少なくとも幾つかの実施形態において、先行技術の不利点の少なくとも1つを克服又は改善し或いは有用な代替を提供することが、本発明の目的である。
以下の発明を実施するための形態に開示する一揃いの技術的特徴に基づき潜在的な請求項を予示するために、以下の要約的な実施形態のセットが提供される。これらは、追求されることのある請求項の範囲を如何様にも限定することを意図しない。
一実施形態は、ユーザがローカルパフォーマンスモニタリングハードウェアデバイスの動作を設定することを可能にするコンピュータ実施方法を提供し、この方法は:
クライアントデバイスのユーザが、ダウンロード可能なコンテンツのセットを選択することを可能にするように構成されるインタフェースを提供するステップであって、ダウンロード可能なコンテンツのセットは、1つ又は複数のスキルに関する、ステップと;
ユーザが、ユーザに関連付けられるローカルパフォーマンスモニタリングハードウェアにダウンロード可能なコンテンツの選択されたセットの少なくとも一部を示すデータのダウンロードを生じさせることを可能にするステップと、を含み、ダウンロードは:
(i)センサ構成(configuration)データであって、センサ構成データは、定義された方法で動作し、それによって特定のスキルの試行されたパフォーマンス(attempted performance)を表すデータを提供するように1つ又は複数のパフォーマンスセンサユニットのセットを構成するデータを含む、センサ構成データ;
(ii)状態エンジンデータ(state engine data)であって、状態エンジンデータは、処理デバイスが1つ又は複数のパフォーマンスセンサユニットのセットによって提供されるデータに基づいて特定のスキルの試行されたパフォーマンスの属性(attributes)を識別することを可能にするように構成されるデータを含む、状態エンジンデータ;及び
(iii)ユーザインタフェースデータであって、ユーザインタフェースデータは、特定のスキルの試行されたパフォーマンスの識別された属性に基づいてユーザインタフェースの動作を可能にするように構成されるデータを含む、ユーザインタフェースデータ、
のダウンロードを含み、
方法はさらに、選択された1つ又は複数のスキルについてのエキスパート知識のバリエーション(expert knowledge variation)によって定義されるダウンロード可能なコンテンツをユーザが選択できるようにするステップを含み、1つ又は複数のスキルのセットに対して利用可能な複数のエキスパート知識のバリエーションがある。
一実施形態は、第1のエキスパート知識のバリエーションが状態エンジンデータの第1のセットに関連付けられ、第2のエキスパート知識のバリエーションが状態エンジンデータの第2の異なるセットに関連付けられるコンピュータ実施方法を提供し、状態エンジンデータの第2の異なるセットは、状態エンジンデータの第1のセットを使用して識別されないパフォーマンスの1つ又は複数のエキスパート固有の属性の識別を可能にするように構成される。
一実施形態は、エキスパート固有の属性がエキスパートに関連付けられるパフォーマンスのスタイルに関連するコンピュータ実施方法を提供する。
一実施形態は、パフォーマンスのスタイルが、1つ又は複数のモーションセンサユニットから得られるデータを使用して観察可能である体動(body motion)の定義された属性によって表されるコンピュータ実施方法を提供する。
一実施形態は、エキスパート固有の属性がエキスパートに関連付けられるコーチング知識(coaching knowledge)に関連するコンピュータ実施方法を提供する。
一実施形態は、1つ又は複数のエキスパート固有の属性がコーチング特質(coaching idiosyncrasies)を客観的に定義するように構成されるプロセスに基づいて定義されるコンピュータ実施方法を提供する。
一実施形態は、1つ又は複数のスキルの選択されるセットに関して、第1の選択可能なエキスパート知識のバリエーション及び第2の選択可能なエキスパート知識のバリエーションがある、コンピュータ実施方法を提供し:
第1の選択可能なエキスパート知識のバリエーションに関して、ダウンロード可能なデータは、クライアントデバイスを、パフォーマンスセンサユニットのセットから得られるデータにおいて、与えられるスキルに関連付けられる観察可能なデータ条件の第1のセットを識別するように構成し、
第2の選択可能なエキスパート知識のバリエーションに関して、ダウンロード可能なデータは、クライアントデバイスを、パフォーマンスセンサユニットのセットから得られるデータにおいて、与えられるスキルに関連付けられる観察可能なデータ条件の第2の異なるセットを識別するように構成する。
一実施形態は、観察可能なデータ条件の第1のセットと観察可能なデータ条件の第2のセットとの間の差異が、それぞれのエキスパート知識のバリエーションに関連付けられる人間のエキスパートのスタイルの相違(style variances)を説明する、コンピュータ実施方法を提供する。
一実施形態は、観察可能なデータ条件の第1のセットと観察可能なデータ条件の第2のセットとの間の差異が、それぞれのエキスパート知識のバリエーションに関連付けられる人間のエキスパートから得られるコーチングアドバイスを説明する、コンピュータ実施方法を提供する。
一実施形態は、1つ又は複数のスキルの選択されるセットに関して、第1の選択可能なエキスパート知識のバリエーション及び第2の選択可能なエキスパート知識のバリエーションがある、コンピュータ実施方法を提供し:
第1の選択可能なエキスパート知識のバリエーションに関して、ダウンロード可能なデータは、クライアントデバイスを、与えられるスキルに関連付けられる定義された観察可能なデータ条件を観察することに応じてユーザにフィードバックデータの第1のセットを提供するように構成し、
第2の選択可能なエキスパート知識のバリエーションに関して、ダウンロード可能なデータは、クライアントデバイスを、与えられるスキルに関連付けられる定義された観察可能なデータ条件を観察することに応じてユーザにフィードバックデータの第2の異なるセットを提供するように構成する。
一実施形態は、フィードバックデータの第1のセットとフィードバックデータの第2のセットとの間の差異が、それぞれのエキスパート知識のバリエーションに関連付けられる人間のエキスパートから得られるコーチングアドバイスを説明する、コンピュータ実施方法を提供する。
一実施形態は、フィードバックデータの第1のセットとフィードバックデータの第2のセットとの間の差異が、それぞれのエキスパート知識のバリエーションに関連付けられる人間のエキスパートの声を表す異なるオーディオデータを含む、コンピュータ実施方法を提供する。
一実施形態は、パフォーマンスセンサユニットが複数のモーションセンサユニットを含む、コンピュータ実施方法を提供する。
一実施形態は、クライアントデバイスが複数のモーションセンサユニットから得られるモーションセンサデータを処理するように構成されるPODデバイスを含む、コンピュータ実施方法を提供し、ウェアラブル衣服が、PODデバイスへの、モーションセンサデータの配信を容易にするように構成される複数のセンサストランド(sensor strands)を提供する。
一実施形態は、複数のセンサユニットのそれぞれが:加速度計、磁力計、及びジャイロスコープを含む、コンピュータ実施方法を提供する。
一実施形態は、定義されたスキルのスキルトレーニングコンテンツの配信を可能にするように構成されるデータを生成するコンピュータ実施方法を提供し、方法は:
観察可能なデータ条件の第1のセットを生成するステップであって、第1のセットは、1つ又は複数のパフォーマンスセンサユニットから得られる入力データの処理を可能にするように構成される観察可能なデータ条件を含み、入力データはユーザによる定義されたスキルの身体的なパフォーマンスを表し、それによってパフォーマンスの1つ又は複数の属性を識別する、ステップと;
観察可能なデータ条件の第2のセットを生成するステップであって、第2のセットは、同じ1つ又は複数のパフォーマンスセンサユニットから得られる入力データの処理を可能にするように構成される観察可能なデータ条件を含み、入力データはユーザによる定義されたスキルの身体的なパフォーマンスを表し、それによってパフォーマンスの1つ又は複数の属性を識別する、ステップと;
を含み、
観察可能なデータ条件の第2のセットは、観察可能なデータ条件の第1のセットに欠落している1つ又は複数のエキスパート固有の観察可能なデータ条件を含み、1つ又は複数のエキスパートに固有の観察可能なデータ条件は、観察可能なデータ条件の第1のセットのみを使用して生成されるスキルトレーニングコンテンツに対する定義されたスキルのためのスキルトレーニングコンテンツのエキスパート知識のバリエーションに組み込まれる。
一実施形態は、スキルトレーニングコンテンツのエキスパート知識のバリエーションが、ベースライン(baseline)スキルパフォーマンススタイルに対する特定の人間のエキスパートに関連付けられるスタイルの相違を説明する、コンピュータ実施方法を提供する。
一実施形態は、スキルトレーニングコンテンツのエキスパート知識のバリエーションが、ベースラインコーチング知識に対する特定の人間のエキスパートに関連付けられるコーチング知識の相違を説明する、コンピュータ実施方法を提供する。
一実施形態は、スキルトレーニングコンテンツのエキスパート知識のバリエーションが:センサ構成データであって、センサ構成データが、定義された方法で動作し、それによって特定のスキルの試行されたパフォーマンスを表すデータを提供するように1つ又は複数のパフォーマンスセンサユニットのセットを構成するデータを含む、センサ構成データと;状態エンジンデータであって、状態エンジンデータが、1つ又は複数のパフォーマンスセンサユニットのセットによって提供されるデータに基づいて特定のスキルの試行されたパフォーマンスの属性を処理デバイスが識別することを可能にするように構成されるデータを含む、状態エンジンデータと;ユーザインタフェースデータであって、ユーザインタフェースデータが、特定のスキルの試行されたパフォーマンスの識別された属性に基づいてユーザインタフェースの動作を可能にするように構成されるデータを含む、ユーザインタフェースデータと、を含む、コンピュータ実施方法を提供する。
一実施形態は、パフォーマンスセンサユニットが複数のモーションセンサユニットを含む、コンピュータ実施方法を提供する。
一実施形態は、スキルトレーニングコンテンツのエキスパート知識のバリエーションが、少なくとも部分的に、複数のモーションセンサユニットから得られるモーションセンサデータを処理するように構成されるPODデバイスを含むハードウェアで実行される、コンピュータ実施方法を提供し、ウェアラブル衣服は、PODデバイスへの、モーションセンサデータの配信を容易にするように構成される複数のセンサストランドを提供する。
一実施形態は、複数のセンサユニットのそれぞれが:加速度計、磁力計、及びジャイロスコープを含む、コンピュータ実施方法を提供する。
一実施形態は、定義されたスキルのために、クラウドホステッドマーケットプレイス(cloud hosted marketplace)が、1つ又は複数のユーザによる:(i)スキルトレーニングコンテンツの標準バージョン;及び(ii)スキルトレーニングコンテンツのエキスパート知識のバリエーション、の調達のために利用可能になるように構成される、コンピュータ実施方法を提供する。
1つの実施形態は、定義されたスキルのスキルトレーニングコンテンツの配信を可能にするように構成されるデータを生成するコンピュータ実施方法を提供し、方法は:
スキルトレーニングコンテンツの第1のセットを生成するステップであって、スキルトレーニングコンテンツの第1のセットは、1つ又は複数のパフォーマンスセンサユニットから得られる入力データの処理に基づいて定義されたスキルのためのスキルトレーニングプログラムの配信を可能にするように構成され、入力データはユーザによる定義されたスキルの身体的なパフォーマンスを表し、それによってパフォーマンスの1つ又は複数の属性を識別する、ステップと;
スキルトレーニングコンテンツの第2のセットを生成するステップであって、スキルトレーニングコンテンツの第2のセットは、同じ1つ又は複数のパフォーマンスセンサユニットから得られる入力データの処理を可能にするように構成される観察可能なデータ条件を含み、入力データはユーザによる定義されたスキルの身体的なパフォーマンスを表し、それによってパフォーマンスの1つ又は複数の属性を識別する、ステップと;
を含み、
スキルトレーニングコンテンツの第2のセットは、入力データの与えられたセットに応じて、スキルトレーニングコンテンツの第2のセットがスキルトレーニングコンテンツのエキスパート知識のバリエーションを提供するよう、入力データの同じセットに応じたスキルトレーニングコンテンツの第1のセットと比べて異なるトレーニングプログラム効果を提供するように構成される。
1つの実施形態は、スキルトレーニングコンテンツのエキスパート知識のバリエーションが、ベースラインスキルパフォーマンススタイルに対する特定の人間のエキスパートに関連付けられるスタイルの相違を説明する、コンピュータ実施方法を提供する。
1つの実施形態は、スキルトレーニングコンテンツのエキスパート知識のバリエーションが、ベースラインコーチング知識に対する特定の人間のエキスパートに関連付けられるコーチング知識の相違を説明する、コンピュータ実施方法を提供する。
1つの実施形態は、スキルトレーニングコンテンツのエキスパート知識のバリエーションが:センサ構成データであって、センサ構成データが、定義された方法で動作し、それによって特定のスキルの試行されたパフォーマンスを表すデータを提供するように1つ又は複数のパフォーマンスセンサユニットのセットを構成するデータを含む、センサ構成データと;状態エンジンデータであって、状態エンジンデータが、1つ又は複数のパフォーマンスセンサユニットのセットによって提供されるデータに基づいて特定のスキルの試行されたパフォーマンスの属性を処理デバイスが識別することを可能にするように構成されるデータを含む、状態エンジンデータと;ユーザインタフェースデータであって、ユーザインタフェースデータが、特定のスキルの試行されたパフォーマンスの識別された属性に基づいてユーザインタフェースの動作を可能にするように構成されるデータを含む、ユーザインタフェースデータと、を含む、コンピュータ実施方法を提供する。
1つの実施形態は、パフォーマンスセンサユニットが複数のモーションセンサユニットを含む、コンピュータ実施方法を提供する。
1つの実施形態は、スキルトレーニングコンテンツのエキスパート知識のバリエーションが、少なくとも部分的に、複数のモーションセンサユニットから得られるモーションセンサデータを処理するように構成されるPODデバイスを含むハードウェアで実行される、コンピュータ実施方法を提供し、ウェアラブル衣服は、PODデバイスへの、モーションセンサデータの配信を容易にするように構成される複数のセンサストランドを提供する。
1つの実施形態は、複数のセンサユニットのそれぞれが:加速度計、磁力計、及びジャイロスコープを含む、コンピュータ実施方法を提供する。
1つの実施形態は、定義されたスキルのために、クラウドホステッドマーケットプレイスが、1つ又は複数のユーザによる:(i)スキルトレーニングコンテンツの標準バージョン;及び(ii)スキルトレーニングコンテンツのエキスパート知識のバリエーション、の調達のために利用可能になるように構成される、コンピュータ実施方法を提供する。
1つの実施形態は、トレーニングコンテンツデータの第1のセットが観察可能なデータ条件の第1のセットに関連付けられる、コンピュータ実施方法を提供し、トレーニングコンテンツデータの第2のセットは、トレーニングコンテンツデータの第2のセットがトレーニングコンテンツデータの第1のセットによって識別されないパフォーマンスの1つ又は複数の属性を識別するよう構成されるように、観察可能なデータ条件の第2のセットに関連付けられる。
1つの実施形態は、トレーニングコンテンツデータの第1のセットが徴候(symptom)を原因にマッピングするための第1のプロトコルに関連付けられる、コンピュータ実施方法を提供し、トレーニングコンテンツデータの第2のセットは、トレーニングコンテンツデータの第2セットが、徴候と原因との間に少なくとも1つのエキスパート固有の関係を提供するように、徴候を原因にマッピングするための第2のプロトコルに関連付けられる。
1つの実施形態は、トレーニングコンテンツデータの第1のセットがメディアコンテンツ(media content)の第1のセットに関連付けられる、コンピュータ実施方法を提供し、トレーニングコンテンツデータの第2のセットは、トレーニングコンテンツデータの第2セットが特定のエキスパートにパーソナライズされる(personalised)メディアコンテンツを提供するよう構成されるように、メディアコンテンツの第2のセットに関連付けられる。
1つの実施形態は、複数のエキスパートのうちの選択された一人に関連付けられるトレーニングデータを提供するようユーザがローカルパフォーマンスモニタリングハードウェアデバイスを構成することを可能にするコンピュータ実施方法を提供し、方法は:
クライアントデバイスのユーザが、トレーニングされることになる1つ又は複数のスキルのセットを選択することを可能にするように構成されるインタフェースを提供するステップと;
選択されたトレーニングされることになる1つ又は複数のスキルに対するエキスパート知識のバリエーションをユーザが選択することを可能にするステップであって、トレーニングされることになる1つ又は複数のスキルのセットに対して利用可能な複数のエキスパート知識のバリエーションがある、ステップと;
トレーニングされることになる1つ又は複数のスキルのセット、およびトレーニングされることになる選択された1つ又は複数のスキルに対するエキスパート知識のバリエーションのユーザの選択に続いて、ユーザに関連付けられるクライアントデバイスに、ダウンロード可能なデータを提供するダウンロードプロセスを可能にするステップであって、ダウンロード可能なデータは、クライアントデバイスを:
(i)パフォーマンスモニタリングセンサのセットから得られるデータを処理し、それによってユーザによるスキルの与えられた1つの身体的パフォーマンスを分析するように;及び
(ii)分析に基づいて、ユーザインタフェースデバイスを介して、選択されたエキスパート知識のバリエーションに特化したトレーニングデータを提供するように、
構成する、
ステップと、を含む。
1つの実施形態は、選択された1つ又は複数のスキルのセットに関して、第1の選択可能なエキスパート知識のバリエーション及び第2の選択可能なエキスパート知識のバリエーションがある、コンピュータ実施方法を提供し:
第1の選択可能なエキスパート知識のバリエーションに関して、ダウンロード可能なデータは、クライアントデバイスを、パフォーマンス分析センサのセットから得られるデータにおいて、与えられるスキルに関連付けられる観察可能なデータ条件の第1のセットを識別するように構成し、
第2の選択可能なエキスパート知識のバリエーションに関して、ダウンロード可能なデータは、クライアントデバイスを、パフォーマンス分析センサのセットから得られるデータにおいて、与えられるスキルに関連付けられる観察可能なデータ条件の第2の異なるセットを識別するように構成する。
1つの実施形態は、観察可能なデータ条件の第1のセットと観察可能なデータ条件の第2のセットとの間の差異が、それぞれのエキスパート知識のバリエーションに関連付けられる人間のエキスパートのスタイルの相違を説明する、コンピュータ実施方法を提供する。
1つの実施形態は、観察可能なデータ条件の第1のセットと観察可能なデータ条件の第2のセットとの間の差異が、それぞれのエキスパート知識のバリエーションに関連付けられる人間のエキスパートから得られるコーチングアドバイスを説明する、コンピュータ実施方法を提供する。
1つの実施形態は、1つ又は複数のスキルの選択されるセットに関して、第1の選択可能なエキスパート知識のバリエーション及び第2の選択可能なエキスパート知識のバリエーションがある、コンピュータ実施方法を提供し:
第1の選択可能なエキスパート知識のバリエーションに関して、ダウンロード可能なデータは、クライアントデバイスを、与えられるスキルに関連付けられる定義された観察可能なデータ条件を観察することに応じてユーザにフィードバックデータの第1のセットを提供するように構成し、
第2の選択可能なエキスパート知識のバリエーションに関して、ダウンロード可能なデータは、クライアントデバイスを、与えられるスキルに関連付けられる定義された観察可能なデータ条件を観察することに応じてユーザにフィードバックデータの第2の異なるセットを提供するように構成する。
1つの実施形態は、フィードバックデータの第1のセットとフィードバックデータの第2のセットとの間の差異が、それぞれのエキスパート知識のバリエーションに関連付けられる人間のエキスパートから得られるコーチングアドバイスを説明する、コンピュータ実施方法を提供する。
1つの実施形態は、フィードバックデータの第1のセットとフィードバックデータの第2のセットとの間の差異が、それぞれのエキスパート知識のバリエーションに関連付けられる人間のエキスパートの声を表す異なるオーディオデータを含む、コンピュータ実施方法を提供する。
1つの実施形態は、パフォーマンス分析センサがモーションセンサを含む、コンピュータ実施方法を提供する。
1つの実施形態は、クライアントデバイスがウェアラブル衣服によって担持されるように構成されるPODデバイスを含む、コンピュータ実施方法を提供し、ウェアラブル衣服は、PODデバイスへの、ウェアラブル衣服によって担持される複数のセンサユニットから得られるデータの配信を可能にするように構成される複数のセンサストランドを提供する。
1つの実施形態は、複数のセンサユニットのそれぞれが:加速度計、磁力計、及びジャイロスコープを含む、コンピュータ実施方法を提供する。
1つの実施形態は、ユーザが、複数のエキスパートのうちの選択された1人に関連付けられるトレーニングデータを提供するようにローカルパフォーマンスモニタリングハードウェアデバイスを構成することを可能にするように構成されるシステムを提供し、システムは:
クライアントユーザインターフェースデバイスが、トレーニングされることになる1つ又は複数のスキルのセットをクライアントデバイスのユーザが選択することを可能にするように構成されるインタフェースとインタラクト(interact with)することを可能にするように構成されるサーバであって、インタフェースは、追加的に、選択されたトレーニングされることになる1つ又は複数のスキルに対するエキスパート知識のバリエーションをユーザが選択することを可能にするように構成され、トレーニングされることになる1つ又は複数のスキルのセットに対して利用可能な複数のエキスパート知識のバリエーションがある、サーバと、
トレーニングされることになる1つ又は複数のスキルのセット、及びトレーニングされることになる選択された1つ又は複数のスキルに対するエキスパート知識のバリエーションのユーザの選択に続いて、ユーザに関連付けられたクライアントデバイスに、ダウンロード可能なデータを提供する、ダウンロードプロセスを可能にするように構成される、ダウンロードマネージャコンポーネントであって、このダウンロード可能なデータはクライアントデバイスを:
(i) パフォーマンスモニタリングセンサのセットから得られるデータを処理し、それによってユーザによるスキルの与えられた1つの身体的パフォーマンスを分析するように;及び
(ii) 分析に基づいて、ユーザインタフェースデバイスを介して、選択されたエキスパート知識のバリエーションに特化したトレーニングデータを提供するように、
構成する、
ダウンロードマネージャコンポーネントと、を含む。
1つの実施形態は、1つ又は複数のスキルの選択されるセットに関して、第1の選択可能なエキスパート知識のバリエーション及び第2の選択可能なエキスパート知識のバリエーションがある、コンピュータ実施方法を提供し:
第1の選択可能なエキスパート知識のバリエーションに関して、ダウンロード可能なデータは、クライアントデバイスを、パフォーマンス分析センサのセットから得られるデータにおいて、与えられるスキルに関連付けられる観察可能なデータ条件の第1のセットを識別するように構成し、
第2の選択可能なエキスパート知識のバリエーションに関して、ダウンロード可能なデータは、クライアントデバイスを、パフォーマンス分析センサのセットから得られるデータにおいて、与えられるスキルに関連付けられる観察可能なデータ条件の第2の異なるセットを識別するように構成する。
1つの実施形態は、観察可能なデータ条件の第1のセットと観察可能なデータ条件の第2のセットとの間の差異が、それぞれのエキスパート知識のバリエーションに関連付けられる人間のエキスパートのスタイルの相違を説明する、コンピュータ実施方法を提供する。
1つの実施形態は、観察可能なデータ条件の第1のセットと観察可能なデータ条件の第2のセットとの間の差異が、それぞれのエキスパート知識のバリエーションに関連付けられる人間のエキスパートから得られるコーチングアドバイスを説明する、コンピュータ実施方法を提供する。
1つの実施形態は、1つ又は複数のスキルの選択されるセットに関して、第1の選択可能なエキスパート知識のバリエーション及び第2の選択可能なエキスパート知識のバリエーションがある、コンピュータ実施方法を提供し:
第1の選択可能なエキスパート知識のバリエーションに関して、ダウンロード可能なデータは、クライアントデバイスを、与えられるスキルに関連付けられる定義された観察可能なデータ条件を観察することに応じてユーザにフィードバックデータの第1のセットを提供するように構成し、
第2の選択可能なエキスパート知識のバリエーションに関して、ダウンロード可能なデータは、クライアントデバイスを、与えられるスキルに関連付けられる定義された観察可能なデータ条件を観察することに応じてユーザにフィードバックデータの第2の異なるセットを提供するように構成する。
1つの実施形態は、フィードバックデータの第1のセットとフィードバックデータの第2のセットとの間の差異が、それぞれのエキスパート知識のバリエーションに関連付けられる人間のエキスパートから得られるコーチングアドバイスを説明する、コンピュータ実施方法を提供する。
1つの実施形態は、フィードバックデータの第1のセットとフィードバックデータの第2のセットとの間の差異が、それぞれのエキスパート知識のバリエーションに関連付けられる人間のエキスパートの声を表す異なるオーディオデータを含む、コンピュータ実施方法を提供する。
1つの実施形態は、パフォーマンス分析センサがモーションセンサを含む、コンピュータ実施方法を提供する。
1つの実施形態は、クライアントデバイスがウェアラブル衣服によって担持されるように構成されるPODデバイスを含む、コンピュータ実施方法を提供し、ウェアラブル衣服は、PODデバイスへの、ウェアラブル衣服によって担持される複数のセンサユニットから得られるデータの配信を可能にするように構成される複数のセンサストランドを提供する。
1つの実施形態は、複数のセンサユニットのそれぞれが:加速度計、磁力計、及びジャイロスコープを含む、コンピュータ実施方法を提供する。
1つの実施形態は、ユーザが、複数のエキスパートのうちの選択された1人に関連付けられるトレーニングデータを提供するようにローカルパフォーマンスモニタリングハードウェアデバイスを構成することを可能にする方法を提供し、方法は:
クライアントデバイスのユーザがトレーニングされることになる1つ又は複数のスキルのセットを選択することを可能にするように構成されるインタフェースを提供するステップと;
ユーザが、トレーニングされることになる選択された1つ又は複数のスキルに対するエキスパート知識のバリエーションを選択することを可能にするステップであって、トレーニングされることになる1つ又は複数のスキルのセットに対して利用可能な複数のエキスパート知識のバリエーションがある、ステップと;
トレーニングされることになる1つ又は複数のスキルのセット、及びトレーニングされることになる選択された1つ又は複数のスキルに対するエキスパート知識のバリエーションのユーザの選択に続いて、ユーザに関連付けられたクライアントデバイスに、ダウンロード可能なデータを提供する、ダウンロードプロセスを可能にするステップであって、このダウンロード可能なデータはクライアントデバイスを:
(i)パフォーマンスモニタリングセンサのセットから得られるデータを処理し、それによってユーザによるスキルの与えられた1つの身体的パフォーマンスを分析するように;及び
(ii)分析に基づいて、ユーザインタフェースデバイスを介して、選択されたエキスパート知識のバリエーションに特化したトレーニングデータを提供するように、構成する、
ステップと、を含む。
1つの実施形態は、1つ又は複数のスキルの選択されるセットに関して、第1の選択可能なエキスパート知識のバリエーション及び第2の選択可能なエキスパート知識のバリエーションがある、方法を提供し:
第1の選択可能なエキスパート知識のバリエーションに関して、ダウンロード可能なデータは、クライアントデバイスを、パフォーマンス分析センサのセットから得られるデータにおいて、与えられるスキルに関連付けられる観察可能なデータ条件の第1のセットを識別するように構成し、
第2の選択可能なエキスパート知識のバリエーションに関して、ダウンロード可能なデータは、クライアントデバイスを、パフォーマンス分析センサのセットから得られるデータにおいて、与えられるスキルに関連付けられる観察可能なデータ条件の第2の異なるセットを識別するように構成する。
1つの実施形態は、観察可能なデータ条件の第1のセットと観察可能なデータ条件の第2のセットとの間の差異が、それぞれのエキスパート知識のバリエーションに関連付けられる人間のエキスパートのスタイルの相違を説明する、方法を提供する。
1つの実施形態は、観察可能なデータ条件の第1のセットと観察可能なデータ条件の第2のセットとの間の差異が、それぞれのエキスパート知識のバリエーションに関連付けられる人間のエキスパートから得られるコーチングアドバイスを説明する、方法を提供する。
1つの実施形態は、1つ又は複数のスキルの選択されるセットに関して、第1の選択可能なエキスパート知識のバリエーション及び第2の選択可能なエキスパート知識のバリエーションがある、方法を提供し:
第1の選択可能なエキスパート知識のバリエーションに関して、ダウンロード可能なデータは、クライアントデバイスを、与えられるスキルに関連付けられる定義された観察可能なデータ条件を観察することに応じてユーザにフィードバックデータの第1のセットを提供するように構成し、
第2の選択可能なエキスパート知識のバリエーションに関して、ダウンロード可能なデータは、クライアントデバイスを、与えられるスキルに関連付けられる定義された観察可能なデータ条件を観察することに応じてユーザにフィードバックデータの第2の異なるセットを提供するように構成する。
1つの実施形態は、フィードバックデータの第1のセットとフィードバックデータの第2のセットとの間の差異が、それぞれのエキスパート知識のバリエーションに関連付けられる人間のエキスパートから得られるコーチングアドバイスを説明する、方法を提供する。
1つの実施形態は、フィードバックデータの第1のセットとフィードバックデータの第2のセットとの間の差異が、それぞれのエキスパート知識のバリエーションに関連付けられる人間のエキスパートの声を表す異なるオーディオデータを含む、方法を提供する。
1つの実施形態は、パフォーマンス分析センサがモーションセンサを含む、方法を提供する。
1つの実施形態は、クライアントデバイスがウェアラブル衣服によって担持されるように構成されるPODデバイスを含む、方法を提供し、ウェアラブル衣服は、PODデバイスへの、ウェアラブル衣服によって担持される複数のセンサユニットから得られるデータの配信を可能にするように構成される複数のセンサストランドを提供する。
1つの実施形態は、複数のセンサユニットのそれぞれが:加速度計、磁力計、及びジャイロスコープを含む、方法を提供する。
1つの実施形態は、ユーザが、複数のエキスパートのうちの選択された1人に関連付けられるトレーニングデータを提供するようにローカルパフォーマンスモニタリングハードウェアデバイスを構成することを可能にするシステムを提供し、システムは:
クライアントユーザインターフェースデバイスが、トレーニングされることになる1つ又は複数のスキルのセットをクライアントデバイスのユーザが選択することを可能にするように構成されるインタフェースとインタラクトすることを可能にするように構成されるサーバであって、インタフェースは、追加的に、トレーニングされることになる1つ又は複数のスキルのセットに対するエキスパート知識のバリエーションをユーザが選択することを可能にするように構成され、トレーニングされることになる1つ又は複数のスキルのセットに対して利用可能な複数のエキスパート知識のバリエーションがある、サーバと、
トレーニングされることになる1つ又は複数のスキルのセット、及びトレーニングされることになる選択された1つ又は複数のスキルに対するエキスパート知識のバリエーションのユーザの選択に続いて、ユーザに関連付けられたクライアントデバイスに、ダウンロード可能なデータを提供する、ダウンロードプロセスを可能にするように構成される、ダウンロードマネージャコンポーネントであって、このダウンロード可能なデータはクライアントデバイスを:
(i)パフォーマンスモニタリングセンサのセットから得られるデータを処理し、それによってユーザによるスキルの与えられた1つの身体的パフォーマンスを分析するように;及び
(ii)分析に基づいて、ユーザインタフェースデバイスを介して、選択されたエキスパート知識のバリエーションに特化したトレーニングデータを提供するように、
構成する、
ダウンロードマネージャコンポーネントと、を含む。
1つの実施形態は、1つ又は複数のスキルの選択されるセットに関して、第1の選択可能なエキスパート知識のバリエーション及び第2の選択可能なエキスパート知識のバリエーションがある、システムを提供し:
第1の選択可能なエキスパート知識のバリエーションに関して、ダウンロード可能なデータは、クライアントデバイスを、パフォーマンス分析センサのセットから得られるデータにおいて、与えられるスキルに関連付けられる観察可能なデータ条件の第1のセットを識別するように構成し、
第2の選択可能なエキスパート知識のバリエーションに関して、ダウンロード可能なデータは、クライアントデバイスを、パフォーマンス分析センサのセットから得られるデータにおいて、与えられるスキルに関連付けられる観察可能なデータ条件の第2の異なるセットを識別するように構成する。
1つの実施形態は、観察可能なデータ条件の第1のセットと観察可能なデータ条件の第2のセットとの間の差異が、それぞれのエキスパート知識のバリエーションに関連付けられる人間のエキスパートのスタイルの相違を説明する、システムを提供する。
1つの実施形態は、観察可能なデータ条件の第1のセットと観察可能なデータ条件の第2のセットとの間の差異が、それぞれのエキスパート知識のバリエーションに関連付けられる人間のエキスパートから得られるコーチングアドバイスを説明する、システムを提供する。
1つの実施形態は、1つ又は複数のスキルの選択されるセットに関して、第1の選択可能なエキスパート知識のバリエーション及び第2の選択可能なエキスパート知識のバリエーションがある、システムを提供し:
第1の選択可能なエキスパート知識のバリエーションに関して、ダウンロード可能なデータは、クライアントデバイスを、与えられるスキルに関連付けられる定義された観察可能なデータ条件を観察することに応じてユーザにフィードバックデータの第1のセットを提供するように構成し、
第2の選択可能なエキスパート知識のバリエーションに関して、ダウンロード可能なデータは、クライアントデバイスを、与えられるスキルに関連付けられる定義された観察可能なデータ条件を観察することに応じてユーザにフィードバックデータの第2の異なるセットを提供するように構成する。
1つの実施形態は、フィードバックデータの第1のセットとフィードバックデータの第2のセットとの間の差異が、それぞれのエキスパート知識のバリエーションに関連付けられる人間のエキスパートから得られるコーチングアドバイスを説明する、システムを提供する。
1つの実施形態は、フィードバックデータの第1のセットとフィードバックデータの第2のセットとの間の差異が、それぞれのエキスパート知識のバリエーションに関連付けられる人間のエキスパートの声を表す異なるオーディオデータを含む、システムを提供する。
1つの実施形態は、パフォーマンス分析センサがモーションセンサを含む、システムを提供する。
1つの実施形態は、クライアントデバイスがウェアラブル衣服によって担持されるように構成されるPODデバイスを含む、システムを提供し、ウェアラブル衣服は、PODデバイスへの、ウェアラブル衣服によって担持される複数のセンサユニットから得られるデータの配信を可能にするように構成される複数のセンサストランドを提供する。
