行動状態推定装置、行動状態学習装置、行動状態推定方法、行動状態学習方法およびプログラム
【課題】自由度の高い行動中の筋肉の微細な振動成分を、非侵襲的で簡便に装着できるセンサから得られるデータを演算することで推定可能にし、様々な行動中の筋肉の負荷状態などを観測できるようにする。
【解決手段】被験者に装着された振動検知センサによって測定された信号から行動状態を推定する行動状態推定装置１００Ａは、振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求める周波数バンド統計量演算部１３０と、統計量に基づき被験者の行動状態を推定する行動状態成分演算部１４０と、を備えることを特徴とする。
【解決手段】被験者に装着された振動検知センサによって測定された信号から行動状態を推定する行動状態推定装置１００Ａは、振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求める周波数バンド統計量演算部１３０と、統計量に基づき被験者の行動状態を推定する行動状態成分演算部１４０と、を備えることを特徴とする。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、行動状態推定装置、行動状態学習装置、行動状態推定方法、行動状態学習方法およびプログラムに関するものである。より詳細には、被験者の筋肉負荷量や疲労といった、行動に付随する筋肉等の状態の推定を行うものである。
【背景技術】
【０００２】
従来、下記特許文献１、特許文献２および非特許文献１に開示されているとおり、筋肉の表面に発生する微細振動を振動検知センサなどの非侵襲的なセンサで検出し、検出した微細振動から、筋力負荷や筋肉疲労度と関連があると考えられている筋音図を算出する装置などがあった。
【０００３】
非特許文献１に開示されている技術では、被験者の腕を測定装置上の固定金具で固定した状態におき、腕に加速度センサを装着した上で、固定された腕を動かそうと力む動作により被験者の腕に筋力負荷をかけている。筋力負荷をかけた結果、腕の表面上にあらわれる微細振動を加速度の変化として読み取り、これを筋音図としている。また、実際に被験者が発揮している筋力は、手首に固定したひずみゲージにより読み取る。被験者の腕は、筋力負荷により多少動く程度となる。当該技術では、筋音図は、さらに短時間フーリエ変換（ＳＴＦＴ）により複数の周波数成分に分解される。そして、当該技術では、それら複数の周波数成分の振幅量に基づき平均周波数と振幅のＲＭＳ（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅ）値（振幅ＲＭＳ）を計算し、それらを筋力負荷や筋疲労と関係あるファクターとしている。本文献に開示された手法では、被験者の身体がほとんど動かない状態において筋力負荷を持続的にかけるため、加速度センサから得られる加速度成分としては、鉛直方向に静的な成分である重力加速度を除くと、ほぼ筋力負荷によって発生する筋肉の振動成分のみとなる。そのため、当該技術は、平均周波数などといった筋肉の振動状態を少ないノイズで抽出できる理想的な方法である。
【０００４】
特許文献１に開示されている技術では、被験者が鎖で固定されたハンドルを引っ張り上げるように力を入れることで、静止しながら筋力負荷をかけられる環境下で筋音図を測定している。筋肉表面にやや圧迫する形で装着する圧電素子を用い、圧電素子により得られる圧力変化を数値で表したものを筋音図として検知している。また、当該技術では、この筋音図に対してフーリエ変換やウェーブレット変換を用いた周波数変換などにより非特許文献１と同様に周波数変換を行い、平均周波数と振幅ＲＭＳを計算している。当該技術では、これらの平均周波数や振幅ＲＭＳを筋肉の負荷や疲労と関係のあるファクターとして用いている点についても非特許文献１に開示されている技術と同様である。特許文献１に開示された手法においても、被験者は固定されたハンドルを引っ張ろうと筋力負荷をかけている状態のため、身体は動かず静止の状態である。特許文献１に開示されている技術は、非特許文献１に開示されている技術のように固定金具で腕を固定するものではないが、簡便に被験者を筋力負荷の持続した静止状態におくことが可能である。したがって、特許文献１に開示されている技術を用いた場合においても、非特許文献１に開示された技術を用いた場合と同様に、ほぼ筋肉の振動成分のみが安定的に得られ、筋肉の振動成分から得られる平均周波数や振幅ＲＭＳなども、筋肉の振動状態を示す理想的な指標となる。
【０００５】
特許文献２に開示されている技術では、被験者の下肢を拘束し、理想的な歩行動作を行うように駆動する歩行訓練装置において、大腿部にピエゾ素子・コンデンサマイク・加速度センサなどにより得られる振動成分を筋音図として抽出している。特許文献２に開示されている技術においても、非特許文献１および特許文献１に開示されている技術と同様に、平均周波数と振幅ＲＭＳを用いている。また、特許文献２に開示されている技術では、筋音図の周波数成分のうち、スペクトル量のピーク値を、健康な足と訓練対象の足について比較することにより、ピーク値の偏差を求め、ピーク値の偏差から適切な介助量を決定している。特許文献２に開示されている技術では、被験者が静止状態ではないものの、被験者の歩行動作時の大腿部の動きというある程度制約された動きを検出対象としている。そのため、被験者の動きに起因するノイズは限定的であり、健康側の足と訓練対象側の足について比較をして介助量を決定するのが特許文献２に開示されている技術の目的であるため、当該技術は、多少のノイズを許容できるシステムである。
【先行技術文献】
【特許文献】
【０００６】
【特許文献１】特開２００４−１４１２２３号公報
【特許文献２】特開２００４−１６７０５６号公報
【非特許文献】
【０００７】
【非特許文献１】筋疲労を伴う持続収縮時の筋音図（Ｍｅｃｈａｎｏｍｙｏｇｒａｍ）の時間−周波数解析 伊藤、他、信学論（Ｄ） Ｖｏｌ．Ｊ８６−Ｄ−II Ｎｏ．１ ｐｐ．１３０−１３９ ２００３年１月
【発明の概要】
【発明が解決しようとする課題】
【０００８】
しかしながら、上記した従来技術では、自由度の高い行動（例えば、身体を拘束しない自由な運動や体操、環境を限定しない非定型な行動など）をしている人の筋力負荷などを検出することができなかった。これらの従来技術に共通かつ重要な点として、筋音図を検知するために振動検知センサを装着する部位の動きが、非常に制約された小さな動きになっているということが挙げられる。非特許文献１、特許文献１に開示されている技術では、被験者はほぼ静止状態であり、特許文献２に開示されている技術では、大腿部の運動はかなり制約された歩行訓練の動きである。このように、理想的な行動状態下において筋音図を取得し、そこから平均周波数や振幅ＲＭＳなどを算出すると、身体の動きに伴うノイズ成分が小さい、もしくは固定的なため、筋肉の微細な振動成分を主要に反映する値となりやすい。しかしながら、身体を拘束しない自由な運動や環境を限定しない非定型な運動では、運動の動き自体のほか、被験者周囲の物体などとの干渉（接触など）による衝撃など、多様な振動成分が観測されてしまう。このような場合に、筋音図から平均周波数と振幅ＲＭＳを求めると、筋肉の微細振動以外の成分の影響が大きいため、平均周波数と振幅ＲＭＳは、筋肉への負荷や疲労状態を反映し難い値となる。
【０００９】
また、加速度センサを用いた場合は、装着部位が動くと、たとえゆっくりした動きであっても、センサの向きが変化し、１Gの加速度が常に発生している重力の向きの変化により、観測される加速度が変化するケースが多く、波形として大きな変化となって平均周波数や振幅ＲＭＳに大きく影響を及ぼす。例えば、行動に起因する加速度は１〜２Ｇ程度であるが、重力加速度は１Ｇであるため、センサの方向が変化すると、センサに加わる重力加速度が−１Ｇ〜１Ｇの範囲で変化する。この加速度変化は様々な周波数成分を含んでいるが、これが行動に起因する加速度に重畳される。かなりゆっくりとした運動の場合は、例えば、バンドパスフィルタなどを用いることで筋肉の微細振動以外の成分を除去することもある程度可能と考えられる。しかし、実際の通常の運動には多様な周波数成分が含まれ、バンドパスフィルタを用いても一様な除去は難しい。また、加速度センサを腕などに装着して被験者が運動する場合、非常に立ち上がりが早く、振幅の大きい波形が観測される場合があり、このような場合は、フーリエ変換後の全周波数帯に非常に強度の高いスペクトルが表れてしまう。また、筋肉の微細振動に起因する周波数自体も、筋肉負荷や疲労度などによって遷移するため、バンドパスフィルタを用いて一律に筋肉の微細振動以外の成分を低減することは難しく、その結果、平均周波数や振幅ＲＭＳが微細振動成分を表さなくなる。
【００１０】
そこで、本発明は、上記問題に鑑みてなされたものであり、本発明の目的とするところは、従来では難しかった、自由度の高い行動中の筋肉の微細な振動成分を、非侵襲的で簡便に装着できるセンサから得られるデータを演算することで推定可能にし、様々な行動中の筋肉の負荷状態などを観測できるようにすることが可能な技術を提供することにある。
【課題を解決するための手段】
【００１１】
上記問題を解決するために、本発明のある観点によれば、被験者に装着された振動検知センサによって測定された信号から行動状態を推定する行動状態推定装置において、振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求める周波数バンド統計量演算部と、統計量に基づき被験者の行動状態を推定する行動状態成分演算部と、を備えることを特徴とする、行動状態推定装置が提供される。
【００１２】
周波数バンド統計量演算部は、複数の周波数バンドのそれぞれから各統計量を求め、行動状態成分演算部は、各統計量に基づき被験者の行動状態として、被験者の筋肉にかかる負荷の状態を演算することとしてもよい。
【００１３】
行動状態成分演算部は、複数の周波数バンドのうち、筋音成分を主成分とする周波数バンドから周波数バンド統計量演算部によって求められた統計量と、筋音成分を主成分とする周波数バンド以外の周波数バンドから周波数バンド統計量演算部によって求められた統計量との比に基づき、被験者の筋肉にかかる負荷の状態を演算することとしてもよい。
【００１４】
周波数バンド統計量演算部は、複数の異なる時刻に振動検知センサによって測定された複数の信号のそれぞれを周波数変換し、周波数変換して得られた複数の周波数成分のうち、所定の周波数バンドから統計量を求めることとしてもよい。
【００１５】
また、本発明の別の観点によれば、被験者に装着された振動検知センサによって測定された信号と被験者に装着された筋電位センサによって測定された信号とから行動状態を推定するために使用されるモデルを構築する行動状態学習装置において、振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求める周波数バンド統計量演算部と、筋電位センサによって測定された信号から行動状態成分量を推定する行動状態成分変換部と、周波数バンド統計量演算部によって求められた統計量に基づき入力ベクトルを生成し、行動状態成分変換部によって推定された行動状態成分量を教師信号として、入力ベクトルと教師信号とに基づいて学習を行う行動状態成分学習部と、行動状態成分学習部が学習して得た結果を行動状態モデルとして出力する行動状態モデル出力部と、を備えることを特徴とする、行動状態学習装置が提供される。
【００１６】
周波数バンド統計量演算部は、複数の周波数バンドのそれぞれから各統計量を求め、行動状態成分学習部は、周波数バンド統計量演算部によって求められた各統計量に基づき入力ベクトルを生成することとしてもよい。
【００１７】
また、本発明の別の観点によれば、被験者に装着された振動検知センサによって測定された信号から行動状態を推定する行動状態推定装置において、振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求める周波数バンド統計量演算部と、行動状態モデルを記憶する行動状態モデル記憶部と、行動状態モデル記憶部によって記憶されている行動状態モデルを取得するとともに周波数バンド統計量演算部によって求められた統計量に基づき入力ベクトルを生成し、行動状態モデルと入力ベクトルとに基づき被験者の行動状態を推定する行動状態成分推定部と、を備えることを特徴とする、行動状態推定装置が提供される。
【００１８】
周波数バンド統計量演算部は、複数の周波数バンドのそれぞれから各統計量を求め、行動状態成分推定部は、各統計量に基づき入力ベクトルを生成し、行動状態モデルと入力ベクトルとに基づき、被験者の行動状態として、被験者の筋肉にかかる負荷の状態を演算することとしてもよい。
【００１９】
また、本発明の別の観点によれば、被験者に装着された振動検知センサによって測定された信号から行動状態を推定する行動状態推定装置によって実行される行動状態推定方法において、振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求めるステップと、統計量に基づき被験者の行動状態を推定するステップと、を含むことを特徴とする、行動状態推定方法が提供される。
【００２０】
また、本発明の別の観点によれば、被験者に装着された振動検知センサによって測定された信号と被験者に装着された筋電位センサによって測定された信号とから行動状態を推定するために使用されるモデルを構築する行動状態学習装置よって実行される行動状態学習方法において、振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求めるステップと、筋電位センサによって測定された信号から行動状態成分量を推定するステップと、統計量に基づき入力ベクトルを生成し、行動状態成分量を教師信号として、入力ベクトルと教師信号とに基づいて学習を行うステップと、学習して得た結果を行動状態モデルとして出力するステップと、を含むことを特徴とする、行動状態学習方法が提供される。
【００２１】
また、本発明の別の観点によれば、被験者に装着された振動検知センサによって測定された信号から行動状態を推定する行動状態推定装置によって実行される行動状態推定方法において、振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求めるステップと、統計量に基づき入力ベクトルを生成し、行動状態モデルと入力ベクトルとに基づき被験者の行動状態を推定するステップと、を含むことを特徴とする、行動状態推定方法が提供される。
【００２２】
また、本発明の別の観点によれば、コンピュータを、被験者に装着された振動検知センサによって測定された信号から行動状態を推定する行動状態推定装置であって、振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求める周波数バンド統計量演算部と、統計量に基づき被験者の行動状態を推定する行動状態成分演算部と、を備えることを特徴とする、行動状態推定装置として機能させるためのプログラムが提供される。
【００２３】
また、本発明の別の観点によれば、コンピュータを、被験者に装着された振動検知センサによって測定された信号と被験者に装着された筋電位センサによって測定された信号とから行動状態を推定するために使用されるモデルを構築する行動状態学習装置であって、振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求める周波数バンド統計量演算部と、筋電位センサによって測定された信号から行動状態成分量を推定する行動状態成分変換部と、周波数バンド統計量演算部によって求められた統計量に基づき入力ベクトルを生成し、行動状態成分変換部によって推定された行動状態成分量を教師信号として、入力ベクトルと教師信号とに基づいて学習を行う行動状態成分学習部と、行動状態成分学習部が学習して得た結果を行動状態モデルとして出力する行動状態モデル出力部と、を備えることを特徴とする、行動状態学習装置として機能させるためのプログラムが提供される。
