特許 7546904 歩行時転倒リスク評価装置および歩行時転倒リスク評価プログラム

(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】2024-08-30

(45)【発行日】2024-09-09

(54)【発明の名称】歩行時転倒リスク評価装置および歩行時転倒リスク評価プログラム

(51)【国際特許分類】

   A61B 5/11 20060101AFI20240902BHJP

   G16H 20/00 20180101ALI20240902BHJP

【ＦＩ】

A61B5/11 200

G16H20/00

【請求項の数】 10

(21)【出願番号】P 2020190620

(22)【出願日】2020-11-17

(65)【公開番号】P2022079814

(43)【公開日】2022-05-27

【審査請求日】2023-08-29

【新規性喪失の例外の表示】特許法第３０条第２項適用 令和２年１月２６日に、佐久交流センター（長野県佐久市）で開催された「令和元年度佐久市健康長寿ブランド化推進事業 歩行計測による健康増進継続調査業務調査モニタ向け報告会」にて発明を公開 令和２年３月１９日に、佐久市役所（長野県佐久市）で行われた「令和元年度佐久市健康長寿ブランド化推進事業 歩行計測による健康増進継続調査業務」にて発明を公開 令和２年１０月１０日から１０月２５日にＷＥＢで開催された「２０２０（令和２）年日本転倒予防学会第７回学術集会」にて発明を公開

(73)【特許権者】

【識別番号】500020287

【氏名又は名称】マイクロストーン株式会社

(74)【代理人】

【識別番号】110001726

【氏名又は名称】弁理士法人綿貫国際特許・商標事務所

(72)【発明者】

【氏名】白鳥 典彦

(72)【発明者】

【氏名】岡田 恵也

(72)【発明者】

【氏名】野澤 秀隆

【審査官】▲高▼ 芳徳

(56)【参考文献】

【文献】特開２０１７－０００１９９（ＪＰ，Ａ）

【文献】特開２０２０－１２０８０７（ＪＰ，Ａ）

【文献】特開平１０－１６５３９５（ＪＰ，Ａ）

【文献】国際公開第２０１７／０６５２４１（ＷＯ，Ａ１）

【文献】国際公開第２０１１／０３０７８１（ＷＯ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ａ６１Ｂ ５／０６ － ５／２２

Ａ６１Ｂ １０／００

Ｇ１６Ｈ １０／００ － ８０／００

Ａ６１Ｈ ３／００ － ３／０６

(57)【特許請求の範囲】

【請求項1】

計測対象者の少なくとも腰部と胸背部にモーションセンサを装着し、前記モーションセンサによって計測された前記計測対象者の歩行時において計測されたベース計測データと、前記ベース計測データの計測の前後いずれかにおいて予め設定した所定期間内における前記計測対象者の転倒経験の有無を示す転倒経験有無データ、ふらつきによる転倒経験の有無を示すふらつき転倒経験有無データ、つまずきによる転倒経験の有無を示すつまずき転倒経験有無データ、および、すべりによる転倒経験の有無を示すすべり転倒経験有無データがそれぞれコンピュータの記憶部に入力され、
前記コンピュータの演算部が、
前記ベース計測データに基づいて前記計測対象者の前記腰部と前記胸背部のそれぞれにおける平均動揺軌跡を算出し、前記平均動揺軌跡のデータを平均動揺軌跡データとして前記記憶部に記憶させる処理を、前記計測対象者のそれぞれにおいて繰り返し実行し、
前記演算部が、
前記腰部の前記平均動揺軌跡データおよび前記胸背部の前記平均動揺軌跡データを行列データにおける１行の直列データとする行列成分生成処理を前記計測対象者のそれぞれに対して行方向に繰り返し実行し、平均動揺軌跡行列データを生成する処理を実行し、
前記演算部が、
前記平均動揺軌跡行列データを主成分分析し、予め設定した所定累積寄与率になるまでの第１主成分から第Ｎ主成分（Ｎは２以上の自然数）までの範囲を使用主成分範囲として決定する処理を前記計測対象者のそれぞれにおいて繰り返し実行し、
前記演算部が、
前記ベース計測データに基づいて算出した、前記腰部の左右方向の振幅を計測した第１指標、前記腰部の上下方向の振幅を計測した第２指標、前記腰部の前後方向の振幅を計測した第３指標、前記腰部を平面視した際における前記腰部の軌跡長を計測した第４指標、前記腰部を背面視した際における前記腰部の軌跡長を計測した第５指標、前記腰部を側面視した際における前記腰部の軌跡長を計測した第６指標、前記胸背部の左右方向の振幅を計測した第７指標、前記胸背部の上下方向の振幅を計測した第８指標、前記胸背部の前後方向の振幅を計測した第９指標、前記胸背部を平面視した際における前記胸背部の軌跡長を計測した第１０指標、前記胸背部を背面視した際における前記胸背部の軌跡長を計測した第１１指標、前記胸背部を側面視した際における前記胸背部の軌跡長を計測した第１２指標、右足着地時から次の右足着地時までの所要時間の平均値である第１３指標、左足着地時における前記腰部にかかる加速度を計測した第１４指標、前記右足着地時における前記腰部にかかる加速度を計測した第１５指標、前記胸背部に対する前記腰部の左右方向の動きの比である第１６指標、前記胸背部に対する前記腰部の前後方向の動きの比である第１７指標、前記腰部の前記平均動揺軌跡における曲率半径である第１８指標、前記右足着地時と前記左足着地時における前記腰部の高さ位置の差である第１９指標、前記腰部の前記平均動揺軌跡の左右対称性をあらわす第２０指標、および、前記胸背部の前記平均動揺軌跡の左右対称性をあらわす第２１指標と、前記使用主成分範囲における前記第１主成分乃至前記第Ｎ主成分と、を説明変数とし、前記転倒経験有無データを目的変数として、転倒リスク推定モデルを作成し、前記転倒リスク推定モデルを前記記憶部に記憶させる処理を実行し、
前記演算部が、
前記第１指標乃至前記第２１指標と、前記使用主成分範囲における前記第１主成分乃至前記第Ｎ主成分を前記説明変数とし、前記ふらつき転倒経験有無データを前記目的変数として、ふらつき転倒リスク推定モデルを作成し、前記ふらつき転倒リスク推定モデルを前記記憶部に記憶させる処理を実行し、
前記演算部が、
前記第１指標乃至前記第２１指標と、前記使用主成分範囲における前記第１主成分乃至前記第Ｎ主成分を前記説明変数とし、前記つまずき転倒経験有無データを前記目的変数として、つまずき転倒リスク推定モデルを作成し、前記つまずき転倒リスク推定モデルを前記記憶部に記憶させる処理を実行し、
前記演算部が、
前記第１指標乃至前記第２１指標と、前記使用主成分範囲における前記第１主成分乃至前記第Ｎ主成分と、を前記説明変数とし、前記すべり転倒経験有無データを前記目的変数として、すべり転倒リスク推定モデルを作成し、前記すべり転倒リスク推定モデルを前記記憶部に記憶させる処理を実行し、
前記演算部が、
少なくとも前記腰部と前記胸背部に前記モーションセンサを装着した転倒リスクの評価対象である被験者の歩行時において前記モーションセンサによって計測された被験者計測データを前記記憶部に記憶させ、
前記演算部が、
前記被験者計測データに基づいて、前記被験者の前記腰部と前記胸背部のそれぞれにおける被験者平均動揺軌跡を算出し、前記被験者平均動揺軌跡のデータを被験者平均動揺軌跡データとして前記記憶部に記憶させる処理を実行し、
前記演算部が、
前記腰部の前記被験者平均動揺軌跡データおよび前記胸背部の前記被験者平均動揺軌跡データを１行の行列データとする被験者平均動揺軌跡行列データを生成する処理を実行し、
前記演算部が、前記被験者平均動揺軌跡行列データの主成分得点を算出し、前記使用主成分範囲に基づいて、前記被験者平均動揺軌跡行列データの主成分得点における前記第１主成分から前記第Ｎ主成分までの範囲を被験者特徴量として決定する処理を実行し、
前記演算部が、
前記転倒リスク推定モデルの前記説明変数として、前記第１指標乃至前記第２１指標と前記被験者特徴量における前記被験者平均動揺軌跡行列データの主成分得点の前記第１主成分乃至前記第Ｎ主成分をそれぞれ代入した際に、前記転倒リスク推定モデルにより算出された転倒リスク評価値が予め設定した転倒リスク判断値以上になった場合には、前記コンピュータの出力部に前記被験者の転倒リスクがあることを出力させると共に、前記ふらつき転倒リスク推定モデル、前記つまずき転倒リスク推定モデルおよび前記すべり転倒リスク推定モデルにおけるそれぞれの前記説明変数に、前記第１指標乃至前記第２１指標と前記被験者特徴量における前記被験者平均動揺軌跡行列データの主成分得点の前記第１主成分乃至前記第Ｎ主成分を各々代入した際に、前記ふらつき転倒リスク推定モデルにより算出されたふらつき転倒リスク評価値、前記つまずき転倒リスク推定モデルにより算出されたつまずき転倒リスク評価値および前記すべり転倒リスク推定モデルにより算出されたすべり転倒リスク評価値のいずれかがそれぞれの評価値に対応し、予め設定されたふらつき転倒リスク判断値、つまずき転倒リスク判断値、すべり転倒リスク判断値以上になった場合、前記被験者に前記ふらつき転倒リスク推定モデル、前記つまずき転倒リスク推定モデルおよび前記すべり転倒リスク推定モデルのいずれかに対応する転倒リスクがあることを前記コンピュータの出力部に出力させる処理を実行し、
前記演算部が、
前記転倒リスク推定モデルの前記説明変数として、前記第１指標乃至前記第２１指標と前記被験者特徴量における前記被験者平均動揺軌跡行列データの主成分得点の前記第１主成分乃至前記第Ｎ主成分をそれぞれ代入した際に、前記転倒リスク推定モデルにより算出された前記転倒リスク評価値が前記転倒リスク判断値未満であった場合には、前記被験者に転倒リスクがないことを前記コンピュータの出力部に出力させる処理を実行することを特徴とする歩行時転倒リスク評価装置。

