WO2022024900A1 - 行動状態推定装置、行動状態推定方法、行動状態学習装置、および、行動状態学習方法 - Google Patents

行動状態推定装置、行動状態推定方法、行動状態学習装置、および、行動状態学習方法 Download PDF

Info

Publication number
WO2022024900A1
WO2022024900A1 PCT/JP2021/027255 JP2021027255W WO2022024900A1 WO 2022024900 A1 WO2022024900 A1 WO 2022024900A1 JP 2021027255 W JP2021027255 W JP 2021027255W WO 2022024900 A1 WO2022024900 A1 WO 2022024900A1
Authority
WO
WIPO (PCT)
Prior art keywords
measurement data
behavioral state
muscle
behavioral
displacement
Prior art date
Application number
PCT/JP2021/027255
Other languages
English (en)
French (fr)
Inventor
龍彦 松本
敦士 内藤
直樹 河原
泰 ▲高▼丸
Original Assignee
株式会社村田製作所
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 株式会社村田製作所 filed Critical 株式会社村田製作所
Priority to JP2021574987A priority Critical patent/JP7047991B1/ja
Priority to CN202180050002.XA priority patent/CN115916047A/zh
Publication of WO2022024900A1 publication Critical patent/WO2022024900A1/ja
Priority to US18/156,565 priority patent/US20230148906A1/en

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
    • A61B5/1107—Measuring contraction of parts of the body, e.g. organ, muscle
    • 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
    • A61B5/1101—Detecting tremor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
    • A61B5/4519—Muscles
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches

Definitions

  • the present invention relates to a technique for estimating a behavioral state including a muscle load state from a tremor detection result, and a behavioral state model generation technique (behavioral state learning technique) for this estimation technique.
  • Patent Document 1 describes a behavioral state estimation device and the like.
  • the behavioral state estimation device described in Patent Document 1 converts the measurement signal of the displacement detection sensor into a frequency component.
  • the behavioral state estimation device described in Patent Document 1 estimates the behavioral state from the components of a predetermined frequency band.
  • Patent Document 1 it is necessary to convert the measurement signal of the sensor into a frequency component. Therefore, the processing load for generating the estimation signal increases.
  • an object of the present invention is to provide a behavioral state estimation technique that suppresses a processing load while achieving a desired estimation accuracy.
  • the behavioral state estimation device of the present invention includes a first sampling unit, a behavioral state model storage unit, and an estimation calculation unit.
  • the first sampling unit samples the displacement measurement signal within a predetermined time and generates displacement measurement data.
  • the behavioral state model storage unit stores a behavioral state model modeled by associating the displacement measurement data with the desired muscle load state.
  • the estimation calculation unit estimates the load state using the behavior state model using the displacement measurement data as an input vector.
  • the load state is estimated by directly using the displacement measurement data.
  • the processing load can be suppressed while achieving the desired estimation accuracy.
  • FIG. 1 is a functional block diagram of the behavioral state estimation device according to the first embodiment of the present invention.
  • FIG. 2 is a table showing an example of setting the importance according to the first embodiment.
  • FIG. 3 is a flowchart showing the main processing of the behavioral state estimation method according to the first embodiment of the present invention.
  • FIG. 4 is a functional block diagram of the behavioral state learning device according to the first embodiment of the present invention.
  • FIG. 5 is a flowchart showing the main processing of the behavioral state learning method according to the first embodiment of the present invention.
  • 6 (A) shows an example of time change of signal strength
  • FIG. 6 (B) shows a signal strength distribution
  • FIG. 6 (C) shows strength block data.
  • FIG. 7 is a table showing an example of setting the importance according to the second embodiment.
  • FIG. 8 (A) shows an example of time change of signal strength
  • FIG. 8 (B) shows strength block data (mean value)
  • FIG. 8 (C) shows strength block data (integrated value).
  • FIG. 9 is a functional block diagram of the behavioral state estimation device according to the third embodiment of the present invention.
  • 10 (A) and 10 (B) are tables showing an example of setting the importance according to the third embodiment.
  • FIG. 11 is a flowchart showing the main processing of the behavioral state estimation method according to the third embodiment of the present invention.
  • FIG. 12 is a functional block diagram of the behavioral state learning device according to the third embodiment of the present invention.
  • FIG. 13 is a flowchart showing the main processing of the behavioral state learning method according to the third embodiment of the present invention.
  • FIG. 14 (A) and 14 (B) are tables showing an example of setting the importance according to the fourth embodiment.
  • FIG. 15 is a flowchart showing the main processing of the behavioral state learning method according to the fifth embodiment of the present invention.
  • FIG. 16 is a diagram showing the concept of synchronization.
  • FIG. 17 is a functional block diagram of the behavioral state estimation device according to the sixth embodiment of the present invention.
  • FIG. 18A is a diagram showing an example of a waveform and a time range setting for explaining the importance of the time range
  • FIG. 18B is a table showing an example of the importance setting by the time range. be.
  • FIG. 19 is a flowchart showing the main processing of the behavioral state estimation method according to the sixth embodiment of the present invention.
  • FIG. 19 is a flowchart showing the main processing of the behavioral state estimation method according to the sixth embodiment of the present invention.
  • FIG. 20 is a functional block diagram of the behavioral state learning device according to the sixth embodiment of the present invention.
  • FIG. 21 is a flowchart showing the main processing of the behavioral state learning method according to the sixth embodiment of the present invention.
  • FIG. 22 is a functional block diagram of the behavioral state estimation device according to the seventh embodiment of the present invention.
  • FIG. 23 is a flowchart showing the main processing of the behavioral state estimation method according to the seventh embodiment of the present invention.
  • FIG. 24 is a functional block diagram of the behavioral state learning device according to the seventh embodiment of the present invention.
  • FIG. 25 is a flowchart showing the main processing of the behavioral state learning method according to the seventh embodiment of the present invention.
  • FIG. 1 is a functional block diagram of the behavioral state estimation device according to the first embodiment of the present invention.
  • the behavior state estimation device 10 includes a sampling unit 11, a statistic calculation unit 12, an estimation calculation unit 14, and a behavior state model storage unit 13.
  • Each functional unit constituting the behavior state estimation device 10 can be realized by an electronic circuit, an IC, a storage medium in which a program for executing the function of each functional unit is stored, and an arithmetic processing device (CPU or the like) for executing this program. be.
  • a displacement measurement signal is input to the sampling unit 11 from the displacement detection sensor 101.
  • the sampling unit 11 generates displacement measurement data by sampling the displacement measurement signal at a predetermined sampling frequency (for example, 100 Hz). That is, the sampling unit 11 generates the displacement measurement data without converting the displacement measurement signal into a frequency component.
  • the sampling unit 11 outputs the displacement measurement data to the statistic calculation unit 12.
  • the displacement detection sensor 101 is realized by a piezoelectric sensor, an acceleration sensor, or the like.
  • the displacement detection sensor 101 does not need to be arranged at the position of the muscle for which the load state is estimated, and may be arranged at the position where the tremor generated by the estimation target muscle can be measured. Further, the displacement detection sensor 101 may be one sensor arranged at one place or a plurality of sensors arranged at a plurality of places.
  • the displacement detection sensor 101 generates and outputs a displacement measurement signal.
  • the displacement measurement signal is a signal obtained by converting the displacement of the skin surface caused by tremor and deformation into a voltage.
  • the tremor in the present invention referred to here is, for example, an involuntary movement showing rhythmic muscle activity. That is, the tremor in the present invention is a fine and fast posture tremor seen in a normal person, and is called a physiological tremor, for example, a frequency of 8 Hz to 12 Hz.
  • the tremor seen in a diseased person such as a Parkinson's disease patient is pathological tremor, for example, 4 Hz to 7 Hz, which is not the subject of tremor in the present invention.
  • pathological tremor for example, 4 Hz to 7 Hz, which is not the subject of tremor in the present invention.
  • myoelectricity For example, tremor can be detected (measured) without being directly attached to the surface (skin, etc.) of the detected body such as a human body. By detecting tremor, muscle expansion and contraction can be detected. By detecting tremor, changes associated with muscle fatigue can be detected.
  • the statistic calculation unit 12 calculates the statistic from the displacement measurement data.
  • the statistic calculation unit 12 calculates a statistic from a plurality of displacement measurement data within a predetermined period (for example, 1 second).
  • the types of statistics include, for example, mean, maximum, minimum, median, 1%, 5%, 25%, 75%, 95%, 99%, variance, and skewness. Values, kurtosis values, integrated values, etc. are used. The type of statistic is not limited to this, and may be any other statistic as long as it can be obtained from time-series displacement measurement data.
  • the statistic calculation unit 12 calculates a plurality of types of statistics from these.
  • the x% value refers to a value located at x%, counting from the minimum value in ascending order, among a plurality of displacement measurement data within the period.
  • the statistic calculation unit 12 outputs the calculated plurality of types of statistics to the estimation calculation unit 14.
  • the behavior state model storage unit 13 stores the behavior state model.
  • the behavioral state model the relationship between various statistics of displacement measurement data and the load state of the muscle to be estimated is set.
  • the behavioral state model is generated in advance by, for example, the behavioral state learning device 20 described later, and is stored in the behavioral state model storage unit 13.
  • the estimation calculation unit 14 uses the behavior state model stored in the behavior state model storage unit 13 and estimates the load state of the muscle to be estimated by using a plurality of statistics as input vectors. At this time, the estimation calculation unit 14 sets the importance of the statistic used for estimation according to the muscle to be estimated. This importance is set, for example, in the behavioral state model.
  • FIG. 2 is a table showing an example of setting the importance according to the first embodiment.
  • Muscle M1, muscle M2, muscle M3, and muscle M4 indicate the type of muscle whose load state can be estimated from the measured displacement.
  • the displacement detection sensor 101 is arranged at the place where the tendons of the ankle are gathered, more specifically, the anterior anterior and the posterior anterior, the muscle M1, the muscle M2, the muscle M3, and the muscle M4 are soleus.
  • Muscles, gastrocnemius muscles, tibialis anterior muscles, quadruped femoral muscles, hamstrings, etc. can be set.
  • each of the statistics A1 to A15 has the above-mentioned various statistics (mean value, maximum value, minimum value, median value, 1% value, 5% value, 25% value, 75% value, 95% value, respectively. Any of 99% value, dispersion value, skewness value, kurtosis value, integrated value, etc.) is set for each.
  • the importance to estimation is ranked first, second, and third in the order of statistic A1, statistic A2, statistic A8, statistic A12, and statistic A7. It is set in the order of 4th and 5th.
  • the importance of estimation is 1st, 2nd, 3rd, 4th, and 5th in the order of statistic A3, statistic A5, statistic A2, statistic A14, and statistic A15. It is set in the order of rank.
  • the importance is set with respect to the statistic as shown in FIG.
  • the estimation calculation unit 14 estimates the muscle load state (for example, myoelectric potential value) from a plurality of statistics using the importance set according to the muscle.
  • the muscle load state is not limited to the myoelectric potential value, and may be any other as long as it is expressed as a value.
  • the estimation calculation unit 14 calculates the estimation result of the load state for each statistic estimated from each of the statistics having the importance of 1st to 5th and the behavioral state model. Then, the estimation calculation unit 14 calculates the final load state estimation result by weighting each estimation result according to the importance and performing, for example, addition averaging.
  • the number of statistics used by the estimation calculation unit 14 for estimation is not limited to this. For example, the estimation operation may be performed from the statistics having the importance of 1st to 10th.
  • the estimation calculation unit 14 estimates the load state by using the statistic and the importance corresponding to this muscle. On the other hand, if there are a plurality of types of muscles to be estimated, the estimation calculation unit 14 sets a statistic and an importance for each muscle, and estimates the load state for each muscle.
  • the behavioral state estimation device 10 can estimate the muscle load state without performing a process of converting the measurement data into a frequency component. As a result, the behavioral state estimation device 10 can suppress the processing load while achieving the desired estimation accuracy.
  • the behavioral state estimation device 10 individually sets the type and importance of the statistic used for estimation for each muscle to be estimated. As a result, the behavioral state estimation device 10 can estimate the muscle load state with higher accuracy.
  • the behavior state estimation device 10 can estimate the load state of this muscle even if the position of the displacement detection sensor 101 is not the position of the muscle to be estimated. As a result, the behavioral state estimation device 10 also loads muscles that are not exposed on the body surface and muscles whose myoelectric potential cannot be directly measured (for example, muscles that are far from the position where the displacement detection sensor 101 is arranged). The state can be estimated.
  • the behavioral state estimation device 10 can be used for the femoral quadrilateral muscle, the hamstrings (femoral bilateral muscle, semimembranous muscle, half tendon-like muscle, and tibialis anterior muscle), and the anterior tibialis anterior muscle. It is possible to estimate the load state of muscles, abdominal muscles, soleus muscles, and large gluteal muscles.
  • the behavioral state estimation device 10 can estimate the interlocking state of a plurality of muscles.
  • the displacement detection sensor 101 can be easily arranged, and the work for estimating the load state becomes easy.
  • the behavior state estimation system including the sensor and the behavior state estimation device can be miniaturized.
  • the behavior state estimation device 10 can commonly use the displacement measurement signal of the displacement detection sensor 101 to estimate the load state of a plurality of muscles with high accuracy.
  • the load state can be estimated as a value instead of a class.
  • the behavior state estimation device 10 can present and manage a more accurate load state, and can give a more appropriate notification to the subject.
  • FIG. 3 is a flowchart showing the main processing of the behavioral state estimation method according to the first embodiment of the present invention. Since the specific contents of each process are described by the above-mentioned explanation of the configuration, they will be schematically described below.
  • the behavior state estimation device 10 inputs a displacement measurement signal (S11).
  • the behavior state estimation device 10 executes sampling on the displacement measurement signal and generates displacement measurement data (S12).
  • the behavior state estimation device 10 calculates a statistic from the displacement measurement data (S13).
  • the behavior state estimation device 10 acquires a behavior state model (S14).
  • the behavioral state estimation device 10 estimates the load state using the behavioral state model using the statistic as an input vector (S15).
  • the above-mentioned processing may be programmed, stored in a storage medium or the like, and executed by an arithmetic processing unit such as a CPU.
  • FIG. 4 is a functional block diagram of the behavioral state learning device according to the first embodiment of the present invention.
  • the behavior state learning device 20 includes a sampling unit 11, a statistic calculation unit 12, a behavior state model storage unit 13, a sampling unit 21, a modeling reference value calculation unit 22, and a learning calculation unit 24. Be prepared.
  • the sampling unit 11, the statistic calculation unit 12, and the behavioral state model storage unit 13 are as described above, and the description thereof will be omitted.
  • a muscle activity measurement signal (for example, a myoelectric potential signal) is input to the sampling unit 21 from the muscle activity detection sensor 102.
  • the sampling unit 21 generates muscle activity measurement data by sampling the muscle activity measurement signal at a predetermined sampling frequency (for example, 100 Hz).
  • the sampling unit 21 outputs the muscle activity measurement data to the modeling reference value calculation unit 22.
  • the muscle activity detection sensor 102 is a sensor capable of measuring muscle activity, and is, for example, a myoelectric sensor (myoelectric potential meter).
  • the muscle activity detection sensor 102 is arranged at the position of the muscle that estimates the load state. More specifically, the muscle activity detection sensor 102 is arranged at the position of the muscle that causes the muscle activity that causes tremor, which is measured by the muscle activity detection sensor 102.
  • the muscle activity detection sensor 102 detects muscle activity, generates a muscle activity measurement signal, and outputs the signal.
  • the muscle activity detection sensor 102 may be one sensor arranged for one type of muscle, or may be a plurality of sensors arranged for each of a plurality of types of muscles for each muscle.
  • the modeling reference value calculation unit 22 calculates the modeling reference value from the muscle activity measurement data. For example, the modeling reference value calculation unit 22 calculates the absolute average value of the muscle activity measurement data within a predetermined period as the modeling reference value.
  • the absolute average value is the average value of the absolute values of the measured data.
  • the modeling reference value is not limited to the absolute mean value, and is a regressible value, for example, an average value, a maximum value, a minimum value, a median value, a 1% value, a 5% value, a 25% value, and a 75% value. A value, a 95% value, a 99% value, a variance value, a skewness value, a kurtosis value, and the like can also be used. Furthermore, the modeling reference value can also represent a class such as large, medium, or small load that can be classified from the muscle activity measurement data.
  • the modeling reference value calculation unit 22 outputs the modeling reference value to the learning calculation unit 24.
  • the learning calculation unit 24 performs learning using the statistic and the modeling reference value, and generates a behavioral state model. More specifically, for example, the learning calculation unit 24 performs learning using a gradient boosting method using a decision tree algorithm with a statistic as an explanatory variable and a modeling reference value as an objective variable. The learning calculation unit 24 repeats this learning, and when a predetermined inference accuracy is obtained, the learning calculation unit 24 generates a behavioral state model using this result.
  • the learning method is not limited to gradient boosting, and a similar method such as boosting represented by a method such as AdaBoost may be used. Further, as other learning methods, SVM, GMM, HMM, neural network, learning Bayesian network and the like may be used. Further, an ensemble method may be used in which a plurality of learning devices are used in the learning calculation unit 24, the results of the plurality of learning devices are weighted, and then a majority vote is taken.
  • the behavioral state learning device 20 can appropriately set the behavioral state model.
  • FIG. 5 is a flowchart showing the main processing of the behavioral state learning method according to the first embodiment of the present invention. Since the specific contents of each process are described by the above-mentioned explanation of the configuration, they will be schematically described below.
  • the behavior state learning device 20 inputs a displacement measurement signal (S21).
  • the behavioral state learning device 20 performs sampling on the displacement measurement signal and generates displacement measurement data (S22).
  • the behavioral state learning device 20 calculates a statistic from the displacement measurement data (S23).
  • the behavioral state learning device 20 inputs a muscle activity measurement signal (S31).
  • the behavior state learning device 20 device performs sampling on the muscle activity measurement signal and generates muscle activity measurement data (S32).
  • the behavioral state learning device 20 calculates a modeling reference value from the muscle activity measurement data (S33).
  • the behavioral state learning device 20 executes learning using the statistic and the modeling reference value, and generates a behavioral state model (S41).
  • the above-mentioned processing may be programmed, stored in a storage medium or the like, and executed by an arithmetic processing unit such as a CPU.
  • a relatively large-scale myoelectric potential measurement such as a myoelectric potential meter is performed during learning.
  • a highly accurate behavioral state model can be generated, and during actual use (when using the behavioral state estimation device 10), it is necessary to use a relatively large-scale myoelectric potential measuring means such as a myoelectric potential meter.
  • the load state can be estimated (measured) with a simple configuration and less burden on the subject.
  • the behavioral state estimation technique and the behavioral state model generation technique according to the second embodiment of the present invention will be described with reference to the drawings.
  • the behavioral state estimation technique according to the second embodiment is different from the behavioral state estimation technique shown in the first embodiment in the method of calculating the statistic.
  • 6 (A) shows an example of time change of signal strength
  • FIG. 6 (B) shows a signal strength distribution
  • FIG. 6 (C) shows strength block data.
  • the statistic calculation unit 12 calculates the signal intensity distribution from the displacement measurement data within a predetermined period.
  • the signal strength distribution is a arrangement of displacement measurement data within a predetermined period in descending order of signal strength. For example, as shown in FIG. 6A, when the statistic calculation unit 12 obtains the signal strength from time t1 to time t100 set by a predetermined sampling period (sampling frequency), FIG. 6B shows. As shown, the ranks R1 to R100 are set in descending order of signal strength, and the ranks R1 are arranged in order from the rank R1 to the rank R100.
  • the statistic calculation unit 12 generates intensity block data from the signal intensity distribution and outputs this as a statistic. More specifically, the statistic calculation unit 12 sets strength blocks (signal strength blocks) for each predetermined number in descending order of signal strength with respect to the signal strength distribution. The statistic calculation unit 12 generates intensity block data by calculating an integrated value for each intensity block. For example, in the case of FIG. 6C, the statistic calculation unit 12 divides the measurement data into blocks of 10 pieces at a time. As an example, the statistic calculation unit 12 sets the signal strengths from the rank R1 to the rank R10 in the strength block B1 and calculates the integrated value of the signal strengths from the rank R1 to the rank R10. The statistic calculation unit 12 performs this process from the intensity block B1 to the intensity block B10 and outputs it as a statistic.
  • the statistic calculation unit 12 sets strength blocks (signal strength blocks) for each predetermined number in descending order of signal strength with respect to the signal strength distribution.
  • the statistic calculation unit 12 generates intensity block data by calculating an integrated value for each intensity block. For example
  • the estimation calculation unit 14 estimates the behavioral state using the statistic based on this signal intensity distribution. At this time, the estimation calculation unit 14 estimates the behavioral state using the importance.
