JP7715212B2 - 静的バランス推定装置、静的バランス推定システム、静的バランス推定方法、およびプログラム - Google Patents

Description

本開示は、歩容に関するデータを用いて、静的バランスを推定する静的バランス推定装置等に関する。

ヘルスケアへの関心の高まりに伴って、歩行パターンに含まれる特徴（歩容とも呼ぶ）に応じた情報を提供するサービスに注目が集まっている。例えば、靴等の履物に実装されたセンサによって計測されるセンサデータに基づいて、歩容を解析する技術が開発されている。センサデータの時系列データには、身体状態と関連する歩容事象（歩行イベントとも呼ぶ）の特徴が現れる。

特許文献１には、履物に設置されたセンサから取得したセンサデータを用いて、履物の種類を推定する推定装置について開示されている。特許文献１の装置は、履物に設置されたセンサから取得したデータを用いて、履物を履いた歩行において特徴的な歩行特徴量を抽出する。特許文献１の装置は、抽出された歩行特徴量に基づいて、履物の種類を推定する。

特許文献２には、臨床的な移動度に基づく評価を使用してユーザの移動能力をモニターするシステムについて開示されている。特許文献２のシステムは、ジャイロスコープおよび加速度計を含む慣性計測装置を有する。特許文献２のシステムは、慣性計測装置を用いて、臨床的な移動度に応じた評価に基づいて、ユーザの移動能力を示すユーザの慣性データを生成する。特許文献２のシステムは、モバイルデバイスに対して、ユーザの慣性データをローカルにログする。特許文献２のシステムは、ローカルにログされたユーザの慣性データをリアルタイムで処理することで、臨床的な移動度に基づく評価期間におけるモバイルデバイスの位置および向きを決定する。特許文献２のシステムは、臨床的な移動度に基づく評価期間におけるモバイルデバイスの位置および向きを用いて、臨床的な移動度に基づく評価に関連するユーザの身体移動評価を決定する。特許文献２のシステムは、身体移動評価の少なくとも一部をユーザに表示する。特許文献２には、臨床的な移動度に基づく評価として、いくつかのテストが例示されている。例えば、タイムアップアンドゴーテストや、椅子立ち上がりテスト、４ステージバランステスト、歩行分析、片脚立位テスト、シットアンドリーチテスト、アームカールテスト、姿勢安定性などが例示されている。

片脚立位テストは、静的バランスや安定性を評価するテストの一つである。片脚立位テストの成績は、静的バランスや安定性を評価するための重要な指標である。片脚立位テストにおいて、身体は、前後左右の重心のふらつきを制御するため、骨盤から下肢にかけて安定性を保つように動作する。片脚立位テストにおいては、矢状面よりも、冠状面や水平面における動作制御が多い。

非特許文献１には、３３人の健常女性の開眼片足立ち位での重心動揺を測定し、主要な下肢筋力や足部機能との関連性を検討した結果が報告されている。非特許文献１には、立脚側の前脛骨筋や、母趾外転筋、短趾屈筋、ひらめ筋、短母趾屈筋内側頭、大腿四頭筋、中殿筋が、片脚立位における姿勢保持に関連することが報告されている。非特許文献１には、特に、前脛骨筋や、母趾外転筋、短趾屈筋、ひらめ筋、短母趾屈筋内側頭などの足把持力に関連する筋肉が、片脚立位における姿勢保持に関連することを示唆する結果が報告されている。

非特許文献２には、年齢に応じたバランスと筋肉との関係について報告されている。非特許文献２には、高齢者ほど、膝関節や足関節よりも、股関節の筋肉が、バランスと関連することが報告されている。非特許文献２には、特に、目を閉じた状態における片足立位テストにおいて、股関節の筋肉とバランスとの関連における若齢者と高齢者の差が顕著になると報告されている。

非特許文献３には、加齢と構えが片脚立位保持に与える影響について報告されている。非特許文献３には、高齢者では、下肢が地面につかない程度に軽く挙上する構えと比較して、股関節を９０度屈曲位に保つ構えにおいて、前後方向の重心速度や、骨盤の傾斜角度、下肢筋活動量の有意な増加がみられたことが報告されている。非特許文献３には、片足立位における体重心速度に関して、前脛骨筋や大腿直筋、大腿二頭筋、中殿筋、大腿筋膜張筋、内転筋、長腓骨筋の筋活動量に主効果が認められたと報告されている。

国際公開第２０２１／１３０９０７号 特表２０２１－５２４０７５号公報

村田伸， "開眼片足立ち位での重心動揺と足部機能との関連─健常女性を対象とした検討"， 理学療法科学， Vol. 19， pp. 245-249， 2004. D.Wiksten et.al.， "The relationship between muscle and balance performance as a function of age"， Isokinetics and Exercise Science， Vol. 6 (2)， pp.125-132， 1996. 南部麻里子， "加齢と構えが片脚立位保持に与える影響について"， 北海道大学医学部保健学科， 卒業研究論文， 2013年度.

特許文献１の手法では、履物に設置されたセンサから取得されたデータから抽出された特徴部位の歩行特徴量を用いて、履物の種類を推定する。特許文献１には、履物に設置されたセンサから取得されたデータから抽出された特徴部位の歩行特徴量を用いて、静的バランスを推定することは開示されていない。

特許文献２には、慣性計測装置によって計測された慣性データを用いて、臨床的な移動度に基づく評価を行うために、いくつかのテストを行うことが例示されている。特許文献２の手法では、臨床的な移動度に基づく評価を行うために、いくつかのテストを実際に行う必要があった。

非特許文献１～３のように、片脚立位テストの成績を評価できれば、静的バランスを評価できる。しかしながら、非特許文献１～３には、日常生活において、片脚立位テスト等の静的バランスを評価する手法については開示されていない。

本開示の目的は、日常生活において、静的バランスを適宜推定できる静的バランス推定装置等を提供することにある。

本開示の一態様の静的バランス推定装置は、ユーザの歩容の特徴から抽出された、ユーザの静的バランスの推定に用いられる特徴量を含む特徴量データを取得するデータ取得部と、特徴量データの入力に応じた静的バランス指標を出力する推定モデルを記憶する記憶部と、取得された特徴量データを推定モデルに入力し、推定モデルから出力された静的バランス指標に応じて、ユーザの静的バランスを推定する推定部と、推定されたユーザの静的バランスに関する情報を出力する出力部と、を備える。

本開示の一態様の静的バランス推定方法においては、ユーザの歩容の特徴から抽出された、ユーザの静的バランスの推定に用いられる特徴量を含む特徴量データを取得し、取得された特徴量データを、特徴量データの入力に応じた静的バランス指標を出力する推定モデルに入力し、推定モデルから出力された静的バランス指標に応じて、ユーザの静的バランスを推定し、推定されたユーザの静的バランスに関する情報を出力する。

本開示の一態様のプログラムは、ユーザの歩容の特徴から抽出された、ユーザの静的バランスの推定に用いられる特徴量を含む特徴量データを取得する処理と、取得された特徴量データを、特徴量データの入力に応じた静的バランス指標を出力する推定モデルに入力する処理と、推定モデルから出力された静的バランス指標に応じて、ユーザの静的バランスを推定する処理と、推定されたユーザの静的バランスに関する情報を出力する処理と、をコンピュータに実行させる。

本開示によれば、日常生活において、静的バランスを適宜推定できる静的バランス推定装置等を提供することが可能になる。

第１の実施形態に係る静的バランス推定システムの構成の一例を示すブロック図である。 第１の実施形態に係る静的バランス推定システムが備える歩容計測装置の構成の一例を示すブロック図である。 第１の実施形態に係る歩容計測装置の配置例を示す概念図である。 第１の実施形態に係る歩容計測装置に設定されるローカル座標系と世界座標系の関係の一例について説明するための概念図である。 第１の実施形態に係る歩容計測装置に関する説明で用いられる人体面について説明するための概念図である。 第１の実施形態に係る歩容計測装置に関する説明で用いられる歩行周期について説明するための概念図である。 第１の実施形態に係る歩容計測装置に関する説明で用いられる歩容パラメータについて説明するための概念図である。 第１の実施形態に係る歩容計測装置が計測するセンサデータの時系列データの一例について説明するためのグラフである。 第１の実施形態に係る歩容計測装置が計測するセンサデータの時系列データから抽出される歩行波形データの正規化の一例について説明するための図である。 第１の実施形態に係る歩容計測装置の特徴量データ生成部が特徴量を抽出する歩行フェーズクラスターの一例について説明するための概念図である。 第１の実施形態に係る静的バランス推定システムが備える静的バランス推定装置の構成の一例を示すブロック図である。 第１の実施形態に係る静的バランス推定システムの評価対象である片脚立位テストについて説明するための概念図である。 第１の実施形態に係る静的バランス推定システムが備える歩容計測装置が片脚立位時間を推定するために抽出する特徴量の具体例に関する表である。 第１の実施形態に係る静的バランス推定システムが備える歩容計測装置が抽出した特徴量Ｆ１と、実測された片脚立位時間との相関関係を示すグラフである。 第１の実施形態に係る静的バランス推定システムが備える歩容計測装置が抽出した特徴量Ｆ２と、実測された片脚立位時間との相関関係を示すグラフである。 第１の実施形態に係る静的バランス推定システムが備える歩容計測装置が抽出した特徴量Ｆ３と、実測された片脚立位時間との相関関係を示すグラフである。 第１の実施形態に係る静的バランス推定システムが備える歩容計測装置が抽出した特徴量Ｆ４と、実測された片脚立位時間との相関関係を示すグラフである。 第１の実施形態に係る静的バランス推定システムが備える歩容計測装置が抽出した特徴量Ｆ５と、実測された片脚立位時間との相関関係を示すグラフである。 第１の実施形態に係る静的バランス推定システムが備える歩容計測装置が抽出した特徴量Ｆ６と、実測された片脚立位時間との相関関係を示すグラフである。 第１の実施形態に係る静的バランス推定システムが備える歩容計測装置が抽出した特徴量Ｆ７と、実測された片脚立位時間との相関関係を示すグラフである。 第１の実施形態に係る静的バランス推定システムが備える静的バランス推定装置による片脚立位時間（静的バランス指標）の推定例を示すブロック図である。 性別、年齢、身長、体重、および歩行速度を説明変数とした学習によって生成された推定モデルを用いて推定された片脚立位時間の推定値と、片脚立位時間の計測値との相関関係を示すグラフである。 第１の実施形態に係る静的バランス推定システムが備える静的バランス推定装置によって推定された片脚立位時間の推定値と、片脚立位時間の計測値との相関関係を示すグラフである。 第１の実施形態に係る静的バランス推定システムが備える歩容計測装置の動作の一例について説明するためのフローチャートである。 第１の実施形態に係る静的バランス推定システムが備える静的バランス推定装置の動作の一例について説明するためのフローチャートである。 第１の実施形態に係る静的バランス推定システムの適用例について説明するための概念図である。 第２の実施形態に係る学習システムの構成の一例を示すブロック図である。 第２の実施形態に係る学習システムが備える学習装置の構成の一例を示すブロック図である。 第２の実施形態に係る学習システムが備える学習装置による学習の一例について説明するための概念図である。 第３の実施形態に係る静的バランス推定装置の構成の一例を示すブロック図である。 各実施形態の制御や処理を実行するハードウェア構成の一例を示すブロック図である。

以下に、本発明を実施するための形態について図面を用いて説明する。ただし、以下に述べる実施形態には、本発明を実施するために技術的に好ましい限定がされているが、発明の範囲を以下に限定するものではない。なお、以下の実施形態の説明に用いる全図においては、特に理由がない限り、同様箇所には同一符号を付す。また、以下の実施形態において、同様の構成・動作に関しては繰り返しの説明を省略する場合がある。

