WO2022269724A1 - 運動内容推定装置、運動内容推定方法およびプログラム - Google Patents

運動内容推定装置、運動内容推定方法およびプログラム Download PDF

Info

Publication number
WO2022269724A1
WO2022269724A1 PCT/JP2021/023483 JP2021023483W WO2022269724A1 WO 2022269724 A1 WO2022269724 A1 WO 2022269724A1 JP 2021023483 W JP2021023483 W JP 2021023483W WO 2022269724 A1 WO2022269724 A1 WO 2022269724A1
Authority
WO
WIPO (PCT)
Prior art keywords
electrode
conversion matrix
data
exercise content
surface electromyogram
Prior art date
Application number
PCT/JP2021/023483
Other languages
English (en)
French (fr)
Inventor
隆司 伊勢崎
Original Assignee
日本電信電話株式会社
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 日本電信電話株式会社 filed Critical 日本電信電話株式会社
Priority to PCT/JP2021/023483 priority Critical patent/WO2022269724A1/ja
Publication of WO2022269724A1 publication Critical patent/WO2022269724A1/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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/389—Electromyography [EMG]
    • A61B5/397—Analysis of electromyograms

Definitions

  • the present invention relates to an exercise content estimation device, an exercise content estimation method, and a program.
  • a measurement system has been developed that uses surface electrodes to be attached to the human skin to measure surface electromyography data.
  • Surface electrodes include a type of wireless electrode in which a battery is mounted, a potential difference between electrodes is measured, and a signal is transmitted to a server by wireless communication. By attaching a plurality of such wireless electrodes to the skin, it is possible to measure the potential difference, which is the data of the surface electromyogram, and to estimate the content of exercise based on a plurality of muscle activities.
  • the wireless electrodes are designed and manufactured so that there are no individual differences in shape, measurement characteristics, etc. between individual electrodes.
  • each measurement ( Each time an electrode is attached) a calibration operation is required.
  • Non-Patent Document 1 as a method of coping with the change in electrode position that occurs when the same electrode ID is installed in the same muscle part, a method of measuring all signals at the assumed electrode position and learning in advance is disclosed.
  • the disclosed technique aims at estimating the content of exercise based on correct surface electromyography, even if different wireless electrodes are attached to the same muscle part during calibration and during actual measurement.
  • the disclosed technology is a motion content estimation device for estimating a motion content corresponding to surface electromyogram data, and includes an electrode ID conversion matrix for converting IDs of electrodes used to measure the surface electromyogram data. and an electrode ID conversion matrix for converting the ID of the electrode used for measuring the surface electromyogram data based on the feature vector of the surface electromyogram data and learning data an electrode ID conversion matrix calculator for calculating; an electrode ID conversion matrix updater for updating the electrode ID conversion matrix stored in the storage unit based on the calculated electrode ID conversion matrix; and an updated electrode ID conversion.
  • a motion content estimating unit configured to estimate the motion content based on surface electromyogram data obtained by converting IDs of the electrodes by applying a matrix.
  • the exercise content can be estimated based on the correct surface electromyogram.
  • the exercise content estimation device calculates a feature amount vector based on the surface electromyogram data, and uses the electrode ID conversion matrix updated based on the feature amount vector and the learning data to calculate the exercise content. is a device for estimating
  • FIG. 1 is a functional configuration diagram of a motion content estimation device.
  • the exercise content estimation device 10 includes a storage unit 11, a surface electromyogram data acquisition unit 12, a feature amount vector calculation unit 13, an electrode ID conversion matrix calculation unit 14, an electrode ID conversion matrix update unit 15, and an exercise content.
  • An estimation unit 16 and an output unit 17 are provided.
  • the storage unit 11 stores the exercise content estimation model 100 and the electrode ID conversion matrix 110 .
  • the exercise content estimation model 100 is an estimation model for estimating the exercise content based on the measured surface electromyogram data.
  • the exercise content estimation model 100 is learned in advance based on learning data stored in the learning data storage device 30 .
  • the electrode ID conversion matrix 110 is data indicating a matrix for converting electrode IDs, and is updated from time to time by the process described later.
  • the surface electromyogram data acquisition unit 12 acquires surface electromyogram data from the measuring device 20 or the like.
  • the surface electromyogram data is data constituting a surface electromyogram, and is data indicating potential differences between a plurality of surface electrodes measured by the measuring device 20 .
  • the upper right subscript of each element of S i is an electrode ID for identifying each electrode.
  • the feature quantity vector calculation unit 13 calculates a feature quantity vector of the surface electromyogram data. Specifically, the feature amount vector calculation unit 13 calculates an RMS (Root Mean Square) value for each fixed number of samples (for example, 100 samples) according to the following formula based on the signal Si .
  • RMS Root Mean Square
  • the feature quantity vector calculator 13 calculates a feature quantity vector E i obtained from the average value of the RMS values of (i ⁇ , i) of each signal using the following equation.
  • the feature amount vector E i of the calculated RMS value is the feature amount vector of the surface electromyogram data, and is used as an explanatory variable of the exercise content estimation model 100 .
  • the feature amount vector E i of the RMS value described above is an example of the feature amount vector, and others may be used.
  • the electrode ID conversion matrix calculator 14 calculates an electrode ID conversion matrix based on the learning data stored in the learning data storage device 30 and the feature vector calculated by the feature vector calculator 13 .
  • the learning data is data of a combination of the feature amount vector E constructed based on the surface electromyogram data and the exercise content acquired by the previous measurement, and the exercise content label.
  • each exercise content label for example, if there are L pieces of exercise content, each exercise content is described as label l .
  • l (1, . . . , L) is an exercise content index.
  • the learning data includes a combination of a plurality of feature amount vectors for each exercise content.
  • D l be the number of feature vectors associated with label l .
  • the electrode ID conversion matrix updating unit 15 updates the electrode ID conversion matrix stored in the storage unit 11 based on the calculation result of the electrode ID conversion matrix calculating unit 14. Details of the update process will be described later.
  • the storage unit 11 stores the updated electrode ID conversion matrix.
  • the exercise content estimation unit 16 estimates the exercise content corresponding to the surface electromyogram data based on the surface electromyogram data in which the IDs of the electrodes are converted by applying the updated electrode ID conversion matrix. Specifically, the exercise content estimation unit 16 applies the updated electrode ID conversion matrix and the feature amount vector calculated by the feature amount vector calculation unit 13 as inputs to the exercise content estimation model 100 to estimate the exercise content. presume.
  • the output unit 17 outputs information indicating the estimated exercise content. Specifically, the output unit 17 transmits information indicating the estimated exercise content to another device or the like, or displays the information on a display device or the like.
  • the exercise content estimation device 10 starts an exercise content estimation process in response to a user's operation or the like.
  • FIG. 2 is a flowchart showing an example of the flow of exercise content estimation processing.
  • the surface electromyogram data acquisition unit 12 acquires surface electromyogram data (step S11).
  • the feature amount vector calculator 13 calculates a feature amount vector (step S12). For example, the feature amount vector calculation unit 13 calculates the average value of the RMS values described above as the feature amount vector Ei .
  • the electrode ID conversion matrix calculator 14 acquires learning data (step S13). Then, the electrode ID conversion matrix calculator 14 calculates an electrode ID conversion matrix (step S14).
  • FIG. 3 is a flowchart showing an example of the flow of electrode ID conversion matrix calculation processing.
  • the electrode ID conversion matrix calculation unit 14 executes an electrode ID conversion matrix calculation process in step S14 of the exercise content estimation process.
  • the electrode ID conversion matrix calculator 14 additively calculates the electrode ID conversion matrix ⁇ w for each exercise content.
