特許 6011807 訓練装置、訓練方法、ならびに、プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】6011807

(24)【登録日】2016年9月30日

(45)【発行日】2016年10月19日

(54)【発明の名称】訓練装置、訓練方法、ならびに、プログラム

(51)【国際特許分類】

   A61B 5/0488 20060101AFI20161006BHJP

   A61B 5/11 20060101ALI20161006BHJP

   A63B 26/00 20060101ALI20161006BHJP

【ＦＩ】

   A61B5/04 330

   A61B5/10 310G

   A63B26/00ZDM

【請求項の数】14

【全頁数】16

(21)【出願番号】特願2013-213327(P2013-213327)

(22)【出願日】2013年10月11日

(65)【公開番号】特開2015-73805(P2015-73805A)

(43)【公開日】2015年4月20日

【審査請求日】2015年11月19日

(73)【特許権者】

【識別番号】503359821

【氏名又は名称】国立研究開発法人理化学研究所

(73)【特許権者】

【識別番号】000003207

【氏名又は名称】トヨタ自動車株式会社

(74)【代理人】

【識別番号】100095407

【弁理士】

【氏名又は名称】木村 満

(74)【代理人】

【識別番号】100110135

【弁理士】

【氏名又は名称】石井 裕一郎

(72)【発明者】

【氏名】下田 真吾

(72)【発明者】

【氏名】柴田アルナジャール ファディエスケー

(72)【発明者】

【氏名】ヴォイタラ ティトゥス

(72)【発明者】

【氏名】山田 整

【審査官】 福田 裕司

(56)【参考文献】

【文献】 国際公開第２０１１／０３０７８１（ＷＯ，Ａ１）

【文献】 遠藤 勇気 他，”下肢筋シナジーに基づいたトレーニングスタイル決定法の検討”，電子情報通信学会技術研究報告 ＭＢＥ２０１１−４，日本，社団法人電子情報通信学会，２０１１年 ５月２０日，Vol.111，No.57，１５〜２０頁

【文献】 HUG Francois et al.，"Is interindividual variability of EMG patterns in trained cyclists related to different muscle synergies ?"，Journal Applied Physiology ，２０１０年 ３月１８日，vol.108，pp.1727-1736

【文献】 工藤 貴史 他，”ワイヤレス電極を用いた前腕の動作識別”，電子情報通信学会技術研究報告 ＭＢＥ２０１３−４６，日本，２０１３年 ９月，Vol.113，57-62頁

【文献】 王 芸 他，”動作開始における筋相互間の協調性の研究”，第２５回健康医科学研究助成論文集，２０１３年 ３月，37-45頁

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ａ６１Ｂ ５／０４８８

Ａ６１Ｂ ５／１１

Ａ６３Ｂ ２６／００

ＪＳＴＰｌｕｓ／ＪＳＴ７５８０（ＪＤｒｅａｍＩＩＩ）

ＩＥＥＥ Ｘｐｌｏｒｅ

(57)【特許請求の範囲】

【請求項1】

ある振舞いを被験者がした間の筋肉1，2，...，mの筋電位の時系列を取得する取得部、
前記取得された前記筋肉1，2，...，mのそれぞれの筋電位の時系列を表す横ベクトルを縦に並べた筋電位行列Mから、n個の単位縦ベクトルW⁽¹⁾，W⁽²⁾，...，W⁽ⁿ⁾を横に並べた筋シナジ行列Wと、n個の横ベクトルC⁽¹⁾，C⁽²⁾，...，C⁽ⁿ⁾を縦に並べた制御行列Cと、誤差行列Eと、を、
M = WC + E
を満たすように計算するシナジ計算部、
前記計算された筋シナジ行列Wに含まれる単位縦ベクトルW⁽¹⁾，W⁽²⁾，...，W⁽ⁿ⁾のまとまりを表す特徴量を計算する特徴量計算部、
前記計算された特徴量を出力する出力部
を備えることを特徴とする訓練装置。

【請求項2】

請求項１に記載の訓練装置であって、
前記シナジ計算部では、non-negative matrix factorizationが適用され、
前記特徴量は、縦ベクトルx,yの内積演算p(x,y)により、
SCI = 2/〔n(n+2)〕×Σ_i=1ⁿ Σ_j=1ⁿ_,j≠i p(W⁽ⁱ⁾,W^(j))
と計算されるSCIである
ことを特徴とする訓練装置。

【請求項3】

請求項２に記載の訓練装置であって、
前記SCIが所定の閾値以上であることが、前記被験者に出力される
ことを特徴とする訓練装置。

【請求項4】

振舞いk = 1，2，...，pからなるタスクを被験者がした間の筋肉1，2，...，mの筋電位の時系列を取得する取得部、
前記振舞いk = 1，2，...，pのそれぞれにおいて、前記取得された前記筋肉1，2，...，mのそれぞれの筋電位の時系列を表す横ベクトルを縦に並べた筋電位行列M_kから、n個の単位縦ベクトルW_k⁽¹⁾，W_k⁽²⁾，...，W_k⁽ⁿ⁾を横に並べた筋シナジ行列W_kと、n個の横ベクトルC_k⁽¹⁾，C_k⁽²⁾，...，C_k⁽ⁿ⁾を縦に並べた制御行列C_kと、誤差行列E_kと、を、
M_k = W_kC_k + E_k
を満たすように計算するシナジ計算部、
前記計算された筋シナジ行列W₁，W₂，...，W_pに含まれる単位縦ベクトルW₁⁽¹⁾，W₂⁽¹⁾，...，W_p⁽¹⁾のまとまり、単位縦ベクトルW₁⁽²⁾，W₂⁽²⁾，...，W_p⁽²⁾のまとまり、...、単位縦ベクトルW₁⁽ⁿ⁾，W₂⁽ⁿ⁾，...，W_p⁽ⁿ⁾のまとまりを表す特徴量を計算する特徴量計算部、
前記計算された特徴量を出力する出力部
を備えることを特徴とする訓練装置。

