JP2017520336A - 人体および物体運動への生体力学フィードバックを送達するための方法およびシステム - Google Patents

Abstract

生体力学フィードバックを送達する、方法およびシステムは、３つの主要要素：（１）光学式モーションキャプチャ慣性測定ユニット、赤外線走査デバイス、および２次元ＲＧＢ連続画像キャプチャデバイスを含む、複数のハードウェアデータキャプチャデバイス、（２）光学式モーションキャプチャ慣性測定ユニット、赤外線走査デバイス、および２次元ＲＧＢ連続画像キャプチャデバイスと互換性のある、クロスプラットフォーム互換性物理演算エンジン、および（３）被験者、およびそれに所持されて近傍にある任意の物体の運動にリアルタイムフィードバックを送達するための、対話型プラットフォームおよびユーザインターフェイス、を使用する。

Description

本開示は、人体および物体運動への生体力学フィードバックを送達するための方法およびシステムに関する。

人体および物体運動を送達することのできるシステムは、現在、存在するが、多くの場合に、非常に高性能で高価である。同様に、これらのシステムによって提供されるフィードバックのフォーマットには、かなり違いがある。一般的には、複数のプラットフォームおよびエンティティにまたがって生体力学フィードバックを一貫して送達するための、網羅的な方法およびシステムは存在しない。例えば、光学式モーションキャプチャが、現在、人体および物体を解析するために、モーションキャプチャスタジオおよびスポーツテクノロジ企業において使用されている。これらのモーションキャプチャラボラトリおよびスタジオは、成績、回復、およびとりわけ、傷害リスク識別子を解析するために、被験者の生体力学研究に焦点を当てている。多くの生体力学研究者が、人体および物体運動の、運動学的（kinematic）および運動力学的（kinetic）尺度を抽出する、知的所有権のあるソフトウェアや処理アルゴリズムを開発している。これらの測定基準（metrics）を抽出するための物理演算エンジンの応用は、身体および物体の骨解剖学的ランドマーク上の再帰反射マーカーの精度と場所に基づいている。フィードバックは、通常、高度に技術的なフォーマットで与えられ、これらのフォーマットは、被験者を、真の根底にある生体力学的な欠陥に気づかせないままにすることが多く、成績および回復を向上させ、傷害のリスクを低減するための、矯正運動、ドリル、および訓練管理（training regimen）を指定することができない。同様に、規範的フィードバック（prescriptive feedback）が与えられる場合には、そのようなフィードバックとの適合性を予測する方法は少なく、被験者および物体の適当な再評価に利用可能なシステムは少ない。

したがって、動作者／競技者によって、その成績を向上させ、傷害のリスクを低減するのに使用可能であるとともに、統計的関係性モデル、対話型プラットフォーム、およびより先進的なハードウェアプラットフォームによってサポートされるフォーマットで、生体力学フィードバックを提供するシステムに対するニーズがある。

ウェアラブルテクノロジ（wearable technology）は、人体および物体運動を推定する、主たる手段となりつつある。このテクノロジは、ウェアラブルガーメント（wearable garment）にセンサテクノロジを埋め込むことに基づいている。そのような使用の一例は、３次元運動を再構成する目的で、１つまたは２つ以上の小型化加速度計およびジャイロスコープからのデータを抽出する能力であるが、ウェアラブルテクノロジの精度と正確性には、統計的モデルによってサポートされていない情報で、ユーザに誤解を与えることが多いという、制限がある。また、ウェアラブルテクノロジは、全ての身体および物体セグメントの総合的な運動検出は提供せず、したがって、成績および回復を向上させ、それによって、傷害のリスクを低減するための、広範囲の規範的フィードバックは可能ではない。ウェアラブルテクノロジは、運動学および運動力学を計算し、単独セッションにおける生体力学フィードバックを表示するのに、モバイルデバイスとワイヤレスでインターフェイスされていることが多い。しかし、ユーザをつないだままとするクロスプラットフォーム連続性はなく、適合性をモニタリングして、有意なフィードバックを送達する方法は少ない。

したがって、動作者／競技者がその成績を向上させるとともに傷害のリスクを低減するために使用できる、意味のあるデータを生成するための、先進的な物理演算エンジン（physics engine）能力、先進的なハードウェア処理およびセンサテクノロジ、ならびに対話型インターフェイスを組み入れたシステムに対するニーズがある。

被験体に生体力学フィードバックを送達する、方法およびシステムが開示される。このシステムは、３つの主要要素：（１）光学式モーションキャプチャ、慣性測定ユニット、赤外線走査デバイス、および２次元ＲＧＢ連続画像キャプチャデバイスを含む、複数のハードウェアデータキャプチャデバイス、（２）光学式モーションキャプチャ慣性測定ユニット、赤外線走査デバイス、および２次元ＲＧＢ連続画像キャプチャデバイスと互換性のある、クロスプラットフォーム互換性物理演算エンジン、および（３）人体、およびそれに所持されて近傍にある、任意の物体の運動にリアルタイムフィードバックを送達するための、対話型プラットフォームおよびユーザインターフェイス、を使用する。

第１の要素、クロスプラットフォーム互換性物理演算エンジンは、様々なハードウェアデバイスから取り込まれたデータをインポートする。ハードウェアデバイスからインポートされたデータは、次いで、所望の生体力学データを抽出するために、運動学および運動力学アルゴリズムに通される。次いで、データは、複数被験体にまたがり、また単独被験体の複数セッションにまたがって、物理演算エンジンによって編集される。また、物理演算エンジンは、ハードウェアプラットフォームにまたがる互換性を可能にするために、機械的等価値（mechanical equivalency）を計算する。機械的等価値には、傷害および成績統計に対するデータベースデータの相関、不連続の物体の運動学および運動力学に対する不連続の身体の運動学および運動力学の相関、物体に対して身体の時系列データを相関させる主成分分析、被験体および物体データの編集されたデータベースとの比較、およびすべての機械的等価値に基づく、規範的フォードバックの抽出が含まれる。

第２の要素、ハードウェアデータキャプチャデバイスには、被験体または物体の２次元または３次元の運動データを収集する、様々な周辺デバイスを含めてもよい。一態様において、そのような周辺デバイスには、（１）身体および／または物体上に設置された反射マーカーについての３次元位置データを収集する、光学式モーションキャプチャデバイス、（２）物体（複数を含む）または被験体身体のセグメント（複数を含む）の３次元並進および回転運動データを収集するための、身体上、物体上、またはガーメント内に設置されたジャイロスコープおよび加速度計を備える慣性測定ユニット、（３）移動データの３次元ポイントクラウドを取り込み、骨格および物体追跡アルゴリズムを組み込んで、３次元関節および物体位置を抽出するための、Ｍｉｃｒｏｓｏｆｔ ＫｉｎｅｃｔまたはＧｏｏｇｌｅ Ｔａｎｇｏなどの、赤外線走査デバイス、および（４）移動画像を収集するとともに、骨格および物体追跡アルゴリズムを組み込み、３次元関節および物体位置、ならびに運動学を抽出する、ＲＧＢ（赤緑青）２次元連続画像キャプチャデバイス、を含めてもよい。

第２の要素のハードウェアデータキャプチャデバイスには、ウェアラブルガーメントに埋め込まれて、人体および物体運動を計算する、運動センシングハードウェアを使用する、ウェアラブルセンサテクノロジを、さらに含めてもよい。ウェアラブルテクノロジは、物理演算エンジンと対話型インターフェイスと組み合わせて、被験体および物体の運動において識別された欠陥に対して規範的フィードバックを提示してもよい。そのようなフィードバックは、生体力学研究中に作成された物体運動相関の網羅的部分に基づき、対話型インターフェイスを介して、ユーザに提供してもよい。

