JP6337447B2 - 姿勢分類方法、情報処理装置およびプログラム - Google Patents

Description

本発明は、姿勢分類方法、情報処理装置およびプログラムに関する。

人体の姿勢は、職業性疾病の６割を占めている腰痛と関係することが知られている。そこで、勤務時などにおける人物の姿勢がどのようになっているかを計測して、腰痛を発症する可能性のある人物に警告や指導を与えることが考えられている。

姿勢を計測する方法としては、例えば、カメラと足圧センサとを用いた方法があるが、この方法では特定の場所以外では計測を行うことができず、日常的に姿勢をモニタリングすることができない。そこで、近年、ウェアラブルセンサを用いた姿勢の計測法が考えられている。例えば、人体に装着した３軸の加速度センサによる測定値を基に、スペクトル解析を用いてパラメータを求め、パラメータを所定の閾値と比較することで、計測対象の人物の姿勢をあらかじめ決められた複数の分類項目の１つに分類する方法がある。

また、姿勢の推定に関する技術の例としては、人体の撮像画像に基づいて姿勢を認識し、その姿勢に対応する姿勢情報を、顔画像の大きさに基づく拘束条件に基づいて補正するものがある。

さらに、人間の手など、先端部と関節とによって形状が定まるモデル対象物の形状モデルを生成する装置において、あらかじめ定められた関節の自由度および回転角度に関する拘束条件と、先端部の位置情報とに基づいて、先端部とリンクした関節の角度を算出するようにしたものがある。

特開２０１０―１２５２３９号公報 特開２０１１―２５３２９２号公報 特開２００２−９２５８９号公報

上記のように、加速度センサによる測定値に基づくパラメータを所定の閾値と比較する方法では、姿勢を高精度に分類できないという問題があった。
１つの側面では、本発明は、人体の姿勢を高精度に分類可能な姿勢分類方法、情報処理装置およびプログラムを提供することを目的とする。

１つの案では、次のような処理が実行される姿勢分類方法が提供される。この姿勢分類方法は、人体の姿勢を複数種類に分類した姿勢種類ごとに、複数方向に対する人体の傾きを測定した第１の測定値を複数個取得し、姿勢種類ごとの複数の第１の測定値を基に、測定値の確率モデルを生成するためのパラメータを姿勢種類ごとに算出して、記憶装置に格納し、第１の測定値とそれぞれ同じ複数方向に対する人体の傾きを測定した第２の測定値を取得し、第２の測定値と、記憶装置に格納されたパラメータを基にそれぞれ生成される姿勢種類ごとの確率モデルとに基づいて、第２の測定値の測定対象の人体の姿勢を、複数種類の姿勢種類のいずれかに分類する、処理を含む。

また、１つの案では、情報処理装置が提供される。この情報処理装置は、測定値取得部と、パラメータ算出部とを有する。測定値取得部は、複数方向に対する人体の傾きを測定した測定値を取得する。パラメータ算出部は、測定値取得部が、人体の姿勢を複数種類に分類した姿勢種類ごとに、複数方向に対する人体の傾きを測定した第１の測定値を複数個取得すると、姿勢種類ごとの複数の第１の測定値を基に、測定値の確率モデルを生成するためのパラメータを姿勢種類ごとに算出して、記憶装置に格納する。

さらに、１つの案では、上記の情報処理装置と同様の処理をコンピュータに実行させるプログラムが提供される。

１態様によれば、人体の姿勢を高精度に分類できる。

第１の実施の形態に係る情報処理装置の構成例および処理例を示す図である。 第２の実施の形態に係る姿勢計測システムの構成例を示す図である。 第２の実施の形態に係る姿勢分類装置のハードウェア構成例を示す図である。 センサデバイスによる測定値について示す図である。 姿勢の分類項目の例を示す図である。 姿勢分類装置が備える機能の例を示すブロック図である。 姿勢分類装置による処理全体の手順の例を示すフローチャートである。 学習処理における特徴量算出の処理手順の例を示すフローチャートである。 姿勢パラメータ算出の処理手順の例を示すフローチャートである。 本処理における特徴量算出の処理手順の例を示すフローチャートである。 姿勢分類の処理手順の例を示すフローチャートである。 姿勢分類のための計算について説明するための図である。 測定により得られた変数と、矩形の判定領域との比較によって姿勢分類を行う場合の参考図である。 センサデバイスの装着位置を示す図である。 センサデバイスの位置に応じた正解率の算出例を示すグラフである。 第３の実施の形態に係る姿勢計測システムの構成例を示す図である。 第３の実施の形態に係る姿勢分類装置が備える機能の構成例を示すブロック図である。 処理例１での正解率の算出例を示すグラフである。 背中を前後方向に傾けた場合の姿勢の例を示す図である。 処理例２における姿勢パラメータ算出の処理手順の例を示すフローチャートである。 処理例２での正解率の算出例を示すグラフである。 背中が斜めに傾いた場合の姿勢の例を示す図である。 姿勢の変化が前後方向に限定される場合の姿勢角度の分布例を示す図である。 姿勢が斜め方向にも変化する場合の姿勢角度の分布例を示す図である。 処理例３における姿勢パラメータ算出の処理手順の例を示すフローチャートである。 処理例３での正解率の算出例を示すグラフである。 分類項目ごとの正解率の算出例を示すグラフである。 処理例４における姿勢パラメータ算出の処理手順の例を示すフローチャートである。 第４の実施の形態に係る端末装置の構成例を示すブロック図である。

以下、本発明の実施の形態について図面を参照して説明する。
〔第１の実施の形態〕
図１は、第１の実施の形態に係る情報処理装置の構成例および処理例を示す図である。図１に示す情報処理装置１は、測定値取得部２、パラメータ算出部３、分類処理部４および記憶装置５を有する。測定値取得部２、パラメータ算出部３、分類処理部４の処理は、例えば、情報処理装置１が備えるプロセッサが所定のプログラムを実行することにより実現される。記憶装置５は、例えば、ＨＤＤ（Hard Disk Drive）などの不揮発性記憶装置によって実現される。なお、記憶装置５は、情報処理装置１の外部に設けられていてもよい。

測定値取得部２は、複数方向に対する人体（被験者１１）の傾きを測定した測定値を取得する。取得される測定値は、被験者１１に装着されたセンサ１２から出力される測定値に基づくものである。

ここで、測定値取得部２が取得する測定値とは、センサ１２から出力される測定値そのものであってもよいし、あるいは、センサ１２から出力される測定値を基に計算によって得られたものであってもよい。例えば、センサ１２が３軸加速度センサである場合、測定値取得部２は、センサ１２から出力された加速度の測定値を基に、複数方向に対する被験者１１の傾きを示す測定値を計算によって求める。

なお、センサ１２は、例えば、被験者１１の背中に装着される。
パラメータ算出部３は、分類処理部４での姿勢の分類処理で使用されるパラメータ２１を算出して、記憶装置５に格納する。分類処理部４は、記憶装置５に格納されたパラメータ２１を使用して、被験者１１の姿勢の分類処理を行う。ここで、パラメータ算出部３は、分類処理部４での姿勢の分類処理より前の「学習工程」で動作する。

学習工程では、測定値取得部２は、人体の姿勢を複数種類に分類した姿勢種類ごとに、複数方向に対する人体の傾きを測定した第１の測定値３１を複数個取得する。すなわち、第１の測定値３１は、姿勢種類ごとに複数個取得される。

姿勢種類とは、姿勢の状態を分類するものであり、例えば、背中が直立している、背中が前傾している、背中が後傾している、といった状態別に分類することができる。また、学習工程では、ある姿勢種類に対応する第１の測定値３１を取得する場合に、被験者１１にその姿勢種類に該当するような姿勢をとらせ、その状態でセンサ１２による測定が行われる。

パラメータ算出部３は、測定値取得部２により取得された第１の測定値３１を基に、パラメータ２１を算出する。具体的には、パラメータ算出部３は、ある姿勢種類に対応する複数個の第１の測定値３１を基に、測定値の確率モデル２２を生成するためのパラメータ２１を算出する。確率モデル２２は、例えば、多次元正規分布に従う測定値の確率モデルである。このような算出処理が姿勢種類ごとに実行されることで、それぞれ個別の姿勢種類に対応する複数のパラメータ２１が算出されて、記憶装置５に格納される。

学習工程が終了した後、姿勢分類のための工程が行われる。姿勢分類のための工程では、被験者１１が任意の姿勢をとった状態で、センサ１２による測定があらためて行われ、測定値取得部２は、複数方向に対する被験者１１の傾きを測定した第２の測定値３２を取得する。このとき、第２の測定値３２が複数個取得されてもよい。

分類処理部４は、取得された第２の測定値３２と、記憶装置５に格納されたパラメータ２１を基にそれぞれ生成される姿勢種類ごとの確率モデル２２とに基づいて、測定対象の被験者１１の姿勢を、複数の姿勢種類のいずれかに分類する。すなわち、分類処理部４は、ある姿勢種類に対応するパラメータ２１を基に、その姿勢種類に対応する確率モデル２２を生成する。このようにして、姿勢種類ごとに確率モデル２２が生成される。そして、分類処理部は、姿勢種類ごとに生成された確率モデル２２と、第２の測定値３２とに基づいて、測定対象の被験者１１の姿勢を、複数の姿勢種類のいずれかに分類する。

確率モデル２２は、例えば、第２の測定値３２が、対応する姿勢種類に分類される確率を計算するための計算式として表される。この場合、分類処理部４は、姿勢種類ごとに確率の計算を行い、算出された確率が最も高い姿勢分類に、被験者１１の姿勢を分類する。

以上の情報処理装置１によれば、姿勢種類ごとに、複数方向に対する被験者１１の傾きを測定した複数個の第１の測定値３１に基づいて、測定値の確率モデル２２を生成するためのパラメータ２１が、姿勢種類ごとに算出される。そして、第２の測定値３２が取得されると、第２の測定値３２と、算出されたパラメータ２１を基にそれぞれ生成される確率モデル２２とに基づいて、被験者１１の姿勢がいずれかの姿勢種類に分類される。これにより、人体の姿勢を高精度に分類できるようになる。

なお、以上の第１の実施の形態では、学習工程と、その後の姿勢分類のための工程とで、被験者１１が同一とされたが、各工程の被験者が別人であってもよい。また、例えば、学習工程において姿勢種類ごとに取得される複数個の第１の測定値３１は、複数の被験者から得られたものであってもよい。

〔第２の実施の形態〕
図２は、第２の実施の形態に係る姿勢計測システムの構成例を示す図である。姿勢計測システム１００は、センサデバイス１１０、端末装置１２０および姿勢分類装置２００を含む。端末装置１２０と姿勢分類装置２００とは、ネットワーク１３０を介して接続されている。

センサデバイス１１０は、人体に取り付けられて使用される、いわゆる“ウェアラブルセンサ”である。具体的には、センサデバイス１１０は、人体の背中に取り付けられる。また、センサデバイス１１０は、重力方向を基準とした３軸方向の加速度を検出する３軸加速度センサを備える。なお、３軸方向がどのように規定されるかについては後述する。

端末装置１２０は、例えばユーザによる操作に応じて、センサデバイス１１０に加速度の測定を実行させる。端末装置１２０は、センサデバイス１１０から出力された測定値を、ネットワーク１３０を通じて姿勢分類装置２００に送信する。

