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」
(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】P2024027636
(43)【公開日】2024-03-01
(54)【発明の名称】情報処理装置、情報処理方法、及びプログラム
(51)【国際特許分類】
A63B 69/00 20060101AFI20240222BHJP
A63B 71/06 20060101ALI20240222BHJP
G06N 20/00 20190101ALI20240222BHJP
G06Q 50/10 20120101ALI20240222BHJP
【ＦＩ】
A63B69/00 C
A63B71/06 T
G06N20/00
G06Q50/10
【審査請求】未請求
【請求項の数】11
【出願形態】ＯＬ
(21)【出願番号】P 2022130584
(22)【出願日】2022-08-18
(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】100149548
【弁理士】
【氏名又は名称】松沼 泰史
(74)【代理人】
【識別番号】100140774
【弁理士】
【氏名又は名称】大浪 一徳
(74)【代理人】
【識別番号】100114937
【弁理士】
【氏名又は名称】松本 裕幸
(74)【代理人】
【識別番号】100196058
【弁理士】
【氏名又は名称】佐藤 彰雄
(72)【発明者】
【氏名】小林 伸一
【テーマコード（参考）】
5L049
【Ｆターム（参考）】
5L049CC11
(57)【要約】
【課題】ユーザーの目標として適切な目標人物を示す目標人物情報を、精度よく出力することができる情報処理装置を提供すること。
【解決手段】第１運動についての評価を示す情報を評価情報とし、第１人物についての前記評価情報と、複数の目標人物それぞれについての前記評価情報とを含む入力情報を入力された場合、前記複数の目標人物のうち前記第１人物の目標として適切な目標人物を示す目標人物情報を出力する学習済みの機械学習モデルへ前記入力情報を入力し、前記機械学習モデルから出力される前記目標人物情報を含む出力情報を出力する制御部、を備える情報処理装置。
【選択図】図１
【解決手段】第１運動についての評価を示す情報を評価情報とし、第１人物についての前記評価情報と、複数の目標人物それぞれについての前記評価情報とを含む入力情報を入力された場合、前記複数の目標人物のうち前記第１人物の目標として適切な目標人物を示す目標人物情報を出力する学習済みの機械学習モデルへ前記入力情報を入力し、前記機械学習モデルから出力される前記目標人物情報を含む出力情報を出力する制御部、を備える情報処理装置。
【選択図】図１
【特許請求の範囲】
【請求項1】
第１運動についての評価を示す情報を評価情報とし、第１人物についての前記評価情報と、複数の目標人物それぞれについての前記評価情報とを含む入力情報を入力された場合、前記複数の目標人物それぞれについての前記評価情報のうち前記第１人物についての前記評価情報が最も近づき易いと推定される前記評価情報を類似評価情報として出力する学習済みの機械学習モデルへ前記入力情報を入力し、前記複数の目標人物のうち前記機械学習モデルから出力される前記類似評価情報に対応する目標人物を示す目標人物情報を含む出力情報を出力する制御部、
を備える情報処理装置。
を備える情報処理装置。
【請求項2】
前記機械学習モデルは、前記入力情報が入力された場合、前記目標人物情報とともに、前記第１運動についての複数の練習メニューのうち前記第１人物に適した練習メニューを示す練習メニュー情報を出力する、
請求項１に記載の情報処理装置。
請求項１に記載の情報処理装置。
【請求項3】
属性を示す情報を属性情報とし、前記複数の目標人物のそれぞれには、目標人物についての前記属性情報が対応付けられており、
前記制御部は、受け付けた操作に応じて、前記複数の目標人物の中から、前記第１人物についての前記属性情報と一致する前記属性情報に対応付けられた１人以上の目標人物を特定し、特定した前記１人以上の目標人物それぞれについての前記評価情報と、前記第１人物についての前記評価情報とを含む前記入力情報を生成する、
請求項１に記載の情報処理装置。
前記制御部は、受け付けた操作に応じて、前記複数の目標人物の中から、前記第１人物についての前記属性情報と一致する前記属性情報に対応付けられた１人以上の目標人物を特定し、特定した前記１人以上の目標人物それぞれについての前記評価情報と、前記第１人物についての前記評価情報とを含む前記入力情報を生成する、
請求項１に記載の情報処理装置。
【請求項4】
前記属性情報は、年齢層を示す年齢層情報と、体格を示す体格情報との少なくとも一方を含む、
請求項３に記載の情報処理装置。
請求項３に記載の情報処理装置。
【請求項5】
前記機械学習モデルは、前記第１運動についての複数の練習メニューそれぞれの練習によって前記評価情報に生じる変化を示す評価変化情報に基づいて、前記入力情報が入力された場合において、前記複数の目標人物それぞれについての前記評価情報の中から、入力された前記入力情報に含まれる前記第１人物についての前記評価情報が近づき易い前記評価情報として最も尤もらしい前記評価情報を前記類似評価情報として特定するように学習済みである、
請求項１に記載の情報処理装置。
請求項１に記載の情報処理装置。
【請求項6】
前記評価情報は、前記第１運動において解析の対象となる動作についての人の身体の使い方を示す波形データを含み、
前記評価変化情報は、前記波形データに生じる変化を示し、
前記機械学習モデルは、前記入力情報が入力された場合、前記複数の目標人物それぞれについての前記波形データの中から、入力された前記入力情報に含まれる前記第１人物についての前記波形データが近づき易いことが最も尤もらしい前記波形データを特定し、特定した前記波形データを含む前記評価情報を前記類似評価情報として特定する、
請求項５に記載の情報処理装置。
前記評価変化情報は、前記波形データに生じる変化を示し、
前記機械学習モデルは、前記入力情報が入力された場合、前記複数の目標人物それぞれについての前記波形データの中から、入力された前記入力情報に含まれる前記第１人物についての前記波形データが近づき易いことが最も尤もらしい前記波形データを特定し、特定した前記波形データを含む前記評価情報を前記類似評価情報として特定する、
請求項５に記載の情報処理装置。
【請求項7】
前記波形データは、前記動作についての物体の動きに関する第１情報と、前記動作における人の身体の第１部位の使い方に関する第２情報に基づくデータであり、
前記物体は、人の身体、又は、前記第１運動に用いられる道具である、
請求項６に記載の情報処理装置。
前記物体は、人の身体、又は、前記第１運動に用いられる道具である、
請求項６に記載の情報処理装置。
【請求項8】
前記波形データは、前記動作についての物体の動きに関する第１情報と、前記動作における人の身体の第１部位の使い方に関する第２情報とに基づく第１波形データと、前記第１情報と、前記動作における人の身体の第２部位の使い方に関する第３情報とに基づく第２波形データとを含み、
前記物体は、人の身体、又は、前記第１運動に用いられる道具である、
請求項６に記載の情報処理装置。
前記物体は、人の身体、又は、前記第１運動に用いられる道具である、
請求項６に記載の情報処理装置。
【請求項9】
前記機械学習モデルは、前記入力情報が入力された場合において、前記第１人物と異なる第２人物についての前記評価情報が前記入力情報に含まれていた場合、前記第１人物についての前記評価情報が前記入力情報に含まれていた場合に出力する前記類似評価情報が示す評価と異なる評価を示す前記類似評価情報を出力する、
請求項１に記載の情報処理装置。
請求項１に記載の情報処理装置。
【請求項10】
第１運動についての評価を示す情報を評価情報とし、第１人物についての前記評価情報と、複数の目標人物それぞれについての前記評価情報とを含む入力情報を入力された場合、前記複数の目標人物それぞれについての前記評価情報のうち前記第１人物についての前記評価情報が最も近づき易いと推定される前記評価情報を類似評価情報として出力する学習済みの機械学習モデルへ前記入力情報を入力し、前記複数の目標人物のうち前記機械学習モデルから出力される前記類似評価情報に対応する目標人物を示す目標人物情報を含む出力情報を出力するステップ、
を有する情報処理方法。
を有する情報処理方法。
【請求項11】
コンピューターに、
第１運動についての評価を示す情報を評価情報とし、第１人物についての前記評価情報と、複数の目標人物それぞれについての前記評価情報とを含む入力情報を入力された場合、前記複数の目標人物それぞれについての前記評価情報のうち前記第１人物についての前記評価情報が最も近づき易いと推定される前記評価情報を類似評価情報として出力する学習済みの機械学習モデルへ前記入力情報を入力し、前記複数の目標人物のうち前記機械学習モデルから出力される前記類似評価情報に対応する目標人物を示す目標人物情報を含む出力情報を出力するステップ、
を実行させるためのプログラム。
第１運動についての評価を示す情報を評価情報とし、第１人物についての前記評価情報と、複数の目標人物それぞれについての前記評価情報とを含む入力情報を入力された場合、前記複数の目標人物それぞれについての前記評価情報のうち前記第１人物についての前記評価情報が最も近づき易いと推定される前記評価情報を類似評価情報として出力する学習済みの機械学習モデルへ前記入力情報を入力し、前記複数の目標人物のうち前記機械学習モデルから出力される前記類似評価情報に対応する目標人物を示す目標人物情報を含む出力情報を出力するステップ、
を実行させるためのプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
この開示は、情報処理装置、情報処理方法、及びプログラムに関する。
【背景技術】
【0002】
人による運動を支援する技術についての研究、開発が行われている。
【0003】
これに関し、ユーザーの運動に関するデータを取得し、取得したデータと、ユーザーの目標となり得る人物の運動に関するデータとの差分を算出し、算出した差分を補うためのアドバイスを示す情報を出力する情報処理装置が知られている（特許文献１参照）。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】特開２０２２－０６１７８４号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