第３の要素、対話型インターフェイスは、物理演算エンジンによって生成された情報を使用して、ユーザに対してデータを表示する、ユーザインターフェイスを作成する。この対話型インターフェイスは、携帯デバイススクリーン（ｉＯＳ／Ａｎｄｒｏｉｄ）、ウェブベースインターフェイス（ＨＴＭＬ）、ヘッドアップディスプレイ（ＶＲ／ＡＲ Ｈｅａｄｓｅｔ）、およびＷｉｎｄｏｗｓ／ＯＳＸスタティックフォーマット（スプレッドシート、ＰＤＦ、その他）などの、様々な形態で実現してもよい。対話型インターフェイスは、ユーザに情報を送給する能力に加えて、適合性をモニタリングするとともに、インターフェイスの有用性をモニタリングするために、ユーザから情報を収集する能力を有する。対話型プラットフォームは、ユーザに対して、生体力学研究およびマーカーベースモーションキャプチャ方法から採集された洞察を与えるのに使用してもよい。そのような対話型プラットフォームは、ウェアラブルテクノロジ、または対話型プラットフォームに内蔵された運動センシング機構のいずれかから採集された運動データに基づく、規範的フィードバックを提示するとともに、適合性モニタリングと、一組のウェアラブルテクノロジメソッドにまたがる、連続的つながりとを可能にすることができる。情報は、バックエンド記憶サーバに記憶してもよく、また物理演算エンジンへ、および１つまたは２つ以上のハードウェアデバイスへとエクスポートしてもよい。

本開示の一観点によれば、被験者または物体の運動に基づく規範的フィードバックを提供するためのシステムは、Ａ）被験体または物体の運動についてのデータを採集するハードウェアエンジン、Ｂ）ハードウェアエンジンに動作可能に結合されて、採集された運動データを処理して、処理された運動データを、理想化された運動モデルを表わす、先に記憶された生体力学データと相関させる、物理演算エンジン、およびＣ）データ採集デバイスと物理演算エンジンとに動作可能に結合されて、被験体または物体の運動において識別された欠陥について、規範的フィードバックを提供するように構成された、対話型インターフェイスを含む。

本開示の別の観点によれば、被験者または物体の運動に基づく規範的フィードバックを提供する方法は、Ａ）被検体または物体の運動についてのデータを採集すること、Ｂ）前記採集された運動データを処理し、処理された運動データを、理想化された運動モデルを表わす、先に記憶された生体力学データと相関させること、およびＣ）被験体または物体の運動において識別された欠陥についての規範的フィードバックを提供すること、を含む。一態様においては、本方法は、Ｄ）被験体および／または物体の運動の適合性モニタリングを可能にすることをさらに含む。

本開示の別の観点によれば、被験者または物体の運動に基づく規範的フィードバックを提供する方法は、Ａ）その中に埋め込まれた運動センシングハードウェアを有する、ウェアラブルガーメントまたはデバイスから、または対話型プラットフォームに内蔵された運動センシング機構から運動データを採集すること、Ｂ）運動データを処理すること、Ｃ）プロセス運動データを、理想化された運動モデルを表わす、先に記憶された生体力学データと相関させること、Ｄ）ウェアラブルテクノロジまたは対話型プラットフォームのいずれから採集された運動データに基づいて、被験体または物体の運動において識別された欠陥についての規範的フィードバックを提供すること、を含む。

本開示を、添付の図面を参照して、図解して説明する。
図１は、人体および物体運動への生体力学フィードバックを送達するためのシステムを概念的に示す図である。 図２は、人体および物体運動、ならびに物理演算エンジンの相互作用への生体力学フィードバックを送達するためのシステムの方法を概念的に示す図である。 対話エンジンの使用による、人体および物体運動への生体力学フィードバックを送達するためのシステムの方法を概念的に示す図である。 ハードウェアエンジンの使用による、人体および物体運動への生体力学フィードバックを送達するためのシステムの方法を概念的に示す図である。 図５は、生体力学研究の方法に使用される具体的なマーカーセット、およびその光学式モーションキャプチャとの関係を概念的に示す図である。 図６Ａは、本開示によるウェアラブルテクノロジの態様を概念的に示す図である。 図６Ｂは、本開示によるウェアラブルテクノロジの態様を概念的に示す図である。 図６Ｃは、本開示によるウェアラブルテクノロジの態様を概念的に示す図である。 図６Ｄは、本開示によるウェアラブルテクノロジの態様を概念的に示す図である。 図６Ｅは、本開示によるウェアラブルテクノロジの態様を概念的に示す図である。 図６Ｆは、本開示によるウェアラブルテクノロジの態様を概念的に示す図である。 図６Ｇは、本開示によるウェアラブルテクノロジの態様を概念的に示す図である。 図６Ｈは、本開示によるウェアラブルテクノロジの態様を概念的に示す図である。 図７は、本開示による、例示的なコンピュータアーキテクチャを示す概念的構成図である。 図８は、本開示により、システムをそこで実現してもよい、例示的なネットワークトポロジを示す概念的構成図である。

発明の詳細な説明
本発明は、図面と合わせて読むべきである以下の説明から、より完全に理解されるであろう。この説明において、同一の番号は、本開示の様々な開示の範囲内で、類似の要素を指している。本明細書に記載されている方法、装置およびシステムは、単に例示であること、および本開示の趣旨と範囲を逸脱することなく、変形形態を作製できることを、当業者は容易に理解するであろう。
本明細書で使用される、「エンジン」という用語は、ハードウェア、ソフトウェア、ファームウェア、またはそれらの任意の組合せとして実現されていようとも、本明細書に記載されたいずれかの機能を実行することのできる、１つまたは２つ以上の要素を意味し、データフォーマットまたはプロトコルに関係なく、全体的または部分的に、直列または並列に、同期または非同期に、遠隔式または局所的に、機能を協調して実行する、そのような要素の集合を含む。

図１を参照すると、生体力学フィードバックを提供するシステムは、物理演算エンジン１００、ハードウェアエンジン１０２、および人体または物体の運動について生体力学フィードバックを送達する、対話型エンジン１０１を含む。本明細書において使用されるときには、ハードウェアエンジン１０２には、集合的または個別的に機能して記載された機能を達成する、１つまたは複数のハードウェア／ソフトウェアデバイスを含めてもよい。同様に、本明細書において使用されるときには、対話型エンジン１０１には、集合的または個別的に機能して、典型的には、被験体からデータを受け取るか、被験体へデータを提供して、記載の機能を達成する、１つまたは複数のハードウェア／ソフトウェハデバイスを含めてもよい。

物理演算エンジン１００は、様々なハードウェアデータ収集デバイスから取り込まれた未処理の３次元データを、使用可能な生体力学フィードバックに変換する、クロスプラットフォーム互換性の方法として機能する。図２は、物理演算エンジン１００の例示的なプロセスフローを概念的に示す。最初に、物理演算エンジン１００は、典型的には、プロセスブロック２００によって示されるように、デフォールトパラメータを有する起動状態に初期化される。物理演算エンジン１００は、プロセスブロック２０１によって示されるように、ハードウェアエンジン１０２から、２次元または３次元データセットのいずれかを、任意のネットワークインフラストラクチャを介して、プッシュ式またはプル式のいずれかで、ワイヤレスまたはその他の方法で、インポートする。一態様において、ハードウェアエンジン１０２には、光学式モーションキャプチャデバイス２１２、慣性測定ユニット２１３、赤外線走査デバイス２１４、および画像キャプチャデバイス２１５のいずれかを、個別にまたは集合的に含めてもよい。これらのデバイスからインポートされたデータは、プロセスブロック２０２に示されるように、被験者および物体の運動学および運動力学を計算するための、１つまたは２つ以上のアルゴリズムプロセスを実行する、物理演算エンジン１００に供給される。

