ホーム > 特許ランキング > セイコーエプソン株式会社
知財求人 - 知財ポータルサイト「IP Force」
特開2024-114206負荷特定方法、負荷特定装置、および、コンピュータープログラム
(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】P2024114206
(43)【公開日】2024-08-23
(54)【発明の名称】負荷特定方法、負荷特定装置、および、コンピュータープログラム
(51)【国際特許分類】
A63B 24/00 20060101AFI20240816BHJP
A61B 8/08 20060101ALI20240816BHJP
A63B 69/00 20060101ALI20240816BHJP
【ＦＩ】
A63B24/00
A61B8/08
A63B69/00 C
【審査請求】未請求
【請求項の数】7
【出願形態】ＯＬ
(21)【出願番号】P 2023019818
(22)【出願日】2023-02-13
(71)【出願人】
【識別番号】000002369
【氏名又は名称】セイコーエプソン株式会社
(74)【代理人】
【識別番号】110000028
【氏名又は名称】弁理士法人明成国際特許事務所
(72)【発明者】
【氏名】山口 英一郎
(72)【発明者】
【氏名】渡邊 亮基
【テーマコード（参考）】
4C601
【Ｆターム（参考）】
4C601DD01
4C601GB04
4C601GC01
(57)【要約】
【課題】様々な使用者のそれぞれに対して適切な負荷を設定できる技術を提供する。
【解決手段】筋力トレーニング機器の負荷特定方法は、既知特徴スペクトルを前記複数の時系列波形データごとに取得する工程と、対象時系列波形データを取得する工程と、対象特徴スペクトルを前記複数の対象時系列波形データごとに取得する工程と、予め定めた抽出条件を満たす前記スペクトル類似度を特定し、特定したスペクトル類似度の算出元となった対象時系列波形データに対応する候補負荷を特定する工程と、を備える。
【選択図】図９
【解決手段】筋力トレーニング機器の負荷特定方法は、既知特徴スペクトルを前記複数の時系列波形データごとに取得する工程と、対象時系列波形データを取得する工程と、対象特徴スペクトルを前記複数の対象時系列波形データごとに取得する工程と、予め定めた抽出条件を満たす前記スペクトル類似度を特定し、特定したスペクトル類似度の算出元となった対象時系列波形データに対応する候補負荷を特定する工程と、を備える。
【選択図】図９
【特許請求の範囲】
【請求項1】
筋力トレーニング機器の負荷特定方法であって、
（ａ）被験者の単位時間当たりの筋肉の増加量が予め定めた条件を満たす基準負荷が設定された筋力トレーニングが前記被験者によって行われた場合における、前記被験者の筋膜に関する時系列波形データを複数の前記被験者ごとに準備する工程と、
（ｂ）複数のベクトルニューロン層を有するベクトルニューラルネットワーク型の学習済み機械学習モデルに対して複数の前記時系列波形データを入力して、前記学習済み機械学習モデルの特定層の出力から特徴スペクトルとしての既知特徴スペクトルを前記複数の時系列波形データごとに取得する工程と、
（ｃ）異なる候補負荷が設定された複数の筋力トレーニングを使用者が実行した場合における、前記異なる候補負荷ごとの前記時系列波形データである対象時系列波形データを取得する工程と、
（ｄ）複数の前記対象時系列波形データを前記学習済み機械学習モデルに入力して、前記特定層の出力から前記特徴スペクトルとしての対象特徴スペクトルを前記複数の対象時系列波形データごとに取得する工程と、
（ｅ）複数の前記既知特徴スペクトルのそれぞれと、複数の前記対象特徴スペクトルのそれぞれとの類似度であるスペクトル類似度を算出し、算出した複数の前記スペクトル類似度のうちで、予め定めた抽出条件を満たす前記スペクトル類似度を特定し、特定した前記スペクトル類似度の算出元となった前記対象時系列波形データに対応する前記候補負荷を特定する工程と、を備える、負荷特定方法。
（ａ）被験者の単位時間当たりの筋肉の増加量が予め定めた条件を満たす基準負荷が設定された筋力トレーニングが前記被験者によって行われた場合における、前記被験者の筋膜に関する時系列波形データを複数の前記被験者ごとに準備する工程と、
（ｂ）複数のベクトルニューロン層を有するベクトルニューラルネットワーク型の学習済み機械学習モデルに対して複数の前記時系列波形データを入力して、前記学習済み機械学習モデルの特定層の出力から特徴スペクトルとしての既知特徴スペクトルを前記複数の時系列波形データごとに取得する工程と、
（ｃ）異なる候補負荷が設定された複数の筋力トレーニングを使用者が実行した場合における、前記異なる候補負荷ごとの前記時系列波形データである対象時系列波形データを取得する工程と、
（ｄ）複数の前記対象時系列波形データを前記学習済み機械学習モデルに入力して、前記特定層の出力から前記特徴スペクトルとしての対象特徴スペクトルを前記複数の対象時系列波形データごとに取得する工程と、
（ｅ）複数の前記既知特徴スペクトルのそれぞれと、複数の前記対象特徴スペクトルのそれぞれとの類似度であるスペクトル類似度を算出し、算出した複数の前記スペクトル類似度のうちで、予め定めた抽出条件を満たす前記スペクトル類似度を特定し、特定した前記スペクトル類似度の算出元となった前記対象時系列波形データに対応する前記候補負荷を特定する工程と、を備える、負荷特定方法。
【請求項2】
請求項１に記載の負荷特定方法であって、
前記工程（ａ）において、前記予め定めた条件は、前記単位時間当たりの筋肉の増加量が増加基準量以上であるという条件であり、
前記工程（ｅ）において、前記抽出条件は、前記スペクトル類似度が閾値以上であるという条件である、負荷特定方法。
前記工程（ａ）において、前記予め定めた条件は、前記単位時間当たりの筋肉の増加量が増加基準量以上であるという条件であり、
前記工程（ｅ）において、前記抽出条件は、前記スペクトル類似度が閾値以上であるという条件である、負荷特定方法。
【請求項3】
請求項１に記載の負荷特定方法であって、
前記工程（ａ）において、前記予め定めた条件は、前記単位時間当たりの筋肉の増加量が最大であるという条件であり、
前記工程（ｅ）において、前記抽出条件は、前記複数のスペクトル類似度のうちで、前記スペクトル類似度が最も高いという条件である、負荷特定方法。
前記工程（ａ）において、前記予め定めた条件は、前記単位時間当たりの筋肉の増加量が最大であるという条件であり、
前記工程（ｅ）において、前記抽出条件は、前記複数のスペクトル類似度のうちで、前記スペクトル類似度が最も高いという条件である、負荷特定方法。
【請求項4】
請求項１に記載の負荷特定方法であって、
前記工程（ｅ）は、特定した前記候補負荷を、前記使用者が前記筋力トレーニングを行うときの負荷として設定する工程を含む、負荷特定方法。
前記工程（ｅ）は、特定した前記候補負荷を、前記使用者が前記筋力トレーニングを行うときの負荷として設定する工程を含む、負荷特定方法。
【請求項5】
請求項１に記載の負荷特定方法であって、
前記工程（ｃ）において、前記異なる候補負荷は、一定間隔ごとに前記負荷の大きさが異なる、負荷特定方法。
前記工程（ｃ）において、前記異なる候補負荷は、一定間隔ごとに前記負荷の大きさが異なる、負荷特定方法。
【請求項6】
筋力トレーニング機器の負荷特定装置であって、
複数のベクトルニューロン層を有するベクトルニューラルネットワーク型の学習済み機械学習モデルを記憶する記憶装置と、
被験者の単位時間当たりの筋肉の増加量が予め定めた条件を満たす基準負荷が設定された筋力トレーニングが前記被験者によって行われた場合における、複数の前記被験者ごとに応じた筋膜に関する時系列波形データを、前記学習済み機械学習モデルに対して入力して、前記学習済み機械学習モデルの特定層の出力から特徴スペクトルとしての既知特徴スペクトルを前記複数の時系列波形データごとに取得する第１スペクトル取得部と、
異なる候補負荷が設定された複数の筋力トレーニングを使用者が実行した場合における、前記異なる候補負荷ごとの前記時系列波形データである対象時系列波形データを取得する波形取得部と、
複数の前記対象時系列波形データを前記学習済み機械学習モデルに入力して、前記特定層の出力から前記特徴スペクトルとしての対象特徴スペクトルを前記複数の対象時系列波形データごとに取得する第２スペクトル取得部と、
複数の前記既知特徴スペクトルのそれぞれと、複数の前記対象特徴スペクトルのそれぞれとの類似度であるスペクトル類似度を算出し、算出した複数の前記スペクトル類似度のうちで、予め定めた抽出条件を満たす前記スペクトル類似度を特定し、特定した前記スペクトル類似度の算出元となった前記対象時系列波形データに対応する前記候補負荷を特定する特定部と、を備える、負荷特定装置。
複数のベクトルニューロン層を有するベクトルニューラルネットワーク型の学習済み機械学習モデルを記憶する記憶装置と、
被験者の単位時間当たりの筋肉の増加量が予め定めた条件を満たす基準負荷が設定された筋力トレーニングが前記被験者によって行われた場合における、複数の前記被験者ごとに応じた筋膜に関する時系列波形データを、前記学習済み機械学習モデルに対して入力して、前記学習済み機械学習モデルの特定層の出力から特徴スペクトルとしての既知特徴スペクトルを前記複数の時系列波形データごとに取得する第１スペクトル取得部と、
異なる候補負荷が設定された複数の筋力トレーニングを使用者が実行した場合における、前記異なる候補負荷ごとの前記時系列波形データである対象時系列波形データを取得する波形取得部と、
複数の前記対象時系列波形データを前記学習済み機械学習モデルに入力して、前記特定層の出力から前記特徴スペクトルとしての対象特徴スペクトルを前記複数の対象時系列波形データごとに取得する第２スペクトル取得部と、
複数の前記既知特徴スペクトルのそれぞれと、複数の前記対象特徴スペクトルのそれぞれとの類似度であるスペクトル類似度を算出し、算出した複数の前記スペクトル類似度のうちで、予め定めた抽出条件を満たす前記スペクトル類似度を特定し、特定した前記スペクトル類似度の算出元となった前記対象時系列波形データに対応する前記候補負荷を特定する特定部と、を備える、負荷特定装置。
