特開 2024-67915 推定装置、推定方法、およびプログラム

(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】P2024067915

(43)【公開日】2024-05-17

(54)【発明の名称】推定装置、推定方法、およびプログラム

(51)【国際特許分類】

   G16H 20/30 20180101AFI20240510BHJP

【ＦＩ】

G16H20/30

【審査請求】未請求

【請求項の数】4

【出願形態】ＯＬ

(21)【出願番号】P 2022178332

(22)【出願日】2022-11-07

(71)【出願人】

【識別番号】504171134

【氏名又は名称】国立大学法人 筑波大学

(74)【代理人】

【識別番号】100165179

【弁理士】

【氏名又は名称】田▲崎▼ 聡

(74)【代理人】

【識別番号】100188558

【弁理士】

【氏名又は名称】飯田 雅人

(74)【代理人】

【識別番号】100175824

【弁理士】

【氏名又は名称】小林 淳一

(74)【代理人】

【識別番号】100152272

【弁理士】

【氏名又は名称】川越 雄一郎

(74)【代理人】

【識別番号】100181722

【弁理士】

【氏名又は名称】春田 洋孝

(72)【発明者】

【氏名】門根 秀樹

(72)【発明者】

【氏名】丸島 愛樹

(72)【発明者】

【氏名】アナスタシエフ アレクセイ

(72)【発明者】

【氏名】渡邉 大貴

(72)【発明者】

【氏名】ザボロノク アレクサンドル

(72)【発明者】

【氏名】渡邉 真哉

(72)【発明者】

【氏名】鈴木 健嗣

(72)【発明者】

【氏名】石川 栄一

(72)【発明者】

【氏名】松丸 祐司

(72)【発明者】

【氏名】松村 明

【テーマコード（参考）】

5L099

【Ｆターム（参考）】

5L099AA22

(57)【要約】

【課題】手が行おうとする動作を推定する。
【解決手段】上肢から測定する筋電位を入力として、被験者が手に行わせたい動作を出力する推定モデルに上肢から測定する筋電位を入力することで、被験者が手に行わせたい動作を推定する、推定装置。
【選択図】図１

【特許請求の範囲】

【請求項1】

上肢から測定する筋電位を入力として、被験者が手に行わせたい動作を出力する推定モデルに上肢から測定する筋電位を入力することで、被験者が手に行わせたい動作を推定する、
推定装置。

【請求項2】

上肢から測定する筋電位を入力として、被験者が手で行う動作の評価指標を出力する推定モデルに上肢から測定する筋電位を入力することで、被験者が手で行う動作の評価指標を推定する、
推定装置。

【請求項3】

上肢から測定する筋電位を入力として、被験者が手に行わせたい動作を出力する推定モデルに上肢から測定する筋電位を入力することで、被験者が手に行わせたい動作を推定する、
推定方法。

【請求項4】

コンピュータに、上肢から測定する筋電位を入力として、被験者が手に行わせたい動作を出力する推定モデルに上肢から測定する筋電位を入力させることで、被験者が手に行わせたい動作を推定させる、
プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、推定装置、推定方法、およびプログラムに関する。

【背景技術】

【0002】

脳卒中などの病気により、体に麻痺が残存することがある。麻痺が残存した患者はリハビリテーションにより麻痺の治療を行う。リハビリテーションにおいて、動作を解析してフィードバックするといった手法により、よりリハビリテーションの効果を向上させようとする研究がある。

【先行技術文献】

【非特許文献】

【0003】

【非特許文献1】Tan CK, Kadone H, Watanabe H, Marushima A, Hada Y, Yamazaki M, Sankai Y, Matsumura A, Suzuki K. Differences in Muscle Synergy Symmetry Between Subacute Post-stroke Patients With Bioelectrically-Controlled Exoskeleton Gait Training and Conventional Gait Training. Front Bioeng Biotechnol. 8:770. 2020

【非特許文献2】Tan CK, Kadone H, Watanabe H, Marushima A, Yamazaki M, Sankai Y, Suzuki K. Lateral Symmetry of Synergies in Lower Limb Muscles of Acute Post-stroke Patients After Robotic Intervention. Front Neurosci. 12:276. 2018

