JP7473355B2 - 転倒リスク評価方法、転倒リスク評価装置及び転倒リスク評価プログラム - Google Patents

転倒リスク評価方法、転倒リスク評価装置及び転倒リスク評価プログラム Download PDF

Info

Publication number
JP7473355B2
JP7473355B2 JP2020023433A JP2020023433A JP7473355B2 JP 7473355 B2 JP7473355 B2 JP 7473355B2 JP 2020023433 A JP2020023433 A JP 2020023433A JP 2020023433 A JP2020023433 A JP 2020023433A JP 7473355 B2 JP7473355 B2 JP 7473355B2
Authority
JP
Japan
Prior art keywords
during
subject
risk
vertical displacement
angle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2020023433A
Other languages
English (en)
Other versions
JP2021030051A (ja
Inventor
貴洋 樋山
佳州 佐藤
貴拓 相原
健吾 和田
太一 濱塚
吉浩 松村
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Panasonic Intellectual Property Corp of America
Original Assignee
Panasonic Intellectual Property Corp of America
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Panasonic Intellectual Property Corp of America filed Critical Panasonic Intellectual Property Corp of America
Priority to US16/998,482 priority Critical patent/US20210059569A1/en
Priority to CN202010870456.9A priority patent/CN112438724A/zh
Publication of JP2021030051A publication Critical patent/JP2021030051A/ja
Application granted granted Critical
Publication of JP7473355B2 publication Critical patent/JP7473355B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/112—Gait analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1116—Determining posture transitions
    • A61B5/1117—Fall detection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
    • A61B5/1122—Determining geometric values, e.g. centre of rotation or angular range of movement of movement trajectories
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
    • A61B5/1127—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using markers
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/203—Drawing of straight lines or curves
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • G06V40/25—Recognition of walking or running movements, e.g. gait recognition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Physiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Psychiatry (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Computational Mathematics (AREA)
  • Multimedia (AREA)
  • Economics (AREA)
  • Geometry (AREA)
  • Pure & Applied Mathematics (AREA)
  • Strategic Management (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)

