知財求人 - 知財ポータルサイト「IP Force」
(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】P2024101908
(43)【公開日】2024-07-30
(54)【発明の名称】推定装置、推定システム、推定方法、およびプログラム
(51)【国際特許分類】
A61B 5/11 20060101AFI20240723BHJP
G16H 50/30 20180101ALI20240723BHJP
G06Q 50/22 20240101ALI20240723BHJP
【ＦＩ】
A61B5/11 230
A61B5/11 210
G16H50/30
G06Q50/22
【審査請求】未請求
【請求項の数】10
【出願形態】ＯＬ
(21)【出願番号】P 2023006125
(22)【出願日】2023-01-18
(71)【出願人】
【識別番号】000004237
【氏名又は名称】日本電気株式会社
(74)【代理人】
【識別番号】100109313
【弁理士】
【氏名又は名称】机 昌彦
(74)【代理人】
【識別番号】100149618
【弁理士】
【氏名又は名称】北嶋 啓至
(72)【発明者】
【氏名】黄 晨暉
(72)【発明者】
【氏名】二瓶 史行
(72)【発明者】
【氏名】梶谷 浩司
(72)【発明者】
【氏名】井原 和紀
【テーマコード（参考）】
4C038
5L099
【Ｆターム（参考）】
4C038VA04
4C038VA11
4C038VA12
4C038VB14
4C038VC20
5L099AA04
(57)【要約】
【課題】歩行に応じて計測された身体能力に関するデータを用いて、転倒リスク因子を推定できる推定装置等を提供する。
【解決手段】被験者の歩行に応じて計測された身体能力に関する第１特徴量データと、被験者の属性データとを取得するデータ取得部と、取得した第１特徴量データおよび属性データを主成分分析して、身体能力因子および属性因子に関連する第２特徴量データを構築し、構築された第２特徴量データを用いて転倒リスク要因に応じた転倒リスク情報を推定する推定部と、推定された転倒リスク情報を出力する出力部と、を備える推定装置とする。
【選択図】 図１
【解決手段】被験者の歩行に応じて計測された身体能力に関する第１特徴量データと、被験者の属性データとを取得するデータ取得部と、取得した第１特徴量データおよび属性データを主成分分析して、身体能力因子および属性因子に関連する第２特徴量データを構築し、構築された第２特徴量データを用いて転倒リスク要因に応じた転倒リスク情報を推定する推定部と、推定された転倒リスク情報を出力する出力部と、を備える推定装置とする。
【選択図】 図１
【特許請求の範囲】
【請求項1】
被験者の歩行に応じて計測された身体能力に関する第１特徴量データと、前記被験者の属性データとを取得するデータ取得手段と、
取得した前記第１特徴量データおよび前記属性データを主成分分析して、身体能力因子および属性因子に関連する第２特徴量データを構築し、構築された前記第２特徴量データを用いて転倒リスク要因に応じた転倒リスク情報を推定する推定手段と、
推定された前記転倒リスク情報を出力する出力手段と、を備える推定装置。
取得した前記第１特徴量データおよび前記属性データを主成分分析して、身体能力因子および属性因子に関連する第２特徴量データを構築し、構築された前記第２特徴量データを用いて転倒リスク要因に応じた転倒リスク情報を推定する推定手段と、
推定された前記転倒リスク情報を出力する出力手段と、を備える推定装置。
【請求項2】
前記第１特徴量データおよび前記属性データの入力に応じて、前記転倒リスク要因に関連する少なくとも一つの身体能力因子を推定し、前記属性データに含まれる属性因子および推定された前記身体能力因子を主成分分析して前記第２特徴量を構築し、構築された前記第２特徴量を用いて転倒リスクスコアを出力する推定モデルを記憶する記憶手段を備え、
推定手段は、
取得された前記第１特徴量データおよび前記属性データを前記推定モデルに入力し、前記推定モデルから出力された少なくとも一つの前記身体能力因子を用いて、前記転倒リスク情報を推定する請求項１に記載の推定装置。
推定手段は、
取得された前記第１特徴量データおよび前記属性データを前記推定モデルに入力し、前記推定モデルから出力された少なくとも一つの前記身体能力因子を用いて、前記転倒リスク情報を推定する請求項１に記載の推定装置。
【請求項3】
前記データ取得手段は、
歩行に応じて計測されたセンサデータの時系列データを用いて生成された歩行波形データから抽出された、前記転倒リスク要因に関連する少なくとも一つの前記身体能力因子を推定するために用いられる前記第１特徴量データを取得し、
前記記憶手段は、
前記第１特徴量データおよび前記属性データの入力に応じて、少なくとも一つの前記身体能力因子を出力する身体能力推定モデルと、
少なくとも一つの前記属性因子および少なくとも一つの前記身体能力因子の入力に応じて、少なくとも一つの前記属性因子および少なくとも一つの前記身体能力因子を主成分分析し、少なくとも一つの前記第２特徴量を出力する特徴量構築モデルと、
少なくとも一つの前記第２特徴量の入力に応じて転倒リスクスコアを出力する転倒リスク推定モデルと、を記憶し、
前記推定手段は、
前記第１特徴量データおよび前記属性データを前記身体能力推定モデルに入力し、前記身体能力推定モデルから出力された少なくとも一つの前記身体能力因子を、前記被験者の身体能力として推定する第１推定手段と、
少なくとも一つの前記属性因子および少なくとも一つの前記身体能力因子を前記特徴量構築モデルに入力して少なくとも一つの前記第２特徴量を構築する特徴量構築手段と、
少なくとも一つの前記第２特徴量を前記転倒リスク推定モデルに入力し、前記転倒リスク推定モデルから出力された前記転倒リスクスコアを用いて、前記被験者に関する前記転倒リスク情報を推定する第２推定手段と、を有する請求項２に記載の推定装置。
歩行に応じて計測されたセンサデータの時系列データを用いて生成された歩行波形データから抽出された、前記転倒リスク要因に関連する少なくとも一つの前記身体能力因子を推定するために用いられる前記第１特徴量データを取得し、
前記記憶手段は、
前記第１特徴量データおよび前記属性データの入力に応じて、少なくとも一つの前記身体能力因子を出力する身体能力推定モデルと、
少なくとも一つの前記属性因子および少なくとも一つの前記身体能力因子の入力に応じて、少なくとも一つの前記属性因子および少なくとも一つの前記身体能力因子を主成分分析し、少なくとも一つの前記第２特徴量を出力する特徴量構築モデルと、
少なくとも一つの前記第２特徴量の入力に応じて転倒リスクスコアを出力する転倒リスク推定モデルと、を記憶し、
前記推定手段は、
前記第１特徴量データおよび前記属性データを前記身体能力推定モデルに入力し、前記身体能力推定モデルから出力された少なくとも一つの前記身体能力因子を、前記被験者の身体能力として推定する第１推定手段と、
少なくとも一つの前記属性因子および少なくとも一つの前記身体能力因子を前記特徴量構築モデルに入力して少なくとも一つの前記第２特徴量を構築する特徴量構築手段と、
少なくとも一つの前記第２特徴量を前記転倒リスク推定モデルに入力し、前記転倒リスク推定モデルから出力された前記転倒リスクスコアを用いて、前記被験者に関する前記転倒リスク情報を推定する第２推定手段と、を有する請求項２に記載の推定装置。
【請求項4】
前記属性データは、前記属性因子として、前記被験者のＢＭＩ（Body Mass Index）および年齢を含む請求項３に記載の推定装置。
【請求項5】
前記身体能力推定モデルは、前記属性データおよび前記第１特徴量データの入力に応じて、握力、動的バランス、下肢筋力、移動能力、および静的バランスに関する推定値を、前記身体能力因子として出力する請求項４に記載の推定装置。
【請求項6】
前記身体能力推定モデルは、
前記握力の推定値として、前記被験者の握力値を出力し、
前記動的バランスの推定値として、進行方向、垂直方向、および左右方向における腰部の調和指標を出力し、
前記下肢筋力の推定値として、椅子立ち上がりテストにおける立ち座り時間を出力し、
前記移動能力の推定値として、ＴＵＧ（Time Up and Go）テストにおけるＴＵＧ所要時間を出力し、
前記静的バランスの推定値として、片脚立位テストにおける片脚立位時間を出力する請求項５に記載の推定装置。
前記握力の推定値として、前記被験者の握力値を出力し、
前記動的バランスの推定値として、進行方向、垂直方向、および左右方向における腰部の調和指標を出力し、
前記下肢筋力の推定値として、椅子立ち上がりテストにおける立ち座り時間を出力し、
前記移動能力の推定値として、ＴＵＧ（Time Up and Go）テストにおけるＴＵＧ所要時間を出力し、
前記静的バランスの推定値として、片脚立位テストにおける片脚立位時間を出力する請求項５に記載の推定装置。
【請求項7】
前記転倒リスク推定モデルは、
転倒経験の有無に応じて分類された２群間の分布の離れ具合を示す指標が所定値を超える主成分を前記第２特徴量として用いた学習によって構築され、
前記第２推定手段は、
前記特徴量構築手段によって構築された複数の前記第２特徴量のうち、前記転倒リスク推定モデルの構築に用いられた少なくとも一つの前記第２特徴量を前記転倒リスク推定モデルに入力して、前記転倒リスクスコアを推定する請求項３に記載の推定装置。
転倒経験の有無に応じて分類された２群間の分布の離れ具合を示す指標が所定値を超える主成分を前記第２特徴量として用いた学習によって構築され、
前記第２推定手段は、
前記特徴量構築手段によって構築された複数の前記第２特徴量のうち、前記転倒リスク推定モデルの構築に用いられた少なくとも一つの前記第２特徴量を前記転倒リスク推定モデルに入力して、前記転倒リスクスコアを推定する請求項３に記載の推定装置。
【請求項8】
請求項１乃至７のいずれか一項に記載の推定装置と、
転倒リスク要因の推定対象である被験者の履物に設置され、空間加速度および空間角速度を計測し、計測した前記空間加速度および前記空間角速度を用いて歩行に応じたセンサデータを生成し、生成した前記センサデータを出力するセンサと、前記センサデータの時系列データから一歩行周期分の歩行波形データを抽出し、抽出された前記歩行波形データを正規化し、正規化された前記歩行波形データから前記転倒リスク要因の推定に用いられる第１特徴量を抽出し、抽出された第１特徴量を含む第１特徴量データを生成し、生成された前記第１特徴量データを前記推定装置に出力する特徴量データ生成手段と、を有する歩容計測装置と、を備える推定システム。
転倒リスク要因の推定対象である被験者の履物に設置され、空間加速度および空間角速度を計測し、計測した前記空間加速度および前記空間角速度を用いて歩行に応じたセンサデータを生成し、生成した前記センサデータを出力するセンサと、前記センサデータの時系列データから一歩行周期分の歩行波形データを抽出し、抽出された前記歩行波形データを正規化し、正規化された前記歩行波形データから前記転倒リスク要因の推定に用いられる第１特徴量を抽出し、抽出された第１特徴量を含む第１特徴量データを生成し、生成された前記第１特徴量データを前記推定装置に出力する特徴量データ生成手段と、を有する歩容計測装置と、を備える推定システム。
【請求項9】
コンピュータが、
被験者の歩行に応じて計測された身体能力に関する第１特徴量データと、前記被験者の属性データとを取得し、
取得した前記第１特徴量データおよび前記属性データを主成分分析して、身体能力因子および属性因子に関連する第２特徴量データを構築し、
構築された前記第２特徴量データを用いて転倒リスク要因に応じた転倒リスク情報を推定し、
推定された前記転倒リスク情報を出力する推定方法。
被験者の歩行に応じて計測された身体能力に関する第１特徴量データと、前記被験者の属性データとを取得し、
取得した前記第１特徴量データおよび前記属性データを主成分分析して、身体能力因子および属性因子に関連する第２特徴量データを構築し、
構築された前記第２特徴量データを用いて転倒リスク要因に応じた転倒リスク情報を推定し、
推定された前記転倒リスク情報を出力する推定方法。
【請求項10】
被験者の歩行に応じて計測された身体能力に関する第１特徴量データと、前記被験者の属性データとを取得する処理と、
取得した前記第１特徴量データおよび前記属性データを主成分分析して、身体能力因子および属性因子に関連する第２特徴量データを構築する処理と、
構築された前記第２特徴量データを用いて転倒リスク要因に応じた転倒リスク情報を推定する処理と、
推定された前記転倒リスク情報を出力する処理と、をコンピュータに実行させるプログラム。
取得した前記第１特徴量データおよび前記属性データを主成分分析して、身体能力因子および属性因子に関連する第２特徴量データを構築する処理と、
構築された前記第２特徴量データを用いて転倒リスク要因に応じた転倒リスク情報を推定する処理と、
推定された前記転倒リスク情報を出力する処理と、をコンピュータに実行させるプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、転倒リスクに関する情報を推定する推定装置等に関する。
【背景技術】
【0002】
