JP7525052B2 - 特徴量生成装置、歩容計測システム、特徴量生成方法、およびプログラム - Google Patents

Description

本開示は、歩行に関するデータから特徴量を生成する特徴量生成装置等に関する。

体調管理を行うヘルスケアへの関心の高まりから、歩行の特徴を含む歩容を計測し、その歩容に応じた情報をユーザに提供するサービスに注目が集まっている。身体的特徴は、歩容に対して影響を及ぼす。そのため、歩容に現れる特徴は、身体的特徴を推定するために利用できる。例えば、履物に実装された慣性計測装置を用いて歩行に応じたセンサデータを計測し、計測されたセンサデータに基づいてユーザの歩容に現れる特徴を検証すれば、そのユーザの身体的特徴を推定できる。

特許文献１には、歩行者の歩行状態を解析する歩行解析システムが開示されている。特許文献１のシステムは、歩行センサ、無線通信装置、および歩行解析装置を備える。歩行センサは、歩行訓練リハビリテーションを行う歩行者の足に装着される。歩行センサは、加速度または角速度の検出データを無線出力する。歩行解析装置は、無線通信装置を介して、検出データを取得する。歩行解析装置は、取得する検出データに基づいて、足部に関するリハビリテーション用解析項目を算出する。

特許文献２には、ユーザの歩容情報に基づいて保険プランを提案する保険提案システムが開示されている。特許文献２のシステムは、歩容情報取得部、歩行者データベース、および指標値算出部を備える。歩容情報取得部は、動きを検出するセンサ部を有する履物用モジュールから、ユーザの歩容情報を取得する。歩行者データベースは、複数の歩行者における歩容情報と、その歩容情報と対応付けられて記憶される過去の傷病を示す傷病履歴情報とが、歩行者情報として蓄積される。指標値算出部は、ユーザの歩容情報と歩行者情報を参照して、そのユーザにおける保険料の指標となる指標値を算出する。

特許文献３には、足の運動情報から特徴量を抽出する情報処理装置について開示されている。特許文献３の装置は、取得部と特徴量抽出部を備える、取得部は、ユーザの足に設けられた運動計測装置によって計測された足の運動情報を取得する。特徴量抽出部は、運動情報に含まれる少なくとも一歩行周期の時系列データから、ユーザの識別に用いられる特徴量を抽出する。

特開２００８－１６１２２８号公報 特開２０２０－１９７９４８号公報 国際公開第２０２０／２４０７５１号

歩容に現れる特徴は、多種多様である。そのため、身体的特徴を推定するために利用できるモデルを構築するためには、歩容に現れる多種多様な特徴を検証するために、多くのデータを収集する必要があった。

特許文献１の手法では、加速度や角速度の検出データを積分して算出された速度または角度を用いて、リハビリテーション用解析項目を算出する。特許文献１の手法では、リハビリテーション用解析項目を算出するための検出データを、歩行センサから歩行解析装置に送信する。そのため、特許文献１の手法では、詳細なリハビリテーション用解析項目を算出するためには、データ通信量が多くなる。

特許文献２の手法では、センサ部によって検出されたセンシングデータに基づく歩容情報を用いて、保険料の指標となる指標値を算出する。特許文献２の手法では、指標値を算出するためのセンシングデータを、センサ部から歩容情報取得部に送信する。そのため、特許文献２の手法では、正確な指標値を算出するためには、センサ部と歩容情報取得部の間におけるデータ通信量が多くなる。

特許文献３の手法では、少なくとも一歩行周期の時系列データから特徴量を抽出する。特許文献３の手法では、特徴量が抽出される運動情報を、ユーザの足に設けられた運動計測装置から情報処理装置に送信する。すなわち、特許文献３の手法では、ユーザを識別するために、一歩行周期分の運動情報を、運動計測装置から情報処理装置に送信する必要があった。

本開示の目的は、歩容に現れる特徴を検証するためのデータ量を削減できる特徴量生成装置等を提供することにある。

本開示の一態様の特徴量生成装置は、足の動きに関するセンサデータの時系列データから一歩行周期分の歩行波形を生成し、生成された歩行波形から特徴量を抽出し、特徴量が抽出された時間的に連続する複数の歩行フェーズを統合して歩行フェーズクラスターを抽出する抽出部と、予め設定された特徴量構成式を用いて歩行フェーズクラスターの特徴量を生成し、歩行フェーズクラスターを構成する複数の歩行フェーズと、歩行フェーズクラスターの特徴量とが対応付けられた特徴量データを生成する生成部と、を備える。

本開示の一態様の特徴量生成方法においては、足の動きに関するセンサデータの時系列データから一歩行周期分の歩行波形を生成し、生成された歩行波形から特徴量を抽出し、特徴量が抽出された時間的に連続する複数の歩行フェーズを統合して歩行フェーズクラスターを抽出し、特徴量構成式を用いて歩行フェーズクラスターの特徴量を生成し、歩行フェーズクラスターを構成する複数の歩行フェーズと、歩行フェーズクラスターの特徴量とが対応付けられた特徴量データを生成する。

本開示の一態様のプログラムは、足の動きに関するセンサデータの時系列データから一歩行周期分の歩行波形を生成する処理と、生成された歩行波形から特徴量を抽出する処理と、特徴量が抽出された時間的に連続する複数の歩行フェーズを統合して歩行フェーズクラスターを抽出する処理と、特徴量構成式を用いて歩行フェーズクラスターの特徴量を生成する処理と、歩行フェーズクラスターを構成する複数の歩行フェーズと、歩行フェーズクラスターの特徴量とが対応付けられた特徴量データを生成する処理とをコンピュータに実行させる。

本開示によれば、歩容に現れる特徴を検証するためのデータ量を削減できる特徴量生成装置等を提供できる。

第１の実施形態に係る歩容計測システムの構成の一例を示すブロック図である。 第１の実施形態に係る歩容計測システムの計測装置の配置例を示す概念図である。 第１の実施形態に係る歩容計測システムの計測装置に設定される座標系について説明するための概念図である。 第１の実施形態に係る歩容計測システムの計測装置に適用される人体面について説明するための概念図である。 歩行周期について説明するための概念図である。 第１の実施形態に係る歩容計測システムの計測装置の構成の一例を示すブロック図である。 第１の実施形態に係る歩容計測システムの計測装置による歩行フェーズクラスターの抽出の一例について説明するための概念図である。 第１の実施形態に係る歩容計測システムの計測装置による歩行フェーズクラスターの特徴量の生成について説明するための概念図である。 第１の実施形態に係る歩容計測システムのデータ処理装置の構成の一例を示すブロック図である。 第１の実施形態に係る歩容計測システムの計測装置の動作の一例について説明するためのフローチャートである。 第２の実施形態に係る歩容計測システムの構成の一例を示すブロック図である。 第２の実施形態に係る歩容計測システムの計測装置の構成の一例を示すブロック図である。 第２の実施形態に係る歩容計測システムのデータ処理装置の構成の一例を示すブロック図である。 第３の実施形態に係る学習システムの構成の一例を示すブロック図である。 第３の実施形態に係る学習システムの学習装置の構成の一例を示すブロック図である。 第３の実施形態に係る学習システムにおける特徴量データの学習の一例について説明するための概念図である。 第４の実施形態に係る歩容計測システムの構成の一例を示すブロック図である。 第４の実施形態に係る歩容計測システムのデータ処理装置の構成の一例を示すブロック図である。 第４の実施形態に係る歩容計測システムにおける推定の一例について説明するための概念図である。 第４の実施形態に係る歩容計測システムによる推定結果の表示例を示す概念図である。 第５の実施形態に係る歩容計測システムの構成の一例を示すブロック図である。 各実施形態の計測装置によって一歩行周期の歩行波形から抽出された歩行フェーズクラスターの検証例について説明するためのグラフである。 各実施形態の計測装置によって一歩行周期の歩行波形から抽出された歩行フェーズクラスターの検証例について説明するためのグラフである。 各実施形態の計測装置によって一歩行周期の歩行波形から抽出された歩行フェーズクラスターの検証例について説明するためのグラフである。 各実施形態の計測装置によって一歩行周期の歩行波形から抽出された歩行フェーズクラスターの検証例について説明するためのグラフである。 各実施形態の計測装置によって一歩行周期の歩行波形から抽出された歩行フェーズクラスターの検証例について説明するためのグラフである。 各実施形態の計測装置によって一歩行周期の歩行波形から抽出された歩行フェーズクラスターの検証例について説明するためのグラフである。 各実施形態の計測装置によって一歩行周期の歩行波形から抽出された歩行フェーズクラスターに対応する歩行動作をまとめた対応表である。 線形回帰で学習された推定モデルを用いて推定された第１中足指節角の推定値と、第１中足指節角の真値とを対応させたグラフである。 各種のアルゴリズムを用いて学習された推定モデルを用いて推定された第１中足指節角の推定値と、第１中足指節角の真値との相関関係に関するパラメータをまとめた表である。 各実施形態の制御や処理を実現するハードウェア構成の一例を示すブロック図である。

以下に、本発明を実施するための形態について図面を用いて説明する。ただし、以下に述べる実施形態には、本発明を実施するために技術的に好ましい限定がされているが、発明の範囲を以下に限定するものではない。なお、以下の実施形態の説明に用いる全図においては、特に理由がない限り、同様箇所には同一符号を付す。また、以下の実施形態において、同様の構成・動作に関しては繰り返しの説明を省略する場合がある。

（第１の実施形態）
まず、第１の実施形態に係る歩容計測システムについて図面を参照しながら説明する。本実施形態の歩容計測システムは、ユーザの履く履物に設置されたセンサによって、足の動きに関する物理量に関するセンサデータを計測する。例えば、足の動きに関する物理量は、加速度センサによって計測される３軸方向の加速度（空間加速度とも呼ぶ）や、角速度センサによって計測される３軸周りの角速度（空間角速度とも呼ぶ）などである。本実施形態の歩容計測システムは、計測されたセンサデータの時系列データ（歩行波形とも呼ぶ）から、歩容に関する特徴量を抽出する。本実施形態の歩容計測システムは、センサ側で特徴量を抽出し、抽出された特徴量をセンサ側からデータ処理側に送信する。

（構成）
図１は、本実施形態の歩容計測システム１０の構成の一例を示すブロック図である。歩容計測システム１０は、計測装置１１とデータ処理装置１５を備える。計測装置１１とデータ処理装置１５は、有線で接続されてもよいし、無線で接続されてもよい。計測装置１１とデータ処理装置１５は、単一の装置として構成してもよい。図１には計測装置１１を一つしか図示していないが、左右両足に計測装置１１が一つずつ（計二つ）配置されてもよい。