Description

本開示は、被験者の歩行動作に基づいて転倒リスクを評価する技術に関するものである。
近年、高齢者の健康状態を把握するために、簡易に身体機能を推定するための技術の開発が行われている。特に、高齢者は、身体機能の低下から転倒する可能性が高く、転倒により骨折したり、寝たきりの状態になったりするおそれがある。そのため、転倒しやすい高齢者、すなわち転倒リスクが有る高齢者を早めに見つけ出し、転倒防止のための対策を講じる必要がある。
従来、日常的に行われる歩行から計測されるパラメータに基づいて、認知機能又は運動機能を評価する技術が提案されている。
例えば、特許文献１では、歩行行為で計測した歩行パラメータに基づいて老年障害の起こりやすさ（老年障害リスク）を評価する方法が開示されている。
また、例えば、特許文献２では、被験者の腰部に装着された加速度センサにより、被験者の移動中における前後加速度、左右加速度及び上下加速度が測定され、前後加速度、左右加速度及び上下加速度の時間的変化に基づいて、移動能力が評価される。
特開２０１３－２５５７８６号公報 特開２０１８－１１４３１９号公報
しかしながら、上記従来の技術では、簡単且つ高い精度で転倒リスクを評価することが困難であり、更なる改善が必要とされていた。
本開示は、上記の問題を解決するためになされたもので、簡単且つ高い精度で転倒リスクを評価することができる技術を提供することを目的とするものである。
本開示の一態様に係る転倒リスク評価方法は、被験者の歩行動作に基づいて転倒リスクを評価する転倒リスク評価装置における転倒リスク評価方法であって、前記被験者の歩行に関する歩行データを取得し、前記歩行データから、前記被験者の一方の足の立脚期における前記被験者の腰の鉛直方向の変位、前記一方の足の遊脚期における前記被験者の前記腰の鉛直方向の変位、前記立脚期における前記一方の足の膝関節の角度及び前記遊脚期における前記一方の足の足首関節の角度の少なくとも１つを検出し、前記立脚期における前記腰の鉛直方向の前記変位、前記遊脚期における前記腰の鉛直方向の前記変位、前記立脚期における前記膝関節の前記角度及び前記遊脚期における前記足首関節の前記角度の少なくとも１つを用いて前記被験者の転倒リスクを判定する。
本開示によれば、簡単且つ高い精度で転倒リスクを評価することができる。
本開示の実施の形態における転倒リスク評価システムの構成を示すブロック図である。 本実施の形態において、２次元画像データから骨格データを抽出する処理について説明するための図である。 本実施の形態における歩行周期について説明するための図である。 本実施の形態において、被験者の歩行動作を利用した転倒リスク評価処理を説明するためのフローチャートである。 図４のステップＳ４における転倒リスク判定処理について説明するためのフローチャートである。 図４のステップＳ４における転倒リスク判定処理の他の例について説明するためのフローチャートである。 本実施の形態において、１歩行周期における腰の鉛直方向の変位の変化を示す図である。 本実施の形態における予測モデルを用いて転倒リスクの有無を判定した結果得られたＲＯＣ曲線を示す図である。 本実施の形態の第１の変形例における予測モデルを用いて転倒リスクの有無を判定した結果得られたＲＯＣ曲線を示す図である。 本実施の形態の第１の変形例において、１歩行周期の９％～１９％の期間における転倒リスクを有しない被験者らの腰の鉛直方向の変位の時系列データの平均値の平均と、１歩行周期の９％～１９％の期間における転倒リスクを有する被験者らの腰の鉛直方向の変位の時系列データの平均値の平均とを示す図である。 本実施の形態の第２の変形例における予測モデルを用いて転倒リスクの有無を判定した結果得られたＲＯＣ曲線を示す図である。 本実施の形態の第３の変形例において、１歩行周期における一方の膝関節の角度の変化を示す図である。 本実施の形態の第３の変形例における予測モデルを用いて転倒リスクの有無を判定した結果得られたＲＯＣ曲線を示す図である。 本実施の形態の第４の変形例における予測モデルを用いて転倒リスクの有無を判定した結果得られたＲＯＣ曲線を示す図である。 本実施の形態の第４の変形例において、１歩行周期の３５％の時点における転倒リスクを有しない被験者らの一方の足の膝関節の角度の平均と、１歩行周期の３５％の時点における転倒リスクを有する被験者らの一方の足の膝関節の角度の平均とを示す図である。 本実施の形態の第５の変形例において、１歩行周期における一方の足首関節の角度の変化を示す図である。 本実施の形態の第５の変形例における予測モデルを用いて転倒リスクの有無を判定した結果得られたＲＯＣ曲線を示す図である。 本実施の形態の第６の変形例における予測モデルを用いて転倒リスクの有無を判定した結果得られたＲＯＣ曲線を示す図である。 本実施の形態の第６の変形例において、１歩行周期の８４％～８９％の期間における転倒リスクを有しない被験者らの一方の足の足首関節の角度の時系列データの平均値の平均と、１歩行周期の８４％～８９％の期間における転倒リスクを有する被験者らの一方の足の足首関節の角度の時系列データの平均値の平均とを示す図である。 本実施の形態の第７の変形例における予測モデルを用いて転倒リスクの有無を判定した結果得られたＲＯＣ曲線を示す図である。 本実施の形態の第８の変形例における予測モデルを用いて転倒リスクの有無を判定した結果得られたＲＯＣ曲線を示す図である。 本実施の形態の第９の変形例における予測モデルを用いて転倒リスクの有無を判定した結果得られたＲＯＣ曲線を示す図である。 本実施の形態の第１０の変形例における予測モデルを用いて転倒リスクの有無を判定した結果得られたＲＯＣ曲線を示す図である。 本実施の形態の第１１の変形例における予測モデルを用いて転倒リスクの有無を判定した結果得られたＲＯＣ曲線を示す図である。 本実施の形態において表示される評価結果画面の一例を示す図である。
（本開示の基礎となった知見）
特許文献１における歩行パラメータの計測には、シート式圧力センサ又は３次元動作解析システムが利用される。シート式圧力センサは、歩行時の圧力分布を計測し、圧力分布から歩行パラメータを計測する。３次元動作解析システムは、足に装着されたマーカを撮影した画像情報を複数のビデオカメラから取得し、画像情報から動作を分析することにより歩行パラメータを計測する。このようなシート式圧力センサ又は３次元動作解析システムの設置には、大きな手間がかかる。そのため、特許文献１は、簡単に老年障害リスクを評価することが困難である。
また、特許文献１における歩行パラメータとしては、ケーデンス、ストライド、歩行比、歩幅、歩隔、歩行角度、つま先角度、ストライド左右差、歩隔左右差、歩行角度左右差及び両脚支持期左右差から選ばれる２以上が使用される。歩行角度は、左右一方の踵から他方の踵を結んだ直線が進行方向となす角度である。つま先角度は、踵とつま先とを結ぶ直線が、進行方向となす角度である。また、特許文献１では、少なくとも、膝痛、腰痛、尿失禁、認知症及びサルコペニアから選ばれる老年障害の老年障害リスクが評価される。しかしながら、特許文献１では、上記以外の歩行パラメータを用いて老年障害リスクを評価することについては開示されておらず、他の歩行パラメータを用いることで、さらに老年障害リスクの評価精度が向上する可能性がある。
特許文献２における移動能力評価装置は、被験者の移動中における前後加速度、左右加速度及び上下加速度から、被験者の移動時における前後バランス、体重移動及び左右バランスの少なくとも１つを評価している。しかしながら、特許文献２では、上記以外のパラメータを用いて転倒リスクを評価することについては開示されておらず、他の歩行パラメータを用いることで、さらに転倒リスクの評価精度が向上する可能性がある。
以上の課題を解決するために、本開示の一態様に係る転倒リスク評価方法は、被験者の歩行動作に基づいて転倒リスクを評価する転倒リスク評価装置における転倒リスク評価方法であって、前記被験者の歩行に関する歩行データを取得し、前記歩行データから、前記被験者の一方の足の立脚期における前記被験者の腰の鉛直方向の変位、前記一方の足の遊脚期における前記被験者の前記腰の鉛直方向の変位、前記立脚期における前記一方の足の膝関節の角度及び前記遊脚期における前記一方の足の足首関節の角度の少なくとも１つを検出し、前記立脚期における前記腰の鉛直方向の前記変位、前記遊脚期における前記腰の鉛直方向の前記変位、前記立脚期における前記膝関節の前記角度及び前記遊脚期における前記足首関節の前記角度の少なくとも１つを用いて前記被験者の転倒リスクを判定する。
この構成によれば、歩行している被験者の一方の足の立脚期における腰の鉛直方向の変位、一方の足の遊脚期における腰の鉛直方向の変位、立脚期における一方の足の膝関節の角度及び遊脚期における一方の足の足首関節の角度の少なくとも１つは、被験者の転倒リスクに相関があるパラメータとして用いられている。転倒リスクを有している被験者の歩行動作は、転倒リスクを有していない被験者の歩行動作とは異なる傾向がある。このように、歩行中の被験者の転倒リスクに相関があるパラメータを用いて被験者の転倒リスクが判定されるので、高い精度で被験者の転倒リスクを評価することができる。
また、歩行している被験者の一方の足の立脚期における腰の鉛直方向の変位、一方の足の遊脚期における腰の鉛直方向の変位、立脚期における一方の足の膝関節の角度及び遊脚期における一方の足の足首関節の角度の少なくとも１つは、例えば、歩行している被験者を撮像することで得られる画像データから簡単に検出することが可能であるので、大がかりな装置も不要である。そのため、本構成では、簡単に被験者の転倒リスクを評価することができる。
また、上記の転倒リスク評価方法において、前記検出において、前記立脚期の所定期間における前記腰の鉛直方向の前記変位の時系列データを検出し、前記判定において、前記腰の鉛直方向の前記変位の前記時系列データの平均値を用いて前記被験者の前記転倒リスクを判定してもよい。
歩行している被験者の一方の足の立脚期の所定期間における腰の鉛直方向の変位は、転倒リスクを有している被験者と、転倒リスクを有していない被験者とで顕著な差異がある。そのため、この構成によれば、歩行している被験者の一方の足の立脚期の所定期間における腰の鉛直方向の変位の時系列データの平均値を用いることによって、確実に被験者の転倒リスクを評価することができる。
また、上記の転倒リスク評価方法において、前記被験者の一方の足が地面に着いてから再度一方の足が地面に着くまでの期間が１歩行周期として表され、前記１歩行周期が１％～１００％で表されるとき、前記所定期間は、前記１歩行周期の１％～６０％の期間であってもよい。
この構成によれば、被験者の一方の足が地面に着いてから再度一方の足が地面に着くまでの期間が１歩行周期として表され、１歩行周期が１％～１００％で表される。このとき、１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の時系列データの平均値を用いることによって、確実に被験者の転倒リスクを評価することができる。
また、上記の転倒リスク評価方法において、前記被験者の一方の足が地面に着いてから再度一方の足が地面に着くまでの期間が１歩行周期として表され、前記１歩行周期が１％～１００％で表されるとき、前記所定期間は、前記１歩行周期の９％～１９％の期間であってもよい。
この構成によれば、１歩行周期の９％～１９％の期間における腰の鉛直方向の変位の時系列データの平均値を用いることによって、より確実に被験者の転倒リスクを評価することができる。
また、上記の転倒リスク評価方法において、前記検出において、前記遊脚期の所定期間における前記腰の鉛直方向の前記変位の時系列データを検出し、前記判定において、前記腰の鉛直方向の前記変位の前記時系列データの平均値を用いて前記被験者の前記転倒リスクを判定してもよい。
歩行している被験者の一方の足の遊脚期の所定期間における腰の鉛直方向の変位は、転倒リスクを有している被験者と、転倒リスクを有していない被験者とで顕著な差異がある。そのため、この構成によれば、歩行している被験者の一方の足の遊脚期の所定期間における腰の鉛直方向の変位の時系列データの平均値を用いることによって、確実に被験者の転倒リスクを評価することができる。
また、上記の転倒リスク評価方法において、前記被験者の一方の足が地面に着いてから再度一方の足が地面に着くまでの期間が１歩行周期として表され、前記１歩行周期が１％～１００％で表されるとき、前記所定期間は、前記１歩行周期の６１％～１００％の期間であってもよい。
この構成によれば、被験者の一方の足が地面に着いてから再度一方の足が地面に着くまでの期間が１歩行周期として表され、１歩行周期が１％～１００％で表される。このとき、１歩行周期の６１％～１００％の期間における腰の鉛直方向の変位の時系列データの平均値を用いることによって、確実に被験者の転倒リスクを評価することができる。
また、上記の転倒リスク評価方法において、前記検出において、前記立脚期の所定期間における前記膝関節の角度の時系列データを検出し、前記判定において、前記膝関節の前記角度の前記時系列データの平均値を用いて前記被験者の前記転倒リスクを判定してもよい。
歩行している被験者の一方の足の立脚期の所定期間における膝関節の角度は、転倒リスクを有している被験者と、転倒リスクを有していない被験者とで顕著な差異がある。そのため、この構成によれば、歩行している被験者の一方の足の立脚期の所定期間における膝関節の角度の時系列データの平均値を用いることによって、確実に被験者の転倒リスクを評価することができる。
また、上記の転倒リスク評価方法において、前記被験者の一方の足が地面に着いてから再度一方の足が地面に着くまでの期間が１歩行周期として表され、前記１歩行周期が１％～１００％で表されるとき、前記所定期間は、前記１歩行周期の１％～６０％の期間であってもよい。
この構成によれば、被験者の一方の足が地面に着いてから再度一方の足が地面に着くまでの期間が１歩行周期として表され、１歩行周期が１％～１００％で表される。このとき、１歩行周期の１％～６０％の期間における膝関節の角度の時系列データの平均値を用いることによって、確実に被験者の転倒リスクを評価することができる。
また、上記の転倒リスク評価方法において、前記被験者の一方の足が地面に着いてから再度一方の足が地面に着くまでの期間が１歩行周期として表され、前記１歩行周期が１％～１００％で表されるとき、前記判定において、前記１歩行周期の３５％の時点における前記膝関節の前記角度を用いて前記被験者の前記転倒リスクを判定してもよい。
この構成によれば、１歩行周期の３５％の時点における膝関節の角度を用いることによって、より確実に被験者の転倒リスクを評価することができる。
また、上記の転倒リスク評価方法において、前記検出において、前記遊脚期の所定期間における前記足首関節の前記角度の時系列データを検出し、前記判定において、前記足首関節の前記角度の前記時系列データの平均値を用いて前記被験者の前記転倒リスクを判定してもよい。
歩行している被験者の一方の足の遊脚期の所定期間における足首関節の角度は、転倒リスクを有している被験者と、転倒リスクを有していない被験者とで顕著な差異がある。そのため、この構成によれば、歩行している被験者の一方の足の遊脚期の所定期間における足首関節の角度の時系列データの平均値を用いることによって、確実に被験者の転倒リスクを評価することができる。
また、上記の転倒リスク評価方法において、前記被験者の一方の足が地面に着いてから再度一方の足が地面に着くまでの期間が１歩行周期として表され、前記１歩行周期が１％～１００％で表されるとき、前記所定期間は、前記１歩行周期の６１％～１００％の期間であってもよい。
この構成によれば、被験者の一方の足が地面に着いてから再度一方の足が地面に着くまでの期間が１歩行周期として表され、１歩行周期が１％～１００％で表される。このとき、１歩行周期の６１％～１００％の期間における足首関節の角度の時系列データの平均値を用いることによって、確実に被験者の転倒リスクを評価することができる。
また、上記の転倒リスク評価方法において、前記被験者の一方の足が地面に着いてから再度一方の足が地面に着くまでの期間が１歩行周期として表され、前記１歩行周期が１％～１００％で表されるとき、前記所定期間は、前記１歩行周期の８４％～８９％の期間であってもよい。
この構成によれば、１歩行周期の８４％～８９％の期間における足首関節の角度の時系列データの平均値を用いることによって、より確実に被験者の転倒リスクを評価することができる。
また、上記の転倒リスク評価方法において、前記検出において、前記立脚期の第１期間における前記腰の鉛直方向の前記変位の時系列データと、前記立脚期の第２期間における前記膝関節の前記角度の時系列データとを検出し、前記判定において、前記第１期間における前記腰の鉛直方向の前記変位の前記時系列データの平均値と、前記第２期間における前記膝関節の前記角度の前記時系列データの平均値とを用いて前記被験者の前記転倒リスクを判定してもよい。
この構成によれば、一方の足の立脚期の第１期間における腰の鉛直方向の変位の時系列データの平均値と、一方の足の立脚期の第２期間における膝関節の角度の時系列データの平均値とを組み合わせて用いることによって、それぞれを単独で用いるよりも高い精度で転倒リスクを評価することができる。
また、上記の転倒リスク評価方法において、前記検出において、前記立脚期の第１期間における前記腰の鉛直方向の前記変位の時系列データと、前記遊脚期の第２期間における前記腰の鉛直方向の前記変位の時系列データと、前記遊脚期の第３期間における前記足首関節の前記角度の時系列データとを検出し、前記判定において、前記第１期間における前記腰の鉛直方向の前記変位の前記時系列データの平均値と、前記第２期間における前記腰の鉛直方向の前記変位の前記時系列データの平均値と、前記第３期間における前記足首関節の前記角度の前記時系列データの平均値とを用いて前記被験者の前記転倒リスクを判定してもよい。
この構成によれば、一方の足の立脚期の第１期間における腰の鉛直方向の変位の時系列データの平均値と、一方の足の遊脚期の第２期間における腰の鉛直方向の変位の時系列データの平均値と、一方の足の遊脚期の第３期間における足首関節の角度の時系列データの平均値とを組み合わせて用いることによって、それぞれを単独で用いるよりも高い精度で転倒リスクを評価することができる。
また、上記の転倒リスク評価方法において、前記検出において、前記立脚期の第１期間における前記膝関節の前記角度の時系列データと、前記遊脚期の第２期間における前記足首関節の前記角度の時系列データとを検出し、前記判定において、前記第１期間における前記膝関節の前記角度の前記時系列データの平均値と、前記第２期間における前記足首関節の前記角度の前記時系列データの平均値とを用いて前記被験者の前記転倒リスクを判定してもよい。
この構成によれば、一方の足の立脚期の第１期間における膝関節の角度の時系列データの平均値と、一方の足の遊脚期の第２期間における足首関節の角度の時系列データの平均値とを組み合わせて用いることによって、それぞれを単独で用いるよりも高い精度で転倒リスクを評価することができる。
また、上記の転倒リスク評価方法において、前記検出において、前記立脚期の第１期間における前記腰の鉛直方向の前記変位の時系列データと、前記立脚期の第２期間における前記膝関節の前記角度の時系列データと、前記遊脚期の第３期間における前記足首関節の前記角度の時系列データとを検出し、前記判定において、前記第１期間における前記腰の鉛直方向の前記変位の前記時系列データの平均値と、前記第２期間における前記膝関節の前記角度の前記時系列データの平均値と、前記第３期間における前記足首関節の前記角度の前記時系列データの平均値とを用いて前記被験者の前記転倒リスクを判定してもよい。
この構成によれば、一方の足の立脚期の第１期間における腰の鉛直方向の変位の時系列データの平均値と、一方の足の立脚期の第２期間における膝関節の角度の時系列データの平均値と、一方の足の遊脚期の第３期間における足首関節の角度の時系列データの平均値とを組み合わせて用いることによって、それぞれを単独で用いるよりも高い精度で転倒リスクを評価することができる。
また、上記の転倒リスク評価方法において、前記判定において、前記立脚期における前記腰の鉛直方向の前記変位が閾値より小さい場合、前記遊脚期における前記腰の鉛直方向の前記変位が閾値より小さい場合、前記立脚期における前記膝関節の前記角度が閾値より小さい場合、又は前記遊脚期における前記足首関節の前記角度が閾値より小さい場合、前記被験者が前記転倒リスクを有していると判定してもよい。
この構成によれば、立脚期における腰の鉛直方向の変位が閾値より小さい場合、遊脚期における腰の鉛直方向の変位が閾値より小さい場合、立脚期における膝関節の角度が閾値より小さい場合、又は遊脚期における足首関節の角度が閾値より小さい場合、被験者が転倒リスクを有していると判定される。したがって、立脚期における腰の鉛直方向の変位、遊脚期における腰の鉛直方向の変位、立脚期における膝関節の角度、又は遊脚期における足首関節の角度が閾値と比較されることによって、簡単に被験者が転倒リスクを有しているか否かを判定することができる。
また、上記の転倒リスク評価方法において、前記判定において、前記立脚期における前記腰の鉛直方向の前記変位、前記遊脚期における前記腰の鉛直方向の前記変位、前記立脚期における前記膝関節の前記角度及び前記遊脚期における前記足首関節の前記角度の少なくとも１つを入力値とし、前記被験者が前記転倒リスクを有しているか否かを出力値として生成された予測モデルに、検出された前記立脚期における前記腰の鉛直方向の前記変位、前記遊脚期における前記腰の鉛直方向の前記変位、前記立脚期における前記膝関節の前記角度及び前記遊脚期における前記足首関節の前記角度の少なくとも１つを入力することで前記被験者が前記転倒リスクを有しているか否かを判定してもよい。
この構成によれば、予測モデルは、立脚期における腰の鉛直方向の変位、遊脚期における腰の鉛直方向の変位、立脚期における膝関節の角度及び遊脚期における足首関節の角度の少なくとも１つを入力値とし、被験者が転倒リスクを有しているか否かを出力値として生成される。そして、予測モデルに、検出された立脚期における腰の鉛直方向の変位、遊脚期における腰の鉛直方向の変位、立脚期における膝関節の角度及び遊脚期における足首関節の角度の少なくとも１つが入力されることで、被験者が転倒リスクを有しているか否かが判定される。したがって、予め予測モデルが記憶されていることによって、簡単に被験者が転倒リスクを有しているか否かを判定することができる。
本開示の他の態様に係る転倒リスク評価装置は、被験者の歩行動作に基づいて転倒リスクを評価する転倒リスク評価装置であって、前記被験者の歩行に関する歩行データを取得する取得部と、前記歩行データから、前記被験者の一方の足の立脚期における前記被験者の腰の鉛直方向の変位、前記一方の足の遊脚期における前記被験者の前記腰の鉛直方向の変位、前記立脚期における前記一方の足の膝関節の角度及び前記遊脚期における前記一方の足の足首関節の角度の少なくとも１つを検出する検出部と、前記立脚期における前記腰の鉛直方向の前記変位、前記遊脚期における前記腰の鉛直方向の前記変位、前記立脚期における前記膝関節の前記角度及び前記遊脚期における前記足首関節の前記角度の少なくとも１つを用いて前記被験者の転倒リスクを判定する判定部と、を備える。
この構成によれば、歩行している被験者の一方の足の立脚期における腰の鉛直方向の変位、一方の足の遊脚期における腰の鉛直方向の変位、立脚期における一方の足の膝関節の角度及び遊脚期における一方の足の足首関節の角度の少なくとも１つは、被験者の転倒リスクに相関があるパラメータとして用いられている。転倒リスクを有している被験者の歩行動作は、転倒リスクを有していない被験者の歩行動作とは異なる傾向がある。このように、歩行中の被験者の転倒リスクに相関があるパラメータを用いて被験者の転倒リスクが判定されるので、高い精度で被験者の転倒リスクを評価することができる。
