JPWO2020079782A1 - 体重推定装置、体重推定方法、およびプログラム - Google Patents

Abstract

歩行者の体重を高精度に推定するために、歩行者の歩行特性を含む歩容データを受信するデータ受信部と、歩容データから歩行者の歩行特性に基づいた特徴量を抽出する第１計算部と、歩容データをサンプルデータに用いて、第１計算部によって抽出された特徴量と歩行者の体重情報との相関関係を学習して学習モデルを生成する第２計算部と、推定対象の歩容データを学習モデルに入力して推定対象の歩容データに対応する体重情報を推定する推定部とを備える体重推定装置とする。

Description

本発明は、歩行者の体重を推定する体重推定装置、体重推定方法、およびプログラムに関する。

健康に対する関心の高まりから、脈波や心拍数、血圧、体温、筋肉活動量、体重などのように、生命活動中の人体から取得される物理量である生体指標をデジタルヘルス技術によってモニタリングすることが注目されている。そのような中で、デジタルヘルス技術を用いて、生体指標として体重変化をモニタリングすることに関心が集まっている。

一般的な体重測定では、バネの伸縮原理やひずみの変形原理を利用して体重を測定する体重計を用いて、静止状態の人体が受ける重力を計測する。しかしながら、体重計で体重を測定する際には、地面に設置された体重計に人が乗る必要があるため、体重を測定できる時間や空間などの環境が制限される。例えば、健康管理時に体重のモニタリングを行う場合、体重計が配置された環境でなければ情報を取得できないため、決まった時間と場所で測定する必要がある。そのため、一般的な体重測定方法では、一日一回や朝昼晩三回など、高い頻度で体重をモニタリングする必要がある人に対して負担が掛かり、健康管理のモチベーションが低下することがある。そのため、日常生活中の任意時間に体重を測定する技術が求められている。

特許文献１には、靴の中敷きとして設置できるシート状の荷重計測装置について開示されている。特許文献１の装置は、空隙や窪みのあるシート状誘電体と、平坦なシート状誘電体とを、３枚のシート状導電体で挟み込んで形成させた二つのコンデンサを含むセンサ部と、センサ部のコンデンサの静電容量の差分変化を計測して作動する電気回路部とを有する。

特許文献２には、歩行するユーザの動きパターンを取得するパターン取得部と、ユーザが歩行した経路の形状を判定する経路形状判定部とを備える経路形状判定装置について開示されている。

特許文献３には、生体の加速度情報を取得する取得ユニットと、加速度情報から特定される生体の加速度変化に関する特徴量に対応する重量を生体の重量情報として出力する出力ユニットとを備える重量情報出力システムについて開示されている。

特許文献４には、歩行運動に伴って人体に形成される電界変位に基づいて個人を識別する個人識別装置について開示されている。特許文献４の装置は、人体の２足運動に伴って、当該人体に形成される電界の変位を検出する電界変位検出手段を備える。また、特許文献４の装置は、上記電界の変位のうち、一方の足底面全体が着地し、かつ他方の爪先が離地直後の状態に対応する所定の周波数帯域に係る振幅のピークを指標として、個人を識別する識別手段を備える。

特許文献５には、人間の歩行時におけるバランス感覚を測定するバランス感覚測定装置に関して開示されている。特許文献５の装置は、一対の支持台の間に架け渡された歩行用梁を歩行する歩行者の歩行によって、歩行用梁に発生する撓みや捩れ、通過時間に基づいて、歩行者のバランス感覚を測定する。

特許第４８６０４３０号公報 特許第６０５４９０５号公報 特開２０１７−２１１３０４号公報 特開２００４−１４７７９３号公報 特開平０６−２４５９２４号公報

特許文献２の装置は、靴の内部に装着された圧力センサによって計測される一定時間後の足裏の圧力変化と、初期体重とに基づいて体重を計算できる。しかしながら、特許文献２の装置には、圧力センサによって検出される圧力変化が、体重変化によるのか体動によるのかを判別できないため、測定精度が低いという問題点があった。

特許文献３の装置は、歩行時の加速度変化に注目し、加速度と体重変化との関連性を利用して体重を推定する。ところで、歩行時に発生する加速度は、下肢の前後運動によるものである。下肢は骨盤を軸中心にして運動するため、歩行時の加速度変化は下肢の体動を記録する波形に相当する。すなわち、特許文献３の装置には、歩行時の下肢の体動の変化を検出することはできるが、歩行時における体重変化を計測することはできないといった問題点があった。また、特許文献３の装置は、装着部位がずれると、下肢の運動特性が変わるために加速度特性が変化し、加速度特性と体重との関連性モデルが使用できなくなるため、体重の推定精度が落ちることがあるという問題点があった。

特許文献４の装置は、歩行時における人体の静電容量変化に注目し、歩行波形から特徴量を抽出する。しかしながら、特許文献４の装置には、人体の静電容量変化が、歩行によるものか、他の体動によるものかを分別するのが難しいという問題点があった。

特許文献５の装置は、歩行用梁に設けられた歪みゲージの出力信号に基づいて、歩行者の体重を計測できる。しかしながら、特許文献５の装置には、歩行用梁の撓みや捩れによって歩行者のバランス感覚を評価することはできるが、歩行者の体重を精度よく計測することはできないという問題点があった。

本発明の目的は、上述した課題を解決し、歩行者の体重を高精度に推定できる体重推定システムを提供することにある。

本発明の一態様の体重推定装置は、歩行者の歩行特性を含む歩容データを受信するデータ受信部と、歩容データから歩行者の歩行特性に基づいた特徴量を抽出する第１計算部と、歩容データをサンプルデータに用いて、第１計算部によって抽出された特徴量と歩行者の体重情報との相関関係を学習して学習モデルを生成する第２計算部と、推定対象の歩容データを学習モデルに入力して推定対象の歩容データに対応する体重情報を推定する推定部とを備える。