姿勢分類装置２００は、端末装置１２０から送信された、センサデバイス１１０による測定値を基に、測定対象の人体の姿勢を推定する。具体的には、姿勢分類装置２００は、センサデバイス１１０による測定値を基に、測定対象の人体の姿勢をあらかじめ決められた複数の姿勢分類項目のうちの１つに分類する。また、姿勢分類装置２００は、姿勢の分類処理時に使用される制御パラメータを算出する処理も実行可能である。

図３は、第２の実施の形態に係る姿勢分類装置のハードウェア構成例を示す図である。姿勢分類装置２００は、例えば、図３のようなコンピュータとして実現される。
姿勢分類装置２００は、プロセッサ２０１によって装置全体が制御されている。プロセッサ２０１は、マルチプロセッサであってもよい。プロセッサ２０１は、例えばＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＡＳＩＣ（Application Specific Integrated Circuit）、またはＰＬＤ（Programmable Logic Device）である。またプロセッサ２０１は、ＣＰＵ、ＭＰＵ、ＤＳＰ、ＡＳＩＣ、ＰＬＤのうちの２以上の要素の組み合わせであってもよい。

プロセッサ２０１には、バス２０８を介して、ＲＡＭ（Random Access Memory）２０２と複数の周辺機器が接続されている。
ＲＡＭ２０２は、姿勢分類装置２００の主記憶装置として使用される。ＲＡＭ２０２には、プロセッサ２０１に実行させるＯＳ（Operating System）プログラムやアプリケーションプログラムの少なくとも一部が一時的に格納される。また、ＲＡＭ２０２には、プロセッサ２０１による処理に必要な各種データが格納される。

バス２０８に接続されている周辺機器としては、ＨＤＤ２０３、グラフィック処理装置２０４、入力インタフェース２０５、読み取り装置２０６および通信インタフェース２０７がある。

ＨＤＤ２０３は、姿勢分類装置２００の補助記憶装置として使用される。ＨＤＤ２０３には、ＯＳプログラム、アプリケーションプログラム、および各種データが格納される。なお、補助記憶装置としては、ＳＳＤ（Solid State Drive）などの他の種類の不揮発性記憶装置を使用することもできる。

グラフィック処理装置２０４には、表示装置２０４ａが接続されている。グラフィック処理装置２０４は、プロセッサ２０１からの命令に従って、画像を表示装置２０４ａの画面に表示させる。表示装置としては、ＣＲＴ（Cathode Ray Tube）を用いた表示装置や液晶表示装置などがある。

入力インタフェース２０５には、入力装置２０５ａが接続されている。入力インタフェース２０５は、入力装置２０５ａから出力される信号をプロセッサ２０１に送信する。入力装置２０５ａとしては、キーボードやポインティングデバイスなどがある。ポインティングデバイスとしては、マウス、タッチパネル、タブレット、タッチパッド、トラックボールなどがある。

読み取り装置２０６には、可搬型記録媒体２０６ａが脱着される。読み取り装置２０６は、可搬型記録媒体２０６ａに記録されたデータを読み取ってプロセッサ２０１に送信する。可搬型記録媒体２０６ａとしては、光ディスク、光磁気ディスク、半導体メモリなどがある。

通信インタフェース２０７は、ネットワーク１３０を介して、端末装置１２０などの他の装置との間でデータの送受信を行う。
以上のようなハードウェア構成によって、姿勢分類装置２００の処理機能を実現することができる。

なお、端末装置１２０についても、図３と同様のハードウェア構成を有するコンピュータとして実現可能である。また、端末装置１２０は、例えば、ノート型パーソナルコンピュータ、タブレット型情報端末などの可搬型の情報処理装置であってもよい。この場合、センサデバイス１１０の機能が端末装置１２０に組み込まれていてもよい。

図４は、センサデバイスによる測定値について示す図である。
図４の右側に示すように、センサデバイス１１０は、被験者１４０の背中に装着される。そして、センサデバイス１１０は、被験者１４０の上半身の姿勢を推定するための測定値を出力する。後述するように、姿勢分類装置２００は、センサデバイス１１０による測定値を基に、被験者１４０の背中の傾きおよび湾曲状態を分類する。なお、被験者１４０の背中の傾きおよび湾曲状態を分類可能であれば、センサデバイス１１０の搭載位置は背中に限らず、例えば、肩や首であってもよい。

図４の左側に示すように、センサデバイス１１０は、ｘ方向、ｙ方向、ｚ方向のそれぞれに対する加速度を測定する。ｘ方向、ｙ方向、ｚ方向は、重力ｇの方向に対する相対的な方向として検知される。

ｘ方向は、被験者１４０の背中に対して前後方向に直交する方向を示し、ｙ方向は、被験者１４０の背中に対して左右方向に直交する方向を示す。本実施の形態では、図４に示すように、ｘ方向については被験者１４０の後側方向を正の方向とし、ｙ方向については被験者１４０の右側方向を正の方向とする。

ｚ方向は、被験者１４０の背中に沿った方向を示す。本実施の形態では、被験者１４０の上半身が起きている状態で測定を行うものとするので、ｚ方向は、地面に対して鉛直またはそれに近い方向となる。また、本実施の形態では、図４に示すように、ｚ方向については上方向を正の方向とする。

図５は、姿勢の分類項目の例を示す図である。姿勢分類装置２００は、被験者の姿勢が図５に示す１３種類の分類項目のどれに属するかを判定するものとする。また、これらの分類項目は、５種類の大分類と３種類の小分類とに分けられる。

大分類は、被験者の背中の傾きを分類するものであり、「直立」、「前傾」、「後傾」、「右傾」および「左傾」の５種類に分類される。「直立」は、被験者の背中が直立状態であり、前後方向にも左右方向にも傾いていないことを示す。「前傾」は、被験者の背中が前側に傾いていることを示す。「後傾」は、被験者の背中が後側に傾いていることを示す。「右傾」は、被験者の背中が右側に傾いていることを示す。「左傾」は、被験者の背中が左側に傾いていることを示す。

小分類は、被験者の背中の湾曲状態を分類するものであり、「真っ直ぐ」、「反り」および「猫背」の３種類に分類される。「真っ直ぐ」は、被験者の背中が直線状であり、湾曲していないことを示す。「反り」は、被験者の背中が凹むように（すなわち、背骨の後側が凹むように）湾曲していることを示す。「猫背」は、被験者の背中が突出するように（すなわち、背骨の後側が突出するように）湾曲していることを示す。

全体の分類項目としては、「直立」、「前傾」および「後傾」のそれぞれについては、さらに「真っ直ぐ」、「反り」および「猫背」の３種類に分類される。また、「右傾」および「左傾」のそれぞれについては、さらに「真っ直ぐ」と「猫背」の２種類にのみ分類されるものとする。これにより、被験者の姿勢は合計１３種類の分類項目に分類される。

図６は、姿勢分類装置が備える機能の例を示すブロック図である。
姿勢分類装置２００は、データ取得部２１１、特徴量算出部２１２、姿勢パラメータ算出部２１３、姿勢パラメータ記憶部２１４、姿勢分類処理部２１５および正解率算出部２１６を有する。データ取得部２１１、特徴量算出部２１２、姿勢パラメータ算出部２１３、姿勢分類処理部２１５および正解率算出部２１６の各処理は、例えば、姿勢分類装置２００が備えるプロセッサ２０１が所定のプログラムを実行することで実現される。また、姿勢パラメータ記憶部２１４は、例えば、姿勢分類装置２００が備えるＨＤＤ２０３の記憶領域として実現される。

データ取得部２１１は、センサデバイス１１０による測定値を端末装置１２０から取得する。取得される測定値は、ｘ方向、ｙ方向、ｚ方向のそれぞれについての加速度である。

特徴量算出部２１２は、取得された測定値に基づいて、姿勢に関する特徴量を算出する。特徴量としては、背中の左右方向および前後方向のそれぞれの傾斜角度を示す「姿勢角度」が算出される。

姿勢パラメータ算出部２１３は、算出された特徴量に基づいて、姿勢の分類処理で使用される「姿勢パラメータ」を算出して、姿勢パラメータ記憶部２１４に格納する。姿勢パラメータとしては、姿勢角度に基づく平均ベクトルおよび共分散行列が算出される。また、姿勢パラメータは、前述した１３種類の分類項目のそれぞれについて算出される。

姿勢分類処理部２１５は、姿勢パラメータ記憶部２１４に格納された姿勢パラメータを参照して、特徴量算出部２１２によって算出された特徴量に基づき、被験者の姿勢が上記の分類項目のどれに分類されるかを判定する。具体的には、姿勢分類処理部２１５は、算出された特徴量と、１３種類の分類項目のそれぞれに対応する姿勢パラメータとの演算を行うことで、被験者の姿勢がそれぞれの分類項目に属する確率を求める。そして、姿勢分類処理部２１５は、求められた確率が最も高い分類項目を、被験者の姿勢を示す分類項目として出力する。

なお、姿勢パラメータ算出部２１３は、実際に被験者の姿勢を分類する処理より前に実行される、姿勢パラメータ算出のための前処理でのみ使用される。一方、姿勢分類処理部２１５は、実際に被験者の姿勢を分類する際に使用される。従って、姿勢パラメータ算出部２１３が特徴量算出部２１２から取得する特徴量と、姿勢分類処理部２１５が特徴量算出部２１２から取得する特徴量は、それぞれ異なるタイミングで測定された測定値に基づくものである。

正解率算出部２１６は、姿勢分類処理部２１５による分類結果の正解率を算出する。なお、正解率算出部２１６は、姿勢分類処理の精度を検証するために設けられた処理機能である。従って、例えば、姿勢分類装置２００が製品として出荷される際には、その姿勢分類装置２００には正解率算出部２１６が含まれていなくてもよい。

図７は、姿勢分類装置による処理全体の手順の例を示すフローチャートである。姿勢分類装置２００による処理は、「学習処理」と「本処理」とに大別される。本処理とは、姿勢パラメータに基づいて、実際に被験者の姿勢を分類する処理である。一方、学習処理は、本処理に先立って、本処理で使用される姿勢パラメータを算出するために実行される処理である。前述のように、姿勢パラメータは、１３種類の分類項目のそれぞれについて算出される。

学習処理は、次のような手順で実行される。なお、以下の説明において、“ｊ”は１以上の整数であり、分類項目の数を示す。本実施の形態では例として、ｊ＝１３である。
［ステップＳ１１］被験者に、ある１つの分類項目に属するような姿勢をとらせ、その状態でセンサデバイス１１０による測定が行われる。また、このような測定がＮ回行われる（ただし、Ｎは１以上の整数）。

なお、Ｎ回の測定のそれぞれは、基本的に、すべて同一の被験者に対して行われるものとする。ただし、Ｎ回の測定におけるそれぞれの測定が、２人以上の被験者を用いて行われてもよい。

データ取得部２１１は、センサデバイス１１０によるＮ回分の測定結果を取得する。特徴量算出部２１２は、取得された測定結果を基に、特徴量、すなわち、背中の左右方向および前後方向のそれぞれの傾斜角度を示す姿勢角度を算出する。

［ステップＳ１２］姿勢パラメータ算出部２１３は、算出された特徴量に基づいて、１つの姿勢分類項目に対応する姿勢パラメータを算出し、姿勢パラメータ記憶部２１４に格納する。前述のように、姿勢パラメータには、姿勢角度に基づく平均ベクトルおよび共分散行列が含まれる。