（第１の実施形態）
まず、第１の実施形態に係る静的バランス推定システムについて図面を参照しながら説明する。本実施形態の静的バランス推定システムは、ユーザの歩行に応じた足の動きに関するセンサデータを計測する。本実施形態の静的バランス推定システムは、計測されたセンサデータを用いて、そのユーザの静的バランスを推定する。なお、センサデータは、足の動きに関するセンサデータに限定されず、歩容に関する特徴を含めばよい。例えば、センサデータは、モーションキャプチャーやスマートアパレル等を用いて計測された、歩容に関する特徴を含むセンサデータであってもよい。

本実施形態では、静的バランスとして、片脚立位テストの成績を推定する例を挙げる。特に、本実施形態では、目を閉じた状態での片脚立位テスト（閉眼片脚立位テスト）の成績を推定する例を挙げる。本実施形態では、片脚を地面から５ｃｍ（センチメートル）挙上した状態を維持した時間（片足立位時間とも呼ぶ）で、片脚立位テストの成績を評価する。片脚立位時間が長いほど、片脚立位テストの成績が高い。本実施形態の手法は、閉眼片脚立位テスト以外にも適用できる。例えば、本実施形態の手法は、目を開けた状態での片脚立位テスト（開眼片脚立位テスト）や、その他の片脚立位テストのバリエーションにも適用できる。

（構成）
図１は、本実施形態に係る静的バランス推定システム１の構成の一例を示すブロック図である。静的バランス推定システム１は、歩容計測装置１０と静的バランス推定装置１３を備える。本実施形態においては、歩容計測装置１０と静的バランス推定装置１３が別々のハードウェアに構成される例について説明する。例えば、歩容計測装置１０は、静的バランスの推定対象である被験者（ユーザ）の履物等に設置される。例えば、静的バランス推定装置１３の機能は、被験者（ユーザ）の携帯する携帯端末にインストールされる。以下においては、歩容計測装置１０および静的バランス推定装置１３の構成について、個別に説明する。

〔歩容計測装置〕
図２は、歩容計測装置１０の構成の一例を示すブロック図である。歩容計測装置１０は、センサ１１と特徴量データ生成部１２を有する。本実施形態においては、センサ１１と特徴量データ生成部１２が一体化された例を挙げる。センサ１１と特徴量データ生成部１２は、別々の装置として提供されてもよい。

図２のように、センサ１１は、加速度センサ１１１と角速度センサ１１２を有する。図２には、加速度センサ１１１と角速度センサ１１２が、センサ１１に含まれる例を挙げる。センサ１１には、加速度センサ１１１および角速度センサ１１２以外のセンサが含まれてもよい。センサ１１に含まれうる加速度センサ１１１および角速度センサ１１２以外のセンサについては、説明を省略する。

加速度センサ１１１は、３軸方向の加速度（空間加速度とも呼ぶ）を計測するセンサである。加速度センサ１１１は、足の動きに関する物理量として、加速度（空間加速度とも呼ぶ）を計測する。加速度センサ１１１は、計測した加速度を特徴量データ生成部１２に出力する。例えば、加速度センサ１１１には、圧電型や、ピエゾ抵抗型、静電容量型等の方式のセンサを用いることができる。加速度センサ１１１として用いられるセンサは、加速度を計測できれば、その計測方式に限定を加えない。

角速度センサ１１２は、３軸周りの角速度（空間角速度とも呼ぶ）を計測するセンサである。角速度センサ１１２は、足の動きに関する物理量として、角速度（空間角速度とも呼ぶ）を計測する。角速度センサ１１２は、計測した角速度を特徴量データ生成部１２に出力する。例えば、角速度センサ１１２には、振動型や静電容量型等の方式のセンサを用いることができる。角速度センサ１１２として用いられるセンサは、角速度を計測できれば、その計測方式に限定を加えない。

センサ１１は、例えば、加速度や角速度を計測する慣性計測装置によって実現される。慣性計測装置の一例として、ＩＭＵ（Inertial Measurement Unit）が挙げられる。ＩＭＵは、３軸方向の加速度を計測する加速度センサ１１１と、３軸周りの角速度を計測する角速度センサ１１２を含む。センサ１１は、ＶＧ（Vertical Gyro）やＡＨＲＳ（Attitude Heading）などの慣性計測装置によって実現されてもよい。また、センサ１１は、ＧＰＳ／ＩＮＳ（Global Positioning System／Inertial Navigation System）によって実現されてもよい。センサ１１は、足の動きに関する物理量を計測できれば、慣性計測装置以外の装置によって実現されてもよい。

図３は、右足の靴１００の中に、歩容計測装置１０が配置される一例を示す概念図である。図３の例では、足弓の裏側に当たる位置に、歩容計測装置１０が設置される。例えば、歩容計測装置１０は、靴１００の中に挿入されるインソールに配置される。例えば、歩容計測装置１０は、靴１００の底面に配置されてもよい。例えば、歩容計測装置１０は、靴１００の本体に埋設されてもよい。歩容計測装置１０は、靴１００から着脱できてもよいし、靴１００から着脱できなくてもよい。歩容計測装置１０は、足の動きに関するセンサデータを計測できさえすれば、足弓の裏側ではない位置に設置されてもよい。また、歩容計測装置１０は、ユーザが履いている靴下や、ユーザが装着しているアンクレット等の装飾品に設置されてもよい。また、歩容計測装置１０は、足に直に貼り付けられたり、足に埋め込まれたりしてもよい。図３には、右足の靴１００に歩容計測装置１０が設置される例を示す。歩容計測装置１０は、両足の靴１００に設置されてもよい。

図３の例では、歩容計測装置１０（センサ１１）を基準として、左右方向のｘ軸、前後方向のｙ軸、上下方向のｚ軸を含むローカル座標系が設定される。ｘ軸は左方を正とし、ｙ軸は後方を正とし、ｚ軸は上方を正とする。センサ１１に設定される軸の向きは、左右の足で同じでもよく、左右の足で異なっていてもよい。例えば、同じスペックで生産されたセンサ１１が左右の靴１００の中に配置される場合、左右の靴１００に配置されるセンサ１１の上下の向き（Ｚ軸方向の向き）は、同じ向きである。その場合、左足に由来するセンサデータに設定されるローカル座標系の３軸と、右足に由来するセンサデータに設定されるローカル座標系の３軸とは、左右で同じにある。

図４は、足弓の裏側に設置された歩容計測装置１０（センサ１１）に設定されるローカル座標系（ｘ軸、ｙ軸、ｚ軸）と、地面に対して設定される世界座標系（Ｘ軸、Ｙ軸、Ｚ軸）について説明するための概念図である。世界座標系（Ｘ軸、Ｙ軸、Ｚ軸）では、進行方向に正対した状態のユーザが直立した状態で、ユーザの横方向がＸ軸方向（左向きが正）、ユーザの背面の方向がＹ軸方向（後ろ向きが正）、重力方向がＺ軸方向（鉛直上向きが正）に設定される。なお、図４の例は、ローカル座標系（ｘ軸、ｙ軸、ｚ軸）と世界座標系（Ｘ軸、Ｙ軸、Ｚ軸）の関係を概念的に示すものであり、ユーザの歩行に応じて変動するローカル座標系と世界座標系の関係を正確に示すものではない。

図５は、人体に対して設定される面（人体面とも呼ぶ）について説明するための概念図である。本実施形態では、身体を左右に分ける矢状面、身体を前後に分ける冠状面、身体を水平に分ける水平面が定義される。なお、図５のように、足の中心線を進行方向に向けて直立した状態では、世界座標系とローカル座標系が一致する。本実施形態においては、ｘ軸を回転軸とする矢状面内の回転をロール、ｙ軸を回転軸とする冠状面内の回転をピッチ、ｚ軸を回転軸とする水平面内の回転をヨーと定義する。また、ｘ軸を回転軸とする矢状面内の回転角をロール角、ｙ軸を回転軸とする冠状面内の回転角をピッチ角、ｚ軸を回転軸とする水平面内の回転角をヨー角と定義する。

図２のように、特徴量データ生成部１２（特徴量データ生成装置とも呼ぶ）は、取得部１２１、正規化部１２２、抽出部１２３、生成部１２５、および特徴量データ出力部１２７を有する。例えば、特徴量データ生成部１２は、歩容計測装置１０の全体制御やデータ処理を行うマイクロコンピュータまたはマイクロコントローラによって実現される。例えば、特徴量データ生成部１２は、ＣＰＵ（Central Processing Unit）やＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ等を有する。特徴量データ生成部１２は、加速度センサ１１１および角速度センサ１１２を制御して、角速度や加速度を計測する。例えば、特徴量データ生成部１２は、被験者（ユーザ）の携帯する携帯端末（図示しない）の側に実装されてもよい。

取得部１２１は、加速度センサ１１１から、３軸方向の加速度を取得する。また、取得部１２１は、角速度センサ１１２から、３軸周りの角速度を取得する。例えば、取得部１２１は、取得された角速度および加速度等の物理量（アナログデータ）をＡＤ変換（Analog-to-Digital Conversion）する。なお、加速度センサ１１１および角速度センサ１１２によって計測された物理量（アナログデータ）は、加速度センサ１１１および角速度センサ１１２の各々においてデジタルデータに変換されてもよい。取得部１２１は、変換後のデジタルデータ（センサデータとも呼ぶ）を正規化部１２２に出力する。取得部１２１は、図示しない記憶部に、センサデータを記憶させるように構成されてもよい。センサデータには、デジタルデータに変換された加速度データと、デジタルデータに変換された角速度データとが少なくとも含まれる。加速度データは、３軸方向の加速度ベクトルを含む。角速度データは、３軸周りの角速度ベクトルを含む。加速度データおよび角速度データには、それらのデータの取得時間が紐付けられる。また、取得部１２１は、加速度データおよび角速度データに対して、実装誤差や温度補正、直線性補正などの補正を加えてもよい。

正規化部１２２は、取得部１２１からセンサデータを取得する。正規化部１２２は、センサデータに含まれる３軸方向の加速度および３軸周りの角速度の時系列データから、一歩行周期分の時系列データ（歩行波形データとも呼ぶ）を抽出する。正規化部１２２は、抽出された一歩行周期分の歩行波形データの時間を、０～１００％（パーセント）の歩行周期に正規化（第１正規化とも呼ぶ）する。０～１００％の歩行周期に含まれる１％や１０％などのタイミングを、歩行フェーズとも呼ぶ。また、正規化部１２２は、第１正規化された一歩行周期分の歩行波形データに関して、立脚相が６０％、遊脚相が４０％になるように正規化（第２正規化とも呼ぶ）する。立脚相は、足の裏側の少なくとも一部が地面に接している期間である。遊脚相は、足の裏側が地面から離れている期間である。歩行波形データを第２正規化すれば、特徴量が抽出される歩行フェーズのずれが、外乱の影響でぶれることを抑制できる。

図６は、右足を基準とする一歩行周期について説明するための概念図である。左足を基準とする一歩行周期も、右足と同様である。図６の横軸は、右足の踵が地面に着地した時点を起点とし、次に右足の踵が地面に着地した時点を終点とする右足の一歩行周期である。図６の横軸は、一歩行周期を１００％として第１正規化されている。また、図６の横軸は、立脚相が６０％、遊脚相が４０％になるように第２正規化されている。片足の一歩行周期は、足の裏側の少なくとも一部が地面に接している立脚相と、足の裏側が地面から離れている遊脚相とに大別される。立脚相は、さらに、荷重応答期Ｔ１、立脚中期Ｔ２、立脚終期Ｔ３、遊脚前期Ｔ４に細分される。遊脚相は、さらに、遊脚初期Ｔ５、遊脚中期Ｔ６、遊脚終期Ｔ７に細分される。なお、図６は一例であって、一歩行周期を構成する期間や、それらの期間の名称等を限定するものではない。

図６のように、歩行においては、複数の事象（歩行イベントとも呼ぶ）が発生する。Ｅ１は、右足の踵が接地する事象（踵接地）を表す（ＨＣ：Heel Contact）。Ｅ２は、右足の足裏が接地した状態で、左足の爪先が地面から離れる事象（反対足爪先離地）を表す（ＯＴＯ：Opposite Toe Off）。Ｅ３は、右足の足裏が接地した状態で、右足の踵が持ち上がる事象（踵持ち上がり）を表す（ＨＲ：Heel Rise）。Ｅ４は、左足の踵が接地した事象（反対足踵接地）である（ＯＨＳ：Opposite Heel Strike）。Ｅ５は、左足の足裏が接地した状態で、右足の爪先が地面から離れる事象（爪先離地）を表す（ＴＯ：Toe Off）。Ｅ６は、左足の足裏が接地した状態で、左足と右足が交差する事象（足交差）を表す（ＦＡ：Foot Adjacent）。Ｅ７は、左足の足裏が接地した状態で、右足の脛骨が地面に対してほぼ垂直になる事象（脛骨垂直）を表す（ＴＶ：Tibia Vertical）。Ｅ８は、右足の踵が接地する事象（踵接地）を表す（ＨＣ：Heel Contact）。Ｅ８は、Ｅ１から始まる歩行周期の終点に相当するとともに、次の歩行周期の起点に相当する。なお、図６は一例であって、歩行において発生する事象や、それらの事象の名称を限定するものではない。

図７は、歩容パラメータの一例について説明するための概念図である。図７には、右足ステップ長ＳR、左足ステップ長ＳL、ストライド長Ｔ、歩隔Ｗ、足角Ｆ、および分回し量Ｄを図示する。また、図７には、進行方向の軸（Ｙ軸）に平行であり、左右の足の中間を結ぶ軌跡に相当する進行軸Ｐを図示する。右足ステップ長ＳRは、左足の足裏が接地した状態から、進行方向に振り出された右足の踵が着地した状態に遷移した際の、右足の踵と左足の踵のＹ座標の差である。左足ステップ長ＳLは、右足の足裏が接地した状態から、進行方向に振り出された左足の踵が着地した状態に遷移した際の、左足の踵と右足の踵のＹ座標の差である。ストライド長Ｔは、右足ステップ長ＳRと左足ステップ長ＳLの和である。歩隔Ｗは、右足と左足の間隔である。図７において、歩隔Ｗは、接地した状態の右足の踵の中心線のＸ座標と、接地した状態の左足の踵の中心線のＸ座標との差である。足角Ｆは、足裏面が接地した状態において、足の中心線と進行方向（Ｙ軸）が成す角度である。本実施形態においては、立脚相において、足が接地している状態の足角を評価する。分回し量Ｄは、遊脚相において足の中心軸が進行軸Ｐから最も離れたタイミングにおける、進行軸Ｐと足の距離である。本実施形態において、分回し量Ｄは、下肢の長さが影響するので、身長で正規化される。

図８は、進行方向加速度（Ｙ方向加速度）の時系列データ（実線）から、踵接地ＨＣや爪先離地ＴＯを検出する一例について説明するための図である。踵接地ＨＣのタイミングは、進行方向加速度（Ｙ方向加速度）の時系列データに表れる極大ピークの直後の極小ピークのタイミングである。踵接地ＨＣのタイミングの目印になる極大ピークは、一歩行周期分の歩行波形データの最大ピークに相当する。連続する踵接地ＨＣの間の区間が、一歩行周期である。爪先離地ＴＯのタイミングは、進行方向加速度（Ｙ方向加速度）の時系列データに変動が表れない立脚相の期間の後に表れる極大ピークの立ち上がりのタイミングである。図８には、ロール角（Ｘ軸周り角速度）の時系列データ（破線）も示す。ロール角が最小のタイミングと、ロール角が最大のタイミングとの中点のタイミングが、立脚中期に相当する。例えば、歩行速度や、歩幅、分回し、内旋／外旋、底屈／背屈などのパラメータ（歩容パラメータとも呼ぶ）は、立脚中期を基準として求めることができる。

図９は、正規化部１２２によって正規化された歩行波形データの一例について説明するための図である。正規化部１２２は、進行方向加速度（Ｙ方向加速度）の時系列データから、踵接地ＨＣと爪先離地ＴＯを検出する。正規化部１２２は、連続する踵接地ＨＣの間の区間を、一歩行周期分の歩行波形データとして抽出する。正規化部１２２は、第１正規化によって、一歩行周期分の歩行波形データの横軸（時間軸）を、０～１００％の歩行周期に変換する。図９には、第１正規化後の歩行波形データを破線で示す。第１正規化後の歩行波形データ（破線）では、爪先離地ＴＯのタイミングが６０％からずれている。

図９の例において、正規化部１２２は、歩行フェーズが０％の踵接地ＨＣから、その踵接地ＨＣに後続する爪先離地ＴＯまでの区間を０～６０％に正規化する。また、正規化部１２２は、爪先離地ＴＯから、爪先離地ＴＯに後続する歩行フェーズが１００％の踵接地ＨＣまでの区間を６０～１００％に正規化する。その結果、一歩行周期分の歩行波形データは、歩行周期が０～６０％の区間（立脚相）と、歩行周期が６０～１００％の区間（遊脚相）とに正規化される。図９には、第２正規化後の歩行波形データを実線で示す。第２正規化後の歩行波形データ（実線）では、爪先離地ＴＯのタイミングが６０％に一致する。

図８～図９には、進行方向加速度（Ｙ方向加速度）に基づいて、一歩行周期分の歩行波形データを抽出／正規化する例を示した。進行方向加速度（Ｙ方向加速度）以外の加速度／角速度に関して、正規化部１２２は、進行方向加速度（Ｙ方向加速度）の歩行周期に合わせて、一歩行周期分の歩行波形データを抽出／正規化する。また、正規化部１２２は、３軸周りの角速度の時系列データを積分することで、３軸周りの角度の時系列データを生成してもよい。その場合、正規化部１２２は、３軸周りの角度に関しても、進行方向加速度（Ｙ方向加速度）の歩行周期に合わせて、一歩行周期分の歩行波形データを抽出／正規化する。

正規化部１２２は、進行方向加速度（Ｙ方向加速度）以外の加速度／角速度に基づいて、一歩行周期分の歩行波形データを抽出／正規化してもよい（図面は省略）。例えば、正規化部１２２は、垂直方向加速度（Ｚ方向加速度）の時系列データから、踵接地ＨＣや爪先離地ＴＯを検出してもよい。踵接地ＨＣのタイミングは、垂直方向加速度（Ｚ方向加速度）の時系列データに表れる急峻な極小ピークのタイミングである。急峻な極小ピークのタイミングにおいては、垂直方向加速度（Ｚ方向加速度）の値がほぼ０になる。踵接地ＨＣのタイミングの目印になる極小ピークは、一歩行周期分の歩行波形データの最小ピークに相当する。連続する踵接地ＨＣの間の区間が、一歩行周期である。爪先離地ＴＯのタイミングは、垂直方向加速度（Ｚ方向加速度）の時系列データが、踵接地ＨＣの直後の極大ピークの後に変動の小さい区間を経た後に、なだらかに増大する途中の変曲点のタイミングである。また、正規化部１２２は、進行方向加速度（Ｙ方向加速度）および垂直方向加速度（Ｚ方向加速度）の両方に基づいて、一歩行周期分の歩行波形データを抽出／正規化してもよい。また、正規化部１２２は、進行方向加速度（Ｙ方向加速度）および垂直方向加速度（Ｚ方向加速度）以外の加速度や角速度、角度等に基づいて、一歩行周期分の歩行波形データを抽出／正規化してもよい。

抽出部１２３は、正規化部１２２によって正規化された一歩行周期分の歩行波形データを取得する。抽出部１２３は、一歩行周期分の歩行波形データから、静的バランスの推定に用いられる特徴量を抽出する。抽出部１２３は、予め設定された条件に基づいて、時間的に連続する歩行フェーズを統合した歩行フェーズクラスターから、歩行フェーズクラスターごとの特徴量を抽出する。歩行フェーズクラスターは、少なくとも一つの歩行フェーズを含む。歩行フェーズクラスターには、単一の歩行フェーズも含まれる。静的バランスの推定に用いられる特徴量が抽出される歩行波形データや歩行フェーズについては、後述する。

図１０は、一歩行周期分の歩行波形データから、静的バランスを推定するための特徴量を抽出することについて説明するための概念図である。例えば、抽出部１２３は、時間的に連続する歩行フェーズｉ～ｉ＋ｍを、歩行フェーズクラスターＣとして抽出する（ｉ、ｍは自然数）。歩行フェーズクラスターＣは、ｍ個の歩行フェーズ（構成要素）を含む。すなわち、歩行フェーズクラスターＣを構成する歩行フェーズ（構成要素）の数（構成要素数とも呼ぶ）は、ｍである。図１０には、歩行フェーズが整数値の例を挙げるが、歩行フェーズは小数点以下まで細分化されてもよい。歩行フェーズが小数点以下まで細分化される場合、歩行フェーズクラスターＣの構成要素数は、歩行フェーズクラスターの区間のデータ点数に応じた数になる。抽出部１２３は、歩行フェーズｉ～ｉ＋ｍの各々から特徴量を抽出する。歩行フェーズクラスターＣが単一の歩行フェーズｊによって構成される場合、抽出部１２３は、その単一の歩行フェーズｊから特徴量を抽出する（ｊは自然数）。

生成部１２５は、歩行フェーズクラスターを構成する歩行フェーズの各々から抽出された特徴量（第１特徴量）に特徴量構成式を適用して、歩行フェーズクラスターの特徴量（第２特徴量）を生成する。特徴量構成式は、歩行フェーズクラスターの特徴量を生成するために、予め設定された計算式である。例えば、特徴量構成式は、四則演算に関する計算式である。例えば、特徴量構成式を用いて算出される第２特徴量は、歩行フェーズクラスターに含まれる各歩行フェーズにおける第１特徴量の積分平均値や算術平均値、傾斜、ばらつきなどである。例えば、生成部１２５は、歩行フェーズクラスターを構成する歩行フェーズの各々から抽出された第１特徴量の傾斜やばらつきを算出する計算式を、特徴量構成式として適用する。例えば、歩行フェーズクラスターが単独の歩行フェーズで構成される場合は、傾斜やばらつきを算出できないため、積分平均値や算術平均値などを計算する特徴量構成式を用いればよい。

特徴量データ出力部１２７は、生成部１２５によって生成された歩行フェーズクラスターごとの特徴量データを出力する。特徴量データ出力部１２７は、生成された歩行フェーズクラスターの特徴量データを、その特徴量データを使用する静的バランス推定装置１３に出力する。

〔静的バランス推定装置〕
図１１は、静的バランス推定装置１３の構成の一例を示すブロック図である。静的バランス推定装置１３は、データ取得部１３１、記憶部１３２、推定部１３３、および出力部１３５を有する。