ヘルスケアへの関心の高まりに伴って、歩容に応じた情報を提供するサービスに注目が集まっている。例えば、靴等の履物に実装されたセンサによって計測されたセンサデータを用いて、歩容を解析する技術が開発されている。センサデータの時系列データには、身体状態と関連する歩容事象（歩行イベントとも呼ぶ）の特徴が現れる。例えば、センサデータから抽出された特徴量に基づいて、転倒リスクに関する情報を推定できれば、思いもよらぬ転倒等を回避できる可能性がある。高齢者は、転倒によって、様々な傷害を受ける可能性がある。そのため、転倒リスクを評価することは、高齢者の健康に関して重要な課題である。
【0003】
特許文献１には、被測定者の転倒リスク要因を推定する要因推定システムについて開示されている。特許文献１のシステムは、被測定者の歩行時における体動を示す体動データに基づいて、被測定者の２以上の歩行パラメータを算出する。特許文献１のシステムは、算出された２以上の歩行パラメータに基づいて、被測定者の転倒リスク要因に含まれる１以上の主成分を推定する。
【0004】
特許文献２には、日常生活における歩行に関する目標を設定するシステムについて開示されている。特許文献２のシステムは、任意の被験者の歩行パラメータを取得する。特許文献２のシステムは、歩行パラメータ・歩行特徴スコア関係式に基づいて、該被験者の歩行パラメータから歩行特徴スコアを算出する。特許文献２のシステムは、算出された歩行特徴スコアに応じて、該被験者が目標とすべき歩行特徴目標を設定する。また、特許文献２のシステムは、歩行パラメータ・活動量関係式に基づいて、該被験者の歩行パラメータから活動量を算出し、算出された活動量に応じて該被験者が目標とすべき活動量目標を設定する。特許文献２には、標準化した歩行パラメータを主成分分析し、複数の主成分（歩行因子）のスコアを算出することが開示されている。
【先行技術文献】
【特許文献】
【0005】
【特許文献1】国際公開第２０２１／０４９１９６号
【特許文献2】特開２０１５－２０２１４０号公報
【発明の概要】
【発明が解決しようとする課題】
【0006】
特許文献１のシステムは、カメラ等の計測装置によって撮影された動画像データに基づいて被測定者の歩行態様を分析し、当該被測定者の転倒リスク要因を推定する。そのため、特許文献１のシステムは、動画像データに基づいて歩行容態を分析できない限り、被測定者の転倒リスクを推定できなかった。
【0007】
特許文献２のシステムは、シート式圧力センサやモーションキャプチャ等の備え付けの計測機器を用いて、歩行因子を計測する。特許文献２のシステムは、備え付けの計測機器を用いなければ、歩行因子を含む歩行パラメータを計測できなかった。そのため、特許文献２のシステムは、日常生活の歩行に基づいて、歩行因子を算出できなかった。
【0008】
本開示の目的は、歩行に応じて計測された身体能力に関するデータを用いて、転倒リスク因子を推定できる推定装置等を提供することにある。
【課題を解決するための手段】
【0009】
本開示の一態様の推定装置は、被験者の歩行に応じて計測された身体能力に関する第１特徴量データと、被験者の属性データとを取得するデータ取得部と、取得した第１特徴量データおよび属性データを主成分分析して、身体能力因子および属性因子に関連する第２特徴量データを構築し、構築された第２特徴量データを用いて転倒リスク要因に応じた転倒リスク情報を推定する推定部と、推定された転倒リスク情報を出力する出力部と、を備える。
【0010】
本開示の一態様の推定方法においては、被験者の歩行に応じて計測された身体能力に関する第１特徴量データと、被験者の属性データとを取得し、取得した第１特徴量データおよび属性データを主成分分析して、身体能力因子および属性因子に関連する第２特徴量データを構築し、構築された第２特徴量データを用いて転倒リスク要因に応じた転倒リスク情報を推定し、推定された転倒リスク情報を出力する。
【0011】
本開示の一態様のプログラムは、被験者の歩行に応じて計測された身体能力に関する第１特徴量データと、被験者の属性データとを取得する処理と、取得した第１特徴量データおよび属性データを主成分分析して、身体能力因子および属性因子に関連する第２特徴量データを構築する処理と、構築された第２特徴量データを用いて転倒リスク要因に応じた転倒リスク情報を推定する処理と、推定された転倒リスク情報を出力する処理と、をコンピュータに実行させる。
【発明の効果】
【0012】
本開示によれば、歩行に応じて計測された身体能力に関するデータを用いて、転倒リスク因子を推定できる推定装置等を提供することが可能になる。
【図面の簡単な説明】
【0013】
【図1】第１の実施形態に係る推定システムの構成の一例を示すブロック図である。
【図2】第１の実施形態に係る推定システムが備える歩容計測装置の構成の一例を示すブロック図である。
【図3】第１の実施形態に係る歩容計測装置の配置例を示す概念図である。
【図4】第１の実施形態に係る歩容計測装置に設定されるローカル座標系と世界座標系の関係の一例について説明するための概念図である。
【図5】第１の実施形態に係る歩容計測装置に関する説明で用いられる人体面について説明するための概念図である。
【図6】第１の実施形態に係る歩容計測装置に関する説明で用いられる歩行周期について説明するための概念図である。
【図7】第１の実施形態に係る歩容計測装置に関する説明で用いられる歩容パラメータについて説明するための概念図である。
【図8】第１の実施形態に係る推定システムが備える推定装置の構成の一例を示すブロック図である。
【図9】第１の実施形態に係る推定システムが転倒リスクの推定に用いる転倒リスク要因の一例である。
【図10】第１の実施形態に係る推定システムによる身体能力推定モデルを用いた身体能力の推定例を示す概念図である。
【図11】第１の実施形態に係る推定システムによる特徴量構築モデルを用いた主成分分析による主成分の推定例を示す概念図である。
【図12】第１の実施形態に係る推定システムによる転倒リスク推定モデルを用いた転倒スコアの推定例を示す概念図である。
【図13】転倒経験の有無によって２群に分類された複数の被験者に関する指標を主成分分析することで構築された主成分の一例をまとめた表である。
【図14】転倒経験の有無によって２群に分類された複数の被験者に関する指標を主成分分析することで構築された主成分と、属性因子または身体能力因子との相関係数をまとめた表である。
【図15】握力因子を用いた学習で構築された転倒リスク推定モデルに関して、１０分割交差検証を行った結果を示すＲＯＣ曲線である。
【図16】加齢因子および握力因子を用いた学習で構築された転倒リスク推定モデルに関して、１０分割交差検証を行った結果を示すＲＯＣ曲線である。
【図17】加齢因子、握力因子、および動的バランス因子を用いた学習で構築された転倒リスク推定モデルに関して、１０分割交差検証を行った結果を示すＲＯＣ曲線である。
【図18】実際の身体能力テストで計測された握力を用いた学習で構築された転倒リスク推定モデルに関して、１０分割交差検証を行った結果を示すＲＯＣ曲線である。
【図19】握力の実測値（真値）を用いて構築されたモデルによって推定された転倒リスクスコア（真値）と、本実施形態の手法で推定された転倒リスクスコア（推定値）との相関を示すグラフである。
【図20】握力（真値）を用いて構築された転倒リスク推定モデルによって推定された転倒リスクスコアの度数分布を示すグラフである。
【図21】握力（推定値）を用いて構築された転倒リスク推定モデルによって推定された転倒リスクスコアの度数分布を示すグラフである。
【図22】第１の実施形態に係る推定システムが備える歩容計測装置の動作の一例について説明するためのフローチャートである。
【図23】第１の実施形態に係る推定システムが備える推定装置の動作の一例について説明するためのフローチャートである。
【図24】第１の実施形態に係る推定システムの適用例について説明するための概念図である。
【図25】第１の実施形態に係る推定システムの適用例について説明するための概念図である。
【図26】第２の実施形態に係る推定装置の構成の一例を示すブロック図である。
【図27】各実施形態の制御や処理を実行するハードウェア構成の一例を示すブロック図である。
【発明を実施するための形態】
【0014】
以下に、本発明を実施するための形態について図面を用いて説明する。ただし、以下に述べる実施形態には、本発明を実施するために技術的に好ましい限定がされているが、発明の範囲を以下に限定するものではない。なお、以下の実施形態の説明に用いる全図においては、特に理由がない限り、同様箇所には同一符号を付す。また、以下の実施形態において、同様の構成・動作に関しては繰り返しの説明を省略する場合がある。
【0015】
（第１の実施形態）
まず、第１の実施形態に係る推定システムについて図面を参照しながら説明する。本実施形態の推定システムは、ユーザの歩行に応じたセンサデータを計測する。本実施形態の推定システムは、計測されたセンサデータを用いて、そのユーザの転倒リスクに寄与する因子（転倒リスク要因）を推定する。
まず、第１の実施形態に係る推定システムについて図面を参照しながら説明する。本実施形態の推定システムは、ユーザの歩行に応じたセンサデータを計測する。本実施形態の推定システムは、計測されたセンサデータを用いて、そのユーザの転倒リスクに寄与する因子（転倒リスク要因）を推定する。
【0016】
本実施形態では、歩行パターンに含まれる特徴（歩容とも呼ぶ）と転倒リスクとの関連性に基づいて、転倒リスクを推定する例を挙げる。本実施形態では、歩容に関連する五つの関連項目（五項目とも呼ぶ）と、験者の身体属性とを用いて、転倒リスクを推定する。五項目は、全身の総合筋力（握力）、動的バランス、下肢筋力、移動能力、および静的バランスに関する。これらの五項目は、転倒リスクとの相関を有する。五項目は、互いにある程度の関連性があるが、基本的に独立しているとみなす。本実施形態においては、五項目の全てに基づいて転倒リスクを推定する例を挙げる。
【0017】
（構成）
図１は、本実施形態に係る推定システム１の構成の一例を示すブロック図である。推定システム１は、歩容計測装置１０と推定装置１３を備える。本実施形態においては、歩容計測装置１０と推定装置１３が別々のハードウェアに構成される例について説明する。例えば、歩容計測装置１０は、転倒リスク要因の推定対象である被験者（ユーザ）の履物等に設置される。例えば、推定装置１３の機能は、被験者の携帯する携帯端末にインストールされる。以下においては、歩容計測装置１０および推定装置１３の構成について、個別に説明する。
図１は、本実施形態に係る推定システム１の構成の一例を示すブロック図である。推定システム１は、歩容計測装置１０と推定装置１３を備える。本実施形態においては、歩容計測装置１０と推定装置１３が別々のハードウェアに構成される例について説明する。例えば、歩容計測装置１０は、転倒リスク要因の推定対象である被験者（ユーザ）の履物等に設置される。例えば、推定装置１３の機能は、被験者の携帯する携帯端末にインストールされる。以下においては、歩容計測装置１０および推定装置１３の構成について、個別に説明する。
【0018】
〔歩容計測装置〕
図２は、歩容計測装置１０の構成の一例を示すブロック図である。歩容計測装置１０は、センサ１１と特徴量データ生成部１２を有する。本実施形態においては、センサ１１と特徴量データ生成部１２が一体化された例を挙げる。センサ１１と特徴量データ生成部１２は、別々の装置として提供されてもよい。
図２は、歩容計測装置１０の構成の一例を示すブロック図である。歩容計測装置１０は、センサ１１と特徴量データ生成部１２を有する。本実施形態においては、センサ１１と特徴量データ生成部１２が一体化された例を挙げる。センサ１１と特徴量データ生成部１２は、別々の装置として提供されてもよい。
【0019】
図２のように、センサ１１は、加速度センサ１１１と角速度センサ１１２を有する。図２には、加速度センサ１１１と角速度センサ１１２が、センサ１１に含まれる例を挙げる。センサ１１には、加速度センサ１１１および角速度センサ１１２以外のセンサが含まれてもよい。センサ１１に含まれうる加速度センサ１１１および角速度センサ１１２以外のセンサについては、説明を省略する。
【0020】
加速度センサ１１１は、３軸方向の加速度（空間加速度とも呼ぶ）を計測するセンサである。加速度センサ１１１は、足の動きに関する物理量として、加速度（空間加速度とも呼ぶ）を計測する。加速度センサ１１１は、計測した加速度を特徴量データ生成部１２に出力する。例えば、加速度センサ１１１には、圧電型や、ピエゾ抵抗型、静電容量型等の方式のセンサを用いることができる。加速度センサ１１１として用いられるセンサは、加速度を計測できれば、その計測方式に限定を加えない。
【0021】
角速度センサ１１２は、３軸周りの角速度（空間角速度とも呼ぶ）を計測するセンサである。角速度センサ１１２は、足の動きに関する物理量として、角速度（空間角速度とも呼ぶ）を計測する。角速度センサ１１２は、計測した角速度を特徴量データ生成部１２に出力する。例えば、角速度センサ１１２には、振動型や静電容量型等の方式のセンサを用いることができる。角速度センサ１１２として用いられるセンサは、角速度を計測できれば、その計測方式に限定を加えない。
【0022】