［ステップＳ１３］ｊ種類の姿勢分類項目のすべてについてステップＳ１１，Ｓ１２の処理が実行されたかが判定される。処理済みでない姿勢分類項目がある場合には、ステップＳ１１に戻り、処理済みでない別の姿勢分類項目についてステップＳ１１，Ｓ１２の処理が実行される。一方、すべての姿勢分類項目について処理済みである場合には、学習処理が終了される。

以上の処理により、ｊ（＝１３）種類の分類項目ごとに姿勢パラメータが算出され、算出された姿勢パラメータが姿勢パラメータ記憶部２１４に格納される。
次に、本処理は、次のような手順が実行される。

［ステップＳ２１］被験者に装着されたセンサデバイス１１０から、測定結果が出力される。なお、基本的に、本処理の際の被験者は、学習処理における被験者と同じであるものとするが、学習処理での被験者と本処理での被験者とを別人とすることもできる。

データ取得部２１１は、センサデバイス１１０によるＮ回分の測定結果を取得する。特徴量算出部２１２は、取得された測定結果を基に、特徴量、すなわち、背中の左右方向および前後方向のそれぞれの傾斜角度を示す姿勢角度を算出する。

［ステップＳ２２］姿勢分類処理部２１５は、姿勢パラメータ記憶部２１４に格納された姿勢パラメータを参照して、特徴量算出部２１２によって算出された特徴量に基づき、被験者の姿勢がｊ種類の分類項目のどれに分類されるかを判定する。

次に、図７の処理の詳細について説明する。
まず、図８は、学習処理における特徴量算出の処理手順の例を示すフローチャートである。この図８の処理は、図７のステップＳ１１の処理に対応する。

［ステップＳ１０１］被験者に、ある１つの分類項目に属するような姿勢をとらせ、その状態でセンサデバイス１１０による測定が行われる。ここでは例として、被験者に、ある１つの分類項目に属するような姿勢でｔ秒間（ただし、ｔ＞０）静止させる。そして、ｔ秒の静止期間において１秒間隔でセンサデバイス１１０に測定を実行させ、ｔ個の測定結果を出力させる。ｔは、例えば“１５”（すなわち、静止期間は１５秒）である。

測定結果は、次の式（１−１）〜（１−３）のように表される。式（１−１）〜（１−３）において、Ｘ_jN，Ｙ_jN，Ｚ_jNは、それぞれｊ番目の分類項目に対応するＮ回目のｘ方向、ｙ方向、ｚ方向の測定値を示す。
Ｘ_jN＝｛Ｘ_jN（１），Ｘ_jN（２），・・・，Ｘ_jN（ｔ）｝ ・・・（１−１）
Ｙ_jN＝｛Ｙ_jN（１），Ｙ_jN（２），・・・，Ｙ_jN（ｔ）｝ ・・・（１−２）
Ｚ_jN＝｛Ｚ_jN（１），Ｚ_jN（２），・・・，Ｚ_jN（ｔ）｝ ・・・（１−３）
データ取得部２１１は、端末装置１２０を介して、上記の測定値Ｘ_jN，Ｙ_jN，Ｚ_jNを取得する。

［ステップＳ１０２］特徴量算出部２１２は、ｔ秒の測定期間における測定値Ｘ_jN，Ｙ_jN，Ｚ_jNの平均値を算出する。測定値Ｘ_jN，Ｙ_jN，Ｚ_jNのそれぞれの平均値Ａｖｅ（Ｘ_jN），Ａｖｅ（Ｙ_jN），Ａｖｅ（Ｚ_jN）は、次の式（２−１）〜（２−３）に従って算出される。

［ステップＳ１０３］特徴量算出部２１２は、平均値Ａｖｅ（Ｘ_jN），Ａｖｅ（Ｙ_jN），Ａｖｅ（Ｚ_jN）を基に、背中の左右方向および前後方向のそれぞれの傾斜角度を算出する。ここで算出される傾斜角度は、重力の方向を基準とした角度として表される。左右方向の傾斜角度φ_jN1，前後方向の傾斜角度φ_jN2は、それぞれ次の式（３−１），（３−２）に従って算出される。

［ステップＳ１０４］特徴量算出部２１２は、ステップＳ１０３で算出した傾斜角度φ_jN1，φ_jN2を補正することで、姿勢角度を算出する。この補正は、センサデバイス１１０が被験者に傾いた状態で装着されたことによる誤差を低減するためのものである。ここでは、センサデバイス１１０のｙ方向が傾いた場合、すなわち、被験者の後側から見たときにセンサデバイス１１０が左右方向に傾いた状態で装着された場合を想定して、左右方向の傾斜角度φ_jN1を補正する。

基準姿勢（すなわち、理想的な状態でセンサデバイス１１０が装着された場合）でセンサデバイス１１０の左右方向の傾斜角度をφ_jN01と表すと、左右方向、前後方向の各姿勢角度θ_jN1，θ_jN2は、次の式（４）に従って算出される。
（θ_jN1，θ_jN2）＝（φ_jN1−φ_jN01，φ_jN2） ・・・（４）
［ステップＳ１０５］測定回数、すなわちステップＳ１０１〜Ｓ１０４の実行回数が、Ｎ回に達したかが判定される。測定回数がＮ回未満の場合には、ステップＳ１０１に戻って測定が継続される。測定回数がＮ回に達した場合には、図７のステップＳ１２の処理に進む。以上のステップＳ１０１〜Ｓ１０５の処理により、１つの分類項目に対応する姿勢角度θ_jN1，θ_jN2が算出される。

次に、図９は、姿勢パラメータ算出の処理手順の例を示すフローチャートである。この図９の処理は、図７のステップＳ１２の処理に対応する。なお、以下の説明では、姿勢角度（θ_jN1，θ_jN2）を、（θ_j1（Ｎ），θ_j2（Ｎ））と表すものとする。

［ステップＳ１１１］姿勢パラメータ算出部２１３は、姿勢角度を基に、平均ベクトルを算出する。
ここで、ｊ番目の分類項目について算出された姿勢角度Θ_jは、次の式（５）のように表される。また、Ｎ回の測定における左右方向、前後方向の姿勢角度の平均値Ａｖｅ（θ_j1），Ａｖｅ（θ_j2）は、それぞれ式（６−１），（６−２）によって表される。なお、添字Ｔは転置行列を示す。

そして、ｊ番目の分類項目に対応する平均ベクトルＡｖｅ（Θ_j）は、次の式（７）に従って算出される。
Ａｖｅ（Θ_j）＝（Ａｖｅ（θ_j1），Ａｖｅ（θ_j2））^T ・・・（７）
［ステップＳ１１２］姿勢パラメータ算出部２１３は、姿勢角度および平均ベクトルに基づき、共分散行列を算出する。ここで、Ｂj＝Θ_j−Ａｖｅ（Θ_j）とすると、ｊ番目の分類項目に対応する共分散行列Ａ_jは、次の式（８）に従って算出される。
Ａ_j＝Ｂ_jＢ_j ^T ・・・（８）
なお、平均ベクトルＡｖｅ（Θ_j）は２次元のベクトルであり、共分散行列Ａ_jは２行２列の行列である。以上の処理により、ｊ番目の分類項目に対応する姿勢パラメータが算出される。姿勢パラメータ算出部２１３は、算出した姿勢パラメータ、すなわち平均ベクトルＡｖｅ（Θ_j）および共分散行列Ａ_jを、姿勢パラメータ記憶部２１４に格納する。

次に、図１０は、本処理における特徴量算出の処理手順の例を示すフローチャートである。この図１０の処理は、図７のステップＳ２１の処理に対応する。
図１０に示すステップＳ２０１，Ｓ２０２，Ｓ２０３，Ｓ２０４の処理手順は、それぞれ図８のステップＳ１０１，Ｓ１０２，Ｓ１０３，Ｓ１０４と同じである。すなわち、本処理における特徴量の算出処理は、図８の処理を、測定回数Ｎ＝１としてセンサデバイス１１０によるｔ秒間の測定処理を１回だけ実行するように変形したものである。ただし、本処理の被験者は、学習処理の被験者とは異なる。なお、本処理における特徴量の算出処理でも、ｔ秒間の測定処理を複数実行するようにしてもよい。

データ取得部２１１および特徴量算出部２１２による図１０の処理により、左右方向、前後方向の各姿勢角度θ_jN1，θ_jN2が算出される。以下、本処理において算出された姿勢角度θ_jN1，θ_jN2を、それぞれθ₁，θ₂として説明する。

図１１は、姿勢分類の処理手順の例を示すフローチャートである。この図１１の処理は、図７のステップＳ２２の処理に対応する。
［ステップＳ２１１］姿勢分類処理部２１５は、ｊ種類の分類項目の中から１つを選択し、選択した分類項目に対応する姿勢パラメータ（平均ベクトルおよび共分散行列）を、姿勢パラメータ記憶部２１４から取得する。以下、取得されたｊ番目の分類項目に対応する平均ベクトルおよび共分散行列を、それぞれＡｖｅ（Θ_j），Ａ_jとする。

［ステップＳ２１２］姿勢分類処理部２１５は、姿勢パラメータ記憶部２１４から取得した平均ベクトルＡｖｅ（Θ_j）および共分散行列Ａ_jと、特徴量算出部２１２によって算出された姿勢角度θ＝（θ₁，θ₂）とに基づいて、次の式（９）に従って確率Ｐ_j（θ）を算出する。

なお、式（９）において、ｄは次元の数を示す。このｄは、姿勢角度θのパラメータ数に一致し、本実施の形態ではｄ＝２である。
上記の式（９）は、被験者の姿勢を示す姿勢角度θが、ステップＳ２１１で選択された分類項目に属する確率を示す。

［ステップＳ２１３］姿勢分類処理部２１５は、ｊ種類の分類項目のすべてをステップＳ２１１で選択したかを判定する。未選択の分類項目がある場合には、ステップＳ２１１の処理が実行される。この場合、未選択の分類項目についてステップＳ２１１，Ｓ２１２の処理が実行される。すなわち、ステップＳ２１１，Ｓ２１２が繰り返されることで、被験者の姿勢を示す姿勢角度θが、ｎ種類の分類項目にそれぞれ属する確率が計算される。一方、すべての分類項目が選択済みである場合には、ステップＳ２１４の処理が実行される。

［ステップＳ２１４］姿勢分類処理部２１５は、算出されたｎ個の確率のうち、最も高い値を持つ確率に対応する分類項目を、被験者の姿勢が属する分類項目と判定して出力する。

ここで、図１２は、姿勢分類のための計算について説明するための図である。図１２のグラフは、２つの変数、すなわち、左右方向の姿勢角度（θ_jN1に対応）および前後方向の姿勢角度（θ_jN2に対応）による２次元正規分布を平面上に示したものである。

また、図１２中の楕円領域３０１，３０２，３０３は、それぞれ異なる分類項目＃１，＃２，＃３にそれぞれ対応する。楕円領域３０１は、分類項目＃１に属する姿勢とされた被験者から得られる２つの変数が、ある一定の割合で含まれるような領域である。楕円領域３０２も同様に、分類項目＃２に属する姿勢とされた被験者から得られる２つの変数が、ある一定の割合で含まれるような領域である。楕円領域３０３も同様に、分類項目＃３に属する姿勢とされた被験者から得られる２つの変数が、ある一定の割合で含まれるような領域である。このような楕円領域３０１〜３０３は、確率楕円体、ある割合の信頼楕円または確率偏差楕円などと呼ばれる。

