WO2023127007A1 - 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 - Google Patents

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 Download PDF

Info

Publication number
WO2023127007A1
WO2023127007A1 PCT/JP2021/048549 JP2021048549W WO2023127007A1 WO 2023127007 A1 WO2023127007 A1 WO 2023127007A1 JP 2021048549 W JP2021048549 W JP 2021048549W WO 2023127007 A1 WO2023127007 A1 WO 2023127007A1
Authority
WO
WIPO (PCT)
Prior art keywords
strength index
muscle strength
data
feature amount
user
Prior art date
Application number
PCT/JP2021/048549
Other languages
English (en)
French (fr)
Inventor
晨暉 黄
史行 二瓶
シンイ オウ
浩司 梶谷
善喬 野崎
謙一郎 福司
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/JP2021/048549 priority Critical patent/WO2023127007A1/ja
Publication of WO2023127007A1 publication Critical patent/WO2023127007A1/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
    • A61B5/22—Ergometry; Measuring muscular strength or the force of a muscular blow

Definitions

  • the present disclosure relates to a muscle strength index estimation device or the like that estimates a muscle strength index using data related to gait.
  • gait characteristics included in walking patterns.
  • characteristics also called gait
  • techniques for analyzing gaits based on sensor data measured by sensors mounted on footwear such as shoes have been developed.
  • Characteristics of gait events (also called gait events) associated with physical conditions appear in time-series data of sensor data.
  • Patent Document 1 discloses a device that detects foot abnormalities based on the walking characteristics of a pedestrian.
  • the device of Patent Literature 1 uses data acquired from sensors installed on the footwear to extract characteristic walking feature amounts in the walking of a pedestrian wearing footwear.
  • the device of Patent Literature 1 detects an abnormality of a pedestrian walking while wearing footwear, based on the extracted walking feature amount. For example, the device of Patent Literature 1 extracts characteristic regions related to hallux valgus from walking waveform data for one step cycle.
  • the device of Patent Literature 1 estimates the state of progression of hallux valgus using the gait feature amount of the extracted feature site.
  • grip strength is an index for evaluating overall muscle strength of the whole body (also called general muscle strength), and can also be an important index for evaluating frailty and fall risk.
  • Non-Patent Document 1 discloses that there is a high correlation between grip strength and knee extension strength. Knee extension force is an index of muscle strength of a muscle group that extends the knee, such as the quadriceps femoris.
  • Patent Document 2 discloses a leg strength estimation device that estimates information related to the leg strength of a subject using measurement data from a communication grip strength meter.
  • the device of Patent Document 2 uses grip strength value data measured by a communication type grip strength meter and personal data input from personal data input means to calculate maximum leg extension muscle strength/weight data of the individual.
  • the device of Patent Document 2 calculates fall age data, which is the age at which the possibility of falling increases, using the individual's maximum leg extension muscle strength/weight data and personal data.
  • Patent Literature 1 does not disclose estimating grip strength using walking feature amounts of characteristic regions extracted from data acquired from sensors installed on footwear.
  • An object of the present disclosure is to provide a muscle strength index estimating device or the like that can appropriately estimate a muscle strength index in daily life.
  • a muscle strength index estimation device includes a data acquisition unit that acquires feature amount data including a feature amount that is extracted from a user's gait feature and that is used for estimating a user's muscle strength index; a storage unit that stores an estimation model that outputs a muscle strength index according to the input of; an estimation unit that inputs the acquired feature amount data to the estimation model to estimate the user's muscle strength index; and an output unit for outputting information.
  • feature quantity data including a feature quantity used for estimating a user's muscle strength index extracted from a user's gait feature is acquired, and the acquired feature quantity data is input to an estimation model that outputs a muscle strength index according to the input of feature amount data, the user's muscle strength index is estimated, and information on the estimated muscle strength index is output.
  • a program includes a process of acquiring feature amount data including a feature amount used for estimating a muscle strength index of a user, which is extracted from features of a user's gait, and acquiring the acquired feature amount data,
  • a computer is caused to execute a process of estimating a user's muscle strength index by inputting it into an estimation model that outputs a muscle strength index according to the input of feature data and a process of outputting information about the estimated muscle strength index.
  • a muscle strength index estimating device or the like capable of appropriately estimating a muscle strength index in daily life.
  • FIG. 1 is a block diagram showing an example of the configuration of a muscle strength index estimation system according to a first embodiment
  • FIG. 1 is a block diagram showing an example of the configuration of a gait measuring device included in a muscle strength index estimation system according to a first embodiment
  • FIG. 1 is a conceptual diagram showing an arrangement example of a gait measuring device according to a first embodiment
  • FIG. 2 is a conceptual diagram for explaining an example of the relationship between a local coordinate system and a world coordinate system set in the gait measuring device according to the first embodiment
  • FIG. 2 is a conceptual diagram for explaining a human body surface used in explaining the gait measuring device according to the first embodiment
  • FIG. 2 is a conceptual diagram for explaining a walking cycle used in explaining the gait measuring device according to the first embodiment
  • 5 is a graph for explaining an example of time-series data of sensor data measured by the gait measuring device according to the first embodiment
  • FIG. 4 is a diagram for explaining an example of normalization of walking waveform data extracted from time-series data of sensor data measured by the gait measuring device according to the first embodiment
  • FIG. 4 is a conceptual diagram for explaining an example of a walking phase cluster from which feature amounts are extracted by a feature amount data generation unit of the gait measuring device according to the first embodiment
  • 2 is a block diagram showing an example of the configuration of a muscle strength index estimating device included in the muscle strength index estimating system according to the first embodiment
  • 4 is a table relating to specific examples of feature values extracted by the gait measuring device included in the muscle strength index estimation system according to the first embodiment to estimate the male's grip strength.
  • 4 is a graph showing the correlation between the feature amount M1 extracted by the gait measuring device included in the muscle strength index estimation system according to the first embodiment and the actually measured grip strength of a man.
  • 4 is a graph showing the correlation between the feature amount M2 extracted by the gait measuring device included in the muscle strength index estimation system according to the first embodiment and the actually measured grip strength of a man.
  • FIG. 4 is a graph showing the correlation between the feature amount M3 extracted by the gait measuring device included in the muscle strength index estimation system according to the first embodiment and the actually measured grip strength of a man.
  • 4 is a graph showing the correlation between the feature amount M4 extracted by the gait measuring device included in the muscle strength index estimation system according to the first embodiment and the actually measured grip strength of a man.
  • 4 is a block diagram showing an example of estimating a male's grip strength (muscle index) by a muscle strength index estimating device included in the muscle strength index estimating system according to the first embodiment;
  • FIG. 4 is a graph showing the correlation between grip strength estimated values estimated using an estimation model generated by learning with age and height as explanatory variables and grip strength measurement values.
  • 4 is a graph showing a correlation between an estimated value of grip strength estimated by a muscle strength index estimating device included in the muscle strength index estimating system according to the first embodiment and a measured value of grip strength.
  • 4 is a table relating to specific examples of feature values extracted by the gait measuring device included in the muscle strength index estimation system according to the first embodiment to estimate a female's grip strength.
  • 4 is a graph showing the correlation between the feature quantity F1 extracted by the gait measuring device included in the muscle strength index estimation system according to the first embodiment and the actually measured grip strength of a woman.
  • 4 is a graph showing the correlation between the feature amount F2 extracted by the gait measuring device included in the muscle strength index estimation system according to the first embodiment and the actually measured grip strength of a woman.
  • 4 is a graph showing the correlation between the feature amount F3 extracted by the gait measuring device included in the muscle strength index estimation system according to the first embodiment and the actually measured grip strength of a woman.
  • 4 is a block diagram showing an example of estimating a female's grip strength (muscle strength index) by a muscle strength index estimating device included in the muscle strength index estimating system according to the first embodiment;
  • FIG. 4 is a graph showing the correlation between grip strength estimated values estimated using an estimation model generated by learning with age and height as explanatory variables and grip strength measurement values.
  • 4 is a graph showing a correlation between an estimated value of grip strength estimated by a muscle strength index estimating device included in the muscle strength index estimating system according to the first embodiment and a measured value of grip strength.
  • FIG. 4 is a block diagram showing an example of estimating knee extension force (muscle index) by a muscle strength index estimating device included in the muscle strength index estimating system according to the first embodiment;
  • FIG. 4 is a flowchart for explaining an example of the operation of the gait measuring device included in the muscle strength index estimation system according to the first embodiment;
  • 4 is a flowchart for explaining an example of the operation of a muscle strength index estimation device included in the muscle strength index estimation system according to the first embodiment;
  • 1 is a conceptual diagram for explaining an application example of a muscle strength index estimation system according to a first embodiment;
  • FIG. 1 is a conceptual diagram for explaining an application example of a muscle strength index estimation system according to a first embodiment;
  • FIG. 11 is a block diagram showing an example of the configuration of a learning system according to a second embodiment
  • FIG. FIG. 11 is a block diagram showing an example of the configuration of a learning device included in a learning system according to a second embodiment
  • FIG. FIG. 11 is a conceptual diagram for explaining an example of learning by a learning device included in a learning system according to a second embodiment
  • FIG. 11 is a conceptual diagram for explaining another example of learning by a learning device included in the learning system according to the second embodiment
  • FIG. 11 is a block diagram showing an example of the configuration of a muscle strength index estimation device according to a third embodiment
  • It is a block diagram showing an example of hardware constitutions which perform control and processing of each embodiment.
  • the muscle strength index estimating system of this embodiment measures sensor data relating to the movement of the user's legs as they walk.
  • the muscle strength index estimation system of this embodiment uses the measured sensor data to estimate the user's muscle strength index.
  • an example of estimating grip strength and knee extension strength will be given as the muscle strength index.
  • sensor data is not limited to sensor data relating to leg movements, and may include features relating to gait.
  • the sensor data may be sensor data including features related to gait that are measured using motion capture, smart apparel, or the like.
  • FIG. 1 is a block diagram showing an example of the configuration of a muscle strength index estimation system 1 according to this embodiment.
  • a muscle strength index estimation system 1 includes a gait measuring device 10 and a muscle strength index estimation device 13 .
  • the gait measuring device 10 and the muscle strength index estimating device 13 are configured as separate hardware will be described.
  • the gait measuring device 10 is installed on footwear or the like of a subject (user) whose muscle strength index is to be estimated.
  • the function of the muscle strength index estimation device 13 is installed in a mobile terminal carried by a subject (user).
  • the configurations of the gait measuring device 10 and the muscle strength index estimating device 13 will be individually described below.
  • FIG. 2 is a block diagram showing an example of the configuration of the gait measuring device 10. As shown in FIG. The gait measuring device 10 has a sensor 11 and a feature quantity data generator 12 . In this embodiment, an example in which the sensor 11 and the feature amount data generation unit 12 are integrated will be given. The sensor 11 and feature amount data generator 12 may be provided as separate devices.
  • the sensor 11 has an acceleration sensor 111 and an angular velocity sensor 112.
  • FIG. 2 shows an example in which the sensor 11 includes an acceleration sensor 111 and an angular velocity sensor 112 .
  • Sensors 11 may include sensors other than acceleration sensor 111 and angular velocity sensor 112 . Description of sensors other than the acceleration sensor 111 and the angular velocity sensor 112 that may be included in the sensor 11 is omitted.
  • the acceleration sensor 111 is a sensor that measures acceleration in three axial directions (also called spatial acceleration).
  • the acceleration sensor 111 measures acceleration (also referred to as spatial acceleration) as a physical quantity related to foot movement.
  • the acceleration sensor 111 outputs the measured acceleration to the feature quantity data generator 12 .
  • the acceleration sensor 111 can be a sensor of a piezoelectric type, a piezoresistive type, a capacitive type, or the like. As long as the sensor used as the acceleration sensor 111 can measure acceleration, the measurement method is not limited.
  • the angular velocity sensor 112 is a sensor that measures angular velocities around three axes (also called spatial angular velocities).
  • the angular velocity sensor 112 measures angular velocity (also referred to as spatial angular velocity) as a physical quantity relating to foot movement.
  • the angular velocity sensor 112 outputs the measured angular velocity to the feature quantity data generator 12 .
  • the angular velocity sensor 112 can be a vibration type sensor or a capacitance type sensor. As long as the sensor used as the angular velocity sensor 112 can measure the angular velocity, the measurement method is not limited.
  • the sensor 11 is realized, for example, by an inertial measurement device that measures acceleration and angular velocity.
  • An example of an inertial measurement device is an IMU (Inertial Measurement Unit).
  • the IMU includes an acceleration sensor 111 that measures acceleration along three axes and an angular velocity sensor 112 that measures angular velocity around three axes.
  • the sensor 11 may be implemented by an inertial measurement device such as VG (Vertical Gyro) or AHRS (Attitude Heading).
  • the sensor 11 may be realized by GPS/INS (Global Positioning System/Inertial Navigation System).
  • the sensor 11 may be implemented by a device other than an inertial measurement device as long as it can measure physical quantities related to foot movement.
  • FIG. 3 is a conceptual diagram showing an example in which the gait measuring device 10 is arranged inside the shoe 100 of the right foot.
  • the gait measuring device 10 is installed at a position corresponding to the back side of the foot arch.
  • the gait measuring device 10 is arranged on an insole that is inserted into the shoe 100 .
  • the gait measuring device 10 may be arranged on the bottom surface of the shoe 100 .
  • the gait measuring device 10 may be embedded in the body of the shoe 100 .
  • the gait measuring device 10 may be detachable from the shoe 100 or may not be detachable from the shoe 100 .
  • the gait measuring device 10 may be installed at a position other than the back side of the arch as long as it can measure sensor data relating to the movement of the foot. Also, the gait measuring device 10 may be installed on a sock worn by the user or an accessory such as an anklet worn by the user. Also, the gait measuring device 10 may be attached directly to the foot or embedded in the foot. FIG. 3 shows an example in which the gait measuring device 10 is installed on the shoe 100 of the right foot. The gait measuring device 10 may be installed on the shoes 100 of both feet.
  • a local coordinate system is set with the gait measuring device 10 (sensor 11) as a reference, including the x-axis in the horizontal direction, the y-axis in the front-back direction, and the z-axis in the vertical direction.
  • the x-axis is positive to the left
  • the y-axis is positive to the rear
  • the z-axis is positive to the top.
  • the directions of the axes set in the sensors 11 may be the same for the left and right feet, or may be different for the left and right feet.
  • the vertical directions (directions in the Z-axis direction) of the sensors 11 placed in the left and right shoes 100 are the same. .
  • the three axes of the local coordinate system set in the sensor data derived from the left leg and the three axes of the local coordinate system set in the sensor data derived from the right leg are the same on the left and right.
  • FIG. 4 shows a local coordinate system (x-axis, y-axis, z-axis) set in the gait measuring device 10 (sensor 11) installed on the back side of the foot and a world coordinate system set with respect to the ground.
  • FIG. 2 is a conceptual diagram for explaining (X-axis, Y-axis, Z-axis);
  • the world coordinate system X-axis, Y-axis, Z-axis
  • the user's lateral direction is the X-axis direction (leftward is positive)
  • the user's back direction is The Y-axis direction (backward is positive) and the direction of gravity is set to the Z-axis direction (vertically upward is positive).
  • FIG. 5 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 coincide with each other when the user stands upright with the center line of the foot facing the direction of travel.
  • 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 is defined as the yaw angle.
  • the feature amount data generation unit 12 (also called a feature amount data generation device) has an acquisition unit 121, a normalization unit 122, an extraction unit 123, a generation unit 125, and a feature amount data output unit 127.
  • the feature amount data generator 12 is implemented by a microcomputer or microcontroller that performs overall control and data processing of the gait measuring device 10 .
  • the feature data generator 12 has a CPU (Central Processing Unit), RAM (Random Access Memory), ROM (Read Only Memory), flash memory, and the like.
  • the feature amount data generator 12 controls the acceleration sensor 111 and the angular velocity sensor 112 to measure angular velocity and acceleration.
  • the feature amount data generator 12 may be mounted on a mobile terminal (not shown) carried by a subject (user).
  • the acquisition unit 121 acquires acceleration in three axial directions from the acceleration sensor 111 . Also, the obtaining unit 121 obtains angular velocities about three axes from the angular velocity sensor 112 . For example, the acquisition unit 121 performs AD conversion (Analog-to-Digital Conversion) on physical quantities (analog data) such as the acquired angular velocity and acceleration. 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. The acquisition unit 121 outputs converted digital data (also referred to as sensor data) to the normalization unit 122 . Acquisition unit 121 may be configured to store sensor data in a storage unit (not shown).
  • 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 those data. Further, the acquisition unit 121 may apply corrections such as mounting error correction, temperature correction, and linearity correction to the acceleration data and the angular velocity data.
  • the normalization unit 122 acquires sensor data from the acquisition unit 121.
  • the normalization unit 122 extracts time-series data (also referred to as walking waveform data) for one step cycle from the time-series data of the acceleration in the three-axis direction and the angular velocity around the three axes included in the sensor data.
  • the normalization unit 122 normalizes (also referred to as first normalization) the time of the extracted walking waveform data for one step cycle to a walking cycle of 0 to 100% (percentage). Timings such as 1% and 10% included in the 0-100% walking cycle are also called walking phases.
  • the normalization unit 122 normalizes the first normalized walking waveform data for one step cycle so that the stance phase is 60% and the swing phase is 40% (also referred to as second normalization). do.
  • the stance phase is the period during which at least part of the sole of the foot is in contact with the ground.
  • the swing phase is the period during which the sole of the foot is off the ground.
  • FIG. 6 is a conceptual diagram for explaining the step cycle based on the right foot.
  • the step cycle based on the left foot is also the same as the right foot.
  • the horizontal axis of FIG. 6 represents one gait cycle of the right foot starting when the heel of the right foot lands on the ground and ending when the heel of the right foot lands on the ground.
  • the horizontal axis in FIG. 6 is first normalized with the stride cycle as 100%.
  • the horizontal axis in FIG. 6 is second normalized so that the stance phase is 60% and the swing phase is 40%.
  • 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.
  • the stance phase is further subdivided into a load response period T1, a middle stance period T2, a final stance period T3, and an early swing period T4.
  • the swing phase is further subdivided into early swing phase T5, middle swing phase T6, and final swing phase T7.
  • FIG. 6 is an example, and does not limit the periods constituting the one-step cycle, the names of those periods, and the like.
  • E1 represents an event (heel contact) in which the heel of the right foot touches the ground (HC: Heel Contact).
  • E2 represents an event in which the toe of the left foot leaves the ground while the sole of the right foot is in contact with the ground (OTO: Opposite Toe Off).
  • E3 represents an event (heel rise) in which the heel of the right foot is lifted while the sole of the right foot is in contact with the ground (HR: Heel Rise).
  • E4 is an event in which the heel of the left foot touches the ground (opposite heel strike) (OHS: Opposite Heel Strike).
  • E5 represents an event (toe off) in which the toe of the right foot leaves the ground while the sole of the left foot is in contact with the ground (TO: Toe Off).
  • E6 represents an event (Foot Adjacent) 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).
  • E7 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).
  • E8 represents an event (heel contact) in which the heel of the right foot touches the ground (HC: Heel Contact).
  • E8 corresponds to the end point of the walking cycle starting from E1 and the starting point of the next walking cycle. Note that FIG. 6 is an example, and does not limit the events that occur during walking and the names of those events.
  • FIG. 7 is a diagram for explaining an example of detecting heel contact HC and toe off TO from time-series data (solid line) of traveling direction acceleration (Y-direction acceleration).
  • the timing of heel contact HC is the timing of the minimum peak immediately after the maximum peak appearing in the time-series data of traveling direction acceleration (Y-direction acceleration).
  • the maximum peak that marks the timing of heel contact HC corresponds to the maximum peak of the walking waveform data for one step cycle.
  • the interval between successive heel strikes HC is the stride period.
  • the timing of the toe-off TO is the timing of the rise of the maximum peak that appears after the period of the stance phase in which no change appears in the time-series data of the acceleration in the traveling direction (the Y-direction acceleration).
  • time-series data (dashed line) of the roll angle (angular velocity around the X-axis).
  • the midpoint timing between the timing when the roll angle is minimum and the timing when the roll angle is maximum corresponds to the middle stage of stance.
  • parameters also called gait parameters
  • walking speed stride length
  • circumcision internal rotation/external rotation
  • plantarflexion/dorsiflexion etc.
  • FIG. 8 is a diagram for explaining an example of walking waveform data normalized by the normalization unit 122.
  • the normalization unit 122 detects heel contact HC and toe off TO from the time-series data of traveling direction acceleration (Y-direction acceleration).
  • the normalization unit 122 extracts the interval between consecutive heel strikes HC as walking waveform data for one step cycle.
  • the normalization unit 122 converts the horizontal axis (time axis) of the walking waveform data for one step cycle into a walking cycle of 0 to 100% by the first normalization.
  • the walking waveform data after the first normalization is indicated by a dashed line.
  • the timing of the toe take-off TO deviates from 60%.
  • the normalization unit 122 normalizes the section from the heel contact HC at 0% in the walking phase to the toe-off TO following the heel contact HC to 0-60%. Further, the normalization unit 122 normalizes the section from the toe-off TO to the heel-contact HC in which the walking phase subsequent to the toe-off TO is 100% to 60 to 100%.
  • the gait waveform data for one step cycle is normalized into a section of 0 to 60% of the gait cycle (stance phase) and a section of 60 to 100% of the gait cycle (swing phase).
  • the walking waveform data after the second normalization is indicated by a solid line. In the second normalized walking waveform data (solid line), the timing of the toe take-off TO coincides with 60%.
  • the normalization unit 122 extracts/normalizes the walking waveform data for one step cycle in accordance with the walking cycle of the acceleration in the direction of travel (the acceleration in the Y direction). . Further, the normalization unit 122 may generate time-series data of angles about three axes by integrating time-series data of angular velocities about three axes. In this case, the normalization unit 122 also extracts/normalizes the walking waveform data for one step cycle in accordance with the walking cycle of the acceleration in the direction of travel (acceleration in the Y direction) for angles around the three axes.
  • the normalization unit 122 may extract/normalize walking waveform data for one step cycle based on acceleration/angular velocity other than acceleration in the direction of travel (acceleration in the Y direction) (not shown). For example, the normalization unit 122 may detect heel contact HC and toe off TO from time series data of vertical direction acceleration (Z direction acceleration).
  • the timing of the heel contact HC is the timing of a sharp minimum peak appearing in the time-series data of vertical acceleration (Z-direction acceleration). At the timing of the sharp minimum peak, the value of the vertical acceleration (Z-direction acceleration) becomes almost zero.
  • the minimum peak that marks the timing of heel contact HC corresponds to the minimum peak of walking waveform data for one step cycle.
  • the interval between successive heel strikes HC is the stride period.
  • the timing of the toe-off TO is the inflection point during which the time-series data of the vertical acceleration (Z-direction acceleration) gradually increases after the maximum peak immediately after the heel contact HC, and then passes through a section with small fluctuations. It's timing.
  • the normalization unit 122 may extract/normalize the walking waveform data for one step cycle based on both the traveling direction acceleration (Y-direction acceleration) and the vertical direction acceleration (Z-direction acceleration).
  • the normalization unit 122 extracts/normalizes the walking waveform data for one step cycle based on acceleration, angular velocity, angle, etc. other than the traveling direction acceleration (Y direction acceleration) and vertical direction acceleration (Z direction acceleration). may
  • the extraction unit 123 acquires walking waveform data for one step cycle normalized by the normalization unit 122 .
  • the extraction unit 123 extracts a feature amount used for estimating the muscle strength index from the walking waveform data for one step cycle.
  • the extraction unit 123 extracts a feature amount for each walking phase cluster from walking phase clusters obtained by integrating temporally continuous walking phases based on preset conditions.
  • a walking phase cluster includes at least one walking phase.
  • a gait phase cluster also includes a single gait phase. The walking waveform data and the walking phase from which the feature amount used for estimating the muscle strength index is extracted will be described later.
  • FIG. 9 is a conceptual diagram for explaining extraction of a feature amount for estimating a muscle strength index from walking waveform data for one step cycle.
  • the extraction unit 123 extracts temporally continuous walking phases i to i+m as a walking phase cluster C (i and m are natural numbers).
  • the walking phase cluster C includes m walking phases (components). That is, the number of walking phases (constituent elements) constituting the walking phase cluster C (also referred to as the number of constituent elements) is m.
  • FIG. 9 shows an example in which the walking phase is an integer value, the walking phase may be subdivided to decimal places.
  • the number of constituent elements of the walking phase cluster C is a number corresponding to the number of data points in the section of the walking phase cluster.
  • the extraction unit 123 extracts feature amounts from each of the walking phases i to i+m.
  • the extraction unit 123 extracts the feature quantity from the single walking phase j (j is a natural number).
  • the generation unit 125 applies the feature quantity constitutive formula to the feature quantity (first feature quantity) extracted from each of the walking phases that make up the walking phase cluster, and generates the feature quantity (second feature quantity) of the walking phase cluster.
  • the feature quantity constitutive formula is a calculation formula set in advance to generate the feature quantity of the walking phase cluster.