【請求項5】

請求項４に記載の訓練装置であって、
前記シナジ計算部では、non-negative matrix factorizationが適用され、
前記特徴量は、ベクトルx,yの相関係数演算r(x,y)により、
SSI = 2/〔n×p(p-1)〕×Σ_i=1ⁿ Σ_k=1^p Σ_h=1^p_,h≠k r(W_k⁽ⁱ⁾,W_h⁽ⁱ⁾)
と計算されるSSIである
ことを特徴とする訓練装置。

【請求項6】

請求項５に記載の訓練装置であって、
前記SSIが所定の閾値以上であること、もしくは、前記pの増加に対して前記SSIが増加傾向にあることが、前記被験者に出力される
ことを特徴とする訓練装置。

【請求項7】

振舞いk = 1，2，...，pからなるタスクを被験者がした間の筋肉1，2，...，mの筋電位の時系列を取得する取得部、
前記振舞いk = 1，2，...，pのそれぞれにおいて、前記取得された前記筋肉1，2，...，mのそれぞれの筋電位の時系列を表す横ベクトルを縦に並べた筋電位行列M_kから、n個の単位縦ベクトルW_k⁽¹⁾，W_k⁽²⁾，...，W_k⁽ⁿ⁾を横に並べた筋シナジ行列W_kと、n個の横ベクトルC_k⁽¹⁾，C_k⁽²⁾，...，C_k⁽ⁿ⁾を縦に並べた制御行列C_kと、誤差行列E_kと、を、
M_k = W_kC_k + E_k
を満たすように計算するシナジ計算部、
前記計算された制御行列C₁，C₂，...，C_pに含まれる横ベクトルC₁⁽¹⁾，C₂⁽¹⁾，...，C_p⁽¹⁾のまとまり、横ベクトルC₁⁽²⁾，C₂⁽²⁾，...，C_p⁽²⁾のまとまり、横ベクトルC₁⁽ⁿ⁾，C₂⁽ⁿ⁾，...，C_p⁽ⁿ⁾のまとまり、を表す特徴量を計算する特徴量計算部、
前記計算された特徴量を出力する出力部
を備えることを特徴とする訓練装置。

【請求項8】

請求項７に記載の訓練装置であって、
前記シナジ計算部では、non-negative matrix factorizationが適用され、
前記特徴量は、ベクトルx,yの相関係数演算r(x,y)により、
SSI_C = 2/〔n×p(p-1)〕×Σ_i=1ⁿ Σ_k=1^p Σ_h=1^p_,h≠k r(C_k⁽ⁱ⁾,C_h⁽ⁱ⁾)
と計算されるSSI_Cである
ことを特徴とする訓練装置。

【請求項9】

請求項８に記載の訓練装置であって、
前記SSI_Cが所定の閾値以下であること、もしくは、前記pの増加に対して前記SSI_Cが減少傾向にあることが、前記被験者に出力される
ことを特徴とする訓練装置。

【請求項10】

請求項１、２、４、５、７、８のいずれか１項に記載の訓練装置において、
前記被験者の右半身の筋肉に対する右特徴量と、前記被験者の左半身の筋肉に対する左特徴量と、が計算され、
前記右特徴量および前記左特徴量の両者、もしくは、前記右特徴量および前記左特徴量の類似度が、前記被験者に出力される
ことを特徴とする訓練装置。

【請求項11】

ある振舞いを被験者がした間の筋肉1，2，...，mの筋電位の時系列を取得する取得工程、
前記取得された前記筋肉1，2，...，mのそれぞれの筋電位の時系列を表す横ベクトルを縦に並べた筋電位行列Mから、n個の単位縦ベクトルW⁽¹⁾，W⁽²⁾，...，W⁽ⁿ⁾を横に並べた筋シナジ行列Wと、n個の横ベクトルC⁽¹⁾，C⁽²⁾，...，C⁽ⁿ⁾を縦に並べた制御行列Cと、誤差行列Eと、を、
M = WC + E
を満たすように計算するシナジ計算工程、
前記計算された筋シナジ行列Wに含まれる単位縦ベクトルW⁽¹⁾，W⁽²⁾，...，W⁽ⁿ⁾のまとまりを表す特徴量を計算する特徴量計算工程、
前記計算された特徴量を出力する出力工程
を備えることを特徴とする訓練方法。

【請求項12】

振舞いk = 1，2，...，pからなるタスクを被験者がした間の筋肉1，2，...，mの筋電位の時系列を取得する取得工程、
前記振舞いk = 1，2，...，pのそれぞれにおいて、前記取得された前記筋肉1，2，...，mのそれぞれの筋電位の時系列を表す横ベクトルを縦に並べた筋電位行列M_kから、n個の単位縦ベクトルW_k⁽¹⁾，W_k⁽²⁾，...，W_k⁽ⁿ⁾を横に並べた筋シナジ行列W_kと、n個の横ベクトルC_k⁽¹⁾，C_k⁽²⁾，...，C_k⁽ⁿ⁾を縦に並べた制御行列C_kと、誤差行列E_kと、を、
M_k = W_kC_k + E_k
を満たすように計算するシナジ計算工程、
前記計算された筋シナジ行列W₁，W₂，...，W_pに含まれる単位縦ベクトルW₁⁽¹⁾，W₂⁽¹⁾，...，W_p⁽¹⁾のまとまり、単位縦ベクトルW₁⁽²⁾，W₂⁽²⁾，...，W_p⁽²⁾のまとまり、...、単位縦ベクトルW₁⁽ⁿ⁾，W₂⁽ⁿ⁾，...，W_p⁽ⁿ⁾のまとまりを表す特徴量を計算する特徴量計算工程、
前記計算された特徴量を出力する出力工程
を備えることを特徴とする訓練方法。

