知財求人 - 知財ポータルサイト「IP Force」
▶ 豊田合成株式会社の特許一覧 ▶ 国立大学法人名古屋大学の特許一覧
(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】P2025005118
(43)【公開日】2025-01-16
(54)【発明の名称】健康スコアの推定方法
(51)【国際特許分類】
A61B 5/11 20060101AFI20250108BHJP
【ＦＩ】
A61B5/11 210
【審査請求】未請求
【請求項の数】4
【出願形態】ＯＬ
(21)【出願番号】P 2023105150
(22)【出願日】2023-06-27
【国等の委託研究の成果に係る記載事項】（出願人による申告）令和５年度、国立研究開発法人科学技術振興機構、ムーンショット型研究開発事業「内受容感覚操作システム開発」委託研究、産業技術力強化法第１７条の適用を受ける特許出願
(71)【出願人】
【識別番号】000241463
【氏名又は名称】豊田合成株式会社
(71)【出願人】
【識別番号】504139662
【氏名又は名称】国立大学法人東海国立大学機構
(74)【代理人】
【識別番号】100105957
【弁理士】
【氏名又は名称】恩田 誠
(74)【代理人】
【識別番号】100068755
【弁理士】
【氏名又は名称】恩田 博宣
(72)【発明者】
【氏名】藤原 武史
(72)【発明者】
【氏名】平田 仁
(72)【発明者】
【氏名】下田 真吾
【テーマコード（参考）】
4C038
【Ｆターム（参考）】
4C038VA12
4C038VB14
4C038VC20
(57)【要約】
【課題】歩行状態に関連する特徴量を利用して、対象者の健康スコアを推定する。
【解決手段】被験者特徴量取得ステップＳ１１では、被験者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、歩行状態に関する特徴量でありかつ膝の状態と相関のある特徴量を取得する。学習モデル作成ステップＳ１２では、被験者特徴量取得ステップＳ１１で取得された特徴量と被験者の膝の状態のデータとから、特徴量及び膝の状態の関連性を学習して学習モデルを作成する。対象者特徴量取得ステップＳ１３では、対象者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、被験者特徴量取得ステップＳ１１で取得された特徴量と同じ種類の特徴量を取得する。膝状態スコア推定ステップＳ１４では、対象者特徴量取得ステップＳ１３で取得された特徴量を、学習モデル作成ステップＳ１２で作成された学習モデルに与え、対象者の膝の状態を膝状態スコアとして推定する。
【選択図】図１１
【解決手段】被験者特徴量取得ステップＳ１１では、被験者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、歩行状態に関する特徴量でありかつ膝の状態と相関のある特徴量を取得する。学習モデル作成ステップＳ１２では、被験者特徴量取得ステップＳ１１で取得された特徴量と被験者の膝の状態のデータとから、特徴量及び膝の状態の関連性を学習して学習モデルを作成する。対象者特徴量取得ステップＳ１３では、対象者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、被験者特徴量取得ステップＳ１１で取得された特徴量と同じ種類の特徴量を取得する。膝状態スコア推定ステップＳ１４では、対象者特徴量取得ステップＳ１３で取得された特徴量を、学習モデル作成ステップＳ１２で作成された学習モデルに与え、対象者の膝の状態を膝状態スコアとして推定する。
【選択図】図１１
【特許請求の範囲】
【請求項1】
対象者の歩行に関する健康状態を定量的に評価するためのスコアを健康スコアとして推定する、健康スコアの推定方法であって、
前記健康スコアは、前記対象者の膝の状態を前記健康状態として定量的に評価するための膝状態スコアを含み、
複数の被験者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、前記被験者の歩行状態に関する特徴量であり、かつ前記膝の状態と相関のある特徴量を取得する被験者特徴量取得ステップと、
前記被験者特徴量取得ステップで取得された前記特徴量、及び前記被験者毎の膝の状態のデータから、前記特徴量及び前記膝の状態の関連性を学習して学習モデルを作成する学習モデル作成ステップと、
前記対象者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、前記被験者特徴量取得ステップで取得された前記特徴量と同じ種類の特徴量を取得する対象者特徴量取得ステップと、
前記対象者特徴量取得ステップで取得された前記特徴量を、前記学習モデル作成ステップで作成された前記学習モデルに与えて、前記対象者の前記膝の状態を前記膝状態スコアとして推定する膝状態スコア推定ステップと、を備える、健康スコアの推定方法。
前記健康スコアは、前記対象者の膝の状態を前記健康状態として定量的に評価するための膝状態スコアを含み、
複数の被験者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、前記被験者の歩行状態に関する特徴量であり、かつ前記膝の状態と相関のある特徴量を取得する被験者特徴量取得ステップと、
前記被験者特徴量取得ステップで取得された前記特徴量、及び前記被験者毎の膝の状態のデータから、前記特徴量及び前記膝の状態の関連性を学習して学習モデルを作成する学習モデル作成ステップと、
前記対象者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、前記被験者特徴量取得ステップで取得された前記特徴量と同じ種類の特徴量を取得する対象者特徴量取得ステップと、
前記対象者特徴量取得ステップで取得された前記特徴量を、前記学習モデル作成ステップで作成された前記学習モデルに与えて、前記対象者の前記膝の状態を前記膝状態スコアとして推定する膝状態スコア推定ステップと、を備える、健康スコアの推定方法。
【請求項2】
前記被験者の前記膝の状態のデータには、前記膝の状態に関する質問票に対し、前記被験者が回答した結果に関する情報が含まれている請求項１に記載の健康スコアの推定方法。
【請求項3】
前記被験者の前記膝の状態のデータには、膝の疾病の進行度合いを示す分類に関する情報が含まれている請求項１又は請求項２に記載の健康スコアの推定方法。
【請求項4】
対象者の歩行に関する健康状態を定量的に評価するためのスコアを健康スコアとして推定する、健康スコアの推定方法であって、
前記健康スコアは、前記対象者の歩行年齢を前記健康状態として定量的に評価するための歩行年齢スコアを含み、
複数の被験者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、前記被験者毎の歩行状態に関する特徴量であり、かつ前記歩行年齢と相関のある特徴量を取得する被験者特徴量取得ステップと、
前記被験者特徴量取得ステップで取得された前記特徴量、及び前記被験者毎の前記歩行年齢のデータから、前記特徴量及び前記歩行年齢の関連性を学習して学習モデルを作成する学習モデル作成ステップと、
前記対象者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、前記被験者特徴量取得ステップで取得された前記特徴量と同じ種類の特徴量を取得する対象者特徴量取得ステップと、
前記対象者特徴量取得ステップで取得された前記特徴量を、前記学習モデル作成ステップで作成された前記学習モデルに与えて、前記対象者の前記歩行年齢を前記歩行年齢スコアとして推定する歩行年齢スコア推定ステップと、を備える、健康スコアの推定方法。
前記健康スコアは、前記対象者の歩行年齢を前記健康状態として定量的に評価するための歩行年齢スコアを含み、
複数の被験者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、前記被験者毎の歩行状態に関する特徴量であり、かつ前記歩行年齢と相関のある特徴量を取得する被験者特徴量取得ステップと、
前記被験者特徴量取得ステップで取得された前記特徴量、及び前記被験者毎の前記歩行年齢のデータから、前記特徴量及び前記歩行年齢の関連性を学習して学習モデルを作成する学習モデル作成ステップと、
前記対象者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、前記被験者特徴量取得ステップで取得された前記特徴量と同じ種類の特徴量を取得する対象者特徴量取得ステップと、