【請求項2】

前記計測対象者の前記転倒経験有無データ、前記ふらつき転倒経験有無データ、前記つまずき転倒経験有無データ、および、前記すべり転倒経験有無データは、いずれも前記ベース計測データの計測後における所定期間にわたって収集されたものであることを特徴とする請求項１記載の歩行時転倒リスク評価装置。

【請求項3】

前記使用主成分範囲は、前記第１主成分から第２０主成分の範囲であることを特徴とする請求項１または２記載の歩行時転倒リスク評価装置。

【請求項4】

前記演算部が、前記被験者平均動揺軌跡行列データの前記主成分得点を算出する際は、
前記平均動揺軌跡行列データを主成分分析した際に得られた固有ベクトルを前記被験者平均動揺軌跡行列データに乗じて算出していることを特徴とする請求項１～３のうちのいずれか一項記載の歩行時転倒リスク評価装置。

【請求項5】

前記転倒リスク推定モデル、前記ふらつき転倒リスク推定モデル、前記つまずき転倒リスク推定モデルおよび前記すべり転倒リスク推定モデルは、いずれもニューラルネットワークによる機械学習によって作成されていることを特徴とする請求項１～４のうちのいずれか一項記載の歩行時転倒リスク評価装置。

【請求項6】

計測対象者の少なくとも腰部と胸背部にモーションセンサを装着して前記モーションセンサによって計測された前記計測対象者の歩行時において計測されたベース計測データと、前記ベース計測データの計測の前後いずれかにおいて予め設定した所定期間内における前記計測対象者の転倒経験の有無を示す転倒経験有無データ、ふらつきによる転倒経験の有無を示すふらつき転倒経験有無データ、つまずきによる転倒経験の有無を示すつまずき転倒経験有無データ、および、すべりによる転倒経験の有無を示すすべり転倒経験有無データがそれぞれ記憶部に記憶されたコンピュータの演算部に、
前記計測対象者のそれぞれに対し、前記ベース計測データに基づいて前記計測対象者の前記腰部と前記胸背部のそれぞれにおける平均動揺軌跡を算出し、前記平均動揺軌跡のデータを平均動揺軌跡データとして前記記憶部に記憶させる処理、
前記腰部の前記平均動揺軌跡データおよび前記胸背部の前記平均動揺軌跡データを行列データにおける１行の直列データとする行列成分生成処理を前記計測対象者のそれぞれに対して行方向に繰り返し実行し、平均動揺軌跡行列データを生成する処理、
前記計測対象者のそれぞれに対し、前記平均動揺軌跡行列データを主成分分析し、予め設定した所定累積寄与率になるまでの第１主成分から第Ｎ主成分（Ｎは２以上の自然数）までの範囲を使用主成分範囲として決定する処理、
前記計測対象者のそれぞれに対し、前記ベース計測データに基づいて算出した、前記腰部の左右方向の振幅を計測した第１指標、前記腰部の上下方向の振幅を計測した第２指標、前記腰部の前後方向の振幅を計測した第３指標、前記腰部を平面視した際における前記腰部の軌跡長を計測した第４指標、前記腰部を背面視した際における前記腰部の軌跡長を計測した第５指標、前記腰部を側面視した際における前記腰部の軌跡長を計測した第６指標、前記胸背部の左右方向の振幅を計測した第７指標、前記胸背部の上下方向の振幅を計測した第８指標、前記胸背部の前後方向の振幅を計測した第９指標、前記胸背部を平面視した際における前記胸背部の軌跡長を計測した第１０指標、前記胸背部を背面視した際における前記胸背部の軌跡長を計測した第１１指標、前記胸背部を側面視した際における前記胸背部の軌跡長を計測した第１２指標、右足着地時から次の右足着地時までの所要時間の平均値である第１３指標、左足着地時における前記腰部にかかる加速度を計測した第１４指標、前記右足着地時における前記腰部にかかる加速度を計測した第１５指標、前記胸背部に対する前記腰部の左右方向の動きの比である第１６指標、前記胸背部に対する前記腰部の前後方向の動きの比である第１７指標、前記腰部の前記平均動揺軌跡における曲率半径である第１８指標、前記右足着地時と前記左足着地時における前記腰部の高さ位置の差である第１９指標、前記腰部の前記平均動揺軌跡の左右対称性をあらわす第２０指標、および、前記胸背部の前記平均動揺軌跡の左右対称性をあらわす第２１指標と、前記使用主成分範囲における前記第１主成分乃至前記第Ｎ主成分と、を説明変数とし、前記転倒経験有無データを目的変数として、転倒リスク推定モデルを作成し、前記転倒リスク推定モデルを前記記憶部に記憶させる処理、
前記第１指標乃至前記第２１指標と、前記使用主成分範囲における前記第１主成分乃至前記第Ｎ主成分を前記説明変数とし、前記ふらつき転倒経験有無データを前記目的変数として、ふらつき転倒リスク推定モデルを作成し、前記ふらつき転倒リスク推定モデルを前記記憶部に記憶させる処理、
前記第１指標乃至前記第２１指標と、前記使用主成分範囲における前記第１主成分乃至前記第Ｎ主成分を前記説明変数とし、前記つまずき転倒経験有無データを前記目的変数として、つまずき転倒リスク推定モデルを作成し、前記つまずき転倒リスク推定モデルを前記記憶部に記憶させる処理、
前記第１指標乃至前記第２１指標と、前記使用主成分範囲における前記第１主成分乃至前記第Ｎ主成分と、を前記説明変数とし、前記すべり転倒経験有無データを前記目的変数として、すべり転倒リスク推定モデルを作成し、前記すべり転倒リスク推定モデルを前記記憶部に記憶させる処理、
をそれぞれ実行させた後、
少なくとも前記腰部と前記胸背部に前記モーションセンサを装着した転倒リスクの評価対象である被験者の歩行時において前記モーションセンサにより計測された被験者計測データを前記記憶部に記憶させる処理、
前記被験者計測データに基づいて、前記被験者の前記腰部と前記胸背部のそれぞれにおける被験者平均動揺軌跡を算出し、前記被験者平均動揺軌跡のデータを被験者平均動揺軌跡データとして前記記憶部に記憶させる処理、
前記腰部の前記被験者平均動揺軌跡データおよび前記胸背部の前記被験者平均動揺軌跡データを１行の行列データとする被験者平均動揺軌跡行列データを生成する処理、
前記被験者平均動揺軌跡行列データの主成分得点を算出し、前記使用主成分範囲に基づいて、前記被験者平均動揺軌跡行列データの主成分得点の前記第１主成分から前記第Ｎ主成分までの範囲を被験者特徴量として決定する処理、
前記転倒リスク推定モデルの前記説明変数として、前記第１指標乃至前記第２１指標と前記被験者特徴量における前記被験者平均動揺軌跡行列データの主成分得点の前記第１主成分乃至前記第Ｎ主成分を用いて、前記転倒リスク推定モデルにより算出された転倒リスク評価値が予め設定した転倒リスク判断値以上になった場合には、前記コンピュータの出力部に前記被験者の転倒リスクがあることを出力させると共に、前記ふらつき転倒リスク推定モデル、前記つまずき転倒リスク推定モデルおよび前記すべり転倒リスク推定モデルにおけるそれぞれの前記説明変数に、前記第１指標乃至前記第２１指標と前記被験者特徴量における前記被験者平均動揺軌跡行列データの主成分得点の前記第１主成分乃至前記第Ｎ主成分を各々代入した際に、前記ふらつき転倒リスク推定モデルにより算出されたふらつき転倒リスク評価値、前記つまずき転倒リスク推定モデルにより算出されたつまずき転倒リスク評価値および前記すべり転倒リスク推定モデルにより算出されたすべり転倒リスク評価値のいずれかがそれぞれの評価値に対応し、予め設定されたふらつき転倒リスク判断値、つまずき転倒リスク判断値、すべり転倒リスク判断値以上になった場合、前記被験者に前記ふらつき転倒リスク推定モデル、前記つまずき転倒リスク推定モデルおよび前記すべり転倒リスク推定モデルのいずれかに対応する転倒リスクがあることを前記コンピュータの出力部に出力させる処理、
前記転倒リスク推定モデルの前記説明変数として、前記第１指標乃至前記第２１指標と前記被験者特徴量における前記被験者平均動揺軌跡行列データの主成分得点の前記第１主成分乃至前記第Ｎ主成分をそれぞれ代入した際に、前記転倒リスク推定モデルにより算出された前記転倒リスク評価値が前記転倒リスク判断値未満であった場合には、前記被験者に転倒リスクがないことを前記コンピュータの出力部に出力させる処理、
をそれぞれ実行させることを特徴とする歩行時転倒リスク評価プログラム。

【請求項7】

前記計測対象者の前記転倒経験有無データ、前記ふらつき転倒経験有無データ、前記つまずき転倒経験有無データ、および、前記すべり転倒経験有無データは、いずれも前記ベース計測データの計測後における所定期間にわたって収集されたものであることを特徴とする請求項６記載の歩行時転倒リスク評価プログラム。

【請求項8】

前記使用主成分範囲は、前記第１主成分から第２０主成分の範囲であることを特徴とする請求項６または７記載の歩行時転倒リスク評価プログラム。

【請求項9】

前記被験者平均動揺軌跡行列データの前記主成分得点を算出する際は、
前記平均動揺軌跡行列データを主成分分析した際に得られた固有ベクトルを前記被験者平均動揺軌跡行列データに乗じることにより算出させていることを特徴とする請求項６～８のうちのいずれか一項記載の歩行時転倒リスク評価プログラム。

【請求項10】

前記転倒リスク推定モデル、前記ふらつき転倒リスク推定モデル、前記つまずき転倒リスク推定モデルおよび前記すべり転倒リスク推定モデルは、いずれもニューラルネットワークによる機械学習によって作成させていることを特徴とする請求項６～９のうちのいずれか一項記載の歩行時転倒リスク評価プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は歩行時転倒リスク評価装置および歩行時転倒リスク評価プログラムに関する。