また、歩行している被験者の一方の足の立脚期における腰の鉛直方向の変位、一方の足の遊脚期における腰の鉛直方向の変位、立脚期における一方の足の膝関節の角度及び遊脚期における一方の足の足首関節の角度の少なくとも１つは、例えば、歩行している被験者を撮像することで得られる画像データから簡単に検出することが可能であるので、大がかりな装置も不要である。そのため、本構成では、簡単に被験者の転倒リスクを評価することができる。
本開示の他の態様に係る転倒リスク評価プログラムは、被験者の歩行動作に基づいて転倒リスクを評価する転倒リスク評価プログラムであって、前記被験者の歩行に関する歩行データを取得し、前記歩行データから、前記被験者の一方の足の立脚期における前記被験者の腰の鉛直方向の変位、前記一方の足の遊脚期における前記被験者の前記腰の鉛直方向の変位、前記立脚期における前記一方の足の膝関節の角度及び前記遊脚期における前記一方の足の足首関節の角度の少なくとも１つを検出し、前記立脚期における前記腰の鉛直方向の前記変位、前記遊脚期における前記腰の鉛直方向の前記変位、前記立脚期における前記膝関節の前記角度及び前記遊脚期における前記足首関節の前記角度の少なくとも１つを用いて前記被験者の転倒リスクを判定するようにコンピュータを機能させる。
この構成によれば、歩行している被験者の一方の足の立脚期における腰の鉛直方向の変位、一方の足の遊脚期における腰の鉛直方向の変位、立脚期における一方の足の膝関節の角度及び遊脚期における一方の足の足首関節の角度の少なくとも１つは、被験者の転倒リスクに相関があるパラメータとして用いられている。転倒リスクを有している被験者の歩行動作は、転倒リスクを有していない被験者の歩行動作とは異なる傾向がある。このように、歩行中の被験者の転倒リスクに相関があるパラメータを用いて被験者の転倒リスクが判定されるので、高い精度で被験者の転倒リスクを評価することができる。
また、歩行している被験者の一方の足の立脚期における腰の鉛直方向の変位、一方の足の遊脚期における腰の鉛直方向の変位、立脚期における一方の足の膝関節の角度及び遊脚期における一方の足の足首関節の角度の少なくとも１つは、例えば、歩行している被験者を撮像することで得られる画像データから簡単に検出することが可能であるので、大がかりな装置も不要である。そのため、本構成では、簡単に被験者の転倒リスクを評価することができる。
以下添付図面を参照しながら、本開示の実施の形態について説明する。なお、以下の実施の形態は、本開示を具体化した一例であって、本開示の技術的範囲を限定するものではない。
（実施の形態）
以下、図１に基づいて本実施の形態に係る転倒リスク評価システムを説明する。
図１は、本開示の実施の形態における転倒リスク評価システムの構成を示すブロック図である。
図１に示す転倒リスク評価システムは、転倒リスク評価装置１、カメラ２及び表示部３を備える。
カメラ２は、歩行する被験者を撮像する。カメラ２は、歩行する被験者を示す動画像データを転倒リスク評価装置１へ出力する。カメラ２は、有線又は無線により転倒リスク評価装置１と接続されている。
転倒リスク評価装置１は、プロセッサ１１及びメモリ１２を備える。
プロセッサ１１は、例えば、ＣＰＵ（中央演算処理装置）であり、データ取得部１１１、歩行パラメータ検出部１１２、転倒リスク判定部１１３及び評価結果提示部１１４を備える。
メモリ１２は、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）又はフラッシュメモリ等の各種情報を記憶可能な記憶装置である。
データ取得部１１１は、被験者の歩行に関する歩行データを取得する。歩行データは、例えば、歩行している被験者を撮像することにより得られた動画像データである。データ取得部１１１は、カメラ２によって出力された動画像データを取得する。
歩行パラメータ検出部１１２は、データ取得部１１１によって取得された動画像データから被験者の骨格を示す骨格データを抽出する。骨格データは、被験者の関節等を示す複数の特徴点の座標と、各特徴点を繋ぐ直線とで表される。歩行パラメータ検出部１１２は、２次元画像データから人の特徴点の座標を検出するソフトウエア（例えば、ＯｐｅｎＰｏｓｅ又は３Ｄ－ｐｏｓｅ－ｂａｓｅｌｉｎｅ）を利用してもよい。
ここで、２次元画像データから骨格データを抽出する処理について説明する。
図２は、本実施の形態において、２次元画像データから骨格データを抽出する処理について説明するための図である。
歩行パラメータ検出部１１２は、歩いている被験者２００の画像を含む２次元画像データ２０から骨格データ２１を抽出する。骨格データ２１は、頭を示す特徴点２０１、両肩の中央を示す特徴点２０２、右肩を示す特徴点２０３、右肘を示す特徴点２０４、右手を示す特徴点２０５、左肩を示す特徴点２０６、左肘を示す特徴点２０７、左手を示す特徴点２０８、腰を示す特徴点２０９、右股関節を示す特徴点２１０、右膝関節を示す特徴点２１１、右足首関節を示す特徴点２１２、右つま先を示す特徴点２１３、左股関節を示す特徴点２１４、左膝関節を示す特徴点２１５、左足首関節を示す特徴点２１６、及び左つま先を示す特徴点２１７を含む。
動画像データは、複数の２次元画像データで構成される。歩行パラメータ検出部１１２は、動画像データを構成する複数の２次元画像データのそれぞれから時系列の骨格データを抽出する。なお、歩行パラメータ検出部１１２は、全フレームの２次元画像データから骨格データを抽出してもよいし、所定フレーム毎の２次元画像データから骨格データを抽出してもよい。また、本実施の形態では、歩行中の被験者の主に下肢の動きに基づいて転倒リスクが評価される。そのため、歩行パラメータ検出部１１２は、被験者の下肢の骨格データのみを抽出してもよい。
また、歩行パラメータ検出部１１２は、動画像データから抽出した時系列の骨格データから被験者の１歩行周期に対応する骨格データを切り出す。人の歩行動作は、周期的な動作である。
ここで、被験者の歩行周期について説明する。
図３は、本実施の形態における歩行周期について説明するための図である。
図３に示すように、被験者の一方の足が地面に着いてから再度一方の足が地面に着くまでの期間が１歩行周期として表される。図３に示す１歩行周期は、被験者の右足が地面に着いてから再度右足が地面に着くまでの期間である。また、１歩行周期は１％～１００％に正規化される。１歩行周期の１％～６０％の期間は、一方の足（例えば右足）が地面に着いている立脚期と呼ばれ、１歩行周期の６１％～１００％の期間は、一方の足（例えば右足）が地面から離れている遊脚期と呼ばれる。１歩行周期は、立脚期と遊脚期とを含む。なお、１歩行周期は、被験者の左足が地面に着いてから再度左足が地面に着くまでの期間であってもよい。
歩行パラメータ検出部１１２は、歩行データから、被験者の一方の足の立脚期における被験者の腰の鉛直方向の変位、一方の足の遊脚期における被験者の腰の鉛直方向の変位、立脚期における一方の足の膝関節の角度及び遊脚期における一方の足の足首関節の角度の少なくとも１つを検出する。
本実施の形態において、歩行パラメータ検出部１１２は、歩行データから、被験者の一方の足の立脚期における被験者の腰の鉛直方向の変位を検出する。歩行パラメータ検出部１１２は、切り出した１歩行周期に対応する時系列の骨格データから、被験者の一方の足の立脚期における被験者の腰の鉛直方向の変位を検出する。図２に示すように、腰の鉛直方向の変位αは、腰を示す特徴点２０９の鉛直方向の変位である。
特に、歩行パラメータ検出部１１２は、一方の足の立脚期の所定期間における腰の鉛直方向の変位の時系列データを検出する。より具体的には、所定期間は、１歩行周期の１％～６０％の期間である。また、所定期間は、１歩行周期の９％～１９％の期間であってもよい。歩行パラメータ検出部１１２は、一方の足の立脚期の所定期間における腰の鉛直方向の変位の時系列データの平均値を歩行パラメータとして算出する。
なお、被験者の一方の足の遊脚期における被験者の腰の鉛直方向の変位、立脚期における被験者の一方の足の膝関節の角度及び遊脚期における一方の足の足首関節の角度の検出については、本実施の形態の変形例において説明する。
転倒リスク判定部１１３は、立脚期における腰の鉛直方向の変位、遊脚期における腰の鉛直方向の変位、立脚期における膝関節の角度及び遊脚期における足首関節の角度の少なくとも１つを用いて被験者の転倒リスクを判定する。
本実施の形態において、転倒リスク判定部１１３は、腰の鉛直方向の変位の時系列データの平均値を用いて被験者の転倒リスクを判定する。
また、転倒リスク判定部１１３は、立脚期における腰の鉛直方向の変位、遊脚期における腰の鉛直方向の変位、立脚期における膝関節の角度及び遊脚期における足首関節の角度の少なくとも１つを入力値とし、被験者が転倒リスクを有しているか否かを出力値として生成された予測モデルに、検出された立脚期における腰の鉛直方向の変位、遊脚期における腰の鉛直方向の変位、立脚期における膝関節の角度及び遊脚期における足首関節の角度の少なくとも１つを入力することで被験者が転倒リスクを有しているか否かを判定する。
本実施の形態において、転倒リスク判定部１１３は、腰の鉛直方向の変位を入力値とし、被験者が転倒リスクを有しているか否かを出力値として生成された予測モデルに、歩行パラメータ検出部１１２によって検出された腰の鉛直方向の変位を入力することで被験者が転倒リスクを有しているか否かを判定する。
なお、遊脚期における腰の鉛直方向の変位、立脚期における膝関節の角度及び遊脚期における足首関節の角度を用いた被験者の転倒リスクの判定については、本実施の形態の変形例において説明する。
メモリ１２は、腰の鉛直方向の変位を入力値とし、被験者が転倒リスクを有しているか否かを出力値として生成された予測モデルを予め記憶する。予測モデルは、被験者が転倒リスクを有しているか否かを目的変数とし、１歩行周期の立脚期における腰の鉛直方向の変位の時系列データを説明変数とする回帰モデルである。予測モデルは、被験者が転倒リスクを有していることを示す値（例えば、１）と、被験者が転倒リスクを有していないことを示す値（例えば、０）とのいずれかを出力する。
特に、転倒リスク判定部１１３は、一方の足の立脚期における腰の鉛直方向の変位の時系列データの平均値を用いて被験者の転倒リスクを判定する。より具体的には、転倒リスク判定部１１３は、１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の時系列データの平均値を用いて被験者の転倒リスクを判定する。また、転倒リスク判定部１１３は、１歩行周期の９％～１９％の期間における腰の鉛直方向の変位の時系列データの平均値を用いて被験者の転倒リスクを判定してもよい。
なお、予測モデルは、機械学習により生成されてもよい。機械学習としては、例えば、入力情報に対してラベル（出力情報）が付与された教師データを用いて入力と出力との関係を学習する教師あり学習、ラベルのない入力のみからデータの構造を構築する教師なし学習、ラベルありとラベルなしとのどちらも扱う半教師あり学習、報酬を最大化する行動を試行錯誤により学習する強化学習などが挙げられる。また、機械学習の具体的な手法としては、ニューラルネットワーク（多層のニューラルネットワークを用いた深層学習を含む）、遺伝的プログラミング、決定木、ベイジアン・ネットワーク、又はサポート・ベクター・マシン（ＳＶＭ）などが存在する。本開示の機械学習においては、以上で挙げた具体例のいずれかを用いればよい。
また、予測モデルは、転倒リスクの程度を示す値を出力してもよい。転倒リスクの程度を示す値は、例えば、０．０～１．０で表される。その場合は、例えば、転倒リスク判定部１１３は、転倒リスクの程度を示す値が０．５以下である場合は転倒リスクがないと判定し、転倒リスクの程度を示す値が０．５より大きい場合は転倒リスクが有る可能性が高いと判定してもよい。
評価結果提示部１１４は、転倒リスク判定部１１３によって判定された転倒リスクの評価結果を提示する。評価結果提示部１１４は、転倒リスク判定部１１３によって判定された評価結果を表示部３へ出力する。評価結果は、転倒リスク判定部１１３によって判定された被験者が転倒リスクを有しているか否かを示す情報及び評価メッセージの少なくとも１つである。
表示部３は、評価結果提示部１１４から出力された評価結果を表示する。表示部３は、例えば、液晶表示パネル又は発光素子である。
なお、表示部３は、今回判定された転倒リスクの程度を示す値と過去の転倒リスクの程度を示す値とを比較するために、転倒リスクの程度を示す値の推移をグラフで表示してもよい。なお、過去の転倒リスクの程度を示す値は、メモリ１２に記憶されており、メモリ１２から読み出される。
なお、転倒リスク評価装置１は、カメラ２及び表示部３を備えてもよい。また、転倒リスク評価装置１は、表示部３を備えてもよい。転倒リスク評価装置１は、パーソナルコンピュータ又はサーバであってもよい。
次に、図４を用いて、本実施の形態における転倒リスク評価処理を説明する。
図４は、本実施の形態において、被験者の歩行動作を利用した転倒リスク評価処理を説明するためのフローチャートである。図４に示すフローチャートは、転倒リスク評価装置１を用いた、転倒リスクの評価の手順を示している。
被験者は、カメラ２の前を歩行する。カメラ２は、歩行している被験者を撮像する。カメラ２は、被験者が歩行している動画像データを転倒リスク評価装置１へ送信する。
まず、ステップＳ１において、データ取得部１１１は、カメラ２によって送信された動画像データを取得する。
次に、ステップＳ２において、歩行パラメータ検出部１１２は、動画像データから時系列の骨格データを抽出する。
次に、ステップＳ３において、歩行パラメータ検出部１１２は、時系列の骨格データから、転倒リスクを判定するための歩行パラメータを検出する。ここで、本実施の形態における歩行パラメータは、１歩行周期の立脚期の所定期間における被験者の腰の鉛直方向の変位の時系列データの平均値である。所定期間は、例えば、１歩行周期の１％～６０％の期間である。なお、歩行パラメータの決定方法については後述する。
次に、ステップＳ４において、転倒リスク判定部１１３は、歩行パラメータを用いて被験者の転倒リスクを判定する転倒リスク判定処理を実行する。なお、転倒リスク判定処理については後述する。
次に、ステップＳ５において、評価結果提示部１１４は、転倒リスク判定部１１３によって判定された転倒リスクの評価結果を表示部３に出力する。転倒リスクの評価結果は、被験者が転倒リスクを有しているか否かを示す。なお、評価結果提示部１１４は、転倒リスクの有無だけでなく、転倒リスクの有無に対応付けられた評価メッセージを表示部３に出力してもよい。表示部３は、評価結果提示部１１４から出力された転倒リスクの評価結果を表示する。
ここで、図４のステップＳ４における転倒リスク判定処理について説明する。
図５は、図４のステップＳ４における転倒リスク判定処理について説明するためのフローチャートである。
まず、ステップＳ１１において、転倒リスク判定部１１３は、メモリ１２から予測モデルを読み出す。
次に、ステップＳ１２において、転倒リスク判定部１１３は、歩行パラメータ検出部１１２によって検出された歩行パラメータを予測モデルに入力する。本実施の形態における歩行パラメータは、１歩行周期の１％～６０％の期間における被験者の腰の鉛直方向の変位の時系列データの平均値である。転倒リスク判定部１１３は、１歩行周期の１％～６０％の期間における被験者の腰の鉛直方向の変位の時系列データの平均値を予測モデルに入力する。
次に、ステップＳ１３において、転倒リスク判定部１１３は、転倒リスクの判定結果を予測モデルから取得する。転倒リスク判定部１１３は、被験者が転倒リスクを有しているか否かを判定結果として予測モデルから取得する。
なお、本実施の形態の転倒リスク判定処理では、予め生成された予測モデルに歩行パラメータを入力することにより、転倒リスクの有無を判定しているが、本開示は特にこれに限定されない。本実施の形態の転倒リスク判定処理の他の例では、予め記憶されている閾値と歩行パラメータとを比較することにより、転倒リスクの有無を判定してもよい。
この場合、メモリ１２は、被験者が転倒リスクを有しているか否かを判定するための閾値を予め記憶する。
また、転倒リスク判定部１１３は、立脚期における腰の鉛直方向の変位が閾値より小さい場合、遊脚期における腰の鉛直方向の変位が閾値より小さい場合、立脚期における膝関節の角度が閾値より小さい場合、又は遊脚期における足首関節の角度が閾値より小さい場合、被験者が転倒リスクを有していると判定してもよい。
本実施の形態では、転倒リスク判定部１１３は、腰の鉛直方向の変位が閾値より小さい場合、被験者が転倒リスクを有していると判定してもよい。転倒リスク判定部１１３は、１歩行周期の１％～６０％の期間における被験者の腰の鉛直方向の変位の時系列データの平均値が閾値より小さいか否かを判断する。転倒リスク判定部１１３は、１歩行周期の１％～６０％の期間における被験者の腰の鉛直方向の変位の時系列データの平均値が閾値より小さい場合、被験者が転倒リスクを有していると判定する。一方、転倒リスク判定部１１３は、１歩行周期の１％～６０％の期間における被験者の腰の鉛直方向の変位の時系列データの平均値が閾値以上である場合、被験者が転倒リスクを有していない、すなわち被験者が健常者であると判定する。
図６は、図４のステップＳ４における転倒リスク判定処理の他の例について説明するためのフローチャートである。
まず、ステップＳ２１において、転倒リスク判定部１１３は、メモリ１２から閾値を読み出す。
次に、ステップＳ２２において、転倒リスク判定部１１３は、歩行パラメータ検出部１１２によって検出された歩行パラメータが閾値より小さいか否かを判断する。本実施の形態における歩行パラメータは、１歩行周期の１％～６０％の期間における被験者の腰の鉛直方向の変位の時系列データの平均値である。転倒リスク判定部１１３は、１歩行周期の１％～６０％の期間における被験者の腰の鉛直方向の変位の時系列データの平均値が閾値より小さいか否かを判断する。
ここで、歩行パラメータが閾値より小さいと判断された場合（ステップＳ２２でＹＥＳ）、ステップＳ２３において、転倒リスク判定部１１３は、被験者が転倒リスクを有していると判定する。
一方、歩行パラメータが閾値以上であると判断された場合（ステップＳ２２でＮＯ）、ステップＳ２４において、転倒リスク判定部１１３は、被験者が転倒リスクを有していない、すなわち被験者が健常者であると判定する。
このように、本実施の形態では、歩行している被験者の立脚期における腰の鉛直方向の変位は、被験者の転倒リスクの有無に相関があるパラメータである。転倒リスクが有る被験者の歩行動作は、転倒リスクが無い被験者の歩行動作とは異なる傾向がある。そのため、歩行中の被験者の転倒リスクの有無に相関があるパラメータを用いて被験者の転倒リスクの有無が判定されるので、高い精度で被験者の転倒リスクを評価することができる。
また、歩行している被験者の立脚期における腰の鉛直方向の変位は、例えば、歩行している被験者を撮像することで得られる画像データから簡単に検出することが可能であるので、大がかりな装置も不要である。そのため、本構成では、簡単に被験者の転倒リスクを評価することができる。
本実施の形態における歩行パラメータ及び予測モデルは、実験により決定される。以下、本実施の形態における歩行パラメータ及び予測モデルの決定方法について説明する。
実験に参加した被験者の総数は９２人であった。男性の被験者は２７人であり、女性の被験者は６５人であった。過去の研究結果から、転倒リスクの有無の判定基準は、開眼して片足で立った状態を３０秒間保持できるか否かとした。被験者に対しては、開眼して片足で立った状態を保持してもらい、保持時間を測定した。保持時間が３０秒以下であった場合、転倒リスクが有ると判定し、保持時間が３０秒より長かった場合、転倒リスクが無いと判定した。判定の結果、被験者のうち、転倒リスクが有る被験者は３４人であった。転倒リスクが有る被験者のうち、男性の被験者は１０人であり、女性の被験者は２４人であった。実験では、被験者らは、カメラの前で歩行を行った。歩行する被験者らがカメラで撮像され、動画像データから各被験者の骨格データが抽出された。そして、抽出された骨格データから各被験者の腰の鉛直方向の変位の時系列データが検出された。
図７は、本実施の形態において、１歩行周期における腰の鉛直方向の変位の変化を示す図である。図７において、縦軸は腰の鉛直方向の変位を示し、横軸は正規化した１歩行周期を示す。また、図７において、破線は、転倒リスクが無い被験者らの腰の鉛直方向の変位の平均波形を示し、実線は、転倒リスクが有る被験者らの腰の鉛直方向の変位の平均波形を示す。
実験では、正規化した１歩行周期を１０区間に分割し、１区間又は２以上の連続する区間における腰の鉛直方向の変位の平均値を被験者毎に算出した。そして、被験者が転倒リスクを有しているか否かを目的変数とし、１区間又は２以上の連続する区間における腰の鉛直方向の変位の平均値を説明変数とする複数の予測モデルを作成した。複数の予測モデルは、交差検証により評価された。交差検証としては、ｌｅａｖｅ－ｏｎｅ－ｏｕｔ交差検証が採用された。そして、複数の予測モデルそれぞれのＲＯＣ（Ｒｅｃｅｉｖｅｒ Ｏｐｅｒａｔｉｎｇ Ｃｈａｒａｃｔｅｒｉｓｔｉｃ）曲線が算出された。さらに、複数の予測モデルそれぞれのＲＯＣ曲線のＡＵＣ（Ａｒｅａ Ｕｎｄｅｒ Ｃｕｒｖｅ）値が算出され、最もＡＵＣ値が高い予測モデルが選択された。
本実施の形態では、１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の平均値を説明変数として作成された予測モデルのＡＵＣ値が最も高かった。
図８は、本実施の形態における予測モデルを用いて転倒リスクの有無を判定した結果得られたＲＯＣ曲線を示す図である。
本実施の形態における予測モデルは、被験者が転倒リスクを有しているか否かを目的変数とし、１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の平均値を説明変数として作成された。図８において、縦軸は真陽性率（Ｔｒｕｅ Ｐｏｓｉｔｉｖｅ Ｒａｔｅ）を示し、横軸は偽陽性率（Ｆａｌｓｅ Ｐｏｓｉｔｉｖｅ Ｒａｔｅ）を示す。真陽性率は、予測モデルが転倒リスクの有る被験者を転倒リスクが有ると正しく判定した割合を示し、偽陽性率は、予測モデルが転倒リスクの無い被験者を転倒リスクが有ると誤って判定した割合を示す。
図８に示すＲＯＣ曲線は、１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の平均値を説明変数として作成された予測モデルの真陽性率と偽陽性率とをプロットしたものである。図８に示すＲＯＣ曲線のＡＵＣ値は、０．７３３であった。ＡＵＣ値は、ＲＯＣ曲線の下部分の面積である。ＡＵＣ値が大きいほど（１に近づくほど）、性能が高い予測モデルであると言える。この場合、１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の平均値が、歩行パラメータとして決定される。また、１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の平均値を説明変数として作成された予測モデルが、転倒リスク判定部１１３が用いる予測モデルとして決定される。
メモリ１２は、１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の時系列データの平均値を入力値とし、被験者が転倒リスクを有しているか否かを出力値として生成された予測モデルを予め記憶する。歩行パラメータ検出部１１２は、１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の時系列データを検出する。転倒リスク判定部１１３は、１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の時系列データの平均値を予測モデルに入力することにより、被験者が転倒リスクを有しているか否かを示す判定結果を予測モデルから取得する。
