知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2024-11-21
(45)【発行日】2024-11-29
(54)【発明の名称】身体機能推定システム、身体機能推定方法、及び、プログラム
(51)【国際特許分類】
A61B 5/11 20060101AFI20241122BHJP
【ＦＩ】
A61B5/11 230
【請求項の数】
12
(21)【出願番号】P 2023524062
(86)(22)【出願日】2022-03-29
(86)【国際出願番号】 JP2022015590
(87)【国際公開番号】W WO2022249746
(87)【国際公開日】2022-12-01
【審査請求日】2023-08-02
(31)【優先権主張番号】P 2021088873
(32)【優先日】2021-05-27
(33)【優先権主張国・地域又は機関】JP
(73)【特許権者】
【識別番号】314012076
【氏名又は名称】パナソニックＩＰマネジメント株式会社
(74)【代理人】
【識別番号】100109210
【弁理士】
【氏名又は名称】新居 広守
(74)【代理人】
【識別番号】100137235
【弁理士】
【氏名又は名称】寺谷 英作
(74)【代理人】
【識別番号】100131417
【弁理士】
【氏名又は名称】道坂 伸一
(72)【発明者】
【氏名】和田 健吾
(72)【発明者】
【氏名】樋山 貴洋
(72)【発明者】
【氏名】松村 吉浩
(72)【発明者】
【氏名】濱塚 太一
(72)【発明者】
【氏名】相原 貴拓
【審査官】村田 泰利
(56)【参考文献】
【文献】特開２０１９－２０４４５１（ＪＰ，Ａ）
【文献】中国特許出願公開第１０８９２１０６２（ＣＮ，Ａ）
【文献】特開２００８－１７３２５０（ＪＰ，Ａ）
【文献】国際公開第２０１６／１３９８４４（ＷＯ，Ａ１）
【文献】特開２００８－１０４６６７（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ａ６１Ｂ ５／００－５／２２
(57)【特許請求の範囲】
【請求項1】
歩行するユーザを撮像した動画から当該ユーザの歩容特徴量を推定する第１推定部と、身体機能を評価するための２以上の評価項目であって、ＦＲＴ（Ｆｕｎｃｔｉｏｎａｌ Ｒｅａｃｈ Ｔｅｓｔ）、開眼片足立ち、及び、閉眼片足立ちのうち少なくとも１つを含む２以上の評価項目それぞれの評価結果を、前記歩容特徴量に基づいて推定する第２推定部とを備え、
前記第１推定部は、前記動画に映る前記ユーザの３次元骨格モデルを機械学習モデルに用いられるアルゴリズムを用いて特定し、特定された前記３次元骨格モデルの各骨格点の位置変化を用いて前記歩容特徴量を推定し、
前記第２推定部は、推定された前記歩容特徴量を学習済みモデルに入力して得られる当該学習済みモデルの出力を、前記２以上の評価項目それぞれの前記評価結果のスコアとして取得する
身体機能推定システム。
【請求項2】
前記第１推定部は、前記動画に映る前記ユーザから前記ユーザの骨格を推定し、推定した前記骨格に基づいて前記歩容特徴量を推定する請求項１に記載の身体機能推定システム。
【請求項3】
前記ユーザは、マーカを身に着けており、前記動画は、前記マーカを身に着けた状態で歩行する前記ユーザを撮像した動画であり、
前記第１推定部は、前記動画に映る前記マーカに基づいて前記歩容特徴量を推定する
請求項１に記載の身体機能推定システム。
【請求項4】
前記２以上の評価項目は、バランス系に関する第１項目を含み、前記歩容特徴量は、歩行周期、歩行速度、ストライド長、歩幅、及び、歩隔の少なくとも１つを含み、
前記第２推定部は、当該少なくとも１つに基づいて前記第１項目を推定する
請求項１～３のいずれか１項に記載の身体機能推定システム。
【請求項5】
前記２以上の評価項目は、柔軟系に関する第２項目を含み、前記歩容特徴量は、股関節角度、及び、膝関節角度の少なくとも１つを含み、
前記第２推定部は、当該少なくとも１つに基づいて前記第２項目を推定する
請求項１～４のいずれか１項に記載の身体機能推定システム。
【請求項6】
前記２以上の評価項目は、筋力系に関する第３項目を含み、前記歩容特徴量は、歩行速度を含み、
前記第２推定部は、少なくとも前記歩行速度に基づいて前記第３項目を推定する
請求項１～５のいずれか１項に記載の身体機能推定システム。
【請求項7】
前記第２推定部は、前記評価結果として、前記２以上の評価項目それぞれのスコアを推定する請求項１～６のいずれか１項に記載の身体機能推定システム。
【請求項8】
前記第２推定部は、さらに前記ユーザの生体特徴量に基づいて前記２以上の評価項目それぞれの評価結果を推定する請求項１～７のいずれか１項に記載の身体機能推定システム。
【請求項9】
前記第２推定部は、さらに前記ユーザの歩行環境を示す環境特徴量に基づいて前記２以上の評価項目それぞれの評価結果を推定する請求項１～８のいずれか１項に記載の身体機能推定システム。
【請求項10】
前記２以上の評価項目は、足関節可動域、ＦＲＴ（Ｆｕｎｃｔｉｏｎａｌ Ｒｅａｃｈ Ｔｅｓｔ）、開眼片足立ち、閉眼片足立ち、及び、ＴＵＧ（Ｔｉｍｅｄ Ｕｐ ａｎｄ Ｇｏ）のうち少なくとも２つを含む請求項１～９のいずれか１項に記載の身体機能推定システム。
【請求項11】
歩行するユーザを撮像した動画から当該ユーザの歩容特徴量を推定する第１推定部と、身体機能を評価するための２以上の評価項目であって、ＦＲＴ（Ｆｕｎｃｔｉｏｎａｌ Ｒｅａｃｈ Ｔｅｓｔ）、開眼片足立ち、及び、閉眼片足立ちのうち少なくとも１つを含む２以上の評価項目それぞれの評価結果を、前記歩容特徴量に基づいて推定する第２推定部とを備える身体機能推定システムが実行する身体機能推定方法であって、
前記第１推定部、及び、前記第２推定部は、プロセッサであり、
前記第１推定部が、歩行する前記ユーザを撮像した前記動画から当該ユーザの前記歩容特徴量を推定し、
前記第２推定部が、身体機能を評価するための前記２以上の評価項目であって、前記ＦＲＴ、前記開眼片足立ち、及び、前記閉眼片足立ちのうち少なくとも１つを含む前記２以上の評価項目それぞれの前記評価結果を、前記歩容特徴量に基づいて推定し、
前記歩容特徴量の推定では、前記第１推定部が、前記動画に映る前記ユーザの３次元骨格モデルを機械学習モデルに用いられるアルゴリズムを用いて特定し、特定された前記３次元骨格モデルの各骨格点の位置変化を用いて前記歩容特徴量を推定し、
前記評価結果の推定では、前記第２推定部が、推定された前記歩容特徴量を学習済みモデルに入力して得られる当該学習済みモデルの出力を、前記２以上の評価項目それぞれの前記評価結果のスコアとして取得する
身体機能推定方法。
【請求項12】
請求項１１に記載の身体機能推定方法をコンピュータに実行させるためのプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、身体機能推定システム、身体機能推定方法、及び、プログラムに関する。
【背景技術】
【0002】
従来、画像データに基づいて、転倒リスク等の身体機能を評価又は判定する方法が提案されている。例えば、特許文献１には、画像データを解析して歩行パラメータを算出し、歩行動作の評価に関する情報を演算する技術が開示されている。
【先行技術文献】
【特許文献】
【0003】
【文献】特開２０１６－１４０５９１号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
しかしながら、特許文献１に記載の方法では、身体機能を評価（例えば、歩行動作を評価）することはできるが、身体機能に問題がある場合にその要因まではわからない。
【0005】
そこで、本発明は、身体機能に問題がある場合にその要因を推定可能な身体機能推定システム、身体機能推定方法、及び、プログラムを提供する。
【課題を解決するための手段】
【0006】
本発明の一態様に係る身体機能推定システムは、歩行するユーザを撮像した動画から当該ユーザの歩容特徴量を推定する第１推定部と、身体機能を評価するための２以上の評価項目それぞれの評価結果を、前記歩容特徴量に基づいて推定する第２推定部とを備える。
【0007】
本発明の一態様に係る身体機能推定方法は、歩行するユーザを撮像した動画から当該ユーザの歩容特徴量を推定し、身体機能を評価するための２以上の評価項目それぞれの評価結果を、前記歩容特徴量に基づいて推定する。
【0008】
本発明の一態様に係るプログラムは、上記の身体機能推定方法をコンピュータに実行させるためのプログラムである。
【発明の効果】
【0009】
本発明の一態様によれば、身体機能に問題がある場合にその要因を推定可能な身体機能推定システム等を実現することができる。
