WO2022244222A1 - 推定装置、推定システム、推定方法、および記録媒体 - Google Patents

推定装置、推定システム、推定方法、および記録媒体 Download PDF

Info

Publication number
WO2022244222A1
WO2022244222A1 PCT/JP2021/019305 JP2021019305W WO2022244222A1 WO 2022244222 A1 WO2022244222 A1 WO 2022244222A1 JP 2021019305 W JP2021019305 W JP 2021019305W WO 2022244222 A1 WO2022244222 A1 WO 2022244222A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
feature amount
foot
estimation
pronation
Prior art date
Application number
PCT/JP2021/019305
Other languages
English (en)
French (fr)
Inventor
晨暉 黄
シンイ オウ
謙一郎 福司
史行 二瓶
浩司 梶谷
謙太郎 中原
Original Assignee
日本電気株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日本電気株式会社 filed Critical 日本電気株式会社
Priority to PCT/JP2021/019305 priority Critical patent/WO2022244222A1/ja
Priority to JP2023522150A priority patent/JPWO2022244222A5/ja
Publication of WO2022244222A1 publication Critical patent/WO2022244222A1/ja

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb

Definitions

  • the present disclosure relates to an estimation device or the like that estimates a physical state based on sensor data measured while walking.
  • a device that analyzes the user's gait by mounting a load measuring device or an inertial measuring device on footwear such as shoes. If the physical condition can be estimated based on the information about the gait, appropriate countermeasures can be taken according to the signs that appear in walking. For example, if the physical condition can be estimated based on the information about the gait, it is possible to take measures according to the estimated physical condition.
  • Patent Document 1 discloses a system that determines a user's motion characteristics using measured values measured by a motion sensor attached to the back of footwear.
  • the system of U.S. Patent No. 6,200,000 uses acceleration in three directions, angular velocity and angle about three axes to calculate strength metrics such as pronation and pronation excursion.
  • Patent Document 2 discloses a method of analyzing sole pressure data and evaluating the presence or absence of foot-related abnormalities.
  • sole pressure data for a predetermined period of time is acquired by a pressure sensor provided in the insole of the shoe.
  • the pronation foot/rotation Evaluate the outer leg.
  • Patent Document 3 discloses a walking motion analysis device that analyzes walking motions using images of pedestrians photographed from multiple directions.
  • the device of Patent Document 3 generates a silhouette image from the difference in value between the pixels at the positions of the pedestrians in the image and the pixels at the positions corresponding to the pedestrians in the background image.
  • the apparatus of Patent Document 3 constructs a three-dimensional human model using the generated silhouette image, and acquires the angle of each joint, the length between the joints, and the movement distance of the joints as parameters.
  • the device of Patent Literature 3 analyzes the walking state by comparing a parameter string extracted for each walking cycle calculated from the parameters with dictionary data generated in advance indicating actions during walking.
  • Patent Literature 3 discloses that a parameter string of a healthy person is stored as dictionary data for each person attribute such as height, weight, age, and sex.
  • intensity metrics such as pronation and pronation excursion can be calculated based on waveform features of time-series data of measured values measured by a motion sensor.
  • the judgment according to the calculated intensity metric had to be made by an expert.
  • Patent Document 2 it is possible to determine whether there is an abnormality in the pronation/supination foot based on the sole pressure data measured by the pressure sensor. Normally, the presence or absence of an abnormality in the pronation/supination foot cannot be accurately determined unless it is determined according to attributes such as gender and age. In the method of Patent Document 2, since the determination cannot be made according to the attributes such as gender and age, an accurate determination result cannot be obtained in some cases. Further, in the method of Patent Document 2, since the determination is made based on the data of the sole pressure measured by the pressure sensor, it was not possible to extract the features appearing during the swing phase.
  • Patent Document 3 since the dictionary data used as the reference for analysis is classified for each person attribute, by comparing the dictionary data closer to the person attribute with the parameter string, it is possible to determine walking according to the attribute of the pedestrian. The state can be analyzed. However, in the technique of Patent Document 3, it was necessary to use images captured from multiple directions in order to analyze the walking state. Moreover, in the method of Patent Document 3, since the attributes of a healthy person are used as a standard for analysis, the degree of abnormality due to injury or disease cannot be verified.
  • An object of the present disclosure is to provide an estimation device or the like that can estimate a physical state according to attributes based on sensor data measured while walking.
  • An estimation device from a walking waveform extracted from time-series data of sensor data based on the movement of the user's feet, in a section in which physical state features corresponding to the attribute appear, according to the user's attribute
  • a feature quantity extraction unit for extracting a feature quantity, and an estimation unit for estimating the user's physical state using the feature quantity extracted according to the user's attribute are included in a walking waveform extracted from time-series data of sensor data based on the movement of the user's feet, in a section in which physical state features corresponding to the attribute appear, according to the user's attribute.
  • the computer extracts from the walking waveform extracted from the time-series data of the sensor data based on the movement of the user's leg, in the section where the feature of the physical state corresponding to the attribute appears, the user's A feature amount corresponding to the attribute is extracted, and the physical state of the user is estimated using the feature amount extracted according to the attribute of the user.
  • a program from a gait waveform extracted from time-series data of sensor data based on the movement of the user's leg, performs a feature corresponding to the attribute of the user in a section in which the feature of the physical state corresponding to the attribute appears.
  • a computer is caused to execute a process of extracting the quantity and a process of estimating the user's physical state using the feature amount extracted according to the user's attribute.
  • an estimation device or the like capable of estimating a physical state according to attributes based on sensor data measured while walking.
  • FIG. 1 is a block diagram showing an example of the configuration of an estimation system according to a first embodiment
  • FIG. It is a conceptual diagram showing an example of arranging the data acquisition device of the estimation system according to the first embodiment in footwear.
  • FIG. 2 is a conceptual diagram for explaining the relationship between a local coordinate system and a world coordinate system set in the data acquisition device of the estimation system according to the first embodiment;
  • FIG. 2 is a conceptual diagram for explaining a human body plane;
  • FIG. 4 is a conceptual diagram for explaining a walking event;
  • FIG. 2 is a conceptual diagram for explaining pronation/supination of the foot;
  • FIG. 2 is a conceptual diagram for explaining a foot pressure center locus index (CPEI: Center of Pressure Excursion Index) derived from a foot pressure distribution;
  • CPEI Center of Pressure Excursion Index
  • FIG. 4 is a conceptual diagram for explaining the difference in CPEI according to the degree of pronation/supination of the foot;
  • FIG. 4 is a conceptual diagram for explaining an example of the correspondence relationship between the foot pressure center trajectory and the walking cycle; It is a block diagram showing an example of the configuration of the data acquisition device of the estimation system according to the first embodiment. It is a block diagram showing an example of a configuration of an estimating device of the estimating system according to the first embodiment.
  • FIG. 4 is a conceptual diagram for explaining an example of an inference model for each attribute, which is used by the estimation device of the estimation system according to the first embodiment;
  • FIG. 4 is a conceptual diagram showing an example of learning of an inference model used by the estimation device of the estimation system according to the first embodiment;
  • FIG. 4 is a conceptual diagram showing an example of estimation of the pronation/supination degree of the foot by the estimation device of the estimation system according to the first embodiment; 4 is a flowchart for explaining an example of the operation of the estimation device of the estimation system according to the first embodiment;
  • FIG. 2 is a conceptual diagram showing an example of arranging the data acquisition device and the pressure sensor of the estimation system according to the first embodiment in footwear.
  • the correlation coefficient between the CPEI (estimated value) estimated based on the sensor data measured by the data acquisition device of the estimation system according to the first embodiment and the CPEI (true value) measured by the pressure sensor is It is a graph showing.
  • FIG. 5 is a graph showing the correlation between CPEI (estimated value) estimated by the estimation device of the estimation system of the first embodiment and CPEI (true value) based on the measurement result of the pressure sensor;
  • Graph showing the result of Z-score verification of the correlation between the CPEI (estimated value) estimated by the estimation device of the estimation system of the first embodiment and the CPEI (true value) based on the measurement result of the pressure sensor 110 is.
  • the correlation coefficient between the CPEI (estimated value) estimated based on the sensor data measured by the data acquisition device of the estimation system according to the first embodiment and the CPEI (true value) measured by the pressure sensor is It is a graph showing.
  • FIG. 4 is a conceptual diagram showing an example of displaying information based on an estimation result regarding the degree of pronation/supination of the foot estimated by the estimation device of the estimation system according to the first embodiment on the display unit of the mobile terminal.
  • FIG. 10 is a conceptual diagram showing another example of displaying information based on the estimation result regarding the degree of pronation/supination of the foot estimated by the estimation device of the estimation system according to the first embodiment on the display unit of the mobile terminal.
  • FIG. 4 is a conceptual diagram showing an example of transmitting to a data center data based on an estimation result regarding the degree of pronation/supination of the foot estimated by the estimation device of the estimation system according to the first embodiment. It is a block diagram which shows an example of a structure of the estimation apparatus which concerns on 2nd Embodiment. It is a block diagram showing an example of hardware constitutions which realize an estimation device concerning each embodiment.
  • the estimation system of this embodiment measures the features (also called gait) included in the user's walking pattern, and estimates the physical state of the user by analyzing the measured gait.
  • the degree of pronation/supination of the foot is estimated based on the sensor data regarding the movement of the foot, according to the user's attributes such as gender and age.
  • the physical condition estimated by the method of the present embodiment is not limited to the degree of pronation/supination of the foot, and may include attributes such as gender and age, such as hallux valgus, bow legs/cross legs, and degree of obesity.
  • FIG. 1 is a block diagram showing the configuration of an estimation system 1 of this embodiment.
  • the estimation system 1 includes a data acquisition device 11 and an estimation device 12 .
  • the data acquisition device 11 and the estimation device 12 may be wired or wirelessly connected.
  • the data acquisition device 11 and the estimation device 12 may be configured as a single device.
  • the estimation system 1 may be configured with only the estimation device 12 excluding the data acquisition device 11 from the configuration of the estimation system 1 .
  • the data acquisition device 11 is installed on the foot.
  • the data acquisition device 11 is installed on footwear such as shoes.
  • the data acquisition device 11 includes an acceleration sensor and an angular velocity sensor.
  • the data acquisition device 11 acquires physical quantities such as acceleration measured by an acceleration sensor (also referred to as spatial acceleration) and angular velocity measured by an angular velocity sensor (also referred to as spatial angular velocity) as physical quantities related to the movement of the foot of the user wearing the footwear. measure.
  • the physical quantities related to the movement of the foot measured by the data acquisition device 11 include velocity, angle, and position (trajectory) calculated by integrating acceleration and angular velocity.
  • the data acquisition device 11 converts the measured physical quantity into digital data (also called sensor data).
  • the data acquisition device 11 transmits the converted sensor data to the estimation device 12 .
  • the data acquisition device 11 is connected to the estimation device 12 via a mobile terminal (not shown) carried by the user.
  • a mobile terminal is a communication device that can be carried by a user.
  • a mobile terminal is a mobile communication device having a communication function, such as a smart phone, a smart watch, or a mobile phone.
  • the mobile terminal receives sensor data regarding the movement of the user's foot from the data acquisition device 11 .
  • the mobile terminal transmits the received sensor data to a server or the like in which the estimation device 12 is implemented.
  • the function of the estimation device 12 may be implemented by application software or the like installed in the mobile terminal. In that case, the mobile terminal processes the received sensor data using application software or the like installed therein.
  • the data acquisition device 11 is realized, for example, by an inertial measurement device including an acceleration sensor and an angular velocity sensor.
  • An example of an inertial measurement device is an IMU (Inertial Measurement Unit).
  • the IMU includes an acceleration sensor that measures acceleration along three axes and an angular velocity sensor that measures angular velocity around three axes.
  • the data acquisition device 11 may be realized by an inertial measurement device such as VG (Vertical Gyro) or AHRS (Attitude Heading).
  • the data acquisition device 11 may be realized by GPS/INS (Global Positioning System/Inertial Navigation System).
  • FIG. 2 is a conceptual diagram showing an example of arranging the data acquisition device 11 inside the shoe 100.
  • the data acquisition device 11 is placed in an arrangement that hits the back side of the arch.
  • the data acquisition device 11 is placed on an insole that is inserted into the shoe 100 .
  • the data acquisition device 11 is arranged on the bottom surface of the shoe 100 .
  • the data acquisition device 11 is embedded in the body of the shoe 100 .
  • the data acquisition device 11 may be removable from the shoe 100 or may not be removable from the shoe 100 .
  • the data acquisition device 11 may be installed at a position other than the back side of the arch as long as it can acquire sensor data relating to the movement of the foot.
  • the data acquisition device 11 may be installed on a sock worn by the user or an accessory such as an anklet worn by the user. Also, the data acquisition device 11 may be attached directly to the foot or embedded in the foot.
  • FIG. 2 shows an example in which the data acquisition device 11 is installed on the shoe 100 on the right foot side, but the data acquisition device 11 may be installed on the shoes 100 on both feet. If the data acquisition devices 11 are installed in the shoes 100 for both feet, the physical condition can be estimated based on the movement of the feet for both feet.
  • FIG. 3 shows the local coordinate system (x-axis, y-axis, z-axis) set in the data acquisition device 11 when the data acquisition device 11 is installed on the back side of the foot arch
  • the world 2 is a conceptual diagram for explaining a coordinate system (X-axis, Y-axis, Z-axis);
  • FIG. 1 In the world coordinate system (X-axis, Y-axis, Z-axis), when the user is standing upright, the lateral direction of the user is the X-axis direction (right direction is positive), and the front direction of the user (moving direction) is the Y-axis direction ( Forward is positive), and the direction of gravity is set to be the Z-axis direction (vertically upward is positive).
  • a local coordinate system consisting of x, y, and z directions with reference to the data acquisition device 11 is set.
  • FIG. 4 is a conceptual diagram for explaining the plane set for the human body (also called the human body plane).
  • a sagittal plane that divides the body left and right a coronal plane that divides the body front and back, and a horizontal plane that divides the body horizontally are defined.
  • the world coordinate system and the local coordinate system match in the upright state as shown in FIG.
  • rotation in the sagittal plane with the x-axis as the rotation axis is roll
  • rotation in the coronal plane with the y-axis as the rotation axis is pitch
  • rotation in the horizontal plane with the z-axis as the rotation axis is yaw.
  • the rotation angle in the sagittal plane with the x-axis as the rotation axis is the roll angle
  • the rotation angle in the coronal plane with the y-axis as the rotation axis is the pitch angle
  • the rotation angle in the horizontal plane with the z-axis as the rotation axis.
  • the pitch angle rotation in the abduction direction (counterclockwise rotation about the y-axis) is positive
  • rotation in the adduction direction clockwise rotation about the y-axis
  • FIG. 5 is a conceptual diagram for explaining the step cycle based on the right foot.
  • the horizontal axis of FIG. 5 is a walking cycle normalized by taking one walking cycle of the right foot as 100%, starting from when the heel of the right foot touches the ground and ending when the heel of the right foot touches the ground. is.
  • One walking cycle of one leg is roughly divided into a stance phase in which at least part of the sole of the foot is in contact with the ground, and a swing phase in which the sole of the foot is separated from the ground.
  • normalization is performed so that the stance phase accounts for 60% and the swing phase accounts for 40%.
  • the stance phase is further subdivided into early stance T1, middle stance T2, final stance T3, and early swing T4.
  • the swing phase is further subdivided into early swing phase T5, middle swing phase T6, and final swing phase T7.
  • the walking waveform for one step cycle does not have to start from the time when the heel touches the ground.
  • FIG. 5(a) represents an event (heel strike) in which the heel of the right foot touches the ground (HS: Heel Strike).
  • FIG. 5B shows an event in which the toe of the left foot leaves the ground while the sole of the right foot touches the ground (OTO: Opposite Toe Off).
  • FIG. 5(c) shows an event in which the heel of the right foot is lifted (heel rise) while the sole of the right foot is in contact with the ground (HR: Heel Rise).
  • FIG. 5(d) shows an event in which the heel of the left foot touches the ground (opposite heel strike) (OHS: Opposite Heel Strike).
  • FIG. 5(e) represents an event (toe off) in which the toe of the right foot leaves the ground while the sole of the left foot touches the ground (TO: Toe Off).
  • FIG. 5(f) represents an event (foot crossing) in which the left foot and the right foot cross each other while the sole of the left foot is in contact with the ground (FA: Foot Adjacent).
  • FIG. 5(g) represents an event (tibia vertical) in which the tibia of the right foot becomes almost vertical to the ground while the sole of the left foot is in contact with the ground (TV: Tibia Vertical).
  • FIG. 5(h) represents an event (heel strike) in which the heel of the right foot touches the ground (HS: Heel Strike).
  • FIG. 5(h) corresponds to the end point of the walking cycle starting from FIG. 5(a) and the starting point of the next walking cycle.
  • FIG. 6 is a conceptual diagram for explaining pronation/supination of the foot.
  • Pronation/supination of the foot is a triplanar movement that includes movements in the coronal, sagittal and horizontal planes simultaneously.
  • pronation/supination of the foot is considered as coronal motion of the subtalar joint.
  • the sensor data in the local coordinate system are transformed into the world coordinate system when calculating the pitch angle.
  • Supination is a movement of the foot consisting of adduction, plantarflexion and varus.
  • Pronation is a movement consisting of abduction, dorsiflexion, and valgus.
  • a foot that pronates to a large extent and is fixed in that state is called a pronated foot.
  • a foot that has a large degree of supination and is fixed in that state is called a supination foot.
  • FIG. 7 is a conceptual diagram for explaining CPEI.
  • FIG. 7 shows a center of pressure (CoP) trajectory superimposed on the foot pressure distribution.
  • the foot pressure center trajectory is the point of maximum foot pressure (maximum load center) on a line obtained by cutting the foot pressure distribution on the floor (in the XY plane) by the coronal plane (ZX plane), and the heel contact along the Y-axis direction. It is a trajectory connecting a point (start point) to a tiptoe separation point (end point). A straight line connecting the start point and the end point is called a central axis (also called a construction line).
  • a trapezoid with a base perpendicular to the central axis encloses the outline of the foot, and the front third of the foot is cut with a cutting line parallel to the base of the trapezoid.
  • A be the point on the inside of the foot and D be the point on the outside of the foot.
  • B be the intersection point of the central axis and the cutting line
  • C be the intersection point of the foot pressure center locus and the cutting line.
  • the line segment BC is called CPE (Center of Pressure Excursion).
  • a line segment AD corresponds to the foot width.
  • Equation 1 the ratio of CPE (length of line segment BC) to foot width (length of line segment AD) corresponds to foot pressure central locus index CPEI (equation 1).
  • CPEI CPE/foot width ⁇ 100 (1)
  • start point and end point how to enclose the trapezoid, how to cut the trapezoid, and the like, which are used to derive the CPEI, are only examples, and are not limited to the above definitions.
  • FIG. 8 is a conceptual diagram for comparing the CPEI for supinated, normal, and pronated paws.
  • the CPE the length of the line segment BC
  • the foot width the length of the line segment AD
  • CPE length of line segment BC
  • foot width the length of line segment AD
  • a CPEI of 20 or more is classified as supination
  • a CPEI of 9-20 is classified as normal
  • a CPEI of 9 or less is classified as pronation.
  • the criteria based on the above CPEI values are an example of the degree of pronation/supination of the foot, and the criteria for the degree of pronation/supination of the foot are not limited to those described above. .
  • the estimating device 12 estimates the degree of pronation/supination of the foot using the time-series data of the pitch angle, which is the rotation angle of the foot about the Y-axis. Specifically, the estimating device 12 estimates the degree of pronation/supination of the foot using the feature amount extracted from the time-series data of the pitch angle based on the criterion according to the attribute.
  • a walking waveform that expresses the characteristics of the physical condition may be used.
  • the estimation device 12 estimates the degree of pronation/supination of the foot using an estimation model generated for each attribute. An inference model for each attribute will be described later.
  • FIG. 9 is a conceptual diagram for explaining the correspondence between the foot pressure center trajectory and the walking cycle.
  • FIG. 9 shows the foot pressure distribution measured for a subject, the central axis of the foot pressure distribution, and the locus of the foot pressure center.