本発明の一態様の体重推定方法においては、歩行者の歩行特性を含む歩容データを受信し、歩容データから歩行者の歩行特性に基づいた特徴量を抽出し、歩容データをサンプルデータに用いて、抽出された特徴量と歩行者の体重情報との相関関係を学習して学習モデルを生成し、推定対象の歩容データを学習モデルに入力して推定対象の歩容データに対応する体重情報を推定する。

本発明の一態様のプログラムは、歩行者の歩行特性を含む歩容データを受信する処理と、歩容データから歩行者の歩行特性に基づいた特徴量を抽出する処理と、歩容データをサンプルデータに用いて、抽出された特徴量と歩行者の体重情報との相関関係を学習して学習モデルを生成する処理と、推定対象の歩容データを学習モデルに入力して推定対象の歩容データに対応する体重情報を推定する処理とをコンピュータに実行させる。

本発明によれば、歩行者の体重を高精度に推定できる体重推定システムを提供することが可能になる。

本発明の第１の実施形態に係る体重推定システムの構成の一例を示すブロック図である。 人間の歩行周期について説明するための概念図である。 人間が歩行する際に計測される足圧の時間変化の一例を示すグラフである。 本発明の第１の実施形態に係る体重推定システムの荷重計測装置の一例を示す概念図である。 本発明の第１の実施形態に係る体重推定システムのデータ取得装置の一例を示す概念図である。 本発明の第１の実施形態に係る体重推定システムの体重推定装置の一例を示す概念図である。 本発明の第１の実施形態に係る体重推定システムのデータ収集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。 本発明の第１の実施形態に係る体重推定システムの体重推定装置の第１計算部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。 本発明の第１の実施形態に係る体重推定システムの体重推定装置の第１計算部によって抽出される特徴量ベクトルの一例である。 本発明の第１の実施形態に係る体重推定システムの体重推定装置の第２計算部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。 本発明の第１の実施形態に係る体重推定システムの体重推定装置の体重推定部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。 本発明の第２の実施形態に係る体重推定システムの構成の一例を示すブロック図である。 本発明の実施例における特徴量の記録手順の一例を示すフローチャートである。 本発明の実施例において記録された歩行波形の一例である。 本発明の実施例において得られた体重真値と予測体重値との相関関係を示すグラフである。 本発明の各実施形態に係る体重推定システムを実現するための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、本発明の第１の実施形態に係る体重推定システムについて図面を参照しながら説明する。本実施形態の体重推定システムは、ユーザの歩容データを用いてそのユーザの体重を推定する。一般に、歩容とは、人間や動物の歩行の様態のことをいう。本実施形態は、人間の歩容に関する。歩容は、歩幅（左か右、一歩分）や、歩幅（二歩分）、リズム、速度、力学的基盤、進行方向、足の角度、腰の角度、しゃがむ能力などを含む。本実施形態の体重推定装置は、ユーザの足裏の荷重経時変化（荷重波形とも呼ぶ）を測定することによって歩容データを取得し、その歩容データの特徴量を抽出してそのユーザの体重を推定する。以下において、歩行者とは、主に歩行中のユーザのことを示すが、停止しているユーザのことを歩行者と呼ぶこともある。

（構成）
図１は、本実施形態に係る体重推定システム１の構成の概要を示すブロック図である。図１のように、体重推定システム１は、データ取得装置１１、データ収集装置１２、体重推定装置１３、および送信装置１４を備える。データ取得装置１１とデータ収集装置１２とは、歩容データ生成部１０を構成する。

データ取得装置１１は、ユーザの足裏から受ける荷重を計測する装置である。データ取得装置１１は、ユーザの足裏から受ける荷重を計測する圧力センサを少なくとも一つ含む。データ取得装置１１は、圧力センサによって検知されるセンサデータをデータ収集装置１２に送信する。データ取得装置１１は、個々の圧力センサによって計測されるセンサデータを計測箇所に紐付けて個々に送信してもよいし、全てのセンサデータを一つにまとめてから送信してもよい。

データ収集装置１２は、データ取得装置１１によって検出されるセンサデータを受信する。データ収集装置１２は、受信したセンサデータから歩容データを抽出する。データ収集装置１２は、抽出した歩容データを格納する。また、学習モードにおいては、データ収集装置１２には、センサデータの入力に合わせてユーザの体重情報が入力される。体重情報とは、ユーザの体重を含む情報である。データ収集装置１２は、ユーザの体重情報が入力された場合、入力された体重情報を、その体重情報に対応して取得される歩容データに紐付けて格納する。

体重推定装置１３は、有線通信または無線通信によってデータ収集装置１２に接続される。体重推定装置１３は、データ収集装置１２から歩容データを受信する。体重推定装置１３は、受信した歩容データに基づいてユーザの状態を判定する。体重推定装置１３は、歩容データに基づいてユーザが歩行中であると判定すると、その歩容データから特徴量を抽出する。学習モードにおいては、体重推定装置１３は、抽出した特徴量を記憶する。体重推定装置１３は、歩容データが示す特性と体重情報との相関関係を学習して学習モデルを生成し、生成した学習モデルを記憶する。そして、計測モードにおいては、体重推定装置１３は、推定対象の歩容データから抽出される特徴量と学習モデルとを用いて体重データを推定する。体重推定装置１３は、推定した体重データを送信装置１４に送信する。