センサ１１は、例えば、加速度や角速度を計測する慣性計測装置によって実現される。慣性計測装置の一例として、ＩＭＵ（Inertial Measurement Unit）が挙げられる。ＩＭＵは、３軸方向の加速度を計測する加速度センサ１１１と、３軸周りの角速度を計測する角速度センサ１１２を含む。センサ１１は、ＶＧ（Vertical Gyro）やＡＨＲＳ（Attitude Heading）などの慣性計測装置によって実現されてもよい。また、センサ１１は、ＧＰＳ／ＩＮＳ（Global Positioning System／Inertial Navigation System）によって実現されてもよい。センサ１１は、足の動きに関する物理量を計測できれば、慣性計測装置以外の装置によって実現されてもよい。
【0023】
図３は、右足の靴１００の中に、歩容計測装置１０が配置される一例を示す概念図である。図３の例では、足弓の裏側に当たる位置に、歩容計測装置１０が設置される。例えば、歩容計測装置１０は、靴１００の中に挿入されるインソールに配置される。例えば、歩容計測装置１０は、靴１００の底面に配置されてもよい。例えば、歩容計測装置１０は、靴１００の本体に埋設されてもよい。歩容計測装置１０は、靴１００から着脱できてもよいし、靴１００から着脱できなくてもよい。歩容計測装置１０は、足の動きに関するセンサデータを計測できさえすれば、足弓の裏側ではない位置に設置されてもよい。また、歩容計測装置１０は、ユーザが履いている靴下や、ユーザが装着しているアンクレット等の装飾品に設置されてもよい。また、歩容計測装置１０は、足に直に貼り付けられたり、足に埋め込まれたりしてもよい。図３には、右足の靴１００に歩容計測装置１０が設置される例を示す。歩容計測装置１０は、左足の靴１００に設置されてもよい。また、歩容計測装置１０は、両足の靴１００に設置されてもよい。
【0024】
図３の例では、歩容計測装置１０（センサ１１）を基準として、左右方向のｘ軸、前後方向のｙ軸、上下方向のｚ軸を含むローカル座標系が設定される。ｘ軸は左方を正とし、ｙ軸は後方を正とし、ｚ軸は上方を正とする。センサ１１に設定される軸の向きは、左右の足で同じでもよく、左右の足で異なっていてもよい。例えば、同じスペックで生産されたセンサ１１が左右の靴１００の中に配置される場合、左右の靴１００に配置されるセンサ１１の上下の向き（Ｚ軸方向の向き）は、同じ向きである。その場合、左足に由来するセンサデータに設定されるローカル座標系の３軸と、右足に由来するセンサデータに設定されるローカル座標系の３軸とは、左右で同じにある。
【0025】
図４は、足弓の裏側に設置された歩容計測装置１０（センサ１１）に設定されるローカル座標系（ｘ軸、ｙ軸、ｚ軸）と、地面に対して設定される世界座標系（Ｘ軸、Ｙ軸、Ｚ軸）について説明するための概念図である。世界座標系（Ｘ軸、Ｙ軸、Ｚ軸）では、進行方向に正対した状態のユーザが直立した状態で、ユーザの横方向がＸ軸方向（左向きが正）、ユーザの背面の方向がＹ軸方向（後ろ向きが正）、重力方向がＺ軸方向（鉛直上向きが正）に設定される。なお、図４の例は、ローカル座標系（ｘ軸、ｙ軸、ｚ軸）と世界座標系（Ｘ軸、Ｙ軸、Ｚ軸）の関係を概念的に示すものであり、ユーザの歩行に応じて変動するローカル座標系と世界座標系の関係を正確に示すものではない。
【0026】
図５は、人体に対して設定される面（人体面とも呼ぶ）について説明するための概念図である。本実施形態では、身体を左右に分ける矢状面、身体を前後に分ける冠状面、身体を水平に分ける水平面が定義される。なお、図５のように、足の中心線を進行方向に向けて直立した状態では、世界座標系とローカル座標系が一致する。本実施形態においては、ｘ軸を回転軸とする矢状面内の回転をロール、ｙ軸を回転軸とする冠状面内の回転をピッチ、ｚ軸を回転軸とする水平面内の回転をヨーと定義する。また、ｘ軸を回転軸とする矢状面内の回転角をロール角、ｙ軸を回転軸とする冠状面内の回転角をピッチ角、ｚ軸を回転軸とする水平面内の回転角をヨー角と定義する。
【0027】
図２のように、特徴量データ生成部１２（特徴量データ生成装置とも呼ぶ）は、取得部１２１、正規化部１２２、抽出部１２３、生成部１２５、および特徴量データ出力部１２７を有する。例えば、特徴量データ生成部１２は、歩容計測装置１０の全体制御やデータ処理を行うマイクロコンピュータまたはマイクロコントローラによって実現される。例えば、特徴量データ生成部１２は、ＣＰＵ（Central Processing Unit）やＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ等を有する。特徴量データ生成部１２は、加速度センサ１１１および角速度センサ１１２を制御して、角速度や加速度を計測する。例えば、特徴量データ生成部１２は、被験者（ユーザ）の携帯する携帯端末（図示しない）の側に実装されてもよい。
【0028】
取得部１２１（取得手段）は、加速度センサ１１１から、３軸方向の加速度を取得する。また、取得部１２１は、角速度センサ１１２から、３軸周りの角速度を取得する。例えば、取得部１２１は、取得された角速度および加速度等の物理量（アナログデータ）をＡＤ変換（Analog-to-Digital Conversion）する。なお、加速度センサ１１１および角速度センサ１１２によって計測された物理量（アナログデータ）は、加速度センサ１１１および角速度センサ１１２の各々においてデジタルデータに変換されてもよい。取得部１２１は、変換後のデジタルデータ（センサデータとも呼ぶ）を正規化部１２２に出力する。取得部１２１は、図示しない記憶部に、センサデータを記憶させるように構成されてもよい。センサデータには、デジタルデータに変換された加速度データと、デジタルデータに変換された角速度データとが少なくとも含まれる。加速度データは、３軸方向の加速度ベクトルを含む。角速度データは、３軸周りの角速度ベクトルを含む。加速度データおよび角速度データには、それらのデータの取得時間が紐付けられる。また、取得部１２１は、加速度データおよび角速度データに対して、実装誤差や温度補正、直線性補正などの補正を加えてもよい。
【0029】
正規化部１２２（正規化手段）は、取得部１２１からセンサデータを取得する。正規化部１２２は、センサデータに含まれる３軸方向の加速度および３軸周りの角速度の時系列データから、一歩行周期分の時系列データ（歩行波形データとも呼ぶ）を抽出する。正規化部１２２は、抽出された一歩行周期分の歩行波形データの時間を、０～１００％（パーセント）の歩行周期に正規化（第１正規化とも呼ぶ）する。０～１００％の歩行周期に含まれる１％や１０％などのタイミングを、歩行フェーズとも呼ぶ。また、正規化部１２２は、第１正規化された一歩行周期分の歩行波形データに関して、立脚相が６０％、遊脚相が４０％になるように正規化（第２正規化とも呼ぶ）する。立脚相は、足の裏側の少なくとも一部が地面に接している期間である。遊脚相は、足の裏側が地面から離れている期間である。歩行波形データを第２正規化すれば、特徴量が抽出される歩行フェーズのずれが、外乱の影響でぶれることを抑制できる。
【0030】
図６は、右足を基準とする一歩行周期について説明するための概念図である。左足を基準とする一歩行周期も、右足と同様である。図６の横軸は、右足の踵が地面に着地した時点を起点とし、次に右足の踵が地面に着地した時点を終点とする右足の一歩行周期である。図６の横軸は、一歩行周期を１００％として第１正規化されている。また、図６の横軸は、立脚相が６０％、遊脚相が４０％になるように第２正規化されている。片足の一歩行周期は、足の裏側の少なくとも一部が地面に接している立脚相と、足の裏側が地面から離れている遊脚相とに大別される。立脚相は、さらに、荷重応答期Ｔ１、立脚中期Ｔ２、立脚終期Ｔ３、遊脚前期Ｔ４に細分される。遊脚相は、さらに、遊脚初期Ｔ５、遊脚中期Ｔ６、遊脚終期Ｔ７に細分される。なお、図６は一例であって、一歩行周期を構成する期間や、それらの期間の名称等を限定するものではない。
【0031】
図６のように、歩行においては、複数の事象（歩行イベントとも呼ぶ）が発生する。Ｐ１は、右足の踵が接地する事象（踵接地）を表す（ＨＣ：Heel Contact）。踵接地ＨＣは、ＨＳ（Heel Strike）とも表現される。Ｐ２は、右足の足裏が接地した状態で、左足の爪先が地面から離れる事象（反対足爪先離地）を表す（ＯＴＯ：Opposite Toe Off）。Ｐ３は、右足の足裏が接地した状態で、右足の踵が持ち上がる事象（踵持ち上がり）を表す（ＨＲ：Heel Rise）。Ｐ４は、左足の踵が接地した事象（反対足踵接地）である（ＯＨＳ：Opposite Heel Strike）。Ｐ５は、左足の足裏が接地した状態で、右足の爪先が地面から離れる事象（爪先離地）を表す（ＴＯ：Toe Off）。Ｐ６は、左足の足裏が接地した状態で、左足と右足が交差する事象（足交差）を表す（ＦＡ：Foot Adjacent）。Ｐ７は、左足の足裏が接地した状態で、右足の脛骨が地面に対してほぼ垂直になる事象（脛骨垂直）を表す（ＴＶ：Tibia Vertical）。Ｐ８は、右足の踵が接地する事象（踵接地）を表す（ＨＣ：Heel Contact）。Ｐ８は、Ｐ１から始まる歩行周期の終点に相当するとともに、次の歩行周期の起点に相当する。なお、図６は一例であって、歩行において発生する事象や、それらの事象の名称を限定するものではない。
【0032】
図７は、歩容パラメータの一例について説明するための概念図である。図７には、右足ステップ長ＳR、左足ステップ長ＳL、ストライド長Ｔ、歩隔Ｗ、足角Ｆ、および分回し量ＤＩを図示する。また、図７には、進行方向の軸（Ｙ軸）に平行であり、左右の足の中間を結ぶ軌跡に相当する進行軸ＰＡを図示する。右足ステップ長ＳRは、左足の足裏が接地した状態から、進行方向に振り出された右足の踵が着地した状態に遷移した際の、右足の踵と左足の踵とのＹ座標の差である。左足ステップ長ＳLは、右足の足裏が接地した状態から、進行方向に振り出された左足の踵が着地した状態に遷移した際の、左足の踵と右足の踵とのＹ座標の差である。ストライド長Ｔは、右足ステップ長ＳRと左足ステップ長ＳLの和である。歩隔Ｗは、右足と左足の間隔である。図７において、歩隔Ｗは、接地した状態における右足の踵の中心線（Ｘ座標）と、接地した状態における左足の踵の中心線（Ｘ座標）との差である。足角Ｆは、足裏面が接地した状態において、足の中心線と進行方向（Ｙ軸）が成す角度である。本実施形態においては、立脚相において、足が接地している状態の足角を評価する。分回し量ＤＩは、遊脚相において足の中心軸が進行軸ＰＡから最も離れたタイミングにおける、進行軸ＰＡと足の距離である。本実施形態において、分回し量ＤＩは、下肢の長さが影響するので、身長で正規化される。
【0033】
例えば、正規化部１２２は、進行方向加速度（Ｙ方向加速度）の時系列データ（実線）から、踵接地ＨＣや爪先離地ＴＯのタイミングを検出する。踵接地ＨＣのタイミングは、進行方向加速度（Ｙ方向加速度）の時系列データに表れる極大ピークの直後の極小ピークのタイミングである。踵接地ＨＣのタイミングの目印になる極大ピークは、一歩行周期分の歩行波形データの最大ピークに相当する。連続する踵接地ＨＣの間の区間が、一歩行周期である。爪先離地ＴＯのタイミングは、進行方向加速度（Ｙ方向加速度）の時系列データに変動が表れない立脚相の期間の後に表れる極大ピークの立ち上がりのタイミングである。
【0034】
例えば、正規化部１２２は、ロール角（Ｘ軸周り角速度）の時系列データ（破線）から、立脚中期のタイミングを検出する。ロール角が最小のタイミングと、ロール角が最大のタイミングとの中点のタイミングが、立脚中期に相当する。例えば、歩行速度や、歩幅、分回し、内旋／外旋、底屈／背屈などのパラメータ（歩容パラメータとも呼ぶ）は、立脚中期を基準として求めることができる。
【0035】
例えば、正規化部１２２は、進行方向加速度（Ｙ方向加速度）の時系列データから、踵接地ＨＣと爪先離地ＴＯを検出する。正規化部１２２は、連続する踵接地ＨＣの間の区間を、一歩行周期分の歩行波形データとして抽出する。正規化部１２２は、第１正規化によって、一歩行周期分の歩行波形データの横軸（時間軸）を、０～１００％の歩行周期に変換する。正規化部１２２は、歩行フェーズが０％の踵接地ＨＣから、その踵接地ＨＣに後続する爪先離地ＴＯまでの区間を０～６０％に正規化する。また、正規化部１２２は、爪先離地ＴＯから、爪先離地ＴＯに後続する歩行フェーズが１００％の踵接地ＨＣまでの区間を６０～１００％に正規化する。その結果、一歩行周期分の歩行波形データは、歩行周期が０～６０％の区間（立脚相）と、歩行周期が６０～１００％の区間（遊脚相）とに正規化される。第２正規化後の歩行波形データ（実線）では、爪先離地ＴＯのタイミングが６０％に一致する。
【0036】
進行方向加速度（Ｙ方向加速度）以外の加速度／角速度に関して、正規化部１２２は、進行方向加速度（Ｙ方向加速度）の歩行周期に合わせて、歩行周期分の歩行波形データを抽出／正規化する。また、正規化部１２２は、３軸周りの角速度の時系列データを積分することで、３軸周りの角度の時系列データを生成してもよい。その場合、正規化部１２２は、３軸周りの角度に関しても、進行方向加速度（Ｙ方向加速度）の歩行周期に合わせて、一歩行周期分の歩行波形データを抽出／正規化する。
【0037】