  • the left side of the foot pressure distribution shows the walking cycle corresponding to the foot pressure center trajectory. 15 to 25% of the walking cycle is in a state where the sole of the right foot is fully grounded (Foot flat).
  • the full sole contact means that the entire contact surface of the sole is in contact with the ground.
  • the pitch angle is 0 degree when the sole is fully grounded (Foot flat). 30% of the walking cycle corresponds to heel lift timing.
  • the contact area between the sole and the ground is biased toward the outside of the foot, resulting in a steep CPEI curve.
  • the pitch angle becomes smaller at the end of stance, which is 30 to 50% of the walking cycle. If the degree of supination is excessive, the pitch angle may become negative.
  • the contact portion between the sole and the ground is biased toward the medial side of the foot, resulting in a gentle CPEI curve. In this case, there is a tendency for abduction, and the pitch angle increases at the end of stance, which is 30-50% of the walking cycle.
  • the feature amount that can be used to estimate the degree of pronation/supination of the foot appears in different walking cycles (also referred to as walking phases) depending on attributes such as gender and age. It became clear.
  • features that can be applied to the estimation of the degree of foot pronation/supination appear in the latter half of the stance phase (immediately before toe-off) and the latter half of the swing phase (immediately before heel strike).
  • a feature quantity that can be applied to the estimation of the degree of pronation/supination of the foot appears in the first half of the stance phase (immediately after heel contact and during single leg support). Therefore, when gender is used as an attribute, features extracted from the latter half of the stance phase and the latter half of the swing phase (male) and the first half of the stance phase (female) may be used.
  • the estimation device 12 is implemented in a server (not shown) or the like.
  • the estimating device 12 may be implemented by an application server.
  • the estimation device 12 may be implemented by application software or the like installed in a mobile terminal (not shown).
  • FIG. 10 is a block diagram showing an example of the detailed configuration of the data acquisition device 11. As shown in FIG. The data acquisition device 11 has an acceleration sensor 111 , an angular velocity sensor 112 , a control section 113 and a data transmission section 115 . Note that the data acquisition device 11 includes a power supply (not shown).
  • the acceleration sensor 111 is a sensor that measures acceleration in three axial directions (also called spatial acceleration).
  • the acceleration sensor 111 outputs the measured acceleration to the controller 113 .
  • the acceleration sensor 111 can be a sensor of a piezoelectric type, a piezoresistive type, a capacitive type, or the like. It should be noted that the sensor used for the acceleration sensor 111 is not limited in its measurement method as long as it can measure acceleration.
  • the angular velocity sensor 112 is a sensor that measures angular velocities in three axial directions (also called spatial angular velocities).
  • the angular velocity sensor 112 outputs the measured angular velocity to the controller 113 .
  • the angular velocity sensor 112 can be a vibration type sensor or a capacitance type sensor. It should be noted that the sensor used for the angular velocity sensor 112 is not limited in its measurement method as long as it can measure the angular velocity.
  • the control unit 113 acquires accelerations in three-axis directions and angular velocities around three axes from each of the acceleration sensor 111 and the angular velocity sensor 112 .
  • Control unit 113 converts the acquired acceleration and angular velocity into digital data, and outputs the converted digital data (also referred to as sensor data) to data transmission unit 115 .
  • the sensor data includes at least acceleration data converted into digital data and angular velocity data converted into digital data.
  • the acceleration data includes acceleration vectors in three axial directions.
  • the angular velocity data includes angular velocity vectors around three axes. Acceleration data and angular velocity data are associated with acquisition times of the data.
  • control unit 113 may be configured to output sensor data obtained by adding corrections such as mounting error, temperature correction, linearity correction, etc. to the acquired acceleration data and angular velocity data. Also, the control unit 113 may generate angle data about three axes using the acquired acceleration data and angular velocity data.
  • control unit 113 is a microcomputer or microcontroller that performs overall control of the data acquisition device 11 and data processing.
  • the control unit 113 has a CPU (Central Processing Unit), RAM (Random Access Memory), ROM (Read Only Memory), flash memory, and the like.
  • Control unit 113 controls acceleration sensor 111 and angular velocity sensor 112 to measure angular velocity and acceleration.
  • the control unit 113 performs AD conversion (Analog-to-Digital Conversion) on physical quantities (analog data) such as measured angular velocity and acceleration, and stores the converted digital data in a flash memory.
  • AD conversion Analog-to-Digital Conversion
  • Physical quantities (analog data) measured by acceleration sensor 111 and angular velocity sensor 112 may be converted into digital data by acceleration sensor 111 and angular velocity sensor 112, respectively.
  • Digital data stored in the flash memory is output to the data transmission unit 115 at a predetermined timing.
  • the data transmission unit 115 acquires sensor data from the control unit 113.
  • the data transmission unit 115 transmits the acquired sensor data to the estimation device 12 .
  • the data transmission unit 115 may transmit the sensor data to the estimation device 12 via a cable such as a cable, or may transmit the sensor data to the estimation device 12 via wireless communication.
  • the data transmission unit 115 is configured to transmit the sensor data to the estimation device 12 via a wireless communication function (not shown) conforming to standards such as Bluetooth (registered trademark) and WiFi (registered trademark). .
  • the communication function of the data transmission unit 115 may conform to standards other than Bluetooth (registered trademark) and WiFi (registered trademark).
  • FIG. 11 is a block diagram showing an example of the configuration of the estimation device 12.
  • the estimation device 12 has a detection unit 121 , a feature quantity extraction unit 125 , a storage unit 123 and an estimation unit 127 .
  • a communication interface such as a receiving unit for receiving sensor data from the data acquisition device 11 and an output unit for outputting the result of estimation by the estimation unit 127 is provided. In this embodiment, communication interfaces are omitted.
  • the detection unit 121 acquires sensor data from the data acquisition device 11 .
  • the detection unit 121 transforms the coordinate system of the acquired sensor data from the local coordinate system to the world coordinate system.
  • the local coordinate system (x-axis, y-axis, z-axis) and the world coordinate system (X-axis, Y-axis, Z-axis) coincide. Since the spatial posture of the data acquisition device 11 changes while the user is walking, the local coordinate system (x-axis, y-axis, z-axis) and the world coordinate system (X-axis, Y-axis, Z-axis) are It does not match.
  • the detection unit 121 converts the sensor data acquired by the data acquisition device 11 from the local coordinate system (x-axis, y-axis, z-axis) of the data acquisition device 11 to the world coordinate system (X-axis, Y-axis, Z-axis). ).
  • the detection unit 121 uses the sensor data to generate time-series data of physical quantities related to the movement of the foot, which are measured as the pedestrian wearing the footwear on which the data acquisition device 11 is installed walks. For example, the detection unit 121 generates time-series data such as spatial acceleration and spatial angular velocity. The detection unit 121 also integrates the spatial acceleration and the spatial angular velocity to generate time-series data such as the spatial velocity, the spatial angle (sole angle), and the spatial trajectory. These time-series data correspond to walking waveforms. The detection unit 121 generates time-series data at predetermined timings and time intervals set in accordance with a general walking cycle or a user-specific walking cycle.
  • the timing at which the detection unit 121 generates the time-series data can be set arbitrarily.
  • the detection unit 121 is configured to continue generating time-series data while the user continues walking.
  • the detection unit 121 may be configured to generate time-series data at a specific timing.
  • the detection unit 121 extracts time-series data (also referred to as a walking waveform) for one step cycle from the generated time-series data.
  • time-series data also referred to as a walking waveform
  • the detection unit 121 extracts a walking waveform of acceleration in the direction of travel for one step cycle from time-series data of acceleration in the direction of travel (Y direction).
  • the detection unit 121 detects the timing of the toe-off in the walking waveform of the acceleration in the traveling direction for one step cycle.
  • the timing of the toe-off is the timing at which a trough is detected between two peaks included in the maximum peak in the walking waveform of the acceleration in the traveling direction for one step cycle.
  • the detection unit 121 detects the heel contact timing in the traveling direction acceleration walking waveform for one step period.
  • the timing of heel contact is the midpoint timing between the timing at which the minimum peak is detected and the timing at which the maximum peak that appears next to the minimum peak is detected in the forward acceleration walking waveform for one step cycle. .
  • the storage unit 123 stores an inference model generated in advance for each attribute.
  • the storage unit 123 stores an estimation model for estimating the physical condition for each attribute such as gender and age.
  • FIG. 12 is a conceptual diagram showing an example of the inference model 130 stored in the storage unit 123.
  • the storage unit 123 stores an attribute-by-attribute estimation model 130 for estimating a physical state in response to an input of a feature amount extracted from a walking phase in which differences due to attributes such as gender and age appear.
  • Male model 130M (also referred to as male inference model) is a model for estimating male physical condition.
  • the female model 130F (also referred to as an inference model for female) is a model for estimating the physical condition of a female.
  • the young person model 130Y (also referred to as the young person's estimation model) is a model for estimating the physical condition of a young person of about 20 to 39 years old.
  • the elderly model 130S (also referred to as an inference model for the elderly) is a model for estimating the physical condition of an elderly person aged 60 or over. Note that if the attributes of the user are known in advance, the inference model 130 corresponding to the attributes of the user may be stored in the storage unit 123 .
  • the body condition to be estimated is the degree of pronation/supination
  • walking cycle walking phase
  • the features specific to men are the latter half of the stance phase (immediately before toe-off) and the latter half of the swing phase (immediately before heel strike) in the pitch angle walking waveform (also called the angular waveform in the coronal plane). is extracted from a period including (also referred to as a male feature amount extraction period).
  • a female-specific feature amount is extracted from a period (also referred to as a female feature amount extraction period) including the first half of the stance phase (immediately after heel contact and a period of one-leg support).
  • the feature values peculiar to young people aged 20 to 39 are the period including the latter half of the stance phase (immediately before toe-off) and the latter half of the swing phase (immediately before heel contact) (young person feature value extraction period (also called For example, the feature value specific to elderly people aged 60 and over is a period including the first half of the stance phase (immediately after heel contact) and the latter half of the swing phase (immediately before heel contact) (also referred to as the elderly feature value extraction period).
  • the inference model 130 for each attribute outputs an estimation result regarding the physical state in response to the input of the feature amount of the pitch angle in the walking cycle (walking phase) according to the attribute.
  • the estimation model 130 for each attribute outputs an estimation result regarding the degree of pronation/supination of the foot according to the input of the pitch angle feature amount in the walking cycle (walking phase) according to the attribute.
  • the inference model 130 outputs pronation/supination of the foot as an estimation result regarding the degree of pronation/supination of the foot in accordance with the input of the feature amount of the pitch angle in the walking cycle (walking phase) according to the attribute. / Output the normal judgment result.
  • the male model 130M estimates the degree of pronation/supination of the foot according to the input of the feature amount extracted from the latter half of the stance phase and the latter half of the swing phase in the walking waveform of the pitch angle. Output.
  • the male model 130M outputs an estimation result according to the input of the feature amount extracted from the walking waveform of the pitch angle during the male feature amount extraction period including immediately before the toe-off and immediately before the heel strike.
  • the female model 130F outputs an estimation result regarding the degree of pronation/supination of the foot according to the input of the feature quantity extracted from the first half of the stance phase in the walking waveform of the pitch angle.
  • the female model 130F outputs an estimation result according to the input of the feature amount extracted from the walking waveform of the pitch angle in the female feature amount extraction period including the period immediately after heel contact and the period of one-leg support.
  • the young person model 130Y estimates the degree of pronation/supination of the foot according to the input of the feature amount extracted from the latter half of the stance phase and the latter half of the swing phase in the walking waveform of the pitch angle. to output
  • the young person's model 130Y performs pronation/pronation of the foot according to the input of the feature amount extracted from the walking waveform of the pitch angle during the young person's feature amount extraction period including immediately before the toe-off and immediately before the heel strike.
  • the elderly model 130S estimates the degree of pronation/supination of the foot according to the input of the feature amount extracted from the first half of the stance phase and the second half of the swing phase in the walking waveform of the pitch angle. to output In other words, the elderly model 130S outputs the estimation result according to the input of the feature quantity extracted from the walking waveform of the pitch angle during the elderly feature quantity extraction period including immediately after the heel contact and immediately before the heel contact. .
  • age is used as an attribute
  • the latter half of the swing phase (immediately before heel contact)
  • an estimation is made by learning a data set of the feature amount extracted from the pitch angle time-series data measured by the data acquisition device 11 and the CPEI obtained from the foot pressure distribution measured by the pressure sensor. Create a model in advance. For example, an inference model that outputs the degree of pronation/supination of the foot according to the input of feature values extracted from the pitch angle time-series data during the walking cycle (gait phase), in which unique features appear for each attribute. be generated in advance.
  • an arithmetic mean, weighted mean, or other mean value, integral value, or the like of the pitch angle extracted from the time-series data of the pitch angle is used as a feature quantity.
  • a large amount of data with pitch angles as explanatory variables and CPEI as objective variables is measured for a plurality of subjects, and an inference model is generated by learning these data as teacher data. For example, even if we generate an inference model that classifies the foot condition as one of pronation, supination, and normal according to the CPEI estimate and outputs the degree of pronation/supination of the foot. good.
  • FIG. 13 is a conceptual diagram showing an example of learning by the learning device 13 using a data set of pitch angle feature amounts (explanatory variables) and CPEI (objective variables) as teacher data.
  • an inference model 130 that outputs an estimation result regarding the degree of pronation/supination of the foot according to the input of the feature amount of the pitch angle is prepared in advance. generate it.
  • the pre-generated inference model 130 is stored in the storage unit 123.
  • the estimation model 130 may be stored in the estimating device 12 at times such as when the product is shipped from the factory or during calibration before the user uses the estimating device 12 .
  • the estimating device 12 inputs to the estimating model 130 the feature quantity extracted from the pitch angle time-series data generated using the sensor data measured by the data acquisition device 11, thereby pronating/rotating the foot.
  • Estimate the degree of outside For example, the estimating device 12 outputs an estimation result classified into one of the three categories of supination, normal, and pronation as the degree of pronation/supination of the foot.
  • the estimating device 12 may output an estimated CPEI value or a pitch angle feature amount as the degree of pronation/supination of the foot.
  • the feature amount extraction unit 125 extracts feature amounts used for estimating the physical state from the walking waveform for the one-step cycle, according to the attributes of the user. Specifically, the feature quantity extraction unit 125 extracts the feature quantity used for estimating the physical state from the walking waveform for the one-step cycle, using the estimation model for each attribute stored in the storage unit 123 . For example, the feature quantity extraction unit 125 uses an inference model according to the attributes of the user to extract the feature quantity used for estimating the degree of pronation/supination from the walking waveform of the pitch angle (angular waveform in the coronal plane). to extract For example, the feature amount extraction unit 125 uses an inference model according to the attributes of the user to extract pronation/pronation/ It is extracted as a feature quantity used for estimating the degree of supination.
  • the estimating unit 127 inputs the feature amount of the walking waveform of the pitch angle (angular waveform in the coronal plane) extracted by the feature amount extracting unit 125 to the estimation model 130 for each attribute, and estimates the estimation result regarding the physical condition. .
  • the estimation unit 127 inputs the feature amount of the pitch angle gait waveform (angular waveform in the coronal plane) extracted by the feature amount extraction unit 125 to the estimation model 130 for each attribute, and calculates the pronation/rotation of the foot. Estimate the result of the estimation on the degree of outside.
  • the estimation unit 127 outputs estimation results.
  • the estimation result by the estimation unit 127 is output to a host system, a server in which a database is constructed, a user's mobile terminal from which the walking waveform is acquired, or the like.
  • the output destination of the estimation result by the estimation unit 127 is not particularly limited.
  • FIG. 14 is a conceptual diagram showing an example in which estimation results regarding the degree of pronation/supination of the foot are output by inputting the feature amount of the pitch angle for each attribute into the estimation model 130 generated in advance.
  • the estimation result regarding the degree of pronation/supination of the foot includes the determination result of pronation/supination/normality of the foot.
  • the estimation result regarding the degree of pronation/supination of the foot includes recommendation information to refer to a suitable hospital for examination according to the determination result of pronation/supination/normality of the foot.
  • the estimated result for the degree of pronation/supination of the foot may be a pitch angle value or a CPEI. Note that the above estimation result is an example, and does not limit the estimation result output from the estimation model 130 by inputting the pitch angle feature amount for each attribute.
  • the inference model 130 uses the input of the feature amount of the pitch angle for each attribute to determine the pronation/supination/normality determination result of the foot as the estimation result regarding the degree of pronation/supination of the foot. Output recommendation information to proceed to an appropriate hospital.
  • the inference model 130 outputs a pitch angle value or CPEI as an estimation result regarding the degree of pronation/supination of the foot in response to the input of the pitch angle feature amount for each attribute.
  • the estimation result of the estimation model 130 described above is an example, and the estimation result output from the estimation model 130 is not limited by inputting the feature amount of the pitch angle for each attribute.
  • FIG. 15 is a flowchart for explaining the outline of the operation of the estimating device 12. As shown in FIG. The details of the operation of the estimating device 12 are as described for the configuration above.
  • the estimating device 12 acquires sensor data relating to physical quantities related to foot movement from the data acquiring device 11 (step S11).
  • the estimation device 12 converts the coordinate system of the acquired sensor data from the local coordinate system set in the data acquisition device 11 to the world coordinate system (step S12).
  • the estimation device 12 generates a walking waveform using the time-series data of the sensor data converted into the world coordinate system (step S13).
  • the estimating device 12 extracts a feature quantity from the angle waveform of the coronal plane (pitch angle walking waveform) during a period (walking phase) in which features according to the user's attributes appear (step S14).
  • the estimation device 12 inputs the extracted feature amount to the estimation model 130 corresponding to the user's attribute, and estimates the physical state of the user (step S15). For example, the estimating device 12 inputs a feature amount into the estimation model 130 according to the user's attribute, and estimates the degree of pronation/supination of the user's foot.
  • the estimation device 12 outputs an estimation result regarding the user's physical condition (step S16). For example, the estimating device 12 outputs an estimation result regarding the degree of pronation/supination of the foot (step S16).
  • FIG. 16 is a conceptual diagram showing an arrangement example of the pressure sensor 110 and the data acquisition device 11 used in this verification example.
  • a pressure sensor 110 capable of measuring foot pressure distribution was inserted as an insole of the shoe 100, and the data acquisition device 11 was mounted on the back side of the arch.
  • the CPEI estimated value estimated based on the feature amount extracted from the pitch angle time-series data and the actual CPEI value (true value) was verified.
  • the average age of the subjects in this verification example was 44.3 years old, the youngest was 20 years old, and the oldest was 71 years old.
  • the subjects had an average weight of 62.9 kg (kg), a maximum weight of 115 kg, and a minimum weight of 40 kg.
  • the average height of the subjects in this verification example was 165.0 cm (centimeter), the maximum height was 192 cm, and the minimum height was 143 cm.
  • the test subject's foot size in this verification example was 25.3 cm on average, 22.5 cm at minimum, and 29.0 cm at maximum.
  • the BMI (Body Mass Index) of the subjects in this verification example was 22.9 on average, 36.3 at maximum, and 17.3 at minimum.
  • each subject was asked to walk straight from the starting point to the turning point 15 meters (meters) ahead, turn back at the turning point, and walk straight to the starting point three times.
  • Each subject was allowed to walk at different walking speeds in three trials.
