（推定）する学習モデルである。無論、所定の目標レベルは、複数の目標レベルであっても、つまり生成される学習済みモデルは、複数の所定の目標レベルに到達するまでの変化を予測する学習モデルであってもよい。また、指標データの種類毎に別々の学習済みモデルを構築することもできる。また、各所定の目標レベルのそれぞれについて別々の学習済みモデルを構築することもできる。

上述のような学習済みモデルを生成する手順としては、まず、サーバ５００のデータ蓄積部５２０に、学習のためのデータ（又はその前処理のためのデータ）のセットを複数用意する。そのため、制御部５１０は、例えば、或る期間内に収集されたリハビリデータを１セットの学習データとしてデータ蓄積部５２０に蓄積する。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１セットの学習データとして用意してもよい。なお、以下の説明において、１セットの学習データを学習用データセット（単にデータセットとも称する）とする。１つのデータセットは、上述した所定期間毎のリハビリデータを含むことができ、１所定期間のリハビリデータであってもよい。

なお、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。無論、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。

また、１施行よりも短い期間で収集されたリハビリデータが１データセットとして用意されてもよく、また、１施行より長い期間で収集されたリハビリデータが１データセットとして用意されてもよい。また、訓練スタッフ９０１が声掛け、設定パラメータの変更などを行うまでの間のデータが、１データセットとして用意されてもよい。さらには、指標データの或る値がｍ回（ｍは正の整数）変化するまでの間のデータが、１データセットとして用意されてもよい。

そして、制御部５１０の前処理部（図示せず）が、このようにして用意されたリハビリデータに対し、必要に応じて前処理してデータ蓄積部５２０に格納し、データ蓄積部５２０に格納された所定期間毎のリハビリデータを読み出す（ステップＳ１）。

ここでの読み出しから未学習モデルへの入力にかけての処理は、データセット毎に行われることができる。１つのデータセットには、上述したように所定期間のリハビリデータを１つのみ含むこともできるが、複数含むことが好ましい。複数含む場合、それらは或る訓練者９００が実施した訓練についての（好ましくは或る訓練者９００が或る訓練スタッフ９０１の補助により実施した訓練についての）一連のリハビリデータを所定期間毎に区切ったものとすることができる。

データセットの一例について、図６を用いて説明する。図６は、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、上述のように、指標データと訓練データとを少なくとも含むリハビリデータを有する。図６の例では、設定パラメータ、検出データ、訓練者データ、スタッフデータ、現在の歩行ＦＩＭ（現歩行ＦＩＭ）、及び歩行ＦＩＭ変化パターンが対応付けられて、１つのデータセットを構成している。１つのデータセットを構成するこれらの各種データは、所定期間毎の値であり、一意に決まる値でない場合、その所定期間で統計処理した結果としての代表値、平均値等の統計値とすることができる。

設定パラメータ及び検出データは訓練データの一例である。なお、訓練者データは指標データを含まない訓練者のデータとすることができるが、含むこともできる。訓練者データ及びスタッフデータは、これらの情報も結果に影響を与える可能性があるため含めている。現歩行ＦＩＭは、指標データの一例であり、歩行ＦＩＭであっても訓練を行わない段階での初期の歩行ＦＩＭを用いることもでき、無論、歩行ＦＩＭ以外の値を用いることや複数種類の指標データを用いることもできる。

歩行ＦＩＭ変化パターンは、正解ラベルとして含まれる、対象となっている１つのデータセット内で歩行ＦＩＭがどのように変化していったかを示すパターンであり、ここで示される値は変化パターンの種類を特定するための値である。

図６で例示した４つの歩行ＦＩＭ変化パターンの具体例については、例えば図７で示すようなものが挙げられる。図７の変化パターン１は、前半の停滞期から中間付近で急峻に大きい値となり後半で再び停滞期に入るパターンである。図７の変化パターン２は、前半であまり変化せず後半に急峻な変化をするパターンである。図７の変化パターン３は、前半に急峻な変化をし、歩行ＦＩＭの最高値（ここでは「７」）に到達しないパターンである。図７の変化パターン４は、中間付近まで一定に変化して後半に最高値で停滞期に入るパターンである。

例えば、歩行ＦＩＭについての所定の目標レベルを「５」とした場合、図７に例示する変化パターン１～４はいずれも教師データの正解ラベルとして使用することができる。例えば、歩行ＦＩＭについての所定の目標レベルを「７」とした場合、図７に例示する変化パターン１，２，４はいずれも教師データの正解ラベルとして使用することができるが、変化パターン３は正解ラベルとして使用しないことができる。但し、この場合でも、現実的には変化パターン３のような目標レベルまで到達しないこともあり得るため、変化パターン３を正解ラベルとして使用することが望ましい。図７では数週のパターンのみを例示しているが、無限週を考慮すれば、このような適用を行うことができる。つまり、歩行ＦＩＭについての所定の目標レベルを「７」とした場合でも、変化パターン３はいずれその目標レベルに到達するまでの過程に過ぎないと解釈できるため、変化パターン３を正解ラベルとして使用することができる。

正解ラベルの値のそれぞれが、未学習モデルの出力パラメータのそれぞれ（出力ノードのそれぞれ）に対応付けられることができる。実際、訓練は、訓練者９００によって様々な回復曲線で推移するため、変化パターンは、正確なものでなくてもよい。例えば、変化パターンはデータセットの制作者によって複数種類決められ、その中から最も近い変化パターンが、対象となる１つのデータセットについての正解ラベルとして決められることができる。無論、正解ラベルは、他種の指標データの変化パターンであっても、複数種類の指標データの組合せの変化パターンであってもよい。さらに、正解ラベルは、変化パターンに限ったものではなく、１又は複数種類の指標データの単なる最終結果など、指標データの変化が分かるものであればよい。

なお、図６では、説明の簡略化のため、設定パラメータ、検出データ、訓練者データ、及びスタッフデータ、現歩行ＦＩＭ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。但し、現歩行ＦＩＭに関して上述したように、実際には、設定パラメータ、検出データ、訓練者データ、及びスタッフデータ、現歩行ＦＩＭのそれぞれが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、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。検出データは、複数のセンサからの検出データを含んでもよい。訓練者データは、訓練者９００の性別、及び年齢等の２つ以上のデータを含んでいてもよい。スタッフデータは、上記したように、訓練スタッフ９０１の年齢、及び性別等の２つ以上のデータを含んでいてもよい。

また、上述したように、データセットは、検出データを含む場合、検出データの生データに限らず、検出データに所定の処理を施したデータを含んでいてもよい。例えば、一定期間に取得された検出データから抽出された特徴量を学習用データとしてもよい。例えば、データセットは、１施行における検出データの最大値、最小値、極大値、極小値、平均値などを含んでいてもよい。制御部５１０は、データ蓄積部５２０に蓄積された検出データから特徴量を算出してもよい。また、データ蓄積部５２０が特徴量を蓄積していてもよい。データ蓄積部５２０が検出データの生データを蓄積し、学習モデルが特徴量を算出する層を有していてもよい。

なお、１つのデータセットを生成するに際し、元となるリハビリデータに指標データ及び訓練データのいずれか一方又は双方が含まれないこともあるが、含まれない情報を直前の情報と同じ値を示す情報であると見做して含めるようにすることができる。また、リハビリデータは、訓練者９００が歩行訓練装置１００を利用し必要に応じて訓練スタッフ９０１に介助されながら実行したリハビリについてのデータとすることができ、そのためスタッフデータ及び訓練者データを含めた例を挙げている。指標データの変化は、介助（コミュニケーションも含む）によっても変わることや訓練者の特徴によっても変わることがあるためである。

次いで、前処理部は、読み出されたデータセット（所定期間毎のリハビリデータ）のうち、指標データが所定の目標レベルに到達するまでのリハビリデータを、教師データとして選択する（ステップＳ２）。ステップＳ２では、データ蓄積部５２０に格納された複数のデータセットの中から、複数のデータセットが教師データとして選択される。但し、ステップＳ２では、ここで選択される１つのデータセットに含まれる複数の所定期間についてのリハビリデータのうち、指標データが所定の目標レベルに到達した後の期間のリハビリデータを、教師データから除くこともできる。なお、図６で示すデータセットは、ステップＳ１の処理後のデータの例として挙げたが、ステップＳ２の処理後のデータの例としても挙げることができる。

そして、学習部５１０ｂは、このようにして用意した教師データを未学習モデルに入力して、学習済みモデルを生成（構築）する（ステップＳ３）。ここで、図６で例示するように、未学習モデルへの入力パラメータには、指標データ及び訓練データが含まれ、未学習モデルからの出力パラメータは、歩行ＦＩＭ変化パターンとして例示したように指標データの変化パターン（指標データの推移を示すパターン）とすることができる。