送信装置１４は、体重推定装置１３に接続される。送信装置１４は、体重推定装置１３から外部に送信するデータを取得する。送信装置１４は、パーソナルコンピュータやサーバなどの据え置き型の情報処理装置や、スマートフォンや携帯電話などの携帯端末、表示装置などのように、表示部を有する装置にデータを送信する。送信装置１４の送信形態は、ケーブルを介した有線通信であってもよいし、電磁波や音波などを用いる無線通信であってもよく、その通信形態には特に限定を加えない。例えば、ユーザは、モニタに表示される体重データを参照することによって、自身の体重の状況や変化を把握できる。

以上が、体重推定システム１の構成の概要についての説明である。なお、図１の体重推定システム１の構成は一例であって、本実施形態の体重推定システム１の構成をそのままの形態で限定するものではない。

〔歩行周期〕
ここで、人間の歩行周期について図面を参照しながら説明する。図２は、右足を基準とした人間の歩行周期について説明するための概念図である。図２の歩行者の下に示す横軸は、人間の歩行に伴う時間経過を正規化した正規化時間である。なお、以下においては右足に着目して説明するが、左足についても同様である。

人間の歩行周期は、立脚期と遊脚期とに大別される。右足の立脚期は、右足の踵接地状態から左足の底面が完全に接地し、右足のつま先が離地する状態までの期間である。立脚期は、歩行周期全体の６０％を占める。右足の遊脚期は、左足の底面が完全に接地し、右足のつま先が離地した状態から、再び右足の踵が接地する状態までの期間である。遊脚期は、歩行周期全体の４０％を占める。

図３は、人間が歩行する際に計測される足圧（足裏から受ける圧力）の時間変化の一例を示すグラフである。図３の横軸は、人間の歩行に伴う時間経過を正規化した正規化時間であり、図２の横軸に対応する。図３に示す曲線は、実線が右足部の足圧の時間推移を示し、破線が左足部の足圧の時間推移を示す。

歩行時の右足部の垂直分力の時間推移（実線）には、二つの山（第１ピークＰ₁、第２ピークＰ₂）と一つの谷（ディップＤ）が表れる。例えば、第１ピークＰ₁、第２ピークＰ₂、ディップＤは、それぞれの示す波形に波形分離できる。第１ピークＰ₁は、右足の踵接地後の足関節垂直方向回転運動によって、足底全体が地面に接触する際の衝撃によるものである。第２ピークＰ₂は、右足立脚終期と遊脚前期の間に発生する左足踵接地と右足のつま先離地の前進姿勢の際に右足のつま先が地面に与える圧力によるものである。第２ピークＰ₂の頂点における足圧の値は、体重による荷重と、歩行者が前進する際に筋肉が発生させる力の垂直分力とを足した値に相当する。ディップＤは、右足立脚中期に発生する左足の上向き運動に起因する重力と反対方向の加速度によるものである。

歩容データに含まれる第１ピークＰ₁、第２ピークＰ₂、ディップＤは、いずれもユーザの体重に関係するものである。そのため、歩容データ（例えば、第１ピークＰ₁、第２ピークＰ₂、ディップＤ）から抽出される特徴量と、体重との相関関係を示す学習モデルを事前に生成しておけば、推定対象の歩容データを学習モデルに入力することによって体重を推定できる。

以上が、人間の歩行周期についての説明である。なお、図２および図３に示す人間の歩行周期は一例であって、本実施形態の体重推定システム１の検証対象とする歩行周期を限定するものではない。

次に、データ取得装置１１、データ収集装置１２、および体重推定装置１３の構成について図面を参照しながら説明する。

〔データ取得装置〕
図４は、データ取得装置１１の構成の一例を示す概念図である。図４のように、データ取得装置１１は、二つのデータ取得部１１０と、センサデータ送信部１１５とを有する。データ取得部１１０は、本体１１１と、センサ部１１２とを含む。データ取得部１１０は、靴の中に中敷きとして設置された状態で使用される。

本体１１１は、靴の中敷き状の外形を有する。本体１１１は、左足用と右足用とで異なる形状であってもよいし、同じ形状であってもよい。また、本体１１１は、一般的な中敷きの素材で構成してもよいし、剛性や機能性を高めた素材で構成してもよい。例えば、本体１１１は、少なくとも２層の層状構造とし、いずれかの層間にセンサ部１１２が挿入された構造とする。

センサ部１１２は、本体１１１の内部や表面に設置される。センサ部１１２は、センサデータ送信部１１５に接続される。センサ部１１２は、少なくとも一つのセンサを含み、人間の歩行様態に関わる物理量やその変化量を検出する。センサ部１１２は、検出した物理量やその変化量に基づいたセンサデータをセンサデータ送信部１１５に出力する。

例えば、センサ部１１２は、足圧や、足圧分布、加速度、角速度、筋電強度などに関する物理量やその変化量を検出する。例えば、センサ部１１２は、データ取得装置１１が設置された靴を履いたユーザの足裏から受ける圧力を検出する圧力センサによって構成できる。また、例えば、センサ部１１２は、圧力分布を測定できるシート状のセンサシートで構成できる。センサ部１１２として圧力センサシートを用いれば、足裏から受ける圧力分布を計測できる。なお、センサ部１１２は、単一のセンサで構成してもよいし、複数のセンサを組み合わせて構成してもよい。センサ部１１２を複数のセンサで構成する場合、センサ部１１２は、同一種類の複数のセンサで構成してもよいし、異なる種類の複数のセンサで構成してもよい。

センサデータ送信部１１５は、センサ部１１２に接続される。また、センサデータ送信部１１５は、有線通信または無線通信によってデータ収集装置１２に接続される。例えば、センサデータ送信部１１５は、無線ＬＡＮ（Local Area Network）や近距離無線通信などによってデータ収集装置１２に接続される。センサデータ送信部１１５は、各センサ部１１２からセンサデータを取得する。センサデータ送信部１１５は、取得したセンサデータをデータ収集装置１２に送信する。なお、図４には、センサデータ送信部１１５を一つしか図示していないが、左足用と右足用のそれぞれのデータ取得部１１０にセンサデータ送信部１１５を設けてもよい。