【請求項7】
筋力トレーニング機器の負荷特定をコンピューターに実行させるためのコンピュータープログラムであって、
（ａ）複数のベクトルニューロン層を有するベクトルニューラルネットワーク型の学習済み機械学習モデルを記憶する機能と、
（ｂ）被験者の単位時間当たりの筋肉の増加量が予め定めた条件を満たす基準負荷が設定された筋力トレーニングが前記被験者によって行われた場合における、複数の前記被験者ごとに応じた筋膜に関する時系列波形データを、前記学習済み機械学習モデルに対して入力して、前記学習済み機械学習モデルの特定層の出力から特徴スペクトルとしての既知特徴スペクトルを前記複数の時系列波形データごとに取得する機能と、
（ｃ）異なる候補負荷が設定された複数の筋力トレーニングを使用者が実行した場合における、前記異なる候補負荷ごとの前記時系列波形データである対象時系列波形データを取得する機能と、
（ｄ）複数の前記対象時系列波形データを前記学習済み機械学習モデルに入力して、前記特定層の出力から前記特徴スペクトルとしての対象特徴スペクトルを前記複数の対象時系列波形データごとに取得する機能と、
（ｅ）複数の前記既知特徴スペクトルのそれぞれと、複数の前記対象特徴スペクトルのそれぞれとの類似度であるスペクトル類似度を算出し、算出した複数の前記スペクトル類似度のうちで、予め定めた抽出条件を満たす前記スペクトル類似度を特定し、特定した前記スペクトル類似度の算出元となった前記対象時系列波形データに対応する前記候補負荷を特定する機能と、を備える、コンピュータープログラム。
（ａ）複数のベクトルニューロン層を有するベクトルニューラルネットワーク型の学習済み機械学習モデルを記憶する機能と、
（ｂ）被験者の単位時間当たりの筋肉の増加量が予め定めた条件を満たす基準負荷が設定された筋力トレーニングが前記被験者によって行われた場合における、複数の前記被験者ごとに応じた筋膜に関する時系列波形データを、前記学習済み機械学習モデルに対して入力して、前記学習済み機械学習モデルの特定層の出力から特徴スペクトルとしての既知特徴スペクトルを前記複数の時系列波形データごとに取得する機能と、
（ｃ）異なる候補負荷が設定された複数の筋力トレーニングを使用者が実行した場合における、前記異なる候補負荷ごとの前記時系列波形データである対象時系列波形データを取得する機能と、
（ｄ）複数の前記対象時系列波形データを前記学習済み機械学習モデルに入力して、前記特定層の出力から前記特徴スペクトルとしての対象特徴スペクトルを前記複数の対象時系列波形データごとに取得する機能と、
（ｅ）複数の前記既知特徴スペクトルのそれぞれと、複数の前記対象特徴スペクトルのそれぞれとの類似度であるスペクトル類似度を算出し、算出した複数の前記スペクトル類似度のうちで、予め定めた抽出条件を満たす前記スペクトル類似度を特定し、特定した前記スペクトル類似度の算出元となった前記対象時系列波形データに対応する前記候補負荷を特定する機能と、を備える、コンピュータープログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、筋力トレーニング機器の負荷特定の技術に関する。
【背景技術】
【0002】
従来、超音波画像を元に使用者の筋肉量指標値を算出し、算出した筋肉量指標値に基づいて、筋力トレーニング機器を用いたトレーニングの負荷や回数などについての指針情報を生成する技術が知られている。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０１５－１４２６１９号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
従来の技術では、例えば、トレーニングのスタート時に、設定した目標値と、算出した筋肉量指標値とを結ぶ外挿線を求め、この外挿線に沿うように、トレーニングの負荷や回数が決定される。しからしながら、従来の技術では、トレーニングスタート時の筋肉量指標値と目標値とが同じような複数の使用者に対して、同じようなトレーニングの負荷が設定される場合がある。負荷に対する筋肉の成長度合いは、使用者によって様々であるため、従来の技術では、様々な使用者のそれぞれに対して適切な負荷を設定することができない場合が生じ得る。
【課題を解決するための手段】
【0005】
本開示の第１の形態によれば、筋力トレーニング機器の負荷特定方法が提供される。この負荷特定方法は、（ａ）被験者の単位時間当たりの筋肉の増加量が予め定めた条件を満たす基準負荷が設定された筋力トレーニングが前記被験者によって行われた場合における、前記被験者の筋膜に関する時系列波形データを複数の前記被験者ごとに準備する工程と、（ｂ）複数のベクトルニューロン層を有するベクトルニューラルネットワーク型の学習済み機械学習モデルに対して複数の前記時系列波形データを入力して、前記学習済み機械学習モデルの特定層の出力から特徴スペクトルとしての既知特徴スペクトルを前記複数の時系列波形データごとに取得する工程と、（ｃ）異なる候補負荷が設定された複数の筋力トレーニングを使用者が実行した場合における、前記異なる候補負荷ごとの前記時系列波形データである対象時系列波形データを取得する工程と、（ｄ）複数の前記対象時系列波形データを前記学習済み機械学習モデルに入力して、前記特定層の出力から前記特徴スペクトルとしての対象特徴スペクトルを前記複数の対象時系列波形データを取得する工程と、（ｅ）複数の前記既知特徴スペクトルのそれぞれと、複数の前記対象特徴スペクトルのそれぞれとの類似度であるスペクトル類似度を算出し、算出した複数の前記スペクトル類似度のうちで、予め定めた抽出条件を満たす前記スペクトル類似度を特定し、特定した前記スペクトル類似度の算出元となった前記対象時系列波形データに対応する前記候補負荷を特定する工程と、を備える。
【0006】
本開示の第２の形態によれば、筋力トレーニング機器の負荷特定装置が提供される。この負荷特定装置は、複数のベクトルニューロン層を有するベクトルニューラルネットワーク型の学習済み機械学習モデルを記憶する記憶装置と、被験者の単位時間当たりの筋肉の増加量が予め定めた条件を満たす基準負荷が設定された筋力トレーニングが前記被験者によって行われた場合における、複数の前記被験者ごとに応じた筋膜に関する時系列波形データを、前記学習済み機械学習モデルに対して入力して、前記学習済み機械学習モデルの特定層の出力から特徴スペクトルとしての既知特徴スペクトルを前記複数の時系列波形データごとに取得する第１スペクトル取得部と、異なる候補負荷が設定された複数の筋力トレーニングを使用者が実行した場合における、前記異なる候補負荷ごとの前記時系列波形データである対象時系列波形データを取得する波形取得部と、複数の前記対象時系列波形データを前記学習済み機械学習モデルに入力して、前記特定層の出力から前記特徴スペクトルとしての対象特徴スペクトルを前記複数の対象時系列波形データを取得する第２スペクトル取得部と、複数の前記既知特徴スペクトルのそれぞれと、複数の前記対象特徴スペクトルのそれぞれとの類似度であるスペクトル類似度を算出し、算出した複数の前記スペクトル類似度のうちで、予め定めた抽出条件を満たす前記スペクトル類似度を特定し、特定した前記スペクトル類似度の算出元となった前記対象時系列波形データに対応する前記候補負荷を特定する特定部と、を備える。
【0007】
本開示の第３の形態によれば、筋力トレーニング機器の負荷特定をコンピューターに実行させるためのコンピュータープログラムが提供される。このコンピュータープログラムは、（ａ）複数のベクトルニューロン層を有するベクトルニューラルネットワーク型の学習済み機械学習モデルを記憶する機能と、（ｂ）被験者の単位時間当たりの筋肉の増加量が予め定めた条件を満たす基準負荷が設定された筋力トレーニングが前記被験者によって行われた場合における、複数の前記被験者ごとに応じた筋膜に関する時系列波形データを、前記学習済み機械学習モデルに対して入力して、前記学習済み機械学習モデルの特定層の出力から特徴スペクトルとしての既知特徴スペクトルを前記複数の時系列波形データごとに取得する機能と、（ｃ）異なる候補負荷が設定された複数の筋力トレーニングを使用者が実行した場合における、前記異なる候補負荷ごとの前記時系列波形データである対象時系列波形データを取得する機能と、（ｄ）複数の前記対象時系列波形データを前記学習済み機械学習モデルに入力して、前記特定層の出力から前記特徴スペクトルとしての対象特徴スペクトルを前記複数の対象時系列波形データを取得する機能と、（ｅ）複数の前記既知特徴スペクトルのそれぞれと、複数の前記対象特徴スペクトルのそれぞれとの類似度であるスペクトル類似度を算出し、算出した複数の前記スペクトル類似度のうちで、予め定めた抽出条件を満たす前記スペクトル類似度を特定し、特定した前記スペクトル類似度の算出元となった前記対象時系列波形データに対応する前記候補負荷を特定する機能と、を備える。
【図面の簡単な説明】
【0008】
【図1】第１実施形態における負荷特定システムを示す図。
【図2】センサー装置を説明するための図。
【図3】機械学習モデルの構成を示す説明図。
【図4】学習済み機械学習モデルの他の構成を示す説明図。
【図5】学習済み機械学習モデルの生成工程を示す図。
【図6】複数の学習セットを説明するための図。
【図7】特徴スペクトルを示す説明図。
【図8】既知特徴スペクトル群の構成を示す説明図。
【図9】負荷特定システムが実行する負荷特定処理のフローチャート。
【図10】スペクトル類似度の第１の算出方法を示す説明図。
【図11】スペクトル類似度の第２の算出方法を示す図。
【図12】スペクトル類似度の第３の算出方法を示す説明図。
【発明を実施するための形態】
【0009】
Ａ．実施形態：
図１は、実施形態における負荷特定システム５を示す図である。この負荷特定システム５は、筋力トレーニング機器による筋力トレーニングが行われることによって複数の被験者から取得した筋膜に関する時系列波形データを用いて、筋力トレーニングを行う対象者である使用者に筋力トレーニング機器の適切な負荷を特定するシステムである。負荷特定システム５は、負荷特定装置１００と、センサー装置４００と、筋力トレーニング機器としての負荷装置３００とを備える。負荷特定装置１００とセンサー装置４００、および、負荷特定装置１００と負荷装置３００は、有線や無線によって互いにデータ通信できる。