【背景技術】

【0002】

近年、高齢者が歩行中に転倒して負傷し、この負傷が原因となって高齢者が自立した健康的な生活を送ることが困難になるといったケースが多くみられる。大半の人は、自分自身の現時点における歩行状態がどのようなものであるのかについて把握していないことが多く、特に高齢者においては、自分自身の歩行状態を把握していないことが転倒の原因になっていることが予想される。そこで出願人は、特許文献１（特開２０１７－３５４４９号公報）に開示されているように、被験者の歩行状態を容易に診断し、理想的な歩行状態に誘導することを可能にした歩行指導装置を提供している。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０１７－３５４４９号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

特許文献１に開示されている歩行指導装置は、被験者の腰部および胸背部にモーションセンサＭＳを装着し、モーションセンサＭＳの計測結果に基づいて腰部および胸背部における動作状況を算出し、動作状況から腰部および胸背部の動揺軌跡をコンピュータに解析させることで、被験者の現在の歩行状態を理想的な歩容に誘導するための運動メニューを提示することが可能である。しかしながら、現時点の歩行状態から被験者の歩行時における転倒リスクを評価することはできておらず、被験者の歩行状態に基づいた歩行時の転倒リスクを評価することができる機能の実装が望まれている。

【課題を解決するための手段】

【0005】

そこで本発明は、上述の要望に応えるためになされたものであって、その目的は次のとおりである。すなわち本発明は、計測対象者の腰部と胸背部にモーションセンサＭＳを装着し、計測対象者の歩行時における腰部と胸背部の平均動揺軌跡を算出し、平均動揺軌跡の３次元成分データである平均動揺軌跡データを主成分分析し、平均動揺軌跡データと所定範囲の主成分を説明変数とし、計測対象者の転倒歴データを目的変数として、転倒リスクの推定モデルを算出し、被験者の歩行時における腰部と胸背部の動きをモーションセンサにより計測し、被験者の歩行時における腰部と胸背部の平均動揺軌跡を算出することで、算出した推定モデルに基づいて被験者の歩行時における転倒リスクを評価することが可能な歩行時転倒リスク評価装置および歩行時転倒リスク評価プログラムを提供することにある。

【0006】

上述の課題を解決するため発明者が鋭意研究した結果、以下の構成に想到した。すなわち、本発明は、計測対象者の少なくとも腰部と胸背部にモーションセンサを装着し、前記モーションセンサによって計測された前記計測対象者の歩行時において計測されたベース計測データと、前記ベース計測データの計測の前後いずれかにおいて予め設定した所定期間内における前記計測対象者の転倒経験の有無を示す転倒経験有無データ、ふらつきによる転倒経験の有無を示すふらつき転倒経験有無データ、つまずきによる転倒経験の有無を示すつまずき転倒経験有無データ、および、すべりによる転倒経験の有無を示すすべり転倒経験有無データがそれぞれコンピュータの記憶部に入力され、前記コンピュータの演算部が、前記ベース計測データに基づいて前記計測対象者の前記腰部と前記胸背部のそれぞれにおける平均動揺軌跡を算出し、前記平均動揺軌跡のデータを平均動揺軌跡データとして前記記憶部に記憶させる処理を、前記計測対象者のそれぞれにおいて繰り返し実行し、前記演算部が、前記腰部の前記平均動揺軌跡データおよび前記胸背部の前記平均動揺軌跡データを行列データにおける１行の直列データとする行列成分生成処理を前記計測対象者のそれぞれに対して行方向に繰り返し実行し、平均動揺軌跡行列データを生成する処理を実行し、前記演算部が、前記平均動揺軌跡行列データを主成分分析し、予め設定した所定累積寄与率になるまでの第１主成分から第Ｎ主成分（Ｎは２以上の自然数）までの範囲を使用主成分範囲として決定する処理を前記計測対象者のそれぞれにおいて繰り返し実行し、前記演算部が、前記ベース計測データに基づいて算出した、前記腰部の左右方向の振幅を計測した第１指標、前記腰部の上下方向の振幅を計測した第２指標、前記腰部の前後方向の振幅を計測した第３指標、前記腰部を平面視した際における前記腰部の軌跡長を計測した第４指標、前記腰部を背面視した際における前記腰部の軌跡長を計測した第５指標、前記腰部を側面視した際における前記腰部の軌跡長を計測した第６指標、前記胸背部の左右方向の振幅を計測した第７指標、前記胸背部の上下方向の振幅を計測した第８指標、前記胸背部の前後方向の振幅を計測した第９指標、前記胸背部を平面視した際における前記胸背部の軌跡長を計測した第１０指標、前記胸背部を背面視した際における前記胸背部の軌跡長を計測した第１１指標、前記胸背部を側面視した際における前記胸背部の軌跡長を計測した第１２指標、右足着地時から次の右足着地時までの所要時間の平均値である第１３指標、左足着地時における前記腰部にかかる加速度を計測した第１４指標、前記右足着地時における前記腰部にかかる加速度を計測した第１５指標、前記胸背部に対する前記腰部の左右方向の動きの比である第１６指標、前記胸背部に対する前記腰部の前後方向の動きの比である第１７指標、前記腰部の前記平均動揺軌跡における曲率半径である第１８指標、前記右足着地時と前記左足着地時における前記腰部の高さ位置の差である第１９指標、前記腰部の前記平均動揺軌跡の左右対称性をあらわす第２０指標、および、前記胸背部の前記平均動揺軌跡の左右対称性をあらわす第２１指標と、前記使用主成分範囲における前記第１主成分乃至前記第Ｎ主成分と、を説明変数とし、前記転倒経験有無データを目的変数として、転倒リスク推定モデルを作成し、前記転倒リスク推定モデルを前記記憶部に記憶させる処理を実行し、前記演算部が、前記第１指標乃至前記第２１指標と、前記使用主成分範囲における前記第１主成分乃至前記第Ｎ主成分を前記説明変数とし、前記ふらつき転倒経験有無データを前記目的変数として、ふらつき転倒リスク推定モデルを作成し、前記ふらつき転倒リスク推定モデルを前記記憶部に記憶させる処理を実行し、前記演算部が、前記第１指標乃至前記第２１指標と、前記使用主成分範囲における前記第１主成分乃至前記第Ｎ主成分を前記説明変数とし、前記つまずき転倒経験有無データを前記目的変数として、つまずき転倒リスク推定モデルを作成し、前記つまずき転倒リスク推定モデルを前記記憶部に記憶させる処理を実行し、前記演算部が、前記第１指標乃至前記第２１指標と、前記使用主成分範囲における前記第１主成分乃至前記第Ｎ主成分と、を前記説明変数とし、前記すべり転倒経験有無データを前記目的変数として、すべり転倒リスク推定モデルを作成し、前記すべり転倒リスク推定モデルを前記記憶部に記憶させる処理を実行し、前記演算部が、少なくとも前記腰部と前記胸背部に前記モーションセンサを装着した転倒リスクの評価対象である被験者の歩行時において前記モーションセンサによって計測された被験者計測データを前記記憶部に記憶させ、前記演算部が、前記被験者計測データに基づいて、前記被験者の前記腰部と前記胸背部のそれぞれにおける被験者平均動揺軌跡を算出し、前記被験者平均動揺軌跡のデータを被験者平均動揺軌跡データとして前記記憶部に記憶させる処理を実行し、前記演算部が、前記腰部の前記被験者平均動揺軌跡データおよび前記胸背部の前記被験者平均動揺軌跡データを１行の行列データとする被験者平均動揺軌跡行列データを生成する処理を実行し、前記演算部が、前記被験者平均動揺軌跡行列データの主成分得点を算出し、前記使用主成分範囲に基づいて、前記被験者平均動揺軌跡行列データの主成分得点における前記第１主成分から前記第Ｎ主成分までの範囲を被験者特徴量として決定する処理を実行し、前記演算部が、前記転倒リスク推定モデルの前記説明変数として、前記第１指標乃至前記第２１指標と前記被験者特徴量における前記被験者平均動揺軌跡行列データの主成分得点の前記第１主成分乃至前記第Ｎ主成分をそれぞれ代入した際に、前記転倒リスク推定モデルにより算出された転倒リスク評価値が予め設定した転倒リスク判断値以上になった場合には、前記コンピュータの出力部に前記被験者の転倒リスクがあることを出力させると共に、前記ふらつき転倒リスク推定モデル、前記つまずき転倒リスク推定モデルおよび前記すべり転倒リスク推定モデルにおけるそれぞれの前記説明変数に、前記第１指標乃至前記第２１指標と前記被験者特徴量における前記被験者平均動揺軌跡行列データの主成分得点の前記第１主成分乃至前記第Ｎ主成分を各々代入した際に、前記ふらつき転倒リスク推定モデルにより算出されたふらつき転倒リスク評価値、前記つまずき転倒リスク推定モデルにより算出されたつまずき転倒リスク評価値および前記すべり転倒リスク推定モデルにより算出されたすべり転倒リスク評価値のいずれかがそれぞれの評価値に対応し、予め設定されたふらつき転倒リスク判断値、つまずき転倒リスク判断値、すべり転倒リスク判断値以上になった場合、前記被験者に前記ふらつき転倒リスク推定モデル、前記つまずき転倒リスク推定モデルおよび前記すべり転倒リスク推定モデルのいずれかに対応する転倒リスクがあることを前記コンピュータの出力部に出力させる処理を実行し、前記演算部が、前記転倒リスク推定モデルの前記説明変数として、前記第１指標乃至前記第２１指標と前記被験者特徴量における前記被験者平均動揺軌跡行列データの主成分得点の前記第１主成分乃至前記第Ｎ主成分をそれぞれ代入した際に、前記転倒リスク推定モデルにより算出された前記転倒リスク評価値が前記転倒リスク判断値未満であった場合には、前記被験者に転倒リスクがないことを前記コンピュータの出力部に出力させる処理を実行することを特徴とする歩行時転倒リスク評価装置である。

