(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2023-03-29
(45)【発行日】2023-04-06
(54)【発明の名称】重量感覚推定システム及び重量感覚推定装置
(51)【国際特許分類】
A61B 5/11 20060101AFI20230330BHJP
A61H 1/00 20060101ALN20230330BHJP
A63B 26/00 20060101ALN20230330BHJP
A63F 13/212 20140101ALN20230330BHJP
【ＦＩ】
A61B5/11 230
A61H1/00
A63B26/00
A63F13/212
【請求項の数】
8
(21)【出願番号】P 2019150162
(22)【出願日】2019-08-20
(65)【公開番号】P2021029388
(43)【公開日】2021-03-01
【審査請求日】2022-07-27
(73)【特許権者】
【識別番号】312015200
【氏名又は名称】Ｈ２Ｌ株式会社
(74)【代理人】
【識別番号】110000925
【氏名又は名称】弁理士法人信友国際特許事務所
(72)【発明者】
【氏名】玉城 絵美
(72)【発明者】
【氏名】細野 哲史
(72)【発明者】
【氏名】岩▲崎▼ 健一郎
【審査官】冨永 昌彦
(56)【参考文献】
【文献】特開２０１９－０５４９５６（ＪＰ，Ａ）
【文献】Ｈ２Ｌ株式会社、株式会社ＮＴＴドコモ，Ｈ２ＬとＮＴＴドコモ、「ＢｏｄｙＳｈａｒｉｎｇ技術」と５Ｇを活用した新サービスの創出に向け連携，報道発表資料，日本，Ｈ２Ｌ株式会社、株式会社ＮＴＴドコモ，2019年01月09日，「トピックス」、「別紙１」、「別紙２」、「参考」
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ａ６１Ｂ ５／０６ － ５／２２
Ａ６１Ｈ １／００ － １／０５
Ａ６３Ｂ ２６／００
Ａ６３Ｆ １３／００ － １３／９８
(57)【特許請求の範囲】
【請求項1】
ユーザの体表面に装着される筋肉センサ装置と、前記筋肉センサ装置と通信を行う重量感覚推定演算装置とよりなる重量感覚推定システムであって、前記筋肉センサ装置は、
前記ユーザの前記体表面に密着するベルトと、
前記ベルトに複数個設けられ、赤外線ＬＥＤと光センサで構成されるフォトリフレクタである筋変位センサ群と、
前記筋変位センサ群から得られる筋変位データを前記重量感覚推定演算装置へ送信する送信部と、を具備し、
前記重量感覚推定演算装置は、
前記送信部から前記筋変位データを受信する受信部と、
前記受信部から受信した前記筋変位データを特徴ベクトルとして読み込み、前記ユーザの重量覚と抵抗覚の推定値である圧力推定データを出力する回帰推定器と、を具備する、
重量感覚推定システム。
【請求項2】
前記回帰推定器は、前記筋肉センサ装置から得られる前記筋変位データを特徴ベクトルとして、前記ユーザの腕が任意の物品に与える力のデータである圧力データを教師データとして、学習処理を実行する回帰学習器が生成した近似関数パラメータを読み込んで、前記ユーザの重量覚と抵抗覚の推定値である圧力推定データを出力する、請求項１に記載の重量感覚推定システム。
【請求項3】
前記重量感覚推定演算装置は更に、匿名ユーザに紐付けられ、前記匿名ユーザを一意に識別する匿名ユーザＩＤが格納される匿名ユーザＩＤフィールドと、前記匿名ユーザＩＤに紐付けられる前記匿名ユーザの体表面の直下に存在する筋肉から前記回帰学習器が生成した前記近似関数パラメータが格納される近似関数パラメータフィールドとを有する近似関数パラメータテーブルと、
前記筋変位データを特徴ベクトルとして読み込み、前記ユーザの筋肉の特徴に最も類似する匿名ユーザの匿名ユーザＩＤを推定する分類推定器と、
前記分類推定器が推定した前記匿名ユーザＩＤを用いて前記近似関数パラメータテーブルを検索し、前記匿名ユーザＩＤに紐付く前記近似関数パラメータを取得して、前記回帰推定器に読み込ませる、入出力制御部と、を具備する、
請求項２に記載の重量感覚推定システム。
【請求項4】
前記回帰推定器は、前記筋肉センサ装置から得られる前記筋変位データを特徴ベクトルとして、前記ユーザの腕が任意の物品に与える力のデータである圧力データと、匿名ユーザに紐付けられ、前記匿名ユーザを一意に識別する匿名ユーザＩＤを教師データとして、学習処理を実行する深層回帰学習器が生成した近似関数パラメータを読み込んで、前記ユーザの重量覚と抵抗覚の推定値である圧力推定データを出力する深層回帰推定器である、請求項１に記載の重量感覚推定システム。
【請求項5】
ユーザの体表面に密着するベルトと、前記ベルトに複数個設けられ、赤外線ＬＥＤと光センサで構成されるフォトリフレクタである筋変位センサ群と、
前記筋変位センサ群から得られる筋変位データを特徴ベクトルとして読み込み、前記ユーザの重量覚と抵抗覚の推定値である圧力推定データを出力する回帰推定器と、を具備する、
重量感覚推定装置。
【請求項6】
前記回帰推定器は、前記筋変位データを特徴ベクトルとして、前記ユーザの腕が任意の物品に与える力のデータである圧力データを教師データとして、学習処理を実行する回帰学習器が生成した近似関数パラメータを読み込んで、前記ユーザの重量覚と抵抗覚の推定値である圧力推定データを出力する、請求項５に記載の重量感覚推定装置。
【請求項7】
更に、匿名ユーザに紐付けられ、前記匿名ユーザを一意に識別する匿名ユーザＩＤが格納される匿名ユーザＩＤフィールドと、前記匿名ユーザＩＤに紐付けられる前記匿名ユーザの体表面の直下に存在する筋肉から前記回帰学習器が生成した前記近似関数パラメータが格納される近似関数パラメータフィールドとを有する近似関数パラメータテーブルと、
前記筋変位データを特徴ベクトルとして読み込み、前記ユーザの筋肉の特徴に最も類似する匿名ユーザの匿名ユーザＩＤを推定する分類推定器と、
前記分類推定器が推定した前記匿名ユーザＩＤを用いて前記近似関数パラメータテーブルを検索し、前記匿名ユーザＩＤに紐付く前記近似関数パラメータを取得して、前記回帰推定器に読み込ませる、入出力制御部と、を具備する、
請求項６に記載の重量感覚推定装置。
【請求項8】
前記回帰推定器は、筋肉センサ装置から得られる前記筋変位データを特徴ベクトルとして、前記ユーザの腕が任意の物品に与える力のデータである圧力データと、匿名ユーザに紐付けられ、前記匿名ユーザを一意に識別する匿名ユーザＩＤを教師データとして、学習処理を実行する深層回帰学習器が生成した近似関数パラメータを読み込んで、前記ユーザの重量覚と抵抗覚の推定値である圧力推定データを出力する深層回帰推定器である、請求項５に記載の重量感覚推定装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、人の深部感覚の一種である重量覚と抵抗覚を推定する、重量感覚推定システム及び重量感覚推定装置に関する。
【背景技術】
【0002】
人の物理的感覚のうち、目による視覚、鼻による嗅覚、耳による聴覚、舌による味覚といった、特定の器官で得られる感覚を除く感覚を、体性感覚と呼ぶ。
体性感覚は、触覚、圧覚、温冷覚、痛覚の、皮膚表層で感じる表在感覚（皮膚感覚）と、関節、筋肉、腱等に生じる深部感覚よりなる。
深部感覚は、位置覚、運動覚、抵抗覚、重量覚の四種類がある。
位置覚は、生体の各部の位置、関節の屈伸状態等を把握する感覚である。
運動覚は、関節運動の加速度に基づいて生体の各部の運動量を把握する感覚である。
抵抗覚は、物品を持った時や、動いた時に関節にて感じる抵抗感覚である。
重量覚は、物品を持った時や、動いた時に筋肉にて感じる力の入れ具合の感覚である。
体性感覚は、触覚、圧覚、温冷覚、痛覚の、皮膚表層で感じる表在感覚（皮膚感覚）と、関節、筋肉、腱等に生じる深部感覚よりなる。
深部感覚は、位置覚、運動覚、抵抗覚、重量覚の四種類がある。
位置覚は、生体の各部の位置、関節の屈伸状態等を把握する感覚である。
運動覚は、関節運動の加速度に基づいて生体の各部の運動量を把握する感覚である。
抵抗覚は、物品を持った時や、動いた時に関節にて感じる抵抗感覚である。
重量覚は、物品を持った時や、動いた時に筋肉にて感じる力の入れ具合の感覚である。
【0003】
発明者らは、先に特許文献１に記載されるような電気刺激装置を提案した。この特許文献１で提案した電気刺激装置は、ユーザの前腕に装着されるバンドに複数の電極を取り付けて、前腕の筋肉に電気刺激を与える装置である。
更に発明者らは、非特許文献１に記載される、筋肉の隆起を検出する赤外線センサを複数個装備した新たな電気刺激装置を開発した。
更に発明者らは、非特許文献１に記載される、筋肉の隆起を検出する赤外線センサを複数個装備した新たな電気刺激装置を開発した。
【先行技術文献】
【特許文献】
【0004】
【文献】特開２０１４－１０４２４１号公報
