Data-Efficient Continuous Walking Fatigue Prediction using Kinect Stride Features

技術要約：Kinect歩行ストライド特徴量を用いたデータ効率の高い連続歩行疲労予測

問題提起
歩行疲労の連続的なモニタリングは、臨床リハビリテーション、スポーツ科学、および労働安全において極めて重要である。しかし、既存の評価手法には重大な限界がある。従来のアプローチは、主観的な自己報告（例：ボルグ知覚的運動強度：Borg RPE）や侵襲的な生理学的測定（例：sEMG）に依存しており、これらは不連続で手間がかかり、実世界での非侵襲的な展開には適していない。一方で、ディープラーニング（DL）は強力な予測能力を提供するものの、そのバイオメカニクスへの応用は「データのボトルネック」によって阻害されている。すなわち、堅牢なモデルを訓練するために必要な、大規模かつ多様でラベル付けされたデータセットの不足である。大規模なコホートから十分な長時間の歩行試行データを収集することは時間がかかり、身体的負担も大きいため、モデルが過学習を起こしやすく、未知の個人に対する汎用性に欠けるという問題が生じる。本研究は、新しい個人のために完全な試行データの収集や大規模なモデルの再学習を必要としない、データ効率が高く、客観的で、連続的な疲労軌跡予測の手法へのニーズに応えるものである。

手法
本研究は、既知の疲労プロファイルを持つデータベースを活用して、新しい（未知の）個人の連続的な疲労軌跡を予測する、新しい予測パイプラインを提案する。本手法は、以下のコンポーネントで構成される。

1. データ取得および特徴抽出:

   • データは、トレッドミル上で疲労に至るまで歩行した42名の健康な若年成人から収集された。
   • Microsoft Kinect v2センサーを用いて、身体装着型のマーカーなしで3D関節位置をキャプチャした。
   • 8つの最適なストライドレベルの特徴量（股関節矢状面角度、膝角度、角速度、ステップ高、脊椎角度、およびトウアウト角度）を抽出した。
   • これらの特徴量は、Grey Wolf Optimizer（GWO）によって事前に最適化された係数を用い、生理学的に検証された参照指標（Borg RPEおよびsEMG）に紐付けられた。

2. 類似性に基づく識別:

   • 新しい参加者の200秒間の初期歩行シグネチャーを用いて、データベース内の類似した個人を特定する。
   • 特徴量は、Dynamic Time Warping（DTW）を用いて、共通の0–100%疲労進行時間（FPT）グリッドに正規化される。
   • 整合性に基づく類似性検索により、クエリとリポジトリの記録間の最適な時間シフトを算出し、GWOによって最適化された特徴量重みを用いた加重平均二乗誤差（MSE）を計算する。

3. 係数転送戦略:
   類似した個人が特定された後、システムは以下の3つの戦略を用いて、データベースから係数の大きさを転送し、クエリ参加者の疲労軌跡を推定する。

   • 最近傍者 (K=1): リポジトリ内の最も類似した単一の記録から係数を直接割り当てる。
   • K近傍法 (KNN): 上位K個の最も類似した記録の係数を、類似性で重み付けして平均化する。
   • ファジー融合 (提案手法): 類似性指数をガウス関数を用いてファジーメンバーシップ値（低、中、高）にマッピングする新しい手法。離散的な近傍に依存するのではなく、連続的な類似性に基づいてデータベース全体に重みを付けることで、滑らかにブレンドされた係数ベクトルを生成する。

4. 評価プロトコル:

   • Leave-One-Subject-Out (LOSO): メインコホートの各38名をクエリとして除外し、残りの37名をリポジトリとする厳格な交差検証を実施。
   • 外部検証: トレーニング／リポジトリフェーズにおいて完全に未知であった3名の参加者に対してモデルをテスト。
   • 指標: 予測された軌跡を、DTW正規化されたBorg RPEのグラウンドトゥルースと比較し、平均絶対誤差（MAE）および派生した「フィデリティスコア（忠実度スコア）」（100 - MAE）を用いて性能を測定。

主な貢献

• データ効率の高いフレームワーク: 本研究は、わずか200秒の観察によって個人の歩行疲労シグネチャーを特異的に特定できること（識別精度100%）を示しており、これにより新しいユーザーのために完全な試行データを収集する必要がないことを実証した。
• ファジー融合戦略: データベース全体を連続的に重み付けしてブレンドすることで、従来の最近傍法やKNNよりも優れた性能を発揮し、個体間変動をより良く扱う「ファジー融合」転送学習手法を導入した。
• 生理学的根拠: 純粋な統計的DLモデルとは異なり、本アプローチはGWOによって最適化された、生理学的に検証された特徴量に係数を固定しており、予測される疲労が実際の生理学的状態を反映するようにしている。
• 堅牢な汎用性: 本フレームワークは、控えめなリポジトリサイズを用いても、未知の個人の疲労軌跡を正常に予測することができ、バイオメカニクスにおけるデータの希少性の問題を効果的に解決している。

結果

• 識別: 200秒の歩行シグネチャーは、データベース内における個人の識別において100%の精度を達成した。また、自己類似性と相互類似性の間に統計的に有意な差が認められた（Cohen's d = 3.22, p < 0.0001）。
• LOSO交差検証: ファジー融合法は他の戦略を大幅に上回り、平均フィデリティスコア90.88%（MAE = 9.12%）を達成した。これは、最近傍者法（フィデリティ86.05%）や、最良のKNNバリアント（K=7, フィデリティ87.06%）と比較して大幅な改善である。また、ファジー融合はより低い標準偏差（2.70%）と、予測が10%の誤差範囲内に収まる高い割合（71.05%）を示し、より高い一貫性を実証した。
• 外部検証: 完全に未知の3名の参加者に対し、ファジー融合法は89.39%の高いフィデリティスコア（MAE = 10.61%）を維持した。これは、最近傍者法と比較して誤差を49.15%、KNN (K=7) と比較して45.11%減少させたものであり、新しい集団に対するモデルの堅牢性と汎用性を裏付けている。

意義
本論文は、このフレームワークが継続的な疲労モニタリングのための実用的で低コスト、かつ汎用性の高いソリューションを提供すると主張している。類似したプロファイルのリポジトリから個別の予測モデルを解禁するために、短い初期観察を利用することで、本アプローチはディープラーニングに固有のデータのボトルネックを回避する。著者らは、本手法が、侵襲的なセンサーや膨大なデータセットを必要とせず、リハビリテーションや労働安全などの生態学的環境におけるリアルタイムかつ客観的な生理学的評価への実行可能な道筋を提供すると述べている。ファジー融合戦略の成功は、類似性に基づく転送学習と、生理学的に根ざした最適化を組み合わせることで、現在の疲労モニタリングシステムの限界を克服できる可能性を浮き彫りにしている。