【0007】

これにより、歩行状態の計測と同様にして被験者の腰部と胸背部の動きを計測し、計測データに基づいた複数の指標および主成分データを推定モデルに代入することで被験者の歩行時における転倒リスクの評価を行うことができる。

【0008】

また、前記計測対象者の前記転倒経験有無データ、前記ふらつき転倒経験有無データ、前記つまずき転倒経験有無データ、および、前記すべり転倒経験有無データは、いずれも前記ベース計測データの計測後における所定期間にわたって収集されたものであることが好ましい。

【0009】

これにより、計測対象者の腰部と胸背部の平均動揺軌跡データを収集した後における計測対象者の転倒履歴データが蓄積されるため、将来における歩行時の転倒リスクの評価に適している。

【0010】

また、前記使用主成分範囲は、前記第１主成分から第２０主成分の範囲であることが好ましい。

【0011】

これにより、データ処理に用いるデータ数を少なくすることで、各種の転倒リスクの推定モデルの作成を容易に行うことができる。

【0012】

また、前記演算部が、前記被験者平均動揺軌跡行列データの前記主成分得点を算出する際は、前記平均動揺軌跡行列データを主成分分析した際に得られた固有ベクトルを前記被験者平均動揺軌跡行列データに乗じて算出していることが好ましい。

【0013】

これにより、被験者の歩行時において計測された計測データから短時間で主成分得点を算出することができる。

【0014】

また、前記転倒リスク推定モデル、前記ふらつき転倒リスク推定モデル、前記つまずき転倒リスク推定モデルおよび前記すべり転倒リスク推定モデルは、いずれもニューラルネットワークによる機械学習によって作成されていることが好ましい。

【0015】

これにより、各種の転倒リスク推定モデルの作成を効率的かつ正確に行うことができる。

【0016】

また、他の発明として、計測対象者の少なくとも腰部と胸背部にモーションセンサを装着して前記モーションセンサによって計測された前記計測対象者の歩行時において計測されたベース計測データと、前記ベース計測データの計測の前後いずれかにおいて予め設定した所定期間内における前記計測対象者の転倒経験の有無を示す転倒経験有無データ、ふらつきによる転倒経験の有無を示すふらつき転倒経験有無データ、つまずきによる転倒経験の有無を示すつまずき転倒経験有無データ、および、すべりによる転倒経験の有無を示すすべり転倒経験有無データがそれぞれ記憶部に記憶されたコンピュータの演算部に、前記計測対象者のそれぞれに対し、前記ベース計測データに基づいて前記計測対象者の前記腰部と前記胸背部のそれぞれにおける平均動揺軌跡を算出し、前記平均動揺軌跡のデータを平均動揺軌跡データとして前記記憶部に記憶させる処理、前記腰部の前記平均動揺軌跡データおよび前記胸背部の前記平均動揺軌跡データを行列データにおける１行の直列データとする行列成分生成処理を前記計測対象者のそれぞれに対して行方向に繰り返し実行し、平均動揺軌跡行列データを生成する処理、前記計測対象者のそれぞれに対し、前記平均動揺軌跡行列データを主成分分析し、予め設定した所定累積寄与率になるまでの第１主成分から第Ｎ主成分（Ｎは２以上の自然数）までの範囲を使用主成分範囲として決定する処理、前記計測対象者のそれぞれに対し、前記ベース計測データに基づいて算出した、前記腰部の左右方向の振幅を計測した第１指標、前記腰部の上下方向の振幅を計測した第２指標、前記腰部の前後方向の振幅を計測した第３指標、前記腰部を平面視した際における前記腰部の軌跡長を計測した第４指標、前記腰部を背面視した際における前記腰部の軌跡長を計測した第５指標、前記腰部を側面視した際における前記腰部の軌跡長を計測した第６指標、前記胸背部の左右方向の振幅を計測した第７指標、前記胸背部の上下方向の振幅を計測した第８指標、前記胸背部の前後方向の振幅を計測した第９指標、前記胸背部を平面視した際における前記胸背部の軌跡長を計測した第１０指標、前記胸背部を背面視した際における前記胸背部の軌跡長を計測した第１１指標、前記胸背部を側面視した際における前記胸背部の軌跡長を計測した第１２指標、右足着地時から次の右足着地時までの所要時間の平均値である第１３指標、左足着地時における前記腰部にかかる加速度を計測した第１４指標、前記右足着地時における前記腰部にかかる加速度を計測した第１５指標、前記胸背部に対する前記腰部の左右方向の動きの比である第１６指標、前記胸背部に対する前記腰部の前後方向の動きの比である第１７指標、前記腰部の前記平均動揺軌跡における曲率半径である第１８指標、前記右足着地時と前記左足着地時における前記腰部の高さ位置の差である第１９指標、前記腰部の前記平均動揺軌跡の左右対称性をあらわす第２０指標、および、前記胸背部の前記平均動揺軌跡の左右対称性をあらわす第２１指標と、前記使用主成分範囲における前記第１主成分乃至前記第Ｎ主成分と、を説明変数とし、前記転倒経験有無データを目的変数として、転倒リスク推定モデルを作成し、前記転倒リスク推定モデルを前記記憶部に記憶させる処理、前記第１指標乃至前記第２１指標と、前記使用主成分範囲における前記第１主成分乃至前記第Ｎ主成分を前記説明変数とし、前記ふらつき転倒経験有無データを前記目的変数として、ふらつき転倒リスク推定モデルを作成し、前記ふらつき転倒リスク推定モデルを前記記憶部に記憶させる処理、前記第１指標乃至前記第２１指標と、前記使用主成分範囲における前記第１主成分乃至前記第Ｎ主成分を前記説明変数とし、前記つまずき転倒経験有無データを前記目的変数として、つまずき転倒リスク推定モデルを作成し、前記つまずき転倒リスク推定モデルを前記記憶部に記憶させる処理、前記第１指標乃至前記第２１指標と、前記使用主成分範囲における前記第１主成分乃至前記第Ｎ主成分と、を前記説明変数とし、前記すべり転倒経験有無データを前記目的変数として、すべり転倒リスク推定モデルを作成し、前記すべり転倒リスク推定モデルを前記記憶部に記憶させる処理、をそれぞれ実行させた後、少なくとも前記腰部と前記胸背部に前記モーションセンサを装着した転倒リスクの評価対象である被験者の歩行時において前記モーションセンサにより計測された被験者計測データを前記記憶部に記憶させる処理、前記被験者計測データに基づいて、前記被験者の前記腰部と前記胸背部のそれぞれにおける被験者平均動揺軌跡を算出し、前記被験者平均動揺軌跡のデータを被験者平均動揺軌跡データとして前記記憶部に記憶させる処理、前記腰部の前記被験者平均動揺軌跡データおよび前記胸背部の前記被験者平均動揺軌跡データを１行の行列データとする被験者平均動揺軌跡行列データを生成する処理、前記被験者平均動揺軌跡行列データの主成分得点を算出し、前記使用主成分範囲に基づいて、前記被験者平均動揺軌跡行列データの主成分得点の前記第１主成分から前記第Ｎ主成分までの範囲を被験者特徴量として決定する処理、前記転倒リスク推定モデルの前記説明変数として、前記第１指標乃至前記第２１指標と前記被験者特徴量における前記被験者平均動揺軌跡行列データの主成分得点の前記第１主成分乃至前記第Ｎ主成分を用いて、前記転倒リスク推定モデルにより算出された転倒リスク評価値が予め設定した転倒リスク判断値以上になった場合には、前記コンピュータの出力部に前記被験者の転倒リスクがあることを出力させると共に、前記ふらつき転倒リスク推定モデル、前記つまずき転倒リスク推定モデルおよび前記すべり転倒リスク推定モデルにおけるそれぞれの前記説明変数に、前記第１指標乃至前記第２１指標と前記被験者特徴量における前記被験者平均動揺軌跡行列データの主成分得点の前記第１主成分乃至前記第Ｎ主成分を各々代入した際に、前記ふらつき転倒リスク推定モデルにより算出されたふらつき転倒リスク評価値、前記つまずき転倒リスク推定モデルにより算出されたつまずき転倒リスク評価値および前記すべり転倒リスク推定モデルにより算出されたすべり転倒リスク評価値のいずれかがそれぞれの評価値に対応し、予め設定されたふらつき転倒リスク判断値、つまずき転倒リスク判断値、すべり転倒リスク判断値以上になった場合、前記被験者に前記ふらつき転倒リスク推定モデル、前記つまずき転倒リスク推定モデルおよび前記すべり転倒リスク推定モデルのいずれかに対応する転倒リスクがあることを前記コンピュータの出力部に出力させる処理、前記転倒リスク推定モデルの前記説明変数として、前記第１指標乃至前記第２１指標と前記被験者特徴量における前記被験者平均動揺軌跡行列データの主成分得点の前記第１主成分乃至前記第Ｎ主成分をそれぞれ代入した際に、前記転倒リスク推定モデルにより算出された前記転倒リスク評価値が前記転倒リスク判断値未満であった場合には、前記被験者に転倒リスクがないことを前記コンピュータの出力部に出力させる処理、をそれぞれ実行させることを特徴とする歩行時転倒リスク評価プログラムがある。

【0017】

これにより、歩行状態の計測と同様にして被験者の腰部と胸背部の動きを計測し、計測データに基づいた複数の指標および主成分データを推定モデルに代入することで被験者の歩行時における転倒リスクの評価を行うことができる。

【0018】

また、前記計測対象者の前記転倒経験有無データ、前記ふらつき転倒経験有無データ、前記つまずき転倒経験有無データ、および、前記すべり転倒経験有無データは、いずれも前記ベース計測データの計測後における所定期間にわたって収集されたものであることが好ましい。

【0019】

これにより、計測対象者の腰部と胸背部の平均動揺軌跡データを収集した後における計測対象者の転倒履歴データが蓄積されるため、将来における歩行時の転倒リスクの評価に適している。