しかしながら、特許文献１に記載されたような情報処理装置は、ユーザーの目標となり得る人物としてユーザーが所望する人物を出力することができなかった。このため、当該情報処理装置は、ユーザーが目標にすべき人物と異なる人物をユーザーに目指させてしまうことがあった。
【課題を解決するための手段】
【0006】
上記課題を解決するために本開示の一態様は、第１運動についての評価を示す情報を評価情報とし、第１人物についての前記評価情報と、複数の目標人物それぞれについての前記評価情報とを含む入力情報を入力された場合、前記複数の目標人物それぞれについての前記評価情報のうち前記第１人物についての前記評価情報が最も近づき易いと推定される前記評価情報を類似評価情報として出力する学習済みの機械学習モデルへ前記入力情報を入力し、前記複数の目標人物のうち前記機械学習モデルから出力される前記類似評価情報に対応する目標人物を示す目標人物情報を含む出力情報を出力する制御部、を備える情報処理装置である。
【0007】
また、本開示の一態様は、第１運動についての評価を示す情報を評価情報とし、第１人物についての前記評価情報と、複数の目標人物それぞれについての前記評価情報とを含む入力情報を入力された場合、前記複数の目標人物それぞれについての前記評価情報のうち前記第１人物についての前記評価情報が最も近づき易いと推定される前記評価情報を類似評価情報として出力する学習済みの機械学習モデルへ前記入力情報を入力し、前記複数の目標人物のうち前記機械学習モデルから出力される前記類似評価情報に対応する目標人物を示す目標人物情報を含む出力情報を出力するステップ、を有する情報処理方法である。
【0008】
また、本開示の一態様は、コンピューターに、第１運動についての評価を示す情報を評価情報とし、第１人物についての前記評価情報と、複数の目標人物それぞれについての前記評価情報とを含む入力情報を入力された場合、前記複数の目標人物それぞれについての前記評価情報のうち前記第１人物についての前記評価情報が最も近づき易いと推定される前記評価情報を類似評価情報として出力する学習済みの機械学習モデルへ前記入力情報を入力し、前記複数の目標人物のうち前記機械学習モデルから出力される前記類似評価情報に対応する目標人物を示す目標人物情報を含む出力情報を出力するステップ、を実行させるためのプログラムである。
【図面の簡単な説明】
【0009】
【図1】情報処理装置１の構成の一例を示す図である。
【図2】機械学習モデルＭの入出力の一例を示す図である。
【図3】第１情報及び第２情報に基づいて生成された波形データが示す波形がプロットされたグラフを例示する図である。
【図5】情報処理装置１が出力情報を出力する処理の流れの一例を示す図である。
【図6】情報処理装置１の構成の他の例を示す図である。
【図7】情報処理装置１が評価情報を生成する処理の流れの一例を示す図である。
【発明を実施するための形態】
【0010】
＜実施形態＞
以下、本開示の実施形態について、図面を参照して説明する。
以下、本開示の実施形態について、図面を参照して説明する。
【0011】
＜情報処理装置の概要＞
まず、実施形態に係る情報処理装置の概要について説明する。
まず、実施形態に係る情報処理装置の概要について説明する。
【0012】
実施形態に係る情報処理装置では、第１運動についての評価を示す情報を評価情報とする。また、当該情報処理装置は、制御部を備える。制御部は、学習済みの機械学習モデルを用いた処理を行う。当該機械学習モデルは、第１人物についての評価情報と、複数の目標人物それぞれについての評価情報とを含む入力情報を入力された場合、複数の目標人物それぞれについての評価情報のうち第１人物についての評価情報が最も近づき易いと推定される評価情報を類似評価情報として出力する。このため、制御部は、当該処理として、学習済みの機械学習モデルへ入力情報を入力し、複数の目標人物のうち当該機械学習モデルから出力される類似評価情報に対応する目標人物を示す目標人物情報を含む出力情報を出力する処理を行う。これにより、当該情報処理装置は、ユーザーの目標として適切な目標人物を示す目標人物情報を、精度よく出力することができる。
【0013】
以下では、実施形態に係る情報処理装置の構成と、当該情報処理装置が行う処理とについて詳しく説明する。
【0014】
＜情報処理装置の構成＞
以下、実施形態に係る情報処理装置の構成について、情報処理装置１を例に挙げて説明する。以下では、説明の便宜上、情報処理装置１のユーザーを、単にユーザーと称して説明する。また、以下では、説明の便宜上、ユーザーが行う運動を、第１運動と称して説明する。第１運動は、野球、サッカー、バレーボール、マラソン等であるが、これらに限られるわけではない。そこで、以下では、一例として、第１運動が野球である場合について説明する。また、以下では、説明の便宜上、第１運動についての評価を示す情報を、評価情報と称して説明する。また、以下では、説明の便宜上、ユーザー等の第１運動を行う人物から目標になる人物として挙げられる複数の人物のそれぞれを、目標人物と称して説明する。目標人物は、例えば、第１運動のプロフェッショナルリーグの選手、第１運動の各種の大会において優秀な成績を収めた選手等であるが、これらに限られるわけではない。また、以下では、説明の便宜上、第１運動における身体の使い方を表す複数のタイプのそれぞれを、フィジカルタイプと称して説明する。この一例のように第１運動が野球である場合、複数のフィジカルタイプとしては、ミートタイプ、パワータイプ、スピードタイプ、ディフェンスタイプ、バランスタイプ等が挙げられる。ここで、ミートタイプは、ピッチャーが投げたボールにバットを当てる技術に特化した身体の使い方を表すフィジカルタイプである。パワータイプは、ピッチャーが投げたボールを筋力によって遠くに飛ばす技術に特化した身体の使い方を表すフィジカルタイプである。スピードタイプは、速く走る技術に特化した身体の使い方を表すフィジカルタイプである。ディフェンスタイプは、守備の技術に特化した身体の使い方を表すフィジカルタイプである。バランスタイプは、野球のすべての技術を平均的にこなす身体の使い方を表すフィジカルタイプである。また、以下では、説明の便宜上、ある人物の属性を示す属性情報が、当該人物の年齢層を示す年齢層情報と、当該人物の体格を示す体格情報とのそれぞれを含む場合について説明する。なお、当該属性情報は、当該年齢層情報と当該体格情報とのいずれか一方を含む構成であってもよい。また、当該属性情報は、当該年齢層情報と当該体格情報とに加えて、又は、当該年齢層情報と当該体格情報とのうちの少なくとも一方に代えて、プロフェッショナルリーグの選手か否かを示すフラグ等の当該人物の他の属性を示す情報を含む構成であってもよい。この一例のように第１運動が野球である場合、プロフェッショナルリーグは、プロ野球リーグのことである。また、以下では、一例として、ある人物の年齢層が、小学生、中学生、高校生、大学生、社会人等によって分類される場合について説明する。なお、当該人物の年齢層は、年齢を用いた方法等の他の方法により分類されてもよい。また、以下では、一例として、ある人物の体格が、当該人物の身長と、当該人物の体重との組み合わせによって表される場合について説明する。なお、当該人物の体格は、当該人物の身長と当該人物の体重とに加えて、又は、当該人物の身長と当該人物の体重との少なくとも一方に代えて、当該人物の体格を示す他の値によって表される構成であってもよい。
以下、実施形態に係る情報処理装置の構成について、情報処理装置１を例に挙げて説明する。以下では、説明の便宜上、情報処理装置１のユーザーを、単にユーザーと称して説明する。また、以下では、説明の便宜上、ユーザーが行う運動を、第１運動と称して説明する。第１運動は、野球、サッカー、バレーボール、マラソン等であるが、これらに限られるわけではない。そこで、以下では、一例として、第１運動が野球である場合について説明する。また、以下では、説明の便宜上、第１運動についての評価を示す情報を、評価情報と称して説明する。また、以下では、説明の便宜上、ユーザー等の第１運動を行う人物から目標になる人物として挙げられる複数の人物のそれぞれを、目標人物と称して説明する。目標人物は、例えば、第１運動のプロフェッショナルリーグの選手、第１運動の各種の大会において優秀な成績を収めた選手等であるが、これらに限られるわけではない。また、以下では、説明の便宜上、第１運動における身体の使い方を表す複数のタイプのそれぞれを、フィジカルタイプと称して説明する。この一例のように第１運動が野球である場合、複数のフィジカルタイプとしては、ミートタイプ、パワータイプ、スピードタイプ、ディフェンスタイプ、バランスタイプ等が挙げられる。ここで、ミートタイプは、ピッチャーが投げたボールにバットを当てる技術に特化した身体の使い方を表すフィジカルタイプである。パワータイプは、ピッチャーが投げたボールを筋力によって遠くに飛ばす技術に特化した身体の使い方を表すフィジカルタイプである。スピードタイプは、速く走る技術に特化した身体の使い方を表すフィジカルタイプである。ディフェンスタイプは、守備の技術に特化した身体の使い方を表すフィジカルタイプである。バランスタイプは、野球のすべての技術を平均的にこなす身体の使い方を表すフィジカルタイプである。また、以下では、説明の便宜上、ある人物の属性を示す属性情報が、当該人物の年齢層を示す年齢層情報と、当該人物の体格を示す体格情報とのそれぞれを含む場合について説明する。なお、当該属性情報は、当該年齢層情報と当該体格情報とのいずれか一方を含む構成であってもよい。また、当該属性情報は、当該年齢層情報と当該体格情報とに加えて、又は、当該年齢層情報と当該体格情報とのうちの少なくとも一方に代えて、プロフェッショナルリーグの選手か否かを示すフラグ等の当該人物の他の属性を示す情報を含む構成であってもよい。この一例のように第１運動が野球である場合、プロフェッショナルリーグは、プロ野球リーグのことである。また、以下では、一例として、ある人物の年齢層が、小学生、中学生、高校生、大学生、社会人等によって分類される場合について説明する。なお、当該人物の年齢層は、年齢を用いた方法等の他の方法により分類されてもよい。また、以下では、一例として、ある人物の体格が、当該人物の身長と、当該人物の体重との組み合わせによって表される場合について説明する。なお、当該人物の体格は、当該人物の身長と当該人物の体重とに加えて、又は、当該人物の身長と当該人物の体重との少なくとも一方に代えて、当該人物の体格を示す他の値によって表される構成であってもよい。
【0015】
図１は、情報処理装置１の構成の一例を示す図である。
【0016】