また、図７に示す１歩行周期の１％～６０％の期間において、転倒リスクを有する被験者らの腰の鉛直方向の変位の平均波形は、転倒リスクを有しない被験者らの腰の鉛直方向の変位の平均波形よりも小さくなっている。そのため、実験により得られた、転倒リスクを有する被験者らの１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の時系列データの平均値の平均と、転倒リスクを有しない被験者らの１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の時系列データの平均値の平均との間の値が、閾値としてメモリ１２に記憶されてもよい。転倒リスク判定部１１３は、１歩行周期の１％～６０％の期間における被験者の腰の鉛直方向の変位の時系列データの平均値と、予め記憶されている閾値とを比較することにより、転倒リスクを判定してもよい。
なお、本実施の形態では、歩行パラメータは、１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の時系列データの平均値であるが、本開示は特にこれに限定されない。以下、本実施の形態の歩行パラメータの種々の例について説明する。
まず、本実施の形態の第１の変形例における歩行パラメータについて説明する。
本実施の形態の第１の変形例における歩行パラメータは、１歩行周期の９％～１９％の期間における腰の鉛直方向の変位の時系列データの平均値であってもよい。
本実施の形態の第１の変形例では、上記の実験と同様に、複数の被験者それぞれの腰の鉛直方向の変位の時系列データを検出した。また、被験者が転倒リスクを有しているか否かを目的変数とし、１歩行周期の９％～１９％の期間における腰の鉛直方向の変位の平均値を説明変数とする予測モデルが作成された。予測モデルは、交差検証により評価された。交差検証としては、ｌｅａｖｅ－ｏｎｅ－ｏｕｔ交差検証が採用された。そして、予測モデルのＲＯＣ曲線が算出された。さらに、予測モデルのＲＯＣ曲線のＡＵＣ値が算出された。
図９は、本実施の形態の第１の変形例における予測モデルを用いて転倒リスクの有無を判定した結果得られたＲＯＣ曲線を示す図である。
本実施の形態の第１の変形例における予測モデルは、被験者が転倒リスクを有しているか否かを目的変数とし、１歩行周期の９％～１９％の期間における腰の鉛直方向の変位の平均値を説明変数として作成された。図９において、縦軸は真陽性率を示し、横軸は偽陽性率を示す。真陽性率は、予測モデルが転倒リスクの有る被験者を転倒リスクが有ると正しく判定した割合を示し、偽陽性率は、予測モデルが転倒リスクの無い被験者を転倒リスクが有ると誤って判定した割合を示す。
図９に示すＲＯＣ曲線は、１歩行周期の９％～１９％の期間における腰の鉛直方向の変位の平均値を説明変数として作成された予測モデルの真陽性率と偽陽性率とをプロットしたものである。図９に示すＲＯＣ曲線のＡＵＣ値は、０．８０５８であった。この場合、１歩行周期の９％～１９％の期間における腰の鉛直方向の変位の平均値が、歩行パラメータとして決定される。また、１歩行周期の９％～１９％の期間における腰の鉛直方向の変位の平均値を説明変数として作成された予測モデルが、転倒リスク判定部１１３が用いる予測モデルとして決定される。
メモリ１２は、１歩行周期の９％～１９％の期間における腰の鉛直方向の変位の時系列データの平均値を入力値とし、被験者が転倒リスクを有しているか否かを出力値として生成された予測モデルを予め記憶する。
歩行パラメータ検出部１１２は、１歩行周期の９％～１９％の期間における腰の鉛直方向の変位の時系列データを検出する。また、歩行パラメータ検出部１１２は、１歩行周期の９％～１９％の期間における腰の鉛直方向の変位の時系列データの平均値を算出する。
転倒リスク判定部１１３は、１歩行周期の９％～１９％の期間における腰の鉛直方向の変位の時系列データの平均値を用いて被験者の転倒リスクの有無を判定する。転倒リスク判定部１１３は、１歩行周期の９％～１９％の期間における腰の鉛直方向の変位の時系列データの平均値を予測モデルに入力することにより、被験者が転倒リスクを有しているか否かを示す判定結果を予測モデルから取得する。
図１０は、本実施の形態の第１の変形例において、１歩行周期の９％～１９％の期間における転倒リスクを有しない被験者らの腰の鉛直方向の変位の時系列データの平均値の平均と、１歩行周期の９％～１９％の期間における転倒リスクを有する被験者らの腰の鉛直方向の変位の時系列データの平均値の平均とを示す図である。
図１０に示すように、１歩行周期の９％～１９％の期間における転倒リスクを有しない被験者らの腰の鉛直方向の変位の時系列データの平均値の平均は、４３．３ｍｍであり、１歩行周期の９％～１９％の期間における転倒リスクを有する被験者らの腰の鉛直方向の変位の時系列データの平均値の平均は、３４．３ｍｍであった。
このように、１歩行周期の９％～１９％の期間において、転倒リスクを有する被験者らの腰の鉛直方向の変位の時系列データの平均値の平均は、転倒リスクを有しない被験者らの腰の鉛直方向の変位の時系列データの平均値の平均よりも小さくなっている。そのため、実験により得られた、転倒リスクを有する被験者らの１歩行周期の９％～１９％の期間における腰の鉛直方向の変位の時系列データの平均値の平均と、転倒リスクを有しない被験者らの１歩行周期の９％～１９％の期間における腰の鉛直方向の変位の時系列データの平均値の平均との間の値が、閾値としてメモリ１２に記憶されてもよい。転倒リスク判定部１１３は、１歩行周期の９％～１９％の期間における被験者の腰の鉛直方向の変位の時系列データの平均値と、予め記憶されている閾値とを比較することにより、転倒リスクの有無を判定してもよい。
続いて、本実施の形態の第２の変形例における歩行パラメータについて説明する。
本実施の形態の第２の変形例における歩行パラメータは、被験者の一方の足の遊脚期における被験者の腰の鉛直方向の変位の時系列データの平均値であってもよい。
本実施の形態の第２の変形例では、上記の実験と同様に、転倒リスクを有しない被験者及び転倒リスクを有する被験者を含む複数の被験者の骨格データから、複数の被験者それぞれの腰の鉛直方向の変位の時系列データを検出した。
本実施の形態の第２の変形例では、上記の実験と同様に、複数の被験者それぞれの腰の鉛直方向の変位の時系列データを検出した。また、被験者が転倒リスクを有しているか否かを目的変数とし、遊脚期の所定期間における腰の鉛直方向の変位の平均値を説明変数とする予測モデルが作成された。所定期間は、１歩行周期の６１％～１００％の期間である。予測モデルは、交差検証により評価された。交差検証としては、ｌｅａｖｅ－ｏｎｅ－ｏｕｔ交差検証が採用された。そして、予測モデルのＲＯＣ曲線が算出された。さらに、予測モデルのＲＯＣ曲線のＡＵＣ値が算出された。
図１１は、本実施の形態の第２の変形例における予測モデルを用いて転倒リスクの有無を判定した結果得られたＲＯＣ曲線を示す図である。
本実施の形態の第２の変形例における予測モデルは、被験者が転倒リスクを有しているか否かを目的変数とし、１歩行周期の６１％～１００％の期間における腰の鉛直方向の変位の平均値を説明変数として作成された。図１１において、縦軸は真陽性率を示し、横軸は偽陽性率を示す。真陽性率は、予測モデルが転倒リスクの有る被験者を転倒リスクが有ると正しく判定した割合を示し、偽陽性率は、予測モデルが転倒リスクの無い被験者を転倒リスクが有ると誤って判定した割合を示す。
図１１に示すＲＯＣ曲線は、１歩行周期の６１％～１００％の期間における腰の鉛直方向の変位の平均値を説明変数として作成された予測モデルの真陽性率と偽陽性率とをプロットしたものである。図１１に示すＲＯＣ曲線のＡＵＣ値は、０．７１３であった。この場合、１歩行周期の６１％～１００％の期間における腰の鉛直方向の変位の平均値が、歩行パラメータとして決定される。また、１歩行周期の６１％～１００％の期間における腰の鉛直方向の変位の平均値を説明変数として作成された予測モデルが、転倒リスク判定部１１３が用いる予測モデルとして決定される。
歩行パラメータ検出部１１２は、歩行データから、被験者の腰の鉛直方向の変位を検出する。歩行パラメータ検出部１１２は、切り出した１歩行周期に対応する時系列の骨格データから、被験者の腰の鉛直方向の変位を検出する。特に、歩行パラメータ検出部１１２は、一方の足の遊脚期の所定期間における腰の鉛直方向の変位の時系列データを検出する。より具体的には、所定期間は、１歩行周期の６１％～１００％の期間である。歩行パラメータ検出部１１２は、１歩行周期の６１％～１００％の期間における腰の鉛直方向の変位の時系列データを検出する。また、歩行パラメータ検出部１１２は、１歩行周期の６１％～１００％の期間における腰の鉛直方向の変位の時系列データの平均値を算出する。
メモリ１２は、遊脚期の所定期間の腰の鉛直方向の変位を入力値とし、被験者が転倒リスクを有しているか否かを出力値として生成された予測モデルを予め記憶する。予測モデルは、被験者が転倒リスクを有しているか否かを目的変数とし、１歩行周期の腰の鉛直方向の変位の時系列データを説明変数とする回帰モデルである。特に、メモリ１２は、１歩行周期の６１％～１００％の期間における腰の鉛直方向の変位の時系列データの平均値を入力値とし、被験者が転倒リスクを有しているか否かを出力値として生成された予測モデルを予め記憶する。
転倒リスク判定部１１３は、遊脚期の所定期間の腰の鉛直方向の変位の時系列データの平均値を用いて被験者の転倒リスクの有無を判定する。転倒リスク判定部１１３は、遊脚期の所定期間の腰の鉛直方向の変位の時系列データの平均値を入力値とし、被験者が転倒リスクを有しているか否かを出力値として生成された予測モデルに、歩行パラメータ検出部１１２によって検出された腰の鉛直方向の変位の時系列データの平均値を入力することで被験者が転倒リスクを有しているか否かを判定する。
また、転倒リスク判定部１１３は、一方の足の遊脚期の所定期間における腰の鉛直方向の変位の時系列データの平均値を用いて被験者の転倒リスクの有無を判定する。より具体的には、転倒リスク判定部１１３は、１歩行周期の６１％～１００％の期間における腰の鉛直方向の変位の時系列データの平均値を用いて被験者の転倒リスクの有無を判定する。転倒リスク判定部１１３は、１歩行周期の６１％～１００％の期間における腰の鉛直方向の変位の時系列データの平均値を予測モデルに入力することにより、被験者が転倒リスクを有しているか否かを示す判定結果を予測モデルから取得する。
また、図７に示す１歩行周期の６１％～１００％の期間において、転倒リスクを有している被験者らの腰の鉛直方向の変位の平均波形は、転倒リスクを有していない被験者らの腰の鉛直方向の変位の平均波形よりも小さくなっている。そのため、実験により得られた、転倒リスクを有している被験者らの１歩行周期の６１％～１００％の期間における腰の鉛直方向の変位の時系列データの平均値の平均と、転倒リスクを有していない被験者らの１歩行周期の６１％～１００％の期間における腰の鉛直方向の変位の時系列データの平均値の平均との間の値が、閾値としてメモリ１２に記憶されてもよい。転倒リスク判定部１１３は、１歩行周期の６１％～１００％の期間における被験者の腰の鉛直方向の変位の時系列データの平均値と、予め記憶されている閾値とを比較することにより、転倒リスクの有無を判定してもよい。
続いて、本実施の形態の第３の変形例における歩行パラメータについて説明する。
本実施の形態の第３の変形例における歩行パラメータは、一方の足の立脚期の所定期間における一方の足の膝関節の角度の時系列データの平均値であってもよい。
図１２は、本実施の形態の第３の変形例において、１歩行周期における一方の膝関節の角度の変化を示す図である。図１２において、縦軸は膝関節の角度を示し、横軸は正規化した１歩行周期を示す。また、図１２において、破線は、転倒リスクを有していない被験者らの一方の膝関節の角度の平均波形を示し、実線は、転倒リスクを有している被験者らの一方の膝関節の角度の平均波形を示す。
本実施の形態の第３の変形例では、上記の実験と同様に、転倒リスクを有していない被験者及び転倒リスクを有している被験者を含む複数の被験者の骨格データから、複数の被験者それぞれの一方の膝関節の角度の時系列データを検出した。図２に示すように、膝関節の角度γは、矢状面において、右膝関節を示す特徴点２１１と右股関節を示す特徴点２１０とを結ぶ直線と、右膝関節を示す特徴点２１１と右足首関節を示す特徴点２１２とを結ぶ直線とがなす角度である。
実験では、正規化した１歩行周期を１０区間に分割し、１区間又は２以上の連続する区間における一方の膝関節の角度の平均値を被験者毎に算出した。そして、被験者が転倒リスクを有しているか否かを目的変数とし、１区間又は２以上の連続する区間における一方の膝関節の角度の平均値を説明変数とする複数の予測モデルを作成した。複数の予測モデルは、交差検証により評価された。交差検証としては、ｌｅａｖｅ－ｏｎｅ－ｏｕｔ交差検証が採用された。そして、複数の予測モデルそれぞれのＲＯＣ曲線が算出された。さらに、複数の予測モデルそれぞれのＲＯＣ曲線のＡＵＣ値が算出され、最もＡＵＣ値が高い予測モデルが選択された。
本実施の形態の第３の変形例では、１歩行周期の１％～６０％の期間における一方の膝関節の角度の平均値を説明変数として作成された予測モデルのＡＵＣ値が最も高かった。
図１３は、本実施の形態の第３の変形例における予測モデルを用いて転倒リスクの有無を判定した結果得られたＲＯＣ曲線を示す図である。
本実施の形態の第３の変形例における予測モデルは、被験者が転倒リスクを有しているか否かを目的変数とし、１歩行周期の１％～６０％の期間における一方の膝関節の角度の平均値を説明変数として作成された。図１３において、縦軸は真陽性率を示し、横軸は偽陽性率を示す。真陽性率は、予測モデルが転倒リスクの有る被験者を転倒リスクが有ると正しく判定した割合を示し、偽陽性率は、予測モデルが転倒リスクの無い被験者を転倒リスクが有ると誤って判定した割合を示す。
図１３に示すＲＯＣ曲線は、１歩行周期の１％～６０％の期間における膝関節の角度の平均値を説明変数として作成された予測モデルの真陽性率と偽陽性率とをプロットしたものである。図１３に示すＲＯＣ曲線のＡＵＣ値は、０．５４２であった。この場合、１歩行周期の１％～６０％の期間における膝関節の角度の平均値が、歩行パラメータとして決定される。また、１歩行周期の１％～６０％の期間における膝関節の角度の平均値を説明変数として作成された予測モデルが、転倒リスク判定部１１３が用いる予測モデルとして決定される。
歩行パラメータ検出部１１２は、歩行データから、被験者の一方の足の膝関節の角度を検出する。歩行パラメータ検出部１１２は、切り出した１歩行周期に対応する時系列の骨格データから、被験者の一方の足の膝関節の角度を検出する。特に、歩行パラメータ検出部１１２は、一方の足の立脚期の所定期間における膝関節の角度の時系列データを検出する。より具体的には、所定期間は、１歩行周期の１％～６０％の期間である。歩行パラメータ検出部１１２は、１歩行周期の１％～６０％の期間における一方の足の膝関節の角度の時系列データを検出する。また、歩行パラメータ検出部１１２は、１歩行周期の１％～６０％の期間における一方の足の膝関節の角度の時系列データの平均値を算出する。
なお、本実施の形態の第３の変形例では、１歩行周期は、被験者の右足が地面に着いてから再度右足が地面に着くまでの期間であるので、歩行パラメータ検出部１１２は、右足の膝関節の角度γを検出している。１歩行周期が、被験者の左足が地面に着いてから再度左足が地面に着くまでの期間である場合、歩行パラメータ検出部１１２は、左足の膝関節の角度γを検出してもよい。
メモリ１２は、膝関節の角度を入力値とし、被験者が転倒リスクを有しているか否かを出力値として生成された予測モデルを予め記憶する。予測モデルは、被験者が転倒リスクを有しているか否かを目的変数とし、１歩行周期の膝関節の角度の時系列データを説明変数とする回帰モデルである。特に、メモリ１２は、１歩行周期の１％～６０％の期間における一方の足の膝関節の角度の時系列データの平均値を入力値とし、被験者が転倒リスクを有しているか否かを出力値として生成された予測モデルを予め記憶する。
転倒リスク判定部１１３は、膝関節の角度を用いて被験者の転倒リスクの有無を判定する。転倒リスク判定部１１３は、膝関節の角度を入力値とし、被験者が転倒リスクを有しているか否かを出力値として生成された予測モデルに、歩行パラメータ検出部１１２によって検出された膝関節の角度を入力することで被験者が転倒リスクを有しているか否かを判定する。
また、転倒リスク判定部１１３は、一方の足の立脚期の所定期間における膝関節の角度の時系列データの平均値を用いて被験者の転倒リスクの有無を判定する。より具体的には、転倒リスク判定部１１３は、１歩行周期の１％～６０％の期間における一方の足の膝関節の角度の時系列データの平均値を用いて被験者の転倒リスクの有無を判定する。転倒リスク判定部１１３は、１歩行周期の１％～６０％の期間における一方の足の膝関節の角度の時系列データの平均値を予測モデルに入力することにより、被験者が転倒リスクを有しているか否かを示す判定結果を予測モデルから取得する。
また、図１２に示す１歩行周期の１％～６０％の期間において、転倒リスクを有している被験者らの一方の足の膝関節の角度の平均波形は、転倒リスクを有していない被験者らの一方の足の膝関節の角度の平均波形よりも小さくなっている。そのため、実験により得られた、転倒リスクを有している被験者らの１歩行周期の１％～６０％の期間における一方の足の膝関節の角度の時系列データの平均値の平均と、転倒リスクを有していない被験者らの１歩行周期の１％～６０％の期間における一方の足の膝関節の角度の時系列データの平均値の平均との間の値が、閾値としてメモリ１２に記憶されてもよい。転倒リスク判定部１１３は、１歩行周期の１％～６０％の期間における被験者の一方の足の膝関節の角度の時系列データの平均値と、予め記憶されている閾値とを比較することにより、転倒リスクの有無を判定してもよい。
続いて、本実施の形態の第４の変形例における歩行パラメータについて説明する。
本実施の形態の第４の変形例における歩行パラメータは、一方の足の立脚期の所定時点における一方の足の膝関節の角度であってもよい。
本実施の形態の第４の変形例では、上記の実験と同様に、転倒リスクを有していない被験者及び転倒リスクを有している被験者を含む複数の被験者の骨格データから、複数の被験者それぞれの一方の膝関節の角度の時系列データを検出した。また、被験者が転倒リスクを有しているか否かを目的変数とし、１歩行周期の３５％の時点における一方の膝関節の角度を説明変数とする予測モデルが作成された。予測モデルは、交差検証により評価された。交差検証としては、ｌｅａｖｅ－ｏｎｅ－ｏｕｔ交差検証が採用された。そして、予測モデルのＲＯＣ曲線が算出された。さらに、予測モデルのＲＯＣ曲線のＡＵＣ値が算出された。
図１４は、本実施の形態の第４の変形例における予測モデルを用いて転倒リスクの有無を判定した結果得られたＲＯＣ曲線を示す図である。
本実施の形態の第４の変形例における予測モデルは、被験者が転倒リスクを有しているか否かを目的変数とし、１歩行周期の３５％の時点における一方の膝関節の角度を説明変数として作成された。図１４において、縦軸は真陽性率を示し、横軸は偽陽性率を示す。真陽性率は、予測モデルが転倒リスクの有る被験者を転倒リスクが有ると正しく判定した割合を示し、偽陽性率は、予測モデルが転倒リスクの無い被験者を転倒リスクが有ると誤って判定した割合を示す。
図１４に示すＲＯＣ曲線は、１歩行周期の３５％の時点における膝関節の角度を説明変数として作成された予測モデルの真陽性率と偽陽性率とをプロットしたものである。図１４に示すＲＯＣ曲線のＡＵＣ値は、０．６２４２であった。この場合、１歩行周期の３５％の時点における膝関節の角度が、歩行パラメータとして決定される。また、１歩行周期の３５％の時点における膝関節の角度を説明変数として作成された予測モデルが、転倒リスク判定部１１３が用いる予測モデルとして決定される。
歩行パラメータ検出部１１２は、歩行データから、被験者の一方の足の膝関節の角度を検出する。歩行パラメータ検出部１１２は、切り出した１歩行周期に対応する時系列の骨格データから、被験者の一方の足の膝関節の角度を検出する。特に、歩行パラメータ検出部１１２は、一方の足の立脚期の所定期間における膝関節の角度を検出する。より具体的には、歩行パラメータ検出部１１２は、１歩行周期の３５％の時点における一方の足の膝関節の角度を検出する。
メモリ１２は、膝関節の角度を入力値とし、被験者が転倒リスクを有しているか否かを出力値として生成された予測モデルを予め記憶する。予測モデルは、被験者が転倒リスクを有しているか否かを目的変数とし、１歩行周期の膝関節の角度の時系列データを説明変数とする回帰モデルである。特に、メモリ１２は、１歩行周期の３５％の時点における一方の足の膝関節の角度を入力値とし、被験者が転倒リスクを有しているか否かを出力値として生成された予測モデルを予め記憶する。
転倒リスク判定部１１３は、膝関節の角度を用いて被験者の転倒リスクの有無を判定する。転倒リスク判定部１１３は、膝関節の角度を入力値とし、被験者が転倒リスクを有しているか否かを出力値として生成された予測モデルに、歩行パラメータ検出部１１２によって検出された膝関節の角度を入力することで被験者が転倒リスクを有しているか否かを判定する。
また、転倒リスク判定部１１３は、一方の足の立脚期の所定期間における膝関節の角度の時系列データの平均値を用いて被験者の転倒リスクの有無を判定する。より具体的には、転倒リスク判定部１１３は、１歩行周期の３５％の時点における一方の足の膝関節の角度を用いて被験者の転倒リスクの有無を判定する。転倒リスク判定部１１３は、１歩行周期の３５％の時点における一方の足の膝関節の角度を予測モデルに入力することにより、被験者が転倒リスクを有しているか否かを示す判定結果を予測モデルから取得する。
図１５は、本実施の形態の第４の変形例において、１歩行周期の３５％の時点における転倒リスクを有しない被験者らの一方の足の膝関節の角度の平均と、１歩行周期の３５％の時点における転倒リスクを有する被験者らの一方の足の膝関節の角度の平均とを示す図である。
図１５に示すように、１歩行周期の３５％の時点における転倒リスクを有しない被験者らの一方の足の膝関節の角度の平均は、４１．０度であり、１歩行周期の３５％の時点における転倒リスクを有する被験者らの一方の足の膝関節の角度の平均は、３６．６度であった。
このように、１歩行周期の３５％の時点において、転倒リスクを有している被験者らの一方の足の膝関節の角度の平均は、転倒リスクを有していない被験者らの一方の足の膝関節の角度の平均よりも小さくなっている。そのため、実験により得られた、転倒リスクを有している被験者らの１歩行周期の３５％の時点における一方の足の膝関節の角度の平均と、転倒リスクを有していない被験者らの１歩行周期の３５％の時点における一方の足の膝関節の角度の平均との間の値が、閾値としてメモリ１２に記憶されてもよい。転倒リスク判定部１１３は、１歩行周期の３５％の時点における被験者の一方の足の膝関節の角度と、予め記憶されている閾値とを比較することにより、転倒リスクの有無を判定してもよい。
続いて、本実施の形態の第５の変形例における歩行パラメータについて説明する。
本実施の形態の第５の変形例における歩行パラメータは、一方の足の遊脚期の所定期間における一方の足の足首関節の角度の時系列データの平均値であってもよい。
図１６は、本実施の形態の第５の変形例において、１歩行周期における一方の足首関節の角度の変化を示す図である。図１６において、縦軸は足首関節の角度を示し、横軸は正規化した１歩行周期を示す。また、図１６において、破線は、転倒リスクを有していない被験者らの一方の足首関節の角度の平均波形を示し、実線は、転倒リスクを有している被験者らの一方の足首関節の角度の平均波形を示す。