例えば、学習部５１０ｂは、図８に示すように、入力層５０１１と出力層５０１２との間に中間層（隠れ層ともいう）５０１３が設けられたニューラルネットワークにより学習モデルを構築することができる。入力層５０１１は、複数のノード５０１５を有しており、データセットに含まれる各データを入力とする。出力層５０１２は、複数の出力ノード５０１６を有し、各出力ノード５０１６の出力パラメータとして、各歩行ＦＩＭ変化パターンの確信度等と称される値を出力する。中間層５０１３は複数のノード５０１５を有している。各ノードは活性化関数を有している。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。学習モデル５０００は、指標データ及び訓練データ等を説明変数とし、歩行ＦＩＭ変化パターンを目的変数とするモデルとすることができる。無論、例えば図８の出力ノード５０１６のうちの最も確信度が高いノード番号（つまりパターン番号に対応）を出力する最終的な出力層をさらに設けておくこともできる。

ここで、学習部５１０ｂで学習させる未学習モデル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、図８で例示したように、中間層５０１３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。

学習部５１０ｂは、学習済みモデルの生成に際して、複数セットある教師データのそれぞれにつき、適切な回数を未学習モデルに入力する。例えば、教師データの一部のセット（学習のトレーニングデータ）で学習済みモデルを生成し、残りのセットをテストデータとして用いてその学習済みモデルの精度をチェックする。チェックの結果、精度が良ければそのまま実装し、精度が悪ければ前処理を変更する、或いはチューニングを行うなどの処理を実行した後、再度、学習済みモデルの生成、評価を行う。なお、精度をチェックするための評価データと最終的な精度をテストするためのテストデータとを双方用意しておくこともできる。また、学習済みモデルの生成に際して入力されるデータセットの項目に応じて、その項目を反映させた学習済みモデルを生成することができるようになる。

また、チューニングの対象となるハイパーパラメータは問わない。上記対象としては、例えば、ニューラルネットワークの層数、各層のユニット数（ノード数）、同じデータセットを使用した反復学習の回数（エポック数）、一度にモデルに渡す入力データの数（バッチサイズ）が挙げられる。また、上記対象としては、例えば、学習係数、活性化関数の種類なども挙げられる。なお、学習係数は、学習率とも称され、各層の重みを一度にどの程度変更するかを決める値とすることができる。

また、一部のリハビリデータは、画像データとして、ＣＮＮ（Convolutional Neural Network）における畳み込み層及びプーリング層を含むような特徴抽出部に入力させるようにすることもできる。画像データとしては、例えば訓練者９００をその姿勢が分かるように撮影した画像データなどが挙げられる。このような特徴抽出部を設けた場合、そこで特徴を抽出した結果を、他の入力パラメータと並列に全結合層に入力させるようにすることもできる。

以上のような処理により、訓練者９００が歩行訓練装置１００を利用してリハビリを実行する際に、その訓練者９００の指標データの変化を予測することが可能な学習モデルを生成することができる。制御部５１０は、構築した学習済みモデル（例えば学習モデル５０００）をモデル記憶部５２１に書き込む。なお、上述したように、指標データの種類毎や目標レベル毎に学習済みモデルを構築することもでき、その場合には複数の学習済みモデルがモデル記憶部５２１に格納されることとなる。

これにより、運用段階について後述するように、その学習済みモデルを利用した歩行訓練装置１００では、リハビリ中に取得されたデータを入力パラメータとして逐次入力していき、予測された指標データ変化を提示することが可能になる。よって、訓練スタッフ９０１がその提示された情報を活かし、設定パラメータの変更等の訓練者９００への補助（リハビリ支援）を行うことが可能になる。

また、上述したように、訓練データは、訓練者９００がリハビリを実施する際の歩行訓練装置１００における設定パラメータを含むことが好ましい。これにより、設定パラメータを考慮して指標データの変化を予測することが可能なように、学習モデルを構築することができる。

また、上述したように、リハビリデータは、訓練者９００の特徴を示す訓練者データを含むことができる。ここで、訓練者９００の特徴とは、身長、体重、性別、疾患、症状などが挙げられ、訓練者データにはこのような特徴を示す身体情報を含むことができる。これにより、訓練者９００の特徴を考慮して指標データの変化を予測することが可能なように、学習済みモデルを構築することができる。特に、この訓練者データは、訓練者９００の疾患（病名又は疾患名）及び症状の少なくとも一方を示す症状データを含むことが好ましい。訓練者９００の疾患や症状に応じて、予測結果が異なることが予想されるためである。症状データは、上述した症状情報が記述されたデータである。特に、歩行訓練の場合、この症状データに含める症状としては、例えば、体幹後方移動、体幹前傾、体幹患側移動、膝関節屈曲、つま先離地困難、遊脚保持困難、体幹後傾、骨盤後退、下肢前傾、膝関節伸展、膝関節屈曲位、振出しが挙げられる。また、この症状データに含める症状としては、例えば、体幹健側移動、伸び上がり、骨盤挙上、股関節外旋、ぶん回し（分回し）、内側ホイップなども挙げられる。

また、リハビリデータは、訓練者９００の特徴のほか（又は特徴に含める概念として）、歩行訓練装置１００に入力された、訓練者９００の好みを示すデータを含むこともできる。

また、上述したように、学習部５１０ｂで生成される学習済みモデルは、指標データが所定の目標レベルに向かう変化パターンを予測するためのモデルとすることができる。これにより、変化パターンを出力できるような学習モデルを構築することができる。

また、制御部５１０は、複数の訓練者のリハビリデータの中から、訓練者の訓練開始初期での指標データ（初期データ）が示す状態が所定レベル（所定状態）である訓練者のリハビリデータを抽出する抽出部をさらに備えることが好ましい。この抽出部は、前処理部の一部として、或いは学習部５１０ｂに含めて構成することができ、例えば、初期症状で層別するなどの処理を行うように構成することができる。抽出された結果のリハビリデータは、データ蓄積部５２０に格納しておけば、学習時に読み出すことができる。

そして、学習部５１０ｂは、抽出部で抽出されたリハビリデータについてのデータセットを入力として、学習済みモデルを上記所定レベルの訓練者用に生成する。これにより、訓練開始初期の指標データが上記所定レベルの訓練者用の、指標データの変化予測を行うように、学習済みモデルを構築することができる。

また、上記の抽出部は、次のような訓練者９００のリハビリデータを抽出するように構成することもできる。即ち、この訓練者９００は、訓練者９００の訓練開始初期での指標データと訓練者９００の指標データ（現段階等の抽出対象段階での指標データ）が所定レベルにある指標データとの組合せが所定の組合せであるような者を指す。これにより、指標データが訓練開始初期と現段階とで所定の組合せである訓練者用の、指標データの変化予測を行うように、学習済みモデルを構築することができる。

（運用段階：学習モデルの利用）
次に、歩行訓練装置１００及びサーバ５００における運用段階（推論フェーズ）での処理について説明する。上述したように、歩行訓練装置１００は、学習済みモデルにアクセス可能に構成されることで、その学習済みモデルを利用できるようになっている。なお、学習済みモデルは、学習済みモジュールと称することもできる。運用段階では主に歩行訓練装置１００とそれにネットワーク接続されたサーバ５００とが協働して、つまりリハビリ支援システムとして、リハビリ支援処理を行う。

上述の学習済みモデルを運用するために、主に、歩行訓練装置１００は、次のような予測取得部及び提示部を有し、サーバ５００は、予測部５１０ａと学習済みモデルを記憶したモデル記憶部５２１とを有することができる。予測取得部は、例えば、入出力制御部２１０ｃ及び入出力ユニット２３１を有することができる。提示部は、通知制御部２１０ｄを有することができ、表示制御部２１３、管理用モニタ１３９、訓練用モニタ１３８、図示しない音声制御部及びスピーカ等を有することができる。

歩行訓練装置１００の予測取得部は、入力パラメータとして、訓練を行う（訓練を開始する又は実施中の）訓練者９００についての、訓練データ及び指標データを少なくとも含むリハビリデータを取得する。ここで取得される訓練データは、この時点で言うところの過去のデータを含むことができるが、この時点での設定パラメータなど、存在する情報だけであってもよい。また、ここで取得される指標データには、現歩行ＦＩＭなど、現在の指標データを少なくとも含むことが好ましいが、その代わりに又はそれと併せて、過去の指標データを含むこともできる。

そして、予測取得部は、取得したリハビリデータをサーバ５００に送信し、サーバ５００側に指標データの変化の予測を実行させ、サーバ５００から返信された予測結果を示す情報を得ることができる。