情報処理装置１は、複数の目標人物のうち、ユーザーの目標として適切な目標人物をユーザーに提供する。より具体的には、情報処理装置１は、以下のような処理により、当該目標人物をユーザーに提供する。
【0017】
例えば、情報処理装置１は、ユーザーの属性を示すユーザー属性情報を受け付けるＧＵＩ（Graphical User Interface）を表示し、表示したＧＵＩを介してユーザー属性情報を受け付ける。ここで、情報処理装置１には、複数の目標人物のそれぞれを示す目標人物情報が記憶されている。ある目標人物を示す目標人物情報には、例えば、当該目標人物を識別する目標人物識別情報と、当該目標人物のフィジカルタイプを示すフィジカルタイプ情報と、当該目標人物の属性を示す目標人物属性情報とが含まれている。当該目標人物識別情報は、例えば、当該目標人物を識別するＩＤ（Identifier）であるが、当該目標人物を識別可能な他の情報であってもよい。なお、目標人物情報には、これら３つの情報に加えて、又は、これら３つの情報の少なくとも１つに代えて、当該目標人物を示す他の情報が含まれる構成であってもよい。
【0018】
ユーザー属性情報を受け付けた後、情報処理装置１は、受け付けたユーザー属性情報に基づいて、予め記憶された複数の目標人物情報の中から、第１運動におけるユーザーの目標となり得ると推定される１人以上の目標人物のそれぞれを示す目標人物情報を特定する。具体的には、情報処理装置１は、予め記憶された複数の目標人物情報の中から、受け付けたユーザー属性情報が示す属性と一致する属性を示す目標人物属性情報を含む１つ以上の目標人物情報を、第１運動におけるユーザーの目標となり得ると推定される１人以上の目標人物のそれぞれを示す目標人物情報として特定する。なお、情報処理装置１は、他の方法により、当該１つ以上の目標人物情報を特定する構成であってもよい。
【0019】
１つ以上の目標人物情報を特定した後、情報処理装置１は、特定した１つ以上の目標人物情報のそれぞれが示す目標人物についての評価情報と、ユーザーについての評価情報とのそれぞれに基づいて、複数の目標人物それぞれについての評価情報のうちユーザーについての評価情報が最も近づき易いと推定される評価情報を類似評価情報として推定する。ここで、情報処理装置１には、複数の目標人物それぞれについての評価情報が予め記憶されている。そして、ある目標人物についての評価情報には、当該目標人物を識別する目標人物識別情報が対応付けられている。このため、情報処理装置１は、特定した１つ以上の目標人物情報のそれぞれが示す目標人物についての評価情報を特定することができる。また、情報処理装置１は、ユーザーについての評価情報を予め記憶している構成であってもよく、ユーザーについての評価情報を生成する構成であってもよい。以下では、一例として、ユーザーについての評価情報が情報処理装置１に予め記憶されている場合について説明する。なお、評価情報の詳細については、後述する。
【0020】
また、情報処理装置１は、類似評価情報の推定を、学習済みの機械学習モデルＭを用いて行う。
【0021】
機械学習モデルＭは、本明細書において説明する類似評価情報の推定を行うことが可能な機械学習モデルであれば、如何なる機械学習モデルであってもよい。例えば、機械学習モデルＭは、ニューラルネットワーク、深層学習等を含む機械学習モデルのことであるが、これに限られるわけではない。機械学習モデルＭは、情報処理装置１の記憶領域内に構築されている構成であってもよく、情報処理装置１と通信可能に接続されたサーバーの記憶領域内に構築されている構成であってもよい。以下では、一例として、機械学習モデルＭが、情報処理装置１の記憶領域内に構築されている場合について説明する。
【0022】
機械学習モデルＭは、ユーザーについての評価情報と、複数の目標人物それぞれについての評価情報とを含む入力情報を入力された場合、複数の目標人物それぞれについての評価情報のうちユーザーについての評価情報が最も近づき易いと推定される評価情報を類似評価情報として出力するように学習済みである。このため、機械学習モデルＭは、図２に示すように、当該場合、当該類似評価情報を出力する。図２は、機械学習モデルＭの入出力の一例を示す図である。
【0023】
以上のような処理により、情報処理装置１は、機械学習モデルＭへ入力情報を入力し、複数の目標人物のうち、機械学習モデルＭから出力される類似評価情報に対応する目標人物を示す目標人物情報を含む出力情報を生成する。情報処理装置１は、生成した出力情報を出力する。これにより、情報処理装置１は、ユーザーの目標として適切な目標人物を示す目標人物情報を、精度よく出力することができる。
【0024】
情報処理装置１は、例えば、制御部１１、記憶部１２、入力受付部１３、通信部１４、表示部１５を備える。これらの構成部は、図示しないバスを介して相互に通信可能に接続されている。また、情報処理装置１は、通信部１４を介して他の装置と通信を行う。なお、情報処理装置１は、制御部１１、記憶部１２、入力受付部１３、通信部１４、表示部１５に加えて、他の機能部を備える構成であってもよい。
【0025】
制御部１１は、情報処理装置１の全体を制御する。制御部１１は、ＣＰＵ（Central Processing Unit）等のプロセッサーを含んで構成される。なお、制御部１１は、ＣＰＵに代えて、ＦＰＧＡ（Field Programmable Gate Array）等の他のプロセッサーを含んで構成されてもよい。また、制御部１１は、記憶部１２に記憶された各種のプログラムをプロセッサーが実行することにより実現される複数の機能部を備える。制御部１１は、これら複数の機能部として、例えば、処理部１１１と、推定部１１２と、表示制御部１１３を備える。なお、制御部１１は、記憶部１２に格納された各種のプログラムをプロセッサーが実行することにより、処理部１１１、推定部１１２、表示制御部１１３に加えて、他の機能部を備える構成であってもよい。また、制御部１１が備える処理部１１１、推定部１１２、表示制御部１１３のうちの一部又は全部は、ＬＳＩ（Large Scale Integration）、ＡＳＩＣ（Application Specific Integrated Circuit）等により実現されるハードウェア機能部であってもよい。
【0026】
処理部１１１は、受け付けた操作に応じて、各種の処理を行う。
【0027】
推定部１１２は、機械学習モデルＭを用いて、類似評価情報を推定する。
【0028】
表示制御部１１３は、受け付けた操作に応じて、各種の画像を生成する。また、表示制御部１１３は、生成した画像を表示部１５に表示させる。
【0029】
記憶部１２は、例えば、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read Only Memory）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等を含む記憶装置である。なお、記憶部１２は、情報処理装置１に内蔵されるものに代えて、ＵＳＢ（Universal Serial Bus）等のデジタル入出力ポート等によって接続された外付け型の記憶装置であってもよい。記憶部１２は、情報処理装置１が処理する各種の情報、各種の画像、各種のプログラムを記憶する。
【0030】
入力受付部１３は、キーボード、マウス、タッチパッド等の入力装置である。なお、入力受付部１３は、表示部１５とともにタッチパネルとして構成されてもよい。
【0031】
通信部１４は、例えば、ＵＳＢ等のデジタル入出力ポート、イーサネット（登録商標）ポート等を含んで構成される通信装置である。
【0032】
表示部１５は、情報処理装置１が備えるディスプレイとして、例えば、液晶ディスプレイパネル、有機ＥＬ（ElectroLuminescence）ディスプレイパネル等を含む表示装置である。
【0033】
＜評価情報の詳細＞
次に、評価情報の詳細について説明する。
次に、評価情報の詳細について説明する。
【0034】
評価情報は、具体的には、第１運動において解析の対象となる動作についての人の身体の使い方を示す波形データを含む情報である。以下では、説明の便宜上、当該動作を、対象動作と称して説明する。この一例のように第１運動が野球である場合、対象動作は、例えば、バットのスイング、ピッチング等のことであるが、これらに限られるわけではない。以下では、一例として、対象動作が、バットのスイングである場合について説明する。
【0035】
評価情報に含まれる波形データは、例えば、対象動作についての人の身体の動きに関する第１情報と、対象動作における人の身体の第１部位の使い方に関する第２情報に基づくデータである。ここで、第１部位は、人の身体が有する部位のうち第１運動において解析の対象となる部位のことである。なお、第１情報は、第１運動に用いられる道具の動きに関する情報であってもよい。当該道具は、この一例のように第１運動が野球である場合、バット、グローブ等であるが、これらに限られるわけではない。また、当該道具は、例えば、第１運動がゴルフである場合、ゴルフクラブであるが、これに限られるわけではない。また、当該場合、第１部位は、例えば、右手首の関節、左手首の関節、右肘関節、左肘関節、右肩関節、左方関節、右股関節、左股関節、右膝関節、左膝関節、胴の関節等であるが、これらに限られるわけではない。なお、本明細書において、胴の関節は、椎間関節のことである。
【0036】
ここで、この一例において、第１情報は、例えば、第１運動を行った期間を示す期間情報と、バットのスイングの構えを始めたタイミングを示す情報、バットのスイングを開始したタイミングを示す情報、バットのスイングの後半に至ったタイミングを示す情報、バットにボールを当てたタイミングを示す情報、バットによりボールを打ち返し終わったタイミングを示す情報等が含まれている。例えば、第１情報は、モーションキャプチャー等の物体の動きを検出することが可能なセンサーによって検出することができる。なお、第１情報は、これらの情報の一部又は全部に代えて、又は、これらの情報の全部に加えて、対象動作についての人の身体の動きに関する他の情報を含む情報であってもよい。
【0037】
一方、この一例において、第２情報は、例えば、第１情報の期間情報が示す期間内における第１部位の使い方を示す値によって表される。この値は、例えば、第１部位に貼付された筋電センサーからの出力値である。この場合、第２情報を表す値は、当該筋電センサーによって検出される。なお、第２情報を表す値は、当該期間内における第１部位の使い方を示す他の値であってもよい。
【0038】