  • the walking speed in the three trials includes three patterns of normal walking, slow walking, and fast walking. To eliminate physical and psychological biases, we changed the order of walking speeds for each subject.
  • the average value of all the number of steps in one trial was calculated.
  • One point of data one set of average waveforms
  • the estimating device 12 generates nine types of walking waveforms of acceleration in three-axis directions, angular velocities around three axes, and angles around three axes (plantar angles).
  • correlation with CPEI was evaluated for each walking cycle (walking phase) from nine types of walking waveforms.
  • a leave-one-subject-out method was used to eliminate biases due to data distribution, and finally the average correlation coefficient was calculated.
  • a threshold value was set in advance for the correlation coefficient, and walking phases in which the correlation coefficient exceeded the threshold value and which could be correlated were selected.
  • the feature amount for each walking phase cluster was calculated.
  • the integral average value of the measurement values in the multiple walking phases that make up the walking phase cluster was used as the feature quantity.
  • FIG. 17 shows correlation coefficients for each sex between the CPEI (estimated value) estimated based on the feature amount extracted from the pitch angle time-series data and the CPEI (true value) measured by the pressure sensor 110.
  • the hatched upper/lower boundary line of the range corresponds to the threshold.
  • the correlation between the CPEI (estimated value) and the CPEI (true value) is high in the section (the walking phase section in which the correlation coefficient exceeds the threshold) that protrudes outside the hatched range. That is, it is possible to extract the feature amount of CPEI for each attribute (sex) from the section of the walking phase in which the correlation coefficient exceeds the threshold.
  • the correlation coefficient exceeds the threshold in the first half of the stance phase (period F1 immediately after heel strike and period F2 with single leg support).
  • the correlation coefficient exceeds the threshold in the latter half of the stance phase (period M1 immediately before toe-off) and the latter half of the swing phase (period M2 immediately before heel-strike).
  • the interval of the walking phase that correlates with CPEI is different.
  • an inference model was generated using features extracted from the first half of the stance phase (the period F1 immediately after heel contact and the period F2 during single-leg support).
  • an inference model generated for males (dotted line).
  • FIG. 18 is based on the CPEI (estimated value) estimated by inputting the feature amount extracted from the section of the walking phase where the characteristics of each gender appear into the inference model for each gender, and the measurement result of the pressure sensor 110.
  • 4 is a graph showing a correlation with CPEI (true value);
  • FIG. 18 shows the results of verifying the correlation between CPEI (estimated value) and CPEI (true value) using leave-one-subject-out cross-validation.
  • the Intraclass Correlation Coefficient (ICC) was 0.560.
  • the ICC was 0.553.
  • FIG. 19 is a graph showing the results of Z-score verification of the correlation between CPEI (estimated value) and CPEI (true value).
  • the results of FIGS. 18 and 19 are the CPEI (estimated value) estimated using the feature amount extracted from the walking phase section in which features for each gender appear, and the CPEI (estimated value) measured using the pressure sensor 110 ( true value) indicates moderate agreement. That is, the degree of pronation/supination (CPEI) can be estimated using the feature amount extracted from the walking phase section in which the characteristics of each gender appear.
  • FIG. 20 shows the correlation coefficient for each age between the CPEI (estimated value) estimated based on the feature amount extracted from the pitch angle time-series data and the CPEI (true value) measured by the pressure sensor 110.
  • upper/lower boundary lines of the hatched range are set as threshold values.
  • the correlation between the CPEI (estimated value) and the CPEI (true value) is high in the section (the walking phase section in which the correlation coefficient exceeds the threshold) that protrudes outside the hatched range. That is, the feature amount of CPEI can be extracted from the section of the walking phase in which the correlation coefficient exceeds the threshold.
  • the correlation coefficient exceeds the threshold in the first half of the stance phase (period S1 immediately after heel strike) and the latter half of the swing phase (period S2 immediately before heel strike).
  • the correlation coefficient exceeds the threshold in the latter half of the stance phase (period Y1 immediately before toe-off) and the latter half of the swing phase (period Y2 immediately before heel-strike). In this way, the elderly (solid line) and the young (dotted line) have different walking phase sections that are correlated with the CPEI.
  • an inference model is generated using features extracted from the first half of the stance phase (period S1 immediately after heel contact) and the second half of the swing phase (period S2 immediately before heel contact). should be generated.
  • an inference model using features extracted from the latter half of the stance phase (period Y1 immediately before toe-off) and the latter half of the swing phase (period Y2 immediately before heel contact) should be generated.
  • the degree of pronation/supination can also be estimated using the feature values extracted from the walking phase sections in which age-specific features appear.
  • This application example is an example in which the estimation result regarding the degree of pronation/supination of the foot output by the estimation device 12 is displayed on a display device or utilized as big data.
  • the data acquisition device 11 is installed in the shoes of the pedestrian, and the sensor data based on the physical quantity related to the movement of the foot measured by the data acquisition device 11 is transmitted to the portable terminal possessed by the pedestrian. shall be It is assumed that the sensor data transmitted to the mobile terminal is processed by application software or the like installed in the mobile terminal.
  • FIG. 21 is an example of displaying an estimation result regarding the degree of pronation/supination of the foot of the walker on the screen of the mobile terminal 160 of the walker wearing the shoes 100 on which the data acquisition device (not shown) is installed. is.
  • Let A pedestrian who has browsed the estimation result regarding the degree of pronation/supination of the foot displayed on the screen of the mobile terminal 160 can take action according to the estimation result.
  • a pedestrian who browses the estimation results regarding the degree of pronation/supination of the foot displayed on the screen of the mobile terminal 160 can contact a medical institution or the like about his/her situation according to the estimation results.
  • a pedestrian who browses the estimation results regarding the degree of pronation/supination of the foot displayed on the screen of the mobile terminal 160 can exercise and walk in a manner suitable for him/herself according to the estimation results.
  • FIG. 22 is a screen of a mobile terminal 160 of a walker wearing shoes 100 on which a data acquisition device (not shown) is installed. is displayed.
  • the screen of the mobile terminal 160 displays information recommending that the pedestrian undergo a medical examination at a hospital, depending on the progress of pronation/supination of the foot.
  • a link to a site or a telephone number of a hospital that can be visited may be displayed on the screen of the mobile terminal 160 .
  • a pedestrian who has browsed the information according to the estimation result regarding the degree of pronation/supination of the foot displayed on the screen of the mobile terminal 160 can act according to the information.
  • FIG. 23 shows an example in which information based on sensor data measured by a data acquisition device (not shown) is transmitted to a data center 170 from mobile terminals 160 of a plurality of pedestrians wearing shoes 100 equipped with a data acquisition device.
  • the mobile terminal 160 transmits the sensor data measured by the data acquisition device, the CPEI estimated value, and the estimation results regarding the degree of pronation/supination of the foot of the walker to the data center 170 .
  • data sent to data center 170 is stored in a database.
  • data accumulated in a database is utilized as big data.
  • an example of estimating the degree of pronation/supination is described as a physical condition.
  • the method of the present embodiment can also be applied to estimation of body conditions other than the degree of pronation/supination.
  • the degree of hallux valgus tends to be primarily influenced by footwear in women and by injury in men. Therefore, it is presumed that the degree of hallux valgus is characterized by different sections depending on gender. For example, the tendencies of bow legs and cross legs are different depending on whether a person mainly works standing or sitting. Assuming such an assumption, it is presumed that the degree of bow legs and cross legs differs in the interval in which characteristics appear depending on social attributes such as occupation.
  • the estimation system of this embodiment includes a data acquisition device and an estimation device.
  • the data acquisition device is installed on the user's foot and measures spatial acceleration and spatial angular velocity.
  • the data acquisition device generates sensor data based on the measured spatial acceleration and spatial angular velocity, and transmits the generated sensor data to the estimation device.
  • the estimation device includes a detection unit, a feature amount extraction unit, a storage unit, and an estimation unit.
  • the detection unit detects a walking event from time-series data of sensor data based on the movement of the user's foot.
  • the detection unit extracts a walking waveform for one step based on the detected walking event.
  • the feature quantity extraction unit extracts a feature quantity corresponding to the attribute of the user from the walking waveform extracted by the detection unit in a section in which the feature of the physical state corresponding to the attribute of the user appears.
  • the storage unit stores an inference model that outputs the user's physical state according to the input of the feature amount extracted according to the user's attribute.
  • the estimation unit inputs the feature amount extracted according to the attribute of the user to the estimation model stored in the storage unit to estimate the physical state of the user.
  • the estimation system of the present embodiment uses sensor data based on foot movements measured by a data acquisition device installed on the user's foot to estimate the user's physical condition according to attributes. That is, the estimation system of this embodiment can estimate the physical condition according to the attribute based on the sensor data measured while walking.
  • the estimating unit in response to the input of the feature amount extracted according to the attribute, outputs the estimated result of the physical state according to the attribute, which is extracted from the walking waveform of the user. Input the feature value.
  • the estimation unit estimates the physical state of the user based on the estimation result output from the estimation model. According to this aspect, by inputting the feature amount extracted from the walking waveform according to the user's attribute into the estimation model generated for each attribute, the physical state reflecting the user's attribute can be estimated.
  • the feature amount extraction unit extracts feature amounts from a walking waveform related to angles in the coronal plane.
  • the estimating unit estimates the degree of pronation/supination of the foot using the feature amount extracted from the walking waveform regarding the angle in the coronal plane.
  • the degree of pronation/supination of the foot reflecting the user's attributes can be estimated as the physical condition.
  • the estimating unit inputs the feature amount extracted from the user's walking waveform to the estimating model that has been trained on data sets related to a plurality of subjects, and performs pronation/supination of the user's foot.
  • Estimate the degree of The data set consists of the foot pressure distribution measured by the pressure sensor, using the feature values extracted from the walking waveforms related to the angles in the coronal plane as the explanatory variables in the sections where the characteristics of the physical condition according to the attributes appear.
  • the pressure center locus index is used as the objective variable. According to this aspect, it is possible to estimate the degree of pronation/supination of the foot reflecting the attributes of the user, using an inference model that has been trained on data sets relating to a plurality of subjects.
  • the estimation unit estimates the degree of pronation/supination of the user using an inference model for each gender. If the user is female, the feature quantity extraction unit extracts the feature quantity in the female feature quantity extraction period including the period immediately after heel contact and the period of one leg support from the walking waveform regarding the angle in the coronal plane. Then, the estimating unit inputs the feature amount extracted by the feature amount extracting unit to an inferring model for female trained on the feature amount extracted in the female feature amount extraction period for a plurality of female subjects, and inputs the feature amount extracted by the feature amount extracting unit to the user's pronation. / Estimate the degree of supination.
  • the feature quantity extraction unit extracts the feature quantity in the male feature quantity extraction period including the period immediately before the toe-off and the period immediately before the heel strike. Then, the estimating unit inputs the feature amount extracted by the feature amount extracting unit to an inferring model for males trained on the feature amount extracted from the male feature amount extraction period for a plurality of male subjects, and inputs the feature amount extracted by the feature amount extracting unit to the user's pronation. / Estimate the degree of supination.
  • features are extracted from the gait waveform related to the angles in the coronal plane during periods when unique features appear according to gender. Then, in this aspect, the user's physical condition is estimated using an inference model for each gender. Therefore, according to this aspect, it is possible to estimate the degree of pronation/supination of the foot that better reflects the attribute (gender) of the user.
  • the estimation unit estimates the degree of pronation/supination of the user using an estimation model for each age.
  • the feature amount extraction unit extracts feature amounts in the elderly feature amount extraction period including the period immediately after the heel contact and the period immediately before the heel contact from the walking waveform related to the angle in the coronal plane. .
  • the estimating unit inputs the feature amount extracted by the feature amount extracting unit to the elderly person's inference model that has learned the feature amount extracted in the elderly feature amount extraction period for a plurality of elderly subjects, and the user Estimate the degree of pronation/supination of the If the user is a young person, the feature amount extraction unit extracts the feature amount in the young person feature amount extraction period including the period immediately before the toe-off and the period immediately before the heel strike from the walking waveform related to the angle in the coronal plane. do.
  • the estimation unit inputs the feature amount extracted by the feature amount extraction unit to an inference model for young people that has been trained on the feature amount extracted in the young person feature amount extraction period for a plurality of young subjects, and the user Estimate the degree of pronation/supination of the
  • features are extracted from the gait waveform related to angles in the coronal plane during periods when unique features appear according to age. Then, in this aspect, the user's physical condition is estimated using an estimation model for each age. Therefore, according to this aspect, it is possible to estimate the degree of pronation/supination of the foot that better reflects the attribute (age) of the user.
  • the estimation unit outputs a determination result indicating whether the foot is pronation/supination or normal, according to the estimated value of the foot pressure center locus index. According to this aspect, it is possible to determine which of pronation/supination and normality of the foot according to the estimated value of the foot pressure center locus index.
  • the detection system of this embodiment can be applied to custom-made shoes.
  • the detection system of the present embodiment can be applied to verify the degree of pronation/supination of the user's foot by making the user wear guest shoes on which the data acquisition device is installed and walking. If the data on the verification result of the degree of pronation/supination of the user's foot is provided to a manufacturer that designs shoes, it becomes possible to design shoes according to the degree of pronation/supination of the user's foot.
  • the detection system of this embodiment can also be applied to monitoring the user's daily life. For example, if it is possible to extract walking habits or recommend changing shoes according to the progress of pronation/supination of the user's foot during walking, the progress of pronation/supination of the user's foot can be determined. it may be possible to suppress it. For example, if a user is using a foot pronation/supination orthotic, providing the user with information according to the degree of pronation/supination of the foot may reduce the progression of symptoms or prevent injury. may lead to the prevention of
  • the detection system of the present embodiment by collecting the estimation results of a large number of users and creating a database of the estimation results regarding the degree of pronation/supination of the foot, There is a possibility that the information related to it can be utilized as big data. For example, if the degree of pronation/supination and CPEI of the feet of many users are associated with shoes and stored in a database, data that can be utilized for shoe design, maintenance, etc. can be accumulated.
  • FIG. 25 is a block diagram showing an example of the configuration of the estimation device 22 of this embodiment.
  • the estimating device 22 includes a feature quantity extracting section 225 and an estimating section 227 .
  • the feature quantity extraction unit 225 extracts features corresponding to the user's attributes from the walking waveform extracted from the time-series data of the sensor data based on the movement of the user's feet, in the section where the features of the physical state corresponding to the user's attributes appear. Extract quantity.
  • the estimation unit 227 estimates the user's physical condition using the feature amount extracted according to the user's attribute.
  • the estimation system of the present embodiment uses sensor data based on foot movements measured by a data acquisition device installed on the user's foot to determine the user's physical condition according to attributes. to estimate. That is, the estimation device of the present embodiment can estimate the physical state according to the attributes based on the sensor data measured while walking.
  • the hardware configuration for executing the processing of the estimation device according to each embodiment of the present invention will be described by taking the information processing device 90 of FIG. 25 as an example.
  • the information processing device 90 of FIG. 25 is a configuration example for executing the processing of the estimation device of each embodiment, and does not limit the scope of the present invention.
  • the information processing device 90 includes a processor 91, a main storage device 92, an auxiliary storage device 93, an input/output interface 95, and a communication interface 96.
  • the interface is abbreviated as I/F (Interface).
  • Processor 91 , main storage device 92 , auxiliary storage device 93 , input/output interface 95 , and communication interface 96 are connected to each other via bus 98 so as to enable data communication.
  • the processor 91 , the main storage device 92 , the auxiliary storage device 93 and the input/output interface 95 are connected to a network such as the Internet or an intranet via a communication interface 96 .
  • the processor 91 expands the program stored in the auxiliary storage device 93 or the like into the main storage device 92 and executes the expanded program.
  • a configuration using a software program installed in the information processing device 90 may be used.
  • the processor 91 executes processing by the estimation device according to this embodiment.
  • the main storage device 92 has an area in which programs are expanded.
  • the main memory device 92 may be, for example, a volatile memory such as a DRAM (Dynamic Random Access Memory). Also, a non-volatile memory such as MRAM (Magnetoresistive Random Access Memory) may be configured and added as the main storage device 92 .
  • DRAM Dynamic Random Access Memory
  • MRAM Magnetic Random Access Memory
  • the auxiliary storage device 93 stores various data.
  • the auxiliary storage device 93 is configured by a local disk such as a hard disk or flash memory. It should be noted that it is possible to store various data in the main storage device 92 and omit the auxiliary storage device 93 .
  • the input/output interface 95 is an interface for connecting the information processing device 90 and peripheral devices.
  • a communication interface 96 is an interface for connecting to an external system or device through a network such as the Internet or an intranet based on standards and specifications.
  • the input/output interface 95 and the communication interface 96 may be shared as an interface for connecting with external devices.
  • the information processing device 90 may be configured to connect input devices such as a keyboard, mouse, and touch panel as necessary. These input devices are used to enter information and settings. Note that when a touch panel is used as an input device, the display screen of the display device may also serve as an interface of the input device. Data communication between the processor 91 and the input device may be mediated by the input/output interface 95 .
  • the information processing device 90 may be equipped with a display device for displaying information.
  • the information processing device 90 is preferably provided with a display control device (not shown) for controlling the display of the display device.
  • the display device may be connected to the information processing device 90 via the input/output interface 95 .
  • the above is an example of the hardware configuration for enabling the estimation device according to each embodiment of the present invention.
  • the hardware configuration of FIG. 25 is an example of a hardware configuration for executing arithmetic processing of the estimation device according to each embodiment, and does not limit the scope of the present invention.
  • the scope of the present invention also includes a program that causes a computer to execute processing related to the estimation device according to each embodiment.
  • a recording medium recording the program according to each embodiment is also included in the scope of the present invention.
  • the recording medium can be implemented as an optical recording medium such as a CD (Compact Disc) or a DVD (Digital Versatile Disc).
  • the recording medium may be a semiconductor recording medium such as a USB (Universal Serial Bus) memory or an SD (Secure Digital) card, a magnetic recording medium such as a flexible disk, or other recording medium.
  • a program executed by a processor is recorded on a recording medium, the recording medium corresponds to a program recording medium.
  • the components of the estimation device of each embodiment can be combined arbitrarily. Also, the constituent elements of the estimation device of each embodiment may be realized by software or by a circuit.
  • estimation system 11 data acquisition device 12, 22 estimation device 111 acceleration sensor 112 angular velocity sensor 113 control unit 115 data transmission unit 121 detection unit 123 storage unit 125, 225 feature quantity extraction unit 127, 227 estimation unit