  • the feature quantity configuration formula is a calculation formula regarding the four arithmetic operations.
  • the second feature amount calculated using the feature amount construction formula is the integral average value, arithmetic average value, inclination, variation, etc. of the first feature amount in each walking phase included in the walking phase cluster.
  • the generation unit 125 applies a calculation formula for calculating the slope and variation of the first feature amount extracted from each of the walking phases forming the walking phase cluster as the feature amount configuration formula. For example, if the walking phase cluster is composed of a single walking phase, the inclination and the variation cannot be calculated, so a feature value constitutive formula that calculates an integral average value or an arithmetic average value may be used.
  • the feature amount data output unit 127 outputs feature amount data for each walking phase cluster generated by the generation unit 125 .
  • the feature amount data output unit 127 outputs the feature amount data of the generated walking phase cluster to the muscle strength index estimation device 13 that uses the feature amount data.
  • FIG. 10 is a block diagram showing an example of the configuration of the muscle strength index estimation device 13. As shown in FIG. Muscle strength index estimation device 13 has data acquisition unit 131 , storage unit 132 , estimation unit 133 , and output unit 135 .
  • the data acquisition unit 131 acquires feature amount data from the gait measurement device 10 .
  • the data acquisition unit 131 outputs the received feature amount data to the estimation unit 133 .
  • the data acquisition unit 131 may receive the feature amount data from the gait measurement device 10 via a cable such as a cable, or may receive the feature amount data from the gait measurement device 10 via wireless communication. .
  • the data acquisition unit 131 receives feature data from the gait measuring device 10 via a wireless communication function (not shown) conforming to standards such as Bluetooth (registered trademark) and WiFi (registered trademark). Configured.
  • the communication function of the data acquisition unit 131 may conform to standards other than Bluetooth (registered trademark) and WiFi (registered trademark).
  • the storage unit 132 stores an estimation model for estimating grip strength as a muscle strength index using feature amount data extracted from walking waveform data.
  • the storage unit 132 stores feature amount data relating to grip strength of a plurality of subjects and an estimation model that has learned the relationship between grip strength.
  • the storage unit 132 stores an estimation model for estimating grip strength learned for a plurality of subjects.
  • the gait phase clusters from which feature amount data used for estimating grip strength are extracted differ according to gender. Therefore, the storage unit 132 may store an estimated model for men and an estimated model for women. In other words, the storage unit 132 may store an estimation model according to attributes.
  • Non-Patent Document 1 discloses that there is a correlation between grip strength and knee extension force (Non-Patent Document 1: R. Bohannon, et al., “Grip and Knee Extension Muscle Strength Reflect a Common Construct among Adults”, Muscle Nerve, 2012 October, vol.46 (4), pp.555-558.).
  • the storage unit 132 uses the correlation of the graph disclosed in FIG. 1 of Non-Patent Document 1 to estimate the knee extension force corresponding to the grip force.
  • the storage unit 132 may store an estimation model that learns the relationship between the knee extension force and the feature amount data regarding the knee extension force of a plurality of subjects.
  • the estimation model may be stored in the storage unit 132 at the time of factory shipment of the product, or at the time of calibration before the user uses the muscle strength index estimation system 1, or the like.
  • an estimation model stored in a storage device such as an external server may be used.
  • the estimated model may be used via an interface (not shown) connected to the storage device.
  • the estimation unit 133 acquires feature amount data from the data acquisition unit 131 .
  • the estimation unit 133 estimates the muscle strength index using the acquired feature amount data.
  • the estimation unit 133 inputs the feature data to the estimation model stored in the storage unit 132 .
  • the estimation unit 133 outputs an estimation result according to the muscle strength index output from the estimation model.
  • the estimation unit 133 is configured to use the estimation model via an interface (not shown) connected to the storage device. be done.
  • the output unit 135 outputs the muscle strength index estimation result obtained by the estimation unit 133 .
  • the output unit 135 displays the muscle strength index estimation result on the screen of the subject's (user's) mobile terminal.
  • the output unit 135 outputs the estimation result to an external system or the like that uses the estimation result.
  • the use of the muscle strength index output from the muscle strength index estimating device 13 is not particularly limited.
  • the muscle strength index estimation device 13 is connected to an external system or the like built on a cloud or server via a mobile terminal (not shown) carried by the subject (user).
  • a mobile terminal (not shown) is a portable communication device.
  • the mobile terminal is a mobile communication device having a communication function such as a smart phone, a smart watch, or a mobile phone.
  • the muscle strength index estimation device 13 is connected to the mobile terminal via a wire such as a cable.
  • the muscle strength index estimation device 13 is connected to a mobile terminal via wireless communication.
  • the muscle strength index estimation device 13 is connected to a mobile terminal via a wireless communication function (not shown) conforming to standards such as Bluetooth (registered trademark) and WiFi (registered trademark).
  • the communication function of the muscle strength index estimation device 13 may conform to standards other than Bluetooth (registered trademark) and WiFi (registered trademark).
  • the muscle strength index estimation result may be used by an application installed on the mobile terminal. In that case, the mobile terminal executes processing using the estimation result by application software or the like installed in the mobile terminal.
  • FIG. 11 is a correspondence table summarizing feature amounts used for estimating male grip strength.
  • the correspondence table in FIG. 11 associates the number of the feature quantity, the walking waveform data from which the feature quantity is extracted, the walking phase (%) from which the walking phase cluster is extracted, and the related muscles.
  • the feature amounts M1 to M4 extracted from the walking phase in which the characteristics of the quadriceps femoris muscle activity appear are used for estimating the male's grip strength.
  • Figures 12 to 15 are the verification results of the correlation between male grip strength and feature amount data.
  • Male grip strength 27 male subjects in the age group of 60 to 85 were estimated using the feature amount extracted according to walking wearing footwear equipped with the gait measuring device 10.
  • the feature quantity M1 is extracted from the walking phase 3% section of the walking waveform data Ay related to the time-series data of the traveling direction acceleration (Y-direction acceleration).
  • the walking phase 3% is included in the load response period T1.
  • the features M1 mainly include features related to the movement of the vastus lateralis, vastus intermedius, and vastus medialis of the quadriceps femoris.
  • FIG. 12 shows the verification results of the correlation between the feature quantity M1 and male grip strength.
  • the horizontal axis of the graph in FIG. 12 is normalized acceleration.
  • the correlation coefficient R between the feature amount M1 and male grip strength was 0.524.
  • the feature amount M2 is extracted from the walking phase 59% to 62% section of the walking waveform data Ay related to the time-series data of the traveling direction acceleration (Y-direction acceleration).
  • the walking phase 59-62% is included in the early swing phase T4.
  • the feature quantity M2 mainly includes features relating to the movement of the rectus femoris muscle among the quadriceps femoris muscles.
  • FIG. 13 shows the verification results of the correlation between the feature quantity M2 and male grip strength.
  • the horizontal axis of the graph in FIG. 13 is normalized acceleration.
  • the correlation coefficient R between the feature quantity M2 and male grip strength was ⁇ 0.498.
  • the feature amount M3 is extracted from the walking phase 59% to 62% section of the walking waveform data Az related to the vertical acceleration (Z-direction acceleration) time-series data.
  • the walking phase 59-62% is included in the early swing phase T4.
  • the feature amount M3 mainly includes features related to the movement of the rectus femoris muscle among the quadriceps femoris muscles.
  • FIG. 14 shows the verification results of the correlation between the feature quantity M3 and male grip strength.
  • the horizontal axis of the graph in FIG. 14 is normalized acceleration.
  • the correlation coefficient R between the feature quantity M3 and male grip strength was ⁇ 0.549.
  • the feature quantity M4 is the ratio of the period from heel contact to opposite foot toe-off in the period in which both feet are in contact with the ground at the same time (DST1) (DST: Double Support Time).
  • DST1 is the ratio of the period from heel contact to opposite toe-off in the step cycle.
  • the feature amount M4 mainly includes features caused by the quadriceps femoris.
  • FIG. 15 shows the verification results of the correlation between the feature quantity M4 and male grip strength.
  • the horizontal axis of the graph in FIG. 15 is normalized time.
  • the correlation coefficient R between the feature quantity M4 and male grip strength was ⁇ 0.353.
  • FIG. 16 shows an estimation model 151 pre-constructed for estimating a male's grip strength as a muscle strength index, by inputting feature amounts M1 to M4 extracted from sensor data measured as the user walks, is a conceptual diagram showing an example in which an estimated value of is output.
  • the estimation model 151 (also referred to as an estimation model for men) outputs grip strength, which is a muscle strength index, according to the input of the feature quantities M1 to M4.
  • the estimation model 151 is generated by learning using teacher data with the feature values M1 to M4 used for estimating the male grip strength as explanatory variables and the male grip strength as the objective variable.
  • the estimation result of the estimation model 151 is not limited as long as the estimation result of the grip strength, which is a muscle strength index, is output in response to the input of the feature amount data for estimating the male's grip strength.
  • the estimation model 151 may be a model for estimating a man's grip strength using attributes such as age and height as explanatory variables in addition to the feature quantities M1 to M4 used for estimating the man's grip strength.
  • the storage unit 132 stores an estimation model for estimating a male's grip strength using a multiple regression prediction method.
  • the storage unit 132 stores parameters for estimating a male's grip strength GM using Equation 1 below.
  • GM a1 ⁇ M1+a2 ⁇ M2+a3 ⁇ M3+a4 ⁇ M4+a0
  • M1, M2, M3, and M4 are feature amounts for each walking phase cluster used for estimating the male grip strength shown in the correspondence table of FIG. a1, a2, a3 and a4 are coefficients by which M1, M2, M3 and M4 are multiplied.
  • a0 is a constant term.
  • the storage unit 132 stores a0, a1, a2, a3, and a4.
  • FIG. 17 and 18 show the results of testing the estimation model generated using the measurement data of 26 people using the measurement data of the remaining one person by the LOSO (Leave-One-Subject-Out) method. indicates FIG. 17 and FIG. 18 show the results of performing LOSO on all (27) subjects and matching the predicted values and measured values (true values) from the test.
  • LOSO Leave-One-Subject-Out
  • the LOSO test results were evaluated by the values of intraclass correlation coefficients (ICC), mean absolute errors (MAE), and coefficients of determination R2 .
  • ICC intraclass correlation coefficients
  • MAE mean absolute errors
  • R2 coefficients of determination
  • FIG. 17 shows the results of verification of an estimation model of a comparative example, which is learned from supervised data with age, height, and weight as explanatory variables and male grip strength as an objective variable.
  • the intraclass correlation coefficient ICC(2,1) was 0.54
  • the mean absolute error MAE was 4.28
  • the coefficient of determination R 2 was 0.32.
  • FIG. 18 shows the verification results of the estimation model 151 of the present embodiment, which is trained with teacher data using the feature values M1 to M4, age, and height as explanatory variables and male grip strength as the objective variable.
  • the estimation model 151 of this embodiment had an intraclass correlation coefficient ICC(2, 1) of 0.83, a mean absolute error MAE of 2.62, and a determination coefficient R 2 of 0.68. That is, the estimation model 151 of the present embodiment has high reliability, small error, and sufficient explanation of the objective variable by explanatory variables, as compared with the estimation model of the comparative example. That is, according to the method of the present embodiment, it is possible to generate an estimation model 151 that is highly reliable, has a small error, and sufficiently explains the objective variable with explanatory variables, as compared with an estimation model that uses only attributes.
  • FIG. 19 is a correspondence table summarizing feature values used for estimating a woman's grip strength.
  • the correspondence table in FIG. 19 associates the number of the feature quantity, the walking waveform data from which the feature quantity is extracted, the walking phase (%) from which the walking phase cluster is extracted, and the related muscles.
  • the feature values F1 to F3 extracted from the walking phase in which the activity characteristics of the vastus lateralis, vastus intermedius, and vastus medialis appear are used for estimating the grip strength of a woman.
  • Figures 20 to 22 are the verification results of the correlation between the female grip strength and feature amount data.
  • Female grip strength 35 female subjects in the age group of 60 to 85 were estimated using the feature amount extracted according to walking wearing footwear equipped with the gait measuring device 10.
  • the feature amount F1 is extracted from the walking phase 13% section of the walking waveform data Ax related to the time-series data of lateral acceleration (X-direction acceleration).
  • the walking phase 13% is included in the middle stance T2.
  • the feature amount F1 mainly includes features related to the movement of the vastus lateralis, vastus intermedius, and vastus medialis of the quadriceps femoris.
  • FIG. 20 shows the verification result of the correlation between the feature quantity F1 and the female grip strength.
  • the horizontal axis of the graph in FIG. 20 is normalized acceleration.
  • the correlation coefficient R between the feature amount F1 and female grip strength was 0.677.
  • the feature quantity F2 is extracted from the walking phase 7-10% section of the walking waveform data Gy relating to the time-series data of the angular velocity (pitch angular velocity) in the coronal plane (around the Y axis).
  • the walking phase 7-10% is included in the load response period T1.
  • the feature amount F2 mainly includes features related to the movement of the vastus lateralis, vastus intermedius, and vastus medialis.
  • FIG. 21 shows the verification result of the correlation between the feature quantity F2 and the female grip strength.
  • the horizontal axis of the graph in FIG. 21 is the plantar angle in the coronal plane.
  • the correlation coefficient R between the feature quantity F2 and female grip strength was -0.465.
  • the feature quantity F3 is the ratio of the period from the heel contact of the opposite foot to the toe-off (DST2) in the period in which both feet are in contact with the ground at the same time (DST: Double Support Time).
  • DST2 is the ratio of the period from opposite foot heel contact to toe off in the step cycle.
  • the sum of DST1 and DST2 corresponds to the period during which both feet are in contact with the ground at the same time in the step cycle.
  • the feature amount F3 mainly includes features related to the movements of the vastus lateralis, vastus intermedius, and vastus medialis.
  • FIG. 22 shows the verification result of the correlation between the feature quantity F3 and the female grip strength.
  • the horizontal axis of the graph in FIG. 22 is normalized time.
  • the correlation coefficient R between the feature quantity F3 and female grip strength was 0.296.
  • FIG. 23 is an estimation model 152 constructed in advance for estimating the grip strength of a woman as a muscle strength index, by inputting feature amount data extracted from sensor data measured as the user walks, and estimating the grip strength.
  • FIG. 4 is a conceptual diagram showing an example of output values;
  • the estimation model 152 (also referred to as an estimation model for women) outputs grip strength, which is a muscle strength index, according to the input of the feature amount data.
  • the estimation model 152 is generated by learning using teacher data with feature data used for estimating female grip strength as an explanatory variable and female grip strength as an objective variable.
  • the estimation result of the estimation model 152 is not limited as long as the estimation result of the grip strength, which is a muscle strength index, is output according to the input of the feature amount data for estimating the grip strength of the woman.
  • the estimation model 152 may be a model for estimating a woman's grip strength using attributes such as age and height as explanatory variables in addition to the feature amount data used for estimating the woman's grip strength.
  • the storage unit 132 stores an estimation model for estimating female grip strength using a multiple regression prediction method.
  • the storage unit 132 stores parameters for estimating the female grip strength GF using Equation 2 below.
  • GF b1 ⁇ F1+b2 ⁇ F2+b3 ⁇ F3+b0 (2)
  • F1, F2, and F3 are feature quantities for each walking phase cluster used for estimating female grip strength shown in the correspondence table of FIG. b1, b2, and b3 are coefficients by which F1, F2, and F3 are multiplied.
  • b0 is a constant term.
  • the storage unit 132 stores b0, b1, b2, and b3.
  • a verification example of estimating a muscle strength index (grip strength) using attributes of a female subject (Fig. 24) and a verification example of estimating a muscle strength index (grip strength) using a feature amount of a female subject's gait (Fig. 25) ).
  • 24 and 25 show the results of testing the estimation model generated using the measurement data of 34 people using the measurement data of the remaining 1 person by the LOSO (Leave-One-Subject-Out) method. indicates In FIGS. 24 and 25, LOSO was performed on all (35) subjects, and predicted values and measured values (true values) from the test were associated with each other.
  • the LOSO test results were evaluated by the values of intraclass correlation coefficients (ICC), mean absolute errors (MAE), and coefficients of determination R2 .
  • ICC intraclass correlation coefficients
  • MAE mean absolute errors
  • R2 coefficients of determination
  • FIG. 24 shows the results of verification of an estimation model of a comparative example, which is learned from supervised data in which age, height, and weight are explanatory variables, and female grip strength is an objective variable.
  • the intraclass correlation coefficient ICC(2, 1) was 0.59
  • the mean absolute error MAE was 3.89
  • the coefficient of determination R 2 was 0.38.
  • FIG. 25 shows the results of verification of the estimation model 152 of the present embodiment, which is learned from teacher data with feature values F1 to F3, age, and height as explanatory variables and female grip strength as an objective variable.
  • the estimation model 151 of this embodiment had an intraclass correlation coefficient ICC(2, 1) of 0.82, a mean absolute error MAE of 2.79, and a determination coefficient R 2 of 0.68. That is, the estimation model 152 of the present embodiment has high reliability, small error, and sufficient explanation of the objective variable by explanatory variables, as compared with the estimation model of the comparative example. That is, according to the method of the present embodiment, it is possible to generate an estimation model 152 that is highly reliable, has a small error, and sufficiently explains the objective variable with explanatory variables, as compared with an estimation model that uses only attributes.
  • FIG. 26 shows an estimation model 155 that outputs knee extension force as a muscle strength index according to input of grip strength estimated using the estimation model 151 for men or the estimation model 152 for women.
  • the estimation model 155 (also referred to as a knee extension force estimation model) is a model for estimating knee extension force corresponding to grip strength based on the correlation of the graph disclosed in FIG. 1 of Non-Patent Document 1.
  • the knee extension force can be estimated as a muscle strength index using the grip estimated using the estimation model 151 for men or the estimation model 152 for women.
  • the estimation model 155 may be a model that has been trained using teacher data that uses the feature amount data of the male estimation model 151 or the female estimation model 152 as an explanatory variable and the knee extension force as an objective variable.
  • the operation of the muscle strength index estimation system 1 will be described with reference to the drawings.
  • the gait measuring device 10 and the muscle strength index estimating device 13 included in the muscle strength index estimating system 1 will be individually described.
  • the operation of the feature amount data generation unit 12 included in the gait measuring device 10 will be described.
  • FIG. 27 is a flowchart for explaining the operation of the feature amount data generator 12 included in the gait measuring device 10.
  • FIG. 27 In the description according to the flowchart of FIG. 27, the feature amount data generation unit 12 will be described as an operator.
  • the feature amount data generation unit 12 acquires time-series data of sensor data related to gait (step S101).
  • the feature amount data generation unit 12 extracts walking waveform data for one step cycle from the time-series data of the sensor data (step S102).
  • the feature amount data generator 12 detects heel contact and toe off from the time-series data of the sensor data.
  • the feature amount data generator 12 extracts the time-series data of the interval between successive heel strikes as walking waveform data for one step cycle.
  • the feature amount data generation unit 12 normalizes the extracted walking waveform data for one step cycle (step S103).
  • the feature amount data generator 12 normalizes the walking waveform data for one step cycle to a walking cycle of 0 to 100% (first normalization). Further, the feature amount data generator 12 normalizes the ratio of the stance phase and the swing phase of the walking waveform data for the first normalized step cycle to 60:40 (second normalization).
  • the feature amount data generation unit 12 extracts feature amounts from the walking phase used for estimating the muscle strength index with respect to the normalized walking waveform (step S104). For example, the feature amount data generation unit 12 extracts feature amounts to be input to an estimation model constructed for each gender.
  • the feature quantity data generation unit 12 uses the extracted feature quantity to generate a feature quantity for each walking phase cluster (step S105).
  • the feature amount data generation unit 12 integrates the feature amounts for each walking phase cluster to generate feature amount data for the one step cycle (step S106).
  • the feature amount data generation unit 12 outputs the generated feature amount data to the muscle strength index estimation device 13 (step S107).
  • FIG. 28 is a flowchart for explaining the operation of the muscle strength index estimation device 13.
  • FIG. 28 In the description along the flow chart of FIG. 28, the muscle strength index estimation device 13 will be described as the subject of action.
  • the muscle strength index estimation device 13 acquires feature amount data generated using sensor data related to gait (step S131).
  • the muscle strength index estimation device 13 inputs the acquired feature amount data to an estimation model for estimating a muscle strength index (step S132).
  • the muscle strength index estimation device 13 estimates the user's muscle strength index according to the output (estimated value) from the estimation model (step S133). For example, the muscle strength index estimation device 13 estimates the user's grip strength as a muscle strength index. For example, the muscle strength index estimation device 13 estimates the user's knee extension force as a muscle strength index. For example, the muscle strength index estimating device 13 estimates the user's overall muscle strength according to the estimated grip strength.
  • the muscle strength index estimation device 13 outputs information on the estimated muscle strength index (step S134).
  • the muscle strength index is output to a terminal device (not shown) carried by the user.
  • the strength metric is output to a system that performs processing using the strength metric.
  • the function of the muscle strength index estimation device 13 installed in the portable terminal carried by the user estimates the muscle strength index using feature amount data measured by the gait measurement device 10 placed on the shoe.
  • the function of the muscle strength index estimation device 13 installed in the portable terminal carried by the user estimates the muscle strength index using feature amount data measured by the gait measurement device 10 placed on the shoe.
  • 29 to 30 are conceptual diagrams showing an example of displaying the results of estimation by the muscle strength index estimating device 13 on the screen of the mobile terminal 160 carried by the user walking wearing the shoes 100 on which the gait measuring device 10 is arranged.
  • 29 to 30 are examples of displaying on the screen of the mobile terminal 160 information corresponding to the result of estimating a muscle strength index using feature amount data corresponding to sensor data measured while the user is walking.
  • FIG. 29 is an example of information displayed on the screen of the mobile terminal 160 according to the estimated value of grip strength, which is a muscle strength index.
  • a score digitized according to a preset criterion is displayed on the display unit of the mobile terminal 160 as the result of estimating the total muscle strength of the whole body.
  • the information about the estimation result of the total whole body muscle strength is displayed on the display unit of the mobile terminal 160 according to the estimated value of the grip strength, which is the muscle strength index. be done.
  • the recommendation information corresponding to the estimation result of the total body strength, “Training A is recommended. It is displayed on the display unit of the mobile terminal 160 . After confirming the information displayed on the display unit of the mobile terminal 160, the user can practice training that leads to an increase in overall muscle strength by exercising while referring to the training A video in accordance with the recommended information.
  • FIG. 30 is an example of information displayed on the screen of the mobile terminal 160 according to the estimated value of the knee extension force, which is a muscle strength index.
  • information about the estimation result of the knee extension force is displayed on the display unit of the mobile terminal 160 according to the estimated value of the knee extension force, which is the muscle strength index. be done.
  • a score digitized according to a preset criterion may be displayed on the display unit of the mobile terminal 160 .
  • recommendation information according to the estimation result of the knee extension force such as "Training B is recommended. Please see the video below.” is displayed on the display unit of the mobile terminal 160 .
  • the user can practice training that leads to an increase in knee extension strength by exercising with reference to the training B video in accordance with the recommended information.
  • the muscle strength index estimation system of this embodiment includes a gait measuring device and a muscle strength index estimation device.
  • a gait measuring device includes a sensor and a feature amount data generator.
  • the sensor has an acceleration sensor and an angular velocity sensor.
  • the sensor measures spatial acceleration using an acceleration sensor.
  • the sensor measures the spatial angular velocity using an angular velocity sensor.
  • the sensor uses the measured spatial acceleration and spatial angular velocity to generate sensor data regarding foot movement.
  • the sensor outputs the generated sensor data to the feature data generator.
  • the feature amount data generation unit acquires time-series data of sensor data related to foot movement.
  • the feature amount data generation unit extracts walking waveform data for one step cycle from the time-series data of the sensor data.
  • the feature amount data generator normalizes the extracted walking waveform data.
  • the feature amount data generator extracts, from the normalized walking waveform data, a feature amount related to the muscle strength index to be estimated from a walking phase cluster composed of at least one temporally continuous walking phase.
  • the feature amount data generation unit generates feature amount data including the extracted feature amount.
  • the feature amount data generation unit outputs the generated feature amount data.
  • a muscle strength index estimation device includes a data acquisition unit, a storage unit, an estimation unit, and an output unit.
  • the data acquisition unit acquires feature amount data including feature amounts used for estimating the user's muscle strength index, which are extracted from the user's gait features.
  • the storage unit stores an estimation model that outputs a muscle strength index according to the input of feature amount data.
  • the estimation unit inputs the acquired feature amount data to the estimation model to estimate the muscle strength index of the user.
  • the output unit outputs information about the estimated muscle strength index.
  • the muscle strength index estimation system of the present embodiment estimates the user's muscle strength index using feature amounts extracted from the features of the user's gait. Therefore, according to the muscle strength index estimation system of the present embodiment, the muscle strength index can be appropriately estimated in daily life without using an instrument for measuring muscle strength.
  • the data acquisition unit includes a feature amount used for estimating grip strength as a muscle strength index, which is extracted from walking waveform data generated using time-series data of sensor data related to leg movements.