図１は、実施形態における負荷特定システム５を示す図である。この負荷特定システム５は、筋力トレーニング機器による筋力トレーニングが行われることによって複数の被験者から取得した筋膜に関する時系列波形データを用いて、筋力トレーニングを行う対象者である使用者に筋力トレーニング機器の適切な負荷を特定するシステムである。負荷特定システム５は、負荷特定装置１００と、センサー装置４００と、筋力トレーニング機器としての負荷装置３００とを備える。負荷特定装置１００とセンサー装置４００、および、負荷特定装置１００と負荷装置３００は、有線や無線によって互いにデータ通信できる。
【0010】
負荷装置３００は、物理的な負荷を発生させる筋力トレーニング機器であり、例えば、ケーブルマシン、トレッドミル、エアロバイク（登録商標）が挙げられる。負荷装置３００は、負荷制御部３１０と、負荷発生部３２０と、入力部３３０とを有する。負荷制御部３１０は、負荷装置３００の動作を制御する。例えば、負荷制御部３１０は、負荷発生部３２０の負荷を調整する。負荷装置３００が、電磁負荷方式のエアロバイクである場合、負荷制御部３１０は、回転ホイールの中に組み込まれた電磁石に加える電圧を制御することで、電磁石に流れる電流を調整する。これにより、回転ホイールの回転のしやすさが変更されることで、負荷発生部３２０であるペダルの負荷が変更される。負荷発生部３２０は、負荷を発生させる要素である。負荷装置３００がエアロバイクである場合には、負荷発生部３２０は、ペダルである。入力部３３０は、例えば、設定する負荷の値の入力を受け付ける。入力部３３０は、例えばタッチパネルである。
【0011】
図１を用いて負荷特定装置１００の説明を行う前に、図２を用いてセンサー装置４００の詳細を説明する。図２は、センサー装置４００を説明するための図である。センサー装置４００は、負荷装置３００を用いて筋力トレーニングが行われた場合に、被験者や使用者などの人の筋肉に関するデータを取得する装置である。本実施形態のセンサー装置４００は、超音波発生装置であり、人の筋膜に関する時系列波形データを取得する。
【0012】
センサー装置４００は、超音波を発信および受信する超音波素子を有する超音波プローブ４１０と、超音波プローブ４１０の機能の制御および信号処理を行う制御部４６０とを備える。超音波プローブ４１０と制御部４６０とは、配線４３０によって電気的に接続されている。
【0013】
超音波プローブ４１０は、８つの超音波素子８１～８８を備えている。図１では、超音波素子８１と超音波素子８８以外の６つの超音波素子８２～８７の図示は省略されている。超音波素子８１は、超音波の送信素子８１１と、超音波の受信素子８１２とを有する。また、超音波素子８８は、超音波の送信素子８８１と、超音波の受信素子８８２とを有する。また超音波素子８１と超音波素子８８と同じように、６つの超音波素子８２～８７もそれぞれ、超音波の送信素子と超音波の受信素子とを有する。ここで、「超音波の送信素子と、超音波の受信素子とを有する」とは、機能的に説明したものであり、構造的には、一つの超音波素子が「送信素子」としての機能と「受信素子」としての機能を有している。８つの超音波素子８１～８８は、例えば平板状のベース部材に１列に等間隔で配置されている。超音波素子８１～８８は、人の筋膜に関する時系列波形データを取得する測定対象部位上に粘着パッドやベルトなどの固定部材を介して取り付けられる。なお、超音波素子８１～８８の数はこれに限定されるものではなく、１つ以上であればよい。
【0014】
制御部２６０は、各超音波素子８１～８８の各受信素子８１２～８８２から順次受信した受信信号に基づいて人の筋膜に関する時系列波形データを生成する。送信素子８１１～８８１から人の測定対象部位に向かって送信された超音波は、測定対象部位の筋膜によって反射する。この反射波の強度は筋膜の厚さに応じて変化する。この反射波の強度を受信素子８１２～８８２によって受信することで、制御部２６０は、筋膜に関する時系列波形データを生成する。つまり、時系列波形データは、筋力トレーニング時における測定対象部位における筋肉の収縮動作である筋膜運動を表すデータである。本実施形態では、制御部２６０は、人が負荷装置３００によって筋力トレーニングを行っている期間の少なくとも一部の測定期間に、受信素子８１２～８８２から受信した反射波である受信信号を時系列に並べることで時系列波形データを生成する。
【0015】
制御部２６０は、駆動パルス発生回路４６５と、送信回路４６６と、信号処理回路４６７と、受信回路４６８と、マルチプレクサ４６９と、マイコン４７０と、通信部４７１とを備える。駆動パルス発生回路４６５は、超音波の送信時に、所定の駆動周波数と波数のパターンを生成する。送信回路４６６は、生成されたパターンに応じて所定の駆動電圧の送信波形を出力する。各送信素子８１１～８８１は、送信回路４６６から出力された送信波形を超音波として測定対象部位に向けて送信する。超音波の反射波を受信する場合には、各受信素子８１２～８８２が反射波を受信信号として受信する。受信回路４６８は、受信素子８１２～８８２が受信した受信信号を増幅する。信号処理回路１７は、受信回路４６８によって増幅された受信信号に対して包絡線処理などの時系列波形データを生成するためのデータ処理を行う。マイコン４７０は、各超音波素子８１～８８の送信および受信の各送受信動作を、マルチプレクサ１９で順次切り替えるように構成されている。マイコン４７０は、通信部４７１を介して負荷特定装置１００に生成した時系列波形データを送信する。本実施形態では、マイコン４７０は、各超音波素子８１～８８の受信素子８１２～８８２から受信して生成した８つの時系列波形データを、受信素子８１２～８８２の順に並べて、負荷特定装置１００で用いる一つの時系列波形データとして生成する。なお、他の実施形態では、マイコン４７０は、各超音波素子８１～８８の受信素子８１２～８８２から受信して生成した８つの時系列波形データを合成して、例えば平均化して負荷特定装置１００で用いる一つの時系列波形データとして生成してもよい。また他の実施形態では、マイコン４７０は、各超音波素子８１～８８の受信素子８１２～８８２から受信して生成した８つの時系列波形データのうち、特定の一つの受信素子から受信して生成した時系列波形データを負荷特定装置１００で用いる一つの時系列波形データとしてもよい。
【0016】
ここで、人の脂肪層と筋肉層との境界部分である筋膜では、超音波が多く反射され、脂肪層中や筋肉層中でほとんど反射されない。この超音波の性質を利用して、超音波プローブ４１０が配置された測定対象部位上から測定対象部位に向かう深さ方向において、筋肉層の一方の面が脂肪層とが接する境界部分である一方の筋膜と、筋肉層の他方の面と脂肪層とが接する境界部分である他方の筋膜のそれぞれの位置を反射波によって求めることができる。センサー装置４００のマイコン４７０は、求めた一方の筋膜と他方の筋膜との距離を筋肉層の厚みとして算出できる。この筋肉層の厚みは、筋肉量と正の相関を有するため、本実施形態では筋肉量として取り扱われる。本実施形態では、８つの受信素子８１２～８８２が受信した時系列波形データから算出された筋肉層の厚みの平均値を、特定対象部位の筋肉層の厚みとして用いてもよい。なお、他の実施形態では、８つの受信素子８１２～８８２の特定の一つから受信した時系列波形データから算出された筋肉層の厚みを特定対象部位の筋肉層の厚みとして用いてもよい。
【0017】
次に図１を用いて負荷特定装置１００の説明を行う。負荷特定装置１００は、プロセッサー１１０と、記憶装置１２０と、インターフェイス回路１３０と、インターフェイス回路１３０に接続された入力デバイス１４０及び表示部１５０と、を有している。負荷特定装置１００は、例えば、パーソナルコンピューターである。負荷特定装置１００は、記憶装置１２０に記憶された学習済みの機械学習モデル１２２を用いて、負荷装置３００を用いて筋力トレーニングを行う使用者に対する適切な負荷を特定する装置である。
【0018】
プロセッサー１１０は、記憶装置１２０に記憶された各種プログラムを実行することで、学習実行部１１２と、スペクトル処理部１１３と、波形取得部１１６と、特定部１１８とを備える。学習実行部１１２は、学習セットＳＭの集合でもある基準データ群ＴＤＧを用いて機械学習モデル１２２の学習処理を実行する。
【0019】
波形取得部１１６は、センサー装置４００が生成した筋膜に関する時系列波形データを取得して、記憶装置１２０に記憶させる。時系列波形データが、複数の被験者ごとの時系列波形データである場合には、基準データ群ＴＤＧの要素として記憶装置１２０に記憶される。また、時系列波形データが、使用者の時系列波形データである場合には、評価用データ群ＥＤＧとして記憶装置１２０に記憶される。使用者は、複数の被験者ごとの時系列波形データを元に最適な負荷を決定して筋力トレーニングを行う。
【0020】
基準データ群ＴＤＧの各時系列波形データは、被験者の単位時間当たりの筋肉の増加量が予め定めた条件を満たす基準負荷を負荷装置３００に設定して筋力トレーニングを被験者が行った場合における、センサー装置４００によって被験者ごとに生成された筋膜に関するデータである。基準データ群ＴＤＧの各時系列波形データは、被験者が筋力トレーニングを行っている期間に測定される。予め定めた条件は、単位時間当たり、例えば１時間あたりの測定対象部位における筋肉の増加量が増加基準量以上であるという条件であり、本実施形態では、予め定めた条件は、単位時間当たりの筋肉の増加量が最大であるという条件である。特定対象部位の筋肉の増加量は、例えば、被験者ごとに段階的に複数の負荷で筋力トレーニングを所定時間行った前後の、センサー装置４００を用いて算出された筋肉量の差分である。基準データ群ＴＤＧの各時系列波形データには、時系列波形データを生成するための元となった負荷装置３００の負荷の値を示す負荷データＬＤが関連付けられている。
【0021】