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Dentistry (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

歩行に伴って計測されるセンサデータに基づいて、属性に応じて身体状態を推定するために、ユーザの足の動きに基づくセンサデータの時系列データから抽出された歩行波形から、ユーザの属性に応じた身体状態の特徴が表れる区間において、ユーザの属性に応じた特徴量を抽出する特徴量抽出部と、ユーザの属性に応じて抽出された特徴量を用いて、ユーザの身体状態を推定する推測部と、を備える推定装置とする。

Description

推定装置、推定システム、推定方法、および記録媒体
　本開示は、歩行に伴って計測されるセンサデータに基づいて身体状態を推定する推定装置等に関する。
　体調管理を行うヘルスケアへの関心の高まりから、歩行パターンに含まれる特徴（歩容とも呼ぶ）を計測し、歩容に応じた情報をユーザに提供するサービスが注目されている。例えば、靴等の履物に荷重計測装置や慣性計測装置を実装し、ユーザの歩容を解析する装置が開発されている。歩容に関する情報に基づいて身体状態を推定できれば、歩行に表れる兆候に応じて適切な対策を行うことができる。例えば、歩容に関する情報に基づいて身体状態を推定できれば、推定された身体状態に応じた対策を行うことができる。
　特許文献１には、履物の背面に装着されたモーションセンサによって計測される計測値を用いて、ユーザの運動特性を判定するシステムが開示されている。特許文献１のシステムは、３軸方向の加速度、３軸周りの角速度や角度を用いて、回内度や回内エクスカーションなどの強度メトリックを計算する。
　特許文献２には、足底圧のデータを解析して、足に関する異常の有無を評価する方法が開示されている。特許文献２の方法においては、靴のインソールに設けられた圧力センサによって、所定時間の足底圧のデータを取得する。特許文献２の方法においては、所定時間の足底圧のデータを解析することで得られる足底圧パラメータや足圧中心パラメータ、時間パラメータなどの歩行処理後データに基づいて、回内足／回外足の評価を行う。
　特許文献３には、多方向から撮影された歩行者の画像を用いて、歩行動作を分析する歩行動作分析装置について開示されている。特許文献３の装置は、画像に映っている歩行者の位置の画素と、背景画像の歩行者に対応する位置の画素とで値の差分からシルエット画像を生成する。特許文献３の装置は、生成されたシルエット画像を用いて３次元人物モデルを構築し、各関節の角度と関節間の長さと関節の移動距離をパラメータとして取得する。特許文献３の装置は、パラメータから算出される歩行周期ごとに切り出されたパラメータ列と、事前に生成された歩行時の動作を示す辞書データとを比較して歩行状態を分析する。特許文献３には、身長や体重、年齢、性別などの人物属性ごとに、健常な人物のパラメータ列を辞書データとして保存しておくことが開示されている。
米国特許出願公開第２０１６／０１００８０１号明細書 国際公開第２０１８／１６４１５７号 特開２０１０－０１７４４７号公報
　特許文献１の手法によれば、モーションセンサによって計測される計測値の時系列データの波形特徴に基づいて、回内度や回内エクスカーションなどの強度メトリックを計算できる。しかしながら、特許文献１の手法では、算出された強度メトリックに応じた判定は、専門家によってなされる必要があった。
　特許文献２の手法によれば、圧力センサによって計測された足底圧のデータに基づいて、回内足／回外足の異常がないか判定できる。通常、回内足／回外足における異常の有無に関しては、性別や年齢などの属性に応じて判定されないと、正確な判定結果を得ることができない。特許文献２の手法では、性別や年齢などの属性に応じて判定できないため、正確な判定結果を得ることができないことがあった。また、特許文献２の手法では、圧力センサによって計測される足底圧のデータに基づいて判定するため、遊脚相の期間における現れる特徴を抽出できなかった。
　特許文献３の手法によれば、分析の基準となる辞書データが人物属性ごとに分類されているため、人物属性により近い辞書データとパラメータ列を比較することで、歩行者の属性に応じて歩行状態を分析することができる。しかしながら、特許文献３の手法では、歩行状態を分析するために、多方向から撮影された画像を用いる必要があった。また、特許文献３の手法では、健常な人物の属性を基準として分析するため、怪我や疾患による異常の度合を検証することができなかった。
　本開示の目的は、歩行に伴って計測されるセンサデータに基づいて、属性に応じて身体状態を推定できる推定装置等を提供することにある。
　本開示の一態様の推定装置は、ユーザの足の動きに基づくセンサデータの時系列データから抽出された歩行波形から、属性に応じた身体状態の特徴が表れる区間において、ユーザの属性に応じた特徴量を抽出する特徴量抽出部と、ユーザの属性に応じて抽出された特徴量を用いて、ユーザの身体状態を推定する推測部と、を備える。
　本開示の一態様の推定方法においては、コンピュータが、ユーザの足の動きに基づくセンサデータの時系列データから抽出された歩行波形から、属性に応じた身体状態の特徴が表れる区間において、ユーザの属性に応じた特徴量を抽出し、ユーザの属性に応じて抽出された特徴量を用いて、ユーザの身体状態を推定する。
　本開示の一態様のプログラムは、ユーザの足の動きに基づくセンサデータの時系列データから抽出された歩行波形から、属性に応じた身体状態の特徴が表れる区間において、ユーザの属性に応じた特徴量を抽出する処理と、ユーザの属性に応じて抽出された特徴量を用いて、ユーザの身体状態を推定する処理と、をコンピュータに実行させる。
　本開示によれば、歩行に伴って計測されるセンサデータに基づいて、属性に応じて身体状態を推定できる推定装置等を提供することが可能になる。
第１の実施形態に係る推定システムの構成の一例を示すブロック図である。 第１の実施形態に係る推定システムのデータ取得装置を履物の中に配置する一例を示す概念図である。 第１の実施形態に係る推定システムのデータ取得装置に設定されるローカル座標系と世界座標系の関係について説明するための概念図である。 人体面について説明するための概念図である。 歩行イベントについて説明するための概念図である。 足の回内／回外について説明するための概念図である。 足圧分布から導出される足圧中心軌跡指標（ＣＰＥＩ：Center of Pressure Excursion Index）について説明するための概念図である。 足の回内／回外の度合に応じたＣＰＥＩの違いについて説明するための概念図である。 足圧中心軌跡と歩行周期の対応関係の一例について説明するための概念図である。 第１の実施形態に係る推定システムのデータ取得装置の構成の一例を示すブロック図である。 第１の実施形態に係る推定システムの推定装置の構成の一例を示すブロック図である。 第１の実施形態に係る推定システムの推定装置が用いる、属性ごとの推測モデルの一例について説明するための概念図である。 第１の実施形態に係る推定システムの推定装置によって用いられる推測モデルの学習の一例を示す概念図である。 第１の実施形態に係る推定システムの推定装置による足の回内／回外の度合の推定の一例を示す概念図である。 第１の実施形態に係る推定システムの推定装置の動作の一例について説明するためのフローチャートである。 第１の実施形態に係る推定システムのデータ取得装置と感圧センサを履物の中に配置する一例を示す概念図である。 第１の実施形態に係る推定システムのデータ取得装置によって計測されたセンサデータに基づいて推測されたＣＰＥＩ（推測値）と、感圧センサによって計測されたＣＰＥＩ（真値）との相関係数を示すグラフである。 第１の実施形態の推定システムの推定装置によって推定されたＣＰＥＩ（推定値）と、感圧センサの計測結果に基づくＣＰＥＩ（真値）との相関関係を示すグラフである。 第１の実施形態の推定システムの推定装置によって推定されたＣＰＥＩ（推定値）と、感圧センサ１１０の計測結果に基づくＣＰＥＩ（真値）との相関関係をＺスコアで検証した結果を示すグラフである。 第１の実施形態に係る推定システムのデータ取得装置によって計測されたセンサデータに基づいて推測されたＣＰＥＩ（推測値）と、感圧センサによって計測されたＣＰＥＩ（真値）との相関係数を示すグラフである。 第１の実施形態に係る推定システムの推定装置によって推測された足の回内／回外の度合に関する推定結果に基づく情報を携帯端末の表示部に表示させる一例を示す概念図である。 第１の実施形態に係る推定システムの推定装置によって推測された足の回内／回外の度合に関する推定結果に基づく情報を携帯端末の表示部に表示させる別の一例を示す概念図である。 第１の実施形態に係る推定システムの推定装置によって推測された足の回内／回外の度合に関する推定結果に基づくデータをデータセンターに送信する一例を示す概念図である。 第２の実施形態に係る推定装置の構成の一例を示すブロック図である。 各実施形態に係る推定装置を実現するハードウェア構成の一例を示すブロック図である。
　以下に、本発明を実施するための形態について図面を用いて説明する。ただし、以下に述べる実施形態には、本発明を実施するために技術的に好ましい限定がされているが、発明の範囲を以下に限定するものではない。以下の実施形態の説明に用いる全図においては、特に理由がない限り、同様箇所には同一符号を付す。以下の実施形態において、同様の構成・動作に関しては繰り返しの説明を省略する場合がある。
　（第１の実施形態）
　本開示に係る第１の実施形態の推定システムについて図面を参照しながら説明する。本実施形態の推定システムは、ユーザの歩行パターンに含まれる特徴（歩容とも呼ぶ）を計測し、計測された歩容を解析することによって、ユーザの身体状態を推定する。本実施形態では、足の動きに関するセンサデータに基づいて、ユーザの性別や年齢などの属性に応じて、足の回内／回外の度合を推定する例について説明する。本実施形態の手法によって推定される身体状態は、足の回内／回外の度合に限定されず、外反母趾や、Ｏ脚／Ｘ脚、肥満度などのように、性別や年齢などの属性の違いの影響が反映される身体状態の推定にも用いることができる。本実施形態においては、右足を基準の足とし、左足を反対足とする系について説明する。本実施形態の手法は、左足を基準の足とし、右足を反対足とする系についても適用できる。
　（構成）
　図１は、本実施形態の推定システム１の構成を示すブロック図である。推定システム１は、データ取得装置１１および推定装置１２を備える。データ取得装置１１と推定装置１２は、有線で接続されてもよいし、無線で接続されてもよい。また、データ取得装置１１と推定装置１２は、単一の装置で構成されてもよい。また、推定システム１の構成からデータ取得装置１１を除き、推定装置１２だけで推定システム１が構成されてもよい。
　データ取得装置１１は、足部に設置される。例えば、データ取得装置１１は、靴等の履物に設置される。本実施形態では、足弓の裏側の位置にデータ取得装置１１を配置する例について説明する。データ取得装置１１は、加速度センサおよび角速度センサを含む。データ取得装置１１は、履物を履くユーザの足の動きに関する物理量として、加速度センサによって計測される加速度（空間加速度とも呼ぶ）や、角速度センサによって計測される角速度（空間角速度とも呼ぶ）などの物理量を計測する。データ取得装置１１が計測する足の動きに関する物理量には、加速度や角速度を積分することによって計算される速度や角度、位置（軌跡）も含まれる。データ取得装置１１は、計測された物理量をデジタルデータ（センサデータとも呼ぶ）に変換する。データ取得装置１１は、変換後のセンサデータを推定装置１２に送信する。例えば、データ取得装置１１は、ユーザが携帯する携帯端末（図示しない）を介して、推定装置１２に接続される。
　携帯端末（図示しない）は、ユーザによって携帯可能な通信機器である。例えば、携帯端末は、スマートフォンやスマートウォッチ、携帯電話等の通信機能を有する携帯型の通信機器である。携帯端末は、ユーザの足の動きに関するセンサデータをデータ取得装置１１から受信する。携帯端末は、受信されたセンサデータを、推定装置１２が実装されたサーバ等に送信する。なお、推定装置１２の機能は、携帯端末にインストールされたアプリケーションソフトウェア等によって実現されていてもよい。その場合、携帯端末は、受信されたセンサデータを、自身にインストールされたアプリケーションソフトウェア等によって処理する。
　データ取得装置１１は、例えば、加速度センサと角速度センサを含む慣性計測装置によって実現される。慣性計測装置の一例として、ＩＭＵ（Inertial Measurement Unit）があげられる。ＩＭＵは、３軸方向の加速度を計測する加速度センサと、３軸周りの角速度を計測する角速度センサを含む。また、データ取得装置１１は、ＶＧ（Vertical Gyro）やＡＨＲＳ（Attitude Heading）などの慣性計測装置によって実現されてもよい。データ取得装置１１は、ＧＰＳ／ＩＮＳ（Global Positioning System/Inertial Navigation System）によって実現されてもよい。
　図２は、データ取得装置１１を靴１００の中に配置する一例を示す概念図である。図２の例では、データ取得装置１１は、足弓の裏側に当たる配置に設置される。例えば、データ取得装置１１は、靴１００の中に挿入されるインソールに配置される。例えば、データ取得装置１１は、靴１００の底面に配置される。例えば、データ取得装置１１は、靴１００の本体に埋設される。データ取得装置１１は、靴１００から着脱できてもよいし、靴１００から着脱できなくてもよい。なお、データ取得装置１１は、足の動きに関するセンサデータを取得できさえすれば、足弓の裏側ではない位置に設置されてもよい。また、データ取得装置１１は、ユーザが履いている靴下や、ユーザが装着しているアンクレット等の装飾品に設置されてもよい。また、データ取得装置１１は、足に直に貼り付けられたり、足に埋め込まれたりしてもよい。図２においては、右足側の靴１００にデータ取得装置１１を設置する例を示すが、両足分の靴１００にデータ取得装置１１を設置してもよい。両足分の靴１００にデータ取得装置１１を設置すれば、両足分の足の動きに基づいて身体状態を推定できる。
　図３は、データ取得装置１１を足弓の裏側に設置する場合に、データ取得装置１１に設定されるローカル座標系（ｘ軸、ｙ軸、ｚ軸）と、地面に対して設定される世界座標系（Ｘ軸、Ｙ軸、Ｚ軸）について説明するための概念図である。世界座標系（Ｘ軸、Ｙ軸、Ｚ軸）では、ユーザが直立した状態で、ユーザの横方向がＸ軸方向（右向きが正）、ユーザの正面の方向（進行方向）がＹ軸方向（前向きが正）、重力方向がＺ軸方向（鉛直上向きが正）に設定される。本実施形態においては、データ取得装置１１を基準とするｘ方向、ｙ方向、およびｚ方向からなるローカル座標系を設定する。
　図４は、人体に対して設定される面（人体面とも呼ぶ）について説明するための概念図である。本実施形態では、身体を左右に分ける矢状面、身体を前後に分ける冠状面、身体を水平に分ける水平面が定義される。なお、図４のような直立した状態では、世界座標系とローカル座標系が一致する。本実施形態においては、ｘ軸を回転軸とする矢状面内の回転をロール、ｙ軸を回転軸とする冠状面内の回転をピッチ、ｚ軸を回転軸とする水平面内の回転をヨーと定義する。また、ｘ軸を回転軸とする矢状面内の回転角をロール角、ｙ軸を回転軸とする冠状面内の回転角をピッチ角、ｚ軸を回転軸とする水平面内の回転角をヨー角と定義する。本実施形態においては、ピッチ角に基づいて、足の回内／回外の度合を判定する例をあげる。本実施形態において、ピッチ角は、外転方向の回転（ｙ軸を中心とする反時計回りの回転）をプラスとし、内転方向の回転（ｙ軸を中心とする時計回りの回転）をマイナスとする。
　図５は、右足を基準とする一歩行周期について説明するための概念図である。図５の横軸は、右足の踵が地面に着地した時点を起点とし、次に右足の踵が地面に着地した時点を終点とする右足の一歩行周期を１００％として正規化された歩行周期である。片足の一歩行周期は、足の裏側の少なくとも一部が地面に接している立脚相と、足の裏側が地面から離れている遊脚相とに大別される。本実施形態においては、立脚相が６０％を占め、遊脚相が４０％を占めるように正規化する。立脚相は、さらに、立脚初期Ｔ１、立脚中期Ｔ２、立脚終期Ｔ３、遊脚前期Ｔ４に細分される。遊脚相は、さらに、遊脚初期Ｔ５、遊脚中期Ｔ６、遊脚終期Ｔ７に細分される。なお、一歩行周期分の歩行波形は、踵が地面に着地した時点を起点としなくてもよい。