【００２４】
また、本発明の別の観点によれば、プログラムを、被験者に装着された振動検知センサによって測定された信号から行動状態を推定する行動状態推定装置であって、振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求める周波数バンド統計量演算部と、行動状態モデルを記憶する行動状態モデル記憶部と、行動状態モデル記憶部によって記憶されている行動状態モデルを取得し、周波数バンド統計量演算部によって求められた統計量に基づき入力ベクトルを生成し、行動状態モデルと入力ベクトルとに基づき被験者の行動状態を推定する行動状態成分推定部と、を備えることを特徴とする、行動状態推定装置として機能させるためのプログラムが提供される。
【発明の効果】
【００２５】
以上説明したように本発明によれば、自由度の高い行動中の筋肉の微細な振動成分を、非侵襲的で簡便に装着できるセンサから得られるデータを演算することで推定可能にし、様々な行動中の筋肉の負荷状態などを観測できるようにすることが可能となる。
【図面の簡単な説明】
【００２６】
【図１】本発明の第１実施形態に係る行動状態推定装置の使用例を示す図である。
【図２】同実施形態に係る行動状態推定装置の機能構成を示す図である。
【図３】同実施形態に係る行動状態推定装置のセンシング部においてサンプルされたストリームデータの例を示す図である。
【図４】同実施形態に係る行動状態推定装置の周波数変換部においてストリームデータが周波数変換されて得られた周波数成分の例を示す図である。
【図５】同実施形態に係る行動状態推定装置のバンド抽出部において統計量を算出する際に使用する周波数バンドの例を示す図である。
【図６】同実施形態に係る行動状態推定装置によって実行される処理の流れを示すフローチャートである。
【図７】同実施形態に係る行動状態推定装置の行動状態成分演算部によって使用される関数の一例を示す図である。
【図８】本発明の第２実施形態に係る行動状態学習装置の機能構成を示す図である。
【図９】同実施形態に係る行動状態推定装置の機能構成を示す図である。
【図１０】同実施形態に係る行動状態成分変換部によって使用される関数の一例を示す図である。
【図１１】同実施形態に係る行動状態学習装置によって実行される処理の流れを示すフローチャートである。
【図１２】同実施形態に係る行動状態推定装置によって実行される処理の流れを示すフローチャートである。
【発明を実施するための形態】
【００２７】
以下に添付図面を参照しながら、本発明の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。
【００２８】
＜第１実施形態＞
まず、本発明の第１実施形態について説明する。
本実施形態に係る行動状態推定装置は、筋音図を周波数変換し、周波数変換後の周波数空間上に複数の周波数バンドを定義し、周波数バンドから算出した統計量を用いる。行動状態推定装置は、さらに周波数バンド間の統計量の違いから、非線形な手法により筋力負荷や疲労を示す筋音成分の量を推定する。また、行動状態推定装置は、推定した筋音成分の量を、被験者の行動中の状態である行動状態を反映する行動状態推定量として出力する。行動状態推定装置が定義する周波数バンドは単数であってもよい。本実施形態では、行動状態の例として、被験者の行動中の筋力負荷の状態を使用することとする。
【００２９】
なお、筋肉表面に貼り付けたセンサから得られる波形を筋音図と定義することもあるが、本実施形態では、そのうち筋肉の微細振動にかかる部分の成分を、筋音成分と呼ぶ。ここで定義する筋音成分とは、筋肉の伸張・収縮に伴い、筋繊維が径方向で変化する結果現れる微細な振動に起因する振動成分である。例えば、筋肉を限界近く力んだ際に知覚できるブルブルとした振動や、極度の緊張状態における震え、冷感時における身体の震えなどについても、そこに現れる微細振動成分については筋音成分と捉えることができる。
【００３０】
これらのようなある程度知覚できる微細振動だけでなく、例えば弱い筋力負荷時にブルブルした振動を知覚できなくても、実際には筋肉が微細に振動している場合もあり、このようなものも筋音成分と捉えられる。運動生理学の分野などでは、これらの微細振動成分が異なるファクターから成るものと分類される可能性もあるが、このような直接的に意図して筋肉を動かして発生する振動（例えば、手を振るなど）よりもはるかに高い周期で、なおかつ目視では知覚し難い微細な振動から得られる振動成分を、本実施形態ではすべて筋音成分としている。さらに、この筋音成分は、行動中の筋力負荷や緊張状態などと関係があるため、推定により指標化した筋音成分を、行動状態成分とし、その値を行動状態成分量と表現する。
【００３１】
［構成の説明］
図２に示すように、本実施形態に係る行動状態推定装置１００Ａは、人体の微細な振動をセンシングするセンシング部１１０がセンシングを行った結果得られたセンシングデータを受け取るセンサデータ入力部１２０と、センサデータ入力部１２０によって入力されたセンサデータから周波数バンド毎の統計量を抽出する周波数バンド統計量演算部１３０と、周波数バンド統計量演算部１３０から得られる統計量に基づき行動状態成分量を推定する行動状態成分演算部１４０と、行動状態成分演算部１４０が推定した行動状態成分量を出力する出力部１５０と、を備えるものである。
【００３２】
図１に示すように、センシング部１１０は、単独のセンシングデバイス９１０として、人体に巻きつけて装着可能なバンドＢと組み合わせて人体に装着することが可能であるが、他に、粘着性のあるノリなどで人体に貼付する方法や、衣類に装着する方法、手に持つ方法などをとることができる。また、直接人体に触れる必要はなく、振動が伝播する環境であれば、衣類などの上から装着しても良いし、振動を伝える媒体を介して装着しても良い。また、例えば、加速度センサを内蔵した携帯電話やＰＤＡを使用した場合など、センシングデバイス９１０の中に、センシング部１１０、センサデータ入力部１２０、周波数バンド統計量演算部１３０、行動状態成分演算部１４０および出力部１５０を内蔵させることによって行動状態推定装置９２０を実現させることとしても良い。あるいは、図１および図２に示すように、センシングデバイス９１０がなるべく軽量となるよう、センシングデバイス９１０と行動状態推定装置９２０とを分離し、センシングデバイス９１０にセンシング部１１０を内蔵させ、行動状態推定装置９２０にセンサデータ入力部１２０、周波数バンド統計量演算部１３０、行動状態成分演算部１４０および出力部１５０を内蔵させ、センシング部１１０とセンサデータ入力部１２０との間のセンサデータ伝送をＢｌｕｅｔｏｏｔｈ（登録商標）などの無線伝送技術によって行っても良い。センサデータ入力部１２０、周波数バンド統計量演算部１３０、行動状態成分演算部１４０および出力部１５０のいずれかのブロックの間で内蔵先のデバイスを分離しても良い。
【００３３】
センシング部１１０は、ある決められた間隔でセンサからセンサデータをサンプルデータとして取得する（以下、「サンプルする」とも言う。）。例えば、２００Ｈｚのサンプリングレートで加速度センサからセンサデータをサンプルすると、１秒間に２００個のセンサデータをサンプルできる。時間の経過に伴い連続的に複数得られるセンサデータの時系列を、便宜上ストリームデータと呼ぶ。２００Ｈｚでサンプリングしたストリームデータの場合、理論上、ナイキスト周波数である１００Ｈｚまでの周波数成分を完全に含みうるデータとなる。加速度センサからサンプリングしたストリームデータの例を図３に示す。
【００３４】
センサデータ入力部１２０は、センシング部１１０でサンプルしたストリームデータを取得し、周波数変換部１３１へストリームデータを出力する。センシング部１１０とセンサデータ入力部１２０との間は、有線で結線されていても無線で結線されていてもいずれでも良い。センサデータ入力部１２０では、以降の処理負荷を軽減するため、ストリームデータからの不要なデータの削減やストリームデータの整形を行っても良い。センサデータ入力部１２０は、例えば、ストリームデータに対してバンドパスフィルタを適用して不要な周波数成分や重力加速度成分を除去したり、多軸なセンサ（例えば、３軸加速度センサなど）から不要な軸のデータを破棄したり、軸の合成や回転操作などにより不要な軸の成分を抽出することができる。また、センサデータ入力部１２０は、ストリームデータをサブサンプリングして、２００Ｈｚサンプルのストリームデータから５０Ｈｚサンプルのストリームデータを複数サンプルの平均値などを用いて生成して出力し、周波数変換部１３１の変換にかかる処理量を低減しても良いし、ストリームデータを平滑化し、平滑化後のストリームデータと平滑化前のストリームデータから残差をストリームデータとして求め、この残差のストリームデータを出力することで、簡易的にある程度の高域成分のみ周波数変換部１３１に伝達することもできる。
【００３５】
周波数変換部１３１は、センサデータ入力部１２０から得られるストリームデータに対して周波数変換を行う。周波数変換は、ストリームデータの所定の区間のデータを用いて、フーリエ変換などを用いて行う。周波数変換の方法としては、離散フーリエ変換（ＤＦＴ：Ｄｉｓｃｒｅｔｅ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ）や連続ウェーブレット変換（ＣＷＴ：Ｃｏｎｔｉｎｕｏｕｓ Ｗａｖｅｌｅｔ Ｔｒａｎｓｆｏｒｍ）やガボール（Ｇａｂｏｒ）変換やＭＰ変換（ＭＰ：Ｍａｔｃｈｉｎｇ Ｐｕｒｓｕｉｔ）などを用いる方法があり、また、周波数の区間によって用いる周波数変換の方法を変更することもできる。ここでは、周波数変換の方法として離散フーリエ変換を使用した場合を例に説明する。
【００３６】
周波数変換部１３１は、現在の時刻をｔとし、２００Ｈｚでサンプリングしたストリームデータの１秒分の区間に対してＤＦＴを行う。ストリームデータに含まれるサンプルの個数をＮとすると、Ｎ＝２００となる。この２００個のストリームデータ分の複素数列Ｘｔ＝（Ｘ０，ｔ，Ｘ１，ｔ，…，ＸＮ−１，ｔ）（但し、実数部にストリーム内のサンプル値が入り、虚数部は０）とし、ＤＦＴ後の複素数列Ｆｔ＝（ｆ０，ｔ，ｆ１，ｔ，…，ｆＮ−１，ｔ）とすると、ＤＦＴは次の（式１）で表される。
【００３７】
【数１】
【００３８】
ＤＦＴにより得られるＮ個の複素数列Ｆｔは、それぞれ固有の周波数を持つ成分であり、ｆ０，ｔは直流成分、上記条件下では、ｆｊ，ｔは、ｊＨｚの周波数を持つ成分であり、ナイキスト周波数である１００Ｈｚを超える値については冗長である。
【００３９】
ここで、２｜ｆｊ，ｔ｜／Ｎは、各周波数成分の振幅を表し、周波数変換部１３１は、この２｜ｆｊ，ｔ｜／Ｎを周波数成分として出力することもでき、｜ｆｊ，ｔ｜２をパワースペクトルとして出力することもできる。また、周波数変換部１３１は、入力された２００個のサンプル系列Ｘｔ＝（Ｘ０，ｔ，Ｘ１，ｔ，…，ＸＮ−１，ｔ）に（式２）で表されるハミング窓などによる重み係数を掛け合わせた後にＤＦＴを行っても良い。
【００４０】
【数２】
【００４１】
ストリームデータは、センサデータ入力部１２０から逐次的に周波数変換部１３１へ入力され、周波数変換部１３１が、ストリームデータの入力の都度、上記ＤＦＴを行うと、時間の経過に伴い複数時刻のＦｔが生成される。例えば、周波数変換部１３１が２００Ｈｚでサンプリングされるストリームデータに逐次的にＤＦＴを行う場合、１秒間時刻が経過すると新たに２００サンプル分が周波数変換部１３１に入力される。周波数変換部１３１が、例えば、時刻ｔから１サンプル毎に１秒間ＤＦＴを実施すると、１サンプル毎に２００個の周波数成分（Ｆｔ，Ｆｔ＋１，…，Ｆｔ＋１９９）が生成される。これを、縦軸を周波数、横軸を時間としてまとめて描画すると、例えば、図４に示すように表現できる。ここで、白黒の濃度はパワースペクトルの強度を示し、白は弱い（値が小さい）、黒は強い（値が大きい）ことを示す。時間的な経過に伴い、この図４に示される周波数変換後のデータが取得できる。
【００４２】
バンド抽出部１３２は、周波数変換部１３１により変換された周波数成分に対して、行動状態成分を推定するために所定の連続する周波数成分からなる周波数帯（周波数バンドという）を複数用い、周波数バンド毎の統計量を出力する。ここでは、５つの周波数バンドに分けた例を示すが、周波数バンドの数は特に５でなければならないわけではなく、本実施形態では限定されない。また、周波数バンド毎に、異なる周波数変換手法を用いても良い。例えば図５に示したような周波数バンドの場合、周波数バンド１は連続ウェーブレット変換、周波数バンド２はＤＦＴといった方法を用いることができる。周波数バンド１は、低い周波数領域であるが、一般的にＤＦＴは低い周波数領域での分解能を向上させることが難しいため、同一の入力サンプルを用いてより低周波領域での分解能を高められるウェーブレット変換を使うことで、精度をより高めることもできる。特に、後述するが、周波数バンド１は人の動きの影響を直接的に受ける周波数バンドであり、この分解能を高めることは、人の動きの影響を低減する効果が向上する。
【００４３】
同様の理由で、周波数バンド毎に、周波数変換に用いる区間とサンプリング周期を変更しても良い。ＤＦＴで低い周波数領域における分解能をあげるためには、区間を長く取る必要があるが、サンプリング周期は低くても良い。一方で、高い周波数領域の演算では、長い区間は冗長で不要であるが、サンプリング周期は高くする必要がある。そのため、例えば低い周波数バンドでは、ストリームデータをサブサンプリングすることによりサンプリング周期を1/5程度に低くし、区間を１０秒といった長い区間に対してＤＦＴを行ない、高い周波数バンドでは、ストリームデータをサブサンプルせず、区間を１秒にしてＤＦＴを行なうなどの方法を用いることができる。
【００４４】
５つの周波数バンド１〜５について、図５に示す中心周波数ｃｂＨｚ（但し、ｂ＝１，…，５）とバンド幅を決定するバンド幅ファクターｒｂから、バンドの統計量Ｓｂを、例えば、（式３）の通り求める。
【００４５】
【数３】
【００４６】
ただし、ｆｓｊ，ｔは、周波数毎の成分であり、例えば、振幅（パワーベクトル）と周波数ｊから、以下のように求められる。
【００４７】
【数４】
【００４８】
（式３）は、複数の周波数毎の成分ｆｓｊ，ｔから、中心周波数ｃｂ，分散ｒｂ２のガウス関数を用いて集計したものである。（式４）は、パワースペクトル（振幅の２乗成分を持つ）に周波数の２乗を掛け合わせたものである。一般に波のエネルギーは振幅の２乗や周波数の２乗に比例する。筋肉の振幅方向の波の成分のエネルギーが、そのまま筋力負荷量になるわけではないが、力みによる振動成分は実際の動きに起因する成分よりも高い周波数で振幅が細かく観測されるため、周波数と振幅の二つの要素を用いて周波数バンドの統計量Ｓｂを求めている。また、バンド抽出部１３２は、（式４’）のように、個々の周波数のパワースペクトルをｌｏｇ演算し、周波数を掛け合わせることで、周波数全域である程度フラットな特性にし、その上で周波数バンドの統計量を求めても良い。
【００４９】
【数５】
【００５０】
また、バンド抽出部１３２は、周波数変換とは異なる観点で時間的変化を指標にしてもよい。例えば、バンド抽出部１３２は、複数時刻のｆｓｊ，ｔを用いて、ｓｂを以下のように求めることもできる。
【００５１】
【数６】
【００５２】
他にも、バンド抽出部１３２は、バンド毎に近傍時刻（例えば、ｔ−２０〜ｔの区間など）の統計量Ｓｂの最大値や最小値を、統計量Ｓｂの代わりに出力しても良いし、変化の勾配を求めて出力するなど、別の統計量を用いても良い。
【００５３】