本実施の形態の第５の変形例では、上記の実験と同様に、転倒リスクを有していない被験者及び転倒リスクを有している被験者を含む複数の被験者の骨格データから、複数の被験者それぞれの一方の足首関節の角度の時系列データを検出した。図２に示すように、足首関節の角度θは、矢状面において、右足首関節を示す特徴点２１２と右膝関節を示す特徴点２１１とを結ぶ直線と、右足首関節を示す特徴点２１２と右つま先を示す特徴点２１３とを結ぶ直線とがなす角度である。
実験では、正規化した１歩行周期を１０区間に分割し、１区間又は２以上の連続する区間における一方の足首関節の角度の平均値を被験者毎に算出した。そして、被験者が転倒リスクを有しているか否かを目的変数とし、１区間又は２以上の連続する区間における一方の足首関節の角度の平均値を説明変数とする複数の予測モデルを作成した。複数の予測モデルは、交差検証により評価された。交差検証としては、ｌｅａｖｅ－ｏｎｅ－ｏｕｔ交差検証が採用された。そして、複数の予測モデルそれぞれのＲＯＣ曲線が算出された。さらに、複数の予測モデルそれぞれのＲＯＣ曲線のＡＵＣ値が算出され、最もＡＵＣ値が高い予測モデルが選択された。
本実施の形態の第５の変形例では、１歩行周期の６１％～１００％の期間における一方の足首関節の角度の平均値を説明変数として作成された予測モデルのＡＵＣ値が最も高かった。
図１７は、本実施の形態の第５の変形例における予測モデルを用いて転倒リスクの有無を判定した結果得られたＲＯＣ曲線を示す図である。
本実施の形態の第５の変形例における予測モデルは、被験者が転倒リスクを有しているか否かを目的変数とし、１歩行周期の６１％～１００％の期間における一方の足首関節の角度の平均値を説明変数として作成された。図１７において、縦軸は真陽性率を示し、横軸は偽陽性率を示す。真陽性率は、予測モデルが転倒リスクの有る被験者を転倒リスクが有ると正しく判定した割合を示し、偽陽性率は、予測モデルが転倒リスクの無い被験者を転倒リスクが有ると誤って判定した割合を示す。
図１７に示すＲＯＣ曲線は、１歩行周期の６１％～１００％の期間における足首関節の角度の平均値を説明変数として作成された予測モデルの真陽性率と偽陽性率とをプロットしたものである。図１７に示すＲＯＣ曲線のＡＵＣ値は、０．５９５であった。この場合、１歩行周期の６１％～１００％の期間における足首関節の角度の平均値が、歩行パラメータとして決定される。また、１歩行周期の６１％～１００％の期間における足首関節の角度の平均値を説明変数として作成された予測モデルが、転倒リスク判定部１１３が用いる予測モデルとして決定される。
歩行パラメータ検出部１１２は、歩行データから、被験者の一方の足の足首関節の角度を検出する。歩行パラメータ検出部１１２は、切り出した１歩行周期に対応する時系列の骨格データから、被験者の一方の足の足首関節の角度を検出する。特に、歩行パラメータ検出部１１２は、一方の足の遊脚期の所定期間における足首関節の角度の時系列データを検出する。より具体的には、所定期間は、１歩行周期の６１％～１００％の期間である。歩行パラメータ検出部１１２は、１歩行周期の６１％～１００％の期間における一方の足の足首関節の角度の時系列データを検出する。また、歩行パラメータ検出部１１２は、１歩行周期の６１％～１００％の期間における一方の足の足首関節の角度の時系列データの平均値を算出する。
なお、本実施の形態の第５の変形例では、１歩行周期は、被験者の右足が地面に着いてから再度右足が地面に着くまでの期間であるので、歩行パラメータ検出部１１２は、右足の足首関節の角度θを検出している。１歩行周期が、被験者の左足が地面に着いてから再度左足が地面に着くまでの期間である場合、歩行パラメータ検出部１１２は、左足の足首関節の角度θを検出してもよい。
メモリ１２は、足首関節の角度を入力値とし、被験者が転倒リスクを有しているか否かを出力値として生成された予測モデルを予め記憶する。予測モデルは、被験者が転倒リスクを有しているか否かを目的変数とし、１歩行周期の足首関節の角度の時系列データを説明変数とする回帰モデルである。特に、メモリ１２は、１歩行周期の６１％～１００％の期間における一方の足の足首関節の角度の時系列データの平均値を入力値とし、被験者が転倒リスクを有しているか否かを出力値として生成された予測モデルを予め記憶する。
転倒リスク判定部１１３は、足首関節の角度を用いて被験者の転倒リスクの有無を判定する。転倒リスク判定部１１３は、足首関節の角度を入力値とし、被験者が転倒リスクを有しているか否かを出力値として生成された予測モデルに、歩行パラメータ検出部１１２によって検出された足首関節の角度を入力することで被験者が転倒リスクを有しているか否かを判定する。
また、転倒リスク判定部１１３は、一方の足の遊脚期の所定期間における足首関節の角度の時系列データの平均値を用いて被験者の転倒リスクの有無を判定する。より具体的には、転倒リスク判定部１１３は、１歩行周期の６１％～１００％の期間における一方の足の足首関節の角度の時系列データの平均値を用いて被験者の転倒リスクの有無を判定する。転倒リスク判定部１１３は、１歩行周期の６１％～１００％の期間における一方の足の足首関節の角度の時系列データの平均値を予測モデルに入力することにより、被験者が転倒リスクを有しているか否かを示す判定結果を予測モデルから取得する。
また、図１６に示す１歩行周期の６１％～１００％の期間において、転倒リスクを有している被験者らの一方の足の足首関節の角度の平均波形は、転倒リスクを有していない被験者らの一方の足の足首関節の角度の平均波形よりも小さくなっている。そのため、実験により得られた、転倒リスクを有している被験者らの１歩行周期の６１％～１００％の期間における一方の足の足首関節の角度の時系列データの平均値の平均と、転倒リスクを有していない被験者らの１歩行周期の６１％～１００％の期間における一方の足の足首関節の角度の時系列データの平均値の平均との間の値が、閾値としてメモリ１２に記憶されてもよい。転倒リスク判定部１１３は、１歩行周期の６１％～１００％の期間における被験者の一方の足の足首関節の角度の時系列データの平均値と、予め記憶されている閾値とを比較することにより、転倒リスクの有無を判定してもよい。
続いて、本実施の形態の第６の変形例における歩行パラメータについて説明する。
本実施の形態の第６の変形例における歩行パラメータは、１歩行周期の８４％～８９％の期間における一方の足の足首関節の角度の時系列データの平均値であってもよい。
本実施の形態の第６の変形例では、上記の実験と同様に、複数の被験者それぞれの一方の足の足首関節の角度の時系列データを検出した。また、被験者が転倒リスクを有しているか否かを目的変数とし、１歩行周期の８４％～８９％の期間における一方の足の足首関節の角度の平均値を説明変数とする予測モデルが作成された。予測モデルは、交差検証により評価された。交差検証としては、ｌｅａｖｅ－ｏｎｅ－ｏｕｔ交差検証が採用された。そして、予測モデルのＲＯＣ曲線が算出された。さらに、予測モデルのＲＯＣ曲線のＡＵＣ値が算出された。
図１８は、本実施の形態の第６の変形例における予測モデルを用いて転倒リスクの有無を判定した結果得られたＲＯＣ曲線を示す図である。
本実施の形態の第６の変形例における予測モデルは、被験者が転倒リスクを有しているか否かを目的変数とし、１歩行周期の８４％～８９％の期間における一方の足首関節の角度の平均値を説明変数として作成された。図１８において、縦軸は真陽性率を示し、横軸は偽陽性率を示す。真陽性率は、予測モデルが転倒リスクの有る被験者を転倒リスクが有ると正しく判定した割合を示し、偽陽性率は、予測モデルが転倒リスクの無い被験者を転倒リスクが有ると誤って判定した割合を示す。
図１８に示すＲＯＣ曲線は、１歩行周期の８４％～８９％の期間における足首関節の角度の平均値を説明変数として作成された予測モデルの真陽性率と偽陽性率とをプロットしたものである。図１８に示すＲＯＣ曲線のＡＵＣ値は、０．５９２８であった。この場合、１歩行周期の８４％～８９％の期間における足首関節の角度の平均値が、歩行パラメータとして決定される。また、１歩行周期の８４％～８９％の期間における足首関節の角度の平均値を説明変数として作成された予測モデルが、転倒リスク判定部１１３が用いる予測モデルとして決定される。
メモリ１２は、１歩行周期の８４％～８９％の期間における一方の足の足首関節の角度の時系列データの平均値を入力値とし、被験者が転倒リスクを有しているか否かを出力値として生成された予測モデルを予め記憶する。
歩行パラメータ検出部１１２は、１歩行周期の８４％～８９％の期間における一方の足の足首関節の角度の時系列データを検出する。また、歩行パラメータ検出部１１２は、１歩行周期の８４％～８９％の期間における一方の足の足首関節の角度の時系列データの平均値を算出する。
転倒リスク判定部１１３は、１歩行周期の８４％～８９％の期間における一方の足の足首関節の角度の時系列データの平均値を用いて被験者の転倒リスクの有無を判定する。転倒リスク判定部１１３は、１歩行周期の８４％～８９％の期間における一方の足の足首関節の角度の時系列データの平均値を予測モデルに入力することにより、被験者が転倒リスクを有しているか否かを示す判定結果を予測モデルから取得する。
図１９は、本実施の形態の第６の変形例において、１歩行周期の８４％～８９％の期間における転倒リスクを有しない被験者らの一方の足の足首関節の角度の時系列データの平均値の平均と、１歩行周期の８４％～８９％の期間における転倒リスクを有する被験者らの一方の足の足首関節の角度の時系列データの平均値の平均とを示す図である。
図１９に示すように、１歩行周期の８４％～８９％の期間における転倒リスクを有しない被験者らの一方の足の足首関節の角度の時系列データの平均値の平均は、１３．７度であり、１歩行周期の８４％～８９％の期間における転倒リスクを有する被験者らの一方の足の足首関節の角度の時系列データの平均値の平均は、１１．４度であった。
このように、１歩行周期の８４％～８９％の期間において、転倒リスクを有する被験者らの一方の足の足首関節の角度の時系列データの平均値の平均は、転倒リスクを有しない被験者らの一方の足の足首関節の角度の時系列データの平均値の平均よりも小さくなっている。そのため、実験により得られた、転倒リスクを有する被験者らの１歩行周期の８４％～８９％の期間における一方の足の足首関節の角度の時系列データの平均値の平均と、転倒リスクを有しない被験者らの１歩行周期の８４％～８９％の期間における一方の足の足首関節の角度の時系列データの平均値の平均との間の値が、閾値としてメモリ１２に記憶されてもよい。転倒リスク判定部１１３は、１歩行周期の８４％～８９％の期間における被験者の一方の足首関節の角度の時系列データの平均値と、予め記憶されている閾値とを比較することにより、転倒リスクの有無を判定してもよい。
続いて、本実施の形態の第７の変形例における歩行パラメータについて説明する。
本実施の形態の第７の変形例における歩行パラメータは、一方の足の立脚期の第１期間における腰の鉛直方向の変位の時系列データの平均値と、一方の足の立脚期の第２期間における膝関節の角度の時系列データの平均値とであってもよい。
本実施の形態の第７の変形例では、上記の実験と同様に、複数の被験者それぞれの腰の鉛直方向の変位の時系列データと、複数の被験者それぞれの一方の膝関節の角度の時系列データとを検出した。また、実験では、正規化した１歩行周期を１０区間に分割し、１区間又は２以上の連続する区間における腰の鉛直方向の変位の平均値と一方の膝関節の角度の平均値とを被験者毎に算出した。そして、被験者が転倒リスクを有しているか否かを目的変数とし、１区間又は２以上の連続する区間における腰の鉛直方向の変位の平均値と一方の膝関節の角度の平均値とを説明変数とする複数の予測モデルを作成した。複数の予測モデルは、交差検証により評価された。交差検証としては、ｌｅａｖｅ－ｏｎｅ－ｏｕｔ交差検証が採用された。そして、複数の予測モデルそれぞれのＲＯＣ曲線が算出された。さらに、複数の予測モデルそれぞれのＲＯＣ曲線のＡＵＣ値が算出され、最もＡＵＣ値が高い予測モデルが選択された。
本実施の形態の第７の変形例では、１歩行周期の１％～４０％の期間における腰の鉛直方向の変位の平均値と、１歩行周期の１％～６０％の期間における一方の膝関節の角度の平均値とを説明変数とする予測モデルのＡＵＣ値が最も高かった。
図２０は、本実施の形態の第７の変形例における予測モデルを用いて転倒リスクの有無を判定した結果得られたＲＯＣ曲線を示す図である。
本実施の形態の第７の変形例における予測モデルは、被験者が転倒リスクを有しているか否かを目的変数とし、１歩行周期の１％～４０％の期間における腰の鉛直方向の変位の平均値と、１歩行周期の１％～６０％の期間における一方の膝関節の角度の平均値とを説明変数として作成された。図２０において、縦軸は真陽性率を示し、横軸は偽陽性率を示す。真陽性率は、予測モデルが転倒リスクの有る被験者を転倒リスクが有ると正しく判定した割合を示し、偽陽性率は、予測モデルが転倒リスクの無い被験者を転倒リスクが有ると誤って判定した割合を示す。
図２０に示すＲＯＣ曲線は、１歩行周期の１％～４０％の期間における腰の鉛直方向の変位の平均値と、１歩行周期の１％～６０％の期間における一方の膝関節の角度の平均値とを説明変数として作成された予測モデルの真陽性率と偽陽性率とをプロットしたものである。図２０に示すＲＯＣ曲線のＡＵＣ値は、０．７３４であった。この場合、１歩行周期の１％～４０％の期間における腰の鉛直方向の変位の平均値と、１歩行周期の１％～６０％の期間における一方の膝関節の角度の平均値とが、歩行パラメータとして決定される。また、１歩行周期の１％～４０％の期間における腰の鉛直方向の変位の平均値と、１歩行周期の１％～６０％の期間における一方の膝関節の角度の平均値とを説明変数として作成された予測モデルが、転倒リスク判定部１１３が用いる予測モデルとして決定される。
歩行パラメータ検出部１１２は、一方の足の立脚期の第１期間における腰の鉛直方向の変位の時系列データと、一方の足の立脚期の第２期間における膝関節の角度の時系列データとを検出する。第１期間は、１歩行周期の１％～４０％の期間であり、第２期間は、１歩行周期の１％～６０％の期間である。歩行パラメータ検出部１１２は、１歩行周期の１％～４０％の期間における腰の鉛直方向の変位の時系列データと、１歩行周期の１％～６０％の期間における一方の膝関節の角度の時系列データとを検出する。また、歩行パラメータ検出部１１２は、１歩行周期の１％～４０％の期間における腰の鉛直方向の変位の時系列データの平均値と、１歩行周期の１％～６０％の期間における一方の膝関節の角度の時系列データの平均値とを算出する。
メモリ１２は、一方の足の立脚期の第１期間における腰の鉛直方向の変位の時系列データの平均値と、一方の足の立脚期の第２期間における膝関節の角度の時系列データの平均値とを入力値とし、被験者が転倒リスクを有しているか否かを出力値として生成された予測モデルを予め記憶する。メモリ１２は、１歩行周期の１％～４０％の期間における腰の鉛直方向の変位の平均値と、１歩行周期の１％～６０％の期間における一方の膝関節の角度の平均値とを入力値とし、被験者が転倒リスクを有しているか否かを出力値として生成された予測モデルを予め記憶する。
転倒リスク判定部１１３は、腰の鉛直方向の変位の時系列データの平均値と、膝関節の角度の時系列データの平均値とを用いて被験者の転倒リスクの有無を判定する。
転倒リスク判定部１１３は、１歩行周期の１％～４０％の期間における腰の鉛直方向の変位の時系列データの平均値と、１歩行周期の１％～６０％の期間における一方の膝関節の角度の時系列データの平均値とを用いて被験者の転倒リスクの有無を判定する。転倒リスク判定部１１３は、１歩行周期の１％～４０％の期間における腰の鉛直方向の変位の時系列データの平均値と、１歩行周期の１％～６０％の期間における一方の膝関節の角度の時系列データの平均値とを予測モデルに入力することにより、被験者が転倒リスクを有しているか否かを示す判定結果を予測モデルから取得する。
このように、立脚期における腰の鉛直方向の変位を単独で用いて作成した予測モデルのＡＵＣ値は、０．７３３であり、立脚期における膝関節の角度を単独で用いて作成した予測モデルのＡＵＣ値は、０．５４２であった。これに対し、立脚期における腰の鉛直方向の変位及び立脚期における膝関節の角度を用いて作成した予測モデルのＡＵＣ値は、０．７３４であった。したがって、立脚期における腰の鉛直方向の変位及び立脚期における膝関節の角度をそれぞれ単独で用いて作成した予測モデルよりも、立脚期における腰の鉛直方向の変位及び立脚期における膝関節の角度を用いて作成した予測モデルの方が精度よく転倒リスクの有無を判定することができる。
続いて、本実施の形態の第８の変形例における歩行パラメータについて説明する。
本実施の形態の第８の変形例における歩行パラメータは、一方の足の１歩行周期の９％～１９％の期間における腰の鉛直方向の変位の時系列データの平均値と、一方の足の１歩行周期の３５％の時点における膝関節の角度とであってもよい。
本実施の形態の第８の変形例では、上記の実験と同様に、複数の被験者それぞれの腰の鉛直方向の変位の時系列データと、複数の被験者それぞれの一方の膝関節の角度の時系列データとを検出した。また、被験者が転倒リスクを有しているか否かを目的変数とし、１歩行周期の９％～１９％の期間における腰の鉛直方向の変位の平均値と、１歩行周期の３５％の時点における一方の膝関節の角度とを説明変数とする予測モデルが作成された。予測モデルは、交差検証により評価された。交差検証としては、ｌｅａｖｅ－ｏｎｅ－ｏｕｔ交差検証が採用された。そして、予測モデルのＲＯＣ曲線が算出された。さらに、予測モデルのＲＯＣ曲線のＡＵＣ値が算出された。
図２１は、本実施の形態の第８の変形例における予測モデルを用いて転倒リスクの有無を判定した結果得られたＲＯＣ曲線を示す図である。
本実施の形態の第８の変形例における予測モデルは、被験者が転倒リスクを有しているか否かを目的変数とし、１歩行周期の９％～１９％の期間における腰の鉛直方向の変位の平均値と、１歩行周期の３５％の時点における一方の膝関節の角度とを説明変数として作成された。図２１において、縦軸は真陽性率を示し、横軸は偽陽性率を示す。真陽性率は、予測モデルが転倒リスクの有る被験者を転倒リスクが有ると正しく判定した割合を示し、偽陽性率は、予測モデルが転倒リスクの無い被験者を転倒リスクが有ると誤って判定した割合を示す。
図２１に示すＲＯＣ曲線は、１歩行周期の９％～１９％の期間における腰の鉛直方向の変位の平均値と、１歩行周期の３５％の時点における一方の膝関節の角度とを説明変数として作成された予測モデルの真陽性率と偽陽性率とをプロットしたものである。図２１に示すＲＯＣ曲線のＡＵＣ値は、０．８１０９であった。この場合、１歩行周期の９％～１９％の期間における腰の鉛直方向の変位の平均値と、１歩行周期の３５％の時点における一方の膝関節の角度とが、歩行パラメータとして決定される。また、１歩行周期の９％～１９％の期間における腰の鉛直方向の変位の平均値と、１歩行周期の３５％の時点における一方の膝関節の角度とを説明変数として作成された予測モデルが、転倒リスク判定部１１３が用いる予測モデルとして決定される。
歩行パラメータ検出部１１２は、一方の足の立脚期の第１期間における腰の鉛直方向の変位の時系列データと、一方の足の立脚期の第２期間における膝関節の角度の時系列データとを検出する。より具体的には、歩行パラメータ検出部１１２は、１歩行周期の９％～１９％の期間における腰の鉛直方向の変位の時系列データと、１歩行周期の３５％の時点における一方の膝関節の角度とを検出する。また、歩行パラメータ検出部１１２は、１歩行周期の９％～１９％の期間における腰の鉛直方向の変位の時系列データの平均値を算出する。
メモリ１２は、１歩行周期の９％～１９％の期間における腰の鉛直方向の変位の平均値と、１歩行周期の３５％の時点における一方の膝関節の角度とを入力値とし、被験者が転倒リスクを有しているか否かを出力値として生成された予測モデルを予め記憶する。
転倒リスク判定部１１３は、１歩行周期の９％～１９％の期間における腰の鉛直方向の変位の時系列データの平均値と、１歩行周期の３５％の時点における一方の膝関節の角度とを用いて被験者の転倒リスクの有無を判定する。転倒リスク判定部１１３は、１歩行周期の９％～１９％の期間における腰の鉛直方向の変位の時系列データの平均値と、１歩行周期の３５％の時点における一方の膝関節の角度とを予測モデルに入力することにより、被験者が転倒リスクを有しているか否かを示す判定結果を予測モデルから取得する。
このように、１歩行周期の９％～１９％の期間における腰の鉛直方向の変位を単独で用いて作成した予測モデルのＡＵＣ値は、０．８０５８であり、１歩行周期の３５％の時点における膝関節の角度を単独で用いて作成した予測モデルのＡＵＣ値は、０．６２４２であった。これに対し、１歩行周期の９％～１９％の期間における腰の鉛直方向の変位及び１歩行周期の３５％の時点における膝関節の角度を用いて作成した予測モデルのＡＵＣ値は、０．８１０９であった。したがって、１歩行周期の９％～１９％の期間における腰の鉛直方向の変位及び１歩行周期の３５％の時点における膝関節の角度をそれぞれ単独で用いて作成した予測モデルよりも、１歩行周期の９％～１９％の期間における腰の鉛直方向の変位及び１歩行周期の３５％の時点における膝関節の角度を用いて作成した予測モデルの方が精度よく転倒リスクの有無を判定することができる。
続いて、本実施の形態の第９の変形例における歩行パラメータについて説明する。
本実施の形態の第９の変形例における歩行パラメータは、一方の足の立脚期の第１期間における腰の鉛直方向の変位の時系列データの平均値と、一方の足の遊脚期の第２期間における腰の鉛直方向の変位の時系列データの平均値と、一方の足の遊脚期の第３期間における足首関節の角度の時系列データの平均値とであってもよい。
本実施の形態の第９の変形例では、上記の実験と同様に、複数の被験者それぞれの腰の鉛直方向の変位の時系列データと、複数の被験者それぞれの一方の足首関節の角度の時系列データとを検出した。また、実験では、正規化した１歩行周期を１０区間に分割し、１区間又は２以上の連続する区間における腰の鉛直方向の変位の平均値と一方の足首関節の角度の平均値とを被験者毎に算出した。そして、被験者が転倒リスクを有しているか否かを目的変数とし、１区間又は２以上の連続する区間における腰の鉛直方向の変位の平均値と一方の足首関節の角度の平均値とを説明変数とする複数の予測モデルを作成した。複数の予測モデルは、交差検証により評価された。交差検証としては、ｌｅａｖｅ－ｏｎｅ－ｏｕｔ交差検証が採用された。そして、複数の予測モデルそれぞれのＲＯＣ曲線が算出された。さらに、複数の予測モデルそれぞれのＲＯＣ曲線のＡＵＣ値が算出され、最もＡＵＣ値が高い予測モデルが選択された。
本実施の形態の第９の変形例では、１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の平均値と、１歩行周期の６１％～８０％の期間における腰の鉛直方向の変位の平均値と、１歩行周期の６１％～１００％の期間における一方の足首関節の角度の平均値とを説明変数とする予測モデルのＡＵＣ値が最も高かった。
図２２は、本実施の形態の第９の変形例における予測モデルを用いて転倒リスクの有無を判定した結果得られたＲＯＣ曲線を示す図である。
本実施の形態の第９の変形例における予測モデルは、被験者が転倒リスクを有しているか否かを目的変数とし、１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の平均値と、１歩行周期の６１％～８０％の期間における腰の鉛直方向の変位の平均値と、１歩行周期の６１％～１００％の期間における一方の足首関節の角度の平均値とを説明変数として作成された。図２２において、縦軸は真陽性率を示し、横軸は偽陽性率を示す。真陽性率は、予測モデルが転倒リスクの有る被験者を転倒リスクが有ると正しく判定した割合を示し、偽陽性率は、予測モデルが転倒リスクの無い被験者を転倒リスクが有ると誤って判定した割合を示す。