この予測は、主にサーバ５００の予測部５１０ａにより実行されることができる。予測部５１０ａは、学習済みモデルに、訓練を開始する又は実施中の訓練者９００の、指標データ及び訓練データを少なくとも含むリハビリデータを入力し、指標データの変化を予測する。

そのため、予測部５１０ａは、応答処理部５１０ｃを介してリハビリデータを入力し、モデル記憶部５２１に記憶された学習済みモデルを稼動させ、そのリハビリデータのうち必要な一部又は全部を入力パラメータとして入力する。学習済みモデルに入力するリハビリデータは、事前に制御部５１０の前処理部又は予測取得部により、所定期間毎のリハビリデータになるように、必要に応じて前処理が施されているものとする。予測部５１０ａは、このような入力に対して学習済みモデルから出力された各出力パラメータの値（例えば確信度）を受け取り、その中で最も確信度が高い歩行ＦＩＭ変化パターンとして予測されたパターンを示す結果を予測結果として出力する。予測部５１０ａは、応答処理部５１０ｃを介して歩行訓練装置１００にこの予測結果を送信する。なお、応答処理部５１０ｃは、歩行訓練装置１００との通信を、通信ＩＦ５１４を介して行うことになる。

歩行訓練装置１００の予測取得部は、予測部５１０ａから出力された予測結果をサーバ５００側から受け取る。歩行訓練装置１００の提示部は、予測取得部で得られた予測結果（最も確信度が高い歩行ＦＩＭ変化パターンなど、予測された指標データの変化）を提示する。この提示は、例えば管理用モニタ１３９に画像として表示させることやスピーカから音声で出力させることなどにより、実施することができる。

これにより、訓練者９００が歩行訓練装置１００を利用してリハビリを実行する際に、それを補助する訓練スタッフ９０１が訓練者９００の指標データの予測結果を確認しながらリハビリ支援を行うことができる。

具体的に、図９及び図１０を併せて参照しながら、歩行訓練装置１００及びサーバ５００を含むリハビリシステムにおけるリハビリ支援処理の例について説明する。図９は、サーバ５００におけるリハビリ支援処理の一例を説明するためのフロー図である。図１０は、図９のリハビリ支援処理において訓練スタッフ９０１に提示される画像の例を示す図である。

まず、歩行訓練装置１００の入出力制御部２１０ｃは、入力パラメータとなり得る取得されたリハビリデータを、入出力ユニット２３１を介してサーバ５００に出力する。サーバ５００の応答処理部５１０ｃは、通信ＩＦ５１４を介してこのデータを受信した場合（ステップＳ１１でＹＥＳの場合）、応答処理を開始する。応答処理部５１０ｃは、受信したデータを予測部５１０ａに渡す。ここでリハビリデータが所定期間毎のデータでないような受信形態を採用する場合、応答処理部５１０ｃは、受信したデータを図示しない前処理部に渡し、前処理部が所定期間毎のデータにして予測部５１０ａに渡す。予測部５１０ａは、所定期間毎のリハビリデータを解析して複数の項目データに分け、それらの項目データのそれぞれを、モデル記憶部５２１内の学習済みモデルにおける入力層の入力パラメータのそれぞれとして出力する（ステップＳ１２）。

予測部５１０ａは、学習済みモデルを稼動させて演算を実行し、出力層からの各出力パラメータを判定することで、変化パターン（ここでは歩行ＦＩＭ変化パターンで例示）として予測された出力が存在したか否かを判定する（ステップＳ１３）。なお、出力パラメータの判定は、出力パラメータの値をそれぞれについて予め用意した閾値（或いは共通の閾値）で閾値処理することで行うことができる。この閾値は所定の確信度に相当し、変化パターンにより所定の確信度は異ならせることができる。無論、単純に出力パラメータの値を０と１の２値しかないようなモデルの場合には０か１かを判定すれば済む。

予測部５１０ａは、ステップＳ１３でＹＥＳの場合、例えば、或る出力パラメータが所定の確信度を超えた場合、その超えた出力パラメータに対応する歩行ＦＩＭ変化パターンを示す情報を、応答処理部５１０ｃに渡す。そして、応答処理部５１０ｃは、この情報を、通信ＩＦ５１４を介して歩行訓練装置１００側に返信する（ステップＳ１４）。返信する情報は、歩行訓練装置１００へのコマンドとすることができる。予測部５１０ａは、ステップＳ１３でＮＯの場合、ステップＳ１４を経ずに後述のステップＳ１５へ進む。

このように、ステップＳ１３，Ｓ１４において、予測部５１０ａが学習済みモデルを稼動させて演算を実行し、出力層からの出力パラメータのうち、閾値より高い確信度として出力された出力パラメータに対応する歩行ＦＩＭ変化パターンについて、応答処理部５１０ｃがそれに対応するコマンドを生成する。一方で、予測部５１０ａは、それ以外については、特に処理を行わない。つまり、応答処理部５１０ｃは、演算結果によってはコマンドを全く出力しないこともある。なお、コマンドの生成は、応答処理部５１０ｃが、例えば、予め記憶されたコマンド群の中から出力パラメータに対応する（出力ノードに対応する）コマンドを読み出すことで行うことができる。学習済みモデルの出力パラメータのそれぞれ（出力ノードのそれぞれ）に、コマンドを予め対応付けておけばよい。また、コマンドは、単に出力パラメータを示す情報（例えば出力層の何番目のノードであるかを示す情報）を示すだけのものであっても、歩行訓練装置１００側で解釈できるように構成しておけばよい。応答処理部５１０ｃは、生成したコマンドを、通信ＩＦ５１４を介して歩行訓練装置１００側に送信する。

ステップＳ１４の処理後、応答処理部５１０ｃは、リハビリデータの受信が終了したか否かを判定し（ステップＳ１５）、終了した場合には処理を終了し、終了していない場合にはリハビリ継続中としてステップＳ１２に戻る。

歩行訓練装置１００では、入出力制御部２１０ｃがステップＳ１４で送信されたコマンドを受信し、通知制御部２１０ｄに渡す。通知制御部２１０ｄは、表示制御部２１３又は図示しない音声制御部などに対して、このコマンドに応じた通知制御を行う。通知制御部２１０ｄでは、サーバ５００側から送信される可能性のあるコマンド群のそれぞれに対応する通知制御を記憶しておけばよい。

通知制御部２１０ｄは、表示制御部２１３に対し、例えばコマンドに応じた画像を管理用モニタ１３９で表示させるための表示制御信号を、管理用モニタ１３９に出力させる。例えば、通知制御部２１０ｄは、図１０に示すＧＵＩ（Graphical User Interface）画像を管理用モニタ１３９に表示させることができる。

ＧＵＩ画像１３９ａは、管理用モニタ１３９において表示されるか、或いは、ポップアップ画像として重畳される画像である。ＧＵＩ画像１３９ａには、時間経過（経過週数）に対する歩行ＦＩＭの変化を示すグラフが含まれ、さらに図示するように現在の歩行ＦＩＭ及び時間（週数）を示しておくことが望ましい。なお、ここでは、歩行ＦＩＭの予測のみを行った例を挙げているが、他の指標データについても同様であり、また複数種類の指標データについて同時に予測した場合にはそれらを、例えば同じグラフ上で又は異なるグラフ上で同時に提示することもできる。

また、通知制御部２１０ｄは、上記音声制御部に対し、例えばコマンドに応じた音声をスピーカから出力させるための音声制御信号を、そのスピーカに出力させることもできる。但し、訓練者９００にこの音声を聞き取らせないようにするために、訓練スタッフ９０１が耳等に装着したワイヤレスのイヤホン（骨伝導イヤホンでもよい）などをこのスピーカとすることもできる。無論、通知制御部２１０ｄは、表示出力とともに音声出力を行うような構成を採用することもできる。

このような処理により、訓練者９００が歩行訓練装置１００を利用してリハビリを実行する際に、それを補助する訓練スタッフ９０１が予測された指標データの変化を確認しながらリハビリ支援を行うことができる。例えば、訓練を継続しても指標データの上昇が一時的に停滞する停滞状態（プラトー）を予測することができ、それにより訓練スタッフ９０１は、訓練を途中で辞めるか、設定パラメータを変更するかなどの判断を行うことができる。また、学習済みモデルがサーバ５００に存在するため、複数の歩行訓練装置１００で共通の学習済みモデルを使用した運用が可能となる。

以上では、歩行訓練装置１００の予測取得部が、予測部５１０ａを用いて予測結果を得る例を挙げた。この予測取得部は、予測結果を得る部位であるため、予測部と称することもできる。但し、歩行訓練装置１００は入力パラメータとなるリハビリデータを取得してサーバ５００側に送信して返信を待つだけで、サーバ５００側の予測部５１０ａが単独で予測を実行することもできる。