  • the muscle strength index can be appropriately estimated in daily life by using the sensor data related to the movement of the leg without using a device for measuring muscle strength.
  • the storage unit stores an estimation model generated by learning using teacher data regarding a plurality of subjects.
  • the estimation model is generated by learning using supervised data in which the feature value used for estimating the muscle strength index related to grip strength extracted from the walking waveform data is used as an explanatory variable, and the muscle strength index related to grip strength of the subject is used as an objective variable.
  • the estimating unit inputs the feature amount data acquired regarding the user to the estimation model and estimates a muscle strength index related to the user's grip strength. According to this aspect, a muscle strength index related to grip strength can be appropriately estimated in daily life without using an instrument for measuring grip strength.
  • the storage unit stores an estimation model learned using explanatory variables including the subject's age and height.
  • the estimating unit inputs feature amount data, age, and height of the user into the estimation model to estimate a muscle strength index related to grip strength of the user.
  • the muscle strength index is estimated including age and height that affect the muscle strength index. Therefore, according to this aspect, the muscle strength index can be measured with higher accuracy.
  • the storage unit stores an estimation model for men generated by learning using teacher data regarding a plurality of male subjects.
  • the explanatory variables are feature values related to quadriceps activity extracted from the load-response period and the early swing phase of the gait waveform data
  • teacher data is used with muscle strength indices related to grip strength of male subjects as objective variables. It is a model generated by learning using.
  • the estimating unit inputs the feature amount data acquired according to the male user's walking to the male estimation model to estimate the male user's muscle strength index. According to this aspect, by using the male estimation model customized for male users, the muscle strength index of the male user can be estimated with higher accuracy.
  • the storage unit uses teacher data in which a plurality of feature amounts extracted from walking waveform data are used as explanatory variables for a plurality of male subjects, and a muscle strength index related to grip strength of the male subjects is used as an objective variable.
  • a feature quantity extracted from the load response period of walking waveform data of forward acceleration and a feature quantity extracted from the swing phase of walking waveform data of forward acceleration and vertical acceleration are used as explanatory variables.
  • a feature amount relating to the ratio of the period from heel contact to opposite toe-off in the one-step cycle is used as an explanatory variable.
  • the data acquisition unit acquires feature amount data including the feature amount extracted according to the walking of the male user.
  • the data acquisition unit obtains the feature amount of the load response period of the walking waveform data of the traveling direction acceleration, the feature amount of the walking waveform data of the traveling direction acceleration and the vertical direction acceleration in the early stage of swing, and the A feature value relating to the ratio of the period until the toe-off is acquired.
  • the estimating unit inputs the acquired feature amount data to the male estimation model to estimate the muscle strength index of the male user. According to this aspect, by using the male estimation model customized for male users, the muscle strength index of the male user can be estimated with higher accuracy.
  • the storage unit stores an estimation model for women generated by learning using teacher data regarding a plurality of female subjects.
  • the estimation model for women uses the feature values related to the activity of the quadriceps femoris muscle extracted from the load response period of the walking waveform data as the explanatory variables, and the muscle strength index related to the grip strength of the female subjects as the objective variable. This is the generated model.
  • the estimating unit inputs the feature amount data acquired according to the walking of the female user into the estimation model for female, and estimates the muscle strength index of the female user.
  • the female user's muscle strength index can be estimated with higher accuracy by using the female estimation model customized for female use.
  • the storage unit uses teacher data in which a plurality of feature values extracted from walking waveform data are used as explanatory variables for a plurality of female subjects, and a muscle strength index related to grip strength of the female subjects is used as an objective variable.
  • a feature quantity extracted from the load response period of the lateral acceleration walking waveform data and a feature quantity extracted from the angular velocity walking waveform data in the coronal plane are used as explanatory variables.
  • a feature amount relating to the ratio of the period from the contact of the heel of the opposite foot to the take-off of the toe in the step cycle is used as an explanatory variable.
  • the data acquisition unit acquires feature amount data including the feature amount extracted according to the walking of the female user.
  • the data acquisition unit obtains the feature quantity of the load response period of the lateral acceleration walking waveform data, the feature quantity of the angular velocity walking waveform data in the coronal plane, and the period from opposite foot heel contact to toe off in the step cycle.
  • Acquire feature amount data including a feature amount related to the ratio of
  • the estimation unit inputs the acquired feature amount data to the female estimation model to estimate the muscle strength index of the female user.
  • the female user's muscle strength index can be estimated with higher accuracy by using the female estimation model customized for female use.
  • the estimating unit estimates the overall total muscle strength score according to the grip strength estimated for the user.
  • the output unit outputs the estimated overall muscle strength score. According to this aspect, it is possible to estimate the total body strength score according to the muscle strength index estimated according to the characteristics of the gait without using an instrument for measuring muscle strength.
  • the storage unit stores a knee extension force estimation model that outputs a knee extension force in response to an input of grip force. input to estimate the user's knee extension force as a muscle strength index.
  • the knee extension force can be estimated according to the grip force estimated according to the characteristics of the gait without using an instrument for measuring muscle force.
  • the storage unit stores a knee extension force estimation model generated by learning using teacher data regarding a plurality of subjects.
  • the feature value used for estimating the muscle strength index related to the knee extension force extracted from the walking waveform data is used as the explanatory variable, and the muscle strength index related to the knee extension force of the subject is used as the objective variable.
  • It is a model generated by learning.
  • the estimation unit inputs the acquired feature amount data to the knee extension force estimation model to estimate a muscle strength index related to the user's knee extension force.
  • the knee extension force can be estimated according to the characteristics of the gait without using an instrument for measuring muscle force.
  • the muscle strength index estimating device is implemented in a terminal device having a user-visible screen.
  • the muscle strength index estimation device displays on the screen of the terminal device information related to the muscle strength index estimated according to the movement of the user's leg.
  • the muscle strength index estimation device displays on the screen of the terminal device recommendation information corresponding to the muscle strength index estimated based on the movement of the user's legs.
  • the muscle strength index estimating device displays, on the screen of the terminal device, a video about training for training a body part related to the muscle strength index as recommendation information corresponding to the muscle strength index estimated according to the movement of the user's legs.
  • the learning system of the present embodiment generates an estimation model for estimating a muscle strength index according to input of feature amounts by learning using feature amount data extracted from sensor data measured by a gait measuring device. .
  • FIG. 31 is a block diagram showing an example of the configuration of the learning system 2 according to this embodiment.
  • the learning system 2 includes a gait measuring device 20 and a learning device 25 .
  • the gait measuring device 20 and the learning device 25 may be wired or wirelessly connected.
  • the gait measuring device 20 and the learning device 25 may be configured as a single device.
  • the learning system 2 may be configured with only the learning device 25 excluding the gait measuring device 20 from the configuration of the learning system 2 .
  • the learning device 25 may be configured to perform learning using feature amount data generated by the gait measuring device 20 in advance and stored in a database without being connected to the gait measuring device 20. good.
  • the gait measuring device 20 is installed on at least one of the left and right feet.
  • the gait measuring device 20 has the same configuration as the gait measuring device 10 of the first embodiment.
  • Gait measuring device 20 includes an acceleration sensor and an angular velocity sensor.
  • the gait measuring device 20 converts the measured physical quantity into digital data (also called sensor data).
  • the gait measuring device 20 generates normalized gait waveform data for one step cycle from time-series data of sensor data.
  • the gait measuring device 20 generates feature amount data used for estimating the muscle strength index.
  • the gait measuring device 20 transmits the generated feature amount data to the learning device 25 .
  • the gait measuring device 20 may be configured to transmit feature amount data to a database (not shown) accessed by the learning device 25 .
  • the feature amount data accumulated in the database is used for learning by the learning device 25 .
  • the learning device 25 receives feature amount data from the gait measuring device 20 .
  • the learning device 25 receives the feature amount data from the database.
  • the learning device 25 performs learning using the received feature amount data.
  • the learning device 25 learns teacher data that uses feature amount data extracted from a plurality of subject walking waveform data as explanatory variables, and values related to muscle strength indices according to the feature amount data as objective variables.
  • the learning algorithm executed by the learning device 25 is not particularly limited.
  • the learning device 25 generates an estimated model trained using teacher data regarding a plurality of subjects.
  • the learning device 25 stores the generated estimation model.
  • the estimation model learned by the learning device 25 may be stored in a storage device external to the learning device 25 .
  • FIG. 32 is a block diagram showing an example of the detailed configuration of the learning device 25. As shown in FIG. The learning device 25 has a receiving section 251 , a learning section 253 and a storage section 255 .
  • the receiving unit 251 receives feature amount data from the gait measuring device 20 .
  • the receiving unit 251 outputs the received feature amount data to the learning unit 253 .
  • the receiving unit 251 may receive the feature amount data from the gait measurement device 20 via a cable such as a cable, or may receive the feature amount data from the gait measurement device 20 via wireless communication.
  • the receiving unit 251 is configured to receive feature amount data from the gait measuring device 20 via a wireless communication function (not shown) conforming to standards such as Bluetooth (registered trademark) and WiFi (registered trademark). be done.
  • the communication function of the receiving unit 251 may conform to standards other than Bluetooth (registered trademark) and WiFi (registered trademark).
  • the learning unit 253 acquires feature amount data from the receiving unit 251 .
  • the learning unit 253 performs learning using the acquired feature amount data. For example, the learning unit 253 learns, as teacher data, a data set in which the feature amount data extracted regarding the subject's gait is used as an explanatory variable, and the subject's grip strength is used as an objective variable.
  • the learning unit 253 generates an estimation model for estimating grip strength according to input of feature amount data learned about a plurality of users.
  • the learning unit 253 generates an estimation model for estimating the knee extension force according to the grip force input, which has been learned for a plurality of subjects.
  • the learning unit 253 generates an estimation model for estimating the knee extension force according to input of feature amount data learned for a plurality of subjects. For example, the learning unit 253 generates an estimation model for men and an estimation model for women. For example, the learning unit 253 creates an estimation model for estimating muscle strength indices such as grip strength and knee extension strength using feature data extracted regarding the subject's gait and attribute data including the subject's age and height as explanatory variables. Generate. The learning unit 253 causes the storage unit 255 to store the estimated models learned for a plurality of subjects.
  • the learning unit 253 performs learning using a linear regression algorithm.
  • the learning unit 253 performs learning using a Support Vector Machine (SVM) algorithm.
  • the learning unit 253 performs learning using a Gaussian Process Regression (GPR) algorithm.
  • the learning unit 253 performs learning using a random forest (RF) algorithm.
  • the learning unit 253 may perform unsupervised learning for classifying the subjects who generated the feature amount data according to the feature amount data.
  • a learning algorithm executed by the learning unit 253 is not particularly limited.
  • the learning unit 253 may perform learning using the walking waveform data for one step cycle as an explanatory variable.
  • the learning unit 253 uses the walking waveform data of the acceleration in the three-axis direction, the angular velocity around the three axes, and the angle (posture angle) around the three axes as explanatory variables, and the correct value of the muscle strength index to be estimated as the objective variable.
  • perform supervised learning For example, if the walking phase is set in increments of 1% in the walking cycle from 0% to 100%, the learning unit 253 learns using 909 explanatory variables.
  • FIG. 33 is a conceptual diagram for explaining learning for generating an estimation model for men.
  • FIG. 33 is a conceptual diagram showing an example of learning by the learning unit 253 using a data set of feature values M1 to M4 as explanatory variables and a muscle strength index as objective variables as teacher data.
  • the learning unit 253 learns data about a plurality of male subjects, and generates an estimation model that outputs an output (estimated value) regarding a male muscle strength index according to an input of a feature amount extracted from sensor data.
  • FIG. 34 is a conceptual diagram for explaining learning for generating an estimation model for women.
  • FIG. 34 is a conceptual diagram showing an example of learning by the learning unit 253 using a data set of feature values F1 to F3, which are explanatory variables, and a muscle strength index, which is an objective variable, as teacher data.
  • the learning unit 253 learns data regarding a plurality of female subjects, and generates an estimation model that outputs an output (estimated value) regarding a female muscle strength index in accordance with the input of feature amounts extracted from sensor data.
  • the storage unit 255 stores estimated models learned for a plurality of subjects.
  • the storage unit 255 stores an estimation model for estimating a muscle strength index learned for a plurality of subjects.
  • the estimation model stored in the storage unit 255 is used for muscle strength index estimation by the muscle strength index estimation device 13 of the first embodiment.
  • the learning system of this embodiment includes a gait measuring device and a learning device.
  • a gait measuring device acquires time-series data of sensor data relating to leg movements.
  • the gait measuring device extracts walking waveform data for one step cycle from time-series data of sensor data, and normalizes the extracted walking waveform data.
  • the gait measuring device extracts, from the normalized walking waveform data, a feature quantity related to a muscle strength index to be estimated from a walking phase cluster composed of at least one temporally continuous walking phase.
  • the gait measuring device generates feature amount data including the extracted feature amount.
  • the gait measuring device outputs the generated feature amount data to the learning device.
  • the learning device has a receiving unit, a learning unit, and a storage unit.
  • the receiving unit acquires feature amount data generated by the gait measuring device.
  • the learning unit performs learning using the feature amount data.
  • the learning unit generates an estimation model that outputs a muscle strength index according to the input of the feature amount (second feature amount) of the walking phase cluster extracted from the time-series data of the sensor data measured as the user walks. do.
  • the estimation model generated by the learning unit is stored in the storage unit.
  • the learning system of this embodiment uses the feature amount data measured by the gait measuring device to generate an estimation model. Therefore, according to this aspect, it is possible to generate an estimation model that makes it possible to appropriately estimate a muscle strength index in daily life without using a device for measuring muscle strength.
  • the muscle strength index estimating device of this embodiment has a simplified configuration of the muscle strength index estimating device included in the muscle strength index estimating system of the first embodiment.
  • FIG. 35 is a block diagram showing an example of the configuration of the muscle strength index estimation device 33 according to this embodiment.
  • the muscle strength index estimation device 33 includes a data acquisition section 331 , a storage section 332 , an estimation section 333 and an output section 335 .
  • the data acquisition unit 331 acquires feature amount data including feature amounts used for estimating the user's muscle strength index, extracted from the user's gait features.
  • the storage unit 332 stores an estimation model that outputs a muscle strength index according to input of feature amount data.
  • the estimation unit 333 inputs the acquired feature amount data to the estimation model to estimate the user's muscle strength index.
  • the output unit 335 outputs information on the estimated muscle strength index.
  • the user's muscle strength index is estimated using the feature amount extracted from the user's gait feature. Therefore, according to the present embodiment, a muscle strength index can be appropriately estimated in daily life without using a device for measuring muscle strength.
  • 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 loads the program stored in the auxiliary storage device 93 or the like into the main storage device 92 .
  • the processor 91 executes programs developed in the main memory device 92 .
  • a configuration using a software program installed in the information processing device 90 may be used.
  • the processor 91 executes control and processing according to each embodiment.
  • the main storage device 92 has an area in which programs are expanded.
  • a program stored in the auxiliary storage device 93 or the like is developed in the main storage device 92 by the processor 91 .
  • the main memory device 92 is realized by a volatile memory such as a DRAM (Dynamic Random Access Memory). Further, as the main storage device 92, a non-volatile memory such as MRAM (Magnetoresistive Random Access Memory) may be configured/added.
  • the auxiliary storage device 93 stores various data such as programs.
  • the auxiliary storage device 93 is implemented 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 based on standards and specifications.
  • 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.
  • Input devices such as a keyboard, mouse, and touch panel may be connected to the information processing device 90 as necessary. These input devices are used to enter information and settings.
  • 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 information processing device 90 may be equipped with a drive device. Between the processor 91 and a recording medium (program recording medium), the drive device mediates reading of data and programs from the recording medium, writing of processing results of the information processing device 90 to the recording medium, and the like.
  • the drive 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 control and processing according to each embodiment of the present invention.
  • the hardware configuration of FIG. 36 is an example of a hardware configuration for executing control and processing 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 control and processing according to each embodiment.
  • the scope of the present invention also includes a program recording medium on which the program according to each embodiment is recorded.
  • 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 implemented by a semiconductor recording medium such as a USB (Universal Serial Bus) memory or an SD (Secure Digital) card.
  • the recording medium may be realized by a magnetic recording medium such as a flexible disk, or other recording medium.
  • each embodiment may be combined arbitrarily. Also, the components of each embodiment may be realized by software or by circuits.
  • (Appendix 1) a data acquisition unit that acquires feature amount data including a feature amount used for estimating the user's muscle strength index, which is extracted from the user's gait features; a storage unit that stores an estimation model that outputs the muscle strength index according to the input of the feature amount data; an estimation unit that inputs the acquired feature amount data to the estimation model to estimate the muscle strength index of the user; and an output unit that outputs information about the estimated muscle strength index.
  • the data acquisition unit Acquiring the feature amount data including the feature amount used for estimating grip strength as the muscle strength index, which is extracted from walking waveform data generated using time-series data of sensor data related to leg movements.
  • the muscle strength index estimator as described.
  • the storage unit With respect to a plurality of subjects, the feature amount used for estimating the muscle strength index related to grip strength extracted from the walking waveform data is used as an explanatory variable, and the muscle strength index related to grip strength of the subject is used as an objective variable. storing the generated estimation model;
  • the estimation unit The muscle strength index estimating device according to appendix 2, wherein the muscle strength index related to grip strength of the user is estimated by inputting the feature amount data acquired regarding the user into the estimation model.
  • the storage unit storing the estimated model learned using explanatory variables including the subject's age and height; The estimation unit 3.
  • the muscle strength index estimation device according to appendix 3, wherein the feature amount data, age, and height of the user are input to the estimation model to estimate the muscle strength index related to grip strength of the user.
  • the storage unit With regard to a plurality of male subjects, the characteristic amount relating to the activity of the quadriceps muscle extracted from the load response period and the swinging period of the walking waveform data is used as an explanatory variable, and the muscle strength index relating to the grip strength of the male subject is used as an objective variable. storing an estimation model for men generated by learning using teacher data; The estimation unit 5.
  • the muscle strength index estimation device wherein the feature amount data acquired according to walking of the male user is input to the male estimation model to estimate the muscle strength index of the male user.
  • the storage unit With respect to the plurality of male subjects, a feature amount extracted from the load response period of the walking waveform data of the traveling direction acceleration, and a feature amount extracted from the swinging period of the walking waveform data of the traveling direction acceleration and the vertical acceleration. , and the feature value related to the ratio of the period from heel contact to opposite foot toe-off in the step cycle as explanatory variables, and the muscle strength index related to the grip strength of the male subject as the objective variable.
  • the data acquisition unit a feature amount of the load response period of the walking waveform data of the forward direction acceleration and a feature amount of the swing phase period of the walking waveform data of the forward direction acceleration and the vertical direction acceleration, which are extracted according to the walking of the male user; Acquiring the feature amount data including the feature amount relating to the ratio of the period from heel contact to opposite foot toe-off in one walking cycle, The estimation unit 6.
  • the muscle strength index estimation device according to Supplementary note 5, wherein the acquired feature amount data is input to the male estimation model to estimate the muscle strength index of the male user.
  • the storage unit With respect to a plurality of female subjects, teacher data is used in which the feature amount related to the activity of the quadriceps femoris muscle extracted from the load response period of the walking waveform data is used as an explanatory variable, and the muscle strength index related to the grip strength of the female subject is used as an objective variable. store the estimation model for women generated by the learning, The estimation unit 5.
  • the muscle strength index estimating device according to appendix 3 or 4, wherein the feature amount data acquired according to walking of the female user is input to the female estimation model to estimate the muscle strength index of the female user.
  • the storage unit With respect to the plurality of female subjects, the feature amount extracted from the load response period of the walking waveform data of lateral acceleration, the feature amount extracted from the walking waveform data of angular velocity in the coronal plane, and the opposite in the step cycle
  • the data acquisition unit The feature amount of the walking waveform data of the lateral acceleration in the load response period, the feature amount of the walking waveform data of the angular velocity in the coronal plane, and the opposite leg in the step cycle, which are extracted according to the walking of the female user.
  • the estimation unit 8 The muscle strength index estimation device according to Supplementary Note 7, which inputs the acquired feature amount data to the female estimation model to estimate the muscle strength index of the female user.
  • the estimation unit estimating a total body strength score according to the estimated grip strength for the user;
  • the output unit 9 The muscle strength index estimation device according to any one of appendices 3 to 8, which outputs the estimated overall muscle strength score.
  • the storage unit Stores a knee extension force estimation model that outputs knee extension force according to input of grip strength, The estimation unit 10.
  • the muscle strength index estimation device according to any one of appendices 3 to 9, wherein the grip strength estimated for the user is input to the knee extension force estimation model to estimate the user's knee extension force as the muscle strength index.
  • the storage unit With respect to the plurality of subjects, teacher data including, as an explanatory variable, the feature amount used for estimating the muscle strength index related to the knee extension force extracted from the walking waveform data, and using the muscle strength index related to the knee extension force of the subject as an objective variable. memorize the knee extension force estimation model generated by learning using The estimation unit 10.
  • the muscle strength index estimating device according to any one of appendices 3 to 9, wherein the muscle strength index relating to the knee extension force of the user is estimated by inputting the acquired feature amount data into the knee extension force estimation model.
  • Appendix 12 a muscle strength index estimation device according to any one of Appendices 1 to 11; It is installed on the user's footwear that is the target of estimation of the muscle strength index, measures the spatial acceleration and the spatial angular velocity, generates sensor data related to the movement of the foot using the measured spatial acceleration and the spatial angular velocity, and generates the sensor data.
  • a muscle strength index estimation system comprising: a gait measuring device having a feature quantity data generating unit that generates feature quantity data including a feature quantity and outputs the generated feature quantity data to the muscle strength index estimating device.
  • the muscular strength index estimating device comprises: implemented in a terminal device having a screen viewable by the user, 13.
  • the muscle strength index estimation system according to appendix 12, wherein the information about the muscle strength index estimated according to the movement of the user's leg is displayed on the screen of the terminal device.
  • the muscular strength index estimating device comprises: 14.
  • the muscular strength index estimating device comprises: 15.
  • (Appendix 16) the computer Acquiring feature amount data including feature amounts used for estimating the user's muscle strength index extracted from the user's gait features; estimating the muscle strength index of the user by inputting the acquired feature amount data into an estimation model that outputs the muscle strength index according to the input of the feature amount data; A muscle strength index estimation method for outputting information about the estimated muscle strength index.
  • (Appendix 17) a process of acquiring feature amount data including a feature amount used for estimating the user's muscle strength index, which is extracted from the user's gait features; a process of inputting the acquired feature amount data into an estimation model that outputs the muscle strength index according to the input of the feature amount data, and estimating the muscle strength index of the user; A program for causing a computer to execute a process of outputting information on the estimated muscle strength index.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)