【図面の簡単な説明】
【0010】
【発明を実施するための形態】
【0011】
以下、実施の形態について、図面を参照しながら具体的に説明する。
【0012】
なお、以下で説明する実施の形態は、いずれも包括的又は具体的な例を示すものである。以下の実施の形態で示される数値、形状、構成要素、構成要素の配置位置及び接続形態、ステップ、ステップの順序等は、一例であり、本発明を限定する主旨ではない。また、以下の実施の形態における構成要素のうち、独立請求項に記載されていない構成要素については、任意の構成要素として説明される。
【0013】
また、各図は、模式図であり、必ずしも厳密に図示されたものではない。したがって、例えば、各図において縮尺等は必ずしも一致しない。また、各図において、実質的に同一の構成については同一の符号を付しており、重複する説明は省略又は簡略化する。
【0014】
また、本明細書において、同じ等の要素間の関係性を示す用語、並びに、数値、及び、数値範囲は、厳格な意味のみを表す表現ではなく、実質的に同等な範囲、例えば数％程度（例えば、５％程度）の差異をも含むことを意味する表現である。
【0015】
【0016】
［１．身体機能推定システムの構成］
まず、本実施の形態に係る身体機能推定システムの構成について、図１及び図２を参照しながら説明する。図１は、本実施の形態に係る身体機能推定システム１の概略構成を示す図である。
まず、本実施の形態に係る身体機能推定システムの構成について、図１及び図２を参照しながら説明する。図１は、本実施の形態に係る身体機能推定システム１の概略構成を示す図である。
【0017】
図１に示すように、身体機能推定システム１は、撮像装置１０と、ハブ２０と、制御装置３０と、ルータ４０と、端末装置５０とを備える。
【0018】
撮像装置１０は、歩行するユーザＵを撮像する。撮像装置１０は、例えば、所定の距離を歩行するユーザＵを撮像することで動画（映像）を取得する。所定の距離は、例えば、４ｍ以上であるがこれに限定されない。
【0019】
撮像装置１０は、介護施設、病院、オフィス、又は、公共機関等の建物に設置されるが、例えば、住宅に設置されてもよい。撮像装置１０は、具体的には、セキュリティカメラ（監視カメラ）であるが、ドアホン（インターホン）のカメラであってもよい。身体機能推定システム１が備える撮像装置１０の数は特に限定されず、複数の撮像装置１０を備えていてもよい。撮像装置１０は、モーションキャプチャシステムが備える複数のカメラであってもよい。
【0020】
なお、撮像装置１０は、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）カメラ、端末装置５０が有するカメラ（例えば、タブレット搭載カメラ、スマートフォン搭載カメラ）等であってもよい。撮像装置１０は、動画が撮像可能なカメラであればよい。撮像装置１０は、固定されているカメラであってもよいし、携帯可能なカメラであってもよい。また、身体機能推定システム１は、撮像装置１０に替えて、又は、撮像装置１０とともに、歩容特徴量が取得可能なセンサを備えていてもよい。歩容特徴量が取得可能なセンサは、例えば、距離センサ、Ｗｉｆｉセンサ、加速度センサ等であるがこれに限定されない。
【0021】
なお、歩容とは、人が歩いている時の身体運動の様子であり、歩容を示す歩容特徴量には、歩行周期、歩行速度、ストライド長、歩幅、歩隔等が含まれる。また、歩容特徴量には、さらに、ストライド長、歩幅、歩隔それぞれを身長で除算した値等が含まれていてもよい。また、歩容特徴量には、ストライド長を歩幅で除算した値等が含まれていてもよい。
【0022】
ハブ２０は、撮像装置１０と、制御装置３０と、ルータ４０とを接続し、相互の通信を中継する。
【0023】
制御装置３０は、撮像装置１０が撮像した動画に基づいて、ユーザＵの身体機能を推定する。制御装置３０は、撮像装置１０が撮像した動画に基づいて、ユーザＵの歩容特徴量を推定し、推定した歩容特徴量に基づいて、身体機能を評価するための２以上の評価項目のスコアを推定する。２以上の評価項目の詳細は後述するが、身体の機能レベルと関連した評価項目である。２以上の評価項目は、例えば、バランス系、柔軟系、筋力系の少なくとも１つに対する評価項目を含む。以下では、２以上の評価項目のそれぞれがバランス系に対する評価項目である例について説明する。なお、スコアは、例えば、０～１００までの数値であるが、これに限定されない。また、スコアは、評価項目ごとに正規化された値であってもよい。
【0024】
ルータ４０は、ハブ２０で接続されたネットワークと、端末装置５０との通信を中継する。
【0025】
端末装置５０は、表示部５１と、受付部（図示しない）とを有し、ユーザＵ等に身体機能の推定結果等を表示させる、又は、ユーザＵ等から所定の情報の入力を受け付ける。所定の情報は、例えば、ユーザＵの生体情報であってもよい。生体情報は、ユーザＵの性別、身長、体重及び年齢の少なくとも１つを含む。生体情報は、ユーザＵの身長及び体重等の身体情報を含むとも言える。
【0026】
表示部５１は、例えば、液晶パネル、有機ＥＬ（Ｅｌｅｃｔｒｏ Ｌｕｍｉｎｅｓｃｅｎｃｅ）パネル等により実現され、ユーザに所定の情報を提示する提示部の一例である。提示部は、表示部５１であることに限定されず、スピーカ等の出音部により実現されてもよい。また、受付部は、タッチパネル、ボタン等であるが、音声、ジェスチャ等によりユーザから情報を取得可能な構成を有していてもよい。
【0027】
端末装置５０は、タブレット端末、スマートフォン等の携帯端末であるが、据え置き型の端末であってもよい。
【0028】
上記のように、身体機能推定システム１は、歩行するユーザＵを撮像した動画に基づいて歩容特徴量を推定し、推定した歩容特徴量に基づいて身体機能を評価するための２以上の評価項目のスコアを推定する。身体機能推定システム１は、身体の機能レベルと関連した評価項目のスコアを歩容特徴量から推定する、つまり、ユーザＵ（例えば、高齢者）の虚弱状態を歩行から推定する。身体機能推定システム１は、例えば、虚弱状態が見えにくい元気な高齢者の身体機能を推定可能である。
【0029】
なお、身体機能推定システム１が備える各装置間の通信は、ハブ２０、ルータ４０等を介した通信であることに限定されず、各装置間の通信方法は特に限定されない。
【0030】
【0031】
図２に示すように、制御装置３０は、取得部３１と、解析部３２と、推定部３３と、提案部３４と、出力部３５とを有する。
【0032】
取得部３１は、歩行するユーザＵを撮像した動画を撮像装置１０から取得する。取得部３１は、通信回路を含んで構成される。
【0033】
解析部３２は、取得部３１が取得した動画に基づいて、ユーザＵの歩容特徴量を推定する。具体的には、解析部３２は、動画に基づいて、ユーザＵの骨格を推定し、推定した骨格（骨格推定データ）に基づいて、ユーザＵの歩容特徴量を推定する。
【0034】
解析部３２は、歩行するユーザＵを撮像した動画から当該ユーザＵの歩容特徴量を推定する。解析部３２は、例えば、動画に映るユーザＵから当該ユーザＵの骨格を推定し、推定した骨格に基づいて歩容特徴量を推定する。例えば、解析部３２は、動画に映るユーザＵの３次元骨格モデル（人の膝関節、股関節、くるぶし等の各関節の３次元座標データ）を既存のアルゴリズムを用いて特定し、３次元骨格モデルの各骨格点の位置変化を用いて歩容特徴量を特定（推定）する。なお、解析部３２は、動画に映るユーザＵの２次元骨格モデルを推定してもよい。解析部３２は、第１推定部の一例である。
【0035】
既存のアルゴリズムは、機械学習モデルに用いられるアルゴリズムである。本実施の形態では、既存のアルゴリズムは、既存の骨格推定モデルであり、例えば、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）に時系列性を持たせた学習済みモデルである。骨格推定モデルは、例えば、データセット「Ｈｕｍａｎ３．６」を用いて学習されている。また、骨格推定モデルは、例えば、２５ｍｍ～３０ｍｍ程度の誤差で骨格を検出可能に学習される。骨格推定モデルは、例えば、２７フレーム分の動画を用いて学習されていてもよい。
【0036】
なお、解析部３２は、モーションキャプチャにより取得された動画（例えば、複数の距離画像）に基づいて、歩容特徴量を推定してもよい。この場合、ユーザＵは、マーカ（例えば、反射部材）を身に着けており、動画は、マーカを身に着けた状態で歩行するユーザＵを撮像した動画である。そして、解析部３２は、当該動画に映るマーカ（例えば、マーカの位置の時系列変化）に基づいて歩容特徴量を推定してもよい。
【0037】