　図５（ａ）は、右足の踵が接地する事象（踵接地）を表す（ＨＳ：Heel Strike）。図５（ｂ）は、右足の足裏の接地面が接地した状態で、左足の爪先が地面から離れる事象（反対足爪先離地）を表す（ＯＴＯ：Opposite Toe Off）。図５（ｃ）は、右足の足裏の接地面が接地した状態で、右足の踵が持ち上がる事象（踵持ち上がり）を表す（ＨＲ：Heel Rise）。図５（ｄ）は、左足の踵が接地した事象（反対足踵接地）である（ＯＨＳ：Opposite Heel Strike）。図５（ｅ）は、左足の足裏の接地面が接地した状態で、右足の爪先が地面から離れる事象（爪先離地）を表す（ＴＯ：Toe Off）。図５（ｆ）は、左足の足裏の接地面が接地した状態で、左足と右足が交差する事象（足交差）を表す（ＦＡ：Foot Adjacent）。図５（ｇ）は、左足の足裏が接地した状態で、右足の脛骨が地面に対してほぼ垂直になる事象（脛骨垂直）を表す（ＴＶ：Tibia Vertical）。図５（ｈ）は、右足の踵が接地する事象（踵接地）を表す（ＨＳ：Heel Strike）。図５（ｈ）は、図５（ａ）から始まる歩行周期の終点に相当するとともに、次の歩行周期の起点に相当する。
　次に、足の回内／回外について図面を参照しながら説明する。図６は、足の回内／回外について説明するための概念図である。足の回内／回外は、冠状面、矢状面、水平面での運動を同時に含む三平面運動である。本実施形態では、足の回内／回外は、距骨下関節の冠状面運動として捉える。本実施形態では、人が直立しているときの冠状面内の角度を用いるため、ピッチ角を計算する際には、ローカル座標系のセンサデータを世界座標系に変換する。回外は、足部が内転・底屈・内反で構成される動きである。回内は、外転・背屈・外反で構成される動きである。例えば、回内の度合が大きく、その状態で固定されている足を回内足と呼ぶ。同様に、回外の度合が大きく、その状態で固定されている足を回外足と呼ぶ。
　足の回内／回外の度合は、足圧中心軌跡指標（ＣＰＥＩ：Center of Pressure Excursion Index）によって評価できる。図７は、ＣＰＥＩについて説明するための概念図である。図７には、足圧中心（ＣｏＰ：Center of Pressure）軌跡を足圧分布に重ねて図示する。足圧中心軌跡は、床面内（ＸＹ面内）における足圧分布を冠状面（ＺＸ面）で切断した線上における足圧の最大点（最大荷重中心）を、Ｙ軸方向に沿って踵接地点（始点）から爪先離地点（終点）まで結んだ軌跡である。始点と終点を結ぶ直線を中心軸（Construction Lineとも呼ぶ）と呼ぶ。中心軸に対して底辺が垂直な台形で足の輪郭を囲み、足の前方向の三分の一の部分を台形の底辺に平行な切断線で切断する。台形と切断線の交点のうち、足の内側の点をＡ、足の外側の点をＤとする。中心軸と切断線の交点をＢとし、足圧中心軌跡と切断線の交点をＣとする。線分ＢＣは、ＣＰＥ（Center of Pressure Excursion）と呼ばれる。線分ＡＤは、足幅に相当する。以下の式１のように、ＣＰＥ（線分ＢＣの長さ）と足幅（線分ＡＤの長さ）の比が、足圧中心軌跡指標ＣＰＥＩに相当する（式１）。
ＣＰＥＩ＝ＣＰＥ／足幅×１００・・・（１）
ただし、ＣＰＥＩを導出するために用いられる上記の始点や終点、台形の囲み方、台形の切断の仕方等は、一例であって、上記の定義に限定されない。
　図８は、回外、正常、および回内の傾向がある足に関するＣＰＥＩを比較するための概念図である。回外の場合、正常な状態と比べると、ＣＰＥ（線分ＢＣの長さ）が長く、足幅（線分ＡＤの長さ）が小さい傾向がみられる。一方、回内の場合、正常な状態と比べると、ＣＰＥ（線分ＢＣの長さ）が短く、足幅（線分ＡＤの長さ）が大きい傾向がみられる。すなわち、ＣＰＥＩが過大の状態が回外であり、ＣＰＥＩが過小の状態が回内であると判定できる。本実施形態では、ＣＰＥＩが２０以上ならば回外に分類され、ＣＰＥＩが９～２０ならば正常に分類され、ＣＰＥＩが９以下ならば回内に分類される。なお、上記のＣＰＥＩの値に基づく判定基準は、足の回内／回外の度合の一例であって、足の回内／回外の度合の判定基準を上記の通りに限定するものではない。
　推定装置１２は、ユーザの足の動きに関するセンサデータを取得する。足の回内／回外の度合は、内転角度／外転角度に相関がある。推定装置１２は、性別や年齢などの属性に応じた基準に基づいて、推定装置１２は、取得されたセンサデータの時系列データに基づく波形（歩行波形とも呼ぶ）を用いて、足の回内／回外の度合を推定する。本実施形態において、推定装置１２は、冠状面内（ｚｘ面内）における足の回転角（ピッチ角とも呼ぶ）の歩行波形を用いて、足の回内／回外の度合を推定する。言い換えると、推定装置１２は、Ｙ軸周りの足の回転角であるピッチ角の時系列データを用いて、足の回内／回外の度合を推定する。具体的には、推定装置１２は、属性に応じた基準に基づいて、ピッチ角の時系列データから抽出される特徴量を用いて、足の回内／回外の度合を推定する。足の回内／回外の度合とは異なる身体状態を推定する際には、その身体状態の特徴が表れる歩行波形を用いればよい。例えば、推定装置１２は、属性ごとに生成された推測モデルを用いて、足の回内／回外の度合を推定する。属性ごとの推測モデルについては、後述する。
　図９は、足圧中心軌跡と歩行周期の対応関係について説明するための概念図である。図９には、ある被験者について計測された足圧分布と、その足圧分布における中心軸および足圧中心軌跡を示す。足圧分布の左側には、足圧中心軌跡に対応する歩行周期を示す。歩行周期の１５～２５％は、右足の足裏全面接地の状態（Foot flat）である。足裏全面接地とは、足裏の接地面の全面が接地することを意味する。足裏全面接地の状態（Foot flat）では、ピッチ角は０度である。歩行周期の３０％は、踵持ち上がりのタイミングに相当する。歩行周期の３０～５０％にかけて、右足の踵側から爪先側に向かう体重移動に伴って、足裏の地面に接地する面積が次第に小さくなっていく。歩行周期の６０％は、右足の爪先が地面から離れる爪先離地のタイミングである。
　足に回外の傾向がある場合、足裏と地面の接触部分は足の外側に偏るため、ＣＰＥＩのカーブが急になる。この場合、内転の傾向がみられ、歩行周期の３０～５０％の立脚終期において、ピッチ角が小さくなる。回外の度合が過大の場合は、ピッチ角が負になることもある。一方、回内の傾向がある場合、足裏と地面の接触部分は足の内側に偏るため、ＣＰＥＩのカーブが緩くなる。この場合、外転の傾向がみられ、歩行周期の３０～５０％の立脚終期において、ピッチ角が大きくなる。
　また、本開示の発明者によって、足の回内／回外の度合の推定に用いることができる特徴量は、性別や年齢などの属性に応じて、異なる歩行周期（歩行フェーズとも呼ぶ）に表れることが明らかになった。
　例えば、男性の場合、立脚相の後半（爪先離地の直前）と遊脚相の後半（踵接地の直前）に、足の回内／回外の度合の推定に適用可能な特徴量が表れる。例えば、女性の場合、立脚相の前半（踵接地の直後と片脚支持の期間）に、足の回内／回外の度合の推定に適用可能な特徴量が表れる。そのため、属性として性別を用いる場合、立脚相の後半と遊脚相の後半の期間（男性）と、立脚相の前半の期間（女性）から抽出された特徴を用いればよい。
　例えば、２０～３９歳程度の若年者であれば、立脚相の後半（爪先離地の直前）と遊脚相の後半（踵接地の直前）に、足の回内／回外の度合の推定に適用可能な特徴量が表れる。例えば、６０歳以上の高齢者であれば、立脚相の前半（踵接地の直後）と遊脚相の後半（踵接地の直前）に、足の回内／回外の度合の推定に適用可能な特徴量が表れる。属性として年齢を用いる場合、遊脚相の後半（踵接地の直前）については、若年者と高齢者で特徴が表れる歩行フェーズが近い。そのため、属性として年齢を用いる場合、若年者と高齢者で特徴が表れる歩行フェーズが異なる立脚相の後半（若年者）と立脚相の前半（高齢者）から抽出された特徴を用いればよい。
　例えば、推定装置１２は、図示しないサーバ等に実装される。例えば、推定装置１２は、アプリケーションサーバによって実現されてもよい。例えば、推定装置１２は、携帯端末（図示しない）にインストールされたアプリケーションソフトウェア等によって実現されてもよい。
　〔データ取得装置〕
　次に、データ取得装置１１の詳細構成について図面を参照しながら説明する。図１０は、データ取得装置１１の詳細構成の一例を示すブロック図である。データ取得装置１１は、加速度センサ１１１、角速度センサ１１２、制御部１１３、およびデータ送信部１１５を有する。なお、データ取得装置１１は、図示しない電源を含む。
　加速度センサ１１１は、３軸方向の加速度（空間加速度とも呼ぶ）を計測するセンサである。加速度センサ１１１は、計測した加速度を制御部１１３に出力する。例えば、加速度センサ１１１には、圧電型や、ピエゾ抵抗型、静電容量型等の方式のセンサを用いることができる。なお、加速度センサ１１１に用いられるセンサは、加速度を計測できれば、その計測方式に限定を加えない。
　角速度センサ１１２は、３軸方向の角速度（空間角速度とも呼ぶ）を計測するセンサである。角速度センサ１１２は、計測した角速度を制御部１１３に出力する。例えば、角速度センサ１１２には、振動型や静電容量型等の方式のセンサを用いることができる。なお、角速度センサ１１２に用いられるセンサは、角速度を計測できれば、その計測方式に限定を加えない。
　制御部１１３は、加速度センサ１１１および角速度センサ１１２の各々から、３軸方向の加速度と３軸周りの角速度を取得する。制御部１１３は、取得した加速度および角速度をデジタルデータに変換し、変換後のデジタルデータ（センサデータとも呼ぶ）をデータ送信部１１５に出力する。センサデータには、デジタルデータに変換された加速度データと、デジタルデータに変換された角速度データとが少なくとも含まれる。加速度データは、３軸方向の加速度ベクトルを含む。角速度データは、３軸周りの角速度ベクトルを含む。なお、加速度データおよび角速度データには、それらのデータの取得時間が紐付けられる。また、制御部１１３は、取得した加速度データおよび角速度データに対して、実装誤差や温度補正、直線性補正などの補正を加えたセンサデータを出力するように構成してもよい。また、制御部１１３は、取得した加速度データおよび角速度データを用いて、３軸周りの角度データを生成してもよい。
　例えば、制御部１１３は、データ取得装置１１の全体制御やデータ処理を行うマイクロコンピュータまたはマイクロコントローラである。例えば、制御部１１３は、ＣＰＵ（Central Processing Unit）やＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ等を有する。制御部１１３は、加速度センサ１１１および角速度センサ１１２を制御して角速度や加速度を計測する。例えば、制御部１１３は、計測された角速度および加速度等の物理量（アナログデータ）をＡＤ変換（Analog-to-Digital Conversion）し、変換後のデジタルデータをフラッシュメモリに記憶させる。なお、加速度センサ１１１および角速度センサ１１２によって計測された物理量（アナログデータ）は、加速度センサ１１１および角速度センサ１１２の各々においてデジタルデータに変換されてもよい。フラッシュメモリに記憶されたデジタルデータは、所定のタイミングでデータ送信部１１５に出力される。
　データ送信部１１５は、制御部１１３からセンサデータを取得する。データ送信部１１５は、取得したセンサデータを推定装置１２に送信する。データ送信部１１５は、ケーブルなどの有線を介してセンサデータを推定装置１２に送信してもよいし、無線通信を介してセンサデータを推定装置１２に送信してもよい。例えば、データ送信部１１５は、Ｂｌｕｅｔｏｏｔｈ（登録商標）やＷｉＦｉ（登録商標）などの規格に則した無線通信機能（図示しない）を介して、センサデータを推定装置１２に送信するように構成される。なお、データ送信部１１５の通信機能は、Ｂｌｕｅｔｏｏｔｈ（登録商標）やＷｉＦｉ（登録商標）以外の規格に則していてもよい。
　〔推定装置〕
　次に、推定システム１が備える推定装置１２の詳細構成について図面を参照しながら説明する。図１１は、推定装置１２の構成の一例を示すブロック図である。推定装置１２は、検出部１２１、特徴量抽出部１２５、記憶部１２３、および推測部１２７を有する。実際には、データ取得装置１１からセンサデータを受信する受信部や、推測部１２７による推測結果を出力する出力部などの通信インターフェースが設けられる。本実施形態においては、通信インターフェースについては省略する。
　検出部１２１は、データ取得装置１１からセンサデータを取得する。例えば、検出部１２１は、取得されたセンサデータの座標系を、ローカル座標系から世界座標系に変換する。ユーザが直立した状態では、ローカル座標系（ｘ軸、ｙ軸、ｚ軸）と世界座標系（Ｘ軸、Ｙ軸、Ｚ軸）は一致する。ユーザが歩行している間、データ取得装置１１の空間的な姿勢が変化するため、ローカル座標系（ｘ軸、ｙ軸、ｚ軸）と世界座標系（Ｘ軸、Ｙ軸、Ｚ軸）は一致しない。そのため、検出部１２１は、データ取得装置１１によって取得されたセンサデータを、データ取得装置１１のローカル座標系（ｘ軸、ｙ軸、ｚ軸）から世界座標系（Ｘ軸、Ｙ軸、Ｚ軸）に変換する。
　検出部１２１は、センサデータを用いて、データ取得装置１１が設置された履物を履いた歩行者の歩行に伴って計測される、足の動きに関する物理量の時系列データを生成する。例えば、検出部１２１は、空間加速度や空間角速度などの時系列データを生成する。また、検出部１２１は、空間加速度や空間角速度を積分し、空間速度や空間角度（足底角）、空間軌跡などの時系列データを生成する。これらの時系列データが歩行波形に相当する。検出部１２１は、一般的な歩行周期や、ユーザに固有の歩行周期に合わせて設定された所定のタイミングや時間間隔で時系列データを生成する。検出部１２１が時系列データを生成するタイミングは、任意に設定できる。例えば、検出部１２１は、ユーザの歩行が継続されている期間、時系列データを生成し続けるように構成される。また、検出部１２１は、特定のタイミングにおいて、時系列データを生成するように構成されてもよい。
　検出部１２１は、生成された時系列データから、一歩行周期分の時系列データ（歩行波形とも呼ぶ）を抽出する。以下の説明においては、一歩行周期の歩行波形が、踵接地のタイミングを起点とし、次の踵接地のタイミングを終点とする例について説明する。例えば、検出部１２１は、進行方向（Ｙ方向）の加速度の時系列データから、一歩行周期分の進行方向加速度の歩行波形を抽出する。例えば、検出部１２１は、一歩行周期分の進行方向加速度の歩行波形において、爪先離地のタイミングを検出する。例えば、爪先離地のタイミングは、一歩行周期分の進行方向加速度の歩行波形において、最大ピークに含まれる二つの山の間に谷が検出されるタイミングである。例えば、検出部１２１は、一歩行周期分の進行方向加速度歩行波形において、踵接地のタイミングを検出する。例えば、踵接地のタイミングは、一歩行周期分の進行方向加速度歩行波形において、最小ピークが検出されるタイミングと、最小ピークの次に現れる極大ピークが検出されるタイミングとの中点のタイミングである。
　記憶部１２３には、予め生成された属性ごとの推測モデルが記憶される。記憶部１２３には、性別や年齢などの属性ごとに身体状態を推測するための推測モデルが記憶される。
　図１２は、記憶部１２３に記憶される推測モデル１３０の一例を示す概念図である。記憶部１２３は、性別や年齢などの属性による相違が表れる歩行フェーズから抽出された特徴量の入力に応じて、身体状態を推定する属性ごとの推測モデル１３０を記憶する。男性用モデル１３０Ｍ（男性用推測モデルとも呼ぶ）は、男性の身体状態を推定するためのモデルである。女性用モデル１３０Ｆ（女性用推測モデルとも呼ぶ）は、女性の身体状態を推定するためのモデルである。若年者用モデル１３０Ｙ（若年者用推測モデルとも呼ぶ）は、２０～３９歳程度の若年者の身体状態を推定するためのモデルである。高齢者用モデル１３０Ｓ（高齢者用推測モデルとも呼ぶ）は、６０歳以上の高齢者の身体状態を推定するためのモデルである。なお、ユーザの属性が予めわかっている場合は、ユーザの属性に応じた推測モデル１３０を記憶部１２３に記憶させておけばよい。
　ここで、推定対象の身体状態が回内／回外の度合の場合において、属性ごとの推測モデル１３０の各々に入力される特徴量が抽出される歩行周期（歩行フェーズ）について一例をあげる。例えば、男性に特有の特徴量は、ピッチ角の歩行波形（冠状面内の角度波形とも呼ぶ）において、立脚相の後半（爪先離地の直前）と遊脚相の後半（踵接地の直前）を含む期間（男性特徴量抽出期間とも呼ぶ）から抽出される。例えば、女性に特有の特徴量は、立脚相の前半（踵接地の直後と片脚支持の期間）を含む期間（女性特徴量抽出期間とも呼ぶ）から抽出される。例えば、２０～３９歳程度の若年者に特有の特徴量は、立脚相の後半（爪先離地の直前）と遊脚相の後半（踵接地の直前）を含む期間（若年者特徴量抽出期間とも呼ぶ）から抽出される。例えば、６０歳以上の高齢者に特有の特徴量は、立脚相の前半（踵接地の直後）と遊脚相の後半（踵接地の直前）を含む期間（高齢者特徴量抽出期間とも呼ぶ）から抽出される。属性として年齢を用いる場合、遊脚相の後半（踵接地の直前）については、若年者と高齢者で特徴が表れる歩行フェーズが重なる傾向がみられる。そのため、属性として年齢を用いる場合、若年者と高齢者で特徴が表れる歩行フェーズが異なる立脚相の後半（若年者）と立脚相の前半（高齢者）から抽出された特徴を用いればよい。