  • the data index d is the d - th data in the feature vectors labeled with the exercise content label 1 in the learning data, and the maximum number is D1.
  • Eld is the feature amount of the data index d in the exercise content index l.
  • the electrode ID conversion matrix calculator 14 calculates ⁇ w ld (step S23). Specifically, the electrode ID conversion matrix calculation unit 14 calculates the motion content so that the distribution of the feature amount vector Ei calculated by the feature amount vector calculation unit 13 and the feature amount vector Eld included in the learning data are similar. Compute the electrode ID transformation matrix ⁇ w ld for data index d at index l.
  • the electrode ID conversion matrix calculation unit 14 applies descending sorting, for example, as a technique for making the distributions of the feature vector Ei and the feature vector Eld similar .
  • the electrode ID conversion matrix calculator 14 obtains the ID of the second largest value from E i and E ld , thereby converting the signal of ID3 in E i into the signal of ID1 in E ld . to calculate
  • the electrode ID conversion matrix calculator 14 calculates the following electrode ID conversion matrix ⁇ wli .
  • the electrode ID conversion matrix calculator 14 calculates a signal obtained by converting the electrode ID as follows.
  • the exercise content estimation unit 16 estimates the exercise content based on the converted signal.
  • the estimation result is f( ⁇ w ld Ei).
  • step S26 Yes
  • step S28 No
  • the process returns to step S23.
  • the electrode ID conversion matrix calculation unit 14 normalizes ⁇ w by calculating so that each element of ⁇ w has a value from 0 to 1 and the sum of each row is 1. do.
  • the electrode ID conversion matrix calculator 14 calculates the electrode ID conversion matrix calculator 14
  • the electrode ID conversion matrix update unit 15 updates the electrode ID conversion matrix based on the calculated electrode ID conversion matrix (step S15). Specifically, the electrode ID conversion matrix updating unit 15 uses the normalized ⁇ w and the electrode ID conversion matrix Wi -1 held up to the i-1th to update the i-th electrode ID conversion matrix W i is updated as follows.
  • ⁇ is an update coefficient, and is set to 0.1, for example.
  • the exercise content estimation unit 16 estimates the exercise content (step S16). Specifically, the exercise content estimating unit 16 receives the electrode ID conversion matrix W i and the exercise content estimation model f as inputs, and obtains the exercise content ⁇ (label) estimated by the following equation.
  • the output unit 17 outputs information indicating the estimated exercise content (step S17).
  • Exercise content estimation apparatus 10 can be realized, for example, by causing a computer to execute a program describing the processing content described in the present embodiment.
  • this "computer” may be a physical machine or a virtual machine on the cloud.
  • the "hardware” described here is virtual hardware.
  • the above program can be recorded on a computer-readable recording medium (portable memory, etc.), saved, or distributed. It is also possible to provide the above program through a network such as the Internet or e-mail.
  • FIG. 4 is a diagram showing a hardware configuration example of the computer.
  • the computer of FIG. 4 has a drive device 1000, an auxiliary storage device 1002, a memory device 1003, a CPU 1004, an interface device 1005, a display device 1006, an input device 1007, an output device 1008, etc., which are connected to each other via a bus B.
  • a program that implements the processing in the computer is provided by a recording medium 1001 such as a CD-ROM or memory card, for example.
  • a recording medium 1001 such as a CD-ROM or memory card
  • the program is installed from the recording medium 1001 to the auxiliary storage device 1002 via the drive device 1000 .
  • the program does not necessarily need to be installed from the recording medium 1001, and may be downloaded from another computer via the network.
  • the auxiliary storage device 1002 stores installed programs, as well as necessary files and data.
  • the memory device 1003 reads and stores the program from the auxiliary storage device 1002 when a program activation instruction is received.
  • the CPU 1004 implements functions related to the device according to programs stored in the memory device 1003 .
  • the interface device 1005 is used as an interface for connecting to the network.
  • a display device 1006 displays a GUI (Graphical User Interface) or the like by a program.
  • An input device 1007 is composed of a keyboard, a mouse, buttons, a touch panel, or the like, and is used to input various operational instructions.
  • the output device 1008 outputs the calculation result.
  • the computer may include a GPU (Graphics Processing Unit) or TPU (Tensor Processing Unit) instead of the CPU 1004, or may include a GPU or TPU in addition to the CPU 1004. In that case, the processing may be divided and executed such that the GPU or TPU executes processing that requires special computation, such as a neural network, and the CPU 1004 executes other processing.
  • a feature amount vector is calculated based on the surface electromyogram data, and learning data in which the feature amount vector and a plurality of feature amount vectors corresponding to the exercise content are stored.
  • Estimate motion content using the updated electrode-ID transformation matrix based on .
  • the electrodes during calibration can be estimated during actual measurement and the measurement data can be converted.
  • Exercise content can be estimated based on correct surface electromyography.
  • An exercise content estimation device for estimating exercise content corresponding to surface electromyogram data, a storage unit that stores an electrode ID conversion matrix for converting the ID of the electrode used to measure the surface electromyogram data; Electrode ID conversion matrix calculation for calculating an electrode ID conversion matrix for converting the ID of the electrode used for measuring the surface electromyogram data, based on the feature vector of the surface electromyogram data and learning data Department and an electrode ID conversion matrix updating unit that updates the electrode ID conversion matrix stored in the storage unit based on the calculated electrode ID conversion matrix; a motion content estimating unit that estimates the motion content based on the surface electromyogram data in which the IDs of the electrodes are converted by applying the updated electrode ID conversion matrix; Exercise content estimation device.
  • the learning data is data of a combination of motion content and a feature vector
  • the electrode ID conversion matrix calculation unit calculates an electrode ID conversion matrix that makes the distribution of the feature amount vector included in the learning data and the feature amount vector of the surface electromyogram data similar.
  • the exercise content estimation device according to claim 1.
  • (Section 3) Calculating a feature amount vector by calculating an RMS (Root Mean Square) value for each predetermined number of samples of the surface electromyogram data, and calculating an average value of the calculated RMS values as a feature amount vector of the surface electromyogram data further comprising a part, The exercise content estimation device according to item 1 or item 2.
  • the electrode ID conversion matrix stored in the storage unit is an electrode ID conversion matrix updated by the electrode ID conversion matrix updating unit based on surface electromyogram data measured last time,
  • the electrode ID conversion matrix update unit updates the electrode ID conversion matrix stored in the storage unit based on the surface electromyogram data measured this time.
  • the exercise content estimation device according to any one of items 1 to 3.
  • (Section 5) A motion content estimating device for estimating motion content corresponding to surface electromyographic data, the motion content storing an electrode ID conversion matrix for converting IDs of electrodes used to measure the surface electromyographic data.
  • An exercise content estimation method executed by an estimation device, calculating an electrode ID conversion matrix for converting the IDs of the electrodes used to measure the surface electromyogram data, based on the feature vector of the surface electromyogram data and learning data; updating a stored electrode ID conversion matrix based on the calculated electrode ID conversion matrix; estimating the exercise content based on the surface electromyogram data in which the IDs of the electrodes are converted by applying the updated electrode ID conversion matrix; Exercise content estimation method. (Section 6) A program for causing a computer to function as each unit in the exercise content estimation device according to any one of items 1 to 4.
  • Exercise content estimation device 11 Storage unit 12 Surface electromyogram data acquisition unit 13 Feature vector calculation unit 14 Electrode ID conversion matrix calculation unit 15 Electrode ID conversion matrix update unit 16 Exercise content estimation unit 17 Output unit 100 Exercise content estimation model 110 Electrode ID conversion matrix 1000 Drive device 1001 Recording medium 1002 Auxiliary storage device 1003 Memory device 1004 CPU 1005 interface device 1006 display device 1007 input device 1008 output device

