▶ 公立大学法人県立広島大学の特許一覧 ▶ 広島県の特許一覧 ▶ 株式会社カネカの特許一覧
特開2023-155681予測システム、予測方法、予測装置、学習装置、プログラム、学習済みモデル
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2023155681
(43)【公開日】2023-10-23
(54)【発明の名称】予測システム、予測方法、予測装置、学習装置、プログラム、学習済みモデル
(51)【国際特許分類】
G16H 50/70 20180101AFI20231016BHJP
【ＦＩ】
G16H50/70
【審査請求】未請求
【請求項の数】22
【出願形態】ＯＬ
(21)【出願番号】P 2022065155
(22)【出願日】2022-04-11
(71)【出願人】
【識別番号】507234438
【氏名又は名称】広島県公立大学法人
(71)【出願人】
【識別番号】591079487
【氏名又は名称】広島県
(71)【出願人】
【識別番号】000000941
【氏名又は名称】株式会社カネカ
(74)【代理人】
【識別番号】100141139
【弁理士】
【氏名又は名称】及川 周
(74)【代理人】
【識別番号】100134359
【弁理士】
【氏名又は名称】勝俣 智夫
(74)【代理人】
【識別番号】100162868
【弁理士】
【氏名又は名称】伊藤 英輔
(74)【代理人】
【識別番号】100178847
【弁理士】
【氏名又は名称】服部 映美
(72)【発明者】
【氏名】横山 詔常
(72)【発明者】
【氏名】小玉 龍
(72)【発明者】
【氏名】友國 慶子
(72)【発明者】
【氏名】長谷川 正哉
(72)【発明者】
【氏名】野村 卓司
【テーマコード（参考）】
5L099
【Ｆターム（参考）】
5L099AA15
(57)【要約】 （修正有）
【課題】好適に将来の転倒を予測する予測システム、予測方法、予測装置、学習装置、プログラム及び学習済みモデルを提供する。
【解決手段】予測システムにおいて、身体の少なくとも一部がセンシングされた検出情報と、将来の転倒に関する予測情報と、が予め対応付けられた対応情報を記憶するモデル生成フェーズと、対象者の検出情報が入力された場合に、対応情報に基づいて、対象者の将来の転倒に関する情報を予測する予測フェーズと、を備える。
【選択図】図２９
【解決手段】予測システムにおいて、身体の少なくとも一部がセンシングされた検出情報と、将来の転倒に関する予測情報と、が予め対応付けられた対応情報を記憶するモデル生成フェーズと、対象者の検出情報が入力された場合に、対応情報に基づいて、対象者の将来の転倒に関する情報を予測する予測フェーズと、を備える。
【選択図】図２９
【特許請求の範囲】
【請求項1】
身体の少なくとも一部がセンシングされた検出情報と、将来の転倒に関する予測情報と、が予め対応付けられた対応情報を記憶する対応情報記憶部と、
対象者の前記検出情報が入力された場合に、前記対応情報に基づいて、前記対象者の将来の転倒に関する情報を予測する予測部と、
を備える予測システム。
対象者の前記検出情報が入力された場合に、前記対応情報に基づいて、前記対象者の将来の転倒に関する情報を予測する予測部と、
を備える予測システム。
【請求項2】
前記身体の少なくとも一部は、脚部である
請求項１に記載の予測システム。
請求項１に記載の予測システム。
【請求項3】
前記予測情報は、将来、転倒する可能性を表す転倒予測情報であり、
前記予測部は、前記対象者が将来、転倒する可能性を予測する
請求項１又は請求項２に記載の予測システム。
前記予測部は、前記対象者が将来、転倒する可能性を予測する
請求項１又は請求項２に記載の予測システム。
【請求項4】
前記対応情報は、前記検出情報と歩行の異常性の評価を表す歩行評価情報とが予め対応付けられた第１対応情報、及び、前記歩行評価情報と前記予測情報とが予め対応付けられた第２対応情報を含み、
前記予測部は、前記対象者の検出情報が入力された場合に、前記第１対応情報に基づいて前記歩行評価情報を推定し、推定した歩行評価情報と前記第２対応情報に基づいて、前記対象者の将来の転倒に関する情報を予測する
請求項１から請求項３のいずれか一項に記載の予測システム。
前記予測部は、前記対象者の検出情報が入力された場合に、前記第１対応情報に基づいて前記歩行評価情報を推定し、推定した歩行評価情報と前記第２対応情報に基づいて、前記対象者の将来の転倒に関する情報を予測する
請求項１から請求項３のいずれか一項に記載の予測システム。
【請求項5】
複数の被験者について、前記検出情報が検出された後、特定の期間内に転倒したか否かを示す転倒履歴情報を取得する履歴情報取得部と、
前記複数の被験者について、前記検出情報と前記転倒履歴情報が対応付けられた学習情報を生成する学習情報生成部と、
前記学習情報に基づいて、前記対応情報を生成する学習部と、
を備える請求項１から請求項４のいずれか一項に記載の予測システム。
前記複数の被験者について、前記検出情報と前記転倒履歴情報が対応付けられた学習情報を生成する学習情報生成部と、
前記学習情報に基づいて、前記対応情報を生成する学習部と、
を備える請求項１から請求項４のいずれか一項に記載の予測システム。
【請求項6】
前記検出情報は、歩行時の足の屈曲及び伸展の少なくとも１つを表す曲げ情報、足裏圧力を表す圧力情報、又は足の加速度を表す加速度情報である
請求項１から請求項５のいずれか一項に記載の予測システム。
請求項１から請求項５のいずれか一項に記載の予測システム。
【請求項7】
前記対応情報は、さらに、年齢或いは性別を含む属性情報、既往症情報、骨、関節或いは筋肉の異常の経験情報、介護サービス情報、服薬情報、又は運動習慣情報の少なくとも１つの属性情報が予め対応付けられ、
前記予測部は、前記対象者の前記属性情報及び前記検出情報が入力された場合に、前記対応情報に基づいて、前記対象者が将来転倒する可能性を予測する
請求項１から請求項６のいずれか一項に記載の予測システム。
前記予測部は、前記対象者の前記属性情報及び前記検出情報が入力された場合に、前記対応情報に基づいて、前記対象者が将来転倒する可能性を予測する
請求項１から請求項６のいずれか一項に記載の予測システム。
【請求項8】
前記対応情報は、さらに、前記検出情報が検出された以前の特定の期間内に転倒したか否かを示す過去転倒履歴情報が予め対応付けられ、
前記予測部は、前記対象者の前記過去転倒履歴情報及び前記検出情報が入力された場合に、前記対応情報に基づいて、前記対象者が将来転倒する可能性を予測する
請求項１から請求項７のいずれか一項に記載の予測システム。
前記予測部は、前記対象者の前記過去転倒履歴情報及び前記検出情報が入力された場合に、前記対応情報に基づいて、前記対象者が将来転倒する可能性を予測する
請求項１から請求項７のいずれか一項に記載の予測システム。
【請求項9】
前記対応情報は、さらに、人が立つ、歩く又は座る機能であって、日常生活に必要な身体の移動に関わる機能を評価する手法として複数の質問事項への回答により評価された運動器評価情報が予め対応付けられ、
前記予測部は、前記対象者の前記運動器評価情報及び前記検出情報が入力された場合に、前記対応情報に基づいて、前記対象者が将来転倒する可能性を予測する
請求項１から請求項８のいずれか一項に記載の予測システム。
前記予測部は、前記対象者の前記運動器評価情報及び前記検出情報が入力された場合に、前記対応情報に基づいて、前記対象者が将来転倒する可能性を予測する
請求項１から請求項８のいずれか一項に記載の予測システム。
【請求項10】
前記対応情報は、さらに、運動機能低下の自覚症状を示す運動機能情報が予め対応付けられ、
前記予測部は、前記対象者の前記運動機能情報及び前記検出情報が入力された場合に、前記対応情報に基づいて、前記対象者が将来転倒する可能性を予測する
請求項１から請求項９のいずれか一項に記載の予測システム。
前記予測部は、前記対象者の前記運動機能情報及び前記検出情報が入力された場合に、前記対応情報に基づいて、前記対象者が将来転倒する可能性を予測する
請求項１から請求項９のいずれか一項に記載の予測システム。
【請求項11】
前記対応情報は、さらに、身長及び体重から算出される肥満度情報が予め対応付けられ、
前記予測部は、前記対象者の前記肥満度情報及び前記検出情報が入力された場合に、前記対応情報に基づいて、前記対象者が将来転倒する可能性を予測する
請求項１から請求項１０のいずれか一項に記載の予測システム。
前記予測部は、前記対象者の前記肥満度情報及び前記検出情報が入力された場合に、前記対応情報に基づいて、前記対象者が将来転倒する可能性を予測する
請求項１から請求項１０のいずれか一項に記載の予測システム。
【請求項12】
前記対応情報は、ニューラルネットワーク、サポートベクタマシン、ランダムフォレスト、勾配ブースティング、ロジスティック回帰分析、又は、これらのうちの２つ以上の手法を組み合わせて学習された学習済モデルである
請求項１から請求項１１のいずれか一項に記載の予測システム。
請求項１から請求項１１のいずれか一項に記載の予測システム。
【請求項13】
前記予測情報は、将来の転倒に対処するための介入要否を示す介入要否情報であり、
前記予測部は、将来の転倒に対処するための介入要否を予測する
請求項１から請求項１２のいずれか一項に記載の予測システム。
前記予測部は、将来の転倒に対処するための介入要否を予測する
請求項１から請求項１２のいずれか一項に記載の予測システム。
【請求項14】
前記対応情報は、前記検出情報と、将来、転倒する可能性を表す転倒予測情報とが予め対応付けられた第３対応情報、及び、前記転倒予測情報と前記介入要否情報とが予め対応付けられた第４対応情報を含み、
前記予測部は、前記対象者の前記検出情報が入力された場合に、前記第３対応情報に基づいて前記転倒予測情報を推定し、推定した前記転倒予測情報と前記第４対応情報に基づいて、前記対象者について、将来の転倒に対処するための介入要否を予測する
請求項１３に記載の予測システム。
前記予測部は、前記対象者の前記検出情報が入力された場合に、前記第３対応情報に基づいて前記転倒予測情報を推定し、推定した前記転倒予測情報と前記第４対応情報に基づいて、前記対象者について、将来の転倒に対処するための介入要否を予測する
請求項１３に記載の予測システム。
【請求項15】
複数の被験者について、前記検出情報が検出された後、特定の期間内の歩行の様子を評価者が参照して評価した前記介入要否情報を取得する評価情報取得部と、
前記複数の被験者について、前記検出情報と前記介入要否情報が対応付けられた学習情報を生成する学習情報生成部と、
前記学習情報に基づいて、前記対応情報を生成する学習部と、
を備える請求項１３又は請求項１４に記載の予測システム。
前記複数の被験者について、前記検出情報と前記介入要否情報が対応付けられた学習情報を生成する学習情報生成部と、
前記学習情報に基づいて、前記対応情報を生成する学習部と、
を備える請求項１３又は請求項１４に記載の予測システム。
【請求項16】
前記予測部は、前記対象者が将来、転倒する可能性を予測し、
将来の転倒に対処するために介入要否、及び、前記将来、転倒する可能性に基づく分類に応じた出力情報を出力する出力部を備える
請求項１から請求項１５のいずれか一項に記載の予測システム。
将来の転倒に対処するために介入要否、及び、前記将来、転倒する可能性に基づく分類に応じた出力情報を出力する出力部を備える
請求項１から請求項１５のいずれか一項に記載の予測システム。
【請求項17】
予測システムにおける予測方法であって、
対応情報記憶部が、身体の少なくとも一部がセンシングされた検出情報と、将来の転倒に関する予測情報と、が予め対応付けられた対応情報を記憶する対応情報記憶過程と、
予測部が、対象者の前記検出情報が入力された場合に、前記対応情報に基づいて、前記対象者の将来の転倒に関する情報を予測する予測過程と、
を有する予測方法。
対応情報記憶部が、身体の少なくとも一部がセンシングされた検出情報と、将来の転倒に関する予測情報と、が予め対応付けられた対応情報を記憶する対応情報記憶過程と、
予測部が、対象者の前記検出情報が入力された場合に、前記対応情報に基づいて、前記対象者の将来の転倒に関する情報を予測する予測過程と、
を有する予測方法。
【請求項18】
身体の少なくとも一部がセンシングされた検出情報と、将来の転倒に関する予測情報と、が予め対応付けられた対応情報を参照する対応情報参照部と、
対象者の前記検出情報が入力された場合に、前記対応情報に基づいて、前記対象者の将来の転倒に関する情報を予測する予測部と、
を備える予測装置。
対象者の前記検出情報が入力された場合に、前記対応情報に基づいて、前記対象者の将来の転倒に関する情報を予測する予測部と、
を備える予測装置。
【請求項19】
身体の少なくとも一部がセンシングされた検出情報と、将来の転倒に関する予測情報と、が複数の被験者の各々について対応付けられた学習情報を取得する学習情報取得部と、
前記学習情報に基づいて、機械学習を行う学習部と、
を備える学習装置。
前記学習情報に基づいて、機械学習を行う学習部と、
を備える学習装置。
【請求項20】
コンピュータに、
身体の少なくとも一部がセンシングされた検出情報と、将来の転倒に関する予測情報と、が予め対応付けられた対応情報を参照する対応情報参照手段、
対象者の前記検出情報が入力された場合に、前記対応情報に基づいて、前記対象者の将来の転倒に関する情報を予測する予測手段、
を実行させるためのプログラム。
身体の少なくとも一部がセンシングされた検出情報と、将来の転倒に関する予測情報と、が予め対応付けられた対応情報を参照する対応情報参照手段、
対象者の前記検出情報が入力された場合に、前記対応情報に基づいて、前記対象者の将来の転倒に関する情報を予測する予測手段、
を実行させるためのプログラム。
【請求項21】
コンピュータに、
身体の少なくとも一部がセンシングされた検出情報と、将来の転倒に関する予測情報と、が複数の被験者の各々について対応付けられた学習情報を取得する学習情報取得手段、
前記学習情報に基づいて、機械学習を行う学習手段、
を実行させるためのプログラム。
身体の少なくとも一部がセンシングされた検出情報と、将来の転倒に関する予測情報と、が複数の被験者の各々について対応付けられた学習情報を取得する学習情報取得手段、
前記学習情報に基づいて、機械学習を行う学習手段、
を実行させるためのプログラム。
【請求項22】
身体の少なくとも一部がセンシングされた検出情報と、将来の転倒に関する予測情報と、が複数の被験者の各々について対応付けられた学習情報に基づく機械学習により生成され、
対象者の前記検出情報が入力された場合に、前記対象者の将来の転倒に関する情報を予測するための学習済みモデル。
対象者の前記検出情報が入力された場合に、前記対象者の将来の転倒に関する情報を予測するための学習済みモデル。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、予測システム、予測方法、予測装置、学習装置、プログラム、学習済みモデルに関する。
【背景技術】
【0002】
歩行者の足圧分布のデータを測定し、転倒の危険度を解析、提示するシステムが知られている（例えば、特許文献１参照）。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２００２－３４５７８６号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
しかしながら、特許文献１に示すような従来の技術は、現時点での転倒の危険度を大まかに（高い／低い程度）に提示するものであり、将来の転倒確率を予測するのは難しい。
【0005】
上記事情に鑑み、本発明は、好適に将来の転倒を予測する技術を提供することを目的としている。
【課題を解決するための手段】
【0006】
本発明の一態様は、身体の少なくとも一部がセンシングされた検出情報と、将来の転倒に関する予測情報と、が予め対応付けられた対応情報を記憶する対応情報記憶部と、対象者の前記検出情報が入力された場合に、前記対応情報に基づいて、前記対象者の将来の転倒に関する情報を予測する予測部と、を備える予測システムである。
【0007】
本発明の他の態様は、予測システムにおける予測方法であって、対応情報記憶部が、身体の少なくとも一部がセンシングされた検出情報と、将来の転倒に関する予測情報と、が予め対応付けられた対応情報を記憶する対応情報記憶過程と、予測部が、対象者の前記検出情報が入力された場合に、前記対応情報に基づいて、前記対象者の将来の転倒に関する情報を予測する予測過程と、を有する予測方法である。
【0008】
本発明の他の態様は、身体の少なくとも一部がセンシングされた検出情報と、将来の転倒に関する予測情報と、が予め対応付けられた対応情報を参照する対応情報参照部と、対象者の前記検出情報が入力された場合に、前記対応情報に基づいて、前記対象者の将来の転倒に関する情報を予測する予測部と、を備える予測装置である。
【0009】
本発明の他の態様は、身体の少なくとも一部がセンシングされた検出情報と、将来の転倒に関する予測情報と、が複数の被験者の各々について対応付けられた学習情報を取得する学習情報取得部と、前記学習情報に基づいて、機械学習を行う学習部と、を備える学習装置である。
【0010】
本発明の他の態様は、コンピュータに、身体の少なくとも一部がセンシングされた検出情報と、将来の転倒に関する予測情報と、が予め対応付けられた対応情報を参照する対応情報参照手段、対象者の前記検出情報が入力された場合に、前記対応情報に基づいて、前記対象者の将来の転倒に関する情報を予測する予測手段、を実行させるためのプログラムである。
【0011】
本発明の他の態様は、コンピュータに、身体の少なくとも一部がセンシングされた検出情報と、将来の転倒に関する予測情報と、が複数の被験者の各々について対応付けられた学習情報を取得する学習情報取得手段、前記学習情報に基づいて、機械学習を行う学習手段、を実行させるためのプログラムである。
【0012】
本発明の他の態様は、身体の少なくとも一部がセンシングされた検出情報と、将来の転倒に関する予測情報と、が複数の被験者の各々について対応付けられた学習情報に基づく機械学習により生成され、対象者の前記検出情報が入力された場合に、前記対象者の将来の転倒に関する情報を予測するための学習済みモデルである。
【発明の効果】
【0013】
好適に将来の転倒を予測することができる。
【図面の簡単な説明】
【0014】
【図1】第１実施形態（第２実施形態～第４実施形態も同様）の概要を説明する概念図である。
【図2】センサ情報等について説明する説明図である。
【図3】第１実施形態の予測装置の構成例を示す図である。
【図4】第１実施形態における、学習済モデルについて説明する図である。
【図5】第１実施形態における、予測装置の動作例を示すフローチャートである。
【図6】第１実施形態における、モデル生成装置の構成例を示す図である。
【図7】第１実施形態における、学習用データセットについて説明する図である。
【図8】第１実施形態における、モデル生成装置の動作例を示すフローチャートである。
【図9】第１実施形態における、モデル生成装置の他の構成例を示す図である。
【図10】第１実施形態における、入力データセットについて説明する図である。
【図11】第１実施形態における、他の学習済モデルについて説明する図である。
【図12】第１実施形態における、他の学習用データセットについて説明する図である。
【図13】第２実施形態の予測装置の構成例を示す図である。
【図14】第２実施形態における、学習済モデルについて説明する図である。
【図15】第２実施形態における、予測装置の動作例を示すフローチャートである。
【図16】第２実施形態における、モデル生成装置の構成例を示す図である。
【図17】第２実施形態における、学習用データセットについて説明する図である。
【図18】第２実施形態における、モデル生成装置の動作例を示すフローチャートである。
【図19】第２実施形態における、モデル生成装置の他の構成例を示す図である。
【図20】第２実施形態における、入力データセットについて説明する図である。
【図21】第２実施形態における、他の学習済モデルについて説明する図である。
【図22】第２実施形態における、他の学習用データセットについて説明する図である。
【図23】第３実施形態の予測装置の構成例を示す図である。
【図24】第３実施形態における、学習済モデルについて説明する図である。
【図25】第３実施形態における、予測装置の動作例を示すフローチャートである。
【図26】第３実施形態における、モデル生成装置の構成例を示す図である。
【図27】第３実施形態における、学習用データセットについて説明する図である。
【図28】第３実施形態における、モデル生成装置の動作例を示すフローチャートである。
【図29】第５実施形態（第６実施形態、第７実施形態も同様）の概要を説明する概念図である。
【図30】第５実施形態の予測装置の構成例を示す図である。
【図31】第５実施形態における、第１学習済モデルについて説明する図である。
【図32】第５実施形態における、第２学習済モデルについて説明する図である。
【図33】第５実施形態における、予測装置の動作例を示すフローチャートである。
【図34】第５実施形態における、第１学習済モデル生成装置の構成例を示す図である。
【図35】第５実施形態における、第１学習済モデル用の学習用データセットについて説明する図である。
【図36】第５実施形態における、第１学習済モデル生成装置の動作例を示すフローチャートである。
【図37】第５実施形態における、第１学習済モデル生成装置の他の構成例を示す図である。
【図38】第５実施形態における、入力データセットについて説明する図である。
【図39】第５実施形態における、第１学習済モデル用の他の学習済モデルについて説明する図である。
【図40】第５実施形態における、第１学習済モデル用の他の学習用データセットについて説明する図である。
【図41】第５実施形態における、第２学習済モデル生成装置の構成例を示す図である。
【図42】第５実施形態における、第２学習済モデル用の学習用データセットについて説明する図である。
【図43】第５実施形態における、第２学習済モデル生成装置の動作例を示すフローチャートである。
【図44】第６実施形態の予測装置の構成例を示す図である。
【図45】第６実施形態における、第１学習済モデルについて説明する図である。
【図46】第６実施形態における、予測装置の動作例を示すフローチャートである。
【図47】第６実施形態における、第２学習済モデル生成装置の動作例を示すフローチャートである。
【図48】第５実施形態における、第２学習済モデル用の学習用データセットについて説明する図である。
【図49】第５実施形態における、第２学習済モデル生成装置の動作例を示すフローチャートである。
【図50】第７実施形態の予測装置の構成例を示す図である。
【図51】第７実施形態における、第１学習済モデルについて説明する図である。
【図52】第７実施形態における、予測装置の動作例を示すフローチャートである。
【図53】第７実施形態における、第１学習済モデル生成装置の動作例を示すフローチャートである。
【図54】第７実施形態における、第１学習済モデル用の学習用データセットについて説明する図である。
【図55】第７実施形態における、第１学習済モデル生成装置の動作例を示すフローチャートである。
【図56】モデルの評価について説明する説明図である。
【図57】モデルの評価について説明する説明図である。
【発明を実施するための形態】
【0015】
【0016】
図１に示すように、第１実施形態（第２実施形態～第４実施形態も同様）に係るシステムは、モデル生成フェーズと、予測フェーズとを含む。モデル生成フェーズは、予測フェーズにて用いられる学習済モデルを生成するフェーズである。予測フェーズは、モデル生成フェーズにて生成された学習済モデルを用いて転倒確率を予測するフェーズである。
【0017】
以下に説明する各実施形態（第１実施形態～第７実施形態）の説明において、モデル生成フェーズにおいて、学習済モデルを生成するためのデータを採取する者を被験者と称し、予測フェーズにおいて、学習済モデルを用いて転倒確率を予測等する者を対象者と称する場合がある。つまり、モデル生成フェーズでは、被験者からデータを採取して学習済モデルを生成し、予測フェーズでは、対象者に対して転倒確率を予測等する。
【0018】