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、手の運動麻痺を改善する手法は十分確立しているとはいえない。
本発明の目的は、手が行おうとする動作を推定する推定装置、推定方法、およびプログラムを提供することにある。

【課題を解決するための手段】

【0005】

本発明の一態様は、上肢から測定する筋電位を入力として、被験者が手に行わせたい動作を出力する推定モデルに上肢から測定する筋電位を入力することで、被験者が手に行わせたい動作を推定する、推定装置である。

【0006】

本発明の一態様は、上肢から測定する筋電位を入力として、被験者が手で行う動作の評価指標を出力する推定モデルに上肢から測定する筋電位を入力することで、被験者が手で行う動作の評価指標を推定する、推定装置である。

【0007】

本発明の一態様は、上肢から測定する筋電位を入力として、被験者が手に行わせたい動作を出力する推定モデルに上肢から測定する筋電位を入力することで、被験者が手に行わせたい動作を推定する、推定方法である。

【0008】

本発明の一態様は、コンピュータに、上肢から測定する筋電位を入力として、被験者が手に行わせたい動作を出力する推定モデルに上肢から測定する筋電位を入力させることで、被験者が手に行わせたい動作を推定させる、プログラムである。

【発明の効果】

【0009】

本発明によれば、手が行おうとする動作を推定することができる。

【図面の簡単な説明】

【0010】

【図1】第１の実施形態に係る推定モデル作成装置１の構成を示す図である。

【図2】指示された手の異なる動きごとにおいて測定された筋電位信号を示す例である。

【図3】第１の実施形態に係る推定装置４の構成を示す図である。

【図4】第１の実施形態に係る推定モデル作成装置１の動作を示すフローチャートである。

【図5】第１の実施形態に係る推定モデル作成装置１の動作を示すフローチャートである。

【図6】第１の実施形態に係る推定装置４の動作を示すフローチャートである。

【図7】測定対象の上肢が麻痺状態でないときの手の動きを推定する推定モデルによる推定結果の精度を示す図である。

【図8】測定対象の上肢が麻痺状態であるときの手の動きを推定する推定モデルによる推定結果の精度を示す図である。

【発明を実施するための形態】

【0011】

〈第１の実施形態〉
以下、図面を参照しながら本発明の実施形態について詳しく説明する。
図１は、第１の実施形態に係る推定モデル作成装置１の構成を示す図である。第１の実施形態に係る推定モデル作成装置１は、測定信号受信部１１、特徴量抽出部１２、特徴量記録部１３、モデル生成部１４、モデル出力部１５、記憶部２１を備える。

【0012】

測定信号受信部１１は、被験者の上肢２から測定装置３により測定された筋電位（Electromyogram: EMG）を受信する。測定装置３は、例えば上肢２の皮膚表面に張り付けられ、筋電位信号を測定する。

【0013】

測定装置３は、上肢２の複数の位置における筋電位信号を測定してもよい。例えば、測定装置３は、例えば橈側手根屈筋（ＦＣＲ）、尺側手根屈筋（ＦＣＵ）、短母指外転筋（ＡＰＢ）及び総指伸筋（ＥＤＣ）における筋電位信号を測定する。

【0014】

測定装置３は、被験者に指示した上肢２の手の異なる動きごとの筋電位信号を測定する。手の異なる動きは、例えばサムズアップ (Thumbs up)、つまむ(Pinch)、握る(Fist)、伸ばす(Extension)、広げる(Spread)、曲げる(Flexion)などの動作を含む。例えば、被験者に対して、手に一定時間順番に異なる動きを行わせることで、測定装置３は、手の特定の動きにおける筋電位信号を測定する。
図２は、指示された手の異なる動きごとにおいて測定された筋電位信号を示す例である。図２に示す例においては、手に握る、つまむ、曲げる、伸ばす、広げる、サムズアップという順番で動作をさせることで、測定装置３は各動作における筋電位信号を測定する。

【0015】

測定装置３は、同じ人物の２つの上肢の筋電位信号を測定してもよい。２つの上肢は、例えば急性期脳卒中などの病気により２つの上肢のうち一方の上肢が麻痺状態であってもよい。

