特許 7668970 転倒リスク抽出装置、転倒リスク抽出方法、及び転倒リスク抽出プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B1)

(11)【特許番号】

(24)【登録日】2025-04-17

(45)【発行日】2025-04-25

(54)【発明の名称】転倒リスク抽出装置、転倒リスク抽出方法、及び転倒リスク抽出プログラム

(51)【国際特許分類】

   A61B 5/11 20060101AFI20250418BHJP

【ＦＩ】

A61B5/11 200

A61B5/11 230

【請求項の数】 8

(21)【出願番号】P 2024558135

(86)(22)【出願日】2023-08-21

(86)【国際出願番号】 JP2023030025

【審査請求日】2024-09-30

【早期審査対象出願】

(73)【特許権者】

【識別番号】000006013

【氏名又は名称】三菱電機株式会社

(74)【代理人】

【識別番号】100116964

【弁理士】

【氏名又は名称】山形 洋一

(74)【代理人】

【識別番号】100120477

【弁理士】

【氏名又は名称】佐藤 賢改

(74)【代理人】

【識別番号】100135921

【弁理士】

【氏名又は名称】篠原 昌彦

(74)【代理人】

【識別番号】100203677

【弁理士】

【氏名又は名称】山口 力

(72)【発明者】

【氏名】山本 貴志

(72)【発明者】

【氏名】望月 浩平

【審査官】藤原 伸二

(56)【参考文献】

【文献】特開２０２２－０９２９４０（ＪＰ，Ａ）

【文献】特開２０２１－０３００５１（ＪＰ，Ａ）

【文献】特開２０１５－０６２６５４（ＪＰ，Ａ）

【文献】特開２０１０－１７２４８１（ＪＰ，Ａ）

【文献】特開２０２０－０７７３８８（ＪＰ，Ａ）

【文献】国際公開第２０２２／２４９７４６（ＷＯ，Ａ１）

【文献】特開２０２０－０４８６８３（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ａ６１Ｂ ５／１１

Ａ６１Ｂ １０／００

Ｇ０６Ｔ ７／２０

Ａ６１Ｈ １／０２

(57)【特許請求の範囲】

【請求項1】

被験者の歩行の映像から、前記被験者の骨格情報を抽出する骨格情報抽出部と、
前記骨格情報から、前記被験者の歩行時の各関節における時系列での位置変化、角度変化、速度変化、及び角速度変化を示す情報を抽出する関節情報抽出部と、
前記関節情報抽出部で抽出した情報のうち、異なる複数の関節の各々同時刻の位置変化を示す情報同士、角度変化を示す情報同士、速度変化を示す情報同士、及び角速度変化を示す情報同士の値の加算、並びに２つの異なる関節における各々同時刻の位置変化を示す情報同士、角度変化を示す情報同士、速度変化を示す情報同士、及び角速度変化を示す情報同士について、１つの関節の情報の値を実部、もう１つの関節の情報の値を虚部とした複素表現のいずれかによって複数の関節の動作の相関を含む歩行特徴を算出する歩行特徴算出部と、
前記複数の関節の動作の相関を含む歩行特徴を周波数解析して、前記歩行特徴の周波数特性を算出する周波数解析部と、
前記周波数解析結果の最大振幅の大きさに基づいて前記被験者の転倒リスクを抽出する転倒リスク抽出部と、
を備えた転倒リスク抽出装置。

【請求項2】

前記転倒リスク抽出部は、前記被験者の前記周波数特性の最大振幅の値を、前記被験者を含む複数の被験者の周波数特性の最大振幅の値で正規化した値の加重平均を算出して得た転倒リスク値により、前記被験者の転倒リスクを判定する請求項１に記載の転倒リスク抽出装置。

【請求項3】

前記歩行特徴算出部は、前記関節情報抽出部で抽出した情報から、同時刻の２以上の各々異なる関節に係る情報を任意の数で選択して加算する請求項２に記載の転倒リスク抽出装置。

【請求項4】

前記歩行特徴算出部は、同時刻の２以上の各々異なる関節に係る情報について、任意の数で選択した前記情報の組み合わせの各々を加算して得た第１の加算値を実部とし、前記第１の加算値の算出に供した前記情報の組み合わせと異なる組み合わせの情報の各々を加算して得た第２の加算値を虚部とした複素表現によって前記複数の関節の動作の相関を含む歩行特徴を算出する請求項３に記載の転倒リスク抽出装置。

【請求項5】

前記関節情報抽出部で抽出した情報から、前記被験者の両足が地面に接している時間である両脚支持期を検出する両脚支持期検出部を含み、
前記転倒リスク抽出部は、前記周波数特性と前記両脚支持期とに基づいて前記被験者の転倒リスクを判定する請求項２～４のいずれか１項に記載の転倒リスク抽出装置。

【請求項6】

前記転倒リスク抽出部は、関節情報抽出部で抽出した情報から、複数のデータを含む第１群と、前記第１群と異なる複数のデータを含む第２群とを抽出すると共に、前記第１群と前記第２群の共分散を、前記第１群の標準偏差と前記第２群の標準偏差との積で除算して得た相関係数によって前記被験者の転倒リスクを判定する請求項１に記載の転倒リスク抽出装置。

【請求項7】

被験者の転倒リスクを抽出する転倒リスク抽出装置が、
前記被験者の歩行の映像から、前記被験者の骨格情報を抽出し、
前記骨格情報から、前記被験者の歩行時の各関節における時系列での位置変化、角度変化、速度変化、及び角速度変化を示す情報を抽出し、
前記被験者の歩行時の各関節における時系列での位置変化、角度変化、速度変化、及び角速度変化を示す情報のうち、異なる複数の関節の各々同時刻の位置変化を示す情報同士、角度変化を示す情報同士、速度変化を示す情報同士、及び角速度変化を示す情報同士の値の加算、並びに２つの異なる関節における各々同時刻の位置変化を示す情報同士、角度変化を示す情報同士、速度変化を示す情報同士、及び角速度変化を示す情報同士について、１つの関節の情報の値を実部、もう１つの関節の情報の値を虚部とした複素表現のいずれかによって複数の関節の動作の相関を含む歩行特徴を算出し、
前記複数の関節の動作の相関を含む歩行特徴を周波数解析して、前記歩行特徴の周波数特性を算出し、
前記周波数解析結果の最大振幅の大きさに基づいて前記被験者の転倒リスクを抽出する、
転倒リスク抽出方法。

