Exploring Ski Proficiency Estimation from Foot Pressure Patterns in a Simulator-Based Environment

技術要約：シミュレーター環境における足底圧パターンを用いたスキー習熟度推定の探索

問題提起
バーチャルリアリティ（VR）およびスキーシミュレーターは、オフシーズンのトレーニングやスキル習得のための制御された環境を提供する。しかし、スキーの学習、特に初心者にとって、体重移動やバランスに関する継続的なフィードバックが必要なプロセスは依然として困難である。ディープラーニングは、実環境における慣性センサー、姿勢推定、またはRGB画像を用いたスポーツスキルの指標付けに応用されてきたが、シミュレーター由来の足底圧マップを用いてスキーの習熟度を推定する研究は未開拓である。既存のスキーシミュレーターには、足の位置が固定されていることや接地条件が簡略化されているといった制限がある場合が多く、「これらの制約された環境で測定されたバイオメカニクス情報が、信頼性の高い習熟度推定を行うのに十分なデータを含んでいるのか」という疑問が生じる。

手法
本研究では、データ収集、ディープラーニングによる分類、縦断的分析、および特徴量の解釈可能性を含む多段階のアプローチを採用した。

1. データ収集および前処理:

   • 参加者: 27名（男性20名、女性7名）からデータを収集し、スキー経験に基づき3つの習熟レベル（初心者：0日、初級者：1〜5日、中級者：6日以上）に分類した。別途、6名の初心者による複数セッションを用いた縦断的実験を行った。
   • ハードウェア: 圧力センサーモジュール（計32個、片足につき16個のFSR402センサー）を備えた低コストのスキーシミュレーター（POWER SKI SIMULATOR）と、VRシステム（VizSkiおよびVIVE Pro）を使用した。
   • 入力生成: 生の圧力データを平滑化（Savitzky-Golay法）、標準化（Zスコア）、正規化（min-max）し、参加者の体重の影響を排除した。これらを、足底圧分布を表す256 × 256ピクセルのヒートマップ画像に変換した。

2. 分類モデル:

   • アーキテクチャ: 軽量な畳み込みアーキテクチャと強力な空間特徴保持能力を持つことから、YOLO11（具体的には yolo11n-cls）画像分類器を選択した。
   • タスク: 足底圧ヒートマップを初心者、初級者、中級者の各レベルに多クラス分類する。
   • 評価プロトコル:
     • 参加者依存型（Participant-Dependent）: 個々人の中に習熟度のパターンが存在するかを評価するため、訓練データと検証データの両方に同一の参加者（異なる時間セグメント）を用いた。
     • 参加者独立型（Participant-Independent）: 未知のユーザーへの汎用性をテストするため、Leave-One-Participant-Out（LOPO）交差検証を用いた。

3. 解釈可能性および縦断的分析:

   • 特徴量の可視化: 勾配情報に依存せずにネットワークの注視領域のヒートマップを生成する Eigen-CAM を使用し、どの圧力領域が分類に影響を与えたかを可視化した。
   • 統計モデリング: 縦断的データの分析のために、線形およびスプラインを用いた混合効果モデルを適用し、分類確率やバイオメカニクス変数（例：圧力中心（CoP）の軌跡、圧力比）の傾向を分析した。

主な結果

• 分類性能:

  • 参加者依存型: モデルは95.9%の高い精度を達成し、個人内における全3クラスの圧力パターンを確実に識別した。
  • 参加者独立型（LOPO）: 初心者（F1 = 0.681）および初級者（F1 = 0.674）については中程度の性能を示したが、中級者クラス（F1 = 0.028）については極めて低かった。著者らは、これを深刻なクラス不均衡（中級者がわずか4名であったこと）および参加者間の変動に起因するとしており、少数クラスに対する未知のユーザーへの汎用性に限界があることを示している。

• 特徴量の可視化（Eigen-CAM）:

  • 注視マップは、習熟レベル間で概ね類似したパターンを示した。しかし、中級者グループは初心者と比較して、前足部に向かって広がる、わずかに広い注視領域を示した。
  • 定量的分析により、前足部への注視と「非初心者」への分類確率との間に有意な関連があることが明らかになった。

• 縦断的トレーニング分析:

  • 分類の傾向: 初心者がシミュレーターでの反復トレーニングを行うにつれ、データが「初級者」または「中級者」と分類される確率が一般的に上昇した。
  • 学習軌跡: スプラインを用いた混合効果モデルは、非線形な学習軌跡を示した。すなわち、初期セッションでの急速な改善の後にプラトー（停滞）と変動が見られた。線形モデルは帰無モデルよりも有意に適合度が高かったわけではないが、スプラインモデルはより良い適合を示した（p = 0.025）。
  • バイオメカニクスの変化: 足底圧変数の混合効果分析により、時間の経過に伴う系統的な変化が示された。
    • 中心（CoP）の前方へのシフト。
    • 前足部の負荷増加と踵（かかと）の負荷減少。
    • CoP軌跡の長期化と横方向の変動性の増大。
    • これらの知見は、参加者が単に姿勢の揺れを減らすのではなく、より積極的な体重移動戦略を採用したことを示唆している。

意義と主張
本論文は、足底圧パターンを分析することで、ディープラーニングがシミュレーターベースのスキー・トレーニングにおけるスキル獲得の客観的な指標を提供できると主張している。具体的には以下の通りである：

1. 実現可能性: 足底圧ヒートマップには、定義された習熟度グループ間を区別するための、バイオメカニクス的に意味のある情報が十分に含まれている（特に個人内において）。
2. 縦断的感度: 分類器は、動きのパターンの系統的な変化を捉えており、それがバイオメカニクス的な改善（例：前足部の関与の増大）と一致する学習軌跡を反映している。
3. 解釈可能性: Eigen-CAMの使用は、モデルが任意のアーティファクトではなく、意味のある圧力分布特性（前足部への集中など）に依拠していることを示しており、学習された特徴に対して視覚的な説明を提供している。

限界と今後の方向性
著者らは、以下のいくつかの限界を謙虚に述べている：

• サンプルサイズと不均衡: 中級者の人数が少なく、エキスパート（認定選手やインストラクター）が不足していたため、未知のユーザーに対するモデルの汎用性が制限された。
• 自己申告によるラベル: 習熟レベルは、標準化された認定システムではなく、自己申告による経験日数に基づいている。
• 参加者依存型の評価: 主な評価は参加者依存型のプロトコルに依存しており、今後の研究では、厳格に参加者独立型の方法を用いて汎用性を検証する必要がある。
• シミュレーターの制約: 得られた知見は、シミュレーター特有の適応（足の位置の固定、傾斜なし）を反映したものであり、実際の雪上でのパフォーマンス向上と直接的に等価ではない可能性がある。

本研究は、現在の結果が内部の一貫性と個人の進捗追跡において有望である一方で、AI支援コーチングのための堅牢で汎用的な習熟度推定器を開発するためには、認定スキーヤーを含むより大規模なデータセットと客観的な習熟度基準が必要であると結論付けている。