また、バンド抽出部１３２は、一つのバンドで複数の種類の統計量を求めても良い。例えば、（式３）の出力をＳｂ１、（式５）の出力をＳｂ２と定義し、（式３）によって算出したＳｂ１と（式５）によって算出したＳｂ２の２種類を分けて出力するなど、統計量の数について限定しない。また、バンド抽出部１３２は、（式３）と（式５）では、周波数バンド毎にパラメータを変化させているが、周波数バンドによってまったく異なる方式で統計量を求めても良い。バンド抽出部１３２は、例えば、周波数バンド１の統計量としては（式３）を用いて算出して出力し、周波数バンド２の統計量としては（式５）を用いて算出して出力し、周波数バンド３の統計量としては、変化の勾配を出力するなどの方法をとっても良い。また、ここで求めた統計量を行動状態成分演算部１４０へ送る。
【００５４】
行動状態成分演算部１４０は、複数の周波数バンドの統計量Ｓｂから、行動状態成分量を求める。一つのバンドに対する統計量は、１種類である必要はなく、複数種類あっても良いが、ここでは１種類の場合を例に挙げて記載する。図５に示したような周波数バンドの場合、周波数バンド１が低域周波数バンドであり、行動状態成分をあまり含まないが、人の動きの影響を直接的に受ける周波数バンドである。また、周波数バンド２〜４は、行動状態成分を良く含みうる周波数バンドである。また、周波数バンド５は、行動状態成分よりも高い周波数の周波数バンドである。筋肉の振動ではない人間の意図した動きに起因する加速度（例えば、体操などによる手足の動きそのものから得られる加速度）などは、周波数バンド１により多く含まれうる。言い換えると、周波数バンド１は、動きの激しさを表すパラメータということができる。
【００５５】
例えば、筋肉に長期間大きな負荷を与える場合、その筋肉のある四肢などは、空間内を大きくは動かず、静止に近い動きである場合が多い。逆に四肢が自由に空間内を移動できる場合、その四肢の筋肉には相対的に見ると、あまり大きな負荷がかかっていない。このような観点から、動きの激しさを表す周波数バンド１は、行動状態成分を算出する上で抑制側のパラメータとして利用ができる。周波数バンド２以降は、意図した動きから発生させることが難しい人間の筋肉運動の限界をある程度超えている周波数（例えば、手を２０Ｈｚで振ることは難しい）であり、特に周波数バンド２〜４は、筋肉に負荷をかける際に発生する筋肉の微細振動である行動状態成分を良く含みうる。この行動状態成分は、筋肉の疲労状態や負荷状態で、中心周波数が微小にシフトすることがある。この変化によらず行動状態成分を検出するために、本実施形態では、周波数バンド２〜４の３つの周波数バンドを用いているが、１個の周波数バンドでこれらのシフトをカバーするようにしても良いし、範囲内でピークを追随するよう、複数の周波数バンドを定義し、ピークを探索するように最大値が得られる周波数バンドを用いるなど、選択的に用いても良い。
【００５６】
また一方で、衝撃的な振動、素早い動きで加速度波形の急峻な立ち上がり成分がある場合、加速度センサの測定可能レンジ外の加速度（例えば、−３Ｇ以下や、３Ｇ以上など）が発生し、波形が方形波的にカットされることなどがあり、広い周波数帯域に高いパワーがのる場合がある。このような場合は、周波数バンド２〜４の他に周波数バンド５のような高い周波数バンドにも反映される。すなわち、周波数バンド２〜４の行動状態成分量のみが高く、周波数バンド１，５の行動状態成分量が低い場合は、周波数バンド２〜４だけで筋肉負荷の高い状態だと認識できるが、一方で、前記のような衝撃的な振動が発生した場合にも不必要に行動状態成分量が高まってしまう。行動状態成分演算部１４０は、周波数バンド５を、そのような場合の抑制パラメータとして用いることで、行動状態成分が不要に高まることを抑えることができる。上記のような性質から、複数の周波数バンドの統計量を用いて行動状態成分を推定する。
【００５７】
行動状態成分量をＭとすると、例えば、行動状態成分演算部１４０は、行動状態成分のよく含まれる周波数バンドの統計量と行動状態成分のあまり含まれない周波数バンドの統計量の比から、行動状態成分量Ｍを以下のような方法で計算できる。
【００５８】
【数７】
【００５９】
ここで、関数ｇとしては、シグモイド関数や線形な関数など、多様に利用可能であるが、例えば、以下のようなものを利用できる。
【００６０】
【数８】
【００６１】
また、行動状態成分演算部１４０は、図７に示すように非線形な関数や、変換テーブルを持ち、これを用いて変換してもよい。関数ｇは、シグモイド関数や、（式７）に示した関数、図７に示した関数などのように、ｘの値がある程度以上高いところでフラット特性をとることができる。（式６）では、関数ｇに与える値にバンドの統計量から求めた値の比を用いている。これは、分子と分母の比がある程度の大きさの値で均衡しているような状態においては、その均衡状態近傍の微小な変化を大きく抽出し、そこから大きく外れる状態では、感度を落とす効果がある。
【００６２】
例えば、静止した状態で筋肉を極端に力んだ状態では、統計量Ｓ１，Ｓ５は０に近い非常に微小な値をとり、行動状態成分量Ｍを大きくする値となる。この場合に、非常に小さな値Ｓ１，Ｓ５からなる分母は、微小な変化で比を大きく変化させる場合があるが、その大きな変化は雑音などの影響が大きく、行動状態の変化とはあまり関係がない。したがって、そのような値に対する感度を落とすような特性のある関数ｇを用いることで、雑音などの不要な影響を低減することが可能となる。また、統計量Ｓ１，…，Ｓ５からなる多次元ベクトルのテーブルを持ち、そのテーブルを参照して行動状態成分量Ｍを求めても良い。上記は一例であり、例えば、ベイジアンネットワークのようなグラフ構造をもった条件付き確率モデルを構築し、周波数バンドの統計量を入力として行動状態成分量を推定しても良い。
【００６３】
出力部１５０は、上記推定した行動状態成分量Ｍに基づき行動状態成分量を出力する。出力は、そのまま出力する方法、過去１秒間の行動状態成分量のうちの最大値を出す方法、移動平均を出す方法や、映像や振動・音などに変換して出力する方法などをとっても良い。また、ある一定以上の行動状態成分量Ｍが入力された場合のみ出力し、それ以外は出力しないなどの制御を行っても良い。また、５分など一定期間積算し、積算値が閾値を超えた場合に超えたことを示す情報を出力するなどの方法をとっても良い。
【００６４】
なお、上記実施形態において説明した行動状態推定装置１００Ａの各部の機能は、実際には、図示しないＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などの演算装置がこれらの機能を実現する処理手順を記述した制御プログラムを記憶したＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）やＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などの記憶媒体から制御プログラムを読出し、そのプログラムを解釈して実行することにより達成される。
【００６５】
［動作の説明］
図６を参照して、本発明の第１実施形態に係る行動状態推定装置１００Ａによって実行される処理の流れについて説明する。行動状態推定装置１００Ａの周波数変換部１３１は、加速度センサによって測定された信号を周波数変換する（ステップＳ１０１）。バンド抽出部１３２は、周波数変換部１３１によって周波数変換されて得られた周波数成分のうち、複数の周波数バンドのそれぞれから各統計量を算出する（ステップＳ１０２）。行動状態成分演算部１４０は、バンド抽出部１３２によって算出された各統計量に基づき、被験者の筋肉にかかる負荷の状態を演算する（ステップＳ１０３）。出力部１５０は、行動状態成分演算部１４０によって演算されて得られた結果である演算結果を出力する（ステップＳ１０４）。
【００６６】
なお、ここではバンド抽出部１３２が複数の周波数バンドのそれぞれから各統計量を算出することとするが、上記したように、バンド抽出部１３２は、単数の周波数バンドから統計量を算出することとしてもよい。その場合には、行動状態成分演算部１４０は、バンド抽出部１３２によって算出された単数の統計量に基づき、被験者の筋肉にかかる負荷の状態を演算する。
【００６７】
［効果の説明］
以上説明したように、本発明の実施形態に係る行動状態推定装置１００Ａによれば、加速度センサから得られるデータの平均周波数や振幅ＲＭＳを行動状態成分量として算出するよりも、自由な運動環境下で筋力負荷状態をよく反映できる行動状態成分量の推定が可能になり、その結果、被験者の実際の様々な行動や運動中の筋力負荷量や疲労度を推定するなど、実環境での利用が可能になる。
【００６８】
＜第２実施形態＞
続いて、本発明の第２実施形態について説明する。
［構成の説明］
本発明の第２実施形態では、学習側と認識側の２つがあり、学習側は、行動状態成分を推定するために必要な行動状態モデルを構築する際にのみ用いられる。認識側は、行動状態成分を推定する際に用いられ、学習側で求めた行動状態モデルに基づき、行動状態成分を推定出力する。
【００６９】
学習側の構成：
第２実施形態に係る行動状態学習装置２００は、センシング部１１０の機能に加えて筋肉の筋電位を計測する機能を有するセンシング部２１０と接続され、センサデータ入力部１２０の機能に加えて筋電位データを受け取るセンサデータ入力部２２０と、筋電位データから行動状態成分へ変換する行動状態成分変換部２３０と、行動状態成分変換部２３０の出力とバンド抽出部１３２から、バンド抽出部１３２と行動状態成分の関係を学習する行動状態成分学習部２４０と、学習結果のモデルを出力する行動状態モデル出力部２５０とを備える。これら以外の構成については、第１実施形態に係る行動状態推定装置１００Ａと同様である。
【００７０】
認識側の構成：
第２実施形態に係る行動状態推定装置１００Ｂは、行動状態モデルを記憶する行動状態モデル記憶部３２０と、行動状態モデルを用いて行動状態成分を推定する行動状態成分推定部３１０とを有する。これら以外の構成については、第１実施形態に係る行動状態推定装置１００Ａと同様である。
【００７１】
学習側の構成：
第１実施形態との差分についてのみ説明する。センシング部２１０は、第１実施形態におけるセンシング部１１０と同様に、センサデータをサンプルし、学習用ストリームデータを出力する。これに加えて、筋電位を測定する手段を備える。筋電位は、体表面になるべく直接接するように電極を粘着性のあるノリなどで貼り付けて測定する。貼り付ける箇所は、センシング部１１０と同様のセンサを貼り付けた筋肉近くとしても良い。その場合には、該筋肉から誘発される電位を計測する。また、加速度データを使用した場合は、腕や腰に装着した加速度センサであっても、ランニングやスクワット、重量あげといった運動では下半身や腹筋の動きの影響を受けるため、例えば、腰に加速度センサ、腹筋に筋電位の電極を装着するなど、必ずしも同じ筋肉を対象としなくても良い。また、誘発電位は、数ｍＶ程度の微弱な電圧のため、アンプにて通常１０００倍程度増幅した後にＡＤ変換を行うことが多い。ＡＤ変換時のサンプリング周波数としては、通常１００〜数ｋＨｚ程度が用いられる。例えば、１ｋＨｚでサンプリングした筋電位のストリームデータを、教師用ストリームデータとしてセンサデータ入力部２２０へ送信する。
【００７２】
センサデータ入力部２２０は、学習用ストリームデータを周波数変換部１３１へ、第１実施形態と同様に送る。また、教師用ストリームデータを行動状態成分変換部２３０に送る。学習用ストリームデータに対して第１実施形態に係る行動状態推定装置１００Ａが行う操作と同様に、教師用ストリームデータに対しても各種操作を行っても良く、例えば、１０サンプル毎に和をとり平均化し、１ｋＨｚのサンプリングレートから１００Ｈｚのレートの教師用ストリームに変換しても良い。
【００７３】
行動状態成分変換部２３０は、教師用ストリームデータに基づき、行動状態成分量を算出し出力する。筋電位センサから得られるデータは、加速度センサから得られるデータと異なり、衝撃や重力加速度の方向変化などによる変化を受けることはない。また、筋電位センサから得られるデータには、人体の急峻な動きによる加速度成分の急峻な変化のようなものが、動かすに必要な筋力負荷に相当する出力として含まれるなど、加速度センサから得られるデータとは大きく異なった特徴を持つ。そのため、平均周波数や振幅ＲＭＳなどは、筋電位に対しては比較的精度良く筋力負荷を反映する。
【００７４】
行動状態成分変換部２３０は、一例として、現在の時刻をｔとし、１ｋＨｚでサンプリングしたストリームデータの１秒分の区間に対してＤＦＴを行う。ストリームデータに含まれるサンプルの個数をＭとすると、Ｍ＝１０００となる。この１０００個のストリームデータ分の複素数列Ｙｔ＝（ｙ０，ｔ，ｙ１，ｔ，…ｙＭ−１，ｔ）（但し、実数部にストリームデータ内のサンプル値が入り、虚数部は０）とし、ＤＦＴ後の複素数列Ｐｔ＝（Ｐ０，ｔ，Ｐ１，ｔ，…，ＰＭ−１，ｔ）とすると、ＤＦＴは、（式１）と同様に次の（式８）で表される。
【００７５】
【数９】
【００７６】
また、行動状態成分変換部２３０は、第１実施形態と同様に、入力の１０００個のサンプル系列Ｙｔ＝（ｙ０，ｔ，ｙ１，ｔ，…ｙＭ−１，ｔ）に、（式２）と同様に計算されるハミング窓などによる重み係数を掛け合わせた後にＤＦＴを行っても良い。平均周波数ＭＰＦｔは、例えば、次の（式９）で求められる。
【００７７】
【数１０】
【００７８】
平均周波数ＭＰＦｔは、筋力負荷に伴って変化する値であり、行動状態成分変換部２３０は、平均周波数ＭＰＦｔを行動状態成分へ変換する。行動状態成分変換部２３０は、Ｒｔを筋電位による行動状態成分量とし、例えば、次の（式１０）を用いて平均周波数ＭＰＦｔから行動状態成分への変換を行う。
【００７９】
【数１１】
【００８０】
関数ｈは、ＭＰＦｔをそのままＲｔとして出力してもよいし、複数時間の平均を用いてもよいし、複数時間にわたる統計量から算出しても良い。また、関数ｈとして、図１０に示すような特性を持つ関数を用いても良く、テーブルを参照して決定することとしても良い。この他、振幅ＲＭＳを用いて、Ｒｔを決定しても良い。
【００８１】
行動状態成分学習部２４０は、バンド抽出部１３２からの統計量を入力ベクトル、行動状態成分変換部２３０から得られる行動状態成分量Ｒｔを教師信号として、認識学習器による学習を行う。認識学習器には、多クラス分類可能なＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）やＧＭＭ（Ｇａｕｓｓｉａｎ Ｍｉｘｔｕｒｅ Ｍｏｄｅｌ）、ＨＭＭ（Ｈｉｄｄｅｎ Ｍａｒｋｏｖ Ｍｏｄｅｌ）、ニューラルネットワーク、学習型ベイジアンネットワークなど、入力ベクトルと教師信号から内部状態を学習によって決定可能な技術を用いることができる。入力ベクトルＶｔは、例えば、以下の成分を持つベクトルとして表現できる。
【００８２】
【数１２】
【００８３】
また、複数の時刻の統計量を有する以下の成分を持つベクトルとして表現することもできる。
【００８４】
【数１３】
【００８５】
他にも、これらの成分に対して主成分分析を適用し、寄与率に基づき次元数の削減を行った上で、入力ベクトルとしても良い。例えば、（式１２）の成分に基づいて主成分分析を行った結果、第５主成分までで９５％の寄与率となった場合は、入力ベクトルを第１成分〜第５成分の５次元としても良い。
【００８６】
これらの入力ベクトルに対して、期待する出力値を教師信号Ｒｔで与えて学習を行い、その結果を行動状態モデルとして、行動状態モデル出力部２５０から出力する。認識学習器については、複数の認識学習器を組み合わせても良く、例えば、ＡｄａＢｏｏｓｔといった手法に代表されるブースティング（ｂｏｏｓｔｉｎｇ）などの手法を用いても良い。この他、１クラスの分類しかできない認識学習器や多クラス分類可能な認識学習器を多段に構成して一つの認識学習方式を構成しても良い。
【００８７】
