WO2023127014A1 - 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 - Google Patents

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 Download PDF

Info

Publication number
WO2023127014A1
WO2023127014A1 PCT/JP2021/048563 JP2021048563W WO2023127014A1 WO 2023127014 A1 WO2023127014 A1 WO 2023127014A1 JP 2021048563 W JP2021048563 W JP 2021048563W WO 2023127014 A1 WO2023127014 A1 WO 2023127014A1
Authority
WO
WIPO (PCT)
Prior art keywords
feature amount
data
fall
tendency
user
Prior art date
Application number
PCT/JP2021/048563
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/JP2021/048563 priority Critical patent/WO2023127014A1/ja
Publication of WO2023127014A1 publication Critical patent/WO2023127014A1/ja

Links

Images

Classifications

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

Definitions

  • the present disclosure relates to a fall risk estimation device or the like that estimates a fall risk using sensor data related to leg movements.
  • 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. For example, if it is possible to estimate the likelihood of falling, which is one of the indices of the risk of falling, based on feature values extracted from sensor data, it may be possible to avoid unexpected falls.
  • 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.
  • Patent Document 2 discloses a system that evaluates the fall risk of an elderly person to be managed based on captured images of daily life.
  • the system of Patent Literature 2 authenticates a person to be managed photographed by a stereo camera that outputs two-dimensional images and three-dimensional information.
  • the system of Patent Literature 2 tracks an authenticated person to be managed, and calculates a feature amount of walking of the person to be managed.
  • the system of Patent Literature 2 calculates a fall index value of a person to be managed based on integrated data obtained by integrating obtained data.
  • the system of Patent Literature 2 evaluates the risk of falling of the managed person according to the relationship between the calculated fall index value and the threshold.
  • Patent Document 1 the progress of hallux valgus is estimated using the gait feature amount of the characteristic part extracted from the data acquired from the sensor installed in the footwear.
  • Patent Literature 1 does not disclose estimating the tendency to fall using the walking feature amount of the characteristic region extracted from the data acquired from the sensor installed on the footwear.
  • the fall risk of the managed person is evaluated using the two-dimensional image and three-dimensional information output from the stereo camera.
  • the method of Patent Literature 2 can evaluate the fall risk of a person to be managed in an environment in which images can be taken with a stereo camera.
  • the method of Patent Literature 2 cannot appropriately estimate the tendency to fall in an environment where the stereo camera cannot cover the area, such as a place with many obstacles or outdoors.
  • the purpose of the present disclosure is to provide a fall risk estimation device and the like that can appropriately estimate the risk of falling in daily life.
  • a fall susceptibility estimation device includes a data acquisition unit that acquires feature amount data including a feature amount used for estimating a user's susceptibility to falls, which is extracted from sensor data relating to foot movements of the user. , a storage unit that stores an estimation model that outputs an index of susceptibility to falls according to the input of feature amount data; a storage unit that inputs the acquired feature amount data into the estimation model; and an estimating unit for estimating the user's tendency to fall; and an output unit for outputting information on the estimated tendency to fall of the user.
  • feature amount data including a feature amount used for estimating susceptibility to falls of a user, which is extracted from sensor data relating to foot movements of the user, is acquired. inputting the obtained feature amount data into an estimation model that outputs an index of susceptibility to falls according to the input of the feature amount data, estimating a user's tendency to fall according to the index of susceptibility to falls output from the estimation model, Output information about the estimated tendency of the user to fall.
  • a program includes a process of acquiring feature amount data including a feature amount used for estimating a user's tendency to fall, which is extracted from sensor data relating to foot movements of the user; A process of inputting data into an estimation model that outputs an index of susceptibility to falls according to the input of feature data, and a process of estimating a user's susceptibility to falls according to the susceptibility to falls index output from the estimation model. , and a process of outputting information on the estimated tendency of the user to fall.
  • FIG. 1 is a block diagram showing an example of the configuration of an easy-to-fall estimation system according to a first embodiment
  • FIG. It is a block diagram showing an example of a configuration of a gait measuring device provided in the proneness to falling estimation system according to the first embodiment.
  • 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
  • FIG. 2 is a conceptual diagram for explaining gait parameters used in the explanation of 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
  • Fig. 2 is a block diagram showing an example of the configuration of an easy-to-fall property estimation device provided in the easy-to-fall property estimation system according to the first embodiment
  • 4 is a table summarizing feature amounts related to total muscle strength (grip strength) of the whole body related to susceptibility to falling, which is an estimation target of the susceptibility to falls estimation system according to the first embodiment.
  • 4 is a table summarizing feature values relating to dynamic balance related to the tendency to fall, which is an estimation target of the tendency to fall property estimation system according to the first embodiment.
  • 4 is a table summarizing feature values relating to lower extremity muscle strength related to susceptibility to falls, which is an estimation target of the susceptibility to falls estimation system according to the first embodiment.
  • FIG. 2 is a conceptual diagram showing an example of estimating a tumbling tendency score (a tumbling tendency index) by a tumbling susceptibility estimation device provided in the susceptibility to tumbling estimation system according to the first embodiment.
  • FIG. 1 is a conceptual diagram showing an example of estimating a tumbling tendency score (a tumbling tendency index) by a tumbling susceptibility estimation device provided in the susceptibility to tumbling estimation system according to the first embodiment.
  • FIG. 2 is a conceptual diagram showing an example of estimating a tumbling tendency score (a tumbling tendency index) by a tumbling susceptibility estimation device provided in the susceptibility to tumbling estimation system according to the first embodiment.
  • 4 is a flow chart for explaining an example of the operation of the gait measuring device included in the fall proneness estimation system according to the first embodiment; 4 is a flow chart for explaining an example of the operation of the tendency to fall estimation device included in the tendency to fall estimation system according to the first embodiment. 4 is a flow chart for explaining an example of the operation of the gait measuring device included in the fall proneness estimation system according to the first embodiment; 4 is a flow chart for explaining an example of the operation of the tendency to fall estimation device included in the tendency to fall estimation system according to the first embodiment.
  • FIG. 1 is a conceptual diagram for explaining an application example of the tendency to fall property estimation system according to the first embodiment
  • BRIEF DESCRIPTION OF THE DRAWINGS FIG. 1 is a conceptual diagram for explaining an application example of the tendency to fall property estimation system according to the first embodiment
  • FIG. 11 is a block diagram showing an example of the configuration of a learning system according to a second embodiment
  • 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 fall proneness 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 fall tendency estimation system of the present embodiment measures sensor data related to the movement of the user's feet as they walk.
  • the tumbling tendency estimation system of the present embodiment uses the measured sensor data to estimate the tumbling tendency of the user.
  • an example of estimating the likelihood of falling according to the relationship between the features (also called gait) included in the walking pattern and the risk of falling will be given.
  • Fall susceptibility which is one of the indices of fall risk
  • five related items also referred to as five items
  • Five items relate to total body muscle strength (grip strength), dynamic balance, leg muscle strength, locomotion, and static balance. These five items are correlated with the tendency to fall easily.
  • the five items are related to each other to some extent, but are basically considered independent.
  • an example in which the tendency to fall is estimated based on all five items will be given, but the tendency to fall can be estimated based on at least one of the five items.
  • FIG. 1 is a block diagram showing an example of the configuration of a fall proneness estimation system 1 according to this embodiment.
  • the tendency to fall estimation system 1 includes a gait measuring device 10 and a tendency to fall estimation device 13 .
  • the gait measuring device 10 and the tendency to fall 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) who is subject to estimation of susceptibility to falls.
  • the functions of the proneness-to-fall estimation device 13 are installed in a mobile terminal carried by a subject (user).
  • the configurations of the gait measuring device 10 and the tendency to fall property 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.
  • P1 represents an event (heel contact) in which the heel of the right foot touches the ground (HC: Heel Contact).
  • P2 represents an event (opposite toe off) 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).
  • P3 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).
  • P4 is an event in which the heel of the left foot touches the ground (opposite heel strike) (OHS: Opposite Heel Strike).
  • P5 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).
  • P6 represents an event (foot crossing) in which the left foot and the right foot cross each other with the sole of the left foot in contact with the ground (FA: Foot Adjacent).
  • P7 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).
  • P8 represents an event (heel contact) in which the heel of the right foot touches the ground (HC: Heel Contact).
  • P8 corresponds to the end point of the walking cycle starting from P1 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 conceptual diagram for explaining an example of gait parameters.
  • FIG. 7 shows the right foot step length S R , left foot step length S L , stride length T, step distance W, foot angle F, and diversion amount DI.
  • FIG. 7 also shows a traveling axis PA which is parallel to the traveling direction axis (Y-axis) and corresponds to a trajectory connecting the middle of the left and right feet.
  • the right foot step length S R is the difference in the Y coordinates between the heel of the right foot and the heel of the left foot when the state where the sole of the left foot is grounded to the state where the heel of the right foot is swung in the direction of travel is on the ground. is.
  • the left foot step length S L is the difference in Y coordinates between the heel of the left foot and the heel of the right foot when transitioning from a state in which the sole of the right foot is in contact with the ground to a state in which the heel of the left foot is swung in the direction of travel and has landed.
  • the stride length T is the sum of the right foot step length S R and the left foot step length S L .
  • the step distance W is the distance between the right foot and the left foot. In FIG. 7, the step distance W is the difference between the center line (X coordinate) of the heel of the right foot in contact with the ground and the center line (X coordinate) of the heel of the left foot in contact with the ground.
  • the foot angle F is the angle between the center line of the foot and the traveling direction (Y-axis) when the sole of the foot is in contact with the ground.
  • the diversion amount DI is the distance between the travel axis PA and the foot at the timing when the central axis of the foot is the farthest from the travel axis PA in the swing phase.
  • the diversion amount DI is normalized by height because the length of the lower limbs affects the diversion amount DI.
  • FIG. 8 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. 9 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%.
  • FIGS. 8 and 9 show an example of extracting/normalizing walking waveform data for one step cycle based on the acceleration in the direction of travel (acceleration in the Y direction).
  • 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).
  • 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.
  • 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 tendency to fall 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 tendency to fall will be extracted will be described later.
  • FIG. 10 is a conceptual diagram for explaining extraction of a feature amount for estimating the tendency to fall 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 CL (i and m are natural numbers).
  • the walking phase cluster CL includes m walking phases (components). That is, the number of walking phases (constituent elements) constituting the walking phase cluster CL (also referred to as the number of constituent elements) is m.
  • FIG. 10 shows an example in which the walking phase is an integer value, the walking phase may be subdivided to the decimal point.
  • the number of constituent elements of the walking phase cluster CL 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 extracting unit 123 extracts feature quantities 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 tendency to fall property estimation device 13 that uses the feature amount data.
  • FIG. 11 is a block diagram showing an example of the configuration of the tumbling tendency estimation device 13. As shown in FIG. The tendency to fall estimation device 13 has a data acquisition unit 131 , a storage unit 132 , an estimation unit 133 , and an 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 the tendency to fall using the feature amount data extracted from the walking waveform data.
  • the storage unit 132 stores an estimation model for estimating the tendency to fall, which has been learned for a plurality of subjects.
  • the storage unit 132 stores an estimation model that outputs a susceptibility to falls index (also referred to as a susceptibility to falls score) in response to input of feature amount data extracted from walking waveform data.
  • FIG. 12 is a conceptual diagram for explaining five related items (also referred to as five items) related to the tendency to fall.
  • the susceptibility to falls is related to five items: total muscle strength of the whole body (grip strength), dynamic balance, muscle strength of lower extremities, locomotion ability, and static balance. Details of the five items related to the tendency to fall, ie, overall muscle strength (grip strength), dynamic balance, leg muscle strength, locomotion ability, and static balance, will be described later.
  • the storage unit 132 stores an estimation model (also referred to as a first estimation model) that outputs an easy-to-fall index (easy-to-fall score) according to the input of feature amount data common to the estimation of the five items.
  • the storage unit 132 stores an estimation model (also referred to as a pre-estimation model) that outputs scores for each of the five items in response to input of feature amount data used for estimating scores for each of the five items.
  • the storage unit 132 stores an estimation model (also referred to as a second estimation model) that outputs an index of susceptibility to falls (susceptibility to falls score) in accordance with five-item scores.
  • the estimation model may be stored in the storage unit 132 at timings such as when the product is shipped from the factory or during calibration before the user uses the system 1 for estimating the tendency to fall.
  • 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 estimating unit 133 estimates the tendency to fall 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 tendency to fall 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 estimation result of the tendency to fall by the estimation unit 133 .
  • the output unit 135 causes the screen of the subject's (user's) portable terminal to display the estimation result of the tendency to fall.
  • the output unit 135 outputs the estimation result to an external system or the like that uses the estimation result. There are no particular restrictions on the use of the tendency to fall output from the tendency to fall estimation device 13 .
  • the susceptibility to falls estimation device 13 is connected to an external system built on a cloud or server via a mobile terminal (not shown) carried by a 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 tendency to fall estimation device 13 is connected to the mobile terminal via a wire such as a cable.
  • the tendency to fall estimation device 13 is connected to a mobile terminal via wireless communication.
  • the tendency to fall 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 tendency to fall estimation device 13 may conform to standards other than Bluetooth (registered trademark) and WiFi (registered trademark).
  • the fall proneness 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.
  • each of the five items of general muscle strength (grip strength), dynamic balance, leg muscle strength, locomotion ability, and static balance related to the tendency to fall shown in Fig. 12 will be individually explained.
  • the feature quantity used for estimating the tendency to fall will be explained.
  • the tendency to fall is estimated using a feature quantity common to the five items.
  • ⁇ Related item A> Related item A relates to total muscle strength of the whole body. There is a correlation between total muscle strength and grip strength. Grip strength is also correlated with knee extension strength.
  • One index of total muscle strength for related item A is grip strength.
  • an estimate of grip strength is an indicator of total muscle strength.
  • a score corresponding to the estimated value of grip strength (also referred to as total muscle strength score) is an index of total muscle strength.
  • the total muscle strength score is a value obtained by converting grip strength, which is an index of total muscle strength, into points based on a preset standard.
  • Grip strength is affected by attributes such as gender, age, and height. Therefore, the total muscle strength score may be scored on the basis of each attribute. In particular, grip strength is affected by gender. Therefore, the total muscle strength score may be scored according to different criteria depending on gender. Note that the index of total muscle strength is not limited to grip strength as long as total muscle strength can be scored.
  • Fig. 13 is a correspondence table summarizing the feature values used for estimating the total muscle strength (grip strength) of the whole body.
  • the correspondence table in FIG. 13 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 walking phase in which the feature quantity used for estimating grip strength is extracted differs according to gender. For men, there is a correlation between quadriceps activity and grip strength. Therefore, the feature amounts AM1 to AM4 extracted from the walking phase in which the feature of quadriceps femoris muscle activity appears are used for estimating the male's grip strength.
  • the feature values AF1 to AF3 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.
  • the feature amount AM1 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 feature amount AM1 mainly includes features related to the movement of the vastus lateralis, vastus intermedius, and vastus medialis of the quadriceps femoris.
  • the feature amount AM2 is extracted from the walking phase 59% to 62% section of the walking waveform data Ay regarding 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 amount AM2 mainly includes features related to the movement of the rectus femoris muscle among the quadriceps femoris muscles.
  • the feature amount AM3 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 AM3 mainly includes features relating to the movement of the rectus femoris muscle among the quadriceps femoris muscles.
  • the feature amount AM4 is the ratio of the period from the heel contact to the toe-off of the opposite foot (DST1) in the period in which both feet are in contact with the ground at the same time (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 AM4 mainly includes features caused by the quadriceps femoris.
  • the feature amount AF1 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 AF1 mainly includes features related to the movement of the vastus lateralis, vastus intermedius, and vastus medialis of the quadriceps.
  • the feature amount AF2 is extracted from the walking phase 7 to 10% section of the walking waveform data Gy regarding 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 AF2 mainly includes features related to the movement of the vastus lateralis, vastus intermedius, and vastus medialis.
  • the feature quantity AF3 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 AF3 mainly includes features related to the movement of the vastus lateralis, vastus intermedius, and vastus medialis.
  • Dynamic balance can be assessed by performance on the Functional Reach Test (FRT).
  • FRT Functional Reach Test
  • the distance between the fingertips also referred to as the functional reach distance
  • FR distance Functional reach distance
  • Relevant item B may be evaluated outside of FRT performed with both hands. For example, related item B may be assessed by performance on one-handed FRT or other variations of FRT.
  • the index of dynamic balance for related item B is the FR distance.
  • the FR distance estimate is a measure of dynamic balance.
  • a score according to the estimated FR distance (also called a dynamic balance score) is an index of dynamic balance.
  • the dynamic balance score is a value obtained by scoring the FR distance, which is an index of dynamic balance, based on a preset standard. Dynamic balance is affected by attributes such as height. As such, the dynamic balance score may be scored on an attribute-by-attribute basis. Note that the dynamic balance index is not limited to the FR distance as long as the dynamic balance can be scored.
  • FIG. 14 is a correspondence table summarizing the feature values used for estimating the dynamic balance.
  • the correspondence table in FIG. 14 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 FR distance is correlated with the activity of the gluteus maxims, iliac muscle, hamstrings (long head of biceps femoris), tibialis anterior, etc., and the magnitude of compensatory movements that turn the toes outward. . Therefore, feature amounts B1 to B5 extracted from walking phases in which these features appear are used for estimating the FR distance.
  • the feature amount B1 is extracted from the walking phase 75-79% section of the walking waveform data Ay regarding the time-series data of the traveling direction acceleration (Y-direction acceleration).
  • the gait phase 75-79% is included in mid-swing T6.
  • the feature amount B1 mainly includes features related to the movement of the tibialis anterior muscle and the short head of the biceps femoris muscle.
  • the feature amount B2 is extracted from the walking phase 62% section of the walking waveform data Az related to the vertical acceleration (Z-direction acceleration) time-series data. 62% of the walking phase is included in the swing initial stage T5.
  • the feature amount B2 mainly includes features related to the movement of the iliac muscle.
  • the feature quantity B3 is extracted from the walking phase 7-8% section of the walking waveform data Gy regarding the time-series data of the angular velocity in the coronal plane (around the Y axis).
  • the walking phase 7-8% is included in the load response period T1.
  • the feature amount B3 mainly includes features related to the movement of the gluteus maxims.
  • the feature amount B4 is extracted from the walking phase 57% to 58% section of the walking waveform data Ez regarding the time-series data of the angle (attitude angle) in the horizontal plane (around the Z axis).
  • the walking phase 57-58% is included in the early swing phase T4.
  • the feature quantity B4 mainly includes features related to compensatory actions. Compensatory movements are movements that acquire stability by changing the angle of the foot in order to compensate for the decline in balance ability and muscle function associated with aging.
  • the feature value B5 is the average value of the foot angles in the horizontal plane during the swing phase.
  • the feature amount B5 is the average value in the swing phase of the walking waveform data Ez.
  • the feature amount B5 is the integral value of the walking waveform data Gz regarding the time-series data of the angular velocity in the horizontal plane (around the Z-axis).
  • the feature quantity B5 mainly includes features related to compensatory actions.
  • ⁇ Related item C> Related item C relates to leg muscle strength.
  • Lower extremity muscle strength can be evaluated by the results of the chair rise test.
  • the results of a 5-time chair stand-up test in which standing and sitting on a chair are repeated 5 times are evaluated.
  • the 5-time chair rise test is also called SS-5 (Sit to Stand-5) test.
  • the performance of the 5-time chair stand-up test is evaluated by the time taken to stand up and sit down on a chair 5 times (also referred to as standing-sitting time).
  • Standing and sitting time is the performance value of the SS-5 test. The shorter the standing and sitting time, the better the performance on the SS-5 test. It may be evaluated by the performance of the 30-Second Chair Standing (CS-30) test, which measures the number of times a chair stands up and sits down in 30 seconds.
  • CS-30 30-Second Chair Standing
  • the index of lower extremity muscle strength related to related item C is the standing-sitting time.
  • an estimate of the time to stand and sit five times is an indicator of leg muscle strength.
  • a score corresponding to the estimated standing-sitting time (also referred to as leg muscle strength score) is an indicator of leg muscle strength.
  • the leg muscle strength score is a value obtained by converting the standing-sitting time, which is an index of leg muscle strength, into points based on a preset standard. Leg muscle strength is affected by attributes such as age. Therefore, the lower extremity muscle strength score may be scored on the basis of each attribute. Note that the index of leg muscle strength is not limited to standing-sitting time as long as leg muscle strength can be scored.
  • Fig. 15 is a correspondence table summarizing the feature values used for estimating the muscle strength of the lower extremities.
  • the correspondence table in FIG. 15 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.
  • Standing and sitting time correlates with quadriceps, hamstrings, tibialis anterior, and gastrocnemius muscles. Therefore, feature amounts C1 to C4 extracted from walking phases in which these features appear are used for estimation of standing-sitting time.
  • the feature value C1 is extracted from the walking phase 42% to 54% section of the walking waveform data Gx related to the angular velocity time-series data in the sagittal plane (around the X axis).
  • the walking phase 42% to 54% is a section from the stance final phase T3 to the swing phase early phase T4.
  • the feature amount C1 mainly includes features relating to the movement of the gastrocnemius muscle.
  • the feature value C2 is extracted from the walking phase 99% to 100% section of the walking waveform data Gy regarding the time series data of the angular velocity in the coronal plane (around the Y axis).
  • the gait phase 99-100% is the final stage of terminal swing T7.
  • the feature amount C2 mainly includes features related to the movement of the quadriceps femoris muscle, hamstrings, and tibialis anterior muscle.
  • the feature value C3 is extracted from the walking phase 10% to 12% section of the walking waveform data Gy regarding the time-series data of the angular velocity in the coronal plane (around the Y axis).
  • the gait phase 10-12% is the beginning of mid-stance T2.
  • the feature amount C3 mainly includes features related to the movement of the quadriceps, hamstrings, and gastrocnemius.
  • the feature value C4 is extracted from the walking phase 99% section of the walking waveform data Ez regarding the time series data of the angle (attitude angle) in the horizontal plane (around the Z axis). 99% of the walking phase is the final stage of the terminal swing stage T7.
  • the feature amount C4 mainly includes features related to the movement of the quadriceps femoris muscle, hamstrings, and tibialis anterior muscle.
  • Related item D relates to movement ability.
  • Mobility ability can be evaluated by the score of a TUG (Time Up and Go) test.