評価用データ群ＥＤＧの各時系列波形データは、負荷装置３００に対して異なる候補負荷が設定された複数の筋力トレーニングを使用者が実行した場合における、異なる候補負荷ごとの時系列波形データである。評価用データ群ＥＤＧを構成する時系列波形データを対象時系列波形データとも呼ぶ。以上のように、使用者は、所定範囲の負荷範囲の中から段階的に候補負荷を変化させて筋力トレーニングを行う。そして、候補負荷ごとにセンサー装置４００によって生成された対象時系列波形データが波形取得部１１６によって取得されて評価用データ群ＥＤＧとして記憶装置１２０に記憶される。また、評価用データ群ＥＤＧの各対象時系列波形データには、対象時系列波形データが生成された生成条件が関連付けられている。本実施形態において、生成条件は、負荷発生部３２０による負荷の大きさを特定するための負荷データＬＤを少なくとも含む。なお、生成条件は、超音波プローブ４１０による人の測定対象部位を識別するための部位識別子と、負荷装置３００を特定するための負荷装置識別子とのいずれかを含んでいてもよい。
【0022】
なお、評価用データ群ＥＤＧの各時系列波形データ、および、基準データ群ＴＤＧの各時系列波形データの生成元となる人の特定対象部位は、同じ部位である。
【0023】
スペクトル処理部１１３は、学習済みの機械学習モデル１２２に時系列波形データを入力することで、機械学習モデル１２２の特定層の出力から特徴スペクトルＳｐを取得する。特徴スペクトルＳｐの詳細は後述する。スペクトル処理部１１３は、第１スペクトル取得部１１４と、第２スペクトル取得部１１５とを有する。
【0024】
第１スペクトル取得部１１４は、基準データ群ＴＤＧの時系列波形データ、すなわち複数の被験者ごとに応じた筋膜に関する複数の時系列波形データを、１つずつ学習済み機械学習モデル１２２に対して入力する。そして第１スペクトル取得部１１４は、学習済み機械学習モデル１２２の特定層の出力から特徴スペクトルＳｐとしての既知特徴スペクトルＫＳｐを、基準データ群ＴＤＧが有する複数の時系列波形データごとに取得する。取得された複数の既知特徴スペクトルＫＳｐは、既知特徴スペクトル群ＫＳｐＧの要素として記憶装置１２０に記憶される。
【0025】
第２スペクトル取得部１１５は、評価用データ群ＥＤＧが有する複数の対象時系列波形データを１つずつ順次学習済み機械学習モデル１２２に入力する。そして第２スペクトル取得部１１５は、学習済み機械学習モデル１２２の特定層の出力から特徴スペクトルＳｐとしての対象特徴スペクトルＥＳｐを、評価用データ群ＥＤＧが有する複数の対象時系列波形データごとに取得する。取得された複数の対象特徴スペクトルＥＳｐは、対象特徴スペクトル群ＥＳｐＧの要素として記憶装置１２０に記憶される。
【0026】
特定部１１８は、算出部１１７と、特定処理部１１９とを有する。算出部１１７は、既知特徴スペクトル群ＫＳｐＧが有する複数の既知特徴スペクトルＫＳｐのそれぞれと、対象特徴スペクトル群ＥＳｐＧが有する複数の対象特徴スペクトルＥＳｐのそれぞれの類似度であるスペクトル類似度ＲＳｐを算出する。スペクトル類似度ＲＳｐの具体的な算出方法は後述する。
【0027】
特定処理部１１９は、算出部１１７によって算出した複数のスペクトル類似度ＲＳｐのうちで、予め定めた抽出条件を満たすスペクトル類似度ＲＳｐを特定する。また特定処理部１１９は、特定したスペクトル類似度ＲＳｐの算出元となった対象時系列波形データに対応する候補負荷を特定する。本実施形態では、予め定めた抽出条件は、複数のスペクトル類似度ＲＳｐのうちでスペクトル類似度ＲＳｐが最も高いという条件である。特定処理部１１９は、特定した候補負荷を表す特定負荷情報を負荷装置３００に送信してもよい。負荷制御部３１０は、特定負荷情報が表す負荷の値となるように負荷発生部３２０の負荷を設定してもよい。なお、他の実施形態では、予め定めた抽出条件は、スペクトル類似度ＲＳｐが閾値以上であるという条件を含んでもよい。
【0028】
上記において、学習実行部１１２やスペクトル処理部１１３などのプロセッサー１１０の各機能部の少なくとも一部の機能をハードウェア回路で実現してもよい。本明細書のプロセッサー１１０は、このようなハードウェア回路も含む用語である。
【0029】
入力デバイス１４０は、被験者や使用者などの人が負荷特定装置１００に情報を入力するためのデバイスである。入力デバイス１４０は、例えば、キーボードであったりマウスであったりタッチパネルであったりする。表示部１５０は、各種情報を表示する。表示部１５０は、例えば液晶モニターである。インターフェイス回路１３０は、表示部１５０および入力デバイス１４０と、プロセッサー１１０や記憶装置１２０との間で情報をやり取りするためのインターフェイスである。
【0030】
記憶装置１２０は、学習済みの機械学習モデル１２２と、基準データ群ＴＤＧと、評価用データ群ＥＤＧと、既知特徴スペクトル群ＫＳｐＧと、対象特徴スペクトル群ＥＳｐＧとを記憶する。
【0031】
学習済みの機械学習モデル１２２は、複数のベクトルニューロン層を有するベクトルニューラルネットワーク型の機械学習モデルである。学習済み機械学習モデル１２２は、例えば、基準データ群ＴＤＧを用いてパラメーター等が調整されることで学習されている。学習済み機械学習モデル１２２の構成例や動作については後述する。なお、他の実施形態では、学習済み機械学習モデル１２２は、汎用的に機械学習モデルの学習に用いられる学習データを用いて学習されていてもよい。
【0032】
基準データ群ＴＤＧは、被験者の筋力トレーニングによって生成された時系列波形データと、時系列波形データに関連付けられた筋力トレーニング時の基準負荷を示す負荷データＬＤとを有する。なお、基準データ群ＴＤＧは、負荷データＬＤを有していなくてもよい。
【0033】
評価用データ群ＥＤＧは、使用者の筋力トレーニングによって生成された対象時系列波形データと、対象時系列波形データに関連付けられた筋力トレーニング時の候補負荷を示す負荷データＬＤとを有する。
【0034】
なお、既知特徴スペクトル群ＫＳｐＧと対象特徴スペクトル群ＥＳｐＧとは、既に説明済みであるためここでは説明を省略する。
【0035】
図３は、機械学習モデル１２２の構成を示す説明図である。機械学習モデル１２２は、入力されるデータIMの側から順に、畳み込み層２１０と、プライマリーベクトルニューロン層２２０と、第１畳み込みベクトルニューロン層２３０と、第２畳み込みベクトルニューロン層２４０と、出力層である分類ベクトルニューロン層２５０とを備える。これらの５つの層２１０～２５０のうち、畳み込み層２１０が最も下位の層であり、分類ベクトルニューロン層２５０が最も上位の層である。以下の説明では、層２１０～２５０を、それぞれ「Conv層２１０」、「PrimeVN層２２０」、「ConvVN1層２３０」、「ConvVN2層２４０」、及び「classVN層２５０」とも呼ぶ。
【0036】
本実施形態において、入力されるデータIMは時系列波形データなので、１次元配列のデータである。例えば、入力されるデータIMは、時間ごとの受信素子８１２～８８２によって受信された反射波の強度を示すデータである。
【0037】
図３の例では２つの畳み込みベクトルニューロン層２３０，２４０を用いているが、畳み込みベクトルニューロン層の数は任意であり、畳み込みベクトルニューロン層を省略してもよい。但し、１つ以上の畳み込みベクトルニューロン層を用いることが好ましい。
【0038】
図３の各層２１０～２５０の構成は、以下のように記述できる。
＜機械学習モデル１２２の構成の記述＞
・Conv層２１０：Conv[32,6,2]
・PrimeVN層２２０：PrimeVN[26,1,1]
・ConvVN1層２３０：ConvVN1[20,5,2]
・ConvVN2層２４０：ConvVN2[16,4,1]
・classVN層２５０：classVN[Nm,3,1]
・ベクトル次元ＶＤ：VD=16
これらの各層２１０～２５０の記述において、括弧前の文字列はレイヤー名であり、括弧内の数字は、順に、チャンネル数、カーネルの表面サイズ、及び、ストライドである。例えば、Conv層２１０のレイヤー名は「Conv」であり、チャンネル数は３２、カーネルの表面サイズは１×６、ストライドは２である。図３では、各層の下にこれらの記述が示されている。各層の中に描かれているハッチングを付した矩形は、隣接する上位層の出力ベクトルを算出する際に使用されるカーネルの表面サイズを表している。本実施形態では、データIMが１次元配列のデータなので、カーネルの表面サイズも１次元である。なお、各層２１０～２５０の記述で用いたパラメーターの値は例示であり、任意に変更可能である。
＜機械学習モデル１２２の構成の記述＞
・Conv層２１０：Conv[32,6,2]
・PrimeVN層２２０：PrimeVN[26,1,1]
・ConvVN1層２３０：ConvVN1[20,5,2]
・ConvVN2層２４０：ConvVN2[16,4,1]
・classVN層２５０：classVN[Nm,3,1]
・ベクトル次元ＶＤ：VD=16
これらの各層２１０～２５０の記述において、括弧前の文字列はレイヤー名であり、括弧内の数字は、順に、チャンネル数、カーネルの表面サイズ、及び、ストライドである。例えば、Conv層２１０のレイヤー名は「Conv」であり、チャンネル数は３２、カーネルの表面サイズは１×６、ストライドは２である。図３では、各層の下にこれらの記述が示されている。各層の中に描かれているハッチングを付した矩形は、隣接する上位層の出力ベクトルを算出する際に使用されるカーネルの表面サイズを表している。本実施形態では、データIMが１次元配列のデータなので、カーネルの表面サイズも１次元である。なお、各層２１０～２５０の記述で用いたパラメーターの値は例示であり、任意に変更可能である。
【0039】
Conv層２１０は、スカラーニューロンで構成された層である。他の４つの層２２０～２５０は、ベクトルニューロンで構成された層である。ベクトルニューロンは、ベクトルを入出力とするニューロンである。上記の記述では、個々のベクトルニューロンの出力ベクトルの次元は１６で一定である。以下では、スカラーニューロン及びベクトルニューロンの上位概念として「ノード」という語句を使用する。