第１実施形態（第２実施形態～第４実施形態も同様）に係るシステムは、少なくとも歩行をセンシングしたセンサ情報（詳細は後述）を用いて、センシング後から所定期間（例えば、１年以内）における転倒確率を予測する。更に、第１実施形態（第２実施形態～第４実施形態も同様）に係るシステムは、少なくとも転倒確率の予測結果（０％～１００％）を用いて、将来の転倒に対処するための専門家による介入の要否（介入要否）を判定する。専門家による介入とは、対面若しくは遠隔による個別診断、運動のアドバイス等である。
【0019】
転倒確率の予測、介入要否の判定において、センサ情報の他に、診断情報（詳細は後述）やアンケート情報（詳細は後述）を用いてもよい。つまり、第１実施形態（第２実施形態～第４実施形態も同様）に係るシステムは、下記構成１～構成９のうちの少なくとも１つを含むものであってもよい。
【0020】
（構成１）センサ情報に基づいて転倒確率を予測し、転倒確率の予測結果に基づいて介入要否を判定する構成
（構成２）センサ情報に基づいて転倒確率を予測し、転倒確率の予測結果と診断情報とに基づいて介入要否を判定する構成
（構成３）センサ情報に基づいて転倒確率を予測し、転倒確率の予測結果とアンケート情報とに基づいて介入要否を判定する構成
（構成４）センサ情報に基づいて転倒確率を予測し、転倒確率の予測結果と診断情報とアンケート情報とに基づいて介入要否を判定する構成
（構成５）センサ情報と診断情報に基づいて転倒確率を予測し、転倒確率の予測結果に基づいて介入要否を判定する構成
（構成６）センサ情報と診断情報に基づいて転倒確率を予測し、転倒確率の予測結果とアンケート情報とに基づいて介入要否を判定する構成
（構成７）センサ情報とアンケート情報に基づいて転倒確率を予測し、転倒確率の予測結果に基づいて介入要否を判定する構成
（構成８）センサ情報とアンケート情報に基づいて転倒確率を予測し、転倒確率の予測結果と診断情報に基づいて介入要否を判定する構成
（構成９）センサ情報と診断情報とアンケート情報に基づいて転倒確率を予測し、転倒確率の予測結果に基づいて介入要否を判定する構成
（構成２）センサ情報に基づいて転倒確率を予測し、転倒確率の予測結果と診断情報とに基づいて介入要否を判定する構成
（構成３）センサ情報に基づいて転倒確率を予測し、転倒確率の予測結果とアンケート情報とに基づいて介入要否を判定する構成
（構成４）センサ情報に基づいて転倒確率を予測し、転倒確率の予測結果と診断情報とアンケート情報とに基づいて介入要否を判定する構成
（構成５）センサ情報と診断情報に基づいて転倒確率を予測し、転倒確率の予測結果に基づいて介入要否を判定する構成
（構成６）センサ情報と診断情報に基づいて転倒確率を予測し、転倒確率の予測結果とアンケート情報とに基づいて介入要否を判定する構成
（構成７）センサ情報とアンケート情報に基づいて転倒確率を予測し、転倒確率の予測結果に基づいて介入要否を判定する構成
（構成８）センサ情報とアンケート情報に基づいて転倒確率を予測し、転倒確率の予測結果と診断情報に基づいて介入要否を判定する構成
（構成９）センサ情報と診断情報とアンケート情報に基づいて転倒確率を予測し、転倒確率の予測結果に基づいて介入要否を判定する構成
【0021】
転倒確率の予測には、機械学習や統計的手法を用いる。従って、転倒確率の予測に先立って、必要な情報を収集し、学習済モデル（学習済みモデル）や統計モデルを作成しておく。一例として、構成１（構成２～４も同様）の場合、多数の被験者の、夫々のセンサ情報と、夫々の被験者についてセンサ情報を取得した日から所定期間内（１年以内）に実際に転倒したか否かを示した転倒有無情報（転倒履歴情報）とを収集し、センサ情報に基づく特徴量情報（センサ情報でもよい）を入力サンプルとし転倒履歴情報を出力サンプルとして学習した学習済モデル、または、センサ情報に基づく特徴量情報（センサ情報でもよい）を説明変数とし転倒履歴情報を目的変数とする統計モデルを作成する。
【0022】
（センサ情報）
図２は、センサ情報等について説明する説明図である。図２（Ａ）は、センサシューズ（歩行データ取得装置）の一例である。センサシューズは、例えば、図２（Ａ）に示すように、中足指節関節曲げセンサ（図２（Ａ）の符号Ａ）、距腿曲げセンサ（図２（Ａ）の符号Ｂ）、土踏まず曲げセンサ（図２（Ａ）の符号Ｃ）距骨曲げセンサ（非図示）は、踵圧力センサ（図２（Ａ）の符号Ｄ）、中足指節関節圧力センサ（図２（Ａ）の符号Ｅ）、足指圧力センサ（図２（Ａ）の符号Ｆ）、ボックス（図２（Ａ）の符号Ｇ）を備える。ボックス内には加速度センサ（図２（Ａ）の符号Ｈ）、データ処理部（図２（Ａ）の符号Ｉ）及び電源部（図２（Ａ）の符号J）が収容されている。データ処理部は、マイクロコンピュータ及びデータ出力部を備える。
図２は、センサ情報等について説明する説明図である。図２（Ａ）は、センサシューズ（歩行データ取得装置）の一例である。センサシューズは、例えば、図２（Ａ）に示すように、中足指節関節曲げセンサ（図２（Ａ）の符号Ａ）、距腿曲げセンサ（図２（Ａ）の符号Ｂ）、土踏まず曲げセンサ（図２（Ａ）の符号Ｃ）距骨曲げセンサ（非図示）は、踵圧力センサ（図２（Ａ）の符号Ｄ）、中足指節関節圧力センサ（図２（Ａ）の符号Ｅ）、足指圧力センサ（図２（Ａ）の符号Ｆ）、ボックス（図２（Ａ）の符号Ｇ）を備える。ボックス内には加速度センサ（図２（Ａ）の符号Ｈ）、データ処理部（図２（Ａ）の符号Ｉ）及び電源部（図２（Ａ）の符号J）が収容されている。データ処理部は、マイクロコンピュータ及びデータ出力部を備える。
【0023】
中足指節関節曲げセンサは、足の中足指節関節軸の周りの屈曲度を計測する。距腿曲げセンサは、足首部の距腿関節軸の周りの屈曲度を計測する。土踏まず曲げセンサは、土踏まず部の屈曲度を計測する。距骨曲げセンサは、足首部の距骨下関節軸の周りの屈曲度を計測する。踵圧力センサは、足の裏側において踵部の圧力を計測する。中足指節関節圧力センサは、足の裏側において中足指節関節部の圧力を計測する。足指圧力センサは、足の裏側において母趾の圧力を計測する。加速度センサは、３軸方向の加速度を計測可能に構成されており、下腿部の上下方向加速度、前後方向加速度および左右方向（足の内外方向）加速度を計測する。これらは、データ出力部により出力される。
【0024】
なお、センサとして、歩行時の足の屈曲に代えて又は加えて歩行時の足の伸展を計測するセンサを用いてもよい。上記中足指節関節曲げセンサが、屈曲度から伸展度を算出してもよい。
【0025】
以下、センサシューズから取得されるセンサ情報（例えば、上述した各センサから得られる情報の全部又は一部）をセンサ情報１～センサ情報Ｎと称する場合がある。一のセンサによる複数の出力値（センサ値）の夫々をセンサ情報と称してもよい。例えば、中足指節関節曲げセンサによる１歩行周期内の複数のタイミングの夫々（例えば１０等分した各タイミング）における出力値を、夫々センサ情報と称してもよい。
【0026】
センサ情報（センサ情報１～センサ情報Ｎ）は、歩行計測の測定者（モデル生成フェーズでは被験者、予測フェーズでは対象者）と紐づけて記憶する。例えば、測定者Ａを識別する識別情報に対応付けて測定者Ａのセンサ情報を記憶し、測定者Ｂを識別する識別情報に対応付けて測定者Ｂのセンサ情報を記憶する。
【0027】
（特徴量情報）
センサ情報１～センサ情報Ｎから歩行に関する種々の特徴量が抽出可能である。例えば、下記に示すような特徴量情報を取得可能である。
［基本データ］
・歩数、歩調（歩/分）
・ステップ長
・歩行速度
［歩行周期］
・踵接地，つま先離地時間
・平均1歩行周期時間（秒）
・立脚期，遊脚期（時間，％）
・単脚支持期（時間，％）
・両脚支持期（時間，％）
［波形（時間正規化）］
・1歩行周期、加算平均波形、標準偏差波形
［各種代表値］
・ロッカー区間
立脚期，遊脚期における最大，最少，レンジ値（幅）
・単位時間（傾き）、上記データの左右平均値
センサ情報１～センサ情報Ｎから歩行に関する種々の特徴量が抽出可能である。例えば、下記に示すような特徴量情報を取得可能である。
［基本データ］
・歩数、歩調（歩/分）
・ステップ長
・歩行速度
［歩行周期］
・踵接地，つま先離地時間
・平均1歩行周期時間（秒）
・立脚期，遊脚期（時間，％）
・単脚支持期（時間，％）
・両脚支持期（時間，％）
［波形（時間正規化）］
・1歩行周期、加算平均波形、標準偏差波形
［各種代表値］
・ロッカー区間
立脚期，遊脚期における最大，最少，レンジ値（幅）
・単位時間（傾き）、上記データの左右平均値
【0028】
以下、夫々の特徴量情報（上述した各特徴量情報の全部又は一部）を特徴量情報１～特徴量情報Ｎと称する場合がある。なお、特徴量情報Ｎの「Ｎ」とセンサ情報Ｎの「Ｎ」は数の一致を示すものではない。つまり、センサ情報Ｎの「Ｎ」はセンサシューズから取得される１以上のセンサ情報を示しており、特徴量情報Ｎの「Ｎ」は１以上のセンサ情報から抽出される１以上の特徴量情報を示しており、両者の数が一致しているかどうかを示すものではない。
【0029】
特徴量情報（特徴量情報１～特徴量情報Ｎ）は、歩行計測の測定者（モデル生成フェーズでは被験者、予測フェーズでは対象者）と紐づけて記憶してもよい。例えば、測定者Ａのセンサ情報（測定者Ａを識別する識別情報に対応付けて記憶されているセンサ情報）から特徴量情報（特徴量情報１～特徴量情報Ｎ）を抽出した場合、当該特徴量情報を測定者Ａに紐づけて記憶（測定者Ａを識別する識別情報に対応付けて記憶）し、測定者Ｂのセンサ情報（測定者Ｂを識別する識別情報に対応付けて記憶されているセンサ情報）から特徴量情報（特徴量情報１～特徴量情報Ｎ）を抽出した場合、当該特徴量情報を測定者Ｂに紐づけて記憶（測定者Ｂを識別する識別情報に対応付けて記憶）してもよい。
【0030】
図２（Ｂ）は、センサシューズから取得されるセンサ情報の一例である。図２（Ｂ）では、一例として、足指圧力センサから取得される歩行周期のセンサ情報、中足指節関節曲げセンサから取得される歩行周期のセンサ情報、加速度センサから取得される歩行周期のセンサ情報を示している。
【0031】
歩行について、センサシューズを用いて脚部をセンシングすることに代えて又は加えて、腕や頭にセンサを装着し、腕や頭をセンシングしてもよい。つまり、センサ情報は、必ずしもセンサシューズから得られる情報でなくてもよい。
【0032】
（アンケート情報）
アンケート情報は、例えば、下記のようなアンケートに基づいて作成されるものであってもよい。
１．属性・基本情報（年齢、性別、身長、体重、足長等）
必要に応じて測定する。血圧、ＢＭＩ（肥満度情報）、骨密度等を含めてもよい。
２．転倒履歴
（１）直近３カ月以内の転倒の有無
転倒有の場合、具体的な内容（〇〇月（朝方・昼・夕方・夜）、場所、状況（例えば、朝散歩中に段差に躓いた。かすり傷程度、病院に行っていない等））
（２）過去１年（直近３カ月を除く）以内の転倒の有無
転倒有の場合、（１）と同様
３．足腰の状況（ロコモ５調査）
（１）階段の昇り降りはどの程度困難か
（２）急ぎ足で歩くのはどの程度困難か
（３）休まずにどれくらい歩き続けることができるか
（４）２ｋｇ程度の買い物をして持ち帰ることはどの程度困難か
（５）家のやや重い仕事（掃除機の使用，ふとんの上げ下ろしなど）はどの程度困難か
４．身体の状況
（１）運動機能の低下の自覚症状（該当するものに印）
運動機能低下の自覚症状を示す運動機能情報。例えば、筋力の低下（上肢，体幹，下肢）／運動速度の低下（動作がゆっくり）／反応の低下（反応時間がかかる）／手先の器用さの低下／平衡感覚（バランス感覚）の低下／身体の柔軟性の低下／その他
アンケート情報は、例えば、下記のようなアンケートに基づいて作成されるものであってもよい。
１．属性・基本情報（年齢、性別、身長、体重、足長等）
必要に応じて測定する。血圧、ＢＭＩ（肥満度情報）、骨密度等を含めてもよい。
２．転倒履歴
（１）直近３カ月以内の転倒の有無
転倒有の場合、具体的な内容（〇〇月（朝方・昼・夕方・夜）、場所、状況（例えば、朝散歩中に段差に躓いた。かすり傷程度、病院に行っていない等））
（２）過去１年（直近３カ月を除く）以内の転倒の有無
転倒有の場合、（１）と同様
３．足腰の状況（ロコモ５調査）
（１）階段の昇り降りはどの程度困難か
（２）急ぎ足で歩くのはどの程度困難か
（３）休まずにどれくらい歩き続けることができるか
（４）２ｋｇ程度の買い物をして持ち帰ることはどの程度困難か
（５）家のやや重い仕事（掃除機の使用，ふとんの上げ下ろしなど）はどの程度困難か
４．身体の状況
（１）運動機能の低下の自覚症状（該当するものに印）
運動機能低下の自覚症状を示す運動機能情報。例えば、筋力の低下（上肢，体幹，下肢）／運動速度の低下（動作がゆっくり）／反応の低下（反応時間がかかる）／手先の器用さの低下／平衡感覚（バランス感覚）の低下／身体の柔軟性の低下／その他
【0033】
また、アンケート情報として、上記に代えて又は加えて、人が立つ、歩く又は座る機能であって、日常生活に必要な身体の移動に関わる機能を評価する手法として複数の質問事項への回答により評価された運動器評価情報を用いてもよい。
【0034】
また、アンケート情報として、既往症情報、骨、関節或いは筋肉の異常の経験情報、介護サービス情報、服薬情報、又は運動習慣情報の少なくとも１つを含めてもよい。
【0035】
以下、上述のようなアンケート（上述した質問項目の全部又は一部）に基づいて得られる情報をアンケート情報１～アンケート情報Ｎと称する場合がある。なお、アンケート情報Ｎの「Ｎ」は、用いる診断情報の数（項目数）を示すものであり、センサ情報Ｎ等の「Ｎ」、特徴量情報Ｎの「Ｎ」とは特に関連性はない。
【0036】
アンケート情報（アンケート情報１～アンケート情報Ｎ）は、歩行計測の測定者（モデル生成フェーズでは被験者、予測フェーズでは対象者）と紐づけて記憶する。例えば、測定者Ａを識別する識別情報に対応付けて測定者Ａのアンケート情報を記憶し、測定者Ｂを識別する識別情報に対応付けて測定者Ｂのアンケート情報を記憶する。
【0037】
（診断情報）
診断情報は、評価者である専門家が測定者（モデル生成フェーズでは被験者、予測フェーズでは対象者）の歩行の様子を参照して、当該歩行の異常性を評価した歩行評価情報である。診断情報として、例えば、ＧＡＲＳ－Ｍ（修正歩行異常性尺度、以下、ＧＡＲＳと称する）を用いてもよい。ＧＡＲＳは、下記の７項目の夫々を０－３で点数化し、歩行の異常性を総合的な評価値（０～２１点）で評価するものである。
ＧＡＲＳ１：変動性
ＧＡＲＳ２：勢いのなさ
ＧＡＲＳ３：よろめき
ＧＡＲＳ４：足の接地
ＧＡＲＳ５：股関節の運動範囲
ＧＡＲＳ６：腕ふりの後方化
ＧＡＲＳ７：腕ふりと踵接地の同調性
診断情報は、評価者である専門家が測定者（モデル生成フェーズでは被験者、予測フェーズでは対象者）の歩行の様子を参照して、当該歩行の異常性を評価した歩行評価情報である。診断情報として、例えば、ＧＡＲＳ－Ｍ（修正歩行異常性尺度、以下、ＧＡＲＳと称する）を用いてもよい。ＧＡＲＳは、下記の７項目の夫々を０－３で点数化し、歩行の異常性を総合的な評価値（０～２１点）で評価するものである。
ＧＡＲＳ１：変動性
ＧＡＲＳ２：勢いのなさ
ＧＡＲＳ３：よろめき
ＧＡＲＳ４：足の接地
ＧＡＲＳ５：股関節の運動範囲
ＧＡＲＳ６：腕ふりの後方化
ＧＡＲＳ７：腕ふりと踵接地の同調性
【0038】
専門家は、歩行の様子を撮像した撮像画像（動画）において測定者（モデル生成フェーズでは被験者、予測フェーズでは対象者）の歩行の様子を確認し、上記７項目の夫々に点数を付けてもよい。なお、撮像画像は、歩行計測日に撮像することが好ましい。なお、撮像は、歩行測定とともに行われてもよいし歩行測定とは別に行われてもよいが（つまり、専門家はセンサシューズを装着した状態の測定者の様子を確認し点数をつけてもよいし、センサシューズを装着していない状態の測定者の様子を確認し点数をつけてもよいが）、装着の有無の条件は同一にする。
【0039】
以下、上述のような専門家の診断に基づいて得られる情報（例えば、上述したＧＡＲＳの７項目（ＧＡＲＳ１～ＧＡＲＳ７）の全部又は一部の点数等）を診断情報１～診断情報Ｎと称する場合がある。例えば、ＧＡＲＳ診断情報として、ＧＡＲＳの７項目の全部を用いる場合には診断情報１～診断情報７となる。なお、診断情報Ｎの「Ｎ」は、用いる診断情報の数（項目数）を示すものであり、センサ情報Ｎ等の「Ｎ」、特徴量情報Ｎの「Ｎ」、アンケート情報Ｎの「Ｎ」とは特に関連性はない。
【0040】
診断情報（診断情報１～診断情報Ｎ）は、歩行計測の測定者と紐づけて記憶する。例えば、測定者Ａを識別する識別情報に対応付けて測定者Ａの診断情報を記憶し、測定者Ｂを識別する識別情報に対応付けて測定者Ｂの診断情報を記憶する。
【0041】
（転倒履歴情報）
転倒実績（転倒有無の結果）を取得して転倒履歴情報を蓄積しておく。例えば、歩行計測（センサシューズによる計測）日から１年経過後に、歩行計測日～歩行計測日から１年経過日迄の１年間における転倒の有無をヒアリングしてもよい（例えば、後日アンケートとして回答をもらうようにしてもよい）。なお、上記１年間のうちに何回かに分けて転倒の有無をヒアリングしてもよい。例えば、歩行計測日から３カ月経過後に、歩行計測日～歩行計測日から３カ月経過日迄の３カ月間における転倒の有無をヒアリングし、歩行計測日から６カ月経過後に、歩行計測日から３カ月経過日～歩行計測日から６カ月経過日迄の３カ月間における転倒の有無をヒアリングし、歩行計測日から９カ月経過後に、歩行計測日から６カ月経過日～歩行計測日から９カ月経過日迄の３カ月間における転倒の有無をヒアリングし、歩行計測日から１年経過後に、歩行計測日から９カ月経過日～歩行計測日から１年経過日迄の３カ月間における転倒の有無をヒアリングしてもよい。
転倒実績（転倒有無の結果）を取得して転倒履歴情報を蓄積しておく。例えば、歩行計測（センサシューズによる計測）日から１年経過後に、歩行計測日～歩行計測日から１年経過日迄の１年間における転倒の有無をヒアリングしてもよい（例えば、後日アンケートとして回答をもらうようにしてもよい）。なお、上記１年間のうちに何回かに分けて転倒の有無をヒアリングしてもよい。例えば、歩行計測日から３カ月経過後に、歩行計測日～歩行計測日から３カ月経過日迄の３カ月間における転倒の有無をヒアリングし、歩行計測日から６カ月経過後に、歩行計測日から３カ月経過日～歩行計測日から６カ月経過日迄の３カ月間における転倒の有無をヒアリングし、歩行計測日から９カ月経過後に、歩行計測日から６カ月経過日～歩行計測日から９カ月経過日迄の３カ月間における転倒の有無をヒアリングし、歩行計測日から１年経過後に、歩行計測日から９カ月経過日～歩行計測日から１年経過日迄の３カ月間における転倒の有無をヒアリングしてもよい。
【0042】
なお、転倒履歴情報は、歩行計測の測定者（モデル生成フェーズでは被験者、予測フェーズでは対象者）と紐づけて記憶する。例えば、測定者Ａを識別する識別情報に対応付けて測定者Ａの転倒履歴情報を記憶し、測定者Ｂを識別する識別情報に対応付けて測定者Ｂの転倒履歴情報を記憶する。
【0043】
（第１実施形態）
以下、本発明の第１実施形態について、図３～図１２を参照して説明する。第１実施形態は、図１において説明した構成１～構成９のうち構成１～構成４に相当する。なお、ンサ情報は、必ずしもセンサシューズから得られる情報でなくてもよいと説明したが、第１実施形態（他の実施形態も同様）では、センサ情報は、センサシューズから得られた情報であるものとして説明する。
以下、本発明の第１実施形態について、図３～図１２を参照して説明する。第１実施形態は、図１において説明した構成１～構成９のうち構成１～構成４に相当する。なお、ンサ情報は、必ずしもセンサシューズから得られる情報でなくてもよいと説明したが、第１実施形態（他の実施形態も同様）では、センサ情報は、センサシューズから得られた情報であるものとして説明する。
【0044】
（予測装置１０）
予測装置１０は、学習済モデル２１００（後述）を用いて対象者の転倒確率を予測する。学習済モデルとは、訓練（学習）によって最適化されたパラメータ（学習済パラメータ）によって表される学習モデルである。学習済モデルは、学習モデルを訓練し、訓練によってパラメータが最適化され、生成される。また、予測装置１０は、少なくとも転倒確率の予測結果を用いて介入要否を判定する。予測装置１０は、例えば、パーソナルコンピュータであってもよい。
予測装置１０は、学習済モデル２１００（後述）を用いて対象者の転倒確率を予測する。学習済モデルとは、訓練（学習）によって最適化されたパラメータ（学習済パラメータ）によって表される学習モデルである。学習済モデルは、学習モデルを訓練し、訓練によってパラメータが最適化され、生成される。また、予測装置１０は、少なくとも転倒確率の予測結果を用いて介入要否を判定する。予測装置１０は、例えば、パーソナルコンピュータであってもよい。
【0045】
図３は、予測装置１０の構成例を示す図である。図３に示すように、予測装置１０は、取得部１００と、特徴量抽出部１０１と、転倒予測部（推定部）１０２と、介入要否判定部１０３と、出力部１０４と、センサ情報記憶部１０５と、特徴量情報記憶部１０８と、モデル記憶部１０９と、予測結果記憶部１１０、判定結果記憶部１１１とを備える。予測装置１０内の各部（予測装置１２内の各部、予測装置１４内の各部、予測装置１６の各部、予測装置１８の各部、予測装置２０内の各部、予測装置２２の各部も同様）は、バスを経由して互いに通信可能である。また、図示は省略したが、予測装置１０（予測装置１２、予測装置１４、予測装置１６、予測装置１８、予測装置２０、予測装置２２の各部も同様）は、操作者からの操作を受け付ける操作部を備える。なお、破線にて示したが、予測装置１０は、診断情報記憶部１０６、アンケート情報記憶部１０７を更に備えてもよい。
【0046】
特徴量推定部１０１、転倒予測部１０２及び介入要否判定部１０３は、ＣＰＵ等によって実現される。各記憶部（センサ情報記憶部１０５、診断情報記憶部１０６、アンケート情報記憶部１０７、特徴量情報記憶部１０８、モデル記憶部１０９、予測結果記憶部１１０、判定結果記憶部１１１）は、ＨＤＤやＳＳＤ（Solid State Drive）等によって実現される。出力部１０４は、例えば、液晶ディスプレイ等の表示部であってもよいし、スピーカー等の音声出力部であってもよいし、外部へ情報を送信可能な通信部であってもよいし、紙媒体等を印刷、発行する印刷部であってもよい。
【0047】
取得部１００は、センサ情報を取得する。本例では、取得部１００は、センサシューズから得られるセンサ情報（圧力センサ値、曲げセンサ値、加速度センサ値）を取得する。取得部１００は、センサシューズから直接的にセンサ情報を取得（例えば、無線通信によって取得）してもよいし、他の装置（センサシューズからセンサ情報を取得した装置）を介してセンサ情報を取得（例えば、無線通信によって取得、有線通信又は無線通信、記憶媒体を用いて取得）してもよい。センサ情報を取得した取得部１００は、センサ情報をセンサ情報記憶部１０５に記憶する。
【0048】
センサ情報記憶部１０５は、取得部１００が取得したセンサ情報を記憶する。具体的には、センサ情報記憶部１０５は、対象者毎にセンサ情報を記憶する。
【0049】
また、取得部１００は、対象者に対する専門家による診断の診断情報を取得してもよい。取得部１００は、診断情報を取得した場合、診断情報記憶部１０６に記憶する。診断情報記憶部１０６は、取得部１００が取得した診断情報を記憶する。具体的には、診断情報記憶部１０６は、対象者毎に診断情報を記憶する。なお、第１実施形態では、取得部１００は、診断情報を取得してもよいが、診断情報を取得しなくてもよい。従って、取得部１００が診断情報を取得しない場合には診断情報記憶部１０６は存在しなくてもよい。
【0050】
また、取得部１００は、対象者自身が回答したアンケートのアンケート情報を取得してもよい。取得部１００は、アンケート情報を取得した場合、アンケート情報記憶部１０７に記憶する。アンケート情報記憶部１０７は、取得部１００が取得したアンケート情報を記憶する。具体的には、アンケート情報記憶部１０７は、対象者毎にアンケート情報を記憶する。なお、第１実施形態では、取得部１００は、アンケート情報を取得してもよいが、アンケート情報を取得しなくてもよい。従って、取得部１００がアンケート情報を取得しない場合にはアンケート情報記憶部１０７は存在しなくてもよい。
【0051】
特徴量抽出部１０１は、センサ情報記憶部１０５に記憶されているセンサ情報から特徴量を抽出する。特徴量を抽出した特徴量抽出部１０１は、抽出した特徴量を示した特徴量情報を特徴量情報記憶部１０８に記憶する。
【0052】