Abstract

日常生活において筋力指標を適宜推定するために、ユーザの歩容の特徴から抽出された、ユーザの筋力指標の推定に用いられる特徴量を含む特徴量データを取得するデータ取得部と、特徴量データの入力に応じた筋力指標を出力する推定モデルを記憶する記憶部と、取得された特徴量データを推定モデルに入力して、ユーザの筋力指標を推定する推定部と、推定された筋力指標に関する情報を出力する出力部と、を備える筋力指標推定装置とする。

Description

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
　本開示は、歩容に関するデータを用いて筋力指標を推定する筋力指標推定装置等に関する。
　ヘルスケアへの関心の高まりに伴って、歩行パターンに含まれる特徴（歩容とも呼ぶ）に応じた情報を提供するサービスに注目が集まっている。例えば、靴等の履物に実装されたセンサによって計測されるセンサデータに基づいて、歩容を解析する技術が開発されている。センサデータの時系列データには、身体状態と関連する歩容事象（歩行イベントとも呼ぶ）の特徴が現れる。
　特許文献１には、歩行者の歩行の特徴に基づいて足の異常を検出する装置について開示されている。特許文献１の装置は、履物に設置されたセンサから取得されたデータを用いて、履物を履いた歩行者の歩行において特徴的な歩行特徴量を抽出する。特許文献１の装置は、抽出された歩行特徴量に基づいて、履物を履いて歩行する歩行者の異常を検出する。例えば、特許文献１の装置は、一歩行周期分の歩行波形データから、外反母趾に関する特徴部位を抽出する。特許文献１の装置は、抽出された特徴部位の歩行特徴量を用いて、外反母趾の進行状態を推定する。
　例えば、握力は、全身の総合的な筋力（全身総合筋力とも呼ぶ）を評価するための指標であり、フレイルや転倒リスクを評価するための重要な指標にもなりうる。非特許文献１には、握力と膝伸展力との間に高い相関関係があることが開示されている。膝伸展力は、例えば大腿四頭筋などの膝を進展させる筋肉群の筋力の指標である。
　特許文献２には、通信式握力計による計測データを用いて、被験者の脚筋力に関連する情報を推定する脚筋力推定装置について開示されている。特許文献２の装置は、通信式握力計によって計測された握力値データと、個人データ入力手段から入力された個人データとを用いて、当該個人の最大脚伸展筋力／体重データを演算する。特許文献２の装置は、当該個人の最大脚伸展筋力／体重データと、個人データとを用いて、転倒する可能性が増加する年齢である転倒年齢データを演算する。
国際公開第２０２１／１４０６５８号 特開２０１４－２２１１３９号公報
R. Bohannon, et al., "Grip and Knee Extension Muscle Strength Reflect a Common Construct among Adults", Muscle Nerve, 2012 October, vol.46 (4), pp.555-558.
　特許文献１の手法では、履物に設置されたセンサから取得されたデータから抽出された特徴部位の歩行特徴量を用いて、外反母趾の進行状態を推定する。特許文献１には、履物に設置されたセンサから取得されたデータから抽出された特徴部位の歩行特徴量を用いて、握力を推定することは開示されていない。
　特許文献２の手法では、通信式握力計による計測データと、入力された個人データとを用いて、当該個人の最大脚伸展筋力／体重データを演算する。特許文献２の手法では、通信式握力計を用いて握力を計測する必要があるため、日常生活において、筋力指標を適宜推定することができなかった。
　本開示の目的は、日常生活において、筋力指標を適宜推定できる筋力指標推定装置等を提供することにある。
　本開示の一態様の筋力指標推定装置は、ユーザの歩容の特徴から抽出された、ユーザの筋力指標の推定に用いられる特徴量を含む特徴量データを取得するデータ取得部と、特徴量データの入力に応じた筋力指標を出力する推定モデルを記憶する記憶部と、取得された特徴量データを推定モデルに入力して、ユーザの筋力指標を推定する推定部と、推定された筋力指標に関する情報を出力する出力部と、を備える。
　本開示の一態様の筋力指標推定方法においては、ユーザの歩容の特徴から抽出された、ユーザの筋力指標の推定に用いられる特徴量を含む特徴量データを取得し、取得された特徴量データを、特徴量データの入力に応じた筋力指標を出力する推定モデルに入力して、ユーザの筋力指標を推定し、推定された筋力指標に関する情報を出力する。
　本開示の一態様のプログラムは、ユーザの歩容の特徴から抽出された、ユーザの筋力指標の推定に用いられる特徴量を含む特徴量データを取得する処理と、取得された特徴量データを、特徴量データの入力に応じた筋力指標を出力する推定モデルに入力して、ユーザの筋力指標を推定する処理と、推定された筋力指標に関する情報を出力する処理と、をコンピュータに実行させる。
　本開示によれば、日常生活において、筋力指標を適宜推定できる筋力指標推定装置等を提供することが可能になる。
第１の実施形態に係る筋力指標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の実施形態に係る筋力指標推定システムが備える歩容計測装置の構成の一例を示すブロック図である。 第１の実施形態に係る歩容計測装置の配置例を示す概念図である。 第１の実施形態に係る歩容計測装置に設定されるローカル座標系と世界座標系の関係の一例について説明するための概念図である。 第１の実施形態に係る歩容計測装置に関する説明で用いられる人体面について説明するための概念図である。 第１の実施形態に係る歩容計測装置に関する説明で用いられる歩行周期について説明するための概念図である。 第１の実施形態に係る歩容計測装置が計測するセンサデータの時系列データの一例について説明するためのグラフである。 第１の実施形態に係る歩容計測装置が計測するセンサデータの時系列データから抽出される歩行波形データの正規化の一例について説明するための図である。 第１の実施形態に係る歩容計測装置の特徴量データ生成部が特徴量を抽出する歩行フェーズクラスターの一例について説明するための概念図である。 第１の実施形態に係る筋力指標推定システムが備える筋力指標推定装置の構成の一例を示すブロック図である。 第１の実施形態に係る筋力指標推定システムが備える歩容計測装置が男性の握力を推定するために抽出する特徴量の具体例に関する表である。 第１の実施形態に係る筋力指標推定システムが備える歩容計測装置が抽出した特徴量Ｍ１と、実測された男性の握力との相関関係を示すグラフである。 第１の実施形態に係る筋力指標推定システムが備える歩容計測装置が抽出した特徴量Ｍ２と、実測された男性の握力との相関関係を示すグラフである。 第１の実施形態に係る筋力指標推定システムが備える歩容計測装置が抽出した特徴量Ｍ３と、実測された男性の握力との相関関係を示すグラフである。 第１の実施形態に係る筋力指標推定システムが備える歩容計測装置が抽出した特徴量Ｍ４と、実測された男性の握力との相関関係を示すグラフである。 第１の実施形態に係る筋力指標推定システムが備える筋力指標推定装置による男性の握力（筋力指標）の推定例を示すブロック図である。 年齢と身長を説明変数とした学習によって生成された推定モデルを用いて推定された握力の推定値と、握力の計測値との相関関係を示すグラフである。 第１の実施形態に係る筋力指標推定システムが備える筋力指標推定装置によって推定された握力の推定値と、握力の計測値との相関関係を示すグラフである。 第１の実施形態に係る筋力指標推定システムが備える歩容計測装置が女性の握力を推定するために抽出する特徴量の具体例に関する表である。 第１の実施形態に係る筋力指標推定システムが備える歩容計測装置が抽出した特徴量Ｆ１と、実測された女性の握力との相関関係を示すグラフである。 第１の実施形態に係る筋力指標推定システムが備える歩容計測装置が抽出した特徴量Ｆ２と、実測された女性の握力との相関関係を示すグラフである。 第１の実施形態に係る筋力指標推定システムが備える歩容計測装置が抽出した特徴量Ｆ３と、実測された女性の握力との相関関係を示すグラフである。 第１の実施形態に係る筋力指標推定システムが備える筋力指標推定装置による女性の握力（筋力指標）の推定例を示すブロック図である。 年齢と身長を説明変数とした学習によって生成された推定モデルを用いて推定された握力の推定値と、握力の計測値との相関関係を示すグラフである。 第１の実施形態に係る筋力指標推定システムが備える筋力指標推定装置によって推定された握力の推定値と、握力の計測値との相関関係を示すグラフである。 第１の実施形態に係る筋力指標推定システムが備える筋力指標推定装置による膝伸展力（筋力指標）の推定例を示すブロック図である。 第１の実施形態に係る筋力指標推定システムが備える歩容計測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の実施形態に係る筋力指標推定システムが備える筋力指標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の実施形態に係る筋力指標推定システムの適用例について説明するための概念図である。 第１の実施形態に係る筋力指標推定システムの適用例について説明するための概念図である。 第２の実施形態に係る学習システムの構成の一例を示すブロック図である。 第２の実施形態に係る学習システムが備える学習装置の構成の一例を示すブロック図である。 第２の実施形態に係る学習システムが備える学習装置による学習の一例について説明するための概念図である。 第２の実施形態に係る学習システムが備える学習装置による学習の別の一例について説明するための概念図である。 第３の実施形態に係る筋力指標推定装置の構成の一例を示すブロック図である。 各実施形態の制御や処理を実行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。なお、以下の実施形態の説明に用いる全図においては、特に理由がない限り、同様箇所には同一符号を付す。また、以下の実施形態において、同様の構成・動作に関しては繰り返しの説明を省略する場合がある。
　（第１の実施形態）
　まず、第１の実施形態に係る筋力指標推定システムについて図面を参照しながら説明する。本実施形態の筋力指標推定システムは、ユーザの歩行に応じた足の動きに関するセンサデータを計測する。本実施形態の筋力指標推定システムは、計測されたセンサデータを用いて、そのユーザの筋力指標を推定する。本実施形態では、筋力指標として、握力および膝伸展力を推定する例を挙げる。なお、センサデータは、足の動きに関するセンサデータに限定されず、歩容に関する特徴を含めばよい。例えば、センサデータは、モーションキャプチャーやスマートアパレル等を用いて計測された、歩容に関する特徴を含むセンサデータであってもよい。
　（構成）
　図１は、本実施形態に係る筋力指標推定システム１の構成の一例を示すブロック図である。筋力指標推定システム１は、歩容計測装置１０と筋力指標推定装置１３を備える。本実施形態においては、歩容計測装置１０と筋力指標推定装置１３が別々のハードウェアに構成される例について説明する。例えば、歩容計測装置１０は、筋力指標の推定対象である被験者（ユーザ）の履物等に設置される。例えば、筋力指標推定装置１３の機能は、被験者（ユーザ）の携帯する携帯端末にインストールされる。以下においては、歩容計測装置１０および筋力指標推定装置１３の構成について、個別に説明する。
　〔歩容計測装置〕
　図２は、歩容計測装置１０の構成の一例を示すブロック図である。歩容計測装置１０は、センサ１１と特徴量データ生成部１２を有する。本実施形態においては、センサ１１と特徴量データ生成部１２が一体化された例を挙げる。センサ１１と特徴量データ生成部１２は、別々の装置として提供されてもよい。
　図２のように、センサ１１は、加速度センサ１１１と角速度センサ１１２を有する。図２には、加速度センサ１１１と角速度センサ１１２が、センサ１１に含まれる例を挙げる。センサ１１には、加速度センサ１１１および角速度センサ１１２以外のセンサが含まれてもよい。センサ１１に含まれうる加速度センサ１１１および角速度センサ１１２以外のセンサについては、説明を省略する。
　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、足の動きに関する物理量として、加速度（空間加速度とも呼ぶ）を計測する。加速度センサ１１１は、計測した加速度を特徴量データ生成部１２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。加速度センサ１１１として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軸周りの角速度（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、足の動きに関する物理量として、角速度（空間角速度とも呼ぶ）を計測する。角速度センサ１１２は、計測した角速度を特徴量データ生成部１２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。角速度センサ１１２として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。
　センサ１１は、例えば、加速度や角速度を計測する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）が挙げられる。ＩＭＵは、３軸方向の加速度を計測する加速度センサ１１１と、３軸周りの角速度を計測する角速度センサ１１２を含む。センサ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。また、センサ１１は、ＧＰＳ／ＩＮＳ（Global Positioning System／Inertial Navigation System）によって実現されてもよい。センサ１１は、足の動きに関する物理量を計測できれば、慣性計測装置以外の装置によって実現されてもよい。
　図３は、右足の靴１００の中に、歩容計測装置１０が配置される一例を示す概念図である。図３の例では、足弓の裏側に当たる位置に、歩容計測装置１０が設置される。例えば、歩容計測装置１０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、歩容計測装置１０は、靴１００の底面に配置されてもよい。例えば、歩容計測装置１０は、靴１００の本体に埋設されてもよい。歩容計測装置１０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。歩容計測装置１０は、足の動きに関するセンサデータを計測できさえすれば、足弓の裏側ではない位置に設置されてもよい。また、歩容計測装置１０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、歩容計測装置１０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３には、右足の靴１００に歩容計測装置１０が設置される例を示す。歩容計測装置１０は、両足の靴１００に設置されてもよい。
　図３の例では、歩容計測装置１０（センサ１１）を基準として、左右方向のｘ軸、前後方向のｙ軸、上下方向のｚ軸を含むローカル座標系が設定される。ｘ軸は左方を正とし、ｙ軸は後方を正とし、ｚ軸は上方を正とする。センサ１１に設定される軸の向きは、左右の足で同じでもよく、左右の足で異なっていてもよい。例えば、同じスペックで生産されたセンサ１１が左右の靴１００の中に配置される場合、左右の靴１００に配置されるセンサ１１の上下の向き（Ｚ軸方向の向き）は、同じ向きである。その場合、左足に由来するセンサデータに設定されるローカル座標系の３軸と、右足に由来するセンサデータに設定されるローカル座標系の３軸とは、左右で同じにある。
　図４は、足弓の裏側に設置された歩容計測装置１０（センサ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、進行方向に正対した状態のユーザが直立した状態で、ユーザの横方向がＸ軸方向（左向きが正）、ユーザの背面の方向がＹ軸方向（後ろ向きが正）、重力方向がＺ軸方向（鉛直上向きが正）に設定される。なお、図４の例は、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）の関係を概念的に示すものであり、ユーザの歩行に応じて変動するローカル座標系と世界座標系の関係を正確に示すものではない。
　図５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５のように、足の中心線を進行方向に向けて直立した状態では、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。
　図２のように、特徴量データ生成部１２（特徴量データ生成装置とも呼ぶ）は、取得部１２１、正規化部１２２、抽出部１２３、生成部１２５、および特徴量データ出力部１２７を有する。例えば、特徴量データ生成部１２は、歩容計測装置１０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によって実現される。例えば、特徴量データ生成部１２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。特徴量データ生成部１２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、特徴量データ生成部１２は、被験者（ユーザ）の携帯する携帯端末（図示しない）の側に実装されてもよい。
　取得部１２１は、加速度センサ１１１から、３軸方向の加速度を取得する。また、取得部１２１は、角速度センサ１１２から、３軸周りの角速度を取得する。例えば、取得部１２１は、取得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）する。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。取得部１２１は、変換後のデジタルデータ（センサデータとも呼ぶ）を正規化部１２２に出力する。取得部１２１は、図示しない記憶部に、センサデータを記憶させるように構成されてもよい。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。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、取得部１２１は、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てもよい。
　正規化部１２２は、取得部１２１からセンサデータを取得する。正規化部１２２は、センサデータに含まれる３軸方向の加速度および３軸周りの角速度の時系列データから、一歩行周期分の時系列データ（歩行波形データとも呼ぶ）を抽出する。正規化部１２２は、抽出された一歩行周期分の歩行波形データの時間を、０～１００％（パーセント）の歩行周期に正規化（第１正規化とも呼ぶ）する。０～１００％の歩行周期に含まれる１％や１０％などのタイミングを、歩行フェーズとも呼ぶ。また、正規化部１２２は、第１正規化された一歩行周期分の歩行波形データに関して、立脚相が６０％、遊脚相が４０％になるように正規化（第２正規化とも呼ぶ）する。立脚相は、足の裏側の少なくとも一部が地面に接している期間である。遊脚相は、足の裏側が地面から離れている期間である。歩行波形データを第２正規化すれば、特徴量が抽出される歩行フェーズのずれが、外乱の影響でぶれることを抑制できる。
　図６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。左足を基準とする一歩行周期も、右足と同様である。図６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である。図６の横軸は、一歩行周期を１００％として第１正規化されている。また、図６の横軸は、立脚相が６０％、遊脚相が４０％になるように第２正規化されている。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。立脚相は、さらに、荷重応答期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、図６は一例であって、一歩行周期を構成する期間や、それらの期間の名称等を限定するものではない。
　図６のように、歩行においては、複数の事象（歩行イベントとも呼ぶ）が発生する。Ｅ１は、右足の踵が接地する事象（踵接地）を表す（ＨＣ：Heel Contact）。Ｅ２は、右足の足裏が接地した状態で、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）。Ｅ３は、右足の足裏が接地した状態で、右足の踵が持ち上がる事象（踵持ち上がり）を表す（ＨＲ：Heel Rise）。Ｅ４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）。Ｅ５は、左足の足裏が接地した状態で、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）。Ｅ６は、左足の足裏が接地した状態で、左足と右足が交差する事象（足交差）を表す（ＦＡ：Foot Adjacent）。Ｅ７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）。Ｅ８は、右足の踵が接地する事象（踵接地）を表す（ＨＣ：Heel Contact）。Ｅ８は、Ｅ１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。なお、図６は一例であって、歩行において発生する事象や、それらの事象の名称を限定するものではない。