【0040】
図３では、Conv層２１０について、ノード配列の平面座標を規定する第１軸ｘ及び第２軸ｙと、奥行きを表す第３軸ｚとが示されている。また、Conv層２１０のｘ，ｙ，ｚ方向のサイズが１，１６，３２であることが示されている。ｘ方向のサイズとｙ方向のサイズを「解像度」と呼ぶ。本実施形態では、ｘ方向の解像度は常に１である。ｚ方向のサイズは、チャンネル数である。これらの３つの軸ｘ，ｙ，ｚは、他の層においても各ノードの位置を示す座標軸として使用する。但し、図３では、Conv層２１０以外の層では、これらの軸ｘ，ｙ，ｚの図示が省略されている。
【0041】
畳み込み後のｙ方向の解像度Ｗ１は、次式で与えられる。
Ｗ１＝Ｃｅｉｌ{（Ｗ０－Ｗｋ＋１)／Ｓ} （１）
ここで、Ｗ０は畳み込み前の解像度、Ｗｋはカーネルの表面サイズ、Ｓはストライド、Ceil｛Ｘ｝はＸの小数点以下を切り上げる演算を行う関数である。
図３に示した各層の解像度は、データIMのｙ方向の解像度を３６とした場合の例であり、実際の各層の解像度はデータIMのサイズに応じて適宜変更される。
Ｗ１＝Ｃｅｉｌ{（Ｗ０－Ｗｋ＋１)／Ｓ} （１）
ここで、Ｗ０は畳み込み前の解像度、Ｗｋはカーネルの表面サイズ、Ｓはストライド、Ceil｛Ｘ｝はＸの小数点以下を切り上げる演算を行う関数である。
図３に示した各層の解像度は、データIMのｙ方向の解像度を３６とした場合の例であり、実際の各層の解像度はデータIMのサイズに応じて適宜変更される。
【0042】
classVN層２５０は、Ｎｍ個のチャンネルを有している。図３の例ではＮｍ＝２である。一般に、Ｎｍは２以上の整数であり、機械学習モデル１２２を用いて判別可能な既知のクラスの数である。判別可能なクラス数Ｎｍは、機械学習モデル１２２毎に異なる値を設定可能である。classVN層２５０の２つのチャンネルからは、２つの既知のクラスに対する判定値class1～class2が出力される。通常は、これらの判定値class1～class2のうちで最も大きな値を有するクラスが、データIMのクラス判別結果として使用される。
【0043】
図３では、更に、各層２１０，２２０，２３０，２４０，２５０における部分領域Rnが描かれている。部分領域Rnの添え字「ｎ」は、各層の符号である。例えば、部分領域Ｒ２１０は、Conv層２１０における部分領域を示す。「部分領域Rn」とは、各層において、第１軸ｘの位置と第２軸ｙとの位置で規定される平面位置（ｘ，ｙ）で特定され、第３軸ｚに沿った複数のチャンネルを含む領域である。部分領域Rnは、第１軸ｘ、第２軸ｙ、および第３軸ｚに対応する「Ｗｉｄｔｈ」×「Ｈｅｉｇｈｔ」×「Ｄｅｐｔｈ」の次元を有する。本実施形態では、１つの「部分領域Rn」に含まれるノードの数は「１×１×デプス数」、すなわち「１×１×チャンネル数」である。
【0044】
図３に示すように、学習済み機械学習モデル１２２の特定層であるConvVN2層２４０の出力から特徴スペクトルＳｐがスペクトル処理部１１３によって算出されて取得される。取得された特徴スペクトルＳｐは、入力データＩＭが基準データ群ＴＤＧの時系列波形データである場合には、既知特徴スペクトル群ＫＳｐＧに記憶される。また取得された特徴スペクトルＳｐは、入力データＩＭが評価用データ群ＥＤＧの時系列波形データである場合には、対象特徴スペクトル群ＥＳｐＧに記憶される。なお、学習済み機械学習モデル１２２の特定層は、ConvVN1層２３０、ConvVN2層２４０、classVN層２５０の少なくともいずれか一つの層であればよい。
【0045】
図４は、学習済み機械学習モデル１２２の他の構成を示す説明図である。この学習済み機械学習モデル１２２は、入力されるデータIMが画像データなどの２次元配列のデータである点で、１次元配列のデータIMを用いる図３の学習済み機械学習モデル１２２と異なっている。図４の各層２１０～２５０の構成は、以下のように記述できる。
＜各層の構成の記述＞
・Conv層２１０：Conv[32,5,2]
・PrimeVN層２２０：PrimeVN[16,1,1]
・ConvVN1層２３０：ConvVN1[12,3,2]
・ConvVN2層２４０：ConvVN2[6,3,1]
・classVN層２５０：classVN[Nm,4,1]
・ベクトル次元ＶＤ：VD=16
＜各層の構成の記述＞
・Conv層２１０：Conv[32,5,2]
・PrimeVN層２２０：PrimeVN[16,1,1]
・ConvVN1層２３０：ConvVN1[12,3,2]
・ConvVN2層２４０：ConvVN2[6,3,1]
・classVN層２５０：classVN[Nm,4,1]
・ベクトル次元ＶＤ：VD=16
【0046】
【0047】
図５は、学習済み機械学習モデル１２２の生成工程を示す図である。図５を用いて、未学習の機械学習モデルを学習して学習済み機械学習モデル１２２を生成する工程を説明する。まず、ステップＳ１０において、複数の学習セットＳＭが準備される。
【0048】
図６は、複数の学習セットＳＭを説明するための図である。本実施形態における学習セットＳＭは、学習データＴＤと、学習データＴＤに関連付けられた事前ラベルＬＢと、学習データＴＤに関連付けられた負荷データＬＤと、を有する。複数の学習セットＳＭ１～ＳＭＸを区別することなく用いる場合には、学習セットＳＭと呼ぶ。また、複数の学習セットＳＭ１～ＳＭＸをまとめて学習セット群ＳＭＧとも呼ぶ。本実施形態では、各学習データＴＤには、基準データ群ＴＤＧの各時系列波形データが用いられる。上述のごとく、時系列波形データは、筋力トレーニングを行った所定時間において、時間ｔごとに反射強度ＷＩを並べたデータである。また、事前ラベルＬＢは、筋力トレーニングとして「最適」を示すラベル「０」が各学習データＴＤに関連付けられている。負荷データＬＤは、上述の基準データ群ＴＤＧで説明したように、学習データＴＤを生成するための元となった負荷装置３００の負荷の値を示すデータである。学習セット群ＳＭＧは、記憶装置１２０に記憶されてもよく、この場合、学習セット群ＳＭＧの各時系列波形データおよび負荷データＬＤの集合が基準データ群ＴＤＧを構成する。以上のように、ステップＳ１０は、被験者の単位時間当たりの筋肉の増加量が予め定めた条件を満たす基準負荷が設定された筋力トレーニングが、被験者によって行われた場合における、被験者の筋膜に関する時系列波形データを複数の被験者ごとに準備する工程である。
【0049】
図５に示すように、ステップＳ１０の次にステップＳ１２において、学習実行部１１２は、学習セット群ＳＭＧを構成する複数の学習セットＳＭ１～ＳＭＸを学習前の機械学習モデルに入力して学習を実行する。具体的には、学習実行部１１２は、データＩＭとしての学習データＴＤと、学習データＴＤに関連付けられた事前ラベルＬＢとの対応を再現するように機械学習モデルの学習を実行する。機械学習モデルの学習が終了すると、学習済みの機械学習モデル１２２が記憶装置１２０に記憶される。
【0050】
次に、ステップＳ１４において、第１スペクトル取得部１１４は、学習済みの機械学習モデル１２２に対して、基準データ群ＴＤＧを構成する時系列波形データを入力することで、特定層であるConvVN2層２４０の出力から既知特徴スペクトルＫＳｐを、複数の時系列波形データごとに生成することで取得する。
【0051】
図７は、学習済みの機械学習モデル１２２にデータＩＭとしての時系列波形データを入力することによって得られる特徴スペクトルＳｐを示す説明図である。図３に示したように、本実施形態では、特徴スペクトルＳｐがConvVN2層２４０の出力から生成されることで取得される。図７の横軸は、ConvVN2層２４０の１つの部分領域Ｒ２４０に含まれる複数のノードの出力ベクトルに関するベクトル要素の位置である。このベクトル要素の位置は、各ノードにおける出力ベクトルの要素番号ＮＤと、チャンネル番号ＮＣとの組み合わせで表される。本実施形態では、ベクトル次元が１６、すなわち各ノードが出力する出力ベクトルの要素の数が１６なので、出力ベクトルの要素番号ＮＤは０から１５までの１６個である。また、ConvVN2層２４０のチャンネル数は１６なので、チャンネル番号ＮＣは０から１５までの１６個である。換言すれば、この特徴スペクトルＳｐは、１つの部分領域Ｒ２４０に含まれる各ベクトルニューロンの出力ベクトルの複数の要素値を、第３軸ｚに沿った複数のチャンネルにわたって配列したものである。
【0052】
図７の縦軸は、各スペクトル位置での特徴値ＣＶを示す。この例では、特徴値ＣＶは、出力ベクトルの各要素の値ＶＮＤである。特徴値ＣＶについては、平均値０へセンタリングするなどの統計処理を行ってもよい。なお、特徴値ＣＶとしては、出力ベクトルの各要素の値ＶＮＤと、正規化係数とを乗算した値を使用してもよく、或いは、正規化係数をそのまま使用してもよい。後者の場合には、特徴スペクトルＳｐに含まれる特徴値ＣＶの数はチャンネル数に等しく、１６個である。なお、正規化係数は、そのノードの出力ベクトルのベクトル長さに相当する値である。
【0053】
１つのデータＩＭに対してConvVN2層２５０の出力から得られる特徴スペクトルＳｐの数は、ConvVN2層２４０の平面位置（ｘ，ｙ）の数、すなわち、部分領域Ｒ２４０の数に等しいので、３個である。
【0054】
図８は、既知特徴スペクトル群ＫＳｐＧの構成を示す説明図である。この例では、ConvVN2層２４０の出力から得られた既知特徴スペクトルＫＳｐを構成要素とする既知特徴スペクトル群ＫＳｐＧが示されている。
【0055】
既知特徴スペクトル群ＫＳｐＧの個々のレコードは、層内の部分領域Ｒｎの順序を示すパラメーターｋと、負荷データＬＤと、入力されるデータＩＭを識別するためのデータ番号を示すパラメーターｑと、既知特徴スペクトルＫＳｐとを含んでいる。既知特徴スペクトルＫＳｐは、図７の特徴スペクトルＳｐと同じものである。
【0056】
