WO2021049196A1 - 要因推定システム、及び、要因推定方法 - Google Patents

要因推定システム、及び、要因推定方法 Download PDF

Info

Publication number
WO2021049196A1
WO2021049196A1 PCT/JP2020/029157 JP2020029157W WO2021049196A1 WO 2021049196 A1 WO2021049196 A1 WO 2021049196A1 JP 2020029157 W JP2020029157 W JP 2020029157W WO 2021049196 A1 WO2021049196 A1 WO 2021049196A1
Authority
WO
WIPO (PCT)
Prior art keywords
factor
risk
walking
fall risk
person
Prior art date
Application number
PCT/JP2020/029157
Other languages
English (en)
French (fr)
Inventor
貴拓 相原
健吾 和田
太一 濱塚
松村　吉浩
佳州 佐藤
貴洋 樋山
Original Assignee
パナソニックＩｐマネジメント株式会社
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 パナソニックＩｐマネジメント株式会社 filed Critical パナソニックＩｐマネジメント株式会社
Priority to CN202080046399.0A priority Critical patent/CN114080631A/zh
Priority to US17/632,781 priority patent/US20220257148A1/en
Priority to JP2021545157A priority patent/JP7122696B2/ja
Publication of WO2021049196A1 publication Critical patent/WO2021049196A1/ja

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
    • A61B5/1116—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
    • A61B5/112—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
    • A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
    • A61B5/1128—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 image analysis
    • 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
    • A61B5/7271—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
    • 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
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Definitions