推定部３３は、身体機能を評価するための２以上の評価項目の評価結果を、解析部３２が推定した歩容特徴量に基づいて推定する。推定部３３は、例えば、解析部３２が推定した歩容特徴量に基づいて、ユーザＵの２以上の評価項目それぞれのスコアを推定する。具体的には、推定部３３は、歩容特徴量を学習済みモデルに入力して得られる当該学習済みモデルの出力を、２以上の評価項目それぞれのスコアとして取得する。また、推定部３３は、さらに、ユーザＵの生体情報（生体特徴量）、及び、ユーザＵの歩行環境を示す環境情報（環境特徴量）の少なくとも１つに基づいて、ユーザＵの２以上の評価項目それぞれのスコアを推定してもよい。推定部３３は、第２推定部の一例である。
【0038】
提案部３４は、推定部３３の推定結果に基づいて、身体機能の低下を抑制するためにユーザＵに行う提案内容を決定する。提案部３４は、２以上の評価項目それぞれのスコアに応じた提案内容を決定する。提案内容は、運動、食事、医療受診等を含む。提案部３４は、２以上の評価項目それぞれのスコアと提案内容とが対応付けられたテーブルに基づいて、提案内容を決定する。これにより、身体機能推定システム１は、ユーザＵに対して、介入効率が高い方法を提案することができる。
【0039】
出力部３５は、推定部３３の推定結果、提案部３４の提案内容等を端末装置５０に出力する。出力部３５は、例えば、端末装置５０の表示部５１に表示させるための情報を出力する。出力部３５は、通信回路を含んで構成される。
【0040】
［２．身体機能推定システムの動作］
続いて、上記のように構成される身体機能推定システム１の動作について、図３～図５を参照しながら説明する。図３は、本実施の形態に係る身体機能推定システム１の動作を示すフローチャートである。
続いて、上記のように構成される身体機能推定システム１の動作について、図３～図５を参照しながら説明する。図３は、本実施の形態に係る身体機能推定システム１の動作を示すフローチャートである。
【0041】
図３に示すように、端末装置５０は、生体情報及び環境情報を、受付部を介して取得する（Ｓ１１）。端末装置５０は、例えば、ユーザＵから受付部を介して生体情報を取得する。また、端末装置５０は、例えば、ユーザＵが歩行する歩行面（例えば、路面）の状態、ユーザＵの持ち物（例えば、鞄の有無）等の環境情報を取得する。
【0042】
次に、端末装置５０は、取得した生体情報及び環境情報を制御装置３０に出力し、制御装置３０は、取得部３１を介して生体情報及び環境情報を取得する（Ｓ１２）。
【0043】
次に、端末装置５０は、撮像装置１０の動作指示を、受付部を介してユーザＵから取得する（Ｓ１３）。動作指示は、例えば、撮像を開始する指示を含む。
【0044】
次に、端末装置５０は、取得した動作指示を撮像装置１０に出力し、撮像装置１０は、動作指示を取得する（Ｓ１４）。
【0045】
次に、撮像装置１０は、歩行するユーザＵを撮像する（Ｓ１５）。撮像装置１０は、例えば、ユーザＵが４ｍ以上歩行する様子を撮像する。撮像装置１０は、例えば、ユーザＵの全身が映るように撮像する。
【0046】
次に、撮像装置１０は、撮像により取得された動画を制御装置３０に出力し、制御装置３０は、取得部３１を介して動画を取得する（Ｓ１６）。制御装置３０は、取得した動画を記憶部（図示しない）に保存する（Ｓ１７）。
【0047】
次に、制御装置３０の解析部３２は、取得した動画に基づいてユーザＵの骨格を推定する（Ｓ１８）。制御装置３０は、取得した動画を既存の骨格推定モデルに入力することで得られる出力を、３次元骨格モデルの各骨格点の位置として取得する。また、解析部３２は、さらに、動画に映るユーザＵの２次元骨格モデル（人の膝関節、股関節、くるぶし等の各関節の２次元座標データ）を既存のアルゴリズムを用いて取得してもよい。
【0048】
次に、制御装置３０の解析部３２は、３次元骨格モデルの各骨格点の位置変化を用いて、ユーザＵの歩容特徴量を抽出する（Ｓ１９）。解析部３２は、３次元骨格モデルの各骨格点の位置変化を用いて、ユーザＵの歩容特徴量を推定するとも言える。
【0049】
図４は、本実施の形態に係るモーションキャプチャと動画との骨格推定における相関関係を示す図である。図４では、モーションキャプチャにより取得されたユーザＵの歩容特徴量と、動画からの３次元骨格モデルに基づいて取得された当該ユーザＵの歩容特徴量とを１つの点として１０８人分の点をプロットし、かつ、相関係数（図中の「Ｒ」）を示す。なお、以下では、相関係数が０．５以上である場合に、相関があると判定している。
【0050】
図４の（ａ）は、モーションキャプチャにより取得されたユーザＵの歩行速度と、３次元骨格モデルに基づくユーザＵの歩行速度との相関関係を示す。相関係数Ｒ＝０．８６であり、モーションキャプチャにより取得された歩行速度と、３次元骨格モデルに基づいて取得された歩行速度とは、相関を有する。
【0051】
図４の（ｂ）は、モーションキャプチャにより取得されたユーザＵの歩幅と、３次元骨格モデルに基づくユーザＵの歩幅との相関関係を示す。相関係数Ｒ＝０．７４であり、モーションキャプチャにより取得された歩幅と、３次元骨格モデルに基づいて取得された歩幅とは、相関を有する。
【0052】
図４の（ｃ）は、モーションキャプチャにより取得されたユーザＵの歩隔と、３次元骨格モデルに基づくユーザＵの歩隔との相関関係を示す。相関係数Ｒ＝０．４８であり、モーションキャプチャにより取得された歩隔と、３次元骨格モデルに基づいて取得された歩隔とは、相関が弱い。
【0053】
図４の（ｄ）は、モーションキャプチャにより取得されたユーザＵの歩隔と、２次元骨格モデルに基づくユーザＵの歩隔との相関関係を示す。相関係数Ｒ＝０．８５であり、モーションキャプチャにより取得された歩隔と、２次元骨格モデルに基づいて取得された歩隔とは、相関がある。このことから、歩幅を推定する場合には、２次元骨格モデルが用いられるとよい。
【0054】
このように、モーションキャプチャに基づく歩容特徴量と動画に基づく歩容特徴量とは相関があるので、モーションキャプチャにより取得された歩容特徴量を正解とすると、動画に基づいて歩容特徴量を推定可能であるといえる。
【0055】
なお、解析部３２は、ステップＳ１９において、さらに、推定した歩容特徴量のバラツキを示す情報を算出してもよい。バラツキを示す情報は、例えば、標準偏差である。解析部３２は、動画に基づいて推定される歩容特徴量の値の時系列データに基づいて、バラツキを示す情報を算出する。解析部３２は、歩容特徴量ごとに当該歩容特徴量のバラツキを算出する。バラツキを示す情報も、歩容特徴量に含まれる。つまり、本明細書における歩容特徴量には、歩行周期等の歩容の基本的な特徴量に加えて、当該歩容の基本的な特徴量のバラツキを示す情報（バラツキの特徴量）が含まれていてもよい。
【0056】
解析部３２は、推定したユーザＵの歩容特徴量を、推定部３３に出力する。
【0057】
図３を再び参照して、次に、制御装置３０の推定部３３は、歩容特徴量を用いて、ユーザＵの身体機能の評価項目のスコアを推定する（Ｓ２０）。推定部３３は、評価項目ごとに生成された学習済みモデルを用いて、評価項目ごとにスコアを推定する。
【0058】
ここで、推定部３３が推定する評価項目について、図５を参照しながら説明する。図５は、バランス能力を詳細化したサブシステムを示す図である。図５では、サブシステムの項目と、項目それぞれの評価方法との関係を示す。バランス能力は、要介護、要支援の重要な因子となる転倒に関与している。図５に示すバランス能力を評価することで、転倒予防に関する有効な介入が可能となり、健康寿命の延伸への効果が期待される。また、図５に示す破線枠は、歩容特徴量から推定可能な項目である。
【0059】
なお、図５に示す６つの項目は、Ｄｒ Ｈｏｒａｋらにより提唱されている６つの要素を示す（出典：Ｈｏｒａｋ ＦＢ．， Ｗｒｉｓｌｅｙ ＤＭ．， ｅｔ ａｌ．：「Ｔｈｅ ｂａｌａｎｃｅ ｅｖａｌｕａｔｉｏｎ ｓｙｓｔｅｍｓ ｔｅｓｔ （ＢＥＳＴｅｓｔ） ｔｏ ｄｉｆｆｅｒｅｎｔｉａｔｅ ｂａｌａｎｃｅ ｄｅｆｉｃｉｔｓ． Ｐｈｙｓ Ｔｈｅｒ， ８９．５： ４８４－４９８， ２００９」を参照）。
【0060】
図５に示すように、バランス能力を詳細化したサブシステムの項目（第１項目の一例）は、生体力学的制約、安定性限界と垂直性、姿勢変化、予測的姿勢制御、感覚機能、及び、歩行安定性を含む。検証結果は後述するが、図５から以下のことが言える。
【0061】