前記対象者特徴量取得ステップで取得された前記特徴量を、前記学習モデル作成ステップで作成された前記学習モデルに与えて、前記対象者の前記歩行年齢を前記歩行年齢スコアとして推定する歩行年齢スコア推定ステップと、を備える、健康スコアの推定方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、対象者の歩行に関する健康状態を定量的に評価するためのスコアを健康スコアとして推定する、健康スコアの推定方法に関する。
【背景技術】
【0002】
近年、運動器の障害による要介護の状態や要介護リスクの高い状態である運動器症候群が社会問題となっている。運動器症候群を早期に発見するために、運動器症候群の判定に関する技術開発が進められている。例えば、特許文献１には、被測定者の歩行状態の変化を簡易に把握することのできるシステムが提案されている。
【0003】
このシステムでは、足裏にかかる部位毎の圧力を経時的に測定する。測定された測定情報から歩行状態に関連する特徴量を取得する。取得された特徴量に基づいて、歩行状態が所定のアラート対象の状態であるか否かを判定する。歩行状態が所定のアラート対象の状態であると判定された場合には、そのことを報知するようにしている。
【0004】
上記システムによれば、被測定者又は保護者等の他者は、被測定者に測定部を装着させて歩行させ、アラート対象の状態であることの報知を確認する。上記報知により、医療従事者による直接の診断を必要とせずに、被測定者の歩行状態がアラート対象の状態に変化したことを簡易に把握できる。そして、被測定者を医療機関に受診させる等の適切な対応を行うことができる。
【先行技術文献】
【特許文献】
【0005】
【特許文献1】特開２０２１－１３７３７１号公報
【発明の概要】
【発明が解決しようとする課題】
【0006】
ところで、歩行状態に関連する上記特徴量を利用して、対象者毎の歩行に関する健康状態、例えば、膝の状態を定量的に評価するためのスコアを健康スコアとして推定できれば、膝の悪化、ひいては疾病の予兆を早期に知ることが可能となる。しかし、そういった健康スコアを推定する方法は、未だ実現化されていないのが実情である。
【課題を解決するための手段】
【0007】
上記課題を解決するための健康スコアの推定方法の各態様を記載する。
［態様１］対象者の歩行に関する健康状態を定量的に評価するためのスコアを健康スコアとして推定する、健康スコアの推定方法であって、前記健康スコアは、前記対象者の膝の状態を前記健康状態として定量的に評価するための膝状態スコアを含み、複数の被験者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、前記被験者の歩行状態に関する特徴量であり、かつ前記膝の状態と相関のある特徴量を取得する被験者特徴量取得ステップと、前記被験者特徴量取得ステップで取得された前記特徴量、及び前記被験者毎の膝の状態のデータから、前記特徴量及び前記膝の状態の関連性を学習して学習モデルを作成する学習モデル作成ステップと、前記対象者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、前記被験者特徴量取得ステップで取得された前記特徴量と同じ種類の特徴量を取得する対象者特徴量取得ステップと、前記対象者特徴量取得ステップで取得された前記特徴量を、前記学習モデル作成ステップで作成された前記学習モデルに与えて、前記対象者の前記膝の状態を前記膝状態スコアとして推定する膝状態スコア推定ステップと、を備える、健康スコアの推定方法。
［態様１］対象者の歩行に関する健康状態を定量的に評価するためのスコアを健康スコアとして推定する、健康スコアの推定方法であって、前記健康スコアは、前記対象者の膝の状態を前記健康状態として定量的に評価するための膝状態スコアを含み、複数の被験者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、前記被験者の歩行状態に関する特徴量であり、かつ前記膝の状態と相関のある特徴量を取得する被験者特徴量取得ステップと、前記被験者特徴量取得ステップで取得された前記特徴量、及び前記被験者毎の膝の状態のデータから、前記特徴量及び前記膝の状態の関連性を学習して学習モデルを作成する学習モデル作成ステップと、前記対象者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、前記被験者特徴量取得ステップで取得された前記特徴量と同じ種類の特徴量を取得する対象者特徴量取得ステップと、前記対象者特徴量取得ステップで取得された前記特徴量を、前記学習モデル作成ステップで作成された前記学習モデルに与えて、前記対象者の前記膝の状態を前記膝状態スコアとして推定する膝状態スコア推定ステップと、を備える、健康スコアの推定方法。
【0008】
ここで、対象者とは、健康スコアとして膝状態スコアが推定される人である。また、被験者とは、測定情報及び膝の状態のデータを提供する人である。
上記の方法によれば、対象者の健康スコアとして膝状態スコアを推定する場合には、被験者特徴量取得ステップ、学習モデル作成ステップ、対象者特徴量取得ステップ及び膝状態スコア推定ステップが行われる。
上記の方法によれば、対象者の健康スコアとして膝状態スコアを推定する場合には、被験者特徴量取得ステップ、学習モデル作成ステップ、対象者特徴量取得ステップ及び膝状態スコア推定ステップが行われる。
【0009】
被験者特徴量取得ステップでは、複数の被験者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、被験者毎の歩行状態に関する特徴量であり、かつ膝の状態と相関のある特徴量が取得される。
【0010】
学習モデル作成ステップでは、被験者特徴量取得ステップで取得された特徴量と、被験者毎の膝の状態のデータとから、特徴量と膝の状態との関連性が学習されて学習モデルが作成される。すなわち、特徴量と膝の状態との間にある法則が関連性として見つけられて、その法則を表現するためのアルゴリズムが学習モデルとして作成される。
【0011】
対象者特徴量取得ステップでは、対象者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、被験者特徴量取得ステップで取得された特徴量と同じ種類の特徴量が取得される。
【0012】
膝状態スコア推定ステップでは、対象者特徴量取得ステップで取得された対象者の特徴量が、学習モデル作成ステップで作成された学習モデルに与えられて、対象者の膝の未知の状態が膝状態スコアとして推定される。
【0013】
従って、推定された膝状態スコアから、対象者の膝の悪さの度合いを知ることが可能となる。
［態様２］前記被験者の前記膝の状態のデータには、前記膝の状態に関する質問票に対し、前記被験者が回答した結果に関する情報が含まれている［態様１］に記載の健康スコアの推定方法。
［態様２］前記被験者の前記膝の状態のデータには、前記膝の状態に関する質問票に対し、前記被験者が回答した結果に関する情報が含まれている［態様１］に記載の健康スコアの推定方法。
【0014】
上記の方法によれば、学習モデル作成ステップでは、被験者の膝の状態のデータとして、膝の状態に関する質問票に対し、被験者が回答した結果が用いられる。従って、被験者の膝の状態のデータは、膝の状態について被験者が実際に感ずる自覚症状、例えば痛みの有無、痛みの程度等の自覚症状を反映したものとなる。そのため、被験者の膝の状態のデータ及び学習モデルは、精度の高いものとなる。
【0015】
［態様３］前記被験者の前記膝の状態のデータには、膝の疾病の進行度合いを示す分類に関する情報が含まれている［態様１］又は［態様２］に記載の健康スコアの推定方法。
上記の方法によれば、学習モデル作成ステップでは、被験者の膝の状態のデータとして、膝の疾病、例えば、変形性膝関節症の進行度合いを示す分類に関する情報が用いられる。従って、被験者の膝の状態のデータは、膝の疾病の進行度合いを客観的に反映したものとなる。そのため、被験者の膝の状態のデータ及び学習モデルは、精度の高いものとなる。
上記の方法によれば、学習モデル作成ステップでは、被験者の膝の状態のデータとして、膝の疾病、例えば、変形性膝関節症の進行度合いを示す分類に関する情報が用いられる。従って、被験者の膝の状態のデータは、膝の疾病の進行度合いを客観的に反映したものとなる。そのため、被験者の膝の状態のデータ及び学習モデルは、精度の高いものとなる。
【0016】
［態様４］対象者の歩行に関する健康状態を定量的に評価するためのスコアを健康スコアとして推定する、健康スコアの推定方法であって、前記健康スコアは、前記対象者の歩行年齢を前記健康状態として定量的に評価するための歩行年齢スコアを含み、複数の被験者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、前記被験者毎の歩行状態に関する特徴量であり、かつ前記歩行年齢と相関のある特徴量を取得する被験者特徴量取得ステップと、前記被験者特徴量取得ステップで取得された前記特徴量、及び前記被験者毎の前記歩行年齢のデータから、前記特徴量及び前記歩行年齢の関連性を学習して学習モデルを作成する学習モデル作成ステップと、前記対象者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、前記被験者特徴量取得ステップで取得された前記特徴量と同じ種類の特徴量を取得する対象者特徴量取得ステップと、前記対象者特徴量取得ステップで取得された前記特徴量を、前記学習モデル作成ステップで作成された前記学習モデルに与えて、前記対象者の前記歩行年齢を前記歩行年齢スコアとして推定する歩行年齢スコア推定ステップと、を備える、健康スコアの推定方法。