評価情報に含まれる波形データは、このような第１情報及び第２情報に基づいて生成される。ここで、図３は、第１情報及び第２情報に基づいて生成された波形データが示す波形がプロットされたグラフを例示する図である。図３には、グラフＧ１～グラフＧ１１の１１個のグラフが示されている。そして、これら１１個のグラフの横軸は、第１情報の期間情報が示す期間における経過時間を示す。図３では、グラフＧ１～グラフＧ１１の横軸が共有されている。また、図３に示したタイミングｔ０は、バットのスイングの構えを始めたタイミングの一例を示す。図３では、タイミングｔ０を「構え」によって示している。また、図３に示したタイミングｔ１は、バットのスイングを開始したタイミングの一例を示す。図３では、タイミングｔ１を「スイング開始」によって示している。また、図３に示したタイミングｔ２は、バットのスイングの後半に至ったタイミングの一例を示す。図３では、タイミングｔ２を「スイング後半」によって示している。また、図３に示したタイミングｔ３は、バットにボールを当てたタイミングの一例を示す。図３では、タイミングｔ３を「インパクト」によって示している。また、図３に示したタイミングｔ４は、バットによりボールを打ち返し終わったタイミングの一例を示す。図３では、タイミングｔ４を「インパクト後」によって示している。このように、図３に示した例では、これら１１個のグラフの横軸は、第１情報に基づいて生成される。
【0039】
一方、１１個のグラフそれぞれの縦軸は、第１部位に貼付された筋電センサーからの出力値を示す。すなわち、１１個のグラフのそれぞれは、第１情報の期間情報が示す期間内における第１部位の使い方の一例を示すグラフである。グラフＧ１は、第１部位が右手首関節である場合の波形データが示す波形がプロットされたグラフである。このため、グラフＧ１にプロットされている曲線は、当該場合の波形データが示す波形の一例を示す。グラフＧ２は、第１部位が左手首関節である場合の波形データが示す波形がプロットされたグラフである。このため、グラフＧ２にプロットされている曲線は、当該場合の波形データが示す波形の一例を示す。グラフＧ３は、第１部位が右肘関節である場合の波形データが示す波形がプロットされたグラフである。このため、グラフＧ３にプロットされている曲線は、当該場合の波形データが示す波形の一例を示す。グラフＧ４は、第１部位が左肘関節である場合の波形データが示す波形がプロットされたグラフである。このため、グラフＧ４にプロットされている曲線は、当該場合の波形データが示す波形の一例を示す。グラフＧ５は、第１部位が右肩関節である場合の波形データが示す波形がプロットされたグラフである。このため、グラフＧ５にプロットされている曲線は、当該場合の波形データが示す波形の一例を示す。グラフＧ６は、第１部位が左肩関節である場合の波形データが示す波形がプロットされたグラフである。このため、グラフＧ６にプロットされている曲線は、当該場合の波形データが示す波形の一例を示す。グラフＧ７は、第１部位が右股関節である場合の波形データが示す波形がプロットされたグラフである。このため、グラフＧ７にプロットされている曲線は、当該場合の波形データが示す波形の一例を示す。グラフＧ８は、第１部位が左股関節である場合の波形データが示す波形がプロットされたグラフである。このため、グラフＧ８にプロットされている曲線は、当該場合の波形データが示す波形の一例を示す。グラフＧ９は、第１部位が右膝関節である場合の波形データが示す波形がプロットされたグラフである。このため、グラフＧ９にプロットされている曲線は、当該場合の波形データが示す波形の一例を示す。グラフＧ１０は、第１部位が左膝関節である場合の波形データが示す波形がプロットされたグラフである。このため、グラフＧ１０にプロットされている曲線は、当該場合の波形データが示す波形の一例を示す。グラフＧ１１は、第１部位が胴の関節である場合の波形データが示す波形がプロットされたグラフである。このため、グラフＧ１１にプロットされている曲線は、当該場合の波形データが示す波形の一例を示す。
【0040】
この一例における評価情報には、図３に示したグラフＧ１～グラフＧ１１のうちの１つのグラフ上にプロットされた波形を示す波形データが含まれている。例えば、ユーザーについての評価情報に含まれる波形データがプロ選手についての評価情報に含まれる波形データに近いほど、バットのスイングにおけるユーザーの第１部位の使い方の評価が高いと推定できる。一方、例えば、ユーザーについての評価情報に含まれる波形データがプロ選手についての評価情報に含まれる波形データから遠いほど、バットのスイングにおけるユーザーの第１部位の使い方の評価が低いと推定できる。このため、前述した通り、評価情報は、第１運動に関する評価を示す。ここで、図４は、図３に示したグラフＧ１の他の例を示す図である。このため、図４に示したグラフの縦軸は、第１部位に貼付された筋電センサーからの出力値を示す。また、当該グラフの横軸は、図３に示した１１個のグラフの横軸と共通の横軸である。そして、当該グラフは、図３に示したグラフＧ１と同様に、第１部位が右手首関節である場合の波形データが示す波形がプロットされたグラフである。当該グラフにおける実線の波形は、ユーザーの評価情報に含まれる波形データが示す波形の一例である。また、当該グラフにおける点線の波形は、あるプロ野球選手の評価情報に含まれる波形データが示す波形の一例である。ユーザーの第１運動の評価は、例えば、所定のタイミングにおけるユーザーの評価情報に含まれる波形データと、当該プロ選手の評価情報に含まれる波形データとの差分が所定の閾値以内であるか否かに基づいて行われる。例えば、ユーザーについての評価情報に含まれる波形データと当該プロ選手についての評価情報に含まれる波形データとの差分が所定の閾値よりも小さいほど、バットのスイングにおけるユーザーの第１部位の使い方の評価が高いと推定できる。具体的には、図４に示した例では、インパクトのタイミングｔ３及びインパクト後のタイミングｔ４において、ユーザーについての評価情報に含まれる波形データとプロ選手についての評価情報に含まれる波形データとの差分は、所定の閾値以内である。この場合、インパクトのタイミングｔ３及びインパクト後のタイミングｔ４におけるユーザーのバットのスイングの評価は、高いと推定することができる。一方、例えば、ユーザーのバットのスイングにおけるユーザーの第１部位の使い方の評価は、ユーザーについての評価情報に含まれる波形データとプロ選手についての評価情報に含まれる波形データとの差分が所定の閾値よりも大きいほど、低いと推定できる。具体的には、図４に示した例では、構えのタイミングｔ０、スイング開始のタイミングｔ１、及びスイング後半のタイミングｔ２において、ユーザーについての評価情報に含まれる波形データとプロ選手についての評価情報に含まれる波形データとの差分は、所定の閾値よりも大きい。この場合、構えのタイミングｔ０、スイング開始のタイミングｔ１、及びスイング後半のタイミングｔ２におけるユーザーのバットのスイングの評価は、低いと推定することができる。このように、評価情報は、前述した通り、第１運動に関する評価を示す。
【0041】
＜情報処理装置が出力情報を出力する処理＞
以下、図５を参照し、情報処理装置１が出力情報を出力する処理について説明する。図５は、情報処理装置１が出力情報を出力する処理の流れの一例を示す図である。なお、以下では、一例として、図５に示したステップＳ１１０の処理が行われるよりも前のタイミングにおいて、ユーザー属性情報を情報処理装置１が受け付けており、且つ、ユーザー属性情報が記憶部１２に記憶されている場合について説明する。また、以下では、一例として、当該タイミングにおいて、複数の目標人物のそれぞれを示す目標人物情報が記憶部１２に記憶されている場合について説明する。また、以下では、一例として、当該タイミングにおいて、ユーザーについての評価情報が記憶部１２に記憶されている場合について説明する。また、以下では、一例として、当該タイミングにおいて、複数の目標人物それぞれについての評価情報が記憶部１２に記憶されている場合について説明する。また、以下では、一例として、当該タイミングにおいて、出力情報を出力する処理を情報処理装置１に開始させる出力処理開始操作を情報処理装置１が受け付けている場合について説明する。
以下、図５を参照し、情報処理装置１が出力情報を出力する処理について説明する。図５は、情報処理装置１が出力情報を出力する処理の流れの一例を示す図である。なお、以下では、一例として、図５に示したステップＳ１１０の処理が行われるよりも前のタイミングにおいて、ユーザー属性情報を情報処理装置１が受け付けており、且つ、ユーザー属性情報が記憶部１２に記憶されている場合について説明する。また、以下では、一例として、当該タイミングにおいて、複数の目標人物のそれぞれを示す目標人物情報が記憶部１２に記憶されている場合について説明する。また、以下では、一例として、当該タイミングにおいて、ユーザーについての評価情報が記憶部１２に記憶されている場合について説明する。また、以下では、一例として、当該タイミングにおいて、複数の目標人物それぞれについての評価情報が記憶部１２に記憶されている場合について説明する。また、以下では、一例として、当該タイミングにおいて、出力情報を出力する処理を情報処理装置１に開始させる出力処理開始操作を情報処理装置１が受け付けている場合について説明する。
【0042】
出力処理開始操作を受け付けた後、処理部１１１は、記憶部１２に予め記憶されたユーザー属性情報を記憶部１２から読み出す（ステップＳ１００）。
【0043】
次に、処理部１１１は、ステップＳ１１０において読み出したユーザー属性情報に基づいて、記憶部１２に予め記憶された複数の目標人物情報の中から、受け付けたユーザー属性情報が示す属性と一致する属性を示す目標人物属性情報を含む１つ以上の目標人物情報を特定する。そして、処理部１１１は、特定した１つ以上の目標人物情報を記憶部１２から読み出す（ステップＳ１１０）。
【0044】
次に、処理部１１１は、ステップＳ１２０において特定した１つ以上の目標人物情報のそれぞれが示す目標人物についての評価情報を記憶部１２から読み出す（ステップＳ１２０）。なお、ステップＳ１２０において１つ以上の目標人物情報のそれぞれが示す目標人物についての評価情報を特定する方法については、既に説明済みであるため、詳細な説明を省略する。また、以下では、説明の便宜上、ステップＳ１２０において処理部１１１が特定した個々の評価情報を、図５に示すように、目標人物評価情報と称して説明する。
【0045】
次に、処理部１１１は、記憶部１２に予め記憶されたユーザーについての評価情報を記憶部１２から読み出す（ステップＳ１３０）。以下では、説明の便宜上、ユーザーについての評価情報を、図５に示すように、ユーザー評価情報と称して説明する。なお、ステップＳ１３０の処理は、ステップＳ１１０～ステップＳ１３０の処理のうちの少なくとも一部と並列に行われてもよく、ステップＳ１１０～ステップＳ１３０の処理と逆の順で行われてもよい。