光学式モーションキャプチャデバイス２１２、赤外線走査デバイス２１４および画像およびビデオキャプチャデバイス２１５からのデータに対して、物理演算エンジン１１によって実行される、運動学および運動力学アルゴリズム計算のタイプの疑似コード例は、次のとおりである。
−近傍において使用された、手、前腕、上腕、上胴、首、頭、骨盤、上腿、下方すね、足、および近傍において使用される任意の物体などの、双方向および／または一方向セグメンを含む、マルチセグメントまたはシングルセグメントバイオメカニクスモデルを定義、
−３次元ＸＹＺマーカーデータを使用して、モデル内の身体または物体セグメントの長軸ユニットベクトルを定義、
−上記セグメントのそれぞれの平面軸ユニットベクトルを定義、
−各セグメントの第３のユニットベクトルを特定するために、長軸と平面軸の外積を計算、
−モデルにおける各セグメントに対する３つの直交ユニットベクトルを作成するために、第３のユニットベクトルと長軸ユニットベクトルの外積を計算、

−各セグメントのユニットベクトルの誘導法（derivative method）を使用して、各モデルセグメントの角速度ベクトルを計算、
−各セグメントのユニットベクトルの組を使用して、（オイラー座標系および極座標系において）相対関節角度を計算、
−被験体重量および身長と、身体セグメントの人体測定基準を使用して人体マスモデルを定義して、各セグメンのまわりの質量慣性モーメント、および質量中心場所を計算する、
−５点中心差分フィルタを使用して、各マーカー、および各セグメント質量中心の加速度を計算、
−角速度の５点中心差分フィルタを使用して、各モデルセグメントの角加速度を計算、
−各セグメントの角速度成分、各セグメントの角加速度成分、および各セグメント質量中心の線形加速度成分を使用して、運動の逆動力学モデルを計算する、
−イベント検出アルゴリズムを使用して、特定の運動中に関心点を特定する
−運動学および運動力学値が、関心点において抽出される（運動学および運動力学値の例は、スポーツ運動中の骨盤セグメントのピーク角速度（メートル／秒単位）または、投球運動中の足接点における肩回転（角度単位）である）、

慣性測定ユニット２１３から運動学および運動力学を計算するために、以下のステップがとられる：
−未処理センサデータが、軸‐角度積分方法（axis-angle integration method）を用いて互いに融合される、
・センサの回転マトリックスが、スチルポイントの間に、重力ベクトルを用いて初期化される（スチルポイントがないときに、軸‐角度方法が完了した後に、積分オフセットを測定することによって、重力を測定することもできる）、
・ジャイロスコープからの角速度データを、運動中の各サンプルにおいて、回転マトリックス中に統合される、
・各サンプルからの各回転マトリックスが、身体固定方法において、初期化された回転マトリクスに、連続的に積算される、
・加速度データが、角速度データから計算された回転マトリックスを用いて、グローバルフレームに変換される、
・グローバル参照フレームにおける回転された加速度データから重力が減算される、
・回転された加速度データが、速度、およびセンサの位置、および／またはセンサが取り付けられている剛体上の任意の点に統合される、

−未処理の加速度および角速度データが、セグメントまたはセンサがそれに取り付けられている物体の質量中心において、慣性参照フレームに変換される、
−すべての処理データが、システムにおいて存在することのあるオフセットエラーだけ回転される、
−すべての回転データおよび慣性データが、４次ローパスフィルタを使用してフィルタリングされる、
−慣性参照フレーム加速度データおよび角速度データが、オープンチェーン逆動力学運動力学モデル（open-chain inverse dynamics kinetic model）に送給されて、人体測定基準、身長、重量、または物体特性のルックアップ表によって定義された、人体または物体質量モデル内の、頂点のまわりの反力およびトルクについて解く、
−イベント検出アルゴリズムが、特定の運動中の関心点を特定するのに使用される（野球ピッチングにおけるイベント検出アルゴリズムの一例は、履歴データセット（トレーニングデータ）の主成分の生成を包含する）。ハードウェアデバイス内の所与のデータのバッファが、主成分のフィッティングの基準に合致するときには、イベント（ピッチングなど）が検出される。イベント検出は、所望しない運動が、所与のアプリケーションにおいて検出されるのを防止するのに使用される。
−運動学および運動力学値は、関心点において、統合化された位置、速度、加速度、角速度、および反力およびトルクデータから抽出される。

運動学および運動力学データの計算のための、上記の識別されたプロセスは、被験体または物体の運動の複数回の試行に対して繰り返され、プロセスブロック２０３に示されるように、メモリまたはデータベース内に編集される。一態様において、類似の計算された運動学および運動力学データが、複数の被験体にまたがって編集されて、やはりプロセスブロック２０３によって示されるように、さらなる解析のために記憶される。次いで、物理演算エンジン１００は、プロセスブロック２０４に示されるように、編集された運動学および運動力学データの関連部分を、機械的等価値モデルに供給する。このプロセスの一部として、物理演算エンジン１００は、プロセスブロック３００によって示されるように、編集されたデータを成績および傷害データと相関させる。不連続データは、非寄与因子を除去するために、パーソン相関およびベイズ混合回帰により、成績および傷害データに相関させられる。物理演算エンジン１００は、身体の不連続運動学および運動力学データを、プロセスブロック３０２に示されるように、物体またはその他の身体セグメントの不連続運動学および運動力学データとさらに相関させる。不連続身体データは、人物相関およびベイズ混合回帰により、３００に類似の方法で、その他の不連続身体および物体データに相関させられる３０２。このプロセスの一部として、物理演算エンジン１００は、プロセスブロック３０３に示されるように、主成分分析を用いて、身体の時系列データを、その他の身体部分または物体の時系列データと相関させる。

時系列セグメントデータは、複数の、例えば、８０の主成分に縮減される。縮減された成分は、次いで、その他の身体または物体セグメントの主成分に相関させられて、１つまたは２つ以上の身体セグメントからの未処理データが与えられると、追加の運動を抽出するのに使用される。不連続および時系列データは、プロセスブロック３０５に示されるように、複数の被験体にまたがるデータの平均と標準偏差を使用することによって、運動のデータベースと比較される。プロセスブロック３００、３０２、３０３、３０５の間に確立された関係に基づいて、物理演算エンジン１００は、プロセスブロック３０4に示されるように、相関モデルと、被験体／物体の運動を用いて、規範的フィードバックをさらに抽出する。物理演算エンジン１００によって規範的フィードバックが採集された後に、規範的フィードバックは、プロセスブロック２０５に示されるように、対話型エンジン１０１にエクスポートされて、成績の向上または傷害リスクの低下を招くように、力学を変更することを容易化することにおいて、被験体／物体へ提示される。

図３は、対話エンジン１０１によって実行されるプロセスフローを示す。対話型エンジン１０１の任意の初期化の後に、プロセスブロック２０６に示されるように、手作業で、または自動化ＡＰＩを用いてプッシュまたはプルプロトコルのいずれかで、物理演算エンジン１００から情報が取得される。次いで、そのような情報は、プロセスブロック２０７に示されるように、参照のために、論理的方法で、バックエンドサーバおよびデータベースに記憶される。次に、物理演算エンジン１００から取得された情報が、プロセスブロック２０８によって示されるように、ユーザインターフェイスを介して表示される。対話型エンジン１０１は、物理演算エンジン１００から取得した情報を、プロセスブロック２０８によって示されるように、モバイルデバイス（ｉＯＳ／Ａｎｄｒｏｉｄ）３０６、スプレッドシート３０７、ウェブベースインターフェイス（ＨＴＭＬ）３０８、および仮想および／または増補リアリティヘッドアップディスプレイ３０９のいずれかを介して、表示してもよい。そのような情報が表示された後に、対話型エンジン１０１は、プロセスブロック２０９によって示されるように、ユーザによって入力されるか、またはハードウェアエンジン１０２を含むデータ収集デバイスの１つによって収集される、適合性情報を記憶することによって、対話型エンジン１０１の様々なインターフェイス構成要素を介して、適合性および有用性情報をモニタリングするさらなる能力を有する。任意の取得された適合性情報は、プロセスブロック２１０によって示されるように、および図１に示されるように、適宜に、連続フィードバックループを形成するように、ハードウェアエンジン１０２および／または物理演算エンジン１００のいずれかにエクスポートされる。