データ取得部１３１は、歩容計測装置１０から特徴量データを取得する。データ取得部１３１は、受信された特徴量データを推定部１３３に出力する。データ取得部１３１は、ケーブルなどの有線を介して特徴量データを歩容計測装置１０から受信してもよいし、無線通信を介して特徴量データを歩容計測装置１０から受信してもよい。例えば、データ取得部１３１は、Ｂｌｕｅｔｏｏｔｈ（登録商標）やＷｉＦｉ（登録商標）などの規格に則した無線通信機能（図示しない）を介して、特徴量データを歩容計測装置１０から受信するように構成される。なお、データ取得部１３１の通信機能は、Ｂｌｕｅｔｏｏｔｈ（登録商標）やＷｉＦｉ（登録商標）以外の規格に則していてもよい。

記憶部１３２は、歩行波形データから抽出された特徴量データを用いて、静的バランスとして片脚立位時間を推定する推定モデルを記憶する。記憶部１３２は、複数の被験者の片脚立位時間に関する特徴量データと、片脚立位時間との関係を学習した推定モデルを記憶する。例えば、記憶部１３２は、複数の被験者に関して学習された、片脚立位時間を推定する推定モデルを記憶する。片脚立位時間には、年齢と身長の影響が出る。そのため、記憶部１３２は、年齢および身長のうち少なくともいずれかに関する属性データに応じた推定モデルを記憶してもよい。

図１２は、片脚立位テストについて説明するための概念図である。図１２は、被験者が、目を閉じて、片脚を地面から５ｃｍ（センチメートル）挙上させた状態を示す。本実施形態においては、閉眼片脚立位テストを一例として挙げる。本実施形態の手法は、目を開けた状態で行われる開眼片脚立位テストなどのように、閉眼片脚立位テスト以外の片足立位テストにも適用できる。

静的バランスは、閉眼片脚立位を維持できた時間（閉眼片脚立位時間とも呼ぶ）に応じて評価できる。閉眼片脚立位時間が３０秒以上の場合、静的バランスが高く、転倒リスクが低い。閉眼片脚立位時間が１５～３０秒の範囲内の場合、静的バランスが低く、転倒リスクがある。閉眼片脚立位時間が１５秒の未満の場合、静的バランスがかなり低く、転倒リスクが非常に高い。ここで挙げた閉眼片脚立位時間に応じた静的バランスの評価基準は、目安であって、状況に応じて設定されればよい。例えば、閉眼片脚立位時間に応じた静的バランスの評価基準は、被験者の既往症によっても異なる。また、閉眼片脚立位テスト以外の片脚立位テストの場合は、それらのテストに応じて、評価基準が設定されればよい。以下においては、閉眼片脚立位時間を含めて、片脚立位を維持できた時間を片脚立位時間と呼ぶ。

推定モデルは、製品の工場出荷時や、静的バランス推定システム１をユーザが使用する前のキャリブレーション時等のタイミングで、記憶部１３２に記憶させておけばよい。例えば、外部のサーバ等の記憶装置に保存された推定モデルを用いるように構成してもよい。その場合、その記憶装置と接続されたインターフェース（図示しない）を介して、推定モデルを用いるように構成すればよい。

推定部１３３は、データ取得部１３１から特徴量データを取得する。推定部１３３は、取得された特徴量データを用いて、静的バランスとして片脚立位時間の推定を実行する。推定部１３３は、記憶部１３２に記憶された推定モデルに特徴量データを入力する。推定部１３３は、推定モデルから出力される静的バランス（片脚立位時間）に応じた推定結果を出力する。クラウドやサーバ等に構築された外部の記憶装置に保存された推定モデルを用いる場合、推定部１３３は、その記憶装置と接続されたインターフェース（図示しない）を介して、推定モデルを用いるように構成される。

出力部１３５は、推定部１３３による静的バランスの推定結果を出力する。例えば、出力部１３５は、被験者（ユーザ）の携帯端末の画面に、静的バランスの推定結果を表示させる。例えば、出力部１３５は、推定結果を使用する外部システム等に対して、その推定結果を出力する。静的バランス推定装置１３から出力された静的バランスの使用に関しては、特に限定を加えない。

例えば、静的バランス推定装置１３は、被験者（ユーザ）が携帯する携帯端末（図示しない）を介して、クラウドやサーバに構築された外部システム等に接続される。携帯端末（図示しない）は、携帯可能な通信機器である。例えば、携帯端末は、スマートフォンや、スマートウォッチ、携帯電話等の通信機能を有する携帯型の通信機器である。例えば、静的バランス推定装置１３は、ケーブルなどの有線を介して、携帯端末に接続される。例えば、静的バランス推定装置１３は、無線通信を介して、携帯端末に接続される。例えば、静的バランス推定装置１３は、Ｂｌｕｅｔｏｏｔｈ（登録商標）やＷｉＦｉ（登録商標）などの規格に則した無線通信機能（図示しない）を介して、携帯端末に接続される。なお、静的バランス推定装置１３の通信機能は、Ｂｌｕｅｔｏｏｔｈ（登録商標）やＷｉＦｉ（登録商標）以外の規格に則していてもよい。静的バランスの推定結果は、携帯端末にインストールされたアプリケーションによって使用されてもよい。その場合、携帯端末は、その携帯端末にインストールされたアプリケーションソフトウェア等によって、推定結果を用いた処理を実行する。

〔片脚立位時間推定〕
次に、片脚立位時間と特徴量データとの相関関係について、検証例を交えて説明する。図１３は、片脚立位時間の推定に用いられる特徴量をまとめた対応表である。図１３の対応表は、特徴量の番号、特徴量が抽出される歩行波形データ、歩行フェーズクラスターが抽出される歩行フェーズ（％）、および関連筋肉を対応付ける。片脚立位時間は、中殿筋や長内転筋、縫工筋、内外転筋肉群との間に相関がある。そのため、片脚立位時間の推定には、これらの特徴が表れる歩行フェーズから抽出される特徴量Ｆ１～Ｆ７が用いられる。

図１４～図２０は、片脚立位時間と特徴量データとの相関関係の検証結果である。図１４～図２０には、年齢が６０～８５歳の男性２７人および女性３５人の合計６２人の被験者に対して、検証を行った結果を示す。図１４～図２０には、歩容計測装置１０が搭載された履物を履いた歩行に応じて抽出された特徴量を用いて推定された推定値と、片脚立位時間の計測値（真値）との相関関係を検証した結果を示す。

特徴量Ｆ１は、横方向加速度（Ｘ方向加速度）の時系列データに関する歩行波形データＡｘの歩行フェーズ１３－１９％の区間から抽出される。歩行フェーズ１３－１９％は、立脚中期Ｔ２に含まれる。特徴量Ｆ１には、主に、中殿筋の動きに関する特徴が含まれる。図１４は、特徴量Ｆ１と片脚立位時間との相関関係の検証結果である。図１４のグラフの横軸は、正規化された加速度である。特徴量Ｆ１と片脚立位時間との相関係数Ｒは、－０．４３４であった。

特徴量Ｆ２は、垂直方向加速度（Ｚ方向加速度）の時系列データに関する歩行波形データＡｚの歩行フェーズ９５％の区間から抽出される。歩行フェーズ９５％は、遊脚終期Ｔ７の終盤である。特徴量Ｆ２には、主に、中殿筋の動きに関する特徴が含まれる。図１５は、特徴量Ｆ２と片脚立位時間との相関関係の検証結果である。図１５のグラフの横軸は、正規化された加速度である。特徴量Ｆ２と片脚立位時間との相関係数Ｒは、－０．２９５であった。

特徴量Ｆ３は、冠状面内（Ｙ軸周り）における角速度の時系列データに関する歩行波形データＧｙの歩行フェーズ６４－６５％の区間から抽出される。歩行フェーズ６４－６５％は、遊脚初期Ｔ５に含まれる。特徴量Ｆ３には、主に、長内転筋および縫工筋の動きに関する特徴が含まれる。図１６は、特徴量Ｆ３と片脚立位時間との相関関係の検証結果である。図１６のグラフの横軸は、正規化角速度である。特徴量Ｆ３と片脚立位時間との相関係数Ｒは、－０．３０３であった。

特徴量Ｆ４は、水平面内（Ｚ軸周り）における角速度の時系列データに関する歩行波形データＧｚの歩行フェーズ１１－１６％の区間から抽出される。歩行フェーズ１１－１６％は、立脚中期Ｔ２に含まれる。特徴量Ｆ４には、主に、中殿筋の動きに関する特徴が含まれる。図１７は、特徴量Ｆ４と片脚立位時間との相関関係の検証結果である。図１７のグラフの横軸は、正規化角速度である。特徴量Ｆ４と片脚立位時間との相関係数Ｒは、－０．４６２であった。

特徴量Ｆ５は、水平面内（Ｚ軸周り）における角速度の時系列データに関する歩行波形データＧｚの歩行フェーズ５７－５８％の区間から抽出される。歩行フェーズ５７－５８％は、遊脚前期Ｔ４に含まれる。特徴量Ｆ５には、主に、長内転筋および縫工筋の動きに関する特徴が含まれる。図１８は、特徴量Ｆ５と片脚立位時間との相関関係の検証結果である。図１８のグラフの横軸は、正規化角速度である。特徴量Ｆ４と片脚立位時間との相関係数Ｒは、０．３９３であった。

特徴量Ｆ６は、水平面内（Ｚ軸周り）における角度（姿勢角）の時系列データに関する歩行波形データＥｚの歩行フェーズ１００％の区間から抽出される。歩行フェーズ１００％は、遊脚終期Ｔ７から荷重応答期Ｔ１に切り替わる踵接地のタイミングに相当する。歩行フェーズ１００％における歩行波形データＥｚの特徴量は、足裏が接地した状態における足角に相当する。特徴量Ｆ６には、主に、中殿筋の動きに関する特徴が含まれる。図１９は、特徴量Ｆ６と片脚立位時間との相関関係の検証結果である。図１９のグラフの横軸は、水平面内の角度（足底角）である。特徴量Ｆ６と片脚立位時間との相関係数Ｒは、－０．３１０であった。特徴量Ｆ６は、片足立位時間の推定に関して必須の特徴量ではないが、片足立位時間の推定精度を向上させる。

特徴量Ｆ７は、遊脚相において足の中心軸が進行軸から最も離れたタイミングにおける、進行軸と足の距離（分回し量）である。特徴量Ｆ７は、被検者の身長で規格化された分回し量である。特徴量Ｆ７には、主に、内外転筋肉群の動きに関する特徴が含まれる。図２０は、特徴量Ｆ７と片脚立位時間との相関関係の検証結果である。図２０のグラフの横軸は、身長で正規化された分回し量（正規化分回し量）である。特徴量Ｆ７と片脚立位時間との相関係数Ｒは、０．２００であった。

図２１は、静的バランスとして片脚立位時間を推定するために予め構築された推定モデル１５１に、ユーザの歩行に伴って計測されたセンサデータから抽出される特徴量Ｆ１～Ｆ７を入力することで、片脚立位時間の推定値が出力される一例を示す概念図である。推定モデル１５１は、特徴量Ｆ１～Ｆ７の入力に応じて、静的バランスの指標である片脚立位時間を出力する。例えば、推定モデル１５１は、片脚立位時間の推定に用いられる特徴量Ｆ１～Ｆ７を説明変数とし、片脚立位時間を目的変数とする教師データを用いた学習で生成される。片脚立位時間を推定するための特徴量データの入力に応じて、静的バランスの指標である片脚立位時間に関する推定結果が出力されれば、推定モデル１５１の推定結果には限定を加えない。例えば、推定モデル１５１は、片脚立位時間の推定に用いられる特徴量Ｆ１～Ｆ７に加えて、属性データ（年齢、身長）を説明変数として、片脚立位時間を推定するモデルであってもよい。