【0020】

また、前記使用主成分範囲は、前記第１主成分から第２０主成分の範囲であることが好ましい。

【0021】

これにより、データ処理に用いるデータ数を少なくすることで、各種の転倒リスクの推定モデルの作成を容易に行うことができる。

【0022】

また、前記被験者平均動揺軌跡行列データの前記主成分得点を算出する際は、前記平均動揺軌跡行列データを主成分分析した際に得られた固有ベクトルを前記被験者平均動揺軌跡行列データに乗じることにより算出させていることが好ましい。

【0023】

これにより、被験者の歩行時において計測された計測データから短時間で主成分得点を算出することができる。

【0024】

また、前記転倒リスク推定モデル、前記ふらつき転倒リスク推定モデル、前記つまずき転倒リスク推定モデルおよび前記すべり転倒リスク推定モデルは、いずれもニューラルネットワークによる機械学習によって作成させていることが好ましい。

【0025】

これにより、各種の転倒リスク推定モデルの作成を効率的かつ正確に行うことができる。

【発明の効果】

【0026】

本開示における歩行時転倒リスク評価装置および歩行時転倒リスク評価プログラムの構成を採用することにより、歩行状態の計測と同様にして被験者の腰部と胸背部の動きをモーションセンサで計測し、計測データに基づいた複数の指標および主成分データを推定モデルに代入することで被験者の歩行時における転倒リスクの評価を行うことが可能になる。

【図面の簡単な説明】

【0027】

【図1】本実施形態における歩行時転倒リスク評価装置の概略構成図である。

【図2】計測対象者および被験者の腰部と胸背部にモーションセンサを装着した状態を示す説明図である。

【図3】本実施形態における歩行時転倒リスク評価装置の処理フロー図である。

【図4】図３の処理フロー図のつづきである。

【図5】図４の処理フロー図のつづきである。

【図6】モーションセンサの計測データから算出した平均動揺軌跡を示す説明図と、平均動揺軌跡データの内訳を示す説明図である。

【図7】平均動揺軌跡データを用いて平均動揺軌跡行列データを作成した状態を示す説明図である。

【図8】平均動揺軌跡データの行成分に平均動揺軌跡行列データの固有ベクトルを乗じて平均動揺軌跡行列データの主成分得点を得た状態を示す説明図である。

【図9】主成分得点から使用主成分範囲を抽出して特徴量を得た状態を示す説明図である。

【図10】転倒リスク推定モデルの作成方法を示す説明図である。

【図11】ふらつき転倒リスク推定モデル、つまずき転倒リスク推定モデルおよびすべり転倒リスク推定モデルの作成方法を示す説明図である。

【図12】平均動揺軌跡データから算出された各指標の名称と各指標の具体的な内容を示す一覧図である。

【図13】被験者平均動揺軌跡データから算出した指標と使用主成分範囲から抽出した主成分を推定モデルに代入し、各種の歩行時における転倒リスクの評価値を算出している説明図である。

【図14】被験者計測データに基づいた被験者の転倒リスク等の出力画面例を示す説明図である。

【図15】被験者計測データに基づいた被験者の転倒リスク等の出力画面例を示す説明図である。

【発明を実施するための形態】

【0028】

以下、図面を参照しながら本発明にかかる歩行時転倒リスク評価装置１００の実施形態について説明を行う。図１に示すように本実施形態における歩行時転倒リスク評価装置１００は、一般的なコンピュータにより構成することができる。具体的には、ＣＰＵに代表される演算部１０、演算部１０に歩行時転倒リスク評価装置１００としての動作を実行させるための歩行時転倒リスク評価プログラムＰＧＭや各種データ等が記憶可能な不揮発性記録媒体等に代表される記憶部２０を有している。演算部１０と記憶部２０は内部バス３０により接続されている。また、演算部１０には、マウス、キーボードおよび無線通信手段に代表されるデータ入力部４０およびディスプレーに代表される出力部５０が内部バス３０を介して接続されている。

【0029】

記憶部２０には、図２に示すように複数の計測対象者２００に対し少なくとも腰部ＹＢと胸背部ＫＢの２箇所にモーションセンサＭＳを装着し、計測対象者２００の歩行時において計測された腰部ＹＢおよび胸背部ＫＢの計測データであるベース計測データＢＫＤが複数記憶される（Ｂ－１）。モーションセンサＭＳが計測したベース計測データＢＫＤは、データ入力部４０を介して記憶部２０に記憶させることができる。ここではＸ人（Ｘは自然数である。以下同じ）の計測対象者２００に対して同様の処理を繰り返し行った。

【0030】

演算部１０は、歩行時転倒リスク評価プログラムＰＧＭに基づいて記憶部２０からベース計測データＢＫＤを読み出しすると共に、図６に示すような腰部ＹＢと胸背部ＫＢの平均動揺軌跡ＨＤＫを算出（Ｂ－２）する処理を実行する。引き続き演算部１０は、歩行時転倒リスク評価プログラムＰＧＭに基づいて算出した腰部ＹＢおよび胸背部ＫＢの平均動揺軌跡ＨＤＫのＸ成分（１０１成分）、Ｙ成分（１０１成分）、Ｚ成分（１０１成分）を平均動揺軌跡データＨＤＫＤとして算出（Ｂ－３）する処理を実行する。このようにして算出された腰部ＹＢおよび胸背部ＫＢの平均動揺軌跡データＨＤＫＤは、図６に示すように合計６０６成分になり、記憶部２０に記憶される。

【0031】

次に演算部１０は、歩行時転倒リスク評価プログラムＰＧＭに基づいて腰部ＹＢおよび胸背部ＫＢの平均動揺軌跡データＨＤＫＤの６０６成分を上述の記載順に計測対象者２００一人当たり１行６０６列の直列データである行列成分ＧＳの形式となるように結合させる処理（行列成分生成処理：Ｂ－４）を実行する。演算部１０は、歩行時転倒リスク評価プログラムＰＧＭに基づいてＸ人の計測対象者２００に対して同様に１行６０６列の直列データを生成し、計測対象者２００毎に行方向に配置することでＸ行６０６列からなる平均動揺軌跡行列データＨＤＫＧＤを作成すると共に記憶部２０に記憶させる処理（Ｂ－５）を実行する。

【0032】

次に演算部１０は、歩行時転倒リスク評価プログラムＰＧＭに基づいて平均動揺軌跡行列データＨＤＫＧＤに対して主成分分析を実行し、平均動揺軌跡行列データＨＤＫＧＤの固有ベクトルＫＶを算出し、記憶部２０に記憶させる処理（Ｂ－６）を実行する。次に演算部１０は、歩行時転倒リスク評価プログラムＰＧＭに基づいて、平均動揺軌跡データＨＤＫＤの６０６成分を１行６０６列にした行列成分ＧＳに固有ベクトルＫＶを乗じて平均動揺軌跡データ主成分得点ＳＴを算出すると共に記憶部２０に記憶させる処理（Ｂ－７）を実行する。続いて演算部１０は、歩行時転倒リスク評価プログラムＰＧＭに基づいて平均動揺軌跡データ主成分得点ＳＴの第１主成分から第６０６主成分までの各寄与率を第１主成分の寄与率から順番に累積して累積寄与率ＲＫＲを算出すると共に記憶部２０に記憶させ（Ｂ－８）、累積寄与率ＲＫＲが記憶部２０に予め記憶されている所定累積寄与率ＳＲＫＲ以上であるか否かを判断（Ｂ－９）し、累積寄与率ＲＫＲが所定累積寄与率ＳＲＫＲ未満のとき（Ｂ－９のＮｏ）は（Ｂ－８）を繰り返し実行する。なお、本実施形態における所定累積寄与率ＳＲＫＲは９５％を設定している。

【0033】

演算部１０により累積寄与率ＲＫＲが所定累積寄与率ＳＲＫＲ以上になったことが判断される（Ｂ－９のＹｅｓ）と、その時点における第１主成分から第Ｎ主成分（Ｎは２以上の自然数：以下同様）までを使用主成分範囲ＳＳＨとして決定すると共に記憶部２０に記憶させる処理（Ｂ－１０）を実行する。次に演算部１０は、使用主成分範囲ＳＳＨに該当する平均動揺軌跡データ主成分得点ＳＴの第１主成分から第Ｎ主成分までを抽出したものを特徴量ＴＲとして記憶部２０に記憶させる処理（Ｂ－１１）を実行する。本実施形態で設定した所定累積寄与率ＳＲＫＲを９５％とした場合、使用主成分範囲ＳＳＨは２０となり、平均動揺軌跡データ主成分得点ＳＴの第１主成分から第２０主成分までを抽出したものが特徴量ＴＲになる。

【0034】

また、演算部１０は歩行時転倒リスク評価プログラムＰＧＭに基づいて、記憶部２０からベース計測データＢＫＤまたは平均動揺軌跡データＨＤＫＤを読み出し、いずれかより図１２に示すような第１指標Ｓ１乃至第２１指標Ｓ２１を算出すると共に、それぞれを記憶部２０に記憶させる処理（Ｂ－１２）を実行する。第１指標Ｓ１は、腰部ＹＢの左右方向の振幅をあらわす数値データである。第２指標Ｓ２は、腰部ＹＢの上下方向の振幅をあらわす数値データである。第３指標Ｓ３は、腰部ＹＢの前後方向の振幅をあらわす数値データである。第４指標Ｓ４は、腰部ＹＢを平面視した際における腰部ＹＢの軌跡長をあらわす数値データである。第５指標Ｓ５は、腰部ＹＢを背面視した際における腰部ＹＢの軌跡長をあらわす数値データである。第６指標Ｓ６は、腰部ＹＢを側面視（ここでは左側面視としているが、右側面視とすることもできる。以下同様）した際における腰部ＹＢの軌跡長をあらわす数値データである。