  • FIG. 7 is a table showing an example of setting the importance according to the second embodiment. As shown in FIG. 7, in the second embodiment, the importance is set for each muscle with respect to the intensity block of the signal intensity distribution.
  • the importance to the estimation is ranked first, second, and third in the order of strength block B10, strength block B9, strength block B6, strength block B3, and strength block B5. It is set in the order of 4th and 5th.
  • the importance to the estimation is 1st, 2nd, 3rd, 4th, and 5th in the order of strength block B10, strength block B8, strength block B9, strength block B7, and strength block B1. It is set in the order of rank.
  • the importance is set with respect to the statistic (strength block) as shown in FIG.
  • the estimation calculation unit 14 estimates the load state of the muscle from a plurality of statistics (values of the strength block) using the importance set according to the muscle.
  • the behavioral state estimation device like the behavioral state estimation device 10 according to the first embodiment, does not perform a process of converting measurement data into a frequency component, and is a muscle load.
  • the state can be estimated.
  • the behavior state estimation device can suppress the processing load while realizing the required estimation accuracy.
  • a plurality of measurement data are arranged in order of intensity, a plurality of intensity blocks are set, and each of the plurality of intensity blocks is set.
  • the integrated value is calculated and used as a statistic. However, in this case, the integrated value can be replaced with an average value.
  • a plurality of blocks are set in a time range for a plurality of measurement data.
  • the average value and the integrated value are calculated for each of a plurality of time blocks and used as statistics.
  • the statistic calculation unit 12 divides a plurality of measurement data in the time for statistic calculation into time-series blocks (time blocks), and calculates the average value for each time block.
  • the statistic calculation unit 12 divides a plurality of measurement data in the time for calculating the statistic into time-series blocks (time blocks), and calculates the integrated value for each time block.
  • the statistical calculation unit 12 uses this average value or the integrated value as a time block value (statistic).
  • FIG. 8 (A) shows an example of time change of signal strength
  • FIG. 8 (B) shows time block data (mean value)
  • FIG. 8 (C) shows time block data (integrated value). Is.
  • the time blocks B1t-B10t arranged with time are set for the signal strength from the time t1 to the time t100.
  • the time block B1t corresponds to the time t1-t10
  • the time block B2t corresponds to the time t11-t20.
  • the time block B3t-B9t is set, and the time block B10t corresponds to the time t91-t100.
  • the statistic calculation unit 12 calculates the average value of the signal strength from the time t1 to the time t10 for the time block B1t, and uses it as the statistic of the time block B1t. Similarly, the statistic calculation unit 12 calculates an average value for the time blocks B2t-B9t and uses it as each statistic value. Then, the statistic calculation unit 12 calculates the average value of the signal strength from the time t91 to the time t100 for the time block B10t, and uses it as the statistic of the time block B10t.
  • the statistic calculation unit 12 calculates the integrated value of the signal strength from the time t1 to the time t10 for the time block B1t, and uses it as the statistic of the time block B1t. Similarly, the statistic calculation unit 12 calculates integrated values for the time blocks B2t-B9t and uses them as the respective statistic values. Then, the statistic calculation unit 12 calculates the integrated value of the signal strength from the time t91 to the time t100 for the time block B10t, and uses it as the statistic of the time block B10t.
  • FIG. 9 is a functional block diagram of the behavioral state estimation device according to the third embodiment of the present invention.
  • the behavioral state estimation device 10A includes a sampling unit 31 and a statistic calculation unit 32 with respect to the behavioral state estimation device 10 according to the first embodiment, and the behavioral state model storage unit 13A, estimation. It is different in the calculation unit 14A.
  • Other configurations of the behavior state estimation device 10A are the same as those of the behavior state estimation device 10, and the description of the same parts will be omitted.
  • the behavior state estimation device 10A includes a sampling unit 11, a statistic calculation unit 12, an estimation calculation unit 14A, a behavior state model storage unit 13A, a sampling unit 31, and a statistic calculation unit 32.
  • Each functional unit constituting the behavior state estimation device 10A can be realized by an electronic circuit, an IC, a storage medium in which a program for executing the function of each functional unit is stored, and an arithmetic processing device (CPU or the like) for executing this program. be.
  • the statistic calculation unit 12 calculates the statistic shown in the first embodiment as a displacement statistic and outputs it to the estimation calculation unit 14A.
  • An operation measurement signal is input to the sampling unit 31 from the operation detection sensor 300.
  • the sampling unit 31 generates motion measurement data by sampling the motion measurement signal at a predetermined sampling frequency (for example, 100 Hz). That is, the sampling unit 31 generates motion measurement data without converting the motion measurement signal into frequency components.
  • the sampling unit 31 outputs the motion measurement data to the statistic calculation unit 32.
  • the motion detection sensor 300 is realized by an acceleration sensor, an angular velocity sensor, or the like.
  • the motion detection sensor 300 does not need to be arranged at the position of the muscle for which the load state is estimated, and may be arranged at the position where the motion of the subject caused by the muscle to be estimated can be measured. Further, the motion detection sensor 300 may be one sensor arranged at one place or a plurality of sensors arranged at a plurality of places. The motion detection sensor 300 detects the motion of the subject, generates a motion measurement signal, and outputs the signal.
  • the statistic calculation unit 32 calculates the motion statistic from the motion measurement data arranged in time series.
  • the statistic calculation unit 32 calculates an operation statistic from a plurality of operation measurement data within a predetermined period (for example, 1 second).
  • the types of operation statistics include, for example, mean value, maximum value, minimum value, median value, 1% value, 5% value, 25% value, 75% value, 95% value, 99% value, variance value, and skewness. Degree value, kurtosis value, integrated value, etc. are used.
  • the type of operation statistic is not limited to this, and may be any other as long as it can be obtained from time-series measurement data.
  • the statistic calculation unit 32 calculates a plurality of types of operation statistics from these.
  • the x% value is a value corresponding to the upper x%, with the maximum value of the plurality of motion measurement data within the period as 100%.
  • the statistic calculation unit 32 outputs the calculated plurality of types of operation statistics to the estimation calculation unit 14A.
  • the behavioral state model is stored in the behavioral state model storage unit 13A.
  • the behavioral state model the relationship between various displacement statistics and various motion statistics and the load state of the muscle to be estimated is set.
  • the behavioral state model is generated in advance by, for example, the behavioral state learning device 20A described later, and is stored (stored) in the behavioral state model storage unit 13A.
  • the estimation calculation unit 14A estimates the load state of the muscle to be estimated by using the behavior state model stored in the behavior state model storage unit 13A and using the displacement statistic and the motion statistic as input vectors. At this time, the estimation calculation unit 14A sets the importance of the displacement statistic and the importance of the motion statistic used for the estimation according to the muscle to be estimated. These importance are set, for example, in the behavioral state model.
  • FIGS. 10 (A) and 10 (B) are tables showing an example of setting the importance according to the third embodiment.
  • FIG. 10A shows the importance of the displacement statistic
  • FIG. 10B shows the importance of the motion statistic.
  • muscle M1, muscle M2, muscle M3, and muscle M4 indicate the types of muscles whose load state can be estimated by the measured displacement.
  • the displacement detection sensor 101 is arranged at the place where the tendons of the ankle are gathered, more specifically, the anterior anterior and the posterior anterior, the muscle M1, the muscle M2, the muscle M3, and the muscle M4 are soleus. Muscles, gastrocnemius muscles, tibialis anterior muscles, quadruped femoral muscles, hamstrings, etc. can be set.
  • Each of the displacement statistics Ar1 to Ar15 is set to one of the various displacement statistics described above
  • each of the motion statistics Aa1 to Aa15 is set to one of the various motion statistics described above. Will be done.
  • the importance to estimation is determined in the order of displacement statistic Ar1, displacement statistic Ar2, displacement statistic Ar8, displacement statistic Ar12, and displacement statistic Ar7. It is set in the order of 1st, 2nd, 3rd, 4th, 5th.
  • the importance to estimation is ranked first, second, and third in the order of displacement statistic Ar3, displacement statistic Ar5, displacement statistic Ar2, displacement statistic Ar14, and displacement statistic Ar15. It is set in the order of 4th and 5th.
  • the importance is set with respect to the displacement statistic as shown in FIG. 10 (A).
  • the importance to the estimation is in the order of the motion statistic Aa1, the motion statistic Aa2, the motion statistic Aa8, the motion statistic Aa12, and the motion statistic Aa7. Is set in the order of 1st, 2nd, 3rd, 4th, 5th.
  • the importance to estimation is ranked first, second, and third in the order of motion statistic Aa3, motion statistic Aa5, motion statistic Aa2, motion statistic Aa14, and motion statistic Aa15. It is set in the order of 4th and 5th.
  • the importance is set with respect to the motion statistic as shown in FIG. 10 (B).
  • the importance of the displacement statistic and the importance of the motion statistic for one type of muscle may be set according to a common importance or may be set individually.
  • the displacement statistic subscript (number) and the motion statistic subscript (number) shown in FIGS. 10 (A) and 10 (B) indicate the same type of statistic, FIG. 10 (A).
  • the importance of the displacement statistic and the importance of the motion statistic shown in FIG. 10B can be set according to the common importance.
  • the subscripts (numbers) of the displacement statistic shown in FIG. 10 (A) are set according to the type of the displacement statistic
  • the subscripts (numbers) of the motion statistic shown in FIG. 10 (B) are motion statistic. If it is set according to the type of, the importance of the displacement statistic and the importance of the motion statistic are set individually.
  • the setting of the importance can be simplified and the estimation process of the behavioral state can be simplified.
  • the importance of the displacement statistic and the importance of the motion statistic it is possible to set more various estimation conditions of the behavioral state, and it is possible to estimate the behavioral state with higher accuracy.
  • the estimation calculation unit 14A uses the importance set according to the muscle to obtain the muscle load state (for example, myoelectric potential value) from a plurality of displacement statistics and motion statistics.
  • the muscle load state is not limited to the myoelectric potential value, and may be any other as long as it is expressed as a value.
  • the estimation calculation unit 14A calculates the estimation result of the load state from the set of the displacement statistic and the motion statistic of the same importance and the behavior state model.
  • the estimation calculation unit 14A calculates the estimation result of the load state for each set having the same importance.
  • the estimation calculation unit 14A calculates the final load state estimation result by weighting each estimation result according to the importance and performing, for example, addition averaging.
  • the estimation calculation unit 14A individually calculates the estimation result of the load state from the displacement statistic and the behavioral state model, and the estimation result of the load state from the motion statistic and the behavioral state model, and estimates these. It is also possible to calculate the final estimation result of the load state from the result.
  • the number of posture statistics and motion statistics used by the estimation calculation unit 14 for estimation is not limited to this, and can be appropriately set.
  • the estimation operation may be performed from the statistics having the importance of 1st to 10th.
  • the estimation calculation unit 14A estimates the load state by using the displacement statistic and the motion statistic corresponding to this muscle and their importance. On the other hand, if there are a plurality of types of muscles to be estimated, the estimation calculation unit 14A sets displacement statistics, motion statistics, and their importance for each muscle, and estimates the load state for each muscle. ..
  • the behavior state estimation device 10A can estimate the load state of the muscle by using not only the displacement including tremor but also the detection result of the motion such as acceleration and angular velocity.
  • the sampled motion detection results such as acceleration and angular velocity are strongly influenced by the subject's motion and have a high correlation with the subject's muscle activity. Since the behavior state estimation device 10A estimates the behavior state from the micro-tremor measurement data and the macro-motion measurement data, the muscle load state can be estimated with high accuracy.
  • the displacement measurement data is also sampled measurement data. Therefore, the behavioral state estimation device 10A can suppress the lack of information regarding tremor due to frequency conversion, and can estimate the muscle load state with higher accuracy.
  • the behavioral state estimation device 10A individually sets the types of displacement statistics and motion statistics used for estimation and their importance for each muscle to be estimated. As a result, the behavioral state estimation device 10A can estimate the muscle load state with higher accuracy.
  • the behavior state estimation device 10A can estimate the load state of this muscle even if the position of the displacement detection sensor 101 and the position of the motion detection sensor 300 are not the positions of the muscles to be estimated.
  • the behavioral state estimation device 10A can be applied to, for example, muscles that are not exposed on the body surface and muscles whose myoelectric potential cannot be directly measured (for example, muscles away from the placement position of the displacement detection sensor 101 or the motion detection sensor 300).
  • the load state can be estimated.
  • the behavioral state estimation device 10A can be used for the femoral quadrilateral muscle, the hamstrings (femoral bilateral muscle, the semimembranous muscle, the half tendon-like muscle, and the large adduction). It is possible to estimate the load state of muscles), tibialis anterior muscle, peroneal abdominal muscle, soleus muscle, large gluteal muscle, etc. In addition, the behavioral state estimation device 10A can estimate the interlocking state of a plurality of muscles.
  • the displacement detection sensor 101 and the motion detection sensor 300 can be easily arranged, and the work for estimating the load state becomes easy.
  • the displacement measurement signal of the displacement detection sensor 101 and the motion measurement signal of the motion detection sensor 300 can be commonly used to estimate the load state of a plurality of muscles, the behavior including the sensor and the behavior state estimation device can be estimated.
  • the state estimation system can be miniaturized.
  • the behavior state estimation device 10A can estimate the load state of a plurality of muscles with high accuracy by using the measurement signal of the displacement detection sensor 101 and the measurement signal of the motion detection sensor 300 in common.
  • the load state can be estimated as a value instead of a class.
  • the behavior state estimation device 10A can present and manage a more accurate load state, and can give a more appropriate notification to the subject.
  • FIG. 11 is a flowchart showing the main processing of the behavioral state estimation method according to the third embodiment of the present invention. Since the specific contents of each process are described by the above-mentioned explanation of the configuration, they will be schematically described below.
  • the behavior state estimation device 10A inputs a displacement measurement signal (S11A).
  • the behavior state estimation device 10A performs sampling on the displacement measurement signal and generates displacement measurement data (S12A).
  • the behavior state estimation device 10A calculates the displacement statistic from the displacement measurement data (S13A).
  • the behavior state estimation device 10A inputs an motion measurement signal (S21A).
  • the behavior state estimation device 10A executes sampling on the motion measurement signal and generates motion measurement data (S22A).
  • the behavior state estimation device 10A calculates an motion statistic from the motion measurement data (S23A).
  • the behavior state estimation device 10A acquires a behavior state model (S14A).
  • the behavior state estimation device 10A estimates the load state using the behavior state model with the displacement statistic and the motion statistic as input vectors (S15A).
  • the above-mentioned processing may be programmed, stored in a storage medium or the like, and executed by an arithmetic processing unit such as a CPU.
  • FIG. 12 is a functional block diagram of the behavioral state learning device according to the third embodiment of the present invention.
  • the behavior state learning device 20A includes a sampling unit 11, a statistic calculation unit 12, a behavior state model storage unit 13A, a sampling unit 21, a modeling reference value calculation unit 22, a learning calculation unit 24A, and a sampling unit. 31 and a statistic calculation unit 32 are provided.
  • the sampling unit 11, the statistic calculation unit 12, the behavioral state model storage unit 13A, the sampling unit 31, and the statistic calculation unit 32 are as described above, and the description thereof will be omitted.
  • a muscle activity measurement signal (for example, a myoelectric potential signal) is input to the sampling unit 21 from the muscle activity detection sensor 102.
  • the sampling unit 21 generates muscle activity measurement data by sampling the muscle activity measurement signal at a predetermined sampling frequency (for example, 100 Hz).
  • the sampling unit 21 outputs the muscle activity measurement data to the modeling reference value calculation unit 22.
  • the muscle activity detection sensor 102 is a sensor capable of measuring muscle activity, and is, for example, a myoelectric sensor (myoelectric potential meter).
  • the muscle activity detection sensor 102 is arranged at the position of the muscle that estimates the load state. More specifically, the muscle activity detection sensor 102 is arranged at the position of the muscle that causes the muscle activity that causes tremor, which is measured by the muscle activity detection sensor 102.
  • the muscle activity detection sensor 102 detects muscle activity, generates and outputs a measurement signal of muscle activity.
  • the muscle activity detection sensor 102 may be one sensor arranged for one type of muscle, or may be a plurality of sensors arranged for each of a plurality of types of muscles for each muscle.
  • the modeling reference value calculation unit 22 calculates the modeling reference value from the muscle activity measurement data. For example, the modeling reference value calculation unit 22 calculates the absolute average value of the muscle activity measurement data within a predetermined period as the modeling reference value.
  • the absolute average value is the average value of the absolute values of the measured data.
  • the modeling reference value is not limited to the absolute mean value, and is a regressible value, for example, an average value, a maximum value, a minimum value, a median value, a 1% value, a 5% value, a 25% value, and a 75% value. A value, a 95% value, a 99% value, a variance value, a skewness value, a kurtosis value, and the like can also be used. Furthermore, the modeling reference value can also represent a class such as large, medium, or small load that can be classified from the muscle activity measurement data.
  • the modeling reference value calculation unit 22 outputs the modeling reference value to the learning calculation unit 24A.
  • the learning calculation unit 24A performs learning using the displacement statistic, the motion statistic, and the modeling reference value, and generates a behavioral state model. More specifically, for example, the learning calculation unit 24A trains the displacement statistic and the motion statistic as explanatory variables and the modeling reference value as the objective variable by using a gradient boosting method using a decision tree algorithm. .. The learning calculation unit 24A repeats this learning, and when a predetermined inference accuracy is obtained, the learning calculation unit 24A generates a behavioral state model using this result.
  • the learning method is not limited to gradient boosting, and a similar method such as boosting represented by a method such as AdaBoost may be used. Further, as other learning methods, SVM, GMM, HMM, neural network, learning Bayesian network and the like may be used. Further, an ensemble method may be used in which a plurality of learning devices are used in the learning calculation unit 24A, the results of the plurality of learning devices are weighted, and then a majority vote is taken.
  • the behavioral state learning device 20A can appropriately set the behavioral state model.
  • FIG. 13 is a flowchart showing the main processing of the behavioral state learning method according to the third embodiment of the present invention.
  • the behavior state learning device 20A inputs a displacement measurement signal and a motion measurement signal (S41A).
  • the behavior state learning device 20A executes sampling on the displacement measurement signal, generates displacement measurement data, executes sampling on the motion measurement signal, and generates motion measurement data (S42A).
  • the behavior state learning device 20A calculates the displacement statistic from the displacement measurement data, and calculates the motion statistic from the motion measurement data (S43A).
  • the behavioral state learning device 20A inputs a muscle activity measurement signal (S51A).
  • the behavioral state learning device 20A executes sampling on the muscle activity measurement signal and generates muscle activity measurement data (S52A).
  • the behavioral state learning device 20A calculates a modeling reference value from the muscle activity measurement data (S53A).
  • the behavioral state learning device 20A executes learning using the displacement statistic, the motion statistic, and the modeling reference value, and generates a behavioral state model (S61A).
  • the above-mentioned processing may be programmed, stored in a storage medium or the like, and executed by an arithmetic processing unit such as a CPU.
  • the behavioral state estimation technique and the behavioral state model generation technique according to the fourth embodiment of the present invention will be described.
  • the behavioral state estimation technique according to the fourth embodiment is different from the behavioral state estimation technique shown in the third embodiment in that the intensity block data of the displacement statistic and the motion statistic are used.