行動状態モデル自身は、認識学習器の認識に係る内部状態のパラメータであり、認識器（本実施形態では、行動状態成分推定部３１０）でこのモデルを読み込むことで、教師信号Ｒｔを与えず、入力ベクトルＶｔのみで、教師信号Ｒｔに対応する認識結果Ｍｔを出力する。ＲｔとＭｔは必ずしも一致しない場合がある。例えば、Ｒｔに含まれる雑音成分などを許容するパラメータ（ＳＶＭの場合はスラック変数など）に起因するケースや、異なるＲｔに対して同じ入力ベクトルＶｔの与えられた学習の場合に、正しく認識しがたいといったケースがある。これらによる誤差の発現を抑えるため、認識器側で時刻の異なるＭｔを１０秒分集積し、多数決をとる方法や平均値を求める方法などを用いてもよい。
【００８８】
認識側の構成：
第１実施形態との差分のみ説明する。行動状態モデルを記憶する行動状態モデル記憶部３２０は、学習側の行動状態モデル出力部２５０から得られる行動状態モデルを保持する。行動状態モデルは、学習側の行動状態成分学習部２４０において、学習によって決定された認識器の内部状態である。この行動状態モデルを、行動状態成分推定部３１０にある認識器に設定することで、行動状態成分の推定を行う。
【００８９】
行動状態成分推定部３１０は、行動状態モデル記憶部３２０から行動状態モデルを取得し、認識器の状態として設定する。また、行動状態成分推定部３１０は、バンド抽出部１３２からの統計量を入力ベクトルとして構成する。行動状態成分推定部３１０は、この入力ベクトルを、学習側の行動状態成分学習部２４０の入力ベクトルＶｔと同様で、（式１１）（式１２）に記載の学習に用いた入力ベクトルと同じ形式で生成する。行動状態成分推定部３１０は、この入力ベクトルに対して、行動状態モデルに基づき認識を行い、行動状態成分量Ｍｔを出力する。認識は、多クラス分類可能なＳＶＭやＧＭＭ、ＨＭＭ、ニューラルネットワーク、学習型ベイジアンネットワークなど、学習の際に用いた認識学習器に対応する認識器や認識器の構成方法で行う。認識器については、認識学習器に対応して、複数の認識器を組み合わせても良く、例えば、ＡｄａＢｏｏｓｔといった手法に代表されるブースティング（ｂｏｏｓｔｉｎｇ）などの手法を用いても良い。この他、１クラスの分類しかできない認識器や多クラス分類可能な認識器を多段に構成して一つの認識方式を構成しても良い。また、学習側でも記載したが、認識誤差の発現を抑えるため、認識側では時刻の異なるＭｔを１０秒分集積し、多数決をとる方法や平均値を求める方法などを用いても良い。
【００９０】
出力部１５０は、行動状態成分推定部３１０の出力する行動状態成分量Ｍｔに基づき行動状態成分量を出力する。動作としては、第１実施形態と同様である。
【００９１】
［動作の説明］
図１１を参照して、本発明の第２実施形態に係る行動状態学習装置２００によって実行される処理の流れについて説明する。行動状態学習装置２００の周波数変換部１３１は、加速度センサによって測定された信号を周波数変換する（ステップＳ２０１）。バンド抽出部１３２は、周波数変換部１３１によって周波数変換されて得られた周波数成分のうち、複数の周波数バンドのそれぞれから各統計量を算出する（ステップＳ２０２）。一方、行動状態成分変換部２３０は、筋電位センサによって測定された信号から行動状態成分量を推定する（ステップＳ２０３）。行動状態成分学習部２４０は、バンド抽出部１３２によって算出された各統計量に基づき、入力ベクトルを生成する（ステップＳ２０４）。次いで、行動状態成分学習部２４０は、行動状態成分変換部２３０によって推定された行動状態成分量を教師信号とし、教師信号と行動状態成分学習部２４０によって生成された入力ベクトルとに基づいて学習を行う（ステップＳ２０５）。行動状態モデル出力部２５０は、行動状態成分学習部２４０によって学習されて得られた結果を行動状態モデルとして出力する（ステップＳ２０６）。
【００９２】
なお、ここではバンド抽出部１３２が複数の周波数バンドのそれぞれから各統計量を算出することとするが、上記したように、バンド抽出部１３２は、単数の周波数バンドから統計量を算出することとしてもよい。その場合には、行動状態成分学習部２４０は、バンド抽出部１３２によって算出された単数の統計量に基づき、入力ベクトルを生成する。
【００９３】
図１２を参照して、本発明の第２実施形態に係る行動状態推定装置１００Ｂによって実行される処理の流れについて説明する。行動状態推定装置１００Ｂの行動状態モデル記憶部３２０は、行動状態学習装置２００からの行動状態モデルの入力を受け付けて当該行動状態モデルを記憶する（ステップＳ３０１）。周波数変換部１３１は、加速度センサによって測定された信号を周波数変換する（ステップＳ３０２）。バンド抽出部１３２は、周波数変換部１３１によって周波数変換されて得られた周波数成分のうち、複数の周波数バンドのそれぞれから各統計量を算出する（ステップＳ３０３）。行動状態成分推定部３１０は、行動状態モデル記憶部３２０から行動状態モデルを取得し（ステップＳ３０４）、バンド抽出部１３２によって算出された各統計量に基づき、入力ベクトルを生成する（ステップＳ３０５）。次いで、行動状態成分推定部３１０は、取得した行動状態モデルと生成した入力ベクトルとに基づいて被験者の筋肉にかかる負荷の状態を演算する（ステップＳ３０６）。出力部１５０は、行動状態成分推定部３１０によって演算されて得られた結果を演算結果として出力する（ステップＳ３０７）。
【００９４】
なお、ここではバンド抽出部１３２が複数の周波数バンドのそれぞれから各統計量を算出することとするが、上記したように、バンド抽出部１３２は、単数の周波数バンドから統計量を算出することとしてもよい。その場合には、行動状態成分推定部３１０は、バンド抽出部１３２によって算出された単数の統計量に基づき、入力ベクトルを生成する。
【００９５】
［効果の説明］
筋電計は、電極を皮膚に粘着剤で貼付しなければならず、また、発汗などにも弱く、普通に行動をしている環境ではセンシングが難しいが、本実施形態では、このような弱点を克服し、加速度センサの出力のみを用いて、普通に行動している環境における筋力負荷や緊張度合を示す指標としての行動状態成分量を、筋電計に近い精度で出力することができる。
【００９６】
以上、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明はかかる例に限定されない。本発明の属する技術の分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。
【００９７】
例えば、上記実施形態では、振動検知センサとして加速度センサを用いる場合を例に記載しているが、振動を検知できるセンサであれば何でも良く、例えば、角速度センサ、圧電素子などの圧力センサ、マイクロフォン、歪センサなどを用いることとしても良い。
【００９８】
尚、本明細書において、フローチャートに記述されたステップは、記載された順序に沿って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的に又は個別的に実行される処理をも含む。また時系列的に処理されるステップでも、場合によっては適宜順序を変更することが可能であることは言うまでもない。
【符号の説明】
【００９９】
１００（１００Ａ、１００Ｂ） 行動状態推定装置
１１０ センシング部
１２０ センサデータ入力部
１３０ 周波数バンド統計量演算部
１３１ 周波数変換部
１３２ バンド抽出部
１４０ 行動状態成分演算部
１５０ 出力部
２００ 行動状態学習装置
２１０ センシング部
２２０ センサデータ入力部
２３０ 行動状態成分変換部
２４０ 行動状態成分学習部
２５０ 行動状態モデル出力部
３１０ 行動状態成分推定部
３２０ 行動状態モデル記憶部
【技術分野】
【０００１】
本発明は、行動状態推定装置、行動状態学習装置、行動状態推定方法、行動状態学習方法およびプログラムに関するものである。より詳細には、被験者の筋肉負荷量や疲労といった、行動に付随する筋肉等の状態の推定を行うものである。
【背景技術】
【０００２】
従来、下記特許文献１、特許文献２および非特許文献１に開示されているとおり、筋肉の表面に発生する微細振動を振動検知センサなどの非侵襲的なセンサで検出し、検出した微細振動から、筋力負荷や筋肉疲労度と関連があると考えられている筋音図を算出する装置などがあった。
【０００３】
非特許文献１に開示されている技術では、被験者の腕を測定装置上の固定金具で固定した状態におき、腕に加速度センサを装着した上で、固定された腕を動かそうと力む動作により被験者の腕に筋力負荷をかけている。筋力負荷をかけた結果、腕の表面上にあらわれる微細振動を加速度の変化として読み取り、これを筋音図としている。また、実際に被験者が発揮している筋力は、手首に固定したひずみゲージにより読み取る。被験者の腕は、筋力負荷により多少動く程度となる。当該技術では、筋音図は、さらに短時間フーリエ変換（ＳＴＦＴ）により複数の周波数成分に分解される。そして、当該技術では、それら複数の周波数成分の振幅量に基づき平均周波数と振幅のＲＭＳ（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅ）値（振幅ＲＭＳ）を計算し、それらを筋力負荷や筋疲労と関係あるファクターとしている。本文献に開示された手法では、被験者の身体がほとんど動かない状態において筋力負荷を持続的にかけるため、加速度センサから得られる加速度成分としては、鉛直方向に静的な成分である重力加速度を除くと、ほぼ筋力負荷によって発生する筋肉の振動成分のみとなる。そのため、当該技術は、平均周波数などといった筋肉の振動状態を少ないノイズで抽出できる理想的な方法である。
【０００４】
特許文献１に開示されている技術では、被験者が鎖で固定されたハンドルを引っ張り上げるように力を入れることで、静止しながら筋力負荷をかけられる環境下で筋音図を測定している。筋肉表面にやや圧迫する形で装着する圧電素子を用い、圧電素子により得られる圧力変化を数値で表したものを筋音図として検知している。また、当該技術では、この筋音図に対してフーリエ変換やウェーブレット変換を用いた周波数変換などにより非特許文献１と同様に周波数変換を行い、平均周波数と振幅ＲＭＳを計算している。当該技術では、これらの平均周波数や振幅ＲＭＳを筋肉の負荷や疲労と関係のあるファクターとして用いている点についても非特許文献１に開示されている技術と同様である。特許文献１に開示された手法においても、被験者は固定されたハンドルを引っ張ろうと筋力負荷をかけている状態のため、身体は動かず静止の状態である。特許文献１に開示されている技術は、非特許文献１に開示されている技術のように固定金具で腕を固定するものではないが、簡便に被験者を筋力負荷の持続した静止状態におくことが可能である。したがって、特許文献１に開示されている技術を用いた場合においても、非特許文献１に開示された技術を用いた場合と同様に、ほぼ筋肉の振動成分のみが安定的に得られ、筋肉の振動成分から得られる平均周波数や振幅ＲＭＳなども、筋肉の振動状態を示す理想的な指標となる。
【０００５】
特許文献２に開示されている技術では、被験者の下肢を拘束し、理想的な歩行動作を行うように駆動する歩行訓練装置において、大腿部にピエゾ素子・コンデンサマイク・加速度センサなどにより得られる振動成分を筋音図として抽出している。特許文献２に開示されている技術においても、非特許文献１および特許文献１に開示されている技術と同様に、平均周波数と振幅ＲＭＳを用いている。また、特許文献２に開示されている技術では、筋音図の周波数成分のうち、スペクトル量のピーク値を、健康な足と訓練対象の足について比較することにより、ピーク値の偏差を求め、ピーク値の偏差から適切な介助量を決定している。特許文献２に開示されている技術では、被験者が静止状態ではないものの、被験者の歩行動作時の大腿部の動きというある程度制約された動きを検出対象としている。そのため、被験者の動きに起因するノイズは限定的であり、健康側の足と訓練対象側の足について比較をして介助量を決定するのが特許文献２に開示されている技術の目的であるため、当該技術は、多少のノイズを許容できるシステムである。
【先行技術文献】
【特許文献】
【０００６】
【特許文献１】特開２００４−１４１２２３号公報
【特許文献２】特開２００４−１６７０５６号公報
【非特許文献】
【０００７】
【非特許文献１】筋疲労を伴う持続収縮時の筋音図（Ｍｅｃｈａｎｏｍｙｏｇｒａｍ）の時間−周波数解析 伊藤、他、信学論（Ｄ） Ｖｏｌ．Ｊ８６−Ｄ−II Ｎｏ．１ ｐｐ．１３０−１３９ ２００３年１月
【発明の概要】
【発明が解決しようとする課題】
【０００８】
しかしながら、上記した従来技術では、自由度の高い行動（例えば、身体を拘束しない自由な運動や体操、環境を限定しない非定型な行動など）をしている人の筋力負荷などを検出することができなかった。これらの従来技術に共通かつ重要な点として、筋音図を検知するために振動検知センサを装着する部位の動きが、非常に制約された小さな動きになっているということが挙げられる。非特許文献１、特許文献１に開示されている技術では、被験者はほぼ静止状態であり、特許文献２に開示されている技術では、大腿部の運動はかなり制約された歩行訓練の動きである。このように、理想的な行動状態下において筋音図を取得し、そこから平均周波数や振幅ＲＭＳなどを算出すると、身体の動きに伴うノイズ成分が小さい、もしくは固定的なため、筋肉の微細な振動成分を主要に反映する値となりやすい。しかしながら、身体を拘束しない自由な運動や環境を限定しない非定型な運動では、運動の動き自体のほか、被験者周囲の物体などとの干渉（接触など）による衝撃など、多様な振動成分が観測されてしまう。このような場合に、筋音図から平均周波数と振幅ＲＭＳを求めると、筋肉の微細振動以外の成分の影響が大きいため、平均周波数と振幅ＲＭＳは、筋肉への負荷や疲労状態を反映し難い値となる。
【０００９】
また、加速度センサを用いた場合は、装着部位が動くと、たとえゆっくりした動きであっても、センサの向きが変化し、１Gの加速度が常に発生している重力の向きの変化により、観測される加速度が変化するケースが多く、波形として大きな変化となって平均周波数や振幅ＲＭＳに大きく影響を及ぼす。例えば、行動に起因する加速度は１〜２Ｇ程度であるが、重力加速度は１Ｇであるため、センサの方向が変化すると、センサに加わる重力加速度が−１Ｇ〜１Ｇの範囲で変化する。この加速度変化は様々な周波数成分を含んでいるが、これが行動に起因する加速度に重畳される。かなりゆっくりとした運動の場合は、例えば、バンドパスフィルタなどを用いることで筋肉の微細振動以外の成分を除去することもある程度可能と考えられる。しかし、実際の通常の運動には多様な周波数成分が含まれ、バンドパスフィルタを用いても一様な除去は難しい。また、加速度センサを腕などに装着して被験者が運動する場合、非常に立ち上がりが早く、振幅の大きい波形が観測される場合があり、このような場合は、フーリエ変換後の全周波数帯に非常に強度の高いスペクトルが表れてしまう。また、筋肉の微細振動に起因する周波数自体も、筋肉負荷や疲労度などによって遷移するため、バンドパスフィルタを用いて一律に筋肉の微細振動以外の成分を低減することは難しく、その結果、平均周波数や振幅ＲＭＳが微細振動成分を表さなくなる。
【００１０】
そこで、本発明は、上記問題に鑑みてなされたものであり、本発明の目的とするところは、従来では難しかった、自由度の高い行動中の筋肉の微細な振動成分を、非侵襲的で簡便に装着できるセンサから得られるデータを演算することで推定可能にし、様々な行動中の筋肉の負荷状態などを観測できるようにすることが可能な技術を提供することにある。
【課題を解決するための手段】
【００１１】
上記問題を解決するために、本発明のある観点によれば、被験者に装着された振動検知センサによって測定された信号から行動状態を推定する行動状態推定装置において、振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求める周波数バンド統計量演算部と、統計量に基づき被験者の行動状態を推定する行動状態成分演算部と、を備えることを特徴とする、行動状態推定装置が提供される。
