JP7293915B2 - 学習装置、歩行訓練装置、システム、方法、プログラム、及び学習済みモデル - Google Patents

Description

本発明は、学習装置、歩行訓練装置、方法、システム、プログラム、及び学習済みモデルに関する。

転倒に対する回避行動を行うために、対象者に運動状態を検出するための多関節構造体を装着して、転倒開始を検出する技術が知られている。（例えば、特許文献１参照）。

特開２０１０－２２４３９号公報

患者（以下、訓練者）がリハビリテーションを行う場合に、訓練者の回復度を示す指標にＦＩＭ（Functional Independence Measure：機能的自立度評価表）がある。例えば、脚に麻痺を煩う患者の歩行訓練について、回復度を示す指標として平地歩行ＦＩＭが用いられる。ＦＩＭは介助量に応じて１～７の７段階の値で示される。さらに、平地歩行ＦＩＭは、訓練者の歩行能力、つまり動作能力を示す。

平地歩行ＦＩＭ（以下、単に歩行ＦＩＭと称する）は、例えば、訓練者が平地を５０ｍ（なお、歩行距離は１５ｍ等の場合もある）歩行したときの介助量に応じて評価される。つまり、平地にて訓練者が５０ｍ歩行したときの介助量を評価することで、歩行ＦＩＭの測定が行われる。

一方、歩行訓練装置における歩行訓練は、種々のアクチュエータを用いて、訓練者の歩行動作を補助している。歩行訓練装置は、例えば、訓練者の患脚を引っ張る引張力を与えるモータや、膝関節の伸展運動及び屈曲運動を補助するための駆動力を与えるためのモータがある。このようなアクチュエータが与えるアシスト力が大きくなるほど、歩行訓練の難易度が下がり、小さくなるほど難易度が上がる。例えば、歩行能力の低い訓練者は、高いアシスト力が必要となる。一方、歩行能力の高い訓練者が高いアシスト力で訓練を行った場合、難易度が低すぎるため、有効な訓練とはならない。

よって、理学療法士等の訓練スタッフは、訓練者に応じて最適な難易度で訓練が行われるよう、アクチュエータの出力を設定する必要がある。つまり、訓練者毎に麻痺度合いや回復度合いが異なるため、訓練スタッフは、訓練者に応じて適切な設定を行う必要がある。さらに、訓練を継続して行うにつれて、訓練者が徐々に回復していくことが想定される。よって、同じ訓練者であっても、回復度合いに応じて、適切な設定が変化していく。しかしながら、訓練スタッフが、有効な設定を行うことがで

本発明は、このような問題を解決するためになされたものであり、適切な設定パラメータで歩行訓練を行うための学習装置、歩行訓練装置、方法、システム、プログラム、及び学習済みモデルを提供するものである。

本実施の形態における学習装置は、訓練者の歩行動作を補助するアクチュエータと、設定パラメータに応じて前記アクチュエータを制御する制御部と、を備えた歩行訓練装置からのリハビリデータを取得するデータ取得部と、前記訓練者の回復度を示す指標と、前記設定パラメータとを含むリハビリデータを学習用データとして生成するデータ生成部と、前記学習用データを用いて機械学習を行うことで、前記指標を入力として、前記設定パラメータの推奨値を出力する学習モデルを生成する学習部と、を備えたものである。

上記の学習装置において、前記学習部が、訓練スタッフが実際に設定した前記設定パラメータの実設定値を教師データとして教師有り学習を行うようにしてもよい。

上記の学習装置において、前記訓練者の回復度を示す指標が、前記訓練者の平地歩行ＦＩＭの実測値又は推定値であるようにしてもよい。

上記の学習装置において、前記歩行訓練装置には、前記アクチュエータによって補助された前記訓練者の歩行動作に関するデータを検出するセンサが設けられており、前記センサの検出結果に応じて、前記推定値が推定されており、前記学習モデルが前記前記平地歩行ＦＩＭの推定値を入力データとして、前記設定パラメータの推奨値を出力するようにしてもよい。

上記の学習装置において、前記歩行訓練装置には、前記アクチュエータによって補助された前記訓練者の歩行動作に関するデータを検出するセンサが設けられており、前記センサは、前記訓練者の歩行動作における複数の動作量を検出するために設けられ、前記歩行訓練装置は、前記動作量の少なくとも一つが、予め定められた異常歩行基準のいずれかに合致した場合に前記歩行動作が異常歩行であると評価し、前記リハビリデータが、前記異常歩行であるか否かの評価結果を示す検出データを含んでいるようにしてもよい。

上記の学習装置において、前記リハビリデータには、前記訓練者に関する訓練者データが含まれており、前記訓練者データに応じて、前記訓練者がグループに分類されており、前記学習部が、前記グループ毎に学習モデルを生成するようにしてもよい。

本実施の形態にかかる学習方法は、歩行訓練を行う訓練者の動作を補助するアクチュエータと、設定パラメータに応じて前記アクチュエータを制御する制御部と、を備えた歩行訓練装置からのリハビリデータを取得するステップと、前記訓練者の回復度を示す指標と、前記歩行訓練装置の設定に関する設定パラメータとを含むリハビリデータを学習用データとして生成するステップと、前記学習用データを用いて機械学習を行うことで、前記指標を入力として、前記設定パラメータを出力する学習モデルを生成するステップと、を備えたものである。

本実施の形態にかかるプログラムは、コンピュータに対して、上記の学習方法を実行させるためのものである。

本実施の形態にかかる学習済みモデルは、歩行訓練装置で取得した評価用リハビリデータに基づいて、前記歩行訓練装置における設定パラメータの推奨値を出力するように、コンピュータを機能させるための学習済みモデルであって、前記学習済みモデルが、上記のいずれかに記載された学習装置で生成された学習モデルである。

本実施の形態にかかる歩行訓練装置は、訓練者の歩行動作を補助するアクチュエータと、設定パラメータに応じて前記アクチュエータを制御する制御部と、前記訓練者の回復度を示す指標を入力データとして、前記設定パラメータの推奨値を出力する学習済みモデルと、を備えたものである。

上記の歩行訓練装置において、前記訓練者の回復度を示す指標が、前記訓練者の平地歩行ＦＩＭの実測値又は推定値であるようにしてもよい。

上記の歩行訓練装置において、前記アクチュエータによって補助された前記訓練者の歩行動作に関するデータを検出するセンサと、前記センサの検出結果に応じて、前記訓練者の平地歩行ＦＩＭを推定する歩行ＦＩＭ用学習済みモデルと、を備え、前記学習済みモデルが前記前記平地歩行ＦＩＭの推定値を入力データとして、前記設定パラメータの推奨値を出力するようにしてもよい。

上記の歩行訓練装置において、前記指標に基づいて、前記訓練者の回復度が目標回復度よりも遅いか否かを判定し、前記訓練者の回復度が目標回復度よりも遅い場合に、前記設定パラメータの推奨値を出力するようにしてもよい。

上記の歩行訓練装置において、前記訓練者の歩行動作における複数の動作量を検出するためにセンサが設けられており、前記歩行訓練装置は、前記動作量の少なくとも一つが、予め定められた異常歩行基準のいずれかに合致した場合に前記歩行動作が異常歩行であると評価し、前記学習済みモデルは、前記異常歩行であるか否かの評価結果を示す検出データを入力データして、前記設定パラメータの推奨値を出力するようにしてもよい。

上記の歩行訓練装置において、前記訓練者に関する訓練者データに応じて、前記訓練者がグループに分類されており、前記グループ毎に異なる前記学習済みモデルが設定されているようにしてもよい。

本実施の形態にかかる処理方法は、上記の学習済みモデルにアクセス可能な処理装置における処理方法であって、評価用リハビリデータに基づいて、前記設定パラメータの推奨値を出力するものである。

本実施の形態にかかるシステムは、リハビリ支援装置と、１つ以上の前記リハビリ支援装置からのリハビリデータを取得可能なサーバ装置と、を備えたリハビリ支援システムであって、前記リハビリ支援装置は、訓練者のリハビリ動作を補助するアクチュエータと、設定パラメータに応じて前記アクチュエータを制御する制御部と、を備え、前記リハビリ支援システムは、前記訓練者の回復度を示す指標を入力として、前記設定パラメータの推奨値を出力する学習済みモデルを備えている。

本開示により、適切な設定パラメータで歩行訓練を行うための学習装置、歩行訓練装置、方法、システム、プログラム、及び学習済みモデルを提供するものである。

本実施形態にかかる歩行訓練装置の概略斜視図である。 歩行補助装置の概略斜視図である。 歩行訓練装置のシステム構成を示す図である。 サーバの構成を示すブロック図である。 制御部における処理を説明するためのフローチャートである。 学習用データセットを説明する表である。 学習モデルを説明するための図である。 パラメータの設定画面の一例を示す図である。 パラメータの設定画面の一例を示す図である。 実施の形態２における学習用データセットを説明する表である。 第２の学習モデルを説明するための図である。 実施の形態３における処理を示すフローチャートである。 回復度を示す指標の統計値を示すグラフである。 実施の形態４における処理を示すフローチャートである。 第１の異常歩行基準を説明する図である。 第２の異常歩行基準を説明する図である。 第３の異常歩行基準を説明する図である。 第４の異常歩行基準を説明する図である。 第５の異常歩行基準を説明する図である。 第６の異常歩行基準を説明する図である。 第７の異常歩行基準を説明する図である。 歩行訓練装置の処理動作を示すフロー図である。 異常歩行の判定結果を示す表である。 設定パラメータの変化を示す表である。 ＲＮＮを用いた学習モデルを説明するための図である。

以下、発明の実施の形態を通じて本発明を説明するが、特許請求の範囲に係る発明を以下の実施形態に限定するものではない。また、実施形態で説明する構成の全てが課題を解決するための手段として必須であるとは限らない。

実施の形態１．
以下、図面を参照して実施形態１について説明する。
（システム構成）
図１は、実施形態１にかかるリハビリ支援システムの一構成例を示す全体概念図である。本実施形態にかかるリハビリ支援システム（リハビリシステム）は、主に、歩行訓練装置１００と、外部通信装置３００と、サーバ（サーバ装置）５００によって構成される。

歩行訓練装置１００は、訓練者（ユーザ）９００のリハビリ（リハビリテーション）を支援するリハビリ支援装置の一具体例である。歩行訓練装置１００は、一方の脚に麻痺を患う片麻痺患者である訓練者９００が、訓練スタッフ９０１の指導に従って歩行訓練を行うための装置である。ここで、訓練スタッフ９０１は、療法士（理学療法士）又は医師とすることができ、訓練者の訓練を指導又は介助などにより補助することから、訓練指導者、訓練介助者、訓練補助者などと称することもできる。

歩行訓練装置１００は、主に、全体の骨格を成すフレーム１３０に取り付けられた制御盤１３３と、訓練者９００が歩行するトレッドミル１３１と、訓練者９００の麻痺側の脚部である患脚に装着する歩行補助装置１２０と、を備える。

フレーム１３０は、床面に設置されるトレッドミル１３１上に立設されている。トレッドミル１３１は、不図示のモータによりリング状のベルト１３２を回転させる。トレッドミル１３１は、訓練者９００の歩行を促す装置であり、歩行訓練を行う訓練者９００は、ベルト１３２に乗り、ベルト１３２の移動に合わせて歩行動作を試みる。なお、訓練スタッフ９０１は、例えば図１に示すように訓練者９００の背後のベルト１３２上に立って一緒に歩行動作を行うこともできるが、通常、ベルト１３２を跨いだ状態で立つなど、訓練者９００の介助を行い易い状態に居ることが好ましい。

フレーム１３０は、モータやセンサの制御を行う全体制御部２１０を収容する制御盤１３３や、訓練の進捗状況等を訓練者９００へ提示する。例えば液晶パネルである訓練用モニタ１３８などを支持している。また、フレーム１３０は、訓練者９００の頭上部前方付近で前側引張部１３５を、頭上部付近でハーネス引張部１１２を、頭上部後方付近で後側引張部１３７を、それぞれ支持している。また、フレーム１３０は、訓練者９００が掴むための手摺り１３０ａを含む。

手摺り１３０ａは、訓練者９００の左右両側に配置されている。それぞれの手摺り１３０ａは、訓練者９００の歩行方向と平行な方向に配置されている。手摺り１３０ａは、上下位置、及び左右位置が調整可能となっている。つまり、手摺り１３０ａは、その高さ及び幅を変更する機構を含むことができる。さらに、手摺り１３０ａは、例えば歩行方向の前方側と後方側とで高さを異ならせるように調整することで、その傾斜角度を変更できるように構成することもできる。例えば、手摺り１３０ａは、歩行方向に沿って徐々に高くなるような傾斜角度を付すことができる。

また、手摺り１３０ａには、訓練者９００から受ける荷重を検出する手摺りセンサ２１８が設けられている。例えば、手摺りセンサ２１８は、電極がマトリックス状に配置された抵抗変化検出型の荷重検出シートとすることができる。また、手摺りセンサ２１８は、３軸の加速度センサ（ｘ，ｙ，ｚ）と３軸のジャイロセンサ（ｒｏｌｌ，ｐｉｔｃｈ，ｙａｗ）とを複合させた６軸センサとすることもできる。但し、手摺りセンサ２１８の種類や設置位置は問わない。

カメラ１４０は、訓練者９００の全身を観察するための撮像部としての機能を担う。カメラ１４０は、訓練用モニタ１３８の近傍に、訓練者と相対するように設置されている。カメラ１４０は、訓練中の訓練者９００の静止画や動画を撮影する。カメラ１４０は、訓練者９００の全身を捉えられる程度の画角となるような、レンズと撮像素子のセットを含む。撮像素子は、例えばＣＭＯＳ（Complementary Metal-Oxide-Semiconductor）イメージセンサであり、結像面に結像した光学像を画像信号に変換する。

前側引張部１３５と後側引張部１３７の連携した動作により、歩行補助装置１２０の荷重が患脚の負担とならないように当該荷重を相殺し、更には、設定の程度に応じて患脚の振出し動作をアシストする。

前側ワイヤ１３４は、一端が前側引張部１３５の巻取機構に連結されており、他端が歩行補助装置１２０に連結されている。前側引張部１３５の巻取機構は、不図示のモータをオン／オフさせることにより、患脚の動きに応じて前側ワイヤ１３４を巻き取ったり繰り出したりする。同様に、後側ワイヤ１３６は、一端が後側引張部１３７の巻取機構に連結されており、他端が歩行補助装置１２０に連結されている。後側引張部１３７の巻取機構は、不図示のモータをオン／オフさせることにより、患脚の動きに応じて後側ワイヤ１３６を巻き取ったり繰り出したりする。このような前側引張部１３５と後側引張部１３７の連携した動作により、歩行補助装置１２０の荷重が患脚の負担とならないように当該荷重を相殺し、更には、設定の程度に応じて患脚の振出し動作をアシストする。

例えば、訓練スタッフ９０１は、オペレータとして、重度の麻痺を抱える訓練者に対しては、アシストするレベルを大きく設定する。アシストするレベルが大きく設定されると、前側引張部１３５は、患脚の振出しタイミングに合わせて、比較的大きな力で前側ワイヤ１３４を巻き取る。訓練が進み、アシストが必要でなくなったら、訓練スタッフ９０１は、アシストするレベルを最小に設定する。アシストするレベルが最小に設定されると、前側引張部１３５は、患脚の振出しタイミングに合わせて、歩行補助装置１２０の自重をキャンセルするだけの力で前側ワイヤ１３４を巻き取る。

歩行訓練装置１００は、装具１１０、ハーネスワイヤ１１１、及びハーネス引張部１１２を主な構成要素とする、安全装置としての転倒防止ハーネス装置を備える。装具１１０は、訓練者９００の腹部に巻き付けられるベルトであり、例えば面ファスナによって腰部に固定される。装具１１０は、吊具であるハーネスワイヤ１１１の一端を連結する連結フック１１０ａを備え、ハンガーベルトと称することもできる。訓練者９００は、連結フック１１０ａが後背部に位置するように、装具１１０を装着する。

ハーネスワイヤ１１１は、一端が装具１１０の連結フック１１０ａに連結されており、他端がハーネス引張部１１２の巻取機構に連結されている。ハーネス引張部１１２の巻取機構は、不図示のモータをオン／オフさせることにより、ハーネスワイヤ１１１を巻き取ったり繰り出したりする。このような構成により、転倒防止ハーネス装置は、訓練者９００が転倒しそうになった場合に、その動きを検知した全体制御部２１０の指示に従ってハーネスワイヤ１１１を巻き取り、装具１１０により訓練者９００の上体を支えて、訓練者９００の転倒を防ぐ。

装具１１０は、訓練者９００の姿勢を検出するための姿勢センサ２１７を備える。姿勢センサ２１７は、例えばジャイロセンサと加速度センサを組み合わせたものであり、装具１１０が装着された腹部の重力方向に対する傾斜角を出力する。

管理用モニタ１３９は、フレーム１３０に取り付けられており、主に訓練スタッフ９０１が監視及び操作するための表示入力装置である。管理用モニタ１３９は、例えば液晶パネルであり、その表面にはタッチパネルが設けられている。管理用モニタ１３９は、訓練設定に関する各種メニュー項目や、訓練時における各種パラメータ値、訓練結果などを表示する。また、管理用モニタ１３９の近傍には、非常停止ボタン２３２が設けられている。訓練スタッフ９０１が非常停止ボタン２３２を押すことで、歩行訓練装置１００が非常停止する。

歩行補助装置１２０は、訓練者９００の患脚に装着され、患脚の膝関節における伸展及び屈曲の負荷を軽減することにより訓練者９００の歩行を補助する。歩行補助装置１２０は、足裏荷重を計測するセンサ等を備え、運脚に関する各種データを全体制御部２１０へ出力する。また、装具１１０は、回転部を有する接続部材（以下、ヒップジョイント）を用いて、歩行補助装置１２０と接続しておくこともできる。歩行補助装置１２０の詳細については後述する。