【0046】
次に、処理部１１１は、ステップＳ１３０において読み出したユーザー評価情報と、ステップＳ１２０において読み出した１つ以上の目標人物評価情報とを含む情報を、入力情報として生成する（ステップＳ１４０）。
【0047】
次に、推定部１１２は、ステップＳ１４０において生成された入力情報を、記憶部１２の記憶領域内において構成された機械学習モデルＭに入力する（ステップＳ１５０）。これにより、機械学習モデルＭは、入力された入力情報に応じた類似評価情報を出力する。ここで、機械学習モデルＭは、第１運動についての複数の練習メニューそれぞれの練習によって評価情報に生じる変化を示す評価変化情報に基づいて、入力情報が入力された場合において、複数の目標人物についての評価情報の中から、入力された入力情報に含まれるユーザーについての評価情報が近づき易い評価情報として最も尤もらしい評価情報を類似評価情報として特定するように学習済みの機械学習モデルである。このような学習を実現する方法は、既知の方法であってもよく、これから開発される方法であってもよい。また、このような学習が行われているため、機械学習モデルＭは、入力情報が入力された場合、ステップＳ１２０において読み出した１つ以上の目標人物評価情報の中から、入力された入力情報に含まれるユーザーについての評価情報が近づき易い評価情報として最も尤もらしい目標人物評価情報を、類似評価情報として特定する。この過程において、機械学習モデルＭは、入力された入力情報に含まれるユーザーについての波形データが近づき易い波形データとしての尤もらしさ示す尤度を、ステップＳ１２０において読み出した１つ以上の目標人物評価情報それぞれの波形データ毎に算出し、算出した尤度に基づいて、当該１つ以上の目標人物評価情報を、尤度の高い波形データを含んでいる評価情報順に並べる。そして、機械学習モデルＭは、尤度の高い波形データを含む評価情報順に並べた１つ以上の目標人物評価情報のうち最も尤度の高い波形データを含んでいる目標人物評価情報を、類似評価情報として特定する。なお、機械学習モデルＭは、尤度の高い波形データを含む評価情報順に並べた１つ以上の目標人物評価情報のうち最も高い尤度以外の尤度に対応する波形データを含む目標人物評価情報を、類似評価情報として特定する構成であってもよい。
【0048】
次に、推定部１１２は、ステップＳ１５０において入力情報を機械学習モデルＭへ入力した結果として機械学習モデルＭから出力された類似評価情報を取得する（ステップＳ１６０）。
【0049】
次に、処理部１１１は、ステップＳ１６０において取得された類似評価情報に対応する目標人物を示す目標人物情報を記憶部１２から読み出す（ステップＳ１７０）。
【0050】
次に、処理部１１１は、ステップＳ１７０において取得された目標人物情報を含む出力情報を生成する（ステップＳ１８０）。
【0051】
次に、表示制御部１１３は、ステップＳ１８０において生成された出力情報を含む画像を出力情報表示画像として生成する（ステップＳ１９０）。なお、出力情報が音声の出力を伴う情報であった場合、情報処理装置１は、例えば、スピーカーを備える。
【0052】
次に、表示制御部１１３は、ステップＳ１９０において生成した出力情報表示画像を表示部１５に表示させ（ステップＳ２００）、図５に示したフローチャートの処理を終了する。
【0053】
以上のように、情報処理装置１は、第１運動についての評価を示す情報を評価情報とし、ユーザー評価情報と、１つ以上の目標人物評価情報とを含む入力情報を入力された場合、１つ以上の目標人物評価情報のうちユーザー評価情報が最も近づき易いと推定される目標人物評価情報を類似評価情報として出力する学習済みの機械学習モデルＭへ入力情報を入力し、複数の目標人物のうち機械学習モデルＭから出力される類似評価情報に対応する目標人物を示す目標人物情報を含む出力情報を出力する。これにより、情報処理装置１は、ユーザーの目標として適切な目標人物を示す目標人物情報を、精度よく出力することができる。ここで、この一例において、当該目標人物情報には、当該目標人物のフィジカルタイプを示すフィジカルタイプ情報が含まれている。このため、この一例における情報処理装置１は、ユーザーの目標として適切な目標人物を示す目標人物情報を精度よく出力することができるとともに、ユーザーが目指すべきフィジカルタイプをユーザーに提供することができる。なお、目標人物情報には、フィジカルタイプ情報が含まれない構成であってもよい。
【0054】
また、以上のように類似評価情報を出力するため、機械学習モデルＭは、入力情報が入力された場合において、第１ユーザーと異なる第２ユーザーについての評価情報が入力情報に含まれていた場合、偶然一致する場合を除いて、第１ユーザーについての評価情報が入力情報に含まれていた場合に出力する類似評価情報が示す評価と異なる評価を示す類似評価情報を出力する。これにより、情報処理装置１は、個々のユーザーの目標として適切な目標人物を示す目標人物情報を、精度よく出力することができる。
【0055】
＜実施形態の変形例１＞
以下、実施形態の変形例１について説明する。上記において説明した例では、評価情報には、１種類の波形データが含まれていた。しかしながら、評価情報に含まれる波形データは、２種類以上であってもよい。例えば、評価情報に含まれる波形データは、第１波形データと、第２波形データとの２種類の波形データであってもよい。第１波形データは、対象動作についての人の身体の動きに関する第１情報と、対象動作における第１部位の使い方に関する第２情報とに基づく波形データである。また、第２波形データは、当該第１情報と、対象動作における人の身体の第２部位の使い方に関する第３情報とに基づく波形データである。ここで、第２部位は、人の身体の部位のうち第１部位と異なる部位であれば、如何なる部位であってもよい。以下では、一例として、第１部位が右手首関節であり、且つ、第２部位が胴の関節である場合について説明する。この場合、第１波形データは、対象動作についての右手首関節の使い方を示す波形データである。また、この場合、第２波形データは、対象動作についての胴の関節の使い方を示す波形データである。
以下、実施形態の変形例１について説明する。上記において説明した例では、評価情報には、１種類の波形データが含まれていた。しかしながら、評価情報に含まれる波形データは、２種類以上であってもよい。例えば、評価情報に含まれる波形データは、第１波形データと、第２波形データとの２種類の波形データであってもよい。第１波形データは、対象動作についての人の身体の動きに関する第１情報と、対象動作における第１部位の使い方に関する第２情報とに基づく波形データである。また、第２波形データは、当該第１情報と、対象動作における人の身体の第２部位の使い方に関する第３情報とに基づく波形データである。ここで、第２部位は、人の身体の部位のうち第１部位と異なる部位であれば、如何なる部位であってもよい。以下では、一例として、第１部位が右手首関節であり、且つ、第２部位が胴の関節である場合について説明する。この場合、第１波形データは、対象動作についての右手首関節の使い方を示す波形データである。また、この場合、第２波形データは、対象動作についての胴の関節の使い方を示す波形データである。
【0056】
このように評価情報に２種類の波形データが含まれる場合、機械学習モデルＭは、入力情報が入力されると、複数の目標人物それぞれについての評価情報の中から、入力された入力情報に含まれるユーザーについての第１波形データが近づき易い第１波形データを含み、且つ、入力された入力情報に含まれるユーザーについての第２波形データが近づき易い第２波形データを含むことが最も尤もらしい評価情報を、類似評価情報として特定する。この過程において、機械学習モデルＭは、入力された入力情報に含まれるユーザーについての第１波形データが近づき易い第１波形データを含み、且つ、入力された入力情報に含まれるユーザーについての第２波形データが近づき易い第２波形データを含むことの尤もらしさ示す尤度を、複数の目標人物それぞれについての評価情報毎に算出し、算出した尤度に基づいて、複数の目標人物それぞれについての評価情報を尤度の高い順に並べる。そして、機械学習モデルＭは、尤度の高い順に並べた複数の目標人物それぞれについての評価情報のうち最も高い尤度に対応する評価情報を、類似評価情報として出力する。この場合も、機械学習モデルＭは、第１運動についての複数の練習メニューそれぞれの練習によって評価情報に生じる変化を示す評価変化情報に基づいて、入力情報が入力された場合において、複数の目標人物についての評価情報の中から、入力された入力情報に含まれるユーザーについての評価情報が近づき易い評価情報として最も尤もらしい評価情報を類似評価情報として特定するように学習済みの機械学習モデルである。そして、このような学習を実現する方法は、既知の方法であってもよく、これから開発される方法であってもよい。
【0057】
以上のような構成により、情報処理装置１は、評価情報に２種類以上の波形データが含まれている場合であっても、ユーザーの目標として適切な目標人物を示す目標人物情報を、精度よく出力することができる。また、情報処理装置１は、この場合、ユーザーの目標として適切な目標人物を示す目標人物情報を、より確実に精度よく出力することができる。
【0058】
＜実施形態の変形例２＞
以下、実施形態の変形例２について説明する。実施形態の変形例２では、情報処理装置１は、評価情報を生成する。このため、実施形態の変形例２では、情報処理装置１は、図６に示したように、無線又は有線によって、第１検出部２１と、第２検出部２２とのそれぞれと通信可能に接続されている。図６は、情報処理装置１の構成の他の例を示す図である。なお、情報処理装置１は、第１検出部２１と第２検出部２２を備える構成であってもよく、第１検出部２１と第２検出部２２を備えない構成であってもよい。
以下、実施形態の変形例２について説明する。実施形態の変形例２では、情報処理装置１は、評価情報を生成する。このため、実施形態の変形例２では、情報処理装置１は、図６に示したように、無線又は有線によって、第１検出部２１と、第２検出部２２とのそれぞれと通信可能に接続されている。図６は、情報処理装置１の構成の他の例を示す図である。なお、情報処理装置１は、第１検出部２１と第２検出部２２を備える構成であってもよく、第１検出部２１と第２検出部２２を備えない構成であってもよい。
【0059】
第１検出部２１は、第１情報を検出するセンサーであり、例えば、モーションキャプチャーである。なお、第１検出部２１は、モーションキャプチャーに代えて、第１情報を検出可能な他のセンサーであってもよい。