【0035】

第７指標Ｓ７は、胸背部ＫＢの左右方向の振幅をあらわす数値データである。第８指標Ｓ８は、胸背部ＫＢの上下方向の振幅をあらわす数値データである。第９指標Ｓ９は、胸背部ＫＢの前後方向の振幅をあらわす数値データである。第１０指標Ｓ１０は、胸背部ＫＢを平面視した際における胸背部ＫＢの軌跡長をあらわす数値データである。第１１指標Ｓ１１は、胸背部ＫＢを背面視した際における胸背部ＫＢの軌跡長をあらわす数値データである。第１２指標Ｓ１２は、胸背部ＫＢを側面視した際における胸背部ＫＢの軌跡長をあらわす数値データである。第１３指標Ｓ１３は、右足着地時から次の右足着地時までの所要時間の平均値をあらわす数値データである。第１４指標Ｓ１４は、左足着地時における腰部ＹＢにかかる加速度をあらわす数値データである。第１５指標Ｓ１５は、右足着地時における腰部ＹＢにかかる加速度をあらわす数値データである。

【0036】

第１６指標Ｓ１６は、胸背部ＫＢに対する腰部ＹＢの左右方向の動きの比を示す数値データである。第１７指標Ｓ１７は、胸背部ＫＢに対する腰部ＹＢの前後方向の動きの比を示す数値データである。第１８指標Ｓ１８は、腰部ＹＢの平均動揺軌跡ＨＤＫにおける曲率半径の数値データである。第１９指標Ｓ１９は、右足着地時と左足着地時における腰部ＹＢの高さ位置の差を示す数値データである。第２０指標Ｓ２０は、腰部ＹＢの平均動揺軌跡ＨＤＫの左右対称性をあらわす数値データである。第２１指標Ｓ２１は、胸背部ＫＢの平均動揺軌跡ＨＤＫの左右対称性をあらわす数値データである。

【0037】

また、記憶部２０には、ベース計測データＢＫＤを提供したＸ人の計測対象者２００がベース計測データＢＫＤを提供した後の予め設定した所要期間にわたって収集した計測対象者２００の転倒の有無を示す転倒経験有無データＴＫＤ１、ふらつきによる転倒経験の有無を示すふらつき転倒経験有無データＴＫＤ２、つまずきによる転倒経験の有無を示すつまずき転倒経験有無データＴＫＤ３、および、すべりによる転倒経験の有無を示すすべり転倒経験有無データＴＫＤ４が記憶されている。ここでは、演算部１０がデータ入力部４０から入力された計測対象者２００がベース計測データＢＫＤを提供した後の６か月間にわたって収集された転倒経験有無データＴＫＤ１乃至すべり転倒経験有無データＴＫＤ４を記憶部２０に記憶させる処理（Ｂ－１３）を実行している。

【0038】

演算部１０は歩行時転倒リスク評価プログラムＰＧＭに基づいて、Ｘ人の計測対象者２００のそれぞれに対し、第１指標Ｓ１乃至第２１指標Ｓ２１と特徴量ＴＲとを説明変数とし、転倒経験有無データＴＫＤ１を目的変数として、転倒リスク推定モデルＳＭ１を生成し、転倒リスク推定モデルＳＭ１を記憶部２０に記憶させる処理（Ｂ－１４）を実行する。ここでは、計測対象者２００一人当たり４１個の説明変数（転倒予測因子）が得られるので、４１個のＸ倍の説明変数を有することになる。本実施形態においては、演算部１０が歩行時転倒リスク評価プログラムＰＧＭに基づいて、Ｘ人分の説明変数を用いてニューラルネットワークによる機械学習を行うことにより、４１個の説明変数から目的変数（ここでは歩行時における転倒リスクの数値）が得られる多項式からなる転倒リスク推定モデルＳＭ１を生成すると共に転倒リスク推定モデルＳＭ１を記憶部２０に記憶させる処理を実行している。

【0039】

続いて演算部１０は歩行時転倒リスク評価プログラムＰＧＭに基づいて、計測対象者２００のそれぞれに対し、第１指標Ｓ１乃至第２１指標Ｓ２１と特徴量ＴＲとを説明変数とし、ふらつき転倒経験有無データＴＫＤ２を目的変数として、ふらつき転倒リスク推定モデルＳＭ２を生成し、ふらつき転倒リスク推定モデルＳＭ２を記憶部２０に記憶させる処理（Ｂ－１５）を実行する。ふらつき転倒リスク推定モデルＳＭ２の生成手法は、転倒リスク推定モデルＳＭ１の生成手法と同様にして行うことができる。すなわち、ふらつき転倒リスク推定モデルＳＭ２は、４１個の説明変数から目的変数（ここではふらつき転倒リスクの数値）が得られる多項式となる。

【0040】

続いて演算部１０は歩行時転倒リスク評価プログラムＰＧＭに基づいて、計測対象者２００のそれぞれに対し、第１指標Ｓ１乃至第２１指標Ｓ２１と特徴量ＴＲとを説明変数とし、つまずき転倒経験有無データＴＫＤ３を目的変数として、つまずき転倒リスク推定モデルＳＭ３を生成し、つまずき転倒リスク推定モデルＳＭ３を記憶部２０に記憶させる処理（Ｂ－１６）を実行する。つまずき転倒リスク推定モデルＳＭ３の生成手法は、転倒リスク推定モデルＳＭ１の生成手法と同様にして行うことができる。すなわち、つまずき転倒リスク推定モデルＳＭ３は、４１個の説明変数から目的変数（ここではつまずき転倒リスクの数値）が得られる多項式となる。

【0041】

続いて演算部１０は歩行時転倒リスク評価プログラムＰＧＭに基づいて、計測対象者２００のそれぞれに対し、第１指標Ｓ１乃至第２１指標Ｓ２１と特徴量ＴＲとを説明変数とし、すべり転倒経験有無データＴＫＤ４を目的変数として、すべり転倒リスク推定モデルＳＭ４を生成し、すべり転倒リスク推定モデルＳＭ４を記憶部２０に記憶させる処理（Ｂ－１７）を実行する。すべり転倒リスク推定モデルＳＭ４の生成手法は、転倒リスク推定モデルＳＭ１の生成手法と同様にして行うことができる。すなわち、すべり転倒リスク推定モデルＳＭ４は、４１個の説明変数から目的変数（ここではすべり転倒リスクの数値）が得られる多項式となる。

【0042】

そして演算部１０は歩行時転倒リスク評価プログラムＰＧＭに基づいて、少なくとも腰部ＹＢと胸背部ＫＢにモーションセンサＭＳを装着した転倒リスクの評価対象者である被験者３００の歩行時においてモーションセンサＭＳにより計測された計測データを被験者計測データＨＫＤとして記憶部２０に記憶させる処理（Ｓ－１）を実行する。

【0043】

つづいて演算部１０は歩行時転倒リスク評価プログラムＰＧＭに基づいて、記憶部２０から被験者計測データＨＫＤを読み出しすると共に、図６に示すような腰部ＹＢと胸背部ＫＢの被験者平均動揺軌跡ＨＨＤＫを算出する処理（Ｓ－２）を実行する。引き続き演算部１０は、歩行時転倒リスク評価プログラムＰＧＭに基づいて算出した腰部ＹＢおよび胸背部ＫＢの被験者平均動揺軌跡ＨＨＤＫの３次元成分であるＸ成分（１０１成分）、Ｙ成分（１０１成分）、Ｚ成分（１０１成分）を被験者平均動揺軌跡データＨＨＤＫＤとして算出する処理（Ｓ－３）を実行する。このようにして算出された腰部ＹＢおよび胸背部ＫＢの被験者平均動揺軌跡データＨＨＤＫＤは、図６（Ｂ）に示すように合計６０６成分になり、記憶部２０に記憶される。

【0044】

次に演算部１０は歩行時転倒リスク評価プログラムＰＧＭに基づいて、腰部ＹＢおよび胸背部ＫＢの被験者平均動揺軌跡データＨＨＤＫＤの６０６成分を上述の記載順に直列に結合して１行６０６列の行列データ形式にした被験者平均動揺軌跡行列データＨＨＤＫＧＤを作成する。作成された被験者平均動揺軌跡行列データＨＨＤＫＧＤは、演算部１０により記憶部２０に記憶（Ｓ－４）される。

【0045】

次に演算部１０は歩行時転倒リスク評価プログラムＰＧＭに基づいて、被験者平均動揺軌跡行列データＨＨＤＫＧＤに対し、先に算出した平均動揺軌跡行列データＨＤＫＧＤの固有ベクトルＫＶを乗じて、被験者平均動揺軌跡行列データＨＨＤＫＧＤの主成分得点である被験者平均動揺軌跡データ主成分得点ＨＳＴを算出すると共に記憶部２０に記憶させる処理（Ｓ－５）を実行する。続いて演算部１０は歩行時転倒リスク評価プログラムＰＧＭに基づいて、予め決定した使用主成分範囲ＳＳＨに基づき被験者平均動揺軌跡データ主成分得点ＨＳＴの第１主成分から第２０主成分までを抽出して被験者特徴量ＨＴＲを算出して記憶部２０に記憶させる（Ｓ－６）。

【0046】

また、演算部１０は歩行時転倒リスク評価プログラムＰＧＭに基づいて、記憶部２０から被験者計測データＨＫＤまたは被験者平均動揺軌跡データＨＨＤＫＤを読み出し、いずれかより図１２に示すような第１指標Ｓ１乃至第２１指標Ｓ２１を算出する処理（Ｓ－７）を実行し、それぞれを記憶部２０に記憶させる処理を実行する。第１指標Ｓ１乃至第２１指標Ｓ２１の詳細は、計測対象者２００により計測されたベース計測データＢＫＤにおけるデータ処理についての説明と等しいため、ここでの詳細な説明は省略する。