全体制御部２１０は、訓練設定に関する設定パラメータ、訓練結果として歩行補助装置１２０から出力された運脚に関する各種データなどを含みうるリハビリデータを生成する。このリハビリデータには、訓練スタッフ９０１又はその経験年数や熟練度等を示すデータ、訓練者９００の症状、歩行能力、回復度等を示すデータ、歩行補助装置１２０の外部に設けられたセンサ等から出力された各種データなどを含むことができる。なお、リハビリデータの詳細については後述する。

外部通信装置３００は、リハビリデータを外部に送信する送信手段の一具体例である。外部通信装置３００は、歩行訓練装置１００が出力するリハビリデータを受け取り、一時的に記憶する機能と、記憶しているリハビリデータをサーバ５００へ送信する機能と、を有することができる。

外部通信装置３００は、歩行訓練装置１００の制御盤１３３と例えばＵＳＢ（Universal Serial Bus）ケーブルによって接続される。また、外部通信装置３００は、インターネット又はイントラネット等のネットワーク４００と無線通信機器４１０を介して例えば無線ＬＡＮ（Local Area Network）によって接続されている。なお、歩行訓練装置１００は、外部通信装置３００の代わりに通信装置を備えておくこともできる。

サーバ５００は、リハビリデータを記憶する記憶手段の一具体例である。サーバ５００は、ネットワーク４００に接続されており、外部通信装置３００から受信したリハビリデータを蓄積する機能を有する。サーバ５００の機能については後述する。

本実施形態１においてはリハビリ支援装置の一例として歩行訓練装置１００を説明するが、これに限定されず、訓練者のリハビリ支援を行う任意のリハビリ支援装置であってもよい。例えば、リハビリ支援装置は、肩や腕のリハビリを支援する上肢リハビリ支援装置であってもよい。或いは、リハビリ支援装置は、訓練者のバランス能力のリハビリを支援するリハビリ支援装置であってもよい。

次に、歩行補助装置１２０について、図２を用いて説明する。図２は、歩行補助装置１２０の一構成例を示す概略斜視図である。歩行補助装置１２０は、主に、制御ユニット１２１と、患脚の各部を支える複数のフレームと、足裏に掛かる荷重を検出するための荷重センサ２２２と、を備える。

制御ユニット１２１は、歩行補助装置１２０の制御を行う補助制御部２２０を含み、また、膝関節の伸展運動及び屈曲運動を補助するための駆動力を発生させる不図示のモータを含む。患脚の各部を支えるフレームは、上腿フレーム１２２と、上腿フレーム１２２に回動自在に連結された下腿フレーム１２３と、を含む。また、このフレームは、下腿フレーム１２３に回動自在に連結された足平フレーム１２４と、前側ワイヤ１３４を連結するための前側連結フレーム１２７と、後側ワイヤ１３６を連結するための後側連結フレーム１２８と、を含む。

上腿フレーム１２２と下腿フレーム１２３は、図示するヒンジ軸Ｈ_ａ周りに相対的に回動する。制御ユニット１２１のモータは、補助制御部２２０の指示に従って回転して、上腿フレーム１２２と下腿フレーム１２３がヒンジ軸Ｈ_ａ周りに相対的に開くように加勢したり、閉じるように加勢したりする。制御ユニット１２１に収められた角度センサ２２３は、例えばロータリエンコーダであり、ヒンジ軸Ｈ_ａ周りの上腿フレーム１２２と下腿フレーム１２３の成す角を検出する。下腿フレーム１２３と足平フレーム１２４は、図示するヒンジ軸Ｈ_ｂ周りに相対的に回動する。相対的に回動する角度範囲は、調整機構１２６によって事前に調整される。

前側連結フレーム１２７は、上腿の前側を左右方向に伸延し、両端で上腿フレーム１２２に接続するように設けられている。また、前側連結フレーム１２７には、前側ワイヤ１３４を連結するための連結フック１２７ａが、左右方向の中央付近に設けられている。後側連結フレーム１２８は、下腿の後側を左右方向に伸延し、両端でそれぞれ上下に伸延する下腿フレーム１２３に接続するように設けられている。また、後側連結フレーム１２８には、後側ワイヤ１３６を連結するための連結フック１２８ａが、左右方向の中央付近に設けられている。

上腿フレーム１２２は、上腿ベルト１２９を備える。上腿ベルト１２９は、上腿フレームに一体的に設けられたベルトであり、患脚の上腿部に巻き付けて上腿フレーム１２２を上腿部に固定する。これにより、歩行補助装置１２０の全体が訓練者９００の脚部に対してずれることを防止している。

荷重センサ２２２は、足平フレーム１２４に埋め込まれた荷重センサである。荷重センサ２２２は、訓練者９００の足裏が受ける垂直荷重の大きさと分布を検出し、例えばＣＯＰ（Center Of Pressure：荷重中心）を検出するように構成することもできる。荷重センサ２２２は、例えば、電極がマトリックス状に配置された抵抗変化検出型の荷重検出シートである。

次に、図３を参照しながら、歩行訓練装置１００のシステム構成例について説明する。図３は、歩行訓練装置１００のシステム構成例を示すブロック図である。図３に示すように、歩行訓練装置１００は、全体制御部２１０、トレッドミル駆動部２１１、操作受付部２１２、表示制御部２１３、及び引張駆動部２１４を備えることができる。また、歩行訓練装置１００は、ハーネス駆動部２１５、画像処理部２１６、姿勢センサ２１７、手摺りセンサ２１８、通信接続ＩＦ（インターフェース）２１９、入出力ユニット２３１、及び歩行補助装置１２０を備えることができる。

全体制御部２１０は、例えばＭＰＵ（Micro Processing Unit）であり、システムメモリから読み込んだ制御プログラムを実行することにより、装置全体の制御を実行する。全体制御部２１０は、後述する歩行評価部２１０ａ、訓練判定部２１０ｂ、入出力制御部２１０ｃ、及び通知制御部２１０ｄを有することができる。

トレッドミル駆動部２１１は、ベルト１３２を回転させるモータとその駆動回路を含む。全体制御部２１０は、トレッドミル駆動部２１１へ駆動信号を送ることにより、ベルト１３２の回転制御を実行する。全体制御部２１０は、例えば、訓練スタッフ９０１によって設定された歩行速度に応じて、ベルト１３２の回転速度を調整する。

操作受付部２１２は、訓練スタッフ９０１からの入力操作を受け付けて、操作信号を全体制御部２１０へ送信する。訓練スタッフ９０１は、操作受付部２１２を構成する、装置に設けられた操作ボタンや管理用モニタ１３９に重畳されたタッチパネル、付属するリモコン等を操作する。この操作により、電源のオン／オフやトレーニングの開始の指示を与えることや、設定に関する数値の入力やメニュー項目の選択を行うことができる。なお、操作受付部２１２は、訓練者９００からの入力操作を受け付けることもできる。

表示制御部２１３は、全体制御部２１０からの表示信号を受け取って表示画像を生成し、訓練用モニタ１３８又は管理用モニタ１３９に表示する。表示制御部２１３は、表示信号に従って、トレーニングの進捗を示す画像や、カメラ１４０で撮影したリアルタイム映像を生成する。

引張駆動部２１４は、前側引張部１３５を構成する、前側ワイヤ１３４を引張するためのモータとその駆動回路と、後側引張部１３７を構成する、後側ワイヤ１３６を引張するためのモータとその駆動回路と、を含む。全体制御部２１０は、引張駆動部２１４へ駆動信号を送ることにより、前側ワイヤ１３４の巻き取りと後側ワイヤ１３６の巻き取りをそれぞれ制御する。また、巻き取り動作に限らず、モータの駆動トルクを制御することにより、各ワイヤの引張力を制御する。全体制御部２１０は、例えば、荷重センサ２２２の検出結果から患脚が立脚状態から遊脚状態に切り替わるタイミングを同定し、そのタイミングに同期して各ワイヤの引張力を増減させることにより、患脚の振出し動作をアシストする。

ハーネス駆動部２１５は、ハーネス引張部１１２を構成する、ハーネスワイヤ１１１を引張するためのモータとその駆動回路を含む。全体制御部２１０は、ハーネス駆動部２１５へ駆動信号を送ることにより、ハーネスワイヤ１１１の巻き取りと、ハーネスワイヤ１１１の引張力を制御する。全体制御部２１０は、例えば、訓練者９００の転倒を予測した場合に、ハーネスワイヤ１１１を一定量巻き取って、訓練者の転倒を防止する。

画像処理部２１６は、カメラ１４０に接続されており、カメラ１４０から画像信号を受け取ることができる。画像処理部２１６は、全体制御部２１０からの指示に従って、カメラ１４０から画像信号を受け取り、受け取った画像信号を画像処理して画像データを生成する。また、画像処理部２１６は、全体制御部２１０からの指示に従って、カメラ１４０から受け取った画像信号に画像処理を施して、特定の画像解析を実行することもできる。例えば、画像処理部２１６は、トレッドミル１３１に接する患脚の足の位置（立脚位置）を、画像解析により検出する。具体的には、例えば、足平フレーム１２４の先端近傍の画像領域を抽出し、当該先端部と重なるベルト１３２上に描かれた識別マーカを解析することにより、立脚位置を演算する。

姿勢センサ２１７は、上述の通り訓練者９００の腹部の重力方向に対する傾斜角を検出して、検出信号を全体制御部２１０へ送信する。全体制御部２１０は、姿勢センサ２１７からの検出信号を用いて、訓練者９００の姿勢、具体的には体幹の傾斜角を演算する。なお、全体制御部２１０と姿勢センサ２１７は、有線で接続されていても良いし、近距離無線通信で接続されていても良い。

手摺りセンサ２１８は、手摺り１３０ａに加わる荷重を検出する。つまり、訓練者９００が両脚で自身の体重を支えきれない分の荷重が手摺り１３０ａに加わる。手摺りセンサ２１８は、この荷重を検出して、検出信号を全体制御部２１０へ送信する。

全体制御部２１０は、制御に関わる様々な演算や制御を実行する機能実行部としての役割も担う。歩行評価部２１０ａは、各種センサから取得したデータを用いて、訓練者９００の歩行動作が異常歩行であるか否かを評価する。訓練判定部２１０ｂは、例えば、歩行評価部２１０ａが評価した異常歩行の積算数に基づいて、一連の歩行訓練に対する訓練結果を判定する。全体制御部２１０は、この判定結果或いはその元となった異常歩行の積算数などをリハビリデータの一部として生成することができる。

なお、この判定の基準を含み、判定の方法は問わない。例えば、歩行フェーズ毎に麻痺体部の動作量と基準とを比較して判定することができる。なお、歩行フェーズとは、患脚（又は健脚）についての１歩行周期（１歩行サイクル）を、立脚状態にある立脚期、立脚期から遊脚状態にある遊脚期への移行期、遊脚期、遊脚期から立脚期への移行期などに分類したものである。どの歩行フェーズであるかは、例えば上述したように荷重センサ２２２の検出結果から分類（判定）することができる。なお、歩行サイクルは、上述のように、立脚期、移行期、遊脚期、移行期で１サイクルとして取り扱うことができるが、どの時期を開始期と定義するかは問わない。その他、歩行サイクルは、例えば、両脚支持状態、単脚（患脚）支持状態、両脚支持状態、単脚（健脚）支持状態で１サイクルとして取り扱うこともでき、この場合にもどの状態を開始状態と定義するかは問わない。

また、右脚又は左脚（健脚又は患脚）に注目した歩行周期は、より細分化することもでき、例えば、立脚期を初期接地と４期、遊脚期を３期に分けて表現することができる。初期接地は、観察足部が床に接地する瞬間を指し、立脚期の４期とは、荷重応答期、立脚中期、立脚終期、及び前遊脚期を指す。荷重応答期は、初期接地から反対側の足部が床から離れた瞬間（対側離地）までの期間である。立脚中期は、対側離地から観察足部の踵が離れた瞬間（踵離地）までの期間である。立脚終期は、踵離地から反対側の初期接地までの期間である。前遊脚期は、反対側の初期接地から観察足部が床から離れる（離地）までの期間である。遊脚期の３期とは、遊脚初期、遊脚中期、及び遊脚後期を指す。遊脚初期は、前遊脚期の最後（上記離地）から両足が交差する（足部交差）までの期間である。遊脚中期は、足部交差から頸骨が垂直となる（頸骨垂直）までの期間である。遊脚終期は、頸骨垂直から次の初期接地までの期間である。

通信接続ＩＦ２１９は、全体制御部２１０に接続されたインターフェースであり、訓練者９００の患脚に装着される歩行補助装置１２０に指令を与えたり、センサ情報を受け取ったりするためのインターフェースである。

歩行補助装置１２０は、通信接続ＩＦ２１９と有線又は無線によって接続される通信接続ＩＦ２２９を備えることができる。通信接続ＩＦ２２９は、歩行補助装置１２０の補助制御部２２０に接続されている。通信接続ＩＦ２１９、２２９は、通信規格に則った例えば有線ＬＡＮ又は無線ＬＡＮ等の通信インターフェースである。

また、歩行補助装置１２０は、補助制御部２２０、関節駆動部２２１、荷重センサ２２２、及び角度センサ２２３を備えることができる。補助制御部２２０は、例えばＭＰＵであり、全体制御部２１０から与えられた制御プログラムを実行することにより、歩行補助装置１２０の制御を実行する。また、補助制御部２２０は、歩行補助装置１２０の状態を、通信接続ＩＦ２１９、２２９を介して全体制御部２１０へ通知する。また、補助制御部２２０は、全体制御部２１０からの指令を受けて、歩行補助装置１２０の起動／停止等の制御を実行する。

関節駆動部２２１は、制御ユニット１２１のモータとその駆動回路を含む。補助制御部２２０は、関節駆動部２２１へ駆動信号を送ることにより、上腿フレーム１２２と下腿フレーム１２３がヒンジ軸Ｈ_ａ周りに相対的に開くように加勢したり、閉じるように加勢したりする。このような動作により、膝の伸展動作及び屈曲動作をアシストしたり、膝折れを防止したりする。

荷重センサ２２２は、上述の通り訓練者９００の足裏が受ける垂直荷重の大きさと分布を検出して、検出信号を補助制御部２２０へ送信する。補助制御部２２０は、検出信号を受け取り解析することにより、遊脚／立脚の状態判別や切替り推定等を行う。

角度センサ２２３は、上述の通りヒンジ軸Ｈ_ａ周りの上腿フレーム１２２と下腿フレーム１２３の成す角を検出して、検出信号を補助制御部２２０へ送信する。補助制御部２２０は、この検出信号を受け取って膝関節の開き角を演算する。

入出力ユニット２３１は、例えばＵＳＢ（Universal Serial Bus）インターフェースを含み、外部の機器（外部通信装置３００や他の外部機器）と接続するための通信インターフェースである。全体制御部２１０の入出力制御部２１０ｃは、入出力ユニット２３１を介して外部の機器と通信し、上述した全体制御部２１０内の制御プログラムや補助制御部２２０内の制御プログラムの書換え、コマンドの受け入れ、生成したリハビリデータの出力などを行う。歩行訓練装置１００は、入出力制御部２１０ｃの制御により、入出力ユニット２３１及び外部通信装置３００を介してサーバ５００との通信を行うことになる。例えば、入出力制御部２１０ｃは、入出力ユニット２３１及び外部通信装置３００を介して、リハビリデータをサーバ５００に送信する制御やサーバ５００からのコマンドを受信する制御を行うことができる。

通知制御部２１０ｄは、訓練スタッフ９０１に対する通知が必要となった場面において、表示制御部２１３又は別途設けた音声制御部等を制御することで、管理用モニタ１３９又は別途設けたスピーカから通知を行う。この通知の詳細については後述するが、訓練スタッフ９０１に対する通知が必要となった場面とは、サーバ５００から通知を行うためのコマンドを受信した場合とすることができる。

次に、サーバ５００の詳細について説明する。
上述したように、歩行訓練装置１００は、外部通信装置３００を介して、各種リハビリデータをサーバ５００に送信する。サーバ５００は、複数の歩行訓練装置１００からリハビリデータを受信するように構成しておくことができ、これにより多くのリハビリデータを収集することができる。そして、サーバ５００は、各種データを処理する処理装置である。例えば、サーバ５００は、収集したリハビリデータを用いて機械学習を行って、学習済みモデルを構築する学習装置（学習器）として機能させることができる。なお、学習装置は学習モデル生成装置と称することもできる。

図４は、サーバ５００の一構成例を示すブロック図である。図４に示すように、サーバ５００は、制御部５１０、通信ＩＦ５１４、データ蓄積部５２０、及びモデル記憶部５２１を備えることができる。制御部５１０は、例えばＭＰＵであり、システムメモリから読み込んだ制御プログラムを実行することにより、サーバ５００の制御を実行する。制御部５１０は、データ生成部５１０ａ、及び学習部５１０ｂを備えている。この場合、上記の制御プログラムはこれらのデータ生成部５１０ａ、及び学習部５１０ｂの機能を実現させるためのプログラムを含むことになる。

通信ＩＦ５１４は、例えば有線ＬＡＮインターフェースを含み、ネットワーク４００と接続するための通信インターフェースである。制御部５１０は、通信ＩＦ５１４を介して、歩行訓練装置１００からのリハビリデータを受信することができ、歩行訓練装置１００へのコマンドを送信することができる。

データ蓄積部５２０は、例えばＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）等の記憶装置を有しており、リハビリデータを記憶する。制御部５１０は、通信ＩＦ５１４を介して外部通信装置３００から受信したリハビリデータをデータ蓄積部５２０へ書き込む。通信ＩＦ５１４、及びデータ蓄積部５２０は、例えば、リハビリデータを取得するデータ取得部として機能する。

モデル記憶部５２１もＨＤＤやＳＳＤ等の記憶装置を有している。なお、データ蓄積部５２０とモデル記憶部５２１とは共通の記憶装置を有することもできる。モデル記憶部５２１は、未学習（学習中である場合も含む）の学習モデル（以下、未学習モデル）及び学習済みの学習モデル（以下、学習済みモデル）の少なくとも一方を記憶する。サーバ５００が学習装置として機能するとき、モデル記憶部５２１には少なくとも未学習モデルが記憶されている。サーバ５００が歩行訓練装置１００と協働してリハビリ支援処理を実行する場合、モデル記憶部５２１には少なくとも運用可能な学習済みモデルが記憶されている。