  • the TUG test results are evaluated by the time taken to get up from the chair, walk to a landmark 3 m (meters) ahead, turn around, and sit back on the chair (also called TUG required time).
  • the TUG required time is the result value of the TUG test.
  • the shorter the TUG duration the better the TUG test performance.
  • Related item D may be evaluated by the performance of a test related to mobility ability other than the TUG test.
  • the index of mobility ability for related item D is the TUG required time.
  • an estimate of TUG duration is an indicator of mobility.
  • a score (also referred to as mobility score) corresponding to the estimated TUG duration is an indicator of mobility.
  • the mobility score is a value obtained by converting the TUG required time, which is an index of mobility, into points based on a preset standard. Mobility is affected by attributes such as age. Therefore, the mobility score may be scored on the basis of each attribute. Note that the indicator of mobility is not limited to the TUG required time as long as the mobility can be scored.
  • FIG. 16 is a correspondence table summarizing the feature values used for estimating mobility.
  • the correspondence table in FIG. 16 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.
  • TUG required time is correlated with quadriceps, gluteus maxims, and tibialis anterior. Therefore, feature amounts D1 to D6 extracted from walking phases in which these features appear are used for estimating the TUG required time.
  • the tensor fascia lata muscle is characterized during the gait phase 0-45% and 85-100%.
  • the gluteus maxims characteristic appears in the gait phase 0-25%.
  • the tibialis anterior muscle feature is present in the gait phase 0-10%, 57-100%.
  • the feature value D1 is extracted from the walking phase 64-65% section of the walking waveform data Ax related to the time-series data of lateral acceleration (X-direction acceleration). Walking phase 64-65% is included in swing initial T5.
  • the feature amount D1 mainly includes features related to the movement of the quadriceps femoris during standing and sitting motions.
  • the feature value D2 is extracted from the walking phase 57% to 58% section of the walking waveform data Gx related to the angular velocity time series data in the sagittal plane (around the X axis).
  • the walking phase 57-58% is included in the early swing phase T4.
  • the feature amount D2 mainly includes features related to the movement of the quadriceps muscle associated with the kicking speed of the leg.
  • the feature value D3 is extracted from the walking phase 19% to 20% section of the walking waveform data Gy regarding the time-series data of the angular velocity in the coronal plane (around the Y axis). Walking phase 19-20% is included in mid-stance T2.
  • the feature amount D3 mainly includes features related to the movement of the gluteus maxims muscle during direction change.
  • the feature value D4 is extracted from the walking phase 12% to 13% section of the walking waveform data Ez related to the angular velocity time-series data in the horizontal plane (around the Z axis). Walking phase 12-13% is the beginning of mid-stance T2.
  • the feature amount D4 mainly includes features related to the movement of the gluteus medius muscle during direction change.
  • the feature value D5 is extracted from the walking phase 74% to 75% section of the walking waveform data Ez related to the angular velocity time-series data in the horizontal plane (around the Z axis). Gait phase 74-75% is the beginning of mid-swing T6.
  • the feature amount D5 mainly includes features related to the movement of the tibialis anterior muscle during standing, sitting, and turning.
  • the feature value D6 is extracted from the walking phase 76% to 80% section of the walking waveform data Ey regarding the time series data of the angle (posture angle) in the coronal plane (around the Y axis).
  • the gait phase 76-80% is included in mid-swing T6.
  • the feature amount D6 mainly includes features related to the movement of the tibialis anterior muscle during standing, sitting, and turning.
  • Static balance can be assessed by the performance of the single leg standing test.
  • the performance of the one-legged standing test is evaluated based on the time required to keep one leg raised from the ground by 5 cm (centimeter) with eyes closed (also referred to as one-legged standing time).
  • Standing time on one leg is a static balance performance metric. The greater the time spent standing on one leg, the better the static balance performance.
  • Related item E may be evaluated by performance other than the eye-closed single leg standing test.
  • the related item E may be evaluated by a single-legged standing test with eyes open (one-legged standing test with eyes open) or other variations of the single-legged standing test.
  • the index of static balance for related item E is the standing time on one leg.
  • an estimate of single leg standing time is an indicator of static balance.
  • a score corresponding to the estimated single-leg standing time (also referred to as a static balance score) is an index of static balance.
  • the static balance score is a value obtained by converting the standing time on one leg, which is an index of static balance, into points based on a preset standard. Static balance is affected by attributes such as age and height. As such, the static balance score may be scored on an attribute-by-attribute basis.
  • the index of static balance is not limited to one-leg standing time as long as static balance can be scored.
  • FIG. 17 is a correspondence table summarizing the feature values used for estimating the static balance.
  • the correspondence table in FIG. 17 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 single leg standing time is correlated with the gluteus maxims, adductor longus, sartorius, and adductor abductor muscle groups. Therefore, the feature amounts E1 to E7 extracted from the walking phases in which these features appear are used for estimating the one-leg standing time.
  • the feature quantity E1 is extracted from the walking phase 13-19% section of the walking waveform data Ax related to the time-series data of lateral acceleration (X-direction acceleration). Walking phase 13-19% is included in mid-stance T2.
  • the feature quantity E1 mainly includes features related to the movement of the gluteus maxims.
  • the feature quantity E2 is extracted from the walking phase 95% section of the walking waveform data Az related to the vertical acceleration (Z-direction acceleration) time-series data. 95% of the walking phase is the final stage of the terminal swing stage T7.
  • the feature amount E2 mainly includes features related to the movement of the gluteus medius.
  • the feature quantity E3 is extracted from the walking phase 64-65% section of the walking waveform data Gy regarding the time series data of the angular velocity in the coronal plane (around the Y axis).
  • the gait phase 64-65% is included in swing early T5.
  • the feature quantity E3 mainly includes features related to the movements of the adductor longus and sartorius muscles.
  • the feature quantity E4 is extracted from the walking phase 11-16% section of the walking waveform data Gz related to the angular velocity time-series data in the horizontal plane (around the Z axis). Walking phases 11-16% are included in mid-stance T2.
  • the feature quantity E4 mainly includes features related to the movement of the gluteus maxims.
  • the feature quantity E5 is extracted from the walking phase 57-58% section of the walking waveform data Gz related to the angular velocity time-series data in the horizontal plane (around the Z axis).
  • the gait phase 57-58% is included in the pre-swing T4.
  • the feature quantity E5 mainly includes features related to the movements of the adductor longus and sartorius muscles.
  • the feature quantity E6 is extracted from the walking phase 100% section of the walking waveform data Ez regarding the time series data of the angle (attitude angle) in the horizontal plane (around the Z axis).
  • the 100% walking phase corresponds to the timing of heel contact at which the swing terminal period T7 is switched to the load response period T1.
  • the feature amount of the walking waveform data Ez in the walking phase 100% corresponds to the foot angle when the sole is in contact with the ground.
  • the feature quantity E6 mainly includes features relating to the movement of the gluteus maxims.
  • the feature value E7 is the distance (division amount) between the movement axis and the foot at the timing when the central axis of the foot is the farthest from the movement axis in the swing phase.
  • the feature amount E7 is the amount of division normalized by the height of the subject.
  • the feature amount E7 mainly includes features related to the movement of the adductor/abductor muscle group.
  • FIG. 18 is a correspondence table summarizing the feature values used for estimating the tendency to fall.
  • the correspondence table in FIG. 18 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 tendency to fall can be estimated based on the features that appear in the walking phases that are common to the five items among the walking phases in which the features of the five items described above appear.
  • the walking phases common to the five items are the section from immediately before heel contact to immediately after sole contact, the section before and after toe take-off, and the section before and after movement of Minimum Toe Clearance in the mid-swing period. Therefore, feature amounts F1 to F15 extracted from these walking phases are used for estimating the likelihood of falling.
  • the feature values F1 to F5 are extracted from the walking phase 0-13 and 95-100% sections. These sections correspond to the section from the walking phase 95% of the preceding walking cycle to the walking phase 13% of the succeeding walking cycle (section of walking phase 95-13%).
  • the walking phase 95-13% is a section (also referred to as the first section) from just before the heel strikes to just after the sole strikes.
  • the gait phase 95-13% extends from terminal swing T7 to the beginning of mid-stance T2.
  • F1 to F5 include quadriceps femoris (vastis lateralis, vastus intermedius, vastus medialis), hamstrings (semimembranosus, semitendinosus), tibialis anterior, tibialis posterior, and medial Features related to gluteal muscle movements are included.
  • the feature quantity F1 is extracted from the walking waveform data Ax related to the time-series data of lateral acceleration (X-direction acceleration).
  • the feature amount F2 is extracted from the walking waveform data Az related to time-series data of vertical direction acceleration (Z direction acceleration).
  • the feature quantity F3 is extracted from the walking waveform data Gy relating to time series data of angular velocity in the coronal plane (around the Y axis).
  • the feature quantity F4 is extracted from the walking waveform data Gz relating to the angular velocity time-series data in the horizontal plane (around the Z-axis).
  • the feature amount F5 is extracted from the walking waveform data Ez regarding the time-series data of the angle (attitude angle) in the horizontal plane (around the Z axis).
  • the feature quantities F6 to F12 are extracted from the walking phase 57-65% section.
  • a walking phase 57% to 65% is a section (also called a second section) before and after the tiptoe takes off.
  • the gait phase 57-65% extends from early swing T4 to early swing T5.
  • the feature amounts F6 to F12 include features related to movements of the iliopsoas muscle, quadriceps femoris (rectus femoris), adductor longus, gracilis, sartorius, and tibialis anterior.
  • the feature quantity F6 is extracted from the walking waveform data Ax regarding the time-series data of lateral acceleration (X-direction acceleration).
  • the feature amount F7 is extracted from the walking waveform data Ay relating to the time-series data of traveling direction acceleration (Y-direction acceleration).
  • the feature amount F8 is extracted from the walking waveform data Az related to time-series data of vertical acceleration (Z-direction acceleration).
  • the feature quantity F9 is extracted from the walking waveform data Gx relating to the angular velocity time-series data in the sagittal plane (around the X axis).
  • the feature quantity F10 is extracted from the walking waveform data Gy relating to the angular velocity time-series data in the coronal plane (around the Y axis).
  • the feature quantity F11 is extracted from the walking waveform data Gz relating to the angular velocity time-series data in the horizontal plane (around the Z-axis).
  • the feature quantity F12 is extracted from the walking waveform data Ez regarding the time-series data of the angle (attitude angle) in the horizontal plane (around the Z axis).
  • the feature quantities F13 to F15 are extracted from the walking phase 74-80% section.
  • the walking phase 74-80% is the section (also called the third section) before and after the Minimum Toe Clearance in the middle swing phase.
  • the gait phase 74-80% is included in mid-swing T6.
  • the feature amounts F13 to F15 include features related to the movement of the hamstrings (short head of biceps femoris), tibialis anterior muscle, and gracilis muscle.
  • the feature amount F13 is extracted from the walking waveform data Ay related to the time-series data of traveling direction acceleration (Y-direction acceleration).
  • the feature quantity F14 is extracted from the walking waveform data Gz relating to the angular velocity time-series data in the horizontal plane (around the Z-axis).
  • the feature amount F15 is extracted from the walking waveform data Ey regarding the time-series data of the angle (attitude angle) in the coronal plane (around the Y axis).
  • Estimatimated example 1 In FIG. 19, feature amounts F1 to F15 extracted from sensor data measured along with the user's walking are input to an estimation model 151 (first estimation model) constructed in advance for estimating the tendency to fall. It is a conceptual diagram which shows an example.
  • the estimation model 151 outputs an estimated value of the susceptibility to falls index (susceptibility to falls score SF) according to the input of the feature quantities F1 to F15.
  • the estimation model 151 is generated by learning using teacher data with the feature values F1 to F15 used for estimating the tendency to fall as explanatory variables and the tendency to fall as an objective variable.
  • the estimation results of the estimation model 151 are not limited.
  • the estimation model 151 may be a model for estimating the tendency to fall using attribute data as explanatory variables in addition to the feature quantities F1 to F15 used for estimating the tendency to fall.
  • the storage unit 132 stores an estimation model for estimating the tendency to fall using a multiple regression prediction method.
  • the storage unit 132 stores parameters for estimating the tendency to fall using Equation 1 below.
  • Easy to fall f1 x F1 + f2 x F2 + + f15 x F15 + f0 (1)
  • F3 to F14 are omitted.
  • f1, f2, . . . , f15 are coefficients (weights) by which F1, F2, . f0 is a constant term.
  • f3 to f14 are omitted.
  • f0, f1, . . . , f15 are stored in the storage unit 132 .
  • FIG. 20 shows an example of inputting the output of an estimation model 152 (pre-estimation model) for estimating scores of five items into an estimation model 153 (second estimation model) pre-constructed for estimating the tendency to fall. It is a conceptual diagram.
  • Estimation model 152 includes estimation model 152A, estimation model 152B, estimation model 152C, estimation model 152D, and estimation model 152E.
  • the estimation model 152A generates a score (total muscle strength score SA) is output.
  • the estimation model 152A may be different models for men and women. As long as an estimation result relating to an index of total muscle strength is output in response to the input of feature amount data for estimating total muscle strength, the estimation result of estimation model 152A is not limited.
  • the estimation model 152A may be a model that estimates dynamic balance using attribute data such as age and height as explanatory variables in addition to the feature amounts AM1 to AM4 or the feature amounts AF1 to AF3.
  • the storage unit 132 stores an estimation model 152A for estimating the total muscle strength score SA using the multiple regression prediction method.
  • the storage unit 132 stores parameters for estimating the total muscle strength score SA using Equation 2 below.
  • SA m(am1 ⁇ AM1+am2 ⁇ AM2+am3 ⁇ AM3+am4 ⁇ AM4+am0)+f(af1 ⁇ AF1+af2 ⁇ AF2+af3 ⁇ AF3+af0) (2)
  • AM1, AM2, AM3, and AM4 are feature amounts for each walking phase cluster used for estimating the male total muscle strength score SA shown in the correspondence table of FIG. am1, am2, am3, and am4 are coefficients (weights) by which AM1, AM2, AM3, and AM4 are multiplied.
  • am0 is a constant term.
  • AF1, AF2, and AF3 are feature amounts for each walking phase cluster used for estimating the total muscle strength score SA of the female shown in the correspondence table of FIG.
  • af1, af2, and af3 are coefficients (weights) by which AF1, AF2, and AF3 are multiplied.
  • af0 is a constant term.
  • m and f are flags corresponding to gender. If the user is male, m is 1 and f is 0. When the user is female, m is 0 and f is 1.
  • the storage unit 132 stores am0, am1, am2, am3, am4, af0, af1, af2, and af3.
  • the estimation model 152B outputs a score related to dynamic balance (dynamic balance score SB) according to the input of feature amounts B1 to B5 extracted from sensor data measured as the user walks.
  • a score related to dynamic balance (dynamic balance score SB)
  • the estimation result of the estimation model 152B is not limited.
  • the estimation model 152B may be a model that estimates dynamic balance using attribute data such as height as explanatory variables in addition to the feature amounts B1 to B5.
  • the storage unit 132 stores an estimation model for estimating the dynamic balance score SB using a multiple regression prediction method.
  • the storage unit 132 stores parameters for estimating the dynamic balance score SB using Equation 3 below.
  • SB b1 ⁇ B1+b2 ⁇ B2+b3 ⁇ B3+b4 ⁇ B4+b5 ⁇ B5+b0 (3)
  • B1, B2, B3, B4, and B5 are feature quantities for each walking phase cluster used for estimating dynamic balance shown in the correspondence table of FIG. b1, b2, b3, b4, and b5 are coefficients (weights) by which B1, B2, B3, B4, and B5 are multiplied.
  • b0 is a constant term.
  • the storage unit 132 stores b0, b1, b2, b3, b4, and b5.
  • the estimation model 152C outputs a score related to lower limb muscle strength (lower limb muscle strength score SC) according to the input of feature amounts C1 to C4 extracted from sensor data measured as the user walks.
  • a score related to lower limb muscle strength (lower limb muscle strength score SC)
  • SC lower limb muscle strength score
  • the estimation result of the estimation model 152C is not limited.
  • the estimation model 152C may be a model that estimates dynamic balance using attribute data such as age as explanatory variables in addition to the feature quantities C1 to C4.
  • the storage unit 132 stores an estimation model for estimating the leg muscle strength score SC using the multiple regression prediction method.
  • the storage unit 132 stores parameters for estimating the leg muscle strength score SC using Equation 4 below.
  • SC c1 ⁇ C1+c2 ⁇ C2+c3 ⁇ C3+c4 ⁇ C4+c0 (4)
  • C1, C2, C3, and C4 are feature amounts for each walking phase cluster used for estimating the leg muscle strength shown in the correspondence table of FIG.
  • c1, c2, c3, and c4 are coefficients (weights) by which C1, C2, C3, and C4 are multiplied.
  • c0 is a constant term.
  • the storage unit 132 stores c0, c1, c2, c3, and c4.
  • the estimation model 152D outputs a score related to mobility (mobility ability score SD) in accordance with the input of feature amounts D1 to D6 extracted from sensor data measured as the user walks.
  • a score related to mobility (mobility ability score SD)
  • the estimation result of estimation model 152D is not limited.
  • the estimation model 152D may be a model that estimates mobility using attribute data such as age as explanatory variables in addition to the feature quantities D1 to D6.
  • the storage unit 132 stores an estimation model for estimating the mobility score SD using a multiple regression prediction method.
  • the storage unit 132 stores parameters for estimating the mobility score SD using Equation 5 below.
  • SD d1 ⁇ D1+d2 ⁇ D2+d3 ⁇ D3+d4 ⁇ D4+d5 ⁇ D5+d6 ⁇ D6+d0 (5)
  • D1, D2, D3, D4, D5, and D6 are feature quantities for each walking phase cluster used for estimating mobility ability shown in the correspondence table of FIG. d1, d2, d3, d4, d5, and d6 are coefficients (weights) by which D1, D2, D3, D4, D5, and D6 are multiplied.
  • d0 is a constant term.
  • the storage unit 132 stores d0, d1, d2, d3, d4, d5, and d6.
  • the estimation model 152E outputs a score related to static balance (static balance score SE) according to input of feature amounts E1 to E7 extracted from sensor data measured as the user walks.
  • static balance score SE static balance score
  • the estimation result of estimation model 152E is not limited.
  • the estimation model 152E may be a model that estimates static balance using attribute data such as age and height as explanatory variables in addition to the feature quantities E1 to E7.
  • the storage unit 132 stores an estimation model for estimating static balance using a multiple regression prediction method.
  • the storage unit 132 stores parameters for estimating the static balance using Equation 6 below.
  • Single leg standing time e1 x E1 + e2 x E2 + e3 x E3 + e4 x E4 + e5 x E5 + e6 x E6 + e7 x E7 + e0 (6)
  • E1, E2, E3, E4, E5, E6, and E7 are feature quantities for each walking phase cluster used for estimating static balance shown in the correspondence table of FIG.
  • e1, e2, e3, e4, e5, e6, and e7 are coefficients (weights) by which E1, E2, E3, E4, E5, E6, and E7 are multiplied.
  • e0 is a constant term.
  • the storage unit 132 stores e0, e1, e2, e3, e4, e5, e6, and e7.
  • the estimation model 153 (second estimation model) outputs a score related to the tendency to fall (the tendency to fall easily score SF) according to the score input from the estimation model 152 . That is, the estimation model 153 outputs the susceptibility to falls score SF according to the five-item score input. At least one of the scores output from estimation model 152A, estimation model 152B, estimation model 152C, estimation model 152D, and estimation model 152E is input to estimation model 153 . That is, at least one of the scores output from estimation model 152A, estimation model 152B, estimation model 152C, estimation model 152D, and estimation model 152E should be input to estimation model 153 .
  • the estimation model 153 may be a model that estimates the tendency to fall using attribute data as explanatory variables in addition to the scores output from the estimation model 152 .
  • the storage unit 132 stores an estimation model for estimating the proneness to falls score SF using a multiple regression prediction method.
  • the storage unit 132 stores parameters for estimating the proneness to falls score SF using Equation 7 below.
  • SF sa ⁇ SA+sb ⁇ SB+sc ⁇ SC+sd ⁇ SD+se ⁇ SE+sf (7)
  • SA, SB, SC, SD, and SE are scores output from estimation model 152A, estimation model 152B, estimation model 152C, estimation model 152D, and estimation model 152E included in estimation model 152.
  • sa, sb, sc, sd, and se are coefficients (weights) by which SA, SB, SC, SD, and SE are multiplied.
  • sf is a constant term.
  • the storage unit 132 stores sa, sb, sc, sd, se, and sf.
  • FIG. 21 is a flowchart for explaining the operation of the feature amount data generation unit 12 included in the gait measuring device 10 in Estimation Example 1 (FIG. 19).
  • the feature amount data generation unit 12 will be explained as the main operator.
  • the feature amount data generation unit 12 acquires time-series data of sensor data related to foot movement (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 tendency to fall (step S104). For example, the feature amount data generation unit 12 extracts feature amounts input to an estimation model (first estimation model) constructed in advance.
  • 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 proneness to falls estimation device 13 (step S107).
  • FIG. 22 is a flowchart for explaining the operation of the tendency to fall estimation device 13 in Estimation Example 1 (FIG. 19). In the description along the flow chart of FIG. 22, the tendency to fall estimation device 13 will be described as an operating entity.
  • the tendency to fall estimation device 13 acquires feature amount data generated using sensor data relating to foot movement (step S111).
  • the tendency to fall estimation device 13 inputs the acquired feature amount data to an estimation model (first estimation model) for estimating the tendency to fall (standing time on one leg) (step S112).
  • the susceptibility to falls estimation device 13 estimates the susceptibility to falls of the user according to the output (estimated value) from the estimation model (first estimation model) (step S113). For example, the tendency to fall estimation device 13 estimates the user's one-leg standing time as the tendency to fall.
  • the tumbling tendency estimation device 13 outputs information on the estimated tumbling tendency (step S114). For example, the tendency to fall is output to a terminal device (not shown) carried by the user. For example, the ease of tipping is output to a system that executes processing using the ease of tipping.
  • FIG. 23 is a flowchart for explaining the operation of the feature amount data generator 12 included in the gait measuring device 10 in Estimation Example 2 (FIG. 20).
  • 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 foot movement (step S121).
  • 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 S122).
  • 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 S123).
  • 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 generates feature amounts used for estimating scores for the five items of total muscle strength of the whole body, dynamic balance, muscle strength of the lower limbs, mobility, and static balance. is extracted (step S124). For example, the feature amount data generation unit 12 extracts feature amounts input to an estimation model (pre-estimation model) constructed in advance.
  • the feature quantity data generation unit 12 uses the extracted feature quantity to generate a feature quantity for each walking phase cluster (step S125).
  • 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 S126).
  • the feature amount data generation unit 12 outputs the generated feature amount data to the proneness to falls estimation device 13 (step S127).
  • FIG. 24 is a flowchart for explaining the operation of the tendency to fall estimation device 13 in Estimation Example 2 (FIG. 20). In the description along the flow chart of FIG. 24, the tendency to fall estimation device 13 will be described as an operating entity.
  • the tendency to fall estimation device 13 acquires feature amount data used for estimating scores of five items related to the tendency to fall, generated using sensor data related to foot movements (step S131).
  • the five items related to susceptibility to falls are total body muscle strength, dynamic balance, leg muscle strength, locomotion ability, and static balance.
  • the susceptibility to falls estimation device 13 inputs the acquired feature amount data into an estimation model (pre-estimation model) including an estimation model for each item (step S132).
  • the susceptibility to falls estimation device 13 inputs the score output from the estimation model for each item included in the estimation model (pre-estimation model) into the susceptibility to falls estimation model (second estimation model) (step S132).
  • the fall susceptibility estimation device 13 estimates the user's susceptibility to falls according to the output (estimated value) from the susceptibility estimation model (second estimation model) (step S134). For example, the susceptibility to falls estimation device 13 estimates the susceptibility to falls score of the user using the total score output from the estimation model for each item. For example, the susceptibility to falls estimation device 13 estimates the susceptibility to falls score of the user using the average score output from the estimation model for each item. For example, the susceptibility to falls estimation device 13 weights the score output from the estimation model for each item for each item to estimate the susceptibility to falls score of the user.
  • the tumbling tendency estimation device 13 outputs information on the estimated tumbling susceptibility (step S135).
  • the tendency to fall is output to a terminal device (not shown) carried by the user.
  • the ease of tipping is output to a system that executes processing using the ease of tipping.
  • FIGS. 25 and 26 are concepts showing an example of displaying the results of estimation by the tendency to fall estimation device 13 on the screen of the mobile terminal 160 carried by the user who walks while wearing the shoes 100 on which the gait measurement device 10 is arranged. It is a diagram. 25 and 26 are examples of displaying on the screen of the mobile terminal 160 information according to the result of estimating the tendency to fall using feature amount data according to sensor data measured while the user is walking.
  • FIG. 25 is an example of the tumbling tendency score SF corresponding to the tumbling susceptibility estimation result displayed on the screen of the mobile terminal 160 .
  • a radar chart corresponding to the score values used for estimating the proneness to falls score SF is displayed on the screen of the mobile terminal 160 .