計測装置１１は、左右の足のうち少なくとも一方に設置される。例えば、計測装置１１は、靴等の履物に設置される。本実施形態では、左右の足の足弓の裏側の位置に計測装置１１を配置する例について説明する。計測装置１１は、加速度センサおよび角速度センサを含む。計測装置１１は、履物を履くユーザの足の動きに関する物理量として、３軸方向の加速度（空間加速度とも呼ぶ）および３軸周りの角速度（空間角速度とも呼ぶ）などの足の動きに関する物理量を計測する。計測装置１１が計測する足の動きに関する物理量には、加速度や角速度に加えて、加速度や角速度を積分することによって計算される速度や角度も含まれる。また、計測装置１１が計測する足の動きに関する物理量には、加速度を二階積分することによって計算される位置（軌跡）も含まれる。

例えば、計測装置１１は、靴１００の中に挿入されるインソールに配置される。例えば、計測装置１１は、靴１００の底面に配置される。例えば、計測装置１１は、靴１００の本体に埋設される。計測装置１１は、靴１００から着脱できてもよいし、靴１００から着脱できなくてもよい。なお、計測装置１１は、足の動きに関するセンサデータを取得できさえすれば、足弓の裏側ではない位置に配置されてもよい。また、計測装置１１は、靴下やサポーター、アンクレットなどの装飾品に設置されてもよい。また、計測装置１１は、足に直に貼り付けられたり、足に埋め込まれたりしてもよい。

図２は、計測装置１１を靴１００の中に配置する一例を示す概念図である。図２の例では、計測装置１１は、左右の足の足弓の裏側に当たる位置に配置される。図２の例では、左右の区別なく、同じスペックで生産された計測装置１１を左右の靴１００の中に配置する。左右の靴１００に配置される計測装置１１の上下の向き（Ｚ軸方向の向き）は、同じ向きであるものとする。すなわち、左足に由来するセンサデータと、右足に由来するセンサデータに設定される軸は、左右で共通である。図２の例では、計測装置１１を基準として、左右方向のｘ軸、前後方向のｙ軸、上下方向のｚ軸を含むローカル座標系が設定される。ｘ軸は左方を正とし、ｙ軸は後方を正とし、ｚ軸は上方を正とする。計測装置１１に設定される軸の向きは、左右の足で同じであれば、図２の例に限定されない。

図３は、計測装置１１を足弓の裏側に設置する場合に、計測装置１１に設定されるローカル座標系（ｘ軸、ｙ軸、ｚ軸）と、地面に対して設定される世界座標系（Ｘ軸、Ｙ軸、Ｚ軸）について説明するための概念図である。世界座標系（Ｘ軸、Ｙ軸、Ｚ軸）では、ユーザが直立した状態で、ユーザの横方向がＸ軸方向（左向きが正）、ユーザの背面の方向がＹ軸方向（後ろ向きが正）、重力方向がＺ軸方向（鉛直上向きが正）に設定される。

計測装置１１は、例えば、加速度センサおよび角速度センサを含む慣性計測装置によって実現される。慣性計測装置の一例として、ＩＭＵ（Inertial Measurement Unit）があげられる。ＩＭＵは、３軸の加速度センサと、３軸の角速度センサを含む。また、慣性計測装置の一例として、ＶＧ（Vertical Gyro）や、ＡＨＲＳ（Attitude Heading）、ＧＰＳ／ＩＮＳ（Global Positioning System/Inertial Navigation System）があげられる。

計測装置１１は、計測された物理量をデジタルデータ（センサデータとも呼ぶ）に変換する。計測装置１１は、センサデータの時系列データから、一歩行周期分の波形（歩行波形とも呼ぶ）を生成する。例えば、計測装置１１は、３軸方向の加速度や３軸周りの角速度に関する歩行波形を生成する。例えば、計測装置１１は、３軸方向の加速度や３軸周りの角速度を用いて、足底角に関する歩行波形を生成する。一歩行周期分の歩行波形とは、加速度や角速度、足底角などの一歩行周期分のセンサデータの集合である。以下において、一歩行周期の単位区間を「歩行フェーズ」と呼ぶ。例えば、一歩行周期分の歩行波形が０～１００パーセント（％）の区間で１００等分される場合、歩行フェーズは１％である。なお、一歩行周期分の歩行波形の分割基準については、特に限定を加えない。例えば、一歩行周期分の歩行波形は、計測装置１１によるデータの計測条件や、計測対象の歩容に応じて分割されればよい。

計測装置１１は、一歩行周期分の歩行波形から特徴量を抽出する。歩行波形の各歩行フェーズから抽出される特徴量を第１の特徴量ともよぶ。例えば、計測装置１１は、一歩行周期分の歩行波形から、ユーザの身体的特徴に関する特徴量を抽出する。本実施形態では、ユーザの身体的特徴が歩容に影響を及ぼすことに着目する。ユーザの身体的特徴は、加速度や角速度、足底角などに影響を与える。例えば、ユーザが外反母趾という身体的特徴を有する場合、加速度や角速度、足底角の歩行波形に特異的な特徴が現れる。

計測装置１１は、時間的に連続する歩行フェーズから特徴量が抽出された場合、それらの歩行フェーズを統合してクラスター（歩行フェーズクラスターとも呼ぶ）を抽出する。例えば、計測装置１１は、予め設定された条件に基づいて、計測対象の身体的特徴に関連する歩行フェーズクラスターを構成する各歩行フェーズから、特徴量を抽出するように構成されてもよい。

計測装置１１は、特徴量構成式を用いて、歩行フェーズクラスターの特徴量を生成する。計測装置１１によって、特徴量構成式を用いて生成される歩行フェーズクラスターの特徴量を第２の特徴量とも呼ぶ。特徴量構成式は、歩行フェーズクラスターの特徴量を生成するために、予め設定された計算式である。例えば、特徴量構成式は、四則演算に関する計算式である。例えば、特徴量構成式を用いて算出される特徴量（第２の特徴量）は、歩行フェーズクラスターに含まれる各歩行フェーズにおける特徴量（第１の特徴量）の積分平均値や算術平均値、傾斜、ばらつきなどである。計測装置１１は、歩行フェーズクラスターを構成する歩行フェーズ（歩行周期）と、その歩行フェーズクラスターの特徴量（第２の特徴量）とが対応付けられたデータ（特徴量データとも呼ぶ）を生成する。特徴量（第１の特徴量）が単独の歩行フェーズから抽出される場合、計測装置１１は、抽出された特徴量をその歩行フェーズに対応付けた特徴量データを生成する。

計測装置１１は、生成された歩行フェーズクラスターの特徴量データをデータ処理装置１５に送信する。例えば、計測装置１１は、ユーザが携帯する携帯端末（図示しない）を介して、クラウドに構築されたデータ処理装置１５に接続される。携帯端末（図示しない）は、携帯可能な通信機器である。例えば、携帯端末は、スマートフォンや、スマートウォッチ、携帯電話等の通信機能を有する携帯型の通信機器である。携帯端末は、ユーザの足の動きに関するセンサデータから生成された特徴量データを計測装置１１から受信する。携帯端末は、受信された特徴量データを、データ処理装置１５が実装されたサーバ等に送信する。なお、データ処理装置１５の機能は、携帯端末にインストールされたアプリケーションによって実現されてもよい。その場合、携帯端末は、受信された特徴量を、その携帯端末自身にインストールされたアプリケーションソフトウェア等によって処理する。

データ処理装置１５は、計測装置１１から特徴量データを受信する。データ処理装置１５は、受信された特徴量データを用いて、設定に応じたデータ処理を実行する。データ処理装置１５は、計測装置１１から取得された特徴量データを用いるのであれば、どのようなデータ処理を行ってもよい。例えば、データ処理装置１５は、特徴量データを用いて、身体的特徴を推定する。データ処理装置１５は、データ処理の結果を出力する。例えば、データ処理装置１５は、データ処理の結果を表示装置（図示しない）や外部システムに出力する。

図４は、人体に対して設定される面（人体面とも呼ぶ）について説明するための概念図である。本実施形態では、身体を左右に分ける矢状面、身体を前後に分ける冠状面、身体を水平に分ける水平面が定義される。なお、図４のような直立した状態では、世界座標系とローカル座標系が一致する。本実施形態においては、ｘ軸を回転軸とする矢状面内の回転をロール、ｙ軸を回転軸とする冠状面内の回転をピッチ、ｚ軸を回転軸とする水平面内の回転をヨーと定義する。また、ｘ軸を回転軸とする矢状面内の回転角をロール角、ｙ軸を回転軸とする冠状面内の回転角をピッチ角、ｚ軸を回転軸とする水平面内の回転角をヨー角と定義する。本実施形態においては、身体を後ろから見て、冠状面内における反時計回りの回転を正と定義し、冠状面内における時計回りの回転を負と定義する。

図５は、右足を基準とする一歩行周期について説明するための概念図である。左足を基準とする一歩行周期も、右足と同様である。図５の横軸は、右足の踵が地面に着地した時点を起点とし、次に右足の踵が地面に着地した時点を終点とする右足の一歩行周期を１００％として正規化された歩行周期である。片足の一歩行周期は、足の裏側の少なくとも一部が地面に接している立脚相と、足の裏側が地面から離れている遊脚相とに大別される。立脚相は、さらに、立脚初期Ｔ１、立脚中期Ｔ２、立脚終期Ｔ３、遊脚前期Ｔ４に細分される。遊脚相は、さらに、遊脚初期Ｔ５、遊脚中期Ｔ６、遊脚終期Ｔ７に細分される。なお、図５は一例であって、一歩行周期を構成する期間や、それらの期間の名称等を限定するものではない。

図５のように、歩行においては、複数の事象（歩行イベントとも呼ぶ）が発生する。図５の（ａ）は、右足の踵が接地する事象（踵接地）を表す（ＨＳ：Heel Strike）。図５の（ｂ）は、右足の足裏が接地した状態で、左足の爪先が地面から離れる事象（反対足爪先離地）を表す（ＯＴＯ：Opposite Toe Off）。図５の（ｃ）は、右足の足裏が接地した状態で、右足の踵が持ち上がる事象（踵持ち上がり）を表す（ＨＲ：Heel Rise）。図５の（ｄ）は、左足の踵が接地した事象（反対足踵接地）である（ＯＨＳ：Opposite Heel Strike）。図５の（ｅ）は、左足の足裏が接地した状態で、右足の爪先が地面から離れる事象（爪先離地）を表す（ＴＯ：Toe Off）。図５の（ｆ）は、左足の足裏が接地した状態で、左足と右足が交差する事象（足交差）を表す（ＦＡ：Foot Adjacent）。図５の（ｇ）は、左足の足裏が接地した状態で、右足の脛骨が地面に対してほぼ垂直になる事象（脛骨垂直）を表す（ＴＶ：Tibia Vertical）。図５の（ｈ）は、右足の踵が接地する事象（踵接地）を表す（ＨＳ：Heel Strike）。図５の（ｈ）は、図５の（ａ）から始まる歩行周期の終点に相当するとともに、次の歩行周期の起点に相当する。なお、図５は一例であって、歩行において発生する事象や、それらの事象の名称を限定するものではない。