【請求項13】

振舞いk = 1，2，...，pからなるタスクを被験者がした間の筋肉1，2，...，mの筋電位の時系列を取得する取得工程、
前記振舞いk = 1，2，...，pのそれぞれにおいて、前記取得された前記筋肉1，2，...，mのそれぞれの筋電位の時系列を表す横ベクトルを縦に並べた筋電位行列M_kから、n個の単位縦ベクトルW_k⁽¹⁾，W_k⁽²⁾，...，W_k⁽ⁿ⁾を横に並べた筋シナジ行列W_kと、n個の横ベクトルC_k⁽¹⁾，C_k⁽²⁾，...，C_k⁽ⁿ⁾を縦に並べた制御行列C_kと、誤差行列E_kと、を、
M_k = W_kC_k + E_k
を満たすように計算するシナジ計算工程、
前記計算された制御行列C₁，C₂，...，C_pに含まれる横ベクトルC₁⁽¹⁾，C₂⁽¹⁾，...，C_p⁽¹⁾のまとまり、横ベクトルC₁⁽²⁾，C₂⁽²⁾，...，C_p⁽²⁾のまとまり、横ベクトルC₁⁽ⁿ⁾，C₂⁽ⁿ⁾，...，C_p⁽ⁿ⁾のまとまり、を表す特徴量を計算する特徴量計算工程、
前記計算された特徴量を出力する出力工程
を備えることを特徴とする訓練方法。

【請求項14】

コンピュータを、請求項１から１０のいずれか１項に記載の訓練装置の各部として機能させることを特徴とするプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、被験者が１つの振舞いをしたり、１つ以上の振舞いからなるタスクをしたりする間の筋電位の時系列から、当該被験者の当該振舞いや当該タスクに対する熟練度を判定するのに好適な訓練装置、訓練方法、ならびに、当該訓練装置をコンピュータにより実行するためのプログラムに関する。

【背景技術】

【0002】

従来から、複数の筋肉を制御する中枢神経系の働きについての研究が進められている。たとえば、非特許文献１に開示されるように、人間が１つの振舞いをしたり、１つ以上の振舞いからなるタスクをしたりする際には、複数の筋肉が冗長性を持ちながら協働して働く筋シナジという現象が生じる。

【先行技術文献】

【特許文献】

【0003】

【非特許文献1】Vincent C.K.Cheung, Andrea Turolla, Michela Agostini, Stefano Silvoni, Caoimhe Bennis, Patrick Kasi, Sabrina Paganoni, Paolo Bonato，and Emilio Bizzi, Muscle synergy patterns as physilogical markers of motor cortical damage, PNAS, vol.109，no.36，pp.14652-14656, www.pnas.org/cgi/doi/10.1073/pnas.1212056109,２０１２年９月４日

【発明の概要】

【発明が解決しようとする課題】

【0004】

ここで、怪我や病気によりリハビリが必要となった患者が、リハビリにおいて課せられた振舞いやタスクをどの程度できるようになったのか、を客観的に判断する特徴量が求められている。この特徴量を求めるにあたっては、人間の中枢神経系における筋シナジという現象を考慮する必要がある。

【0005】

本発明は、以上のような課題を解決するためのもので、被験者が１つの振舞いをしたり、１つ以上の振舞いからなるタスクをしたりする間の筋電位の時系列から、当該被験者の当該振舞いや当該タスクに対する熟練度を判定するのに好適な訓練装置、訓練方法、ならびに、当該訓練装置をコンピュータにより実行するためのプログラムを提供することを目的とする。

【課題を解決するための手段】

【0006】

本発明の第１の観点に係る訓練装置は、
ある振舞いを被験者がした間の筋肉1，2，...，mの筋電位の時系列を取得する取得部、
前記取得された前記筋肉1，2，...，mのそれぞれの筋電位の時系列を表す横ベクトルを縦に並べた筋電位行列Mから、n個の単位縦ベクトルW⁽¹⁾，W⁽²⁾，...，W⁽ⁿ⁾を横に並べた筋シナジ行列Wと、n個の横ベクトルC⁽¹⁾，C⁽²⁾，...，C⁽ⁿ⁾を縦に並べた制御行列Cと、誤差行列Eと、を、
M = WC + E
を満たすように計算するシナジ計算部、
前記計算された筋シナジ行列Wに含まれる単位縦ベクトルW⁽¹⁾，W⁽²⁾，...，W⁽ⁿ⁾のまとまりを表す特徴量を計算する特徴量計算部、
前記計算された特徴量を出力する出力部
を備えるように構成する。

【0007】

また、本発明の訓練装置において、
前記シナジ計算部では、non-negative matrix factorizationが適用され、
前記特徴量は、縦ベクトルx,yの内積演算p(x,y)により、
SCI = 2/〔n(n+2)〕×Σ_i=1ⁿ Σ_j=1ⁿ_,j≠i p(W⁽ⁱ⁾,W^(j))
と計算されるSCIである
ように構成することができる。

【0008】

また、本発明の訓練装置において、
前記SCIが所定の閾値以上であることが、前記被験者に出力される
ように構成することができる。

【0009】

本発明の第２の観点に係る訓練装置は、
振舞いk = 1，2，...，pからなるタスクを被験者がした間の筋肉1，2，...，mの筋電位の時系列を取得する取得部、
前記振舞いk = 1，2，...，pのそれぞれにおいて、前記取得された前記筋肉1，2，...，mのそれぞれの筋電位の時系列を表す横ベクトルを縦に並べた筋電位行列M_kから、n個の単位縦ベクトルW_k⁽¹⁾，W_k⁽²⁾，...，W_k⁽ⁿ⁾を横に並べた筋シナジ行列W_kと、n個の横ベクトルC_k⁽¹⁾，C_k⁽²⁾，...，C_k⁽ⁿ⁾を縦に並べた制御行列C_kと、誤差行列E_kと、を、
M_k = W_kC_k + E_k
を満たすように計算するシナジ計算部、
前記計算された筋シナジ行列W₁，W₂，...，W_pに含まれる単位縦ベクトルW₁⁽¹⁾，W₂⁽¹⁾，...，W_p⁽¹⁾のまとまり、単位縦ベクトルW₁⁽²⁾，W₂⁽²⁾，...，W_p⁽²⁾のまとまり、...、単位縦ベクトルW₁⁽ⁿ⁾，W₂⁽ⁿ⁾，...，W_p⁽ⁿ⁾のまとまりを表す特徴量を計算する特徴量計算部、
前記計算された特徴量を出力する出力部
を備えるように構成する。

【0010】

また、本発明の訓練装置において、
前記シナジ計算部では、non-negative matrix factorizationが適用され、
前記特徴量は、ベクトルx,yの相関係数演算r(x,y)により、
SSI = 2/〔n×p(p-1)〕×Σ_i=1ⁿ Σ_k=1^p Σ_h=1^p_,h≠k r(W_k⁽ⁱ⁾,W_h⁽ⁱ⁾)
と計算されるSSIである
ように構成することができる。