  • a user who has confirmed the value of the susceptibility to falls score SF displayed on the display unit of the mobile terminal 160 can recognize his/her own susceptibility to falls according to the value of the susceptibility to falls score SF.
  • the static balance score SE is low.
  • a user who has checked the radar chart displayed on the display unit of mobile terminal 160 can recognize that his or her own static balance score SE is low.
  • Information on the estimated tendency to fall may be provided to someone other than the user.
  • information about the estimated tendency to fall may be output to a terminal device (not shown) used by a trainer who manages the user's physical condition or a user's family.
  • information about the estimated tendency to fall may be recorded in a database (not shown) constructed for purposes such as health management.
  • FIG. 26 is another example in which the information on the tendency to fall according to the estimation result of the tendency to fall is displayed on the screen of the mobile terminal 160.
  • FIG. 26 the information about the tendency to fall is displayed on the screen of the mobile terminal 160 according to the estimation result of the tendency to fall.
  • the information regarding static balance which was the lowest among the scores of the five items for which the tendency to fall was also used, is displayed on the display unit of the mobile terminal 160 .
  • information about static balance is displayed on the display unit of mobile terminal 160 according to the estimated value of static balance score SE.
  • the recommendation information according to the estimation result of the static balance “Training Z 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 static balance by exercising with reference to the training Z video in accordance with the recommended information.
  • the tumbling tendency estimation system of this embodiment includes a gait measuring device and a tumbling tendency 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 used for estimating the tendency to fall 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.
  • the tendency to fall 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 a feature amount used for estimating the user's tendency to fall, which is extracted from sensor data relating to the movement of the user's feet.
  • the storage unit stores an estimation model that outputs an index of susceptibility to falls according to input of feature data.
  • the estimation unit inputs the acquired feature amount data to the estimation model.
  • the estimation unit estimates the user's tendency to fall according to the tendency to fall index output from the estimation model.
  • the output unit outputs information on the estimated tendency to fall.
  • the tumbling tendency estimation system of the present embodiment uses feature values extracted from sensor data related to the user's leg movements to estimate the user's tumbling tendency. Therefore, according to the tumbling tendency estimation system of the present embodiment, it is possible to appropriately estimate tumbling susceptibility in daily life without using a device for estimating tumbling tendency.
  • the data acquisition unit estimates the susceptibility to falls score as the susceptibility to falls index, which is extracted from walking waveform data generated using time-series data of sensor data related to foot movements.
  • Acquire feature amount data including the feature amount used for
  • the storage unit stores an estimation model that outputs a fall proneness score according to the input of the feature data.
  • the estimating unit inputs the acquired feature amount data to the estimation model, and estimates the user's tendency to fall according to the susceptibility to falls score output from the estimation model.
  • the susceptibility to falls can be appropriately estimated according to the susceptibility to falls score estimated using sensor data relating to foot movements.
  • the storage unit uses teacher data in which the feature amount used for estimating the susceptibility to falls index for multiple subjects is used as an explanatory variable, and the susceptibility to falls index of the multiple subjects is used as an objective variable. It stores the estimated model generated by the learning.
  • the estimating unit inputs the feature amount data acquired regarding the user to the estimation model, and estimates the user's tendency to fall according to the user's tendency to fall index output from the estimation model. According to this aspect, it is possible to appropriately estimate the tendency to fall using an estimation model that is trained with teacher data on a plurality of subjects.
  • the storage unit stores an estimation model learned using explanatory variables including attribute data of a plurality of subjects.
  • the estimation unit inputs the feature data and attribute data about the user to the estimation model, and estimates the user's tendency to fall according to the user's tendency to fall index output from the estimation model.
  • the tendency to fall is estimated including attribute data that influences the tendency to fall. Therefore, according to this aspect, the tendency to fall can be measured with higher accuracy according to the attributes of the user.
  • the storage unit stores, with respect to the walking waveform data of a plurality of subjects, teacher data in which a feature amount related to muscle activity extracted from a specific section is used as an explanatory variable and an index of susceptibility to falls is used as an objective variable.
  • the specific section includes at least one of the first section, the second section, and the third section.
  • the first section is a section from immediately before the heel strikes to immediately after the sole strikes. From the first segment, feature quantities relating to the activities of the quadriceps femoris, hamstrings, tibialis anterior, tibialis posterior, and gluteus maxims are extracted.
  • the second section is a section from the early stage of the free leg to the early stage of the free leg. From the second segment, feature quantities relating to the activities of the iliopsoas muscle, quadriceps femoris muscle, adductor longus muscle, gracilis muscle, sartorius muscle, and tibialis anterior muscle are extracted.
  • the third section is a section before and after the action of the minimum toe clearance in the mid-swing period. From the third segment, feature quantities relating to the activities of the hamstrings, tibialis anterior, and gracilis are extracted.
  • the estimating unit inputs the feature amount data acquired according to the user's walking to the first estimation model, and estimates the user's tendency to fall according to the user's tendency to fall index output from the first estimation model. do. According to this aspect, it is possible to estimate a tendency to fall more suited to physical activity by using an estimation model that has been trained with a feature amount according to muscle activity that affects the tendency to fall.
  • the storage unit uses at least one feature amount included in the first feature amount group, the second feature amount group, and the third feature amount group as an explanatory variable, and the tendency to fall index as an objective variable.
  • a first estimation model generated by learning using teacher data of is stored.
  • the first feature amount group is composed of at least one feature amount extracted from the first section.
  • the second feature amount group is composed of at least one feature amount extracted from the second section.
  • the third feature amount group is composed of at least one feature amount extracted from the third section.
  • the data acquisition unit acquires feature amount data including at least one feature amount included in the first feature amount group, the second feature amount group, and the third feature amount group, which are extracted according to the walking of the user.
  • the estimation unit inputs the acquired feature amount data to the first estimation model, and estimates the user's tendency to fall according to the user's tendency to fall index output from the first estimation model. According to this aspect, by using the feature amount extracted from the walking phase in which the feature amount according to the muscle activity that affects the tendency to fall is extracted, the tendency to fall more suitable for physical activity can be estimated.
  • the storage unit includes teacher data in which a feature amount extracted from a walking phase common to five items related to tumble tendency is used as an explanatory variable, and the tumble tendency index of a plurality of subjects is used as an objective variable.
  • the five items are total body strength, dynamic balance, leg strength, locomotion, and static balance.
  • the data acquisition unit acquires feature amount data including at least one feature amount included in the first feature amount group, the second feature amount group, and the third feature amount group, which are extracted according to the walking of the user.
  • the estimation unit inputs the acquired feature amount data to the first estimation model, and estimates the user's tendency to fall according to the user's tendency to fall index output from the first estimation model.
  • an estimation model is used that is trained with feature amounts extracted from walking waveform data that include features according to muscle activity that affects the tendency to fall. Therefore, according to this aspect, it is possible to estimate the tendency to fall more suited to physical activity.
  • the storage unit uses the score of at least one of the five items estimated using the walking waveform data of a plurality of subjects as an explanatory variable, and the teacher data that uses an index of susceptibility to falls as an objective variable. store the second estimation model generated by learning using .
  • the data acquisition unit acquires at least one score of the five items estimated according to the walking of the user.
  • the estimation unit inputs the obtained score to the second estimation model, and estimates the user's tendency to fall according to the user's tendency to fall index output from the second estimation model. According to this aspect, the tendency to fall can be appropriately estimated using scores related to the five items.
  • the storage unit stores training data in which a feature amount related to at least one of the five items is used as an explanatory variable, and a score of five items corresponding to the feature amount used as the explanatory variable is used as an objective variable.
  • the data acquisition unit acquires a feature amount relating to at least one of the five items extracted according to the walking of the user.
  • the estimation unit inputs the acquired feature amount to the pre-estimation model, inputs the score output from the pre-estimation model to the second estimation model, and outputs the score according to the user's tendency to fall index that is output from the second estimation model. to estimate the user's tendency to fall.
  • the tendency to fall estimation device is implemented in a terminal device having a screen that can be visually recognized by the user.
  • the tendency to fall estimation device displays on the screen of the terminal device information about the tendency to fall estimated according to sensor data about the movement of the user's feet.
  • the tendency to fall estimation device displays, on the screen of the terminal device, recommendation information corresponding to the tendency to fall estimated based on sensor data relating to the movement of the user's feet.
  • the susceptibility to tumble estimating device transmits, on the terminal device, a video related to training for training body parts related to susceptibility to tumble as recommendation information corresponding to the susceptibility to tumble estimated according to sensor data related to the movement of the user's legs. display on the screen.
  • the tendency to fall estimated according to the feature amount extracted from the sensor data related to the movement of the user's feet is displayed on a screen that can be viewed by the user. You can check the information according to
  • the learning system of this embodiment generates an estimation model for estimating the tendency to fall according to the input of the feature amount by learning using the feature amount data extracted from the sensor data measured by the gait measuring device. do.
  • FIG. 27 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 .
  • one gait measuring device 20 may be arranged for each of the left and right feet (two in total).
  • 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 tendency to fall. For example, the gait measuring device 20 generates feature amount data used for estimating the proneness to falling score SF.
  • the gait measuring device 20 generates feature amount data used for estimating scores for five items: total muscle strength of the whole body, dynamic balance, muscle strength of lower limbs, mobility, and static balance.
  • 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. For example, the learning device 25 learns teacher data that uses feature amount data extracted from a plurality of test subject walking waveform data as explanatory variables, and the tendency to fall score SF corresponding to the feature amount data as an objective variable.
  • 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 five-item scores corresponding to the feature amount data as objective variables.
  • the learning device 25 learns teacher data with at least one of the scores of the five items as an explanatory variable and with an easy-to-fall score SF corresponding to the score as an objective variable.
  • 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. 28 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 sets the feature amount data extracted from the sensor data measured according to the movement of the subject's leg as the explanatory variable, and the subject's tendency to fall score SF as the objective variable. learn as For example, the learning unit 253 uses the feature amount data extracted from the sensor data measured according to the movement of the subject's leg as the explanatory variable, and sets the subject's five-item score as the objective variable as teacher data. learn.
  • the learning unit 253 learns teacher data with at least one of the scores of the five items as an explanatory variable and with the proneness to falling score SF corresponding to the score as an objective variable. For example, the learning unit 253 generates an estimation model according to attribute data. For example, the learning unit 253 creates an estimation model for estimating the susceptibility to falls score SF using feature data extracted from sensor data measured in accordance with the movement of the subject's legs and attribute data of the subject 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 easy-to-fall index as the objective variable.
  • Perform ari 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. 29 is a conceptual diagram for explaining learning for generating an estimation model (first estimation model).
  • FIG. 29 is a conceptual diagram showing an example of learning by the learning unit 253 using a data set of feature values F1 to F15, which are explanatory variables, and an easy-to-fall tendency score SF (easiness to fall index), which is an objective variable, as teacher data. is.
  • the learning unit 253 learns data about a plurality of subjects, and outputs an output (estimated value) regarding the susceptibility to falls score SF (susceptibility to falls index) according to the input of the feature amount extracted from the sensor data.
  • Generate an estimation model (first estimation model).
  • FIG. 30 is a conceptual diagram for explaining learning for generating an estimation model (second estimation model).
  • FIG. 30 is a conceptual diagram showing an example of learning by the learning unit 253 using, as teacher data, a data set of five-item scores, which are explanatory variables, and the susceptibility to falls score SF (susceptibility to falls index), which is an objective variable. be.
  • the overall muscle strength score SA, the dynamic balance score SB, the leg muscle strength score SC, the mobility score SD, and the static balance score SE are used as explanatory variables, and the tendency to fall score SF (the tendency to fall index) is used as explanatory variables. ) is used as the objective variable.
  • the learning unit 253 is an estimation model ( second estimation model).
  • a plurality of estimation models included in the pre-estimation model may be generated individually, or a plurality of estimation models may be generated collectively.
  • the storage unit 255 stores an estimation model for estimating the tendency to fall, which has been learned for a plurality of subjects.
  • the estimation model stored in the storage unit 255 is used for estimating susceptibility to falls by the susceptibility 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 used for estimating the user's tendency to fall, 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 (first estimation model).
  • the estimation model (first 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 (first estimation model). Therefore, according to this aspect, it is possible to generate an estimation model that makes it possible to appropriately estimate the tendency to fall in daily life without using a tool for estimating the tendency to fall.
  • the gait measuring device measures at least one of the five items of total body muscle strength, dynamic balance, leg muscle strength, locomotion ability, and static balance from the normalized walking waveform data. Extract features related to .
  • the learning unit uses a feature amount related to at least one of the five items as an explanatory variable, and the learning using teacher data in which the score of the five items corresponding to the feature amount used as the explanatory variable is the objective variable.
  • Generate a model pre-estimation model
  • the learning unit generates an estimation model (second estimation model) that outputs an index of susceptibility to falls in accordance with an input score for at least one of the five items. According to this aspect, it is possible to generate an estimation model capable of appropriately estimating the tendency to fall according to the input of scores related to the five items.
  • the tendency to fall estimation device of the present embodiment has a simplified configuration of the tendency to fall estimation device included in the tendency to fall estimation system of the first embodiment.
  • FIG. 31 is a block diagram showing an example of the configuration of the tendency to fall estimation device 33 according to this embodiment.
  • the tendency to fall estimation device 33 includes a data acquisition unit 331 , a storage unit 332 , an estimation unit 333 , and an output unit 335 .
  • the data acquisition unit 331 acquires feature amount data including the feature amount used for estimating the user's tendency to fall index, which is extracted from the sensor data relating to the movement of the user's feet.
  • the storage unit 332 stores an estimation model that outputs an index of susceptibility to falls according to the input of feature amount data.
  • the estimating unit 333 inputs the acquired feature amount data to the estimation model, and estimates the user's tendency to fall according to the susceptibility to falls index output from the estimation model.
  • the output unit 335 outputs information on the estimated tendency to fall.
  • the user's tendency to fall is estimated using feature values extracted from sensor data relating to the movement of the user's feet. Therefore, according to the present embodiment, it is possible to appropriately estimate the tendency to fall in daily life without using an instrument for estimating the tendency to fall.
  • 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. 32 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 feature amounts used for estimating the tendency of the user to fall, extracted from sensor data relating to the movement of the user's feet; a storage unit that stores an estimation model that outputs an index of susceptibility to falls according to the input of the feature amount data; an estimating unit that inputs the acquired feature amount data into the estimation model and estimates the tendency of the user to fall according to the index of susceptibility to falls output from the estimation model; and an output unit that outputs information about the estimated susceptibility to falls of the user.
  • the data acquisition unit The feature quantity data including the feature quantity used for estimating the susceptibility to falls score as the susceptibility to falls index, which is extracted from the walking waveform data generated using the time-series data of the sensor data relating to foot movements. and get The storage unit storing the estimation model that outputs the proneness to falls score according to the input of the feature amount data;
  • the estimation unit The susceptibility to falls estimation according to appendix 1, wherein the susceptibility to falls of the user is estimated according to the susceptibility to falls score output from the estimation model by inputting the acquired feature amount data into the estimation model.
  • the storage unit The estimation model generated by learning using teacher data in which the feature amount used for estimating the susceptibility index of a plurality of subjects is an explanatory variable and the susceptibility index of the plurality of subjects is an objective variable.
  • the estimation unit Supplementary note 2 wherein the feature amount data acquired about the user is input to the estimation model, and the tendency to fall of the user is estimated according to the index of tendency to fall of the user output from the estimation model.
  • the storage unit storing the estimated model learned using explanatory variables including attribute data of the plurality of subjects;
  • the estimation unit Supplementary note 3 for inputting the feature amount data and the attribute data relating to the user into the estimation model, and estimating the tendency of the user to fall according to the index of tendency to fall of the user output from the estimation model.
  • the easy-to-fall property estimation device according to .
  • the storage unit Activities of the quadriceps femoris, hamstrings, tibialis anterior, tibialis posterior, and gluteus maxims extracted from the first section from immediately before heel contact to immediately after foot contact with respect to the walking waveform data of the plurality of subjects , the activity of the iliopsoas muscle, quadriceps femoris muscle, adductor longus muscle, gracilis muscle, sartorius muscle, and tibialis anterior muscle extracted from the second segment from the early swing period to the early swing period.
  • the estimation unit The feature amount data acquired according to the walking of the user is input to the first estimation model, and the ease of falling of the user is calculated according to the index of susceptibility to falls of the user output from the first estimation model. 5.
  • the tendency-to-fall estimation device according to appendix 3 or 4 for estimating the tendency to fall.
  • the storage unit With respect to the walking waveform data of the plurality of subjects, a first feature amount group composed of at least one feature amount extracted from the first section, and a first feature amount group composed of at least one feature amount extracted from the second section and at least one feature amount included in a third feature amount group configured by at least one feature amount extracted from the third interval as an explanatory variable, and the ease of the plurality of subjects storing the first estimation model generated by learning using teacher data with a fall index as an objective variable;
  • the data acquisition unit acquiring the feature amount data including at least one feature amount included in the first feature amount group, the second feature amount group, and the third feature amount group, which are extracted according to the walking of the user;
  • the estimation unit Supplementary note 5 for inputting the acquired feature amount data into the first estimation model and estimating the tendency of the user to fall according to the index of the tendency to fall of the user output from the first estimation model.
  • the easy-to-fall property estimation device according to . (Appendix 7)
  • the storage unit With respect to the walking waveform data of the plurality of subjects, among the five items of the walking phase in which feature amounts are extracted for each of the five items of total muscle strength of the whole body, dynamic balance, muscle strength of the lower extremities, locomotion ability, and static balance
  • the data acquisition unit acquiring the feature amount data including at least one feature amount included in the first feature amount group, the second feature amount group, and the third feature amount group, which are extracted according to the walking of the user;
  • the estimation unit Supplementary note 6 for inputting the acquired feature amount data into the first estimation model and estimating the tendency of the user to fall according to the index of tendency to fall of the user output from the first estimation model. 3.
  • the easy-to-fall property estimation device according to .
  • the storage unit The score of at least one of the five items of total muscle strength of the whole body, dynamic balance, muscle strength of the lower limbs, mobility, and static balance estimated using the walking waveform data of the plurality of subjects is used as an explanatory variable, storing a second estimation model generated by learning using supervised data with the subject's index of susceptibility to falls as an objective variable;
  • the data acquisition unit obtaining at least one of the scores for the five items estimated according to the walking of the user;
  • the easy-to-fall property estimation device according to .
  • the storage unit With respect to the walking waveform data of the plurality of subjects, a feature amount related to at least one of the five items is used as an explanatory variable, and the score of the five items corresponding to the feature amount used as the explanatory variable is used as an objective variable.
  • the data acquisition unit Acquiring a feature amount related to at least one of the five items extracted according to the walking of the user;
  • the estimation unit The acquired feature amount is input to the pre-estimation model, the score output from the pre-estimation model is input to the second estimation model, and the user's tendency to fall output from the second estimation model
  • the tendency to fall tendency estimation device according to appendix 8, which estimates the tendency to fall of the user according to an index.
  • Appendix 10 a fall proneness estimation device according to any one of Appendices 1 to 9;
  • the sensor that is installed on the footwear of the user whose tendency to fall is to be estimated, measures spatial acceleration and spatial angular velocity, and generates sensor data related to foot movement using the measured spatial acceleration and spatial angular velocity.
  • a sensor that outputs data and time-series data of the sensor data including gait features are acquired, walking waveform data for one step cycle is extracted from the time-series data of the sensor data, and the extracted walking waveform is obtained.
  • Data is normalized, and from the normalized gait waveform data, a feature quantity used for estimating the tendency to fall is extracted from a gait phase cluster composed of at least one temporally continuous gait phase, and extracted.
  • a gait measuring device having a feature amount data generating unit that generates feature amount data including the calculated feature amount and outputs the generated feature amount data to the fall tendency estimation apparatus; .
  • the easy-to-fall estimation device is implemented in a terminal device having a screen viewable by the user, 11.
  • the easy-to-fall estimation device is Fall proneness estimation according to appendix 11, wherein recommendation information corresponding to said proneness to falling estimated according to the feature amount extracted from said sensor data relating to foot movement of said user is displayed on the screen of said terminal device. system.
  • the easy-to-fall estimation device is As the recommendation information corresponding to the tendency to fall estimated according to the feature amount extracted from the sensor data related to the movement of the user's feet, a video related to training for training the body part related to the tendency to fall is used.
  • the easy-to-fall estimation system according to appendix 12, which is displayed on the screen of the terminal device.
  • (Appendix 14) the computer Acquiring feature amount data including feature amounts used for estimating the tendency of the user to fall, extracted from sensor data relating to the movement of the user's feet; inputting the acquired feature amount data into an estimation model that outputs an index of susceptibility to falls according to the input of the feature amount data; estimating the susceptibility to falls of the user according to the susceptibility to falls index output from the estimation model; A fall-proneness estimation method for outputting information on the estimated fall-proneness of the user.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Dentistry (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Alarm Systems (AREA)