生体力学的制約における評価方法のうち歩行の関節可動域は、歩容特徴量に基づいて推定可能である。具体的には、関節可動域として、股関節角度及び膝関節角度の推定が可能である。つまり、歩容特徴量に基づいて、生体力学的制約に関するスコアを推定可能である。なお、例えば、歩行速度が変化すると、股関節角度又は膝関節角度もそれに応じて変化する。例えば、歩行速度が遅いほど、股関節角度又は膝関節角度が小さくなる傾向がある。よって、歩容特徴量と股関節角度又は膝関節角度とは、相関があると考えられる。股関節角度又は膝関節角度は、足関節可動域の一例である。
【0062】
推定部３３は、歩容特徴量を入力として股関節角度を出力するように機械学習により学習された第１学習済みモデルにユーザＵの歩容特徴量を入力して得られる出力を、股関節角度の推定値として取得する。入力される歩容特徴量は、少なくとも歩行速度を含む。入力される歩容特徴量は、さらに、歩行周期と、ストライド長と、歩幅と、歩隔と、ストライド長、歩幅、歩隔それぞれを身長で除算した値と、ストライド長を歩幅で除算した値との少なくとも１つが含まれていてもよい。また、第１学習済みモデルにさらに生体情報及び環境情報の少なくとも１つが入力されてもよい。
【0063】
また、推定部３３は、歩容特徴量を入力として膝関節角度を出力するように機械学習により学習された第２学習済みモデルにユーザＵの歩容特徴量を入力して得られる出力を、膝関節角度の推定値として取得する。入力される歩容特徴量は、少なくとも歩行速度を含む。入力される歩容特徴量は、さらに、歩行周期と、ストライド長と、歩幅と、歩隔と、ストライド長、歩幅、歩隔それぞれを身長で除算した値と、ストライド長を歩幅で除算した値との少なくとも１つを含んでいてもよい。また、第２学習済みモデルにさらに生体情報及び環境情報の少なくとも１つが入力されてもよい。
【0064】
なお、第１学習済みモデル及び第２学習済みモデルに入力される情報（股関節角度又は膝関節角度に応じた入力情報）は、予め設定されており、例えば、記憶部に記憶されている。推定部３３は、ステップＳ１２で取得された生体情報及び環境情報と、ステップＳ１９で取得された歩容特徴量とから、予め設定されている情報を入力情報として抽出し、抽出した入力情報を第１学習済みモデル及び第２学習済みモデルに入力する。第１学習済みモデル及び第２学習済みモデルに入力される情報は、同じであってもよいし、互いに異なっていてもよい。
【0065】
続いて、安定性限界と垂直性について説明する。安定性限界と垂直性における評価方法のうち前方ファンクショナルリーチ（ＦＲＴ：Ｆｕｎｃｔｉｏｎａｌ Ｒｅａｃｈ Ｔｅｓｔ）は、歩容特徴量に基づいて推定可能である。つまり、歩容特徴量に基づいて、安定性限界と垂直性に関するスコアを推定可能である。前方ファンクショナルリーチの推定には、例えば、身長及び歩行速度が重要であると考えられる。
【0066】
推定部３３は、生体情報及び歩容特徴量を入力として前方ファンクショナルリーチの値を出力するように機械学習により学習された第３学習済みモデルにユーザＵの生体情報（例えば、身体情報）、及び、ユーザＵの歩容特徴量を入力して得られる出力を、前方ファンクショナルリーチの推定値として取得する。入力される生体情報は、少なくとも身長を含む。入力される生体情報は、さらに、性別、体重及び年齢の少なくとも１つを含んでいてもよい。また、入力される歩容特徴量は、少なくとも歩行速度を含む。入力される歩容特徴量は、さらに、歩行周期と、ストライド長と、歩幅と、歩隔と、ストライド長、歩幅、歩隔それぞれを身長で除算した値と、ストライド長を歩幅で除算した値との少なくとも１つを含んでいてもよい。また、第３学習済みモデルにさらに環境情報が入力されてもよい。
【0067】
なお、第３学習済みモデルに入力される情報（前方ファンクショナルリーチに応じた入力情報）は、予め設定されており、例えば、記憶部に記憶されている。推定部３３は、ステップＳ１２で取得された生体情報及び環境情報と、ステップＳ１９で取得された歩容特徴量とから、予め設定されている情報を入力情報として抽出し、抽出した入力情報を第３学習済みモデルに入力する。
【0068】
続いて、姿勢変化について説明する。姿勢変化における評価方法のうち片足立ち（例えば、２０秒以上が正常）は、歩容特徴量に基づいて推定可能である。つまり、歩容特徴量に基づいて、姿勢変化に関するスコアを推定可能である。本実施の形態では、姿勢変化に対する指標として開眼片足立ち時間を推定する。開眼片足立ち時間の推定には、例えば、身長及び歩行速度が重要であると考えられる。
【0069】
推定部３３は、生体情報及び歩容特徴量を入力として開眼片足立ち時間を出力するように機械学習により学習された第４学習済みモデルにユーザＵの生体情報（例えば、身体情報）、及び、ユーザＵの歩容特徴量を入力して得られる出力を、開眼片足立ち時間の推定値として取得する。入力される生体情報は、少なくとも身長を含む。入力される生体情報は、さらに、性別、体重及び年齢の少なくとも１つを含んでいてもよい。また、入力される歩容特徴量は、少なくとも歩行速度を含む。入力される歩容特徴量は、さらに、歩行周期と、ストライド長と、歩幅と、歩隔と、ストライド長、歩幅、歩隔それぞれを身長で除算した値と、ストライド長を歩幅で除算した値との少なくとも１つを含んでいてもよい。
【0070】
また、入力される歩容特徴量は、さらに、歩容特徴量のバラツキを示す情報を含んでいてもよい。歩容特徴量のバラツキを示す情報は、入力される歩容特徴量の項目に応じた項目のバラツキを示す情報を含み、例えば、少なくとも歩行速度のバラツキを示す情報を含む。歩容特徴量のバラツキを示す情報は、さらに、歩行周期と、ストライド長と、歩幅と、歩隔と、ストライド長、歩幅、歩隔それぞれを身長で除算した値と、ストライド長を歩幅で除算した値との少なくとも１つのバラツキを示す情報を含んでいてもよい。また、第４学習済みモデルにさらに環境情報が入力されてもよい。
【0071】
なお、第４学習済みモデルに入力される情報（開眼片足立ち時間に応じた入力情報）は、予め設定されており、例えば、記憶部に記憶されている。推定部３３は、ステップＳ１２で取得された生体情報及び環境情報と、ステップＳ１９で取得された歩容特徴量とから、予め設定されている情報を入力情報として抽出し、抽出した入力情報を第４学習済みモデルに入力する。
【0072】
続いて、感覚機能について説明する。感覚機能における評価方法のうち閉眼での傾斜台立位は、歩容特徴量に基づいて推定可能である。つまり、歩容特徴量に基づいて、感覚機能に関するスコアを推定可能である。本実施の形態では、感覚機能に対する指標として開眼／閉眼片足立ちの割合を推定する。開眼／閉眼片足立ちの割合は、開眼片足立ち時間及び閉眼片足立ち時間に基づく割合であり、例えば、ｌｏｇ２（開眼片足立ち時間／閉眼片足立ち時間）で対数化した時間（片足立ち時間）であってもよい。開眼／閉眼片足立ちの割合の推定には、例えば、身長及び歩行速度が重要であると考えられる。
【0073】
推定部３３は、生体情報及び歩容特徴量を入力として開眼／閉眼片足立ちの割合を出力するように機械学習により学習された第５学習済みモデルにユーザＵの生体情報（例えば、身体情報）、及び、ユーザＵの歩容特徴量を入力して得られる出力を、開眼／閉眼片足立ちの割合の推定値として取得する。入力される生体情報は、少なくとも身長を含む。入力される生体情報は、さらに、性別、体重及び年齢の少なくとも１つを含んでいてもよい。また、入力される歩容特徴量は、少なくとも歩行速度を含む。入力される歩容特徴量は、さらに、歩行周期と、ストライド長と、歩幅と、歩隔と、ストライド長、歩幅、歩隔それぞれを身長で除算した値と、ストライド長を歩幅で除算した値との少なくとも１つを含んでいてもよい。
【0074】
また、入力される歩容特徴量は、さらに、歩容特徴量のバラツキを示す情報を含んでいてもよい。歩容特徴量のバラツキを示す情報は、入力される歩容特徴量の項目に応じた項目のバラツキを示す情報を含み、例えば、少なくとも歩行速度のバラツキを示す情報を含む。歩容特徴量のバラツキを示す情報は、さらに、歩行周期と、ストライド長と、歩幅と、歩隔と、ストライド長、歩幅、歩隔それぞれを身長で除算した値と、ストライド長を歩幅で除算した値との少なくとも１つのバラツキを示す情報を含んでいてもよい。また、第５学習済みモデルにさらに環境情報が入力されてもよい。
【0075】
なお、第５学習済みモデルに入力される情報（開眼／閉眼片足立ちの割合に応じた入力情報）は、予め設定されており、例えば、記憶部に記憶されている。推定部３３は、ステップＳ１２で取得された生体情報及び環境情報と、ステップＳ１９で取得された歩容特徴量とから、予め設定されている情報を入力情報として抽出し、抽出した入力情報を第５学習済みモデルに入力する。第５学習済みモデルに入力される入力情報は、第４学習済みモデルに入力される入力情報と同じであってもよい。