  • the present disclosure relates to a factor estimation system for estimating the factors of fall risk indicating the possibility of falls of the subject, and a factor estimation method.
  • Patent Document 1 Conventionally, a method for evaluating or determining a fall risk has been proposed (see, for example, Patent Document 1).
  • the fall risk is evaluated based on the number of one-leg tapping, which is an index showing the motor function of the subject, and the TUG (Timed Up to Go) test value, which is an index of locomotor instability. The method is disclosed.
  • Patent Document 1 can evaluate the risk of falling, if there is a risk of falling, the cause is unknown. Therefore, the observer of the person to be measured (for example, a caregiver) may not be able to appropriately make a proposal for reducing the risk of falling to a person at risk of falling.
  • an object of the present disclosure is to provide a factor estimation system capable of estimating the factors of fall risk and a factor estimation method.
  • the factor estimation system is a factor estimation system that estimates the factors of the fall risk indicating the possibility of the subject to fall, and is a body movement indicating the body movement of the subject during walking.
  • a calculation unit that acquires data and calculates two or more walking parameters of the person to be measured based on the acquired body movement data, and the fall of the person to be measured based on the two or more walking parameters. It is provided with an estimation unit that estimates one or more main components included in the risk factor and outputs one or more main components based on the two or more walking parameters and outputs the estimation result.
  • the factor estimation method is a factor estimation method for estimating the factor of the fall risk indicating the possibility of the subject to fall, and indicates the body movement of the subject during walking.
  • the body movement data is acquired, two or more walking parameters of the person to be measured are calculated based on the acquired body movement data, and the fall risk of the person to be measured is calculated based on the two or more walking parameters.
  • One or more main components included in the above factors, and one or more main components based on the two or more walking parameters are estimated, and the estimation result is output.
  • the factors of the fall risk can be estimated.
  • FIG. 1 is a diagram showing an outline configuration of a factor estimation system according to the first embodiment.
  • FIG. 2 is a block diagram showing a functional configuration of the factor estimation system according to the first embodiment.
  • FIG. 3 is a diagram showing an example of an equation in which the risk analysis unit according to the first embodiment calculates a fall risk value.
  • FIG. 4 is a flowchart showing an operation executed before the estimation operation in the factor estimation system according to the first embodiment.
  • FIG. 5 is a diagram showing an example of the first correspondence information.
  • FIG. 6 is a diagram showing an example of the second correspondence information.
  • FIG. 7 is a flowchart showing an estimation operation for estimating a factor of fall risk in the factor estimation system according to the first embodiment.
  • FIG. 1 is a diagram showing an outline configuration of a factor estimation system according to the first embodiment.
  • FIG. 2 is a block diagram showing a functional configuration of the factor estimation system according to the first embodiment.
  • FIG. 3 is a diagram showing an example of an equation in which the risk
  • FIG. 8 is a block diagram showing a functional configuration of the factor estimation system according to the second embodiment.
  • FIG. 9 is a flowchart showing the operation in the factor estimation system according to the second embodiment.
  • FIG. 10 is a diagram showing an example of a correspondence relationship between a factor and an intervention method.
  • FIG. 11 is a diagram showing the displacement of the subject to be measured in the vertical direction when walking.
  • FIG. 12 is a diagram showing a frequency analysis result when the cognitive function of the subject is normal.
  • FIG. 13 is a diagram showing a frequency analysis result when the cognitive function of the subject is deteriorated.
  • FIG. 14 is a block diagram showing a functional configuration of the factor estimation system according to the third embodiment.
  • FIG. 15 is a flowchart showing the operation in the factor estimation system according to the third embodiment.
  • FIG. 16A is a flowchart showing an example of the operation in the risk determination unit according to the third embodiment.
  • FIG. 16B is a flowchart showing another example of the operation in the risk
  • each figure is a schematic diagram and is not necessarily exactly illustrated. Further, in each figure, substantially the same configuration may be designated by the same reference numerals, and duplicate description may be omitted or simplified.
  • FIG. 1 is a diagram showing an outline configuration of a factor estimation system 1 according to the present embodiment.
  • the factor estimation system 1 includes a measurement device 10, an estimation device 20, an input device 30, and a display device 40.
  • the factor estimation system 1 generates moving image data by measuring the body movement of the person to be measured 50 during walking (during walking) with a measuring device 10 (for example, a camera).
  • the measuring device 10 is installed on the ceiling or wall of an elderly home or a nursing care facility, for example, and constantly photographs the inside of the room.
  • the estimation device 20 analyzes the walking mode of the person to be measured 50 based on the moving image data captured (generated) by the measurement device 10, and estimates the factors of the fall risk of the person to be measured 50.
  • the estimation result is displayed on the display device 40.
  • the moving image data is an example of body movement data.
  • the subject 50 is an example of the subject.
  • the factor estimation system 1 using such a measuring device 10 accumulates the moving image data constantly captured by the measuring device 10 so that the past estimation result and the current estimation result of the person to be measured 50 can be obtained. Can be evaluated. In addition, the factor estimation system 1 can estimate the factors of the fall risk of the person to be measured 50 without being noticed by the person to be measured 50.
  • the measuring device 10 is not limited to constantly photographing the person to be measured 50.
  • FIG. 2 is a block diagram showing a functional configuration of the factor estimation system 1 according to the present embodiment.
  • the factor estimation system 1 is a system that quickly estimates the factors of the fall risk of the person to be measured 50 by measuring the body movement of the person to be measured 50 while walking.
  • the factor estimation system 1 includes a measuring device 10, an estimating device 20, an input device 30, and a display device 40.
  • the measuring device 10 is a device for measuring the body movement of the person to be measured 50 during walking.
  • the measuring device 10 is a camera for capturing moving image data of the person to be measured 50 while walking.
  • the measuring device 10 may be a camera using a CMOS (Complementary Metal Oxide Sensor) image sensor, or a camera using a CCD (Charge Coupled Device) image sensor.
  • CMOS Complementary Metal Oxide Sensor
  • CCD Charge Coupled Device
  • the frame rate (the number of image data per second included in the moving image data) is not particularly limited, and may be, for example, 40 fps (frames per second) or 60 fps.
  • the estimation device 20 analyzes the walking mode of the person to be measured 50 based on the moving image data captured by the measurement device 10, estimates the cause of the fall risk of the person to be measured 50, and outputs the data to the display device 40. By doing so, the estimation device 20 can notify, for example, the caregiver who cares for the person to be measured 50 of the estimation result of the factor of the fall risk of the person to be measured 50, so that the caregiver can notify the person to be measured 50. It is possible to make more appropriate proposals (interventions) to reduce the risk of falls. Further, the factor estimation system 1 notifies the caregiver of the cause of the fall risk even when the caregiver is not aware that the person to be measured 50 has a fall risk, for example. Can make the person to be measured 50 aware that there is a risk of falling. Further, the factor estimation system 1 notifies the measured person 50 of the cause of the fall risk when the measured person 50 is not aware that there is a fall risk, so that the measured person 50 is aware of the fall risk. Can be done.
  • the estimation device 20 has a calculation unit 21, a risk analysis unit 22, a factor analysis unit 23, and a storage unit 24.
  • the calculation unit 21 acquires a measurement result (for example, moving image data) from the measuring device 10 and calculates a walking parameter from the acquired measurement result.
  • the calculation unit 21 acquires, for example, moving image data captured by the measuring device 10 as body movement data indicating the body movement of the person to be measured 50 during walking.
  • the calculation method for calculating the walking parameter from the moving image data is not particularly limited, but may be performed by, for example, image analysis of the moving image data.
  • gait parameters include gait speed, stride length, joint angle, hip or head displacement, which correlates with at least one of muscle strength, muscle mass, sense of balance, and cognitive function.
  • Gait parameters include at least two of gait speed, stride length, joint angle, hip or head displacement.
  • the joint angle is, for example, the angle of the knee joint.
  • the risk analysis unit 22 analyzes the fall risk of the subject 50 based on the walking parameters.
  • the risk analysis unit 22 analyzes the fall risk of the subject 50 by calculating the fall risk value based on, for example, the calculation formula shown in FIG.
  • the risk analysis unit 22 is an example of the second determination unit.
  • FIG. 3 is a diagram showing an example of a formula in which the risk analysis unit 22 according to the present embodiment calculates a fall risk value.
  • the scores X1, X2, and X3 shown in FIG. 3 are numerical values based on walking parameters.
  • the score X1 may be a numerical value based on the stride length
  • the score X2 may be a numerical value based on the walking speed
  • the score X3 may be a numerical value based on the position of the waist.
  • the score may be a numerical value based on two or more walking parameters
  • the score X1 may be a numerical value based on the stride length and walking speed.
  • the fall risk value may be calculated based on two or more main components among the plurality of main components described later.
  • the fall risk value may be calculated based on, for example, each of a plurality of principal components described later.
  • the risk analysis unit 22 calculates the fall risk value by adding the scores X1, X2, X3, and the scores related to the fall history.
  • the scores X1 and X2 are, for example, numerical values based on walking parameters corresponding to muscle strength.
  • the score X1 is a numerical value based on the walking speed
  • the score X2 may be a numerical value based on the stride length.
  • the score X3 is, for example, a numerical value based on a walking parameter corresponding to a balance system (for example, a sense of balance).
  • the score X3 may be a numerical value based on the displacement of the waist. There is a correlation between muscle mass and hip displacement (see FIG. 6 to be described later).
  • the score related to the fall history is, for example, a numerical value based on the presence or absence of falls or the number of falls. By including the score related to the fall history in the fall risk value, it is possible to appropriately determine the fall risk even when the muscle strength, muscle mass, and the like are normal.
  • the risk analysis unit 22 acquires information on the fall history via the input device 30, for example, but may acquire information on the fall history by reading from the storage unit 24.
  • the risk analysis unit 22 outputs an analysis result according to the fall risk value calculated by the formula shown in FIG.
  • the risk analysis unit 22 may output, for example, the presence or absence of a fall risk, or may output the level of the fall risk (for example, “high”, “medium”, “low”, etc.).
  • the level of fall risk is not particularly limited as long as it is three levels higher. Further, the risk analysis unit 22 may output a fall risk value.
  • the formula shown in FIG. 3 is an example, and if the fall risk value is calculated based on the walking parameters, the fall risk value may be calculated by a formula other than the formula shown in FIG.
  • the fall risk value may be calculated by calculating a predetermined weight on the scores X1 to X3, for example. Further, the fall risk value may be calculated using at least one of addition, subtraction, multiplication, division and the like, for example. In addition, the fall risk value may be further calculated using a numerical value relating to cognitive function. That is, the fall risk may be analyzed in consideration of the cognitive function of the subject 50.
  • the factor analysis unit 23 analyzes the factors of the fall risk indicating the possibility of the subject 50 to fall based on the walking parameters.
  • the factor analysis unit 23 analyzes the factors of the fall risk of the person to be measured 50 based on, for example, the walking parameters and the correspondence information indicating the correspondence between the physical fitness index of the person and the walking parameters.
  • the physical fitness index indicates a person's physical fitness or athletic ability, and includes items measured by, for example, physical fitness measurement.
  • Physical fitness indicators include, for example, grip strength, leg strength, standing on one leg with eyes open, stepping (eg, repeated side jumps), and the like.
  • the physical fitness index may include the body composition estimated from the measurement result of the body composition analyzer.
  • the body composition is, for example, a measurement result of a body composition analyzer using the BIA method (Bioelectrical Impedance Analysis: bioimpedance method).
  • the walking parameter is not included in the physical fitness index.
  • Factors also include the main causes (ingredients) that affect a person's fall risk.
  • the factor analysis unit 23 is an example of an estimation unit.
  • the storage unit 24 is a storage device that stores various data acquired or calculated by each processing unit.
  • the storage unit 24 may store the moving image data acquired from the measuring device 10, or may store the walking parameters calculated by the calculation unit 21. Further, the storage unit 24 may store, for example, the analysis results of the risk analysis unit 22 and the factor analysis unit 23.
  • the calculation unit 21 may store the moving image data of the person to be measured 50 or the calculated walking parameter in the storage unit 24.
  • the risk analysis unit 22 or the factor analysis unit 23 may store the analysis result in the storage unit 24.
  • the long-term period is not particularly limited, but may be, for example, one week, one month, or one year.
  • moving image data, walking parameters, and analysis results are also described as information based on body movement.
  • the estimation device 20 can determine, for example, the current fall risk based on the information (for example, walking parameters, etc.) based on the past walking body movements of the person to be measured 50.
  • the estimation device 20 can, for example, determine whether or not there is a current fall risk.
  • the storage unit 24 also stores, for example, a program for each processing unit to execute the factor estimation method according to the embodiment, and information data used when performing factor analysis.
  • the storage unit 24 is realized by a semiconductor memory, an HDD (Hard Disk Drive), or the like.
  • the estimation device 20 does not have to have the risk analysis unit 22.
  • the estimation device 20 may have a configuration capable of estimating the factors of the fall risk of the person to be measured 50.
  • Each processing unit of the estimation device 20 may be realized by one processor, a microcomputer, or a dedicated circuit having each function, or two or more of the processor, the microcomputer, or the dedicated circuit. It may be realized by the combination of.
  • the calculation unit 21 and the factor analysis unit 23 may be configured to include a communication module (communication circuit) for performing wired communication or wireless communication. In this case, the calculation unit 21 may be able to communicate with the measuring device 10, and the communication method (communication standard, communication protocol) of the calculation unit 21 is not particularly limited.
  • the factor analysis unit 23 may be capable of communicating with the display device 40, and the communication method (communication standard, communication protocol) of the factor analysis unit 23 is not particularly limited. As described above, the calculation unit 21 may have a function as an acquisition unit, and the factor analysis unit 23 may have a function as an output unit.
  • the estimation device 20 is, for example, a personal computer, but may be a server device. Further, the estimation device 20 may be installed inside the building where the measuring device 10 is installed, or may be installed outside the building.
  • the input device 30 is a user interface that receives input of predetermined information from the person to be measured 50.
  • the input device 30 receives, for example, input of information regarding the fall history of the person to be measured.
  • the input device 30 is realized by a hardware key (hardware button), a slide switch, a touch panel, or the like.
  • the display device 40 displays an image based on the analysis result of the fall risk factor output from the estimation device 20.
  • the display device 40 is a monitor device composed of a liquid crystal panel, an organic EL panel, or the like.
  • an information terminal such as a television, a smartphone, a tablet terminal, or a wearable terminal may be used.
  • the communication between the estimation device 20 and the display device 40 is, for example, wired communication, but when the display device 40 is a smartphone, a tablet terminal, or a wearable terminal, it may be wireless communication.
  • FIG. 4 is a flowchart showing an operation executed before the estimation operation in the factor estimation system 1 according to the present embodiment. Specifically, FIG. 4 shows an operation performed before performing a factor analysis of the fall risk for the subject 50.
  • the calculation unit 21 acquires the first correspondence information based on the measurement result regarding the human physical fitness index (S11).
  • the calculation unit 21 acquires, for example, the first correspondence information showing the correspondence relationship between the fall risk for each physical fitness index and the measurement result regarding the physical fitness index.
  • FIG. 5 is a diagram showing an example of the first correspondence information D1.
  • the fall risk for each physical fitness index will also be referred to as the fall risk for each index.
  • the first correspondence information is an example of information showing the relationship between the physical fitness index of a person and the risk of falling.
  • the first correspondence information D1 is classified into a physical fitness index including "grip strength", "standing on one leg with eyes open”, “fall history”, and an index including "high”, “medium”, and “low”. It is a figure which shows the correspondence relation with the fall risk.
  • grip strength if the grip strength is less than 10 kgw, the index-specific fall risk is "high”, if it is about 15 kgw, the index-specific fall risk is “medium”, and if it is 20 kgw or more, the index-specific fall risk. Shows an example where is "low”.
  • the items and numerical values shown in FIG. 5 are examples, and are not limited thereto. Further, the expression “degree” in FIG.
  • the grip strength includes numerical values of around 15 kgw and 15 kgw when the grip strength is explained as an example.