【非特許文献】
【0005】
【文献】「銃を撃った衝撃、指先に「じわっ」筋電刺激コントローラーUnlimited Hand」ASCII.JP×デジタル、２０１６年５月１２日、２０１７年６月２７日閲覧＜http://ascii.jp/elem/000/001/161/1161772/＞
【発明の概要】
【発明が解決しようとする課題】
【0006】
これまで、人の深部感覚を客観的数値データとして検出する仕組みは存在していない。もし、深部感覚を客観的数値データとして取得できれば、ゲーム、スポーツ、整形外科、リハビリテーション等の様々な分野において、有力な生体感覚データとしての利活用が期待できる。
【0007】
本発明は係る課題に鑑みてなされたものであり、低価格な装置を用いて人の重量覚と抵抗覚を推定できる、重量感覚推定システム及び重量感覚推定装置を提供することを目的とする。
【課題を解決するための手段】
【0008】
上記課題を解決するために、本発明の重量感覚推定システムは、ユーザの体表面に装着される筋肉センサ装置と、筋肉センサ装置と通信を行う重量感覚推定演算装置とよりなる。
筋肉センサ装置は、ユーザの体表面に密着するベルトと、ベルトに複数個設けられ、赤外線ＬＥＤと光センサで構成されるフォトリフレクタである筋変位センサ群と、筋変位センサ群から得られる筋変位データを重量感覚推定演算装置へ送信する送信部とを具備する。
重量感覚推定演算装置は、送信部から筋変位データを受信する受信部と、受信部から受信した筋変位データを特徴ベクトルとして読み込み、ユーザの重量覚と抵抗覚の推定値である圧力推定データを出力する回帰推定器とを具備する。
筋肉センサ装置は、ユーザの体表面に密着するベルトと、ベルトに複数個設けられ、赤外線ＬＥＤと光センサで構成されるフォトリフレクタである筋変位センサ群と、筋変位センサ群から得られる筋変位データを重量感覚推定演算装置へ送信する送信部とを具備する。
重量感覚推定演算装置は、送信部から筋変位データを受信する受信部と、受信部から受信した筋変位データを特徴ベクトルとして読み込み、ユーザの重量覚と抵抗覚の推定値である圧力推定データを出力する回帰推定器とを具備する。
【発明の効果】
【0009】
本発明によれば、低価格な装置を用いて人の重量覚と抵抗覚を推定することが可能となる。
上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。
上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。
【図面の簡単な説明】
【0010】
【図1】本発明の実施形態に係る重量感覚推定システムの全体構成と使用状態を示す概略図である。
【図2】筋肉センサ装置の外観斜視図である。
【図3】筋肉センサ装置をユーザの腕に装着する最初の段階を示す図である。
【図4】筋肉センサ装置をユーザの腕に装着した状態を示す図である。
【図5】筋肉センサ装置のハードウェア構成を示すブロック図である。
【図6】重量感覚推定演算装置のハードウェア構成を示すブロック図である。
【図7】本発明の第一の実施形態に係る筋肉センサ装置と重量感覚推定演算装置の、学習モードにおけるソフトウェア機能を示すブロック図である。
【図8】本発明の第一の実施形態に係る重量感覚推定システムの、推定フェーズにおけソフトウェア機能ブロック図である。
【図9】本発明の第二の実施形態に係る重量感覚推定システムの、学習フェーズにおけるソフトウェア機能ブロック図である。
【図10】本発明の第二の実施形態に係る重量感覚推定システムの、推定フェーズにおけるソフトウェア機能ブロック図である。
【図11】本発明の第三の実施形態に係る重量感覚推定システムの、学習フェーズにおけるソフトウェア機能ブロック図である。
【図12】本発明の第三の実施形態に係る重量感覚推定システムの、推定フェーズにおけるソフトウェア機能ブロック図である。
【図13】筋肉センサ装置をユーザの太腿及びふくらはぎに装着した状態を示す概略図である。
【発明を実施するための形態】
【0011】
［第一の実施形態：重量感覚推定システム１０１：全体構成］
図１Ａは、本発明の実施形態に係る重量感覚推定システム１０１の、学習モードにおける全体構成と使用状態を示す概略図である。
図１Ｂは、本発明の実施形態に係る重量感覚推定システム１０１の、推定モードにおける全体構成と使用状態を示す概略図である。
図１Ａ及び図１Ｂに示すように、重量感覚推定システム１０１は、筋肉センサ装置１０２と重量感覚推定演算装置１０３より構成される。
重量感覚推定演算装置１０３は、周知のパソコン等よりなる情報処理装置であり、学習アルゴリズムに基づく学習型情報処理プログラムが稼働する。このため、重量感覚推定演算装置１０３は学習モードと推定モードを有する。
図１Ａは、本発明の実施形態に係る重量感覚推定システム１０１の、学習モードにおける全体構成と使用状態を示す概略図である。
図１Ｂは、本発明の実施形態に係る重量感覚推定システム１０１の、推定モードにおける全体構成と使用状態を示す概略図である。
図１Ａ及び図１Ｂに示すように、重量感覚推定システム１０１は、筋肉センサ装置１０２と重量感覚推定演算装置１０３より構成される。
重量感覚推定演算装置１０３は、周知のパソコン等よりなる情報処理装置であり、学習アルゴリズムに基づく学習型情報処理プログラムが稼働する。このため、重量感覚推定演算装置１０３は学習モードと推定モードを有する。
【0012】
図１Ａに示すように、学習モードにおける重量感覚推定システム１０１は、筋肉センサ装置１０２と重量感覚推定演算装置１０３に加え、圧力センサ１０４より構成される。圧力センサ１０４は、内部で自身に加わる力に比例した電圧信号を発生すると共に、この電圧信号をデジタルの圧力データに変換して、重量感覚推定演算装置１０３に出力する。
ユーザ１０５は筋肉センサ装置１０２を自らの腕１０５ａに巻き付ける。そして、筋変位センサを複数個内蔵する筋肉センサ装置１０２と、重量感覚推定演算装置１０３との間でBlueTooth（登録商標）等の無線通信を確立した上で、筋肉センサ装置１０２を巻き付けた側の手指で、圧力センサ１０４に力を加える。
この時、筋肉センサ装置１０２はユーザ１０５の腕１０５ａの筋肉の状態に由来するデータを重量感覚推定演算装置１０３へ常時送信する。
ユーザ１０５は筋肉センサ装置１０２を自らの腕１０５ａに巻き付ける。そして、筋変位センサを複数個内蔵する筋肉センサ装置１０２と、重量感覚推定演算装置１０３との間でBlueTooth（登録商標）等の無線通信を確立した上で、筋肉センサ装置１０２を巻き付けた側の手指で、圧力センサ１０４に力を加える。
この時、筋肉センサ装置１０２はユーザ１０５の腕１０５ａの筋肉の状態に由来するデータを重量感覚推定演算装置１０３へ常時送信する。
【0013】
重量感覚推定演算装置１０３は、学習型情報処理機能における特徴ベクトルとして、筋肉センサ装置１０２から得られる筋変位センサのデータを得る。
また同時に重量感覚推定演算装置１０３は、学習型情報処理機能における教師データとして、圧力センサ１０４から得られる圧力データを得る。
この結果、重量感覚推定演算装置１０３は、ユーザ１０５の腕１０５ａの筋肉の状態から、ユーザ１０５の腕１０５ａの筋肉が所定の対象物１０６に対して印加する力、すなわち重量覚と抵抗覚を推定することができる。
ユーザ１０５の腕１０５ａの筋肉が所定の対象物１０６に対して印加する力に対する、ユーザ１０５の腕１０５ａの筋肉の状態は、非線形関数の関係を有する。重量感覚推定演算装置１０３は学習フェーズを経ることで、ユーザ１０５の腕１０５ａの重量覚と抵抗覚を推定する、非線形近似関数の機能を備える。
また同時に重量感覚推定演算装置１０３は、学習型情報処理機能における教師データとして、圧力センサ１０４から得られる圧力データを得る。
この結果、重量感覚推定演算装置１０３は、ユーザ１０５の腕１０５ａの筋肉の状態から、ユーザ１０５の腕１０５ａの筋肉が所定の対象物１０６に対して印加する力、すなわち重量覚と抵抗覚を推定することができる。
ユーザ１０５の腕１０５ａの筋肉が所定の対象物１０６に対して印加する力に対する、ユーザ１０５の腕１０５ａの筋肉の状態は、非線形関数の関係を有する。重量感覚推定演算装置１０３は学習フェーズを経ることで、ユーザ１０５の腕１０５ａの重量覚と抵抗覚を推定する、非線形近似関数の機能を備える。
【0014】
重量感覚推定演算装置１０３は、重量覚と抵抗覚を区別なく推定する。つまり、重量覚が重量感覚推定演算装置１０３によって推定されると、抵抗覚も同時かつ同様に推定される。二つの感覚の違いは、「能動的か」あるいは「受動的か」だけであり、筋肉が膨らむ仕組みはどちらの感覚に依るものであっても同様であるからである。このため、本明細書では、重量覚と抵抗覚を包含する言葉として「重量感覚」という名称を用いている。