例えば、記憶部１３２には、重回帰予測法を用いて、片脚立位時間を推定する推定モデルが記憶される。例えば、記憶部１３２には、以下の式１を用いて、片脚立位時間を推定するためのパラメータが記憶される。
片脚立位時間＝ａ１×Ｆ１＋ａ２×Ｆ２＋ａ３×Ｆ３＋ａ４×Ｆ４＋ａ５×Ｆ５＋ａ６×Ｆ６＋ａ７×Ｆ７＋ａ０・・・（１）
上記の式１において、Ｆ１、Ｆ２、Ｆ３、Ｆ４、Ｆ５、Ｆ６、Ｆ７は、図１３の対応表に示した片脚立位時間の推定に用いられる歩行フェーズクラスターごとの特徴量である。ａ１、ａ２、ａ３、ａ４、ａ５、ａ６、ａ７は、Ｆ１、Ｆ２、Ｆ３、Ｆ４、Ｆ５、Ｆ６、Ｆ７に掛け合わされる係数である。ａ０は、定数項である。例えば、記憶部１３２には、ａ０、ａ１、ａ２、ａ３、ａ４、ａ５、ａ６、ａ７を記憶させておく。

次に、上述した６２名の被験者の計測データを用いて生成された推定モデル１５１を評価した結果を示す。ここでは、被験者の属性（歩行速度を含む）を用いて静的バランス（片脚立位時間）を推定した検証例（図２２）と、被験者の歩容の特徴量を用いて静的バランス（片脚立位時間）を推定した検証例（図２３）とを比較する。図２２および図２３には、６１人の計測データを用いて生成された推定モデルを、ＬＯＳＯ（Leave-One-Subject-Out）の方法によって、残りの１人の計測データを用いてテストした結果を示す。図２２および図２３には、全員（６２人）の被験者に対してＬＯＳＯを行い、テストによる予測値と計測値（真値）とを対応させた結果を示す。ＬＯＳＯのテスト結果は、級内相関係数ＩＣＣ（Intraclass Correlation Coefficients）、平均絶対誤差ＭＡＥ（Mean Absolute Error）、決定係数Ｒ2の値で評価した。級内相関係数ＩＣＣには、検者間信頼性を評価するために、級内相関係数ＩＣＣ（２、１）を用いた。

図２２は、性別、年齢、身長、体重、および歩行速度を説明変数とし、片脚立位時間を目的変数とした教師データを学習させた比較例の推定モデルの検証結果である。比較例の推定モデルでは、級内相関係数ＩＣＣ（２、１）が０．１１、平均絶対誤差ＭＡＥが３．９７、決定係数Ｒ2が０．０２であった。

図２３は、特徴量Ｆ１～Ｆ７、年齢、および身長を説明変数とし、片脚立位時間を目的変数とした教師データを学習させた本実施形態の推定モデル１５１の検証結果である。本実施形態の推定モデル１５１は、級内相関係数ＩＣＣ（２、１）が０．５７１、平均絶対誤差ＭＡＥが３．６３、決定係数Ｒ2が０．３５であった。すなわち、本実施形態の推定モデル１５１は、比較例の推定モデルと比較して、信頼性が高く、誤差が小さく、説明変数によって目的変数が十分に説明されている。すなわち、本実施形態の手法によれば、属性および歩行速度のみを用いた推定モデルと比較して、信頼性が高く、誤差が小さく、説明変数によって目的変数が十分に説明された推定モデル１５１を生成できる。

（動作）
次に、静的バランス推定システム１の動作について図面を参照しながら説明する。ここでは、静的バランス推定システム１に含まれる歩容計測装置１０および静的バランス推定装置１３について、個別に説明する。歩容計測装置１０に関しては、歩容計測装置１０に含まれる特徴量データ生成部１２の動作について説明する。

〔歩容計測装置〕
図２４は、歩容計測装置１０に含まれる特徴量データ生成部１２の動作について説明するためのフローチャートである。図２４のフローチャートに沿った説明においては、特徴量データ生成部１２を動作主体として説明する。

図２４において、まず、特徴量データ生成部１２は、歩容に関するセンサデータの時系列データを取得する（ステップＳ１０１）。

次に、特徴量データ生成部１２は、センサデータの時系列データから一歩行周期分の歩行波形データを抽出する（ステップＳ１０２）。特徴量データ生成部１２は、センサデータの時系列データから踵接地および爪先離地を検出する。特徴量データ生成部１２は、連続する踵接地間の区間の時系列データを、一歩行周期分の歩行波形データとして抽出する。

次に、特徴量データ生成部１２は、抽出された一歩行周期分の歩行波形データを正規化する（ステップＳ１０３）。特徴量データ生成部１２は、一歩行周期分の歩行波形データを０～１００％の歩行周期に正規化する（第１正規化）。さらに、特徴量データ生成部１２は、第１正規化された一歩行周期分の歩行波形データの立脚相と遊脚相の比を６０：４０に正規化する（第２正規化）。

次に、特徴量データ生成部１２は、正規化された歩行波形に関して、静的バランスの推定に用いられる歩行フェーズから特徴量を抽出する（ステップＳ１０４）。例えば、特徴量データ生成部１２は、予め構築された推定モデルに入力される特徴量を抽出する。

次に、特徴量データ生成部１２は、抽出された特徴量を用いて、歩行フェーズクラスターごとの特徴量を生成する（ステップＳ１０５）。

次に、特徴量データ生成部１２は、歩行フェーズクラスターごとの特徴量を統合して、一歩行周期分の特徴量データを生成する（ステップＳ１０６）。

次に、特徴量データ生成部１２は、生成された特徴量データを静的バランス推定装置１３に出力する（ステップＳ１０７）。

〔静的バランス推定装置〕
図２５は、静的バランス推定装置１３の動作について説明するためのフローチャートである。図２５のフローチャートに沿った説明においては、静的バランス推定装置１３を動作主体として説明する。

図２５において、まず、静的バランス推定装置１３は、歩容に関するセンサデータを用いて生成された特徴量データを取得する（ステップＳ１３１）。

次に、静的バランス推定装置１３は、取得した特徴量データを、静的バランス（片脚立位時間）を推定する推定モデルに入力する（ステップＳ１３２）。

次に、静的バランス推定装置１３は、推定モデルからの出力（推定値）に応じて、ユーザの静的バランスを推定する（ステップＳ１３３）。例えば、静的バランス推定装置１３は、ユーザの片脚立位時間を静的バランスとして推定する。

次に、静的バランス推定装置１３は、推定された静的バランスに関する情報を出力する（ステップＳ１３４）。例えば、静的バランスは、ユーザの携帯する端末装置（図示しない）に出力される。例えば、静的バランスは、静的バランスを用いた処理を実行するシステムに出力される。

（適用例）
次に、本実施形態に係る適用例について図面を参照しながら説明する。以下の適用例において、靴に配置された歩容計測装置１０によって計測された特徴量データを用いて、ユーザが携帯する携帯端末にインストールされた静的バランス推定装置１３の機能が、静的バランスに関する情報を推定する例を示す。

図２６は、歩容計測装置１０が配置された靴１００を履いて歩行するユーザの携帯する携帯端末１６０の画面に、静的バランス推定装置１３による推定結果を表示させる一例を示す概念図である。図２６は、ユーザの歩行中に計測されたセンサデータに応じた特徴量データを用いた静的バランスの推定結果に応じた情報を、携帯端末１６０の画面に表示させる例である。

図２６は、静的バランスである片脚立位時間の推定値に応じた情報が、携帯端末１６０の画面に表示される例である。図２６の例では、静的バランスの推定結果として、片脚立位時間の推定値が、携帯端末１６０の表示部に表示される。また、図２６の例では、静的バランスである片脚立位時間の推定値に応じて、「静的バランスが低下しています。」という静的バランスの推定結果に関する情報が、携帯端末１６０の表示部に表示される。また、図２６の例では、静的バランスである片脚立位時間の推定値に応じて、「トレーニングＡを推奨します。下記の動画をご覧ください。」という静的バランスの推定結果に応じた推薦情報が、携帯端末１６０の表示部に表示される。携帯端末１６０の表示部に表示された情報を確認したユーザは、推薦情報に応じて、トレーニングＡの動画を参照して運動することによって、静的バランスの増大につながるトレーニングを実践できる。

以上のように、本実施形態の静的バランス推定システムは、歩容計測装置および静的バランス推定装置を備える。歩容計測装置は、センサと特徴量データ生成部を備える。センサは、加速度センサと角速度センサを有する。センサは、加速度センサを用いて、空間加速度を計測する。センサは、角速度センサを用いて、空間角速度を計測する。センサは、計測した空間加速度および空間角速度を用いて、足の動きに関するセンサデータを生成する。センサは、生成したセンサデータを特徴量データ生成部に出力する。特徴量データ生成部は、足の動きに関するセンサデータの時系列データを取得する。特徴量データ生成部は、センサデータの時系列データから一歩行周期分の歩行波形データを抽出する。特徴量データ生成部は、抽出された歩行波形データを正規化する。特徴量データ生成部は、正規化された歩行波形データから、静的バランスの推定に用いられる特徴量を、時間的に連続する少なくとも一つの歩行フェーズによって構成される歩行フェーズクラスターから抽出する。特徴量データ生成部は、抽出された特徴量を含む特徴量データを生成する。特徴量データ生成部は、生成された特徴量データを出力する。

静的バランス推定装置は、データ取得部、記憶部、推定部、および出力部を備える。データ取得部は、ユーザの歩容の特徴から抽出された、ユーザの静的バランスの推定に用いられる特徴量を含む特徴量データを取得する。記憶部は、特徴量データの入力に応じた静的バランス指標を出力する推定モデルを記憶する。推定部は、取得された特徴量データを推定モデルに入力する。推定部は、推定モデルから出力される静的バランス指標に応じて、ユーザの静的バランスを推定する。出力部は、推定された静的バランスに関する情報を出力する。

本実施形態の静的バランス推定システムは、ユーザの歩容の特徴から抽出された特徴量を用いて、ユーザの静的バランスを推定する。そのため、本実施形態の静的バランス推定システムによれば、静的バランスを計測するための器具を用いずに、日常生活において静的バランスを適宜推定できる。

本実施形態の一態様において、データ取得部は、足の動きに関するセンサデータの時系列データを用いて生成された歩行波形データから抽出された特徴量を含む特徴量データを取得する。データ取得部は、静的バランス指標として片脚立位テストの成績値（片脚立位時間）を推定するために用いられる特徴量を含む特徴量データを取得する。本態様によれば、足の動きに関するセンサデータを用いることで、静的バランスを計測するための器具を用いずに、日常生活において静的バランスを適宜推定できる。

本実施形態の一態様において、記憶部は、複数の被験者に関する教師データを用いた学習によって生成された推定モデルを記憶する。推定モデルは、静的バランス指標の推定に用いられる特徴量を説明変数とし、複数の被験者の静的バランス指標を目的変数とする教師データを用いた学習によって生成される。推定部は、ユーザに関して取得された特徴量データを推定モデルに入力する。推定部は、推定モデルから出力されたユーザの静的バランス指標に応じて、ユーザの静的バランスを推定する。本態様によれば、静的バランスを計測するための器具を用いずに、日常生活において静的バランスを適宜推定できる。