  • About 15 kgw may be a numerical value between the grip strengths corresponding to the index-specific fall risks “high” and “low”, and may be, for example, 10 kgw or more and less than 20 kgw.
  • scores are assigned to each of the index-specific fall risks “high”, “medium”, and “low”. For example, 2 points are assigned to the fall risk “high” by index, 1 point is assigned to “medium”, and 0 point is assigned to “low”, but the score assignment is not limited to this.
  • the calculation unit 21 may acquire a threshold value for determining whether or not there is a fall risk based on the index-specific fall risk score.
  • the calculation unit 21 may acquire, for example, a threshold value for the calculated value obtained by calculating each score of the physical fitness index.
  • the operation is, for example, addition, but may be at least one of subtraction, multiplication, and division. Further, the calculation may be weighted addition or the like.
  • the calculation unit 21 sets 6 points as the first threshold value for determining that the fall risk of the person to be measured 50 is “high” and 2 points as the second threshold value for determining that the user's fall risk is “medium”. Suppose you got it.
  • the first threshold value and the second threshold value may be stored in the storage unit 24, for example.
  • the calculation unit 21 acquires the second correspondence information D2 indicating the correspondence between the physical fitness index and the walking parameter (S12).
  • the calculation unit 21 may acquire the second correspondence information D2 via the input device 30, for example.
  • FIG. 6 is a diagram showing an example of the second correspondence information D2.
  • the second correspondence information is an example of information showing the relationship between the physical fitness index of a person and two or more walking parameters.
  • the second correspondence information D2 is information in which the main component, the physical fitness index, and the walking parameter are associated with each of the components 1 to 4 included in the fall risk factor.
  • the principal components represent physical factors that are related to a person's fall risk and are preset.
  • the main components include, for example, "muscle strength", “balance”, “agility” and “muscle mass”.
  • the physical strength indexes corresponding to the main component “muscle strength” are “grip strength” and “leg muscle strength”
  • the walking parameters corresponding to "muscle strength” are “walking speed” and “step length”. is there.
  • the second correspondence information D2 indicates that "walking speed” and "step length” can be used instead of "grip strength” and "leg strength” in estimating the factors of fall risk.
  • the main component "muscle strength” means that one of the factors that causes a person to fall is the muscle strength of the person.
  • the physical strength indexes "grip strength” and “leg muscle strength” are indexes indicating the state of the main component “muscle strength”.
  • “Walking speed” and “step length” are walking parameters that correlate with the physical fitness indexes "grip strength” and "leg muscle strength”.
  • the correlation may include the correlation between the value of grip strength and the value of walking parameter when the physical strength index is "grip strength” and the "walking parameter" is "walking speed”.
  • the correlation may include, for example, a correlation such that a walking speed of 2 km / h corresponds to a grip strength of 10 kgw.
  • the correlation between the physical fitness index and the walking parameter can be obtained by regression analysis of the measurement results of the physical fitness index and walking parameter of a plurality of people, but the method of acquiring the correlation is not limited to this.
  • the "joint angle" in component 2 includes, for example, the difference between the joint angles of the left and right feet.
  • the joint angle here is the angle of the joint related to walking, for example, the angle of the knee joint.
  • the difference between the left and right joint angles is, for example, the difference in the angles of the knee joints of the left foot and the right foot.
  • the "joint angle" in component 3 includes, for example, the magnitude of the joint angle.
  • the joint angle here is the angle of the joint related to walking, for example, the magnitude of the angle of the knee joint.
  • the “waist displacement” in component 4 includes the displacement of the waist position.
  • the walking parameter in component 4 may have a correlation with the value of the body composition analyzer, and may include "displacement of the head” in addition to "displacement of the waist” or "displacement of the waist”. Good.
  • the calculation unit 21 stores the first correspondence information D1 and the second correspondence information D2 in the storage unit 24 (S13).
  • FIG. 7 is a flowchart showing an estimation operation for estimating the cause of the fall risk in the factor estimation system 1 according to the present embodiment.
  • the calculation unit 21 acquires moving image data of the person to be measured 50 during walking from the measuring device 10 (S21).
  • the moving image data may be data obtained by photographing the state of the person to be measured 50 during normal walking, or data obtained by photographing the state when walking in a predetermined place in order to estimate the cause of the fall risk. There may be.
  • the predetermined location may be, for example, a passage including a walking surface with a marker.
  • the moving image data may be moving image data obtained by photographing the subject 50 from a plurality of viewpoints.
  • the calculation unit 21 calculates the walking parameter of the person to be measured 50 based on the moving image data (S22).
  • the method of calculating the walking parameter by the calculation unit 21 is not particularly limited, but may be performed by, for example, image analysis of moving image data.
  • the calculation unit 21 may calculate the feature points of the person to be measured 50 from the image data and calculate the walking parameters based on the movement locus of the feature points.
  • the calculation unit 21 may calculate the feature points by the background subtraction method.
  • the calculation unit 21 outputs the walking parameter to the risk analysis unit 22.
  • the risk analysis unit 22 determines whether or not the subject 50 has a fall risk based on the walking parameters (S23).
  • the risk analysis unit 22 calculates, for example, a score for each walking parameter, and determines whether or not the person to be measured 50 has a fall risk based on the calculated plurality of scores.
  • the risk analysis unit 22 calculates a score for each walking parameter based on, for example, the first correspondence information D1 and the second correspondence information D2 stored in the storage unit 24.
  • the walking parameter is the walking speed and the walking speed is 2 km / h
  • the risk analysis unit 22 acquires, for example, that the walking speed of 2 km / h corresponds to a grip force of 10 kgw.
  • the risk analysis unit 22 acquires that the score of the walking speed of 2 km / h is 2 points based on the first correspondence information.
  • the risk analysis unit 22 calculates the above score for each walking parameter and adds a plurality of calculated scores to calculate a fall risk value. Then, the risk analysis unit 22 determines that there is a fall risk, for example, when the total value of the plurality of scores, that is, the fall risk value is equal to or higher than the threshold value.
  • the threshold value in this case is a numerical value for determining the presence or absence of a fall risk.
  • the threshold value may be a fixed value or may be set for each person to be measured 50.
  • the risk analysis unit 22 can determine the degree of fall risk when, for example, a first threshold value (for example, 6 points) and a second threshold value (for example, 2 points) are set as threshold values.
  • the risk analysis unit 22 may determine that there is a fall risk, for example, when the degree of the fall risk is a predetermined degree or more (for example, “medium” or more).
  • the method for determining the presence or absence of a fall risk by the risk analysis unit 22 is not limited to the above.
  • the risk analysis unit 22 may determine that there is a fall risk, for example, when the walking speed is equal to or less than the threshold value. That is, the risk analysis unit 22 may determine whether or not there is a fall risk based on the numerical value of the walking parameter.
  • the risk analysis unit 22 outputs the determination result to the factor analysis unit 23. Further, the risk analysis unit 22 may store the determination result in the storage unit 24. The determination result output by the risk analysis unit 22 is an example of the second determination result.
  • the factor analysis unit 23 determines the degree of influence on the fall risk for each main component from the physical fitness index correlated with the walking parameter. Calculate (S24).
  • the factor analysis unit 23 acquires, for example, that the walking parameters “walking speed” and “step length” have a correlation with the main component “muscle strength” based on the second correspondence information D2.
  • the factor analysis unit 23 calculates the degree of influence of the main component "muscle strength” on the fall risk based on the walking speed and the stride length.
  • the factor analysis unit 23 may calculate the degree of influence on the fall risk based on, for example, the walking speed score and the stride score.
  • the factor analysis unit 23 calculates the total value of the walking speed score and the stride score as the degree of influence on the fall risk in the main component “muscle strength”. It can be said that the factor analysis unit 23 estimates the principal component included in the fall risk factor by performing the principal component analysis based on the walking parameters.
  • the factor analysis unit 23 calculates the above-mentioned degree of influence for each of the components 1 to 4 shown in FIG. 6, that is, for each of the main components.
  • the degree of influence may be an absolute value based on the score (for example, 6 points) or a relative value based on the score (for example, 50%).
  • the degree of influence is a value based on the score
  • the factor analysis unit 23 can be said to execute a process of summarizing each score included in the fall risk value calculated by the risk analysis unit 22 for each main component.
  • the factor analysis unit 23 estimates the factors of the fall risk of the subject 50 based on, for example, the degree of influence for each main component (S25). That is, the factor analysis unit 23 estimates the factors of the fall risk based on two or more walking parameters.
  • the factor analysis unit 23 estimates one or more main components included in the fall risk factor in the subject 50 from a plurality of main components based on two or more walking parameters. For example, the factor analysis unit 23 may estimate that the main component having the highest degree of influence is a factor of the fall risk of the person to be measured 50, or the main component having a degree of influence of a predetermined degree or more is measured. It may be presumed that it is a factor of the fall risk of the person 50.
  • the factor analysis unit 23 outputs information indicating the estimation result to the display device 40 (S26). That is, the factor analysis unit 23 causes the display device 40 to display the estimation result.
  • the estimation device 20 stores at least one of the moving image data, the walking parameter, and the estimation result in the storage unit 24 (S27).
  • the factor analysis unit 23 When the factor analysis unit 23 obtains the determination result indicating that there is no fall risk from the risk analysis unit 22 (No in S23), the factor analysis unit 23 ends the process of estimating the factor for the fall risk.
  • the factor estimation system 1 is a factor estimation system that estimates the factor of the fall risk indicating the possibility of the subject 50 to fall, and is a factor estimation system that estimates the factor of the fall risk indicating the possibility of the subject 50 to fall, and is a factor estimation system when the subject 50 is walking.
  • a calculation unit 21 that acquires moving image data (an example of body movement data) indicating body movement and calculates two or more walking parameters of the person to be measured 50 based on the acquired body movement data, and two or more walking.
  • Factor analysis unit that estimates one or more main components included in the fall risk factor of the person to be measured 50 based on the parameters and outputs one or more main components based on two or more walking parameters and outputs the estimation result. 23 (an example of an estimation unit) is provided.
  • the factor analysis unit 23 can estimate the factors of the fall risk of the person to be measured 50 based on two or more walking parameters. Specifically, the factor analysis unit 23 can estimate one or more principal components based on two or more walking parameters. Therefore, the factor estimation system 1 according to the present embodiment can estimate the factors of the fall risk.
  • the factor analysis unit 23 estimates two or more main components based on the information indicating the relationship between the physical fitness index and the fall risk and the information indicating the relationship between the physical fitness index and two or more walking parameters.
  • the factor analysis unit 23 can estimate one or more main components from two or more walking parameters by using the above information without the subject 50 measuring the physical fitness index. Therefore, the factor estimation system 1 can more easily estimate the factors of the fall risk. It can be said that the factor analysis unit 23 estimates the possession capacity of the person to be measured 50 by using the above information.
  • the factor estimation system 1 further includes a risk analysis unit 22 (an example of a second determination unit) that determines the fall risk of the person to be measured 50 based on two or more walking parameters. Then, when the risk analysis unit 22 determines that the person to be measured 50 has a fall risk, the factor analysis unit 23 estimates two or more main components.
  • a risk analysis unit 22 an example of a second determination unit
  • the factor estimation system 1 can determine the fall risk such as the presence or absence of the fall risk. By outputting the determination result, the measurement subject 50 and the caregiver can be notified of the determination result. Further, since the amount of processing by the factor analysis unit 23 can be reduced, it leads to energy saving of the factor estimation system 1.
  • one or more main components include at least one of muscle strength, muscle mass, balance, and cognitive function.
  • the factor analysis unit 23 can estimate whether the factor is due to the deterioration of the body or the deterioration of the cognitive function when the subject 50 is at risk of falling. ..
  • the two or more walking parameters include at least two of walking speed, stride length, joint angle, and hip displacement.
  • the factor analysis unit 23 estimates the factors of the fall risk of the subject 50 based on at least two of the walking speed, the stride length, the joint angle, and the displacement of the waist, which can be acquired from the moving image data.
  • the factor estimation system 1 is based on the moving image data obtained by photographing the normal walking state of the person to be measured 50 without performing the measurement for estimating the factor of the fall risk (for example, the measurement of the physical fitness index).
  • the factor of the fall risk of the person to be measured 50 can be estimated. Therefore, the factor estimation system 1 can more easily estimate the factors of the fall risk.
  • the estimation method in the factor estimation system 1 is a factor estimation method for estimating the factor of the fall risk indicating the possibility of the subject 50 to fall, and is a factor estimation method for estimating the factor of the fall risk indicating the possibility of the subject 50 to fall.
  • Body movement data indicating the body movement during walking of 50 is acquired (S21), and based on the acquired body movement data, two or more walking parameters of the person to be measured 50 are calculated (S22), and two or more walking Based on the parameters, one or more main components included in the fall risk factor of the person to be measured 50, and one or more main components based on two or more walking parameters are estimated (S25), and the estimation result is output. (S26).
  • the factor estimation system 1a according to the present embodiment is characterized in that, in addition to estimating the factors of the fall risk, it proposes an intervention method for reducing the fall risk based on the estimation result.
  • FIG. 8 is a block diagram showing a functional configuration of the factor estimation system 1a according to the present embodiment.
  • the factor estimation system 1a includes an estimation device 20a in place of the estimation device 20 included in the factor estimation system 1 according to the first embodiment.
  • the estimation device 20a has a recommendation determination unit 25 in addition to the estimation device 20 according to the first embodiment.
  • the recommendation determination unit 25 performs a process for the caregiver or the like to perform an intervention on the person to be measured 50 according to the estimation result based on the estimation result of the factor of the fall risk of the person to be measured 50.
  • the recommendation determination unit 25 performs processing for proposing, for example, a method having high intervention efficiency to the caregiver.
  • the recommendation determination unit 25 performs determination processing for proposing a method (improvement menu) with high intervention efficiency to the caregiver, for example, based on two or more main components included in the estimation result.
  • the method with high intervention efficiency means a method (improvement menu) in which the person to be measured 50 can perform an intervention suitable for the factor of the fall risk of the person to be measured 50.
  • the method with high intervention efficiency is a method capable of effectively reducing the fall risk of the subject 50. That is, the recommendation determination unit 25 determines (determines) a reduction method for reducing the fall risk of the person to be measured 50.
  • the recommendation determination unit 25 makes the above determination, for example, according to the degree of influence of the two or more main components on the fall risk.
  • the recommendation determination unit 25 is an example of the first determination unit.
  • the recommendation determination unit 25 may store the determination result in the storage unit 24, for example, when it is desired to analyze a long-term change in the determination result.
  • the determination result is an example of information based on body movement.
  • the recommendation determination unit 25 may be configured to include a communication module (communication circuit) that performs wired communication or wireless communication.
  • the recommendation determination unit 25 may be able to communicate with the display device 40, and the communication method (communication standard, communication protocol) of the recommendation determination unit 25 is not particularly limited.
  • FIG. 9 is a flowchart showing the operation of the factor estimation system 1a according to the present embodiment. Specifically, FIG. 9 shows an operation of making a proposal for reducing the fall risk based on the estimation result of the fall risk factor for the subject 50.
  • the processing of S21 to S25 shown in FIG. 9 is the same as that of FIG. 7 of the first embodiment, and the description thereof will be omitted.
  • the factor analysis unit 23 estimates the factor of the fall risk of the person to be measured 50 (S25), and outputs the estimation result to the recommendation determination unit 25.
  • the recommendation determination unit 25 acquires the estimation result from the factor analysis unit 23
  • the recommendation determination unit 25 determines the intervention method recommended for the caregiver or the like of the person to be measured 50 based on the estimation result (S31).
  • the recommendation determination unit 25 determines, for example, an intervention method according to an estimation result from a plurality of intervention methods stored in the storage unit 24.