また、歩行訓練装置１００は、上述した抽出部を利用して初期データが示す状態毎に作成された学習済みモデルにアクセス可能に構成することもできる。この例では、モデル記憶部５２１にそれらの学習済みモデルを記憶させておくことができる。その場合、歩行訓練装置１００は、次の指定部をさらに備えることができる。この指定部は、訓練者９００を、例えば初期での指標データで、又はそれに関連付けた氏名で指定する。この指定部は、管理用モニタ１３９に表示させ、このような指定を受け付けるＧＵＩ画像を有することができる。

予測取得部は、指定部で指定された訓練者９００の指標データに対応する学習済みモデルに、指定部で指定された訓練者９００の訓練データを少なくとも含むリハビリデータを入力し、指標データの変化を予測してその結果を得る。得られる結果は、その訓練者９００に合った所定レベルの訓練者用の結果となる。提示部は、予測取得部で取得された、予測された指標データの変化を提示する。

このような処理により、訓練者９００が歩行訓練装置１００を利用してリハビリを実行する際に、それを補助する訓練スタッフ９０１が、訓練開始初期の指標データが所定レベルの訓練者用に予測した指標データの変化を確認しながらリハビリ支援が可能となる。

また、指標データの種類毎に別々の学習済みモデルを構築した場合には、歩行訓練装置１００は、これらの学習済みモデルにアクセス可能に構成することができる。その場合、歩行訓練装置１００は、予測したい指標データの種類を指定する種類指定部を備えることができる。この種類指定部は上述した指定部と、その指定対象が異なるだけで基本的に同様の構成とすることができる。そして、同様にして、提示部は、指定された種類の指標データを予測する学習済みモデルから予測取得部で取得された、予測された指標データの変化を提示することができる。

各所定の目標レベルのそれぞれについて別々の学習済みモデルを構築した場合には、歩行訓練装置１００は、これらの学習済みモデルにアクセス可能に構成することができる。その場合、歩行訓練装置１００は、予測したい所定の目標レベルを指定するレベル指定部を備えることができる。このレベル指定部は上述した指定部と、その指定対象が異なるだけで基本的に同様の構成とすることができる。そして、同様にして、提示部は、指定された所定の目標レベルになるまでの指標データを予測する学習済みモデルから予測取得部で取得された、予測された指標データの変化を提示することができる。また、その説明を省略するが、指標データの種類毎且つ所定の目標レベル毎などにより異なる学習済みモデルを構築した場合にも同様である。

（効果）
以上のように、本実施形態によれば、訓練者９００が歩行訓練装置１００を利用してリハビリを実行する際に、その訓練者９００の指標データの変化を予測することが可能な学習済みモデルを生成することができる。また、本実施形態に係る歩行訓練装置１００によれば、そのように生成された学習済みモデルにアクセス可能であるため、その学習済みモデルを用い、訓練スタッフ９０１が訓練者９００の指標データの予測結果を確認しながらリハビリ支援を行うことができる。これにより、訓練スタッフ９０１は、訓練者９００に最適なタイミングで訓練を終了させるようなこと、つまり訓練者９００の機会損失を低減させることができる。

（方法、プログラムに関する補足）
本実施形態では、上述の説明から分かるように、次の学習ステップを有する学習方法を提供することもできる。学習ステップは、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、所定期間毎のリハビリデータを入力し、訓練者９００の症状、身体能力、及び回復度の少なくとも１つを示す指標データの変化を予測するための学習モデルを生成する。このリハビリデータは、上述のように、指標データと、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、を少なくとも含む。また、学習ステップは、指標データが所定の目標レベルに到達するまでのデータを教師データとして、学習モデルを生成する。

本実施形態では、上述の説明から分かるように、上述の学習方法で学習された学習モデルである学習済みモデルにアクセス可能な歩行訓練装置１００におけるリハビリ支援方法（歩行訓練装置１００の作動方法）を提供することもでき、この方法は次の予測ステップ及び提示ステップを有する。予測ステップは、学習済みモデルに、訓練を行う訓練者９００の、指標データ及び訓練データを少なくとも含むリハビリデータを入力し、指標データの変化を予測する。提示ステップは、予測ステップで予測された指標データの変化を提示する。

本実施形態では、上述の説明から分かるように、コンピュータに、上述の学習ステップを実行させるためのプログラム（学習プログラム）を提供することもできる。また、本実施形態では、当然ながら、学習装置で学習された学習済みモデル、学習方法で学習された学習済みモデル、学習プログラムで学習された学習済みモデルを提供することもできる。また、本実施形態では、上述の説明から分かるように、上述のような学習済みモデルにアクセス可能な歩行訓練装置１００のコンピュータに、上述の予測ステップ及び提示ステップを実行させるためのリハビリ支援プログラムを提供することもできる。

＜実施形態２＞
実施形態２について、その効果も含め実施形態１と異なる点を説明する。特に説明しないが、本実施形態においても、実施形態１の様々な例が適用できる。

本実施形態に係る学習装置では、前処理として訓練を開始してからの期間毎にリハビリデータを分けて学習済みモデルを生成する。そして、本実施形態に係る歩行訓練装置１００では、そのようにして学習させた学習済みモデルで予測を行う。

学習段階において、学習部５１０ｂは、所定期間毎のリハビリデータを未学習モデルに入力するが、上記所定期間より長い他の所定期間（上記所定期間×Ｎなど）になるまでの、指標データの変化を予測する学習済みモデルを生成する。ここでＮは２以上の整数とする。そのため、学習部５１０ｂは、上記他の所定期間までのリハビリデータ（又はそれを少なくとも含むリハビリデータ）を教師データとして、学習済みモデルを生成する。

例えば、訓練開始から２週目まで、訓練開始から４週目まで、などといった具合にリハビリデータを複数種類用意しておき、それぞれのリハビリデータのみを用いてそれぞれ異なる学習済みモデルを構築する。いずれの種類の学習済みモデルを構築するに際しても、教師データとして入力されるリハビリデータは、指標データが所定の目標レベルに到達するまでのデータであり、実施形態１と異なる点は上記他の所定期間までのデータである点である。よって本実施形態でも、実施形態１と同様に、未学習モデルに入力されるリハビリデータには、指標データ（予測する対象の種類のデータを含む）と訓練データとを含む。そして、例えば訓練開始から２週目までについての学習済みモデルは、訓練開始から２週目までのリハビリデータのうち、指標データが所定の目標レベルに到達するまでのデータを教師データとして生成される。

本実施形態は、換言すれば、実施形態１において、学習済みモデルを構築するに際し、入力される所定期間毎のリハビリデータのうち、上記他の所定期間に含まれない期間のリハビリデータを無視し、未学習モデルに入力することに相当する。

これにより、運用段階では、例えば、訓練開始から４週目までのリハビリデータにより構築された学習済みモデルを用いて、訓練開始から４週目の指標データ（例えば歩行ＦＩＭ等）を予測し、その予測結果を提示することができる。この場合の提示は、例えば、音声又は画像により、４週目の指標データの値についてだけ行うことができる。但し、本実施形態においても、図１０で例示したＧＵＩ画像１３９ａと同様に４週目を含む各週にわたる変化パターンを全て提示することもできる。

また、上述したように、本実施形態は、実施形態１と同様に、指標データ（予測する対象の種類のデータを含む）と訓練データとを含む所定期間毎のリハビリデータを学習済みモデルに入力して学習させることができるが、次のような変形例も適用できる。即ち、本実施形態では、最初の段階（例えば上記他の所定期間のうち最初の２つの所定期間）ではリハビリデータのうち無視する種類のデータ（例えば或る設定パラメータ）があるような学習済みモデルにするような正解ラベルを用いることもできる。

このような学習済みモデルで運用することで、例えば、入力パラメータを３つとし、最初の２つの所定期間等の最初の段階では２種類のデータに基づき対象の指標データの変化が予測され、それ以降の段階では３種類のデータに基づき予測されることができる。

＜実施形態３＞
実施形態３について、図１１～図１３を併せて参照しながら説明する。図１１は、本実施形態に係るリハビリ支援システムにおいて用いる学習モデルの一例を示す図で、図１２及び図１３はいずれも学習モデルの他の例を示す図である。本実施形態では、実施形態１とは異なるアルゴリズムの学習モデルを用いる。その他の点はその効果も含めて実施形態１と同様であり、特に説明しないが、本実施形態においても実施形態１，２の様々な例が適用できる。

