JP2020010765A - Exercise system, control method, and program - Google Patents
Exercise system, control method, and program Download PDFInfo
- Publication number
- JP2020010765A JP2020010765A JP2018133483A JP2018133483A JP2020010765A JP 2020010765 A JP2020010765 A JP 2020010765A JP 2018133483 A JP2018133483 A JP 2018133483A JP 2018133483 A JP2018133483 A JP 2018133483A JP 2020010765 A JP2020010765 A JP 2020010765A
- Authority
- JP
- Japan
- Prior art keywords
- slider
- trainee
- brain function
- period
- brain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Rehabilitation Tools (AREA)
Abstract
Description
本開示は、訓練者に対して運動の支援及び分析を行う運動訓練システム、制御方法、及びプログラムに関する。 The present disclosure relates to an exercise training system, a control method, and a program that support and analyze exercise for a trainee.
従来、訓練者のリハビリテーションを行うリハビリテーションシステムが知られている（特許文献１参照）。このリハビリテーションシステムは、上肢を動かすための手足マニピュレータを含むアクチュエータ装置を備える。手足マニピュレータは、手足の運動を測定し、訓練者への運動感覚のフィードバックを提供する。また、このリハビリテーションシステムは、脳機能の様々な測定値、例えばＳＣＰ（緩徐皮質電位）、ＭＡＣ（随意運動に伴う運動関連脳電位）、ミューリズム、生理学的測定値、を測定し、コントローラやソフトウェアモジュールが、測定値を入力して、中枢（脳）活動に関する処理や監視を行う。 2. Description of the Related Art Conventionally, a rehabilitation system for rehabilitation of a trainee has been known (see Patent Document 1). This rehabilitation system includes an actuator device including a limb manipulator for moving an upper limb. The limb manipulator measures limb movement and provides kinesthetic feedback to the trainee. The rehabilitation system also measures various measured values of brain function, such as SCP (slow cortical potential), MAC (exercise-related brain potential accompanying voluntary movement), mu rhythm, and physiological measured values, and uses a controller or software. The module inputs measurements and performs processing and monitoring of central (brain) activity.
特許文献１のリハビリテーションシステムは、単一の運動の制御や測定を複数回繰り返したり、より複雑な運動の制御や測定を複数回繰り返したりする。しかし、同じ運動を反復することで、脳に対して同じ刺激が与えられることで、同じ運動に対して慣れが生じる。この場合、脳への刺激が定常的となり、運動能力を向上することが困難になり得る。
The rehabilitation system of
本開示は、上述した従来の状況に鑑みてなされたものであり、訓練者の体のいずれかの部位を様々に動かすことで脳に対して異なる刺激を与え、運動能力の向上を期待できる運動訓練システム、制御方法、及びプログラムを提供する。 The present disclosure has been made in view of the above-described conventional situation, and exercises different stimuli to the brain by variously moving any part of the trainee's body, thereby improving exercise ability. A training system, a control method, and a program are provided.
本開示の一態様は、訓練者に対して運動の支援及び分析を行う運動訓練システムであって、前記訓練者の人体の一部が載置されるスライダの移動を制御する制御装置と、前記スライダを用いた前記訓練者の訓練期間における前記訓練者の脳機能に関する脳機能情報を取得し、前記脳機能情報を分析する分析装置と、を備え、前記制御装置は、前記スライダに対して、前記訓練期間における第１の期間に、周期的な移動を行うよう指示し、前記訓練期間における第２の期間に、前記周期的な移動とは異なる非周期的な移動を行うよう指示し、前記分析装置は、前記脳機能情報を、前記第１の期間における前記訓練者の脳機能に関する第１の脳機能情報、又は、前記第２の期間における前記訓練者の脳機能に関する第２の脳機能情報、に分類する、運動訓練システムである。 One embodiment of the present disclosure is an exercise training system that performs exercise support and analysis for a trainee, wherein the control device controls movement of a slider on which a part of a human body of the trainee is mounted; and An analyzer for acquiring brain function information on the brain function of the trainee during the training period of the trainee using a slider, and analyzing the brain function information, the control device, for the slider, Instructing to perform a periodic movement during a first period in the training period, and instructing to perform a non-periodic movement different from the periodic movement during a second period during the training period, The analyzer may be configured to convert the brain function information into first brain function information relating to the trainee's brain function during the first period, or a second brain function relating to the trainee's brain function during the second period. Information, classified into It is a movement training system.
本開示の一態様は、訓練者に対して運動の支援及び分析を行う運動訓練システムの制御方法であって、前記訓練者の人体の一部が載置されるスライダの移動を制御するステップと、前記スライダを用いた前記訓練者の訓練期間における前記訓練者の脳機能に関する脳機能情報を取得し、前記脳機能情報を分析するステップと、を有し、前記スライダの移動を制御するステップは、前記スライダに対して、前記訓練期間における第１の期間に、周期的な移動を行うよう指示し、前記訓練期間における第２の期間に、前記周期的な移動とは異なる非周期的な移動を行うよう指示するステップを含み、前記脳機能情報を分析するステップは、前記脳機能情報を、前記第１の期間における前記訓練者の脳機能に関する第１の脳機能情報、又は、前記第２の期間における前記訓練者の脳機能に関する第２の脳機能情報、に分類するステップを含む、制御方法である。 One aspect of the present disclosure is a method for controlling a movement training system that supports and analyzes a movement for a trainee, the method including controlling movement of a slider on which a part of a human body of the trainer is mounted. Acquiring brain function information related to the brain function of the trainee during the training period of the trainee using the slider, and analyzing the brain function information, and controlling the movement of the slider. Instructing the slider to perform a periodic movement during a first period of the training period, and a non-periodic movement different from the periodic movement during a second period of the training period. Performing the brain function information, the brain function information, the brain function information, the first brain function information regarding the brain function of the trainee in the first period, or the second Comprising the step of classifying the second brain function information, to about the trainee brain function in the period of a control method.
本開示の一態様は、訓練者に対して運動の支援及び分析を行う運動訓練システムの制御方法をコンピュータに実行させるためのプログラムであって、前記制御方法は、前記訓練者の人体の一部が載置されるスライダの移動を制御するステップと、前記スライダを用いた前記訓練者の訓練期間における前記訓練者の脳機能に関する脳機能情報を取得し、前記脳機能情報を分析するステップと、を有し、前記スライダの移動を制御するステップは、前記スライダに対して、前記訓練期間における第１の期間に、周期的な移動を行うよう指示し、前記訓練期間における第２の期間に、前記周期的な移動とは異なる非周期的な移動を行うよう指示するステップを含み、前記脳機能情報を分析するステップは、前記脳機能情報を、前記第１の期間における前記訓練者の脳機能に関する第１の脳機能情報、又は、前記第２の期間における前記訓練者の脳機能に関する第２の脳機能情報、に分類するステップを含む、プログラムである。 One embodiment of the present disclosure is a program for causing a computer to execute a control method of an exercise training system that performs exercise support and analysis on a trainee, wherein the control method includes a part of a human body of the trainee. Controlling the movement of the slider on which is placed, acquiring brain function information on the brain function of the trainee during the training period of the trainee using the slider, analyzing the brain function information, Controlling the movement of the slider, instructing the slider to perform a periodic movement during a first period in the training period, and in a second period in the training period, Instructing to perform an aperiodic movement different from the periodic movement, wherein the analyzing the brain function information includes: transmitting the brain function information during the first period. The first of the brain function information about the brain function of the trainee, or comprising the step of classifying the second brain function information on trainee brain functions, in the second period, a program.
本開示によれば、訓練者の体のいずれかの部位を様々に動かすことで脳に異なる刺激を与え、運動能力の向上を期待できる。 According to the present disclosure, it is possible to provide a different stimulus to the brain by moving any part of the trainee's body in various ways, and to expect improvement in motor skills.
以下、本開示の実施形態について、図面を参照して説明する。 Hereinafter, embodiments of the present disclosure will be described with reference to the drawings.
（第１の実施形態）
図１は、運動訓練システム１００の構成例を示すブロック図である。運動訓練システム１００は、動作制御装置１０、サーボアンプ１５（１５ａ〜１５ｄ）、スライダ２０（２０ａ〜２０ｄ）、モータ２２（モータ２２ａ〜２２ｄ）、動作制御生成装置２５、表示装置３０、脳分析装置４０、脳計測装置４５、加速度センサ５０（５０ａ，５０ｂ）を備える。運動訓練システム１００は、訓練者ｔｒの運動訓練に使用され、例えば、健常高齢者の運動訓練、トレーニングジム等での健常者の運動訓練、患者のリハビリテーション、等で使用されることが想定される。
(First embodiment)
FIG. 1 is a block diagram illustrating a configuration example of the
運動訓練システム１００が備える各装置（例えば、動作制御装置１０、動作制御生成装置２５、表示装置３０、脳分析装置４０、脳計測装置４５、加速度センサ５０）は、情報処理装置が備えるような構成部を備えてよい。
Each device included in the exercise training system 100 (for example, the
例えば、各装置は、プロセッサ、メモリ、通信デバイス、入力デバイス、表示デバイス、を備えてよい。プロセッサは、ＣＰＵ（Central Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＭＰＵ（Micro Processing Unit））、等を含んでよい。メモリは、例えば、１次記憶装置を含み、２次記憶装置や３次記憶装置を含んでよい。１次記憶装置は、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、等を含んでよい。２次記憶装置は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、等を含んでよい。３次記憶装置は、光ディスク、フラッシュメモリ、ＳＤカード等を含んでよい。通信デバイスは、無線又は有線を介して通信してよい。入力デバイスは、例えば、各種ボタン、キー、キーボード、タッチパネル、マイクロホン、等を含んでよい。表示デバイスは、有機ＥＬ（Electro Luminescence）デバイス、液晶デバイス、等を含んでよい。 For example, each device may include a processor, a memory, a communication device, an input device, and a display device. The processor may include a CPU (Central Processing Unit), a DSP (Digital Signal Processor), an MPU (Micro Processing Unit), and the like. The memory includes a primary storage device, for example, and may include a secondary storage device and a tertiary storage device. The primary storage device may include a ROM (Read Only Memory), a RAM (Random Access Memory), and the like. The secondary storage device may include a hard disk drive (HDD), a solid state drive (SSD), and the like. The tertiary storage device may include an optical disk, a flash memory, an SD card, and the like. Communication devices may communicate via wireless or wired. The input device may include, for example, various buttons, keys, a keyboard, a touch panel, a microphone, and the like. The display device may include an organic EL (Electro Luminescence) device, a liquid crystal device, and the like.
動作制御装置１０は、スライダ２０の位置制御機能、スライダ２０の速度制御機能、外乱観測機能、バイラテラル制御機能、及びハプティクス制御機能を有してよい。動作制御装置１０は、例えば、任意の運動スケジュールに従って、スライダ２０の移動を制御する。この場合、動作制御装置１０は、スライダ２０の動きを制御するためのトルク指令値を算出し、サーボアンプ１５やスライダ２０に駆動力を提供するモータ２２を介して、トルク指令値に従ったトルク指令をスライダ２０に伝達してよい。運動スケジュールは、メモリに保持されていてよい。運動スケジュールは、運動訓練内容、訓練者ｔｒのレベル、等に応じて、複数用意されてよい。また、動作制御装置１０は、ＤＡ変換器、ＡＤ変換器、カウンタ、等を含んでよい。
The
サーボアンプ１５は、動作制御装置１０から取得したトルク指令に応じて、モータ２２を介して、スライダ２０の動作を制御する。サーボアンプ１５は、右足のスライダ２０ａ用のサーボアンプ１５ａと、左足のスライダ２０ｂ用のサーボアンプ１５ｂと、右手のスライダ２０ｃ用のサーボアンプ１５ｃと、左手のスライダ２０ｄ用のサーボアンプ１５ｄと、を含む。
The
サーボアンプ１５は、モータ２２からモータ２２の角度の検出値（例えばモータ２２の回転角度）を取得し、モータ２２の制御（例えばトルク制御）を行ってよい。モータ２２の角度は、角度検出器（エンコーダ）により検出されてよく、角度検出器がサーボアンプ１５にモータ２２の角度を通知してよい。モータ２２の回転によってスライダ２０が移動してよく、モータ２２の角度制御に応じて、スライダ２０の位置が制御されてよい。
The