【００１２】
周波数バンド統計量演算部は、複数の周波数バンドのそれぞれから各統計量を求め、行動状態成分演算部は、各統計量に基づき被験者の行動状態として、被験者の筋肉にかかる負荷の状態を演算することとしてもよい。
【００１３】
行動状態成分演算部は、複数の周波数バンドのうち、筋音成分を主成分とする周波数バンドから周波数バンド統計量演算部によって求められた統計量と、筋音成分を主成分とする周波数バンド以外の周波数バンドから周波数バンド統計量演算部によって求められた統計量との比に基づき、被験者の筋肉にかかる負荷の状態を演算することとしてもよい。
【００１４】
周波数バンド統計量演算部は、複数の異なる時刻に振動検知センサによって測定された複数の信号のそれぞれを周波数変換し、周波数変換して得られた複数の周波数成分のうち、所定の周波数バンドから統計量を求めることとしてもよい。
【００１５】
また、本発明の別の観点によれば、被験者に装着された振動検知センサによって測定された信号と被験者に装着された筋電位センサによって測定された信号とから行動状態を推定するために使用されるモデルを構築する行動状態学習装置において、振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求める周波数バンド統計量演算部と、筋電位センサによって測定された信号から行動状態成分量を推定する行動状態成分変換部と、周波数バンド統計量演算部によって求められた統計量に基づき入力ベクトルを生成し、行動状態成分変換部によって推定された行動状態成分量を教師信号として、入力ベクトルと教師信号とに基づいて学習を行う行動状態成分学習部と、行動状態成分学習部が学習して得た結果を行動状態モデルとして出力する行動状態モデル出力部と、を備えることを特徴とする、行動状態学習装置が提供される。
【００１６】
周波数バンド統計量演算部は、複数の周波数バンドのそれぞれから各統計量を求め、行動状態成分学習部は、周波数バンド統計量演算部によって求められた各統計量に基づき入力ベクトルを生成することとしてもよい。
【００１７】
また、本発明の別の観点によれば、被験者に装着された振動検知センサによって測定された信号から行動状態を推定する行動状態推定装置において、振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求める周波数バンド統計量演算部と、行動状態モデルを記憶する行動状態モデル記憶部と、行動状態モデル記憶部によって記憶されている行動状態モデルを取得するとともに周波数バンド統計量演算部によって求められた統計量に基づき入力ベクトルを生成し、行動状態モデルと入力ベクトルとに基づき被験者の行動状態を推定する行動状態成分推定部と、を備えることを特徴とする、行動状態推定装置が提供される。
【００１８】
周波数バンド統計量演算部は、複数の周波数バンドのそれぞれから各統計量を求め、行動状態成分推定部は、各統計量に基づき入力ベクトルを生成し、行動状態モデルと入力ベクトルとに基づき、被験者の行動状態として、被験者の筋肉にかかる負荷の状態を演算することとしてもよい。
【００１９】
また、本発明の別の観点によれば、被験者に装着された振動検知センサによって測定された信号から行動状態を推定する行動状態推定装置によって実行される行動状態推定方法において、振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求めるステップと、統計量に基づき被験者の行動状態を推定するステップと、を含むことを特徴とする、行動状態推定方法が提供される。
【００２０】
また、本発明の別の観点によれば、被験者に装着された振動検知センサによって測定された信号と被験者に装着された筋電位センサによって測定された信号とから行動状態を推定するために使用されるモデルを構築する行動状態学習装置よって実行される行動状態学習方法において、振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求めるステップと、筋電位センサによって測定された信号から行動状態成分量を推定するステップと、統計量に基づき入力ベクトルを生成し、行動状態成分量を教師信号として、入力ベクトルと教師信号とに基づいて学習を行うステップと、学習して得た結果を行動状態モデルとして出力するステップと、を含むことを特徴とする、行動状態学習方法が提供される。
【００２１】
また、本発明の別の観点によれば、被験者に装着された振動検知センサによって測定された信号から行動状態を推定する行動状態推定装置によって実行される行動状態推定方法において、振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求めるステップと、統計量に基づき入力ベクトルを生成し、行動状態モデルと入力ベクトルとに基づき被験者の行動状態を推定するステップと、を含むことを特徴とする、行動状態推定方法が提供される。
【００２２】
また、本発明の別の観点によれば、コンピュータを、被験者に装着された振動検知センサによって測定された信号から行動状態を推定する行動状態推定装置であって、振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求める周波数バンド統計量演算部と、統計量に基づき被験者の行動状態を推定する行動状態成分演算部と、を備えることを特徴とする、行動状態推定装置として機能させるためのプログラムが提供される。
【００２３】
また、本発明の別の観点によれば、コンピュータを、被験者に装着された振動検知センサによって測定された信号と被験者に装着された筋電位センサによって測定された信号とから行動状態を推定するために使用されるモデルを構築する行動状態学習装置であって、振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求める周波数バンド統計量演算部と、筋電位センサによって測定された信号から行動状態成分量を推定する行動状態成分変換部と、周波数バンド統計量演算部によって求められた統計量に基づき入力ベクトルを生成し、行動状態成分変換部によって推定された行動状態成分量を教師信号として、入力ベクトルと教師信号とに基づいて学習を行う行動状態成分学習部と、行動状態成分学習部が学習して得た結果を行動状態モデルとして出力する行動状態モデル出力部と、を備えることを特徴とする、行動状態学習装置として機能させるためのプログラムが提供される。
【００２４】
また、本発明の別の観点によれば、プログラムを、被験者に装着された振動検知センサによって測定された信号から行動状態を推定する行動状態推定装置であって、振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求める周波数バンド統計量演算部と、行動状態モデルを記憶する行動状態モデル記憶部と、行動状態モデル記憶部によって記憶されている行動状態モデルを取得し、周波数バンド統計量演算部によって求められた統計量に基づき入力ベクトルを生成し、行動状態モデルと入力ベクトルとに基づき被験者の行動状態を推定する行動状態成分推定部と、を備えることを特徴とする、行動状態推定装置として機能させるためのプログラムが提供される。
【発明の効果】
【００２５】
以上説明したように本発明によれば、自由度の高い行動中の筋肉の微細な振動成分を、非侵襲的で簡便に装着できるセンサから得られるデータを演算することで推定可能にし、様々な行動中の筋肉の負荷状態などを観測できるようにすることが可能となる。
【図面の簡単な説明】
【００２６】
【図１】本発明の第１実施形態に係る行動状態推定装置の使用例を示す図である。
【図２】同実施形態に係る行動状態推定装置の機能構成を示す図である。
【図３】同実施形態に係る行動状態推定装置のセンシング部においてサンプルされたストリームデータの例を示す図である。
【図４】同実施形態に係る行動状態推定装置の周波数変換部においてストリームデータが周波数変換されて得られた周波数成分の例を示す図である。
【図５】同実施形態に係る行動状態推定装置のバンド抽出部において統計量を算出する際に使用する周波数バンドの例を示す図である。
【図６】同実施形態に係る行動状態推定装置によって実行される処理の流れを示すフローチャートである。
【図７】同実施形態に係る行動状態推定装置の行動状態成分演算部によって使用される関数の一例を示す図である。
【図８】本発明の第２実施形態に係る行動状態学習装置の機能構成を示す図である。
【図９】同実施形態に係る行動状態推定装置の機能構成を示す図である。
【図１０】同実施形態に係る行動状態成分変換部によって使用される関数の一例を示す図である。
【図１１】同実施形態に係る行動状態学習装置によって実行される処理の流れを示すフローチャートである。
【図１２】同実施形態に係る行動状態推定装置によって実行される処理の流れを示すフローチャートである。
【発明を実施するための形態】
【００２７】
以下に添付図面を参照しながら、本発明の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。
【００２８】
＜第１実施形態＞
まず、本発明の第１実施形態について説明する。
本実施形態に係る行動状態推定装置は、筋音図を周波数変換し、周波数変換後の周波数空間上に複数の周波数バンドを定義し、周波数バンドから算出した統計量を用いる。行動状態推定装置は、さらに周波数バンド間の統計量の違いから、非線形な手法により筋力負荷や疲労を示す筋音成分の量を推定する。また、行動状態推定装置は、推定した筋音成分の量を、被験者の行動中の状態である行動状態を反映する行動状態推定量として出力する。行動状態推定装置が定義する周波数バンドは単数であってもよい。本実施形態では、行動状態の例として、被験者の行動中の筋力負荷の状態を使用することとする。
【００２９】
なお、筋肉表面に貼り付けたセンサから得られる波形を筋音図と定義することもあるが、本実施形態では、そのうち筋肉の微細振動にかかる部分の成分を、筋音成分と呼ぶ。ここで定義する筋音成分とは、筋肉の伸張・収縮に伴い、筋繊維が径方向で変化する結果現れる微細な振動に起因する振動成分である。例えば、筋肉を限界近く力んだ際に知覚できるブルブルとした振動や、極度の緊張状態における震え、冷感時における身体の震えなどについても、そこに現れる微細振動成分については筋音成分と捉えることができる。
【００３０】
これらのようなある程度知覚できる微細振動だけでなく、例えば弱い筋力負荷時にブルブルした振動を知覚できなくても、実際には筋肉が微細に振動している場合もあり、このようなものも筋音成分と捉えられる。運動生理学の分野などでは、これらの微細振動成分が異なるファクターから成るものと分類される可能性もあるが、このような直接的に意図して筋肉を動かして発生する振動（例えば、手を振るなど）よりもはるかに高い周期で、なおかつ目視では知覚し難い微細な振動から得られる振動成分を、本実施形態ではすべて筋音成分としている。さらに、この筋音成分は、行動中の筋力負荷や緊張状態などと関係があるため、推定により指標化した筋音成分を、行動状態成分とし、その値を行動状態成分量と表現する。
【００３１】
［構成の説明］
図２に示すように、本実施形態に係る行動状態推定装置１００Ａは、人体の微細な振動をセンシングするセンシング部１１０がセンシングを行った結果得られたセンシングデータを受け取るセンサデータ入力部１２０と、センサデータ入力部１２０によって入力されたセンサデータから周波数バンド毎の統計量を抽出する周波数バンド統計量演算部１３０と、周波数バンド統計量演算部１３０から得られる統計量に基づき行動状態成分量を推定する行動状態成分演算部１４０と、行動状態成分演算部１４０が推定した行動状態成分量を出力する出力部１５０と、を備えるものである。
【００３２】
図１に示すように、センシング部１１０は、単独のセンシングデバイス９１０として、人体に巻きつけて装着可能なバンドＢと組み合わせて人体に装着することが可能であるが、他に、粘着性のあるノリなどで人体に貼付する方法や、衣類に装着する方法、手に持つ方法などをとることができる。また、直接人体に触れる必要はなく、振動が伝播する環境であれば、衣類などの上から装着しても良いし、振動を伝える媒体を介して装着しても良い。また、例えば、加速度センサを内蔵した携帯電話やＰＤＡを使用した場合など、センシングデバイス９１０の中に、センシング部１１０、センサデータ入力部１２０、周波数バンド統計量演算部１３０、行動状態成分演算部１４０および出力部１５０を内蔵させることによって行動状態推定装置９２０を実現させることとしても良い。あるいは、図１および図２に示すように、センシングデバイス９１０がなるべく軽量となるよう、センシングデバイス９１０と行動状態推定装置９２０とを分離し、センシングデバイス９１０にセンシング部１１０を内蔵させ、行動状態推定装置９２０にセンサデータ入力部１２０、周波数バンド統計量演算部１３０、行動状態成分演算部１４０および出力部１５０を内蔵させ、センシング部１１０とセンサデータ入力部１２０との間のセンサデータ伝送をＢｌｕｅｔｏｏｔｈ（登録商標）などの無線伝送技術によって行っても良い。センサデータ入力部１２０、周波数バンド統計量演算部１３０、行動状態成分演算部１４０および出力部１５０のいずれかのブロックの間で内蔵先のデバイスを分離しても良い。
【００３３】
センシング部１１０は、ある決められた間隔でセンサからセンサデータをサンプルデータとして取得する（以下、「サンプルする」とも言う。）。例えば、２００Ｈｚのサンプリングレートで加速度センサからセンサデータをサンプルすると、１秒間に２００個のセンサデータをサンプルできる。時間の経過に伴い連続的に複数得られるセンサデータの時系列を、便宜上ストリームデータと呼ぶ。２００Ｈｚでサンプリングしたストリームデータの場合、理論上、ナイキスト周波数である１００Ｈｚまでの周波数成分を完全に含みうるデータとなる。加速度センサからサンプリングしたストリームデータの例を図３に示す。
【００３４】
センサデータ入力部１２０は、センシング部１１０でサンプルしたストリームデータを取得し、周波数変換部１３１へストリームデータを出力する。センシング部１１０とセンサデータ入力部１２０との間は、有線で結線されていても無線で結線されていてもいずれでも良い。センサデータ入力部１２０では、以降の処理負荷を軽減するため、ストリームデータからの不要なデータの削減やストリームデータの整形を行っても良い。センサデータ入力部１２０は、例えば、ストリームデータに対してバンドパスフィルタを適用して不要な周波数成分や重力加速度成分を除去したり、多軸なセンサ（例えば、３軸加速度センサなど）から不要な軸のデータを破棄したり、軸の合成や回転操作などにより不要な軸の成分を抽出することができる。また、センサデータ入力部１２０は、ストリームデータをサブサンプリングして、２００Ｈｚサンプルのストリームデータから５０Ｈｚサンプルのストリームデータを複数サンプルの平均値などを用いて生成して出力し、周波数変換部１３１の変換にかかる処理量を低減しても良いし、ストリームデータを平滑化し、平滑化後のストリームデータと平滑化前のストリームデータから残差をストリームデータとして求め、この残差のストリームデータを出力することで、簡易的にある程度の高域成分のみ周波数変換部１３１に伝達することもできる。
【００３５】
周波数変換部１３１は、センサデータ入力部１２０から得られるストリームデータに対して周波数変換を行う。周波数変換は、ストリームデータの所定の区間のデータを用いて、フーリエ変換などを用いて行う。周波数変換の方法としては、離散フーリエ変換（ＤＦＴ：Ｄｉｓｃｒｅｔｅ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ）や連続ウェーブレット変換（ＣＷＴ：Ｃｏｎｔｉｎｕｏｕｓ Ｗａｖｅｌｅｔ Ｔｒａｎｓｆｏｒｍ）やガボール（Ｇａｂｏｒ）変換やＭＰ変換（ＭＰ：Ｍａｔｃｈｉｎｇ Ｐｕｒｓｕｉｔ）などを用いる方法があり、また、周波数の区間によって用いる周波数変換の方法を変更することもできる。ここでは、周波数変換の方法として離散フーリエ変換を使用した場合を例に説明する。