本実施形態で使用するアルゴリズムは、ニューラルネットワークとして、例えば、ＲＮＮ（Recurrent Neural Network）等の再帰的な構造をもつニューラルネットワークを用いることができる。これにより、汎用的なアルゴリズムで学習済みモデルを構築することができる。また、ＲＮＮを用いることで、現在と少し前の過去の状態に基づき、１つのデータセットの期間と保存ステップ数とから得られる期間だけを通して過去から予測される指標データの変化を適時出力する学習済みモデルが構築できる。そして、このような学習済みモデルを歩行訓練装置１００で利用し、時系列データを生かした出力を得ることができる。

ＲＮＮを有するような再帰的なモデルを用いる場合、学習部５１０ｂは、例えば、各所定期間について各時刻でのリハビリデータを逐次入力するために、１つのデータセットが時系列データを含むようにしてもよい。つまり、１つのデータセット（学習用データセット）は、時系列に沿ったログデータを含んでいてもよい。また、１つのデータセットは、上述したようにログデータから抽出された特徴量を含んでもよいし、時系列の検出データ等をデータ処理して得られた画像データを含んでもよい。

また、ＲＮＮは、ＬＳＴＭ（Long short-term memory）ブロックを有するように拡張したニューラルネットワーク（単にＬＳＴＭと称することもある）とすることもできる。これにより、ＲＮＮを有するモデルにおける勾配消失問題を緩和することができるようになる。

図１１で例示する学習モデル５１００は、入力層５１１１、中間層５１１３、及び複数の出力ノード５１１２の出力層を備えたＲＮＮとなっている。入力層５１１１には、時系列に沿ってデータセットが順次入力される。ＲＮＮである学習モデル５１００は、中間層５１１３の出力が、再度中間層５１１３に入力される。出力層の各出力ノード５１１２は、図８の例と同様に、例えば歩行ＦＩＭ変化パターンのそれぞれに対応させることができる。無論、例えば図１１の出力ノード５１１２のうちの最も確信度が高いノード番号を出力する１つの出力ノードを有する最終的な出力層をさらに設けておくこともできる。なお、ここでノード番号は、変化パターンの番号に対応するものである。

ここで出力パラメータとする変化パターンは歩行ＦＩＭの変化パターンで例示しているが、歩行ＦＩＭ以外の変化パターンとすることができ、また様々な種類の指標を含むこともできる。１種類の指標とする場合には、指標の種類毎に学習モデル５１００を構築すれば、各種類の予測結果を得ることができる。

学習モデル５１００を用いた運用時には、歩行訓練装置１００が、学習段階と同様のリハビリデータ（但し、正解ラベル無し）をサーバ５００へ出力して、予測部５１０ａがそれを学習モデル５１００へ入力し、その変化パターンの予測結果を得る。応答処理部５１０ｃは、その予測結果に対応するコマンドを歩行訓練装置１００へ返信する。歩行訓練装置１００がそのコマンドをサーバ５００から受信し、例えば管理用モニタ１３９に図１０で例示したように変化パターンを提示する。

図１２で例示する学習モデル５２００は、概略的に学習モデル５１００を時間方向に展開したモデルにおいて、上記所定期間を１週間とし、出力パラメータを各週の指標データとしたものである。例えば、０週目のデータは、訓練を開始する前のデータとし、１週目のデータは開始から１週間のデータとすることができる。なお、ここで出力パラメータとする指標データも、歩行ＦＩＭ等、様々な指標とすることができ、また様々な種類の指標を含むこともできる。１種類の指標とする場合には、指標の種類毎に学習モデル５２００を構築すれば、各種類の予測結果を得ることができる。

学習モデル５２００は、入力層５２１１、中間層５２１３、及び１つの出力ノード５２１２の出力層を備えた第１ＮＮ、並びに、入力層５２２１、中間層５２２３、及び１つの出力ノード５２２２の出力層を備えた第２ＮＮを接続してなる。さらに、学習モデル５２００は、入力層５２３１、中間層５２３３、及び１つの出力ノード５２３２の出力層を備えた第３ＮＮなど、さらなるＮＮを接続してなる。

第１ＮＮでは、入力層５２１１に０週目のデータが入力パラメータとして入力され、出力ノード５２１２からは１週目の指標データが出力パラメータとして出力される。出力ノード５２１２は、ノード５２１３のうちの最も確信度が高いノード番号を出力するノードとすることができる。第２ＮＮでは、入力層５２２１に１週目のデータと出力ノード５２１２からの出力パラメータが入力パラメータとして入力され、出力ノード５２２２からは２週目の指標データが出力パラメータとして出力される。出力ノード５２２２は、ノード５２２３のうちの最も確信度が高いノード番号を出力するノードとすることができる。以降のＮＮについても同様であり、学習モデル５２００では、予め定められた所定期間（ここでは週で例示）の数（１つのデータセットに含まれる所定期間数）に、又はそれに１を加算した数に、対応するＮＮが設けられる。

学習段階では、例えば、各ＮＮについて、実施形態１で説明したような教師データ（但し、そのＮＮに対応する週の教師データ）を使用し、各週のデータを対応するＮＮへ入力させて機械学習を行うことで、学習済みの学習モデル５２００を生成することができる。

また、例えば出力ノード５２１２の出力を入力層５２２１だけではなく入力層５２３１等の所定数の後段の入力層へ入力するなど（後段の出力ノードについても同様）により、ＬＳＴＭブロックを有するような構成とすることもできる。

学習モデル５２００を用いた運用時には、歩行訓練装置１００が、学習段階と同様のリハビリデータ（但し、正解ラベル無し）をサーバ５００へ出力して、予測部５１０ａがそれを週毎のデータに分けるなどして学習モデル５２００へ入力し、予測結果を得る。予測部５１０ａは、各出力パラメータの値を集計し、例えば図１０で例示したような変化パターンを描けるようなデータに整え、それに対応するコマンドを応答処理部５１０ｃが歩行訓練装置１００へ返信する。歩行訓練装置１００がそのコマンドを受信し、例えば管理用モニタ１３９に図１０で例示したように変化パターンを提示する。

図１３で例示する学習モデル５３００は、中間層に入力データを圧縮したい次元数のノードをそれぞれ用意したオートエンコーダ５３１０，５３１１，５３１２，５３１３、・・・を、各週分配列するモデルとすることができる。ここでも、図１２の例と同様に、上記所定期間として１週間を例示している。

学習モデル５３００に配列された各オートエンコーダ５３１０等は、入力層と中間層と出力層との３層で構成される３層パーセプトロンとすることができ、中間層の出力が外部への出力パラメータとして出力される。図示しないが、各オードエンコーダ５３１０等において、出力層では、入力層から入力される全ての入力パラメータを再現するような出力パラメータが出力されるような構造となり、そのうち全部又は一部が後段の入力層に入力される。各オードエンコーダ５３１０等において、前段の出力層の数とその後段の入力層の数とは同じであっても異なってもよい。

オートエンコーダ５３１０の入力層には、指標データが所定の目標レベルに到達するまでの、所定期間毎のデータセットが教師データとして入力される。なお、オートエンコーダは、教師なし学習に分類されることもあるが、ここでは、出力層の各出力パラメータの正解ラベルを、入力層の各入力パラメータとする教師有り学習に該当すると捉え、上記データセットを教師データとして入力すると説明している。

また、運用時のために、各オートエンコーダ５３１０等において、中間層からの出力パラメータのうちの最も確信度が高いノード番号（つまり指標レベルに対応）を出力する最終的な外部出力層をさらに設けておくこともできる。その場合、上記教師データを、この外部出力層についての正解ラベルを有するようにして、学習させることもできる。

このような構成により、オートエンコーダ５３１０は、例えば複数週に亘るリハビリデータ（訓練を開始する前のデータを含む）を入力パラメータ群として入力し、１週目の予測指標データを、中間層（又は上述の外部出力層）の出力パラメータとして出力できる。ここで、予測指標データは、予測された指標データの指標レベルとすることができる。オートエンコーダ５３１０における出力層の出力は後段のオートエンコーダ５３１１への入力となる。オートエンコーダ５３１１は、このような入力に対し、２週目の予測指標データを中間層（又は上述の外部出力層）の出力パラメータとして出力することができる。以降についても同様であり、学習モデル５３００は中間層からの出力パラメータの出力が必要な所定期間数分（例えば週数分）のオートエンコーダを有することができ、各所定期間経過後についての出力パラメータを得ることができる。なお、学習時には、各オートエンコーダ５３１０等のそれぞれに上記入力パラメータ群を入力してもよい。

このようなオートエンコーダを配列した学習モデル５３００により、例えば１週目に到達する、歩行ＦＩＭ等の指標データの指標レベルを推測すること、つまりそのデータセットの特徴として、各オートエンコーダ５３１０等の中間層から抽出することができる。