  • the method of generating the intensity block data of the operation statistic is the same as the method of generating the intensity block data of the displacement statistic of the third embodiment, and the description using a specific example will be omitted.
  • the statistic calculation unit 12 generates intensity block data (displacement intensity block data) of the displacement measurement data from the signal intensity distribution of the displacement measurement data, and outputs this as a displacement statistic. More specifically, the statistic calculation unit 12 sets strength blocks (signal strength blocks) for each predetermined number in descending order of signal strength with respect to the signal strength distribution. The statistic calculation unit 12 generates displacement strength block data by calculating an integrated value for each strength block.
  • the statistic calculation unit 32 has the same configuration as the statistic calculation unit 12, and performs the same processing as the statistic calculation unit 12 for the motion measurement data. As a result, the statistic calculation unit 32 calculates and outputs an operation statistic consisting of the intensity block data (operation intensity block data) of the operation measurement data.
  • the estimation calculation unit 14A estimates the behavioral state using the displacement statistic and the motion statistic based on this signal intensity distribution. At this time, the estimation calculation unit 14A estimates the behavioral state using the importance.
  • FIGS. 14 (A) and 14 (B) are tables showing an example of setting the importance according to the fourth embodiment.
  • FIG. 14 (A) shows the importance of the displacement statistic
  • FIG. 14 (B) shows the importance of the motion statistic.
  • the importance is set for each muscle with respect to the intensity block of the signal intensity distribution.
  • the importance setting shown in FIG. 14 (A) is the same as the importance setting shown in FIG. 10 (A), except that the displacement statistic is the value of the intensity block.
  • the importance setting shown in FIG. 14B is the same as the importance setting shown in FIG. 10B, except that the motion statistic is the value of the intensity block. Therefore, detailed description will be omitted.
  • the estimation calculation unit 14A uses the importance set according to the muscle from a plurality of displacement statistic (intensity block value) and motion statistic (intensity block value). Estimate the muscle load state.
  • the behavioral state estimation device can estimate the muscle load state with high accuracy, similarly to the behavioral state estimation device 10A according to the third embodiment.
  • the behavioral state estimation technique and the behavioral state model generation technique according to the fifth embodiment of the present invention will be described.
  • the behavioral state estimation technique according to the fifth embodiment is different from the behavioral state estimation technique shown in the first embodiment in that the displacement measurement signal and the muscle activity measurement signal at the time of learning are synchronized.
  • the other method of the behavioral state estimation technique according to the fifth embodiment is the same as the behavioral state estimation technique according to the first embodiment, and the description of the same parts will be omitted.
  • FIG. 15 is a flowchart showing the main processing of the behavioral state learning method according to the fifth embodiment of the present invention.
  • the behavioral state learning method according to the fifth embodiment is different in that a synchronization process is added to the behavioral state learning method according to the first embodiment.
  • Other processes of the behavioral state learning method according to the fifth embodiment are the same as those of the behavioral state learning method according to the first embodiment, and the description of the same parts will be omitted.
  • FIG. 16 is a diagram showing the concept of synchronization. As shown in FIG. 16, a time difference ⁇ t is generated between the reference time t0t of the displacement measurement signal and the reference time t0m of the muscle activity measurement signal according to the reaction difference between the displacement detection sensor 101 and the muscle activity detection sensor 102.
  • the learning calculation unit 24 detects the reference time t0t of the displacement measurement signal and the reference time t0m of the muscle activity measurement signal, and detects the time difference ⁇ t by calculating the difference between them.
  • the learning calculation unit 24 uses this time difference ⁇ t to synchronize the statistic and the modeling reference value.
  • the learning calculation unit 24 executes learning using the synchronized statistic and the modeling reference value, and generates a behavioral state model (S41).
  • the behavioral state estimation device 10 can estimate the muscle load state with higher accuracy.
  • the learning may be performed in synchronization with the displacement measurement signal, the motion measurement signal, and the muscle activity measurement signal.
  • the behavioral state estimation technique and the behavioral state model generation technique according to the sixth embodiment of the present invention will be described.
  • the behavioral state estimation technology and the behavioral state model generation technology according to the sixth embodiment are different from the behavioral state estimation technology and the behavioral state model generation technology shown in the first embodiment in that feature quantities are not used.
  • the other methods of the behavioral state estimation technology and the behavioral state model generation technology according to the sixth embodiment are the same as the behavioral state estimation technology and the behavioral state model generation technology according to the first embodiment, and the description of the same parts. Is omitted.
  • FIG. 17 is a functional block diagram of the behavioral state estimation device according to the sixth embodiment of the present invention.
  • the behavior state estimation device 10B includes a sampling unit 11, a behavior state model storage unit 13B, and an estimation calculation unit 14B.
  • the sampling unit 11 outputs the displacement measurement data, that is, the displacement measurement data represented by the time function (displacement measurement data at a plurality of times) to the estimation calculation unit 14B.
  • the behavioral state model is stored in the behavioral state model storage unit 13B.
  • the behavioral state model the relationship between the displacement measurement data and the load state of the muscle to be estimated is set.
  • the behavioral state model is generated in advance by, for example, the behavioral state learning device 20B described later, and is stored in the behavioral state model storage unit 13B.
  • the estimation calculation unit 14B estimates the load state of the muscle to be estimated by using the behavior state model stored in the behavior state model storage unit 13B and using the displacement measurement data at a plurality of times as an input vector.
  • the behavioral state estimation device 10B can estimate the load state of the muscle to be estimated without calculating the feature amount. As a result, the behavior state estimation device 10B can reduce the processing load.
  • the estimation calculation unit 14B can set the importance of the displacement measurement data used for estimation according to the muscle to be estimated. This importance is set, for example, in the behavioral state model.
  • the estimation calculation unit 14B makes the importance of the displacement measurement data in the predetermined time range after the elapse of the predetermined time higher than the importance of the displacement measurement data in the other time range based on the measurement start time.
  • the estimation calculation unit 14B groups the displacement measurement data for each predetermined time range with reference to the measurement start time, and sets the importance for each group.
  • FIG. 18A is a diagram showing an example of a waveform and a time range setting for explaining the importance of the time range
  • FIG. 18B is a table showing an example of the importance setting by the time range. be.
  • the case where the predetermined time range used for estimating the load state of the muscle is divided into four time ranges is shown, but the number of divisions is not limited to this. No.
  • the estimation calculation unit 14B divides the predetermined time range Tt used for estimating the load state of the muscle into a plurality of time ranges B1t, B2t, B3t, and B4t.
  • the estimation calculation unit 14B allocates a plurality of displacement measurement data in a predetermined time range Tt to a plurality of time ranges B1t, B2t, B3t, and B4t according to each measurement time (acquisition time).
  • the estimation calculation unit 14B stores the importance of a plurality of time ranges B1t, B2t, B3t, and B4t with respect to the load state of the muscle to be estimated. For example, in the case of FIG. 18B, in the case of muscle M1, the importance of the time ranges B1t and B4t is set to high, and the importance of the time ranges B2t and B3t is set to low. Further, in the case of the muscle M2, the importance of the time ranges B2t and B3t is set to high, and the importance of the time ranges B1t and B4t is set to low.
  • the importance is set, for example, by the positional relationship between the muscle to be estimated and the displacement detection sensor 101.
  • the distance between the muscle to be estimated and the displacement detection sensor 101 is short, that is, if the displacement detection sensor 101 is located near the muscle to be estimated, the first and last in a predetermined time range of the measurement target.
  • the influence of the displacement measurement data in the time range (end time range) on the estimation result is relatively large, and the influence of the displacement measurement data in the middle time range on the estimation result is relatively small.
  • the importance of the time ranges B1t and B4t corresponding to the first and last time ranges is increased for the muscle M1. Decrease the importance of the time ranges B2t and B3t corresponding to the intermediate time range.
  • the distance between the muscle to be estimated and the displacement detection sensor 101 is long, that is, if the displacement detection sensor 101 is located at a position away from the muscle to be estimated, the first and last in a predetermined time range of the measurement target.
  • the influence of the displacement measurement data in the time range (end time range) on the estimation result is relatively small, and the influence of the displacement measurement data in the middle time range on the estimation result is relatively large.
  • the importance of the time ranges B1t and B4t corresponding to the first and last time ranges is reduced for the muscle M2.
  • the behavioral state estimation device 10B can estimate the load state of the muscle to be estimated more accurately.
  • the behavior state estimation device 10B can reduce the estimation load.
  • FIG. 19 is a flowchart showing the main processing of the behavioral state estimation method according to the sixth embodiment of the present invention.
  • the behavior state estimation device 10B inputs a displacement measurement signal (S11).
  • the behavior state estimation device 10B performs sampling on the displacement measurement signal and generates displacement measurement data (S12).
  • the behavior state estimation device 10B acquires a behavior state model using displacement measurement data (S14B).
  • the behavior state estimation device 10 estimates the load state using the behavior state model using the displacement measurement data as an input vector (S15B).
  • the above-mentioned processing may be programmed, stored in a storage medium or the like, and executed by an arithmetic processing unit such as a CPU.
  • the behavioral state model described above is generated, for example, as shown below.
  • FIG. 20 is a functional block diagram of the behavioral state learning device according to the sixth embodiment of the present invention.
  • the behavior state learning device 20B includes a sampling unit 11, a behavior state model storage unit 13B, a sampling unit 21, a modeling reference value calculation unit 22, and a learning calculation unit 24B.
  • the sampling unit 11, the sampling unit 21, and the modeling reference value calculation unit 22 are the same as the behavior state learning device 20 according to the first embodiment, and the description thereof will be omitted.
  • the learning calculation unit 24B performs learning using the displacement measurement data and the modeling reference value, and generates a behavioral state model. More specifically, for example, the learning calculation unit 24B performs learning using a gradient boosting method using a decision tree algorithm with the displacement measurement data as an explanatory variable and the modeling reference value as an objective variable.
  • the learning method is not limited to gradient boosting, and the above-mentioned various methods may be used.
  • the learning calculation unit 24B repeats this learning, and when a predetermined inference accuracy is obtained, generates a behavioral state model using this result.
  • the learning calculation unit 24B stores the generated behavior state model in the behavior state model storage unit 13B.
  • the behavioral state learning device 20B can appropriately set the behavioral state model without using the feature amount.
  • the behavioral state learning device 20B can set the behavioral state model more appropriately.
  • FIG. 21 is a flowchart showing the main processing of the behavioral state learning method according to the sixth embodiment of the present invention.
  • the behavior state learning device 20B inputs a displacement measurement signal (S21).
  • the behavioral state learning device 20 performs sampling on the displacement measurement signal and generates displacement measurement data (S22).
  • the behavioral state learning device 20B inputs a muscle activity measurement signal (S31).
  • the behavioral state learning device 20B performs sampling on the muscle activity measurement signal and generates muscle activity measurement data (S32).
  • the behavioral state learning device 20 calculates a modeling reference value from the muscle activity measurement data (S33).
  • the behavioral state learning device 20B executes learning using the displacement measurement data and the modeling reference value, and generates a behavioral state model (S41B).
  • the above-mentioned processing may be programmed, stored in a storage medium or the like, and executed by an arithmetic processing unit such as a CPU.
  • FIG. 22 is a functional block diagram of the behavioral state estimation device according to the seventh embodiment of the present invention.
  • the behavior state estimation device 10C does not have a statistic calculation unit with respect to the behavior state estimation device 10A according to the third embodiment, and is different in the behavior state model storage unit 13C and the estimation calculation unit 14C. ..
  • Other configurations of the behavior state estimation device 10C are the same as those of the behavior state estimation device 10A, and the description of the same parts will be omitted.
  • the behavior state estimation device 10C includes a sampling unit 11, an estimation calculation unit 14C, a behavior state model storage unit 13C, and a sampling unit 31.
  • the sampling unit 31 outputs the calculated motion measurement data to the estimation calculation unit 14C. At this time, the sampling unit 31 acquires the motion measurement data as an orthogonal triaxial component or a composite value obtained by synthesizing these orthogonal triaxial components. By using such motion measurement data, it is possible to set an input vector capable of more accurately estimating the load state of the muscle to be estimated. In addition, both the orthogonal triaxial component and the composite value may be used.
  • the behavioral state model is stored in the behavioral state model storage unit 13C.
  • the behavioral state model the relationship between the displacement measurement data and the motion measurement data and the load state of the muscle to be estimated is set.
  • the behavioral state model is generated in advance by, for example, the behavioral state learning device 20C described later, and is stored (stored) in the behavioral state model storage unit 13C.
  • the estimation calculation unit 14C estimates the load state of the muscle to be estimated by using the behavior state model stored in the behavior state model storage unit 13C and using the displacement measurement data and the motion measurement data as input vectors. At this time, the estimation calculation unit 14C can set the importance of the displacement measurement data and the importance of the motion measurement data used for the estimation. This importance is set, for example, in the behavioral state model.
  • the estimation calculation unit 14C makes the importance of the displacement measurement data in the predetermined time range after the elapse of the predetermined time higher than the importance of the displacement measurement data in the other time range based on the measurement start time.
  • the estimation calculation unit 14B groups the displacement measurement data for each predetermined time range with reference to the measurement start time, and sets the importance for each group.
  • the importance of motion measurement data can be set in the same way as displacement measurement data.
  • the behavioral state estimation device 10C can estimate the load state of the muscle to be estimated without calculating the feature amount for a plurality of types of measurement data (displacement measurement data and motion measurement data).
  • FIG. 23 is a flowchart showing the main processing of the behavioral state estimation method according to the seventh embodiment of the present invention.
  • the behavior state estimation device 10C inputs a displacement measurement signal (S11C).
  • the behavior state estimation device 10C executes sampling on the displacement measurement signal and generates displacement measurement data (S12C).
  • the behavior state estimation device 10C inputs an motion measurement signal (S21C).
  • the behavior state estimation device 10C executes sampling for the motion measurement signal and generates motion measurement data (S22C).
  • the behavior state estimation device 10C acquires a behavior state model (S14C).
  • the behavior state estimation device 10C estimates the load state using the behavior state model with the displacement measurement data and the motion measurement data as input vectors (S15C).
  • the above-mentioned processing may be programmed, stored in a storage medium or the like, and executed by an arithmetic processing unit such as a CPU.
  • FIG. 24 is a functional block diagram of the behavioral state learning device according to the seventh embodiment of the present invention.
  • the behavior state learning device 20C includes a sampling unit 11, a behavior state model storage unit 13C, a sampling unit 21, a modeling reference value calculation unit 22, a learning calculation unit 24C, and a sampling unit 31.
  • the learning calculation unit 24C performs learning using the displacement measurement data, the motion measurement data, and the modeling reference value, and generates a behavioral state model. More specifically, for example, the learning calculation unit 24C trains the displacement measurement data and the motion measurement data as explanatory variables and the modeling reference value as the objective variable by using a gradient boosting method using a decision tree algorithm. .. The learning calculation unit 24C repeats this learning, and when a predetermined inference accuracy is obtained, the learning calculation unit 24C generates a behavioral state model using this result.
  • the learning method is not limited to gradient boosting, and the above-mentioned various methods may be used.
  • the learning calculation unit 24C repeats this learning, and when a predetermined inference accuracy is obtained, the learning calculation unit 24C generates a behavioral state model using this result.
  • the learning calculation unit 24C stores the generated behavior state model in the behavior state model storage unit 13C.
  • the behavioral state learning device 20C can appropriately set the behavioral state model.
  • FIG. 25 is a flowchart showing the main processing of the behavioral state learning method according to the seventh embodiment of the present invention.
  • the behavior state learning device 20C inputs a displacement measurement signal and a motion measurement signal (S41C).
  • the behavior state learning device 20C executes sampling for the displacement measurement signal, generates displacement measurement data, executes sampling for the motion measurement signal, and generates motion measurement data (S42C).
  • the behavioral state learning device 20C inputs a muscle activity measurement signal (S51C).
  • the behavioral state learning device 20C executes sampling for the muscle activity measurement signal and generates muscle activity measurement data (S52C).
  • the behavioral state learning device 20A calculates a modeling reference value from the muscle activity measurement data (S53C).
  • the behavioral state learning device 20C executes learning using the displacement measurement data, the motion measurement data, and the modeling reference value, and generates a behavioral state model (S61C).
  • the above-mentioned processing may be programmed, stored in a storage medium or the like, and executed by an arithmetic processing unit such as a CPU.
  • the configurations and processes of each of the above embodiments can be combined.
  • the behavioral state estimation device and the behavioral state estimation method can realize higher estimation accuracy.
  • two statistics a statistic obtained by sampling and a statistic obtained by calculating the signal intensity distribution, can be used together (both statistics are used).
  • the muscle activity detection sensor 102 may be another sensor capable of measuring muscle activity such as MRI.
  • an inertial sensor such as an acceleration sensor or an angular velocity sensor is used as the motion detection sensor 300 is shown.
  • the motion detection sensor 300 for example, a motion sensor, an image sensor, or the like can also be used.
  • the mode of sampling the displacement measurement signal is shown.
  • the behavioral state estimation device can estimate the muscle load state with higher accuracy.
  • the displacement detection sensor 101 is preferably a piezoelectric sensor. That is, in other sensors such as an acceleration sensor, the accuracy is improved by extracting the frequency component, but if the piezoelectric sensor is used, the estimation can be performed accurately without extracting such a frequency component.
  • the displacement detection sensor 101 is a piezoelectric sensor, so that it works more effectively.
  • the behavioral state is obtained by using the displacement measurement data and the motion measurement data obtained by sampling as they are, or by using the displacement statistic and the motion statistic obtained by calculating the signal intensity distribution.
  • the mode of estimating is shown.
  • the difference value (change amount) or rate of change of each statistic can also be used for the behavior state estimation device and the behavior state estimation method.
  • the behavioral state estimation device and the behavioral state estimation method calculate the difference value (change amount) and the rate of change of adjacent statistics in a plurality of statistics, and use this calculated value. Thereby, the behavioral state estimation device and the behavioral state estimation method can also estimate the change in the behavioral state.
  • the following items related to biological information may be added as an input vector.
  • BMI height, weight, body fat percentage, muscle mass, grip strength (left and right, 1st and 2nd), minimum circumference of lower leg, age (20's, 30's, 40's, 50's, etc. 60s), at least one of gender (female, male) may be added.
  • the load state of the muscle can be estimated with higher accuracy.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Rheumatology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