【0076】
なお、推定部３３は、第４学習済みモデルの出力である開眼片足立ち時間の推定値と、生体情報及び歩容特徴量を入力として閉眼片足立ち時間を出力するように学習された学習済みモデルにユーザＵの生体情報（例えば、身体情報）、及び、動画に基づいて取得されたユーザＵの歩容特徴量を入力して得られる出力である閉眼片足立ち時間の推定値とに基づいて、開眼／閉眼片足立ちの割合を推定（例えば、算出）してもよい。
【0077】
続いて、歩行安定性について説明する。歩行安定性における評価方法のうちＴＵＧ（Ｔｉｍｅｄ Ｕｐ ｔｏ Ｇｏ）は、歩容特徴量に基づいて推定可能である。また、歩容特徴量に基づいて、軽度認知障害（ＭＣＩ：Ｍｉｌｄ Ｃｏｇｎｉｔｉｖｅ Ｉｍｐａｉｒｍｅｎｔ）であるか否かを推定可能である。本実施の形態では、ＴＵＧ時間の推定値、及び、ＭＣＩの推定結果に基づいて、歩行安定性に関するスコアを推定する。つまり、歩容特徴量に基づいて、歩行安定性に関するスコアを推定可能である。ＴＵＧ時間の推定には、例えば、年齢と、歩幅及びストライド長が重要であると考えられる。ＭＣＩの推定には、例えば、歩行速度が重要であると考えられるが、さらに、年齢も重要であると推測される。なお、ＭＣＩの推定結果は、健常者であるかＭＣＩであるかを推定した結果である。
【0078】
推定部３３は、生体情報及び歩容特徴量を入力としてＴＵＧの時間を出力するように機械学習により学習された第６学習済みモデルにユーザＵの生体情報（例えば、身体情報）、及び、動画に基づいて取得されたユーザＵの歩容特徴量を入力して得られる出力を、ＴＵＧの推定値として取得する。入力される生体情報は、少なくとも年齢を含む。入力される生体情報は、さらに、性別、身長及び体重の少なくとも１つを含んでいてもよい。また、入力される歩容特徴量は、少なくとも歩幅及びストライド長を含む。入力される歩容特徴量は、さらに、歩行周期と、歩行速度と、歩隔と、ストライド長、歩幅、歩隔それぞれを身長で除算した値と、ストライド長を歩幅で除算した値との少なくとも１つを含んでいてもよい。また、第６学習済みモデルにさらに環境情報が入力されてもよい。
【0079】
なお、第６学習済みモデルに入力される情報（ＴＵＧに応じた入力情報）は、予め設定されており、例えば、記憶部に記憶されている。推定部３３は、ステップＳ１２で取得された生体情報及び環境情報と、ステップＳ１９で取得された歩容特徴量とから、予め設定されている情報を入力情報として抽出し、抽出した入力情報を第６学習済みモデルに入力する。第６学習済みモデルに入力される入力情報は、第３学習済みモデルに入力される入力情報と同じであってもよい。
【0080】
また、推定部３３は、生体情報及び歩容特徴量を入力としてＭＣＩの判定結果を出力するように機械学習により学習された第７学習済みモデルにユーザＵの生体情報（例えば、身体情報）、及び、動画に基づいて取得されたユーザＵの歩容特徴量を入力して得られる出力を、ＭＣＩの推定結果として取得する。入力される生体情報は、性別、身長、体重及び年齢の少なくとも１つを含む。また、入力される歩容特徴量は、少なくとも歩行速度を含む。入力される歩容特徴量は、さらに、歩行周期と、ストライド長と、歩幅と、歩隔と、ストライド長、歩幅、歩隔それぞれを身長で除算した値と、ストライド長を歩幅で除算した値との少なくとも１つを含んでいてもよい。また、例えば、入力される歩容特徴量は、歩行速度のみであってもよい。また、第７学習済みモデルにさらに環境情報が入力されてもよい。
【0081】
なお、第７学習済みモデルに入力される情報（ＭＣＩに応じた入力情報）は、予め設定されており、例えば、記憶部に記憶されている。推定部３３は、ステップＳ１２で取得された生体情報及び環境情報と、ステップＳ１９で取得された歩容特徴量とから、予め設定されている情報を入力情報として抽出し、抽出した入力情報を第７学習済みモデルに入力する。
【0082】
上記のように、推定部３３は、推定する値（又は判定結果）に応じて予め機械学習により学習された学習済みモデル（機械学習モデル）を用いて、少なくとも歩容特徴量から、当該値（例えば、股関節角度等の上記で説明した値（又は判定結果））を推定する。
【0083】
なお、股関節角度及び膝関節角度の少なくとも１つ、ＦＲＴ、開眼片足立ち時間、開眼／閉眼片足立ちの割合、ＴＵＧ及びＭＣＩの少なくとも１つは、身体機能の評価項目の一例である。推定部３３は、５つの評価項目のうち少なくとも２つ以上の評価項目に対して、推定を行う。例えば、２以上の評価項目は、足関節可動域、ＦＲＴ、開眼片足立ち、閉眼片足立ち、ＴＵＧの少なくとも２つを含んでいてもよい。また、推定部３３は、推定値を評価項目のスコアとして推定してもよいし、推定値（又は推定結果）とスコアとが対応づけられたテーブルに基づいて推定値（又は推定結果）に対応する値をスコアとして推定してもよい。
【0084】
次に、推定部３３は、身体機能の評価項目のスコアに基づいて、ユーザＵの身体の機能レベルを推定する（Ｓ２１）。推定部３３は、バランス能力を詳細化したサブシステムの項目である生体力学的制約、安定性限界と垂直性、姿勢変化、感覚機能、及び、歩行安定性のそれぞれの機能レベルを推定する。推定部３３は、例えば、股関節角度及び膝関節角度の少なくとも１つのスコアに基づいて、生体力学的制約に対する機能レベルを推定する。また、推定部３３は、例えば、ＦＲＴのスコアに基づいて、安定性限界と垂直性に対する機能レベルを推定する。また、推定部３３は、例えば、開眼片足立ち時間のスコアに基づいて、姿勢変化に対する機能レベルを推定する。また、推定部３３は、例えば、開眼片足立ち時間のスコアに基づいて、予測的姿勢制御に対する機能レベルを推定してもよい。また、推定部３３は、例えば、開眼／閉眼片足立ちの割合のスコアに基づいて、感覚機能に対する機能レベルを推定する。また、推定部３３は、例えば、ＴＵＧ及びＭＣＩの少なくとも１つのスコアに基づいて、歩行安定性に対する機能レベルを推定する。機能レベルは、例えば、数値であってもよいし、段階的なレベルであってもよい。
【0085】
推定部３３は、スコアと機能レベルとが対応付けられたテーブルに基づいて、機能レベルを推定するが、機能レベルの推定方法はこれに限定されない。
【0086】
推定部３３は、推定したユーザＵの身体の機能レベルを提案部３４に出力する。
【0087】
次に、提案部３４は、ユーザＵの身体の機能レベルに基づいて、ユーザＵに対する介入方法を決定する（Ｓ２２）。
【0088】
次に、出力部３５は、推定された身体の機能レベル、及び、決定された介入方法を端末装置５０に出力し、端末装置５０は、当該機能レベル及び介入方法を取得する（Ｓ２３）。なお、ステップＳ２３では、少なくとも介入方法が出力されればよい。
【0089】
次に、端末装置５０は、身体の機能レベルと、介入方法とを表示部５１に表示する（Ｓ２４）。これにより、身体機能推定システム１は、端末装置５０を介してユーザＵに、当該ユーザＵの歩容特徴量に応じた介入方法を知らせることができる。
【0090】
なお、上記のような身体の機能レベルの推定は、定期的に行われるとよい。２以上の評価項目は、例えば、ユーザＵごとで毎回同じであってもよい。これにより、ユーザＵの身体機能の変化（推移）を知ることができる。例えば、変化量が大きい評価項目に応じた介入方法が提案されてもよい。また、２以上の評価項目は、例えば、ユーザＵの生体情報（例えば、年齢等）に基づいて、都度決定されてもよい。これにより、ユーザＵの生体情報に基づいて決定される当該ユーザＵの健康上の懸念に対する状況を、評価項目のスコアを確認することで知ることができる。
【0091】
【0092】
まずは、評価項目の一例である、股関節角度及び膝関節角度の推定について、図６～図８を参照しながら説明する。図６は、本実施の形態に係るモーションキャプチャと動画との股関節角度の推定における相関関係を示す図である。なお、図６及び図７では、モーションキャプチャにより取得されたユーザＵの歩容特徴量に基づく評価項目の値と、動画からの３次元骨格モデルに基づいて取得された当該ユーザＵの歩容特徴量に基づく評価項目の値との相関関係について説明する。
【0093】
図６では、モーションキャプチャにより取得されたユーザＵの歩容特徴量に基づく股関節角度と、動画からの３次元骨格モデルに基づいて取得された当該ユーザＵの歩容特徴量に基づく股関節角度とを１つの点として１０８人分の点をプロットし、かつ、相関係数（図中の「Ｒ」）を示す。
【0094】
具体的には、図６は、歩容特徴量を入力として股関節角度を出力するように学習された学習済みモデルにモーションキャプチャにより取得されたユーザＵの歩容特徴量を入力して得られる股関節角度と、当該学習済みモデルに動画に基づいて取得されたユーザＵの歩容特徴量を入力して得られる股関節角度とをプロットした図である。相関係数Ｒ＝０．７１３であり、相関があるといえる。
【0095】
これは、モーションキャプチャにより取得されたユーザＵの歩容特徴量を入力して得られる股関節角度を正解の股関節角度とする場合、動画に基づいて取得されたユーザＵの歩容特徴量を入力して得られる股関節角度に基づいて、正解の股関節角度が算出可能であることを意味する。つまり、歩行しているユーザＵを撮像した動画から、ユーザＵの股関節角度が推定可能である。
【0096】
図７は、本実施の形態に係るモーションキャプチャと動画との膝関節角度の推定における相関関係を示す図である。
【0097】
図７では、モーションキャプチャにより取得されたユーザＵの歩容特徴量に基づく膝関節角度と、動画からの３次元骨格モデルに基づいて取得された当該ユーザＵの歩容特徴量に基づく膝関節角度とを１つの点として１０８人分の点をプロットし、かつ、相関係数（図中の「Ｒ」）を示す。
【0098】
具体的には、図７は、歩容特徴量を入力として膝関節角度を出力するように学習された学習済みモデルにモーションキャプチャにより取得されたユーザＵの歩容特徴量を入力して得られる膝関節角度と、当該学習済みモデルに動画に基づいて取得されたユーザＵの歩容特徴量を入力して得られる膝関節角度とをプロットした図である。相関係数Ｒ＝０．５７７であり、相関があるといえる。
【0099】
これは、モーションキャプチャにより取得されたユーザＵの歩容特徴量を入力して得られる膝関節角度を正解の膝関節角度とする場合、動画に基づいて取得されたユーザＵの歩容特徴量を入力して得られる膝関節角度に基づいて、正解の膝関節角度が算出可能であることを意味する。つまり、歩行しているユーザＵを撮像した動画から、ユーザＵの膝関節角度が推定可能である。
【0100】
図８は、本実施の形態に係る動画から歩行正常可動域を推定した場合の正解率を示す図である。図８では、モーションキャプチャにより取得されたユーザＵの歩容特徴量を入力して得られる股関節角度及び膝関節角度を正解とする場合の、動画に基づいて取得されたユーザＵの歩容特徴量を入力して得られる股関節角度及び膝関節角度の推定値の正解率を示す。１σ（σは標準偏差）は、正解と推定値との差分が１σ以内であるものを正解とするときの正解率を示しており、２σは、正解と推定値との差分が２σ以内であるものを正解とするときの正解率を示している。
【0101】
図８に示すように、股関節角度及び膝関節角度とも、１σで約８０％、２σで９０％以上の確率で正解と近い値が推定できていることがわかる。
【0102】
上記のように、動画に基づいて推定された股関節角度及び膝関節角度と、モーションキャプチャに基づいて推定された股関節角度及び膝関節角度との相関があることから、動画に基づいて推定された歩容特徴量に基づいて、股関節角度及び膝関節角度が推定可能であると考えられる。
【0103】
以降では、ＦＲＴ等について、図９～図１４を参照しながら説明する。ここで、図９～図１４では、モーションキャプチャにより取得されたユーザＵの歩容特徴量に基づく評価項目の値と、評価項目の実測値との相関関係、及び、動画からの３次元骨格モデルに基づいて取得された当該ユーザＵの歩容特徴量に基づく評価項目の値と、評価項目の実測値との相関関係の検証について説明する。なお、評価項目の実測値は、共通の値である。また、図９～図１４では、評価項目の推定に用いる学習済みモデルのアルゴリズムとして、「ＳＶＲ Ｌｉｎｅａｒ」、「ＳＶＲ ＲＢＦ」、「ＸＧｂｏｏｓｔ」及び「Ｒａｎｄｏｍ Ｆｏｒｅｓｔ」を用いて検証を行っているが、用いられるアルゴリズムは、これらに限定されない。学習済みモデルのアルゴリズムには、既存のあらゆるアルゴリズムが用いられてもよい。また、図９～図１４に示す［Ｒ］は相関係数を示しており、「ＭＳＥ」は平均二乗誤差（Ｍｅａｎ Ｓｑｕａｒｅ Ｅｒｒｏｒ）を示している。
【0104】
次に、評価項目の一例である、ＦＲＴの推定について、図９を参照しながら説明する。図９は、本実施の形態に係るモーションキャプチャと動画とのＦＲＴの推定における相関関係を示す図である。図９は、ＦＲＴを実施した１０６人分のデータに基づいて算出されている。
【0105】
なお、モーションキャプチャ及び動画とも、学習済みモデルには、入力情報として、性別と、身長と、体重と、年齢と、歩行周期と、歩行速度と、ストライド長と、歩幅と、歩隔と、ストライド長、歩幅、歩隔それぞれを身長で除算した値と、ストライド長を歩幅で除算した値とが入力された場合の結果を示す。
【0106】
図９に示すように、モーションキャプチャにおいては、アルゴリズムが「ＳＶＲ Ｌｉｎｅａｒ」、「ＸＧｂｏｏｓｔ」及び「Ｒａｎｄｏｍ Ｆｏｒｅｓｔ」の場合に相関があり、特に「ＳＶＲ Ｌｉｎｅａｒ」の場合に相関係数が最も高い。また、動画においては、アルゴリズムが「ＳＶＲ Ｌｉｎｅａｒ」及び「ＸＧｂｏｏｓｔ」の場合に相関があり、特に「ＳＶＲ Ｌｉｎｅａｒ」の場合に相関係数が最も高い。
【0107】
このことから、ＦＲＴを推定する場合、学習済みモデル（例えば、第３学習済みモデル）のアルゴリズムは、「ＳＶＲ Ｌｉｎｅａｒ」が用いられるとよい。なお、ＭＳＥにおいては、モーションキャプチャ及び動画において、同様の値となっている。
【0108】
次に、評価項目の一例である、開眼片足立ち時間の推定について、図１０を参照しながら説明する。図１０は、本実施の形態に係るモーションキャプチャと動画との開眼片足立ち時間の推定における相関関係を示す図である。図１０は、開眼片足立ちを実施した１０８人分のデータに基づいて算出されている。また、図１０は、歩行中のバラツキの成分（バラツキの特徴量）を入力情報に追加して、ｌｏｇ２で対数化した開眼片足立ち時間の推定を行った結果である。
【0109】
なお、モーションキャプチャ及び動画とも、学習済みモデルには、入力情報として、性別と、身長と、体重と、年齢と、歩行周期と、歩行速度と、ストライド長と、歩幅と、歩隔と、ストライド長、歩幅、歩隔それぞれを身長で除算した値と、ストライド長を歩幅で除算した値とに加え、歩行周期、歩行速度と、ストライド長と、歩幅と、歩隔と、ストライド長、歩幅、歩隔それぞれを身長で除算した値と、ストライド長を歩幅で除算した値とのそれぞれのバラツキの特徴量が入力された場合の結果を示す。なお、バラツキの特徴量は、相関係数を向上させる目的で入力される。
【0110】
図１０に示すように、モーションキャプチャにおいては、アルゴリズムが「ＳＶＲ Ｌｉｎｅａｒ」の場合の相関係数が最も高い。また、動画においては、アルゴリズムが「ＸＧｂｏｏｓｔ」の場合の相関係数が最も高い。
【0111】
なお、開眼片足立ち時間においては、相関係数が０．５未満となっているが、モーションキャプチャの場合と動画の場合とで、同様の相関係数が得られている。つまり、動画からでも、モーションキャプチャと同程度の精度の推定が行えている。
【0112】
このことから、開眼片足立ち時間を推定する場合、学習済みモデル（例えば、第４学習済みモデル）のアルゴリズムは、モーションキャプチャに基づく歩容特徴量が入力される場合には「ＳＶＲ Ｌｉｎｅａｒ」が用いられ、動画に基づく歩容特徴量が入力される場合には「ＸＧｂｏｏｓｔ」が用いられるとよい。なお、ＭＳＥにおいては、モーションキャプチャ及び動画において、同様の値となっている。
【0113】
次に、評価項目の一例である、開眼／閉眼片足立ちの割合の推定について、図１１を参照しながら説明する。図１１は、本実施の形態に係るモーションキャプチャと動画との開眼／閉眼片足立ちの割合の推定における相関関係を示す図である。図１１は、開眼及び閉眼片足立ちを実施した１０８人分のデータに基づいて算出されている。また、図１１は、歩行中のバラツキの成分（バラツキの特徴量）を入力情報に追加して、ｌｏｇ２（開眼／閉眼）で対数化した片足立ち時間の推定を行った結果である。
【0114】
なお、モーションキャプチャ及び動画とも、学習済みモデルには、入力情報として、性別と、身長と、体重と、年齢と、歩行周期と、歩行速度と、ストライド長と、歩幅と、歩隔と、ストライド長、歩幅、歩隔それぞれを身長で除算した値と、ストライド長を歩幅で除算した値とに加え、歩行周期、歩行速度と、ストライド長と、歩幅と、歩隔と、ストライド長、歩幅、歩隔それぞれを身長で除算した値と、ストライド長を歩幅で除算した値とのそれぞれのバラツキの特徴量が入力された場合の結果を示す。なお、バラツキの特徴量は、相関係数を向上させる目的で入力される。
【0115】