1つの実施形態は、複数のセンサユニットのそれぞれが:加速度計、磁力計、及びジャイロスコープを含む、システムを提供する。
1つの実施形態は、ウェアラブル衣服を提供し、ウェアラブル衣服は:複数のセンサストランドであって、各センサストランドが1つ又は複数のセンサユニットを含み、各センサユニットが:(i)マイクロプロセッサ;(ii)メモリモジュール;及び(iii)1つ又は複数のモーションセンサコンポーネントのセット;を含む、複数のセンサストランドと;センサストランド接続ポートであって、センサストランド接続ポートは、複数のセンサストランドを中央処理デバイスに結合するように構成される、センサストランド接続ポートと;中央処理デバイスであって、センサ処理ユニットは(i)電源;(ii)マイクロプロセッサ;及び(iii)メモリモジュールを含み;メモリモジュールは、複数の接続されたセンサユニットから中央処理デバイスによって受信されるセンサデータを含む、センサデータにおける事前に定義された観察可能なデータ条件の1つ又は複数のセットを処理デバイスが識別することを可能にする、マイクロプロセッサによって実行可能なソフトウェア命令を格納するように構成される、中央処理デバイスと、を含む。
1つの実施形態は、ウェアラブル衣服を提供し、ウェアラブル衣服は:複数のセンサストランドであって、各センサストランドが1つ又は複数の取り付け位置を含み、各取り付け位置が、それぞれのセンサユニットの接続及び取り付けを可能にするように構成され、各センサユニットは:(i)マイクロプロセッサ;(ii)メモリモジュール;及び(iii)1つ又は複数のモーションセンサコンポーネントのセット;を含む、複数のセンサストランドと;センサストランド接続ポートであって、センサストランド接続ポートは、複数のセンサストランドを中央処理デバイスに結合するように構成される、センサストランド接続ポートと;中央処理デバイスの接続及び取り付けを可能にするように構成される取り付け位置であって、センサ処理ユニットは(i)電源;(ii)マイクロプロセッサ;及び(iii)メモリモジュールを含み;メモリモジュールは、複数のセンサユニットから中央処理デバイスによって受信されるセンサデータを含む、センサデータにおける事前に定義された観察可能なデータ条件の1つ又は複数のセットを処理デバイスが識別することを可能にする、マイクロプロセッサによって実行可能なソフトウェア命令を格納するように構成される、取り付け位置と、を含む。
1つの実施形態は、本明細書で記載する方法を実行するためのコンピュータプログラム製品(コンピュータプログラム)を提供する。
1つの実施形態は、プロセッサ上で実行されるときに、プロセッサに本明細書に記載するような方法を実行させる、コンピュータ実行可能なコードを担持する(carrying)非一時的なキャリア媒体(carrier medium)を提供する。
1つの実施形態は、本明細書で記載するような方法を実行するように構成されたシステムを提供する。
本明細書を通じる「1つの実施形態(一実施形態)」、「幾つかの実施形態」又は「実施形態」への言及は、その実施形態に関連して記載する特定の構成、構造又は特性が本発明の少なくとも1つの実施形態に含まれることを意味する。よって、この明細書を通じる様々な箇所における「一実施形態(において)」、「幾つかの実施形態(において)」又は「実施形態(において)」という成句の出現は、必ずしもすべてが同じ実施形態を指さないが、同じ実施態様を指すことがある。更に、特定の個性、構造又は特性は、1つ又は複数の実施形態において、この開示から当業者に明らかであるように、任意の適切な方法で組み合わせられてよい。
本明細書で使用されるとき、他に特定されない限り、共通の物体(オブジェクト)を記載するための序数を表す形容詞「第1」、「第2」、「第3」等の使用は、同等の物体の異なる場合が言及されていることを単に示しており、そのように記載される物体が、時間的又は空間的に、所与の順序で、順位付けで、或いは任意の他の方法で与えられなければならないことを暗示することは意図されていない。
以下の請求項及び本明細書の記載において、含む(comprising)、含む(comprised of)、又は含む(which comprises)という用語のうちのいずれか1つは、少なくとも以下の要素/構成を含むが、他のものを排除しないことを意味する、開放用語(オープン用語)である。よって、請求項において使用される場合、含むという用語は、その後に記載される手段又は要素又はステップに限定されるものと解釈されてならない。例えば、AとBとを含むデバイスという表現の範囲は、要素A及びBのみからなるデバイスに限定されてならない。本明細書で使用される「含む」(including)、「含む」(which includes)、又は「含む」(that includes)のような用語のいずれか1つも、その用語に続く少なくともその要素/構成を含むが、他の要素/構成を除外しないことを同様に意味する、開放用語(オープン用語)である。よって、含む(including)は、含む(comprising)と同義語であり、含む(comprising)を意味する。
本明細書で使用される場合、「例示的」という用語は、品質を示すこととは対照的に、実施例を提供する意味で使用される。すなわち、「例示的な実施形態」は、必ず例示的な品質の実施形態であるのとは対照的に、一例として提供される実施形態である。
次に、添付の図面を参照して、ほんの一例として、本発明の実施形態を記載する。
本明細書に記載する実施態様は、パフォーマンスセンサユニット(Performance Sensor Units)(PSU)を使用してユーザスキルパフォーマンス(user skill performance)をモニタリングするような技術フレームワーク(technological frameworks)に関し、それらのPSUから由来するデータを処理することにより、ユーザスキルパフォーマンスの属性を決定する。例えば、パフォーマンスの属性は、スキルトレーニングを提供するように構成されたコンピュータプログラムのような、コンピュータプログラムを駆動するために使用される。他の実施態様において、パフォーマンスの属性は、マルチユーザ競合アクティビティ等を提供することのような、代替的な目的のために決定される。
スキルトレーニング(skills training)のコンテキスト(文脈)(context)において、本明細書で記載するフレームワークは、パフォーマンス属性(performance attributes)を表すデータを収集するためにPSUを利用し、ユーザにフィードバック及び/又は命令(instruction)をユーザに提供することにより、そのユーザが彼/彼女のパフォーマンスを向上させるのを支援する。例えば、これは、コーチングアドバイス(coating advice)を提供すること、ユーザに特定の練習を行うことを指示して特定の所要の基本的なサブスキルを開発すること等を含んでよい。PSUを介して実質的にリアルタイムでパフォーマンスをモニタリングすることによって、トレーニングプログラムは、ユーザのパフォーマンス属性が、提供されたフィードバック/命令に基づいて向上するか否かの観察に基づいて適応することができる。例えば、連続的なパフォーマンス試行の繰り返しの間のパフォーマンス属性の変化の観察は、提供されたフィードバック/命令が成功したか或いは失敗したかを示す。これは広範囲の自動適応スキルトレーニングプログラムの生成及び配信を可能にする。
スキルパフォーマンスの性質は、実施態様の間で異なるが、本明細書で検討される実施例の目的のために、以下の2つの一般的なカテゴリが使用される。
● 人間のモーションベースのスキルパフォーマンス。これらは、人間のモーション属性がスキルの決定的な特性を表すパフォーマンスである。例えば、モーションベースのパフォーマンスは、パフォーマンスを行う者の身体の動きを包含する実質的にあらゆる物理的なスキルを含む。モーションベースのパフォーマンスの有意な種類(class)は、スポーツアクティビティで使用されるスキルのパフォーマンスである。
● オーディオベースのスキルパフォーマンス。これらは、音響的に知覚可能な属性が、スキルの決定的な特性を表すパフォーマンスである。例えば、オーディオベースのスキルパフォーマンスは、音楽的及び/又は言語的パフォーマンスを含む。オーディオベースのパフォーマンスの有意な種類は、楽器を演奏することに関連するスキルのパフォーマンスである。
以下で提供する実施例は、主として、モーションベースのスキルパフォーマンスの比較的技術的に困難な場合に焦点を当てているが、モーションベースのスキルに関して適用される原理は、他の状況に容易に適用されることが理解されるであろう。例えば、PSUから受信したデータにおいて観察(観測)可能なデータ条件(Observable Data Conditions)(ODC)を使用するという概念は、モーション、オーディオ、及び他の形態のパフォーマンスに均しく適用可能である。
幾つかの実施態様は、パフォーマンスモニタリングのコンテキストにおいてエンドユーザが経験するコンテンツの定義付け(defining)、配布(distribution)及び実施(実装)(implementation)を可能にする、コンピュータで実施されるフレームワークに関する。これは、ユーザによってスキルパフォーマンスが監視されるように構成される1つ又は複数のPSUに由来するパフォーマンスセンサデータ(PSD)の処理によってユーザのスキルパフォーマンスが分析されるよう、ユーザにインタラクティブスキルトレーニング(interactive skills training)を提供するように構成されるコンテンツを含む。
全体的なエンドツーエンド(end-to-end)フレームワークを参照して、様々な実施態様を以下に記載する。全体的なフレームワークは、その構成部分に文脈を提供するものとして記載され、その一部は異なる文脈で適用され得る。全体的な記載されたエンドツーエンドフレームワークの特徴のサブセットのみが、以下の請求項において直接的に請求されているが、本発明の主題は、(たとえばそのようなものとして特別に特定されていないとしても)広範囲の構成要素に亘って存在することが理解されるべきである。例えば、本発明の主題は、(i)スキルの分析により、その決定的な特性を理解すること、(ii)プロトコルを定めることにより、1つ又は複数のPUSを使用して、スキルの自動化された分析を可能にすること、(iii)自動化された分析を利用するコンテンツの定義付け及び配信により、スキルトレーニングのようなインタラクティブエンドユースコンテンツを提供すること、(iv)スキルトレーニングプログラムの適応的な実施、(v)エンドユーザへのコンテンツの配信を容易にするハードウェア及びソフトウェア、(vi)エンドユーザがコンテンツを体験するのを容易にするハードウェア及びソフトウェア、ならびに(vii)人間アクティビティモニタリングの目的のために多数のモーションセンサユニットの構成(configuration)及び実施(implementation)を容易にするよう開発された技術及び方法論を含む、本明細書で記載する技術及び方法論の特徴に亘って具現されるが、それらに限定されない。
用語
以下に記載する実施態様の目的のために、以下の用語が使用される。
● パフォーマンスセンサユニット(PSU)。パフォーマンスセンサユニットは、物理的パフォーマンスの監視に応答してデータを生成するように構成されるハードウェアデバイスである。モーションデータ及びオーディオデータを処理するように構成されるセンサユニットの実施例が本明細書で主に考慮されるが、それらは決して限定的な実施例でないことが理解さるであろう。
● パフォーマンスセンサデータ(PSD)。PUSによって配信されるデータをパフォーマンスセンサデータと呼ぶ。このデータは、PSUからの完全な生データ、又は(例えば、圧縮、低減されたモニタリング、サンプリング速度(サンプリングレート)等に基づく)そのデータのサブセットを含んでよい。
● オーディオセンサユニット(ASU)。オーディオセンサユニットは、音のモニタリングに応答してデータを生成し且つ送信するように構成されたハードウェアデバイスである、PSUのカテゴリである。幾つかの実施態様において、ASUは、音及び/又は振動の影響をモニタリングし、それらをデジタル信号(例えば、MIDI信号)に変換するように構成される。1つの例は、弦楽器の機械的振動をキャプチャ(捕捉)して電気信号に変換するように構成されるトランスデューサ(変換器)を含むピックアップデバイスである。
● オーディオセンサデータ(ASD)。これは1つ又は複数のASUによって配信されるデータである。
● モーションセンサユニット(MSU)。モーションセンサユニットは、モーションに応答してデータを生成し且つ送信するように構成されたハードウェアデバイスである、PSUのカテゴリである。このデータは、殆どの場合、局所的な基準フレームに対して定義される。所与のMSUは、1つ又は複数の加速度計、1つ又は複数の磁力計から得られるデータ、及び1つ又は複数のジャイロスコープから得られたデータを含むことがある。好ましい実施態様は、1つ又は複数の3軸加速度計、1つの3軸磁力計、及び1つの3軸ジャイロスコープを利用する。モーションセンサユニットは、「着用」されてよく或いは「着用可能」であってよく、それは、モーションセンサユニットが、(例えば、衣類を介して)固定位置にある人間の身体に取り付けられるように構成されることを意味する。
● モーションセンサデータ(MSD)。MSUによって配信されるデータをモーションセンサデータ(MSD)と呼ぶ。このデータは、MSUからの完全な生データ、又は(例えば、圧縮、低減されたモニタリング、サンプリング速度等に基づく)そのデータのサブセットを含んでよい。
● MSU対応衣服。MSU対応衣服は、複数のMSUを運ぶように構成された(シャツ又はパンツのような)衣類である。幾つかの実施態様において、MSUは、衣類に形成された所定の山間ゾーンにおいて(好ましくは、個々のMSUが取り外され且つ交換されるのが可能であるよう、取り外し可能な方法において)取り付けられ、通信線に連結される。
● PODデバイス。PODデバイスは、PSD(例えば、MSUからのMSD)を受信する処理デバイスである。幾つかの実施態様において、それはMSU対応衣服によって運ばれ、他の実施態様では、それは別個の装置である(例えば、1つの実施態様において、PODデバイスは、スマートホンに連結する処理デバイス、幾つかの実施態様において、PODデバイス機能性は、スマートホン又はモバイルデバイスによって提供される)。幾つかの場合には、MSDは、有線接続を介して受信され、幾つかの場合には、無線接続を介して受信され、幾つかの場合には、無線接続及び有線接続を介して受信される。本明細書で記載するように、PODデバイスは、MSDを処理して、それにより、MSD内のデータ条件を特定する(例えば、1つ又は複数の徴候(symptom)の存在の特定を可能にする)責任がある。幾つかの実施態様において、PODデバイスの役割は、スマートホンのような多目的エンドユーザハードウェアデバイスによって全体的又は部分的に実行される。幾つかの実施態様において、PSD処理の少なくとも一部は、クラウドベースのサービスによって実行される。
● モーションキャプチャデータ(MCD)。モーションキャプチャデータ(MCD)は、あらゆる利用可能なモーションキャプチャ技術を使用することに由来するデータである。これに関して、「モーションキャプチャ」は、例えば、キャプチャデバイスが、既知の場所で被験者に取り付けられた視覚マーカを使用して、モーションを表すデータをキャプチャするために用いられる、技術を指す。1つの例は、Viconによって提供されるモーションキャプチャ技術である(しかしながら、発明者/出願人とViconとの間の提携が推測されるべきでない)。以下に更に議論するように、MCDは、好ましくは、視覚的観察とMSD観察との間のリンクを提供するために使用される。
● スキル(skill)。モーションベースアクティビティのコンテキストにおいて、スキルは、例えば、コーチングのコンテキストにおいて(視覚的に及び/又はMSDを介して)観察される個々のモーション(又はリンクされたモーションのセット)である。スキルは、例えば、ローイングモーション(漕ぎ運動)、サッカーキックの特定のカテゴリ、ゴルフスイングの特定のカテゴリ、特定のアクロバット操作等であってもよい。「サブスキル」も言及される。これは、主に、トレーニングされるスキルとそのスキルの一部を構成するより重要でないスキルとを区別することであり、或いは、そのスキルの基礎的要素(ビルディングブロック)である。例えば、ジャグリングというスキルの文脈において、サブスキルは、ボールを投げて同じ手でキャッチするスキルである。
● 徴候。徴候は、(例えば、初期スキル分析のコンテキストにおいて視覚的に観察され、エンドユーザ環境のコンテキストにおいてMSDの処理を介して観察される)観察可能なスキルの属性である。実際的な用語において、徴候は、意味と関連付けられる、スキルの観察可能なモーション属性である。例えば、徴候の特定は、自動化されたコーチングプロセスの提供においてアクション(行為)を引き起こすことがある。徴候は、(伝統的なコーチングのコンテキストに関連して)視覚的に観察される、或いは、(本明細書で議論するような自動適応スキルトレーニングの提供のコンテキストにおいて関連して)PSDを介して観察されることがある。
● 原因(cause)。徴候は、少なくとも幾つかの場合において、1つの原因に関連する(例えば、所与の徴候は、1つ又は複数の原因と関連することがある)。原因は、幾つかの場合において、MSDにおいて観察可能でもあるが、それは必ずしも本質的でない。コーチングの観点から、1つのアプローチは、先ず、徴候を特定し、次に、その徴候の原因を決定/予測することである(例えば、決定は、MSDの分析によってよく、予測は、MSDの分析以外の手段によってよい)。次に、決定された/予測された原因をコーチングフィードバックによって対処し、続いて、パフォーマンス評価を行い、それにより、コーチングフィードバックが徴候に対処することに成功したか否かを決定してよい。
● 観察可能なデータ条件(ODC)。観察可能なデータ条件という用語は、(典型的には、ODC又は予期されるODCのセットの存在のモニタリングに基づく)MSDのような、PSDにおいて観察可能である条件を記述し、それにより、下流の機能性を誘発する(trigger)ために使用される。例えば、ODCは、所与の徴候(又は原因)について定義されてよい。そのODCが所与のパフォーマンスについてMSDのようなにおいて特定されるならば、関連する徴候(又は原因)がそのパフォーマンスに存在するという決定が行われる。次に、これはトレーニングプログラム内のイベントを誘発する。
● トレーニングプログラム。「トレーニングプログラム」という用語は、ソフトウェア命令の実行を介して提供されるインタラクティブプロセスを記述するために使用され、それは、エンドユーザにどのように実行するかの命令を提供し、それらのパフォーマンスをどのように修正し、改善し、或いは他の方法で調整するかに関するフィードバックを提供する。以下に記載する少なくとも幾つかの実施態様において、トレーニングプログラムは、関連するエンドユーザの分析(例えば、それらのパフォーマンスの分析及び/又は精神的及び/又は身体的な属性のような個人的な属性の分析)に基づいて適応するよう、プロセスの順序付け、フィードバックの選択、及び/又はトレーニングの他の属性を可能にする規則(ルール)/論理(ロジック)に基づいて実行するトレーニングプログラムである、「適応型トレーニングプログラム」である。
以下により詳細に記載するように、エンドユーザ製品の観点から、幾つかの実施態様は、PODデバイスが、所定のパフォーマンスに関してユーザの(MSDのような)PSDを分析し、それにより、ユーザの属性に基づいて定義されるセットに属する徴候(例えば、ユーザの能力レベル、及び以前の反復の分析からユーザが示すことが知られている徴候)である、1つ又は複数の徴候の存在を決定するように構成される、技法を利用する。MSDを介して徴候をひとたび特定すると、プロセスを実行し、それにより、原因を決定/予測する。次に、フィードバックを選択し、それにより、その原因への対処を探究する。幾つかの実施態様では、複雑な選択プロセスを定義し、それにより、例えば、(i)ユーザの履歴、例えば、以前に失敗したフィードバックに対して未試行の又は以前に成功したフィードバックに優先順位を付けること、(ii)ユーザの学習スタイル、(iii)ユーザ属性、例えば、所与の時点での精神的及び/又は身体的状態、及び/又は(iv)幾つかの場合には特定の現実世界のコーチのスタイルに基づくコーチングスタイルに基づき、ユーザのための特定のフィードバックを選択する。
例示的なエンドツーエンドフレームワーク
図1Aは、本明細書で記載するある範囲の実施態様によって活用されるエンドツーエンドフレームワークの高レベルフレームワークを提供している。図1Aのコンテキストにおいて、例示的なスキル分析環境101を利用し、それにより、1つ又は複数のスキルを分析し、それらのスキルに関してエンドユーザコンテンツの生成を可能にするデータを提供する。例えば、これは、幾つかの実施態様では、スキルを分析し、それにより、PSUによって特定され得るODC(好ましくは、特定の徴候、原因等と関連付けられたODC)を決定することを含む。これらのODCは、(トレーニングプログラムのような)例示的なコンテンツ生成プラットフォーム102によって実施されるコンテンツ生成論理内で利用されてよい。その点に関して、コンテンツを生成することは、好ましくは、所定のアクションが特定のODCの特定に応答して取られるプロトコルを定義することを含む。
複数のスキル分析環境及びコンテンツ生成プラットフォームを利用し、それにより、例示的なコンテンツ管理及び配信プラットフォーム103にコンテンツを提供するのが好ましい。このプラットフォームは、幾つかの実施態様において、複数のネットワーク化されたサーバデバイスによって定義される。本質的には、プラットフォーム103の目的は、コンテンツ生成プラットフォームによって生成されるコンテンツをエンドユーザに利用可能にすることである。図1Aのコンテキストにおいて、それは例示的なエンドユーザ機器104へのコンテンツのダウンロードを可能にすることを含む。ダウンロードすることは、幾つかの実施態様において、コンテンツの初期ダウンロードを含み、その後、追加的な所要のコンテンツの更なるダウンロードを含む。幾つかの場合において、更なるダウンロードの性質は、(例えば、スキルトレーニングプログラムのコンポーネント間の適応的進行及び/又はユーザ選択に基づく)ユーザインタラクション(user interactions)によって影響される。
例示的な機器104は、(スマートホン、ヘッドセット、HUDアイウェア、網膜投影デバイス等のような)ユーザインタフェースデバイスと共に、複数のMSU及びPODデバイスを保持する(carries)MSU対応衣服の形態において例示されている。
図1Aの実施例において、ユーザは、プラットフォーム103からコンテンツをダウンロードし、機器104を介してそのコンテンツを実行させる。例えば、これは、ゴルフ又はテニスのような特定の身体的アクティビティ(活動)のための適応スキルトレーニングプログラムを提供するコンテンツを含んでよい。この例において、機器104は、ダウンロードされたコンテンツの配信に関連する追加的な機能性を提供する外部(例えば、ウェブベースの)プラットフォームである、例示的なコンテンツインタラクションプラットフォーム105(content interaction platform)と相互作用(インタラクト)(interact)するように構成される。例えば、適応トレーニングプログラム及び/又はそのユーザインタフェースの様々な特徴は、サーバ側処理によって制御されてよい。幾つかの場合には、プラットフォーム105を省略して、機器104が以前にダウンロードしたコンテンツをオフラインモードで配信するのを可能にしてよい。
一般的な例示として、コンテンツの以下の具体的な例が提供される。
● ギタートレーニングプログラム。ユーザは、所要の楽曲に関してトレーニングを提供するように構成されたギタートレーニングプログラムをダウンロードする。ピックアップの形態のPSUを使用し、それにより、ユーザのギター演奏を表すPSDの分析が可能にする。トレーニングプログラムをそのPSDの分析に基づき推進し、それにより、ユーザにコーチングを提供する。例えば、コーチングは、指の位置決めのためのヒント、特定の指の位置の間の進行を練習する矯正練習、及び/又はユーザにとって興味のある及び/又はユーザにとって助けとなることがある他のコンテンツ(例えば、代わりの楽曲)の提案を含んでよい。一例が(オーディオデータを処理するPODデバイス及びユーザインタフェースデータを提供するタブレットデバイスとの組み合わせにおいて、ピックアップの代わりのサウンドジャックを示す)図14に例示されている。
● ゴルフトレーニングプログラム。ユーザは、MSU対応衣服と協働するように構成されたゴルフトレーニングプログラムをダウンロードする。これは、MSU対応衣服によって提供されるPODデバイスへのセンサ構成データ及び状態エンジンデータをダウンロードすることを含む。ユーザは、(例えば、特定の強度、クラブ、又は同等物を用いて)特定の形態のスイングを実行するように命令され、MSU対応衣服によって保持される複数のMSUが、パフォーマンスを表すMSDを提供する。MSDを処理し、それにより、徴候及び/又は原因を特定し、トレーニングフィードバックを提供する。ユーザが彼/彼女のフォームを改善するのを支援するように設計されたトレーニングプログラム論理に基づき、1つ又は複数の更なるパフォーマンス反復に亘って、これを繰り返す。命令及び/又はフィードバックは、ユーザインタフェースデータをユーザの視界に直接的に送る網膜ディスプレイプロジェクタによって提供される。
これらは実施例に過ぎないことが理解されるであろう。
図1Bは、幾つかの実施態様のコンテキストにおいて存在する更なる例示的なエンドツーエンド技術フレームワークのより詳細な概要を提供している。この例は、モーションベースのスキルトレーニングに特に関連し、スキル分析フェーズ100(skill analysis phase)、カリキュラム構築フェーズ110(curriculum construction phase)、及びエンドユーザ配信フェーズ120(end user delivery phase)を参照することによって例示されている。これは限定的な例であることは意図されておらず、コンテンツを定義して配信する特定のエンドツーエンドアプローチを実証するために提供されている。
スキル分析フェーズ100のコンテキストにおいて、図1は、MCDを使用してスキルの分析を支援し、続いて、MSDについてのODCの決定を支援及び/又は検証する(validate)実施態様である、幾つかの実施態様において、そのフェーズで使用されるハードウェアの選択を示している。例示するハードウェアは、複数のモーションセンサユニット及び複数のモーションキャプチャ(モカップ)マーカ(これらは任意的に衣服上の類似の位置に配置される)と、キャプチャデバイス106a〜106cのセットとを保持する、ウェアラブルセンサ衣服106である。モーションキャプチャアプリケーションのために構成されたキャプチャデバイス、及び/又はビデオキャプチャアプリケーションのために構成されたカメラデバイスを含む、より少ない数の又はより多くの数のキャプチャデバイスがあってよい。幾つかの実施態様において、所与のキャプチャデバイスは、両方のアプリケーションのために構成される。一連の例示的なプロセスも図示されている。ブロック107は、複数のサンプルパフォーマンスのためのビデオデータ、モーションキャプチャデータ(MCD)、及びモーションセンサデータ(MSD)をキャプチャすることを含む、プロセスを表している。このデータは、ブロック108に提示されるプロセスによって使用され、それは、(例えば、所与のスキルを分析し、それにより、好ましくは多数の能力レベルで、そのスキルを構成し且つパフォーマンスに影響を及ぼすモーションの特徴を決定すること、並びに、所要のスキルについての徴候及び原因の能力レベルに固有の決定を含む、所要のスキルについての徴候及び原因を決定することを含む)エキスパート分析(expert analysis)に基づき、スキルを徴候及び原因に分解することを含む。ブロック109は、モーションセンサデータから徴候/原因の検出を可能にするODCの定義を含むプロセスを提示している。次に、これらのODCは、後続のフェーズにおいて利用可能である(例えば、それらは所与のカリキュラムにおいて使用されたり、状態エンジンデータ内で適用されたりなどする)。
本明細書では、DCDを利用するアプローチを参照してフェーズ100を記載するが、それは限定的な例であることを意図しない。更なる実施態様では、様々な他のアプローチ、例えば、MSDを最初から利用するアプローチ(例えば、MSDに関するODCの決定を支援及び/又は検証するためにMCDを利用する必要はない)、スキルの機械学習を利用するアプローチが実施される。
フェーズ110は、エキスパート知識データ111(expert knowledge data)のレポジトリを参照して例示される。例えば、1つ又は複数のデータベースが維持され、これらはフェーズ101の特徴及び/又は他の研究及び分析技術に従って定義される情報を含む。情報の例は、(i)徴候/原因を表す合意データ(consensus data)、(ii)徴候/原因を表すエキスパート固有データ(expert-specific data)、(iii)徴候/原因に関するフィードバックを表す合意データ、(iv)徴候/原因に関連するフィードバックを表すエキスパート固有データ、(v)(客観的コーチングスタイルデータ及びパーソナライズされたコーチングスタイルデータを含んでよい)コーチングスタイルデータを含む。これは選択のみである。
図1Bの例において、エキスパート知識データは、フェーズ100で分析されたスキルに関するトレーニングプログラムの配信に利用される。ブロック112は、適応トレーニングフレームワークの構成(configuration)を含むプロセスを表している。これに関して、図1Bの例では、それぞれのスキル及びその特徴に関連する複数のスキルトレーニングプログラムは、共通の適応トレーニングフレームワークを介して配信される。これは、好ましくは、基礎となるスキル固有でない論理を活用するスキル固有の適応トレーニングコンテンツの生成を可能にするように構成された技術的フレームワークである。例えば、そのような論理は、学習スタイルを予測すること、利用可能な時間に基づいてコンテンツ配信を調整すること、(以前に学習したスキルの修復授業を含む)以前のインタラクション(対話)に基づき自動的にレッスンプランを作成すること、ダウンロードする追加的なコンテンツを機能的に推奨すること、及び他の機能性のための、方法論に関する。ブロック113は、スキルのためのカリキュラムの定義付けを含むプロセスを表している。これは、特定の徴候/原因の特定に応じてフィードバックを配信するための規則のフレームワークを定義することを含む。フレームワークは、好ましくは、個々のユーザに固有の獲得された知識(例えば、ユーザの学習スタイルの知識、過去の成功した/失敗したフィードバックの知識等)に基づいて、インテリジェントフィードバック(intelligent feedback)を提供する、適応フレームワークである。ブロック114は、エンドユーザによるダウンロードのためにカリキュラムを利用可能にすること、例えば、オンラインストアを介してカリキュラムを利用可能にすることを含む、プロセスを表している。以下に更に詳述するように、所与のスキルは、基本カリキュラムの提供、及び/又は、(好ましくは異なる価格帯での)1つ又は複数のプレミアムカリキュラムの提供を有してよい。一例として、基本提供は、幾つかの実施態様において、合意エキスパート知識(consensus expert knowledge)に基づき、プレミアム提供は、エキスパート固有のエキスパート知識に基づく。
フェーズ130の場合には、例示的なエンドユーザ機器が図示されている。これは、シャツと、複数のMSUを保持するパンツとを含み、PODデバイスがシャツに設けられた、MSU対応衣服構成121を含む。MSU及びPODデバイスは、例えば、掃除等を可能にするために、衣類から取り外し可能に構成される。ヘッドセット122が、ブルートゥース(登録商標)(又は他の手段)によってPODデバイスに接続され、フィードバック及び命令をユーザに聴覚的に提供するように構成される。(iOS又はAndroidスマートホンのような)ハンドヘルドデバイス123が、更なるユーザインターフェースコンテンツ、例えば、教育ビデオ/アニメーションなどを提供するように構成される。他のユーザインタフェースデバイス、例えば、(ウェアラブルアイウェア等を介して視認可能なディスプレイのような)拡張現実情報を提供するように構成されたデバイスが使用されてよい。
例示したエンドユーザ機器のユーザは、(例えば、プラットフォーム103からの)実行のためにコンテンツをダウンロードし、それにより、トレーニングプログラムに関与し、且つ/或いはMSDの処理を活用する他の形態のコンテンツを経験する。例えば、これは、オンラインストアを閲覧し、或いはソフトウェアアプリケーションと対話し(interacting)、それにより、所望のコンテンツを特定し、続いて、そのコンテンツをダウンロードすることを含んでよい。例示する実施態様では、コンテンツがPODデバイスにダウンロードされ、コンテンツは、状態エンジンデータ及びカリキュラムデータを含む。前者は、PODデバイスがMSDを処理し、それにより、徴候を特定する(且つ/或いは他の形態のモーション分析を実行する)ことを可能にする、データを含む。後者は、ユーザインタフェース(例えば、命令、フィードバックなど)によって配信されるコンテンツ及び(適合学習プロセスの配信のための規則のような)そのコンテンツの配信のための命令を含む、トレーニングプログラムの提供を可能にするために必要とされる、データを含む。幾つかの実施態様において、エンジンデータ及び/又はカリキュラムデータは、継続的に遠隔サーバから取得される。
機能ブロック125は、PODデバイスがモニタリング機能を実行し、それにより、状態エンジンデータにおいて定義されるようなODCについてユーザパフォーマンスをモニタリングする、プロセスを表している。例えば、ユーザは、デバイス123及び/又はヘッドセット122を介して「アクティビティXを実行する」ように命令され、次に、PODデバイスは、ユーザのMSUからMSDを処理し、それにより、アクティビティXに関連付けられたODCを特定する(例えば、徴候及び/又は原因の特定を可能にする)。ODCの特定及びカリキュラムデータに基づき(ならびに、幾つかの場合には、追加的な入力に基づき)、フィードバックは、デバイス123及び/又はヘッドセット122を介してユーザに提供される(ブロック126)。例えば、「アクティビティX」を繰り返し実行している間に、ユーザは、それらの技法をどのように修正するかについてのガイダンスを備える可聴フィードバックが提供される。これは、フィードバックを提供して、(例えば、後続のパフォーマンス反復でMSDから導き出されるODCの変化を観察することによって)影響をモニタリングするような、ループ処理(例えば、本明細書では「試行ループ」と呼ぶ)につながる。幾つかの実施態様におけるカリキュラムデータは、(i)アクティビティ改善に関して所望の結果を達成するためのフィードバックの成功/失敗、及び(ii)精神的及び/又は身体的なパフォーマンス属性のようなユーザの属性の組み合わせに基づき、トレーニングプログラムのフィードバック及び/及び段階に適合するように構成される。
スキル分析フェーズ−概要
前述のように、幾つかの実施態様では、スキル分析フェーズを実施し、それにより、エンドユーザ配信フェーズにおいて観察されるべきスキルを分析する。より具体的には、スキル分析フェーズは、好ましくは、(i)スキルの属性、例えば、(エンドユーザ機能性がスキル特定を含む場合に特に関連する)実行されるスキルを表す属性、及び(エンドユーザの機能性が、例えば、スキルトレーニングの配信のコンテキストにおける、スキルトレーニング分析を含む場合に特に関連する)徴候及び原因のような、スキルが実行される方法を表す属性を決定する分析、並びに、(ii)エンドユーザのハードウェア(MSUのようなPSU)を自動化されたスキルパフォーマンス分析のために構成することができるよう、(実行されるスキル、及び徴候及び/又は原因のようなそのスキルのパフォーマンスの属性)のような、スキル属性の自動的な特定を可能にする、ODCを定義する分析を含む。
スキル分析フェーズの性質は、(例えば、モーションベースのスキルとオーディオベースのスキルのカテゴリの間の)所与のスキルの性質に依存して、有意に異なる。次に、例示のために、モーションベースのスキルのコンテキストにおけるスキル分析フェーズに関して例示的な実施態様を記載する。すなわち、身体的アクティビティを分析し、それにより、身体装着式MSUからのデータをモニタリングするPODデバイスを構成するために使用されるODCを決定することを参照して、実施態様を記載する。この実施例は、様々な新規且つ進歩的な技術的アプローチが、モーションベースのスキルのための効果的なODCを生成するタスクを容易にするために開発されている、比較的困難で複雑なコンテキストにおいて段階化されたスキル分析を代表するものとして選択される。本明細書で記載する方法論の全ての特徴が全ての実施態様に存在するわけではなく、或いは、全てのアクティビティのコンテキストにおいて使用されるわけではないことが理解されるであろう。この技術は、(例えば、パフォーマンス、コーチング、及びモニタリングに関して)異なるレベルの複雑さを伴う、広範な身体的アクティビティに適用可能である。しかしながら、本明細書で記載する方法論は、広範なアクティビティ、例えば、個人及びチームスポーツのコンテキストにおいて実行されるスキルに亘って適用可能である。
以下に詳述する方法論及び技術は、特定の身体的アクティビティ(すなわち、特定のスキル)、即ち、ローイング(rowing)に関する具体的な実施例を参照して説明される。ローイングは、主として便宜的なテキストの説明の目的のために一例として選択されており、その特定のアクティビティを参照して記述する技法が、他のアクティビティ(例えば、サッカーボールの特定の形態のキック、ゴルフクラブのスイングを行うこと、スノーボード上でアクロバットな操縦を行うこと等)にどのように容易に適用されるかは、容易に理解されるであろう。
一般的に言えば、所与の身体的アクティビティについてODCを決定する広範なアプローチがある。これらは、以下を含むが、これらに限定されない。
● 二次的技術を利用して、それにより、MSDの理解を合理化すること。例えば、以下に提供する実施例は、MCDとMSDとの組み合わせを利用するアプローチを議論する。MCDは、主に(例えば、強力な高速カメラを使用する)モーションキャプチャ技術の確立された性質の故に使用される。他方、モーションセンサ技術は、現在、有効性が絶えず進歩している。十分に確立されたMCD分析技術の使用は、MSD及びMSDに関して行われる観察の理解及び/又は検証を支援する。
● MCD支援のないMSDの直接的な利用。例えば、MSDは、MCDと同様に、データをキャプチャして、それにより、MCDから従来から生成されたものと類似する(例えば、骨格関節を有する身体アバターに基づく)三次元身体モデルを生成するという意味で利用される。これはMCDの精度(accuracy)及び信頼度(reliability)の閾値を仮定することが理解されるであろう。しかしながら、幾つかの実施態様において、これは達成可能であり、故に、MCD支援を不要にする。
● 例えば、MSD及び/又はMCDが、客観的に定義されたパフォーマンス結果データ(例えば、ローイングの場合には、パワー出力、そして、ゴルフの場合には、ボールの方向及び軌跡)と共に、複数のサンプルパフォーマンスのために収集される、機械学習法。機械学習方法を実施して、それにより、ODCとスキルパフォーマンスに対する影響との間の関係の自動的な定義付けを可能にする。そのようなアプローチは、十分なサンプルサイズで実施されるとき、ODCのコンピュータ特定を可能にして、スキルパフォーマンス結果の予測を推進する。例えば、MSD(又は、幾つかの実施態様では、MCD)のサンプルパフォーマンス収集を使用するゴルフスイングモーションの機械学習に基づき、客観的に定義された結果の分析を使用してスイングパフォーマンスに影響を及ぼすODCを自動的に特定し、それにより、エンドユーザのハードウェア(例えば、MSU対応衣服)を使用したエンドユーザのスイングに関する結果の信頼性のある自動化された予測を可能にする。
● エンドユーザからの分析データの遠隔収集。例えば、エンドユーザデバイスは、「記録」機能を備え、「記録」機能は、(任意的に、ユーザ自身によって特定される徴候等に関する情報と共に)エンドユーザによってそれぞれ行われる特定のスキルを表すMSDの記録を可能にする。記録されるデータは、複数のユーザのための所与のスキル(又は特定の徴候を有する特定のスキル)についてMSDを比較し、故に、スキル(及び/又は徴候)についてODCを特定するよう、中央処理場所に送信される。例えば、これはデータの共通点を特定することによって達成される。
非MSDデータを活用してMSDデータを検証及び/又は他の方法で支援する他のアプローチを含み、サンプルユーザグループを定義及び分析するための異なる技術を実施する他のアプローチも含む、他のアプローチが使用されてもよい。
スキルトレーニングプログラムのコンテキストにおいて使用し得る徴候及び/又は原因のためのODCの開発に寄与する主観的エキスパートコーチング知識を可能にすることに向けられた特定の例示的な実施態様を参照して、上の第1の実施例を以下により詳細に検討する。
スキル分析フェーズ−サンプル分析実施例
幾つかの例示的な実施態様では、トレーニングされる各スキルについて、1つ又は複数のサンプルスキルパフォーマーを使用して、そのスキルに含まれるモーションの初期分析を実行し、それにより、最適なパフォーマンスと準最適なパフォーマンスとの間の差の決定を可能にする(故に、最適なパフォーマンスに向かう指導を可能にする)必要がある。一般的に言えば、これは視覚的分析で始まり、次に、視覚的分析は(1つ又は複数の中間プロセスを介して)モーションセンサデータの分析(観察可能なデータ条件(Observable Data Conditions)又はODCについてのモニタリングと呼ぶ)に変換される。
本明細書で記載する例示的な技法は、複数のサンプル被験者による(所与のスキルについての)身体的スキルパフォーマンスを表すデータを取得することを含む。各身体的スキルパフォーマンスについて、データは、好ましくは、以下を含む。
(i)1つ又は複数のキャプチャ角から1つ又は複数のキャプチャデバイスによってキャプチャされるビデオデータ。例えば、ローイングのコンテキストにおいて、これは、側方キャプチャ角及び後方キャプチャ角を含んでよい。
(ii)あらゆる利用可能なモーションキャプチャ技法を使用したモーションキャプチャデータ(MCD)。これに関して、「モーションキャプチャ」は、例えば、既知の場所にいる被験者に取り付けられた視覚マーカを使用して、モーションを表すデータをキャプチャするために、キャプチャデバイスを使用する、技術を指す。一例は、Vicon によって提供されるモーションキャプチャ技術である(しかしながら、発明者/出願人とViconとの間の提携は推測されるべきでない)。
(iii)1つ又は複数の身体装着式モーションセンサを使用するモーションセンサデータ(MSD)。
いずれの場合においても、好適なアプローチは、(i)生データ及び(ii)ある程度の処理を受けたデータの両方を格納することである。これは特にモーションセンサデータに当て嵌まる。より新しい/より良い処理アルゴリズムが利用可能になるに応じて、時間の経過に伴って生データを再処理し、それにより、エンドユーザ機能性を向上させてよい。
概観すると、一般的な概念は、(現実のコーチにとって最も有用である)ビデオデータと(MSU対応衣服から得られるデータの分析を介したコーチングを含む最終的なエンドユーザ機能性に必要とされる)MSDとの間の足掛かり(stepping stone)としてMCDを使用することである。MCDは(i)十分に開発された信頼性の高い技術であり且つ(ii)身体部分の精密な相対的モーションをモニタリングするのに適しているので、MCDは、この点に関して有用な足掛かりを提示する。
全体的な技法は、以下のフェーズ、すなわち、(i)選択的な被験者によるサンプルパフォーマンスを表すデータの収集、(ii)ビデオデータを使用する1人又はそれよりも多くのコーチによるサンプルパフォーマンスの視覚分析、(iii)1人又はそれよりも多くのコーチによって行われる視覚的観察のMCD空間への変換、及び(iv)MCD観察に基づきMSDを分析し、それにより、実際の意味で1人又はそれよりも多くのコーチの観察を表すMSD空間内のODCを特定することを含む。これらのフェーズの各々を以下に更に詳細に議論する。これはブロック201乃至204を介して図2Aに例示されている。
代替的な方法が、(ビデオデータの収集を省略し、代わりに、MCDを使用して生成したデジタルモデルを介して視覚的分析を行う)図2B、(MSDのみを使用し、MSDに基づくコンピュータ生成モデルを使用して視覚的分析を達成する)図2C、(視覚的分析がなく、サンプル間の類似性及び相違を特定するMCDのデータ分析のみがある)図2D、及びMSDを介した機械学習を利用する図2Eに例示されている(MSDはサンプルパフォーマンスのために収集され、データ分析は結果データに基づいて行われ、それはサンプルパフォーマンスの1つ又は複数の結果パラメータが客観的に測定し、ODCは機械学習に基づき定義されて、ODCに基づく結果の予測を可能にする)。
「1人又はそれよりも多くの」コーチを使用することに関して、幾つかの場合には、多数のコーチを使用し、それにより、所与のスキルの分析及びコーチングに関して合意位置を定義し、幾つかの場合には、代替的/追加的に多数のコーチを使用して、コーチに固有のコンテンツを定義する。後者は、エンドユーザがより広いコーチング合意に基づくコーチングと特定のコーチの特定の視点に基づくコーチングとの間で選択することを可能にする。実用的なレベルでは、商業的実施のコンテキストにおいて、後者は、(任意的により高い価格帯での)プレミアムコンテンツ提供のための基礎として提供されてよい。「コーチ」という用語は、コーチとして資格を有する者、又は(運動選手(アスリート)又は他のエキスパート(専門家)のような)本目的のためにコーチング能力において仕事をする者を記述するために使用されることがある。
スキル分析フェーズ−被験者選択実施例
被験者選択は、所与のスキルを代表する被験者のグループを選択することを含む。幾つかの例示的な実施態様において、サンプル選択は、以下のパラメータのうちの1つ又は複数に亘る標準化(normalisation)を可能にするために実行される。
(i)能力レベル。好ましくは、能力レベルの範囲に亘る十分な代表があるように、複数の被験者が選択される。これは、既知の能力レベルのセットを最初に決定して、各レベルについて十分な被験者数を確保すること、第1のサンプルグループを分析し、その分析に基づきそのグループ内からの能力レベル代表を特定し、任意的に、能力レベルを代表するに至らないサンプルグループに拡大すること、又は他のアプローチを含む。本明細書で記載する実施態様において、ユーザ能力レベルは、多数のレベルでの自動的なコーチングプロセスの中心である。例えば、以下に更に議論するように、ユーザ能力レベルの初期評価は、例えば、PODデバイスがモニタリングするODCに関して、PODデバイスがどのように構成されかを決定するために使用される。コンテキストとして、初心者が行うミスはエキスパートが行うミスと異なる。その上、例えば、最初にトレーニングを提供し、それにより、初心者レベルで最適な(又は最適に近い)パフォーマンスを達成し、引き続きトレーニングを提供し、それにより、より進んだレベルで最適な(又は最適に近い)パフォーマンスを達成することによって、ユーザの実際の能力レベルに向けられたコーチングを提供することは有利である。
(ii)身体サイズ及び/又は形状。幾つかの実施態様において、又は幾つかのスキルについて、身体サイズ及び/又は形状は、(例えば、徴候の観察可能な特性を参照することによって)スキルのモーション属性に直接的な影響を有することがある。任意的なアプローチは、サンプルが、理想的には各能力レベルで、複数の身体サイズ/形状の各々を代表するように、サンプルを拡大することである。以下に更に議論するように、身体サイズ/形状の標準化は、幾つかの実施態様において、以下に更に議論するように、データ駆動型サンプル拡張方法を介して代替的に達成される。手短に言えば、これは、収集されたデータに所定の変換のセットを適用し、それにより、そのデータを異なる身体サイズ及び/又は形状の範囲に亘って変換することによって、複数のMCD/MSDデータセットが各サンプルユーザパフォーマンスについて定義されるのを可能にする。
(iii)スタイル。ユーザはパフォーマンスに重大な影響を与えない独自のスタイルを有することがある。サンプルは、好ましくは、徴候の観察特性がスタイルに依存しないように、スタイルに亘る標準化を可能にする十分な代表を含む。これは、個々のスタイルの特徴とは無関係に、パフォーマンスに基づく方法におけるコーチングを可能にする。しかしながら、幾つかの実施態様では、少なくとも徴候の選択が、スタイル固有の方法において定義される。例えば、これはコーチングが特定のスタイルを採用することを可能にする(例えば、特定の運動選手のスタイルに向けたコーチングを可能にする)。
単純性のために、以下の記述は、多数の能力レベルについての標準化に焦点を当てる。例示的な実施態様では、「m」能力レベル(AL1乃至Alm)があり、各能力レベルで「n」被験者(SUB1乃至SUBn)がいる。すなわち、全体としてm*nの被験者がいる。各個々の能力レベルでの被験者の数は必ずしも等しくなくてよい(例えば、幾つかの実施態様では、所与の能力レベルで追加的な被験者が観察され、それにより、より信頼性の高いデータが得られる)。
前述のように、幾つかの実施態様では、例えば、追加的なデータポイントが好ましいという特定に基づき、サンプルは時間の経過に伴い拡張される。
スキル分析フェーズ−パフォーマンスレジーム定義実施例
幾つかの例示的な実施態様において、各テスト被験者(test
subject)( AL1乃至ALnの各々でのSUB1乃至SUBn)は、所定のパフォーマンスレジーム(performance regime)を実施する。幾つかの実施態様において、パフォーマンスレジームは、複数の能力レベルに亘って一定である。他の実施態様では、特定のパフォーマンスレジームが各能力レベルについて定義される。コンテキストとして、幾つかの場合には、パフォーマンスレジームは、様々な強度レベルでのパフォーマンスを含み、特定の強度レベルは、閾値能力レベル未満では不適切なことがある。
幾つかの実施態様は、所与のスキルについて分析パフォーマンスレジームを定義することを含むプロセスを提供する。このレジームは、サンプルデータ収集の目的のために各被験者によって実行されるべき複数の身体的スキルを定義する。好ましくは、分析パフォーマンスレジームは、所定の数のセットを実行する命令によって定義され、各セットは、所定のセットパラメータを有する。セットパラメータは、好ましくは、以下を含む。
(i)各セットについての反復数。例えば、セットは、n反復(ここで、n≧1)を含んでよく、被験者は、所定のパラメータでスキルを反復的に試みる。
(ii)反復命令。例えば、反復の間にどれくらい休むか。
(iii)強度パラメータ。例えば、セットは一定の強度(同じ強度Icでの各反復REF1乃至REPn)で実行されてよく、強度を増加させる(強度I1で反復R1を実行し、次に、強度I2でREP2を実行する、ここで、I1>I2等)、或いは強度を減少させる(強度I1で反復REP1を実行し、次に、強度I2でR2を実行する、ここで、I1<I2等)、或いは、より複雑な強度プロファイルを実行する。強度が定義される方法は、アクティビティに依存する。例えば、速さ(スピード)、電力、周波数等のような、強度パラメータが使用されてよい。そのような測定値は、幾つかの場合に、客観的な測定及びフィードバックを可能にする。代替的に、最大強度の百分率(例えば、“最大値の50%”)は主観的であるが、しばしば効果的である。
一例として、エルグ機械(室内ローイング機器の一形態)上のローイングモーションの形態におけるスキルを分析する所与の分析パフォーマンスレジームは、以下のように定義されてよい。
● 6つのセット(SET1乃至SET6)を実行し、セット間に5分の休憩を取る。
● 各セットについて、8回の連続的な反復を実行する(REP1乃至REP8)。
● 強度パラメータは、強度=100WでのSET1、強度=250WでのSET2、強度=400WでのSET3、強度=550WでのSET4、強度=700WでのSET5、及び強度=850WでのSET6である。
ローイングの実施例への言及は、以下に更に続く。しかしながら、これは例示のために提供される代表的なスキルに過ぎないこと、及び基礎を成す原理は広範なスキルに適用可能であることが理解されなければならない。
スキル分析フェーズ−例示的なデータ収集プロトコル
パフォーマンスレジーム(performance regime)の各ユーザの完了に関して、データが収集され且つ格納される。上述のように、この実施例について、本明細書で考慮する主要な実施例において、データは、以下を含む。
(i)1つ又は複数のキャプチャ角から1つ又は複数のキャプチャデバイスによってキャプチャされるビデオデータ。例えば、正面、背面、側面、反対面、上面、及び他のカメラ角のうちの1つ又は複数が使用されてよい。
(ii)あらゆる利用可能なモーションキャプチャ技術を使用するモーションキャプチャデータ(MCD)。
(iii)1つ又は複数の身体装着式モーションセンサを使用するモーションセンサデータ(MSD)。
データ収集を実行する条件を制御し、それにより、サンプル間の高度の整合性(consistency)及び比較可能性(comparability)を達成することが好ましい。例えば、これは、マーカ等を使用して一貫したカメラ配置を保証して、被験者の位置決め、被験者上のMSUの正確な位置決め等を支援することのような、技術を含んでよい。
収集されるデータは、1つ又は複数のデータベースに編成され且つ格納される。メタデータも好ましくは収集され且つ格納され、それにより、追加的な文脈を提供する。更に、幾つかの場合には、データを処理して、キーイベント(鍵となる事象)を特定する。具体的には、事象は、モーションベースのイベントについてデータ内に自動的に及び/又は手動でタグ付けされてよい。例えば、所与のスキルの反復は、開始、終了、及び1つ又は複数の中間イベントのような、複数のモーションイベントを含んでよい。イベントは、ステップのようなもの、ボールに触れられる瞬間、ローイングモーション中のキーポイント(鍵となる地点)等を含んでよい。これらのイベントは、各データセット内で、又はビデオデータ、MCD及びMSDに亘って同期させられ得るタイムライン上で定義されてよい。
スキル分析フェーズ−例示的なデータ同期
データの各形態は、好ましくは、同期させられるように構成される。例えば、以下の通りである。
● ビデオデータ及びMCDは、好ましくは、同期させられ、それにより、比較検討を可能にするように構成される。これは、例えば、(特に異なる視認角からキャプチャされたビデオ/MCDの比較分析に特に有用な)並列ビデオ検査(side-by-side video review)や、(特に共通角についてキャプチャされたビデオ/MCDに有用な)部分的な透明性を用いたオーバーレイ検査(overlaid review)を含む。
● MSDは、好ましくは、多数のMSUからのデータが共通の時間基準に対して変換/格納されるよう、同期させられるように構成される。これは、幾つかの実施態様では、それ自体のローカルクロック(local clock)に対する時間基準及び/又は観察可能な地球時間クロック(global time clock)に対する時間基準を表すデータをPODデバイスに提供する各MSUによって達成される。分散ノードによって供給されるデータの時間同期のための様々な有用な同期技法は、例えば、メディアデータ同期を含む、他の情報技術環境から知られている。
同期は、好ましくは、(データが共通の時間基準に対して標準化されるように構成される)時間ベースの同期を含むが、時間ベースの同期に限定されない。幾つかの実施態様において、イベントベースの同期は、時間ベースの同期に加えて又は時間ベースの同期の代わりとして(又は時間ベースの同期を支援する手段として)使用される。
イベントベースの同期は、MCD又はMSDのようなデータがイベントを表すデータを含むような、プロセスを指す。イベントは、典型的には、データについてのローカルタイムラインに対して定義される。例えば、MCDは、0:00:00に開始時点を有するビデオファイルを含んでよく、イベントは、その開始時点に対する時間で定義される。イベントは、(例えば、所定の観察可能な信号のようなソフトウェアプロセスによって特定され得るイベントを参照することによって)自動的に定義されてよく、且つ/或いは(例えば、そのデータの手作業の視覚的検査中にビデオデータをマーキングし、特定のイベントが発生した時間を特定して)手作業で定義されてよい。
MCDのコンテキストにおいて、データは、好ましくは、1つ又は複数のパフォーマンスイベントに基づき同期を可能にするようマーキングされる。例えば、ローイングのコンテキストでは、ローイングモーション中の様々な特定可能なモーションポイント(motion points)を印し、それにより、モーションポイントの共通性に基づきビデオデータの同期を可能にする。これは、異なるサンプルユーザからのビデオデータを比較するときに特に有用である。それはそのようなユーザ間の異なる速度の動きを特定するのを支援する。幾つかの場合において、モーションポイントベースの同期は多数のアクティビティに基づき、ビデオレートは、2つの異なるサンプル(例えば、異なるユーザ、異なる反復、異なるセット等)についてビデオデータにおける2つの共通のモーションアクティビティを並列に(又は重ねて)見て、これらのモーションアクティビティ間で同じ速度の進行を示すように、調整される(例えば、速さが増大させられ、或いは速さが減少させられる)。例えば、1人の漕ぎ手が1秒のストローク時間を有し、他の人が1.2秒のストローク時間を有するならば、モーションアクティビティベースの同期は、後者が1秒に短縮され、それにより、2つの漕ぎ手のモーション間のより直接的な比較を可能にするように、適用される。
スキル分析フェーズ−例示的なデータ拡張方法論
幾つかの実施態様では、各被験者のためにMSD及び/又はMCDを、データ拡張プロセスを介して変換し、それにより、異なる身体属性を有する複数の更なる「仮想被験者」を定義する。例えば、各MCD及び/又はMSDデータアクティビティが複数の異なる身体サイズに基づき変換されるのを可能にするよう、変換を定義する。これは、特定の身体サイズを有する被験者からのパフォーマンスのキャプチャが、異なる身体サイズを反映する複数のサンプルパフォーマンスに拡張されるのを可能にする。「身体サイズ」という用語は、身長、胴の長さ、上肢の長さ、下肢の長さ、腰幅、肩幅等のような、属性を指す。これらの属性は、実際には、MCD及びMSDデータ収集にそれぞれ使用されるマーカ及びMSUの移動経路(パス)及び相対位置を変更することが理解されるであろう。
データ拡張は、全てのサンプル遂行者から収集されるデータが「標準的」身体サイズを有する仮想遂行者による1つ又は複数の仮想パフォーマンスを含む仮想パフォーマンスのセットに拡張され得るという点で、身体サイズの標準化のコンテキストにおいても有用である。幾つかの実施態様では、単一の「標準的」身体サイズが定義される。標準身体サイズの使用、並びにサンプルパフォーマンスからその標準身体サイズへのMSD及びMCDの変換は、多数のサンプル遂行者の身体サイズの違いにも拘わらず、MCD及びMSDの直接的な比較を可能にする。
スキル分析フェーズ−例示的な仮想分析方法論
上述したように、並びに図2Aのブロック202に示すように、例示的なスキル分析方法論の特徴は、ビデオデータを介したサンプルパフォーマンスの視覚的分析を含む。他の実施態様において、ビデオ分析は、ビデオデータの代替として、又はビデオデータに加えて、MCD及び/又はMSDから導出されたコンピュータ生成モデルを使用して実行される。従って、以下の実施例は、ビデオデータに基づく検査に焦点を当てるが、そのような実施例は非限定的であり、ビデオデータは、他の実施態様において、MCD及び/又はMSDに基づき生成されるモデルと置換されることが理解されるべきである。
視覚的分析は、スキルとそのスキルのコンポーネントの予備的な理解、徴候の初期的特定、及び所定の分析スキームに基づく個々のサンプルパフォーマンスの分析を含む、様々な目的のために実行される。
図3は、1つの実施態様に従った例示的なユーザインタフェース301を例示している。特別に適合されたソフトウェアは全ての実施態様において使用されないことが理解されるであろう。図3の実施例は、主として、視覚的分析プロセスにおいて特に役立つ鍵となる機能性を例示するために提供される。
ユーザインタフェース301は、複数のビデオディスプレイオブジェクト302a乃至302dを含み、ビデオディスプレイオブジェクトは、それぞれ、格納されるビデオデータを再生するように構成される。幾つかの実施態様において、ビデオディスプレイオブジェクトの数は、例えば、(i)所与のサンプルパフォーマンスについてのビデオキャプチャカメラ角度の数、及び(ii)ユーザコントロールに基づき異なり、ビデオディスプレイオブジェクトは、各角度について提供される。ユーザ制御に関して、ユーザは、パフォーマンスレベルで(この場合には、多数のビデオディスプレイオブジェクトがそのパフォーマンスに関連付けられる多数のビデオ角度のために集合的に構成される)或いは個々のビデオベース(例えば、1つ又は複数のサンプルパフォーマンスから特定の角度を選択すること)で、表示されるべきビデオデータを選択することが可能にされる。各ビデオディスプレイオブジェクトは、単一のビデオを表示するか、或いは多数のビデオを同時に表示するように構成される(例えば、2つのビデオをある程度の透明性を伴って互いに重ね、それにより、オーバーラップ及び相違の視覚的観察を可能にする)。再生コンテキストディスプレイ304は、ビデオディスプレイオブジェクトに何が表示されているかについての詳細を提供する。
オブジェクト302a乃至302d内に表示されるビデオデータは、同期される、例えば、時間同期される。共通のスクロールバー303は、(前述のように、各ビデオディスプレイオブジェクト内に多数のオーバーレイされた(overlaid)ビデオオブジェクトを含んでよい)多数の同期されたビデオを通じた同期ナビゲーションを可能にするために設けられる。幾つかの実施態様では、時間同期とモーションイベントベースの同期との間を移動するためにトグル(toggle)が設けられる。
ナビゲーションインターフェース305は、ユーザが利用可能なビデオデータをナビゲートするのを可能にする。このデータは、好ましくは、複数の属性を参照することによってソートされるように構成され、それにより、所望のパフォーマンス及び/又はビデオの特定を可能にする。例えば、1つのアプローチは、先ず、スキルによってソートし、次に、能力レベルによってソートし、次に、ユーザによってソートすることである。好適な実施態様において、ユーザは、パフォーマンスビデオデータセット及び/又は個々のビデオをビデオディスプレイオブジェクトにドラッグアンドドロップするのが可能にされる。
図3は、追加的に、観察記録インタフェース306を例示している。これは、ユーザが、見られたパフォーマンスデータセットに関連付けら得る観察を記録するのを(例えば、チェックリストを完成する、メモを作成する等を)可能にするために使用される。多数のパフォーマンスデータセットが見られるとき、好ましくは、マスターセット、及び1つ又は複数のオーバーレイされた比較セットがあり、観察はマスターセットと関連付けられる。
スキル分析フェーズ−視覚的分析を介した例示的な徴候特定
例示的な実施態様では、多数のエキスパート(例えば、コーチ)が、サンプルパフォーマンスを検査し、それにより、徴候を特定することに関与する。幾つかの場合、これは、観察記録インタフェース306を提供する、ユーザインタフェース301のようなインタフェースによって容易にされる。
全体として、各エキスパートは、事前に定められた検査プロセスに基づき(ビデオデータの検査、又はMCD及び/又はMSDから構築されたモデルの検査を介して)各サンプルパフォーマンスを検査する。例えば、検査プロセスは、特定の条件(例えば、通常の速さ、スローモーション、及び/又はオーバーレイされた「正しいフォーム」の実施例)の下で特定の数の視認を必要とするよう、予め定められてよい。エキスパートは、特定された徴候に関して観察を行う。
図4Aは、1つの実施態様で使用される例示的なチェックリストを示している。そのようなチェックリストは、ハードコピー形式において、或いは(図3のインタフェース306のような)コンピュータインターフェースを介して、完成されてよい。チェックリストは、検査者(すなわち検査を行うエキスパート/コーチ)によって分析されている(この実施例では「標準ローミングアクション」である)スキル、(名前又はIDによって特定されるサンプルパフォーマンスに示される人物である)被験者、被験者の能力レベル、及び検査されているセットを含む、データ属性を特定する。これらのデータ属性のいずれかについての追加的な詳細がデータの他の特徴と共に表示されてもよい。
チェックリストは、次に、エキスパートが観察するよう命令される徴候を特定するヘッダー行を含む。図4Aにおいて、これらはS1乃至S6として示されているが、実際には、(このローイングの実施例のコンテキストにおける「突っ込んだ腕」(snatched arms)又は「突進するスライド」(rushing slide)のような)記述的な名称/用語を参照して徴候を記録するのが好ましい。ヘッダー行は、個々の反復REP1乃至REP8を示す。検査者は、各反復に関して各徴候の存在を記す。徴候のセットは能力レベルによって依存して異なることがある。
図4Aに示すようなチェックリスト(及び他の収集手段)から導出されるデータを収集し且つ処理して、それにより、サンプルパフォーマンスについての各セットの各反復における徴候の存在を決定する。これは、各反復についての合意ビューを決定すること、例えば、閾値数のエキスパートが所与の反復において徴候を特定することを要求することを含んでよい。幾つかの場合において、合意ビューデータは、個々のエキスパート観察データとの組み合わせにおいて格納される。
ビデオデータ、MSD、及びMCDは、徴候の存在を表すデータと関連付けられる。例えば、所与のサンプルパフォーマンスの所与のセットの所与の反復についてMSDを定義する個々のデータセットは、1つ又は複数の特定された徴候と関連付けられる。
幾つかの実施態様では、図4Aのチェックリストのようなチェックリストは、事前定義されたODCのセットに基づくMSDの分析に基づき予測された徴候が事前設定されている(pre-populated)。検査者は、視覚的分析に基づきそれらの予測を確認/拒否することによってMSDに基づく自動化された予測の正確性を検証することができる。幾つかの実施態様において、そのような検証はチェックリストの事前設定(pre-populating)のないバックグラウンド作業として実行される。
スキル分析フェーズ−例示的な徴候対原因マッピング
幾つかの実施態様では、視覚的分析に基づき徴候を原因にマッピングすることを可能にする分析を実行する。コンテキストとして、所与の徴候は、複数の根本的な原因のうちのいずれか1つ又は複数に起因することがある。幾つかの場合には、第1の徴候が第2の徴候の原因である。トレーニングの観点からは、所与の徴候について、原因の基礎を成す根を決定することは有用である。その場合、その原因に対処するトレーニングを提供することができ、故に、(「徴候」が誤った形態を示す実施態様において)徴候を矯正するのを助けることができる。
一例として、標準的なローイングモーションを再び参照して、以下の徴候が定義されてよい。
● 最小ロックオーバ(minimal rock over)。
● バン・ショーブ(尻を突出す動き)(bum shove)。
● 突っ込んだ腕(snatched arms)。
● 突進する回復スライド(rushing recovery slide)。
● 山を越える(over the mountain)。
● 手が膝を越える前に膝を曲げる(knees bending before hands past knees)。
● 短すぎる回復(recovery too short)。
● C字形バック(C-shaped back)。
次に、各徴候について、複数の考えられる原因を定義する。例えば、「突っ込んだ腕」(“snatched
arms”)のコンテキストでは、原因は以下のように定義されてよい。
● 早く腕をロードする(loading arms early)。
● 早く腕を戻す(loading back early)。
● 突進する回復スライド(rushing recovery slide)。
徴候−原因相関の分析は、複数の原因のうちのどれが特定された徴候に関与しているかの予測/決定を支援する。原因が(上記「突進回復スライド」のような)徴候でもある場合、予測される根本原因が特定されるまで、その徴候の原因が(潜在的に反復可能なプロセスを介して)特定(等)される。次に、その根本原因に対処することができる。
幾つかの実施態様では、エキスパートが追加的な視覚的分析を行い、それにより、徴候を原因と関連付ける。これは複数のレベルのいずれか1つ又は複数で実行されてよい。例えば、以下の通りである。
● 一般的なスキルベースのレベルでの根本原因との徴候の関連付け。
● 概ね各能力レベルについての根本原因との徴候の関連付け。
● 各個々の運動選手についての根底原因との徴候の関連付け。
● (例えば、能力、強度、及び徴候/原因関係の間の関係に関するガイダンスを提供する)各個々の運動選手によって実行される各セットについての根本原因との徴候との関連付け。
● 各個々の運動選手によって行われる各セットの各反復についての徴候との原因の関連付け。これはよりリソース集約的であるが、特定の原因についてのMSDの詳細な分析を可能にする。
徴候の特定と同様に、幾つかの実施態様では、チェックリストが使用される。例示的なチェックリストが図4Bに提供されている。このチェックリストでは、検査者は、所定のセットについて(この実施例ではS1、S2、S4及びS5である)特定された徴候と原因との間の相関を記す。コンピュータが実施するチェックリストの場合には、ヘッダー行をフィルタリングして、そのセット内に存在するものとして特定された徴候のみを明らかにしてよい。幾つかの実施態様では、エキスパートは、チェックリストに追加的な原因列を追加するのが可能にされる。
徴候−原因相関を表すデータを多数の検査者に亘って集計し、それにより、多数のエキスパートによって特定されるような徴候及び原因の間の関係の合意ビューを特定するオーバーラップ行列(overlap matrix)を定義する。これは、能力レベルベース、運動選手ベース、セットベース、又は反復ベースであってよい。いずれの場合においても、集計は、徴候が所与の能力レベルの運動選手について特定される場合に、原因又は可能性のある原因の予測を可能にするデータの決定を可能にする。ODCが個々の原因について定義されるとき、それはMSDの処理を可能にし、それにより、特定された1つ又は複数の可能性のある原因のいずれかの存在を特定する。
幾つかの実施態様では、合意ビューの部分となるにはエキスパートの間で十分に一致していない徴候−原因相関が、プレミアムコンテンツ生成の目的のために格納される。例えば、トレーニングプログラムのコンテキストでは、多数のレベルのプレミアムコンテンツがあることがある。
● 徴候−原因相関について合意ビューを使用する、ベースレベル。
● (更なる徴候−原因相関が特定のエキスパートによって一貫して特定されているが、合意ビューに反映されていないという観察に基づく)その特定のエキスパートと関連付けられる更なる徴候−原因相関の更なるグループを追加的に使用する、上位レベル。
オーバーラップ行列は、(能力レベルのような)コンテキストに基づき特定の徴候に関与する特定の原因の相対的確率を定義するために使用されてもよい。例えば、第1の能力レベルで、徴候Aが原因Bの結果である可能性は90%であるが、第2の能力レベルで、原因Bは、その徴候について10%の可能性であるに過ぎず、原因Cが70%の可能性であることがある。
幾つかの実施態様では、(上記徴候と類似の方法において)各反復を原因と関連させ、それにより、MSDにおける原因についてのODCの特定を支援する、分析を実行する。しかしながら、他の実施態様では、原因は、MSDの分析を必要とせずに、確率的予測ベースで特定される。
スキル分析フェーズ−能力レベル徴候の例示的な特定
幾つかの実施態様において、重要な範疇(category)の徴候は、定義された能力レベルへの被験者の分類(categorisation)を可能にする徴候である。所与の能力レベルへの分類は、特定の徴候の観察、又は徴候の集合のうちの1つ又は複数の観察に基づいてよい。
以下に更に記載するように、幾つかの実施態様は、例えば、観察能力レベルを表す徴候に基づき、能力レベルに関する決定を先ず行い、次に、その決定に基づき下流アクションを実行する、トレーニングプログラム論理を活用する。例えば、ODCについてのモニタリングは、幾つかの場合に、能力レベルに依存する。例えば、所与の徴候についてのODCは、第2の能力レベルと比較して第1の能力レベルで異なって定義される。実際には、これは、初心者が徴候を表示するコースエラー(course errors)を行うことの結果でなく、エキスパートがより一層細かい動きの変化を介して徴候を表示することがある。
スキル分析フェーズ−(例えば、状態エンジンデータについての)ODCの例示的な決定
エキスパート/コーチによる視覚的分析に続き、スキル分析フェーズは、サンプルパフォーマンスの視覚的分析から得られたエキスパート知識(expert knowledge)を分析して、MSDに基づく徴候の自動的な検出を可能にするODCを定義する、データ分析サブフェーズに移行する。例えば、そのようなODCは、トレーニングプログラムがエンドユーザの身体的パフォーマンスにおける特定の徴候の検出を表す入力に基づき動作することができるように、後にエンドユーザハードウェア(例えば、PODデバイス)にダウンロードされる、状態エンジンデータにおいて使用される。
所与の徴候についてODCを定義するために、ある範囲の様々な方法論が様々な実施態様において使用されることが理解されるであろう。幾つかの実施態様において、一般的な方法論は、以下を含む。
(i)MSDの分析を実行し、それにより、視覚分析の結果に基づき徴候の存在を示すと予測される(例えば、加速率及び方向を含むMSDに基づく)データ属性の組み合わせを特定すること。
(ii)(例えば、実際に記録されたMSDを使用して)サンプルパフォーマンスを表すデータに対するそれらのデータ属性をテストして、それらのデータ属性が(任意的に能力レベルに固有の基準で)関連する徴候を表示する全てのサンプルパフォーマンスに存在することを検証すること。
(iii)(例えば、実際に記録されたMSDを使用して)サンプルパフォーマンスを表すデータに対するそれらのデータ属性をテストして、それらのデータ属性が(再び任意的に能力レベルに固有の基準で)関連する徴候を表示しないサンプルパフォーマンスに存在しないことを検証すること。
実施例は、以下を含むが、それらに限定されない。
● 視覚的分析とMSDとの間の足掛かりとしてMCDを使用するアプローチ。
● 視覚的分析からMSDの分析に直接的に移行するアプローチ。
● 個々のセンサから得られるデータに基づきODCを定義するアプローチ。
● MSDから構築される仮想身体モデルを使用して全体的な身体モーションに基づきODCを定義するアプローチ。
一揃いの実施例を以下に詳細に記載する。
幾つかの実施態様において、ODCは、例えば、MSU及び/又はPODデバイスで余りプロセッサ/電力集約的でないODCを定義することによって、エンドユーザハードウェアを効率的に活用するよう、調整される。例えば、これは、サンプリング速度、データ解像度等に関して関連することがある。
スキル分析フェーズ−視覚的観察からMCD空間への例示的な変換
上述のように、幾つかの実施態様において、MCD空間は、視覚的観察とMSDデータ分析との間の足掛かりとして使用される。これは、(例えば、MSDを共通の幾何学的基準フレームに変換することに関連する挑戦に留意して)MSDに基づき仮想身体モデルを正確に定義することに関連する挑戦を回避するのに有用である。
全体として、このプロセスは、所与の徴候について、その徴候を表示するものとして印されたパフォーマンスと関連付けられたMCDを分析することを含む。この分析は、幾つかの実施態様において、(徴候がモーションから観察可能である程度は能力レベルによって異なることに留意して)能力レベルに固有の基準で行われる。例えば、分析は、関連する徴候を表示するサンプルについての(MCDに由来するコンピュータ生成モデルのような)MCDを、徴候を表示しないサンプルについてのMDCと比較することを含む。
図5は、1つの実施態様に従った方法を例示している。これは一例に過ぎず、類似の目的を達成するために様々の他の方法が任意的に使用されることが理解されるであろう。ブロック501は、分析のための徴候を決定することを含むプロセスを表している。例えば、徴候は、ローイングのコンテキストにおいて、「突っ込んだ腕」(“snatched arms”)であってよい。ブロック502は、分析のためのサンプルデータを特定することを含むプロセスを表している。例えば、サンプルデータは、以下を含んでよい。
● 徴候と関連付けられる全ての反復についてのMCD。
● 特定の強度パラメータでの徴候と関連付けられる全ての反復についてのMCD。すなわち、分析は、徴候が(他の強度パラメータとは対照的に)特定の強度パラメータでどのように存在するかを考慮する。
● 特定の能力レベルでの徴候と関連付けられる全ての反復についてのMCD。すなわち、分析は、徴候が(他の能力レベルとは対照的に)特定の能力レベルでどのように存在するかを考慮する。
● 特定の強度パラメータ及び特定の能力レベル(すなわち、前の2つのアプローチを組み合わせたもの)での徴候と関連付けられる全ての反復についてのMCD。
他のアプローチも使用されてよい。幾つかの場合には、(所与の徴候に関連する或いは関連しないと判明することがある)強度及び能力のような要因の影響をより良く理解するために、上記アプローチの多数が組み合わせにおいて使用される。
ここで使用されるMCDは、好ましくは、例えば、上で議論したサンプル拡張技法に基づき標準的な身体サイズに標準化されたMCDである。同様に、そのようなプロセスから得られるODCは、可変な(及び潜在的に無限に可変な)範囲の身体サイズに適用可能であるように、サンプル拡張の変換原理を使用して非標準化されることが可能である。
機能ブロック503は、潜在的な徴候インジケータモーション(SIM)を特定することを含むプロセスを表している。例えば、これは、関連する徴候を表す予測されるサンプル反復の各々についてMCD内で観察可能なモーションの属性を特定することを含む。インジケータモーションは、幾つかの実施態様において、MSUが取り付けられる身体部分のモーションパス(モーション経路)の属性によって定義される。モーションパスの属性は、角度、角度の変化、加速/減速、加速/減速の変化等のようなものを含む。本明細書では、これを「ポイントパスデータ」(ポイント経路データ)(“point path data”)と呼び、それは身体上に定義されるポイントのモーション属性を表すデータである。これに関して、潜在的SIMは、「ポイントパスデータ」の1つ又は複数のセットによって定義される(すなわち、幾つかの場合には、1つのセットのポイントパスデータがあり、その場合、SIMは1つの身体部分だけのモーションに基づき、幾つかの場合には、多数のセットのポイントパスデータがあり、その場合、SIMは、前腕及び上腕のような多数の身体部分のモーションに基づく)。
コンテキストとして、ポイントパスデータのセットは、所与のポイントについて以下のデータを含むように定義されてよい。
● X軸加速度:最小A、最大B
● Y軸加速度:最小C、最大D
● Z軸加速度:最小E、最大F
加速度以外のデータも使用されてよい。更に、多数の加速度測定値があってよく、これらは、他のイベント及び/又は測定値に時間参照されてよい。例えば、ポイントパスデータの1つのセットは、ポイントパスデータの他のセットの観察に続く定義された時間期間を参照することによって制約されてよい。コンテキストとして、これは上肢にあるポイントと前腕にあるポイントとの相対的な動きを考慮するSIMを定義するために使用されてよい。
機能ブロック504は、潜在的SIMが比較データに対してテストされる、試験プロセス(testing process)を表している。幾つかの実施態様において、試験は、以下を検証する。
(i)ポイントパスデータの1つ又は複数のセットが、サンプルデータにおける反復のそれぞれについて、MCDにおいて観察される。これは、潜在的SIMが、それが動作するように設計されるサンプル中の徴候の存在を特定することに関して効果的であることを検証する。
(ii)ポイントパスデータの1つ又は複数のセットは、関連する徴候と関連付けられない反復について、MCDにおいて観察されない。これは、徴候が存在しない場合に、潜在的SIMが引き起こされないことを検証する。
判定505(decision)は、潜在的SIMが505での試験に基づいて検証されるか否かの決定(determination)を表している。
潜在的SIMが成功裡に検証され得ない場合、SIMは精緻化され(refined)(ブロック506を参照)、再テストされる(re-tested)。幾つかの実施態様において、精緻化(refinement)及び再試験(re-testing)は、インタラクティブ(対話型)アルゴリズムを介して自動化される。例えば、これは、前に予め定義された潜在的SIMの基礎を成すポイントパスデータ定義を、関連する徴候が存在しないパフォーマンス反復についてMCDを参照することによって特異であると検証され得るポイントに絞り込むように動作する。幾つかの場合には、閾値数の反復に続いて所与のSIMを検証することができず、新しい開始ポイントの潜在的SIMが必要とされる。
ブロック508は、成功裡の試験に続くSIMの検証を表している。
サンプルデータが関連する徴候と関連付けられる全ての反復についての全MCDデータのサブセットである幾つかの実施態様では、SIMがその全MCDデータのあらゆる他のサブセットについても検証されることを示すデータが生成される(例えば、SIMは、第1の能力レベルでの分析に基づき導き出されるが、第2の能力レベルでも検証される)。
潜在的なSIMを決定するプロセスは、(例えば、ビデオ及び/又はMCDに由来するモデルデータの視覚的分析に基づく)主として手作業のプロセスであってよいことを理解されるべきである。しかしながら、幾つかの実施態様において、プロセスは、様々なレベルの自動化によって支援される。例えば、幾つかの実施態様では、アルゴリズムが、徴候が存在しないMCDにおけるMCDと比較した、徴候を表示するMCDにおける共通性に基づき、潜在的なSIMを特定するように構成される。そのようなアルゴリズムは、幾つかの実施態様において、全ての他のサンプルパフォーマンス(サンプルパフォーマンスは身体サイズのために標準化されている)に対する徴候を表示するサンプルパフォーマンスのサンプルセットの特異性を包括的に定義される潜在的なSIMの集合を定義するように構成される(各SIMは、MCD空間又はMSD空間内のポイントパスデータのそれぞれの1つ又は複数のセットによって定義される)。1つの実施態様では、アルゴリズムが、選択される徴候又は徴候の集合に共通する全てのMCDを含むデータセットを表すデータを出力し、(例えば、特定のセンサ、モーション内の特定の時間窓、データ解決制約等に基づき)そのデータセットのフィルタリングを可能にし、それにより、(例えば、エンドユーザに提供されるMSU対応衣服のMCDに基づき)エンドユーザハードウェアのコンテキストにおける実用的な適用を可能にする特性を有する潜在的なSIMへのデータセットのユーザ誘導狭小化(ナローイング)を可能にするように構成される。
幾つかの実施態様において、試験プロセスは、視覚的分析が失敗した反復における徴候の識別を可能にするために追加的に使用される。例えば、試験失敗の回数が少ない場合、それらは、徴候が実際に存在しないのか或いは微かに存在するのかを確認するために、視覚的分析に晒される。
スキル分析フェーズ−MCD空間からMSD空間への例示的な変換(ODC)
図5の方法のような方法によって検証されたSIMは、次に、MSD空間に変換される。上記のように、各SIMは、ポイントパスデータの1つ又は複数のセットを表すデータを含み、ポイントパスデータの各セットは、人体上の定義されたポイントについてのモーション属性を定義する。
ポイントパスデータが定義される人体上のポイントは、好ましくは、MSUが(i)サンプルパフォーマンス中に被験者が着用するMSU構成、及び(ii)エンドユーザが利用するMSU対応衣服のコンテキストにおいて取り付けられるポイントに対応して定められる。幾つかの実施態様では、エンドユーザMSU対応衣類(又はそのバリエーション(変形))が、サンプルパフォーマンスの目的のために使用される。
ポイントパスデータが、MSUが取り付けられるポイント以外のポイントのために定義される場合には、データ変換を実行し、それにより、ポイントパスデータをそのようなポイントに調整するのが好ましい。代替的に、そのような変換は後続の段階に統合されてよい。
全体として、サンプルデータ(図5のブロック502のサンプルデータ)におけるサンプルパフォーマンス反復のうちの1つ又は複数のためのMSDを分析し、それにより、ポイントパスデータに対応するデータ属性を特定する。例えば、ポイントパスデータは、基準フレーム(好ましくは、重力基準フレーム)に対するモーション方向及び/又は加速方向の1つ又は複数の定義された範囲を示すことがある。
幾つかの実施態様において、(a)MCD空間内で得られたSIMから(b)MSD空間によって定義されたデータへの変換は、以下を含む。
(i)ポイントパスデータの各セットについて、ポイントパスデータを表す、SIMが関連するサンプルパフォーマンスの各々に存在する、MSD属性を特定すること。幾つかの場合、ポイントパスデータとMSDの属性との間の関係は、例えば、MSDの性質の故に不完全である。そのような場合、特定されたMSD属性は、ポイントパスデータによって定義されるモーションよりも広いことがある。
(ii)図5のブロック504〜506の反復試験と類似するプロセスによって特定されるMSDデータ属性を検証し、それにより、特定されるMSD属性が、徴候を表示するサンプルパフォーマンスについてのMSD内に一貫して見出され、全ての徴候のないサンプルパフォーマンスに存在しないことを検証すること。
MSD空間へのこの変換プロセスは、収集段階(例えば、図2Aのブロック201)中に使用される1つ又は複数のMSUから得られるデータ内で観察されるときに徴候の存在を示す、データ条件をもたらす。すなわち、変換プロセスは、徴候についてのODCをもたらす。
このように定義されるODCの決定は、1つ又は複数のセンサの個々のセンサデータ条件によって定義される。例えば、ODCは、規則(例えば、タイミング規則:センサXがAを観察し、定義された時間内に、近接センサXがBを観察する)との組み合わせにおいて、各センサでの速度及び/又は加速度の測定値に基づき観察される。
次に、ODCは、エンドユーザデバイスへのダウンロードのために利用可能にされるように構成された状態エンジンデータに統合されるのが可能にされ、それにより、関連する徴候をモニタリングするそのエンドユーザデバイスの構成が可能にされる。
上記変換プロセスによって定義されるODCは、データ収集フェーズにおいて使用されるMSUに特異であることが理解されるであろう。この理由のために、エンドユーザによって使用されるような収集フェーズ中に(例えば、同じMSU対応衣服を介して)同じMSU及びMSU位置付けを使用するのが便利である。しかしながら、幾つかの実施態様では、例えば、異なるMSU及び/又は異なるMSU位置付けを伴う、多数のバージョンのエンドユーザMSU対応衣服がある。そのような場合、MSD空間への変換は、各衣服バージョンのために別個に任意的に実行される。これは、(特定のエンドユーザ機器に対応する)仮想MSU構成の仮想適用を介して、収集されたテストデータの既知のデータ変換及び/又はモデリングを適用することによって、達成されることがある。例えば、後者に関して、MCDから導出される仮想モデルは、1つ又は複数の仮想MSUをサポートし、SIMデータに対応するコンピュータ予測MSU読取りを決定するフレームワークとして、任意的に使用される。分析フェーズを介して収集されるデータがそのような状況において時間の経過と共に再使用され得ることを条件として、これはハードウェアの進歩に基づき時間の経過と共にODCを再定義する能力を提供することが理解されるであろう。
MSC分析に基づき生成されるODC又はSIMを定義するプロセスである例示的なプロセスを図6に例示する。検証されたSIMが601で特定される。ポイントパスデータのセットの第1のものが602で特定され、そして、これはブロック603乃至608によって表されるプロセスを介して分析され、それはポイントパスデータの各セットについてループする。このループ処理は、ポイントパスデータに対応する潜在的なMSD属性を特定することを含む。例えば、幾つかの実施態様において、これは、収集されたMSDを、関連する収集されたMSDの全部又はサブセットについてのポイントパスデータと同じ時点で処理することを含む(MCD及びMSDは時間同期のために構成された方法で格納されることに留意のこと)。次に、604で試験を実行して、特定されたMSD属性が、サンプルパフォーマンスから収集された全ての関連する徴候に存在するMSD内に存在するか否かを605で決定し、(そして、幾つかの実施態様では、特定されたMSD属性が、徴候が存在しないMSD内に存在しないことを保証する)。必要な場合には、606で精緻化を実行し、さもなければ、607でMSD属性を検証する。
SIM内のポイントパスデータの全てのセットについてブロック603乃至608のループ処理がひとたび完了すると、検証されたMSD属性を609で組み合わせ、それにより、徴候についての潜在的なODCを定義する。次に、これらもブロック610乃至613のプロセスを介して試験し、精緻化し、且つ検証し、それにより、潜在的なODCを、(i)関連する徴候が実際に存在する全ての関連するサンプルパフォーマンスMSD内で特定し、且つ(ii)関連する徴候が存在しない全ての関連するサンプルパフォーマンスMSD内で特定しない(「関連する」(“relevant”)という用語は、幾つかの場合、分析が能力レベル等によって制限されることを示す)。
更なる実施態様では、様々な代替的な方法論を使用し、それにより、所与の徴候についてODCを定義することが理解されるであろう。しかしながら、実質的に全ての場合において、方法は、分析を実行し、それにより、徴候が存在するサンプルパフォーマンスについて(収集された或いは仮想に定義された)MSD内に特定されることができるが、徴候が存在しないサンプルパフォーマンスにおいて特定されることができない、観察可能なデータ条件を定義することを含む。
スキル分析フェーズ−MSD空間を介したMCD空間への仮想的な観察の代替的な変換
更なる実施態様において、MCDは、仮想身体モデルを生成するために使用され、そのモデルは、時間同期されたMSDと関連付けられる。そのようにして、スキルパフォーマンスモーションの特定のポイントで選択的な1つ又は複数のMSUについてMSDを使用して分析を行うことができる。
この段階で使用されるMSDは、特定のパフォーマンスについてのMSD又は同様のパフォーマンスのサブセットに亘って集計されたMSD(例えば、定義された能力レベルでの標準化された身体サイズによるパフォーマンス)のいずれかである。集計は、(i)パフォーマンスのサブセットの全てにおいて類似/同一であるMSDのみを利用すること、及び(ii)集計されたMSDが、パフォーマンスのサブセットについてMSDの全て(又は統計的に関連する割合)を含むようにデータ値範囲を定義することの一方又は両方を含んでよい。例えば、後者に関して、第1のパフォーマンスのMSDは、特定の時点での特定のセンサのx軸加速度についてAの値を含んでよく、第2のパフォーマンスについてのMSDは、その特定の時点でのその特定のセンサのx軸加速度についてBの値を有してよい。これらは、集約MSDに集約されることができ、その場合、その特定の時点でのその特定のセンサのx軸加速度の値は、AとBとの間にあるものとして定義される。
故に、以下のようなものを決定するために分析を行うことができる。
(i)特定のパフォーマンスについての、モーション中の特定のポイントでの、特定のセンサについてのMSDの1つ又は複数の特徴についての値(例えば、加速度計の値)。
(ii)(i)での値を、動作(movement)における同じポイントでの他のパフォーマンス(例えば、同じ能力レベルで同じ徴候を示す他のパフォーマンス)と比較する、比較データ。
(iii)パフォーマンスのセット(例えば、同じ能力レベルで同じ徴候を示す他のパフォーマンス)についての、動作における特定のポイントでの、特定のセンサについてのMSDの1つ又は複数の特徴についての値の範囲(例えば、加速度計の値)。
(iv)その特定の徴候を表示しない1つ又は複数の更なるパフォーマンスについての対応するMSDと比較するときの、特定の徴候を有する特定のパフォーマンスについての、動作中の特定のポイントでの、特定のセンサについてのMSDの1つ又は複数の特徴についての比較データ(例えば、加速度計の値)。
そのような分析は、所与の徴候について予測されるODCを決定するために使用される。
予測されたODCがひとたび定義されると、これらは図7に示したような方法を使用して試験されることができる。特定の徴候について予測されたODCが701で決定され、次に、これらは702でサンプルパフォーマンスについてのMSDに対して試験される。前の実施例と同様に、これは、予測されたODCがその徴候を表示する関連するパフォーマンスについてのMSD内に存在すること、及びODCが徴候を表示しない関連するパフォーマンスについてのMSD内に存在しないことを検証するために、使用される。例えば、「関連する」パフォーマンスは、共通の能力レベルでのサンプルパフォーマンスであり、幾つかの実施態様では、標準的な身体サイズに対して標準化される。試験に基づき、ODCは704で精緻化され、或いは705で検証される。
分析フェーズ−身体モデリングを介してODCを定義する代替的なアプローチ
上述のアプローチは、個々のセンサのうちの1つ又は複数の特定のデータ属性を探すODCに基づく。代替的なアプローチは、身体のモーションに基づきODCを定義し、MSUから収集されるMSDに基づき仮想身体モデルを定義することである。例えば、MSDを収集し且つ処理し、それにより、MSUから得られる動作データに基づき三次元身体モデル(又は部分的な身体モデル)を定義し且つ維持し得るように、データを共通の基準フレームに変換する。MSDから部分的な及び/又は全体的な身体モデルを導出する例示的な技法は、2つ又はそれよりも多くのMSUからのMSDを共通の基準系に変換することを含む。そのような変換は、以下の技法のうちの任意の1つ又は複数によって任意的に達成される。
● MSU場所の精密な位置付け及び/又は測定、並びにタイムライン上の事前定義されたポイントでの既知の身***置の特定(例えば、開始ポーズ)。
● モーションキャプチャポイント(例えば、モカップ(mocap)マーカー)とMSUとの間の既知の位置関係の利用。
● 関節の種類のような既知の身体の拘束を使用して、関節の一方の側の第1のセンサからのMSDを関節の他方の側のMSDを関連付けること。
● 例えば、重力加速度の方向と磁北の方向を使用して、共通の基準フレームへの全体的なデータ変換を可能にするために、多数のMSUに共通する基準データを使用すること。
もちろん、最初の2つは、MSUが制御された環境に装着され、MCDのような二次データがMSD解釈を支援するために利用可能である、スキル分析のコンテキストにおいて有利であることが多い。最後の2つは、例えば、制御がより少ない状況において、例えば、MSDが潜在的に制御されていない(又は比較的余り制御されていない)環境にあるエンドユーザ型MSU対応衣服の着用者から収集される状況において、より関連性が高い。そのようなアプローチに関する追加情報は、以下に更に提供される。
身体的スキルを客観的に定義する代替的な例示的な方法論
身体的スキルを客観的に定義するための代替的な方法論の更なるグループが、図8A乃至8Iを参照して以下に記載される。これらの方法論の特徴は、幾らかの実施態様において、更に上で記載した特徴と組み合わされる。
これらの方法論は、一般的な意味において、(必ずしも明確に分離可能ではないか或いは厳密な線形進行を介して進まない)3つのフェーズを含む。第1のフェーズは、所与のスキルを分析し、それにより、最適なパフォーマンス及び最適に満たないパフォーマンスに関する動作/位置属性を理解する、サンプル分析フェーズ801である。次に、データ分析フェーズ802が、フェーズ801で得られた理解を観察可能なセンサデータに適用することを含む。このフェーズは、所与のエンドユーザ実施のためのエンドユーザセンサのセットが、センサデータを介してフェーズ801からの特定の動作/位置属性を特定するために、どのように使用され得るかを決定することを含む。これは、フェーズ801で得られた理解が、例えば、トレーニングのコンテキストにおいてエンドユーザに適用されるのを可能にする。それはフェーズ803で起こる。コンテンツ作成者は、センサデータを介してエンドユーザのパフォーマンスをモニタリングするソフトウェアの規則等を定義する。例えば、規則は、フェーズ802からの特定のセンサデータが観察されるときに、フェーズ801からの知識に基づき、ユーザに提供されるフィードバックを定義してよい。
上記のように、これらの3つのフェーズは、全ての場合において明確に区別されない。混じり合う及び/又は重なり合う場合がある。更に、それらは単純な線形プロセスとして実行される必要はない。幾つかの場合には、フェーズの間に循環がある。
以下の実施例は、モーション属性を参照して分析されたパフォーマンスを参照して記載される。例えば、モーションデータは、人間のユーザに取り付けられた(例えば、衣服に設けられた)複数のセンサから、幾つかの場合には、追加的に人間のユーザが利用する機器(例えば、スケートボード、テニスラケット等)に取り付けられた1つ又は複数のセンサから得られる。センサは、様々な形態を取ってよい。必ずしも限定的で見做されるべきでない、本明細書で検討される例は、複数のセンサユニットを使用することであり、各センサユニットは、(i)ジャイロスコープ、(ii)加速度計、及び(iii)磁力計を含む。これらは、それぞれ、好ましくは、3軸センサである。そのような構成は、例えば、センサの相対的な動きに基づき、人間の動きを表す正確なデータを提供する(例えば、本明細書で開示するPODデバイスを介した)データの収集を可能にする。ウェアラブル衣服技術の例は、この明細書の他の部分で提供される。
様々な図において、類似のプロセスは、同等の番号が付された機能ブロックによって示されている。
図8Bは、1つの実施態様に従った方法を示しており、それは図8の3つのフェーズを含む。方法は、分析の対象となるスキルを決定することを含む予備的ステップ810で開始する。例えば、スキルは、フットボールにおける特定の形態のキック、特定のテニススイング、スケートボード操縦、ロングジャンプアプローチ等であってよい。本明細書で検討される方法によって特定され且つ分析され得る、スポーツ、レクリエーション、及び他のアクティビティ中に存在する、実質的に無制限の数のスキルがあることが理解されるであろう。
サンプル分析フェーズ801は、所与のスキルの多数のパフォーマンスを分析し、それにより、この場合には811での視覚駆動型(visually-driven)分析を介して、そのスキルのパフォーマンスに影響を及ぼす動作の特徴の理解を発展させることを含む。視覚駆動型分析は、多数のパフォーマンスを視覚的に比較し、それにより、最適なパフォーマンスが最適に満たないパフォーマンスとどのように異なるかについての知識を発展させることを含む。視覚駆動型分析の例示的な形態は、以下を含む。
ステップ811の第1の例は、技術的支援のない視覚駆動型分析を含む。スキルとしての観察者(observer)(又は観察者のセット(set of observers))の観察(watch)が多数回実行され、彼らの視覚的観察に基づく決定が行われる。
ステップ811の第2の例は、ビデオを利用した視覚駆動型分析を含む。ビデオデータは、多数のパフォーマンスを取り込み、それにより、後続の反復可能なパフォーマンスの視覚的な比較を可能にする。好適なアプローチは、1つ又は複数の定められた位置からパフォーマンスを取り込み、同じ角度からの2つ又はそれよりも多くのパフォーマンスビデオをオーバーレイするデジタルビデオ操作技術を利用することである。例えば、特定のサッカーキックの形態のスキルは、ボールが各パフォーマンスのために確定された場所に並びに確定された標的に位置決めされた状態で、(運動選手の背後の)所定の後方角度位置から撮影されてよい。2つ又はそれよりも多くのパフォーマンスから取り込まれるビデオは、(比較ビデオ内で時間的に整列させられる動き中の時点に基づき選択される)確定された共通原点ビデオフレームに基づき、透明度を伴ってオーバーレイされる。これが制御された環境で撮影されると仮定するならば、プレーヤ及びボールの位置のみが2つのビデオキャプチャ間で異なるはずである(そして、カメラ位置の僅かな誤差は、バックグラウンド整列を使用して考慮され得る)。これは観察者がオーバーレイされるパフォーマンスの動きの変化に基づきパフォーマンス間の類似点及び相違点をより多く特定するのを可能にする。多数の角度が使用されるのが好ましい(例えば、側面図及び頂面図)。
ステップ811の第3の例は、モーションキャプチャデータを利用する視覚駆動型分析を含む。モーションキャプチャデータは、例えば、従来的なモーションキャプチャ技術、搭載センサ、深度に敏感なビデオ機器(例えば、Microsoft Kinectによって使用されるような深度センサカメラ)及び/又は他の技法を使用して、多数のパフォーマンスについて収集される。これはパフォーマンスがモーションキャプチャに基づきコンピュータシステム内で再構成されるのを可能にする。後続の視覚的分析は、従前のビデオの例において利用されるものと類似してよいが、モーションキャプチャアプローチは、より精密な観察及び視点に対する追加的な制御を可能にすることがある。例えば、モーションキャプチャ技術を介して構築される三次元モデルは、多数のオーバーレイされるパフォーマンスを数多くの角度から比較することにより、動作及び/又は位置の相違を特定し得るように、自由視点制御を可能にする。
フェーズ811での視覚駆動型分析のための他のアプローチが使用されてもよい。
視覚駆動型分析から生じる観察は、幾つかの実施態様では記述的である。例えば、観察は、「アプローチの最初の1秒(“first second of approach”)の間の股関節の内傾」、「足が地面と接触する前の肘の屈曲」、「最初の姿勢の間に落ちる左肩」のような、記述形式で定義されることがある。記述形式は、記述されるアーチファクト(artefact)の結果、例えば、「アプローチの最初の1秒の間の股関節の内傾」がボールを目標の左に振れさせることに関する情報を含んでよい(或いはそのような情報と関連付けられてよい)。
この明細書の目的のために、フェーズ801(及びステップ811)の結果を「パフォーマンス影響要因」と呼ぶ。
図8Bにおいて、フェーズ802は、技術的に観察可能なデータへの視覚駆動型観察の適用を含むプロセスを表す機能ブロック812を含む。これはやはり比較分析を使用してよいが、この場合には、例えば、デジタル化された情報、例えば、(エンドユーザが装着するセンサと同じ又は類似のセンサであってよい)センサ又はモーションキャプチャを用いて収集される情報に基づく。機能ブロック812は、所与のパフォーマンス影響要因PAFnについて、PAFnに起因する1つ又は複数のパフォーマンスから得られるデータを特定する。これはPAFnを示さない1つ又は複数のパフォーマンスについてのデータとPAFnを示す1つ又は複数のパフォーマンスについてのデータとの比較分析を含む。一例として、「アプローチの最初の1秒の間の股関節の内傾」を実証する取込みデータを分析して、「アプローチの最初の1秒の間の股関節の内傾」に起因するデータの特徴を特定する。これは「アプローチの最初の1秒の間の股関節の内傾」を実証しないサンプルのデータとの比較によって特定されてよい。
本明細書に記載するように、データ分析は、各パフォーマンス影響要因についての観察可能なデータ条件の決定をもたらす。すなわち、PAFnはODCnと関連付けられる。従って、所与のパフォーマンスについてのセンサデータが処理されるとき、ソフトウェアアプリケーションは、ODCが存在するか否かを自律的に決定することができ、故に、PAFnの特定を示す結果を提供することができる。すなわち、ソフトウェアは、センサから得られるデータの処理に基づき、例えば、「アプローチの最初の1秒の間に股関節の内傾」があるか否かを自律的に決定するように構成される。
幾つかの実施態様では、所与のPAFnが多数のODCと関連付けられる。これは、以下のもの、すなわち、特定のセンサ技術/構成(例えば、幾らかのエンドユーザが16センサスーツを着用し、他のユーザが24センサスーツを着用する場合)と関連付けられるODC、異なるユーザ身体属性(例えば、短い肢を有する着用者とは対照的に、長い肢を有する着用者に異なるODCが必要とされる場合)と関連付けられるODC等を含む。他方、幾つかの実施態様において、ODCは、以下に更に議論するように、身体属性について標準化される。
図8Bにおいて、実施フェーズ803は、(複数の)トレーニングプログラムへの実施を表す機能ブロック813を含む。これは、観察可能なデータ条件に基づき引き起こされるエンドユーザデバイスソフトウェア機能性を定義付けること含む。すなわち、観察可能なデータ条件の各セットは、エンドユーザのモーションセンサ(運動センサ)のセットから得られるデータを処理するソフトウェアアプリケーションを介して実施され、それにより、スキルのエンドユーザの身体的パフォーマンスにおける関連するパフォーマンス影響要因のセットの存在のモニタリングを可能にする。幾つかの実施態様では、規則ベースのアプローチが使用され、例えば、「ODCが観察されるならば、次に、アクションXを実行する」。様々な程度の複雑さの規則が(例えば、OR、AND、ELSE等のような他の演算子を使用して、或いはより強力な規則構築技術の利用によって)定義され得ることが理解されるであろう。規則の精密な性質は、コンテンツ作成者の裁量に委ねられる。一般的な原理として、幾つかの実施態様では、目的は、エンドユーザが後続のパフォーマンスにおいて彼らの挙動を修正するように促し、それにより、最適なパフォーマンスに潜在的により近づくことを意図する、アクションを定義することである。
上記の例を続けると、観察可能なデータ条件の1つのセットは、ユーザが観察されたパフォーマンスにおいて「アプローチの最初の1秒の間の股関節の内傾」を示したことを示す。従って、フェーズ803の間に、そのような観察可能なデータ条件は、ユーザが「アプローチの最初の1秒の間の股関節の内傾」を他の動作属性(例えば、最適なパフォーマンスは、「動作の最初の1秒の間の水平な股関節、左足が地面に触れた後の股関節の上傾」を必要とすることがある)と置換するのを支援するように定義された、フィードバック命令(又は多数の潜在的なフィードバック命令)と任意的に関連付けられる。フィードバックは、股関節の傾きに関係する必要は全くなく、コーチング知識は、例えば、手の位置又は開始姿勢を調整することが間違った股関節の位置を矯正するのに有効であり得ることを明らかにすることがある(その場合、観察可能なデータ条件は、股関節の位置に関連する二次的分析を可能にするよう、それらのパフォーマンス影響要因のために定義されてもよい)。
図8Cは、その一部を図8Bを参照して記載した、フェーズ801乃至803内の機能ブロックの代替的なセットを示す、1つの実施態様に従った方法を示している。
機能ブロック821は、所与のスキルについてパフォーマンスの複数のサンプルを収集する、サンプルパフォーマンス収集フェーズを表している。機能ブロック822は、例えば、上述のような視覚駆動型技術を介した或いは他の技法による、サンプルデータ分析を表している。これは、スキルSiについてSiPAF1乃至SiPAFnとして表されることがある、スキルについてのパフォーマンス影響要因の定義をもたらす(機能ブロック823を参照)。
機能ブロック824は、パフォーマンスデータ(例えば、モーションキャプチャ、装着センサ、深度カメラ、及び他の技術のうちの1つ又は複数から得られるデータ)を分析し、それにより、パフォーマンス影響要因の証拠であるデータ特性(data characteristics)を特定するプロセスを表している。例えば、パフォーマンス影響要因を示すと知られる1つ又は複数の性能派生データセットが、パフォーマンス影響要因を示さないと知られるパフォーマンス影響要因を示すと知られる1つ又は複数のパフォーマンス派生データセットと比較される。多数の装着センサを使用する幾つかの実施態様において、属性とされるデータは、(i)センサの相対的な角変位、(ii)センサの相対的な角変位の変化率、(iii)センサの相対的な角変位のタイミング、並びにセンサの相対的な角変位のタイミング及び速度を含む。
機能ブロック825は、機能ブロック824での分析に基づき、各パフォーマンス影響要因について観察可能なデータ条件を定義することを含むプロセスを表している。観察可能なデータ条件は、それらがエンドユーザのパフォーマンスから得られるセンサデータにおいて(例えば、トラップ状態として)自律的に特定されるのを可能にする方法で定義される。それらは、スキルSiについて、SiODC1乃至SiODCnとして表されてよい。上述のように、幾つかの実施態様において、所与のPAFは、多数のODCと関連付けられる。これは、以下のもの、すなわち、特定のセンサ技術/構成と関連付けられるODC(例えば、幾らかのエンドユーザが16センサスーツを着用し、他のユーザが24センサスーツを着用する場合)、異なるユーザの身体属性と関連付けられるODC(例えば、短い肢を有する着用者とは対照的に、長い肢を有する着用者に異なるODCが必要とされる場合)等を含む。他方、幾つかの実施態様では、ODCは、以下に更に議論するように、身体属性について標準化される。
代替的な実施例:例示的な分析方法論
図8Dは、1つの実施態様に従った、フェーズ801でのサンプル分析のための例示的な方法を例示している。
機能ブロック831は、この例ではエキスパートユーザである被験者に所与のスキルを複数回実行させることを含むプロセスを表している。例えば、幾つかの実施態様では、約100回のパフォーマンスのサンプルサイズが好ましい。しかしながら、ある範囲のサンプルのサイズが実施態様の中で使用され、幾つかの場合には、スキルの性質が所要のサンプルのサイズに影響を与える。
機能ブロック832は、多数のパフォーマンスの検討を含むプロセスを表している。これは、記載の実施態様では、例えば、(例えば、上述のようなオーバーレイされたビデオデータを使用する)ビデオ検討として、或いはモーションキャプチャ検討(例えば、幾つかの場合にはモーションセンサの使用を含むモーションキャプチャ技術に得られる仮想三次元身体構造物)による、視覚駆動型分析を活用する。
機能ブロック832での検討に基づき、パフォーマンスが分類される。これは最適なパフォーマンスを特定すること(ブロック833)及び最適に満たないパフォーマンスを特定すること(ブロック834)を含む。分類化(categorisation)は、客観的要因に基づくのが好ましい。例えば、幾つかの技能は、力(power)、速さ(speed)、精度(accuracy)等のような、1つ又は複数の定量化できる目標(objectives)を有する。これらの目標のうちのいずれか1つ又は複数について客観的な基準が定められてよい。一例として、精度が標的(target)として定量化されてよい。標的に当たるならば、パフォーマンスは「最適」である。標的を外すならば、パフォーマンスは「最適に満たない」。他の例として、圧力センサは、パフォーマンスに由来する衝撃が「最適」であるのに十分な大きさであるか否かを決定してよい。
機能ブロック835は、最適に満たないパフォーマンスの分類化を含むプロセスを表している。例えば、客観的な基準を定義し、それにより、各々の最適に満たないパフォーマンスを1つのカテゴリと関連付ける。スキルのその(又は1つの)目標が精度である1つの実施態様では、多数の「失敗ゾーン」が定義される。例えば、中央標的ゾーンと、4つの「失敗」象限(左上、右上、左下、右下)とがある。その場合、最適に満たないパフォーマンスは、当てられた「失敗」象限に基づき分類される。例えば、失敗の程度等に関する、追加的な細分性(granularity)について、追加的な基準が定義されてよい。
次に、最適に満たないパフォーマンスの各カテゴリからのサンプルを最適なパフォーマンスと比較し、それにより、パフォーマンス誤差等の共通点を特定する。これは、例示の実施態様において、ループプロセスを介して達成される。すなわち、次のカテゴリが機能ブロック836で選択され、そのカテゴリの最適に満たないパフォーマンスが機能ブロック837で最適なパフォーマンスと比較され、パフォーマンス影響要因が機能ブロック838で決定される。次に、方法は、評価されるべき最適に満たないパフォーマンスの残余のカテゴリがある場合には、決定839に基づきループする。
機能ブロック838で決定されたパフォーマンス影響要因は、現在のカテゴリにおいて最適でないパフォーマンスをもたらすことが観察される視覚的に特定されたパフォーマンス影響要因である。本質的に、これらは結果の観察(observance)とは対照的にモーションの観察に基づく所与のパフォーマンスの結果の予測を可能にする。例えば、「失敗−左下象限」カテゴリは、「アプローチの最初の1秒の間の股関節の内傾」のパフォーマンス影響要因をもたらすことがある。このパフォーマンス影響要因は、最適に満たないパフォーマンスのそのカテゴリと特異に関連付けられ(すなわち、サンプル内で一貫して観察され)、最適なパフォーマンス又は最適に満たないパフォーマンスの他のカテゴリでは観察されない。従って、得られる知識は、「アプローチの最初の1秒の間の股関節の内傾」が観察される場合であり、標的の左下に失敗があることが予想される。
フェーズ802及び803に続いて、これは、ソフトウェアアプリケーションが、装着センサデータのみに基づき(すなわち、「アプローチの最初の1秒の間の股関節の内傾」と関連付けられる観察可能なデータ条件を有することをセンサデータ内で特定することに基づき)、所与のパフォーマンスが標的の左下に失敗をもたらした可能性が高いことを自動的に予測できる状況をもたらすことが、理解されるであろう。実用的なレベルで、エンドユーザには、「それは下及び左に失敗しましたね?次はXXXに焦点を当てたら如何ですか?」のような、仮想コーチからの音声フィードバックが提供されてよい。これは有意な結果である。それは、従来的には視覚的コーチングによって観察される客観的な要因が、自動化されたセンサ駆動型環境に変換されるのを可能にする。
幾つかの実施態様において、サンプル分析は、サンプルパフォーマンスを提供する人による視覚的分析プロセスの関与によって強化される。例えば、これはよく知られたスター運動選手であってよい。その運動選手は、重要なパフォーマンス影響要因について彼/彼女自身の洞察を提供し、それは最終的に「エキスパート知識」をもたらし、それはユーザがトレーニングに携わって、そのスキルの特定のエキスパートの解釈に基づき特定のスキルを習得するのを可能にする。これに関して、個々のスキルは、多数の異なるエキスパート知識のバリエーションを有してよい。具体的な例として、サッカーのチップキックは、最適な形態のチップキックについてのプレーヤXの解釈に基づく第1のエキスパート知識のバリエーション、及び最適な形態のチップキックについてのプレーヤYの解釈に基づく第2のエキスパート知識のバリエーションを有してよい。これはユーザが所望のスキルに関するトレーニングを受けるのみならず、その所望のスキルに関する選択的なエキスパートの知識に基づくトレーニングを受けることを可能にする(そして、それは、幾つかの実施態様において、その選択的なエキスパートによるトレーニングと類似するユーザ体験を提供することがある)。
コンテキストとして、エキスパート知識に関連して、PODデバイスにダウンロードされるデータは、所望のエキスパート知識のバリエーションの選択に基づきユーザによって選択される。すなわち、1つ又は複数のスキルのうちの選択的なセットについて、第1の選択可能なエキスパート知識のバリエーション及び第2の選択可能なエキスパート知識のバリエーションがある。
幾つかの実施態様では、第1の選択可能なエキスパート知識のバリエーションについて、ダウンロード可能なデータは、パフォーマンス分析センサのセットから得られるデータにおいて、所与のスキルと関連付けられる観察可能なデータ条件の第1のセットを特定するよう、クライアントデバイスを構成し、第2の選択可能なエキスパート知識のバリエーションについて、ダウンロード可能なデータは、パフォーマンス分析センサのセットから得られるデータにおいて、所与のスキルと関連付けられる観察可能なデータ条件の第2の異なるセットを特定するよう、クライアントデバイスを構成する。例えば、観察可能なデータ条件の第1のセットと観察可能なデータ条件の第2のセットとの間の相違は、それぞれのエキスパート知識のバリエーションと関連付けられる人間エキスパートのスタイルバリエーションを考慮する。他の場合には、観察可能なデータ条件の第1のセットと観察可能なデータ条件の第2のセットとの間の相違は、それぞれのエキスパート知識のバリエーションと関連付けられる人間エキスパートから得られるコーチングアドバイスを考慮する。
幾つかの実施態様では、第1の選択可能なエキスパート知識のバリエーションについて、ダウンロード可能なデータは、所与のスキルと関連付けられる定義された観察可能なデータ条件を観察することに応答して、第1のセットのフィードバックデータをユーザに提供するよう、クライアントデバイスを構成し、第2の選択可能なエキスパート知識のバリエーションについて、ダウンロード可能なデータは、所与のスキルと関連付けられる定義された観察可能なデータ条件を観察することに応答して、第2の異なるセットのフィードバックデータをユーザに提供するよう、クライアントデバイスを構成する。例えば、フィードバックデータの第1のセットとフィードバックデータの第2のセットとの間の相違は、それぞれのエキスパート知識のバリエーションと関連付けられる人間エキスパートから得られるコーチングアドバイスを考慮する。代替的に(又は追加的に)、フィードバックデータの第1のセットとフィードバックデータの第2のセットとの間の相違は、それぞれのエキスパート知識のバリエーションと関連付けられる人間エキスパートの音声を表す異なる音声データを含む。
代替的な実施例:データ分析方法論
図8Eは、1つの実施態様に従った、フェーズ802でのデータ分析のための例示的な方法を例示している。この方法は、例えば、図8Dの方法を介して定義されるような、最適に満たないパフォーマンスカテゴリの分析を参照して記載される。しかしながら、対応する方法を最適なパフォーマンスに関して実行し、(それにより、最適なパフォーマンスと関連付けられる観察可能なデータ条件を定義して)もよいことが理解されるべきである。
機能ブロック841は、次の最適に満たないパフォーマンスカテゴリのデータ分析を開始することを含むプロセスを表している。パフォーマンス影響要因を指針(ガイド)として使用して、複数の最適に満たないパフォーマンスについて、機能ブロック842で、最適に満たないパフォーマンスデータと最適なパフォーマンスデータとの間の比較が行われる。機能ブロック843で、(類似性及び相違のような)データパターンが特定される。幾つかの実施態様において、目標は、最適に満たないパフォーマンスの全てに共通する、(しかしながら、あらゆる他の最適に満たないカテゴリにおける最適なパフォーマンスでは観察されない)データ特性を識別し、それらのデータ特性がパフォーマンス影響要因とどのように関係することがあるかを決定する。機能ブロック844は、各パフォーマンス影響要因について、観察可能なデータ条件のうちの1つ又は複数のセットを定義することを含むプロセスを表している。そのプロセスは、決定845に基づき、対的な最適に満たないパフォーマンスカテゴリのためにループする。
代替的な実施例:実施方法論
図8Fは、1つの実施態様に従った、フェーズ803での実施のための例示的な方法を例示している。
機能ブロック851は、フェーズ801及び802を介してパフォーマンス影響要因と関連付けられる観察可能なデータ条件のセットを選択することを含むプロセスを表している。条件満足規則が機能ブロック851で設定され、これらは、入力されたセンサデータに基づき、観察可能なデータ条件の選択的なセットがいつ満足されると見做されるかを定義する。例えば、これは閾値等を設定することを含んでよい。次に、機能ブロック853は、観察可能なデータ条件(フィードバック、代替的なアクティビティへの指示等)との関連付けを意図する1つ又は複数の機能性を定義することを含む。次に、その規則及び関連する機能性は、機能ブロック856でのトレーニングプログラムオーサリングプロセスにおける使用のために、機能ブロック854でエクスポートされる。この方法は、より多くの観察可能なデータ条件が利用されることが意図されるならば、決定855でループする。
所与のフィードバック命令が、好ましくは、コーチ及び/又は他のエキスパートとの協議によって定義される。フィードバック命令は、関連するパフォーマンス影響要因を直接的に参照する必要がないことが理解されるであろう。例えば、引き続きの例において、フィードバック命令は、(例えば、手の位置付け、目の位置付け、開始姿勢等を介して)内向きの股関節の傾きを間接的に矯正することがある特定のタスクに焦点を当てるよう、ユーザに指示してよい。幾つかの場合には、多数のフィードバック命令が、特定のフィードバック命令が特定のユーザと共鳴するが、他のユーザとは共鳴しないことを指摘して、観察可能なデータ条件の所与のセットと関連付けられてよい。
代替的な実施例:スタイル及び身体属性の標準化
幾つかの実施態様では、フェーズ801及び802で、多数のサンプルユーザのパフォーマンスを観察し、それにより、スタイル及び身体属性の影響を特定する(そして、幾つかの場合には、標準化する)のを支援する。
コンテキストとして、異なるユーザが、本質的に、所与のスキルを僅かに異なって実行する。幾つかの場合において、その相違は、個人的なスタイルの結果である。しかしながら、スタイルに起因する要素にも拘わらず、典型的には、類似点において有意な重なり合い(オーバーラップ)がある。幾つかの実施態様は、視覚的及び/又はデータレベルで多数の被験者のパフォーマンスを比較し、それにより、異なるスタイルにも拘わらずパフォーマンス被験者に共通する観察可能なデータ条件を定義することによって、スタイルを標準化する。これはスタイルの中立性をもたらす。幾つかの実施態様は、代替的に又は追加的に、視覚的及び/又はデータレベルで多数の被験者のパフォーマンスを比較し、それにより、ユーザを訓練するよう調整された(tailored)トレーニングプログラムがその特定スタイルに従うのを可能にする(例えば、個々のスキルは、エンドユーザが個別に購入し得る多数の異なるエキスパート知識のバリエーションを有してよい)。
身長、肢の長さ等のような、身体属性は、幾つかの場合において、観察可能なデータ条件に対する影響も有する。幾つかの実施態様は、特定のエンドユーザの身体寸法がセンサデータに基づき決定され、観察可能なデータ条件が(例えば、サイズ又はサイズ範囲に固有のデータ条件を調整(scaling)及び/又は選択することによって)相応して調整されるように、観察可能なデータ条件を実施する。他の実施態様は、観察可能なデータ条件をサイズについて標準化し、それにより、エンドユーザの身体属性影響を無効にするような、アプローチを実施する。
幾つかの実施態様において、方法論は、視覚的及び/又はデータレベルで多数の被験者のパフォーマンスを比較し、それにより、(i)身体属性に拘わらず、パフォーマンス被験者に共通する観察可能なデータ条件を定義すること、及び/又は(ii)既知のエンドユーザ属性に基づき観察可能なデータ条件の1つ又は複数の属性を調整する(scale)規則を定義すること、及び/又は(iii)特定の既知の身体属性を有するエンドユーザに合わせてそれぞれ調整された(tailored)観察可能なデータ条件の多数のセットを定義することの一方又は両方によって、身体属性を標準化するように、強化される。
図8Gは、身体属性及びスタイル標準化についての例示的な方法を例示している。この方法の要素は、フェーズ801及びフェーズ802のいずれかに関して実行される。機能ブロック861は、比較ポイントを提供するよう、第1のエキスパートのために分析を実行することを表している。次に、機能ブロック862によって表されているように、類似のスキルレベルの多数の更なるエキスパートについても、分析が実行される。機能ブロック863は、身体属性に起因するアーチファクト(artefact)を特定することを含む処理を表しており、機能ブロック864は、身体属性に基づく標準化を表している。機能ブロック865は、スタイルに起因するアーチファクトを特定することを含む処理を表しており、機能ブロック864は、スタイルに基づく標準化を表している。幾つかの実施態様では、標準化の一方又は両方の形式が、原因となるアーチファクトを特定する初期ステップを伴わずに実行される。
例示的な実施例:多数の能力レベルへの適用
幾つかの実施態様では、様々な能力レベルの使用のために、フェーズ801及び802(及び任意的に803)が実行される。その根本的理由は、エキスパートがアマチュア又は初心者と異なるミスを犯す可能性が高いということである。例えば、エキスパートは、殆どの場合において、最適なパフォーマンスに極めて近いものを一貫して達成する可能性が高く、要求されるトレーニング/フィードバックは、精密な動きに関して極めて精緻である。他方、初心者のユーザは、より一層粗悪な間違いを犯す可能性が高く、エキスパートに関連する精緻な観察及びフィードバックが大きな助けになり或いは関連性を持つ前にそれらに関するフィードバックを必要とする。
図8Hは、1つの実施態様に従った方法を例示している。機能ブロック861は、能力レベルAL1についての分析を表している。これは、幾つか実施態様において、身体及び/又はスタイルの標準化を可能にする多数の被験者からの多数のサンプルの分析を含む。能力レベルAL1についての観察可能なデータ条件は、機能ブロック862で出力される。これらは、ブロック863及び864によって表されているように、能力レベルAL2について繰り返される。次に、プロセスは、能力レベルALnまで(所望の能力に関連する細分性(granularity)に依存して)任意の数の能力レベルについて繰り返される(ブロック865及び866を参照)。
図8Iは、各能力レベルについて初期サンプルが取られ、次に、身体サイズ及び/又はスタイル標準化のために拡張され、それにより、各能力レベルについて観察可能なデータ条件が提供されるような、図8G及び図8Hに示す特徴の間の組み合わせを例示している。
カリキュラム構築フェーズ:概要
上述のように、スキル分析フェーズ100に続いて、図1Bの例示的なエンドツーエンドのフレームワークは、カリキュラム構築フェーズ110に進む。カリキュラム構築の詳細な特徴は、本開示の範囲外である。熟練した受取人(addressee)が、このフェーズが全体的なエンドツーエンドのフレームワークにおいてどのように役割を果たすかを理解するためには、カリキュラム構築のためのアプローチの高レベルの理解で十分である。
一般論として、エンドユーザ機能性がスキルトレーニングに関係する場合、カリキュラム構築は、ODCをトレーニングコンテンツの配信に影響を与える入力として使用するよう、論理プロセスを定義付けることを含む。例えば、トレーニングプログラム論理は、以下を含む機能を実行するように構成されるが、これらに限定されない。
● 1つ又は複数の定義付けられたODCの特定に基づき、ユーザの能力レベルに関連する予測的な決定を行う。
● 1つ又は複数の定義付けられたODCの特定に基づき、ユーザにフィードバックを提供する。例えば、これは、ODCが表す徴候及び/又は原因に関連するフィードバックをコーチングすることを含んでよい。
● 1つ又は複数の定義付けられたODCの特定に基づき、トレーニングプログラムの異なる部分/フェーズに移動する。例えば、これは、(i)所与のスキル(又はサブスキル)が十分に習得されていると決定し、新しいスキル(又はサブスキル)に進むこと、又は(ii)ユーザが特定の困難を有していると決定し、特定の困難に対処する修復トレーニングを提供することを意図する異なるスキル(又はサブスキル)に関するトレーニングをユーザに提供することを含んでよい。
これらは表示の選択であるにすぎない。本質的に、基礎を成す着想は、ODC(すなわち、MSD、より一般的には、PSDにおいて特定され得るデータ属性)を使用し、それにより、トレーニングプログラム中の機能を推進することである。実際のレベルでは、これは、ユーザがゴールドスイング(gold swing)の動きを改善するのを助けることのようなものから、ユーザがギターで音楽を演奏するときの音符の進行を習得するのを助けることのようなものまで、幅広いトレーニングを提供するのを可能にする。
更なる実施態様が、スキルトレーニング以外のコンテキストにおいて、例えば、特定のスキルが実行されたことの特定に依存する(競争アクティビティのような)アクティビティ、並びにそれらのスキルの属性(例えば、特定のスノーボード技巧(snowboarding trick)が実行されたこと、及びその技巧と関連付けられる飛行時間測定)のコンテキストにおいて、適用可能であることが理解されなければならない。そのような実施態様において、ODCは、スキル特定及びスキル属性測定を含む目的のために使用される。
幾つかの実施態様において、好適な実施態様におけるユーザインタフェースによって提供されるフィードバックは、パフォーマンスを向上させるためにどのように動きを改良するかについての提案、又は、より具体的に(モーションセンサのコンテキストにおいて)、最適なパフォーマンスを表すものとして予め定義付けられるモーション属性をより綿密に繰り返すことの提案を含む。これに関して、ユーザは、トレーニングパッケージをダウンロードして、スポーツスキルのような特定のスキルを学習する(幾つかの実施態様において、トレーニングパッケージは、複数のスキルのコンテンツを含む)。例えば、トレーニングパッケージは、サッカー(特定のスタイルのキック)、クリケット(例えば、特定のボーリング技法)、スキー/スノーボード(例えば、特定の空中操作)等のようなものを含む、広範なスキルに関連してよい。
一般論として、本明細書で開示する技術の実施態様によって実行する共通の操作プロセスは、(i)ユーザインタフェースがトレーニングされているスキルを定義付ける或いは関連付けるアクションを実行する命令を提供すること、(ii)PODデバイスがセンサからの入力データをモニタリングし、アクションのユーザパフォーマンスと関連付けられる徴候モデル値を決定すること、(iii)ユーザのパフォーマンスを分析すること、及び(iv)ユーザインターフェースアクションを実行すること(例えば、モーションの特定の特徴に再び集中することを試みるフィードバック及び/又は命令を提供すること)である。一例が図11A中の方法1100のブロック1103乃至1106に示されている。
パフォーマンスベースのフィードバック規則は、観察されるユーザのパフォーマンスに応答する適切な方法において機能するようスキルトレーニングコンテンツを構成するよう、主観的に予め定義付けられる。これらの規則は、徴候に基づき、好ましくは、観察された徴候モデルデータ値と予め定義されたベースライン徴候モデルデータ値(例えば、最適なパフォーマンス及び/又は予期される間違ったパフォーマンスについての値)との間の偏差に基づき定義される。規則は、幾つかの実施態様において、指定されたベースライン徴候モデルデータ値(又は複数の値)と観察される値との間の、特定の徴候(又は複数の徴候)についての、特定の範囲(又は複数の範囲)における偏差に基づく。
幾つかの場合、規則のセットは、特に個々のエキスパートのためのコンテンツ作成者によって定義付けられる(或いは調整される/重み付けられる)。すなわち、エキスパート知識が、定義付けられた規則を介して実施される。
図11Bは、パフォーマンスベースのフィードバック規則を定義付ける例示的な方法1110を例示している。規則作成は、機能ブロック1111で開始される。機能ブロック1112は、徴候を選択することを含むプロセスを表している。例えば、これは規則が関連するスキルについて定義付けられる徴候のセットから選択される。機能ブロック1113は、徴候モデル値特性を定義付けることを含むプロセスを表している。例えば、これは、値の範囲又は予め定義づけられた値からの偏差の範囲(例えば、最適又は間違ったパフォーマンスについてのベースライン値からの偏差)を含む。
決定1114は、単一の規則内で更なる徴候を組み合わせる能力を表している(この場合、方法は、1112にループする)。例えば、徴候は、「AND」、「OR」、及び他のそのような論理演算子を使用して、徴候を組み合わせられることができる。
機能ブロック1115は、規則効果パラメータ(rule effect parameters)を定義付けるプロセスを表している。すなわち、機能ブロック1111乃至1114は、規則の「IF」成分に関連し、機能ブロック1115は、規則の「THEN」成分に関連する。以下のうちの1つ又は複数を含む「THEN」成分の種類の範囲が利用可能である。
● ユーザインタフェースを介して特定のフィードバックメッセージを提供する規則。
● ユーザインタフェースを介して選択的な特定のフィードバックメッセージのうちの1つを提供する規則(どれが他の要因、例えば、ユーザの履歴データに任意的に基づくかについての二次的な決定を伴う)。
● ユーザインタフェースを介して特定の命令を提供する規則。
● ユーザインタフェースを介して選択的な特定の命令のうちの1つを提供する規則(どれが他の要因、例えば、ユーザの履歴データに任意的に基づくかについての二次的な決定を伴う)。
● スキル又はアクティビティのために定義付けられた進行経路における異なる段階に進む規則。
● 定義付けられた進行経路における選択的な異なる段階のうちの1つを進める規則(どれが他の要因、例えば、ユーザの履歴データに任意的に基づくかについての二次的な決定を伴う)。
● 特定のコンテンツ(例えば、異なるスキル又はアクティビティに関するトレーニングのためのコンテンツ)をPODデバイスにダウンロードすることを提案する規則。
これらは一例にすぎないこと、並びに、実施態様は、柔軟且つ潜在的に複雑な規則定義能力を可能にする複雑な構成を任意的に実施することが理解されるであろう。
幾つかの実施態様において、規則は、ユーザの属性に基づき適応する動的な進行経路に統合される。幾つかの例を以下で更に議論する。コンテキストとして、観察及びフィードバックは、1対1の関係で結びつかない。所与のパフォーマンス観察(すなわち、観察される徴候モデル値のセット)が、ユーザ属性に依存する多数の可能な影響と関連付けられてよい。重要な例は「フラストレーション緩和」であり、それはユーザが間違いを繰り返して同じフィードバックを受け取るというループに嵌るのを防止する。代わりに、命令された方法において実行する試みが失敗した回数が閾値を超えた後に、代替的なアプローチ(例えば、異なるフィードバック、ユーザが成功する可能性が高い異なるタスクを開始すること等)を実施する。
ユーザインタフェースによって提供されるフィードバックは、幾つかの実施態様において、以下のユーザ属性のいずれか又は両方に基づき適合するように構成される。これらのユーザ属性は、幾つかの場合において、以下のうちの1つ又は複数を含む。
● 以前のユーザパフォーマンス。ユーザがスキルを試みることに多数回失敗するならば、ユーザインタフェースは、ユーザに異なるフィードバック、試みるべき異なるスキル(又はサブスキル)等を提供することによって適応する。これは、好ましくは、ユーザが特定の結果を達成するのを繰り返し失敗する状況を防止することによって、ユーザのフラストレーションを軽減するように構成される。
● ユーザ学習スタイル。例えば、幾つかの場合には、ユーザの特定された好適な学習スタイルに基づき、異なるフィードバック/命令スタイルがユーザに提供される。好適な学習スタイルは、幾つかの場合には、アルゴリズム的に決定され、幾つかの場合には、好み選択インタフェースを介してユーザによって設定される。
● ユーザ能力レベル。幾つかの実施態様において、フィードバック経路は(このコンテキストではユーザが設定する好みである)ユーザの能力レベルを考慮する。このようにして、第1の能力レベルのユーザに提供されるフィードバックは、他の能力レベルに関してユーザに提供されるフィードバックと異なることがある。これは、一例として、エリートレベルのアスリートと比較して、トレーニングにおける異なるレベルの精緻化が、アマチュアのアスリートに提供されるのを可能にするために使用される。
幾つかの実施態様は、そのような適合フィードバック原理を活用してコンテンツ生成を可能にする技術的フレームワークを提供する。
図16は、1つの実施態様に従ったカリキュラム操作/実施の例を提供している。ユーザはスキルを試すように命令され、それがどのように実行されるかが示されている。ユーザが試行したパフォーマンスは、PSUによって取り込まれ、ODCを使用して診断される。次に、主スキルをより容易に学習させるために教えられ得るサブスキルを特定することを含んでよい、フィードバック決定を行うように、エンジンが構成される。次に、フィードバックが配信され、プロセスはループする。様々な実施態様に従ったカリキュラムでは、そのような「試行」、「表示」、「観察」、「診断」、「優先順位付け」及び「応答」ループが使用される。
例示的なダウンロード可能なコンテンツデータ構造
以下のスキル分析及びカリキュラムの構築に続き、コンテンツは、エンドユーザデバイスにダウンロードするのが可能にされる。これは、好ましくは、ウェブ対応デバイスのユーザが利用可能なコンテンツをブラウズし、それぞれのデバイスにコンテンツをダウンロードさせる、1つ又は複数のオンラインコンテンツマーケットプレイスを介して、利用可能にされる。
好適な実施態様において、ダウンロード可能なコンテンツは、以下の3つのデータの種類を含む。
(i)「センサ構成データ」(“sensor configuration data”)とも呼ぶセンサ構成命令を表すデータ。これは、1つ又は複数のPSUのセットの構成をもたらして、特定された属性を有するセンサデータを提供するように構成される、データである。例えば、センサ構成データは、所与のPSUに、アクティブ/非アクティブ状態(及び/又は定義付けられるプロンプトに応答するそれらの状態間の進行)を採用させ、定義付けられるプロトコル(例えば、サンプリング速度及び/又は分解能)に基づきその構成要素センサコンポーネントのうちの1つ又は複数からセンサデータを配信させる、命令を含む。所与のトレーニングプログラムは、それぞれの練習のために(又はODCモニタリングの特定の形態を促すプログラム内イベントに応答して)に適用される、センサ構成データの多数のセットを含んでよい。幾つかの実施態様において、センサ構成データの多数のセットは、エンドユーザハードウェアの異なる構成内の特定のODCを特定するためにそれぞれ最適化されるように定められる。例えば、エンドユーザハードウェアの幾つかの構成は、追加的なPSU及び/又はより先進のPSUを有してよい。好適な実施態様において、センサ構成データは、ODCをモニタリングするときのデータ処理の効率を増大させるために、PSUによって配信されるデータを最適化するように、定められる。すなわち、コンテンツの特定の要素がn個の特定のODCをモニタリングする場合、センサ構成データは、それらのODCの特定にとって不必要なセンサデータの特徴を除去するように定められる。
(ii)接続されたセンサのセットのうちの1つ又は複数から受信する入力データを処理し、それにより、接続されたセンサのセットのうちの1つ又は複数によって検知される身体的パフォーマンスを分析するよう、パフォーマンス分析デバイス(例えば、PODデバイス)を構成する、状態エンジンデータ。重要なことには、これは、配信されるコンテンツに関連する1つ又は複数のODCのセットのモニタリングを含む。例えば、コンテンツは、PSUによって配信されるデータ内の特定のODCの観察に基づく論理によって駆動される。
(iii)身体的パフォーマンスの分析(例えば、トレーニングプログラムデータを含むカリキュラムの配信)に応答してユーザにフィードバック及び命令を提供するようにパフォーマンス分析デバイスを構成する、ユーザインタフェースデータ。幾つかの実施態様において、ユーザインタフェースデータは、少なくとも部分的にウェブサーバから定期的にダウンロードされる。
ダウンロード可能なコンテンツがエンドユーザデバイスに配信される方法は、例えば、エンドユーザハードウェアデバイスの性質、クラウドベースのデータ組織フレームワーク等に基づき、実施態様によって異なる。様々な例を以下に記載する。
センサ構成データに関して、コンテンツデータは、PODデバイス(又は他のデバイス)がその特定のスキル(又はスキルのセット)のために最適化される明確な方法においてデータを提供するようPSUのセットを構成するのを可能にする、コンピュータ可読コードを含む。これは、PODデバイスで実行される処理量を削減するというコンテキストにおいて関連する。センサによって提供されるデータの量は、トレーニングされている特定のスキル又は複数のスキルの徴候を特定するために実際に必要とされるものに基づき減少させられる。例えば、これは以下を含んでよい。
● 1つ又は複数のセンサを選択的に(幾つかの場合には動的に)アクティブ化/非アクティブ化すること。
● 個々のセンサのサンプリング速度を設定する。
● 個々のセンサについてのデータ伝送速度及び/又はデータバッチングシーケンスを設定すること。
● センサが収集するデータのサブセットのみを提供するようにセンサを構成すること。
PODデバイスは、トレーニングされるべきスキルに基づきセンサに構成命令を提供し、引き続き、PSU駆動トレーニングプログラムの配信を可能にするために、適用される構成(例えば、図11Aの機能ブロック1101及び1102を参照)に基づきセンサ又は複数のセンサからデータを受信する。
幾つかの場合において、センサ構成データは、異なる時間にPODデバイスにロードされる様々な部分を含む。例えば、PODデバイスは、センサ構成が実施される特異性を漸進的な方法において増加させる、(同時又は異なる時間にダウンロードされてよい)1つ又は複数の追加的なセットのコードによって補足される、全てのセンサ構成に亘って包括的(generic)である、(例えば、そのファームウェア内の)そのようなコードの第1のセットを含んでよい。例えば、1つのアプローチは、トレーニングされている特定のスキルについて、ベースレベルの命令、特定のMSUのセットに固有の命令、及びそれらのMSUの構成に固有の命令を有することである。
センサは、どのトレーニングコンテンツが配信されるかに関するスキルについての特定のモニタリング要件に基づき構成されるのが好ましい。これは、幾つかの場合には、トレーニングされている特定のモーションベースのスキルに特異であり、或いはトレーニングされているモーションベースのスキルの特定の属性に特異でさえある。
幾つかの実施態様では、状態エンジンデータは、トレーニングされている所与のスキルに基づき、接続されたセンサ(すなわち、PSD)から得られるデータをどのように処理するかに関して、PODデバイスを構成する。幾つかの実施態様において、各スキルは、(任意的にそれぞれ徴候を表す)ODCのセットに関連付けられ、状態エンジンデータは、センサデータを処理し、それにより、特定のODCの観察に基づきユーザのパフォーマンスの客観的な決定を行うように、PODデバイスを構成する。幾つかの実施態様において、これは、特定のODCの存在を特定し、次に、関連付けられる徴候が存在することを決定することを含む。幾つかの場合において、これは引き続き二次的分析を引き起こして、その徴候と関連付けられる原因のセットのうちの1つを表すODCを特定する。他の実施態様において、分析は、(i)ユーザのパフォーマンスに基づきセンサデータから決定された徴候モデルデータ及び(ii)予め定義付けられたベースライン徴候モデルデータ値の間の変動に基づく決定を含む。これは、例えば、予め定義付けられた特性を備える各徴候に関するユーザのパフォーマンスの比較を可能にするために使用される。
幾つかの実施態様におけるユーザインタフェースデータは、ユーザインタフェースを介してレンダリングされるグラフィカルコンテンツを提供するためにレンダリングされるデータを含む。幾つかの実施態様において、そのようなデータは、PODデバイス上で維持される(例えば、ビデオデータは、PODデバイスから、スマートホン又は他のディスプレイのような、ユーザインタフェースデバイスにストリーミングされる)。ユーザインタフェースを介してレンダリングするためのグラフィックコンテンツを定義する他の実施態様のデータは、(i)スマートホン上の又は(ii)クラウドでホストされる場所のどこかに格納される。
ユーザインタフェースデータは、追加的に、適応トレーニングプログラムの実行を引き起こすように構成されるデータを含む。これは、PSD(例えば、MSDから得られるODC)及び他の要因(例えば、能力レベル、学習スタイル、精神/身体状態のような、ユーザ属性)を含む入力に応答する論理/規則を含む。幾つかの実施態様において、そのようなデータのダウンロードは、ユーザがトレーニングプログラムに参加するためにアクティブなインターネット接続が必要とされない、オフラインモードにおける動作を可能にする。
エキスパート知識のバリエーションの配信
幾つかの実施態様において、スキルトレーニングコンテンツは、(少なくとも幾つかのスキルに関して)、使用者に(i)所望のスキル、及び(ii)そのスキルに関する所望の「エキスパート知識」のセットの両方の選択を可能にするように、構成される。
高レベルで、「エキスパート知識」は、ユーザがそのスキルの特定のエキスパートの解釈に基づき特定のスキルを習得するトレーニングに携わるのを可能にする。これに関して、個々のスキルは、多数の異なるエキスパート知識のバリエーションを有してよい。具体的な例として、サッカーチップキックは、最適な形態のチップキックについてのプレーヤXの解釈に基づく第1のエキスパート知識のバリエーション、及び最適な形態のチップキックについてのプレーヤYの解釈に基づく第2のエキスパート知識のバリエーションとを有してよい。これは、ユーザが、所望のスキルに関するトレーニングを受けることを可能にするのみならず、その所望のスキルに関する選択的なエキスパートの知識に基づくトレーニングを受けることも可能にする(幾つかの実施態様において、それはその選択的なエキスパートによってトレーニングされるのと同様のユーザ体験をもたらすことがある)。
技術的な観点から、エキスパート知識は、以下のうちのいずれか1つ又は複数によって配信される。
(i)エキスパートに固有のODCを定義すること。すなわち、(徴候及び/又は原因のような)特定のトリガデータが特定される方法は、所与のエキスパートに固有である。例えば、所与のエキスパートは、特定の徴候がどのように観察され且つ/或いは定義付けられるかについての合意形成された見方(コンセンサスビュー)と異なる見方(ビュー)を有することがある。追加的に、徴候及び/又は原因は、エキスパートに固有の基準で定義付けられてよい(すなわち、特定のエキスパートは、通常の合意の一部ではない徴候を特定する)。
(ii)エキスパートに固有の徴候から原因へのマッピングを定義すること。例えば、所与の観察された徴候に関与することがある原因のセット、及び1つ又は複数の追加的なエキスパートに固有の原因についての合意されたビュー(コンセンサスビュー)があることがある。これは、例えば、特定のエキスパートが徴候の根本的な原因となり得る合意された知恵の外にあるものを探す場合に、エキスパート知識が実施されるのを可能にする。
(iii)フィードバック及びトレーニングプログラム論理のような、エキスパートに固有のトレーニングデータを定義すること。例えば、特定の徴候/原因に対処するために特定のエキスパートによって与えられるアドバイスはエキスパートに固有であってよく、及び/又はエキスパートに固有の修復トレーニングの練習が定義されてよい。
このようにして、エキスパートに固有の適合トレーニングプログラムを提供する技術を介してエキスパート知識を実施することができる。
エキスパート知識は、一例として、以下のうちのいずれか1つ又は複数に基づきエキスパートに固有の調整を可能にするように実施されてよい。
● エキスパートスタイル。例えば、ODC、マッピング及び/又はフィードバックは、ユーザが所与のエキスパートと関連付けられるスタイルにおいてアクティビティを実行することを学習するのを支援するように定められる。これは、例えば、特定の操縦が異なる運動選手によって極めて異なる視覚的スタイルで実行されるアクションスポーツのコンテキストにおいて関連し、1つの具体的なスタイルがユーザによって好適であると見られる。
● エキスパートコーチング知識。例えば、ODC、マッピング及び/又はフィードバックは、エキスパートに固有のコーチング知識へのアクセスをユーザに提供するように定められる。例えば、それは特定のエキスパートが有意且つ/或いは重要であると考えるものに基づく。
● エキスパートコーチングスタイル。例えば、ODC、マッピング及び/又はフィードバックは、特定のエキスパートに固有のコーチングスタイルを繰り返すトレーニングプログラムを提供するように定められる。
所与のエキスパートに固有のデータ(例えば、ODC、マッピング及び/又はフィードバックデータ)を含むトレーニングデータのセットを「エキスパート知識のバリエーション」と呼ぶ。幾つかの場合、特定のスキルは、ダウンロード可能な多数のエキスパート知識のバリエーションを有する。
さらなる実施形態では、エキスパート知識(expert knowledge)は、最適なパフォーマンスのためのエキスパート固有のベースライン徴候モデル(baseline symptom model)データ値を介して実施される(そしてまた任意選択でベースライン徴候モデルデータ値は予想される不正確なパフォーマンスの値も含む)。これは、エキスパート固有のベースライン徴候モデル値による測定された徴候間の比較を可能とし、それによって、例えば、特定のエキスパートが最適なパフォーマンスであると見なすことと、ユーザが実際にどのように行ったかの間の偏差を客観的に評価する。特定の例として、サッカーのチップキック(soccer chip kick)は、プレーヤXの最適な形態のチップキックの解釈に基づく第1のエキスパート知識のバリエーション(expert knowledge variation)、およびプレーヤYの最適な形態のチップキックの解釈に基づく第2のエキスパート知識のバリエーションを有する。これは、ユーザが、所望のスキルに関してトレーニングだけでなく、その所望のスキルに関して選択されたエキスパートからトレーニングを受けることを可能にする。
1つのカテゴリの実施形態は、ユーザがローカルパフォーマンスモニタリングハードウェアデバイスの動作を設定することを可能にするコンピュータ実施方法を提供する。この方法は、(i)クライアントデバイスのユーザがダウンロード可能なコンテンツのセットを選択することを可能にするように構成されたインタフェースを提供することであって、ダウンロード可能なコンテンツのセットは、1つ又は複数のスキルに関連する、インタフェースを提供すること;および(ii)ユーザが、ダウンロード可能なコンテンツの選択されたセットの少なくとも一部を表すデータの、ユーザに関連するローカルパフォーマンスモニタリングハードウェアへのダウンロードを生じさせることを可能にすること、を含む。例えば、サーバデバイスは、(ウェブブラウザアプリケーションまたは専用ソフトウェア(proprietary software)を介してクライアント端末によってアクセスされるインタフェースのような)インタフェースを提供し、クライアント端末のユーザはそのインタフェースにアクセスする。ある場合には、これは、利用可能なコンテンツの閲覧、および/またはハイパーリンク(第三者のウェブページ上のハイパーリンクを含む)を介して利用可能にされるコンテンツ記述ページにアクセスすることを可能にするインタフェースである。これに関して、ある場合には、インタフェースは、コンテンツマーケットプレイスへのクライアントアクセスを提供するインタフェースである。
ある場合には、ダウンロードはユーザ命令に基づいて生じる。例えば、ユーザは、ある場合には、それによってコンテンツが選択(および購入/調達)される初期プロセス、およびコンテンツ(またはその一部)が実際にユーザハードウェアにダウンロードされる後続のプロセスを実行する。例えば、ある場合には、ユーザは、クラウドにホストされた構成で維持される購入されたコンテンツのライブラリを有し、必要に応じてローカルストレージにダウンロードされるべき特定のコンテンツを選択する。実用的な状況として、ユーザは、サッカーとゴルフの両方のためのトレーニングプログラムを購入することができ、ある日にゴルフコンテンツを排他的に使用したいかもしれない(したがって、ゴルフコンテンツの実行に必要なコードの関連部分をダウンロードする)。
ダウンロードは、(i)センサ構成データであって、センサ構成データは、定義された方法で動作し、それによって特定のスキルの試行されたパフォーマンスを表すデータを提供する1つ又は複数のパフォーマンスセンサユニットのセットを構成するデータを含む、センサ構成データ;(ii)状態エンジンデータであって、状態エンジンデータは、1つ又は複数のパフォーマンスセンサユニットのセットによって提供されるデータに基づいて、処理デバイスが特定のスキルの試行されたパフォーマンスの属性を識別できるように構成されるデータを含む、状態エンジンデータ;および(iii)ユーザインタフェースデータであって、ユーザインタフェースデータは、特定のスキルの試行されたパフォーマンスの識別された属性に基づいてユーザインタフェースの動作を可能にするように構成されるデータを含む、ユーザインタフェースデータ、のダウンロードを含む。
特定のトレーニングプログラムを定める全てのデータが一度にダウンロードされる必要がないことは理解されるであろう。たとえば、ユーザハードウェアがインターネット接続を維持するように構成されている場合、コンテンツの追加部分は必要に応じてダウンロードされ得る。しかし、ある場合には、ユーザハードウェアがオフラインモードで動作するように構成され、そのようなとき、コンテンツの実行を可能にするために必要なすべてのデータはローカルハードウェアにダウンロードされる。これは、特に指導ビデオの形でのユーザインタフェースデータのコンテキストにおいて適切である。ある場合には、ダウンロードされたユーザインタフェースデータは、必要に応じて(例えば、ストリーミングを介して)指導ビデオがアクセスされるウェブ位置を表し、他の場合には、ダウンロードされたユーザインタフェースデータはビデオデータを含む。いくつかの実施形態では、よりリッチなコンテンツ(例えば、ストリーミングビデオ)は、オンライン利用のためだけに利用可能である。ユーザがオフラインモードでローカルハードウェアを操作する場合、コンテンツの特定のリッチメディアの側面は閲覧できなくなる。
方法はさらに、選択された1つ又は複数のスキルに対するエキスパート知識のバリエーションによって定められるダウンロード可能なコンテンツをユーザが選択できるようにすることを含み、1つ又は複数のスキルのセットに対して利用可能な複数のエキスパート知識のバリエーションがある。例えば、実用的なレベルでは、オンラインマーケットプレイスは、特定のエキスパートに関連しない「標準」レベルのコンテンツと、特定のエキスパートに関連する1つ又は複数の「プレミアム」レベルのコンテンツを(例えば、ブランドコンテンツとして)提供することができる。
各エキスパート知識のバリエーションは、同じスキルの他のコンテンツ提供とは機能的に異なる。例えば、与えられる試行されるパフォーマンスが分析される方法は、エキスパート知識の特異性に基づいて変化する。
ある場合には、第1のエキスパート知識のバリエーションは第1の状態エンジンデータのセットに関連付けられ、第2のエキスパート知識のバリエーションは第2の異なる状態エンジンデータのセットに関連付けられる。第2の異なる状態エンジンデータのセットは、第1の状態エンジンデータのセットを使用して識別されないパフォーマンスの1つ又は複数のエキスパート固有の属性の識別を可能にするように構成される。エキスパート固有の属性は、次のいずれかまたは両方に関連し得る:
● エキスパートに関連したパフォーマンスのスタイル。例えば、パフォーマンスのスタイルは、1つ又は複数のモーションセンサユニットから得られるデータを使用して観察可能な体動の定義された属性によって表される。これは、コンテンツが、スケートボードの分野における実践的な例として、「マックツイスト(McTwist)を実行する方法を学ぶ」、「プロスケータAのスタイルでマックツイストを実行する方法を学ぶ」および「プロスケータBのスタイルでマックツイストを実行する方法を学ぶ」ことを提供することを可能にする。
● エキスパートに関連するコーチングの知識。例えば、エキスパート固有の属性は、コーチングの特異性を客観的に定義するように構成されるプロセスに基づいて定義される(例えば、上記の例で説明したように、エキスパート知識は大多数の見解(consensus views)とは異なる)。これは、コンテンツが、スケートボードの分野における実践的な例として、「マックツイストを実行する方法を学ぶ」、「プロスケータAからマックツイストを実行する方法を学ぶ」、「プロスケータBからマックツイストを実行する方法を学ぶ」ことを提供することを可能にする。
また、エキスパート知識のバリエーションが、例えば、同じアドバイスが同じ徴候に対して与えられるが、アドバイスが異なる方法で提供される、コーチングスタイルを考慮する場合もある。
ある場合には、第1の選択可能なエキスパート知識のバリエーションおよび第2の選択可能なエキスパート知識のバリエーションがあり、(i)第1の選択可能なエキスパート知識のバリエーションについて、ダウンロード可能データは、クライアントデバイスを、パフォーマンスセンサユニットから得られるデータにおいて、所与のスキルに関連する第1の観察可能なデータ条件の第1のセットを識別するように構成し、(ii)第2の選択可能なエキスパート知識のバリエーションについて、ダウンロード可能なデータは、クライアントデバイスを、パフォーマンスセンサユニットのセットから得られるデータにおいて、所与のスキルに関連する観察可能なデータ条件の第2の異なるセットを識別するように構成する。この場合も、これは任意選択で、スタイルのバリエーション、コーチングの知識のバリエーション、および/またはコーチングスタイルのバリエーションのいずれか1つ又は複数の実施を可能にするために使用される。
ある場合には、第1の選択可能なエキスパート知識のバリエーションおよび第2の選択可能なエキスパート知識のバリエーションがあり、(i)第1の選択可能なエキスパート知識のバリエーションについて、ダウンロード可能なデータは、所与のスキルに関連する定義された観察可能なデータ条件を観察することに応答して、ユーザにフィードバックデータの第1のセットを提供するようにクライアントデバイスを構成し、(ii)第2の選択可能なエキスパート知識のバリエーションについて、ダウンロード可能データは、所与のスキルに関連する定義された観察可能データ条件を観察することに応答して、ユーザにフィードバックデータの第2の異なるセットを提供するようにクライアントデバイスを構成する。この場合も、これは任意選択で、スタイルのバリエーション、コーチングの知識のバリエーション、および/またはコーチングスタイルのバリエーションのいずれか1つ又は複数の実施を可能にするために使用される。いくつかの例では、フィードバックデータの第1のセットとフィードバックの第2のセットとの間の差は、それぞれのエキスパート知識のバリエーションに関連する人間のエキスパートの音声を表す異なるオーディオデータを含む。
さらなる実施形態は、定められたスキルに対するスキルトレーニングコンテンツの配信を可能にするように構成されるデータを生成するコンピュータ実施方法を提供し、方法は:(i)観察可能なデータ条件の第1のセットを生成するステップあって、第1のセットは、1つ又は複数のパフォーマンスセンサユニットから得られる入力データの処理を可能にするように構成される観察可能なデータを含み、入力データは、それによってパフォーマンスの1つ又は複数の属性を識別するよう、ユーザによる定義されたスキルの身体的パフォーマンスを表す、ステップ;および(ii)観察可能なデータ条件の第2のセットを生成するステップであって、第2のセットは、同じ1つ又は複数のパフォーマンスセンサユニットから得られる入力データの処理を可能にするように構成された観察可能なデータ条件を含み、入力データは、それによってパフォーマンスの1つ又は複数の属性を識別するよう、ユーザによる定義されたスキルの身体的パフォーマンスを表す、ステップ、を含む。この実施形態では、観察可能なデータ条件の第2のセットは、観察可能なデータ条件の第1のセットに欠落している1つ又は複数のエキスパート固有の観察可能なデータ条件を含み、1つ又は複数のエキスパートに固有の観察可能なデータ条件は、観察可能なデータ条件の第1のセットのみを使用して生成されるスキルトレーニングコンテンツに関連する定義されたスキルに関するスキルトレーニングコンテンツのエキスパート知識のバリエーションに組み込まれる。スキルトレーニングコンテンツのエキスパート知識のバリエーションは、(i)ベースラインスキルパフォーマンススタイルに対する特定の人間のエキスパートに関連付けられるスタイルの相違、(ii)ベースラインのコーチング知識に対する特定の人間のエキスパートに関連付けられるコーチング知識の相違、および(iii)ベースラインのコーチングスタイルに対する特定の人間のエキスパートに関連付けられるコーチングのスタイルの相違、のうちのいずれか1つ又は複数を説明する。
1つの実施形態は、定められたスキルに対するスキルトレーニングコンテンツの配信を可能にするように構成されるデータを生成するコンピュータ実施方法を提供し、方法は:(i)スキルトレーニングコンテンツの第1のセットを生成するステップであって、スキルトレーニングコンテンツの第1のセットは、1つ又は複数のパフォーマンスセンサユニットから得られる入力データの処理に基づいて、定義されたスキルに対するスキルトレーニングプログラムの配信を可能にするように構成され、入力データは、それによってパフォーマンスの1つ又は複数の属性を識別するよう、ユーザによる定義されたスキルの身体的パフォーマンスを表す、ステップ;および(ii)スキルトレーニングコンテンツの第2のセットを生成するステップであって、スキルトレーニングコンテンツの第2のセットは、同じ1つ又は複数のパフォーマンスセンサユニットから得られる入力データの処理を可能にするように構成された観察可能なデータ条件を含み、入力データは、それによってパフォーマンスの1つ又は複数の属性を識別するよう、ユーザによる定義されたスキルの身体的パフォーマンスを表す、ステップ、を含む。この実施形態では、スキルトレーニングコンテンツの第2のセットは、スキルトレーニングコンテンツの第2のセットが、スキルトレーニングコンテンツのエキスパート知識のバリエーションを提供するように入力データの与えられたセットに応答して、入力データの同じセットに応答するスキルトレーニングコンテンツの第1のセットと比較して異なるトレーニングプログラム効果を提供するように構成される。ここでもまた、スキルトレーニングコンテンツのエキスパート知識のバリエーションは、(i)ベースラインスキルパフォーマンススタイルに対する特定の人間のエキスパートに関連付けられるスタイルの相違、(ii)ベースラインのコーチング知識に対する特定の人間のエキスパートに関連付けられるコーチング知識の相違、および(iii)ベースラインのコーチングスタイルに対する特定の人間のエキスパートに関連付けられるコーチングスタイルの相違、のうちのいずれか1つ又は複数を説明する。
例示のトレーニングプロセスフロー
図16は、例示的な実施形態において、本明細書に開示された技術がどのように1対1のエキスパートのコーチングを再現しかつ調整する(scales)かを示す。
適切な教師は、学習プロセスを指導し、加速することによって、驚くべき違いを生み出すことができる。しかし、成功した教授法は直接の双方向のコミュニケーションを必要とし、教師とコーチは、彼らが有意義なスキルを教えることができる生徒の数に関して時間制約がある。結果として、多くの場合、最高のコーチは、一般の人々ではなく、プロだけを手がける。
専門的なコーチおよび教師の知識と経験を利用することにより、技術は偉大なコーチの能力を次のように再現する:
● 観察し分析する。ユーザがスキルまたはアクティビティを試みるとき、データがモーションセンサまたはサウンドセンサによって取り込まれる。PODデバイスは、生徒の能力レベルをカリキュラムの適切なレベルに配置し、適切な分析を提供するために、生徒の能力レベルを識別する。
● 診断し優先順位付けする。PODデバイスによって実行されるエンジンデータの各セットは、特定のスキルまたはアクティビティの最適な実行のために専門家の知識をもってプログラムされる。エンジンは、スキル内のユーザのテクニックをそのスキルの最適なテクニックと(高い精度で)比較し、エラー検出アルゴリズムを使用して相違(variance)を決定しかつ分析する。エンジンはまた、好ましくは、根本原因のミスと、異なるタイプの表層の「浅い」ミスとの間を区別する。これは、エンジンがキャプチャされたデータを分析し、最適なテクニックと比較し、エラーの根本原因を特定することを可能にする。
● 応答する。この技術は、次に、リアルタイムのパーソナライズされた命令および、実際の先生や生徒と一緒にいるコーチのように、ユーザを前進させるための、間違いの根本原因に対する救済策を提供する。命令は、必要に応じてリアルタイムのオーディオおよびビジュアルの命令を含む。触覚(振動)および光(衣服の照明されたノード)を含む追加の命令インタフェースが現在開発されている。
● 見せる。命令は、そのスキルをそのコンポーネントに分解するゲーミフィケーションおよびビデオチュートリアルおよびドリルによっても提供され、スキルをマスターする次のレベルに前進することからユーザを戻している主要な領域に焦点を当てる。チュートリアルは、WiFiまたはBluetooth対応の画面、タブレット、またはスマートホンで表示されることができる。
伝統的なコーチングとは異なり、本明細書で開示される技術は、学生が学習する準備ができているときはいつでも利用可能なシステムを提供し、専門のパーソナライズされたコーチングへの効率的で手頃で有効なアクセスを表す。
支援されたコンテンツ選択
いくつかの実施形態では、この技術は、ユーザに個人的なカリキュラムを提供する。ユーザは、スキル、アクティビティ、トレーニングツールおよび関連コンテンツの個別に調整されたインタラクティブな「プレイリスト」を構築することができる。
システムがユーザデータを収集するとき、ユーザの好みおよび能力に基づいて、スキル、アクティビティおよび課題に関して自動化された提案がなされる。これは、カリキュラムの支援された構築が、ユーザが所望の結果を達成するのを支援することを可能にする。
いくつかの実施形態では、支援されたコンテンツ選択は、第三者の製品/サービスの広告に、例えば、機器の提案、プロトーナメント、トーナメントでの宿泊ならびにトレーニングスケジュールおよびゴルフ映画のような他の補完的なアクティビティに及ぶ。この方法では、この技術は、ターゲットとする第三者の広告および配置からさまざまな収益機会を提供します。
例示のコンテンツ配信方法
前述のように、いくつかの実施形態では、コンテンツは、オンラインマーケットプレイス(例えば、クラウドホスティングされたプラットフォームによって配信されるオンラインマーケットプレイス)を介してユーザに利用可能にされる。ユーザは、(例えば、パーソナルコンピュータまたはモバイルデバイス上で実行するウェブブラウザアプリケーションを介して)そのマーケットプレイスにアクセスし、所望のトレーニングコンテンツを取得する。取得されたコンテンツに基づいて、ユーザは、(例えば、サーバに、ローカルWiFiネットワークにであってよいPODデバイスのインターネット接続を介してPODデバイスにコードを直接ダウンロードさせることによって)所望のアクティビティおよび/またはスキルに関するトレーニングの提供に関連する機能を含む機能を実行するようPODデバイスを構成する。この構成に基づいて、トレーニングプログラムルールのセットが、インタラクティブ(interactive)トレーニングプロセスを提供するようPODデバイス(または、さらなる実施形態では、PODデバイスに結合された第2のデバイス)上で実行されることができる。インタラクティブトレーニングプロセスは、ユーザに、ユーザパフォーマンスを表す入力に応答するフィードバック/命令を提供する。この入力はPSUから得られ、PODデバイスによって処理される。インタラクティブトレーニングプロセスは、いくつかの実施形態では、(i)事前に定義されたパフォーマンス属性に関連する観察されるユーザパフォーマンス属性;(ii)履歴パフォーマンスデータを含むユーザ属性データ;(iii)スキルトレーニング進行経路(動的変数であり得る);および(iv)その他の要因、を考慮する、複雑なルールのセットに基づいて動作する。
本開示は、主に、モーションセンサのセット(例えば、衣服に結合された着用可能なモーションセンサを含む;モーションセンサは、3次元におけるユーザの身***置変動の分析を可能にするように構成される)から得られるユーザパフォーマンスデータを受信するPODデバイスの例に焦点を当てている。例えば、これは、スポーツおよび人間の動きを伴う他のアクティビティのような身体的アクティビティに関するトレーニングに特に適用可能である。しかし、この技術は、他の形態のセンサから得られるデータに関しても同様に適用可能である。例は、オーディオ、ビデオ、位置、湿度、温度、圧力などをモニタするセンサを含む。そのようなセンサからのデータは、広範囲のアクティビティのタイプにわたるスキルトレーニングに有用であり得ることが理解されるであろう。例えば、オーディオセンサは、言語スキル、歌唱、および楽器の演奏のようなトレーニングアクティビティに特に有用である。
一般的なレベルでは、本明細書に開示される技術は、いくつかの実施形態では、専門家の知恵を得ることができるように構成されており、これによりコーチと学生との間の1対1の会話を再現する。これに関して、いくつかの場合の特徴は、以下を含む:
● 双方向のやりとり。デジタル技術は汎用性が高くスケーラビリティが高く、事実上任意のスキル又はアクティビティに適用できます。センサ及び関連技術を使用することで、リアルタイムのコーチング体験(real-time coaching experience)で個々のユーザのスタイルおよび生理機能に適応しながら、各インタラクションにより、より良く教える能力がある。
● リアルタイム命令。センサは、動き及び技術のミスを診断し、パーソナライズされた、触覚および/または視聴覚フィードバックおよび/または命令の自動化された(かつ実質的に瞬時の)配信を可能にする。
● 高度なパフォーマンス。トラッキングだけでなく、ユーザは絶えずコーチングされる。パフォーマンスの結果として生じる測定可能な上昇は、ユーザが、より大きな確実性を伴って早くマイルストーンに達しかつ目標に達するのに役立つ。
様々な実施形態によってこれらの特徴がどのように達成されるかは、本明細書の記載に基づいて理解されるであろう。
スキルトレーニングコンテンツは、(例えば、グラフィカルおよび/または可聴形式の)ユーザインタフェースを介してレンダリングされる。上記のように、これが達成される様々な技術的構成が存在する。好ましいアプローチは、トレーニングコンテンツがPODデバイス150に直接ダウンロードされ、ユーザがレンダリングされたコンテンツを体験することを可能にするビデオおよび/またはオーディオ出力を含む別個のデバイスを介してレンダリングされることである。別個のデバイスは、スマートホン(いくつかの実施形態では、PODデバイス150によって提供されるコンテンツをレンダリングするように構成されたアプリケーションを実行する)、ヘッドセット、統合されたディスプレイを有する眼鏡のセット、網膜ディスプレイデバイス、および他のそのようなユーザインタフェースデバイスのうちの1つ又は複数を含み得る。
モバイルデバイス(スマートホンなど)が使用されるいくつかの実施形態では、PODデバイスは、コンテンツをモバイルデバイスに配信するように構成されるローカルウェブサーバを提供する。モバイルデバイスは、ウェブブラウザアプリケーション(または場合によっては専用アプリケーション)を実行し、これは、どのコードがPODデバイスからローカルウェブサーバとして取得されるかに関するウェブアドレスにナビゲートする。
スキルトレーニングコンテンツは、好ましい実施形態では、オンラインマーケットプレイスから得られる。このマーケットプレイスは、好ましくは、ユーザが様々な異なるスキルトレーニングパッケージを選択して入手し、ユーザのPODデバイス(またはPODデバイス(複数))へのそれらのダウンロードを管理することを可能にする。「スキルトレーニングパッケージ」という用語は、スキルトレーニングコンテンツの取得可能なセットを表す。これは、単一のスキル、共通のアクティビティに関連する様々なスキル、または他の様々な構成に関連し得る。本開示は、スキルトレーニングデータがどのように編成され、調達のために利用可能にされ、収益化されるかなどを構造化するためのいかなる特定の実施オプションを参照することによっても限定されるべきではない。
例示のコンテンツ配信フレームワーク
以下のセクションは、エンドユーザデバイスへの、PSD(MSDなど)の処理によって駆動される適応スキルトレーニングコンテンツのような、コンテンツの配信のための様々な例示的な技術的フレームワークを説明する。
概要では、以下のアプローチのいずれか1つ又は複数、あるいはそれらの組み合わせが使用され得る:
● 第1のウェブ対応デバイスを介したダウンロード可能なコンテンツのブラウジングおよび選択であって、コンテンツのダウンロードが続いて第2のウェブ対応デバイスに生じる。例えば、コンテンツはスマートホンで閲覧され、その後、ウェブソースからPODデバイスに直接ダウンロードされる。
● 第1のウェブ対応デバイスを介したダウンロード可能なコンテンツのブラウジングおよび選択であって、コンテンツのダウンロードが続いてその第1のウェブ対応デバイスに生じる。その後、第1のウェブ対応デバイスから、PODデバイスのような第2のデバイスへのコンテンツの一部または全部の二次ダウンロードがあり得る(例えば、センサ構成データおよび状態エンジンデータが最初にモバイルデバイスにダウンロードされ、その後、PODデバイスに配信される)。
● ユーザインタフェースデバイスと分離したPODデバイスの利用。例えば、モバイルデバイスがユーザインタフェースを提供するために使用され、PODデバイスはMSU対応衣服に取り付けられた処理ユニットである。
● ユーザインタフェースデバイスと統合されたPODデバイスの利用。例えば、いくつかの実施形態では、スマートホンがPODデバイスの役割を果たす。
● 既存のエンドユーザモバイルデバイスに物理的に結合されるPODデバイスの利用。例えば、PODデバイスは、例えばクレードルタイプのマウントを介して、スマートホンに結合する処理ユニットとして定義される。
図9Aは、1つの実施形態による例示的なコンピュータ実施フレームワークを示す。様々な代替の実施形態が図9B乃至図9Dに示され、同様の特徴は対応する参照番号で示されている。
それぞれの図示されたフレームワークは、1つ又は複数のマイクロプロセッサ(単に「プロセッサ」とも呼ばれる)を用いてコンピュータ実行可能コード(コンピュータ可読キャリア媒体に記憶され得る)を実行することによって機能性(例えば、「コンピュータ実施方法」のパフォーマンス)を提供するようにそれぞれ構成される、複数のコンピューティングデバイス(「マシン」または「端末」とも呼ばれる)を含む。様々なコンピューティングデバイスは、具体的に図示されていない、他のハードウェアコンポーネントの範囲を含むことが理解されるであろう。
図9Aの例は、中央管理およびコンテンツ管理プラットフォーム900を示す。このプラットフォームは、単一のコンピューティングデバイス(例えば、サーバデバイス)によって、またはより好ましくは複数のネットワークコンピューティングデバイスによって定義されることができる。サーバのコンポーネントは、関連する機能性を個々にまたは集合的に提供するように構成される様々な構成のコンピューティングデバイスを特に参照することなく、機能的に説明される。そのような事項は設計選択の問題であり、広範囲のネットワークおよびサーバアーキテクチャが当該技術分野においてよく知られていることが理解されるべきである。さらに、いくつかの実施形態では、並列に動作するプラットフォーム900の複数の例がある。
プラットフォーム900は、複数のユーザ(上述の被験者など)によって操作されるコンピューティングデバイスを介してこれらのユーザによってアクセスされる機能を提供するように構成される。図9Aは、例示的なユーザに関連して操作されるユーザ側機器920のセットを示す。実際には、複数のユーザのそれぞれが、同様の機器920(図示せず)のそれぞれのセットを操作する。
機器920は、モバイルデバイス930を含む。例えば、この実施形態では、モバイルデバイス930は、スマートホンの形態をとる。しかし、他の実施形態では、タブレット、PDA、ポータブルゲームデバイスなどのような異なるモバイルデバイスが使用される。いくつかの実施形態では、モバイルデバイス930は、専用(purpose-configured)ハードウェアによって定義され、具体的には、説明した全体的なフレームワークに関連する機能を提供することを意図される。概要では、モバイルデバイス930の主要な機能は、ユーザインタフェースを介して、プラットフォーム900から得られるコンテンツを配信することである。このコンテンツは、「必要に応じて」ベースで(オンラインモードで)ダウンロードされることができる、(それによってオフラインモードでの動作を可能にするよう)事前にダウンロードされることができる、またはその両方を行うことができる。
モバイルデバイス930は、外部ヘッドホン、マイクロホン、グラフィカルディスプレイ(例えば、拡張現実ディスプレイ、網膜投影ディスプレイを提供するように構成された眼鏡)を提供するウェアラブルデバイスなどのような外部ユーザインタラクションハードウェアのうちの1つ又は複数のピースに結合されることができる。
図9Aの例では、モバイルデバイス930は、アプリケーションダウンロードサーバ(app download server)971からダウンロードされるモバイルアプリケーション(mobile app)(例えば、iOSまたはAndroidアプリ)を介してプラットフォーム900とインタラクトするように構成される。(この実施形態では、サーバ971は第三者が運営するサーバであるが、他の実施形態は、第一者のサーバを使用する)。このようなモバイルアプリケーションは、メモリデバイス934に格納され、プロセッサ933を介して実行される。モバイルアプリケーションは、利用可能なインターネット接続を介してアプリケーションインタラクションサーバ972と通信するようにモバイルデバイス930を構成し、アプリケーションインタラクションサーバ972は、プラットフォーム900を介して利用可能なデータへのゲートウェイを提供する。
図9Bの例では、モバイルデバイス930は、ウェブブラウザアプリケーションを介してプラットフォーム900とインタラクトするように構成され、このウェブブラウザアプリケーションは、予め定義されたウェブアドレスへのナビゲーション時に、モバイルデバイス930を、利用可能なインターネット接続を介してモバイルデバイスウェブサーバ974と通信するように構成する。ウェブサーバ974は、次に、プラットフォーム900を介して利用可能なデータへのゲートウェイを提供する。ウェブブラウザアプリケーションは、モバイルデバイス930のメモリ934に格納されたコードに基づいて実行され、サーバ974を介してデバイス930にダウンロードされるブラウザレンダリング可能なユーザインタフェースコードを介してプラットフォーム900に固有のユーザインタフェースを提供する。
機器920はさらに、パーソナルコンピュータ(PC)940を含む。これは、PODデバイス950の形態のさらなるハードウェアデバイスがプラットフォーム900と通信することを可能にするように、正確にかつ適切に構成される実質的に任意のコンピューティングデバイスであり得る。例えば、1つの実施形態では、PODデバイスは、有線接続(USB接続など)または無線接続(WiFi接続またはBluetooth接続など)を介してPC940に接続する。機能的には、これは、プラットフォーム900からPODデバイス950へのデータのダウンロードを可能にする。
代替構成および接続が、実施されることができ、それによって、例えば以下のPODデバイス950間の通信を可能にする:
● モバイルサービス930を介してプラットフォーム900にアクセスするPODデバイス950、およびウェブサーバ973(図9Cを参照)。これは、PODデバイス950の動作に関連するデバイス930の特定の機能にアクセスすること、またはいくつかの実施形態では、モバイルデバイス930を介して提供されるインターネット接続に単にアクセスすることを含む。
● ウェブサーバ973を介してプラットフォーム900にアクセスするPODデバイス950(図9D参照)。
いくつかのそのような場合、例えばPODデバイス950が固有の方法でユーザインタフェースを提供しない場合、所与のユーザは、ユーザインタフェース(例えば、モバイルアプリケーションまたはウェブページ)にアクセスするためにモバイルデバイス930(または他の適切に構成されたコンピューティングデバイス)を操作し、それによってプラットフォーム900に、そのユーザに関連するPODデバイス950に特定のデータを配信するよう命令する。そのような実施形態では、データは、利用可能なインターネット接続を介してPODデバイス950に直接ダウンロードされる。
いくつかの実施形態では、モバイルデバイス930上でレンダリングされるスキルトレーニングコンテンツは、まずPODデバイス950にダウンロードされる。これは、モバイルデバイス930が(インターネット接続なしの)オフラインモードで、スキルトレーニングデータを提供することができるように実施され、必要なコンテンツはPODデバイス950によって提供される。これは、モバイルデバイス930がない例において特に適切であり、ユーザインタフェースは、PODデバイス950とのみ通信するユーザインタフェース配信デバイス990を介して提供される(例えば、ヘッドセット、内蔵ディスプレイを有する眼鏡、網膜投影デバイスなど)を含む。
図17は、そのフレームワークに関連する例示のプロセスフローとともに、さらなるフレームワークを概略的に示す。
例示的なPODデバイスおよびセンサ構成
PODデバイス950は、1つ又は複数のPSU960から収集されたデータの処理を実行するように構成される。これらのPSUは、有線および/または無線接続を介してPOD950に接続される。例えば、1つの実施形態では、PODデバイスは、直接有線結合を介してPSUの第1のセットに接続されるとともに、ブリッジングコンポーネント(bridging component)へのRFリンクを介してPSUの第2のセットに接続され、ブリッジングコンポーネントは、直接有線接続を介してPSUの第2のセットに接続されている。
PSUの範囲は、収集されるデータの性質に応じてさまざまな実施形態にわたって使用される。次に、収集されるデータの性質は、ユーザによって行われているスキルまたはアクティビティに依存する。例えば、以下のユーザの場合は、本明細書で検討される多くの例および実施形態に関連する:
● 着用可能なMSU。MSUは、被験者によって着用されるように構成された衣類(MSU対応衣服)に組み込まれる。このような衣類の例は、それぞれが既知の位置に複数の離間したMSUを含む圧縮タイプの衣類(シャツまたはズボンなど)を含む。いくつかの場合には、衣類は、利用可能な取り付け位置間でMSUの移動を可能にするために、それぞれのMSUを解放可能に受け入れるための予め形成された取り付け場所を含む。1つの実施形態では、圧縮シャツは、複数のモーションMSUを支持するとともに、取り付け部がシャツを通って延びかつシャツに包まれる有線接続を介してPODデバイスをMSUに結合するように、PODデバイスを相補的に解放可能に受け入れる取り付け部を有する。シャツは、共通のRF通信モジュールに配線されるさらなる複数のモーションMSUを含む圧縮ズボンの相補的なセットに結合されることができる。そのRF通信モジュールは、シャツの上に設けられるさらなるRFモジュールと又はPODデバイスによってMSDを通信させ、それによって、PODデバイスがシャツ及びズボンの上の全てのMSUからデータを受信することを可能にする。
● ASU。異なる実施形態では、異なるオーディオセンサが使用される。利用可能なセンサの例は、マイクベースのセンサ、それによってオーディオ信号を受信するように、オーディオ入力ポートに(例えば、2.5mmまたは3.5mmジャックコネクタを介して)差し込むセンサ、MIDI信号を生成するピックアップなどを含む。
PODデバイス950は、PODデバイスによって受信される出力信号(例えば、デジタル出力信号)を提供する実質的に任意の形態のPSUからのデータを処理するソフトウェアを介して構成されることができることが理解されるであろう。
いくつかの実施形態は、PODデバイスの複数の異なるハードウェア構成を提供し、それぞれは特定のPSUとインタラクトするように製造される。例えば、例示的なPODデバイスは以下を含み得る:
● 衣服によって担持されるように構成されたPODデバイスであって、その衣服によっても担持される複数のMSUに物理的に結合する(そして場合によっては、1つ又は複数のさらなるMSUに直接または間接的に無線で結合する)、PODデバイス。
● マイクを含むPODデバイス。
● オーディオ入力ポート(3.5mmヘッドホンジャックなど)を含むPODデバイス。
さらに、様々な形態のPSUが、幅広いスキルに関してトレーニングを可能にすることが理解されるであろう。例えば、1つ又は複数のASUに結合されたPODデバイスは、場合によっては、様々な音楽的スキル(例えば歌うこと、楽器の演奏など)のトレーニングを提供するために使用される。
ユーザインタフェースの配信のための例示の構成
ユーザインタフェースがフィードバックおよび/または命令を提供する方法は、ハードウェア構成に基づいて変化する。いくつかの実施形態では、ユーザインタフェースは、オーディオのみ(例えば、ヘッドホンを使用する)であり、この場合、命令およびフィードバックはオーディオベースである。いくつかの実施形態では、ユーザインタフェースは、表示画面(例えば、スマートホンデバイスによって提供される表示画面、適切な眼鏡および/または網膜ディスプレイデバイスなど)を必要とする視覚情報を含む。
図9Aのユーザ側機器の構成は、図10Aに示されるように機能するように構成されることができる。より具体的には、マーケットプレイスプラットフォームが、PODデバイスにPOD/エンジンデータを配信し、特定のスキル(またはスキルのセット)に関するトレーニングコンテンツを配信するPODデバイスの構成を可能にするように技術的に構成される。PODデバイスは、マーケットプレイスから以前にダウンロードされたPOD/エンジンデータに基づいてセンサからの受信データを処理するように構成される。この処理に基づいて、PODデバイスは、(例えば、フィードバックを提供し、ユーザに特定のタスクを実行するように命令するためになど)そのユーザインタフェースを介してプラットフォームコンテンツを表示するようモバイルデバイスに命令を提供する。モバイルデバイスは、プラットフォームから、関連するプラットフォームコンテンツをダウンロードする。
他の実施形態(例えば、オーディオデバイス、デジタルディスプレイを備えた眼鏡など)においては、さらなるフィードバックデバイスが使用され、図10Aでは、これは、PODデバイスに直接結合されているものとして示されている。
図10Bは、モバイルデバイスがオフラインモードで動作する代替構成を示す。この例では、ユーザインタフェースデータは、PODデバイスにダウンロードされ、PODデバイスを介してモバイルデバイスに提供される。さらなら代替構成が図10Cに示され、そこにはモバイルデバイスがなく、PODデバイスは、フィードバックデバイス(ヘッドホン、スクリーン付き眼鏡、網膜投影デバイス、または他のフィードバックデバイスなど)を介してフィードバック/命令を直接提供する。
MSUを組み込んでいる例示のエンドユーザハードウェア構成
以下に説明されるのは、所与のスキルのエンドユーザの試行されたパフォーマンスのモニタリングを可能にするための実施形態に実施される様々なハードウェア構成であり、これは、試行されたパフォーマンス中に収集されるセンサデータにおける予め定義された観察可能なデータ条件(例えば、上述の方法論によって定義された観察可能なデータ条件)の識別を含む。
次のことが理解されるべきである:(i)これらは単なる例であり、本明細書に開示された技術は、代替のハードウェア構成により実施されてもよい、(ii)提供された図は模式的なものであり、一定の縮尺ではない、(iii)図は主要コンポーネントを示す機能表現を提供し、PCB設計、センサユニットの位置決め、接続配線などの態様を表すものではない。
様々な実施形態は、着用可能な衣服を提供する。例えば、これらは、ボディスーツ、シャツ(ショートまたはロングスリーブ)、ズボン(ショートまたはロング)、手袋、履物、帽子などのうちのいずれか1つ又は複数を含み得る。いくつかの場合には、着用可能な衣服は、(例えば、有線カップリングまたは無線通信を介して)互いに通信するように構成される複数の分離可能な衣服アイテム(例えば、シャツおよびズボン)によって定められる。衣服は、好ましくは、例えば圧迫ガーメントのように弾性材料から製造される。これは、センサコンポーネントを着用者の身体に対して静止状態に維持するのを助ける。衣服は、好ましくは、例えばメンテナンスなどを可能にするために、(センサユニットおよびPODデバイスのような)電気部品の取り外しを可能にするように製造される。
衣服は、複数のセンサストランド(sensor strands)を含み、各センサストランドは、1つ又は複数のセンサユニットを含む。センサストランドは、センサストランド接続ポート1208からそれぞれ開始し、センサストランド接続ポートは、複数のセンサストランドを中央処理装置に結合するように構成され、この中央処理装置は、上述の開示と一致する方法でPODデバイスと呼ばれる。センサストランドは、単一のセンサユニット、または複数のセンサユニットを含み得る。
センサストランドが複数のセンサユニットを含む場合、それらは好ましくは直列に(in-line)接続される。すなわち、ストランドがn個のセンサユニットSU1...SUnを含む場合、センサユニットSUiあての通信は、SU1...SUi−1のそれぞれによって受信されかつ再送信される。様々なアドレッシングプロトコル(addressing protocols)が使用され得るが、これらは、通信がセンサユニットの取り付け位置に基づいてアドレッシングされる(addressed)ように構成される。これは、所与の特定のセンサユニットが特定の取り付け位置に設置されることを保証する必要なしにセンサユニットが設置されることを可能にし(これは、センサユニットが衣服洗浄のために取り外される場合に特に有用である)、センサユニットからの交換も可能にする(例えば、障害の場合)。
いくつかの場合には、アドレッシングプロトコルは、個々のセンサユニットに関連する識別子に部分的に基づいており、この場合、PODデバイスは、センサユニットを認識したときに自動構成ステップを実行し、それにより、そのセンサユニットが設置されている取り付け位置を識別し、センサの識別子をその取り付け位置に関連付ける。いくつかの実施形態では、アドレッシング(addressing)は、メッセージに再送信カウントを含めること(例えば、メッセージは、各送信時にデクリメントされるPODデバイスによって設定される再送信整数を含み、メッセージはデクリメントカウントがゼロに達する場合にセンサユニットによって受信され処理される)のような、センサ識別子の知識を必要としない技術によって達成される。後者のアプローチは、PODデバイスにおけるアドレッシングパラメータの後続の再設定を必要とせずにセンサユニットが交換される/取り替えられることを可能にするいくつかの利点を有する。
好ましい実施形態では、各センサユニットは、密封された容器内に取り付けられた回路基板コンポーネントを含む。密封容器は2つの接続ポートを含む:1つはセンサストランドに沿った上流通信用、もう1つはセンサストランドに沿った下流通信用。いくつかの実施形態では、センサユニットは、どのポートが設置配向(installation orientation)に基づいて決定された上流ポートおよび下流ポートであるかのように、設置された向きを識別することができる。他の実施形態では、センサユニットが逆に設置されることができないように、予め定義された設置配向がある。接続ポートは、好ましくは、物理的に観察可能なカップリングが対応して電子的/通信的カップリングを提供するように、センサストランド上の相補的接続ポートへのスナップロック式取り付け(snap-locking mounting)用に構成される。
センサストランドは、通信のための1つ又は複数のラインと、電源供給のための1つ又は複数のライン(センサユニットのための電力がPODデバイスによって供給されている)とを含む接続ラインを含む。接続線は密封されており、衣服の水中への浸漬(例えば、清掃中)は、線に損傷を与えない。好ましくは、PODデバイス及びセンサユニットの接続ラインへの接続を提供するコネクタモジュールは水密シールを提供する。さらに、好ましい実施形態では、PODデバイスおよびセンサユニットが衣服に設置されるとき、全ての電気部品は、防水または耐水構造で提供される(例えばPODデバイスおよびセンサユニット接続ポートのセンサストランド接続ポートへのスナップロック係合が水密または耐水シールを提供する)。
近位センサユニットおよび1つ又は複数の下流センサユニットを含む所与のセンサストランド上で、近位センサユニットは、(i)中央処理ユニットによって提供されかつ下流センサユニットの1つ又は複数にアドレッシングされたセンサ命令を、下流方向に中継し、(ii)下流のセンサユニットのうちの所与の1つによって中央処理ユニットに提供されるセンサデータを上流方向に中継するように構成される。これは、起動/停止命令を含み得る。センサ命令はまた、センサ構成データを含み、センサ構成データは、定義された方法でセンサデータを提供するようにセンサユニットを構成する。センサ構成データは、場合によっては、サンプリングレート、センサコンポーネントによって観察可能な情報の減少した選択をモニタリングすること、およびPODデバイスによって観察されているスキルに特化して定義された他の構成属性を参照することにより定義される。
各センサユニットは、(i)マイクロプロセッサ;(ii)メモリモジュール;及び(iii)1つ又は複数のモーションセンサコンポーネントのセット、を含む。例示的なセンサハードウェアのより詳細な開示は、以下でさらに提供される。しかし、これらの基本コンポーネントは、センサコンポーネントがPODデバイスから通信を受信し、センサコンポーネントから観察データを予め定義された方法で提供することを可能にする(例えば、解像度、サンプルレートなどを参照して定義される)。いくつかの実施形態では、各センサユニットはローカル電源を含むが、センサユニットバッテリの個別充電を必要とするのではなく、PODデバイス(または別の中央電源)からセンサストランドに沿って電力が供給されることが好ましい。
例示的なセンサユニットに関して、1つ又は複数のセンサコンポーネントのセットは、(i)ジャイロスコープ;(ii)磁力計;(iii)加速度計のうちの1つ又は複数を含む。以下に説明される好ましい実施形態では、これらのコンポーネントの各々が1つあり、それぞれが3軸感度を提供するように構成されている。さらなる実施形態では、コンポーネントタイプの1つ又は複数のうちの複数のコンポーネント、例えば2つの加速度計がある。これは、例えば、一方が与えられた解像度でコース運動(course movements)を観察し、他方が、より高い解像度で特定の微細な運動を観察するよう構成されるような、構成を異ならせることを可能にする。
中央処理装置(PODデバイス)は、(i)電源;(ii)マイクロプロセッサ;および(iii)メモリモジュール、を含む。メモリモジュールは、処理装置が様々な機能を実行することを可能にするマイクロプロセッサによって実行可能なソフトウェア命令を格納するように構成され、予め定義された方法でセンサデータを送信しかつセンサデータの予め定義された観察可能なデータ条件の1つ又は複数のセットを識別するためのセンサユニットの構成を含み、複数の接続されたセンサユニットから中央処理装置によって受信されるセンサデータを含む。好ましい実施形態では、PODデバイスは、それによって、PODデバイスの位置での動作観察を可能にするセンサコンポーネント(例えば、センサユニットと同じセンサコンポーネント)も含む。いくつかの実施形態では、PODデバイスは、使用時に、ユーザの背中の上部中央付近(例えば、肩甲骨の間)である位置に設けられたポーチの中で衣服に取り付けられる。
図12Aは、1つの実施形態によるウェアラブル衣服のハードウェア構成要素の選択を示す。これらは、衣服自体の構成から生じる幾何学的/空間的構成を参照することなく例示されていることが理解されるであろう。
図12AのPODデバイス1200は、メモリモジュール1202に結合されたプロセッサ1201を含み、メモリモジュールはソフトウェア命令を格納し、それによって本明細書で説明される機能性を提供するように構成される。これらは:
● トレーニングプログラムを通じて進むためのロジック、および(ヘッドセット、ディスプレイデバイスなどのような)他のコンポーネントによってレンダリングされたPODデバイスの外部と通信するユーザインタフェースデータを含む、トレーニングプログラム(または複数のトレーニングプログラム)を表すデータ。
● トレーニングプログラム(またはそれぞれの訓練プログラム)について、トレーニングされることになる複数のスキル。各スキルは、センサ構成命令、センサデータ内の観察可能なデータ条件を識別するルール、および特定の観察可能なデータ条件が識別されたときのフィードバック(および/または他のアクション)に関するルールによって定義される。例えば、これらは、図5Aのフェーズ501−503のようなプロセスによって定義される。
ソフトウェア命令の様々な他の態様もまた提供されることが理解されるであろう。
再充電可能な電源1203は、PODデバイス1200、および1つ又は複数の接続されたデバイス(センサユニット、および提供される場合は、1つ又は複数の制御ユニットを含む)に電力を供給する。ローカルセンサコンポーネント1205(例えば、3軸磁力計、3軸加速度計、および3軸ジャイロスコープ)は、PODデバイスがセンサユニットとして機能することを可能にする。入力/出力1206も提供され、これらは:電源/リセットボタン;動作特性を表示するように構成されたライト;および、いくつかの実施形態では、表示画面、のようなものを含み得る。しかし、本明細書で説明する実施形態では、PODデバイスとユーザとの間の通信の主要モードは、外部(および自己電源式)ユーザインタフェースデバイスによるものである。
PODデバイス1200は、1つ又は複数の無線通信モジュール1204を含み、それによって、1つ又は複数のリモートデバイスとの通信/対話を可能にする。例えば、通信モジュールは、以下のうちの1つ又は複数を含み得る:
● Wi-Fi。例えば、WiFiは、いくつかの実施形態では、UI表示装置1231でレンダリングするためのユーザインタフェースコンテンツ(画像、テキスト、オーディオおよびビデオデータを含む)を配信するために使用される。これは、スマートホン、タブレット、ヘッドアップディスプレイ(拡張現実ヘッドセットまたはアイウェアなど)を備えたデバイス、および他のそのようなデバイスを含み得る。Ul表示装置は、PODデバイスを介して配信されるように利用可能なトレーニングコンテンツを選択および/またはナビゲートするために使用され得る。
● ブルートゥース。例えば、ブルートゥースは、いくつかの実施形態では、レンダリング可能なオーディオデータをブルートゥースヘッドセットなどに配信し、それによって、可聴の命令/フィードバックをユーザに提供するために使用される。
● 心拍数モニタなどのようなモニタリングデバイスとのインタラクションを可能にするように構成されるANT+(または他のそのような通信モジュール)。
● RF通信モジュール。いくつかの実施形態では、1つ又は複数のそのようなモジュールは、それによって、無線センサユニット、例えば、機器(スケートボード、ゴールドクラブなど)に取り付けられるように構成されたセンサユニットとの通信を可能にするために提供される。いくつかの場合には、これは、PODデバイスと無線通信する共通ハブに接続された複数の有線センサユニットによって定義される、無線センサストランドを含む。
様々な他の外部デバイス1233のための様々な他の無線通信モジュールがあってもよい。
PODデバイスは、密封または密封可能な容器(防水または耐水)に設けられた、回路基板、およびオプションで付加的なハードウェアコンポーネントを含む。この容器は、衣服(または具体的に構成された袋の例)に取り付けることができ、その取り付けは、1つ又は複数のカップリングの接続を含む。好ましくは、単一のカップリングが、PODデバイスを全ての利用可能なセンサストランドに接続する。この場合も、これは、物理的および電子的結合の両方を実質的に同時に提供するスナップロックカップリング(防水または耐水)であり得る。
図12Aは、センサ接続ポート1208に結合された複数のセンサストランド(ストランド1...ストランドn)を示す。各センサストランドは、複数のセンサユニット(センサユニット1...センサユニットn)を含むが、いくつかの実施形態では、所与のストランドは、単一のセンサユニットのみを含むことが理解されるべきである。
図12Bは、センサストランドの代替配置を示す。文脈として、いくつかの実施形態は、1つ又は複数の「部分的(partial)」センサストランドで構成された衣服を提供する。各部分的センサストランドは、(i)ない又は複数のセンサユニット;及び(ii)二次衣服によって提供される相補型コネクタモジュールに結合するように構成されたコネクタモジュール、を含む。「ない又は複数の」という表現は、ある場合には、部分的センサストランドは、介在するセンサユニットなしにPODデバイスをコネクタモジュールに接続するセンサストランドラインによって定められ、他の場合には部分的センサストランドは、ストランドがコネクタモジュールで終端する1つ又は複数のセンサユニットが設けられたセンサストランドラインによって定められることを示す。
二次衣服によって提供される相補型コネクタモジュールへのコネクタモジュールの結合は、部分的センサストランドのうちの1つ又は複数を、対応する1つ又は複数の二次衣服部分センサストランドに機能的に接続し、それによって、(i)1つ又は複数の二次衣服部分センサストランド上に設けられた1つ又は複数のセンサユニット;及び(ii)中央処理装置の間の通信を可能にする。
図12Bの例において、衣服はシャツおよびズボンを含む。4つのシャツセンサストランドと2つのズボンセンサストランドがある。コネクタ装置1209は、ズボンの上に設けられたセンサユニットと、podデバイスとの間の通信(およびPODデバイスによるこれらのセンサユニットの電源供給)を可能にするために部分的ズボンストランドを結合する。さらなる実施形態では、この種の配置は、履物、手袋、帽子などに設けられたセンサユニットへの接続を可能にするために使用される。例えば、いくつかの実施形態では、コネクタポートが近位の腕、首、および足の開口部に設けられ、それにより、さらなる衣服アイテムまたはデバイスによって担持される1つ又は複数のさらなるセンサユニットによる提供されるセンサストランドの延長を可能にする。
いくつかの実施形態では、手袋または履物のような二次衣服によって担持されるセンサは、動き以外の属性を測定する専門のセンサコンポーネントを含む。例えば、圧力センサコンポーネントが、(例えば、それによって金のクラブのグリップ強度を測定するために、地面または他の物体に加えられている力を測定するために等)使用することができる。PODデバイスは、所与のトレーニングプログラムについて、提供されることになるセンサ配置を知るように構成される。例えば、ユーザは、接続されるべきセンサユニットに関する命令が与えられ、PODデバイスは、センサが応答しており、期待されるセンサデータが提供されていることを確かめるためのチェックを行う。
図12Bはまた、機器取り付け可能センサユニット1240を示す。このユニットは、センサユニット1220と実質的に同じ方法で、プロセッサ1241、メモリ1242およびセンサコンポーネント1245を含む。しかしながら、それによって、PODデバイス1200との無線通信(例えば、RF通信)を可能にするための無線通信モジュール1246、およびローカル電源1243をさらに含む。入力/出力(ライト、電力/リセットボタンなど)もまた提供される。
図12Cは、制御ユニット1230を提供することによって図12Bを展開させる。この制御ユニットは、例えば手首に取り付けられた制御ユニットとして、シャツストランドの1つの遠位端に物理的に結合される。いくつかの実施形態では、制御ユニットはセンサユニットと一体化される。制御ユニット1230は、1つ又は複数のボタンのような入力デバイス1231と、1つ又は複数のライトおよび/または表示画面(好ましくは低電力画面)のような出力デバイス1232とを含む。制御ユニット1230は、ユーザがPODデバイスを介したトレーニングコンテンツの供給を制御するための基本コマンドを提供するのを支援するために設けられる。例えば、コマンドは、例えば、前の可聴命令を繰り返すために、またはトレーニングカリキュラムの次のステージに進むために、「前」および「次」を含み得る。いくつかの実施形態では、可聴コンテンツが、例えば、選択可能なメニューアイテムを可聴的に提供することによって、ユーザが入力デバイスを操作するのを支援するために提供される。
図12Dの実施形態では、制御ユニット1230は、機器取り付け可能センサユニット1240によって提供される無線信号を受信するように構成された無線通信モジュール(例えばRF)をさらに含む。この方法では、無線センサユニットデータは、(モジュール1204を介して)PODデバイスで直接的におよび(モジュール1233を介して、制御ユニット1230を介してかつセンサストランドに沿って、この場合はシャツセンサストランド4である)間接的にの両方で受信されることができる。これは、無線通信の冗長性を提供する;信号が人体(主に水である)を通過するところでは無線通信を確実に受信することには困難があることが理解されるべきである。2つの間隔を空けた位置を有すると(図12Dに示すように、または代替の配置を介して)、ユニット1240からの全てのセンサデータが受信され、分析に利用可能となる機会が著しく増加する。PODデバイスは、データ完全性プロトコルを実施し、それによって、2つの経路のそれぞれによって提供されるデータをどのように合成/選択するかを決定する。いくつかの実施形態では、例えば、外部センサユニットの信頼性がより高い場合、衣服の様々な場所に配置された複数の冗長無線通信ユニットがあってよい。
いくつかの実施形態では、ユニット1230は、センサ対応手袋コンポーネントの取り付けのための端子コネクタを含むセンサストランドではなく、それ自体のストランド上に設けられる。
図12Eは、1つの実施形態によるツーピース衣服(two-piece garment)の模式的な表現(正確な縮尺ではない)を提供する。これは、前の図に対応する参照番号で示されている。図示された衣服は、シャツ構成要素上の3つのセンサストランドと、(衣服構成要素間でセンサストランドを結合するコネクタ1209を有する)ズボン構成要素上にセンサユニットを提供する2つのセンサストランドによって定められるツーピース衣服である。
センサユニットの図示された配置は、決して限定することを意図するものではなく、その代わりに、この数のセンサユニットを有する衣服の潜在的なセンサユニットの位置についての大まかなガイドを提供する。図12Eに示す一般的な原理は、センサを関節から離れて設けることである。それぞれのセンサユニットのジャイロスコープ、加速度計および磁力計から収集されたデータは、それによって、複数の軸を横切る相対的なセンサの位置、角度、動きなどを決定する処理を可能にする(3つの3軸センサを提供することは、実際には、各センサユニットに対して9つの感度(nine degrees of sensitivity)を提供することに留意されたい)。したがって、体動に関するリッチデータ(Rich data)が決定されることができる。さらに、PODデバイスによって提供される構成データによって、各センサの感度/動作は、例えば個々のセンサコンポーネントごとにレベルを設定し、特定の動作アーチファクトのみについて報告するなどのために、特定のスキルに対して選択的に調整されることができるに。これは、センサユニットにおける電力消費の低減、PODデバイスにおける処理オーバヘッドの低減、および特定の重要な動作アーチファクトに対する感度の増加(ローイングマシンに向かって歩く人の動きとは対照的に、ローイングアクションにおける動きの高解像度モニタリングなど、例えば、特定の定義された特性を有する動きのみを監視する運動学的モデルを適用することによって)を含む、様々な観点から有用である。
図12Fは、この場合無線センサユニット1240を担持するスケートボードであるリモート機器の一片を示すために、図12Eを拡張する。上述のように、センサユニット1240は、複数の通信経路を介してPODデバイス1200と無線で通信することが好ましく、それにより、無線通信に関連する制限に対処する。例えば、図示の例では、センサユニット1240によって送信される信号は、PODデバイス1200によって提供される無線通信モジュールによって、および(受信されるセンサデータをそれが接続されているセンサストランドを介して送信する)手首制御ユニット1230によって提供される無線通信モジュールによって、受信されるように構成される。
図12Gは、モバイルデバイス1281、およびワイヤレスヘッドセット1282を示すことによって図12Fを拡張する。
PODデバイス1200は、モバイルデバイス1281(例えば、iOS、Android、Windowsなどを含むある範囲のオペレーティングシステムのいずれかを動作させ得るスマートホンまたはタブレット)と通信し、それによって、ユーザインタフェース画面にコンテンツのレンダリングを可能にするように構成されたモバイルデバイスデータを提供し、そこコンテンツは、スキルトレーニングプログラムを通じてユーザを誘導するのに役立つ。例えば、コンテンツは、ビデオデータ、テキストデータ、画像などを含み得る。いくつかの実施形態では、PODデバイス1200は、そのようなコンテンツの配信のためのローカルウェブサーバとして動作する(すなわち、モバイルデバイスは、PODデバイスによって通知される無線ネットワークに接続する)。
ヘッドセット1282(図示された設計構成のヘッドセットである必要はない)は、モバイルデバイス1281を持ち運ぶかまたは参照する必要なしに、ユーザが可聴フィードバックおよび/または命令をPODデバイスから受信することを可能にする。これは、例えば、ローイング、ジョギング、水泳、スノーボードなどの間に、例えば、モバイルデバイスを参照することが実現不可能または一般的に不便なスキルのコンテキストに関連している。いくつかの実施形態では、有線ヘッドセットが、例えば、PODデバイスに優先接続された衣服によって提供される3.5mmヘッドホンジャックを用いて、使用され得る。
図12Hは、1つの実施形態によるセンサストランドを示す。これは、複数のセンサユニット1220を含む。各センサユニットは、メモリ1222に結合されたプロセッサ1221を含む。上流および下流データ接続1223および1224が提供される(これらは、いくつかの実施形態では、設置配向に基づいて機能的に区別され得る)。ライトおよび/または電源/リセットボタンのような、入力/出力1225が設けられ得る。図示された実施形態は、ユーザにフィードバックを提供する(例えば、ユーザの右腕で何かを行う命令に対応する右腕センサユニットへの触覚フィードバックを起動する)のを支援するために使用され得る触覚フィードバックユニット1226を含む。図示されたセンサコンポーネント1227は、3軸磁力計1227a、3軸加速度計1227b、及び3軸ジャイロスコープ1227cである。
図12Iは、1つの実施形態によるハウジング1296を示す例示的なセンサユニット1220を示す。このハウジングはプラスチック材料で形成され、図12Hに示されるコンポーネントを提供する回路基板1297を水密的に包囲する。コネクタ1298は、衣服によって提供されるセンサストランドへの接続を可能にする。
図17は、センサストランドおよびMSU取り付け位置を提供するストレッチ/圧縮ファブリックを示す、MSU対応衣服の代替図を提供する。
MSU及びMSU対応衣服の構成:概要
いくつかの場合には、エンドユーザ機器のODCの識別は:(i)与えられたユーザのMSUの実際の位置の知識;及び(ii)MSUの相対的位置の知識、を必要とする。各MSUは、従来、それら自身の基準フレームに対する動きデータを提供するので、複数のMSUからのデータを意味があるように組み合わせることには課題がある。
上述の様々な実施形態は、センサユニットのセットから導出されたデータを利用し、それによって身体的パフォーマンスの分析を可能にする。これらのセンサユニットは、例えば、複数のセンサユニットを担持するように構成される着用可能な衣服によって、ユーザの身体に取り付けられる。このセクション、および以下のセクションは、いくつかの実施形態においてセンサユニットの構成に関する、それによって、センサから得られたデータに基づいて、人体の動きのような動きの分析を可能にする例示的な方法を説明する。
背景として、身体的なパフォーマンスを表すデータを収集するための既知かつ一般的な手法は、光学的モーションキャプチャ技術を使用することである。例えば、そのような技術は、ユーザの体の様々な位置で観察可能な光学的マーカを配置し、マーカの位置および動きを表すデータを導出するためにビデオキャプチャ技術を使用する。分析は、仮想的に構築された身体モデル(例えば、完全な骨格、顔の表象など)を使用し、マーカの位置および動きを仮想的に構築された身体モデルに変換する。いくつかの従来技術の例では、コンピュータシステムは、コンピュータシステムで定義された仮想身体モデルにより身体的な人間のユーザの正確な動きを、実質的にリアルタイムで、再現することができる。例えば、そのような技術は、モーションキャプチャ技術組織Viconによって提供される。
モーションキャプチャ技術は、それらが一般的に(i)ユーザが自分の体の様々な位置にマーカを配置すること、及び(ii)1つ又は複数のカメラデバイスを使用してユーザのパフォーマンスをキャプチャすること、の両方を必要とすることを考えると、有用性が限定される。いくつかの技術(例えば、深度検知カメラを使用する技術)は、視覚マーカの必要性への依存を減少させることができるが、それにもかかわらず、モーションキャプチャ技術は、それが1つ又は複数のカメラデバイスによってキャプチャされることができる場所で生じるパフォーマンスの必要性によって本質的に制限される。
本明細書で説明される実施形態は、モーションセンサユニットを使用し、それによってモーションキャプチャ技術に関連する制限を克服する。モーションセンサユニット(慣性測定ユニット、またはIMUとも呼ばれる)、例えば、1つ又は複数の加速度計、1つ又は複数のジャイロスコープ、および1つ又は複数の磁力計を含むモーションセンサユニットは、本質的に、それら自身の動きを表すデータを提供することができる。そのようなセンサユニットは、速度、向き、および重力を含むパラメータを測定しかつ報告する。
モーションセンサユニットの使用は、モーションキャプチャ技術との比較により課題の範囲を提示する。例えば、少なくとも以下の理由で複数のモーションセンサを使用するとき技術的な課題が生じる:
● 各センサユニットは、それ自身のローカル基準フレームに基づいてデータを提供する。これに関して、各センサは、本質的にそれ自身の領域の中心を規定するかのように、本質的にデータを提供する。これは、キャプチャデバイスが本質的に各マーカを共通の基準フレームに対して解析することができるモーションキャプチャとは異なる。
● 各センサユニットは、四肢のどこにあるかを正確に知ることができない。センサ衣服はおおよその位置を定義し得るが、個々のユーザは異なる身体属性を有し、これは正確な位置決めに影響を与える。これは、マーカが典型的には高精度で位置決めされるモーションキャプチャ技術とは異なる。
● 全てのセンサは、まるでそれらが、それらを接続する骨/肢(limbs)なしで、電子的な「スープのボウル」に置かれているかのように、完全に独立して動作する。すなわち、センサのそれぞれのデータ出力は、モーションキャプチャで使用されるマーカとは異なり、任意の種類の仮想身体上の相対的な位置決めとは無関係である。
以下に説明される技術および方法は、センサユニットデータの処理を可能にし、それによって共通の体全体の(body-wide)基準フレームを提供する。例えば、これは、(i)センサユニットSU1からSUnに関する動きデータを共通の基準フレームに変換するように構成される変換を定義すること;及び(ii)センサユニットSU1からSUnの間の骨格の関係(skeletal relationship)を決定すること、のいずれか又は両方によって達成され得る。多くの場合、これらは密接にリンクされている:共通の基準フレームへの変換は、骨格の関係の決定を可能にするものである、ことが理解されるであろう。
いくつかの実施形態では、センサデータの処理は、仮想骨格身体モデル(virtual skeletal body model)を表すデータを定義することにつながる。これは、実際には、モーションセンサスーツ構成から収集されたデータが、従来のモーションキャプチャ(仮想骨格身体モデルを表すデータも提供する)と同様の形態の分析を提供することを可能にする。
以下に記載される処理技術は、少なくとも以下のコンテキスト(contexts)において適用を見出す:
● 定義されたモーションキャプチャ技術によって提供されるモデルとの比較に適したスケルトンモデルを組み立てる。例えば、モーションキャプチャデータおよびセンサ由来データの両方が、分析フェーズの間に収集されることができ、それによってモーションセンサデータの処理から得られた骨格モデルデータが、モーションキャプチャ技術から導かれた対応する骨格モデルと一致するかどうかを検証することができる。これは、スキルを客観的に定義するためのプロセス(前述)のコンテキストにおいて、またはより一般的にはデータセンサのデータ処理方法をテストし、検証するコンテキストにおいて適用可能である。
● 着用されたセンサ対応衣服の自動化された「姿勢に特有でない(non-pose specific)」構成。すなわち、ユーザがセンサ構成のために1つ又は複数の事前に定義された構成ポーズ(configuration pose)を取ることを要求するのではなく、以下に説明する処理技術は、実質的に任意の動きから生じるセンサデータを処理することによって、(例えば、骨格モデルを組み立てることによって)各センサのデータを共通の基準フレームに変換することを可能にする。すなわち、以下のアプローチは、あるセンサの動きを別のセンサに対して比較する目的で、かなり一般的な「動き(モーション)」を必要とします。その動きの正確な性質は限定された重要性を持つ。
● (例えば、スキルトレーニングおよびフィードバックのコンテキストにおいて)スキルの身体的パフォーマンスの正確なモニタリングを可能にする。例えば、これは、センサデータ内の観察可能なデータ条件(前述のように、パフォーマンス影響因子を表す)をモニタリングすることを含み得る。
いくつかのアプローチが以下に説明される。これらは、個別に、または組み合わせて(例えば、重複および/またはハイブリッド配置(arrangement)で)適用されることができる。
以下に検討される例は、それ自体の基準フレーム内で表される加速度および角速度のサンプルを提供する慣性測定ユニット(IMU)を含む2つのセンサユニットを検討する。これらのIMUをそれぞれS
1およびS
2、ならびに、
(外1)
をそれぞれそれらのローカルフレームとする(すなわち、IMUを“S”で表し、1つ又は複数のIMUおよび任意選択で他のセンサハードウェアを含み得るセンサユニットは、“SU”によって示される)。
慣例により、フレーム
(外2)
内に表されるベクトル
(外3)
は、左上付き表記を使用して示される:
(外4)
各瞬間において、2つのセンサフレーム、
(外5)
は、変換行列によってリンクされる。
ベクトル
(外6)
を
(外7)
で表される別のものに変換するそのような行列は、
(外8)
で示され、以下のように書かれる:
センサユニットの構成:関節制約
いくつかの例示的な方法論は、関節パフォーマンスの知識(joint performance knowledge)を利用する。すなわち、第1センサユニットSU1および第2センサユニットSU2は、既知の関節の対向する側部上でリンク部材に取り付けられている。関節のタイプに関する知識を使用して、以下に説明される方法論は、処理を可能にし、それによってそれぞれのセンサのデータを共通の基準フレームに変換することを可能にする。すなわち、この方法は、定義された関節制約のセットに基づいて、SU1およびSU2に関するモーションデータ間の関係を決定することを含む。例えば、これは、SU1およびSU2によって定義されるそれぞれの基準フレームに基づいて、SU1とSU2との間の関節の位置および動きを識別することを含む。
実用的な例は人体であり、リンク部材は人体の人体部分である。例えば、センサユニットは、間に肘(ヒンジ関節)を有する、上腕位置及び前腕位置に取り付けられる。これらのセンサからのモーションデータの分析は、肘関節ヒンジに対して定義された関節制約を用いて、それぞれからのモーションデータを共通の基準フレームへの変換を可能にする。これは、複数の既知の身体の関節(既知の関節のタイプの既知の関節、例えばヒンジ、球、またはユニバーサル)の対向する側部で身体の位置に取り付けられる複数対のセンサユニットに対して実行され、それにより、センサユニットのそれぞれからのモーションデータを人体の共通の基準フレームに変換するように構成される変換を定義する。これは、オプションで、複数のセンサユニットから受信したモーションデータへの定義された変換の適用に基づいて、人体の骨格運動モデルを維持することをもたらす。
詳細を見ると、
(外9)
及び
(外10)
を、個々のIMUセンサによって報告される角速度とする。これらのセンサは、ヒンジ制約(すなわち、1つの角度自由度)によって互いに接合される2つのリンクに取り付けられると考える。センサは所定のレート(例えば、50Hz)でサンプルを提供するので、パラメータとして時間を各角速度ベクトルに加える必要がある。これは、サンプルの間で区別するのに役立つ。さらに、これらのサンプルは、異なるローカルフレーム、すなわちそれらを測定するセンサのフレームで表わされる。したがって、ある時間の例tにおいて、次の量:
1g
1(t)及び
2g
2(t)を知る。
次のことが理解されるべきである:
(外11)
がワールド空間(world space)におけるヒンジ関節の単位軸である場合、以下の制約が時間tの任意の瞬間に当てはまる:
証明として、ヒンジ制約を利用し、角速度ベクトル間の接続を確立することが可能である。通常、ヒンジ関節が全く回転しない場合、2つのジャイロスコープは同じ大きさの角速度を報告するはずであり、一定の回転行列を介して互いに変換されることができる。ヒンジジョイントが回転する場合、角度伝達速度(angular transport
velocity)の以下の等価量(equivalent)を有する:
ここで、
(外12)
は
(外13)
ヒンジ軸回りの回転によって生じる角速度であり、1/2R(t、θ)は、関節角度がθであるときの時間tにおける2つのセンサフレームを関連付ける変換の回転部分である。式(2)の両辺に1/2R(t、θ)
−1を乗じて次の式を得る:
軸
(外14)
は両方のフレームで表現可能であり、その向きにのみ関心があるので、次のように書くこともできる:
式(3)および4)を回転行列対クロス積特性(cross product property)
(外15)
と組み合わせると、次の式を得る:
ヒンジ関節の角速度に関連して、任意の時点で、
(外16)
ヒンジ関節の周りの角速度は、以下の式によって与えられることが理解されるべきである:
証明として、以下の意見が述べられている。一方、第2ジャイロスコープの角速度は、式2に記載されているように第1センサのフレーム内で表されることができるが、変換行列の回転部分を直接使用することによっても、すなわち、以下のように表されることができる:
式(8)および(2)の両辺の
(外17)
との内積(dot product)を計算することは、次の式をもたらす:
ここで、式(4)と内積の特性
(外18)
を思い出すと、次のように書くことができる:
すなわち、このように式(7)の主張を証明する。
時間
(外19)
で報告されたセンササンプルに依存する特定の制約関数
(外20)
が与えられる場合、この制約に関連するエラーは
(外21)
として形式的に表すことができる。代数的には、これは次の記載と等価である:
ここで、
(外22)
は、時間サンプルのN次元ベクトルであり、
(外23)
は制約関数fの引数としてフィードするm次元のサンプルベクトルであり、
(外24)
は、エラーを最小限に抑えるために見つける必要がある主n次元ベクトル引数(main n-dimensional vector argument)である。このベクトル値のエラー関数は、入力のスカラー値関数として表すこともできる:
これは最小化される必要がある。
ヒンジ関節の例を使用して、式(1)によって表されるヒンジ関節制約に対して、対応する制約関数は次のようになり:
(外25)
および
(外26)
を用いて単純化のために連結された行ベクトルとして書かれる。
理想的には、式(12)の制約関数の値は常にゼロでなければならないため、エラーに対するベクトル関数式とスカラー関数式の両方がゼロに等しい最小を達成すべきである。関節ベクトルは単位ノルムを持たなければならないので、追加の制約を記述しなければならない:
これは、これらの追加の制約は目的に含まれないため、(10)または(11)のいずれかを最小化する作業をさらに複雑にする。1つのアプローチは球座標で、すなわち
で作業することである。
(外27)
に関して、著者が提案する解決策はベクトルエラー表現を含み、これに関して
(外28)
は未知であり、ジャイロスコープ角速度は係数を提供する。得られた系は過剰に決定され(overdetermined)(通常N>6)かつ非線形であるため、著者はガウス−ニュートン法を用いてe(t,x)=0を反復的に解くことを提案する。簡潔にするために、時間サンプルベクトル
(外29)
を落とし、あるベクトル成分を示すためにkの添え字を用いる。
(外30)
のヤコビアンが計算される必要がある。球座標が使用される場合、x=(φ
1,θ
1,φ
1,θ
1)である。この座標の変化は、ヤコビアンの計算をより退屈にし得るが、非線形等式制約非線形最小化問題(nonlinear equality constrained nonlinear minimization problem)を直接的に回避する(すなわち、非線形目的関数を最小にするだけでよい)。
等式制約(14)を使用して問題を解きたい場合は、ラグランジュ乗数法に基づく定式化が可能になる:
重大な所見として、ヒンジ関節セットアップに関する次の可能性を考慮する場合:
第1リンクは動かない、すなわち1g1=0
第2リンクはジョイントのアクションによって回転する。例として、角速度がローカルz軸と整列していると仮定する、すなわち、
(外31)
反復アルゴリズムは、
(外32)
及び
(外33)
に対する推測を伴って開始される必要がある。
(外34)
に設定すると、問題は収束しない。この状況では、gは、目的関数内で作用する唯一の速度である。目的関数の等値面(isosurfaces)は、その軸が角速度(すなわち、この特定の場合にはz軸)と整列する円筒の族(family)である。一方、関節ベクトルの等式制約は、単位球を記述する。角速度がその単位球の南北磁極軸である状態でラグランジュ乗数法を使用しかつ赤道上のどこかで関節ベクトルの推測で始まる場合、反復プロセスは関節ベクトルの推測を修正できない。これは、複数の理由のために起こる:シリンダ及び球の勾配が揃えられるが、目的関数は最小化されない。通常、目的関数の勾配は、推測を変更し、逆の勾配方向にそれを引っ張る。そして、修正された推測が等式制約多様体(equality constraint manifold)(単位球)上に戻って投影されます。単位球の赤道から開始しない場合、アルゴリズムは収束し、解がN‐S軸にある(すなわち、角速度ベクトルと同一線上)ように確立する。
ヒンジ関節の簡略化の観点から、ヒンジ関節制約の場合の関節軸の探索をさらに単純化するために、IMUセンサフレームが、それらのローカル
(外35)
軸が、ちょうど図7Bに描かれるように、それらの支持肢の骨と完全に整列するような方法で肢に取り付けられることを仮定することができる。この仮定は、任意のローカルフレームにおいて以下の幾何学的観察を書くことができる:
式(17)はさらに、ヒンジ軸の探索空間を単位球から各フレームのローカル
(外36)
平面内の単一の単位円に制限する。これは、各ローカルフレームにおける関節単位ベクトルを記述するために必要な2つの球面角の代わりに、単一の角度のみを必要とすることを意味し、次のように書くことができる:
ここで、θ
iは図7Bに表される角度である。この文脈では、角速度と関節軸との間の外積(cross product)のノルムは次のようになる:
式(10)のベクトルエラーを最小にする近似解を見つけるためヤコビアン計算では、2つの角度パラメータθ
1およびθ
2に関するN次元のベクトル値エラー関数のヤコビアンを計算しなければならない。したがって、ヤコビアン行列の成分は次のようになる:
ローカル
(外37)
軸を肢の骨と整列させることにより、探索空間を4次元から2次元に、すなわち(θ
1,θ
2)の角度に縮小した。ガウス−ニュートン反復を使用して一般的な場合の解を見つけることができ、手順は明らかに削減された問題に依然として適用可能である。同期したノイズのないセンサデータがない場合、単純化されたアーム表現及び式(2)を使用することにより人工的に生成されたデータを使用した。その結果として、ヤコビアン方程式(20)も提供することによって、レーベンバーグ−マーカート(Levenberg-Marquardt)非線形最小二乗アルゴリズムを使用して問題を解くマトラボ(Matlab)スクリプトを作成した。より具体的には、第1センサに対して一定の角速度を設定するとともに使用し、回転がローカル
(外38)
軸の周りで起こると仮定したので、回転行列を計算することは取るに足らない。式は次のとおりである:
センサユニットの構成:共通ワールド方向(Common World Directions)の識別
2つのリンクの間の角度を見つける問題とそれらの相対配向行列(relative orientation matrix)の両方を解決する別のアプローチは、センサユニットにおいて、IMU(加速度計)と磁力計(例えば、さらに上で提供された様々な例で説明されたような)を組み合わせることである。
概要では、いくつかの実施形態は:第1センサユニットSU1からデータを受信するステップであって、SU1からのデータはSU1によって定義される基準フレームに基づくステップと;第2モーションセンサユニットSU2からデータを受信するステップであって、SU2からのデータはSU2によって定義される基準フレームに基づくステップと;SU1およびSU2は、既知の関節の対向する側部上でリンク部材に取り付けられ;センサユニットSU1およびセンサSU2からのデータから受け取ったデータを処理するステップであって、それにより、センサユニットSU1およびセンサSU2からのそれぞれのセンサデータにおける2つ以上の共通ワールド方向を決定するステップと;2つの共通ワールド方向の決定に基づいて、センサユニットSU1とセンサSU2との間の骨格関係を決定するステップと;を含む方法を提供する。例えば、これは、2つの共通ワールド方向の決定に基づく、仮想骨格身体モデルを表すデータを定義することを含む。
いくつかの実施形態では、少なくとも2つのワールド方向は、(i)磁場方向および(ii)重力加速度方向によって定義される。これに関して、各センサユニットは、(i)磁界方向を表すデータを提供する磁力計;および(ii)重力加速度方向を表すデータを提供する加速度計を含む。
細部に目を向けると、例示的なアプローチは、運動の欠如のおおよその期間を特定し、以下の量を測定することである:
● 重力加速度:フレーム
(外39)
において、加速度計が示す値、
ia
gは、重力加速度ベクトルの近似値である。
● 磁北:同じ瞬間に、
im磁場配向ベクトル(magnetic field orientation vector)を測定する。
この点以降、センサユニット融合出力によって供給される中間四元数配向値(intermediate quaternion orientation values)が、iag及びim両方のローカル式(local expressions)を連続的に計算するために使用されることができる。
いくつかの実施形態では、トライアド法(triad method)が、相対配向行列を復元するために適用される。以下では、球面関節により接続された2つの肢(limbs)を仮定する。簡潔にするために、第1および第2の四肢センサのフレームをそれぞれ
(外40)
および
(外41)
と表す。現在の目標は、2つのフレームを整列させる
(外42)
回転行列を導出することである。当然ながら、次の恒等式(identities)が保持される:
回転行列
(外43)
を復元するために、以下の単純なステップからなるトライアド法を使用する:
1. 正規化する:
及び
2. 正規直交基底を作る:
、
式(22)を行列形式で整理する:
これは解につながる:
これは、センサユニットに関する骨格モデルの変換および/または構成の定義を可能にする。すなわち、上述のように、このアプローチは、2つのセンサの基準フレーム間の相対的な変換の直接的な回復を可能にする。これは、センサが四肢に検知可能にしっかりと取り付けられていることを前提とする(すなわち、それらは、無視できるロール/ピッチ/ヨーオフセットでかつ最小の揺れ(sway)、水平ずれ(heave)および打ち寄せ(surge)並進移動で、四肢とともに回転する)。
いくつかの実施形態では、各センサユニット(またはセンサユニットのサブセットの各々)は、複数の加速度計を含む。例えば、センサユニットは、(i)第1感度範囲に調整され、それによって閾値の運動の影響を受けた飽和点(threshold motion-influenced saturation point)以下のデータを提供する第1磁力計;及び(ii)第2感度範囲に調整され、それによって、少なくとも1つのセンサユニットが、閾値の運動の影響を受けた飽和点を上回る動きにもかかわらず、磁界の方向を表す連続データを提供するよう、閾値の運動の影響を受けた飽和点を上回るデータを含むデータを提供する第2の加速度計を含む。これは、1つの加速度計がセンサ構成に適したデータを提供し、別の加速度計がスキルモニタリングの目的で特定の運動加速度範囲でより詳細な/正確なデータを提供することを可能にする。例えば、その範囲は、関連する観察可能なデータ条件属性に基づいて、スキル固有のベースで設定されてもよい。
センサユニットの構成:逆運動学姿勢推定
いくつかの実施形態は、逆運動学補正モデル(inverse kinematics corrective model)を利用する。概要では、一般的な原理は、ベース(肩や臀部など)の視点から見たかのように、エンドエフェクタ(手や足など)を追跡することである。加速度及び配向を使用するとき、処理技術は、ベースがエンドエフェクタを特定の位置で見る場合に、ベースとエンドエフェクタ間の肢部がどのように一緒に接合されているか(すなわちそれらの相対的な角度)を推論することが可能である。
実際的な例として、人が自分の手だけを見ながらアイテムをつかむことが可能である。これは、潜在意識レベルでの、逆運動学のプロセスを含む。人はアイテムに達するときに肘がどのように曲がっているか正確には知らないが、脳はあなたの手及びアイテムを見て、手がアイテムに近づくように肘に曲げるよう腕の筋肉に命令する。現在の技術的状況では、手及び肩の2つのセンサを考慮すると、同じプロセスが可能である。しかし、複雑さの追加されたレベルとして、腕全体が複数の可能な構成にすることができるように、アイテムに手を置くいくつかの方法がある。中間センサ(例えば、前腕及び上腕のそれぞれの上のセンサ)は、実際の姿勢と他の可能性との間を識別するための処理を可能にする。
1つの実施形態は、複数のセンサユニットSU1からSUnのモーションデータを受信することを含み、各センサユニットのモーションデータは、それぞれのローカル基準フレームに基づいており、各センサは、着用者の体のそれぞれの体のリンク(respective body link)に取り付けられ、センサユニットSU1からSUnは:
(i)ベースセンサユニット;及び
(ii)エンドエフェクタセンサユニット、
を含む。
この方法はそのうえ、ベースセンサに対するエンドエフェクタセンサのモーションを決定すること;及び、運動学的モデルに基づいて、ベースセンサユニットとエンドエフェクタセンサユニットの中間の1つ又は複数の関節の位置およびモーションデータを推定すること、含む。例えば、これは、ベースセンサユニットとエンドエフェクタセンサユニットとの間の1つ又は複数の関節の位置およびモーションデータの推定に基づいて、仮想骨格身体モデルを表すデータを定義することを含む。複数のセンサユニットは、好ましくは、1つ又は複数の中間センサユニットを含み、1つ又は複数の中間センサユニットは、ベースセンサユニットとエンドエフェクタセンサユニットとの中間の体のリンク上に配置される。これらは、運動学的推定プロセスに対する複数の可能な解のうちの「正しい」ものを識別するために使用される。一例では、ベースセンサは肩に近接して配置され、エンドエフェクタセンサは手に近接して配置され、1つ又は複数の中間センサユニットは上腕および/または前腕に取り付けられる。別の例は、腰、脚および足で動作する。
詳細に目を向けると、隣接するリンクフレーム間の相対的な変換が特定のエラーまで分かっている初期姿勢(initial pose)を仮定することができる。これは、各センサw.r.t.の位置、そのリンクが知られている(スーツのデザインプリントを介して)ので、可能である。その結果、図7Dに描かれるように腕の関節を見ることによって、潜在的にデナビット−ハーテンバーグの慣習(Denavit-Hartenberg conventions)を使用して、逆運動学問題を定式化することが可能である。
各腕に関して、全ての計算が実行されるベース基準系は肩のもの、
(外44)
であると仮定することができる。エンドエフェクタは手である。初期化段階では、
(外45)
ハンドフレームの姿勢は
(外46)
フレームに対するw.r.t.と知られることになる。これは、腕リンクの解剖学的な割合に依存し、以下のようにまとめられる:
● 成人の伸長Hが仮定される。
● アームリンクの長さ(肩と肘関節の間の長さ)は約0.16Hである。
● 前腕リンクの長さ(肘と手首関節の間の長さ)は約0.14Hである。
● 手の長さ(手首と中指の先端の間)は約0.11Hである。
● 肘関節での角度
(外47)
が静止位置にあると仮定されることができる。
初期化エポック(initialization epoch)の後の手の姿勢を推定するために、IMUから取得したデータに依存することがある。本質的に、角速度は、そのIMUのフレームの初期姿勢に関して、時間にわたる姿勢推定値を積分し、最終的に取り出す(recover)方法を提供する。しかしながら、加速度は、理論的に並進オフセットを測定することを可能にする。何が未知であり何が2つの連続した時間インスタンス(time instances)t
iとt
i+1との間でわかると予想されるかをより良く理解するために、我々が求めているアプローチの入力と出力を構成する要素を列挙する:
● 入力:t
i、t
i+1>0IMUサンプルが読み込まれたときの時間インスタンス、
(外48)
、
(外49)
時間インスタンスt
i+1>における初期姿勢に対する手および肩の回転行列。Gの上付き文字は、初期姿勢が異なるフレーム間で変換するために使用しなければならないグローバル基準であるという仮定を強調している。また
(外50)
及び
(外51)
は、時間t
i+1におけるそれぞれのIMUによって読み取られた加速度であり、それらのローカルフレームでも表される。また、
sr(t
i)は、
(外52)
で表される腕フレームのベクトルオフセットである。最後に、各関節(全体で7つある)について、角度オフセットθ
k(t
i)がインスタンスt
i、k=
(外53)
で分かっていると仮定する。
● 出力:ジョイント角度オフセット
。
説明
(外54)
は、インスタンスt
i+1における並進オフセットを取り出すのに役立つ。t
i+1で測定された角速度は、肩フレームがこの短期間にどのように回転したかを記述する相対的な変換、すなわち、
(外55)
を明らかにする。したがって、
(外56)
は、回転だけが起こったと仮定して、時間t
i+1において肩フレーム内で肩から手ベクトルがどのように見えるかを示す。多くの状況において、肩に対する手の輸送加速度(transport acceleration)は、肩から手ベクトルの長さを修正する:
オイラー積分を使用して、輸送線形速度を更新し、補正されたオフセットベクトルを取り出すことができる。より具体的には、
式(27)および(28)から、逆運動学の定式化の全ての前提条件が整っていることがわかる。1つの可能なアプローチは、循環座標降下(cyclic coordinate descent)(CCD)を使用することであり、センサからデータを読み込んで、どの関節を最初に修正するかのより経験に基づいた推測をする。これが何を意味するのか理解するために、外転運動((リンゴをつかんで口に持っていく))中に肘の角度が減少すると想像する。CCDは、通常、ルートから始まってエンドエフェクタに向かって角度を調整する。この場合、腕および前腕のジャイロスコープは、肘関節のためにより激しい動きを示すはずである。したがって、それは、最初に最適化するための最も有望な軸でなければなりません。ある意味では、センサは、個々の関節にCCD反復を適用するための固有の順序を提供する。
θk(ti+1)角度が取り出されると、IMUセンサの配向推定値が補正される。
これらは、MSUの構成のための例示的な技術として提供され、これらは、いかなる意味においても限定を意図するものではないことは理解されるであろう。さらに、いくつかの実施形態では、ODCは、複数のMSUから共通基準フレームへのMSDの変換を必要としない方法で定義され、代わりにMSU固有のデータの自己参照方位(self-referenced aspects)に依存することが理解されるべきである(所与のMSUがそれ自体の基準フレームに従って加速する経路に基づき、これは、オプションで、第2のMSUがそれ自体の基準フレームで加速する経路と組み合わされる)。
結論および解釈
上述の技術は、以下に限定されるものではないが、(i)それによってその明確にする特徴(defining characteristics)を理解するためのスキルの分析;(ii)それによって1つ又は複数のPSUを使用してスキルの自動化された分析を可能にするプロトコルの定義;(iii)それによってスキルトレーニングのようなインタラクティブエンドユースコンテンツを提供する、自動化された分析を利用するコンテンツの定義および配信;(iv)スキルトレーニングプログラムの適応的実施;(v)エンドユーザへのコンテンツの配信を容易にするハードウェアおよびソフトウェア;(vi)エンドユーザによるコンテンツの体験を容易にするハードウェアおよびソフトウェア;並びに(vii)人間のアクティビティモニタリングの目的のための多数のモーションセンサユニットの構成および実施を容易にするために開発された技術および方法論;を含む、記載された特徴の範囲にわたる進歩を提供することが理解されるであろう。
特に断りのない限り、以下の説明から明らかなように、明細書全体を通じて、「処理する」、「計算する(computing)」、「計算する(calculating)」、「決定する」、「分析する」などの用語を用いる議論は、電子量のような物理量として表されるデータを、同様に物理量として表される他のデータに操作および/または変換する、コンピュータまたはコンピュータシステム、或いは同様の電子コンピューティングデバイスの動作および/またはプロセスを指すことが理解される。
同様に、「プロセッサ」という用語は、電子データを、例えばレジスタおよび/またはメモリから、その電子データを、例えばレジスタおよび/またはメモリに格納され得る、他の電子データに変換するよう処理する任意のデバイスまたはデバイスの部分を指し得る。「コンピュータ」または「コンピューティングマシン」または「コンピューティングプラットフォーム」は、1つ又は複数のプロセッサを含み得る。
本明細書に記載の方法論は、1つの実施形態では、プロセッサの1つ又は複数によって実行されるとき、本明細書に記載の方法の少なくとも1つを実行する命令のセットを含むコンピュータ可読(機械可読とも呼ばれる)コードを受け入れる1つ又は複数のプロセッサによって実行可能である。取られるべき動作を指定する命令のセット(シーケンスまたはその他)を実行することができる任意のプロセッサが含まれる。したがって、1つの例は、1つ又は複数のプロセッサを含む典型的な処理システムである。各プロセッサは、CPU、グラフィックス処理ユニット、およびプログラマブルDSPユニットのうちの1つ又は複数を含み得る。処理システムはさらに、メインRAMおよび/またはスタティックRAM、並びに/またはROMを含むメモリサブシステムを含み得る。バスサブシステムは、構成要素間の通信のために含まれ得る。処理システムはさらに、ネットワークによって結合されたプロセッサを持つ分散処理システムであってもよい。処理システムがディスプレイを必要とする場合、そのようなディスプレイ、例えば、液晶ディスプレイ(LCD)または陰極線管(CRT)ディスプレイが含まれてよい。手動データ入力が必要な場合、処理システムはまた、キーボードのような英数字入力ユニット、マウスのようなポインティング制御デバイスなどのうちの1つ又は複数の入力デバイスを含む。本明細書で使用されるメモリユニットの用語は、文脈から明らかであり、特に明記しない限り、ディスクドライブユニットのようなストレージシステムも含む。いくつかの構成における処理システムは、サウンド出力デバイスと、ネットワークインターフェースデバイスとを含み得る。したがって、メモリサブシステムは、1つ又は複数のプロセッサによって実行されるとき、本明細書に記載された方法の1つ又は複数を実行させる命令のセットを含むコンピュータ可読コード(例えば、ソフトウェア)を担持するコンピュータ可読キャリア媒体を含む。方法がいくつかの要素、例えばいくつかのステップを含む場合、具体的に述べられていない限り、そのような要素の順序付けが暗示されていないことに留意されたい。ソフトウェアは、コンピュータシステムによる実行中に、ハードディスクに存在してよく、またはRAM内および/またはプロセッサ内に完全にまたは少なくとも部分的に存在してよい。したがって、メモリおよびプロセッサはまた、コンピュータ可読コードを担持するコンピュータ可読キャリア媒体を構成する。
さらに、コンピュータ可読キャリア媒体は、コンピュータプログラム製品を形成し得る、またはコンピュータプログラム製品に含まれ得る。
代替実施形態では、1つ又は複数のプロセッサは、スタンドアロンデバイスとして動作する、またはネットワーク化された配置に接続されてよく、例えば、他のプロセッサ(複数可)にネットワーク接続されてよく、1つ又は複数のプロセッサは、サーバまたはサーバ−ユーザネットワーク環境のユーザマシンの能力で、あるいはピアツーピアまたは分散ネットワーク環境におけるピアマシンとして、動作してよい。1つ又は複数のプロセッサは、パーソナルコンピュータ(PC)、タブレットPC、セットトップボックス(STB)、携帯情報端末(PDA)、携帯電話、ウェブアプライアンス、ネットワークルータ、スイッチ若しくはブリッジ、またはそのマシンによって取られるべき動作を指定する一連の命令(シーケンスまたはその他)を実行できる任意のマシンを形成し得る。
図面は、単一のプロセッサ及びコンピュータ可読コードを担持する単一のメモリのみを示しているが、当業者であれば、上述のコンポーネントの多くが含まれているが、本発明の態様を不明瞭にしないために、明示的に示されていない又は記載されていないことを理解するであろう。例えば、単一のマシンのみが図示されているが、「マシン」という用語は、本明細書で論じられた方法論の1つ又は複数を実行するための命令のセット(または複数のセット)を個々にまたは共同して実行するマシンの任意の集合を含むものとする。
したがって、本明細書に記載された方法のそれぞれの1つの実施形態は、命令のセット、例えば、Webサーバの構成の一部である1つ又は複数のプロセッサ、例えば、1つ又は複数のプロセッサ上で実行するためのコンピュータプログラム、を担持するコンピュータ可読キャリア媒体の形態である。従って、当業者によって理解されるように、本発明の実施形態は、方法、専用装置のような装置、データ処理システムのような装置、またはコンピュータプログラム製品のようなコンピュータ可読キャリア媒体として具体化され得る。コンピュータ可読キャリア媒体は、1つ又は複数のプロセッサ上で実行されるとプロセッサ又はプロセッサ(複数)に方法を実施させる命令のセットを含むコンピュータ可読コードを担持する。したがって、本発明の態様は、方法、完全にハードウェアの実施形態、完全にソフトウェアの実施形態、またはソフトウェアとハードウェアの態様を組み合わせた実施形態の形態を取り得る。さらに、本発明は、媒体に具現化されたコンピュータ可読プログラムコードを担持するキャリア媒体(例えば、コンピュータ可読記憶媒体上のコンピュータプログラム製品)の形態を取り得る。
ソフトウェアはさらに、ネットワークインターフェースデバイスを介してネットワーク上で送信または受信し得る。キャリア媒体は、単一の媒体である例示的な実施形態で示されているが、用語「キャリア媒体」は、1つ又は複数の命令のセットを格納する単一の媒体または複数の媒体(例えば、集中型または分散型データベース、ならびに/または関連するキャッシュおよびサーバ)を含むように解釈されるべきである。用語「キャリア媒体」はまた、1つ又は複数のプロセッサによる実行のための命令のセットを格納、エンコードしまたは担持することができ、かつ1つ又は複数のプロセッサに本発明の方法論のうちのいずれか1つ又は複数を実行させる、任意の媒体を含むように解釈されるものとする。キャリア媒体は、不揮発性媒体、揮発性媒体、および伝送媒体を含む多くの形態をとり得るが、これに限定されるものではない。不揮発性媒体は、例えば、光学ディスク、磁気ディスク、および光磁気ディスクを含む。揮発性媒体は、メインメモリのようなダイナミックメモリを含む。伝送媒体は、バスサブシステムを有するワイヤを含む、同軸ケーブル、銅線および光ファイバを含む。伝送媒体はまた、電波および赤外線データ通信中に生成されるような音響波または光波の形態を取り得る。例えば、用語「搬送媒体」はしたがって、それに限定されないが、固体メモリ、光学媒体および磁気媒体に組み込まれたコンピュータ製品、1つ又は複数のプロセッサの少なくとも1つのプロセッサによって検出可能でありかつ実行されると方法を実施する命令のセットを表す伝搬信号を生む媒体、ならびに1つ又は複数のプロセッサのうちの少なくとも1つのプロセッサによって検出可能でありかつ命令のセットを表す伝搬信号を生むネットワーク内の伝送媒体を含むように解釈されるものとする。
論じられる方法のステップは、1つの実施形態では、記憶装置に記憶された命令(コンピュータ可読コード)を実行する処理(すなわちコンピュータ)システムの適切なプロセッサ(又はプロセッサ(複数))によって実行されることが理解されるであろう。また、本発明は、特定の実施またはプログラミング技術に限定されず、本発明は、本明細書で説明される機能を実施するための任意の適切な技術を使用して実施され得ることも理解されるであろう。本発明は、特定のプログラミング言語またはオペレーティングシステムに限定されない。
本発明の例示的な実施形態の上記の説明において、本発明の様々な特徴は、開示を合理化しかつ様々な本発明の特徴の1つ又は複数の理解を助ける目的で、時には、単一の実施形態、図面、又は説明にまとめられる。しかしながら、この開示の方法は、請求項に記載された発明が各請求項に明示的に記載されているより多くの特徴を必要とするという意図を反映するものと解釈されるべきではない。むしろ、以下の請求項が反映するように、本発明の態様は、単一の前述の開示された実施形態の全ての特徴よりも少ないものにある。したがって、詳細な説明の後に続く請求項は、本発明の別の実施形態として自立している各請求項とともに、この詳細な説明に明確に組み込まれる。
さらに、本明細書で説明されるいくつかの実施形態は、他の実施形態に含まれるいくつかの特徴を含むが、他の特徴を含まず、異なる実施形態の特徴の組み合わせは、本発明の範囲内であり、当業者によって理解されるように、異なる実施形態を形成すること意図される。例えば、以下の請求項において、請求項に記載された実施形態のいずれかは、任意の組み合わせで使用されることができる。
さらに、実施形態のいくつかは、本明細書では、コンピュータシステムのプロセッサによってまたはその機能を実行する他の手段によって実施され得る方法または方法の要素の組み合わせとして説明される。したがって、このような方法または方法の要素を実行するために必要な命令を有するプロセッサは、方法または方法の要素を実行するための手段を形成する。さらに、装置の実施形態の本明細書で説明される要素は、本発明を実施する目的で要素によって実行される機能を実行するための手段の例である。
本明細書で提供される説明では、多数の特定の詳細が記載される。しかしながら、本発明の実施形態は、これらの特定の詳細なしで実施され得ることが理解される。他の例では、周知の方法、構造および技術は、この説明の理解を不明瞭にしないために詳細に示されていない。
同様に、用語「結合された」は、請求項において使用されるとき、直接的な接続のみに限定されると解釈されるべきではないことに留意されたい。用語「結合された」および「接続された」は、それらの派生語とともに使用されることができる。これらの用語は、互いに同義語として意図されていないことが理解されるべきである。したがって、デバイスBに結合されたデバイスAの表現の範囲は、デバイスAの出力がデバイスBの入力に直接接続されるデバイスまたはシステムに限定されるべきではない。これは、他のデバイスまたは手段を含む経路であり得るAの出力とBの入力との間の経路が存在することを意味する。「結合された」は、2つ以上の要素が直接物理的または電気的に接触しているか、あるいは2つ以上の要素が互いに直接接触していないが、依然として互いに協働または相互作用していることを意味し得る。
したがって、本発明の好ましい実施形態であると考えられるものが記載されているが、当業者であれば、本発明の精神から逸脱することなく他の又はさらなる改変を行うことができ、そのようなすべての変更および修正は、本発明の範囲内に含まれることが意図されることを認識するであろう。例えば、上に与えられた任意の式は、使用され得る手順の単なる代表例である。機能がブロック図に追加または削除されてよく、動作は機能ブロック間で交換されてよい。ステップは、本発明の範囲内で説明された方法に追加または削除されてもよい。