行動状態推定装置（１０）は、サンプリング部（１１）、行動状態モデル記憶部（１３Ｂ）、および、推定演算部（１４Ｂ）を備える。サンプリング部（１１）は、変位計測信号を、所定時間内においてサンプリングして、変位計測データを生成する。行動状態モデル記憶部（１３Ｂ）は、変位計測データと所望の筋肉の負荷状態とが関連づけられてモデル化された行動状態モデルを記憶する。推定演算部（１４Ｂ）は、変位計測データを入力ベクトルとして、行動状態モデルを用いて負荷状態を推定する。

Description

行動状態推定装置、行動状態推定方法、行動状態学習装置、および、行動状態学習方法
　本発明は、振戦の検出結果から筋肉の負荷状態を含む行動状態を推定する技術、および、この推定技術のための行動状態モデルの生成技術（行動状態学習技術）に関する。
　特許文献１には、行動状態推定装置等が記載されている。特許文献１に記載の行動状態推定装置は、変位検知センサの測定信号を周波数成分に変換する。特許文献１に記載の行動状態推定装置は、所定の周波数バンドの成分から、行動状態を推定する。
特開２０１１－１８２８２４号公報
　しかしながら、特許文献１に示すような従来の装置および方法では、センサの測定信号を周波数成分に変換する必要がある。このため、推定用の信号を生成する処理負荷が増大する。
　したがって、本発明の目的は、所望の推定精度を実現しながら、処理負荷を抑制する行動状態推定技術を提供することにある。
　この発明の行動状態推定装置は、第１サンプリング部、行動状態モデル記憶部、および、推定演算部を備える。第１サンプリング部は、変位計測信号を所定時間内においてサンプリングして、変位計測データを生成する。行動状態モデル記憶部は、変位計測データと所望の筋肉の負荷状態とが関連づけられてモデル化された行動状態モデルを記憶する。推定演算部は、変位計測データを入力ベクトルとして、行動状態モデルを用いて負荷状態を推定する。
　この構成では、変位計測データを直接用いて、負荷状態が推定される。
　この発明によれば、所望の推定精度を実現しながら、処理負荷を抑制できる。
図１は、本発明の第１の実施形態に係る行動状態推定装置の機能ブロック図である。 図２は、第１の実施形態に係る重要度の設定例を示す表である。 図３は、本発明の第１の実施形態に係る行動状態推定方法の主要処理を示すフローチャートである。 図４は、本発明の第１の実施形態に係る行動状態学習装置の機能ブロック図である。 図５は、本発明の第１の実施形態に係る行動状態学習方法の主要処理を示すフローチャートである。 図６（Ａ）は、信号強度の時間変化例を示し、図６（Ｂ）は、信号強度分布を示し、図６（Ｃ）は、強度ブロックデータを示す。 図７は、第２の実施形態に係る重要度の設定例を示す表である。 図８（Ａ）は、信号強度の時間変化例を示し、図８（Ｂ）は、強度ブロックデータ（平均値）を示し、図８（Ｃ）は、強度ブロックデータ（積算値）を示す図である。 図９は、本発明の第３の実施形態に係る行動状態推定装置の機能ブロック図である。 図１０（Ａ）、図１０（Ｂ）は、第３の実施形態に係る重要度の設定例を示す表である。 図１１は、本発明の第３の実施形態に係る行動状態推定方法の主要処理を示すフローチャートである。 図１２は、本発明の第３の実施形態に係る行動状態学習装置の機能ブロック図である。 図１３は、本発明の第３の実施形態に係る行動状態学習方法の主要処理を示すフローチャートである。 図１４（Ａ）、図１４（Ｂ）は、第４の実施形態に係る重要度の設定例を示す表である。 図１５は、本発明の第５の実施形態に係る行動状態学習方法の主要処理を示すフローチャートである。 図１６は、同期の概念を示す図である。 図１７は、本発明の第６の実施形態に係る行動状態推定装置の機能ブロック図である。 図１８（Ａ）は、時間範囲の重要度を説明するための波形、時間範囲設定の一例を示す図であり、図１８（Ｂ）は、時間範囲による重要度の設定の一例を示す表である。 図１９は、本発明の第６の実施形態に係る行動状態推定方法の主要処理を示すフローチャートである。 図２０は、本発明の第６の実施形態に係る行動状態学習装置の機能ブロック図である。 図２１は、本発明の第６の実施形態に係る行動状態学習方法の主要処理を示すフローチャートである。 図２２は、本発明の第７の実施形態に係る行動状態推定装置の機能ブロック図である。 図２３は、本発明の第７の実施形態に係る行動状態推定方法の主要処理を示すフローチャートである。 図２４は、本発明の第７の実施形態に係る行動状態学習装置の機能ブロック図である。 図２５は、本発明の第７の実施形態に係る行動状態学習方法の主要処理を示すフローチャートである。
　（第１の実施形態）
　本発明の第１の実施形態に係る行動状態推定技術および行動状態モデル生成技術について、図を参照して説明する。
　（行動状態推定装置の構成および処理）
　図１は、本発明の第１の実施形態に係る行動状態推定装置の機能ブロック図である。図１に示すように、行動状態推定装置１０は、サンプリング部１１、統計量算出部１２、推定演算部１４、および、行動状態モデル記憶部１３を備える。行動状態推定装置１０を構成する各機能部は、電子回路、ＩＣ、各機能部の機能を実行するプログラムが記憶された記憶媒体とこのプログラムを実行する演算処理デバイス（ＣＰＵ等）によって実現可能である。
　サンプリング部１１には、変位検知センサ１０１から変位計測信号が入力される。サンプリング部１１は、変位計測信号を、所定のサンプリング周波数（例えば、１００Ｈｚ）でサンプリングすることで、変位計測データを生成する。すなわち、サンプリング部１１は、変位計測信号を周波数成分に変換することなく、変位計測データを生成する。サンプリング部１１は、変位計測データを、統計量算出部１２に出力する。
　なお、変位検知センサ１０１は、圧電センサや加速度センサ等によって実現される。変位検知センサ１０１は、負荷状態を推定する筋肉の位置に配置する必要はなく、推定対象の筋肉によって生じる振戦が計測できる位置に配置されていればよい。また、変位検知センサ１０１は、１箇所に配置された１個のセンサであっても、複数箇所に配置された複数個のセンサであってもよい。変位検知センサ１０１は、変位計測信号を生成して出力する。変位計測信号は、振戦と変形に起因する皮膚表面の変位を電圧に変換した信号である。
　ここで言う本発明における振戦とは、例えば、律動的な筋活動を示す不随意運動である。すなわち、本発明における振戦は、正常人にみられる細かく速い姿勢時振戦であり、生理的振戦とよばれ、例えば、８Ｈｚから１２Ｈｚの周波数である。なお、パーキンソン病患者等の疾患者にみられるふるえは、病理的振戦であり、例えば、４Ｈｚから７Ｈｚであり、本発明における振戦の対象とはしない。振戦を用いることによって、筋電に対して、次の各種の優位点がある。例えば、振戦の検出（計測）は、人の体等の被検知体の表面（皮膚等）に直接貼り付けなくても可能である。振戦の検出によって、筋伸縮を検出できる。振戦の検出によって、筋疲労に伴う変化を検出できる。
　統計量算出部１２は、変位計測データから、統計量を算出する。統計量算出部１２は、所定期間（例えば、１秒間）内の複数の変位計測データから、統計量を算出する。
　統計量の種類としては、例えば、平均値、最大値、最小値、中央値、１％値、５％値、２５％値、７５％値、９５％値、９９％値、分散値、歪度値、尖度値、積算値等が用いられる。なお、統計量の種類は、これに限るものでなく、時系列の変位計測データから得られるものであれば、他のものであってもよい。統計量算出部１２は、これらのなかから、複数種類の統計量を算出する。なお、ｘ％値とは、期間内の複数の変位計測データの内、最小値から昇順に数えてｘ％に位置する値を指す。
　統計量算出部１２は、算出した複数種類の統計量を、推定演算部１４に出力する。
　行動状態モデル記憶部１３には、行動状態モデルが記憶されている。行動状態モデルは、変位計測データの各種統計量と、推定対象の筋肉の負荷状態との関係が設定されている。行動状態モデルは、例えば後述する行動状態学習装置２０によって事前に生成され、行動状態モデル記憶部１３に格納されている。
　推定演算部１４は、行動状態モデル記憶部１３に記憶された行動状態モデルを用い、複数の統計量を入力ベクトルとして、推定対象の筋肉の負荷状態を推定する。この際、推定演算部１４は、推定対象の筋肉に応じて、推定に用いる統計量の重要度を設定する。この重要度は、例えば、行動状態モデルに設定されている。
　図２は、第１の実施形態に係る重要度の設定例を示す表である。筋肉Ｍ１、筋肉Ｍ２、筋肉Ｍ３、および、筋肉Ｍ４は、計測した変位で負荷状態が推定可能な筋肉の種類を示す。例えば、変位検知センサ１０１が足首の腱が集まっている箇所、より具体的には、足首前方および足首後方に配置されている場合、筋肉Ｍ１、筋肉Ｍ２、筋肉Ｍ３、および、筋肉Ｍ４は、ヒラメ筋、腓腹筋、前脛骨筋、大腿四頭筋、ハムストリング等を設定できる。また、統計量Ａ１～Ａ１５のそれぞれは、上述の各種の統計量（平均値、最大値、最小値、中央値、１％値、５％値、２５％値、７５％値、９５％値、９９％値、分散値、歪度値、尖度値、積算値等）のいずれかがそれぞれに設定される。
　例えば、図２の場合、筋肉Ｍ１に対しては、統計量Ａ１、統計量Ａ２、統計量Ａ８、統計量Ａ１２、統計量Ａ７の順に、推定に対する重要度が、１位、２位、３位、４位、５位の順に設定される。また、筋肉Ｍ２に対しては、統計量Ａ３、統計量Ａ５、統計量Ａ２、統計量Ａ１４、統計量Ａ１５の順に、推定に対する重要度が、１位、２位、３位、４位、５位の順に設定される。以下、筋肉Ｍ３、筋肉Ｍ４についても、図２に示すように統計量に対して重要度が設定される。
　推定演算部１４は、推定対象の筋肉を設定すると、筋肉に応じて設定された重要度を用いて、複数の統計量から、筋肉の負荷状態（例えば、筋電位値）を推定する。なお、筋肉の負荷状態は、筋電位値に限らず、値として表されるものであれば、他のものであってもよい。
　より具体的には、例えば、推定演算部１４は、重要度が１位から５位の統計量のそれぞれと行動状態モデルとから推定される統計量毎の負荷状態の推定結果を演算する。そして、推定演算部１４は、重要度に応じた重み付けを各推定結果に行って、例えば加算平均等を行うことで、最終的な負荷状態の推定結果を算出する。なお、推定演算部１４が推定に用いる統計量の個数は、これに限らない。例えば、重要度が１位から１０位の統計量から推定演算を行ってもよい。
　また、推定演算部１４は、推定対象の筋肉が１種類であれば、この筋肉に応じた統計量と重要度を用いて、負荷状態を推定する。一方、推定演算部１４は、推定対象の筋肉が複数種類であれば、統計量と重要度とを筋肉毎に設定し、それぞれの筋肉に対する負荷状態を推定する。
　この構成を用いることによって、行動状態推定装置１０は、計測データを周波数成分に変換する処理を行うことなく、筋肉の負荷状態を推定できる。これにより、行動状態推定装置１０は、所望の推定精度を実現しながら、処理負荷を抑制できる。
　さらに、この構成を用いることによって、行動状態推定装置１０は、推定対象の筋肉毎に、推定に用いる統計量の種類、その重要度を、個別に設定している。これにより、行動状態推定装置１０は、筋肉の負荷状態を、より高精度に推定できる。
　また、この構成を用いることによって、行動状態推定装置１０は、変位検知センサ１０１の位置が、推定対象の筋肉の位置でなくても、この筋肉の負荷状態を推定できる。これにより、行動状態推定装置１０は、例えば、体表面に表出していない筋肉、筋電位が直接計測できない筋肉（例として、変位検知センサ１０１の配置位置から離れた筋肉）に対しても、負荷状態を推定できる。変位検知センサ１０１を足首に配置することで、行動状態推定装置１０は、大腿四頭筋、ハムストリングス（大腿二頭筋、半膜様筋、半腱様筋、大内転筋）、前脛骨筋、腓腹筋、ヒラメ筋、大臀筋などの負荷状態を推定できる。また、行動状態推定装置１０は、複数の筋肉の連動状態を推定できる。
　また、変位検知センサ１０１の配置位置の誤差による影響を抑制できる。したがって、変位検知センサ１０１の配置が容易になり、負荷状態の推定のための作業が容易になる。
　また、この構成では、変位検知センサ１０１の変位計測信号を共通に用いて、複数の筋肉の負荷状態を推定できるので、センサと行動状態推定装置とを含む行動状態推定システムを小型化できる。
　また、この構成では、利用する統計量と重要度とが推定対象の筋肉毎に個別に設定される。したがって、行動状態推定装置１０は、変位検知センサ１０１の変位計測信号を共通に用いて、複数の筋肉の負荷状態を高精度に推定できる。
　また、この構成では、負荷状態をクラスでなく値として推定できる。このように、負荷状態を値で推定できることによって、行動状態推定装置１０は、より正確な負荷状態を提示、管理でき、被験者に対して、より適切な通知等を行うことができる。
　（行動状態推定方法）
　図３は、本発明の第１の実施形態に係る行動状態推定方法の主要処理を示すフローチャートである。なお、各処理の具体的な内容は、上述の構成の説明によって記載しているので、以下では概略的に説明する。
　行動状態推定装置１０は、変位計測信号を入力する（Ｓ１１）。行動状態推定装置１０は、変位計測信号に対してサンプリングを実行し、変位計測データを生成する（Ｓ１２）。行動状態推定装置１０は、変位計測データから統計量を算出する（Ｓ１３）。
　行動状態推定装置１０は、行動状態モデルを取得する（Ｓ１４）。行動状態推定装置１０は、統計量を入力ベクトルとして、行動状態モデルを用いて負荷状態を推定する（Ｓ１５）。
　なお、上述の処理は、プログラム化して記憶媒体等に記憶しておき、ＣＰＵ等の演算処理装置によって実行する態様であってもよい。
　（行動状態学習装置の構成および処理）
　上述の行動状態モデルは、例えば、次に示すように生成される。図４は、本発明の第１の実施形態に係る行動状態学習装置の機能ブロック図である。
　図４に示すように、行動状態学習装置２０は、サンプリング部１１、統計量算出部１２、行動状態モデル記憶部１３、サンプリング部２１、モデル化基準値算出部２２、および、学習演算部２４を備える。サンプリング部１１、統計量算出部１２、行動状態モデル記憶部１３は、上述の通りであり、説明は省略する。
　サンプリング部２１には、筋活動検知センサ１０２から筋活動計測信号（例えば、筋電位信号）が入力される。サンプリング部２１は、筋活動計測信号を、所定のサンプリング周波数（例えば、１００Ｈｚ）でサンプリングすることで、筋活動計測データを生成する。サンプリング部２１は、筋活動計測データを、モデル化基準値算出部２２に出力する。
　なお、筋活動検知センサ１０２は、筋活動を計測可能なセンサであり、例えば、筋電センサ（筋電位計）である。筋活動検知センサ１０２は、負荷状態を推定する筋肉の位置に配置されている。より具体的には、筋活動検知センサ１０２は、筋活動検知センサ１０２で計測される振戦を生じる筋活動の元となる筋肉の位置に配置される。筋活動検知センサ１０２は、筋活動を検知し、筋活動計測信号を生成して出力する。筋活動検知センサ１０２は、１種類の筋肉に対して配置された１個のセンサであっても、複数の種類の筋肉に対して筋肉別に配置された複数個のセンサであってもよい。
　モデル化基準値算出部２２は、筋活動計測データからモデル化基準値を算出する。例えば、モデル化基準値算出部２２は、所定期間内の筋活動計測データの絶対平均値をモデル化基準値として算出する。絶対平均値とは、計測データの絶対値の平均値である。
　なお、モデル化基準値は、絶対平均値に限るものではなく、回帰可能な値、例えば、平均値、最大値、最小値、中央値、１％値、５％値、２５％値、７５％値、９５％値、９９％値、分散値、歪度値、尖度値等を用いることもできる。さらには、モデル化基準値は、筋活動計測データから分類可能な負荷の大、中、小等のクラスを表すものでも可能である。
　モデル化基準値算出部２２は、モデル化基準値を学習演算部２４に出力する。
　学習演算部２４は、統計量とモデル化基準値とを用いて学習を行い、行動状態モデルを生成する。より具体的には、例えば、学習演算部２４は、統計量を説明変数としモデル化基準値を目的変数として決定木アルゴリズムを利用した勾配ブースティングの手法を用いて学習を行う。学習演算部２４は、この学習を繰り返し行い、所定の推論精度が得られたら、この結果を用いて行動状態モデルを生成する。なお、学習の手法は、勾配ブースティングに限らず、類似するＡｄａＢｏｏｓｔといった手法に代表されるブースティング（ｂｏｏｓｔｉｎｇ）などの手法を用いてもよい。また、それ以外の学習の手法として、ＳＶＭやＧＭＭ、ＨＭＭ、ニューラルネットワーク、学習型ベイジアンネットワーク等を用いてもよい。さらには、学習演算部２４に複数の学習器を用いて、複数の学習器の結果を重み付けした上で多数決をとるアンサンブル法を用いてもよい。
　この構成および処理を用いることで、行動状態学習装置２０は、行動状態モデルを適正に設定できる。
　（行動状態モデル生成方法）
　図５は、本発明の第１の実施形態に係る行動状態学習方法の主要処理を示すフローチャートである。なお、各処理の具体的な内容は、上述の構成の説明によって記載しているので、以下では概略的に説明する。
　行動状態学習装置２０は、変位計測信号を入力する（Ｓ２１）。行動状態学習装置２０は、変位計測信号に対してサンプリングを実行し、変位計測データを生成する（Ｓ２２）。行動状態学習装置２０は、変位計測データから統計量を算出する（Ｓ２３）。
　行動状態学習装置２０は、筋活動計測信号を入力する（Ｓ３１）。行動状態学習装置２０置は、筋活動計測信号に対してサンプリングを実行し、筋活動計測データを生成する（Ｓ３２）。行動状態学習装置２０は、筋活動計測データからモデル化基準値を算出する（Ｓ３３）。
　行動状態学習装置２０は、統計量とモデル化基準値とを用いた学習を実行し、行動状態モデルを生成する（Ｓ４１）。
　なお、上述の処理は、プログラム化して記憶媒体等に記憶しておき、ＣＰＵ等の演算処理装置によって実行する態様であってもよい。
　また、本実施形態の行動状態推定装置１０と行動状態学習装置２０との構成からわかるように、本実施形態の構成を用いることによって、学習時には、筋電位計等の比較的大掛かりな筋電位測定手段を用いる必要はあるものの高精度な行動状態モデルを生成でき、実使用時（行動状態推定装置１０の使用時）には、筋電位計等の比較的大掛かりな筋電位測定手段を用いる必要が無い。すなわち、実使用時には、簡素な構成で、被験者への負担も少なく、負荷状態を推定（計測）できる。
　（第２の実施形態）
　本発明の第２の実施形態に係る行動状態推定技術および行動状態モデル生成技術について、図を参照して説明する。第２の実施形態に係る行動状態推定技術は、第１の実施形態に示した行動状態推定技術に対して、統計量の算出方法において異なる。図６（Ａ）は、信号強度の時間変化例を示し、図６（Ｂ）は、信号強度分布を示し、図６（Ｃ）は、強度ブロックデータを示す。
　統計量算出部１２は、所定期間内の変位計測データから、信号強度分布を算出する。信号強度分布とは、所定期間内の変位計測データを信号強度の大きい順に並べたものである。例えば、統計量算出部１２は、図６（Ａ）に示すように、所定のサンプリング周期（サンプリング周波数）によって設定された時刻ｔ１から時刻ｔ１００の信号強度が得られると、図６（Ｂ）に示すように、信号強度の大きな順に、順位Ｒ１から順位Ｒ１００を設定し、順位Ｒ１から順に、順位Ｒ１００まで並べる。
　統計量算出部１２は、信号強度分布から、強度ブロックデータを生成し、これを統計量として出力する。より具体的には、統計量算出部１２は、信号強度分布に対して信号強度の高い順に所定個数毎に強度ブロック（信号強度ブロック）を設定する。統計量算出部１２は、強度ブロック毎に積算値を算出することで、強度ブロックデータを生成する。例えば、図６（Ｃ）の場合、統計量算出部１２は、計測データを１０個ずつブロック分けする。一例であれば、統計量算出部１２は、順位Ｒ１から順位Ｒ１０までの信号強度を強度ブロックＢ１に設定し、順位Ｒ１から順位Ｒ１０までの信号強度の積算値を算出する。統計量算出部１２は、この処理を強度ブロックＢ１から強度ブロックＢ１０まで行い、統計量として出力する。
　推定演算部１４は、この信号強度分布に基づく統計量を用いて行動状態を推定する。この際、推定演算部１４は、重要度を用いて行動状態を推定する。
　図７は、第２の実施形態に係る重要度の設定例を示す表である。図７に示すように、第２の実施形態では、信号強度分布の強度ブロックに対して、筋肉毎に重要度が設定される。
　例えば、図７の場合、筋肉Ｍ１に対しては、強度ブロックＢ１０、強度ブロックＢ９、強度ブロックＢ６、強度ブロックＢ３、強度ブロックＢ５の順に、推定に対する重要度が、１位、２位、３位、４位、５位の順に設定される。また、筋肉Ｍ２に対しては、強度ブロックＢ１０、強度ブロックＢ８、強度ブロックＢ９、強度ブロックＢ７、強度ブロックＢ１の順に、推定に対する重要度が、１位、２位、３位、４位、５位の順に設定される。以下、筋肉Ｍ３、筋肉Ｍ４についても、図７に示すように統計量（強度ブロック）に対して重要度が設定される。