部分領域Ｒｎのパラメーターｋは、特定層に含まれる複数の部分領域Ｒｎのいずれであるか、すなわち、平面位置（ｘ，ｙ）のいずれであるかを示す値を取る。ConvVN2層２４０については部分領域Ｒ２４０の数が３個なので、ｋ＝１～３である。負荷データＬＤは、既知特徴スペクトルＫＳｐの生成元の時系列波形データを取得した時の、負荷制御部３１０によって設定された負荷の大きさを示す。データ番号のパラメーターｑは、既知特徴スペクトルＫＳｐを取得するための入力データＩＭとしての時系列波形データを識別するための番号であり、基準データ群ＴＤＧの時系列波形データ数が最大の番号max1をとる。本実施形態では、パラメーターｑは、１～max1までの値を取る。なお、既知特徴スペクトル群ＫＳｐＧは、さらに、事前ラベルＬＢであるクラスを識別するためのクラスパラメーターを、既知特徴スペクトルＫＳｐごとに有していてもよい。
【0057】
図９は、負荷特定システム５が実行する負荷特定処理のフローチャートである。負荷特定処理では、使用者が負荷装置３００を用いて筋力トレーニングを行う場合における、筋肉の増加量が最大となる最適な負荷を特定する。負荷特定処理を実行する前において、対象特徴スペクトルＥＳｐを取得するための筋力トレーニング時における候補負荷条件が負荷特定装置１００に設定される。本実施形態では、候補負荷条件は、候補負荷の下限値および上限値と、下限値から上限値へ一定間隔ごとに段階的に負荷をあげていく場合における上昇値とが定められている。また他の実施形態では、候補負荷条件は、候補負荷の下限値および上限値と、上限値から下限値へ段階的に負荷を一定間隔ごとにさげる場合における減少値とが定められている。また他の実施形態では、候補負荷条件は、複数の候補負荷の集合であってもよい。
【0058】
ステップＳ２０において、負荷制御部３１０は、一つの候補負荷を設定する。具体的には、図１に示す入力部３３０を介して外部より候補負荷の設定指示を受け付けることで、負荷制御部３１０は、候補負荷を負荷として設定する。
【0059】
次に、図９に示すステップＳ２２において、波形取得部１１６は、ステップＳ２０において設定された候補負荷により使用者が所定時間だけ筋力トレーニングを負荷装置３００によって実行した場合における、測定対象部位の筋膜に関する対象時系列波形データをセンサー装置４００から取得する。使用者の筋力トレーニング時間である所定時間は、被験者の時系列波形データを取得するために行った被験者の筋力トレーニングの時間である所定時間と同じ時間である。また、測定対象部位についても、被験者と使用者とでは同じである。ステップＳ２２において取得された対象時系列波形データは、評価用データ群ＥＤＧの要素として記憶装置１２０に記憶される。
【0060】
次にステップＳ２４において、第２スペクトル取得部１１５は、対象時系列波形データを学習済みの機械学習モデル１２２に入力して、特定層であるConvVN2層２４０の出力から対象特徴スペクトルＥＳｐを取得する。取得した対象特徴スペクトルＥＳｐは、負荷データＬＤと関連付けられて対象特徴スペクトル群ＥＳｐＧに記憶される。対象特徴スペクトル群ＥＳｐＧのデータ構成が、既知特徴スペクトルＫＳｐが対象特徴スペクトルＥＳｐに置き換わった点を除き、図８に示す既知特徴スペクトル群ＫＳｐＧのデータ構成と同じである。
【0061】
次にステップＳ２６において、算出部１１７は、既知特徴スペクトル群ＫＳｐＧを構成する複数の既知特徴スペクトルＫＳｐのそれぞれと、ステップＳ２４で取得した対象特徴スペクトルＥＳｐとのスペクトル類似度ＲＳｐを算出する。算出したスペクトル類似度ＲＳｐは、対象特徴スペクトルＥＳｐに関連付けられた負荷データＬＤと共に、記憶装置１２０に記憶される。
【0062】
次にステップＳ２８において、特定部１１８は、候補負荷条件が表す全ての候補負荷に応じた全ての対象特徴スペクトルＥＳｐに対して、スペクトル類似度ＲＳｐを算出したか否かを判定する。
【0063】
ステップＳ２８において、全ての候補負荷に応じた全ての対象特徴スペクトルＥＳｐに対してスペクトル類似度ＲＳｐが算出されていない場合には、負荷制御部３１０は、ステップＳ２０において残りの候補負荷のうちの一つを設定する。本実施形態では、全ての対象特徴スペクトルＥＳｐに対してスペクトル類似度ＲＳｐが算出されるまで、負荷制御部３１０は、候補負荷条件に基づいて一定間隔ごとに負荷の大きさを段階的にあげる。つまり、ステップＳ２０に設定される異なる候補負荷は、一定間隔ごとに負荷の大きさが異なる。ステップＳ２０～ステップＳ２６までの処理は、全ての対象特徴スペクトルＥＳｐに対してスペクトル類似度ＲＳｐが算出されるまで繰り返し実行される。
【0064】
ステップＳ２８において、全ての対象特徴スペクトルＥＳｐに対してスペクトル類似度ＲＳｐが算出された場合には、特定処理部１１９によってステップＳ３０が実行される。ステップＳ３０において、特定処理部１１９は、繰り返しステップＳ２０～ステップＳ２６が実行されることで算出された複数のスペクトル類似度ＲＳｐのうちで、予め定めた抽出条件を満たすスペクトル類似度ＲＳｐを特定し、特定したスペクトル類似度ＲＳｐの算出元となった対象時系列波形データに対応する候補負荷を特定する。具体的には、特定処理部１１９は、図１に示す対象特徴スペクトル群ＥＳｐＧを参照して、算出元の対象時系列波形データに関連付けられた負荷データＬＤを特定することで、負荷データＬＤが示す候補負荷を特定する。本実施形態では、予め定めた抽出条件は、複数のスペクトル類似度ＲＳｐのうちでスペクトル類似度ＲＳｐが最も高いという条件である。よって、特定処理部１１９は、最も高いスペクトル類似度ＲＳｐに対応した１つの候補負荷を特定する。特定した候補負荷を示す負荷データＬＤは、負荷装置３００に有線や無線によって送信されてもよいし、表示部１５０に表示されてもよい。
【0065】
次にステップＳ３２において、負荷制御部３１０は、特定された候補負荷を負荷発生部３２０の負荷として設定する。例えば、負荷制御部３１０は、ステップＳ３０によって特定された候補負荷を示す負荷データＬＤを有線や無線に負荷特定装置１００から受信した場合に、負荷データＬＤが示す負荷の値に負荷発生部３２０の負荷を設定することでステップＳ３２を実行してもよい。また、例えば、表示部１５０に表示された負荷データＬＤを、使用者やトレーナーが参照して負荷装置３００に負荷データＬＤが示す負荷の値を入力することで、負荷制御部３１０が入力された負荷の値に応じた負荷を負荷発生部３２０に設定することでステップＳ３２が実行されてもよい。なお、他の実施形態では、負荷特定処理は、ステップＳ３２を省略してもよい。
【0066】
また、例えば、ステップＳ２８における予め定めた抽出条件が、スペクトル類似度ＲＳｐが閾値以上であるという条件である場合等において、ステップＳ３０において特定された候補負荷が複数ある場合には、特定処理部１１９は特定した複数の候補負荷を表示部１５０に表示してもよい。この場合、例えば、特定処理部１１９は、複数の候補負荷の値を示す候補負荷情報と、候補負荷情報ごとに対応付けられたスペクトル類似度ＲＳｐを示す類似度情報とを表示部１５０に表示してもよい。こうすることで、使用者は、自身の筋力トレーニングに適切な負荷をスペクトル類似度ＲＳｐを参照することで容易に選択できる。
【0067】
以上のように、負荷決定処理は、全ての対象特徴スペクトルＥＳｐに対してスペクトル類似度ＲＳｐが算出されるまで、ステップＳ２０～ステップＳ２６の処理ルーチンが繰り返し実行されることで、例えば以下の工程１、２が実行される。
工程１：ステップＳ２２が繰り返し実行される工程であり、異なる候補負荷が設定された複数の筋力トレーニングを使用者が実行した場合における、異なる候補負荷ごとの対象時系列波形データを取得する工程。
工程２：ステップＳ２４が繰り返し実行される工程であり、複数の対象時系列波形データを学習済みの機械学習モデル１２２に入力して、特定層であるConvVN2層２４０の出力から複数の対象特徴スペクトルＥＳｐを取得する工程。
工程１：ステップＳ２２が繰り返し実行される工程であり、異なる候補負荷が設定された複数の筋力トレーニングを使用者が実行した場合における、異なる候補負荷ごとの対象時系列波形データを取得する工程。
工程２：ステップＳ２４が繰り返し実行される工程であり、複数の対象時系列波形データを学習済みの機械学習モデル１２２に入力して、特定層であるConvVN2層２４０の出力から複数の対象特徴スペクトルＥＳｐを取得する工程。
【0068】
次に、図１０～図１２を用いてスペクトル類似度ＲＳｐの算出方法について説明する。図１０は、スペクトル類似度ＲＳｐの第１の算出方法Ｍ１を示す説明図である。第１の算出方法Ｍ１では、まず、特定層であるConvVN2層２４０の出力から、部分領域Ｒｎ毎に局所スペクトル類似度S(j,k)が算出される。
【0069】
第１の算出方法Ｍ１において、局所スペクトル類似度S(j,k)は次式を用いて算出される。
S(j,k)=G{ESp(j,k), KSp(j,k,q)} （ｃ１）
ここで、
ｊは、特定層を示すパラメーター、
ｋは、部分領域Rnを示すパラメーター、
ｑは、データ番号を示すパラメーター、
G{a,b}は、ａとｂのスペクトル類似度を求める関数、
ESp(j,k)は、特定層ｊの特定の部分領域Ｒｎの出力から得られる対象特徴スペクトル、
KSp(j,k,q)は、既知特徴スペクトル群ＫＳｐＧのうち、特定層ｊの特定の部分領域Ｒｎの出力から得られるデータ番号ｑの既知特徴スペクトルである。
なお、局所スペクトル類似度を求める関数G{a,b}としては、例えば、コサイン類似度を求める式や、距離に応じた類似度を求める式を使用できる。
S(j,k)=G{ESp(j,k), KSp(j,k,q)} （ｃ１）
ここで、
ｊは、特定層を示すパラメーター、
ｋは、部分領域Rnを示すパラメーター、
ｑは、データ番号を示すパラメーター、
G{a,b}は、ａとｂのスペクトル類似度を求める関数、
ESp(j,k)は、特定層ｊの特定の部分領域Ｒｎの出力から得られる対象特徴スペクトル、
KSp(j,k,q)は、既知特徴スペクトル群ＫＳｐＧのうち、特定層ｊの特定の部分領域Ｒｎの出力から得られるデータ番号ｑの既知特徴スペクトルである。
なお、局所スペクトル類似度を求める関数G{a,b}としては、例えば、コサイン類似度を求める式や、距離に応じた類似度を求める式を使用できる。
【0070】