【0016】

特徴量抽出部１２は、筋電位信号から手の動き及び筋電位信号が測定される位置ごとに特徴量を抽出する。特徴量は、抽出される生データの特性を示す数値又はベクトルである。特徴量の抽出方法は特に限定されず、特徴量抽出部１２は、例えば筋電位信号の特徴量として、ＭＦＬ(Maximum Fractal Length)やＭＭＤＦ(Multi-Model Deep Feature)などを算出すればよい。なお、特徴量抽出部１２は、複数の特徴量の抽出方法を組み合わせてもよい。

【0017】

特徴量記録部１３は、抽出された特徴量を手の異なる動きごとに記憶部２１に記録する。特徴量記録部１３は、測定対象の上肢が麻痺状態であるか、麻痺状態でないかにより、特徴量を別々に記録してもよい。また、特徴量記録部１３は、測定対象の人物ごとに特徴量を別々に記録してもよい。

【0018】

モデル生成部１４は、記録された特徴量に基づいて推定モデルを生成する。生成される推定モデルは、筋電位信号から抽出される特徴量を入力として、上肢の手の動きを出力するモデルである。モデル生成部１４は、手の異なる動きごとの特徴量に例えばサポートベクタマシン（ＳＶＭ）を適用することで、特徴量を分類するモデルを生成する。
モデル生成部１４は、測定対象の上肢が麻痺状態であるか、麻痺状態でないかにより、異なる推定モデルを生成してもよく、また、測定対象の人物ごとに推定モデルを生成してもよい。

【0019】

モデル出力部１５は、生成された推定モデルを後述する推定装置４に出力する。

【0020】

図３は、第１の実施形態に係る推定装置４の構成を示す図である。推定装置４は、測定信号受信部４１、特徴量抽出部４２、推定部４３、推定結果出力部４４、記憶部５１を備える。記憶部５１には、推定モデル作成装置１により出力される推定モデルが記憶される。

【0021】

測定信号受信部４１は、測定信号受信部１１と同様、上肢５から測定装置３により測定された筋電位を受信する。特徴量抽出部４２は、特徴量抽出部１２と同様、筋電位信号から特徴量を抽出する。

【0022】

推定部４３は、推定モデルに特徴量を入力することで、推定される上肢の手の動きを出力させる。推定結果出力部４４は、推定された結果として上肢の手の動きを出力する。以上により、推定装置４は上肢の手が行おうとする動作を推定することができる。
出力される上肢の手の動きは、例えば測定対象の人物が装着するＶＲヘッドセット又はＡＲヘッドセットに表示される。これにより、測定対象の人物が麻痺した上肢のリハビリをする際に視覚的な補助をすることができる。

【0023】

図４及び図５は、第１の実施形態に係る推定モデル作成装置１の動作を示すフローチャートである。図４は、推定モデル作成装置１の前段の動作を示すフローチャートである。初めに測定信号受信部１１は、測定装置３が測定した筋電位信号を受信する（ステップＳ１１）。その後、特徴量抽出部１２は、筋電位信号から特徴量を抽出する（ステップＳ１２）。特徴量記録部１３は、抽出した特徴量を記憶部２１に記録する。このとき、特徴量記録部１３は、特徴量とともに対応する手の動作、被験者情報、測定した上肢が麻痺状態であるか否かなどを記録してもよい。推定モデル作成装置１は、ステップＳ１１からＳ１３の動作を繰り返すことで記憶部２１に保存される特徴量の数を増やす。

【0024】

図５は、推定モデル作成装置１の後段の動作を示すフローチャートである。モデル生成部１４は、記憶部２１に記憶された特徴量に基づいて、推定モデルを生成する（ステップＳ１４）。モデル出力部１５は、生成された推定モデルを推定装置４に出力する（ステップＳ１５）。

【0025】

図６は、第１の実施形態に係る推定装置４の動作を示すフローチャートである。測定信号受信部４１は、測定装置３が測定した筋電位信号を受信する（ステップＳ２１）。その後、特徴量抽出部４２は、筋電位信号から特徴量を抽出する（ステップＳ２２）。推定部４３は、推定モデルを用いて特徴量から手の動きを推定する（ステップＳ２３）。推定結果出力部４４は、推定部４３による推定結果を出力する（ステップＳ２４）。