図２２に示すＲＯＣ曲線は、１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の平均値と、１歩行周期の６１％～８０％の期間における腰の鉛直方向の変位の平均値と、１歩行周期の６１％～１００％の期間における一方の足首関節の角度の平均値とを説明変数として作成された予測モデルの真陽性率と偽陽性率とをプロットしたものである。図２２に示すＲＯＣ曲線のＡＵＣ値は、０．７４６であった。この場合、１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の平均値と、１歩行周期の６１％～８０％の期間における腰の鉛直方向の変位の平均値と、１歩行周期の６１％～１００％の期間における一方の足首関節の角度の平均値とが、歩行パラメータとして決定される。また、１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の平均値と、１歩行周期の６１％～８０％の期間における腰の鉛直方向の変位の平均値と、１歩行周期の６１％～１００％の期間における一方の足首関節の角度の平均値とを説明変数として作成された予測モデルが、転倒リスク判定部１１３が用いる予測モデルとして決定される。
歩行パラメータ検出部１１２は、一方の足の立脚期の第１期間における腰の鉛直方向の変位の時系列データと、一方の足の遊脚期の第２期間における腰の鉛直方向の変位の時系列データと、一方の足の遊脚期の第３期間における足首関節の角度の時系列データとを検出する。第１期間は、１歩行周期の１％～６０％の期間であり、第２期間は、１歩行周期の６１％～８０％の期間であり、第３期間は、１歩行周期の６１％～１００％の期間である。歩行パラメータ検出部１１２は、１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の時系列データと、１歩行周期の６１％～８０％の期間における腰の鉛直方向の変位の時系列データと、１歩行周期の６１％～１００％の期間における一方の足首関節の角度の時系列データとを検出する。また、歩行パラメータ検出部１１２は、１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の時系列データの平均値と、１歩行周期の６１％～８０％の期間における腰の鉛直方向の変位の時系列データの平均値と、１歩行周期の６１％～１００％の期間における一方の足首関節の角度の時系列データの平均値とを算出する。
メモリ１２は、一方の足の立脚期の第１期間における腰の鉛直方向の変位の時系列データの平均値と、一方の足の遊脚期の第２期間における腰の鉛直方向の変位の時系列データの平均値と、一方の足の遊脚期の第３期間における足首関節の角度の時系列データの平均値とを入力値とし、被験者が転倒リスクを有しているか否かを出力値として生成された予測モデルを予め記憶する。メモリ１２は、１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の平均値と、１歩行周期の６１％～８０％の期間における腰の鉛直方向の変位の平均値と、１歩行周期の６１％～１００％の期間における一方の足首関節の角度の平均値とを入力値とし、被験者が転倒リスクを有しているか否かを出力値として生成された予測モデルを予め記憶する。
転倒リスク判定部１１３は、腰の鉛直方向の変位の時系列データの平均値と、足首関節の角度の時系列データの平均値とを用いて被験者の転倒リスクの有無を判定する。
転倒リスク判定部１１３は、１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の時系列データの平均値と、１歩行周期の６１％～８０％の期間における腰の鉛直方向の変位の時系列データの平均値と、１歩行周期の６１％～１００％の期間における一方の足首関節の角度の時系列データの平均値とを用いて被験者の転倒リスクの有無を判定する。転倒リスク判定部１１３は、１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の時系列データの平均値と、１歩行周期の６１％～８０％の期間における腰の鉛直方向の変位の時系列データの平均値と、１歩行周期の６１％～１００％の期間における一方の足首関節の角度の時系列データの平均値とを予測モデルに入力することにより、被験者が転倒リスクを有しているか否かを示す判定結果を予測モデルから取得する。
このように、立脚期における腰の鉛直方向の変位を単独で用いて作成した予測モデルのＡＵＣ値は、０．７３３であり、遊脚期における足首関節の角度を単独で用いて作成した予測モデルのＡＵＣ値は、０．５９５であった。これに対し、立脚期の第１期間における腰の鉛直方向の変位、遊脚期の第２期間における腰の鉛直方向の変位及び遊脚期の第３期間における足首関節の角度を用いて作成した予測モデルのＡＵＣ値は、０．７４６であった。したがって、立脚期における腰の鉛直方向の変位及び遊脚期における足首関節の角度をそれぞれ単独で用いて作成した予測モデルよりも、立脚期の第１期間における腰の鉛直方向の変位、遊脚期の第２期間における腰の鉛直方向の変位及び遊脚期の第３期間における足首関節の角度を用いて作成した予測モデルの方が精度よく転倒リスクの有無を判定することができる。
続いて、本実施の形態の第１０の変形例における歩行パラメータについて説明する。
本実施の形態の第１０の変形例における歩行パラメータは、一方の足の立脚期の第１期間における膝関節の角度の時系列データの平均値と、一方の足の遊脚期の第２期間における足首関節の角度の時系列データの平均値とであってもよい。
本実施の形態の第１０の変形例では、上記の実験と同様に、複数の被験者それぞれの一方の膝関節の角度の時系列データと、複数の被験者それぞれの一方の足首関節の角度の時系列データとを検出した。また、実験では、正規化した１歩行周期を１０区間に分割し、１区間又は２以上の連続する区間における一方の膝関節の角度の平均値と一方の足首関節の角度の平均値とを被験者毎に算出した。そして、被験者が転倒リスクを有しているか否かを目的変数とし、１区間又は２以上の連続する区間における一方の膝関節の角度の平均値と一方の足首関節の角度の平均値とを説明変数とする複数の予測モデルを作成した。複数の予測モデルは、交差検証により評価された。交差検証としては、ｌｅａｖｅ－ｏｎｅ－ｏｕｔ交差検証が採用された。そして、複数の予測モデルそれぞれのＲＯＣ曲線が算出された。さらに、複数の予測モデルそれぞれのＲＯＣ曲線のＡＵＣ値が算出され、最もＡＵＣ値が高い予測モデルが選択された。
本実施の形態の第１０の変形例では、１歩行周期の１％～６０％の期間における一方の膝関節の角度の平均値と、１歩行周期の６１％～１００％の期間における一方の足首関節の角度の平均値とを説明変数とする予測モデルのＡＵＣ値が最も高かった。
図２３は、本実施の形態の第１０の変形例における予測モデルを用いて転倒リスクの有無を判定した結果得られたＲＯＣ曲線を示す図である。
本実施の形態の第１０の変形例における予測モデルは、被験者が転倒リスクを有しているか否かを目的変数とし、１歩行周期の１％～６０％の期間における一方の膝関節の角度の平均値と、１歩行周期の６１％～１００％の期間における一方の足首関節の角度の平均値とを説明変数として作成された。図２３において、縦軸は真陽性率を示し、横軸は偽陽性率を示す。真陽性率は、予測モデルが転倒リスクの有る被験者を転倒リスクが有ると正しく判定した割合を示し、偽陽性率は、予測モデルが転倒リスクの無い被験者を転倒リスクが有ると誤って判定した割合を示す。
図２３に示すＲＯＣ曲線は、１歩行周期の１％～６０％の期間における一方の膝関節の角度の平均値と、１歩行周期の６１％～１００％の期間における一方の足首関節の角度の平均値とを説明変数として作成された予測モデルの真陽性率と偽陽性率とをプロットしたものである。図２３に示すＲＯＣ曲線のＡＵＣ値は、０．６２８であった。この場合、１歩行周期の１％～６０％の期間における一方の膝関節の角度の平均値と、１歩行周期の６１％～１００％の期間における一方の足首関節の角度の平均値とが、歩行パラメータとして決定される。また、１歩行周期の１％～６０％の期間における一方の膝関節の角度の平均値と、１歩行周期の６１％～１００％の期間における一方の足首関節の角度の平均値とを説明変数として作成された予測モデルが、転倒リスク判定部１１３が用いる予測モデルとして決定される。
歩行パラメータ検出部１１２は、一方の足の立脚期の第１期間における膝関節の角度の時系列データと、一方の足の遊脚期の第２期間における足首関節の角度の時系列データとを検出する。第１期間は、１歩行周期の１％～６０％の期間であり、第２期間は、１歩行周期の６１％～１００％の期間である。歩行パラメータ検出部１１２は、１歩行周期の１％～６０％の期間における一方の膝関節の角度の時系列データと、１歩行周期の６１％～１００％の期間における一方の足首関節の角度の時系列データとを検出する。また、歩行パラメータ検出部１１２は、１歩行周期の１％～６０％の期間における一方の膝関節の角度の時系列データの平均値と、１歩行周期の６１％～１００％の期間における一方の足首関節の角度の時系列データの平均値とを算出する。
メモリ１２は、一方の足の立脚期の第１期間における膝関節の角度の時系列データの平均値と、一方の足の遊脚期の第２期間における足首関節の角度の時系列データの平均値とを入力値とし、被験者が転倒リスクを有しているか否かを出力値として生成された予測モデルを予め記憶する。メモリ１２は、１歩行周期の１％～６０％の期間における一方の膝関節の角度の平均値と、１歩行周期の６１％～１００％の期間における一方の足首関節の角度の平均値とを入力値とし、被験者が転倒リスクを有しているか否かを出力値として生成された予測モデルを予め記憶する。
転倒リスク判定部１１３は、膝関節の角度の時系列データの平均値と、足首関節の角度の時系列データの平均値とを用いて被験者の転倒リスクの有無を判定する。
転倒リスク判定部１１３は、１歩行周期の１％～６０％の期間における一方の膝関節の角度の時系列データの平均値と、１歩行周期の６１％～１００％の期間における一方の足首関節の角度の時系列データの平均値とを用いて被験者の転倒リスクの有無を判定する。転倒リスク判定部１１３は、１歩行周期の１％～６０％の期間における一方の膝関節の角度の時系列データの平均値と、１歩行周期の６１％～１００％の期間における一方の足首関節の角度の時系列データの平均値とを予測モデルに入力することにより、被験者が転倒リスクを有しているか否かを示す判定結果を予測モデルから取得する。
このように、膝関節の角度及び足首関節の角度をそれぞれ単独で用いて作成した予測モデルのＡＵＣ値は、０．５４２及び０．５９５であり、膝関節の角度及び足首関節の角度を用いて作成した予測モデルのＡＵＣ値は、０．６２８であった。したがって、膝関節の角度及び足首関節の角度をそれぞれ単独で用いて作成した予測モデルよりも、膝関節の角度及び足首関節の角度を用いて作成した予測モデルの方が精度よく転倒リスクの有無を判定することができる。
続いて、本実施の形態の第１１の変形例における歩行パラメータについて説明する。
本実施の形態の第１１の変形例における歩行パラメータは、一方の足の立脚期の第１期間における腰の鉛直方向の変位の時系列データの平均値と、一方の足の立脚期の第２期間における膝関節の角度の時系列データの平均値と、一方の足の遊脚期の第３期間における足首関節の角度の時系列データの平均値とであってもよい。
本実施の形態の第１１の変形例では、上記の実験と同様に、複数の被験者それぞれの腰の鉛直方向の変位の時系列データと、複数の被験者それぞれの一方の膝関節の角度の時系列データと、複数の被験者それぞれの一方の足首関節の角度の時系列データとを検出した。また、実験では、正規化した１歩行周期を１０区間に分割し、１区間又は２以上の連続する区間における腰の鉛直方向の変位の平均値と一方の膝関節の角度の平均値と一方の足首関節の角度の平均値とを被験者毎に算出した。そして、被験者が転倒リスクを有しているか否かを目的変数とし、１区間又は２以上の連続する区間における腰の鉛直方向の変位の平均値と一方の膝関節の角度の平均値と一方の足首関節の角度の平均値とを説明変数とする複数の予測モデルを作成した。複数の予測モデルは、交差検証により評価された。交差検証としては、ｌｅａｖｅ－ｏｎｅ－ｏｕｔ交差検証が採用された。そして、複数の予測モデルそれぞれのＲＯＣ曲線が算出された。さらに、複数の予測モデルそれぞれのＲＯＣ曲線のＡＵＣ値が算出され、最もＡＵＣ値が高い予測モデルが選択された。
本実施の形態の第１１の変形例では、１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の平均値と、１歩行周期の１％～６０％の期間における一方の膝関節の角度の平均値と、１歩行周期の６１％～１００％の期間における一方の足首関節の角度の平均値とを説明変数とする予測モデルのＡＵＣ値が最も高かった。
図２４は、本実施の形態の第１１の変形例における予測モデルを用いて転倒リスクの有無を判定した結果得られたＲＯＣ曲線を示す図である。
本実施の形態の第１１の変形例における予測モデルは、被験者が転倒リスクを有しているか否かを目的変数とし、１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の平均値と、１歩行周期の１％～６０％の期間における一方の膝関節の角度の平均値と、１歩行周期の６１％～１００％の期間における一方の足首関節の角度の平均値とを説明変数として作成された。図２４において、縦軸は真陽性率を示し、横軸は偽陽性率を示す。真陽性率は、予測モデルが転倒リスクの有る被験者を転倒リスクが有ると正しく判定した割合を示し、偽陽性率は、予測モデルが転倒リスクの無い被験者を転倒リスクが有ると誤って判定した割合を示す。
図２４に示すＲＯＣ曲線は、１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の平均値と、１歩行周期の１％～６０％の期間における一方の膝関節の角度の平均値と、１歩行周期の６１％～１００％の期間における一方の足首関節の角度の平均値とを説明変数として作成された予測モデルの真陽性率と偽陽性率とをプロットしたものである。図２４に示すＲＯＣ曲線のＡＵＣ値は、０．６９１であった。この場合、１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の平均値と、１歩行周期の１％～６０％の期間における一方の膝関節の角度の平均値と、１歩行周期の６１％～１００％の期間における一方の足首関節の角度の平均値とが、歩行パラメータとして決定される。また、１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の平均値と、１歩行周期の１％～６０％の期間における一方の膝関節の角度の平均値と、１歩行周期の６１％～１００％の期間における一方の足首関節の角度の平均値とを説明変数として作成された予測モデルが、転倒リスク判定部１１３が用いる予測モデルとして決定される。
歩行パラメータ検出部１１２は、一方の足の立脚期の第１期間における腰の鉛直方向の変位の時系列データと、一方の足の立脚期の第２期間における膝関節の角度の時系列データと、一方の足の遊脚期の第３期間における足首関節の角度の時系列データとを検出する。第１期間は、１歩行周期の１％～６０％の期間であり、第２期間は、１歩行周期の１％～６０％の期間であり、第３期間は、１歩行周期の６１％～１００％の期間である。歩行パラメータ検出部１１２は、１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の時系列データと、１歩行周期の１％～６０％の期間における一方の膝関節の角度の時系列データと、１歩行周期の６１％～１００％の期間における一方の足首関節の角度の時系列データとを検出する。
また、歩行パラメータ検出部１１２は、１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の時系列データの平均値と、１歩行周期の１％～６０％の期間における一方の膝関節の角度の時系列データの平均値と、１歩行周期の６１％～１００％の期間における一方の足首関節の角度の時系列データの平均値とを算出する。
メモリ１２は、一方の足の立脚期の第１期間における腰の鉛直方向の変位の時系列データの平均値と、一方の足の立脚期の第２期間における膝関節の角度の時系列データの平均値と、一方の足の遊脚期の第３期間における足首関節の角度の時系列データの平均値とを入力値とし、被験者が転倒リスクを有しているか否かを出力値として生成された予測モデルを予め記憶する。メモリ１２は、１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の平均値と、１歩行周期の１％～６０％の期間における一方の膝関節の角度の平均値と、１歩行周期の６１％～１００％の期間における一方の足首関節の角度の平均値とを入力値とし、被験者が転倒リスクを有しているか否かを出力値として生成された予測モデルを予め記憶する。
転倒リスク判定部１１３は、腰の鉛直方向の変位の時系列データの平均値と、膝関節の角度の時系列データの平均値と、足首関節の角度の時系列データの平均値とを用いて被験者の転倒リスクの有無を判定する。
転倒リスク判定部１１３は、１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の時系列データの平均値と、１歩行周期の１％～６０％の期間における一方の膝関節の角度の時系列データの平均値と、１歩行周期の６１％～１００％の期間における一方の足首関節の角度の時系列データの平均値とを用いて被験者の転倒リスクの有無を判定する。転倒リスク判定部１１３は、１歩行周期の１％～６０％の期間における腰の鉛直方向の変位の時系列データの平均値と、１歩行周期の１％～６０％の期間における一方の膝関節の角度の時系列データの平均値と、１歩行周期の６１％～１００％の期間における一方の足首関節の角度の時系列データの平均値とを予測モデルに入力することにより、被験者が転倒リスクを有しているか否かを示す判定結果を予測モデルから取得する。
このように、膝関節の角度及び足首関節の角度をそれぞれ単独で用いて作成した予測モデルのＡＵＣ値は、０．５４２及び０．５９５であり、腰の鉛直方向の変位、足首関節の角度及び膝関節の角度を用いて作成した予測モデルのＡＵＣ値は、０．６９１であった。したがって、膝関節の角度及び足首関節の角度をそれぞれ単独で用いて作成した予測モデルよりも、腰の鉛直方向の変位、膝関節の角度及び足首関節の角度を用いて作成した予測モデルの方が精度よく転倒リスクの有無を判定することができる。
図２５は、本実施の形態において表示される評価結果画面の一例を示す図である。
表示部３は、図２５に示す評価結果画面を表示する。評価結果画面は、過去の転倒リスクの評価値と、今回の転倒リスクの評価値とを示す転倒リスク評価提示領域３１と、評価メッセージ３２とを含む。図２５の転倒リスク評価提示領域３１では、転倒リスクの評価が１か月に１回行われ、過去６か月間の転倒リスクの評価値と、今月の転倒リスクの評価値とが表示されている。
転倒リスクの評価値は、予測モデルによって算出される転倒リスクの程度を示す値である。転倒リスクの程度を示す値は、例えば、０．０～１．０で表される。評価結果提示部１１４は、転倒リスクの程度を示す値を百分率に換算して転倒リスクの評価値として提示する。
なお、今回の転倒リスクの評価値とともに、過去の転倒リスクの評価値が表示される場合、転倒リスク判定部１１３は、転倒リスクの評価値をメモリ１２に記憶する。
また、転倒リスク評価提示領域３１は、被験者が転倒リスクを有しているか否かを評価結果として表示してもよい。
また、「転倒リスクが先月よりも低下しており、良好な状態が保てています。この調子で生活してください。」という評価メッセージ３２が表示されている。評価結果提示部１１４は、今月の転倒リスクの評価値が先月の転倒リスクの評価値よりも低く、かつ今月の転倒リスクの評価値が０．５より低い場合に、図２５に示す評価メッセージ３２をメモリ１２から読み出し、表示部３へ出力する。
なお、本実施の形態では、今回の転倒リスクの評価値とともに、過去の転倒リスクの評価値が表示されるが、本開示は特にこれに限定されず、今回の転倒リスクの評価値のみが表示されてもよい。この場合、転倒リスク判定部１１３は、転倒リスクの評価値をメモリ１２に記憶しなくてもよい。
また、本実施の形態におけるカメラ２は、玄関前に設けられたセキュリティカメラ、ドアホンのカメラ子機、又は室内に設けられた監視カメラであってもよい。また、表示部３は、スマートフォン、タブレット型コンピュータ、又は、ドアホンのモニタであってもよい。
なお、本実施の形態では、歩行パラメータ検出部１１２は、カメラ２から取得された動画像データに基づいて骨格データを抽出しているが、本開示は特にこれに限定されず、モーションキャプチャシステムを用いて骨格データを抽出してもよい。モーションキャプチャシステムは、光学式、磁気式、機械式及び慣性センサ式のいずれであってもよい。例えば、光学式モーションキャプチャシステムは、関節部分にマーカを貼り付けた被験者をカメラで撮影し、撮影した画像からマーカの位置を検出する。歩行パラメータ検出部１１２は、モーションキャプチャシステムによって検出された位置データから、被験者の骨格データを取得する。光学式モーションキャプチャシステムとしては、例えば、インターリハ株式会社製の３次元動作分析装置が利用可能である。
また、モーションキャプチャシステムは、深度センサ及びカラーカメラを備えてもよく、映像から被験者の関節点の位置情報を自動的に抽出し、被験者の姿勢を検出してもよい。この場合、被験者は、マーカを貼り付ける必要はない。なお、このようなモーションキャプチャシステムとしては、例えば、マイクロソフト社製のＫｉｎｅｃｔが利用可能である。
モーションキャプチャシステムを用いた歩行動作の計測では、位置座標から歩行動作における足首関節の角度、膝関節の角度又は腰の鉛直方向の変位が抽出され、抽出された角度又は変位から歩行動作の特徴量が検出されることが好ましい。
なお、上記各実施の形態において、各構成要素は、専用のハードウェアで構成されるか、各構成要素に適したソフトウェアプログラムを実行することによって実現されてもよい。各構成要素は、ＣＰＵまたはプロセッサなどのプログラム実行部が、ハードディスクまたは半導体メモリなどの記録媒体に記録されたソフトウェアプログラムを読み出して実行することによって実現されてもよい。
本開示の実施の形態に係る装置の機能の一部又は全ては典型的には集積回路であるＬＳＩ（Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ）として実現される。これらは個別に１チップ化されてもよいし、一部又は全てを含むように１チップ化されてもよい。また、集積回路化はＬＳＩに限るものではなく、専用回路又は汎用プロセッサで実現してもよい。ＬＳＩ製造後にプログラムすることが可能なＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、又はＬＳＩ内部の回路セルの接続や設定を再構成可能なリコンフィギュラブル・プロセッサを利用してもよい。
また、本開示の実施の形態に係る装置の機能の一部又は全てを、ＣＰＵ等のプロセッサがプログラムを実行することにより実現してもよい。
また、上記で用いた数字は、全て本開示を具体的に説明するために例示するものであり、本開示は例示された数字に制限されない。
また、上記フローチャートに示す各ステップが実行される順序は、本開示を具体的に説明するために例示するためのものであり、同様の効果が得られる範囲で上記以外の順序であってもよい。また、上記ステップの一部が、他のステップと同時（並列）に実行されてもよい。
本開示に係る技術は、簡単且つ高い精度で転倒リスクを評価することができるので、被験者の歩行動作に基づいて転倒リスクを評価する技術に有用である。
１ 転倒リスク評価装置
２ カメラ
３ 表示部
１１ プロセッサ
１２ メモリ
１１１ データ取得部
１１２ 歩行パラメータ検出部
１１３ 転倒リスク判定部
１１４ 評価結果提示部