　属性ごとの推測モデル１３０は、属性に応じた歩行周期（歩行フェーズ）におけるピッチ角の特徴量の入力に応じて、身体状態に関する推定結果を出力する。例えば、属性ごとの推測モデル１３０は、属性に応じた歩行周期（歩行フェーズ）におけるピッチ角の特徴量の入力に応じて、足の回内／回外の度合に関する推定結果を出力する。例えば、推測モデル１３０は、属性に応じた歩行周期（歩行フェーズ）におけるピッチ角の特徴量の入力に応じて、足の回内／回外の度合に関する推定結果として、足の回内／回外／正常の判定結果を出力する。
　例えば、男性用モデル１３０Ｍは、ピッチ角の歩行波形において、立脚相の後半と遊脚相の後半から抽出される特徴量の入力に応じて、足の回内／回外の度合に関する推定結果を出力する。言い換えると、男性用モデル１３０Ｍは、爪先離地の直前と踵接地の直前を含む男性特徴量抽出期間においてピッチ角の歩行波形から抽出される特徴量の入力に応じて、推定結果を出力する。例えば、女性用モデル１３０Ｆは、ピッチ角の歩行波形において、立脚相の前半から抽出される特徴量の入力に応じて、足の回内／回外の度合に関する推定結果を出力する。言い換えると、女性用モデル１３０Ｆは、踵接地の直後と片脚支持の期間を含む女性特徴量抽出期間においてピッチ角の歩行波形から抽出される特徴量の入力に応じて、推定結果を出力する。
　例えば、若年者用モデル１３０Ｙは、ピッチ角の歩行波形において、立脚相の後半と遊脚相の後半から抽出される特徴量の入力に応じて、足の回内／回外の度合に関する推定結果を出力する。言い換えると、若年者用モデル１３０Ｙは、爪先離地の直前と踵接地の直前を含む若年特徴量抽出期間においてピッチ角の歩行波形から抽出される特徴量の入力に応じて、足の回内／回外の度合に関する推定結果を出力する。例えば、高齢者用モデル１３０Ｓは、ピッチ角の歩行波形において、立脚相の前半と遊脚相の後半から抽出される特徴量の入力に応じて、足の回内／回外の度合に関する推定結果を出力する。言い換えると、高齢者用モデル１３０Ｓは、踵接地の直後と踵接地の直前を含む高齢者特徴量抽出期間においてピッチ角の歩行波形から抽出される特徴量の入力に応じて、推定結果を出力する。属性として年齢を用いる場合、遊脚相の後半（踵接地の直前）については、若年者と高齢者で特徴が表れる歩行フェーズが重なる傾向がみられる。そのため、属性として年齢を用いる場合、若年者と高齢者で特徴が表れる歩行フェーズが異なる立脚相の後半（若年者）と立脚相の前半（高齢者）から抽出された特徴を用いてもよい。
　本実施形態においては、データ取得装置１１によって計測されたピッチ角の時系列データから抽出される特徴量と、圧力センサによって計測された足圧分布から求められるＣＰＥＩとのデータセットを学習させた推測モデルを予め生成しておく。例えば、属性ごとに特有な特徴が表れる歩行周期（歩行フェーズ）において、ピッチ角の時系列データから抽出される特徴量の入力に応じて、足の回内／回外の度合を出力する推測モデルを予め生成しておく。例えば、属性ごとに特有な特徴が表れる歩行周期（歩行フェーズ）において、ピッチ角の時系列データから抽出されるピッチ角の算術平均や加重平均等の平均値、積分値等を特徴量として用いる。例えば、複数の被験者に関して、ピッチ角を説明変数とし、ＣＰＥＩを目的変数とするデータを大量に計測しておき、それらのデータを教師データとして学習させた推測モデルを生成しておく。例えば、ＣＰＥＩの推定値に応じて、足の状態を回内、回外、および正常のいずれかに分類し、足の回内／回外の度合として出力する推測モデルを生成しておいてもよい。
　図１３は、ピッチ角の特徴量（説明変数）とＣＰＥＩ（目的変数）のデータセットを教師データとして、学習装置１３に学習させる一例を示す概念図である。本実施形態においては、複数の被験者に関する教師データを学習装置１３に学習させ、ピッチ角の特徴量の入力に応じて足の回内／回外の度合に関する推定結果を出力する推測モデル１３０を予め生成しておく。
　予め生成された推測モデル１３０は、記憶部１２３に記憶させておく。例えば、推測モデル１３０は、製品の工場出荷時や、ユーザが推定装置１２を使用する前のキャリブレーション時等のタイミングにおいて、推定装置１２に記憶させておけばよい。推定装置１２は、データ取得装置１１によって計測されたセンサデータを用いて生成されたピッチ角の時系列データから抽出される特徴量を、推測モデル１３０に入力することによって、足の回内／回外の度合を推定する。例えば、推定装置１２は、足の回内／回外の度合として、回外、正常、回内の３分類のいずれかに分類した推定結果を出力する。例えば、推定装置１２は、足の回内／回外の度合として、ＣＰＥＩの推定値や、ピッチ角の特徴量を出力してもよい。
　特徴量抽出部１２５は、一歩行周期分の歩行波形から、ユーザの属性に応じて、身体状態の推定に用いられる特徴量を抽出する。具体的には、特徴量抽出部１２５は、記憶部１２３に記憶された属性ごとの推測モデルを用いて、一歩行周期分の歩行波形から身体状態の推定に用いられる特徴量を抽出する。例えば、特徴量抽出部１２５は、ユーザの属性に応じた推測モデルを用いて、ピッチ角の歩行波形（冠状面内の角度波形）から、回内／回外の度合の推定に用いられる特徴量を抽出する。例えば、特徴量抽出部１２５は、ユーザの属性に応じた推測モデルを用いて、ピッチ角の歩行波形（冠状面内の角度波形）から、ピッチ角の積分値や平均値等を、回内／回外の度合の推定に用いられる特徴量として抽出する。
　推測部１２７は、特徴量抽出部１２５によって抽出されるピッチ角の歩行波形（冠状面内の角度波形）の特徴量を、属性ごとの推測モデル１３０に入力し、身体状態に関する推定結果を推定する。例えば、推測部１２７は、特徴量抽出部１２５によって抽出されるピッチ角の歩行波形（冠状面内の角度波形）の特徴量を、属性ごとの推測モデル１３０に入力し、足の回内／回外の度合に関する推定結果を推定する。推測部１２７は、推定結果を出力する。推測部１２７による推定結果は、上位システムやデータベースが構築されたサーバ、歩行波形の取得元のユーザの携帯端末等に出力される。推測部１２７による推定結果の出力先には、特に限定を加えない。
　図１４は、予め生成された推測モデル１３０に、属性ごとのピッチ角の特徴量を入力することで、足の回内／回外の度合に関する推定結果が出力される一例を示す概念図である。例えば、足の回内／回外の度合に関する推定結果は、足の回内／回外／正常の判定結果を含む。例えば、足の回内／回外の度合に関する推定結果は、足の回内／回外／正常の判定結果に応じて、診察に適した病院を進める推薦情報を含む。例えば、足の回内／回外の度合に関する推定結果は、ピッチ角の値や、ＣＰＥＩであってもよい。なお、上記の推定結果は、一例であって、属性ごとのピッチ角の特徴量を入力することで推測モデル１３０から出力される推定結果を限定するものではない。
　例えば、推測モデル１３０は、属性ごとのピッチ角の特徴量の入力に応じて、足の回内／回外の度合に関する推定結果として、足の回内／回外／正常の判定結果に応じた適切な病院を進める推薦情報を出力する。例えば、推測モデル１３０は、属性ごとのピッチ角の特徴量の入力に応じて、足の回内／回外の度合に関する推定結果として、ピッチ角の値やＣＰＥＩを出力する。なお、上記の推測モデル１３０の推定結果は、一例であって、属性ごとのピッチ角の特徴量を入力することで、推測モデル１３０から出力される推定結果を限定するものではない。
　（動作）
　次に、本実施形態の推定システム１の推定装置１２の動作について図面を参照しながら説明する。図１５は、推定装置１２の動作の概略について説明するためのフローチャートである。推定装置１２の動作の詳細は、上述の構成に関する説明の通りである。
　図１５において、まず、推定装置１２は、足の動きに関する物理量に関するセンサデータをデータ取得装置１１から取得する（ステップＳ１１）。
　次に、推定装置１２は、取得したセンサデータの座標系を、データ取得装置１１に設定されたローカル座標系から世界座標系に変換する（ステップＳ１２）。
　次に、推定装置１２は、世界座標系に変換後のセンサデータの時系列データを用いて歩行波形を生成する（ステップＳ１３）。
　次に、推定装置１２は、ユーザの属性に応じた特徴が表れる期間（歩行フェーズ）において、冠状面の角度波形（ピッチ角の歩行波形）から特徴量を抽出する（ステップＳ１４）。
　次に、推定装置１２は、ユーザの属性に応じた推測モデル１３０に、抽出された特徴量を入力し、ユーザの身体状態を推定する（ステップＳ１５）。例えば、推定装置１２は、ユーザの属性に応じた推測モデル１３０に特徴量を入力し、ユーザの足の回内／回外の度合を推定する。
　次に、推定装置１２は、ユーザの身体状態に関する推定結果を出力する（ステップＳ１６）。例えば、推定装置１２は、足の回内／回外の度合に関する推定結果を出力する（ステップＳ１６）。
　〔検証例〕
　次に、データ取得装置１１によって計測されたセンサデータに基づいて抽出された特徴量に基づいて推測されたＣＰＥＩ（推測値）と、感圧センサによって計測されたＣＰＥＩ（真値）との関係の検証例について説明する。
　図１６は、本検証例で用いた感圧センサ１１０とデータ取得装置１１の配置例を示す概念図である。本検証例においては、足圧分布を計測できる感圧センサ１１０が靴１００の中敷きとして挿入され、足弓の裏側の位置にデータ取得装置１１が搭載された。
　本検証例においては、男女各３６名（合計７２名）の被験者に対して、ピッチ角の時系列データから抽出された特徴量に基づいて推測されたＣＰＥＩ（推測値）と、ＣＰＥＩの実測値（真値）との関係について検証された。本検証例では、男女それぞれ２０～３０代（若年者）、４０～５０代（中年者）、６０～７０代前半（高齢者）の年代で、それぞれ１２名ずつの被験者（合計７２名）に対して検証された。
　本検証例における被験者の年齢は、平均が４４．３歳、最年少が２０歳、最年長が７１歳であった。本検証例における被験者の体重は、平均が６２．９ｋｇ（キログラム）、最大が１１５ｋｇ、最小が４０ｋｇであった。本検証例における被験者の身長は、平均が１６５．０ｃｍ（センチメートル）、最大が１９２ｃｍ、最小が１４３ｃｍであった。本検証例における被験者の足のサイズは、平均が２５．３ｃｍ、最小が２２．５ｃｍ、最大が２９．０ｃｍであった。本検証例における被験者のＢＭＩ（Body Mass Index）は、平均が２２．９、最大が３６．３、最小が１７．３であった。
　本検証例では、開始地点から１５ｍ（メートル）先の折り返し地点まで直線的に歩行し、折り返し地点で折り返して開始地点まで直線的に歩行する試行を、各被験者に３回行わせた。各被験者には、３回の試行において歩行速度を変えて歩行させた。３回の試行における歩行速度は、通常歩行、低速歩行、および早歩きの３パターンを含む。体力的なバイアスや心理的なバイアスを排除するために、被験者ごとに歩行速度の順番を変えた。一歩分の計測値が丸ごと抜ける可能性に備え、１回の試行における全ての歩数の平均値が算出された。１回の試行からは、１点のデータ（平均的な波形の１セット）が抽出された。
　推定装置１２は、３軸方向の加速度、３軸周りの角速度、および３軸周りの角度（足底角）の９種類の歩行波形を生成する。本検証例では、９種類の歩行波形から、１歩行周期（歩行フェーズ）ごとにＣＰＥＩとの相関性が評価された。相関性を評価する際には、データの分布によるバイアスを排除するために、Leave-one-subject-outの手法を用いて、最終的には相関係数の平均値が算出された。相関係数には予め閾値が設定され、相関係数が閾値を超えて相関がありうる歩行フェーズが選出された。複数の歩行フェーズに亘って連続的に閾値を超える区間（歩行フェーズクラスターとも呼ぶ）については、歩行フェーズクラスターごとの特徴量が算出された。歩行フェーズクラスターに関しては、歩行フェーズクラスターを構成する複数の歩行フェーズにおける計測値の積分平均値を特徴量とした。
　図１７は、ピッチ角の時系列データから抽出された特徴量に基づいて推測されたＣＰＥＩ（推測値）と、感圧センサ１１０によって計測されたＣＰＥＩ（真値）との性別ごとの相関係数を示すグラフである。図１７においては、ＣＰＥＩ（推測値）とＣＰＥＩ（真値）の相関係数が、女性（実線）と男性（点線）で別々にプロットされる。図１７において、ハッチングが施された範囲の上限／下限の境界線が閾値に相当する。ハッチングが施された範囲の外にはみ出た区間（相関係数が閾値を超えた歩行フェーズの区間）においては、ＣＰＥＩ（推測値）とＣＰＥＩ（真値）の相関が高い。すなわち、相関係数が閾値を超えた歩行フェーズの区間から、属性（性別）ごとのＣＰＥＩの特徴量を抽出できる。
　女性（実線）に関しては、立脚相の前半（踵接地の直後の期間Ｆ１と片脚支持の期間Ｆ２）において、相関係数が閾値を超える。一方、男性（点線）に関しては、立脚相の後半（爪先離地の直前の期間Ｍ１）と遊脚相の後半（踵接地の直前の期間Ｍ２）において、相関係数が閾値を超える。このように、女性（実線）と男性（点線）に関しては、ＣＰＥＩと相関する歩行フェーズの区間が異なる。本検証例では、女性（実線）に関しては、立脚相の前半（踵接地の直後の期間Ｆ１と片脚支持の期間Ｆ２）から抽出される特徴量を用いて、推測モデルを生成した。一方、男性（点線）に関しては、立脚相の後半（爪先離地の直前の期間Ｍ１）と遊脚相の後半（踵接地の直前の期間Ｍ２）から抽出される特徴量を用いて、推測モデルを生成した。
　図１８は、性別ごとの特徴が表れる歩行フェーズの区間から抽出された特徴量を性別ごとの推測モデルに入力することで推定されたＣＰＥＩ（推定値）と、感圧センサ１１０の計測結果に基づくＣＰＥＩ（真値）との相関関係を示すグラフである。図１８は、ＣＰＥＩ（推定値）とＣＰＥＩ（真値）の相関関係を、Leave one subject out交差検証を用いて検証した結果である。男性に関しては、級内相関係数（ＩＣＣ：Intraclass Correlation Coefficient）が０．５６０であった。女性に関しては、ＩＣＣが０．５５３であった。図１９は、ＣＰＥＩ（推定値）とＣＰＥＩ（真値）の相関関係をＺスコアで検証した結果を示すグラフである。男性に関しては、ＩＣＣが０．６２７であった。一方、女性に関しては、ＩＣＣが０．６２８であった。図１８と図１９の結果は、性別ごとの特徴が表れる歩行フェーズの区間から抽出された特徴量を用いて推定されたＣＰＥＩ（推定値）と、感圧センサ１１０を用いて計測されたＣＰＥＩ（真値）との間には、中程度の一致があることを示す。すなわち、回内／回外の度合（ＣＰＥＩ）に関しては、性別ごとの特徴が表れる歩行フェーズの区間から抽出された特徴量を用いて推定できる。
　図２０は、ピッチ角の時系列データから抽出された特徴量に基づいて推測されたＣＰＥＩ（推測値）と、感圧センサ１１０によって計測されたＣＰＥＩ（真値）との年齢ごとの相関係数を示すグラフである。図２０においては、ＣＰＥＩ（推測値）とＣＰＥＩ（真値）の相関係数が、高齢者（実線）と若年者（点線）で別々にプロットされる。図２０において、ハッチングが施された範囲の上限／下限の境界線が閾値に設定される。ハッチングが施された範囲の外にはみ出た区間（相関係数が閾値を超えた歩行フェーズの区間）においては、ＣＰＥＩ（推測値）とＣＰＥＩ（真値）の相関が高い。すなわち、相関係数が閾値を超えた歩行フェーズの区間から、ＣＰＥＩの特徴量を抽出できる。
　高齢者（実線）に関しては、立脚相の前半（踵接地の直後の期間Ｓ１）と遊脚相の後半（踵接地の直前の期間Ｓ２）において、相関係数が閾値を超える。一方、若年者（点線）に関しては、立脚相の後半（爪先離地の直前の期間Ｙ１）と遊脚相の後半（踵接地の直前の期間Ｙ２）において、相関係数が閾値を超える。このように、高齢者（実線）と若年者（点線）に関しては、ＣＰＥＩと相関する歩行フェーズの区間が異なる。すなわち、高齢者（実線）に関しては、立脚相の前半（踵接地の直後の期間Ｓ１）と遊脚相の後半（踵接地の直前の期間Ｓ２）から抽出される特徴量を用いて推測モデルを生成しておけばよい。一方、若年者（点線）に関しては、立脚相の後半（爪先離地の直前の期間Ｙ１）と遊脚相の後半（踵接地の直前の期間Ｙ２）から抽出される特徴量を用いて推測モデルを生成しておけばよい。属性として年齢を用いる場合、遊脚相の後半（踵接地の直前の期間Ｙ２と期間Ｓ２）については、若年者と高齢者で特徴が表れる歩行フェーズが重なる傾向がみられる。そのため、属性として年齢を用いる場合、高齢者に関しては立脚相の後半（爪先離地の直前の期間Ｙ１）から、若年者に関しては立脚相の後半（爪先離地の直前の期間Ｙ１）から抽出される特徴量を用いて推測モデルを生成しておけばよい。Leave one subject out交差検証の結果は省略するが、回内／回外の度合に関しても、年齢ごとの特徴が表れる歩行フェーズの区間から抽出された特徴量を用いて推定できる。