　図７は、進行方向加速度（Ｙ方向加速度）の時系列データ（実線）から、踵接地ＨＣや爪先離地ＴＯを検出する一例について説明するための図である。踵接地ＨＣのタイミングは、進行方向加速度（Ｙ方向加速度）の時系列データに表れる極大ピークの直後の極小ピークのタイミングである。踵接地ＨＣのタイミングの目印になる極大ピークは、一歩行周期分の歩行波形データの最大ピークに相当する。連続する踵接地ＨＣの間の区間が、一歩行周期である。爪先離地ＴＯのタイミングは、進行方向加速度（Ｙ方向加速度）の時系列データに変動が表れない立脚相の期間の後に表れる極大ピークの立ち上がりのタイミングである。図６には、ロール角（Ｘ軸周り角速度）の時系列データ（破線）も示す。ロール角が最小のタイミングと、ロール角が最大のタイミングとの中点のタイミングが、立脚中期に相当する。例えば、歩行速度や、歩幅、分回し、内旋／外旋、底屈／背屈などのパラメータ（歩容パラメータとも呼ぶ）は、立脚中期を基準として求めることができる。
　図８は、正規化部１２２によって正規化された歩行波形データの一例について説明するための図である。正規化部１２２は、進行方向加速度（Ｙ方向加速度）の時系列データから、踵接地ＨＣと爪先離地ＴＯを検出する。正規化部１２２は、連続する踵接地ＨＣの間の区間を、一歩行周期分の歩行波形データとして抽出する。正規化部１２２は、第１正規化によって、一歩行周期分の歩行波形データの横軸（時間軸）を、０～１００％の歩行周期に変換する。図７には、第１正規化後の歩行波形データを破線で示す。第１正規化後の歩行波形データ（破線）では、爪先離地ＴＯのタイミングが６０％からずれている。
　図８の例において、正規化部１２２は、歩行フェーズが０％の踵接地ＨＣから、その踵接地ＨＣに後続する爪先離地ＴＯまでの区間を０～６０％に正規化する。また、正規化部１２２は、爪先離地ＴＯから、爪先離地ＴＯに後続する歩行フェーズが１００％の踵接地ＨＣまでの区間を６０～１００％に正規化する。その結果、一歩行周期分の歩行波形データは、歩行周期が０～６０％の区間（立脚相）と、歩行周期が６０～１００％の区間（遊脚相）とに正規化される。図８には、第２正規化後の歩行波形データを実線で示す。第２正規化後の歩行波形データ（実線）では、爪先離地ＴＯのタイミングが６０％に一致する。
　図７～図８には、進行方向加速度（Ｙ方向加速度）に基づいて、一歩行周期分の歩行波形データを抽出／正規化する例を示した。進行方向加速度（Ｙ方向加速度）以外の加速度／角速度に関して、正規化部１２２は、進行方向加速度（Ｙ方向加速度）の歩行周期に合わせて、一歩行周期分の歩行波形データを抽出／正規化する。また、正規化部１２２は、３軸周りの角速度の時系列データを積分することで、３軸周りの角度の時系列データを生成してもよい。その場合、正規化部１２２は、３軸周りの角度に関しても、進行方向加速度（Ｙ方向加速度）の歩行周期に合わせて、一歩行周期分の歩行波形データを抽出／正規化する。
　正規化部１２２は、進行方向加速度（Ｙ方向加速度）以外の加速度／角速度に基づいて、一歩行周期分の歩行波形データを抽出／正規化してもよい（図面は省略）。例えば、正規化部１２２は、垂直方向加速度（Ｚ方向加速度）の時系列データから、踵接地ＨＣや爪先離地ＴＯを検出してもよい。踵接地ＨＣのタイミングは、垂直方向加速度（Ｚ方向加速度）の時系列データに表れる急峻な極小ピークのタイミングである。急峻な極小ピークのタイミングにおいては、垂直方向加速度（Ｚ方向加速度）の値がほぼ０になる。踵接地ＨＣのタイミングの目印になる極小ピークは、一歩行周期分の歩行波形データの最小ピークに相当する。連続する踵接地ＨＣの間の区間が、一歩行周期である。爪先離地ＴＯのタイミングは、垂直方向加速度（Ｚ方向加速度）の時系列データが、踵接地ＨＣの直後の極大ピークの後に変動の小さい区間を経た後に、なだらかに増大する途中の変曲点のタイミングである。また、正規化部１２２は、進行方向加速度（Ｙ方向加速度）および垂直方向加速度（Ｚ方向加速度）の両方に基づいて、一歩行周期分の歩行波形データを抽出／正規化してもよい。また、正規化部１２２は、進行方向加速度（Ｙ方向加速度）および垂直方向加速度（Ｚ方向加速度）以外の加速度や角速度、角度等に基づいて、一歩行周期分の歩行波形データを抽出／正規化してもよい。
　抽出部１２３は、正規化部１２２によって正規化された一歩行周期分の歩行波形データを取得する。抽出部１２３は、一歩行周期分の歩行波形データから、筋力指標の推定に用いられる特徴量を抽出する。抽出部１２３は、予め設定された条件に基づいて、時間的に連続する歩行フェーズを統合した歩行フェーズクラスターから、歩行フェーズクラスターごとの特徴量を抽出する。歩行フェーズクラスターは、少なくとも一つの歩行フェーズを含む。歩行フェーズクラスターには、単一の歩行フェーズも含まれる。筋力指標の推定に用いられる特徴量が抽出される歩行波形データや歩行フェーズについては、後述する。
　図９は、一歩行周期分の歩行波形データから、筋力指標を推定するための特徴量を抽出することについて説明するための概念図である。例えば、抽出部１２３は、時間的に連続する歩行フェーズｉ～ｉ＋ｍを、歩行フェーズクラスターＣとして抽出する（ｉ、ｍは自然数）。歩行フェーズクラスターＣは、ｍ個の歩行フェーズ（構成要素）を含む。すなわち、歩行フェーズクラスターＣを構成する歩行フェーズ（構成要素）の数（構成要素数とも呼ぶ）は、ｍである。図９には、歩行フェーズが整数値の例を挙げるが、歩行フェーズは小数点以下まで細分化されてもよい。歩行フェーズが小数点以下まで細分化される場合、歩行フェーズクラスターＣの構成要素数は、歩行フェーズクラスターの区間のデータ点数に応じた数になる。抽出部１２３は、歩行フェーズｉ～ｉ＋ｍの各々から特徴量を抽出する。歩行フェーズクラスターＣが単一の歩行フェーズｊによって構成される場合、抽出部１２３は、その単一の歩行フェーズｊから特徴量を抽出する（ｊは自然数）。
　生成部１２５は、歩行フェーズクラスターを構成する歩行フェーズの各々から抽出された特徴量（第１特徴量）に特徴量構成式を適用して、歩行フェーズクラスターの特徴量（第２特徴量）を生成する。特徴量構成式は、歩行フェーズクラスターの特徴量を生成するために、予め設定された計算式である。例えば、特徴量構成式は、四則演算に関する計算式である。例えば、特徴量構成式を用いて算出される第２特徴量は、歩行フェーズクラスターに含まれる各歩行フェーズにおける第１特徴量の積分平均値や算術平均値、傾斜、ばらつきなどである。例えば、生成部１２５は、歩行フェーズクラスターを構成する歩行フェーズの各々から抽出された第１特徴量の傾斜やばらつきを算出する計算式を、特徴量構成式として適用する。例えば、歩行フェーズクラスターが単独の歩行フェーズで構成される場合は、傾斜やばらつきを算出できないため、積分平均値や算術平均値などを計算する特徴量構成式を用いればよい。
　特徴量データ出力部１２７は、生成部１２５によって生成された歩行フェーズクラスターごとの特徴量データを出力する。特徴量データ出力部１２７は、生成された歩行フェーズクラスターの特徴量データを、その特徴量データを使用する筋力指標推定装置１３に出力する。
　〔筋力指標推定装置〕
　図１０は、筋力指標推定装置１３の構成の一例を示すブロック図である。筋力指標推定装置１３は、データ取得部１３１、記憶部１３２、推定部１３３、および出力部１３５を有する。
　データ取得部１３１は、歩容計測装置１０から特徴量データを取得する。データ取得部１３１は、受信された特徴量データを推定部１３３に出力する。データ取得部１３１は、ケーブルなどの有線を介して特徴量データを歩容計測装置１０から受信してもよいし、無線通信を介して特徴量データを歩容計測装置１０から受信してもよい。例えば、データ取得部１３１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、特徴量データを歩容計測装置１０から受信するように構成される。なお、データ取得部１３１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。
　記憶部１３２は、歩行波形データから抽出された特徴量データを用いて、筋力指標として握力を推定する推定モデルを記憶する。記憶部１３２は、複数の被験者の握力に関する特徴量データと、握力との関係を学習した推定モデルを記憶する。例えば、記憶部１３２は、複数の被験者に関して学習された、握力を推定する推定モデルを記憶する。握力の推定に用いられる特徴量データが抽出される歩行フェーズクラスターは、性別で異なる。そのため、記憶部１３２は、男性用推定モデルと女性用推定モデルを記憶してもよい。言い換えると、記憶部１３２は、属性に応じた推定モデルを記憶してもよい。
　また、記憶部１３２は、推定された握力を用いて、膝伸展力を筋力指標として推定する推定モデルを記憶する。非特許文献１には、握力と膝伸展力との間に相関関係があることが開示されている（非特許文献１：R. Bohannon, et al., “Grip and Knee Extension Muscle Strength Reflect a Common Construct among Adults”, Muscle Nerve, 2012 October, vol.46 (4), pp.555-558.）。例えば、記憶部１３２は、非特許文献１の図１に開示されたグラフの相関関係を用いて、握力に応じた膝伸展力を推定する。なお、記憶部１３２は、複数の被験者の膝伸展力に関する特徴量データと、膝伸展力との関係を学習した推定モデルを記憶してもよい。
　推定モデルは、製品の工場出荷時や、筋力指標推定システム１をユーザが使用する前のキャリブレーション時等のタイミングで、記憶部１３２に記憶させておけばよい。例えば、外部のサーバ等の記憶装置に保存された推定モデルを用いるように構成してもよい。その場合、その記憶装置と接続されたインターフェース（図示しない）を介して、推定モデルを用いるように構成すればよい。
　推定部１３３は、データ取得部１３１から特徴量データを取得する。推定部１３３は、取得された特徴量データを用いて、筋力指標の推定を実行する。推定部１３３は、記憶部１３２に記憶された推定モデルに特徴量データを入力する。推定部１３３は、推定モデルから出力される筋力指標に応じた推定結果を出力する。クラウドやサーバ等に構築された外部の記憶装置に保存された推定モデルを用いる場合、推定部１３３は、その記憶装置と接続されたインターフェース（図示しない）を介して、推定モデルを用いるように構成される。
　出力部１３５は、推定部１３３による筋力指標の推定結果を出力する。例えば、出力部１３５は、被験者（ユーザ）の携帯端末の画面に、筋力指標の推定結果を表示させる。例えば、出力部１３５は、推定結果を使用する外部システム等に対して、その推定結果を出力する。筋力指標推定装置１３から出力された筋力指標の使用に関しては、特に限定を加えない。
　例えば、筋力指標推定装置１３は、被験者（ユーザ）が携帯する携帯端末（図示しない）を介して、クラウドやサーバに構築された外部システム等に接続される。携帯端末（図示しない）は、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。例えば、筋力指標推定装置１３は、ケーブルなどの有線を介して、携帯端末に接続される。例えば、筋力指標推定装置１３は、無線通信を介して、携帯端末に接続される。例えば、筋力指標推定装置１３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、携帯端末に接続される。なお、筋力指標推定装置１３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。筋力指標の推定結果は、携帯端末にインストールされたアプリケーションによって使用されてもよい。その場合、携帯端末は、その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、推定結果を用いた処理を実行する。
　〔男性の握力推定〕
　次に、男性の握力と特徴量データとの相関関係について、検証例を交えて説明する。図１１は、男性の握力の推定に用いられる特徴量をまとめた対応表である。図１１の対応表は、特徴量の番号、特徴量が抽出される歩行波形データ、歩行フェーズクラスターが抽出される歩行フェーズ（％）、および関連筋肉を対応付ける。男性の場合、大腿四頭筋の活動と握力との間に相関がある。そのため、男性の握力の推定には、大腿四頭筋の活動の特徴が表れる歩行フェーズから抽出される特徴量Ｍ１～Ｍ４が用いられる。
　図１２～図１５は、男性の握力と特徴量データとの相関関係の検証結果である。男性の握力に関しては、６０～８５歳の年齢層の２７名の男性被験者に対して、歩容計測装置１０が搭載された履物を履いた歩行に応じて抽出された特徴量を用いて推定された推定値と、握力計を用いた握力の計測値（真値）との相関関係を検証した。
　特徴量Ｍ１は、進行方向加速度（Ｙ方向加速度）の時系列データに関する歩行波形データＡｙの歩行フェーズ３％の区間から抽出される。歩行フェーズ３％は、荷重応答期Ｔ１に含まれる。特徴量Ｍ１には、主に、大腿四頭筋のうち外側広筋、中間広筋、および内側広筋の動きに関する特徴が含まれる。図１２は、特徴量Ｍ１と男性の握力との相関関係の検証結果である。図１２のグラフの横軸は、正規化された加速度である。特徴量Ｍ１と男性の握力との相関係数Ｒは、０．５２４であった。
　特徴量Ｍ２は、進行方向加速度（Ｙ方向加速度）の時系列データに関する歩行波形データＡｙの歩行フェーズ５９～６２％の区間から抽出される。歩行フェーズ５９～６２％は、遊脚前期Ｔ４に含まれる。特徴量Ｍ２には、主に、大腿四頭筋のうち大腿直筋の動きに関する特徴が含まれる。図１３は、特徴量Ｍ２と男性の握力との相関関係の検証結果である。図１３のグラフの横軸は、正規化された加速度である。特徴量Ｍ２と男性の握力との相関係数Ｒは、－０．４９８であった。
　特徴量Ｍ３は、垂直方向加速度（Ｚ方向加速度）の時系列データに関する歩行波形データＡｚの歩行フェーズ５９～６２％の区間から抽出される。歩行フェーズ５９～６２％は、遊脚前期Ｔ４に含まれる。特徴量Ｍ３には、主に、大腿四頭筋のうち大腿直筋の動きに関する特徴が含まれる。図１４は、特徴量Ｍ３と男性の握力との相関関係の検証結果である。図１４のグラフの横軸は、正規化された加速度である。特徴量Ｍ３と男性の握力との相関係数Ｒは、－０．５４９であった。
　特徴量Ｍ４は、両足が地面に同時に接地している期間のうち、踵接地から反対足爪先離地までの期間の割合（ＤＳＴ１）である（ＤＳＴ：Double Support Time）。ＤＳＴ１は、一歩行周期における、踵接地から反対足爪先離地までの期間の割合である。特徴量Ｍ４には、主に、大腿四頭筋に起因する特徴が含まれる。図１５は、特徴量Ｍ４と男性の握力との相関関係の検証結果である。図１５のグラフの横軸は、正規化された時間である。特徴量Ｍ４と男性の握力との相関係数Ｒは、－０．３５３であった。
　図１６は、筋力指標として男性の握力を推定するために予め構築された推定モデル１５１に、ユーザの歩行に伴って計測されたセンサデータから抽出される特徴量Ｍ１～Ｍ４を入力して、握力の推定値が出力される一例を示す概念図である。推定モデル１５１（男性用推定モデルとも呼ぶ）は、特徴量Ｍ１～Ｍ４の入力に応じて、筋力指標である握力を出力する。例えば、推定モデル１５１は、男性の握力の推定に用いられる特徴量Ｍ１～Ｍ４を説明変数とし、男性の握力を目的変数とする教師データを用いた学習で生成される。男性の握力を推定するための特徴量データの入力に応じて、筋力指標である握力に関する推定結果が出力されれば、推定モデル１５１の推定結果には限定を加えない。例えば、推定モデル１５１は、男性の握力の推定に用いられる特徴量Ｍ１～Ｍ４に加えて、年齢や身長などの属性を説明変数として、男性の握力を推定するモデルであってもよい。
　例えば、記憶部１３２には、重回帰予測法を用いて、男性の握力を推定する推定モデルが記憶される。例えば、記憶部１３２には、以下の式１を用いて、男性の握力ＧＭを推定するためのパラメータが記憶される。
ＧＭ＝ａ１×Ｍ１＋ａ２×Ｍ２＋ａ３×Ｍ３＋ａ４×Ｍ４＋ａ０・・・（１）
上記の式１において、Ｍ１、Ｍ２、Ｍ３、Ｍ４は、図１１の対応表に示した男性の握力の推定に用いられる歩行フェーズクラスターごとの特徴量である。ａ１、ａ２、ａ３、ａ４は、Ｍ１、Ｍ２、Ｍ３、Ｍ４に掛け合わされる係数である。ａ０は、定数項である。例えば、記憶部１３２には、ａ０、ａ１、ａ２、ａ３、ａ４を記憶させておく。
　次に、上述した２７名の男性被験者の計測データを用いて生成された推定モデル１５１を評価した結果を示す。ここでは、男性被験者の属性を用いて筋力指標（握力）を推定した検証例（図１７）と、男性被験者の歩容の特徴量を用いて筋力指標（握力）を推定した検証例（図１８）とを比較する。図１７および図１８には、２６人の計測データを用いて生成された推定モデルを、ＬＯＳＯ（Leave-One-Subject-Out）の方法によって、残りの１人の計測データを用いてテストした結果を示す。図１７および図１８には、全員（２７人）の被験者に対してＬＯＳＯを行い、テストによる予測値と計測値（真値）とを対応させた結果を示す。ＬＯＳＯのテスト結果は、級内相関係数ＩＣＣ（Intraclass Correlation Coefficients）、平均絶対誤差ＭＡＥ（Mean Absolute Error）、決定係数Ｒ2の値で評価した。級内相関係数ＩＣＣには、検者間信頼性を評価するために、級内相関係数ＩＣＣ（２、１）を用いた。
　図１７は、年齢、身長、および体重を説明変数とし、男性の握力を目的変数とした教師データを学習させた比較例の推定モデルの検証結果である。比較例の推定モデルでは、級内相関係数ＩＣＣ（２、１）が０．５４、平均絶対誤差ＭＡＥが４．２８、決定係数Ｒ2が０．３２であった。
　図１８は、特徴量Ｍ１～Ｍ４、年齢、および身長を説明変数とし、男性の握力を目的変数とした教師データを学習させた本実施形態の推定モデル１５１の検証結果である。本実施形態の推定モデル１５１は、級内相関係数ＩＣＣ（２、１）が０．８３、平均絶対誤差ＭＡＥが２．６２、決定係数Ｒ2が０．６８であった。すなわち、本実施形態の推定モデル１５１は、比較例の推定モデルと比較して、信頼性が高く、誤差が小さく、説明変数によって目的変数が十分に説明されている。すなわち、本実施形態の手法によれば、属性のみを用いた推定モデルと比較して、信頼性が高く、誤差が小さく、説明変数によって目的変数が十分に説明された推定モデル１５１を生成できる。
　〔女性の握力推定〕
　次に、女性の握力と特徴量データとの相関関係について、検証例を交えて説明する。図１９は、女性の握力の推定に用いられる特徴量をまとめた対応表である。図１９の対応表は、特徴量の番号、特徴量が抽出される歩行波形データ、歩行フェーズクラスターが抽出される歩行フェーズ（％）、および関連筋肉を対応付ける。女性の場合、大腿四頭筋の外側広筋、中間広筋、および内側広筋の活動と握力との間に相関がある。そのため、女性の握力の推定には、外側広筋、中間広筋、および内側広筋の活動の特徴が表れる歩行フェーズから抽出される特徴量Ｆ１～Ｆ３が用いられる。
　図２０～図２２は、女性の握力と特徴量データとの相関関係の検証結果である。女性の握力に関しては、６０～８５歳の年齢層の３５名の女性被験者に対して、歩容計測装置１０が搭載された履物を履いた歩行に応じて抽出された特徴量を用いて推定された推定値と、握力計を用いた握力の計測値（真値）との相関関係を検証した。
　特徴量Ｆ１は、横方向加速度（Ｘ方向加速度）の時系列データに関する歩行波形データＡｘの歩行フェーズ１３％の区間から抽出される。歩行フェーズ１３％は、立脚中期Ｔ２に含まれる。特徴量Ｆ１には、主に、大腿四頭筋のうち外側広筋、中間広筋、および内側広筋の動きに関する特徴が含まれる。図２０は、特徴量Ｆ１と女性の握力との相関関係の検証結果である。図２０のグラフの横軸は、正規化された加速度である。特徴量Ｆ１と女性の握力との相関係数Ｒは、０．６７７であった。
　特徴量Ｆ２は、冠状面内（Ｙ軸周り）の角速度（ピッチ角速度）の時系列データに関する歩行波形データＧｙの歩行フェーズ７～１０％の区間から抽出される。歩行フェーズ７～１０％は、荷重応答期Ｔ１に含まれる。特徴量Ｆ２には、主に、外側広筋、中間広筋、および内側広筋の動きに関する特徴が含まれる。図２１は、特徴量Ｆ２と女性の握力との相関関係の検証結果である。図２１のグラフの横軸は、冠状面内における足底の角度である。特徴量Ｆ２と女性の握力との相関係数Ｒは、－０．４６５であった。