また、図１２中の点３１１，３１２は、それぞれ本処理にて任意の姿勢の被験者から得られた２つの変数をグラフ上にプロットした位置を示す。ここで、前述した式（９）は、多次元正規分布（本実施の形態では２次元正規分布）の確率密度関数を示す。この式（９）は、本処理にて任意の姿勢の被験者から得られた２つの変数を図１２のグラフ上にプロットした点と、楕円領域３０１〜３０３の各中心点との距離を計算することと等価である。そして、姿勢分類処理部２１５は、グラフ上にプロットされた点と中心点との距離が最も近い楕円領域を判別し、判別した楕円領域に対応する分類項目を、被験者の姿勢が属するものと判定する。

例えば、点３１１は、楕円領域３０１〜３０３の各中心点のうち、楕円領域３０１の中心点に最も近い。このため、点３１１が得られた被験者の姿勢は、分類項目＃１に属すると判定される。また、点３１２は、楕円領域３０１〜３０３の各中心点のうち、楕円領域３０２の中心点に最も近い。このため、点３１２が得られた被験者の姿勢は、分類項目＃２に属すると判定される。

図１３は、測定により得られた変数と、矩形の判定領域との比較によって姿勢分類を行う場合の参考図である。以下、この図１３に示す姿勢分類の方法と、図１２に示した姿勢分類の方法とを対比する。

図１３のグラフは、２つの変数を軸とした平面上に、２つの変数それぞれの上限および下限の閾値を示す矩形領域３２１〜３２３が設定したものである。矩形領域３２１，３２２，３２３は、それぞれ分類項目＃１，＃２，＃３に属することを判定するための領域である。

また、図１３中の点３３１，３３２は、それぞれ本処理にて任意の姿勢の被験者から得られた２つの変数をグラフ上にプロットした位置を示す。この図１３の方法では、それぞれの点がどの矩形領域に含まれるかによって、それぞれの点が得られた被験者の姿勢が分類される。しかしながら、図１３の例では、点３３１は矩形領域３２１〜３２３のいずれにも含まれておらず、また、点３３２も矩形領域３２１〜３２３のいずれにも含まれていない。この場合、点３３１，３３２がそれぞれ得られた被験者の姿勢が、どの分類項目に属するかを判定できない。

これに対して、図１２に示した方法によれば、グラフ上にプロットされた点と中心点との距離が最も近い楕円領域が判別され、判別された楕円領域に対応する分類項目が、被験者の姿勢が属するものと判定される。これにより、プロットされた点が得られた被験者の姿勢がどの分類項目に属するかを、確実に判定することができる。また、分類項目を多くした場合でも、被験者の姿勢がどの分類項目に属するかを判定することができる。

次に、正解率算出部２１６を用いた姿勢の分類精度の検証について示す。本願の発明者らは、１０−ｆｏｌｄ交差検定を用いた次のような方法で、姿勢の分類精度を検証した。
まず、被験者にある１つの分類項目に属するような姿勢をとらせ、その状態でセンサデバイス１１０によるｔ（＝１５）秒間の測定を行う。このようにして得られた測定値を基に、特徴量、すなわち姿勢角度を得る。また、このような測定を１０回行って、それぞれ姿勢角度を得る。すなわち、１つの分類項目について１０個の姿勢角度が得られる。さらに、各分類項目について上記の処理を繰り返し、分類項目ごとに１０個の姿勢角度を得る。

次に、すべての分類項目についての姿勢角度を１つずつ含むデータ群を１０組作成して、姿勢角度を分類する。そして、１０組のデータ群のうち、９組のデータ群を用いて学習処理を行って、各分類項目についての姿勢パラメータを算出し、残りの１組のデータ群に含まれる姿勢角度を用いて本処理、すなわちどの分類項目に属するかの判定を行う。この場合、Ｎ＝９として学習処理が行われ、残りのデータ群に含まれる１０個の姿勢角度のそれぞれについて、どの分類項目に属するかが判定される。

さらに、このような学習処理および本処理を、本処理に用いるデータ群を変更しながら繰り返す。これにより、合計１００回の姿勢分類の判定が行われる。正解率算出部２１６は、姿勢分類の判定結果が得られるごとに、その判定結果が正しいかを判定して、正解率を算出する。

ただし、以下に示す正解率の算出例では、「直立−真っ直ぐ」の分類項目についてのみ、１０回ではなく６０回の測定を行った。そして、各データ群には、「直立−真っ直ぐ」の分類項目に対応する姿勢角度が６個ずつ含まれるようにした。

さらに、次の図１４に示すようにセンサデバイス１１０の装着位置を変えながら処理を行った。図１４は、センサデバイスの装着位置を示す図である。
図１４に示すように、発明者らは、センサデバイス１１０を、被験者１４０の背中に沿って上下方向に３箇所ずれた位置に装着して、姿勢分類の検証を行った。以下、各位置に装着されたセンサデバイス１１０は、上側から順に“センサ＃１”、“センサ＃２”、“センサ＃３”と表記する。センサ＃１は、被験者１４０の肩甲骨付近に装着したものとする。センサ＃２は、被験者１４０の背中の中心付近に装着したものとする。センサ＃３は、被験者１４０が身につけている腰のベルトの下付近に装着したものとする。

図１５は、センサデバイスの位置に応じた正解率の算出例を示すグラフである。センサ＃１を用いた場合の正解率は約０．７３、センサ＃２を用いた場合の正解率は約０．６５、センサ＃３を用いた場合の正解率は０．８９となり、センサデバイス１１０の装着位置がどの位置の場合でも６０％以上の正解率が得られた。特に、センサ＃３を用いた場合には８０％以上という高い正解率が得られた。なお、分類項目ごとの正解率については後述する。

〔第３の実施の形態〕
ところで、上記の第２の実施の形態では、図１５に示したように、センサデバイス１１０の装着位置によって正解率にバラツキが見られる。これに対して、それぞれ別の位置に装着した複数のセンサデバイス１１０からの測定値を用いて学習処理および本処理を行うことで、姿勢分類の精度を高めることができると考えられる。

そこで、以下の第３の実施の形態では、第２の実施の形態の姿勢分類装置２００を、複数のセンサデバイス１１０の測定値を基に処理を行うように変形する。さらに、第３の実施の形態では、姿勢分類精度のさらなる向上効果を得るために、複数のセンサデバイス１１０の測定値を用いて算出された姿勢パラメータを補正する手段についても開示する。

なお、以下の第３の実施の形態についての説明では、第２の実施の形態と同じ処理が行われる構成要素や処理ステップには同じ符号を付して示し、それらの説明を省略する。
図１６は、第３の実施の形態に係る姿勢計測システムの構成例を示す図である。図１６に示す姿勢計測システム１００ａは、複数のセンサデバイス１１０と、端末装置１２０ａと、姿勢分類装置２００ａとを含む。端末装置１２０ａと姿勢分類装置２００ａとは、ネットワーク１３０を介して接続されている。

端末装置１２０ａは、複数のセンサデバイス１１０と接続し、それぞれのセンサデバイス１１０からの計測値を姿勢分類装置２００ａに送信する点で、図２に示した端末装置１２０とは異なる。なお、図１６の例では、端末装置１２０ａに対して２つのセンサデバイス１１０が接続されているが、３つ以上のセンサデバイス１１０が接続されていてもよい。

複数のセンサデバイス１１０は、同じ被験者に装着される。また、複数のセンサデバイス１１０は、被験者の背中あるいはその周辺において、上下方向、すなわち背骨に沿った方向に対してそれぞれ異なる位置に装着されることが望ましい。例えば、２つのセンサデバイス１１０が使用される場合、これらのセンサデバイス１１０は、図１４に示したセンサ＃１とセンサ＃２、センサ＃１とセンサ＃３、センサ＃２とセンサ＃３のいずれかの組み合わせに対応するようにしてもよい。

なお、複数のセンサデバイス１１０の各機能は、例えば、端末装置１２０ａに組み込まれていてもよい。
姿勢分類装置２００ａは、複数のセンサデバイス１１０のそれぞれから受信した測定値を用いて、姿勢パラメータの算出、および姿勢の分類処理を行う。

図１７は、第３の実施の形態に係る姿勢分類装置が備える機能の構成例を示すブロック図である。図１７に示す姿勢分類装置２００ａは、データ取得部２１１ａ、特徴量算出部２１２ａ、姿勢パラメータ算出部２１３ａ、姿勢パラメータ記憶部２１４ａ、姿勢分類処理部２１５ａ、正解率算出部２１６、拘束条件算出部２２１および姿勢パラメータ補正部２２２を有する。なお、姿勢分類装置２００ａのハードウェア構成は、図３に示した姿勢分類装置２００と同様の構成とすることができる。

データ取得部２１１ａ、特徴量算出部２１２ａ、姿勢パラメータ算出部２１３ａ、姿勢分類処理部２１５ａ、正解率算出部２１６、拘束条件算出部２２１および姿勢パラメータ補正部２２２の各処理は、例えば、姿勢分類装置２００ａが備えるプロセッサ２０１が所定のプログラムを実行することで実現される。また、姿勢パラメータ記憶部２１４ａは、例えば、姿勢分類装置２００ａが備えるＨＤＤ２０３の記憶領域として実現される。

データ取得部２１１ａ、特徴量算出部２１２ａ、姿勢パラメータ算出部２１３ａおよび姿勢分類処理部２１５ａの基本的な処理は、それぞれ図６に示したデータ取得部２１１、特徴量算出部２１２、姿勢パラメータ算出部２１３および姿勢分類処理部２１５と同様である。以下、これらの処理機能について、図６における対応する処理機能とは異なる点についてのみ説明する。

データ取得部２１１ａは、２つのセンサデバイス１１０のそれぞれから、ｘ方向、ｙ方向、ｚ方向のそれぞれについての加速度の測定値を取得する点で、データ取得部２１１とは異なる。

特徴量算出部２１２ａは、２つのセンサデバイス１１０のそれぞれから取得した測定値を用いて、センサデバイス１１０ごとに姿勢角度を算出する点で、特徴量算出部２１２とは異なる。

姿勢パラメータ算出部２１３ａは、センサデバイス１１０ごとに算出された姿勢角度を基に１組の平均ベクトルおよび共分散行列を算出する点で、姿勢パラメータ算出部２１３とは異なる。また、姿勢パラメータ算出部２１３ａは、拘束条件算出部２２１によって、姿勢分類に対する寄与が小さいパラメータがあると判定された場合には、寄与が小さいパラメータ、すなわち、左右方向または前後方向のいずれかの姿勢角度を除外して、姿勢パラメータの算出を行う。

姿勢分類処理部２１５ａは、センサデバイス１１０の個数をｎとしたとき、姿勢分類の計算式における次元ｄが２ｎとなる点で、姿勢分類処理部２１５とは異なる。また、拘束条件算出部２２１の処理結果によっては、次元ｄが２ｎより小さくなる場合もある。

拘束条件算出部２２１および姿勢パラメータ補正部２２２は、２つのセンサデバイス１１０の測定値を基に算出される姿勢パラメータを最適化するために付加された処理機能である。

拘束条件算出部２２１は、人体の背骨の動きに関する拘束条件を考慮して、姿勢分類処理に対する寄与が小さいパラメータを判別する。判別の方法としては、次の２種類の方法がある。