【請求項8】

被験者の転倒リスクを抽出する転倒リスク抽出装置に、
前記被験者の歩行の映像から、前記被験者の骨格情報を抽出し、
前記骨格情報から、前記被験者の歩行時の各関節における時系列での位置変化、角度変化、速度変化、及び角速度変化を示す情報を抽出し、
前記被験者の歩行時の各関節における時系列での位置変化、角度変化、速度変化、及び角速度変化を示す情報のうち、異なる複数の関節の各々同時刻の位置変化を示す情報同士、角度変化を示す情報同士、速度変化を示す情報同士、及び角速度変化を示す情報同士の値の加算、並びに２つの異なる関節における各々同時刻の位置変化を示す情報同士、角度変化を示す情報同士、速度変化を示す情報同士、及び角速度変化を示す情報同士について、１つの関節の情報の値を実部、もう１つの関節の情報の値を虚部とした複素表現のいずれかによって複数の関節の動作の相関を含む歩行特徴を算出し、
前記複数の関節の動作の相関を含む歩行特徴を周波数解析して、前記歩行特徴の周波数特性を算出し、
前記周波数解析結果の最大振幅の大きさに基づいて前記被験者の転倒リスクを抽出する、
処理を実行させる転倒リスク抽出プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、転倒リスク抽出装置、転倒リスク抽出方法、及び転倒リスク抽出プログラムに関する。

【背景技術】

【0002】

被験者の歩行データを取得し、被験者の関節の位置又は角度の変化等の歩行特徴を検出し、関節ごとに個別に歩行特徴を分析することで被験者の転倒リスクを抽出する要因推定システムが特許文献１に記載されている。また、歩行特徴を関節ごとに周波数解析して、周波数解析結果を用いて片麻痺等の歩行特性を抽出する片麻痺検査装置が特許文献２に記載されている。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０２１－０３００５１号公報

【文献】特開２０２０－０４８６８３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及び特許文献２に記載の装置では、複数部位における動作の相関を考慮せずに転倒リスクを抽出していたため、例えば、左右の脚の運び等の複数部位の動作の連動性に関する転倒リスクの評価ができず、リハビリ等において適切な経過観察ができないという問題点があった。

【0005】

本開示は、被験者の複数部位における動作の相関を考慮して被験者の転倒リスクを抽出する転倒リスク抽出装置、転倒リスク抽出方法、及び転倒リスク抽出プログラム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】

【0006】

本開示の転倒リスク抽出装置は、被験者の歩行の映像から、前記被験者の骨格情報を抽出する骨格情報抽出部と、前記骨格情報から、前記被験者の歩行時の各関節における時系列での位置変化、角度変化、速度変化、及び角速度変化を示す情報を抽出する関節情報抽出部と、前記関節情報抽出部で抽出した情報のうち、異なる複数の関節の各々同時刻の位置変化を示す情報同士、角度変化を示す情報同士、速度変化を示す情報同士、及び角速度変化を示す情報同士の値の加算、並びに２つの異なる関節における各々同時刻の位置変化を示す情報同士、角度変化を示す情報同士、速度変化を示す情報同士、及び角速度変化を示す情報同士について、１つの関節の情報の値を実部、もう１つの関節の情報の値を虚部とした複素表現のいずれかによって複数の関節の動作の相関を含む歩行特徴を算出する歩行特徴算出部と、前記複数の関節の動作の相関を含む歩行特徴を周波数解析して、前記歩行特徴の周波数特性を算出する周波数解析部と、前記周波数解析結果の最大振幅の大きさに基づいて前記被験者の転倒リスクを抽出する転倒リスク抽出部と、を備えることを特徴とする。

【発明の効果】

【0007】

本開示の装置によれば、歩行動作における関節特徴の相関を考慮して、転倒リスクを抽出することで、転倒リスクがある被験者のリハビリにおいて、複数部位の動作の連動性に関する経過観察を容易、且つ高い精度で行うことが可能となる。

【図面の簡単な説明】

【0008】

【図1】実施の形態１に係る転倒リスク抽出装置を示す機能構成図である。

【図2】実施の形態１に係る転倒リスク抽出装置を示すハードウェア構成図である。

【図3】実施の形態１に係る転倒リスク抽出装置の動作の一例を示したフローチャートである。

【図4】（ａ）は、転倒リスクがない被験者の初期歩行特徴の時系列データの例であり、（ｂ）は、転倒リスクがある被験者の初期歩行特徴の時系列データの例である。

【図5】（ａ）は転倒リスクがない被験者の加算処理後歩行特徴の時系列データの例であり、（ｂ）は、転倒リスクがある被験者の加算処理後歩行特徴の時系列データの例である。

【図6】（ａ）は、転倒リスクがない被験者のデータを周波数解析した結果の例であり、（ｂ）は、転倒リスクがある被験者のデータを周波数解析した結果の例である。

【図7】実施の形態２に係る転倒リスク抽出装置を示す機能構成図である。

【図8】実施の形態２に係る転倒リスク抽出装置の動作の一例を示したフローチャートである。

【図9】（ａ）は、転倒リスクがない被験者の両脚支持期を算出した例であり、（ｂ）は、転倒リスクがある被験者の両脚支持期を算出した例である。

【発明を実施するための形態】

【0009】

以下に、実施の形態に係る転倒リスク抽出装置を、図面を参照しながら説明する。以下の実施の形態は、例にすぎず、実施の形態を適宜組み合わせること及び各実施の形態を適宜変更することが可能である。

【0010】

《実施の形態１》
図1は、実施の形態１に係る転倒リスク抽出装置２０を示す機能構成図である。転倒リスク抽出装置２０には、歩行する被験者を撮影するカメラ１０、及び転倒リスク抽出装置２０で抽出した転倒リスクの値を被験者等に表示する表示部３０の各々が接続されている。

【0011】

カメラ１０は、被験者の映像（動画像）を撮影する撮像装置である。カメラ１０で取得した映像は、転倒リスク抽出装置２０の映像入力部２１を介して骨格情報抽出部２２に入力される。映像入力部２１は、後述する入出力インタフェース２３０であり、具体的には、ＵＳＢ(Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ)端子、ＩＥＥＥ １３９４端子、又はＴｈｕｎｄｅｒｂｏｌｔ端子等である。