なお、学習モデル５３００は、中間層を分割しない４層以上のパーセプトロンなどの他の構成を採用することもできる。但し、多層のまま学習した場合、勾配消失問題によりうまく学習できないことがあるため、学習モデル５３００のように、３層のオートエンコーダに分割してそれぞれ別個に学習させることが好ましい。

学習モデル５３００を用いた運用時には、歩行訓練装置１００が、学習段階と同様のリハビリデータ（但し、正解ラベル無し）をサーバ５００へ出力して、予測部５１０ａがそれを学習モデル５３００へ入力し、予測結果を得る。予測部５１０ａは、各中間層の出力パラメータの値を集計し、例えば図１０で例示したような変化パターンを描けるようなデータに整え、それに対応するコマンドを応答処理部５１０ｃが歩行訓練装置１００へ返信する。歩行訓練装置１００がそのコマンドを受信し、例えば管理用モニタ１３９に図１０で例示したように変化パターンを提示する。

また、予測部５１０ａは、例えば歩行訓練装置１００から指定された所定期間数（この例では週数）について、それに対応するオートエンコーダの中間層の出力パラメータの値を得ることもできる。この場合、応答処理部５１０ｃは、それに対応するコマンドを歩行訓練装置１００へ返信する。そして、歩行訓練装置１００がそのコマンドを受信し、例えば管理用モニタ１３９に、指定された所定期間数とともに上記値（予測された歩行ＦＩＭ等の指標レベル）を提示する。

＜実施形態４＞
実施形態４について、図１４及び図１５を併せて参照しながら説明する。図１４は、本実施形態に係るリハビリ支援システムにおいて用いる学習モデルの一例を示す図で、図１５はそのような学習モデルの他の例を示す図である。本実施形態では、実施形態１～３とは異なるアルゴリズムの学習モデルを用いる。その他の点はその効果も含めて実施形態１～３と同様であり、特に説明しないが、本実施形態においても実施形態１～３の様々な例が適用できる。

本実施形態では、学習部５１０ｂは、指標データが示す指標レベル毎に、一段階低いレベルの演算結果を再帰的に反映させる学習モデルを生成する。但し、本実施形態では、上記所定期間を、予測対象の指標データの指標レベル（例えば歩行ＦＩＭの値）が１レベル上昇（増加）するまでの期間として捉える。ここで、増加するまでの期間とは、基本的に訓練者９００の能力が向上する（所定レベルだけレベルアップする）ことを指す。本実施形態により、指標レベルが増加する時点を出力できるような学習済みモデルを構築することができる。

図１４で例示する学習モデル５４００は、概略的に学習モデル５１００を時間方向に展開したモデルにおいて、上記所定期間を指標レベルが１つレベルアップするまでの期間とし、出力パラメータを各期間としたものである。例えば、指標レベル（レベル）１から２までのデータは、予測対象の指標データの指標レベルが１から２へレベルアップするまでのデータとすることができる。同様に、レベル２から３までのデータは予測対象の指標データの指標レベルが２から３へレベルアップするまでのデータとすることができる。以降についても同様である。また、データセットによっては、指標レベルが１より大きい値からしか存在しない場合があるが、その場合には、対応するＮＮへの入力のみとすることができる。なお、ここで予測対象とする指標データも、歩行ＦＩＭ等、様々な指標とすることができ、また様々な種類の指標を含むこともできる。１種類の指標とする場合には、指標の種類毎に学習モデル５２００を構築すれば、各種類の予測結果を得ることができる。

学習モデル５４００は、入力層５４１１、中間層５４１３、及び１つの出力ノード５４１２の出力層を備えた第１ＮＮ、並びに、入力層５４２１、中間層５４２３、及び１つの出力ノード５４２２の出力層を備えた第２ＮＮを接続してなる。さらに、学習モデル５４００は、入力層５４３１、中間層５４３３、及び１つの出力ノード５４３２の出力層を備えた第３ＮＮなど、さらなるＮＮを接続してなる。

第１ＮＮでは、入力層５４１１にレベル１から２にレベルアップするまでのデータが入力パラメータとして入力され、出力ノード５４１２からはそれに要する期間（レベル２到達期間）が出力パラメータとして出力される。出力ノード５４１２は、ノード５４１３のうちの最も確信度が高いノード番号を出力するノードとすることができる。第２ＮＮでは、入力層５４２１にレベル２から３にレベルアップするまでのデータと出力ノード５４１２からの出力パラメータが入力パラメータとして入力され、出力ノード５４２２からはそれに要する期間（レベル３到達期間）が出力パラメータとして出力される。なお、レベル３到達期間は、レベル１からレベル３にレベルアップする期間とすることもできる。出力ノード５４２２は、ノード５４２３のうちの最も確信度が高いノード番号を出力するノードとすることができる。以降のＮＮについても同様であり、学習モデル５４００では、予め定められた所定期間（ここでは１レベルアップで例示）の数（１つのデータセットに含まれる所定期間数）に、又はそれに１を加算した数に、対応するＮＮが設けられる。

学習段階では、例えば、各ＮＮについて、実施形態１で説明したような教師データ（但し、そのＮＮに対応するレベル変化についての教師データ）を使用し、各レベル変化についてのデータを対応するＮＮへ入力させて機械学習を行う。これにより、学習済みの学習モデル５４００を生成することができる。

また、例えば出力ノード５４１２の出力を入力層５４２１だけではなく入力層５４３１等の所定数の後段の入力層へ入力するなど（後段の出力ノードについても同様）により、ＬＳＴＭブロックを有するような構成とすることもできる。

学習モデル５４００を用いた運用時には、歩行訓練装置１００が、学習段階と同様のリハビリデータ（但し、正解ラベル無し）をサーバ５００へ出力する。そして、予測部５１０ａは、それを現レベルのデータとして（或いは過去分も含めたデータの場合、レベル変化毎に分けるなどして）学習モデル５２００へ入力し、予測結果を得る。予測部５１０ａは、各出力パラメータの値を集計し、例えば図１０で例示したような変化パターンを描けるようなデータに整え、それに対応するコマンドを応答処理部５１０ｃが歩行訓練装置１００へ返信する。歩行訓練装置１００がそのコマンドを受信し、例えば管理用モニタ１３９に図１０で例示したように変化パターンを提示する。

また、予測部５１０ａは、例えば歩行訓練装置１００から入力パラメータの一部に含まれる現指標レベルについて、それに対応するＮＮの（又はそれに対応するＮＮ以降の）出力パラメータのみの値を得ることもできる。この場合、応答処理部５１０ｃは、それに対応するコマンドを歩行訓練装置１００へ返信する。そして、歩行訓練装置１００がそのコマンドを受信し、例えば管理用モニタ１３９に、現指標レベルとともに上記値、つまり予測された、次の歩行ＦＩＭ等の指標レベルになるまで（及びそれ以降の指標レベルになるまで）の期間を提示する。

図１５に示す学習モデル５５００は、図１３で例示した学習モデル５３００と同様にオートエンコーダ５５１０，５５１１，５５１２，５５１３，・・・を配列したモデルである。但し、学習モデル５５００は、学習モデル５３００において、各オートエンコーダの中間層からの出力パラメータを、指標レベルが変わる週数等の所定期間数とする。例えば、オートエンコーダ５５１０の中間層からの出力パラメータを指標レベルが１から指標レベルが２へ到達するまでの期間（週数等）とし、オートエンコーダ５５１１の中間層からの出力パラメータを指標レベルが２から３へ到達するまでの期間（その週数又はそれまでの累積週数等）とする。

このような構成の学習モデル５５００を構築することで、これ以上、歩行ＦＩＭの値等の指標データの指標レベルが上昇しないような所定期間数（週数等）を推測することができる。つまり、学習モデル５３００により、このような所定期間数を、入力されたデータセットの特徴として、各オートエンコーダ５３１０等の中間層から抽出することができる。

なお、学習モデル５５００も、学習モデル５３００の応用例と同様に、中間層を分割しない４層以上のパーセプトロンなどの他の構成を採用することもできる。但し、多層のまま学習した場合、勾配消失問題によりうまく学習できないことがあるため、学習モデル５５００のように、３層のオートエンコーダに分割してそれぞれ別個に学習させることが好ましい。

以上のように、本実施形態では、指標レベル増加までの期間（指標レベルが増加する時点）を出力する学習済みモデルを構築することができる。そして、運用段階では、そのような指標レベル増加までの期間を提示すること、或いはその結果から変化パターンを提示することもできる。なお、指標レベルの増加を、訓練の成果が出る方向への変化であることを前提にして説明したが、指標データによっては指標レベルの減少が、訓練成果がでる方向への変化である場合もある。よって、本実施形態において、学習部５１０ｂは、指標データが示す指標レベル毎に、一段階異なるレベルの演算結果を再帰的に反映させる学習モデルを生成すると言える。