【0011】

また、本発明の訓練装置において
前記SSIが所定の閾値以上であること、もしくは、前記pの増加に対して前記SSIが増加傾向にあることが、前記被験者に出力される
ように構成することができる。

【0012】

本発明の第３の観点に係る訓練装置は、
振舞いk = 1，2，...，pからなるタスクを被験者がした間の筋肉1，2，...，mの筋電位の時系列を取得する取得部、
前記振舞いk = 1，2，...，pのそれぞれにおいて、前記取得された前記筋肉1，2，...，mのそれぞれの筋電位の時系列を表す横ベクトルを縦に並べた筋電位行列M_kから、n個の単位縦ベクトルW_k⁽¹⁾，W_k⁽²⁾，...，W_k⁽ⁿ⁾を横に並べた筋シナジ行列W_kと、n個の横ベクトルC_k⁽¹⁾，C_k⁽²⁾，...，C_k⁽ⁿ⁾を縦に並べた制御行列C_kと、誤差行列E_kと、を、
M_k = W_kC_k + E_k
を満たすように計算するシナジ計算部、
前記計算された制御行列C₁，C₂，...，C_pに含まれる横ベクトルC₁⁽¹⁾，C₂⁽¹⁾，...，C_p⁽¹⁾のまとまり、横ベクトルC₁⁽²⁾，C₂⁽²⁾，...，C_p⁽²⁾のまとまり、横ベクトルC₁⁽ⁿ⁾，C₂⁽ⁿ⁾，...，C_p⁽ⁿ⁾のまとまり、を表す特徴量を計算する特徴量計算部、
前記計算された特徴量を出力する出力部
を備えるように構成する。

【0013】

また、本発明の訓練装置において、
前記シナジ計算部では、non-negative matrix factorizationが適用され、
前記特徴量は、ベクトルx,yの相関係数演算r(x,y)により、
SSI_C = 2/〔n×p(p-1)〕×Σ_i=1ⁿ Σ_k=1^p Σ_h=1^p_,h≠k r(C_k⁽ⁱ⁾,C_h⁽ⁱ⁾)
と計算されるSSI_Cである
ように構成することができる。

【0014】

また、本発明の訓練装置において、
前記SSI_Cが所定の閾値以下であること、もしくは、前記pの増加に対して前記SSI_Cが減少傾向にあることが、前記被験者に出力される
ように構成することができる。

【0015】

また、本発明の訓練装置において、
前記被験者の右半身の筋肉に対する右特徴量と、前記被験者の左半身の筋肉に対する左特徴量と、が計算され、
前記右特徴量および前記左特徴量の両者、もしくは、前記右特徴量および前記左特徴量の類似度が、前記被験者に出力される
ように構成することができる。

【0016】

本発明の第４の観点に係る訓練方法は、
ある振舞いを被験者がした間の筋肉1，2，...，mの筋電位の時系列を取得する取得工程、
前記取得された前記筋肉1，2，...，mのそれぞれの筋電位の時系列を表す横ベクトルを縦に並べた筋電位行列Mから、n個の単位縦ベクトルW⁽¹⁾，W⁽²⁾，...，W⁽ⁿ⁾を横に並べた筋シナジ行列Wと、n個の横ベクトルC⁽¹⁾，C⁽²⁾，...，C⁽ⁿ⁾を縦に並べた制御行列Cと、誤差行列Eと、を、
M = WC + E
を満たすように計算するシナジ計算工程、
前記計算された筋シナジ行列Wに含まれる単位縦ベクトルW⁽¹⁾，W⁽²⁾，...，W⁽ⁿ⁾のまとまりを表す特徴量を計算する特徴量計算工程、
前記計算された特徴量を出力する出力工程
を備えるように構成する。

【0017】

本発明の第５の観点に係る訓練方法は、
振舞いk = 1，2，...，pからなるタスクを被験者がした間の筋肉1，2，...，mの筋電位の時系列を取得する取得工程、
前記振舞いk = 1，2，...，pのそれぞれにおいて、前記取得された前記筋肉1，2，...，mのそれぞれの筋電位の時系列を表す横ベクトルを縦に並べた筋電位行列M_kから、n個の単位縦ベクトルW_k⁽¹⁾，W_k⁽²⁾，...，W_k⁽ⁿ⁾を横に並べた筋シナジ行列W_kと、n個の横ベクトルC_k⁽¹⁾，C_k⁽²⁾，...，C_k⁽ⁿ⁾を縦に並べた制御行列C_kと、誤差行列E_kと、を、
M_k = W_kC_k + E_k
を満たすように計算するシナジ計算工程、
前記計算された筋シナジ行列W₁，W₂，...，W_pに含まれる単位縦ベクトルW₁⁽¹⁾，W₂⁽¹⁾，...，W_p⁽¹⁾のまとまり、単位縦ベクトルW₁⁽²⁾，W₂⁽²⁾，...，W_p⁽²⁾のまとまり、...、単位縦ベクトルW₁⁽ⁿ⁾，W₂⁽ⁿ⁾，...，W_p⁽ⁿ⁾のまとまりを表す特徴量を計算する特徴量計算工程、
前記計算された特徴量を出力する出力工程
を備えるように構成する。

【0018】

本発明の第６の観点に係る訓練方法は、
振舞いk = 1，2，...，pからなるタスクを被験者がした間の筋肉1，2，...，mの筋電位の時系列を取得する取得工程、
前記振舞いk = 1，2，...，pのそれぞれにおいて、前記取得された前記筋肉1，2，...，mのそれぞれの筋電位の時系列を表す横ベクトルを縦に並べた筋電位行列M_kから、n個の単位縦ベクトルW_k⁽¹⁾，W_k⁽²⁾，...，W_k⁽ⁿ⁾を横に並べた筋シナジ行列W_kと、n個の横ベクトルC_k⁽¹⁾，C_k⁽²⁾，...，C_k⁽ⁿ⁾を縦に並べた制御行列C_kと、誤差行列E_kと、を、
M_k = W_kC_k + E_k
を満たすように計算するシナジ計算工程、
前記計算された制御行列C₁，C₂，...，C_pに含まれる横ベクトルC₁⁽¹⁾，C₂⁽¹⁾，...，C_p⁽¹⁾のまとまり、横ベクトルC₁⁽²⁾，C₂⁽²⁾，...，C_p⁽²⁾のまとまり、横ベクトルC₁⁽ⁿ⁾，C₂⁽ⁿ⁾，...，C_p⁽ⁿ⁾のまとまり、を表す特徴量を計算する特徴量計算工程、
前記計算された特徴量を出力する出力工程
を備えるように構成する。