  • FIG. 10 is a diagram showing an example of a correspondence relationship between a factor and an intervention method.
  • the recommendation determination unit 25 determines the intervention method according to the degree (ratio) of influence on the fall risk in "muscle strength", “muscle mass”, “balance”, and “cognition”. For example, when the ratio of "muscle strength” is the highest among “muscle strength”, “muscle mass”, “balance”, and “cognition”, the recommendation determination unit 25 recommends "exercise improvement menu (slow muscle)”. Judged as an intervention method to be performed. As a result, the muscle strength is effectively improved by training the slow muscles, so that the risk of falling can be easily reduced.
  • the “exercise improvement menu (fast muscle)” Is the recommended intervention method.
  • the muscle mass can be effectively increased by training the fast muscles, so that the risk of falling can be easily reduced.
  • the recommendation determination unit 25 proposes an exercise menu for fall prevention and improvement of motor function when, for example, one of "muscle strength” and “muscle mass” has the highest ratio.
  • the recommendation determination unit 25 for example, the ratios of "muscle strength” and “muscle mass” among “muscle strength”, “muscle mass”, “balance”, and “cognition” are similar (for example, one). If so, determine that the "meal improvement menu” is the recommended intervention method. As described above, when the ratio of the main component to the muscle such as “muscle strength” and “muscle mass” is similar, the recommendation determination unit 25 may propose an improvement method in the diet instead of the muscle training. .. In addition. Similarity may mean, for example, that the difference between the two proportions is within a predetermined value. The predetermined value may be, for example, 10%, 20%, or any other value.
  • the ratio shown in FIG. 10 is calculated based on, for example, the total value of the scores for each principal component.
  • cognition shown in FIG. 10 indicates the degree of influence on walking due to a decrease in cognitive function. It is known that a person who has decreased cognitive function or shows signs of decreased cognitive function and a person who does not have a decreased cognitive function (healthy person) have different body movements during walking. Therefore, the degree of influence on "cognition” can be calculated based on, for example, walking parameters.
  • the cognitive function indicates the ability to recognize, memorize, and judge.
  • the method for analyzing cognitive function is not limited to the following.
  • the factor analysis unit 23 frequency-analyzes the displacement of the head, for example.
  • the factor analysis unit 23 performs a discrete Fourier transform on the displacement of the head (for example, the signal indicating the time change of the position of the head shown in FIG. 11). That is, the factor analysis unit 23 performs a frequency conversion process for converting a signal indicating the displacement of the body from the time domain to the frequency domain.
  • FIG. 11 is a diagram showing the displacement of the subject 50 in the vertical direction when walking. Further, the displacement of the head is an example of the position of the center of gravity, and is calculated by, for example, the calculation unit 21.
  • FIG. 12 is a diagram showing the frequency analysis result when the cognitive function of the subject 50 is normal
  • FIG. 13 is a diagram showing the frequency analysis result when the cognitive function of the subject 50 is deteriorated. Is.
  • the lowest frequency peak (highest level peak) is the frequency peak indicating the walking cycle.
  • the lowest frequency peak is the principal frequency component. If the cognitive function of the person to be measured 50 is normal, the person to be measured 50 can walk at a constant cycle. Therefore, in FIG. 12, the frequency peak indicating the walking cycle is sharper than in FIG. 13, and the peak level is higher.
  • the factor analysis unit 23 analyzes the cognitive function of the subject 50 based on the frequency peak indicating the walking cycle of the subject 50 obtained by the frequency analysis obtained by the discrete Fourier transform. For example, the factor analysis unit 23 analyzes the cognitive function of the subject 50 based on the peak level of the frequency peak. The factor analysis unit 23 analyzes that the lower the peak level, the lower the cognitive function of the subject 50. For example, when the peak level is equal to or higher than the threshold value (shown in FIGS. 12 and 13), the factor analysis unit 23 determines that the cognitive function is normal and assigns a score indicating that the cognitive function is normal. .. The score indicating that the cognitive function is normal is preset, and may be, for example, 0 points.
  • the factor analysis unit 23 determines, for example, that the cognitive function is deteriorated when the peak level is less than the threshold value, and assigns a score indicating that the cognitive function is deteriorated.
  • the score indicating that the cognitive function is deteriorated is preset, and may be, for example, two points.
  • the threshold value may be stored in the storage unit 24, for example.
  • the recommendation determination unit 25 outputs information indicating the determination result to the display device 40 (S32). That is, the recommendation determination unit 25 causes the display device 40 to display the determination result.
  • the determination result output by the recommendation determination unit 25 is an example of the first determination result.
  • the estimation device 20 stores at least one of the moving image data, the walking parameter, the estimation result, and the determination result in the storage unit 24 (S33).
  • the recommendation determination unit 25 may store the determination result in the storage unit 24.
  • the factor analysis unit 23 of the factor estimation system 1a estimates two or more main components. Then, the factor estimation system 1a further determines the intervention method for the person to be measured 50 for reducing the risk of falling based on two or more main components, and outputs the determination result in the recommendation determination unit 25 (first determination). An example of the part) is provided.
  • the recommendation determination unit 25 can inform the caregiver or the like of the intervention method suitable for the factor of the fall risk. Further, the factor estimation system 1a can encourage the person to be measured 50 to reduce the fall risk by an appropriate intervention method even when the caregiver or the like does not have knowledge about the fall risk reduction.
  • the recommendation determination unit 25 determines an intervention method for reducing the degree of influence on the main component having the greatest degree of influence on the fall risk among the two or more main components.
  • the recommendation determination unit 25 can output an intervention method that effectively reduces the fall risk of the person to be measured 50.
  • the factor estimation system 1b according to the present embodiment is characterized in that processing related to a fall risk is performed based on past time series data.
  • the past time-series data is time-series data acquired before the present, and may be, for example, the time-series data for the latest week or the time-series data for the latest month. It may be time-series data for the latest year, or it may be other data.
  • FIG. 14 is a block diagram showing a functional configuration of the factor estimation system 1b according to the present embodiment.
  • the factor estimation system 1b includes an estimation device 20b instead of the estimation device 20a included in the factor estimation system 1a according to the second embodiment.
  • the estimation device 20b has an analysis unit 26 and a risk determination unit 27 in addition to the estimation device 20a according to the second embodiment.
  • the estimation device 20b does not have to have the recommendation determination unit 25.
  • the analysis unit 26 analyzes information based on past body movements during walking.
  • the analysis unit 26 acquires the time-series change of the time-series data regarding the fall risk by, for example, statistical processing. Then, the analysis unit 26 may calculate the tendency of the time series data by analyzing the temporal change of the time series data, or may calculate the threshold value for determining the fall risk at the present time. ..
  • the analysis unit 26 may calculate a threshold value for the fall risk value of the user by, for example, analyzing a change over time in the past fall risk value of the user.
  • the analysis unit 26 describes an example of analyzing time-series data related to fall risk, but the present invention is not limited to this, and at least one of walking parameters, main components of factors (for example, muscle strength), and determination results.
  • Time series data may be analyzed.
  • the analysis unit 26 analyzes the time-series data of the principal components of the factors, so that, for example, the degree of influence of muscle strength on the fall risk is reduced, that is, the fall risk is increased by the menu based on the intervention method. It can be determined whether or not it is reduced.
  • the risk determination unit 27 determines the fall risk of the person to be measured 50 based on the analysis result of the analysis unit 26.
  • the risk determination unit 27 determines the fall risk of the person to be measured 50 based on at least one time-series data of information based on the body movement during walking in the past. For example, when the analysis unit 26 calculates the threshold value of the fall risk value in the subject 50, the risk determination unit 27 determines the fall risk of the user depending on whether or not the current fall risk exceeds the threshold value. It may be determined whether or not there is. That is, the analysis unit 26 may use the past time series data in order to set the threshold value of the information based on the body movement during walking at the present time.
  • the risk determination unit 27 can make a determination according to the increase in the fall risk value, for example, in the person to be measured 50.
  • the risk determination unit 27 may be configured to include a communication module (communication circuit) that performs wired communication or wireless communication.
  • the risk determination unit 27 may be able to communicate with the display device 40, and the communication method (communication standard, communication protocol) of the risk determination unit 27 is not particularly limited.
  • FIG. 15 is a flowchart showing the operation of the factor estimation system 1b according to the present embodiment.
  • the analysis unit 26 acquires at least one time-series data of the walking parameter, the fall risk, the estimation result, and the determination result (S41).
  • the analysis unit 26 acquires, for example, by reading the time series data from the storage unit 24.
  • the analysis unit 26 analyzes the time series data (S42). For example, when the walking parameter including the walking speed is acquired in step S41, the analysis unit 26 may calculate information indicating the degree of change in the walking speed with respect to the walking speed at a predetermined time point.
  • the degree of change may be, for example, the difference between the walking speed at a predetermined time point and the walking speed other than the predetermined time point, or may be a ratio.
  • the analysis unit 26 may calculate information indicating the degree of change of the fall risk value based on the fall risk value at a predetermined time point. ..
  • the degree of change may be, for example, the difference between the fall risk value at a predetermined time point and the fall risk value other than the predetermined time point, or may be a ratio.
  • the analysis unit 26 may calculate the tendency of the ratio change for each principal component.
  • the analysis unit 26 may generate, for example, a line graph showing the tendency.
  • the analysis unit 26 may calculate the tendency of the change of the intervention method when the determination result including the intervention method is acquired in step S41, for example.
  • the analysis unit 26 may calculate, for example, the proposed number of times for each of the plurality of intervention methods in a predetermined period.
  • the analysis unit 26 may perform statistical processing on the above numerical values (for example, degree of change, fall risk value, degree of influence, number of times).
  • the statistical value calculated in the statistical processing is, for example, an average value, but may be a maximum value, a minimum value, a median value, a numerical value indicating variation (for example, a standard deviation), or the like.
  • the analysis unit 26 outputs the analysis result to the risk determination unit 27.
  • the risk determination unit 27 executes a determination process regarding the fall risk based on the analysis result (S43). It can be said that the risk determination unit 27 executes the determination process regarding the fall risk based on the time series data.
  • the risk determination unit 27 executes, for example, at least one of the determination processes shown in FIGS. 16A and 16B.
  • FIG. 16A is a flowchart showing an example of the operation in the risk determination unit 27 according to the present embodiment.
  • FIG. 16A shows a flowchart when time-series data of walking parameters are acquired in step S41.
  • the risk determination unit 27 determines whether or not the change in the walking parameter is equal to or greater than a predetermined value (S101).
  • the risk determination unit 27 determines, for example, whether or not the change in walking speed is equal to or greater than a predetermined value.
  • the risk determination unit 27 determines, for example, whether or not the walking speed has decreased by a predetermined value or more.
  • the risk determination unit 27 determines that the risk of falling is increased when the change in walking parameters is equal to or greater than a predetermined value (Yes in S101) (S102). Further, when the change in the walking parameter is less than a predetermined value (No in S101), the risk determination unit 27 determines that the change in the fall risk is small (S103). Further, the risk determination unit 27 may determine that the fall risk is reduced, for example, when the walking parameter is a predetermined change.
  • the predetermined change may be, for example, a change that approaches the optimum value in the walking parameter.
  • the factor estimation system 1b can inform the caregiver and the like of the change tendency of the fall risk of the person to be measured 50.
  • FIG. 16B is a flowchart showing another example of the operation in the risk determination unit 27 according to the present embodiment.
  • FIG. 16B shows a flowchart when the time series data of the estimation result is acquired in step S41.
  • the risk determination unit 27 determines whether or not the proportion of the predetermined main component in the estimation result has decreased (S201).
  • the risk determination unit 27 determines, for example, whether or not the proportion of “muscle strength” in the estimation result has decreased.
  • the predetermined main component may be, for example, a main component having the highest degree of influence on the fall risk among a plurality of main components at least once within a predetermined period.
  • the risk determination unit 27 determines that the improvement effect of the intervention method is observed when the proportion of the predetermined main component decreases (Yes in S201) (S202). Further, the risk determination unit 27 determines that the improvement effect of the intervention method is not observed when the ratio of the predetermined main component is not decreased (No in S201). The risk determination unit 27 may determine Yes in step S201 when the predetermined main component has decreased by a predetermined ratio or more.
  • the risk determination unit 27 then generates information indicating the determination result (S44), and outputs the generated information indicating the determination result to the display device 40 (S45). That is, the risk determination unit 27 causes the display device 40 to display the determination result.
  • the factor estimation system 1b can inform the caregiver and the like of the improvement effect of the intervention method.
  • the timing at which the factor estimation system 1 executes the above operation is not particularly limited, and may be executed periodically.
  • the factor estimation system 1b further has a fall risk based on at least one time series data of two or more walking parameters, an estimation result, and a determination result of the risk analysis unit 22. It is provided with a risk determination unit 27 (an example of a third determination unit) for determining.
  • the risk determination unit 27 can determine the fall risk based on two or more walking parameters, the estimation result, and the change over time of the determination result of the risk analysis unit 22, so that the fall risk can be detected early. Is possible.
  • the estimation device does not have a measuring device, an input device, and a display device, that is, the calculation device and the measuring device, the input device, and the display device are separate bodies.
  • the example is described, but the present invention is not limited to this.
  • the estimation device may have at least one function of a measuring device, an input device, and a display device.
  • the measuring device functions as a measuring unit that is a part of the estimation device
  • the input device functions as an input unit that is a part of the estimating device
  • the display device functions as a display unit that is a part of the estimating device.
  • the factor estimation system may be composed of one device.
  • the estimation device in the factor estimation system has been described as an example realized by a single device, but it may be realized by a plurality of devices.
  • the estimation device may be realized by one server device, or may be realized by three or more server devices.
  • the components included in the estimation device may be distributed to the plurality of server devices in any way.
  • each component may be configured by dedicated hardware or may be realized by executing a software program suitable for each component.
  • Each component may be realized by a program execution unit such as a CPU or a processor reading and executing a software program recorded on a recording medium such as a hard disk or a semiconductor memory.
  • another processing unit may execute the processing executed by the specific processing unit.
  • the order of processing described in the flowchart of the above embodiment is an example. The order of the plurality of processes may be changed, or the plurality of processes may be executed in parallel.
  • each component may be realized by executing a software program suitable for each component.
  • Each component may be realized by a program execution unit such as a CPU or a processor reading and executing a software program recorded on a recording medium such as a hard disk or a semiconductor memory.
  • each component may be realized by hardware.
  • each component may be a circuit (or integrated circuit). These circuits may form one circuit as a whole, or may be separate circuits from each other. Further, each of these circuits may be a general-purpose circuit or a dedicated circuit.
  • the division of the functional block in the block diagram is an example, and a plurality of functional blocks are realized as one functional block, one functional block is divided into a plurality of ones, and some functions are transferred to other functional blocks. You may. Further, the functions of a plurality of functional blocks having similar functions may be processed by a single hardware or software in parallel or in a time division manner.
  • the comprehensive or specific embodiment of the present disclosure may be realized by a recording medium such as a system, a method, an integrated circuit, a computer program, or a computer-readable CD-ROM.
  • the comprehensive or specific aspects of the present disclosure may be realized by any combination of systems, methods, integrated circuits, computer programs or recording media.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Social Psychology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Human Computer Interaction (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)