＜実施形態５＞
実施形態１～４では、サーバ５００が学習部５１０ｂを備え、サーバ５００にて学習済みモデルを生成する例を挙げたが、本実施形態では、学習部や前処理部は歩行訓練装置１００側（例えば全体制御部２１０）に備えるものとする。本実施形態に係るリハビリ支援システムは、歩行訓練装置１００を含めばよいことになる。但し、この場合、学習段階においてリハビリデータの収集量を多くするために、他の歩行訓練装置からのリハビリデータを収集可能に構成しておくことが望ましい。

また、実施形態１～４では、運用段階に関し、学習済みモデルをサーバ５００に備え、歩行訓練装置１００がサーバ５００にリハビリデータを送信してその応答を受信する例を挙げたが、これに限ったものではない。例えば、歩行訓練装置１００側（例えば全体制御部２１０内の記憶部）に学習済みモデルを組み込んでおくこともできる。そのために、歩行訓練装置１００は学習済みモデルを記憶する記憶部を有することができる。また、特に説明しないが、本実施形態においても、実施形態１～４で説明した様々な例が適用できる。

＜代替例＞
以上説明した各実施形態においては、訓練者９００は、脚の一方を患う片麻痺患者の例を示して説明したが、両脚に麻痺を患う患者に対しても歩行訓練装置１００を適用し得る。その場合は、両脚に歩行補助装置１２０を装着して訓練を実施する。その場合、それぞれの患脚毎に、異常歩行の評価を行っても良い。それぞれの患脚に対して独立して異常歩行の評価を行うことにより、回復度合を個別に判断することができる。

また、図示しないが、歩行訓練装置は、図１の歩行訓練装置１００においてトレッドミル１３１を備えない装置とし、訓練者９００がフレーム１３０に囲われた空間内を実際に移動できるようにすることができる。その場合、フレーム１３０を進行方向に長く形成しておき、訓練者９００の移動に伴い、ハーネス引張部１１２、前側引張部１３５、後側引張部１３７が不図示のモータによりそれぞれガイドレールに沿って移動するような構成を採用しておくとよい。訓練者９００は、床面に対して実際に相対移動するので、よりリハビリ訓練の達成感を得られる。無論、歩行訓練装置は、これらの構成例に限ったものではない。

また、各実施形態において説明した目標レベル、所定レベルは、それぞれ目標度合い、所定度合いの一例として取り扱うことができる。つまり、レベルは度合いの一例とすることができる。他の例を挙げると、目標度合い、所定度合いは、それぞれ、指標データが示す指標値についての目標値、指標データが示す指標値についての所定値とすることもできる。説明を省略するが、他の値に関するレベルについても同様に度合いの一例として取り扱うことができる。

また、上述した各実施形態における訓練スタッフ９０１が人であることを前提として説明したが、代わりに、人以外の訓練アシスタント（機械的な、つまり人工の訓練アシスタント）を適用することもできる。人工の訓練アシスタントとしては、人型のロボットをはじめ、音声アシスタントプログラム、表示アシスタントプログラムなど、様々なものが挙げられる。音声アシスタントプログラムが音声でアシストする例を挙げると、例えば、「もっと上体を右に傾けて下さい」、「手すりを掴んで下さい」、「歩行速度を下げて下さい」などといった声掛けをすることができる。

訓練アシスタントがプログラムである場合、歩行訓練装置１００に実行可能に組み込んでおくことができるが、歩行訓練装置１００と通信可能な携帯電話機（スマートフォンと称されるものも含む）、モバイルＰＣ等の可搬型の端末や外部サーバなどに実行可能に組み込んでおくこともできる。また、人工の訓練アシスタントは、人工知能をもったプログラム（ＡＩプログラム）を有することもできる。

また、人工の訓練アシスタントは、歩行訓練装置１００での歩行訓練時において、複数利用可能となっており、且つそれぞれが区別可能に個々に管理されることができる。つまり、訓練アシスタントが人工の訓練アシスタントであった場合にも訓練スタッフの場合と同様に、訓練アシスタントは他の訓練アシスタントと区別可能となっている。

また、人工の訓練アシスタントを採用する場合、上記（４）の訓練スタッフ９０１に関するデータに対応する人工の訓練アシスタントに関するデータ（アシスタントデータ）としては、次のようなものが挙げられる。例えば、その人工の訓練アシスタント（プログラム）がもつ機能（音声アシスト機能、映像表示によるアシスト機能等）、そのプログラムの名称、バージョンなど、さらにはそのプログラムが運用時に学習していくタイプのＡＩプログラムであった場合には、学習アルゴリズム、学習の程度、学習時間、学習回数などが挙げられる。

また、リハビリに同時に複数の訓練アシスタント（人かそれ以外かを問わない）が介助する場合には、複数の訓練スタッフについて説明したように、リハビリデータには、複数人のアシスタントデータを含むことができる。また、各アシスタントデータには、主たる訓練アシスタントであるのか、或いは補助的な訓練アシスタントであるのかを示す情報を含めておくことができる。そのような情報に加えて又はその代わりに、各アシスタントデータには、どのようなアシストを行うかを示す情報も含めておくことができる。

通知に関して説明する。例えば、通知制御部２１０ｄは、訓練スタッフ９０１のような人ではなく人工の訓練アシスタントに対する通知が必要となった場面において、その訓練アシスタントに通知を行えばよい。通知は直接的に通信により行うことができるが、人の場合と同様に映像や音声で行い、人工の訓練アシスタントがそれを検出するようにしておいてもよい。また、人工の訓練アシスタントは、歩行訓練装置１００に対し、通信又は直接的なタッチ操作等により設定変更などを行うことができるようにしておくことができる。

また、各実施形態において説明したリハビリ支援装置は、リハビリ支援システムとして複数の装置で構成することもできる。同様に、歩行訓練装置は歩行訓練システムとして複数の装置で構成することができ、また、訓練支援装置は訓練支援システムとして複数の装置で構成することができる。また、各実施形態において説明したサーバ（サーバ装置）は、例えば学習装置を備えず学習済みモデルだけ備えることができるだけでなく、学習装置の全部の機能又は一部の機能のみを備えることもできる。また、各実施形態において説明したサーバ装置は、リハビリ支援装置の機能や部位として説明した機能や部位の少なくとも一部を備えることもできる。

また、上述したように、各実施形態に係るリハビリ支援装置は、歩行訓練以外の他種のリハビリ或いはリハビリ以外の訓練を支援する装置であってもよい。その場合、各実施形態に係る学習装置はその装置に適用させた学習済みモデルを生成する学習装置とすることができ、リハビリの種類や訓練の種類に応じた入力パラメータや出力パラメータを採用することができる。リハビリ以外の訓練としては、例えば、ウォーキング、ランニングといった運動やトレーニングなどが挙げられ、訓練の内容に応じた訓練支援装置を用いることができる。また、リハビリ以外の訓練の場合における指標データは、訓練者の回復度の代わりに訓練者の身体機能向上度を示すデータとすることができる。身体機能向上度としては、運動等による筋力向上、持久力向上等を含むことができる。また、訓練がリハビリであった場合でも、指標データは訓練者の身体機能向上度を示すデータとすることができ、この場合、身体機能向上度としては、リハビリ等による回復度を含むことができる。また、リハビリ以外の訓練の場合において、リハビリデータは訓練データと称することができる。

また、上述したリハビリ支援装置又はサーバ装置は、例えば、プロセッサ、メモリ、及び通信インターフェース等を有するようなハードウェア構成とすることができる。これらの装置は、プロセッサがメモリに記憶されたプログラムを読み込んで実行することにより実現される。

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（non-transitory computer readable medium）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（tangible storage medium）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）を含む。さらに、この例は、ＣＤ－ＲＯＭ（Read Only Memory）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗ、半導体メモリを含む。この半導体メモリとしては、例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable PROM）、フラッシュＲＯＭ、ＲＡＭ（Random Access Memory）などが挙げられる。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（transitory computer readable medium）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。