正規化部１２２は、進行方向加速度（Ｙ方向加速度）以外の加速度／角速度に基づいて、一歩行周期分の歩行波形データを抽出／正規化してもよい。例えば、正規化部１２２は、垂直方向加速度（Ｚ方向加速度）の時系列データから、踵接地ＨＣや爪先離地ＴＯを検出してもよい。踵接地ＨＣのタイミングは、垂直方向加速度（Ｚ方向加速度）の時系列データに表れる急峻な極小ピークのタイミングである。急峻な極小ピークのタイミングにおいては、垂直方向加速度（Ｚ方向加速度）の値がほぼ０になる。踵接地ＨＣのタイミングの目印になる極小ピークは、一歩行周期分の歩行波形データの最小ピークに相当する。連続する踵接地ＨＣの間の区間が、一歩行周期である。爪先離地ＴＯのタイミングは、垂直方向加速度（Ｚ方向加速度）の時系列データが、踵接地ＨＣの直後の極大ピークの後に変動の小さい区間を経た後に、なだらかに増大する途中の変曲点のタイミングである。また、正規化部１２２は、進行方向加速度（Ｙ方向加速度）および垂直方向加速度（Ｚ方向加速度）の両方に基づいて、一歩行周期分の歩行波形データを抽出／正規化してもよい。また、正規化部１２２は、進行方向加速度（Ｙ方向加速度）および垂直方向加速度（Ｚ方向加速度）以外の加速度や角速度、角度等に基づいて、一歩行周期分の歩行波形データを抽出／正規化してもよい。
【0038】
抽出部１２３（抽出手段）は、正規化部１２２によって正規化された一歩行周期分の歩行波形データを取得する。抽出部１２３は、一歩行周期分の歩行波形データから、転倒リスク要因の推定に用いられる特徴量（第１特徴量とも呼ぶ）を抽出する。抽出部１２３によって抽出される特徴量の詳細については、後述する。抽出部１２３は、予め設定された条件に基づいて、時間的に連続する歩行フェーズを統合した歩行フェーズクラスターから、歩行フェーズクラスターごとの特徴量を抽出する。歩行フェーズクラスターは、少なくとも一つの歩行フェーズを含む。歩行フェーズクラスターには、単一の歩行フェーズも含まれる。転倒リスク要因の推定に用いられる特徴量の抽出元の歩行波形データや歩行フェーズについては、後述する。
【0039】
生成部１２５（生成手段）は、歩行フェーズクラスターを構成する歩行フェーズの各々から抽出された特徴量（第１特徴量）に特徴量構成式を適用して、歩行フェーズクラスターの特徴量（第２特徴量）を生成する。特徴量構成式は、歩行フェーズクラスターの特徴量を生成するために、予め設定された計算式である。例えば、特徴量構成式は、四則演算に関する計算式である。例えば、特徴量構成式を用いて算出される第２特徴量は、歩行フェーズクラスターに含まれる各歩行フェーズにおける第１特徴量の積分平均値や算術平均値、傾斜、ばらつきなどである。例えば、生成部１２５は、歩行フェーズクラスターを構成する歩行フェーズの各々から抽出された第１特徴量の傾斜やばらつきを算出する計算式を、特徴量構成式として適用する。例えば、歩行フェーズクラスターが単独の歩行フェーズで構成される場合は、傾斜やばらつきを算出できないため、積分平均値や算術平均値などを計算する特徴量構成式を用いればよい。
【0040】
特徴量データ出力部１２７（特徴量データ出力手段）は、生成部１２５によって生成された歩行フェーズクラスターごとの特徴量データ（第１特徴量データとも呼ぶ）を出力する。特徴量データ出力部１２７は、生成された歩行フェーズクラスターの特徴量データを、その特徴量データを用いた推定を実行する推定装置１３に出力する。
【0041】
〔推定装置〕
図８は、推定装置１３の構成の一例を示すブロック図である。推定装置１３は、データ取得部１３１、記憶部１３２、第１推定部１３３、特徴量構築部１３５、第２推定部１３７、および出力部１３９を有する。第１推定部１３３、特徴量構築部１３５、および第２推定部１３７は、推定部１３４を構成する。本実施形態において、推定装置１３は、被験者の履く履物に設置されたセンサ１１によって計測されたセンサデータを用いて、転倒リスクを推定する。推定装置１３は、センサデータの代わりに、モーションキャプチャによって計測されたデータを用いて、転倒リスクを推定するように構成されてもよい。
図８は、推定装置１３の構成の一例を示すブロック図である。推定装置１３は、データ取得部１３１、記憶部１３２、第１推定部１３３、特徴量構築部１３５、第２推定部１３７、および出力部１３９を有する。第１推定部１３３、特徴量構築部１３５、および第２推定部１３７は、推定部１３４を構成する。本実施形態において、推定装置１３は、被験者の履く履物に設置されたセンサ１１によって計測されたセンサデータを用いて、転倒リスクを推定する。推定装置１３は、センサデータの代わりに、モーションキャプチャによって計測されたデータを用いて、転倒リスクを推定するように構成されてもよい。
【0042】
データ取得部１３１（データ取得手段）は、被験者の歩行に応じて算出された特徴量データを歩容計測装置１０から取得する。データ取得部１３１が取得する特徴量データは、身体能力の推定に用いられる少なくとも一つの特徴量からなるベクトルである。データ取得部１３１は、被験者の特徴量データを第１推定部１３３および特徴量構築部１３５に出力する。
【0043】
また、データ取得部１３１は、被験者の属性データを取得する。属性データは、被験者のＢＭＩ（Body Mass Index）および年齢を含む。属性データは、被験者の性別や体格に関する情報を含んでもよい。例えば、体格に関する情報は、脚部や大腿部、下腿部、足の長さ等を含む。例えば、属性データは、入力装置（図示しない）を介して入力される。属性データは、推定装置１３に予め記憶させておいてもよい。データ取得部１３１は、被験者の属性データを第１推定部１３３および特徴量構築部１３５に出力する。
【0044】
例えば、データ取得部１３１は、無線通信を介して、歩容計測装置１０から特徴量データを受信する。データ取得部１３１は、Ｂｌｕｅｔｏｏｔｈ（登録商標）やＷｉＦｉ（登録商標）などの規格に則した無線通信機能（図示しない）を介して、特徴量データを歩容計測装置１０から受信するように構成される。なお、データ取得部１３１の通信機能は、Ｂｌｕｅｔｏｏｔｈ（登録商標）やＷｉＦｉ（登録商標）以外の規格に則していてもよい。データ取得部１３１は、ケーブルなどの有線を介して、歩容計測装置１０から特徴量データを受信するように構成されてもよい。
【0045】
記憶部１３２（記憶手段）は、推定モデル１５０を記憶する。推定モデル１５０は、身体能力推定モデル１５３、特徴量構築モデル１５５、および転倒リスク推定モデル１５７を含む。記憶部１３２は、複数の記憶領域を含む。身体能力推定モデル１５３、特徴量構築モデル１５５、および転倒リスク推定モデル１５７の各々は、単一の記憶部１３２に記憶されてもよいし、複数の記憶部１３２に分けて記憶されてもよい。身体能力推定モデル１５３、特徴量構築モデル１５５、および転倒リスク推定モデル１５７の各々の詳細については、後述する。
【0046】
例えば、身体能力推定モデル１５３、特徴量構築モデル１５５、および転倒リスク推定モデル１５７の各々は、後述する入力を説明変数とし、各々の推定対象を応答変数とする学習によって、予め構築されたモデルである。例えば、これらのモデルは、線形回帰のアルゴリズムを用いた学習によって構築される。例えば、これらのモデルは、サポートベクターマシン（ＳＶＭ：Support Vector Machine）のアルゴリズムを用いた学習によって構築される。例えば、これらのモデルは、ガウス過程回帰（ＧＰＲ：Gaussian Process Regression）のアルゴリズムを用いた学習によって構築される。例えば、これらのモデルは、ランダムフォレスト（ＲＦ：Random Forest）のアルゴリズムを用いた学習によって構築される。例えば、これらのモデルは、特徴量データに応じて、その特徴量データの生成元の被験者を分類する教師なし学習によって構築されてもよい。これらのモデルを構築する学習のアルゴリズムには、特に限定を加えない。
【0047】
身体能力推定モデル１５３、特徴量構築モデル１５５、および転倒リスク推定モデル１５７の各々は、製品の工場出荷時や、推定システム１をユーザが使用する前のキャリブレーション時等のタイミングで、記憶部１３２に記憶させておけばよい。例えば、身体能力推定モデル１５３、特徴量構築モデル１５５、および転倒リスク推定モデル１５７の各々は、外部のサーバ等の記憶装置に保存されたモデルであってもよい。その場合、その記憶装置と接続されたインターフェース（図示しない）を介して、それらのモデルを推定装置１３が用いるように構成されればよい。
【0048】
図９は、転倒リスク要因の一例をまとめた概念図である。転倒リスク要因は、属性因子Ａ１および身体能力因子Ａ２を含む。属性因子Ａ１は、データ取得部１３１によって取得された属性データである。図９の例の場合、属性因子Ａ１は、ＢＭＩおよび年齢を含む。身体能力因子Ａ２は、握力、動的バランス、下肢筋力、移動能力、および静的バランスといった身体能力に関する。これらの身体能力は、転倒リスクとの相関を有しており、歩容計測装置１０によって計測された特徴量データに基づいて推定できる。
【0049】
身体能力推定モデル１５３は、歩容計測装置によって計測された特徴量データを用いて、身体能力因子Ａ２を推定する。身体能力推定モデル１５３は、複数の被験者に関して学習された、身体能力因子Ａ２を推定するモデルである。身体能力推定モデル１５３は、特徴量データの入力に応じて、身体能力因子Ａ２に含まれる握力、動的バランス、下肢能力、移動能力、および静的バランスの各々の推定値を出力する。例えば、身体能力推定モデル１５３は、単一のモデルによって実現される。例えば、身体能力推定モデル１５３は、身体能力因子Ａ２に含まれる複数の身体能力ごとに、別々のモデルで構成されてもよい。その場合、複数の身体能力ごとのモデルは、別々のハードウェアに分散されてもよいし、単一のハードウェアに統合されてもよい。
【0050】
図１０は、特徴量データおよび属性データを用いた身体能力因子Ａ２の推定の一例について説明するための概念図である。図１０には、身体能力因子Ａ２の推定に用いられる身体能力推定モデル１５３を示す。図１０の例の場合、身体能力推定モデル１５３は、特徴量データおよび属性データの入力に応じて、身体能力因子Ａ２の推定値１６３を出力する。身体能力因子Ａ２の推定値１６３は、握力、動的バランス、下肢筋力、移動能力、および静的バランスの推定値を含む。身体能力因子Ａ２の推定値１６３は、特徴量構築部１３５による特徴量の構築に用いられる。
【0051】
身体能力因子Ａ２の一つである握力は、全身の総合筋力と相関関係がある。握力は、膝伸展力との間にも相関関係がある。また、握力は、性別や年齢、身長などの属性の影響を受ける。特に、握力は、性別の影響を受ける。男性の場合、大腿四頭筋の活動と握力との間に相関がある。そのため、大腿四頭筋の活動の特徴が表れる歩行フェーズには、男性の握力に関する特徴が含まれる。女性の場合、大腿四頭筋の外側広筋、中間広筋、および内側広筋の活動と握力との間に相関がある。そのため、外側広筋、中間広筋、および内側広筋の活動の特徴が表れる歩行フェーズには、女性の握力に関する特徴が含まれる。
【0052】
男性の握力に関する特徴量の一例として、特徴量ＡＭ１、特徴量ＡＭ２、特徴量ＡＭ３、および特徴量ＡＭ４が挙げられる。特徴量ＡＭ１は、進行方向加速度（Ｙ方向加速度）の時系列データに関する歩行波形データＡｙの歩行フェーズ３％の区間から抽出される。歩行フェーズ３％は、荷重応答期Ｔ１に含まれる。特徴量ＡＭ１には、主に、大腿四頭筋のうち外側広筋、中間広筋、および内側広筋の動きに関する特徴が含まれる。特徴量ＡＭ２は、進行方向加速度（Ｙ方向加速度）の時系列データに関する歩行波形データＡｙの歩行フェーズ５９～６２％の区間から抽出される。歩行フェーズ５９～６２％は、遊脚前期Ｔ４に含まれる。特徴量ＡＭ２には、主に、大腿四頭筋のうち大腿直筋の動きに関する特徴が含まれる。特徴量ＡＭ３は、垂直方向加速度（Ｚ方向加速度）の時系列データに関する歩行波形データＡｚの歩行フェーズ５９～６２％の区間から抽出される。歩行フェーズ５９～６２％は、遊脚前期Ｔ４に含まれる。特徴量ＡＭ３には、主に、大腿四頭筋のうち大腿直筋の動きに関する特徴が含まれる。特徴量ＡＭ４は、両足が地面に同時に接地している期間のうち、踵接地から反対足爪先離地までの期間の割合（ＤＳＴ１）である（ＤＳＴ：Double Support Time）。ＤＳＴ１は、一歩行周期における、踵接地から反対足爪先離地までの期間の割合である。特徴量ＡＭ４には、主に、大腿四頭筋に起因する特徴が含まれる。
【0053】
女性の握力に関する特徴量の一例として、特徴量ＡＦ１、特徴量ＡＦ２、および特徴量ＡＦ３が挙げられる。特徴量ＡＦ１は、横方向加速度（Ｘ方向加速度）の時系列データに関する歩行波形データＡｘの歩行フェーズ１３％の区間から抽出される。歩行フェーズ１３％は、立脚中期Ｔ２に含まれる。特徴量ＡＦ１には、主に、大腿四頭筋のうち外側広筋、中間広筋、および内側広筋の動きに関する特徴が含まれる。特徴量ＡＦ２は、冠状面内（Ｙ軸周り）の角速度（ピッチ角速度）の時系列データに関する歩行波形データＧｙの歩行フェーズ７～１０％の区間から抽出される。歩行フェーズ７～１０％は、荷重応答期Ｔ１に含まれる。特徴量ＡＦ２には、主に、外側広筋、中間広筋、および内側広筋の動きに関する特徴が含まれる。特徴量ＡＦ３は、両足が地面に同時に接地している期間のうち、反対足踵接地から爪先離地までの期間の割合（ＤＳＴ２）である（ＤＳＴ：Double Support Time）。ＤＳＴ２は、一歩行周期における、反対足踵接地から爪先離地までの期間の割合である。ＤＳＴ１とＤＳＴ２の和が、一歩行周期において、両足が地面に同時に接地している期間に相当する。特徴量ＡＦ３には、主に、外側広筋、中間広筋、および内側広筋の動きに関する特徴が含まれる。
【0054】