【0019】

本発明の第７の観点に係るプログラムは、コンピュータを、上記の訓練装置の各部として機能させるように構成する。

【0020】

また、本発明のプログラムは、コンパクトディスク、フレキシブルディスク、ハードディスク、光磁気ディスク、デジタルビデオディスク、磁気テープ、半導体メモリ等のコンピュータ読取可能な情報記憶媒体に記録することができる。

【0021】

上記プログラムは、プログラムが実行されるコンピュータとは独立して、コンピュータ通信網を介して配布・販売することができる。また、上記情報記憶媒体は、コンピュータやデジタル信号プロセッサとは独立して配布・販売することができる。

【発明の効果】

【0022】

本発明によれば、被験者が１つの振舞いをしたり、１つ以上の振舞いからなるタスクをしたりする間の筋電位の時系列から、当該被験者の当該振舞いや当該タスクに対する熟練度を判定するのに好適な訓練装置、訓練方法、ならびに、当該訓練装置をコンピュータにより実行するためのプログラムを提供することができる。

【図面の簡単な説明】

【0023】

【図1】訓練装置の概要構成を示す説明図である。

【図2】訓練装置が実行する訓練処理の制御の流れを示す説明図である。

【図3】ある振舞いについてシナジ数nで計算された類似度Lを示すグラフである。

【図4A】被験者があるタスクを一日おきに行った際の、そのタスクに対するスコアの変化を示すグラフである。

【図4B】被験者があるタスクを一日おきに行った際の、SSI、SSI_Cの変化を示すグラフである。

【図4C】被験者があるタスクを一日おきに行った際の、SCIの変化を示すグラフである。

【発明を実施するための形態】

【0024】

以下に本発明の実施形態を説明する。なお、以下に説明する実施形態は説明のためのものであり、本発明の範囲を制限するものではない。したがって、当業者であればこれらの各要素もしくは全要素をこれと均等なものに置換した実施形態を採用することが可能であるが、これらの実施形態も本発明の範囲に含まれる。

【実施例1】

【0025】

図１は、本実施形態に係る訓練装置の概要構成を示す説明図である。以下、本図を参照して説明する。

【0026】

本実施形態に係る訓練装置１０１は、取得部１０２、シナジ計算部１０３、特徴量計算部１０４、出力部１０５を備える。訓練装置１０１は、所定のプログラムをコンピュータ上で実行することにより実現することが可能であるが、専用の電子回路により実装したり、ＦＰＧＡ（Field Programmable Gate Array）等のように、ソフトウェアからハードウェアを構成することによって実現することもである。

【0027】

本実施形態では、ある振舞いを被験者がした間、あるいは、振舞いk = 1，2，...，pからなるタスクを被験者がした間の筋電位に基づいて、当該被験者の当該振舞いあるいは当該タスクに対する熟練度を計算して出力する。

【0028】

たとえば、右手のリハビリを行っている被験者の場合、右手首を曲げて伸ばすことを繰り返す訓練を行うことがある。この訓練において、一回の右手首の曲げ伸ばしが、１つの振舞いに相当する。また、繰り返しをp回行うことで、1回目の曲げ伸ばし、2回目の曲げ伸ばし、...、p回目の曲げ伸ばしのそれぞれが、振舞い1、振舞い2、...、振舞いpに相当する。なお、タスクにおける各振舞いは、同じものとするのが典型的であるが、１つのタスクにおいて、異なる振舞いをすることとしても良い。

【0029】

以下では、まず、ある振舞いを被験者がした間の筋肉1，2，...，mの筋電位の時系列に基づく場合について説明する。

【0030】

図２は、本実施形態に係る訓練装置が実行する訓練処理の制御の流れを示す説明図である。以下、本図を参照して説明する。

【0031】

まず、取得部１０２は、ある振舞いを被験者がした間の筋肉1，2，...，mの筋電位の時系列を取得する（ステップＳ２０１）。本実施形態では、被験者の体のm箇所の筋電位を測定する。筋電位を測定すべき箇所は、訓練を行う部位（たとえば右手）の振舞い（たとえば右手の曲げ伸ばし）に関わる筋肉である。

【0032】

測定は、一定の時間間隔で、１つの振舞いが開始されてから終了するまで行われる。i番目の筋肉のj番目の時点における筋電位の値は、筋電位行列Mのi行j列の要素M[i,j]に格納される。すなわち、
筋肉1の筋電位の時系列からなる横ベクトルM⁽¹⁾と、
筋肉2の筋電位の時系列からなる横ベクトルM⁽²⁾と、…、
筋肉mの筋電位の時系列からなる横ベクトルM^(m)と、
を縦に並べたものが、筋電位行列Mである。

【0033】

したがって、筋電位行列Mの行数は、mである。また、筋電位行列Mの列数は測定の時間長、すなわち、振舞いの時間長と、当該振舞いの間の測定頻度、測定間隔によって変わる。

【0034】

このようにして、筋電位行列Mが取得されると、シナジ計算部１０３は、
M = WC+E
が成立するように、筋シナジ行列W、制御行列C、誤差行列Eを計算する（ステップＳ２０２）。この際には、non-negative matrix factorizationが使用される。

【0035】

以下、理解を容易にするため、添字_kを適宜省略して説明する。

【0036】

さて、non-negative matrix factorizationでは、誤差度を最小化、あるいは、類似度Lを最大化する。

【0037】

ここで、筋電位行列Mの列数、制御行列Cの列数、誤差行列Eの列数がいずれもtであるとし、筋電位行列Mの行数、筋シナジ行列Wの行数、誤差行列Eの行数がいずれもmであるとし、筋シナジ行列Wの列数、制御行列Cの行数がいずれもnであるとすると、類似度Lは、以下のように定義できる。
L = 1 - 1/m × Σ_i=1^m √〔Σ_j=1^t E[i,j]²〕/√〔Σ_j=1^t (WC)[i,j]²〕

【0038】

ここで、nは、シナジ数を表す数値である。一般に、nを大きくすれば、Lも大きくなるが、適切なnの大きさも、non-negative matrix factorizationを適宜用いることで、以下のように定めることができる。

【0039】

一般に、non-negative matrix factorizationにおいては、類似度Lが７０％以上となるようなシナジ数nを選択することが望ましいとされている。一方で、シナジ数nが大きすぎると、計算負荷が高まるほか、過適応が生じて、かえって適切な処理ができなくなる。

【0040】

そこで、以下のような手法を用いる。

【0041】

すなわち、n = 1，2，3，4，...のそれぞれについて、上記の類似度Lを計算する。

【0042】

図３は、ある振舞いについてシナジ数nで計算された類似度Lを示すグラフである。以下、本図を参照して説明する。

【0043】

本図の横軸Number of synergies nは、シナジ数nを表し、縦軸Similarity L(%)は、類似度Lを表す。本図に示すように、シナジ数nが大きくなると、類似度Lも大きくなっていくが、シナジ数nが５程度で、増加の度合が飽和しており、しかも７０％以上となっていることがわかる。したがって、飽和し始めの前後の数値、たとえば、４、５あるいは６を、以降の計算を行うためのシナジ数nとして採用することができる。

【0044】

シナジ数nは、各被験者ごとに異なる値としても良いし、人間がある振舞いを行う際のシナジ数に大きな差はないと考えられるので、全被験者に共通する値としても良い。後者の場合には、あらかじめ実験的に何人かの被験者に振舞いをさせ、適当なnの値をnon-negative matrix factorizationにより定めてから、以降は、これで定めたnの値を他の被験者に対しても、そのまま用いる。

【0045】

このモデルでは、被験者の中枢神経がn個の制御用信号C⁽¹⁾，C⁽²⁾，...，C⁽ⁿ⁾をm個の筋肉に与えると、筋肉1は、筋電位W C⁽¹⁾を満たすように動こうとし、筋肉2は、筋電位W C⁽²⁾を満たすように動こうとし、...、筋肉mは、筋電位W C^(m)を満たすように動こうとする、と想定している。

【0046】

発明者らの研究によれば、後に実験結果を示す通り、制御用信号C⁽¹⁾，C⁽²⁾，...，C⁽ⁿ⁾が、互いにできるだけ独立して、非冗長なものとなっているほど、すなわち、筋シナジ行列Wにおける単位縦ベクトルW⁽¹⁾，W⁽²⁾，...,W⁽ⁿ⁾が、互いにばらつかず、まとまっているほど、その振舞いに対する中枢神経の働きが良好であり、熟練度が高い、との結果が得られている。

【0047】

そこで、特徴量計算部１０４は、制御行列Cや筋シナジ行列Wから、中枢神経の働きや熟練度と関連する特徴量を計算する（ステップＳ２０３）。

【0048】

単位縦ベクトルW⁽¹⁾，W⁽²⁾，...,W⁽ⁿ⁾が、互いにばらつかず、まとまっている、ということは単位縦ベクトルW⁽¹⁾，W⁽²⁾，...,W⁽ⁿ⁾によって現わされる空間の広がりが狭いことを意味する。すなわち、各辺の長さが１で、各辺の方向がW⁽¹⁾，W⁽²⁾，...,W⁽ⁿ⁾のいずれかであるn次元平行多面体のn次元体積が小さいことになる。

【0049】

また、単位縦ベクトルW⁽¹⁾，W⁽²⁾，...,W⁽ⁿ⁾同士のなす角がそれぞれ直角から遠ければ遠いほど、単位縦ベクトルW⁽¹⁾，W⁽²⁾，...,W⁽ⁿ⁾は互いにばらつかず、まとまっていることになる。

【0050】

１つの振舞いに対する筋シナジ行列Wに含まれる単位縦ベクトルW⁽¹⁾，W⁽²⁾，...,W⁽ⁿ⁾がばらつかず、まとまっていることを表す特徴量としては、種々のものを採用することが可能である。

【0051】

たとえば、ベクトルの内積を利用することが考えられる。２つのベクトルx，yに対する内積p(x,y)は、ベクトルxの各要素をx[1]，x[2]，...，x[u]と、ベクトルyの各要素をy[1]，y[2]，...，y[u]と、それぞれ表記することにより以下のように定義できる。
p(x,y) = Σ_i=1^u(x[i]×y[i])

【0052】

すると、筋シナジ行列Wに対する特徴量SCIを、以下のように定めることができる。
SCI = 2/〔n(n+2)〕×Σ_i=1ⁿ Σ_j=1ⁿ_,j≠i p(W⁽ⁱ⁾,W^(j))

【0053】

特徴量SCIは、振舞いに対する熟練度が高ければ高いほど、大きくなる数値である。

【0054】

出力部１０５は、このようにして計算された特徴量を出力して（ステップＳ２０４）、本処理を終了する。

【0055】

計算されたSCI等の特徴量は、リハビリ等を行っている被験者に対して出力しても良いし、その医師や監督者、トレーナーなどに対して出力することとしても良い。

【0056】

上記のように、特徴量SCIは、振舞いに対する熟練度が高ければ高いほど、大きくなる数値である。発明者の研究によれば、特徴量SCIは、健常な人においてはある閾値以上の数値をとることがわかっている。

【0057】

一方で、リハビリにおいては、振舞いがうまくできていることを被験者にフィードバックすることが良い、と考えられている。

【0058】

そこで、リハビリ中の被験者がある振舞いをしたときに、その振舞いに対して計算された特徴量SCIが、上記の閾値以上であれば、その旨を被験者にフィードバックすることによって、訓練がうまく進んでいることを被験者に知得させることができる。

【0059】

フィードバックの手法としては、たとえば、画面に特徴量SCIのグラフを表示してこれが閾値以上となればグラフの色を変化させる手法、特徴量SCIが閾値以上となれば電気刺激をリハビリ中の体の部位に与える手法、特徴量SCIが閾値以上となれば音声でその旨を知らせる手法などを採用することができる。さらに、特徴量SCIが閾値未満の場合には、リハビリに対して被験者が前向きになるような音声や画像などを出力することしても良い。

【0060】

さて、同じ振舞いの繰り返しからなるタスクによってリハビリをしている場合、タスクに含まれる振舞いk = 1，2，...，pのそれぞれに対して、SCI_kを以下のように計算しても良い。
SCI_k = 2/〔n(n+2)〕×Σ_i=1ⁿ Σ_j=1ⁿ_,j≠i r(W_k⁽ⁱ⁾,W_k^(j))

【0061】

すると、リハビリが順調に進んでいるときは、各振舞いに対するSCI₁，SCI₂，...,SCI_pは増加の傾向にあると考えられ、ある程度の成果が得られた後は、飽和するものと考えられる。そこで、各振舞いについて順次SCIを計算して出力することにより、当該振舞いにおける成果を被験者に確認させてから、次の振舞いを開始させることによって、リハビリの効果を高めることができる。

【0062】

なお、上記の例では、右手首の１回の曲げ伸ばしを１つの振舞いと考えて説明したが、右手首の曲げ伸ばしの繰り返しを１つの振舞いと考えても良い。この場合には、複数の振舞いからなるタスク全体や複数のタスクからなる訓練メニュー全体を、まとめて１つの振舞いと解釈することで、SCIを計算することが可能である。たとえば、「ある日におこなったリハビリ全体のSCI」などを計算することとしても良い。

【0063】

この場合、一人の被験者について日毎にSCIの変化を蓄積し、SCIが増加の傾向にあるようであれば、現在被験者が行っているタスクや訓練メニューは適切であると考えることができる。SCIの増加が飽和した段階で、このタスクや訓練メニューは終了し、新たなタスクや訓練メニューを開始することで、リハビリの進行を客観的に調整することができる。

【0064】

さて、上記実施形態では、１回の振舞いに対する特徴量としてSCIを計算したが、以下の実施形態では、振舞いk = 1，2，...，pからなる１つのタスクに対する特徴量であるSSIもしくはSSI_Cを計算する。典型的には、１つのタスクに含まれる振舞いk = 1，2，...，pは、同じ動作とすべきであるが、異なる動作としても良い。

【0065】

取得部１０２は、上記と同様に、p個の振舞いk = 1，2，...，pからなるタスクに対して、筋肉1，2，...，mの振舞い1を被験者がした間の筋電位の時系列からなる筋電位行列M₁，振舞い2を被験者がした間の筋電位の時系列からなる筋電位行列M₂，...,振舞いpを被験者がした間の筋電位の時系列からなる筋電位行列M_pを取得する（ステップＳ２０１）。

【0066】

ここで取得される筋電位行列M₁，M₂，...,M_pの行数はいずれもmであるが、筋電位行列M₁，M₂，...,M_pの列数は、それぞれの振舞いをする時間長によって異なっても良い。

【0067】

ついで、シナジ計算部１０３は、上記と同様に、
M_k = W_kC_k+E_k (k = 1，2，...，p)
が成立するように、筋シナジ行列W_k、制御行列C_k、誤差行列E_kを計算する（ステップＳ２０２）。

【0068】

さて、振舞いを繰り返すことでその振舞いに対する熟練度が増すと、筋シナジ行列W₁，W₂，...,W_pは、次第に変化しなくなっていくと考えられる。

【0069】

このため、熟練度が増すと、筋シナジ行列W₁，W₂，...,W_pの同じ位置に含まれる単位縦ベクトルは、次第にまとまり、ばらつきがなくなっていく。

【0070】

SSIは、筋シナジ行列W₁，W₂，...,W_pの同じ位置に含まれる単位縦ベクトルのまとまりの度合を示す特徴量である。

【0071】

一方で、振舞いを繰り返すとしても、被験者の状態や環境は刻一刻と変化する。したがって、各シナジに与える制御信号は、この変化に呼応するため、次第にまとまるのではなく、大きくばらつく可能性がある。

【0072】

このため、筋シナジ行列W₁，W₂，...,W_pの同じ位置に含まれる縦ベクトルが次第にまとまるのとは裏腹に、制御行列C₁，C₂，...,C_pの同じ位置に含まれる横ベクトルはばらつく。

【0073】

SSI_Cは、制御行列C₁，C₂，...,C_pの同じ位置に含まれる横ベクトルのまとまりの度合を示す特徴量である。

【0074】

以下では、ベクトルxに含まれる要素の平均e(x)、ベクトルxに含まれる要素の分散v(x)、ベクトルxに含まれる要素の標準偏差s(x)、２つのベクトルx,yに対する相関係数演算r(x,y)は、ベクトルxの各要素をx[1]，x[2]，...，x[u]と、ベクトルyの各要素をy[1]，y[2]，...，y[u]と、それぞれ表記すると、以下のように定義できる。
e(x) = (1/u)×Σ_i=1^u x[i],
v(x) = (1/u)×Σ_i=1^u (x[i]-e(x))²,
s(x) = v(x)^1/2,
r(x,y) = Σ_i=1^u(x[i]-e(x))×(y[i]-e(y))/〔m×s(x)×s(y)〕

【0075】

特徴量計算部１０３は、特徴量SSIあるいはSSI_Cを、以下のように計算する。
SSI = 2/〔n×p(p-1)〕×Σ_i=1ⁿ Σ_k=1^p Σ_h=1^p_,h≠k r(W_k⁽ⁱ⁾,W_h⁽ⁱ⁾),
SSI_C = 2/〔n×p(p-1)〕×Σ_i=1ⁿ Σ_k=1^p Σ_h=1^p_,h≠k r(C_k⁽ⁱ⁾,C_h⁽ⁱ⁾)

【0076】

上記のように、SSIは、大きければ大きいほど
単位縦ベクトルW₁⁽¹⁾，W₂⁽¹⁾，...，W_p⁽¹⁾のまとまり、
単位縦ベクトルW₁⁽²⁾，W₂⁽²⁾，...，W_p⁽²⁾のまとまり、...、
単位縦ベクトルW₁⁽ⁿ⁾，W₂⁽ⁿ⁾，...，W_p⁽ⁿ⁾のまとまり
が大きく、熟練度が高いものと考えられる。