【0012】

骨格情報抽出部２２は、入力された映像から被験者の人体の骨格情報を抽出する。映像から骨格情報の抽出には、例えば、「Ｏｐｅｎｐｏｓｅ」等の映像から人体の関節等を検出可能なソフトウェアを用いる。骨格情報抽出部２２は、入力された映像から人体の関節の３軸座標を骨格情報として抽出する。骨格情報抽出部２２で抽出する関節は、一例として、頭部と首の骨格関節、胸部と腹部と腰部の骨格関節、左右の肩の骨格関節、左右の肘の骨格関節、左右の手首の骨格関節、左右の手の骨格関節、左右の股関節の骨格関節、左右の膝の骨格関節、左右の足首の骨格関節、及び左右の足の骨格関節である。

【0013】

複数関節情報前処理部２３は、骨格情報抽出部２２で抽出した骨格情報に前処理を行う。具体的には、骨格情報抽出部２２で抽出した骨格情報から複数関節の歩行特徴（以降、「初期歩行特徴」と称する）を算出する。初期歩行特徴は、例えば、骨格関節の位置又は角度の時系列データ、及び骨格関節の位置又は角度の時系列データを微分したデータである。骨格関節の位置データの微分値は速度であり、骨格関節の角度の微分値は角速度である。実施の形態１において、骨格関節の位置の時系列データは、歩行における時間が経過したときの骨格関節の１軸、２軸又は３軸の座標の値である。座標は、３軸の場合であれば一例として、撮影環境の１つの地点又は映像の画面内の１つの定点を原点に設定し、当該原点から水平方向にｘ軸及びｙ軸を設定すると共に、垂直方向にｚ軸を設定する。また、一例として、ｘ軸は東西方向、ｙ軸は南北方向に設定する。骨格関節の角度は、１つの関節について、他の任意の２つの関節と結ぶ線分がある場合に、同じ端点を持つ２つの線分の間の隔たりを表す量である。角度の時系列データは歩行における時間が経過したときの角度の値とする。

【0014】

さらに、複数関節情報前処理部２３は、算出した複数の初期歩行特徴を関節間で加算又は複素表現する。加算するとは、複数の関節の時系列データである初期歩行特徴において各々同時刻の複数の関節の初期歩行特徴の値を加算し、結果として各時刻で加算された値からなる時系列データ（以降、「加算処理後歩行特徴」と称する）を抽出することである。複素表現するとは、２つの異なる関節の時系列データである初期歩行特徴において各時刻で１つの関節の初期歩行特徴の値を実部、もう１つの関節の初期歩行特徴の値を虚部とした複素数として表現し、結果として各時刻の複素数からなる時系列データ（以降、「複素表現後歩行特徴」と称する）を抽出することである。各時刻の複素数からなる時系列データは、虚部と実部の座標系（複素平面）に表示され、当該複素平面を時間経過に係る角周波数で回転するベクトルの集合体であるとみなすことができる。以降、加算処理後歩行特徴及び複素表現後歩行特徴の各々は、一括して「演算処理後歩行特徴」と呼称する。ここで、初期歩行特徴を加算又は複素表現して抽出された演算処理後歩行特徴は、被験者の歩行における時系列のデータである。また、初期歩行特徴及び演算処理後歩行特徴は、いずれも歩行特徴であり、歩行における動作の特徴の1つである。

【0015】

図４（ａ）は、転倒リスクがない被験者の両足首の位置における初期歩行特徴の時系列データの例である。図４（ｂ）は、転倒リスクがある被験者の両足首の位置における初期歩行特徴の時系列データの例である。図５（ａ）は転倒リスクがない被験者の図４（ａ）で示した両足首の位置の時系列データを加算して抽出した加算処理後歩行特徴の時系列データの例である。図５（ｂ）は、転倒リスクがある被験者の図４（ｂ）で示した両足首の位置の時系列データを加算して抽出した加算処理後歩行特徴の時系列データの例である。両足首の位置変化のほかに、両足首の角度変化、速度変化、又は角速度変化について加算処置、又は複素表現をしてもよい。

【0016】

周波数解析部２４は、複数関節情報前処理部２３で前処理した情報である演算処理後歩行特徴を周波数解析した結果（以降、「周波数解析後歩行特徴」と称する）を出力する。具体的には、周波数解析部２４は、加算処理後歩行特徴に対してフーリエ変換を行う。また、周波数解析部２４は、複素表現後歩行特徴に対して逆フーリエ変換を行う。前述のように、各時刻の複素数からなる時系列データは、複素平面を時系列で変化する角周波数で回転するベクトルの集合体を示すので、角周波数の関数とみなせる。従って、各時刻の複素数からなる時系列データを逆フーリエ変換することにより、実数の時系列データを計算することができる。逆フーリエ変換によって算出された実数の時系列データは、複素空間での軌跡に対する周波数解析に相当し、結果として、２つの関節の動作の周波数特性を計算することができる。

【0017】

図６（ａ）は、転倒リスクがない被験者の関節の位置の時系列データを加算した時系列データである加算処理後歩行特徴を周波数解析した結果である周波数解析後歩行特徴の例である。図６（ｂ）は、転倒リスクがある被験者の関節の位置の時系列データを加算して抽出した時系列データである加算処理後歩行特徴を周波数解析した結果である周波数解析後歩行特徴の例である。図６（ａ）と図６（ｂ）とを比較すると、周波数解析結果に違いがあることがわかる。例えば、図６（ａ）が示すように、転倒リスクがない被験者の振幅は、図６（ｂ）が示す転倒リスクがある被験者の振幅よりも大きくなっている。

【0018】

転倒リスク判定部２７は、周波数解析部２４から出力された周波数解析後歩行特徴と記憶部２６に格納されたデータとに基づいて、被験者の転倒リスクを抽出する。被験者の転倒リスクは、最小０最大１００の値で、より大きい値であれば転倒リスクが増大し、より小さい値であれば転倒リスクが少なくなる指標である。記憶部２６は、周波数解析後歩行特徴から転倒リスクを抽出するための計算式のパラメータを格納する。また、表示部３０は、転倒リスク判定部２７で抽出した転倒リスクの値を被験者等に表示する。転倒リスクの値の表示方法は、例えば、被験者が歩いた後、数秒間の間、ディスプレイに表示する方法等である。

【0019】

図２は、実施の形態１に係る転倒リスク抽出装置２０を示すハードウェア構成図である。転倒リスク抽出装置２０は、プロセッサ２１０、記憶装置２２０、及び入出力インタフェース２３０を含むコンピュータから成る。転倒リスク抽出装置２０は複数のコンピュータから成っていてもよい。

【0020】

プロセッサ２１０は、演算処理を行うＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）である。プロセッサ２１０は、具体例として、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）、又はＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等である。プロセッサ２１０は、前述の「Ｏｐｅｎｐｏｓｅ」等の映像から人体の関節等を検出可能なソフトウェア等を動作させることにより、骨格情報抽出部２２として機能すると共に、初期歩行特徴を関節間で加算又は複素表現するソフトウェア等を動作させることにより、複数関節情報前処理部２３として、フーリエ変換及び逆フーリエ変換を行うソフトウェア等を動作させることにより、周波数解析部２４として、被験者の転倒リスクを抽出するソフトウェア等を動作させることにより、転倒リスク判定部２７として各々機能する。

【0021】

記憶装置２２０は、図１に示した記憶部２６に相当し、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等の揮発性の記憶装置、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、又はフラッシュメモリなどの不揮発性の記憶装置により構成される。

【0022】

入出力インタフェース２３０は、図１に示した映像入力部２１を含み、入力装置及び出力装置が接続されるポートである。入出力インタフェース２３０は、具体例として、ＵＳＢ端子等である。入力装置は、カメラ１０のほかに、タッチパネル、キーボード、マウス等である。出力装置は、ディスプレイ３００のほかに、ライト、スピーカー、又はバイブレータ等である。

【0023】

以下、実施の形態１に係る転倒リスク抽出装置２０の動作の一例について説明する。図３は、実施の形態１に係る転倒リスク抽出装置２０の動作の一例を示したフローチャートである。図３に示した処理は、例えば、被験者の歩行開始と共に開始される。ステップＳ１０１では、カメラ１０によって取得した被験者の映像が映像入力部２１に入力される。

【0024】

ステップＳ１０２では、骨格情報抽出部２２において、映像入力部２１に入力された映像から被験者の人体の骨格情報を抽出する。

【0025】

ステップＳ１０３では、複数関節情報前処理部２３において、骨格情報抽出部２２で抽出した骨格情報から、複数関節の初期歩行特徴として、骨格関節の位置又は角度の時系列データ、及び骨格関節の位置又は角度の時系列データを微分したデータを算出する。微分したデータは、例えば、速度又は角速度の時系列データとなる。また、ステップＳ１０３では、骨格関節の位置の時系列データは、歩行における時間が経過したときの骨格関節の１軸、２軸又は３軸の座標の値とする。なお、座標値は、撮影環境の１つの地点又は映像の画面内の１つの定点を原点とする値である。骨格関節の角度は、１つの関節について、他の任意の２つの関節と結ぶ線分がある場合に、同じ端点を持つ２つの線分の間の隔たりを表す量のこととする。また、角度の時系列データは歩行における時間が経過したときの角度の値とする。

【0026】

ステップＳ１０４では、複数関節情報前処理部２３において、ステップＳ１０３で抽出した複数関節の初期歩行特徴を関節間で加算又は複素表現する。複数関節情報前処理部２３は、複数の関節の時系列データである各時刻でのすべての関節の初期歩行特徴の値を加算することにより、加算処理後歩行特徴を抽出する。初期歩行特徴を加算する場合には、２つ以上の関節の初期歩行特徴を用いる。また、複数関節情報前処理部２３は、２つの関節の時系列データである初期歩行特徴において各時刻で１つの関節の初期歩行特徴の値を実部、もう１つの関節の初期歩行特徴の値を虚部とした複素数として表現することにより、複素表現後歩行特徴を抽出する。初期歩行特徴を複素表現する場合には、２つ以上の偶数個の関節の初期歩行特徴を用いる。前述のように、加算処理後歩行特徴と複素表現後歩行特徴とをまとめて、歩行における時系列のデータである演算処理後歩行特徴と呼称する。実施の形態１では、初期歩行特徴の加算を何度も、例えば２以上の各々異なる任意の数の関節の初期歩行特徴の各々を加算してもよい。さらに、加算を行った後に複素表現の処理を行ってもよい。具体的には、適当な組み合わせの複数の関節の初期歩行特徴を選択すると共に選択した初期歩行特徴の各々を加算して抽出した第１の加算値である加算処理後歩行特徴Ａと、加算処理後歩行特徴Ａとは別の組み合わせの複数の関節の初期歩行特徴の各々を加算して抽出した第２の加算値である加算処理後歩行特徴Ｂとを用意し、加算処理後歩行特徴Ａを実部、加算処理後歩行特徴Ｂを虚部とした複素数を作成する。

【0027】

ステップＳ１０５では、周波数解析部２４は、複数関節情報前処理部２３での前処理で得た演算処理後歩行特徴を周波数解析して、周波数解析後歩行特徴を抽出する。具体的に、加算処理後歩行特徴に対する周波数解析としてフーリエ変換を行う。また、複素表現後歩行特徴に対する周波数解析では逆フーリエ変換を行う。前述のように、複素数を逆フーリエ変換した場合、実数の時系列データを計算することができる。逆フーリエ変換によって算出された実数の時系列データを得る工程は、複素空間での軌跡に対する周波数解析に該当し、結果として、２つの関節の動作の周波数特性を計算することが可能となる。実施の形態１における周波数解析後歩行特徴は、演算処理後の歩行特徴を、当該歩行特徴に含まれる周波数成分毎に分解した強度分布を示す。

【0028】

ステップＳ１０６では、転倒リスク判定部２７は、記憶部２６に格納されているパラメータを参照すると共に、後述する転倒リスクを判定するための計算式を再現するプログラムを動作させ、周波数解析部２４から出力された周波数解析結果から転倒リスクを判定する。当該プログラムの構成の具体的な方法は、Ｃ＋＋又はＰｙｔｈｏｎ等のプログラミング言語にて転倒リスクを判定するための計算式と同様の処理を実施するプログラムを構成しソフトウェアに組み込む。

【0029】

転倒リスクを判定するための計算式は、一例として下記の式（１）、（２）、（３）である。式（１）は、転倒リスク判定に使用するリスク判定用歩行特徴Ｖ（ｉ，ｎ）の定義式である。リスク判定用歩行特徴Ｖ（ｉ，ｎ）は、周波数解析後歩行特徴の最大振幅の負の値である。複数関節情報前処理部２３が複数個の演算処理後歩行特徴を出力したのであれば、周波数解析後歩行特徴も複数個存在する。リスク判定用歩行特徴Ｖ（ｉ，ｎ）におけるｉは、総数Ｉ個存在する周波数解析後歩行特徴の各々を識別するリスク判定用歩行特徴番号である。実施の形態１では、加算又は複素表現する関節の組み合わせを変化させたときの周波数解析後歩行特徴をすべて出力することとし、関節の組み合わせの総数をＩとする。また、リスク判定用歩行特徴Ｖ（ｉ，ｎ）におけるｎは、総数Ｎ人存在する被験者の各々を識別する被験者番号である。