Abstract

日常生活において易転倒性を適宜推定するために、ユーザの足の動きに関するセンサデータから抽出された、ユーザの易転倒性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易転倒性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、推定モデルから出力された易転倒性指標に応じて、ユーザの易転倒性を推定する推定部と、推定されたユーザの易転倒性に関する情報を出力する出力部と、を備える易転倒性推定装置とする。

Description

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
　本開示は、足の動きに関するセンサデータを用いて、易転倒性を推定する易転倒性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。例えば、センサデータから抽出された特徴量に基づいて、転倒リスクの指標の一つである易転倒性を推定できれば、思いもよらぬ転倒等を回避できる可能性がある。
　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。
　特許文献２には、日常生活の撮影画像に基づいて、高齢者の管理対象者の転倒リスクを評価するシステムについて開示されている。特許文献２のシステムは、二次元画像と三次元情報を出力するステレオカメラに撮影された管理対象者を認証する。特許文献２のシステムは、認証した管理対象者を追跡し、その管理対象者の歩行の特徴量を算出する。特許文献２のシステムは、得られたデータを統合した統合データに基づいて、管理対象者の転倒指標値を算出する。特許文献２のシステムは、算出した転倒指標値と閾値との関係に応じて、管理対象者の転倒リスクを評価する。
国際公開第２０２１／１４０６５８号 国際公開第２０２１／１８６６５５号
　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、易転倒性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、ステレオカメラにから出力された二次元画像と三次元情報を用いて、管理対象者の転倒リスクを評価する。特許文献２の手法は、ステレオカメラによって撮影できる環境であれば、管理対象者の転倒リスクを評価できる。しかしながら、特許文献２の手法は、障害物が多い場所や、屋外などのように、ステレオカメラでカバーしきれない環境においては、易転倒性を適宜推定できなかった。
　本開示の目的は、日常生活において、易転倒性を適宜推定できる易転倒性推定装置等を提供することにある。
　本開示の一態様の易転倒性推定装置は、ユーザの足の動きに関するセンサデータから抽出された、ユーザの易転倒性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易転倒性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、推定モデルから出力された易転倒性指標に応じて、ユーザの易転倒性を推定する推定部と、推定されたユーザの易転倒性に関する情報を出力する出力部と、を備える。
　本開示の一態様の易転倒性推定方法においては、ユーザの足の動きに関するセンサデータから抽出された、ユーザの易転倒性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易転倒性指標を出力する推定モデルに入力し、推定モデルから出力された易転倒性指標に応じて、ユーザの易転倒性を推定し、推定されたユーザの易転倒性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、ユーザの足の動きに関するセンサデータから抽出された、ユーザの易転倒性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易転倒性指標を出力する推定モデルに入力する処理と、推定モデルから出力された易転倒性指標に応じて、ユーザの易転倒性を推定する処理と、推定されたユーザの易転倒性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、易転倒性を適宜推定できる易転倒性推定装置等を提供することが可能になる。
第１の実施形態に係る易転倒性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の実施形態に係る易転倒性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に関する説明で用いられる歩容パラメータ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の実施形態に係る易転倒性推定システムが備える易転倒性推定装置の構成の一例を示すブロック図である。 第１の実施形態に係る易転倒性推定システムの推定対象である易転倒性に関連する項目について説明するための概念図である。 第１の実施形態に係る易転倒性推定システムの推定対象である易転倒性に関連する全身の総合筋力（握力）に関する特徴量をまとめた表である。 第１の実施形態に係る易転倒性推定システムの推定対象である易転倒性に関連する動的バランスに関する特徴量をまとめた表である。 第１の実施形態に係る易転倒性推定システムの推定対象である易転倒性に関連する下肢筋力に関する特徴量をまとめた表である。 第１の実施形態に係る易転倒性推定システムの推定対象である易転倒性に関連する移動能力に関する特徴量をまとめた表である。 第１の実施形態に係る易転倒性推定システムの推定対象である易転倒性に関連する静的バランスに関する特徴量をまとめた表である。 第１の実施形態に係る易転倒性推定システムの推定対象である易転倒性に関する特徴量をまとめた表である。 第１の実施形態に係る易転倒性推定システムが備える易転倒性推定装置による易転倒性スコア（易転倒性指標）の推定例を示す概念図である。 第１の実施形態に係る易転倒性推定システムが備える易転倒性推定装置による易転倒性スコア（易転倒性指標）の推定例を示す概念図である。 第１の実施形態に係る易転倒性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の実施形態に係る易転倒性推定システムが備える易転倒性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の実施形態に係る易転倒性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の実施形態に係る易転倒性推定システムが備える易転倒性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の実施形態に係る易転倒性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の実施形態に係る易転倒性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の実施形態に係る易転倒性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の実施形態に係る易転倒性推定システムについて図面を参照しながら説明する。本実施形態の易転倒性推定システムは、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。本実施形態の易転倒性推定システムは、計測されたセンサデータを用いて、そのユーザの易転倒性を推定する。
　本実施形態では、歩行パターンに含まれる特徴（歩容とも呼ぶ）と転倒リスクとの関連性に応じて、易転倒性を推定する例を挙げる。転倒リスクの指標の一つである易転倒性は、歩容パラメータの変動性に基づいて評価できる。本実施形態では、歩容に関連する五つの関連項目（五項目とも呼ぶ）を用いて、易転倒性を推定する。五項目は、全身の総合筋力（握力）、動的バランス、下肢筋力、移動能力、および静的バランスに関する。これらの五項目は、易転倒性との相関を有する。五項目は、互いにある程度の関連性があるが、基本的に独立しているとみなす。本実施形態においては、五項目の全てに基づいて易転倒性を推定する例を挙げるが、易転倒性は、五項目のうち少なくとも一つに基づいて推定できる。
　（構成）
　図１は、本実施形態に係る易転倒性推定システム１の構成の一例を示すブロック図である。易転倒性推定システム１は、歩容計測装置１０と易転倒性推定装置１３を備える。本実施形態においては、歩容計測装置１０と易転倒性推定装置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、易転倒性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、易転倒性推定装置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および易転倒性推定装置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。Ｐ１は、右足の踵が接地する事象（踵接地）を表す（ＨＣ：Heel Contact）。Ｐ２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）。Ｐ３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）。Ｐ４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）。Ｐ５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）。Ｐ６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）。Ｐ７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）。Ｐ８は、右足の踵が接地する事象（踵接地）を表す（ＨＣ：Heel Contact）。Ｐ８は、Ｐ１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、歩容パラメータの一例について説明するための概念図である。図７には、右足ステップ長ＳR、左足ステップ長ＳL、ストライド長Ｔ、歩隔Ｗ、足角Ｆ、および分回し量ＤＩを図示する。また、図７には、進行方向の軸（Ｙ軸）に平行であり、左右の足の中間を結ぶ軌跡に相当する進行軸ＰＡを図示する。右足ステップ長ＳRは、左足の足裏が接地した状態から、進行方向に振り出された右足の踵が着地した状態に遷移した際の、右足の踵と左足の踵とのＹ座標の差である。左足ステップ長ＳLは、右足の足裏が接地した状態から、進行方向に振り出された左足の踵が着地した状態に遷移した際の、左足の踵と右足の踵とのＹ座標の差である。ストライド長Ｔは、右足ステップ長ＳRと左足ステップ長ＳLの和である。歩隔Ｗは、右足と左足の間隔である。図７において、歩隔Ｗは、接地した状態における右足の踵の中心線（Ｘ座標）と、接地した状態における左足の踵の中心線（Ｘ座標）との差である。足角Ｆは、足裏面が接地した状態において、足の中心線と進行方向（Ｙ軸）が成す角度である。本実施形態においては、立脚相において、足が接地している状態の足角を評価する。分回し量ＤＩは、遊脚相において足の中心軸が進行軸ＰＡから最も離れたタイミングにおける、進行軸ＰＡと足の距離である。本実施形態において、分回し量ＤＩは、下肢の長さが影響するので、身長で正規化される。
　図８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８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９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９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９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９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８～図９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、易転倒性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。易転倒性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１０は、一歩行周期分の歩行波形データから、易転倒性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ＣＬとして抽出する（ｉ、ｍは自然数）。歩行フェーズクラスターＣＬ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ＣＬ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１０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ＣＬ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ＣＬ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易転倒性推定装置１３に出力する。
　〔易転倒性推定装置〕
　図１１は、易転倒性推定装置１３の構成の一例を示すブロック図である。易転倒性推定装置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、易転倒性を推定する推定モデルを記憶する。記憶部１３２は、複数の被験者に関して学習された、易転倒性を推定する推定モデルを記憶する。例えば、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の入力に応じて、易転倒性指標（易転倒性スコアとも呼ぶ）を出力する推定モデルを記憶する。
　図１２は、易転倒性に関連する五つの関連項目（五項目とも呼ぶ）について説明するための概念図である。易転倒性には、全身の総合筋力（握力）、動的バランス、下肢筋力、移動能力、および静的バランスの五項目が関連する。易転倒性に関連する、全身の総合筋力（握力）、動的バランス、下肢筋力、移動能力、および静的バランスの五項目の詳細については、後述する。
　例えば、記憶部１３２は、五項目の推定に共通する特徴量データの入力に応じて、易転倒性指標（易転倒性スコア）を出力する推定モデル（第１推定モデルとも呼ぶ）を記憶する。例えば、記憶部１３２は、五項目の各々のスコアを推定するために用いられる特徴量データの入力に応じて、五項目の各々のスコアを出力する推定モデル（プレ推定モデルとも呼ぶ）を記憶する。例えば、記憶部１３２は、五項目のスコアの入力に応じて、易転倒性指標（易転倒性スコア）を出力する推定モデル（第２推定モデルとも呼ぶ）を記憶する。
　推定モデルは、製品の工場出荷時や、易転倒性推定システム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、易転倒性の推定を実行する。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易転倒性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による易転倒性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、易転倒性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。易転倒性推定装置１３から出力された易転倒性の使用に関しては、特に限定を加えない。
　例えば、易転倒性推定装置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、易転倒性推定装置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、易転倒性推定装置１３は、無線通信を介して、携帯端末に接続される。例えば、易転倒性推定装置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、易転倒性推定装置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。易転倒性の推定結果は、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。
　次に、図１２に示した易転倒性に関連する、全身の総合筋力（握力）、動的バランス、下肢筋力、移動能力、および静的バランスの五項目の各々について、個別に説明する。五項目の各々について説明した後に、易転倒性の推定に用いられる特徴量について説明する。易転倒性は、五項目に共通する特徴量を用いて、推定される。
　＜関連項目Ａ＞
　関連項目Ａは、全身の総合筋力に関する。総合筋力と握力との間には、相関関係がある。また、握力は、膝伸展力との間にも相関関係がある。関連項目Ａに関する総合筋力の指標の一つは、握力である。例えば、握力の推定値が、総合筋力の指標である。例えば、握力の推定値に応じたスコア（総合筋力スコアとも呼ぶ）が、総合筋力の指標である。総合筋力スコアは、総合筋力の指標である握力を、予め設定された基準で点数化した値である。握力は、性別や年齢、身長などの属性の影響を受ける。そのため、総合筋力スコアは、属性ごとの基準で点数化されてもよい。特に、握力は、性別の影響を受ける。そのため、総合筋力スコアは、性別に応じて異なる基準で点数化されてもよい。なお、総合筋力の指標は、総合筋力をスコア化できれば、握力に限定されない。
　図１３は、全身の総合筋力（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１３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。握力の推定に用いられる特徴量が抽出される歩行フェーズは、性別によって異なる。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ＡＭ１～ＡＭ４が用いられる。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ＡＦ１～ＡＦ３が用いられる。
　特徴量ＡＭ１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ＡＭ１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。
　特徴量ＡＭ２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ＡＭ２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。
　特徴量ＡＭ３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ＡＭ３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。
　特徴量ＡＭ４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ＡＭ４には、主に、大腿四頭筋に起因する特徴が含まれる。
　特徴量ＡＦ１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ＡＦ１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。
　特徴量ＡＦ２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ＡＦ２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。
　特徴量ＡＦ３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ＡＦ３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。
　＜関連項目Ｂ＞
　関連項目Ｂは、動的バランスに関する。動的バランスは、ファンクショナル・リーチ・テスト（ＦＲＴ：Functional Reach Test）の成績によって評価できる。本実施形態では、両手を水平面に対して９０度挙上して立位した状態から、可能な限り前方へ上肢を移動させた状態における指先間の距離（ファンクショナル・リーチ距離とも呼ぶ）で、ＦＲＴの成績を評価する。ファンクショナル・リーチ距離（以下、ＦＲ距離と呼ぶ）は、ＦＲＴの成績値である。ＦＲ距離が大きいほど、ＦＲＴの成績が高い。関連項目Ｂは、両手で行われるＦＲＴ以外で評価されてもよい。例えば、関連項目Ｂは、片手で行われるＦＲＴや、その他のＦＲＴのバリエーションに関する成績で評価されてもよい。
　関連項目Ｂに関する動的バランスの指標は、ＦＲ距離である。例えば、ＦＲ距離の推定値が、動的バランスの指標である。例えば、ＦＲ距離の推定値に応じたスコア（動的バランススコアとも呼ぶ）が、動的バランスの指標である。動的バランススコアは、動的バランスの指標であるＦＲ距離を、予め設定された基準で点数化した値である。動的バランスは、身長などの属性の影響を受ける。そのため、動的バランススコアは、属性ごとの基準で点数化されてもよい。なお、動的バランスの指標は、動的バランスをスコア化できれば、ＦＲ距離に限定されない。
　図１４は、動的バランスの推定に用いられる特徴量をまとめた対応表である。図１４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。ＦＲ距離は、中殿筋や腸骨筋、ハムストリングス（大腿二頭筋長頭）、前脛骨筋等の活動、および足先の向きを外側にする代償動作の大きさとの間に相関がある。そのため、ＦＲ距離の推定には、これらの特徴が表れる歩行フェーズから抽出される特徴量Ｂ１～Ｂ５が用いられる。
　特徴量Ｂ１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７５－７９％の区間から抽出される。歩行フェーズ７５－７９％は、遊脚中期Ｔ６に含まれる。特徴量Ｂ１には、主に、前脛骨筋や大腿二頭筋短頭の動きに関する特徴が含まれる。
　特徴量Ｂ２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６２％の区間から抽出される。歩行フェーズ６２％は、遊脚初期Ｔ５に含まれる。特徴量Ｂ２には、主に、腸骨筋の動きに関する特徴が含まれる。
　特徴量Ｂ３は、冠状面内（Ｙ軸周り）における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７～８％の区間から抽出される。歩行フェーズ７～８％は、荷重応答期Ｔ１に含まれる。特徴量Ｂ３には、主に、中殿筋の動きに関する特徴が含まれる。
　特徴量Ｂ４は、水平面内（Ｚ軸周り）における角度（姿勢角）の時系列データに関する歩行波形データＥｚの歩行フェーズ５７～５８％の区間から抽出される。歩行フェーズ５７～５８％は、遊脚前期Ｔ４に含まれる。特徴量Ｂ４には、主に、代償動作に関する特徴が含まれる。代償動作は、加齢に伴うバランス能力や筋機能の低下を補うために、足角を変化させて安定性を獲得する動作である。
　特徴量Ｂ５は、遊脚相における水平面内における足角の平均値である。例えば、特徴量Ｂ５は、歩行波形データＥｚの遊脚相における平均値である。言い換えると、特徴量Ｂ５は、水平面内（Ｚ軸周り）の角速度の時系列データに関する歩行波形データＧｚの積分値である。特徴量Ｂ５には、主に、代償動作に関する特徴が含まれる。
　＜関連項目Ｃ＞
　関連項目Ｃは、下肢筋力に関する。下肢筋力は、椅子立ち上がりテストの成績によって評価できる。本実施形態では、椅子の立ち座りを５回繰り返す５回椅子立ち上がりテストの成績を評価する。５回椅子立ち上がりテストのことを、ＳＳ－５（Sit to Stand-5）テストとも呼ぶ。５回椅子立ち上がりテストの成績は、椅子の立ち座りを５回繰り返す時間（立ち座り時間とも呼ぶ）で評価する。立ち座り時間は、ＳＳ－５テストの成績値である。立ち座り時間が短いほど、ＳＳ－５テストの成績が高い。３０秒間における椅子の立ち座り動作回数を計測する３０秒椅子立ち上がり（ＣＳ－３０）テストの成績で評価されてもよい。
　関連項目Ｃに関する下肢筋力の指標は、立ち座り時間である。例えば、５回立ち座り時間の推定値が、下肢筋力の指標である。例えば、立ち座り時間の推定値に応じたスコア（下肢筋力スコアとも呼ぶ）が、下肢筋力の指標である。下肢筋力スコアは、下肢筋力の指標である立ち座り時間を、予め設定された基準で点数化した値である。下肢筋力は、年齢などの属性の影響を受ける。そのため、下肢筋力スコアは、属性ごとの基準で点数化されてもよい。なお、下肢筋力の指標は、下肢筋力をスコア化できれば、立ち座り時間に限定されない。
　図１５は、下肢筋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１５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。立ち座り時間は、大腿四頭筋や、ハムストリングス、前脛骨筋、腓腹筋との間に相関がある。そのため、立ち座り時間の推定には、これらの特徴が表れる歩行フェーズから抽出される特徴量Ｃ１～Ｃ４が用いられる。
　特徴量Ｃ１は、矢状面内（Ｘ軸周り）における角速度の時系列データに関する歩行波形データＧｘの歩行フェーズ４２～５４％の区間から抽出される。歩行フェーズ４２～５４％は、立脚終期Ｔ３から遊脚前期Ｔ４にかけた区間である。特徴量Ｃ１には、主に、腓腹筋の動きに関する特徴が含まれる。
　特徴量Ｃ２は、冠状面内（Ｙ軸周り）における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９９～１００％の区間から抽出される。歩行フェーズ９９～１００％は、遊脚終期Ｔ７の終盤である。特徴量Ｃ２には、主に、大腿四頭筋やハムストリングス、前脛骨筋の動きに関する特徴が含まれる。
　特徴量Ｃ３は、冠状面内（Ｙ軸周り）における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１０～１２％の区間から抽出される。歩行フェーズ１０～１２％は、立脚中期Ｔ２の序盤である。特徴量Ｃ３には、主に、大腿四頭筋やハムストリングス、腓腹筋の動きに関する特徴が含まれる。
　特徴量Ｃ４は、水平面内（Ｚ軸周り）における角度（姿勢角）の時系列データに関する歩行波形データＥｚの歩行フェーズ９９％の区間から抽出される。歩行フェーズ９９％は、遊脚終期Ｔ７の終盤である。特徴量Ｃ４には、主に、大腿四頭筋やハムストリングス、前脛骨筋の動きに関する特徴が含まれる。
　＜関連項目Ｄ＞
　関連項目Ｄは、移動能力に関する。移動能力は、ＴＵＧ（Time Up and Go）テストの成績によって評価できる。本実施形態では、椅子から立ち上がり、３ｍ（メートル）先の目印まで歩いて方向転換し、再び椅子に座るまでの時間（ＴＵＧ所要時間とも呼ぶ）で、ＴＵＧテストの成績を評価する。ＴＵＧ所要時間は、ＴＵＧテストの成績値である。ＴＵＧ所要時間が短いほど、ＴＵＧテストの成績が高い。関連項目Ｄは、ＴＵＧテスト以外の移動能力に関するテストの成績で評価されてもよい。
　関連項目Ｄに関する移動能力の指標は、ＴＵＧ所要時間である。例えば、ＴＵＧ所要時間の推定値が、移動能力の指標である。例えば、ＴＵＧ所要時間の推定値に応じたスコア（移動能力スコアとも呼ぶ）が、移動能力の指標である。移動能力スコアは、移動能力の指標であるＴＵＧ所要時間を、予め設定された基準で点数化した値である。移動能力は、年齢などの属性の影響を受ける。そのため、移動能力スコアは、属性ごとの基準で点数化されてもよい。なお、移動能力の指標は、移動能力をスコア化できれば、ＴＵＧ所要時間に限定されない。
　図１６は、移動能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１６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。ＴＵＧ所要時間は、大腿四頭筋や、中殿筋、前脛骨筋との間に相関がある。そのため、ＴＵＧ所要時間の推定には、これらの特徴が表れる歩行フェーズから抽出される特徴量Ｄ１～Ｄ６が用いられる。大腿筋膜張筋の特徴は、歩行フェーズ０～４５％、８５～１００％に表れる。中殿筋の特徴は、歩行フェーズ０～２５％に表れる。前脛骨筋の特徴は、歩行フェーズ０～１０％、５７～１００％に表れる。
　特徴量Ｄ１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６４～６５％の区間から抽出される。歩行フェーズ６４～６５％は、遊脚初期Ｔ５に含まれる。特徴量Ｄ１には、主に、立ち座り動作における大腿四頭筋の動きに関する特徴が含まれる。