図４は、ハードウェアエンジン１０２によって実行されるプロセスフローを示す。光学式モーションキャプチャデバイス２１２に対して、第３者ソフトウェアが使用され、プロセスブロック３１０によって示されるように、集中型の体積空間のまわりの複数の、例えば最大１６個の、近赤外カメラを較正する。次いで、再帰反射マーカーが、図５Ａ〜Ｄでわかるように、被験体および／または物体上に設置される。データはデバイス２１２によって記録されて、コンピュータに接続されたイーサネット（登録商標）バスを用いて伝送される。キャプチャボリューム内の各マーカーの較正されたＸＹＺ位置は、プロセスブロック３１２によって示されるように、バイナリ符号化ファイルに記録される。収集の後で、取得されたデータは、プロセスブロック３１３によって示されるように、処理のために、例えば、Ｗｉｎｄｏｗ／ＯＳＸデバイスを用いて、物理演算エンジン１０２へとエクスポートされる。慣性測定デバイス２１３のために、加速度計およびジャイロスコープは、較正された上で、プロセスブロック３１４によって示されるように、ハードウェアを制御する内部ファームウェア動作によって、メモリ、例えば、ＲＡＭまたはＦＬＡＳＨ、およびＢｌｕｅｔｏｏｔｈ（登録商標）チップセットのいずれかとインターフェイスすることのできる、マイクロコントローラとインターフェイスされる。慣性測定ユニットは、プロセスブロック３１５によって示されるように、身体セグメントまたは物体のような、関心点上に設置される。

時間サンプルに加えて、６軸のデータを、連続的に記録してもよい。プロセスブロック３１６によって示されるように、カスタム化されたイベントをトリガリング（イベント検出）すると、データは、プロセスブロック３１７によって示されるように、後に解析するためにＲＡＭおよび／またはＦＬＡＳＨメモリに記憶される。データは、プロセスブロック３１８によって示されるように、主成分分析を用いて、プロセスブロック３０３を参照して前述したように、同時に圧縮される。次いで、データは、プロセスブロック３１９によって示されるように、例えば、モバイルデバイス（ｉＯＳ／Ａｎｄｒｏｉｄ）上のＢｌｕｅｔｏｏｔｈ（登録商標）低エネルギーＳＤＫプロセスによって、物理演算エンジン１００へとエクスポートされる。赤外線走査デバイス２１４に対しては、プロセスブロック３２０によって示されるように、加速度計およびジャイロスコープ、もしくはＲＧＢビデオのような、他の位置測定ユニットを含んでもよい、オンボード慣性測定ユニットにならって、または既知の環境条件にならって、走査レーザが較正される。次いで、プロセスブロック３２１によって示されるように、人体および物体運動のＸＹＺポイントクラウドデータが、取り込まれてローカルメモリに記憶される。同時に、プロセスブロック３２２によって示されるように、３次元関節および物体位置を追跡するために、ローカルな骨格および物体追跡アルゴリズムが実装される。

ローカルな骨格および物体追跡アルゴリズムは、人体または物体上の関心点を識別するための、エッジフィルタリング技法と一緒に、その人体の既知の人体測定基準、または物体からの既知の情報を用いて、実現してもよい。次いで、骨格および物体データはまた、プロセスブロック３２３によって示されるように、メモリに記憶されるとともに、例えばＡｎｄｒｏｉｄ／ｉＯＳデバイスによって物理演算エンジン１００へとエクスポートされる。画像／ビデオキャプチャデバイス２１５に対しては、プロセスブロック３２５によって示されるように、人体物体運動の連続２次元ＲＧＢ画像／ビデオが取り込まれる。次いで、ローカルな骨格および物体追跡アルゴリズムは、プロセスブロック３２６によって示されるように、プロセスブロック３２２を参照して先述したのと類似する、関節および物体位置を抽出するのに使用される。次いで、骨格および物体位置データは、プロセスブロック３２７によって示されるように、メモリに記憶されるとともに、プロセスブロック３２８によって示されるように、例えば、モバイルデバイス（ｉＯＳ／Ａｎｄｒｏｉｄ）によって物理演算エンジン１００へとエクスポートされる。

図５Ａ〜Ｄにおいてわかるように、マーカーセット３００は、全身マーカーセット４００、および野球／ソフトボールバットマーカーセット４０１、ゴルフクラブマーカーセット４０２、テニスラケットマーカーセット４０３、および身体と相互作用する、その他の物体を含む、様々な物体マーカーセットを含む。図５Ａは、骨解剖学的ランドマークに取り付けられたマーカーを含む、全身マーカーセット４００を概念的に示しており、ランドマークとしては、それに限定はされないが、頭部の前方、頭部の後方、頭部の右側、頭部の左側、Ｔ２脊椎、Ｔ８脊椎、胸骨の剣状突起（Xiphoid process）、左右胸鎖関節（sternoclavicular joint）、両肩の肩峰鎖骨関節（Acromioclavicular joint）、上腕の二頭筋の中央、両上腕骨の外側／内側上顆（epicondyle）、前腕の中央、両手首の内側／外側茎状突起（styloid process）、両手における第３中手骨の先端、左右後上腸骨棘、左右前上腸骨棘、左右大転子（greater trochanter）、両腿の中央、大腿骨の内側および外側の上顆（epicondyle）、右ふくらはぎ、足関節の外側および内側のくるぶし（malleoules）、両足の第３中足骨（metatarsal）の先端、および両足の踵骨（calcaneous）の先端が含まれる。

図５Ｂは、仮想の野球バットに、以下の場所：バットの握り、バットのハンドルの上方、バットの質量中心、握りと質量中心の間のラインを形成するバットの先端、および先端におけるバットの後方側、において取り付けられた、５つのマーカーを備えるマーカーセット４００を概念的に示す。
図５Ｃは、仮想のゴルフクラブに、以下の場所：ハンドルの根本、ハンドルの上方、質量中心、クラブの根本、およびクラブフェースアングルの直接ラインを形成するクラブフェースの先端、において取り付けられた５つのマーカーを備えるマーカーセット４０２を概念的に示す。

図５Ｄは、仮想のテニスラケットに、以下の場所：ハンドルの根本、ハンドルとラケットヘッドの交差部、ラケットヘッドの左側および右側、およびラケットヘッドの先端、において設置された５つのマーカーを備える、マーカーセット４０３を概念的に示す。
図６Ａ〜Ｈ、ウェアラブルテクノロジ１０２を参照すると、それらは、被験者および／または付随する物体からの運動データの取得を補助するために、態様において、スパンデックス、Ｌｙｃｒａ、ポリエステル、綿と組み合わせた、絹またはその他任意のウェアラブル材料を含む、いずれかの材料で製作してもよい、複数のガーメント８００のいずれかを含む。そのようなガーメントの様々な態様については、以下により詳細に説明する。各ガーメント８００は、運動データを記録して、ｉＯＳ／Ａｎｄｒｏｉｄ電話またはその他のネットワーク使用可能デバイス８０２にワイヤレスで送信することのできる、ＭＥＭＳ／ＩＭＵハードウェアなどの、複数のデータ採集機構８０１を含む。ペンシルバニア州、ピッツバーグのＤｉａｍｏｎｄ Ｋｉｎｅｔｉｃｓ社から入手可能なものなどの、ソフトウェアアプリケーションを使用して、ＭＥＭＳ／ＩＭＵハードウェアから、運動学を計算してもよい。