Abstract

要因推定システム（１）は、被測定者（５０）の転倒の可能性を示す転倒リスクの要因を推定する要因推定システムであって、被測定者（５０）の歩行時における体動を示す体動データを取得し、取得された体動データに基づいて、被測定者（５０）の２以上の歩行パラメータを算出する算出部（２１）と、２以上の歩行パラメータに基づいて、被測定者（５０）の転倒リスクの要因に含まれる１以上の主成分であって、２以上の歩行パラメータに基づく１以上の主成分を推定し、推定結果を出力する要因分析部（２３）とを備える。

Description

要因推定システム、及び、要因推定方法
　本開示は、被測定者の転倒の可能性を示す転倒リスクの要因を推定する要因推定システム、及び、要因推定方法に関する。
　従来、転倒リスクを評価又は判定する方法などが提案されている（例えば、特許文献１参照）。特許文献１では、被測定者の運動機能を示す指標である片足タッピング回数と、運動器不安定症の一指標であるＴＵＧ（Ｔｉｍｅｄ　Ｕｐ　ｔｏ　Ｇｏ）テスト値とに基づいて、転倒リスクを評価する方法が開示されている。
特開２０１７－０４２６１８号公報
　しかしながら、特許文献１に記載の方法では、転倒リスクを評価することはできるが、転倒リスクがある場合に、その要因まではわからない。そのため、被測定者の監視者（例えば、介護者など）は、転倒リスクがある人に対して、転倒リスクを低減するための提案を適切に行えない場合がある。
　そこで、本開示は、転倒リスクの要因を推定することができる要因推定システム、及び、要因推定方法を提供することを目的とする。
　本開示の一態様に係る要因推定システムは、被測定者の転倒の可能性を示す転倒リスクの要因を推定する要因推定システムであって、前記被測定者の歩行時における体動を示す体動データを取得し、取得された前記体動データに基づいて、前記被測定者の２以上の歩行パラメータを算出する算出部と、前記２以上の歩行パラメータに基づいて、前記被測定者の前記転倒リスクの要因に含まれる１以上の主成分であって、前記２以上の歩行パラメータに基づく１以上の主成分を推定し、推定結果を出力する推定部とを備える。
　また、本開示の一態様に係る要因推定方法は、被測定者の転倒の可能性を示す転倒リスクの要因を推定する要因推定方法であって、前記被測定者の歩行時における体動を示す体動データを取得し、取得された前記体動データに基づいて、前記被測定者の２以上の歩行パラメータを算出し、前記２以上の歩行パラメータに基づいて、前記被測定者の前記転倒リスクの要因に含まれる１以上の主成分であって、前記２以上の歩行パラメータに基づく１以上の主成分を推定し、推定結果を出力する。
　本開示の一態様に係る要因推定システム等によれば、転倒リスクの要因を推定することができる。
図１は、実施の形態１に係る要因推定システムの概要構成を示す図である。 図２は、実施の形態１に係る要因推定システムの機能構成を示すブロック図である。 図３は、実施の形態１に係るリスク分析部が転倒リスク値を算出する式の一例を示す図である。 図４は、実施の形態１に係る要因推定システムにおける、推定動作の前に実行される動作を示すフローチャートである。 図５は、第１対応情報の一例を示す図である。 図６は、第２対応情報の一例を示す図である。 図７は、実施の形態１に係る要因推定システムにおける、転倒リスクの要因を推定する推定動作を示すフローチャートである。 図８は、実施の形態２に係る要因推定システムの機能構成を示すブロック図である。 図９は、実施の形態２に係る要因推定システムにおける動作を示すフローチャートである。 図１０は、要因と介入方法との対応関係の一例を示す図である。 図１１は、被測定者の歩行時の体の上下方向における変位を示す図である。 図１２は、被測定者の認知機能が正常である場合の周波数分析結果を示す図である。 図１３は、被測定者の認知機能が低下している場合の周波数分析結果を示す図である。 図１４は、実施の形態３に係る要因推定システムの機能構成を示すブロック図である。 図１５は、実施の形態３に係る要因推定システムにおける動作を示すフローチャートである。 図１６Ａは、実施の形態３に係るリスク判定部における動作の一例を示すフローチャートである。 図１６Ｂは、実施の形態３に係るリスク判定部における動作の他の一例を示すフローチャートである。
　以下、実施の形態について、図面を参照しながら説明する。なお、以下で説明する実施の形態は、いずれも包括的又は具体的な例を示すものである。以下の実施の形態で示される数値、形状、材料、構成要素、構成要素の配置位置及び接続形態、ステップ、ステップの順序などは、一例であり、本開示を限定する主旨ではない。また、以下の実施の形態における構成要素のうち、独立請求項に記載されていない構成要素については、任意の構成要素として説明される。
　なお、各図は模式図であり、必ずしも厳密に図示されたものではない。また、各図において、実質的に同一の構成に対しては同一の符号を付し、重複する説明は省略又は簡略化される場合がある。
　また、本明細書において、一致などの要素間の関係性を示す用語、並びに、数値、および、数値範囲は、厳格な意味のみを表す表現ではなく、実質的に同等な範囲、例えば数％程度の差異をも含むことを意味する表現である。
　（実施の形態１）
　［１－１．要因推定システムの概略構成］
　図１は、本実施の形態に係る要因推定システム１の概要構成を示す図である。図１に示すように、要因推定システム１は、計測装置１０と、推定装置２０と、入力装置３０と、表示装置４０とを備える。
　要因推定システム１は、計測装置１０（例えば、カメラ）によって被測定者５０の歩行時（歩行中）の体動を計測することにより、動画像データを生成する。計測装置１０は、例えば、老人ホーム又は介護施設の天井又は壁などに設置され、室内を常時撮影する。推定装置２０は、計測装置１０によって撮影（生成）された動画像データに基づいて被測定者５０の歩行態様を分析し、被測定者５０の転倒リスクの要因を推定する。推定結果は、表示装置４０に表示される。なお、動画像データは、体動データの一例である。また、被測定者５０は、被検者の一例である。
　このような計測装置１０を用いた要因推定システム１は、計測装置１０による常時撮影された動画像データを蓄積しておくことにより、被測定者５０の過去の推定結果、及び、現在の推定結果を評価することができる。また、要因推定システム１は、被測定者５０に気づかれることなく被測定者５０の転倒リスクの要因を推定することができる。なお、計測装置１０は、被測定者５０を常時撮影することに限定されない。
　［１－２．要因推定システムの機能構成］
　本実施の形態に係る要因推定システム１の機能構成について、図２を参照しながら説明する。図２は、本実施の形態に係る要因推定システム１の機能構成を示すブロック図である。要因推定システム１は、被測定者５０の歩行時の体動を計測することで、当該被測定者５０の転倒リスクの要因を迅速に推定するシステムである。
　図２に示すように、要因推定システム１は、計測装置１０と、推定装置２０と、入力装置３０と、表示装置４０とを備える。
　計測装置１０は、被測定者５０の歩行時の体動を計測するための装置である。本実施の形態では、計測装置１０は、被測定者５０の歩行時の動画像データを撮影するためのカメラである。計測装置１０は、ＣＭＯＳ（Ｃｏｍｐｌｅｍｅｎｔａｒｙ　Ｍｅｔａｌ　Ｏｘｉｄｅ　Ｓｅｍｉｃｏｎｄｕｃｔｏｒ）イメージセンサを用いたカメラでもよいし、ＣＣＤ（Ｃｈａｒｇｅ　Ｃｏｕｐｌｅｄ　Ｄｅｖｉｃｅ）イメージセンサを用いたカメラでもよい。
　なお、フレームレート（動画像データに含まれる１秒当たりの画像データ数）は、特に限定されるものではなく、例えば、４０ｆｐｓ（ｆｒａｍｅｓ　ｐｅｒ　ｓｅｃｏｎｄ）でもよいし、６０ｆｐｓでもよい。
　推定装置２０は、計測装置１０によって撮影された動画像データに基づいて被測定者５０の歩行態様を分析し、被測定者５０の転倒リスクの要因を推定し、表示装置４０へ出力する。こうすることで、推定装置２０は、例えば、被測定者５０を介護する介護者に当該被測定者５０の転倒リスクの要因の推定結果を通知することができるため、介護者が被測定者５０に対して転倒リスクを低減するためのより適切な提案（介入）を行うことができる。また、要因推定システム１は、例えば、介護者が被測定者５０に転倒リスクがあることに気付いていない場合であっても、被測定者５０に転倒リスクの要因を通知することで、介護者に被測定者５０に転倒リスクがあることを気付かせることができる。また、要因推定システム１は、転倒リスクがあることを被測定者５０が自覚していない場合に、転倒リスクの要因を通知することで、被測定者５０に転倒リスクがあることを気付かせることができる。
　推定装置２０は、算出部２１と、リスク分析部２２と、要因分析部２３と、記憶部２４とを有する。
　算出部２１は、計測装置１０から計測結果（例えば、動画像データ）を取得し、取得した計測結果から、歩行パラメータを算出する。算出部２１は、例えば、計測装置１０によって撮影された動画像データを、被測定者５０の歩行時の体動を示す体動データとして取得する。なお、動画像データから歩行パラメータを算出する算出方法は、特に限定されないが、例えば、動画像データの画像解析により行われてもよい。
　なお、筋力、筋量（筋肉量）、バランス感覚、及び、認知機能の少なくとも１つが低下している人は、筋力、筋量、バランス感覚、及び、認知機能の少なくとも１つが低下していない人（健常者）と歩行時の体動が異なることが知られている。そのため、歩行パラメータは、筋力、筋量、バランス感覚、及び、認知機能の少なくとも１つと相関性がある、歩行速度、歩幅、関節角度、腰又は頭部の変位を含む。歩行パラメータは、歩行速度、歩幅、関節角度、腰又は頭部の変位の少なくとも２つを含む。なお、関節角度は、例えば、膝関節の角度である。
　リスク分析部２２は、歩行パラメータに基づいて、被測定者５０の転倒リスクを分析する。リスク分析部２２は、例えば、図３に示す計算式に基づいて、転倒リスク値を算出することで被測定者５０の転倒リスクを分析する。リスク分析部２２は、第２判定部の一例である。
　図３は、本実施の形態に係るリスク分析部２２が転倒リスク値を算出する式の一例を示す図である。図３に示すスコアＸ１、Ｘ２、Ｘ３は、歩行パラメータに基づく数値である。例えば、スコアＸ１は、歩幅に基づく数値であり、スコアＸ２は、歩行速度に基づく数値であり、スコアＸ３は、腰の位置に基づく数値であってもよい。また、スコアは、２以上の歩行パラメータに基づく数値であってもよく、例えば、スコアＸ１は、歩幅及び歩行速度に基づく数値であってもよい。なお、図３では、後述する主成分（図６参照）のうち「筋力」及び「筋量」のみを図示しているが、他の主成分を含んでいてもよい。つまり、転倒リスク値は、後述する複数の主成分のうち、２以上の主成分に基づいて算出されてもよい。転倒リスク値は、例えば、後述する複数の主成分のそれぞれに基づいて算出されてもよい。
　図３に示すように、リスク分析部２２は、スコアＸ１、Ｘ２、Ｘ３、及び、転倒歴に関すスコアを加算することで転倒リスク値を算出する。スコアＸ１及びＸ２は、例えば、筋力に対応する歩行パラメータに基づく数値である。スコアＸ１は、歩行速度に基づく数値であり、スコアＸ２は、歩幅に基づく数値であってもよい。なお、筋力と歩行速度及び歩幅とは、相関性がある（後述する図６参照）。また、スコアＸ３は、例えば、バランス系（例えば、バランス感覚）に対応する歩行パラメータに基づく数値である。スコアＸ３は、腰の変位に基づく数値であってもよい。なお、筋量と腰の変位とは、相関性がある（後述する図６参照）。
　また、転倒歴に関するスコアは、例えば、転倒の有無、又は、転倒回数に基づく数値である。転倒リスク値に転倒歴に関するスコアが含まれることで、筋力、筋量などが正常である場合であっても、転倒リスクの判定を適切に行うことができる。なお、リスク分析部２２は、例えば、入力装置３０を介して転倒歴に関する情報を取得するが、記憶部２４から読み出すことで転倒歴に関する情報を取得してもよい。
　リスク分析部２２は、図３に示す式により算出された転倒リスク値に応じた分析結果を出力する。リスク分析部２２は、例えば、転倒リスクの有無を出力してもよいし、転倒リスクのレベル（例えば、「高」、「中」、「低」など）を出力してもよい。転倒リスクのレベルは、３段階上であれば、特に限定されない。また、リスク分析部２２は、転倒リスク値を出力してもよい。
　なお、図３に示す式は、一例であり、歩行パラメータに基づいて転倒リスク値が算出されていれば、図３に示す式以外の式により転倒リスク値が算出されてもよい。転倒リスク値は、例えば、スコアＸ１～Ｘ３等に所定の重みを演算して算出されてもよい。また、転倒リスク値は、例えば、加算、減算、乗算、除算等の少なくとも１つを用いて算出されてもよい。また、転倒リスク値は、さらに、認知機能に関する数値を用いて算出されてもよい。つまり、転倒リスクは、被測定者５０の認知機能も考慮して分析されてもよい。
　図２を再び参照して、要因分析部２３は、歩行パラメータに基づいて、被測定者５０の転倒する可能性を示す転倒リスクの要因を分析する。要因分析部２３は、例えば、歩行パラメータと、人の体力指標及び歩行パラメータの対応関係を示す対応情報とに基づいて、被測定者５０の転倒リスクの要因を分析する。体力指標は、人の体力又は運動能力を示し、例えば、体力測定などで計測される項目を含む。体力指標は、例えば、握力、脚筋力、開眼片足立ち、ステッピング（例えば、反復横跳び）などを含む。また、体力指標には、体組成計の計測結果から推定される体組成を含んでいてもよい。体組成は、例えば、ＢＩＡ法（Ｂｉｏｅｌｅｃｔｒｉｃａｌ　Ｉｍｐｅｄａｎｃｅ　Ａｎａｌｙｓｉｓ：生体インピーダンス法）を用いた体組成計の計測結果である。なお、歩行パラメータは、体力指標には含まれない。また、要因は、人の転倒リスクに影響を与える主な原因（成分）を含む。要因分析部２３は、推定部の一例である。
　記憶部２４は、各処理部が取得又は算出した各種データを記憶する記憶装置である。記憶部２４は、例えば、計測装置１０から取得した動画像データを記憶してもよいし、算出部２１が算出した歩行パラメータを記憶してもよい。また、記憶部２４は、例えば、リスク分析部２２及び要因分析部２３の分析結果を記憶してもよい。
　例えば、被測定者５０の歩行時の体動の長期的な経過変化を解析したい場合、算出部２１は、被測定者５０の動画像データ又は算出した歩行パラメータを記憶部２４に記憶させてもよい。また、例えば、被測定者５０における分析結果の長期的な経過変化を解析したい場合、リスク分析部２２又は要因分析部２３は、分析結果を記憶部２４に記憶させてもよい。なお、長期的な期間は特に限定されないが、例えば１週間であってもよいし、１ヶ月であってもよいし、１年であってもよい。また、以下において、動画像データ、歩行パラメータ、及び、分析結果を、体動に基づく情報とも記載する。
　こうすることにより、推定装置２０は、被測定者５０の過去の歩行時の体動に基づく情報（例えば、歩行パラメータなど）に基づいて、例えば、現在の転倒リスクに関する判定を行うことができる。推定装置２０は、例えば、現在の転倒リスクの有無に関する判定を行うことができる。
　また、記憶部２４には、例えば、各処理部が実施の形態に係る要因推定方法を実行するためのプログラム、及び、要因分析を行う際に用いられる情報データも記憶されている。記憶部２４は、半導体メモリ又はＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）等によって実現される。
　なお、推定装置２０は、リスク分析部２２を有していなくてもよい。推定装置２０は、被測定者５０の転倒リスクの要因を推定することができる構成であればよい。
　なお、推定装置２０の各処理部は、それぞれの機能を併せ持つ１つのプロセッサ、マイクロコンピュータ、又は、専用回路で実現されてもよいし、プロセッサ、マイクロコンピュータ、又は、専用回路のうちの２つ以上の組み合わせによって実現されてもよい。また、算出部２１、及び、要因分析部２３は、有線通信又は無線通信を行う通信モジュール（通信回路）を含んで構成されてもよい。この場合、算出部２１は、計測装置１０と通信可能であればよく、算出部２１の通信方式（通信規格、通信プロトコル）は、特に限定されない。また、要因分析部２３は、表示装置４０と通信可能であればよく、要因分析部２３の通信方式（通信規格、通信プロトコル）は、特に限定されない。このように、算出部２１は、取得部としての機能を有していてもよいし、要因分析部２３は、出力部としての機能を有していてもよい。
　なお、推定装置２０は、例えば、パーソナルコンピュータであるが、サーバ装置であってもよい。また、推定装置２０は、計測装置１０が設置された建物内に設置されてもよいし、当該建物の外に設置されてもよい。
　入力装置３０は、被測定者５０から所定の情報の入力を受け付けるユーザインタフェースである。入力装置３０は、例えば、当該被測定者の転倒歴に関する情報の入力を受け付ける。入力装置３０は、ハードウェアキー（ハードウェアボタン）、スライドスイッチ、タッチパネルなどにより実現される。
　表示装置４０は、推定装置２０から出力される転倒リスクの要因の分析結果に基づく画像を表示する。表示装置４０は、具体的には、液晶パネル、又は、有機ＥＬパネル等によって構成されるモニタ装置である。表示装置４０として、テレビ、スマートフォン、又は、タブレット端末、ウェアラブル端末等の情報端末が用いられてもよい。推定装置２０と表示装置４０との間の通信は、例えば、有線通信であるが、表示装置４０がスマートフォン、タブレット端末、又は、ウェアラブル端末である場合には、無線通信であってもよい。
　［１－３．要因推定システムの動作］
　次に、本実施の形態に係る要因推定システム１の動作について、図４及び図５を参照しながら説明する。図４は、本実施の形態に係る要因推定システム１における、推定動作の前に実行される動作を示すフローチャートである。具体的には、図４は、被測定者５０に対する転倒リスクの要因分析を行う前に実行される動作を示す。
　図４に示すように、算出部２１は、人の体力指標に関する計測結果に基づく第１対応情報を取得する（Ｓ１１）。算出部２１は、例えば、体力指標ごとの転倒リスクと、体力指標に関する計測結果との対応関係を示す第１対応情報を取得する。図５は、第１対応情報Ｄ１の一例を示す図である。なお、以降において、体力指標ごとの転倒リスクを指標別転倒リスクとも記載する。なお、第１対応情報は、人の体力指標と転倒リスクとの関係を示す情報の一例である。