　特徴量Ｆ３は、両足が地面に同時に接地している期間のうち、反対足踵接地から爪先離地までの期間の割合（ＤＳＴ２）である（ＤＳＴ：Double Support Time）。ＤＳＴ２は、一歩行周期における、反対足踵接地から爪先離地までの期間の割合である。ＤＳＴ１とＤＳＴ２の和が、一歩行周期において、両足が地面に同時に接地している期間に相当する。特徴量Ｆ３には、主に、外側広筋、中間広筋、および内側広筋の動きに関する特徴が含まれる。図２２は、特徴量Ｆ３と女性の握力との相関関係の検証結果である。図２２のグラフの横軸は、正規化された時間である。特徴量Ｆ３と女性の握力との相関係数Ｒは、０．２９６であった。
　図２３は、筋力指標として女性の握力を推定するために予め構築された推定モデル１５２に、ユーザの歩行に伴って計測されたセンサデータから抽出される特徴量データを入力して、握力の推定値が出力される一例を示す概念図である。推定モデル１５２（女性用推定モデルとも呼ぶ）は、特徴量データの入力に応じて、筋力指標である握力を出力する。例えば、推定モデル１５２は、女性の握力の推定に用いられる特徴量データを説明変数とし、女性の握力を目的変数とする教師データを用いた学習で生成される。女性の握力を推定するための特徴量データの入力に応じて、筋力指標である握力に関する推定結果が出力されれば、推定モデル１５２の推定結果には限定を加えない。例えば、推定モデル１５２は、女性の握力の推定に用いられる特徴量データに加えて、年齢や身長などの属性を説明変数として、女性の握力を推定するモデルであってもよい。
　例えば、記憶部１３２には、重回帰予測法を用いて、女性の握力を推定する推定モデルが記憶される。例えば、記憶部１３２には、以下の式２を用いて、女性の握力ＧＦを推定するためのパラメータが記憶される。
ＧＦ＝ｂ１×Ｆ１＋ｂ２×Ｆ２＋ｂ３×Ｆ３＋ｂ０・・・（２）
上記の式１において、Ｆ１、Ｆ２、Ｆ３は、図１９の対応表に示した女性の握力の推定に用いられる歩行フェーズクラスターごとの特徴量である。ｂ１、ｂ２、ｂ３は、Ｆ１、Ｆ２、Ｆ３に掛け合わされる係数である。ｂ０は、定数項である。例えば、記憶部１３２には、ｂ０、ｂ１、ｂ２、ｂ３を記憶させておく。
　次に、上述した３５名の女性被験者の計測データを用いて生成された推定モデル１５２を評価した結果を示す。ここでは、女性被験者の属性を用いて筋力指標（握力）を推定した検証例（図２４）と、女性被験者の歩容の特徴量を用いて筋力指標（握力）を推定した検証例（図２５）とを比較する。図２４および図２５には、３４人の計測データを用いて生成された推定モデルを、ＬＯＳＯ（Leave-One-Subject-Out）の方法によって、残りの１人の計測データを用いてテストした結果を示す。図２４および図２５には、全員（３５人）の被験者に対してＬＯＳＯを行い、テストによる予測値と計測値（真値）とを対応させた。ＬＯＳＯのテスト結果は、級内相関係数ＩＣＣ（Intraclass Correlation Coefficients）、平均絶対誤差ＭＡＥ（Mean Absolute Error）、決定係数Ｒ2の値で評価した。級内相関係数ＩＣＣには、検者間信頼性を評価するために、級内相関係数ＩＣＣ（２、１）を用いた。
　図２４は、年齢、身長、および体重を説明変数とし、女性の握力を目的変数とした教師データを学習させた比較例の推定モデルの検証結果である。比較例の推定モデルでは、級内相関係数ＩＣＣ（２、１）が０．５９、平均絶対誤差ＭＡＥが３．８９、決定係数Ｒ2が０．３８であった。
　図２５は、特徴量Ｆ１～Ｆ３、年齢、および身長を説明変数とし、女性の握力を目的変数とした教師データを学習させた本実施形態の推定モデル１５２の検証結果である。本実施形態の推定モデル１５１は、級内相関係数ＩＣＣ（２、１）が０．８２、平均絶対誤差ＭＡＥが２．７９、決定係数Ｒ2が０．６８であった。すなわち、本実施形態の推定モデル１５２は、比較例の推定モデルと比較して、信頼性が高く、誤差が小さく、説明変数によって目的変数が十分に説明されている。すなわち、本実施形態の手法によれば、属性のみを用いた推定モデルと比較して、信頼性が高く、誤差が小さく、説明変数によって目的変数が十分に説明された推定モデル１５２を生成できる。
　図２６は、男性用の推定モデル１５１または女性用の推定モデル１５２を用いて推定された握力の入力に応じて、筋力指標として膝伸展力を出力する推定モデル１５５である。例えば、推定モデル１５５（膝伸展力推定モデルとも呼ぶ）は、非特許文献１の図１に開示されたグラフの相関関係に基づいて、握力に応じた膝伸展力を推定するモデルである。推定モデル１５５を用いれば、男性用の推定モデル１５１または女性用の推定モデル１５２を用いて推定された握力を用いて、筋力指標として膝伸展力を推定できる。なお、推定モデル１５５は、男性用の推定モデル１５１または女性用の推定モデル１５２の特徴量データを説明変数とし、膝伸展力を目的変数とする教師データを学習させたモデルであってもよい。
　（動作）
　次に、筋力指標推定システム１の動作について図面を参照しながら説明する。ここでは、筋力指標推定システム１に含まれる歩容計測装置１０および筋力指標推定装置１３について、個別に説明する。歩容計測装置１０に関しては、歩容計測装置１０に含まれる特徴量データ生成部１２の動作について説明する。
　〔歩容計測装置〕
　図２７は、歩容計測装置１０に含まれる特徴量データ生成部１２の動作について説明するためのフローチャートである。図２７のフローチャートに沿った説明においては、特徴量データ生成部１２を動作主体として説明する。
　図２７において、まず、特徴量データ生成部１２は、歩容に関するセンサデータの時系列データを取得する（ステップＳ１０１）。
　次に、特徴量データ生成部１２は、センサデータの時系列データから一歩行周期分の歩行波形データを抽出する（ステップＳ１０２）。特徴量データ生成部１２は、センサデータの時系列データから踵接地および爪先離地を検出する。特徴量データ生成部１２は、連続する踵接地間の区間の時系列データを、一歩行周期分の歩行波形データとして抽出する。
　次に、特徴量データ生成部１２は、抽出された一歩行周期分の歩行波形データを正規化する（ステップＳ１０３）。特徴量データ生成部１２は、一歩行周期分の歩行波形データを０～１００％の歩行周期に正規化する（第１正規化）。さらに、特徴量データ生成部１２は、第１正規化された一歩行周期分の歩行波形データの立脚相と遊脚相の比を６０：４０に正規化する（第２正規化）。
　次に、特徴量データ生成部１２は、正規化された歩行波形に関して、筋力指標の推定に用いられる歩行フェーズから特徴量を抽出する（ステップＳ１０４）。例えば、特徴量データ生成部１２は、性別ごとに構築された推定モデルに入力される特徴量を抽出する。
　次に、特徴量データ生成部１２は、抽出された特徴量を用いて、歩行フェーズクラスターごとの特徴量を生成する（ステップＳ１０５）。
　次に、特徴量データ生成部１２は、歩行フェーズクラスターごとの特徴量を統合して、一歩行周期分の特徴量データを生成する（ステップＳ１０６）。
　次に、特徴量データ生成部１２は、生成された特徴量データを筋力指標推定装置１３に出力する（ステップＳ１０７）。
　〔筋力指標推定装置〕
　図２８は、筋力指標推定装置１３の動作について説明するためのフローチャートである。図２８のフローチャートに沿った説明においては、筋力指標推定装置１３を動作主体として説明する。
　図２８において、まず、筋力指標推定装置１３は、歩容に関するセンサデータを用いて生成された特徴量データを取得する（ステップＳ１３１）。
　次に、筋力指標推定装置１３は、取得した特徴量データを、筋力指標を推定する推定モデルに入力する（ステップＳ１３２）。
　次に、筋力指標推定装置１３は、推定モデルからの出力（推定値）に応じて、ユーザの筋力指標を推定する（ステップＳ１３３）。例えば、筋力指標推定装置１３は、ユーザの握力を筋力指標として推定する。例えば、筋力指標推定装置１３は、ユーザの膝伸展力を筋力指標として推定する。例えば、筋力指標推定装置１３は、推定された握力に応じて、ユーザの全身総合筋力を推定する。
　次に、筋力指標推定装置１３は、推定された筋力指標に関する情報を出力する（ステップＳ１３４）。例えば、筋力指標は、ユーザの携帯する端末装置（図示しない）に出力される。例えば、筋力指標は、筋力指標を用いた処理を実行するシステムに出力される。
　（適用例）
　次に、本実施形態に係る適用例について図面を参照しながら説明する。以下の適用例において、靴に配置された歩容計測装置１０によって計測された特徴量データを用いて、ユーザが携帯する携帯端末にインストールされた筋力指標推定装置１３の機能が、筋力指標を推定する例を示す。
　図２９～図３０は、歩容計測装置１０が配置された靴１００を履いて歩行するユーザの携帯する携帯端末１６０の画面に、筋力指標推定装置１３による推定結果を表示させる一例を示す概念図である。図２９～図３０は、ユーザの歩行中に計測されたセンサデータに応じた特徴量データを用いた筋力指標の推定結果に応じた情報を、携帯端末１６０の画面に表示させる例である。
　図２９は、筋力指標である握力の推定値に応じた情報が、携帯端末１６０の画面に表示される例である。図２９の例では、全身総合筋力の推定結果として、予め設定された基準で数値化されたスコアが、携帯端末１６０の表示部に表示させる。また、図２９の例では、筋力指標である握力の推定値に応じて、「全身総合筋力が低下しています。」という全身総合筋力の推定結果に関する情報が、携帯端末１６０の表示部に表示される。また、図２９の例では、筋力指標である握力の推定値に応じて、「トレーニングＡを推奨します。下記の動画をご覧ください。」という全身総合筋力の推定結果に応じた推薦情報が、携帯端末１６０の表示部に表示される。携帯端末１６０の表示部に表示された情報を確認したユーザは、推薦情報に応じて、トレーニングＡの動画を参照して運動することによって、全身総合筋力の増大につながるトレーニングを実践できる。
　図３０は、筋力指標である膝伸展力の推定値に応じた情報が、携帯端末１６０の画面に表示される例である。図３０の例では、筋力指標である膝伸展力の推定値に応じて、「膝伸展力が低下しています。」という膝伸展力の推定結果に関する情報が、携帯端末１６０の表示部に表示される。例えば、膝伸展力の推定結果として、予め設定された基準で数値化されたスコアを携帯端末１６０の表示部に表示させてもよい。また、図３０の例では、筋力指標である膝伸展力の推定値に応じて、「トレーニングＢを推奨します。下記の動画をご覧ください。」という膝伸展力の推定結果に応じた推薦情報が、携帯端末１６０の表示部に表示される。携帯端末１６０の表示部に表示された情報を確認したユーザは、推薦情報に応じて、トレーニングＢの動画を参照して運動することによって、膝伸展力の増大につながるトレーニングを実践できる。
　以上のように、本実施形態の筋力指標推定システムは、歩容計測装置および筋力指標推定装置を備える。歩容計測装置は、センサと特徴量データ生成部を備える。センサは、加速度センサと角速度センサを有する。センサは、加速度センサを用いて、空間加速度を計測する。センサは、角速度センサを用いて、空間角速度を計測する。センサは、計測した空間加速度および空間角速度を用いて、足の動きに関するセンサデータを生成する。センサは、生成したセンサデータを特徴量データ生成部に出力する。特徴量データ生成部は、足の動きに関するセンサデータの時系列データを取得する。特徴量データ生成部は、センサデータの時系列データから一歩行周期分の歩行波形データを抽出する。特徴量データ生成部は、抽出された歩行波形データを正規化する。特徴量データ生成部は、正規化された歩行波形データから、推定対象の筋力指標に関する特徴量を、時間的に連続する少なくとも一つの歩行フェーズによって構成される歩行フェーズクラスターから抽出する。特徴量データ生成部は、抽出された特徴量を含む特徴量データを生成する。特徴量データ生成部は、生成された特徴量データを出力する。
　筋力指標推定装置は、データ取得部、記憶部、推定部、および出力部を備える。データ取得部は、ユーザの歩容の特徴から抽出された、ユーザの筋力指標の推定に用いられる特徴量を含む特徴量データを取得する。記憶部は、特徴量データの入力に応じた筋力指標を出力する推定モデルを記憶する。推定部は、取得された特徴量データを推定モデルに入力して、ユーザの筋力指標を推定する。出力部は、推定された筋力指標に関する情報を出力する。
　本実施形態の筋力指標推定システムは、ユーザの歩容の特徴から抽出された特徴量を用いて、ユーザの筋力指標を推定する。そのため、本実施形態の筋力指標推定システムによれば、筋力を計測するための器具を用いずに、日常生活において筋力指標を適宜推定できる。
　本実施形態の一態様において、データ取得部は、足の動きに関するセンサデータの時系列データを用いて生成された歩行波形データから抽出された、筋力指標として握力を推定するために用いられる特徴量を含む特徴量データを取得する。本態様によれば、足の動きに関するセンサデータを用いることで、筋力を計測するための器具を用いずに、日常生活において筋力指標を適宜推定できる。
　本実施形態の一態様において、記憶部は、複数の被験者に関する教師データを用いた学習によって生成された推定モデルを記憶する。推定モデルは、歩行波形データから抽出される握力に関する筋力指標の推定に用いられる特徴量を説明変数とし、被験者の握力に関する筋力指標を目的変数とする教師データを用いた学習によって生成される。推定部は、ユーザに関して取得された特徴量データを推定モデルに入力して、ユーザの握力に関する筋力指標を推定する。本態様によれば、握力を計測するための器具を用いずに、日常生活において握力に関する筋力指標を適宜推定できる。
　本実施形態の一態様において、記憶部は、被験者の年齢および身長を含めた説明変数を用いて学習された推定モデルを記憶する。推定部は、ユーザに関する特徴量データ、年齢、および身長を推定モデルに入力して、ユーザの握力に関する筋力指標を推定する。本態様では、筋力指標に影響を与える年齢および身長を含めて、筋力指標を推定する。そのため、本態様によれば、筋力指標をより高精度に計測できる。
　本実施形態の一態様において、記憶部は、複数の男性被験者に関する教師データを用いた学習によって生成された男性用推定モデルを記憶する。男性用推定モデルは、歩行波形データの荷重応答期および遊脚前期から抽出される大腿四頭筋の活動に関する特徴量を説明変数とし、男性被験者の握力に関する筋力指標を目的変数とする教師データを用いた学習によって生成されたモデルである。推定部は、男性ユーザの歩行に応じて取得された特徴量データを男性用推定モデルに入力して、男性ユーザの筋力指標を推定する。本態様によれば、男性用にカスタマイズされた男性用推定モデルを用いることによって、男性ユーザの筋力指標をより高精度に推定できる。
　本実施形態の一態様において、記憶部は、複数の男性被験者に関して、歩行波形データから抽出された複数の特徴量を説明変数とし、男性被験者の握力に関する筋力指標を目的変数とする教師データを用いた学習によって生成された男性用推定モデルを記憶する。進行方向加速度の歩行波形データの荷重応答期から抽出された特徴量と、進行方向加速度および垂直方向加速度の歩行波形データの遊脚前期から抽出された特徴量とが、説明変数として用いられる。また、一歩行周期における踵接地から反対足爪先離地までの期間の割合に関する特徴量が、説明変数として用いられる。データ取得部は、男性ユーザの歩行に応じて抽出された特徴量を含む特徴量データを取得する。データ取得部は、進行方向加速度の歩行波形データの荷重応答期の特徴量と、進行方向加速度および垂直方向加速度の歩行波形データの遊脚前期の特徴量と、一歩行周期における踵接地から反対足爪先離地までの期間の割合に関する特徴量とを取得する。推定部は、取得された特徴量データを男性用推定モデルに入力して、男性ユーザの筋力指標を推定する。本態様によれば、男性用にカスタマイズされた男性用推定モデルを用いることによって、男性ユーザの筋力指標をより高精度に推定できる。
　本実施形態の一態様において、記憶部は、複数の女性被験者に関する教師データを用いた学習によって生成された女性用推定モデルを記憶する。女性用推定モデルは、歩行波形データの荷重応答期から抽出される大腿四頭筋の活動に関する特徴量を説明変数とし、女性被験者の握力に関する筋力指標を目的変数とする教師データを用いた学習によって生成されたモデルである。推定部は、女性ユーザの歩行に応じて取得された特徴量データを女性用推定モデルに入力して、女性ユーザの筋力指標を推定する。本態様によれば、女性用にカスタマイズされた女性用推定モデルを用いることによって、女性ユーザの筋力指標をより高精度に推定できる。
　本実施形態の一態様において、記憶部は、複数の女性被験者に関して、歩行波形データから抽出された複数の特徴量を説明変数とし、女性被験者の握力に関する筋力指標を目的変数とする教師データを用いた学習によって生成された女性用推定モデルを記憶する。横方向加速度の歩行波形データの荷重応答期から抽出された特徴量と、冠状面内における角速度の歩行波形データから抽出された特徴量とが、説明変数として用いられる。また、一歩行周期における反対足踵接地から爪先離地までの期間の割合に関する特徴量が、説明変数として用いられる。データ取得部は、女性ユーザの歩行に応じて抽出された特徴量を含む特徴量データを取得する。データ取得部は、横方向加速度の歩行波形データの荷重応答期の特徴量と、冠状面内における角速度の歩行波形データの特徴量と、一歩行周期における反対足踵接地から爪先離地までの期間の割合に関する特徴量とを含む特徴量データを取得する。推定部は、取得された特徴量データを女性用推定モデルに入力して、女性ユーザの筋力指標を推定する。本態様によれば、女性用にカスタマイズされた女性用推定モデルを用いることによって、女性ユーザの筋力指標をより高精度に推定できる。
　本実施形態の一態様において、推定部は、ユーザに関して推定された握力に応じて、全身総合筋力のスコアを推定する。出力部は、推定された全身総合筋力のスコアを出力する。本態様によれば、筋力を計測するための器具を用いずに、歩容の特徴に応じて推定された筋力指標に応じた全身総合筋力のスコアを推定できる。
　本実施形態の一態様において、記憶部は、握力の入力に応じて膝伸展力を出力する膝伸展力推定モデルを記憶する、推定部は、ユーザに関して推定された握力を膝伸展力推定モデルに入力して、ユーザの膝伸展力を筋力指標として推定する。本態様によれば、筋力を計測するための器具を用いずに、歩容の特徴に応じて推定された握力に応じて、膝伸展力を推定できる。
　本実施形態の一態様において、記憶部は、複数の被験者に関する教師データを用いた学習によって生成された膝伸展力推定モデルを記憶する。膝伸展力推定モデルは、歩行波形データから抽出される膝伸展力に関する筋力指標の推定に用いられる特徴量を説明変数とし、被験者の膝伸展力に関する筋力指標を目的変数とする教師データを用いた学習によって生成されたモデルである。推定部は、取得された特徴量データを膝伸展力推定モデルに入力して、ユーザの膝伸展力に関する筋力指標を推定する。本態様によれば、筋力を計測するための器具を用いずに、歩容の特徴に応じて膝伸展力を推定できる。
　本実施形態の一態様において、筋力指標推定装置は、ユーザによって視認可能な画面を有する端末装置に実装される。例えば、筋力指標推定装置は、ユーザの足の動きに応じて推定された筋力指標に関する情報を、端末装置の画面に表示させる。例えば、筋力指標推定装置は、ユーザの足の動きに応じて推定された筋力指標に応じた推薦情報を、端末装置の画面に表示させる。例えば、筋力指標推定装置は、ユーザの足の動きに応じて推定された筋力指標に応じた推薦情報として、筋力指標に関する身体部位を鍛えるためのトレーニングに関する動画を端末装置の画面に表示させる。本態様によれば、ユーザの歩容の特徴に応じて推定された筋力指標を、ユーザによって視認可能な画面に表示させることによって、ユーザが自身の筋力状態に応じた情報を確認できる。
　（第２の実施形態）
　次に、第２の実施形態に係る学習システムについて図面を参照しながら説明する。本実施形態の学習システムは、歩容計測装置によって計測されたセンサデータから抽出された特徴量データを用いた学習によって、特徴量の入力に応じて筋力指標を推定するための推定モデルを生成する。
　（構成）
　図３１は、本実施形態に係る学習システム２の構成の一例を示すブロック図である。学習システム２は、歩容計測装置２０および学習装置２５を備える。歩容計測装置２０と学習装置２５は、有線で接続されてもよいし、無線で接続されてもよい。歩容計測装置２０と学習装置２５は、単一の装置で構成されてもよい。また、学習システム２の構成から歩容計測装置２０を除き、学習装置２５だけで学習システム２が構成されてもよい。図３１には歩容計測装置２０を一つしか図示していないが、左右両足に歩容計測装置２０が一つずつ（計二つ）配置されてもよい。また、学習装置２５は、歩容計測装置２０に接続されず、予め歩容計測装置２０によって生成されてデータベースに格納されていた特徴量データを用いて、学習を実行するように構成されてもよい。
　歩容計測装置２０は、左右の足のうち少なくとも一方に設置される。歩容計測装置２０は、第１の実施形態の歩容計測装置１０と同様の構成である。歩容計測装置２０は、加速度センサおよび角速度センサを含む。歩容計測装置２０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。歩容計測装置２０は、センサデータの時系列データから、正規化された一歩行周期分の歩行波形データを生成する。歩容計測装置２０は、筋力指標の推定に用いられる特徴量データを生成する。歩容計測装置２０は、生成された特徴量データを学習装置２５に送信する。なお、歩容計測装置２０は、学習装置２５によってアクセスされるデータベース（図示しない）に、特徴量データを送信するように構成されてもよい。データベースに蓄積された特徴量データは、学習装置２５の学習に用いられる。