本実施形態の一態様において、記憶部は、被験者の属性データ（年齢、身長）を含めた説明変数を用いて学習された推定モデルを記憶する。推定部は、ユーザに関する特徴量データおよび属性データ（年齢、身長）を推定モデルに入力する。推定部は、推定モデルから出力されたユーザの静的バランス指標に応じて、ユーザの静的バランスを推定する。本態様では、静的バランスに影響を与える属性データ（年齢、身長）を含めて、静的バランスを推定する。そのため、本態様によれば、静的バランスをより高精度に計測できる。

本実施形態の一態様において、記憶部は、複数の被験者に関する教師データを用いた学習によって生成された推定モデルを記憶する。推定モデルは、複数の被験者の歩行波形データから抽出された特徴量を説明変数とし、複数の被験者の静的バランス指標を目的変数とする教師データを用いた学習によって生成されたモデルである。例えば、遊脚終期の終盤および立脚中期から抽出された中殿筋の活動に関する特徴量が、説明変数に含まれる。例えば、遊脚前期および遊脚初期から抽出された長内転筋および縫工筋の活動に関する特徴量が、説明変数に含まれる。例えば、遊脚相における内外転筋肉群の活動に関する特徴量が、説明変数に含まれる。推定部は、ユーザの歩行に応じて取得された特徴量データを推定モデルに入力する。推定部は、推定モデルから出力されたユーザの静的バランス指標に応じて、ユーザの静的バランスを推定する。本態様によれば、静的バランスに影響を与える筋肉の活動に応じた特徴量を学習させた推定モデルを用いることによって、身体活動により適合した静的バランスを推定できる。

本実施形態の一態様において、記憶部は、複数の被験者に関して、歩行波形データから抽出された複数の特徴量を説明変数とし、被験者の静的バランス指標に関する静的バランスを目的変数とする教師データを用いた学習によって生成された推定モデルを記憶する。例えば、横方向加速度の歩行波形データの立脚中期から抽出された特徴量が、説明変数に含まれる。例えば、垂直方向加速度の歩行波形データの遊脚終期の終盤から抽出された特徴量が、説明変数に含まれる。例えば、冠状面内における角速度の歩行波形データの遊脚初期から抽出された特徴量が、説明変数に含まれる。例えば、水平面内における角速度の歩行波形データの立脚中期および遊脚前期から抽出された特徴量が、説明変数に含まれる。例えば、水平面内における角度の歩行波形データの遊脚終期から荷重応答期に切り替わる踵接地のタイミングから抽出された特徴量が、説明変数に含まれる。例えば、遊脚相における分回し量に関する特徴量が、説明変数に含まれる。データ取得部は、横方向加速度の歩行波形データの立脚中期の特徴量を取得する。例えば、データ取得部は、垂直方向加速度の歩行波形データの遊脚終期の終盤の特徴量を取得する。例えば、データ取得部は、冠状面内における角速度の歩行波形データの遊脚初期の特徴量を取得する。例えば、データ取得部は、水平面内における角速度の歩行波形データの立脚中期および遊脚前期の特徴量を取得する。例えば、データ取得部は、水平面内における角度の歩行波形データの遊脚終期から荷重応答期に切り替わる踵接地のタイミングの特徴量を取得する。例えば、データ取得部は、遊脚相における分回し量に関する特徴量を取得する。推定部は、取得された特徴量データを推定モデルに入力する。推定部は、推定モデルから出力されたユーザの静的バランス指標に応じて、ユーザの静的バランスを推定する。本態様によれば、静的バランスに影響を与える筋肉の活動に応じた特徴が含まれる歩行波形データから抽出された特徴量を学習させた推定モデルを用いることによって、身体活動により適合した静的バランスを推定できる。

本実施形態の一態様において、静的バランス推定装置は、ユーザによって視認可能な画面を有する端末装置に実装される。例えば、静的バランス推定装置は、ユーザの足の動きに応じて推定された静的バランスに関する情報を、端末装置の画面に表示させる。例えば、静的バランス推定装置は、ユーザの足の動きに応じて推定された静的バランスに応じた推薦情報を、端末装置の画面に表示させる。例えば、ユーザの足の動きに応じて推定された静的バランスに応じた推薦情報として、静的バランスに関する身体部位を鍛えるためのトレーニングに関する動画を端末装置の画面に表示させる。本態様によれば、ユーザの歩容の特徴に応じて推定された静的バランスを、ユーザによって視認可能な画面に表示させることによって、ユーザが自身の静的バランスに応じた情報を確認できる。

（第２の実施形態）
次に、第２の実施形態に係る学習システムについて図面を参照しながら説明する。本実施形態の学習システムは、歩容計測装置によって計測されたセンサデータから抽出された特徴量データを用いた学習によって、特徴量の入力に応じて静的バランスを推定するための推定モデルを生成する。

（構成）
図２７は、本実施形態に係る学習システム２の構成の一例を示すブロック図である。学習システム２は、歩容計測装置２０および学習装置２５を備える。歩容計測装置２０と学習装置２５は、有線で接続されてもよいし、無線で接続されてもよい。歩容計測装置２０と学習装置２５は、単一の装置で構成されてもよい。また、学習システム２の構成から歩容計測装置２０を除き、学習装置２５だけで学習システム２が構成されてもよい。図２７には歩容計測装置２０を一つしか図示していないが、左右両足に歩容計測装置２０が一つずつ（計二つ）配置されてもよい。また、学習装置２５は、歩容計測装置２０に接続されず、予め歩容計測装置２０によって生成されてデータベースに格納されていた特徴量データを用いて、学習を実行するように構成されてもよい。

歩容計測装置２０は、左右の足のうち少なくとも一方に設置される。歩容計測装置２０は、第１の実施形態の歩容計測装置１０と同様の構成である。歩容計測装置２０は、加速度センサおよび角速度センサを含む。歩容計測装置２０は、計測された物理量をデジタルデータ（センサデータとも呼ぶ）に変換する。歩容計測装置２０は、センサデータの時系列データから、正規化された一歩行周期分の歩行波形データを生成する。歩容計測装置２０は、静的バランスの推定に用いられる特徴量データを生成する。歩容計測装置２０は、生成された特徴量データを学習装置２５に送信する。なお、歩容計測装置２０は、学習装置２５によってアクセスされるデータベース（図示しない）に、特徴量データを送信するように構成されてもよい。データベースに蓄積された特徴量データは、学習装置２５の学習に用いられる。

学習装置２５は、歩容計測装置２０から特徴量データを受信する。データベース（図示しない）に蓄積された特徴量データを用いる場合、学習装置２５は、データベースから特徴量データを受信する。学習装置２５は、受信された特徴量データを用いた学習を実行する。例えば、学習装置２５は、複数の被験者歩行波形データから抽出された特徴量データを説明変数とし、その特徴量データに応じた静的バランスに関する値を目的変数とする教師データを学習する。学習装置２５が実行する学習のアルゴリズムには、特に限定を加えない。学習装置２５は、複数の被験者に関する教師データを用いて学習された推定モデルを生成する。学習装置２５は、生成された推定モデルを記憶する。学習装置２５によって学習された推定モデルは、学習装置２５の外部の記憶装置に格納されてもよい。

〔学習装置〕
次に、学習装置２５の詳細について図面を参照しながら説明する。図２８は、学習装置２５の詳細構成の一例を示すブロック図である。学習装置２５は、受信部２５１、学習部２５３、および記憶部２５５を有する。

受信部２５１は、歩容計測装置２０から特徴量データを受信する。受信部２５１は、受信された特徴量データを学習部２５３に出力する。受信部２５１は、ケーブルなどの有線を介して特徴量データを歩容計測装置２０から受信してもよいし、無線通信を介して特徴量データを歩容計測装置２０から受信してもよい。例えば、受信部２５１は、Ｂｌｕｅｔｏｏｔｈ（登録商標）やＷｉＦｉ（登録商標）などの規格に則した無線通信機能（図示しない）を介して、特徴量データを歩容計測装置２０から受信するように構成される。なお、受信部２５１の通信機能は、Ｂｌｕｅｔｏｏｔｈ（登録商標）やＷｉＦｉ（登録商標）以外の規格に則していてもよい。

学習部２５３は、受信部２５１から特徴量データを取得する。学習部２５３は、取得された特徴量データを用いて学習を実行する。例えば、学習部２５３は、被験者の歩容に関して抽出された特徴量データを説明変数とし、その被験者の片脚立位時間を目的変数とするデータセットを教師データとして学習する。例えば、学習部２５３は、複数の被験者に関して学習された、特徴量データの入力に応じて片脚立位時間を推定する推定モデルを生成する。例えば、学習部２５３は、属性データ（年齢、身長）に応じた推定モデルを生成する。例えば、学習部２５３は、被験者の歩容に関して抽出された特徴量データと、被験者の属性データ（年齢、身長）とを説明変数として、静的バランスとして片脚立位時間を推定する推定モデルを生成する。学習部２５３は、複数の被験者に関して学習された推定モデルを記憶部２５５に記憶させる。

例えば、学習部２５３は、線形回帰のアルゴリズムを用いた学習を実行する。例えば、学習部２５３は、サポートベクターマシン（ＳＶＭ：Support Vector Machine）のアルゴリズムを用いた学習を実行する。例えば、学習部２５３は、ガウス過程回帰（ＧＰＲ：Gaussian Process Regression）のアルゴリズムを用いた学習を実行する。例えば、学習部２５３は、ランダムフォレスト（ＲＦ：Random Forest）のアルゴリズムを用いた学習を実行する。例えば、学習部２５３は、特徴量データに応じて、その特徴量データの生成元の被験者を分類する教師なし学習を実行してもよい。学習部２５３が実行する学習のアルゴリズムには、特に限定を加えない。

学習部２５３は、一歩行周期分の歩行波形データを説明変数として、学習を実行してもよい。例えば、学習部２５３は、３軸方向の加速度、３軸周りの角速度、３軸周りの角度（姿勢角）の歩行波形データを説明変数とし、静的バランス指標の正解値を目的変数とした教師あり学習を実行する。例えば、０～１００％の歩行周期において歩行フェーズが１％刻みで設定されている場合、学習部２５３は、９０９個の説明変数を用いて学習する。

図２９は、推定モデルを生成するための学習について説明するための概念図である。図２９は、説明変数である特徴量Ｆ１～Ｆ７と、目的変数である片脚立位時間（静的バランス指標）とのデータセットを教師データとして、学習部２５３に学習させる一例を示す概念図である。例えば、学習部２５３は、複数の被験者に関するデータを学習し、センサデータから抽出された特徴量の入力に応じて、片脚立位時間（静的バランス指標）に関する出力（推定値）を出力する推定モデルを生成する。

記憶部２５５は、複数の被験者に関して学習された推定モデルを記憶する。例えば、記憶部２５５は、複数の被験者に関して学習された、静的バランスを推定する推定モデルを記憶する。例えば、記憶部２５５に記憶された推定モデルは、第１の実施形態の静的バランス推定装置１３による静的バランスの推定に用いられる。

以上のように、本実施形態の学習システムは、歩容計測装置および学習装置を備える。歩容計測装置は、足の動きに関するセンサデータの時系列データを取得する。歩容計測装置は、センサデータの時系列データから一歩行周期分の歩行波形データを抽出し、抽出された歩行波形データを正規化する。歩容計測装置は、正規化された歩行波形データから、ユーザの静的バランスの推定に用いられる特徴量を、時間的に連続する少なくとも一つの歩行フェーズによって構成される歩行フェーズクラスターから抽出する。歩容計測装置は、抽出された特徴量を含む特徴量データを生成する。歩容計測装置は、生成された特徴量データを学習装置に出力する。