図１０の右側に示す３種類のスペクトル類似度ＲＳｐは、複数の部分領域Ｒｎについての局所スペクトル類似度S(j,k)を統計処理することで代表類似度として算出される。統計処理としては、複数の局所スペクトル類似度S(j,k)の最大値、平均値、又は、最小値を取ることによって得られたものである。なお、図示は省略しているが、最大値、平均値、または、最小値のいずれの演算を使用するかは、実験的または経験的に使用者によって予め設定される。
【0071】
以上のように、スペクトル類似度ＲＳｐの第１の算出方法Ｍ１では、以下の方法でスペクトル類似度ＲＳｐが算出される。
（１）一つの対象時系列波形データにおいて特定層ｊの特定の部分領域Ｒｎの出力から得られる対象特徴スペクトルＥＳｐと、その特定層ｊの特定の部分領域Ｒｎの出力から得られる既知特徴スペクトルＫＳｐとのスペクトル類似度である局所スペクトル類似度S(j,k)を求め、
（２）複数の部分領域Ｒｎについての局所スペクトル類似度S(j,k)の最大値、平均値、または、最小値を取ることによってスペクトル類似度ＲＳｐを求める。
（１）一つの対象時系列波形データにおいて特定層ｊの特定の部分領域Ｒｎの出力から得られる対象特徴スペクトルＥＳｐと、その特定層ｊの特定の部分領域Ｒｎの出力から得られる既知特徴スペクトルＫＳｐとのスペクトル類似度である局所スペクトル類似度S(j,k)を求め、
（２）複数の部分領域Ｒｎについての局所スペクトル類似度S(j,k)の最大値、平均値、または、最小値を取ることによってスペクトル類似度ＲＳｐを求める。
【0072】
図１１は、スペクトル類似度ＲＳｐの第２の算出方法Ｍ２を示す図である。算出部１１７は、上述した（ｃ１）式の代わりに次式を用いて局所スペクトル類似度S(i,j,k)を算出する。
S(j,k)=max[G{ESp(j,k), KSp(j,k=all,q)}] （ｃ２）
ここで、
ＫＳｐ(j,k=all,q)は、既知特徴スペクトル群ＫＳｐＧのうち、特定層ｊの部分領域Ｒｎごとの出力から得られるデータ番号ｑの既知特徴スペクトルＫＳｐである。Max[G(a,b)]は、算出したスペクトル類似度のうちの最大値を示す。
S(j,k)=max[G{ESp(j,k), KSp(j,k=all,q)}] （ｃ２）
ここで、
ＫＳｐ(j,k=all,q)は、既知特徴スペクトル群ＫＳｐＧのうち、特定層ｊの部分領域Ｒｎごとの出力から得られるデータ番号ｑの既知特徴スペクトルＫＳｐである。Max[G(a,b)]は、算出したスペクトル類似度のうちの最大値を示す。
【0073】
上述した第１の算出方法Ｍ１では、対象特徴スペクトルＥＳｐと既知特徴スペクトルＫＳｐとの比較対象は、同じ部分領域Ｒｎであったが、第２の算出方法Ｍ２では、一つの部分領域Ｒｎの対象特徴スペクトルＥＳｐと、全ての部分領域Ｒｎにおける既知特徴スペクトルＫＳｐとが算出対象である。第２の算出方法Ｍ２における他の方法は、第１の算出方法Ｍ１と同じである。
【0074】
以上のように、スペクトル類似度の第２の算出方法Ｍ２では、以下の方法でスペクトル類似度ＲＳｐが算出される。
（１）一つの対象時系列波形データにおいて特定層ｊの特定の部分領域Ｒｎの出力から得られる対象特徴スペクトルＥＳｐと、その特定層ｊの全ての部分領域Ｒｎの既知特徴スペクトルＫＳｐとのスペクトル類似度を複数求めて、複数のスペクトル類似度のうちの最大値を部分領域Ｒｎの局所スペクトル類似度S(j,k)として求め、
（２）複数の部分領域Ｒｎについての局所スペクトル類似度S(j,k)の最大値、平均値、または、最小値を取ることによってスペクトル類似度ＲＳｐを求める。
（１）一つの対象時系列波形データにおいて特定層ｊの特定の部分領域Ｒｎの出力から得られる対象特徴スペクトルＥＳｐと、その特定層ｊの全ての部分領域Ｒｎの既知特徴スペクトルＫＳｐとのスペクトル類似度を複数求めて、複数のスペクトル類似度のうちの最大値を部分領域Ｒｎの局所スペクトル類似度S(j,k)として求め、
（２）複数の部分領域Ｒｎについての局所スペクトル類似度S(j,k)の最大値、平均値、または、最小値を取ることによってスペクトル類似度ＲＳｐを求める。
【0075】
図１２は、スペクトル類似度の第３の算出方法Ｍ３を示す説明図である。第３の算出方法Ｍ３では、局所スペクトル類似度S(j,k)を求めることなく、特定層であるConvVN2層２４０の出力からスペクトル類似度ＲＳｐが算出される。
【0076】
第３の算出方法Ｍ３で得られるスペクトル類似度ＲＳｐ(j)は、次式を用いて算出される。
RSp(j)=max[G{ESp(j,k=all), KSp(j,k=all,q)}] （ｃ３）
ここで、
Sp(j,k=all)は、特定層ｊのすべての部分領域Ｒｎの出力から得られる特徴スペクトルである。
RSp(j)=max[G{ESp(j,k=all), KSp(j,k=all,q)}] （ｃ３）
ここで、
Sp(j,k=all)は、特定層ｊのすべての部分領域Ｒｎの出力から得られる特徴スペクトルである。
【0077】
以上のように、スペクトル類似度ＲＳｐの第３の算出方法Ｍ３では、以下の方法でスペクトル類似度ＲＳｐが算出される。
（１）一つの対象時系列波形データにおいて特定層ｊの出力から得られる全ての部分領域に応じた対象特徴スペクトルＥＳｐと、その特定層ｊに関連付けられたすべてのデータ番号の全ての部分領域Ｒｎに応じた既知特徴スペクトルＫＳｐとの類似度である個別スペクトル類似度をそれぞれ求め、
（２）複数の個別スペクトル類似度のうちで最大値をスペクトル類似度ＲＳｐとする。
（１）一つの対象時系列波形データにおいて特定層ｊの出力から得られる全ての部分領域に応じた対象特徴スペクトルＥＳｐと、その特定層ｊに関連付けられたすべてのデータ番号の全ての部分領域Ｒｎに応じた既知特徴スペクトルＫＳｐとの類似度である個別スペクトル類似度をそれぞれ求め、
（２）複数の個別スペクトル類似度のうちで最大値をスペクトル類似度ＲＳｐとする。
【0078】
上記実施形態によれば、図９に示すように、複数の既知特徴スペクトルＫＳｐのそれぞれと、異なる候補負荷ごとの複数の対象特徴スペクトルＥＳｐのそれぞれのスペクトル類似度ＲＳｐのうちで、抽出条件を満たすスペクトル類似度ＲＳｐを特定している。また、負荷特定装置１００は、特定したスペクトル類似度ＲＳｐの算出元となった対象時系列波形データに対応する候補負荷を特定する。これにより、様々な使用者のそれぞれに対して適切な負荷を特定できるので、特定した適切な負荷を筋力トレーニングの負荷として設定できる。
【0079】
また、上記実施形態によれば、対象特徴スペクトルＥＳｐとの比較対象となる既知特徴スペクトルＫＳｐは、被験者の単位時間当たりの筋肉の増加量が予め定めた条件を満たす基準負荷が負荷装置３００に設定された筋力トレーニングが被験者によって行われた場合における時系列波形データをもとに取得されている。これにより、負荷特定装置１００は、スペクトル類似度ＲＳｐを元に、使用者の単位時間当たりの筋肉の増加量が基準増加量以上となる候補負荷を精度良く特定できる。これにより、負荷装置３００は、候補負荷を使用者の筋力トレーニングの負荷として設定することで、単位時間当たりの筋肉の増加量が基準増加量以上となる筋力トレーニングをより確実に実行できる。特に本実施形態では、予め定めた条件は、単位時間当たりの筋肉の増加量が最大であるという条件であるので、使用者の単位時間当たりの筋肉の増加量が最大となる候補負荷を精度良く特定できる。これにより、候補負荷を使用者の筋力トレーニングの負荷として設定することで、単位時間当たりの筋肉の増加量が最大となる筋力トレーニングをより確実に実行できる。また、上記実施形態によれば、図９のステップＳ３２によって、負荷制御部３１０は、特定された候補負荷を負荷発生部３２０の負荷として設定することで、使用者に対して適切な筋力トレーニングの負荷を容易に設定できる。また上記実施形態によれば、繰り返し実行される図９のステップＳ２０において設定される異なる候補負荷は、一定間隔ごとに負荷の大きさが異なる。これにより、候補負荷を段階的に変化させることができるので、使用者に対して適切な負荷をより精度良く特定しやすくできる。
【0080】
Ｂ．他の実施形態：
上記実施形態において、時系列波形データの測定対象部位は、１か所であってもよく、複数箇所であってもよい。複数箇所の測定対象部位を対象に時系列波形データが取得される場合には、時系列波形データや、時系列波形データから取得される特徴スペクトルＳｐに対して、測定対象部位を示す部位情報が関連付けられて、記憶装置１２０に記憶されてもよい。この場合、スペクトル類似度ＲＳｐは、部位情報が同じ既知特徴スペクトルＫＳｐと対象特徴スペクトルＥＳｐとを比較して算出される。このようにすることで、使用者の腹筋や上腕二頭筋などの筋肉の部位ごとに、適切な筋力トレーニングの負荷を容易に特定できる。
上記実施形態において、時系列波形データの測定対象部位は、１か所であってもよく、複数箇所であってもよい。複数箇所の測定対象部位を対象に時系列波形データが取得される場合には、時系列波形データや、時系列波形データから取得される特徴スペクトルＳｐに対して、測定対象部位を示す部位情報が関連付けられて、記憶装置１２０に記憶されてもよい。この場合、スペクトル類似度ＲＳｐは、部位情報が同じ既知特徴スペクトルＫＳｐと対象特徴スペクトルＥＳｐとを比較して算出される。このようにすることで、使用者の腹筋や上腕二頭筋などの筋肉の部位ごとに、適切な筋力トレーニングの負荷を容易に特定できる。
【0081】
Ｃ．他の形態：
本開示は、上述した実施形態に限られるものではなく、その趣旨を逸脱しない範囲において種々の形態で実現することができる。例えば、本開示は、以下の形態（aspect）によっても実現可能である。以下に記載した各形態中の技術的特徴に対応する上記実施形態中の技術的特徴は、本開示の課題の一部又は全部を解決するために、あるいは、本開示の効果の一部又は全部を達成するために、適宜、差し替えや、組み合わせを行うことが可能である。また、その技術的特徴が本明細書中に必須なものとして説明されていなければ、適宜、削除することが可能である。