【0030】

【数1】

【0031】

実施の形態１では、リスク判定用歩行特徴番号ｉと被験者番号ｎとが変化する毎に周波数解析後歩行特徴の最大振幅の負の値を、リスク判定用歩行特徴Ｖ（ｉ，ｎ）として抽出する。なお、リスク判定用歩行特徴Ｖ（ｉ，ｎ）は、時系列のデータではなく、変数ｉ又はｎの各々について1つの値が対応する。実施の形態１では、周波数解析結果の最大振幅の大きさに基づいて被験者の転倒リスクを判定する。例えば、振幅が大きければ歩行にぶれがない健常的な歩行ができていて転倒リスクが小さく、振幅が小さければ歩行にぶれがある虚弱的な歩行であり転倒リスクが大きいことが推定できる。

【0032】

式（２）は、式（１）で計算したリスク判定用歩行特徴のうち、ｉ番目のリスク判定用歩行特徴Ｖ（ｉ，ｎ）について、すべての被験者全体で正規化することにより、０から１００までの値を示す正規化後リスク判定用歩行特徴Ｓ（ｉ，ｎ）を算出する計算式である。

【0033】

【数2】

【0034】

式（２）による正規化処理は、総数Ｎのすべての被験者のうち、最大のリスク判定用歩行特徴が１００、最小のリスク判定用歩行特徴が０となるように正規化するものである。なお、正規化後リスク判定用歩行特徴Ｓ（ｉ，ｎ）は、時系列ではなく、変数ｉ又はｎの各々について1つの値が対応する。

【0035】

式（３）は、式（２）で抽出した正規化後リスク判定用歩行特徴Ｓ（ｉ，ｎ）を、被験者ごとに、総数Ｉのすべての正規化後リスク判定用歩行特徴Ｓ（ｉ，ｎ）に重み付けをして加算することにより、正規化後リスク判定用歩行特徴Ｓ（ｉ，ｎ）の加重平均である転倒リスクＦ（ｎ）を算出する計算式である。

【0036】

【数3】

【0037】

式（３）の重みｗ（ｉ）は、パラメータとして記憶部２６に格納されている。実施の形態１では、より高精度に転倒リスクを判定できるパラメータを算出して記憶部２６に格納する。記憶部２６に格納する、より高精度に転倒リスクを判定できるパラメータの作成は、パラメータの取り得るすべての値について、転倒リスクＦ（ｎ）の判定結果を出力し、転倒リスクの真値との誤差がより小さい場合のパラメータを取得するという方法を用いる。なお、高精度に転倒リスクを判定できているかを判定する方法は、数百人以上の被験者データを用い、後述するＦ値（Ｆ１スコア）を精度評価指標として用いることとする。

【0038】

高精度に転倒リスクを判定できているかのチェックは、数百人以上の被験者データについて，「各被験者についてＴＵＧ（Ｔｉｍｅｄ Ｕｐ ＆ Ｇｏ Ｔｅｓｔ）テストにより算出した転倒リスクの真値ｆ（ｎ）」と、「各被験者について転倒リスク抽出装置２０により検知した転倒リスクＦ（ｎ）」との誤差が小さいかどうかを問う。ＴＵＧテストは、歩行能力、動的バランス、及び敏捷性等を総合的に判断するテストで、測定時間の大きさから転倒リスクを判定することができる。転倒リスクの真値ｆ（ｎ）は、医学療法士による診断からも推定できるが、実施の形態１では、より客観的な数値が得られるＴＵＧテストによって得られた結果を真値ｆ（ｎ）とする。

【0039】

誤差の評価に供する転倒リスクＦ（ｎ）は、パラメータとして記憶部２６に予め格納されている重みｗ（ｉ）の初期値を用いて上記の式（１）～（３）により数百人以上のすべての被験者について算出する。また、誤差の評価に供する真値ｆ（ｎ）は、上述のＴＵＧテストによって数百人以上のすべての被験者について算出する。実施の形態１では、真値ｆ（ｎ）と転倒リスクＦ（ｎ）との誤差が小さければＴＲＵＥ、大きければＦＡＬＳＥとして、すべての被験者でＴＲＵＥ／ＦＡＬＳＥを判定する。

【0040】

上述のＴＲＵＥ／ＦＡＬＳＥの判定において、誤差が小さいかどうかの判断は、各被験者において、真値ｆ（ｎ）と転倒リスクＦ（ｎ）との差が、後述する標準誤差ＳＥ以下であれば、ＴＲＵＥ（検知 正解）、標準誤差ＳＥより大きければ、ＦＡＬＳＥ（検知 不正解）とするものである。

【0041】

標準誤差ＳＥは、下記のように算出する。１人目の被験者における転倒リスク抽出装置２０で検知した転倒リスクＦ（１）とし、Ｎ人の全被験者について転倒リスク抽出装置２０で検知した転倒リスクＦ（ｎ）（ｎ＝１，…，Ｎ）を、Ｆ（１）～Ｆ（Ｎ）とする。

【0042】

下記の式（４）を用いてＦ（１）～Ｆ（Ｎ）の平均Ｅａを算出する。そして、下記の式（５）によって、Ｆ（１）～Ｆ（Ｎ）と平均Ｅａとの偏差の二乗和を全被験者数Ｎで除算することにより、Ｆ（１）～Ｆ（Ｎ）の分散Ｓａ２を算出する。

【0043】

【数4】

【0044】

【数5】

【0045】

下記の式（６）に示したように、分散Ｓａ２の平方根であるＦ（１）～Ｆ（Ｎ）の標準偏差Ｓａを算出し、式（７）に示したように、標準偏差Ｓａを全被験者数Ｎの平方根で除算することにより、標準誤差ＳＥを得る。

【0046】

【数6】

【0047】

【数7】

【0048】

実施の形態１では、式（７）で算出した標準誤差ＳＥを用いた全被験者のＴＲＵＥ／ＦＡＬＳＥの判定結果の二項分類に基づいて各々得た再現率と適合率との調和平均であるF値を1つ算出する。そして、算出したＦ値の大きさで転倒リスクＦ（ｎ）の精度を評価する。