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

表面筋電図データに対応する運動内容を推定する運動内容推定装置であって、前記表面筋電図データの測定に使用された電極のＩＤを変換するための電極ＩＤ変換行列を記憶する記憶部と、前記表面筋電図データの特徴量ベクトルと学習データとに基づいて、前記表面筋電図データの測定に使用された電極のＩＤを変換するための電極ＩＤ変換行列を算出する電極ＩＤ変換行列算出部と、算出された電極ＩＤ変換行列に基づいて、前記記憶部に記憶されている電極ＩＤ変換行列を更新する電極ＩＤ変換行列更新部と、更新された電極ＩＤ変換行列を適用して前記電極のＩＤを変換した表面筋電図データに基づいて、前記運動内容を推定する運動内容推定部と、を備える運動内容推定装置である。

Description

運動内容推定装置、運動内容推定方法およびプログラム
　本発明は、運動内容推定装置、運動内容推定方法およびプログラムに関する。
　表面筋電図のデータを計測するために人間の皮膚に貼り付けるための表面電極を使う計測システムが開発されている。表面電極には、バッテリーを搭載し、電極間の電位差を計測して無線通信でサーバに信号を伝送するタイプの無線電極がある。このような無線電極を複数個、皮膚に貼り付けることで表面筋電図のデータとなる電位差を計測し、複数の筋活動に基づく運動内容の推定が可能である。
　無線電極は形状・計測特性等は個々の電極間で個体差が無いように設計・製造されている。このような無線電極を人間の皮膚の表面に同時に多数張り付けて使用する際は、張り付け箇所（位置のずれ）や貼り付け方法の違いにより計測値が異なってくることを避けるため、計測毎に（電極を貼り付けるたびに）キャリブレーション作業が必要となる。
　また、非特許文献１には、同じ筋部位に同じ電極ＩＤを設置した際に生じる電極位置の変化への対処方法として、想定される電極位置のすべての信号を計測して事前に学習する方法が開示されている。
Stango, A., Negro, F., & Farina, D. (2014). Spatial correlation of high density EMG signals provides features robust to electrode number and shift in pattern recognition for myocontrol. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 23(2), 189-198.
　無線電極からの信号を受信する計測システムは、上述したキャリブレーション時と本測定時とで同じ筋部位に貼り付けられた無線電極が異なる場合（識別ＩＤが異なる場合）、これらを同じ筋電部位からの信号であることを認識できず、正しい表面筋電図を推定できないという問題がある。
　このような問題に対して、従来技術を適用して、複数の筋部位と複数の電極を対象に、これらの組み合わせを網羅的（総当たり的）にキャリブレーションもしくは機械学習のモデル作成を行うと、キャリブレーションに要する作業効率およびモデル作成の計算効率が悪くなる。
　開示の技術は、キャリブレーション時と本測定時とで同じ筋部位に貼り付けられた無線電極が異なる場合でも、正しい表面筋電図に基づいて運動内容を推定することを目的とする。
　開示の技術は、表面筋電図データに対応する運動内容を推定する運動内容推定装置であって、前記表面筋電図データの測定に使用された電極のＩＤを変換するための電極ＩＤ変換行列を記憶する記憶部と、前記表面筋電図データの特徴量ベクトルと学習データとに基づいて、前記表面筋電図データの測定に使用された電極のＩＤを変換するための電極ＩＤ変換行列を算出する電極ＩＤ変換行列算出部と、算出された電極ＩＤ変換行列に基づいて、前記記憶部に記憶されている電極ＩＤ変換行列を更新する電極ＩＤ変換行列更新部と、更新された電極ＩＤ変換行列を適用して前記電極のＩＤを変換した表面筋電図データに基づいて、前記運動内容を推定する運動内容推定部と、を備える運動内容推定装置である。
　キャリブレーション時と本測定時とで同じ筋部位に貼り付けられた無線電極が異なる場合でも、正しい表面筋電図に基づいて運動内容を推定することができる。
運動内容推定装置の機能構成図である。 運動内容推定処理の流れの一例を示すフローチャートである。 電極ＩＤ変換行列算出処理の流れの一例を示すフローチャートである。 コンピュータのハードウェア構成例を示す図である。
　以下、図面を参照して本発明の実施の形態（本実施の形態）を説明する。以下で説明する実施の形態は一例に過ぎず、本発明が適用される実施の形態は、以下の実施の形態に限られるわけではない。
　なお、本明細書の本文のテキストにおいては、記載の便宜上、文字の頭につける"＾"を文字の前に付けている。"＾ｗ"はその一例である。
　（本実施の形態の概要）
　本実施の形態に係る運動内容推定装置は、表面筋電図データに基づく特徴量ベクトルを算出し、特徴量ベクトルと学習データとに基づいて更新された電極ＩＤ変換行列を使用して、運動内容を推定する装置である。
　（運動内容推定装置の機能構成例）
　図１は、運動内容推定装置の機能構成図である。運動内容推定装置１０は、記憶部１１と、表面筋電図データ取得部１２と、特徴量ベクトル算出部１３と、電極ＩＤ変換行列算出部１４と、電極ＩＤ変換行列更新部１５と、運動内容推定部１６と、出力部１７と、を備える。