学習装置は、受信部、学習部、および記憶部を有する。受信部は、歩容計測装置によって生成された特徴量データを取得する。学習部は、特徴量データを用いて学習を実行する。学習部は、ユーザの歩行に伴って計測されるセンサデータの時系列データから抽出される歩行フェーズクラスターの特徴量（第２特徴量）の入力に応じて、静的バランスを出力する推定モデルを生成する。学習部によって生成された推定モデルは、記憶部に保存される。

本実施形態の学習システムは、歩容計測装置によって計測された特徴量データを用いて、推定モデル生成する。そのため、本態様によれば、静的バランスを計測するための器具を用いずに、日常生活において静的バランスを適宜推定することを可能とする推定モデルを生成できる。

（第３の実施形態）
次に、第３の実施形態に係る静的バランス推定装置について図面を参照しながら説明する。本実施形態の静的バランス推定装置は、第１の実施形態の静的バランス推定システムに含まれる静的バランス推定装置を簡略化した構成である。

図３０は、本実施形態に係る静的バランス推定装置３３の構成の一例を示すブロック図である。静的バランス推定装置３３は、データ取得部３３１、記憶部３３２、推定部３３３、および出力部３３５を備える。

データ取得部３３１は、ユーザの歩容の特徴から抽出された、ユーザの静的バランス指標の推定に用いられる特徴量を含む特徴量データを取得する。記憶部３３２は、特徴量データの入力に応じた静的バランス指標を出力する推定モデルを記憶する。推定部３３３は、取得された特徴量データを推定モデルに入力し、推定モデルから出力された静的バランス指標に応じて、ユーザの静的バランスを推定する。出力部３３５は、推定された静的バランスに関する情報を出力する。

以上のように、本実施形態では、ユーザの歩容の特徴から抽出された特徴量を用いて、ユーザの静的バランスを推定する。そのため、本実施形態によれば、静的バランスを計測するための器具を用いずに、日常生活において静的バランスを適宜推定できる。

（ハードウェア）
ここで、本開示の各実施形態に係る制御や処理を実行するハードウェア構成について、図３１の情報処理装置９０を一例として挙げて説明する。なお、図３１の情報処理装置９０は、各実施形態の制御や処理を実行するための構成例であって、本開示の範囲を限定するものではない。

図３１のように、情報処理装置９０は、プロセッサ９１、主記憶装置９２、補助記憶装置９３、入出力インターフェース９５、および通信インターフェース９６を備える。図３１においては、インターフェースをＩ／Ｆ（Interface）と略記する。プロセッサ９１、主記憶装置９２、補助記憶装置９３、入出力インターフェース９５、および通信インターフェース９６は、バス９８を介して、互いにデータ通信可能に接続される。また、プロセッサ９１、主記憶装置９２、補助記憶装置９３、および入出力インターフェース９５は、通信インターフェース９６を介して、インターネットやイントラネットなどのネットワークに接続される。

プロセッサ９１は、補助記憶装置９３等に格納されたプログラムを、主記憶装置９２に展開する。プロセッサ９１は、主記憶装置９２に展開されたプログラムを実行する。本実施形態においては、情報処理装置９０にインストールされたソフトウェアプログラムを用いる構成とすればよい。プロセッサ９１は、各実施形態に係る制御や処理を実行する。

主記憶装置９２は、プログラムが展開される領域を有する。主記憶装置９２には、プロセッサ９１によって、補助記憶装置９３等に格納されたプログラムが展開される。主記憶装置９２は、例えばＤＲＡＭ（Dynamic Random Access Memory）などの揮発性メモリによって実現される。また、主記憶装置９２として、ＭＲＡＭ（Magnetoresistive Random Access Memory）などの不揮発性メモリが構成／追加されてもよい。

補助記憶装置９３は、プログラムなどの種々のデータを記憶する。補助記憶装置９３は、ハードディスクやフラッシュメモリなどのローカルディスクによって実現される。なお、種々のデータを主記憶装置９２に記憶させる構成とし、補助記憶装置９３を省略することも可能である。

入出力インターフェース９５は、規格や仕様に基づいて、情報処理装置９０と周辺機器とを接続するためのインターフェースである。通信インターフェース９６は、規格や仕様に基づいて、インターネットやイントラネットなどのネットワークを通じて、外部のシステムや装置に接続するためのインターフェースである。入出力インターフェース９５および通信インターフェース９６は、外部機器と接続するインターフェースとして共通化してもよい。

情報処理装置９０には、必要に応じて、キーボードやマウス、タッチパネルなどの入力機器が接続されてもよい。それらの入力機器は、情報や設定の入力に使用される。なお、タッチパネルを入力機器として用いる場合は、表示機器の表示画面が入力機器のインターフェースを兼ねる構成としてもよい。プロセッサ９１と入力機器との間のデータ通信は、入出力インターフェース９５に仲介させればよい。

また、情報処理装置９０には、情報を表示するための表示機器を備え付けてもよい。表示機器を備え付ける場合、情報処理装置９０には、表示機器の表示を制御するための表示制御装置（図示しない）が備えられていることが好ましい。表示機器は、入出力インターフェース９５を介して情報処理装置９０に接続すればよい。

また、情報処理装置９０には、ドライブ装置が備え付けられてもよい。ドライブ装置は、プロセッサ９１と記録媒体（プログラム記録媒体）との間で、記録媒体からのデータやプログラムの読み込み、情報処理装置９０の処理結果の記録媒体への書き込みなどを仲介する。ドライブ装置は、入出力インターフェース９５を介して情報処理装置９０に接続すればよい。

以上が、本発明の各実施形態に係る制御や処理を可能とするためのハードウェア構成の一例である。なお、図３１のハードウェア構成は、各実施形態に係る制御や処理を実行するためのハードウェア構成の一例であって、本発明の範囲を限定するものではない。また、各実施形態に係る制御や処理をコンピュータに実行させるプログラムも本発明の範囲に含まれる。さらに、各実施形態に係るプログラムを記録したプログラム記録媒体も本発明の範囲に含まれる。記録媒体は、例えば、ＣＤ（Compact Disc）やＤＶＤ（Digital Versatile Disc）などの光学記録媒体で実現できる。記録媒体は、ＵＳＢ（Universal Serial Bus）メモリやＳＤ（Secure Digital）カードなどの半導体記録媒体によって実現されてもよい。また、記録媒体は、フレキシブルディスクなどの磁気記録媒体、その他の記録媒体によって実現されてもよい。プロセッサが実行するプログラムが記録媒体に記録されている場合、その記録媒体はプログラム記録媒体に相当する。

各実施形態の構成要素は、任意に組み合わせてもよい。また、各実施形態の構成要素は、ソフトウェアによって実現されてもよいし、回路によって実現されてもよい。

以上、実施形態を参照して本発明を説明してきたが、本発明は上記実施形態に限定されるものではない。本発明の構成や詳細には、本発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
（付記１）
ユーザの歩容の特徴から抽出された、前記ユーザの静的バランスの推定に用いられる特徴量を含む特徴量データを取得するデータ取得部と、
前記特徴量データの入力に応じた静的バランス指標を出力する推定モデルを記憶する記憶部と、
取得された前記特徴量データを前記推定モデルに入力し、前記推定モデルから出力された前記静的バランス指標に応じて、前記ユーザの前記静的バランスを推定する推定部と、
推定された前記ユーザの前記静的バランスに関する情報を出力する出力部と、を備える静的バランス推定装置。
（付記２）
前記データ取得部は、
足の動きに関する前記センサデータの時系列データを用いて生成された歩行波形データから抽出された、前記静的バランス指標として片脚立位テストの成績値を推定するために用いられる特徴量を含む前記特徴量データを取得する付記１に記載の静的バランス推定装置。
（付記３）
前記記憶部は、
複数の被験者に関して、前記静的バランス指標の推定に用いられる特徴量を説明変数とし、複数の前記被験者の前記静的バランス指標を目的変数とする教師データを用いた学習によって生成された前記推定モデルを記憶し、
前記推定部は、
前記ユーザに関して取得された前記特徴量データを前記推定モデルに入力し、前記推定モデルから出力された前記ユーザの前記静的バランス指標に応じて、前記ユーザの前記静的バランスを推定する付記２に記載の静的バランス推定装置。
（付記４）
前記記憶部は、
複数の前記被験者の年齢および身長のうち少なくともいずれかを含む属性データを含めた説明変数を用いて学習された前記推定モデルを記憶し、
前記推定部は、
前記ユーザに関する前記特徴量データおよび前記属性データを前記推定モデルに入力し、前記推定モデルから出力された前記ユーザの前記静的バランス指標に応じて、前記ユーザの前記静的バランスを推定する付記３に記載の静的バランス推定装置。
（付記５）
前記記憶部は、
複数の前記被験者の前記歩行波形データに関して、遊脚終期の終盤および立脚中期から抽出された中殿筋の活動に関する特徴量、遊脚前期および遊脚初期から抽出された長内転筋および縫工筋の活動に関する特徴量、および遊脚相における内外転筋肉群の活動に関する特徴量を説明変数とし、複数の前記被験者の前記静的バランス指標を目的変数とする教師データを用いた学習によって生成された前記推定モデルを記憶し、
前記推定部は、
前記ユーザの歩行に応じて取得された前記特徴量データを前記推定モデルに入力し、前記推定モデルから出力された前記ユーザの前記静的バランス指標に応じて、前記ユーザの前記静的バランスを推定する付記３または４に記載の静的バランス推定装置。
（付記６）
前記記憶部は、
複数の前記被験者に関して、横方向加速度の前記歩行波形データの立脚中期から抽出された特徴量と、垂直方向加速度の前記歩行波形データの遊脚終期の終盤から抽出された特徴量と、冠状面内における角速度の前記歩行波形データの遊脚初期から抽出された特徴量と、水平面内における角速度の前記歩行波形データの立脚中期および遊脚前期から抽出された特徴量と、遊脚相における分回し量に関する特徴量とを説明変数とし、複数の前記被験者の前記静的バランス指標を目的変数とする教師データを用いた学習によって生成された前記推定モデルを記憶し、
前記データ取得部は、
前記ユーザの歩行に応じて抽出された、横方向加速度の前記歩行波形データの立脚中期の特徴量と、垂直方向加速度の前記歩行波形データの遊脚終期の終盤の特徴量と、冠状面内における角速度の前記歩行波形データの遊脚初期の特徴量と、水平面内における角速度の前記歩行波形データの立脚中期および遊脚前期の特徴量と、遊脚相における分回し量に関する特徴量とを含む前記特徴量データを取得し、
前記推定部は、
取得された前記特徴量データを前記推定モデルに入力し、前記推定モデルから出力された前記ユーザの前記静的バランス指標に応じて、前記ユーザの前記静的バランスを推定する付記５に記載の静的バランス推定装置。
（付記７）
前記記憶部は、
複数の前記被験者に関して、水平面内における角度の前記歩行波形データの遊脚終期から荷重応答期に切り替わる踵接地のタイミングにおける足角に関する特徴量を含む説明変数と、複数の前記被験者の前記静的バランス指標を目的変数とする教師データを用いた学習によって生成された前記推定モデルを記憶し、
前記データ取得部は、
水平面内における角度の前記歩行波形データの遊脚終期から荷重応答期に切り替わる踵接地のタイミングにおける足角の特徴量を含む前記特徴量データを取得し、
前記推定部は、
取得された前記特徴量データを前記推定モデルに入力し、前記推定モデルから出力された前記ユーザの前記静的バランス指標に応じて、前記ユーザの前記静的バランスを推定する付記６に記載の静的バランス推定装置。
（付記８）
前記推定部は、
前記ユーザに関して推定された前記静的バランス指標に応じて、前記ユーザの前記静的バランスに関する情報を推定し、
前記出力部は、
推定された前記静的バランスに関する情報を出力する付記３乃至７のいずれか一つに記載の静的バランス推定装置。
（付記９）
付記１乃至８のいずれか一つに記載の静的バランス推定装置と、
静的バランスの推定対象であるユーザの履物に設置され、空間加速度および空間角速度を計測し、計測した前記空間加速度および前記空間角速度を用いて足の動きに関するセンサデータを生成し、生成した前記センサデータを出力するセンサと、歩容の特徴を含む前記センサデータの時系列データを取得し、前記センサデータの時系列データから一歩行周期分の歩行波形データを抽出し、抽出された前記歩行波形データを正規化し、正規化された前記歩行波形データから、前記静的バランスの推定に用いられる特徴量を、時間的に連続する少なくとも一つの歩行フェーズによって構成される歩行フェーズクラスターから抽出し、抽出された特徴量を含む特徴量データを生成し、生成された前記特徴量データを前記静的バランス推定装置に出力する特徴量データ生成部と有する歩容計測装置と、を備える静的バランス推定システム。
（付記１０）
前記静的バランス推定装置は、
前記ユーザによって視認可能な画面を有する端末装置に実装され、
前記ユーザの足の動きに応じて推定された前記静的バランスに関する情報を、前記端末装置の画面に表示させる付記９に記載の静的バランス推定システム。
（付記１１）
前記静的バランス推定装置は、
前記ユーザの足の動きに応じて推定された前記静的バランスに応じた推薦情報を、前記端末装置の画面に表示させる付記１０に記載の静的バランス推定システム。
（付記１２）
前記静的バランス推定装置は、
前記ユーザの足の動きに応じて推定された前記静的バランスに応じた前記推薦情報として、前記静的バランスに関する身体部位を鍛えるためのトレーニングに関する動画を前記端末装置の画面に表示させる付記１１に記載の静的バランス推定システム。
（付記１３）
コンピュータが、
ユーザの歩容の特徴から抽出された、前記ユーザの静的バランスの推定に用いられる特徴量を含む特徴量データを取得し、
取得された前記特徴量データを、前記特徴量データの入力に応じた静的バランス指標を出力する推定モデルに入力し、
前記推定モデルから出力された前記静的バランス指標に応じて、前記ユーザの前記静的バランスを推定し、
推定された前記ユーザの前記静的バランスに関する情報を出力する静的バランス推定方法。
（付記１４）
ユーザの歩容の特徴から抽出された、前記ユーザの静的バランスの推定に用いられる特徴量を含む特徴量データを取得する処理と、
取得された前記特徴量データを、前記特徴量データの入力に応じた静的バランス指標を出力する推定モデルに入力する処理と、
前記推定モデルから出力された前記静的バランス指標に応じて、前記ユーザの前記静的バランスを推定する処理と、
推定された前記ユーザの前記静的バランスに関する情報を出力する処理と、をコンピュータに実行させるプログラム。