【0015】
図１Ｂに示すように、推定モードにおける重量感覚推定システム１０１は、筋肉センサ装置１０２と重量感覚推定演算装置１０３より構成される。
学習モードにおいて重量感覚推定演算装置１０３がユーザ１０５の筋肉の振る舞いを十分に学習できた場合には、推定モードにおいて重量感覚推定演算装置１０３は筋肉センサ装置１０２のデータが入力されると、ユーザ１０５の筋肉が感じる重量覚と抵抗覚を推定することができる。
筋肉センサ装置１０２を自らの腕１０５ａに巻き付けたユーザ１０５が任意の対象物１０６を押すと、筋肉センサ装置１０２はユーザ１０５の腕１０５ａの筋肉の状態に由来するデータを重量感覚推定演算装置１０３へ送信する。
学習モードにおいて重量感覚推定演算装置１０３がユーザ１０５の筋肉の振る舞いを十分に学習できた場合には、推定モードにおいて重量感覚推定演算装置１０３は筋肉センサ装置１０２のデータが入力されると、ユーザ１０５の筋肉が感じる重量覚と抵抗覚を推定することができる。
筋肉センサ装置１０２を自らの腕１０５ａに巻き付けたユーザ１０５が任意の対象物１０６を押すと、筋肉センサ装置１０２はユーザ１０５の腕１０５ａの筋肉の状態に由来するデータを重量感覚推定演算装置１０３へ送信する。
【0016】
重量感覚推定演算装置１０３は、学習型情報処理機能における特徴ベクトルとして、筋肉センサ装置１０２から得られる筋変位センサのデータを得る。すると重量感覚推定演算装置１０３は、ユーザ１０５の腕１０５ａの筋肉の状態に由来するデータに基づき、ユーザ１０５の腕１０５ａが対象物１０６に与える力、転じて、ユーザ１０５の腕１０５ａの筋肉が感じる重量覚と抵抗覚を推定する。
【0017】
重量感覚推定演算装置１０３がユーザ１０５の腕１０５ａの筋肉が感じる重量覚と抵抗覚を推定する挙動は、ユーザ１０５が任意の対象物１０６を押す挙動に限られない。例えば、ユーザ１０５に何らかの物品を持たせる、何らかの物品を引っ張る等、任意の対象物１０６に対してあらゆる力を与える他、ユーザ１０５が腕立て伏せを行う等、ユーザ１０５自身の挙動においても、重量感覚推定演算装置１０３はユーザ１０５の重量覚と抵抗覚を推定することが可能である。
【0018】
［筋肉センサ装置１０２：外観］
図２Ａは、本発明の実施形態の例である筋肉センサ装置１０２の表面側の外観斜視図である。図２Ｂは、本発明の実施形態の例である筋肉センサ装置１０２の裏面側の外観斜視図である。筋肉センサ装置１０２は、大まかに本体部２０１と、表側ベルト２０２と、裏側ベルト２０３で構成される。
本体部２０１には中央に電源スイッチ２０４が設けられており、内部に後述する近距離無線通信部とジャイロセンサ３１２等を含むマイコンと電子回路、そしてリチウム二次電池が収納されている。
図２Ａは、本発明の実施形態の例である筋肉センサ装置１０２の表面側の外観斜視図である。図２Ｂは、本発明の実施形態の例である筋肉センサ装置１０２の裏面側の外観斜視図である。筋肉センサ装置１０２は、大まかに本体部２０１と、表側ベルト２０２と、裏側ベルト２０３で構成される。
本体部２０１には中央に電源スイッチ２０４が設けられており、内部に後述する近距離無線通信部とジャイロセンサ３１２等を含むマイコンと電子回路、そしてリチウム二次電池が収納されている。
【0019】
表側ベルト２０２は本体部２０１を覆い、筋肉センサ装置１０２のベルト部分の全体を構成する。表側ベルト２０２の親側２０２ａの先端にはバックル２０５が設けられ、剣先側２０２ｂにはバックル２０５に対応する穴２０６が複数個設けられている。このバックル２０５と穴２０６は、裏側ベルト２０３をユーザ１０５の腕１０５ａに適切に密着させる役割を果たす。
裏側ベルト２０３には円筒形状に形成されている筋変位センサの検出孔２０７が複数個設けられている。筋変位センサは近赤外線ＬＥＤとフォトトランジスタの組よりなるフォトリフレクタを構成する。詳細は図５にて後述する。
裏側ベルト２０３には円筒形状に形成されている筋変位センサの検出孔２０７が複数個設けられている。筋変位センサは近赤外線ＬＥＤとフォトトランジスタの組よりなるフォトリフレクタを構成する。詳細は図５にて後述する。
【0020】
［筋肉センサ装置１０２の装着状態］
次に、筋肉センサ装置１０２をユーザ１０５の腕１０５ａに装着する方法について、図３及び図４を参照して説明する。
図３は、筋肉センサ装置１０２をユーザ１０５の腕１０５ａに装着する最初の段階を示す。図４は、筋肉センサ装置１０２をユーザ１０５の腕１０５ａに装着した状態を示す。
まず、筋肉センサ装置１０２を装着するユーザ１０５は、図３に示すように掌１０５ｂを上に向ける。次に、図３に示すように、筋肉センサ装置１０２の本体部２０１をユーザ１０５の手首１０５ｃの近傍に載せる。そして、腕時計を腕１０５ａに装着する要領で、表側ベルト２０２の親側２０２ａの先端に設けられているバックル２０５に、表側ベルト２０２の剣先側２０２ｂを通して、腕１０５ａに巻き付ける。その後、剣先側２０２ｂに設けられている穴２０６をバックル２０５に嵌め込むことで、図４に示すように、筋肉センサ装置１０２をユーザ１０５の腕１０５ａに固定することができる。
次に、筋肉センサ装置１０２をユーザ１０５の腕１０５ａに装着する方法について、図３及び図４を参照して説明する。
図３は、筋肉センサ装置１０２をユーザ１０５の腕１０５ａに装着する最初の段階を示す。図４は、筋肉センサ装置１０２をユーザ１０５の腕１０５ａに装着した状態を示す。
まず、筋肉センサ装置１０２を装着するユーザ１０５は、図３に示すように掌１０５ｂを上に向ける。次に、図３に示すように、筋肉センサ装置１０２の本体部２０１をユーザ１０５の手首１０５ｃの近傍に載せる。そして、腕時計を腕１０５ａに装着する要領で、表側ベルト２０２の親側２０２ａの先端に設けられているバックル２０５に、表側ベルト２０２の剣先側２０２ｂを通して、腕１０５ａに巻き付ける。その後、剣先側２０２ｂに設けられている穴２０６をバックル２０５に嵌め込むことで、図４に示すように、筋肉センサ装置１０２をユーザ１０５の腕１０５ａに固定することができる。
【0021】
筋肉センサ装置１０２をユーザ１０５の腕１０５ａに固定すると、裏側ベルト２０３に複数個設けられている筋変位センサの検出孔２０７が、ユーザ１０５の腕１０５ａの皮膚表面に密着する。円筒形状の検出孔２０７は、筋変位センサとユーザ１０５の腕１０５ａの皮膚表面との距離を一定に保つ役割を担う。筋変位センサとユーザ１０５の腕１０５ａの皮膚表面との距離が一定に保たれることで、筋変位センサはユーザ１０５の腕１０５ａの筋肉の状態を、アナログ電圧信号に正しく変換することが可能になる。
【0022】
［筋肉センサ装置１０２：ハードウェア構成］
図５は、筋肉センサ装置１０２のハードウェア構成を示すブロック図である。
バス５０１に接続されているＣＰＵ５０２、ＲＯＭ５０３、ＲＡＭ５０４、Ａ／Ｄ変換器５０５、そして第二シリアルインターフェース５０６（図５中「第二シリアルＩ／Ｆ」と略記）は、周知のワンチップマイコン５０７を構成する。
図５は、筋肉センサ装置１０２のハードウェア構成を示すブロック図である。
バス５０１に接続されているＣＰＵ５０２、ＲＯＭ５０３、ＲＡＭ５０４、Ａ／Ｄ変換器５０５、そして第二シリアルインターフェース５０６（図５中「第二シリアルＩ／Ｆ」と略記）は、周知のワンチップマイコン５０７を構成する。
【0023】
図５では１４個の筋変位センサが設けられている例が示されているが、筋変位センサの数はこれに限定されない。
筋変位センサ５２１は、赤外線ＬＥＤである赤外線発光素子５２１ａと、光センサである赤外線受光素子５２１ｂで構成される。同様に、筋変位センサ５２２は、赤外線発光素子５２２ａと赤外線受光素子５２２ｂで、…筋変位センサ５３４は、赤外線発光素子５３４ａと赤外線受光素子５３４ｂで構成される。
筋変位センサ５２１、５２２、・・５３４を構成する赤外線ＬＥＤである赤外線発光素子５２１ａ、５２２ａ、・・５３４ａのアノードは電源電圧ノード＋Ｖｃｃに接続されている。赤外線発光素子５２１ａ、５２２ａ、・・５３４ａのカソードは第一マルチプレクサ５０８を通じて電流制限抵抗Ｒ５０９の一端に接続されている。電流制限抵抗Ｒ５０９の他端は接地されている。
なお、これ以降、筋変位センサ５２１、５２２、・・５３４を区別せず、一纏めに呼ぶ場合には、筋変位センサ群５４０と総称する。
筋変位センサ５２１は、赤外線ＬＥＤである赤外線発光素子５２１ａと、光センサである赤外線受光素子５２１ｂで構成される。同様に、筋変位センサ５２２は、赤外線発光素子５２２ａと赤外線受光素子５２２ｂで、…筋変位センサ５３４は、赤外線発光素子５３４ａと赤外線受光素子５３４ｂで構成される。
筋変位センサ５２１、５２２、・・５３４を構成する赤外線ＬＥＤである赤外線発光素子５２１ａ、５２２ａ、・・５３４ａのアノードは電源電圧ノード＋Ｖｃｃに接続されている。赤外線発光素子５２１ａ、５２２ａ、・・５３４ａのカソードは第一マルチプレクサ５０８を通じて電流制限抵抗Ｒ５０９の一端に接続されている。電流制限抵抗Ｒ５０９の他端は接地されている。