　記憶部１１は、運動内容推定モデル１００と、電極ＩＤ変換行列１１０と、を記憶する。運動内容推定モデル１００は、測定された表面筋電図データに基づいて運動内容を推定するための推定モデルである。運動内容推定モデル１００は、学習データ記憶装置３０に記憶されている学習データに基づいて、あらかじめ学習されている。
　電極ＩＤ変換行列１１０は、電極ＩＤを変換するための行列を示すデータであって、後述する処理によって随時更新される。
　表面筋電図データ取得部１２は、表面筋電図データを測定器２０等から取得する。表面筋電図データは、表面筋電図を構成するデータであって、測定器２０によって測定された複数の表面電極の電位差を示すデータである。例えば、表面筋電図データは、Ｍ個の電極で計測開始からｉ番目に計測する信号Ｓｉ＝（Ｓｉ １，・・・，Ｓｉ Ｍ）である。なお、Ｓｉの各要素の右上の添え字が各電極を識別するための電極ＩＤである。
　特徴量ベクトル算出部１３は、表面筋電図データの特徴量ベクトルを算出する。具体的には、特徴量ベクトル算出部１３は、信号Ｓｉに基づいて、下記の式によって一定のサンプル数（例えば１００サンプル）ごとにＲＭＳ（Root mean square）値を算出する。
Figure JPOXMLDOC01-appb-M000001
　次に、特徴量ベクトル算出部１３は、各信号の（ｉ－τ，ｉ）のＲＭＳ値の平均値から得られる特徴量ベクトルＥｉを下記の式によって算出する。
Figure JPOXMLDOC01-appb-M000002
 　算出されたＲＭＳ値の特徴量ベクトルＥｉは、表面筋電図データの特徴量ベクトルであって、運動内容推定モデル１００の説明変数として使用される。上述したＲＭＳ値の特徴量ベクトルＥｉは、特徴量ベクトルの一例であって、他でも良い。
　電極ＩＤ変換行列算出部１４は、学習データ記憶装置３０に記憶されている学習データと、特徴量ベクトル算出部１３が算出した特徴量ベクトルとに基づいて、電極ＩＤ変換行列を算出する。学習データは、事前の計測によって取得した表面筋電図データと運動内容に基づいて構築された特徴量ベクトルＥと運動内容ｌａｂｅｌの組み合わせのデータである。
　運動内容ｌａｂｅｌは、例えばＬ個の運動内容がある場合、ｌａｂｅｌｌとして各運動内容を記述する．なお，ｌ＝（１，・・・，Ｌ）は運動内容インデックスとする。例えば、じゃんけんのぐー・ちょき・ぱーの３種類が運動内容である場合、各運動内容ｌａｂｅｌは、ｌａｂｅｌ１＝「ぐー」、ｌａｂｅｌ２＝「ちょき」、ｌａｂｅｌ３＝「ぱー」として記述される。
　また、学習データは、各運動内容に対して複数の特徴量ベクトルが組み合わせとして存在している。ｌａｂｅｌｌに対応付けされている特徴量ベクトルの数をＤｌとする。
　電極ＩＤ変換行列算出部１４による電極ＩＤ変換行列算出処理の詳細については後述する。
　電極ＩＤ変換行列更新部１５は、記憶部１１に記憶されている電極ＩＤ変換行列を、電極ＩＤ変換行列算出部１４の算出結果に基づいて更新する。更新処理の詳細については後述する。記憶部１１は、更新された電極ＩＤ変換行列を記憶する。
　運動内容推定部１６は、更新された電極ＩＤ変換行列を適用して前記電極のＩＤを変換した表面筋電図データに基づいて、表面筋電図データに対応する運動内容を推定する。具体的には、運動内容推定部１６は、更新された電極ＩＤ変換行列と、特徴量ベクトル算出部１３が算出した特徴量ベクトルとを入力として運動内容推定モデル１００に適用して、運動内容を推定する。
　出力部１７は、推定された運動内容を示す情報を出力する。具体的には、出力部１７は、推定された運動内容を示す情報を他の装置等に送信するか、または表示装置等に表示する。
　（運動内容推定装置の動作例）
　次に、運動内容推定装置１０の動作例について、図面を参照して説明する。運動内容推定装置１０は、ユーザの操作等を受けて、運動内容推定処理を開始する。
　図２は、運動内容推定処理の流れの一例を示すフローチャートである。表面筋電図データ取得部１２は、表面筋電図データを取得する（ステップＳ１１）。
　続いて、特徴量ベクトル算出部１３は、特徴量ベクトルを算出する（ステップＳ１２）。例えば、特徴量ベクトル算出部１３は、上述したＲＭＳ値の平均値を特徴量ベクトルＥｉとして算出する。
　次に、電極ＩＤ変換行列算出部１４は、学習データを取得する（ステップＳ１３）。そして、電極ＩＤ変換行列算出部１４は、電極ＩＤ変換行列を算出する（ステップＳ１４）。
　図３は、電極ＩＤ変換行列算出処理の流れの一例を示すフローチャートである。電極ＩＤ変換行列算出部１４は、運動内容推定処理のステップＳ１４において、電極ＩＤ変換行列算出処理を実行する。
　電極ＩＤ変換行列算出部１４は、電極ＩＤ変換行列＾ｗを初期化する（ステップＳ２１）。具体的には、電極ＩＤ変換行列算出部１４は、電極ＩＤ変換行列＾ｗの各要素に０を代入する。例えば、Ｍ＝３の場合、電極ＩＤ変換行列＾ｗは３×３の行列となり、＾ｗの初期値は、
Figure JPOXMLDOC01-appb-M000003
 　となる。以下、電極ＩＤ変換行列算出部１４は、各運動内容において電極ＩＤ変換行列＾ｗを加算的に計算する。
　次に、電極ＩＤ変換行列算出部１４は、運動内容インデックスｌ＝１、データインデックスｄ＝１とする（ステップＳ２２）。なお、データインデックスｄは、学習データにおいて運動内容ｌａｂｅｌ１にラベル付けされた特徴量ベクトルのうちのｄ番目のデータであり、最大数はＤ１である。また、運動内容インデックスｌにおけるデータインデックスｄの特徴量をＥｌｄとする。
