WO2022250099A1

WO2022250099A1 - 情報処理装置、電子機器、情報処理システム、情報処理方法及びプログラム

Info

Publication number: WO2022250099A1
Application number: PCT/JP2022/021462
Authority: WO
Inventors: 崇長友; エドワード村上; 秀行金原; 貴志鈴木; 美恵寺澤; マルティンクリンキグト; 尚樹西田
Original assignee: 京セラ株式会社
Priority date: 2021-05-28
Filing date: 2022-05-25
Publication date: 2022-12-01
Also published as: EP4349256A1; JPWO2022250099A1

Abstract

情報処理装置は、制御部を備える。制御部は、ユーザの身体部位に装着される少なくとも１個のセンサ機器から、身体部位の動きを示すセンサデータを取得する。制御部は、取得したセンサデータと学習モデルとによって、ユーザにおけるセンサ機器が装着される身体部位とは異なる身体部位の状態を推定する。

Description

情報処理装置、電子機器、情報処理システム、情報処理方法及びプログラム

関連出願へのクロスリファレンス

　本出願は、２０２１年５月２８日に日本国に特許出願された特願２０２１－０９０６９５の優先権を主張するものであり、この先の出願の開示全体をここに参照のために取り込む。

　本開示は、情報処理装置、電子機器、情報処理システム、情報処理方法及びプログラムに関する。

　従来、人の歩行状態を推定する技術が知られている（例えば、特許文献１）。特許文献１に記載の運動解析装置は、人の体に取り付けられる検出手段と、解析手段とを備える。解析手段は、検出手段からの信号に基づいて、歩行状態及び／又は走行状態を解析する。また、良い歩き方の解釈として、非特許文献１に記載の解釈が知られている。

特開２０１６－１５０１９３号公報

アシックススポーツ研究所、「究極の歩き方」、講談社現代新書、２０１９年９月発行、ｐ．９２，９４，９５

　本開示の一実施形態に係る情報処理装置は、
　ユーザの身体部位に装着される少なくとも１個のセンサ機器から、前記身体部位の動きを示すセンサデータを取得し、
　取得した前記センサデータと学習モデルとによって、前記ユーザにおける前記センサ機器が装着される身体部位とは異なる身体部位の状態を推定する、制御部を備える。

　本開示の一実施形態に係る電子機器は、前記情報処理装置が推定した前記身体部位の状態の情報を報知する報知部を備える。

　本開示の一実施形態に係る情報処理システムは、
　ユーザの身体部位に装着される少なくとも１個のセンサ機器と、
　前記センサ機器から前記身体部位の動きを示すセンサデータを取得し、取得した前記センサデータと学習モデルとによって、前記ユーザにおける前記センサ機器が装着される身体部位とは異なる身体部位の状態を推定する情報処理装置と、を含む。

　本開示の一実施形態に係る情報処理方法は、
　ユーザの身体部位に装着される少なくとも１個のセンサ機器から、前記身体部位の動きを示すセンサデータを取得することと、
　取得した前記センサデータと学習モデルとによって、前記ユーザにおける前記センサ機器が装着される身体部位とは異なる身体部位の状態を推定することと、を含む。

　本開示の一実施形態に係るプログラムは、
　コンピュータに、
　ユーザの身体部位に装着される少なくとも１個のセンサ機器から、前記身体部位の動きを示すセンサデータを取得することと、
　取得した前記センサデータと学習モデルとによって、前記ユーザにおける前記センサ機器が装着される身体部位とは異なる身体部位の状態を推定することと、を実行させる。

本開示の一実施形態に係る情報処理システムの概略構成を示す図である。ローカル座標系及びグローバル座標系を説明するための図である。図１に示す情報処理システムの構成を示す機能ブロック図である。本開示の一実施形態に係る学習モデルの概略構成を示す図である。本開示の一実施形態に係るスコアの一例を示す図である。本開示の一実施形態に係る対応付けの一例を示す図である。学習モデルの精度を示すグラフである。学習モデルの確度を示すグラフである。図１に示す電子機器が実行する評価処理の動作を示すフローチャートである。本開示の他の実施形態に係る情報処理システムの構成を示す機能ブロック図である。図１０に示す情報処理システムが実行する評価処理の動作を示すシーケンス図である。

　歩行中のユーザの身体部位の状態を推定する新規な技術が望まれている。本開示によれば、歩行中のユーザの身体部位の状態を推定する新規な技術を提供することができる。

　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。以下の図面に示す構成要素において、同じ構成要素には、同じ符号を付す。

　（システムの構成）
　図１に示すような情報処理システム１は、歩行中のユーザの複数の身体部位のうちの任意の身体部位の状態を推定することができる。ユーザは、情報処理システム１を利用することにより、歩行中の自身の身体部位の状態が良いか又は悪いかを把握することができる。

　情報処理システム１は、歩行中のユーザの身体部位の状態の把握が求められる任意の用途に利用されてよい。例えば、情報処理システム１は、ユーザが運動として歩行する場合、ユーザがモデルとして歩行を練習する場合、ユーザが登山のために足運びを練習する場合又はユーザが競歩を練習する場合等において、ユーザの身体部位の状態を把握するために利用されてよい。

　情報処理システム１は、センサ機器１０Ａと、センサ機器１０Ｂと、センサ機器１０Ｃと、センサ機器１０Ｄと、電子機器２０とを含む。ただし、情報処理システム１は、センサ機器１０Ａ、センサ機器１０Ｂ、センサ機器１０Ｃ及びセンサ機器１０Ｄの全てを含まなくてよい。情報処理システム１は、センサ機器１０Ａ、センサ機器１０Ｂ、センサ機器１０Ｃ及びセンサ機器１０Ｄのうちの少なくとも１個を含めばよい。

　以下、センサ機器１０Ａ～１０Ｄの各々を特に区別しない場合、これらは、まとめて「センサ機器１０」とも記載される。

　センサ機器１０と電子機器２０とは、通信線を介して通信可能である。通信線は、有線及び無線の少なくとも何れかを含んで構成される。

　センサ機器１０は、ユーザの身体部位に装着される。センサ機器１０は、センサ機器１０が装着されたユーザの身体部位の動きを示すセンサデータを検出する。センサデータは、ローカル座標系のデータとなる。

　ローカル座標系は、図２に示すように、センサ機器１０の位置を基準とする座標系である。図２には、センサ機器１０の位置の例示として、センサ機器１０Ａの位置を破線で示す。ローカル座標系は、例えば、ｘ軸、ｙ軸及びｚ軸で構成される。ｘ軸と、ｙ軸と、ｚ軸とは、互いに直交する。ｘ軸は、センサ機器１０から見た前後方向に平行である。ｙ軸は、センサ機器１０から見た左右方向に平行である。ｚ軸は、センサ機器１０から見た上下方向に平行である。ローカル座標系のｘ軸に平行な方向は、「ローカル座標系の前後方向」とも記載される。ローカル座標系のｙ軸に平行な方向は、「ローカル座標系の左右方向」とも記載される。ローカル座標系のｚ軸に平行な方向は、「ローカル座標系の上下方向」とも記載される。

　グローバル座標系は、図２に示すように、ユーザが歩行する空間における位置を基準とする座標系である。グローバル座標系は、例えば、Ｘ軸、Ｙ軸及びＺ軸で構成される。Ｘ軸と、Ｙ軸と、Ｚ軸とは、互いに直交する。Ｘ軸は、ユーザから見た前後方向に平行である。Ｙ軸は、ユーザから見た左右方向に平行である。Ｚ軸は、ユーザから見た上下方向に平行である。グローバル座標系のＸ軸に平行な方向は、「グローバル座標系の前後方向」とも記載される。グローバル座標系のＹ軸に平行な方向は、「グローバル座標系の左右方向」とも記載される。グローバル座標系のＺ軸に平行な方向は、「グローバル座標系の上下方向」とも記載される。グローバル座標系の前後方向は、ユーザの前後方向とも言い換え可能である。グローバル座標系の左右方向は、ユーザの左右方向とも言い換え可能である。グローバル座標系の上下方向は、ユーザの上下方向とも言い換え可能である。

　矢状面は、図２に示すように、ユーザの身体を左右対称に分ける面又はユーザの身体を左右対称に分ける面と並行な面である。前額面は、ユーザの身体を腹側と背側とに分ける面又はユーザの身体を腹側と背側とに分ける面に平行な面である。水平面は、ユーザの身体を上下に分ける面又はユーザの身体を上下に分ける面に平行な面である。矢状面と、前額面と、水平面とは、互いに垂直である。

　図１に示すように、センサ機器１０Ａは、ユーザの頭部に装着される。例えば、センサ機器１０Ａは、ユーザの耳に装着される。センサ機器１０Ａは、ウェアラブル機器であってよい。センサ機器１０Ａは、イヤホンであってよい。センサ機器１０Ａは、イヤホンに含まれてよい。又は、センサ機器１０Ａは、既存のメガネ又はイヤホン等に後付け可能な装置であってよい。センサ機器１０Ａは、任意の方法によって、ユーザの頭部に装着されてよい。センサ機器１０Ａは、ヘアバンド、かんざし等のヘアアクセサリ、イヤリング、ヘルメット、帽子、補聴器、入れ歯又はインプラント等に設置されることにより、ユーザの頭部に装着されてよい。

　センサ機器１０Ａは、センサ機器１０Ａから見た前後方向がユーザから見た頭部の前後方向に一致し、センサ機器１０Ａから見た左右方向がユーザから見た頭部の左右方向に一致し、且つセンサ機器１０から見た上下方向がユーザから見た頭部の上下方向に一致するように、ユーザの頭部に装着されてよい。つまり、センサ機器１０Ａは、センサ機器１０Ａの位置を基準とするローカル座標系のｘ軸がユーザから見た頭部の前後方向に平行になり、当該ローカル座標系のｙ軸がユーザから見た頭部の左右方向に平行になり、且つ当該ローカル座標系のｚ軸がユーザから見た頭部の上下方向に平行になるように、ユーザの頭部に装着されてよい。ただし、センサ機器１０Ａから見た前後方向、左右方向及び上下方向の各々は、必ずしも、ユーザから見た頭部の前後方向、左右方向及び上下方向の各々に一致しなくてよい。この場合、ユーザの頭部に対するセンサ機器１０Ａの相対姿勢は、適宜、初期化又は既知化されてよい。当該相対姿勢の初期化又は既知化は、センサ機器１０Ａをユーザの頭部に取り付ける治具の形状の情報又はセンサ機器１０Ａが装着されたユーザの頭部を撮像して生成された画像情報を利用することにより、行われてよい。

　センサ機器１０Ａは、ユーザの頭部の動きを示すセンサデータを検出する。センサ機器１０Ａが検出するセンサデータは、例えば、ユーザの頭部の速度、ユーザの頭部の加速度、ユーザの頭部の角度、ユーザの頭部の角速度、ユーザの頭部の温度及びユーザの頭部の位置における地磁気の少なくとも何れかを示すデータを含む。

　センサ機器１０Ｂは、ユーザの前腕部に装着される。例えば、センサ機器１０Ｂは、ユーザの手首に装着される。センサ機器１０Ｂは、腕時計型のウェアラブル機器であってよい。センサ機器１０Ｂは、任意の方法によって、ユーザの前腕部に装着されてよい。センサ機器１０Ｂは、バンド、ブレスレット、ミサンガ、グローブ、指輪、つけ爪又は義手等に設置されることにより、ユーザの前腕部に装着されてよい。当該ブレスレットは、装飾目的でユーザが身に着けるものであってもよいし、ロッカー等の鍵を手首に装着するためのものであってもよい。

　センサ機器１０Ｂは、センサ機器１０Ｂから見た前後方向がユーザから見た手首の前後方向に一致し、センサ機器１０Ｂから見た左右方向がユーザから見た手首の左右方向に一致し、且つセンサ機器１０Ｂから見た上下方向がユーザから見た手首の回旋方向に一致するように、ユーザの前腕部に装着されてよい。手首の回旋方向は、手首がねじれて回旋する方向である。つまり、センサ機器１０Ｂは、センサ機器１０Ｂの位置を基準とするローカル座標系のｘ軸がユーザから見た手首の前後方向に平行になり、当該ローカル座標系のｙ軸がユーザから見た手首の左右方向に平行になり、且つ当該ローカル座標系のｚ軸がユーザから見た手首の回旋方向に平行になるように、ユーザの前腕部に装着されてよい。

　センサ機器１０Ｂは、ユーザの前腕部の動きを示すセンサデータを検出する。センサ機器１０Ｂが検出するセンサデータは、例えば、ユーザの前腕部の速度、ユーザの前腕部の加速度、ユーザの前腕部の角度、ユーザの前腕部の角速度、ユーザの前腕部の温度及びユーザの前腕部の位置における地磁気の少なくとも何れかを示すデータを含む。

　センサ機器１０Ｃは、ユーザの大腿部に装着される。センサ機器１０Ｃは、ウェアラブル機器であってよい。センサ機器１０Ｃは、任意の方法によってユーザの大腿部に装着されてよい。センサ機器１０Ｃは、ベルトによってユーザの大腿部に装着されてよい。センサ機器１０Ｃは、ユーザが着用するズボンの大腿部付近のポケットに入れられることにより、大腿部に装着されてよい。センサ機器１０Ｃは、ズボン、下着、ショーツ、サポータ、義足又はインプラント等に設置されることにより、ユーザの大腿部に装着されてよい。

　センサ機器１０Ｃは、センサ機器１０Ｃから見た前後方向がユーザから見た大腿部の前後方向に一致し、センサ機器１０Ｃから見た左右方向がユーザから見た大腿部の左右方向に一致し、且つセンサ機器１０Ｃから見た上下方向がユーザから見た大腿部の回旋方向に一致するように、ユーザの大腿部に装着されてよい。大腿部の回旋方向は、大腿部がねじれて回旋する方向である。つまり、センサ機器１０Ｃは、センサ機器１０Ｃの位置を基準とするローカル座標系のｘ軸がユーザから見た大腿部の前後方向に平行になり、当該ローカル座標系のｙ軸がユーザから見た大腿部の左右方向に平行になり、且つ当該ローカル座標系のｚ軸がユーザから見た大腿部の回旋方向に平行になるように、ユーザの大腿部に装着されてよい。

　センサ機器１０Ｃは、ユーザの大腿部の動きを示すセンサデータを検出する。センサ機器１０Ｃが検出するセンサデータは、例えば、ユーザの大腿部の速度、ユーザの大腿部の加速度、ユーザの大腿部の角度、ユーザの大腿部の角速度、ユーザの大腿部の温度及びユーザの大腿部の位置における地磁気の少なくとも何れかを示すデータを含む。

　センサ機器１０Ｄは、ユーザの足部に装着される。本実施形態では、足部は、ユーザの足首からつま先までの部分である。センサ機器１０Ｄは、靴型のウェアラブル機器であってよい。センサ機器１０Ｄは、任意の方法によって、ユーザの足部に装着されてよい。センサ機器１０Ｄは、靴に設けられていてよい。センサ機器１０Ｄは、アンクレット、バンド、ミサンガ、つけ爪、タトゥーのシール、サポータ、ギプス、ソックス、インソール、義足、指輪又はインプラント等に設置されることにより、ユーザの足部に装着されてよい。

　センサ機器１０Ｄは、センサ機器１０Ｄから見た前後方向がユーザから見た足部の前後方向に一致し、センサ機器１０Ｄから見た左右方向がユーザから見た足部の左右方向に一致し、且つセンサ機器１０から見た上下方向がユーザから見た足部の上下方向に一致するように、ユーザの足部に装着されてよい。つまり、センサ機器１０Ｄは、センサ機器１０Ｄの位置を基準とするローカル座標系のｘ軸がユーザから見た足部の前後方向に平行になり、当該ローカル座標系のｙ軸がユーザから見た足部の左右方向に平行になり、且つ当該ローカル座標系のｚ軸がユーザから見た足部の上下方向に平行になるように、ユーザの足部に装着されてよい。

　センサ機器１０Ｄは、ユーザの足部の動きを示すセンサデータを検出する。センサ機器１０Ｄが検出するセンサデータは、例えば、ユーザの足部の速度、ユーザの足部の加速度、ユーザの足部の角度、ユーザの足部の角速度、ユーザの足部の温度及びユーザの足部の位置における地磁気の少なくとも何れかを示すデータを含む。

　電子機器２０は、例えば、歩行中のユーザによって携帯される。電子機器２０は、情報処理装置として機能し、センサ機器１０が検出したセンサデータに基づいて、ユーザの複数の身体部位のうちの任意の身体部位の状態を推定することができる。本実施形態では、電子機器２０は、ユーザの身体部位の状態を推定することとして、ユーザの身体部位の状態に対する評価を決定する。電子機器２０は、例えば、携帯電話機、スマートフォン又はタブレット等のモバイル機器である。

　図３に示すように、センサ機器１０は、少なくとも、通信部１１及びセンサ部１２を含んで構成される。センサ機器１０は、情報を報知する報知部と、記憶部１４と、制御部１５とをさらに含んで構成されてよい。本実施形態では、報知部は、出力部１３である。ただし、報知部は、出力部１３に限定されない。センサ機器１０Ｃ及びセンサ機器１０Ｄは、出力部１３を含んで構成されなくてよい。

　通信部１１は、通信線を介して電子機器２０と通信可能な少なくとも１つの通信モジュールを含んで構成される。通信モジュールは、通信線の規格に対応した通信モジュールである。通信線の規格は、例えば、Bluetooth（登録商標）、Ｗｉ－Ｆｉ（登録商標）、赤外線及びＮＦＣ（Near Field Communication）等を含む近距離無線通信規格である。

　センサ部１２は、センサ機器１０によって検出しようとするセンサデータに応じた、任意のセンサを含んで構成される。センサ部１２は、例えば、３軸のモーションセンサ、３軸の加速度センサ、３軸の速度センサ、３軸のジャイロセンサ、３軸の地磁気センサ、温度センサ、気圧センサ及びカメラ等の少なくとも何れかを含んで構成される。センサ部１２がカメラを含んで構成される場合、カメラがユーザの身体部位を撮像して生成した画像を解析することにより、当該身体部位の動きを検出することができる。

　センサ部１２が加速度センサ及び地磁気センサを含んで構成される場合、加速度センサ及び地磁気センサの各々が検出したデータは、センサ機器１０によって検出しようとする身体部位の初期の角度の算出に用いられてよい。また、加速度センサ及び地磁気センサの各々が検出したデータは、センサ機器１０によって検出される角度を示すデータの補正に用いられてよい。

　センサ部１２がジャイロセンサを含んで構成される場合、ジャイロセンサが検出した角速度を時間積分することにより、センサ機器１０によって検出しようとする身体部位の角度が算出されてよい。

　センサ部１２が気圧センサを含んで構成される場合、気圧センサが検出したデータは、後述する電子機器２０の制御部２６のユーザの身体部位の状態に対する評価を決定する際に用いられてよい。

　出力部１３は、データを出力可能である。出力部１３は、データを出力可能な少なくとも１つの出力用インタフェースを含んで構成される。出力用インタフェースは、例えば、ディスプレイ又はスピーカ等である。ディスプレイは、例えば、ＬＣＤ（Liquid Crystal Display）又は有機ＥＬ（Electro Luminescence）ディスプレイ等である。

　出力部１３は、センサ機器１０Ａに含まれる場合、スピーカを含んで構成されてよい。また、出力部１３は、センサ機器１０Ｂに含まれる場合、ディスプレイを含んで構成されてよい。

　記憶部１４は、少なくとも１つの半導体メモリ、少なくとも１つの磁気メモリ、少なくとも１つの光メモリ又はこれらのうちの少なくとも２種類の組み合わせを含んで構成される。半導体メモリは、例えば、ＲＡＭ（Random Access Memory）又はＲＯＭ（Read Only Memory）等である。ＲＡＭは、例えば、ＳＲＡＭ（Static Random Access Memory）又はＤＲＡＭ（Dynamic Random Access Memory）等である。ＲＯＭは、例えば、ＥＥＰＲＯＭ(Electrically Erasable Programmable Read Only Memory)等である。記憶部１４は、主記憶装置、補助記憶装置又はキャッシュメモリとして機能してよい。記憶部１４は、センサ機器１０の動作に用いられるデータと、センサ機器１０の動作によって得られたデータとを記憶する。例えば、記憶部１４は、システムプログラム、アプリケーションプログラム及び組み込みソフトウェア等を記憶する。

　制御部１５は、少なくとも１つのプロセッサ、少なくとも１つの専用回路又はこれらの組み合わせを含んで構成される。プロセッサは、ＣＰＵ（Central Processing Unit）若しくはＧＰＵ（Graphics Processing Unit）等の汎用プロセッサ又は特定の処理に特化した専用プロセッサである。専用回路は、例えば、ＦＰＧＡ（Field-Programmable Gate Array）又はＡＳＩＣ（Application Specific Integrated Circuit）等である。制御部１５は、センサ機器１０の各部を制御しながら、センサ機器１０の動作に関わる処理を実行する。

　制御部１５は、データ検出の開始を指示する信号を、電子機器２０から通信部１１によって受信する。制御部１５は、この信号を受信すると、データ検出を開始する。例えば、制御部１５は、センサ部１２から、センサ部１２が検出したデータを取得する。制御部１５は、取得したデータをセンサデータとして電子機器２０に通信部１１によって送信する。データ検出の開始を指示する信号は、ブロードキャスト信号として、電子機器２０から複数のセンサ機器１０に送信される。データ検出の開始を指示する信号がブロードキャスト信号として複数のセンサ機器１０に送信されることにより、複数のセンサ機器１０は、データ検出を同時に開始することができる。

　制御部１５は、予め設定された時間間隔で、センサ部１２からデータを取得し、取得したデータをセンサデータとして通信部１１によって送信する。この時間間隔は、一般的なユーザの歩行速度等に基づいて、設定されてよい。この時間間隔は、複数のセンサ機器１０の各々において、同じであってよい。この時間間隔が複数のセンサ機器１０で同じであることにより、複数のセンサ機器１０の各々がデータを検出するタイミングを同期させることができる。

　図３に示すように、電子機器２０は、通信部２１と、入力部２２と、情報を報知する報知部と、記憶部２５と、制御部２６とを含んで構成される。本実施形態では、報知部は、出力部２３及び振動部２４である。ただし、報知部は、出力部２３及び振動部２４に限定されない。出力部２３及び振動部２４は、電子機器２０に搭載されていてよいし、センサ機器１０Ｂ，１０Ｃ，１０Ｄの何れかの近傍に配置されていてよい。

　通信部２１は、通信線を介してセンサ機器１０と通信可能な少なくとも１つの通信モジュールを含んで構成される。通信モジュールは、通信線の規格に対応した少なくとも１つの通信モジュールである。通信線の規格は、例えば、Bluetooth（登録商標）、Ｗｉ－Ｆｉ（登録商標）、赤外線及びＮＦＣ等を含む近距離無線通信規格である。

　通信部２１は、後述の図１０に示すようなネットワーク２に接続可能な少なくとも１つの通信モジュールをさらに含んで構成されてよい。通信モジュールは、例えば、ＬＴＥ（Long Term Evolution）、４Ｇ（4th Generation）又は５Ｇ（5th Generation）等の移動体通信規格に対応した通信モジュールである。

　入力部２２は、ユーザからの入力を受付可能である。入力部２２は、ユーザからの入力を受付可能な少なくとも１つの入力用インタフェースを含んで構成される。入力用インタフェースは、例えば、物理キー、静電容量キー、ポインティングデバイス、ディスプレイと一体的に設けられたタッチスクリーン又はマイク等である。

　出力部２３は、データを出力可能である。出力部２３は、データを出力可能な少なくとも１つの出力用インタフェースを含んで構成される。出力用インタフェースは、例えば、ディスプレイ又はスピーカ等である。ディスプレイは、例えば、ＬＣＤ又は有機ＥＬディスプレイ等である。

　振動部２４は、電子機器２０を振動可能である。振動部２４は、振動素子を含んで構成される。振動素子は、例えば、圧電素子等である。

　記憶部２５は、少なくとも１つの半導体メモリ、少なくとも１つの磁気メモリ、少なくとも１つの光メモリ又はこれらのうちの少なくとも２種類の組み合わせを含んで構成される。半導体メモリは、例えば、ＲＡＭ又はＲＯＭ等である。ＲＡＭは、例えば、ＳＲＡＭ又はＤＲＡＭ等である。ＲＯＭは、例えば、ＥＥＰＲＯＭ等である。記憶部２５は、主記憶装置、補助記憶装置又はキャッシュメモリとして機能してよい。記憶部２５には、電子機器２０の動作に用いられるデータと、電子機器２０の動作によって得られたデータとが記憶される。例えば、記憶部２５は、システムプログラム、アプリケーションプログラム及び組み込みソフトウェア等を記憶する。例えば、記憶部２５は、後述の学習モデル及び後述の図６に示すような対応付け等を記憶する。

　制御部２６は、少なくとも１つのプロセッサ、少なくとも１つの専用回路又はこれらの組み合わせを含んで構成される。プロセッサは、ＣＰＵ若しくはＧＰＵ等の汎用プロセッサ又は特定の処理に特化した専用プロセッサである。専用回路は、例えば、ＦＰＧＡ又はＡＳＩＣ等である。制御部２６は、電子機器２０の各部を制御しながら、電子機器２０の動作に関わる処理を実行する。

　制御部２６は、歩行評価の実行を指示する入力を、入力部２２によって受け付ける。この入力は、電子機器２０に、身体部位の状態に対する評価を決定する決定処理を実行させる入力である。この入力は、例えば、センサ機器１０を装着したユーザによって入力部２２から入力される。ユーザは、例えば、歩行を開始する前に、この入力を入力部２２から入力する。制御部２６は、この入力を入力部２２によって受け付けると、データ検出の開始を指示する信号をブロードキャスト信号として、複数のセンサ機器１０に通信部２１によって送信する。データ検出の開始を指示する信号が複数のセンサ機器１０に送信された後、少なくとも１個のセンサ機器１０から電子機器２０へ、センサデータが送信される。

　制御部２６は、少なくとも１個のセンサ機器１０から、センサデータを通信部２１によって受信する。制御部２６は、センサ機器１０からセンサデータを受信することにより、センサ機器１０からセンサデータを取得する。制御部２６は、後述するように、取得したセンサデータと学習モデルとによって、ユーザの身体部位の状態に対する評価を決定する。身体部位の状態を評価する評価の内容は、一般的に良いとされる歩き方の解釈に基づいて、設定されてよい。一般的に良いとされる歩き方の解釈としては、例えば、「アシックススポーツ研究所、“究極の歩き方”、講談社現代新書、２０１９年９月発行、ｐ．９２，９４，９５」に記載された解釈が挙げられる。制御部２６による評価の決定処理の詳細を説明する前に、一般的に良いとされる歩き方の解釈及び評価の内容の一例について説明する。制御部２６は、以下に説明する、（１）頭部の状態、（２）腕部の状態、（３）体幹部の状態、（４）膝部の状態及び（５）足部の状態のうちの少なくとも何れかに対する評価を決定してよい。

　（１）頭部の状態
　頭部の状態に対する評価が決定されてよい。

　一般的に、歩行中のユーザの身体は、なるべく揺れない方がよいと解釈されている。歩行中のユーザの身体の揺れが小さい場合、歩行中のユーザの身体の揺れが大きい場合よりも、歩行中のユーザの頭部の揺れが小さくなる。したがって、歩行中のユーザの頭部の揺れが小さい場合、歩行中のユーザの頭部の揺れが大きい場合よりも、頭部の状態に対する評価として高い評価が決定されてよい。

　歩行中のユーザの顎が引かれている場合、歩行中のユーザの顎が引かれていない場合よりも、ユーザの頭部の揺れが小さくなる。したがって、歩行中のユーザの顎が引かれている場合、歩行中のユーザの顎が引かれていない場合よりも、頭部の状態に対する評価として高い評価が決定されてよい。

　歩行中のユーザの視線が遠くに向けられている場合、歩行中のユーザの視線が近くに向けられている場合よりも、ユーザの頭部の揺れが小さくなる。したがって、歩行中のユーザの視線が遠くに向けられている場合、歩行中のユーザの視線が近くに向けられている場合よりも、頭部の状態に対する評価として高い評価が決定されてよい。

　（２）腕部の状態
　腕部の状態に対する評価が決定されてよい。

　一般的に、歩行中のユーザの腕部の状態としては、腕がしっかり振られた状態が良好な状態であると解釈されている。したがって、歩行中のユーザの腕部の振りが大きい場合、歩行中のユーザの腕部の振りが小さい場合よりも、腕部の状態に対する評価として高い評価が決定されてよい。

　一般的に、歩行中のユーザの腕部の状態としては、腕がユーザの後方向に引かれた状態が良好な状態であると解釈されている。したがって、歩行中のユーザの腕が後方向に引かれている場合、歩行中のユーザの腕が後方向に引かれていない場合よりも、腕部の状態に対する評価として高い評価が決定されてよい。

　（３）体幹部の状態
　体幹部の状態に対する評価が決定されてよい。

　一般的に、歩行中のユーザの体幹部の状態としては、肩が開いていて背筋が伸びた状態が良好な状態であると解釈されている。したがって、ユーザの肩が開いていて背筋が伸びた状態である場合、ユーザの肩が閉じていて背筋が曲がった状態である場合よりも、体幹部の状態に対する評価として高い評価が決定されてよい。

　一般的に、歩行中のユーザの体幹部の状態としては、骨盤が立っていて腰が伸びた状態が良好な状態であると解釈されている。したがって、ユーザの骨盤が立っていて腰が伸びた状態である場合、ユーザの骨盤が立っておらず腰が曲がった状態である場合よりも、体幹部の状態に対する評価として高い評価が決定されてよい。

　（４）膝部の状態
　膝部の状態に対する評価が決定されてよい。

　一般的に、歩行中のユーザの膝部の状態としては、膝部が曲がっていない状態が良好な状態であると解釈されている。したがって、歩行中のユーザの膝部が曲がっていない状態である場合、歩行中のユーザの膝部が曲がっている状態である場合よりも、膝部の状態に対する評価として高い評価が決定されてよい。

　（５）足部の状態
　足部の状態に対する評価が決定されてよい。

　一般的に、歩行中のユーザの歩幅は、なるべく広い方がよいと解釈されている。したがって、歩行中のユーザの歩幅が広い場合、歩行中のユーザの歩幅が狭い場合よりも、足部の状態に対する評価として高い評価が決定されてよい。

　[評価の決定処理]
　制御部２６は、センサデータと学習モデルとによって、ユーザの身体部位の状態に対する評価を決定する。学習モデルは、センサデータ又は特徴データが入力されると、ユーザの所定の身体部位の状態に対する評価の情報を出力するように、機械学習したものである。つまり、制御部２６は、学習モデルにセンサデータ又は特徴データを入力し、学習モデルからユーザの身体部位の状態に対する評価の情報を取得することにより、ユーザの身体部位の状態に対する評価を決定する。特徴データは、ユーザにおけるセンサ機器１０が装着された身体部位の動きの特徴を示すデータである。制御部２６は、センサデータから特徴データを取得する。特徴データの一例については、後述する。ここで、学習モデルは、センサデータ又は特徴データが入力されると、ユーザにおけるセンサ機器１０が装着された身体部位とは異なる身体部位の状態の評価の情報を出力するように、機械学習することができる。その理由は、ユーザの複数の身体部位が歩行という運動において互いに影響を及ぼしながら動くためである。このような学習モデルによって、制御部２６は、ユーザにおけるセンサ機器１０が装着された身体部位とは異なる身体部位の状態の評価を決定することができる。また、このような学習モデルによって、制御部２６は、ユーザにおけるセンサ機器１０が装着された身体部位の個数よりも多くの身体部位の状態の評価を決定することができる。

　本実施形態に係る学習モデルは、特徴データが入力されると、所定の身体部位の状態の評価の情報としてスコアを出力するように、機械学習したものである。スコアは、所定の身体部位の状態の評価を示す。スコアが高いほど、スコアに対応する所定の身体部位の状態に対する評価が高い。制御部２６は、学習モデルからスコアを取得することにより、スコアに対応する所定の身体部位の状態に対する評価を決定する。

　以下、学習モデルに入力される特徴データの一例について説明する。

　特徴データは、センサデータの統計値を示すデータであってよい。特徴データがセンサデータの統計値であることにより、特徴データによって身体部位の動きの特徴を示すことができる。例えば、特徴データは、所定期間における、センサデータの最大値、最小値、平均値又は分散等である。所定期間は、例えば、ユーザの歩行周期又は歩行周期の一部期間等である。歩行周期は、例えば、ユーザの２つの足部のうちの一方の足部が地面に着地してから再び地面に着地するまでの期間である。歩行周期の一部期間は、例えば、立脚期又は遊脚期等である。立脚期は、例えば、ユーザの２つの足部のうちの一方の足部が地面に着地してから離れるまでの期間である。遊脚期は、例えば、ユーザの２つの足部のうちの一方の足部が地面から離れてから地面に着地するまでの期間である。制御部２６は、センサデータを解析することにより、ユーザの歩行周期及び歩行周期の一部期間を検出してよい。制御部２６は、センサデータに対して演算を実行することにより、センサデータから特徴データを取得してよい。

　特徴データは、所定タイミングにおけるセンサデータであってよい。特徴データが所定タイミングにおけるセンサデータであることにより、特徴データによって身体部位の動きの特徴を示すことができる。例えば、特徴データは、ユーザの着地タイミングにおけるセンサデータである。着地タイミングは、ユーザの足部が地面に着地するタイミングである。制御部２６は、センサデータを解析することにより、着地タイミングを検出してよい。

　特徴データは、任意の座標系のデータであってよい。特徴データは、ローカル座標系のデータであってよいし、グローバル座標系のデータであってよい。特徴データがグローバル座標系のデータである場合、制御部２６は、ローカル座標系のセンサデータに対して座標変換を実行することにより、グローバル座標系の特徴データを取得する。

　図４を参照して、学習モデルの一例について説明する。図４に示すような学習モデル３０は、ニューラルネットワークの学習モデルである。学習モデル３０は、入力層３１と、隠れ層３２と、隠れ層３３と、出力層３４とを含んで構成される。

　学習モデル３０は、入力層３１から３つの特徴データが入力されると、出力層３４から１つのスコアを出力する。

　入力層３１は、３個のニューロンを含む。入力層３１の３個のニューロンには、各々、特徴データが入力される。隠れ層３２及び隠れ層３３は、各々、６４個のニューロンを含む。出力層３４は、１個のニューロンを含む。出力層３４のニューロンからは、スコアが出力される。入力層３１、隠れ層３２、隠れ層３３及び出力層３４の層において、隣接する２つの層のうちの、一方の層のニューロンと、他方の層のニューロンとは、互いに結合される。学習モデル３０の学習では、各ニューロン間の結合強度に相当する重み係数が調整される。

　入力層３１、隠れ層３２、隠れ層３３及び出力層３４の各々に含まれるニューロンの数は、用いられる特徴データの数に応じて、調整されてよい。

　図５に、本開示の一実施形態に係るスコアの一例を示す。制御部２６は、上述したように、特徴データを学習モデルに入力することにより、図５に示すようなスコアを取得する。図５では、制御部２６は、５個の学習モデルによって、（１）頭部の状態、（２）腕部の状態、（３）体幹部の状態、（４）膝部の状態及び（５）足部の状態のスコアの各々を取得する。

　図５では、スコアは、１～５までの数値である。制御部２６は、（１）頭部の状態に対する評価として、スコアの５を取得する。制御部２６は、（２）腕部の状態に対する評価として、スコアの４を取得する。制御部２６は、（３）体幹部の状態に対する評価として、スコアの３を取得する。制御部２６は、（４）膝部の状態に対する評価として、スコアの１を取得する。制御部２６は、（５）足部の状態に対する評価として、スコアの２を取得する。

　[評価信号の生成処理]
　制御部２６は、ユーザの身体部位の状態に対する評価を決定すると、決定した評価に応じた評価信号を生成してよい。制御部２６は、複数の評価を決定した場合、決定した複数の評価のうちの、少なくとも１つの評価に応じた評価信号を生成してよい。評価信号は、決定した評価が評価閾値よりも高い場合、ユーザを褒める内容を示す信号であってよい。評価信号は、決定した評価が評価閾値よりも低い場合、ユーザへのアドバイスを示す信号であってよい。評価閾値は、一般的なユーザの評価の平均値等に基づいて、設定されてよい。評価閾値は、学習モデルが用いられる場合、一般的なユーザのスコアの平均値であってよい。ユーザを褒める内容及びアドバイスの内容は、上述したような一般的に良いとされる歩き方の解釈に基づいて、設定されてよい。

　図５では、評価閾値は、スコアの３である。図５では、「Good」は、評価が評価閾値よりも高いことを示す。「Pooｒ」は、評価が評価閾値よりも低いことを示す。「Average」は、評価が評価閾値と同じであることを示す。

　図５では、（１）頭部の状態及び（２）腕部の状態の各々に対する評価が評価閾値よりも高くなる。制御部２６は、（１）頭部の状態及び（２）腕部の状態の各々に対して、評価信号として、ユーザを褒める内容を示す信号を生成する。例えば、（１）頭部の状態に対する評価信号として、制御部２６は、ユーザの頭部の揺れが小さくて頭部の状態が良好である旨を示す信号を生成する。例えば、（２）腕部の状態に対する評価信号として、制御部２６は、ユーザの腕部の振りが大きく、且つ腕が後方向に引かれており、腕部の状態が良好である旨を示す信号を生成する。

　図５では、（４）膝部の状態及び（５）足部の状態の各々に対する評価が評価閾値よりも低くなる。制御部２６は、（４）膝部の状態及び（５）足部の状態の各々に対して、評価信号として、ユーザへのアドバイスを示す信号を生成する。例えば、（４）膝部の状態に対する評価信号として、制御部２６は、膝部を曲げないようにする旨のアドバイスを示す信号を生成する。例えば、（５）足部の状態に対する評価信号として、制御部２６は、歩幅を広くする旨のアドバイスを示す信号を生成する。

　制御部２６は、生成した評価信号を外部機器に通信部２１によって送信してよい。制御部２６は、外部機器として出力部１３を有する任意のセンサ機器１０に、評価信号を通信部２１によって送信してよい。この場合、センサ機器１０では、制御部１５は、評価信号を通信部２１によって受信する。制御部１５は、受信した評価信号が示す内容を、報知部としての出力部１３に報知させる。報知の一例として、制御部１５は、評価信号が示す内容を出力部１３に出力させる。このような構成により、ユーザは、歩行中の身体部位の状態に対する評価を把握することができる。

　制御部２６は、例えばセンサ機器１０Ａがイヤホンであるか、又はイヤホンに含まれる場合、外部機器としてイヤホンに、評価信号を通信部２１によって送信してよい。この場合、センサ機器１０Ａでは、制御部１５は、評価信号を通信部１１によって受信する。センサ機器１０Ａでは、制御部１５は、評価信号が示す内容を、報知部としての出力部１３に報知させる。報知の一例として、センサ機器１０Ａでは、制御部１５は、評価信号が示す内容を音声として出力部１３のスピーカから出力させることにより、報知する。このような構成により、身体部位の状態に対する評価を、音声によってユーザに報知することができる。音声によってユーザに報知することにより、ユーザの歩行を妨げる可能性が低減する。

　制御部２６は、生成した評価信号が示す内容を報知部によってユーザに報知してよい。報知の一例として、制御部２６は、生成した評価信号が示す内容を出力部２３に出力させてよい。報知の他の例として、制御部２６は、決定した評価に応じた振動パターンで振動部２４を振動させてよい。

　[学習モデルの選択処理]
　制御部２６は、複数の学習モデルのうちから、センサデータを電子機器２０へ送信したセンサ機器１０の種類に応じて、上述した評価の決定処理に用いる学習モデルを選択してよい。制御部２６は、記憶部２５に記憶された図６に示すような対応付けを参照し、評価の決定処理に用いる学習モデルを選択してよい。

　図６に示すような学習モデルは、後述の学習モデルの生成方法によって生成されたものである。学習モデルとともに示される括弧内の数値は、後述の学習モデルの生成方法において算出された学習モデルの精度及び確度である。学習モデルの精度及び確度の算出方法については、後述する。括弧内の左側の数値は、学習モデルの精度である。括弧内の右側の数値は、学習モデルの確度である。

　図６において、二重丸印が付された学習モデルは、精度が９０％以上であって、さらに確度が７０％以上である学習モデルである。一重丸印が付された学習モデルは、二重丸印が付された学習モデルの精度及び確度の条件を満たさない学習モデルである。一重丸印が付された学習モデルは、精度が８０％以上であって、さらに確度が６０％以上である学習モデルである。三角印が付された学習モデルは、精度が８０％未満であるか、又は確度が６０％未満である学習モデルである。制御部２６は、学習モデルの精度及び確度に応じて（１）頭部の状態から（５）足部の状態までの一部の状態の評価を決定してよいし、（１）頭部の状態から（５）足部の状態までの全ての評価を決定してよい。

　図６では、制御部２６は、ケースＣ１、ケースＣ２、ケースＣ３、ケースＣ４又はケースＣ５を選択することにより、評価の決定処理に用いる学習モデルを選択する。ケースＣ１～ケースＣ５は、評価の決定処理に用いる学習モデルと、当該学習モデルに入力する特徴データを取得するためのセンサ機器１０の種類とを対応付けたものである。ただし、学習モデルは、図６に示すようなものに限定されない。任意に組み合わされたセンサ機器１０のセンサデータ又は特徴データを用いる学習モデルが採用されてよい。

　制御部２６は、センサデータを電子機器２０へ送信するセンサ機器１０の種類に応じて、ケースＣ１～Ｃ５の何れかを選択してよい。一例として、制御部２６は、センサデータを電子機器２０へ送信した複数のセンサ機器１０のうちから、任意のセンサ機器１０の組み合わせを選択してよい。制御部２６は、ケースＣ１～ケースＣ５のうちから、選択したセンサ機器１０の組み合わせに対応するケースを選択してよい。以下に説明するようなケースＣ１～Ｃ５で用いられる特徴データの情報は、ケースＣ１～Ｃ５と対応付けて記憶部２５に記憶されてよい。

　＜ケースＣ１＞
　制御部２６は、センサデータを電子機器２０へ送信するセンサ機器１０がセンサ機器１０Ａのみである場合、ケースＣ１を選択してよい。例えば、ユーザが装着するセンサ機器１０がセンサ機器１０Ａのみである場合、センサデータを電子機器２０へ送信するセンサ機器１０は、センサ機器１０Ａのみとなる。又は、制御部２６は、センサデータを電子機器２０へ送信した複数のセンサ機器１０のうちからセンサ機器１０Ａを選択した場合、ケースＣ１を選択してよい。

　ケースＣ１では、制御部２６は、（１）頭の状態、（２）腕部の状態、（３）体幹部の状態、（４）膝部の状態及び（５）足部の状態に対する評価を決定する場合、各々、学習モデル３０Ａ，３０Ｂ，３０Ｃ，３０Ｄ，３０Ｅを選択する。

　ケースＣ１では、学習モデル３０Ａ～３０Ｅに入力される特徴データは、グローバル座標系の上下方向におけるユーザの頭部の動きの特徴を示す特徴データと、グローバル座標系の左右方向におけるユーザの頭部の動きの特徴を示す特徴データとを含む。ただし、学習モデル３０Ａ～３０Ｅに入力される特徴データは、グローバル座標系の前後方向、左右方向及び上下方向の少なくとも何れかにおける頭部の動きの特徴を示す特徴データを含めばよい。

　本実施形態に係るケースＣ１では、制御部２６は、学習モデル３０Ａ～３０Ｅの各々に、３つの特徴データを入力する。

　学習モデル３０Ａ～３０Ｅに入力される３つの特徴データのうちの１つの特徴データが、上記グローバル座標系の上下方向におけるユーザの頭部の動きの特徴を示す特徴データに対応する。この１つの特徴データは、本実施形態では、グローバル座標系の上下方向におけるユーザの頭部の角度の平均値である。この１つの特徴データは、センサ機器１０Ａが検出したユーザの頭部の動きを示すセンサデータから、取得される。特徴データにおけるユーザの頭部の角度の平均値は、ユーザの歩行周期における頭部の角度の平均値であってよい。

　学習モデル３０Ａ～３０Ｅに入力される３つの特徴データのうちの２つの特徴データが、上記グローバル座標系の左右方向におけるユーザの頭部の動きの特徴を示す特徴データに対応する。この２つの特徴データは、本実施形態では、グローバル座標系の左右方向におけるユーザの頭部の角度の最大値及びグローバル座標系の左右方向におけるユーザの頭部の角度の平均値である。この２つの特徴データは、センサ機器１０Ａが検出したユーザの頭部の動きを示すセンサデータから、取得される。特徴データにおけるユーザの頭部の角度の最大値及び平均値は、各々、ユーザの歩行周期における頭部の角度の最大値及び平均値であってよい。

　＜ケースＣ２＞
　制御部２６は、センサデータを電子機器２０へ送信したセンサ機器１０がセンサ機器１０Ａ及びセンサ機器１０Ｄのみである場合、ケースＣ２を選択してよい。又は、制御部２６は、センサデータを電子機器２０へ送信した複数のセンサ機器１０のうちからセンサ機器１０Ａ及びセンサ機器１０Ｄを選択した場合、ケースＣ２を選択してよい。

　ケースＣ２では、制御部２６は、（１）頭の状態、（２）腕部の状態、（３）体幹部の状態、（４）膝部の状態及び（５）足部の状態に対する評価を決定する場合、各々、学習モデル３０Ｆ，３０Ｇ，３０Ｈ，３０Ｉ，３０Ｊを選択する。

　ケースＣ２では、学習モデル３０Ｆ～３０Ｊに入力される特徴データは、ケースＣ１と同一又は類似に、上記グローバル座標系の上下方向におけるユーザの頭部の動きの特徴を示す特徴データと、上記グローバル座標系の左右方向におけるユーザの頭部の動きの特徴を示す特徴データとを含む。さらに、学習モデル３０Ｆ～３０Ｊに入力される特徴データは、ユーザの足部の動きの特徴を示す特徴データを含む。

　本実施形態に係るケースＣ２では、制御部２６は、学習モデル３０Ｆ～３０Ｊの各々に、３つの特徴データを入力する。

　学習モデル３０Ｆ～３０Ｊに入力される３つの特徴データのうちの２つの特徴データが、上記グローバル座標系の上下方向におけるユーザの頭部の動きの特徴を示す特徴データ及び上記グローバル座標系の左右方向におけるユーザの頭部の動きの特徴を示す特徴データに対応する。この２つの特徴データは、本実施形態では、グローバル座標系の上下方向におけるユーザの頭部の角度の平均値及びグローバル座標系の左右方向におけるユーザの頭部の角度の最大値である。この２つの特徴データは、センサ機器１０Ａが検出したユーザの頭部の動きを示すデータから取得される。特徴データにおけるユーザの頭部の角度の平均値及び最大値は、各々、ユーザの歩行周期における頭部の角度の平均値及び最大値であってよい。

　学習モデル３０Ｆ～３０Ｊに入力される３つの特徴データのうちの１つの特徴データが、上記ユーザの足部の動きの特徴を示す特徴データに対応する。この１つの特徴データは、本実施形態では、センサ機器１０Ｄの位置を基準とするローカル座標系の上下方向におけるユーザの足部の加速度の最大値である。この１つの特徴データは、センサ機器１０Ｄが検出したユーザの足部の動きを示すセンサデータから取得される。特徴データにおけるユーザの足部の加速度の最大値は、ユーザの歩行周期における足部の加速度の最大値であってよい。

　＜ケースＣ３＞
　制御部２６は、センサデータを電子機器２０へ送信したセンサ機器１０がセンサ機器１０Ａ及びセンサ機器１０Ｃのみである場合、ケースＣ３を選択してよい。又は、制御部２６は、センサデータを電子機器２０へ送信した複数のセンサ機器１０からセンサ機器１０Ａ及びセンサ機器１０Ｃを選択した場合、ケースＣ３を選択してよい。

　ケースＣ３では、制御部２６は、（１）頭の状態、（２）腕部の状態、（３）体幹部の状態、（４）膝部の状態及び（５）足部の状態に対する評価を決定する場合、各々、学習モデル３０Ｋ，３０Ｌ，３０Ｍ，３０Ｎ，３０Ｏを選択する。

　ケースＣ３では、学習モデル３０Ｋ～３０Ｏに入力される特徴データは、ケースＣ１と同一又は類似に、上記グローバル座標系の上下方向におけるユーザの頭部の動きの特徴を示す特徴データと、上記グローバル座標系の左右方向におけるユーザの頭部の動きの特徴を示す特徴データとを含む。さらに、学習モデル３０Ｋ～３０Ｏに入力される特徴データは、ユーザの大腿部の動きの特徴を示す特徴データを含む。

　本実施形態に係るケースＣ３では、制御部２６は、学習モデル３０Ｋ～３０Ｏの各々に、３つの特徴データを入力する。

　学習モデル３０Ｋ～３０Ｏに入力される３つの特徴データのうちの２つの特徴データが、上記グローバル座標系の上下方向におけるユーザの頭部の動きの特徴を示す特徴データ及び上記グローバル座標系の左右方向におけるユーザの頭部の動きの特徴を示す特徴データに対応する。この２つの特徴データは、本実施形態では、グローバル座標系の上下方向におけるユーザの頭部の角度の平均値及びグローバル座標系の左右方向におけるユーザの頭部の角度の平均値である。この２つの特徴データは、センサ機器１０Ａが検出したユーザの頭部の動きを示すセンサデータから取得される。特徴データにおけるユーザの頭部の角度の平均値は、ユーザの歩行周期における頭部の角度の平均値であってよい。

　学習モデル３０Ｋ～３０Ｏに入力される３つの特徴データのうちの１つの特徴データが、上記ユーザの大腿部の動きの特徴を示す特徴データである。この１つの特徴データは、本実施形態では、センサ機器１０Ｃの位置を基準とするローカル座標系の左右方向におけるユーザの大腿部の角速度の立脚期における分散である。この１つの特徴データは、センサ機器１０Ｄが検出したユーザの大腿部の動きを示すセンサデータから取得される。

　＜ケースＣ４＞
　制御部２６は、センサデータを電子機器２０へ送信したセンサ機器１０がセンサ機器１０Ａ及びセンサ機器１０Ｂのみである場合、ケースＣ４を選択したよい。又は、制御部２６は、センサデータを電子機器２０へ送信した複数のセンサ機器１０のうちからセンサ機器１０Ａ及びセンサ機器１０Ｂを選択した場合、ケースＣ４を選択したよい。

　ケースＣ４では、制御部２６は、（１）頭の状態、（２）腕部の状態、（３）体幹部の状態、（４）膝部の状態及び（５）足部の状態に対する評価を決定する場合、各々、学習モデル３０Ｐ，３０Ｑ，３０Ｒ，３０Ｓ，３０Ｔを選択する。

　ケースＣ４では、学習モデル３０Ｐ～３０Ｔに入力される特徴データは、ケースＣ１と同一又は類似に、上記グローバル座標系の上下方向におけるユーザの頭部の動きの特徴を示す特徴データと、上記グローバル座標系の左右方向におけるユーザの頭部の動きの特徴を示す特徴データとを含む。さらに、学習モデル３０Ｐ～３０Ｔに入力される特徴データは、ユーザの前腕部の動きの特徴を示す特徴データを含む。

　本実施形態に係るケースＣ４では、制御部２６は、学習モデル３０Ｐ～３０Ｔの各々に、３つの特徴データを入力する。

　学習モデル３０Ｐ～３０Ｔに入力される３つの特徴データのうちの２つの特徴データが、上記グローバル座標系の上下方向におけるユーザの頭部の動きの特徴を示す特徴データ及び上記グローバル座標系の左右方向におけるユーザの頭部の動きの特徴を示す特徴データに対応する。この２つの特徴データは、本実施形態では、グローバル座標系の上下方向におけるユーザの頭部の角度の平均値及びグローバル座標系の左右方向におけるユーザの頭部の着地タイミングにおける角度である。この２つの特徴データは、センサ機器１０Ａが検出したユーザの頭部の動きを示すセンサデータから取得される。特徴データにおけるユーザの頭部の角度の平均値は、ユーザの歩行周期における頭部の角度の平均値であってよい。

　学習モデル３０Ｐ～３０Ｔに入力される３つの特徴データのうちの１つの特徴データが、上記ユーザの前腕部の動きの特徴を示す特徴データに対応する。この１つの特徴データは、本実施形態では、センサ機器１０Ｂの位置を基準とするローカル座標系の前後方向におけるユーザの前腕部の加速度の分散である。この１つの特徴データは、センサ機器１０Ｂが検出したユーザの前腕部の動きを示すセンサデータから取得される。特徴データにおけるユーザの前腕部の加速度の分散は、ユーザの歩行周期における前腕部の加速度の分散であってよい。

　＜ケースＣ５＞
　制御部２６は、センサデータを電子機器２０へ送信したセンサ機器１０がセンサ機器１０Ａ、センサ機器１０Ｂ及びセンサ機器１０Ｄのみである場合、ケースＣ５を選択してよい。又は、制御部２６は、センサデータを電子機器２０へ送信した複数のセンサ機器１０からセンサ機器１０Ａ、センサ機器１０Ｂ及びセンサ機器１０Ｄを選択した場合、ケースＣ５を選択してよい。

　ケースＣ５では、制御部２６は、（１）頭の状態、（２）腕部の状態、（３）体幹部の状態、（４）膝部の状態及び（５）足部の状態に対する評価を決定する場合、各々、学習モデル３０Ｕ，３０Ｖ，３０Ｗ，３０Ｘ，３０Ｙを選択する。

　ケースＣ５では、学習モデル３０Ｕ～３０Ｙに入力される特徴データは、ケースＣ１と同一又は類似に、上記グローバル座標系の上下方向におけるユーザの頭部の動きの特徴を示す特徴データと、上記グローバル座標系の左右方向におけるユーザの頭部の動きの特徴を示す特徴データとを含む。さらに、学習モデル３０Ｕ～３０Ｙに入力される特徴データは、ユーザの前腕部の動きの特徴を示す特徴データと、大腿部の動きの特徴を示す特徴データとを含む。

　本実施形態に係るケースＣ５では、制御部２６は、学習モデル３０Ｕ～３０Ｙの各々に、４つの特徴データを入力する。

　学習モデル３０Ｕ～３０Ｙに入力される４つの特徴データのうちの２つの特徴データが、上記グローバル座標系の上下方向におけるユーザの頭部の動きの特徴を示す特徴データ及びグローバル座標系の左右方向におけるユーザの頭部の動きの特徴を示す特徴データに対応する。この２つの特徴データは、本実施形態では、グローバル座標系の上下方向におけるユーザの頭部の角度の平均値及びグローバル座標系の左右方向におけるユーザの頭部の着地タイミングにおける角度である。この２つの特徴データは、センサ機器１０Ａが検出したユーザの頭部の動きを示すセンサデータから取得される。特徴データにおけるユーザの頭部の角度の平均値は、ユーザの歩行周期における頭部の角度の平均値であってよい。

　学習モデル３０Ｕ～３０Ｙに入力される４つの特徴データのうちの１つの特徴データが、上記ユーザの前腕部の動きの特徴を示す特徴データに対応する。この１つの特徴データは、本実施形態では、センサ機器１０Ｂの位置を基準とするローカル座標系の前後方向におけるユーザの前腕部の加速度の最大値である。この１つの特徴データは、センサ機器１０Ｂが検出したユーザの前腕部の動きを示すセンサデータから取得される。特徴データにおけるユーザの前腕部の加速度の最大値は、ユーザの歩行周期における前腕部の加速度の最大値であってよい。

　学習モデル３０Ｕ～３０Ｙに入力される４つの特徴データのうちの１つの特徴データが、上記ユーザの大腿部の動きの特徴を示す特徴データに対応する。この１つの特徴データは、本実施形態では、センサ機器１０Ｄの位置を基準とするローカル座標系の上下方向におけるユーザの足部の加速度の最大値である。この１つの特徴データは、センサ機器１０Ｄが検出したユーザの大腿部の動きを示すセンサデータから取得される。特徴データにおけるユーザの足部の加速度の最大値は、ユーザの歩行周期における足部の加速度の最大値であってよい。

　[学習モデルの生成方法]
　以下、学習モデルの生成方法について説明する。学習モデルの生成では、被験者の歩行データベースが用いられた。被験者の歩行データベースとして、「小林吉之、肥田直人、中嶋香奈子、藤本雅大、持丸正明、“2019：AIST歩行データベース2019”、［Online］、［令和３年５月２４日検索］、インターネット＜https://unit.aist.go.jp/harc/ExPART/GDB2019_e.html＞」において提供されるデータが用いられた。この歩行データベースには、複数の被験者の歩行データが登録されている。被験者の歩行データは、モーションキャプチャシステムと、床反力計とによって検出されたものである。

　歩行データベースにおける被験者の歩行は、歩行を指導するインストラクターによって評価された。インストラクターは、歩行中の被験者の（１）頭部の状態、（２）腕部の状態、（３）体幹部の状態、（４）膝部の状態及び（５）足部の状態について、１から５までの数値のスコアを付与することにより評価した。インストラクターは、上述した一般的に良いとされる歩き方の解釈に基づいて、被検者の歩行を評価した。

　モーションキャプチャシステムによって検出された被験者の動きを示すデータから、特徴データが取得された。特徴データと、インストラクターが付与したスコアとを対応付けることにより、データセットが生成された。９８人の被験者の１０歩分の歩行データを用いることにより、９８０個のデータセットが生成された。このデータセットを用いた交差検証法によって、学習モデルが生成された。交差検証法において、９８０個のデータセットのうち、全体の８０％に当たる８００個のデータセットは、学習モデルの学習用のデータセットに割り当てられた。９８０個のデータセットのうち、全体の２０％に当たる１８０個のデータセットは、学習モデルの評価用のデータセットに割り当てられた。１０通りの方法で、９８０個のデータセットは、８０％の学習用のデータセットと、２０％の評価用のデータセットとに分割された。総試行回数は、８４万６千回であった。

　生成した学習モデルの精度及び確度が算出された。学習モデルの精度及び確度は、学習モデルの推定結果の正解及び不正解の数によって算出された。学習モデルの推定結果が正かであるか又は不正解であるかの判定において、スコアは、３段階に分けられた。具体的には、スコアは、３を超えるスコア、３であるスコア、３未満であるスコアの３段階に分けられた。３を超えるスコアは、「Good」とも記載される。３であるスコアは、「Average」とも記載される。３未満であるスコアは、「Poor」とも記載される。そして、学習モデルのスコアの「Good」又は「Poor」とインストラクターが付与したスコアの「Good」又は「Poor」とが一致した場合、学習モデルの推定結果は、正解と判定された。一方、学習モデルのスコアの「Good」又は「Poor」とインストラクターが付与したスコアの「Good」又は「Poor」とが一致しない場合、学習モデルの推定結果は、不正解と判定された。学習モデルのスコアが３である場合、学習モデルの推定結果は、正解及び不正解の何れでもないと判定された。

　学習モデルの精度は、正解となる推定結果の数を、正解となる推定結果の数と不正解となる推定結果の数との和で除算することにより、算出された。例えば、学習モデルの精度は、式（１）によって算出された。
　学習モデルの精度＝（ＣＲ）／（ＣＲ＋ＩＣＲ）　　　　　式（１）
　式（１）において、ＣＲは、正解となる推定結果の数である。ＩＣＲは、不正解となる推定結果の数である。

　学習モデルの確度は、正解となる推定結果の数を、全ての推定結果の数で除算することにより、算出された。例えば、学習モデルの精度は、式（２）によって算出された。
　学習モデルの確度＝（ＣＲ）／（ＣＲ＋ＩＣＲ＋ＮＲ）　　式（２）
　式（２）において、ＣＲは、正解となる推定結果の数である。ＩＣＲは、不正解となる推定結果の数である。ＮＲは、正解及び不正解の何れでもない学習モデルの推定結果の数である。つまり、ＮＲは、学習モデルのスコアが３となったものの数である。

　ここで、発明者らは、学習モデルに入力する特徴データの数を最小で３つとし、学習モデルに入力する特徴データの組み合わせを変更しながら、学習モデルの精度及び確度の評価が高くなる特徴データの組み合わせを模索した。発明者らは、図７及び図８に示すような結果を得た。

　図７に、学習モデルの精度を示すグラフを示す。図８に、学習モデルの確度を示すグラフを示す。図７及び図８に示すケースＣ１～ケースＣ５は、各々、図６を参照した上述したケースＣ１～ケースＣ５と同じである。図７及び図８には、（１）頭部の状態から（５）足部の状態までの各々に対する学習モデルの精度及び確度を示す。

　図７に示すように、ケースＣ１では、（１）頭部の状態から（５）足部の状態までの各々に対する学習モデルの精度のうち、（１）頭部の状態に対する精度が最も高かった。図８に示すように、ケースＣ１では、（１）頭部の状態から（５）足部の状態までの各々に対する学習モデルの確度のうち、（１）頭部の状態に対する確度が最も高かった。ケースＣ１では、学習モデルに入力される特徴データは、被験者（ユーザ）の頭部の動きの特徴を示す特徴データである。ケースＣ１では、ユーザの頭部の動きの特徴を示す特徴データが用いられることにより、（１）頭部の状態から（５）足部の状態までの各々に対する学習モデルの精度及び確度のうち、（１）頭部の状態に対する精度及び確度が最も高くなったと考えられる。

　図７に示すように、ケースＣ１では、（１）頭部の状態以外の、（２）腕部の状態から（５）足部の状態までの各々に対する学習モデルの精度は、８０％以上であった。図８に示すように、ケースＣ１では、（１）頭部の状態以外の、（２）腕部の状態から（５）足部の状態までの各々に対する学習モデルの確度は、５０％以上であった。このような結果から、ユーザの頭部の動きの特徴を示す特徴データによって、ユーザの頭部とは異なる身体部位の状態をある程度の精度で評価できることが分かる。

　ここで、グローバル座標系の上下方向及び左右方向におけるユーザの頭部の動きには、歩行中のユーザの頭部とは異なる身体部位の動きが反映される。例えば、歩行中のユーザが腕部を振ったり又は足部を蹴りだしたりすると、ユーザの身体は、グローバル座標系の上下方向及び左右方向に動く。ユーザの身体がグローバル座標系の上下方向及び左右方向に動くと、ユーザの頭部は、グローバル座標系の上下方向及び左右方向に動く。

　このようにグローバル座標系の上下方向及び左右方向におけるユーザの頭部の動きには、歩行中のユーザの頭部とは異なる身体部位の動きが反映される。したがって、学習モデルに入力する特徴データとして、グローバル座標系の上下方向及び左右方向におけるユーザの頭部の動きの特徴を示す特徴データを用いれば、歩行中のユーザの頭部とは異なる身体部位の状態を評価することができると推認される。上述したように、ケースＣ１では、学習モデルに入力する特徴データとして、グローバル座標系の上下方向及び左右方向におけるユーザの頭部の動きの特徴を示す特徴データが用いられる。このような構成により、ケースＣ１では、ユーザの頭部とは異なる身体部位の状態をある程度の精度で評価できたと推認される。

　図７に示すように、ケースＣ２では、ケースＣ１よりも、（１）頭部の状態から（５）足部の状態までの各々に対する学習モデルの精度が高かった。また、ケースＣ２では、ケースＣ１，Ｃ３，Ｃ４よりも、（５）足部の状態に対する学習モデルの精度が高かった。図８に示すように、ケースＣ２では、ケースＣ１よりも、（１）頭部の状態から（５）足部の状態までの各々に対する学習モデルの確度が高かった。また、ケースＣ２では、ケースＣ１，Ｃ３よりも、（５）足部の状態に対する学習モデルの確度が高かった。

　ケースＣ２では、学習モデルに入力する特徴データとして、ケースＣ１よりも、ユーザにおける多くの身体部位の動きの特徴を示す特徴データが用いられる。例えば、ケースＣ２では、特徴データとして、ケースＣ１と同一又は類似に、グローバル座標系の上下方向及び左右方向の各々におけるユーザの頭部の動きの特徴を示す特徴データが用いられる。ケースＣ２では、これらの特徴データに加えて、ユーザの足部の動きの特徴を示す特徴データが用いられる。ケースＣ２では、ケースＣ１よりもユーザにおける多くの身体部位の動きの特徴を示す特徴データが用いられるため、ケースＣ１よりも、（１）頭部の状態から（５）足部の状態までの各々に対する学習モデルの精度及び確度が高かったと推認される。また、ケースＣ２では、ユーザの足部の動きの特徴を示す特徴データが用いられるため、ケースＣ１等よりも、（５）足部の状態に対する学習モデルの精度及び確度が高かったと推認される。

　図７に示すように、ケースＣ３では、ケースＣ１よりも、（１）頭部の状態から（５）足部の状態までの各々に対する学習モデルの精度が高かった。また、ケースＣ３では、ケースＣ１，Ｃ２，Ｃ４よりも、（４）大腿部の状態に対する学習モデルの精度が高かった。図８に示すように、ケースＣ３では、ケースＣ１よりも、（１）頭部の状態から（５）足部の状態までの各々に対する学習モデルの確度が高かった。また、ケースＣ３では、ケースＣ１，Ｃ２，Ｃ４よりも、（４）大腿部の状態に対する学習モデルの確度が高かった。

　ケースＣ３では、学習モデルに入力する特徴データとして、ケースＣ１よりも、ユーザにおける多くの身体部位の動きを示す特徴データが用いられる。例えば、ケースＣ３では、特徴データとして、ケースＣ１と同一又は類似に、グローバル座標系の上下方向及び左右方向の各々におけるユーザの頭部の動きの特徴を示す特徴データが用いられる。ケースＣ３では、これらの特徴データに加えて、ユーザの大腿部の動きの特徴を示す特徴データが用いられる。ケースＣ３では、ケースＣ１よりもユーザにおける多くの身体部位の動きの特徴を示す特徴データが用いられるため、ケースＣ１よりも、（１）頭部の状態から（５）足部の状態までの各々に対する学習モデルの精度及び確度が高かったと推認される。また、ケースＣ３では、ユーザの大腿部の動きの特徴を示す特徴データが用いられるため、ケースＣ１等よりも、（４）大腿部の状態に対する学習モデルの精度及び確度が高かったと推認される。

　図７に示すように、ケースＣ４では、ケースＣ１よりも、（１）頭部の状態から（５）足部の状態までの各々に対する学習モデルの精度が高かった。また、ケースＣ４では、ケースＣ１，Ｃ２，Ｃ３よりも、（２）腕部の状態に対する学習モデルの精度が高かった。図８に示すように、ケースＣ４では、ケースＣ１よりも、（１）頭部の状態から（５）足部の状態までの各々に対する学習モデルの確度が高かった。また、ケースＣ４では、ケースＣ１，Ｃ２，Ｃ３よりも、（２）腕部の状態に対する学習モデルの確度が高かった。

　ケースＣ４では、学習モデルに入力する特徴データとして、ケースＣ１よりも、ユーザにおける多くの身体部位の動きを示す特徴データが用いられる。例えば、ケースＣ４では、特徴データとして、ケースＣ１と同一又は類似に、グローバル座標系の上下方向及び左右方向の各々におけるユーザの頭部の動きの特徴を示す特徴データが用いられる。ケースＣ４では、これらの特徴データに加えて、ユーザの前腕部の動きの特徴を示す特徴データが用いられる。ケースＣ４では、ケースＣ１よりもユーザにおける多くの身体部位の動きの特徴を示す特徴データが用いられるため、ケースＣ１よりも、（１）頭部の状態から（５）足部の状態までの各々に対する学習モデルの精度及び確度が高かったと推認される。また、ケースＣ４では、ユーザの前腕部の動きの特徴を示す特徴データが用いられるため、ケースＣ１等よりも、（２）腕部の状態に対する学習モデルの精度及び確度が高かったと推認される。

　図７に示すように、ケースＣ５では、ケースＣ１よりも、（１）頭部の状態から（５）足部の状態までの各々に対する学習モデルの精度がより高くなった。図８に示すように、ケースＣ５では、ケースＣ１よりも、（１）頭部の状態から（５）足部の状態までの各々に対する学習モデルの確度がより高くなった。

　ケースＣ５では、学習モデルに入力する特徴データとして、ケースＣ１からケースＣ４よりも、ユーザにおける多くの身体部位の特徴を示す特徴データが用いられる。ケースＣ５では、ケースＣ１からケースＣ４よりも多くの身体部位の特徴を示す特徴データが用いられるため、ケースＣ１よりも、（１）頭部の状態から（５）足部の状態までの各々に対する学習モデルの精度及び確度がより高くなったと推認される。

　（システムの動作）
　図９は、図１に示す電子機器２０が実行する評価処理の動作を示すフローチャートである。この動作は、本実施形態に係る情報処理方法の一例に相当する。制御部２６は、例えば、歩行評価の実行を指示する入力を入力部２２によって受け付けると、ステップＳ１０の処理から評価処理を開始する。

　制御部２６は、歩行評価の実行を指示する入力を入力部２２によって受け付ける（ステップＳ１０）。この入力は、センサ機器１０を装着したユーザによって入力部２２から入力される。

　制御部２６は、データ検出の開始を指示する信号をブロードキャスト信号として、複数のセンサ機器１０に通信部２１によって送信する（ステップＳ１１）。ステップＳ１１の処理が実行された後、少なくとも１個のセンサ機器１０から電子機器２０へ、センサデータが送信される。

　制御部２６は、少なくとも１個のセンサ機器１０から、センサデータを通信部２１によって受信する（ステップＳ１２）。

　制御部２６は、例えば図６に示すような対応付けを参照し、複数の学習モデルのうちから、センサデータを電子機器２０へ送信したセンサ機器１０の種類に応じた、学習モデルを選択する（ステップＳ１３）。

　制御部２６は、ステップＳ１２の処理で受信したセンサデータから、特徴データを取得する（ステップＳ１４）。制御部２６は、ステップＳ１３の処理で選択した学習モデルにステップＳ１４の処理で取得した特徴データを入力することにより、例えば図５に示すようなスコアを取得する（ステップＳ１５）。制御部２６は、スコアを取得することにより、スコアに対応する身体部位の状態に対する評価を決定する。

　制御部２６は、決定した評価に応じた評価信号を生成する（ステップＳ１６）。制御部２６は、ステップＳ１６の処理で生成した評価信号を外部機器に通信部２１によって送信する（ステップＳ１７）。ステップＳ１７の処理を実行した後、制御部２６は、評価処理を終了する。

　制御部２６は、評価処理を終了した後、ユーザが設定歩数歩くと、評価処理を再び実行してよい。この設定歩数は、ユーザによって入力部２２から予め入力されてよい。再び実行する評価処理では、制御部２６は、ステップＳ１１の処理から開始してよい。制御部２６は、評価処理の終了を指示する入力を入力部２２から受け付けるまで、ユーザが設定歩数歩く毎に評価処理を繰り返し実行してよい。評価処理の終了を指示する入力は、例えば、ユーザによって入力部２２から入力される。ユーザは、例えば、歩行を終了すると、評価処理の終了を指示する入力を入力部２２から入力する。

　このように情報処理装置としての電子機器２０では、制御部２６は、学習モデルによって、ユーザにおけるセンサ機器１０が装着される身体部位とは異なる身体部位の状態を推定することができる。上述したように、例えば、制御部２６は、ユーザにおけるセンサ機器１０が装着される身体部位とは異なる身体部位の状態を推定することとして、当該身体部位の状態に対する評価を決定することができる。例えば、制御部２６は、図６に示すようなケースＣ１を選択し、ユーザにおけるセンサ機器１０Ａが装着される頭部とは異なる（２）腕部の状態から（５）足部の状態までの各々に対する評価を決定することができる。このような構成により、本実施形態では、センサ機器１０が装着されたユーザの身体部位に限定されず、任意の身体部位の状態を推定することができる。

　ここで、近年、歩行は、手軽な運動として注目されている。ただし、歩行中のユーザには、前方又は付近の障害物に注意を向けることが求められる。歩行中のユーザに前方又は付近の障害物に注意を向けることが求められることにより、歩行中のユーザが自身の姿勢に注意を向けることができない場合がある。歩行中のユーザが自身の姿勢に注意を向けることができないと、ユーザは、自身が気付かないうちに、正しくない姿勢で歩行をしてしまう場合がある。ユーザが正しくない姿勢で歩行をしてしまうと、歩行による運動効果が低下する場合がある。また、歩行がユーザにとって慣れ親しんだ運動である場合が多く、ユーザが自身で歩行中の姿勢を修正することが困難である場合が多い。

　本実施形態に係る電子機器２０では、上述したように、制御部２６は、ユーザの身体部位の状態を推定することができる。このような構成により、ユーザに、歩行中の自身の姿勢を修正する機会を与えることができる。ユーザに歩行中の自身の姿勢を修正する機会を与えることにより、ユーザは、正しい姿勢で歩行することができるようになる。ユーザが正しい姿勢で歩行することができるようになることにより、歩行による運動効果を高めることができる。

　よって、本実施形態によれば、歩行中のユーザの身体部位の状態を推定する新規な技術が提供される。

　さらに、制御部２６は、学習モデルによって、ユーザにおけるセンサ機器１０が装着される身体部位の個数よりも多くの身体部位の状態を推定してよい。例えば、ユーザにＮ個（Ｎは、１以上の整数）のセンサ機器１０が装着されるものとする。この場合、制御部２６は、Ｎ個のセンサ機器１０からＮ個のセンサデータを取得し、ユーザのＮ＋１個以上の身体部位の状態に対する評価を決定してよい。

　一例として、Ｎが１であり、ユーザには、センサ機器１０Ａが装着されるものとする。この場合、制御部２６は、センサ機器１０Ａから１個のセンサデータを取得する。制御部２６は、図６に示すようなケースＣ１を選択し、取得した１個のセンサデータに基づいて、２個以上の身体部位の状態、例えば（１）頭部の状態から（５）足部の状態までの５個の身体部位の状態に対する評価を決定する。

　他の例として、Ｎが２であり、ユーザには、センサ機器１０Ａ及びセンサ機器１０Ｄが装着されるものとする。この場合、制御部２６は、センサ機器１０Ａ及びセンサ機器１０Ｄの各々から、２個のセンサデータを取得する。制御部２６は、図６に示すようなケースＣ２を選択し、取得した２個のセンサデータに基づいて、３個以上の身体部位の状態、例えば（１）頭部の状態から（５）足部の状態までの５個の身体部位の状態に対する評価を決定する。

　このようにユーザにおけるセンサ機器１０が装着される身体部位の個数よりも多くの身体部位の状態を推定することにより、電子機器２０は、ユーザの利便性に優れたものとなる。

　また、情報処理システム１が含む少なくとも１個のセンサ機器１０は、ユーザの頭部に装着させるセンサ機器１０Ａを含んでよい。制御部２６は、センサ機器１０Ａから、ユーザの頭部の動きを示すセンサデータを取得してよい。この場合、制御部２６は、図６に示すようなケースＣ１を選択してよい。つまり、特徴データは、ユーザの上下方向すなわちグローバル座標の上下方向における頭部の動きの特徴を示す特徴データ及びユーザの左右方向すなわちグローバル座標系の左右方向における頭部の動きの特徴を示す特徴データを含んでよい。このような構成により、ユーザが装着するセンサ機器１０がセンサ機器１０Ａのみであっても、ユーザの身体部位の状態に対する評価を決定することができる。つまり、ユーザは、センサ機器１０Ａのみを装着すればよい。したがって、ユーザの利便性を向上させることができる。さらに、センサ機器１０Ａがイヤホンであるか、又はイヤホンに含まれる場合、ユーザは、センサ機器１０Ａを容易に頭部に装着することができる。ユーザがセンサ機器１０Ａを容易に頭部に装着することができることにより、ユーザの利便性をさらに向上させることができる。また、センサ機器１０Ａが検出したセンサデータのみを用いることにより、複数のセンサ機器１０の各々がデータを検出するタイミングを同期させなくてよくなる。複数のセンサ機器１０の各々がデータを検出するタイミングを同期させなくてよいことにより、より簡便に、ユーザの身体部位の状態に対する評価を決定することができる。

　また、情報処理システム１が含む少なくとも１個のセンサ機器１０は、ユーザの頭部に装着させるセンサ機器１０Ａと、ユーザの足部に装着させるセンサ機器１０Ｄとを含んでよい。制御部２６は、センサ機器１０Ａからユーザの頭部の動きを示すセンサデータを取得し、センサ機器１０Ｄからユーザの足部の動きを示すセンサデータを取得してよい。この場合、制御部２６は、図６に示すようなケースＣ２を選択してよい。つまり、特徴データは、グローバル座標系の上下方向における頭部の動きの特徴を示す特徴データと、グローバル座標系の左右方向における頭部の動きの特徴を示す特徴データと、足部の動きの特徴を示す特徴データとを含んでよい。図７及び図８を参照した上述したように、ケースＣ２では、ケースＣ１よりも、（１）頭部の状態から（５）足部の状態までの各々に対する学習モデルの精度及び確度が高くなった。したがって、制御部２６は、ユーザの身体部位の状態に対する評価を、より精度良く決定することができる。また、センサ機器１０Ａがイヤホンであるか、又はイヤホンに含まれる場合、ユーザは、センサ機器１０Ａを容易に頭部に装着することができる。さらに、センサ機器１０Ｄが靴型のウェアラブル機器である場合、ユーザは、センサ機器１０Ｄを容易に足部に装着することができる。したがって、ユーザの利便性を向上させることができる。

　また、情報処理システム１が含む少なくとも１個のセンサ機器１０は、ユーザの頭部に装着させるセンサ機器１０Ａと、ユーザの大腿部に装着させるセンサ機器１０Ｃとを含んでよい。制御部２６は、センサ機器１０Ａからユーザの頭部の動きを示すセンサデータを取得し、センサ機器１０Ｄからユーザの大腿部の動きを示すデータを取得してよい。この場合、制御部２６は、図６に示すようなケースＣ３を選択してよい。つまり、特徴データは、グローバル座標系の上下方向における頭部の動きの特徴を示す特徴データと、グローバル座標系の左右方向における頭部の動きの特徴を示す特徴データと、大腿部の動きの特徴を示す特徴データとを含んでよい。図７及び図８を参照した上述したように、ケースＣ３では、ケースＣ１よりも、（１）頭部の状態から（５）足部の状態までの各々に対する精度及び確度が高かった。したがって、制御部２６は、ユーザの身体部位の状態に対する評価を、より精度良く決定することができる。また、センサ機器１０Ａがイヤホンであるか、又はイヤホンに含まれる場合、ユーザは、センサ機器１０Ａを容易に頭部に装着することができる。このような構成により、ユーザの利便性を向上させることができる。

　また、情報処理システム１が含む少なくとも１個のセンサ機器１０は、ユーザの頭部に装着させるセンサ機器１０Ａと、ユーザの前腕部に装着させるセンサ機器１０Ｂとを含んでよい。制御部２６は、センサ機器１０Ａからユーザの頭部の動きを示すセンサデータを取得し、センサ機器１０Ｂからユーザの前腕部の動きを示すセンサデータを取得してよい。この場合、制御部２６は、図６に示すようなケースＣ４を選択してよい。つまり、特徴データは、グローバル座標系の上下方向における頭部の動きの特徴を示す特徴データと、グローバル座標系の左右方向における頭部の動きの特徴を示す特徴データと、前腕部の動きの特徴を示す特徴データとを含んでよい。図７及び図８を参照した上述したように、ケースＣ４では、（１）頭部の状態から（５）足部の状態までの各々に対する精度及び確度が高かった。したがって、制御部２６は、ユーザの身体部位の状態に対する評価を、より精度良く決定することができる。また、センサ機器１０Ａがイヤホンであるか、又はイヤホンに含まれる場合、ユーザは、センサ機器１０Ａを容易に頭部に装着することができる。さらに、センサ機器１０Ｂが腕時計型のウェアラブル機器である場合、ユーザは、センサ機器１０Ｂを容易に前腕部に装着することができる。このような構成により、ユーザの利便性を向上させることができる。

　また、情報処理システム１が含む少なくとも１個のセンサ機器１０は、ユーザの頭部に装着させるセンサ機器１０Ａと、ユーザの前腕部に装着させるセンサ機器１０Ｂと、ユーザの足部に装着させるセンサ機器１０Ｄとを含んでよい。制御部２６は、センサ機器１０Ａからユーザの頭部の動きを示すセンサデータを取得し、センサ機器１０Ｂからユーザの前腕部の動きを示すセンサデータを取得し、センサ機器１０Ｄからユーザの足部の動きを示すセンサデータを取得してよい。この場合、制御部２６は、図６に示すようなケースＣ５を選択してよい。つまり、特徴データは、グローバル座標系の上下方向における頭部の動きの特徴を示す特徴データと、グローバル座標系の左右方向における頭部の動きの特徴を示す特徴データとを含んでよい。さらに、特徴データは、前腕部の動きの特徴を示す特徴データと、大腿部の動きの特徴を示す特徴データとを含んでよい。図７及び図８を参照した上述したように、ケースＣ５では、ケースＣ１よりも、（１）頭部の状態から（５）足部の状態までの各々に対する精度及び確度がより高くなった。したがって、制御部２６は、ユーザの身体部位の状態に対する評価を、より精度良く決定することができる。

　（他のシステムの構成）
　図１０は、本開示の他の実施形態に係る情報処理システム１０１の構成を示す機能ブロック図である。

　情報処理システム１０１は、センサ機器１０と、電子機器２０と、サーバ４０とを含む。情報処理システム１０１では、サーバ４０が、情報処理装置として機能し、ユーザの身体部位の状態を推定する。

　電子機器２０と、サーバ４０とは、ネットワーク２を介して通信可能である。ネットワーク２は、移動体通信網及びインターネット等を含む任意のネットワークであってよい。

　電子機器２０の制御部２６は、情報処理システム１と同じ又は類似に、センサ機器１０からセンサデータを通信部２１によって受信する。情報処理システム１０１では、制御部２６は、センサデータを、ネットワーク２を介してサーバ４０に、通信部２１によって送信する。

　サーバ４０は、例えば、クラウドコンピューティングシステム又はその他のコンピューティングシステムに属するサーバである。サーバ４０は、通信部４１と、記憶部４２と、制御部４３とを有する。

　通信部４１は、ネットワーク２に接続可能な少なくとも１つの通信モジュールを含んで構成される。通信モジュールは、例えば、有線ＬＡＮ（Local Area Network）又は無線ＬＡＮ等の規格に対応した通信モジュールである。通信部４１は、通信モジュールによって有線ＬＡＮ又は無線ＬＡＮを介して、ネットワーク２に接続される。

　記憶部４２は、少なくとも１つの半導体メモリ、少なくとも１つの磁気メモリ、少なくとも１つの光メモリ又はこれらのうちの少なくとも２種類の組み合わせを含んで構成される。半導体メモリは、例えば、ＲＡＭ又はＲＯＭ等である。ＲＡＭは、例えば、ＳＲＡＭ又はＤＲＡＭ等である。ＲＯＭは、例えば、ＥＥＰＲＯＭ等である。記憶部４２は、主記憶装置、補助記憶装置又はキャッシュメモリとして機能してよい。記憶部４２には、サーバ４０の動作に用いられるデータと、サーバ４０の動作によって得られたデータとが記憶される。例えば、記憶部４２は、システムプログラム、アプリケーションプログラム及び組み込みソフトウェア等を記憶する。例えば、記憶部４２は、学習モデル及び図６に示すような対応付け等を記憶する。

　制御部４３は、少なくとも１つのプロセッサ、少なくとも１つの専用回路又はこれらの組み合わせを含んで構成される。プロセッサは、ＣＰＵ若しくはＧＰＵ等の汎用プロセッサ又は特定の処理に特化した専用プロセッサである。専用回路は、例えば、ＦＰＧＡ又はＡＳＩＣ等である。制御部４３は、サーバ４０の各部を制御しながら、サーバ４０の動作に関わる処理を実行する。

　制御部４３は、ネットワーク２を介して電子機器２０から、センサデータを通信部４１によって受信する。制御部４３は、上述した電子機器２０の制御部２６による処理と同じ又は類似の処理を実行することにより、センサデータに基づいて、ユーザの身体部位の状態を推定する。

　（他のシステムの動作）
　図１１は、図１０に示す情報処理システム１０１が実行する評価処理の動作を示すシーケンス図である。この動作は、本実施形態に係る情報処理方法の一例に相当する。電子機器２０が歩行評価の実行を指示する入力を受け付けると、情報処理システム１０１は、ステップＳ２０の処理から評価処理を開始する。以下、学習モデルは、特徴データが入力されると、スコアを出力するように機械学習したものであるとする。

　電子機器２０では、制御部２６は、歩行評価の実行を指示する入力を入力部２２によって受け付ける（ステップＳ２０）。制御部２６は、データ検出の開始を指示する信号をブロードキャスト信号として、複数のセンサ機器１０に通信部２１によって送信する（ステップＳ２１）。

　センサ機器１０では、制御部１５は、データ検出の開始を指示する信号を、電子機器２０から通信部１１によって受信する（ステップＳ２２）。制御部１５は、この信号を受信すると、データ検出を開始する。制御部１５は、センサ部１２からセンサ部１２が検出したデータを取得し、取得したデータをセンサデータとして、電子機器２０に通信部１１によって送信する（ステップＳ２３）。

　電子機器２０では、制御部２６は、センサ機器１０からセンサデータを通信部２１によって受信する（ステップＳ２４）。制御部２６は、センサデータを、ネットワーク２を介してサーバ４０に、通信部２１によって送信する（ステップＳ２５）。

　サーバ４０では、制御部４３は、ネットワーク２を介して電子機器２０から、センサデータを通信部４１によって受信する（ステップＳ２６）。制御部４３は、複数の学習モデルのうちから、センサデータを電子機器２０を介してサーバ４０へ送信したセンサ機器１０の種類に応じた、学習モデルを選択する（ステップＳ２７）。制御部４３は、ステップＳ２６の処理で受信したセンサデータから、特徴データを取得する（ステップＳ２８）。制御部４３は、ステップＳ２７の処理で選択した学習モデルにステップＳ２８の処理で取得した特徴データを入力することにより、学習モデルからスコアを取得する（ステップＳ２９）。制御部４３は、スコアを取得することにより、スコアに対応する部位の状態に対する評価を決定する。

　サーバ４０では、制御部４３は、決定した評価に応じた評価信号を生成する（ステップＳ３０）。制御部４３は、ステップＳ３０の処理で生成した評価信号を、ネットワーク２を介して外部機器としての電子機器２０に通信部４１によって送信する（ステップＳ３１）。

　電子機器２０では、制御部２６は、ネットワーク２を介してサーバ４０から、評価信号を通信部２１によって受信する（ステップＳ３２）。制御部２６は、評価信号が示す内容を、報知部に報知させる（ステップＳ３３）。報知の一例として、制御部２６は、評価信号が示す内容を出力部２３に出力させてよい。報知の他の例として、制御部２６は、評価信号に応じた振動パターンで振動部２４を振動させてよい。報知のさらに他の例として、制御部２６は、評価信号をセンサ機器１０に通信部２１によって送信し、センサ機器１０に評価信号が示す内容を報知させてよい。この場合、センサ機器１０では、制御部１５は、評価信号が示す内容を報知部としての出力部１３に出力させてよい。センサ機器１０Ａが評価信号を受信した場合、センサ機器１０Ａでは、制御部１５は、評価信号が示す内容を音声として出力部１３のスピーカから出力させてよい。

　ステップＳ３３の処理を実行した後、情報処理システム１０１は、評価処理を終了する。

　情報処理システム１０１は、評価処理を終了した後、ユーザが上記設定歩数歩くと、評価処理を再び実行してよい。再び実行する評価処理では、情報処理システム１０１は、ステップＳ２３の処理から開始してよい。情報処理システム１０１は、電子機器２０が評価処理の終了を指示する入力を入力部２２から受け付けるまで、ユーザが上記設定歩数歩く毎に評価処理を繰り返し実行してよい。

　情報処理システム１０１は、情報処理システム１と同じ又は類似の効果を奏することができる。

　本開示に係る実施形態について、諸図面及び実施例に基づき説明してきたが、当業者であれば本開示に基づき種々の変形又は改変を行うことが可能であることに注意されたい。したがって、これらの変形又は改変は本開示の範囲に含まれることに留意されたい。例えば、各構成部等に含まれる機能等は論理的に矛盾しないように再配置可能であり、複数の構成部等を１つに組み合わせたり、或いは分割したりすることが可能である。

　例えば、学習モデルは、センサデータ又は特徴データが入力されると、ユーザにおけるセンサ機器１０が装着された身体部位とは異なる身体部位の状態の情報を出力するように学習したものであってよい。この場合、制御部２６は、センサデータと学習モデルとによって、ユーザにおけるセンサ機器１０が装着された身体部位とは異なる身体部位の状態を推定する。

　例えば、学習モデルに入力される特徴データは、上述したものに限定されない。例えば図７及び図８に示すような結果から、ユーザにおけるセンサ機器１０が装着される身体部位の数が増えるほど、身体部位の動きの特徴を示す特徴データの種類が増え、学習モデルの精度及び確度が高くなることが分かる。したがって、学習モデルの精度及び確度を高めるために、ユーザの身体部位に装着させるセンサ機器１０の数を増やすことにより、学習モデルに入力する特徴データの数が増やされてよい。

　例えば、電子機器２０は、メガネ型ウェアラブル機器であってよい。この場合、出力部２３は、メガネのレンズに映像を投影させる投影機を含んで構成されてよい。制御部２６は、決定した身体部位の状態に対する評価を映像として出力部２３に出力させてよい。この映像は、例えば、ユーザの複数の身体部位のうち、評価が低い身体部位の理想的な動きを示す映像を含んでよい。

　例えば、評価閾値は、ユーザの年齢及び性別等に基づいて、設定されてよい。この場合、ユーザを褒める内容及びアドバイスの内容は、ユーザの年齢及び性別等に応じて、設定されてよい。

　例えば、電子機器２０の記憶部２５は、複数のユーザの身体的特徴を区別可能な身体データ毎の学習モデルを記憶してよい。身体データは、例えば、年齢、性別、身長及び体重等の少なくとも何れかを含む。この場合、制御部２６は、ユーザの身体データを示す入力を、入力部２２から受け付けてよい。制御部２６は、記憶部２５に記憶された複数の学習モデルのうちから、受け付けたユーザの身体データに対応する学習モデルを選択してよい。このような構成により、個人の身体データに合った身体部位の状態を評価することができる。

　例えば、サーバ４０の記憶部４２は、上記身体データ毎の学習モデルを記憶してよい。この場合、電子機器２０の制御部２６は、ユーザの身体データを示す入力を、入力部２２から受け付けてよい。電子機器２０では、制御部２６は、ユーザの身体データを示す入力を入力部２２から受け付けると、ユーザの身体データを示す信号を、ネットワーク２を介してサーバ４０に、通信部２１によって送信してよい。サーバ４０では、制御部４３は、ネットワーク２を介して電子機器２０から、ユーザの身体データを示す信号を通信部４１によって受信する。サーバ４０では、制御部４３は、受信したユーザの身体データを示す信号に基づいて、記憶部４２に記憶された複数の学習モデルのうちから、ユーザの身体データに対応する学習モデルを選択してよい。このような構成により、個人の身体データに合った身体部位の状態を評価することができる。

　例えば、電子機器２０の制御部２６又はサーバ４０の制御部４３は、センサデータに基づいて、ユーザの身体が動くリズム、ユーザの歩幅及びユーザの歩行速度を算出してよい。電子機器２０の制御部２６又はサーバ４０の制御部４３は、センサデータに基づいて、ユーザが歩行した歩行時間を算出してよい。電子機器２０の制御部２６又はサーバ４０の制御部４３は、センサデータに基づいて、ユーザが歩行した歩行距離を算出してよい。電子機器２０の制御部２６又はサーバ４０の制御部４３は、歩行時間が時間閾値を超える場合又は歩行距離が距離閾値を超える場合、休憩を促す信号又は歩行の終了を促す信号を生成してよい。電子機器２０では、制御部２６は、生成した信号を上述したような外部機器に通信部２１によって送信してよい。サーバ４０では、制御部４３は、生成した信号を、ネットワーク２を介して電子機器２０又はセンサ機器１０に、通信部４１によって送信してよい。時間閾値は、一般的なユーザの歩行時間の平均値等に基づいて、設定されてよい。距離閾値は、一般的なユーザが一度に歩く距離の平均値等に基づいて、設定されてよい。

　例えば、電子機器２０の通信部２１は、衛星測位システムに対応する少なくとも１つの受信モジュールを含んで構成されてよい。受信モジュールは、例えば、ＧＰＳ（Global Positioning System）に対応した受信モジュールである。ただし、受信モジュールは、これに限定されない。受信モジュールは、任意の衛星測位システムに対応した受信モジュールであってよい。この場合、記憶部２５は、地図データを記憶してよい。また、制御部２６は、通信部２１によってユーザの位置情報を取得してよい。制御部２６は、ユーザの位置情報と地図データとを出力部２３に出力させてよい。

　例えば、センサ機器１０の通信部１１は、図１０に示すようなネットワーク２に接続可能な少なくとも１つの通信モジュールをさらに含んで構成されてよい。通信モジュールは、例えば、ＬＴＥ、４Ｇ又は５Ｇ等の移動体通信規格に対応した通信モジュールである。この場合、図１０に示すような情報処理システム１０１では、センサ機器１０の制御部１５は、ネットワーク２を介してサーバ４０に、センサ機器１０が検出したデータを通信部１１によって送信してよい。

　例えば、上述した実施形態では、電子機器２０の制御部２６は、ユーザの２つ以上の身体部位を組み合わせた総合的な状態を推定してもよい。ただし、電子機器２０の制御部２６又はサーバの制御部４３は、上述した（１）頭部の状態、（２）腕部の状態、（３）体幹部の状態、（４）膝部の状態及び（５）足部の状態のうちの２つ以上を組み合わせた総合的な評価を決定してもよい。

　例えば、汎用のコンピュータを、本実施形態に係る電子機器２０として機能させる実施形態も可能である。具体的には、本実施形態に係る電子機器２０の各機能を実現する処理内容を記述したプログラムを、汎用のコンピュータのメモリに格納し、プロセッサによって当該プログラムを読み出して実行させる。したがって、本実施形態に係る構成は、プロセッサが実行可能なプログラム又は当該プログラムを記憶する非一時的なコンピュータ可読媒体としても実現可能である。

　１，１０１　情報処理システム
　２　ネットワーク
　１０，１０Ａ，１０Ｂ，１０Ｃ，１０Ｄ　センサ機器
　１１　通信部
　１２　センサ部
　１３　出力部
　１４　記憶部
　１５　制御部
　２０　電子機器
　２１　通信部
　２２　入力部
　２３　出力部
　２４　振動部
　２５　記憶部
　２６　制御部
　３０，３０Ａ～３０Ｅ，３０Ｆ～３０Ｊ，３０Ｋ～３０Ｏ，３０Ｐ～３０Ｔ，３０Ｕ～３０Ｙ　学習モデル
　３１　入力層
　３２　隠れ層
　３３　隠れ層
　３４　出力層
　４０　サーバ
　４１　通信部
　４２　記憶部
　４３　制御部

Claims

　ユーザの身体部位に装着される少なくとも１個のセンサ機器から、前記身体部位の動きを示すセンサデータを取得し、
　取得した前記センサデータと学習モデルとによって、前記ユーザにおける前記センサ機器が装着される身体部位とは異なる身体部位の状態を推定する、制御部を備える、情報処理装置。
　前記制御部は、前記学習モデルによって、前記ユーザにおける前記センサ機器が装着される身体部位の個数よりも多くの身体部位の状態を推定する、請求項１に記載の情報処理装置。
　前記学習モデルは、前記センサデータが入力されると、前記ユーザにおける前記センサ機器が装着される身体部位とは異なる身体部位の状態に対する評価の情報を出力し、
　前記制御部は、前記ユーザの身体部位の状態を推定することとして、前記学習モデルから前記評価の情報を取得することにより前記ユーザの身体部位の状態に対する評価を決定する、請求項１又は２に記載の情報処理装置。
　前記学習モデルは、前記身体部位の動きの特徴を示す特徴データが入力されると、前記ユーザにおける前記センサ機器が装着される身体部位とは異なる身体部位の状態に対する評価の情報を出力し、
　前記制御部は、
　前記センサデータから前記特徴データを取得し、
　前記ユーザの身体部位の状態を推定することとして、前記学習モデルから前記評価の情報を取得することにより前記ユーザの身体部位の状態に対する評価を決定する、請求項１又は２に記載の情報処理装置。
　前記少なくとも１個のセンサ機器は、前記ユーザの頭部に装着させるセンサ機器を含み、
　前記制御部は、前記ユーザの頭部の動きを示す前記センサデータを取得し、
　前記特徴データは、前記ユーザの前後方向、左右方向及び上下方向の少なくとも何れかにおける前記頭部の動きの特徴を示す特徴データを含む、請求項４に記載の情報処理装置。
　前記特徴データは、前記ユーザの上下方向における前記頭部の動きの特徴を示す特徴データと、前記ユーザの左右方向における前記頭部の動きの特徴を示す特徴データとを含む、請求項５に記載の情報処理装置。
　前記少なくとも１個のセンサ機器は、前記ユーザの足部に装着させるセンサ機器をさらに含み、
　前記制御部は、前記ユーザの足部の動きを示す前記センサデータをさらに取得し、
　前記特徴データは、前記足部の動きの特徴を示す特徴データをさらに含む、請求項６に記載の情報処理装置。
　前記少なくとも１個のセンサ機器は、前記ユーザの大腿部に装着させるセンサ機器をさらに含み、
　前記制御部は、前記ユーザの大腿部の動きを示す前記センサデータをさらに取得し、
　前記特徴データは、前記大腿部の動きの特徴を示す特徴データをさらに含む、請求項６に記載の情報処理装置。
　前記少なくとも１個のセンサ機器は、前記ユーザの前腕部に装着させるセンサ機器をさらに含み、
　前記制御部は、前記ユーザの前腕部の動きを示す前記センサデータをさらに取得し、
　前記特徴データは、前記前腕部の動きの特徴を示す特徴データをさらに含む、請求項６に記載の情報処理装置。
　前記少なくとも１個のセンサ機器は、前記ユーザの前腕部に装着させるセンサ機器と、前記ユーザの足部に装着させるセンサ機器とをさらに含み、
　前記制御部は、前記ユーザの前腕部の動きを示す前記センサデータと、前記ユーザの足部の動きを示す前記センサデータとをさらに取得し、
　前記特徴データは、前記前腕部の動きの特徴を示す特徴データと、前記足部の動きの特徴を示す特徴データとをさらに含む、請求項６に記載の情報処理装置。
　前記制御部は、前記ユーザの頭部の状態、腕部の状態、体幹部の状態、膝部の状態及び足部の状態のうちの少なくとも何れかに対する評価を決定する、請求項３から１０までの何れか一項に記載の情報処理装置。
　前記制御部は、複数の前記学習モデルのうちから、前記センサデータを前記情報処理装置へ送信した前記センサ機器の種類に応じて、前記評価の情報を取得する学習モデルを選択する、請求項３から１１までの何れか一項に記載の情報処理装置。
　通信部をさらに備え、
　前記制御部は、
　少なくとも１つの前記評価に応じた評価信号を生成し、
　生成した前記評価信号を外部機器に前記通信部によって送信する、請求項３から１２までの何れか一項に記載の情報処理装置。
　前記外部機器は、イヤホンである、請求項１３に記載の情報処理装置。
　請求項１から１４までの何れか一項に記載の情報処理装置が推定した前記身体部位の状態の情報を報知する報知部を備える、電子機器。
　ユーザの身体部位に装着される少なくとも１個のセンサ機器と、
　前記センサ機器から前記身体部位の動きを示すセンサデータを取得し、取得した前記センサデータと学習モデルとによって、前記ユーザにおける前記センサ機器が装着される身体部位とは異なる身体部位の状態を推定する情報処理装置と、を含む、情報処理システム。
　ユーザの身体部位に装着される少なくとも１個のセンサ機器から、前記身体部位の動きを示すセンサデータを取得することと、
　取得した前記センサデータと学習モデルとによって、前記ユーザにおける前記センサ機器が装着される身体部位とは異なる身体部位の状態を推定することと、を含む、情報処理方法。
　コンピュータに、
　ユーザの身体部位に装着される少なくとも１個のセンサ機器から、前記身体部位の動きを示すセンサデータを取得することと、
　取得した前記センサデータと学習モデルとによって、前記ユーザにおける前記センサ機器が装着される身体部位とは異なる身体部位の状態を推定することと、を実行させる、プログラム。