JP7355704B2 - 情報処理装置、情報処理方法、及びプログラム - Google Patents

Description

本発明は、情報処理装置、情報処理方法、及びプログラムに関する。

ユーザの歩行を補助する歩行補助装置が知られている（例えば、特許文献１参照）。一方で、ＰＬＳＡ（Probabilistic Latent Semantic Analysis）を用いてテキストからトピックを抽出し、抽出したトピックを説明変数とするベイジアンネットワークを生成する技術が知られている（例えば、特許文献２参照）。

特開２０１６－２１４５０４号公報 特開２０１６－５１２２０号公報

しかしながら、従来の技術では、医師や理学療法士の指導がなくとも、ユーザが歩行補助装置を装着して自ら歩行訓練をする際に、どのような指針で訓練を行えばよいのか適切に決めることができない場合があった。

本発明は、このような事情を考慮してなされたものであり、ユーザの歩行訓練の指針を適切に決定することができる情報処理装置、情報処理方法、及びプログラムを提供することを目的の一つとする。

本発明に係る情報処理装置、情報処理方法、及びプログラムは以下の構成を採用した。
（１）本発明の第１の態様は、ユーザの歩行を補助しながら前記ユーザが歩行したときの動きを計測する歩行補助装置から、第ｎ回目の歩行訓練のときの前記ユーザの動きの計測結果を表す第１データを取得し、前記ユーザが利用可能な端末装置から、第ｎ回目の歩行訓練のときの指針となる複数のパラメータの中から前記ユーザが選択した少なくとも一つのパラメータの選択結果を表す第２データを取得する取得部と、第ｍ回目の歩行訓練を行った前記ユーザの前記第１データ及び前記第２データが少なくとも入力されると、前記ユーザの第ｍ＋ｋ回目の歩行訓練のときに指針とすべき推奨パラメータを出力するように学習されたモデルに対して、前記取得部によって取得された前記ユーザの第ｎ回目の歩行訓練のときの前記第１データ及び前記第２データを入力し、前記第１データ及び前記第２データが入力された前記モデルの出力結果に基づいて、前記ユーザの第ｎ＋ｋ回目の歩行訓練の指針とすべき前記推奨パラメータを決定する決定部と、を備える情報処理装置である。

（２）本発明の第２の態様は、上記（１）の態様の情報処理装置において、前記取得部は、更に、前記端末装置から、第ｎ＋ｋ回目の歩行訓練のアンケートに対する前記ユーザの回答結果を表す第３データを取得し、前記決定部は、第ｎ回目の歩行訓練時の前記ユーザの前記第１データ及び前記第２データと、第ｎ＋ｋ回目の歩行訓練時の前記ユーザの前記第３データとを前記モデルに入力し、前記第１データ、前記第２データ、及び前記第３データが入力された前記モデルの出力結果に基づいて、前記ユーザの第ｎ＋ｋ回目の歩行訓練の指針とすべき前記推奨パラメータを決定するものである。

（３）本発明の第３の態様は、上記（１）又は（２）の態様の情報処理装置において、前記モデルは、ディープニューラルネットワークと、トピックモデルと、ベイジアンネットワークとのうちのいずれか一つのモデル、又は複数のモデルの組み合わせであるものである。

（４）本発明の第４の態様は、上記（１）から（３）のうちいずれか一つの態様の情報処理装置において、第ｍ－ｋ回目の前記ユーザの前記第１データ及び前記第２データを前記モデルに入力したときに前記モデルが出力した前記ユーザの第ｍ回目の歩行訓練時の前記推奨パラメータと、第ｍ回目の歩行訓練時に前記複数のパラメータの中から前記ユーザが選択したパラメータとが一致するように、前記モデルを学習する学習部を更に備えるものである。

（５）本発明の第５の態様は、コンピュータが、ユーザの歩行を補助しながら前記ユーザが歩行したときの動きを計測する歩行補助装置から、第ｎ回目の歩行訓練のときの前記ユーザの動きの計測結果を表す第１データを取得し、前記ユーザが利用可能な端末装置から、第ｎ回目の歩行訓練のときの指針となる複数のパラメータの中から前記ユーザが選択した少なくとも一つのパラメータの選択結果を表す第２データを取得し、第ｍ回目の歩行訓練を行った前記ユーザの前記第１データ及び前記第２データが少なくとも入力されると、前記ユーザの第ｍ＋ｋ回目の歩行訓練のときに指針とすべき推奨パラメータを出力するように学習されたモデルに対して、取得した前記ユーザの第ｎ回目の歩行訓練のときの前記第１データ及び前記第２データを入力し、前記第１データ及び前記第２データが入力された前記モデルの出力結果に基づいて、前記ユーザの第ｎ＋ｋ回目の歩行訓練の指針とすべき前記推奨パラメータを決定する情報処理方法である。