Claims (18)

  1. 被験者の歩行動作に基づいて転倒リスクを評価する転倒リスク評価装置における転倒リスク評価方法であって、
    前記転倒リスク評価装置が、
    前記被験者の歩行に関する歩行データを取得し、
    前記歩行データから、前記被験者の一方の足の立脚期における前記被験者の腰の鉛直方向の変位、前記一方の足の遊脚期における前記被験者の前記腰の鉛直方向の変位、及び前記立脚期における前記一方の足の膝関節の角度の少なくとも１つを検出し、
    前記立脚期における前記腰の鉛直方向の前記変位、前記遊脚期における前記腰の鉛直方向の前記変位、及び前記立脚期における前記膝関節の前記角度の少なくとも１つを用いて前記被験者の転倒リスクを判定し、
    前記判定において、前記立脚期における前記腰の鉛直方向の前記変位が閾値より小さい場合、前記遊脚期における前記腰の鉛直方向の前記変位が閾値より小さい場合、又は前記立脚期における前記膝関節の前記角度が閾値より小さい場合、前記被験者が前記転倒リスクを有していると判定する、
    転倒リスク評価方法。
  2. 被験者の歩行動作に基づいて転倒リスクを評価する転倒リスク評価装置における転倒リスク評価方法であって、
    前記転倒リスク評価装置が、
    前記被験者の歩行に関する歩行データを取得し、
    前記歩行データから、前記被験者の一方の足の立脚期における前記被験者の腰の鉛直方向の変位、前記一方の足の遊脚期における前記被験者の前記腰の鉛直方向の変位、及び前記立脚期における前記一方の足の膝関節の角度の少なくとも１つを検出し、
    前記立脚期における前記腰の鉛直方向の前記変位、前記遊脚期における前記腰の鉛直方向の前記変位、及び前記立脚期における前記膝関節の前記角度の少なくとも１つを用いて前記被験者の転倒リスクを判定し、
    前記判定において、前記立脚期における前記腰の鉛直方向の前記変位、前記遊脚期における前記腰の鉛直方向の前記変位、及び前記立脚期における前記膝関節の前記角度の少なくとも１つを入力値とし、前記被験者が前記転倒リスクを有しているか否かを出力値として生成された予測モデルに、検出された前記立脚期における前記腰の鉛直方向の前記変位、前記遊脚期における前記腰の鉛直方向の前記変位、及び前記立脚期における前記膝関節の前記角度の少なくとも１つを入力することで前記被験者が前記転倒リスクを有しているか否かを判定する、
    転倒リスク評価方法。
  3. 前記検出において、前記立脚期の所定期間における前記腰の鉛直方向の前記変位の時系列データを検出し、
    前記判定において、前記腰の鉛直方向の前記変位の前記時系列データの平均値を用いて前記被験者の前記転倒リスクを判定する、
    請求項１又は２記載の転倒リスク評価方法。
  4. 前記被験者の一方の足が地面に着いてから再度一方の足が地面に着くまでの期間が１歩行周期として表され、前記１歩行周期が１％～１００％で表されるとき、
    前記所定期間は、前記１歩行周期の１％～６０％の期間である、
    請求項３記載の転倒リスク評価方法。
  5. 前記被験者の一方の足が地面に着いてから再度一方の足が地面に着くまでの期間が１歩行周期として表され、前記１歩行周期が１％～１００％で表されるとき、
    前記所定期間は、前記１歩行周期の９％～１９％の期間である、
    請求項３記載の転倒リスク評価方法。
  6. 前記検出において、前記遊脚期の所定期間における前記腰の鉛直方向の前記変位の時系列データを検出し、
    前記判定において、前記腰の鉛直方向の前記変位の前記時系列データの平均値を用いて前記被験者の前記転倒リスクを判定する、
    請求項１又は２記載の転倒リスク評価方法。
  7. 前記被験者の一方の足が地面に着いてから再度一方の足が地面に着くまでの期間が１歩行周期として表され、前記１歩行周期が１％～１００％で表されるとき、
    前記所定期間は、前記１歩行周期の６１％～１００％の期間である、
    請求項６記載の転倒リスク評価方法。
  8. 前記検出において、前記立脚期の所定期間における前記膝関節の角度の時系列データを検出し、
    前記判定において、前記膝関節の前記角度の前記時系列データの平均値を用いて前記被験者の前記転倒リスクを判定する、
    請求項１又は２記載の転倒リスク評価方法。
  9. 前記被験者の一方の足が地面に着いてから再度一方の足が地面に着くまでの期間が１歩行周期として表され、前記１歩行周期が１％～１００％で表されるとき、
    前記所定期間は、前記１歩行周期の１％～６０％の期間である、
    請求項８記載の転倒リスク評価方法。
  10. 前記被験者の一方の足が地面に着いてから再度一方の足が地面に着くまでの期間が１歩行周期として表され、前記１歩行周期が１％～１００％で表されるとき、
    前記判定において、前記１歩行周期の３５％の時点における前記膝関節の前記角度を用いて前記被験者の前記転倒リスクを判定する、
    請求項８記載の転倒リスク評価方法。
  11. 前記検出において、前記立脚期の第１期間における前記腰の鉛直方向の前記変位の時系列データと、前記立脚期の第２期間における前記膝関節の前記角度の時系列データとを検出し、
    前記判定において、前記第１期間における前記腰の鉛直方向の前記変位の前記時系列データの平均値と、前記第２期間における前記膝関節の前記角度の前記時系列データの平均値とを用いて前記被験者の前記転倒リスクを判定する、
    請求項１又は２記載の転倒リスク評価方法。
  12. 前記検出において、前記立脚期の第１期間における前記腰の鉛直方向の前記変位の時系列データと、前記遊脚期の第２期間における前記腰の鉛直方向の前記変位の時系列データと、前記遊脚期の第３期間における前記一方の足の足首関節の前記角度の時系列データとを検出し、
    前記判定において、前記第１期間における前記腰の鉛直方向の前記変位の前記時系列データの平均値と、前記第２期間における前記腰の鉛直方向の前記変位の前記時系列データの平均値と、前記第３期間における前記足首関節の前記角度の前記時系列データの平均値とを用いて前記被験者の前記転倒リスクを判定する、
    請求項１又は２記載の転倒リスク評価方法。
  13. 前記検出において、前記立脚期の第１期間における前記膝関節の前記角度の時系列データと、前記遊脚期の第２期間における前記一方の足の足首関節の前記角度の時系列データとを検出し、
    前記判定において、前記第１期間における前記膝関節の前記角度の前記時系列データの平均値と、前記第２期間における前記足首関節の前記角度の前記時系列データの平均値とを用いて前記被験者の前記転倒リスクを判定する、
    請求項１又は２記載の転倒リスク評価方法。
  14. 前記検出において、前記立脚期の第１期間における前記腰の鉛直方向の前記変位の時系列データと、前記立脚期の第２期間における前記膝関節の前記角度の時系列データと、前記遊脚期の第３期間における前記一方の足の足首関節の前記角度の時系列データとを検出し、
    前記判定において、前記第１期間における前記腰の鉛直方向の前記変位の前記時系列データの平均値と、前記第２期間における前記膝関節の前記角度の前記時系列データの平均値と、前記第３期間における前記足首関節の前記角度の前記時系列データの平均値とを用いて前記被験者の前記転倒リスクを判定する、
    請求項１又は２記載の転倒リスク評価方法。
  15. 被験者の歩行動作に基づいて転倒リスクを評価する転倒リスク評価装置であって、
    前記被験者の歩行に関する歩行データを取得する取得部と、
    前記歩行データから、前記被験者の一方の足の立脚期における前記被験者の腰の鉛直方向の変位、前記一方の足の遊脚期における前記被験者の前記腰の鉛直方向の変位、及び前記立脚期における前記一方の足の膝関節の角度の少なくとも１つを検出する検出部と、
    前記立脚期における前記腰の鉛直方向の前記変位、前記遊脚期における前記腰の鉛直方向の前記変位、及び前記立脚期における前記膝関節の前記角度の少なくとも１つを用いて前記被験者の転倒リスクを判定する判定部と、
    を備え、
    前記判定部は、前記立脚期における前記腰の鉛直方向の前記変位が閾値より小さい場合、前記遊脚期における前記腰の鉛直方向の前記変位が閾値より小さい場合、又は前記立脚期における前記膝関節の前記角度が閾値より小さい場合、前記被験者が前記転倒リスクを有していると判定する、
    転倒リスク評価装置。
  16. 被験者の歩行動作に基づいて転倒リスクを評価する転倒リスク評価プログラムであって、
    前記被験者の歩行に関する歩行データを取得し、
    前記歩行データから、前記被験者の一方の足の立脚期における前記被験者の腰の鉛直方向の変位、前記一方の足の遊脚期における前記被験者の前記腰の鉛直方向の変位、及び前記立脚期における前記一方の足の膝関節の角度の少なくとも１つを検出し、
    前記立脚期における前記腰の鉛直方向の前記変位、前記遊脚期における前記腰の鉛直方向の前記変位、及び前記立脚期における前記膝関節の前記角度の少なくとも１つを用いて前記被験者の転倒リスクを判定するようにコンピュータを機能させ、
    前記判定において、前記立脚期における前記腰の鉛直方向の前記変位が閾値より小さい場合、前記遊脚期における前記腰の鉛直方向の前記変位が閾値より小さい場合、又は前記立脚期における前記膝関節の前記角度が閾値より小さい場合、前記被験者が前記転倒リスクを有していると判定する、
    転倒リスク評価プログラム。
  17. 被験者の歩行動作に基づいて転倒リスクを評価する転倒リスク評価装置であって、
    前記被験者の歩行に関する歩行データを取得する取得部と、
    前記歩行データから、前記被験者の一方の足の立脚期における前記被験者の腰の鉛直方向の変位、前記一方の足の遊脚期における前記被験者の前記腰の鉛直方向の変位、及び前記立脚期における前記一方の足の膝関節の角度の少なくとも１つを検出する検出部と、
    前記立脚期における前記腰の鉛直方向の前記変位、前記遊脚期における前記腰の鉛直方向の前記変位、及び前記立脚期における前記膝関節の前記角度の少なくとも１つを用いて前記被験者の転倒リスクを判定する判定部と、
    を備え、
    前記判定部は、前記立脚期における前記腰の鉛直方向の前記変位、前記遊脚期における前記腰の鉛直方向の前記変位、及び前記立脚期における前記膝関節の前記角度の少なくとも１つを入力値とし、前記被験者が前記転倒リスクを有しているか否かを出力値として生成された予測モデルに、検出された前記立脚期における前記腰の鉛直方向の前記変位、前記遊脚期における前記腰の鉛直方向の前記変位、及び前記立脚期における前記膝関節の前記角度の少なくとも１つを入力することで前記被験者が前記転倒リスクを有しているか否かを判定する、
    転倒リスク評価装置。
  18. 被験者の歩行動作に基づいて転倒リスクを評価する転倒リスク評価プログラムであって、
    前記被験者の歩行に関する歩行データを取得し、
    前記歩行データから、前記被験者の一方の足の立脚期における前記被験者の腰の鉛直方向の変位、前記一方の足の遊脚期における前記被験者の前記腰の鉛直方向の変位、及び前記立脚期における前記一方の足の膝関節の角度の少なくとも１つを検出し、
    前記立脚期における前記腰の鉛直方向の前記変位、前記遊脚期における前記腰の鉛直方向の前記変位、及び前記立脚期における前記膝関節の前記角度の少なくとも１つを用いて前記被験者の転倒リスクを判定するようにコンピュータを機能させ、
    前記判定において、前記立脚期における前記腰の鉛直方向の前記変位、前記遊脚期における前記腰の鉛直方向の前記変位、及び前記立脚期における前記膝関節の前記角度の少なくとも１つを入力値とし、前記被験者が前記転倒リスクを有しているか否かを出力値として生成された予測モデルに、検出された前記立脚期における前記腰の鉛直方向の前記変位、前記遊脚期における前記腰の鉛直方向の前記変位、及び前記立脚期における前記膝関節の前記角度の少なくとも１つを入力することで前記被験者が前記転倒リスクを有しているか否かを判定する、
    転倒リスク評価プログラム。
JP2020023433A 2019-08-29 2020-02-14 転倒リスク評価方法、転倒リスク評価装置及び転倒リスク評価プログラム Active JP7473355B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US16/998,482 US20210059569A1 (en) 2019-08-29 2020-08-20 Fall risk evaluation method, fall risk evaluation device, and non-transitory computer-readable recording medium in which fall risk evaluation program is recorded
CN202010870456.9A CN112438724A (zh) 2019-08-29 2020-08-26 跌倒风险评估方法、跌倒风险评估装置以及记录介质