なお、これ以降、筋変位センサ５２１、５２２、・・５３４を区別せず、一纏めに呼ぶ場合には、筋変位センサ群５４０と総称する。
【0024】
筋変位センサ５２１、５２２…５３４を構成するフォトトランジスタである赤外線受光素子５２１ｂ、５２２ｂ…５３４ｂのコレクタは電源電圧ノード＋Ｖｃｃに接続されている。赤外線受光素子５２１ｂ、５２２ｂ…５３４ｂのエミッタは第二マルチプレクサ５１０を通じてＡ／Ｄ変換器５０５に接続されていると共に、抵抗Ｒ５１１ａ、Ｒ５１１ｂ、・・Ｒ５１１ｎを通じて接地されている。
【0025】
第一マルチプレクサ５０８及び第二マルチプレクサ５１０が、第二シリアルインターフェース５０６から制御信号を受けて、周期的に切り替え制御されることで、Ａ／Ｄ変換器５０５には時分割で１４個の筋変位センサ５２１、５２２、・・５３４の電圧信号が入力される。
この第一マルチプレクサ５０８及び第二マルチプレクサ５１０は、複数の筋変位センサ５２１、５２２…５３４のうちの１個を選択する。なお、第一マルチプレクサ５０８及び第二マルチプレクサ５１０を総称して、センサ用マルチプレクサと呼ぶ。
この第一マルチプレクサ５０８及び第二マルチプレクサ５１０は、複数の筋変位センサ５２１、５２２…５３４のうちの１個を選択する。なお、第一マルチプレクサ５０８及び第二マルチプレクサ５１０を総称して、センサ用マルチプレクサと呼ぶ。
【0026】
ワンチップマイコン５０７のバス５０１には、周知のジャイロセンサ５１２と近距離無線通信部５１３も接続されており、ジャイロセンサ５１２が出力する姿勢情報及び加速度情報は、Ａ／Ｄ変換器５０５でＡＤ変換された１４個の筋変位センサ５２１、５２２、・・５３４の情報と共に、近距離無線通信部５１３を通じて重量感覚推定演算装置１０３へ送信される。
ワンチップマイコン５０７のバス５０１には更に、第一シリアルインターフェース５１４（図５中「第一シリアルＩ／Ｆ」と略記）が接続されている。なお、この第一シリアルインターフェース５１４は、ＲＯＭ５０３に格納されているファームウェアをアップデートする際に用いられる他に、不図示の蓄電池に電力を供給するためにも用いられる。
ワンチップマイコン５０７のバス５０１には更に、第一シリアルインターフェース５１４（図５中「第一シリアルＩ／Ｆ」と略記）が接続されている。なお、この第一シリアルインターフェース５１４は、ＲＯＭ５０３に格納されているファームウェアをアップデートする際に用いられる他に、不図示の蓄電池に電力を供給するためにも用いられる。
【0027】
筋変位センサ群５４０は、ユーザ１０５の皮膚に赤外線ＬＥＤを用いて近赤外線を照射し、その反射光をフォトトランジスタで受光することで、筋肉の緊張状態をアナログ信号として検出する。すなわち、筋変位センサ配置面から腕の筋肉の表面までの距離の変化を検出する。
筋肉が収縮すると、筋肉が存在する皮膚の部分に生じる隆起によって、フォトリフレクタと筋肉の表面部分との距離が変動する。フォトリフレクタはこの距離の変動によって生じる近赤外線反射光の強弱を、フォトトランジスタで検出する。近赤外線は皮膚表面を透過する性質を有するので、筋肉の隆起状態を検出することに適している。
筋肉が収縮すると、筋肉が存在する皮膚の部分に生じる隆起によって、フォトリフレクタと筋肉の表面部分との距離が変動する。フォトリフレクタはこの距離の変動によって生じる近赤外線反射光の強弱を、フォトトランジスタで検出する。近赤外線は皮膚表面を透過する性質を有するので、筋肉の隆起状態を検出することに適している。
【0028】
［重量感覚推定演算装置１０３：ハードウェア構成］
図６は、重量感覚推定演算装置１０３のハードウェア構成を示すブロック図である。
周知のパソコン等の情報処理装置よりなる重量感覚推定演算装置１０３は、バス６０１に接続された、ＣＰＵ６０２、ＲＯＭ６０３、ＲＡＭ６０４、表示部６０５、透明電極を有する静電式位置検出装置を含む操作部６０６を備える。
また、バス６０１には、電気的に書き換え可能なフラッシュメモリ等の不揮発性ストレージ６０７と、近距離無線通信部６０８が接続されている。
不揮発性ストレージ６０７には、ネットワークＯＳと、情報処理装置を重量感覚推定演算装置１０３として機能させるためのプログラムが格納されている。
図６は、重量感覚推定演算装置１０３のハードウェア構成を示すブロック図である。
周知のパソコン等の情報処理装置よりなる重量感覚推定演算装置１０３は、バス６０１に接続された、ＣＰＵ６０２、ＲＯＭ６０３、ＲＡＭ６０４、表示部６０５、透明電極を有する静電式位置検出装置を含む操作部６０６を備える。
また、バス６０１には、電気的に書き換え可能なフラッシュメモリ等の不揮発性ストレージ６０７と、近距離無線通信部６０８が接続されている。
不揮発性ストレージ６０７には、ネットワークＯＳと、情報処理装置を重量感覚推定演算装置１０３として機能させるためのプログラムが格納されている。
【0029】
なお、重量感覚推定演算装置１０３は、パソコンに代えて、周知のスマートフォンやタブレットＰＣでも実現可能である。この場合、表示部６０５は例えばＬＣＤディスプレイであり、表示部６０５と操作部６０６は、周知のタッチパネルディスプレイ６０９を構成する。
【0030】
［第一の実施形態：重量感覚推定演算装置１０３：ソフトウェア機能］
これより、本発明の第一の実施形態に係る、筋肉センサ装置１０２と重量感覚推定演算装置１０３のソフトウェア機能について説明する。後述する第二の実施形態とは、このソフトウェア機能のみ異なる。すなわち、第二の実施形態のハードウェア構成は、第一の実施形態として図１から図６にて説明したものと同一である。
図７は、本発明の第一の実施形態に係る筋肉センサ装置１０２と重量感覚推定演算装置１０３の、学習モードにおけるソフトウェア機能を示すブロック図である。すなわち、図７は図１Ａの機能ブロック図である。
なお、本発明において、筋肉センサ装置１０２に内蔵されるジャイロセンサ５１２が出力する四元数データや三次元の加速度データは使用しないため、図７以降の説明を省略している。
これより、本発明の第一の実施形態に係る、筋肉センサ装置１０２と重量感覚推定演算装置１０３のソフトウェア機能について説明する。後述する第二の実施形態とは、このソフトウェア機能のみ異なる。すなわち、第二の実施形態のハードウェア構成は、第一の実施形態として図１から図６にて説明したものと同一である。
図７は、本発明の第一の実施形態に係る筋肉センサ装置１０２と重量感覚推定演算装置１０３の、学習モードにおけるソフトウェア機能を示すブロック図である。すなわち、図７は図１Ａの機能ブロック図である。
なお、本発明において、筋肉センサ装置１０２に内蔵されるジャイロセンサ５１２が出力する四元数データや三次元の加速度データは使用しないため、図７以降の説明を省略している。
【0031】
筋肉センサ装置１０２の筋変位センサ群５４０から出力される信号は、Ａ／Ｄ変換器５０５によってデジタルの筋変位データに変換される。
筋変位データは、近距離無線送信部７０３によって変調され、重量感覚推定演算装置１０３へ送信される。
筋変位データは、近距離無線送信部７０３によって変調され、重量感覚推定演算装置１０３へ送信される。
【0032】
重量感覚推定演算装置１０３の近距離無線受信部７０４は、筋肉センサ装置１０２から送信された電波を受信し、筋変位データを復調する。筋変位データは回帰学習器７０１に入力される。
一方、ユーザ１０５が筋肉センサ装置１０２を装着した腕１０５ａの手指で圧力センサ１０４を押すと、圧力センサ１０４に内蔵されるＡ／Ｄ変換器７０２からデジタルの圧力データが出力される。圧力センサ１０４が出力するデジタルの圧力データは、回帰学習器７０１に入力される。
回帰学習器７０１は、例えばＳＶＲ（Support Vector Regression:サポートベクタ回帰）等の回帰学習アルゴリズムを採用する機械学習器である。回帰学習器７０１は、筋変位データを特徴ベクトルとして、また圧力データを教師データとして、学習処理を実行する。そして学習処理の結果、回帰学習器７０１は近似関数パラメータ７０５を生成し、またこれを更新する。
機械学習の成果である近似関数パラメータ７０５は、不揮発性ストレージ６０７に記憶される。
一方、ユーザ１０５が筋肉センサ装置１０２を装着した腕１０５ａの手指で圧力センサ１０４を押すと、圧力センサ１０４に内蔵されるＡ／Ｄ変換器７０２からデジタルの圧力データが出力される。圧力センサ１０４が出力するデジタルの圧力データは、回帰学習器７０１に入力される。