（６）本発明の第６の態様は、コンピュータに、ユーザの歩行を補助しながら前記ユーザが歩行したときの動きを計測する歩行補助装置から、第ｎ回目の歩行訓練のときの前記ユーザの動きの計測結果を表す第１データを取得すること、前記ユーザが利用可能な端末装置から、第ｎ回目の歩行訓練のときの指針となる複数のパラメータの中から前記ユーザが選択した少なくとも一つのパラメータの選択結果を表す第２データを取得すること、第ｍ回目の歩行訓練を行った前記ユーザの前記第１データ及び前記第２データが少なくとも入力されると、前記ユーザの第ｍ＋ｋ回目の歩行訓練のときに指針とすべき推奨パラメータを出力するように学習されたモデルに対して、取得した前記ユーザの第ｎ回目の歩行訓練のときの前記第１データ及び前記第２データを入力し、前記第１データ及び前記第２データが入力された前記モデルの出力結果に基づいて、前記ユーザの第ｎ＋ｋ回目の歩行訓練の指針とすべき前記推奨パラメータを決定すること、を実行させるためのプログラムである。

上記の態様によれば、ユーザの歩行訓練の指針を適切に決定することができる。

実施形態に係る歩行補助システムの構成の一例を表す図である。 実施形態に係る歩行補助装置の構成の一例を表す図である。 実施形態に係る端末装置の構成の一例を表す図である。 歩行訓練アプリケーションのコンテンツの一例を表す図である。 歩行訓練アプリケーションのコンテンツの他の例を表す図である。 歩行訓練アプリケーションのコンテンツの他の例を表す図である。 実施形態に係るサーバの構成の一例を表す図である。 実施形態に係るサーバの一連の処理の流れの一例を表すフローチャートである。 パラメータ推定モデルの一例を表す図である。 歩行訓練計測データ、パラメータ選択データ、及びアンケート回答データを合わせたデータベースの一例を表すである。 トピックモデルを説明するための図である。 ベイジアンネットワークの一例を表す図である。

以下、図面を参照し、本発明の情報処理装置、情報処理方法、及びプログラムの実施形態について説明する。

［システムの構成］
図１は、実施形態に係る歩行補助システム１の構成の一例を表す図である。実施形態に係る歩行補助システム１は、例えば、歩行補助装置１００と、端末装置２００と、サーバ３００とを備える。歩行補助装置１００と端末装置２００とは、例えば、Ｗｉ－ＦｉやＢｌｕｅｔｏｏｔｈ（登録商標、以下省略）などの無線通信によって接続される。端末装置２００とサーバ３００とは、例えば、ＬＡＮ（Local Area Network）やＷＡＮ（Wide Area Network）などのネットワークＮＷを介して接続される。サーバ３００は、「情報処理装置」の一例である。

［歩行補助装置の構成］
図２は、実施形態に係る歩行補助装置１００の構成の一例を表す図である。実施形態に係る歩行補助装置１００は、例えば、メインフレーム１０２と、サブフレーム１０３Ｌ及び１０３Ｒと、駆動源１０４Ｌ及び１０４Ｒと、制御装置１０５と、股関節角度センサ１０６Ｌ及び１０６Ｒと、バッテリ１０７とを備える。

メインフレーム１０２は、ユーザの胴体に装着される。メインフレーム１０２は硬質樹脂や金属等の剛性素材と繊維等の柔軟素材とが組み合わさって構成される。メインフレーム１０２にはベルト１１１が取り付けられており、そのベルト１１１はユーザの腰に装着される。メインフレーム１０２の前面（腰部の背面に対向する位置）には、柔軟素材により形成された腰部サポータ１１２が取り付けられている。

サブフレーム１０３Ｌ及び１０３Ｒのそれぞれは、ユーザの股関節部を中心に変位し得るようにメインフレーム１０２に連結される。サブフレーム１０３Ｌはユーザの左脚に装着され、サブフレーム１０３Ｒはユーザの右脚に装着される。サブフレーム１０３Ｌは、脚部サポータ１１３Ｌとアーム部１１４Ｌとを備える。サブフレーム１０３Ｒは、脚部サポータ１１３Ｒとアーム部１１４Ｒとを備える。脚部サポータ１１３Ｌ及び１１３Ｒのそれぞれは、剛性素材と柔軟素材とが組み合わせられて構成され、大腿部に装着される。アーム部１１４Ｌ及び１１４Ｒのそれぞれは、硬質樹脂又は金属により形成される。アーム部１１４Ｌ及び１１４Ｒのそれぞれは、大腿部に沿って下方に伸びており、駆動源１０４の出力軸と脚部サポータ１１３とを連結する。つまり、サブフレーム１０３Ｌ及び１０３Ｒは、駆動源１０４を介してメインフレーム１０２に連結される。