【0026】

図７及び図８は推定装置４による推定結果を示す図である。図７は、測定対象の上肢が麻痺状態でないときの手の動きを推定する推定モデルによる推定結果の精度を示す図である。図８は、測定対象の上肢が麻痺状態であるときの手の動きを推定する推定モデルによる推定結果の精度を示す図である。実際の手の動き(True gesture)と推定結果の手の動き(Predicted gesture)とが同じとなる割合である正解率（accuracy rate）を算出した。推定モデルの作成にはＳＶＭを用いた。
図７に示す結果においては、正解率は86.6%であり、図８に示す結果においては、正解率は67.0%であった。したがって上肢が麻痺状態であるときは、67%の正解率で手の動きを推定することができる。

【0027】

（第２の実施形態）
以下、第２の実施形態に係る推定モデル作成装置１及び推定装置４について説明するが、第１の実施形態に係る推定モデル作成装置１及び推定装置４と同様の点については説明を省略する。
第２の実施形態に係る特徴量記録部１３は、抽出された特徴量と当該特徴量における手の動きの評価指標を記憶部２１に記録する。手の動きの評価指標は、例えばＦＭＡ(Fugl-Meyer Assessment)、ブルンストローム・ステージ、ＳＩＡＳ(Stroke Impairment Assessment Set)、ＭＡＳ(Modified Ashworth Scale)といった麻痺の程度を評価する指標である。第２の実施形態に係るモデル生成部１４は、筋電位信号から抽出される特徴量を入力として、手の動きの評価指標を出力するモデルを生成する。

【0028】

第２の実施形態に係る推定部４３は、推定モデルに特徴量を入力することで、手の動きの評価指標を出力させる。第２の実施形態に係る推定結果出力部４４は、推定された結果として手の動きの評価指標を出力する。出力される手の動きの評価指標は、例えば外部の表示装置に表示される。これにより、測定対象の人物の上肢の麻痺の指標を推定することができる。

【0029】

測定対象の人物の２つの上肢の一方が麻痺状態でありもう一方が非麻痺状態であるとき、第２の実施形態に係る特徴量記録部１３が記録する特徴量及び第２の実施形態に係る特徴量抽出部４２が抽出する特徴量は、２つの上肢から測定された筋電位信号から抽出される特徴量であってもよい。

【0030】

〈他の実施形態〉
以上、図面を参照してこの発明の一実施形態について詳しく説明してきたが、具体的な構成は上述のものに限られることはなく、この発明の要旨を逸脱しない範囲内において様々な設計変更等をすることが可能である。
例えば、推定モデルは、筋電位信号から抽出される特徴量を入力として、重症度を出力してもよい。このとき、モデル生成部１４は、筋電位信号から抽出される特徴量を入力として、重症度を出力するモデルを生成する。推定部４３は、推定モデルに特徴量を入力することで、重症度を出力させる。

【0031】

上述した実施形態における推定モデル作成装置１及び推定装置４の一部又は全部をコンピュータで実現するようにしてもよい。その場合、この機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器のハードウェアを含むものとする。また、「コンピュータ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－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記録装置のことをいう。さらに「コンピュータ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を送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものを含んでもよい。また上記プログラムは、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く、さらに前述した機能をコンピュータ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であってもよい。また、推定モデル作成装置１及び推定装置４の一部または全部は、ＦＰＧＡ（Field Programmable Gate Array）等のプログラマブルロジックデバイスを用いて実現されるものであってもよい。

【符号の説明】

【0032】

１ 推定モデル作成装置、１１ 測定信号受信部、１２ 特徴量抽出部、１３ 特徴量記録部、１４ モデル生成部、１５ モデル出力部、２１ 記憶部、２ 上肢、３ 測定装置、４ 推定装置、４１ 測定信号受信部、４２ 特徴量抽出部、４３ 推定部、４４ 推定結果出力部、５ 上肢、５１ 記憶部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】