一態様において、図６Ａに示されているような、ｍＴｈｒｏｗスリーブガーメント８０３は、運動センサ８０１と結合されており、負荷と成績とをモニタリングする。ｍＴｈｒｏｗスリーブガーメント８０３は、練習、試合、またはリハビリセッションの間に投球腕に着用される。ワークアウト全体を通してデータを収集して、ｉＯＳ／Ａｎｄｒｏｉｄ電話またはその他のネットワーク使用可能デバイスに、ワイヤレスで送信してもよい。そのような態様において、ガーメント８０３には、ｉＯＳ／Ａｎｄｒｏｉｄスマートフォンなどのモバイルデバイス８０２と、Ｂｌｕｅｔｏｏｔｈ（登録商標）またはその他のプロトコルを介してワイヤレスでインターフェイスする、６軸加速度計／ジャイロスコープＩＭＵ８０１を含めてもよい。ネットワーク使用可能デバイス上で実行中であるか、またはネットワークを介してリモートアクセス可能であるかいずれかの、ソフトウェアアプリケーションは、物理演算エンジン１００および対話型エンジン１０１と対話する機能を実行する。そのような既存の機能としては、投球前腕運動の計算、肘反力およびトルクの運動力学的解、試合／練習／シーズン／キャリア中の投球負荷のアルゴリズム計算、ピッチングおよび投球計数機能、腕およびボール速度の計算、および成績および傷害予測の使用に対する傾向が含まれる。センサデータの主成分分析は、また、センサによって直接的に測定されない、追加のセグメントデータを抽出する、機械的等価値モデルを作成することを可能にする。

別の態様においては、図６Ｂに示されている、ｍＴｈｒｏｗ Ｐｒｏガーメント８０４は、全年齢とスキルレベルの競技者が、全身生体力学解析を受けることを可能にするように設計された、総合投球解析プラットフォームである。データは４個の運動センサによって収集される。ｍＴｈｒｏｗ Ｐｒｏガーメント８０４は、試合または練習中に着用可能であり、および有用なフィードバックを供給するために、対話アプリケーションと結合されている。そのような態様において、ガーメント８０４には、ｉＯＳ／Ａｎｄｒｏｉｄスマートフォンなどのモバイルデバイス８０２と、Ｂｌｕｅｔｏｏｔｈ（登録商標）またはその他のプロトコルを介してワイヤレスでインターフェイスする、複数の６軸の加速度／ジャイロスコープＩＭＵ８０１を含めてもよい。ネットワーク使用可能デバイス上で実行中か、またはネットワークを介してリモートアクセス可能であるかいずれかの、ソフトウェアアプリケーションは、物理演算エンジン１００および対話型エンジン１０１と対話する機能を実行する。そのような既存の機能としては、投球前腕、上腕、骨盤、および上胴生体力学運動の計算、肘反力およびトルクの運動力学的解、試合／練習／シーズン／キャリア中の投球負荷のアルゴリズム計算、ピッチングおよび投球計数機能、ボールおよび腕速度の計算、骨盤、上胴、上腕、および前腕、ならびにそれらの関連する時間基準の運動力学チェーン速度および加速度の計算、ならびに成績および傷害予測の使用に対する傾向が含まれる。センサデータの主成分分析は、また、センサによって直接的に測定されない、追加のセグメントデータを抽出する、機械的等価値モデルを作成することを可能にする。

別の態様においては、図６Ｃに示されるように、ｍＲｕｎ ＡＣＬ Ｓｌｅｅｖｅガーメント８０６は、運動センサ８０１と、ＥＭＧ筋肉活動センサ８０５とに結合されて、ランニング、スプリント、カッティング（cutting）、ジャンプなどの、競技運動における傷害リスク因子と負荷を検出する。ｍＲｕｎ ＡＣＬ Ｓｌｅｅｖｅガーメント８０６は、試合、練習、または訓練中の運動場で使用することができる。ｍＲｕｎ ＡＣＬ Ｓｌｅｅｖｅガーメント８０６には、ｉＯＳ／Ａｎｄｒｏｉｄスマートフォンなどのモバイルデバイス８０２と、Ｂｌｕｅｔｏｏｔｈ（登録商標）またはその他のプロトコルを介してワイヤレスでインターフェイスする、６軸加速度計／ジャイロスコープＩＭＵ８０１と、四頭筋および膝腱上の２つのＥＭＧセンサ８０５とを含めてもよい。ネットワーク使用可能デバイス上で実行中であるか、またはネットワークを介してリモートアクセス可能であるかいずれかの、ソフトウェアアプリケーションは、物理演算エンジン１００および対話型エンジン１０１と対話する機能を実行する。そのような既存の機能としては、下肢運動学の計算、筋肉燃焼活動、および試合／練習／シーズン／キャリア中の運動負荷のアルゴリズム計算、成績および傷害予測の使用に対する傾向が含まれる。センサデータの主成分分析は、また、センサによって直接的に測定されない、追加のセグメントデータを抽出する、機械的等価値モデルを作成することを可能にする。

別の態様において、図６Ｄに示されるように、ｍＲｕｎ ＡＣＬ Ｌｅｇｇｉｎｓ Ｐｒｏガーメント８０７は、いかなるスポーツの競技者にも、傷害のリスクを低減し、成績を向上させる能力を与える。ガーメント８０７は、ＡＣＬ傷害リスクを取り込む、総合運動解析プラットフォームである。ｍＲｕｎ ＡＣＬ Ｌｅｇｇｉｎｓ Ｐｒｏガーメント８０７は、運動センサ８０１と筋肉活動センサ８０５とを使用し、任意の運動中の下半身全体をモニタリングする。ｍＲｕｎ ＡＣＬ Ｌｅｇｇｉｎｓ Ｐｒｏガーメント８０８は、任意の訓練プラットフォーム中に使用して、競技者がＡＣＬリスクスクリーニングを行うことを可能にしてもよい。そのような態様において、ガーメント８０８には、ｉＯＳ／Ａｎｄｒｏｉｄスマートフォンなどのモバイルデバイス８０２と、Ｂｌｕｅｔｏｏｔｈ（登録商標）またはその他のプロトコルを介してワイヤレスでインターフェイスする、２つの６軸加速度／ジャイロスコープＩＭＵ８０１と、四頭筋、膝腱、および中臀筋の上の６つのＥＭＧセンサ８０５とを含めてもよい。ネットワーク使用可能デバイス上で実行中であるか、またはネットワークを介してリモートアクセス可能であるかいずれかの、ソフトウェアアプリケーションは、物理演算エンジン１００および対話型エンジン１０１と対話する機能を実行する。そのような既存の機能としては、全下肢運動学および運動力学の計算、全下肢筋肉燃焼活動の計算、および試合／練習／シーズン／キャリア中の運動負荷のアルゴリズム計算、成績および傷害予測の使用が含まれる。センサデータの主成分分析は、また、センサによって直接的に測定されない、追加のセグメントデータを抽出する、機械的等価値モデルを作成することを可能にする。