１ 静的バランス推定システム
２ 学習システム
１０、２０ 歩容計測装置
１１ センサ
１２ 特徴量データ生成部
１３ 静的バランス推定装置
２５ 学習装置
１１１ 加速度センサ
１１２ 角速度センサ
１２１ 取得部
１２２ 正規化部
１２３ 抽出部
１２５ 生成部
１２７ 特徴量データ出力部
１３１、３３１ データ取得部
１３２、３３２ 記憶部
１３３、３３３ 推定部
１３５、３３５ 出力部
２５１ 受信部
２５３ 学習部
２５５ 記憶部

Claims (8)

1. ユーザの足の動きに応じて計測されたセンサデータの時系列データを用いて生成された歩行波形データから抽出された、前記ユーザの静的バランスに相関する片脚立位時間の推定に用いられる特徴量を含む特徴量データを取得するデータ取得手段と、
   前記特徴量データの入力に応じて前記片脚立位時間を出力するように学習させた推定モデルを記憶する記憶手段と、
   取得された前記特徴量データを前記推定モデルに入力し、前記推定モデルから出力された前記片脚立位時間に応じて、前記ユーザの前記静的バランスを推定する推定手段と、
   推定された前記ユーザの前記静的バランスに関する情報を出力する出力手段と、を備え、
   前記記憶手段は、
   複数の被験者の前記歩行波形データに関して、遊脚終期の終盤および立脚中期から抽出された中殿筋の活動に関する特徴量、遊脚前期および遊脚初期から抽出された長内転筋および縫工筋の活動に関する特徴量、および遊脚相における内外転筋肉群の活動に関する特徴量を説明変数とし、複数の前記被験者の前記片脚立位時間を目的変数とする教師データを用いた学習によって生成された前記推定モデルを記憶し、
   前記推定手段は、
   前記ユーザの歩行に応じて取得された前記特徴量データを前記推定モデルに入力し、前記推定モデルから出力された前記ユーザの前記片脚立位時間に応じて、前記ユーザの前記静的バランスを推定する静的バランス推定装置。
2. 前記記憶手段は、
   複数の被験者に関して、前記片脚立位時間の推定に用いられる特徴量を説明変数とし、複数の前記被験者の前記片脚立位時間を目的変数とする教師データを用いた学習によって生成された前記推定モデルを記憶し、
   前記推定手段は、
   前記ユーザに関して取得された前記特徴量データを前記推定モデルに入力し、前記推定モデルから出力された前記ユーザの前記片脚立位時間に応じて、前記ユーザの前記静的バランスを推定する請求項１に記載の静的バランス推定装置。
3. 前記記憶手段は、
   複数の前記被験者に関して、横方向加速度の前記歩行波形データの立脚中期から抽出された特徴量と、垂直方向加速度の前記歩行波形データの遊脚終期の終盤から抽出された特徴量と、冠状面内における角速度の前記歩行波形データの遊脚初期から抽出された特徴量と、水平面内における角速度の前記歩行波形データの立脚中期および遊脚前期から抽出された特徴量と、遊脚相における分回し量に関する特徴量とを説明変数とし、複数の前記被験者の前記片脚立位時間を目的変数とする教師データを用いた学習によって生成された前記推定モデルを記憶し、
   前記データ取得手段は、
   前記ユーザの歩行に応じて抽出された、横方向加速度の前記歩行波形データの立脚中期の特徴量と、垂直方向加速度の前記歩行波形データの遊脚終期の終盤の特徴量と、冠状面内における角速度の前記歩行波形データの遊脚初期の特徴量と、水平面内における角速度の前記歩行波形データの立脚中期および遊脚前期の特徴量と、遊脚相における分回し量に関する特徴量とを含む前記特徴量データを取得し、
   前記推定手段は、
   取得された前記特徴量データを前記推定モデルに入力し、前記推定モデルから出力された前記ユーザの前記片脚立位時間に応じて、前記ユーザの前記静的バランスを推定する請求項１に記載の静的バランス推定装置。
4. 前記記憶手段は、
   複数の前記被験者に関して、水平面内における角度の前記歩行波形データの遊脚終期から荷重応答期に切り替わる踵接地のタイミングにおける足角に関する特徴量を含む説明変数と、複数の前記被験者の前記片脚立位時間を目的変数とする教師データを用いた学習によって生成された前記推定モデルを記憶し、
   前記データ取得手段は、
   水平面内における角度の前記歩行波形データの遊脚終期から荷重応答期に切り替わる踵接地のタイミングにおける足角の特徴量を含む前記特徴量データを取得し、
   前記推定手段は、
   取得された前記特徴量データを前記推定モデルに入力し、前記推定モデルから出力された前記ユーザの前記片脚立位時間に応じて、前記ユーザの前記静的バランスを推定する請求項３に記載の静的バランス推定装置。
5. 請求項１乃至４のいずれか一項に記載の静的バランス推定装置と、
   静的バランスの推定対象であるユーザの履物に設置され、空間加速度および空間角速度を計測し、計測した前記空間加速度および前記空間角速度を用いて足の動きに関するセンサデータを生成し、生成した前記センサデータを出力するセンサと、歩容の特徴を含む前記センサデータの時系列データを取得し、前記センサデータの時系列データから一歩行周期分の歩行波形データを抽出し、抽出された前記歩行波形データを正規化し、正規化された前記歩行波形データから、前記片脚立位時間の推定に用いられる特徴量を、時間的に連続する少なくとも一つの歩行フェーズによって構成される歩行フェーズクラスターから抽出し、抽出された特徴量を含む特徴量データを生成し、生成された前記特徴量データを前記静的バランス推定装置に出力する特徴量データ生成手段と、を有する歩容計測装置と、を備える静的バランス推定システム。
6. 前記静的バランス推定装置は、
   前記ユーザによって視認可能な画面を有する端末装置に実装され、
   前記ユーザの足の動きに応じて推定された前記静的バランスに関する情報を、前記端末装置の画面に表示させる請求項５に記載の静的バランス推定システム。
7. コンピュータが、
   ユーザの足の動きに応じて計測されたセンサデータの時系列データを用いて生成された歩行波形データから抽出された、前記ユーザの静的バランスに相関する片脚立位時間の推定に用いられる特徴量を含む特徴量データを取得し、
   取得された前記特徴量データを、前記特徴量データの入力に応じて前記片脚立位時間を出力するように学習させた推定モデルに入力し、
   前記推定モデルから出力された前記片脚立位時間に応じて、前記ユーザの前記静的バランスを推定し、
   推定された前記ユーザの前記静的バランスに関する情報を出力し、
   前記推定において、
   複数の被験者の前記歩行波形データに関して、遊脚終期の終盤および立脚中期から抽出された中殿筋の活動に関する特徴量、遊脚前期および遊脚初期から抽出された長内転筋および縫工筋の活動に関する特徴量、および遊脚相における内外転筋肉群の活動に関する特徴量を説明変数とし、複数の前記被験者の前記片脚立位時間を目的変数とする教師データを用いた学習によって生成された前記推定モデルに、前記ユーザの歩行に応じて取得された前記特徴量データを入力し、
   前記推定モデルから出力された前記ユーザの前記片脚立位時間に応じて、前記ユーザの前記静的バランスを推定する静的バランス推定方法。
8. コンピュータに、
   ユーザの足の動きに応じて計測されたセンサデータの時系列データを用いて生成された歩行波形データから抽出された、前記ユーザの静的バランスに相関する片脚立位時間の推定に用いられる特徴量を含む特徴量データを取得する処理と、
   取得された前記特徴量データを、前記特徴量データの入力に応じて前記片脚立位時間を出力するように学習させた推定モデルに入力する処理と、
   前記推定モデルから出力された前記片脚立位時間に応じて、前記ユーザの前記静的バランスを推定する処理と、
   推定された前記ユーザの前記静的バランスに関する情報を出力する処理と、
   前記推定する処理において、
   複数の被験者の前記歩行波形データに関して、遊脚終期の終盤および立脚中期から抽出された中殿筋の活動に関する特徴量、遊脚前期および遊脚初期から抽出された長内転筋および縫工筋の活動に関する特徴量、および遊脚相における内外転筋肉群の活動に関する特徴量を説明変数とし、複数の前記被験者の前記片脚立位時間を目的変数とする教師データを用いた学習によって生成された前記推定モデルに、前記ユーザの歩行に応じて取得された前記特徴量データを入力する処理と、
   前記推定モデルから出力された前記ユーザの前記片脚立位時間に応じて、前記ユーザの前記静的バランスを推定する処理と、をコンピュータに実行させるプログラム。