特徴量情報記憶部１０８は、特徴量抽出部１０１が抽出した特徴量を示した特徴量情報を記憶する。具体的には、特徴量情報記憶部１０８は、対象者毎に特徴量情報を記憶する。
【0053】
モデル記憶部１０９は、学習済モデル２１００を記憶する。学習済モデル２１００は、モデル生成装置３０（後述）において生成され、予測装置１０に供給される。モデル生成装置３０において生成された学習済モデル２１００は、通信によって、又は、記憶媒体（ＵＳＢメモリ等）を用いて、モデル生成装置３０から予測装置１０に供給され、モデル記憶部１０９に記憶される。他の学習済モデルの供給、記憶についても同様である。
【0054】
図４は、学習済モデル２１００について説明する図である。学習済モデル２１００は、例えば、図４に示すような、ニューラルネットワークを用いて表されるモデルである。学習済モデル２１００は、例えば、ＤＮＮ（Deep Neural Network）であってもよい。学習済パラメータは、例えば、ニューラルネットワークの層数、各層におけるニューロンの個数、ニューロン同士の結合関係、各ニューロン間の結合の重み（結合荷重）、及び各ニューロンの閾値を含む。図４に示した学習済モデル２１００は、入力層２１０１、１以上の中間層２１０２（隠れ層）、及び出力層２１０３を含む。各層２１０１、２１０２、２１０３は、１以上のニューロンを備えている。中間層２１０１の層数、各層におけるニューロンの個数等は、学習済パラメータによって設定されている。
【0055】
入力層２１０１には、特徴量情報記憶部１０８に記憶されている特徴量情報が入力される。出力層３０３から、所定期間内（具体的には１年以内）に転倒する確率を示した出力値、所定期間内に転倒しない確率を示した出力値が出力される。つまり、学習済モデル２１００は、対象者の特徴量情報（特徴量情報１～特徴量情報Ｎ）を入力層２１０１に入力すれば、当該対象者が所定期間内に転倒する確率、所定期間内に転倒しない確率を出力層２１０３から出力する学習済モデルである。
【0056】
転倒予測部１０２は、特徴量情報記憶部１０８に記憶されている特徴量情報と、モデル記憶部１０９に記憶されている学習済モデル２１００と、を用いて対象者が将来の所定期間内（具体的には１年以内）に転倒する確率を予測する。転倒する確率を予測した転倒予測部１０２は、予測結果（０％～１００％の値）を予測結果記憶部１１０に記憶する。
【0057】
予測結果記憶部１１０は、転倒予測部１０２による予測結果を記憶する。具体的には、予測結果記憶部１１０は、対象者毎に予測結果を記憶する。
【0058】
介入要否判定部１０３は、予測結果記憶部１１０に記憶されている予測結果に基づいて、専門家による介入要否を判定する。例えば、介入要否判定部１０３は、予測結果が所定の閾値（例えば６０％）未満である場合、専門家による介入は不要であると判定し、予測結果が所定の閾値以上である場合、専門家による介入は必要であると判定してもよい。介入要否を判定した介入要否判定部１０３は、判定結果（必要／不要）を判定結果記憶部１１１に記憶する。
【0059】
なお、介入要否判定部１０３が参照可能な場所に、予測結果記憶部１１０に記憶されている予測結果と比較するための閾値６０％を記憶しておいてもよいが、転倒確率６０％未満の値に介入不要である旨が対応付けられ、転倒確率６０％以上の値に介入必要である旨が対応付けられているテーブルを記憶しておいてもよい。要は、介入要否判定部１０３は、予測結果記憶部１１０に記憶されている予測結果と、上記閾値（又は上記テーブル）と参照し、専門家による介入の要否を判断すればよい。他の実施形態の介入要否判定部においても同様である。
【0060】
また、介入要否判定部１０３は、予測結果に加え、診断情報（診断情報記憶部１０６に記憶されている診断情報）とアンケート情報（アンケート情報記憶部１０７に記憶されているアンケート情報）のうちの一方又は両方に基づいて、専門家による介入要否を判定してもよい。診断情報やアンケート情報を介入要否の判定に用いる場合、夫々をスコア化（点数化）してもよい。診断情報については、例えば、診断情報１～Ｎの総合的な評価値（例えば、ＧＡＲＳ１～ＧＡＲＳ７の総合的な評価値（０～２１点））を用いてスコア化してもよい。アンケート情報については、例えば、アンケート情報１～アンケート情報Ｎ（アンケートの質問項目の夫々）の回答を例えば重み付けして加算しスコア化してもよい。なお、転倒確率（０～１００％）である予測結果と合わせるべく、診断情報やアンケート情報は、値が小さいほど介入が不要となるようにスコア化する。
【0061】
介入要否判定部１０３は、予測結果と診断情報とに基づいて介入要否を判定する場合、下記式（１）によって算出される介入要否の判定スコアＹ１ＡＢを算出し、判定スコアＹ１ＡＢが所定の判定用基準値Ｒ１ＡＢ未満である場合には介入は不要であると判定し、判定スコアＹ１ＡＢが所定の判定用基準値Ｒ１ＡＢ以上である場合には介入は必要であると判定してもよい。なお、Ｘ１Ａは予測結果の値、ＸＢは診断情報のスコアの値、ａ、ｂは係数である。
【0062】
Ｙ１ＡＢ＝ａ×Ｘ１Ａ＋ｂ×ＸＢ … （１）
【0063】
介入要否判定部１０３は、予測結果とアンケート情報とに基づいて介入要否を判定する場合、下記式（２）によって算出される介入要否の判定スコアＹ１ＡＣを算出し、判定スコアＹ１ＡＣが所定の判定用基準値Ｒ１ＡＣ未満である場合には介入は不要であると判定し、判定スコアＹ１ＡＣが所定の判定用基準値Ｒ１ＡＣ以上である場合には介入は必要であると判定してもよい。なお、Ｘ１Ａは予測結果の値、ＸＣはアンケート情報のスコア値、ｃ、ｄは係数である。
【0064】
Ｙ１ＡＣ＝ｃ×Ｘ１Ａ＋ｄ×ＸＣ … （２）
【0065】
介入要否判定部１０３は、予測結果と診断情報とアンケート情報とに基づいて介入要否を判定する場合、下記式（３）によって算出される介入要否の判定スコアＹ１ＡＢＣを算出し、判定スコアＹ１ＡＢＣが所定の判定用基準値Ｒ１ＡＢＣ未満である場合には介入は不要であると判定し、判定スコアＹ１ＡＢＣが所定の判定用基準値Ｒ１ＡＢＣ以上である場合には介入は必要であると判定してもよい。なお、Ｘ１Ａは予測結果の値、ＸＢは診断情報のスコアの値、ＸＣはアンケート情報のスコア値、ｅ、ｆ、ｇは係数である。
【0066】
Ｙ１ＡＢＣ＝ｅ×Ｘ１Ａ＋ｆ×ＸＢ＋ｇ×ＸＣ … （３）
【0067】
出力部１０４は、転倒予測部１０２による予測結果（予測結果記憶部１１０に記憶されている予測結果）と、介入要否判定部１０３による判定結果（判定結果記憶部１１１に記憶されている判定結果）を出力する。具体的には、出力部１０４は、対象者毎に、予測結果と判定結果を出力する。なお、出力部１０４は、上記に代えて又は加えて、対象者個人の端末（スマートフォン、パーソナルコンピュータ）に夫々の情報を送信してもよい。例えば、出力部１０４は、介入が必要である旨の判定結果であった場合、予測結果と判定結果（必要）と診断（介入）の予約に関する情報とを含む画面情報を対象者個人の端末に送信してもよい。
【0068】
なお、予め、予測結果（将来転倒する可能性）を値に応じて分類（例えば、２０％未満，２０～４０％，４０～６０％，６０～８０％，８０～１００％）し、分類に応じた情報（問題無，…，非常に危険）を記憶しておき、出力部１０４（他の実施形態の出力部も同様）は、予測結果に基づく分類に応じた出力情報を出力してもよい。他の実施形態の出力部も同様である。
【0069】
図５は、予測装置１０の動作例を示すフローチャートである。具体的には、図５のフローチャートは、取得部１００、特徴量抽出部１０１、転倒予測部１０２、介入要否判定部１０３、出力部１０４の動作例を示している。
【0070】
予測装置１０（取得部１００）は、センサ情報を取得する（ステップＳ１０）。予測装置１０（取得部１００）は、センサ情報を記憶（センサ情報記憶部１０５に記憶）する。続いて、予測装置１０（特徴量抽出部１０１）は、特徴量を抽出する（ステップＳ１１）。予測装置１０（特徴量抽出部１０１）は、特徴量情報を記憶（特徴量情報記憶部１０８に記憶）する。続いて、予測装置１０（転倒予測部１０２）は、特徴量情報を学習済モデル２１００に入力して転倒確率を予測する（ステップＳ１２）。予測装置１０（転倒予測部１０２）は、予測結果を記憶（予測結果記憶部１１０に記憶）する。続いて、予測装置１０（介入要否判定部１０３）は、専門家による介入要否を判定する（ステップＳ１３）。予測装置１０（介入要否判定部１０３）は、判定結果を記憶（予測結果記憶部１１０に記憶）する。続いて、予測装置１０（出力部１０４）は、転倒予測部１０２による予測結果、介入要否判定部１０３による判定結果を出力する（ステップＳ１４）。そして、本フローチャートは終了する。
【0071】
（モデル生成装置３０）
モデル生成装置３０は、予測装置１０において用いられる学習済モデル２１００を生成する。具体的には、モデル生成装置３０は、センサ情報を取得した複数の測定者（被験者）に由来する学習用データセット１１００（後述）を用いて学習モデルを訓練し、学習済モデル２１００を生成する。モデル生成装置３０は、例えば、パーソナルコンピュータであってもよい。
モデル生成装置３０は、予測装置１０において用いられる学習済モデル２１００を生成する。具体的には、モデル生成装置３０は、センサ情報を取得した複数の測定者（被験者）に由来する学習用データセット１１００（後述）を用いて学習モデルを訓練し、学習済モデル２１００を生成する。モデル生成装置３０は、例えば、パーソナルコンピュータであってもよい。
【0072】
図６は、モデル生成装置３０の構成例を示す図である。図６に示すように、モデル生成装置３０は、取得部３００と、モデル生成部３０２と、記憶部３０９とを備える。モデル生成装置３０内の各部（モデル生成装置３２の各部、モデル生成装置３４の各部、モデル生成装置３６の各部、第１学習済モデル生成装置３８の各部、第２学習済モデル生成装置３９の各部、第２学習済モデル生成装置４１の各部、第１学習済モデル生成装置４２の各部も同様）は、バスを経由して互いに通信可能である。また、図示は省略したが、モデル生成装置３０（モデル生成装置３２、モデル生成装置３４、第１学習済モデル生成装置３８、第２学習済モデル生成装置３９、第２学習済モデル生成装置４１、第１学習済モデル生成装置４２も同様）は、操作者からの操作を受け付ける操作部や、他の装置と通信する通信部を備える。モデル生成部３０２は、ＣＰＵ等によって実現される。記憶部３０９は、ＨＤＤやＳＳＤ（Solid State Drive）等によって実現される。
【0073】
取得部３００は、外部から学習用データセット１１００を取得する。取得部３００は、記憶媒体（ＵＳＢメモリ等）を用いて外部から学習用データセット１１００を取得してもよいし、通信によって外部から学習用データセット１１００を取得してもよい。他の学習用データセットの供給、記憶についても同様である。学習用データセット１１００を取得した取得部３００は、学習用データセット１１００を記憶部２３０９に記憶する。
【0074】
学習用データセット１１００（他の学習用データセットも同様）は、複数の学習用サンプル（学習用サンプル１～学習用サンプルＮ）から構成される。夫々の学習用サンプルは、夫々の被験者から得られた情報である。例えば、学習用サンプル１は被験者１から得られた情報であり、学習用サンプル２は被験者２から得られた情報である。また、夫々の学習用サンプルは、入力サンプルと出力サンプルとを含む。入力サンプルとは、学習モデルの訓練時に入力層に入力されるデータである。出力サンプルとは、学習モデルの訓練時に出力層からの出力値と比較するための正解となるデータ（教師データ、正解ラベルとも称する）である。
【0075】
図７は、学習用データセット１１００について説明する図である。取得部３００は、例えば、図７に示すような学習用データセット１１００を取得する。なお、取得部３００は、学習用サンプル１～学習用サンプルＮを纏めて取得してもよいし、個別に取得してもよい。また、取得部３００は、特徴量情報と実績情報とを個別に取得してもよい。この場合、取得後に特徴量情報と実績情報とから一の学習用サンプルを生成できるように（つまり、同一の学習用サンプル（つまり被験者の情報）を構成するものであることがわかるように）、例えば、特徴量情報と実績情報の夫々に共通の識別情報（被験者番号等）を付加しておいてもよい。
【0076】
図７に示した学習用データセット１１００（夫々の学習用サンプル）は、入力サンプル（符号Ａ）として、夫々の被験者から得られた夫々のセンサ情報に基づく夫々の特徴量情報を含む。また、出力サンプル（符号Ｂ）として、夫々の被験者の所定期間内（具体的には夫々のセンサ情報の取得日から１年以内）における転倒有無の実績情報（転倒履歴調査情報）を含む。
【0077】
なお、入力サンプルに相当する特徴量情報は、センサ情報から得られるが、センサ情報から特徴量情報を得る工程（抽出する工程）は、モデル生成装置３０とは異なる装置（非図示。図３に示した予測装置１０の特徴量抽出部１０１と同様の特徴量抽出部を備える学習用データセット生成装置）において行われる。つまり、モデル生成装置３０とは異なる装置（学習用データセット生成装置）が学習用データセット１１００を生成し、モデル生成装置３０は、学習用データセット生成装置から学習用データセット１１００を取得する。
【0078】
記憶部３０９は、取得部３００が取得した学習用データセット１１００（図７の学習用サンプル１～学習用サンプルＮ）を記憶する。更に、記憶部３０９は、学習モデルとパラメータとを記憶する。
【0079】
モデル生成部３０２は、記憶部３０９に記憶されている学習用データセット１１００を用いて学習モデルを訓練し、学習済モデル２１００を生成する（詳細は後述）。モデル生成部３０２は、生成した学習済モデル２１００を記憶部３０９に記憶する。
【0080】
具体的には、モデル生成部３０２は、入力サンプルの夫々（図７の学習用サンプル１～学習用サンプルＮの夫々の特徴量情報）を入力層２１０１に入力して出力層２１０３から得られる夫々の出力値と、出力サンプルの夫々（図７の学習用サンプル１～学習用サンプルＮの夫々の実績情報）との差が少なくなるように、学習モデルのパラメータを更新し、学習済モデル２１００を生成する。一例として、モデル生成部３０２は、下記（１）～（５）に示すように、誤差逆伝播法（バックプロパゲーション）を用いて、学習済モデル２１００を生成してもよい。
【0081】
（１）モデル生成部３０２は、記憶部３０９に記憶されている学習用データセット１１００の入力サンプル（学習用サンプル１～学習用サンプルＮの特徴量情報）を入力層２１０１に入力し、学習モデルの順伝播方向の演算処理を行うことにより、出力層２１０３から出力値を得る。出力層２１０３からの出力値は、夫々の転倒する確率／転倒しない確率（尤度）を表す値である。
（２）モデル生成部３０２は、全ての入力サンプルについて、例えば誤差逆伝播法により、出力層２１０３からの出力値と出力サンプルとの誤差を算出する。出力サンプルは、実績情報（実際の転倒の有無）である。例えば、学習用サンプル１の出力サンプルが転倒無を示すものであるときに、学習用サンプル１の入力サンプル（特徴量情報）を入力層２１０１に入力して出力層２１０３からの得られる出力値として転倒する確率が０％（転倒しない確率が１００％）であれば、学習用サンプル１に関する誤差はゼロである。また、学習用サンプル２の出力サンプルが転倒有を示すものであるときに、学習用サンプル２の入力サンプル（特徴量情報）を入力層２１０１に入力して出力層２１０３からの得られる出力値として転倒する確率が１００％（転倒しない確率が０％）であれば、学習用サンプル２に関する誤差はゼロである。
（３）モデル生成部３０２は、算出した誤差が所定値以内であるか否かを判断する。
（４）モデル生成部３０２は、算出した誤差が所定値以内であれば、各ニューロン間の結合の重み等の各種パラメータ（各ニューロン間の結合の重み、各ニューロンの閾値等）は最適化されていると判断し、学習（訓練）を終了する。つまり、モデル生成部３０２による学習済モデル２１００の生成は完了する（当該各種パラメータを学習済パラメータとした学習モデルを学習済モデル２１００とする）。
（５）モデル生成部３０２は、算出した誤差が所定値以内でなければ、算出した各誤差に基づいて各種パラメータを更新する。以下、モデル生成部３０２は、各種パラメータを更新した学習モデルに対し、再度、入力サンプルを入力層２１０１に入力し、上記誤差が所定値以内になる迄、繰り返し、各種パラメータを更新する。
（２）モデル生成部３０２は、全ての入力サンプルについて、例えば誤差逆伝播法により、出力層２１０３からの出力値と出力サンプルとの誤差を算出する。出力サンプルは、実績情報（実際の転倒の有無）である。例えば、学習用サンプル１の出力サンプルが転倒無を示すものであるときに、学習用サンプル１の入力サンプル（特徴量情報）を入力層２１０１に入力して出力層２１０３からの得られる出力値として転倒する確率が０％（転倒しない確率が１００％）であれば、学習用サンプル１に関する誤差はゼロである。また、学習用サンプル２の出力サンプルが転倒有を示すものであるときに、学習用サンプル２の入力サンプル（特徴量情報）を入力層２１０１に入力して出力層２１０３からの得られる出力値として転倒する確率が１００％（転倒しない確率が０％）であれば、学習用サンプル２に関する誤差はゼロである。
（３）モデル生成部３０２は、算出した誤差が所定値以内であるか否かを判断する。
（４）モデル生成部３０２は、算出した誤差が所定値以内であれば、各ニューロン間の結合の重み等の各種パラメータ（各ニューロン間の結合の重み、各ニューロンの閾値等）は最適化されていると判断し、学習（訓練）を終了する。つまり、モデル生成部３０２による学習済モデル２１００の生成は完了する（当該各種パラメータを学習済パラメータとした学習モデルを学習済モデル２１００とする）。
（５）モデル生成部３０２は、算出した誤差が所定値以内でなければ、算出した各誤差に基づいて各種パラメータを更新する。以下、モデル生成部３０２は、各種パラメータを更新した学習モデルに対し、再度、入力サンプルを入力層２１０１に入力し、上記誤差が所定値以内になる迄、繰り返し、各種パラメータを更新する。
【0082】
以上のように、学習済モデル２１００は、入力層２１０１に夫々の被験者の特徴量情報（特徴量情報１～特徴量情報Ｎ）を入力したときに出力層２１０３から出力される夫々の被験者の転倒確率（所定期間内に転倒する確率、所定期間内に転倒しない確率）が、夫々の被験者の実際の転倒実績（転倒有無の結果）と合致（なるべく合致）するように訓練され、生成された学習モデルである。
【0083】
図８は、モデル生成装置３０の動作例を示すフローチャートである。具体的には、図８のフローチャートは、モデル生成部３０２の動作例を示している。なお、図８のフローチャートの開始時において、記憶部３０９には、図７に示したような学習用データセット１１００、学習モデル、パラメータが記憶されているものとする。
【0084】
モデル生成装置３０（モデル生成部３０２。以下、同様）は、学習モデルに夫々（各被験者）の入力サンプル（特徴量情報）を入力し、学習モデルから夫々の出力値を取得する（ステップＳ２０）。続いて、モデル生成装置３０は、夫々の出力値と夫々の出力サンプル（転倒有無）との誤差を算出する（ステップＳ２１）。続いて、モデル生成装置３０は、誤差が所定値以内であるか否かを判断する（ステップＳ２２）。誤差が所定値以内でなかった場合（ステップＳ２２：ＮＯ）、モデル生成装置３０は、各誤差に基づいて各種パラメータを更新し（ステップＳ２３）、ステップＳ２０に戻る。つまり、誤差が所定値以内となる迄、ステップＳ２０～ステップＳ２３を繰り返し実行する。誤差が所定値以内であった場合（ステップＳ２２：ＹＥＳ）、モデル生成装置３０は、訓練を終了する（ステップＳ２４）。つまり、モデル生成装置３０による学習済モデル２１００の生成は完了する（当該各種パラメータを学習済パラメータとした学習モデルを学習済モデル２１００とする）。そして、本フローチャートは終了する。
【0085】
（第１実施形態の変形例）
以下、第１実施形態の変形例について説明する。各変形例は、適宜、組み合わせてもよい。
以下、第１実施形態の変形例について説明する。各変形例は、適宜、組み合わせてもよい。
【0086】
（第１実施形態の変形例１）
第１実施形態では、センサ情報から特徴量情報を得る工程は、モデル生成装置３０とは異なる装置（学習用データセット生成装置）において行われると説明したが、モデル生成装置３０が、センサ情報から特徴量情報を得る工程を担当してもよい。
第１実施形態では、センサ情報から特徴量情報を得る工程は、モデル生成装置３０とは異なる装置（学習用データセット生成装置）において行われると説明したが、モデル生成装置３０が、センサ情報から特徴量情報を得る工程を担当してもよい。
【0087】
図９は、モデル生成装置３０の他の構成例を示す図である。モデル生成装置３０は、図９に示すように、取得部３００、モデル生成部３０２及び記憶部３０９に加え、入力データ記憶部３０５及び特徴量抽出部３０１を更に備えてもよい。特徴量抽出部３０１は、予測装置１０の特徴量抽出部１０１と同様、センサ情報から特徴量を抽出する。
【0088】
図１０は、入力データセット１１１０について説明する図である。図６に示したモデル生成装置３０の取得部３００は、図７に示した学習用データセット１１００を取得し、記憶部３０９に記憶するが、図９に示したモデル生成装置３０の取得部３００は、図１０に示した入力データセット１１１０を取得し、入力データ記憶部３０５に記憶する。
【0089】
入力データセット１１１０（他の入力データセットも同様）は、複数の学習用サンプル用の情報（学習用サンプル１用の情報～学習用サンプルＮ用の情報）から構成される。夫々の学習用サンプル用の情報は、夫々の被験者から得られた情報である。例えば、学習用サンプル１用の情報は被験者１から得られた情報であり、学習用サンプル２用の情報は被験者２から得られた情報である。
【0090】
図１０に示した入力データセット１１１０（夫々の学習用サンプル用の情報）は、図７に示した学習用データセット１１００（夫々の学習用サンプル）と、以下の点が異なる。図７に示した学習用データセット１１００は、入力サンプル（符号Ａ）である特徴量情報と、出力サンプル（符号Ｂ）である実績情報を含むのに対し、図１０に示した入力データセット１１１０は、入力サンプル（特徴量情報）を得るための情報（符号Ｃ）であるセンサ情報と、出力サンプル（符号Ｂ）である実績情報を含む。
【0091】
図９に示したモデル生成装置３０の取得部３００は、入力データセット１１１０を取得する。なお、取得部３００は、学習用サンプル１用の情報～学習用サンプルＮ用の情報を纏めて取得してもよいし、個別に取得してもよい。また、取得部３００は、センサ情報と実績情報とを個別に取得してもよい。この場合、取得後にセンサ情報と実績情報とから一の学習用サンプル用の情報を生成できるように（つまり、同一の学習用サンプル用の情報（つまり一の被験者の情報）を構成するものであることがわかるように）、例えば、センサ情報と実績情報の夫々に共通の識別情報（被験者番号等）を付加しておいてもよい。
【0092】
特徴量抽出部３０１は、入力データセット１１１０内のセンサ情報から特徴量を抽出し（特徴量抽出部３０１は、学習用サンプル１用の情報に含まれるセンサ情報１～センサ情報Ｎに基づいて学習用サンプル１の入力サンプルとなる特徴量情報１～特徴量情報Ｎを抽出し、学習用サンプル２用の情報に含まれるセンサ情報１～センサ情報Ｎに基づいて学習用サンプル２の入力サンプルとなる特徴量情報１～特徴量情報Ｎを抽出し、…、学習用サンプルＮ用の情報に含まれるセンサ情報１～センサ情報Ｎに基づいて学習用サンプルＮの入力サンプルとなる特徴量情報１～特徴量情報Ｎを抽出し）、学習用データセット１１００を生成する。特徴量抽出部３０１は、生成した学習用データセット１１００を記憶部３０９に記憶する。以下、図９に示したモデル生成装置３０は、図６に示したモデル生成装置３０と同様、学習用データセット１１００を用いて、学習済モデル２１００を生成する。
【0093】
（第１実施形態の変形例２）
図１１は、他の学習済モデル２１２０について説明する図である。図４に示した学習済モデル２１００は、特徴量情報を入力して転倒する確率（転倒しない確率）を出力するが、図１１に示したような、センサ情報を入力して転倒する確率（転倒しない確率）を出力する学習済モデル２１２０を用いてもよい。
図１１は、他の学習済モデル２１２０について説明する図である。図４に示した学習済モデル２１００は、特徴量情報を入力して転倒する確率（転倒しない確率）を出力するが、図１１に示したような、センサ情報を入力して転倒する確率（転倒しない確率）を出力する学習済モデル２１２０を用いてもよい。
【0094】
図１２は、他の学習用データセット１１２０について説明する図である。図４に示したような学習済モデル２１００を用いる場合には、図７に示したような学習用データセット１１００（又は、図１０に示したような入力データセット１１１０）を用いるが、図１１に示したような学習済モデル２１２０を用いる場合には、図１２に示したような学習用データセット１１２０を用いる。
【0095】
図１２に示した学習用データセット１１２０（夫々の学習用サンプル）は、図７に示した学習用データセット１１００（夫々の学習用サンプル）と、以下の点が異なる。図７に示した学習用データセット１１００は、入力サンプル（符号Ａ）である特徴量情報と、出力サンプル（符号Ｂ）である実績情報を含むのに対し、図１２に示した学習用データセット１１２０は、入力サンプル（符号Ａ）であるセンサ情報と、出力サンプル（符号Ｂ）である実績情報を含む。なお、学習済モデル２１２０や学習用データセット１１２０を用いる場合、特徴量情報を用いないため言うまでもないが、各装置（予測装置、モデル生成装置）において特徴量に関係する構成は不要である。
【0096】
（第２実施形態）
続いて、本発明の第２実施形態について、図１３～図２２を参照して説明する。第２実施形態は、図１において説明した構成１～構成９のうち構成５、構成６に相当する。なお、第２実施形態については、第１実施形態と異なる部分を中心に説明し、第１実施形態と共通する部分については説明の一部又は全部を省略する。
続いて、本発明の第２実施形態について、図１３～図２２を参照して説明する。第２実施形態は、図１において説明した構成１～構成９のうち構成５、構成６に相当する。なお、第２実施形態については、第１実施形態と異なる部分を中心に説明し、第１実施形態と共通する部分については説明の一部又は全部を省略する。
【0097】
（予測装置１２）
予測装置１２は、学習済モデル２２００（後述）を用いて対象者の転倒確率を予測する。また、予測装置１２は、少なくとも転倒確率の予測結果を用いて介入要否を判定する。
予測装置１２は、学習済モデル２２００（後述）を用いて対象者の転倒確率を予測する。また、予測装置１２は、少なくとも転倒確率の予測結果を用いて介入要否を判定する。
【0098】
図１３は、予測装置１２の構成例を示す図である。図１３に示すように、予測装置１２は、取得部１２０と、特徴量抽出部１２１と、転倒予測部（推定部）１２２と、介入要否判定部１２３と、出力部１２４と、センサ情報記憶部１２５と、診断情報記憶部１２６と、特徴量情報記憶部１２８と、モデル記憶部１２９と、予測結果記憶部１３０、判定結果記憶部１３１とを備える。なお、破線にて示したが、予測装置１２は、アンケート情報記憶部１２７を更に備えてもよい。
【0099】
第２実施形態の予測装置１２が備える特徴量抽出部１２１、出力部１２４、センサ情報記憶部１２５、診断情報記憶部１２６、特徴量情報記憶部１２８、予測結果記憶部１３０、判定結果記憶部１３１は、第１実施形態の予測装置１０が備える特徴量抽出部１０１、出力部１０４、センサ情報記憶部１０５、診断情報記憶部１０６、特徴量情報記憶部１０８、予測結果記憶部１１０、判定結果記憶部１１１と同様である。
【0100】
取得部１２０は、第１実施形態の予測装置１０の取得部１００と同様、センサシューズから得られるセンサ情報を取得し、センサ情報記憶部１２５に記憶する。また、取得部１２０は、対象者に対する専門家による診断の診断情報を取得し、診断情報記憶部１２６に記憶する。
【0101】
また、取得部１２０は、第１実施形態の予測装置１０の取得部１００と同様、対象者自身が回答したアンケートのアンケート情報を取得し、アンケート情報記憶部１２７に記憶してもよい。取得部１２０がアンケート情報を取得しない場合にはアンケート情報記憶部１２７は存在しなくてもよい。
【0102】
モデル記憶部１２９は、学習済モデル２２００を記憶する。学習済モデル２２００は、モデル生成装置３２（後述）において生成され、予測装置１２に供給される。
【0103】
図１４は、学習済モデル２２００について説明する図である。学習済モデル２２００は、例えば、図１４に示すような、ニューラルネットワークを用いて表されるモデルである。第２実施形態の学習済モデル２２００は、図１４に示すように、対象者の特徴量情報（特徴量情報１～特徴量情報Ｎ）、及び、診断情報（診断情報１～診断情報Ｎ）を入力層２２０１に入力すれば、当該対象者が所定期間内に転倒する確率、所定期間内に転倒しない確率を出力層２２０３から出力する学習済モデルである。
【0104】
転倒予測部１２２は、特徴量情報記憶部１２８に記憶されている特徴量情報と、診断情報記憶部１２６に記憶されている診断情報と、モデル記憶部１２９に記憶されている学習済モデル２２００と、を用いて対象者が将来の所定期間内に転倒する確率を予測し、予測結果を予測結果記憶部１３０に記憶する。
【0105】
介入要否判定部１２３は、予測結果記憶部１３０に記憶されている予測結果に基づいて、専門家による介入要否を判定する。例えば、介入要否判定部１２３は、予測結果が所定の閾値（例えば６０％）未満である場合、専門家による介入は不要であると判定し、予測結果が所定の閾値以上である場合、専門家による介入は必要であると判定してもよい。介入要否を判定した介入要否判定部１２３は、判定結果（必要／不要）を判定結果記憶部１３１に記憶する。
【0106】
また、介入要否判定部１２３は、予測結果に加え、アンケート情報（アンケート情報記憶部１２７に記憶されているアンケート情報）に基づいて、専門家による介入要否を判定してもよい。アンケート情報を介入要否の判定に用いる場合、アンケート情報をスコア化してもよい。アンケート情報については、例えば、アンケート情報１～アンケート情報Ｎ（アンケートの質問項目の夫々）の回答を例えば重み付けして加算しスコア化してもよい。なお、転倒確率（０～１００％）である予測結果と合わせるべく、アンケート情報は、値が小さいほど介入が不要となるようにスコア化する。
【0107】
介入要否判定部１２３は、予測結果とアンケート情報とに基づいて介入要否を判定する場合、下記式（４）によって算出される介入要否の判定スコアＹ２ＡＣを算出し、判定スコアＹ２ＡＣが所定の判定用基準値Ｒ２ＡＣ未満である場合には介入は不要であると判定し、判定スコアＹ２ＡＣが所定の判定用基準値Ｒ２ＡＣ以上である場合には介入は必要であると判定してもよい。なお、Ｘ２Ａは予測結果の値、ＸＣはアンケート情報のスコア値、ｈ、ｉは係数である。
【0108】
Ｙ２ＡＣ＝ｈ×Ｘ２Ａ＋ｉ×ＸＣ … （４）
【0109】
図１５は、予測装置１２の動作例を示すフローチャートである。具体的には、図１５のフローチャートは、取得部１２０、特徴量抽出部１２１、転倒予測部１２２、介入要否判定部１２３、出力部１２４の動作例を示している。
【0110】
予測装置１２（取得部１２０）は、センサ情報、診断情報を取得する（ステップＳ３０）。予測装置１２（取得部１２０）は、センサ情報、診断情報を記憶（センサ情報をセンサ情報記憶部１２５に記憶、診断情報を診断情報記憶部１２６に記憶）する。続いて、予測装置１２（特徴量抽出部１２１）は、特徴量を抽出する（ステップＳ３１）。予測装置１２（特徴量抽出部１２１）は、特徴量情報を記憶（特徴量情報記憶部１２８に記憶）する。続いて、予測装置１２（転倒予測部１２２）は、特徴量情報、診断情報を学習済モデル２２００に入力して転倒確率を予測する（ステップＳ３２）。予測装置１２（転倒予測部１２２）は、予測結果を記憶（予測結果記憶部１３０に記憶）する。続いて、予測装置１２（介入要否判定部１２３）は、専門家による介入要否を判定する（ステップＳ３３）。予測装置１２（介入要否判定部１２３）は、判定結果を記憶（予測結果記憶部１３０に記憶）する。続いて、予測装置１２（出力部１２４）は、転倒予測部１２２による予測結果、介入要否判定部１２３による判定結果を出力する（ステップＳ３４）。そして、本フローチャートは終了する。
【0111】
（モデル生成装置３２）
モデル生成装置３２は、予測装置１２において用いられる学習済モデル２２００を生成する。モデル生成装置３２は、センサ情報を取得した複数の測定者（被験者）に由来する学習用データセット１２００（後述）を用いて学習モデルを訓練し、学習済モデル２２００を生成する。
モデル生成装置３２は、予測装置１２において用いられる学習済モデル２２００を生成する。モデル生成装置３２は、センサ情報を取得した複数の測定者（被験者）に由来する学習用データセット１２００（後述）を用いて学習モデルを訓練し、学習済モデル２２００を生成する。
【0112】
【0113】
取得部３２０は、外部から学習用データセット１２００を取得する。学習用データセット１２００を取得した取得部３２０は、学習用データセット１２００を記憶部２３２９に記憶する。
【0114】
図１７は、学習用データセット１２００について説明する図である。取得部３２０は、例えば、図１７に示すような学習用データセット１２００を取得する。なお、取得部３２０は、学習用サンプル１～学習用サンプルＮを纏めて取得してもよいし、個別に取得してもよい。また、取得部３２０は、特徴量情報と診断情報と実績情報とを個別に取得してもよい。この場合、取得後に特徴量情報と診断情報と実績情報とから一の学習用サンプルを生成できるように（つまり、同一の学習用サンプル（つまり被験者の情報）を構成するものであることがわかるように）、例えば、特徴量情報と診断情報と実績情報の夫々に共通の識別情報（被験者番号等）を付加しておいてもよい。
【0115】
図１７に示した学習用データセット１２００（夫々の学習用サンプル）は、入力サンプル（符号Ａ）として、夫々の被験者から得られた夫々のセンサ情報に基づく夫々の特徴量情報、及び、夫々の被験者に対する専門家による実際の診断情報を含む。また、出力サンプル（符号Ｂ）として、夫々の被験者の所定期間内（具体的には夫々のセンサ情報の取得日から１年以内）における転倒有無の実績情報（転倒履歴調査情報）を含む。
【0116】
なお、入力サンプルの一部に相当する特徴量情報は、センサ情報から得られるが、センサ情報から特徴量情報を得る工程（抽出する工程）は、モデル生成装置３２とは異なる装置（非図示。図１３に示した予測装置１２の特徴量抽出部１２１と同様の特徴量抽出部を備える学習用データセット生成装置）において行われる。つまり、モデル生成装置３２とは異なる装置（学習用データセット生成装置）が学習用データセット１２００を生成し、モデル生成装置３２は、学習用データセット生成装置から学習用データセット１２００を取得する。
【0117】
記憶部３２９は、取得部３２０が取得した学習用データセット１２００（図１７の学習用サンプル１～学習用サンプルＮ）を記憶する。更に、記憶部３２９は、学習モデルとパラメータとを記憶する。
【0118】
モデル生成部３２２は、記憶部３２９に記憶されている学習用データセット１２００を用いて学習モデルを訓練し、学習済モデル２２００を生成する。モデル生成部３２２は、生成した学習済モデル２２００を記憶部３２９に記憶する。
【0119】
具体的には、モデル生成部３２２は、入力サンプルの夫々（図１７の学習用サンプル１～学習用サンプルＮの夫々の特徴量情報、及び、診断情報）を入力層２２０１に入力して出力層２２０３から得られる夫々の出力値と、出力サンプルの夫々（図１７の学習用サンプル１～学習用サンプルＮの夫々の実績情報）との差が少なくなるように、学習モデルのパラメータを更新し、学習済モデル２２００を生成する。例えば、モデル生成部３２２は、第１実施形態のモデル生成装置３０のモデル生成部３０２と同様、誤差逆伝播法を用いて、学習済モデル２２００を生成してもよい。
【0120】
以上のように、学習済モデル２２００は、入力層２２０１に夫々の被験者の特徴量情報（特徴量情報１～特徴量情報Ｎ）、及び、診断情報（診断情報１～診断情報Ｎ）を入力したときに出力層２２０３から出力される夫々の被験者の転倒確率（所定期間内に転倒する確率、所定期間内に転倒しない確率）が、夫々の被験者の実際の転倒実績（転倒有無の結果）と合致（なるべく合致）するように訓練され、生成された学習モデルである。
【0121】
図１８は、モデル生成装置３２の動作例を示すフローチャートである。具体的には、図１８のフローチャートは、モデル生成部３２２の動作例を示している。なお、図１８のフローチャートの開始時において、記憶部３２９には、図１７に示したような学習用データセット１２００、学習モデル、パラメータが記憶されているものとする。
【0122】
モデル生成装置３２（モデル生成部３２２。以下、同様）は、学習モデルに夫々（各被験者）の入力サンプル（特徴量情報、診断情報）を入力し、学習モデルから夫々の出力値を取得する（ステップＳ４０）。続いて、モデル生成装置３２は、夫々の出力値と夫々の出力サンプル（転倒有無）との誤差を算出する（ステップＳ４１）。続いて、モデル生成装置３２は、誤差が所定値以内であるか否かを判断する（ステップＳ４２）。誤差が所定値以内でなかった場合（ステップＳ４２：ＮＯ）、モデル生成装置３２は、各誤差に基づいて各種パラメータを更新し（ステップＳ４３）、ステップＳ４０に戻る。つまり、誤差が所定値以内となる迄、ステップＳ４０～ステップＳ４３を繰り返し実行する。誤差が所定値以内であった場合（ステップＳ４２：ＹＥＳ）、モデル生成装置３２は、訓練を終了する（ステップＳ４４）。つまり、モデル生成装置３２による学習済モデル２２００の生成は完了する（当該各種パラメータを学習済パラメータとした学習モデルを学習済モデル２２００とする）。そして、本フローチャートは終了する。
【0123】
（第２実施形態の変形例）
以下、第２実施形態の変形例について説明する。各変形例は、適宜、組み合わせてもよい。
以下、第２実施形態の変形例について説明する。各変形例は、適宜、組み合わせてもよい。
【0124】
（第２実施形態の変形例１）
第２実施形態では、センサ情報から特徴量情報を得る工程は、モデル生成装置３２とは異なる装置（学習用データセット生成装置）において行われると説明したが、モデル生成装置３２が、センサ情報から特徴量情報を得る工程を担当してもよい。
第２実施形態では、センサ情報から特徴量情報を得る工程は、モデル生成装置３２とは異なる装置（学習用データセット生成装置）において行われると説明したが、モデル生成装置３２が、センサ情報から特徴量情報を得る工程を担当してもよい。
【0125】
図１９は、モデル生成装置３２の他の構成例を示す図である。モデル生成装置３２は、図１９に示すように、取得部３２０、モデル生成部３２２及び記憶部３２９に加え、入力データ記憶部３２５及び特徴量抽出部３２１を更に備えてもよい。特徴量抽出部３２１は、予測装置１２の特徴量抽出部１２１と同様、センサ情報から特徴量を抽出する。
【0126】
図２０は、入力データセット１２１０について説明する図である。図１６に示したモデル生成装置３２の取得部３２０は、図１７に示したような学習用データセット１２００を取得し、記憶部３２９に記憶するが、図１９に示したモデル生成装置３２の取得部３２０は、図２０に示したような入力データセット１２１０を取得し、入力データ記憶部３２５に記憶する。
【0127】
図２０に示した入力データセット１２１０（夫々の学習用サンプル用の情報）は、図１７に示した学習用データセット１２００（夫々の学習用サンプル）と、以下の点が異なる。図１７に示した学習用データセット１２００は、入力サンプル（符号Ａ）である特徴量情報及び診断情報と、出力サンプル（符号Ｂ）である実績情報を含むのに対し、図２０に示した入力データセット１２１０は、入力サンプル（特徴量情報）を得るための情報（符号Ｃ）であるセンサ情報と、入力サンプル（符号Ａ）である診断情報と、出力サンプル（符号Ｂ）である実績情報を含む。
【0128】
図１９に示したモデル生成装置３２の取得部３２０は、入力データセット１２１０を取得する。なお、取得部３２０は、学習用サンプル１用の情報～学習用サンプルＮ用の情報を纏めて取得してもよいし、個別に取得してもよい。また、取得部３２０は、センサ情報と診断情報と実績情報とを個別に取得してもよい。この場合、取得後にセンサ情報と診断情報と実績情報とから一の学習用サンプル用の情報を生成できるように（つまり、同一の学習用サンプル用の情報（つまり一の被験者の情報）を構成するものであることがわかるように）、例えば、センサ情報と診断情報と実績情報の夫々に共通の識別情報（被験者番号等）を付加しておいてもよい。
【0129】
特徴量抽出部３２１は、入力データセット１２１０内のセンサ情報から特徴量を抽出し、学習用データセット１２００を生成する。特徴量抽出部３２１は、生成した学習用データセット１２００を記憶部３２９に記憶する。以下、図１９に示したモデル生成装置３２は、図１６に示したモデル生成装置３２と同様、学習用データセット１２００を用いて、学習済モデル２２００を生成する。
【0130】
（第２実施形態の変形例２）
図２１は、他の学習済モデル２２２０について説明する図である。図１４に示した学習済モデル２２００は、特徴量情報及び診断情報を入力して転倒する確率（転倒しない確率）を出力するが、図１４に示したような、センサ情報及び診断情報を入力して転倒する確率（転倒しない確率）を出力する学習済モデル２２２０を用いてもよい。
図２１は、他の学習済モデル２２２０について説明する図である。図１４に示した学習済モデル２２００は、特徴量情報及び診断情報を入力して転倒する確率（転倒しない確率）を出力するが、図１４に示したような、センサ情報及び診断情報を入力して転倒する確率（転倒しない確率）を出力する学習済モデル２２２０を用いてもよい。
【0131】
図２２は、他の学習用データセット１２２０について説明する図である。図１４に示したような学習済モデル２２００を用いる場合には、図１７に示したような学習用データセット１２００（又は、図２０に示したような入力データセット１２１０）を用いるが、図２１に示したような学習済モデル２２２０を用いる場合には、図２２に示したような学習用データセット１２２０を用いる。
【0132】
図２２に示した学習用データセット１２２０（夫々の学習用サンプル）は、図１７に示した学習用データセット１２００（夫々の学習用サンプル）と、以下の点が異なる。図１７に示した学習用データセット１２００は、入力サンプル（符号Ａ）である特徴量情報及び診断情報と、出力サンプル（符号Ｂ）である実績情報を含むのに対し、図２２に示した学習用データセット１２２０は、入力サンプル（符号Ａ）であるセンサ情報及び診断情報と、出力サンプル（符号Ｂ）である実績情報を含む。なお、学習済モデル２２２０や学習用データセット１２２０を用いる場合、特徴量情報を用いないため言うまでもないが、各装置（予測装置、モデル生成装置）において特徴量に関係する構成は不要である。
【0133】
（第３実施形態）
続いて、第３実施形態について、図２３～図２８を参照して説明する。第３実施形態は、図１において説明した構成１～構成９のうち構成９に相当する。なお、第３実施形態については、第１実施形態や第２実施形態と異なる部分を中心に説明し、第１実施形態や第２実施形態と共通する部分については説明の一部又は全部を省略する。
続いて、第３実施形態について、図２３～図２８を参照して説明する。第３実施形態は、図１において説明した構成１～構成９のうち構成９に相当する。なお、第３実施形態については、第１実施形態や第２実施形態と異なる部分を中心に説明し、第１実施形態や第２実施形態と共通する部分については説明の一部又は全部を省略する。
【0134】
（予測装置１４）
予測装置１４は、学習済モデル２３００（後述）を用いて対象者の転倒確率を予測する。また、予測装置１４は、転倒確率の予測結果を用いて介入要否を判定する。
予測装置１４は、学習済モデル２３００（後述）を用いて対象者の転倒確率を予測する。また、予測装置１４は、転倒確率の予測結果を用いて介入要否を判定する。
【0135】
図２３は、予測装置１４の構成例を示す図である。図２３に示すように、予測装置１４は、取得部１４０と、特徴量抽出部１４１と、転倒予測部（推定部）１４２と、介入要否判定部１４３と、出力部１４４と、センサ情報記憶部１４５と、診断情報記憶部１２６と、アンケート情報記憶部１４７と、特徴量情報記憶部１４８と、モデル記憶部１４９と、予測結果記憶部１５０、判定結果記憶部１５１とを備える。
【0136】
第３実施形態の予測装置１４が備える特徴量抽出部１４１、出力部１４４、センサ情報記憶部１４５、診断情報記憶部１４６、アンケート情報記憶部１４７、特徴量情報記憶部１４８、予測結果記憶部１５０、判定結果記憶部１５１は、第１実施形態の予測装置１０が備える特徴量抽出部１０１、出力部１０４、センサ情報記憶部１０５、診断情報記憶部１０６、アンケート情報記憶部１０７、特徴量情報記憶部１０８、予測結果記憶部１１０、判定結果記憶部１１１と同様である。
【0137】
取得部１４０は、第１実施形態の予測装置１０の取得部１００と同様、センサシューズから得られるセンサ情報を取得し、センサ情報記憶部１４５に記憶する。また、取得部１４０は、第２実施形態の予測装置１２の取得部１２０と同様、対象者に対する専門家による診断の診断情報を取得し、診断情報記憶部１４６に記憶する。また、取得部１４０は、対象者自身が回答したアンケートのアンケート情報を取得し、アンケート情報記憶部１４７に記憶する。
【0138】
モデル記憶部１４９は、学習済モデル２３００を記憶する。学習済モデル２３００は、モデル生成装置３４（後述）において生成され、予測装置１４に供給される。
【0139】
図２４は、学習済モデル２３００について説明する図である。学習済モデル２３００は、例えば、図２４に示すような、ニューラルネットワークを用いて表されるモデルである。第３実施形態の学習済モデル２３００は、図２４に示すように、対象者の特徴量情報（特徴量情報１～特徴量情報Ｎ）、診断情報（診断情報１～診断情報Ｎ）、アンケート情報（アンケート情報１～アンケート情報Ｎ）を入力層２３０１に入力すれば、当該対象者が所定期間内に転倒する確率、所定期間内に転倒しない確率を出力層２３０３から出力する学習済モデルである。
【0140】
転倒予測部１４２は、特徴量情報記憶部１４８に記憶されている特徴量情報と、診断情報記憶部１４６に記憶されている診断情報と、アンケート情報記憶部１４７に記憶されている診断情報と、モデル記憶部１４９に記憶されている学習済モデル２３００と、を用いて対象者が将来の所定期間内に転倒する確率を予測し、予測結果を予測結果記憶部１５０に記憶する。
【0141】
介入要否判定部１４３は、予測結果記憶部１５０に記憶されている予測結果に基づいて、専門家による介入要否を判定する。例えば、介入要否判定部１４３は、予測結果が所定の閾値（例えば６０％）未満である場合、専門家による介入は不要であると判定し、予測結果が所定の閾値以上である場合、専門家による介入は必要であると判定してもよい。介入要否を判定した介入要否判定部１４３は、判定結果（必要／不要）を判定結果記憶部１５１に記憶する。
【0142】
図２５は、予測装置１４の動作例を示すフローチャートである。具体的には、図２５のフローチャートは、取得部１４０、特徴量抽出部１４１、転倒予測部１４２、介入要否判定部１４３、出力部１４４の動作例を示している。
【0143】
予測装置１４（取得部１４０）は、センサ情報、診断情報、アンケート情報を取得する（ステップＳ５０）。予測装置１４（取得部１４０）は、センサ情報、診断情報、アンケート情報を記憶（センサ情報をセンサ情報記憶部１４５に記憶、診断情報を診断情報記憶部１４６に記憶、アンケート情報をアンケート情報記憶部１４７に記憶）する。続いて、予測装置１４（特徴量抽出部１４１）は、特徴量を抽出する（ステップＳ５１）。予測装置１４（特徴量抽出部１４１）は、特徴量情報を記憶（特徴量情報記憶部１４８に記憶）する。続いて、予測装置１４（転倒予測部１４２）は、特徴量情報、診断情報、アンケート情報を学習済モデル２３００に入力して転倒確率を予測する（ステップＳ５２）。予測装置１４（転倒予測部１４２）は、予測結果を記憶（予測結果記憶部１５０に記憶）する。続いて、予測装置１４（介入要否判定部１４３）は、専門家による介入要否を判定する（ステップＳ５３）。予測装置１４（介入要否判定部１４３）は、判定結果を記憶（予測結果記憶部１５０に記憶）する。続いて、予測装置１４（出力部１４４）は、転倒予測部１４２による予測結果、介入要否判定部１４３による判定結果を出力する（ステップＳ５４）。そして、本フローチャートは終了する。
【0144】
（モデル生成装置３４）
モデル生成装置３４は、予測装置１４において用いられる学習済モデル２３００を生成する。モデル生成装置３４は、センサ情報を取得した複数の測定者（被験者）に由来する学習用データセット１３００（後述）を用いて学習モデルを訓練し、学習済モデル２３００を生成する。
モデル生成装置３４は、予測装置１４において用いられる学習済モデル２３００を生成する。モデル生成装置３４は、センサ情報を取得した複数の測定者（被験者）に由来する学習用データセット１３００（後述）を用いて学習モデルを訓練し、学習済モデル２３００を生成する。
【0145】
【0146】
取得部３４０は、外部から学習用データセット１３００を取得する。学習用データセット１３００を取得した取得部３４０は、学習用データセット１３００を記憶部２３４９に記憶する。
【0147】
図２７は、学習用データセット１３００について説明する図である。取得部３４０は、例えば、図２７に示すような学習用データセット１３００を取得する。なお、取得部３４０は、学習用サンプル１～学習用サンプルＮを纏めて取得してもよいし、個別に取得してもよい。また、取得部３４０は、特徴量情報と診断情報とアンケート情報と実績情報とを個別に取得してもよい。この場合、取得後に特徴量情報と診断情報とアンケート情報と実績情報とから一の学習用サンプルを生成できるように（つまり、同一の学習用サンプル（つまり被験者の情報）を構成するものであることがわかるように）、例えば、特徴量情報と診断情報とアンケート情報と実績情報の夫々に共通の識別情報（被験者番号等）を付加しておいてもよい。
【0148】
図２７に示した学習用データセット１３００（夫々の学習用サンプル）は、入力サンプル（符号Ａ）として、夫々の被験者から得られた夫々のセンサ情報に基づく夫々の特徴量情報、夫々の被験者に対する専門家による実際の診断情報、及び、夫々の被験者から得られたにアンケート情報を含む。また、出力サンプル（符号Ｂ）として、夫々の被験者の所定期間内（具体的には夫々のセンサ情報の取得日から１年以内）における転倒有無の実績情報（転倒履歴調査情報）を含む。
【0149】
なお、入力サンプルの一部に相当する特徴量情報は、センサ情報から得られるが、センサ情報から特徴量情報を得る工程（抽出する工程）は、モデル生成装置３４とは異なる装置（非図示。図２３に示した予測装置１４の特徴量抽出部１４１と同様の特徴量抽出部を備える学習用データセット生成装置）において行われる。つまり、モデル生成装置３４とは異なる装置（学習用データセット生成装置）が学習用データセット１３００を生成し、モデル生成装置３４は、学習用データセット生成装置から学習用データセット１３００を取得する。
【0150】
記憶部３４９は、取得部３４０が取得した学習用データセット１３００（図２７の学習用サンプル１～学習用サンプルＮ）を記憶する。更に、記憶部３４９は、学習モデルとパラメータとを記憶する。
【0151】
モデル生成部３４２は、記憶部３４９に記憶されている学習用データセット１３００を用いて学習モデルを訓練し、学習済モデル２３００を生成する。モデル生成部３４２は、生成した学習済モデル２３００を記憶部３４９に記憶する。
【0152】
具体的には、モデル生成部３４２は、入力サンプルの夫々（図２７の学習用サンプル１～学習用サンプルＮの夫々の特徴量情報、診断情報、及び、アンケート情報）を入力層２３０１に入力して出力層２３０３から得られる夫々の出力値と、出力サンプルの夫々（図２７の学習用サンプル１～学習用サンプルＮの夫々の実績情報）との差が少なくなるように、学習モデルのパラメータを更新し、学習済モデル２３００を生成する。例えば、モデル生成部３４２は、第１実施形態のモデル生成装置３０のモデル生成部３０２と同様、誤差逆伝播法を用いて、学習済モデル２３００を生成してもよい。
【0153】
以上のように、学習済モデル２３００は、入力層２３０１に夫々の被験者の特徴量情報（特徴量情報１～特徴量情報Ｎ）、診断情報（診断情報１～診断情報Ｎ）、及び、アンケート情報（アンケート情報１～アンケート情報Ｎ）を入力したときに出力層２３０３から出力される夫々の被験者の転倒確率（所定期間内に転倒する確率、所定期間内に転倒しない確率）が、夫々の被験者の実際の転倒実績（転倒有無の結果）と合致（なるべく合致）するように訓練され、生成された学習モデルである。
【0154】
図２８は、モデル生成装置３４の動作例を示すフローチャートである。具体的には、図２８のフローチャートは、モデル生成部３４２の動作例を示している。なお、図２８のフローチャートの開始時において、記憶部３４９には、図２７に示したような学習用データセット１３００、学習モデル、パラメータが記憶されているものとする。
【0155】
モデル生成装置３４（モデル生成部３４２。以下、同様）は、学習モデルに夫々（各被験者）の入力サンプル（特徴量情報、診断情報、アンケート情報）を入力し、学習モデルから夫々の出力値を取得する（ステップＳ６０）。続いて、モデル生成装置３４は、夫々の出力値と夫々の出力サンプル（転倒有無）との誤差を算出する（ステップＳ６１）。続いて、モデル生成装置３４は、誤差が所定値以内であるか否かを判断する（ステップＳ６２）。誤差が所定値以内でなかった場合（ステップＳ６２：ＮＯ）、モデル生成装置３４は、各誤差に基づいて各種パラメータを更新し（ステップＳ６３）、ステップＳ６０に戻る。つまり、誤差が所定値以内となる迄、ステップＳ６０～ステップＳ６３を繰り返し実行する。誤差が所定値以内であった場合（ステップＳ６２：ＹＥＳ）、モデル生成装置３４は、訓練を終了する（ステップＳ６４）。つまり、モデル生成装置３４による学習済モデル２３００の生成は完了する（当該各種パラメータを学習済パラメータとした学習モデルを学習済モデル２３００とする）。そして、本フローチャートは終了する。
【0156】
第３実施形態についても、第１実施形態、第２実施形態と同様の変形例（変形例１、変形例２）があるが、説明を省略する。
【0157】
（第４実施形態）
続いて、第４実施形態について説明する。第４実施形態は、図１において説明した構成１～構成９のうち構成７、８に相当する。なお、第４実施形態については、第１実施形態～第３実施形態と異なる部分を中心に説明し、第１実施形態～第３実施形態と共通する部分については説明の一部又は全部を省略する。
続いて、第４実施形態について説明する。第４実施形態は、図１において説明した構成１～構成９のうち構成７、８に相当する。なお、第４実施形態については、第１実施形態～第３実施形態と異なる部分を中心に説明し、第１実施形態～第３実施形態と共通する部分については説明の一部又は全部を省略する。
【0158】
第４実施形態は、第２実施形態における診断情報をアンケート情報に置き換えたものであるため簡単に説明を省略する。つまり、第２実施形態の予測装置（予測装置１２）は、特徴量情報と診断情報と学習済モデル（学習済モデル２２００）とを用いて対象者が将来の所定期間内に転倒確率を予測し、予測結果（又は、予測結果及びアンケート情報）に基づいて専門家による介入要否を判定するが、第４実施形態の予測装置（予測装置１６。非図示）は、特徴量情報とアンケート情報と学習済モデル（学習済モデル２４００。非図示）とを用いて対象者が将来の所定期間内に転倒確率を予測し、予測結果（又は、予測結果及び診断情報）に基づいて専門家による介入要否を判定する。
【0159】
第４実施形態の学習済モデル２４００（非図示）は、対象者の特徴量情報（特徴量情報１～特徴量情報Ｎ）、及び、アンケート情報（アンケート情報１～アンケート情報Ｎ）を入力層２４０１に入力すれば、当該対象者が所定期間内に転倒する確率、所定期間内に転倒しない確率を出力層２４０３から出力する学習済モデルである。
【0160】
第４実施形態のモデル生成装置（モデル生成装置３６。非図示）は、学習用データセット１４００（非図示）を用いて学習済モデル２４００（非図示）を生成する。学習用データセット１４００（夫々の学習用サンプル）は、入力サンプルとして、夫々の被験者から得られた夫々のセンサ情報に基づく夫々の特徴量情報、及び、夫々の被験者から得られたにアンケート情報を含む。また、出力サンプルとして、夫々の被験者の所定期間内（具体的には夫々のセンサ情報の取得日から１年以内）における転倒有無の実績情報（転倒履歴調査情報）を含む。
【0161】
モデル生成装置３６のモデル生成部３６２（非図示）は、入力サンプルの夫々を入力層２４０１に入力して出力層２４０３から得られる夫々の出力値と、出力サンプルの夫々との差が少なくなるように、学習モデルのパラメータを更新し、学習済モデル２４００を生成する。例えば、モデル生成部３６２は、第１実施形態のモデル生成装置３０のモデル生成部３０２と同様、誤差逆伝播法を用いて、学習済モデル２４００を生成してもよい。
【0162】
以上のように、学習済モデル２４００は、入力層２４０１に夫々の被験者の特徴量情報（特徴量情報１～特徴量情報Ｎ）、及び、アンケート情報（アンケート情報１～アンケート情報Ｎ）を入力したときに出力層２４０３から出力される夫々の被験者の転倒確率（所定期間内に転倒する確率、所定期間内に転倒しない確率）が、夫々の被験者の実際の転倒実績（転倒有無の結果）と合致（なるべく合致）するように訓練され、生成された学習モデルである。
【0163】
予測装置１６は、予測結果及び診断情報に基づいて専門家による介入要否を判定する場合、下記式（５）によって算出される介入要否の判定スコアＹ３ＡＢを算出し、判定スコアＹ３ＡＢが所定の判定用基準値Ｒ３ＡＢ未満である場合には介入は不要であると判定し、判定スコアＹ３ＡＢが所定の判定用基準値Ｒ３ＡＢ以上である場合には介入は必要であると判定してもよい。なお、Ｘ３Ａは予測結果の値、ＸＢは診断情報のスコア値、ｊ、ｋは係数である。
【0164】
Ｙ３ＡＢ＝ｊ×Ｘ３Ａ＋ｋ×ＸＢ … （５）
【0165】
第４実施形態についても、第１実施形態～第３実施形態と同様の変形例（変形例１、変形例２）があるが、説明を省略する。
【0166】
【0167】
図２９に示すように、第５実施形態（第６実施形態、第７実施形態も同様）に係るシステムは、第１実施形態～第４実施形態に係るシステムと同様、モデル生成フェーズと、予測フェーズとを含む。第５実施形態（第６実施形態、第７実施形態も同様）におけるモデル生成フェーズでは、診断情報を予測（推定）する学習済モデル（後述する第１学習済モデル）や、診断情報（推定した診断情報）から転倒確率を予測する学習済モデル（後述する第２学習済モデル）を生成する。第５実施形態（第６実施形態、第７実施形態も同様）における予測フェーズでは、第１学習済モデルを用いて診断情報を予測（推定）し、推定した診断情報と第２学習済モデルとを用いて転倒確率を予測等する。
【0168】
第５実施形態（第６実施形態、第７実施形態も同様）に係るシステムは、少なくとも歩行をセンシングしたセンサ情報を用いて診断情報を予測（推定）する。また、第５実施形態（第６実施形態、第７実施形態も同様）に係るシステムは、少なくとも推定した診断情報を用いて、センシング後から所定期間（例えば、１年以内）における転倒確率を予測する。更に、第５実施形態（第６実施形態、第７実施形態も同様）に係るシステムは、少なくとも転倒確率の予測結果（０％～１００％）を用いて、将来の転倒に対処するための専門家による介入の要否（介入要否）を判定する。
【0169】
診断情報の予測、転倒確率の予測、介入要否の判定において、センサ情報の他に、診断情報やアンケート情報を用いてもよい。つまり、第５実施形態（第６実施形態、第７実施形態も同様）に係るシステムは、下記構成１０～構成１３のうちの少なくとも１つを含むものであってもよい。
【0170】
（構成１０）センサ情報に基づいて診断情報を推定し、推定した診断情報に基づいて転倒確率を予測し、転倒確率の予測結果に基づいて介入要否を判定する構成
（構成１１）センサ情報に基づいて診断情報を推定し、推定した診断情報に基づいて転倒確率を予測し、転倒確率の予測結果とアンケート情報とに基づいて介入要否を判定する構成
（構成１２）センサ情報に基づいて診断情報を推定し、推定した診断情報とアンケート情報に基づいて転倒確率を予測し、転倒確率の予測結果に基づいて介入要否を判定する構成
（構成１３）センサ情報とアンケート情報とに基づいて診断情報を推定し、推定した診断情報に基づいて転倒確率を予測し、転倒確率の予測結果に基づいて介入要否を判定する構成
（構成１１）センサ情報に基づいて診断情報を推定し、推定した診断情報に基づいて転倒確率を予測し、転倒確率の予測結果とアンケート情報とに基づいて介入要否を判定する構成
（構成１２）センサ情報に基づいて診断情報を推定し、推定した診断情報とアンケート情報に基づいて転倒確率を予測し、転倒確率の予測結果に基づいて介入要否を判定する構成
（構成１３）センサ情報とアンケート情報とに基づいて診断情報を推定し、推定した診断情報に基づいて転倒確率を予測し、転倒確率の予測結果に基づいて介入要否を判定する構成
【0171】
診断情報の予測には、機械学習や統計的手法を用いる。従って、診断情報の予測に先立って、必要な情報を収集し、第１学習済モデルや統計モデルを作成しておく。一例として、構成１０の場合、多数の被験者の、夫々のセンサ情報と、夫々の被験者に対する専門家による実際の診断情報とを収集し、センサ情報に基づく特徴量情報（センサ情報でもよい）を入力サンプルとし専門家による実際の診断情報を出力サンプルとして学習した第１学習済モデル、または、センサ情報に基づく特徴量情報（センサ情報でもよい）を説明変数とし専門家による実際の診断情報を目的変数とする統計モデルを作成する。
【0172】
転倒確率の予測には、機械学習や統計的手法を用いる。従って、転倒確率の予測に先立って、必要な情報を収集し、第２学習済モデルや統計モデルを作成しておく。一例として、構成１０の場合、多数の被験者の、夫々の被験者に対する専門家による実際の診断情報と、夫々の被験者についてセンサ情報を取得した日から所定期間内（１年以内）に実際に転倒したか否かを示した転倒有無情報（転倒履歴情報）とを収集し、専門家による実際の診断情報を入力サンプルとし転倒履歴情報を出力サンプルとして学習した第２学習済モデル、または、専門家による実際の診断情報を説明変数とし転倒履歴情報を目的変数とする統計モデルを作成する。
【0173】
（第５実施形態）
以下、本発明の第５実施形態について、図３０～図４３を参照して説明する。第５実施形態は、図２９において説明した構成１０～構成１３のうち構成１０、構成１１に相当する。なお、第５実施形態については、第１実施形態～第４実施形態と異なる部分を中心に説明し、第１実施形態～第４実施形態と共通する部分については説明の一部又は全部を省略する。
以下、本発明の第５実施形態について、図３０～図４３を参照して説明する。第５実施形態は、図２９において説明した構成１０～構成１３のうち構成１０、構成１１に相当する。なお、第５実施形態については、第１実施形態～第４実施形態と異なる部分を中心に説明し、第１実施形態～第４実施形態と共通する部分については説明の一部又は全部を省略する。
【0174】
（予測装置１８）
予測装置１８は、第１学習済モデル２５００（後述）を用いて対象者の診断情報を推定する。また、予測装置１８は、第２学習済モデル２６００（後述）を用いて対象者の転倒確率を予測する。また、予測装置１８は、少なくとも転倒確率の予測結果を用いて介入要否を判定する。
予測装置１８は、第１学習済モデル２５００（後述）を用いて対象者の診断情報を推定する。また、予測装置１８は、第２学習済モデル２６００（後述）を用いて対象者の転倒確率を予測する。また、予測装置１８は、少なくとも転倒確率の予測結果を用いて介入要否を判定する。
【0175】
図３０は、予測装置１８の構成例を示す図である。図３０に示すように、予測装置１８は、取得部１８０と、特徴量抽出部１８１と、診断値推定部（診断値予測部）１８２と、転倒予測部（推定部）１８３と、介入要否判定部１８４と、出力部１８５と、センサ情報記憶部１８６と、特徴量情報記憶部１８８と、第１学習済モデル記憶部１８９と、推定結果記憶部１９０と、第２学習済モデル記憶部１９１と、予測結果記憶部１９２、判定結果記憶部１９３とを備える。なお、破線にて示したが、予測装置１８は、アンケート情報記憶部１８７を更に備えてもよい。
【0176】
第５実施形態の予測装置１８が備える特徴量抽出部１８１、出力部１８５、センサ情報記憶部１８６、特徴量情報記憶部１８８、予測結果記憶部１９２、判定結果記憶部１９３は、第１実施形態の予測装置１０が備える特徴量抽出部１０１、出力部１０４、センサ情報記憶部１０５、特徴量情報記憶部１０８、予測結果記憶部１１０、判定結果記憶部１１１と同様である。
【0177】
取得部１８０は、第１実施形態の予測装置１０の取得部１００と同様、センサ情報を取得し、センサ情報記憶部１８６に記憶する。また、取得部１８０は、第１実施形態の予測装置１０の取得部１００と同様、対象者自身が回答したアンケートのアンケート情報を取得し、アンケート情報記憶部１８７に記憶してもよい。取得部１８０がアンケート情報を取得しない場合にはアンケート情報記憶部１８７は存在しなくてもよい。
【0178】
第１学習済モデル記憶部１８９は、第１学習済モデル２５００を記憶する。第１学習済モデル２５００は、第１学習済モデル生成装置３８（後述）において生成され、予測装置１８に供給される。
【0179】
図３１は、第１学習済モデル２５００について説明する図である。第１学習済モデル２５００は、例えば、図３１に示すような、ニューラルネットワークを用いて表されるモデルである。第５実施形態の第１学習済モデル２５００は、図３１に示すように、対象者の特徴量情報（特徴量情報１～特徴量情報Ｎ）を入力層２５０１に入力すれば、当該対象者に対する専門家による診断情報の推定結果を出力層２５０３から出力する学習済モデルである。例えば、診断情報としてＧＡＲＳ１～ＧＡＲＳ７を用いる場合、第１学習済モデル２５００は、対象者の特徴量情報（特徴量情報１～特徴量情報Ｎ）を入力層２５０１に入力すれば、当該対象者に対する専門家による診断情報の推定結果として、当該対象者のＧＡＲＳ１～ＧＡＲＳ７の夫々の推定値を出力層２５０３から出力する学習済モデルである。
【0180】
診断値推定部１８２は、特徴量情報記憶部１８８に記憶されている特徴量情報と、第１学習済モデル記憶部１８９に記憶されている第１学習済モデル２５００と、を用いて対象者の診断情報（例えば、ＧＡＲＳ１～ＧＡＲＳ７の夫々の値）を推定（予測）し、推定結果（推定診断情報。推定診断値とも称する）を推定結果記憶部１９０に記憶する。
【0181】
第２学習済モデル記憶部１９１は、第２学習済モデル２６００を記憶する。第２学習済モデル２６００は、第２学習済モデル生成装置３９（後述）において生成され、予測装置１８に供給される。
【0182】
図３２は、第２学習済モデル２６００について説明する図である。第２学習済モデル２６００は、例えば、図３２に示すような、ニューラルネットワークを用いて表されるモデルである。第５実施形態の第２学習済モデル２６００は、図３２に示すように、対象者の診断情報の推定結果を入力層２６０１に入力すれば、当該対象者が所定期間内に転倒する確率、所定期間内に転倒しない確率を出力層２６０３から出力する学習済モデルである。例えば、診断情報としてＧＡＲＳ１～ＧＡＲＳ７を用いる場合、第２学習済モデル２６００は、対象者のＧＡＲＳ１～ＧＡＲＳ７の夫々の推定値を入力層２６０１に入力すれば、当該対象者が所定期間内に転倒する確率、所定期間内に転倒しない確率を出力層２６０３から出力する学習済モデルである。
【0183】
転倒予測部１８３は、推定結果記憶部１９０に記憶されている推定結果と、第２学習済モデル記憶部１９１に記憶されている第２学習済モデル２６００と、を用いて対象者が将来の所定期間内に転倒する確率を予測し、予測結果を予測結果記憶部１９２に記憶する。
【0184】
介入要否判定部１８４は、予測結果記憶部１９２に記憶されている予測結果に基づいて、専門家による介入要否を判定する。例えば、介入要否判定部１８４は、予測結果が所定の閾値（例えば６０％）未満である場合、専門家による介入は不要であると判定し、予測結果が所定の閾値以上である場合、専門家による介入は必要であると判定してもよい。介入要否を判定した介入要否判定部１８４は、判定結果（必要／不要）を判定結果記憶部１９３に記憶する。
【0185】
また、介入要否判定部１８４は、第２実施形態の予測装置１２（介入要否判定部１２３）と同様、予測結果に加え、アンケート情報（アンケート情報記憶部１８７に記憶されているアンケート情報）に基づいて、専門家による介入要否を判定してもよい。
【0186】
図３３は、予測装置１８の動作例を示すフローチャートである。具体的には、図３３のフローチャートは、取得部１８０、特徴量抽出部１８１、診断値推定部１８２、転倒予測部１８３、介入要否判定部１８４、出力部１８５の動作例を示している。
【0187】
予測装置１８（取得部１８０）は、センサ情報を取得する（ステップＳ７０）。予測装置１８（取得部１８０）は、センサ情報を記憶する。続いて、予測装置１８（特徴量抽出部１８１）は、特徴量を抽出する（ステップＳ７１）。予測装置１８（特徴量抽出部１８１）は、特徴量情報を記憶する。続いて、予測装置１８（診断値推定部１８２）は、特徴量情報を第１学習済モデル２５００に入力して診断情報を推定する（ステップＳ７２）。続いて、予測装置１８（診断値推定部１８２）は、推定診断情報を記憶する。予測装置１８（転倒予測部１８３）は、推定診断情報を第２学習済モデル２６００に入力して転倒確率を予測する（ステップＳ７３）。予測装置１８（転倒予測部１８３）は、予測結果を記憶する。続いて、予測装置１８（介入要否判定部１８４）は、専門家による介入要否を判定する（ステップＳ７４）。予測装置１８（介入要否判定部１８４）は、判定結果を記憶する。続いて、予測装置１８（出力部１８５）は、転倒予測部１８３による予測結果、介入要否判定部１８４による判定結果を出力する（ステップＳ７５）。そして、本フローチャートは終了する。
【0188】
（第１学習済モデル生成装置３８）
第１学習済モデル生成装置３８は、予測装置１８において用いられる第１学習済モデル２５００を生成する。第１学習済モデル生成装置３８は、センサ情報を取得した複数の測定者（被験者）に由来する学習用データセット１５００（後述）を用いて学習モデルを訓練し、第１学習済モデル２５００を生成する。
第１学習済モデル生成装置３８は、予測装置１８において用いられる第１学習済モデル２５００を生成する。第１学習済モデル生成装置３８は、センサ情報を取得した複数の測定者（被験者）に由来する学習用データセット１５００（後述）を用いて学習モデルを訓練し、第１学習済モデル２５００を生成する。
【0189】
【0190】
取得部３８０は、外部から学習用データセット１５００を取得する。学習用データセット１５００を取得した取得部３８０は、学習用データセット１５００を記憶部２３８９に記憶する。
【0191】
図３５は、学習用データセット１５００について説明する図である。取得部３８０は、例えば、図３５に示すような学習用データセット１５００を取得する。なお、取得部３８０は、学習用サンプル１～学習用サンプルＮを纏めて取得してもよいし、個別に取得してもよい。また、取得部３８０は、特徴量情報と診断情報とを個別に取得してもよい。この場合、取得後に特徴量情報と診断情報とから一の学習用サンプルを生成できるように（つまり、同一の学習用サンプル（つまり被験者の情報）を構成するものであることがわかるように）、例えば、特徴量情報と診断情報の夫々に共通の識別情報（被験者番号等）を付加しておいてもよい。
【0192】
図３５に示した学習用データセット１５００（夫々の学習用サンプル）は、入力サンプル（符号Ａ）として、夫々の被験者から得られた夫々のセンサ情報に基づく夫々の特徴量情報を含む。また、出力サンプル（符号Ｂ）として、夫々の被験者に対する専門家による実際の診断情報を含む。
【0193】
なお、入力サンプルの一部に相当する特徴量情報は、センサ情報から得られるが、センサ情報から特徴量情報を得る工程（抽出する工程）は、第１学習済モデル生成装置３８とは異なる装置（非図示。図３０に示した予測装置１８の特徴量抽出部１８１と同様の特徴量抽出部を備える学習用データセット生成装置）において行われる。つまり、第１学習済モデル生成装置３８とは異なる装置（学習用データセット生成装置）が学習用データセット１５００を生成し、第１学習済モデル生成装置３８は、学習用データセット生成装置から学習用データセット１５００を取得する。
【0194】
記憶部３８９は、取得部３８０が取得した学習用データセット１５００（図３５の学習用サンプル１～学習用サンプルＮ）を記憶する。更に、記憶部３８９は、学習モデルとパラメータとを記憶する。
【0195】
モデル生成部３８２は、記憶部３８９に記憶されている学習用データセット１５００を用いて学習モデルを訓練し、第１学習済モデル２５００を生成する。デル生成部３８２は、生成した第１学習済モデル２５００を記憶部３８９に記憶する。
【0196】
具体的には、モデル生成部３８２は、入力サンプルの夫々（図３５の学習用サンプル１～学習用サンプルＮの夫々の特徴量情報）を入力層２５０１に入力して出力層２５０３から得られる夫々の出力値と、出力サンプルの夫々（図３５の学習用サンプル１～学習用サンプルＮの夫々の診断情報）との差が少なくなるように、学習モデルのパラメータを更新し、学習済モデル２５００を生成する。例えば、モデル生成部３８２は、第１実施形態のモデル生成装置３０のモデル生成部３０２と同様、誤差逆伝播法を用いて、第１学習済モデル２５００を生成してもよい。
【0197】
以上のように、第１学習済モデル２５００は、入力層２５０１に夫々の被験者の特徴量情報（特徴量情報１～特徴量情報Ｎ）を入力したときに出力層２５０３から出力される夫々の被験者の診断情報（診断情報１～診断情報Ｎ）の推定値（予測値）が、夫々の被験者に対する専門家による実際の診断情報（診断情報１～診断情報Ｎ）と合致（なるべく合致）するように訓練され、生成された学習モデルである。例えば、診断情報としてＧＡＲＳ１～ＧＡＲＳ７を用いる場合、第１学習済モデル２５００は、入力層２５０１に夫々の被験者の特徴量情報（特徴量情報１～特徴量情報Ｎ）を入力したときに出力層２５０３から出力される夫々の被験者のＧＡＲＳ１～ＧＡＲＳ７の推定値（具体的には、ＧＡＲＳ１～ＧＡＲＳ７の夫々について、値が０である確率、値が１である確率、値が２である確率、値が３である確率）が、夫々の被験者に対する専門家による実際のＧＡＲＳ１～ＧＡＲＳ７の値と合致（なるべく合致）するように訓練され、生成された学習モデルである。
【0198】
図３６は、第１学習済モデル生成装置３８の動作例を示すフローチャートである。具体的には、図３６のフローチャートは、モデル生成部３８２の動作例を示している。なお、図３６のフローチャートの開始時において、記憶部３８９には、図３５に示したような学習用データセット１５００、学習モデル、パラメータが記憶されているものとする。
【0199】
第１学習済モデル生成装置３８（モデル生成部３８２。以下、同様）は、学習モデルに夫々（各被験者）の入力サンプル（特徴量情報）を入力し、学習モデルから夫々の出力値（推定診断値）を取得する（ステップＳ８０）。続いて、第１学習済モデル生成装置３８は、夫々の出力値（推定診断値）と夫々の出力サンプルとの誤差を算出する（ステップＳ８１）。続いて、第１学習済モデル生成装置３８は、誤差が所定値以内であるか否かを判断する（ステップＳ８２）。誤差が所定値以内でなかった場合（ステップＳ８２：ＮＯ）、第１学習済モデル生成装置３８は、各誤差に基づいて各種パラメータを更新し（ステップＳ８３）、ステップＳ８０に戻る。つまり、誤差が所定値以内となる迄、ステップＳ８０～ステップＳ８３を繰り返し実行する。誤差が所定値以内であった場合（ステップＳ８２：ＹＥＳ）、第１学習済モデル生成装置３８は、訓練を終了する（ステップＳ８４）。つまり、第１学習済モデル生成装置３８による第１学習済モデル２５００の生成は完了する（当該各種パラメータを学習済パラメータとした学習モデルを学習済モデル２５００とする）。そして、本フローチャートは終了する。
【0200】
（第５実施形態の変形例）
以下、第５実施形態の変形例について説明する。各変形例は、適宜、組み合わせてもよい。
以下、第５実施形態の変形例について説明する。各変形例は、適宜、組み合わせてもよい。
【0201】
（第５実施形態の変形例１）
第５実施形態では、センサ情報から特徴量情報を得る工程は、第１学習済モデル生成装置３８とは異なる装置（学習用データセット生成装置）において行われると説明したが、第１学習済モデル生成装置３８が、センサ情報から特徴量情報を得る工程を担当してもよい。
第５実施形態では、センサ情報から特徴量情報を得る工程は、第１学習済モデル生成装置３８とは異なる装置（学習用データセット生成装置）において行われると説明したが、第１学習済モデル生成装置３８が、センサ情報から特徴量情報を得る工程を担当してもよい。
【0202】
図３７は、第１学習済モデル生成装置３８の他の構成例を示す図である。第１学習済モデル生成装置３８は、図３７に示すように、取得部３８０、モデル生成部３８２及び記憶部３８９に加え、入力データ記憶部３８５及び特徴量抽出部３８１を更に備えてもよい。特徴量抽出部３８１は、予測装置１８の特徴量抽出部１８１と同様、センサ情報から特徴量を抽出する。
【0203】
図３８は、入力データセット１５１０について説明する図である。図３４に示した第１学習済モデル生成装置３８の取得部３８０は、図３５に示したような学習用データセット１５００を取得し、記憶部３８９に記憶するが、図３８に示した第１学習済モデル生成装置３８の取得部３８０は、図３８に示したような入力データセット１５１０を取得し、入力データ記憶部３８５に記憶する。
【0204】
図３８に示した入力データセット１５１０（夫々の学習用サンプル用の情報）は、図３５に示した学習用データセット１５００（夫々の学習用サンプル）と、以下の点が異なる。図３５に示した学習用データセット１５００は、入力サンプル（符号Ａ）である特徴量情報と、出力サンプル（符号Ｂ）である診断情報を含むのに対し、図３８に示した入力データセット１５１０は、入力サンプル（特徴量情報）を得るための情報（符号Ｃ）であるセンサ情報と、出力サンプル（符号Ｂ）である診断情報を含む。
【0205】
図３７に示した第１学習済モデル生成装置３８の取得部３８０は、入力データセット１５１０を取得する。なお、取得部３８０は、学習用サンプル１用の情報～学習用サンプルＮ用の情報を纏めて取得してもよいし、個別に取得してもよい。また、取得部３８０は、センサ情報と診断情報とを個別に取得してもよい。この場合、取得後にセンサ情報と診断情報とから一の学習用サンプル用の情報を生成できるように（つまり、同一の学習用サンプル用の情報（つまり一の被験者の情報）を構成するものであることがわかるように）、例えば、センサ情報と診断情報の夫々に共通の識別情報（被験者番号等）を付加しておいてもよい。
【0206】
特徴量抽出部２８１は、入力データセット１５１０内のセンサ情報から特徴量を抽出し、学習用データセット１５００を生成する。以下、図３７に示した第１学習済モデル生成装置３８は、図３４に示した第１学習済モデル生成装置３８と同様、第１学習済モデル２５００を生成する。
【0207】
（第５実施形態の変形例２）
図３９は、他の第１学習済モデル２５２０について説明する図である。図３１に示した第１学習済モデル２５００は、特徴量情報を入力して診断情報を推定するが、図３９に示したような、センサ情報を入力して診断情報を推定する学習済モデル２５２０を用いてもよい。
図３９は、他の第１学習済モデル２５２０について説明する図である。図３１に示した第１学習済モデル２５００は、特徴量情報を入力して診断情報を推定するが、図３９に示したような、センサ情報を入力して診断情報を推定する学習済モデル２５２０を用いてもよい。
【0208】
図４０は、他の学習用データセット１５２０について説明する図である。図３１に示したような第１学習済モデル２５００を用いる場合には、図３５に示したような学習用データセット１５００（又は、図３７に示したような入力データセット１５１０）を用いるが、図３９に示したような第１学習済モデル２５２０を用いる場合には、図４０に示したような学習用データセット１５２０を用いる。
【0209】
図４０に示した学習用データセット１５２０（夫々の学習用サンプル）は、図３５に示した学習用データセット１５００（夫々の学習用サンプル）と、以下の点が異なる。図３５に示した学習用データセット１５００は、入力サンプル（符号Ａ）である特徴量情報と、出力サンプル（符号Ｂ）である診断情報を含むのに対し、図４０に示した学習用データセット１５２０は、入力サンプル（符号Ａ）であるセンサ情報と、出力サンプル（符号Ｂ）である診断情報とを含む。なお、第１学習済モデル２５２０や学習用データセット１５２０を用いる場合、特徴量情報を用いないため言うまでもないが、各装置（予測装置、モデル生成装置）において特徴量に関係する構成は不要である。
【0210】
（第２学習済モデル生成装置３９）
第２学習済モデル生成装置３９は、予測装置１８において用いられる第２学習済モデル２６００を生成する。第２学習済モデル生成装置３９は、被験者に由来する学習用データセット１６００（後述）を用いて学習モデルを訓練し、第２学習済モデル２６００を生成する。なお、上記被験者は、センサ情報を取得した者（測定者）であってもよいし、センサ情報を取得していない者であってもよい。
第２学習済モデル生成装置３９は、予測装置１８において用いられる第２学習済モデル２６００を生成する。第２学習済モデル生成装置３９は、被験者に由来する学習用データセット１６００（後述）を用いて学習モデルを訓練し、第２学習済モデル２６００を生成する。なお、上記被験者は、センサ情報を取得した者（測定者）であってもよいし、センサ情報を取得していない者であってもよい。
【0211】
【0212】
取得部３９０は、外部から学習用データセット１６００を取得する。学習用データセット１６００を取得した取得部３９０は、学習用データセット１６００を記憶部３９９に記憶する。
【0213】
図４２は、学習用データセット１６００について説明する図である。取得部３９０は、例えば、図４２に示すような学習用データセット１６００を取得する。なお、取得部３９０は、学習用サンプル１～学習用サンプルＮを纏めて取得してもよいし、個別に取得してもよい。また、取得部３９０は、診断情報と実績情報とを個別に取得してもよい。この場合、取得後に診断情報と実績情報とから一の学習用サンプルを生成できるように（つまり、同一の学習用サンプル（つまり被験者の情報）を構成するものであることがわかるように）、例えば、診断情報と実績情報の夫々に共通の識別情報（被験者番号等）を付加しておいてもよい。
【0214】
図４２に示した学習用データセット１６００（夫々の学習用サンプル）は、入力サンプル（符号Ａ）として、夫々の被験者に対する専門家による実際の診断情報を含む。また、出力サンプル（符号Ｂ）として、夫々の被験者の所定期間内（具体的には夫々のセンサ情報の取得日から１年以内）における転倒有無の実績情報（転倒履歴調査情報）を含む。
【0215】
記憶部３９９は、取得部３９０が取得した学習用データセット１６００（図４２の学習用サンプル１～学習用サンプルＮ）を記憶する。更に、記憶部３９９は、学習モデルとパラメータとを記憶する。
【0216】
モデル生成部３９２は、記憶部３９９に記憶されている学習用データセット１６００を用いて学習モデルを訓練し、第２学習済モデル２６００を生成する。モデル生成部３９２は、生成した第２学習済モデル２６００を記憶部３９９に記憶する。
【0217】
具体的には、モデル生成部３９２は、入力サンプルの夫々（図４２の学習用サンプル１～学習用サンプルＮの診断情報）を入力層２６０１に入力して出力層２６０３から得られる夫々の出力値と、出力サンプルの夫々（図４２の学習用サンプル１～学習用サンプルＮの夫々の実績情報）との差が少なくなるように、学習モデルのパラメータを更新し、学習済モデル２６００を生成する。例えば、モデル生成部３９２は、第１実施形態のモデル生成装置３０のモデル生成部３０２と同様、誤差逆伝播法を用いて、学習済モデル２６００を生成してもよい。
【0218】
以上のように、第２学習済モデル２６００は、入力層２６０１に夫々の被験者の診断情報（診断情報１～診断情報Ｎ）を入力したときに出力層２６０３から出力される夫々の被験者の転倒確率（所定期間内に転倒する確率、所定期間内に転倒しない確率）が、夫々の被験者の実際の転倒実績（転倒有無の結果）と合致（なるべく合致）するように訓練され、生成された学習モデルである。例えば、診断情報としてＧＡＲＳ１～ＧＡＲＳ７を用いる場合、第２学習済モデル２６００は、入力層２６０１に夫々の被験者に対する専門家による実際のＧＡＲＳ１～ＧＡＲＳ７の診断値を入力したときに出力層２６０３から出力される夫々の被験者の転倒確率が、夫々の被験者の実際の転倒実績と合致（なるべく合致）するように訓練され、生成された学習モデルである。
【0219】
図４３は、第２学習済モデル生成装置３９の動作例を示すフローチャートである。具体的には、図４３のフローチャートは、モデル生成部３９２の動作例を示している。なお、図４３のフローチャートの開始時において、記憶部３９９には、図４２に示したような学習用データセット１６００、学習モデル、パラメータが記憶されているものとする。
【0220】
第２学習済モデル生成装置３９（モデル生成部３９２。以下、同様）は、学習モデルに夫々（各被験者）の入力サンプル（診断情報）を入力し、学習モデルから夫々の出力値を取得する（ステップＳ９０）。続いて、第２学習済モデル生成装置３９は、夫々の出力値と夫々の出力サンプル（転倒有無）との誤差を算出する（ステップＳ９１）。続いて、第２学習済モデル生成装置３９は、誤差が所定値以内であるか否かを判断する（ステップＳ９２）。誤差が所定値以内でなかった場合（ステップＳ９２：ＮＯ）、第２学習済モデル生成装置３９は、各誤差に基づいて各種パラメータを更新し（ステップＳ９３）、ステップＳ９０に戻る。つまり、誤差が所定値以内となる迄、ステップＳ９０～ステップＳ９３を繰り返し実行する。誤差が所定値以内であった場合（ステップＳ９２：ＹＥＳ）、第２学習済モデル生成装置３９は、訓練を終了する（ステップＳ９４）。つまり、第２学習済モデル生成装置３９による第２学習済モデル２６００の生成は完了する（当該各種パラメータを学習済パラメータとした学習モデルを学習済モデル２６００とする）。そして、本フローチャートは終了する。
【0221】
（第６実施形態）
続いて、本発明の第６実施形態について、図４４～図４９を参照して説明する。第６実施形態は、図２９において説明した構成１０～構成１３のうち構成１２に相当する。なお、第６実施形態については、第５実施形態と異なる部分を中心に説明し、第５実施形態と共通する部分については説明の一部又は全部を省略する。
続いて、本発明の第６実施形態について、図４４～図４９を参照して説明する。第６実施形態は、図２９において説明した構成１０～構成１３のうち構成１２に相当する。なお、第６実施形態については、第５実施形態と異なる部分を中心に説明し、第５実施形態と共通する部分については説明の一部又は全部を省略する。
【0222】
（予測装置２０）
予測装置２０は、第１学習済モデル２５００（図３１）を用いて対象者の診断情報を推定する。また、予測装置２０は、第２学習済モデル２８００（後述）を用いて対象者の転倒確率を予測する。また、予測装置２０は、転倒確率の予測結果を用いて介入要否を判定する。
予測装置２０は、第１学習済モデル２５００（図３１）を用いて対象者の診断情報を推定する。また、予測装置２０は、第２学習済モデル２８００（後述）を用いて対象者の転倒確率を予測する。また、予測装置２０は、転倒確率の予測結果を用いて介入要否を判定する。
【0223】
図４４は、予測装置２０の構成例を示す図である。図４４に示すように、予測装置２０は、取得部２００と、特徴量抽出部２０１と、診断値推定部（診断値予測部）２０２と、転倒予測部（推定部）２０３と、介入要否判定部２０４と、出力部２０５と、センサ情報記憶部２０６と、アンケート情報記憶部２０７と、特徴量情報記憶部２０８と、第１学習済モデル記憶部２０９と、推定結果記憶部２１０と、第２学習済モデル記憶部２１１と、予測結果記憶部２１２、判定結果記憶部２１３とを備える。
【0224】
第６実施形態の予測装置２０が備える特徴量抽出部２０１、診断値推定部２０２、出力部２０５、センサ情報記憶部２０６、アンケート情報記憶部２０７、特徴量情報記憶部２０８、第１学習済モデル記憶部２０９、推定結果記憶部２１０、予測結果記憶部２１２、判定結果記憶部２１３は、第５実施形態の予測装置１８が備える特徴量抽出部１８１、診断値推定部１８２、出力部１８５、センサ情報記憶部１８６、アンケート情報記憶部１８７、特徴量情報記憶部１８８、第１学習済モデル記憶部１８９、推定結果記憶部１９０、予測結果記憶部１９２、判定結果記憶部１９３と同様である。
【0225】
取得部２００は、第５実施形態の予測装置１８の取得部１８０と同様、センサ情報を取得し、センサ情報記憶部２０６に記憶する。また、取得部２００は、対象者自身が回答したアンケートのアンケート情報を取得し、アンケート情報記憶部２０７に記憶する。
【0226】
第２学習済モデル記憶部２１１は、第２学習済モデル２８００を記憶する。第２学習済モデル２８００は、第２学習済モデル生成装置４１（後述）において生成され、予測装置２０に供給される。
【0227】
図４５は、第２学習済モデル２８００について説明する図である。第２学習済モデル２８００は、例えば、図４５に示すような、ニューラルネットワークを用いて表されるモデルである。第６実施形態の第２学習済モデル２８００は、図４５に示すように、対象者の診断情報の推定結果、及び、アンケート情報（アンケート情報１～アンケート情報Ｎ）を入力層２８０１に入力すれば、当該対象者が所定期間内に転倒する確率、所定期間内に転倒しない確率を出力層２８０３から出力する学習済モデルである。例えば、診断情報としてＧＡＲＳ１～ＧＡＲＳ７を用いる場合、第２学習済モデル２８００は、対象者のＧＡＲＳ１～ＧＡＲＳ７の夫々の推定値、アンケート情報（アンケート情報１～アンケート情報Ｎ）を入力層２８０１に入力すれば、当該対象者が所定期間内に転倒する確率、所定期間内に転倒しない確率を出力層２８０３から出力する学習済モデルである。
【0228】
転倒予測部２０３は、推定結果記憶部２１０に記憶されている推定結果と、アンケート情報記憶部２０７に記憶されているアンケート情報と、第２学習済モデル記憶部２１１に記憶されている第２学習済モデル２８００と、を用いて対象者が将来の所定期間内に転倒する確率を予測し、予測結果を予測結果記憶部２１２に記憶する。
【0229】
介入要否判定部２０４は、予測結果記憶部２１２に記憶されている予測結果に基づいて、専門家による介入要否を判定する。例えば、介入要否判定部２０４は、予測結果が所定の閾値（例えば６０％）未満である場合、専門家による介入は不要であると判定し、予測結果が所定の閾値以上である場合、専門家による介入は必要であると判定してもよい。介入要否を判定した介入要否判定部２０４は、判定結果（必要／不要）を判定結果記憶部２１３に記憶する。
【0230】
図４６は、予測装置２０の動作例を示すフローチャートである。具体的には、図４６のフローチャートは、取得部２００、特徴量抽出部２０１、診断値推定部２０２、転倒予測部２０３、介入要否判定部２０４、出力部２０５の動作例を示している。
【0231】
予測装置２０（取得部２００）は、センサ情報、アンケート情報を取得する（ステップＳ１００）。予測装置１４（取得部２００）は、センサ情報、アンケート情報を記憶する。続いて、予測装置２０（特徴量抽出部２０１）は、特徴量を抽出する（ステップＳ１０１）。予測装置２０（特徴量抽出部２０１）は、特徴量情報を記憶する。続いて、予測装置２０（診断値推定部２０２）は、特徴量情報を第１学習済モデル２５００に入力して診断情報を推定する（ステップＳ１０２）。続いて、予測装置２０（診断値推定部２０２）は、推定診断情報を記憶する。予測装置２０（転倒予測部２０３）は、推定診断情報とアンケート情報とを第２学習済モデル２８００に入力して転倒確率を予測する（ステップＳ１０３）。予測装置２０（転倒予測部２０３）は、予測結果を記憶する。続いて、予測装置２０（介入要否判定部２０４）は、専門家による介入要否を判定する（ステップＳ１０４）。予測装置２０（介入要否判定部２０４）は、判定結果を記憶する。続いて、予測装置２０（出力部２０５）は、転倒予測部２０３による予測結果、介入要否判定部２０４による判定結果を出力する（ステップＳ１０５）。そして、本フローチャートは終了する。
【0232】
（第２学習済モデル生成装置４１）
第２学習済モデル生成装置４１は、予測装置２０において用いられる第２学習済モデル２８００を生成する。第２学習済モデル生成装置４１は、被験者に由来する学習用データセット１８００（後述）を用いて学習モデルを訓練し、第２学習済モデル２８００を生成する。なお、上記被験者は、センサ情報を取得した者（測定者）であってもよいし、センサ情報を取得していない者であってもよい。
第２学習済モデル生成装置４１は、予測装置２０において用いられる第２学習済モデル２８００を生成する。第２学習済モデル生成装置４１は、被験者に由来する学習用データセット１８００（後述）を用いて学習モデルを訓練し、第２学習済モデル２８００を生成する。なお、上記被験者は、センサ情報を取得した者（測定者）であってもよいし、センサ情報を取得していない者であってもよい。
【0233】
【0234】
取得部４１０は、外部から学習用データセット１８００を取得する。学習用データセット１８００を取得した取得部４１０は、学習用データセット１８００を記憶部４１９に記憶する。
【0235】
図４８は、学習用データセット１８００について説明する図である。取得部４１０は、例えば、図４８に示すような学習用データセット１８００を取得する。なお、取得部４１０は、学習用サンプル１～学習用サンプルＮを纏めて取得してもよいし、個別に取得してもよい。また、取得部４１０は、診断情報とアンケート情報と実績情報とを個別に取得してもよい。この場合、取得後に診断情報とアンケート情報と実績情報とから一の学習用サンプルを生成できるように（つまり、同一の学習用サンプル（つまり被験者の情報）を構成するものであることがわかるように）、例えば、診断情報とアンケート情報と実績情報の夫々に共通の識別情報（被験者番号等）を付加しておいてもよい。
【0236】
図４８に示した学習用データセット１８００（夫々の学習用サンプル）は、入力サンプル（符号Ａ）として、夫々の被験者に対する専門家による実際の診断情報、及び、アンケート情報を含む。また、出力サンプル（符号Ｂ）として、夫々の被験者の所定期間内（具体的には夫々のセンサ情報の取得日から１年以内）における転倒有無の実績情報（転倒履歴調査情報）を含む。
【0237】
記憶部４１９は、取得部４１０が取得した学習用データセット１８００（図４８の学習用サンプル１～学習用サンプルＮ）を記憶する。更に、記憶部４１９は、学習モデルとパラメータとを記憶する。
【0238】
モデル生成部４１２は、記憶部４１９に記憶されている学習用データセット１８００を用いて学習モデルを訓練し、学習済モデル２８００を生成する。モデル生成部４１２は、生成した学習済モデル２８００を記憶部４１９に記憶する。
【0239】
具体的には、モデル生成部４１２は、入力サンプルの夫々（図４８の学習用サンプル１～学習用サンプルＮの診断情報、及び、アンケート情報）を入力層２８０１に入力して出力層２８０３から得られる夫々の出力値と、出力サンプルの夫々（図４８の学習用サンプル１～学習用サンプルＮの夫々の実績情報）との差が少なくなるように、学習モデルのパラメータを更新し、学習済モデル２８００を生成する。例えば、モデル生成部４１２は、第１実施形態のモデル生成装置３０のモデル生成部３０２と同様、誤差逆伝播法を用いて、学習済モデル２８００を生成してもよい。
【0240】
以上のように、第２学習済モデル２８００は、入力層２８０１に夫々の被験者の診断情報（診断情報１～診断情報Ｎ）、及び、アンケート情報（アンケート情報１～アンケート情報Ｎ）を入力したときに出力層２８０３から出力される夫々の被験者の転倒確率（所定期間内に転倒する確率、所定期間内に転倒しない確率）が、夫々の被験者の実際の転倒実績（転倒有無の結果）と合致（なるべく合致）するように訓練され、生成された学習モデルである。例えば、診断情報としてＧＡＲＳ１～ＧＡＲＳ７を用いる場合、第２学習済モデル２８００は、入力層２８０１に夫々の被験者に対する専門家による実際のＧＡＲＳ１～ＧＡＲＳ７の診断値、及び、アンケート情報（アンケート情報１～アンケート情報Ｎ）を入力したときに出力層２８０３から出力される夫々の被験者の転倒確率が、夫々の被験者の実際の転倒実績と合致（なるべく合致）するように訓練され、生成された学習モデルである。