本開示は、上述した実施形態に限られるものではなく、その趣旨を逸脱しない範囲において種々の形態で実現することができる。例えば、本開示は、以下の形態（aspect）によっても実現可能である。以下に記載した各形態中の技術的特徴に対応する上記実施形態中の技術的特徴は、本開示の課題の一部又は全部を解決するために、あるいは、本開示の効果の一部又は全部を達成するために、適宜、差し替えや、組み合わせを行うことが可能である。また、その技術的特徴が本明細書中に必須なものとして説明されていなければ、適宜、削除することが可能である。
【0082】
（１）本開示の第１の形態によれば、筋力トレーニング機器の負荷特定方法が提供される。この負荷特定方法は、（ａ）被験者の単位時間当たりの筋肉の増加量が予め定めた条件を満たす基準負荷が設定された筋力トレーニングが前記被験者によって行われた場合における、前記被験者の筋膜に関する時系列波形データを複数の前記被験者ごとに準備する工程と、（ｂ）複数のベクトルニューロン層を有するベクトルニューラルネットワーク型の学習済み機械学習モデルに対して複数の前記時系列波形データを入力して、前記学習済み機械学習モデルの特定層の出力から特徴スペクトルとしての既知特徴スペクトルを前記複数の時系列波形データごとに取得する工程と、（ｃ）異なる候補負荷が設定された複数の筋力トレーニングを使用者が実行した場合における、前記異なる候補負荷ごとの前記時系列波形データである対象時系列波形データを取得する工程と、（ｄ）複数の前記対象時系列波形データを前記学習済み機械学習モデルに入力して、前記特定層の出力から前記特徴スペクトルとしての対象特徴スペクトルを前記複数の対象時系列波形データを取得する工程と、（ｅ）複数の前記既知特徴スペクトルのそれぞれと、複数の前記対象特徴スペクトルのそれぞれとの類似度であるスペクトル類似度を算出し、算出した複数の前記スペクトル類似度のうちで、予め定めた抽出条件を満たす前記スペクトル類似度を特定し、特定した前記スペクトル類似度の算出元となった前記対象時系列波形データに対応する前記候補負荷を特定する工程と、を備える。この形態によれば、複数の既知特徴スペクトルのそれぞれと、異なる候補負荷ごとの複数の対象特徴スペクトルのそれぞれのスペクトル類似度のうちで、抽出条件を満たすスペクトル類似度を特定し、特定したスペクトル類似度の算出元となった対象時系列波形データに対応する候補負荷を特定している。これにより、様々な使用者のそれぞれに対して適切な負荷を特定できるので、特定した適切な負荷を筋力トレーニングの負荷として設定できる。
【0083】
（２）上記形態において、前記工程（ａ）において、前記予め定めた条件は、前記単位時間当たりの筋肉の増加量が増加基準量以上であるという条件であり、前記工程（ｅ）において、前記抽出条件は、前記スペクトル類似度が閾値以上であるという条件であってもよい。この形態によれば、使用者の単位時間当たりの筋肉の増加量が基準増加量以上となる候補負荷を精度良く特定できる。これにより、候補負荷を使用者の筋力トレーニングの負荷として設定することで、単位時間当たりの筋肉の増加量が基準増加量以上となる筋力トレーニングをより確実に実行できる。
【0084】
（３）上記形態において、前記工程（ａ）において、前記予め定めた条件は、前記単位時間当たりの筋肉の増加量が最大であるという条件であり、前記工程（ｅ）において、前記抽出条件は、前記複数のスペクトル類似度のうちで、前記スペクトル類似度が最も高いという条件であってもよい。この形態によれば、使用者の単位時間当たりの筋肉の増加量が最大となる候補負荷を精度良く特定できる。これにより、候補負荷を使用者の筋力トレーニングの負荷として設定することで、単位時間当たりの筋肉の増加量が最大となる筋力トレーニングをより確実に実行できる。
【0085】
（４）上記形態において、前記工程（ｅ）は、特定した前記候補負荷を、前記使用者が前記筋力トレーニングを行うときの負荷として設定する工程を含んでもよい。この形態によれば、使用者に対して適切な筋力トレーニングの負荷を容易に設定できる。
【0086】
（５）上記形態において、前記工程（ｃ）において、前記異なる候補負荷は、一定間隔ごとに前記負荷の大きさが異なっていてもよい。この形態によれば、異なる候補負荷が一定間隔ごとに負荷の大きさが異なることで、使用者に対する適切な負荷をより精度良く特定しやすくできる。
【0087】
（６）本開示の第２の形態によれば、筋力トレーニング機器の負荷特定装置が提供される。この負荷特定装置は、複数のベクトルニューロン層を有するベクトルニューラルネットワーク型の学習済み機械学習モデルを記憶する記憶装置と、被験者の単位時間当たりの筋肉の増加量が予め定めた条件を満たす基準負荷が設定された筋力トレーニングが前記被験者によって行われた場合における、複数の前記被験者ごとに応じた筋膜に関する時系列波形データを、前記学習済み機械学習モデルに対して入力して、前記学習済み機械学習モデルの特定層の出力から特徴スペクトルとしての既知特徴スペクトルを前記複数の時系列波形データごとに取得する第１スペクトル取得部と、異なる候補負荷が設定された複数の筋力トレーニングを使用者が実行した場合における、前記異なる候補負荷ごとの前記時系列波形データである対象時系列波形データを取得する波形取得部と、複数の前記対象時系列波形データを前記学習済み機械学習モデルに入力して、前記特定層の出力から前記特徴スペクトルとしての対象特徴スペクトルを前記複数の対象時系列波形データを取得する第２スペクトル取得部と、複数の前記既知特徴スペクトルのそれぞれと、複数の前記対象特徴スペクトルのそれぞれとの類似度であるスペクトル類似度を算出し、算出した複数の前記スペクトル類似度のうちで、予め定めた抽出条件を満たす前記スペクトル類似度を特定し、特定した前記スペクトル類似度の算出元となった前記対象時系列波形データに対応する前記候補負荷を特定する特定部と、を備える。この形態によれば、複数の既知特徴スペクトルのそれぞれと、異なる候補負荷ごとの複数の対象特徴スペクトルのそれぞれのスペクトル類似度のうちで、抽出条件を満たすスペクトル類似度を特定し、特定したスペクトル類似度の算出元となった対象時系列波形データに対応する候補負荷を特定している。これにより、様々な使用者のそれぞれに対して適切な負荷を特定できるので、特定した適切な負荷を筋力トレーニングの負荷として設定できる。
【0088】
（７）本開示の第３の形態によれば、筋力トレーニング機器の負荷特定をコンピューターに実行させるためのコンピュータープログラムが提供される。このコンピュータープログラムは、（ａ）複数のベクトルニューロン層を有するベクトルニューラルネットワーク型の学習済み機械学習モデルを記憶する機能と、（ｂ）被験者の単位時間当たりの筋肉の増加量が予め定めた条件を満たす基準負荷が設定された筋力トレーニングが前記被験者によって行われた場合における、複数の前記被験者ごとに応じた筋膜に関する時系列波形データを、前記学習済み機械学習モデルに対して入力して、前記学習済み機械学習モデルの特定層の出力から特徴スペクトルとしての既知特徴スペクトルを前記複数の時系列波形データごとに取得する機能と、（ｃ）異なる候補負荷が設定された複数の筋力トレーニングを使用者が実行した場合における、前記異なる候補負荷ごとの前記時系列波形データである対象時系列波形データを取得する機能と、（ｄ）複数の前記対象時系列波形データを前記学習済み機械学習モデルに入力して、前記特定層の出力から前記特徴スペクトルとしての対象特徴スペクトルを前記複数の対象時系列波形データを取得する機能と、（ｅ）複数の前記既知特徴スペクトルのそれぞれと、複数の前記対象特徴スペクトルのそれぞれとの類似度であるスペクトル類似度を算出し、算出した複数の前記スペクトル類似度のうちで、予め定めた抽出条件を満たす前記スペクトル類似度を特定し、特定した前記スペクトル類似度の算出元となった前記対象時系列波形データに対応する前記候補負荷を特定する機能と、を備える。この形態によれば、複数の既知特徴スペクトルのそれぞれと、異なる候補負荷ごとの複数の対象特徴スペクトルのそれぞれのスペクトル類似度のうちで、抽出条件を満たすスペクトル類似度を特定し、特定したスペクトル類似度の算出元となった対象時系列波形データに対応する候補負荷を特定している。これにより、様々な使用者のそれぞれに対して適切な負荷を特定できるので、特定した適切な負荷を筋力トレーニングの負荷として設定できる。
【0089】
本開示は、上記以外の種々の形態で実現することも可能である。例えば、コンピュータープログラムを記録した一時的でない記録媒体（non-transitory storage medium）等の形態で実現することができる。
【符号の説明】
【0090】
ＳＭ、ＳＭ１～ＳＭＸ…学習セット、ＳＭＧ…学習セット群、ＴＤ…学習データ、ＴＤＧ…基準データ群、ＷＩ…反射強度、５…負荷特定システム、１７…信号処理回路、１９…マルチプレクサ、８１～８８…超音波素子、１００…負荷特定装置、１１０…プロセッサー、１１２…学習実行部、１１３…スペクトル処理部、１１４…第１スペクトル取得部、１１５…第２スペクトル取得部、１１６…波形取得部、１１７…算出部、１１８…特定部、１１９…特定処理部、１２０…記憶装置、１２２…学習済み機械学習モデル、１３０…インターフェイス回路、１４０…入力デバイス、１５０…表示部、２１０…畳み込み層、２２０…プライマリーベクトルニューロン層，２３０…第１畳み込みベクトルニューロン層、２４０…第２畳み込みベクトルニューロン層，２５０…分類ベクトルニューロン層，３００…負荷装置、３１０…負荷制御部、３２０…負荷発生部、３３０…入力部、４００…センサー装置、４１０…超音波プローブ、４３０…配線、４６０…制御部、４６５…駆動パルス発生回路、４６６…送信回路、４６７…信号処理回路、４６８…受信回路、４６９…マルチプレクサ、４７０…マイコン、４７１…通信部、８１１，８８１…送信素子、８１２，８８２…受信素子、ＥＳｐ…対象特徴スペクトル、ＥＳｐＧ…対象特徴スペクトル群、IM…データ、ＫＳｐ…既知特徴スペクトル、ＫＳｐＧ…既知特徴スペクトル群、ＬＤ…負荷データ、ＮＣ…チャンネル番号、ＮＤ…要素番号、Ｎｍ…クラス数、Ｒｎ…部分領域、ＲＳｐ…スペクトル類似度
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】