【００３６】
周波数変換部１３１は、現在の時刻をｔとし、２００Ｈｚでサンプリングしたストリームデータの１秒分の区間に対してＤＦＴを行う。ストリームデータに含まれるサンプルの個数をＮとすると、Ｎ＝２００となる。この２００個のストリームデータ分の複素数列Ｘｔ＝（Ｘ０，ｔ，Ｘ１，ｔ，…，ＸＮ−１，ｔ）（但し、実数部にストリーム内のサンプル値が入り、虚数部は０）とし、ＤＦＴ後の複素数列Ｆｔ＝（ｆ０，ｔ，ｆ１，ｔ，…，ｆＮ−１，ｔ）とすると、ＤＦＴは次の（式１）で表される。
【００３７】
【数１】
【００３８】
ＤＦＴにより得られるＮ個の複素数列Ｆｔは、それぞれ固有の周波数を持つ成分であり、ｆ０，ｔは直流成分、上記条件下では、ｆｊ，ｔは、ｊＨｚの周波数を持つ成分であり、ナイキスト周波数である１００Ｈｚを超える値については冗長である。
【００３９】
ここで、２｜ｆｊ，ｔ｜／Ｎは、各周波数成分の振幅を表し、周波数変換部１３１は、この２｜ｆｊ，ｔ｜／Ｎを周波数成分として出力することもでき、｜ｆｊ，ｔ｜２をパワースペクトルとして出力することもできる。また、周波数変換部１３１は、入力された２００個のサンプル系列Ｘｔ＝（Ｘ０，ｔ，Ｘ１，ｔ，…，ＸＮ−１，ｔ）に（式２）で表されるハミング窓などによる重み係数を掛け合わせた後にＤＦＴを行っても良い。
【００４０】
【数２】
【００４１】
ストリームデータは、センサデータ入力部１２０から逐次的に周波数変換部１３１へ入力され、周波数変換部１３１が、ストリームデータの入力の都度、上記ＤＦＴを行うと、時間の経過に伴い複数時刻のＦｔが生成される。例えば、周波数変換部１３１が２００Ｈｚでサンプリングされるストリームデータに逐次的にＤＦＴを行う場合、１秒間時刻が経過すると新たに２００サンプル分が周波数変換部１３１に入力される。周波数変換部１３１が、例えば、時刻ｔから１サンプル毎に１秒間ＤＦＴを実施すると、１サンプル毎に２００個の周波数成分（Ｆｔ，Ｆｔ＋１，…，Ｆｔ＋１９９）が生成される。これを、縦軸を周波数、横軸を時間としてまとめて描画すると、例えば、図４に示すように表現できる。ここで、白黒の濃度はパワースペクトルの強度を示し、白は弱い（値が小さい）、黒は強い（値が大きい）ことを示す。時間的な経過に伴い、この図４に示される周波数変換後のデータが取得できる。
【００４２】
バンド抽出部１３２は、周波数変換部１３１により変換された周波数成分に対して、行動状態成分を推定するために所定の連続する周波数成分からなる周波数帯（周波数バンドという）を複数用い、周波数バンド毎の統計量を出力する。ここでは、５つの周波数バンドに分けた例を示すが、周波数バンドの数は特に５でなければならないわけではなく、本実施形態では限定されない。また、周波数バンド毎に、異なる周波数変換手法を用いても良い。例えば図５に示したような周波数バンドの場合、周波数バンド１は連続ウェーブレット変換、周波数バンド２はＤＦＴといった方法を用いることができる。周波数バンド１は、低い周波数領域であるが、一般的にＤＦＴは低い周波数領域での分解能を向上させることが難しいため、同一の入力サンプルを用いてより低周波領域での分解能を高められるウェーブレット変換を使うことで、精度をより高めることもできる。特に、後述するが、周波数バンド１は人の動きの影響を直接的に受ける周波数バンドであり、この分解能を高めることは、人の動きの影響を低減する効果が向上する。
【００４３】
同様の理由で、周波数バンド毎に、周波数変換に用いる区間とサンプリング周期を変更しても良い。ＤＦＴで低い周波数領域における分解能をあげるためには、区間を長く取る必要があるが、サンプリング周期は低くても良い。一方で、高い周波数領域の演算では、長い区間は冗長で不要であるが、サンプリング周期は高くする必要がある。そのため、例えば低い周波数バンドでは、ストリームデータをサブサンプリングすることによりサンプリング周期を1/5程度に低くし、区間を１０秒といった長い区間に対してＤＦＴを行ない、高い周波数バンドでは、ストリームデータをサブサンプルせず、区間を１秒にしてＤＦＴを行なうなどの方法を用いることができる。
【００４４】
５つの周波数バンド１〜５について、図５に示す中心周波数ｃｂＨｚ（但し、ｂ＝１，…，５）とバンド幅を決定するバンド幅ファクターｒｂから、バンドの統計量Ｓｂを、例えば、（式３）の通り求める。
【００４５】
【数３】
【００４６】
ただし、ｆｓｊ，ｔは、周波数毎の成分であり、例えば、振幅（パワーベクトル）と周波数ｊから、以下のように求められる。
【００４７】
【数４】
【００４８】
（式３）は、複数の周波数毎の成分ｆｓｊ，ｔから、中心周波数ｃｂ，分散ｒｂ２のガウス関数を用いて集計したものである。（式４）は、パワースペクトル（振幅の２乗成分を持つ）に周波数の２乗を掛け合わせたものである。一般に波のエネルギーは振幅の２乗や周波数の２乗に比例する。筋肉の振幅方向の波の成分のエネルギーが、そのまま筋力負荷量になるわけではないが、力みによる振動成分は実際の動きに起因する成分よりも高い周波数で振幅が細かく観測されるため、周波数と振幅の二つの要素を用いて周波数バンドの統計量Ｓｂを求めている。また、バンド抽出部１３２は、（式４’）のように、個々の周波数のパワースペクトルをｌｏｇ演算し、周波数を掛け合わせることで、周波数全域である程度フラットな特性にし、その上で周波数バンドの統計量を求めても良い。
【００４９】
【数５】
【００５０】
また、バンド抽出部１３２は、周波数変換とは異なる観点で時間的変化を指標にしてもよい。例えば、バンド抽出部１３２は、複数時刻のｆｓｊ，ｔを用いて、ｓｂを以下のように求めることもできる。
【００５１】
【数６】
【００５２】
他にも、バンド抽出部１３２は、バンド毎に近傍時刻（例えば、ｔ−２０〜ｔの区間など）の統計量Ｓｂの最大値や最小値を、統計量Ｓｂの代わりに出力しても良いし、変化の勾配を求めて出力するなど、別の統計量を用いても良い。
【００５３】
また、バンド抽出部１３２は、一つのバンドで複数の種類の統計量を求めても良い。例えば、（式３）の出力をＳｂ１、（式５）の出力をＳｂ２と定義し、（式３）によって算出したＳｂ１と（式５）によって算出したＳｂ２の２種類を分けて出力するなど、統計量の数について限定しない。また、バンド抽出部１３２は、（式３）と（式５）では、周波数バンド毎にパラメータを変化させているが、周波数バンドによってまったく異なる方式で統計量を求めても良い。バンド抽出部１３２は、例えば、周波数バンド１の統計量としては（式３）を用いて算出して出力し、周波数バンド２の統計量としては（式５）を用いて算出して出力し、周波数バンド３の統計量としては、変化の勾配を出力するなどの方法をとっても良い。また、ここで求めた統計量を行動状態成分演算部１４０へ送る。
【００５４】
行動状態成分演算部１４０は、複数の周波数バンドの統計量Ｓｂから、行動状態成分量を求める。一つのバンドに対する統計量は、１種類である必要はなく、複数種類あっても良いが、ここでは１種類の場合を例に挙げて記載する。図５に示したような周波数バンドの場合、周波数バンド１が低域周波数バンドであり、行動状態成分をあまり含まないが、人の動きの影響を直接的に受ける周波数バンドである。また、周波数バンド２〜４は、行動状態成分を良く含みうる周波数バンドである。また、周波数バンド５は、行動状態成分よりも高い周波数の周波数バンドである。筋肉の振動ではない人間の意図した動きに起因する加速度（例えば、体操などによる手足の動きそのものから得られる加速度）などは、周波数バンド１により多く含まれうる。言い換えると、周波数バンド１は、動きの激しさを表すパラメータということができる。
【００５５】
例えば、筋肉に長期間大きな負荷を与える場合、その筋肉のある四肢などは、空間内を大きくは動かず、静止に近い動きである場合が多い。逆に四肢が自由に空間内を移動できる場合、その四肢の筋肉には相対的に見ると、あまり大きな負荷がかかっていない。このような観点から、動きの激しさを表す周波数バンド１は、行動状態成分を算出する上で抑制側のパラメータとして利用ができる。周波数バンド２以降は、意図した動きから発生させることが難しい人間の筋肉運動の限界をある程度超えている周波数（例えば、手を２０Ｈｚで振ることは難しい）であり、特に周波数バンド２〜４は、筋肉に負荷をかける際に発生する筋肉の微細振動である行動状態成分を良く含みうる。この行動状態成分は、筋肉の疲労状態や負荷状態で、中心周波数が微小にシフトすることがある。この変化によらず行動状態成分を検出するために、本実施形態では、周波数バンド２〜４の３つの周波数バンドを用いているが、１個の周波数バンドでこれらのシフトをカバーするようにしても良いし、範囲内でピークを追随するよう、複数の周波数バンドを定義し、ピークを探索するように最大値が得られる周波数バンドを用いるなど、選択的に用いても良い。
【００５６】
また一方で、衝撃的な振動、素早い動きで加速度波形の急峻な立ち上がり成分がある場合、加速度センサの測定可能レンジ外の加速度（例えば、−３Ｇ以下や、３Ｇ以上など）が発生し、波形が方形波的にカットされることなどがあり、広い周波数帯域に高いパワーがのる場合がある。このような場合は、周波数バンド２〜４の他に周波数バンド５のような高い周波数バンドにも反映される。すなわち、周波数バンド２〜４の行動状態成分量のみが高く、周波数バンド１，５の行動状態成分量が低い場合は、周波数バンド２〜４だけで筋肉負荷の高い状態だと認識できるが、一方で、前記のような衝撃的な振動が発生した場合にも不必要に行動状態成分量が高まってしまう。行動状態成分演算部１４０は、周波数バンド５を、そのような場合の抑制パラメータとして用いることで、行動状態成分が不要に高まることを抑えることができる。上記のような性質から、複数の周波数バンドの統計量を用いて行動状態成分を推定する。
【００５７】
行動状態成分量をＭとすると、例えば、行動状態成分演算部１４０は、行動状態成分のよく含まれる周波数バンドの統計量と行動状態成分のあまり含まれない周波数バンドの統計量の比から、行動状態成分量Ｍを以下のような方法で計算できる。
【００５８】
【数７】
【００５９】
ここで、関数ｇとしては、シグモイド関数や線形な関数など、多様に利用可能であるが、例えば、以下のようなものを利用できる。
【００６０】
【数８】
【００６１】
また、行動状態成分演算部１４０は、図７に示すように非線形な関数や、変換テーブルを持ち、これを用いて変換してもよい。関数ｇは、シグモイド関数や、（式７）に示した関数、図７に示した関数などのように、ｘの値がある程度以上高いところでフラット特性をとることができる。（式６）では、関数ｇに与える値にバンドの統計量から求めた値の比を用いている。これは、分子と分母の比がある程度の大きさの値で均衡しているような状態においては、その均衡状態近傍の微小な変化を大きく抽出し、そこから大きく外れる状態では、感度を落とす効果がある。
【００６２】
例えば、静止した状態で筋肉を極端に力んだ状態では、統計量Ｓ１，Ｓ５は０に近い非常に微小な値をとり、行動状態成分量Ｍを大きくする値となる。この場合に、非常に小さな値Ｓ１，Ｓ５からなる分母は、微小な変化で比を大きく変化させる場合があるが、その大きな変化は雑音などの影響が大きく、行動状態の変化とはあまり関係がない。したがって、そのような値に対する感度を落とすような特性のある関数ｇを用いることで、雑音などの不要な影響を低減することが可能となる。また、統計量Ｓ１，…，Ｓ５からなる多次元ベクトルのテーブルを持ち、そのテーブルを参照して行動状態成分量Ｍを求めても良い。上記は一例であり、例えば、ベイジアンネットワークのようなグラフ構造をもった条件付き確率モデルを構築し、周波数バンドの統計量を入力として行動状態成分量を推定しても良い。
【００６３】
出力部１５０は、上記推定した行動状態成分量Ｍに基づき行動状態成分量を出力する。出力は、そのまま出力する方法、過去１秒間の行動状態成分量のうちの最大値を出す方法、移動平均を出す方法や、映像や振動・音などに変換して出力する方法などをとっても良い。また、ある一定以上の行動状態成分量Ｍが入力された場合のみ出力し、それ以外は出力しないなどの制御を行っても良い。また、５分など一定期間積算し、積算値が閾値を超えた場合に超えたことを示す情報を出力するなどの方法をとっても良い。
【００６４】
なお、上記実施形態において説明した行動状態推定装置１００Ａの各部の機能は、実際には、図示しないＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などの演算装置がこれらの機能を実現する処理手順を記述した制御プログラムを記憶したＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）やＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などの記憶媒体から制御プログラムを読出し、そのプログラムを解釈して実行することにより達成される。
【００６５】
［動作の説明］
図６を参照して、本発明の第１実施形態に係る行動状態推定装置１００Ａによって実行される処理の流れについて説明する。行動状態推定装置１００Ａの周波数変換部１３１は、加速度センサによって測定された信号を周波数変換する（ステップＳ１０１）。バンド抽出部１３２は、周波数変換部１３１によって周波数変換されて得られた周波数成分のうち、複数の周波数バンドのそれぞれから各統計量を算出する（ステップＳ１０２）。行動状態成分演算部１４０は、バンド抽出部１３２によって算出された各統計量に基づき、被験者の筋肉にかかる負荷の状態を演算する（ステップＳ１０３）。出力部１５０は、行動状態成分演算部１４０によって演算されて得られた結果である演算結果を出力する（ステップＳ１０４）。
【００６６】
なお、ここではバンド抽出部１３２が複数の周波数バンドのそれぞれから各統計量を算出することとするが、上記したように、バンド抽出部１３２は、単数の周波数バンドから統計量を算出することとしてもよい。その場合には、行動状態成分演算部１４０は、バンド抽出部１３２によって算出された単数の統計量に基づき、被験者の筋肉にかかる負荷の状態を演算する。
【００６７】
［効果の説明］
以上説明したように、本発明の実施形態に係る行動状態推定装置１００Ａによれば、加速度センサから得られるデータの平均周波数や振幅ＲＭＳを行動状態成分量として算出するよりも、自由な運動環境下で筋力負荷状態をよく反映できる行動状態成分量の推定が可能になり、その結果、被験者の実際の様々な行動や運動中の筋力負荷量や疲労度を推定するなど、実環境での利用が可能になる。
【００６８】
＜第２実施形態＞
続いて、本発明の第２実施形態について説明する。
［構成の説明］
本発明の第２実施形態では、学習側と認識側の２つがあり、学習側は、行動状態成分を推定するために必要な行動状態モデルを構築する際にのみ用いられる。認識側は、行動状態成分を推定する際に用いられ、学習側で求めた行動状態モデルに基づき、行動状態成分を推定出力する。
【００６９】
学習側の構成：
第２実施形態に係る行動状態学習装置２００は、センシング部１１０の機能に加えて筋肉の筋電位を計測する機能を有するセンシング部２１０と接続され、センサデータ入力部１２０の機能に加えて筋電位データを受け取るセンサデータ入力部２２０と、筋電位データから行動状態成分へ変換する行動状態成分変換部２３０と、行動状態成分変換部２３０の出力とバンド抽出部１３２から、バンド抽出部１３２と行動状態成分の関係を学習する行動状態成分学習部２４０と、学習結果のモデルを出力する行動状態モデル出力部２５０とを備える。これら以外の構成については、第１実施形態に係る行動状態推定装置１００Ａと同様である。
【００７０】
認識側の構成：