図１１に示すように、モーションキャプチャ及び動画とも、アルゴリズムが「Ｒａｎｄｏｍ Ｆｏｒｅｓｔ」の場合の相関係数が最も高い。なお、開眼／閉眼片足立ちの割合においては、相関係数が０．５未満となっているが、モーションキャプチャの場合と動画の場合とで、同様の相関係数が得られている。つまり、動画からでも、モーションキャプチャと同程度の精度の推定が行えている。
【0116】
このことから、開眼／閉眼片足立ちの割合を推定する場合、学習済みモデル（例えば、第５学習済みモデル）のアルゴリズムは、「Ｒａｎｄｏｍ Ｆｏｒｅｓｔ」が用いられるとよい。なお、ＭＳＥにおいては、モーションキャプチャ及び動画において、同様の値となっている。
【0117】
次に、評価項目の一例である、ＴＵＧの推定について、図１２を参照しながら説明する。図１２は、本実施の形態に係るモーションキャプチャと動画とのＴＵＧの推定における相関関係を示す図である。図１２は、ＴＵＧを実施した１０８人分のデータに基づいて算出されている。
【0118】
なお、モーションキャプチャ及び動画とも、学習済みモデルには、入力情報として、性別と、身長と、体重と、年齢と、歩行周期と、歩行速度と、ストライド長と、歩幅と、歩隔と、ストライド長、歩幅、歩隔それぞれを身長で除算した値と、ストライド長を歩幅で除算した値とが入力された場合の結果を示す。
【0119】
図１２に示すように、モーションキャプチャにおいては、アルゴリズムが「ＳＶＲ Ｌｉｎｅａｒ」及び「Ｒａｎｄｏｍ Ｆｏｒｅｓｔ」の場合に相関がある。また、動画においては、アルゴリズムが「ＸＧｂｏｏｓｔ」及び「Ｒａｎｄｏｍ Ｆｏｒｅｓｔ」の場合に相関がある。
【0120】
モーションキャプチャ及び動画とも、アルゴリズムが「Ｒａｎｄｏｍ Ｆｏｒｅｓｔ」の場合に相関がある。つまり、モーションキャプチャ及び動画において、共通のアルゴリズムを用いることができる。
【0121】
このことから、ＴＵＧを推定する場合、学習済みモデル（例えば、第６学習済みモデル）のアルゴリズムは、「Ｒａｎｄｏｍ Ｆｏｒｅｓｔ」が用いられるとよい。なお、ＭＳＥにおいては、モーションキャプチャ及び動画において、同様の値となっている。
【0122】
次に、評価項目の一例である、健常者又はＭＣＩの推定について、図１３及び図１４を参照しながら説明する。図１３は、本実施の形態に係るモーションキャプチャと動画との健常者又はＭＣＩの推定（歩容特徴量：１０個）における評価結果（ＡＵＣ：Ａｒｅａ Ｕｎｄｅｒ ｔｈｅ Ｃｕｒｖｅ）を示す図である。図１３は、ＭＭＳＥ（Ｍｉｎｉ－Ｍｅｎｔａｌ Ｓｔａｔｅ Ｅｘａｍｉｎａｔｏｎ）テストを実施した８１人分のデータに基づいて算出されている。ＡＵＣは、２クラス分類の評価指標を示す。ＡＵＣが０．６５以上である場合に、その推定方法は良い方法であると判定している。
【0123】
なお、モーションキャプチャ及び動画とも、学習済みモデルには、入力情報として、性別と、身長と、体重と、年齢と、歩行周期と、歩行速度と、ストライド長と、歩幅と、歩隔と、ストライド長、歩幅、歩隔それぞれを身長で除算した値と、ストライド長を歩幅で除算した値とが入力された場合の結果を示す。学習済みモデルは、入力情報に対して、健常者であるかＭＣＩであるかの２値分類を行う。つまり、学習済みモデルは、ユーザＵが健常者であるか、ＭＣＩであるかを出力する。
【0124】
図１３に示すように、モーションキャプチャにおいては、アルゴリズムが「Ｒａｎｄｏｍ Ｆｏｒｅｓｔ」の場合にＡＵＣが０．６５以上ある。また、動画においては、ＡＵＣが０．６５以上あるアルゴリズムがない。
【0125】
このことから、歩容特徴量として上記１０個を入力して健常者又はＭＣＩを推定する場合、入力情報はモーションキャプチャに基づいて推定された歩容特徴量を含み、学習済みモデル（例えば、第７学習済みモデル）のアルゴリズムは、「Ｒａｎｄｏｍ Ｆｏｒｅｓｔ」であるとよい。
【0126】
ここで、発明者らは、ＭＣＩの人の歩行速度が健常者の歩行速度よりも遅い傾向があることを発見し、歩容特徴量を歩行速度のみとした場合の健常者又はＭＣＩの推定についての検証をさらに行った。以下では、検証結果について、図１４を参照しながら説明する。図１４は、本実施の形態に係るモーションキャプチャと動画との健常者又はＭＣＩの推定（歩容特徴量：歩行速度のみ）における評価結果（ＡＵＣ）を示す図である。
【0127】
図１４に示すように、モーションキャプチャにおいては、アルゴリズムが「ＳＶＲ ＲＢＦ」及び「ＸＧｂｏｏｓｔ」の場合にＡＵＣが０．６５以上ある。また、動画においては、アルゴリズムが「ＸＧｂｏｏｓｔ」の場合にＡＵＣが０．６５以上ある。また、学習済みモデルに入力する歩容特徴量を歩行速度のみに減らすことで、モーションキャプチャ及び動画ともＡＵＣが向上している。
【0128】
また、モーションキャプチャ及び動画とも、アルゴリズムが「ＸＧｂｏｏｓｔ」の場合にＡＵＣが０．６５以上ある。つまり、モーションキャプチャ及び動画において、共通のアルゴリズムを用いることができる。
【0129】
このことから、健常者又はＭＣＩのいずれであるかを推定する場合、学習済みモデル（例えば、第７学習済みモデル）に入力される歩容特徴量は、歩行速度のみであるとよい。また、健常者又はＭＣＩを推定する場合、学習済みモデルのアルゴリズムは、「ＸＧｂｏｏｓｔ」が用いられるとよい。なお、ＭＳＥにおいては、モーションキャプチャ及び動画において、同様の値となっている。
【0130】
上記で説明したように、歩容特徴量から評価項目の結果を推定することが可能である。
【0131】
［４．効果等］
以上のように、本発明の一態様に係る身体機能推定システム１は、歩行するユーザＵを撮像した動画から当該ユーザＵの歩容特徴量を推定する解析部３２（第１推定部の一例）と、身体機能を評価するための２以上の評価項目それぞれの評価結果を、歩容特徴量に基づいて推定する推定部３３（第２推定部の一例）とを備える。
以上のように、本発明の一態様に係る身体機能推定システム１は、歩行するユーザＵを撮像した動画から当該ユーザＵの歩容特徴量を推定する解析部３２（第１推定部の一例）と、身体機能を評価するための２以上の評価項目それぞれの評価結果を、歩容特徴量に基づいて推定する推定部３３（第２推定部の一例）とを備える。
【0132】
これにより、歩容特徴量に基づいて２以上の評価項目それぞれの評価結果（例えば、スコア）を取得することができる。例えば、身体機能に異常等があることが判明した場合、２以上の評価項目それぞれの評価結果を確認することで、どの評価項目に異常があるかを推定することができる。よって、身体機能推定システム１は、身体機能に問題がある場合にその要因を推定可能である。要因を推定可能であることで、ユーザＵにより適した介入を行うことが期待される。
【0133】
また、解析部３２は、動画に映るユーザＵからユーザＵの骨格を推定し、推定した骨格に基づいて歩容特徴量を推定してもよい。
【0134】
これにより、ユーザＵが歩行する動画に基づいて、２以上の評価項目それぞれの評価結果を取得することができる。つまり、専用の機材等を準備することなく、容易に評価結果を取得することができる。
【0135】
また、ユーザＵは、マーカを身に着けており、動画は、マーカを身に着けた状態で歩行するユーザＵを撮像した動画である。そして、解析部３２は、動画に映るマーカに基づいて歩容特徴量を推定してもよい。
【0136】
これにより、モーションキャプチャに基づいて取得された歩容特徴量を用いた場合であっても、身体機能に問題がある場合にその要因を推定可能である。
【0137】
また、２以上の評価項目は、バランス系に関する第１項目を含み、歩容特徴量は、歩行周期、歩行速度、ストライド長、歩幅、及び、歩隔の少なくとも１つを含んでもよい。そして、推定部３３は、当該少なくとも１つに基づいて第１項目を推定してもよい。
【0138】
これにより、身体機能に問題がある場合に、その要因がバランス系にあるか否かを推定可能である。評価項目にバランス系に関する項目が含まれることで、バランス系に関してユーザＵにより適した介入を行うことが期待される。
【0139】
また、２以上の評価項目は、柔軟系に関する第２項目を含み、歩容特徴量は、股関節角度、及び、膝関節角度の少なくとも１つを含んでもよい。そして、推定部３３は、当該少なくとも１つに基づいて第２項目を推定してもよい。
【0140】
これにより、身体機能に問題がある場合に、その要因が柔軟系にあるか否かを推定可能である。評価項目に柔軟系に関する項目が含まれることで、柔軟系に関してユーザＵにより適した介入を行うことが期待される。
【0141】
また、２以上の評価項目は、筋力系に関する第３項目を含み、歩容特徴量は、歩行速度を含んでいてもよい。そして、推定部３３は、少なくとも歩行速度に基づいて第３項目を推定してもよい。