〔データ取得装置〕
次に、計測装置１１の詳細について図面を参照しながら説明する。図６は、計測装置１１の詳細構成の一例を示すブロック図である。計測装置１１は、加速度センサ１１１、角速度センサ１１２、制御部１１３、抽出部１１６、生成部１１７、および送信部１１９を有する。また、計測装置１１は、図示しない電源を含む。加速度センサ１１１、角速度センサ１１２、および制御部１１３は、データ取得部１１０（データ取得装置とも呼ぶ）を構成する。抽出部１１６および生成部１１７は、特徴量生成部１１５（特徴量生成装置とも呼ぶ）を構成する。

加速度センサ１１１は、３軸方向の加速度（空間加速度とも呼ぶ）を計測するセンサである。加速度センサ１１１は、計測した加速度を制御部１１３に出力する。例えば、加速度センサ１１１には、圧電型や、ピエゾ抵抗型、静電容量型などの方式のセンサを用いることができる。なお、加速度センサ１１１に用いられるセンサは、加速度を計測できれば、その計測方式に限定を加えない。

角速度センサ１１２は、３軸周りの角速度（空間角速度とも呼ぶ）を計測するセンサである。角速度センサ１１２は、計測した角速度を制御部１１３に出力する。例えば、角速度センサ１１２には、振動型や静電容量型等の方式のセンサを用いることができる。なお、角速度センサ１１２に用いられるセンサは、角速度を計測できれば、その計測方式に限定を加えない。

制御部１１３は、加速度センサ１１１から３軸方向の加速度の実測値を取得する。制御部１１３は、角速度センサ１１２から軸周りの角速度の実測値を取得する。制御部１１３は、取得した加速度および角速度の実測値をデジタルデータ（センサデータとも呼ぶ）に変換する。制御部１１３は、変換後のデジタルデータを抽出部１１６に出力する。センサデータには、デジタルデータに変換された加速度データ（３軸方向の加速度ベクトルを含む）と角速度データ（３軸周りの角速度ベクトルを含む）とが少なくとも含まれる。センサデータには、加速度データおよび角速度データの元となる実測値の取得時間が含まれる。また、制御部１１３は、取得した加速度データおよび角速度データに対して、実装誤差や温度補正、直線性補正などの補正を加えたセンサデータを出力するように構成してもよい。また、制御部１１３は、取得した加速度データおよび角速度データを用いて、３軸周りの角度データ（足底角とも呼ぶ）を生成してもよい。

例えば、制御部１１３は、計測装置１１の全体制御やデータ処理を行うマイクロコンピュータまたはマイクロコントローラである。例えば、制御部１１３は、ＣＰＵ（Central Processing Unit）やＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ等を有する。制御部１１３は、加速度センサ１１１および角速度センサ１１２を制御して角速度や加速度を計測する。例えば、制御部１１３は、計測された角速度および加速度等の物理量（アナログデータ）をＡＤ変換（Analog-to-Digital Conversion）し、変換後のデジタルデータをフラッシュメモリに記憶させる。なお、加速度センサ１１１および角速度センサ１１２によって計測された物理量（アナログデータ）は、加速度センサ１１１および角速度センサ１１２の各々においてデジタルデータに変換されてもよい。フラッシュメモリに記憶されたデジタルデータは、所定のタイミングで送信部１１９に出力される。

抽出部１１６は、制御部１１３からセンサデータを取得する。抽出部１１６は、センサデータの時系列データから、一歩行周期分の歩行波形を生成する。例えば、抽出部１１６は、３軸方向の加速度や、３軸周りの角速度、足底角に関する歩行波形を生成する。本実施形態において、抽出部１１６は、踵接地を起点とする一歩行周期分の歩行波形を生成する。抽出部１１６は、一歩行周期分の歩行波形から特徴量（第１の特徴量）を抽出する。時間的に連続する歩行フェーズから特徴量が抽出された場合、抽出部１１６は、それらの歩行フェーズを統合して歩行フェーズクラスターを抽出する。例えば、抽出部１１６は、予め設定された条件に基づいて、計測対象の身体的特徴に関連する歩行フェーズクラスターから特徴量を抽出するように構成されてもよい。例えば、抽出部１１６は、身体的特徴の影響を受ける歩容に関する特徴量を抽出する。抽出部１１６は、抽出された特徴量を生成部１１７に出力する。

生成部１１７は、抽出部１１６から特徴量（第１の特徴量）を取得する。生成部１１７は、特徴量構成式を用いて、歩行フェーズクラスターの特徴量（第２の特徴量）を生成する。生成部１１７は、歩行フェーズクラスターを構成する歩行フェーズ（歩行周期）と、その歩行フェーズクラスターの特徴量とが対応付けられた特徴量データを生成する。特徴量が単独の歩行フェーズから抽出される場合、生成部１１７は、抽出された特徴量をその歩行フェーズに対応付けた特徴量データを生成する。生成部１１７は、生成された歩行フェーズクラスターの特徴量データを送信部１１９に出力する。

図７は、歩行フェーズクラスターについて説明するためのグラフである。図７のグラフは、ｘ軸周りの足底角の歩行波形Ｇｘの一例である。歩行波形Ｇｘは、踵接地を起点とする一歩行周期分（０～１００％）の波形である。図７の例では、歩行周期が４０％前後の連続する歩行フェーズの各々から特徴量（第１の特徴量）が抽出部１１６によって抽出される。歩行周期が４０％前後の連続する歩行フェーズは、歩行フェーズクラスターＣ０である。生成部１１７は、歩行フェーズクラスターを構成する歩行フェーズから抽出された特徴量に特徴量構成式を適用して、歩行フェーズクラスターＣ０の特徴量（第２の特徴量）を生成する。

図８は、一歩行周期分の歩行波形から特徴量を抽出することについて説明するための概念図である。抽出部１１６は、時間的に連続する歩行フェーズｉ～ｉ＋４を、歩行フェーズクラスターＣ０として抽出する（ｉは自然数）。抽出部１１６は、歩行フェーズｉ～ｉ＋４の各々から特徴量を抽出する。生成部１１７は、歩行フェーズクラスターＣ０を構成する歩行フェーズｉ～ｉ＋４の各々から抽出された特徴量（第１の特徴量）に特徴量構成式を適用して、歩行フェーズクラスターＣ０の特徴量（第２の特徴量）を生成する。生成部１１７は、生成された歩行フェーズクラスターＣ０の特徴量と、その歩行周期フェーズクラスターの歩行周期とが対応付けられた特徴量データを生成する。また、抽出部１１６は、単独の歩行フェーズｊから特徴量（第１の特徴量）を抽出する。生成部１１７は、単独の歩行フェーズｊから抽出された特徴量と、その歩行フェーズの歩行周期とが対応付けられた特徴量データを生成する。なお、歩行フェーズクラスターを構成する歩行フェーズｉ～ｉ＋４と単独の歩行フェーズｊとを区別せずに、特徴量構成式を適用してもよい。例えば、単独の歩行フェーズｊに特徴量構成式を適用する場合は、傾斜やばらつきを算出できないため、積分平均や算術平均などを計算する特徴量構成式を用いればよい。

送信部１１９は、生成部１１７から特徴量データを取得する。送信部１１９は、取得した特徴量データをデータ処理装置１５に送信する。送信部１１９は、ケーブルなどの有線を介して特徴量データをデータ処理装置１５に送信してもよいし、無線通信を介して特徴量データをデータ処理装置１５に送信してもよい。例えば、送信部１１９は、Ｂｌｕｅｔｏｏｔｈ（登録商標）やＷｉＦｉ（登録商標）などの規格に則した無線通信機能（図示しない）を介して、特徴量データをデータ処理装置１５に送信するように構成される。なお、送信部１１９の通信機能は、Ｂｌｕｅｔｏｏｔｈ（登録商標）やＷｉＦｉ（登録商標）以外の規格に則していてもよい。

〔データ処理装置〕
次に、データ処理装置１５の詳細について図面を参照しながら説明する。図９は、データ処理装置１５の詳細構成の一例を示すブロック図である。データ処理装置１５は、受信部１５１および処理部１５７を有する。

受信部１５１は、計測装置１１から特徴量データを受信する。受信部１５１は、受信された特徴量データを処理部１５７に出力する。受信部１５１は、ケーブルなどの有線を介して特徴量データを計測装置１１から受信してもよいし、無線通信を介して特徴量データを計測装置１１から受信してもよい。例えば、受信部１５１は、Ｂｌｕｅｔｏｏｔｈ（登録商標）やＷｉＦｉ（登録商標）などの規格に則した無線通信機能（図示しない）を介して、特徴量データを計測装置１１から受信するように構成される。なお、受信部１５１の通信機能は、Ｂｌｕｅｔｏｏｔｈ（登録商標）やＷｉＦｉ（登録商標）以外の規格に則していてもよい。

処理部１５７は、受信部１５１から特徴量データを取得する。処理部１５７は、取得された特徴量データを用いて、設定されたデータ処理を実行する。例えば、処理部１５７は、受信された特徴量データを用いて、ユーザの身体的特徴を推定する。例えば、処理部１５７は、予め準備された推定モデルに特徴量データを入力し、その出力値に応じてユーザの身体的特徴を推定する。例えば、推定モデルは、外反母趾の進行状況や、回内／回外の度合などの身体的特徴を推定するためのモデルである。なお、処理部１５７は、計測装置１１から取得された特徴量データを用いれば、どのようなデータ処理を行ってもよい。処理部１５７は、データ処理の結果を出力する。例えば、処理部１５７は、データ処理の結果を表示装置（図示しない）に出力する。表示装置に出力されたデータ処理の結果は、その表示装置の画面に表示される。例えば、処理部１５７は、データ処理の結果を、外部システムに出力する。外部システムに出力されたデータ処理の結果は、任意の用途に用いられる。

（動作）
次に、歩容計測システム１０の動作について図面を参照しながら説明する。ここでは、歩容計測システム１０に含まれる計測装置１１の動作について説明する。図１０は、計測装置１１の動作について説明するためのフローチャートである。図１０のフローチャートに沿った説明においては、計測装置１１を動作主体として説明する。