【0047】

演算部１０は歩行時転倒リスク評価プログラムＰＧＭに基づいて、記憶部２０から転倒リスク推定モデルＳＭ１、ふらつき転倒リスク推定モデルＳＭ２、つまずき転倒リスク推定モデルＳＭ３、および、すべり転倒リスク推定モデルＳＭ４をそれぞれ読み出しする。続いて演算部１０は歩行時転倒リスク評価プログラムＰＧＭに基づいて、図１３に示すように、被験者３００の第１指標Ｓ１乃至第２１指標Ｓ２１と被験者特徴量ＨＴＲを転倒リスク推定モデルＳＭ１に代入して被験者３００の転倒リスク評価値Ｒ１を算出し、算出した転倒リスク評価値Ｒ１を記憶部２０に記憶させる処理（Ｓ－８）を実行する。そして演算部１０は、転倒リスク評価値Ｒ１と記憶部２０に予め記憶されている転倒リスク判断値Ｊ１との比較（Ｓ－９）を行い、転倒リスク評価値Ｒ１が転倒リスク判断値Ｊ１以上であるとき（Ｓ－９のＹｅｓ）は、出力部５０に被験者３００に転倒リスクがある旨を表示する処理（Ｓ－１０）を実行する。

【0048】

以上に引き続き演算部１０は歩行時転倒リスク評価プログラムＰＧＭに基づいて、第１指標Ｓ１乃至第２１指標Ｓ２１と被験者特徴量ＨＴＲを、ふらつき転倒リスク推定モデルＳＭ２、つまずき転倒リスク推定モデルＳＭ３、および、すべり転倒リスク推定モデルＳＭ４のそれぞれに代入し、ふらつき転倒リスク評価値Ｒ２、つまずき転倒リスク評価値Ｒ３、および、すべり転倒リスク評価値Ｒ４をそれぞれ算出すると共に記憶部２０に記憶させる処理（Ｓ－１１）を実行する。

【0049】

そして演算部１０は歩行時転倒リスク評価プログラムＰＧＭに基づいて、ふらつき転倒リスク評価値Ｒ２と記憶部２０に予め記憶されているふらつき転倒リスク判断値Ｊ２を比較（Ｓ－１２）し、ふらつき転倒リスク評価値Ｒ２がふらつき転倒リスク判断値Ｊ２以上であるとき（Ｓ－１２のＹｅｓ）は、演算部１０が被験者３００にふらつき転倒リスクがある旨を出力部５０に出力させる処理（Ｓ－１３）を実行する。演算部１０により、ふらつき転倒リスク評価値Ｒ２がふらつき転倒リスク判断値Ｊ２未満であるとき（Ｓ－１２のＮｏ）は（Ｓ－１３）の次の処理に進む。次に演算部１０は歩行時転倒リスク評価プログラムＰＧＭに基づいて、つまずき転倒リスク評価値Ｒ３がつまずき転倒リスク判断値Ｊ３を比較（Ｓ－１４）し、つまずき転倒リスク評価値Ｒ３がつまずき転倒リスク判断値Ｊ３以上であるとき（Ｓ－１４のＹｅｓ）は、演算部１０が被験者３００につまずき転倒リスクがある旨を出力部５０に出力させる処理（Ｓ－１５）を実行する。演算部１０により、つまずき転倒リスク評価値Ｒ３がつまずき転倒リスク判断値Ｊ３未満であるとき（Ｓ－１４のＮｏ）は（Ｓ－１５）の次の処理に進む。

【0050】

そして、演算部１０は歩行時転倒リスク評価プログラムＰＧＭに基づいて、すべり転倒リスク評価値Ｒ４とすべり転倒リスク判断値Ｊ４を比較（Ｓ－１６）し、すべり転倒リスク評価値Ｒ４がすべり転倒リスク判断値Ｊ４以上であるとき（Ｓ－１６のＹｅｓ）は、演算部１０が被験者３００にすべり転倒リスクがある旨を出力部５０に出力させる処理（Ｓ－１７）を実行する。すべり転倒リスク評価値Ｒ４がすべり転倒リスク判断値Ｊ４未満であると演算部１０により判断されたとき（Ｓ－１６のＮｏ）は、演算部１０は歩行時転倒リスク評価における処理を終了させる（ＥＮＤ）。

【0051】

なお、転倒リスク評価値Ｒ１が転倒リスク判断値Ｊ１以上であるときは、ふらつき転倒リスク評価値Ｒ２、つまずき転倒リスク評価値Ｒ３、および、すべり転倒リスク評価値Ｒ４の少なくとも１つは、ふらつき転倒リスク判断値Ｊ２、つまずき転倒リスク判断値Ｊ３、および、すべり転倒リスク判断値Ｊ４以上になる。

【0052】

また、演算部１０は歩行時転倒リスク評価プログラムＰＧＭに基づいて、転倒リスク評価値Ｒ１が転倒リスク判断値Ｊ１未満であると判断したとき（Ｓ－９のＮｏ）には、出力部５０であるモニタに、被験者３００には現時点では転倒リスクがない旨を出力させる処理（Ｓ－１８）を実行して歩行時転倒リスク評価における処理を終了する（ＥＮＤ）。

【0053】

さらに演算部１０は歩行時転倒リスク評価プログラムＰＧＭに基づいて、被験者３００の転倒リスク評価値Ｒ１が転倒リスク判断値Ｊ１未満であった場合、被験者３００の転倒リスク評価値Ｒ１が転倒リスク判断値Ｊ１以上であった場合のいずれにおいても、次の処理を追加実行してもよい。演算部１０は歩行時転倒リスク評価プログラムＰＧＭに基づいて、図１４に示すように、転倒リスク評価値Ｒ１、ふらつき転倒リスク評価値Ｒ２、つまずき転倒リスク評価値Ｒ３、および、すべり転倒リスク評価値Ｒ４の各数値を合計して総転倒リスク評価値ΣＲを算出し、算出した総転倒リスク評価値ΣＲと予め記憶部２０に記憶させてある段階評価値とを比較して、被験者３００の転倒リスクを『安心』、『やや安心』、『やや心配』および『心配』の４段階評価を出力部５０に出力させる処理を実行してもよい。

【0054】

また、図１４に出力切替ボタン（図示はせず）を設ければ、使用者が出力切替ボタンをクリックすると、演算部１０が歩行時転倒リスク評価プログラムＰＧＭに基づいて、出力部５０への出力画面を図１５に示す画面に切り替える処理を実行させることもできる。図１５の上部には被験者３００の属性を示す被験者属性データＨＺＤが表示されている。被験者属性データＨＺＤは左から順に、データ名称、性別、年齢、転倒歴の有無および所属グループが表示されている。図１５の中段左側部分には、被験者計測データＨＫＤから算出した被験者３００の歩行特徴指標と、過去に蓄積したベース計測データＢＫＤに基づくデータベースとを比較し、上体のふらつき、筋活動の連携、動きの滑らかさ、支持性の左右差、腰の動きの左右差および背中の動きの左右差の項目に対する被験者３００の歩行特徴指標のデータベースに対する相対評価（偏差値）を示すレーダーチャートＲＣが表示されている。

【0055】

また、図１５の中段右側部分には、被験者３００の総転倒リスク評価値ΣＲと転倒リスクが表示されている。さらに図１５の下段左側部分には、被験者３００を被験者３００の左横、後方および頭上から臨んだ被験者平均動揺軌跡ＨＨＤＫが出力されている。さらにまた図１５の下段右側部分には、縦軸に腰の動きの左右対称性を取り、横軸に年齢を取ったグラフＧＲＰが表示されている。グラフＧＲＰにおける線ＺＴはデータベース全体における年代平均を示し、線ＧＲは被験者３００の所属グループにおける年代平均を示している。プロットされた点は被験者３００（本人）のデータを示している。被験者３００は図１４に加えて図１５を参照することで、データベースや被験者３００の所属グループにおける被験者３００（本人）の現状を客観的に把握することができる。なお、図１５においては、グラフＧＲＰの縦軸に腰の動きの左右対称性を取った形態について説明しているが、縦軸にレーダーチャートＲＣの各項目や転倒リスク（ふらつき転倒リスク、つまずき転倒リスクおよびすべり転倒リスクとすることもできる）を取ったグラフにすることもできる。

【0056】

以上により、モーションセンサＭＳにより計測された被験者計測データＨＫＤから現時点における被験者３００の歩行時における転倒リスクの有無の評価ができる。また、歩行時における転倒リスクがあると評価された場合には、その転倒リスクが、ふらつき転倒リスク、つまずき転倒リスク、および、すべり転倒リスクのいずれかに該当するかについても評価することができる点で好都合である。そして、演算部１０は歩行時転倒リスク評価プログラムＰＧＭに基づいて、被験者３００にふらつき転倒リスク、つまずき転倒リスク、および、すべり転倒リスクがあると評価された（図１４内のいずれかの該当リスク表示ＧＲＨが点灯等した）とき、記憶部２０に予め記憶されているそれぞれの転倒リスクに対応する歩行改善体操画像ＫＴＧを出力部５０に出力する処理を実行することもできる。これにより、被験者３００に対し、歩行時の転倒リスクを低減させるための施策を被験者３００に提案することができる。出力部５０への歩行改善体操画像ＫＴＧの出力は、静止画像のみではなく動画を出力させることも可能である。

【0057】

引き続き他の被験者３００の歩行時における転倒リスクの評価を行う場合には、転倒リスク推定モデルＳＭ１、ふらつき転倒リスク推定モデルＳＭ２、つまずき転倒リスク推定モデルＳＭ３、および、すべり転倒リスク推定モデルＳＭ４は、既に記憶部２０に記憶されているので、先に説明した被験者３００と同様の被験者計測データＨＫＤのデータ処理手順を演算部１０に実行させれば、他の被験者３００に対する歩行時における転倒リスクの有無の評価、転倒リスクがあると評価された場合には、そのリスクがふらつき転倒リスク、つまずき転倒リスク、および、すべり転倒リスクのいずれかに該当するのかについての出力部５０への出力を先の被験者３００と同様におこなうことができる。