拘束条件算出部２２１は、第１の判別方法として、特徴量算出部２１２ａによって算出された特徴量に基づいて、姿勢分類処理に対する寄与が小さい背中の傾斜の方向を判別する。この場合、姿勢パラメータ算出部２１３ａは、判別された方向に対応する特徴量、すなわち姿勢角度を使用せずに、姿勢パラメータの算出を行う。

また、拘束条件算出部２２１は、第２の判別方法として、姿勢パラメータ算出部２１３ａによって算出された姿勢パラメータに基づいて、姿勢分類処理に対する寄与が小さいパラメータを判別する。この場合、拘束条件算出部２２１は、姿勢パラメータ算出部２１３ａによって算出された姿勢パラメータを、姿勢分類処理に対する寄与が小さいパラメータが除外されるように変換して、姿勢パラメータ補正部２２２に渡す。

姿勢パラメータ補正部２２２は、拘束条件算出部２２１によって上記の第２の判別方法による判別が行われた場合に、拘束条件算出部２２１によって変換されたパラメータを用いて、姿勢パラメータを再計算する。姿勢パラメータ補正部２２２は、再計算された姿勢パラメータを姿勢パラメータ記憶部２１４ａに格納する。

以下、姿勢分類装置２００ａの処理を、処理例１〜４の４パターンの処理例として説明する。
＜処理例１＞
処理例１は、第２の実施の形態の姿勢分類装置２００の処理を、複数のセンサデバイス１１０の測定値を用いて行うように変形したものである。この処理例１では、拘束条件算出部２２１および姿勢パラメータ補正部２２２は使用されない。

処理例１での基本的な処理の流れは、図７と同様であり、学習処理と本処理とを含む。まず、学習処理における特徴量の算出処理（図７のステップＳ１１および図８に対応）は、次のように変形される。

データ取得部２１１ａは、複数のセンサデバイス１１０による測定値を、端末装置１２０を通じて取得する。センサデバイス１１０の数をｎとすると、データ取得部２１１ａは、前述の式（１−１）〜（１−３）で表される測定値Ｘ_jN，Ｙ_jN，Ｚ_jNを、ｎ組取得する。この処理は、図８のステップＳ１０１に対応する。特徴量算出部２１２ａは、図８のステップＳ１０２〜Ｓ１０４と同様の手順で、取得されたｎ組の測定値のそれぞれを基に、ｎ組の姿勢角度θ_jN1，θ_jN2を算出する。

さらに、以上のようなｎ組の姿勢角度θ_jN1，θ_jN2の算出処理がＮ回行われる。これにより、１つの分類項目に対応する特徴量として、Ｎ回分の姿勢角度θ_jN1，θ_jN2を含むデータ群がｎ群算出される。

次に、姿勢パラメータの算出処理（図７のステップＳ１２および図９に対応）は、次のように変形される。
姿勢パラメータ算出部２１３ａは、センサデバイス１１０ごとに算出された姿勢角度を基に、１組の平均ベクトルおよび共分散行列を算出する。この処理は、図９のステップＳ１１１に対応する。

ここで、ｎ組目の姿勢角度、すなわち、ｎ番目のセンサデバイス１１０の測定値を基に算出された姿勢角度をθ_j1＿_n（Ｎ），θ_j2＿_n（Ｎ）とすると、ｊ番目の分類項目について算出された姿勢角度Θ_jは、下記の式（５’）のように表される。また、ｎ番目のセンサデバイス１１０を用いたＮ回の測定における左右方向、前後方向の姿勢角度の平均値Ａｖｅ（θ_j1＿_n），Ａｖｅ（θ_j2＿_n）は、それぞれ下記の式（６’−１），（６’−２）によって表される。そして、すべてのセンサデバイス１１０の測定値を加味した左右方向、前後方向の姿勢角度の平均値Ａｖｅ（θ_j1），Ａｖｅ（θ_j2）は、それぞれ下記の式（６’−３），（６’−４）によって表される。

従って、ｊ番目の分類項目に対応する平均ベクトルＡｖｅ（Θ_j）は、前述した式（７）に、式（６’−３），（６’−４）で表される姿勢角度の平均値Ａｖｅ（θ_j1），Ａｖｅ（θ_j2）を代入することによって算出される。

また、共分散行列Ａ_jは、式（５’）によって算出された姿勢角度Θ_jと、この姿勢角度Θ_jを用いて上記手順で算出された平均ベクトルＡｖｅ（Θ_j）とを、前述の式（８）に代入することによって算出される。この処理は、図９のステップＳ１１２に対応する。

なお、第２の実施の形態では、平均ベクトルＡｖｅ（Θ_j）は２次元のベクトルであり、共分散行列Ａ_jは２行２列の行列であった。これに対して、第３の実施の形態の処理例１では、平均ベクトルＡｖｅ（Θ_j）は２ｎ次元のベクトルとなり、共分散行列Ａ_jは２ｎ行２ｎ列の行列となる。

以上のように図７のステップＳ１１，Ｓ１２を変形した処理が、ｊ種類の分類項目のそれぞれについて実行される。
次に、本処理における特徴量の算出処理（図７のステップＳ２１および図１０に対応）は、次のように変形される。

データ取得部２１１は、複数のセンサデバイス１１０による測定値を、端末装置１２０を通じて取得する。すなわち、データ取得部２１１は、前述の式（１−１）〜（１−３）で表される測定値Ｘ_jN，Ｙ_jN，Ｚ_jNを、ｎ組取得する。この処理は、図１０のステップＳ２０１に対応する。特徴量算出部２１２ａは、図１０のステップＳ２０２〜Ｓ２０４と同様の手順で、取得されたｎ組の測定値のそれぞれを基に、ｎ組の姿勢角度θ_jN1，θ_jN2を算出する。

次に、姿勢分類処理（図７のステップＳ２２および図１１に対応）は、次のように変形される。
姿勢分類処理部２１５ａによる姿勢分類処理は、姿勢分類処理部２１５による図１１の処理のうち、ステップＳ２１２の処理が次のように変形されたものと等価である。前述のように、特徴量算出部２１２ａは、ｎ組の姿勢角度θ_jN1，θ_jN2を算出する。ここで、ｎ番目のセンサデバイス１１０の測定値を基に算出された姿勢角度θ_jN1，θ_jN2をそれぞれθ₁＿_n，θ₂＿_nとすると、算出された姿勢角度θは、次の式（１０）のように表される。

姿勢分類処理部２１５ａは、式（１０）で表される姿勢角度θを前述の式（９）に代入することによって、確率Ｐ_j（θ）を算出する。なお、式（９）における次元ｄは、２ｎとなる。

姿勢分類処理部２１５ａは、以上のような確率Ｐ_j（θ）の演算を、ｎ種類の分類項目のそれぞれについて実行する。そして、姿勢分類処理部２１５ａは、算出されたｎ個の確率のうち、最も高い値を持つ確率に対応する分類項目を、被験者の姿勢が属する分類項目と判定して出力する。

ここで、図１８は、処理例１での正解率の算出例を示すグラフである。この図１８では、例として、ｎ＝２として処理を行った場合に、正解率算出部２１６によって算出された正解率の例を示す。また、図１８には、２つのセンサデバイス１１０の搭載位置の組み合わせとして、図１４に示すセンサ＃１とセンサ＃２、センサ＃１とセンサ＃３、センサ＃２とセンサ＃３のそれぞれの組み合わせで処理を行った場合の正解率を示している。さらに、図１８では、参考のために、センサ＃１，＃２，＃３をそれぞれ単独で用いて第２の実施の形態の姿勢分類装置２００によって処理された場合の正解率（図１５に示した正解率）も示している。

図１８に示すように、複数のセンサデバイス１１０を組み合わせて処理を行うと、センサデバイス１１０を単独で用いて処理を行った場合より、姿勢分類の精度が低下する場合があることが判明した。このことの原因について、発明者らは次のように推察した。

物理的な観点からすると、装着するセンサデバイス１１０が例えば２個の場合、姿勢を表現する姿勢パラメータの次元は“４”となる。その一方、人体の背骨を構成している骨の動きには、何らかの拘束条件がある。このため、姿勢の分類に寄与する姿勢パラメータの次元は、“４”より少ない場合があり得る。この場合、姿勢の分類に寄与しない次元のパラメータを含めて分類処理を行うと、分類精度が悪化することが考えられる。

また、数値計算的な観点からすると、共分散行列の固有値の中に、最大固有値と比較して極端に小さい固有値が存在することによって、逆行列を用いた算出精度が劣化したことも考えられる。このような精度の劣化も、骨の動きの拘束条件に起因する可能性がある。

以下に示す処理例２，３は、このような原因の推察に基づき、姿勢分類で使用される姿勢パラメータが最適化されるように上記の処理例１を変形したものである。
＜処理例２＞
図１９は、背中を前後方向に傾けた場合の姿勢の例を示す図である。図１９の左側は、被験者１４０が背中を前方向に傾けた場合の姿勢の例を示し、図１９の右側は、被験者１４０が背中を後ろ方向に傾けた場合の姿勢の例を示す。

この図１９の例のように、被験者１４０が背中を前後方向に傾ける動作を行う際に、背中は左右方向にはほとんど傾かない可能性がある。この場合、被験者１４０が背中を前方向に傾けたときと、後ろ方向に傾けたときと、その中間のときとで、左右方向の傾斜角度を示すパラメータの値はほとんど変化しない。このため、例えば、前述の分類項目のうち、「直立」、「前傾」、「後傾」のように、背中の前後方向の傾きが異なる姿勢を分類するために、左右方向の傾斜角度を示すパラメータが寄与する可能性は低い。

このように、姿勢パラメータの中に、姿勢の分類のために寄与しない方向に関するパラメータが含まれていると、そのパラメータが姿勢の分類処理に悪影響を与える可能性がある。そこで、処理例２では、拘束条件算出部２２１が、姿勢パラメータが示す傾斜角度の方向（すなわち、左右方向または前後方向）のうち、姿勢の分類処理に寄与しない方向の有無を判定する。そして、姿勢の分類処理に寄与しない方向がある場合には、その方向に関するパラメータを捨てて、姿勢の分類処理に使用しないようにする。

図２０は、処理例２における姿勢パラメータ算出の処理手順の例を示すフローチャートである。処理例２では、姿勢パラメータの算出処理（図７のステップＳ１２および図９に対応）は、次のように変形される。

［ステップＳ１５１］拘束条件算出部２２１は、特徴量算出部２１２ａによって算出された姿勢角度を基に、姿勢の分類処理に寄与しない方向に対応するパラメータがあるかを判定する。

具体的には、拘束条件算出部２２１は、同じ方向への傾斜角度を示す姿勢角度の合計を算出する。この計算では、各センサデバイス１１０からの測定値に基づく、同じ方向に対応する姿勢角度が合計される。ｎ番目のセンサデバイス１１０によるＮ回の測定値を基に算出された姿勢角度をθ_j1＿_n（Ｎ），θ_j2＿_n（Ｎ）とすると、左右方向に対する姿勢角度の合計値Γ_j1＿_n、前後方向に対する姿勢角度の合計値Γ_j2＿_nは、それぞれ次の式（１１−１），（１１−２）で表される。

拘束条件算出部２２１は、同じセンサデバイス１１０の測定値に基づく、異なる方向の姿勢角度の合計値の比を計算する。ここで、一方の方向についての合計値が相対的に極端に小さい場合には、その方向に対する背中の傾きの変化が少ない、すなわち、その方向に対する背中の動きが制限されているという拘束条件があることを示す。このため、拘束条件算出部２２１は、一方の方向についての合計値が相対的に極端に小さい場合に、その方向についてのパラメータが姿勢の分類処理に寄与しないと判定する。