　次に、電極ＩＤ変換行列算出部１４は、・ｗｌｄを計算する（ステップＳ２３）。具体的には、電極ＩＤ変換行列算出部１４は、特徴量ベクトル算出部１３が算出した特徴量ベクトルＥｉと、学習データに含まれる特徴量ベクトルＥｌｄの分布が類似するように、運動内容インデックスｌにおけるデータインデックスｄの電極ＩＤ変換行列・ｗｌｄを計算する。
　電極ＩＤ変換行列算出部１４は、特徴量ベクトルＥｉと特徴量ベクトルＥｌｄの分布を類似させる手法として、例えば降順ソートを適用する。例えば、Ｅｉ＝（Ｅｉ １，Ｅｉ ２，Ｅｉ ３）とＥｌｄ＝（Ｅｌｄ １，Ｅｌｄ ２，Ｅｌｄ ３）がそれぞれ（３，１，５）、（６，２，３）である場合、Ｅｌｄの最大値はＥｌｄ １＝６であり、Ｅｉの最大値はＥｉ ３＝５である。したがって、電極ＩＤ変換行列算出部１４は、ＥｉにおけるＩＤ３の信号をＥｌｄにおけるＩＤ１の信号として変換するような変換行列を計算する。
　同様に、電極ＩＤ変換行列算出部１４は、２番目に大きい値のＩＤをＥｉおよびＥｌｄから求めることによって、ＥｉにおけるＩＤ３の信号をＥｌｄにおけるＩＤ１の信号として変換するような変換行列を計算する。
　この場合、電極ＩＤ変換行列算出部１４は、以下のような電極ＩＤ変換行列・ｗｌｉを算出する。
Figure JPOXMLDOC01-appb-M000004
　これによって、電極ＩＤ変換行列算出部１４は、電極ＩＤを変換した信号を、下記のように算出する。
Figure JPOXMLDOC01-appb-M000005
　ここで、運動内容推定部１６は、変換された信号に基づく運動内容の推定を行う。推定結果は、ｆ（・ｗｌｄＥｉ）である。
　次に、電極ＩＤ変換行列算出部１４は、ｆ（・ｗｌｄＥｉ）＝ｌａｂｅｌ１＝ｌの場合、
Figure JPOXMLDOC01-appb-M000006
 　とする（ステップＳ２４）。
　続いて、電極ＩＤ変換行列算出部１４は、ｄ＝ｄ＋１とし（ステップＳ２５）、ｄがＤｌより大きいか否かを判定する（ステップＳ２６）。電極ＩＤ変換行列算出部１４は、ｄがＤｌより大きくないと判定すると（ステップＳ２６：Ｎｏ）、ステップＳ２３の処理に戻る。
　電極ＩＤ変換行列算出部１４は、ｄがＤｌより大きいと判定すると（ステップＳ２６：Ｙｅｓ）、ｌ＝ｌ＋１とし（ステップＳ２７）、ｌがＬより大きいか否かを判定する（ステップＳ２８）。電極ＩＤ変換行列算出部１４は、ｌがＬより大きくないと判定すると（ステップＳ２８：Ｎｏ）、ステップＳ２３の処理に戻る。
　電極ＩＤ変換行列算出部１４は、ｌがＬより大きいと判定すると（ステップＳ２８：Ｙｅｓ）、＾ｗ＝ｎｏｒｍａｌｉｚｅ（＾ｗ）として、＾ｗを正規化する（ステップＳ２９）。
　具体的には、電極ＩＤ変換行列算出部１４は、＾ｗの各要素が０から１までの値となるように、各行の和が１となるように計算することによって、＾ｗを正規化する。
　例えば、電極ＩＤ変換行列算出部１４は、
Figure JPOXMLDOC01-appb-M000007
 　という電極ＩＤ変換行列を
Figure JPOXMLDOC01-appb-M000008
 　のように正規化する。
　図２に戻り、次に、電極ＩＤ変換行列更新部１５は、算出された電極ＩＤ変換行列に基づいて、電極ＩＤ変換行列を更新する（ステップＳ１５）。具体的には、電極ＩＤ変換行列更新部１５は、正規化された＾ｗと、ｉ－１番目まで保持していた電極ＩＤ変換行列Ｗｉ－１を用いて、ｉ番目の電極ＩＤ変換行列Ｗｉを下式のように更新する。
Figure JPOXMLDOC01-appb-M000009
 　なお、αは更新係数であり、例えば０．１などが設定される。
　続いて、運動内容推定部１６は、運動内容を推定する（ステップＳ１６）。具体的には、運動内容推定部１６は、電極ＩＤ変換行列Ｗｉ、運動内容推定モデルｆを入力として、下式により推定された運動内容＾（ｌａｂｅｌ）を得る。
Figure JPOXMLDOC01-appb-M000010
　そして、出力部１７は、推定された運動内容を示す情報を出力する（ステップＳ１７）。
　（本実施の形態に係るハードウェア構成例）
　運動内容推定装置１０は、例えば、コンピュータに、本実施の形態で説明する処理内容を記述したプログラムを実行させることにより実現可能である。なお、この「コンピュータ」は、物理マシンであってもよいし、クラウド上の仮想マシンであってもよい。仮想マシンを使用する場合、ここで説明する「ハードウェア」は仮想的なハードウェアである。
　上記プログラムは、コンピュータが読み取り可能な記録媒体（可搬メモリ等）に記録して、保存したり、配布したりすることが可能である。また、上記プログラムをインターネットや電子メール等、ネットワークを通して提供することも可能である。
　図４は、上記コンピュータのハードウェア構成例を示す図である。図４のコンピュータは、それぞれバスＢで相互に接続されているドライブ装置１０００、補助記憶装置１００２、メモリ装置１００３、ＣＰＵ１００４、インタフェース装置１００５、表示装置１００６、入力装置１００７、出力装置１００８等を有する。
　当該コンピュータでの処理を実現するプログラムは、例えば、ＣＤ－ＲＯＭ又はメモリカード等の記録媒体１００１によって提供される。プログラムを記憶した記録媒体１００１がドライブ装置１０００にセットされると、プログラムが記録媒体１００１からドライブ装置１０００を介して補助記憶装置１００２にインストールされる。但し、プログラムのインストールは必ずしも記録媒体１００１より行う必要はなく、ネットワークを介して他のコンピュータよりダウンロードするようにしてもよい。補助記憶装置１００２は、インストールされたプログラムを格納すると共に、必要なファイルやデータ等を格納する。