駆動源１０４Ｌは、ユーザの左脚に装着されたサブフレーム１０３Ｌをメインフレーム１０２に対して変位させる。駆動源１０４Ｒは、ユーザの右脚に装着されたサブフレーム１０３Ｒをメインフレーム１０２に対して変位させる。駆動源１０４Ｌ及び１０４Ｒのそれぞれは、例えば、モータなどのアクチュエータであり、減速機構及びコンプライアンス機構のうち一方又は両方を適宜備えている。駆動源１０４Ｌ及び１０４Ｒのそれぞれは、アシストトルクを出力するように制御装置１０５によって制御される。制御装置１０５の制御下において、駆動源１０４Ｌ及び１０４Ｒのそれぞれは、バッテリ１０７の電力を使用して、アーム部１１４に動力を加える。アーム部１１４に加えられた動力は、脚部サポータ１１３を介してユーザの脚体に伝達される。

制御装置１０５は、例えば、メインフレーム１０２に収納される。制御装置１０５は、メインフレーム１０２に収納される代わりに、サブフレーム１０３に取り付けられたり、或いは収納されたりしてもよく、更には歩行補助装置１００とは別に設けられてもよい。

制御装置１０５は、例えば、ＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）等を含む電子回路ユニットである。また、電子回路ユニットには、アンテナや送信機、受信機といった無線通信モジュールが含まれる。

制御装置１０５は、駆動源１０４Ｌ及び１０４Ｌを制御して、ユーザに作用させるアシストトルクを調整する。例えば、制御装置１０５は、股関節角度センサ１０６Ｌ及び１０６Ｒのそれぞれによって検出されたユーザの股関節の角度に基づいて、それら左右の股関節の角度の差分角（左右の脚体の股関節の挟み角）を算出する。制御装置１０５は、算出した差分角に基づいて差分角の位相や歩行周波数を算出する。そして、制御装置１０５は、差分角の位相に基づいて、左右の脚体に対するアシストトルクを決定する。具体的に、制御装置１０５は、算出した差分角の位相と歩行周波数とに基づいて、ユーザの歩行に同期する仮想的な振動子の位相を算出し、その振動子の位相に基づいて、左右の脚体に対するアシストトルクを決定する。

また、制御装置１０５は、股関節角度センサ１０６Ｌ及び１０６Ｒのそれぞれの検出結果に基づいて、差分角（挟み角）に加えて、更に、歩数や平均歩幅、平均歩行速度、股関節の可動角、伸展及び屈曲時に経過した時間（伸展屈曲時間）、歩行時の左右の対称度といった後述の訓練パラメータについても算出する。

股関節角度センサ１０６Ｌは、サブフレーム１０３Ｌとメインフレーム１０２との相対的な角度を、ユーザの左脚の股関節の角度として検出する。股関節角度センサ１０６Ｒは、サブフレーム１０３Ｒとメインフレーム１０２との相対的な角度を、ユーザの右脚の股関節の角度として検出する。股関節角度センサ１０６Ｌ及び１０６Ｒのそれぞれは、例えば、アブソリュート型の角度センサであり、ユーザの腰部の横に配置される。股関節角度センサ１０６Ｌ及び１０６Ｒのそれぞれは、検出した股関節の角度を表す信号を制御装置１０５に出力する。

バッテリ１０７は、駆動源１０４Ｌ及び１０４Ｌと、制御装置１０５とに電力を供給する。バッテリ１０７は、例えば、メインフレーム１０２の内部に収容される。バッテリ１０７はサブフレーム１０３に取り付けられたり、或いは収納されたりしてもよく、更には歩行補助装置１００とは別に設けられてもよい。

このように歩行補助装置１００は、メインフレーム１０２及びサブフレーム１０３Ｌ、１０３Ｒを介して、バッテリ１０７を電源とする駆動源１０４の動力を歩行のアシストトルクとしてユーザに作用させることにより、当該ユーザの歩行運動を補助する。

［端末装置の構成］
図３は、実施形態に係る端末装置２００の構成の一例を表す図である。実施形態に係る端末装置２００は、例えば、通信部２０２と、タッチパネル２０４と、制御部２２０と、記憶部２３０とを備える。

通信部２０２は、例えば、アンテナや送信機、受信機といった無線通信モジュールなどを含む。通信部２０２は、歩行補助装置１００の制御装置１０５と無線通信したり、ネットワークＮＷを介してサーバ３００と通信したりする。

タッチパネル２０４は、例えば、ＬＣＤ（Liquid Crystal Display）や有機ＥＬ（Electroluminescence）ディスプレイといった表示装置と、タッチパッドのような入力装置とが組み合わされたユーザインタフェースである。表示装置と入力装置は、タッチパネル２０４として一体に構成されてなくてもよく、別々に設けられてもよい。

制御部２２０は、例えば、ＣＰＵやＧＰＵ（Graphics Processing Unit）などのプロセッサが記憶部２３０に格納されたプログラムを実行することにより実現される。制御部２２０は、ＬＳＩ（Large Scale Integration）、ＡＳＩＣ（Application Specific Integrated Circuit）、またはＦＰＧＡ（Field-Programmable Gate Array）などのハードウェアにより実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。

記憶部２３０は、例えば、ＨＤＤ（Hard Disk Drive）、フラッシュメモリ、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read Only Memory）、ＲＯＭ、ＲＡＭなどにより実現される。記憶部２３０には、ファームウェアやアプリケーションプログラムなどの各種プログラムが格納される。

例えば、ユーザがタッチパネル２０４を操作して、端末装置２００にインストールされた複数のアプリケーションの中から、歩行補助装置１００を装着したときの歩行訓練をサポートする専用のアプリケーション（以下、歩行訓練アプリケーションと称する）を選択したとする。この場合、制御部２２０は、ユーザのタッチパネル２０４に対する選択操作に応じて、歩行訓練アプリケーションを実行して、タッチパネル２０４に各種コンテンツを表示する。

図４は、歩行訓練アプリケーションのコンテンツの一例を表す図である。図示のように、歩行訓練アプリケーションが実行されると、タッチパネル２０４には、ユーザごとの歩行訓練のメニューがコンテンツとして自動的に表示される。歩行訓練のメニューには、歩行訓練時の指針或いは目標となるいくつかの訓練パラメータ（訓練項目ともいう）が提示される。

訓練パラメータには、例えば、大まかな訓練方針を決める上位の訓練パラメータと、より詳細な訓練方針を決める下位の訓練パラメータとがある。上位の訓練パラメータには、例えば、Ａ、Ｂ、Ｃといった３種類のパラメータが含まれる。パラメータＡは、例えば、歩行訓練時の「歩き方」に関連したパラメータである。パラメータＢは、例えば、歩行訓練時の「速さ」に関連したパラメータである。パラメータＣは、例えば、歩行訓練時の「持久力」に関連したパラメータである。

一方、下位の訓練パラメータには、例えば、ａ～ｏといった１５種類のパラメータが含まれる。パラメータａは、例えば、「計測時間」に関するパラメータである。パラメータｂは、例えば、「歩行時間」に関するパラメータである。パラメータｃは、例えば、「歩数」に関するパラメータである。パラメータｄは、例えば、「平均歩幅」に関するパラメータである。パラメータｅは、例えば、「平均歩調」に関するパラメータである。パラメータｆは、例えば、「平均歩行速度」に関するパラメータである。パラメータｇは、例えば、「平均歩行比」に関するパラメータである。パラメータｈは、例えば、「歩行距離」に関するパラメータである。パラメータｉは、例えば、「股関節可動角」に関するパラメータである。パラメータｊは、例えば、「挟み角」に関するパラメータである。パラメータｋは、例えば、「伸展屈曲時間」に関するパラメータである。パラメータｌは、例えば、「対称度」に関するパラメータである。パラメータｍは、例えば、「波形」に関するパラメータである。パラメータｎは、例えば、「動画」に関するパラメータである。パラメータｏは、例えば、「波形及び動画」に関するパラメータである。

訓練パラメータは、上述した例に限られず、その他のパラメータが追加されてもよいし、一部のパラメータが他のパラメータに置き換わったり、省略されたりしてもよい。また、訓練パラメータは、上位及び下位といったように階層構造でなくてもよい。

図５及び図６は、歩行訓練アプリケーションのコンテンツの他の例を表す図である。例えば、ユーザが下位の訓練パラメータとしてパラメータｄを選択した場合、図５に例示するに、タッチパネル２０４には、「平均歩調」に関連した計測数値が表示される。また、ユーザが下位の訓練パラメータとしてパラメータｉ、ｊ、ｋを選択した場合、図６に例示するように、タッチパネル２０４には、「股関節可動角」や「挟み角」、「伸展屈曲時間」に関連した計測数値が表示される。

これらの訓練パラメータの計測数値は歩行補助装置１００から取得される。例えば、歩行補助装置１００の制御装置１０５は、上記の全ての訓練パラメータを計測し、その計測結果を端末装置２００に送信する。端末装置２００の制御部２２０は、通信部２０２を介して歩行補助装置１００から全訓練パラメータの計測結果を受信すると、それら複数の計測結果の中から、ユーザのパラメータの選択結果に応じて、タッチパネル２０４に表示すべき計測結果を選択する。そして、制御部２２０は、選択した計測結果を、タッチパネル２０４に表示させる。

［サーバの構成］
以下、サーバ３００の構成について説明する。サーバ３００は、単一の装置であってもよいし、ネットワークＮＷを介して接続された複数の装置が互いに協働して動作するシステムであってもよい。すなわち、サーバ３００は、分散コンピューティングシステムやクラウドコンピューティングシステムに含まれる複数のコンピュータ（プロセッサ）によって実装されてもよい。

図７は、実施形態に係るサーバ３００の構成の一例を表す図である。図示のように、サーバ３００は、例えば、通信部３０２と、制御部３２０と、記憶部３３０とを備える。

通信部３０２は、例えば、ＮＩＣ（Network Interface Card）などを含む。通信部３０２は、ネットワークＮＷを介して端末装置２００などと通信する。

制御部３２０は、例えば、取得部３２２と、決定部３２４と、学習部３２６とを備える。これらの構成要素は、例えば、ＣＰＵやＧＰＵなどのプロセッサが記憶部３３０に格納されたプログラムを実行することにより実現される。制御部３２０の構成要素の一部または全部は、ＬＳＩ、ＡＳＩＣ、またはＦＰＧＡなどのハードウェアにより実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。

記憶部３３０は、例えば、ＨＤＤ、フラッシュメモリ、ＥＥＰＲＯＭ、ＲＯＭ、ＲＡＭなどにより実現される。記憶部３３０には、ファームウェアやアプリケーションプログラムなどの各種プログラムが格納される。記憶部３３０には、プロセッサに参照されるプログラムに加えて、モデルデータ３３２などが格納される。モデルデータ３３２は、後述するパラメータ推定モデルＭＤＬを定義したデータ（プログラム又はデータ構造）である。

［情報処理装置の処理フロー］
以下、フローチャートに即してサーバ３００の一連の処理の流れを説明する。図８は、実施形態に係るサーバ３００の一連の処理の流れの一例を表すフローチャートである。本フローチャートの処理は、例えば、ユーザの歩行訓練の回数に連動して行われてよい。具体的には、ユーザが歩行補助装置１００を装着して一日に一回歩行訓練を行う場合、本フローチャートの処理は、一日単位で行われる。また、サーバ３００が分散コンピューティングシステムやクラウドコンピューティングシステムに含まれる複数のコンピュータによって実装される場合、本フローチャートの処理の一部または全部は、複数のコンピュータによって並列処理されてよい。以下、一例として、今回の歩行訓練が第ｎ回目（ｎは任意の自然数）であるものとして説明する。

まず、取得部３２２は、第ｎ回目の歩行訓練が開始されるまで待機し（ステップＳ１００）、第ｎ回目の歩行訓練が開始されると、通信部３０２を介して、端末装置２００から、第ｎ回目のアンケート回答データを取得する（ステップＳ１０２）。

アンケート回答データとは、例えば、歩行訓練を開始する前にユーザに質問されるアンケート（サーベイともいう）に対して、実際にユーザが回答した結果を表すデータである。例えば、ユーザが歩行訓練を開始するために端末装置２００上で歩行訓練アプリケーションを起動したとする。この場合、例えば、端末装置２００の制御部２２０は、歩行訓練アプリケーションの起動にともなって、タッチパネル２０４にアンケートを表示させる。アンケートの設問には、歩行補助装置１００に関する設問や、医師や理学療法士などの専門家が患者に問うようなユーザ自身の体調や健康に関する設問などが含まれる。ユーザがタッチパネル２０４にアンケートの回答を入力すると、制御部２２０は、通信部２０２を介して、その回答結果をアンケート回答データとしてサーバ３００に送信する。アンケート回答データは、「第３データ」の一例である。

次に、決定部３２４は、Ｓ１０２の処理で取得部３２２によって取得された第ｎ回目のアンケート回答データと、前回の第ｎ－１回目の歩行訓練時に取得された歩行訓練計測データ及びパラメータ選択データとを、モデルデータ３３２によって定義された学習済み（訓練済み）のパラメータ推定モデルＭＤＬに対して入力する（ステップＳ１０４）。

歩行訓練計測データとは、歩行補助装置１００によって計測された各種訓練パラメータの計測結果を表すデータである。パラメータ選択データとは、歩行訓練の指針となる複数の訓練パラメータの中から実際にユーザが選択したパラメータの結果を表すデータである。歩行訓練計測データは「第１データ」の一例であり、パラメータ選択データは「第２データ」の一例である。

パラメータ推定モデルＭＤＬは、第ｎ－１回目（つまり前回）に歩行訓練を行ったユーザの歩行訓練計測データ及びパラメータ選択データと、第ｎ回目（つまり今回）に歩行訓練を行う予定のユーザのアンケート回答データとが入力されると、第ｎ回目に歩行訓練を行う際にユーザが選択すべき訓練パラメータを推定し、その推定結果を推奨パラメータとして出力するように学習されたモデルである。パラメータ推定モデルＭＤＬの学習方法については後述する。

図９は、パラメータ推定モデルＭＤＬの一例を表す図である。図示のように、パラメータ推定モデルＭＤＬは、入力層と、複数の隠れ層（中間層）と、出力層とによって構成されたディープニューラルネットワークによって実装されてよい。ディープニューラルネットワークは、隠れ層の一部がＬＳＴＭ（Long short-term memory）に置き換わったＲＮＮ（Recurrent Neural Network）であってもよい。

パラメータ推定モデルＭＤＬがニューラルネットワークによって実装される場合、モデルデータ３３２には、例えば、ニューラルネットワークを構成する複数の層のそれぞれに含まれるユニットが互いにどのように結合されるのかという結合情報や、結合されたユニット間で入出力されるデータに付与される結合係数などの各種情報が含まれる。

結合情報とは、例えば、各層に含まれるユニット数や、各ユニットの結合先のユニットの種類を指定する情報、各ユニットの活性化関数、隠れ層のユニット間に設けられたゲートなどの情報を含む。活性化関数は、例えば、正規化線形関数（ＲｅＬＵ関数）であってもよいし、シグモイド関数や、ステップ関数、その他の関数などであってもよい。ゲートは、例えば、活性化関数によって返される値（例えば１または０）に応じて、ユニット間で伝達されるデータを選択的に通過させたり、重み付けたりする。結合係数は、例えば、ニューラルネットワークの隠れ層において、ある層のユニットから、より深い層のユニットにデータが出力される際に、出力データに対して付与される重みを含む。また、結合係数は、各層の固有のバイアス成分などを含んでもよい。

図８のフローチャートの説明に戻る。次に、決定部３２４は、パラメータ推定モデルＭＤＬの出力結果に基づいて、第ｎ回目（つまり今回）の歩行訓練時にユーザが選択すべき推奨パラメータを決定する（ステップＳ１０６）。

次に、決定部３２４は、決定した推奨パラメータを、通信部３０２を介して、第ｎ回目の歩行訓練を介したユーザの端末装置２００に送信する（ステップＳ１０８）。これを受けて、端末装置２００の制御部２２０は、ユーザが選択する以前に、予め推奨パラメータが選択された状態でコンテンツをタッチパネル２０４に表示させる。これによって、ユーザは、専門家の指導がなくとも、今回取り組むべき歩行訓練のメニューを知ることができる。この際、ユーザは、必ずしも推奨パラメータを選択する必要はなく、任意の他の訓練パラメータを選択することができる。

次に、取得部３２２は、第ｎ回目の歩行訓練が終了するまで待機し（ステップＳ１１０）、第ｎ回目の歩行訓練が終了すると、通信部３０２を介して、端末装置２００から、第ｎ回目（つまり今回）に歩行訓練を行ったユーザの歩行訓練計測データ及びパラメータ選択データを取得する（ステップＳ１１２）。Ｓ１１２の処理で取得された第ｎ回目の歩行訓練計測データ及びパラメータ選択データは、次回の周期のＳ１０４の処理で利用される。

次に、学習部３２６は、前回の周期のＳ１１２の処理で取得された第ｎ－１回目の歩行訓練計測データ及びパラメータ選択データと、今回の周期のＳ１０２の処理で取得された第ｎ回目のアンケート回答データと、今回の周期のＳ１１２の処理で取得された第ｎ回目のパラメータ選択データとに基づいて、教師データを生成する（ステップＳ１１４）。

教師データとは、ある入力データに対して、機械学習のモデルが出力すべき正解の出力データが教師ラベル（ターゲットともいう）として対応付けられたデータセットである。例えば、学習部３２６は、第ｎ－１回目の歩行訓練計測データ及びパラメータ選択データと第ｎ回目のアンケート回答データとが含まれる入力データと、第ｎ回目のパラメータ選択データが含まれる出力データとを組み合わせたデータセットを、教師データとして生成する。

次に、学習部３２６は、生成した教師データに基づいてパラメータ推定モデルＭＤＬを学習する（ステップＳ１１６）。

図１０は、歩行訓練計測データ、パラメータ選択データ、及びアンケート回答データを合わせたデータベースの一例を表すである。例えば、ｎを３とした場合、学習部３２６は、歩行訓練の回数が２回目の歩行訓練計測データ及びパラメータ選択データと、歩行訓練の回数が３回目のアンケート回答データとを教師データの入力データとし、歩行訓練の回数が３回目のパラメータ選択データを教師データの出力データとする。

そして、学習部３２６は、２回目の歩行訓練計測データ及びパラメータ選択データと、３回目のアンケート回答データとの組合せを教師データの入力データとしてパラメータ推定モデルＭＤＬに入力する。パラメータ推定モデルＭＤＬは、これらデータが入力されると、３回目の歩行訓練時にユーザが選択すべき訓練パラメータを推奨パラメータとして出力する。

学習部３２６は、パラメータ推定モデルＭＤＬによって出力された３回目の推奨パラメータと、３回目の歩行訓練時に得られたパラメータ選択データが表すパラメータとが一致するようにパラメータ推定モデルＭＤＬを学習する。言い換えれば、学習部３２６は、パラメータ推定モデルＭＤＬによって出力された３回目の推奨パラメータが、３回目の歩行訓練時に実際にユーザが選択したパラメータに近づくようにパラメータ推定モデルＭＤＬを学習する。例えば、学習部３２６は、パラメータ同士の差分を求め、その差分が小さくなるように確率的勾配降下法などを用いてパラメータ推定モデルＭＤＬを学習する。

学習部３２６は、上記のようにパラメータ推定モデルＭＤＬを学習すると、記憶部３３０に格納されたモデルデータ３３２を更新する。これによって、本フローチャートの処理が終了する。

以上説明した実施形態によれば、サーバ３００は、ユーザの歩行を補助しながらユーザが歩行したときの動きを計測する歩行補助装置１００から、端末装置２００を介して、第ｎ回目の歩行訓練のときの歩行訓練計測データを取得する。サーバ３００は、端末装置２００から、第ｎ回目の歩行訓練のときのパラメータ選択データを取得する。更に、サーバ３００は、端末装置２００から、第ｎ＋１回目の歩行訓練のときのアンケート回答データを取得する。サーバ３００は、第ｎ回目の歩行訓練計測データ及びパラメータ選択データと、第ｎ＋１回目のアンケート回答データとを取得すると、これらデータをパラメータ推定モデルＭＤＬに入力し、そのパラメータ推定モデルＭＤＬの出力結果に基づいて、ユーザの第ｎ＋１回目の歩行訓練の指針とすべき推奨パラメータを決定する。このように、機械学習を利用することで、医師や理学療法士などの専門家の指導がなくとも、ユーザの歩行訓練の指針を適切に決定することができる。

＜実施形態の変形例＞
以下、上述した実施形態の変形例について説明する。上述した実施形態では、パラメータ推定モデルＭＤＬがディープニューラルネットワークによって実装されるものとして説明したがこれに限られない。例えば、パラメータ推定モデルＭＤＬは、トピックモデルとベイジアンネットワークとの組み合わせによって実装されてもよい。

図１１は、トピックモデルを説明するための図であり、図１２は、ベイジアンネットワークの一例を表す図である。図１１に示すように、トピックモデルは、歩行訓練が繰り返されるたびに収集された複数の歩行訓練計測データと、複数のパラメータ選択データと、複数のアンケート回答データとを一つの行列と見做したときに、ＬＤＡ（Latent Dirichlet Allocation）やＰＬＳＡといった手法を利用して、行列の各要素を、Ｔ１やＴ２、Ｔ３といった複数のトピック（クラスタ）のいずれかに分類する。

図１２に例示するように、トピックモデルによって分類された各トピックは、ベイジアンネットワークに入力される。ベイジアンネットワークは、入力されたトピックから確率的推論によって推定パラメータを出力する。決定部３２４は、このようなトピックモデルとベイジアンネットワークとを組み合わせて利用することで推奨パラメータを決定してもよい。

また、上述した実施形態では、学習部３２６が、第ｎ－１回目の歩行訓練計測データ及びパラメータ選択データと第ｎ回目のアンケート回答データとが含まれる入力データから、第ｎ回目の推奨パラメータを出力するようにパラメータ推定モデルＭＤＬを学習するものとして説明したがこれに限られない。

例えば、学習部３２６は、第ｎ－１回目よりも以前の第ｎ－ｋ回目の歩行訓練計測データ及びパラメータ選択データと第ｎ回目のアンケート回答データとが含まれる入力データから、第ｎ回目の推奨パラメータを出力するようにパラメータ推定モデルＭＤＬを学習してもよい。ｋは、１以上であり、且つｎよりも小さい自然数である。つまり、第ｎ－ｋ回目には、第ｎ－１回目が含まれてよい。

また、学習部３２６は、第ｎ－ｋ回目だけでなく、第ｎ－ｋ回目から第ｎ－ｋ－ｊ回目まで遡った計ｊ個の歩行訓練計測データ及びパラメータ選択データから、第ｎ回目の推奨パラメータを出力するようにパラメータ推定モデルＭＤＬを学習してもよい。ｊはｎよりも小さい任意の自然数である。例えば、ｎを１０とし、ｋを１とし、ｊを４とした場合、学習部３２６は、歩行訓練の５回目から９回目までの計５回分の歩行訓練計測データ及びパラメータ選択データから、第１０回目の推奨パラメータを出力するようにパラメータ推定モデルＭＤＬを学習する。

上記説明した実施形態は、以下のように表現することができる。
プログラムを格納した少なくとも一つのメモリと、
少なくとも一つのプロセッサと、を備え、
前記プロセッサが前記プログラムを実行することにより、
ユーザの歩行を補助しながら前記ユーザが歩行したときの動きを計測する歩行補助装置から、第ｎ回目の歩行訓練のときの前記ユーザの動きの計測結果を表す第１データを取得し、
前記ユーザが利用可能な端末装置から、第ｎ回目の歩行訓練のときの指針となる複数のパラメータの中から前記ユーザが選択した少なくとも一つのパラメータの選択結果を表す第２データを取得し、
第ｍ回目の歩行訓練を行った前記ユーザの前記第１データ及び前記第２データが少なくとも入力されると、前記ユーザの第ｍ＋ｋ回目の歩行訓練のときに指針とすべき推奨パラメータを出力するように学習されたモデルに対して、取得した前記ユーザの第ｎ回目の歩行訓練のときの前記第１データ及び前記第２データを入力し、前記第１データ及び前記第２データが入力された前記モデルの出力結果に基づいて、前記ユーザの第ｎ＋ｋ回目の歩行訓練の指針とすべき前記推奨パラメータを決定する、
ように構成されている、情報処理装置。

以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形及び置換を加えることができる。

１…歩行補助システム、１００…歩行補助装置、１０２…メインフレーム、１０３…サブフレーム、１０４…駆動源、１０５…制御装置、１０６…股関節角度センサ、１０７…バッテリ、２００…端末装置、２０２…通信部、２０４…タッチパネル、２２０…制御部、２３０…記憶部、３００…サーバ、３０２…通信部、３２０…制御部、３２２…取得部、３２４…決定部、３２６…学習部、３３０…記憶部

Claims (6)

1. ユーザの歩行を補助しながら前記ユーザが歩行したときの動きを計測する歩行補助装置から、第ｎ回目の歩行訓練のときの前記ユーザの動きの計測結果を表す第１データを取得し、前記ユーザが利用可能な端末装置から、第ｎ回目の歩行訓練のときの指針となる複数のパラメータの中から前記ユーザが選択した少なくとも一つのパラメータの選択結果を表す第２データを取得する取得部と、
   第ｍ回目の歩行訓練を行った前記ユーザの少なくとも前記第１データ及び前記第２データと、前記ユーザの第ｍ＋ｋ回目の歩行訓練のときに指針とすべき推奨パラメータとを組み合わせた教師データを基に学習されたモデルに対して、前記取得部によって取得された前記ユーザの第ｎ回目の歩行訓練のときの前記第１データ及び前記第２データを入力し、前記第１データ及び前記第２データが入力された前記モデルの出力結果に基づいて、前記ユーザの第ｎ＋ｋ回目の歩行訓練の指針とすべき前記推奨パラメータを決定する決定部と、
   を備える情報処理装置。
2. 前記取得部は、更に、前記端末装置から、第ｎ＋ｋ回目の歩行訓練のアンケートに対する前記ユーザの回答結果を表す第３データを取得し、
   前記決定部は、第ｎ回目の歩行訓練時の前記ユーザの前記第１データ及び前記第２データと、第ｎ＋ｋ回目の歩行訓練時の前記ユーザの前記第３データとを前記モデルに入力し、前記第１データ、前記第２データ、及び前記第３データが入力された前記モデルの出力結果に基づいて、前記ユーザの第ｎ＋ｋ回目の歩行訓練の指針とすべき前記推奨パラメータを決定する、
   請求項１に記載の情報処理装置。
3. 前記モデルは、ディープニューラルネットワークと、トピックモデルと、ベイジアンネットワークとのうちのいずれか一つのモデル、又は複数のモデルの組み合わせである、
   請求項１又は２に記載の情報処理装置。
4. 第ｍ－ｋ回目の前記ユーザの前記第１データ及び前記第２データを前記モデルに入力したときに前記モデルが出力した前記ユーザの第ｍ回目の歩行訓練時の前記推奨パラメータと、第ｍ回目の歩行訓練時に前記複数のパラメータの中から前記ユーザが選択したパラメータとが一致するように、前記モデルを学習する学習部を更に備える、
   請求項１から３のうちいずれか一項に記載の情報処理装置。
5. コンピュータが、
   ユーザの歩行を補助しながら前記ユーザが歩行したときの動きを計測する歩行補助装置から、第ｎ回目の歩行訓練のときの前記ユーザの動きの計測結果を表す第１データを取得し、
   前記ユーザが利用可能な端末装置から、第ｎ回目の歩行訓練のときの指針となる複数のパラメータの中から前記ユーザが選択した少なくとも一つのパラメータの選択結果を表す第２データを取得し、
   第ｍ回目の歩行訓練を行った前記ユーザの少なくとも前記第１データ及び前記第２データと、前記ユーザの第ｍ＋ｋ回目の歩行訓練のときに指針とすべき推奨パラメータとを組み合わせた教師データを基に学習されたモデルに対して、取得した前記ユーザの第ｎ回目の歩行訓練のときの前記第１データ及び前記第２データを入力し、前記第１データ及び前記第２データが入力された前記モデルの出力結果に基づいて、前記ユーザの第ｎ＋ｋ回目の歩行訓練の指針とすべき前記推奨パラメータを決定する、
   情報処理方法。
6. コンピュータに、
   ユーザの歩行を補助しながら前記ユーザが歩行したときの動きを計測する歩行補助装置から、第ｎ回目の歩行訓練のときの前記ユーザの動きの計測結果を表す第１データを取得すること、
   前記ユーザが利用可能な端末装置から、第ｎ回目の歩行訓練のときの指針となる複数のパラメータの中から前記ユーザが選択した少なくとも一つのパラメータの選択結果を表す第２データを取得すること、
   第ｍ回目の歩行訓練を行った前記ユーザの少なくとも前記第１データ及び前記第２データと、前記ユーザの第ｍ＋ｋ回目の歩行訓練のときに指針とすべき推奨パラメータとを組み合わせた教師データを基に学習されたモデルに対して、取得した前記ユーザの第ｎ回目の歩行訓練のときの前記第１データ及び前記第２データを入力し、前記第１データ及び前記第２データが入力された前記モデルの出力結果に基づいて、前記ユーザの第ｎ＋ｋ回目の歩行訓練の指針とすべき前記推奨パラメータを決定すること、
   を実行させるためのプログラム。

Images