図１０において、まず、計測装置１１は、足の動きに関するセンサデータを計測する（ステップＳ１１１）。

次に、計測装置１１は、センサデータの時系列データから、一歩行周期分の歩行波形を抽出する（ステップＳ１１２）。

次に、計測装置１１は、抽出された歩行波形から特徴量（第１の特徴量）を抽出する（ステップＳ１１３）。

特徴量が抽出された歩行フェーズが時間的に連続する場合（ステップＳ１１４でＹｅｓ）、計測装置１１は、連続する歩行フェーズを歩行フェーズクラスターとして抽出する（ステップＳ１１５）。特徴量が抽出された歩行フェーズが時間的に連続しない場合（ステップＳ１１４でＮｏ）、ステップＳ１１７に進む。なお、単独の歩行フェーズも歩行フェーズクラスターとして処理する場合は、ステップＳ１１４を省略してもよい。この場合、計測装置１１は、単独の歩行フェーズから抽出された特徴量を第２の特徴量とみなして処理する。

ステップＳ１１５の次に、計測装置１１は、特徴量構成式を用いて、歩行フェーズクラスターの特徴量（第２の特徴量）を生成する（ステップＳ１１６）。

次に、計測装置１１は、生成された歩行フェーズクラスターの特徴量を、その歩行フェーズクラスターが抽出された歩行周期に対応付けた特徴量データを生成する（ステップＳ１１７）。ステップＳ１１４でＮｏの次の場合、計測装置１１は、単独の歩行フェーズから抽出された特徴量を用いて、その歩行フェーズの歩行周期に対応付けた特徴量データを生成する。この場合、計測装置１１は、単独の歩行フェーズから抽出された特徴量を第２の特徴量とみなして、特徴量データを生成する。

次に、計測装置１１は、生成された一歩行周期分の特徴量データをデータ処理装置１５に出力する（ステップＳ１１８）。例えば、データ処理装置１５に出力された特徴量は、身体的特徴の推定などのデータ処理に用いられる。

以上のように、本実施形態の歩容計測システムは、計測装置とデータ処理装置を備える。計測装置は、データ取得部、特徴量生成部、および送信部を有する。データ取得部は、加速度センサ、角速度センサ、および制御部を含む。計測装置は、計測対象であるユーザの履物に配置される。データ取得部は、ユーザの歩行に応じて空間加速度および空間角速度を計測する。データ取得部は、計測された空間加速度および空間角速度に基づくセンサデータを生成する。データ取得部は、生成されたセンサデータを特徴量生成部に出力する。特徴量生成部は、抽出部と生成部を含む。抽出部は、足の動きに関するセンサデータの時系列データから一歩行周期分の歩行波形を生成する。抽出部は、生成された歩行波形から特徴量（第１の特徴量）を抽出する。抽出部は、特徴量（第１の特徴量）が抽出された時間的に連続する複数の歩行フェーズを統合して歩行フェーズクラスターを抽出する。生成部は、予め設定された特徴量構成式を用いて歩行フェーズクラスターの特徴量（第２の特徴量）を生成する。生成部は、歩行フェーズクラスターを構成する複数の歩行フェーズと、歩行フェーズクラスターの特徴量（第２の特徴量）とが対応付けられた特徴量データを生成する。計測装置は、特徴量生成部によって抽出される歩行フェーズクラスターの特徴量（第２の特徴量）を含む特徴量データをデータ処理装置に送信する。データ処理装置は、特徴量生成装置によって送信される歩行フェーズクラスターの特徴量（第２の特徴量）を受信する。データ処理装置は、受信された歩行フェーズクラスターの特徴量（第２の特徴量）を用いてデータ処理を実行する。

本実施形態によれば、時間的に連続する複数の歩行フェーズを統合した歩行フェーズクラスターの特徴量を生成することによって、歩容に現れる特徴を検証するためのデータ量を削減できる。また、本実施形態によれば、エッジデバイス（計測装置）から送信するデータ量を低減できるので、エッジデバイスの通信容量を低減できる。

一般に、歩行動作の時間的連続性により、身体的特徴は単独の歩行フェーズ（歩行周期）ではなく、連続する一連の歩行フェーズに現れる。本実施形態では、一連の歩行フェーズを歩行フェーズクラスターとして統合し、その歩行フェーズクラスターから単一の特徴量を生成する。そのため、本実施形態によれば、身体的特徴の影響が及ぶ歩行フェーズクラスターごとに単一の特徴量を抽出することで、検証対象の特徴量の数を減らしても、身体的特徴を正確に推定できる。

本実施形態の一態様において、時間的に連続しない単独の歩行フェーズから特徴量が抽出された場合、抽出部は、単独の歩行フェーズから抽出された特徴量を生成部に出力する。生成部は、単独の歩行フェーズと、単独の歩行フェーズの特徴量とが対応付けられた特徴量データを生成する。本態様では、時間的に連続しない単独の歩行フェーズを歩行フェーズクラスターとして抽出しない。そのため、本態様によれば、単独の歩行フェーズに関しては、歩行フェーズクラスターを抽出する処理を削減できる。

本実施形態の一態様において、時間的に連続しない単独の歩行フェーズから特徴量が抽出された場合、抽出部は、単独の歩行フェーズを歩行フェーズクラスターとして抽出する。生成部は、歩行フェーズクラスターとして抽出された単独の歩行フェーズと、単独の歩行フェーズの特徴量とが対応付けられた特徴量データを生成する。本態様では、時間的に連続しない単独の歩行フェーズを歩行フェーズクラスターとして抽出する。そのため、本態様によれば、時間的に連続する複数の歩行フェーズと、時間的に連続しない単独の歩行フェーズとを区別せずに処理できる。

本実施形態の一態様において、抽出部は、予め設定された抽出対象の歩行フェーズクラスターを構成する歩行フェーズの特徴量を抽出する。本実施形態によれば、抽出対象の特徴量が限られるため、特徴量を抽出する処理を簡略化できる。

本実施形態の一態様において、抽出部は、特定の身体的特徴の影響を受ける歩容に関する特徴量を抽出する。本実施形態によれば、目的とする身体的特徴の影響を受ける歩容に関する特徴量を抽出するため、使用性の高い特徴量を提供できる。また、本実施形態によれば、抽出対象の特徴量が限られるため、特徴量を抽出する処理を簡略化できる。

（第２の実施形態）
次に、第２の実施形態に係る歩容計測システムについて図面を参照しながら説明する。本実施形態の歩容計測システムは、センサ側で計測されたセンサデータをデータ処理側に送信し、データ処理側でセンサデータから特徴量を抽出する。本実施形態の歩容計測システムは、日常的な用途で使用することもできるが、センサデータのデータ通信量に制約がなく、センサデータをクラウドで処理する環境に適した構成である。

（構成）
図１１は、本実施形態の歩容計測システム２０の構成の一例を示すブロック図である。歩容計測システム２０は、計測装置２１およびデータ処理装置２５を備える。計測装置２１とデータ処理装置２５は、有線で接続されてもよいし、無線で接続されてもよい。計測装置２１とデータ処理装置２５は、単一の装置で構成してもよい。また、歩容計測システム２０の構成から計測装置２１を除き、データ処理装置２５だけで歩容計測システム２０を構成してもよい。図１１には計測装置２１を一つしか図示していないが、左右両足に計測装置２１が一つずつ（計二つ）配置されてもよい。

計測装置２１は、左右の足のうち少なくとも一方に設置される。計測装置２１は、第１の実施形態の計測装置１１と同様に、靴等の履物に設置される。計測装置２１は、加速度センサおよび角速度センサを含む。計測装置２１は、履物を履くユーザの足の動きに関する物理量として、３軸方向の加速度（空間加速度とも呼ぶ）および３軸周りの角速度（空間角速度とも呼ぶ）などの足の動きに関する物理量を計測する。計測装置２１が計測する足の動きに関する物理量には、加速度や角速度に加えて、加速度や角速度を積分することによって計算される速度や角度も含まれる。また、計測装置２１が計測する足の動きに関する物理量には、加速度を二階積分することによって計算される位置（軌跡）も含まれる。

計測装置２１は、計測された物理量をデジタルデータ（センサデータとも呼ぶ）に変換する。計測装置２１は、変換後のセンサデータをデータ処理装置２５に送信する。例えば、計測装置２１は、第１の実施形態の計測装置１１と同様に、ユーザが携帯する携帯端末（図示しない）を介して、データ処理装置２５に接続される。

データ処理装置２５は、計測装置２１からセンサデータを受信する。データ処理装置２５は、センサデータの時系列データから、一歩行周期分の波形（歩行波形とも呼ぶ）を生成する。例えば、データ処理装置２５は、３軸方向の加速度や３軸周りの角速度に関する歩行波形を生成する。例えば、データ処理装置２５は、３軸方向の加速度や３軸周りの角速度を用いて、足底角に関する歩行波形を生成する。データ処理装置２５は、一歩行周期分の歩行波形から、ユーザの身体的特徴に関する特徴量を抽出する。データ処理装置２５は、特徴量構成式を用いて、時間的に連続する歩行フェーズ（歩行フェーズクラスターとも呼ぶ）の特徴量を生成する。データ処理装置２５は、歩行フェーズクラスターを構成する歩行フェーズ（歩行周期）と、その歩行フェーズクラスターの特徴量とが対応付けられた特徴量データを生成する。データ処理装置２５は、生成された特徴量データを用いて、設定されたデータ処理を実行する。データ処理装置２５は、生成された特徴量データを用いれば、どのようなデータ処理を行ってもよい。データ処理装置２５は、データ処理の結果を出力する。例えば、データ処理装置２５は、データ処理の結果を表示装置（図示しない）や外部システムに出力する。

〔データ取得装置〕
次に、計測装置２１の詳細について図面を参照しながら説明する。図１２は、計測装置２１の詳細構成の一例を示すブロック図である。計測装置２１は、加速度センサ２１１、角速度センサ２１２、制御部２１３、および送信部２１９を有する。また、計測装置２１は、図示しない電源を含む。加速度センサ２１１、角速度センサ２１２、および制御部２１３は、データ取得部２１０（データ取得装置）を構成する。

加速度センサ２１１は、３軸方向の加速度（空間加速度とも呼ぶ）を計測するセンサである。加速度センサ２１１は、計測した加速度を制御部２１３に出力する。加速度センサ２１１は、第１の実施形態の加速度センサ１１１と同様の構成である。

角速度センサ２１２は、３軸周りの角速度（空間角速度とも呼ぶ）を計測するセンサである。角速度センサ２１２は、計測した角速度を制御部２１３に出力する。角速度センサ２１２は、第１の実施形態の角速度センサ１１２と同様の構成である。

制御部２１３は、加速度センサ２１１および角速度センサ２１２の各々から、３軸方向の加速度および３軸周りの角速度の各々の実測値を取得する。制御部２１３は、第１の実施形態の制御部１１３と同様の構成である。制御部２１３は、取得した加速度および角速度の実測値をデジタルデータ（センサデータとも呼ぶ）に変換する。制御部２１３は、変換後のデジタルデータを送信部２１９に出力する。