【0241】
図４９は、第２学習済モデル生成装置４１の動作例を示すフローチャートである。具体的には、図４９のフローチャートは、モデル生成部４１２の動作例を示している。なお、図４９のフローチャートの開始時において、記憶部４１９には、図４８に示したような学習用データセット１８００、学習モデル、パラメータが記憶されているものとする。
【0242】
第２学習済モデル生成装置４１（モデル生成部４１２。以下、同様）は、学習モデルに夫々（各被験者）の入力サンプル（診断情報、アンケート情報）を入力し、学習モデルから夫々の出力値（推定診断値）を取得する（ステップＳ１１０）。続いて、第２学習済モデル生成装置４１は、夫々の出力値（推定診断値）と夫々の出力サンプル（転倒有無）との誤差を算出する（ステップＳ１１１）。続いて、第２学習済モデル生成装置４１は、誤差が所定値以内であるか否かを判断する（ステップＳ１１２）。誤差が所定値以内でなかった場合（ステップＳ１１２：ＮＯ）、第２学習済モデル生成装置４１は、各誤差に基づいて各種パラメータを更新し（ステップＳ１１３）、ステップＳ１１０に戻る。つまり、誤差が所定値以内となる迄、ステップＳ１１０～ステップＳ１１３を繰り返し実行する。誤差が所定値以内であった場合（ステップＳ１１２：ＹＥＳ）、第２学習済モデル生成装置４１は、訓練を終了する（ステップＳ１１４）。つまり、第２学習済モデル生成装置４１による第２学習済モデル２８００の生成は完了する（当該各種パラメータを学習済パラメータとした学習モデルを学習済モデル２８００とする）。そして、本フローチャートは終了する。
【0243】
第６実施形態についても、第５実施形態と同様の変形例（変形例１、変形例２）があるが、説明を省略する。
【0244】
（第７実施形態）
続いて、本発明の第７実施形態について、図５０～図５５を参照して説明する。第７実施形態は、図２９において説明した構成１０～構成１３のうち構成１３に相当する。なお、第７実施形態については、第５実施形態と異なる部分を中心に説明し、第５実施形態と共通する部分については説明の一部又は全部を省略する。
続いて、本発明の第７実施形態について、図５０～図５５を参照して説明する。第７実施形態は、図２９において説明した構成１０～構成１３のうち構成１３に相当する。なお、第７実施形態については、第５実施形態と異なる部分を中心に説明し、第５実施形態と共通する部分については説明の一部又は全部を省略する。
【0245】
（予測装置２２）
予測装置２２は、第１学習済モデル２９００（後述）を用いて対象者の診断情報を推定する。また、予測装置２２は、第２学習済モデル２６００（図３２）を用いて対象者の転倒確率を予測する。また、予測装置２２は、転倒確率の予測結果を用いて介入要否を判定する。
予測装置２２は、第１学習済モデル２９００（後述）を用いて対象者の診断情報を推定する。また、予測装置２２は、第２学習済モデル２６００（図３２）を用いて対象者の転倒確率を予測する。また、予測装置２２は、転倒確率の予測結果を用いて介入要否を判定する。
【0246】
図５０は、予測装置２２の構成例を示す図である。図５０に示すように、予測装置２２は、取得部２２０と、特徴量抽出部２２１と、診断値推定部（診断値予測部）２２２と、転倒予測部（推定部）２２３と、介入要否判定部２２４と、出力部２２５と、センサ情報記憶部２２６と、アンケート情報記憶部２２７と、特徴量情報記憶部２２８と、第１学習済モデル記憶部２２９と、推定結果記憶部２３０と、第２学習済モデル記憶部２３１と、予測結果記憶部２３２、判定結果記憶部２３３とを備える。
【0247】
第７実施形態の予測装置２２が備える特徴量抽出部２２１、転倒予測部２２３、出力部２２５、センサ情報記憶部２２６、アンケート情報記憶部２２７、特徴量情報記憶部２２８、推定結果記憶部２３０、第２学習済モデル記憶部２３１、予測結果記憶部２３２、判定結果記憶部２３３は、第５実施形態の予測装置１８が備える特徴量抽出部１８１、転倒予測部１８３、出力部１８５、センサ情報記憶部１８６、アンケート情報記憶部１８７、特徴量情報記憶部１８８、推定結果記憶部１９０、第２学習済モデル記憶部１９１、予測結果記憶部１９２、判定結果記憶部１９３と同様である。
【0248】
取得部２２０は、第５実施形態の予測装置１８の取得部１８０と同様、センサシューズから得られるセンサ情報を取得し、センサ情報記憶部２２６に記憶する。また、取得部２２０は、対象者自身が回答したアンケートのアンケート情報を取得し、アンケート情報記憶部２２７に記憶する。
【0249】
第１学習済モデル記憶部２２９は、第１学習済モデル２９００を記憶する。第１学習済モデル２９００は、第１学習済モデル生成装置４２（後述）において生成され、予測装置２２に供給される。
【0250】
図５１は、第１学習済モデル２９００について説明する図である。第１学習済モデル２９００は、例えば、図５１に示すような、ニューラルネットワークを用いて表されるモデルである。第７実施形態の第１学習済モデル２９００は、図５１に示すように、対象者の特徴量情報（特徴量情報１～特徴量情報Ｎ）、及び、アンケート情報（アンケート情報１～アンケート情報Ｎ）を入力層２９０１に入力すれば、当該対象者に対する専門家による診断情報の推定結果を出力層２９０３から出力する学習済モデルである。例えば、診断情報としてＧＡＲＳ１～ＧＡＲＳ７を用いる場合、第１学習済モデル２９００は、対象者の特徴量情報（特徴量情報１～特徴量情報Ｎ）及び、アンケート情報（アンケート情報１～アンケート情報Ｎ）を入力層２９０１に入力すれば、当該対象者に対する専門家による診断情報の推定結果として、当該対象者のＧＡＲＳ１～ＧＡＲＳ７の夫々の推定値を出力層２９０３から出力する学習済モデルである。
【0251】
診断値推定部２２２は、特徴量情報記憶部２２８に記憶されている特徴量情報と、第１学習済モデル記憶部２２９に記憶されている第１学習済モデル２９００と、を用いて対象者の診断情報（例えば、ＧＡＲＳ１～ＧＡＲＳ７の夫々の値）を推定（予測）し、推定結果を推定結果記憶部２３０に記憶する。
【0252】
介入要否判定部２２４は、予測結果記憶部２３２に記憶されている予測結果に基づいて、専門家による介入要否を判定する。例えば、介入要否判定部２２４は、予測結果が所定の閾値（例えば６０％）未満である場合、専門家による介入は不要であると判定し、予測結果が所定の閾値以上である場合、専門家による介入は必要であると判定してもよい。介入要否を判定した介入要否判定部２２４は、判定結果（必要／不要）を判定結果記憶部２３３に記憶する。
【0253】
図５２は、予測装置２２の動作例を示すフローチャートである。具体的には、図５２のフローチャートは、取得部２２０、特徴量抽出部２２１、診断値推定部２２２、転倒予測部２２３、介入要否判定部２２４、出力部２２５の動作例を示している。
【0254】
予測装置２２（取得部２２０）は、センサ情報、アンケート情報を取得する（ステップＳ１２０）。予測装置２２（取得部２２０）は、センサ情報、アンケート情報を記憶する。続いて、予測装置２２（特徴量抽出部２２１）は、特徴量を抽出する（ステップＳ１２１）。予測装置２２（特徴量抽出部２２１）は、特徴量情報を記憶する。続いて、予測装置２２（診断値推定部２２２）は、特徴量情報、アンケート情報を第１学習済モデル２９００に入力して診断情報を推定する（ステップＳ１２２）。続いて、予測装置２２（診断値推定部２２２）は、推定診断情報を記憶する。予測装置２２（転倒予測部２２３）は、推定診断情報を第２学習済モデル２６００に入力して転倒確率を予測する（ステップＳ１２３）。予測装置２２（転倒予測部２２３）は、予測結果を記憶する。続いて、予測装置２２（介入要否判定部２２４）は、専門家による介入要否を判定する（ステップＳ１２４）。予測装置２２（介入要否判定部２２４）は、判定結果を記憶する。続いて、予測装置２２（出力部２２５）は、転倒予測部２２３による予測結果、介入要否判定部２２４による判定結果を出力する（ステップＳ１２５）。そして、本フローチャートは終了する。
【0255】
（第１学習済モデル生成装置４２）
第１学習済モデル生成装置４２は、予測装置２２において用いられる第１学習済モデル２９００を生成する。第１学習済モデル生成装置４２は、センサ情報を取得した複数の測定者（被験者）に由来する学習用データセット１９００（後述）を用いて学習モデルを訓練し、第１学習済モデル２９００を生成する。
第１学習済モデル生成装置４２は、予測装置２２において用いられる第１学習済モデル２９００を生成する。第１学習済モデル生成装置４２は、センサ情報を取得した複数の測定者（被験者）に由来する学習用データセット１９００（後述）を用いて学習モデルを訓練し、第１学習済モデル２９００を生成する。
【0256】
【0257】
取得部４２０は、外部から学習用データセット１９００を取得する。学習用データセット１９００を取得した取得部４２０は、学習用データセット１９００を記憶部４２９に記憶する。
【0258】
図５４は、学習用データセット１９００について説明する図である。取得部４２０は、例えば、図５４に示したような学習用データセット１９００を取得する。なお、取得部４２０は、学習用サンプル１～学習用サンプルＮを纏めて取得してもよいし、個別に取得してもよい。また、取得部４２０は、特徴量情報とアンケート情報と診断情報とを個別に取得してもよい。この場合、取得後に特徴量情報とアンケート情報と診断情報とから一の学習用サンプルを生成できるように（つまり、同一の学習用サンプル（つまり被験者の情報）を構成するものであることがわかるように）、例えば、特徴量情報とアンケート情報と診断情報の夫々に共通の識別情報（被験者番号等）を付加しておいてもよい。
【0259】
図５４に示した学習用データセット１５００（夫々の学習用サンプル）は、入力サンプル（符号Ａ）として、夫々の被験者から得られた夫々のセンサ情報に基づく夫々の特徴量情報、及び、夫々の被験者から得られたにアンケート情報を含む。また、出力サンプル（符号Ｂ）として、夫々の被験者に対する専門家による実際の診断情報を含む。
【0260】
なお、入力サンプルの一部に相当する特徴量情報は、センサ情報から得られるが、センサ情報から特徴量情報を得る工程（抽出する工程）は、第１学習済モデル生成装置４２とは異なる装置（非図示。図５０に示した予測装置２２の特徴量抽出部２２１と同様の特徴量抽出部を備える学習用データセット生成装置）において行われる。つまり、第１学習済モデル生成装置４２とは異なる装置（学習用データセット生成装置）が学習用データセット１９００を生成し、第１学習済モデル生成装置４２は、学習用データセット生成装置から学習用データセット１９００を取得する。
【0261】
記憶部４２９は、取得部４２０が取得した学習用データセット１９００（図５４の学習用サンプル１～学習用サンプルＮ）を記憶する。更に、記憶部４２９は、学習モデルとパラメータとを記憶する。
【0262】
モデル生成部４２２は、記憶部４２９に記憶されている学習用データセット１９００を用いて学習モデルを訓練し、第１学習済モデル２９００を生成する。モデル生成部４２２は、生成した第１学習済モデル２９００を記憶部４２９に記憶する。
【0263】
具体的には、モデル生成部４２２は、入力サンプルの夫々（図５４の学習用サンプル１～学習用サンプルＮの夫々の特徴量情報、及び、アンケート情報）を入力層２９０１に入力して出力層２９０３から得られる夫々の出力値と、出力サンプルの夫々（図５４の学習用サンプル１～学習用サンプルＮの夫々の診断情報）との差が少なくなるように、学習モデルのパラメータを更新し、学習済モデル２９００を生成する。例えば、モデル生成部４２２は、第１実施形態のモデル生成装置３０のモデル生成部３０２と同様、誤差逆伝播法を用いて、第１学習済モデル２９００を生成してもよい。
【0264】
以上のように、第１学習済モデル２９００は、入力層２９０１に夫々の被験者の特徴量情報（特徴量情報１～特徴量情報Ｎ）、及び、アンケート情報（アンケート情報１～アンケート情報Ｎ）を入力したときに出力層２９０３から出力される夫々の被験者の診断情報（診断情報１～診断情報Ｎ）の推定値（予測値）が、夫々の被験者に対する専門家による実際の診断情報（診断情報１～診断情報Ｎ）と合致（なるべく合致）するように訓練され、生成された学習モデルである。例えば、診断情報としてＧＡＲＳ１～ＧＡＲＳ７を用いる場合、第１学習済モデル２９００は、入力層２９０１に夫々の被験者の特徴量情報（特徴量情報１～特徴量情報Ｎ）、及び、アンケート情報（アンケート情報１～アンケート情報Ｎ）を入力したときに出力層２９０３から出力される夫々の被験者のＧＡＲＳ１～ＧＡＲＳ７の推定値（具体的には、ＧＡＲＳ１～ＧＡＲＳ７の夫々について、値が０である確率、値が１である確率、値が２である確率、値が３である確率）が、夫々の被験者に対する専門家による実際のＧＡＲＳ１～ＧＡＲＳ７の値と合致（なるべく合致）するように訓練され、生成された学習モデルである。
【0265】
図５５は、第１学習済モデル生成装置４２の動作例を示すフローチャートである。具体的には、図５５のフローチャートは、モデル生成部４２２の動作例を示している。なお、図５５のフローチャートの開始時において、記憶部４２９には、図５４に示したような学習用データセット１９００、学習モデル、パラメータが記憶されているものとする。
【0266】
第１学習済モデル生成装置４２（モデル生成部４２２。以下、同様）は、学習モデルに夫々（各被験者）の入力サンプル（特徴量情報、アンケート情報）を入力し、学習モデルから夫々の出力値（推定診断値）を取得する（ステップＳ１３０）。続いて、第１学習済モデル生成装置４２は、夫々の出力値（推定診断値）と夫々の出力サンプルとの誤差を算出する（ステップＳ１３１）。続いて、第１学習済モデル生成装置４２は、誤差が所定値以内であるか否かを判断する（ステップＳ１３２）。誤差が所定値以内でなかった場合（ステップＳ１３２：ＮＯ）、第１学習済モデル生成装置４２は、各誤差に基づいて各種パラメータを更新し（ステップＳ１３３）、ステップＳ１３０に戻る。つまり、誤差が所定値以内となる迄、ステップＳ１３０～ステップＳ１３３を繰り返し実行する。誤差が所定値以内であった場合（ステップＳ１３２：ＹＥＳ）、第１学習済モデル生成装置４２は、訓練を終了する（ステップＳ１３４）。つまり、第１学習済モデル生成装置４２による第１学習済モデル２９００の生成は完了する（当該各種パラメータを学習済パラメータとした学習モデルを学習済モデル２９００とする）。そして、本フローチャートは終了する。
【0267】
第７実施形態についても、第５実施形態と同様の変形例（変形例１、変形例２）があるが、説明を省略する。
【0268】
（転倒確率の予測に係る他の方法）
上記実施形態（第１実施形態～第７実施形態）では、機械学習としてニューラルネットワークを用いて転倒確率を予測する例を説明したが、機械学習の手法のニューラルネットワークに限定されない。例えば、サポートベクタマシン（線形カーネル，非線形カーネル）、ランダムフォレスト、勾配ブースティングを用いてもよいし、それらを組み合わせた多数決モデル（スタッキング）を用いてもよい。
上記実施形態（第１実施形態～第７実施形態）では、機械学習としてニューラルネットワークを用いて転倒確率を予測する例を説明したが、機械学習の手法のニューラルネットワークに限定されない。例えば、サポートベクタマシン（線形カーネル，非線形カーネル）、ランダムフォレスト、勾配ブースティングを用いてもよいし、それらを組み合わせた多数決モデル（スタッキング）を用いてもよい。
【0269】
また、統計モデル（統計分析、数式）を用いて転倒確率を予測してもよい。例えば、ロジスティック回帰分析によって転倒確率を予測してもよい。例えば、第１実施形態の場合、特徴量情報を説明変数とし、転倒有無を目的変数とするロジスティック関数を作成（推定）すればよい。第２実施形態の場合、特徴量情報及び診断情報を説明変数とし、転倒有無を目的変数とするロジスティック関数を作成すればよい。第３実施形態の場合、特徴量情報、診断情報、アンケート情報を説明変数とし、転倒有無を目的変数とするロジスティック関数を作成すればよい。他の実施形態についても同様である。統計モデルは、モデル記憶部（モデル記憶部１０９、１２９、１４９等）に記憶してもよい。
【0270】
複数の説明変数の候補のうち何れを用いるかは、ＡＩＣ（赤池情報量規準）に従って決定（ＡＩＣ最小となる組み合わせを選択）してもよい。つまり、第１実施形態では、特徴量情報１～特徴量情報Ｎのうち何れを用いるかをＡＩＣに従って決定し、第２実施形態では、特徴量情報１～特徴量情報Ｎ及び診断情報１～診断情報Ｎのうち何れを用いるかをＡＩＣに従って決定し、第３実施形態では、特徴量情報１～特徴量情報Ｎ、診断情報１～診断情報Ｎ及びアンケート情報１～アンケート情報Ｎのうち何れを用いるかをＡＩＣに従って決定してもよい。他の実施形態についても同様である。統計モデルは、モデル記憶部（モデル記憶部１０９、１２９、１４９等）に記憶してもよい。
【0271】
また、各実施形態において、説明変数として特徴量情報に代えてセンサ情報を用いてもよい。つまり、第１実施形態では、センサ情報を説明変数とし、転倒有無を目的変数とするロジスティック関数を作成してもよい。第２実施形態では、センサ情報及び診断情報を説明変数とし、転倒有無を目的変数とするロジスティック関数を作成してもよい。第３実施形態では、センサ情報、診断情報、アンケート情報を説明変数とし、転倒有無を目的変数とするロジスティック関数を作成してもよい。他の実施形態についても同様である。
【0272】
図５６は、モデルの評価（使用パラメータ別の評価）について説明する説明図である。図５６の上段は、１実施形態（特徴量情報に基づいて転倒確率を予測するケース）、第２実施形態（特徴量情報＋診断情報に基づいて転倒確率を予測するケース）、第３実施形態（特徴量情報＋診断情報＋アンケートに基づいて転倒確率を予測するケース）の夫々において、特徴量情報として、加速度センサのみに基づく特徴量情報を用いた場合、全センサ（加速度センサ、圧力センサ、曲げセンサ）に基づく特徴量情報を用いた場合のＡＩＣの値を示している。
【0273】
図５６の下段左側のグラフは、第１実施形態における予測値と観測値（実際の結果）とをプロットしたものである。図５６の下段中央のグラフは、第２実施形態における予測値と観測値とをプロットしたものである。図５６の下段右側のグラフは、第３実施形態における予測値と観測値とをプロットしたものである。なお、図面の都合上、他図である図５７（Ｈ）に示したが、右上及び左下（図５７（Ｈ）の符号Ａ）にプロットが集中し、右下及び左上（図５６（Ｈ）の符号Ａ）にはプロットされないのが理想（高精度）である。
【0274】
図５６によれば、転倒確率の予測の精度は、第１実施形態、第２実施形態、第３実施形態の順に高くなっている。つまり、特徴量情報単体による予測よりも特徴量情報及び診断情報による予測の方が予測精度は高くなり、更に、特徴量情報及び診断情報による予測よりも特徴量情報、診断情報及びアンケート情報による予測の方が予測精度は高くなっている。また、図５６によれば、各実施形態において、加速度センサに基づく特徴量情報を用いる場合よりも全センサに基づく特徴量情報を用いる場合の方がＡＩＣの値が小さく好適である。
【0275】
図５７は、モデルの評価（使用モデル別の評価）について説明する説明図である。図５７（Ａ）は、ロジスティック回帰（ロジスティック関数）を用いたモデルによる予測値と観測値とをプロットしたものである。図５７（Ｂ）は、サポートベクタマシン（線形カーネル）を用いたモデルによる予測値と観測値とをプロットしたものである。図５７（Ｃ）は、サポートベクタマシン（非線形カーネル）を用いたモデルによる予測値と観測値とをプロットしたものである。図５７（Ｄ）は、ランダムフォレストを用いたモデルによる予測値と観測値とをプロットしたものである。図５７（Ｅ）は、ニューラルネットを用いたモデルによる予測値と観測値とをプロットしたものである。図５７（Ｆ）は、勾配ブースティングを用いたモデルによる予測値と観測値とをプロットしたものである。図５７（Ｇ）は、スタッキングを用いたモデルによる予測値と観測値とをプロットしたものである。図５７（Ｈ）は、見方について説明する説明図である。上述したように、右上及び左下（図５７（Ｈ）の符号Ａ）にプロットが集中し、右下及び左上（図５７（Ｈ）の符号Ａ）にはプロットされないのが理想（高精度）であるが、ニューラルネットを用いる場合が最もそれに近く、予測の精度が高い結果となっている。
【0276】
なお、単純な線形モデルを用いて転倒確率を予測してもよい。例えば、第１実施形態の場合、転倒確率を算出する算出式として、特徴量情報の夫々（特徴量情報１、特徴量情報２、…）を変数とする一次方程式を用いてもよい（一次方程式に近似させてもよい）。
【0277】
また、変換テーブルを用いて転倒確率を予測してもよい。例えば、第１実施形態の場合、特徴量情報の値（値の範囲）の組み合わせと転倒確率とを対応付け変換テーブル（例えば、特徴量情報１の値〇〇、特徴量情報２の値××、…、に対応付けて転倒確率△△％、特徴量情報１の値〇×、特徴量情報２の値×〇、…、に対応付けて転倒確率□□％等が記憶されている変換テーブル）を用いて転倒確率を予測してもよい。他の実施形態についても同様である。なお、線形モデルや変換テーブルを用いる場合には、機械学習や非線形モデルを用いる場合よりも、特徴量情報の数を減らしてもよい。変換テーブルは、モデル記憶部（モデル記憶部１０９等）に記憶してもよい。
【0278】
（介入要否の判定に係る他の方法）
第１実施形態では、転倒予測の予測結果に加え、他の情報（診断情報、アンケート情報）に基づいて介入要否を判定する場合、それらの情報をスコア化して介入要否を判定する例を説明したが、転倒予測の予測結果に加え、他の情報に基づいて介入要否を判定する場合の判定方法はこれに限定されない。
第１実施形態では、転倒予測の予測結果に加え、他の情報（診断情報、アンケート情報）に基づいて介入要否を判定する場合、それらの情報をスコア化して介入要否を判定する例を説明したが、転倒予測の予測結果に加え、他の情報に基づいて介入要否を判定する場合の判定方法はこれに限定されない。
【0279】
例えば、統計モデルを用いて介入要否を判定してもよい。一例として、予測結果及び診断情報に基づいて介入要否を判定する場合には、予測結果及び診断情報をスコア化して介入要否を判定する方法に代えて、予測結果及び診断情報を説明変数とし、介入要否を目的変数とするロジスティック関数を作成し、介入要否を判定してもよい。なお、複数の説明変数（予測結果の１個を除く、特徴量情報１～特徴量情報ＮのＮ個の説明変数）の候補のうち何れを用いるかは、ＡＩＣに従って決定してもよい。第２実施形態において転倒予測の予測結果に加え、他の情報（アンケート情報）に基づいて介入要否を判定する場合や、第４実施形態において転倒予測の予測結果に加え、他の情報（診断情報）に基づいて介入要否を判定する場合についても同様である。
【0280】
また、例えば、ニューラルネットワーク等の機械学習の手法を用いて介入要否を判定してもよい。一例として、入力層に対象者のセンサ情報（又は特徴量情報）を入力したときに出力層から当該対象者の介入要否の判定結果を出力する学習済モデルを用いて介入要否を判定してもよい。なお、複数の被験者について、特徴量情報（又はセンサ情報）の取得後、特定の期間内の歩行の様子を評価者が参照して評価した介入要否情報（例えば、複数回の診断情報、複数回のアンケート情報等に基づいて評価した情報）を取得し、入力サンプルとして夫々の被験者の検出情報を含み、出力サンプルとして夫々の被験者の介入要否情報を含む学習用データセットを生成し、当該学習用データセットを用いて上記学習済モデルを生成してもよい。
【0281】
以上、実施形態１～実施形態７について説明したが、何れの実施形態であっても、好適に将来の転倒を予測等することができる。また、実施形態５～実施形態７の実施形態では、専門家の診断情報も推定（予測）し、推定した診断情報を用いて将来の転倒を予測等する構成であり、将来の転倒を予測等に際し（つまり予測フェーズにおいて）、専門家の介在を要しないという特長もある。
【0282】
また、実施形態１～実施形態７として夫々の構成を説明してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。例えば、下記（１）～（１６）のような構成であってもよい。なお、下記（１）～（１６）は適宜組み合わせてもよい。
【0283】