【0049】

転倒リスク判定結果である転倒リスクＦ（ｎ）と転倒リスク真値ｆ（ｎ）との誤差の評価には、下記の式（８）で示したすべての被験者の誤差の２乗平均平方根誤差ＲＭＳＥ（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅｄ Ｅｒｒｏｒ）を算出してもよい。又は、データの分布の類似性を判定可能な機械学習済みモデルを用い、転倒リスクＦ（ｎ）及び転倒リスク真値ｆ（ｎ）の各々の分布の類似度に基づいて誤差の評価を行ってもよい。

【0050】

【数8】

【0051】

ステップＳ１０７では、算出した転倒リスクＦ（ｎ）を被験者に表示する。具体的には、ディスプレイ３００に転倒リスクについての数値Ｆ（ｎ）を表示する。転倒リスクＦ（ｎ）の値に応じてディスプレイ３００の表示色を変化させることにより、被験者に転倒のリスクを直感的に認識させるようにしてもよい。

【0052】

以上説明したように、実施の形態1によれば、歩行の映像を取得し、映像から人体骨格を抽出し、骨格における初期歩行特徴を抽出し、複数の関節の初期歩行特徴を加算又は複素表現したデータを周波数解析することで、複数部位の動作の相関を考慮して転倒リスクＦ（ｎ）を抽出することができる。抽出した転倒リスクＦ（ｎ）により、複数部位の動作の連動性に関する転倒リスクの評価が可能なので、結果として、診察又はリハビリの経過観察において、より詳細な転倒リスクの診断ができる。

【0053】

実施の形態１では、リスク判定用歩行特徴Ｖ（ｉ，ｎ）に周波数解析後歩行特徴の最大振幅の負の値を適用したが、これに限定されない。リスク判定用歩行特徴Ｖ（ｉ，ｎ）に周波数解析後歩行特徴の最大振幅の正の値を適用してもよく、かかる場合には、転倒リスクＦ（ｎ）の値が低いほど転倒リスクが大きいことを示す。

【0054】

《実施の形態２》
実施の形態１では、被験者の複数の関節の歩行特徴に基づいて、当該被験者の転倒リスクＦ（ｎ）を算出する例について説明した。被験者の歩行状態を判定するには、当該被験者の複数の関節の歩行特徴に加えて、当該被験者の両足が地面に接している時間である両脚支持期も考慮することが望ましい。

【0055】

図７は、実施の形態２に係る転倒リスク抽出装置２００を示す機能構成図である。転倒リスク抽出装置２００は、骨格情報抽出部２２で抽出した骨格情報から得た両脚の関節の初期歩行特徴から被験者の両脚支持期を検出する両脚支持期検出部２５をさらに備え、転倒リスク判定部２８は、周波数解析部２４で出力される周波数解析結果と、両脚支持期検出部２５で出力される両脚支持期とから転倒リスクを判定する点で実施の形態１に係る転倒リスク抽出装置２０と相違する。しかしながら、その他の構成は実施の形態１に係る転倒リスク抽出装置２０と同じなので、転倒リスク抽出装置２０と同一の構成については、転倒リスク抽出装置２０と同一の符号を付して詳細な説明は省略する。また、実施の形態２のハードウェア構成は、実施の形態１のハードウェア構成と同じなので、詳細な説明は省略する。

【0056】

図７において、骨格情報抽出部２２は、実施の形態１と同様に、映像入力部２１を介して入力された映像から人体の関節の３軸座標を骨格情報として抽出し、抽出した骨格情報を複数関節情報前処理部２３と両脚支持期検出部２５とに出力する。

【0057】

両脚支持期検出部２５は、骨格情報抽出部２２で抽出した骨格情報から被験者の両足首の初期歩行特徴を算出する。初期歩行特徴は、例えば、左右各々の足首の位置又は角度の時系列データ、及び左右各々の足首の位置又は角度の時系列データを微分したデータである。足首の位置データの微分値は速度であり、足首の角度の微分値は角速度である。実施の形態２において、左右各々の足首の位置の時系列データは、歩行における時間が経過したときの左右各々の足首の１軸、２軸又は３軸の座標の値である。座標は、３軸の場合であれば一例として、撮影環境の１つの地点又は映像の画面内の１つの定点を原点に設定し、当該原点から水平方向にｘ軸及びｙ軸を設定すると共に、垂直方向にｚ軸を設定する。また、一例として、ｘ軸は東西方向、ｙ軸は南北方向に設定する。足首の角度は、左右いずれかの足首について、当該足首以外の任意の２つの関節と結ぶ線分がある場合に、同じ端点を持つ２つの線分の間の隔たりを表す量である。角度の時系列データは歩行における時間が経過したときの角度の値とする。実施の形態２では、被験者の両足首の初期歩行特徴のうち、左右各々の足首の速度に基づいて被験者の両脚支持期を検出する。

【0058】

図９（ａ）は、転倒リスクがない被験者の両脚支持期５０を算出した例である。図９（ｂ）は、転倒リスクがある被験者の両脚支持期５２を算出した例である。図９（ａ）及び図９（ｂ）では、歩行における進行方向についての右足首と左足首の各々の速度変化を出力している。実施の形態２では、図９（ａ）及び図９（ｂ）に示したように、右足首と左足首の各々の速度が一定の閾値Ｔ以下になっている時間を両脚支持期５０、５２とする。閾値Ｔは、例えば、被験者の実際の歩行状態と、当該被験者の右足首と左足首の各々の速度とを比較衡量して具体的に決定する。図９（ａ）と図９（ｂ）とを比較すると、図９（ｂ）の両脚支持期５２が、図９（ａ）の両脚支持期５０よりも長く、両脚支持期が長い場合、転倒リスクが大きくなることを示唆している。両脚支持期を検出するために用いる初期歩行特徴は、図９（ａ）及び図９（ｂ）では歩行における進行方向の足首の速度変化を用いているが、歩行における左右の方向、鉛直方向の任意の関節の位置、加速度の時系列データ、又は左右各々の足首の関節の角度又は角速度の時系列データを用いてもよい。

【0059】

転倒リスク判定部２８は、周波数解析部２４が出力した周波数解析結果と、両脚支持期検出部２５が出力した両脚支持期と、記憶部２６に格納されたデータに基づいて被験者の転倒リスクを抽出する。被験者の転倒リスクは、最小０最大１００の値で、より大きい値であれば転倒リスクが増大し、より小さい値であれば転倒リスクが少なくなる指標である。記憶部２６は、周波数解析後歩行特徴から転倒リスクを抽出するための計算式のパラメータを格納する。また、表示部３０は、転倒リスク判定部２８で抽出した転倒リスクの値をディスプレイ３００等に表示して被験者に報知する。例えば、ディスプレイ３００に、「Ｆｉｎｅ」等の文字を表示して転倒リスクが少ないことを示す、又は「Ｆｒａｉｌ」等の文字を表示して転倒リスクが高いことを示してもよい。