【0077】

一方、SSI_Cは、小さければ小さいほど
横ベクトルC₁⁽¹⁾，C₂⁽¹⁾，...，C_p⁽¹⁾のばらつき、
横ベクトルC₁⁽²⁾，C₂⁽²⁾，...，C_p⁽²⁾のばらつき、
横ベクトルC₁⁽ⁿ⁾，C₂⁽ⁿ⁾，...，C_p⁽ⁿ⁾のばらつき
が大きく、すなわち、それぞれのまとまりが小さく、熟練度が高いものと考えられる。

【0078】

また、タスクが被験者にとって有用なものであれば、pが増加していくにつれ、SSIは増加の傾向になりSSI_Cは減少の傾向になる、と考えられる。

【0079】

そこで、出力部１０４は、上記と同様に計算された特徴量を出力して（ステップＳ２０４）、本処理を終了する。

【0080】

本実施形態では、p回目の振舞いが終了した段階で、振舞い1，2，...，pに対するSSIやSSI_Cを計算して、これらをグラフ等で出力しても良いし、SSIが、ある閾値以上であるか増加傾向であれば、および／またはSCI_kが、ある閾値以下であるか減少傾向であれば、その旨を電気刺激や音声などで被験者に知得させることとしても良い。

【0081】

また、これと合わせて、SCI_kをグラフ等で出力しても良いし、SCI_kがある閾値以上であるか増加傾向であれば、その旨を電気刺激や音声などで被験者に知得させることとしても良い。

【0082】

図４Ａ、４Ｂ、４Ｃは、被験者があるタスクを一日おきに行った際の、そのタスクに対するスコア、SSI、SSI_C、SCIの変化を示すグラフである。以下、これらの図を参照して説明する。

【0083】

図４Ａは、縦軸がスコア、横軸が経過日数を表すグラフである。スコアは、被験者に与えられたタスクに対してあらかじめ定められた動作を行った場合には加点がされ、動作に失敗した場合には減点がされるように定められており、リハビリが進むにつれて、スコアが向上の傾向にあることがわかる。

【0084】

図４Ｂは、縦軸がSSIならびにSSI_C、横軸が経過日数を表すグラフである。リハビリが進むにしたがって、SSI（W）が増加の傾向にあり、SSI_C（C）が減少の傾向にあることがわかる。

【0085】

図４Ｃは、縦軸がSCI、横軸が経過日数を表すグラフである。リハビリが進むにしたがって、SCIが増加の傾向にあることがわかる。

【0086】

このように、リハビリ等で被験者にあるタスクをさせるときを考えると、最初は、被験者は熟練度が低い。

【0087】

１つ以上の振舞いからなるタスクを被験者が繰り返して訓練すると、SSIの増加、SSI_Cの減少が見られる。また、タスク全体のSCIの増加が見られるほか、タスクに含まれる振舞いの多くについて、SCI₁，SCI₂，SCI₃，...は次第に増加する。

【0088】

すなわち、これらの現象が見られる間は、リハビリ用の運動として当該タスクが有効に機能していることを意味する。

【0089】

この後、被験者が十分にタスクに熟練すると、SSI、SSI_C、SCI、SCI_kがあまり変化しなくなる。

【0090】

この段階に至れば、他のタスクを課したり、タスクにおける振舞いの回数を変化させたり、などによって、被験者のリハビリをさらに進めることができる。また、リハビリを終了しても良い、と判定することも可能である。

【0091】

このように、本実施形態によれば、リハビリにおいて被験者に与えられるタスクや振舞いに対して被験者がどの程度熟練したかを客観的に把握することができるようになる。

【実施例2】

【0092】

上記実施例では、ある振舞いやあるタスクを行った際に計算された特徴量を、あらかじめ求められた閾値と比較した結果や、その特徴量の増減の傾向によって、電気刺激や音声の出力をすることとしていたが、本実施形態は、人間の体が左右対称であることを利用して、出力を行う。

【0093】

たとえば、被験者の右半身と左半身の一方に障害があってリハビリを行う場合を考える。

【0094】

本実施形態では、被験者には、左半身と右半身で同時に同じ振舞いあるいはタスクを試行させる。そして、左右対称に設けた測定点から、左半身の筋電位に対する左特徴量と、右半身の筋電位に対する右特徴量と、を、上記実施例の特徴量の計算手法により計算する。

【0095】

たとえば、右手に障害があるときには、被験者は、右手首と左手首を同時に曲げ伸ばしさせる。そして、右手の筋肉と、左手の筋肉と、に、左右対称に測定点を設け、それぞれの筋電位を測定して、右手に対する特徴量と、左手に対する特徴量と、を、計算するのである。

【0096】

両半身が健常である場合には、右特徴量と、左特徴量と、は、ほぼ等しい値をとるものと思われる。

【0097】

そこで、本実施形態では、右特徴量と、左特徴量と、を、同時にグラフ表示したり、右特徴量と左特徴量の類似度が一定以上（右特徴量と左特徴量の差が一定以下）であれば、振舞いやタスクに成功したものとして、電気刺激や画像、音声で被験者にフィードバックをする。右特徴量と左特徴量がほぼ一致するようになれば、リハビリが十分にできたことになる。

【0098】

本実施形態によれば、左右対称な運動をリハビリとして行うことで、あらかじめ閾値を定めることなく、客観的にリハビリの進行度を判断することができるようになる。

【産業上の利用可能性】

【0099】

本発明によれば、被験者が１つの振舞いをしたり、複数の振舞いからなるタスクをしたりする間の筋電位の時系列から、当該被験者の当該振舞いや当該タスクに対する熟練度を判定するのに好適な訓練装置、訓練方法、ならびに、当該訓練装置をコンピュータにより実行するためのプログラムを提供することができる。

【符号の説明】

【0100】

１０１ 訓練装置
１０２ 取得部
１０３ シナジ計算部
１０４ 特徴量計算部
１０５ 出力部

【図1】

【図2】

【図3】

【図4A】

【図4B】

【図4C】