【0017】
ここで、対象者とは、健康スコアとして歩行年齢スコアが推定される人である。また、被験者とは、測定情報及び歩行年齢のデータを提供する人である。
上記の方法によれば、対象者の健康スコアとして歩行年齢スコアを推定する場合には、被験者特徴量取得ステップ、学習モデル作成ステップ、対象者特徴量取得ステップ及び歩行年齢スコア推定ステップが行われる。
上記の方法によれば、対象者の健康スコアとして歩行年齢スコアを推定する場合には、被験者特徴量取得ステップ、学習モデル作成ステップ、対象者特徴量取得ステップ及び歩行年齢スコア推定ステップが行われる。
【0018】
被験者特徴量取得ステップでは、複数の被験者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、被験者毎の歩行状態に関する特徴量であり、かつ歩行年齢と相関のある特徴量が取得される。
【0019】
学習モデル作成ステップでは、被験者特徴量取得ステップで取得された特徴量と、被験者毎の歩行年齢のデータとから、被験者の特徴量と歩行年齢との関連性が学習されて学習モデルが作成される。すなわち、被験者の特徴量と歩行年齢との間にある法則が関連性として見つけられて、その法則を表現するためのアルゴリズムが学習モデルとして作成される。
【0020】
対象者特徴量取得ステップでは、対象者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、被験者特徴量取得ステップで取得された特徴量と同じ種類の特徴量が取得される。
【0021】
歩行年齢スコア推定ステップでは、対象者特徴量取得ステップで取得された対象者の特徴量が、学習モデル作成ステップで作成された学習モデルに与えられて、対象者の未知の歩行年齢が歩行年齢として推定される。
【0022】
従って、推定された歩行年齢スコアから、対象者の歩行年齢を知ることが可能となる。
【発明の効果】
【0023】
本発明によれば、歩行状態に関連する特徴量を利用して、対象者の健康スコアを推定することができる。
【図面の簡単な説明】
【0024】
【図1】健康スコアの推定方法を具体化した一実施形態において、膝状態スコア及び歩行年齢スコアと健康状態との関係を規定した二次元のマップである。
【図2】上記実施形態における歩行判定システムの説明図である。
【図3】上記実施形態における圧力センサの配置状態を説明する説明図である。
【図4】上記実施形態における特徴量データの説明図である。
【図5】上記実施形態における情報処理部の説明図である。
【図6】上記実施形態におけるスコア推定部の説明図である。
【図7】上記実施形態の圧力センサによって測定された圧力の経時的変化を示す波形データのグラフである。
【図9】上記実施形態における足圧中心の二次元座標のグラフである。
【図10】上記実施形態における振れ角の説明図である。
【図11】上記実施形態における健康スコアとして膝状態スコア及び歩行年齢スコアをそれぞれ推定する手順を説明するフローチャートである。
【発明を実施するための形態】
【0025】
以下、健康スコアの推定方法を具体化した一実施形態について、図面を参照して説明する。
本実施形態の推定方法は、歩行判定システムにおいて実施される。
本実施形態の推定方法は、歩行判定システムにおいて実施される。
【0026】
図２に示すように、歩行判定システムは、測定部としての測定装置１０と、歩行判定装置２０とを備えている。次に、歩行判定システムの各部について説明する。
《測定装置１０》
図２及び図３に示すように、測定装置１０は、シューズの中敷きとして用いられる基部１１を備えている。基部１１には、歩行中の足裏にかかる部位毎の圧力を検出する圧力センサ１２として、踵センサ１２ａ、つま先センサ１２ｂ、内側センサ１２ｃ及び外側センサ１２ｄが取り付けられている。
《測定装置１０》
図２及び図３に示すように、測定装置１０は、シューズの中敷きとして用いられる基部１１を備えている。基部１１には、歩行中の足裏にかかる部位毎の圧力を検出する圧力センサ１２として、踵センサ１２ａ、つま先センサ１２ｂ、内側センサ１２ｃ及び外側センサ１２ｄが取り付けられている。
【0027】
なお、歩行とは、一般的には、足裏で地面を踏み、体を支える時期である立脚期と、片方の足をもち上げて前に振り出す時期である遊脚期とからなる。本明細書では、上記立脚期及び遊脚期に加え、移動を開始する直前の止まっている時期と、移動を終えた直後の止まっている時期も、歩行に含まれるものとする。
【0028】
図３に示すように、基部１１において、踵センサ１２ａは、踵の荷重がかかる部分に配置され、かつ足裏の踵にかかる圧力を検出する。ここで、つま先を構成する５本の指を区別するために、親指から小指に向けて、第１指（親指）、第２指、第３指、第４指、第５指（小指）とする。つま先センサ１２ｂは、第２指～第４指のうち、荷重がかかる部分のいずれかに配置され、かつ足裏のつま先にかかる圧力を検出する。
【0029】
ここで、内側とは、左右方向のうち、反対側の足に近い側であり、外側とは、同方向のうち、反対側の足から遠い側である。
内側センサ１２ｃは、踵センサ１２ａとつま先センサ１２ｂとを結ぶ線Ｌよりも内側であって、母指球の荷重がかかる部分に配置され、かつ足裏の内側部分にかかる圧力を検出する。外側センサ１２ｄは、線Ｌよりも外側であって、小指球の荷重がかかる部分に配置され、かつ足裏の外側部分にかかる圧力を検出する。
内側センサ１２ｃは、踵センサ１２ａとつま先センサ１２ｂとを結ぶ線Ｌよりも内側であって、母指球の荷重がかかる部分に配置され、かつ足裏の内側部分にかかる圧力を検出する。外側センサ１２ｄは、線Ｌよりも外側であって、小指球の荷重がかかる部分に配置され、かつ足裏の外側部分にかかる圧力を検出する。
【0030】
換言すると、踵センサ１２ａ及びつま先センサ１２ｂは、足裏における前後方向に離間する第１位置及び第２位置の圧力を検出するように配置されている。内側センサ１２ｃ及び外側センサ１２ｄは、第１位置及び第２位置を結ぶ線Ｌを跨いで左右方向に離間する第３位置及び第４位置の圧力を検出するように配置されている。
【0031】
なお、上述した踵センサ１２ａ、つま先センサ１２ｂ、内側センサ１２ｃ、及び外側センサ１２ｄを互いに区別する必要がない場合には、単に「圧力センサ１２」ということがある。
【0032】
各圧力センサ１２は、それぞれ独立して、所定時間毎に足裏にかかる部位毎の圧力を検出する。上記所定時間は、例えば、５ミリ秒～３０ミリ秒である。
圧力センサ１２としては、圧電素子等を用いた公知の感圧センサを用いることができる。特に、足裏に配置されるという使用状況に鑑みると、伸縮性及び耐久性の観点から、誘電エラストマーを利用したエラストマー製の静電容量型センサを用いることが好ましい。上記誘電エラストマーとしては、例えば、架橋されたポリロタキサン、シリコーンエラストマー、アクリルエラストマー、ウレタンエラストマー等が挙げられる。
圧力センサ１２としては、圧電素子等を用いた公知の感圧センサを用いることができる。特に、足裏に配置されるという使用状況に鑑みると、伸縮性及び耐久性の観点から、誘電エラストマーを利用したエラストマー製の静電容量型センサを用いることが好ましい。上記誘電エラストマーとしては、例えば、架橋されたポリロタキサン、シリコーンエラストマー、アクリルエラストマー、ウレタンエラストマー等が挙げられる。
【0033】
図２に示すように、測定装置１０には、送信部１３が取り付けられている。送信部１３は、各圧力センサ１２により検出された各検出値を、測定情報として歩行判定装置２０に対し、所定のタイミング、例えば、検出タイミング毎に送信する。各圧力センサ１２により検出された各検出値は、静電容量値、電気抵抗値等の圧力センサの検出方式に応じた圧力値に変換可能な検出値である。従って、以下に記載する「検出値」は、足裏の圧力センサ１２が取り付けられている位置における圧力の測定値と読み替えることができる。
【0034】
なお、測定装置１０は、左足用及び右足用の両方に対し用意されている。必要に応じて、左右のいずれかの測定装置１０のみ、又は左右両方の測定装置１０が使用される。
《歩行判定装置２０》