回帰学習器７０１は、例えばＳＶＲ（Support Vector Regression:サポートベクタ回帰）等の回帰学習アルゴリズムを採用する機械学習器である。回帰学習器７０１は、筋変位データを特徴ベクトルとして、また圧力データを教師データとして、学習処理を実行する。そして学習処理の結果、回帰学習器７０１は近似関数パラメータ７０５を生成し、またこれを更新する。
機械学習の成果である近似関数パラメータ７０５は、不揮発性ストレージ６０７に記憶される。
【0033】
図８は、本発明の第一の実施形態に係る重量感覚推定システム１０１の、推定フェーズにおけるソフトウェア機能ブロック図である。すなわち、図８は図１Ｂの機能ブロック図である。なお、図８のうち、図７と同一の機能ブロックには同一の符号を付して、その説明を省略する。
【0034】
重量感覚推定演算装置１０３の近距離無線受信部７０４は、筋肉センサ装置１０２から送信された電波を受信し、筋変位データを復調する。筋変位データは回帰推定器８０１に入力される。
回帰推定器８０１は、筋変位データを特徴ベクトルとし、学習フェーズにおいて回帰学習器７０１が作成した近似関数パラメータ７０５を読み込んで、回帰推定を行い、圧力推定データを出力する。この圧力推定データが、ユーザ１０５の腕１０５ａの重量覚と抵抗覚に相当する。この圧力推定データは表示処理部８０２を通じて表示部６０５に表示される。
また、図示はしていないが、圧力推定データは外部の情報処理装置等に出力する等、様々な用途に利用される。
回帰推定器８０１は、筋変位データを特徴ベクトルとし、学習フェーズにおいて回帰学習器７０１が作成した近似関数パラメータ７０５を読み込んで、回帰推定を行い、圧力推定データを出力する。この圧力推定データが、ユーザ１０５の腕１０５ａの重量覚と抵抗覚に相当する。この圧力推定データは表示処理部８０２を通じて表示部６０５に表示される。
また、図示はしていないが、圧力推定データは外部の情報処理装置等に出力する等、様々な用途に利用される。
【0035】
発明者らによる実験では、パソコンにＳＶＲのプログラムを稼働させ、圧力センサ１０４と筋肉センサ装置１０２のデータを与えただけで、高い推定精度を得ることができた。これは、筋変位センサ群５４０が近赤外線を用いたセンサであることから、室内の電灯線等から生じる電磁波ノイズに強いこと、また光センサ自身がその追従性能から積分要素を有すること等が要因として考えられる。
勿論、本発明に係る重量感覚推定演算装置１０３においても、一般的な生体センサの前処理として、筋変位データの各々の要素に対し、周知の移動平均等の外乱等除去処理を施してもよい。
勿論、本発明に係る重量感覚推定演算装置１０３においても、一般的な生体センサの前処理として、筋変位データの各々の要素に対し、周知の移動平均等の外乱等除去処理を施してもよい。
【0036】
回帰学習器７０１及び回帰推定器８０１に採用する回帰学習アルゴリズムは、ＳＶＲに限られない。以下の回帰学習アルゴリズムがＳＶＲに置換可能である。
例えば、線形回帰、ロジスティクス回帰、回帰木、自己回帰移動平均モデル、状態空間モデル、ランダムフォレスト、勾配ブースティング木、パーセプトロン、ＣＮＮ（Convolutional Neural Network）、ＲＮＮ（Recurrent Neural Networks）、ＲｅｓＮｅｔ（Residual Networks）などで置換することができる。
例えば、線形回帰、ロジスティクス回帰、回帰木、自己回帰移動平均モデル、状態空間モデル、ランダムフォレスト、勾配ブースティング木、パーセプトロン、ＣＮＮ（Convolutional Neural Network）、ＲＮＮ（Recurrent Neural Networks）、ＲｅｓＮｅｔ（Residual Networks）などで置換することができる。
【0037】
［第二の実施形態：重量感覚推定演算装置９０２：ソフトウェア機能］
第一の実施形態に係る重量感覚推定システム１０１は、予めユーザ１０５の腕の筋肉の特性を回帰学習アルゴリズムで学習することで、ユーザ１０５の腕の重量覚と抵抗覚を推定するものである。
ところで、人の体格は千差万別であることから、当然ながら、人の腕の筋肉の特性も千差万別である。つまり、第一の実施形態に係る重量感覚推定システム１０１は、個々のユーザに適合するシステムである。このため、あるユーザの腕の特性を学習した重量感覚推定システム１０１は、他のユーザに使用することができなくなる場合がある。
第一の実施形態に係る重量感覚推定システム１０１は、予めユーザ１０５の腕の筋肉の特性を回帰学習アルゴリズムで学習することで、ユーザ１０５の腕の重量覚と抵抗覚を推定するものである。
ところで、人の体格は千差万別であることから、当然ながら、人の腕の筋肉の特性も千差万別である。つまり、第一の実施形態に係る重量感覚推定システム１０１は、個々のユーザに適合するシステムである。このため、あるユーザの腕の特性を学習した重量感覚推定システム１０１は、他のユーザに使用することができなくなる場合がある。
【0038】
もし、回帰学習器が予め多数の人の筋肉の特性を学習し、回帰推定器が未知の人の筋肉のデータから最も類似する人の筋肉の特性で推定することができれば、重量感覚推定システムにおいて図１Ａ及び図７にて説明した学習フェーズを省略することが可能になる。
これより説明する第二の実施形態に係る重量感覚推定システム９０１と、第三の実施形態に係る重量感覚推定システム１１０１は、予め多数の人の筋肉の特性を学習することで、実使用において学習フェーズを省略することを可能にする点で第一の実施形態に係る重量感覚推定システム１０１とは異なる。
これより説明する第二の実施形態に係る重量感覚推定システム９０１と、第三の実施形態に係る重量感覚推定システム１１０１は、予め多数の人の筋肉の特性を学習することで、実使用において学習フェーズを省略することを可能にする点で第一の実施形態に係る重量感覚推定システム１０１とは異なる。
【0039】
図９は、本発明の第二の実施形態に係る重量感覚推定システム９０１の、学習フェーズにおけるソフトウェア機能ブロック図である。なお、図９のうち、図７と同一の機能ブロックには同一の符号を付して、その説明を省略する。
重量感覚推定演算装置９０２において、まず、入出力制御部９０３が筋変位データスイッチ９０４を分類学習器９０５の側に切り替える。そして、入出力制御部９０３内の案内画面生成処理部９０６が、「手を握って下さい」「手を開いて下さい」等の案内コンテンツを表示部６０５に表示するための、チュートリアル動画を生成する。案内画面生成処理部９０６が生成するチュートリアル動画データは、表示処理部８０２を通じて表示部６０５に表示される。そして、この時に筋肉センサ装置１０２から得られる筋変位データは、分類学習器９０５に入力される。
重量感覚推定演算装置９０２において、まず、入出力制御部９０３が筋変位データスイッチ９０４を分類学習器９０５の側に切り替える。そして、入出力制御部９０３内の案内画面生成処理部９０６が、「手を握って下さい」「手を開いて下さい」等の案内コンテンツを表示部６０５に表示するための、チュートリアル動画を生成する。案内画面生成処理部９０６が生成するチュートリアル動画データは、表示処理部８０２を通じて表示部６０５に表示される。そして、この時に筋肉センサ装置１０２から得られる筋変位データは、分類学習器９０５に入力される。
【0040】
分類学習器９０５は、例えばランダムフォレスト分類（Random Forest Classification）等の分類学習アルゴリズムを採用する機械学習器である。分類学習器９０５は、筋変位データを特徴ベクトルとして、また匿名ユーザＩＤ９０７をラベル（教師データ）として、学習処理を実行する。そして、学習処理の結果、分類学習器９０５は近似モデルパラメータ９０８を生成し、またこれを更新する。
匿名ユーザＩＤ９０７は、複数のユーザ１０５を、匿名性を担保しつつ一意に識別するためのものである。なお、匿名ユーザＩＤ９０７は、ユーザ１０５の匿名性を担保するために、例えばシリアルナンバーにハッシュ演算処理等を施すことで生成される。
匿名ユーザＩＤ９０７は、複数のユーザ１０５を、匿名性を担保しつつ一意に識別するためのものである。なお、匿名ユーザＩＤ９０７は、ユーザ１０５の匿名性を担保するために、例えばシリアルナンバーにハッシュ演算処理等を施すことで生成される。
【0041】
分類学習器９０５の学習処理が終わったら、入出力制御部９０３は筋変位データスイッチ９０４を回帰学習器７０１の側に切り替える。
回帰学習器７０１は、筋変位データを特徴ベクトル、圧力センサ１０４からＡ／Ｄ変換器７０２を通じて得られる圧力データを教師データとして回帰学習を行い、近似関数パラメータ７０５を生成し、更新する。回帰学習器７０１は、第一の実施形態と同一の回帰学習アルゴリズムを利用する。この回帰学習器７０１における学習処理は、図７にて説明した第一の実施形態における回帰学習処理と同じなので、詳細な説明を省略する。