送信部２１９は、制御部２１３データを取得する。送信部２１９は、第１の実施形態の送信部１１９と同様の構成である。送信部２１９は、取得したセンサデータをデータ処理装置１５に送信する。

〔データ処理装置〕
次に、データ処理装置２５の詳細について図面を参照しながら説明する。図１３は、データ処理装置２５の詳細構成の一例を示すブロック図である。データ処理装置２５は、受信部２５１、特徴量生成部２５５、および処理部２５７を有する。

受信部２５１は、計測装置２１からセンサデータを受信する。受信部２５１は、第１の実施形態の受信部１５１と同様の構成である。受信部２５１は、受信された特徴量データを特徴量生成部２５５に出力する。

特徴量生成部２５５（特徴量生成装置とも呼ぶ）は、受信部２５１からセンサデータを取得する。特徴量生成部２５５は、第１の実施形態の抽出部１１６と生成部１１７によって構成される特徴量生成部１１５と同様の構成である。特徴量生成部２５５は、センサデータの時系列データから、一歩行周期分の歩行波形を生成する。特徴量生成部２５５は、一歩行周期分の歩行波形から特徴量（第１の特徴量）を抽出する。特徴量生成部２５５は、時間的に連続する歩行フェーズから特徴量が抽出された場合、それらの歩行フェーズを歩行フェーズクラスターとして抽出する。特徴量生成部２５５は、特徴量構成式を用いて、歩行フェーズクラスターの特徴量（第２の特徴量）を生成する。特徴量生成部２５５は、歩行フェーズクラスターを構成する歩行フェーズ（歩行周期）と、その歩行フェーズクラスターの特徴量とが対応付けられた特徴量データを生成する。特徴量が単独の歩行フェーズから抽出される場合、特徴量生成部２５５は、抽出された特徴量をその歩行フェーズに対応付けた特徴量データを生成する。特徴量生成部２５５は、生成された歩行フェーズクラスターの特徴量データを処理部２５７に出力する。

処理部２５７は、特徴量生成部２５５から特徴量データを取得する。処理部２５７は、第１の実施形態の処理部１５７と同様の構成である。処理部２５７は、取得された特徴量データを用いて、設定されたデータ処理を実行する。処理部２５７は、特徴量生成部２５５から取得された特徴量データを用いれば、どのようなデータ処理を行ってもよい。処理部２５７は、データ処理の結果を出力する。例えば、処理部２５７は、データ処理の結果を表示装置（図示しない）や外部システムに出力する。

以上のように、本実施形態の歩容計測システムは、計測装置とデータ処理装置を備える。計測装置は、データ取得部および送信部を有する。データ取得部は、加速度センサ、角速度センサ、および制御部を含む。計測装置は、計測対象であるユーザの履物に配置される。データ取得部は、ユーザの歩行に応じて空間加速度および空間角速度を計測する。データ取得部は、計測された空間加速度および空間角速度に基づくセンサデータを生成する。データ取得部は、生成されたセンサデータをデータ処理装置に送信する。データ処理装置は、受信部、特徴量生成部、および処理部を有する。受信部は、計測装置からセンサデータを受信する。特徴量生成部は、受信されたセンサデータの時系列データから一歩行周期分の歩行波形を生成する。特徴量生成部は、生成された歩行波形から特徴量（第１の特徴量）を抽出する。特徴量生成部は、特徴量（第１の特徴量）が抽出された時間的に連続する複数の歩行フェーズを統合して歩行フェーズクラスターを抽出する。特徴量生成部は、予め設定された特徴量構成式を用いて歩行フェーズクラスターの特徴量（第２の特徴量）を生成する。特徴量生成部は、歩行フェーズクラスターを構成する複数の歩行フェーズと、歩行フェーズクラスターの特徴量（第２の特徴量）とが対応付けられた特徴量データを生成する。特徴量生成部は、生成された歩行フェーズクラスターの特徴量（第２の特徴量）を用いてデータ処理を実行する。

本実施形態によれば、時間的に連続する複数の歩行フェーズを統合した歩行フェーズクラスターの特徴量を生成することによって、歩容に現れる特徴を検証するためのデータ量を削減できる。そのため、本実施形態によれば、特徴量を用いたデータ処理の負荷が軽減される。

（第３の実施形態）
次に、第３の実施形態に係る学習システムについて図面を参照しながら説明する。本実施形態の学習システムは、計測装置によって計測されたセンサデータから抽出された特徴量を用いた学習によって、特徴量の入力に応じて身体的特徴を推定するための推定モデルを生成する。

（構成）
図１４は、本実施形態の学習システム３０の構成の一例を示すブロック図である。学習システム３０は、計測装置３１および学習装置３５を備える。計測装置３１と学習装置３５は、有線で接続されてもよいし、無線で接続されてもよい。計測装置３１と学習装置３５は、単一の装置で構成してもよい。また、学習システム３０の構成から計測装置３１を除き、学習装置３５だけで学習システム３０を構成してもよい。図１４には計測装置３１を一つしか図示していないが、左右両足に計測装置３１が一つずつ（計二つ）配置されてもよい。また、学習装置３５は、計測装置３１に接続されず、予め計測装置３１によって生成されてデータベースに格納されていた特徴量データを用いて、学習を実行するように構成されてもよい。

計測装置３１は、左右の足のうち少なくとも一方に設置される。計測装置３１は、第１の実施形態の計測装置１１と同様の構成である。計測装置３１は、加速度センサおよび角速度センサを含む。計測装置３１は、計測された物理量をデジタルデータ（センサデータとも呼ぶ）に変換する。計測装置３１は、センサデータの時系列データから、一歩行周期分の波形（歩行波形とも呼ぶ）を生成する。計測装置３１は、一歩行周期分の歩行波形から特徴量（第１の特徴量）を抽出する。計測装置３１は、時間的に連続する歩行フェーズから特徴量が抽出された場合、それらの歩行フェーズを統合してクラスター（歩行フェーズクラスターとも呼ぶ）を抽出する。計測装置３１は、特徴量構成式を用いて、歩行フェーズクラスターの特徴量（第２の特徴量）を生成する。計測装置３１は、歩行フェーズクラスターを構成する歩行フェーズ（歩行周期）と、その歩行フェーズクラスターの特徴量とが対応付けられた特徴量データを生成する。計測装置３１は、生成された歩行フェーズクラスターの特徴量データを学習装置３５に送信する。なお、計測装置３１は、学習装置３５によってアクセスされるデータベース（図示しない）に特徴量データを送信するように構成されてもよい。データベースに蓄積された特徴量データは、学習装置３５の学習に用いられる。

学習装置３５は、計測装置３１から特徴量データを受信する。データベース（図示しない）に蓄積された特徴量データを用いる場合、学習装置３５は、データベースから特徴量データを受信する。学習装置３５は、受信された特徴量データを用いて学習を実行する。例えば、学習装置３５は、複数のユーザの歩行波形から抽出された特徴量データを教師データとして学習する。学習装置３５が実行する学習のアルゴリズムには、特に限定を加えない。学習装置３５は、複数のユーザに関して学習された推定モデルを生成する。学習装置３５は、生成された推定モデルを記憶する。学習装置３５によって学習された推定モデルは、学習装置３５の外部の記憶装置に格納されてもよい。

〔学習装置〕
次に、学習装置３５の詳細について図面を参照しながら説明する。図１５は、学習装置３５の詳細構成の一例を示すブロック図である。学習装置３５は、受信部３５１、学習部３５３、および記憶部３５５を有する。

受信部３５１は、計測装置３１から特徴量データを受信する。受信部３５１は、第１の実施形態の計測装置１１と同様の構成である。受信部３５１は、受信された特徴量データを学習部３５３に出力する。

学習部３５３は、受信部３５１から特徴量データを取得する。学習部３５３は、取得された特徴量データを用いて学習を実行する。例えば、学習部３５３は、ある身体的特徴を有するユーザから抽出された特徴量を説明変数とし、そのユーザの身体的特徴を目的変数とするデータセットを教師データとして学習する。例えば、学習部３５３は、複数のユーザに関して学習された、歩行に伴って検出されるセンサデータから抽出された特徴量に基づいて身体的特徴を推定する推定モデルを生成する。例えば、学習部３５３は、複数のユーザに関して学習された推定モデルを記憶部３５５に記憶させる。

例えば、学習部３５３は、線形回帰のアルゴリズムを用いた学習を実行する。サポートベクターマシン（ＳＶＭ：Support Vector Machine）のアルゴリズムを用いた学習を実行する。例えば、学習部３５３は、ガウス過程回帰（ＧＰＲ：Gaussian Process Regression）のアルゴリズムを用いた学習を実行する。例えば、学習部３５３は、ランダムフォレスト（ＲＦ：Random Forest）などのアルゴリズムを用いた学習を実行する。例えば、学習部３５３は、特徴量データに応じて、その特徴量データの生成元のユーザを分類する教師なし学習を実行してもよい。学習部３５３が実行する学習のアルゴリズムには、特に限定を加えない。

図１６は、説明変数である特徴量データＤ１～Ｄｍと、目的変数である身体的特徴Ｐのデータセットを教師データとして、学習部３５３に学習させる一例を示す概念図である（ｍは自然数）。例えば、学習部３５３は、複数の被検者に関するデータを学習し、センサデータから抽出された特徴量の入力に応じてある身体的特徴を出力する推定モデルを生成する。

記憶部３５５は、複数の被検者に関して学習された推定モデルを記憶する。例えば、記憶部３５５は、複数の被検者に関して学習された、特定の身体的特徴に関して推定する推定モデルを記憶する。

以上のように、本実施形態の学習システムは、計測装置および学習装置を備える。計測装置は、計測対象であるユーザの履物に配置される。計測装置は、ユーザの歩行に応じて空間加速度および空間角速度を計測する。計測装置は、計測された空間加速度および空間角速度に基づくセンサデータを生成する。計測装置は、足の動きに関するセンサデータの時系列データから一歩行周期分の歩行波形を生成する。計測装置は、生成された歩行波形から特徴量（第１の特徴量）を抽出する。計測装置は、特徴量が抽出された時間的に連続する複数の歩行フェーズを統合して歩行フェーズクラスターを抽出する。計測装置は、予め設定された特徴量構成式を用いて歩行フェーズクラスターの特徴量（第２の特徴量）を生成する。計測装置は、歩行フェーズクラスターを構成する複数の歩行フェーズと、歩行フェーズクラスターの特徴量（第２の特徴量）とが対応付けられた特徴量データを生成する。

学習装置は、受信部、学習部、および記憶部を有する。受信部は、計測装置によって生成された特徴量データを取得する。学習部は、特徴量データを用いて学習を実行する。学習部は、ユーザの歩行に伴って計測されるセンサデータの時系列データから抽出される歩行フェーズクラスターの特徴量（第２の特徴量）の入力に応じて、身体的特徴を出力する推定モデルを生成する。例えば、学習部は、ユーザの歩行に伴って計測されるセンサデータの時系列データから抽出される歩行フェーズクラスターの特徴量（第２の特徴量）の入力に応じて、外反母趾の度合を出力する推定モデルを生成する。学習部によって生成された推定モデルは、記憶部に保存される。

本実施形態によれば、ユーザの歩行に応じて抽出される歩行フェーズクラスターの特徴量を用いて、身体的特徴を推定する推定モデルを生成できる。例えば、本実施形態によれば、ユーザの歩行に応じて抽出される歩行フェーズクラスターの特徴量を用いて、外反母趾の度合を推定する推定モデルを生成できる。

（第４の実施形態）
次に、第４の実施形態に係る歩容計測システムについて図面を参照しながら説明する。本実施形態の歩容計測システムは、第３の実施形態の学習システムによって学習された推定モデルを用いて、ユーザの身体的特徴を推定する。

（構成）
図１７は、本実施形態の歩容計測システム４０の構成の一例を示すブロック図である。歩容計測システム４０は、計測装置４１およびデータ処理装置４５を備える。計測装置４１とデータ処理装置４５は、有線で接続されてもよいし、無線で接続されてもよい。計測装置４１とデータ処理装置４５は、単一の装置で構成してもよい。また、歩容計測システム４０の構成から計測装置４１を除き、データ処理装置４５だけで歩容計測システム４０を構成してもよい。図１７には計測装置４１を一つしか図示していないが、左右両足に計測装置４１が一つずつ（計二つ）配置されてもよい。

計測装置４１は、左右の足のうち少なくとも一方に設置される。計測装置４１は、第１の実施形態の計測装置１１と同様の構成である。計測装置４１は、加速度センサおよび角速度センサを含む。計測装置４１は、計測された物理量をデジタルデータ（センサデータとも呼ぶ）に変換する。計測装置４１は、センサデータの時系列データから、一歩行周期分の波形（歩行波形とも呼ぶ）を生成する。計測装置４１は、一歩行周期分の歩行波形から特徴量（第１の特徴量）を抽出する。計測装置４１は、時間的に連続する歩行フェーズから特徴量が抽出された場合、それらの歩行フェーズを統合してクラスター（歩行フェーズクラスターとも呼ぶ）を抽出する。計測装置４１は、特徴量構成式を用いて、歩行フェーズクラスターの特徴量（第２の特徴量）を生成する。計測装置４１は、歩行フェーズクラスターを構成する歩行フェーズ（歩行周期）と、その歩行フェーズクラスターの特徴量（第２の特徴量）とが対応付けられた特徴量データを生成する。計測装置４１は、生成された歩行フェーズクラスターの特徴量データをデータ処理装置４５に送信する。

データ処理装置４５は、計測装置４１から特徴量データを受信する。データ処理装置４５は、受信された特徴量データを、予め準備された推定モデルに入力して推定を実行する。例えば、データ処理装置４５は、身体的特徴を推定する推定モデルに特徴量データを入力して、ユーザの身体的特徴を推定する。データ処理装置４５は、推定結果を出力する。例えば、データ処理装置４５は、表示装置（図示しない）や外部システムに推定結果を出力する。

〔データ処理装置〕
次に、データ処理装置４５の詳細について図面を参照しながら説明する。図１８は、データ処理装置４５の詳細構成の一例を示すブロック図である。データ処理装置４５は、受信部４５１、記憶部４５５、および推定部４５７を有する。

受信部４５１は、計測装置４１から特徴量データを受信する。受信部４５１は、第１の実施形態の計測装置１１と同様の構成である。受信部４５１は、受信された特徴量データを推定部４５７に出力する。

記憶部４５５は、複数の被検者に関して学習された推定モデルを記憶する。例えば、記憶部４５５は、複数の被検者に関して学習された、ある身体的特徴に関して推定する推定モデルを記憶する。推定モデルは、製品の工場出荷時や、データ処理装置４５をユーザが使用する前のキャリブレーション時等のタイミングで、記憶部４５５に記憶させておけばよい。なお、外部のサーバ等の記憶装置に保存された推定モデルを用いる場合、その記憶装置と接続されたインターフェース（図示しない）を介して、推定モデルを用いるように構成すればよい。その場合、記憶部４５５に推定モデルを記憶させるように構成しなくてよい。

推定部４５７は、受信部４５１から特徴量データを取得する。推定部４５７は、取得された特徴量データを用いて推定を実行する。推定部４５７は、記憶部４５５に記憶された推定モデルに特徴量データを入力する。推定部４５７は、推定モデルからの出力を推定結果として出力する。なお、外部のサーバ等の記憶装置に保存された推定モデルを用いる場合、その記憶装置と接続されたインターフェース（図示しない）を介して、推定モデルを用いるように構成すればよい。

図１９は、予め構築された推定モデル４５０に、ユーザの歩行に伴って計測されるセンサデータから抽出された特徴量を含む特徴量データＤ１～Ｄｍを入力することで、推定結果が出力される一例を示す概念図である（ｍは自然数）。例えば、外反母趾の進行度を推定するための推定モデル４５０の場合、入力された特徴量データＤ１～Ｄｍに応じた進行度が、推定モデル４５０から出力される。例えば、足の回内／回外の度合を推定するための推定モデル４５０の場合、入力された特徴量データＤ１～Ｄｍに応じた度合が推定モデル４５０から出力される。歩行フェーズクラスターの特徴量データの入力に応じて、身体的特徴に関する推定結果を出力できれば、推定モデル４５０によって推定される推定結果には限定を加えない。

〔適用例〕
図２０は、計測装置４１が設置された履物４００を履いて歩行するユーザの携帯する携帯端末４６０の表示部に、データ処理装置４５の推定部４５７による推定結果を表示させる一例を示す概念図である。図２０は、ユーザの歩行中に蓄積された特徴量データを用いた推定結果に応じた情報を、携帯端末４６０の表示部に表示させる例である。

図２０は、第１中足指節角（ＦＭＴＰＡ：First Metatarsophalangeal Angle）の大きさに応じて、外反母趾の進行度が携帯端末４６０の画面に表示される例である。ＦＭＴＰＡは、足の第１指（親指）の中足指節の角度である。図２０の例では、ユーザの歩行時に計測されたセンサデータから抽出された特徴量を含む特徴量データに基づいて、「あなたのＦＭＴＰＡは２２度です。外反母趾の傾向があります。」という情報を、携帯端末４６０の表示部に表示させる。携帯端末４６０の表示部に表示された情報を確認したユーザは、自身の外反母趾の進行度を認識できる。例えば、外反母趾の進行度が高い場合、病院で診察を受けることを薦めるメッセージや、適切な病院の連絡先を、携帯端末４６０の表示部に表示させてもよい。

図２０は、一例であって、本実施形態のデータ処理装置による推定結果の使用方法を限定するものではない。例えば、左右の足の回内／回外の度合や、左右の足のステップ長、ぶん回しの軌跡、対称性、足角等の歩容に関する情報を携帯端末４６０の表示部に表示させるようにしてもよい。

以上のように、本実施形態の歩容計測システムは、計測装置とデータ処理装置を備える。計測装置は、計測対象であるユーザの履物に配置される。計測装置は、ユーザの歩行に応じて空間加速度および空間角速度を計測する。計測装置は、計測された空間加速度および空間角速度に基づくセンサデータを生成する。計測装置は、足の動きに関するセンサデータの時系列データから一歩行周期分の歩行波形を生成する。計測装置は、生成された歩行波形から特徴量（第１の特徴量）を抽出する。計測装置は、特徴量が抽出された時間的に連続する複数の歩行フェーズを統合して歩行フェーズクラスターを抽出する。計測装置は、予め設定された特徴量構成式を用いて歩行フェーズクラスターの特徴量（第２の特徴量）を生成する。計測装置は、歩行フェーズクラスターを構成する複数の歩行フェーズと、歩行フェーズクラスターの特徴量（第２の特徴量）とが対応付けられた特徴量データを生成する。計測装置は、歩行フェーズクラスターの特徴量（第２の特徴量）を含む特徴量データをデータ処理装置に送信する。

データ処理装置は、受信部、推定部、および記憶部を有する。受信部は、計測装置によって生成された特徴量データを取得する。記憶部は、入力された特徴量に応じて身体的特徴を出力する推定モデルを記憶する。推定部は、ユーザの歩行に伴って計測されるセンサデータの時系列データから抽出される歩行フェーズクラスターの特徴量を推定モデルに入力し、推定モデルから出力される推定値に基づいてユーザの身体的特徴を推定する。例えば、記憶部には、入力された特徴量に応じて外反母趾の度合を出力する推定モデルを記憶する。推定部は、ユーザの歩行に伴って計測されるセンサデータの時系列データから抽出される歩行フェーズクラスターの特徴量を推定モデルに入力し、推定モデルから出力される推定値に基づいてユーザの外反母趾の度合を推定する。

本実施形態によれば、ユーザの歩行に応じて抽出される歩行フェーズクラスターの特徴量を用いて、ユーザの身体的特徴を推定できる。例えば、本実施形態によれば、ユーザの歩行に応じて抽出される歩行フェーズクラスターの特徴量を用いて、外反母趾の度合を推定できる。

（第５の実施形態）
次に、第５の実施形態に係る特徴量生成装置について図面を参照しながら説明する。本実施形態の特徴量生成装置は、第１～第４の実施形態の特徴量生成部を簡略化した構成である。

図２１は、本実施形態の特徴量生成装置５１５の構成の一例を示すブロック図である。特徴量生成装置５１５は、抽出部５１６および生成部５１７を備える。抽出部５１６は、足の動きに関するセンサデータの時系列データから一歩行周期分の歩行波形を生成する。抽出部５１６は、生成された歩行波形から特徴量（第１の特徴量）を抽出する。抽出部５１６は、特徴量が抽出された時間的に連続する複数の歩行フェーズを統合して歩行フェーズクラスターを抽出する。生成部５１７は、予め設定された特徴量構成式を用いて歩行フェーズクラスターの特徴量（第２の特徴量）を生成する。生成部５１７は、歩行フェーズクラスターを構成する複数の歩行フェーズと、歩行フェーズクラスターの特徴量（第２の特徴量）とが対応付けられた特徴量データを生成する。

本実施形態の特徴量生成装置によれば、時間的に連続する複数の歩行フェーズを統合した歩行フェーズクラスターの特徴量を生成することによって、歩容に現れる特徴を検証するためのデータ量を削減できる。

（検証例）
次に、時間軸上に正規化された一歩行周期分の歩行波形を、１％の歩行フェーズ（歩行周期）ごとに、外反母趾の進行度との相関性を分析した検証例について、図面を参照しながら説明する。本検証例は、足の動きに関するセンサデータに基づいて、外反母趾の進行度について検証した例である。本検証では、９種類の歩行波形（３軸加速度、３軸角速度、３軸足底角）について検証した。以下においては、外反母趾の進行度に関する特徴量が抽出される歩行波形を示す。

外反母趾の進行度は、第１中足指節角（ＦＭＴＰＡ：First Metatarsophalangeal Angle）によって検証した。ＦＭＴＰＡは、足の第１指（親指）の中足指節の角度である。本検証例では、ＦＭＴＰＡが２５度を超える場合は外反母趾に分類される。ＦＭＴＰＡが１５度以上２５度以下の場合は外反母趾の傾向があると分類される。ＦＭＴＰＡが１５度未満の場合は正常であると分類される。本検証例では、ピアソンの相関分析を用いて、歩行波形から抽出された特徴量と外反母趾の相関性を分析した。本検証例では、有意性（ｐ＜０．０５）がある歩行フェーズ（歩行周期）を、外反母趾に関連する歩行フェーズとして認定した。

本検証は、５０人の被検者に対して行われた。本検証は、歩行速度等を指定せずに、計測装置が設置された靴を履いた被験者が、快適な速度で歩く条件で行われた。計測は、５０人の被検者が同じ条件下で、８メートルの距離を４往復するシークエンスで行われた。５０人の被検者は、ＦＭＴＰＡが２５度を超えるグループＡ、ＦＭＴＰＡが１５度以上２５度以下のグループＢ、ＦＭＴＰＡが１５度未満のグループＣに分類された。８メートルの距離を４往復するシークエンスでは、約５０歩分のセンサデータが取得された。各被験者から取得されたセンサデータは、歩数に応じて平均化された。

図２２～図２７は、外反母趾に関する特徴量が抽出される複数の一歩行周期分の歩行波形と、それらの歩行波形から抽出された特徴量の相関性分析による分析結果とを対応させた図である。図２２～図２７の上側の歩行波形は、踵接地を起点とする一歩行周期分（０～１００％）の波形である。図２２～図２７の上側の歩行波形において、グループＡの波形を実線、グループＢの波形を破線、グループＣの波形を一点鎖線で示す。図２２～図２７の下側のグラフは、Leave-one-subject-out相関性分析によって、外反母趾と特徴量の相関性に有意性があると認定された数（カウント数とも呼ぶ）である。Leave-one-subject-out相関性分析では、個人差要因を除去し、推定モデルによる出力値がデータの本質的な分布に従うのかを検証するために、一人ずつ順番に排除して相関分析を行う。本検証例では、５０人の被検者の特徴量データから１人の被検者の特徴量データを排除した４９人分の特徴量データを用いた相関分析を５０回繰り返した。本検証では、カウント数の閾値を４７に設定し、４７以上のカウント数の特徴量を抽出した。カウント数が４７未満の特徴量は、外反母趾の影響が本質的に反映されていないとみなした。カウント数が４７未満の特徴量は、相関性を低くする原因になるので、歩行フェーズクラスターの特徴量からをして抽出しなかった。カウント数の閾値は、目的に応じて設定されればよい。

図２２は、ｘ方向加速度の歩行波形から特徴量が抽出された例である。図２２の上側のグラフは、ｘ方向加速度の歩行波形Ａｘである。歩行波形Ａｘは、５０人の被検者に対して共通の条件で比較できるように、正規化されている。図２２の例では、抽出された複数の特徴量のうち、カウント数の閾値を超えた２つの特徴量が抽出された。一つ目の特徴量は、歩行周期が２２－２４％の歩行フェーズクラスターＣ１の特徴量である。歩行フェーズクラスターＣ１は、立脚中期の序盤に相当する。立脚中期の序盤においては、足裏が接地している。二つ目の特徴量は、歩行周期が２７－２９％の歩行フェーズクラスターＣ２の特徴量である。歩行フェーズクラスターＣ２は、立脚中期の終盤に相当する。立脚中期の終盤においては、足裏が地面に接地している。

図２３は、ｚ方向加速度の歩行波形から特徴量が抽出された例である。図２３の上側のグラフは、ｚ方向加速度の歩行波形Ａｚである。歩行波形Ａｚは、５０人の被検者に対して共通の条件で比較できるように、正規化されている。図２３の例では、抽出された複数の特徴量のうち、カウント数の閾値を超えた１つの特徴量が抽出された。抽出された特徴量は、歩行周期が３－４％の歩行フェーズクラスターＣ３の特徴量である。歩行フェーズクラスターＣ３は、単独の歩行フェーズから抽出された特徴量であるが、クラスターとみなす。歩行フェーズクラスターＣ３は、踵接地の直後に相当する。

図２４は、ｘ軸周り角速度の歩行波形から特徴量が抽出された例である。図２４の上側のグラフは、ｘ軸周り角速度の歩行波形Ｇｘである。歩行波形Ｇｘは、５０人の被検者に対して共通の条件で比較できるように、正規化されている。図２４の例では、抽出された複数の特徴量のうち、カウント数の閾値を超えた１つの特徴量が抽出された。抽出された特徴量は、歩行周期が３５－４６％の歩行フェーズクラスターＣ４の特徴量である。歩行フェーズクラスターＣ４は、立脚終期に相当する。立脚終期には、踵持ち上がりのタイミングが含まれる。

図２５は、ｙ軸周り角速度の歩行波形から特徴量が抽出された例である。図２５の上側のグラフは、ｙ軸周り角速度の歩行波形Ｇｙである。歩行波形Ｇｙは、５０人の被検者に対して共通の条件で比較できるように、正規化されている。図２５の例では、抽出された複数の特徴量のうち、カウント数の閾値を超えた４つの特徴量が抽出された。一つ目の特徴量は、歩行周期が２２－２３％の歩行フェーズクラスターＣ５の特徴量である。歩行フェーズクラスターＣ５は、単独の歩行フェーズから抽出された特徴量であるが、クラスターとみなす。歩行フェーズクラスターＣ５は、立脚中期の序盤に相当する。立脚中期の序盤においては、足裏が地面に接地している。二つ目の特徴量は、歩行周期が２７－２８％の歩行フェーズクラスターＣ６の特徴量である。歩行フェーズクラスターＣ６は、単独の歩行フェーズから抽出された特徴量であるが、クラスターとみなす。歩行フェーズクラスターＣ６は、立脚中期の終盤に相当する。立脚中期の終盤においては、足裏が地面に接地している。三つ目の特徴量は、歩行周期が４６－５６％の歩行フェーズクラスターＣ７の特徴量である。歩行フェーズクラスターＣ７は、立脚中期の終盤から遊脚前期の期間に相当する。四つ目の特徴量は、歩行周期が６８－７２％の歩行フェーズクラスターＣ８の特徴量である。歩行フェーズクラスターＣ８は、遊脚初期の終盤に相当する。

図２６は、ｘ軸周り足底角の歩行波形から特徴量が抽出された例である。図２６の上側のグラフは、ｘ軸周り足底角の歩行波形Ｅｘである。図２６の例では、抽出された複数の特徴量のうち、カウント数の閾値を超えた１つの特徴量が抽出された。抽出された特徴量は、歩行周期が４１－７７％の歩行フェーズクラスターＣ９の特徴量である。歩行フェーズクラスターＣ９は、立脚終期から遊脚中期の終盤の期間に相当する。

図２７は、ｙ軸周り足底角の歩行波形から特徴量が抽出された例である。図２７の上側のグラフは、ｙ軸周り足底角の歩行波形Ｅｙである。図２７の例では、抽出された複数の特徴量のうち、カウント数の閾値を超えた２つの特徴量が抽出された。一つ目の特徴量は、歩行周期が２３－２５％の歩行フェーズクラスターＣ１０の特徴量である。歩行フェーズクラスターＣ１０は、立脚中期の序盤に相当する。立脚中期の序盤においては、足裏が地面に接地している。二つ目の特徴量は、歩行周期が５４－６３％の歩行フェーズクラスターＣ１１の特徴量である。歩行フェーズクラスターＣ１１は、爪先離地の前後の期間に相当する。

図２８は、図２２～図２７の歩行波形から抽出された特徴量をまとめた対応表である。図２８の対応表は、それぞれの歩行波形に関して、特徴量が抽出された歩行フェーズクラスターの番号、歩行フェーズクラスターが抽出された歩行周期（％）、および対応する歩行動作を対応付ける。

続いて、図２２～図２７の歩行波形に基づいて生成された特徴量データを学習させることで生成された推定モデルの検定例について一例をあげて説明する。ここでは、特徴量データの入力に応じて、ＦＭＴＰＡの推定値を出力する推定モデルの検定例について説明する。本検定においては、いくつかのアルゴリズムを用いた学習によって生成された推定モデルの推定値と真値の関係を検証した。

図２９は、推定モデルの推定結果と真値の交差検定の結果の一例である。図２９は、線形回帰によって学習された推定モデルを用いた推定結果と、真値との関係を示す。線形回帰で学習された推定モデルを用いた場合、平均平方二乗誤差（ＲＭＳＥ：Root Mean Square Error）が４．２度、クラス内相関係数（ＩＣＣ：Intraclass Correlation Coefficient）が０．７８９であった。すなわち、線形回帰で学習された推定モデルは、良好な推定値を出力することが確認された。この推定モデルを用いれば、１１個の特徴量だけで、外反母趾の進行度を高精度で推定できる。

図３０は、複数のアルゴリズムで生成された推定モデルを用いて推定された推定値と真値との関係をまとめた表である。図３０の表には、線形回帰（Linear）、サポートベクターマシン（ＳＶＭ）、ガウス過程回帰（ＧＰＲ、ランダムフォレスト（ＲＦ）といったアルゴリズムで学習された推定モデルを用いた推定値に関するＲＭＳＥとＩＣＣが含まれる。図３０の表によると、線形回帰（Linear）は、ＲＭＳＥが最小であり、ＩＣＣが最大であった。すなわち、図３０の例では、線形回帰（Linear）によって学習された推定モデルが、最も性能がよかった。

例えば、外反母趾と相関がある特徴量が抽出される歩行フェーズクラスターを予め設定しておき、設定された歩行フェーズクラスターを構成する歩行フェーズ（歩行周期）の特徴量を抽出対象としてもよい。言い換えると、推定対象の身体的特徴と相関がある特徴量が抽出される歩行フェーズクラスターを予め設定しておき、設定された歩行フェーズクラスターを構成する歩行フェーズ（歩行周期）の特徴量を抽出対象としてもよい。そのように、推定対象の身体的特徴に応じて、抽出対象の特徴量を予め設定しておけば、推定に用いられる特徴量のデータ量を削減できる。

（ハードウェア）
ここで、本開示の各実施形態に係る制御や処理を実行するハードウェア構成について、図３１の情報処理装置９０を一例として挙げて説明する。なお、図３１の情報処理装置９０は、各実施形態の制御や処理を実行するための構成例であって、本開示の範囲を限定するものではない。

図３１のように、情報処理装置９０は、プロセッサ９１、主記憶装置９２、補助記憶装置９３、入出力インターフェース９５、および通信インターフェース９６を備える。図３１においては、インターフェースをＩ／Ｆ（Interface）と略記する。プロセッサ９１、主記憶装置９２、補助記憶装置９３、入出力インターフェース９５、および通信インターフェース９６は、バス９８を介して、互いにデータ通信可能に接続される。また、プロセッサ９１、主記憶装置９２、補助記憶装置９３、および入出力インターフェース９５は、通信インターフェース９６を介して、インターネットやイントラネットなどのネットワークに接続される。

プロセッサ９１は、補助記憶装置９３等に格納されたプログラムを、主記憶装置９２に展開する。プロセッサ９１は、主記憶装置９２に展開されたプログラムを実行する。本実施形態においては、情報処理装置９０にインストールされたソフトウェアプログラムを用いる構成とすればよい。プロセッサ９１は、本実施形態に係る制御や処理を実行する。

主記憶装置９２は、プログラムが展開される領域を有する。主記憶装置９２には、プロセッサ９１によって、補助記憶装置９３等に格納されたプログラムが展開される。主記憶装置９２は、例えばＤＲＡＭ（Dynamic Random Access Memory）などの揮発性メモリによって実現される。また、主記憶装置９２として、ＭＲＡＭ（Magnetoresistive Random Access Memory）などの不揮発性メモリが構成／追加されてもよい。

補助記憶装置９３は、プログラムなどの種々のデータを記憶する。補助記憶装置９３は、ハードディスクやフラッシュメモリなどのローカルディスクによって実現される。なお、種々のデータを主記憶装置９２に記憶させる構成とし、補助記憶装置９３を省略することも可能である。

入出力インターフェース９５は、規格や仕様に基づいて、情報処理装置９０と周辺機器とを接続するためのインターフェースである。通信インターフェース９６は、規格や仕様に基づいて、インターネットやイントラネットなどのネットワークを通じて、外部のシステムや装置に接続するためのインターフェースである。入出力インターフェース９５および通信インターフェース９６は、外部機器と接続するインターフェースとして共通化してもよい。

情報処理装置９０には、必要に応じて、キーボードやマウス、タッチパネルなどの入力機器が接続されてもよい。それらの入力機器は、情報や設定の入力に使用される。なお、タッチパネルを入力機器として用いる場合は、表示機器の表示画面が入力機器のインターフェースを兼ねる構成としてもよい。プロセッサ９１と入力機器との間のデータ通信は、入出力インターフェース９５に仲介させればよい。

また、情報処理装置９０には、情報を表示するための表示機器を備え付けてもよい。表示機器を備え付ける場合、情報処理装置９０には、表示機器の表示を制御するための表示制御装置（図示しない）が備えられていることが好ましい。表示機器は、入出力インターフェース９５を介して情報処理装置９０に接続すればよい。

また、情報処理装置９０には、ドライブ装置が備え付けられてもよい。ドライブ装置は、プロセッサ９１と記録媒体（プログラム記録媒体）との間で、記録媒体からのデータやプログラムの読み込み、情報処理装置９０の処理結果の記録媒体への書き込みなどを仲介する。ドライブ装置は、入出力インターフェース９５を介して情報処理装置９０に接続すればよい。

以上が、本発明の各実施形態に係る制御や処理を可能とするためのハードウェア構成の一例である。なお、図３１のハードウェア構成は、各実施形態に係る制御や処理を実行するためのハードウェア構成の一例であって、本発明の範囲を限定するものではない。また、各実施形態に係る制御や処理をコンピュータに実行させるプログラムも本発明の範囲に含まれる。さらに、各実施形態に係るプログラムを記録したプログラム記録媒体も本発明の範囲に含まれる。記録媒体は、例えば、ＣＤ（Compact Disc）やＤＶＤ（Digital Versatile Disc）などの光学記録媒体で実現できる。記録媒体は、ＵＳＢ（Universal Serial Bus）メモリやＳＤ（Secure Digital）カードなどの半導体記録媒体によって実現されてもよい。また、記録媒体は、フレキシブルディスクなどの磁気記録媒体、その他の記録媒体によって実現されてもよい。プロセッサが実行するプログラムが記録媒体に記録されている場合、その記録媒体はプログラム記録媒体に相当する。

各実施形態の特徴量生成装置やデータ処理装置、特徴量生成装置等の構成要素は、任意に組み合わせてもよい。また、各実施形態の特徴量生成装置やデータ処理装置、特徴量生成装置等の構成要素は、ソフトウェアによって実現されてもよいし、回路によって実現されてもよい。

以上、実施形態を参照して本発明を説明してきたが、本発明は上記実施形態に限定されるものではない。本発明の構成や詳細には、本発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

１０、２０、４０ 歩容計測システム
１１、２１、３１、４１ 計測装置
１５、２５、４５ データ処理装置
３０ 学習システム
３５ 学習装置
１１０、２１０ データ取得部
１１１、２１１ 加速度センサ
１１２、２１２ 角速度センサ
１１３、２１３ 制御部
１１５、２５５ 特徴量生成部
１１６、５１６ 抽出部
１１７、５１７ 生成部
１１９、２１９ 送信部
１５１、２５１、３５１、４５１ 受信部
１５７、２５７ 処理部
３５３ 学習部
３５５、４５５ 記憶部
４５７ 推定部
４６０ 携帯端末
５１５ 特徴量生成装置

Claims (10)

1. 足の動きに関するセンサデータの時系列データから一歩行周期分の歩行波形を生成し、生成された前記歩行波形から特徴量を抽出し、特徴量が抽出された時間的に連続する複数の歩行フェーズを統合して歩行フェーズクラスターを抽出する抽出手段と、
   予め設定された特徴量構成式を用いて前記歩行フェーズクラスターの特徴量を生成し、前記歩行フェーズクラスターを構成する複数の前記歩行フェーズと、前記歩行フェーズクラスターの特徴量とが対応付けられた特徴量データを生成する生成手段と、を備える特徴量生成装置。
2. 時間的に連続しない単独の歩行フェーズから特徴量が抽出された場合、
   前記抽出手段は、
   前記単独の歩行フェーズから抽出された特徴量を前記生成手段に出力し、
   前記生成手段は、
   前記単独の歩行フェーズと、前記単独の歩行フェーズの特徴量とが対応付けられた特徴量データを生成する請求項１に記載の特徴量生成装置。
3. 時間的に連続しない単独の歩行フェーズから特徴量が抽出された場合、
   前記抽出手段は、
   前記単独の歩行フェーズを歩行フェーズクラスターとして抽出し、
   前記生成手段は、
   前記歩行フェーズクラスターとして抽出された前記単独の歩行フェーズと、前記単独の歩行フェーズの特徴量とが対応付けられた特徴量データを生成する請求項１に記載の特徴量生成装置。
4. 前記抽出手段は、
   予め設定された抽出対象の前記歩行フェーズクラスターを構成する前記歩行フェーズの特徴量を抽出する請求項１乃至３のいずれか一項に記載の特徴量生成装置。
5. 前記抽出手段は、
   特定の身体的特徴の影響を受ける歩容に関する特徴量を抽出し、
   前記生成手段は、
   前記特定の身体的特徴の影響を受ける歩容に関する特徴量を含む特徴量データを生成する請求項１乃至４のいずれか一項に記載の特徴量生成装置。
6. 請求項１乃至５のいずれか一項に記載の特徴量生成装置と、計測対象であるユーザの履物に配置され、前記ユーザの歩行に応じて空間加速度および空間角速度を計測し、計測された前記空間加速度および前記空間角速度に基づくセンサデータを生成し、生成された前記センサデータを前記特徴量生成装置に出力するデータ取得装置とを有し、前記特徴量生成装置によって抽出される歩行フェーズクラスターの特徴量を含む特徴量データを送信する計測装置と、
   前記特徴量生成装置によって送信される前記歩行フェーズクラスターの特徴量を受信し、受信された前記歩行フェーズクラスターの特徴量を用いて、前記ユーザの歩容に現れた特徴を検証するためのデータ処理を実行するデータ処理装置と、を備える歩容計測システム。
7. 前記データ処理装置は、
   入力された特徴量に応じて身体的特徴を出力する推定モデルに、前記ユーザの歩行に伴って計測される前記センサデータの時系列データから抽出される前記歩行フェーズクラスターの特徴量を入力し、前記推定モデルから出力される推定値に基づいて前記ユーザの身体的特徴を推定する請求項６に記載の歩容計測システム。
8. 前記データ処理装置は、
   入力された特徴量に応じて外反母趾の度合を出力する推定モデルに、前記ユーザの歩行に伴って計測される前記センサデータの時系列データから抽出される前記歩行フェーズクラスターの特徴量を入力し、前記推定モデルから出力される推定値に基づいて前記ユーザの外反母趾の度合を推定する請求項７に記載の歩容計測システム。
9. コンピュータが、
   足の動きに関するセンサデータの時系列データから一歩行周期分の歩行波形を生成し、生成された前記歩行波形から特徴量を抽出し、
   特徴量が抽出された時間的に連続する複数の歩行フェーズを統合して歩行フェーズクラスターを抽出し、
   特徴量構成式を用いて前記歩行フェーズクラスターの特徴量を生成し、
   前記歩行フェーズクラスターを構成する複数の前記歩行フェーズと、前記歩行フェーズクラスターの特徴量とが対応付けられた特徴量データを生成する特徴量生成方法。
10. 足の動きに関するセンサデータの時系列データから一歩行周期分の歩行波形を生成する処理と、生成された前記歩行波形から特徴量を抽出する処理と、
    特徴量が抽出された時間的に連続する複数の歩行フェーズを統合して歩行フェーズクラスターを抽出する処理と、
    特徴量構成式を用いて前記歩行フェーズクラスターの特徴量を生成する処理と、
    前記歩行フェーズクラスターを構成する複数の前記歩行フェーズと、前記歩行フェーズクラスターの特徴量とが対応付けられた特徴量データを生成する処理とをコンピュータに実行させるプログラム。

Images