【0060】

以下、実施の形態２に係る転倒リスク抽出装置２００の動作の一例について説明する。図８は、実施の形態２に係る転倒リスク抽出装置２００の動作の一例を示したフローチャートである。図８のステップＳ２０１、Ｓ２０２、Ｓ２０３、Ｓ２０４、Ｓ２０５の各々は、図３に示した実施の形態１のフローチャートにおけるステップＳ１０１、Ｓ１０２、Ｓ１０３、Ｓ１０４、Ｓ１０５と同じなので、詳細な説明は省略する。

【0061】

ステップＳ２０６では、両脚支持期検出部２５は、骨格情報抽出部２２で抽出した骨格情報から、両足首の初期歩行特徴を抽出する。両脚支持期検出部２５が抽出する両足首の初期歩行特徴は、前述のように、例えば、左右各々の足首の速度等である。

【0062】

ステップＳ２０７では、両脚支持期検出部２５は、ステップＳ２０６で抽出した両脚の関節の初期歩行特徴から両脚支持期を検出する。前述のように、実施の形態２では、図９（ａ）及び図９（ｂ）に示したように、右足首と左足首の各々の速度が一定の閾値Ｔ以下になっている時間を両脚支持期５０、５２とする。

【0063】

ステップＳ２０８では、転倒リスク判定部２８は、記憶部２６に格納されているパラメータを参照すると共に、後述する転倒リスクを判定するための計算式を再現するプログラムを動作させ、周波数解析部２４から出力された周波数解析結果から転倒リスクを判定する。当該プログラムの構成の具体的な方法は、Ｃ＋＋又はＰｙｔｈｏｎ等のプログラミング言語にて転倒リスクを判定するための計算式と同様の処理を実施するプログラムを構成しソフトウェアに組み込む。

【0064】

転倒リスクを判定するための計算式は、一例として上述の式（２）、（３）、及び下記の式（９）である。式（９）は、転倒リスク判定に使用するリスク判定用歩行特徴Ｖ（ｉ，ｎ）の定義式である。リスク判定用歩行特徴Ｖ（ｉ，ｎ）は、周波数解析後歩行特徴の最大振幅の負の値又は両脚支持期である。リスク判定用歩行特徴Ｖ（ｉ，ｎ）におけるｉは、総数Ｉ個存在する周波数解析後歩行特徴の各々を識別するリスク判定用歩行特徴番号である。実施の形態２では、式（９）の番号ｉの総数Ｉについて、加算若しくは複素表現する関節の組み合わせを変化させたときの周波数解析結果又は両脚支持期をすべて出力し、関節の組み合わせの総数（Ｉ－１）と両脚支持期の数の１とを合計した値をＩとする。また、リスク判定用歩行特徴Ｖ（ｉ，ｎ）におけるｎは、総数Ｎ人存在する被験者の各々を識別する被験者番号である。

【0065】

【数9】

【0066】

実施の形態２では、実施の形態１と同様に、周波数解析結果の最大振幅について、この振幅の大きさを用いて転倒リスクを判定することで、振幅が大きければ歩行にぶれがなく健常的な歩行ができており転倒リスクが小さく、振幅が小さければ歩行にぶれがあり虚弱的な歩行であり転倒リスクが大きいと判定する。また、両脚支持期の値の大きさに基づいても転倒リスクを判定する。両脚支持期が小さければ、左右の脚の立脚と遊脚との切り替えをスムーズに行う健常的な歩行ができており転倒リスクが小さく、両脚支持期が大きければ、左右の脚の立脚と遊脚との切り替えがスムーズに行えていない虚弱的な歩行であり転倒リスクが大きいと推定できる。具体的には両脚支持期が大きい場合、両足が地面に接しており両足とも前に動かせていない状態であり、この状態の時間が長く続くことにより、歩行の連動的な動作が滞っていることが伺える。従って、両脚支持期が大きい場合は転倒リスクが大きく、逆に両脚支持期が小さい場合は転倒リスクが小さいと判定できる。

【0067】

上述のように、式（２）は、ｉ番目のリスク判定用歩行特徴Ｖ（ｉ，ｎ）について、すべての被験者全体で正規化することにより、０から１００までの値を示す正規化後リスク判定用歩行特徴Ｓ（ｉ，ｎ）を算出する計算式である。実施の形態２では、上述の式（９）を用いて算出したリスク判定用歩行特徴Ｖ（ｉ，ｎ）を、式（２）に適用する。

【0068】

実施の形態１で説明したように、式（２）による正規化処理は、総数Ｎのすべての被験者のうち、最大のリスク判定用歩行特徴が１００、最小のリスク判定用歩行特徴が０となるように正規化するものである。なお、正規化後リスク判定用歩行特徴Ｓ（ｉ，ｎ）は、時系列等の複数の値の集合ではなく、変数ｉ又はｎの各々について1つの値が対応する。

【0069】

実施の形態１で説明したように、式（３）は、式（２）で抽出した正規化後リスク判定用歩行特徴Ｓ（ｉ，ｎ）を、被験者ごとに、総数Ｉのすべての正規化後リスク判定用歩行特徴Ｓ（ｉ，ｎ）に重み付けをして加算することにより、転倒リスクＦ（ｎ）を算出する。式（３）の重みｗ（ｉ）は、パラメータとして記憶部２６に格納されている。実施の形態２では、実施の形態１と同様に、より高精度に転倒リスクを判定できるパラメータを算出して記憶部２６に格納する。

【0070】

記憶部２６に格納する、より高精度に転倒リスクを判定できるパラメータの作成は、実施の形態１と同様に、パラメータの取り得るすべての値について、転倒リスクＦ（ｎ）の判定結果を出力し、転倒リスクの真値との誤差がより小さい場合のパラメータを取得するという方法を用いる。転倒リスク判定結果である転倒リスクＦ（ｎ）と転倒リスク真値ｆ（ｎ）との誤差の評価は、実施の形態1と同様に、Ｆ値を精度評価指標とする、すべての被験者の誤差の２乗平均平方根誤差ＲＭＳＥを算出する、又はデータの分布の類似性を判定可能な機械学習済みモデルを用いて行う。

【0071】

ステップＳ２０９では、算出した転倒リスクＦ（ｎ）を被験者に表示する。具体的には、ディスプレイ３００に転倒リスクについての数値Ｆ（ｎ）を表示する。転倒リスクＦ（ｎ）の値に応じてディスプレイ３００の表示色を変化させることにより、被験者に転倒のリスクを直感的に認識させるようにしてもよい。

【0072】

以上説明したように、実施の形態２によれば、被験者の複数の関節の歩行特徴と、両脚支持期とに基づいて転倒リスクＦ（ｎ）を算出することができる。算出した転倒リスクＦ（ｎ）により、複数部位の動作の連動性と、左右の脚の立脚または遊脚の切り替えのスムーズさとを考慮した転倒リスクの評価が可能なので、結果として、診察又はリハビリの経過観察において、より詳細な転倒リスクの診断ができる。

【0073】

実施の形態２では、両脚支持期検出部２５で両足首の歩行特徴を抽出したが、これに限定されない。複数関節情報前処理部２３で両足首の歩行特徴を抽出してもよい。

【0074】

《実施の形態３》
実施の形態１では、複数の関節の動作の相関を含む歩行特徴を周波数解析し、得られた周波数特性の最大振幅を正規化した値の加重平均を算出して前記被験者の転倒リスクを判定したが、実施の形態３では、「関節間の特徴の相関係数」を用いて転倒リスクを算出する。実施の形態３に係る転倒リスク抽出装置の構成は実施の形態１に係る転倒リスク抽出装置２０と同じなので、詳細な説明は省略する。また、実施の形態２のハードウェア構成は、実施の形態１のハードウェア構成と同じなので、詳細な説明は省略する。

【0075】

「関節の特徴」とは、例えば、複数関節情報前処理部２３で抽出した関節の変位の時系列データ、または周波数特性の周波数スペクトルのデータである。実施の形態３では、１人の被験者について、関節の特徴Ａ、Ｂがある場合を想定する。第１群である特徴ＡはＡ１からＡｎまであり、第２群である特徴ＢはＢ１からＢｎまであり、特徴Ａ、Ｂの各々はｎ個のデータで構成されている場合、相関係数は以下の手順で算出される。

【0076】

特徴Ａについて、Ａ１～Ａｎの平均Ｅａを算出し、Ａ１～Ａｎの各々と平均Ｅａとの偏差を算出。算出した偏差の各々の二乗和をｎで除算してＡ１～Ａｎの分散Ｓａ２を算出し、さらに分散Ｓａ２の平方根である標準偏差Ｓａを算出する。特徴Ｂについても同様に、Ｂ１～Ｂｎの平均Ｅｂ、Ｂ１～Ｂｎの各々と平均Ｅｂとの偏差、Ｂ１～Ｂｎの分散Ｓｂ２、及び標準偏差Ｓｂを算出する。

【0077】

Ａ１～Ａｎの各々とＥａとの偏差の各々の値と、Ｂ１～Ｂｎの各々とＥｂとの偏差の各々の値との積の平均である特徴Ａと特徴Ｂの共分散Ｓａｂを算出する。

【0078】

相関係数ｒは、下記の式（１０）に示したように、共分散Ｓａｂを標準偏差Ｓａと標準偏差Ｓｂとの積で除算することで得られる。

【0079】

【数10】

【0080】

相関係数ｒは、各々の被験者で、特徴Ａ、Ｂのような２つの特徴の組み合わせ毎に原則として１つの値を算出できる。しかしながら、各々の関節には、鉛直方向の変位、進行方向の速度、鉛直方向を軸とした角度の変位等の複数の歩行特徴が認められるので、これら複数の歩行特徴を用いて、複数の相関係数ｒを算出できる。相関係数ｒは、－１≦ｒ≦１の値を示し、ｒが１に近いほど特徴Ａ、Ｂには正の相関があり、－１に近いほど特徴Ａ、Ｂには負の相関がある。また、ｒ＝０に近い場合、特徴Ａ、Ｂに相関はない。

【0081】

実施の形態３では、算出した相関係数ｒを、周波数特性の最大振幅又は両脚支持期と同様に転倒リスク検知に利用する。例えば、特徴Ａが被験者の右足首関節の位置の変位量のうち所定の閾値以上となった変位量の時系列データであり、特徴Ｂが当該被験者の左足首関節の位置の変位量のうち所定の閾値以上となった変位量の時系列データであるとする。当該被験者の左右の足首の関節の位置の変位量に差がある場合、当該被験者の歩行は不安定であることが推定できる。かかる場合に、特徴Ａ、Ｂについて算出された相関係数ｒは－１に近い負の値となり、当該被験者の左右の足首の関節の変位量に負の相関があることを示す。逆に、当該被験者の左右の足首の関節の変位量に差がない場合、当該被験者の歩行は安定であることが推定できる。かかる場合に、特徴Ａ、Ｂについて算出された相関係数ｒは１に近い負の値となり、当該被験者の左右の足首の関節の変位量に正の相関があることを示す。

【0082】

なお、請求の範囲における「骨格情報抽出部」は、発明の詳細な説明に記載の「骨格情報抽出部２２」に、請求の範囲における「関節情報抽出部」及び「歩行特徴算出部」は、発明の詳細な説明に記載の「複数関節情報前処理部２３」に、請求の範囲における「周波数解析部」は、発明の詳細な説明に記載の「周波数解析部２４」に、請求の範囲における「転倒リスク抽出部」は、発明の詳細な説明に記載の「転倒リスク判定部２７、２８」に、請求の範囲における「両脚支持期検出部」は、発明の詳細な説明に記載の「両脚支持期検出部２５」に各々相当する。

【符号の説明】

【0083】

１０ カメラ、２０ 転倒リスク抽出装置、２１ 映像入力部、２２ 骨格情報抽出部、２３ 複数関節情報前処理部、２４ 周波数解析部、２５ 両脚支持期検出部、２６ 記憶部、２７、２８ 転倒リスク判定部、２００ 転倒リスク抽出装置

【要約】

転倒リスク抽出装置（２０）は、被験者の歩行の映像から、当該被験者の骨格情報を抽出する骨格情報抽出部（２２）と、骨格情報から、当該被験者の歩行時の各関節における時系列での位置変化、角度変化、速度変化、及び角速度変化の各々を含む情報を抽出すると共に、抽出した情報に基づいて、複数の関節の動作の相関を含む歩行特徴を算出する複数関節情報前処理部（２３）と、複数の関節の動作の相関を含む歩行特徴に基づいて当該被験者の転倒リスクを抽出する転倒リスク判定部（２７）と、を備える。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】