身体能力推定モデル１５３は、特徴量ＡＭ１、特徴量ＡＭ２、特徴量ＡＭ３、および特徴量ＡＭ４の入力に応じて、男性の握力の推定値を出力する。また、身体能力推定モデル１５３は、歩容計測装置１０から取得された特徴量ＡＦ１、特徴量ＡＦ２、および特徴量ＡＦ３の入力に応じて、女性の握力の推定値を出力する。身体能力推定モデル１５３は、握力の推定値ではなく、握力値に応じたスコアを出力するように構成されてもよい。この場合、握力の大小に応じて設定されるスコアが、握力の推定値に相当する。
【0055】
身体能力因子Ａ２の一つである動的バランスは、腰部の調和指標ＨＲ（Harmonic Ratio）によって評価できる。調和指標ＨＲは、左右方向、進行方向、および垂直方向の３方向について算出される。進行方向の調和指標ＨＲは、骨盤を中心とした前後方向（矢状面内）における腰の動きの円滑さに対応する。左右方向の調和指標ＨＲは、骨盤を中心とした上下方向（冠状面内）における腰の動きの円滑さに対応する。垂直方向の調和指標ＨＲは、骨盤を中心とした体の回転（水平面内）における腰の動きの円滑さに対応する。
【0056】
調和指標ＨＲは、右足の１歩分の１周期と、左足の１歩分の１周期とを含む２周期の加速度変化で、１歩行周期が成り立っていることに着目した指標である。調和指標ＨＲは、腰の動きの円滑さに関する指標である。調和指標ＨＲが小さい人は、転倒リスクや腰痛が進行している可能性がある。左右の足は、下腿および大腿を通じて、骨盤と連結される。左右の足から骨盤の間には股関節および膝関節が位置するが、歩行中における骨盤と腰部の周期性は同様である。そのため、左右の足の動きと腰の動きとには、互いに連動するフェーズがある。本実施形態においては、歩行に応じて計測されたセンサデータを用いて、腰の動きの円滑さに関する調和指標を推定する。
【0057】
調和指標ＨＲは、１歩行周期における腰部の加速度の時系列データに対するフーリエ変換で得られた周波数成分を用いて、計算できる。周波数成分には、歩行周期中の要素に該当する偶数番号（even Harmonics）の周波数成分（偶数成分）と、それから逸脱する要素である奇数番号（odd Harmonics）の周波数成分（奇数成分）とが含まれる。調和指標ＨＲは、垂直方向、進行方向、および左右方向の各々について計算される。垂直方向および進行方向の調和指標ＨＲは、偶数成分のパワー和と奇数成分のパワー和の比である。一方、左右方向の調和指標ＨＲは、１歩行周期における左右の足の１歩分（２歩）が１周期になるため、奇数成分のパワー和と偶数成分のパワー和の比である。左右の足は、下腿および大腿を通じて、骨盤と連結される。左右の足から骨盤の間には股関節および膝関節が位置するが、歩行中における骨盤と腰部の周期性は同様である。そのため、左右の足の動きと腰の動きとには、互いに連動するフェーズがある。
【0058】
身体能力推定モデル１５３は、歩容計測装置１０によって計測されたセンサデータ（時系列データ）の周波数成分の入力に応じて、動的バランスの推定値を出力する。身体能力推定モデル１５３は、動的バランスの推定値として、前後方向、左右方向、および垂直方向の調和指標ＨＲの推定値を出力する。身体能力推定モデル１５３は、歩容計測装置１０によって計測された特徴量データの入力に応じて、対数変換された周波数成分の奇数成分および偶数成分を出力するように構成されてもよい。その場合、第１推定部１３３が、対数変換された周波数成分の奇数成分および偶数成分を用いて、前後方向、左右方向、および垂直方向の調和指標ＨＲを計算するように、構成されればよい。身体能力推定モデル１５３は、調和指標ＨＲではなく、調和指標ＨＲに応じたスコアを出力するように構成されてもよい。この場合、調和指標ＨＲの値に応じて設定されるスコアが、動的バランスの推定値に相当する。
【0059】
身体能力因子Ａ２の一つである下肢筋力は、椅子立ち上がりテストの成績によって評価できる。例えば、椅子立ち上がりテストには、椅子の立ち座りを５回繰り返す５回椅子立ち上がりテストがある。５回椅子立ち上がりテストのことを、ＳＳ－５（Sit to Stand-5）テストとも呼ぶ。５回椅子立ち上がりテストの成績は、椅子の立ち座りを５回繰り返す時間（立ち座り時間とも呼ぶ）で評価する。立ち座り時間は、ＳＳ－５テストの成績値である。立ち座り時間が短いほど、ＳＳ－５テストの成績が高い。立ち座り時間は、３０秒間における椅子の立ち座り動作回数を計測する３０秒椅子立ち上がり（ＣＳ－３０）テストの成績で評価されてもよい。下肢筋力の指標は、立ち座り時間である。立ち座り時間は、大腿四頭筋や、ハムストリングス、前脛骨筋、腓腹筋との間に相関がある。そのため、これらの特徴が表れる歩行フェーズには、立ち座り時間に関する特徴が含まれる。
【0060】
立ち座り時間に関する特徴量の一例として、特徴量Ｃ１、特徴量Ｃ２、特徴量Ｃ３、および特徴量Ｃ４が挙げられる。特徴量Ｃ１は、矢状面内（Ｘ軸周り）における角速度の時系列データに関する歩行波形データＧｘの歩行フェーズ４２～５４％の区間から抽出される。歩行フェーズ４２～５４％は、立脚終期Ｔ３から遊脚前期Ｔ４にかけた区間である。特徴量Ｃ１には、主に、腓腹筋の動きに関する特徴が含まれる。特徴量Ｃ２は、冠状面内（Ｙ軸周り）における角速度の時系列データに関する歩行波形データＧｙの歩行フェーズ９９～１００％の区間から抽出される。歩行フェーズ９９～１００％は、遊脚終期Ｔ７の終盤である。特徴量Ｃ２には、主に、大腿四頭筋やハムストリングス、前脛骨筋の動きに関する特徴が含まれる。特徴量Ｃ３は、冠状面内（Ｙ軸周り）における角速度の時系列データに関する歩行波形データＧｙの歩行フェーズ１０～１２％の区間から抽出される。歩行フェーズ１０～１２％は、立脚中期Ｔ２の序盤である。特徴量Ｃ３には、主に、大腿四頭筋やハムストリングス、腓腹筋の動きに関する特徴が含まれる。特徴量Ｃ４は、水平面内（Ｚ軸周り）における角度（姿勢角）の時系列データに関する歩行波形データＥｚの歩行フェーズ９９％の区間から抽出される。歩行フェーズ９９％は、遊脚終期Ｔ７の終盤である。特徴量Ｃ４には、主に、大腿四頭筋やハムストリングス、前脛骨筋の動きに関する特徴が含まれる。
【0061】
身体能力推定モデル１５３は、歩容計測装置１０から取得された特徴量Ｃ１、特徴量Ｃ２、特徴量Ｃ３、および特徴量Ｃ４の入力に応じて、下肢筋力の推定値として、ＳＳ－５テストの成績値の推定値を出力する。身体能力推定モデル１５３は、ＳＳ－５テストの成績値の推定値ではなく、ＳＳ－５テストの成績値に応じたスコアを出力するように構成されてもよい。この場合、ＳＳ－５テストの成績値の大小に応じて設定されるスコアが、下肢筋力の推定値に相当する。
【0062】
身体能力因子Ａ２の一つである移動能力は、ＴＵＧ（Time Up and Go）テストの成績によって評価できる。例えば、ＴＵＧテストの成績は、椅子から立ち上がり、３ｍ（メートル）先の目印まで歩いて方向転換し、再び椅子に座るまでの時間（ＴＵＧ所要時間とも呼ぶ）で評価できる。ＴＵＧ所要時間は、ＴＵＧテストの成績値である。ＴＵＧ所要時間が短いほど、ＴＵＧテストの成績が高い。移動能力の指標は、ＴＵＧ所要時間である。ＴＵＧ所要時間は、大腿四頭筋や、中殿筋、前脛骨筋との間に相関がある。そのため、これらの特徴が表れる歩行フェーズには、ＴＵＧ所要時間に関する特徴が含まれる。大腿筋膜張筋の特徴は、歩行フェーズ０～４５％、８５～１００％に表れる。中殿筋の特徴は、歩行フェーズ０～２５％に表れる。前脛骨筋の特徴は、歩行フェーズ０～１０％、５７～１００％に表れる。
【0063】
移動能力に関する特徴量の一例として、特徴量Ｄ１、特徴量Ｄ２、特徴量Ｄ３、特徴量Ｄ４、特徴量Ｄ５、および特徴量Ｄ６が挙げられる。特徴量Ｄ１は、横方向加速度（Ｘ方向加速度）の時系列データに関する歩行波形データＡｘの歩行フェーズ６４～６５％の区間から抽出される。歩行フェーズ６４～６５％は、遊脚初期Ｔ５に含まれる。特徴量Ｄ１には、主に、立ち座り動作における大腿四頭筋の動きに関する特徴が含まれる。特徴量Ｄ２は、矢状面内（Ｘ軸周り）における角速度の時系列データに関する歩行波形データＧｘの歩行フェーズ５７～５８％の区間から抽出される。歩行フェーズ５７～５８％は、遊脚前期Ｔ４に含まれる。特徴量Ｄ２には、主に、足の蹴り出し速度に関連する大腿四頭筋の動きに関する特徴が含まれる。特徴量Ｄ３は、冠状面内（Ｙ軸周り）における角速度の時系列データに関する歩行波形データＧｙの歩行フェーズ１９～２０％の区間から抽出される。歩行フェーズ１９～２０％は、立脚中期Ｔ２に含まれる。特徴量Ｄ３には、主に、方向転換における中殿筋の動きに関する特徴が含まれる。特徴量Ｄ４は、水平面内（Ｚ軸周り）における角速度の時系列データに関する歩行波形データＥｚの歩行フェーズ１２～１３％の区間から抽出される。歩行フェーズ１２～１３％は、立脚中期Ｔ２の序盤である。特徴量Ｄ４には、主に、方向転換における中殿筋の動きに関する特徴が含まれる。特徴量Ｄ５は、水平面内（Ｚ軸周り）における角速度の時系列データに関する歩行波形データＥｚの歩行フェーズ７４～７５％の区間から抽出される。歩行フェーズ７４～７５％は、遊脚中期Ｔ６の序盤である。特徴量Ｄ５には、主に、立ち座りおよび方向転換における前脛骨筋の動きに関する特徴が含まれる。特徴量Ｄ６は、冠状面内（Ｙ軸周り）における角度（姿勢角）の時系列データに関する歩行波形データＥｙの歩行フェーズ７６～８０％の区間から抽出される。歩行フェーズ７６～８０％は、遊脚中期Ｔ６に含まれる。特徴量Ｄ６には、主に、立ち座りおよび方向転換における前脛骨筋の動きに関する特徴が含まれる。
【0064】
身体能力推定モデル１５３は、歩容計測装置１０から取得された特徴量Ｄ１、特徴量Ｄ２、特徴量Ｄ３、特徴量Ｄ４、特徴量Ｄ５、および特徴量Ｄ６の入力に応じて、移動能力の推定値として、ＴＵＧ所要時間の推定値を出力する。身体能力推定モデル１５３は、ＴＵＧ所要時間の推定値ではなく、ＴＵＧ所要時間に応じたスコアを出力するように構成されてもよい。この場合、ＴＵＧ所要時間の長短に応じて設定されるスコアが、移動能力の推定値に相当する。
【0065】
身体能力因子Ａ２の一つである静的バランスは、片脚立位テストの成績によって評価できる。片脚立位テストの成績は、目を閉じて、片脚を地面から５ｃｍ（センチメートル）挙上した状態を維持した時間（片脚立位時間とも呼ぶ）で評価できる。片脚立位時間は、静的バランスの成績値である。片脚立位時間が大きいほど、静的バランスの成績が高い。静的バランスは、閉眼片脚立位テスト以外の成績で評価されてもよい。例えば、静的バランスは、目を開けた状態での片脚立位テスト（開眼片脚立位テスト）や、その他の片脚立位テストのバリエーションで評価されてもよい。静的バランスの指標は、片脚立位時間である。片脚立位時間は、中殿筋や長内転筋、縫工筋、内外転筋肉群との間に相関がある。そのため、これらの特徴が表れる歩行フェーズには、に関する特徴が含まれる。
【0066】
静的バランスに関する特徴量の一例として、特徴量Ｅ１、特徴量Ｅ２、特徴量Ｅ３、特徴量Ｅ４、特徴量Ｅ５、特徴量Ｅ６、および特徴量Ｅ７が挙げられる。特徴量Ｅ１は、横方向加速度（Ｘ方向加速度）の時系列データに関する歩行波形データＡｘの歩行フェーズ１３－１９％の区間から抽出される。歩行フェーズ１３－１９％は、立脚中期Ｔ２に含まれる。特徴量Ｅ１には、主に、中殿筋の動きに関する特徴が含まれる。特徴量Ｅ２は、垂直方向加速度（Ｚ方向加速度）の時系列データに関する歩行波形データＡｚの歩行フェーズ９５％の区間から抽出される。歩行フェーズ９５％は、遊脚終期Ｔ７の終盤である。特徴量Ｅ２には、主に、中殿筋の動きに関する特徴が含まれる。特徴量Ｅ３は、冠状面内（Ｙ軸周り）における角速度の時系列データに関する歩行波形データＧｙの歩行フェーズ６４－６５％の区間から抽出される。歩行フェーズ６４－６５％は、遊脚初期Ｔ５に含まれる。特徴量Ｅ３には、主に、長内転筋および縫工筋の動きに関する特徴が含まれる。特徴量Ｅ４は、水平面内（Ｚ軸周り）における角速度の時系列データに関する歩行波形データＧｚの歩行フェーズ１１－１６％の区間から抽出される。歩行フェーズ１１－１６％は、立脚中期Ｔ２に含まれる。特徴量Ｅ４には、主に、中殿筋の動きに関する特徴が含まれる。特徴量Ｅ５は、水平面内（Ｚ軸周り）における角速度の時系列データに関する歩行波形データＧｚの歩行フェーズ５７－５８％の区間から抽出される。歩行フェーズ５７－５８％は、遊脚前期Ｔ４に含まれる。特徴量Ｅ５には、主に、長内転筋および縫工筋の動きに関する特徴が含まれる。特徴量Ｅ６は、水平面内（Ｚ軸周り）における角度（姿勢角）の時系列データに関する歩行波形データＥｚの歩行フェーズ１００％の区間から抽出される。歩行フェーズ１００％は、遊脚終期Ｔ７から荷重応答期Ｔ１に切り替わる踵接地のタイミングに相当する。歩行フェーズ１００％における歩行波形データＥｚの特徴量は、足裏が接地した状態における足角に相当する。特徴量Ｅ６には、主に、中殿筋の動きに関する特徴が含まれる。特徴量Ｅ７は、遊脚相において足の中心軸が進行軸から最も離れたタイミングにおける、進行軸と足の距離（分回し量）である。特徴量Ｅ７は、被験者の身長で規格化された分回し量である。特徴量Ｅ７には、主に、内外転筋肉群の動きに関する特徴が含まれる。
【0067】
身体能力推定モデル１５３は、歩容計測装置１０から取得された特徴量Ｅ１、特徴量Ｅ２、特徴量Ｅ３、特徴量Ｅ４、特徴量Ｅ５、特徴量Ｅ６、および特徴量Ｅ７の入力に応じて、静的バランスの推定値を出力する。身体能力推定モデル１５３は、静的バランスの推定値として、片脚立位時間の推定値を出力する。身体能力推定モデル１５３は、片脚立位時間の推定値ではなく、片脚立位時間に応じたスコアを出力するように構成されてもよい。この場合、片脚立位時間の長短に応じて設定されるスコアが、静的バランスの推定値に相当する。