図２に示すように、歩行判定装置２０は、測定装置１０の送信部１３から送信された測定情報を受信する受信部２１と、受信した測定情報等を記憶する記憶部２２と、測定情報から歩行状態に関連する特徴量を取得する情報処理部２３とを備えている。また、歩行判定装置２０は、取得された上記特徴量に基づいて、対象者の歩行に関する健康状態を定量的に評価するためのスコアを健康スコアとして推定するスコア推定部２４を備えている。健康スコアは、本実施形態では、対象者の膝の状態を健康状態として定量的に評価するための膝状態スコアと、対象者の歩行年齢を健康状態として定量的に評価するための歩行年齢スコアとを含んでいる。
《歩行判定装置２０》
図２に示すように、歩行判定装置２０は、測定装置１０の送信部１３から送信された測定情報を受信する受信部２１と、受信した測定情報等を記憶する記憶部２２と、測定情報から歩行状態に関連する特徴量を取得する情報処理部２３とを備えている。また、歩行判定装置２０は、取得された上記特徴量に基づいて、対象者の歩行に関する健康状態を定量的に評価するためのスコアを健康スコアとして推定するスコア推定部２４を備えている。健康スコアは、本実施形態では、対象者の膝の状態を健康状態として定量的に評価するための膝状態スコアと、対象者の歩行年齢を健康状態として定量的に評価するための歩行年齢スコアとを含んでいる。
【0035】
歩行判定装置２０は、さらに、各種表示を行う表示部２５と、各種の情報を入力する入力部２６とを備えている。
上記歩行判定装置２０としては、例えば、携帯端末、タブレット端末等のコンピュータを用いることができる。表示部２５としては、例えば、液晶ディスプレイ等の公知の表示デバイスを用いることができる。入力部２６としては、例えば、キーボード、マウス、タッチパネル等の公知の入力デバイスを用いることができる。
上記歩行判定装置２０としては、例えば、携帯端末、タブレット端末等のコンピュータを用いることができる。表示部２５としては、例えば、液晶ディスプレイ等の公知の表示デバイスを用いることができる。入力部２６としては、例えば、キーボード、マウス、タッチパネル等の公知の入力デバイスを用いることができる。
【0036】
受信部２１は、有線又は無線の通信手段を有し、公知の通信方式にて測定装置１０の送信部１３と通信を行う。
＜記憶部２２＞
記憶部２２は、測定装置１０から送信された測定情報を記憶するとともに、測定情報に基づく特徴量データを記憶するように構成されている。図４に示すように、特徴量データには、日時やユーザー名等の識別情報と、歩行状態に関連する特徴量Ｆ１～Ｆ１３とが含まれている。
＜記憶部２２＞
記憶部２２は、測定装置１０から送信された測定情報を記憶するとともに、測定情報に基づく特徴量データを記憶するように構成されている。図４に示すように、特徴量データには、日時やユーザー名等の識別情報と、歩行状態に関連する特徴量Ｆ１～Ｆ１３とが含まれている。
【0037】
記憶部２２には、同じ被験者の過去の特徴量データ、異なる被験者の特徴量データ、医療従事者等の専門家により設定されたモデルデータ等の複数の特徴量データが記憶されている。上記モデルデータとしては、例えば、内反足や外反足等の特定の症状を有する被験者の測定結果から得られた特徴量データが挙げられる。さらに、記憶部２２には、情報処理部２３及びスコア推定部２４における各処理をコンピュータに実行させるためのプログラムが記憶されている。
【0038】
記憶部２２としては、例えば、ＨＤＤ、ＳＳＤ、半導体メモリ素子等が挙げられる。また、記憶部２２は、ネットワークを介して歩行判定装置２０に接続された記憶装置であってもよい。
【0039】
＜情報処理部２３＞
図５に示すように、情報処理部２３は、波形データ作成部３１、分割部３２、区間最大値取得部３３、区間時間取得部３４、座標算出部３５、滞在比率算出部３６、振れ値算出部３７、ＦＴＡ算出部３８、及びＬＨＡ算出部３９を備えている。情報処理部２３は、さらに、膝状態学習モデル作成部４０、歩行年齢学習モデル作成部４１、及び第１表示処理部４２を備えている。
図５に示すように、情報処理部２３は、波形データ作成部３１、分割部３２、区間最大値取得部３３、区間時間取得部３４、座標算出部３５、滞在比率算出部３６、振れ値算出部３７、ＦＴＡ算出部３８、及びＬＨＡ算出部３９を備えている。情報処理部２３は、さらに、膝状態学習モデル作成部４０、歩行年齢学習モデル作成部４１、及び第１表示処理部４２を備えている。
【0040】
［波形データ作成部３１］
波形データ作成部３１は、記憶部２２に記憶されている分析対象となる測定情報に基づいて、各圧力センサ１２により検出された片足の足裏の部位毎の検出値の時間変化を表す波形データを作成する。波形データ作成部３１により作成される波形データの一例を図７に示す。図７において、実線は、踵センサ１２ａの検出値を示し、一点鎖線は、つま先センサ１２ｂの検出値を示し、二点鎖線は、内側センサ１２ｃの検出値を示し、破線は、外側センサ１２ｄの検出値を示す。
波形データ作成部３１は、記憶部２２に記憶されている分析対象となる測定情報に基づいて、各圧力センサ１２により検出された片足の足裏の部位毎の検出値の時間変化を表す波形データを作成する。波形データ作成部３１により作成される波形データの一例を図７に示す。図７において、実線は、踵センサ１２ａの検出値を示し、一点鎖線は、つま先センサ１２ｂの検出値を示し、二点鎖線は、内側センサ１２ｃの検出値を示し、破線は、外側センサ１２ｄの検出値を示す。
【0041】
［分割部３２］
分割部３２は、作成された波形データから、歩行時の足の着地から離地までの特定の一歩分の区間を対象区間として抽出するとともに、抽出した対象区間をさらに複数の小区間に分割する。
分割部３２は、作成された波形データから、歩行時の足の着地から離地までの特定の一歩分の区間を対象区間として抽出するとともに、抽出した対象区間をさらに複数の小区間に分割する。
【0042】
図７に示すように、歩行時の波形データは、圧力値が略一定の区間と、検出値が変化する区間とを周期的に繰り返す波形となる。歩行時の波形データにおいて、検出値が略一定の区間は、地面から足が離れている区間（遊脚期）である。上記波形データにおいて、検出値が変化している区間は、地面に足が接している区間である。分割部３２は、複数の一歩区間Ａから、特定の一歩区間Ａを抽出する。一歩区間Ａでは、各部位の検出値が略一定である区間から踵の圧力値が上昇を開始した点を始点ｔ１とし、各部位の検出値が略一定となるそれぞれの開始点のうちの最も遅い開始点を終点ｔ２とする。
【0043】
なお、一歩区間Ａの始点ｔ１及び終点ｔ２は、上記とは異なる方法で設定されてもよい。例えば、各部位の検出値が略一定となってから所定時間経過した点が上記終点ｔ２と設定されてもよい。
【0044】
抽出する一歩区間Ａは、例えば、以下に示すように、予め設定された基準に基づいて分割部３２が選択する。
・測定開始から１０歩目、２０歩目等の予め設定された順番に位置する一歩区間Ａを選択すること。
・測定開始から１０歩目、２０歩目等の予め設定された順番に位置する一歩区間Ａを選択すること。
【0045】
・前回抽出した一歩区間Ａから一定時間経過後の一歩となる一歩区間Ａを選択すること。
・波形データを一定の歩数又は時間で区分けし、区分けした各区間内でランダムに一歩区間Ａを選択すること。
・波形データを一定の歩数又は時間で区分けし、区分けした各区間内でランダムに一歩区間Ａを選択すること。
【0046】
図８に示すように、分割部３２は、抽出した一歩区間Ａを踵区間Ａｈ、つま先区間Ａｔ、及び中間区間Ａｍといった小区間に分割する。
踵区間Ａｈは、一歩区間Ａのうち、相対的に踵側に圧力がかかる初期の小区間である。本実施形態においては、一歩区間Ａの始点ｔ１から踵センサ１２ａの検出値がピークの頂点となる時点ｔ３までの区間を踵区間Ａｈとする。
踵区間Ａｈは、一歩区間Ａのうち、相対的に踵側に圧力がかかる初期の小区間である。本実施形態においては、一歩区間Ａの始点ｔ１から踵センサ１２ａの検出値がピークの頂点となる時点ｔ３までの区間を踵区間Ａｈとする。
【0047】
つま先区間Ａｔは、一歩区間Ａのうち、相対的につま先側に圧力がかかる終期の小区間である。本実施形態においては、４個の圧力センサ１２の検出値の中でつま先センサ１２ｂの検出値が最も大きくなる時点ｔ４から一歩区間Ａの終点ｔ２までの区間をつま先区間Ａｔとする。なお、歩行の仕方によっては、つま先区間Ａｔが無い場合もある。
【0048】
中間区間Ａｍは、一歩区間Ａから踵区間Ａｈ及びつま先区間Ａｔを除いた小区間である。つま先区間Ａｔがある場合には、時点ｔ３から時点ｔ４までの区間を中間区間Ａｍとし、つま先区間Ａｔがない場合には、時点ｔ３から終点ｔ２までの区間を中間区間Ａｍとする。
【0049】
なお、踵区間Ａｈ、中間区間Ａｍ、及びつま先区間Ａｔとして、上記とは異なる定義がなされてもよい。例えば、つま先センサ１２ｂの検出値がピークの頂点となる時点から一歩区間Ａの終点ｔ２までの区間がつま先区間Ａｔとされてもよい。
【0050】