　〔適用例〕
　次に、本実施形態の推定システム１の適用例について図面を参照しながら説明する。本適用例では、推定装置１２によって出力された足の回内／回外の度合に関する推定結果を、表示装置に表示したり、ビックデータとして活用したりする例である。以下の例においては、歩行者の靴の中にデータ取得装置１１が設置され、そのデータ取得装置１１によって計測された足の動きに関する物理量に基づくセンサデータが、歩行者の所持する携帯端末に送信されるものとする。携帯端末に送信されたセンサデータは、携帯端末にインストールされたアプリケーションソフトウェア等によってデータ処理されるものとする。
　図２１は、データ取得装置（図示しない）が設置された靴１００を履いた歩行者の携帯端末１６０の画面に、その歩行者の足の回内／回外の度合に関する推定結果を表示させる例である。図２１の例では、携帯端末１６０の画面に、「ＣＰＥＩ＝＋８．５」という数値と、「回内の傾向があります」という通知を、足の回内／回外の度合に関する推定結果として表示させる。携帯端末１６０の画面に表示された足の回内／回外の度合に関する推定結果を閲覧した歩行者は、その推定結果に応じた行動をとることができる。例えば、携帯端末１６０の画面に表示された足の回内／回外の度合に関する推定結果を閲覧した歩行者は、その推定結果に応じて、医療機関等に自身の状況について連絡できる。例えば、携帯端末１６０の画面に表示された足の回内／回外の度合に関する推定結果を閲覧した歩行者は、その推定結果に応じて、自身に適した運動や歩き方を実践できる。
　図２２は、データ取得装置（図示しない）が設置された靴１００を履いた歩行者の携帯端末１６０の画面に、その歩行者の足の回内／回外の度合に関する推定結果に応じた情報を表示させる例である。例えば、足の回内／回外の進行状況に応じて、歩行者が病院で診察を受けることを薦める情報を携帯端末１６０の画面に表示させる。例えば、足の回内／回外の進行状況に応じて、受診可能な病院のサイトへのリンク先や電話番号を携帯端末１６０の画面に表示させてもよい。例えば、携帯端末１６０の画面に表示された足の回内／回外の度合に関する推定結果に応じた情報を閲覧した歩行者は、その情報に応じて行動できる。
　図２３は、データ取得装置（図示しない）が設置された靴１００を履いた複数の歩行者の携帯端末１６０から、データ取得装置によって計測されたセンサデータに基づく情報をデータセンター１７０に送信する例である。例えば、携帯端末１６０は、データ取得装置によって計測されたセンサデータや、ＣＰＥＩの推定値、それらの歩行者の足の回内／回外の度合に関する推定結果を、データセンター１７０に送信する。例えば、データセンター１７０に送信されたデータは、データベースに蓄積される。例えば、データベースに蓄積されたデータは、ビックデータとして活用される。
　本実施形態においては、身体状態として、回内／回外の度合を推定する例について説明した。本実施形態の手法は、回内／回外の度合以外の身体状態の推定にも適用できる。例えば、外反母趾の度合は、女性では履物の影響が主要因となり、男性では怪我の影響が主要因となる傾向がある。そのため、外反母趾の度合は、性別によって、特徴が表れる区間が異なるものと推定される。例えば、立ち仕事が主の場合と、座り仕事が主の場合とで、Ｏ脚やＸ脚になる傾向が異なる。そのように仮定した場合、Ｏ脚やＸ脚の度合は、職種などの社会的な属性によって、特徴が表れる区間が異なるものと推定される。
　以上のように、本実施形態の推定システムは、データ取得装置と推測装置を備える。データ取得装置は、ユーザの足部に設置され、空間加速度および空間角速度を計測する。データ取得装置は、計測した空間加速度および空間角速度に基づくセンサデータを生成し、生成したセンサデータを推定装置に送信する。推定装置は、検出部、特徴量抽出部、記憶部、および推測部を備える。検出部は、ユーザの足の動きに基づくセンサデータの時系列データから歩行イベントを検出する。検出部は、検出された歩行イベントに基づいて、一歩行波形分の歩行波形を抽出する。特徴量抽出部は、検出部によって抽出された歩行波形から、ユーザの属性に応じた身体状態の特徴が表れる区間において、ユーザの属性に応じた特徴量を抽出する。記憶部は、ユーザの属性に応じて抽出された特徴量の入力に応じてユーザの身体状態を出力する推測モデルを記憶する。推測部は、ユーザの属性に応じて抽出された特徴量を、記憶部に記憶された推測モデルに入力して、ユーザの身体状態を推測する。
　本実施形態の推定システムは、ユーザの足部に設置されたデータ取得装置によって計測された足の動きに基づくセンサデータを用いて、ユーザの身体状態を属性に応じて推定する。すなわち、本実施形態の推定システムは、歩行に伴って計測されるセンサデータに基づいて、属性に応じて身体状態を推定できる。
　本実施形態の一態様において、推測部は、属性に応じて抽出される特徴量の入力に応じて、属性に応じた身体状態に関する推定結果を出力する推測モデルに、ユーザの歩行波形から抽出された特徴量を入力する。推定部は、推測モデルから出力される推定結果に基づいて、ユーザの身体状態を推定する。本態様によれば、ユーザの属性に応じて歩行波形から抽出された特徴量を、属性ごとに生成された推測モデルに入力することによって、ユーザの属性が反映された身体状態を推定できる。
　本実施形態の一態様において、特徴量抽出部は、冠状面内の角度に関する歩行波形から特徴量を抽出する。推測部は、冠状面内の角度に関する歩行波形から抽出された特徴量を用いて、足の回内／回外の度合を推定する。本態様によれば、身体状態として、ユーザの属性が反映された足の回内／回外の度合を推定できる。
　本実施形態の一態様において、推測部は、複数の被験者に関するデータセットを学習させた推測モデルに、ユーザの歩行波形から抽出された特徴量を入力して、ユーザの足の回内／回外の度合を推定する。データセットは、属性に応じた身体状態の特徴が表れる区間において、冠状面内の角度に関する歩行波形から抽出された特徴量を説明変数とし、圧力センサによって計測された足圧分布から求められた足圧中心軌跡指標を目的変数とする。本態様によれば、複数の被験者に関するデータセットを学習させた推測モデルを用いて、ユーザの属性が反映された足の回内／回外の度合を推定できる。
　本実施形態の一態様において、推定部は、性別ごとの推測モデルを用いて、ユーザの回内／回外の度合を推定する。ユーザが女性の場合、特徴量抽出部は、冠状面内の角度に関する歩行波形から、踵接地の直後の期間と片脚支持の期間を含む女性特徴量抽出期間における特徴量を抽出する。そして、推測部は、複数の女性被験者に関して女性特徴量抽出期間において抽出された特徴量を学習させた女性用推測モデルに、特徴量抽出部によって抽出された特徴量を入力してユーザの回内／回外の度合を推定する。ユーザが男性の場合、特徴量抽出部は、爪先離地の直前の期間と踵接地の直前の期間を含む男性特徴量抽出期間における特徴量を抽出する。そして、推測部は、複数の男性被験者に関して男性特徴量抽出期間から抽出された特徴量を学習させた男性用推測モデルに、特徴量抽出部によって抽出された特徴量を入力してユーザの回内／回外の度合を推定する。
　本態様では、性別に応じて特有の特徴が表れる期間において、冠状面内の角度に関する歩行波形から特徴を抽出する。そして、本態様では、性別ごとの推測モデルを用いて、ユーザの身体状態を推定する。そのため、本態様によれば、ユーザの属性（性別）がより反映された足の回内／回外の度合を推定できる。
　本実施形態の一態様において、推定部は、年齢ごとの推測モデルを用いて、ユーザの回内／回外の度合を推定する。ユーザが高齢者の場合、特徴量抽出部は、冠状面内の角度に関する歩行波形から、踵接地の直後の期間と踵接地の直前の期間を含む高齢者特徴量抽出期間における特徴量を抽出する。そして、推測部は、複数の高齢者被験者に関して高齢者特徴量抽出期間において抽出された特徴量を学習させた高齢者用推測モデルに、特徴量抽出部によって抽出された特徴量を入力してユーザの回内／回外の度合を推定する。ユーザが若年者の場合、特徴量抽出部は、冠状面内の角度に関する歩行波形から、爪先離地の直前の期間と踵接地の直前の期間を含む若年者特徴量抽出期間における特徴量を抽出する。そして、推測部は、複数の若年者被験者に関して若年者特徴量抽出期間において抽出された特徴量を学習させた若年者用推測モデルに、特徴量抽出部によって抽出された特徴量を入力してユーザの回内／回外の度合を推定する。
　本態様では、年齢に応じて特有の特徴が表れる期間において、冠状面内の角度に関する歩行波形から特徴を抽出する。そして、本態様では、年齢ごとの推測モデルを用いて、ユーザの身体状態を推定する。そのため、本態様によれば、ユーザの属性（年齢）がより反映された足の回内／回外の度合を推定できる。
　本実施形態の一態様において、推測部は、推定された足圧中心軌跡指標の値に応じて、足の回内／回外、および正常のうちいずれであるのかを示す判定結果を出力する。本態様によれば、足圧中心軌跡指標の推定値に応じて、足の回内／回外、および正常のうちいずれであるのかを判定できる。
　例えば、本実施形態の検出システムは、靴のオーダーメードに適用できる。例えば、本実施形態の検出システムは、データ取得装置が設置されたゲストシューズをユーザに履かせて歩行させ、そのユーザの足の回内／回外の度合を検証する用途に適用できる。ユーザの足の回内／回外の度合の検証結果に関するデータを、靴を設計するメーカに提供すれば、ユーザの足の回内／回外の度合に応じた靴の設計が可能になる。
　例えば、本実施形態の検出システムは、ユーザの日常生活をモニターする用途にも適用できる。例えば、ユーザの歩行における足の回内／回外の進行状況に応じて、歩行の癖を抽出したり、靴を変えることを薦めたりできれば、そのユーザの足の回内／回外の進行を抑えることができる可能性がある。例えば、足の回内／回外の矯正器具をユーザが用いている場合、足の回内／回外の度合に応じた情報をそのユーザに提供することによって、症状の進行の軽減や、怪我の防止につながる可能性がある。
　例えば、本実施形態の検出システムによれば、多数のユーザの推定結果を収集し、足の回内／回外の度合に関する推定結果をデータベース化することで、足の回内／回外の度合に関する情報をビックデータとして活用できる可能性がある。例えば、多数のユーザの足の回内／回外の度合やＣＰＥＩを靴に対応付けてデータベース化すれば、靴の設計やメンテナンス等に活用できるデータを蓄積できる。
　（第２の実施形態）
　次に、第２の実施形態に係る推定装置について図面を参照しながら説明する。本実施形態の推定装置は、第１の実施形態の推定装置を簡略化した構成である。図２５は、本実施形態の推定装置２２の構成の一例を示すブロック図である。推定装置２２は、特徴量抽出部２２５および推測部２２７を備える。
　特徴量抽出部２２５は、ユーザの足の動きに基づくセンサデータの時系列データから抽出された歩行波形から、ユーザの属性に応じた身体状態の特徴が表れる区間において、ユーザの属性に応じた特徴量を抽出する。推測部２２７は、ユーザの属性に応じて抽出された特徴量を用いて、ユーザの身体状態を推定する。
　本実施形態の推定装置は、本実施形態の推定システムは、ユーザの足部に設置されたデータ取得装置によって計測された足の動きに基づくセンサデータを用いて、ユーザの身体状態を属性に応じて推定する。すなわち、本実施形態の推定装置は、歩行に伴って計測されるセンサデータに基づいて、属性に応じて身体状態を推定できる。
　（ハードウェア）
　ここで、本発明の各実施形態に係る推定装置の処理を実行するハードウェア構成について、図２５の情報処理装置９０を一例として挙げて説明する。なお、図２５の情報処理装置９０は、各実施形態の推定装置の処理を実行するための構成例であって、本発明の範囲を限定するものではない。
　図２５のように、情報処理装置９０は、プロセッサ９１、主記憶装置９２、補助記憶装置９３、入出力インターフェース９５、および通信インターフェース９６を備える。図２５においては、インターフェースをＩ／Ｆ（Interface）と略して表記する。プロセッサ９１、主記憶装置９２、補助記憶装置９３、入出力インターフェース９５、および通信インターフェース９６は、バス９８を介して互いにデータ通信可能に接続される。また、プロセッサ９１、主記憶装置９２、補助記憶装置９３および入出力インターフェース９５は、通信インターフェース９６を介して、インターネットやイントラネットなどのネットワークに接続される。
　プロセッサ９１は、補助記憶装置９３等に格納されたプログラムを主記憶装置９２に展開し、展開されたプログラムを実行する。本実施形態においては、情報処理装置９０にインストールされたソフトウェアプログラムを用いる構成とすればよい。プロセッサ９１は、本実施形態に係る推定装置による処理を実行する。
　主記憶装置９２は、プログラムが展開される領域を有する。主記憶装置９２は、例えばＤＲＡＭ（Dynamic Random Access Memory）などの揮発性メモリとすればよい。また、ＭＲＡＭ（Magnetoresistive Random Access Memory）などの不揮発性メモリを主記憶装置９２として構成・追加してもよい。
　補助記憶装置９３は、種々のデータを記憶する。補助記憶装置９３は、ハードディスクやフラッシュメモリなどのローカルディスクによって構成される。なお、種々のデータを主記憶装置９２に記憶させる構成とし、補助記憶装置９３を省略することも可能である。
　入出力インターフェース９５は、情報処理装置９０と周辺機器とを接続するためのインターフェースである。通信インターフェース９６は、規格や仕様に基づいて、インターネットやイントラネットなどのネットワークを通じて、外部のシステムや装置に接続するためのインターフェースである。入出力インターフェース９５および通信インターフェース９６は、外部機器と接続するインターフェースとして共通化してもよい。
　情報処理装置９０には、必要に応じて、キーボードやマウス、タッチパネルなどの入力機器を接続するように構成してもよい。それらの入力機器は、情報や設定の入力に使用される。なお、タッチパネルを入力機器として用いる場合は、表示機器の表示画面が入力機器のインターフェースを兼ねる構成とすればよい。プロセッサ９１と入力機器との間のデータ通信は、入出力インターフェース９５に仲介させればよい。
　また、情報処理装置９０には、情報を表示するための表示機器を備え付けてもよい。表示機器を備え付ける場合、情報処理装置９０には、表示機器の表示を制御するための表示制御装置（図示しない）が備えられていることが好ましい。表示機器は、入出力インターフェース９５を介して情報処理装置９０に接続すればよい。
　以上が、本発明の各実施形態に係る推定装置を可能とするためのハードウェア構成の一例である。なお、図２５のハードウェア構成は、各実施形態に係る推定装置の演算処理を実行するためのハードウェア構成の一例であって、本発明の範囲を限定するものではない。また、各実施形態に係る推定装置に関する処理をコンピュータに実行させるプログラムも本発明の範囲に含まれる。さらに、各実施形態に係るプログラムを記録した記録媒体も本発明の範囲に含まれる。記録媒体は、例えば、ＣＤ（Compact Disc）やＤＶＤ（Digital Versatile Disc）などの光学記録媒体で実現できる。また、記録媒体は、ＵＳＢ（Universal Serial Bus）メモリやＳＤ（Secure Digital）カードなどの半導体記録媒体や、フレキシブルディスクなどの磁気記録媒体、その他の記録媒体によって実現してもよい。プロセッサが実行するプログラムが記録媒体に記録されている場合、その記録媒体はプログラム記録媒体に相当する。
　各実施形態の推定装置の構成要素は、任意に組み合わせることができる。また、各実施形態の推定装置の構成要素は、ソフトウェアによって実現してもよいし、回路によって実現してもよい。
　以上、実施形態を参照して本発明を説明してきたが、本発明は上記実施形態に限定されるものではない。本発明の構成や詳細には、本発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
　１　　推定システム
　１１　　データ取得装置
　１２、２２　　推定装置
　１１１　　加速度センサ
　１１２　　角速度センサ
　１１３　　制御部
　１１５　　データ送信部
　１２１　　検出部
　１２３　　記憶部
　１２５、２２５　　特徴量抽出部
　１２７、２２７　　推測部