　推定演算部１４は、推定対象の筋肉を設定すると、筋肉に応じて設定された重要度を用いて、複数の統計量（強度ブロックの値）から筋肉の負荷状態を推定する。
　この構成によって、第２の実施形態に係る行動状態推定装置は、第１の実施形態に係る行動状態推定装置１０と同様に、計測データを周波数成分に変換する処理を行うことなく、筋肉の負荷状態を推定できる。これにより、第２の実施形態に係る行動状態推定装置は、必要な推定精度を実現しながら、処理負荷を抑制できる。
　なお、上述の説明（図６（Ａ）、図６（Ｂ）、図６（Ｃ）を参照）では、複数の計測データを強度順に並べ、複数の強度ブロックを設定し、複数の強度ブロック毎に積算値を算出して統計量としている。しかしながら、この場合、積算値は、平均値に置き換えることも可能である。
　さらに、次に図８（Ａ）、図８（Ｂ）、図８（Ｃ）を参照して説明する態様では、複数の計測データに対して時間範囲で複数のブロック（時間ブロック）を設定し、複数の時間ブロック毎に平均値や積算値を算出して統計量としている。
　平均値を用いる場合、統計量算出部１２は、統計量算出用の時間内の複数の計測データを、時系列のブロック（時間ブロック）に分け、時間ブロック毎に平均値を算出する。積算値を用いる場合、統計量算出部１２は、統計量算出用の時間内の複数の計測データを、時系列のブロック（時間ブロック）に分け、時間ブロック毎に積算値を算出する。統計演算部１２は、この平均値や積算値を時間ブロックの値（統計量）とする。
　図８（Ａ）は、信号強度の時間変化例を示し、図８（Ｂ）は、時間ブロックデータ（平均値）を示し、図８（Ｃ）は、時間ブロックデータ（積算値）を示す図である。
　例えば、図８（Ａ）のような計測データを取得した時、時刻ｔ１から時刻ｔ１００の信号強度に対して、経時的に並ぶ時間ブロックＢ１ｔ－Ｂ１０ｔを設定する。時間ブロックＢ１ｔは、時刻ｔ１－ｔ１０に対応し、時間ブロックＢ２ｔは、時刻ｔ１１－ｔ２０に対応する。同様に、時間ブロックＢ３ｔ－Ｂ９ｔが設定され、時間ブロックＢ１０ｔは、時刻ｔ９１－ｔ１００に対応する。
　平均値を用いる場合、統計量算出部１２は、時間ブロックＢ１ｔについて、時刻ｔ１から時刻ｔ１０の信号強度の平均値を算出し、時間ブロックＢ１ｔの統計量とする。同様に、統計量算出部１２は、時間ブロックＢ２ｔ－Ｂ９ｔについて平均値を算出して、それぞれの統計値とする。そして、統計量算出部１２は、時間ブロックＢ１０ｔについては、時刻ｔ９１から時刻ｔ１００の信号強度の平均値を算出し、時間ブロックＢ１０ｔの統計量とする。
　積算値を用いる場合、統計量算出部１２は、時間ブロックＢ１ｔについて、時刻ｔ１から時刻ｔ１０の信号強度の積算値を算出し、時間ブロックＢ１ｔの統計量とする。同様に、統計量算出部１２は、時間ブロックＢ２ｔ－Ｂ９ｔについて積算値を算出して、それぞれの統計値とする。そして、統計量算出部１２は、時間ブロックＢ１０ｔについては、時刻ｔ９１から時刻ｔ１００の信号強度の積算値を算出し、時間ブロックＢ１０ｔの統計量とする。
　（第３の実施形態）
　本発明の第３の実施形態に係る行動状態推定技術および行動状態モデル生成技術について、図を参照して説明する。
　（行動状態推定装置の構成および処理）
　図９は、本発明の第３の実施形態に係る行動状態推定装置の機能ブロック図である。図９に示すように、行動状態推定装置１０Ａは、第１の実施形態に係る行動状態推定装置１０に対して、サンプリング部３１、統計量算出部３２を備え、行動状態モデル記憶部１３Ａ、推定演算部１４Ａにおいて異なる。行動状態推定装置１０Ａの他の構成は、行動状態推定装置１０と同様であり、同様の箇所の説明は省略する。
　行動状態推定装置１０Ａは、サンプリング部１１、統計量算出部１２、推定演算部１４Ａ、行動状態モデル記憶部１３Ａ、サンプリング部３１、および、統計量算出部３２を備える。行動状態推定装置１０Ａを構成する各機能部は、電子回路、ＩＣ、各機能部の機能を実行するプログラムが記憶された記憶媒体とこのプログラムを実行する演算処理デバイス（ＣＰＵ等）によって実現可能である。
　統計量算出部１２は、第１の実施形態に示した統計量を変位統計量として算出し、推定演算部１４Ａに出力する。
　サンプリング部３１には、動作検知センサ３００から動作計測信号が入力される。サンプリング部３１は、動作計測信号を、所定のサンプリング周波数（例えば、１００Ｈｚ）でサンプリングすることで、動作計測データを生成する。すなわち、サンプリング部３１は、動作計測信号を周波数成分に変換することなく、動作計測データを生成する。サンプリング部３１は、動作計測データを統計量算出部３２に出力する。
　なお、動作検知センサ３００は、加速度センサ、角速度センサ等によって実現される。動作検知センサ３００は、負荷状態を推定する筋肉の位置に配置する必要はなく、推定対象の筋肉によって生じる被験者の動作が計測できる位置に配置されていればよい。また、動作検知センサ３００は、１箇所に配置された１個のセンサであっても、複数箇所に配置された複数個のセンサであってもよい。動作検知センサ３００は、被験者の動作を検知し、動作の計測信号を生成して出力する。
　統計量算出部３２は、時系列に並ぶ動作計測データから、動作統計量を算出する。統計量算出部３２は、所定期間（例えば、１秒間）内の複数の動作計測データから、動作統計量を算出する。
　動作統計量の種類としては、例えば、平均値、最大値、最小値、中央値、１％値、５％値、２５％値、７５％値、９５％値、９９％値、分散値、歪度値、尖度値、積算値等が用いられる。なお、動作統計量の種類は、これに限るものでなく、時系列の計測データから得られるものであれば、他のものであってもよい。統計量算出部３２は、これらのなかから、複数種類の動作統計量を算出する。なお、ｘ％値とは、期間内の複数の動作計測データの内最大値を１００％として、その上位ｘ％に当たる値である。
　統計量算出部３２は、算出した複数種類の動作統計量を推定演算部１４Ａに出力する。
　行動状態モデル記憶部１３Ａには、行動状態モデルが記憶されている。行動状態モデルは、各種の変位統計量および各種の動作統計量と、推定対象の筋肉の負荷状態との関係が設定されている。行動状態モデルは、例えば後述する行動状態学習装置２０Ａによって事前に生成され、行動状態モデル記憶部１３Ａに記憶（格納）されている。
　推定演算部１４Ａは、行動状態モデル記憶部１３Ａに記憶された行動状態モデルを用い、変位統計量および動作統計量を入力ベクトルとして、推定対象の筋肉の負荷状態を推定する。この際、推定演算部１４Ａは、推定対象の筋肉に応じて、推定に用いる変位統計量の重要度および動作統計量の重要度を設定する。これらの重要度は、例えば、行動状態モデルに設定されている。
　図１０（Ａ）、図１０（Ｂ）は、第３の実施形態に係る重要度の設定例を示す表である。図１０（Ａ）は、変位統計量の重要度を示し、図１０（Ｂ）は、動作統計量の重要度を示す。また、図１０（Ａ）、図１０（Ｂ）において、筋肉Ｍ１、筋肉Ｍ２、筋肉Ｍ３、および、筋肉Ｍ４は、計測した変位で負荷状態が推定可能な筋肉の種類を示す。例えば、変位検知センサ１０１が足首の腱が集まっている箇所、より具体的には、足首前方および足首後方に配置されている場合、筋肉Ｍ１、筋肉Ｍ２、筋肉Ｍ３、および、筋肉Ｍ４は、ヒラメ筋、腓腹筋、前脛骨筋、大腿四頭筋、ハムストリング等を設定できる。変位統計量Ａｒ１～Ａｒ１５のそれぞれは、上述の各種の変位統計量のいずれかがそれぞれに設定され、動作統計量Ａａ１～Ａａ１５のそれぞれは、上述の各種の動作統計量のいずれかがそれぞれに設定される。
　例えば、図１０（Ａ）の場合、筋肉Ｍ１に対しては、変位統計量Ａｒ１、変位統計量Ａｒ２、変位統計量Ａｒ８、変位統計量Ａｒ１２、変位統計量Ａｒ７の順に、推定に対する重要度が、１位、２位、３位、４位、５位の順に設定される。また、筋肉Ｍ２に対しては、変位統計量Ａｒ３、変位統計量Ａｒ５、変位統計量Ａｒ２、変位統計量Ａｒ１４、変位統計量Ａｒ１５の順に、推定に対する重要度が、１位、２位、３位、４位、５位の順に設定される。以下、筋肉Ｍ３、筋肉Ｍ４についても、図１０（Ａ）に示すように変位統計量に対して重要度が設定される。
　さらに、例えば、図１０（Ｂ）の場合、筋肉Ｍ１に対しては、動作統計量Ａａ１、動作統計量Ａａ２、動作統計量Ａａ８、動作統計量Ａａ１２、動作統計量Ａａ７の順に、推定に対する重要度が、１位、２位、３位、４位、５位の順に設定される。また、筋肉Ｍ２に対しては、動作統計量Ａａ３、動作統計量Ａａ５、動作統計量Ａａ２、動作統計量Ａａ１４、動作統計量Ａａ１５の順に、推定に対する重要度が、１位、２位、３位、４位、５位の順に設定される。以下、筋肉Ｍ３、筋肉Ｍ４についても、図１０（Ｂ）に示すように動作統計量に対して重要度が設定される。
　なお、１種類の筋肉に対する変位統計量の重要度と動作統計量の重要度とは、共通の重要度によって設定されていてもよく、個別に設定されていてもよい。例えば、図１０（Ａ）、図１０（Ｂ）に示す変位統計量の添え字（数字）と動作統計量の添え字（数字）とが、同じ種類の統計量を示す場合、図１０（Ａ）、図１０（Ｂ）に示す変位統計量の重要度と動作統計量の重要度の設定は、共通の重要度によって設定が可能である。
　一方、図１０（Ａ）に示す変位統計量の添え字（数字）は変位統計量の種類に応じて設定され、図１０（Ｂ）に示す動作統計量の添え字（数字）は動作統計量の種類に応じて設定されていれば、変位統計量の重要度と動作統計量の重要度の設定は、個別に設定される。
　変位統計量の重要度と動作統計量の重要度とを共通の重要度によって設定することによって、重要度の設定が簡素化され、行動状態の推定処理を簡素化できる。一方、変位統計量の重要度と動作統計量の重要度とを個別に設定することによって、行動状態の推定条件をより多様に設定できる、行動状態を、さらに高精度に推定できる。
　推定演算部１４Ａは、推定対象の筋肉を設定すると、筋肉に応じて設定された重要度を用いて、複数の変位統計量および動作統計量から、筋肉の負荷状態（例えば、筋電位値）を推定する。なお、筋肉の負荷状態は、筋電位値に限らず、値として表されるものであれば、他のものであってもよい。
　より具体的には、例えば、推定演算部１４Ａは、重要度が同じ順位の変位統計量と動作統計量との組と行動状態モデルとから負荷状態の推定結果を演算する。推定演算部１４Ａは、重要度が同じ順位の組毎に、負荷状態の推定結果を算出する。そして、推定演算部１４Ａは、各推定結果に重要度に応じた重み付けを行って、例えば加算平均等を行うことで、最終的な負荷状態の推定結果を算出する。
　なお、推定演算部１４Ａは、変位統計量と行動状態モデルとからの負荷状態の推定結果と、動作統計量と行動状態モデルとからの負荷状態の推定結果とを個別に演算し、これらの推定結果から最終的な負荷状態の推定結果を算出することも可能である。推定演算部１４が推定に用いる姿勢統計量および動作統計量の個数は、これに限らず、適宜設定できる。例えば、重要度が１位から１０位の統計量から推定演算を行ってもよい。
　また、推定演算部１４Ａは、推定対象の筋肉が１種類であれば、この筋肉に応じた変位統計量および動作統計量とこれらの重要度を用いて、負荷状態を推定する。一方、推定演算部１４Ａは、推定対象の筋肉が複数種類であれば、筋肉毎に、変位統計量および動作統計量とこれらの重要度とを都度設定し、それぞれの筋肉に対する負荷状態を推定する。
　この構成を用いることによって、行動状態推定装置１０Ａは、振戦を含む変位のみでなく、加速度、角速度等の動作の検知結果を用いて、筋肉の負荷状態を推定できる。サンプリングされた加速度、角速度等の動作の検知結果は、被験者の動作から強い影響を受け、被験者の筋活動に対して相関性が高い。そして、行動状態推定装置１０Ａは、ミクロ的な振戦計測データとマクロ的な動作計測データとから行動状態を推定するので、筋肉の負荷状態を高精度に推定できる。
　さらに、この構成では、変位計測データも、サンプリングされた計測データである。したがって、行動状態推定装置１０Ａは、周波数変換に伴う振戦に関する情報の欠落を抑制でき、筋肉の負荷状態を、さらに高精度に推定できる。
　さらに、この構成を用いることによって、行動状態推定装置１０Ａは、推定対象の筋肉毎に、推定に用いる変位統計量および動作統計量の種類、その重要度を個別に設定している。これにより、行動状態推定装置１０Ａは、筋肉の負荷状態をより高精度に推定できる。
　また、この構成を用いることによって、行動状態推定装置１０Ａは、変位検知センサ１０１の位置および動作検知センサ３００の位置が推定対象の筋肉の位置でなくても、この筋肉の負荷状態を推定できる。これにより、行動状態推定装置１０Ａは、例えば、体表面に表出していない筋肉、筋電位が直接計測できない筋肉（例として、変位検知センサ１０１あるいは動作検知センサ３００の配置位置から離れた筋肉）に対しても、負荷状態を推定できる。変位検知センサ１０１と動作検知センサ３００を足首に配置することで、行動状態推定装置１０Ａは、大腿四頭筋、ハムストリングス（大腿二頭筋、半膜様筋、半腱様筋、大内転筋）、前脛骨筋、腓腹筋、ヒラメ筋、大臀筋などの負荷状態を推定できる。また、行動状態推定装置１０Ａは、複数の筋肉の連動状態を推定できる。
　また、変位検知センサ１０１の配置位置の誤差による影響を抑制できる。したがって、変位検知センサ１０１および動作検知センサ３００の配置が容易になり、負荷状態の推定のための作業が容易になる。
　また、この構成では、変位検知センサ１０１の変位計測信号および動作検知センサ３００の動作計測信号を共通に用いて、複数の筋肉の負荷状態を推定できるので、センサと行動状態推定装置とを含む行動状態推定システムを小型化できる。
　また、この構成では、利用する変位統計量および動作統計量と重要度とが推定対象の筋肉毎に個別に設定される。したがって、行動状態推定装置１０Ａは、変位検知センサ１０１の計測信号および動作検知センサ３００の計測信号を共通に用いて、複数の筋肉の負荷状態を、高精度に推定できる。
　また、この構成では、負荷状態をクラスでなく値として推定できる。このように、負荷状態を値で推定できることによって、行動状態推定装置１０Ａは、より正確な負荷状態を提示、管理でき、被験者に対して、より適切な通知等を行うことができる。
　（行動状態推定方法）
　図１１は、本発明の第３の実施形態に係る行動状態推定方法の主要処理を示すフローチャートである。なお、各処理の具体的な内容は、上述の構成の説明によって記載しているので、以下では概略的に説明する。
　行動状態推定装置１０Ａは、変位計測信号を入力する（Ｓ１１Ａ）。行動状態推定装置１０Ａは、変位計測信号に対してサンプリングを実行し、変位計測データを生成する（Ｓ１２Ａ）。行動状態推定装置１０Ａは、変位計測データから変位統計量を算出する（Ｓ１３Ａ）。
　行動状態推定装置１０Ａは、動作計測信号を入力する（Ｓ２１Ａ）。行動状態推定装置１０Ａは、動作計測信号に対してサンプリングを実行し、動作計測データを生成する（Ｓ２２Ａ）。行動状態推定装置１０Ａは、動作計測データから動作統計量を算出する（Ｓ２３Ａ）。
　行動状態推定装置１０Ａは、行動状態モデルを取得する（Ｓ１４Ａ）。行動状態推定装置１０Ａは、変位統計量および動作統計量を入力ベクトルとして、行動状態モデルを用いて、負荷状態を推定する（Ｓ１５Ａ）。
　なお、上述の処理は、プログラム化して記憶媒体等に記憶しておき、ＣＰＵ等の演算処理装置によって実行する態様であってもよい。
　（行動状態学習装置の構成および処理）
　上述の行動状態モデルは、例えば、次に示すように生成される。図１２は、本発明の第３の実施形態に係る行動状態学習装置の機能ブロック図である。
　図１２に示すように、行動状態学習装置２０Ａは、サンプリング部１１、統計量算出部１２、行動状態モデル記憶部１３Ａ、サンプリング部２１、モデル化基準値算出部２２、学習演算部２４Ａ、サンプリング部３１、および、統計量算出部３２を備える。サンプリング部１１、統計量算出部１２、行動状態モデル記憶部１３Ａ、サンプリング部３１、および、統計量算出部３２は、上述の通りであり、説明は省略する。
　サンプリング部２１には、筋活動検知センサ１０２から筋活動計測信号（例えば、筋電位信号）が入力される。サンプリング部２１は、筋活動計測信号を、所定のサンプリング周波数（例えば、１００Ｈｚ）でサンプリングすることで、筋活動計測データを生成する。サンプリング部２１は、筋活動計測データを、モデル化基準値算出部２２に出力する。
　なお、筋活動検知センサ１０２は、筋活動を計測可能なセンサであり、例えば、筋電センサ（筋電位計）である。筋活動検知センサ１０２は、負荷状態を推定する筋肉の位置に配置されている。より具体的には、筋活動検知センサ１０２は、筋活動検知センサ１０２で計測される振戦を生じる筋活動の元となる筋肉の位置に配置される。筋活動検知センサ１０２は、筋活動を検知し、筋活動の計測信号を生成して出力する。筋活動検知センサ１０２は、１種類の筋肉に対して配置された１個のセンサであっても、複数の種類の筋肉に対して筋肉別に配置された複数個のセンサであってもよい。
　モデル化基準値算出部２２は、筋活動計測データからモデル化基準値を算出する。例えば、モデル化基準値算出部２２は、所定期間内の筋活動計測データの絶対平均値を、モデル化基準値として算出する。絶対平均値とは、計測データの絶対値の平均値である。
　なお、モデル化基準値は、絶対平均値に限るものではなく、回帰可能な値、例えば、平均値、最大値、最小値、中央値、１％値、５％値、２５％値、７５％値、９５％値、９９％値、分散値、歪度値、尖度値等を用いることもできる。さらには、モデル化基準値は、筋活動計測データから分類可能な負荷の大、中、小等のクラスを表すものでも可能である。
　モデル化基準値算出部２２は、モデル化基準値を、学習演算部２４Ａに出力する。
　学習演算部２４Ａは、変位統計量および動作統計量とモデル化基準値とを用いて、学習を行い、行動状態モデルを生成する。より具体的には、例えば、学習演算部２４Ａは、変位統計量および動作統計量を説明変数とし、モデル化基準値を目的変数として決定木アルゴリズムを利用した勾配ブースティングの手法を用いて学習させる。学習演算部２４Ａは、この学習を繰り返し行い、所定の推論精度が得られたら、この結果を用いて行動状態モデルを生成する。
　なお、学習の手法は、勾配ブースティングに限らず、類似するＡｄａＢｏｏｓｔといった手法に代表されるブースティング（ｂｏｏｓｔｉｎｇ）などの手法を用いてもよい。また、それ以外の学習の手法として、ＳＶＭやＧＭＭ、ＨＭＭ、ニューラルネットワーク、学習型ベイジアンネットワーク等を用いてもよい。さらには、学習演算部２４Ａに複数の学習器を用いて、複数の学習器の結果を重み付けした上で多数決をとるアンサンブル法を用いてもよい。
　この構成および処理を用いることで、行動状態学習装置２０Ａは、行動状態モデルを適正に設定できる。
　（行動状態学習方法）
　図１３は、本発明の第３の実施形態に係る行動状態学習方法の主要処理を示すフローチャートである。
　行動状態学習装置２０Ａは、変位計測信号および動作計測信号を入力する（Ｓ４１Ａ）。行動状態学習装置２０Ａは、変位計測信号に対してサンプリングを実行し、変位計測データを生成し、動作計測信号に対してサンプリングを実行し、動作計測データを生成する（Ｓ４２Ａ）。行動状態学習装置２０Ａは、変位計測データから変位統計量を算出し、動作計測データから動作統計量を算出する（Ｓ４３Ａ）。
　行動状態学習装置２０Ａは、筋活動計測信号を入力する（Ｓ５１Ａ）。行動状態学習装置２０Ａは、筋活動計測信号に対してサンプリングを実行し、筋活動計測データを生成する（Ｓ５２Ａ）。行動状態学習装置２０Ａは、筋活動計測データからモデル化基準値を算出する（Ｓ５３Ａ）。
　行動状態学習装置２０Ａは、変位統計量および動作統計量とモデル化基準値とを用いた学習を実行し、行動状態モデルを生成する（Ｓ６１Ａ）。
　なお、上述の処理は、プログラム化して記憶媒体等に記憶しておき、ＣＰＵ等の演算処理装置によって実行する態様であってもよい。
　（第４の実施形態）
　本発明の第４の実施形態に係る行動状態推定技術および行動状態モデル生成技術について説明する。第４の実施形態に係る行動状態推定技術は、第３の実施形態に示した行動状態推定技術に対して、変位統計量および動作統計量の強度ブロックデータを用いる点で異なる。動作統計量の強度ブロックデータの生成方法は、第３の実施形態の変位統計量の強度ブロックデータの生成方法と同様であり、具体的な例を用いた説明は省略する。
　統計量算出部１２は、変位計測データの信号強度分布から変位計測データの強度ブロックデータ（変位強度ブロックデータ）を生成し、これを変位統計量として出力する。より具体的には、統計量算出部１２は、信号強度分布に対して信号強度の高い順に所定個数毎に強度ブロック（信号強度ブロック）を設定する。統計量算出部１２は、強度ブロック毎に積算値を算出することで、変位強度ブロックデータを生成する。