【0068】
第１推定部１３３（第１推定手段）は、データ取得部１３１から特徴量データおよび属性データを取得する。第１推定部１３３は、取得された特徴量データおよび属性データを用いて、身体能力因子Ａ２を推定する。第１推定部１３３は、特徴量データおよび属性データを身体能力推定モデル１５３に入力して、その身体能力推定モデル１５３からの出力に応じて、身体能力因子Ａ２を推定する。第１推定部１３３は、身体能力因子Ａ２の推定結果を特徴量構築部１３５に出力する。クラウドやサーバ等に構築された外部の記憶装置に保存されたモデルを用いる場合、第１推定部１３３は、その記憶装置と接続されたインターフェース（図示しない）を介して、モデルを用いるように構成される。
【0069】
特徴量構築モデル１５５は、身体能力因子Ａ２の推定値および属性データを主成分分析して、特徴量（主成分とも呼ぶ）を構築するモデルである。例えば、特徴量構築モデル１５５は、学習データに基づいて予め構築された主成分計算式である。特徴量構築モデル１５５は、身体能力因子Ａ２の推定値および属性データの入力に応じて、主成分分析ＰＣＡ（Principal Component Analysis）を実行する。特徴量構築モデル１５５は、少なくとも一つの主成分を含む主成分ベクトルＰＣＶ（Principal Component Vector）を出力する。特徴量構築モデル１５５は、転倒リスク要因に関連する主成分のみを出力するように構成されてもよい。
【0070】
例えば、特徴量構築モデル１５５は、転倒経験の有無によって２群に分類された複数の被験者に関する指標を主成分分析して、主成分ベクトルＰＳＶを構築する。例えば、特徴量構築モデル１５５は、２群間の分布の離れ具合を定量評価するための指標であるＣｏｈｅｎのｄを出力する。Ｃｏｈｅｎのｄは、２つの標本間における平均値の差を標準偏差で割って標準化した値（効果量）である。Ｃｏｈｅｎのｄは、２つの標本の平均値がどれだけ離れているかを表す。Ｃｏｈｅｎのｄの値が大きいほど、２つの標本における平均値が離れていることになるため、転倒リスクの推定に有効である。特徴量構築モデル１５５が出力する値は、Ｃｏｈｅｎのｄに限定されない。例えば、特徴量構築モデル１５５は、Ｈｅｄｇｅｓのｇを出力するように構成されてもよい。
【0071】
図１１は、身体能力因子Ａ２の推定値１６３および属性データ１６１を用いた主成分分析ＰＣＡの一例について説明するための概念図である。図１１には、主成分分析ＰＣＡを実行する特徴量構築モデル１５５を示す。図１１の例の場合、特徴量構築モデル１５５は、身体能力因子Ａ２の推定値１６３および属性データ１６１の入力に応じて主成分分析ＰＣＡを実行し、少なくとも一つの主成分（ＰＣＶ＿１、ＰＣＶ＿２、・・・、ＰＣＶ＿Ｎ）を出力する（Ｎは自然数）。転倒リスク要因を判別できれば、特徴量構築モデル１５５から出力される主成分ＰＣＶの数には、特に限定を加えない。例えば、特徴量構築モデル１５５は、属性因子Ａ１と、身体能力因子Ａ２に関するスコアとの入力に応じて、少なくとも一つの主成分ＰＣＶを出力するように構成されてもよい。
【0072】
特徴量構築部１３５（特徴量構築手段）は、身体能力因子Ａ２の推定値１６３および属性データ１６１を用いて、転倒リスク要因の推定に用いられる特徴量を構築する。具体的には、特徴量構築部１３５は、身体能力因子Ａ２の推定値１６３および属性データ１６１を特徴量構築モデル１５５に入力し、特徴量構築モデル１５５から出力される主成分ベクトルＰＳＶを特徴量データ１６５として構築する。特徴量データ１６５は、少なくとも一つの主成分を含む主成分ベクトルＰＳＶである。特徴量構築部１３５は、特徴量構築モデル１５５から出力された特徴量データ１６５を、第２推定部１３７に出力する。特徴量構築部１３５は、特徴量構築モデル１５５から出力された特徴量データ１６５に含まれる主成分ベクトルＰＳＶのうち、転倒リスク要因の推定に用いられる主成分のみを、第２推定部１３７に出力するように構成されてもよい。
【0073】
転倒リスク推定モデル１５７は、特徴量構築部１３５によって構築された特徴量データ１６５を用いて、転倒リスク要因に関連するスコア（転倒リスクスコアとも呼ぶ）を推定する。転倒リスク推定モデル１５７は、複数の被験者に関して学習された、転倒リスクを推定するモデルである。第２推定モデルは、特徴量構築部１３５によって構築された特徴量データ１６５の入力に応じて、転倒リスクスコアを出力する。
【0074】
また、転倒リスク推定モデル１５７は、特徴量データ１６５の入力に応じて、転倒リスクに応じた対処法を出力するように構成されてもよい。転倒リスク推定モデル１５７によって推定される転倒リスクに応じた対処法については、特に限定を加えない。例えば、転倒リスク推定モデル１５７は、特徴量データ１６５の入力に応じて、転倒リスクを低減するための対処法を出力する。例えば、転倒リスク推定モデル１５７は、特徴量データ１６５の入力に応じて、転倒リスクを回避するための対処法を出力する。例えば、転倒リスク推定モデル１５７は、特徴量データ１６５の入力に応じて、転倒リスクを回避するための対処法を第３者に通知するための通知情報を出力する。
【0075】
図１２は、特徴量構築部１３５によって構築された特徴量データ１６５を用いた転倒スコアの推定の一例について説明するための概念図である。図１２には、特徴量構築部１３５によって構築された複数の特徴量（主成分ＰＣＶ）の全てを用いて、転倒スコアを推定する例を示す。例えば、特徴量構築部１３５によって構築された複数の特徴量（主成分ＰＣＶ）のうち、一部の（主成分ＰＣＶ）を用いて、転倒スコアを推定するように構成されてもよい。
【0076】
第２推定部１３７（第２推定手段）は、特徴量構築部１３５から特徴量データ（主成分ＰＣＶ）を取得する。第２推定部１３７は、取得した特徴量データ（主成分ＰＣＶ）を用いて、転倒リスクスコアを推定する。第２推定部１３７は、特徴量データ（主成分ＰＣＶ）を転倒リスク推定モデル１５７に入力し、転倒リスク推定モデル１５７から出力される転倒リスクスコアを推定する。第２推定部１３７は、推定した転倒リスクスコアを出力部１３９に出力する。また、第２推定部１３７は、特徴量構築部１３５から身体能力因子Ａ２の推定値１６３を取得する。第２推定部１３７は、取得した身体能力因子Ａ２の推定値１６３のうちいずれかを出力部１３９に出力する。
【0077】
第２推定部１３７は、転倒リスクスコアや、身体能力因子Ａ２の推定値１６３に基づいて、転倒リスクに応じた対処法を推定するように構成されてもよい。その場合、第２推定部１３７は、第２推定部１３７によって推定される転倒リスクに応じた対処法については、特に限定を加えない。例えば、第２推定部１３７は、転倒リスクスコアが所定の閾値を越えた場合、転倒リスクを低減するための対処法や、転倒を回避するための対処法を出力する。例えば、第２推定部１３７は、転倒リスクスコアが所定の閾値を越えた場合、転倒を回避するための対処法を第３者に通知するための通知情報を出力する。特徴量データ１６５の入力に応じて転倒リスクに応じた対処法を出力するように転倒リスク推定モデル１５７が構成されている場合、第２推定部１３７は、転倒リスク推定モデル１５７から出力される対処法を出力すればよい。
【0078】
出力部１３９（出力手段）は、転倒リスクスコアや、身体能力因子Ａ２の推定値、転倒リスクに応じた対処法などの転倒リスク情報を、第２推定部１３７から取得する。出力部１３９は、取得した転倒リスク情報を出力する。例えば、出力部１３９は、被験者（ユーザ）の携帯端末の画面に、転倒リスク情報を表示させる。例えば、出力部１３９は、転倒リスク情報を使用する外部システム等に対して、その転倒リスク情報を出力する。推定装置１３から出力された転倒リスク情報の使用に関しては、特に限定を加えない。
【0079】
例えば、推定装置１３は、被験者（ユーザ）が携帯する携帯端末（図示しない）を介して、クラウドやサーバに構築された外部システム等に接続される。携帯端末（図示しない）は、携帯可能な通信機器である。例えば、携帯端末は、スマートフォンや、スマートウォッチ、携帯電話等の通信機能を有する携帯型の通信機器である。例えば、推定装置１３は、ケーブルなどの有線を介して、携帯端末に接続される。例えば、推定装置１３は、無線通信を介して、携帯端末に接続される。例えば、推定装置１３は、Ｂｌｕｅｔｏｏｔｈ（登録商標）やＷｉＦｉ（登録商標）などの規格に則した無線通信機能（図示しない）を介して、携帯端末に接続される。なお、推定装置１３の通信機能は、Ｂｌｕｅｔｏｏｔｈ（登録商標）やＷｉＦｉ（登録商標）以外の規格に則していてもよい。転倒リスクの推定結果は、携帯端末にインストールされたアプリケーションによって使用されてもよい。その場合、携帯端末は、その携帯端末にインストールされたアプリケーションソフトウェア等によって、推定結果を用いた処理を実行する。
【0080】
〔主成分分析〕
次に、転倒経験の有無によって２群に分類された複数の被験者に関する指標を主成分分析して、主成分ベクトルＰＳＶを構築する一例について説明する。ここでは、主成分ベクトルＰＳＶの一例として、２群間の分布の離れ具合を定量評価するための指標であるＣｏｈｅｎのｄを用いる例について説明する。
次に、転倒経験の有無によって２群に分類された複数の被験者に関する指標を主成分分析して、主成分ベクトルＰＳＶを構築する一例について説明する。ここでは、主成分ベクトルＰＳＶの一例として、２群間の分布の離れ具合を定量評価するための指標であるＣｏｈｅｎのｄを用いる例について説明する。
【0081】
図１３は、転倒経験の有無によって２群に分類された複数の被験者に関する指標を主成分分析することで構築された主成分ベクトルＰＳＶの一例である。図１３は、転倒経験がない４０名の被験者（非転倒群）と、転倒経験がある２４名の被験者（転倒群）とに関して、主成分分析が行われた例を示す。図１３には、９個の主成分ＰＳＶ１～ＰＳＶ９に関して算出されたＣｏｈｅｎのｄを示す。Ｃｏｈｅｎのｄは、以下の式１を用いて計算される。
【0082】
【数1】
【0083】
【数2】
【0084】
図１３のＣｏｈｅｎのｄに関しては、ＰＳＶ１、ＰＳＶ３、ＰＳＶ７の値が、他のＰＳＶと比べて大きい。すなわち、ＰＳＶ１、ＰＳＶ３、ＰＳＶ７に関するＣｏＨｅｎのｄは、転倒リスクの推定に有効である。
【0085】
図１４は、図１３の主成分と、属性因子Ａ１または身体能力因子Ａ２との相関係数をまとめた表である。相関係数は、主成分分析ＰＳＡの計算の途中で算出され、スコアを再構築するための共分散行列の値である。相関係数は、入力値である属性因子Ａ１または身体能力因子Ａ２と、各々のＰＣＶとの相関を示す。相関係数の絶対値が大きいほど、属性因子Ａ１または身体能力因子Ａ２と、各々のＰＣＶとの相関が大きい。図１４の表においては、動的バランスの指標である調和指標ＨＲを、垂直方向の調和指標ＨＲ１、左右方向の調和指標ＨＲ２、および進行方向の調和指標ＨＲ３の３方向に分けて示す。
【0086】
図１４の表によると、ＰＣＶ１、ＰＣＶ３、およびＰＣＶ７に関する相関係数が０．６以上の高い値を示している。ＰＣＶ１は、年齢との相関が高いため、加齢因子と呼ぶ。ＰＣＶ３は、握力との相関が高いため、握力因子と呼ぶ。ＰＣＶ７は、調和指標ＨＲ（動的バランス）との相関が高いため、動的バランス因子と呼ぶ。
【0087】
次に、図１４の表に基づいて、ＰＣＶ１、ＰＣＶ３、およびＰＣＶ７を単独、もしくは組み合わせて学習させた転倒リスク推定モデル１５７の汎化性能を、ｋ分割交差検証によって検証した一例を示す。
【0088】
図１５～図１７は、上述した非転倒群の４０名と転倒群の２４名の被験者に関する６４個の訓練データセットを用いて、１０分割交差検証を行った結果を示すＲＯＣ（Receiver Operating Characteristic）曲線である。図１５～図１７のグラフにおいて、横軸は偽陽性率であり、縦軸は真陽性率である。ＲＯＣ曲線の下方の面積ＡＵＣ（Area Under the Curve）が大きいほど、転倒リスク推定モデル１５７の精度が高い。
【0089】
図１５は、握力因子（ＰＣＶ３）を用いた学習で構築された転倒リスク推定モデル１５７に関して、１０分割交差検証を行った結果を示すＲＯＣ曲線である。図１５の検証例は、転倒経験の有無に応じて分類された２群間の分布の離れ具合を示す指標が所定値を超える１つの主成分を第２特徴量として用いた学習によって構築された転倒リスク推定モデル１５７の例である。握力因子（ＰＣＶ３）のみを用いた学習で構築された転倒リスク推定モデル１５７に関する１０分割交差検証の結果、ＡＵＣは０．６７であった。
【0090】
図１６は、加齢因子（ＰＣＶ１）および握力因子（ＰＣＶ３）を用いた学習で構築された転倒リスク推定モデル１５７に関して、１０分割交差検証を行った結果を示すＲＯＣ曲線である。図１６の検証例は、転倒経験の有無に応じて分類された２群間の分布の離れ具合を示す指標が所定値を超える２つの主成分を第２特徴量として用いた学習によって構築された転倒リスク推定モデル１５７の例である。握力因子（ＰＣＶ３）と加齢因子（ＰＣＶ１）と握力因子（ＰＣＶ３）を用いた学習で構築された転倒リスク推定モデル１５７に関する１０分割交差検証の結果、ＡＵＣは０．７３であった。
【0091】