別の態様において、ＳｍａｒｔＳｏｃｋｓガーメント８０９は、図６Ｅに示されるように、任意のスポーツに使用して、足運動、ランニングパターン、および重量分布をモニタリングすることができる。力センサアレイおよび運動センサと結合されて、ＳｍａｒｔＳｏｃｋｓガーメント８１０は、本明細書において開示されたガーメントのいずれともインターフェイスが可能であり、より総合的な経験を提供する。そのような態様において、ガーメント８１０には、ｉＯＳ／Ａｎｄｒｏｉｄスマートフォンなどのモバイルデバイス８０２と、Ｂｌｕｅｔｏｏｔｈ（登録商標）またはその他のプロトコルを介してワイヤレスでインターフェイスする、６軸加速度計／ジャイロスコープＩＭＵ８０１を含めてもよい。ネットワーク使用可能デバイス上で実行中であるか、またはネットワークを介してリモートアクセス可能であるかいずれかの、ソフトウェアアプリケーションは、物理演算エンジン１００および対話型エンジン１０１と対話する機能を実行する。追加のセンサテクノロジは、心拍数および呼吸数測定用の心臓センサ８１０、血液酸素化センサ８１１、発汗および脱水センサ８１２、フィールド運動モニタリング用のグローバル位置同定システムセンサ８１３、および重量分布および下肢運動力学計算用の力センサアレイ８１４を含めることである。合わせて、これらの要素は、練習および試合中の選手負荷の綿密な解析を可能にし、同時に成績および傷害を予報するためのダッシュボードの形態で、成績警報を提供する。態様８０９は、センサデータを８００、８０４、８０６、８０７と対にする能力も有する。

別の態様において、ｍＳｅｎｓｅデバイス８０１は、図６Ｆに示されるように、運動センサ８０１、心拍および呼吸モニタ８１９、酸素センサ８１１、発汗および脱水センサ８１２、およびＧＰＳ８１３を含み、試合、練習および訓練セッション中に、チームメンバをモニタリングする。ｍＳｅｎｓｅデバイス８０１は、競争力のある個人用に加えて、コーチが、チーム全体をモニタリングするために設計されており、任意のガーメントにはまり込んで、選手負荷をモニタリングするためにダッシュボードの形態のユーザインターフェイスを備える、自分の電話８０２とワイヤレスでインターフェイスする。そのような態様において、デバイス８０１には、ｉＯＳ／Ａｎｄｒｏｉｄスマートフォンなどのモバイルデバイス８０２と、Ｂｌｕｅｔｏｏｔｈ（登録商標）またはその他のプロトコルを介してワイヤレスでインターフェイスする、６軸加速度計／ジャイロスコープＩＭＵを含めてもよい。ネットワーク使用可能デバイス上で実行中であるか、またはネットワークを介してリモートアクセス可能であるかいずれかの、ソフトウェアアプリケーションは、物理演算エンジン１００および対話型エンジン１０１と対話する機能を実行する。

別の態様において、図６Ｇに示されるように、ｍＳｗｉｎｇグローブガーメント８１６は、運動センサ８０１と結合されて、それに限定はされないが、ゴルフスウィング、野球バットスウィング、ソフトボールバットスウィング、テニススウィング、およびラクロススウィングなどの、スウィング運動の負荷と成績をモニタリングする。ｍＳｗｉｎｇグローブガーメント８１６は、練習、試合、またはリハビリセッション中に利き手および／または非利き手に着用される。データは、ワークアウト全体を通して収集して、ｉＯＳ／Ａｎｄｒｏｉｄ電話またはその他のネットワーク使用可能デバイスへワイヤレスで送信してもよい。そのような態様において、ガーメント８１６には、ｉＯＳ／Ａｎｄｒｏｉｄスマートフォンなどのモバイルデバイス８０２と、Ｂｌｕｅｔｏｏｔｈ（登録商標）またはその他のプロトコルを介してワイヤレスでインターフェイスする、６軸加速度計／ジャイロスコープＩＭＵ８０１を含めてもよい。ネットワーク使用可能デバイス上で実行中であるか、またはネットワークを介してリモートアクセス可能であるかいずれかの、ソフトウェアアプリケーションは、物理演算エンジン１００および対話型エンジン１０１と対話する機能を実行する。そのような既存の機能としては、被保持物体運動の計算、手首反力およびトルクの運動力学解、試合／練習／シーズン／キャリア中のスウィング負荷、スウィング計数機能、被保持物体速度、運動学および時間尺度の計算、および成績および傷害予報の使用の傾向が含まれる。センサデータの主成分分析は、また、センサによって直接的に測定されない、追加のセグメントデータを抽出する、機械的等価値モデルを作成することを可能にする。

一態様において、図６Ｈに示されているような、ｍＢａｎｄリストバンドガーメント８１７は、運動センサ８０１と結合されて、それに限定はされないが、ゴルフスウィング、野球バットスウィング、ソフトボールバットスウィング、テニススウィング、およびラクロススウィングなどの、スウィング運動の負荷と成績とをモニタリングする。ｍＢａｎｄリストバンドガーメント８１７は、練習、試合、またはリハビリセッション中に利き手および／または非利き手に着用される。データは、ワークアウト全体を通して収集して、ｉＯＳ／Ａｎｄｒｏｉｄ電話またはその他のネットワーク使用可能デバイスへワイヤレスで送信してもよい。そのような態様において、ガーメント８１７には、ｉＯＳ／Ａｎｄｒｏｉｄスマートフォンなどのモバイルデバイス８０２と、Ｂｌｕｅｔｏｏｔｈ（登録商標）またはその他のプロトコルを介してワイヤレスでインターフェイスする、６軸加速度計／ジャイロスコープＩＭＵ８０１を含めてもよい。ネットワーク使用可能デバイス上で実行中であるか、またはネットワークを介してリモートアクセス可能であるかいずれかの、ソフトウェアアプリケーションは、物理演算エンジン１００および対話型エンジン１０１と対話する機能を実行する。そのような既存の機能としては、被保持物体運動の計算、手首反力およびトルクの運動力学解、試合／練習／シーズン／キャリア中のスウィング負荷、スウィング計数機能、被保持物体速度、運動学および時間尺度の計算、および成績および傷害予報の使用の傾向が含まれる。センサデータの主成分分析は、また、センサによって直接的に測定されない、追加のセグメントデータを抽出する、機械的等価値モデルを作成することを可能にする。

先述の物理演算エンジン１００およびそれによって実行されるプロセスまたは機能は、図７を参照して記述されたように、オペレーティングシステムの制御下で実行され、１つまたは２つ以上の主要ハードウェアプラットフォーム上で動作する、コンピュータプログラムコードで実現してもよい。図７を参照すると、コンピュータシステム５００は、中央処理ユニット５０２（ＣＰＵ）、ランダムアクセスメモリ５３２（ＲＡＭ）および読取り専用メモリ５３４（ＲＯＭ）の一方または両方を含む、システムメモリ５３０、およびシステムメモリ５３０をＣＰＵ５０２に結合する、システムバス５１０を含む。起動中などに、コンピュータアーキテクチャ５００内部の要素間の情報の転送を助ける、基本ルーチンを包含する入出力システムを、ＲＯＭ５３４内に記憶することができる。コンピュータアーキテクチャ５００には、オペレーティングシステム５２２、ソフトウェア、データ、およびアプリケーション５８０に関連する、様々なプログラムモジュール６００を記憶するための、大容量記憶デバイス５２０をさらに含めてもよく、このアプリケーション５８０としては、物理演算エンジン１００、ハードウェアエンジン１０２または対話型エンジン１００のいずれかを参照して本明細書で記述された、それらの１つ、または任意の組合せが、解析エンジン５２４などの、専用アプリケーションによって実行可能である、機能が挙げられる。

大容量記憶デバイス５２０は、バス５１０に接続された大容量記憶コントローラ（図示せず）を介して、ＣＰＵ５０２に接続されてもよい。大容量記憶デバイス５２０およびその関連のコンピュータ可読媒体は、コンピュータアーキテクチャ５００用の不揮発記憶を提供することができる。本明細書に包含されるコンピュータ可読媒体の説明は、ハードディスクまたはＣＤ−ＲＯＭなどの、大容量記憶デバイスを指すが、当業者によれば、コンピュータ可読媒体は、コンピュータアーキテクチャ５００によってアクセス可能な、任意の利用可能なコンピュータ記憶媒体とすることができることが理解される筈である。