具体的には、拘束条件算出部２２１は、対応するセンサデバイス１１０ごとに、比率（Γ_j1＿_n／Γ_j2＿_n）および比率（Γ_j2＿_n／Γ_j1＿_n）を算出する。すべてのセンサデバイス１１０について、比率（Γ_j1＿_n／Γ_j2＿_n）が所定の閾値以下である場合、拘束条件算出部２２１は、左右方向に対応する姿勢角度が姿勢の分類処理に寄与しないと判定する。また、すべてのセンサデバイス１１０について、比率（Γ_j2＿_n／Γ_j1＿_n）が上記と同じ閾値以下である場合、拘束条件算出部２２１は、前後方向に対応する姿勢角度が姿勢の分類処理に寄与しないと判定する。なお、閾値は、０以上１未満の範囲で任意に設定可能であり、例えば“０．０１”といった値が設定される。

なお、判定条件は、次のように変形されてもよい。拘束条件算出部２２１は、例えば、ある方向に対応する姿勢角度を基に算出された比率のうち、所定数以上のセンサデバイス１１０に対応する比率が閾値以下である場合に、その方向に対応する姿勢角度が姿勢の分類処理に寄与しないと判定してもよい。また、他の方法として、拘束条件算出部２２１は、ある方向についての式（１１−１）および式（１１−２）に基づく姿勢角度の合計値をすべてのセンサデバイス１１０についてさらに合計し、算出された合計値同士の比率を閾値を比較することで判定を行ってもよい。

以上の処理により、姿勢の分類処理に寄与しない方向に対応するパラメータがあると判定された場合、ステップＳ１５２の処理が実行される。一方、姿勢の分類処理に寄与しない方向に対応するパラメータがないと判定された場合には、ステップＳ１１１ａの処理が実行される。なお、後者の場合に実行されるステップＳ１１１ａ，Ｓ１１２ａの処理は、前述の処理例１での姿勢パラメータの算出処理と同様の処理である。

［ステップＳ１１１ａ］拘束条件算出部２２１は、ステップＳ１５１で姿勢分類に寄与しない方向に対応するパラメータがないと判定した場合、特徴量算出部２１２ａによって算出されたすべての姿勢角度θ_j1＿_n（Ｎ），θ_j2＿_n（Ｎ）を姿勢パラメータ算出部２１３ａに渡す。姿勢パラメータ算出部２１３ａは、これらの姿勢角度θ_j1＿_n（Ｎ），θ_j2＿_n（Ｎ）を基に、次のような手順で１組の平均ベクトルを算出する。

ｊ番目の分類項目について算出された姿勢角度Θ_jは、前述の式（５’）のように表される。また、ｎ番目のセンサデバイス１１０を用いたＮ回の測定における左右方向、前後方向の姿勢角度の平均値Ａｖｅ（θ_j1＿_n），Ａｖｅ（θ_j2＿_n）は、それぞれ前述の式（６’−１），（６’−２）によって表される。そして、すべてのセンサデバイス１１０の測定値を加味した左右方向、前後方向の姿勢角度の平均値Ａｖｅ（θ_j1），Ａｖｅ（θ_j2）は、それぞれ前述の式（６’−３），（６’−４）によって表される。従って、ｊ番目の分類項目に対応する平均ベクトルＡｖｅ（Θ_j）は、前述の式（７）に、式（６’−３），（６’−４）で表される姿勢角度の平均値Ａｖｅ（θ_j1），Ａｖｅ（θ_j2）を代入することによって算出される。

［ステップＳ１１２ａ］姿勢パラメータ算出部２１３ａは、姿勢角度θ_j1＿_n（Ｎ），θ_j2＿_n（Ｎ）を基に、１つの共分散行列Ａ_jを算出する。共分散行列Ａ_jは、ステップＳ１１１ａで式（５’）によって算出された姿勢角度Θ_jと、この姿勢角度Θ_jを用いてステップＳ１１１ａで算出された平均ベクトルＡｖｅ（Θ_j）とを、前述の式（８）に代入することによって算出される。

［ステップＳ１５２］拘束条件算出部２２１ａは、ステップＳ１５２において姿勢の分類処理に寄与しないと判定された方向についてのパラメータを破棄する。
具体的には、左右方向に対応する姿勢角度θ_j1＿_n（Ｎ）が姿勢の分類処理に寄与しないと判定された場合、拘束条件算出部２２１ａは、左右方向に対応するすべての姿勢角度θ_j1＿_n（Ｎ）を破棄して、前後方向に対応する姿勢角度θ_j2＿_n（Ｎ）だけを姿勢パラメータ算出部２１３ａに渡す。また、前後方向に対応する姿勢角度θ_j2＿_n（Ｎ）が姿勢の分類処理に寄与しないと判定された場合、拘束条件算出部２２１ａは、前後方向に対応するすべての姿勢角度θ_j2＿_n（Ｎ）を破棄して、左右方向に対応する姿勢角度θ_j1＿_n（Ｎ）だけを姿勢パラメータ算出部２１３ａに渡す。

［ステップＳ１１１ｂ］姿勢パラメータ算出部２１３ａは、拘束条件算出部２２１から引き渡された姿勢角度のみを用いて、１組の平均ベクトルを算出する。
ｊ番目の分類項目について算出された姿勢角度Θ_jは、前述の式（５’）において、ステップＳ１５２で破棄された姿勢角度を含まない行列として表される。ステップＳ１１１ａで算出される姿勢角度Θ_jは、２ｎ行２ｎ列の行列となるのに対し、ステップＳ１１１ｂで算出される姿勢角度Θ_jは、ｎ行ｎ列の行列となる。

ステップＳ１５１で左右方向に対応する姿勢角度θ_j1＿_n（Ｎ）が姿勢の分類処理に寄与しないと判定された場合、姿勢パラメータ算出部２１３ａは、式（６’−２）および式（６’−４）に従って、前後方向に対応する平均値Ａｖｅ（θ_j2）を算出する。そして、姿勢パラメータ算出部２１３ａは、前後方向に対応する平均値Ａｖｅ（θ_j2）だけを前述の式（７）に代入することで、平均ベクトルＡｖｅ（Θ_j）を算出する。

一方、ステップＳ１５１で前後方向に対応する姿勢角度θ_j2＿_n（Ｎ）が姿勢の分類処理に寄与しないと判定された場合、姿勢パラメータ算出部２１３ａは、式（６’−１）および式（６’−３）に従って、左右方向に対応する平均値Ａｖｅ（θ_j1）を算出する。そして、姿勢パラメータ算出部２１３ａは、左右方向に対応する平均値Ａｖｅ（θ_j1）だけを前述の式（７）に代入することで、平均ベクトルＡｖｅ（Θ_j）を算出する。

ステップＳ１１１ａで算出される平均ベクトルＡｖｅ（Θ_j）は、２ｎ次元のベクトルとなるのに対し、ステップＳ１１１ｂで算出される平均ベクトルＡｖｅ（Θ_j）は、ｎ次元のベクトルとなる。

［ステップＳ１１２ｂ］姿勢パラメータ算出部２１３ａは、拘束条件算出部２２１から引き渡された姿勢角度のみを用いて、１組の共分散行列Ａ_jを算出する。共分散行列Ａ_jは、ステップＳ１１１ｂで式（５’）によって算出された姿勢角度Θ_jと、この姿勢角度Θ_jを用いてステップＳ１１１ｂで算出された平均ベクトルＡｖｅ（Θ_j）とを、前述の式（８）に代入することによって算出される。ステップＳ１１２ａで算出される共分散行列Ａ_jは、２ｎ行２ｎ列の行列となるのに対し、ステップＳ１１２ｂで算出される共分散行列Ａ_jは、ｎ行ｎ列の行列となる。

以上の手順で、１つの分類項目に対応する平均ベクトルＡｖｅ（Θ_j）および共分散行列Ａ_jが算出され、それらが姿勢パラメータ記憶部２１４ａに格納される。
次に、処理例２における本処理は、処理例１と同様に実行される。すなわち、特徴量算出部２１２ａは、ｎ組の姿勢角度θ_jN1，θ_jN2を算出して、姿勢分類処理部２１５ａに出力する。姿勢分類処理部２１５ａは、前述の式（１０）で表される姿勢角度θを前述の式（９）に代入することによって、確率Ｐ_j（θ）を算出する。

ある分類項目に対応する平均ベクトルＡｖｅ（Θ_j）および共分散行列Ａ_jが図２０のステップＳ１１１ａ，Ｓ１１２ａの処理により算出されていた場合、被験者の姿勢がその分類項目に属するかの判定処理は、処理例１と同様の計算により行われる。この場合、式（９）における次元ｄは２ｎとなる。

一方、ある分類項目に対応する平均ベクトルＡｖｅ（Θ_j）および共分散行列Ａ_jが図２０のステップＳ１１１ｂ，Ｓ１１２ｂの処理により算出されていた場合、被験者の姿勢がその分類項目に属するかの判定処理は、特徴量算出部２１２ａから入力された姿勢角度のうち、一方の方向についての姿勢角度だけを用いて行われる。この場合、式（９）における次元ｄはｎとなる。

図２１は、処理例２での正解率の算出例を示すグラフである。この図２１では、例として、ｎ＝２として処理を行った場合に、正解率算出部２１６によって算出された正解率の例を示す。また、図２１には、２つのセンサデバイス１１０の搭載位置の組み合わせとして、図１４に示すセンサ＃１とセンサ＃２、センサ＃１とセンサ＃３、センサ＃２とセンサ＃３のそれぞれの組み合わせで処理を行った場合の正解率を示している。さらに、図２１では、参考のために、センサ＃１，＃２，＃３をそれぞれ単独で用いて第２の実施の形態の姿勢分類装置２００によって処理された場合の正解率（図１５に示した正解率）も示している。

図２１に示すように、処理例２によれば、特に、センサ＃１とセンサ＃２とを組み合わせた場合と、センサ＃２とセンサ＃３とを組み合わせた場合に、対応するセンサデバイス１１０を単独で用いた場合より高い正解率が得られた。また、図１８に示した処理例１との比較では、どのセンサデバイス１１０の組み合わせでも処理例１より高い正解率が得られた。

＜処理例３＞
図２２は、背中が斜めに傾いた場合の姿勢の例を示す図である。
上記の処理例２では、背中が前後方向または左右方向に傾いたときに、その傾き方向と直交する方向に対する背中の位置変動がごく小さくなるケースを想定した。しかし、実際にはこのようなケースは少ない。

例えば、被験者が背中を前後方向に傾けようとした場合でも、実際には背中が前後方向以外の他の方向にも傾いてしまう場合が多い。図２２はこのようなケースの例を示しており、例えば、図２２の左側に示すように、被験者１４０の背中が右斜め前方向に傾く場合や、図２２の右側に示すように、被験者１４０の背中が左斜め前に傾く場合もある。また、同様に、被験者が背中を左右方向に傾けようとした場合でも、実際には背中が左右方向以外の他の方向にも傾いてしまう場合が多い。

このように、背中が前後方向または左右方向に真っ直ぐに傾いていない状況でも、前後方向または左右方向以外の方向の中に、骨の動きの拘束条件に起因する、変動量の少ない方向が存在する可能性はある。このような変動量の少ない方向に対する背中の傾きを示すパラメータは、姿勢の分類処理に寄与しないパラメータと考えられる。このため、このような方向に対する傾きを示すパラメータを、姿勢パラメータから除外することで、姿勢の分類精度を高められると考えられる。しかしながら、このような方向は被験者によっても異なり、処理例１で想定したケースのように一意に決めることは難しい。