（１）上記実施形態では、センサシューズを用いて脚部をセンシングし、転倒確率の予測に用いる例を説明したが、上述したように、身体の他部をセンシングし、転倒確率の予測に用いてもよい。例えば、脚部に代えて又は加えて、腕や頭にセンサを装着し、該センサ情報（該センサ情報に基づく特徴量情報）を転倒確率の予測に用いてもよい。
【0284】
（２）上記実施形態では、ＧＡＲＳを診断情報としているが、ＧＡＲＳは一例であって、診断情報はＧＡＲＳでなくてもよい。例えば、他の診断基準を用いてもよいし、独自に診断項目を設定してもよい。
【0285】
（３）上記実施形態（例えば、第１実施形態～第７実施形態）では、介入要否の判定として、必要／不要の２値の判定としたが、判定は３値以上であってもよい。例えば、４値（例えば、Ａ判定：問題なし，Ｂ判定：要経過観察，Ｃ判定：病院などへ相談，Ｄ判定：すぐ病院を受診）の判定を行ってもよい。上記４値の判定の場合、Ａ判定とＢ判定の境界、Ｂ判定とＣ判定の境界、Ｃ判定とＤ判定の境界を示した閾値や判定用基準値を３つ設けるようにすればよい。
【0286】
（４）上記実施形態（例えば、第１実施形態～第７実施形態）では、介入要否を判定しているが、介入要否を判定しなくてもよい。つまり、予測フェーズにおいて、予測装置１０（予測装置１２、予測装置１４、予測装置１６、予測装置１８、予測装置２０、予測装置２２も同様）は、介入要否を判定しなくてもよい。
【0287】
（５）上記実施形態（例えば、第１実施形態～第４実施形態）では、専門家が撮像画像（歩行の様子を撮像した撮像画像）を確認して診断情報を作成する例を説明したが、専門家は直接的に歩行の様子を確認して診断情報を作成してもよい。
【0288】
（６）上記実施形態（例えば、第１実施形態～第７実施形態）では、専門家が撮像画像を確認して診断情報を作成する例や、機械学習の手法等を用いて診断情報を推定する例を説明したが、撮像画像を解析し診断情報を生成（推定）してもよい。また、機械学習（例えばＣＮＮ（Convolutional Neural Network））と撮像画像とを用いて、診断情報を生成（推定）してもよい。
【0289】
（７）上記実施形態（例えば、第１実施形態～第７実施形態）では、１回の歩行のセンシングに基づいて学習済モデルや統計モデル等を生成する例を説明したが、複数回の歩行（最初のセンシングから１年以内の複数回）のセンシングに基づいて学習済モデルや統計モデル等を生成してもよい。なお、当該学習済モデルを生成するための学習用データセットの入力サンプルは複数回のセンサ情報（又は、特徴量情報）を含む。また、転倒確率の予測に用いるセンサ情報（又は、特徴量情報）は、複数回分のセンサ情報（又は、特徴量情報）である。
【0290】
（８）上記実施形態（例えば、第２実施形態、第３実施形態）では、１回の専門家の診断に基づいて学習済モデルや統計モデル等を生成する例を説明したが、複数回の専門家の診断（最初の診断から１年以内の複数回の診断）に基づいて学習済モデルや統計モデル等を生成してもよい。なお、当該学習済モデルを生成するための学習用データセットの入力サンプルは複数回の診断情報を含む。また、転倒確率の予測に用いる診断情報は、複数回分の診断情報である。
【0291】
（９）上記実施形態（例えば、第３実施形態、第４実施形態、第６実施形態、第７実施形態）では、１回のアンケートに基づいて学習済モデルや統計モデル等を生成する例を説明したが、複数回のアンケート（最初のアンケートから１年以内の複数回のアンケート）に基づいて学習済モデルや統計モデル等を生成してもよい。なお、当該学習済モデルを生成するための学習用データセットの入力サンプルは複数回のアンケート情報を含む。また、転倒確率の予測に用いるアンケート情報は、複数回分のアンケート情報である。
【0292】
（１０）上記実施形態（例えば、第１実施形態～第７実施形態）にて説明した予測装置は、転倒確率を予測する機能と介入要否を判定する機能とを別々の部材（転倒予測部、介入要否判定部）が担当しているが、一の部材が担当してもよい。例えば、第１実施形態では、予測装置１０の転倒予測部１０２が転倒確率を予測し、かつ、介入要否を判定してもよい。なお、転倒確率の予測（予測結果）に加え、介入要否の判定（判定結果）も、将来の転倒に関する予測情報と捉えてもよい。
【0293】
（１１）上記実施形態（例えば、第５実施形態～第７実施形態）にて説明した予測装置は、診断情報を推定する機能と転倒確率を予測する機能とを別々の部材（診断値推定部、転倒予測部）が担当しているが、一の部材が担当してもよい。例えば、第５実施形態では、予測装置１８の診断値推定部１８２が診断情報を推定し、かつ、転倒確率を予測してもよい。また、一の部材が、診断情報を推定する機能と転倒確率を予測する機能と介入要否を判定する機能を担当してもよい。なお、転倒確率の予測（予測結果）に加え、診断情報の推定（推定結果）も、将来の転倒に関する予測情報と捉えてもよい。
【0294】
（１２）上記実施形態（例えば、第１実施形態～第７実施形態）にて説明した各装置について、夫々の装置の機能を複数の装置に分散させてもよい。例えば、第１実施形態では、転倒確率を予測する機能（転倒予測部１０２）と介入要否を判定する機能（介入要否判定部１０３）とを備える予測装置１０を用いているが、転倒確率を予測する機能を有する転倒確率予測装置と、介入要否を判定する機能を有する介入要否判定装置と、を用いてもよい。また、例えば、第５実施形態では、診断情報を推定する機能（診断値推定部１８２）と転倒確率を予測する機能（転倒予測部１８３）と介入要否を判定する機能（介入要否判定部１８４）とを備える予測装置１８を用いているが、診断情報を推定する機能を有する診断情報推定装置と、転倒確率を予測する機能を有する転倒確率予測装置と、介入要否を判定する機能を有する介入要否判定装置と、を用いてもよい。
【0295】
（１３）上記実施形態（例えば、第１実施形態～第７実施形態）にて説明した各装置について、夫々の装置の機能を１つの装置に集中させてもよい。例えば、第１実施形態では、モデル生成装置３０と予測装置１０とを用いているが、モデル生成装置３０の機能と予測装置１０の機能とを兼ね備えた装置を用いてもよい。また、例えば、第５実施形態では、第１学習済モデル生成装置３８と第２学習済モデル生成装置３９と予測装置１８とを用いているが、第１学習済モデル生成装置３８の機能と第２学習済モデル生成装置３９の機能とを兼ね備えた装置と予測装置１８と用いてもよいし、第１学習済モデル生成装置３８の機能と第２学習済モデル生成装置３９の機能と予測装置１０の機能とを兼ね備えた装置を用いてもよい。
【0296】
（１４）上記実施形態にて説明した各装置について、夫々の装置が備える機能を組み替えてもよい。例えば、第１実施形態では、転倒確率を予測する機能と介入要否を判定する機能とを備える予測装置１０と、学習済モデル２１００を生成する機能を備えるモデル生成装置３０とについて説明したが、予測装置１０やモデル生成装置３０に代えて、学習済モデル２１００を生成する機能と転倒確率を予測する機能とを備える装置と、介入要否を判定する機能を備える装置とを用意してもよい。
【0297】
（１５）上記実施形態では、モデル生成フェーズでは、被験者からデータを採取して学習済モデルを生成し、予測フェーズでは、対象者に対して転倒確率を予測等すると説明したが、被験者＝対象者であってもよい。つまり、モデル生成フェーズにおいて学習済モデルの生成に関与した被験者を対象者として予測フェーズにおいて転倒確率を予測等してもよい。また、予測フェーズにおいて転倒確率を予測等するために対象者から取得した情報を、モデル生成フェーズにおける学習済モデルの生成に利用してもよい。
【0298】
（１６）上記（１５）にも関連するが、予測フェーズで取得したデータをモデル生成フェーズで活用してもよい。すなわち、夫々の学習済モデルを、適宜、更新してもよい。
【0299】
なお、上記では、機械学習によるモデル（例えば、ニューラルネットワークによる機械学習）と、統計的手法によるモデル（統計モデル。例えば、ロジスティック関数によるモデル）と、を便宜上分けて説明したが、統計モデルは、説明変数と目的変数との関係を最適なパラメータで示したモデルであるため、パラメータを最適化させた学習済モデルと、最適化されたパラメータによって示されるモデルである点が共通する。つまり、機械学習によるモデルも統計モデル（算出式も同様）も、予測（推定）用に最適化されたパラメータが設定されたモデルである。統計モデル（例えば、ロジスティック関数によるモデル）のパラメータを機械学習によって求めてもよいし、あるいは、統計モデルにおけるパラメータを求める過程を学習と称してもよい。つまり、パラメータが設定されたモデルを以って学習済モデルと称してもよい。また、予測（推定）に用いる上記モデル（パラメータが設定されたモデル）は、単一の手法（例えば、ニューラルネットワーク、サポートベクタマシン、ランダムフォレスト、勾配ブースティング、ロジスティック回帰分析のうちの何れかの手法）によって生成したモデルであってもよいし、複数の手法（例えば、ニューラルネットワーク、サポートベクタマシン、ランダムフォレスト、勾配ブースティング、ロジスティック回帰分析のうちの２つ以上の手法）を組み合わせて生成したモデルであってもよい。つまり、単一の手法によって生成されたモデル（パラメータが設定されたモデル）を用いて予測（推定）してもよいし、複数の手法を組み合わせて生成されたモデルを用いて予測（推定）してもよい。
【0300】
上記実施形態にて説明した内容は、少なくとも以下の構成を含む。なお、上記実施形態では、説明の便宜上、センサ情報と特徴量情報とを区別して説明しているが、上述したように、特徴量情報はセンサ情報に基づく情報であり、共に直接又は間接的に検出される情報である。従って、センサ情報や特徴量情報を検出情報と称してもよい。
【0301】
（１）身体の少なくとも一部がセンシングされた検出情報（例えば、センサ情報、又は、センサ情報に基づく特徴量情報）と、将来の転倒に関する予測情報（例えば、転倒確率、推定診断情報）と、が予め対応付けられた対応情報（例えば、学習済モデル２１００、２１２０、２２００、２２２０、２３００、２４００、第１学習済モデル２５００、２５２０、２９００、第２学習済モデル２６００、２８００、統計モデル、変換テーブル）を記憶する対応情報記憶部と、対象者の前記検出情報が入力された場合に、前記対応情報に基づいて、前記対象者の将来の転倒に関する情報を予測する予測部（例えば、予測装置１０の転倒予測部１０２、予測装置１２の転倒予測部１２２、予測装置１４の転倒予測部１４２、予測装置１６の転倒予測部、予測装置１８の診断値推定部１８２や転倒予測部１８３、予測装置２０の診断値推定部２０２や転倒予測部２０３、予測装置２２の診断値推定部２２２や転倒予測部２２３）と、を備える予測システム。
【0302】
（２）前記身体の少なくとも一部は、脚部である（１）に記載の予測システム。
【0303】
（３）前記予測情報は、将来、転倒する可能性を表す転倒予測情報（例えば、転倒確率）であり、前記予測部（例えば、予測装置１０の転倒予測部１０２、予測装置１２の転倒予測部１２２、予測装置１４の転倒予測部１４２、予測装置１６の転倒予測部、予測装置１８の転倒予測部１８３、予測装置２０の転倒予測部２０３、予測装置２２の転倒予測部２２３）は、前記対象者が将来、転倒する可能性を予測する（１）又は（２）に記載の予測システム。
【0304】
（４）前記対応情報は、前記検出情報と歩行の異常性の評価を表す歩行評価情報（例えば、診断情報）とが予め対応付けられた第１対応情報（例えば、第１学習済モデル２５００、２５２０、２９００、統計モデル、変換テーブル）、及び、前記歩行評価情報と前記予測情報とが予め対応付けられた第２対応情報（例えば、第２学習済モデル２６００、２８００、統計モデル、変換テーブル）を含み、前記予測部（予測装置１８の診断値推定部１８２や転倒予測部１８３、予測装置２０の診断値推定部２０２や転倒予測部２０３、予測装置２２の診断値推定部２２２や転倒予測部２２３）は、前記対象者の検出情報が入力された場合に、前記第１対応情報に基づいて前記歩行評価情報を推定し、推定した歩行評価情報と前記第２対応情報に基づいて、前記対象者の将来の転倒に関する情報を予測する（１）から（３）のいずれかに記載の予測システム。
【0305】
（５）複数の被験者について、前記検出情報が検出された後、特定の期間内に転倒したか否かを示す転倒履歴情報を取得する履歴情報取得部（例えば、モデル生成装置３０、３２、３４、３６が転倒履歴情報を含む入力データセットを取得する構成）と、前記複数の被験者について、前記検出情報と前記転倒履歴情報が対応付けられた学習情報（学習用データセット１１００、１１２０、１２００、１２２０、１３００、１４００、１５００）を生成する学習情報生成部（例えば、モデル生成装置３０の特徴量抽出部３０１、モデル生成装置３２の特徴量抽出部３２１、モデル生成装置３４の特徴量抽出部、モデル生成装置３６の特徴量抽出部）と、前記学習情報に基づいて、前記対応情報（例えば、学習済モデル２１００、２１２０、２２００、２２２０、２３００、２４００、統計モデル、変換テーブル）を生成する学習部（例えば、モデル生成装置３０のモデル生成部３０２、モデル生成装置３２のモデル生成部３２２、モデル生成装置３４のモデル生成部３４２、モデル生成装置３６のモデル生成部）と、を備える（１）から（４）のいずれかに記載の予測システム。
【0306】
（６）前記検出情報は、歩行時の足の屈曲及び伸展の少なくとも１つを表す曲げ情報、足裏圧力を表す圧力情報、又は足の加速度を表す加速度情報である（１）から（５）のいずれかに記載の予測システム。
【0307】
（７）前記対応情報（例えば、学習済モデル２３００、２４００、統計モデル、変換テーブル）は、さらに、年齢或いは性別を含む属性情報、既往症情報、骨、関節或いは筋肉の異常の経験情報、介護サービス情報、服薬情報、又は運動習慣情報の少なくとも１つの属性情報（例えば、アンケート情報の一部）が予め対応付けられ、前記予測部は、前記対象者の前記属性情報及び前記検出情報が入力された場合に、前記対応情報に基づいて、前記対象者が将来転倒する可能性を予測する（１）から（６）のいずれかに記載の予測システム。
【0308】
（８）前記対応情報は、さらに、前記検出情報が検出された以前の特定の期間内に転倒したか否かを示す過去転倒履歴情報（例えば、直近３カ月以内の転倒の有無を項目として含むアンケート情報）が予め対応付けられ、前記予測部は、前記対象者の前記過去転倒履歴情報及び前記検出情報が入力された場合に、前記対応情報に基づいて、前記対象者が将来転倒する可能性を予測する（１）から（７）のいずれかに記載の予測システム。
【0309】
（９）前記対応情報は、さらに、人が立つ、歩く又は座る機能であって、日常生活に必要な身体の移動に関わる機能を評価する手法として複数の質問事項への回答により評価された運動器評価情報（例えば、アンケート情報の一部）が予め対応付けられ、前記予測部は、前記対象者の前記運動器評価情報及び前記検出情報が入力された場合に、前記対応情報に基づいて、前記対象者が将来転倒する可能性を予測する（１）から（８）のいずれかに記載の予測システム。
【0310】
（１０）前記対応情報は、さらに、運動機能低下の自覚症状を示す運動機能情報（例えば、アンケート情報の一部）が予め対応付けられ、前記予測部は、前記対象者の前記運動機能情報及び前記検出情報が入力された場合に、前記対応情報に基づいて、前記対象者が将来転倒する可能性を予測する（１）から（９）のいずれかに記載の予測システム。
【0311】
（１１）前記対応情報は、さらに、身長及び体重から算出される肥満度情報（アンケート情報の一部）が予め対応付けられ、前記予測部は、前記対象者の前記肥満度情報及び前記検出情報が入力された場合に、前記対応情報に基づいて、前記対象者が将来転倒する可能性を予測する（１）から（１０）のいずれかに記載の予測システム。
【0312】
（１２）前記対応情報は、ニューラルネットワーク、サポートベクタマシン、ランダムフォレスト、勾配ブースティング、ロジスティック回帰分析、又は、これらのうちの２つ以上の手法を組み合わせて学習された学習済モデルである（１）から（１１）のいずれかに記載の予測システム。
【0313】
（１３）前記予測情報は、将来の転倒に対処するための介入要否を示す介入要否情報（例えば、転倒確率等に基づく専門家の介入要否を判定の情報）であり、前記予測部（例えば、各予測装置の介入要否判定部（又は転倒予測部））は、将来の転倒に対処するための介入要否を予測する（１）から（１２）のいずれかに記載の予測システム。
【0314】
（１４）前記対応情報は、前記検出情報（例えば、センサ情報、又は、センサ情報に基づく特徴量情報）と、将来、転倒する可能性を表す転倒予測情報（例えば、転倒確率）とが予め対応付けられた第３対応情報（例えば、学習済モデル２１００、２２００、２３００、２４００、統計モデル、変換テーブル）、及び、前記転倒予測情報（例えば、転倒確率）と前記介入要否情報とが予め対応付けられた第４対応情報（例えば、転倒確率の閾値６０％とした場合に、転倒確率６０％未満の値に介入不要である旨が対応付けられ、転倒確率６０％以上の値に介入必要である旨が対応付けられているテーブル）を含み、前記予測部は、前記対象者の前記検出情報が入力された場合に、前記第３対応情報に基づいて前記転倒予測情報を推定し、推定した前記転倒予測情報と前記第４対応情報に基づいて、前記対象者について、将来の転倒に対処するための介入要否を予測する（１３）に記載の予測システム。
【0315】
（１５）複数の被験者について、前記検出情報が検出された後、特定の期間内の歩行の様子を評価者が参照して評価した前記介入要否情報（例えば、複数回の診断情報、複数回のアンケート情報等に基づいて評価した情報）を取得する評価情報取得部と、前記複数の被験者について、前記検出情報と前記介入要否情報が対応付けられた学習情報（例えば、入力サンプルとして夫々の被験者の検出情報を含み、出力サンプルとして夫々の被験者の介入要否情報を含む学習用データセット）を生成する学習情報生成部と、前記学習情報に基づいて、前記対応情報（例えば、入力層に対象者のセンサ情報（又は特徴量情報）を入力したときに出力層から当該対象者の介入要否の判定結果を出力する学習済モデル）を生成する学習部と、を備える（１３）又は（１４）に記載の予測システム。
【0316】
（１６）前記予測部は、前記対象者が将来、転倒する可能性を予測し、将来の転倒に対処するために介入要否、及び、前記将来、転倒する可能性に基づく分類に応じた出力情報を出力する出力部（例えば、各予測装置の出力部）を備える（１）から（１５）のいずれかに記載の予測システム。
【0317】
（１７）予測システムにおける予測方法であって、対応情報記憶部が、身体の少なくとも一部がセンシングされた検出情報と、将来の転倒に関する予測情報と、が予め対応付けられた対応情報を記憶する対応情報記憶過程と、予測部が、対象者の前記検出情報が入力された場合に、前記対応情報に基づいて、前記対象者の将来の転倒に関する情報を予測する予測過程と、を有する予測方法。
【0318】
（１８）身体の少なくとも一部がセンシングされた検出情報と、将来の転倒に関する予測情報と、が予め対応付けられた対応情報を参照する対応情報参照部と、対象者の前記検出情報が入力された場合に、前記対応情報に基づいて、前記対象者の将来の転倒に関する情報を予測する予測部と、を備える予測装置。
【0319】
（１９）身体の少なくとも一部がセンシングされた検出情報と、将来の転倒に関する予測情報と、が複数の被験者の各々について対応付けられた学習情報を取得する学習情報取得部と、前記学習情報に基づいて、機械学習を行う学習部と、を備える学習装置。
【0320】
（２０）コンピュータに、身体の少なくとも一部がセンシングされた検出情報と、将来の転倒に関する予測情報と、が予め対応付けられた対応情報を参照する対応情報参照手段、対象者の前記検出情報が入力された場合に、前記対応情報に基づいて、前記対象者の将来の転倒に関する情報を予測する予測手段、を実行させるためのプログラム。
【0321】
（２１）コンピュータに、身体の少なくとも一部がセンシングされた検出情報と、将来の転倒に関する予測情報と、が複数の被験者の各々について対応付けられた学習情報を取得する学習情報取得手段、前記学習情報に基づいて、機械学習を行う学習手段、を実行させるためのプログラム。
【0322】
（２２）身体の少なくとも一部がセンシングされた検出情報と、将来の転倒に関する予測情報と、が複数の被験者の各々について対応付けられた学習情報に基づく機械学習により生成され、対象者の前記検出情報が入力された場合に、前記対象者の将来の転倒に関する情報を予測するための学習済みモデル。
【0323】
以上に示した実施形態に係る装置（例えば、予測装置、モデル生成装置、第１学習済モデル生成装置、第２学習済モデル生成装置、学習用データセット生成装置等）の機能を実現するためのプログラムをコンピュータ読み取り可能な記憶媒体に記憶して、この記憶媒体に記憶されたプログラムをコンピュータシステムに読み込ませ、実行することにより、処理を行ってもよい。なお、ここでいう「コンピュータシステム」とは、オペレーティングシステム（ＯＳ：Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）あるいは周辺機器等のハードウェアを含むものであってもよい。また、「コンピュータ読み取り可能な記憶媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリ等の書き込み可能な不揮発性メモリ、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。
【0324】
さらに、「コンピュータ読み取り可能な記憶媒体」とは、インターネット等のネットワークあるいは電話回線等の通信回線を介してプログラムが送信された場合の情報処理装置やクライアントとなるコンピュータシステム内部の揮発性メモリ（例えばＤＲＡＭ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ））のように、一定時間プログラムを保持しているものも含むものとする。また、上記のプログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク（通信網）あるいは電話回線等の通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。また、上記のプログラムは、前述した機能の一部を実現するためのものであってもよい。さらに、上記のプログラムは、前述した機能をコンピュータシステムに既に記憶されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であってもよい。
【符号の説明】
【0325】
１０、１２、１４、１６、１８、２０、２２…予測装置
３０、３２、３４、３６…モデル生成装置
３８、４２…第１学習済モデル生成装置
３９、４１…第２学習済モデル生成装置
１１００、１１２０、１２００、１２２０、１３００、１４００、１５００、１５２０…１６００、１８００、１９００…学習用データセット
１１１０、１２１０、１５１０…入力データセット
２１００、２１２０、２２００、２２２０、２３００、２４００…学習済モデル
２５００、２５２０、２９００…第１学習済モデル
２６００、２８００…第２学習済モデル
３０、３２、３４、３６…モデル生成装置
３８、４２…第１学習済モデル生成装置
３９、４１…第２学習済モデル生成装置
１１００、１１２０、１２００、１２２０、１３００、１４００、１５００、１５２０…１６００、１８００、１９００…学習用データセット
１１１０、１２１０、１５１０…入力データセット
２１００、２１２０、２２００、２２２０、２３００、２４００…学習済モデル
２５００、２５２０、２９００…第１学習済モデル
２６００、２８００…第２学習済モデル
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】
【図18】
【図19】
【図20】
【図21】
【図22】
【図23】
【図24】
【図25】
【図26】
【図27】
【図28】
【図29】
【図30】
【図31】
【図32】
【図33】
【図34】
【図35】
【図36】
【図37】
【図38】
【図39】
【図40】
【図41】
【図42】
【図43】
【図44】
【図45】
【図46】
【図47】
【図48】
【図49】
【図50】
【図51】
【図52】
【図53】
【図54】
【図55】
【図56】
【図57】