　メモリ装置１００３は、プログラムの起動指示があった場合に、補助記憶装置１００２からプログラムを読み出して格納する。ＣＰＵ１００４は、メモリ装置１００３に格納されたプログラムに従って、当該装置に係る機能を実現する。インタフェース装置１００５は、ネットワークに接続するためのインタフェースとして用いられる。表示装置１００６はプログラムによるＧＵＩ（Ｇｒａｐｈｉｃａｌ　Ｕｓｅｒ　Ｉｎｔｅｒｆａｃｅ）等を表示する。入力装置１００７はキーボード及びマウス、ボタン、又はタッチパネル等で構成され、様々な操作指示を入力させるために用いられる。出力装置１００８は演算結果を出力する。なお、上記コンピュータは、ＣＰＵ１００４の代わりにＧＰＵ（Graphics Processing Unit）またはＴＰＵ（Tensor processing unit）を備えていても良く、ＣＰＵ１００４に加えて、ＧＰＵまたはＴＰＵを備えていても良い。その場合、例えばニューラルネットワーク等の特殊な演算が必要な処理をＧＰＵまたはＴＰＵが実行し、その他の処理をＣＰＵ１００４が実行する、というように処理を分担して実行しても良い。
　（本実施の形態の効果）
　本実施の形態に係る運動内容推定装置１０によれば、表面筋電図データに基づく特徴量ベクトルを算出し、特徴量ベクトルと運動内容に対応した複数の特徴量ベクトルが格納された学習データとに基づいて更新された電極ＩＤ変換行列を使用して、運動内容を推定する。これによって、キャリブレーション時と本測定時とで同じ筋部位に貼り付けられた無線電極が異なる場合でも、本測定時においてキャリブレーション時の電極を推定して測定データを変換することができるため、正しい表面筋電図に基づいて運動内容を推定することができる。
　（実施の形態のまとめ）
　本明細書には、少なくとも下記の各項に記載した運動内容推定装置、運動内容推定方法およびプログラムが記載されている。
（第１項）
　表面筋電図データに対応する運動内容を推定する運動内容推定装置であって、
　前記表面筋電図データの測定に使用された電極のＩＤを変換するための電極ＩＤ変換行列を記憶する記憶部と、
　前記表面筋電図データの特徴量ベクトルと学習データとに基づいて、前記表面筋電図データの測定に使用された電極のＩＤを変換するための電極ＩＤ変換行列を算出する電極ＩＤ変換行列算出部と、
　算出された電極ＩＤ変換行列に基づいて、前記記憶部に記憶されている電極ＩＤ変換行列を更新する電極ＩＤ変換行列更新部と、
　更新された電極ＩＤ変換行列を適用して前記電極のＩＤを変換した表面筋電図データに基づいて、前記運動内容を推定する運動内容推定部と、を備える、
　運動内容推定装置。
（第２項）
　前記学習データは、運動内容と特徴量ベクトルとの組み合わせのデータであって、
　前記電極ＩＤ変換行列算出部は、前記学習データに含まれる特徴量ベクトルと、前記表面筋電図データの特徴量ベクトルの分布を類似させるような電極ＩＤ変換行列を算出する、
　第１項に記載の運動内容推定装置。
（第３項）
　前記表面筋電図データの一定のサンプル数ごとにＲＭＳ（Root mean square）値を算出し、算出されたＲＭＳ値の平均値を前記表面筋電図データの特徴量ベクトルとして算出する特徴量ベクトル算出部をさらに備える、
　第１項または第２項に記載の運動内容推定装置。
（第４項）
　前記記憶部に記憶されている前記電極ＩＤ変換行列は、前回測定された表面筋電図データに基づいて前記電極ＩＤ変換行列更新部によって更新された電極ＩＤ変換行列であって、
　前記電極ＩＤ変換行列更新部は、今回測定された表面筋電図データに基づいて、前記記憶部に記憶されている前記電極ＩＤ変換行列を更新する、
　第１項から第３項のいずれか１項に記載の運動内容推定装置。
（第５項）
　表面筋電図データに対応する運動内容を推定する運動内容推定装置であって、前記表面筋電図データの測定に使用された電極のＩＤを変換するための電極ＩＤ変換行列を記憶する運動内容推定装置が実行する運動内容推定方法であって、
　前記表面筋電図データの特徴量ベクトルと学習データとに基づいて、前記表面筋電図データの測定に使用された電極のＩＤを変換するための電極ＩＤ変換行列を算出するステップと、
　算出された電極ＩＤ変換行列に基づいて、記憶されている電極ＩＤ変換行列を更新するステップと、
　更新された電極ＩＤ変換行列を適用して前記電極のＩＤを変換した表面筋電図データに基づいて、前記運動内容を推定するステップと、を備える、
　運動内容推定方法。
（第６項）
　コンピュータを、第１項から第４項のいずれか１項に記載の運動内容推定装置における各部として機能させるためのプログラム。
　以上、本実施の形態について説明したが、本発明はかかる特定の実施形態に限定されるものではなく、請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。
１０　運動内容推定装置
１１　記憶部
１２　表面筋電図データ取得部
１３　特徴量ベクトル算出部
１４　電極ＩＤ変換行列算出部
１５　電極ＩＤ変換行列更新部
１６　運動内容推定部
１７　出力部
１００　運動内容推定モデル
１１０　電極ＩＤ変換行列
１０００　ドライブ装置
１００１　記録媒体
１００２　補助記憶装置
１００３　メモリ装置
１００４　ＣＰＵ
１００５　インタフェース装置
１００６　表示装置
１００７　入力装置
１００８　出力装置