　学習装置２５は、歩容計測装置２０から特徴量データを受信する。データベース（図示しない）に蓄積された特徴量データを用いる場合、学習装置２５は、データベースから特徴量データを受信する。学習装置２５は、受信された特徴量データを用いた学習を実行する。例えば、学習装置２５は、複数の被験者歩行波形データから抽出された特徴量データを説明変数とし、その特徴量データに応じた筋力指標に関する値を目的変数とする教師データを学習する。学習装置２５が実行する学習のアルゴリズムには、特に限定を加えない。学習装置２５は、複数の被験者に関する教師データを用いて学習された推定モデルを生成する。学習装置２５は、生成された推定モデルを記憶する。学習装置２５によって学習された推定モデルは、学習装置２５の外部の記憶装置に格納されてもよい。
　〔学習装置〕
　次に、学習装置２５の詳細について図面を参照しながら説明する。図３２は、学習装置２５の詳細構成の一例を示すブロック図である。学習装置２５は、受信部２５１、学習部２５３、および記憶部２５５を有する。
　受信部２５１は、歩容計測装置２０から特徴量データを受信する。受信部２５１は、受信された特徴量データを学習部２５３に出力する。受信部２５１は、ケーブルなどの有線を介して特徴量データを歩容計測装置２０から受信してもよいし、無線通信を介して特徴量データを歩容計測装置２０から受信してもよい。例えば、受信部２５１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、特徴量データを歩容計測装置２０から受信するように構成される。なお、受信部２５１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。
　学習部２５３は、受信部２５１から特徴量データを取得する。学習部２５３は、取得された特徴量データを用いて学習を実行する。例えば、学習部２５３は、被験者の歩容に関して抽出された特徴量データを説明変数とし、その被験者の握力を目的変数とするデータセットを教師データとして学習する。例えば、学習部２５３は、複数のユーザに関して学習された、特徴量データの入力に応じて握力を推定する推定モデルを生成する。例えば、学習部２５３は、複数の被験者に関して学習された、握力の入力に応じて膝伸展力を推定する推定モデルを生成する。例えば、学習部２５３は、複数の被験者に関して学習された、特徴量データの入力に応じて膝伸展力を推定する推定モデルを生成する。例えば、学習部２５３は、男性用の推定モデルと、女性米納推定モデルとを生成する。例えば、学習部２５３は、被験者の歩容に関して抽出された特徴量データと、被験者の年齢と身長を含む属性データとを説明変数として、握力や膝伸展力などの筋力指標を推定する推定モデルを生成する。学習部２５３は、複数の被験者に関して学習された推定モデルを記憶部２５５に記憶させる。
　例えば、学習部２５３は、線形回帰のアルゴリズムを用いた学習を実行する。例えば、学習部２５３は、サポートベクターマシン（ＳＶＭ：Support Vector Machine）のアルゴリズムを用いた学習を実行する。例えば、学習部２５３は、ガウス過程回帰（ＧＰＲ：Gaussian Process Regression）のアルゴリズムを用いた学習を実行する。例えば、学習部２５３は、ランダムフォレスト（ＲＦ：Random Forest）のアルゴリズムを用いた学習を実行する。例えば、学習部２５３は、特徴量データに応じて、その特徴量データの生成元の被験者を分類する教師なし学習を実行してもよい。学習部２５３が実行する学習のアルゴリズムには、特に限定を加えない。
　学習部２５３は、一歩行周期分の歩行波形データを説明変数として、学習を実行してもよい。例えば、学習部２５３は、３軸方向の加速度、３軸周りの角速度、３軸周りの角度（姿勢角）の歩行波形データを説明変数とし、推定対象である筋力指標の正解値を目的変数とした教師あり学習を実行する。例えば、０～１００％の歩行周期において歩行フェーズが１％刻みで設定されている場合、学習部２５３は、９０９個の説明変数を用いて学習する。
　図３３は、男性用の推定モデルを生成するための学習について説明するための概念図である。図３３は、説明変数である特徴量Ｍ１～Ｍ４と、目的変数である筋力指標とのデータセットを教師データとして、学習部２５３に学習させる一例を示す概念図である。例えば、学習部２５３は、複数の男性被験者に関するデータを学習し、センサデータから抽出された特徴量の入力に応じて、男性の筋力指標に関する出力（推定値）を出力する推定モデルを生成する。
　図３４は、女性用の推定モデルを生成するための学習について説明するための概念図である。図３４は、説明変数である特徴量Ｆ１～Ｆ３と、目的変数である筋力指標とのデータセットを教師データとして、学習部２５３に学習させる一例を示す概念図である。例えば、学習部２５３は、複数の女性被験者に関するデータを学習し、センサデータから抽出された特徴量の入力に応じて、女性の筋力指標に関する出力（推定値）を出力する推定モデルを生成する。
　記憶部２５５は、複数の被験者に関して学習された推定モデルを記憶する。例えば、記憶部２５５は、複数の被験者に関して学習された、筋力指標を推定する推定モデルを記憶する。例えば、記憶部２５５に記憶された推定モデルは、第１の実施形態の筋力指標推定装置１３による筋力指標の推定に用いられる。
　以上のように、本実施形態の学習システムは、歩容計測装置および学習装置を備える。歩容計測装置は、足の動きに関するセンサデータの時系列データを取得する。歩容計測装置は、センサデータの時系列データから一歩行周期分の歩行波形データを抽出し、抽出された歩行波形データを正規化する。歩容計測装置は、正規化された歩行波形データから、推定対象の筋力指標に関する特徴量を、時間的に連続する少なくとも一つの歩行フェーズによって構成される歩行フェーズクラスターから抽出する。歩容計測装置は、抽出された特徴量を含む特徴量データを生成する。歩容計測装置は、生成された特徴量データを学習装置に出力する。
　学習装置は、受信部、学習部、および記憶部を有する。受信部は、歩容計測装置によって生成された特徴量データを取得する。学習部は、特徴量データを用いて学習を実行する。学習部は、ユーザの歩行に伴って計測されるセンサデータの時系列データから抽出される歩行フェーズクラスターの特徴量（第２特徴量）の入力に応じて、筋力指標を出力する推定モデルを生成する。学習部によって生成された推定モデルは、記憶部に保存される。
　本実施形態の学習システムは、歩容計測装置によって計測された特徴量データを用いて、推定モデルを生成する。そのため、本態様によれば、筋力を計測するための器具を用いずに、日常生活において筋力指標を適宜推定することを可能とする推定モデルを生成できる。
　（第３の実施形態）
　次に、第３の実施形態に係る筋力指標推定装置について図面を参照しながら説明する。本実施形態の筋力指標推定装置は、第１の実施形態の筋力指標推定システムに含まれる筋力指標推定装置を簡略化した構成である。
　図３５は、本実施形態に係る筋力指標推定装置３３の構成の一例を示すブロック図である。筋力指標推定装置３３は、データ取得部３３１、記憶部３３２、推定部３３３、および出力部３３５を備える。
　データ取得部３３１は、ユーザの歩容の特徴から抽出された、ユーザの筋力指標の推定に用いられる特徴量を含む特徴量データを取得する。記憶部３３２は、特徴量データの入力に応じた筋力指標を出力する推定モデルを記憶する。推定部３３３は、取得された特徴量データを推定モデルに入力して、ユーザの筋力指標を推定する。出力部３３５は、推定された筋力指標に関する情報を出力する。
　以上のように、本実施形態では、ユーザの歩容の特徴から抽出された特徴量を用いて、ユーザの筋力指標を推定する。そのため、本実施形態によれば、筋力を計測するための器具を用いずに、日常生活において筋力指標を適宜推定できる。
　（ハードウェア）
　ここで、本開示の各実施形態に係る制御や処理を実行するハードウェア構成について、図３６の情報処理装置９０を一例として挙げて説明する。なお、図３６の情報処理装置９０は、各実施形態の制御や処理を実行するための構成例であって、本開示の範囲を限定するものではない。
　図３６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３６においては、インターフェースをＩ／Ｆ（Interface）と略記する。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に展開する。プロセッサ９１は、主記憶装置９２に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、各実施形態に係る制御や処理を実行する。
　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には、プロセッサ９１によって、補助記憶装置９３等に格納されたプログラムが展開される。主記憶装置９２は、例えばＤＲＡＭ（Dynamic Random Access Memory）などの揮発性メモリによって実現される。また、主記憶装置９２として、ＭＲＡＭ（Magnetoresistive Random Access Memory）などの不揮発性メモリが構成／追加されてもよい。
　補助記憶装置９３は、プログラムなどの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実現される。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、規格や仕様に基づいて、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が接続されてもよい。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してもよい。プロセッサ９１と入力機器との間のデータ通信は、入出力インターフェース９５に仲介させればよい。
　また、情報処理装置９０には、情報を表示するための表示機器を備え付けてもよい。表示機器を備え付ける場合、情報処理装置９０には、表示機器の表示を制御するための表示制御装置（図示しない）が備えられていることが好ましい。表示機器は、入出力インターフェース９５を介して情報処理装置９０に接続すればよい。
　また、情報処理装置９０には、ドライブ装置が備え付けられてもよい。ドライブ装置は、プロセッサ９１と記録媒体（プログラム記録媒体）との間で、記録媒体からのデータやプログラムの読み込み、情報処理装置９０の処理結果の記録媒体への書き込みなどを仲介する。ドライブ装置は、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制御や処理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３６のハードウェア構成は、各実施形態に係る制御や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、各実施形態に係る制御や処理をコンピュータに実行させるプログラムも本発明の範囲に含まれる。さらに、各実施形態に係るプログラムを記録したプログラム記録媒体も本発明の範囲に含まれる。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。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によって実現されてもよい。また、記録媒体は、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されてもよい。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。
　各実施形態の構成要素は、任意に組み合わせてもよい。また、各実施形態の構成要素は、ソフトウェアによって実現されてもよいし、回路によって実現されてもよい。
　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。
　上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
（付記１）
　ユーザの歩容の特徴から抽出された、前記ユーザの筋力指標の推定に用いられる特徴量を含む特徴量データを取得するデータ取得部と、
　前記特徴量データの入力に応じた前記筋力指標を出力する推定モデルを記憶する記憶部と、
　取得された前記特徴量データを前記推定モデルに入力して、前記ユーザの前記筋力指標を推定する推定部と、
　推定された前記筋力指標に関する情報を出力する出力部と、を備える筋力指標推定装置。
（付記２）
　前記データ取得部は、
　足の動きに関するセンサデータの時系列データを用いて生成された歩行波形データから抽出された、前記筋力指標として握力を推定するために用いられる特徴量を含む前記特徴量データを取得する付記１に記載の筋力指標推定装置。
（付記３）
　前記記憶部は、
　複数の被験者に関して、前記歩行波形データから抽出される握力に関する前記筋力指標の推定に用いられる特徴量を説明変数とし、前記被験者の握力に関する前記筋力指標を目的変数とする教師データを用いた学習によって生成された前記推定モデルを記憶し、
　前記推定部は、
　前記ユーザに関して取得された前記特徴量データを前記推定モデルに入力して、前記ユーザの握力に関する前記筋力指標を推定する付記２に記載の筋力指標推定装置。
（付記４）
　前記記憶部は、
　前記被験者の年齢および身長を含めた説明変数を用いて学習された前記推定モデルを記憶し、
　前記推定部は、
　前記ユーザに関する前記特徴量データ、年齢、および身長を前記推定モデルに入力して、前記ユーザの握力に関する前記筋力指標を推定する付記３に記載の筋力指標推定装置。
（付記５）
　前記記憶部は、
　複数の男性被験者に関して、前記歩行波形データの荷重応答期および遊脚前期から抽出される大腿四頭筋の活動に関する特徴量を説明変数とし、前記男性被験者の握力に関する前記筋力指標を目的変数とする教師データを用いた学習によって生成された男性用推定モデルを記憶し、
　前記推定部は、
　男性ユーザの歩行に応じて取得された前記特徴量データを前記男性用推定モデルに入力して、前記男性ユーザの前記筋力指標を推定する付記３または４に記載の筋力指標推定装置。
（付記６）
　前記記憶部は、
　複数の前記男性被験者に関して、進行方向加速度の前記歩行波形データの荷重応答期から抽出された特徴量と、進行方向加速度および垂直方向加速度の前記歩行波形データの遊脚前期から抽出された特徴量と、一歩行周期における踵接地から反対足爪先離地までの期間の割合に関する特徴量とを説明変数とし、前記男性被験者の握力に関する前記筋力指標を目的変数とする教師データを用いた学習によって生成された前記男性用推定モデルを記憶し、
　前記データ取得部は、
　前記男性ユーザの歩行に応じて抽出された、進行方向加速度の前記歩行波形データの荷重応答期の特徴量と、進行方向加速度および垂直方向加速度の前記歩行波形データの遊脚前期の特徴量と、一歩行周期における踵接地から反対足爪先離地までの期間の割合に関する特徴量とを含む前記特徴量データを取得し、
　前記推定部は、
　取得された前記特徴量データを前記男性用推定モデルに入力して、前記男性ユーザの前記筋力指標を推定する付記５に記載の筋力指標推定装置。
（付記７）
　前記記憶部は、
　複数の女性被験者に関して、前記歩行波形データの荷重応答期から抽出される大腿四頭筋の活動に関する特徴量を説明変数とし、前記女性被験者の握力に関する前記筋力指標を目的変数とする教師データを用いた学習によって生成された女性用推定モデルを記憶し、
　前記推定部は、
　女性ユーザの歩行に応じて取得された前記特徴量データを前記女性用推定モデルに入力して、前記女性ユーザの前記筋力指標を推定する付記３または４に記載の筋力指標推定装置。
（付記８）
　前記記憶部は、
　複数の前記女性被験者に関して、横方向加速度の前記歩行波形データの荷重応答期から抽出された特徴量と、冠状面内における角速度の前記歩行波形データから抽出された特徴量と、一歩行周期における反対足踵接地から爪先離地までの期間の割合に関する特徴量とを説明変数とし、前記女性被験者の握力に関する前記筋力指標を目的変数とする教師データを用いた学習によって生成された前記女性用推定モデルを記憶し、
　前記データ取得部は、
　前記女性ユーザの歩行に応じて抽出された、横方向加速度の前記歩行波形データの荷重応答期の特徴量と、冠状面内における角速度の前記歩行波形データの特徴量と、一歩行周期における反対足踵接地から爪先離地までの期間の割合に関する特徴量とを含む前記特徴量データを取得し、
　前記推定部は、
　取得された前記特徴量データを前記女性用推定モデルに入力して、前記女性ユーザの前記筋力指標を推定する付記７に記載の筋力指標推定装置。
（付記９）
　前記推定部は、
　前記ユーザに関して推定された握力に応じて、全身総合筋力のスコアを推定し、
　前記出力部は、
　推定された前記全身総合筋力のスコアを出力する付記３乃至８のいずれか一つに記載の筋力指標推定装置。
（付記１０）
　前記記憶部は、
　握力の入力に応じて膝伸展力を出力する膝伸展力推定モデルを記憶し、
　前記推定部は、
　前記ユーザに関して推定された握力を前記膝伸展力推定モデルに入力して、前記ユーザの膝伸展力を前記筋力指標として推定する付記３乃至９のいずれか一つに記載の筋力指標推定装置。
（付記１１）
　前記記憶部は、
　複数の前記被験者に関して、前記歩行波形データから抽出される膝伸展力に関する前記筋力指標の推定に用いられる特徴量を説明変数とし、前記被験者の膝伸展力に関する前記筋力指標を目的変数とする教師データを用いた学習によって生成された膝伸展力推定モデルを記憶し、
　前記推定部は、
　取得された前記特徴量データを前記膝伸展力推定モデルに入力して、前記ユーザの膝伸展力に関する前記筋力指標を推定する付記３乃至９のいずれか一つに記載の筋力指標推定装置。
（付記１２）
　付記１乃至１１のいずれか一つに記載の筋力指標推定装置と、
　筋力指標の推定対象であるユーザの履物に設置され、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を用いて足の動きに関するセンサデータを生成し、生成した前記センサデータを出力するセンサと、歩容の特徴を含む前記センサデータの時系列データを取得し、前記センサデータの時系列データから一歩行周期分の歩行波形データを抽出し、抽出された前記歩行波形データを正規化し、正規化された前記歩行波形データから、前記筋力指標の推定に用いられる特徴量を、時間的に連続する少なくとも一つの歩行フェーズによって構成される歩行フェーズクラスターから抽出し、抽出された特徴量を含む特徴量データを生成し、生成された前記特徴量データを前記筋力指標推定装置に出力する特徴量データ生成部と有する歩容計測装置と、を備える筋力指標推定システム。
（付記１３）
　前記筋力指標推定装置は、
　前記ユーザによって視認可能な画面を有する端末装置に実装され、
　前記ユーザの足の動きに応じて推定された前記筋力指標に関する情報を、前記端末装置の画面に表示させる付記１２に記載の筋力指標推定システム。
（付記１４）
　前記筋力指標推定装置は、
　前記ユーザの足の動きに応じて推定された前記筋力指標に応じた推薦情報を、前記端末装置の画面に表示させる付記１３に記載の筋力指標推定システム。
（付記１５）
　前記筋力指標推定装置は、
　前記ユーザの足の動きに応じて推定された前記筋力指標に応じた前記推薦情報として、前記筋力指標に関する身体部位を鍛えるためのトレーニングに関する動画を前記端末装置の画面に表示させる付記１４に記載の筋力指標推定システム。
（付記１６）
　コンピュータが、
　ユーザの歩容の特徴から抽出された、前記ユーザの筋力指標の推定に用いられる特徴量を含む特徴量データを取得し、
　取得された前記特徴量データを、前記特徴量データの入力に応じた前記筋力指標を出力する推定モデルに入力して、前記ユーザの前記筋力指標を推定し、
　推定された前記筋力指標に関する情報を出力する筋力指標推定方法。
（付記１７）
　ユーザの歩容の特徴から抽出された、前記ユーザの筋力指標の推定に用いられる特徴量を含む特徴量データを取得する処理と、
　取得された前記特徴量データを、前記特徴量データの入力に応じた前記筋力指標を出力する推定モデルに入力して、前記ユーザの前記筋力指標を推定する処理と、
　推定された前記筋力指標に関する情報を出力する処理と、をコンピュータに実行させるプログラム。
　１　　筋力指標推定システム
　２　　学習システム
　１０、２０　　歩容計測装置
　１１　　センサ
　１２　　特徴量データ生成部
　１３　　筋力指標推定装置
　２５　　学習装置
　１１１　　加速度センサ
　１１２　　角速度センサ
　１２１　　取得部
　１２２　　正規化部
　１２３　　抽出部
　１２５　　生成部
　１２７　　特徴量データ出力部
　１３１、３３１　　データ取得部
　１３２、３３２　　記憶部
　１３３、３３３　　推定部
　１３５、３３５　　出力部
　２５１　　受信部
　２５３　　学習部
　２５５　　記憶部