Claims (10)

  1. 　ユーザの足の動きに基づくセンサデータの時系列データから抽出された歩行波形から、前記ユーザの属性に応じた身体状態の特徴が表れる区間において、前記ユーザの属性に応じた特徴量を抽出する特徴量抽出手段と、
    　前記ユーザの属性に応じて抽出された前記特徴量を用いて、前記ユーザの身体状態を推定する推測手段と、を備える推定装置。
  2. 　前記推測手段は、
    　前記属性に応じて抽出される前記特徴量の入力に応じて、前記属性に応じた身体状態に関する推定結果を出力する推測モデルに、前記ユーザの歩行波形から抽出された前記特徴量を入力し、前記推測モデルから出力される前記推定結果に基づいて前記ユーザの身体状態を推定する請求項１に記載の推定装置。
  3. 　前記特徴量抽出手段は、
    　冠状面内の角度に関する歩行波形から前記特徴量を抽出し、
    　前記推測手段は、
    　前記冠状面内の角度に関する前記歩行波形から抽出された前記特徴量を用いて、足の回内／回外の度合を推定する請求項１に記載の推定装置。
  4. 　前記推測手段は、
    　複数の被験者に関して、前記属性に応じた身体状態の特徴が表れる区間において、前記冠状面内の角度に関する前記歩行波形から抽出された前記特徴量を説明変数とし、圧力センサによって計測された足圧分布から求められた足圧中心軌跡指標を目的変数とするデータセットを学習させた推測モデルに、前記ユーザの前記歩行波形から抽出された前記特徴量を入力して、前記ユーザの足の回内／回外の度合を推定する請求項３に記載の推定装置。
  5. 　前記ユーザが女性の場合、
    　　前記特徴量抽出手段は、
    　　前記冠状面内の角度に関する前記歩行波形から、踵接地の直後の期間と片脚支持の期間を含む女性特徴量抽出期間において前記特徴量を抽出し、
    　　前記推測手段は、
    　　複数の女性被験者に関して前記女性特徴量抽出期間において抽出された前記特徴量を学習させた女性用推測モデルに、前記特徴量抽出手段によって抽出された前記特徴量を入力して前記ユーザの回内／回外の度合を推定し、
    　前記ユーザが男性の場合、
    　　前記特徴量抽出手段は、
    　　爪先離地の直前の期間と前記踵接地の直前の期間を含む男性特徴量抽出期間において前記特徴量を抽出し、
    　　前記推測手段は、
    　　複数の男性被験者に関して前記男性特徴量抽出期間から抽出された前記特徴量を学習させた男性用推測モデルに、前記特徴量抽出手段によって抽出された前記特徴量を入力して前記ユーザの回内／回外の度合を推定する請求項４に記載の推定装置。
  6. 　前記ユーザが高齢者の場合、
    　　前記特徴量抽出手段は、
    　　前記冠状面内の角度に関する前記歩行波形から、踵接地の直後の期間と前記踵接地の直前の期間を含む高齢者特徴量抽出期間において前記特徴量を抽出し、
    　　前記推測手段は、
    　　複数の高齢者被験者に関して前記高齢者特徴量抽出期間において抽出された前記特徴量を学習させた高齢者用推測モデルに、前記特徴量抽出手段によって抽出された前記特徴量を入力して前記ユーザの回内／回外の度合を推定し、
    　前記ユーザが若年者の場合、
    　　前記特徴量抽出手段は、
    　　前記冠状面内の角度に関する前記歩行波形から、爪先離地の直前の期間と前記踵接地の直前の期間を含む若年者特徴量抽出期間において前記特徴量を抽出し、
    　　前記推測手段は、
    　　複数の若年者被験者に関して前記若年者特徴量抽出期間において抽出された前記特徴量を学習させた若年者用推測モデルに、前記特徴量抽出手段によって抽出された前記特徴量を入力して前記ユーザの回内／回外の度合を推定する請求項４に記載の推定装置。
  7. 　前記推測手段は、
    　推定された前記足圧中心軌跡指標の値に応じて、足の回内／回外、および正常のうちいずれであるのかを示す判定結果を出力する請求項４乃至６のいずれか一項に記載の推定装置。
  8. 　請求項１乃至７のいずれか一項に記載の推定装置と、
    　前記ユーザの足部に設置され、空間加速度および空間角速度を計測し、計測した前記空間加速度および前記空間角速度に基づくセンサデータを生成し、生成した前記センサデータを前記推定装置に送信するデータ取得装置と、を備える推定システム。
  9. 　コンピュータが、
    　ユーザの足の動きに基づくセンサデータの時系列データから抽出された歩行波形から、前記ユーザの属性に応じた身体状態の特徴が表れる区間において、前記ユーザの属性に応じた特徴量を抽出し、
    　前記ユーザの属性に応じて抽出された前記特徴量を用いて、前記ユーザの身体状態を推定する推定方法。
  10. 　ユーザの足の動きに基づくセンサデータの時系列データから抽出された歩行波形から、前記ユーザの属性に応じた身体状態の特徴が表れる区間において、前記ユーザの属性に応じた特徴量を抽出する処理と、
    　前記ユーザの属性に応じて抽出された前記特徴量を用いて、前記ユーザの身体状態を推定する処理と、をコンピュータに実行させるプログラムが記録された非一過性のプログラム記録媒体。
PCT/JP2021/019305 2021-05-21 2021-05-21 推定装置、推定システム、推定方法、および記録媒体 WO2022244222A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/JP2021/019305 WO2022244222A1 (ja) 2021-05-21 2021-05-21 推定装置、推定システム、推定方法、および記録媒体
JP2023522150A JPWO2022244222A5 (ja) 2021-05-21 推定装置、推定システム、推定方法、およびプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/019305 WO2022244222A1 (ja) 2021-05-21 2021-05-21 推定装置、推定システム、推定方法、および記録媒体

Publications (1)

Publication Number Publication Date
WO2022244222A1 true WO2022244222A1 (ja) 2022-11-24

Family

ID=84141161

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/019305 WO2022244222A1 (ja) 2021-05-21 2021-05-21 推定装置、推定システム、推定方法、および記録媒体

Country Status (1)

Country Link
WO (1) WO2022244222A1 (ja)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008161228A (ja) * 2006-12-27 2008-07-17 Yokogawa Electric Corp 歩行解析システム
WO2015190042A1 (ja) * 2014-06-13 2015-12-17 パナソニックＩｐマネジメント株式会社 活動評価装置、評価処理装置、プログラム
WO2017065241A1 (ja) * 2015-10-14 2017-04-20 国立大学法人東京工業大学 自動診断装置
JP2019005340A (ja) * 2017-06-27 2019-01-17 株式会社東芝 判定装置、判定システム、及び判定プログラム
WO2019181483A1 (ja) * 2018-03-23 2019-09-26 パナソニックＩｐマネジメント株式会社 認知機能評価装置、認知機能評価システム、認知機能評価方法、及び、プログラム
WO2020202543A1 (ja) * 2019-04-05 2020-10-08 日本電気株式会社 歩行周期判定システム、歩行周期判定方法、およびプログラム記録媒体
WO2020230282A1 (ja) * 2019-05-15 2020-11-19 日本電気株式会社 判定装置、判定方法、およびプログラム記録媒体

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008161228A (ja) * 2006-12-27 2008-07-17 Yokogawa Electric Corp 歩行解析システム
WO2015190042A1 (ja) * 2014-06-13 2015-12-17 パナソニックＩｐマネジメント株式会社 活動評価装置、評価処理装置、プログラム
WO2017065241A1 (ja) * 2015-10-14 2017-04-20 国立大学法人東京工業大学 自動診断装置
JP2019005340A (ja) * 2017-06-27 2019-01-17 株式会社東芝 判定装置、判定システム、及び判定プログラム
WO2019181483A1 (ja) * 2018-03-23 2019-09-26 パナソニックＩｐマネジメント株式会社 認知機能評価装置、認知機能評価システム、認知機能評価方法、及び、プログラム
WO2020202543A1 (ja) * 2019-04-05 2020-10-08 日本電気株式会社 歩行周期判定システム、歩行周期判定方法、およびプログラム記録媒体
WO2020230282A1 (ja) * 2019-05-15 2020-11-19 日本電気株式会社 判定装置、判定方法、およびプログラム記録媒体

Also Published As

Publication number Publication date
JPWO2022244222A1 (ja) 2022-11-24

Similar Documents

Publication Publication Date Title
JP7327516B2 (ja) 異常検出装置、判定システム、異常検出方法、およびプログラム
WO2022244222A1 (ja) 推定装置、推定システム、推定方法、および記録媒体
WO2022070416A1 (ja) 推定装置、推定方法、およびプログラム記録媒体
US20240138757A1 (en) Pelvic inclination estimation device, estimation system, pelvic inclination estimation method, and recording medium
US20240138713A1 (en) Harmonic index estimation device, estimation system, harmonic index estimation method, and recording medium
US20240108251A1 (en) Calculation device, calculation method, and program recording medium
US20240172966A1 (en) Harmonic index estimation device, estimation system, harmonic index estimation method, and recording medium
WO2022038663A1 (ja) 検出装置、検出システム、検出方法、およびプログラム記録媒体
WO2022201338A1 (ja) 特徴量生成装置、歩容計測システム、特徴量生成方法、および記録媒体
WO2023127010A1 (ja) 移動能力推定装置、移動能力推定システム、移動能力推定方法、および記録媒体
US20240138710A1 (en) Waist swinging estimation device, estimation system, waist swinging estimation method, and recording medium
WO2023127014A1 (ja) 易転倒性推定装置、易転倒性推定システム、易転倒性推定方法、および記録媒体
WO2023067694A1 (ja) データ生成装置、学習システム、推定装置、データ生成方法、および記録媒体
WO2022208838A1 (ja) 生体情報処理装置、情報処理システム、生体情報処理方法、および記録媒体
JP7459965B2 (ja) 判別装置、判別システム、判別方法、およびプログラム
WO2023127007A1 (ja) 筋力指標推定装置、筋力指標推定システム、筋力指標推定方法、および記録媒体
WO2023127013A1 (ja) 静的バランス推定装置、静的バランス推定システム、静的バランス推定方法、および記録媒体
WO2023127015A1 (ja) 筋力評価装置、筋力評価システム、筋力評価方法、および記録媒体
WO2023127008A1 (ja) 動的バランス推定装置、動的バランス推定システム、動的バランス推定方法、および記録媒体
WO2023170948A1 (ja) 歩容計測装置、計測装置、歩容計測システム、歩容計測方法、および記録媒体
WO2023047558A1 (ja) 推定装置、情報提示システム、推定方法、および記録媒体
US20240164705A1 (en) Index value estimation device, estimation system, index value estimation method, and recording medium
WO2022101971A1 (ja) 検出装置、検出システム、検出方法、およびプログラム記録媒体
JP2023174049A (ja) フレイル推定装置、推定システム、フレイル推定方法、およびプログラム

Legal Events

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

Ref document number: 21940836

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023522150

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 18560462

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21940836

Country of ref document: EP

Kind code of ref document: A1