図１７は、加齢因子（ＰＣＶ１）、握力因子（ＰＣＶ３）、および動的バランス因子（ＯＰＣＶ７）を用いた学習で構築された転倒リスク推定モデル１５７に関して、１０分割交差検証を行った結果を示すＲＯＣ曲線である。図１７の検証例は、転倒経験の有無に応じて分類された２群間の分布の離れ具合を示す指標が所定値を超える３つの主成分を第２特徴量として用いた学習によって構築された転倒リスク推定モデル１５７の例である。加齢因子（ＰＣＶ１）、握力因子（ＰＣＶ３）、および動的バランス因子（ＯＰＣＶ７）を用いた学習で構築された転倒リスク推定モデル１５７に関する１０分割交差検証の結果、ＡＵＣは０．８０であった。
【0092】
図１５～図１７の検証の結果、単独の身体能力因子を用いて構築された転倒リスク推定モデル１５７よりも、複数の身体能力因子を組み合わせて構築された転倒リスク推定モデル１５７の方の精度が高かった。すなわち、複数の身体能力因子を組み合わせて構築された方が、転倒リスク推定モデル１５７の精度が高い。
【0093】
〔転倒リスク〕
次に、上述した非転倒群（４０名）および転倒群（２４名）からなる被験者群（６４名）に関する転倒リスクスコアの計算例について説明する。ここでは、フィッシャーの線形判別分析とマハラノビス距離を用いて算出された事後確率で転倒リスクを表現する例を示す。以下の計算は、市販の数値解析ソフトウェア（Ｍａｔｌａｂ：登録商標）を用いて行われた例である。以下の例においては、非転倒群をクラス１とし、転倒群をクラス２とする。
次に、上述した非転倒群（４０名）および転倒群（２４名）からなる被験者群（６４名）に関する転倒リスクスコアの計算例について説明する。ここでは、フィッシャーの線形判別分析とマハラノビス距離を用いて算出された事後確率で転倒リスクを表現する例を示す。以下の計算は、市販の数値解析ソフトウェア（Ｍａｔｌａｂ：登録商標）を用いて行われた例である。以下の例においては、非転倒群をクラス１とし、転倒群をクラス２とする。
【0094】
被験者群（６４名）におけるクラス１（非転倒群）およびクラス２（転倒群）の事前確率Ｐｒｉｏｒは、以下の式３で表現される。
【0095】
【数3】
【0096】
クラス１（非転倒群）の入力値（ＰＣＶ１、ＰＣＶ３、ＰＣＶ７）のクラス平均Ｍｕ１は、以下の式４で表現される。
【0097】
【数4】
【0098】
【数5】
【0099】
【数6】
【0100】
【数7】
【0101】
【数8】
【0102】
ここで、以下の式９によって、クラスごとに変数Ｐを定義する。
【0103】
【数9】
【0104】
以下の式１０の演算によって、２つの要素のうち大きい方が抽出される。
【0105】
【数10】
【0106】
【数11】
【0107】
【数12】
クラス２（転倒群）の事後確率Ｐｏｓｔｅｒｉｏｒ（２）が、転倒リスクスコアである。
【0108】
次に、実際の身体能力テストで計測された握力（真値）を用いて構築されたモデルと、本実施形態の手法で構築されたモデルとの比較結果を示す。
【0109】
図１８は、実際の身体能力テストで計測された握力（真値）を用いて学習させた転倒リスク推定モデル１５７に関して、１０分割交差検証を行った結果を示すＲＯＣ曲線である。図１８において、横軸が偽陽性率であり、縦軸が真陽性率である。握力（真値）を用いた学習で構築された転倒リスク推定モデル１５７に関する１０分割交差検証の結果、ＡＵＣは０．８０であった。
【0110】
図１９は、握力の実測値（真値）を用いて構築されたモデルによって推定された転倒リスクスコア（真値）と、本実施形態の手法で推定された転倒リスクスコア（推定値）との相関を示すグラフである。図１９において、横軸がスコア（真値）であり、縦軸がスコア（推定値）である。転倒リスクスコア（真値）と転倒リスクスコア（推定値）の級内相関係数ＩＣＣ（２、１）は、０．７６８６であった。すなわち、転倒リスクスコア（真値）と転倒リスクスコア（推定値）の間には、十分な相関がある。
【0111】
図２０～図２１は、新規の被験者を含めて、握力（真値）と握力（推定値）を用いて構築された転倒リスク推定モデル１５７によって推定された転倒リスクスコアの度数分布を示すグラフである。破線は、転倒群の被験者（２４名）に関する転倒リスクスコアの度数分布である。一点鎖線は、非転倒群の被験者（４０名）に関する転倒リスクスコアの度数分布である。実線は、新規の被験者（１０名）に関する転倒リスクスコアの度数分布である。
【0112】
図２０は、握力（真値）を用いて構築された転倒リスク推定モデル１５７によって推定された転倒リスクスコアの度数分布を示すグラフである。図２１は、握力（推定値）を用いて構築された転倒リスク推定モデル１５７によって推定された転倒リスクスコアの度数分布を示すグラフである。図２０と図２１を比較すると、握力（真値）および握力（推定値）のいずれを用いて構築された転倒リスク推定モデル１５７に関しても、同様の分布が得られている。また、学習に用いられていない新規の被験者に関しても、同様の分布が得られているため、本実施形態の手法を用いて構築された転倒リスク推定モデル１５７には十分な汎化性能がある。
【0113】
（動作）
次に、推定システム１の動作について図面を参照しながら説明する。以下においては、推定システム１に含まれる歩容計測装置１０および推定装置１３について、個別に説明する。歩容計測装置１０に関しては、歩容計測装置１０に含まれる特徴量データ生成部１２の動作について説明する。
次に、推定システム１の動作について図面を参照しながら説明する。以下においては、推定システム１に含まれる歩容計測装置１０および推定装置１３について、個別に説明する。歩容計測装置１０に関しては、歩容計測装置１０に含まれる特徴量データ生成部１２の動作について説明する。
【0114】
〔歩容計測装置〕
図２２は、歩容計測装置１０の動作の一例について説明するためのフローチャートである。図２２のフローチャートに沿った説明においては、歩容計測装置１０に含まれる特徴量データ生成部１２を動作主体として説明する。
図２２は、歩容計測装置１０の動作の一例について説明するためのフローチャートである。図２２のフローチャートに沿った説明においては、歩容計測装置１０に含まれる特徴量データ生成部１２を動作主体として説明する。
【0115】
図２２において、まず、特徴量データ生成部１２は、歩行に応じて計測されたセンサデータの時系列データを取得する（ステップＳ１０１）。
【0116】
次に、特徴量データ生成部１２は、センサデータの時系列データから一歩行周期分の歩行波形データを抽出する（ステップＳ１０２）。特徴量データ生成部１２は、センサデータの時系列データから踵接地および爪先離地を検出する。特徴量データ生成部１２は、連続する踵接地間の区間の時系列データを、一歩行周期分の歩行波形データとして抽出する。
【0117】
次に、特徴量データ生成部１２は、抽出された一歩行周期分の歩行波形データを正規化する（ステップＳ１０３）。特徴量データ生成部１２は、一歩行周期分の歩行波形データを０～１００％の歩行周期に正規化する（第１正規化）。さらに、特徴量データ生成部１２は、第１正規化された一歩行周期分の歩行波形データの立脚相と遊脚相の比を６０：４０に正規化する（第２正規化）。
【0118】
次に、特徴量データ生成部１２は、正規化された歩行波形に関して、転倒リスクの推定に用いられる歩行フェーズから特徴量を抽出する（ステップＳ１０４）。例えば、特徴量データ生成部１２は、予め構築された推定モデル（第１推定モデル）に入力される特徴量を抽出する。
【0119】
次に、特徴量データ生成部１２は、抽出された特徴量を用いて、歩行フェーズクラスターごとの特徴量を生成する（ステップＳ１０５）。
【0120】
次に、特徴量データ生成部１２は、歩行フェーズクラスターごとの特徴量を統合して、一歩行周期分の特徴量データを生成する（ステップＳ１０６）。
【0121】
次に、特徴量データ生成部１２は、生成された特徴量データを推定装置１３に出力する（ステップＳ１０７）。
【0122】
【0123】
図２３において、まず、推定装置１３は、歩行に応じて計測されたセンサデータを用いて生成された特徴量データを取得する（ステップＳ１１１）。
【0124】
次に、推定装置１３は、取得した特徴量データおよび属性データを身体能力推定モデル１５３に入力して、被験者の身体能力を推定する（ステップＳ１１２）。
【0125】
次に、推定装置１３は、推定された身体能力および属性データを特徴量構築モデル１５５に入力して、特徴量（主成分）を推定する（ステップＳ１１３）。
【0126】
次に、推定装置１３は、推定された特徴量を転倒リスク推定モデル１５７に入力して、
転倒リスクスコアを推定する（ステップＳ１１４）。
転倒リスクスコアを推定する（ステップＳ１１４）。
【0127】
次に、推定装置１３は、推定された転倒リスクスコアや、身体能力因子Ａ２の推定値、転倒リスクに応じた対処法などの転倒リスク情報を出力する（ステップＳ１１５）。例えば、転倒リスク情報は、ユーザの携帯する端末装置（図示しない）に出力される。例えば、転倒リスク情報は、その転倒リスク情報を用いた処理を実行するシステムに出力される。
【0128】
（適用例）
次に、本実施形態に係る適用例について図面を参照しながら説明する。以下の適用例において、靴に配置された歩容計測装置１０によって計測された特徴量データを用いて、ユーザが携帯する携帯端末にインストールされた推定装置１３の機能が、転倒リスク情報を推定する例を示す。
次に、本実施形態に係る適用例について図面を参照しながら説明する。以下の適用例において、靴に配置された歩容計測装置１０によって計測された特徴量データを用いて、ユーザが携帯する携帯端末にインストールされた推定装置１３の機能が、転倒リスク情報を推定する例を示す。
【0129】
図２４～図２５は、歩容計測装置１０が配置された靴１００を履いて歩行するユーザの携帯する携帯端末１８０の画面に、推定装置１３による推定結果を表示させる一例を示す概念図である。図２４～図２５は、ユーザの歩行に応じて計測されたセンサデータに基づく特徴量データを用いた転倒リスクの推定結果に応じた転倒リスク情報を、携帯端末１８０の画面に表示させる例である。
【0130】
図２４は、転倒リスク情報が、携帯端末１８０の画面に表示される一例である。図２４の例では、身体能力因子Ａ２ごとのスコアの値に応じたレーダーチャートが、携帯端末１８０の画面に表示される。ＳＡは、握力（総合筋力）に関するスコアである。ＳＢは、動的バランスに関するスコアである。ＳＣは、下肢筋力に関するスコアである。ＳＤは、移動能力に関するスコアである。ＳＥは、静的バランスに関するスコアである。図２４の例では、「静的バランススコアＳＥが低いです」という身体能力に関する情報が、携帯端末１８０の画面に表示される。携帯端末１８０の表示部に表示された転倒リスク情報を確認したユーザは、他の身体能力因子のＡ２と比べて、静的バランススコアＳＥが低いことを確認できる。
【0131】
推定された転倒リスク情報は、ユーザ以外に提供されてもよい。例えば、転倒リスク情報は、ユーザの体調管理を行うトレーナーや、ユーザの家族などの使用する端末装置（図示しない）に出力されてもよい。例えば、転倒リスク情報は、健康管理等の目的で構築されたデータベース（図示しない）に記録されてもよい。
【0132】
図２５は、転倒リスクの推定結果に応じた転倒リスク情報が、携帯端末１８０の画面に表示される別の一例である。図２５の例では、転倒リスクの推定結果に応じて、「転倒リスクが高まっています。」という転倒リスク情報が、携帯端末１８０の画面に表示される。また、図２５の例では、転倒リスクの推定も用いられた５つの身体能力因子Ａ２のうち、スコアの低かった静的バランスに関する情報が、携帯端末１８０の表示部に表示される。図２５の例では、静的バランススコアＳＥの推定値に応じて、「静的バランスが低下しています。」という静的バランスに関する情報が、携帯端末１８０の表示部に表示される。さらに、図２５の例では、静的バランススコアＳＥの推定値に応じて、「トレーニングＺを推奨します。下記の動画をご覧ください。」という静的バランスの推定結果に応じた推薦情報が、携帯端末１８０の表示部に表示される。携帯端末１８０の表示部に表示された情報を確認したユーザは、推薦情報に応じてトレーニングＺの動画を参照して運動することによって、静的バランスの増大につながるトレーニングを実践できる。
【0133】
以上のように、本実施形態の推定システムは、歩容計測装置および推定装置を備える。歩容計測装置は、転倒リスク要因の推定対象である被験者の履物に設置される。歩容計測装置は、センサと特徴量データ生成部を備える。センサは、加速度センサおよび角速度センサを有する。センサは、空間加速度および空間角速度を計測する。センサは、計測した空間加速度および空間角速度を用いて歩行に応じたセンサデータを生成し、生成したセンサデータを出力する。特徴量データ生成部は、センサデータの時系列データから一歩行周期分の歩行波形データを抽出する。特徴量データ生成部は、抽出された歩行波形データを正規化し、正規化された歩行波形データから転倒リスク要因の推定に用いられる第１特徴量を抽出する。特徴量データ生成部は、抽出された第１特徴量を含む第１特徴量データを生成し、生成された第１特徴量データを推定装置に出力する。
【0134】