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201962893304P 2019-08-29 2019-08-29
US62/893,304 2019-08-29

Publications (2)

Publication Number Publication Date
JP2021030051A JP2021030051A (ja) 2021-03-01
JP7473355B2 true JP7473355B2 (ja) 2024-04-23

Family

ID=74675096

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020023433A Active JP7473355B2 (ja) 2019-08-29 2020-02-14 転倒リスク評価方法、転倒リスク評価装置及び転倒リスク評価プログラム

Country Status (3)

Country Link
US (1) US20210059569A1 (ja)
JP (1) JP7473355B2 (ja)
CN (1) CN112438724A (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7439353B2 (ja) * 2019-08-29 2024-02-28 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 認知機能評価方法、認知機能評価装置及び認知機能評価プログラム
WO2022260046A1 (ja) * 2021-06-07 2022-12-15 国立大学法人大阪大学 被験者の状態を推定するためのコンピュータシステム、方法、およびプログラム
CN113378692B (zh) * 2021-06-08 2023-09-15 杭州萤石软件有限公司 一种降低跌倒行为误检的方法、检测系统
CN115105062B (zh) * 2022-08-29 2022-12-06 中国科学院自动化研究所 髋膝关节协调性评估方法、装置、系统和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007125368A (ja) 2005-09-26 2007-05-24 Aisin Seiki Co Ltd 歩行解析装置及び歩行解析方法
JP2013255786A (ja) 2012-05-18 2013-12-26 Kao Corp 老年障害リスクの評価方法
US20140276238A1 (en) 2013-03-15 2014-09-18 Ivan Osorio Method, system and apparatus for fall detection
JP2015029543A (ja) 2013-07-31 2015-02-16 国立大学法人 宮崎大学 ロコモティブシンドロームの評価値算出方法、および評価装置
US20170243354A1 (en) 2016-02-19 2017-08-24 Xerox Corporation Automatic frontal-view gait segmentation for abnormal gait quantification
JP2019084130A (ja) 2017-11-08 2019-06-06 国立大学法人電気通信大学 歩行動作評価装置、歩行動作評価方法及びプログラム

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070073514A1 (en) * 2005-09-26 2007-03-29 Aisin Seiki Kabushiki Kaisha Walking analyzer
AU2009247636B2 (en) * 2008-05-12 2014-07-24 Koninklijke Philips Electronics N.V. Displacement measurement in a fall detection system
CN103976739B (zh) * 2014-05-04 2019-06-04 宁波麦思电子科技有限公司 穿戴式摔倒动态实时检测方法和装置
JP6660110B2 (ja) * 2015-07-23 2020-03-04 原田電子工業株式会社 歩行解析方法および歩行解析システム
JP6501727B2 (ja) * 2016-06-02 2019-04-17 株式会社スペース・バイオ・ラボラトリーズ 歩行動作補助装置
WO2018051583A1 (ja) * 2016-09-16 2018-03-22 住友電気工業株式会社 移動能力評価装置、移動能力評価システム、移動能力評価プログラムおよび移動能力評価方法
CN106539587A (zh) * 2016-12-08 2017-03-29 浙江大学 一种基于多运动传感器的跌倒风险评估以及监测系统及评估方法
US20180233018A1 (en) * 2017-02-13 2018-08-16 Starkey Laboratories, Inc. Fall prediction system including a beacon and method of using same
CN107260180B (zh) * 2017-07-11 2020-08-07 上海逸动医学科技有限公司 一种行走中基于小腿和脚的可穿戴步态检测方法及设备
JP7065369B2 (ja) * 2017-10-13 2022-05-12 パナソニックＩｐマネジメント株式会社 アシスト装置、アシスト装置の作動方法及びプログラム
JP6933101B2 (ja) * 2017-11-17 2021-09-08 トヨタ自動車株式会社 歩行評価装置、歩行訓練システムおよび歩行評価方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007125368A (ja) 2005-09-26 2007-05-24 Aisin Seiki Co Ltd 歩行解析装置及び歩行解析方法
JP2013255786A (ja) 2012-05-18 2013-12-26 Kao Corp 老年障害リスクの評価方法
US20140276238A1 (en) 2013-03-15 2014-09-18 Ivan Osorio Method, system and apparatus for fall detection
JP2015029543A (ja) 2013-07-31 2015-02-16 国立大学法人 宮崎大学 ロコモティブシンドロームの評価値算出方法、および評価装置
US20170243354A1 (en) 2016-02-19 2017-08-24 Xerox Corporation Automatic frontal-view gait segmentation for abnormal gait quantification
JP2019084130A (ja) 2017-11-08 2019-06-06 国立大学法人電気通信大学 歩行動作評価装置、歩行動作評価方法及びプログラム

Also Published As

Publication number Publication date
JP2021030051A (ja) 2021-03-01
CN112438724A (zh) 2021-03-05
US20210059569A1 (en) 2021-03-04

Similar Documents

Publication Publication Date Title
JP7473355B2 (ja) 転倒リスク評価方法、転倒リスク評価装置及び転倒リスク評価プログラム
AU2018250385B2 (en) Motor task analysis system and method
US11986286B2 (en) Gait-based assessment of neurodegeneration
US11948401B2 (en) AI-based physical function assessment system
JP6433805B2 (ja) 運動機能診断装置及び方法、並びにプログラム
González et al. Comparison between passive vision-based system and a wearable inertial-based system for estimating temporal gait parameters related to the GAITRite electronic walkway
Wang et al. Home monitoring musculo-skeletal disorders with a single 3d sensor
CN113728394A (zh) 身体活动执行和训练的评分度量
JP7439353B2 (ja) 認知機能評価方法、認知機能評価装置及び認知機能評価プログラム
US20240057946A1 (en) Sarcopenia evaluation method, sarcopenia evaluation device, and non-transitory computer-readable recording medium in which sarcopenia evaluation program is recorded
Young et al. Just find it: The Mymo approach to recommend running shoes
Gaud et al. Human gait analysis and activity recognition: A review
Pogorelc et al. Discovery of gait anomalies from motion sensor data
Sethi et al. Multi‐feature gait analysis approach using deep learning in constraint‐free environment
Jamsrandorj et al. Vision-Based Gait Events Detection Using Deep Convolutional Neural Networks
KR20220042631A (ko) 보행 영상 기반의 보행 측정 방법 및 이의 장치
Cicirelli et al. Skeleton based human mobility assessment by using deep neural networks
WO2022249746A1 (ja) 身体機能推定システム、身体機能推定方法、及び、プログラム
Mishra et al. XAI-based gait analysis of patients walking with Knee-Ankle-Foot orthosis using video cameras
Rana Leveraging Markerless Computer Vision for Comprehensive Walking Automated Gait Analysis in Rehabilitation
Jamsrandorj et al. Image-based Gait Spatiotemporal Parameters Estimation using a Single Camera and CNN-Transformer Hybrid Network
Pogorelc et al. Health Problems Discovery from Motion-Capture Data of Elderly
Pogorelc et al. Learning Abnormal Gait Patterns of Elderly from Motion Capture System
Joshi Patient Monitoring using Movement Detection
Irfan et al. Self Gait Assessment Using a Smartphone Camera

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20221122

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230724

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230802

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231030

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240123

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240403

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240409

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240411

R150 Certificate of patent or registration of utility model

Ref document number: 7473355

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150