【0142】
これにより、身体機能に問題がある場合に、その要因が筋力系にあるか否かを推定可能である。評価項目に筋力系に関する項目が含まれることで、筋力系に関してユーザＵにより適した介入を行うことが期待される。
【0143】
また、推定部３３は、評価結果として、２以上の評価項目それぞれのスコアを推定する。
【0144】
これにより、評価結果を数値化することができる。スコアを見るだけで、要因を特定しやすくなる。
【0145】
また、推定部３３は、さらにユーザＵの生体特徴量に基づいて２以上の評価項目それぞれの評価結果を推定してもよい。
【0146】
これにより、ユーザＵの生体特徴量にも応じて推定された評価結果を取得することができる。例えば、評価結果の精度の向上が期待される。
【0147】
また、推定部３３は、さらにユーザＵの歩行環境を示す環境特徴量に基づいて２以上の評価項目それぞれの評価結果を推定してもよい。
【0148】
これにより、ユーザＵの環境特徴量にも応じて推定された評価結果を取得することができる。例えば、評価結果の精度の向上が期待される。
【0149】
また、２以上の評価項目は、足関節可動域、ＦＲＴ、開眼片足立ち、閉眼片足立ち、及び、ＴＵＧのうち少なくとも２つを含む。
【0150】
これにより、バランス系の各評価項目の評価結果を推定可能である。バランス能力が低下している場合、その要因を詳細に推定することができる。
【0151】
また、本発明の一態様に係る身体機能推定方法は、歩行するユーザＵを撮像した動画から当該ユーザＵの歩容特徴量を推定し（Ｓ１９）、身体機能を評価するための２以上の評価項目それぞれの評価結果を、歩容特徴量に基づいて推定する（Ｓ２０）。また、本発明の一態様に係るプログラムは、上記に記載の身体機能推定方法をコンピュータに実行させるためのプログラムである。
【0152】
これにより、上記の身体機能推定システム１と同様の効果を奏する。
【0153】
（その他の実施の形態）
以上、一つ又は複数の態様に係る身体機能推定システム等について、実施の形態に基づいて説明したが、本発明は、この実施の形態に限定されるものではない。本発明の趣旨を逸脱しない限り、当業者が思いつく各種変形を本実施の形態に施したものや、異なる実施の形態における構成要素を組み合わせて構築される形態も、本発明に含まれてもよい。
以上、一つ又は複数の態様に係る身体機能推定システム等について、実施の形態に基づいて説明したが、本発明は、この実施の形態に限定されるものではない。本発明の趣旨を逸脱しない限り、当業者が思いつく各種変形を本実施の形態に施したものや、異なる実施の形態における構成要素を組み合わせて構築される形態も、本発明に含まれてもよい。
【0154】
例えば、上記各実施の形態等では、身体機能の一例としてバランス能力を歩容特徴量に基づいて推定する例について説明したが、身体機能は、バランス能力に限定されない。身体機能は、例えば、筋力、柔軟等を含んでいてもよい。例えば、制御装置は、動画に映るユーザが歩行中に前方へ踏み出す脚の膝の曲げ角度に基づいて、当該ユーザの下肢筋力情報を推定してもよい。また、制御装置は、動画に映る歩行中のユーザが停止するときの歩行速度の変化に基づいて、当該人の下肢筋力情報を推定してもよい。このように、バランス能力以外の身体機能についても、歩容特徴量から推定されてもよい。
【0155】
例えば、身体機能の評価項目は、柔軟系に関する評価項目（第２項目の一例）を含み、歩容特徴量は、股関節角度、及び、膝関節角度の少なくとも１つを含み、推定部は、当該少なくとも１つに基づいて柔軟系に関する評価項目を推定してもよい。
【0156】
また、例えば、身体機能の評価項目は、筋力系に関する評価項目（第３項目の一例）を含み、歩容特徴量は、少なくとも歩行速度を含み、推定部は、当該少なくとも歩行速度に基づいて筋力系に関する評価項目を推定してもよい。
【0157】
また、上記実施の形態において説明されたフローチャートにおける各ステップ（処理）が実行される順序は、本発明を具体的に説明するために例示するためのものであり、上記以外の順序であってもよい。複数の処理の順序は、変更されてもよいし、複数の処理は、並行して実行されてもよい。また、特定の処理部が実行する処理を別の処理部が実行してもよい。また、上記ステップの一部が他のステップと同時（並列）に実行されてもよいし、上記ステップの一部は実行されなくてもよい。
【0158】
また、ブロック図における機能ブロックの分割は一例であり、複数の機能ブロックを一つの機能ブロックとして実現したり、一つの機能ブロックを複数に分割したり、一部の機能を他の機能ブロックに移してもよい。また、類似する機能を有する複数の機能ブロックの機能を単一のハードウェア又はソフトウェアが並列又は時分割に処理してもよい。
【0159】
また、上記実施の形態では、身体機能推定システムは、複数の装置によって実現されたが、単一の装置として実現されてもよい。身体機能推定システムが複数の装置によって実現される場合、身体機能推定システムが備える各構成要素は、複数の装置にどのように振り分けられてもよい。
【0160】
また、上記実施の形態では、制御装置は、単数の装置によって実現されたが、複数の装置として実現されてもよい。制御装置が複数の装置によって実現される場合、制御装置が備える各構成要素は、複数の装置にどのように振り分けられてもよい。なお、当該複数の装置間の通信方法は、特に限定されず、無線通信であってもよいし、有線通信であってもよいし、無線通信及び有線通信が組み合わされてもよい。
【0161】
また、上記実施の形態等において、各構成要素は、専用のハードウェアで構成されるか、各構成要素に適したソフトウェアプログラムを実行することによって実現されてもよい。各構成要素は、ＣＰＵ又はプロセッサ等のプログラム実行部が、ハードディスク又は半導体メモリ等の記録媒体に記録されたソフトウェアプログラムを読み出して実行することによって実現されてもよい。
【0162】
また、上記実施の形態等で説明した各構成要素は、ソフトウェアとして実現されても良いし、典型的には、集積回路であるＬＳＩとして実現されてもよい。これらは、個別に１チップ化されてもよいし、一部又は全てを含むように１チップ化されてもよい。ここでは、ＬＳＩとしたが、集積度の違いにより、ＩＣ、システムＬＳＩ、スーパーＬＳＩ、ウルトラＬＳＩと呼称されることもある。また、集積回路化の手法はＬＳＩに限るものではなく、専用回路又は汎用プロセッサで実現してもよい。ＬＳＩ製造後に、プログラムすることが可能なＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）又は、ＬＳＩ内部の回路セルの接続若しくは設定を再構成可能なリコンフィギュラブル・プロセッサを利用してもよい。更には、半導体技術の進歩又は派生する別技術によりＬＳＩに置き換わる集積回路化の技術が登場すれば、当然、その技術を用いて構成要素の集積化を行ってもよい。
【0163】
システムＬＳＩは、複数の処理部を１個のチップ上に集積して製造された超多機能ＬＳＩであり、具体的には、マイクロプロセッサ、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等を含んで構成されるコンピュータシステムである。ＲＯＭには、コンピュータプログラムが記憶されている。マイクロプロセッサが、コンピュータプログラムに従って動作することにより、システムＬＳＩは、その機能を達成する。
【0164】
また、本発明の全般的又は具体的な態様は、システム、装置、方法、集積回路、コンピュータプログラム又はコンピュータ読み取り可能なＣＤ－ＲＯＭ等の記録媒体で実現されてもよい。また、システム、装置、方法、集積回路、コンピュータプログラム及び記録媒体の任意な組み合わせで実現されてもよい。例えば、本発明は、上記実施の形態の身体機能推定方法をコンピュータに実行させるためのプログラムとして実現されてもよいし、このようなプログラムが記憶された、コンピュータ読み取り可能な非一時的な記録媒体として実現されてもよい。例えば、そのようなプログラムを記録媒体に記録して頒布又は流通させてもよい。例えば、頒布されたプログラムを、他のプロセッサを有する装置にインストールして、そのプログラムをそのプロセッサに実行させることで、その装置に、上記各処理を行わせることが可能となる。
【符号の説明】
【0165】
１ 身体機能推定システム
３２ 解析部（第１推定部）
３３ 推定部（第２推定部）
Ｕ ユーザ
３２ 解析部（第１推定部）
３３ 推定部（第２推定部）
Ｕ ユーザ
【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】