推定装置は、データ取得部、記憶部、推定部、および出力部を備える。データ取得部は、被験者の歩行に応じて計測された身体能力に関する第１特徴量データと、被験者の属性データとを取得する。記憶部は、推定モデルを記憶する。推定モデルは、第１特徴量データおよび属性データの入力に応じて、転倒リスク要因に関連する少なくとも一つの身体能力因子を推定する。推定モデルは、属性データに含まれる属性因子および推定された身体能力因子を主成分分析して第２特徴量を構築する。推定モデルは、構築された第２特徴量を用いて転倒リスクスコアを出力する。推定部は、取得された第１特徴量データおよび属性データを推定モデルに入力し、推定モデルから出力された少なくとも一つの身体能力因子を用いて、転倒リスク情報を推定する。出力部は、推定された転倒リスク情報を出力する。
【0135】
本実施形態の推定システムは、被験者の履物に設置された歩容計測装置によって、その被験者の身体能力に関する第１特徴量データを生成する。本実施形態の推定システムは、生成された第１特徴量データと被験者の属性データとを用いて、その被験者の転倒リスクを推定する。すなわち、本実施形態によれば、歩行に応じて計測された身体能力に関するデータを用いて、転倒リスクを推定できる。
【0136】
本実施形態の一態様において、データ取得部は、第１特徴量データを取得する。第１特徴量データは、歩行に応じて計測されたセンサデータの時系列データを用いて生成された歩行波形データから抽出された、転倒リスク要因に関連する少なくとも一つの身体能力因子を推定するために用いられる。記憶部は、身体能力推定モデル、特徴量構築モデル、および転倒リスク推定モデルを記憶する。身体能力推定モデルは、第１特徴量データおよび属性データの入力に応じて、少なくとも一つの身体能力因子を出力する。特徴量構築モデルは、少なくとも一つの属性因子および少なくとも一つの身体能力因子の入力に応じて、少なくとも一つの属性因子および少なくとも一つの身体能力因子を主成分分析し、少なくとも一つの第２特徴量を出力する。転倒リスク推定モデルは、少なくとも一つの第２特徴量の入力に応じて転倒リスクスコアを出力する。推定部は、第１推定部、特徴量構築部、および第２推定部を有する。第１推定部は、第１特徴量データおよび属性データを身体能力推定モデルに入力し、身体能力推定モデルから出力された少なくとも一つの身体能力因子を、被験者の身体能力として推定する。特徴量構築部は、少なくとも一つの属性因子および少なくとも一つの身体能力因子を特徴量構築モデルに入力して少なくとも一つの第２特徴量を構築する。
【0137】
第２推定部は、少なくとも一つの前第２特徴量を転倒リスク推定モデルに入力し、転倒リスク推定モデルから出力された転倒リスクスコアを用いて、被験者に関する転倒リスク情報を推定する。
【0138】
本態様によれば、身体能力推定モデル、特徴量構築モデル、および転倒リスク推定モデルを用いて、身体能力因子や転倒リスクスコアを含む転倒リスク情報を推定できる。
【0139】
本実施形態の一態様において、属性データは、属性因子として、被験者のＢＭＩ（Body Mass Index）および年齢を含む。本態様によれば、被験者の属性因子を含めたデータを用いて、転倒リスク情報を推定できる。
【0140】
本実施形態の一態様において、身体能力推定モデルは、属性データおよび第１特徴量データの入力に応じて、握力、動的バランス、下肢筋力、移動能力、および静的バランスに関する推定値を、身体能力因子として出力する。そのため、本態様によれば、被験者の握力、動的バランス、下肢筋力、移動能力、および静的バランスといった身体能力に応じて、転倒リスク情報を推定できる。
【0141】
本実施形態の一態様において、身体能力推定モデルは、握力の推定値として、被験者の握力値を出力する。身体能力推定モデルは、動的バランスの推定値として、進行方向、垂直方向、および左右方向における腰部の調和指標を出力する。身体能力推定モデルは、下肢筋力の推定値として、椅子立ち上がりテストにおける立ち座り時間を出力する。身体能力推定モデルは、移動能力の推定値として、ＴＵＧ（Time Up and Go）テストにおけるＴＵＧ所要時間を出力する。身体能力推定モデルは、静的バランスの推定値として、片脚立位テストにおける片脚立位時間を出力する。本態様によれば、身体能力に関する具体的な推定値を出力する身体能力推定モデルを用いることによって、身体能力に適合した転倒リスクを推定できる。
【0142】
本実施形態の一態様において、転倒リスク推定モデルは、転倒経験の有無に応じて分類された２群間の分布の離れ具合を示す指標が所定値を超える主成分を第２特徴量として用いた学習によって構築される。第２推定部は、特徴量構築部によって構築された複数の第２特徴量のうち、転倒リスク推定モデルの構築に用いられた少なくとも一つの第２特徴量を転倒リスク推定モデルに入力して、転倒リスクスコアを推定する。本態様によれば、転倒経験の有無に応じた指標に基づく第２特徴量を学習させた転倒リスク推定モデルを用いることで、より高精度に転倒リスクを推定できる。
【0143】
本実施形態の一態様において、推定装置は、被験者によって視認可能な画面を有する端末装置に実装される。例えば、推定装置は、被験者の歩行に応じて計測された身体能力に関する第１特徴量データと、前記被験者の属性データとを用いて推定された転倒リスク情報を、端末装置の画面に表示させる。例えば、推定装置は、推定された転倒リスク情報に応じた推薦情報を、端末装置の画面に表示させる。例えば、推定装置は、転倒リスク情報に応じた推薦情報として、転倒リスクの低減に効果的なトレーニングに関する動画を端末装置の画面に表示させる。本態様によれば、推定された転倒リスク情報を、被験者によって視認可能な画面に表示させることによって、その被験者が自身の転倒リスク要因に関する情報を確認できる。
【0144】
（第２の実施形態）
次に、第２の実施形態に係る推定装置について図面を参照しながら説明する。本実施形態の推定装置は、第１の実施形態の推定システムに含まれる推定装置を簡略化した構成である。
次に、第２の実施形態に係る推定装置について図面を参照しながら説明する。本実施形態の推定装置は、第１の実施形態の推定システムに含まれる推定装置を簡略化した構成である。
【0145】
図２６は、本実施形態に係る推定装置２３の構成の一例を示すブロック図である。推定装置２３は、データ取得部２３１、推定部２３４、および出力部２３９を備える。データ取得部２３１は、被験者の歩行に応じて計測された身体能力に関する第１特徴量データと、被験者の属性データとを取得する。推定部２３４は、取得した第１特徴量データおよび属性データを主成分分析して、身体能力因子および属性因子に関連する第２特徴量データを構築する。推定部２３４は、構築された第２特徴量データを用いて、転倒リスク要因に応じた転倒リスク情報を推定する。出力部２３９は、推定された転倒リスク情報を出力する。
【0146】
以上のように、本実施形態では、歩行に応じて計測された身体能力に関する第１特徴量データと、被験者の属性データとを用いて、その被験者の転倒リスクを推定する。すなわち、本実施形態によれば、歩行に応じて計測された身体能力に関するデータを用いて、転倒リスク因子を推定できる。
【0147】
（ハードウェア）
ここで、本開示の各実施形態に係る制御や処理を実行するハードウェア構成について、図２７の情報処理装置９０を一例として挙げて説明する。なお、図２７の情報処理装置９０は、各実施形態の制御や処理を実行するための構成例であって、本開示の範囲を限定するものではない。
ここで、本開示の各実施形態に係る制御や処理を実行するハードウェア構成について、図２７の情報処理装置９０を一例として挙げて説明する。なお、図２７の情報処理装置９０は、各実施形態の制御や処理を実行するための構成例であって、本開示の範囲を限定するものではない。
【0148】
図２７のように、情報処理装置９０は、プロセッサ９１、主記憶装置９２、補助記憶装置９３、入出力インターフェース９５、および通信インターフェース９６を備える。図２７においては、インターフェースをＩ／Ｆ（Interface）と略記する。プロセッサ９１、主記憶装置９２、補助記憶装置９３、入出力インターフェース９５、および通信インターフェース９６は、バス９８を介して、互いにデータ通信可能に接続される。また、プロセッサ９１、主記憶装置９２、補助記憶装置９３、および入出力インターフェース９５は、通信インターフェース９６を介して、インターネットやイントラネットなどのネットワークに接続される。
【0149】
プロセッサ９１は、補助記憶装置９３等に格納されたプログラムを、主記憶装置９２に展開する。プロセッサ９１は、主記憶装置９２に展開されたプログラムを実行する。本実施形態においては、情報処理装置９０にインストールされたソフトウェアプログラムを用いる構成とすればよい。プロセッサ９１は、各実施形態に係る制御や処理を実行する。
【0150】
主記憶装置９２は、プログラムが展開される領域を有する。主記憶装置９２には、プロセッサ９１によって、補助記憶装置９３等に格納されたプログラムが展開される。主記憶装置９２は、例えばＤＲＡＭ（Dynamic Random Access Memory）などの揮発性メモリによって実現される。また、主記憶装置９２として、ＭＲＡＭ（Magnetoresistive Random Access Memory）などの不揮発性メモリが構成／追加されてもよい。
【0151】
補助記憶装置９３は、プログラムなどの種々のデータを記憶する。補助記憶装置９３は、ハードディスクやフラッシュメモリなどのローカルディスクによって実現される。なお、種々のデータを主記憶装置９２に記憶させる構成とし、補助記憶装置９３を省略することも可能である。
【0152】
入出力インターフェース９５は、規格や仕様に基づいて、情報処理装置９０と周辺機器とを接続するためのインターフェースである。通信インターフェース９６は、規格や仕様に基づいて、インターネットやイントラネットなどのネットワークを通じて、外部のシステムや装置に接続するためのインターフェースである。入出力インターフェース９５および通信インターフェース９６は、外部機器と接続するインターフェースとして共通化してもよい。
【0153】
情報処理装置９０には、必要に応じて、キーボードやマウス、タッチパネルなどの入力機器が接続されてもよい。それらの入力機器は、情報や設定の入力に使用される。なお、タッチパネルを入力機器として用いる場合は、表示機器の表示画面が入力機器のインターフェースを兼ねる構成としてもよい。プロセッサ９１と入力機器との間のデータ通信は、入出力インターフェース９５に仲介させればよい。
【0154】
また、情報処理装置９０には、情報を表示するための表示機器を備え付けてもよい。表示機器を備え付ける場合、情報処理装置９０には、表示機器の表示を制御するための表示制御装置（図示しない）が備えられていることが好ましい。表示機器は、入出力インターフェース９５を介して情報処理装置９０に接続すればよい。
【0155】
また、情報処理装置９０には、ドライブ装置が備え付けられてもよい。ドライブ装置は、プロセッサ９１と記録媒体（プログラム記録媒体）との間で、記録媒体からのデータやプログラムの読み込み、情報処理装置９０の処理結果の記録媒体への書き込みなどを仲介する。ドライブ装置は、入出力インターフェース９５を介して情報処理装置９０に接続すればよい。
【0156】
以上が、本発明の各実施形態に係る制御や処理を可能とするためのハードウェア構成の一例である。なお、図２７のハードウェア構成は、各実施形態に係る制御や処理を実行するためのハードウェア構成の一例であって、本発明の範囲を限定するものではない。また、各実施形態に係る制御や処理をコンピュータに実行させるプログラムも本発明の範囲に含まれる。さらに、各実施形態に係るプログラムを記録したプログラム記録媒体も本発明の範囲に含まれる。記録媒体は、例えば、ＣＤ（Compact Disc）やＤＶＤ（Digital Versatile Disc）などの光学記録媒体で実現できる。記録媒体は、ＵＳＢ（Universal Serial Bus）メモリやＳＤ（Secure Digital）カードなどの半導体記録媒体によって実現されてもよい。また、記録媒体は、フレキシブルディスクなどの磁気記録媒体、その他の記録媒体によって実現されてもよい。プロセッサが実行するプログラムが記録媒体に記録されている場合、その記録媒体はプログラム記録媒体に相当する。
【0157】
各実施形態の構成要素は、任意に組み合わせてもよい。また、各実施形態の構成要素は、ソフトウェアによって実現されてもよいし、回路によって実現されてもよい。
【0158】
以上、実施形態を参照して本発明を説明してきたが、本発明は上記実施形態に限定されるものではない。本発明の構成や詳細には、本発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
【符号の説明】
【0159】
１ 推定システム
１０ 歩容計測装置
１１ センサ
１２ 特徴量データ生成部
１３ 推定装置
１１１ 加速度センサ
１１２ 角速度センサ
１２１ 取得部
１２２ 正規化部
１２３ 抽出部
１２５ 生成部
１２７ 特徴量データ出力部
１３１、２３１ データ取得部
１３２ 記憶部
１３４、２３４ 推定部
１３９、２３９ 出力部
１０ 歩容計測装置
１１ センサ
１２ 特徴量データ生成部
１３ 推定装置
１１１ 加速度センサ
１１２ 角速度センサ
１２１ 取得部
１２２ 正規化部
１２３ 抽出部
１２５ 生成部
１２７ 特徴量データ出力部
１３１、２３１ データ取得部
１３２ 記憶部
１３４、２３４ 推定部
１３９、２３９ 出力部
【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】