Claims (17)

  1. 　ユーザの歩容の特徴から抽出された、前記ユーザの筋力指標の推定に用いられる特徴量を含む特徴量データを取得するデータ取得手段と、
    　前記特徴量データの入力に応じた前記筋力指標を出力する推定モデルを記憶する記憶手段と、
    　取得された前記特徴量データを前記推定モデルに入力して、前記ユーザの前記筋力指標を推定する推定手段と、
    　推定された前記筋力指標に関する情報を出力する出力手段と、を備える筋力指標推定装置。
  2. 　前記データ取得手段は、
    　足の動きに関するセンサデータの時系列データを用いて生成された歩行波形データから抽出された、前記筋力指標として握力を推定するために用いられる特徴量を含む前記特徴量データを取得する請求項１に記載の筋力指標推定装置。
  3. 　前記記憶手段は、
    　複数の被験者に関して、前記歩行波形データから抽出される握力に関する前記筋力指標の推定に用いられる特徴量を説明変数とし、前記被験者の握力に関する前記筋力指標を目的変数とする教師データを用いた学習によって生成された前記推定モデルを記憶し、
    　前記推定手段は、
    　前記ユーザに関して取得された前記特徴量データを前記推定モデルに入力して、前記ユーザの握力に関する前記筋力指標を推定する請求項２に記載の筋力指標推定装置。
  4. 　前記記憶手段は、
    　前記被験者の年齢および身長を含めた説明変数を用いて学習された前記推定モデルを記憶し、
    　前記推定手段は、
    　前記ユーザに関する前記特徴量データ、年齢、および身長を前記推定モデルに入力して、前記ユーザの握力に関する前記筋力指標を推定する請求項３に記載の筋力指標推定装置。
  5. 　前記記憶手段は、
    　複数の男性被験者に関して、前記歩行波形データの荷重応答期および遊脚前期から抽出される大腿四頭筋の活動に関する特徴量を説明変数とし、前記男性被験者の握力に関する前記筋力指標を目的変数とする教師データを用いた学習によって生成された男性用推定モデルを記憶し、
    　前記推定手段は、
    　男性ユーザの歩行に応じて取得された前記特徴量データを前記男性用推定モデルに入力して、前記男性ユーザの前記筋力指標を推定する請求項３または４に記載の筋力指標推定装置。
  6. 　前記記憶手段は、
    　複数の前記男性被験者に関して、進行方向加速度の前記歩行波形データの荷重応答期から抽出された特徴量と、進行方向加速度および垂直方向加速度の前記歩行波形データの遊脚前期から抽出された特徴量と、一歩行周期における踵接地から反対足爪先離地までの期間の割合に関する特徴量とを説明変数とし、前記男性被験者の握力に関する前記筋力指標を目的変数とする教師データを用いた学習によって生成された前記男性用推定モデルを記憶し、
    　前記データ取得手段は、
    　前記男性ユーザの歩行に応じて抽出された、進行方向加速度の前記歩行波形データの荷重応答期の特徴量と、進行方向加速度および垂直方向加速度の前記歩行波形データの遊脚前期の特徴量と、一歩行周期における踵接地から反対足爪先離地までの期間の割合に関する特徴量とを含む前記特徴量データを取得し、
    　前記推定手段は、
    　取得された前記特徴量データを前記男性用推定モデルに入力して、前記男性ユーザの前記筋力指標を推定する請求項５に記載の筋力指標推定装置。
  7. 　前記記憶手段は、
    　複数の女性被験者に関して、前記歩行波形データの荷重応答期から抽出される大腿四頭筋の活動に関する特徴量を説明変数とし、前記女性被験者の握力に関する前記筋力指標を目的変数とする教師データを用いた学習によって生成された女性用推定モデルを記憶し、
    　前記推定手段は、
    　女性ユーザの歩行に応じて取得された前記特徴量データを前記女性用推定モデルに入力して、前記女性ユーザの前記筋力指標を推定する請求項３または４に記載の筋力指標推定装置。
  8. 　前記記憶手段は、
    　複数の前記女性被験者に関して、横方向加速度の前記歩行波形データの荷重応答期から抽出された特徴量と、冠状面内における角速度の前記歩行波形データから抽出された特徴量と、一歩行周期における反対足踵接地から爪先離地までの期間の割合に関する特徴量とを説明変数とし、前記女性被験者の握力に関する前記筋力指標を目的変数とする教師データを用いた学習によって生成された前記女性用推定モデルを記憶し、
    　前記データ取得手段は、
    　前記女性ユーザの歩行に応じて抽出された、横方向加速度の前記歩行波形データの荷重応答期の特徴量と、冠状面内における角速度の前記歩行波形データの特徴量と、一歩行周期における反対足踵接地から爪先離地までの期間の割合に関する特徴量とを含む前記特徴量データを取得し、
    　前記推定手段は、
    　取得された前記特徴量データを前記女性用推定モデルに入力して、前記女性ユーザの前記筋力指標を推定する請求項７に記載の筋力指標推定装置。
  9. 　前記推定手段は、
    　前記ユーザに関して推定された握力に応じて、全身総合筋力のスコアを推定し、
    　前記出力手段は、
    　推定された前記全身総合筋力のスコアを出力する請求項３乃至８のいずれか一項に記載の筋力指標推定装置。
  10. 　前記記憶手段は、
    　握力の入力に応じて膝伸展力を出力する膝伸展力推定モデルを記憶し、
    　前記推定手段は、
    　前記ユーザに関して推定された握力を前記膝伸展力推定モデルに入力して、前記ユーザの膝伸展力を前記筋力指標として推定する請求項３乃至９のいずれか一項に記載の筋力指標推定装置。
  11. 　前記記憶手段は、
    　複数の前記被験者に関して、前記歩行波形データから抽出される膝伸展力に関する前記筋力指標の推定に用いられる特徴量を説明変数とし、前記被験者の膝伸展力に関する前記筋力指標を目的変数とする教師データを用いた学習によって生成された膝伸展力推定モデルを記憶し、
    　前記推定手段は、
    　取得された前記特徴量データを前記膝伸展力推定モデルに入力して、前記ユーザの膝伸展力に関する前記筋力指標を推定する請求項３乃至９のいずれか一項に記載の筋力指標推定装置。
  12. 　請求項１乃至１１のいずれか一項に記載の筋力指標推定装置と、
    　筋力指標の推定対象であるユーザの履物に設置され、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を用いて足の動きに関するセンサデータを生成し、生成した前記センサデータを出力するセンサと、歩容の特徴を含む前記センサデータの時系列データを取得し、前記センサデータの時系列データから一歩行周期分の歩行波形データを抽出し、抽出された前記歩行波形データを正規化し、正規化された前記歩行波形データから、前記筋力指標の推定に用いられる特徴量を、時間的に連続する少なくとも一つの歩行フェーズによって構成される歩行フェーズクラスターから抽出し、抽出された特徴量を含む特徴量データを生成し、生成された前記特徴量データを前記筋力指標推定装置に出力する特徴量データ生成手段と有する歩容計測装置と、を備える筋力指標推定システム。
  13. 　前記筋力指標推定装置は、
    　前記ユーザによって視認可能な画面を有する端末装置に実装され、
    　前記ユーザの足の動きに応じて推定された前記筋力指標に関する情報を、前記端末装置の画面に表示させる請求項１２に記載の筋力指標推定システム。
  14. 　前記筋力指標推定装置は、
    　前記ユーザの足の動きに応じて推定された前記筋力指標に応じた推薦情報を、前記端末装置の画面に表示させる請求項１３に記載の筋力指標推定システム。
  15. 　前記筋力指標推定装置は、
    　前記ユーザの足の動きに応じて推定された前記筋力指標に応じた前記推薦情報として、前記筋力指標に関する身体部位を鍛えるためのトレーニングに関する動画を前記端末装置の画面に表示させる請求項１４に記載の筋力指標推定システム。
  16. 　コンピュータが、
    　ユーザの歩容の特徴から抽出された、前記ユーザの筋力指標の推定に用いられる特徴量を含む特徴量データを取得し、
    　取得された前記特徴量データを、前記特徴量データの入力に応じた前記筋力指標を出力する推定モデルに入力して、前記ユーザの前記筋力指標を推定し、
    　推定された前記筋力指標に関する情報を出力する筋力指標推定方法。
  17. 　ユーザの歩容の特徴から抽出された、前記ユーザの筋力指標の推定に用いられる特徴量を含む特徴量データを取得する処理と、
    　取得された前記特徴量データを、前記特徴量データの入力に応じた前記筋力指標を出力する推定モデルに入力して、前記ユーザの前記筋力指標を推定する処理と、
    　推定された前記筋力指標に関する情報を出力する処理と、をコンピュータに実行させるプログラムを記録させた非一過性の記録媒体。
PCT/JP2021/048549 2021-12-27 2021-12-27 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 WO2023127007A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/048549 WO2023127007A1 (ja) 2021-12-27 2021-12-27 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/048549 WO2023127007A1 (ja) 2021-12-27 2021-12-27 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

Publications (1)

Publication Number Publication Date
WO2023127007A1 true WO2023127007A1 (ja) 2023-07-06

Family

ID=86998300

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/048549 WO2023127007A1 (ja) 2021-12-27 2021-12-27 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

Country Status (1)

Country Link
WO (1) WO2023127007A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014221139A (ja) * 2013-05-14 2014-11-27 株式会社アコーズ 通信式握力計および脚筋力推定装置
JP2017006305A (ja) * 2015-06-19 2017-01-12 花王株式会社 体力推定方法
JP2018079220A (ja) * 2016-11-18 2018-05-24 花王株式会社 身体状態情報推定方法
WO2021049196A1 (ja) * 2019-09-13 2021-03-18 パナソニックＩｐマネジメント株式会社 要因推定システム、及び、要因推定方法
WO2021140658A1 (ja) * 2020-01-10 2021-07-15 日本電気株式会社 異常検出装置、判定システム、異常検出方法、およびプログラム記録媒体

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014221139A (ja) * 2013-05-14 2014-11-27 株式会社アコーズ 通信式握力計および脚筋力推定装置
JP2017006305A (ja) * 2015-06-19 2017-01-12 花王株式会社 体力推定方法
JP2018079220A (ja) * 2016-11-18 2018-05-24 花王株式会社 身体状態情報推定方法
WO2021049196A1 (ja) * 2019-09-13 2021-03-18 パナソニックＩｐマネジメント株式会社 要因推定システム、及び、要因推定方法
WO2021140658A1 (ja) * 2020-01-10 2021-07-15 日本電気株式会社 異常検出装置、判定システム、異常検出方法、およびプログラム記録媒体

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
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
WO2023127009A1 (ja) 下肢筋力推定装置、下肢筋力推定システム、下肢筋力推定方法、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
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
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
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
US20240172966A1 (en) Harmonic index estimation device, estimation system, harmonic index estimation method, and recording medium
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
WO2023105740A1 (ja) 特徴量データ生成装置、歩容計測装置、身体状態推定システム、特徴量データ生成方法、および記録媒体
US20240138757A1 (en) Pelvic inclination estimation device, estimation system, pelvic inclination 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
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
US20240138710A1 (en) Waist swinging estimation device, estimation system, waist swinging estimation method, and recording medium
US20240188851A1 (en) Waist swinging estimation device, estimation system, waist swinging estimation method, and recording medium
US20230389859A1 (en) Index value estimation device, estimation system, index value estimation method, and recording medium
US20240115163A1 (en) Calculation device, calculation method, and program recording medium
US20240130691A1 (en) Measurement device, measurement system, measurement method, and recording medium
WO2022070416A1 (ja) 推定装置、推定方法、およびプログラム記録媒体
WO2023157161A1 (ja) 検出装置、検出システム、歩容計測システム、検出方法、および記録媒体
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
US20240099608A1 (en) Detection device, detection method, and program recording medium
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

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: 21969891

Country of ref document: EP

Kind code of ref document: A1