【0060】
第２検出部２２は、第２情報を表す値を検出するセンサーであり、例えば、筋電センサーである。なお、第２検出部２２は、筋電センサーに代えて、第２情報を表す値を検出可能な他のセンサーであってもよい。
【0061】
このように情報処理装置１が第１検出部２１及び第２検出部２２のそれぞれと通信可能に接続される場合、情報処理装置１の制御部１１は、処理部１１１と、推定部１１２と、表示制御部１１３とに加えて、取得部１１４と、生成部１１５を備える。
【0062】
取得部１１４は、第１検出部２１により検出された第１情報を第１検出部２１から取得する。また、取得部１１４は、第２検出部２２により検出された第２情報を表す値を第２検出部２２から取得する。
【0063】
生成部１１５は、取得部１１４により取得された第１情報と、取得部１１４により取得された第２情報を表す値とに基づいて、評価情報を生成する。
【0064】
次に、図７を参照し、情報処理装置１が評価情報を生成する処理について説明する。図７は、情報処理装置１が評価情報を生成する処理の流れの一例を示す図である。以下では、一例として、図７に示したステップＳ３１０の処理が行われるよりも前のタイミングにおいて、評価情報を生成する処理を情報処理装置１に開始させる操作を情報処理装置１が受け付けている場合について説明する。また、以下では、一例として、当該タイミングにおいて、第１検出部２１により第１情報を検出可能な位置にユーザーが位置しており、且つ、第２検出部２２がユーザーの第１部位に貼付されている場合について説明する。この場合、情報処理装置１が生成する評価情報は、ユーザーについての評価情報である。第１目標人物のようなユーザー以外の人物についての評価情報を情報処理装置１が生成する場合、第１検出部２１により第１情報を検出可能な位置には、当該人物が位置する。また、当該場合、第２検出部２２は、当該人物の第１部位に貼付される。また、以下では、一例として、当該タイミングにおいて、ユーザーが対象動作を行うための準備が完了している場合について説明する。
【0065】
評価情報を生成する処理を情報処理装置１に開始させる操作を受け付けた後、取得部１１４は、第１検出部２１からの第１情報の取得と、第２検出部２２からの第２情報を表す値の取得とを開始する（ステップＳ３１０）。そして、表示制御部１１３は、ユーザーに対象動作を開始することを促す情報を含む画像を生成し、生成した当該画像を表示部１５に表示させる。これにより、ユーザーは、対象動作を開始することができる。なお、情報処理装置１は、当該情報を示す音声を出力する構成であってもよい。この場合、情報処理装置１は、スピーカーを備える。図７では、ステップＳ３１０の処理を「データ取得開始」によって示している。
【0066】
次に、取得部１１４は、第１検出部２１からの第１情報の取得と、第２検出部２２からの第２情報を表す値の取得とを終了するか否かを判定する（ステップＳ３２０）。図７では、ステップＳ３２０の処理を「データ取得終了？」によって示している。例えば、取得部１１４は、ステップＳ３２０において、第１検出部２１から取得した第１情報に基づいて、ユーザーが対象動作を終了したか否かを判定する。ここで、モーションキャプチャーである第１検出部２１から取得した第１情報に基づいて、ユーザーが対象動作を終了したか否かを判定する方法は、既知の方法であってもよく、これから開発される方法であってもよい。取得部１１４は、ユーザーが対象動作を終了したと判定した場合、第１検出部２１からの第１情報の取得と、第２検出部２２からの第２情報を表す値の取得とを終了すると判定する。一方、取得部１１４は、ユーザーが対象動作を終了していないと判定した場合、第１検出部２１からの第１情報の取得と、第２検出部２２からの第２情報を表す値の取得とを終了しないと判定する。なお、ユーザーが対象動作を終了したか否かを判定する方法は、第１情報に基づく方法に代えて、他の方法であってもよい。また、取得部１１４は、ステップＳ３２０において、他の方法により、第１検出部２１からの第１情報の取得と、第２検出部２２からの第２情報を表す値の取得とを終了するか否かを判定する構成であってもよい。
【0067】
取得部１１４は、第１検出部２１からの第１情報の取得と、第２検出部２２からの第２情報を表す値の取得とを終了しないと判定した場合（ステップＳ３２０－ＮＯ）、第１検出部２１からの第１情報の取得と、第２検出部２２からの第２情報を表す値の取得とを継続する。
【0068】
一方、取得部１１４は、第１検出部２１からの第１情報の取得と、第２検出部２２からの第２情報を表す値の取得とを終了すると判定した場合（ステップＳ３２０－ＹＥＳ）、第１検出部２１からの第１情報の取得と、第２検出部２２からの第２情報を表す値の取得とを終了する（ステップＳ３３０）。図７では、ステップＳ３３０の処理を「データ取得終了」によって示している。
【0069】
次に、生成部１１５は、ステップＳ３１０～ステップＳ３３０の処理によって取得された第１情報及び第２情報に基づいて、波形データを生成する（ステップＳ３４０）。
【0070】
次に、生成部１１５は、ステップＳ３４０において生成した波形データを含む評価情報を生成する（ステップＳ３５０）。
【0071】
次に、生成部１１５は、ステップＳ３５０において生成した評価情報を記憶部１２に記憶させ（ステップＳ３６０）、図７に示したフローチャートの処理を終了する。
【0072】
以上のように、情報処理装置１は、評価情報を生成することができる。なお、ある人物の評価情報には、例えば、当該人物を識別する識別情報、当該評価情報が生成された日時を示す日時情報等が含まれる。これにより、情報処理装置１は、記憶部１２に記憶されている評価情報が誰についての評価情報であるのかを特定することができる。
【0073】
＜実施形態の変形例３＞
以下、実施形態の変形例３について説明する。実施形態の変形例３では、ある評価変化情報は、第１運動についてのある練習メニューの練習によって評価情報に生じる変化を示す情報であり、且つ、当該練習メニューを示す練習メニュー情報が対応付けられた情報である。この場合、機械学習モデルＭは、練習メニュー情報が対応付けられた評価変化情報に基づいて、入力情報が入力された場合において、複数の目標人物についての評価情報の中から、入力された入力情報に含まれるユーザーについての評価情報が近づき易い評価情報として最も尤もらしい評価情報を類似評価情報として特定するように学習済みの機械学習モデルである。そして、この場合、機械学習モデルＭは、このようにして特定した類似評価情報とともに、類似評価情報に対応付けられた練習メニュー情報を、複数の練習メニューのうちのユーザーに適した練習メニューを示す練習メニュー情報として出力する。これにより、情報処理装置１は、類似評価情報とともに、類似評価情報に対応付けられた練習メニュー情報を含む出力情報を出力する。その結果、情報処理装置１は、ユーザーの目標として適切な目標人物を示す目標人物情報を精度よく出力することができるとともに、ユーザーが当該目標人物に近づくために必要な練習の練習メニューをユーザーに提供することができる。
以下、実施形態の変形例３について説明する。実施形態の変形例３では、ある評価変化情報は、第１運動についてのある練習メニューの練習によって評価情報に生じる変化を示す情報であり、且つ、当該練習メニューを示す練習メニュー情報が対応付けられた情報である。この場合、機械学習モデルＭは、練習メニュー情報が対応付けられた評価変化情報に基づいて、入力情報が入力された場合において、複数の目標人物についての評価情報の中から、入力された入力情報に含まれるユーザーについての評価情報が近づき易い評価情報として最も尤もらしい評価情報を類似評価情報として特定するように学習済みの機械学習モデルである。そして、この場合、機械学習モデルＭは、このようにして特定した類似評価情報とともに、類似評価情報に対応付けられた練習メニュー情報を、複数の練習メニューのうちのユーザーに適した練習メニューを示す練習メニュー情報として出力する。これにより、情報処理装置１は、類似評価情報とともに、類似評価情報に対応付けられた練習メニュー情報を含む出力情報を出力する。その結果、情報処理装置１は、ユーザーの目標として適切な目標人物を示す目標人物情報を精度よく出力することができるとともに、ユーザーが当該目標人物に近づくために必要な練習の練習メニューをユーザーに提供することができる。
【0074】
＜実施形態の変形例４＞
以下、実施形態の変形例４について説明する。実施形態の変形例４では、情報処理装置１は、複数の目標人物のうち、ユーザーの目標として適切な目標人物をユーザーに提供する構成に代えて、複数の運動のうち、ユーザーに適した運動をユーザーに提供する。この場合、情報処理装置１の記憶部１２には、第１運動～第Ｎ運動までのＮ種類の運動のそれぞれについての複数の目標人物情報が記憶されている。そして、この場合、記憶部１２に記憶されている個々の目標人物情報には、目標人物情報が示す目標人物が選手として活躍している運動を示す運動情報が含まれている。また、この場合、情報処理装置１の記憶部１２には、Ｎ種類の運動それぞれの目標人物についての評価情報が記憶されている。そして、情報処理装置１は、ユーザー属性情報を受け付けた場合、受け付けたユーザー属性情報が示す属性と一致する属性を示す属性情報を含む１つ以上の目標人物情報を、記憶部１２に記憶された複数の目標人物情報の中から特定する。その後、情報処理装置１は、特定した１つ以上の目標人物情報のそれぞれが示す目標人物についての評価情報と、ユーザーについての評価情報とを含む入力情報を機械学習モデルＭへ入力する。その結果、機械学習モデルＭは、実施形態において説明した処理によって類似評価情報を出力する。情報処理装置１は、機械学習モデルＭから出力された類似評価情報に対応する目標人物を示す目標人物情報を記憶部１２から読み出し、読み出した目標人物情報に含まれる運動情報を、ユーザーに適した運動を示す運動情報として表示部１５に表示させる。これにより、情報処理装置１は、ユーザーに適した運動をユーザーに提供することができる。