　図５に示すように、第１対応情報Ｄ１は、「握力」、「開眼片足立ち」、「転倒履歴」等を含む体力指標と、「高」、「中」、「低」を含む指標別転倒リスクとの対応関係を示す図である。「握力」について説明すると、握力が１０ｋｇｗ未満であると指標別転倒リスクが「高」であり、１５ｋｇｗ程度であると指標別転倒リスクが「中」であり、２０ｋｇｗ以上であると指標別転倒リスクが「低」である例を示している。なお、図５に示す項目及び数値は一例であり、これに限定されない。また、図５における程度との表現は、握力を例に説明すると、１５ｋｇｗ及び１５ｋｇｗ前後の数値を含むことを意味する。１５ｋｇｗ程度とは、指標別転倒リスク「高」及び「低」に対応する握力の間の数値であってもよく、例えば、１０ｋｇｗ以上２０ｋｇｗ未満であってもよい。
　また、指標別転倒リスク「高」、「中」、「低」のそれぞれには、スコアが割り当てられている。例えば、指標別転倒リスク「高」には２点、「中」には１点、「低」には０点が割り当てられるが、スコアの割り当てはこれに限定されない。また、算出部２１は、指標別転倒リスクのスコアに基づいて、転倒リスクがあるか否かを判定するための閾値を取得してもよい。算出部２１は、例えば、体力指標の各スコアを演算した演算値に対する閾値を取得してもよい。演算は、例えば、加算であるが、減算、乗算、除算の少なくとも１つであってもよい。また、演算は、重み付け加算などであってもよい。以下では、演算は、加算であり、演算値は体力指標ごとのスコアの合計値である例について説明する。算出部２１は、例えば、被測定者５０の転倒リスクが「高」と判定するための第１閾値として６点、ユーザの転倒リスクが「中」と判定するための第２閾値として２点を取得したとする。第１閾値及び第２閾値は、例えば、記憶部２４に記憶されていてもよい。
　次に、算出部２１は、体力指標と歩行パラメータとの対応関係を示す第２対応情報Ｄ２を取得する（Ｓ１２）。算出部２１は、例えば、入力装置３０を介して第２対応情報Ｄ２を取得してもよい。図６は、第２対応情報Ｄ２の一例を示す図である。なお、第２対応情報は、人の体力指標と２以上の歩行パラメータとの関係を示す情報の一例である。
　図６に示すように、第２対応情報Ｄ２は、転倒リスクの要因に含まれる成分１～４のそれぞれに対応する、主成分、体力指標、及び、歩行パラメータが対応付けられた情報である。主成分は、人の転倒リスクと関係性がある身体的要素を示しており、予め設定されている。主成分は、例えば、「筋力」、「バランス」、「俊敏性」及び「筋量」を含む。成分１を例に説明すると、主成分「筋力」に対応する体力指標は、「握力」及び「脚筋力」であり、「筋力」に対応する歩行パラメータは、「歩行速度」及び「歩幅」である。言い換えると、第２対応情報Ｄ２は、転倒リスクの要因の推定において、「握力」及び「脚筋力」の替わりに、「歩行速度」及び「歩幅」が使用することができることを示す。
　主成分「筋力」は、人が転倒する要因の１つが当該人の筋力であることを意味する。体力指標「握力」及び「脚筋力」は、主成分「筋力」の状態を示す指標である。「歩行速度」、及び、「歩幅」は、体力指標「握力」及び「脚筋力」と相関関係がある歩行パラメータである。
　なお、ここでの相関関係は、体力指標が「握力」であり、「歩行パラメータ」が「歩行速度」である場合、握力の値と歩行パラメータの値との相関関係を含んでいてもよい。相関関係は、例えば、歩行速度が２ｋｍ／ｈであることが、握力が１０ｋｇｗであることに相当するなどの相関関係を含んでいてもよい。
　なお、体力指標と歩行パラメータとの相関関係は、複数の人の体力指標及び歩行パラメータの計測結果の回帰分析などにより取得可能であるが、相関関係の取得方法はこれに限定されない。
　なお、成分２における「関節角度」は、例えば、左右の足の関節角度の差を含む。ここでの関節角度は、歩行に関係する関節の角度であり、例えば、膝関節の角度である。関節角度の左右の差は、例えば、左足及び右足の膝関節の角度の差である。
　なお、成分３における「関節角度」は、例えば、関節角度の大きさを含む。ここでの関節角度は、歩行に関係する関節の角度であり、例えば、膝関節の角度の大きさである。
　なお、成分４における「腰の変位」は、腰の位置の変位を含む。成分４における歩行パラメータは、体組成計の値と相関関係があればよく、「腰の変位」に加えて、又は、「腰の変位」とともに、「頭部の変位」などを含んでいてもよい。
　図４を再び参照して、算出部２１は、第１対応情報Ｄ１及び第２対応情報Ｄ２を記憶部２４に記憶する（Ｓ１３）。
　続いて、要因推定システム１における転倒リスクの要因を推定する動作について、図７を参照しながら説明する。図７は、本実施の形態に係る要因推定システム１における、転倒リスクの要因を推定する推定動作を示すフローチャートである。
　図７に示すように、算出部２１は、計測装置１０から被測定者５０の歩行時の動画像データを取得する（Ｓ２１）。動画像データは、被測定者５０の普段の歩行時の様子を撮影したデータであってもよいし、転倒リスクの要因を推定するために所定の場所を歩行した時の様子を撮影したデータであってもよい。所定の場所は、例えば、マーカが付された歩行面を含む通路であってもよい。また、動画像データは、複数視点から被測定者５０を撮影して得られた動画像データであってもよい。
　次に、算出部２１は、動画像データに基づいて、被測定者５０における歩行パラメータを算出する（Ｓ２２）。算出部２１による歩行パラメータの算出方法は特に限定されないが、例えば、動画像データの画像解析により行われてもよい。算出部２１は、例えば、画像データから被測定者５０の特徴点を算出し、特徴点の移動軌跡に基づいて、歩行パラメータを算出してもよい。算出部２１は、上記の通路を歩行する被測定者５０の動画像データを取得した場合、背景差分法によって特徴点を算出してもよい。算出部２１は、歩行パラメータをリスク分析部２２に出力する。
　次に、リスク分析部２２は、歩行パラメータに基づいて、被測定者５０に転倒リスクがあるか否かを判定する（Ｓ２３）。リスク分析部２２は、例えば、歩行パラメータごとにスコアを算出し、算出した複数のスコアに基づいて、被測定者５０に転倒リスクがあるか否かを判定する。リスク分析部２２は、例えば、記憶部２４に記憶されている第１対応情報Ｄ１及び第２対応情報Ｄ２に基づいて、歩行パラメータごとのスコアを算出する。リスク分析部２２は、歩行パラメータが歩行速度であり、かつ、歩行速度が２ｋｍ／ｈである場合、例えば、歩行速度２ｋｍ／ｈが握力１０ｋｇｗに相当することを取得する。そして、リスク分析部２２は、第１対応情報に基づいて、歩行速度２ｋｍ／ｈのスコアが２点であることを取得する。
　リスク分析部２２は、例えば、図３の式に示すように、歩行パラメータごとに上記のスコアを算出し、算出した複数のスコアを加算することで、転倒リスク値を算出する。そして、リスク分析部２２は、例えば、複数のスコアの合計値、つまり転倒リスク値が閾値以上である場合に転倒リスクがあると判定する。この場合の閾値は、転倒リスクの有無を判定するための数値である。閾値は、固定値であってもよいし、被測定者５０ごとに設定されていてもよい。
　また、リスク分析部２２は、例えば、閾値として第１閾値（例えば、６点）及び第２閾値（例えば、２点）が設定されている場合、転倒リスクの度合いを判定することができる。リスク分析部２２は、例えば、転倒リスクの度合いが所定度合い以上（例えば、「中」以上）である場合に、転倒リスクがあると判定してもよい。
　なお、リスク分析部２２による転倒リスクの有無の判定方法は、上記に限定されない。リスク分析部２２は、例えば、歩行速度が閾値以下である場合に、転倒リスクがあると判定してもよい。つまり、リスク分析部２２は、歩行パラメータの数値に基づいて、転倒リスクがあるか否かを判定してもよい。
　リスク分析部２２は、判定結果を要因分析部２３に出力する。また、リスク分析部２２は、判定結果を記憶部２４に記憶させてもよい。リスク分析部２２が出力する判定結果は、第２判定結果の一例である。
　要因分析部２３は、リスク分析部２２から転倒リスクがあることを示す判定結果を取得すると（Ｓ２３でＹｅｓ）、歩行パラメータと相関のある体力指標から、主成分ごとに転倒リスクへの影響度合いを算出する（Ｓ２４）。要因分析部２３は、例えば、第２対応情報Ｄ２に基づいて、歩行パラメータの「歩行速度」及び「歩幅」が主成分「筋力」と相関があることを取得する。要因分析部２３は、主成分「筋力」における転倒リスクへの影響度合いを、歩行速度及び歩幅に基づいて算出する。要因分析部２３は、例えば、歩行速度のスコア及び歩幅のスコアに基づいて、転倒リスクへの影響度合いを算出してもよい。要因分析部２３は、例えば、歩行速度のスコア及び歩幅のスコアの合計値を主成分「筋力」における転倒リスクへの影響度合いとして算出する。要因分析部２３は、歩行パラメータに基づいて、主成分分析を行うことで、転倒リスクの要因に含まれる主成分を推定するとも言える。
　要因分析部２３は、図６に示す成分１～４ごと、つまり主成分ごとに、上記の影響度合いを算出する。影響度合いは、スコアに基づく絶対値（例えば、６点など）であってもよいし、当該スコアに基づく相対値（例えば、５０％）であってもよい。要因分析部２３は、影響度合いがスコアに基づく値である場合、リスク分析部２２が算出した転倒リスク値に含まれる各スコアを主成分ごとにまとめる処理を実行するとも言える。
　次に、要因分析部２３は、例えば、主成分ごとの影響度合いに基づいて、被測定者５０の転倒リスクの要因を推定する（Ｓ２５）。つまり、要因分析部２３は、２以上の歩行パラメータに基づいて、転倒リスクの要因を推定する。要因分析部２３は、２以上の歩行パラメータに基づいて、複数の主成分の中から被測定者５０における転倒リスクの要因に含まれる１以上の主成分を推定する。要因分析部２３は、例えば、影響度合いが最も高い主成分を、被測定者５０の転倒リスクの要因であると推定してもよいし、影響度合いが所定度合い以上である主成分を、被測定者５０の転倒リスクの要因であると推定してもよい。
　次に、要因分析部２３は、推定結果を示す情報を表示装置４０に出力する（Ｓ２６）。つまり、要因分析部２３は、推定結果を表示装置４０に表示させる。
　次に、推定装置２０は、動画像データ、歩行パラメータ、及び、推定結果の少なくとも１つを記憶部２４に記憶させる（Ｓ２７）。
　なお、要因分析部２３は、リスク分析部２２から転倒リスクがないことを示す判定結果を取得すると（Ｓ２３でＮｏ）、転倒リスクへの要因を推定する処理を終了する。
　［１－４．効果など］
　以上のように、本実施の形態に係る要因推定システム１は、被測定者５０の転倒の可能性を示す転倒リスクの要因を推定する要因推定システムであって、被測定者５０の歩行時における体動を示す動画像データ（体動データの一例）を取得し、取得された体動データに基づいて、被測定者５０の２以上の歩行パラメータを算出する算出部２１と、２以上の歩行パラメータに基づいて、被測定者５０の転倒リスクの要因に含まれる１以上の主成分であって、２以上の歩行パラメータに基づく１以上の主成分を推定し、推定結果を出力する要因分析部２３（推定部の一例）とを備える。
　これにより、要因分析部２３は、２以上の歩行パラメータに基づいて、被測定者５０の転倒リスクの要因を推定することができる。具体的には、要因分析部２３は、２以上の歩行パラメータに基づいて、１以上の主成分を推定することができる。よって、本実施の形態に係る要因推定システム１は、転倒リスクの要因を推定することができる。
　また、要因分析部２３は、体力指標と転倒リスクとの関係を示す情報、及び、体力指標と２以上の歩行パラメータとの関係を示す情報に基づいて、２以上の主成分を推定する。
　これにより、要因分析部２３は、上記情報を用いることで、被測定者５０が体力指標の計測を行うことなく、２以上の歩行パラメータから１以上の主成分を推定することができる。よって、要因推定システム１は、転倒リスクの要因を、より簡単に推定することができる。要因分析部２３は、上記情報を用いることで、被測定者５０の保有能力を推定しているとも言える。
　また、要因推定システム１は、さらに、２以上の歩行パラメータに基づいて、被測定者５０の転倒リスクを判定するリスク分析部２２（第２判定部の一例）を備える。そして、要因分析部２３は、リスク分析部２２が被測定者５０を転倒リスクがあると判定した場合、２以上の主成分を推定する。
　これにより、要因推定システム１は、転倒リスクの有無などの転倒リスクの判定を行うことができる。当該判定結果が出力されることで、被測定者５０及び介護者に当該判定結果を知らせることができる。また、要因分析部２３による処理量を低減することができるので、要因推定システム１の省エネ化につながる。
　また、１以上の主成分は、筋力、筋量、バランス、認知機能の少なくとも１つを含む。
　これにより、要因分析部２３は、被測定者５０の転倒リスクがある時に、体の衰えによることが要因であるか、又は、認知機能の衰えによることが要因であるかを推定することができる。
　また、２以上の歩行パラメータは、歩行速度、歩幅、関節角度、及び、腰の変位の少なくとも２つを含む。
　これにより、要因分析部２３は、動画像データから取得可能である、歩行速度、歩幅、関節角度、腰の変位の少なくとも２つに基づいて、被測定者５０の転倒リスクの要因を推定することができる。つまり、要因推定システム１は、転倒リスクの要因を推定するための計測（例えば、体力指標の計測）を行うことなく、被測定者５０の普段の歩行の様子を撮影した動画像データに基づいて、被測定者５０の転倒リスクの要因を推定することができる。よって、要因推定システム１は、転倒リスクの要因をさらに簡単に推定することができる。
　また、以上のように、本実施の形態に係る要因推定システム１における推定方法は、被測定者５０の転倒の可能性を示す転倒リスクの要因を推定する要因推定方法であって、被測定者５０の歩行時における体動を示す体動データを取得し（Ｓ２１）、取得された体動データに基づいて、被測定者５０の２以上の歩行パラメータを算出し（Ｓ２２）、２以上の歩行パラメータに基づいて、被測定者５０の転倒リスクの要因に含まれる１以上の主成分であって、２以上の歩行パラメータに基づく１以上の主成分を推定し（Ｓ２５）、推定結果を出力する（Ｓ２６）。
　これにより、上記の要因推定システム１と同様の効果を奏する。
　（実施の形態２）
　以下、本実施の形態に係る要因推定システム１ａについて、図８～図１３を参照しながら説明する。本実施の形態に係る要因推定システム１ａは、転倒リスクの要因を推定することに加えて、推定結果に基づいて転倒リスクを低減するための介入方法を提案する点に特徴を有する。
　なお、以下の説明では、実施の形態１との相違点を中心に説明し、実施の形態１と同様の構成については同一の符号を付し、説明を省略又は簡略化する場合がある。
　［２－１．要因推定システムの機能構成］
　本実施の形態に係る要因推定システム１ａの機能構成について、図８を参照しながら説明する。図８は、本実施の形態に係る要因推定システム１ａの機能構成を示すブロック図である。
　図８に示すように、要因推定システム１ａは、実施の形態１に係る要因推定システム１が備える推定装置２０に替えて推定装置２０ａを備える。推定装置２０ａは、実施の形態１に係る推定装置２０に加えて、レコメンド判定部２５を有する。
　レコメンド判定部２５は、被測定者５０の転倒リスクの要因の推定結果に基づいて、介護者等が当該推定結果に応じた介入を被測定者５０に行うための処理を行う。レコメンド判定部２５は、例えば、介護者に介入効率が高い方法を提案するための処理を行う。レコメンド判定部２５は、例えば、当該推定結果に含まれる２以上の主成分に基づいて、介護者に介入効率が高い方法（改善メニュー）を提案するための判定処理を行う。介入効率が高い方法とは、被測定者５０に、当該被測定者５０の転倒リスクの要因に適した介入を行い得る方法（改善メニュー）を意味する。つまり、介入効率が高い方法とは、被測定者５０の転倒リスクを効果的に低減することが可能な方法である。すなわち、レコメンド判定部２５は、被測定者５０の転倒リスクを低減するための低減方法を判定（決定）する。レコメンド判定部２５は、例えば、当該２以上の主成分の転倒リスクへの影響度合いに応じて、上記の判定を行う。レコメンド判定部２５は、第１判定部の一例である。
　また、レコメンド判定部２５は、例えば、判定結果の長期的な経過変化を解析したい場合、当該判定結果を記憶部２４に記憶させてもよい。また、判定結果は、体動に基づく情報の一例である。
　また、レコメンド判定部２５は、有線通信又は無線通信を行う通信モジュール（通信回路）を含んで構成されてもよい。この場合、レコメンド判定部２５は、表示装置４０と通信可能であればよく、レコメンド判定部２５の通信方式（通信規格、通信プロトコル）は、特に限定されない。
　［２－２．要因推定システムの動作］
　次に、本実施の形態に係る要因推定システム１ａの動作について、図９及び図１０を参照しながら説明する。図９は、本実施の形態に係る要因推定システム１ａにおける動作を示すフローチャートである。具体的には、図９は、被測定者５０に対する転倒リスクの要因の推定結果に基づいて、転倒リスクを低減するための提案を行う動作を示す。なお、図９に示すＳ２１～Ｓ２５の処理は、実施の形態１の図７と同様であり、説明を省略する。
　図９に示すように、要因分析部２３は、被測定者５０の転倒リスクの要因を推定する（Ｓ２５）と、推定結果をレコメンド判定部２５に出力する。
　レコメンド判定部２５は、要因分析部２３から推定結果を取得すると、当該推定結果に基づいて、被測定者５０の介護者等に、推奨される介入方法を判定する（Ｓ３１）。レコメンド判定部２５は、例えば、記憶部２４に記憶されている複数の介入方法の中から、推定結果に応じた介入方法を判定する。図１０は、要因と介入方法との対応関係の一例を示す図である。
　図１０に示すように、レコメンド判定部２５は、「筋力」、「筋量」、「バランス」、及び、「認知」における転倒リスクへの影響度合い（割合）に応じた介入方法を判定する。レコメンド判定部２５は、例えば、「筋力」、「筋量」、「バランス」、及び、「認知」のうち、「筋力」が最も割合が高い場合、「運動改善メニュー（遅筋）」が推奨される介入方法であると判定する。これにより、遅筋を鍛えることで効果的に筋力が向上するので、転倒リスクを容易に低減することができる。
　また、レコメンド判定部２５は、例えば、「筋力」、「筋量」、「バランス」、及び、「認知」のうち、「筋量」が最も割合が高い場合、「運動改善メニュー（速筋）」が推奨される介入方法であると判定する。これにより、速筋を鍛えることで効果的に筋量を増やすことができるので、転倒リスクを容易に低減することができる。
　このように、レコメンド判定部２５は、例えば、「筋力」及び「筋量」の一方の割合が最も高い場合、転倒予防及び運動機能向上のための運動メニューを提案する。
　また、レコメンド判定部２５は、例えば、「筋力」、「筋量」、「バランス」、及び、「認知」のうち、「筋力」及び「筋量」の割合が類似している（例えば、一致している）場合、「食事改善メニュー」が推奨される介入方法であると判定する。このように、レコメンド判定部２５は、例えば、「筋力」及び「筋量」などの筋肉に対する主成分の割合が類似している場合、筋トレではなく、食事における改善方法を提案してもよい。なお。類似とは、例えば、２つの割合の差が所定値以内であることであってもよい。所定値は、例えば、１０％であってもよく、２０％であってもよく、その他であってよい。
　なお、図１０に示す割合は、例えば、主成分ごとのスコアの合計値に基づいて算出される。
　なお、図１０に示す「認知」は、認知機能の低下による歩行への影響度合いを示す。認知機能が低下している又は認知機能の低下の兆候が現れた人と、認知機能が低下していない人（健常者）とは、歩行時の体動が異なることが知られている。そのため、「認知」における影響度合いは、例えば、歩行パラメータに基づいて、算出可能である。なお、認知機能とは、認識したり、記憶したり、判断したりする能力を示す。
　以下では、認知機能の分析方法（評価方法）の一例について説明する。なお、認知機能の分析方法は、以下に限定されない。
　要因分析部２３は、歩行パラメータに頭部の位置が含まれる場合、例えば、頭部の変位を周波数分析する。要因分析部２３は、頭部の変位（例えば、図１１に示す頭部の位置の時間変化を示す信号）を離散フーリエ変換する。つまり、要因分析部２３は、体の変位を示す信号を時間領域から周波数領域に変換する周波数変換処理を行う。なお、図１１は、被測定者５０の歩行時の体の上下方向における変位を示す図である。また、頭部の変位は、重心の位置の一例であり、例えば、算出部２１により算出される。
　被測定者５０の認知機能が正常であれば、図１２に示されるような分析結果が得られ、被測定者５０の認知機能が低下している場合には、図１３に示されるような分析結果が得られる。図１２は、被測定者５０の認知機能が正常である場合の周波数分析結果を示す図であり、図１３は、被測定者５０の認知機能が低下している場合の周波数分析結果を示す図である。
　図１２及び図１３に示される分析結果のそれぞれにおいて、最も周波数の低いピーク（最もレベルの高いピーク）は、歩行の周期を示す周波数ピークである。言い換えれば、最も周波数の低いピークは、主周波数成分である。被測定者５０の認知機能が正常であれば、被測定者５０は、一定の周期で歩くことができる。このため、図１２では図１３に比べて歩行の周期を示す周波数ピークが尖っており、ピークレベルが高くなる。
　一方で、被測定者５０の認知機能が低下している場合には、被測定者５０は、一定の周期で歩くことが難しくなるため、歩行の周期のばらつきが多くなる。したがって、図１３では図１２に比べて歩行の周期を示す周波数ピークのピークレベルが低く、当該周波数ピークの裾が広がっている。
　そこで、要因分析部２３は、離散フーリエ変換によって得られる周波数分析により得られる被測定者５０の歩行の周期を示す周波数ピークに基づいて、被測定者５０の認知機能を分析する。例えば、要因分析部２３は、周波数ピークのピークレベルに基づいて、被測定者５０の認知機能を分析する。要因分析部２３は、ピークレベルが低いほど被測定者５０の認知機能が低下していると分析する。要因分析部２３は、例えば、ピークレベルが閾値（図１２及び図１３に図示）以上である場合には、認知機能が正常であると判定し、認知機能が正常であることを示すスコアを割り当てる。認知機能が正常であることを示すスコアは、予め設定されており、例えば、０点であってもよい。
　一方、要因分析部２３は、例えば、ピークレベルが閾値未満である場合には、認知機能が低下していると判定し、認知機能が低下していることを示すスコアを割り当てる。認知機能が低下していることを示すスコアは、予め設定されており、例えば、２点であってもよい。なお、閾値は、例えば、記憶部２４に記憶されていてもよい。
　図９を再び参照して、レコメンド判定部２５は、判定結果を示す情報を表示装置４０に出力する（Ｓ３２）。つまり、レコメンド判定部２５は、判定結果を表示装置４０に表示させる。レコメンド判定部２５が出力する判定結果は、第１判定結果の一例である。
　そして、推定装置２０は、動画像データ、歩行パラメータ、推定結果、及び、判定結果の少なくとも１つを記憶部２４に記憶させる（Ｓ３３）。レコメンド判定部２５は、判定結果を記憶部２４に記憶させてもよい。
　［２－３．効果など］
　以上のように、本実施の形態に係る要因推定システム１ａの要因分析部２３は、２以上の主成分を推定する。そして、要因推定システム１ａは、さらに、２以上の主成分に基づいて、転倒リスクを低減するための被測定者５０に対する介入方法を判定し、判定結果を出力するレコメンド判定部２５（第１判定部の一例）を備える。
　これにより、レコメンド判定部２５は、転倒リスクの要因に適した介入方法を介護者などに知らせることができる。また、要因推定システム１ａは、介護者などが転倒リスクの低減に関する知識等がない場合であっても、被測定者５０に適切な介入方法により転倒リスクの低減を行うことを促すことができる。
　また、レコメンド判定部２５は、２以上の主成分のうち、転倒リスクへの影響度合いが最も大きい主成分における影響度合いを低減するための介入方法を判定する。
　これにより、レコメンド判定部２５は、被測定者５０の転倒リスクを効果的に低減させること介入方法を出力することができる。
　（実施の形態３）
　以下、本実施の形態に係る要因推定システム１ｂについて、図１４～図１６Ｂを参照しながら説明する。本実施の形態に係る要因推定システム１ｂは、過去の時系列データに基づいて、転倒リスクに関する処理を行う点に特徴を有する。過去の時系列データとは、現在より以前に取得された時系列データであり、例えば、直近の１週間分の時系列データであってもよいし、直近の１ヶ月分の時系列データであてもよいし、直近の１年分の時系列データであってもよいし、その他であってもよい。
　なお、以下の説明では、実施の形態２との相違点を中心に説明し、実施の形態２と同様の構成については同一の符号を付し、説明を省略又は簡略化する場合がある。
　［３－１．要因推定システムの機能構成］
　本実施の形態に係る要因推定システム１ｂの機能構成について、図１４を参照しながら説明する。図１４は、本実施の形態に係る要因推定システム１ｂの機能構成を示すブロック図である。
　図１４に示すように、要因推定システム１ｂは、実施の形態２に係る要因推定システム１ａが備える推定装置２０ａに替えて推定装置２０ｂを備える。推定装置２０ｂは、実施の形態２に係る推定装置２０ａに加えて、解析部２６及びリスク判定部２７を有する。なお、推定装置２０ｂは、レコメンド判定部２５を有していなくてもよい。
　解析部２６は、過去の歩行時の体動に基づく情報を解析する。解析部２６は、例えば、統計処理により、転倒リスクに関する時系列データの時間的な変化を取得する。そして、解析部２６は、時系列データの時間的な変化を解析することで、時系列データの傾向を算出してもよいし、現時点における転倒リスクを判定するための閾値を算出してもよい。解析部２６は、例えば、ユーザの過去の転倒リスク値の時間的な変化を解析することで、当該ユーザにおける転倒リスク値に対する閾値を算出してもよい。
　なお、以下では、解析部２６は、転倒リスクに関する時系列データを解析する例について説明するが、これに限定されず、歩行パラメータ、要因の主成分（例えば、筋力）、判定結果の少なくとも１つの時系列データを解析してもよい。リスク判定部２７は、解析部２６が要因の主成分の時系列データを解析することで、例えば、筋力の転倒リスクへの影響度合いが低下しているか、つまり介入方法に基づくメニューにより転倒リスクが低減しているか否かを判定することができる。
　リスク判定部２７は、解析部２６の解析結果に基づいて、被測定者５０の転倒リスクを判定する。リスク判定部２７は、過去の歩行時の体動に基づく情報の少なくとも１つの時系列データに基づいて、被測定者５０の転倒リスクを判定する。リスク判定部２７は、例えば、解析部２６が当該被測定者５０における転倒リスク値の閾値を算出する場合、現時点の転倒リスクが閾値を超えているか否かに応じて、当該ユーザの転倒リスクがあるか否かを判定してもよい。つまり、解析部２６は、現時点の歩行時の体動に基づく情報の閾値を設定するために、過去の時系列データを用いてもよい。
　これにより、リスク判定部２７は、例えば、被測定者５０において、急激に転倒リスク値が上昇した場合に、当該上昇に応じた判定を行うことができる。
　また、リスク判定部２７は、有線通信又は無線通信を行う通信モジュール（通信回路）を含んで構成されてもよい。この場合、リスク判定部２７は、表示装置４０と通信可能であればよく、リスク判定部２７の通信方式（通信規格、通信プロトコル）は、特に限定されない。
　［３－２．要因推定システムの動作］
　次に、本実施の形態に係る要因推定システム１ｂの動作について、図１５～図１６Ｂを参照しながら説明する。図１５は、本実施の形態に係る要因推定システム１ｂにおける動作を示すフローチャートである。
　図１５に示すように、解析部２６は、歩行パラメータ、転倒リスク、推定結果、及び、判定結果の少なくとも１つの時系列データを取得する（Ｓ４１）。解析部２６は、例えば、当該時系列データを記憶部２４から読み出すことで取得する。
　次に、解析部２６は、時系列データを解析する（Ｓ４２）。解析部２６は、例えば、ステップＳ４１において、歩行速度を含む歩行パラメータを取得した場合、所定時点の歩行速度を基準とした歩行速度の変化度合いを示す情報を算出してもよい。変化度合いは、例えば、所定時点の歩行速度と所定時点以外の歩行速度との差分であってもよいし、比率であってもよい。
　また、解析部２６は、例えば、ステップＳ４１において、転倒リスク値を含む転倒リスクを取得した場合、所定時点の転倒リスク値を基準とした転倒リスク値の変化度合いを示す情報を算出してもよい。変化度合いは、例えば、所定時点の転倒リスク値と所定時点以外の転倒リスク値との差分であってもよいし、比率であってもよい。
　また、解析部２６は、例えば、ステップＳ４１において、主成分の影響度合い（例えば、図１０に示す割合）を取得した場合、主成分ごとに割合の変化の傾向を算出してもよい。解析部２６は、例えば、当該傾向を示す折れ線グラフを生成してもよい。
　また、解析部２６は、例えば、ステップＳ４１において、介入方法を含む判定結果を取得した場合、介入方法の変化の傾向を算出してもよい。解析部２６は、例えば、所定期間において複数の介入方法のそれぞれの提案された回数を算出してもよい。
　また、解析部２６は、上記の数値（例えば、変化度合い、転倒リスク値、影響度合い、回数）に関する統計処理を行ってもよい。統計処理において算出される統計値は、例えば、平均値であるが、最大値、最小値、中央値、バラつきを示す数値（例えば、標準偏差）などであってもよい。
　解析部２６は、解析結果をリスク判定部２７に出力する。
　リスク判定部２７は、解析結果に基づいて、転倒リスクに関する判定処理を実行する（Ｓ４３）。リスク判定部２７は、時系列データに基づいて、転倒リスクに関する判定処理を実行するともいえる。リスク判定部２７は、例えば、図１６Ａ及び図１６Ｂに示す判定処理の少なくとも一方を実行する。図１６Ａは、本実施の形態に係るリスク判定部２７における動作の一例を示すフローチャートである。図１６Ａは、ステップＳ４１で歩行パラメータの時系列データを取得した場合のフローチャートを示す。
　図１６Ａに示すように、リスク判定部２７は、歩行パラメータの変化が所定値以上であるか否かを判定する（Ｓ１０１）。リスク判定部２７は、例えば、歩行速度の変化が所定値以上であるか否かを判定する。リスク判定部２７は、例えば、歩行速度が所定値以上低下したか否かを判定する。
　リスク判定部２７は、歩行パラメータの変化が所定値以上である場合（Ｓ１０１でＹｅｓ）、転倒リスクが高まっていると判定する（Ｓ１０２）。また、リスク判定部２７は、歩行パラメータの変化が所定値未満である場合（Ｓ１０１でＮｏ）、転倒リスクの変化が小さいと判定する（Ｓ１０３）。また、リスク判定部２７は、例えば、歩行パラメータが所定の変化である場合、転倒リスクが低下していると判定してもよい。なお、所定の変化は、例えば、当該歩行パラメータにおける最適値に近づく変化であってもよい。
　これにより、要因推定システム１ｂは、介護者等に、被測定者５０の転倒リスクの変化傾向を知らせることができる。
　次に、リスク判定部２７における動作の他の一例について、図１６Ｂを参照しながら説明する。図１６Ｂは、本実施の形態に係るリスク判定部２７における動作の他の一例を示すフローチャートである。図１６Ｂは、ステップＳ４１で推定結果の時系列データを取得した場合のフローチャートを示す。
　図１６Ｂに示すように、リスク判定部２７は、推定結果における所定の主成分の割合が低下したか否かを判定する（Ｓ２０１）。リスク判定部２７は、例えば、推定結果における「筋力」の割合が低下したか否かを判定する。所定の主成分は、例えば、複数の主成分のうち、転倒リスクへの影響度合いが最も高かったことが所定期間内において１回以上ある主成分であるとよい。
　リスク判定部２７は、所定の主成分の割合が低下した場合（Ｓ２０１でＹｅｓ）、介入方法による改善効果がみられると判定する（Ｓ２０２）。また、リスク判定部２７は、所定の主成分の割合が低下していない場合（Ｓ２０１でＮｏ）、介入方法による改善効果がみられないと判定する（Ｓ２０３）。なお、リスク判定部２７は、所定の主成分が所定割合以上低下した場合に、ステップＳ２０１でＹｅｓと判定してもよい。
　図１５を再び参照して、次に、リスク判定部２７は、判定結果を示す情報を生成し（Ｓ４４）、生成した判定結果を示す情報を表示装置４０に出力する（Ｓ４５）。つまり、リスク判定部２７は、判定結果を表示装置４０に表示させる。
　これにより、要因推定システム１ｂは、介護者等に、介入方法による改善効果を知らせることができる。
　なお、要因推定システム１が上記動作を実行するタイミングは特に限定されず、定期的に実行されてもよい。
　［３－３．効果など］
　以上のように、本実施の形態に係る要因推定システム１ｂは、さらに、２以上の歩行パラメータ、推定結果、及び、リスク分析部２２の判定結果の少なくとも１つの時系列データに基づいて、転倒リスクを判定するリスク判定部２７（第３判定部の一例）を備える。
　これにより、リスク判定部２７は、２以上の歩行パラメータ、推定結果、及び、リスク分析部２２の判定結果の経時的な変化に基づいて転倒リスクを判定することができるので、転倒リスクの早期発見が可能となる。
　（その他の実施の形態）
　以上、各実施の形態（以降において、実施の形態等とも記載する）について説明したが、本開示は、上記実施の形態等に限定されるものではない。
　例えば、上記実施の形態等では、推定装置は、計測装置、入力装置、及び、表示装置を有していない、つまり、算出装置と、計測装置、入力装置、及び、表示装置とは、別体である例について説明したが、これに限定されない。推定装置は、計測装置、入力装置、及び、表示装置の少なくとも１つの機能を有していてもよい。この場合、計測装置は推定装置の一部である計測部として機能し、入力装置は推定装置の一部である入力部として機能し、表示装置は推定装置の一部である表示部として機能する。例えば、要因推定システムは、１つの装置により構成されてもよい。
　また、上記実施の形態等において、要因推定システムにおける推定装置は、単一の装置によって実現される例について説明したが、複数の装置によって実現されてもよい。例えば、推定装置は、１つのサーバ装置で実現されてもよいし、３以上のサーバ装置で実現されてもよい。要因推定システムが複数のサーバ装置によって実現される場合、当該推定装置が備える構成要素は、複数のサーバ装置にどのように振り分けられてもよい。
　また、上記実施の形態等において、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。
　また、上記実施の形態等において、特定の処理部が実行する処理を別の処理部が実行してもよい。また、上記実施の形態のフローチャートで説明された処理の順序は、一例である。複数の処理の順序が変更されてもよいし、複数の処理が並行して実行されてもよい。
　また、上記実施の形態等において、各構成要素は、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。
　また、各構成要素は、ハードウェアによって実現されてもよい。例えば、各構成要素は、回路（または集積回路）でもよい。これらの回路は、全体として１つの回路を構成してもよいし、それぞれ別々の回路でもよい。また、これらの回路は、それぞれ、汎用的な回路でもよいし、専用の回路でもよい。
　また、ブロック図における機能ブロックの分割は一例であり、複数の機能ブロックを１つの機能ブロックとして実現したり、１つの機能ブロックを複数に分割したり、一部の機能を他の機能ブロックに移してもよい。また、類似する機能を有する複数の機能ブロックの機能を単一のハードウェア又はソフトウェアが並列又は時分割に処理してもよい。
　また、本開示の包括的または具体的な態様は、システム、方法、集積回路、コンピュータプログラムまたはコンピュータ読み取り可能なＣＤ－ＲＯＭなどの記録媒体で実現されてもよい。また、本開示の包括的または具体的な態様は、システム、方法、集積回路、コンピュータプログラムまたは記録媒体の任意な組み合わせで実現されてもよい。
　その他、各実施の形態に対して当業者が思いつく各種変形を施して得られる形態、又は、本開示の趣旨を逸脱しない範囲で各実施の形態における構成要素及び機能を任意に組み合わせることで実現される形態も本開示に含まれる。
　１、１ａ、１ｂ　　要因推定システム
　２１　　算出部
　２２　　リスク分析部（第２判定部）
　２３　　要因分析部（推定部）
　２５　　レコメンド判定部（第１判定部）
　２７　　リスク判定部（第３判定部）
　５０　　被測定者
　Ｄ１　　第１対応情報
　Ｄ２　　第２対応情報