第２実施形態に係る行動状態推定装置１００Ｂは、行動状態モデルを記憶する行動状態モデル記憶部３２０と、行動状態モデルを用いて行動状態成分を推定する行動状態成分推定部３１０とを有する。これら以外の構成については、第１実施形態に係る行動状態推定装置１００Ａと同様である。
【００７１】
学習側の構成：
第１実施形態との差分についてのみ説明する。センシング部２１０は、第１実施形態におけるセンシング部１１０と同様に、センサデータをサンプルし、学習用ストリームデータを出力する。これに加えて、筋電位を測定する手段を備える。筋電位は、体表面になるべく直接接するように電極を粘着性のあるノリなどで貼り付けて測定する。貼り付ける箇所は、センシング部１１０と同様のセンサを貼り付けた筋肉近くとしても良い。その場合には、該筋肉から誘発される電位を計測する。また、加速度データを使用した場合は、腕や腰に装着した加速度センサであっても、ランニングやスクワット、重量あげといった運動では下半身や腹筋の動きの影響を受けるため、例えば、腰に加速度センサ、腹筋に筋電位の電極を装着するなど、必ずしも同じ筋肉を対象としなくても良い。また、誘発電位は、数ｍＶ程度の微弱な電圧のため、アンプにて通常１０００倍程度増幅した後にＡＤ変換を行うことが多い。ＡＤ変換時のサンプリング周波数としては、通常１００〜数ｋＨｚ程度が用いられる。例えば、１ｋＨｚでサンプリングした筋電位のストリームデータを、教師用ストリームデータとしてセンサデータ入力部２２０へ送信する。
【００７２】
センサデータ入力部２２０は、学習用ストリームデータを周波数変換部１３１へ、第１実施形態と同様に送る。また、教師用ストリームデータを行動状態成分変換部２３０に送る。学習用ストリームデータに対して第１実施形態に係る行動状態推定装置１００Ａが行う操作と同様に、教師用ストリームデータに対しても各種操作を行っても良く、例えば、１０サンプル毎に和をとり平均化し、１ｋＨｚのサンプリングレートから１００Ｈｚのレートの教師用ストリームに変換しても良い。
【００７３】
行動状態成分変換部２３０は、教師用ストリームデータに基づき、行動状態成分量を算出し出力する。筋電位センサから得られるデータは、加速度センサから得られるデータと異なり、衝撃や重力加速度の方向変化などによる変化を受けることはない。また、筋電位センサから得られるデータには、人体の急峻な動きによる加速度成分の急峻な変化のようなものが、動かすに必要な筋力負荷に相当する出力として含まれるなど、加速度センサから得られるデータとは大きく異なった特徴を持つ。そのため、平均周波数や振幅ＲＭＳなどは、筋電位に対しては比較的精度良く筋力負荷を反映する。
【００７４】
行動状態成分変換部２３０は、一例として、現在の時刻をｔとし、１ｋＨｚでサンプリングしたストリームデータの１秒分の区間に対してＤＦＴを行う。ストリームデータに含まれるサンプルの個数をＭとすると、Ｍ＝１０００となる。この１０００個のストリームデータ分の複素数列Ｙｔ＝（ｙ０，ｔ，ｙ１，ｔ，…ｙＭ−１，ｔ）（但し、実数部にストリームデータ内のサンプル値が入り、虚数部は０）とし、ＤＦＴ後の複素数列Ｐｔ＝（Ｐ０，ｔ，Ｐ１，ｔ，…，ＰＭ−１，ｔ）とすると、ＤＦＴは、（式１）と同様に次の（式８）で表される。
【００７５】
【数９】
【００７６】
また、行動状態成分変換部２３０は、第１実施形態と同様に、入力の１０００個のサンプル系列Ｙｔ＝（ｙ０，ｔ，ｙ１，ｔ，…ｙＭ−１，ｔ）に、（式２）と同様に計算されるハミング窓などによる重み係数を掛け合わせた後にＤＦＴを行っても良い。平均周波数ＭＰＦｔは、例えば、次の（式９）で求められる。
【００７７】
【数１０】
【００７８】
平均周波数ＭＰＦｔは、筋力負荷に伴って変化する値であり、行動状態成分変換部２３０は、平均周波数ＭＰＦｔを行動状態成分へ変換する。行動状態成分変換部２３０は、Ｒｔを筋電位による行動状態成分量とし、例えば、次の（式１０）を用いて平均周波数ＭＰＦｔから行動状態成分への変換を行う。
【００７９】
【数１１】
【００８０】
関数ｈは、ＭＰＦｔをそのままＲｔとして出力してもよいし、複数時間の平均を用いてもよいし、複数時間にわたる統計量から算出しても良い。また、関数ｈとして、図１０に示すような特性を持つ関数を用いても良く、テーブルを参照して決定することとしても良い。この他、振幅ＲＭＳを用いて、Ｒｔを決定しても良い。
【００８１】
行動状態成分学習部２４０は、バンド抽出部１３２からの統計量を入力ベクトル、行動状態成分変換部２３０から得られる行動状態成分量Ｒｔを教師信号として、認識学習器による学習を行う。認識学習器には、多クラス分類可能なＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）やＧＭＭ（Ｇａｕｓｓｉａｎ Ｍｉｘｔｕｒｅ Ｍｏｄｅｌ）、ＨＭＭ（Ｈｉｄｄｅｎ Ｍａｒｋｏｖ Ｍｏｄｅｌ）、ニューラルネットワーク、学習型ベイジアンネットワークなど、入力ベクトルと教師信号から内部状態を学習によって決定可能な技術を用いることができる。入力ベクトルＶｔは、例えば、以下の成分を持つベクトルとして表現できる。
【００８２】
【数１２】
【００８３】
また、複数の時刻の統計量を有する以下の成分を持つベクトルとして表現することもできる。
【００８４】
【数１３】
【００８５】
他にも、これらの成分に対して主成分分析を適用し、寄与率に基づき次元数の削減を行った上で、入力ベクトルとしても良い。例えば、（式１２）の成分に基づいて主成分分析を行った結果、第５主成分までで９５％の寄与率となった場合は、入力ベクトルを第１成分〜第５成分の５次元としても良い。
【００８６】
これらの入力ベクトルに対して、期待する出力値を教師信号Ｒｔで与えて学習を行い、その結果を行動状態モデルとして、行動状態モデル出力部２５０から出力する。認識学習器については、複数の認識学習器を組み合わせても良く、例えば、ＡｄａＢｏｏｓｔといった手法に代表されるブースティング（ｂｏｏｓｔｉｎｇ）などの手法を用いても良い。この他、１クラスの分類しかできない認識学習器や多クラス分類可能な認識学習器を多段に構成して一つの認識学習方式を構成しても良い。
【００８７】
行動状態モデル自身は、認識学習器の認識に係る内部状態のパラメータであり、認識器（本実施形態では、行動状態成分推定部３１０）でこのモデルを読み込むことで、教師信号Ｒｔを与えず、入力ベクトルＶｔのみで、教師信号Ｒｔに対応する認識結果Ｍｔを出力する。ＲｔとＭｔは必ずしも一致しない場合がある。例えば、Ｒｔに含まれる雑音成分などを許容するパラメータ（ＳＶＭの場合はスラック変数など）に起因するケースや、異なるＲｔに対して同じ入力ベクトルＶｔの与えられた学習の場合に、正しく認識しがたいといったケースがある。これらによる誤差の発現を抑えるため、認識器側で時刻の異なるＭｔを１０秒分集積し、多数決をとる方法や平均値を求める方法などを用いてもよい。
【００８８】
認識側の構成：
第１実施形態との差分のみ説明する。行動状態モデルを記憶する行動状態モデル記憶部３２０は、学習側の行動状態モデル出力部２５０から得られる行動状態モデルを保持する。行動状態モデルは、学習側の行動状態成分学習部２４０において、学習によって決定された認識器の内部状態である。この行動状態モデルを、行動状態成分推定部３１０にある認識器に設定することで、行動状態成分の推定を行う。
【００８９】
行動状態成分推定部３１０は、行動状態モデル記憶部３２０から行動状態モデルを取得し、認識器の状態として設定する。また、行動状態成分推定部３１０は、バンド抽出部１３２からの統計量を入力ベクトルとして構成する。行動状態成分推定部３１０は、この入力ベクトルを、学習側の行動状態成分学習部２４０の入力ベクトルＶｔと同様で、（式１１）（式１２）に記載の学習に用いた入力ベクトルと同じ形式で生成する。行動状態成分推定部３１０は、この入力ベクトルに対して、行動状態モデルに基づき認識を行い、行動状態成分量Ｍｔを出力する。認識は、多クラス分類可能なＳＶＭやＧＭＭ、ＨＭＭ、ニューラルネットワーク、学習型ベイジアンネットワークなど、学習の際に用いた認識学習器に対応する認識器や認識器の構成方法で行う。認識器については、認識学習器に対応して、複数の認識器を組み合わせても良く、例えば、ＡｄａＢｏｏｓｔといった手法に代表されるブースティング（ｂｏｏｓｔｉｎｇ）などの手法を用いても良い。この他、１クラスの分類しかできない認識器や多クラス分類可能な認識器を多段に構成して一つの認識方式を構成しても良い。また、学習側でも記載したが、認識誤差の発現を抑えるため、認識側では時刻の異なるＭｔを１０秒分集積し、多数決をとる方法や平均値を求める方法などを用いても良い。
【００９０】
出力部１５０は、行動状態成分推定部３１０の出力する行動状態成分量Ｍｔに基づき行動状態成分量を出力する。動作としては、第１実施形態と同様である。
【００９１】
［動作の説明］
図１１を参照して、本発明の第２実施形態に係る行動状態学習装置２００によって実行される処理の流れについて説明する。行動状態学習装置２００の周波数変換部１３１は、加速度センサによって測定された信号を周波数変換する（ステップＳ２０１）。バンド抽出部１３２は、周波数変換部１３１によって周波数変換されて得られた周波数成分のうち、複数の周波数バンドのそれぞれから各統計量を算出する（ステップＳ２０２）。一方、行動状態成分変換部２３０は、筋電位センサによって測定された信号から行動状態成分量を推定する（ステップＳ２０３）。行動状態成分学習部２４０は、バンド抽出部１３２によって算出された各統計量に基づき、入力ベクトルを生成する（ステップＳ２０４）。次いで、行動状態成分学習部２４０は、行動状態成分変換部２３０によって推定された行動状態成分量を教師信号とし、教師信号と行動状態成分学習部２４０によって生成された入力ベクトルとに基づいて学習を行う（ステップＳ２０５）。行動状態モデル出力部２５０は、行動状態成分学習部２４０によって学習されて得られた結果を行動状態モデルとして出力する（ステップＳ２０６）。
【００９２】
なお、ここではバンド抽出部１３２が複数の周波数バンドのそれぞれから各統計量を算出することとするが、上記したように、バンド抽出部１３２は、単数の周波数バンドから統計量を算出することとしてもよい。その場合には、行動状態成分学習部２４０は、バンド抽出部１３２によって算出された単数の統計量に基づき、入力ベクトルを生成する。
【００９３】
図１２を参照して、本発明の第２実施形態に係る行動状態推定装置１００Ｂによって実行される処理の流れについて説明する。行動状態推定装置１００Ｂの行動状態モデル記憶部３２０は、行動状態学習装置２００からの行動状態モデルの入力を受け付けて当該行動状態モデルを記憶する（ステップＳ３０１）。周波数変換部１３１は、加速度センサによって測定された信号を周波数変換する（ステップＳ３０２）。バンド抽出部１３２は、周波数変換部１３１によって周波数変換されて得られた周波数成分のうち、複数の周波数バンドのそれぞれから各統計量を算出する（ステップＳ３０３）。行動状態成分推定部３１０は、行動状態モデル記憶部３２０から行動状態モデルを取得し（ステップＳ３０４）、バンド抽出部１３２によって算出された各統計量に基づき、入力ベクトルを生成する（ステップＳ３０５）。次いで、行動状態成分推定部３１０は、取得した行動状態モデルと生成した入力ベクトルとに基づいて被験者の筋肉にかかる負荷の状態を演算する（ステップＳ３０６）。出力部１５０は、行動状態成分推定部３１０によって演算されて得られた結果を演算結果として出力する（ステップＳ３０７）。
【００９４】
なお、ここではバンド抽出部１３２が複数の周波数バンドのそれぞれから各統計量を算出することとするが、上記したように、バンド抽出部１３２は、単数の周波数バンドから統計量を算出することとしてもよい。その場合には、行動状態成分推定部３１０は、バンド抽出部１３２によって算出された単数の統計量に基づき、入力ベクトルを生成する。
【００９５】
［効果の説明］
筋電計は、電極を皮膚に粘着剤で貼付しなければならず、また、発汗などにも弱く、普通に行動をしている環境ではセンシングが難しいが、本実施形態では、このような弱点を克服し、加速度センサの出力のみを用いて、普通に行動している環境における筋力負荷や緊張度合を示す指標としての行動状態成分量を、筋電計に近い精度で出力することができる。
【００９６】
以上、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明はかかる例に限定されない。本発明の属する技術の分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。
【００９７】
例えば、上記実施形態では、振動検知センサとして加速度センサを用いる場合を例に記載しているが、振動を検知できるセンサであれば何でも良く、例えば、角速度センサ、圧電素子などの圧力センサ、マイクロフォン、歪センサなどを用いることとしても良い。
【００９８】
尚、本明細書において、フローチャートに記述されたステップは、記載された順序に沿って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的に又は個別的に実行される処理をも含む。また時系列的に処理されるステップでも、場合によっては適宜順序を変更することが可能であることは言うまでもない。
【符号の説明】
【００９９】
１００（１００Ａ、１００Ｂ） 行動状態推定装置
１１０ センシング部
１２０ センサデータ入力部
１３０ 周波数バンド統計量演算部
１３１ 周波数変換部
１３２ バンド抽出部
１４０ 行動状態成分演算部
１５０ 出力部
２００ 行動状態学習装置
２１０ センシング部
２２０ センサデータ入力部
２３０ 行動状態成分変換部
２４０ 行動状態成分学習部
２５０ 行動状態モデル出力部
３１０ 行動状態成分推定部
３２０ 行動状態モデル記憶部
【特許請求の範囲】
【請求項１】
被験者に装着された振動検知センサによって測定された信号から行動状態を推定する行動状態推定装置において、
前記振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求める周波数バンド統計量演算部と、
前記統計量に基づき前記被験者の行動状態を推定する行動状態成分演算部と、
を備えることを特徴とする、行動状態推定装置。
【請求項２】
前記周波数バンド統計量演算部は、
複数の前記周波数バンドのそれぞれから各統計量を求め、
前記行動状態成分演算部は、
前記各統計量に基づき前記被験者の行動状態として、前記被験者の筋肉にかかる負荷の状態を演算する、
ことを特徴とする、請求項１に記載の行動状態推定装置。
【請求項３】
前記周波数バンド統計量演算部は、
前記複数の周波数バンドのそれぞれから前記周波数バンド毎に異なる周波数変換手法を用いて前記各統計量を求める、
ことを特徴とする、請求項２に記載の行動状態推定装置。
【請求項４】
前記行動状態成分演算部は、
前記複数の周波数バンドのうち、筋音成分を主成分とする周波数バンドから前記周波数バンド統計量演算部によって求められた統計量と、前記筋音成分を主成分とする周波数バンド以外の周波数バンドから前記周波数バンド統計量演算部によって求められた統計量との比に基づき、前記被験者の筋肉にかかる負荷の状態を演算する、
ことを特徴とする、請求項２に記載の行動状態推定装置。
【請求項５】
前記周波数バンド統計量演算部は、
複数の異なる時刻に前記振動検知センサによって測定された複数の信号のそれぞれを周波数変換し、周波数変換して得られた複数の周波数成分のうち、所定の周波数バンドから前記統計量を求める、
ことを特徴とする、請求項１に記載の行動状態推定装置。
【請求項６】
被験者に装着された振動検知センサによって測定された信号と被験者に装着された筋電位センサによって測定された信号とから行動状態を推定するために使用されるモデルを構築する行動状態学習装置において、