以上が、データ取得装置１１の構成についての説明である。なお、図４のデータ取得装置１１の構成は一例であって、本実施形態のデータ取得装置１１の構成をそのままの形態で限定するものではない。

〔データ収集装置〕
図５は、データ収集装置１２の構成の一例を示すブロック図である。図５のように、データ収集装置１２は、センサデータ受信部１２１、歩容データ抽出部１２２、体重情報入力部１２３、データベース１２４を有する。

センサデータ受信部１２１は、有線通信または無線通信によって、データ取得装置１１のセンサデータ送信部１１５に接続される。センサデータ受信部１２１は、データ取得装置１１から送信されたセンサデータを受信する。センサデータ受信部１２１は、受信したセンサデータを歩容データ抽出部１２２に出力する。

歩容データ抽出部１２２は、センサデータ受信部１２１に接続される。歩容データ抽出部１２２は、センサデータ受信部１２１からセンサデータを取得する。歩容データ抽出部１２２は、取得したセンサデータから歩容データを抽出する。例えば、歩容データ抽出部１２２は、足圧や足圧分布、加速度、角速度、筋電強度などのような人間の歩行様態に関わるデータを歩容データとして抽出する。歩容データ抽出部１２２は、抽出した歩容データをデータベース１２４に格納する。

体重情報入力部１２３は、ユーザから体重情報の入力を受け付ける。例えば、体重情報入力部１２３には、図示しないキーボードやタッチパネルなどを介して体重情報が入力される。体重情報入力部１２３は、体重情報が入力されると、その体重情報を対応する歩容データに紐付けてデータベース１２４に格納する。

データベース１２４は、歩容データ抽出部１２２に接続される。また、データベース１２４は、有線通信または無線通信によって体重推定装置１３に接続される。データベース１２４には、特定領域における歩行と関連するデータが格納される。特定領域とは、測定対象のユーザの生体領域のうちいずれかの領域のことである。本実施形態では、足裏を特定領域とし、特定領域における歩行と関連するデータとして、足の離地時および着地時に足裏がセンサ部１１２に与える圧力を示す足圧データを歩容データとしてデータベース１２４に格納させる。

以上が、データ収集装置１２の構成についての説明である。なお、図５のデータ収集装置１２の構成は一例であって、本実施形態のデータ収集装置１２の構成をそのままの形態で限定するものではない。

〔体重推定装置〕
図６は、体重推定装置１３の構成の一例を示すブロック図である。図６のように、体重推定装置１３は、データ受信部１３１、第１計算部１３２、特徴量記憶部１３３、第２計算部１３４、学習モデル記憶部１３５、推定部１３６、データ送信部１３７を備える。

データ受信部１３１は、特定領域で取得された歩容データをデータベース１２４から取得する。例えば、データ受信部１３１は、一次データである足圧や、足圧分布、加速度、角速度、筋電強度などのような人間の歩行様態に関わる歩容データを取得する。データ受信部１３１は、取得した歩容データを、第１計算部１３２に出力する。

第１計算部１３２は、データ受信部１３１から歩容データを取得する。第１計算部１３２は、取得した歩容データから歩容の特性を表す特徴量を抽出する。第１計算部１３２は、抽出した特徴量を特徴量記憶部１３３に記憶させる。また、歩容データに体重情報が紐づけられている場合、その歩容データの特徴量と体重情報とを紐付けて特徴量記憶部１３３に記憶させる。また、第１計算部１３２は、推定対象の歩容データを取得した場合、その推定対象の歩容データを推定部１３６に出力する。

例えば、第１計算部１３２は、一次データである歩容データから、歩行速度や、歩幅、歩行軌跡、両足のバランス、足の接地時間、滞空時間、立脚期時間、遊脚期時間などの特徴量を抽出する。

また、例えば、第１計算部１３２は、図３のような歩行時の足圧の時間推移から特徴量を抽出する。図３の歩行時の右足部の垂直分力の時間変化において、通常、第１ピークＰ₁は歩行周期の０〜２０％の間に現れ、ディップＤは歩行周期の２０〜４０％の間に現れ、第２ピークＰ₂は歩行周期の４０〜６０％の間に現れる。例えば、歩行時の右足部の垂直分力の時間変化の波形から抽出できる特徴量としては、第１ピークＰ₁、第２ピークＰ₂、ディップＤの頂点における足圧の値などが挙げられる。また、第１ピークＰ₁、第２ピークＰ₂、およびディップＤの半値幅や、それらの少なくとも二つの特徴量の和、平均値、差、比、積、時間差、立脚期歩行波形の積分値なども特徴量として抽出できる。左足部に関しても、右足部と同様に特徴量を抽出できる。

特徴量記憶部１３３（第１記憶部とも呼ばれる）には、第１計算部１３２によって抽出される歩容に関する特徴量が記憶される。特徴量記憶部１３３に記憶される特徴量は、第２計算部１３４および推定部１３６によって用いられる。また、歩容データに体重情報が紐づけられていた場合、特徴量記憶部１３３には、その歩容データから抽出される特徴量に体重情報が紐付けられて記憶される。

第２計算部１３４は、データ受信部１３１から少なくとも一つの歩容データをサンプルデータとして取得する。第２計算部１３４は、取得したサンプルデータが示す特性と体重情報との相関関係を学習して学習モデルを生成する。第２計算部１３４は、生成した学習モデルを学習モデル記憶部１３５に記憶させる。

例えば、第２計算部１３４は、データ受信部１３１から複数のサンプルデータを受け取り、特徴量記憶部１３３に記憶された特徴量を教師データとして各サンプルデータを機械学習する。例えば、第２計算部１３４は、決定木やサポートベクトルマシン、ニューラルネットワーク、ロジスティック回帰、最近傍分類法、アンサンブル分類学習法、判別分析などの手法を用いて、各サンプルデータを機械学習する。

例えば、第２計算部１３４は、サポートベクトルマシンに各サンプルデータを与えて、第１ピークＰ₁、第２ピークＰ₂、ディップＤの頂点における足圧の値などと体重との関係のように、第１計算部１３２が示す歩行特性と体重データとの関係を学習する。そして、第２計算部１３４は、第１ピークＰ₁、第２ピークＰ₂、ディップＤにおける足圧の値が入力されると、入力値に応じて体重データを出力する学習モデルを生成する。第２計算部１３４は、生成した学習モデルを学習モデル記憶部１３５に記憶させる。

また、例えば、第２計算部１３４は、各サンプルデータを用いてディープラーニングを行ない、第１ピークＰ₁、第２ピークＰ₂、ディップＤの頂点における足圧の値などに応じて、体重データを決定する分類器を作成する。第２計算部１３４は、作成した分類器を学習モデルとして学習モデル記憶部１３５に記憶させる。

学習モデル記憶部１３５（第２記憶部とも呼ばれる）には、第２計算部１３４によって生成される学習モデルが記憶される。学習モデル記憶部１３５に記憶された学習モデルは、推定部１３６によって用いられる。

推定部１３６は、推定対象の歩容データの特徴量を第１計算部１３２から取得する。推定部１３６は、学習モデル記憶部１３５に記憶された学習モデルを用いて、推定対象の歩容データの取得元のユーザの体重を推定する。推定部１３６は、推定した体重を示す体重データをデータ送信部１３７に出力する。

データ送信部１３７は、推定部１３６から体重データを取得する。データ送信部１３７は、取得した体重データを送信装置１４に送信する。なお、データ送信部１３７は、特徴量記憶部１３３に記憶された特徴データを送信装置１４に出力するように構成してもよい。

以上が、本実施形態に係る体重推定装置１３の構成についての説明である。なお、図６に示す体重推定装置１３の構成は一例であって、本実施形態に係る体重推定装置１３の構成を限定するものではない。

（動作）
次に、本実施形態に係る体重推定システム１の動作について説明する。以下においては、データ収集装置１２、体重推定装置１３に含まれる第１計算部１３２、第２計算部１３４、および推定部１３６の動作の一例について説明する。

〔データ収集装置〕
図７は、データ収集装置１２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。以下の図７のフローチャートに沿った説明においては、データ収集装置１２を動作の主体とし、データ取得装置１１から歩容データとして荷重波形を受信する例について例示する。荷重波形とは、ユーザが歩行する際に、データ取得装置１１によって取得される足圧の時間変化を示す波形である。

図７において、まず、データ収集装置１２は、データ取得装置１１から歩容データとして荷重波形を受信する（ステップＳ１１１）。

ここで、データ収集装置１２は、受信した荷重波形に基づいて、ユーザが歩行しているか否かを判断する（ステップＳ１１２）。例えば、データ収集装置１２は、データ取得装置１１のセンサ部１１２に含まれる全てのセンサの総和を計算し、圧力値の時間変化によって歩行開始の是非を判断する。また、例えば、立脚期の始まりの時点で床反動力が急激に上昇することを検出するための閾値を設定し、床反動力が閾値を超えた時点を歩行開始と判断することもできる。

ユーザが歩行していると判断した場合（ステップＳ１１２でＹｅｓ）、データ収集装置１２は、ユーザの歩行時の荷重波形の記録を開始する（ステップＳ１１３）。なお、ステップＳ１１３で記録される荷重波形のことを歩行波形とも呼ぶ。一方、データ収集装置１２によってユーザが歩行していないと判断された場合（ステップＳ１１２でＮｏ）、ステップＳ１１１に戻る。

ステップＳ１１３の後、データ収集装置１２は、受信した荷重波形に基づいて、ユーザの歩行が終了しているか否かを判断する（ステップＳ１１４）。例えば、データ収集装置１２は、歩行開始後に一定の時間が経過した時点や、歩行波形が一定時間の安定に達した時点を歩行終了と判断する。

データ収集装置１２がユーザの歩行が終了していると判断した場合（ステップＳ１１４でＹｅｓ）、図７のフローチャートに沿った処理は終了である。一方、データ収集装置１２がユーザの歩行が終了していないと判断した場合（ステップＳ１１４でＮｏ）、ステップＳ１１３に戻り、荷重波形の記録を継続する。

以上が、データ収集装置１２の動作の一例についての説明である。なお、図７のフローチャートに沿ったデータ収集装置１２の動作は一例であって、本実施形態のデータ収集装置１２の動作を限定するものではない。

〔第１計算部〕
図８は、体重推定装置１３の第１計算部１３２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。以下の図８のフローチャートに沿った説明においては、第１計算部１３２を動作の主体とする。

図８において、まず、第１計算部１３２は、データ受信部１３１から歩行波形を取得する（ステップＳ１２１）。

次に、第１計算部１３２は、取得した歩行波形から一歩ごとの波形を切り出す（ステップＳ１２２）。例えば、図３に示す歩行波形は、立脚期の開始後に急激に立ち上がり、遊脚期の開始前に急激に立ち下がる。そのため、歩行波形の急激な立ち上がりから立ち下がりまでの範囲を一歩の波形の範囲と特定できる。

次に、第１計算部１３２は、一歩ごとの波形から特徴量を抽出する（ステップＳ１２３）。一歩ごと（右足）の波形から特徴量を抽出するためには、図３に示す歩行波形に表れる第１ピークＰ₁、第２ピークＰ₂、ディップＤの頂点における足圧の値を特定すればよい。一般に、第１ピークＰ₁は歩行周期の０〜２０％の間に発生し、ディップＤは歩行周期の２０〜４０％の間に発生し、第２ピークＰ₂は歩行周期の４０〜６０％の間に発生する。歩行周期の０〜２０％の間における足圧の最大値、歩行周期の２０〜４０％の間における足圧の最小値、歩行周期の４０〜６０％の間における足圧の最大値をそれぞれ特定すれば、第１ピークＰ₁、第２ピークＰ₂、ディップＤの頂点における足圧の値を特定できる。また、第１ピークＰ₁、第２ピークＰ₂、ディップＤの頂点における足圧の値を特定できれば、それらの頂点が表れる時間を発生時間として特定できる。なお、歩行周期の６０〜１００％の間のデータをベースラインとして取り扱う。第１ピークＰ₁、第２ピークＰ₂、ディップＤの頂点における足圧の値を組み合わせ、四則演算を行えば特徴量を抽出できる。

そして、第１計算部１３２は、自身（第１計算部１３２）が抽出した特徴量（説明変数）と、第２計算部１３４が学習モデルを作成する際に取得した体重データ（応答変数）と合わせた特徴量ベクトルを特徴量記憶部１３３に記憶させる（ステップＳ１２４）。図９は、ステップＳ１２４において特徴量記憶部１３３に記憶される特徴量ベクトル３３０の一例である。特徴量ベクトル３３０は、少なくとも第１ピークＰ₁、第２ピークＰ₂、およびディップＤの頂点における足圧の値と、体重Ａとを要素として含む。

以上が、第１計算部１３２の動作についての説明である。なお、図８のフローチャートに沿った処理は一例であって、本実施形態の第１計算部１３２の動作を限定するものではない。

〔第２計算部〕
図１０は、体重推定装置１３の第２計算部１３４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。以下の図１０のフローチャートに沿った説明においては、第２計算部１３４を動作の主体とする。

図１０において、まず、第２計算部１３４は、サンプルデータとして歩容データを取得する（ステップＳ１３１）。

次に、サンプルデータを用いて、第２計算部１３４は、第１計算部１３２によって抽出された特徴量と体重データとの関係から学習モデルを生成する（ステップＳ１３２）。

そして、第２計算部１３４は、生成した学習モデルを学習モデル記憶部１３５に記憶させる（ステップＳ１３３）。

以上が、第２計算部１３４の動作についての説明である。なお、図１０のフローチャートに沿った処理は一例であって、本実施形態の第２計算部１３４の動作を限定するものではない。

〔体重推定部〕
図１１は、本発明の第１の実施形態に係る推定部１３６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。

図１１において、まず、推定部１３６は、第１計算部１３２から推定対象の特徴量ベクトルを取得する（ステップＳ２４１）。

次に、推定部１３６は、取得した特徴量ベクトルを学習モデル記憶部１３５に記憶された学習モデルに入力する（ステップＳ２４２）。

次に、推定部１３６は、算出した体重データをデータ送信部１３７に出力する（ステップＳ２４３）。データ送信部１３７に出力された体重データは、送信装置１４からユーザ端末に送信される。なお、体重データとともに特徴量ベクトルも送信するように構成してもよい。

以上が、推定部１３６の動作についての説明である。なお、図１１のフローチャートに沿った処理は一例であって、本実施形態の推定部１３６の動作を限定するものではない。

以上のように、本実施形態の体重推定システムは、データ取得装置、データ収集装置、体重推定装置、送信装置を備える。本実施形態の体重推定システムは、計測器の装着位置がずれたりして計測値が変動することの少ない足圧の時間変化に関する歩容データに関して、体重による影響と体動による影響とを考慮してユーザの体重を推定する。そのため、本実施形態の体重推定システムによれば、歩行者の体重を高精度に推定できる。言い換えると、本実施形態の体重推定システムによれば、特定領域で取得された歩容データを用いて、時間や空間の制限を受けずに、ユーザの体重を推定することが可能になる。

（第２の実施形態）
次に、本発明の第２の実施形態に係る体重推定システムについて図面を参照しながら説明する。本実施形態の体重推定システムは、第１の実施形態の体重推定装置１３から記憶部や送信部を取り除いた構成である。

図１２は、本実施形態の体重推定システム２０の構成の一例を示すブロック図である。図１２のように、体重推定システム２０は、データ受信部２１、第１計算部２２、第２計算部２４、推定部２６を備える。

データ受信部２１は、歩行者の歩行特性を含む歩容データを受信する。例えば、データ受信部２１は、歩行者の足裏による圧力データの時間変化に関するデータを歩容データとして受信する。例えば、データ受信部２１は、歩行者の足裏による圧力データの時間変化に基づいた荷重波形を歩容データとして受信する。

第１計算部２２は、歩容データから歩行者の歩行特性に基づいた特徴量を抽出する。例えば、第１計算部２２は、圧力データの時間変化に含まれる特徴量を抽出する。例えば、第１計算部２２は、荷重波形に含まれる特徴量を抽出する。例えば、第１計算部２２は、荷重波形のピーク値およびディップ値の少なくともいずれかを含む特徴量を抽出する。第１計算部２２は、荷重波形に含まれる第１ピーク、第２ピーク、およびディップの値と、体重情報とを要素とする特徴量ベクトルを特徴として抽出する。

第２計算部２４は、歩容データをサンプルデータに用いて、第１計算部２２によって抽出された特徴量と歩行者の体重情報との相関関係を学習して学習モデルを生成する。

推定部２６は、推定対象の歩容データを学習モデルに入力して推定対象の歩容データに対応する体重情報を推定する。

以上が、本実施形態の体重推定システム２０の構成の一例である。なお、図１２の体重推定システム２０は一例であって、本実施形態の体重推定システム２０の構成をそのままの形態で限定するものではない。