Claims (9)

  1. 　被測定者の転倒の可能性を示す転倒リスクの要因を推定する要因推定システムであって、
    　前記被測定者の歩行時における体動を示す体動データを取得し、取得された前記体動データに基づいて、前記被測定者の２以上の歩行パラメータを算出する算出部と、
    　前記２以上の歩行パラメータに基づいて、前記被測定者の前記転倒リスクの要因に含まれる１以上の主成分であって、前記２以上の歩行パラメータに基づく１以上の主成分を推定し、推定結果を出力する推定部とを備える
    　要因推定システム。
  2. 　前記推定部は、体力指標と前記転倒リスクとの関係を示す情報、及び、前記体力指標と前記２以上の歩行パラメータとの関係を示す情報に基づいて、前記１以上の主成分を推定する
    　請求項１に記載の要因推定システム。
  3. 　前記推定部は、２以上の主成分を推定し、
    　さらに、前記２以上の主成分に基づいて、転倒リスクを低減するための前記被測定者に対する介入方法を判定し、判定結果を出力する第１判定部を備える
    　請求項１又は２に記載の要因推定システム。
  4. 　前記第１判定部は、前記２以上の主成分のうち、前記転倒リスクへの影響度合いが最も大きい主成分における影響度合いを低減するための前記介入方法を判定する
    　請求項３に記載の要因推定システム。
  5. 　さらに、前記２以上の歩行パラメータに基づいて、前記被測定者の転倒リスクを判定する第２判定部を備え、
    　前記推定部は、前記第２判定部が前記被測定者を転倒リスクがあると判定した場合、前記２以上の主成分を推定する
    　請求項１～４のいずれか１項に記載の要因推定システム。
  6. 　さらに、前記２以上の歩行パラメータ、前記推定結果、及び、前記第２判定部の判定結果の少なくとも１つの時系列データに基づいて、前記転倒リスクを判定する第３判定部を備える
    　請求項５に記載の要因推定システム。
  7. 　前記１以上の主成分は、筋力、筋量、バランス、認知機能の少なくとも１つを含む
    　請求項１～６のいずれか１項に記載の要因推定システム。
  8. 　前記２以上の歩行パラメータは、歩行速度、歩幅、関節角度、及び、腰の変位の少なくとも２つを含む
    　請求項１～７のいずれか１項に記載の要因推定システム。
  9. 　被測定者の転倒の可能性を示す転倒リスクの要因を推定する要因推定方法であって、
    　前記被測定者の歩行時における体動を示す体動データを取得し、
    　取得された前記体動データに基づいて、前記被測定者の２以上の歩行パラメータを算出し、
    　前記２以上の歩行パラメータに基づいて、前記被測定者の前記転倒リスクの要因に含まれる１以上の主成分であって、前記２以上の歩行パラメータに基づく１以上の主成分を推定し、推定結果を出力する
    　要因推定方法。
PCT/JP2020/029157 2019-09-13 2020-07-29 要因推定システム、及び、要因推定方法 WO2021049196A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202080046399.0A CN114080631A (zh) 2019-09-13 2020-07-29 原因推断系统及原因推断方法
US17/632,781 US20220257148A1 (en) 2019-09-13 2020-07-29 Factor estimation system and factor estimation method
JP2021545157A JP7122696B2 (ja) 2019-09-13 2020-07-29 要因推定システム、及び、要因推定方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019167171 2019-09-13
JP2019-167171 2019-09-13

Publications (1)

Publication Number Publication Date
WO2021049196A1 true WO2021049196A1 (ja) 2021-03-18

Family

ID=74865691

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/029157 WO2021049196A1 (ja) 2019-09-13 2020-07-29 要因推定システム、及び、要因推定方法

Country Status (4)

Country Link
US (1) US20220257148A1 (ja)
JP (1) JP7122696B2 (ja)
CN (1) CN114080631A (ja)
WO (1) WO2021049196A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023127007A1 (ja) * 2021-12-27 2023-07-06 日本電気株式会社 筋力指標推定装置、筋力指標推定システム、筋力指標推定方法、および記録媒体

Families Citing this family (1)

* 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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002345786A (ja) * 2001-05-29 2002-12-03 Nippon Telegr & Teleph Corp <Ntt> 転倒予防指導支援システム及び転倒予防指導支援方法
JP2008229266A (ja) * 2007-03-23 2008-10-02 Aisin Seiki Co Ltd 歩行能力からの運動機能向上メニュー提案システム及び歩行能力からの運動機能向上メニュー提案方法
JP2009261595A (ja) * 2008-04-24 2009-11-12 Aisin Seiki Co Ltd 歩行解析及び運動メニュー提案システム
JP2015062654A (ja) * 2013-08-28 2015-04-09 日本電信電話株式会社 歩容推定装置とそのプログラム、転倒危険度算出装置とそのプログラム
JP2016073525A (ja) * 2014-10-08 2016-05-12 学校法人早稲田大学 動的バランス能力評価装置及びそれを用いた歩行訓練システム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002345786A (ja) * 2001-05-29 2002-12-03 Nippon Telegr & Teleph Corp <Ntt> 転倒予防指導支援システム及び転倒予防指導支援方法
JP2008229266A (ja) * 2007-03-23 2008-10-02 Aisin Seiki Co Ltd 歩行能力からの運動機能向上メニュー提案システム及び歩行能力からの運動機能向上メニュー提案方法
JP2009261595A (ja) * 2008-04-24 2009-11-12 Aisin Seiki Co Ltd 歩行解析及び運動メニュー提案システム
JP2015062654A (ja) * 2013-08-28 2015-04-09 日本電信電話株式会社 歩容推定装置とそのプログラム、転倒危険度算出装置とそのプログラム
JP2016073525A (ja) * 2014-10-08 2016-05-12 学校法人早稲田大学 動的バランス能力評価装置及びそれを用いた歩行訓練システム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023127007A1 (ja) * 2021-12-27 2023-07-06 日本電気株式会社 筋力指標推定装置、筋力指標推定システム、筋力指標推定方法、および記録媒体

Also Published As

Publication number Publication date
JPWO2021049196A1 (ja) 2021-03-18
CN114080631A (zh) 2022-02-22
JP7122696B2 (ja) 2022-08-22
US20220257148A1 (en) 2022-08-18

Similar Documents

Publication Publication Date Title
US20210153759A1 (en) Health risk indicator determination
JP6236862B2 (ja) 老年障害リスクの算出方法
JP5310542B2 (ja) 運動状態検出装置、運動状態検出プログラム、運動状態検出方法
JP6881451B2 (ja) 歩行状態判定装置、歩行状態判定システム、歩行状態判定方法及びプログラム
WO2021049196A1 (ja) 要因推定システム、及び、要因推定方法
JP6433805B2 (ja) 運動機能診断装置及び方法、並びにプログラム
JP2010005033A (ja) 歩行動作分析装置
JP6127455B2 (ja) 歩行年齢評価方法
JP2017202236A (ja) 歩行分析方法及び歩行分析装置
JP5303712B2 (ja) 下肢協調性評価システム
US10376212B2 (en) Muscle fatigue output device, muscle fatigue output method, and recording medium
US20210321906A1 (en) Walk evaluation system, walk evaluation method, and program, storage medium, portable terminal, and server therefor
Sherwood et al. Reliability and validity of the sit-to-stand as a muscular power measure in older adults
Scataglini et al. Smart clothing for monitoring gait
JP6738250B2 (ja) 歩行分析方法及び歩行分析装置
Guimarães et al. Phone based fall risk prediction
JP6079585B2 (ja) 歩容のバランス評価装置
TW201918225A (zh) 步態分析方法與系統
JP6552875B2 (ja) 移動運動解析装置、方法及びプログラム
JP6303746B2 (ja) 歩行目標の設定方法
CN113040752A (zh) 一种基于心率的运动量监测方法和系统
JP2003111752A (ja) 消費エネルギー算出装置
JP6738249B2 (ja) 歩行分析方法及び歩行分析装置
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
WO2023079942A1 (ja) 下肢制御能力測定装置、下肢制御能力測定システム、下肢制御能力測定プログラム、下肢制御能力測定プログラムを記録したコンピュータ読み取り可能な記録媒体、及び下肢制御能力測定方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20863453

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021545157

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20863453

Country of ref document: EP

Kind code of ref document: A1