前記振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求める周波数バンド統計量演算部と、
前記筋電位センサによって測定された信号から行動状態成分量を推定する行動状態成分変換部と、
前記周波数バンド統計量演算部によって求められた前記統計量に基づき入力ベクトルを生成し、前記行動状態成分変換部によって推定された前記行動状態成分量を教師信号として、前記入力ベクトルと前記教師信号とに基づいて学習を行う行動状態成分学習部と、
前記行動状態成分学習部が学習して得た結果を行動状態モデルとして出力する行動状態モデル出力部と、
を備えることを特徴とする、行動状態学習装置。
【請求項７】
前記周波数バンド統計量演算部は、
複数の前記周波数バンドのそれぞれから各統計量を求め、
前記行動状態成分学習部は、
前記周波数バンド統計量演算部によって求められた前記各統計量に基づき前記入力ベクトルを生成する、
ことを特徴とする、請求項６に記載の行動状態推定装置。
【請求項８】
被験者に装着された振動検知センサによって測定された信号から行動状態を推定する行動状態推定装置において、
前記振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求める周波数バンド統計量演算部と、
行動状態モデルを記憶する行動状態モデル記憶部と、
前記行動状態モデル記憶部によって記憶されている前記行動状態モデルを取得するとともに前記周波数バンド統計量演算部によって求められた前記統計量に基づき入力ベクトルを生成し、前記行動状態モデルと前記入力ベクトルとに基づき前記被験者の行動状態を推定する行動状態成分推定部と、
を備えることを特徴とする、行動状態推定装置。
【請求項９】
前記周波数バンド統計量演算部は、
複数の前記周波数バンドのそれぞれから各統計量を求め、
前記行動状態成分推定部は、
前記各統計量に基づき前記入力ベクトルを生成し、前記行動状態モデルと前記入力ベクトルとに基づき、前記被験者の行動状態として、前記被験者の筋肉にかかる負荷の状態を演算する、
ことを特徴とする、請求項８に記載の行動状態推定装置。
【請求項１０】
被験者に装着された振動検知センサによって測定された信号から行動状態を推定する行動状態推定装置によって実行される行動状態推定方法において、
前記振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求めるステップと、
前記統計量に基づき前記被験者の行動状態を推定するステップと、
を含むことを特徴とする、行動状態推定方法。
【請求項１１】
被験者に装着された振動検知センサによって測定された信号と被験者に装着された筋電位センサによって測定された信号とから行動状態を推定するために使用されるモデルを構築する行動状態学習装置よって実行される行動状態学習方法において、
前記振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求めるステップと、
前記筋電位センサによって測定された信号から行動状態成分量を推定するステップと、
前記統計量に基づき入力ベクトルを生成し、前記行動状態成分量を教師信号として、前記入力ベクトルと前記教師信号とに基づいて学習を行うステップと、
学習して得た結果を行動状態モデルとして出力するステップと、
を含むことを特徴とする、行動状態学習方法。
【請求項１２】
被験者に装着された振動検知センサによって測定された信号から行動状態を推定する行動状態推定装置によって実行される行動状態推定方法において、
前記振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求めるステップと、
前記統計量に基づき入力ベクトルを生成し、行動状態モデルと前記入力ベクトルとに基づき前記被験者の行動状態を推定するステップと、
を含むことを特徴とする、行動状態推定方法。
【請求項１３】
コンピュータを、
被験者に装着された振動検知センサによって測定された信号から行動状態を推定する行動状態推定装置であって、
前記振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求める周波数バンド統計量演算部と、
前記統計量に基づき前記被験者の行動状態を推定する行動状態成分演算部と、
を備えることを特徴とする、行動状態推定装置として機能させるためのプログラム。
【請求項１４】
コンピュータを、
被験者に装着された振動検知センサによって測定された信号と被験者に装着された筋電位センサによって測定された信号とから行動状態を推定するために使用されるモデルを構築する行動状態学習装置であって、
前記振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求める周波数バンド統計量演算部と、
前記筋電位センサによって測定された信号から行動状態成分量を推定する行動状態成分変換部と、
前記周波数バンド統計量演算部によって求められた前記統計量に基づき入力ベクトルを生成し、前記行動状態成分変換部によって推定された前記行動状態成分量を教師信号として、前記入力ベクトルと前記教師信号とに基づいて学習を行う行動状態成分学習部と、
前記行動状態成分学習部が学習して得た結果を行動状態モデルとして出力する行動状態モデル出力部と、
を備えることを特徴とする、行動状態学習装置として機能させるためのプログラム。
【請求項１５】
プログラムを、
被験者に装着された振動検知センサによって測定された信号から行動状態を推定する行動状態推定装置であって、
前記振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求める周波数バンド統計量演算部と、
行動状態モデルを記憶する行動状態モデル記憶部と、
前記行動状態モデル記憶部によって記憶されている前記行動状態モデルを取得し、前記周波数バンド統計量演算部によって求められた前記統計量に基づき入力ベクトルを生成し、前記行動状態モデルと前記入力ベクトルとに基づき前記被験者の行動状態を推定する行動状態成分推定部と、
を備えることを特徴とする、行動状態推定装置として機能させるためのプログラム。
【請求項１】
被験者に装着された振動検知センサによって測定された信号から行動状態を推定する行動状態推定装置において、
前記振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求める周波数バンド統計量演算部と、
前記統計量に基づき前記被験者の行動状態を推定する行動状態成分演算部と、
を備えることを特徴とする、行動状態推定装置。
【請求項２】
前記周波数バンド統計量演算部は、
複数の前記周波数バンドのそれぞれから各統計量を求め、
前記行動状態成分演算部は、
前記各統計量に基づき前記被験者の行動状態として、前記被験者の筋肉にかかる負荷の状態を演算する、
ことを特徴とする、請求項１に記載の行動状態推定装置。
【請求項３】
前記周波数バンド統計量演算部は、
前記複数の周波数バンドのそれぞれから前記周波数バンド毎に異なる周波数変換手法を用いて前記各統計量を求める、
ことを特徴とする、請求項２に記載の行動状態推定装置。
【請求項４】
前記行動状態成分演算部は、
前記複数の周波数バンドのうち、筋音成分を主成分とする周波数バンドから前記周波数バンド統計量演算部によって求められた統計量と、前記筋音成分を主成分とする周波数バンド以外の周波数バンドから前記周波数バンド統計量演算部によって求められた統計量との比に基づき、前記被験者の筋肉にかかる負荷の状態を演算する、
ことを特徴とする、請求項２に記載の行動状態推定装置。
【請求項５】
前記周波数バンド統計量演算部は、
複数の異なる時刻に前記振動検知センサによって測定された複数の信号のそれぞれを周波数変換し、周波数変換して得られた複数の周波数成分のうち、所定の周波数バンドから前記統計量を求める、
ことを特徴とする、請求項１に記載の行動状態推定装置。
【請求項６】
被験者に装着された振動検知センサによって測定された信号と被験者に装着された筋電位センサによって測定された信号とから行動状態を推定するために使用されるモデルを構築する行動状態学習装置において、
前記振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求める周波数バンド統計量演算部と、
前記筋電位センサによって測定された信号から行動状態成分量を推定する行動状態成分変換部と、
前記周波数バンド統計量演算部によって求められた前記統計量に基づき入力ベクトルを生成し、前記行動状態成分変換部によって推定された前記行動状態成分量を教師信号として、前記入力ベクトルと前記教師信号とに基づいて学習を行う行動状態成分学習部と、
前記行動状態成分学習部が学習して得た結果を行動状態モデルとして出力する行動状態モデル出力部と、
を備えることを特徴とする、行動状態学習装置。
【請求項７】
前記周波数バンド統計量演算部は、
複数の前記周波数バンドのそれぞれから各統計量を求め、
前記行動状態成分学習部は、
前記周波数バンド統計量演算部によって求められた前記各統計量に基づき前記入力ベクトルを生成する、
ことを特徴とする、請求項６に記載の行動状態推定装置。
【請求項８】
被験者に装着された振動検知センサによって測定された信号から行動状態を推定する行動状態推定装置において、
前記振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求める周波数バンド統計量演算部と、
行動状態モデルを記憶する行動状態モデル記憶部と、
前記行動状態モデル記憶部によって記憶されている前記行動状態モデルを取得するとともに前記周波数バンド統計量演算部によって求められた前記統計量に基づき入力ベクトルを生成し、前記行動状態モデルと前記入力ベクトルとに基づき前記被験者の行動状態を推定する行動状態成分推定部と、
を備えることを特徴とする、行動状態推定装置。
【請求項９】
前記周波数バンド統計量演算部は、
複数の前記周波数バンドのそれぞれから各統計量を求め、
前記行動状態成分推定部は、
前記各統計量に基づき前記入力ベクトルを生成し、前記行動状態モデルと前記入力ベクトルとに基づき、前記被験者の行動状態として、前記被験者の筋肉にかかる負荷の状態を演算する、
ことを特徴とする、請求項８に記載の行動状態推定装置。
【請求項１０】
被験者に装着された振動検知センサによって測定された信号から行動状態を推定する行動状態推定装置によって実行される行動状態推定方法において、
前記振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求めるステップと、
前記統計量に基づき前記被験者の行動状態を推定するステップと、
を含むことを特徴とする、行動状態推定方法。
【請求項１１】
被験者に装着された振動検知センサによって測定された信号と被験者に装着された筋電位センサによって測定された信号とから行動状態を推定するために使用されるモデルを構築する行動状態学習装置よって実行される行動状態学習方法において、
前記振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求めるステップと、
前記筋電位センサによって測定された信号から行動状態成分量を推定するステップと、
前記統計量に基づき入力ベクトルを生成し、前記行動状態成分量を教師信号として、前記入力ベクトルと前記教師信号とに基づいて学習を行うステップと、
学習して得た結果を行動状態モデルとして出力するステップと、
を含むことを特徴とする、行動状態学習方法。
【請求項１２】
被験者に装着された振動検知センサによって測定された信号から行動状態を推定する行動状態推定装置によって実行される行動状態推定方法において、
前記振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求めるステップと、
前記統計量に基づき入力ベクトルを生成し、行動状態モデルと前記入力ベクトルとに基づき前記被験者の行動状態を推定するステップと、
を含むことを特徴とする、行動状態推定方法。
【請求項１３】
コンピュータを、
被験者に装着された振動検知センサによって測定された信号から行動状態を推定する行動状態推定装置であって、
前記振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求める周波数バンド統計量演算部と、
前記統計量に基づき前記被験者の行動状態を推定する行動状態成分演算部と、
を備えることを特徴とする、行動状態推定装置として機能させるためのプログラム。
【請求項１４】
コンピュータを、
被験者に装着された振動検知センサによって測定された信号と被験者に装着された筋電位センサによって測定された信号とから行動状態を推定するために使用されるモデルを構築する行動状態学習装置であって、
前記振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求める周波数バンド統計量演算部と、
前記筋電位センサによって測定された信号から行動状態成分量を推定する行動状態成分変換部と、
前記周波数バンド統計量演算部によって求められた前記統計量に基づき入力ベクトルを生成し、前記行動状態成分変換部によって推定された前記行動状態成分量を教師信号として、前記入力ベクトルと前記教師信号とに基づいて学習を行う行動状態成分学習部と、
前記行動状態成分学習部が学習して得た結果を行動状態モデルとして出力する行動状態モデル出力部と、
を備えることを特徴とする、行動状態学習装置として機能させるためのプログラム。
【請求項１５】
プログラムを、
被験者に装着された振動検知センサによって測定された信号から行動状態を推定する行動状態推定装置であって、
前記振動検知センサによって測定された信号を周波数変換し、周波数変換して得られた周波数成分のうち所定の周波数バンドから統計量を求める周波数バンド統計量演算部と、
行動状態モデルを記憶する行動状態モデル記憶部と、
前記行動状態モデル記憶部によって記憶されている前記行動状態モデルを取得し、前記周波数バンド統計量演算部によって求められた前記統計量に基づき入力ベクトルを生成し、前記行動状態モデルと前記入力ベクトルとに基づき前記被験者の行動状態を推定する行動状態成分推定部と、
を備えることを特徴とする、行動状態推定装置として機能させるためのプログラム。
【図１】
【図２】
【図３】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図４】
【図２】
【図３】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図４】
【公開番号】特開２０１１−１８２８２４（Ｐ２０１１−１８２８２４Ａ）
【公開日】平成２３年９月２２日（２０１１．９．２２）
【国際特許分類】
【出願番号】特願２０１０−４８１８２（Ｐ２０１０−４８１８２）
【出願日】平成２２年３月４日（２０１０．３．４）
【国等の委託研究の成果に係る記載事項】（出願人による申告）国等の委託研究の成果に係る特許出願（平成２１年度総務省「ユビキタス・プラットフォーム技術の研究開発（ユビキタスサービスプラットフォーム技術の研究開発）」に関する委託研究、産業技術力強化法第１９条の適用を受けるもの）
【出願人】（００００００２９５）沖電気工業株式会社 (6,645)
【Ｆターム（参考）】
【公開日】平成２３年９月２２日（２０１１．９．２２）
【国際特許分類】
【出願日】平成２２年３月４日（２０１０．３．４）
【国等の委託研究の成果に係る記載事項】（出願人による申告）国等の委託研究の成果に係る特許出願（平成２１年度総務省「ユビキタス・プラットフォーム技術の研究開発（ユビキタスサービスプラットフォーム技術の研究開発）」に関する委託研究、産業技術力強化法第１９条の適用を受けるもの）
【出願人】（００００００２９５）沖電気工業株式会社 (6,645)
【Ｆターム（参考）】
[ Back to top ]