以下で説明する処理例３では、拘束条件算出部２２１が、姿勢の分類処理に寄与しないパラメータを計算により推定し、姿勢パラメータ補正部２２２が、その推定結果に基づいて、姿勢パラメータ算出部２１３ａにより算出された姿勢パラメータを補正する。具体的には、拘束条件算出部２２１は、姿勢パラメータ算出部２１３ａによって算出された共分散行列を、固有値および固有ベクトルに分解し、姿勢の分類処理に寄与しないと推定される方向に対応する固有値および固有ベクトルを判別する。姿勢パラメータ補正部２２２は、共分散行列の固有値および固有ベクトルのうち、判別された固有値および固有ベクトルを除いた残りの固有値および固有ベクトルを用いて、共分散行列を算出し直す。

ここで、例として、被験者が「前傾−真っ直ぐ」の分類項目に該当する姿勢をとった場合の姿勢角度の分布例を図２３および図２４に示して、姿勢角度の分布と固有値との関係について説明する。

図２３は、姿勢の変化が前後方向に限定される場合の姿勢角度の分布例を示す図である。また、図２４は、姿勢が斜め方向にも変化する場合の姿勢角度の分布例を示す図である。

図２３に示す楕円領域３５１は、被験者の姿勢の変化がほぼ前後方向に限定される場合に、姿勢角度がある一定の割合で分布する領域のイメージを示す。この場合、楕円領域３５１に属する姿勢角度を基に算出された共分散行列の固有値のうち、最大の固有値に対する固有ベクトルの方向Ｄ１は、前後方向、すなわち図２３の左右方向となる。一方、このケースでは、背中の左右方向に対する変動量がごく小さいことから、上記の共分散行列の固有値のうち、極端に小さい固有値に対する固有ベクトルの方向Ｄ２は、左右方向、すなわち図２３の上下方向となる。

これに対して、図２４に示す楕円領域３５２は、被験者の姿勢が前後方向だけでなく、斜め方向にも変動する場合に、姿勢角度がある一定の割合で分布する領域のイメージを示す。この場合、楕円領域３５２に属する姿勢角度を基に算出された共分散行列の固有値のうち、最大の固有値に対する固有ベクトルの方向Ｄ３は、前後方向、すなわち図２４の左右方向とはならない可能性が高い。そして、この共分散行列の固有値のうち、極端に小さい固有値に対する固有ベクトルの方向Ｄ４も、図２３の例のように左右方向、すなわち図２４の上下方向とはならない可能性が高い。

処理例３では、拘束条件算出部２２１は、共分散行列の固有値の累積寄与率を計算することで、共分散行列の固有値から、姿勢の分類処理に寄与しない、極端に小さい固有値を排除する。

図２５は、処理例３における姿勢パラメータ算出の処理手順の例を示すフローチャートである。処理例３では、姿勢パラメータの算出処理（図７のステップＳ１２および図９に対応）は、次のように変形される。

［ステップＳ１１１ａ］姿勢パラメータ算出部２１３ａには、特徴量算出部２１２ａによって算出されたすべての姿勢角度θ_j1＿_n（Ｎ），θ_j2＿_n（Ｎ）が入力される。姿勢パラメータ算出部２１３ａは、図２０のステップＳ１１１ａと同様の手順（処理例１と同様の手順）で、ｊ番目の分類項目に対応する平均ベクトルＡｖｅ（Θ_j）を算出する。算出される平均ベクトルＡｖｅ（Θ_j）は、２ｎ次元のベクトルとなる。

［ステップＳ１１２ａ］姿勢パラメータ算出部２１３ａは、図２０のステップＳ１１２ａと同様の手順（処理例１と同様の手順）で、ｊ番目の分類項目に対応する１つの共分散行列Ａ_jを算出する。算出される共分散行列Ａ_jは、２ｎ行２ｎ列の行列となる。

［ステップＳ１６１］拘束条件算出部２２１は、算出された共分散行列Ａ_jに対する固有値分解を行い、固有値Λ_jと、この固有値Λ_jに対する固有ベクトルＱ_jとを算出する。
ここで、ｎ番目の分類項目に対応する共分散行列Ａ_jは、Ａ_j＝Ｑ_jΛ_jＱ_j ^Tと表すことができる。また、固有値Λ_jをΛ_j＝ｄｉａｇ（λ₁，・・・，λ_d）と表し、固有ベクトルＱ_jをＱ_j＝（ｑ₁，・・・，ｑ_d）と表す。ただし、λ₁，・・・，λ_dは降順とする。

［ステップＳ１６２］拘束条件算出部２２１は、変数ｂを“１”とする。
［ステップＳ１６３］拘束条件算出部２２１は、次の式（１３）に従って累積寄与率ξ（ｂ）を算出する。

［ステップＳ１６４］拘束条件算出部２２１は、算出された累積寄与率ξ（ｂ）が、閾値ξ_c以上であるかを判定する。閾値ξ_cは、経験的に決定される値であり、０＜ξ_c＜１の条件を満たす範囲でできるだけ大きな値（例えば、０．９９９）とされることが望ましい。

累積寄与率ξ（ｂ）が閾値ξ_c未満である場合には、ステップＳ１６５の処理が実行される。累積寄与率ξ（ｂ）が閾値ξ_c以上である場合には、ステップＳ１６６の処理が実行される。

［ステップＳ１６５］拘束条件算出部２２１は、変数ｂを“１”だけインクリメントする。その後、インクリメントされた変数ｂを用いてステップＳ１６３の計算が再度行われる。

［ステップＳ１６６］ステップＳ１６４で累積寄与率ξ（ｂ）が閾値ξ_c以上であると判定されたときの変数ｂを、ｂ＿ｃとする。拘束条件算出部２２１は、共分散行列の再計算に用いる固有値および固有ベクトルを、それぞれ次の式（１４），（１５）のように決定する。
Λ’_j＝（λ₁，・・・，λ_b＿_c） ・・・（１４）
Ｑ’_j＝（ｑ₁，・・・，ｑ_b＿_c） ・・・（１５）
姿勢パラメータ補正部２２２は、式（１４），（１５）に基づき、共分散行列Ａ’_jを次の式（８’）に従って再計算する。
Ａ’_j＝Ｑ’_jΛ’_jＱ’_j ^T ・・・（８’）
姿勢パラメータ補正部２２２は、ｎ番目の分類項目に対応する姿勢パラメータとして、ステップＳ１１１ａで算出された平均ベクトルＡｖｅ（Θ_j）と、ステップＳ１６６で再計算された共分散行列Ａ’_jとを、姿勢パラメータ記憶部２１４ａに格納する。

次に、処理例２における本処理は、処理例１と同様に実行される。すなわち、特徴量算出部２１２ａは、ｎ組の姿勢角度θ_jN1，θ_jN2を算出して、姿勢分類処理部２１５ａに出力する。姿勢分類処理部２１５ａは、姿勢パラメータ記憶部２１４ａに格納された姿勢パラメータを参照しながら、前述の式（１０）で表される姿勢角度θを前述の式（９）に代入することによって、確率Ｐ_j（θ）を算出する。そして、姿勢分類処理部２１５ａは、算出されたｎ個の確率のうち、最も高い値を持つ確率に対応する分類項目を、被験者の姿勢が属する分類項目と判定して出力する。

式（９）の次元ｄは、最大で２ｎとなる。ただし、図２５の処理において、共分散行列Ａ_jの固有値λ₁，・・・，λ_dのうち、ステップＳ１６６の計算で使用されなかった固有値の個数分だけ（すなわち、２ｎ−ｂ＿ｃだけ）次元ｄは少なくなる。

ここで、上記のステップＳ１６２〜Ｓ１６４の処理では、累積寄与率ξ（ｂ）が閾値ξ_cを超えないような変数ｂの最小値（＝ｂ＿ｃ）が算出される。そして、式（１４）により、固有値（λ₁，・・・，λ_d）のうち、先頭からｂ＿ｃ番目までの固有値が抽出され、それ以外の固有値、すなわち、姿勢の分類処理に寄与しない、極端に小さい固有値が、ステップＳ１６６での共分散行列の計算の対象から除外される。

換言すると、姿勢の分類処理に使用されるパラメータの１つである、共分散行列Ａ_jの固有値および固有ベクトルの中から、骨の動きの拘束条件に起因する、背中の傾き方がごく小さい方向に対応する固有値および固有ベクトルが判別される。そして、判別された固有値および固有ベクトルを除外したパラメータを用いて、共分散行列が再計算される。

これにより、背中の傾き方が小さい方向が予測できない場合でも、姿勢の分類精度を向上させることができる。
図２６は、処理例３での正解率の算出例を示すグラフである。この図２６では、例として、ｎ＝２として処理を行った場合に、正解率算出部２１６によって算出された正解率の例を示す。また、図２６には、２つのセンサデバイス１１０の搭載位置の組み合わせとして、図１４に示すセンサ＃１とセンサ＃２、センサ＃１とセンサ＃３、センサ＃２とセンサ＃３のそれぞれの組み合わせで処理を行った場合の正解率を示している。さらに、図２６では、参考のために、センサ＃１，＃２，＃３をそれぞれ単独で用いて第２の実施の形態の姿勢分類装置２００によって処理された場合の正解率（図１５に示した正解率）も示している。

図２６に示すように、処理例３によれば、どのセンサデバイス１１０の組み合わせでも、対応するセンサデバイス１１０を単独で用いた場合より高い正解率が得られた。また、図１８に示した処理例１、および、図２１に示した処理例２と比較した場合でも、どのセンサデバイス１１０の組み合わせでも高い正解率が得られた。

図２７は、分類項目ごとの正解率の算出例を示すグラフである。図２７に示す正解率一覧表４００では、第２の実施の形態、および、第３の実施の形態のうちの処理例１、処理例２、処理例３のそれぞれについて、分類項目ごとに算出された正解率を示している。なお、分類項目を、図５に示した識別番号によって表している。また、平均値の項目に示した数値は、図１５、図１８、図２１および図２６のグラフに示したものである。

図２７に示すように、第２の実施の形態の処理によれば、特にセンサ＃１を用いた場合に、１３種類すべての分類項目についてある程度、分類処理に成功している。また、処理例１，２，３の順に、全体として１３種類の分類項目の分類精度が向上することがわかる。特に、処理例２のセンサ＃１，＃２の組み合わせ、処理例２のセンサ＃２，＃３の組み合わせ、および処理例３のすべてのセンサデバイス１１０の組み合わせで、１３種類すべての分類項目について６０％以上の正解率が得られた。さらに、処理例３のセンサ＃１，＃３の組み合わせと、処理例３のセンサ＃２，＃３の組み合わせは、１３種類すべての分類項目について８０％以上の正解率が得られた。このように、上記各実施の形態によれば、背中の前後方向や左右方向の傾きだけでなく、背中の湾曲状態に応じた姿勢の分類も行うことが可能になる。

＜処理例４＞
処理例４は、処理例２の処理と処理例３との処理を組み合わせたものである。
図２８は、処理例４における姿勢パラメータ算出の処理手順の例を示すフローチャートである。処理例４では、姿勢パラメータの算出処理（図７のステップＳ１２および図９に対応）は、次のように変形される。なお、図２８では、図２０および図２５と同じ処理が行われる処理ステップには同じ符号を付して示し、その説明を省略する。