以下、実施形態の変形例４について説明する。実施形態の変形例４では、情報処理装置１は、複数の目標人物のうち、ユーザーの目標として適切な目標人物をユーザーに提供する構成に代えて、複数の運動のうち、ユーザーに適した運動をユーザーに提供する。この場合、情報処理装置１の記憶部１２には、第１運動～第Ｎ運動までのＮ種類の運動のそれぞれについての複数の目標人物情報が記憶されている。そして、この場合、記憶部１２に記憶されている個々の目標人物情報には、目標人物情報が示す目標人物が選手として活躍している運動を示す運動情報が含まれている。また、この場合、情報処理装置１の記憶部１２には、Ｎ種類の運動それぞれの目標人物についての評価情報が記憶されている。そして、情報処理装置１は、ユーザー属性情報を受け付けた場合、受け付けたユーザー属性情報が示す属性と一致する属性を示す属性情報を含む１つ以上の目標人物情報を、記憶部１２に記憶された複数の目標人物情報の中から特定する。その後、情報処理装置１は、特定した１つ以上の目標人物情報のそれぞれが示す目標人物についての評価情報と、ユーザーについての評価情報とを含む入力情報を機械学習モデルＭへ入力する。その結果、機械学習モデルＭは、実施形態において説明した処理によって類似評価情報を出力する。情報処理装置１は、機械学習モデルＭから出力された類似評価情報に対応する目標人物を示す目標人物情報を記憶部１２から読み出し、読み出した目標人物情報に含まれる運動情報を、ユーザーに適した運動を示す運動情報として表示部１５に表示させる。これにより、情報処理装置１は、ユーザーに適した運動をユーザーに提供することができる。
【0075】
＜実施形態の変形例５＞
以下、実施形態の変形例５について説明する。実施形態の変形例５では、情報処理装置１は、ユーザー属性情報を受け付けた後、受け付けたユーザー属性情報と、記憶部１２に予め記憶されたユーザーについての評価情報とに基づいて、ユーザーに適したフィジカルタイプを示すフィジカルタイプ情報を表示する構成であってもよい。この場合、情報処理装置１は、予め記憶された目標人物情報の中から、受け付けたユーザー属性情報が示す属性と一致する属性を示す目標人物属性情報を含む１つ以上の目標人物情報を特定する。情報処理装置１は、特定した１つ以上の目標人物情報のそれぞれが示す目標人物についての評価情報のうち、ユーザーについての評価情報の波形データと最も近い波形データを含む評価情報を特定する。そして、情報処理装置１は、特定した評価情報に対応する目標人物を示す目標人物情報に含まれるフィジカルタイプ情報を、表示部１５に表示させる。これにより、情報処理装置１は、ユーザーが目指し易いフィジカルタイプをユーザーに知らせることができる。
以下、実施形態の変形例５について説明する。実施形態の変形例５では、情報処理装置１は、ユーザー属性情報を受け付けた後、受け付けたユーザー属性情報と、記憶部１２に予め記憶されたユーザーについての評価情報とに基づいて、ユーザーに適したフィジカルタイプを示すフィジカルタイプ情報を表示する構成であってもよい。この場合、情報処理装置１は、予め記憶された目標人物情報の中から、受け付けたユーザー属性情報が示す属性と一致する属性を示す目標人物属性情報を含む１つ以上の目標人物情報を特定する。情報処理装置１は、特定した１つ以上の目標人物情報のそれぞれが示す目標人物についての評価情報のうち、ユーザーについての評価情報の波形データと最も近い波形データを含む評価情報を特定する。そして、情報処理装置１は、特定した評価情報に対応する目標人物を示す目標人物情報に含まれるフィジカルタイプ情報を、表示部１５に表示させる。これにより、情報処理装置１は、ユーザーが目指し易いフィジカルタイプをユーザーに知らせることができる。
【0076】
＜評価変化情報の詳細＞
以下では、機械学習モデルＭの学習に用いられる評価変化情報の詳細について説明する。機械学習モデルＭの学習には、複数の評価変化情報が用いられる。これら複数の評価変化情報は、複数の人物それぞれについての評価変化情報である。以下では、説明の便宜上、これら複数の人物のそれぞれを、教師と称して説明する。ある教師についての評価変化情報は、複数の練習メニューそれぞれの練習によって、当該教師についての評価情報に生じる変化を示す情報である。より具体的には、当該教師についての評価変化情報は、複数の練習メニューそれぞれの練習によって当該教師についての評価情報の波形データに生じる変化を示す情報である。具体的には、当該教師についての評価変化情報には、例えば、複数の練習メニュー毎の当該教師についての評価変化情報が含まれている。そして、ある練習メニューの当該教師についての評価変化情報には、例えば、当該練習メニューの練習を行う前の当該教師についての評価情報と、当該練習メニューの練習を行った後の当該教師についての評価情報とが含まれている。これは、これら２つの評価情報それぞれの波形データ同士の差分が、当該練習メニューの練習によって、当該教師についての評価情報に生じる変化を示すからである。なお、ある教師についての評価変化情報は、複数の練習メニューそれぞれの練習によって、当該教師についての評価情報に生じる変化を示す他の情報であってもよい。
以下では、機械学習モデルＭの学習に用いられる評価変化情報の詳細について説明する。機械学習モデルＭの学習には、複数の評価変化情報が用いられる。これら複数の評価変化情報は、複数の人物それぞれについての評価変化情報である。以下では、説明の便宜上、これら複数の人物のそれぞれを、教師と称して説明する。ある教師についての評価変化情報は、複数の練習メニューそれぞれの練習によって、当該教師についての評価情報に生じる変化を示す情報である。より具体的には、当該教師についての評価変化情報は、複数の練習メニューそれぞれの練習によって当該教師についての評価情報の波形データに生じる変化を示す情報である。具体的には、当該教師についての評価変化情報には、例えば、複数の練習メニュー毎の当該教師についての評価変化情報が含まれている。そして、ある練習メニューの当該教師についての評価変化情報には、例えば、当該練習メニューの練習を行う前の当該教師についての評価情報と、当該練習メニューの練習を行った後の当該教師についての評価情報とが含まれている。これは、これら２つの評価情報それぞれの波形データ同士の差分が、当該練習メニューの練習によって、当該教師についての評価情報に生じる変化を示すからである。なお、ある教師についての評価変化情報は、複数の練習メニューそれぞれの練習によって、当該教師についての評価情報に生じる変化を示す他の情報であってもよい。
【0077】
例えば、情報処理装置１は、受け付けた操作に応じて、ある練習メニューのある教師についての評価変化情報を機械学習モデルＭへ学習させる場合、当該評価変化情報に含まれる２つの評価情報それぞれの波形データを教師データとし、これら２つの評価情報の類似度を正解ラベルとして、当該評価変化情報を機械学習モデルＭに学習させる。そして、情報処理装置１は、受け付けた操作に応じて、このような評価変化情報の機械学習モデルＭへの学習を、複数の練習メニューのそれぞれと、複数の教師のそれぞれとの組み合わせ毎に行う。これにより、情報処理装置１は、入力情報が入力された場合において、複数の目標人物についての評価情報の中から、入力された入力情報に含まれるユーザーについての評価情報が近づき易い評価情報として最も尤もらしい評価情報を類似評価情報として特定するように機械学習モデルＭを学習させることができる。なお、当該２つの評価情報の類似度は、既知の方法によって算出されてもよく、これから開発される方法によって算出されてもよい。また、当該２つの評価情報の類似度は、情報処理装置１により算出されてもよく、他の装置により算出されてもよく、ユーザーにより算出されてもよく、他の方法により算出されてもよい。また、教師についての評価情報は、例えば、図７に示したフローチャートの処理により生成される。また、評価変化情報は、情報処理装置１により生成されてもよく、他の装置により生成されてもよい。
【0078】
なお、上記において説明した事項は、如何様に組み合わされてもよい。
【0079】
以上説明したように、実施形態に係る情報処理装置は、第１運動についての評価を示す情報を評価情報とし、第１人物についての評価情報と、複数の目標人物それぞれについての評価情報とを含む入力情報を入力された場合、複数の目標人物それぞれについての評価情報のうち第１人物についての評価情報が最も近づき易いと推定される評価情報を類似評価情報として出力する学習済みの機械学習モデルへ入力情報を入力し、複数の目標人物のうち機械学習モデルから出力される類似評価情報に対応する目標人物を示す目標人物情報を含む出力情報を出力する制御部、を備える。これにより、情報処理装置は、ユーザーの目標として適切な目標人物を示す目標人物情報を、精度よく出力することができる。
【0080】
＜付記＞
［１］
第１運動についての評価を示す情報を評価情報とし、第１人物についての前記評価情報と、複数の目標人物それぞれについての前記評価情報とを含む入力情報を入力された場合、前記複数の目標人物それぞれについての前記評価情報のうち前記第１人物についての前記評価情報が最も近づき易いと推定される前記評価情報を類似評価情報として出力する学習済みの機械学習モデルへ前記入力情報を入力し、前記複数の目標人物のうち前記機械学習モデルから出力される前記類似評価情報に対応する目標人物を示す目標人物情報を含む出力情報を出力する制御部、
を備える情報処理装置。
［２］
前記機械学習モデルは、前記入力情報が入力された場合、前記目標人物情報とともに、前記第１運動についての複数の練習メニューのうち前記第１人物に適した練習メニューを示す練習メニュー情報を出力する、
［１］に記載の情報処理装置。
［３］
属性を示す情報を属性情報とし、前記複数の目標人物のそれぞれには、目標人物についての前記属性情報が対応付けられており、
前記制御部は、受け付けた操作に応じて、前記複数の目標人物の中から、前記第１人物についての前記属性情報と一致する前記属性情報に対応付けられた１人以上の目標人物を特定し、特定した前記１人以上の目標人物それぞれについての前記評価情報と、前記第１人物についての前記評価情報とを含む前記入力情報を生成する、
［１］又は［２］に記載の情報処理装置。
［４］
前記属性情報は、年齢層を示す年齢層情報と、体格を示す体格情報との少なくとも一方を含む、
［３］に記載の情報処理装置。
［５］
前記機械学習モデルは、前記第１運動についての複数の練習メニューそれぞれの練習によって前記評価情報に生じる変化を示す評価変化情報に基づいて、前記入力情報が入力された場合において、前記複数の目標人物それぞれについての前記評価情報の中から、入力された前記入力情報に含まれる前記第１人物についての前記評価情報が近づき易い前記評価情報として最も尤もらしい前記評価情報を前記類似評価情報として特定するように学習済みである、
［１］から［４］のうちいずれか一項に記載の情報処理装置。
［６］
前記評価情報は、前記第１運動において解析の対象となる動作についての人の身体の使い方を示す波形データを含み、
前記評価変化情報は、前記波形データに生じる変化を示し、