Claims (6)

  1. 　表面筋電図データに対応する運動内容を推定する運動内容推定装置であって、
    　前記表面筋電図データの測定に使用された電極のＩＤを変換するための電極ＩＤ変換行列を記憶する記憶部と、
    　前記表面筋電図データの特徴量ベクトルと学習データとに基づいて、前記表面筋電図データの測定に使用された電極のＩＤを変換するための電極ＩＤ変換行列を算出する電極ＩＤ変換行列算出部と、
    　算出された電極ＩＤ変換行列に基づいて、前記記憶部に記憶されている電極ＩＤ変換行列を更新する電極ＩＤ変換行列更新部と、
    　更新された電極ＩＤ変換行列を適用して前記電極のＩＤを変換した表面筋電図データに基づいて、前記運動内容を推定する運動内容推定部と、を備える、
    　運動内容推定装置。
  2. 　前記学習データは、運動内容と特徴量ベクトルとの組み合わせのデータであって、
    　前記電極ＩＤ変換行列算出部は、前記学習データに含まれる特徴量ベクトルと、前記表面筋電図データの特徴量ベクトルの分布を類似させるような電極ＩＤ変換行列を算出する、
    　請求項１に記載の運動内容推定装置。
  3. 　前記表面筋電図データの一定のサンプル数ごとにＲＭＳ（Root mean square）値を算出し、算出されたＲＭＳ値の平均値を前記表面筋電図データの特徴量ベクトルとして算出する特徴量ベクトル算出部をさらに備える、
    　請求項１または２に記載の運動内容推定装置。
  4. 　前記記憶部に記憶されている前記電極ＩＤ変換行列は、前回測定された表面筋電図データに基づいて前記電極ＩＤ変換行列更新部によって更新された電極ＩＤ変換行列であって、
    　前記電極ＩＤ変換行列更新部は、今回測定された表面筋電図データに基づいて、前記記憶部に記憶されている前記電極ＩＤ変換行列を更新する、
    　請求項１から３のいずれか１項に記載の運動内容推定装置。
  5. 　表面筋電図データに対応する運動内容を推定する運動内容推定装置であって、前記表面筋電図データの測定に使用された電極のＩＤを変換するための電極ＩＤ変換行列を記憶する運動内容推定装置が実行する運動内容推定方法であって、
    　前記表面筋電図データの特徴量ベクトルと学習データとに基づいて、前記表面筋電図データの測定に使用された電極のＩＤを変換するための電極ＩＤ変換行列を算出するステップと、
    　算出された電極ＩＤ変換行列に基づいて、記憶されている電極ＩＤ変換行列を更新するステップと、
    　更新された電極ＩＤ変換行列を適用して前記電極のＩＤを変換した表面筋電図データに基づいて、前記運動内容を推定するステップと、を備える、
    　運動内容推定方法。
  6. 　コンピュータを、請求項１から４のいずれか１項に記載の運動内容推定装置における各部として機能させるためのプログラム。
PCT/JP2021/023483 2021-06-21 2021-06-21 運動内容推定装置、運動内容推定方法およびプログラム WO2022269724A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/023483 WO2022269724A1 (ja) 2021-06-21 2021-06-21 運動内容推定装置、運動内容推定方法およびプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/023483 WO2022269724A1 (ja) 2021-06-21 2021-06-21 運動内容推定装置、運動内容推定方法およびプログラム