まず、拘束条件算出部２２１は、処理例２の場合と同様に、特徴量算出部２１２ａによって算出された姿勢角度を基に、姿勢の分類処理に寄与しない方向に対応するパラメータがあるかを判定する（ステップＳ１５１）。姿勢の分類処理に寄与しない方向に対応するパラメータがある場合、その方向に対応するパラメータ（姿勢角度）が破棄され、姿勢パラメータ算出部２１３ａは、残りの方向に対応するパラメータ（姿勢角度）のみを用いて平均ベクトルおよび共分散行列を算出する（ステップＳ１５２，Ｓ１１１ｂ，Ｓ１１１ｂ）。

一方、ステップＳ１５１で姿勢の分類処理に寄与しない方向のパラメータがあると判定されなかった場合には、処理例３と同様の処理が実行される。すなわち、姿勢パラメータ算出部２１３ａによって処理例１と同様の手順で平均ベクトルおよび共分散行列が算出される（ステップＳ１１１ａ，Ｓ１１２ａ）。拘束条件算出部２２１は、共分散行列の固有値の中から、累積寄与率の計算に基づいて、姿勢の分類処理に寄与しない固有値を除外する。そして、姿勢パラメータ補正部２２２は、除外された固有値以外の残りの固有値と、これらの固有値に対する固有ベクトルとを用いて、共分散行列を再計算する（ステップＳ１６１〜Ｓ１６６）。

〔第４の実施の形態〕
上記の第２の実施の形態および第３の実施の形態では、センサデバイス１１０によって測定された測定値が、端末装置１２０，１２０ａを介して姿勢分類装置２００，２００ａへ送信され、姿勢分類装置２００，２００ａにおいて姿勢パラメータの算出や姿勢分類処理が行われる構成とした。これに対して、第４の実施の形態では、端末装置において、姿勢パラメータの算出や姿勢分類処理が行われる構成とする。

図２９は、第４の実施の形態に係る端末装置の構成例を示すブロック図である。図２９に示す端末装置１２０ｂには、複数のセンサデバイス１１０が接続されている。また、端末装置１２０ｂは、図１７に示した姿勢分類装置２００ａと同様の処理機能を有する。ただし、データ取得部２１１ａは、センサデバイス１１０によって測定された測定値を、センサデバイス１１０から直接取得する。

なお、図２９では、第３の実施の形態における姿勢分類装置２００ａの処理機能を端末装置１２０ｂに設けたが、第２の実施の形態における姿勢分類装置２００の処理機能を端末装置１２０ｂに設けてもよい。

また、上記の第２〜第４の実施の形態では、学習処理と本処理とを１つの装置で行う構成としたが、これらの処理はそれぞれ別の装置で行われてもよい。この場合、学習処理が行われた装置で算出された姿勢パラメータが、可搬型の記録媒体あるいはネットワークなどを介して、本処理が行われる装置に入力される。

また、上記の各実施の形態に示した装置（情報処理装置１、姿勢分類装置２００，２００ｂ、端末装置１２０，１２０ａ，１２０ｂ）の処理機能は、コンピュータによって実現することができる。その場合、各装置が有すべき機能の処理内容を記述したプログラムが提供され、そのプログラムをコンピュータで実行することにより、上記処理機能がコンピュータ上で実現される。処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体に記録しておくことができる。コンピュータで読み取り可能な記録媒体としては、磁気記憶装置、光ディスク、光磁気記録媒体、半導体メモリなどがある。磁気記憶装置には、ハードディスク装置（ＨＤＤ）、フレキシブルディスク（ＦＤ）、磁気テープなどがある。光ディスクには、ＤＶＤ（Digital Versatile Disc）、ＤＶＤ−ＲＡＭ、ＣＤ−ＲＯＭ（Compact Disc-Read Only Memory）、ＣＤ−Ｒ（Recordable）／ＲＷ（ReWritable）などがある。光磁気記録媒体には、ＭＯ（Magneto-Optical disk）などがある。

プログラムを流通させる場合には、例えば、そのプログラムが記録されたＤＶＤ、ＣＤ−ＲＯＭなどの可搬型記録媒体が販売される。また、プログラムをサーバコンピュータの記憶装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することもできる。

プログラムを実行するコンピュータは、例えば、可搬型記録媒体に記録されたプログラムまたはサーバコンピュータから転送されたプログラムを、自己の記憶装置に格納する。そして、コンピュータは、自己の記憶装置からプログラムを読み取り、プログラムに従った処理を実行する。なお、コンピュータは、可搬型記録媒体から直接プログラムを読み取り、そのプログラムに従った処理を実行することもできる。また、コンピュータは、ネットワークを介して接続されたサーバコンピュータからプログラムが転送されるごとに、逐次、受け取ったプログラムに従った処理を実行することもできる。

１ 情報処理装置
２ 測定値取得部
３ パラメータ算出部
４ 分類処理部
５ 記憶装置
１１ 被験者
１２ センサ
２１ パラメータ
２２ 確率モデル
３１ 第１の測定値
３２ 第２の測定値

Claims (12)

1. 人体の背中の傾きと前記背中の湾曲状態との組み合わせによって人体の姿勢を複数種類に分類した姿勢種類ごとに、複数方向に対する前記背中の傾きを測定した第１の測定値を複数個取得し、
   前記姿勢種類ごとの複数の前記第１の測定値を基に、測定値の確率モデルを生成するためのパラメータを前記姿勢種類ごとに算出して、記憶装置に格納し、
   前記第１の測定値とそれぞれ同じ複数方向に対する人体の傾きを測定した第２の測定値を取得し、
   前記第２の測定値と、前記記憶装置に格納されたパラメータを基にそれぞれ生成される前記姿勢種類ごとの確率モデルとに基づいて、前記第２の測定値の測定対象の人体の姿勢を、複数種類の前記姿勢種類のいずれかに分類する、
   ことを特徴とする姿勢分類方法。
2. 前記姿勢種類ごとの確率モデルは、多次元正規分布に従う測定値の確率モデルであることを特徴とする請求項１記載の姿勢分類方法。
3. 前記姿勢種類ごとに算出されるパラメータは、測定される傾きの方向ごとの前記第１の測定値に基づく平均ベクトルおよび共分散行列であり、
   前記分類では、前記第２の測定値と、前記姿勢種類ごとの平均ベクトルおよび共分散行列とに基づいて、前記姿勢種類ごとに確率を算出し、測定対象の人体の姿勢を、算出された確率が最も高い前記姿勢種類に分類する、
   ことを特徴とする請求項２記載の姿勢分類方法。
4. 前記第１の測定値の取得では、それぞれ複数方向に対する前記背中の傾きを測定する複数のセンサによって測定された測定値を取得し、
   前記第２の測定値の取得では、それぞれ複数方向に対する前記背中の傾きを測定する、前記第１の測定値の測定の際と同数のセンサによって測定された測定値を取得する、
   ことを特徴とする請求項１記載の姿勢分類方法。
5. 前記姿勢種類ごとの複数の前記第１の測定値に基づいて、前記第１の測定値が示す複数方向のうち、測定対象の人体の傾きが制限される制限方向を前記姿勢種類ごとに判別する、
   処理をさらに含み、
   前記姿勢種類ごとのパラメータの算出では、複数種類の前記姿勢種類のうち一の姿勢種類について前記制限方向が判別された場合には、前記一の姿勢種類に対応する前記第１の測定値のうち、前記制限方向に対する傾きを示す前記第１の測定値を除いた残りの前記第１の測定値を用いて、前記一の姿勢種類に対応するパラメータを算出して前記記憶装置に格納する、
   ことを特徴とする請求項４記載の姿勢分類方法。
6. 前記姿勢種類ごとに算出されたパラメータに基づいて、測定対象の人体の傾きが制限される制限方向を前記姿勢種類ごとに判別し、
   複数種類の前記姿勢種類のうち一の姿勢種類について前記制限方向が判別された場合には、判別された前記制限方向に対する傾きを示すパラメータが除外されるように、前記一の姿勢種類に対応するパラメータを再計算して前記記憶装置に格納する、
   処理をさらに含むことを特徴とする請求項４記載の姿勢分類方法。
7. 前記姿勢種類ごとの確率モデルは、多次元正規分布に従う測定値の確率モデルであり、
   前記姿勢種類ごとに算出されるパラメータは、測定される傾きの方向ごとの前記第１の測定値に基づく平均ベクトルおよび共分散行列であり、
   前記制限方向の判別では、前記姿勢種類ごとに算出された共分散行列の固有値の累積寄与率に基づいて、共分散行列の固有値の中から処理対象の固有値を前記姿勢種類ごとに選択し、
   前記パラメータの再計算では、前記一の姿勢種類について処理対象の固有値が選択された場合に、当該選択された固有値と、当該固有値に対する固有ベクトルとを用いて、前記一の姿勢種類に対応する共分散行列を再計算する、
   ことを特徴とする請求項６記載の姿勢分類方法。
8. 複数個の前記第１の測定値、および、複数個の前記第２の測定値をそれぞれ測定する複数のセンサは、人体の前記背中において、背骨に沿った方向に対して互いに異なる位置に装着されることを特徴とする請求項１〜７のいずれか１項に記載の姿勢分類方法。
9. 複数方向に対する人体の背中の傾きを測定した測定値を取得する測定値取得部と、
   前記測定値取得部が、前記背中の傾きと前記背中の湾曲状態との組み合わせによって人体の姿勢を複数種類に分類した姿勢種類ごとに、複数方向に対する前記背中の傾きを測定した第１の測定値を複数個取得すると、前記姿勢種類ごとの複数の前記第１の測定値を基に、測定値の確率モデルを生成するためのパラメータを前記姿勢種類ごとに算出して、記憶装置に格納するパラメータ算出部と、
   を有することを特徴とする情報処理装置。
10. 前記測定値取得部が、前記第１の測定値とそれぞれ同じ複数方向に対する前記背中の傾きを測定した第２の測定値を取得すると、前記第２の測定値と、前記記憶装置に格納されたパラメータを基にそれぞれ生成される前記姿勢種類ごとの確率モデルとに基づいて、前記第２の測定値の測定対象の人体の姿勢を、複数種類の前記姿勢種類のいずれかに分類する分類処理部をさらに有することを特徴とする請求項９記載の情報処理装置。
11. コンピュータに、
    人体の背中の傾きと前記背中の湾曲状態との組み合わせによって人体の姿勢を複数種類に分類した姿勢種類ごとに、複数方向に対する前記背中の傾きを測定した第１の測定値を複数個取得し、
    前記姿勢種類ごとの複数の前記第１の測定値を基に、測定値の確率モデルを生成するためのパラメータを前記姿勢種類ごとに算出して、記憶装置に格納する、
    処理を実行させることを特徴とするプログラム。
12. 前記コンピュータに、
    前記第１の測定値とそれぞれ同じ複数方向に対する前記背中の傾きを測定した第２の測定値を取得し、
    前記第２の測定値と、前記記憶装置に格納されたパラメータを基にそれぞれ生成される前記姿勢種類ごとの確率モデルとに基づいて、前記第２の測定値の測定対象の人体の姿勢を、複数種類の前記姿勢種類のいずれかに分類する、
    処理をさらに実行させることを特徴とする請求項１１記載のプログラム。
    

Images