回帰学習器７０１は、筋変位データを特徴ベクトル、圧力センサ１０４からＡ／Ｄ変換器７０２を通じて得られる圧力データを教師データとして回帰学習を行い、近似関数パラメータ７０５を生成し、更新する。回帰学習器７０１は、第一の実施形態と同一の回帰学習アルゴリズムを利用する。この回帰学習器７０１における学習処理は、図７にて説明した第一の実施形態における回帰学習処理と同じなので、詳細な説明を省略する。
【0042】
以上の手順にて、匿名ユーザＩＤ９０７、近似モデルパラメータ９０８、近似関数パラメータ７０５の３個の要素が揃った。この３個の要素は、個人別筋変位パラメータ群９０９として、例えば重量感覚推定演算装置９０２の不揮発性ストレージ６０７（図６参照）や、あるいは図示しない管理サーバ等において収集される。
特に、匿名ユーザＩＤ９０７と近似関数パラメータ７０５は、近似関数パラメータテーブル１００２のレコードとして登録される。近似関数パラメータテーブル１００２の詳細は図１０にて後述する。
特に、匿名ユーザＩＤ９０７と近似関数パラメータ７０５は、近似関数パラメータテーブル１００２のレコードとして登録される。近似関数パラメータテーブル１００２の詳細は図１０にて後述する。
【0043】
本発明の第二の実施形態に係る重量感覚推定システム９０１は、上述した学習フェーズにおいて、少なくとも５００人、望ましくは１０００人以上の学習処理を遂行する。したがって、近似モデルパラメータ９０８は、例えば筋変位センサ群５４０のデータに対し、１０００人分の学習済み匿名ユーザから最も筋肉の特性が類似する匿名ユーザＩＤ９０７を特定するためのパラメータである。また、後述する近似関数パラメータテーブル１００２は、１０００人分の匿名ユーザＩＤ９０７と近似関数パラメータ７０５を紐付けて記憶する。
【0044】
図１０は、本発明の第二の実施形態に係る重量感覚推定システム９０１の、推定フェーズにおけるソフトウェア機能ブロック図である。
重量感覚推定演算装置９０２において、まず、入出力制御部９０３が筋変位データスイッチ９０４を分類推定器１００１の側に切り替える。そして、入出力制御部９０３内の案内画面生成処理部９０６が、「手を握って下さい」「手を開いて下さい」等の案内を表示部６０５に表示するための、チュートリアル動画を生成する。案内画面生成処理部９０６が生成するチュートリアル動画データは、表示処理部８０２を通じて表示部６０５に表示される。そして、この時に筋肉センサ装置１０２から得られる筋変位データは、分類推定器１００１に入力される。
重量感覚推定演算装置９０２において、まず、入出力制御部９０３が筋変位データスイッチ９０４を分類推定器１００１の側に切り替える。そして、入出力制御部９０３内の案内画面生成処理部９０６が、「手を握って下さい」「手を開いて下さい」等の案内を表示部６０５に表示するための、チュートリアル動画を生成する。案内画面生成処理部９０６が生成するチュートリアル動画データは、表示処理部８０２を通じて表示部６０５に表示される。そして、この時に筋肉センサ装置１０２から得られる筋変位データは、分類推定器１００１に入力される。
【0045】
分類推定器１００１は、筋変位データを特徴ベクトルとし、近似モデルパラメータ９０８を読み込む。そして、図９の学習フェーズにおいて学習した学習済み匿名ユーザから最も筋肉の特性が類似する匿名ユーザＩＤ９０７を出力する。
また、入出力制御部９０３は、分類推定器１００１から得られた匿名ユーザＩＤ９０７を検索キーとして、近似関数パラメータテーブル１００２を検索して、匿名ユーザＩＤ９０７に紐付けられた近似関数パラメータ７０５を取得する。
また、入出力制御部９０３は、分類推定器１００１から得られた匿名ユーザＩＤ９０７を検索キーとして、近似関数パラメータテーブル１００２を検索して、匿名ユーザＩＤ９０７に紐付けられた近似関数パラメータ７０５を取得する。
【0046】
近似関数パラメータテーブル１００２は、匿名ユーザＩＤフィールドと近似関数パラメータフィールドを有する。匿名ユーザＩＤフィールドには、匿名ユーザに紐付けられる匿名ユーザＩＤ９０７が格納される。近似関数パラメータフィールドには、匿名ユーザＩＤ９０７に紐付けられる匿名ユーザの腕の筋肉から回帰学習器７０１が生成した近似関数パラメータ７０５が格納される。
【0047】
次に入出力制御部９０３は、筋変位データスイッチ９０４を回帰推定器８０１の側に切り替える。回帰推定器８０１は、筋変位データを特徴ベクトルとし、入出力制御部９０３によって与えられた近似関数パラメータ７０５を読み込んで、回帰推定を行い、圧力推定データを出力する。
圧力推定データは表示処理部８０２を通じて表示部６０５に表示される。また、図示はしていないが、圧力推定データは外部の情報処理装置等に出力する等、様々な用途に利用される。
圧力推定データは表示処理部８０２を通じて表示部６０５に表示される。また、図示はしていないが、圧力推定データは外部の情報処理装置等に出力する等、様々な用途に利用される。
【0048】
図１０における回帰推定器８０１及び近似関数パラメータ７０５の動作及び役割は、図８に示した第一の実施形態に係る重量感覚推定演算装置１０３の同名機能ブロックと同じである。第二の実施形態に係る重量感覚推定演算装置９０２と第一の実施形態に係る重量感覚推定演算装置１０３との相違点は、重量感覚推定演算装置９０２が、筋変位データスイッチ９０４、分類推定器１００１、近似モデルパラメータ９０８、近似関数パラメータテーブル１００２及び入出力制御部９０３を備え、分類推定器１００１が匿名ユーザＩＤ９０７を推定し、近似関数パラメータテーブル１００２から近似関数パラメータ７０５を出力する点である。
【0049】
図９にて説明した、重量感覚推定システム９０１の学習フェーズでは、例えば１０００人分の学習処理を行った。その結果、分類推定器１００１は、任意のユーザ１０５から得られる筋変位センサのデータに対し、事前学習にて近似モデルパラメータ９０８から最も筋肉の特性が類似する匿名ユーザの匿名ユーザＩＤ９０７を出力する。この匿名ユーザＩＤ９０７は、近似関数パラメータテーブル１００２において当該匿名ユーザの近似関数パラメータ７０５に紐付けられている。つまり、ユーザ１０５に腕の筋肉構造等の特徴が最も類似する匿名ユーザの近似関数パラメータ７０５を取得することができる。
すなわち、多数の個人別筋変位パラメータ群９０９から近似モデルパラメータ９０８と近似関数パラメータテーブル１００２を作成することによって、事前学習をせずとも、ユーザ１０５に最も腕の筋肉構造等の特徴が類似する匿名ユーザの近似関数パラメータ７０５を用いて、ユーザ１０５の重量覚と抵抗覚の推定が可能になる。
すなわち、多数の個人別筋変位パラメータ群９０９から近似モデルパラメータ９０８と近似関数パラメータテーブル１００２を作成することによって、事前学習をせずとも、ユーザ１０５に最も腕の筋肉構造等の特徴が類似する匿名ユーザの近似関数パラメータ７０５を用いて、ユーザ１０５の重量覚と抵抗覚の推定が可能になる。
【0050】
分類学習器９０５及び分類推定器１００１に採用する分類学習アルゴリズムは、ランダムフォレストに限られない。以下の分類学習アルゴリズムがランダムフォレストに置換可能である。
すなわち、決定木、ナイーブベイズ、ｋ近傍法（k-nearest neighbor algorithm:ｋ－ＮＮ）、ブースティング、勾配ブースティング木、パーセプトロン、ＣＮＮ（Convolutional Neural Network）、ＲＮＮ（Recurrent Neural Networks）、ＲｅｓＮｅｔ（Residual Networks）等に置換することができる。
すなわち、決定木、ナイーブベイズ、ｋ近傍法（k-nearest neighbor algorithm:ｋ－ＮＮ）、ブースティング、勾配ブースティング木、パーセプトロン、ＣＮＮ（Convolutional Neural Network）、ＲＮＮ（Recurrent Neural Networks）、ＲｅｓＮｅｔ（Residual Networks）等に置換することができる。
【0051】
［第三の実施形態：重量感覚推定演算装置１１０２：ソフトウェア機能］
図１１は、本発明の第三の実施形態に係る重量感覚推定システム１１０１の、学習フェーズにおけるソフトウェア機能ブロック図である。なお、図１１のうち、図７乃至図１０と同一の機能ブロックには同一の符号を付して、その説明を省略する。
重量感覚推定演算装置１１０２の近距離無線受信部７０４は、筋肉センサ装置１０２から送信された電波を受信し、筋変位データを復調する。筋変位データは深層回帰学習器１１０３に入力される。
図１１は、本発明の第三の実施形態に係る重量感覚推定システム１１０１の、学習フェーズにおけるソフトウェア機能ブロック図である。なお、図１１のうち、図７乃至図１０と同一の機能ブロックには同一の符号を付して、その説明を省略する。