体重推定システム２０は、歩行者の足裏に設置される圧力センサによって圧力データを検出し、検出した圧力データから歩容データを抽出してデータベースに格納する歩容データ生成部を備えてもよい。この場合、データ受信部２１は、データベースに格納される歩容データを受信する。

また、体重推定システム２０は、第１計算部２２によって抽出される特徴量が記憶される第１記憶部と、第２計算部２４によって生成される学習モデルが記憶される第２記憶部とを備えてもよい。この場合、第２計算部２４は、第１記憶部に記憶された特徴量を用いて学習モデルを生成し、生成した学習モデルを第２記憶部に記憶させる。また、体重推定システム２０は、推定部２６によって推定される体重情報を含む体重データを送信するデータ送信部を備えてもよい。

以上のように、本実施形態の体重推定システムは、歩行者の歩行特性を含む歩容データを受信し、歩容データから歩行者の歩行特性に基づいた特徴量を抽出する。また、本実施形態の体重推定システムは、歩容データをサンプルデータに用いて、第１計算部によって抽出された特徴量と歩行者の体重情報との相関関係を学習して学習モデルを生成する。そして、本実施形態の体重推定システムは、推定対象の歩容データを学習モデルに入力して推定対象の歩容データに対応する体重情報を推定する。

例えば、本実施形態の体重推定システムは、学習モードにおいては、歩容データとともに、歩容データに紐付けられた体重情報を受信し、受信した体重情報と、歩容データから抽出された特徴量とを用いて学習モデルを生成する。そして、本実施形態の体重推定システムは、計測モードにおいては、学習モデルを用いて、歩容データに対応する体重情報を推定する。

本実施形態の体重推定システムは、歩容データの特性を示す特徴量と体重情報との相関関係が学習される。学習によって得られた学習モデルに、特定領域以外の生体領域から取得される歩容データを適用すれば、特定領域以外の生体領域から取得される歩容データを用いて体重を推定することもできる。すなわち、本実施形態の体重推定システムによれば、学習モデルを用いることにより、第１の実施形態の体重推定システムに比べてより高精度に体重を推定できる。

（実施例）
次に、本発明の各実施形態に係る体重推定装置に被験者の歩行の特性を示す特徴量を記録させる手順について図面を参照しながら説明する。本実施例では、分解能１キログラムの足圧測定装置を用いて、被験者の歩行時の足圧データを測定した。

図１３は、本実施例における特徴量の記録手順について説明するためのフローチャートである。以下の動作の主体は、各実施形態の体重推定装置を扱う作業者とした。

図１３において、まず、作業者は、被験者の体重を測定した（ステップＳ３１）。このとき、被験者の体重真値に相当する体重データが取得された。作業者は、被験者の体重真値に相当する体重データは体重推定装置に記憶させた。

次に、作業者は、被験者にリュックサックを背負わせた（ステップＳ３２）。初期状態では、リュックの中身は空にした。本実施例では、被験者が背負ったリュックサックに重りを追加し、被験者の体重を擬似的に増加させることによって、応答変数のバリエーションを増やした。本実施例では、リュックサックの中に１キログラムの重みを１個ずつ増加して測定を行い、最終的には重りを５キログラムまで増加させた。

次に、作業者は、リュックサックを背負った状態の被験者を歩行させ、体重推定装置に歩行波形を記録させた（ステップＳ３３）。作業者は、体重推定装置に、被験者の体重を０〜５キログラムの範囲で変化させて重量ごとの歩行波形を記録させ、それらの歩行波形から特徴量を抽出させた。

ここで、リュックサックの中の重りが５キログラム未満の場合（ステップＳ３４でＮｏ）、リュックサックの中に重りを追加した（ステップＳ３５）。ステップＳ３５の後は、ステップＳ３３に戻って歩行波形の記録を継続させた。一方、リュックサックの中の重りが５キログラム以上の場合（ステップＳ３４でＹｅｓ）、図１３のフローチャートに沿った処理を終了とした。

以上が、本実施例における特徴量の記録手順についての説明である。なお、図１３のフローチャートに沿った処理は一例であって、各実施形態における特徴量の記録手順を限定するものではない。

図１４は、実際に被験者が歩行した際に記録された歩行波形の一例である。図１４のように、理想波形に近い波形が取得できた。図１４の歩行波形から、体重推定装置に特徴量を抽出させることによって、被験者の特徴量ベクトルが得られた。

本実施例で、ランダムフォレスト学習器を用いた特徴量重要度分析を行った。その結果、第１ピークと第２ピークとの平均値、一歩の歩行波形の時間積分値が重要であることがわかった。そのため、各実施形態の体重推定装置は、第１ピークおよび第２ピーク、もしくは歩行波形の積分値のいずれかを測定できるように構成することが有用である。

図１５には、図１３のフローチャートに沿った特徴量の記録を８人の被験者に対して行ったことによって得られた体重真値と予測体重値との相関関係を示した。図１５の例では、８人の被験者に対して、体重を擬似的に増加させ、異なる体重において歩行波形を測定し、それらの特徴量を集計して学習モデルを作成し、交差検定の方法を用いて推定結果の精度を評価した。具体的には、学習用の教師データから１５％のデータをランダムに抽出し、残りの８５％のデータを用いて学習データを作成した。その後、確保した１５％のデータを学習器に入力し、出力した予測体重データと体重の真値と比較し、体重の真値との差の平均二乗誤差で精度を評価した。結果として、平均二乗誤差は１．１６キログラムとなり、真値の分解能に近い結果となることが確認できた。