また、部位毎の圧力の相対的な関係を用いることなく各小区間が設定されてもよい。例えば、一歩区間Ａの始点ｔ１から特定時間後までの区間が踵区間Ａｈとされてもよい。また、一歩区間Ａの終点ｔ２の特定時間前から終点ｔ２までの区間がつま先区間Ａｔとされてもよい。
【0051】
また、一歩区間Ａは、上記とは異なる方法で、複数の小区間に分割されてもよい。例えば、中間区間Ａｍがさらに分割されることにより、一歩区間Ａが４以上の小区間に分割されてもよい。上記複数の小区間は、踵側に圧力がかかる区間及びつま先側に圧力がかかる区間とは無関係に分割された小区間であってもよい。
【0052】
［区間最大値取得部３３］
区間最大値取得部３３は、踵区間Ａｈにおける４個の圧力センサ１２の検出値の最大値（以下、踵区間最大値Ａｈmax と記載する。）、及びつま先区間Ａｔにおける４個の圧力センサ１２の検出値の最大値（以下、つま先区間最大値Ａｔmax と記載する。）を測定情報から取得する。そして、取得した踵区間最大値Ａｈmax 及びつま先区間最大値Ａｔmax を、図４に示す特徴量データを構成する特徴量Ｆ１，Ｆ２として記憶部２２に記憶させる。
区間最大値取得部３３は、踵区間Ａｈにおける４個の圧力センサ１２の検出値の最大値（以下、踵区間最大値Ａｈmax と記載する。）、及びつま先区間Ａｔにおける４個の圧力センサ１２の検出値の最大値（以下、つま先区間最大値Ａｔmax と記載する。）を測定情報から取得する。そして、取得した踵区間最大値Ａｈmax 及びつま先区間最大値Ａｔmax を、図４に示す特徴量データを構成する特徴量Ｆ１，Ｆ２として記憶部２２に記憶させる。
【0053】
［区間時間取得部３４］
区間時間取得部３４は、踵区間Ａｈの長さである区間時間Ｔｈ、中間区間Ａｍの長さである区間時間Ｔｍ、及びつま先区間Ａｔの長さである区間時間Ｔｔを測定情報から取得する。そして、取得した区間時間Ｔｈ，Ｔｍ，Ｔｔを、図４に示す特徴量データを構成する特徴量Ｆ３～Ｆ５として記憶部２２に記憶させる。なお、各区間時間は、秒数等の時間そのものであってもよいし、該当する区間における測定点の点数等の区間時間に相当するパラメータであってもよい。
区間時間取得部３４は、踵区間Ａｈの長さである区間時間Ｔｈ、中間区間Ａｍの長さである区間時間Ｔｍ、及びつま先区間Ａｔの長さである区間時間Ｔｔを測定情報から取得する。そして、取得した区間時間Ｔｈ，Ｔｍ，Ｔｔを、図４に示す特徴量データを構成する特徴量Ｆ３～Ｆ５として記憶部２２に記憶させる。なお、各区間時間は、秒数等の時間そのものであってもよいし、該当する区間における測定点の点数等の区間時間に相当するパラメータであってもよい。
【0054】
［座標算出部３５］
図９に示すように、座標算出部３５は、一歩区間Ａの測定情報に基づいて、踵区間Ａｈ、つま先区間Ａｔ、及び中間区間Ａｍの各小区間における検出時間毎の足圧中心の二次元座標（Ｘ（ｔ），Ｙ（ｔ））を算出する。Ｘ（ｔ）は、時刻ｔにおける足圧中心の左右方向座標であり、Ｙ（ｔ）は、時刻ｔにおける足圧中心の前後方向座標である。足圧中心の二次元座標は、同じ検出時間に検出された４つの圧力センサ１２の検出値から求めることができる。なお、図９に示す二次元座標における点１２ａ～１２ｄはそれぞれ、対応する符号の圧力センサ１２の位置を示している。
図９に示すように、座標算出部３５は、一歩区間Ａの測定情報に基づいて、踵区間Ａｈ、つま先区間Ａｔ、及び中間区間Ａｍの各小区間における検出時間毎の足圧中心の二次元座標（Ｘ（ｔ），Ｙ（ｔ））を算出する。Ｘ（ｔ）は、時刻ｔにおける足圧中心の左右方向座標であり、Ｙ（ｔ）は、時刻ｔにおける足圧中心の前後方向座標である。足圧中心の二次元座標は、同じ検出時間に検出された４つの圧力センサ１２の検出値から求めることができる。なお、図９に示す二次元座標における点１２ａ～１２ｄはそれぞれ、対応する符号の圧力センサ１２の位置を示している。
【0055】
［滞在比率算出部３６］
図９に示すように、滞在比率算出部３６は、足圧中心の二次元座標系を、予め設定された３つの領域Ｂ１，Ｂ２，Ｂ３に分割する。滞在比率算出部３６は、座標算出部３５にて算出された二次元座標に基づいて、滞在比率Ｒｈ１、滞在比率Ｒｈ２、及び滞在比率Ｒｈ３を算出する。滞在比率Ｒｈ１は、踵区間Ａｈにおいて、領域Ｂ１に滞在する時間の比率である。滞在比率Ｒｈ２は、踵区間Ａｈにおいて、領域Ｂ２に滞在する時間の比率である。滞在比率Ｒｈ３は、踵区間Ａｈにおいて、領域Ｂ３に滞在する時間の比率である。そして、算出された滞在比率Ｒｈ１，Ｒｈ２，Ｒｈ３を、図４に示す特徴量データを構成する特徴量Ｆ６として記憶部２２に記憶させる。
図９に示すように、滞在比率算出部３６は、足圧中心の二次元座標系を、予め設定された３つの領域Ｂ１，Ｂ２，Ｂ３に分割する。滞在比率算出部３６は、座標算出部３５にて算出された二次元座標に基づいて、滞在比率Ｒｈ１、滞在比率Ｒｈ２、及び滞在比率Ｒｈ３を算出する。滞在比率Ｒｈ１は、踵区間Ａｈにおいて、領域Ｂ１に滞在する時間の比率である。滞在比率Ｒｈ２は、踵区間Ａｈにおいて、領域Ｂ２に滞在する時間の比率である。滞在比率Ｒｈ３は、踵区間Ａｈにおいて、領域Ｂ３に滞在する時間の比率である。そして、算出された滞在比率Ｒｈ１，Ｒｈ２，Ｒｈ３を、図４に示す特徴量データを構成する特徴量Ｆ６として記憶部２２に記憶させる。
【0056】
同様に、滞在比率算出部３６は、中間区間Ａｍにおいて、領域Ｂ１に滞在する時間の比率である滞在比率Ｒｍ１、領域Ｂ２に滞在する時間の比率である滞在比率Ｒｍ２、及び領域Ｂ３に滞在する時間の比率である滞在比率Ｒｍ３を算出する。そして、算出された滞在比率Ｒｍ１，Ｒｍ２，Ｒｍ３を、図４に示す特徴量データを構成する特徴量Ｆ７として記憶部２２に記憶させる。
【0057】
同様に、滞在比率算出部３６は、つま先区間Ａｔにおいて、領域Ｂ１に滞在する時間の比率である滞在比率Ｒｔ１、領域Ｂ２に滞在する時間の比率である滞在比率Ｒｔ２、及び領域Ｂ３に滞在する時間の比率である滞在比率Ｒｔ３を算出する。そして、算出された滞在比率Ｒｔ１，Ｒｔ２，Ｒｔ３を、図４に示す特徴量データを構成する特徴量Ｆ８として記憶部２２に記憶させる。
【0058】
上記の各滞在比率は、対応する領域に滞在する秒数等の滞在時間そのものに基づく数値であってもよいし、二次元座標系において当該領域に位置する測定点の点数等の滞在時間に相当するパラメータに基づく数値であってもよい。
【0059】
滞在比率を算出する場合における足圧中心の二次元座標系の分割は、上記とは異なる方法によってなされてもよい。上記二次元座標系は、左右方向に並ぶ複数の領域に分割されることに代え、前後方向に並ぶ複数の領域に分割されてもよいし、前後左右に並ぶ複数の領域に分割されてもよい。また、足圧中心の二次元座標系の分割数は、２であってもよいし、４以上であってもよい。
【0060】
［振れ値算出部３７］
振れ値算出部３７は、座標算出部３５にて算出された二次元座標に基づいて、足圧中心の振れを示す振れ値として、踵区間Ａｈの振れ値Ｓｈ、中間区間Ａｍの振れ値Ｓｍ、つま先区間Ａｔの振れ値Ｓｔを算出する。例えば、踵区間Ａｈの振れ値Ｓｈは、以下のようにして算出される。
振れ値算出部３７は、座標算出部３５にて算出された二次元座標に基づいて、足圧中心の振れを示す振れ値として、踵区間Ａｈの振れ値Ｓｈ、中間区間Ａｍの振れ値Ｓｍ、つま先区間Ａｔの振れ値Ｓｔを算出する。例えば、踵区間Ａｈの振れ値Ｓｈは、以下のようにして算出される。
【0061】
図１０に示すように、踵区間Ａｈ内において、連続する３つの測定点における足圧中心の二次元座標をそれぞれ座標Ｐn 、座標Ｐn+1 、座標Ｐn+2 とするとともに、座標Ｐn から座標Ｐn+1 への変化量を示すベクトルＶ１と、座標Ｐn+1 から座標Ｐn+2 への変化量を示すベクトルＶ２とがなす角を振れ角θとする。
【0062】
振れ値算出部３７は、踵区間Ａｈ内における最後の２つを除く全ての足圧中心の二次元座標について、上記の座標Ｐn とした場合の振れ角θをそれぞれ算出し、これら振れ角θを合算することにより、振れ角θの総和である振れ値Ｓｈを算出する。中間区間Ａｍの振れ値Ｓｍ及びつま先区間Ａｔの振れ値Ｓｔについても同様に算出する。そして、振れ値算出部３７は、算出された振れ値Ｓｈ，Ｓｍ，Ｓｔを、図４に示す特徴量データを構成する特徴量Ｆ９～Ｆ１１として記憶部２２に記憶させる。
【0063】
なお、全ての小区間の振れ値が算出されることに代え、特定の小区間の振れ値のみが算出されてもよい。
［ＦＴＡ算出部３８］
ＦＴＡ算出部３８は、一歩区間Ａの測定情報に基づいて被験者又は対象者の大腿脛骨角（以下、ＦＴＡと記載する。）を算出する。そして、ＦＴＡ算出部３８は、算出されたＦＴＡを、図４に示す特徴量データを構成する特徴量Ｆ１２として記憶部２２に記憶させる。
［ＦＴＡ算出部３８］
ＦＴＡ算出部３８は、一歩区間Ａの測定情報に基づいて被験者又は対象者の大腿脛骨角（以下、ＦＴＡと記載する。）を算出する。そして、ＦＴＡ算出部３８は、算出されたＦＴＡを、図４に示す特徴量データを構成する特徴量Ｆ１２として記憶部２２に記憶させる。
【0064】
ＦＴＡは、大腿骨の長軸と脛骨の長軸のなす角度であり、内反足及び外反足を判定する基準の一つとして用いられている。ＦＴＡは、膝関節の状態を示すパラメータであることから歩行状態と密接な関係を有しており、足裏の圧力分布、具体的には、踵センサ１２ａ、つま先センサ１２ｂ、内側センサ１２ｃ、及び外側センサ１２ｄにより検出される荷重のバランスから推定できる。
【0065】
［ＬＨＡ算出部３９］
ＬＨＡ算出部３９は、一歩区間Ａの測定情報に基づいて被験者又は対象者のレッグヒール角（以下、ＬＨＡと記載する。）を算出する。そして、ＬＨＡ算出部３９は、算出されたＬＨＡを、図４に示す特徴量データを構成する特徴量Ｆ１３として記憶部２２に記憶させる。
ＬＨＡ算出部３９は、一歩区間Ａの測定情報に基づいて被験者又は対象者のレッグヒール角（以下、ＬＨＡと記載する。）を算出する。そして、ＬＨＡ算出部３９は、算出されたＬＨＡを、図４に示す特徴量データを構成する特徴量Ｆ１３として記憶部２２に記憶させる。
【0066】
ＬＨＡは、下腿長軸と踵骨軸のなす角度であり、内反足及び外反足を判定する基準の一つとして用いられている。ＬＨＡは、足と踵の傾きを示すパラメータであることから、歩行状態と密接な関係を有しており、足裏の圧力分布、具体的には、踵センサ１２ａ、つま先センサ１２ｂ、内側センサ１２ｃ、及び外側センサ１２ｄにより検出される荷重のバランスから推定できる。
【0067】
ＬＨＡ及びＦＴＡの推定方法の一例として、角度推定モデルを用いた方法が挙げられる。この方法では、まず、ＬＨＡ及びＦＴＡの実際の計測結果、基本データ、歩行データをセットとした教師データを収集する。基本データは、性別や年齢、身長や体重値といった生体情報からなる。歩行データは、左右のバランス、前後のバランス、離着地の加速度、離着地の強さ（荷重値）、振れ幅といった圧力センサ１２によって測定される歩行情報からなる。次いで、収集した教師データをニューラルネットワークで機械学習させることにより、入力された基本データ及び歩行データに対して、ＬＨＡ及びＦＴＡの計測結果を推定して出力する角度推定モデルを構築する。こうした学習済みの角度推定モデルを用いることにより、被験者又は対象者の測定情報に基づいてＬＨＡ及びＦＴＡを推定することができる。なお、体の揺れる大きさである振れ幅は、運動器の状態変化に影響を受けるＬＨＡ及びＦＴＡと関わりが大きい。そのため、振れ幅を歩行情報として学習させることで、角度推定モデルの推定精度を向上させることができる。
【0068】
なお、上記以外の特徴量が算出されて記憶部２２に記憶されてもよい。該当する特徴量としては、例えば、歩行速度、歩行時における左右の足の同期性、連続歩行時間等が挙げられる。
【0069】
［第１表示処理部４２］
第１表示処理部４２は、図４に示す特徴量データ、図８に示す一歩区間Ａの波形データ、図９に示す足圧中心の二次元座標データ等を表示部２５に表示させるための画像等を作成する。そして、第１表示処理部４２は、入力部２６を通じた所定の操作がなされた場合に、作成された画像等を表示部２５に表示させる。
第１表示処理部４２は、図４に示す特徴量データ、図８に示す一歩区間Ａの波形データ、図９に示す足圧中心の二次元座標データ等を表示部２５に表示させるための画像等を作成する。そして、第１表示処理部４２は、入力部２６を通じた所定の操作がなされた場合に、作成された画像等を表示部２５に表示させる。
【0070】
［膝状態学習モデル作成部４０］
膝状態学習モデル作成部４０は、被験者毎に取得された上記特徴量と、被験者の膝の状態のデータとから、特徴量と膝の状態との関連性を学習して学習モデルを作成する。特徴量としては、上述した多くの種類の特徴量の中から、膝の状態との間に正の相関の見られるものが選ばれる。なお、ここでの特徴量の取得には、取得すること自体に加え、記憶部２２に記憶すること、及び記憶部２２から読み出すことが含まれる。
膝状態学習モデル作成部４０は、被験者毎に取得された上記特徴量と、被験者の膝の状態のデータとから、特徴量と膝の状態との関連性を学習して学習モデルを作成する。特徴量としては、上述した多くの種類の特徴量の中から、膝の状態との間に正の相関の見られるものが選ばれる。なお、ここでの特徴量の取得には、取得すること自体に加え、記憶部２２に記憶すること、及び記憶部２２から読み出すことが含まれる。
【0071】
被験者の膝の状態のデータには、膝の状態に関する質問票（アンケート）に対し、被験者が回答した結果が含まれている。質問票としては、例えば、変形性膝関節症患者機能評価尺度（ＪＫＯＭ：Ｊａｐａｎ Ｋｎｅｅ Ｏｓｔｅｏａｒｔｈｒｉｔｉｓ Ｍｅａｓｕｒｅ）を用いることができる。ＪＫＯＭは「膝の痛みやこわばり」、「日常生活の状態」、「普段の活動」、「健康状態」の４項目、全２５問で構成される自記式質問表である。合計点（２５～１２５点）がＪＫＯＭスコアとされ、重症なほど高得点となる。また、上記質問票として、ロコモ２５と呼ばれる、運動器の不調に関する２５個の質問票を用いることができる。ロコモは、ロコモティブシンドロームの略であり、運動器の障害のために移動（立つ、歩く）機能の低下をきたした状態のことである。
【0072】
上記ＪＫＯＭ及びロコモは、いずれか一方が用いられてもよいし、両方が組み合わせられて用いられてもよい。後者の場合、例えば、加重平均値が用いられてもよい。
さらに、被験者の膝の状態のデータには、膝の疾病、例えば変形性膝関節症等の進行度合いを示す分類（ステージ分類）に関する情報が含まれている。この分類としては、例えば、Ｋｅｌｌｇｒｅｎ－Ｌａｗｒｅｎｃｅ（ケルグレンローレンス）分類を用いることができる。変形性膝関節症は、Ｘ線検査によって診断される。Ｘ線により映し出された大腿骨と脛骨の末端とに注視し、膝の状態が確認される。ここでの膝の状態とは、例えば、大腿骨と脛骨の隙間、Ｏ脚やＸ脚、骨棘（異常に突出した骨）が形成されているかどうか等である。ケルグレンローレンス分類では、上記膝の状態が、医師等の医療関係者によってグレード０～４のいずれかに分類され、膝の疾病（変形性膝関節症）の進行度合いが決定される。
さらに、被験者の膝の状態のデータには、膝の疾病、例えば変形性膝関節症等の進行度合いを示す分類（ステージ分類）に関する情報が含まれている。この分類としては、例えば、Ｋｅｌｌｇｒｅｎ－Ｌａｗｒｅｎｃｅ（ケルグレンローレンス）分類を用いることができる。変形性膝関節症は、Ｘ線検査によって診断される。Ｘ線により映し出された大腿骨と脛骨の末端とに注視し、膝の状態が確認される。ここでの膝の状態とは、例えば、大腿骨と脛骨の隙間、Ｏ脚やＸ脚、骨棘（異常に突出した骨）が形成されているかどうか等である。ケルグレンローレンス分類では、上記膝の状態が、医師等の医療関係者によってグレード０～４のいずれかに分類され、膝の疾病（変形性膝関節症）の進行度合いが決定される。
【0073】
上記質問票（ＪＫＯＭ、ロコモ）の結果、及びケルグレンローレンス分類は、いずれか一方が用いられてもよいし、両方が組み合わせられて用いられてもよい。後者の場合、例えば、乗算されてもよい。組み合わせられる種類が多くなるに従い、膝の状態のデータの精度、ひいては作成される学習モデルの精度が高くなる。
【0074】
［歩行年齢学習モデル作成部４１］
歩行年齢学習モデル作成部４１は、被験者毎に取得された上記特徴量と、被験者の歩行年齢のデータとから、特徴量と歩行年齢との関連性を学習して学習モデルを作成する。特徴量としては、上述した多くの種類の特徴量の中から、歩行年齢との間に正の相関の見られるものが選ばれる。
歩行年齢学習モデル作成部４１は、被験者毎に取得された上記特徴量と、被験者の歩行年齢のデータとから、特徴量と歩行年齢との関連性を学習して学習モデルを作成する。特徴量としては、上述した多くの種類の特徴量の中から、歩行年齢との間に正の相関の見られるものが選ばれる。
【0075】
＜スコア推定部２４＞
図６に示すように、スコア推定部２４は、膝状態スコア推定部５１、歩行年齢スコア推定部５２、及び第２表示処理部５３を備えている。
図６に示すように、スコア推定部２４は、膝状態スコア推定部５１、歩行年齢スコア推定部５２、及び第２表示処理部５３を備えている。
【0076】
［膝状態スコア推定部５１］
膝状態スコア推定部５１は、対象者の膝の状態を健康状態として定量的に評価するための膝状態スコアを、健康スコアの一部として推定する。膝状態スコア推定部５１は、対象者の特徴量を、上記膝状態学習モデル作成部４０で作成された学習モデルに与えて、対象者の膝の状態を膝状態スコアとして推定する。そして、膝状態スコア推定部５１は、推定した膝状態スコアに対応する信号を第２表示処理部５３に出力する。
膝状態スコア推定部５１は、対象者の膝の状態を健康状態として定量的に評価するための膝状態スコアを、健康スコアの一部として推定する。膝状態スコア推定部５１は、対象者の特徴量を、上記膝状態学習モデル作成部４０で作成された学習モデルに与えて、対象者の膝の状態を膝状態スコアとして推定する。そして、膝状態スコア推定部５１は、推定した膝状態スコアに対応する信号を第２表示処理部５３に出力する。
【0077】
［歩行年齢スコア推定部５２］
歩行年齢スコア推定部５２は、対象者の歩行年齢を健康状態として定量的に評価するための歩行年齢スコアを、健康スコアの一部として推定する。歩行年齢スコア推定部５２は、対象者の歩行状態に関する特徴量を、上記歩行年齢学習モデル作成部４１で作成された学習モデルに与えて、対象者の歩行年齢を歩行年齢スコアとして推定する。そして、歩行年齢スコア推定部５２は、推定した歩行年齢スコアに対応する信号を第２表示処理部５３に出力する。
歩行年齢スコア推定部５２は、対象者の歩行年齢を健康状態として定量的に評価するための歩行年齢スコアを、健康スコアの一部として推定する。歩行年齢スコア推定部５２は、対象者の歩行状態に関する特徴量を、上記歩行年齢学習モデル作成部４１で作成された学習モデルに与えて、対象者の歩行年齢を歩行年齢スコアとして推定する。そして、歩行年齢スコア推定部５２は、推定した歩行年齢スコアに対応する信号を第２表示処理部５３に出力する。
【0078】
［第２表示処理部５３］
第２表示処理部５３は、図１に示す二次元のマップ（画像）を表示部２５に表示させる。
第２表示処理部５３は、図１に示す二次元のマップ（画像）を表示部２５に表示させる。
【0079】
このマップには、膝状態スコア及び歩行年齢スコアと、健康状態との関係が規定されている。膝状態スコアは、マップの横軸に規定されている。膝状態スコアは、膝の状態が左側ほど良く、右側ほど悪いことを示している。歩行年齢スコアはマップの縦軸に規定されている。歩行年齢スコアは上側ほど若々しい歩き方をし、下側ほど年老いた歩き方をすることを示している。
【0080】
健康状態は、大きくは、次の３つの領域Ｄ，Ｇ，Ｒに分類されている。
マップの中央部付近の領域は、一般的な健康状態である人が多い領域Ｇを示している。マップの左上の領域は、頑健な健康状態である人が多い領域Ｒを示している。マップの右下の領域は、病気と診断された人の多い領域Ｄを示している。
マップの中央部付近の領域は、一般的な健康状態である人が多い領域Ｇを示している。マップの左上の領域は、頑健な健康状態である人が多い領域Ｒを示している。マップの右下の領域は、病気と診断された人の多い領域Ｄを示している。
【0081】
領域Ｒは、学生、アスリート等が多い領域ｒ１と、若年で健常な人が多い領域ｒ２とを含んでいる。領域Ｒは、上記領域ｒ２において上記領域Ｇの一部と重複している。
領域Ｄは、フレイルである人が多い領域ｄ１と、変形性膝関節症の人が多い領域ｄ２と、前後十字靱帯損傷の人が多い領域ｄ３とを含んでいる。フレイルは、老化に伴い抵抗力が弱まり、体力が低下した状態である。領域ｄ１の一部と領域ｄ２の一部とは重複している。また、領域ｄ２の一部と領域ｄ３の一部とは重複している。
領域Ｄは、フレイルである人が多い領域ｄ１と、変形性膝関節症の人が多い領域ｄ２と、前後十字靱帯損傷の人が多い領域ｄ３とを含んでいる。フレイルは、老化に伴い抵抗力が弱まり、体力が低下した状態である。領域ｄ１の一部と領域ｄ２の一部とは重複している。また、領域ｄ２の一部と領域ｄ３の一部とは重複している。
【0082】
領域Ｄは、領域ｄ２の一部、領域ｄ３の一部等において、領域Ｇの一部と重複している。
なお、上記領域Ｄ，Ｇ，Ｒは、多数の被験者を対象とし、それぞれの健康状態と、膝の状態と、歩行年齢とを測定又は調査して、決定されている。
なお、上記領域Ｄ，Ｇ，Ｒは、多数の被験者を対象とし、それぞれの健康状態と、膝の状態と、歩行年齢とを測定又は調査して、決定されている。
【0083】
第２表示処理部５３は、さらに、図１のマップ上であって、膝状態スコア推定部５１で推定された膝状態スコアと、歩行年齢スコア推定部５２で推定された歩行年齢スコアとにより定まる二次元座標上に、ドット等のマーク５５を表示部２５に表示させる。この表示されるマーク５５は、対象者の健康状態を示すものである。
【0084】
次に、本実施形態の作用として、歩行判定システムを用いて、対象者の膝状態スコアと歩行年齢スコアとをそれぞれ健康スコアとして推定する方法について、図１１のフローチャートを参照して説明する。
【0085】
最初に、膝状態スコアを推定する手順について説明する。
被験者特徴量取得ステップＳ１１として、複数の被験者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、被験者毎の歩行状態に関する特徴量であり、かつ膝の状態との間に正の相関のあるものが取得される。すなわち、上述した多くの種類の特徴量の中から、膝の状態との間に正の相関のあるものが取得される。上述したように、特徴量Ｆ１，Ｆ２は、区間最大値取得部３３によって取得される。特徴量Ｆ３～Ｆ５は、区間時間取得部３４によって取得される。特徴量Ｆ６～Ｆ８は滞在比率算出部３６によって取得される。特徴量Ｆ９～Ｆ１１は、振れ値算出部３７によって取得される。特徴量Ｆ１２はＦＴＡ算出部３８によって取得され、特徴量Ｆ１３はＬＨＡ算出部３９によって取得される。
被験者特徴量取得ステップＳ１１として、複数の被験者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、被験者毎の歩行状態に関する特徴量であり、かつ膝の状態との間に正の相関のあるものが取得される。すなわち、上述した多くの種類の特徴量の中から、膝の状態との間に正の相関のあるものが取得される。上述したように、特徴量Ｆ１，Ｆ２は、区間最大値取得部３３によって取得される。特徴量Ｆ３～Ｆ５は、区間時間取得部３４によって取得される。特徴量Ｆ６～Ｆ８は滞在比率算出部３６によって取得される。特徴量Ｆ９～Ｆ１１は、振れ値算出部３７によって取得される。特徴量Ｆ１２はＦＴＡ算出部３８によって取得され、特徴量Ｆ１３はＬＨＡ算出部３９によって取得される。
【0086】
次に、学習モデル作成ステップＳ１２として、上記被験者特徴量取得ステップＳ１１で取得された特徴量と、被験者毎の膝の状態のデータとから、特徴量と膝の状態との関連性が学習されて学習モデルが作成される。すなわち、特徴量と膝の状態との間にある法則が関連性として見つけられて、その法則を表現するためのアルゴリズムが学習モデルとして作成される。
【0087】
この際、被験者の膝の状態のデータとして、膝の状態に関する質問票（ＪＫＯＭ、ロコモ２５）に対し、被験者が回答した結果が用いられる。また、被験者の膝の状態のデータとして、膝の疾病、例えば、変形性膝関節症の進行度合いを示す分類（ケルグレンローレンス分類）に関する情報が用いられる。
【0088】
続く対象者特徴量取得ステップＳ１３として、対象者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、上記被験者特徴量取得ステップＳ１１で取得された特徴量と同じ種類の特徴量が取得される。
【0089】
次に、膝状態スコア推定ステップＳ１４として、上記対象者特徴量取得ステップＳ１３で取得された対象者の特徴量が、上記学習モデル作成ステップＳ１２で作成された学習モデルに与えられて、対象者の膝の未知の状態が膝状態スコアとして推定される。
【0090】
続いて、歩行年齢スコアを推定する手順について説明する。
まず、被験者特徴量取得ステップＳ１５として、複数の被験者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、被験者毎の歩行状態に関する特徴量であり、かつ歩行年齢との間に正の相関のあるものが取得される。すなわち、上述した多くの種類の特徴量の中から、歩行年齢との間に正の相関のあるものが取得される。
まず、被験者特徴量取得ステップＳ１５として、複数の被験者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、被験者毎の歩行状態に関する特徴量であり、かつ歩行年齢との間に正の相関のあるものが取得される。すなわち、上述した多くの種類の特徴量の中から、歩行年齢との間に正の相関のあるものが取得される。
【0091】
次に、学習モデル作成ステップＳ１６として、上記被験者特徴量取得ステップＳ１５で取得された特徴量と、被験者毎の歩行年齢のデータとから、特徴量と歩行年齢との関連性が学習されて学習モデルが作成される。すなわち、特徴量と歩行年齢との間にある法則が関連性として見つけられて、その法則を表現するためのアルゴリズムが学習モデルとして作成される。
【0092】
続く対象者特徴量取得ステップＳ１７として、対象者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、上記被験者特徴量取得ステップＳ１５で取得された特徴量と同じ種類の特徴量が取得される。