　特徴量Ｄ２は、矢状面内（Ｘ軸周り）における角速度の時系列データに関する歩行波形データＧｘの歩行フェーズ５７～５８％の区間から抽出される。歩行フェーズ５７～５８％は、遊脚前期Ｔ４に含まれる。特徴量Ｄ２には、主に、足の蹴り出し速度に関連する大腿四頭筋の動きに関する特徴が含まれる。
　特徴量Ｄ３は、冠状面内（Ｙ軸周り）における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１９～２０％の区間から抽出される。歩行フェーズ１９～２０％は、立脚中期Ｔ２に含まれる。特徴量Ｄ３には、主に、方向転換における中殿筋の動きに関する特徴が含まれる。
　特徴量Ｄ４は、水平面内（Ｚ軸周り）における角速度の時系列データに関する歩行波形データＥｚの歩行フェーズ１２～１３％の区間から抽出される。歩行フェーズ１２～１３％は、立脚中期Ｔ２の序盤である。特徴量Ｄ４には、主に、方向転換における中殿筋の動きに関する特徴が含まれる。
　特徴量Ｄ５は、水平面内（Ｚ軸周り）における角速度の時系列データに関する歩行波形データＥｚの歩行フェーズ７４～７５％の区間から抽出される。歩行フェーズ７４～７５％は、遊脚中期Ｔ６の序盤である。特徴量Ｄ５には、主に、立ち座りおよび方向転換における前脛骨筋の動きに関する特徴が含まれる。
　特徴量Ｄ６は、冠状面内（Ｙ軸周り）における角度（姿勢角）の時系列データに関する歩行波形データＥｙの歩行フェーズ７６～８０％の区間から抽出される。歩行フェーズ７６～８０％は、遊脚中期Ｔ６に含まれる。特徴量Ｄ６には、主に、立ち座りおよび方向転換における前脛骨筋の動きに関する特徴が含まれる。
　＜関連項目Ｅ＞
　関連項目Ｅは、静的バランスに関する。静的バランスは、片脚立位テストの成績によって評価できる。本実施形態では、目を閉じて、片脚を地面から５ｃｍ（センチメートル）挙上した状態を維持した時間（片脚立位時間とも呼ぶ）で、片脚立位テストの成績を評価する。片脚立位時間は、静的バランスの成績値である。片脚立位時間が大きいほど、静的バランスの成績が高い。関連項目Ｅは、閉眼片脚立位テスト以外の成績で評価されてもよい。例えば、関連項目Ｅは、目を開けた状態での片脚立位テスト（開眼片脚立位テスト）や、その他の片脚立位テストのバリエーションで評価されてもよい。
　関連項目Ｅに関する静的バランスの指標は、片脚立位時間である。例えば、片脚立位時間の推定値が、静的バランスの指標である。例えば、片脚立位時間の推定値に応じたスコア（静的バランススコアとも呼ぶ）が、静的バランスの指標である。静的バランススコアは、静的バランスの指標である片脚立位時間を、予め設定された基準で点数化した値である。静的バランスは、年齢や身長などの属性の影響を受ける。そのため、静的バランススコアは、属性ごとの基準で点数化されてもよい。なお、静的バランスの指標は、静的バランスをスコア化できれば、片脚立位時間に限定されない。
　図１７は、静的バランスの推定に用いられる特徴量をまとめた対応表である。図１７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。片脚立位時間は、中殿筋や長内転筋、縫工筋、内外転筋肉群との間に相関がある。そのため、片脚立位時間の推定には、これらの特徴が表れる歩行フェーズから抽出される特徴量Ｅ１～Ｅ７が用いられる。
　特徴量Ｅ１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１３－１９％の区間から抽出される。歩行フェーズ１３－１９％は、立脚中期Ｔ２に含まれる。特徴量Ｅ１には、主に、中殿筋の動きに関する特徴が含まれる。
　特徴量Ｅ２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９５％の区間から抽出される。歩行フェーズ９５％は、遊脚終期Ｔ７の終盤である。特徴量Ｅ２には、主に、中殿筋の動きに関する特徴が含まれる。
　特徴量Ｅ３は、冠状面内（Ｙ軸周り）における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６４－６５％の区間から抽出される。歩行フェーズ６４－６５％は、遊脚初期Ｔ５に含まれる。特徴量Ｅ３には、主に、長内転筋および縫工筋の動きに関する特徴が含まれる。
　特徴量Ｅ４は、水平面内（Ｚ軸周り）における角速度の時系列データに関する歩行波形データＧｚの歩行フェーズ１１－１６％の区間から抽出される。歩行フェーズ１１－１６％は、立脚中期Ｔ２に含まれる。特徴量Ｅ４には、主に、中殿筋の動きに関する特徴が含まれる。
　特徴量Ｅ５は、水平面内（Ｚ軸周り）における角速度の時系列データに関する歩行波形データＧｚの歩行フェーズ５７－５８％の区間から抽出される。歩行フェーズ５７－５８％は、遊脚前期Ｔ４に含まれる。特徴量Ｅ５には、主に、長内転筋および縫工筋の動きに関する特徴が含まれる。
　特徴量Ｅ６は、水平面内（Ｚ軸周り）における角度（姿勢角）の時系列データに関する歩行波形データＥｚの歩行フェーズ１００％の区間から抽出される。歩行フェーズ１００％は、遊脚終期Ｔ７から荷重応答期Ｔ１に切り替わる踵接地のタイミングに相当する。歩行フェーズ１００％における歩行波形データＥｚの特徴量は、足裏が接地した状態における足角に相当する。特徴量Ｅ６には、主に、中殿筋の動きに関する特徴が含まれる。
　特徴量Ｅ７は、遊脚相において足の中心軸が進行軸から最も離れたタイミングにおける、進行軸と足の距離（分回し量）である。特徴量Ｅ７は、被験者の身長で規格化された分回し量である。特徴量Ｅ７には、主に、内外転筋肉群の動きに関する特徴が含まれる。
　＜易転倒性＞
　図１８は、易転倒性の推定に用いられる特徴量をまとめた対応表である。図１８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。易転倒性は、上述した五項目の特徴が表れる歩行フェーズのうち、五項目に共通する歩行フェーズに表れる特徴に基づいて、推定できる。五項目に共通の歩行フェーズは、踵接地直前から足裏着地直後の区間、爪先離地前後の区間、遊脚中期の最小爪先クリアランス（Minimum Toe Clearance）の動作前後の区間である。そのため、易転倒性の推定には、これらの歩行フェーズから抽出される特徴量Ｆ１～Ｆ１５が用いられる。
　特徴量Ｆ１～Ｆ５（第１特徴量群とも呼ぶ）は、歩行フェーズ０－１３、９５－１００％の区間から抽出される。これらの区間は、先行する歩行周期の歩行フェーズ９５％から、後続する歩行周期の歩行フェーズ１３％に亘る区間（歩行フェーズ９５－１３％の区間）に相当する。歩行フェーズ９５－１３％は、踵接地直前から足裏着地直後に亘る区間（第１区間とも呼ぶ）である。歩行フェーズ９５－１３％は、遊脚終期Ｔ７から立脚中期Ｔ２の序盤に亘る。特徴量Ｆ１～Ｆ５には、大腿四頭筋（外側広筋、中間広筋、内側広筋）、ハムストリングス（半膜様筋、半腱様筋）、前脛骨筋、後脛骨筋、および中殿筋の動きに関する特徴が含まれる。
　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から抽出される。特徴量Ｆ２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から抽出される。特徴量Ｆ３は、冠状面内（Ｙ軸周り）における角速度の時系列データに関する歩行波形データＧｙから抽出される。特徴量Ｆ４は、水平面内（Ｚ軸周り）における角速度の時系列データに関する歩行波形データＧｚから抽出される。特徴量Ｆ５は、水平面内（Ｚ軸周り）における角度（姿勢角）の時系列データに関する歩行波形データＥｚから抽出される。
　特徴量Ｆ６～Ｆ１２（第２特徴量群とも呼ぶ）は、歩行フェーズ５７－６５％の区間から抽出される。歩行フェーズ５７－６５％は、爪先離地前後の区間（第２区間とも呼ぶ）である。歩行フェーズ５７－６５％は、遊脚前期Ｔ４から遊脚初期Ｔ５に亘る。特徴量Ｆ６～Ｆ１２には、腸腰筋、大腿四頭筋（大腿直筋）、長内転筋、薄筋、縫工筋、および前脛骨筋の動きに関する特徴が含まれる。
　特徴量Ｆ６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から抽出される。特徴量Ｆ７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から抽出される。特徴量Ｆ８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から抽出される。特徴量Ｆ９は、矢状面内（Ｘ軸周り）における角速度の時系列データに関する歩行波形データＧｘから抽出される。特徴量Ｆ１０は、冠状面内（Ｙ軸周り）における角速度の時系列データに関する歩行波形データＧｙから抽出される。特徴量Ｆ１１は、水平面内（Ｚ軸周り）における角速度の時系列データに関する歩行波形データＧｚから抽出される。特徴量Ｆ１２は、水平面内（Ｚ軸周り）における角度（姿勢角）の時系列データに関する歩行波形データＥｚから抽出される。
　特徴量Ｆ１３～Ｆ１５（第３特徴量群とも呼ぶ）は、歩行フェーズ７４－８０％の区間から抽出される。歩行フェーズ７４－８０％は、遊脚中期の最小爪先クリアランス（Minimum Toe Clearance）の動作前後の区間（第３区間とも呼ぶ）である。歩行フェーズ７４－８０％は、遊脚中期Ｔ６に含まれる。特徴量Ｆ１３～Ｆ１５には、ハムストリングス（大腿二頭筋短頭）、前脛骨筋、および薄筋の動きに関する特徴が含まれる。
　特徴量Ｆ１３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から抽出される。特徴量Ｆ１４は、水平面内（Ｚ軸周り）における角速度の時系列データに関する歩行波形データＧｚから抽出される。特徴量Ｆ１５は、冠状面内（Ｙ軸周り）における角度（姿勢角）の時系列データに関する歩行波形データＥｙから抽出される。
　〔推定例１〕
　図１９は、易転倒性を推定するために予め構築された推定モデル１５１（第１推定モデル）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Ｆ１～Ｆ１５を入力する一例を示す概念図である。推定モデル１５１は、特徴量Ｆ１～Ｆ１５の入力に応じて、易転倒性指標（易転倒性スコアＳＦ）の推定値を出力する。例えば、推定モデル１５１は、易転倒性の推定に用いられる特徴量Ｆ１～Ｆ１５を説明変数とし、易転倒性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。易転倒性を推定するための特徴量データの入力に応じて、易転倒性指標（易転倒性スコアＳＦ）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、易転倒性の推定に用いられる特徴量Ｆ１～Ｆ１５に加えて、属性データを説明変数として、易転倒性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、易転倒性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、易転倒性を推定するためのパラメータが記憶される。
易転倒性＝ｆ１×Ｆ１＋ｆ２×Ｆ２＋・・・＋ｆ１５×Ｆ１５＋ｆ０・・・（１）
上記の式１において、Ｆ１、Ｆ２、・・・、Ｆ１５は、図１８の対応表に示した易転倒性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。上記の式１においては、Ｆ３～Ｆ１４を省略する。ｆ１、ｆ２、・・・、ｆ１５は、Ｆ１、Ｆ２、・・・、Ｆ１５に掛け合わされる係数（重み）である。ｆ０は、定数項である。上記の式１においては、ｆ３～ｆ１４を省略する。例えば、記憶部１３２には、ｆ０、ｆ１、・・・、ｆ１５を記憶させておく。
　〔推定例２〕
　図２０は、五項目のスコアを推定する推定モデル１５２（プレ推定モデル）の出力を、易転倒性を推定するために予め構築された推定モデル１５３（第２推定モデル）に入力する一例を示す概念図である。推定モデル１５２は、推定モデル１５２Ａ、推定モデル１５２Ｂ、推定モデル１５２Ｃ、推定モデル１５２Ｄ、および推定モデル１５２Ｅを含む。
　推定モデル１５２Ａは、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ＡＭ１～ＡＭ４または特徴量ＡＦ１～ＡＦ３の入力に応じて、全身の総合筋力（握力）に関するスコア（総合筋力スコアＳＡ）を出力する。例えば、推定モデル１５２Ａは、男性用と女性用とで、異なるモデルであってもよい。総合筋力を推定するための特徴量データの入力に応じて、総合筋力の指標に関する推定結果が出力されれば、推定モデル１５２Ａの推定結果には限定を加えない。例えば、推定モデル１５２Ａは、特徴量ＡＭ１～ＡＭ４または特徴量ＡＦ１～ＡＦ３に加えて、年齢や身長などの属性データを説明変数として、動的バランス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、総合筋力スコアＳＡを推定する推定モデル１５２Ａが記憶される。例えば、記憶部１３２には、以下の式２を用いて、総合筋力スコアＳＡを推定するためのパラメータが記憶される。
ＳＡ＝ｍ（ａｍ１×ＡＭ１＋ａｍ２×ＡＭ２＋ａｍ３×ＡＭ３＋ａｍ４×ＡＭ４＋ａｍ０）＋ｆ（ａｆ１×ＡＦ１＋ａｆ２×ＡＦ２＋ａｆ３×ＡＦ３＋ａｆ０）・・・（２）
上記の式２において、ＡＭ１、ＡＭ２、ＡＭ３、ＡＭ４は、図１３の対応表に示した男性の総合筋力スコアＳＡ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。ａｍ１、ａｍ２、ａｍ３、ａｍ４は、ＡＭ１、ＡＭ２、ＡＭ３、ＡＭ４に掛け合わされる係数（重み）である。ａｍ０は、定数項である。ＡＦ１、ＡＦ２、ＡＦ３は、図１３の対応表に示した女性の総合筋力スコアＳＡ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。ａｆ１、ａｆ２、ａｆ３は、ＡＦ１、ＡＦ２、ＡＦ３に掛け合わされる係数（重み）である。ａｆ０は、定数項である。ｍとｆは、性別に応じたフラグである。ユーザが男性の場合、ｍが１、ｆが０である。ユーザが女性の場合、ｍが０、ｆが１である。例えば、記憶部１３２には、ａｍ０、ａｍ１、ａｍ２、ａｍ３、ａｍ４、ａｆ０、ａｆ１、ａｆ２、ａｆ３を記憶させておく。
　推定モデル１５２Ｂは、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Ｂ１～Ｂ５の入力に応じて、動的バランスに関するスコア（動的バランススコアＳＢ）を出力する。動的バランスを推定するための特徴量データの入力に応じて、動的バランスの指標に関する推定結果が出力されれば、推定モデル１５２Ｂの推定結果には限定を加えない。例えば、推定モデル１５２Ｂは、特徴量Ｂ１～Ｂ５に加えて、身長などの属性データを説明変数として、動的バランス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、動的バランススコアＳＢ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３を用いて、動的バランススコアＳＢを推定するためのパラメータが記憶される。
ＳＢ＝ｂ１×Ｂ１＋ｂ２×Ｂ２＋ｂ３×Ｂ３＋ｂ４×Ｂ４＋ｂ５×Ｂ５＋ｂ０・・・（３）
上記の式３において、Ｂ１、Ｂ２、Ｂ３、Ｂ４、Ｂ５は、図１４の対応表に示した動的バランス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、ｂ４、ｂ５は、Ｂ１、Ｂ２、Ｂ３、Ｂ４、Ｂ５に掛け合わされる係数（重み）である。ｂ０は、定数項である。例えば、記憶部１３２には、ｂ０、ｂ１、ｂ２、ｂ３、ｂ４、ｂ５を記憶させておく。
　推定モデル１５２Ｃは、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Ｃ１～Ｃ４の入力に応じて、下肢筋力に関するスコア（下肢筋力スコアＳＣ）を出力する。下肢筋力を推定するための特徴量データの入力に応じて、下肢筋力の指標に関する推定結果が出力されれば、推定モデル１５２Ｃの推定結果には限定を加えない。例えば、推定モデル１５２Ｃは、特徴量Ｃ１～Ｃ４に加えて、年齢などの属性データを説明変数として、動的バランス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、下肢筋力スコアＳＣ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４を用いて、下肢筋力スコアＳＣを推定するためのパラメータが記憶される。
ＳＣ＝ｃ１×Ｃ１＋ｃ２×Ｃ２＋ｃ３×Ｃ３＋ｃ４×Ｃ４＋ｃ０・・・（４）
上記の式４において、Ｃ１、Ｃ２、Ｃ３、Ｃ４は、図１５の対応表に示した下肢筋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。ｃ１、ｃ２、ｃ３、ｃ４は、Ｃ１、Ｃ２、Ｃ３、Ｃ４に掛け合わされる係数（重み）である。ｃ０は、定数項である。例えば、記憶部１３２には、ｃ０、ｃ１、ｃ２、ｃ３、ｃ４を記憶させておく。
　推定モデル１５２Ｄは、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Ｄ１～Ｄ６の入力に応じて、移動能力に関するスコア（移動能力スコアＳＤ）を出力する。移動能力を推定するための特徴量データの入力に応じて、移動能力の指標に関する推定結果が出力されれば、推定モデル１５２Ｄの推定結果には限定を加えない。例えば、推定モデル１５２Ｄは、特徴量Ｄ１～Ｄ６に加えて、年齢などの属性データを説明変数として、移動能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、移動能力スコアＳＤ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５を用いて、移動能力スコアＳＤを推定するためのパラメータが記憶される。
ＳＤ＝ｄ１×Ｄ１＋ｄ２×Ｄ２＋ｄ３×Ｄ３＋ｄ４×Ｄ４＋ｄ５×Ｄ５＋ｄ６×Ｄ６＋ｄ０・・・（５）
上記の式５において、Ｄ１、Ｄ２、Ｄ３、Ｄ４、Ｄ５、Ｄ６は、図１６の対応表に示した移動能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。ｄ１、ｄ２、ｄ３、ｄ４、ｄ５、ｄ６は、Ｄ１、Ｄ２、Ｄ３、Ｄ４、Ｄ５、Ｄ６に掛け合わされる係数（重み）である。ｄ０は、定数項である。例えば、記憶部１３２には、ｄ０、ｄ１、ｄ２、ｄ３、ｄ４、ｄ５、ｄ６を記憶させておく。
　推定モデル１５２Ｅは、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Ｅ１～Ｅ７の入力に応じて、静的バランスに関するスコア（静的バランススコアＳＥ）を出力する。静的バランスを推定するための特徴量データの入力に応じて、静的バランスの指標に関する推定結果が出力されれば、推定モデル１５２Ｅの推定結果には限定を加えない。例えば、推定モデル１５２Ｅは、特徴量Ｅ１～Ｅ７に加えて、年齢や身長などの属性データを説明変数として、静的バランス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、静的バランス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６を用いて、静的バランスを推定するためのパラメータが記憶される。
片脚立位時間＝ｅ１×Ｅ１＋ｅ２×Ｅ２＋ｅ３×Ｅ３＋ｅ４×Ｅ４＋ｅ５×Ｅ５＋ｅ６×Ｅ６＋ｅ７×Ｅ７＋ｅ０・・・（６）
上記の式６において、Ｅ１、Ｅ２、Ｅ３、Ｅ４、Ｅ５、Ｅ６、Ｅ７は、図１７の対応表に示した静的バランス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。ｅ１、ｅ２、ｅ３、ｅ４、ｅ５、ｅ６、ｅ７は、Ｅ１、Ｅ２、Ｅ３、Ｅ４、Ｅ５、Ｅ６、Ｅ７に掛け合わされる係数（重み）である。ｅ０は、定数項である。例えば、記憶部１３２には、ｅ０、ｅ１、ｅ２、ｅ３、ｅ４、ｅ５、ｅ６、ｅ７を記憶させておく。
　推定モデル１５３（第２推定モデル）は、推定モデル１５２から出力されるスコアの入力に応じて、易転倒性に関するスコア（易転倒性スコアＳＦ）を出力する。すなわち、推定モデル１５３は、五項目のスコアの入力に応じて、易転倒性スコアＳＦを出力する。推定モデル１５３には、推定モデル１５２Ａ、推定モデル１５２Ｂ、推定モデル１５２Ｃ、推定モデル１５２Ｄ、推定モデル１５２Ｅから出力されるスコアのうち少なくともいずれかが入力される。すなわち、推定モデル１５３には、推定モデル１５２Ａ、推定モデル１５２Ｂ、推定モデル１５２Ｃ、推定モデル１５２Ｄ、推定モデル１５２Ｅから出力されるスコアのうち少なくとも一つが入力されればよい。推定モデル１５３に入力されるスコアの数が多いほど、易転倒性を高精度で推定できる。推定モデル１５２から出力されるスコアの入力に応じて、易転倒性に関する推定結果が出力されれば、推定モデル１５３の推定結果には限定を加えない。例えば、推定モデル１５３は、推定モデル１５２から出力されるスコアに加えて、属性データを説明変数として、易転倒性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、易転倒性スコアＳＦ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７を用いて、易転倒性スコアＳＦを推定するためのパラメータが記憶される。
ＳＦ＝ｓａ×ＳＡ＋ｓｂ×ＳＢ＋ｓｃ×ＳＣ＋ｓｄ×ＳＤ＋ｓｅ×ＳＥ＋ｓｆ・・・（７）
上記の式７において、ＳＡ、ＳＢ、ＳＣ、ＳＤ、ＳＥは、推定モデル１５２に含まれる推定モデル１５２Ａ、推定モデル１５２Ｂ、推定モデル１５２Ｃ、推定モデル１５２Ｄ，推定モデル１５２Ｅから出力されるスコアである。ｓａ、ｓｂ、ｓｃ、ｓｄ、ｓｅは、ＳＡ、ＳＢ、ＳＣ、ＳＤ、ＳＥに掛け合わされる係数（重み）である。ｓｆは、定数項である。例えば、記憶部１３２には、ｓａ、ｓｂ、ｓｃ、ｓｄ、ｓｅ、ｓｆを記憶させておく。
　（動作）
　次に、易転倒性推定システム１の動作について図面を参照しながら説明する。以下においては、推定例１（図１９）と推定例２（図２０）とを個別に説明する。また、以下においては、易転倒性推定システム１に含まれる歩容計測装置１０および易転倒性推定装置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。
　〔推定例１〕
　図２１は、推定例１（図１９）における、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２１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２１において、まず、特徴量データ生成部１２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（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、易転倒性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、予め構築された推定モデル（第１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易転倒性推定装置１３に出力する（ステップＳ１０７）。
　図２２は、推定例１（図１９）における、易転倒性推定装置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２２のフローチャートに沿った説明においては、易転倒性推定装置１３を動作主体として説明する。
　図２２において、まず、易転倒性推定装置１３は、足の動き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Ｓ１１１）。
　次に、易転倒性推定装置１３は、取得した特徴量データを、易転倒性（片脚立位時間）を推定する推定モデル（第１推定モデル）に入力する（ステップＳ１１２）。
　次に、易転倒性推定装置１３は、推定モデル（第１推定モデル）からの出力（推定値）に応じて、ユーザの易転倒性を推定する（ステップＳ１１３）。例えば、易転倒性推定装置１３は、ユーザの片脚立位時間を易転倒性として推定する。
　次に、易転倒性推定装置１３は、推定された易転倒性に関する情報を出力する（ステップＳ１１４）。例えば、易転倒性は、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、易転倒性は、易転倒性を用いた処理を実行するシステムに出力される。
　〔推定例２〕
　図２３は、推定例２（図２０）における、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２３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２３において、まず、特徴量データ生成部１２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（ステップＳ１２１）。
　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Ｓ１２２）。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Ｓ１２３）。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から、全身の総合筋力、動的バランス、下肢筋力、移動能力、および静的バランスの五項目に関するスコアの推定に用いられる特徴量を抽出する（ステップＳ１２４）。例えば、特徴量データ生成部１２は、予め構築された推定モデル（プレ推定モデル）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Ｓ１２５）。
　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Ｓ１２６）。
　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易転倒性推定装置１３に出力する（ステップＳ１２７）。
　図２４は、推定例２（図２０）における、易転倒性推定装置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２４のフローチャートに沿った説明においては、易転倒性推定装置１３を動作主体として説明する。
　図２４において、まず、易転倒性推定装置１３は、足の動きに関するセンサデータを用いて生成された、易転倒性に関連する五項目のスコアの推定に用いられる特徴量データを取得する（ステップＳ１３１）。易転倒性に関連する五項目は、全身の総合筋力、動的バランス、下肢筋力、移動能力、および静的バランスである。
　次に、易転倒性推定装置１３は、取得した特徴量データを、項目ごとの推定モデルを含む推定モデル（プレ推定モデル）に入力する（ステップＳ１３２）。
　次に、易転倒性推定装置１３は、推定モデル（プレ推定モデル）に含まれる項目ごとの推定モデルから出力されたスコアを、易転倒性の推定モデル（第２推定モデル）に入力する（ステップＳ１３２）。
　次に、易転倒性推定装置１３は、易転倒性の推定モデル（第２推定モデル）からの出力（推定値）に応じて、ユーザの易転倒性を推定する（ステップＳ１３４）。例えば、易転倒性推定装置１３は、項目ごとの推定モデルから出力されたスコアの合計値を用いて、ユーザの易転倒性スコアを推定する。例えば、易転倒性推定装置１３は、項目ごとの推定モデルから出力されたスコアの平均値を用いて、ユーザの易転倒性スコアを推定する。例えば、易転倒性推定装置１３は、項目ごとの推定モデルから出力されたスコアに、項目ごとの重み付けをして、ユーザの易転倒性スコアを推定する。
　次に、易転倒性推定装置１３は、推定された易転倒性に関する情報を出力する（ステップＳ１３５）。例えば、易転倒性は、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、易転倒性は、易転倒性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易転倒性推定装置１３の機能が、易転倒性に関する情報を推定する例を示す。