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
１２２ 上腿フレーム
１２３ 下腿フレーム
１２４ 足平フレーム
１２６ 調整機構
１２７ 前側連結フレーム
１２７ａ、１２８ａ 連結フック
１２８ 後側連結フレーム
１２９ 上腿ベルト
１３０ フレーム
１３０ａ 手摺り
１３１ トレッドミル
１３２ ベルト
１３３ 制御盤
１３４ 前側ワイヤ
１３５ 前側引張部
１３６ 後側ワイヤ
１３７ 後側引張部
１３８ 訓練用モニタ
１３９ 管理用モニタ
１３９ａ ＧＵＩ画像
１４０ カメラ
２１０ 全体制御部
２１０ａ 歩行評価部
２１０ｂ 訓練判定部
２１０ｃ 入出力制御部
２１０ｄ 通知制御部
２１１ トレッドミル駆動部
２１２ 操作受付部
２１３ 表示制御部
２１４ 引張駆動部
２１５ ハーネス駆動部
２１６ 画像処理部
２１７ 姿勢センサ
２１８ 手摺りセンサ
２１９ 通信接続ＩＦ
２２０ 補助制御部
２２１ 関節駆動部
２２２ 荷重センサ
２２３ 角度センサ
２２９ 通信接続ＩＦ
２３１ 入出力ユニット
２３２ 非常停止ボタン
３００ 外部通信装置
４００ ネットワーク
４１０ 無線通信機器
５００ サーバ
５１０ 制御部
５１０ａ 予測部
５１０ｂ 学習部
５１０ｃ 応答処理部
５１４ 通信ＩＦ
５２０ データ蓄積部
５２１ モデル記憶部
９００ 訓練者
９０１ 訓練スタッフ
５０００、５１００、５２００、５３００、５４００、５５００ 学習モデル
５０１１、５１１１、５２１１、５２２１、５２３１、５４１１、５４２１、５４３１ 入力層
５０１２ 出力層
５０１３、５１１３、５２１３、５２２３、５２３３、５４１３、５４２３、５４３３ 中間層
５０１５、５２１３、５２２３、５４１３、５４２３ ノード
５０１６、５１１２、５２１２、５２２２、５２３２、５４１２、５４２２、５４３２ 出力ノード
５３１０、５３１１、５３１２、５３１３、５５１０、５５１１、５５１２、５５１３ オートエンコーダ

Claims (17)

1. 訓練者がリハビリ支援システムを利用し実行したリハビリテーションについての、前記訓練者の身体能力、あるいは前記訓練者の身体能力及び回復度、あるいは前記訓練者の症状、身体能力、及び回復度を示す指標データと、前記リハビリ支援システムでリハビリテーション実施中に取得された前記訓練者の訓練データと、前記訓練者の年齢、性別、体格、好み、及び性格を示す訓練者データと、を少なくとも含む、所定期間毎のリハビリデータを入力し、前記指標データの変化を予測するための学習モデルを生成する学習部を備え、
   前記訓練データは、前記訓練者がリハビリテーションを実施する際の前記リハビリ支援システムにおける設定パラメータと、前記訓練者がリハビリテーション実施中に前記リハビリ支援システムに設けられたセンサで検出された検出データとであり、
   前記学習部は、前記指標データが所定の目標レベルに到達するまでのデータを教師データとして、前記学習モデルを生成する、
   学習装置。
2. 複数の訓練者のリハビリデータの中から、訓練者の訓練開始初期での指標データが示す状態が所定レベルである訓練者のリハビリデータを抽出する抽出部をさらに備え、
   前記学習部は、前記抽出部で抽出されたリハビリデータを入力として、前記学習モデルを前記所定レベルの訓練者用に生成する、
   請求項１に記載の学習装置。
3. 前記抽出部は、訓練者の訓練開始初期での指標データと前記訓練者の指標データが所定レベルにある指標データとの組合せが所定の組合せである、訓練者のリハビリデータを抽出する、
   請求項２に記載の学習装置。
4. 前記訓練データは、前記訓練者がリハビリテーションを実施する際の前記リハビリ支援システムにおける設定パラメータを含む、
   請求項１～３のいずれか１項に記載の学習装置。
5. 前記学習モデルは、前記指標データが前記所定の目標レベルに向かう変化パターンを予測するためのモデルである、
   請求項１～４のいずれか１項に記載の学習装置。
6. 前記学習モデルは、前記指標データが示す指標レベル毎に、一段階異なるレベルの演算結果を再帰的に反映させるモデルである、
   請求項１～４のいずれか１項に記載の学習装置。
7. 前記学習モデルはＲＮＮ（Recurrent Neural Network）を有するモデルである、
   請求項１～６のいずれか１項に記載の学習装置。
8. 前記学習モデルは、ＬＳＴＭ（Long Short-Term Memory）ブロックを有するモデルである、
   請求項７に記載の学習装置。
9. 請求項１～８のいずれか１項に記載の学習装置で学習された学習モデルである学習済みモデル。
10. 請求項１～８のいずれか１項に記載の学習装置で学習された学習モデルである学習済みモデルにアクセス可能なリハビリ支援システムであって、
    前記学習済みモデルに、訓練を開始する又は実施中の訓練者の、前記指標データ及び前記訓練データを少なくとも含むリハビリデータを入力し、前記指標データの変化を予測する予測部と、
    前記予測部で予測された前記指標データの変化を提示する提示部と、
    を備えたリハビリ支援システム。
11. 請求項２又は３に記載の学習装置で学習された学習モデルである学習済みモデルにアクセス可能なリハビリ支援システムであって、
    前記訓練者を指定する指定部と、
    前記指定部で指定された訓練者の指標データに対応する学習済みモデルに、前記指定部で指定された訓練者の前記訓練データを少なくとも含むリハビリデータを入力し、前記指標データの変化を予測する予測部と、
    前記予測部で予測された前記指標データの変化を提示する提示部と、
    を備えたリハビリ支援システム。
12. 学習装置による学習方法であって、
    前記学習装置が、訓練者がリハビリ支援システムを利用し実行したリハビリテーションについての、前記訓練者の身体能力、あるいは前記訓練者の身体能力及び回復度、あるいは前記訓練者の症状、身体能力、及び回復度を示す指標データと、前記リハビリ支援システムでリハビリテーション実施中に取得された前記訓練者の訓練データと、前記訓練者の年齢、性別、体格、好み、及び性格を示す訓練者データと、を少なくとも含む、所定期間毎のリハビリデータを入力し、前記指標データの変化を予測するための学習モデルを生成する学習ステップを有し、
    前記訓練データは、前記訓練者がリハビリテーションを実施する際の前記リハビリ支援システムにおける設定パラメータと、前記訓練者がリハビリテーション実施中に前記リハビリ支援システムに設けられたセンサで検出された検出データとであり、
    前記学習ステップは、前記指標データが所定の目標レベルに到達するまでのデータを教師データとして、前記学習モデルを生成する、
    学習方法。
13. 請求項１２に記載の学習方法で学習された学習モデルである学習済みモデルにアクセス可能なリハビリ支援システムによるリハビリ支援方法であって、
    前記リハビリ支援システムが、前記学習済みモデルに、訓練を開始する又は実施中の訓練者の、前記指標データ及び前記訓練データを少なくとも含むリハビリデータを入力し、前記指標データの変化を予測する予測ステップと、
    前記リハビリ支援システムが、前記予測ステップで予測された前記指標データの変化を提示する提示ステップと、
    を有するリハビリ支援方法。
14. 請求項１２に記載の学習方法で学習された学習モデルである学習済みモデル。
15. コンピュータに、
    訓練者がリハビリ支援システムを利用し実行したリハビリテーションについての、前記訓練者の身体能力、あるいは前記訓練者の身体能力及び回復度、あるいは前記訓練者の症状、身体能力、及び回復度を示す指標データと、前記リハビリ支援システムでリハビリテーション実施中に取得された前記訓練者の訓練データと、前記訓練者の年齢、性別、体格、好み、及び性格を示す訓練者データと、を少なくとも含む、所定期間毎のリハビリデータを入力し、前記指標データの変化を予測するための学習モデルを生成する学習ステップを実行させるためのプログラムであって、
    前記訓練データは、前記訓練者がリハビリテーションを実施する際の前記リハビリ支援システムにおける設定パラメータと、前記訓練者がリハビリテーション実施中に前記リハビリ支援システムに設けられたセンサで検出された検出データとであり、
    前記学習ステップは、前記指標データが所定の目標レベルに到達するまでのデータを教師データとして、前記学習モデルを生成する、
    プログラム。
16. 請求項１５に記載のプログラムで学習された学習モデルである学習済みモデルにアクセス可能なリハビリ支援システムのコンピュータに、
    前記学習済みモデルに、訓練を開始する又は実施中の訓練者の、前記指標データ及び前記訓練データを少なくとも含むリハビリデータを入力し、前記指標データの変化を予測する予測ステップと、
    前記予測ステップで予測された前記指標データの変化を提示する提示ステップと、
    を実行させるためのリハビリ支援プログラム。
17. 請求項１５に記載のプログラムで学習された学習モデルである学習済みモデル。

Images