前記機械学習モデルは、前記入力情報が入力された場合、前記複数の目標人物それぞれについての前記波形データの中から、入力された前記入力情報に含まれる前記第１人物についての前記波形データが近づき易いことが最も尤もらしい前記波形データを特定し、特定した前記波形データを含む前記評価情報を前記類似評価情報として特定する、
［５］に記載の情報処理装置。
［７］
前記波形データは、前記動作についての物体の動きに関する第１情報と、前記動作における人の身体の第１部位の使い方に関する第２情報に基づくデータであり、
前記物体は、人の身体、又は、前記第１運動に用いられる道具である、
［６］に記載の情報処理装置。
［８］
前記波形データは、前記動作についての物体の動きに関する第１情報と、前記動作における人の身体の第１部位の使い方に関する第２情報とに基づく第１波形データと、前記第１情報と、前記動作における人の身体の第２部位の使い方に関する第３情報とに基づく第２波形データとを含み、
前記物体は、人の身体、又は、前記第１運動に用いられる道具である、
［６］に記載の情報処理装置。
［９］
前記機械学習モデルは、前記入力情報が入力された場合において、前記第１人物と異なる第２人物についての前記評価情報が前記入力情報に含まれていた場合、前記第１人物についての前記評価情報が前記入力情報に含まれていた場合に出力する前記類似評価情報が示す評価と異なる評価を示す前記類似評価情報を出力する、
［１］から［８］のうちいずれか一項に記載の情報処理装置。
［１０］
第１運動についての評価を示す情報を評価情報とし、第１人物についての前記評価情報と、複数の目標人物それぞれについての前記評価情報とを含む入力情報を入力された場合、前記複数の目標人物それぞれについての前記評価情報のうち前記第１人物についての前記評価情報が最も近づき易いと推定される前記評価情報を類似評価情報として出力する学習済みの機械学習モデルへ前記入力情報を入力し、前記複数の目標人物のうち前記機械学習モデルから出力される前記類似評価情報に対応する目標人物を示す目標人物情報を含む出力情報を出力するステップ、
を有する情報処理方法。
［１１］
コンピューターに、
第１運動についての評価を示す情報を評価情報とし、第１人物についての前記評価情報と、複数の目標人物それぞれについての前記評価情報とを含む入力情報を入力された場合、前記複数の目標人物それぞれについての前記評価情報のうち前記第１人物についての前記評価情報が最も近づき易いと推定される前記評価情報を類似評価情報として出力する学習済みの機械学習モデルへ前記入力情報を入力し、前記複数の目標人物のうち前記機械学習モデルから出力される前記類似評価情報に対応する目標人物を示す目標人物情報を含む出力情報を出力するステップ、
を実行させるためのプログラム。
［１］
第１運動についての評価を示す情報を評価情報とし、第１人物についての前記評価情報と、複数の目標人物それぞれについての前記評価情報とを含む入力情報を入力された場合、前記複数の目標人物それぞれについての前記評価情報のうち前記第１人物についての前記評価情報が最も近づき易いと推定される前記評価情報を類似評価情報として出力する学習済みの機械学習モデルへ前記入力情報を入力し、前記複数の目標人物のうち前記機械学習モデルから出力される前記類似評価情報に対応する目標人物を示す目標人物情報を含む出力情報を出力する制御部、
を備える情報処理装置。
［２］
前記機械学習モデルは、前記入力情報が入力された場合、前記目標人物情報とともに、前記第１運動についての複数の練習メニューのうち前記第１人物に適した練習メニューを示す練習メニュー情報を出力する、
［１］に記載の情報処理装置。
［３］
属性を示す情報を属性情報とし、前記複数の目標人物のそれぞれには、目標人物についての前記属性情報が対応付けられており、
前記制御部は、受け付けた操作に応じて、前記複数の目標人物の中から、前記第１人物についての前記属性情報と一致する前記属性情報に対応付けられた１人以上の目標人物を特定し、特定した前記１人以上の目標人物それぞれについての前記評価情報と、前記第１人物についての前記評価情報とを含む前記入力情報を生成する、
［１］又は［２］に記載の情報処理装置。
［４］
前記属性情報は、年齢層を示す年齢層情報と、体格を示す体格情報との少なくとも一方を含む、
［３］に記載の情報処理装置。
［５］
前記機械学習モデルは、前記第１運動についての複数の練習メニューそれぞれの練習によって前記評価情報に生じる変化を示す評価変化情報に基づいて、前記入力情報が入力された場合において、前記複数の目標人物それぞれについての前記評価情報の中から、入力された前記入力情報に含まれる前記第１人物についての前記評価情報が近づき易い前記評価情報として最も尤もらしい前記評価情報を前記類似評価情報として特定するように学習済みである、
［１］から［４］のうちいずれか一項に記載の情報処理装置。
［６］
前記評価情報は、前記第１運動において解析の対象となる動作についての人の身体の使い方を示す波形データを含み、
前記評価変化情報は、前記波形データに生じる変化を示し、
前記機械学習モデルは、前記入力情報が入力された場合、前記複数の目標人物それぞれについての前記波形データの中から、入力された前記入力情報に含まれる前記第１人物についての前記波形データが近づき易いことが最も尤もらしい前記波形データを特定し、特定した前記波形データを含む前記評価情報を前記類似評価情報として特定する、
［５］に記載の情報処理装置。
［７］
前記波形データは、前記動作についての物体の動きに関する第１情報と、前記動作における人の身体の第１部位の使い方に関する第２情報に基づくデータであり、
前記物体は、人の身体、又は、前記第１運動に用いられる道具である、
［６］に記載の情報処理装置。
［８］
前記波形データは、前記動作についての物体の動きに関する第１情報と、前記動作における人の身体の第１部位の使い方に関する第２情報とに基づく第１波形データと、前記第１情報と、前記動作における人の身体の第２部位の使い方に関する第３情報とに基づく第２波形データとを含み、
前記物体は、人の身体、又は、前記第１運動に用いられる道具である、
［６］に記載の情報処理装置。
［９］
前記機械学習モデルは、前記入力情報が入力された場合において、前記第１人物と異なる第２人物についての前記評価情報が前記入力情報に含まれていた場合、前記第１人物についての前記評価情報が前記入力情報に含まれていた場合に出力する前記類似評価情報が示す評価と異なる評価を示す前記類似評価情報を出力する、
［１］から［８］のうちいずれか一項に記載の情報処理装置。
［１０］
第１運動についての評価を示す情報を評価情報とし、第１人物についての前記評価情報と、複数の目標人物それぞれについての前記評価情報とを含む入力情報を入力された場合、前記複数の目標人物それぞれについての前記評価情報のうち前記第１人物についての前記評価情報が最も近づき易いと推定される前記評価情報を類似評価情報として出力する学習済みの機械学習モデルへ前記入力情報を入力し、前記複数の目標人物のうち前記機械学習モデルから出力される前記類似評価情報に対応する目標人物を示す目標人物情報を含む出力情報を出力するステップ、
を有する情報処理方法。
［１１］
コンピューターに、
第１運動についての評価を示す情報を評価情報とし、第１人物についての前記評価情報と、複数の目標人物それぞれについての前記評価情報とを含む入力情報を入力された場合、前記複数の目標人物それぞれについての前記評価情報のうち前記第１人物についての前記評価情報が最も近づき易いと推定される前記評価情報を類似評価情報として出力する学習済みの機械学習モデルへ前記入力情報を入力し、前記複数の目標人物のうち前記機械学習モデルから出力される前記類似評価情報に対応する目標人物を示す目標人物情報を含む出力情報を出力するステップ、
を実行させるためのプログラム。
【0081】
以上、この開示の実施形態を、図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この開示の要旨を逸脱しない限り、変更、置換、削除等されてもよい。
【0082】
また、以上に説明した装置における任意の構成部の機能を実現するためのプログラムを、コンピューター読み取り可能な記録媒体に記録し、そのプログラムをコンピューターシステムに読み込ませて実行するようにしてもよい。ここで、当該装置は、例えば、情報処理装置１等である。なお、ここでいう「コンピューターシステム」とは、ＯＳ（Operating System）や周辺機器等のハードウェアを含むものとする。また、「コンピューター読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ（Compact Disk）－ＲＯＭ等の可搬媒体、コンピューター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。さらに「コンピューター読み取り可能な記録媒体」とは、インターネット等のネットワークや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サーバーやクライアントとなるコンピューターシステム内部の揮発性メモリーのように、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。
【0083】
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ーシステムから、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ー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や電話回線等の通信回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ーシステムにすでに記録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又は差分プログラムであってもよい。
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ーシステムにすでに記録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又は差分プログラムであってもよい。
【符号の説明】
【0084】
１…情報処理装置、１１…制御部、１２…記憶部、１３…入力受付部、１４…通信部、１５…表示部、２１…第１検出部、２２…第２検出部、１１１…処理部、１１２…推定部、１１３…表示制御部、１１４…取得部、１１５…生成部、Ｍ…機械学習モデル
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】