【0058】

また、それぞれの被験者３００の一連のデータを記憶部２０に個別の被験者３００に対応させた状態で記憶させておき、後に特定の被験者３００の被験者計測データＨＫＤの計測および演算部１０による一連のデータ処理を上述の内容で実行し、以前の評価結果と今回の評価結果をリスクの推移ＲＴとして同時に出力部５０に出力させる処理を実行させてもよい。このような処理を演算部１０に実行させることで、特定の被験者３００の歩行状態の改善状況を時系列に沿って確認することができ、継続的に被験者３００に歩行時における転倒リスクが少なくなるような歩行への改善を促すことができる点で好都合である。

【0059】

以上に本実施形態における歩行時転倒リスク評価装置１００について説明したが、本発明の技術的範囲は以上の実施形態に限定されるものではない。例えば、以上の実施形態においては、計測対象者２００と被験者３００は腰部ＹＢと胸背部ＫＢの２箇所にモーションセンサＭＳを装着して歩行時におけるベース計測データＢＫＤを収集しているが、この形態に限定されるものではない。計測対象者２００と被験者３００の腰部ＹＢと胸背部ＫＢの他に第７頸椎（いわゆる隆椎）にモーションセンサＭＳを装着して歩行時におけるベース計測データＢＫＤを収集する形態を採用することもできる。第７頸椎のように身体における位置が特定しやすい部位を選択することが重要である。

【0060】

また、以上の実施形態においては、被験者３００の将来における転倒リスクの評価を正確に行うため、各転倒リスク推定モデル（転倒リスク推定モデルＳＭ１乃至すべり転倒リスク推定モデルＳＭ４以下同様）を生成する際においては、計測対象者２００によるベース計測データＢＫＤを計測した後の６か月間にわたって計測対象者２００の転倒経験有無データＴＫＤ１、ふらつき転倒経験有無データＴＫＤ２、つまずき転倒経験有無データＴＫＤ３、および、すべり転倒経験有無データＴＫＤ４を収集しているが、これらデータの収集期間は６か月に限定されるものではなく、本実施形態とは異なる期間であってもよい。

【0061】

また、被験者３００の潜在的な転倒リスクを評価するためであれば、ベース計測データＢＫＤの計測前の所要期間にわたって計測対象者２００の転倒経験有無データＴＫＤ１、ふらつき転倒経験有無データＴＫＤ２、つまずき転倒経験有無データＴＫＤ３、および、すべり転倒経験有無データＴＫＤ４を収集してもよい。このように被験者３００の転倒リスクを評価するための転倒リスク推定モデルの生成にあたっては、計測対象者２００の転倒経験有無データＴＫＤ１、ふらつき転倒経験有無データＴＫＤ２、つまずき転倒経験有無データＴＫＤ３、および、すべり転倒経験有無データＴＫＤ４の収集は、ベース計測データＢＫＤの計測の前後いずれであってもよく、収集のための所定期間も特に限定されるものではない。また、計測対象者２００の転倒経験有無データＴＫＤ１、ふらつき転倒経験有無データＴＫＤ２、つまずき転倒経験有無データＴＫＤ３、および、すべり転倒経験有無データＴＫＤ４の収集は、これらの計測の前後の所要期間にわたって行うようにしてもよい。

【0062】

この形態を採用した場合、かつ、被験者３００の被験者計測データＨＫＤの計測後に被験者３００の転倒経験有無データＴＫＤ１、ふらつき転倒経験有無データＴＫＤ２、つまずき転倒経験有無データＴＫＤ３、および、すべり転倒経験有無データＴＫＤ４を収集し、コンピュータの記憶部２０に記憶させてある計測対象者２００の被験者計測データＨＫＤの計測後に被験者３００の転倒経験有無データＴＫＤ１、ふらつき転倒経験有無データＴＫＤ２、つまずき転倒経験有無データＴＫＤ３、および、すべり転倒経験有無データＴＫＤ４に統合することができる場合、当該被験者３００を計測対象者２００の一部に含める処理を実行し、転倒リスク推定モデルＳＭ１、ふらつき転倒リスク推定モデルＳＭ２、つまずき転倒リスク推定モデルＳＭ３、および、すべり転倒リスク推定モデルＳＭ４を生成する処理を被験者３００が増える毎に繰り返し実行すれば、転倒リスク推定モデルＳＭ１、ふらつき転倒リスク推定モデルＳＭ２、つまずき転倒リスク推定モデルＳＭ３、および、すべり転倒リスク推定モデルＳＭ４の推定精度を高めることができる。

【0063】

また、以上の実施形態においては、所定累積寄与率ＳＲＫＲを９５％に設定し、使用主成分範囲ＳＳＨ（特徴量ＴＲ）が第１主成分から第２０主成分の範囲になっているが、使用主成分範囲ＳＳＨ（特徴量ＴＲ）は以上の範囲に限定されるものではない。予め設定した所定累積寄与率ＳＲＫＲにより、使用主成分範囲ＳＳＨ（特徴量ＴＲ）の範囲は第１主成分から第２０主成分の範囲ではなく、第１主成分から第１８主成分までの範囲や第１主成分から第２３主成分までの範囲といった他の範囲になることもある。所定累積寄与率ＳＲＫＲは特に限定されるものではないが、９０％以上に設定することがそれぞれの転倒リスク推定モデルの推定精度を確保するうえで好ましい。

【0064】

また、以上の実施形態においては、転倒リスク推定モデルＳＭ１、ふらつき転倒リスク推定モデルＳＭ２、つまずき転倒リスク推定モデルＳＭ３、および、すべり転倒リスク推定モデルＳＭ４を生成する際にニューラルネットワークによる機械学習の手法を用いているが、それぞれの転倒リスク推定モデルの生成手法はこの手法に限定されるものではなく、他の公知の手法を適宜採用することもできる。

【0065】

さらに、以上の実施形態においては、ベース計測データＢＫＤの計測およびベース計測データＢＫＤの記憶部２０に記憶させる処理（Ｂ－１）乃至すべり転倒リスク推定モデルＳＭ４の生成およびすべり転倒リスク推定モデルＳＭ４を記憶部２０へ記憶させる処理（Ｂ－１７）を演算部１０に実行させた後、引き続いて演算部１０に被験者計測データＨＫＤの計測および記憶部２０への被験者計測データＨＫＤを記憶させる処理（Ｓ－１）乃至被験者３００のすべり転倒リスクがある旨を出力部５０に出力させる処理（Ｓ－１８）または被験者３００に現時点では転倒リスクがない旨を出力部５０に出力させる処理（Ｓ－１９）を実行させているが、この形態に限定されるものではない。

【0066】

具体的には、歩行時転倒リスク評価装置１００の記憶部２０に予め演算部１０にベース計測データＢＫＤの計測およびベース計測データＢＫＤの記憶部２０に記憶させる処理（Ｂ－１）乃至すべり転倒リスク推定モデルＳＭ４の生成およびすべり転倒リスク推定モデルＳＭ４を記憶部２０へ記憶させる処理（Ｂ－１７）を演算部１０に実行させる歩行時転倒リスク評価プログラムＰＧＭを予め記憶させておき、演算部１０に被験者計測データＨＫＤの計測および記憶部２０への被験者計測データＨＫＤを記憶させる処理（Ｓ－１）乃至被験者３００のすべり転倒リスクがある旨を出力部５０に出力させる処理（Ｓ－１８）または被験者３００に現時点では転倒リスクがない旨を出力部５０に出力させる処理（Ｓ－１９）を実行させる形態を採用することもできる。また、歩行時転倒リスク評価プログラムＰＧＭをコンピュータに読み取り可能な状態で記録した記録媒体を配布する形態や、ネットワークを通じて歩行時転倒リスク評価プログラムＰＧＭを配信可能にした形態を採用することもできる。

【0067】

そして以上に説明した変形例の他、実施形態において説明した変形例等を適宜組み合わせた形態を採用することも可能である。

【符号の説明】

【0068】

１０ 演算部
２０ 記憶部
３０ 内部バス
４０ データ入力部
５０ 出力部
１００ 歩行時転倒リスク評価装置
２００ 計測対象者
３００ 被験者
ＢＫＤ ベース計測データ
ＧＲＨ 該当リスク表示
ＧＳ 行列成分
ＨＤＫ 平均動揺軌跡
ＨＤＫＤ 平均動揺軌跡データ
ＨＤＫＧＤ 平均動揺軌跡行列データ
ＨＨＤＫ 被験者平均動揺軌跡
ＨＨＤＫＤ 被験者平均動揺軌跡データ
ＨＨＤＫＧＤ 被験者平均動揺軌跡行列データ
ＨＫＤ 被験者計測データ
ＨＳＴ 被験者平均動揺軌跡データ主成分得点
ＨＴＲ 被験者特徴量
Ｊ１ 転倒リスク判断値
Ｊ２ ふらつき転倒リスク判断値
Ｊ３ つまずき転倒リスク判断値
Ｊ４ すべり転倒リスク判断値
ＫＢ 胸背部
ＫＶ 固有ベクトル
ＫＴＧ 歩行改善体操画像
ＭＳ モーションセンサ
ＰＧＭ 歩行時転倒リスク評価プログラム
Ｒ１ 転倒リスク評価値
Ｒ２ ふらつき転倒リスク評価値
Ｒ３ つまずき転倒リスク評価値
Ｒ４ すべり転倒リスク評価値
ＲＫＲ 累積寄与率
ＲＴ リスクの推移
ＳＭ１ 転倒リスク推定モデル
ＳＭ２ ふらつき転倒リスク推定モデル
ＳＭ３ つまずき転倒リスク推定モデル
ＳＭ４ すべり転倒リスク推定モデル
ＳＲＫＲ 所定累積寄与率
ＳＳＨ 使用主成分範囲
ＳＴ 平均動揺軌跡データ主成分得点
ＴＫＤ１ 転倒経験有無データ
ＴＫＤ２ ふらつき転倒経験有無データ
ＴＫＤ３ つまずき転倒経験有無データ
ＴＫＤ４ すべり転倒経験有無データ
ＴＲ 特徴量
ＹＢ 腰部
ΣＲ 総転倒リスク評価値

【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】

【図14】

【図15】