Publications (1)

Publication Number Publication Date
WO2022269724A1 true WO2022269724A1 (ja) 2022-12-29

Family

ID=84545301

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/023483 WO2022269724A1 (ja) 2021-06-21 2021-06-21 運動内容推定装置、運動内容推定方法およびプログラム

Country Status (1)

Country Link
WO (1) WO2022269724A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7477000B1 (ja) 2023-02-22 2024-05-01 Smk株式会社 筋活動解析装置、筋活動解析方法及び筋活動解析プログラム

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011206398A (ja) * 2010-03-30 2011-10-20 Hitachi Cable Ltd 筋電位センサ
JP2018000871A (ja) * 2016-07-08 2018-01-11 国立大学法人岩手大学 生体の動作識別システム及び生体の動作識別方法
WO2021014555A1 (ja) * 2019-07-23 2021-01-28 日本電信電話株式会社 リハビリ啓発装置、システム、および方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011206398A (ja) * 2010-03-30 2011-10-20 Hitachi Cable Ltd 筋電位センサ
JP2018000871A (ja) * 2016-07-08 2018-01-11 国立大学法人岩手大学 生体の動作識別システム及び生体の動作識別方法
WO2021014555A1 (ja) * 2019-07-23 2021-01-28 日本電信電話株式会社 リハビリ啓発装置、システム、および方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
NAKATANI SHINTARO, ARAKI NOZOMU, SATO TAKAO, KONISHI YASUO: "Classifier Update Method Using Semi-supervised Learning for EMG-based Motion Recognition", TRANSACTIONS OF THE SOCIETY OF INSTRUMENT AND CONTROL ENGINEERS, KEISOKU JIDO SEIGYO GAKKAI, TOKYO, JP, vol. 51, no. 8, 31 August 2015 (2015-08-31), JP , pages 535 - 541, XP093020093, ISSN: 0453-4654, DOI: 10.9746/sicetr.51.535 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7477000B1 (ja) 2023-02-22 2024-05-01 Smk株式会社 筋活動解析装置、筋活動解析方法及び筋活動解析プログラム

Similar Documents

Publication Publication Date Title
CN108399414B (zh) 应用于跨模态数据检索领域的样本选择方法及装置
CN110312471A (zh) 从神经肌肉活动测量中导出控制信号的自适应系统
US11587665B2 (en) Methods, systems, and non-transitory computer readable media for estimating maximum heart rate and maximal oxygen uptake from submaximal exercise intensities
KR20070009667A (ko) Ｅｃｇ 신호 분석 방법 및 컴퓨터 장치
CN111354464B (zh) Cad预测模型建立方法、装置以及电子设备
JP2020518050A5 (ja)
US20210012244A1 (en) Prediction system, model generation system, method, and program
JP2011123411A (ja) 動作解析装置、および動作解析方法
JP4254892B1 (ja) 特徴量候補作成装置および特徴量候補作成方法
WO2022269724A1 (ja) 運動内容推定装置、運動内容推定方法およびプログラム
CN112801175A (zh) 基于数字孪生的交通分析模型修正方法及装置
Ye et al. MultiTL-KELM: A multi-task learning algorithm for multi-step-ahead time series prediction
JP7047991B1 (ja) 行動状態推定装置、行動状態推定方法、行動状態学習装置、および、行動状態学習方法
Shi et al. A Forward and Backward Stagewise algorithm for nonconvex loss functions with adaptive Lasso
JP5198981B2 (ja) 作業評価値予測方法、プログラム及びシステム
CN111507244A (zh) Bmi检测方法、装置以及电子设备
US20120136818A1 (en) Information Processing Device, Information Processing Method, and Program
CN113509151B (zh) 肌张力等级的评估方法和装置
CN114171194B (zh) 帕金森多症状量化评估方法、装置、电子设备、及介质
CN109472023A (zh) 一种基于实体及文本联合嵌入的实体关联度衡量方法、系统及存储介质
WO2022138722A1 (ja) 作業行動認識システムおよび作業行動認識方法
US20210224681A1 (en) Learning device, forecasting device, method, and program
JP6604032B2 (ja) 評価支援装置、評価支援プログラム及び評価支援システム
JP7465842B2 (ja) 作業支援システム
US20220415506A1 (en) Learning apparatus, estimation apparatus, learning method, estimation method and program

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: 21947013

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE