@phdthesis{oai:sucra.repo.nii.ac.jp:00019697,
 author = {大澤, 優輔},
 month = {},
 note = {103p, 超高齢社会では，QOL向上のために歩容訓練が重要である．介護施設では理学療法士の主観的歩容分析に基づく指導による歩容訓練が行われる．この利点の一つとして，訓練者個人に適した指導が可能であることが挙げられる．一方，欠点として歩容分析と指導には専門的な知識と経験が必要であること，指導内容が理学療法士によって異なることが挙げられる．要介護になる要因の一つに転倒・骨折が含まれることからアクティブシニアに対しても歩容訓練は必要であり，理学療法士によらない歩容訓練手法が必要である．
　この課題に対して，歩容を表す情報（歩容データ）を取得し， リアルタイムに測定値と目標値を訓練者にフィードバックする訓練手法が多数提案されている．しかし，先行研究の多くは片麻痺患者を対象としており，片麻痺患者に対して個人ごとに目標値を設定することは容易である．これに対し，要介護者やアクティブシニアの歩行時の転倒の原因は，筋力低下や関節可動性の低下も含まれ，部位や程度には個人差が存在する．そのため，調整するべき身体部位や調整量は訓練者毎で異なり，個人に適切な目標が必要である．最も簡単な方法として，若年者などの理想的歩容を示す群における多変量歩容データの各代表値を目標値とする方法が考えられる．しかし，高齢者のような筋力低下や関節可動性低下を有する訓練者が若年者群の歩容を模倣することは，訓練者にとって無理のある歩容であり，過度な調整である．このように，従来の手法では，訓練者個人に適した歩容訓練を行うことができない．
　本研究では，筋力低下や関節可動性の低下を伴う高齢者を訓練対象とし，理学療法士としての知識や経験を必要とせず，訓練者個人に合わせた歩容訓練が可能な，身体的個人差を考慮した歩容フィードバック訓練システムを開発することを目的とした．ただし，高齢者の歩行中の転倒の原因 は多くが「つまずき」であることから，本研究において非理想的歩容を「つまずきやすい歩容」，理想的歩容を「つまずきにくい歩容」とした．
上述したように「つまずきにくい歩容」群の“値”を目標値とするべきではないが，加齢に伴ってつまずきが増加することから，同群の“特徴”を参考に目標値を設定することで適切な歩容訓練が可能であると期待できる．データに含まれる特徴を抽出する方法として機械学習がある．特に多チャネル深層畳み込みニューラルネットワーク（MC-DCNN）は，多変量データに対して変量毎に設定された畳み込み層とプーリング層により，各変量の局所領域に含まれる特徴を学習・抽出し，かつその特徴の行列内位置に対するロバスト性を得る．また，全結合層によりこれらの特徴間の関係性を学習する．多変量歩容データは歩容変量と時系列で表される行列であることから，多変量歩容データを入力とし， MC-DCNN を用いて「つまずきにくい歩容」と「つまずきやすい歩容」を分類するモデルを構築することで，歩容分類モデルは歩容変量間あるいは時系列的な特徴を学習すると考えられる．本研究では，2つの機械学習モデルが学習した特徴を可視化する手法を基にして，「つまずき」に関係する特徴を参考にした歩容調整内容提示手法を提案した．
　まず，学習に用いるデータセットが必要であるため，筋力負荷と関節可動性低下を再現した「制限歩行」時の多変量歩容データ（関節角度と床反力）と拇指床間距離を測定した．そして，拇指床間距離を動的時間短縮法を用いた k-最近傍クラスタリングによってクラスタリングし，結果を基に多変量歩容データを「つまずきにくい歩容」と「つまずきやすい歩容」にラベル付けした．また，運動学的観点から，ラベル付けの妥当性を確認した．
　Gradient-weighted Class Activation Mapping (Grad-CAM）は，任意の行列をモデルに入力した際の特徴マップの出力に対する重要性と特徴マップの出力を乗じることで，入力に含まれる出力に対する影響度が大きい箇所を可視化する手法である．多変量歩容データと MC-DCNN 歩容分類モデルに適用することで，「つまずき」に影響を及ぼす身体部位と歩行位相を提示可能であると考えられる．本研究では，取得したデータセットを用いて高精度な MC-DCNN 歩容分類モデルを構築し， Grad-CAM を歩容分類モデルに適用することによる歩容調整内容提示手法提案し，その妥当性と個人に対する適応性を運動学的観点から確認した．
　前述の手法では具体的な目標値を設定しておらず，訓練者は試行錯誤的に調整する必要があった．そこで，多変量歩容データと MC-DCNN 歩容分類モデルに対してモデルの出力の活性を増加（Activation maximization）させることによる目標多変量歩容データ生成手法を提案した．ただし，一般的な Activation maximization では，歩行運動として不可能・不自然な運動が生成される問題があるため，一度の活性化におけるデータの調整量に対して制約を設ける手法を提案し，その妥当性と個人に対する適応性を運動学的観点から確認した．
　最後に，目標多変量歩容データ生成手法を実装した多変量歩容フィードバック訓練システムを構築し，このシステムを用いた一回の歩容訓練による「つまずき」に対する即時訓練効果を，拇指床間距離および多変量歩容データへの影響から確認した．
　本学位論文の成果により，歩容に含まれる「つまずき」に関する特徴を参考にすることによる，身体的個人差を考慮した歩容調整内容の提示が可能であり，この手法を実装した歩容フィードバック訓練システムの即時訓練効果および個人に対する適用性を確認した．これらの手法によって，理学療法士の専門的な知識と経験を必要とせず，訓練者の身体的個人差を考慮した歩容訓練が可能であると結論付ける．, 第 1 章 緒論 ・・・・・・・・・・・・・・・・・・・・・・・・・・・ ・・・・ 7
　1.1節 研究の背景・・・・・・・・・・・・・・・・・・・・・・・・・・・・ 7
　1.2節 研究の目的・・・・・・・・・・・・・・・・・・・・・・・・・・・・ 8
　1.3節 本論文の構成・・・・・・・・・・・・・・・・・・・・・・・・・・・ 8

第 2 章 関節と歩容 ・・・・・・・・・・・・・・・・・・・・・・・・・・・・ 10
　2.1節 関節の動き ・・・・・・・・・・・・・・・・・・・・・・・・・・・・ 10
　　2.1.1項 関節の動きの表し方
　　2.1.2項 下肢関節および体幹の運動
　2.2節 歩行周期と歩行位相 ・・・・・・・・・・・・・・・・・・・・・・・ ・ 15
　　2.2.1項 初期接地（Initial contact: IC)
　　2.2.2項 荷重応答期（Loading response: LR)
　　2.2.3項 立脚中期（Mid stance: MSt)
　　2.2.4項 立脚終期（Terminal stance: TSt)
　　2.2.5項 前遊脚期（Pre-swing: PSw)
　　2.2.6項 遊脚初期（Initial swing: ISw)
　　2.2.7項 遊脚中期（Mid swing: MSw)
　　2.2.8項 遊脚終期（Terminal swing: TSt)
　2.3節 歩容の評価指標 ・・・・・・・・・・・・・・・・・・・・ ・ ・・・ ・・ 21
　　2.3.1項 空間的時間的指標（temporal-spatial parameter of gait)
　　2.3.2項 運動学的指標（kinematic parameters of gait)
　　2.3.3項 運動力学的指標（kinetic parameters of gait)
　　2.3.4項 生理的指標（physiological parameters of gait)

第 3 章 歩行訓練の先行研究と課題 ・・・・・・・・ ・ ・ ・・・・・・・・・ ・・ 26
　3.1節 歩容フィードバック訓練手法に関する先行研究 ・・・・・・・・ ・ ・・・ 26
　3.2節 従来の歩容フィードバック訓練における課題 ・・・・ ・ ・・・・・・ ・・ 29

第 4 章 機械学習の基礎知識 ・・・・・・・・・・・ ・ ・・・・・・・・・・・・ 30
　4.1節 教師なし学習（Unsupervised learning) ・ ・ ・・・・・・・・・・・・ 30
　　4.1.1項 クラスタリング（Clustering)
　　4.1.2項 次元削減（Dimensionality reduction)
　4.2節 教師あり学習 (Supervised learning) ・・ ・ ・・・・・・・・・・・・ ・ 32
　　4.2.1項 分類問題（Supervised learning)
　　4.2.2項 回帰問題（Regression)
　4.3節 強化学習 (Reinforcement learning）・・ ・・ ・ ・・・・・・・・・・・・ ・ 32
　4.4節 代表的な機械学習手法と要素・・・・ ・・ ・ ・・・・・・・・・・・・ ・ 34
　　4.4.1項 k-means法
　　4.4.2項 動的時間短縮法（Dynamic time warping: DTW)
　　4.4.3項 k-shape法
　　4.4.4項 クラスタ数の決定手法：エルボー法（Elbow method)
　　4.4.5項 ニューラルネットワーク（Neural Network: NN)
　　4.4.6項 畳み込みニューラルネットワーク (Convolutional neural network: CNN)
　　4.4.7項 CNNの時系列データへの応用
　4.5節 ニュールラネットワークモデルの評価手法・・ ・・ ・ ・・・・・・・・ ・ 45
　　4.5.1項 ホールドアウト法（Hold-out method)
　　4.5.2項 k-分割交差検証法（Cross validation method)
　　4.5.3項 リーブワンアウト法 (Leave-one-out method)
　4.6節 機械学習の歩行解析への応用研究 ・・・・・・ ・・ ・ ・・・・・・・・ ・ 47

第 5 章 提案手法の概要 ・・・・・・・・・ ・ ・・ ・ ・・・・・・・・・・・・ ・ 48
　5.1節 歩容変量測定機器 ・・・・・・・ ・・・・・・・・・・・・・・・・・ ・ 49
　5.2節 本研究における理想的歩容と非理想的歩容の定義 ・・・・・・・・・・ ・ 51
　5.3節 訓練者の多変量歩容データの取得 ・・・・・・・・・・ ・・ ・・・・・ ・ 52
　5.4節 リアルタイムな理想的歩容と非理想的歩容の個人差を考慮した分類 ・・ ・ 53
　5.5節 特徴を参考にした歩容調整内容の可視化 ・ ・・・・・・・・・・・・ ・ ・ 54

第 6 章 多変量歩容データセットの構築 ・・・ ・・ ・ ・・・・・・・・・・・・ ・ 55
　6.1節 多変量歩容データを構成する歩容変量の決定 ・・・ ・・・・・・・・・ ・ 55
　6.2.節 多変量歩容データ測定実験 ・・・・・・・・・・・ ・・・・・・・・・ ・ 55
　　6.2.1項 実験条件
　　6.2.2項 データの前処理と多変量歩容データの生成
　6.3節 つまずき易さに関する歩容のラベル付け ・・・・・・・・・ ・・・・・ ・ 59
　6.4節 特徴可視化結果と考察 ・・・・・・・・・・・・・・・・・ ・・・・・ ・ 62

第 7 章 拇指床間距離を決定する特徴可視化による歩容調整内容提示手法 ・・ ・ ・ 63
　7.1節 拇指床間距離を決定する特徴の可視化手法 ・・・・・・・・・・・・ ・ ・ 63
　7.2.節 歩容分類モデルの構築と学習結果 ・・・・・・・・・・・・・・・・ ・ ・ 65
　7.3節 つまずきに関する歩容特徴可視化結果 ・・・・・・・・・・・・・・ ・ ・ 66
　7.4節 考察・・・・・・・・・・・・・・・・・・・・・・・ ・ ・・・・・・・ 70
　　7.4.1項 歩容分類モデルによるつまずきやすさに関する歩容分類の妥当性
　　7.4.2項 歩容特徴可視化の歩容訓練への応用の有用性
　　7.4.3項 歩容特徴可視化手法の限界

第 8 章 身体的個人差を考慮した目標多変量歩容データの生成 ・・・・・・・ ・ ・ 73
　8.1節 身体的個人差を考慮した目標多変量歩容データの生成手法 ・・・・・ ・ ・ 73
　8.2節 目標多変量歩容データ生成のための歩容分類モデルの構築と学習結果 ・・ 74
　8.3節 つまずきに関する歩容の特徴を基にしたつまずきにくい歩容の生成 ・・・ 76
　8.4節 目標多変量歩容データの生成手法に関する考察・・・・・・・・・・・・ 82
　　8.4.1項 MC-DCNNによるつまずきに関する歩容の学習結果
　　8.4.2項 目標多変量歩容データの生成による歩容訓練の有用性と課題
　8.5節 制約付き目標多変量歩容データの生成手法 ・・・・・・・・・・・・・・ 84
　8.6節 制約付き目標多変量歩容データの生成 ・・・・・・・・・・・・・・・・ 86
　8.7節 調整量に対する制約の有効性に関する考察 ・・・・・・・・・・・・・・ 89

第 9 章 身体的個人差を考慮した目標歩容生成による歩容訓練の即時効果 ・・・・ 90
　9.1節 歩容訓練システムの構成と歩容訓練手順 ・・・・・・・・・・・・・・・ 90
　9.2節 実験条件・・・・・・・・・・・・・・・・・・・・・・・・・・・・・ 92
　9.3節 実験結果・・・・・・・・・・・・・・・・・・・・・・・・・・・・・ 93
　9.4節 つまずきに関する訓練効果と個人差を考慮した歩容調整に関する考察・・ 95

第 10 章 結論・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・ 96
　10.1節 本研究で得られた成果 ・・・・・・・・・・・・・・・・・・・・・・ 96
　10.2節 課題と展望 ・・・・・・・・・・・・・・・・・・・・・・・・・・・ 97

謝辞・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・ 98

参考文献・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・ 99, 指導教員 : 綿貫啓一教授, text, application/pdf},
 school = {埼玉大学},
 title = {Development and evaluation of a gait feedback training system considering individual differences using machine learning},
 year = {2021},
 yomi = {オオサワ, ユウスケ}
}