重量感覚推定演算装置１１０２の近距離無線受信部７０４は、筋肉センサ装置１０２から送信された電波を受信し、筋変位データを復調する。筋変位データは深層回帰学習器１１０３に入力される。
【0052】
一方、ユーザ１０５が筋肉センサ装置１０２を装着した腕１０５ａの手指で圧力センサ１０４を押すと、圧力センサ１０４に内蔵されるＡ／Ｄ変換器７０２からデジタルの圧力データが出力される。圧力センサ１０４が出力するデジタルの圧力データは、深層回帰学習器１１０３に入力される。
深層回帰学習器１１０３は、ディープラーニングとも呼ばれる、周知の多層ニューラルネットワークを採用する機械学習器である。深層回帰学習器１１０３は、筋変位データを特徴ベクトルとして、また圧力データと匿名ユーザＩＤ９０７を教師データとして、学習処理を実行する。そして、学習処理の結果、深層回帰学習器１１０３は近似関数パラメータ１１０４を生成し、またこれを更新する。
深層回帰学習器１１０３は、ディープラーニングとも呼ばれる、周知の多層ニューラルネットワークを採用する機械学習器である。深層回帰学習器１１０３は、筋変位データを特徴ベクトルとして、また圧力データと匿名ユーザＩＤ９０７を教師データとして、学習処理を実行する。そして、学習処理の結果、深層回帰学習器１１０３は近似関数パラメータ１１０４を生成し、またこれを更新する。
【0053】
図１２は、本発明の第三の実施形態に係る重量感覚推定システム１１０１の、推定フェーズにおけるソフトウェア機能ブロック図である。
重量感覚推定演算装置１１０２の近距離無線受信部７０４は、筋肉センサ装置１０２から送信された電波を受信し、筋変位データを復調する。筋変位データは深層回帰推定器１２０１に入力される。
深層回帰推定器１２０１は、筋変位データを特徴ベクトルとし、学習フェーズにおいて深層回帰学習器１１０３が作成した近似関数パラメータ１１０４を読み込んで、回帰推定を行い、圧力推定データと匿名ユーザＩＤ９０７を出力する。匿名ユーザＩＤ９０７は使用しないため、そのまま破棄される。
圧力推定データは表示処理部８０２を通じて表示部６０５に表示される。
また、図示はしていないが、圧力推定データは外部の情報処理装置等に出力する等、様々な用途に利用される。
重量感覚推定演算装置１１０２の近距離無線受信部７０４は、筋肉センサ装置１０２から送信された電波を受信し、筋変位データを復調する。筋変位データは深層回帰推定器１２０１に入力される。
深層回帰推定器１２０１は、筋変位データを特徴ベクトルとし、学習フェーズにおいて深層回帰学習器１１０３が作成した近似関数パラメータ１１０４を読み込んで、回帰推定を行い、圧力推定データと匿名ユーザＩＤ９０７を出力する。匿名ユーザＩＤ９０７は使用しないため、そのまま破棄される。
圧力推定データは表示処理部８０２を通じて表示部６０５に表示される。
また、図示はしていないが、圧力推定データは外部の情報処理装置等に出力する等、様々な用途に利用される。
【0054】
第二の実施形態に係る重量感覚推定演算装置９０２では、複数のユーザ１０５の筋変位データを扱う際、匿名ユーザＩＤ９０７を特定するために、分類学習器９０５及び分類推定器１００１を採用した。
これに対し、第三の実施形態に係る重量感覚推定演算装置１１０２では、深層回帰学習器１１０３及び深層回帰推定器１２０１を採用した。そして、深層回帰学習器１１０３の教師データとして、圧力データに加え、匿名ユーザＩＤ９０７を与えることにより、多数のユーザ１０５の筋変位データを区別して、重量覚と抵抗覚を推定することを可能にした。すなわち、第二の実施形態における分類学習器９０５と回帰学習器７０１の機能を、深層回帰学習器１１０３が担い、第二の実施形態における分類推定器１００１と回帰推定器８０１の機能を、深層回帰推定器１２０１が担う。
これに対し、第三の実施形態に係る重量感覚推定演算装置１１０２では、深層回帰学習器１１０３及び深層回帰推定器１２０１を採用した。そして、深層回帰学習器１１０３の教師データとして、圧力データに加え、匿名ユーザＩＤ９０７を与えることにより、多数のユーザ１０５の筋変位データを区別して、重量覚と抵抗覚を推定することを可能にした。すなわち、第二の実施形態における分類学習器９０５と回帰学習器７０１の機能を、深層回帰学習器１１０３が担い、第二の実施形態における分類推定器１００１と回帰推定器８０１の機能を、深層回帰推定器１２０１が担う。
【0055】
以上に述べた第一の実施形態、第二の実施形態、第三の実施形態では、図１乃至図４に示すように、筋肉センサ装置１０２をユーザ１０５の腕１０５ａに装着して、ユーザ１０５の腕１０５ａにおける重量覚と抵抗覚を推定する技術を説明した。筋肉センサ装置１０２は必ずしもユーザ１０５の腕１０５ａにのみ装着するものではない。
図１３は、筋肉センサ装置１０２をユーザ１０５の太腿１０５ｄ及びふくらはぎ１０５ｅに装着した状態を示す概略図である。
ユーザ１０５の太腿１０５ｄに装着された筋肉センサ装置１０２ａは、ユーザ１０５の足全体の重量覚と抵抗覚を推定するためのセンサとして機能する。
ユーザ１０５のふくらはぎ１０５ｅに装着された筋肉センサ装置１０２ｂは、ユーザ１０５の足首から下の重量覚と抵抗覚を推定するためのセンサとして機能する。
すなわち、筋肉センサ装置１０２は、ユーザ１０５の任意の体表面に装着して、重量感覚推定演算装置と組み合わせて機能させれば、装着された体表面の直下に存在する筋肉の重量覚と抵抗覚を推定するセンサとして機能させることが可能である。
図１３は、筋肉センサ装置１０２をユーザ１０５の太腿１０５ｄ及びふくらはぎ１０５ｅに装着した状態を示す概略図である。
ユーザ１０５の太腿１０５ｄに装着された筋肉センサ装置１０２ａは、ユーザ１０５の足全体の重量覚と抵抗覚を推定するためのセンサとして機能する。
ユーザ１０５のふくらはぎ１０５ｅに装着された筋肉センサ装置１０２ｂは、ユーザ１０５の足首から下の重量覚と抵抗覚を推定するためのセンサとして機能する。
すなわち、筋肉センサ装置１０２は、ユーザ１０５の任意の体表面に装着して、重量感覚推定演算装置と組み合わせて機能させれば、装着された体表面の直下に存在する筋肉の重量覚と抵抗覚を推定するセンサとして機能させることが可能である。
【0056】
本発明の第一の実施形態においては、重量感覚推定システム１０１を開示した。
予め、ユーザ１０５の腕１０５ａに筋肉センサ装置１０２を装着する。
まず、学習フェーズにおいて、重量感覚推定演算装置１０３の回帰学習器７０１は、筋肉センサ装置１０２から出力される筋変位データを特徴ベクトルとして、また圧力センサ１０４から得られる圧力データを教師データとして、回帰学習処理を実行する。そして学習処理の結果、回帰学習器７０１は近似関数パラメータ７０５を生成し、またこれを更新する。
次に、推定フェーズにおいて、重量感覚推定演算装置１０３の回帰推定器８０１は、筋変位データを特徴ベクトルとし、学習フェーズにおいて回帰学習器７０１が作成した近似関数パラメータ７０５を読み込んで、回帰推定を行い、圧力推定データを出力する。この圧力推定データが、ユーザ１０５の腕１０５ａの重量覚と抵抗覚に相当する。
この第一の実施形態においては、低価格のシステム構成にて、人の重量覚と抵抗覚を高い精度で推定することが可能になる。
予め、ユーザ１０５の腕１０５ａに筋肉センサ装置１０２を装着する。
まず、学習フェーズにおいて、重量感覚推定演算装置１０３の回帰学習器７０１は、筋肉センサ装置１０２から出力される筋変位データを特徴ベクトルとして、また圧力センサ１０４から得られる圧力データを教師データとして、回帰学習処理を実行する。そして学習処理の結果、回帰学習器７０１は近似関数パラメータ７０５を生成し、またこれを更新する。
次に、推定フェーズにおいて、重量感覚推定演算装置１０３の回帰推定器８０１は、筋変位データを特徴ベクトルとし、学習フェーズにおいて回帰学習器７０１が作成した近似関数パラメータ７０５を読み込んで、回帰推定を行い、圧力推定データを出力する。この圧力推定データが、ユーザ１０５の腕１０５ａの重量覚と抵抗覚に相当する。
この第一の実施形態においては、低価格のシステム構成にて、人の重量覚と抵抗覚を高い精度で推定することが可能になる。
【0057】
本発明の第二の実施形態においては、重量感覚推定システム９０１を開示した。
第二の実施形態の重量感覚推定システム９０１は、複数のユーザ１０５に対し、事前学習処理を省略するため、複数の匿名ユーザの筋肉の特徴を分類学習器９０５で学習し、匿名ユーザＩＤ９０７を出力する構成としている。そして、匿名ユーザＩＤ９０７と近似関数パラメータ７０５を紐付ける、近似関数パラメータテーブル１００２を作成する。