　統計量算出部３２は、統計量算出部１２と同様の構成であり、動作計測データに対して、統計量算出部１２と同様の処理を行う。これにより、統計量算出部３２は、動作計測データの強度ブロックデータ（動作強度ブロックデータ）からなる動作統計量を算出し、出力する。
　推定演算部１４Ａは、この信号強度分布に基づく変位統計量および動作統計量を用いて、行動状態を推定する。この際、推定演算部１４Ａは、重要度を用いて、行動状態を推定する。
　図１４（Ａ）、図１４（Ｂ）は、第４の実施形態に係る重要度の設定例を示す表である。図１４（Ａ）は、変位統計量の重要度を示し、図１４（Ｂ）は、動作統計量の重要度を示す。図１４（Ａ）、図１４（Ｂ）に示すように、第４の実施形態では、信号強度分布の強度ブロックに対して、筋肉毎に重要度が設定される。
　図１４（Ａ）に示す重要度の設定は、変位統計量が強度ブロックの値という点を除いて、図１０（Ａ）に示した重要度の設定と同様である。図１４（Ｂ）に示す重要度の設定は、動作統計量が強度ブロックの値という点を除いて、図１０（Ｂ）に示した重要度の設定と同様である。したがって、詳細な説明は省略する。
　推定演算部１４Ａは、推定対象の筋肉を設定すると、筋肉に応じて設定された重要度を用いて、複数の変位統計量（強度ブロックの値）および動作統計量（強度ブロックの値）から、筋肉の負荷状態を推定する。
　この構成によって、第４の実施形態に係る行動状態推定装置は、第３の実施形態に係る行動状態推定装置１０Ａと同様に、筋肉の負荷状態を高精度に推定できる。
　（第５の実施形態）
　本発明の第５の実施形態に係る行動状態推定技術および行動状態モデル生成技術について説明する。第５の実施形態に係る行動状態推定技術は、第１の実施形態に示した行動状態推定技術に対して、学習時の変位計測信号と筋活動計測信号との同期をとる点で異なる。第５の実施形態に係る行動状態推定技術の他の方法は、第１の実施形態に係る行動状態推定技術と同様であり、同様の箇所の説明は省略する。
　図１５は、本発明の第５の実施形態に係る行動状態学習方法の主要処理を示すフローチャートである。図１５に示すように、第５の実施形態に係る行動状態学習方法は、第１の実施形態に係る行動状態学習方法に対して同期処理を追加した点で異なる。第５の実施形態に係る行動状態学習方法の他の処理は、第１の実施形態に係る行動状態学習方法と同様であり、同様の箇所の説明は省略する。
　行動状態学習装置２０は、統計量とモデル化基準値とを算出すると、統計量とモデル化基準値とを同期させる。図１６は、同期の概念を示す図である。図１６に示すように、変位検知センサ１０１と筋活動検知センサ１０２との反応差に応じて、変位計測信号の基準時間ｔ０ｔと筋活動計測信号の基準時間ｔ０ｍとの間に時差Δｔを生じる。
　したがって、学習演算部２４は、変位計測信号の基準時間ｔ０ｔと筋活動計測信号の基準時間ｔ０ｍとを検出し、これらの差を算出することで、時差Δｔを検出する。学習演算部２４は、この時差Δｔを用いて、統計量とモデル化基準値とを同期させる。
　学習演算部２４は、同期された統計量とモデル化基準値とを用いた学習を実行し、行動状態モデルを生成する（Ｓ４１）。
　このような処理を行うことによって、行動状態推定装置１０は、筋肉の負荷状態をより高精度に推定できる。
　なお、変位計測信号および動作計測信号と、筋活動計測信号とを用いて学習を行う場合には、変位計測信号および動作計測信号と筋活動計測信号とを同期させて学習を行えばよい。
　（第６の実施形態）
　本発明の第６の実施形態に係る行動状態推定技術および行動状態モデル生成技術について説明する。第６の実施形態に係る行動状態推定技術および行動状態モデル生成技術は、第１の実施形態に示した行動状態推定技術および行動状態モデル生成技術に対して、特徴量を用いない点で異なる。第６の実施形態に係る行動状態推定技術および行動状態モデル生成技術の他の方法は、第１の実施形態に係る行動状態推定技術および行動状態モデル生成技術と同様であり、同様の箇所の説明は省略する。
　（行動状態推定装置の構成および処理）
　図１７は、本発明の第６の実施形態に係る行動状態推定装置の機能ブロック図である。図１７に示すように、行動状態推定装置１０Ｂは、サンプリング部１１、行動状態モデル記憶部１３Ｂ、および、推定演算部１４Ｂを備える。
　サンプリング部１１は、変位計測データ、すなわち、時間関数で表される変位計測データ（複数時刻の変位計測データ）を、推定演算部１４Ｂに出力する。
　行動状態モデル記憶部１３Ｂには、行動状態モデルが記憶されている。行動状態モデルは、変位計測データと、推定対象の筋肉の負荷状態との関係が設定されている。行動状態モデルは、例えば後述する行動状態学習装置２０Ｂによって事前に生成され、行動状態モデル記憶部１３Ｂに格納されている。
　推定演算部１４Ｂは、行動状態モデル記憶部１３Ｂに記憶された行動状態モデルを用い、複数時刻の変位計測データを入力ベクトルとして、推定対象の筋肉の負荷状態を推定する。
　このように、行動状態推定装置１０Ｂは、特徴量を算出しなくても、推定対象の筋肉の負荷状態を推定できる。これにより、行動状態推定装置１０Ｂは、処理負荷を軽減できる。
　この際、推定演算部１４Ｂは、推定対象の筋肉に応じて、推定に用いる変位計測データの重要度を設定できる。この重要度は、例えば、行動状態モデルに設定されている。
　例えば、推定演算部１４Ｂは、計測開始時刻を基準として、所定時間経過後の所定時間範囲の変位計測データの重要度を、他の時間範囲の変位計測データの重要度よりも高くする。または、例えば、推定演算部１４Ｂは、計測開始時刻を基準として、所定時間範囲毎に変位計測データをグループ化し、グループ毎に重要度を設定する。
　図１８（Ａ）は、時間範囲の重要度を説明するための波形、時間範囲設定の一例を示す図であり、図１８（Ｂ）は、時間範囲による重要度の設定の一例を示す表である。なお、図１８（Ａ）、図１８（Ｂ）では、筋肉の負荷状態の推定に利用する所定時間範囲を、４つの時間範囲に分割する場合を示したが、分割数はこれに限るものではない。
　図１８（Ａ）に示すように、推定演算部１４Ｂは、筋肉の負荷状態の推定に利用する所定時間範囲Ｔｔを複数の時間範囲Ｂ１ｔ、Ｂ２ｔ、Ｂ３ｔ、Ｂ４ｔに分割する。推定演算部１４Ｂは、所定時間範囲Ｔｔの複数の変位計測データを、それぞれの計測時間（取得時間）に応じて複数の時間範囲Ｂ１ｔ、Ｂ２ｔ、Ｂ３ｔ、Ｂ４ｔに割り当てる。
　図１８（Ｂ）に示すように、推定演算部１４Ｂは、推定対象の筋肉の負荷状態に対する複数の時間範囲Ｂ１ｔ、Ｂ２ｔ、Ｂ３ｔ、Ｂ４ｔの重要度を記憶している。例えば、図１８（Ｂ）の場合であれば、筋肉Ｍ１であれば、時間範囲Ｂ１ｔ、Ｂ４ｔの重要度が高に設定され、時間範囲Ｂ２ｔ、Ｂ３ｔの重要度が低に設定される。また、筋肉Ｍ２であれば、時間範囲Ｂ２ｔ、Ｂ３ｔの重要度が高に設定され、時間範囲Ｂ１ｔ、Ｂ４ｔの重要度が低に設定される。
　重要度は、例えば、推定対象の筋肉と変位検知センサ１０１との位置関係によって設定される。
　具体例として、推定対象の筋肉と変位検知センサ１０１との距離が短ければ、すなわち、変位検知センサ１０１が推定対象の筋肉の近傍に配置されていれば、計測対象の所定時間範囲における最初と最後の時間範囲（末端の時間範囲）の変位計測データが推定結果に与える影響は相対的に大きく、中間の時間範囲の変位計測データが推定結果に与える影響は相対的に小さい。
　したがって、上述の例では、筋肉Ｍ１と変位計測センサ１０１との距離が短い場合として、筋肉Ｍ１に対しては、最初と最後の時間範囲に対応する時間範囲Ｂ１ｔ、Ｂ４ｔの重要度を高くし、中間の時間範囲に対応する時間範囲Ｂ２ｔ、Ｂ３ｔの重要度を低くする。
　一方、推定対象の筋肉と変位検知センサ１０１との距離が長ければ、すなわち、変位検知センサ１０１が推定対象の筋肉から離れた位置に配置されていれば、計測対象の所定時間範囲における最初と最後の時間範囲（末端の時間範囲）の変位計測データが推定結果に与える影響は相対的に小さく、中間の時間範囲の変位計測データが推定結果に与える影響は相対的に大きい。
　したがって、上述の例では、筋肉Ｍ２と変位計測センサ１０１との距離が長い場合として、筋肉Ｍ２に対しては、最初と最後の時間範囲に対応する時間範囲Ｂ１ｔ、Ｂ４ｔの重要度を低くし、中間の時間範囲に対応する時間範囲Ｂ２ｔ、Ｂ３ｔの重要度を高くする。
　このように時間範囲に対して重要度を設定することで、行動状態推定装置１０Ｂは、推定対象の筋肉の負荷状態を、より精度良く推定できる。
　なお、重要度が低いと設定される時間範囲については、推定に用いないようにすることも可能である。これにより、行動状態推定装置１０Ｂは、推定負荷を軽減できる。
　（行動状態推定方法）
　図１９は、本発明の第６の実施形態に係る行動状態推定方法の主要処理を示すフローチャートである。
　行動状態推定装置１０Ｂは、変位計測信号を入力する（Ｓ１１）。行動状態推定装置１０Ｂは、変位計測信号に対して、サンプリングを実行し、変位計測データを生成する（Ｓ１２）。
　行動状態推定装置１０Ｂは、変位計測データを用いた行動状態モデルを取得する（Ｓ１４Ｂ）。行動状態推定装置１０は、変位計測データを入力ベクトルとして、行動状態モデルを用いて負荷状態を推定する（Ｓ１５Ｂ）。
　なお、上述の処理は、プログラム化して記憶媒体等に記憶しておき、ＣＰＵ等の演算処理装置によって実行する態様であってもよい。
　（行動状態学習装置の構成および処理）
　上述の行動状態モデルは、例えば、次に示すように生成される。
　図２０は、本発明の第６の実施形態に係る行動状態学習装置の機能ブロック図である。
　図２０に示すように、行動状態学習装置２０Ｂは、サンプリング部１１、行動状態モデル記憶部１３Ｂ、サンプリング部２１、モデル化基準値算出部２２、および、学習演算部２４Ｂを備える。サンプリング部１１、サンプリング部２１、および、モデル化基準値算出部２２は、第１の実施形態に係る行動状態学習装置２０と同様であり、説明は省略する。
　学習演算部２４Ｂは、変位計測データとモデル化基準値とを用いて学習を行い、行動状態モデルを生成する。より具体的には、例えば、学習演算部２４Ｂは、変位計測データを説明変数としモデル化基準値を目的変数として決定木アルゴリズムを利用した勾配ブースティングの手法を用いて学習を行う。なお、学習の手法は、勾配ブースティングに限らず、上述の各種方法を用いてもよい。
　学習演算部２４Ｂは、この学習を繰り返し行い、所定の推論精度が得られたら、この結果を用いて行動状態モデルを生成する。学習演算部２４Ｂは、生成した行動状態モデルを、行動状態モデル記憶部１３Ｂに記憶する。
　この構成および処理を用いることで、行動状態学習装置２０Ｂは、特徴量を用いなくても行動状態モデルを適正に設定できる。
　この際、第５の実施形態に示したような同期処理を行うことで、変位計測データと筋活動計測データとの時差による行動状態モデルの生成に与える悪影響を抑制できる。したがって、行動状態学習装置２０Ｂは、行動状態モデルをより適正に設定できる。
　（行動状態モデル生成方法）
　図２１は、本発明の第６の実施形態に係る行動状態学習方法の主要処理を示すフローチャートである。
　行動状態学習装置２０Ｂは、変位計測信号を入力する（Ｓ２１）。行動状態学習装置２０は、変位計測信号に対して、サンプリングを実行し、変位計測データを生成する（Ｓ２２）。
　行動状態学習装置２０Ｂは、筋活動計測信号を入力する（Ｓ３１）。行動状態学習装置２０Ｂは、筋活動計測信号に対して、サンプリングを実行し、筋活動計測データを生成する（Ｓ３２）。行動状態学習装置２０は、筋活動計測データからモデル化基準値を算出する（Ｓ３３）。
　行動状態学習装置２０Ｂは、変位計測データとモデル化基準値とを用いた学習を実行し、行動状態モデルを生成する（Ｓ４１Ｂ）。
　なお、上述の処理は、プログラム化して記憶媒体等に記憶しておき、ＣＰＵ等の演算処理装置によって実行する態様であってもよい。
　（第７の実施形態）
　本発明の第７の実施形態に係る行動状態推定技術および行動状態モデル生成技術について、図を参照して説明する。
　（行動状態推定装置の構成および処理）
　図２２は、本発明の第７の実施形態に係る行動状態推定装置の機能ブロック図である。図２２に示すように、行動状態推定装置１０Ｃは、第３の実施形態に係る行動状態推定装置１０Ａに対して、統計量算出部が無く、行動状態モデル記憶部１３Ｃ、推定演算部１４Ｃにおいて異なる。行動状態推定装置１０Ｃの他の構成は、行動状態推定装置１０Ａと同様であり、同様の箇所の説明は省略する。
　行動状態推定装置１０Ｃは、サンプリング部１１、推定演算部１４Ｃ、行動状態モデル記憶部１３Ｃ、および、サンプリング部３１を備える。
　サンプリング部３１は、算出した動作計測データを推定演算部１４Ｃに出力する。この際、サンプリング部３１は、動作計測データを、直交三軸成分、または、これら直交三軸成分を合成した合成値で取得する。このような動作計測データを用いることによって、推定対象の筋肉の負荷状態をより精度良く推定可能な入力ベクトルを設定できる。なお、直交三軸成分と合成値の両方を用いてもよい。
　行動状態モデル記憶部１３Ｃには、行動状態モデルが記憶される。行動状態モデルは、変位計測データおよび動作計測データと、推定対象の筋肉の負荷状態との関係が設定されている。行動状態モデルは、例えば後述する行動状態学習装置２０Ｃによって事前に生成され、行動状態モデル記憶部１３Ｃに記憶（格納）されている。
　推定演算部１４Ｃは、行動状態モデル記憶部１３Ｃに記憶された行動状態モデルを用い、変位計測データおよび動作計測データを入力ベクトルとして、推定対象の筋肉の負荷状態を推定する。この際、推定演算部１４Ｃは、推定に用いる変位計測データの重要度および動作計測データの重要度を設定できる。この重要度は、例えば、行動状態モデルに設定されている。
　例えば、推定演算部１４Ｃは、計測開始時刻を基準として、所定時間経過後の所定時間範囲の変位計測データの重要度を、他の時間範囲の変位計測データの重要度よりも高くする。または、例えば、推定演算部１４Ｂは、計測開始時刻を基準として、所定時間範囲毎に変位計測データをグループ化し、グループ毎に重要度を設定する。動作計測データについても、変位計測データと同様の方法で重要度を設定できる。
　このように、行動状態推定装置１０Ｃは、複数種類の計測データ（変位計測データおよび動作計測データ）に対して特徴量を算出しなくても、推定対象の筋肉の負荷状態を推定できる。
　（行動状態推定方法）
　図２３は、本発明の第７の実施形態に係る行動状態推定方法の主要処理を示すフローチャートである。
　行動状態推定装置１０Ｃは、変位計測信号を入力する（Ｓ１１Ｃ）。行動状態推定装置１０Ｃは、変位計測信号に対してサンプリングを実行し、変位計測データを生成する（Ｓ１２Ｃ）。
　行動状態推定装置１０Ｃは、動作計測信号を入力する（Ｓ２１Ｃ）。行動状態推定装置１０Ｃは、動作計測信号に対してサンプリングを実行し、動作計測データを生成する（Ｓ２２Ｃ）。
　行動状態推定装置１０Ｃは、行動状態モデルを取得する（Ｓ１４Ｃ）。行動状態推定装置１０Ｃは、変位計測データおよび動作計測データを入力ベクトルとして、行動状態モデルを用いて、負荷状態を推定する（Ｓ１５Ｃ）。
　なお、上述の処理は、プログラム化して記憶媒体等に記憶しておき、ＣＰＵ等の演算処理装置によって実行する態様であってもよい。
　（行動状態学習装置の構成および処理）
　上述の行動状態モデルは、例えば、次に示すように生成される。図２４は、本発明の第７の実施形態に係る行動状態学習装置の機能ブロック図である。
　図２４に示すように、行動状態学習装置２０Ｃは、サンプリング部１１、行動状態モデル記憶部１３Ｃ、サンプリング部２１、モデル化基準値算出部２２、学習演算部２４Ｃ、および、サンプリング部３１を備える。
　学習演算部２４Ｃは、変位計測データおよび動作計測データとモデル化基準値とを用いて、学習を行い、行動状態モデルを生成する。より具体的には、例えば、学習演算部２４Ｃは、変位計測データおよび動作計測データを説明変数とし、モデル化基準値を目的変数として決定木アルゴリズムを利用した勾配ブースティングの手法を用いて学習させる。学習演算部２４Ｃは、この学習を繰り返し行い、所定の推論精度が得られたら、この結果を用いて行動状態モデルを生成する。なお、学習の手法は、勾配ブースティングに限らず、上述の各種方法を用いてもよい。
　学習演算部２４Ｃは、この学習を繰り返し行い、所定の推論精度が得られたら、この結果を用いて行動状態モデルを生成する。学習演算部２４Ｃは、生成した行動状態モデルを、行動状態モデル記憶部１３Ｃに記憶する。
　この構成および処理を用いることで、行動状態学習装置２０Ｃは、行動状態モデルを適正に設定できる。
　（行動状態学習方法）
　図２５は、本発明の第７の実施形態に係る行動状態学習方法の主要処理を示すフローチャートである。
　行動状態学習装置２０Ｃは、変位計測信号および動作計測信号を入力する（Ｓ４１Ｃ）。行動状態学習装置２０Ｃは、変位計測信号に対してサンプリングを実行し、変位計測データを生成し、動作計測信号に対してサンプリングを実行し、動作計測データを生成する（Ｓ４２Ｃ）。
　行動状態学習装置２０Ｃは、筋活動計測信号を入力する（Ｓ５１Ｃ）。行動状態学習装置２０Ｃは、筋活動計測信号に対して、サンプリングを実行し、筋活動計測データを生成する（Ｓ５２Ｃ）。行動状態学習装置２０Ａは、筋活動計測データからモデル化基準値を算出する（Ｓ５３Ｃ）。
　行動状態学習装置２０Ｃは、変位計測データおよび動作計測データとモデル化基準値とを用いた学習を実行し、行動状態モデルを生成する（Ｓ６１Ｃ）。
　なお、上述の処理は、プログラム化して記憶媒体等に記憶しておき、ＣＰＵ等の演算処理装置によって実行する態様であってもよい。
　上述の各実施形態の構成および処理は、組み合わせることができる。そして、これらの組合せを用いることによって、行動状態推定装置、および、行動状態推定方法は、より高い推定精度を実現できる。例えば、サンプリングによって得られた統計量と、信号強度分布を算出して得られた統計量の２つの統計量を併用する（両方の統計量を用いる）こともできる。
　また、上述の説明では、筋活動検知センサ１０２として、筋電センサ（筋電位計）を用いる態様を示した。しかしながら、筋活動検知センサ１０２は、ＭＲＩ等の筋活動を計測可能な別のセンサであってもよい。
　また、上述の説明では、動作検知センサ３００として、加速度センサや角速度センサ等の慣性センサを用いる態様を示した。しかしながら、動作検知センサ３００は、例えば、モーションセンサ、画像センサ等を用いることもできる。
　また、上述の説明では、変位計測信号をサンプリングする態様を示した。しかしながら、動作計測信号をサンプリングする場合は、変位計測信号を周波数サンプリングすることも可能である。ただし、上述のように、変位計測信号をサンプリングすることによって、行動状態推定装置は、筋肉の負荷状態をより高精度に推定できる。
　このような点を考慮すると、変位検知センサ１０１は、圧電センサであることが好ましい。すなわち、加速度センサ等の他のセンサでは周波数成分を抽出することによって精度が向上するが、圧電センサを用いれば、このような周波数成分の抽出を行わなくても、精度良く推定できる。
　また、上述の特徴量を用いない態様（第６の実施形態）では、変位検知センサ１０１が圧電センサであることによって、より有効に作用する。
　また、上述の構成および処理では、行動状態として筋肉の負荷状態を推定する態様を示した。しかしながら、この筋肉の負荷状態に関連性を有する被験者の他の行動状態も推定可能である。
　また、上述の構成および処理では、サンプリングにより得られた変位計測データおよび動作計測データをそのまま用いて、あるいは信号強度分布を算出して得られた変位統計量および動作統計量を用いて、行動状態を推定する態様を示した。しかしながら、行動状態推定装置、および、行動状態推定方法には、各統計量の差分値（変化量）や変化率を用いることもできる。具体的には、行動状態推定装置、および、行動状態推定方法は、複数の統計量における、隣り合う統計量の差分値（変化量）や変化率を算出し、この算出値を用いる。これにより、行動状態推定装置、および、行動状態推定方法は、行動状態の変化を推定することもできる。
　また、上述の行動状態モデルを用いた負荷状態の推定において、入力ベクトルとして、次の生体情報に関する項目を追加してもよい。例えば、被計測者のＢＭＩ、身長、体重、体脂肪率、筋肉量、握力（左右、１回目、２回目）、下腿最小囲周径、年代（２０代、３０代、４０代、５０代、６０代）、性別（女性、男性）の少なくとも１つを加えてもよい。これにより、筋肉の負荷状態をより高精度に推定できる。
１０、１０Ａ、１０Ｂ：行動状態推定装置
１１：サンプリング部
１２：統計量算出部
１３、１３Ａ、１３Ｂ：行動状態モデル記憶部
１４、１４Ａ、１４Ｂ：推定演算部
２０、２０Ａ、２０Ｂ：行動状態学習装置
２１：サンプリング部
２２：モデル化基準値算出部
２４、２４Ａ、２４Ｂ：学習演算部
３１：サンプリング部
３２：統計量算出部
１０１：変位検知センサ
１０２：筋活動検知センサ
３００：動作検知センサ