また、制御部５１０は、学習装置としての機能と学習済みモデルによりリハビリ支援処理を行う機能とを切り替える制御を行うように構成することができる。但し、サーバ５００は、学習段階で用いる装置と学習済みモデルを伴う運用段階で用いる装置とで分散させておくこともできる。データ生成部５１０ａ及び学習部５１０ｂは、サーバ５００を学習装置として機能させるために設けられている。推奨設定パラメータ出力部５１０ｃは、学習済みモデルによりリハビリ支援処理を行うために設けられている。具体的には、推奨設定パラメータ出力部５１０ｃは、後述するように推奨設定パラメータを出力する。サーバ５００が、推奨設定パラメータ出力部５１０ｃを有しているが、全体制御部２１０が推奨設定パラメータ出力部５１０ｃを有していてもよい。

（リハビリデータ）
ここで、データ生成部５１０ａ、及び学習部５１０ｂについて、説明するに先立ち、サーバ５００が学習のため又はリハビリ支援処理のために収集可能なリハビリデータについて説明する。サーバ５００が収集可能なリハビリデータは、主として（１）歩行訓練装置１００の設定パラメータ、（２）歩行訓練装置１００に設けられたセンサ等で検出された検出データ、（３）訓練者９００に関するデータ、（４）訓練スタッフ９０１に関するデータを含む。（１）～（４）のリハビリデータは、取得日時に対応付けて収集されていてもよい。さらに、検出データ、又は設定パラメータは時系列に沿ったログデータとして収集されていてもよい。あるいは、一定の時間毎のデータに対して抽出された特徴量などであってもよい。

リハビリデータは、主に、歩行訓練装置１００において操作入力、自動入力、センサによる計測などにより得られるデータである。また、リハビリデータは、カメラ１４０で録画された録画データを含むこともできる。なお、リハビリデータは、リハビリの実施日毎のデータとすることができ、その場合、日報データと称することもできる。以下では、サーバ５００が歩行訓練装置１００で生成されたリハビリデータを収集するものとして説明するが、リハビリデータの一部を歩行訓練装置１００以外の、例えば他のサーバからサーバ５００が取得するように構成しておくこともできる。ここで言うリハビリデータの一部とは、例えば、訓練者９００の症状等の上記（３）のデータの詳細や、ＰＴの経験年数等の上記（４）のデータの詳細などとすることができる。前者は訓練者９００のカルテ情報として他のサーバに格納しておくことができ、後者はＰＴの履歴書などとして他のサーバに格納しておくことができる。

学習段階では、サーバ５００は、リハビリデータの発生時に、或いは１日毎、１週間毎など定期的に、歩行訓練装置１００からリハビリデータを受信すればよい。学習段階と運用段階とでは、使用するリハビリデータの種類（リハビリデータに含まれる内容）を異ならせることができる。例えば、運用段階では、サーバ５００は、歩行訓練装置１００から訓練開始時にリハビリデータを受信し、訓練中、上記（１），（２）のうち変更があったデータを受信するようにしておけばよい。また、リハビリデータの送受は歩行訓練装置１００とサーバ５００のどちらが主体となって実行してもよい。

上記（１）について説明する。
上記（１）のデータは、上記（２）の検出データとともに、歩行訓練装置１００でリハビリ実施中に取得された訓練者９００の訓練データとして定義することができる。

歩行訓練装置１００の設定パラメータは、例えば、歩行訓練装置１００の動作を設定するために、オペレータが入力するデータ又は自動的に設定されるデータである。なお、上述したように、オペレータは通常、訓練者９００の訓練に実際に付き添う訓練スタッフ９０１であり、以下ではオペレータが訓練スタッフ９０１であることを前提に説明する。また、訓練スタッフ９０１は理学療法士（ＰＴ：Physical Therapist）であることが多いため、以下では、訓練スタッフ９０１を単に「ＰＴ」と称する場合もある。

設定パラメータは、アクチュエータの設定に関するものである。歩行訓練装置１００では、設定パラメータにより、歩行訓練の難易度を調整することができる。例えば、全体制御部２１０は、設定パラメータに応じて、モータなどのアクチュエータを制御する。なお、設定パラメータに難易度のレベルを示すパラメータを含むこともでき、その場合、そのレベルの変更に伴い、他の設定パラメータのうち一部又は全部を変更させることができる。訓練スタッフ９０１は、訓練者９００の回復が進むにつれて、歩行訓練の難易度を高くしていく。つまり、訓練スタッフ９０１は、訓練者９００の歩行能力が高くなるにつれて、歩行訓練装置１００によるアシストを減らす。また、訓練スタッフ９０１は、歩行訓練中に異常が認められた場合、アシストを増やす。訓練スタッフ９０１が適切に設定パラメータを調整することにより、訓練者９００は適切な歩行訓練を実施することができ、リハビリをより効率良く行うことが可能となる。

設定パラメータの具体例を以下に示す。
設定パラメータとしては、例えば、部分体重免荷量［％］、手摺り１３０ａの上下位置［ｃｍ］、手摺り１３０ａの左右位置［ｃｍ］、ヒップジョイントの有無、足関節底屈制限［ｄｅｇ］、足関節背屈制限［ｄｅｇ］などが挙げられる。また、設定パラメータとしては、例えば、トレッドミル速度［ｋｍ／ｈ］、振出しアシスト［レベル］、振出し前後比［前／後］も挙げられる。また、設定パラメータとしては、例えば、膝伸展アシスト［レベル］、膝屈曲角度［ｄｅｇ］、膝屈伸時間［ｓｅｃ］、補高［ｍｍ］、抜重閾値［％］、荷重閾値［％］も挙げられる。なお、ここで例示する設定パラメータを含め、リハビリデータに含まれるデータの単位は問わない。

部分体重免荷量は、ハーネス引張部１１２がハーネスワイヤ１１１を引っ張ることで、訓練者９００の体重を免荷する割合である。訓練スタッフ９０１は、所望する歩行訓練の難易度が高くなるほど、部分体重免荷量を低い値に設定する。手摺り１３０ａの上下位置及び左右位置は、手摺り１３０ａの基準位置からの調整量である。ヒップジョイントの有無は、ヒップジョイントが取り付けられているか否かである。足関節底屈制限、足関節背屈制限は、ヒンジ軸Ｈ_ｂ周りに下腿フレーム１２３と足平フレーム１２４とが回動可能な角度範囲を規定している。足関節底屈制限が前側の上限角度に対応し、足関節背屈制限が後ろ側の最大角度に対応する。つまり、足関節底屈制限、足関節背屈制限はそれぞれ、つま先を下げる側に、つま先を上げる側に、足関節を曲げる角度の制限値である。訓練スタッフ９０１は、所望する歩行訓練の難易度が高くなるほど、角度範囲が大きくなるように足関節底屈制限及び足関節背屈制限の値を設定する。

トレッドミル速度は、トレッドミル１３１による歩行速度である。訓練スタッフ９０１は、所望する歩行訓練の難易度が高くなるほど、トレッドミル速度を高い値に設定する。振出しアシストは、脚の振出し時に前側ワイヤ１３４が与える引張力に応じたレベルであり、このレベルが高くなるほど、最大引張力が大きくなる。訓練スタッフ９０１は、所望する歩行訓練の難易度が高くなるほど、振出しアシストを低いレベルに設定する。振出し前後比は、脚の振出し時において、前側ワイヤ１３４による引張力と後側ワイヤ１３６による引張力との比である。

膝伸展アシストは、立脚時における膝折れを防止するためにかける関節駆動部２２１の駆動トルクに応じたレベルであり、このレベルが高くなるほど、駆動トルクが大きくなる。訓練スタッフ９０１は、所望する歩行訓練の難易度が高くなるほど、膝伸展アシストを低いレベルに設定する。膝屈曲角度は、膝伸展アシストを行う際の角度である。膝屈伸時間は、膝伸展アシストを行う期間であり、この値が大きいとゆっくり膝を屈伸させるようにアシストし、この値が小さいと早く膝を屈伸させるようにアシストすることになる。

補高は、訓練者９００の麻痺脚と反対側の脚（補助具である歩行補助装置１２０を取り付けない側の脚）の靴底に設けるクッション等の部材の高さである。抜重閾値は、足底に掛かる荷重の閾値の一つであり、この閾値を下回ると振出しアシストが解除される。荷重閾値は、足底に掛かる荷重の閾値の一つであり、この閾値を超えると振出しアシストがなされる。このように、歩行補助装置１２０は、その膝の屈伸運動を、膝屈曲角度、膝屈伸時間、抜重閾値、及び荷重閾値の４つの設定パラメータで調整可能に構成しておくことができる。

また、歩行訓練装置１００は、例えば、図示しないスピーカから、荷重や角度などの各種パラメータの設定値、目標値、目標の達成率、目標の達成タイミングなどを音でフィードバックするように構成することもできる。上記の設定パラメータは、このようなフィードバック音の有無や音量といった設定についてのパラメータを含むこともできる。

その他、上記の設定パラメータは、訓練に直接関係する設定パラメータでなくてもよい。例えば、上記の設定パラメータは、訓練者９００にモチベーションを上げてもらうために訓練用モニタ１３８や図示しないスピーカで提供するための画像、音楽、ゲームの種類、ゲームの難易度等の設定値などとすることもできる。

なお、上記の設定パラメータは、一例であり、これ以外の設定パラメータがあってもよい。或いは、上記のうちの一部の設定パラメータは無くてもよい。また、上述のように、上記の設定パラメータは訓練の難易度を調整するためのパラメータが多いが、難易度に無関係なパラメータも含むこともできる。例えば、歩行訓練装置１００は、訓練用モニタ１３８に表示させる注意喚起用のアイコン画像を表示するように構成することができる。そして、難易度に無関係な設定パラメータとしては、例えばこのような注意喚起用のアイコン画像の大きさや表示間隔等、訓練者９００の訓練への集中度を高めるためのパラメータなどが挙げられる。また、上記の設定パラメータは、その設定操作がなされた日時等の時間情報又は時間以外のタイミング情報（例えば１歩行サイクルにおける立脚期、遊脚期等の区別を示す情報）を付加しておくことができる。

上記（２）について説明する。
上記（２）の検出データは、上記（１）のデータとともに、歩行訓練装置１００でリハビリ実施中に取得された訓練者９００の訓練データとして定義することができる。

検出データとしては、主にセンサデータが挙げられる。センサデータは、歩行訓練装置１００の各種センサで検出されたセンサ値である。例えば、センサデータは、姿勢センサ２１７で検出された体幹の傾斜角度、手摺りセンサ２１８で検出された荷重や傾斜角度、角度センサ２２３で検出された角度等である。センサデータを出力するセンサは、加速度センサ、角速度センサ、位置センサ、光センサ、トルクセンサ、加重センサ等である。また、前側ワイヤ１３４、後側ワイヤ１３６、ハーネスワイヤ１１１の巻取機構等のモータに設けられたエンコーダをセンサとして用いてもよい。更には、モータのトルクセンサ（ロードセル）をセンサとしてもよいし、モータを駆動する駆動電流値を検出する電流検知部をセンサとしてもよい。

また、センサデータは、例えば、視線を検知する視線検知センサで取得された視線データを含むことができる。同様の視線データは、訓練者９００の少なくとも目元を撮影した画像に基づき画像処理により視線を検出して得ることや、訓練者９００の少なくとも顔を撮影した画像に基づき顔の向き（上向き／下向き等）を判定して得ることもできる。このようなデータも上記の検出データに含むことができる。また、検出データは、訓練者９００又は訓練スタッフ９０１の音声を取得するマイク等の音声取得部で取得された音声データ、或いはその音声データを音声解析したテキストデータ、或いはそのテキストデータを解析したデータとすることもできる。訓練スタッフ９０１の音声には、訓練者９００への歩き方の矯正等に関する声掛けを含めることができる。また、センサデータは、脳波計で訓練者９００の脳波を検出したデータとすることもでき、脳波計で訓練スタッフ９０１の脳波を検出したデータとすることもできる。

また、視線検知センサ、上記画像を撮影する撮影部、マイクなどは、歩行訓練装置１００の本体側に設けておくことができるが、例えば、訓練者９００に装着させるための眼鏡型ウェアラブル端末に設けておくこともできる。この端末にＢｌｕｅｔｏｏｔｈ（登録商標）等の無線通信方式でデータを無線通信する無線通信部を備えるとともに、歩行訓練装置１００側にも無線通信部を備えておけばよい。これにより、歩行訓練装置１００は、ウェアラブル端末で取得されたデータを無線通信により取得することができる。脳波計は、検出精度が良いものに限るが、歩行訓練装置１００の本体側に設けて、訓練者９００の脳波と訓練スタッフ９０１の脳波とを区別して検知できるように構成することができる。但し、脳波計は、上述した眼鏡型ウェアブル端末（例えば眼鏡の枝の部分など）など検知対象者に近接する位置になるように設けておくことが好ましい。

また、センサ等、検出データを取得する検出部は、図１～図３を参照して説明したものや眼鏡型ウェアラブル端末等として例示したものに限らない。例えば、訓練者９００にウェア型生体センサ及び／又はウェア型タッチセンサが搭載されたウェアを着用させることができる。ここで言うウェアは、上半身に着用するものに限らず、下半身に着用するものであっても上下セットのものであってもよいし、例えば装具１１０等の一部に着用するものであってもよい。また、ウェア及び歩行訓練装置１００に、上述したような無線通信部を備えておく。これにより、歩行訓練装置１００は、ウェア型生体センサやウェア型タッチセンサで取得されたデータを無線通信により取得することができる。ウェア型生体センサは、着用者の心拍数等のバイタルデータを取得することができる。ウェア型タッチセンサは、着用者である訓練者９００が外部からタッチされた情報、つまり訓練スタッフ９０１が訓練者９００に触れた位置の情報を示すデータを取得することができる。

また、検出データは、各種のセンサ等が検出した検出信号が示す値に限らず、複数のセンサからの検出信号に基づき算出した値や、１又は複数のセンサ等からの検出信号を統計処理した統計値を含むことができる。この統計値としては、例えば平均値、最大値、最小値、標準偏差値等の様々な統計値を採用することができ、また、静態統計による統計値であってもよいし、例えば１日、１訓練、１歩行サイクルなどの一定期間での動態統計による統計値であってもよい。

例えば、センサデータは、角度センサ２２３で検出された上腿フレーム１２２と下腿フレーム１２３の角度から算出された膝関節の開き角を含むことができる。さらに、角度センサについてのセンサデータは、角度を微分した角速度を含むことができる。加速度センサについてのセンサデータは、加速度を積分した速度や、２回積分した位置であってもよい。

例えば、検出データは、日毎、又は１日内のリハビリの施行毎についての、次のような平均値、合計値、最大値、最小値、代表値を含むことができる。ここでの平均値としては、平均速度（総歩行距離／総歩行時間）［ｋｍ／ｈ］や、重複歩距離の平均値［ｃｍ］、１分間あたりの歩数（ｓｔｅｐ）を示す歩行率［ｓｔｅｐｓ／ｍｉｎ］、歩行ＰＣＩ［拍／ｍ］、転倒回避介助［％］などが挙げられる。平均速度は、例えば、トレッドミル１３１の速度設定値から計算した値とすること、或いはトレッドミル駆動部２１１での駆動信号から計算した値とすることができる。重複歩距離とは、片側の踵が接地して次に同側の踵が再び接地するまでの距離を指す。ＰＣＩとはPhysiological Cost Index（生理的コスト指数の臨床指標）を指し、歩行ＰＣＩは歩行時のエネルギー効率を示すことになる。転倒回避介助［％］とは、訓練スタッフ９０１が訓練者９００への転倒回避介助を行った回数である転倒回避介助［回］を、１歩数あたりで算出した割合、つまり１歩数あたりで転倒回避介助をした割合を指す。

また、ここでの合計値としては、歩行時間［秒］、歩行距離［ｍ］、歩数［ｓｔｅｐｓ］、転倒回避介助［回］、転倒回避介助部位及び部位毎の回数［回］などが挙げられる。
また、ここでの最大値又は最小値としては、連続歩行時間［秒］、連続歩行距離［ｍ］、連続歩数［ｓｔｅｐｓ］等の最大値や最小値、歩行ＰＣＩ［拍／ｍ］の最小値（換言すれば１拍あたりに歩行できる距離の最長値）などが挙げられる。代表値としては、トレッドミル１３１の速度として最も使用した値（代表速度［ｋｍ／ｈ］）などが挙げられる。

このように、各種センサ等の検出部から直接又は間接的に供給されるデータを検出データに含めることができる。また、上記の検出データは、その検出がなされた日時等の時間情報又は時間以外のタイミング情報を付加しておくことができる。

なお、上記の検出データは、一例であり、これ以外の検出データがあってもよい。或いは、上記のうちの一部の検出データは無くてもよい。つまり、リハビリデータとして検出データを採用する場合、サーバ５００は、１つ以上の検出データを収集すればよい。

上記（３）について説明する。
訓練者９００に関するデータ（以下、訓練者データ）は、例えば、訓練者９００の属性等を示すものである。訓練者データは、訓練者９００の年齢、性別、体格（身長、体重等）をはじめ、症状情報、Ｂｒ．ｓｔａｇｅ、ＳＩＡＳ、初期歩行ＦＩＭ、最新の歩行ＦＩＭ等を含むことができる。また、訓練者データは、訓練者９００の氏名又はＩＤを含むことができ、また、訓練者９００の好みを示す嗜好情報や性格を示す性格情報などを含むこともできる。また、訓練者データは、ＦＩＭとして、歩行能力に係るもの以外の運動項目を含むことができ、また、認知項目を含むこともできる。つまり、訓練者データは、訓練者９００の身体能力を示す様々なデータを含むことができる。なお、訓練者データの一部又は全部は、身体情報、基本情報、或いは訓練者特徴情報などと称することもできる。

ここで、症状情報には、初期症状、その発症時期、現在の症状を示す情報を含むことができ、主にここに含まれる症状のために訓練者９００がリハビリを必要としたと捉えることができる。但し、リハビリとは直接関係なさそうな症状についても症状情報に含めることができる。また、症状情報には、脳卒中（脳血管障害）、脊髄損傷など、罹患した病気のタイプ（病名又は疾患名）とともにその部位（損傷部位）を含むことができ、タイプによってはその分類を含むことができる。例えば、脳卒中は、脳梗塞、頭蓋内出血（脳出血／くも膜下出血）などに分類されることができる。

Ｂｒ．ｓｔａｇｅは、Brunnstrom Recovery Stageを指し、片麻痺の回復過程について、観察からその回復段階を６段階に分けたものである。訓練者データには、Ｂｒ．ｓｔａｇｅのうち、歩行訓練装置１００に関係する主な項目である下肢項目を含むことができる。ＳＩＡＳは、Stroke Impairment Assessment Setを指し、脳卒中の機能障害を総合的に評価する指標である。ＳＩＡＳには、股屈曲テスト（Hip-Flex）、膝伸展テスト（Knee-Ext）、足パット・テスト（Foot-Pat）を含むことができる。また、ＳＩＡＳには、下肢触覚（Touch L/E）、下肢位置覚（Position L/E）、腹筋力（Abdominal）、及び垂直性テスト（Verticality）を含むことができる。

ＦＩＭ（Functional Independence Measure：機能的自立度評価表）とは、ＡＤＬ（Activities of Daily Life）を評価する評価方法の一つを定めたものである。ＦＩＭでは、介助量に応じて１点～７点の７段階で評価を行っている。

例えば、歩行ＦＩＭが回復度を示す汎用の指標となる。また、歩行ＦＩＭは、アクチュエータを用いない場合における訓練者の動作能力（つまり、歩行能力）を示す指標となる。介助者なし、かつ装具（補助具）なしで５０ｍ以上歩行できた場合、最高点の７点となり、一人の介助者がどんなに介助しても１５ｍ未満しか歩行できない場合、最低点の１点となる。また、最小介助（介助量が２５％以下）で５０ｍ移動することができる場合、４点、中程度介助（介助量２５％以上）で５０ｍ移動できる場合、３点となる。したがって、回復が進むにつれて、訓練者９００の歩行ＦＩＭが徐々に高くなっていく。

よって、歩行ＦＩＭが、リハビリ開始時点からの訓練者９００の回復度を示す指標となる。歩行ＦＩＭは、アクチュエータを用いない場合における訓練者９００の動作能力、すなわち、歩行能力を示す指標となる。換言すると、訓練者９００のリハビリの進捗状況を知る上で、歩行ＦＩＭは重要な指標となる。しかしながら、歩行ＦＩＭを採点するためには、介助者が近くにいる状態で、訓練者９００が平坦地を５０ｍ歩行する必要がある。したがって、頻繁に歩行ＦＩＭを採点することができない場合がある。また、上記のように、歩行ＦＩＭが３点の場合と４点の場合とでは、介助レベルのみが異なっている。つまり、介助者（訓練スタッフ）によって、歩行ＦＩＭの採点がばらついてしまうおそれがある。なお、歩行ＦＩＭの評価を行う場合の歩行距離は、５０ｍに限られるものではなく、例えば、１５ｍの場合もある。

このことからも分かるように、歩行訓練装置１００で取り扱う最新の歩行ＦＩＭは、訓練者９００の身体能力を示す指標となるだけでなく、リハビリ開始時点からの訓練者９００の回復度を示す指標となる。換言すると、訓練者９００のリハビリの進捗状況を知る上で、歩行ＦＩＭは重要な指標となる。また、初期歩行ＦＩＭから最新の歩行ＦＩＭへの変化量又は変化速度も、回復度を示す指標となる。変化速度は、ＦＩＭ効率と称することもでき、例えば、現在までのＦＩＭの利得（変化量）を、リハビリの実施日数、リハビリの期間を示す経過日数、或いは、訓練者９００が入院患者である場合には入院日数などの期間で除算した値とすることができる。

また、歩行ＦＩＭは、補装具を着用した場合などの評価時の条件での点数と捉えることができ、その場合、その評価時に適用した条件を示す情報を、歩行ＦＩＭを示す情報に付加しておくこともできる。条件とは、その情報を取得した際の、補高、使用した装具（例えば歩行補助装置１２０、他の歩行補助装置、装具無し等）、その装具における膝や足首の箇所の角度設定等の設定、平地歩行であったのか斜面歩行であったのかなどを含むことができる。また、通常、歩行ＦＩＭと言えば平地歩行での歩行ＦＩＭであり、これを示す平地歩行情報には、平地歩行評価時において最も歩行した距離（最大連続歩行距離［ｍ］）等の情報を含めることもできる。

このように上記（３）の訓練者データは、訓練者９００が歩行訓練装置１００を利用し実行したリハビリについての、訓練者９００の症状、身体能力、及び回復度の少なくとも１つを含む指標データを含むことができる。なお、最新の歩行ＦＩＭなど、身体能力及び回復度の双方の概念に含めることができるデータについては、通常、一方に含めておけばよいが、双方に含めておくこともできる。なお、同様のことはリハビリデータの全ての項目に関して言え、ある項目のデータは上記（１）～（４）のいずれか１又は複数のデータとして取り扱うことができる。また、上記の訓練者データは、歩行ＦＩＭの測定日時など、それが取得できた日時等の時間情報を付加しておくことができる。

上記（４）について説明する。
訓練スタッフ９０１に関するデータ（以下、スタッフデータ）は、例えば、訓練スタッフ９０１の属性等を示すものである。スタッフデータは、訓練スタッフ９０１の氏名、ＩＤ、年齢、性別、体格（身長、体重等）、所属する病院名、ＰＴ又は医師としての経験年数などである。スタッフデータは、訓練者９００を介助するタイミングを数値化した値を介助者に関するデータとして含むことができる。

また、リハビリに同時に複数の訓練スタッフが介助する場合には、リハビリデータには、複数人のスタッフデータを含むことができる。また、各スタッフデータには、主たる訓練スタッフであるのか、補助的な訓練スタッフであるのか、操作だけを行う訓練スタッフであるのか、訓練者９００を手で支える役目だけの訓練スタッフであるのかなどを示す情報も含めておくことができる。

また、歩行訓練装置１００は、訓練者９００へのリハビリ計画を入力可能に構成しておくことが好ましい。そして、このように入力されたリハビリ計画のデータも、その入力者としての訓練スタッフ９０１に関するスタッフデータとして、或いは他の分類に属するリハビリデータとして、含めておくことができる。また、歩行訓練装置１００は、訓練スタッフ９０１の変更に対応可能とするために、今後のその訓練者９００の訓練を補助する際の注意事項や申し送り事項を入力可能に構成しておくことが好ましい。そして、このようにして入力されたデータも、その入力者についての訓練スタッフ９０１に関するスタッフデータとして、或いは他の分類に属するリハビリデータとして、含めておくことができる。

これらのデータをリハビリデータに含める理由は、ある訓練スタッフが熟練の他の訓練スタッフからの注意事項や申し送り事項が存在していたからこそ、上手く訓練者９００の訓練を遂行させることができたという場面もあり得るためである。また、上記のスタッフデータは、例えばリハビリ計画の入力日時など、その入力がなされた日時等の時間情報を付加しておくことができる。

（学習モデルの構築）
サーバ５００は学習モデルを生成する学習モデル構築装置として機能する。具体的には、サーバ５００は、複数の歩行訓練装置１００からリハビリデータを収集する。そして、サーバ５００は、収集したリハビリデータをデータ蓄積部５２０に蓄積する。サーバ５００は、リハビリデータに基づいて機械学習を行うことで、学習済みモデルを構築する。具体的には、サーバ５００は、リハビリデータを入力データとして、有効な設定パラメータを出力とする学習済みモデルを生成する。

ここで、学習済みモデルは、訓練者が有効な歩行訓練を行うことができるように、当該訓練者に応じた有効な設定パラメータの値を推奨値として、出力する。学習済みモデルは、上記した複数の設定パラメータのうちの１種類以上に対して、推奨値を出力すればよい。ここで、設定パラメータの推奨値を推奨設定パラメータとも称する。学習済みモデルの入力データは、少なくとも回復度を示す指標を含んでいる。つまり、学習済みモデルは、回復度を示す指標を含むリハビリデータを入力として、設定パラメータを出力する。回復度を示す指標は歩行ＦＩＭの実測値又は推定値である。

図４に示すように、サーバ５００の制御部５１０は、データ生成部５１０ａと、学習部５１０ｂとを備えている。図５は、制御部５１０における学習モデルの構築方法（学習方法）を示すフローチャートである。制御部５１０は、歩行訓練装置１００から送信されたリハビリデータを取得する（Ｓ１１）。データ生成部５１０ａは、機械学習の前処理として、学習データを生成する（Ｓ１２）。つまり、データ生成部５１０ａは、データ蓄積部５２０に蓄積されているリハビリデータに基づいて、学習データを生成する。学習部５１０ｂは、学習データを用いて機械学習を行うことで、学習モデルを構築する（Ｓ１３）。

学習部５１０ｂは、推奨設定パラメータを算出する学習モデルを構築する。例えば、学習部５１０ｂは、教師あり学習を行う。訓練スタッフ９０１が実際に設定した設定パラメータの設定値を実設定値とも称する。学習部５１０ｂは、設定パラメータの実設定値を教師データとして含む学習データを用意する。

例えば、学習データでは、歩行訓練装置１００から収集されたリハビリデータと、教師データとしての設定パラメータの実設定値とが、対応付けられている。より詳細には、リハビリデータは設定パラメータの実設定値を含んでいるため、リハビリデータに含まれる設定パラメータの実設定値が教師データとなる。

例えば、振出しアシストレベルは、レベル１～６の６段階で示され、膝伸展アシストレベルは、レベル１～１０の１０段階で示されている。訓練スタッフ９０１が訓練開始時又は訓練中に入力した値が、実設定値となる。そして、推奨値を出力したい種類の設定パラメータの実設定値が、教師データとなる。例えば、振出しアシストレベル、及び膝伸展アシストレベルの２つの推奨値を出力する場合、振出しアシストレベル、及び膝伸展アシストレベルの実設定値が教師データとなる。もちろん、１種類のみ、あるいは３種類以上の設定パラメータの実測定値を教師データとしてもよい。

データ生成部５１０ａは、学習データのセットを複数用意する。そのため、データ生成部５１０ａは、所定の期間内に収集されたリハビリデータを１セットの学習データとして用意する。例えば、１回の歩行訓練又は歩行訓練の１施行で収集されたリハビリデータを１セットの学習データとして用意してもよい。

１回の歩行訓練は、一人の訓練者９００が行う一連の訓練であり、１回の歩行訓練が終わると次の訓練者９００が歩行訓練装置１００において訓練を行う。１回の歩行訓練は、通常２０分～６０分程度である。歩行訓練の１施行とは、１回の歩行訓練において、訓練者９００が継続して歩行する１単位である。１回の歩行訓練には、複数回の施行が含まれる。例えば、１施行は５分程度となっている。具体的には、１回の歩行訓練において、訓練者９００は、５分の歩行訓練を行った後、５分の休憩を取る。つまり、１回の歩行訓練では、歩行訓練の施行と休憩とが交互に繰り返される。休憩と休憩との間の５分間が１施行の時間となる。もちろん、１回の訓練と、１施行の時間は特に限定されるものではなく、訓練者９００毎に適宜設定することができる。

データ生成部５１０ａは、１施行よりも短い期間で収集されたリハビリデータを学習データとして用意してもよい。データ生成部５１０ａは、１施行より長い期間で収集されたリハビリデータを１セットの学習データとして用意してもよい。また、訓練スタッフ９０１が設定パラメータの設定を変更するまでの間のデータを、１セットのデータセットとしてもよい。なお、以下の説明において、１セットの学習データを学習用データセット（単にデータセットとも称する）とする。

データセットの一例について、図６を用いて説明する。図６は、データセットを説明するためのテーブルである。１つのデータセットは、設定パラメータである教師データと、歩行ＦＩＭとを含んでいる。さらに、１つのデータセットは、検出データ、教師データ以外の設定パラメータ、歩行ＦＩＭ以外の訓練者データ、及びスタッフデータを含んでいてもよい。図６では、設定パラメータ、検出データ、訓練者データ、スタッフデータ、及び教師データが対応付けられて、１つのデータセットを構成している。なお、教師データは、上記の通り、訓練スタッフ９０１が入力した設定パラメータの入力値である。

振出しアシストレベル、及び膝伸展アシストレベルに対して推奨値を出力する学習モデルについて説明するため、教師データが２次元ベクトルとして示されている。もちろん、１つのデータセットに含まれる教師データの次元数は、推奨値を出力したい設定パラメータ数に応じた数となる。

なお、図６では、説明の簡略化のため、教師データ以外の設定パラメータ、検出データ、歩行ＦＩＭ以外の訓練者データ、及びスタッフデータのそれぞれが１つのデータ（例えば、para_1）として示されているが、実際には、複数のデータを有していてもよい。例えば、設定パラメータは、上記したように、部分体重免荷量、手摺り１３０ａの上下位置等の２つ以上データを有していてもよい。訓練者データは、上記したように、訓練者９００の初期歩行ＦＩＭ，性別、及び年齢等の２つ以上のデータを含んでいてもよい。スタッフデータは、上記したように、訓練スタッフ９０１の年齢、及び性別等の２つ以上のデータを含んでいてもよい。

また、検出データは、加速度センサ、角速度センサ、位置センサ、光センサ、トルクセンサ、加重センサ等の２つ以上のセンサのデータを含んでいてもよい。また、データセットは、検出データの生データに限らず、検出データに所定の処理を施したデータを含んでいてもよい。例えば、一定期間に取得された検出データから抽出された特徴量を学習用データとしてもよい。

例えば、データセットは、１施行における検出データの最大値、最小値、極大値、極小値、平均値などを含んでいてもよい。データ生成部５１０ａは、データ蓄積部５２０に蓄積された検出データから特徴量を算出してもよい。また、データ蓄積部５２０が特徴量を蓄積していてもよい。データ蓄積部５２０が検出データの生データを蓄積し、学習モデルが特徴量を算出する層を有していてもよい。歩行訓練装置１００から取得されたリハビリデータを、データ生成部５１０ａが演算処理することで、特徴量を算出してもよい。この場合、データ生成部５１０ａが生成した新たなリハビリデータが、学習用データセットに追加される。

学習部５１０ｂは、歩行ＦＩＭを含むリハビリデータから、設定パラメータを導く関数を求める回帰問題として、機械学習を行うことができる。あるいは、アシストレベルなどは、１～Ｎ（Ｎは２以上の整数）のＮ段階で設定されているため、学習部５１０ｂは分類問題として、機械学習を行うことができる。また、設定パラメータが膝屈曲角度［ｄｅｇ］、膝屈伸時間［ｓｅｃ］、補高［ｍｍ］、抜重閾値［％］、荷重閾値［％］であっても、最小単位刻みのデータとして表現できる。よって、学習部５１０ｂは、分類問題として機械学習を行うことができる。

学習部５１０ｂは、図７のように、入力層５３１１と出力層５３１２との間に中間層（隠れ層ともいう）５３１３が設けられたニューラルネットワークにより学習モデルを構築してもよい。入力層５３１１は、複数のノード５３１５を有しており、データセットに含まれる各データを入力とする。出力層５３１２は、推奨設定パラメータを出力する。出力層５３１２は２つの出力ノード５３１６を有している。一方の出力ノード５３１６が、振出しアシストレベルに関する推奨設定パラメータを出力し、他方の出力ノード５３１６が膝伸展アシストレベルに関する推奨設定パラメータを出力する。中間層５３１３は複数のノード５３１５を有している。各ノードは活性化関数を有している。各ノードを接続するエッジには重み付けが成されている。学習モデル５３１０は、推奨設定パラメータを目的変数とし、歩行ＦＩＭ等を説明変数とするモデルである

ここで、学習部５１０ｂで学習させる学習モデル５３１０の種類やそのアルゴリズムは問わないが、アルゴリズムとして、ニューラルネットワークを用いることができる。特に、中間層５３１３を多層化した深層ニューラルネットワーク（ＤＮＮ）を用いることが好ましい。ＤＮＮとしては、例えば、誤差逆伝搬法を採用した多層パーセプトロン（ＭＬＰ）等の、フィードフォワード（順伝搬型）ニューラルネットワークを用いることができる。

教師データとして実設定値が入力されているため、学習部５１０ｂは、実設定値と推奨値とが一致するように学習モデル５３１０を構築する。学習部５１０ｂは、実測値に一致するような推奨値を出力する学習モデル５３１０を構築することができる。実設定値と、推奨値との誤差を最小化するように、学習部５１０ｂは未学習モデルに多数の学習用データを読み込ませていく。制御部５１０は、構築した学習モデル５３１０をモデル記憶部５２１に書き込む。

学習部５１０ｂは、ディープラーニングにより学習モデルを構築してもよい。学習部５１０ｂは、畳み込み演算を行うＣＮＮ（Convolutional Neural Network）により、学習モデルを構築してもよい。この場合、学習モデル５３１０が畳み込み層やプーリング層などを有していてもよい。学習部５１０ｂは、時系列データを取り扱うＲＮＮ（Recurrent Neural Network）により、学習モデルを構築してもよい。ＲＮＮでは、時刻ｔ－１の中間層が時刻ｔの中間層に結合されている。例えば、１施行目に収集されたリハビリデータが時刻ｔ－１の学習用データセットとされ、２施行目に収集されたリハビリデータが時刻ｔの学習用データセットとされる。あるいは、１施行内の１歩目に収集されたリハビリデータが時刻ｔ－１の学習用データセットとされ、２歩目に収集されたリハビリデータが時刻ｔの学習用データセットとされる。

あるいは、１施行における各時刻での入力データを逐次入力するために、１つのデータセットが検出データ等の時系列データを含んでいてもよい。つまり、学習用データセットは、時系列に沿ったログデータを含んでいてもよい。上記のようにログデータから抽出された特徴量を学習データとしてもよい。さらに、データ生成部５１０ａが時系列の検出データが画像データとなるように、データ処理を行い、該画像データを学習用データとしてもよい。なお、学習部５１０ｂが用いる学習手法としては公知のアルゴリズムを用いることができるため、詳細な説明を省略する。

例えば、歩行ＦＩＭが低い訓練者９００の歩行訓練では、関節駆動部２２１、引張駆動部２１４、又はハーネス駆動部２１５の駆動トルクが高くなる。したがって、歩行ＦＩＭが低い訓練者９００では、アシストレベルが高くなる傾向がある。歩行ＦＩＭが高い訓練者９００では、アシストレベルが低くなる傾向がある。歩行ＦＩＭが高い訓練者９００の歩行訓練では、関節駆動部２２１、引張駆動部２１４、又はハーネス駆動部２１５の駆動トルクが低くなる。

例えば、歩行ＦＩＭの実測値に対して、アシストレベルが高い設定パラメータを用いている場合、関節駆動部２２１、引張駆動部２１４、又はハーネス駆動部２１５の駆動トルクが低くなってしまう。あるいは、歩行ＦＩＭの実測値に対して、アシストレベルが低い設定パラメータを用いている場合、関節駆動部２２１、引張駆動部２１４、又はハーネス駆動部２１５の駆動トルクが低くなってしまう。

よって、学習部５１０ｂは、歩行ＦＩＭに基づいて推奨設定パラメータを出力する学習モデルを構築することができる。さらに、学習部５１０ｂは、実設定値を教師データとして、学習モデルを構築する。これにより、学習部５１０ｂは、適切な推奨設定パラメータを出力する学習モデルを構築することが可能となる。機械学習が終了したら、学習部５１０ｂは、学習モデル５３１０をモデル記憶部５２１に書き込む。

なお、以下の説明では、機械学習が終了してモデル記憶部５２１に書き込まれた学習モデルを学習済みモデルとも称する。つまり、利用段階での学習モデルを学習済みモデルとも称する。もちろん、新たなリハビリデータがデータ蓄積部５２０に蓄積された場合、追加の機械学習を行って、学習済みモデルを更新してもよい。

また、学習済みモデルは、歩行ＦＩＭの実測値を含む訓練者データに基づいて、訓練者を分類するモデルであってもよい。そして、現在の訓練者９００に対してより類似する訓練者９００の過去のデータに基づいて、推奨設定パラメータを出力してもよい

（学習モデルの利用）
以下、学習済みモデルの利用について説明する。ここでは、歩行訓練装置１００において、学習済みモデルを利用する例に付いて説明する。サーバ５００は、学習済みモデルを歩行訓練装置１００に送信する。もちろん、サーバ５００が学習済みモデルを利用してもよい。つまり、学習済みモデルを利用するための処理の一部又は全部をサーバ５００で行われてもよく、歩行訓練装置１００で行われてもよい。

歩行訓練装置１００は、学習済みモデルをメモリなどに格納する。そして、新たな訓練を行う際に、訓練スタッフ９０１がタッチパネルなどで訓練者の訓練者データを入力する。また、訓練者のＩＤや氏名がそれ以外の訓練者データと紐付いていてもよい。この場合、訓練スタッフ９０１が訓練者９００のＩＤや氏名を入力すると、必要な訓練者データがメモリから読み出されて、自動入力される。例えば、訓練スタッフ９０１が訓練者９００のＩＤを入力すると、身長、年齢、体重などの値が自動入力される。また、訓練者データとしての訓練日数が、自動計算により入力されてもよい。さらに、歩行ＦＩＭの測定を行って歩行ＦＩＭの値が更新された場合、訓練スタッフ９０１は、最新の歩行ＦＩＭの実測値を入力する。

次に、訓練スタッフ９０１が設定パラメータを設定する。例えば、訓練スタッフ９０１が訓練者９００に適した設定パラメータを入力する。図８、及び図９は、設定パラメータの入力画面の一例を示す図である。

図８は、ヒップジョイントの有無、補高、ハーネスタイプ、足関節底屈制限、足関節背屈制限、後方脚免荷、前方脚免荷、手摺り１３０ａの幅、手摺り１３０ａの高さを入力するための画面である。ハーネスタイプは、装具１１０のタイプを示すものであり、歩行補助装置１２０の免荷のみを行う免荷タイプと、歩行補助装置１２０を含めた訓練者９００を懸垂するタイプものがある。前方脚免荷、後方脚免荷は、前側引張部１３５、及び後側引張部１３７の左右方向の位置を示しており、－３～＋３の７段階の値を取る。具体的には、前方脚免荷、後方脚免荷は、中央を０とし、左端を－３とし、右端を＋３とする整数値で示される。

図９は、体重免荷量、膝屈伸時間、膝屈曲角度、トレッドミル速度、振出しアシストレベル、膝伸展アシストレベルを入力するための画面である。訓練スタッフ９０１が訓練者９００の情報を確認して、タッチパネルなどで設定値を入力する。あるいは、訓練スタッフ９０１が訓練者９００のＩＤなどを入力すると、全体制御部２１０が当該訓練者９００の前回の訓練時のデータを自動で入力してもよい。

全体制御部２１０は、学習済みモデルを利用して、歩行ＦＩＭの値を推定する。新たな歩行訓練が実行されると、歩行訓練装置１００がリハビリデータ（以下、評価用リハビリデータとも称する）を取得する。評価用リハビリデータを入力として、学習済みモデルが推奨設定パラメータを出力する。なお、評価用リハビリデータを収集する訓練者９００は学習用データを収集した訓練者９００と同一であってもよく、異なってもよい。また、評価用リハビリデータを収集する歩行訓練装置１００は、学習用データとしてのリハビリデータを収集した歩行訓練装置１００と同一であってもよく、異なっていてもよい。

学習済みモデルは、訓練者９００に応じて、推奨設定パラメータを出力する。例えば、図９に示すように、管理用モニタ１３９が、訓練スタッフ９０１に対して、設定パラメータの変更を推奨するメッセージを表示する。図９では、管理用モニタ１３９が振出しレベルを現レベル（レベル４）から１上げることを推奨するメッセージを表示している。訓練スタッフ９０１がモニタを確認すると、設定変更を行う。あるいは、全体制御部２１０が、推奨設定パラメータを用いて、自動で設定を変更してもよい。

このように、学習済みモデルが、推奨設定パラメータを出力することで、設定パラメータを適切な設定値にすることができる。訓練者９００の回復度合い、つまり、歩行能力に応じて、設定パラメータを設定することができるため、訓練者９００が効果的な訓練を実施することができる。また、訓練スタッフ９０１が実際に推奨設定パラメータを採用するか否かを判定してもよい。あるいは、訓練開始時において、訓練スタッフ９０１が設定パラメータを入力する前に、学習済みモデルが推奨設定パラメータを出力可能な場合は、設定パラメータの入力画面に、管理用モニタ１３９が推奨設定パラメータの値を表示してもよい。

もちろん、歩行訓練装置１００ではなく、サーバ５００が推奨設定パラメータを出力してもよい。この場合、歩行訓練装置１００が評価用リハビリデータをサーバ５００に送信する。するとサーバ５００が学習済みモデルに評価用リハビリデータを学習済みモデルに入力することで、推奨設定パラメータを出力する。この場合、サーバ５００が、推奨設定パラメータを出力するための処理装置として機能する。もちろん、学習済みモデルにおける一部の処理をサーバ５００が実施し、一部の処理を全体制御部２１０が実施してもよい。

以上まとめると、本実施の形態にかかるサーバ５００は、学習装置として機能する。サーバ５００の通信ＩＦ５１４が、歩行訓練装置１００からのリハビリデータを取得するデータ取得部として機能する。なお、歩行訓練装置１００は、歩行訓練を行う訓練者の動作を補助するアクチュエータと、前記アクチュエータによって補助された前記歩行動作に関するデータを検出するセンサと、を備えている。データ生成部５１０ａは、前記訓練者の回復度を示す指標と、前記歩行訓練装置の設定に関する設定パラメータとを含むリハビリデータを学習用データとして生成する。学習部５１０ｂは、前記学習用データを用いて機械学習を行うことで、前記指標を入力として、前記設定パラメータの推奨値を出力する学習モデルを生成する。

また、全体制御部２１０、又はサーバ５００は、歩行訓練装置から取得された評価用リハビリデータに基づいて、前記歩行訓練装置において設定パラメータの推奨値を出力する処理装置として機能する。処理装置は、上記の学習装置で生成された学習モデルを学習済みモデルとして、前記学習済みモデルに評価用リハビリデータを入力することで、前記設定パラメータの推奨値を出力する。さらに、全体制御部２１０、及びサーバ５００の少なくとも一方が、プログラムを実行することで、評価用リハビリデータに基づいて、設定パラメータの推奨値を出力するための処理方法が実施される。

本実施の形態によれば、訓練者９００毎に適した設定パラメータを設定することが可能になる。よって、訓練者９００が、効果的に歩行訓練を行うことができる。また、訓練スタッフ９０１が推奨値を採用するか否を判定してもよい。つまり、訓練スタッフ９０１は、推奨値を用いて歩行訓練を実施させてもよく、推奨値以外の値を入力して、歩行訓練を実施させてもよい。

実施の形態２．
実施の形態１では、回復度を示す指標として、歩行ＦＩＭの実測値を用いていたが、本実施の形態では、歩行ＦＩＭの推定値を回復度を示す指標として用いている。例えば、実施の形態１で示した学習済みモデルの入力データとして、歩行ＦＩＭの推定値を用いている。以下、本実施の形態にかかる歩行訓練システムにおける処理について説明する。

（歩行ＦＩＭの推定）
まず、サーバ５００での処理について説明する。サーバ５００は、実施の形態１で示した学習済みモデルに加えて、歩行ＦＩＭの推定値を出力する学習モデルを生成する。以下、説明の明確化のため、推奨設定パラメータを出力するための学習モデルを第１の学習モデル、又は推奨設定パラメータ用学習モデルとする。一方、歩行ＦＩＭの推定値を出力するための学習モデルを第２の学習モデル又は歩行ＦＩＭ用学習モデルとする。

第１の学習モデルの生成フローについては、実施の形態１と同様であるため、説明を省略する。例えば、サーバ５００は、図５に示すフローチャートに沿って処理を行うことができる。また、歩行訓練装置１００、及びサーバ５００の基本的な構成についても、実施の形態１と同様であるため、説明を省略する。以下、第２の学習モデルの生成について説明する。

サーバ５００が通信ＩＦ５１４を用いて、歩行訓練装置１００からのリハビリデータを取得する（Ｓ１１）。そして、制御部５１０は、リハビリデータをデータ蓄積部５２０に書き込む。

データ生成部５１０ａは、機械学習の前処理として、学習データを生成する（Ｓ１２）。つまり、データ生成部５１０ａは、データ蓄積部５２０に蓄積されているリハビリデータに基づいて、学習データを生成する。学習部５１０ｂは、データ生成部５１０ａが生成した学習データを用いて機械学習を行う。

学習部５１０ｂは、回復度を示す指標として歩行ＦＩＭを算出する第２の学習モデルを構築する（Ｓ１３）。例えば、学習部５１０ｂは、教師あり学習を行う。訓練者９００の平地歩行で実際に測定された最新の歩行ＦＩＭが教師データ（ラベル）となる。つまり、学習部５１０ｂは、歩行ＦＩＭの最新の実測値を教師データとして含む学習データを用意する。

例えば、学習データでは、歩行訓練装置１００から収集されたリハビリデータと、教師データとしての歩行ＦＩＭの実測値とが、対応付けられている。より詳細には、リハビリデータは歩行ＦＩＭの実測値を含んでいるため、リハビリデータに含まれる歩行ＦＩＭの実測値が教師データとなる。そして、データ生成部５１０ａは、訓練者９００が歩行ＦＩＭを実測した直後に、訓練者９００が歩行訓練を行った時のリハビリデータを学習データとする。訓練者９００が歩行ＦＩＭを実測した直後のリハビリデータに限らず、歩行ＦＩＭの実測時から所定期間以内の歩行訓練のリハビリデータを学習データとして生成してもよい。歩行ＦＩＭの実測時から所定期間以上経過した後に収集されたリハビリデータは、学習データとして用いないようにしてもよい。

データ生成部５１０ａは、学習データのセットを複数用意する。そのため、データ生成部５１０ａは、所定の期間内に収集されたリハビリデータを１セットの学習データとして用意する。例えば、１回の歩行訓練又は歩行訓練の１施行で収集されたリハビリデータを１セットの学習データとして用意してもよい。

データ生成部５１０ａは、実施の形態１と同様に、１施行又は１回の歩行訓練で収集されたリハビリデータを１セットの学習用データとしてもよい。データ生成部５１０ａは、１施行よりも短い期間で収集されたリハビリデータを学習データとして用意してもよい。データ生成部５１０ａは、１施行より長い期間で収集されたリハビリデータを１セットの学習データとして用意してもよい。なお、以下の説明において、１セットの学習データを学習用データセット（単にデータセットとも称する）とする。

データセットの一例について、図１０を用いて説明する。図１０は、データセットを説明するためのテーブルである。１つのデータセットは、検出データと教師データを含んでいる。さらに、１つのデータセットは、設定パラメータ、訓練者データ、及びスタッフデータを含んでいてもよい。図１０では、設定パラメータ、検出データ、訓練者データ、スタッフデータ、及び教師データが対応付けられて、１つのデータセットを構成している。なお、教師データは、上記の通り、訓練開始前に測定された歩行ＦＩＭの実測値である。

なお、図１０では、説明の簡略化のため、設定パラメータ、検出データ、訓練者データ、及びスタッフデータのそれぞれが１つのデータ（例えば、parameter_1）として示されているが、実際には、複数のデータを有していてもよい。例えば、設定パラメータは、上記したように、部分体重免荷量、手摺り１３０ａの上下位置等の２つ以上データを有していてもよい。訓練者データは、上記したように、訓練者９００の初期歩行ＦＩＭ，性別、及び年齢等の２つ以上のデータを含んでいてもよい。スタッフデータは、上記したように、訓練スタッフ９０１の年齢、及び性別等の２つ以上のデータを含んでいてもよい。

また、検出データは、加速度センサ、角速度センサ、位置センサ、光センサ、トルクセンサ、加重センサ等の２つ以上のセンサのデータを含んでいてもよい。また、データセットは、検出データの生データに限らず、検出データに所定の処理を施したデータを含んでいてもよい。例えば、一定期間に取得された検出データから抽出された特徴量を学習用データとしてもよい。

例えば、データセットは、１施行における検出データの最大値、最小値、極大値、極小値、平均値などを含んでいてもよい。データ生成部５１０ａは、データ蓄積部５２０に蓄積された検出データから特徴量を算出してもよい。また、データ蓄積部５２０が特徴量を蓄積していてもよい。データ蓄積部５２０が検出データの生データを蓄積し、学習モデルが特徴量を算出する層を有していてもよい。

学習部５１０ｂは、歩行ＦＩＭを除いたリハビリデータから歩行ＦＩＭを導く関数を求める回帰問題として、機械学習を行うことができる。あるいは、歩行ＦＩＭが１～７の７段階で設定されているため、学習部５１０ｂは分類問題として、機械学習を行うことができる。

学習部５１０ｂは、図１１のように、ニューラルネットワークにより学習モデル５１１０を構築してもよい。学習モデル５１１０では、入力層５１１１と出力層５１１２と中間層（隠れ層ともいう）とを備えている。中間層５１１３は、入力層５１１１と出力層５１１２との間に設けられている。入力層５１１１は、複数のノード５１１５を有しており、データセットに含まれる各データを入力とする。出力層５１１２は、歩行ＦＩＭの推定値を出力する。中間層５１１３は複数のノード５１１５を有している。各ノードは活性化関数を有している。各ノードを接続するエッジには重み付けが成されている。学習モデル５１１０は、歩行ＦＩＭを目的変数とし、検出データ等を説明変数とするモデルである。

ここで、学習部５１０ｂで学習させる学習モデル５１１０の種類やそのアルゴリズムは問わないが、アルゴリズムとして、ニューラルネットワークを用いることができる。特に、中間層５１１３を多層化した深層ニューラルネットワーク（ＤＮＮ）を用いることが好ましい。ＤＮＮとしては、例えば、誤差逆伝搬法を採用した多層パーセプトロン（ＭＬＰ）等の、フィードフォワード（順伝搬型）ニューラルネットワークを用いることができる。また、学習モデル５１１０はサポートベクターマシン（ＳＶＭ）としてもよい。

教師データとして歩行ＦＩＭの実測値が入力されているため、学習部５１０ｂは、実測値と推定値とが一致するように学習モデル５１１０を構築する。学習部５１０ｂは、実測値に一致するような推定値を出力する学習モデル５１１０を構築することができる。実測値と、推定値との誤差を最小化するように、学習部５１０ｂは未学習モデルに多数の学習用データを読み込ませていく。制御部５１０は、構築した学習モデル５１１０をモデル記憶部５２１に書き込む。

学習部５１０ｂは、ディープラーニングにより学習モデルを構築してもよい。学習部５１０ｂは、畳み込み演算を行うＣＮＮ（Convolutional Neural Network）により、学習モデルを構築してもよい。この場合、学習モデル５１１０が畳み込み層やプーリング層などを有していてもよい。学習部５１０ｂは、時系列データを取り扱うＲＮＮ（Recurrent Neural Network）やＬＳＴＭ（Long Short Term Memory）等により、学習モデルを構築してもよい。ＲＮＮ等では、時刻ｔ－１の中間層が時刻ｔの中間層に結合されている。例えば、１施行目に収集されたリハビリデータが時刻ｔ－１の学習用データセットとされ、２施行目に収集されたリハビリデータが時刻ｔの学習用データセットとされる。あるいは、１施行内の１歩目に収集されたリハビリデータが時刻ｔ－１の学習用データセットとされ、２歩目に収集されたリハビリデータが時刻ｔの学習用データセットとされる。

あるいは、１施行における各時刻での入力データを逐次入力するために、１つのデータセットが検出データ等の時系列データを含んでいてもよい。つまり、学習用データセットは、時系列に沿ったログデータを含んでいてもよい。上記のようにログデータから抽出された特徴量を学習データとしてもよい。さらに、データ生成部５１０ａが時系列の検出データが画像データとなるように、データ処理を行い、該画像データを学習用データとしてもよい。なお、学習部５１０ｂが用いる学習手法としては公知のアルゴリズムを用いることができるため、詳細な説明を省略する。

ここでは、学習部５１０ｂがＭＬＰを用いた学習済みモデルを生成する例を挙げ、学習部５１０ｂで未学習モデルへの入力される入力パラメータ、及び未学習モデルから出力される出力パラメータの例について説明する。入力パラメータのそれぞれは入力層のノードに対応し、出力パラメータのそれぞれは出力層のノード（つまり目的変数）に対応する。なお、上述したように、未学習モデルとは全くの未学習である場合に限らず、学習中のモデルである場合もある。

例えば、歩行ＦＩＭが低い訓練者９００の歩行訓練では、関節駆動部２２１、引張駆動部２１４、又はハーネス駆動部２１５の駆動トルクが高くなる。歩行ＦＩＭが高い訓練者９００の歩行訓練では、関節駆動部２２１、引張駆動部２１４、又はハーネス駆動部２１５の駆動トルクが低くなる。あるいは、歩行ＦＩＭが低い訓練者９００の歩行訓練では、足裏の荷重センサ２２２のばらつきが大きくなり、歩行ＦＩＭが低い訓練者９００の歩行訓練では、ばらつきが小さくなる。

よって、学習部５１０ｂは、検出データに基づいて歩行ＦＩＭを推定する学習モデルを構築することができる。さらに、学習部５１０ｂは、歩行ＦＩＭの実測値を教師データとして、学習モデルを構築する。これにより、学習部５１０ｂは、歩行ＦＩＭを高い精度で推定する学習モデルを構築することが可能となる。機械学習が終了したら、学習部５１０ｂは、学習モデル５１１０をモデル記憶部５２１に書き込む。

なお、学習済みモデルは、回復度を含む指標として、歩行ＦＩＭを推定したが、歩行ＦＩＭ以外の指標を推定してもよい。例えば、図１１に示すように、学習済みモデル５１１０は、中間層５１１３のノードの出力を指標としてもよい。例えば、中間層５１１３の中で最後段にある中間層５１１４の一つのノード５１１６の出力を指標とすることができる。

この場合でも、歩行ＦＩＭを教師データとして教師あり機械学習を行うことができるため、精度の高い学習済みモデルを構築することができる。さらに、中間層５１１４の出力を指標として用いることで、歩行ＦＩＭ以外で平地歩行能力（回復度）を示す指標を求めることができる。また、７段階以上の細かい尺度で回復度を評価することが可能となる。

また、第１の学習モデル（推奨設定パラメータ用学習モデル）を構築する前の、第２の学習モデル（歩行ＦＩＭ用学習モデル）が構築されている場合、第１の学習モデルを構築するための学習用データセットが歩行ＦＩＭの推定値を含んでいてもよい。つまり、学習用データセットが歩行ＦＩＭの実測値の代わりに推定値を含んでいてもよい。これにより、データ生成部５１０ａが実測値がないリハビリデータを学習用データとして生成することができる。これにより、より多くの学習用データセットを利用することができる。また、歩行ＦＩＭの測定を頻繁に行うことが困難な場合であっても、より正確に回復度を推定することができる。

なお、第１の学習モデルと第２の学習モデルの学習に用いられる学習用データセットは、同じ施行や同じ訓練者の歩行訓練で収集されたリハビリデータであってもよく、異なる施行や異なる訓練者の歩行訓練で収集されたリハビリデータであってもよい。つまり、学習用データセットとなるリハビリデータを収集する歩行訓練装置、訓練者、歩行訓練は特に限定されるものではない。

さらに、歩行訓練装置１００から取得されたリハビリデータに基づいて、データ生成部５１０ａが新たなリハビリデータを生成してもよい。例えば、データ生成部５１０ａは、データ生成部５１０ａが生成した歩行ＦＩＭの推定値などを学習用データセットに追加する。学習部５１０ｂは、データ生成部５１０ａ又は歩行訓練装置１００で推定された歩行ＦＩＭの推定値を用いて機械学習を行うことができる。もちろん、歩行ＦＩＭの推定値のみを用いて機械学習を行ってもよく、推定値と実測値の両方を用いて機械学習を行ってもよい。

（学習モデルの利用）
上記の通り、制御部５１０は、第２の学習モデルの機械学習が終了すると、学習済みモデルとして、モデル記憶部５２１に格納する。従って、モデル記憶部５２１は、第１の学習済みモデルと第２の学習済みモデルを記憶する。なお、実施の形態１で生成した学習済みモデル、すなわち推奨設定パラメータを出力するためモデルが第１の学習済みモデルである。そして、本実施の形態２で生成した学習済みモデル、すなわち、回復度を示す指標を出力するモデルが第２の学習済みモデルである。なお、学習部５１０ｂは、第１の学習済みモデルと第２の学習済みモデルを統合して１つの学習済みモデルとしてもよい。

サーバ５００は、第１の学習済みモデルと同様に、第２の学習済みモデルを歩行訓練装置１００に送信する。歩行訓練装置１００の全体制御部２１０は、検出データ等を第２の学習済みモデルに入力することで、歩行ＦＩＭの推定値を出力する。さらに、全体制御部２１０は、歩行ＦＩＭの実測値に変えて、歩行ＦＩＭの推定値を第１の学習済みモデルの入力データとする。

このようにすることで、歩行ＦＩＭを実測していない訓練者９００に対しても、訓練スタッフ９０１が、適切な設定パラメータを用いることが可能になる。上記の通り、頻繁に歩行ＦＩＭを測定することができない場合や、訓練スタッフに応じて歩行ＦＩＭの採点がばらついてしまうおそれがある。本実施の形態では、第２の学習済みモデルが用いられているため、適切に回復度を評価することができる。さらに、歩行ＦＩＭの実測値に代わりに推定値が第１の学習済みモデルの入力データとすることができる。よって、歩行ＦＩＭを実測していない訓練者９００や、歩行ＦＩＭを実測してから長期間経過した訓練者９００であっても、訓練スタッフ９０１が、適切な設定パラメータを設定することができる。よって、訓練者９００がより有効な歩行訓練を行うことができる。

もちろん、回復度を示す指標は、歩行ＦＩＭの推定値に限らず、ＳＩＡＳ等のその他の指標を用いることができる。さらに、最新の歩行ＦＩＭの実測値がリハビリデータに含まれている場合、歩行ＦＩＭの推定値を用いずに、実測値を用いてもよい。例えば、歩行ＦＩＭの最新の実測日と訓練日が所定の日数未満である場合、第２の学習モデルは、実測値を入力データとして、推奨値を求める。歩行ＦＩＭの最新の実測日と訓練日が所定の日数以上である場合、第２の学習モデルは、推定値を入力データとして、推奨値を算出する。

実施の形態３．
実施の形態３では、サーバ５００が訓練者９００を複数のグループに分けている。そして、サーバ５００がグループ毎に、学習モデルを構築している。具体的には、サーバ５００が訓練者データに基づいて、訓練者をクラスタリングしている。なお、実施の形態３にかかるシステムの基本的な構成、及び処理については、実施の形態１、２と同様であるため、適宜説明を省略する。なお、制御部５１０が、第１の学習モデル、及び第２の学習モデルの少なくとも一方をグループ毎に生成する。

図１２を用いて、本実施の形態にかかる処理方法について説明する。図１２は、制御部５１０における処理を説明するためのフローチャートである。まず、制御部５１０は、実施の形態１と同様に、リハビリデータを取得する（Ｓ２１）。そして、制御部５１０は、訓練者をグループ分けする（Ｓ２２）。グループ分けする訓練データとしては、初期歩行ＦＩＭ、及びＳＩＡＳの値を用いることができる。例えば、初期歩行ＦＩＭとＳＩＡＳの値が一致する訓練者を１つのグループとしてもよい。なお、グループの数は２以上であれば、特に限定されるものではない。また、訓練スタッフ９０１等が、グループ分けの処理の一部又は全部を行ってもよい。

また、制御部５１０が、機械学習を用いて、グループ分け用の学習モデルを構築してもよい。この場合、制御部５１０が、例えば、教師無し学習により、グループ分け用の学習モデルを構築する。制御部５１０が、ｋ平均法などのクラスタリング手法を用いて、学習モデルを構築する。ｋ平均法では、予め管理者がクラスタ数ｋ（２以上の整数）を入力しておくと、複数の訓練者９００を含む集団が、ｋ個のクラスタにクラスタリングされる。なお、クラスタリングは、非階層型クラスタリングであってもよく、階層型クラスタリングであってもよい

データ生成部５１０ａは、グループ毎に学習用データセットを用意する（Ｓ２３）。つまり、データ生成部５１０ａは、同じグループに属する訓練者９００のリハビリデータを学習用データセットとする。学習部５１０ｂは、グループ毎に学習モデルを構築する（Ｓ２４）。なお、ステップＳ２１、ステップＳ２３、ステップＳ２４については、実施の形態１、２と同様であるため説明を省略する。

このようにすることで、学習部５１０ｂは、グループ毎に学習モデルを構築することができる。モデル記憶部５２１は、それぞれのグループ毎に学習モデルを記憶する。第１の学習モデルの利用時には、訓練者９００が属するグループの第１の学習済みモデルを用いて、全体制御部２１０が推奨設定パラメータを出力する。全体制御部２１０は、訓練者９００に適した第１の学習済みモデルを用いることができるため、適切な推奨設定パラメータを出力することができる。例えば、サーバ５００が、評価用のリハビリデータを取得すると、その訓練者９００に類似するグループをｋ近傍法（ｋｎｎ法）によって決定することができる。

あるいは、訓練者９００が属するグループの第２の学習済みモデルを用いて、制御部５１０が歩行ＦＩＭを推定する。全体制御部２１０は、訓練者９００に適した第２の学習済みモデルを用いることができるため、歩行ＦＩＭの推定精度を高くすることができる。なお、第１の学習済みモデル及び第２の学習済みモデルの両方がグループ毎に生成されていてもよく、一方のみがグループ毎に生成されていてもよい。

実施の形態４．
推奨設定パラメータ出力部５１０ｃは、グループ毎に、回復度を示す指標の統計値を算出している。推奨設定パラメータ出力部５１０ｃは、回復度を示す指標の統計値に基づいて、推奨設定パラメータを出力するか否かを判定している。具体的には、訓練者９００の回復速度が統計値に基づく閾値よりも遅い場合は、推奨設定パラメータ出力部５１０ｃは、訓練を改善すべきと判定する。推奨設定パラメータ出力部５１０ｃは、より効果的な訓練を実施させるために、推奨設定パラメータを出力する。一方、訓練者９００の回復速度が、統計値に基づく閾値よりも速い場合は、推奨設定パラメータ出力部５１０ｃは、現在な訓練が適切であると判定する。推奨設定パラメータ出力部５１０ｃは、現状の設定パラメータでの訓練を続行させるように、推奨設定パラメータを出力しない。なお、以下の設営では、サーバ５００が、推奨設定パラメータ出力部５１０ｃを有しているとして説明するが、全体制御部２１０が推奨設定パラメータ出力部５１０ｃを有していてもよい。つまり、歩行訓練装置１００において、本実施の形態の処理に一部又は全てが実施されていてもよい。

回復度を示す指標の統計値は、歩行ＦＩＭの変化速度、つまりＦＩＭ効率を用いることができる。図１３は歩行ＦＩＭの変化速度を示すグラフであり、横軸が時間（例えば、入院日数又は訓練日数）であり、縦軸が歩行ＦＩＭである。図１３では、グループ１の初期歩行ＦＩＭの低いグループ１と、初期歩行ＦＩＭの高いグループ２のグラフが示されている。具体的には、グループ１では初期歩行ＦＩＭが２となっており、グループ２の初期歩行ＦＩＭが複数の訓練者９００に対して過去に行われた歩行訓練のリハビリデータから、（日数、歩行ＦＩＭ）のデータペアを抽出する。図１３は、実測値のデータを白丸でプロットしている。

例えば、推奨設定パラメータ出力部５１０ｃは、複数のデータペアに対して最小二乗法など行うことで、変化速度の近似関数を求める。そして、歩行ＦＩＭの変化速度の近似関数を統計値として用いる。なお、統計値は、歩行ＦＩＭの実測値のみから求められていてもよく、実測値及び推定値から求められていてもよい。さらに、統計値は、推定値のみから求められていてもよい。図１３では、歩行ＦＩＭの変化速度の近似直線を統計値としているが、多項式などの近似曲線を統計値としてもよい。

歩行ＦＩＭの推定値が、統計値よりも著しく低い場合、歩行訓練が効果的でないことが推測される。よって、推奨設定パラメータ出力部５１０ｃは、歩行訓練の設定パラメータを改善するように提示する。例えば、推奨設定パラメータ出力部５１０ｃは、訓練者９００の日数を基準として、推定値と、統計値に基づく閾値を比較する。例えば、統計値に対する所定の割合を閾値とすることができる。図１３では、グループ１の統計値に対して閾値ＴＨ１が設定され、グループ２の統計値に対して閾値ＴＨ２が設定されている。閾値ＴＨ１、ＴＨ２はそれぞれ、日数に対して徐々に増加する線形な関数として示されている。グループ及び日数が決まれば、推奨設定パラメータ出力部５１０ｃが、閾値を得ることができる。閾値ＴＨ１、ＴＨ２は、それぞれのグループにおいて、訓練日数に対する目標回復度を示している。

推奨設定パラメータ出力部５１０ｃは、目標回復度である閾値ＴＨ１と、歩行ＦＩＭの推定値又は実測値とを比較する。そして、推奨設定パラメータ出力部５１０ｃは比較結果に応じて、推奨設定パラメータを出力する。つまり、指標が示す回復度が目標回復度よりも遅い場合に、推奨設定パラメータ出力部５１０ｃは、訓練者９００の訓練が適切ではないと判定する。指標が示す回復度が目標回復度よりも速い場合に、推奨設定パラメータ出力部５１０ｃは、訓練者９００の訓練が適切であると判定する。このように、推奨設定パラメータ出力部５１０ｃは、訓練者９００の回復度が目標回復度に到達しているか否かを判定する。これにより、推奨設定パラメータ出力部５１０ｃは、訓訓練が適切か否かの判定を行うことができる。

図１３において、推定値Ｅはグループ１に属する訓練者９００の歩行ＦＩＭの推定値である。歩行ＦＩＭの推定値Ｅが、統計値から設定される閾値ＴＨ１未満であるため、推奨設定パラメータ出力部５１０ｃは、歩行訓練が効果的でないと判定して、訓練に有効な設定パラメータを出力する。つまり、推定値が目標回復度に達していない場合、推奨設定パラメータ出力部５１０ｃは、推奨設定パラメータを出力する。推奨設定パラメータは、変更すべき設定パラメータの推奨値を示す。なお、推奨値は、特定の値でもよく、幅を持った範囲であってもよい。変更すべき設定パラメータの種類は１種類以上であればよい。

制御部５１０は、通信ＩＦ５１４を介して、推奨設定パラメータを歩行訓練装置１００に送信する。歩行訓練装置１００が推奨設定パラメータを受信すると、管理用モニタ１３９に表示する。管理用モニタ１３９を確認した訓練スタッフ９０１は、推奨設定パラメータに基づいて、設定パラメータを変更又は調整する。もちろん、歩行訓練装置１００が自動で推奨設定パラメータを設定してもよい。推奨設定パラメータは、全種類の設定パラメータに限らず、１種類以上であればよい。

推奨設定パラメータ出力部５１０ｃは、過去の歩行訓練で用いられた設定パラメータに基づいて、推奨設定パラメータを設定することができる。例えば、推奨設定パラメータ出力部５１０ｃは、グループ内において、歩行ＦＩＭの変化速度が高かった、つまり歩行訓練が効果的に行われた訓練者を推奨訓練者として予め抽出しておく。推奨訓練者の歩行訓練で収集されたリハビリデータにおいて、訓練者９００の日数及び歩行ＦＩＭの値に近い時の設定パラメータを推奨設定パラメータとする。

もちろん、１つのグループにおいて、複数の推奨訓練者が予め設定されていてもよい。複数の推奨訓練者が設定されている場合、複数の推奨訓練者の中から、訓練者に類似する一人の推奨訓練者を選択するようにしてもよい。あるいは、複数の推奨訓練者の設定パラメータの平均値や中央値などの代表値を推奨設定パラメータとしてもよい。

図１４を用いて、サーバ５００での処理について説明する．図１４は、サーバ５００において、推奨設定パラメータを求める処理を示すフローチャートである。なお、図１４に示す処理の一部又は全部は、歩行訓練装置１００で実行されてもよい。

まず、サーバ５００が最新のリハビリデータを取得する（Ｓ３１）。すると、推奨設定パラメータ出力部５１０ｃは、リハビリデータに含まれる訓練者データに基づいて、訓練者の属するグループを決定する（Ｓ３２）。例えば、推奨設定パラメータ出力部５１０ｃは、データ蓄積部５２０に蓄積されている過去のリハビリデータを参照して、最新のリハビリデータの訓練者に類似するグループを決定することができる。

推奨設定パラメータ出力部５１０ｃは、ｋｎｎ法を用いて、訓練者９００の属するグループを決定する。推奨設定パラメータ出力部５１０ｃは、例えば、訓練者データから、特徴量を複数含む特徴量ベクトルを抽出する。推奨設定パラメータ出力部５１０ｃは、特徴量ベクトルに対して、過去の訓練者のうち、最近傍にあるｋ人の訓練者を決定する。そして、推奨設定パラメータ出力部５１０ｃは、ｋ人の過去の訓練者が最も多く属するグループを評価時の訓練者が属するグループとして決定する。

推奨設定パラメータ出力部５１０ｃは、決定されたグループの学習済みモデルを用いて、歩行ＦＩＭを推定する（Ｓ３３）。推奨設定パラメータ出力部５１０ｃは、検出データ等を含むリハビリデータを学習済みモデルに入力する。これにより、学習済みモデルが、歩行ＦＩＭの推定値を出力する。そして、推奨設定パラメータ出力部５１０ｃは、推定値が閾値未満であるか否かを判定する（Ｓ３４）。上記のように、閾値は、グループ毎の統計値に基づいて設定された値である。そして、最新の訓練者の訓練日数などを基準として、推奨設定パラメータ出力部５１０ｃは、推定値と閾値とを比較する。

なお、歩行ＦＩＭの実測値が含まれる場合、Ｓ３３を省略してもよい。この場合、Ｓ３４では、実測値と閾値とを比較する。例えば、歩行ＦＩＭの実測日が訓練日から所定日数未満である場合は、Ｓ３３を省略することができる。実測日から日数が経過していないため、実測値の信頼度が高い。歩行ＦＩＭの実測日が訓練日から所定日数未満である場合は、実測値が信頼できないため、推定値を用いる。このように、推奨設定パラメータ出力部５１０ｃは、歩行ＦＩＭの実測値又は推定値を閾値と比較して、目標回復度に達しているか否かを判定する。

推定値が閾値未満でない場合（Ｓ３４のＮＯ）、推奨設定パラメータ出力部５１０ｃは、そのまま処理を終了する。つまり、推定値が目標回復度に達しているため、推奨設定パラメータ出力部５１０ｃは、訓練が効果的に行われると判定して、推奨値を出力しない。推定値が閾値未満である場合（Ｓ３４のＹＥＳ）、推奨設定パラメータ出力部５１０ｃは、推奨設定パラメータを出力する（Ｓ３５）。推定値が目標回復度に達していないため、推奨設定パラメータ出力部５１０ｃは、訓練が効果的に行われていないと判定して、設定パラメータの変更を提案する。上記のように、サーバ５００は、推奨設定パラメータを歩行訓練装置１００に送信する。また、推奨設定パラメータは、グループ内の過去のリハビリデータに基づいて、設定されている。

このようにすることで、より適切な設定パラメータで訓練を行うことが可能となる。よって、より効果的に訓練することができるため、歩行訓練のパフォーマンスを向上することができる。推奨設定パラメータ出力部５１０ｃは、訓練中にリアルタイムで推奨設定パラメータを出力してもよい。あるいは、推奨設定パラメータ出力部５１０ｃは、歩行訓練の１施行毎、又は、１日の歩行訓練毎に、推奨設定パラメータを出力してもよい。

また、実施の形態１のように、学習部５１０ｂが推奨設定パラメータを出力する学習モデルを生成してもよい。例えば、学習モデルは、歩行ＦＩＭ、訓練日数、グループに関する訓練者データを入力として、推奨設定パラメータを出力する。この場合、学習用データのデータセットに含まれる設定パラメータの値を、教師データ（正解ラベル）とすることができる。

実施の形態５．
本実施の形態の説明に先立ち、歩行訓練における異常歩行パターンについて説明する。本願発明者らは、片麻痺患者に見られる異常歩行には少なくとも７つに分類されるパターンが存在することを知見として得た。すなわち、それぞれのパターンに対して異常歩行基準を定めれば、訓練者の歩容がいずれかの異常歩行基準と合致する場合に、その歩行動作は異常歩行であると評価できることがわかった。そこで、本実施形態にかかる歩行訓練装置１００においては、歩行評価部２１０ａが、各麻痺体部の動作量と各異常歩行基準とを比較して、その歩行動作が異常歩行であるか否かを評価する。以下に、それぞれの異常歩行基準と、その評価手法について説明する。

図１５は、第１の異常歩行基準を説明する図である。図は、患脚側の下半身である麻痺体部を歩行方向に対して側方から観察した場合の模式図であり、上から順に、体幹ＴＬ，股関節ＨＪ，大腿ＨＬ、膝関節ＮＪ、下腿ＣＬ、足関節ＦＪ、足ＦＬを表す。なお、本実施例においては、「脚」および「脚部」は、股関節ＨＪより下部全体を示す用語として用い、「足」および「足部」を足首からつま先までの部分を示す用語として用いる。

第１の異常歩行基準に合致するか否かを判断するために、全体制御部２１０は、患脚が遊脚期を終えて着地したときの、股関節ＨＪから足関節ＦＪまでの歩行方向に沿う距離Ｘ_１を歩行動作に伴う第１の動作量として検出する。健脚の通常歩行であれば、遊脚期を終えて着地する地点は、股関節ＨＪよりも歩行方向（前方）に位置するはずである。しかし、患脚の歩行においては、患脚を十分に振り出せないために前方まで十分に運脚できず、股関節ＨＪより少しだけ前方に着地したり、股関節ＨＪより後方に着地したりすることがある。

そこで、第１の異常歩行基準として「基準距離Ｘ_ｃ１未満」を設定する。歩行動作において検出された距離Ｘ_１が基準距離Ｘ_ｃ１未満であれば異常歩行と判断する。全体制御部２１０は、荷重センサ２２２からの検出信号とカメラ１４０からの画像データを取得し、これらの情報を用いて遊脚期の終了時点における距離Ｘ_１を検出する。例えば、Ｘ_ｃ１＝２０ｃｍ（＝股関節ＨＪから前方に２０ｃｍ）と設定されている場合に、検出された距離Ｘ_１が１０ｃｍや－５ｃｍであるときには、歩行評価部２１０ａは、その歩行動作を異常歩行と評価する。基準距離Ｘ_ｃ１は、訓練者の体格やリハビリの進捗度合等に応じて変更しても良い。

図１６は、第２の異常歩行基準を説明する図である。図は、患脚側の下半身である麻痺体部を歩行方向に対して側方から観察した場合の模式図であり、各体部を図１５と同様に表す。

第２の異常歩行基準に合致するか否かを判断するために、全体制御部２１０は、患脚の遊脚期における足裏荷重Ｘ_２を歩行動作に伴う第２の動作量として検出する。健脚の通常歩行であれば、遊脚期に足裏が接地することはない。しかし、患脚の歩行においては、脚全体を持ち上げる力が足りないために、足裏が接地した状態で脚を前方に押し出すような、いわゆる引き摺り歩行となる場合がある。

そこで、第２の異常歩行基準として「基準荷重Ｘ_ｃ２より大きい」を設定する。歩行動作において検出された荷重Ｘ_２が基準荷重Ｘ_ｃ２より大きければ異常歩行と判断する。全体制御部２１０は、荷重センサ２２２からの検出信号とカメラ１４０からの画像データを取得し、これらの情報を用いて遊脚期における荷重Ｘ_２を検出する。通常はＸ_ｃ２＝０と設定する。すなわち、遊脚期において足裏からの荷重を少しでも検出したら、歩行評価部２１０ａは、その歩行動作を異常歩行と評価する。ただし、リハビリの進捗度合等に応じて、多少の接地を許容し、例えばＸ_ｃ２＝１０Ｎのように設定しても良い。また、遊脚期中の積算荷重を基準値としても良い。

図１７は、第３の異常歩行基準を説明する図である。図は、患脚側の下半身である麻痺体部を歩行方向に対して側方から観察した場合の模式図であり、各体部を図１５と同様に表す。

第３の異常歩行基準に合致するか否かを判断するために、全体制御部２１０は、患脚の立脚中における膝関節ＮＪの屈曲角度Ｘ_３を歩行動作に伴う第３の動作量として検出する。健脚の通常歩行であれば、立脚中における膝関節ＮＪはそれほど屈曲しない。しかし、患脚の歩行においては、膝関節ＮＪが上体を支える力が足りないために、立脚中に膝関節ＮＪが大きく屈曲することがある。場合によっては、いわゆる膝折れを起こす。

そこで、第３の異常歩行基準として「基準角度Ｘ_ｃ３未満」を設定する。歩行動作において検出された屈曲角度Ｘ_３が基準角度Ｘ_ｃ３より小さければ異常歩行と判断する。全体制御部２１０は、角度センサ２２３からの検出信号とカメラ１４０からの画像データを取得し、これらの情報を用いて立脚中における屈曲角度Ｘ_３を検出する。例えば、Ｘ_ｃ３＝１６５度と設定されている場合に、検出された屈曲角度Ｘ_３が１４０度であるときには、歩行評価部２１０ａは、その歩行動作を異常歩行と評価する。なお、歩行評価部２１０ａは、立脚中に連続して検出された屈曲角度Ｘ_３が一度でも基準角度Ｘ_ｃ３未満となったら、その歩行動作を異常歩行と評価する。基準角度Ｘ_ｃ３は、訓練者の年齢やリハビリの進捗度合等に応じて変更しても良い。

図１８は、第４の異常歩行基準を説明する図である。図は、患脚側の下半身である麻痺体部を歩行方向に対して側方から観察した場合の模式図であり、各体部を図１５と同様に表す。

第４の異常歩行基準に合致するか否かを判断するために、全体制御部２１０は、患脚が立脚期から遊脚期に切り替わる振り出し時の、股関節ＨＪから足関節ＦＪまでの歩行方向に沿う距離Ｘ_４を歩行動作に伴う第４の動作量として検出する。健常者による歩行であれば、振り出し時における足関節ＦＪは、股関節ＨＪに対してある程度後方に位置する。しかし、麻痺患者による歩行においては、上体の体重移動が自由に行えないために、足関節ＦＪが股関節ＨＪから十分に離れる前に振り出しを開始してしまうことがある。

そこで、第４の異常歩行基準として「基準距離Ｘ_ｃ４以上」を設定する。歩行動作において検出された距離Ｘ_４が基準距離Ｘ_ｃ４未満であれば異常歩行と判断する。全体制御部２１０は、荷重センサ２２２からの検出信号とカメラ１４０からの画像データを取得し、これらの情報を用いて立脚期から遊脚期に切り替わる振り出し時点における距離Ｘ_４を検出する。例えば、Ｘ_ｃ４＝－２０ｃｍ（＝股関節ＨＪから後方に２０ｃｍ）と設定されている場合に、検出された距離Ｘ_４が－１０ｃｍ（＝股関節ＨＪから後方に１０ｃｍ）や５ｃｍ（＝股関節ＨＪから前方に５ｃｍ）であるときには、歩行評価部２１０ａは、その歩行動作を異常歩行と評価する。基準距離Ｘ_ｃ４は、訓練者の体格やリハビリの進捗度合等に応じて変更しても良い。

図１９は、第５の異常歩行基準を説明する図である。図は、患脚側の下半身である麻痺体部を歩行方向に対して側方から観察した場合の模式図であり、各体部を図１５と同様に表す。

第５の異常歩行基準に合致するか否かを判断するために、全体制御部２１０は、患脚の立脚中における体幹ＴＬの前方向への傾斜角度Ｘ_５を歩行動作に伴う第５の動作量として検出する。健常者による通常歩行であれば、立脚中における体幹ＴＬは、股関節ＨＪを通る鉛直線に対して前方へ若干傾斜する程度である。しかし、麻痺患者の歩行においては、下半身を庇おうとするために、体幹ＴＬが股関節ＨＪを通る鉛直線に対して大きく前傾してしまうことがある。

そこで、第５の異常歩行基準として「基準角度Ｘ_ｃ５以上」を設定する。歩行動作において検出された前方への傾斜角度Ｘ_５が基準角度Ｘ_ｃ５以上であれば異常歩行と判断する。全体制御部２１０は、姿勢センサ２１７からの検出信号とカメラ１４０からの画像データを取得し、これらの情報を用いて立脚中における傾斜角度Ｘ_５を検出する。例えば、Ｘ_ｃ５＝１０度と設定されている場合に、検出された傾斜角度Ｘ_５が３０度であるときには、歩行評価部２１０ａは、その歩行動作を異常歩行と評価する。なお、歩行評価部２１０ａは、立脚中に連続して検出された傾斜角度Ｘ_５が一度でも基準角度Ｘ_ｃ５以上となったら、その歩行動作を異常歩行と評価する。基準角度Ｘ_ｃ５は、訓練者の年齢やリハビリの進捗度合等に応じて変更しても良い。

図２０は、第６の異常歩行基準を説明する図である。図は、患脚側の下半身である麻痺体部を歩行方向正面から観察した場合の模式図であり、各体部を図１５と同様に表す。

第６の異常歩行基準に合致するか否かを判断するために、全体制御部２１０は、患脚の立脚中における体幹ＴＬの患脚側への傾斜角度Ｘ_６を歩行動作に伴う第６の動作量として検出する。健常者による通常歩行であれば、立脚中における体幹ＴＬは、股関節ＨＪを通る鉛直線に対して左右方向へぶれることはほとんどない。しかし、麻痺患者の歩行においては、患脚側に体重を掛けることに対する恐怖心などのために、体幹ＴＬが股関節ＨＪを通る鉛直線に対して患脚側へ大きく前傾してしまうことがある。

そこで、第６の異常歩行基準として「基準角度Ｘ_ｃ６以上」を設定する。歩行動作において検出された患脚側への傾斜角度Ｘ_６が基準角度Ｘ_ｃ６以上であれば異常歩行と判断する。全体制御部２１０は、姿勢センサ２１７からの検出信号とカメラ１４０からの画像データを取得し、これらの情報を用いて立脚中における傾斜角度Ｘ_６を検出する。例えば、Ｘ_ｃ６＝１０度と設定されている場合に、検出された傾斜角度Ｘ_６が２０度であるときには、歩行評価部２１０ａは、その歩行動作を異常歩行と評価する。なお、歩行評価部２１０ａは、立脚中に連続して検出された傾斜角度Ｘ_６が一度でも基準角度Ｘ_ｃ６以上となったら、その歩行動作を異常歩行と評価する。基準角度Ｘ_ｃ６は、訓練者の年齢やリハビリの進捗度合等に応じて変更しても良い。

図２１は、第７の異常歩行基準を説明する図である。図は、患脚側の下半身である麻痺体部を歩行方向に対して側方から観察した場合の模式図であり、各体部を図１５と同様に表す。

第７の異常歩行基準に合致するか否かを判断するために、全体制御部２１０は、患脚の遊脚中における体幹ＴＬの前方向への傾斜角度Ｘ_７を歩行動作に伴う第７の動作量として検出する。健常者による通常歩行であれば、遊脚中における体幹ＴＬは、股関節ＨＪを通る鉛直線に対して前方へある程度傾斜する。しかし、麻痺患者の歩行においては、上体の体重移動が自由に行えずにのけぞってしまい、体幹ＴＬが股関節ＨＪを通る鉛直線に対して後方に傾斜してしまうことがある。

そこで、第７の異常歩行基準として「基準角度Ｘ_ｃ７未満」を設定する。歩行動作において検出された前方への傾斜角度Ｘ_７が基準角度Ｘ_ｃ７未満であれば異常歩行と判断する。全体制御部２１０は、姿勢センサ２１７からの検出信号とカメラ１４０からの画像データを取得し、これらの情報を用いて遊脚中における傾斜角度Ｘ_７を検出する。例えば、Ｘ_ｃ７＝－５度（＝後方に５度傾斜）と設定されている場合に、検出された傾斜角度Ｘ_７が－２０度であるときには、歩行評価部２１０ａは、その歩行動作を異常歩行と評価する。なお、歩行評価部２１０ａは、遊脚中に連続して検出された傾斜角度Ｘ_７が一度でも基準角度Ｘ_ｃ７未満となったら、その歩行動作を異常歩行と評価する。基準角度Ｘ_ｃ７は、訓練者の年齢やリハビリの進捗度合等に応じて変更しても良い。

以上、７つの異常歩行基準を説明したが、この他の異常歩行基準が加えられても良い。異常歩行基準を定めるにあたっては、単一ではなく、複数定めることが肝要であり、その場合の異常歩行基準は、少なくとも、麻痺体部の互いに異なる部位の動作量に関する２つ以上の基準を含むか、麻痺体部の同一部位の互いに異なる方向への動作量に関する２つ以上の基準を含むと良い。

ここで、互いに異なる部位の動作量に関する２つ以上の基準は、体幹の動作量に関する基準、膝関節の動作量に関する基準および足首から先の足部の動作量に関する基準のうちから選択されると良い。上記の例においては、体幹の動作量に関する基準は第５、６、７の基準であり、膝関節の動作量に関する基準は、第３の基準であり、足部の動作量に関する基準は、第１、２、４の基準である。このように着目する動作量を選択すると、実際の歩容が異常歩行であると評価されるべき場合に、一方の動作量からは異常歩行と評価されない場合でも、他方の動作量から異常歩行と評価されることが多いことが実験を通じて明らかとなった。

また、麻痺体部の同一部位の互いに異なる方向への動作量に関する２つ以上の基準は、体幹の歩行方向に対する動作量に関する基準と歩行方向に対して直交する直交方向に対する動作量に関する基準とを含むと良い。上記の例においては、第５および第７のいずれかの基準と、第６の基準との関係が相当する。このように着目する動作量を組み合わせても、実際の歩容が異常歩行であると評価されるべき場合に、一方の動作量からは異常歩行と評価されない場合でも、他方の動作量から異常歩行と評価されることが多いことが実験を通じて明らかとなった。

また、異常歩行基準は、患脚の遊脚期と立脚期でそれぞれ異なる基準とすると良いことがわかった。第１の基準と第４の基準は、互いに同一部位の同一方向の基準であるが、それぞれ遊脚期から立脚期に切り替わる時点と、立脚期から遊脚期に切り替わる時点に着目している。また、第５の基準と第７の基準は、同じく互いに同一部位の同一方向の基準であるが、それぞれ立脚期と遊脚期を別々に着目している。すなわち、同一部位かつ同一方向の動作量であっても、観察時点を区切れば、歩行動作の異なる特徴量として評価できる。

次に、歩行訓練装置１００の処理動作について説明する。図２２は、処理動作を示すフロー図である。フローは、訓練者９００またはオペレータによって訓練メニューが選択されて、一連の訓練プログラムが起動した時点から開始する。

全体制御部２１０は、ステップＳ１０１で、歩行周期カウンタｎをリセットする。そして、トレッドミル駆動部２１１を駆動してベルト１３２の回転を開始すると共に、設定された調整値に応じて引張駆動部２１４および関節駆動部２２１を駆動して、訓練者９００の歩行アシストを実行する。訓練者９００が方向動作を開始したら、ステップＳ１０２で、歩行動作に伴う各動作量を取得する。具体的には、カメラ１４０から取得した画像信号を画像処理部２１６で解析したり、姿勢センサ２１７、荷重センサ２２２、角度センサ２２３からの検出信号を取得して動作量に換算したりする。

全体制御部２１０は、ステップＳ１０３で、一歩行周期が終了したか否かを判断する。異常歩行の評価は、患脚の一歩ごとに実行しても良いが、本実施形態においては、患脚の一歩とこれに連続する健脚の一歩の一周期で評価を実行する。したがって、全体制御部２１０は、一歩行周期が終了したと判断したら、評価を実行すべくステップＳ１０４へ進み、まだ終了していないと判断したら、ステップＳ１０２へ戻って各動作量の取得を継続する。

全体制御部２１０の歩行評価部２１０ａは、ステップＳ１０４で、異常歩行の評価を実行する。具体的には、歩行動作における各部位、各方向、各期間の動作量を集計し、上記の各異常歩行基準に合致するか否かを確認する。異常歩行と評価された場合には、その歩行動作を失敗歩行と判定する。歩行評価部２１０ａは、ステップＳ１０５で、上記の各異常歩行基準の一つにでも合致するかを判断し、一つにでも合致すると判断した場合には、ステップＳ１０６へ進み、ｎ歩目の評価変数Ｅｎに「０」を代入する。そして、全体制御部２１０は、当該一歩が失敗歩行であった旨を、表示制御部２１３を介して訓練用モニタ１３８および管理用モニタ１３９に表示する。一方、ステップＳ１０５で、上記の各異常歩行基準のいずれにも合致しないと判断した場合には、ステップＳ１０８へ進み、ｎ歩目の評価変数Ｅｎに「１」を代入する。そして、全体制御部２１０は、当該一歩が成功歩行であった旨を、表示制御部２１３を介して訓練用モニタ１３８および管理用モニタ１３９に表示する。

ここで、失敗歩行であった旨を訓練中にリアルタイムに表示する場合には、訓練用モニタ１３８および管理用モニタ１３９が、どの異常歩行基準に合致したかを示すことなく、簡素で単一の表示にしてもよい。あるいは、訓練用モニタ１３８および管理用モニタ１３９が、異常歩行基準毎に合致したか否かを示してもよい。この場合、上記の評価変数Ｅｎをパターン毎に用意しておけばよい。なお、失敗歩行であるか否かを呈示する手段は、管理用モニタ１３９に限らず、ブザー音や点滅光などを利用することもできる。この場合も、音や光は、簡素で単一の態様で訓練者９００に示すことが好ましい。このように失敗歩行である旨を呈示する管理用モニタ１３９や、音や光を発生するデバイスなどは、歩行評価部２１０ａによる評価に関する情報を呈示する呈示部として機能する。

ステップＳ１０７で失敗表示を、またはステップＳ１０９で成功表示を終えたら、全体制御部２１０は、ステップＳ１１０へ進み、歩行周期カウンタｎをインクリメントする。そして、ステップＳ１１１では、歩行周期カウンタｎが、一連の歩行訓練プログラムで予定されていた歩行周期数ｎ_０に到達したか否かを判断する。到達していないと判断したら、ステップＳ１０２へ戻り、歩行訓練制御を継続する。到達したと判断したら、ステップＳ１１２へ進む。

全体制御部２１０の訓練判定部２１０ｂは、ステップＳ１１２で、一連の連続的に歩行した歩行訓練試行における評価結果を集計し、歩行訓練試行の成功度合を示すための判定を行う。訓練判定部２１０ｂは、具体的には、患脚の総歩行数に対する失敗歩行数の割合を計算したり、ハーネス駆動部２１５を動作させた転倒回避動作数を評価したりして、訓練判定を導出する。全体制御部２１０は、訓練判定部２１０ｂが判定結果を、ステップＳ１１３で、表示制御部２１３を介して訓練用モニタ１３８および管理用モニタ１３９に表示した後に、一連の処理を終了する。

歩行評価部２１０ａは予め設定された異常歩行基準に基づいて、異常歩行判定を行っている。つまり、歩行評価部２１０ａは異常歩行基準に合致した場合、当該異常歩行基準に対応する異常歩行パターンに該当すると判定し、異常歩行基準に合致しない場合、当該異常歩行基準に対応する異常歩行パターンに該当しないと判定する。歩行訓練装置１００は、異常歩行パターンに該当するか否かの判定結果を検出データとして記録する。

図２３は、異常歩行パターンの判定結果を示す表である。図２３に示すように、検出データは、一歩毎に、７個の異常歩行パターンに該当するか否かの判定結果を含んでいる。図２３では、異常歩行基準に合致する場合、異常歩行パターンに該当することを示すＮＧとなり、異常歩行基準に合致しない場合、異常歩行パターンに該当しないことを示すＯＫとなる。もちろん、一歩が２つ以上の異常歩行パターンに該当することもある。上記の説明では、異常歩行のパターン数を７つとしたが、７未満でもよく、８以上でもよい。つまり、異常歩行のパターン数は１以上であればよい。なお、歩行訓練装置１００は、一歩毎に、判定結果と歩行動作を撮像した動画を対応付けて記憶してもよい。

歩行訓練装置１００は、図２３に示すような異常歩行パターンに該当するか否かの判定結果を検出データとして、サーバ５００に送信する。サーバ５００は、異常歩行パターンに該当するか否かの判定結果をリハビリデータの一部として収集する。なお、歩行訓練装置１００は、判定結果自体を検出データとして送信する構成に限らず、判定するためのデータ（例えば、距離Ｘ_１など）を送信しても良い。そして、サーバ５００が、異常歩行判定を行ってもよい。

制御部５１０は，異常歩行判定の判定結果を用いて、機械学習を行う。具体的には、データ生成部５１０ａが、異常歩行判定の判定結果が変化したタイミングの前後で、データセットを生成する。学習部５１０ｂは、判定結果が変化する前後のデータセットを用いて、ＲＮＮによる機械学習を行う。

例えば、図２３に示す判定結果では、１～２歩目で歩行異常無しとなり、３歩目で歩行異常パターン１に該当し、４～７歩目で歩行異常無しとなっている。また、８歩目、９歩目で歩行異常パターン２，７が発生し、これらは同じとなっている。よって、データ生成部５１０ａが、２歩目、３歩目、４歩目、７歩目、８歩目のデータをそれぞれ１データセットとする。換言すると、４歩目～７歩目までは歩行異常なしで変化していないため、データ生成部５１０ａが、５歩目、６歩目のデータを学習用データセットから排除する。このようにすることで、変化の大きいデータセットを用意することができる。さらに、変化の小さいデータセットを排除することができるため、計算処理の負荷を抑制することができる。

検出データに変化があった場合に限らず、データ生成部５１０ａが、設定パラメータに変化があった前後で、データセットを生成してもよい。例えば、１施行の訓練中に訓練スタッフ９０１が歩行訓練装置１００におけるアシストレベルなどの設定パラメータを変えた場合、全体制御部２１０は、１歩毎に、設定パラメータの変化を記録する。例えば、図２４に示すように、全体制御部２１０は、１歩毎に、設定パラメータの値を記録すればよい。

設定パラメータ１～Ｎは、それぞれ異なるパラメータとなっている。例えば、設定パラメータ１は、トレッドミル速度［ｋｍ／ｈ］、設定パラメータ２は部分体重免荷量［％］等となっている。歩行訓練装置１００は、１歩毎の設定パラメータの設定値をサーバ５００に送信する。そして、サーバ５００は、設定パラメータの判定結果の場合と同様に、設定パラメータの変化があった前後で、データセットを生成する。

なお、上記の例では、データ生成部５１０ａが、１歩毎に１つのデータセットを生成したが、複数歩まとめたデータを１つのデータセットとしてもよい。例えば、データ生成部５１０ａが、複数歩分のデータを１つデータセットしてもよい。あるいは、データ生成部５１０ａが、１施行分のデータを１つのデータセットとしてもよい。

図２５は、本実施の形態での学習モデル５２１０を示す。具体的には、学習モデル５２１０は、入力層５２１１、中間層５２１３、及び出力層５２１２を備えたＲＮＮとなっている。入力層５２１１には、時系列に沿ってデータセットが順次入力される。ＲＮＮである学習モデル５２１０は、中間層５２１３の出力が、再度中間層５２１３に入力される。

このように、データ生成部５１０ａは、異常歩行判定の判定結果や設定パラメータが変化した前後のデータをそれぞれ１つのデータセットとしている。このようにすることで、学習部５１０ｂが適切に機械学習を行うことができる。つまり、データ生成部５１０ａは、より精度の高い学習済みモデルを簡便な計算で生成することができる。

異常歩行の判定結果が検出データとして、リハビリデータに含まれている。データ生成部５１０ａは、異常歩行の判定結果を示す検出データを学習用データセットとして用意する。学習部５１０ｂは、異常歩行の判定結果を示す検出データを学習用データセットとして用いて機械学習を行い、第１及び第２の学習モデルの少なくとも一方を生成する。なお、異常歩行の判定は、歩行訓練装置１００で行われてもよく、サーバ５００で行われてもよい。あるいは、異常歩行の判定の一部が歩行訓練装置１００で行われてもよく、サーバ５００で行われてもよい。つまり、歩行訓練装置１００とサーバ５００、あるいは他の処理装置が協働して、異常歩行判定を行ってもよい。

また、上述したサーバ５００、又は歩行訓練装置１００における処理の一部又は全部は、コンピュータプログラムとして実現可能である。また、サーバ５００又は歩行訓練装置１００で実行される学習済みモデルは、コンピュータプログラムとして実現可能である。例えば、サーバ５００又は歩行訓練装置１００がコンピュータプログラムとしての学習済みモデルを実行することで、歩行ＦＩＭなどの推定値が出力される。

このようなプログラムは、様々なタイプの非一時的なコンピュータ可読媒体を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば光磁気ディスク）、ＣＤ－ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ ＰＲＯＭ）、フラッシュＲＯＭ、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ））を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。

なお、本発明は上記実施形態に限られたものではなく、趣旨を逸脱しない範囲で適宜変更することが可能である。

１００ 歩行訓練装置
１１０ 装具
１１０ａ 連結フック
１１１ ハーネスワイヤ
１１２ ハーネス引張部
１２０ 歩行補助装置
１２１ 制御ユニット
１３０ フレーム
１３０ａ 手摺り
１３１ トレッドミル
１３２ ベルト
５１０ 制御部
５１０ａ データ生成部
５１０ｂ 学習部
５１０ｃ 推奨設定パラメータ出力部
５１１０ 学習モデル
５１１１ 入力層
５１１２ 出力層
５１１３ 中間層
５１１４ 中間層
２１０ 全体制御部
２１０ａ 歩行評価部
２１０ｂ 訓練判定部
２１１ トレッドミル駆動部

Claims (15)

1. 訓練者の歩行動作を補助するアクチュエータと、設定パラメータに応じて前記アクチュエータを制御する制御部と、を備えた歩行訓練装置からのリハビリデータを取得するデータ取得部と、
   前記訓練者の回復度を示す指標と、前記設定パラメータと、訓練スタッフの年齢、性別、体格、経験年数を示すスタッフデータと、を含むリハビリデータを学習用データとして生成するデータ生成部と、
   前記学習用データを用いて機械学習を行うことで、前記指標と前記スタッフデータとを入力として、前記設定パラメータの推奨値を出力する学習モデルを生成する学習部と、を備え、
   前記訓練者の回復度を示す指標が、前記訓練者の平地歩行ＦＩＭの実測値を含み、
   前記学習用データには、前記平地歩行ＦＩＭの実測値と前記設定パラメータの実設定値と複数人の前記スタッフデータが含まれており、
   前記学習部が、前記設定パラメータの実設定値を教師データとして教師有り学習を行う、
   学習装置。
2. 前記歩行訓練装置には、前記アクチュエータによって補助された前記訓練者の歩行動作に関するデータを検出するセンサが設けられており、
   前記センサの検出結果に応じて、前記平地歩行ＦＩＭの推定値が推定されており、
   前記学習モデルが前記平地歩行ＦＩＭの推定値を入力データとして、前記設定パラメータの推奨値を出力する請求項１に記載の学習装置。
3. 前記歩行訓練装置には、前記アクチュエータによって補助された前記訓練者の歩行動作に関するデータを検出するセンサが設けられており、
   前記センサは、前記訓練者の歩行動作における複数の動作量を検出するために設けられ、
   前記歩行訓練装置は、前記動作量の少なくとも一つが、予め定められた異常歩行基準のいずれかに合致した場合に前記歩行動作が異常歩行であると評価し、
   前記リハビリデータが、前記異常歩行であるか否かの評価結果を示す検出データを含んでいる請求項１または２に記載の学習装置。
4. 前記リハビリデータには、前記訓練者の身体能力を示す訓練者データが含まれており、
   前記訓練者データに応じて、前記訓練者がグループに分類されており
   前記学習部が、前記グループ毎に学習モデルを生成する請求項１～３のいずれか１項に記載の学習装置。
5. 歩行訓練を行う訓練者の動作を補助するアクチュエータと、設定パラメータに応じて前記アクチュエータを制御する制御部と、を備えた歩行訓練装置からのリハビリデータをコンピュータが取得するステップと、
   前記訓練者の回復度を示す指標と、前記歩行訓練装置の設定に関する設定パラメータと、訓練スタッフの年齢、性別、体格、経験年数を示すスタッフデータと、を含むリハビリデータを学習用データとしてコンピュータが生成するステップと、
   前記学習用データを用いて機械学習を行うことで、前記指標と前記スタッフデータとを入力として、前記設定パラメータを出力する学習モデルをコンピュータが生成するステップと、を備え、
   前記訓練者の回復度を示す指標が、前記訓練者の平地歩行ＦＩＭの実測値を含み、
   前記学習用データには、前記平地歩行ＦＩＭの実測値と前記設定パラメータの実設定値と複数人の前記スタッフデータが含まれており、
   前記設定パラメータの実設定値を教師データとする教師有り学習により前記学習モデルが生成されている、
   学習方法。
6. コンピュータに対して、請求項５に記載の学習方法を実行させるためのプログラム。
7. 歩行訓練装置で取得した評価用リハビリデータに基づいて、前記歩行訓練装置における設定パラメータの推奨値を出力するように、コンピュータを機能させるための学習済みモデルであって、
   前記学習済みモデルが、請求項１～４のいずれか１項に記載の学習装置で生成された学習モデルである、学習済みモデル。
8. 訓練者の歩行動作を補助するアクチュエータと、
   設定パラメータに応じて前記アクチュエータを制御する制御部と、
   前記訓練者の回復度を示す指標と、訓練スタッフの年齢、性別、体格、経験年数を示すスタッフデータと、を入力データとして、前記設定パラメータの推奨値を出力する学習済みモデルと、を備え、
   前記訓練者の回復度を示す指標が、前記訓練者の平地歩行ＦＩＭの実測値を含み、
   前記スタッフデータが、複数人のスタッフデータを含む、
   歩行訓練装置。
9. 前記訓練者の回復度を示す指標が、前記訓練者の平地歩行ＦＩＭの実測値又は推定値である請求項８に記載の歩行訓練装置。
10. 前記アクチュエータによって補助された前記訓練者の歩行動作に関するデータを検出するセンサと、
    前記センサの検出結果に応じて、前記訓練者の平地歩行ＦＩＭを推定する歩行ＦＩＭ用学習済みモデルと、を備え、
    前記学習済みモデルが前記平地歩行ＦＩＭの推定値を入力データとして、前記設定パラメータの推奨値を出力する請求項９に記載の歩行訓練装置。
11. 前記指標に基づいて、前記訓練者の回復度が目標回復度よりも遅いか否かを判定し、
    前記訓練者の回復度が目標回復度よりも遅い場合に、前記設定パラメータの推奨値を出力する請求項８～１０のいずれか１項に記載の歩行訓練装置。
12. 前記訓練者の歩行動作における複数の動作量を検出するためにセンサが設けられており、
    前記歩行訓練装置は、前記動作量の少なくとも一つが、予め定められた異常歩行基準のいずれかに合致した場合に前記歩行動作が異常歩行であると評価し、
    前記学習済みモデルは、前記異常歩行であるか否かの評価結果を示す検出データを入力データして、前記設定パラメータの推奨値を出力する請求項８～１１のいずれか１項に記載の歩行訓練装置。
13. 前記訓練者の身体能力を示す訓練者データに応じて、前記訓練者がグループに分類されており
    前記グループ毎に異なる前記学習済みモデルが設定されている請求項８～１２のいずれか１項に記載の歩行訓練装置。
14. 請求項７に記載の学習済みモデルにアクセス可能な処理装置における処理方法であって、
    評価用リハビリデータに基づいて、前記設定パラメータの推奨値をコンピュータが出力する処理方法。
15. リハビリ支援装置と、
    １つ以上の前記リハビリ支援装置からのリハビリデータを取得可能なサーバ装置と、を備えたリハビリ支援システムであって、
    前記リハビリ支援装置は、
    訓練者のリハビリ動作を補助するアクチュエータと、
    設定パラメータに応じて前記アクチュエータを制御する制御部と、を備え、
    前記リハビリ支援システムは、
    前記訓練者の回復度を示す指標と、訓練スタッフの年齢、性別、体格、経験年数を示すスタッフデータと、を入力として、前記設定パラメータの推奨値を出力する学習済みモデルを備え、
    前記訓練者の回復度を示す指標が、前記訓練者の平地歩行ＦＩＭの実測値を含み、
    前記スタッフデータが、複数人のスタッフデータを含む、
    リハビリ支援システム。

Images