　図２５～図２６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、易転倒性推定装置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２５～図２６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易転倒性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２５は、易転倒性の推定結果に応じた易転倒性スコアＳＦが、携帯端末１６０の画面に表示される一例である。また、図２５の例では、易転倒性スコアＳＦの推定に用いられたスコアの値に応じたレーダーチャートが、携帯端末１６０の画面に表示される。携帯端末１６０の表示部に表示された易転倒性スコアＳＦの値を確認したユーザは、易転倒性スコアＳＦの値に応じて、自身の易転倒性を認識できる。また、図２５の例の場合、静的バランススコアＳＥの点数が低い。携帯端末１６０の表示部に表示されたレーダーチャートを確認したユーザは、自身の静的バランススコアＳＥが低いことを認識できる。推定された易転倒性に関する情報は、ユーザ以外に提供されてもよい。例えば、推定された易転倒性に関する情報は、ユーザの体調管理を行うトレーナーや、ユーザの家族などの使用する端末装置（図示しない）に出力されてもよい。例えば、推定された易転倒性に関する情報は、健康管理等の目的で構築されたデータベース（図示しない）に記録されてもよい。
　図２６は、易転倒性の推定結果に応じた易転倒性に関する情報が、携帯端末１６０の画面に表示される別の一例である。図２６の例では、易転倒性の推定結果に応じて、「転倒リスクが高まっています。」という易転倒性に関する情報が、携帯端末１６０の画面に表示される。また、図２６の例では、易転倒性の推定も用いられた五項目のスコアのうち、成績の低かった静的バランスに関する情報が、携帯端末１６０の表示部に表示される。図２６の例では、静的バランススコアＳＥの推定値に応じて、「静的バランスが低下しています。」という静的バランスに関する情報が、携帯端末１６０の表示部に表示される。さらに、図２６の例では、静的バランススコアＳＥの推定値に応じて、「トレーニングＺを推奨します。下記の動画をご覧ください。」という静的バランス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Ｚの動画を参照して運動することによって、静的バランス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、本実施形態の易転倒性推定システムは、歩容計測装置および易転倒性推定装置を備える。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、易転倒性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。
　易転倒性推定装置は、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、ユーザの足の動きに関するセンサデータから抽出された、ユーザの易転倒性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易転倒性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する。推定部は、推定モデルから出力される易転倒性指標に応じて、ユーザの易転倒性を推定する。出力部は、推定された易転倒性に関する情報を出力する。
　本実施形態の易転倒性推定システムは、ユーザの足の動きに関するセンサデータから抽出された特徴量を用いて、ユーザの易転倒性を推定する。そのため、本実施形態の易転倒性推定システムによれば、易転倒性を推定するための器具を用いずに、日常生活において易転倒性を適宜推定できる。
　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、易転倒性指標として易転倒性スコア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。記憶部は、特徴量データの入力に応じた易転倒性スコア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、推定モデルから出力された易転倒性スコアに応じて、ユーザの易転倒性を推定する。本態様によれば、足の動きに関するセンサデータを用いて推定された易転倒性スコアに応じて、易転倒性を適宜推定できる。
　本実施形態の一態様において、記憶部は、複数の被験者に関して、易転倒性指標の推定に用いられる特徴量を説明変数とし、複数の被験者の易転倒性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推定モデルを記憶する。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、推定モデルから出力されたユーザの易転倒性指標に応じて、ユーザの易転倒性を推定する。本態様によれば、複数の被験者に関する教師データを学習させた推定モデルを用いて、易転倒性を適宜推定できる。
　本実施形態の一態様において、記憶部は、複数の被験者の属性データ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および属性データを推定モデルに入力し、推定モデルから出力されたユーザの易転倒性指標に応じて、ユーザの易転倒性を推定する。本態様では、易転倒性に影響を与える属性データを含めて、易転倒性を推定する。そのため、本態様によれば、ユーザの属性に応じて、易転倒性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、複数の被験者の歩行波形データに関して、特定の区間から抽出された筋肉の活動に関する特徴量を説明変数とし、易転倒性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第１推定モデルを記憶する。特定の区間は、第１区間、第２区間、および第３区間のうち少なくともいずれかの区間を含む。第１区間は、踵接地直前から足裏着地直後に亘る区間である。第１区間からは、大腿四頭筋、ハムストリングス、前脛骨筋、後脛骨筋、および中殿筋の活動に関する特徴量が抽出される。第２区間は、遊脚前期から遊脚初期に亘る区間である。第２区間からは、腸腰筋、大腿四頭筋、長内転筋、薄筋、縫工筋、および前脛骨筋の活動に関する特徴量が抽出される。第３区間は、遊脚中期における最小爪先クリアランスの動作前後の区間である。第３区間からは、ハムストリングス、前脛骨筋、および薄筋の活動に関する特徴量が抽出される。推定部は、ユーザの歩行に応じて取得された特徴量データを第１推定モデルに入力し、第１推定モデルから出力されたユーザの易転倒性指標に応じて、ユーザの易転倒性を推定する。本態様によれば、易転倒性に影響を与える筋肉の活動に応じた特徴量を学習させた推定モデルを用いることによって、身体活動により適合した易転倒性を推定できる。
　本実施形態の一態様において、記憶部は、第１特徴量群、第２特徴量群、および第３特徴量群に含まれる少なくとも一つの特徴量を説明変数とし、易転倒性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第１推定モデルを記憶する。第１特徴量群は、第１区間から抽出された少なくとも一つの特徴量によって構成される。第２特徴量群は、第２区間から抽出された少なくとも一つの特徴量によって構成される。第３特徴量群は、第３区間から抽出された少なくとも一つの特徴量によって構成される。データ取得部は、ユーザの歩行に応じて抽出された、第１特徴量群、第２特徴量群、および第３特徴量群に含まれる少なくとも一つの特徴量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第１推定モデルに入力し、第１推定モデルから出力されたユーザの易転倒性指標に応じて、ユーザの易転倒性を推定する。本態様によれば、易転倒性に影響を与える筋肉の活動に応じた特徴量が抽出される歩行フェーズから抽出された特徴量を用いることで、身体活動により適合した易転倒性を推定できる。
　本実施形態の一態様において、記憶部は、易転倒性に関連する五項目に共通の歩行フェーズから抽出され特徴量を説明変数とし、複数の被験者の易転倒性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第１推定モデルを記憶する。五項目は、全身の総合筋力、動的バランス、下肢筋力、移動能力、および静的バランスである。データ取得部は、ユーザの歩行に応じて抽出された、第１特徴量群、第２特徴量群、および第３特徴量群に含まれる少なくとも一つの特徴量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第１推定モデルに入力し、第１推定モデルから出力されたユーザの易転倒性指標に応じて、ユーザの易転倒性を推定する。本態様では、易転倒性に影響を与える筋肉の活動に応じた特徴が含まれる歩行波形データから抽出された特徴量を学習させた推定モデルを用いる。そのため、本態様によれば、身体活動により適合した易転倒性を推定できる。
　本実施形態の一態様において、記憶部は、複数の被験者の歩行波形データを用いて推定された五項目のうち少なくともいずれかのスコアを説明変数とし、易転倒性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第２推定モデルを記憶する。データ取得部は、ユーザの歩行に応じて推定された五項目に関するスコアのうち少なくとも一つを取得する。推定部は、取得されたスコアを第２推定モデルに入力し、第２推定モデルから出力されたユーザの易転倒性指標に応じて、ユーザの易転倒性を推定する。本態様によれば、五項目に関連するスコアを用いて、易転倒性を適宜推定できる。
　本実施形態の一態様において、記憶部は、五項目のうち少なくとも一つに関する特徴量を説明変数とし、説明変数として用いられた特徴量に対応する五項目のスコア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プレ推定モデルを記憶する。データ取得部は、ユーザの歩行に応じて抽出された、五項目のうち少なくとも一つに関する特徴量を取得する。推定部は、取得された特徴量をプレ推定モデルに入力し、プレ推定モデルから出力されたスコアを第２推定モデルに入力し、第２推定モデルから出力されたユーザの易転倒性指標に応じて、ユーザの易転倒性を推定する。本態様によれば、足の動きに関するセンサデータを用いて推定された五項目に関連するスコアを用いて、易転倒性を適宜推定できる。
　本実施形態の一態様において、易転倒性推定装置は、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、易転倒性推定装置は、ユーザの足の動きに関するセンサデータに応じて推定された易転倒性に関する情報を、端末装置の画面に表示させる。例えば、易転倒性推定装置は、ユーザの足の動きに関するセンサデータに応じて推定された易転倒性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、易転倒性推定装置は、ユーザの足の動きに関するセンサデータに応じて推定された易転倒性に応じた推薦情報として、易転倒性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、ユーザの足の動きに関するセンサデータから抽出される特徴量に応じて推定された易転倒性を、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、ユーザが自身の易転倒性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易転倒性を推定するための推定モデルを生成する。
　（構成）
　図２７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２７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、易転倒性の推定に用いられる特徴量データを生成する。例えば、歩容計測装置２０は、易転倒性スコアＳＦの推定に用いられる特徴量データを生成する。例えば、歩容計測装置２０は、全身の総合筋力、動的バランス、下肢筋力、移動能力、および静的バランスの五項目に関するスコア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易転倒性スコアＳＦを目的変数とする教師データを学習する。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五項目のスコアを目的変数とする教師データを学習する。例えば、学習装置２５は、五項目のスコアのうち少なくともいずれかを説明変数とし、それらのスコアに応じた易転倒性スコアＳＦ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２８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、被験者の足の動きに応じ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説明変数とし、その被験者の易転倒性スコアＳＦ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、被験者の足の動きに応じ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説明変数とし、その被験者の五項目のスコア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、五項目のスコアのうち少なくともいずれかを説明変数とし、それらのスコアに応じた易転倒性スコアＳＦを目的変数とする教師データを学習する。例えば、学習部２５３は、属性データに応じた推定モデルを生成する。例えば、学習部２５３は、被験者の足の動きに応じ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と、被験者の属性データとを説明変数として、易転倒性スコアＳＦ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、易転倒性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２９は、推定モデル（第１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２９は、説明変数である特徴量Ｆ１～Ｆ１５と、目的変数である易転倒性スコアＳＦ（易転倒性指標）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、易転倒性スコアＳＦ（易転倒性指標）に関する出力（推定値）を出力する推定モデル（第１推定モデル）を生成する。
　図３０は、推定モデル（第２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３０は、説明変数である五項目のスコアと、目的変数である易転倒性スコアＳＦ（易転倒性指標）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。図３０の例では、全身の総合筋力スコアＳＡ、動的バランススコアＳＢ、下肢筋力スコアＳＣ、移動能力スコアＳＤ、および静的バランススコアＳＥを説明変数とし、易転倒性スコアＳＦ（易転倒性指標）を目的変数とする教師データを用いる。例えば、学習部２５３は、複数の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、易転倒性スコアＳＦ（易転倒性指標）に関する推定値を出力する推定モデル（第２推定モデル）を生成する。プレ推定モデルを生成するための学習に関しては、詳細な説明を省略する。プレ推定モデルを生成するための学習においては、プレ推定モデルに含まれる複数の推定モデルを個別に生成させてもよいし、複数の推定モデルを一括で生成させてもよい。
　記憶部２５５は、複数の被験者に関して学習された、易転倒性を推定する推定モデルを記憶する。記憶部２５５に記憶された推定モデルは、第１の実施形態の易転倒性推定装置１３による易転倒性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、ユーザの易転倒性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、易転倒性を出力する推定モデル（第１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（第１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（第１推定モデル）を生成する。そのため、本態様によれば、易転倒性を推定するための器具を用いずに、日常生活において易転倒性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。
　本実施形態の一態様において、歩容計測装置は、正規化された歩行波形データから、全身の総合筋力、動的バランス、下肢筋力、移動能力、および静的バランスの五項目のうち少なくとも一つに関する特徴量を抽出する。例えば、学習部は、五項目のうち少なくとも一つに関する特徴量を説明変数とし、説明変数として用いられた特徴量に対応する五項目のスコアを目的変数とする教師データを用いた学習によって、推定モデル（プレ推定モデル）を生成する。学習部は、五項目のうち少なくとも一つに関するスコアの入力に応じて、易転倒性指標を出力する推定モデル（第２推定モデル）を生成する。本態様によれば、五項目に関連するスコアの入力に応じて、易転倒性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の実施形態に係る易転倒性推定装置について図面を参照しながら説明する。本実施形態の易転倒性推定装置は、第１の実施形態の易転倒性推定システムに含まれる易転倒性推定装置を簡略化した構成である。
　図３１は、本実施形態に係る易転倒性推定装置３３の構成の一例を示すブロック図である。易転倒性推定装置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、ユーザの足の動きに関するセンサデータから抽出された、ユーザの易転倒性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易転倒性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、推定モデルから出力された易転倒性指標に応じて、ユーザの易転倒性を推定する。出力部３３５は、推定された易転倒性に関する情報を出力する。
　以上のように、本実施形態では、ユーザの足の動きに関するセンサデータから抽出された特徴量を用いて、ユーザの易転倒性を推定する。そのため、本実施形態によれば、易転倒性を推定するための器具を用いずに、日常生活において易転倒性を適宜推定できる。
　（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３２の情報処理装置９０を一例として挙げて説明する。なお、図３２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３２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３２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３２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）
　ユーザの足の動きに関するセンサデータから抽出された、前記ユーザの易転倒性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易転倒性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、前記推定モデルから出力された前記易転倒性指標に応じて、前記ユーザの前記易転倒性を推定する推定部と、
　推定された前記ユーザの前記易転倒性に関する情報を出力する出力部と、を備える易転倒性推定装置。
（付記２）
　前記データ取得部は、
　足の動きに関する前記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、前記易転倒性指標として易転倒性スコア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し、
　前記記憶部は、
　前記特徴量データの入力に応じた前記易転倒性スコアを出力する前記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推定モデルに入力し、前記推定モデルから出力された前記易転倒性スコアに応じて、前記ユーザの前記易転倒性を推定する付記１に記載の易転倒性推定装置。
（付記３）
　前記記憶部は、
　複数の被験者に関して、前記易転倒性指標の推定に用いられる特徴量を説明変数とし、複数の前記被験者の前記易転倒性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、前記推定モデルから出力された前記ユーザの前記易転倒性指標に応じて、前記ユーザの前記易転倒性を推定する付記２に記載の易転倒性推定装置。
（付記４）
　前記記憶部は、
　複数の前記被験者の属性データ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および前記属性データを前記推定モデルに入力し、前記推定モデルから出力された前記ユーザの前記易転倒性指標に応じて、前記ユーザの前記易転倒性を推定する付記３に記載の易転倒性推定装置。
（付記５）
　前記記憶部は、
　複数の前記被験者の前記歩行波形データに関して、踵接地直前から足裏着地直後に亘る第１区間から抽出された大腿四頭筋、ハムストリングス、前脛骨筋、後脛骨筋、および中殿筋の活動に関する特徴量、遊脚前期から遊脚初期に亘る第２区間から抽出された腸腰筋、大腿四頭筋、長内転筋、薄筋、縫工筋、および前脛骨筋の活動に関する特徴量、および遊脚中期の最小爪先クリアランスの動作前後の第３区間から抽出されたハムストリングス、前脛骨筋、および薄筋の活動に関する特徴量を説明変数とし、複数の前記被験者の前記易転倒性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第１推定モデルを記憶し、
　前記推定部は、
　前記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第１推定モデルに入力し、前記第１推定モデルから出力された前記ユーザの前記易転倒性指標に応じて、前記ユーザの前記易転倒性を推定する付記３または４に記載の易転倒性推定装置。
（付記６）
　前記記憶部は、
　複数の前記被験者の前記歩行波形データに関して、前記第１区間から抽出された少なくとも一つの特徴量によって構成される第１特徴量群、前記第２区間から抽出された少なくとも一つの特徴量によって構成される第２特徴量群、および前記第３区間から抽出された少なくとも一つの特徴量によって構成される第３特徴量群に含まれる少なくとも一つの特徴量を説明変数とし、複数の前記被験者の前記易転倒性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第１推定モデルを記憶し、
　前記データ取得部は、
　前記ユーザの歩行に応じて抽出された、前記第１特徴量群、前記第２特徴量群、および第３特徴量群に含まれる少なくとも一つの特徴量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第１推定モデルに入力し、前記第１推定モデルから出力された前記ユーザの前記易転倒性指標に応じて、前記ユーザの前記易転倒性を推定する付記５に記載の易転倒性推定装置。
（付記７）
　前記記憶部は、
　複数の前記被験者の前記歩行波形データに関して、全身の総合筋力、動的バランス、下肢筋力、移動能力、および静的バランスの五項目の各々に関する特徴量が抽出される歩行フェーズのうち、前記五項目に共通の前記歩行フェーズから抽出された少なくとも一つの特徴量を説明変数とし、複数の前記被験者の前記易転倒性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第１推定モデルを記憶し、
　前記データ取得部は、
　前記ユーザの歩行に応じて抽出された、前記第１特徴量群、前記第２特徴量群、および第３特徴量群に含まれる少なくとも一つの特徴量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第１推定モデルに入力し、前記第１推定モデルから出力された前記ユーザの前記易転倒性指標に応じて、前記ユーザの前記易転倒性を推定する付記６に記載の易転倒性推定装置。
（付記８）
　前記記憶部は、
　複数の前記被験者の前記歩行波形データを用いて推定された、全身の総合筋力、動的バランス、下肢筋力、移動能力、および静的バランスの五項目のうち少なくともいずれかのスコアを説明変数とし、複数の前記被験者の前記易転倒性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第２推定モデルを記憶し、
　前記データ取得部は、
　前記ユーザの歩行に応じて推定された前記五項目に関する前記スコアのうち少なくとも一つを取得し、
　前記推定部は、
　取得された前記スコアを前記第２推定モデルに入力し、前記第２推定モデルから出力された前記ユーザの前記易転倒性指標に応じて、前記ユーザの前記易転倒性を推定する付記３または４に記載の易転倒性推定装置。
（付記９）
　前記記憶部は、
　複数の前記被験者の前記歩行波形データに関して、前記五項目のうち少なくとも一つに関する特徴量を説明変数とし、前記説明変数として用いられた特徴量に対応する前記五項目の前記スコア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プレ推定モデルを記憶し、
　前記データ取得部は、
　前記ユーザの歩行に応じて抽出された、前記五項目のうち少なくとも一つに関する特徴量を取得し、
　前記推定部は、
　取得された特徴量を前記プレ推定モデルに入力し、前記プレ推定モデルから出力された前記スコアを前記第２推定モデルに入力し、前記第２推定モデルから出力された前記ユーザの前記易転倒性指標に応じて、前記ユーザの前記易転倒性を推定する付記８に記載の易転倒性推定装置。
（付記１０）
　付記１乃至９のいずれか一つに記載の易転倒性推定装置と、
　易転倒性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、前記易転倒性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易転倒性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、を備える易転倒性推定システム。
（付記１１）
　前記易転倒性推定装置は、
　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関する前記センサデータから抽出される特徴量に応じて推定された前記易転倒性に関する情報を、前記端末装置の画面に表示させる付記１０に記載の易転倒性推定システム。
（付記１２）
　前記易転倒性推定装置は、
　前記ユーザの足の動きに関する前記センサデータから抽出される特徴量に応じて推定された前記易転倒性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１１に記載の易転倒性推定システム。
（付記１３）
　前記易転倒性推定装置は、
　前記ユーザの足の動きに関する前記センサデータから抽出される特徴量に応じて推定された前記易転倒性に応じた前記推薦情報として、前記易転倒性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１２に記載の易転倒性推定システム。
（付記１４）
　コンピュータが、
　ユーザの足の動きに関するセンサデータから抽出された、前記ユーザの易転倒性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易転倒性指標を出力する推定モデルに入力し、
　前記推定モデルから出力された前記易転倒性指標に応じて、前記ユーザの前記易転倒性を推定し、
　推定された前記ユーザの前記易転倒性に関する情報を出力する易転倒性推定方法。
（付記１５）
　ユーザの足の動きに関するセンサデータから抽出された、前記ユーザの易転倒性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易転倒性指標を出力する推定モデルに入力する処理と、
　前記推定モデルから出力された前記易転倒性指標に応じて、前記ユーザの前記易転倒性を推定する処理と、
　推定された前記ユーザの前記易転倒性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　　易転倒性推定システム
　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　　易転倒性推定装置
　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 (15)

  1. 　ユーザの足の動きに関するセンサデータから抽出された、前記ユーザの易転倒性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易転倒性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、前記推定モデルから出力された前記易転倒性指標に応じて、前記ユーザの前記易転倒性を推定する推定手段と、
    　推定された前記ユーザの前記易転倒性に関する情報を出力する出力手段と、を備える易転倒性推定装置。
  2. 　前記データ取得手段は、
    　足の動きに関する前記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、前記易転倒性指標として易転倒性スコア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し、
    　前記記憶手段は、
    　前記特徴量データの入力に応じた前記易転倒性スコアを出力する前記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推定モデルに入力し、前記推定モデルから出力された前記易転倒性スコアに応じて、前記ユーザの前記易転倒性を推定する請求項１に記載の易転倒性推定装置。
  3. 　前記記憶手段は、
    　複数の被験者に関して、前記易転倒性指標の推定に用いられる特徴量を説明変数とし、複数の前記被験者の前記易転倒性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、前記推定モデルから出力された前記ユーザの前記易転倒性指標に応じて、前記ユーザの前記易転倒性を推定する請求項２に記載の易転倒性推定装置。
  4. 　前記記憶手段は、
    　複数の前記被験者の属性データ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および前記属性データを前記推定モデルに入力し、前記推定モデルから出力された前記ユーザの前記易転倒性指標に応じて、前記ユーザの前記易転倒性を推定する請求項３に記載の易転倒性推定装置。
  5. 　前記記憶手段は、
    　複数の前記被験者の前記歩行波形データに関して、踵接地直前から足裏着地直後に亘る第１区間から抽出された大腿四頭筋、ハムストリングス、前脛骨筋、後脛骨筋、および中殿筋の活動に関する特徴量、遊脚前期から遊脚初期に亘る第２区間から抽出された腸腰筋、大腿四頭筋、長内転筋、薄筋、縫工筋、および前脛骨筋の活動に関する特徴量、および遊脚中期の最小爪先クリアランスの動作前後の第３区間から抽出されたハムストリングス、前脛骨筋、および薄筋の活動に関する特徴量を説明変数とし、複数の前記被験者の前記易転倒性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第１推定モデルを記憶し、
    　前記推定手段は、
    　前記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第１推定モデルに入力し、前記第１推定モデルから出力された前記ユーザの前記易転倒性指標に応じて、前記ユーザの前記易転倒性を推定する請求項３または４に記載の易転倒性推定装置。
  6. 　前記記憶手段は、
    　複数の前記被験者の前記歩行波形データに関して、前記第１区間から抽出された少なくとも一つの特徴量によって構成される第１特徴量群、前記第２区間から抽出された少なくとも一つの特徴量によって構成される第２特徴量群、および前記第３区間から抽出された少なくとも一つの特徴量によって構成される第３特徴量群に含まれる少なくとも一つの特徴量を説明変数とし、複数の前記被験者の前記易転倒性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第１推定モデルを記憶し、
    　前記データ取得手段は、
    　前記ユーザの歩行に応じて抽出された、前記第１特徴量群、前記第２特徴量群、および第３特徴量群に含まれる少なくとも一つの特徴量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第１推定モデルに入力し、前記第１推定モデルから出力された前記ユーザの前記易転倒性指標に応じて、前記ユーザの前記易転倒性を推定する請求項５に記載の易転倒性推定装置。
  7. 　前記記憶手段は、
    　複数の前記被験者の前記歩行波形データに関して、全身の総合筋力、動的バランス、下肢筋力、移動能力、および静的バランスの五項目の各々に関する特徴量が抽出される歩行フェーズのうち、前記五項目に共通の前記歩行フェーズから抽出された少なくとも一つの特徴量を説明変数とし、複数の前記被験者の前記易転倒性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第１推定モデルを記憶し、
    　前記データ取得手段は、
    　前記ユーザの歩行に応じて抽出された、前記第１特徴量群、前記第２特徴量群、および第３特徴量群に含まれる少なくとも一つの特徴量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第１推定モデルに入力し、前記第１推定モデルから出力された前記ユーザの前記易転倒性指標に応じて、前記ユーザの前記易転倒性を推定する請求項６に記載の易転倒性推定装置。
  8. 　前記記憶手段は、
    　複数の前記被験者の前記歩行波形データを用いて推定された、全身の総合筋力、動的バランス、下肢筋力、移動能力、および静的バランスの五項目のうち少なくともいずれかのスコアを説明変数とし、複数の前記被験者の前記易転倒性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第２推定モデルを記憶し、
    　前記データ取得手段は、
    　前記ユーザの歩行に応じて推定された前記五項目に関する前記スコアのうち少なくとも一つを取得し、
    　前記推定手段は、
    　取得された前記スコアを前記第２推定モデルに入力し、前記第２推定モデルから出力された前記ユーザの前記易転倒性指標に応じて、前記ユーザの前記易転倒性を推定する請求項３または４に記載の易転倒性推定装置。
  9. 　前記記憶手段は、
    　複数の前記被験者の前記歩行波形データに関して、前記五項目のうち少なくとも一つに関する特徴量を説明変数とし、前記説明変数として用いられた特徴量に対応する前記五項目の前記スコア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プレ推定モデルを記憶し、
    　前記データ取得手段は、
    　前記ユーザの歩行に応じて抽出された、前記五項目のうち少なくとも一つに関する特徴量を取得し、
    　前記推定手段は、
    　取得された特徴量を前記プレ推定モデルに入力し、前記プレ推定モデルから出力された前記スコアを前記第２推定モデルに入力し、前記第２推定モデルから出力された前記ユーザの前記易転倒性指標に応じて、前記ユーザの前記易転倒性を推定する請求項８に記載の易転倒性推定装置。
  10. 　請求項１乃至９のいずれか一つに記載の易転倒性推定装置と、
    　易転倒性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、前記易転倒性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易転倒性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、を備える易転倒性推定システム。
  11. 　前記易転倒性推定装置は、
    　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関する前記センサデータから抽出される特徴量に応じて推定された前記易転倒性に関する情報を、前記端末装置の画面に表示させる請求項１０に記載の易転倒性推定システム。
  12. 　前記易転倒性推定装置は、
    　前記ユーザの足の動きに関する前記センサデータから抽出される特徴量に応じて推定された前記易転倒性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１１に記載の易転倒性推定システム。
  13. 　前記易転倒性推定装置は、
    　前記ユーザの足の動きに関する前記センサデータから抽出される特徴量に応じて推定された前記易転倒性に応じた前記推薦情報として、前記易転倒性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１２に記載の易転倒性推定システム。
  14. 　コンピュータが、
    　ユーザの足の動きに関するセンサデータから抽出された、前記ユーザの易転倒性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易転倒性指標を出力する推定モデルに入力し、
    　前記推定モデルから出力された前記易転倒性指標に応じて、前記ユーザの前記易転倒性を推定し、
    　推定された前記ユーザの前記易転倒性に関する情報を出力する易転倒性推定方法。
  15. 　ユーザの足の動きに関するセンサデータから抽出された、前記ユーザの易転倒性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易転倒性指標を出力する推定モデルに入力する処理と、
    　前記推定モデルから出力された前記易転倒性指標に応じて、前記ユーザの前記易転倒性を推定する処理と、
    　推定された前記ユーザの前記易転倒性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/JP2021/048563 2021-12-27 2021-12-27 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 WO2023127014A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/048563 WO2023127014A1 (ja) 2021-12-27 2021-12-27 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/048563 WO2023127014A1 (ja) 2021-12-27 2021-12-27 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

Publications (1)

Publication Number Publication Date
WO2023127014A1 true WO2023127014A1 (ja) 2023-07-06

Family

ID=86998314

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/048563 WO2023127014A1 (ja) 2021-12-27 2021-12-27 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

Country Status (1)

Country Link
WO (1) WO2023127014A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008229266A (ja) * 2007-03-23 2008-10-02 Aisin Seiki Co Ltd 歩行能力からの運動機能向上メニュー提案システム及び歩行能力からの運動機能向上メニュー提案方法
JP2019150329A (ja) * 2018-03-02 2019-09-12 広島県 歩行評価システムおよび歩行評価方法
JP2020151470A (ja) * 2019-03-14 2020-09-24 学校法人神戸学院 歩行評価装置、歩行評価方法およびプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008229266A (ja) * 2007-03-23 2008-10-02 Aisin Seiki Co Ltd 歩行能力からの運動機能向上メニュー提案システム及び歩行能力からの運動機能向上メニュー提案方法
JP2019150329A (ja) * 2018-03-02 2019-09-12 広島県 歩行評価システムおよび歩行評価方法
JP2020151470A (ja) * 2019-03-14 2020-09-24 学校法人神戸学院 歩行評価装置、歩行評価方法およびプログラム

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
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
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
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
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
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
WO2022219905A1 (ja) 計測装置、計測システム、計測方法、および記録媒体
US20240138757A1 (en) Pelvic inclination estimation device, estimation system, pelvic inclination estimation method, and recording medium
US20230397839A1 (en) Waist swinging estimation device, estimation system, waist swinging estimation method, and recording medium
US20240138710A1 (en) Waist swinging estimation device, estimation system, waist swinging estimation method, and recording medium
US20230397879A1 (en) Pelvic inclination estimation device, estimation system, pelvic inclination estimation method, and recording medium
US20230397841A1 (en) Harmonic index estimation device, estimation system, harmonic index estimation method, and recording medium
US20240148317A1 (en) Pelvic inclination estimation device, estimation system, pelvic inclination estimation method, and recording medium
US20240138713A1 (en) Harmonic index estimation device, estimation system, harmonic index estimation method, and recording medium
JP7218820B2 (ja) 推定装置、推定システム、推定方法、およびプログラム
US20230293046A1 (en) Calculation device, calculation method, and program recording medium
US20240130691A1 (en) Measurement device, measurement system, measurement method, and recording medium
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
US20240138777A1 (en) Learning system, learning method, and recording medium
US20240138711A1 (en) Feature-amount generation device, gait measurement system, feature-amount generation method, and recording medium
US20240138712A1 (en) Feature-amount generation device, gait measurement system, feature-amount generation method, and recording medium
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
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

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: 21969898

Country of ref document: EP

Kind code of ref document: A1