Claims (18)

  1. 　被験者の変位計測信号を所定時間内においてサンプリングして、変位計測データを生成する第１サンプリング部と、
    　変位計測データと所望の筋肉の負荷状態とが関連づけられてモデル化された行動状態モデルを記憶する行動状態モデル記憶部と、
    　前記変位計測データを入力ベクトルとして、前記行動状態モデルを用いて、前記負荷状態を推定する推定演算部と、
    　を備える、行動状態推定装置。
  2. 　前記行動状態モデルは、
    　前記負荷状態の推定対象の筋肉毎に、前記変位計測データの時間範囲に応じた重要度が設定されている、
    　請求項１に記載の行動状態推定装置。
  3. 　前記被験者の動作計測信号を所定時間内においてサンプリングして、動作計測データを生成する第２サンプリング部を備え、
    　前記行動状態モデル記憶部は、
    　　前記変位計測データ、前記動作計測データ、および、所望の筋肉の負荷状態が関連づけられてモデル化された行動状態モデルを記憶し、
    　前記推定演算部は、
    　　前記変位計測データ、および、前記動作計測データを入力ベクトルとして、前記行動状態モデルを用いて、前記負荷状態を推定する、
    　請求項１または請求項２に記載の行動状態推定装置。
  4. 　前記行動状態モデルは、
    　前記負荷状態の推定対象の筋肉毎に、前記変位計測データの時間範囲に応じた重要度および前記動作計測データの時間範囲に応じた重要度が設定されている、
    　請求項３に記載の行動状態推定装置。
  5. 　前記変位計測データの時間範囲に応じた重要度および前記動作計測データの時間範囲に応じた重要度は、共通の重要度によって設定されている、
    　請求項４に記載の行動状態推定装置。
  6. 　前記変位計測データの時間範囲に応じた重要度および前記動作計測データの時間範囲に応じた重要度は、個別に設定されている、
    　請求項４に記載の行動状態推定装置。
  7. 　前記動作計測信号は、加速度および角速度の少なくとも一方の計測信号である、
    　請求項３乃至請求項６のいずれかに記載の行動状態推定装置。
  8. 　前記動作計測信号は少なくとも、直交三軸成分と前記直交三軸成分を合成した合成成分のいずれかを含む、
    　請求項７に記載の行動状態推定装置。
  9. 　前記変位計測信号は、生理的振戦による影響を含む変位を電圧変換した信号である、
    　請求項１乃至請求項８のいずれかに記載の行動状態推定装置。
  10. 　前記入力ベクトルとして生体情報を含む、
    　請求項１乃至請求項９のいずれかに記載の行動状態推定装置。
  11. 　被験者の変位計測信号を所定時間内においてサンプリングして、変位計測データを生成する第１サンプリング処理と、
    　変位計測データと所望の筋肉の負荷状態とが関連づけられてモデル化された行動状態モデルを用いて、前記変位計測データを入力ベクトルとして、前記負荷状態を推定する推定演算処理と、
    　を有する、行動状態推定方法。
  12. 　前記被験者の動作計測信号を時系列サンプリングして、動作計測データを生成する第２サンプリング処理を有し、
    　前記推定演算処理は、
    　　変位計測データ、動作計測データ、および、所望の筋肉の負荷状態が関連づけられてモデル化された行動状態モデルを用いて、前記変位計測データおよび前記動作計測データを入力ベクトルとして、前記負荷状態を推定する、
    　請求項１１に記載の行動状態推定方法。
  13. 　被験者の変位計測信号を所定時間内においてサンプリングして、変位計測データを生成する第１サンプリング部と、
    　筋活動計測信号を所定時間内においてサンプリングして、筋活動計測データを生成する第３サンプリング部と、
    　前記筋活動計測データから行動状態モデルのモデル化基準値を算出するモデル化基準値算出部と、
    　前記変位計測データと前記モデル化基準値を用いた学習を実行し、前記行動状態モデルを生成する学習演算部と、
    　を備える、行動状態学習装置。
  14. 　前記学習演算部は、
    　　前記変位計測データ、および、前記モデル化基準値を同期して、行動状態モデルを生成する、
    　請求項１３に記載の行動状態学習装置。
  15. 　前記被験者の動作の計測信号を所定時間内においてサンプリングして、動作計測データを生成する第２サンプリング部を備え、
    　前記学習演算部は、
    　　前記変位計測データ、前記動作計測データ、および、前記モデル化基準値を用いて、行動状態モデルを生成する、
    　請求項１３または請求項１４に記載の行動状態学習装置。
  16. 　前記学習演算部は、
    　　前記変位計測データ、前記動作計測データ、および、前記モデル化基準値を同期して、行動状態モデルを生成する、
    　請求項１５に記載の行動状態学習装置。
  17. 　被験者の変位計測信号を所定時間内においてサンプリングして、変位計測データを生成する第１サンプリング処理と、
    　筋活動計測信号を所定時間内においてサンプリングして、筋活動計測データを生成する第３サンプリング処理と、
    　前記筋活動計測データから行動状態モデルのモデル化基準値を算出するモデル化基準値算出処理と、
    　前記変位計測データと前記モデル化基準値を用いた学習を実行し、前記行動状態モデルを生成する学習演算処理と、
    　を有する、行動状態学習方法。
  18. 　前記被験者の動作計測信号を時系列サンプリングして、動作計測データを生成する第２サンプリング処理を有し、
    　前記学習演算処理は、
    　　前記第１統計量、前記第２統計量、および、前記モデル化基準値を用いて、行動状態モデルを生成する、
    　請求項１７に記載の行動状態学習方法。
PCT/JP2021/027255 2020-07-30 2021-07-21 行動状態推定装置、行動状態推定方法、行動状態学習装置、および、行動状態学習方法 WO2022024900A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2021574987A JP7047991B1 (ja) 2020-07-30 2021-07-21 行動状態推定装置、行動状態推定方法、行動状態学習装置、および、行動状態学習方法
CN202180050002.XA CN115916047A (zh) 2020-07-30 2021-07-21 行动状态推测装置、行动状态推测方法、行动状态学习装置以及行动状态学习方法
US18/156,565 US20230148906A1 (en) 2020-07-30 2023-01-19 Action state estimation apparatus, action state estimation method, action state learning apparatus, and action state learning method

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2020129387 2020-07-30
JP2020-129387 2020-07-30
JP2020-129388 2020-07-30
JP2020129388 2020-07-30

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/156,565 Continuation US20230148906A1 (en) 2020-07-30 2023-01-19 Action state estimation apparatus, action state estimation method, action state learning apparatus, and action state learning method

Publications (1)

Publication Number Publication Date
WO2022024900A1 true WO2022024900A1 (ja) 2022-02-03

Family

ID=80035615

Family Applications (2)

Application Number Title Priority Date Filing Date
PCT/JP2021/027255 WO2022024900A1 (ja) 2020-07-30 2021-07-21 行動状態推定装置、行動状態推定方法、行動状態学習装置、および、行動状態学習方法
PCT/JP2021/027254 WO2022024899A1 (ja) 2020-07-30 2021-07-21 行動状態推定装置、行動状態推定方法、行動状態学習装置、および、行動状態学習方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/027254 WO2022024899A1 (ja) 2020-07-30 2021-07-21 行動状態推定装置、行動状態推定方法、行動状態学習装置、および、行動状態学習方法

Country Status (4)

Country Link
US (2) US20230148906A1 (ja)
JP (2) JP7047990B1 (ja)
CN (2) CN115916047A (ja)
WO (2) WO2022024900A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7322985B2 (ja) * 2020-03-19 2023-08-08 カシオ計算機株式会社 運動支援装置、運動支援方法及びプログラム
JP7477000B1 (ja) 2023-02-22 2024-05-01 Smk株式会社 筋活動解析装置、筋活動解析方法及び筋活動解析プログラム

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002078697A (ja) * 2000-09-07 2002-03-19 Microstone Corp 身体動作センシング装置
JP2003116822A (ja) * 2001-06-26 2003-04-22 Matsushita Electric Works Ltd 筋活動解析装置およびトレーニング装置
JP2006345990A (ja) * 2005-06-14 2006-12-28 Tama Tlo Kk 筋活動推定システム
JP2007160076A (ja) * 2005-11-15 2007-06-28 Univ Nihon 人の姿勢動作判別装置およびエネルギー消費量算出装置
JP2011182824A (ja) * 2010-03-04 2011-09-22 Oki Electric Industry Co Ltd 行動状態推定装置、行動状態学習装置、行動状態推定方法、行動状態学習方法およびプログラム
JP2016097228A (ja) * 2014-11-26 2016-05-30 株式会社日立システムズ 行動分類システム、行動分類装置及び行動分類方法
US20170043215A1 (en) * 2015-08-10 2017-02-16 Catapult Group International Ltd Managing mechanical stress in sports participants
JP2018042998A (ja) * 2016-09-07 2018-03-22 社会福祉法人兵庫県社会福祉事業団 運動器作動力推定システム

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002078697A (ja) * 2000-09-07 2002-03-19 Microstone Corp 身体動作センシング装置
JP2003116822A (ja) * 2001-06-26 2003-04-22 Matsushita Electric Works Ltd 筋活動解析装置およびトレーニング装置
JP2006345990A (ja) * 2005-06-14 2006-12-28 Tama Tlo Kk 筋活動推定システム
JP2007160076A (ja) * 2005-11-15 2007-06-28 Univ Nihon 人の姿勢動作判別装置およびエネルギー消費量算出装置
JP2011182824A (ja) * 2010-03-04 2011-09-22 Oki Electric Industry Co Ltd 行動状態推定装置、行動状態学習装置、行動状態推定方法、行動状態学習方法およびプログラム
JP2016097228A (ja) * 2014-11-26 2016-05-30 株式会社日立システムズ 行動分類システム、行動分類装置及び行動分類方法
US20170043215A1 (en) * 2015-08-10 2017-02-16 Catapult Group International Ltd Managing mechanical stress in sports participants
JP2018042998A (ja) * 2016-09-07 2018-03-22 社会福祉法人兵庫県社会福祉事業団 運動器作動力推定システム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
TAKANOKURA MASATO, MIYAMOTO YASUHISA, SAKAMOTO KAZUYOSHI: "Mechanism of physiological tremor in upper limb and its application for evaluation of fatigue", NINGEN KOGAKU. THE JAPANESE JOURNAL OF ERGONOMICS, JAPAN ERGONOMICS SOCIETY, 4 September 2001 (2001-09-04), pages 274 - 275, XP055890386, Retrieved from the Internet <URL:https://www.jstage.jst.go.jp/article/jje1965/37/Supplement/37_Supplement_274/_pdf/-char/ja> [retrieved on 20220210], DOI: 10.5100/jje.37.Supplement_274 *

Also Published As

Publication number Publication date
JP7047990B1 (ja) 2022-04-05
US20230148908A1 (en) 2023-05-18
JP7047991B1 (ja) 2022-04-05
CN116322508A (zh) 2023-06-23
WO2022024899A1 (ja) 2022-02-03
JPWO2022024900A1 (ja) 2022-02-03
US20230148906A1 (en) 2023-05-18
CN115916047A (zh) 2023-04-04
JPWO2022024899A1 (ja) 2022-02-03

Similar Documents

Publication Publication Date Title
Durandau et al. Robust real-time musculoskeletal modeling driven by electromyograms
JP7047991B1 (ja) 行動状態推定装置、行動状態推定方法、行動状態学習装置、および、行動状態学習方法
US10004455B2 (en) Realtime biofeedback mechanism and data presentation for knee injury rehabilitation monitoring and a soft real time intelligent system thereof
Oh et al. Prediction of ground reaction forces during gait based on kinematics and a neural network model
Kutch et al. Endpoint force fluctuations reveal flexible rather than synergistic patterns of muscle cooperation
Sim et al. Predicting complete ground reaction forces and moments during gait with insole plantar pressure information using a wavelet neural network
Shourijeh et al. A forward-muscular inverse-skeletal dynamics framework for human musculoskeletal simulations
Shahabpoor et al. Real-life measurement of tri-axial walking ground reaction forces using optimal network of wearable inertial measurement units
US11403882B2 (en) Scoring metric for physical activity performance and tracking
CN112970074A (zh) 身体活动量化和监测
Golkar et al. Linear parameter varying identification of dynamic joint stiffness during time-varying voluntary contractions
JP2016144598A (ja) 運動機能診断装置及び方法、並びにプログラム
Karg et al. Clinical gait analysis: comparing explicit state duration HMMs using a reference-based index
Jalaleddini et al. Measurement of dynamic joint stiffness from multiple short data segments
Gopalakrishnan et al. A novel computational framework for deducing muscle synergies from experimental joint moments
KR20200141751A (ko) 보행 시간-주파수 분석에 기초한 건강 상태 예측 방법 및 시스템
Mountjoy et al. Use of the fast orthogonal search method to estimate optimal joint angle for upper limb Hill-muscle models
JP6079585B2 (ja) 歩容のバランス評価装置
Bueno et al. Effect of muscular fatigue on fractal upper limb coordination dynamics and muscle synergies
Rahmatalla et al. A validation framework for predictive human models
Kosterina et al. Force enhancement and force depression in a modified muscle model used for muscle activation prediction
Abid et al. Detection of asymmetric abnormalities in gait using depth data and dynamic Bayesian networks
Al-Fahoum et al. Prediction of sagittal lower limb joints moments under dynamic condition: Feasibility of using EMG and ARMA model identification techniques
WO2023026967A1 (ja) 筋状態推定装置及び筋状態推定方法
WO2022201418A1 (ja) 運動支援装置、運動支援方法及び記録媒体

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2021574987

Country of ref document: JP

Kind code of ref document: A

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

Ref document number: 21851381

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21851381

Country of ref document: EP

Kind code of ref document: A1