分類推定器１００１は、任意のユーザ１０５の筋肉の特徴から最も類似する匿名ユーザの匿名ユーザＩＤ９０７を出力する。分類推定器１００１は、近似関数パラメータテーブル１００２から匿名ユーザＩＤ９０７に紐付く近似関数パラメータ７０５を取得して、回帰推定器８０１に与える。これにより、事前学習をすることなく、ユーザ１０５に腕の筋肉構造等の特徴が最も類似する匿名ユーザの近似関数パラメータ７０５を用いて、ユーザ１０５の重量覚と抵抗覚の推定が可能になる。
第二の実施形態の重量感覚推定システム９０１は、複数のユーザ１０５に対し、事前学習処理を省略するため、複数の匿名ユーザの筋肉の特徴を分類学習器９０５で学習し、匿名ユーザＩＤ９０７を出力する構成としている。そして、匿名ユーザＩＤ９０７と近似関数パラメータ７０５を紐付ける、近似関数パラメータテーブル１００２を作成する。
分類推定器１００１は、任意のユーザ１０５の筋肉の特徴から最も類似する匿名ユーザの匿名ユーザＩＤ９０７を出力する。分類推定器１００１は、近似関数パラメータテーブル１００２から匿名ユーザＩＤ９０７に紐付く近似関数パラメータ７０５を取得して、回帰推定器８０１に与える。これにより、事前学習をすることなく、ユーザ１０５に腕の筋肉構造等の特徴が最も類似する匿名ユーザの近似関数パラメータ７０５を用いて、ユーザ１０５の重量覚と抵抗覚の推定が可能になる。
【0058】
本発明の第三の実施形態においては、重量感覚推定システム１１０１を開示した。
第三の実施形態に係る重量感覚推定演算装置１１０２では、深層回帰学習器１１０３の教師データとして、圧力データに加え、匿名ユーザＩＤ９０７を与えることにより、多数のユーザ１０５の筋変位データを区別して、重量覚と抵抗覚を推定することを可能にした。
第三の実施形態に係る重量感覚推定演算装置１１０２では、深層回帰学習器１１０３の教師データとして、圧力データに加え、匿名ユーザＩＤ９０７を与えることにより、多数のユーザ１０５の筋変位データを区別して、重量覚と抵抗覚を推定することを可能にした。
【0059】
以上に述べた第一の実施形態、第二の実施形態、第三の実施形態の何れの場合においても、重量感覚推定システムは筋肉センサ装置１０２と重量感覚推定演算装置の組み合わせで構成され、筋肉センサ装置１０２と重量感覚推定演算装置は相互に近距離無線通信を行っていた。無線通信は、発明者らが開発し発売する製品に組み込まれている機能であるため、重量感覚推定演算装置との通信に利用している。
仮に、重量感覚推定演算装置と有線通信を行う筋肉センサ装置を構成しても、本発明は成立する。すなわち、本発明において無線通信は必須の構成要件ではない。
有線通信と無線通信の上位概念として、筋肉センサ装置には送信部が、重量感覚推定演算装置には受信部が設けられる。
仮に、重量感覚推定演算装置と有線通信を行う筋肉センサ装置を構成しても、本発明は成立する。すなわち、本発明において無線通信は必須の構成要件ではない。
有線通信と無線通信の上位概念として、筋肉センサ装置には送信部が、重量感覚推定演算装置には受信部が設けられる。
【0060】
この場合、重量感覚推定システムは、
ユーザの体表面に装着される筋肉センサ装置と、前記筋肉センサ装置と通信を行う重量感覚推定演算装置とよりなる重量感覚推定システムであって、
前記筋肉センサ装置は、
ユーザの体表面に密着するベルトと、
前記ベルトに複数個設けられ、赤外線ＬＥＤと光センサで構成されるフォトリフレクタである筋変位センサ群と、
前記筋変位センサ群から得られる筋変位データを重量感覚推定演算装置へ送信する送信部と
を具備し、
前記重量感覚推定演算装置は、
前記送信部から前記筋変位データを受信する受信部と、
前記受信部から受信した前記筋変位データを特徴ベクトルとして読み込み、前記ユーザの重量覚と抵抗覚の推定値である圧力推定データを出力する回帰推定器と
を具備する。
ユーザの体表面に装着される筋肉センサ装置と、前記筋肉センサ装置と通信を行う重量感覚推定演算装置とよりなる重量感覚推定システムであって、
前記筋肉センサ装置は、
ユーザの体表面に密着するベルトと、
前記ベルトに複数個設けられ、赤外線ＬＥＤと光センサで構成されるフォトリフレクタである筋変位センサ群と、
前記筋変位センサ群から得られる筋変位データを重量感覚推定演算装置へ送信する送信部と
を具備し、
前記重量感覚推定演算装置は、
前記送信部から前記筋変位データを受信する受信部と、
前記受信部から受信した前記筋変位データを特徴ベクトルとして読み込み、前記ユーザの重量覚と抵抗覚の推定値である圧力推定データを出力する回帰推定器と
を具備する。
【0061】
更に、重量感覚推定演算装置の演算処理機能を筋肉センサ装置１０２に組み込むことも、原理的には可能である。この場合、筋肉センサ装置は重量感覚推定演算機能を包含する、重量感覚推定装置として機能する。重量感覚推定装置が算出する重量感覚推定演算結果は、周知のスマートフォン等に近距離無線通信等で送信して、ディスプレイに表示させればよい。
特に、第一の実施形態及び第二の実施形態は、単一の重量感覚推定装置を実現する可能性が高い。具体的には、先ず、回帰学習器７０１と分類学習器９０５をパソコン等で実行して近似関数パラメータ７０５と近似モデルパラメータ９０８を作成する。そして、回帰推定器８０１と分類推定器１００１、そして近似関数パラメータ７０５と近似モデルパラメータ９０８を筋肉センサ装置１０２に内蔵されるマイコンで実現する。回帰推定器８０１と分類推定器１００１の演算負荷は回帰学習器７０１と分類学習器９０５と比べて軽いので、筋肉センサ装置１０２に内蔵されるマイコンの演算能力を増強することで、筋肉センサ装置単体で重量感覚推定装置を実現する可能性が高い。
特に、第一の実施形態及び第二の実施形態は、単一の重量感覚推定装置を実現する可能性が高い。具体的には、先ず、回帰学習器７０１と分類学習器９０５をパソコン等で実行して近似関数パラメータ７０５と近似モデルパラメータ９０８を作成する。そして、回帰推定器８０１と分類推定器１００１、そして近似関数パラメータ７０５と近似モデルパラメータ９０８を筋肉センサ装置１０２に内蔵されるマイコンで実現する。回帰推定器８０１と分類推定器１００１の演算負荷は回帰学習器７０１と分類学習器９０５と比べて軽いので、筋肉センサ装置１０２に内蔵されるマイコンの演算能力を増強することで、筋肉センサ装置単体で重量感覚推定装置を実現する可能性が高い。
【0062】
この場合、重量感覚推定装置は、
ユーザの体表面に密着するベルトと、
前記ベルトに複数個設けられ、赤外線ＬＥＤと光センサで構成されるフォトリフレクタである筋変位センサ群と、
前記筋変位センサ群から得られる筋変位データを特徴ベクトルとして読み込み、前記ユーザの重量覚と抵抗覚の推定値である圧力推定データを出力する回帰推定器と
を具備する。
ユーザの体表面に密着するベルトと、
前記ベルトに複数個設けられ、赤外線ＬＥＤと光センサで構成されるフォトリフレクタである筋変位センサ群と、
前記筋変位センサ群から得られる筋変位データを特徴ベクトルとして読み込み、前記ユーザの重量覚と抵抗覚の推定値である圧力推定データを出力する回帰推定器と
を具備する。
【0063】
以上、本発明の実施形態について説明したが、本発明は上記実施形態に限定されるものではなく、特許請求の範囲に記載した本発明の要旨を逸脱しない限りにおいて、他の変形例、応用例を含む。
【符号の説明】
【0064】
１０１…重量感覚推定システム、１０２…筋肉センサ装置、１０３…重量感覚推定演算装置、１０４…圧力センサ、１０５…ユーザ、１０６…対象物、２０１…本体部、２０２…表側ベルト、２０３…裏側ベルト、２０４…電源スイッチ、２０５…バックル、２０６…穴、２０７…検出孔、３１２…ジャイロセンサ、５０１…バス、５０２…ＣＰＵ、５０３…ＲＯＭ、５０４…ＲＡＭ、５０５…Ａ／Ｄ変換器、５０６…第二シリアルインターフェース、５０７…ワンチップマイコン、５０８…第一マルチプレクサ、５１０…第二マルチプレクサ、５１２…ジャイロセンサ、５１３…近距離無線通信部、５１４…第一シリアルインターフェース、５４０…筋変位センサ群、６０１…バス、６０２…ＣＰＵ、６０３…ＲＯＭ、６０４…ＲＡＭ、６０５…表示部、６０６…操作部、６０７…不揮発性ストレージ、６０８…近距離無線通信部、６０９…タッチパネルディスプレイ、７０１…回帰学習器、７０２…Ａ／Ｄ変換器、７０３…近距離無線送信部、７０４…近距離無線受信部、７０５…近似関数パラメータ、８０１…回帰推定器、８０２…表示処理部、９０１…重量感覚推定システム、９０２…重量感覚推定演算装置、９０３…入出力制御部、９０４…筋変位データスイッチ、９０５…分類学習器、９０６…案内画面生成処理部、９０８…近似モデルパラメータ、９０９…個人別筋変位パラメータ群、１００１…分類推定器、１００２…近似関数パラメータテーブル、１１０１…重量感覚推定システム、１１０２…重量感覚推定演算装置、１１０３…深層回帰学習器、１１０４…近似関数パラメータ、１２０１…深層回帰推定器
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】