【0093】
次に、歩行年齢スコア推定ステップＳ１８として、上記対象者特徴量取得ステップＳ１７で取得された対象者の特徴量が、上記学習モデル作成ステップＳ１６で作成された学習モデルに与えられて、対象者の未知の歩行年齢が歩行年齢スコアとして推定される。
【0094】
そして、表示ステップＳ１９として、上記マップ上において、上記のように推定された膝状態スコア及び歩行年齢スコアにより定まる二次元座標上の箇所に、ドット等のマーク５５が表示される。
【0095】
次に、本実施形態の効果について説明する。
（１）本実施形態では、複数の被験者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、被験者毎の歩行状態に関する特徴量であり、かつ膝の状態と相関のある特徴量を取得する。取得された特徴量、及び被験者毎の膝の状態のデータから、特徴量及び膝の状態の関連性を学習して学習モデルを作成する。対象者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、上記のように取得された被験者の特徴量と同じ種類の特徴量を取得する。取得された特徴量を上記学習モデルに与えて、対象者の膝の状態を膝状態スコアとして推定するようにしている。
（１）本実施形態では、複数の被験者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、被験者毎の歩行状態に関する特徴量であり、かつ膝の状態と相関のある特徴量を取得する。取得された特徴量、及び被験者毎の膝の状態のデータから、特徴量及び膝の状態の関連性を学習して学習モデルを作成する。対象者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、上記のように取得された被験者の特徴量と同じ種類の特徴量を取得する。取得された特徴量を上記学習モデルに与えて、対象者の膝の状態を膝状態スコアとして推定するようにしている。
【0096】
そのため、医療従事者による直接の診断を必要とせずに、推定された膝状態スコアから、対象者の膝の悪さの度合いを知ることが可能となる。膝の状態が悪い場合には、対象者は、医療機関で詳細な診断や治療を受ける等の適切な対応をとることができる。また、対象者以外の他者は、対象者に対し、医療機関での受診を促す等の適切な対応をとることができる。他者としては、例えば、保護者、介助者、介護者、医療従事者が挙げられる。
【0097】
（２）本実施形態では、膝の状態に関する質問票（ＪＫＯＭ、ロコモ２５）に対し、被験者が回答した結果を、被験者の膝の状態のデータとして用いている。そのため、被験者の膝の状態のデータは、膝の状態について被験者が実際に感ずる自覚症状、例えば痛みを伴う等の自覚症状を反映したものとなり、精度の高いものとなる。このように精度の高いデータを用いるため、学習モデルの精度、ひいては膝状態スコアの推定精度を高めることができる。
【0098】
（３）本実施形態では、被験者の膝の状態のデータとして、膝の疾病の進行度合いを示す分類（ケルグレンローレンス分類）に関する情報を、被験者の膝の状態のデータとして用いている。そのため、被験者の膝の状態のデータは、膝の疾病の進行度合いを客観的に反映したものとなり、精度の高いものとなる。このように精度の高いデータを用いるため、学習モデルの精度、ひいては膝状態スコアの推定精度を高めることができる。
【0099】
（４）本実施形態では、複数の被験者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、被験者毎の歩行状態に関する特徴量であり、かつ歩行年齢と相関のある特徴量を取得する。取得された特徴量、及び被験者毎の歩行年齢のデータから、特徴量及び歩行年齢の関連性を学習して学習モデルを作成する。対象者の足裏にかかる部位毎の圧力の経時的変化を示す測定情報から、被験者の上記特徴量と同じ種類の特徴量を取得する。取得された特徴量を上記学習モデルに与えて、対象者の歩行年齢を歩行年齢スコアとして推定するようにしている。
【0100】
そのため、医療従事者による直接の診断を必要とせずに、推定された歩行年齢から、対象者の歩行年齢を知ることが可能となる。推定された歩行年齢が実年齢に対し、老齢側に大きく乖離している場合等には、対象者は、自覚症状の有無にかかわらず、健康状態に異変が起こっていることを早期に把握できる。対象者は、上記（１）と同様に、医療機関で詳細な診断や治療を受ける等の適切な対応をとることができる。また、他者は、対象者に対し、医療機関での受診を促す等の適切な対応を行うことができる。
【0101】
（５）本実施形態では、膝状態スコア及び歩行年齢スコアと、健康状態との関係を規定した二次元のマップを作成し、これを表示部２５に表示させている。
そして、上記（１）で推定した膝状態スコアと、上記（４）で推定した歩行年齢スコアとを、上記マップ上に、ドット等のマーク５５で表示している。そのため、マップにおいて、マーク５５が表示されている領域を見ることで、対象者の健康状態が、どの領域にあるかを知ることができる。
そして、上記（１）で推定した膝状態スコアと、上記（４）で推定した歩行年齢スコアとを、上記マップ上に、ドット等のマーク５５で表示している。そのため、マップにおいて、マーク５５が表示されている領域を見ることで、対象者の健康状態が、どの領域にあるかを知ることができる。
【0102】
腰の病気の予兆に気付くことができ、病気の進行を止めることが可能である。予兆に気付かない場合よりも早期に改善すべきことに気付くことができる。
なお、上記実施形態は、これを以下のように変更した変更例として実施することもできる。上記実施形態及び以下の変更例は、技術的に矛盾しない範囲で互いに組み合わせて実施することができる。
なお、上記実施形態は、これを以下のように変更した変更例として実施することもできる。上記実施形態及び以下の変更例は、技術的に矛盾しない範囲で互いに組み合わせて実施することができる。
【0103】
・上記膝の状態及び歩行年齢とは異なる健康状態、例えば、腰の状態を定量的に評価するための腰状態スコアが、健康スコアとして推定されてもよい。
・上述した健康スコアの推定方法は、時期をずらして複数回実施されることが好ましい。実施時期は定期であってもよいし不定期であってもよい。
・上述した健康スコアの推定方法は、時期をずらして複数回実施されることが好ましい。実施時期は定期であってもよいし不定期であってもよい。
【0104】
そして、膝状態スコア及び歩行年齢スコアと、それらの推定時期とを、実施時期毎に記憶部２２に記憶する。これに加え、過去にマークを表示した履歴がある場合には、それらも今回のマーク５５に加えてマップ上に表示させる。例えば、図１におけるマーク５５ａは、６ヶ月前に表示されたものを示し、マーク５５ｂは３ヶ月前に表示されたものを示している。
【0105】
このようにすれば、健康状態の経時変化を知ることが可能となる。例えば、図１に示すように、マーク５５ａ→マーク５５ｂ→マーク５５のように、表示位置が斜め右下方へ動いている場合には、健康状態、特に腰の状態が悪化していることが判る。
【0106】
・被験者の膝の状態のデータとして、質問票に対する回答結果が用いられる場合、上述したＪＫＯＭ及びロコモ２５とは異なる種類の質問書に対する被験者の回答結果が用いられてもよい。
【0107】
・被験者の膝の状態のデータとして、膝の疾病の進行度合いを示す分類（ステージ分類）が用いられる場合、上述したケルグレンローレンス分類とは異なる分類が用いられてもよい。
【0108】
・図１１のフローチャートにおいて、膝状態スコア及び歩行年齢スコアの一方のみが推定されてもよい。
・圧力センサ１２によって足裏にかかる部位毎の圧力が検出される足は、左右の片方の足であってもよいし、両方の足であってもよい。
・圧力センサ１２によって足裏にかかる部位毎の圧力が検出される足は、左右の片方の足であってもよいし、両方の足であってもよい。
【0109】
・測定装置１０に設けられる圧力センサ１２の数及び配置は、上記実施形態の構成に限定されるものではなく、取得する特徴量の種類に応じて、適宜、変更されてもよい。なお、特徴量として、ＦＴＡ及びＬＨＡを取得する場合、足裏における前後方向に離間する第１位置及び第２位置、並びに第１位置及び第２位置を結ぶ線Ｌを跨いで左右方向に離間する第３位置及び第４位置に圧力センサ１２を設けることが好ましい。
【0110】
・測定装置１０は、測定情報を記憶する記憶部を備えていてもよい。なお、測定装置１０の記憶部として、メモリーカード等の取り外し可能な記録媒体を用いた場合には、測定装置１０の送信部１３及び歩行判定装置２０の受信部２１が省略されてもよい。
【符号の説明】
【0111】
Ｆ１～Ｆ１３…特徴量
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】