（ハードウェア）
ここで、本発明の各実施形態に係る体重推定システムを実現するハードウェア構成について、図１６の情報処理装置９０を一例として挙げて説明する。なお、図１６の情報処理装置９０は、各実施形態の体重推定システムの処理を実行するための構成例であって、本発明の範囲を限定するものではない。

図１６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１６においては、インターフェースをＩ／Ｆ（Interface）と略して表記する。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９９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に展開し、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、本実施形態に係る体重推定システムによる処理を実行する。

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は、例えばＤＲＡＭ（Dynamic Random Access Memory）などの揮発性メモリとすればよい。また、ＭＲＡＭ（Magnetoresistive Random Access Memory）などの不揮発性メモリを主記憶装置９２として構成・追加してもよい。

補助記憶装置９３は、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構成される。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、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を接続するように構成してもよい。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すればよい。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、必要に応じて、ディスクドライブを備え付けてもよい。ディスクドライブは、バス９９に接続される。ディスクドライブは、プロセッサ９１と図示しない記録媒体（プログラム記録媒体）との間で、記録媒体からのデータ・プログラムの読み出し、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。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。また、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や、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してもよい。

以上が、本発明の各実施形態に係る体重推定システム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１６のハードウェア構成は、各実施形態に係る体重推定システムの演算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、各実施形態に係る体重推定システムに関する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。

各実施形態の体重推定システムの構成要素は、任意に組み合わせることができる。また、各実施形態の体重推定システムの構成要素は、ソフトウェアによって実現してもよいし、回路によって実現してもよい。

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。

１ 体重推定システム
１１ データ取得装置
１２ データ収集装置
１３ 体重推定装置
１４ 送信装置
１１０ データ取得部
１１１ 本体
１１２ センサ部
１１５ センサデータ送信部
１２１ センサデータ受信部
１２２ 歩容データ抽出部
１２３ 体重情報入力部
１２４ データベース
１３１ データ受信部
１３２ 第１計算部
１３３ 特徴量記憶部
１３４ 第２計算部
１３５ 学習モデル記憶部
１３６ 推定部
１３７ データ送信部

Claims (10)

1. 歩行者の歩行特性を含む歩容データを受信するデータ受信手段と、
   前記歩容データから前記歩行者の歩行特性に基づいた特徴量を抽出する第１計算手段と、
   前記歩容データをサンプルデータに用いて、前記第１計算手段によって抽出された特徴量と前記歩行者の体重情報との相関関係を学習して学習モデルを生成する第２計算手段と、
   推定対象の前記歩容データを前記学習モデルに入力して前記推定対象の前記歩容データに対応する前記体重情報を推定する推定手段とを備える体重推定システム。
2. 前記データ受信手段は、
   前記歩行者の足裏による圧力データの時間変化に関するデータを前記歩容データとして受信し、
   前記第１計算手段は、
   前記圧力データの時間変化に含まれる特徴量を抽出する請求項１に記載の体重推定システム。
3. 前記データ受信手段は、
   前記歩行者の足裏による圧力データの時間変化に基づいた荷重波形を前記歩容データとして受信し、
   前記第１計算手段は、
   前記荷重波形に含まれる特徴量を抽出する請求項１に記載の体重推定システム。
4. 前記第１計算手段は、
   前記荷重波形のピーク値およびディップ値の少なくともいずれかを含む特徴量を抽出する請求項３に記載の体重推定システム。
5. 前記第１計算手段は、
   前記荷重波形に含まれる第１ピーク、第２ピーク、およびディップの値と、体重情報とを要素とする特徴量ベクトルを前記特徴量として抽出する請求項４に記載の体重推定システム。
6. 前記歩行者の足裏に設置される圧力センサによって前記圧力データを検出し、検出した前記圧力データから前記歩容データを抽出してデータベースに格納する歩容データ生成手段を備え、
   前記データ受信手段は、
   前記データベースに格納される前記歩容データを受信する請求項２乃至５のいずれか一項に記載の体重推定システム。
7. 前記第１計算手段によって抽出される前記特徴量が記憶される第１記憶手段と、
   前記第２計算手段によって生成される前記学習モデルが記憶される第２記憶手段と、
   前記推定手段によって推定される前記体重情報を含む体重データを送信するデータ送信手段とを備え、
   前記第２計算手段は、
   前記第１記憶手段に記憶された前記特徴量を用いて前記学習モデルを生成し、生成した前記学習モデルを前記第２記憶手段に記憶させる請求項１乃至６のいずれか一項に記載の体重推定システム。
8. 歩行者の歩行特性を含む歩容データを受信し、
   前記歩容データから前記歩行者の歩行特性に基づいた特徴量を抽出し、
   前記歩容データをサンプルデータに用いて、抽出された前記特徴量と前記歩行者の体重情報との相関関係を学習して学習モデルを生成し、
   推定対象の前記歩容データを前記学習モデルに入力して前記推定対象の前記歩容データに対応する前記体重情報を推定する体重推定方法。
9. 学習モードにおいては、
   前記歩容データとともに、前記歩容データに紐付けられた前記体重情報を受信し、
   受信した前記体重情報と、前記歩容データから抽出された特徴量とを用いて前記学習モデルを生成し、
   計測モードにおいては、
   前記学習モデルを用いて、前記歩容データに対応する前記体重情報を推定する請求項８に記載の体重推定方法。
10. 歩行者の歩行特性を含む歩容データを受信する処理と、
    前記歩容データから前記歩行者の歩行特性に基づいた特徴量を抽出する処理と、
    前記歩容データをサンプルデータに用いて、抽出された特徴量と前記歩行者の体重情報との相関関係を学習して学習モデルを生成する処理と、
    推定対象の前記歩容データを前記学習モデルに入力して前記推定対象の前記歩容データに対応する前記体重情報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を記録させた非一過性のプログラム記録媒体。

Images