説明のためであり、限定としてではなく、コンピュータ可読媒体としては、コンピュータ可読命令、データ構造、プログラムモジュール、またはその他のデータなどの情報の非一時的記憶用として、任意の方法またはテクノロジで実現される、揮発性および不揮発性、取外し可能および取外し不能な媒体が挙げられる。例えば、コンピュータ可読媒体としては、それに限定はされないが、ＲＡＭ、ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリ、またはその他のソリッドステートメモリテクノロジ、ＣＤ−ＲＯＭ、ディジタルバーサタイルディスク（ＤＶＤ）、ＨＤーＤＶＤ、ＢＬＵ−ＲＡＹ、またはその他の光学記憶装置、磁気カセット、磁気テープ、磁気ディスク記憶、またはその他の磁気記憶デバイス、あるいは所望の情報を記憶するのに使用することができて、コンピュータアーキテクチャ５００によってアクセス可能な、任意その他の媒体が挙げられる。

様々な態様によれば、コンピュータアーキテクチャ５００は、ネットワーク５９９などのネットワークを介する、遠隔の物理エンティティまたは仮想エンティティへの論理接続を使用して、ネットワーク環境において動作させてもよい。コンピュータアーキテクチャ５００は、バス５１０に接続されたネットワークインターフェイスユニット５０４を介して、ネットワーク５９９に接続してもよい。ネットワークインターフェイスユニット５０４は、その他のタイプのネットワークおよびリモートコンピュータシステムに接続するのに使用してもよいことが理解されるであろう。コンピュータアーキテクチャ５００には、また、キーボード、マウス、または電子スタイラス（図示せず）を含む、複数の他のデバイスから入力を受け取って処理するための、入出力コントローラを含めてもよい。同様に、入出力コントローラは、ビデオディスプレイ５０６、プリンタ、またはその他のタイプの出力デバイスへ出力をしてもよい。またグラフィックスプロセッサユニット５２５を、バス５１０に接続してもよい。

上記に概説したように、複数のプログラムモジュールおよびデータファイルを、コンピュータアーキテクチャ５００の大容量記憶デバイス５２０およびＲＡＭ５３２に記憶してもよく、それには、ネットワーク化されたデスクトップ、ラップトップ、サーバコンピュータ、またはその他の計算環境の動作を制御するのに適する、オペレーティングシステム５２２が含まれる。大容量記憶デバイス５２０、ＲＯＭ５３４、およびＲＡＭ５３２はまた、１つまたは２つ以上のプログラムモジュールを記憶してもよい。特に、大容量記憶デバイス５２０、ＲＯＭ５３４、およびＲＡＭ５３２は、ＣＰＵ５０２による実行のためのエンジン５２４を記憶してもよい。エンジン５２４には、本明細書に記載したプロセスの部分を実現するための、ソフトウェア構成要素を含めることができる。大容量記憶デバイス５２０、ＲＯＭ５３４、およびＲＡＭ５３２は、その他のタイプのプログラムモジュールを記憶することもできる。

エンジン５２４内部の様々なモジュールなどの、ソフトウェアモジュールは、システムメモリ５３０、大容量記憶デバイス５２０、またはその他と関連づけてもよい。態様によれば、解析エンジン５２４は、ネットワーク５９９上に記憶して、ネットワーク５９９内部の任意のコンピュータによって実行してもよい。データベース５７２および５７２は、取得したデータまたは処理されたデータのいずれか、理想化されたモデル、および／または本明細書において記載された運動学および運動力学データを記憶するのに使用してもよく、そのようなデータベースは、ネットワーク５９９およびネットワークインターフェイス５０４にリモートで結合されている。
ソフトウェアモジュールには、ＣＰＵ５０２にロードされて実行されると、汎用計算システムを、本明細書において開示された技法の全部または一部を促進するようにカスタム化された、専用計算システムに変換する、ソフトウェア命令を含めてもよい。本明細書の全体にわたって詳述したように、プログラムモジュールは、様々なツールまたは技法を提供し、それによって、コンピュータアーキテクチャ５００は、本明細書において考察した構成要素、論理フロー、および／またはデータ構造を使用して、全体システムまたは動作環境内に参加してもよい。

ＣＰＵ５０２は、個別に、または集合的に、任意の数の状態をとることのできる、任意の数のトランジスタまたはその他の回路要素で構築してもよい。より具体的には、ＣＰＵ５０２は、状態マシンまたは有限状態マシンとして動作してもよい。そのようなマシンは、プログラムモジュール内に収納された、実行可能な命令をロードすることによって、第２のマシン、または特定のマシンに変換してもよい。これらのコンピュータ実行可能な命令は、ＣＰＵ５０２が状態間で遷移する方法を規定して、それによってＣＰＵ５０２を構成するトランジスタまたは、その他の回路要素を、第１のマシンから第２のマシンへと変換させることによって、ＣＰＵ５０２を変換してもよく、ここで第２のマシンは、インデックスの生成を管理するように特に構成してもよい。いずれかのマシンの状態は、入出力コントローラ、ネットワークインターフェイスユニット５０４、その他の周辺機器、その他のインターフェイス、または１つまたは２つ以上のユーザまたはその他のアクタと関連づけられた、１つまたは２つ以上のユーザ入力デバイスからの入力を受け取ることによって変換してもよい。いずれかのマシンは、状態を変換するか、またはプリンタ、スピーカ、ビデオディスプレイ、またはその他などの様々な出力デバイスの様々な物理特性を変換してもよい。

実行可能なコンピュータプログラムコードモジュールの符号化は、記憶媒体の物理構造を変換してもよい。物理構造の具体的な変換は、本明細書の異なる実現形態における、様々な因子に依存することがある。そのような因子の例としては、それに限定はされないが、記憶媒体を実現するのに使用されるテクノロジ、記憶媒体が１次記憶または２次記憶として特徴づけられるかどうか、その他を挙げることができる。例えば、記憶媒体が、半導体ベースメモリとして実現される場合には、プログラムモジュールは、ソフトウェアがその中に符号化されるときに、システムメモリ５３０の物理的状態を変換することができる。例えば、ソフトウェアは、トランジスタ、キャパシタ、またはシステムメモリ５３０を構成するその他の単独回路要素の状態を変換してもよい。

別の例として、記憶媒体は、磁気または光学テクノロジを使用して実現してもよい。そのような実現形態においては、プログラムモジュールは、ソフトウェアがその中に符号化されるときに、磁気または光学媒体の物理的状態を変換してもよい。これらの変換には、所与の磁気媒体内の特定の場所の磁気特性を変更することを含めてもよい。これらの変換にはまた、所与の光学媒体内の特定の場所の物理的特徴または特性を変更して、それらの場所の光学特性を変化させることを含めてもよい。なお、物理媒体のその他の様々な変換が、本明細書の範囲および趣旨から逸脱することなく、可能であることを理解すべきである。

図８は、開示されたシステムの構成要素をその中で実現してもよい、ネットワークトポロジを概念的に示す。図８のネットワークトポロジに示された、エンジン１００、１０２または１０３、およびデータ処理システム１１０、１１３Ａ〜Ｃ、１１２〜１１８のいずれも、デスクトップコンピュータ、ラップトップコンピュータ、タブレットコンピュータ、またはｉＰｈｏｎｅ（登録商標）またはアンドロイドオペレーティングシステムベースのデバイスなどの、スマートフォン／パーソナルディジタルアシスタンツを含む、図７に示されたものと類似の処理アーキテクチャで実現してもよい。なお、図８に示されたシステムのいずれも、ワイドエリアネットワーク（ＷＡＮ）１２５またはローカルエリアネットワーク（ＬＡＮ）１１５または両方を介するか、あるいは既知のネットワークインフラストラクチャおよび構成要素、プロトコル、および／またはトポロジを使用する、それらのハイブリッド組合せを介して、相互運用可能に接続してもよいことに留意されたい。例えば、デバイス２１２〜２１５のいずれも、物理ネットワークを介して物理的に、またはワイヤレスで、あるいはそれらの任意の組合せを介して、ハードウェアエンジン１０２に接続することができる。同様に、デバイス３０６〜３０９のいずれも、物理ネットワークを介して、またはワイヤレスで、あるいはそれらの任意の組合せにより、インターフェイスエンジン１０３に結合することができる。同様に、エンジン１００、１０２、１０３のいずれも、ＷＡＮ１２５またはＬＡＮ１１５を介して接続してもよく、そのいずれの部分も、それぞれのネットワークノード間でワイヤレス接続としてもよく、そのシステムの全体が、システム１１０として示されている。システム１１２〜１１８は、追加のデータベースを含み、より多くのユーザが、システム１１０とリモートで相互作用することができる。

読者は、本明細書に記載された、様々なシステム、要素および方法は、被験者、およびそれに所持されて近傍にある、任意の物体の運動への準リアルタイムフィードバックの送達を可能にする。
本明細書において開示されたシステムおよび技法の様々な態様を、特定のスポーツおよび／またはそのような活動に関係するガーメントを参照して説明したが、当業者にとっては、本明細書において開示されたシステムおよびプロセスに対する修正は、本開示の趣旨と範囲から逸脱することなく行うことができることは明白であろう。例えば、解析に有用な運動データを送信することのできる、任意のタイプのウェアラブルガーメントを、本明細書に記載されたシステムおよび技法とともに使用してもよい。さらに、記載されたネットワーク実現形態にもかかわらず、パブリックおよびプライベートのネットワークの任意の組合せを含み、任意の既存または将来のネットワークまたは通信インフラストラクチャテクノロジを使用してもよい。さらに、具体的なアルゴリズムフロー図またはデータ構造を図解したが、これらは、例示だけを目的とするものであり、同じ機能を達成するか、または異なるデータ構造またはフォーマットを使用したその他のプロセスも、本明細書に記載される概念の範囲内であると見なされる。したがって、本明細書で記載された例示的態様は、説明目的であり、限定を意図するものではない。

Claims (21)

1. 被験者または物体の運動に基づく規範的フィードバックを提供するためのシステムであって、
   Ａ）被験体または物体の運動についてのデータを採集するハードウェアエンジン、
   Ｂ）前記ハードウェアエンジンに動作可能に結合されて、前記採集された運動データを処理し、前記処理された運動データを、理想化された運動モデルを表わす、先に記憶された生体力学データと相関させる、物理演算エンジン、および
   Ｃ）データ採集デバイスと前記物理演算エンジンとに動作可能に結合されて、前記被験体または物体の運動において識別された欠陥についての規範的フィードバックを提供するように構成された、対話型インターフェイス
   を含む、システム。
2. 対話インターフェイスが、被験体または物体の運動の適合性モニタリングを可能にするようにさらに構成されている、請求項２に記載のシステム。
3. ハードウェアエンジンが、被験体または物体の運動についてデータを採集するように構成された、複数のデータ採集デバイスを含む、請求項１に記載のシステム。
4. 複数のデータ採集デバイスの少なくとも１つが、被験体または物体の上に設置された反射マーカーからの３次元位置データを収集する、光学式モーションキャプチャデバイスを含む、請求項３に記載のシステム。
5. 複数のデータ採集デバイスの少なくとも１つが、３次元の並進および回転運動データを収集する、被験体または物体上に配置された慣性測定ユニットを含む、請求項３に記載のシステム。
6. 複数のデータ採集デバイスの少なくとも１つが、運動データの３次元ポイントクラウドを取り込むように構成された、赤外線走査デバイスを含む、請求項３に記載のシステム。
7. 物理演算エンジンが、被験体または物体の運動学および運動力学を計算する、採集された運動データの１つまたは２つ以上のアルゴリズムプロセスを実行するように構成されている、請求項３に記載のシステム。
8. 物理演算エンジンが、イベント検出アルゴリズムを使用して、特定の運動中に関心点を特定するように構成されている、請求項７に記載のシステム。
9. 物理演算エンジンが、複数のセグメントを有する被験体のモデルを定義するように構成されている、請求項７に記載のシステム。
10. 物理演算エンジンが、各セグメントの角速度成分、各セグメントの角加速度成分、および各セグメント質量中心の線形加速度成分を使用して、被験体の運動の逆動力学モデルを計算するようにさらに構成されている、請求項９に記載のシステム。
11. 被験者または物体の運動に基づく規範的フィードバックを提供する方法であって、
    Ａ）被検体または物体の運動についてのデータを採集すること、
    Ｂ）前記採集された運動データを処理し、処理された運動データを、理想化された運動モデルを表わす、先に記憶された生体力学データと相関させること、および
    Ｃ）被験体または物体の運動において識別された欠陥について規範的フィードバックを提供すること、
    を含む、方法。
12. Ｅ）被験体または物体の運動の、適合性モニタリングを可能にすることをさらに含む、請求項１１に記載の方法。
13. 対話インターフェイスが、被験体または物体の運動の適合性モニタリングを可能にするようにさらに構成されている、請求項１１に記載の方法。
14. Ａ）被検体または物体の運動についてのデータを採集することが、
    Ａ１）被験体または物体の上に設置された反射マーカーからの３次元位置データを収集する、光学式モーションキャプチャデバイスで、被験体または物体の運動についてのデータを採集することを含む、請求項１１に記載の方法。
15. Ａ）被検体または物体の運動についてのデータを採集することが、
    Ａ１）３次元並進および回転運動データを収集する、被験体または物体上に配置された慣性測定ユニットで、被験体または物体の運動についてのデータを採集することを含む、請求項１１に記載の方法。
16. Ａ）被検体または物体の運動についてのデータを採集することが、
    Ａ１）移動データの３次元ポイントクラウドを取り込むように構成された赤外線走査デバイスで、被験体または物体の運動についてのデータを採集することを含む、請求項１１に記載の方法。
17. Ｂ）が、
    Ｂ１）被験体または物体の運動学および運動力学を計算するために、採集された運動データの１つまたは２つ以上のアルゴリズムプロセスを実行することを含む、請求項１１に記載の方法。
18. Ｂ）が、
    Ｂ１）イベント検出アルゴリズムを使用して、特定の運動中の関心点を特定することを含む、請求項１７に記載の方法。
19. Ｂ）は、
    Ｂ１）複数のセグメントを有する被験体のモデルを特定することを含む、請求項１７に記載の方法。
20. Ｂ）が、
    Ｂ１）各セグメントの角速度成分、各セグメントの角加速度成分、および各セグメント質量中心の線形加速度成分を使用して、被験体の運動の逆動力学モデルを計算することを含む、請求項１７に記載の方法。
21. 被験者または物体の運動に基づく規範的フィードバックを提供する方法であって、
    Ａ）被検体または物体の運動についての運動データを採集すること、
    Ｂ）運動データを処理すること、
    Ｃ）プロセス運動データを、理想化された運動モデルを表わす、先に記憶された生体力学データと相関させること、および
    Ｄ）ウェアラブルテクノロジまたは対話型プラットフォームのいずれから採集された運動データに基づいて、被験体または物体の運動において識別された欠陥についての規範的フィードバックを提供すること、を含む、前記方法。