サーボアンプ１５は、動作制御装置１０からトルク指令値を受け取り、モータ２２を駆動するための駆動電流を生成し、駆動電流をモータ２２へ送ってよい。
The
スライダ２０は、サーボアンプ１５による制御に応じて動作する。各スライダ２０は、モータ２２から供給される駆動力によって動作する。スライダ２０は、所定の方向に沿って、訓練者ｔｒの手足（右足、左足、右手、左手）の各部を往復運動させてよい。スライダ２０は、右足が載置される右足のスライダ２０ａと、左足が載置される左足のスライダ２０ｂと、右手が載置される右手のスライダ２０ｃと、左手が載置される左手のスライダ２０ｄと、を含む。なお、手用のスライダ２０への手の載置には、手用のスライダ２０を手で把持することを含んでよい。
The
スライダ２０は、歩行訓練に用いられてよい。したがって、周期的な動作の期間では、右足のスライダ２０ａと左足のスライダ２０ｂとは、反対方向に動いてよく、右手のスライダ２０ｃと左手のスライダ２０ｄとは、反対方向に動いてよい。また、周期的な動作の期間では、右足のスライダ２０ａと右手のスライダ２０ｃとは、反対方向に動いてよく、左足のスライダ２０ｂと左手のスライダ２０ｄとは、反対方向に動いてよい。
The
モータ２２は、カップリングを介してスライダ２０に接続される。モータ２２は、サーボアンプ１５から駆動電流を受け取り、モータ２２を回転させて駆動力を発生させ、スライダ２０に駆動力を供給する。スライダ２０は、モータ２２からの駆動力に従って移動する。
The
モータ２２は、各スライダ２０に対応して設けられる。つまり、モータ２２ａは、スライダ２０ａが移動するための駆動力を供給する。モータ２２ｂは、スライダ２０ｂが移動するための駆動力を供給する。モータ２２ｃは、スライダ２０ｃが移動するための駆動力を供給する。モータ２２ｄは、スライダ２０ｄが移動するための駆動力を供給する。
The
したがって、スライダ２０は、多軸（例えば両手及び両足の４軸）で独立制御可能でよい。つまり、運動訓練装置５は、４軸のアクチュエータを用いて昇降運動訓練を実施可能でよい。
Therefore, the
動作制御生成装置２５は、例えば、動作制御装置１０が実行する動作制御プログラムを生成する。動作制御プログラムは、例えば、各スライダ２０を動作させるための運動スケジュールの情報を含んでよい。動作制御生成装置２５は、脳分析装置４０による分析結果に従って、動作制御プログラムを生成してよい。運動スケジュールに従った運動には、周期的な動作を行う期間、非周期的な動作を行う期間を含んでよい。非周期的な動作では、スライダ２０の時間位置やスライダ２０の移動振幅や移動周期がランダムであることが含まれてよい。なお、周期的な動作は、単純な往復動作以外の周期的な動作を含んでよい。
The operation
動作制御生成装置２５は、例えばＭａｔｈｅＷｏｒｋｓ社が提供する数式演算ソフトウエアであるＭＡＴＬＡＢやＳＩＭＵＬＩＮＫを利用して、制御ソフトウェア（運動制御プログラム）を生成する。動作制御装置１０は、生成された運動制御プログラムをダウンロードし、運動制御プログラムを実行して運動訓練における各種指示を行ってよい。なお、動作制御装置１０と動作制御生成装置２５とが一体に形成されてもよい。
The operation
表示装置３０は、各種データや各種情報を表示する。表示装置３０は、例えば、動作制御生成装置２５により動作制御プログラムを生成する際に用いられるデータや情報を表示してよい。また、表示装置３０は、動作制御プログラムに従って実行される運動訓練において、運動訓練を行う訓練者ｔｒを補助するための情報を表示してよい。
The
脳分析装置４０は、脳計測装置４５から脳機能情報を取得する。脳分析装置４０は、取得した脳機能情報を分析し、分析結果を動作制御生成装置２５へ送る。
The
脳計測装置４５は、近赤外分光法（ＮＩＲＳ：Near‐InfraRed Spectroscopy）を用いて脳表面の酸素状態を計測する。この計測結果は、脳の活動状態としてリアルタイムにカラーマッピングされてよい。脳計測装置４５は、脳表面の酸素状態の計測結果を脳分析装置４０へ送る。
The
加速度センサ５０は、３軸方向（例えば水平方向における相互に垂直な２つの方向と水平方向に垂直な方向との３つの方向）の加速度を検出する。加速度センサ５０は、複数存在してよく、例えば加速度センサ５０ａ，５０ｂを含む。加速度センサ５０の測定結果は、動作制御装置１０へ送られる。加速度センサ５０は、運動訓練装置５（図２参照）に設けられていてよい。加速度センサ５０は、訓練者ｔｒに装着され、訓練者ｔｒの運動訓練に合わせて加速度が検知されてもよい。加速度センサ５０は、３軸方向の加速度を検出してよく、各方向の加速度が合成されてよい。また、加速度センサ５０を使って、外部から刺激を与えて、外部刺激に応じたトルク指令を発生させてもよい。この場合、訓練者ｔｒや運動訓練の管理者が加速度センサ５０を振動させることで、動作制御装置１０は、手動でスライダ２０に通常の運動スケジュールとは異なる動きをつけてもよい。
The
加速度センサ５０は、訓練者ｔｒの手に把持されたり、訓練者ｔｒの体部の一部に装着されたりしてよい。加速度センサ５０の振動により、振動トルクが与えられてよい。加速度センサは、左足用及び右足用のスライダ２０毎に対応して設けられ、つまり２つ設けられてよい。加速度センサ５０ａが右手用の加速度センサであり、加速度センサ５０ｂが左手用の加速度センサでよい。
The
次に、脳計測装置４５による計測方法の一例について説明する。
Next, an example of a measurement method by the
人間は、視覚、聴覚、触覚、嗅覚、味覚などの情報を目、耳などの感覚器から取り込み、それらを電気信号に変換し、脳に伝達する。そして、脳内に約１０００憶個存在するニューロンがシナプスを介して相互にそれらの情報を伝達・処理することによって、次の行動を決定する。この場合、酸素化ヘモグロビン（ｏｘｙＨｂ）が、毛細血管を経由して酸素を供給する。脳計測装置４５は、ＮＩＲＳを用いて脳表面の酵素状態を捉えることで、脳の活動状態をリアルタイムに計測し、脳の機能局在を解析する。
Humans take in information such as sight, hearing, touch, smell, and taste from sensory organs such as eyes and ears, convert them into electrical signals, and transmit them to the brain. Then, about 100 billion neurons existing in the brain mutually transmit and process the information via synapses, thereby determining the next action. In this case, oxygenated hemoglobin (oxyHb) supplies oxygen via capillaries. The
血液成分のヘモグロビンは、光を散乱させる。ヘモグロビンに酸素が付加されているか否かに応じて、光の吸収・散乱の度合いが変化する。脳計測装置４５は、ヘモグロビンによる光の吸収、散乱の度合いを測定し、酸素化ヘモグロビンの濃度変化を計測する。生体組織の光計測では、例えば波長が７００〜９００ｎｍの近赤外光が使用される。なお、可視光（４００〜７００ｎｍ）の波長帯では、ヘモグロビンや他の生体構成物質の吸収が大きい。また、近赤外光よりも長い波長の波長帯では、水の吸収が大きくなり、生体内を光が進行できない。これに対し、近赤外線の波長帯では、光が生体を透過し易い。
Hemoglobin, a blood component, scatters light. The degree of light absorption / scattering varies depending on whether oxygen is added to hemoglobin. The
近赤外光の波長帯での光の吸収は、主に、酸素化ヘモグロビン（ｏｘｙＨｂ）と脱酸素化ヘモグロビン（ｄｅｏｘｙＨｂ）とによって生じる。ｏｘｙＨｂとｄｅｏｘｙＨｂとは、異なる吸収スペクトルを持つ。このため、脳計測装置４５は、ｏｘｙＨｂとｄｅｏｘｙＨｂのモル分子吸光係数が既知であれば、２波長以上での吸光度変化を計測することで、ｏｘｙＨｂの濃度変化とｄｅｏｘｙＨｂの濃度変化とを算出できる。
Light absorption in the near-infrared light wavelength band is mainly caused by oxygenated hemoglobin (oxyHb) and deoxygenated hemoglobin (deoxyHb). oxyHb and deoxyHb have different absorption spectra. Therefore, if the molar extinction coefficients of oxyHb and deoxyHb are known, the
近赤外光は、比較的生体を透過するが、人間の頭部を透過させることが困難である。そのため、脳計測装置４５は、光ファイバを用いて頭表から近赤外光を脳内に照射し、大脳皮質で吸収・散乱を起こした光を、例えば３０ｍｍ程度離れた頭表上の光ファイバで集光する。照射された光は、頭表から約２０ｍｍ程度の深部まで到達し、大脳皮質でのヘモグロビンの吸収を受ける。生体は強い散乱体であるので、光ファイバによって導入された近赤外線は、頭部の組織の色々な部分によって散乱され、散乱された光の一部が受光部の光ファイバに到達する。受光された光は、光電子増倍管に導かれ、電気信号に変換される。得られた電気信号やデータを、ＮＩＲＳ信号やＮＩＲＳデータとも称する。
Near-infrared light relatively penetrates a living body, but is difficult to transmit through a human head. For this reason, the
図２は、運動訓練装置５の外観例を示す斜視図である。ここでは、運動訓練として歩行訓練を例示する。
FIG. 2 is a perspective view showing an example of the appearance of the
運動訓練装置５は、ガイド部材２６と、ガイド部材２６に取り付けられた足用のスライダ機構２７（２７ａ，２７ｂ）と、運動訓練（例えば歩行訓練）する訓練者ｔｒの周囲に配置される門形のフレームｆｒと、フレームｆｒに取り付けられる手用のスライダ機構２８（２８ａ，２８ｂ）と、を含む。なお、フレームｆｒは、門形以外の形状でもよい。
The
スライダ機構２７（２７ａ，２７ｂ）は、足用のスライダ２０（２０ａ，２０ｂ）、モータ２２（２２ａ，２２ｂ）、及びボールねじ２４（２４ａ，２４ｂ），を含む。スライダ機構２８（２８ｃ，２８ｄ）は、手用のスライダ２０（２０ｃ，２０ｄ）、モータ２２（２２ｃ，２２ｄ）、及びボールねじ（不図示）を含む。ここでは、足用のスライド方法の詳細を例示するが、手用のスライド方法の詳細も同様でよい。 The slider mechanism 27 (27a, 27b) includes a foot slider 20 (20a, 20b), a motor 22 (22a, 22b), and a ball screw 24 (24a, 24b). The slider mechanism 28 (28c, 28d) includes a manual slider 20 (20c, 20d), a motor 22 (22c, 22d), and a ball screw (not shown). Here, details of the sliding method for the feet are illustrated, but details of the sliding method for the hands may be the same.
スライダ機構２７ａ，２７ｂでは、それぞれモータ２２ａ，２２ｂがボールねじ２４ａ，２４ｂを正転・逆転させることで、スライダ２０ａ，２０ｂが前方斜め上方向及び後方斜め下方向に移動する。従って、左右のスライダ２０ａ，２０ｂは、独立に移動自在である。
In the slider mechanisms 27a and 27b, the motors 22a and 22b cause the ball screws 24a and 24b to rotate forward and backward, respectively, so that the
水平方向に対するガイド部材２６の角度は、固定でもよいし、調整自在でもよい。例えば、運動訓練装置５は、前後方向にスライダ２０を移動させるすり足歩行の歩行訓練を可能としたり、前方斜め上方向及び後方斜め下方向や上下方向に移動する０が運動の歩行訓練を可能としたりしてよい。
The angle of the
スライダ２０ａ，２０ｂは、スライダ２０ａ，２０ｂ用のモータ２２の駆動により、同期して又は同期しないで反対方向に移動してよい。スライダ２０ａ，２０ｂは、スライダ２０ａ，２０ｂ用のモータ２２の駆動により、同期して又は同期しないで同一方向に移動してよい。訓練者ｔｒは、スライダ２０ａ，２０ｂに足を載置することで、様々な歩行方法での歩行時の足の動きを体験できる。
The
足用のスライダ２０ａ，２０ｂは、前方斜め上方向及び後方斜め下方向に往復移動可能である。つまり、訓練者ｔｒは、スライダ２０ａ，２０ｂにより、昇降運動が可能である。手用のスライダ２０ｃ，２０は、前後方向に往復運動可能である。つまり、訓練者ｔｒは、スライダ２０ａ，２０ｂにより、昇降運動時にバランス維持のサポートを受けることができる。
The
右足のスライダ２０ａと右手のスライダ２０ｃとは、水平方向において同じ位置となるよう移動してよい。つまり、スライダ２０ａ，２０ｃは、それぞれの往復軌道において同じ位置にとなってよい。
The
足用のスライダ２０ａ，２０ｂは、図２に示す矢印αの方向に摺動可能である。手用のスライダ２０ｃ，２０は、図２に示す矢印βの方向に摺動可能である。これにより、訓練者ｔｒは、スライダ２０ａ，２０ｂに足を載置し、スライダ２０ｃ，２０ｄに手を載置することで、スライダ２０ａ，２０ｂとともに足が移動し、スライダ２０ｃ，２０ｄとともに手が移動するので、疑似的に歩行時の手足の動きを体験できる。
The
右足のスライダ２０ａ及び右手のスライダ２０ｃと左足のスライダ２０ｂ及び左手のスライダ２０ｄとは、同期して、交互に、定常的に、前方斜め上方向及び後方斜め下方向の往復移動を行ってよい。この往復移動は、訓練者ｔｒにとって予測可能な移動となる。右足のスライダ２０ａ及び右手のスライダ２０ｃと左足のスライダ２０ｂ及び左手のスライダ２０ｄとは、同期せずに、非定常的に、不定なリズムで、前方斜め上方向及び後方斜め下方向の往復移動を行ってよい。この往復移動は、訓練者ｔｒにとって予測不可能な移動となる。
The right-
各スライダ２０のモータ２２は、各サーボアンプ１５の制御に従って、他のスライダの動きに依存せずに独立に移動可能である。よって、右足のスライダ２０ａの動きと左足のスライダ２０ｂの動きとが、別々であってよい。例えば、右足のスライダ２０ａの動きの周期と左足のスライダ２０ｂの動きの周期とが、異なってよいし、右足のスライダ２０ａの動きの範囲（つまり歩幅）と左足のスライダ２０ｂの動きの範囲とが異なってよい。
The
次に、動作制御装置１０の詳細について説明する。
Next, details of the
動作制御装置１０は、訓練者ｔｒの運動訓練に関する処理（例えばデータや情報の取得処理、記録処理、演算処理、表示処理、音声出力処理）を行う。動作制御装置１０は、各スライダ２０のモータ２２をサーボ制御し、スライダ２０を目標の足位置に位置決めしてよい。運動訓練を行うための訓練コースは、複数用意されてよい。訓練コース毎に、異なる評価基準で歩行訓練の結果が評価されてよい。
The
動作制御装置１０のメモリは、運動訓練に係る各種設定情報を保持してよい。設定情報には、例えば、運動訓練するための運動スケジュールにおける各スライダ２０の移動に関する情報（例えば運動訓練開始からの時刻における各スライダ２０の位置、各スライダ２０のスライド周期、各スライダ２０のスライド幅、等）が含まれてよい。
The memory of the
動作制御装置１０のメモリは、歩行訓練により得られたデータ（例えばトルク指令値やモータ２２の角度センサ２３の値、角度センサの値に対応するトルク検出値）を記録し、蓄積してよい。なお、動作制御装置１０は、各スライダ２０のトルク指令値と各スライダ２０の角度センサ２３のセンサ値とに基づいて、次のタイミングでのトルク指令値を決定してよい。これにより、運動訓練システム１００は、右足のスライダ２０ａと左足のスライダ２０ｂとの変位を基に、訓練者ｔｒの体重のかけ方や歩行バランスを推定してよい。例えば、動作制御装置１０は、その後のトルク指令値として、訓練者ｔｒの歩行バランスをより取り易いように、調整してよい。
The memory of the
動作制御装置１０は、スライダ２０の位置の指令値とスライダ２０の位置の検出値とを取得する。スライダ２０の位置の指令値は、運動スケジュールに従って決定され、スライダ２０ａ，２０ｂが所定時刻に配置されるべき位置の値である。スライダ２０の位置の検出値は、角度センサ２３の検出値に基づく値であり、実際のスライダ２０ａ，２０の位置を示す。例えば、動作制御装置１０は、モータ２２の回転角度と、ボールねじ２４の１周分のスライダ２０の移動距離と、に基づいて、スライダ２０の位置の検出値を算出してよい。
The
図３Ａは、右足のスライダ２０ａの位置の指令値と右足のスライダ２０ａの位置の検出値とを時系列で示す図であり、図ｆｇ１とも称する。図３は、左足のスライダ２０ｂの位置の指令値と左足のスライダ２０ｂの位置の検出値とを時系列で示す図であり、図ｆｇ２とも称する。なお、図３Ａ及び図３Ｂでは、スライダ２０（２０ａ，２０ｂ）の位置の指令値と検出値とが一致しているため、波形が重なって１つになっている。
FIG. 3A is a diagram showing, in chronological order, a command value of the position of the
動作制御装置１０は、スライダ２０（２０ａ，２０ｂ）にかかる負荷（力）の値を取得してよい。スライダ２０ａ，２０ｂにかかる負荷は、モータ２２（２２ａ，２２ｂ）の角度センサ２３（２３ａ，２３ｂ）により検出されたモータ２２の回転角度に基づく負荷でよい。負荷は、力換算されて示されてもよいし、トルク換算されてもよい。ここでは一例として、トルクの検出値として示す。トルク検出値には、トルク指令値とともに、訓練者ｔｒの体重移動が不十分であるためにスライダ２０にかかる負荷も反映され得る。
The
動作制御装置１０は、スライダ２０に対する右手のアクションの値を取得してよい。ここでのアクションとは、加速度センサ５０を例えば人為的に振動させることを意味する。検出されるアクションの値は、例えば、加速度センサ５０の振動に対応するトルク指令値でよい。つまり、アクションの値は、左手用又は右手用の加速度センサ５０（５０ａ，５０ｂ）を動かした（例えば振動させた）大きさを、トルクに換算したものであり、例えば通常の運動スケジュールに従ったトルク指令値に加算される。
The
図４Ａは、右足のスライダ２０ａにかかる負荷（力）の値と右足のスライダ２０ａに対する右手のアクションの値とを時系列で示す図であり、図ｆｇ３とも称する。図４Ｂは、左足のスライダ２０ｂにかかる負荷（力、ウェイト）の値と左足のスライダ２０ｂに対する左手のアクションの値とを時系列で示す図であり、図ｆｇ４とも称する。
FIG. 4A is a diagram showing in chronological order the value of the load (force) applied to the
図５は表示装置３０の表示例を示す図である。
FIG. 5 is a diagram illustrating a display example of the
表示装置３０は、図ｆｇ１〜ｆｇ４を表示する。表示装置３０は、バランスメータｆｇ５を表示する。バランスメータｆｇ５の値は、右足のスライダ２０ａにかかる負荷と左足のスライダ２０ｂにかかる負荷との差分でよい。バランスメータｆｇ５の値は、右足のスライダ２０ａの位置と左足のスライダ２０ｂの位置との差分でもよい。この差分は、外乱オブザーバにより推定されてよい。
The
表示装置３０は、バランスグラフｆｇ６を表示する。バランスグラフｆｇ６は、バランスメータｆｇ５の値を時系列に並べてグラフ化したものである。
The
動作制御装置１０は、左右のスライダ２０ａ，２０ｂにかかる負荷のバランスに基づくバランススコアを算出する。動作制御装置１０は、右足のスライダ２０ａにかかる負荷と左足のスライダ２０ｂにかかる負荷との差分が値０でない場合、つまり左右のバランスが崩れている場合に、ペナルティの値を初期値（例えば値１００）から減算していくことで、バランススコアを算出してよい。動作制御装置１０は、運動訓練中に定期的に（例えば常時）バランススコアを算出して更新してよい。表示装置３０は、このバランススコアｆｇ７を表示してよい。
The
動作制御装置１０は、バランススコアに基づいて、スライダ２０ａ，２０ｂの少なくとも一方に付加される補助力を算出する。補助力は、左右のスライダ２０ａ，２０ｂにかかる負荷を均等とするために、スライダ２０ａ又はスライダ２０ｂに付加される。したがって、スライダ２０ａ，２０ｂを駆動するモータ２２には、運動スケジュールに従って供給されるトルク指令値とともに、補助力を供給するためのトルク指令値、が与えられ得る。動作制御装置１０は、補助力を供給するためのトルク指令値に関するパラメータを、バランス補助値（図５では値「１５」）として算出してよい。バランス補助値は、後述するバイラテラル制御に係るパラメータＫＢに相当する。表示装置３０は、バランス補助値ｆｇ８を表示してよい。
The
次に、運動訓練システム１００の動作について説明する。
Next, the operation of the
図６は、運動スケジュールに従った運動訓練の動作例を示すフローチャートである。 FIG. 6 is a flowchart showing an operation example of the exercise training according to the exercise schedule.
動作制御装置１０は、各スライダ２０の動作に関する動作指令情報の表示を指示する（Ｓ１１）。この場合、動作制御装置１０は、動作制御生成装置２５を介して表示装置３０へ表示の指示を送信してよい。つまり、動作制御装置１０は、表示装置３０による表示を介して、昇降運動のイメージを訓練者ｔｒに教示してよい。動作指令情報は、例えば、左右のスライダ２０の位置の指令値やトルクの指令値を含んでよい。
The
動作制御装置１０は、運動スケジュールに従って、両***互に昇降動作するよう、サーボアンプ１５を介してモータ２２に指示する（Ｓ１２）。ここでの両***互の昇降動作は、通常昇降とも称し、スライダ２０が移動する振幅及び周波数が一定となる動作であり、つまりスライダ２０の移動が周期的となる動作である。この場合、動作制御装置１０は、通常昇降させるトルク指令値を生成し、サーボアンプ１５を介してモータ２２に送信する。
The
動作制御装置１０は、運動スケジュールに従って、両***互に昇降動作するよう、サーボアンプ１５を介してモータ２２に指示する（Ｓ１３）。ここでの両***互の昇降動作は、スライダ２０（２０ａ，２０ｂ）が移動する振幅が不定期に（例えば突然）変化する動作であり、つまりスライダ２０の移動が非周期的となる動作である。この場合、動作制御装置１０は、振幅が不定期に変化するトルク指令値を生成し、サーボアンプ１５を介してモータ２２に送信する。非周期的な動作は、訓練者ｔｒにとって予想外の動きとなる。
The
動作制御装置１０は、運動スケジュールに従って、両***互に昇降動作するよう、サーボアンプ１５を介してモータ２２に指示する（Ｓ１４）。ここでの両***互の昇降動作は、スライダ２０（２０ａ，２０ｂ）が移動する周波数が不定期に（例えば突然）変化する動作であり、つまりスライダ２０の周波数が非周期的となる動作である。この場合、動作制御装置１０は、周波数が不定期に変化するトルク指令値を生成し、サーボアンプ１５を介してモータ２２に送信する。
The
動作制御装置１０は、運動スケジュールに従って、両足同時に昇降動作するよう、サーボアンプ１５を介してモータ２２に指示する（Ｓ１５）。両足同時に昇降動作では、左右のスライダ機構２７ａ，２７ｂにおけるスライダ２０ａ，２０ｂの位置が同じになる。ここでの両足同時の昇降動作は、スライダ２０（２０ａ，２０ｂ）が移動する振幅及び周波数が一定となる動作であり、つまりスライダ２０の移動が周期的となる動作でよい。なお、両足同時の昇降動作は、スライダ２０（２０ａ，２０ｂ）が移動する振幅及び周波数が不定となる動作を含んでもよい。
The
動作制御装置１０は、運動スケジュールに従って、片足の昇降動作を行うよう、サーボアンプ１５を介してモータ２２に指示する（Ｓ１６）。片足の昇降動作は、右足でも左足でもよい。また、片足の走行動作が、右足、左足に対して順に行われてもよい。
The
動作制御装置１０は、表示装置３０に、動作指令情報（例えば位置の指令値、トルクの指令値）、右足及び左足の動作結果（例えば位置の検出値、トルクの検出値）の表示を指示する（Ｓ１７）。この場合、動作制御装置１０は、動作制御生成装置２５を介して表示装置３０へ表示の指示を送信してよい。
The
このように、運動訓練システム１００は、図６に示した運動スケジュールに従った運動訓練の動作において、動作指令をモニタ表示し、リハビリトレーニングする訓練者ｔｒに視覚や聴覚で教示できる。この動作指令は、スライダ２０の移動に関する指令情報でよく、例えば位置の指令値やトルクの指令値を示す情報でよい。
As described above, in the exercise training operation according to the exercise schedule shown in FIG. 6, the
また、運動訓練システム１００は、Ｓ１２において、この動作指令に従い、まずは両***互に予想通りの昇降動作を、訓練者ｔｒに実施させることができる。運動訓練システム１００は、Ｓ１３において、両***互の昇降動作中に片方の動作振幅が突然変化する昇降動作を、訓練者ｔｒに実施させることができる。運動訓練システム１００は、Ｓ１４において、両***互の昇降動作中に片方の動作周波数が突然変化する昇降動作を、訓練者ｔｒに実施させることができる。運動訓練システム１００は、Ｓ１５において、両***互の昇降動作から同時昇降に突然変化する昇降動作を、訓練者ｔｒに実施させることができる。運動訓練システム１００は、Ｓ１６において、両足昇降から片足昇降に突然変化する昇降動作を、訓練者ｔｒに実施させることができる。
In addition, in S12, the
したがって、一定期間同じ歩行訓練（例えば振幅や周波数が同じ両***互の昇降動作、両足同時の昇降動作、片足昇降動作）を行うことで、脳に同じような刺激が与えられることが予想されるが、運動訓練システム１００は、不規則に振幅や周波数が異なる動作を取り入れることで、異なる運動訓練を実施した足の動きを通じて、脳に刺激を与えることができる。このことは、脳計測装置４５により計測され、脳分析装置４０により分析される脳機能情報を参照することで、確認できる。
Therefore, it is expected that the same stimulus will be given to the brain by performing the same walking training for a certain period of time (for example, alternately raising and lowering the two feet with the same amplitude and frequency, lifting and lowering the two feet at the same time, and raising and lowering one foot). In addition, the
次に、動作制御装置１０によるバイラテラル制御の詳細について説明する。図７は、バイラテラル制御を説明するための図である。図７では、バイラテラル制御に係る機能が記載されている。
Next, details of the bilateral control by the
動作制御装置１０は、外乱オブザーバ１１（１１ａ，１１ｂ）、ＰＩＤ制御部１２（１２ａ，１２ｂ）、バイラテラル制御部１３、の各機能を有する。図７では、右用の構成部には、符号の末尾に「ａ」を付し、左用の構成部には、符号の末尾に「ｂ」を付している。
The
ＰＩＤ制御部１２は、動作制御装置１０のメモリから位置参照情報を取得する。位置参照情報は、例えば図３Ａ，図３Ｂに示すような、運動スケジュールに従って定められているスライダ２０の位置の指令値やトルク指令値ｖ１を含んでよい。ＰＩＤ制御部１２は、ＰＩＤ制御部１２は、バイラテラル制御部１３により導出されたトルク指令値ｖ２を取得（例えば算出）してよい。バイラテラル制御部１３からのトルク指令値ｖ２は、左右のスライダへの負荷バランスが考慮された値でよい。
The PID control unit 12 acquires the position reference information from the memory of the
ＰＩＤ制御部１２は、位置参照情報からのトルク指令値ｖ１とバイラテラル制御部１３からのトルク指令値ｖ２とを基に、例えばトルク指令値ｖ１，ｖ２を加算して、モータ２２ａ，２２ｂに提供されるトルク指令値ｖ３を算出する。
The PID control unit 12 adds, for example, the torque command values v1 and v2 based on the torque command value v1 from the position reference information and the torque command value v2 from the
なお、右足用のスライダのトルク指令値には、符号の末尾にａを付し、左足用のスライダのトルク指令値には、符号の末尾にｂを付している。つまり、図面では、トルク指令値ｖ１ａ，ｖ１ｂ，ｖ２ａ，ｖ２ｂ，ｖ３ａ，ｖ３ｂ、と記載している。 It should be noted that the torque command value of the slider for the right foot is affixed with a at the end of the code, and the torque command value of the slider for the left foot is affixed with b at the end of the code. That is, in the drawing, the torque command values v1a, v1b, v2a, v2b, v3a, v3b are described.
外乱オブザーバ１１は、ＰＩＤ制御部１２からのＰＩＤ制御の結果を取得してよい。ＰＩＤ制御の結果は、右足用又は左足用のスライダ２０を駆動するモータ２２へのトルク指令値ｖ３を含んでよい。また、外乱オブザーバ１１は、右足用又は左足用のスライダ２０にかかる実際の負荷を検出してよい。この場合、外乱オブザーバ１１は、トルク換算されたトルク検出値を取得してよい。外乱オブザーバ１１は、例えば、角度センサ２３により検出されたモータ２２の角度を取得し、角度に対応するトルク値（トルク検出値）や負荷を算出してよい。
The disturbance observer 11 may obtain a result of the PID control from the PID control unit 12. The result of the PID control may include a torque command value v3 to the
つまり、外乱オブザーバ１１ｂは、右足用のＰＩＤ制御部１２ａの結果（例えばトルク指令値ｖ３）を取得してよい。外乱オブザーバ１１ａは、右足用のスライダ２０ａにかかる実際の負荷を検出してよい。また、外乱オブザーバ１１ｂは、左足用のＰＩＤ制御部１２ｂの結果（例えばトルク指令値ｖ３）を取得してよい。外乱オブザーバ１１ｂは、左足用のスライダ２０ｂにかかる実際の負荷を検出してよい。
That is, the disturbance observer 11b may acquire the result (for example, the torque command value v3) of the
外乱オブザーバ１１ａは、右足用のＰＩＤ制御部１２ａの結果（例えばトルク指令値ｖ３）と実際の負荷（例えばトルク検出値）との差分ｈ＿Ｄｉｓ１を算出する。外乱オブザーバ１１ｂは、左足用のＰＩＤ制御部１２ｂの結果（例えばトルク指令値ｖ３）と実際の負荷（例えばトルク検出値）との差分ｈ＿Ｄｉｓ２を算出する。
The disturbance observer 11a calculates a difference h_Dis1 between the result of the
バイラテラル制御部１３は、外乱オブザーバ１１ａ，１１ｂから差分ｈ＿Ｄｉｓ１，ｈ＿Ｄｉｓ２を取得する。バイラテラル制御部１３は、差分ｈ＿Ｄｉｓ１，ｈ＿Ｄｉｓ２と、ＰＩＤ制御に用いられるパラメータＫＢ（例えば図５では値「１５」）と、を基に、トルク指令値ｖ２を決定する。パラメータＫＢの値は、例えば、訓練者ｔｒの運動を管理する管理者が、図示しない操作部を介して入力してもよいし、所定の値が定められており、メモリに保持されていてもよい。パラメータＫＢは、差分ｈ＿Ｄｉｓ１と差分ｈ＿Ｄｉｓ２との差分に対する倍率を示す。
The
つまり、（ｈ＿Ｄｉｓ１−ｈ＿Ｄｉｓ２）×ＫＢの値が、トルク指令値ｖ２として、左右のＰＩＤ制御部１２ａ，１２ｂの少なくとも一方にフィードバックされてよい。この場合、例えば左右のスライダ２０（例えば左用）において検出された負荷が小さい方のスライダ２０（例えば右用）に対応するＰＩＤ制御部１２（例えば右用のＰＩＤ制御部１２ａに、トルク指令値ｖ２が送られてよい。ＰＩＤ制御部１２は、フィードバックされたトルク指令値ｖ２を基に、トルク指令値ｖ３を生成する。
That is, the value of (h_Dis1-h_Dis2) × K B is, as the torque command value v2, the left and
つまり、動作制御装置１０は、例えば、無理な動きによる負荷変動を外乱オブザーバ１１で推定し、左右軸（左右のスライダ２０ａ，２０ｂ）にかかる負荷を均等化することで、左右のバランスを保持するバイラテラル制御機能を有する。
That is, for example, the
このように、運動訓練システム１００は、訓練者ｔｒの身体におけるスムーズに動かすことができる可動域と、スムーズに動かすことが困難な可動域と、の動作抵抗を、モータ２２に戻ってくる負荷外乱力として推定できる。つまり、訓練者ｔｒが左右のスライダ２０ａ，２０ｂの間での体重移動が不十分である場合、体重に基づく負荷が負荷外乱力として表れる。運動訓練システム１００は、左右の足にかかる負荷を外乱オブザーバ等で推定し、左右の足にかかる負荷が同等になるように左右のバランスを保持するよう制御（バイラテラル制御）できる。この場合、運動訓練システム１００は、スライダ２０の動作を制限する等により、訓練者ｔｒにとって無理な運動となることを抑制できる。よって、運動訓練システム１００は、運動訓練時（例えばリハビリテーション実施時）に、訓練者ｔｒが左右のバランスを崩して転倒する可能性を低減できる。
As described above, the
次に、動作制御装置１０によるハプティクス制御の詳細について説明する。図８は、ハプティクス制御を説明するための図である。図８では、ハプティクス制御に係る機能が記載されている。
Next, details of haptic control by the
動作制御装置１０は、ＰＩＤ制御部１２（１２ａ，１２ｂ）、ハプティクス制御部１４、の各機能を有する。図８では、右用の構成部には、符号の末尾に「ａ」を付し、左用の構成部には、符号の末尾に「ｂ」を付している。
The
ハプティクス制御部１４は、加速度センサ５０（５０ａ，５０ｂ）により検出された加速度を取得する。ハプティクス制御部１４は、取得された加速度に基づくトルク指令値ｖ４を導出（例えば算出）し、ＰＩＤ制御部１２へ送る。この場合、加速度センサ５０ａに基づくトルク指令値ｖ４ａを、右用のＰＩＤ制御部１２ａへ送り、加速度センサ５０ｂに基づくトルク指令値ｖ４ｂを、右用のＰＩＤ制御部１２ｂへ送ってよい。加速度の大きさとトルク指令値ｖ２との大きさの関係は、予め定められていてよく、メモリに保持され、参照されてよい。
The
ＰＩＤ制御部１２は、動作制御装置１０のメモリから位置参照情報を取得する。位置参照情報は、例えば図３Ａ，図３Ｂに示すような、運動スケジュールに従って定められているスライダ２０の位置の指令値やトルク指令値ｖ１を含んでよい。ＰＩＤ制御部１２は、ＰＩＤ制御部１２は、ハプティクス制御部１４により導出されたトルク指令値ｖ４を取得（例えば算出）してよい。ハプティクス制御部１４からのトルク指令値ｖ２は、加速度センサ５０に与えられた振動が考慮された値でよい。
The PID control unit 12 acquires the position reference information from the memory of the
ＰＩＤ制御部１２は、位置参照情報からのトルク指令値ｖ１とハプティクス制御部１４からのトルク指令値ｖ４とを基に、例えばトルク指令値ｖ１，ｖ４を加算して、モータ２２ａ，２２ｂに提供されるトルク指令値ｖ５を算出する。
The PID control unit 12 adds the torque command values v1 and v4, for example, based on the torque command value v1 from the position reference information and the torque command value v4 from the
なお、右足用のスライダ２０ａのトルク指令値には、符号の末尾にａを付し、左足用のスライダ２０ｂのトルク指令値には、符号の末尾にｂを付している。つまり、図面では、トルク指令値ｖ１ａ，ｖ１ｂ，ｖ４ａ，ｖ４ｂ，ｖ５ａ，ｖ５ｂ、と記載している。
It should be noted that the torque command value of the
したがって、ＰＩＤ制御部１２には、位置参照情報に基づくトルク指令値ｖ１と、加速度に基づくトルク指令値ｖ４が入力される。動作制御装置１０は、位置参照情報に基づくトルク指令値ｖ１と、加速度に基づくトルク指令値ｖ４と、に基づいて、ＰＩＤ制御し、モータ２２へのトルク指令値ｖ５を算出し、モータ２２へ送る。モータ２２は、トルク指令値ｖ５に従って駆動することで、スライダ２０を移動させる。よって、訓練者ｔｒは、加速度センサ５０に例えば人為的に与えられた振動を、スライダ２０の振動として体感できる。
Therefore, the torque command value v1 based on the position reference information and the torque command value v4 based on the acceleration are input to the PID control unit 12. The
つまり、動作制御装置１０は、加速度センサ５０等で測定された外部信号を、モータ２２を駆動する駆動軸に振動トルクとして感覚的に伝達するハプティクス制御機能を有する。
That is, the
このように、運動訓練システム１００は、加速度センサ５０から取得した加速度を基に、位置参照情報に基づくＰＩＤ制御とは異なる観点で導入された負荷外乱力（例えば振動による振動トルク）として推定できる。運動訓練システム１００は、この負荷外乱力を感覚的に伝える制御（ハプティクス制御）を行うことができる。
As described above, the
このように、運動訓練システム１００は、バイラテラル制御及びハプティクス制御を実施することで、訓練者ｔｒによる無理な運動を抑制でき、バランスの保持性能を向上して訓練者ｔｒの転倒を抑制できる。よって、運動訓練システム１００は、運動訓練時の安全性を向上できる。
As described above, the
また、運動訓練システム１００は、バイラテラル制御やハプティクス制御を行うことで、バランス保持機能、外部刺激機能、負荷推定機能を実現できる。これにより、訓練者ｔｒは、無理のあるリハビリ訓練を回避できる。
In addition, the
次に、脳計測装置４５と脳分析装置４０の詳細について説明する。
Next, details of the
図９は、頭部に脳計測装置４５の装着部４６を装着した訓練者ｔｒの一例を示す外観図である。図１０は、送光プローブｐｒ１と受光プローブｐｒ２とを用いた光の伝達の一例を示す図である。
FIG. 9 is an external view showing an example of the trainee tr wearing the mounting
脳計測装置４５は、装着部４６と、送光プローブｐｒ１と、受光プローブｐｒ２と、処理部４７と、を備える。装着部４６は、訓練者ｔｒの頭部に装着される。送光プローブｐｒ１は、装着部４６に配置され、訓練者ｔｒの頭部に向けて光を送光（照射）する。受光プローブｐｒ２は、訓練者ｔｒの頭部から光を受光する。送光プローブｐｒ１と受光プローブｐｒ２とは、１つ以上設けられる。送光プローブｐｒ１から送光される光は、近赤外光でよい。受光プローブｐｒ２で受光される光は、近赤外光でよい。送光プローブｐｒ１及び受光プローブｐｒ２とは、有線（例えば光ファイバ）で接続されてよい。
The
処理部４７は、プロセッサがプログラムを実行することで、各種処理を行う。例えば、処理部４７は、送光プローブｐｒ１による送光タイミング及び受光プローブｐｒ２による受光タイミングを制御してよい。送光プローブｐｒ１による送光及び受光プローブｐｒ２による受光は、運動訓練期間中において定期的に（例えば常時）行われてよい。処理部４７は、通信機能を用いて受光プローブｐｒ２により受光された光を基に、計測結果としてのＮＩＲＳ信号を取得する。処理部４７は、有線又は無線を介して他の装置（例えば脳分析装置４０）へ送信してよい。ＮＩＲＳ信号は、酸素化ヘモグロビン（ｏｘｙＨｂ）の濃度や濃度変化の情報を含んでよい（例えば図１３Ｅ，図１３Ｆ参照）。
The
図１１は、訓練者ｔｒの頭部における送光プローブｐｒ１による送光位置Ｔｐ及び受光プローブｐｒ１２による受光位置Ｒｐの一例を示す図である。送光位置Ｔｐと受光位置Ｒｐの「ｐ」は、１以上の整数である。つまり、送光位置Ｔ１，Ｔ２，・・・、受光位置Ｒ１，Ｒ２，・・・、で示される。図１１では、送光位置Ｔｐ及び受光位置Ｒｐともに１６個存在する。つまり、送光チャネル及び受光チャネルが１６チャネル存在する。 FIG. 11 is a diagram illustrating an example of a light transmitting position Tp by the light transmitting probe pr1 and a light receiving position Rp by the light receiving probe pr12 on the head of the trainee tr. “P” of the light transmitting position Tp and the light receiving position Rp is an integer of 1 or more. That is, the light transmission positions T1, T2,... And the light reception positions R1, R2,. In FIG. 11, there are 16 light transmitting positions Tp and 16 light receiving positions Rp. That is, there are 16 light transmission channels and 16 light reception channels.
図１２は、訓練者ｔｒにおける頭部の脳機能計測チャネルＣＨｑの一例を示す図である。脳機能計測チャネルＣＨｑの「ｑ」は、１以上の整数である。つまり、脳機能計測チャネルＣＨ１，ＣＨ２，・・・で示される。図１２では、脳機能計測チャネルＣＨｑが５２個存在する。脳機能計測チャネルＣｈｑは、任意の送光位置Ｔｐとその近傍に位置する受光位置Ｒｐとの間の位置での脳機能を計測するためのチャネルである。 FIG. 12 is a diagram illustrating an example of the brain function measurement channel CHq of the head of the trainee tr. “Q” of the brain function measurement channel CHq is an integer of 1 or more. That is, they are indicated by brain function measurement channels CH1, CH2,. In FIG. 12, there are 52 brain function measurement channels CHq. The brain function measurement channel Chq is a channel for measuring a brain function at a position between an arbitrary light transmitting position Tp and a light receiving position Rp located in the vicinity thereof.
したがって、脳計測装置４５は、送光プローブｐｒ１で送光される送光信号及び受光プローブｐｒ２で受光される受光信号を利用し、複数（例えば５２個又はその一部）の脳機能計測チャネルＣｈｑでの運動訓練中（例えば昇降動作中）の脳血流酸素濃度（例えば酸素化ヘモグロビンの濃度）を測定（計測）してよい。脳血流酵素濃度の情報は、脳機能情報の一例である。
Therefore, the
なお、送光チャネル及び受光チャネルの数は１６であり、脳機能計測チャネルＣＨｑの数は５２である。つまり、１つの送光チャネル（例えばＴ６）からの光に応じた光が、複数の受光チャネル（例えばＲ２，Ｒ６，Ｒ７，Ｒ１０）で取得されてよい。また、例えば、送光チャネルＴ６で送光された光に応じて、受光チャネルＲ６で光が受光された場合、脳機能計測チャネルＣＨ１８の情報が得られたこととなる。 The number of light transmission channels and light reception channels is 16, and the number of brain function measurement channels CHq is 52. That is, light corresponding to light from one light transmission channel (for example, T6) may be acquired by a plurality of light receiving channels (for example, R2, R6, R7, and R10). Further, for example, when light is received by the light receiving channel R6 according to the light transmitted by the light transmitting channel T6, it means that the information of the brain function measurement channel CH18 has been obtained.
次に、ＮＩＲＳ信号に基づくデータの具体例について説明する。 Next, a specific example of data based on the NIRS signal will be described.
運動訓練装置５は、動作制御装置１０からの動作指令に応じて動作する。この動作は、単純反復動作（repetition）及び非単純反復動作（illusion）を含む。単純反復動作は、周期的な動作の一例であり、非単純反復動作は、周期的な動作とは異なる非周期的な動作の一例である。
The
単純反復動作では、スライダ２０ａ〜２０ｄは、単純反復して移動し、周期的に移動する。図１３Ａは、単純反復動作時の右足のスライダ２０ａの位置の指令値の一例を示す図である。図１３Ｂは、単純反復動作時の左足のスライダ２０ｂの位置の指令値の一例を示す図である。つまり、図１３Ａ及び図１３Ｂは単純反復動作時の動作指令の一例である。
In the simple repetition operation, the
非単純反復動作では、スライダ２０ａ〜２０ｄは、非単純反復して移動し、非周期的に移動する。図１３Ｃは、非単純反復動作時の右足のスライダ２０ａの位置の指令値の一例を示す図である。図１３Ｄは、非単純反復動作時の左足のスライダ２０ｂの位置の指令値の一例を示す図である。つまり、図１３Ａ及び図１３Ｂは非単純反復動作時の動作指令の一例である。
In the non-simple repetition operation, the
図１３Ｅは、運動訓練装置５により単純反復動作を行った場合における、酸素化ヘモグロビン濃度の変化を時系列で示す図である。つまり、図１３Ｅは、単純反復動作時のＮＩＲＳ信号の実測値の一例を示す。
FIG. 13E is a diagram showing, in a time series, a change in the oxygenated hemoglobin concentration when a simple repetitive operation is performed by the
図１３Ｆは、運動訓練装置５により非単純反復動作を行った場合における、酸素化ヘモグロビン濃度の変化を時系列で示す図である。つまり、図１３Ｆは、非単純反復動作時のＮＩＲＳ信号の実測値の一例を示す。
FIG. 13F is a diagram showing, in a time series, changes in the oxygenated hemoglobin concentration when a non-simple repetitive operation is performed by the
なお、図１３Ｅ，図１３Ｆでは、複数の脳機能計測チャネルＣＨｑのうち、右足運動野付近の脳機能を司る頭部の位置に対応する脳機能計測チャネルＣＨｑの脳機能を計測したＮＩＲＳ信号の値が示されている。 13E and 13F, NIRS signal values obtained by measuring the brain function of the brain function measurement channel CHq corresponding to the position of the head controlling the brain function near the right foot motor area among the plurality of brain function measurement channels CHq. It is shown.
脳分析装置４０は、運動訓練装置５から動作指令（例えばスライダ２０の位置の指令値やトルクの指令値）の情報や動作結果（例えばスライダ２０の位置の検出値やトルクの検出値）の情報を取得してよい。よって、脳分析装置４０は、運動訓練装置５の動作と、脳計測装置４５からのＮＩＲＳ信号とを、タイミングを同期して観察することで、運動訓練時の脳機能を分析可能である。
The
脳分析装置４０は、脳計測装置４５から複数（例えば多数）のＮＩＲＳ信号の実測値を取得可能である。脳分析装置４０は、運動訓練装置５の動作（単純反復動作及び非単純反復動作）と、この動作時に取得された複数のＮＩＲＳ信号の実測値と、の関係について分析する。
The
なお、ＮＩＲＳ信号は、様々な訓練者ｔｒにおける様々な測定箇所（送光位置Ｔｐ、受光位置Ｒｐ、脳機能計測チャネルＣＨｑ）で計測される。また、ＮＩＲＳ信号は、例えば酸素化ヘモグロビン濃度を示すが、この信号は個人差があるので、同じ運動訓練を実施した複数の訓練者ｔｒについてのＮＩＲＳ信号の実測値が異なる値となり得る。したがって、脳分析装置４０は、運動訓練装置５の動作（単純反復動作及び非単純反復動作）と、この動作時に取得された複数のＮＩＲＳ信号の実測値と、の関係について一見して関連性を導出することが困難であり得る。
The NIRS signal is measured at various measurement points (light transmission position Tp, light reception position Rp, brain function measurement channel CHq) in various trainees tr. The NIRS signal indicates, for example, oxygenated hemoglobin concentration, but since this signal varies among individuals, the actual measurement value of the NIRS signal for a plurality of trainees tr who have performed the same exercise training may be different values. Therefore, the
脳分析装置４０は、機械学習（例えばディープラーニング）の手法を用いて、運動訓練装置５の動作（単純反復動作及び非単純反復動作）と、この動作時に取得された複数のＮＩＲＳ信号の実測値と、の関係について分析してよい。これにより、脳分析装置４０は、一見して関連性の導出が困難な場合でも、運動訓練装置５の動作（単純反復動作及び非単純反復動作）と、この動作時に取得された複数のＮＩＲＳ信号の実測値と、の関連性を導出し得る。
The
脳分析装置４０は、機械学習において、例えばＣＮＮ（Convolutional Neural Network）に従ってＮＩＲＳ信号の実測値における特徴点を抽出してよい。脳分析装置４０は、センサ信号解析（例えばＮＩＲＳ信号の実測値の解析）と機械学習とを基に、訓練者ｔｒの運動訓練時の脳機能を診断してよい。
In machine learning, the
次に、以下の第１解析例〜第５解析例を用いて、運動訓練装置５の動作（単純反復動作及び非単純反復動作）と、この動作時に取得された複数のＮＩＲＳ信号の実測値と、の関連性について考察する。
Next, using the following first to fifth analysis examples, the operation (simple repetition operation and non-simple repetition operation) of the
（第１解析例）
第１解析例では、以下の内容の運動訓練のデータが得られる。１回の運動訓練の時間長さは、９１秒であり、この期間に１７８４サンプル得られる。脳機能が計測される脳機能計測チャネルＣＨｑの数は５２個である。運動訓練は、３回連続して実施される。運動訓練の動作指令として、単純反復動作の指令と非単純反復動作の指令との２種類の指令を含む。訓練者ｔｒは５人である。なお、訓練者ｔｒ毎にＮＩＲＳデータが区別されていない。
(First analysis example)
In the first analysis example, the following exercise training data is obtained. The duration of one exercise training is 91 seconds, and 1784 samples are obtained during this period. The number of brain function measurement channels CHq for measuring brain function is 52. Exercise training is performed three times in a row. Exercise training operation commands include two types of commands, a simple repetitive motion command and a non-simple repetitive motion command. There are five trainers tr. The NIRS data is not distinguished for each trainee tr.
図１４は、脳分析装置４０によるＮＩＲＳデータの分析時の動作例を示すフローチャートである。図１４の動作例は、第１解析例〜第５解析例において同様でよい。
FIG. 14 is a flowchart illustrating an operation example of analyzing the NIRS data by the
まず、脳分析装置４０は、ＮＩＲＳ信号を取得し、ＮＩＲＳ信号に基づくデータであるＮＩＲＳデータを複数取得する（Ｓ２１）。ここでは、例えば、１７８４サンプル×５２チャネル×３回連続×２種類の動作指令×５人、分のＮＩＲＳデータが入力される。ＮＩＲＳデータは、ＮＩＲＳ信号の実測値でよい。
First, the
脳分析装置４０は、入力されたＮＩＲＳデータの特徴量を抽出する（Ｓ２２）。脳分析装置４０は、自己回帰モデル（Auto Regressive Model）を用いて、特徴量の抽出を行ってよい。自己回帰モデルは、以下の式（１）で定義される。
The
脳分析装置４０は、自己回帰モデルの式（１）に各ＮＩＲＳデータを当てはめ、AutoEncoderにより特徴量の次元削減（dimension reduction）を行ってよい（Ｓ２３）。脳分析装置４０は、AutoEncoderにより、例えば、１０次元のモデルを２次元のモデルとするように次元削減してよい。２次元のモデルは、第１主成分（first principal ingredient）及び第２主成分（second principal ingredient）を含んでよい。脳分析装置４０は、２次元のモデルとすることで、扱うデータの情報量を小さくし、可視化し易くできる。また、次元削減されたデータを用いて機械学習を行うことで、学習精度が向上する傾向にある。第１主成分及び第２主成分は、主成分分析の結果としての、一番目に影響が大きい成分及び二番目に影響が大きい成分に相当してよい。なお、Ｓ２３の処理は省略されてもよい。
The
図１５は、第１解析例における、運動訓練装置５の動作別の、特徴量の次元削減後の第１主成分及び第２主成分の値の一例を示す図である。なお、第１主成分及び第２主成分は、ＮＩＲＳデータの特徴量における複数の成分において、ＮＩＲＳデータ全体に対する影響が１番目及び２番目に大きい成分である。
FIG. 15 is a diagram illustrating an example of the values of the first principal component and the second principal component after the dimension reduction of the feature amount for each operation of the
脳分析装置４０は、次元削減された各ＮＩＲＳデータの特徴量（例えば第１主成分及び第２主成分）を、運動訓練装置５の動作（単純反復動作及び非単純反復動作）別に分類する（Ｓ２４）。
The
脳分析装置４０は、one-class SVM（Support Vector Machine）によって分類モデルを生成し、分類モデルに従って上記分類を行ってよい。One-class SVMは、教師無し学習の一手法である。脳分析装置４０は、One-class SVMにおいて、単純反復動作時のＮＩＲＳデータ及び非単純反復動作時のＮＩＲＳデータのいずれか一方のデータを正常値とし、単純反復動作時のＮＩＲＳデータ及び非単純反復動作時のＮＩＲＳデータのいずれか他方のデータを異常値として、上記分類を行ってよい。
The
ここでは主に、単純反復動作時のＮＩＲＳデータを正常値とし、非単純反復動作時のＮＩＲＳデータのいずれか他方のデータを異常値とすることを例示する。なお、理想的な分類でない場合には、単純反復動作時のＮＩＲＳデータが異常値に分類され、非単純反復動作時のＮＩＲＳデータが正常値に分類され得る。 Here, it is mainly exemplified that the NIRS data at the time of the simple repetition operation is a normal value, and one of the NIRS data at the time of the non-simple repetition operation is an abnormal value. If the classification is not ideal, the NIRS data at the time of the simple repetition operation may be classified as an abnormal value, and the NIRS data at the time of the non-simple repetition operation may be classified as a normal value.
脳分析装置４０は、one-class SVMに従って、第１主成分及び第２主成分の値によって各ＮＩＲＳデータをマッピングし、第１主成分及び第２主成分の値の場合における分類スコアを算出する。分類スコアを、単にスコアとも称する。
The
図１６は、第１解析例における、第１主成分及び第２の主成分の値と分類スコアとの関係の一例を示す図である。例えば、単純反復動作時の５個のＮＩＲＳデータを基準に、単純反復動作以外のデータ（つまり非単純反復動作のＮＩＲＳデータ）が判別される。分類スコアが大きい程、異常値を示すデータであり、つまり非単純反復動作のＮＩＲＳデータである。したがって、脳分析装置４０は、分類スコアが閾値ｔｈ以上であるか未満であるかによって、正常値（単純反復動作のＮＩＲＳデータ）であるか異常値（非単純反復動作のＮＩＲＳデータ）であるかを判別してよい。閾値ｔｈは、固定値でも可変値でもよい。脳分析装置４０が、閾値ｔｈを任意の値に設定してよい。これにより、例えば、訓練者ｔｒの訓練を管理する管理者は、脳分析装置４０の操作部等を介して、閾値ｔｈがＮＩＲＳデータを所望な状態に分類可能な値に設定できる。
FIG. 16 is a diagram illustrating an example of the relationship between the values of the first principal component and the second principal component and the classification score in the first analysis example. For example, data other than the simple repetition operation (that is, NIRS data of the non-simple repetition operation) is determined based on the five NIRS data at the time of the simple repetition operation. The larger the classification score is, the more the data indicates an abnormal value, that is, the NIRS data of the non-simple repetitive operation. Therefore, the
具体的には、脳分析装置４０は、例えばＳｕｒｆ関数を基に、分類スコアを算出してよい。分類スコア（Ｓｃｏｒｅ）は、例えば式（２）に従って算出されてよい。
式（２）の分類スコアの算出式を用いて、予想外のデータ（非単純反復動作時のＮＩＲＳデータ）のクラスタがまとまった範囲となるように、つまり非単純反復動作時のＮＩＲＳデータについて分類スコアが所定範囲に収まるように、式（２），式（３）におけるρの値が調整してよい。このρが上記の閾値ｔｈに相当してよい。よって、式（２）で算出される分類スコアの値が大きく、且つ、式（３）で示された損失関数の値が小さくなるように、ρが調整されてよい。 By using the classification score calculation formula of Expression (2), the clusters of unexpected data (NIRS data during non-simple repetitive operation) fall within a coherent range, that is, classify NIRS data during non-simple repetitive operation. The value of ρ in equations (2) and (3) may be adjusted so that the score falls within a predetermined range. This ρ may correspond to the above-mentioned threshold th. Therefore, ρ may be adjusted such that the value of the classification score calculated by Expression (2) is large and the value of the loss function represented by Expression (3) is small.
ρの調整精度に、分類スコアによる分類精度が影響され得る。例えば、脳分析装置４０は、図１６において、分類スコアの閾値ｔｈ＝５とすることで、分類スコア（Ｓｃｏｒｅ）が値５以上の場合に異常値（非単純反復動作時のＮＩＲＳデータ）と判定し、分類スコア（Ｓｃｏｒｅ）が値５未満の場合に正常値（単純反復動作時のＮＩＲＳデータ）と判定してよい。なお、この場合でも、分類スコアが値５以上の範囲に正常値が入り込んだり、分類スコアが値５未満の範囲に異常値が入り込んだりすることがあり得る。つまり、分類不正解となることがあり得る。
The classification accuracy based on the classification score can be affected by the adjustment accuracy of ρ. For example, in FIG. 16, the
また、脳分析装置４０は、One-class SVMに従った分類の結果を蓄積して分類モデル（分類アルゴリズム）を生成し、機械学習させてよい。これにより、脳分析装置４０は、機械学習後のタイミングで行われる運動訓練装置５の動作別でのＮＩＲＳデータの特徴量の分類精度を向上できる。
Further, the
図１７は、第１解析例における、ＮＩＲＳデータの分類結果の一例を示す図である。図１７では、単純反復動作時の５個のＮＩＲＳデータと、非単純反復動作時の２６０個のＮＩＲＳデータとの分類結果を示している。ここでは、単純反復動作時のＮＩＲＳデータからランダムに５個のサンプルデータが抽出され、抽出されたサンプルデータを基に、分類モデルが生成されてよい。脳分析装置４０は、生成された分類モデルに従って、刺激無しのデータとしての単純反復動作（repetition）結果のＮＩＲＳデータと、刺激ありのデータとしての非単純反復動作（illusion）結果のＮＩＲＳデータと、に分類されている。この分類の手法は、第１解析例〜第５解析例において同様である。
FIG. 17 is a diagram illustrating an example of a classification result of NIRS data in the first analysis example. FIG. 17 shows a classification result of five NIRS data at the time of the simple repetition operation and 260 NIRS data at the time of the non-simple repetition operation. Here, five sample data may be randomly extracted from the NIRS data at the time of the simple repetition operation, and a classification model may be generated based on the extracted sample data. According to the generated classification model, the
図１７に示すように、単純反復動作時の５個のＮＩＲＳデータ（実データ）のうち、４個のＮＩＲＳデータが単純反復動作時のデータに分類され、１個のＮＩＲＳデータが非単純反復動作時のデータに分類された。つまり、単純反復動作時のＮＩＲＳデータの分類正解率は、８０％である。また、非単純反復動作時の２６０個のＮＩＲＳデータ（実データ）のうち、１５５個のＮＩＲＳデータが単純反復動作時のデータに分類され、１０３個のＮＩＲＳデータが非単純反復動作時のデータに分類された。つまり、非単純反復動作時のＮＩＲＳデータの分類正解率は、４０％である。 As shown in FIG. 17, among the five NIRS data (actual data) at the time of the simple repetition operation, four NIRS data are classified into the data at the time of the simple repetition operation, and one NIRS data is set at the time of the non-simple repetition operation. When the data was classified. That is, the classification accuracy rate of the NIRS data at the time of the simple repetition operation is 80%. Further, of the 260 NIRS data (actual data) at the time of the non-simple repetition operation, 155 NIRS data are classified into the data at the time of the simple repetition operation, and the 103 NIRS data are converted to the data at the time of the non-simple repetition operation. Classified. That is, the classification accuracy rate of the NIRS data at the time of the non-simple repetition operation is 40%.
脳分析装置４０は、導出されたＮＩＲＳデータの分類結果を提示する。この場合、脳分析装置４０は、例えば図１７に示す情報を、表示装置３０にＮＩＲＳデータの分類結果として表示させてよい。
The
（第２解析例）
第２解析例では、以下の内容の運動訓練のデータが得られる。１回の運動訓練の時間長さは、９１秒であり、この期間に１７８４サンプル得られる。脳機能が計測される脳機能計測チャネルＣＨｑの数は５２個である。運動訓練は、３回連続して実施される。運動訓練の動作指令として、単純反復動作の指令と非単純反復動作の指令との２種類の指令を含む。訓練者ｔｒは５人である。なお、訓練者ｔｒ毎にＮＩＲＳデータが区別されており、訓練者ｔｒの個人単位で上記関連性が解析されている。
(Second analysis example)
In the second analysis example, the following exercise training data is obtained. The duration of one exercise training is 91 seconds, and 1784 samples are obtained during this period. The number of brain function measurement channels CHq for measuring brain function is 52. Exercise training is performed three times in a row. Exercise training operation commands include two types of commands, a simple repetitive motion command and a non-simple repetitive motion command. There are five trainers tr. The NIRS data is distinguished for each trainee tr, and the association is analyzed for each individual trainer tr.
第２解析例においても、図１４と同様の手法で、ＮＩＲＳデータが分析されてよい。なお、Ｓ１２で取得されるＮＩＲＳデータは、訓練者ｔｒ毎に区別され、訓練者毎に、例えば、１７８４サンプル×５２チャネル×３回連続×２種類の動作指令、分のＮＩＲＳデータが入力される。 Also in the second analysis example, NIRS data may be analyzed in the same manner as in FIG. The NIRS data acquired in S12 is distinguished for each trainee tr, and, for example, 1784 samples × 52 channels × 3 consecutive times × 2 types of operation commands and NIRS data for each trainee are input. .
図１８Ａ〜図１８Ｅは、第２解析例における、訓練者ｔｒ毎（訓練者ｔｒ１〜ｔｒ５）のＮＩＲＳデータの分類結果の一例を示す図である。図１８Ａは、訓練者ｔｒ１についての分類結果を示す。図１８Ｂは、訓練者ｔｒ２についての分類結果を示す。図１８Ｃは、訓練者ｔｒ３についての分類結果を示す。図１８Ｄは、訓練者ｔｒ４についての分類結果を示す。図１８Ｅは、訓練者ｔｒ５についての分類結果を示す。 18A to 18E are diagrams illustrating an example of the classification result of the NIRS data for each trainee tr (trainers tr1 to tr5) in the second analysis example. FIG. 18A shows a classification result for the trainee tr1. FIG. 18B shows a classification result for the trainee tr2. FIG. 18C shows a classification result of the trainee tr3. FIG. 18D shows a classification result for the trainee tr4. FIG. 18E shows a classification result of the trainee tr5.
訓練者ｔｒ１については、図１８Ａに示すように、単純反復動作時の５個のＮＩＲＳデータ（実データ）のうち、４個のＮＩＲＳデータが単純反復動作時のデータに分類され、１個のＮＩＲＳデータが非単純反復動作時のデータに分類された。つまり、単純反復動作時のＮＩＲＳデータの分類正解率は、８０％である。また、非単純反復動作時の５２個のＮＩＲＳデータ（実データ）のうち、３２個のＮＩＲＳデータが単純反復動作時のデータに分類され、２０個のＮＩＲＳデータが非単純反復動作時のデータに分類された。つまり、非単純反復動作時のＮＩＲＳデータの分類正解率は、３８％である。 As for the trainee tr1, as shown in FIG. 18A, of the five NIRS data (actual data) at the time of the simple repetitive operation, four NIRS data are classified into the data at the time of the simple repetitive operation, and one NIRS The data was categorized as non-simple repetitive motion data. That is, the classification accuracy rate of the NIRS data at the time of the simple repetition operation is 80%. Further, of the 52 NIRS data (actual data) at the time of the non-simple repetition operation, 32 NIRS data are classified into the data at the time of the simple repetition operation, and the 20 NIRS data are converted to the data at the time of the non-simple repetition operation. Classified. That is, the classification accuracy rate of the NIRS data at the time of the non-simple repetition operation is 38%.
訓練者ｔｒ２については、図１８Ｂに示すように、単純反復動作時の５個のＮＩＲＳデータ（実データ）のうち、４個のＮＩＲＳデータが単純反復動作時のデータに分類され、１個のＮＩＲＳデータが非単純反復動作時のデータに分類された。つまり、単純反復動作時のＮＩＲＳデータの分類正解率は、８０％である。また、非単純反復動作時の５２個のＮＩＲＳデータ（実データ）のうち、２９個のＮＩＲＳデータが単純反復動作時のデータに分類され、２３個のＮＩＲＳデータが非単純反復動作時のデータに分類された。つまり、非単純反復動作時のＮＩＲＳデータの分類正解率は、４４％である。 As for the trainee tr2, as shown in FIG. 18B, of the five NIRS data (actual data) at the time of the simple repetition operation, four NIRS data are classified into data at the time of the simple repetition operation, and one NIRS The data was categorized as non-simple repetitive motion data. That is, the classification accuracy rate of the NIRS data at the time of the simple repetition operation is 80%. Also, of the 52 NIRS data (actual data) at the time of the non-simple repetition operation, 29 NIRS data are classified into the data at the time of the simple repetition operation, and the 23 NIRS data are converted to the data at the time of the non-simple repetition operation. Classified. That is, the classification accuracy rate of the NIRS data at the time of the non-simple repetition operation is 44%.
訓練者ｔｒ３については、図１８Ｃに示すように、単純反復動作時の５個のＮＩＲＳデータ（実データ）のうち、４個のＮＩＲＳデータが単純反復動作時のデータに分類され、１個のＮＩＲＳデータが非単純反復動作時のデータに分類された。つまり、単純反復動作時のＮＩＲＳデータの分類正解率は、８０％である。また、非単純反復動作時の５２個のＮＩＲＳデータ（実データ）のうち、３１個のＮＩＲＳデータが単純反復動作時のデータに分類され、２１個のＮＩＲＳデータが非単純反復動作時のデータに分類された。つまり、非単純反復動作時のＮＩＲＳデータの分類正解率は、４０％である。 As for the trainee tr3, as shown in FIG. 18C, among the five NIRS data (actual data) at the time of the simple repetitive operation, four NIRS data are classified into data at the time of the simple repetitive operation, and one NIRS The data was categorized as non-simple repetitive motion data. That is, the classification accuracy rate of the NIRS data at the time of the simple repetition operation is 80%. Also, of the 52 NIRS data (actual data) at the time of the non-simple repetition operation, 31 NIRS data are classified into the data at the time of the simple repetition operation, and the 21 NIRS data are converted to the data at the time of the non-simple repetition operation. Classified. That is, the classification accuracy rate of the NIRS data at the time of the non-simple repetition operation is 40%.
訓練者ｔｒ４については、図１８Ｄに示すように、単純反復動作時の５個のＮＩＲＳデータ（実データ）のうち、４個のＮＩＲＳデータが単純反復動作時のデータに分類され、１個のＮＩＲＳデータが非単純反復動作時のデータに分類された。つまり、単純反復動作時のＮＩＲＳデータの分類正解率は、８０％である。また、非単純反復動作時の５２個のＮＩＲＳデータ（実データ）のうち、３１個のＮＩＲＳデータが単純反復動作時のデータに分類され、２１個のＮＩＲＳデータが非単純反復動作時のデータに分類された。つまり、非単純反復動作時のＮＩＲＳデータの分類正解率は、４０％である。 As for the trainee tr4, as shown in FIG. 18D, among the five NIRS data (actual data) at the time of the simple repetition operation, four NIRS data are classified into data at the time of the simple repetition operation, and one NIRS data is obtained. The data was categorized as non-simple repetitive motion data. That is, the classification accuracy rate of the NIRS data at the time of the simple repetition operation is 80%. Also, of the 52 NIRS data (actual data) at the time of the non-simple repetition operation, 31 NIRS data are classified into the data at the time of the simple repetition operation, and the 21 NIRS data are converted to the data at the time of the non-simple repetition operation. Classified. That is, the classification accuracy rate of the NIRS data at the time of the non-simple repetition operation is 40%.
訓練者ｔｒ５については、図１８Ｅに示すように、単純反復動作時の５個のＮＩＲＳデータ（実データ）のうち、４個のＮＩＲＳデータが単純反復動作時のデータに分類され、１個のＮＩＲＳデータが非単純反復動作時のデータに分類された。つまり、単純反復動作時のＮＩＲＳデータの分類正解率は、８０％である。また、非単純反復動作時の５２個のＮＩＲＳデータ（実データ）のうち、３０個のＮＩＲＳデータが単純反復動作時のデータに分類され、２２個のＮＩＲＳデータが非単純反復動作時のデータに分類された。つまり、非単純反復動作時のＮＩＲＳデータの分類正解率は、４２％である。 As for the trainee tr5, as shown in FIG. 18E, among the five NIRS data (actual data) at the time of the simple repetition operation, four NIRS data are classified into data at the time of the simple repetition operation, and one NIRS data is obtained. The data was categorized as non-simple repetitive motion data. That is, the classification accuracy rate of the NIRS data at the time of the simple repetition operation is 80%. Also, of the 52 NIRS data (actual data) at the time of the non-simple repetition operation, 30 NIRS data are classified into the data at the time of the simple repetition operation, and the 22 NIRS data are converted to the data at the time of the non-simple repetition operation. Classified. That is, the classification accuracy rate of the NIRS data at the time of the non-simple repetition operation is 42%.
このように、第２解析例では、非単純反復動作時のＮＩＲＳデータの分類正解率は、３８％〜４４％の範囲に収まっており、分類結果に個人差はほとんど無いことが理解できる。また、第１解析例の訓練者ｔｒ毎にデータを区別しない場合には、非単純反復動作時のＮＩＲＳデータの分類正解率は４０％であったので、訓練者ｔｒ毎にデータを区別してもしなくても、分類結果にほとんど差が無いことが理解できる。 As described above, in the second analysis example, the classification accuracy rate of the NIRS data at the time of the non-simple repetition operation falls within the range of 38% to 44%, and it can be understood that there is almost no individual difference in the classification result. When the data is not distinguished for each trainee tr in the first analysis example, the classification accuracy rate of the NIRS data at the time of the non-simple repetitive operation was 40%. Even if it is not, it can be understood that there is almost no difference in the classification results.
（第３解析例）
第３解析例では、以下の内容の運動訓練のデータが得られる。解析に用いるＮＩＲＳ信号の実測値の時間的な範囲の制限が考慮される。１回の運動訓練の時間長さは６０秒であり、この期間に１１７７サンプル得られる。脳機能が計測される脳機能計測チャネルＣＨｑの数は５２個である。運動訓練は、３回連続して実施される。運動訓練の動作指令として、単純反復動作の指令と非単純反復動作の指令との２種類の指令を含む。訓練者ｔｒは５人である。なお、訓練者ｔｒ毎にＮＩＲＳデータが区別されていない。
(Third analysis example)
In the third analysis example, the following exercise training data is obtained. The limitation of the time range of the actual measurement value of the NIRS signal used for the analysis is considered. The duration of one exercise training is 60 seconds, and 1177 samples are obtained during this period. The number of brain function measurement channels CHq for measuring brain function is 52. Exercise training is performed three times in a row. Exercise training operation commands include two types of commands: simple repetition commands and non-simple repetition commands. There are five trainers tr. The NIRS data is not distinguished for each trainee tr.
図１９Ａは、運動訓練装置５により単純反復動作を行った場合における、運動訓練装置５の解析に用いる動作範囲の制限の一例を示す図である。図１９Ｂは、運動訓練装置５により非単純反復動作を行った場合における、運動訓練装置５の解析に用いる動作範囲の制限の一例を示す図である。
FIG. 19A is a diagram illustrating an example of a limitation on an operation range used for analysis of the
図１９Ａ及び図１９Ｂでは、時刻２０秒（ｓ）〜８０秒（ｓ）の間（期間Ｐ１）の動作に伴う運動訓練時のＮＩＲＳ信号が、解析に用いられる。この時間範囲は、単純反復動作（repetitive）と非単純反復動作（illusion）とで、スライダ２０の移動周期やスライダ２０の移動周期における移動距離（移動振幅）が異なる範囲に相当する。このように、第３解析例では、解析に用いるＮＩＲＳ信号の実測値の時間的な範囲の制限が考慮される。なお、後述する第５解析例でも同様である。
In FIG. 19A and FIG. 19B, the NIRS signal at the time of exercise training accompanying the operation during the period of
第３解析例においても、図１４と同様の手法で、ＮＩＲＳデータが分析されてよい。なお、Ｓ１２で取得されるＮＩＲＳデータは、時間制限が加味され、例えば、１１７７サンプル×５２チャネル×３回連続×２種類の動作指令×５人、分のＮＩＲＳデータが入力される。 Also in the third analysis example, NIRS data may be analyzed in the same manner as in FIG. The NIRS data acquired in S12 is time-limited, and for example, NIRS data of 1177 samples × 52 channels × 3 times × 2 types of operation commands × 5 persons is input.
図２０は、第３解析例における、運動訓練装置５の動作別の、特徴量の次元削減後の第１主成分及び第２主成分の値の一例を示す図である。第３解析例では、訓練者ｔｒ５人分のＮＩＲＳデータを利用し、脳刺激に影響があると思われる時間範囲を限定して、ＮＩＲＳデータが分析される。
FIG. 20 is a diagram illustrating an example of the values of the first principal component and the second principal component after the dimension reduction of the feature amount for each operation of the
図２１は、第３解析例における、第１主成分及び第２の主成分の値と分類スコアとの関係の一例を示す図である。図２２は、第３解析例における、ＮＩＲＳデータの分類結果の一例を示す図である。 FIG. 21 is a diagram illustrating an example of the relationship between the values of the first principal component and the second principal component and the classification score in the third analysis example. FIG. 22 is a diagram illustrating an example of a classification result of NIRS data in the third analysis example.
第３解析例では、図２２に示すように、単純反復動作時の５個のＮＩＲＳデータ（実データ）のうち、４個のＮＩＲＳデータが単純反復動作時のデータに分類され、１個のＮＩＲＳデータが非単純反復動作時のデータに分類された。つまり、単純反復動作時のＮＩＲＳデータの分類正解率は、８０％である。また、非単純反復動作時の２６０個のＮＩＲＳデータ（実データ）のうち、１４６個のＮＩＲＳデータが単純反復動作時のデータに分類され、１１２個のＮＩＲＳデータが非単純反復動作時のデータに分類された。つまり、非単純反復動作時のＮＩＲＳデータの分類正解率は、４３％である。 In the third analysis example, as shown in FIG. 22, among the five NIRS data (actual data) at the time of the simple repetition operation, four NIRS data are classified into the data at the time of the simple repetition operation, and one NIRS data is obtained. The data was categorized as non-simple repetitive motion data. That is, the classification accuracy rate of the NIRS data at the time of the simple repetition operation is 80%. Further, of the 260 NIRS data (actual data) at the time of the non-simple repetition operation, 146 NIRS data are classified into the data at the time of the simple repetition operation, and the 112 NIRS data are converted to the data at the time of the non-simple repetition operation. Classified. That is, the classification accuracy rate of the NIRS data at the time of the non-simple repetition operation is 43%.
（第４解析例）
第４解析例では、以下の内容の運動訓練のデータが得られる。１回の運動訓練の時間長さは、９１秒であり、この期間に１７８４サンプル得られる。脳機能が計測される脳機能計測チャネルＣＨｑの数は、１２個であり、脳機能計測チャネル数（頭部における測定点の数）が制限されている。運動訓練は、３回連続して実施される。運動訓練の動作指令として、単純反復動作の指令と非単純反復動作の指令との２種類の指令を含む。訓練者ｔｒは５人である。なお、訓練者ｔｒ毎にＮＩＲＳデータが区別されていない。
(Fourth analysis example)
In the fourth analysis example, the following exercise training data is obtained. The duration of one exercise training is 91 seconds, and 1784 samples are obtained during this period. The number of brain function measurement channels CHq for measuring brain functions is 12, and the number of brain function measurement channels (the number of measurement points on the head) is limited. Exercise training is performed three times in a row. Exercise training operation commands include two types of commands, a simple repetitive motion command and a non-simple repetitive motion command. There are five trainers tr. The NIRS data is not distinguished for each trainee tr.
第４解析例では、複数の脳機能計測チャネルのうち、運動に関係が深いと推測される脳機能計測チャネルが１２個選出され、選出された脳機能計測チャネルで計測されたＮＩＲＳデータが解析される。 In the fourth analysis example, among the plurality of brain function measurement channels, twelve brain function measurement channels presumed to be closely related to exercise are selected, and NIRS data measured by the selected brain function measurement channels is analyzed. You.
図２３は、選出された脳機能計測チャネルの設定例を示す図である。図２３では、１次体性感覚野及び高次運動野の脳機能計測チャネルが示されている。１次体性感覚野には、感覚運動野（ＳＭＣ：sensorimotor cortex）が含まれる。高次運動野には、運動前野（ＰＭＣ：Premotor cortex）、補足運動野（ＳＭＡ：supplementary motor area）、及び前補足運動野（ｐｒｅＳＭＡ）が含まれる。ＳＭＣの脳機能計測チャネルは、脳機能計測チャネルＣＨ３３，ＣＨ３４である。ＰＭＣの脳機能計測チャネルは、脳機能計測チャネルＣＨ１０，ＣＨ１７，ＣＨ２５，ＣＨ１２，ＣＨ２０，ＣＨ２７である。ＳＭＡの脳機能計測チャネルは、脳機能計測チャネルＣＨ１８，ＣＨ１９である。ｐｒｅＳＭＡの脳機能計測チャネルは、脳機能計測チャネルＣＨ３、ＣＨ１８，ＣＨ４，ＣＨ１９である。なお、選出されたチャネルは一例であり、他の脳機能計測チャネルが選出されてもよい。 FIG. 23 is a diagram illustrating a setting example of the selected brain function measurement channel. FIG. 23 shows brain function measurement channels of the primary somatosensory cortex and the higher motor cortex. The primary somatosensory area includes a sensorimotor cortex (SMC). The higher motor areas include a premotor cortex (PMC: Premotor cortex), a supplementary motor area (SMA), and a pre-supplementary motor area (preSMA). The brain function measurement channels of the SMC are brain function measurement channels CH33 and CH34. The brain function measurement channels of PMC are brain function measurement channels CH10, CH17, CH25, CH12, CH20, and CH27. The SMA brain function measurement channels are brain function measurement channels CH18 and CH19. The brain function measurement channels of preSMA are brain function measurement channels CH3, CH18, CH4, and CH19. The selected channel is an example, and another brain function measurement channel may be selected.
第４解析例においても、図１４と同様の手法で、ＮＩＲＳデータが分析されてよい。なお、Ｓ１２で取得されるＮＩＲＳデータは、測定点（チャネル）の制限が加味され、例えば、１７８４サンプル×１２チャネル×３回連続×２種類の動作指令×５人、分のＮＩＲＳデータが入力される。 Also in the fourth analysis example, NIRS data may be analyzed in the same manner as in FIG. Note that the NIRS data acquired in S12 takes into account the limitations of the measurement points (channels). For example, NIRS data for 1784 samples x 12 channels x 3 times x 2 types of operation commands x 5 persons is input. You.
図２４は、第４解析例における、運動訓練装置５の動作別の、特徴量の次元削減後の第１主成分及び第２主成分の値の一例を示す図である。図２５は、第４解析例における、第１主成分及び第２の主成分の値と分類スコアとの関係の一例を示す図である。図２６は、第４解析例における、ＮＩＲＳデータの分類結果の一例を示す図である。
FIG. 24 is a diagram illustrating an example of the values of the first principal component and the second principal component after the dimension reduction of the feature amount for each operation of the
第４解析例では、図２６に示すように、単純反復動作時の５個のＮＩＲＳデータ（実データ）のうち、４個のＮＩＲＳデータが単純反復動作時のデータに分類され、１個のＮＩＲＳデータが非単純反復動作時のデータに分類された。つまり、単純反復動作時のＮＩＲＳデータの分類正解率は、８０％である。また、非単純反復動作時の６０個のＮＩＲＳデータ（実データ）のうち、８個のＮＩＲＳデータが単純反復動作時のデータに分類され、５２個のＮＩＲＳデータが非単純反復動作時のデータに分類された。つまり、非単純反復動作時のＮＩＲＳデータの分類正解率は、８７％である。 In the fourth analysis example, as shown in FIG. 26, among the five NIRS data (actual data) at the time of the simple repetition operation, four NIRS data are classified into the data at the time of the simple repetition operation, and one NIRS data is obtained. The data was categorized as non-simple repetitive motion data. That is, the classification accuracy rate of the NIRS data at the time of the simple repetition operation is 80%. Also, out of the 60 NIRS data (actual data) at the time of the non-simple repetition operation, eight NIRS data are classified into the data at the time of the simple repetition operation, and the 52 NIRS data are converted to the data at the time of the non-simple repetition operation. Classified. That is, the classification accuracy rate of the NIRS data at the time of the non-simple repetition operation is 87%.
このように、第４解析例では、測定点（つまり脳機能計測チャネル）の選定が、ＮＩＲＳデータの分類精度に大きな影響を与えることが理解できる。また、運動に関係が深いと推測される脳部分に対して、運動訓練を介して刺激を与えることに成功していると言える。また、非単純反復動作の刺激と単純反復動作の刺激とが分離して認識されていると言える。 As described above, in the fourth analysis example, it can be understood that the selection of the measurement point (that is, the brain function measurement channel) greatly affects the classification accuracy of the NIRS data. In addition, it can be said that the stimulus has been successfully applied to the brain portion that is presumed to be closely related to exercise through exercise training. Also, it can be said that the stimulus of the non-simple repetitive motion and the stimulus of the simple repetitive motion are recognized separately.
（第５解析例）
第５解析例では、以下の内容の運動訓練のデータが得られる。解析に用いるＮＩＲＳ信号の実測値の時間的な範囲の制限が考慮される。１回の運動訓練の時間長さは、６０秒であり、この期間に１１７７サンプル得られる。脳機能が計測される脳機能計測チャネルＣＨｑの数は、１２個であり、脳機能計測チャネル数（頭部における測定点の数）が制限されている。運動訓練は、３回連続して実施される。運動訓練の動作指令として、単純反復動作の指令と非単純反復動作の指令との２種類の指令を含む。訓練者ｔｒは５人である。つまり、第５解析例では、第３解析例の時間制限と第４解析例の測定点（チャネル）の制限との双方が加味されている。なお、訓練者ｔｒ毎にＮＩＲＳデータが区別されていない。
(Fifth analysis example)
In the fifth analysis example, the following exercise training data is obtained. The limitation of the time range of the actual measurement value of the NIRS signal used for the analysis is considered. The duration of one exercise training is 60 seconds, and 1177 samples are obtained during this period. The number of brain function measurement channels CHq for measuring brain functions is 12, and the number of brain function measurement channels (the number of measurement points on the head) is limited. Exercise training is performed three times in a row. The exercise commands for exercise training include two types of commands, a simple repetitive motion command and a non-simple repetitive motion command. There are five trainers tr. That is, in the fifth analysis example, both the time limitation of the third analysis example and the limitation of the measurement points (channels) of the fourth analysis example are taken into account. The NIRS data is not distinguished for each trainee tr.
第５解析例においても、図１４と同様の手法で、ＮＩＲＳデータが分析されてよい。なお、Ｓ１２で取得されるＮＩＲＳデータは、時間制限及び測定点の制限が加味され、例えば、１１７７サンプル×１２チャネル×３回連続×２種類の動作指令×５人、分のＮＩＲＳデータが入力される。 Also in the fifth analysis example, NIRS data may be analyzed in the same manner as in FIG. Note that the NIRS data acquired in S12 takes into account the time limit and the limit of the measurement points. For example, NIRS data for 1177 samples × 12 channels × 3 times continuous × 2 types of operation commands × 5 persons is input. You.
図２７は、第５解析例における、運動訓練装置５の動作別の、特徴量の次元削減後の第１主成分及び第２主成分の値の一例を示す図である。図２８は、第５解析例における、第１主成分及び第２の主成分の値と分類スコアとの関係の一例を示す図である。図２９は、第５解析例における、ＮＩＲＳデータの分類結果の一例を示す図である。
FIG. 27 is a diagram illustrating an example of the values of the first principal component and the second principal component after the dimension reduction of the feature amount for each operation of the
第５解析例では、図２９に示すように、単純反復動作時の５個のＮＩＲＳデータ（実データ）のうち、４個のＮＩＲＳデータが単純反復動作時のデータに分類され、１個のＮＩＲＳデータが非単純反復動作時のデータに分類された。つまり、単純反復動作時のＮＩＲＳデータの分類正解率は、８０％である。また、非単純反復動作時の６０個のＮＩＲＳデータ（実データ）のうち、５個のＮＩＲＳデータが単純反復動作時のデータに分類され、５５個のＮＩＲＳデータが非単純反復動作時のデータに分類された。つまり、非単純反復動作時のＮＩＲＳデータの分類正解率は、９２％である。 In the fifth analysis example, as shown in FIG. 29, among the five NIRS data (actual data) at the time of the simple repetition operation, four NIRS data are classified into the data at the time of the simple repetition operation, and one NIRS data is obtained. The data was categorized as non-simple repetitive motion data. That is, the classification accuracy rate of the NIRS data at the time of the simple repetition operation is 80%. Also, out of the 60 NIRS data (actual data) at the time of the non-simple repetition operation, 5 NIRS data are classified into the data at the time of the simple repetition operation, and 55 NIRS data are converted to the data at the time of the non-simple repetition operation. Classified. That is, the classification accuracy rate of the NIRS data at the time of the non-simple repetition operation is 92%.
このように、第５解析例では、測定点（つまり脳機能計測チャネル）を選定するとともに、時間範囲を限定することがが、ＮＩＲＳデータの分類精度に更に大きな影響を与えることが理解できる。 As described above, in the fifth analysis example, it is understood that selecting the measurement point (that is, the brain function measurement channel) and limiting the time range has a greater effect on the classification accuracy of the NIRS data.
したがって、単純反復動作時のＮＩＲＳデータをサンプルとして分類モデルを生成し、分類モデルに従って単純反復動作時のＮＩＲＳデータと非単純反復動作時のＮＩＲＳデータとを分類した場合、第１解析例における想定（訓練者ｔｒを区別せず、時間範囲の制限を考慮せず、測定点の制限を考慮しない想定）を基準とすると、以下の事項が言える。 Therefore, when the classification model is generated using the NIRS data at the time of the simple repetition operation as a sample, and the NIRS data at the time of the simple repetition operation and the NIRS data at the time of the non-simple repetition operation are classified according to the classification model, the assumption in the first analysis example ( Assuming that the trainee tr is not distinguished, does not consider the limitation of the time range, and does not consider the limitation of the measurement point), the following matters can be said.
つまり、第２解析例に示したように、分類モデルに従ったＮＩＲＳデータの分類では、訓練者ｔｒ毎に分類結果が大きく異なるものではなく、訓練者ｔｒが誰であるかは、分類結果に影響を与えないことが理解できる。 That is, as shown in the second analysis example, in the classification of the NIRS data according to the classification model, the classification result does not greatly differ for each of the trainees tr. It can be understood that it has no effect.
また、第３解析例に示したように、分類モデルに従ったＮＩＲＳデータの分類では、ＮＩＲＳデータが取得される時間範囲が制限されたか否かは、分類結果に大きな影響を与えないことが理解できる。 Also, as shown in the third analysis example, in the classification of NIRS data according to the classification model, it is understood that whether or not the time range in which the NIRS data is obtained is limited does not significantly affect the classification result. it can.
また、第４解析例に示したように、分類モデルに従ったＮＩＲＳデータの分類では、ＮＩＲＳデータが取得される測定点が制限されたか否かは、分類結果に大きな影響を与えることが理解できる。 Also, as shown in the fourth analysis example, in the classification of NIRS data according to the classification model, it can be understood that whether or not the measurement points from which the NIRS data is acquired is limited has a large effect on the classification result. .
さらに、第５解析例に示したように、分類モデルに従ったＮＩＲＳデータの分類では、ＮＩＲＳデータが取得される測定点とともに時間範囲が制限されたか否かは、分類結果に一層大きな影響を与えることが理解できる。 Further, as shown in the fifth analysis example, in the classification of NIRS data according to the classification model, whether the time range is limited together with the measurement point at which the NIRS data is acquired has a greater effect on the classification result. I can understand.
このように、運動訓練システム１００は、各ＮＩＲＳデータを分析することで、訓練者ｔｒの予想と異なる運動訓練が脳賦活（刺激）に影響し得ることを、確認することができた。
As described above, the
なお、予想通りの運動による（単純反復動作時の）ＮＩＲＳデータについて特徴量を検出して、予想外の運動による（非単純反復動作時の）ＮＩＲＳデータを分類することを例示したが、予想外の運動によるＮＩＲＳデータについて特徴量を検出して、予想通りの運動によるＮＩＲＳデータを分類してもよい。 In addition, although the feature amount is detected with respect to NIRS data by the expected motion (at the time of the simple repetition operation), and the NIRS data by the unexpected motion (at the time of the non-simple repetition operation) is classified, the example is described. A feature amount may be detected with respect to NIRS data due to the motion, and the NIRS data according to the expected motion may be classified.
分類モデルを生成し、機械学習する際に、５個のサンプルデータを用いることを例示したが、このデータ数は一例であり、他の数でよい。例えば、訓練者ｔｒを多数、サンプルデータを多数、として分類結果を蓄積し、分類モデルを多数のサンプルで機械学習させてよい。 In the case of generating a classification model and performing machine learning, an example has been described in which five sample data are used. However, the number of data is an example, and another number may be used. For example, classification results may be accumulated with a large number of trainers tr and a large number of sample data, and the classification model may be machine-learned with a large number of samples.
このように、運動訓練システム１００は、運動訓練装置５などのロボット制御技術を脳リハビリに応用して、運動訓練中の訓練者ｔｒの脳機能を分析できる。また、脳計測装置４５によって、脳血流酸素濃度を測定できる。また、脳計測装置４５は、機械学習技術によって訓練者ｔｒの脳機能を分類したり、解析したり、評価したりできる。
As described above, the
また、運動訓練システム１００は、単純反復動作と非単純反復動作とで、計測された脳血流のパターンが異なることを認識できる。よって、運動訓練システム１００は、単純反復動作による定常的な脳刺激にとともに、非単純反復動作による非定常的な脳刺激を訓練者ｔｒの脳に与えることができる。訓練者ｔｒは、非定常的な脳刺激を慣れない刺激として受け取れ、脳刺激の差異を認識できる。よって、仮に訓練者ｔｒの体の一部（例えば足、手）を動かすことが困難でも、運動訓練装置５のスライダ２０を用いて訓練者ｔｒの体部を強制的に動かし、脳刺激を与えることができる。つまり、訓練者ｔｒの体の一部（例えば足、手）を動かすことが困難でも、訓練者ｔｒは、運動しているような錯覚を脳に発生させることができる。
In addition, the
このように、運動訓練システム１００は、訓練者ｔｒの体のいずれかの部位を様々に動かすことで脳に対して異なる刺激を与え、訓練者ｔｒの運動能力の向上を期待できる。
In this way, the
以上、図面を参照しながら実施形態について説明したが、本開示はかかる例に限定されないことは言うまでもない。当業者であれば、特許請求の範囲に記載された範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、それらについても当然に本開示の技術的範囲に属するものと了解される。 Although the embodiments have been described with reference to the drawings, it is needless to say that the present disclosure is not limited to such examples. It will be apparent to those skilled in the art that various changes or modifications can be made within the scope of the claims, and these naturally belong to the technical scope of the present disclosure. I understand.
上記実施形態は、宇宙空間における訓練者ｔｒの運動訓練にも適用可能である。宇宙空間に滞在すると、宇宙空間での脳の刺激に脳が慣れ、地上において本来訓練者ｔｒが持つべきバランス感覚がくずれ、訓練者ｔｒが健康を害する可能性がある。運動訓練システム１００は、宇宙空間に所在する訓練者ｔｒの運動訓練にも適用でき、地上に帰還するための運動訓練に利用され得る。
The above embodiment is also applicable to the exercise training of the trainee tr in the outer space. When staying in the outer space, the brain becomes accustomed to stimulating the brain in the outer space, and the sense of balance that the trainee tr should originally have on the ground is lost, and the trainee tr may be harmed to health. The
上記実施形態では、脳分析装置４０が、運動訓練装置５の動作（単純反復動作及び非単純反復動作）と、この動作時に取得された複数のＮＩＲＳ信号の実測値との関係について分析や分類することを例示したが、実測値以外の値（例えば解析値）が用いられてもよい。例えば、脳分析装置４０は、脳計測装置４５からＮＩＲＳ信号の実測値を計測結果として取得し、ＮＩＲＳ信号の実測値を基に、様々な解析値を生成する。解析値には、例えば、ＮＩＲＳ信号の実測値のばらつきを示すヒストグラム、ＮＩＲＳ信号の実測値の周波数解析により得られる固有値、が含まれてよい。固有値は、酸素化ヘモグロビン濃度／周波数で示されてよい。脳分析装置４０は、運動訓練装置５の動作（単純反復動作及び非単純反復動作）と、この動作時の解析値との関係について分析や分類を行ってもよい。
In the above embodiment, the
上記実施形態では、脳計測装置４５が、脳の血流に関する脳血流情報の一例として酸素化ヘモグロビン濃度を計測することを例示したが、脳血流情報以外の脳の機能に関する脳機能情報が計測されてもよい。脳計測装置４５は、例えば、訓練者ｔｒの運動訓練時の脳波を計測してもよい。また、脳計測装置４５の代わりに、脳機能情報を計測するための訓練者ｔｒの生体信号を計測する計測装置が設けられてもよい。
In the above embodiment, the
例えば、計測装置は、心電計や筋電計でよい。心電計は、訓練者ｔｒの運動中や非運動中における心電図を計測し、心電図情報を得る。心電計は、心電図情報を脳分析装置４０へ送る。脳分析装置４０は、運動訓練装置５の動作（単純反復動作及び非単純反復動作）と、この動作時の心電図情報との関係について分析や分類を行ってもよい。筋電計は、訓練者ｔｒの運動中や非運動中における筋電図を計測し、筋電図情報を得る。筋電計は、筋電図情報を脳分析装置４０へ送る。脳分析装置４０は、運動訓練装置５の動作（単純反復動作及び非単純反復動作）と、この動作時の筋電図情報との関係について分析や分類を行ってもよい。
For example, the measuring device may be an electrocardiograph or an electromyograph. The electrocardiograph measures the electrocardiogram during exercise or non-exercise of the trainee tr, and obtains electrocardiogram information. The electrocardiograph sends the electrocardiogram information to the
上記実施形態では、加速度センサ５０を用いて人為的に振動を加え、振動トルクにより、動作制御装置１０がスライダ２０の移動を制御することを例示したが、加速度センサ５０以外の外部装置かあらの信号に応じて、動作制御装置１０がスライダ２０の移動を制御してもよい。例えば、動作制御装置１０が心電図と連動して、心臓の拍動に同期してトルク指令を行い、スライダ２０の移動を制御してもよい。
In the above-described embodiment, the
［運動訓練システムの作用効果等］
以上のように、運動訓練システム１００は、訓練者ｔｒに対して運動の支援及び分析を行う。運動訓練システム１００は、訓練者ｔｒの人体の一部が載置されるスライダ２０の移動を制御する動作制御装置１０（制御装置の一例）と、スライダ２０を用いた訓練者ｔｒの訓練期間における訓練者５４の脳機能に関する脳機能情報を取得し、脳機能情報を分析する脳分析装置４０（分析装置の一例）と、を備える。動作制御装置１０は、スライダ２０に対して、訓練期間における単純反復動作期間（第１の期間の一例）に、周期的な移動を行うよう指示し、訓練期間における非単純反復動作期間（第２の期間の一例）に、周期的な移動とは異なる非周期的な移動を行うよう指示する。脳分析装置４０は、脳機能情報を、単純反復動作期間における訓練者ｔｒの脳機能に関する第１の脳機能情報、又は、非単純反復動作期間における訓練者ｔｒの脳機能に関する第２の脳機能情報、に分類する。
[Effects of the exercise training system]
As described above, the
これにより、運動訓練システム１００は、脳機能情報を周期的な移動期間の脳機能情報か非周期的な移動期間の脳機能情報かに分類できる。つまり、周期的な運動訓練と非周期的な運動訓練とによって、訓練者の脳血流のパターンを変化させることができた。よって、周期的な運動訓練では脳が慣れ、脳への刺激が鈍化するが、非周期的な運動訓練を取り入れることで、脳への刺激となり得ることが理解できる。また、運動訓練した人体の一部（足、手、等）から、非侵襲的に脳に刺激を与えられることができる。そのため、非侵襲で脳へ刺激を与えることができ、安全性を向上できる。
Thereby, the
スライダ２０は、所定方向に沿って反復移動可能でよい。周期的な移動は、前記所定方向に沿った周期的な反復移動でよい。非周期的な移動は、前記所定方向に沿った非周期的な反復移動でよい。
The
これにより、運動訓練システム１００は、訓練者ｔｒの運動による体の移動が往復運動となるので、体を動かす範囲を小さくでき、安全性に配慮できる。
Accordingly, in the
周期的な移動において、スライダ２０の移動周期及びスライダ２０の１回の移動周期における移動距離が不変でよい。非周期的な移動において、スライダ２０の移動周期及びスライダ２０の１回の移動周期における移動距離のうち少なくとも一方が変化してよい。
In the periodic movement, the movement period of the
これにより、運動訓練システム１００は、スライダ２０の移動周期及びスライダ２０の１回の移動周期における移動距離が一定であることによる脳への刺激を訓練者ｔｒに与えることができる。また、運動訓練システム１００は、スライダ２０の移動周期及びスライダ２０の１回の移動周期における移動距離が不定であることによる脳への刺激を訓練者ｔｒに与えることができる。
Accordingly, the
スライダ２０は、訓練者ｔｒの右足（第１の足の一例）が載置される右足のスライダ２０ａ（第１のスライダｎ一例）と、訓練者ｔｒの左足（第２の足の一例）が載置される左足のスライダ２０ｂ（第２のスライダの一例）と、を含んでよい。
The
これにより、運動訓練システム１００は、第１のスライダと第２のスライダを用いて歩行訓練できる。また、訓練者５４の体重を支える人体の部位の運動を訓練することで、脳の刺激量が多くなり、脳機能情報に出やすい、と期待できる。
Thereby, the
動作制御装置１０は、右足のスライダ２０ａにかかる第１の負荷値と、左足のスライダ２０ｂにかかる第２の負荷値と、を取得してよい。動作制御装置１０は、第１の負荷値と第２の負荷値とを基に、第１の負荷値と第２の負荷値との差分が小さくなるように、右足のスライダ２０ａに駆動力を供給するモータ２２ａ（第１のモータの一例）へのトルク指令値を決定し、左足のスライダ２０ｂに駆動力を供給するモータ２２ｂ（第２のモータの一例）へのトルク指令値を決定してよい。
The
これにより、運動訓練システム１００は、左足のスライダ２０のバランスを保つことできる。よって、訓練者ｔｒは、例えば左右いずれかの足の運動能力が不十分であり、体重移動を十分に行うことが困難な場合でも、左右のバランスを崩して転倒する可能性を低減できる。
Thereby, the
運動訓練システム１００は、加速度を検出する加速度センサ５０、を更に備えてよい。動作制御装置１０は、加速度センサ５０により検出された加速度を取得し、加速度に基づいて、スライダ２０に駆動力を供給するモータ２２へのトルク指令値を決定してよい。
The
これにより、加速度センサ５０に加速度が与えられることで、例えば加速度センサ５０が振動するように外力を与えられることで、運動訓練システム１００は、加速度センサ５０の検出に基づくトルク指令をモータ２２に供給し、スライダ２０を移動させることができる。よって、運動訓練システム１００は、加速度センサ５０を用いてスライダ２０上の人体の一部に外乱刺激を与えることができ、人体の一部を介して脳に刺激を与えることができる。
Thus, when the acceleration is applied to the
脳分析装置４０は、脳機能情報における複数の特徴量を抽出してよい。脳分析装置４０は、複数の特徴量に基づいて、脳機能情報のスコアを算出してよい。脳分析装置４０は、スコアに基づいて、脳機能情報を分類してよい。
The
これにより、運動訓練システム１００は、脳機能情報を例えば主成分分析を用いて特徴量を抽出し、特徴量に応じた脳機能情報の分類を行うことができる。
Thus, the
脳分析装置４０は、脳機能情報を分類するための分類モデルを、複数の特徴量を用いて機械学習させてよい。脳分析装置４０は、スコアに基づいて、機械学習された前記分類モデルに従って前記複数の脳機能情報を分類してよい。
The
これにより、運動訓練システム１００は、例えば多数の訓練者ｔｒの脳機能情報の特徴量を蓄積して分類モデルを機械学習させることで、分類モデルによる分類精度を向上できる。よって、運動訓練システム１００は、機械学習された分類モデルに従うことで、脳機能情報の分類精度を向上できる。
Thereby, the
また、運動訓練システム１００は、脳機能情報を計測する脳計測装置４５（計測装置の一例、を更に備えてよい。脳計測装置４５は、訓練者ｔｒの頭部における任意の位置に第１の光を送光してよい。脳計測装置４５は、訓練者ｔｒの頭部における任意の位置からの、第１の光に応じた第２の光を受光してよい。脳計測装置４５は、第２の光の光量に基づいて、訓練者ｔｒの脳における血流に関する脳血流情報を計測してよい。脳計測装置４５は、計測された脳血流情報を脳分析装置４０へ伝達してよい。
In addition, the
これにより、運動訓練システム１００は、例えば近赤外分光法を用いて計測された酸素化ヘモグロビン（ｏｘｙＨｂ）で示された脳血流情報を取得できる。
Accordingly, the
脳計測装置４５は、単純反復動作期間に含まれ、スライダ２０の移動周期及びスライダ２０の１回の移動周期における移動距離が一定となる期間Ｐ１（第３の期間の一例）において、第１の光を送光し、第２の光を受光してよい。脳計測装置４５は、非単純反復動作期間における期間Ｐ１において、第１の光を送光し、第２の光を受光してよい。
The
これにより、脳計測装置４５は、例えば、動作制御装置１０により制御される運動訓練と同期して動作することで、スライダ２０の周期的な移動と非周期的な移動との差が最もよく表れている期間Ｐ１における脳機能情報を計測できる。脳分析装置４０は、この脳機能情報を取得して分類することで、分類精度を向上できる。
Thereby, for example, the
脳計測装置４５は、訓練者ｔｒの頭部における１次体性感覚野及び高次運動野の位置に第１の光を送光してよい。脳計測装置４５は、訓練者５４の頭部における１次体性感覚野及び高次運動野の位置から、第１の光に応じた第２の光を受光してよい。
The
これにより、例えば、脳計測装置４５が運動に関連性の高い測定点を選択して脳機能情報を計測することで、運動訓練に対応して脳機能情報が変化することが期待できる。
Thereby, for example, when the
運動訓練システム１００は、動作制御装置１０によるスライダ２０への移動の指示に関する情報を表示する表示装置３０、を更に備えてよい。
The
これにより、運動訓練システム１００は、訓練者ｔｒがスライダ２０の動きを予測でき、安全性を向上できる。具体的には、訓練者ｔｒは、表示装置３０に表示された情報を確認することで、周期的又は非周期的に変化するスライダ２０の位置指令やトルク指令値などを確認できる。また、表示装置３０がバランスの表示機能等を表示すると、訓練者ｔｒは、ゲーム感覚で運動訓練でき、楽しみながらリハビリができる。また、スライダ２０への移動の指示に関する情報は、表示装置３０以外の提示装置（例えばスピーカや振動）によって訓練者ｔｒに知らされてもよい。
Accordingly, the
本開示は、訓練者の体のいずれかの部位を様々に動かすことで脳に対して異なる刺激を与え、運動能力の向上を期待できる運動訓練システム、制御方法、及びプログラム等に有用である。 INDUSTRIAL APPLICABILITY The present disclosure is useful for an exercise training system, a control method, a program, and the like that can give different stimuli to the brain by variously moving any part of a trainee's body and expect to improve exercise ability.
１００ 運動訓練システム
５ 運動訓練装置
１０ 動作制御装置
１１，１１ａ，１１ｂ 外乱オブザーバ
１２，１２ａ，１２ｂ ＰＩＤ制御部
１３ バイラテラル制御部
１４ ハプティクス制御部
１５，１５ａ，１５ｃ，１５ｃ，１５ｄ サーボアンプ
２０，２０ａ，２０ｂ，２０ｃ，２０ｄ スライダ
２２，２２ａ，２２ｂ，２２ｃ，２２ｄ モータ
２４，２４ａ，２４ｂ ボールねじ
２５ 動作制御生成装置
２６ ガイド部材
２７，２７ａ，２７ｂ スライダ機構
２８，２８ａ，２８ｂ スライダ機構
３０ 表示装置
４０ 脳分析装置
４５ 脳計測装置
４６ 装着部
４７ 処理部
５０，５０ａ，５０ｂ 加速度センサ
ｐｒ１ 送光プローブ
ｐｒ２ 受光プローブ
Claims (14)
前記訓練者の人体の一部が載置されるスライダの移動を制御する制御装置と、
前記スライダを用いた前記訓練者の訓練期間における前記訓練者の脳機能に関する脳機能情報を取得し、前記脳機能情報を分析する分析装置と、
を備え、
前記制御装置は、
前記スライダに対して、前記訓練期間における第１の期間に、周期的な移動を行うよう指示し、前記訓練期間における第２の期間に、前記周期的な移動とは異なる非周期的な移動を行うよう指示し、
前記分析装置は、前記脳機能情報を、前記第１の期間における前記訓練者の脳機能に関する第１の脳機能情報、又は、前記第２の期間における前記訓練者の脳機能に関する第２の脳機能情報、に分類する、
運動訓練システム。 An exercise training system for supporting and analyzing exercise for a trainee,
A control device for controlling the movement of a slider on which a part of the trainee's human body is placed;
An analyzer that acquires brain function information related to brain function of the trainee during the training period of the trainee using the slider, and analyzes the brain function information,
With
The control device includes:
Instruct the slider to perform a periodic movement during a first period of the training period, and perform an aperiodic movement different from the periodic movement during a second period of the training period. Tell them to do it,
The analysis device may be configured to convert the brain function information into first brain function information relating to the brain function of the trainee during the first period, or a second brain relating to the brain function of the trainee during the second period. Function information,
Exercise training system.
前記周期的な移動は、前記所定方向に沿った周期的な反復移動であり、
前記非周期的な移動は、前記所定方向に沿った非周期的な反復移動である、
請求項１に記載の運動訓練システム。 The slider is repeatedly movable along a predetermined direction,
The periodic movement is a periodic repetitive movement along the predetermined direction,
The aperiodic movement is an aperiodic repetitive movement along the predetermined direction,
The exercise training system according to claim 1.
前記非周期的な移動において、前記スライダの移動周期及び前記スライダの１回の移動周期における移動距離のうち少なくとも一方が変化する、
請求項２に記載の運動訓練システム。 In the periodic movement, a moving distance of the slider in a moving cycle and a moving distance in one moving cycle of the slider are invariable;
In the aperiodic movement, at least one of a movement period of the slider and a movement distance in one movement period of the slider changes.
The exercise training system according to claim 2.
前記訓練者の第１の足が載置される第１のスライダと、
前記訓練者の第２の足が載置される第２のスライダと、を含む、
請求項２または３に記載の運動訓練システム。 The slider is
A first slider on which a first foot of the trainee is mounted;
A second slider on which a second foot of the trainee is mounted;
The exercise training system according to claim 2 or 3.
前記第１のスライダにかかる第１の負荷値と、前記第２のスライダにかかる第２の負荷値と、を取得し、
前記第１の負荷値と前記第２の負荷値とを基に、前記第１の負荷値と前記第２の負荷値との差分が小さくなるように、前記第１のスライダに駆動力を供給する第１のモータへのトルク指令値を決定し、前記第２のスライダに駆動力を供給する第２のモータへのトルク指令値を決定する、
請求項４に記載の運動訓練システム。 The control device includes:
Acquiring a first load value applied to the first slider and a second load value applied to the second slider;
A driving force is supplied to the first slider based on the first load value and the second load value such that a difference between the first load value and the second load value is reduced. Determining a torque command value to the first motor, and determining a torque command value to the second motor that supplies a driving force to the second slider.
The exercise training system according to claim 4.
前記制御装置は、
前記加速度センサにより検出された加速度を取得し、
前記加速度に基づいて、前記スライダに駆動力を供給するモータへのトルク指令値を決定する、
請求項１〜５のいずれか１項に記載の運動訓練システム。 An acceleration sensor for detecting acceleration,
The control device includes:
Obtain the acceleration detected by the acceleration sensor,
Based on the acceleration, determine a torque command value to a motor that supplies a driving force to the slider,
The exercise training system according to any one of claims 1 to 5.
前記脳機能情報における複数の特徴量を抽出し、
前記複数の特徴量に基づいて、前記脳機能情報のスコアを算出し、
前記スコアに基づいて、前記脳機能情報を分類する、
請求項１〜６のいずれか１項の運動訓練システム。 The analyzer comprises:
Extracting a plurality of feature amounts in the brain function information,
Calculating a score of the brain function information based on the plurality of feature amounts;
Classifying the brain function information based on the score;
The exercise training system according to any one of claims 1 to 6.
前記脳機能情報を分類するための分類モデルを、前記複数の特徴量を用いて機械学習させ、
前記スコアに基づいて、機械学習された前記分類モデルに従って前記複数の脳機能情報を分類する、
請求項７の運動訓練システム。 The analyzer comprises:
Classification model for classifying the brain function information, machine learning using the plurality of feature amounts,
Based on the score, classify the plurality of brain function information according to the classification model machine-learned,
The exercise training system according to claim 7.
前記計測装置は、
前記訓練者の頭部における任意の位置に第１の光を送光し、
前記訓練者の頭部における任意の位置からの、前記第１の光に応じた第２の光を受光し、
前記第２の光の光量に基づいて、前記訓練者の脳における血流に関する脳血流情報を計測し、
計測された前記脳血流情報を前記分析装置へ伝達する、
請求項１〜８のいずれか１項に記載の運動訓練システム。 A measurement device for measuring the brain function information,
The measuring device,
Transmitting the first light to an arbitrary position on the trainee's head,
Receiving a second light corresponding to the first light from an arbitrary position on the trainee's head,
Based on the light amount of the second light, cerebral blood flow information about blood flow in the brain of the trainee is measured,
Transmitting the measured cerebral blood flow information to the analyzer,
The exercise training system according to any one of claims 1 to 8.
前記第１の期間に含まれ、前記スライダの移動周期及び前記スライダの１回の移動周期における移動距離が一定となる第３の期間において、前記第１の光を送光し、前記第２の光を受光し、
前記第２の期間における前記第３の期間において、第１の光を送光し、前記第２の光を受光する、
請求項９に記載の運動訓練システム。 The measuring device,
The first light is transmitted in a third period included in the first period and in which the moving period of the slider and the moving distance in one moving period of the slider are constant; Receiving light,
Transmitting the first light and receiving the second light in the third period of the second period;
The exercise training system according to claim 9.
前記訓練者の頭部における１次体性感覚野及び高次運動野の位置に前記第１の光を送光し、
前記訓練者の頭部における１次体性感覚野及び高次運動野の位置から、前記第１の光に応じた前記第２の光を受光する、
請求項９または１０に記載の運動訓練システム。 The measuring device,
Transmitting the first light to a position of a primary somatosensory area and a higher motor area in the trainee's head,
Receiving the second light according to the first light from a position of a primary somatosensory area and a higher motor area in the trainee's head,
The exercise training system according to claim 9 or 10.
請求項１〜１１のいずれか１項に記載の運動訓練システム。 A display device that displays information related to an instruction to move to the slider by the control device,
The exercise training system according to any one of claims 1 to 11.
前記訓練者の人体の一部が載置されるスライダの移動を制御するステップと、
前記スライダを用いた前記訓練者の訓練期間における前記訓練者の脳機能に関する脳機能情報を取得し、前記脳機能情報を分析するステップと、
を有し、
前記スライダの移動を制御するステップは、
前記スライダに対して、前記訓練期間における第１の期間に、周期的な移動を行うよう指示し、前記訓練期間における第２の期間に、前記周期的な移動とは異なる非周期的な移動を行うよう指示するステップを含み、
前記脳機能情報を分析するステップは、前記脳機能情報を、前記第１の期間における前記訓練者の脳機能に関する第１の脳機能情報、又は、前記第２の期間における前記訓練者の脳機能に関する第２の脳機能情報、に分類するステップを含む、
制御方法。 A control method of an exercise training system that performs exercise support and analysis for a trainee,
Controlling movement of a slider on which a part of the human body of the trainee is mounted;
Acquiring brain function information on brain function of the trainee during the training period of the trainee using the slider, and analyzing the brain function information;
Has,
The step of controlling the movement of the slider includes:
Instruct the slider to perform periodic movement during a first period of the training period, and perform a non-periodic movement different from the periodic movement during a second period of the training period. Instructing the user to do so,
The step of analyzing the brain function information comprises: converting the brain function information into first brain function information on the brain function of the trainee during the first period, or brain function of the trainee during the second period. Classifying into second brain function information related to
Control method.
前記制御方法は、
前記訓練者の人体の一部が載置されるスライダの移動を制御するステップと、
前記スライダを用いた前記訓練者の訓練期間における前記訓練者の脳機能に関する脳機能情報を取得し、前記脳機能情報を分析するステップと、
を有し、
前記スライダの移動を制御するステップは、
前記スライダに対して、前記訓練期間における第１の期間に、周期的な移動を行うよう指示し、前記訓練期間における第２の期間に、前記周期的な移動とは異なる非周期的な移動を行うよう指示するステップを含み、
前記脳機能情報を分析するステップは、前記脳機能情報を、前記第１の期間における前記訓練者の脳機能に関する第１の脳機能情報、又は、前記第２の期間における前記訓練者の脳機能に関する第２の脳機能情報、に分類するステップを含む、
プログラム。 A program for causing a computer to execute a control method of an exercise training system that performs exercise support and analysis for a trainee,
The control method includes:
Controlling movement of a slider on which a part of the human body of the trainee is mounted;
Acquiring brain function information on brain function of the trainee during the training period of the trainee using the slider, and analyzing the brain function information;
Has,
The step of controlling the movement of the slider includes:
Instruct the slider to perform periodic movement during a first period of the training period, and perform a non-periodic movement different from the periodic movement during a second period of the training period. Instructing the user to do so,
The step of analyzing the brain function information comprises: converting the brain function information into first brain function information on the brain function of the trainee during the first period, or brain function of the trainee during the second period. Classifying into second brain function information related to
program.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018133483A JP7072853B2 (en) | 2018-07-13 | 2018-07-13 | Exercise training systems, control methods, and programs |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018133483A JP7072853B2 (en) | 2018-07-13 | 2018-07-13 | Exercise training systems, control methods, and programs |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2020010765A true JP2020010765A (en) | 2020-01-23 |
| JP7072853B2 JP7072853B2 (en) | 2022-05-23 |
Family
ID=69168834
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018133483A Active JP7072853B2 (en) | 2018-07-13 | 2018-07-13 | Exercise training systems, control methods, and programs |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7072853B2 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023135632A1 (en) * | 2022-01-11 | 2023-07-20 | 日本電気株式会社 | Stress estimation device, stress estimation method, and storage medium |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008510560A (en) * | 2004-08-25 | 2008-04-10 | モトリカ リミテッド | Exercise training by brain plasticity |
| JP2016013182A (en) * | 2014-06-30 | 2016-01-28 | パナソニック株式会社 | Rehabilitation system and control method of rehabilitation system |
| WO2017213202A1 (en) * | 2016-06-08 | 2017-12-14 | 株式会社国際電気通信基礎技術研究所 | Motion teaching system and motion teaching method |
| JP2018102842A (en) * | 2016-12-28 | 2018-07-05 | 学校法人 中村産業学園 | Walking training device, walking training evaluation method and program |
-
2018
- 2018-07-13 JP JP2018133483A patent/JP7072853B2/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008510560A (en) * | 2004-08-25 | 2008-04-10 | モトリカ リミテッド | Exercise training by brain plasticity |
| JP2016013182A (en) * | 2014-06-30 | 2016-01-28 | パナソニック株式会社 | Rehabilitation system and control method of rehabilitation system |
| WO2017213202A1 (en) * | 2016-06-08 | 2017-12-14 | 株式会社国際電気通信基礎技術研究所 | Motion teaching system and motion teaching method |
| JP2018102842A (en) * | 2016-12-28 | 2018-07-05 | 学校法人 中村産業学園 | Walking training device, walking training evaluation method and program |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023135632A1 (en) * | 2022-01-11 | 2023-07-20 | 日本電気株式会社 | Stress estimation device, stress estimation method, and storage medium |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7072853B2 (en) | 2022-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11521107B2 (en) | Learning system, rehabilitation support system, method, program, and trained model | |
| US6411841B2 (en) | Human-related measuring assessment | |
| EP3337401B1 (en) | Method and system for adjusting audio signals based on motion deviation | |
| Grewal et al. | Balance rehabilitation: promoting the role of virtual reality in patients with diabetic peripheral neuropathy | |
| EP2089121B1 (en) | Apparatus for motor training and exercise of the human body | |
| US20160158603A1 (en) | Assembly for applying a force | |
| KR20180114692A (en) | Brain training simulation system based on behavior modeling | |
| JP2006102156A (en) | Walking assisting system | |
| KR101008541B1 (en) | A intensifying power enhancement device providing auditory and visual stimulus | |
| Zana et al. | Introduction of a complex reaction time tester instrument | |
| Murray et al. | A pilot study using entropy as a noninvasive assessment of running | |
| JP4686761B2 (en) | Muscle output and motion following evaluation training system | |
| Li et al. | Development of engagement evaluation method and learning mechanism in an engagement enhancing rehabilitation system | |
| US20070118044A1 (en) | Method and device for identifying; measuring and analyzing abnormal neurological responses | |
| JP7072853B2 (en) | Exercise training systems, control methods, and programs | |
| KR102282101B1 (en) | Method and system for determining state of object using functional near-infrared spectroscopy | |
| KR20140046249A (en) | Muscle evaluation method by controlling external devices | |
| CN209203256U (en) | View-based access control model-EMG biofeedback muscle damage rehabilitation training system | |
| JP6008099B2 (en) | Brain activity state analysis device, brain activity state analysis method, and brain activity state analysis program | |
| Alcaraz et al. | Machine learning as digital therapy assessment for mobile gait rehabilitation | |
| KR20200071236A (en) | Timing feedback system based on multi-sensor with adjusting intensity of exercise | |
| Wang et al. | Evaluation of effects of balance training from using wobble board-based exergaming system by MSE and MMSE techniques | |
| Kito et al. | Dominance of gait cycle duration in casual walking | |
| JP4767405B2 (en) | Health condition judging method and health condition judging device | |
| Fallahtafti et al. | Effect of motor-assisted elliptical training speed and body weight support on center of pressure movement variability |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20180810 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210422 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220118 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220318 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220412 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220428 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7072853 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |