具体实施方式

(本发明的基础知识)

日本专利公开公报特开2013－255786号公报所公开的步行参数的测量利用片式压力传感器(sheet type pressure sensor)或三维动作解析系统。片式压力传感器测量步行时的压力分布并根据压力分布测量步行参数。三维动作解析系统，从多个摄像机获取拍摄了安装在脚上的标签的图像信息，并通过根据图像信息分析动作来测量步行参数。然而，设置这种片式压力传感器或三维动作解析系统需要时间很麻烦。因此，日本专利公开公报特开2013－255786号公报所公开的技术难以简单地评估老年障碍风险。

而且，作为日本专利公开公报特开2013－255786号公报所公开的步行参数，从节奏、跨步、步行比率、步幅、步间隔、步行角度、足尖部角度、跨步左右差、步间隔左右差、步行角度左右差以及双脚支撑期左右差中选择两个以上而使用。步行角度是连接左右一个脚后和跟另一个脚后跟的直线与行进方向形成的角度。足尖部角度是连接脚后跟和足尖部的直线与行进方向形成的角度。而且，日本专利公开公报特开2013－255786号公报的技术对至少从膝盖痛、腰痛、尿失禁、痴呆症以及肌肉衰减症中选出的老年障碍的老年障碍风险进行评估。然而，在日本专利公开公报特开2013－255786号公报中并没有公开关于利用上述以外的步行参数来评估老年障碍风险的内容，通过利用其它的步行参数，能进一步提高老年障碍风险的评估精度。

日本专利公开公报特开2018－114319号公报所公开的移动能力评估装置，根据试验对象在移动过程中的前后加速度、左右加速度以及上下加速度，来评估试验对象在移动时的前后平衡、体重移动以及左右平衡的至少其中之一。然而，日本专利公开公报特开2018－114319号公报却没有公开关于利用上述以外的参数来评估肌肉衰减症的内容，通过利用其它的步行参数，能进一步提高肌肉衰减症的评估精度。

为了解决以上的问题，本发明的一方面时间的肌肉衰减症评估方法，是基于试验对象的步行动作评估肌肉衰减症的肌肉衰减症评估装置的肌肉衰减症评估方法，包括以下步骤:获取与所述试验对象的步行有关的步行数据；根据所述步行数据，检测所述试验对象的一条腿的膝关节在所述一条腿的立脚期的角度、所述一条腿的所述膝关节在所述一条腿的脚悬空期的角度、所述一条腿的足尖部在所述立脚期在垂直方向的位移、所述一条腿的所述足尖部在所述脚悬空期在垂直方向的位移、所述一条腿的脚踝关节在所述立脚期的角度以及所述一条腿的所述脚踝关节在所述脚悬空期的角度的至少其中之一；利用所述膝关节在所述立脚期的所述角度、所述膝关节在所述脚悬空期的所述角度、所述足尖部在所述立脚期在垂直方向的所述位移、所述足尖部在所述脚悬空期在垂直方向的所述位移、所述脚踝关节在所述立脚期的所述角度以及所述脚踝关节在所述脚悬空期的所述角度的至少其中之一，判断所述试验对象是否为肌肉衰减症。

根据该构成，正在步行的试验对象的一条腿的膝关节在一条腿的立脚期的角度、一条腿的膝关节在一条腿的脚悬空期的角度、一条腿的足尖部在立脚期在垂直方向的位移、一条腿的足尖部在脚悬空期在垂直方向的位移、一条腿的脚踝关节在立脚期的角度以及一条腿的脚踝关节在脚悬空期的角度的至少其中之一被用作与试验对象的肌肉衰减症有关的参数。肌肉衰减症的试验对象的步行动作与不是肌肉衰减症的试验对象的步行动作之间存在不同的倾向。如此，通过利用与正在步行的试验对象的肌肉衰减症有关的参数来判断试验对象是否为肌肉衰减症，可以高精度地评估试验对象的肌肉衰减症。

而且，正在步行的试验对象的一条腿的膝关节在一条腿的立脚期的角度、一条腿的膝关节在一条腿的脚悬空期的角度、一条腿的足尖部在立脚期在垂直方向的位移、一条腿的足尖部在脚悬空期在垂直方向的位移、一条腿的脚踝关节在立脚期的角度以及一条腿的脚踝关节在脚悬空期的角度的至少其中之一，例如，可以根据通过拍摄正在步行的试验对象获得的图像数据简单地检测出来，不需要大型的装置。为此，根据本构成，可以简单地评估试验对象的肌肉衰减症。

而且，在所述的肌肉衰减症评估方法，也可以是，在所述检测中，检测所述膝关节在所述脚悬空期的规定期间的角度的时间序列数据，在所述判断中，利用所述膝关节的所述角度的时间序列数据的平均值，判断所述试验对象是否为所述肌肉衰减症。

正在步行的试验对象的一条腿的膝关节在一条腿的脚悬空期的规定期间的角度，在肌肉衰减症的试验对象和不是肌肉衰减症的试验对象之间存在显著的不同。为此，根据本构成，通过利用正在步行的试验对象的一条腿的膝关节在一条腿的脚悬空期的规定期间的角度的时间序列数据的平均值，能可靠地评估试验对象的肌肉衰减症。

而且，在所述的肌肉衰减症评估方法，也可以是，在所述试验对象的一只脚从落地起到该只脚再次落地为止的期间作为一个步行周期来表示，所述一个步行周期用1％至100％来表示时，所述规定期间是所述一个步行周期的61％至100％的期间。

根据该构成，试验对象的一只脚从落地起到该只脚再次落地为止的期间作为一个步行周期来表示，一个步行周期用1％至100％来表示。此时，通过利用一条腿的膝关节在一个步行周期的61％至100％的期间的角度的时间序列数据的平均值，能可靠地评估试验对象的肌肉衰减症。

而且，在所述的肌肉衰减症评估方法，也可以是，在所述检测中，检测所述膝关节在所述立脚期的规定期间的角度的时间序列数据，在所述判断中，利用所述膝关节的所述角度的时间序列数据的平均值，判断所述试验对象是否为所述肌肉衰减症。

正在步行的试验对象的一条腿的膝关节在一条腿的立脚期的规定期间的角度，在肌肉衰减症的试验对象和不是肌肉衰减症的试验对象之间存在显著的不同。为此，根据本构成，通过利用正在步行的试验对象的一条腿的膝关节在一条腿的立脚期的规定期间的角度的时间序列数据的平均值，能可靠地评估试验对象的肌肉衰减症。

而且，在所述的肌肉衰减症评估方法，也可以是，在所述试验对象的一只脚从落地起到该只脚再次落地为止的期间作为一个步行周期来表示，所述一个步行周期用1％至100％来表示时，所述规定期间是所述一个步行周期的50％至60％的期间。

根据该构成，试验对象的一只脚从落地起到该只脚再次落地为止的期间作为一个步行周期来表示，一个步行周期用1％至100％来表示。此时，通过利用一条腿的膝关节在一个步行周期的50％至60％的期间的角度的时间序列数据的平均值，能可靠地评估试验对象的肌肉衰减症。

而且，在所述的肌肉衰减症评估方法，也可以是，在所述检测中，检测所述足尖部在所述立脚期的规定期间在垂直方向的所述位移的时间序列数据，在所述判断中，利用所述足尖部在垂直方向的所述位移的时间序列数据的平均值，判断所述试验对象是否为所述肌肉衰减症。

正在步行的试验对象的一条腿的足尖部在一条腿的立脚期的规定期间在垂直方向的位移，在肌肉衰减症的试验对象和不是肌肉衰减症的试验对象之间存在显著的不同。为此，根据本构成，通过利用正在步行的试验对象的一条腿的足尖部在一条腿的立脚期的规定期间在垂直方向的位移的时间序列数据的平均值，能可靠地评估试验对象的肌肉衰减症。

而且，在所述的肌肉衰减症评估方法，也可以是，在所述试验对象的一只脚从落地起到该只脚再次落地为止的期间作为一个步行周期来表示，所述一个步行周期用1％至100％来表示时，所述规定期间是所述一个步行周期的1％至60％的期间。

根据该构成，试验对象的一只脚从落地起到该只脚再次落地为止的期间作为一个步行周期来表示，一个步行周期用1％至100％来表示。此时，通过利用一条腿的足尖部在一个步行周期的50％至60％的期间在垂直方向的位移的时间序列数据的平均值，能可靠地评估试验对象的肌肉衰减症。

而且，在所述的肌肉衰减症评估方法，也可以是，在所述检测中，检测所述足尖部在所述脚悬空期的规定期间在垂直方向的所述位移的时间序列数据，在所述判断中，利用所述足尖部在垂直方向的所述位移的时间序列数据的平均值，判断所述试验对象是否为所述肌肉衰减症。

正在步行的试验对象的一条腿的足尖部在一条腿的脚悬空期的规定期间在垂直方向的位移，在肌肉衰减症的试验对象和不是肌肉衰减症的试验对象之间存在显著的不同。为此，根据本构成，通过利用正在步行的试验对象的一条腿的足尖部在一条腿的脚悬空期的规定期间在垂直方向的位移的时间序列数据的平均值，能可靠地评估试验对象的肌肉衰减症。

而且，在所述的肌肉衰减症评估方法，也可以是，在所述试验对象的一只脚从落地起到该只脚再次落地为止的期间作为一个步行周期来表示，所述一个步行周期用1％至100％来表示时，所述规定期间是所述一个步行周期的65％至70％的期间。

根据该构成，试验对象的一只脚从落地起到该只脚再次落地为止的期间作为一个步行周期来表示，一个步行周期用1％至100％来表示。此时，通过利用一条腿的足尖部在一个步行周期的65％至70％的期间在垂直方向的位移的时间序列数据的平均值，能可靠地评估试验对象的肌肉衰减症。

而且，在所述的肌肉衰减症评估方法，也可以是，在所述检测中，检测所述脚踝关节在所述立脚期的第一期间的第一角度的时间序列数据和所述脚踝关节在所述脚悬空期的第二期间的第二角度的时间序列数据，在所述判断中，利用所述脚踝关节的所述第一角度的时间序列数据的平均值和所述脚踝关节的所述第二角度的时间序列数据的平均值，判断所述试验对象是否为所述肌肉衰减症。

根据该构成，通过组合利用一条腿的脚踝关节在一条腿的立脚期的第一期间的第一角度的时间序列数据的平均值和一条腿的脚踝关节在一条腿的脚悬空期的第二期间的第二角度的时间序列数据的平均值，与单独利用上述各平均值相比，能更高精度地评估肌肉衰减症。

而且，在所述的肌肉衰减症评估方法，也可以是，在所述检测中，检测所述足尖部在所述立脚期的第一期间在垂直方向的所述位移的时间序列数据、所述膝关节在所述立脚期的第二期间的所述角度的时间序列数据、所述膝关节在所述脚悬空期的第三期间的所述角度的时间序列数据、所述膝关节在所述脚悬空期的第四期间的所述角度的时间序列数据，在所述判断中，利用所述足尖部在所述第一期间在垂直方向的所述位移的时间序列数据的平均值、所述膝关节在所述第二期间、所述第三期间以及所述第四期间的所述角度的时间序列数据的平均值，判断所述试验对象是否为所述肌肉衰减症。

根据该构成，通过组合利用一条腿的足尖部在一条腿的立脚期的第一期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在一条腿的立脚期的第二期间的角度的时间序列数据的平均值、一条腿的膝关节在一条腿的脚悬空期的第三期间的角度的时间序列数据的平均值、一条腿的膝关节在一条腿的脚悬空期的第四期间的角度的时间序列数据的平均值，与单独利用上述各平均值相比，能更高精度地评估肌肉衰减症。

而且，在所述的肌肉衰减症评估方法，也可以是，在所述检测中，检测所述足尖部在所述立脚期的第一期间在垂直方向的所述位移的时间序列数据、所述脚踝关节在所述立脚期的第二期间的所述角度的时间序列数据、所述脚踝关节在所述立脚期的第三期间的所述角度的时间序列数据、所述脚踝关节在所述脚悬空期的第四期间的所述角度的时间序列数据、所述脚踝关节在所述脚悬空期的第五期间的所述角度的时间序列数据，在所述判断中，利用所述足尖部在所述第一期间在垂直方向的所述位移的时间序列数据的平均值、所述脚踝关节在所述第二期间、所述第三期间、所述第四期间以及所述第五期间的所述角度的时间序列数据的平均值，判断所述试验对象是否为所述肌肉衰减症。

根据该构成，通过组合利用一条腿的足尖部在一条腿的立脚期的第一期间在垂直方向的位移的时间序列数据的平均值、一条腿的脚踝关节在一条腿的立脚期的第二期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一条腿的立脚期的第三期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一条腿的脚悬空期的第四期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一条腿的脚悬空期的第五期间的所述角度的时间序列数据的平均值，与单独利用上述各平均值相比，能更高精度地评估肌肉衰减症。

而且，在所述的肌肉衰减症评估方法，也可以是，在所述检测中，检测所述膝关节在所述立脚期的第一期间的所述角度的时间序列数据、所述膝关节在所述脚悬空期的第二期间的所述角度的时间序列数据、所述膝关节在所述脚悬空期的第三期间的所述角度的时间序列数据、所述脚踝关节在所述立脚期的第四期间的所述角度的时间序列数据、所述脚踝关节在所述脚悬空期的第五期间的所述角度的时间序列数据、所述脚踝关节在所述脚悬空期的第六期间的所述角度的时间序列数据，在所述判断中，利用所述膝关节在所述第一期间、所述第二期间以及所述第三期间的所述角度的时间序列数据的平均值、所述脚踝关节在所述第四期间、所述第五期间以及所述第六期间的所述角度的时间序列数据的平均值，判断所述试验对象是否为所述肌肉衰减症。

根据该构成，通过组合利用一条腿的膝关节在一条腿的立脚期的第一期间的角度的时间序列数据的平均值、一条腿的膝关节在一条腿的脚悬空期的第二期间的角度的时间序列数据的平均值、一条腿的膝关节在一条腿的脚悬空期的第三期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一条腿的立脚期的第四期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一条腿的脚悬空期的第五期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一条腿的脚悬空期的第六期间的角度的时间序列数据的平均值，与单独利用上述各平均值相比，能更高精度地评估肌肉衰减症。

而且，在所述的肌肉衰减症评估方法，也可以是，在所述检测中，检测所述足尖部在所述立脚期的第一期间在垂直方向的所述位移的时间序列数据、所述足尖部在所述立脚期的第二期间在垂直方向的所述位移的时间序列数据、所述足尖部在所述脚悬空期的第三期间在垂直方向的所述位移的时间序列数据、所述膝关节在所述立脚期的第四期间的所述角度的时间序列数据、所述膝关节在所述立脚期以及所述脚悬空期的第五期间的所述角度的时间序列数据、所述脚踝关节在所述立脚期的第六期间的所述角度的时间序列数据、所述脚踝关节在所述立脚期以及所述脚悬空期的第七期间的所述角度的时间序列数据，在所述判断中，利用所述足尖部在所述第一期间、所述第二期间以及所述第三期间在垂直方向的所述位移的时间序列数据的平均值、所述膝关节在所述第四期间以及所述第五期间的所述角度的时间序列数据的平均值、所述脚踝关节在所述第六期间以及所述第七期间的所述角度的时间序列数据的平均值，判断所述试验对象是否为所述肌肉衰减症。

根据该构成，通过组合利用一条腿的足尖部在一条腿的立脚期的第一期间在垂直方向的位移的时间序列数据的平均值、一条腿的足尖部在一条腿的立脚期的第二期间在垂直方向的位移的时间序列数据的平均值、一条腿的足尖部在一条腿的脚悬空期的第三期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在一条腿的立脚期的第四期间的角度的时间序列数据的平均值、一条腿的膝关节在一条腿的立脚期以及脚悬空期的第五期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一条腿的立脚期的第六期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一条腿的立脚期以及脚悬空期的第七期间的角度的时间序列数据的平均值，与单独利用上述各平均值相比，能更高精度地评估肌肉衰减症。

而且，在所述的肌肉衰减症评估方法，也可以是，进一步利用所述膝关节在所述立脚期的角度、所述膝关节在所述脚悬空期的角度、所述足尖部在所述立脚期在垂直方向的所述位移、所述足尖部在所述脚悬空期在垂直方向的所述位移、所述脚踝关节在所述立脚期的角度以及所述脚踝关节在所述脚悬空期的角度的至少其中之一，判断所述试验对象是否为将来有可能成为所述肌肉衰减症的肌肉衰减症预备人群。

根据该构成，正在步行的试验对象的一条腿的膝关节在一条腿的立脚期的角度、一条腿的膝关节在一条腿的脚悬空期的角度、一条腿的足尖部在立脚期在垂直方向的位移、一条腿的足尖部在脚悬空期在垂直方向的位移、一条腿的脚踝关节在立脚期的角度以及一条腿的脚踝关节在脚悬空期的角度的至少其中之一被用作与试验对象的肌肉衰减症有关的参数。将来有可能成为肌肉衰减症的肌肉衰减症预备人群的试验对象的步行动作与不是肌肉衰减症预备人群的试验对象的步行动作之间存在不同的倾向。如此，通过利用与正在步行的试验对象的肌肉衰减症有关的参数来判断试验对象是否为肌肉衰减症预备人群，可以高精度地评估试验对象的肌肉衰减症。

而且，在所述的肌肉衰减症评估方法，也可以是，在所述判断中，在所述膝关节在所述立脚期的角度大于阈值的情况下、在所述膝关节在所述脚悬空期的角度大于阈值的情况下、在所述足尖部在所述立脚期在垂直方向的所述位移大于阈值的情况下、在所述足尖部在所述脚悬空期在垂直方向的所述位移大于阈值的情况下、在所述脚踝关节在所述立脚期的角度大于阈值的情况下或者在所述脚踝关节在所述脚悬空期的角度大于阈值的情况下，判断所述试验对象为所述肌肉衰减症。

根据该构成，可以在一条腿的膝关节在一条腿的立脚期的角度大于阈值的情况下、在一条腿的膝关节在一条腿的脚悬空期的角度大于阈值的情况下、在一条腿的足尖部在一条腿的立脚期在垂直方向的位移大于阈值的情况下、在一条腿的足尖部在一条腿的脚悬空期在垂直方向的位移大于阈值的情况下、在一条腿的脚踝关节在一条腿的立脚期的角度大于阈值的情况下或者在一条腿的脚踝关节在一条腿的脚悬空期的角度大于阈值的情况下，判断试验对象为肌肉衰减症。

因此，通过将一条腿的膝关节在一条腿的立脚期的角度、一条腿的膝关节在一条腿的脚悬空期的角度、一条腿的足尖部在一条腿的立脚期在垂直方向的位移、一条腿的足尖部在一条腿的脚悬空期在垂直方向的位移、一条腿的脚踝关节在一条腿的立脚期的角度或者一条腿的脚踝关节在一条腿的脚悬空期的角度与阈值进行比较，能简单地判断试验对象是否为肌肉衰减症。

而且，在所述的肌肉衰减症评估方法，也可以是，在所述判断中，通过将检测出的所述膝关节在所述立脚期的角度、所述膝关节在所述脚悬空期的角度、所述足尖部在所述立脚期在垂直方向的所述位移、所述足尖部在所述脚悬空期在垂直方向的所述位移、所述脚踝关节在所述立脚期的角度以及所述脚踝关节在所述脚悬空期的角度的至少其中之一输入到预测模型，判断所述试验对象是否为所述肌肉衰减症，其中，所述预测模型是将所述膝关节在所述立脚期的角度、所述膝关节在所述脚悬空期的角度、所述足尖部在所述立脚期在垂直方向的所述位移、所述足尖部在所述脚悬空期在垂直方向的所述位移、所述脚踝关节在所述立脚期的角度以及所述脚踝关节在所述脚悬空期的角度的至少其中之一作为输入值，将所述试验对象是否为所述肌肉衰减症作为输出值而生成的预测模型。

根据该构成，预测模型是将一条腿的膝关节在一条腿的立脚期的角度、一条腿的膝关节在一条腿的脚悬空期的角度、一条腿的足尖部在一条腿的立脚期在垂直方向的位移、一条腿的足尖部在一条腿的脚悬空期在垂直方向的位移、一条腿的脚踝关节在一条腿的立脚期的角度以及一条腿的脚踝关节在一条腿的脚悬空期的角度的至少其中之一作为输入值，将试验对象是否为肌肉衰减症作为输出值而生成的预测模型。而且，通过将检测出的一条腿的膝关节在一条腿的立脚期的角度、一条腿的膝关节在一条腿的脚悬空期的角度、一条腿的足尖部在一条腿的立脚期在垂直方向的位移、一条腿的足尖部在一条腿的脚悬空期在垂直方向的位移、一条腿的脚踝关节在一条腿的立脚期的角度以及一条腿的脚踝关节在一条腿的脚悬空期的角度的至少其中之一输入到预测模型，来判断试验对象是否为肌肉衰减症。因此，通过预先存储预测模型，能简单地判断试验对象是否为肌肉衰减症。

本发明的另一方面涉及的肌肉衰减症评估装置，是基于试验对象的步行动作评估肌肉衰减症的肌肉衰减症评估装置，包括:获取部，获取与所述试验对象的步行有关的步行数据；检测部，根据所述步行数据，检测所述试验对象的一条腿的膝关节在所述一条腿的立脚期的角度、所述一条腿的所述膝关节在所述一条腿的脚悬空期的角度、所述一条腿的足尖部在所述立脚期在垂直方向的位移、所述一条腿的所述足尖部在所述脚悬空期在垂直方向的位移、所述一条腿的脚踝关节在所述立脚期的角度以及所述一条腿的所述脚踝关节在所述脚悬空期的角度的至少其中之一；判断部，利用所述膝关节在所述立脚期的所述角度、所述膝关节在所述脚悬空期的所述角度、所述足尖部在所述立脚期在垂直方向的所述位移、所述足尖部在所述脚悬空期在垂直方向的所述位移、所述脚踝关节在所述立脚期的所述角度以及所述脚踝关节在所述脚悬空期的所述角度的至少其中之一，判断所述试验对象是否为肌肉衰减症。

根据该构成，正在步行的试验对象的一条腿的膝关节在一条腿的立脚期的角度、一条腿的膝关节在一条腿的脚悬空期的角度、一条腿的足尖部在立脚期在垂直方向的位移、一条腿的足尖部在脚悬空期在垂直方向的位移、一条腿的脚踝关节在立脚期的角度以及一条腿的脚踝关节在脚悬空期的角度的至少其中之一被用作与试验对象的肌肉衰减症有关的参数。肌肉衰减症的试验对象的步行动作与不是肌肉衰减症的试验对象的步行动作之间存在不同的倾向。如此，通过利用与正在步行的试验对象的肌肉衰减症有关的参数来判断试验对象是否为肌肉衰减症，可以高精度地评估试验对象的肌肉衰减症。

而且，正在步行的试验对象的一条腿的膝关节在一条腿的立脚期的角度、一条腿的膝关节在一条腿的脚悬空期的角度、一条腿的足尖部在立脚期在垂直方向的位移、一条腿的足尖部在脚悬空期在垂直方向的位移、一条腿的脚踝关节在立脚期的角度以及一条腿的脚踝关节在脚悬空期的角度的至少其中之一，例如，可以根据通过拍摄正在步行的试验对象获得的图像数据简单地检测出来，不需要大型的装置。为此，根据本构成，可以简单地评估试验对象的肌肉衰减症。

本发明的另一方面涉及的存储介质，是存储了肌肉衰减症评估程序的非暂时性的计算机可读取的存储介质，所述肌肉衰减症评估程序基于试验对象的步行动作评估肌肉衰减症，所述肌肉衰减症评估程序使计算机具备以下功能:获取与所述试验对象的步行有关的步行数据；根据所述步行数据，检测所述试验对象的一条腿的膝关节在所述一条腿的立脚期的角度、所述一条腿的所述膝关节在所述一条腿的脚悬空期的角度、所述一条腿的足尖部在所述立脚期在垂直方向的位移、所述一条腿的所述足尖部在所述脚悬空期在垂直方向的位移、所述一条腿的脚踝关节在所述立脚期的角度以及所述一条腿的所述脚踝关节在所述脚悬空期的角度的至少其中之一；利用所述膝关节在所述立脚期的所述角度、所述膝关节在所述脚悬空期的所述角度、所述足尖部在所述立脚期在垂直方向的所述位移、所述足尖部在所述脚悬空期在垂直方向的所述位移、所述脚踝关节在所述立脚期的所述角度以及所述脚踝关节在所述脚悬空期的所述角度的至少其中之一，判断所述试验对象是否为肌肉衰减症。

根据该构成，正在步行的试验对象的一条腿的膝关节在一条腿的立脚期的角度、一条腿的膝关节在一条腿的脚悬空期的角度、一条腿的足尖部在立脚期在垂直方向的位移、一条腿的足尖部在脚悬空期在垂直方向的位移、一条腿的脚踝关节在立脚期的角度以及一条腿的脚踝关节在脚悬空期的角度的至少其中之一被用作与试验对象的肌肉衰减症有关的参数。肌肉衰减症的试验对象的步行动作与不是肌肉衰减症的试验对象的步行动作之间存在不同的倾向。如此，通过利用与正在步行的试验对象的肌肉衰减症有关的参数来判断试验对象是否为肌肉衰减症，可以高精度地评估试验对象的肌肉衰减症。

而且，正在步行的试验对象的一条腿的膝关节在一条腿的立脚期的角度、一条腿的膝关节在一条腿的脚悬空期的角度、一条腿的足尖部在立脚期在垂直方向的位移、一条腿的足尖部在脚悬空期在垂直方向的位移、一条腿的脚踝关节在立脚期的角度以及一条腿的脚踝关节在脚悬空期的角度的至少其中之一，例如，可以根据通过拍摄正在步行的试验对象获得的图像数据简单地检测出来，不需要大型的装置。为此，根据本构成，可以简单地评估试验对象的肌肉衰减症。

以下参照附图对本发明的实施方式进行说明。另外，以下说明的实施方式都是具体地表示本发明的一个例子，并不用于限定本发明的技术保护范围。

(实施方式)

以下，基于图1对本实施方式涉及的肌肉衰减症评估系统进行说明。

图1是表示本发明的实施方式的肌肉衰减症评估系统的构成的方框图。

图1所示的肌肉衰减症评估系统具备肌肉衰减症评估装置1、摄像机2以及显示部3。

摄像机2对步行的试验对象进行摄像。摄像机2将表示步行的试验对象的动态图像数据输出到肌肉衰减症评估装置1。摄像机2通过有线或无线与肌肉衰减症评估装置1连接。

肌肉衰减症评估装置1具备处理器11以及存储器12。

处理器11例如是CPU(中央运算处理装置)，具备数据获取部111、步行参数检测部112、肌肉衰减症判断部113以及评估结果提示部114。

存储器12例如是RAM(Random Access Memory)、HDD(Hard Disk Drive)、SSD(Solid State Drive)或闪存等可以存储各种信息的存储装置。

数据获取部111获取与试验对象的步行有关的步行数据。步行数据例如是通过对步行的试验对象进行摄像得到的动态图像数据。数据获取部111获取通过摄像机2输出的动态图像数据。

步行参数检测部112从通过数据获取部111获取的动态图像数据提取表示试验对象的骨骼的骨骼数据。骨骼数据用表示试验对象的关节等的多个特征点的坐标和连接各特征点的直线来表示。步行参数检测部112也可以利用从二维图像数据检测出人的特征点的坐标的软件(例如OpenPose或3D pose－baseline)。

在此，对从二维图像数据提取骨骼数据的处理进行说明。

图2是用于说明在本实施方式、从二维图像数据提取骨骼数据的处理的示意图。

步行参数检测部112从包含步行的试验对象200的图像的二维图像数据20中提取骨骼数据21。骨骼数据21包含表示头部的特征点201、表示双肩的中央的特征点202、表示右肩的特征点203、表示右肘的特征点204、表示右手的特征点205、表示左肩的特征点206、表示左肘的特征点207、表示左手的特征点208、表示腰部的特征点209、表示右股关节的特征点210、表示右膝关节的特征点211、表示右脚踝关节的特征点212、表示右足尖部的特征点213、表示左股关节的特征点214、表示左膝关节的特征点215、表示左脚踝关节的特征点216以及表示左足尖部的特征点217。

动态图像数据由多个二维图像数据构成。步行参数检测部112从构成动态图像数据的多个二维图像数据的每个图像数据提取时间序列的骨骼数据。另外，步行参数检测部112既可以从所有帧的二维图像数据提取骨骼数据，也可以从每个预定帧的二维图像数据提取骨骼数据。而且，在本实施方式，主要基于步行中的试验对象的下肢的动作来评估肌肉衰减症。为此，步行参数检测部112也可以仅提取试验对象的下肢的骨骼数据。

而且，步行参数检测部112，从时间序列的骨骼数据截取与试验对象的一个步行周期对应的骨骼数据。其中，骨骼数据是从动态图像数据提取。人的步行动作是周期性的动作。

在此，对试验对象的步行周期进行说明。

图3是用于说明本实施方式的步行周期的示意图。

如图3所示，试验对象的一只脚从落地起到该只脚再次落地为止的期间作为一个步行周期来表示。图3所示的一个步行周期是试验对象的右脚从落地起到右脚再次落地为止的期间。而且，一个步行周期被标准化为1％至100％。一个步行周期的1％至60％的期间称为一只脚(例如，右脚)正在落地的立脚期，一个步行周期的61％至100％的期间称为一只脚(例如，右脚)正从地面离开的脚悬空期。一个步行周期包含立脚期和脚悬空期。另外，一个步行周期也可以是试验对象的左脚从落地起到左脚再次落地为止的期间。

步行参数检测部112根据步行数据检测出试验对象的一条腿的膝关节在立脚期的角度、一条腿的膝关节在脚悬空期的角度、一条腿的足尖部在立脚期在垂直方向的位移、一条腿的足尖部在脚悬空期在垂直方向的位移、一条腿的脚踝关节在立脚期的角度以及一条腿的脚踝关节在脚悬空期的角度的至少其中之一。

在本实施方式，步行参数检测部112根据步行数据检测出试验对象的一条腿的膝关节在脚悬空期的角度。步行参数检测部112从与截取的一个步行周期对应的时间序列的骨骼数据检测出试验对象的一条腿的膝关节在脚悬空期的角度。如图2所示，膝关节的角度γ在箭头状面(sagittal plane)是连接表示右膝关节的特征点211和表示右股关节的特征点210的直线与连接表示右膝关节的特征点211和表示右脚踝关节的特征点212的直线之间所形成的角度。

特别是，步行参数检测部112检测出脚悬空期一条腿的膝关节在一条腿的脚悬空期的规定期间的角度的时间序列数据。具体而言，规定期间是一个步行周期的61％至100％的期间。步行参数检测部112将脚悬空期一条腿的膝关节在一条腿的脚悬空期的规定期间的角度的时间序列数据的平均值作为步行参数来计算。

另外，关于对试验对象的一条腿的膝关节在立脚期的角度、一条腿的足尖部在立脚期在垂直方向的位移、一条腿的足尖部在脚悬空期在垂直方向的位移、一条腿的脚踝关节在立脚期的角度以及一条腿的脚踝关节在脚悬空期的角度的检测，在本实施方式的变形例中进行说明。

肌肉衰减症判断部113，利用一条腿的膝关节在立脚期的角度、一条腿的膝关节在脚悬空期的角度、一条腿的足尖部在立脚期在垂直方向的位移、一条腿的足尖部在脚悬空期在垂直方向的位移、一条腿的脚踝关节在立脚期的角度以及一条腿的脚踝关节在脚悬空期的角度的至少其中之一，判断试验对象是否为肌肉衰减症。

在本实施方式，肌肉衰减症判断部113，利用一条腿的膝关节在脚悬空期的角度的时间序列数据的平均值来判断试验对象是否为肌肉衰减症。

而且，肌肉衰减症判断部113，通过将检测出一条腿的膝关节在立脚期的角度、一条腿的膝关节在脚悬空期的角度、一条腿的足尖部在立脚期在垂直方向的位移、一条腿的足尖部在脚悬空期在垂直方向的位移、一条腿的脚踝关节在立脚期的角度以及一条腿的脚踝关节在脚悬空期的角度的至少其中之一输入到预测模型，来判断试验对象是否为肌肉衰减症，其中，所述预测模型将一条腿的膝关节在立脚期的角度、一条腿的膝关节在脚悬空期的角度、一条腿的足尖部在立脚期在垂直方向的位移、一条腿的足尖部在脚悬空期在垂直方向的位移、一条腿的脚踝关节在立脚期的角度以及一条腿的脚踝关节在脚悬空期的角度的至少其中之一作为输出值，将试验对象是否为肌肉衰减症作为输出值而生成。

在本实施方式，肌肉衰减症判断部113通过将由步行参数检测部112检测出一条腿的膝关节在脚悬空期的角度输入到预测模型来判断试验对象是否为肌肉衰减症，其中，所述预测模型将一条腿的膝关节在脚悬空期的角度作为输入值，将试验对象是否为肌肉衰减症作为输出值而生成。

另外，关于利用一条腿的膝关节在立脚期的角度、一条腿的足尖部在立脚期在垂直方向的位移、一条腿的足尖部在脚悬空期在垂直方向的位移、一条腿的脚踝关节在立脚期的角度以及一条腿的脚踝关节在脚悬空期的角度对试验对象的肌肉衰减症的判断，在本实施方式的变形例中进行说明。

而且，在本实施方式，肌肉衰减症判断部113不仅判断试验对象是否为肌肉衰减症。肌肉衰减症判断部113，还利用一条腿的膝关节在立脚期的角度、一条腿的膝关节在脚悬空期的角度、一条腿的足尖部在立脚期在垂直方向的位移、一条腿的足尖部在脚悬空期在垂直方向的位移、一条腿的脚踝关节在立脚期的角度以及一条腿的脚踝关节在脚悬空期的角度的至少其中之一，判断试验对象是否为将来有可能成为肌肉衰减症的肌肉衰减症预备人群。即，肌肉衰减症判断部113判断试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种。

肌肉衰减症表示试验对象的肌肉量下降并且肌肉的力量或体能下降的状态。而且，肌肉衰减症预备人群表示虽然肌肉的力量和体能没有下降，但试验对象的肌肉量下降的状态。肌肉量例如通过测量试验对象的四肢骨骼肌肉量来获得。在四肢骨骼肌肉量低于阈值的情况下，可以判断肌肉量正在下降。而且，肌肉的力量例如通过测量试验对象的握力来获得。在握力低于阈值的情况下，可以判断肌肉的力量正在下降。而且，体能例如通过测量试验对象的步行速度来获得。在步行速度小于阈值的情况下，可以判断体能正在下降。

存储器12预先存储将一条腿的膝关节在脚悬空期的角度作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成的预测模型。预测模型是以试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将脚悬空期一条腿的膝关节在一个步行周期的脚悬空期的规定期间的角度的时间序列数据作为说明变量的回归模型(regression model)。预测模型输出表示试验对象为肌肉衰减症的值(例如，2)、表示试验对象为肌肉衰减症预备人群的值(例如，1)、表示试验对象不是肌肉衰减症以及肌肉衰减症预备人群即是健康者的值(例如，0)的其中之一。

特别是，肌肉衰减症判断部113利用一条腿的膝关节在脚悬空期的角度的时间序列数据的平均值来判断试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种。具体而言，肌肉衰减症判断部113，利用一条腿的膝关节在一个步行周期的61％至100％的期间的角度的时间序列数据的平均值来判断试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种。

另外，预测模型也可以通过机器学习而生成。作为机器学习，例如有利用对输入信息赋予了标签(输出信息)的教师数据学习输入和输出的关系的有教师学习、没有标签仅根据输入构建数据的构造的无教师学习、即可以有标签也可以无标签的半有教师学习、通过试行错误学习使报酬最大化的行动的强化学习。而且，作为机器学习的具体方法例如存在神经网络(包含使用多层神经网络的深度学习)、遗传算法、决策树、贝叶斯网络或支持向量机(SVM)等。在本发明的机器学习中，可以使用以上列举的具体例子之中的任意一种。

而且，预测模型也可以输出表示试验对象有可能为肌肉衰减症的值。表示试验对象有可能为肌肉衰减症的值例如用0.0至2.0来表示。在这种情况下，例如，肌肉衰减症判断部113也可以在表示试验对象有可能为肌肉衰减症的值在0.5以下时判断试验对象为健康者，在试验对象有可能为肌肉衰减症的值大于0.5并且在1.5以下时判断试验对象为肌肉衰减症预备人群，在表示试验对象有可能为肌肉衰减症的值大于1.5时判断试验对象为肌肉衰减症。

而且，存储器12也可以存储用于判断试验对象是否为肌肉衰减症的第一预测模型和用于判断试验对象是否为肌肉衰减症预备人群的第二预测模型。在这种情况下，肌肉衰减症判断部113，将一条腿的膝关节在立脚期的角度、一条腿的膝关节在脚悬空期的角度、一条腿的足尖部在立脚期在垂直方向的位移、一条腿的足尖部在脚悬空期在垂直方向的位移、一条腿的脚踝关节在立脚期的角度以及一条腿的脚踝关节在脚悬空期的角度的至少其中之一输入到第一预测模型，判断试验对象是否为肌肉衰减症。肌肉衰减症判断部113，在判断试验对象不是肌肉衰减症的情况下，将一条腿的膝关节在立脚期的角度、一条腿的膝关节在脚悬空期的角度、一条腿的足尖部在立脚期在垂直方向的位移、一条腿的足尖部在脚悬空期在垂直方向的位移、一条腿的脚踝关节在立脚期的角度以及一条腿的脚踝关节在脚悬空期的角度的至少其中之一输入到第二预测模型，判断试验对象是否为肌肉衰减症预备人群。肌肉衰减症判断部113，在判断试验对象不是肌肉衰减症预备人群的情况下，判断试验对象为健康者。

评估结果提示部114提示通过肌肉衰减症判断部113判断的肌肉衰减症的评估结果。评估结果提示部114将通过肌肉衰减症判断部113判断的评估结果输出到显示部3。评估结果是表示通过肌肉衰减症判断部113判断的试验对象是否为肌肉衰减症的信息以及评估留言的至少其中之一。评估结果提示部114也可以提示表示通过肌肉衰减症判断部113判断的试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种的评估结果。

显示部3显示从评估结果提示部114输出的评估结果。显示部3例如是液晶显示面板或发光元件。

另外，显示部3，为了比较表示此次判断的试验对象有可能为肌肉衰减症的值和表示过去的试验对象有可能为肌肉衰减症的值，也可以用图表显示表示试验对象有可能为肌肉衰减症的值的迁移。另外，表示过去的试验对象有可能为肌肉衰减症的值被存储在存储器12，可从存储器12读出。

另外，肌肉衰减症评估装置1也可以具备摄像机2以及显示部3。而且，肌肉衰减症评估装置1也可以具备显示部3。肌肉衰减症评估装置1也可以是个人计算机或服务器。

其次，利用图4对本实施方式的肌肉衰减症评估处理进行说明。

图4是用于说明在本实施方式、利用了试验对象的步行动作的肌肉衰减症评估处理的流程图。图4所示的流程图表示使用肌肉衰减症评估装置1来评估肌肉衰减症的步骤。

试验对象在摄像机2前步行。摄像机2拍摄正在步行的试验对象。摄像机2将试验对象正在步行的动态图像数据发送到肌肉衰减症评估装置1。

首先，在步骤S1，数据获取部111获取由摄像机2发送来的动态图像数据。

其次，在步骤S2，步行参数检测部112从动态图像数据提取时间序列的骨骼数据。

其次，在步骤S3，步行参数检测部112从时间序列的骨骼数据检测出用于判断肌肉衰减症的步行参数。在此，本实施方式的步行参数是脚悬空期一条腿的膝关节在一个步行周期的一条腿的脚悬空期的规定期间的角度的时间序列数据的平均值。规定期间例如是一个步行周期的61％至100％的期间。另外，关于步行参数的决定方法将在以后说明。

其次，在步骤S4，肌肉衰减症判断部113，执行利用步行参数判断试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种的肌肉衰减症判断处理。另外，关于肌肉衰减症判断处理将在以后说明。

其次，在步骤S5，评估结果提示部114将通过肌肉衰减症判断部113判断的肌肉衰减症的评估结果输出到显示部3。肌肉衰减症的评估结果表示试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种。评估结果提示部114也可以不只是将是肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种输出到显示部3，也可以将与肌肉衰减症、肌肉衰减症预备人群或健康者相对应的评估留言输出到显示部3。显示部3显示从评估结果提示部114输出的肌肉衰减症的评估结果。

在此，对图4的步骤S4的肌肉衰减症判断处理进行说明。

图5是用于说明图4的步骤S4的肌肉衰减症判断处理的流程图。

首先，在步骤S11，肌肉衰减症判断部113从存储器12读出预测模型。

其次，在步骤S12，肌肉衰减症判断部113将通过步行参数检测部112检测出的步行参数输入到预测模型。本实施方式的步行参数是在试验对象的一条腿的膝关节在一个步行周期的61％至100％的期间的角度的时间序列数据的平均值。肌肉衰减症判断部113将试验对象的一条腿的膝关节在一个步行周期的61％至100％的期间的角度的时间序列数据的平均值输入到预测模型。

其次，在步骤S13，肌肉衰减症判断部113从预测模型获取肌肉衰减症的判断结果。肌肉衰减症判断部113从预测模型获取试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为判断结果。

另外，在本实施方式的肌肉衰减症判断处理中，通过向预先生成的预测模型输入步行参数来判断试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种，但是，本发明并不局限于此。在本实施方式的肌肉衰减症判断处理的其它例子中，也可以通过将步行参数与预先存储的阈值进行比较，来判断试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种。

在这种情况下，存储器12预先存储用于判断试验对象是否为肌肉衰减症的第一阈值和用于判断试验对象是否为肌肉衰减症预备人群的第二阈值。第二阈值在第一阈值以下。

而且，肌肉衰减症判断部113也可以一条腿的膝关节在立脚期的角度大于第一阈值的情况下、一条腿的膝关节在脚悬空期的角度大于第一阈值的情况下、一条腿的足尖部在立脚期在垂直方向的位移大于第一阈值的情况下、一条腿的足尖部在脚悬空期在垂直方向的位移大于第一阈值的情况下、一条腿的脚踝关节在立脚期的角度大于第一阈值的情况下、或者一条腿的脚踝关节在脚悬空期的角度大于第一阈值的情况下，判断试验对象为肌肉衰减症。

在本实施方式，肌肉衰减症判断部113也可以一条腿的膝关节在脚悬空期的角度大于第一阈值的情况下判断试验对象为肌肉衰减症。肌肉衰减症判断部113判断在试验对象的一条腿的膝关节在一个步行周期的61％至100％的期间的角度的时间序列数据的平均值是否大于第一阈值。肌肉衰减症判断部113，在试验对象的一条腿的膝关节在一个步行周期的61％至100％的期间的角度的时间序列数据的平均值大于第一阈值的情况下，判断试验对象为肌肉衰减症。

另一方面，肌肉衰减症判断部113一条腿的膝关节在立脚期的角度在第一阈值以下的情况下，也可以判断一条腿的膝关节在立脚期的角度是否大于第二阈值。而且，肌肉衰减症判断部113一条腿的膝关节在脚悬空期的角度在第一阈值以下的情况下，也可以判断一条腿的膝关节在脚悬空期的角度是否大于第二阈值。而且，肌肉衰减症判断部113一条腿的足尖部在立脚期在垂直方向的位移在第一阈值以下的情况下，也可以判断一条腿的足尖部在立脚期在垂直方向的位移是否大于第二阈值。而且，肌肉衰减症判断部113一条腿的足尖部在脚悬空期在垂直方向的位移在第一阈值以下的情况下，也可以判断一条腿的足尖部在脚悬空期在垂直方向的位移是否大于第二阈值。而且，肌肉衰减症判断部113一条腿的脚踝关节在立脚期的角度在第一阈值以下的情况下，也可以判断一条腿的脚踝关节在立脚期的角度是否大于第二阈值。而且，肌肉衰减症判断部113一条腿的脚踝关节在脚悬空期的角度在第一阈值以下的情况下，也可以判断一条腿的脚踝关节在脚悬空期的角度是否大于第二阈值。

肌肉衰减症判断部113一条腿的膝关节在立脚期的角度大于第二阈值的情况下、一条腿的膝关节在脚悬空期的角度大于第二阈值的情况下、一条腿的足尖部在立脚期在垂直方向的位移大于第二阈值的情况下、一条腿的足尖部在脚悬空期在垂直方向的位移大于第二阈值的情况下、一条腿的脚踝关节在立脚期的角度大于第二阈值的情况下、或者一条腿的脚踝关节在脚悬空期的角度大于第二阈值的情况下，也可以判断试验对象为肌肉衰减症预备人群。

在本实施方式，肌肉衰减症判断部113一条腿的膝关节在脚悬空期的角度大于第二阈值的情况下，也可以判断试验对象为肌肉衰减症预备人群。肌肉衰减症判断部113判断试验对象的一条腿的膝关节在一个步行周期的61％至100％的期间的角度的时间序列数据的平均值是否大于第二阈值。肌肉衰减症判断部113，在试验对象的一条腿的膝关节在一个步行周期的61％至100％的期间的角度的时间序列数据的平均值大于第二阈值的情况下，判断试验对象为肌肉衰减症预备人群。另一方面，肌肉衰减症判断部113，在试验对象的一条腿的膝关节在一个步行周期的61％至100％的期间的角度的时间序列数据的平均值在第二阈值以下的情况下，判断试验对象不是肌肉衰减症预备人群即试验对象为健康者。

图6是用于说明图4的步骤S4的肌肉衰减症判断处理的其它例子的流程图。

首先，在步骤S21，肌肉衰减症判断部113从存储器12读出第一阈值以及第二阈值。

其次，在步骤S22，肌肉衰减症判断部113判断通过步行参数检测部112检测出的步行参数是否大于第一阈值。本实施方式的步行参数是在试验对象的一条腿的膝关节在一个步行周期的61％至100％的期间的角度的时间序列数据的平均值。肌肉衰减症判断部113判断试验对象的一条腿的膝关节在一个步行周期的61％至100％的期间的角度的时间序列数据的平均值是否大于第一阈值。

在此，在判断步行参数大于第一阈值的情况下(在步骤S22为“是”)，在步骤S23，肌肉衰减症判断部113判断试验对象为肌肉衰减症。

另一方面，在判断步行参数在第一阈值以下的情况下(在步骤S22为“否”)，在步骤S24，肌肉衰减症判断部113判断通过步行参数检测部112检测出的步行参数是否大于第二阈值。本实施方式的步行参数是试验对象的一条腿的膝关节在一个步行周期的61％至100％的期间的角度的时间序列数据的平均值。肌肉衰减症判断部113判断试验对象的一条腿的膝关节在一个步行周期的61％至100％的期间的角度的时间序列数据的平均值是否大于第二阈值。

在此，在判断步行参数大于第二阈值的情况下(在步骤S24为“是”)，在步骤S25，肌肉衰减症判断部113判断试验对象为肌肉衰减症预备人群。

另一方面，在判断步行参数在第二阈值以下的情况下(在步骤S24为“否”)，在步骤S26，肌肉衰减症判断部113判断试验对象不是肌肉衰减症预备人群即试验对象为健康者。

如上所述，在本实施方式，正在步行的试验对象的一条腿的膝关节在脚悬空期的角度是与试验对象的肌肉衰减症相关的参数。肌肉衰减症的试验对象的步行动作与不是肌肉衰减症的试验对象的步行动作具有不同的倾向。为此，因为利用与步行中的试验对象的肌肉衰减症有关的参数来判断试验对象的肌肉衰减症，所以能高精度地评估试验对象的肌肉衰减症。

而且，因为正在步行的试验对象的一条腿的膝关节在脚悬空期的角度，例如，可以从通过拍摄正在步行的试验对象得到的图像数据中简单地检测出，所以不需要大型的装置。为此，根据本结构，可以简单地对试验对象的肌肉衰减症进行评估。

本实施方式的步行参数以及预测模型可以通过实验来决定。以下，对本实施方式的步行参数以及预测模型的决定方法进行说明。

参加实验的试验对象的总人数为65人。所有的试验对象都是女性。到目前为止存在各种肌肉衰减症的判断基准。此次采用的肌肉衰减症的判断基准是四肢骨骼肌肉量低于5.8(kg/m²)且握力低于19.3(kg)或者四肢骨骼肌肉量低于5.8(kg/m²)且步行速度小于1.19(m/s)。四肢骨骼肌肉量是将双臂和双脚的合计肌肉量除以身高的平方值。在四肢骨骼肌肉量低于5.8(kg/m²)且握力低于19.3(kg)的情况下或者在四肢骨骼肌肉量低于5.8(kg/m²)且步行速度小于1.19(m/s)的情况下，判断试验对象为肌肉衰减症。另外，上述的判断中所使用的基准值以女性为对象，在试验对象为男性的情况下，在四肢骨骼肌肉量低于7.0(kg/m²)且握力低于30.3(kg)的情况下或者在四肢骨骼肌肉量低于7.0(kg/m²)且步行速度小于1.27(m/s)的情况下，判断试验对象为肌肉衰减症。

而且，在只有四肢骨骼肌肉量低于基准值的情况下，判断试验对象为肌肉衰减症预备人群。即，在只有四肢骨骼肌肉量低于5.8(kg/m²)的情况下，判断试验对象为肌肉衰减症预备人群。

另外，上述的肌肉衰减症的判断基准只是一个例子而已，并不限于上述的数值。

作为判断的结果，试验对象之中是肌肉衰减症的试验对象有9人，是肌肉衰减症预备人群的试验对象有30人，是健康者的试验对象有26人。在实验时，试验对象者们在摄像机前步行。用摄像机拍摄步行的试验对象，从动态图像数据提取每个试验对象的骨骼数据。而且，从所提取的骨骼数据中检测出每个试验对象的一条腿的膝关节的角度的时间序列数据。

图7是表示在本实施方式、一条腿的膝关节在一个步行周期的角度的变化的示意图。在图7中，纵轴表示膝关节的角度，横轴表示标准化后的一个步行周期。而且，在图7中，虚线表示健康者的试验对象者们的一条腿的膝关节的角度的平均波形，点划线表示肌肉衰减症预备人群的试验对象者们的一条腿的膝关节的角度的平均波形，实线表示肌肉衰减症的试验对象者们的一条腿的膝关节的角度的平均波形。

在实验中，将标准化后的一个步行周期划分为十个区间，对每个试验对象计算出一条腿的膝关节在一个区间或两个以上连续的区间的角度的平均值。而且，创建将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的膝关节在一个步行周期的61％至100％的期间的角度的平均值作为说明变量的预测模型。预测模型通过交叉验证进行评估。作为交叉验证采用leave－one－out交叉验证。而且，计算出判断为健康者以及肌肉衰减症的预测模型的ROC(Receiver OperatingCharacteristic)曲线和判断为健康者以及肌肉衰减症预备人群的预测模型的ROC曲线。并且，分别计算出预测模型的两个ROC曲线的AUC(Area Under Curve)值。

图8是表示从利用本实施方式的预测模型判断了健康者以及肌肉衰减症的结果得到的ROC曲线的示意图。

本实施方式的预测模型是以试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的膝关节在一个步行周期的61％至100％的期间的角度的平均值作为说明变量而创建。在图8中，纵轴表示真阳性率(True PositiveRate)，横轴表示假阳性率(False Positive Rate)。真阳性率表示预测模型将肌肉衰减症的试验对象正确地判断为肌肉衰减症的比率，假阳性率表示预测模型将健康者的试验对象错误地判断为肌肉衰减症的比率。

图8所示的ROC曲线是描绘预测模型的真阳性率和假阳性率的曲线，所述预测模型以一条腿的膝关节在一个步行周期的61％至100％的期间的角度的平均值作为说明变量而创建。图8所示的ROC曲线的AUC值为0.699。AUC值是ROC曲线的下半部分的面积。可以认为AUC值越大(越接近1)预测模型的性能就越高。

图9是表示从利用本实施方式的预测模型判断了健康者以及肌肉衰减症预备人群的结果得到的ROC曲线的示意图。在图9中，纵轴表示真阳性率，横轴表示假阳性率。真阳性率表示预测模型将肌肉衰减症预备人群的试验对象正确地判断为肌肉衰减症预备人群的比率，假阳性率表示预测模型将健康者的试验对象错误地判断为肌肉衰减症预备人群的比率。

图9所示的ROC曲线是描绘预测模型的真阳性率和假阳性率的曲线，所述预测模型以一条腿的膝关节在一个步行周期的61％至100％的期间的角度的平均值作为说明变量而创建。图9所示的ROC曲线的AUC值为0.604。

在本实施方式，一条腿的膝关节在一个步行周期的61％至100％的期间的角度的平均值被决定为步行参数。而且，一条腿的膝关节在一个步行周期的61％至100％的期间的角度的平均值作为说明变量而创建的预测模型被决定为肌肉衰减症判断部113所使用的预测模型。

存储器12预先存储预测模型，该预测模型将一条腿的膝关节在一个步行周期的61％至100％的期间的角度的时间序列数据的平均值作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成。步行参数检测部112检测一条腿的膝关节在一个步行周期的61％至100％的期间的角度的时间序列数据。肌肉衰减症判断部113，通过将一条腿的膝关节在一个步行周期的61％至100％的期间的角度的时间序列数据的平均值输入到预测模型，从预测模型获取表示试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种的判断结果。

而且，在图7所示的一个步行周期的61％至100％的期间，作为肌肉衰减症的试验对象者们的一条腿的膝关节的角度的平均波形比作为肌肉衰减症预备人群的试验对象者们的一条腿的膝关节的角度的平均波形大。因此，也可以将通过实验得到的作为肌肉衰减症的试验对象者们的一条腿的膝关节在一个步行周期的61％至100％的期间的角度的时间序列数据的平均值的平均与作为肌肉衰减症预备人群的试验对象者们的一条腿的膝关节在一个步行周期的61％至100％的期间的角度的时间序列数据的平均值的平均之间的值作为第一阈值而存储在存储器12。肌肉衰减症判断部113，也可以通过对试验对象的一条腿的膝关节在一个步行周期的61％至100％的期间的角度的时间序列数据的平均值和预先存储的第一阈值进行比较，来判断试验对象是否为肌肉衰减症。

而且，在图7所示的一个步行周期的61％至100％的期间，作为肌肉衰减症预备人群的试验对象者们的一条腿的膝关节的角度的平均波形比作为健康者的试验对象者们的一条腿的膝关节的角度的平均波形大。因此，也可以将通过实验得到的作为肌肉衰减症预备人群的试验对象者们的一条腿的膝关节在一个步行周期的61％至100％的期间的角度的时间序列数据的平均值的平均与作为健康者的试验对象者们的一条腿的膝关节在一个步行周期的61％至100％的期间的角度的时间序列数据的平均值的平均之间的值作为第二阈值而存储在存储器12。肌肉衰减症判断部113，也可以通过对试验对象的一条腿的膝关节在一个步行周期的61％至100％的期间的角度的时间序列数据的平均值和预先存储的第二阈值进行比较，来判断试验对象是否为肌肉衰减症预备人群。

另外，在本实施方式，步行参数是一条腿的膝关节在一个步行周期的61％至100％的期间的角度的时间序列数据的平均值，但是，本发明并不局限于此。以下，对本实施方式的步行参数的各种例子进行说明。

首先，对本实施方式的第一变形例的步行参数进行说明。

本实施方式的第一变形例的步行参数也可以是一条腿的膝关节在试验对象的一条腿的立脚期的规定期间的角度的时间序列数据的平均值。

在本实施方式的第一变形例，与上述的实验相同，从包含肌肉衰减症的试验对象、肌肉衰减症预备人群的试验对象以及健康者的试验对象的多个试验对象的骨骼数据中检测出多个试验对象中的每个试验对象的膝关节的角度的时间序列数据。而且，创建将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的膝关节在立脚期的规定期间的角度的时间序列数据的平均值作为说明变量的预测模型。规定期间是一个步行周期的1％至60％的期间。预测模型通过交叉验证(crossvalidation)进行评估。作为交叉验证采用leave－one－out交叉验证。而且，计算出预测模型的ROC曲线。进一步，计算出预测模型的ROC曲线的AUC值。

图10是表示从利用本实施方式的第一变形例的预测模型判断了健康者以及肌肉衰减症的结果得到的ROC曲线的示意图。

本实施方式的第一变形例的预测模型是将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的膝关节在一个步行周期的1％至60％的期间的角度的平均值作为说明变量而创建。在图10中，纵轴表示真阳性率，横轴表示假阳性率。真阳性率表示预测模型将肌肉衰减症的试验对象正确地判断为肌肉衰减症的比率，假阳性率表示预测模型将健康者的试验对象错误地判断为肌肉衰减症的比率。

图10所示的ROC曲线是描绘预测模型的真阳性率和假阳性率的曲线，所述预测模型将一条腿的膝关节在一个步行周期的1％至60％的期间的角度的平均值作为说明变量而创建。图10所示的ROC曲线的AUC值为0.586。

图11是表示从利用本实施方式的第一变形例的预测模型判断了健康者以及肌肉衰减症预备人群的结果得到的ROC曲线的示意图。

在图11中，纵轴表示真阳性率，横轴表示假阳性率。真阳性率表示预测模型将肌肉衰减症预备人群的试验对象正确地判断为肌肉衰减症预备人群的比率，假阳性率表示预测模型将健康者的试验对象错误地判断为肌肉衰减症预备人群的比率。

图11所示的ROC曲线是描绘预测模型的真阳性率和假阳性率的曲线，所述预测模型将一条腿的膝关节在一个步行周期的1％至60％的期间的角度的平均值作为说明变量而创建。图11所示的ROC曲线的AUC值为0.537。

在本实施方式的第一变形例中，一条腿的膝关节在一个步行周期的1％至60％的期间的角度的平均值被决定为步行参数。而且，将一条腿的膝关节在一个步行周期的1％至60％的期间的角度的平均值作为说明变量而创建的预测模型决定为肌肉衰减症判断部113所使用的预测模型。

步行参数检测部112从步行数据中检测出一条腿的膝关节在试验对象的一条腿的立脚期的规定期间的角度。步行参数检测部112从与截取的一个步行周期对应的时间序列的骨骼数据中检测出一条腿的膝关节在立脚期的规定期间的角度。特别是，步行参数检测部112检测出膝关节在一条腿的立脚期的规定期间的角度的时间序列数据。具体而言，规定期间是一个步行周期的1％至60％的期间。步行参数检测部112检测出一条腿的膝关节在一个步行周期的1％至60％的期间的角度的时间序列数据。而且，步行参数检测部112计算出一条腿的膝关节在一个步行周期的1％至60％的期间的角度的时间序列数据的平均值。

存储器12预先存储预测模型，该预测模型将一条腿的膝关节在一个步行周期的1％至60％的期间的角度作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成。预测模型是将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的膝关节在一个步行周期的1％至60％的期间的角度的时间序列数据作为说明变量的回归模型。特别是，存储器12预先存储将一条腿的膝关节在一个步行周期的1％至60％的期间的角度的时间序列数据的平均值作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成的预测模型。

肌肉衰减症判断部113利用一条腿的膝关节在立脚期的规定期间的角度的时间序列数据的平均值来判断试验对象是否为肌肉衰减症。规定期间是一个步行周期的1％至60％的期间。肌肉衰减症判断部113，通过将由步行参数检测部112检测出的一条腿的膝关节在立脚期的规定期间的角度的时间序列数据的平均值输入到预测模型，来判断试验对象是否为肌肉衰减症，该预测模型将一条腿的膝关节在立脚期的规定期间的角度的时间序列数据的平均值作为输入值，将试验对象是否为肌肉衰减症作为输出值而生成。

而且，肌肉衰减症判断部113利用膝关节在一条腿的立脚期的规定期间的角度的时间序列数据的平均值来判断试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种。规定期间是一个步行周期的1％至60％的期间。具体而言，肌肉衰减症判断部113利用一条腿的膝关节在一个步行周期的1％至60％的期间的角度的时间序列数据的平均值来判断试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种。肌肉衰减症判断部113，通过将一条腿的膝关节在一个步行周期的1％至60％的期间的角度的时间序列数据的平均值输入到预测模型，从预测模型获取表示试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种的判断结果。

接着，对本实施方式的第二变形例的步行参数进行说明。

本实施方式的第二变形例的步行参数也可以是一条腿的膝关节在一个步行周期的50％至60％的期间的角度的时间序列数据的平均值。

在本实施方式的第二变形例，与上述的实验相同，检测出多个试验对象中每个试验对象的一条腿的膝关节的角度的时间序列数据。而且，创建将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的膝关节在一个步行周期的50％至60％的期间的角度的平均值作为说明变量的预测模型。预测模型通过交叉验证进行评估。作为交叉验证采用了leave－one－out交叉验证。而且，计算出预测模型的ROC曲线。进一步计算出预测模型的ROC曲线的AUC值。

图12是表示从利用本实施方式的第二变形例的预测模型判断了健康者以及肌肉衰减症的结果得到的ROC曲线的示意图。

本实施方式的第二变形例的预测模型是将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的膝关节在一个步行周期的50％至60％的期间的角度的平均值作为说明变量而创建。在图12中，纵轴表示真阳性率，横轴表示假阳性率。真阳性率表示预测模型将肌肉衰减症的试验对象正确地判断为肌肉衰减症的比率，假阳性率表示预测模型将健康者的试验对象错误地判断为肌肉衰减症的比率。

图12所示的ROC曲线是描绘将一条腿的膝关节在一个步行周期的50％至60％的期间的角度的平均值作为说明变量而创建的预测模型的真阳性率和假阳性率的曲线。图12所示的ROC曲线的AUC值为0.6786。

图13是表示从利用本实施方式的第二变形例的预测模型判断了健康者以及肌肉衰减症预备人群的结果得到的ROC曲线的示意图。

在图13中，纵轴表示真阳性率，横轴表示假阳性率。真阳性率表示预测模型将肌肉衰减症预备人群的试验对象正确地判断为肌肉衰减症预备人群的比率，假阳性率表示预测模型将健康者的试验对象错误地判断为肌肉衰减症预备人群的比率。

图13所示的ROC曲线是描绘将一条腿的膝关节在一个步行周期的50％至60％的期间的角度的平均值作为说明变量而创建的预测模型的真阳性率和假阳性率的曲线。图13所示的ROC曲线的AUC值为0.6135。

在本实施方式的第二变形例，一条腿的膝关节在一个步行周期的50％至60％的期间的角度的平均值被决定为步行参数。而且，将一条腿的膝关节在一个步行周期的50％至60％的期间的角度的平均值作为说明变量而创建的预测模型被决定为肌肉衰减症判断部113所使用的预测模型。

步行参数检测部112，检测膝关节在一条腿的立脚期的规定期间的角度的时间序列数据。具体而言，规定期间是一个步行周期的50％至60％的期间。步行参数检测部112检测一条腿的膝关节在一个步行周期的50％至60％的期间的角度的时间序列数据。而且，步行参数检测部112计算出一条腿的膝关节在一个步行周期的50％至60％的期间的角度的时间序列数据的平均值。

存储器12预先存储将一条腿的膝关节在一个步行周期的50％至60％的期间的角度作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成的预测模型。预测模型是将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的膝关节在一个步行周期的50％至60％的期间的角度的时间序列数据作为说明变量的回归模型。特别是，存储器12预先存储将一条腿的膝关节在一个步行周期的50％至60％的期间的角度的时间序列数据的平均值作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成的预测模型。

肌肉衰减症判断部113，利用一条腿的膝关节在立脚期的规定期间的角度的时间序列数据的平均值来判断试验对象是否为肌肉衰减症。规定期间是一个步行周期的50％至60％的期间。肌肉衰减症判断部113，通过将由步行参数检测部112检测出的一条腿的膝关节在立脚期的规定期间的角度的时间序列数据的平均值输入到预测模型来判断试验对象是否为肌肉衰减症，该预测模型将一条腿的膝关节在立脚期的规定期间的角度的时间序列数据的平均值作为输入值，将试验对象是否为肌肉衰减症作为输出值而生成。

而且，肌肉衰减症判断部113利用膝关节在一条腿的立脚期的规定期间的角度的时间序列数据的平均值来判断试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种。规定期间是一个步行周期的50％至60％的期间。具体而言，肌肉衰减症判断部113利用一条腿的膝关节在一个步行周期的50％至60％的期间的角度的时间序列数据的平均值来判断试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种。肌肉衰减症判断部113，通过将一条腿的膝关节在一个步行周期的50％至60％的期间的角度的时间序列数据的平均值输入到预测模型，从预测模型获取表示试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种的判断结果。

图14是表示在本实施方式的第二变形例，作为肌肉衰减症的试验对象者们的一条腿的膝关节的角度的时间序列数据的平均值的平均、作为肌肉衰减症预备人群的试验对象者们的一条腿的膝关节的角度的时间序列数据的平均值的平均、作为健康者的试验对象者们的一条腿的膝关节的角度的时间序列数据的平均值的平均的示意图。

如图14所示，作为肌肉衰减症的试验对象者们的一条腿的膝关节在一个步行周期的50％至60％的期间的角度的时间序列数据的平均值的平均是15.3度，作为肌肉衰减症预备人群的试验对象者们的一条腿的膝关节在一个步行周期的50％至60％的期间的角度的时间序列数据的平均值的平均是12.4度，作为健康者的试验对象者们的一条腿的膝关节在一个步行周期的50％至60％的期间的角度的时间序列数据的平均值的平均是9.3度。

如此，在一个步行周期的50％至60％的期间，作为肌肉衰减症的试验对象者们的一条腿的膝关节的角度的时间序列数据的平均值的平均比作为肌肉衰减症预备人群的试验对象者们的一条腿的膝关节的角度的时间序列数据的平均值的平均大。为此，可以将通过实验得到的作为肌肉衰减症的试验对象者们的一条腿的膝关节在一个步行周期的50％至60％的期间的角度的时间序列数据的平均值的平均与作为肌肉衰减症预备人群的试验对象者们的一条腿的膝关节在一个步行周期的50％至60％的期间的角度的时间序列数据的平均值的平均之间的值作为第一阈值存储到存储器12。肌肉衰减症判断部113，也可以通过将试验对象的一条腿的膝关节在一个步行周期的50％至60％的期间的角度的时间序列数据的平均值与预先存储的第一阈值进行比较，来判断试验对象是否为肌肉衰减症。

而且，在一个步行周期的50％至60％的期间，作为肌肉衰减症预备人群的试验对象者们的一条腿的膝关节的角度的时间序列数据的平均值的平均比作为健康者的试验对象者们的一条腿的膝关节的角度的时间序列数据的平均值的平均大。为此，也可以将通过实验得到的作为肌肉衰减症预备人群的试验对象者们的一条腿的膝关节在一个步行周期的50％至60％的期间的角度的时间序列数据的平均值的平均与作为健康者的一条腿的膝关节在一个步行周期的50％至60％的期间的角度的时间序列数据的平均值的平均之间的值作为第二阈值存储到存储器12。肌肉衰减症判断部113，也可以通过将试验对象的一条腿的膝关节在一个步行周期的50％至60％的期间的角度的时间序列数据的平均值与预先存储的第二阈值进行比较，来判断试验对象是否为肌肉衰减症预备人群。

接着，对本实施方式的第三变形例的步行参数进行说明。

本实施方式的第三变形例的步行参数也可以是一条腿的足尖部在一条腿的立脚期的规定期间在垂直方向的位移的时间序列数据的平均值。

图15是表示在本实施方式的第三变形例、一条腿的足尖部在一个步行周期在垂直方向的位移的示意图。在图15中，纵轴表示足尖部在垂直方向的位移，横轴表示标准化后的一个步行周期。而且，在图15中，虚线表示健康者们的一条腿的足尖部在垂直方向的位移的平均波形，点划线表示作为肌肉衰减症预备人群的试验对象者们的一条腿的足尖部在垂直方向的位移的平均波形，实线表示作为肌肉衰减症的试验对象者们的一条腿的足尖部在垂直方向的位移的平均波形。

本实施方式的第三变形例，与上述的实验相同，从包含肌肉衰减症的试验对象、肌肉衰减症预备人群的试验对象以及健康者的试验对象的多个试验对象的骨骼数据中检测出多个试验对象中每个试验对象的一条腿的足尖部在垂直方向的位移的时间序列数据。如图2所示，足尖部在垂直方向的位移β是表示足尖部的特征点213在垂直方向的位移。

在实验中，将标准化后的一个步行周期划分为十个区间，针对每个试验对象计算一条腿的足尖部在一个区间或两个以上连续的区间在垂直方向的位移的平均值。而且，创建将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的足尖部在一个步行周期的1％至60％的期间在垂直方向的位移的平均值作为说明变量的预测模型。预测模型通过交叉验证进行评估。作为交叉验证，采用了leave－one－out交叉验证。而且，计算出判断了健康者以及肌肉衰减症的预测模型的ROC曲线和判断了健康者以及肌肉衰减症预备人群的预测模型的ROC曲线。进一步分别计算出预测模型的两个ROC曲线的AUC值。

图16是表示从利用本实施方式的第三变形例的预测模型判断了健康者以及肌肉衰减症的结果得到的ROC曲线的示意图。

本实施方式的第三变形例的预测模型是将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的足尖部在一个步行周期的1％至60％的期间在垂直方向的位移的平均值作为说明变量而创建。在图16中，纵轴表示真阳性率，横轴表示假阳性率。真阳性率表示预测模型将肌肉衰减症的试验对象正确地判断为肌肉衰减症的比率，假阳性率表示预测模型将健康者的试验对象错误地判断为肌肉衰减症的比率。

图16所示的ROC曲线是描绘将一条腿的足尖部在一个步行周期的1％至60％的期间在垂直方向的位移的平均值作为说明变量而创建的预测模型的真阳性率和假阳性率的曲线。图16所示的ROC曲线的AUC值为0.636。

图17是表示从利用本实施方式的第三变形例的预测模型判断了健康者以及肌肉衰减症预备人群的结果得到的ROC曲线的示意图。

在图17中，纵轴表示真阳性率，横轴表示假阳性率。真阳性率表示预测模型将肌肉衰减症预备人群的试验对象正确地判断为肌肉衰减症预备人群的比率，假阳性率表示预测模型将健康者的试验对象错误地判断为肌肉衰减症预备人群的比率。

图17所示的ROC曲线是描绘将一条腿的足尖部在一个步行周期的1％至60％的期间在垂直方向的位移的平均值作为说明变量而创建的预测模型的真阳性率和假阳性率的曲线。图17所示的ROC曲线的AUC值为0.560。

本实施方式的第三变形例，一条腿的足尖部在一个步行周期的1％至60％的期间在垂直方向的位移的平均值被决定为步行参数。而且，将一条腿的足尖部在一个步行周期的1％至60％的期间在垂直方向的位移的平均值作为说明变量而创建的预测模型决定为肌肉衰减症判断部113所使用的预测模型。

步行参数检测部112根据步行数据检测出试验对象的一条腿的足尖部在垂直方向的位移。步行参数检测部112从截取的与一个步行周期对应的时间序列的骨骼数据中检测出试验对象的一条腿的足尖部在垂直方向的位移。特别是，步行参数检测部112检测出一条腿的足尖部在一条腿的立脚期的规定期间在垂直方向的位移的时间序列数据。具体而言，规定期间是一个步行周期的1％至60％的期间。步行参数检测部112检测出一条腿的足尖部在一个步行周期的1％至60％的期间在垂直方向的位移的时间序列数据。而且，步行参数检测部112计算出一条腿的足尖部在一个步行周期的1％至60％的期间在垂直方向的位移的时间序列数据的平均值。

而且，在本实施方式的第三变形例，因为一个步行周期是试验对象的右脚从落地起到右脚再次落地为止的期间，所以，步行参数检测部112检测右脚的足尖部在右脚处于立脚期时在垂直方向的位移β。在一个步行周期是试验对象的左脚从落地起到左脚再次落地为止的期间的情况下，步行参数检测部112也可以检测左脚的足尖部在左脚处于立脚期时在垂直方向的位移β。

存储器12预先存储将一条腿的足尖部在一个步行周期的1％至60％的期间在垂直方向的位移作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成的预测模型。预测模型是以试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的足尖部在一个步行周期的1％至60％的期间在垂直方向的位移的时间序列数据作为说明变量的回归模型。特别是，存储器12预先存储将一条腿的足尖部在一个步行周期的1％至60％的期间在垂直方向的位移的时间序列数据的平均值作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成的预测模型。

肌肉衰减症判断部113利用一条腿的足尖部在垂直方向的位移来判断试验对象是否为肌肉衰减症。肌肉衰减症判断部113，通过将由步行参数检测部112检测出的一条腿的足尖部在垂直方向的位移输入到预测模型，来判断试验对象是否为肌肉衰减症，预测模型将一条腿的足尖部在垂直方向的位移作为输入值，将试验对象是否为肌肉衰减症作为输出值而生成。

而且，肌肉衰减症判断部113利用一条腿的足尖部在一条腿的立脚期的规定期间在垂直方向的位移的时间序列数据的平均值来判断试验对象是否为肌肉衰减症。规定期间是一个步行周期的1％至60％的期间。肌肉衰减症判断部113利用一条腿的足尖部在一个步行周期的1％至60％的期间在垂直方向的位移的时间序列数据的平均值来判断试验对象是否为肌肉衰减症。肌肉衰减症判断部113，通过将一条腿的足尖部在一个步行周期的1％至60％的期间在垂直方向的位移的时间序列数据的平均值输入到预测模型，从预测模型获取表示试验对象是否为肌肉衰减症的判断结果。

而且，肌肉衰减症判断部113利用一条腿的足尖部在一条腿的立脚期的规定期间在垂直方向的位移的时间序列数据的平均值来判断试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种。规定期间是一个步行周期的1％至60％的期间。具体而言，肌肉衰减症判断部113利用一条腿的足尖部在一个步行周期的1％至60％的期间在垂直方向的位移的时间序列数据的平均值来判断试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种。肌肉衰减症判断部113，通过将一条腿的足尖部在一个步行周期的1％至60％的期间在垂直方向的位移的时间序列数据的平均值输入到预测模型，从预测模型获取表示试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种的判断结果。

接着，对本实施方式的第四变形例的步行参数进行说明。

本实施方式的第四变形例的步行参数也可以是试验对象的一条腿的足尖部在一条腿的脚悬空期的规定期间在垂直方向的位移的时间序列数据的平均值。

本实施方式的第四变形例，与上述的实验相同，从包含肌肉衰减症的试验对象、肌肉衰减症预备人群的试验对象以及健康者的试验对象的多个试验对象的骨骼数据中检测出多个试验对象中每个试验对象的一条腿的足尖部在垂直方向的位移的时间序列数据。而且，创建将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的足尖部在脚悬空期的规定期间在垂直方向的位移的时间序列数据的平均值作为说明变量的预测模型。规定期间是一个步行周期的61％至100％的期间。预测模型通过交叉验证进行评估。作为交叉验证，采用了leave－one－out交叉验证。而且，计算出预测模型的ROC曲线。进一步计算出预测模型的ROC曲线的AUC值。

图18是表示从利用本实施方式的第四变形例的预测模型判断了健康者以及肌肉衰减症的结果得到的ROC曲线的示意图。

本实施方式的第四变形例的预测模型是将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的足尖部在一个步行周期的61％至100％的期间在垂直方向的位移的平均值作为说明变量而创建。在图18中，纵轴表示真阳性率，横轴表示假阳性率。真阳性率表示预测模型将肌肉衰减症的试验对象正确地判断为肌肉衰减症的比率，假阳性率表示预测模型将健康者的试验对象错误地判断为肌肉衰减症的比率。

图18所示的ROC曲线是描绘将一条腿的足尖部在一个步行周期的61％至100％的期间在垂直方向的位移的平均值作为说明变量而创建的预测模型的真阳性率和假阳性率的曲线。图18所示的ROC曲线的AUC值为0.514。

图19是表示从利用本实施方式的第四变形例的预测模型判断了健康者以及肌肉衰减症预备人群的结果得到的ROC曲线的示意图。

在图19中，纵轴表示真阳性率，横轴表示假阳性率。真阳性率表示预测模型将肌肉衰减症预备人群的试验对象正确地判断为肌肉衰减症预备人群的比率，假阳性率表示预测模型将健康者的试验对象错误地判断为肌肉衰减症预备人群的比率。

图19所示的ROC曲线是描绘将一条腿的足尖部在一个步行周期的61％至100％的期间在垂直方向的位移的平均值作为说明变量而创建的预测模型的真阳性率和假阳性率的曲线。图19所示的ROC曲线的AUC值为0.626。

在本实施方式的第四变形例，一条腿的足尖部在一个步行周期的61％至100％的期间在垂直方向的位移的平均值被决定为步行参数。而且，将一条腿的足尖部在一个步行周期的61％至100％的期间在垂直方向的位移的平均值作为说明变量而创建的预测模型决定为肌肉衰减症判断部113所使用的预测模型。

步行参数检测部112根据步行数据检测出试验对象的一条腿的足尖部在一条腿的脚悬空期的规定期间在垂直方向的位移。步行参数检测部112从与截取的一个步行周期对应的时间序列的骨骼数据检测出一条腿的足尖部在脚悬空期的规定期间在垂直方向的位移。特别是，步行参数检测部112检测出一条腿的足尖部在一条腿的脚悬空期的规定期间在垂直方向的位移的时间序列数据。具体而言，规定期间是一个步行周期的61％至100％的期间。步行参数检测部112检测出一条腿的足尖部在一个步行周期的61％至100％的期间在垂直方向的位移的时间序列数据。而且，步行参数检测部112计算出一条腿的足尖部在一个步行周期的61％至100％的期间在垂直方向的位移的时间序列数据的平均值。

存储器12预先存储将一条腿的足尖部在一个步行周期的61％至100％的期间在垂直方向的位移作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成的预测模型。预测模型是将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的足尖部在一个步行周期的61％至100％的期间在垂直方向的位移的时间序列数据作为说明变量的回归模型。特别是，存储器12预先存储将一条腿的足尖部在一个步行周期的61％至100％的期间在垂直方向的位移的时间序列数据的平均值作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成的预测模型。

肌肉衰减症判断部113利用一条腿的足尖部在脚悬空期的规定期间在垂直方向的位移的时间序列数据的平均值来判断试验对象是否为肌肉衰减症。规定期间是一个步行周期的61％至100％的期间。肌肉衰减症判断部113，通过将由步行参数检测部112检测出的一条腿的足尖部在脚悬空期的规定期间在垂直方向的位移的时间序列数据的平均值输入到预测模型，来判断试验对象是否为肌肉衰减症，所述预测模型将一条腿的足尖部在脚悬空期的规定期间在垂直方向的位移的时间序列数据的平均值作为输入值，将试验对象是否为肌肉衰减症作为输出值而生成。

而且，肌肉衰减症判断部113利用一条腿的足尖部在一条腿的脚悬空期的规定期间在垂直方向的位移的时间序列数据的平均值来判断试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种。规定期间是一个步行周期的61％至100％的期间。具体而言，肌肉衰减症判断部113利用一条腿的足尖部在一个步行周期的61％至100％的期间在垂直方向的位移的时间序列数据的平均值来判断试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种。肌肉衰减症判断部113，通过将一条腿的足尖部在一个步行周期的61％至100％的期间在垂直方向的位移的时间序列数据的平均值输入到预测模型，从预测模型获取表示试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种的判断结果。

接着，对本实施方式的第五变形例的步行参数进行说明。

本实施方式的第五变形例的步行参数也可以是一条腿的足尖部在一个步行周期的65％至70％的期间在垂直方向的位移的时间序列数据的平均值。

图20是表示在本实施方式的第五变形例、一条腿的足尖部在一个步行周期在垂直方向的位移的示意图。在图20中，纵轴表示足尖部在垂直方向的位移，横轴表示标准化后的一个步行周期。而且，在图20中，虚线表示健康者们的一条腿的足尖部在垂直方向的位移的平均波形，实线表示作为肌肉衰减症或肌肉衰减症预备人群的试验对象者们的一条腿的足尖部在垂直方向的位移的平均波形。

另外，在本实施方式的第四变形例是判断试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种，但是在本实施方式的第五变形例是判断试验对象是否为肌肉衰减症或肌肉衰减症预备人群。另外，不是肌肉衰减症或肌肉衰减症预备人群的试验对象被判断为健康者。

本实施方式的第五变形例，与上述的实验相同，检测出多个试验对象中每个试验对象的一条腿的足尖部在垂直方向的位移的时间序列数据。而且，创建将试验对象是否为肌肉衰减症或肌肉衰减症预备人群作为目的变量，将一条腿的足尖部在一个步行周期的65％至70％的期间在垂直方向的位移的平均值作为说明变量的预测模型。预测模型通过交叉验证进行评估。作为交叉验证，采用了leave－one－out交叉验证。而且，计算出判断了是否为肌肉衰减症或肌肉衰减症预备人群的预测模型的ROC曲线。进一步计算出预测模型的ROC曲线的AUC值。

图21是表示从利用本实施方式的第五变形例的预测模型判断了是否为肌肉衰减症或肌肉衰减症预备人群的结果得到的ROC曲线的示意图。

本实施方式的第五变形例的预测模型是将试验对象是否为肌肉衰减症或肌肉衰减症预备人群作为目的变量，将一条腿的足尖部在一个步行周期的65％至70％的期间在垂直方向的位移的平均值作为说明变量而创建的。在图21中，纵轴表示真阳性率，横轴表示假阳性率。真阳性率表示预测模型将肌肉衰减症或肌肉衰减症预备人群的试验对象正确地判断为肌肉衰减症或肌肉衰减症预备人群的比率，假阳性率表示预测模型将健康者的试验对象错误地判断为肌肉衰减症或肌肉衰减症预备人群的比率。

图21所示的ROC曲线是描绘将一条腿的足尖部在一个步行周期的65％至70％的期间在垂直方向的位移的平均值作为说明变量而创建的预测模型的真阳性率和假阳性率的曲线。图21所示的ROC曲线的AUC值为0.6525。

在本实施方式的第五变形例，一条腿的足尖部在一个步行周期的65％至70％的期间在垂直方向的位移的平均值被决定为步行参数。而且，将一条腿的足尖部在一个步行周期的65％至70％的期间在垂直方向的位移的平均值作为说明变量而创建的预测模型决定为肌肉衰减症判断部113所使用的预测模型。

步行参数检测部112检测出一条腿的足尖部在一条腿的脚悬空期的规定期间在垂直方向的位移的时间序列数据。具体而言，规定期间是一个步行周期的65％至70％的期间。步行参数检测部112检测出一条腿的足尖部在一个步行周期的65％至70％的期间在垂直方向的位移的时间序列数据。而且，步行参数检测部112计算出一条腿的足尖部在一个步行周期的65％至70％的期间在垂直方向的位移的时间序列数据的平均值。

存储器12预先存储将一条腿的足尖部在一个步行周期的65％至70％的期间在垂直方向的位移作为输入值，将试验对象是否为肌肉衰减症或肌肉衰减症预备人群作为输出值而生成的预测模型。预测模型是将试验对象是否为肌肉衰减症或肌肉衰减症预备人群作为目的变量，将一条腿的足尖部在一个步行周期的65％至70％的期间在垂直方向的位移的时间序列数据作为说明变量的回归模型。特别是，存储器12预先存储将一条腿的足尖部在一个步行周期的65％至70％的期间在垂直方向的位移的时间序列数据的平均值作为输入值，将试验对象是否为肌肉衰减症或肌肉衰减症预备人群作为输出值而生成的预测模型。

肌肉衰减症判断部113利用一条腿的足尖部在脚悬空期的规定期间在垂直方向的位移的时间序列数据的平均值来判断试验对象是否为肌肉衰减症。规定期间是一个步行周期的65％至70％的期间。肌肉衰减症判断部113，通过将由步行参数检测部112检测出的一条腿的足尖部在脚悬空期的规定期间在垂直方向的位移的时间序列数据的平均值输入到预测模型，来判断试验对象是否为肌肉衰减症，所述预测模型将一条腿的足尖部在脚悬空期的规定期间在垂直方向的位移的时间序列数据的平均值作为输入值，将试验对象是否为肌肉衰减症作为输出值而生成。

而且，肌肉衰减症判断部113利用一条腿的足尖部在一条腿的脚悬空期的规定期间在垂直方向的位移的时间序列数据的平均值来判断试验对象是否为肌肉衰减症或肌肉衰减症预备人群。规定期间是一个步行周期的65％至70％的期间。具体而言，肌肉衰减症判断部113利用一条腿的足尖部在一个步行周期的65％至70％的期间在垂直方向的位移的时间序列数据的平均值来判断试验对象是否为肌肉衰减症或肌肉衰减症预备人群。肌肉衰减症判断部113，通过将一条腿的足尖部在一个步行周期的65％至70％的期间在垂直方向的位移的时间序列数据的平均值输入到预测模型，从预测模型获取表示试验对象是否为肌肉衰减症或肌肉衰减症预备人群的判断结果。

图22是表示在本实施方式的第五变形例、作为肌肉衰减症或肌肉衰减症预备人群的试验对象者们的一条腿的足尖部在垂直方向的位移的时间序列数据的平均值的平均，作为健康者的试验对象者们的一条腿的足尖部在垂直方向的位移的时间序列数据的平均值的平均的示意图。

如图22所示，作为肌肉衰减症或肌肉衰减症预备人群的试验对象者们的一条腿的足尖部在一个步行周期的65％至70％的期间在垂直方向的位移的时间序列数据的平均值的平均为37mm，作为健康者的试验对象者们的一条腿的足尖部在一个步行周期的65％至70％的期间在垂直方向的位移的时间序列数据的平均值的平均为31mm。

如此，在一个步行周期的65％至70％的期间，作为肌肉衰减症或肌肉衰减症预备人群的试验对象者们的一条腿的足尖部在垂直方向的位移的时间序列数据的平均值的平均比作为健康者的试验对象者们的一条腿的足尖部在垂直方向的位移的时间序列数据的平均值的平均大。因此，可以将通过实验得到的作为肌肉衰减症或肌肉衰减症预备人群的试验对象者们的一条腿的足尖部在一个步行周期的65％至70％的期间在垂直方向的位移的时间序列数据的平均值的平均与作为健康者的试验对象者们的一条腿的足尖部在一个步行周期的65％至70％的期间在垂直方向的位移的时间序列数据的平均值的平均之间的值作为阈值存储到存储器12。肌肉衰减症判断部113，也可以通过将试验对象的一条腿的足尖部在一个步行周期的65％至70％的期间在垂直方向的位移的时间序列数据的平均值与预先存储的阈值进行比较，来判断试验对象是否为肌肉衰减症或肌肉衰减症预备人群。

接着，对本实施方式的第六变形例的步行参数进行说明。

本实施方式的第六变形例的步行参数也可以是一条腿的脚踝关节在一条腿的立脚期的规定期间的角度的时间序列数据的平均值。

图23是表示在本实施方式的第六变形例、一条腿的脚踝关节在一个步行周期的角度的变化的示意图。在图23中，纵轴表示脚踝关节的角度，横轴表示标准化后的一个步行周期。而且，在图23中，虚线表示健康者的一条腿的脚踝关节的角度的平均波形，点划线表示作为肌肉衰减症预备人群的试验对象者们的一条腿的脚踝关节的角度的平均波形，实线表示作为肌肉衰减症的试验对象者们的一条腿的脚踝关节的角度的平均波形。

本实施方式的第六变形例，与上述的实验相同，从包含肌肉衰减症的试验对象、肌肉衰减症预备人群的试验对象以及健康者的试验对象的多个试验对象的骨骼数据中检测出多个试验对象中每个试验对象的一条腿的脚踝关节的角度的时间序列数据。如图2所示，脚踝关节的角度θ是在箭头状面连接表示右脚踝关节的特征点212和表示右膝关节的特征点211的直线与连接表示右脚踝关节的特征点212和表示右足尖部的特征点213的直线所形成的角度。

在实验中，将标准化后的一个步行周期划分为十个区间，针对每个试验对象计算出一条腿的脚踝关节在一个区间或两个以上连续的区间的角度的平均值。而且，创建将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的脚踝关节在一个步行周期的1％至60％的期间的角度的平均值作为说明变量的预测模型。预测模型通过交叉验证进行评估。作为交叉验证，采用了leave－one－out交叉验证。而且，计算出判断了健康者以及肌肉衰减症的预测模型的ROC曲线和判断了健康者以及肌肉衰减症预备人群的预测模型的ROC曲线。进一步分别计算出预测模型的两个ROC曲线的AUC值。

图24是表示从利用本实施方式的第六变形例的预测模型判断了健康者以及肌肉衰减症的结果得到的ROC曲线的示意图。

本实施方式的第六变形例的预测模型是将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的脚踝关节在一个步行周期的1％至60％的期间的角度的平均值作为说明变量而创建。在图24中，纵轴表示真阳性率，横轴表示假阳性率。真阳性率表示预测模型将肌肉衰减症的试验对象正确地判断为肌肉衰减症的比率，假阳性率表示预测模型将健康者的试验对象错误地判断为肌肉衰减症的比率。

图24所示的ROC曲线是描绘将一条腿的脚踝关节在一个步行周期的1％至60％的期间的角度的平均值作为说明变量的预测模型的真阳性率和假阳性率的曲线。图24所示的ROC曲线的AUC值为0.498。

图25是表示从利用本实施方式的第六变形例的预测模型判断了健康者以及肌肉衰减症预备人群的结果得到的ROC曲线的示意图。

在图25中，纵轴表示真阳性率，横轴表示假阳性率。真阳性率表示预测模型将肌肉衰减症预备人群的试验对象正确地判断为肌肉衰减症预备人群的比率，假阳性率表示预测模型将健康者的试验对象错误地判断为肌肉衰减症预备人群的比率。

图25所示的ROC曲线是描绘将一条腿的脚踝关节在一个步行周期的1％至60％的期间的角度的平均值作为说明变量的预测模型的真阳性率和假阳性率的曲线。图25所示的ROC曲线的AUC值为0.610。

在本实施方式的第六变形例，一条腿的脚踝关节在一个步行周期的1％至60％的期间的角度的平均值被决定为步行参数。而且，将一条腿的脚踝关节在一个步行周期的1％至60％的期间的角度的平均值作为说明变量而创建的预测模型决定为肌肉衰减症判断部113所使用的预测模型。

步行参数检测部112从步行数据中检测出试验对象的一条腿的脚踝关节在一条腿的立脚期的角度。步行参数检测部112从截取的与一个步行周期对应的时间序列的骨骼数据中检测出试验对象的一条腿的脚踝关节在立脚期的角度。特别是，步行参数检测部112检测出一条腿的脚踝关节在一条腿的立脚期的规定期间的角度的时间序列数据。具体而言，规定期间是一个步行周期的1％至60％的期间。步行参数检测部112检测出一条腿的脚踝关节在一个步行周期的1％至60％的期间的角度的时间序列数据。而且，步行参数检测部112计算出一条腿的脚踝关节在一个步行周期的1％至60％的期间的角度的时间序列数据的平均值。

另外，在本实施方式的第六变形例，因为一个步行周期是试验对象的右脚从落地起到右脚再次落地为止的期间，所以，步行参数检测部112检测出右腿的脚踝关节的角度θ。在一个步行周期是试验对象的左脚从落地起到左脚再次落地为止的期间的情况下，步行参数检测部112也可以检测出左腿的脚踝关节的角度θ。

存储器12预先存储将一条腿的脚踝关节在一个步行周期的1％至60％的期间的角度作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成的预测模型。预测模型是以试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的脚踝关节在一个步行周期的1％至60％的期间的角度的时间序列数据作为说明变量的回归模型。特别是，存储器12预先存储将一条腿的脚踝关节在一个步行周期的1％至60％的期间的角度的时间序列数据的平均值作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成的预测模型。

肌肉衰减症判断部113利用一条腿的脚踝关节在立脚期的角度来判断试验对象是否为肌肉衰减症。肌肉衰减症判断部113，通过将由步行参数检测部112检测出的一条腿的脚踝关节在立脚期的角度输入到预测模型，来判断试验对象是否为肌肉衰减症，所述预测模型将一条腿的脚踝关节在立脚期的角度作为输入值，将试验对象是否为肌肉衰减症作为输出值而生成。

而且，肌肉衰减症判断部113利用一条腿的脚踝关节在一条腿的立脚期的规定期间的角度的时间序列数据的平均值来判断试验对象是否为肌肉衰减症。规定期间是一个步行周期的1％至60％的期间。肌肉衰减症判断部113利用一条腿的脚踝关节在一个步行周期的1％至60％的期间的角度的时间序列数据的平均值来判断试验对象是否为肌肉衰减症。肌肉衰减症判断部113，通过将一条腿的脚踝关节在一个步行周期的1％至60％的期间的角度的时间序列数据的平均值输入到预测模型，从预测模型获取表示试验对象是否为肌肉衰减症的判断结果。

而且，肌肉衰减症判断部113利用一条腿的脚踝关节在一条腿的立脚期的规定期间的角度的时间序列数据的平均值来判断试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种。规定期间是一个步行周期的1％至60％的期间。具体而言，肌肉衰减症判断部113利用一条腿的脚踝关节在一个步行周期的1％至60％的期间的角度的时间序列数据的平均值来判断试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种。肌肉衰减症判断部113，通过将一条腿的脚踝关节在一个步行周期的1％至60％的期间的角度的时间序列数据的平均值输入到预测模型，从预测模型获取表示试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种的判断结果。

而且，在图23所示的一个步行周期的1％至60％的期间，作为肌肉衰减症的试验对象者们的脚踝关节的角度的平均波形比作为肌肉衰减症预备人群的试验对象者们的脚踝关节的角度的平均波形大。为此，也可以将通过实验得到的作为肌肉衰减症的试验对象者们的脚踝关节在一个步行周期的1％至60％的期间的角度的时间序列数据的平均值的平均与作为肌肉衰减症预备人群的试验对象者们的脚踝关节在一个步行周期的1％至60％的期间的角度的时间序列数据的平均值的平均之间的值作为第一阈值存储到存储器12。肌肉衰减症判断部113，也可以通过将试验对象的一个脚踝关节在一个步行周期的1％至60％的期间的角度的时间序列数据的平均值与预先存储的第一阈值进行比较，来判断试验对象是否为肌肉衰减症。

而且，在图23所示的一个步行周期的1％至60％的期间，作为肌肉衰减症预备人群的试验对象者们的脚踝关节的角度的平均波形比作为健康者的试验对象者们的脚踝关节的角度的平均波形大。为此，也可以将通过实验得到的作为肌肉衰减症预备人群的试验对象者们的脚踝关节在一个步行周期的1％至60％的期间的角度的时间序列数据的平均值的平均与作为健康者的试验对象者们的脚踝关节在一个步行周期的1％至60％的期间的角度的时间序列数据的平均值的平均之间的值作为第二阈值存储到存储器12。肌肉衰减症判断部113，也可以通过将试验对象的一个脚踝关节在一个步行周期的1％至60％的期间的角度的时间序列数据的平均值与预先存储的第二阈值进行比较，来判断试验对象是否为肌肉衰减症预备人群。

接着，对本实施方式的第七变形例的步行参数进行说明。

本实施方式的第七变形例的步行参数也可以是一条腿的脚踝关节在一条腿的脚悬空期的规定期间的角度的时间序列数据的平均值。

本实施方式的第七变形例，与上述的实验相同，从包含肌肉衰减症的试验对象、肌肉衰减症预备人群的试验对象以及健康者的试验对象的多个试验对象的骨骼数据中检测出多个试验对象中每个试验对象的一个脚踝关节的角度的时间序列数据。

在实验中，将标准化后的一个步行周期划分为十个区间，针对每个试验对象计算出一条腿的脚踝关节在一个区间或两个以上连续的区间的角度的平均值。而且，创建将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的脚踝关节在一个步行周期的61％至100％的期间的角度的平均值作为说明变量的预测模型。预测模型通过交叉验证进行评估。作为交叉验证，采用了leave－one－out交叉验证。而且，计算出判断了健康者以及肌肉衰减症的预测模型的ROC曲线和判断了健康者以及肌肉衰减症预备人群的预测模型的ROC曲线。进一步分别计算出预测模型的两个ROC曲线的AUC值。

图26是表示从利用本实施方式的第七变形例的预测模型判断了健康者以及肌肉衰减症的结果得到的ROC曲线的示意图。

本实施方式的第七变形例的预测模型是将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的脚踝关节在一个步行周期的61％至100％的期间的角度的平均值作为说明变量而创建的。在图26中，纵轴表示真阳性率，横轴表示假阳性率。真阳性率表示预测模型将肌肉衰减症的试验对象正确地判断为肌肉衰减症的比率，假阳性率表示预测模型将健康者的试验对象错误地判断为肌肉衰减症的比率。

图26所示的ROC曲线是描绘将一条腿的脚踝关节在一个步行周期的61％至100％的期间的角度的平均值作为说明变量而创建的预测模型的真阳性率和假阳性率的曲线。图26所示的ROC曲线的AUC值为0.389。

图27是表示从利用本实施方式的第七变形例的预测模型判断了健康者以及肌肉衰减症预备人群的结果得到的ROC曲线的示意图。

在图27中，纵轴表示真阳性率，横轴表示假阳性率。真阳性率表示预测模型将肌肉衰减症预备人群的试验对象正确地判断为肌肉衰减症预备人群的比率，假阳性率表示预测模型将健康者的试验对象错误地判断为肌肉衰减症预备人群的比率。

图27所示的ROC曲线是描绘将一条腿的脚踝关节在一个步行周期的61％至100％的期间的角度的平均值作为说明变量而创建的预测模型的真阳性率和假阳性率的曲线。图27所示的ROC曲线的AUC值为0.622。

在本实施方式的第七变形例，一条腿的脚踝关节在一个步行周期的61％至100％的期间的角度的平均值被决定为步行参数。而且，将一条腿的脚踝关节在一个步行周期的61％至100％的期间的角度的平均值作为说明变量而创建的预测模型决定为肌肉衰减症判断部113所使用的预测模型。

步行参数检测部112从步行数据中检测出试验对象的一条腿的脚踝关节在一条腿在脚悬空期的角度。步行参数检测部112从截取的与一个步行周期对应的时间序列的骨骼数据中检测出试验对象的一条腿的脚踝关节在脚悬空期的角度。特别是，步行参数检测部112检测出一条腿的脚踝关节在一条腿的脚悬空期的规定期间的角度的时间序列数据。具体而言，规定期间是一个步行周期的61％至100％的期间。步行参数检测部112检测出一条腿的脚踝关节在一个步行周期的61％至100％的期间的角度的时间序列数据。而且，步行参数检测部112计算出一条腿的脚踝关节在一个步行周期的61％至100％的期间的角度的时间序列数据的平均值。

存储器12预先存储将一条腿的脚踝关节在一个步行周期的61％至100％的期间的角度作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成的预测模型。预测模型是将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的脚踝关节在一个步行周期的61％至100％的期间的角度的时间序列数据作为说明变量的回归模型。特别是，存储器12预先存储将一条腿的脚踝关节在一个步行周期的61％至100％的期间的角度的时间序列数据的平均值作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成的预测模型。

肌肉衰减症判断部113利用一条腿的脚踝关节在脚悬空期的角度来判断试验对象是否为肌肉衰减症。肌肉衰减症判断部113，通过将由步行参数检测部112检测出的一条腿的脚踝关节在脚悬空期的角度输入到预测模型，来判断试验对象是否为肌肉衰减症，所述预测模型将一条腿的脚踝关节在脚悬空期的角度作为输入值，将试验对象是否为肌肉衰减症作为输出值而生成。

而且，肌肉衰减症判断部113利用一条腿的脚踝关节在一条腿的脚悬空期的规定期间的角度的时间序列数据的平均值来判断试验对象是否为肌肉衰减症。规定期间是一个步行周期的61％至100％的期间。肌肉衰减症判断部113利用一条腿的脚踝关节在一个步行周期的61％至100％的期间的角度的时间序列数据的平均值来判断试验对象是否为肌肉衰减症。肌肉衰减症判断部113，通过将一条腿的脚踝关节在一个步行周期的61％至100％的期间的角度的时间序列数据的平均值输入到预测模型，从预测模型获取表示试验对象是否为肌肉衰减症的判断结果。

而且，肌肉衰减症判断部113利用一条腿的脚踝关节在一条腿的脚悬空期的规定期间的角度的时间序列数据的平均值来判断试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种。规定期间是一个步行周期的61％至100％的期间。具体而言，肌肉衰减症判断部113利用一条腿的脚踝关节在一个步行周期的61％至100％的期间的角度的时间序列数据的平均值来判断试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种。肌肉衰减症判断部113，通过将一条腿的脚踝关节在一个步行周期的61％至100％的期间的角度的时间序列数据的平均值输入到预测模型，从预测模型获取表示试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种的判断结果。

接着，对本实施方式的第八变形例的步行参数进行说明。

本实施方式的第八变形例的步行参数也可以是脚踝关节在一条腿的立脚期的第一期间的第一角度的时间序列数据的平均值和脚踝关节在一条腿的脚悬空期的第二期间的第二角度的时间序列数据的平均值。

本实施方式的第八变形例，与上述的实验相同，从包含肌肉衰减症的试验对象、肌肉衰减症预备人群的试验对象以及健康者的试验对象的多个试验对象的骨骼数据中检测出多个试验对象中每个试验对象的一个脚踝关节的角度的时间序列数据。而且，创建将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的脚踝关节在一个步行周期的11％至40％期间的角度的平均值和一条腿的脚踝关节在一个步行周期的71％至80％期间的角度的平均值作为说明变量的预测模型。预测模型通过交叉验证进行评估。作为交叉验证，采用了leave－one－out交叉验证。而且，计算出判断了健康者以及肌肉衰减症的预测模型的ROC曲线。进一步计算出预测模型的ROC曲线的AUC值。

图28是表示从利用本实施方式的第八变形例的预测模型判断了健康者以及肌肉衰减症的结果得到的ROC曲线的示意图。

本实施方式的第八变形例的预测模型是将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的脚踝关节在一个步行周期的11％至40％的期间的角度的平均值和一条腿的脚踝关节在一个步行周期的71％至80％的期间的角度的平均值作为说明变量而创建。在图28中，纵轴表示真阳性率，横轴表示假阳性率。真阳性率表示预测模型将肌肉衰减症的试验对象正确地判断为肌肉衰减症的比率，假阳性率表示预测模型将健康者的试验对象错误地判断为肌肉衰减症的比率。

图28所示的ROC曲线是描绘将一条腿的脚踝关节在一个步行周期的11％至40％的期间的角度的平均值和一条腿的脚踝关节在一个步行周期的71％至80％的期间的角度的平均值作为说明变量而创建的预测模型的真阳性率和假阳性率的曲线。图28所示的ROC曲线的AUC值为0.608。

在本实施方式的第八变形例，一条腿的脚踝关节在一个步行周期的11％至40％的期间的角度的平均值和一条腿的脚踝关节在一个步行周期的71％至80％的期间的角度的平均值被决定为步行参数。而且，将一条腿的脚踝关节在一个步行周期的11％至40％的期间的角度的平均值和一条腿的脚踝关节在一个步行周期的71％至80％的期间的角度的平均值作为说明变量而创建的预测模型决定为肌肉衰减症判断部113所使用的预测模型。

步行参数检测部112检测出脚踝关节在一条腿的立脚期的第一期间的第一角度的时间序列数据和脚踝关节在一条腿的脚悬空期的第二期间的第二角度的时间序列数据。第一期间是一个步行周期的11％至40％的期间，第二期间是一个步行周期的71％至80％的期间。步行参数检测部112检测出一条腿的脚踝关节在一个步行周期的11％至40％的期间的角度的时间序列数据和一条腿的脚踝关节在一个步行周期的71％至80％的期间的角度的时间序列数据。而且，步行参数检测部112计算出一条腿的脚踝关节在一个步行周期的11％至40％的期间的角度的时间序列数据的平均值和一条腿的脚踝关节在一个步行周期的71％至80％的期间的角度的时间序列数据的平均值。

肌肉衰减症判断部113利用脚踝关节的第一角度的时间序列数据的平均值和脚踝关节的第二角度的时间序列数据的平均值来判断试验对象是否为肌肉衰减症。

存储器12预先存储将脚踝关节在一条腿的立脚期的第一期间的第一角度的时间序列数据的平均值和脚踝关节在一条腿的脚悬空期的第二期间的第二角度的时间序列数据的平均值作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成的预测模型。存储器12预先存储将一条腿的脚踝关节在一个步行周期的11％至40％期间的角度的平均值和一条腿的脚踝关节在一个步行周期的71％至80％期间的角度的平均值作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成的预测模型。

肌肉衰减症判断部113利用一条腿的脚踝关节在一个步行周期的11％至40％的期间的角度的时间序列数据的平均值和一条腿的脚踝关节在一个步行周期的71％至80％的期间的角度的时间序列数据的平均值，来判断试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种。肌肉衰减症判断部113，通过将一条腿的脚踝关节在一个步行周期的11％至40％的期间的角度的时间序列数据的平均值和一条腿的脚踝关节在一个步行周期的71％至80％的期间的角度的时间序列数据的平均值输入到预测模型，从预测模型获取表示试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种的判断结果。

如此，从仅利用脚踝关节在立脚期的角度的平均值而创建的预测模型判断了肌肉衰减症的结果得到的AUC值为0.498，从仅利用脚踝关节在脚悬空期的角度的平均值而创建的预测模型判断了肌肉衰减症的结果得到的AUC值为0.389。另一方面，从利用脚踝关节在两个期间的角度的平均值而创建的预测模型判断了肌肉衰减症的结果得到的AUC值为0.608。因此，与仅利用脚踝关节在一个期间的角度的平均值而创建的预测模型相比，利用脚踝关节在两个期间的角度的平均值而创建的预测模型可以高精度地判断肌肉衰减症。

接着，对本实施方式的第九变形例的步行参数进行说明。

本实施方式的第九变形例的步行参数也可以是一条腿的跨距。

本实施方式的第九变形例，与上述的实验相同，从包含肌肉衰减症的试验对象、肌肉衰减症预备人群的试验对象以及健康者的试验对象的多个试验对象的骨骼数据中检测出多个试验对象中每个试验对象的一条腿的跨距。跨距是从一个脚后跟落地的地点起到一个脚后跟再次落地的地点为止的距离。在一个步行周期是试验对象的右脚从落地起到右脚再次落地为止的期间的情况下，跨距是从右脚的脚后跟落地的地点起到右脚的脚后跟再次落地的地点为止的距离。

在实验中，针对每一个试验对象计算一条腿的跨距。而且，创建将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿在一个步行周期的跨距作为说明变量的预测模型。预测模型通过交叉验证进行评估。作为交叉验证，采用了leave－one－out交叉验证。而且，计算出判断了健康者以及肌肉衰减症的预测模型的ROC曲线。进一步计算出预测模型的ROC曲线的AUC值。

图29是表示从利用本实施方式的第九变形例的预测模型判断了健康者以及肌肉衰减症的结果得到的ROC曲线的示意图。

本实施方式的第九变形例的预测模型是将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿在一个步行周期的跨距作为说明变量而创建。在图29中，纵轴表示真阳性率，横轴表示假阳性率。真阳性率表示预测模型将肌肉衰减症的试验对象正确地判断为肌肉衰减症的比率，假阳性率表示预测模型将健康者的试验对象错误地判断为肌肉衰减症的比率。

图29所示的ROC曲线是描绘将一条腿在一个步行周期的跨距作为说明变量生成的预测模型的真阳性率和假阳性率的曲线。图29所示的ROC曲线的AUC值为0.6677。

在本实施方式的第九变形例将一条腿在一个步行周期的跨距决定为步行参数。而且，将一条腿在一个步行周期的跨距作为说明变量而创建的预测模型决定为肌肉衰减症判断部113所使用的预测模型。

步行参数检测部112从步行数据中检测出试验对象的一条腿的跨距。步行参数检测部112从截取的与一个步行周期对应的时间序列的骨骼数据中检测出试验对象的一条腿的跨距。

另外，在本实施方式的第九变形例，因为一个步行周期是试验对象的右脚从落地起到右脚再次落地为止的期间，所以，步行参数检测部112检测出从右脚的脚后跟落地的地点起到右脚的脚后跟再次落地的地点为止的跨距。在一个步行周期是试验对象的左脚从落地起到左脚再次落地为止的期间的情况下，步行参数检测部112也可以检测出从左脚的脚后跟落地的地点起到左脚的脚后跟再次落地的地点为止的跨距。而且，步行参数检测部112也可以检测出在多个步行周期的多个跨距，并计算检测出的多个跨距的平均值。

存储器12预先存储将一条腿在一个步行周期的跨距作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成的预测模型。预测模型是将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿在一个步行周期的跨距作为说明变量的回归模型。

肌肉衰减症判断部113利用一条腿在一个步行周期的跨距来判断试验对象是否为肌肉衰减症。肌肉衰减症判断部113，通过将由步行参数检测部112检测出的一条腿在一个步行周期的跨距输入到预测模型，来判断试验对象是否为肌肉衰减症，所述预测模型将一条腿在一个步行周期的跨距作为输入值，将试验对象是否为肌肉衰减症作为输出值而生成。而且，肌肉衰减症判断部113，通过将一条腿在一个步行周期的跨距输入到预测模型，从预测模型获取表示试验对象是否为肌肉衰减症的判断结果。

而且，肌肉衰减症判断部113利用一条腿在一个步行周期的跨距来判断试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种。肌肉衰减症判断部113，通过将一条腿在一个步行周期的跨距输入到预测模型，从预测模型获取表示试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种的判断结果。

图30是表示在本实施方式的第九变形例、作为肌肉衰减症的试验对象者们的一条腿的跨距的平均和作为健康者的试验对象者们的一条腿的跨距的平均的示意图。

如图30所示，作为肌肉衰减症的试验对象者们的一条腿在一个步行周期的跨距的平均为1.28m，作为健康者的试验对象者们的一条腿在一个步行周期的跨距的平均为1.39m。

如此，在一个步行周期，作为肌肉衰减症的试验对象者们的一条腿的跨距的平均比作为健康者的试验对象者们的一条腿的跨距的平均小。为此，也可以将通过实验获得的、作为肌肉衰减症的试验对象者们的一条腿在一个步行周期的跨距的平均与作为健康者的试验对象者们的一条腿在一个步行周期的跨距的平均之间的值作为阈值存储到存储器12。肌肉衰减症判断部113，也可以通过将试验对象的一条腿在一个步行周期的跨距与预先存储的阈值进行比较，来判断试验对象是否为肌肉衰减症。肌肉衰减症判断部113，在一条腿的跨距小于阈值的情况下，也可以判断试验对象为肌肉衰减症。

接着，对本实施方式的第十变形例的步行参数进行说明。

本实施方式的第十变形例的步行参数也可以是一条腿的足尖部在一条腿的立脚期的第一期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在一条腿的立脚期的第二期间的角度的时间序列数据的平均值、一条腿的膝关节在一条腿的脚悬空期的第三期间的角度的时间序列数据的平均值、一条腿的膝关节在一条腿的脚悬空期的第四期间的角度的时间序列数据的平均值。

本实施方式的第十变形例，与上述的实验相同，从包含肌肉衰减症的试验对象、肌肉衰减症预备人群的试验对象以及健康者的试验对象的多个试验对象的骨骼数据中检测出多个试验对象中每个试验对象的一条腿的足尖部在垂直方向的位移的时间序列数据和多个试验对象中每个试验对象的一条腿的膝关节的角度的时间序列数据。而且，在实验中，将标准化后的一个步行周期划分为十个区间，针对每个试验对象计算出一条腿的足尖部在一个区间或两个以上连续的区间在垂直方向的位移的平均值和一条腿的膝关节在一个区间或两个以上连续的区间的角度的平均值。

而且，创建将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的足尖部在立脚期的第一期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在立脚期的第二期间的角度的时间序列数据的平均值、一条腿的膝关节在脚悬空期的第三期间的角度的时间序列数据的平均值、一条腿的膝关节在脚悬空期的第四期间的角度的时间序列数据的平均值作为说明变量的预测模型。第一期间是一个步行周期的1％至30％的期间，第二期间是一个步行周期的1％至50％的期间，第三期间是一个步行周期的61％至70％的期间，第四期间是一个步行周期的81％至100％的期间。预测模型通过交叉验证进行评估。作为交叉验证，采用了leave－one－out交叉验证。而且，计算出判断了健康者以及肌肉衰减症的预测模型的ROC曲线。进一步计算出预测模型的ROC曲线的AUC值。

图31是表示从利用本实施方式的第十变形例的预测模型判断了健康者以及肌肉衰减症的结果得到的ROC曲线的示意图。

本实施方式的第十变形例的预测模型，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的足尖部在一个步行周期的1％至30％的期间在垂直方向的位移的平均值、一条腿的膝关节在一个步行周期的1％至50％、61％至70％以及81％至100％的期间的角度的平均值作为说明变量而创建。在图31中，纵轴表示真阳性率，横轴表示假阳性率。真阳性率表示预测模型将肌肉衰减症的试验对象正确地判断为肌肉衰减症的比率，假阳性率表示预测模型将健康者的试验对象错误地判断为肌肉衰减症的比率。

图31所示的ROC曲线是描绘预测模型的真阳性率和假阳性率的曲线，该预测模型将一条腿的足尖部在一个步行周期的1％至30％的期间在垂直方向的位移的平均值、一条腿的膝关节在一个步行周期的1％至50％的期间的角度的平均值、一条腿的膝关节在一个步行周期的61％至70％的期间的角度的平均值、一条腿的膝关节在一个步行周期的81％至100％的期间的角度的平均值作为说明变量而创建。图31所示的ROC曲线的AUC值为0.790。

在本实施方式的第十变形例，将一条腿的足尖部在一个步行周期的1％至30％的期间在垂直方向的位移的平均值、一条腿的膝关节在一个步行周期的1％至50％的期间的角度的平均值、一条腿的膝关节在一个步行周期的61％至70％的期间的角度的平均值、一条腿的膝关节在一个步行周期的81％至100％的期间的角度的平均值决定为步行参数。而且，将一条腿的足尖部在一个步行周期的1％至30％的期间在垂直方向的位移的平均值、一条腿的膝关节在一个步行周期的1％至50％的期间的角度的平均值、一条腿的膝关节在一个步行周期的61％至70％的期间的角度的平均值、一条腿的膝关节在一个步行周期的81％至100％的期间的角度的平均值作为说明变量而创建的预测模型决定为肌肉衰减症判断部113所使用的预测模型。

步行参数检测部112检测出一条腿的足尖部在立脚期的第一期间在垂直方向的位移的时间序列数据、一条腿的膝关节在立脚期的第二期间的角度的时间序列数据、一条腿的膝关节在脚悬空期的第三期间的角度的时间序列数据、一条腿的膝关节在脚悬空期的第四期间的角度的时间序列数据。第一期间是一个步行周期的1％至30％的期间，第二期间是一个步行周期的1％至50％的期间，第三期间是一个步行周期的61％至70％的期间，第四期间是一个步行周期的81％至100％的期间。步行参数检测部112检测出一条腿的足尖部在一个步行周期的1％至30％的期间在垂直方向的位移的时间序列数据、一条腿的膝关节在一个步行周期的1％至50％的期间的角度的时间序列数据、一条腿的膝关节在一个步行周期的61％至70％的期间的角度的时间序列数据、一条腿的膝关节在一个步行周期的81％至100％的期间的角度的时间序列数据。而且，步行参数检测部112计算出一条腿的足尖部在一个步行周期的1％至30％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在一个步行周期的1％至50％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的61％至70％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的81％至100％的期间的角度的时间序列数据的平均值。

存储器12预先存储将一条腿的足尖部在立脚期的第一期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在立脚期的第二期间的角度的时间序列数据的平均值、一条腿的膝关节在脚悬空期的第三期间的角度的时间序列数据的平均值、一条腿的膝关节在脚悬空期的第四期间的角度的时间序列数据的平均值作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成的预测模型。存储器12预先存储将一条腿的足尖部在一个步行周期的1％至30％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在一个步行周期的1％至50％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的61％至70％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的81％至100％的期间的角度的时间序列数据的平均值作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成的预测模型。

肌肉衰减症判断部113，利用一条腿的足尖部在第一期间在垂直方向的位移的时间序列数据的平均值和一条腿的膝关节在第二期间、第三期间以及第四期间的角度的时间序列数据的平均值，来判断试验对象是否为肌肉衰减症。

肌肉衰减症判断部113，利用一条腿的足尖部在一个步行周期的1％至30％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在一个步行周期的1％至50％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的61％至70％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的81％至100％的期间的角度的时间序列数据的平均值，来判断试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种。肌肉衰减症判断部113，通过将一条腿的足尖部在一个步行周期的1％至30％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在一个步行周期的1％至50％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的61％至70％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的81％至100％的期间的角度的时间序列数据的平均值输入到预测模型，从预测模型获取表示试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种的判断结果。

如此，从仅利用一条腿的足尖部在立脚期在垂直方向的位移而创建的预测模型判断了肌肉衰减症的结果得到的AUC值为0.636，从仅利用一条腿的膝关节在立脚期的角度而创建的预测模型判断了肌肉衰减症的结果得到的AUC值为0.586，从仅利用一条腿的膝关节在脚悬空期的角度而创建的预测模型判断了肌肉衰减症的结果得到的AUC值为0.699。与此相对应，从利用一条腿的足尖部在立脚期在垂直方向的位移、一条腿的膝关节在立脚期的角度以及一条腿的膝关节在脚悬空期的角度而创建的预测模型判断了肌肉衰减症的结果得到的AUC值为0.790。

因此，与分别仅利用一条腿的足尖部在立脚期在垂直方向的位移、一条腿的膝关节在立脚期的角度以及一条腿的膝关节在脚悬空期的角度而创建的预测模型相比，利用一条腿的足尖部在立脚期在垂直方向的位移、一条腿的膝关节在立脚期的角度以及一条腿的膝关节在脚悬空期的角度而创建的预测模型可以高精度地判断肌肉衰减症。

接着，对本实施方式的第十一变形例的步行参数进行说明。

本实施方式的第十一变形例的步行参数也可以是一条腿的足尖部在一条腿的立脚期的第一期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在一条腿的立脚期的第二期间的角度的时间序列数据的平均值、一条腿的膝关节在一条腿的立脚期的第三期间的角度的时间序列数据的平均值、一条腿的膝关节在一条腿的脚悬空期的第四期间的角度的时间序列数据的平均值。

本实施方式的第十一变形例，与上述的实验相同，从包含肌肉衰减症的试验对象、肌肉衰减症预备人群的试验对象以及健康者的试验对象的多个试验对象的骨骼数据中检测出多个试验对象中每个试验对象的一条腿的足尖部在垂直方向的位移的时间序列数据和多个试验对象中每个试验对象的一条腿的膝关节的角度的时间序列数据。而且，在实验中，将标准化后的一个步行周期划分为十个区间，针对每个试验对象计算出一条腿的足尖部在一个区间或两个以上连续的区间在垂直方向的位移的平均值和一条腿的膝关节在一个区间或两个以上连续的区间的角度的平均值。

而且，创建将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的足尖部在立脚期的第一期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在立脚期的第二期间的角度的时间序列数据的平均值、一条腿的膝关节在立脚期的第三期间的角度的时间序列数据的平均值、一条腿的膝关节在脚悬空期的第四期间的角度的时间序列数据的平均值作为说明变量的预测模型。第一期间是一个步行周期的31％至40％的期间，第二期间是一个步行周期的1％至10％的期间，第三期间是一个步行周期的41％至50％的期间，第四期间是一个步行周期的71％至100％的期间。预测模型通过交叉验证进行评估。作为交叉验证，采用了leave－one－out交叉验证。而且，计算出判断了健康者以及肌肉衰减症预备人群的预测模型的ROC曲线。进一步计算出预测模型的ROC曲线的AUC值。

图32是表示从利用本实施方式的第十一变形例的预测模型判断了健康者以及肌肉衰减症预备人群的结果得到的ROC曲线的示意图。

本实施方式的第十一变形例的预测模型是将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的足尖部在一个步行周期的31％至40％的期间在垂直方向的位移的平均值，一条腿的膝关节在一个步行周期的1％至10％、41％至50％以及71％至100％的期间的角度的平均值作为说明变量而创建。在图32中，纵轴表示真阳性率，横轴表示假阳性率。真阳性率表示预测模型将肌肉衰减症预备人群的试验对象正确地判断为肌肉衰减症预备人群的比率，假阳性率表示预测模型将健康者的试验对象错误地判断为肌肉衰减症预备人群的比率。

图32所示的ROC曲线是描绘预测模型的真阳性率和假阳性率的曲线，该预测模型将一条腿的足尖部在一个步行周期的31％至40％的期间在垂直方向的位移的平均值、一条腿的膝关节在一个步行周期的1％至10％的期间的角度的平均值、一条腿的膝关节在一个步行周期的41％至50％的期间的将角度的平均值、一条腿的膝关节在一个步行周期的71％至100％的期间的角度的平均值作为说明变量而创建。图32所示的ROC曲线的AUC值为0.772。

在本实施方式的第十一变形例，一条腿的足尖部在一个步行周期的31％至40％的期间在垂直方向的位移的平均值、一条腿的膝关节在一个步行周期的1％至10％的期间的角度的平均值、一条腿的膝关节在一个步行周期的41％至50％的期间的角度的平均值、一条腿的膝关节在一个步行周期的71％至100％的期间的角度的平均值被决定为步行参数。而且，将一条腿的足尖部在一个步行周期的31％至40％的期间在垂直方向的位移的平均值、一条腿的膝关节在一个步行周期的1％至10％的期间的角度的平均值、一条腿的膝关节在一个步行周期的41％至50％的期间的角度的平均值、一条腿的膝关节在一个步行周期的71％至100％的期间的角度的平均值作为说明变量而创建的预测模型决定为肌肉衰减症判断部113所使用的预测模型。

步行参数检测部112检测出一条腿的足尖部在立脚期的第一期间在垂直方向的位移的时间序列数据、一条腿的膝关节在立脚期的第二期间的角度的时间序列数据、一条腿的膝关节在立脚期的第三期间的角度的时间序列数据、一条腿的膝关节在脚悬空期的第四期间的角度的时间序列数据。第一期间是一个步行周期的31％至40％的期间，第二期间是一个步行周期的1％至10％的期间，第三期间是一个步行周期的41％至50％的期间，第四期间是一个步行周期的71％至100％的期间。

步行参数检测部112检测出一条腿的足尖部在一个步行周期的31％至40％的期间在垂直方向的位移的时间序列数据、一条腿的膝关节在一个步行周期的1％至10％的期间的角度的时间序列数据、一条腿的膝关节在一个步行周期的41％至50％的期间的角度的时间序列数据、一条腿的膝关节在一个步行周期的71％至100％的期间的角度的时间序列数据。

而且，步行参数检测部112计算出一条腿的足尖部在一个步行周期的31％至40％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在一个步行周期的1％至10％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的41％至50％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的71％至100％的期间的角度的时间序列数据的平均值。

存储器12预先存储将一条腿的足尖部在立脚期的第一期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在立脚期的第二期间的角度的时间序列数据的平均值、一条腿的膝关节在立脚期的第三期间的角度的时间序列数据的平均值、一条腿的膝关节在脚悬空期的第四期间的角度的时间序列数据的平均值作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成的预测模型。

存储器12预先存储将一条腿的足尖部在一个步行周期的31％至40％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在一个步行周期的1％至10％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的41％至50％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的71％至100％的期间的角度的时间序列数据的平均值作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成的预测模型。

肌肉衰减症判断部113利用一条腿的足尖部在第一期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在第二期间、第三期间以及第四期间的角度的时间序列数据的平均值来判断试验对象是否为肌肉衰减症。

肌肉衰减症判断部113利用一条腿的足尖部在一个步行周期的31％至40％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在一个步行周期的1％至10％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的41％至50％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的71％至100％的期间的角度的时间序列数据的平均值来判断试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种。

肌肉衰减症判断部113通过将一条腿的足尖部在一个步行周期的31％至40％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在一个步行周期的1％至10％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的41％至50％的时间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的71％至100％的期间的角度的时间序列数据的平均值输入到预测模型，从预测模型获取表示试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种的判断结果。

如此，从仅利用一条腿的足尖部在立脚期在垂直方向的位移而创建的预测模型判断了肌肉衰减症预备人群的结果得到的AUC值为0.560，从仅利用一条腿的膝关节在立脚期的角度而创建的预测模型判断了肌肉衰减症预备人群的结果得到的AUC值为0.537，从仅利用一条腿的膝关节在脚悬空期的角度而创建的预测模型判断了肌肉衰减症预备人群的结果得到的AUC值为0.604。与此相对应，从利用一条腿的足尖部在立脚期在垂直方向的位移、一条腿的膝关节在立脚期的角度以及一条腿的膝关节在脚悬空期的角度而创建的预测模型判断了肌肉衰减症预备人群的结果得到的AUC值为0.772。

因此，与分别仅利用一条腿的足尖部在立脚期在垂直方向的位移、一条腿的膝关节在立脚期的角度以及一条腿的膝关节在脚悬空期的角度而创建的预测模型相比，利用一条腿的足尖部在立脚期在垂直方向的位移、一条腿的膝关节在立脚期的角度以及一条腿的膝关节在脚悬空期的角度而创建的预测模型可以高精度地判断肌肉衰减症预备人群。

接着，对本实施方式的第十二变形例的步行参数进行说明。

本实施方式的第十二变形例的步行参数也可以是一条腿的足尖部在一条腿的脚悬空期的第一期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在一条腿的立脚期的第二期间的角度的时间序列数据的平均值。

图33是表示在本实施方式的第十二变形例、一条腿的膝关节在一个步行周期的角度的变化的示意图。在图33中，纵轴表示膝关节的角度，横轴表示标准化后的一个步行周期。而且，在图33中，虚线表示健康者们的一条腿的膝关节的角度的平均波形，实线表示作为肌肉衰减症或肌肉衰减症预备人群的试验对象者们的一条腿的膝关节的角度的平均波形。

另外，在本实施方式的第十二变形例，判断试验对象是否为肌肉衰减症或肌肉衰减症预备人群。另外，将不是肌肉衰减症或肌肉衰减症预备人群的试验对象判断为健康者。

而且，健康者们的一条腿的足尖部在垂直方向的位移的平均波形和作为肌肉衰减症或肌肉衰减症预备人群的试验对象者们的一条腿的足尖部在垂直方向的位移的平均波形如图20所示。

本实施方式的第十二变形例，与上述的实验相同，从包含肌肉衰减症的试验对象、肌肉衰减症预备人群的试验对象以及健康者的试验对象的多个试验对象的骨骼数据中检测出多个试验对象中每个试验对象的一条腿的足尖部在垂直方向的位移的时间序列数据和多个试验对象中每个试验对象的一条腿的膝关节的角度的时间序列数据。而且，创建将试验对象是否为肌肉衰减症或肌肉衰减症预备人群作为目的变量，将一条腿的足尖部在脚悬空期的第一期间在垂直方向的位移的时间序列数据的平均值和一条腿的膝关节在立脚期的第二期间的角度的时间序列数据的平均值作为说明变量的预测模型。第一期间是一个步行周期的65％至70％的期间，第二期间是一个步行周期的45％至50％的期间。预测模型通过交叉验证进行评估。作为交叉验证，采用了leave－one－out交叉验证。而且，计算出判断了是否为肌肉衰减症或肌肉衰减症预备人群的预测模型的ROC曲线。进一步计算出预测模型的ROC曲线的AUC值。

图34是表示从利用本实施方式的第十二变形例的预测模型判断了是否为肌肉衰减症或肌肉衰减症预备人群的结果得到的ROC曲线的示意图。

本实施方式的第十二变形例的预测模型是将试验对象是否为肌肉衰减症或肌肉衰减症预备人群作为目的变量，将一条腿的足尖部在一个步行周期的65％至70％的期间在垂直方向的位移的平均值和一条腿的膝关节在一个步行周期的45％至50％的期间的角度的平均值作为说明变量而创建。在图34中，纵轴表示真阳性率，横轴表示假阳性率。真阳性率表示预测模型将肌肉衰减症或肌肉衰减症预备人群的试验对象正确地判断为肌肉衰减症或肌肉衰减症预备人群的比率，假阳性率表示预测模型将健康者的试验对象错误地判断为肌肉衰减症或肌肉衰减症预备人群的比率。

图34所示的ROC曲线是描绘预测模型的真阳性率和假阳性率的曲线，该预测模型将一条腿的足尖部在一个步行周期的65％至70％的期间在垂直方向的位移的平均值、一条腿的膝关节在一个步行周期的45％至50％的期间的角度的平均值作为说明变量而创建。图34所示的ROC曲线的AUC值为0.6680。

在本实施方式的第十二变形例，一条腿的足尖部在一个步行周期的65％至70％的期间在垂直方向的位移的平均值和一条腿的膝关节在一个步行周期的45％至50％的期间的角度的平均值被决定为步行参数。而且，将一条腿的足尖部在一个步行周期的65％至70％的期间在垂直方向的位移的平均值和一条腿的膝关节在一个步行周期的45％至50％的期间的角度的平均值作为说明变量而创建的预测模型决定为肌肉衰减症判断部113所使用的预测模型。

步行参数检测部112检测出一条腿的足尖部在脚悬空期的第一期间在垂直方向的位移的时间序列数据和一条腿的膝关节在立脚期的第二期间的角度的时间序列数据。第一期间是一个步行周期的65％至70％的期间，第二期间是一个步行周期的45％至50％的期间。步行参数检测部112检测出一条腿的足尖部在一个步行周期的65％至70％的期间在垂直方向的位移的时间序列数据和一条腿的膝关节在一个步行周期的45％至50％的期间的角度的时间序列数据。而且，步行参数检测部112计算出一条腿的足尖部在一个步行周期的65％至70％的期间在垂直方向的位移的时间序列数据的平均值和一条腿的膝关节在一个步行周期的45％至50％的期间的角度的时间序列数据的平均值。

存储器12预先存储将一条腿的足尖部在脚悬空期的第一期间在垂直方向的位移的时间序列数据的平均值和一条腿的膝关节在立脚期的第二期间的角度的时间序列数据的平均值作为输入值，将试验对象是否为肌肉衰减症或肌肉衰减症预备人群作为输出值而生成的预测模型。存储器12预先存储将一条腿的足尖部在一个步行周期的65％至70％的期间在垂直方向的位移的时间序列数据的平均值和一条腿的膝关节在一个步行周期的45％至50％的期间的角度的时间序列数据的平均值作为输入值，将试验对象是否为肌肉衰减症或肌肉衰减症预备人群作为输出值而生成的预测模型。

肌肉衰减症判断部113利用一条腿的足尖部在第一期间在垂直方向的位移的时间序列数据的平均值和一条腿的膝关节在第二期间的角度的时间序列数据的平均值来判断试验对象是否为肌肉衰减症。

肌肉衰减症判断部113利用一条腿的足尖部在一个步行周期的65％至70％的期间在垂直方向的位移的时间序列数据的平均值和一条腿的膝关节在一个步行周期的45％至50％的期间的角度的时间序列数据的平均值来判断试验对象是否为肌肉衰减症或肌肉衰减症预备人群。肌肉衰减症判断部113，通过将一条腿的足尖部在一个步行周期的65％至70％的期间在垂直方向的位移的时间序列数据的平均值和一条腿的膝关节在一个步行周期的45％至50％的期间的角度的时间序列数据的平均值输入到预测模型，从预测模型获取表示试验对象是否为肌肉衰减症或肌肉衰减症预备人群的判断结果。

接着，对本实施方式的第十三变形例的步行参数进行说明。

本实施方式的第十三变形例的步行参数也可以是一条腿的足尖部在一条腿的立脚期的第一期间在垂直方向的位移的时间序列数据的平均值、一条腿的脚踝关节在一条腿的立脚期的第二期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一条腿的立脚期的第三期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一条腿的脚悬空期的第四期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一条腿的脚悬空期的第五期间的角度的时间序列数据的平均值。

本实施方式的第十三变形例，与上述的实验相同，从包含肌肉衰减症的试验对象、肌肉衰减症预备人群的试验对象以及健康者的试验对象的多个试验对象的骨骼数据中检测出多个试验对象中每个试验对象的一条腿的足尖部在垂直方向的位移的时间序列数据和多个试验对象中每个试验对象的一条腿的脚踝关节的角度的时间序列数据。而且，在实验中，将标准化后的一个步行周期划分为十个区间，针对每个试验对象计算出一条腿的足尖部在一个区间或两个以上连续的区间在垂直方向的位移的平均值和一条腿的脚踝关节在一个区间或两个以上连续的区间的角度的平均值。

而且，创建将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的足尖部在立脚期的第一期间在垂直方向的位移的时间序列数据的平均值、一条腿的脚踝关节在立脚期的第二期间的角度的时间序列数据的平均值、一条腿的脚踝关节在立脚期的第三期间的角度的时间序列数据的平均值、一条腿的脚踝关节在脚悬空期的第四期间的角度的时间序列数据的平均值、一条腿的脚踝关节在脚悬空期的第五期间的角度的时间序列数据的平均值作为说明变量的预测模型。第一期间是一个步行周期的1％至50％的期间，第二期间是一个步行周期的1％至10％的期间，第三期间是一个步行周期的21％至60％的期间，第四期间是一个步行周期的71％至80％的期间，第五期间是一个步行周期的91％至100％的期间。预测模型通过交叉验证进行评估。作为交叉验证，采用了leave－one－out交叉验证。而且，计算出判断了健康者以及肌肉衰减症的预测模型的ROC曲线。进一步计算出预测模型的ROC曲线的AUC值。

图35是表示从利用本实施方式的第十三变形例的预测模型判断了健康者以及肌肉衰减症的结果得到的ROC曲线的示意图。

本实施方式的第十三变形例的预测模型将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的足尖部在一个步行周期的1％至50％的期间在垂直方向的位移的平均值、一条腿的脚踝关节在一个步行周期的1％至50％、21％至60％、71％至80％以及91％至100％的期间的角度的平均值作为说明变量而创建。在图35中，纵轴表示真阳性率，横轴表示假阳性率。真阳性率表示预测模型将肌肉衰减症的试验对象正确地判断为肌肉衰减症的比率，假阳性率表示预测模型将健康者的试验对象错误地判断为肌肉衰减症的比率。

图35所示的ROC曲线是描绘预测模型的真阳性率和假阳性率的曲线，该预测模型将一条腿的足尖部在一个步行周期的1％至50％的期间在垂直方向的位移的平均值、一条腿的脚踝关节在一个步行周期的1％至10％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的21％至60％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的71％至80％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的91％至100％的期间的角度的平均值作为说明变量而创建。图35所示的ROC曲线的AUC值为0.787。

在本实施方式的第十三变形例，一条腿的足尖部在一个步行周期的1％至50％的期间在垂直方向的位移的平均值、一条腿的脚踝关节在一个步行周期的1％至10％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的21％至60％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的71％至80％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的91％至100％的期间的角度的平均值被决定为步行参数。而且，将一条腿的足尖部在一个步行周期的1％至50％的期间在垂直方向的位移的平均值、一条腿的脚踝关节在一个步行周期的1％至10％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的21％至60％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的71％至80％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的91％至100％的期间的角度的平均值作为说明变量而创建的预测模型决定为肌肉衰减症判断部113所使用的预测模型。

步行参数检测部112检测出一条腿的足尖部在立脚期的第一期间在垂直方向的位移的时间序列数据、一条腿的脚踝关节在立脚期的第二期间的角度的时间序列数据、一条腿的脚踝关节在立脚期的第三期间的角度的时间序列数据、一条腿的脚踝关节在脚悬空期的第四期间的角度的时间序列数据、一条腿的脚踝关节在脚悬空期的第五期间的角度的时间序列数据。第一期间是一个步行周期的1％至50％的期间，第二期间是一个步行周期的1％至10％的期间，第三期间是一个步行周期的21％至60％的期间，第四期间是一个步行周期的71％至80％的期间，第五期间是一个步行周期的91％是％至10％的期间。

步行参数检测部112检测出一条腿的足尖部在一个步行周期的1％至50％的期间在垂直方向的位移的时间序列数据、一条腿的脚踝关节在一个步行周期的1％至10％的期间的角度的时间序列数据、一条腿的脚踝关节在一个步行周期的21％至60％的期间的角度的时间序列数据、一条腿的脚踝关节在一个步行周期的71％至80％的期间的角度的时间序列数据、一条腿的脚踝关节在一个步行周期的91％至100％的期间的角度的时间序列数据。

而且，步行参数检测部112计算出一条腿的足尖部在一个步行周期的1％至50％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的1％至10％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的21％至60％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的71％至80％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的91％至100％的期间的角度的时间序列数据的平均值。

存储器12预先存储将一条腿的足尖部在立脚期的第一期间在垂直方向的位移的时间序列数据的平均值、一条腿的脚踝关节在立脚期的第二期间的角度的时间序列数据的平均值、一条腿的脚踝关节在立脚期的第三期间的角度的时间序列数据的平均值、一条腿的脚踝关节在脚悬空期的第四期间的角度的时间序列数据的平均值、一条腿的脚踝关节在脚悬空期的第五期间的角度的时间序列数据的平均值作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成的预测模型。

存储器12预先存储将一条腿的足尖部在一个步行周期的1％至50％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的1％至10％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的21％至60％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的71％至80％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的91％至100％的期间的角度的时间序列数据的平均值作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成的预测模型。

肌肉衰减症判断部113，利用一条腿的足尖部在第一期间在垂直方向的位移的时间序列数据的平均值和一条腿的脚踝关节在第二期间、第三期间、第四期间以及第五期间的角度的时间序列数据的平均值，来判断试验对象是否为肌肉衰减症。

肌肉衰减症判断部113，利用一条腿的足尖部在一个步行周期的1％至50％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的1％至10％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的21％至60％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的71％至80％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的91％至100％的期间的角度的时间序列数据的平均值，来判断试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种。

肌肉衰减症判断部113，通过将一条腿的足尖部在一个步行周期的1％至50％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的1％至10％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的21％至60％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的71％至80％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的91％至100％的期间的角度的时间序列数据的平均值输入到预测模型，从预测模型获取表示试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种的判断结果。

如此，从仅利用一条腿的足尖部在立脚期在垂直方向的位移而创建的预测模型判断了肌肉衰减症的结果得到的AUC值为0.636，从仅利用脚踝关节在立脚期的角度而创建的预测模型判断了肌肉衰减症的结果得到的AUC值为0.498，从仅利用脚踝关节在脚悬空期的角度而创建的预测模型判断了肌肉衰减症的结果得到的AUC值为0.389。与此相对应，从利用一条腿的足尖部在立脚期在垂直方向的位移、一条腿的脚踝关节在立脚期的角度以及一条腿的脚踝关节在脚悬空期的角度而创建的预测模型判断了肌肉衰减症的结果得到的AUC值为0.787。

因此，与分别仅利用一条腿的足尖部在立脚期在垂直方向的位移、脚踝关节在立脚期的角度以及脚踝关节在脚悬空期的角度而创建的预测模型相比，利用一条腿的足尖部在立脚期在垂直方向的位移、脚踝关节在立脚期的角度以及脚踝关节在脚悬空期的角度而创建的预测模型可以高精度地判断肌肉衰减症。

接着，对本实施方式的第十四变形例的步行参数进行说明。

本实施方式的第十四变形例的步行参数也可以是一条腿的足尖部在一条腿的立脚期的第一期间在垂直方向的位移的时间序列数据的平均值、一条腿的足尖部在一条腿的脚悬空期的第二期间在垂直方向的位移的时间序列数据的平均、一条腿的脚踝关节在一条腿的立脚期的第三期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一条腿的立脚期以及脚悬空期的第四期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一条腿的脚悬空期的第五期间的角度的时间序列数据的平均值。

本实施方式的第十四变形例，与上述的实验相同，从包含肌肉衰减症的试验对象、肌肉衰减症预备人群的试验对象以及健康者的试验对象的多个试验对象的骨骼数据中检测出多个试验对象中每个试验对象的一条腿的足尖部在垂直方向的位移的时间序列数据和多个试验对象中每个试验对象的一条腿的脚踝关节的角度的时间序列数据。而且，在实验中，将标准化后的一个步行周期划分为十个区间，针对每个试验对象计算出一条腿的足尖部在一个区间或两个以上连续的区间在垂直方向的位移的平均值和一条腿的脚踝关节在一个区间或两个以上连续的区间的角度的平均值。

而且，创建将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，一条腿的足尖部在立脚期的第一期间在垂直方向的位移的时间序列数据的平均值、一条腿的足尖部在脚悬空期的第二期间在垂直方向的位移的时间序列数据的平均值、一条腿的脚踝关节在立脚期的第三期间的角度的时间序列数据的平均值、一条腿的脚踝关节在立脚期以及脚悬空期的第四期间的角度的时间序列数据的平均值、一条腿的脚踝关节在脚悬空期的第五期间的角度的时间序列数据的平均值作为说明变量的预测模型。第一期间是一个步行周期的1％至50％的期间，第二期间是一个步行周期的71％至100％的期间，第三期间是一个步行周期的1％至10％的期间，第四期间是一个步行周期的51％至70％的期间，第五期间是一个步行周期的81％至100％的期间。预测模型通过交叉验证进行评估。作为交叉验证，采用了leave－one－out交叉验证。而且，计算出判断了健康者以及肌肉衰减症预备人群的预测模型的ROC曲线。进一步计算出预测模型的ROC曲线的AUC值。

图36是表示从利用本实施方式的第十四变形例的预测模型判断了健康者以及肌肉衰减症预备人群的结果得到的ROC曲线的示意图。

本实施方式的第十四变形例的预测模型是将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的足尖部在一个步行周期的1％至50％以及71％至100％的期间在垂直方向的位移的平均值、一条腿的脚踝关节在一个步行周期的1％至10％、51％至70％以及81％至100％的期间的角度的平均值作为说明变量而创建。在图36中，纵轴表示真阳性率，横轴表示假阳性率。真阳性率表示预测模型将肌肉衰减症预备人群的试验对象正确地判断为肌肉衰减症预备人群的比率，假阳性率表示预测模型将健康者的试验对象错误地判断为肌肉衰减症预备人群的比率。

图36所示的ROC曲线是描绘预测模型的真阳性率和假阳性率的曲线，该预测模型将一条腿的足尖部在一个步行周期的1％至50％的期间在垂直方向的位移的平均值、一条腿的足尖部在一个步行周期的71％至100％的期间在垂直方向的位移的平均值、一条腿的脚踝关节在一个步行周期的1％至10％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的51％至70％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的81％至100％的期间的角度的平均值作为说明变量而创建。图36所示的ROC曲线的AUC值为0.764。

在本实施方式的第十四变形例，一条腿的足尖部在一个步行周期的1％至50％的期间在垂直方向的位移的平均值、一条腿的足尖部在一个步行周期的71％至100％的期间在垂直方向的位移的平均值、一条腿的脚踝关节在一个步行周期的1％至10％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的51％至70％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的81％至100％的期间的角度的平均值被决定为步行参数。而且，将一条腿的足尖部在一个步行周期的1％至50％的期间在垂直方向的位移的平均值、一条腿的足尖部在一个步行周期的71％至100％的期间在垂直方向的位移的平均值、一条腿的脚踝关节在一个步行周期的1％至10％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的51％至70％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的81％至100％的期间的角度的平均值作为说明变量而创建的预测模型决定为肌肉衰减症判断部113所使用的预测模型。

步行参数检测部112检测出一条腿的足尖部在立脚期的第一期间在垂直方向的位移的时间序列数据、一条腿的足尖部在脚悬空期的第二期间在垂直方向的位移的时间序列数据、一条腿的脚踝关节在立脚期的第三期间的角度的时间序列数据、一条腿的脚踝关节在立脚期以及脚悬空期的第四期间的角度的时间序列数据、一条腿的脚踝关节在脚悬空期的第五期间的角度的时间序列数据。第一期间是一个步行周期的1％至50％的期间，第二期间是一个步行周期的71％至100％的期间，第三期间是一个步行周期的1％至10％的期间，第四期间是一个步行周期的51％至70％的期间，第五期间是一个步行周期的81％至100％的期间。

步行参数检测部112检测出一条腿的足尖部在一个步行周期的1％至50％的期间在垂直方向的位移的时间序列数据、一条腿的足尖部在一个步行周期的71％至100％的期间在垂直方向的位移的时间序列数据、一条腿的脚踝关节在一个步行周期的1％至10％的期间的角度的时间序列数据、一条腿的脚踝关节在一个步行周期的51％至70％的期间的角度的时间序列数据、一条腿的脚踝关节在一个步行周期的81％至100％的期间的角度的时间序列数据。

而且，步行参数检测部112计算出一条腿的足尖部在一个步行周期的1％至50％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的足尖部在一个步行周期的71％至100％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的1％至10％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的51％至70％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的81％至100％的期间的角度的时间序列数据的平均值。

存储器12预先存储将一条腿的足尖部在立脚期的第一期间在垂直方向的位移的时间序列数据的平均值、一条腿的足尖部在脚悬空期的第二期间在垂直方向的位移的时间序列数据的平均值、一条腿的脚踝关节在立脚期的第三期间的角度的时间序列数据的平均值、一条腿的脚踝关节在立脚期以及脚悬空期的第四期间的角度的时间序列数据的平均值、一条腿的脚踝关节在脚悬空期的第五期间的角度的时间序列数据的平均值作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成的预测模型。

存储器12预先存储将一条腿的足尖部在一个步行周期的1％至50％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的足尖部在一个步行周期的71％至100％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的1％至10％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的51％至70％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的81％至100％的期间的角度的时间序列数据的平均值作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成的预测模型。

肌肉衰减症判断部113，利用一条腿的足尖部在第一期间以及第二期间在垂直方向的位移的时间序列数据的平均值、一条腿的脚踝关节在第三期间、第四期间以及第五期间的角度的时间序列数据的平均值来判断试验对象是否为肌肉衰减症。

肌肉衰减症判断部113，利用一条腿的足尖部在一个步行周期的1％至50％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的足尖部在一个步行周期的71％至100％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的1％至10％的期间是角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的51％至70％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的81％至100％的期间的角度的时间序列数据的平均值，来判断试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种。

肌肉衰减症判断部113，通过将一条腿的足尖部在一个步行周期的1％至50％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的足尖部在一个步行周期的71％至100％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的1％至10％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的51％至70％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的81％至100％的期间的角度的时间序列数据的平均值输入到预测模型，从预测模型获取表示试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种的判断结果。

如此，从仅利用一条腿的足尖部在立脚期在垂直方向的位移而创建的预测模型判断了肌肉衰减症预备人群的结果得到的AUC值为0.560，从仅利用一条腿的足尖部在脚悬空期在垂直方向的位移而创建的预测模型判断了肌肉衰减症预备人群的结果得到的AUC值为0.626，从仅利用脚踝关节在立脚期的角度而创建的预测模型判断了肌肉衰减症预备人群的结果得到的AUC值为0.610，从仅利用脚踝关节在脚悬空期的角度而创建的预测模型判断了肌肉衰减症预备人群的结果得到的AUC值为0.622。与此相对应，从利用一条腿的足尖部在立脚期在垂直方向的位移、一条腿的足尖部在脚悬空期在垂直方向的位移、一条腿的脚踝关节在立脚期的角度以及一条腿的脚踝关节在脚悬空期的角度而创建的预测模型判断了肌肉衰减症预备人群的结果得到的AUC值为0.764。

因此，与分别仅利用一条腿的足尖部在立脚期在垂直方向的位移、一条腿的足尖部在脚悬空期在垂直方向的位移、脚踝关节在立脚期的角度以及脚踝关节在脚悬空期的角度而创建的预测模型相比，利用一条腿的足尖部在立脚期在垂直方向的位移、一条腿的足尖部在脚悬空期在垂直方向的位移、脚踝关节在立脚期的角度以及脚踝关节在脚悬空期的角度而创建的预测模型可以高精度地判断肌肉衰减症预备人群。

接着，对本实施方式的第十五变形例的步行参数进行说明。

本实施方式的第十五变形例的步行参数也可以是一条腿的膝关节在一条腿的立脚期的第一期间的角度的时间序列数据的平均值、一条腿的膝关节在一条腿的脚悬空期的第二期间的角度的时间序列数据的平均值、一条腿的膝关节在一条腿的脚悬空期的第三期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一条腿的立脚期的第四期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一条腿的脚悬空期的第五期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一条腿的脚悬空期的第六期间的角度的时间序列数据的平均值。

本实施方式的第十五变形例，与上述的实验相同，从包含肌肉衰减症的试验对象、肌肉衰减症预备人群的试验对象以及健康者的试验对象的多个试验对象的骨骼数据中检测出多个试验对象中每个试验对象的一条腿的膝关节的角度的时间序列数据、多个试验对象中每个试验对象的一条腿的脚踝关节的角度的时间序列数据。而且，在实验中，将标准化后的一个步行周期划分为十个区间，针对每个试验对象计算出一条腿的膝关节在一个区间或两个以上连续的区间的角度的平均值和一条腿的脚踝关节在一个区间或两个以上连续的区间的角度的平均值。

而且，创建将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的膝关节在立脚期的第一期间的角度的时间序列数据的平均值、一条腿的膝关节在脚悬空期的第二期间的角度的时间序列数据的平均值、一条腿的膝关节在脚悬空期的第三期间的角度的时间序列数据的平均值、一条腿的脚踝关节在立脚期的第四期间的角度的时间序列数据的平均值、一条腿的脚踝关节在脚悬空期的第五期间的角度的时间序列数据的平均值、一条腿的脚踝关节在脚悬空期的第六期间的角度的时间序列数据的平均值作为说明变量的预测模型。第一期间是一个步行周期的1％至40％的期间，第二期间是一个步行周期的61％至70％的期间，第三期间是一个步行周期的81％至100％的期间，第四期间是一个步行周期的1％至50％的期间，第五期间是一个步行周期的61％至70％的期间，第六期间是一个步行周期的91％至100％的期间。预测模型通过交叉验证进行评估。作为交叉验证，采用了leave－one－out交叉验证。而且，计算出判断了健康者以及肌肉衰减症的预测模型的ROC曲线。进一步计算出预测模型的ROC曲线的AUC值。

图37是表示从利用本实施方式的第十五变形例的预测模型判断了健康者以及肌肉衰减症的结果得到的ROC曲线的示意图。

本实施方式的第十五变形例的预测模型，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的膝关节在一个步行周期的1％至40％、61％至70％以及81％至100％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的1％至50％、61％至70％以及91％至100％的期间的角度的平均值作为说明变量而创建。在图37中，纵轴表示真阳性率，横轴表示假阳性率。真阳性率表示预测模型将肌肉衰减症的试验对象正确地判断为肌肉衰减症的比率，假阳性率表示预测模型将健康者的试验对象错误地判断为肌肉衰减症的比率。

图37所示的ROC曲线是描绘预测模型的真阳性率和假阳性率的曲线，该预测模型将一条腿的膝关节在一个步行周期的1％至40％的期间的角度的平均值、一条腿的膝关节在一个步行周期的61％至70％的期间的角度的平均值、一条腿的膝关节在一个步行周期的81％至100％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的1％至50％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的61％至70％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的91％至100％的期间的角度的平均值作为说明变量而创建。图37所示的ROC曲线的AUC值为0.865。

在本实施方式的第十五变形例，一条腿的膝关节在一个步行周期的1％至40％的期间的角度的平均值、一条腿的膝关节在一个步行周期的61％至70％的期间的角度的平均值、一条腿的膝关节在一个步行周期的81％至100％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的1％至50％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的61％至70％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的91％至100％的期间的角度的平均值被决定为步行参数。而且，将一条腿的膝关节在一个步行周期的1％至40％的期间的角度的平均值、一条腿的膝关节在一个步行周期的61％至70％的期间的角度的平均值、一条腿的膝关节在一个步行周期的81％至100％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的1％至50％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的61％至70％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的91％至100％的期间的角度的平均值作为说明变量而创建的预测模型决定为肌肉衰减症判断部113所使用的预测模型。

步行参数检测部112检测出一条腿的膝关节在立脚期的第一期间的角度的时间序列数据、一条腿的膝关节在脚悬空期的第二期间的角度的时间序列数据、一条腿的膝关节在脚悬空期的第三期间的角度的时间序列数据、一条腿的脚踝关节在立脚期的第四期间的角度的时间序列数据、一条腿的脚踝关节在脚悬空期的第五期间的角度的时间序列数据、一条腿的脚踝关节在脚悬空期的第六期间的角度的时间序列数据。第一期间是一个步行周期的1％至40％的期间，第二期间是一个步行周期的61％至70％的期间，第三期间是一个步行周期的81％至100％的期间，第四期间是一个步行周期的1％至50％的期间，第五期间是一个步行周期的61％至70％的期间，第六期间是一个步行周期的91％至100％的期间。

步行参数检测部112检测出一条腿的膝关节在一个步行周期的1％至40％的期间的角度的时间序列数据、一条腿的膝关节在一个步行周期的61％至70％的期间的角度的时间序列数据、一条腿的膝关节在一个步行周期的81％至100％的期间的角度的时间序列数据、一条腿的脚踝关节在一个步行周期的1％至50％的期间的角度的时间序列数据、一条腿的脚踝关节在一个步行周期的61％至70％的期间的角度的时间序列数据、一条腿的脚踝关节在一个步行周期的91％至100％的期间的角度的时间序列数据。

而且，步行参数检测部112计算出一条腿的膝关节在一个步行周期的1％至40％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的61％至70％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的81％至100％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的1％至50％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的61％至70％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的91％至100％的期间的角度的时间序列数据的平均值。

存储器12预先存储将一条腿的膝关节在立脚期的第一期间的角度的时间序列数据的平均值、一条腿的膝关节在脚悬空期的第二期间的角度的时间序列数据的平均值、一条腿的膝关节在脚悬空期的第三期间的角度的时间序列数据的平均值、一条腿的脚踝关节在立脚期的第四期间的角度的时间序列数据的平均值、一条腿的脚踝关节在脚悬空期的第五期间的角度的时间序列数据的平均值、一条腿的脚踝关节在脚悬空期的第六期间的角度的时间序列数据的平均值作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成的预测模型。

存储器12预先存储将一条腿的膝关节在一个步行周期的1％至40％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的61％至70％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的81％至100％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的1％至50％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的61％至70％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的91％至100％的期间的角度的时间序列数据的平均值作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成的预测模型。

肌肉衰减症判断部113，利用一条腿的膝关节在第一期间、第二期间以及第三期间的角度的时间序列数据的平均值和一条腿的脚踝关节在第四期间、第五期间以及第六期间的角度的时间序列数据的平均值，来判断试验对象是否为肌肉衰减症。

肌肉衰减症判断部113，利用一条腿的膝关节在一个步行周期的1％至40％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的61％至70％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的81％至100％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的1％至50％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的61％至70％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的91％至100％的期间的角度的时间序列数据的平均值，来判断试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种。

肌肉衰减症判断部113，通过将一条腿的膝关节在一个步行周期的1％至40％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的61％至70％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的81％至100％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的1％至50％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的61％至70％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的91％至100％的期间的角度的时间序列数据的平均值输入到预测模型，从预测模型获取表示试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种的判断结果。

如此，从仅利用一条腿的膝关节在立脚期的角度而创建的预测模型判断了肌肉衰减症的结果得到的AUC值为0.586，从仅利用一条腿的膝关节在脚悬空期的角度而创建的预测模型判断了肌肉衰减症的结果得到的AUC值为0.699，从仅利用脚踝关节在立脚期的角度而创建的预测模型判断了肌肉衰减症的结果得到的AUC值为0.498，从仅利用脚踝关节在脚悬空期的角度而创建的预测模型判断了肌肉衰减症的结果获得的AUC值为0.389。与此相对应，从利用一条腿的膝关节在立脚期的角度、一条腿的膝关节在脚悬空期的角度、一条腿的脚踝关节在立脚期的角度以及一条腿的脚踝关节在脚悬空期的角度而创建的预测模型判断了肌肉衰减症的结果得到的AUC值为0.865。

因此，与分别仅利用一条腿的膝关节在立脚期的角度、一条腿的膝关节在脚悬空期的角度、脚踝关节在立脚期的角度以及脚踝关节在脚悬空期的角度而创建的预测模型相比，利用一条腿的膝关节在立脚期的角度、一条腿的膝关节在脚悬空期的角度、脚踝关节在立脚期的角度以及脚踝关节在脚悬空期的角度而创建的预测模型可以高精度地判断肌肉衰减症。

接着，对本实施方式的第十六变形例的步行参数进行说明。

本实施方式的第十六变形例的步行参数也可以是一条腿的膝关节在一条腿的立脚期的第一期间的角度的时间序列数据的平均值、一条腿的膝关节在一条腿的脚悬空期的第二期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一条腿的立脚期的第三期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一条腿的立脚期以及脚悬空期的第四期间的角度的时间序列数据的平均值。

本实施方式的第十六变形例，与上述的实验相同，从包含肌肉衰减症的试验对象、肌肉衰减症预备人群的试验对象以及健康者的试验对象的多个试验对象的骨骼数据中检测出多个试验对象中每个试验对象的一条腿的膝关节的角度的时间序列数据、多个试验对象中每个试验对象的一条腿的脚踝关节的角度的时间序列数据。而且，在实验中，将标准化后的一个步行周期划分为十个区间，针对每个试验对象计算出一条腿的膝关节在一个区间或两个以上连续的区间的角度的平均值和一条腿的脚踝关节在一个区间或两个以上连续的区间的角度的平均值。

而且，创建将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的膝关节在立脚期的第一期间的角度的时间序列数据的平均值、一条腿的膝关节在脚悬空期的第二期间的角度的时间序列数据的平均值、一条腿的脚踝关节在立脚期的第三期间的角度的时间序列数据的平均值、一条腿的脚踝关节在立脚期以及脚悬空期的第四期间的角度的时间序列数据的平均值作为说明变量的预测模型。第一期间是一个步行周期的1％至10％的期间，第二期间是一个步行周期的81％至100％的期间，第三期间是一个步行周期的1％至10％的期间，第四期间是一个步行周期的21％至70％的期间。预测模型通过交叉验证进行评估。作为交叉验证，采用了leave－one－out交叉验证。而且，计算出判断了健康者以及肌肉衰减症预备人群的预测模型的ROC曲线。进一步计算出预测模型的ROC曲线的AUC值。

图38是表示从利用本实施方式的第十六变形例的预测模型判断了健康者以及肌肉衰减症预备人群的结果得到的ROC曲线的示意图。

本实施方式的第十六变形例的预测模型，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的膝关节在一个步行周期的1％至10％以及81％至100％的期间的角度的平均值和一条腿的脚踝关节在一个步行周期的1％至10％以及21％至70％的期间的角度的平均值作为说明变量而创建。在图38中，纵轴表示真阳性率，横轴表示假阳性率。真阳性率表示预测模型将肌肉衰减症预备人群的试验对象正确地判断为肌肉衰减症预备人群的比率，假阳性率表示预测模型将健康者的试验对象错误地判断为肌肉衰减症预备人群的比率。

图38所示的ROC曲线是描绘预测模型的真阳性率和假阳性率的曲线，该预测模型将一条腿的膝关节在一个步行周期的1％至10％的期间的角度的平均值、一条腿的膝关节在一个步行周期的81％至100％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的1％至10％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的21％至70％的期间的角度的平均值作为说明变量而创建。图38所示的ROC曲线的AUC值为0.743。

在本实施方式的第十六变形例，一条腿的膝关节在一个步行周期的1％至10％的期间的角度的平均值、一条腿的膝关节在一个步行周期的81％至100％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的1％至10％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的21％至70％的期间的角度的平均值被决定为步行参数。而且，将一条腿的膝关节在一个步行周期的1％至10％的期间的角度的平均值、一条腿的膝关节在一个步行周期的81％至100％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的1％至10％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的21％至70％的期间的角度的平均值作为说明变量而创建的预测模型决定为肌肉衰减症判断部113所使用的预测模型。

步行参数检测部112检测出一条腿的膝关节在立脚期的第一期间的角度的时间序列数据、一条腿的膝关节在脚悬空期的第二期间的角度的时间序列数据、一条腿的脚踝关节在立脚期的第三期间的角度的时间序列数据、一条腿的脚踝关节在立脚期以及脚悬空期的第四期间的角度的时间序列数据。第一期间是一个步行周期的1％至10％的期间，第二期间是一个步行周期的81％至100％的期间，第三期间是一个步行周期的1％至10％的期间，第四期间是一个步行周期的21％至70％的期间。

步行参数检测部112检测出一条腿的膝关节在一个步行周期的1％至10％的期间的角度的时间序列数据、一条腿的膝关节在一个步行周期的81％至100％的期间的角度的时间序列数据、一条腿的脚踝关节在一个步行周期的1％至10％的期间的角度的时间序列数据、一条腿的脚踝关节在一个步行周期的21％至70％的期间的角度的时间序列数据。

而且，步行参数检测部112计算出一条腿的膝关节在一个步行周期的1％至10％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的81％至100％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的1％至10％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的21％至70％的期间的角度的时间序列数据的平均值。

存储器12预先存储将一条腿的膝关节在立脚期的第一期间的角度的时间序列数据的平均值、一条腿的膝关节在脚悬空期的第二期间的角度的时间序列数据的平均值、一条腿的脚踝关节在立脚期的第三期间的角度的时间序列数据的平均值、一条腿的脚踝关节在立脚期以及脚悬空期的第四期间的角度的时间序列数据的平均值作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成的预测模型。

存储器12预先存储将一条腿的膝关节在一个步行周期的1％至10％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的81％至100％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的1％至10％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的21％至70％的期间的角度的时间序列数据的平均值作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成的预测模型。

肌肉衰减症判断部113，利用一条腿的膝关节在第一期间以及第二期间的角度的时间序列数据的平均值和一条腿的脚踝关节在第三期间以及第四期间的角度的时间序列数据的平均值，来判断试验对象是否为肌肉衰减症。

肌肉衰减症判断部113，利用一条腿的膝关节在一个步行周期的1％至10％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的81％至100％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的1％至10％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的21％至70％的期间的角度的时间序列数据的平均值，来判断试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种。

肌肉衰减症判断部113，通过将一条腿的膝关节在一个步行周期的1％至10％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的81％至100％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的1％至10％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的21％至70％的期间的角度的时间序列数据的平均值输入到预测模型，从预测模型获取表示试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种的判断结果。

如此，从仅利用一条腿的膝关节在立脚期的角度而创建的预测模型判断了肌肉衰减症预备人群的结果得到的AUC值为0.537，从仅利用一条腿的膝关节在脚悬空期的角度而创建的预测模型判断了肌肉衰减症预备人群的结果得到的AUC值为0.604，从仅利用脚踝关节在立脚期的角度而创建的预测模型判断了肌肉衰减症预备人群的结果得到的AUC值为0.610，从仅利用脚踝关节在脚悬空期的角度而创建的预测模型判断了肌肉衰减症预备人群的结果得到的AUC值为0.622。与此相对应，从利用一条腿的膝关节在立脚期的角度、一条腿的膝关节在脚悬空期的角度、一条腿的脚踝关节在立脚期的角度以及一条腿的脚踝关节在脚悬空期的角度而创建的预测模型判断了肌肉衰减症预备人群的结果得到的AUC值为0.743。

因此，与分别仅利用一条腿的膝关节在立脚期的角度、一条腿的膝关节在脚悬空期的角度、脚踝关节在立脚期的角度以及脚踝关节在脚悬空期的角度而创建的预测模型相比，利用一条腿的膝关节在立脚期的角度、一条腿的膝关节在脚悬空期的角度、脚踝关节在立脚期的角度以及脚踝关节在脚悬空期的角度而创建的预测模型可以高精度地判断肌肉衰减症预备人群。

接着，对本实施方式的第十七变形例的步行参数进行说明。

本实施方式的第十七变形例的步行参数也可以是一条腿的足尖部在一条腿的立脚期的第一期间在垂直方向的位移的时间序列数据的平均值、一条腿的足尖部在一条腿的立脚期的第二期间在垂直方向的位移的时间序列数据的平均值、一条腿的足尖部在一条腿的脚悬空期的第三期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在一条腿的立脚期的第四期间的角度的时间序列数据的平均值、一条腿的膝关节在一条腿的立脚期以及脚悬空期的第五期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一条腿的立脚期的第六期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一条腿的立脚期以及脚悬空期的第七期间的角度的时间序列数据的平均值。

本实施方式的第十七变形例，与上述的实验相同，从包含肌肉衰减症的试验对象、肌肉衰减症预备人群的试验对象以及健康者的试验对象的多个试验对象的骨骼数据中检测出多个试验对象中每个试验对象的一条腿的足尖部在垂直方向的位移的时间序列数据、多个试验对象中每个试验对象的一条腿的膝关节的角度的时间序列数据、多个试验对象中每个试验对象的一条腿的脚踝关节的角度的时间序列数据。而且，在实验中，将标准化后的一个步行周期划分为十个区间，针对每个试验对象计算出一条腿的足尖部在一个区间或两个以上的连续的区间在垂直方向的位移的平均值、一条腿的膝关节在一个区间或两个以上的连续的区间的角度的平均值、一条腿的脚踝关节在一个区间或两个以上的连续的区间的角度的平均值。

而且，创建将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的足尖部在立脚期的第一期间在垂直方向的位移的时间序列数据的平均值、一条腿的足尖部在立脚期的第二期间在垂直方向的位移的时间序列数据的平均值、一条腿的足尖部在脚悬空期的第三期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在立脚期的第四期间的角度的时间序列数据的平均值、一条腿的膝关节在立脚期以及脚悬空期的第五期间的角度的时间序列数据的平均值、一条腿的脚踝关节在立脚期的第六期间的角度的时间序列数据的平均值、一条腿的脚踝关节在立脚期以及脚悬空期的第七期间的角度的时间序列数据的平均值作为说明变量的预测模型。第一期间是一个步行周期的21％至30％的期间，第二期间是一个步行周期的51％至60％的期间，第三期间是一个步行周期的81％至100％的期间，第四期间是一个步行周期的11％至20％的期间，第五期间是一个步行周期的41％至80％的期间，第六期间是一个步行周期的1％至20％的期间，第七期间是一个步行周期的51％至80％的期间。预测模型通过交叉验证进行评估。作为交叉验证，采用了leave－one－out交叉验证。而且，计算出判断了健康者以及肌肉衰减症的预测模型的ROC曲线。进一步计算出预测模型的ROC曲线的AUC值。

图39是表示从利用本实施方式的第十七变形例的预测模型判断了健康者以及肌肉衰减症的结果得到的ROC曲线的示意图。

本实施方式的第十七变形例的预测模型是将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的足尖部在一个步行周期的21％至30％、51％至60％以及81％至100％的期间在垂直方向的位移的平均值、一条腿的膝关节在一个步行周期的11％至20％以及41％至80％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的1％至20％以及51％至80％的期间的角度的平均值作为说明变量而创建。在图39中，纵轴表示真阳性率，横轴表示假阳性率。真阳性率表示预测模型将肌肉衰减症的试验对象正确地判断为肌肉衰减症的比率，假阳性率表示预测模型将健康者的试验对象错误地判断为肌肉衰减症的比率。

图39所示的ROC曲线是描绘预测模型的真阳性率和假阳性率的曲线，该预测模型将一条腿的足尖部在一个步行周期的21％至30％的期间在垂直方向的位移的平均值、一条腿的足尖部在一个步行周期的51％至60％的期间在垂直方向的位移的平均值、一条腿的足尖部在一个步行周期的81％至100％的期间在垂直方向的位移的平均值、一条腿的膝关节在一个步行周期的11％至20％的期间的角度的平均值、一条腿的膝关节在一个步行周期的41％至80％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的1％至20％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的51％至80％的期间的角度的平均值作为说明变量而创建。图39所示的ROC曲线的AUC值为0.881。

在本实施方式的第十七变形例，一条腿的足尖部在一个步行周期的21％至30％的期间在垂直方向的位移的平均值、一条腿的足尖部在一个步行周期的51％至60％的期间在垂直方向的位移的平均值、一条腿的足尖部在一个步行周期的81％至100％的期间在垂直方向的位移的平均值、一条腿的膝关节在一个步行周期的11％至20％的期间的角度的平均值、一条腿的膝关节在一个步行周期的41％至80％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的1％至20％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的51％至80％的期间的角度的平均值被决定为步行参数。

而且，将一条腿的足尖部在一个步行周期的21％至30％的期间在垂直方向的位移的平均值、一条腿的足尖部在一个步行周期的51％至60％的期间在垂直方向的位移的平均值、一条腿的足尖部在一个步行周期的81％至100％的期间在垂直方向的位移的平均值、一条腿的膝关节在一个步行周期的11％至20％的期间的角度的平均值、一条腿的膝关节在一个步行周期的41％至80％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的1％至20％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的51％至80％的期间的角度的平均值作为说明变量而创建的预测模型决定为肌肉衰减症判断部113所使用的预测模型。

步行参数检测部112检测出一条腿的足尖部在立脚期的第一期间在垂直方向的位移的时间序列数据、一条腿的足尖部在立脚期的第二期间在垂直方向的位移的时间序列数据、一条腿的足尖部在脚悬空期的第三期间在垂直方向的变位的时间序列数据、一条腿的膝关节在立脚期的第四期间的角度的时间序列数据、一条腿的膝关节在立脚期以及脚悬空期的第五期间的角度的时间序列数据、一条腿的脚踝关节在立脚期的第六期间的角度的时间序列数据、一条腿的脚踝关节在立脚期以及脚悬空期的第七期间的角度的时间序列数据。第一期间是一个步行周期的21％至30％的期间，第二期间是一个步行周期的51％至60％的期间，第三期间是一个步行周期的81％至100％的期间，第四期间是一个步行周期的11％至20％的期间，第五期间是一个步行周期的41％至80％的期间，第六期间是一个步行周期的1％至20％的期间，第七期间是一个步行周期的51％至80％的期间。

步行参数检测部112检测出一条腿的足尖部在一个步行周期的21％至30％的期间在垂直方向的位移的时间序列数据、一条腿的足尖部在一个步行周期的51％至60％的期间在垂直方向的位移的时间序列数据、一条腿的足尖部在一个步行周期的81％至100％的期间在垂直方向的位移的时间序列数据、一条腿的膝关节在一个步行周期的11％至20％的期间的角度的时间序列数据、一条腿的膝关节在一个步行周期的41％至80％的期间的角度的时间序列数据、一条腿的脚踝关节在一个步行周期的1％至20％的期间的角度的时间序列数据、一条腿的脚踝关节在一个步行周期的51％至80％的期间的角度的时间序列数据。

而且，步行参数检测部112计算出一条腿的足尖部在一个步行周期的21％至30％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的足尖部在一个步行周期的51％至60％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的足尖部在一个步行周期的81％至100％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在一个步行周期的11％至20％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的41％至80％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的1％至20％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的51％至80％的期间的角度的时间序列数据的平均值。

存储器12预先存储将一条腿的足尖部在立脚期的第一期间在垂直方向的位移的时间序列数据的平均值、一条腿的足尖部在立脚期的第二期间在垂直方向的位移的时间序列数据的平均值、一条腿的足尖部在脚悬空期的第三期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在立脚期的第四期间的角度的时间序列数据的平均值、一条腿的膝关节在立脚期以及脚悬空期的第五期间的角度的时间序列数据的平均值、一条腿的脚踝关节在立脚期的第六期间的角度的时间序列数据的平均值、一条腿的脚踝关节在立脚期以及脚悬空期的第七期间的角度的时间序列数据的平均值作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成的预测模型。

存储器12预先存储将一条腿的足尖部在一个步行周期的21％至30％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的足尖部在一个步行周期的51％至60％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的足尖部在一个步行周期的81％至100％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在一个步行周期的11％至20％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的41％至80％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的1％至20％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的51％至80％的期间的角度的时间序列数据的平均值作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成的预测模型。

肌肉衰减症判断部113，利用一条腿的足尖部在第一期间、第二期间以及第三期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在第四期间以及第五期间的角度的时间序列数据的平均值、一条腿的脚踝关节在第六期间以及第七期间的角度的时间序列数据的平均值，来判断试验对象是否为肌肉衰减症。

肌肉衰减症判断部113，利用一条腿的足尖部在一个步行周期的21％至30％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的足尖部在一个步行周期的51％至60％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的足尖部在一个步行周期的81％至100％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在一个步行周期的11％至20％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的41％至80％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的1％至20％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的51％至80％的期间的角度的时间序列数据的平均值，来判断试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种。

肌肉衰减症判断部113，通过将一条腿的足尖部在一个步行周期的21％至30％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的足尖部在一个步行周期的51％至60％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的足尖部在一个步行周期的81％至100％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在一个步行周期的11％至20％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的41％至80％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的1％至20％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的51％至80％的期间的角度的时间序列数据的平均值输入到预测模型，从预测模型获取表示试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种的判断结果。

如此，从仅利用一条腿的足尖部在立脚期在垂直方向的位移而创建的预测模型判断了肌肉衰减症的结果得到的AUC值为0.636，从仅利用一条腿的足尖部在脚悬空期在垂直方向的位移而创建的预测模型判断了肌肉衰减症的结果得到的AUC值为0.514，从仅利用膝关节在立脚期的角度而创建的预测模型判断了肌肉衰减症的结果得到的AUC值为0.586，从仅利用膝关节在脚悬空期的角度而创建的预测模型判断了肌肉衰减症的结果得到的AUC值为0.699，从仅利用脚踝关节在立脚期的角度而创建的预测模型判断了肌肉衰减症的结果得到的AUC值为0.498，从仅利用脚踝关节在脚悬空期的角度而创建的预测模型判断了肌肉衰减症的结果得到的AUC值为0.389。

与此相对应，从利用一条腿的足尖部在立脚期的第一期间以及第二期间在垂直方向的位移、一条腿的足尖部在脚悬空期的第三期间在垂直方向的位移、一条腿的膝关节在立脚期的第四期间的角度、一条腿的膝关节在立脚期以及脚悬空期的第五期间的角度、一条腿的脚踝关节在立脚期的第六期间的角度以及一条腿的脚踝关节在立脚期以及脚悬空期的第七期间的角度而创建的预测模型判断了肌肉衰减症的结果得到的AUC值为0.881。

因此，与仅利用一条腿的足尖部在立脚期在垂直方向的位移、一条腿的足尖部在脚悬空期在垂直方向的位移、一条腿的膝关节在立脚期的角度、一条腿的膝关节在脚悬空期的角度、一条腿的脚踝关节在立脚期的角度以及一条腿的脚踝关节在脚悬空期的角度而创建的预测模型相比，利用一条腿的足尖部在立脚期的第一期间以及第二期间在垂直方向的位移、一条腿的足尖部在脚悬空期的第三期间在垂直方向的位移、一条腿的膝关节在立脚期的第四期间的角度、一条腿的膝关节在立脚期以及脚悬空期的第五期间的角度、一条腿的脚踝关节在立脚期的第六期间的角度以及一条腿的脚踝关节在立脚期以及脚悬空期的第七期间的角度而创建的预测模型可以高精度地判断肌肉衰减症。

接着，对本实施方式的第十八变形例的步行参数进行说明。

本实施方式的第十八变形例的步行参数也可以是一条腿的足尖部在一条腿的立脚期的第一期间在垂直方向的位移的时间序列数据的平均值、一条腿的足尖部在一条腿的立脚期的第二期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在一条腿的立脚期的第三期间的角度的时间序列数据的平均值、一条腿的膝关节在一条腿的脚悬空期的第四期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一条腿的立脚期的第五期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一条腿的立脚期以及脚悬空期的第六期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一条腿的脚悬空期的第七期间的角度的时间序列数据的平均值。

本实施方式的第十八变形例，与上述的实验相同，从包含肌肉衰减症的试验对象、肌肉衰减症预备人群的试验对象以及健康者的试验对象的多个试验对象的骨骼数据中检测出多个试验对象中每个试验对象的一条腿的足尖部在垂直方向的位移的时间序列数据、多个试验对象中每个试验对象的一条腿的膝关节的角度的时间序列数据、多个试验对象中每个试验对象的一条腿的脚踝关节的角度的时间序列数据。而且，在实验中，将标准化后的一个步行周期划分为十个区间，针对每个试验对象计算出一条腿的足尖部在一个区间或两个以上的连续的区间在垂直方向的位移的平均值、一条腿的膝关节在一个区间或两个以上的连续的区间的角度的平均值、一条腿的脚踝关节在一个区间或两个以上的连续的区间的角度的平均值。

而且，创建将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的足尖部在立脚期的第一期间在垂直方向的位移的时间序列数据的平均值、一条腿的足尖部在立脚期的第二期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在立脚期的第三期间的角度的时间序列数据的平均值、一条腿的膝关节在脚悬空期的第四期间的角度的时间序列数据的平均值、一条腿的脚踝关节在立脚期的第五期间的角度的时间序列数据的平均值、一条腿的脚踝关节在立脚期以及脚悬空期的第六期间的角度的时间序列数据的平均值、一条腿的脚踝关节在脚悬空期的第七期间的角度的时间序列数据的平均值作为说明变量的预测模型。第一期间是一个步行周期的11％至20％的期间，第二期间是一个步行周期的41％至60％的期间，第三期间是一个步行周期的41％至50％的期间，第四期间是一个步行周期的61％至100％的期间，第五期间是一个步行周期的11％至20％的期间，第六期间是一个步行周期的31％至70％的期间，第七期间是一个步行周期的91％至100％的期间。预测模型通过交叉验证进行评估。作为交叉验证，采用了leave－one－out交叉验证。而且，计算出判断了健康者以及肌肉衰减症预备人群的预测模型的ROC曲线。进一步计算出预测模型的ROC曲线的AUC值。

图40是表示从利用本实施方式的第十八变形例的预测模型判断了健康者以及肌肉衰减症预备人群的结果得到的ROC曲线的示意图。

本实施方式的第十八变形例的预测模型将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为目的变量，将一条腿的足尖部在一个步行周期的11％至20％以及41％至60％的期间在垂直方向的位移的平均值、一条腿的膝关节在一个步行周期的41％至50％以及61％至100％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的11％至20％、31％至70％以及91％至100％的期间的角度的平均值作为说明变量而创建。在图40中，纵轴表示真阳性率，横轴表示假阳性率。真阳性率表示预测模型将肌肉衰减症预备人群的试验对象正确地判断为肌肉衰减症预备人群的比率，假阳性率表示预测模型将健康者的试验对象错误地判断为肌肉衰减症预备人群的比率。

图40所示的ROC曲线是描绘预测模型的真阳性率和假阳性率的曲线，该预测模型将一条腿的足尖部在一个步行周期的11％至20％的期间在垂直方向的位移的平均值、一条腿的足尖部在一个步行周期的41％至60％的期间在垂直方向的位移的平均值、一条腿的膝关节在一个步行周期的41％至50％的期间的角度的平均值、一条腿的膝关节在一个步行周期的61％至100％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的11％至20％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的31％至70％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的91％至100％的期间的角度的平均值作为说明变量而创建。图40所示的ROC曲线的AUC值为0.861。

在本实施方式的第十八变形例，一条腿的足尖部在一个步行周期的11％至20％的期间在垂直方向的位移的平均值、一条腿的足尖部在一个步行周期的41％至60％的期间在垂直方向的位移的平均值、一条腿的膝关节在一个步行周期的41％至50％的期间的角度的平均值、一条腿的膝关节在一个步行周期的61％至100％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的11％至20％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的31％至70％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的91％至100％的期间的角度的平均值被决定为步行参数。

而且，将一条腿的足尖部在一个步行周期的11％至20％的期间在垂直方向的位移的平均值、一条腿的足尖部在一个步行周期的41％至60％的期间在垂直方向的位移的平均值、一条腿的膝关节在一个步行周期的41％至50％的期间的角度的平均值、一条腿的膝关节在一个步行周期的61％至100％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的11％至20％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的31％至70％的期间的角度的平均值、一条腿的脚踝关节在一个步行周期的91％至100％的期间的角度的平均值作为说明变量而创建的预测模型决定为肌肉衰减症判断部113所使用的预测模型。

步行参数检测部112检测出一条腿的足尖部在立脚期的第一期间在垂直方向的位移的时间序列数据、一条腿的足尖部在立脚期的第二期间在垂直方向的位移的时间序列数据、一条腿的膝关节在立脚期的第三期间的角度的时间序列数据、一条腿的膝关节在脚悬空期的第四期间的角度的时间序列数据、一条腿的脚踝关节在立脚期的第五期间的角度的时间序列数据、一条腿的脚踝关节在立脚期以及脚悬空期的第六期间的角度的时间序列数据、一条腿的脚踝关节在脚悬空期的第七期间的角度的时间序列数据。第一期间是一个步行周期的11％至20％的期间，第二期间是一个步行周期的41％至60％的期间，第三期间是一个步行周期的41％至50％的期间，第四期间是一个步行周期的61％至100％的期间，第五期间是一个步行周期的11％至20％的期间，第六期间是一个步行周期的31％至70％的期间，第七期间是一个步行周期的91％至100％的期间。

步行参数检测部112检测出一条腿的足尖部在一个步行周期的11％至20％的期间在垂直方向的位移的时间序列数据、一条腿的足尖部在一个步行周期的41％至60％的期间在垂直方向的位移的时间序列数据、一条腿的膝关节在一个步行周期的41％至50％的期间的角度的时间序列数据、一条腿的膝关节在一个步行周期的61％至100％的期间的角度的时间序列数据、一条腿的脚踝关节在一个步行周期的11％至20％的期间的角度的时间序列数据、一条腿的脚踝关节在一个步行周期的31％至70％的期间的角度的时间序列数据、一条腿的脚踝关节在一个步行周期的91％至100％的期间的角度的时间序列数据。

而且，步行参数检测部112计算出一条腿的足尖部在一个步行周期的11％至20％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的足尖部在一个步行周期的41％至60％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在一个步行周期的41％至50％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的61％至100％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的11％至20％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的31％至70％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的91％至100％的期间的角度的时间序列数据的平均值。

存储器12预先存储将一条腿的足尖部在立脚期的第一期间在垂直方向的位移的时间序列数据的平均值、一条腿的足尖部在立脚期的第二期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在立脚期的第三期间的角度的时间序列数据的平均值、一条腿的膝关节在脚悬空期的第四期间的角度的时间序列数据的平均值、一条腿的脚踝关节在立脚期的第五期间的角度的时间序列数据的平均值、一条腿的脚踝关节在立脚期以及脚悬空期的第六期间的角度的时间序列数据的平均值、一条腿的脚踝关节在脚悬空期的第七期间的角度的时间序列数据的平均值作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成的预测模型。

存储器12预先存储将一条腿的足尖部在一个步行周期的11％至20％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的足尖部在一个步行周期的41％至60％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在一个步行周期的41％至50％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的61％至100％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的11％至20％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的31％至70％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的91％至100％的期间的角度的时间序列数据的平均值作为输入值，将试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种作为输出值而生成的预测模型。

肌肉衰减症判断部113，利用一条腿的足尖部在第一期间以及第二期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在第三期间以及第四期间的角度的时间序列数据的平均值、一条腿的脚踝关节在第五期间、第六期间以及第七期间的角度的时间序列数据的平均值，来判断试验对象是否为肌肉衰减症。

肌肉衰减症判断部113，利用一条腿的足尖部在一个步行周期的11％至20％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的足尖部在一个步行周期的41％至60％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在一个步行周期的41％至50％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的61％至100％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的11％至20％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的31％至70％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的91％至100％的期间的角度的时间序列数据的平均值，来判断试验对象为为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种。

肌肉衰减症判断部113，通过将一条腿的足尖部在一个步行周期的11％至20％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的足尖部在一个步行周期的41％至60％的期间在垂直方向的位移的时间序列数据的平均值、一条腿的膝关节在一个步行周期的41％至50％的期间的角度的时间序列数据的平均值、一条腿的膝关节在一个步行周期的61％至100％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的11％至20％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的31％至70％的期间的角度的时间序列数据的平均值、一条腿的脚踝关节在一个步行周期的91％至100％的期间的角度的时间序列数据的平均值输入到预测模型，从预测模型获取表示试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种的判断结果。

如此，从仅利用一条腿的足尖部在立脚期在垂直方向的位移而创建的预测模型判断了肌肉衰减症预备人群的结果得到的AUC值为0.560，从仅利用一条腿的足尖部在脚悬空期在垂直方向的位移而创建的预测模型判断了肌肉衰减症预备人群的结果得到的AUC值为0.626，从仅利用一条腿的膝关节在立脚期的角度而创建的预测模型判断了肌肉衰减症预备人群的结果得到的AUC值为0.537，从仅利用一条腿的膝关节在脚悬空期的角度而创建的预测模型判断了肌肉衰减症预备人群的结果得到的AUC值为0.604，从仅利用一条腿的脚踝关节在立脚期的角度而创建的预测模型判断了肌肉衰减症预备人群的结果得到的AUC值为0.610，从仅利用一条腿的脚踝关节在脚悬空期的角度而创建的预测模型判断了肌肉衰减症预备人群的结果得到的AUC值为0.622。

与此相对应，从利用立脚期的一条腿的足尖部在第一期间以及第二期间在垂直方向的位移、一条腿的膝关节在立脚期的第三期间的角度、一条腿的膝关节在脚悬空期的第四期间的角度、一条腿的脚踝关节在立脚期的第五期间的角度、一条腿的脚踝关节在立脚期以及脚悬空期的第六期间的角度以及一条腿的脚踝关节在脚悬空期的第七期间的角度而创建的预测模型判断了肌肉衰减症预备人群的结果得到的AUC值为0.861。

因此，与分别仅利用一条腿的足尖部在立脚期在垂直方向的位移、一条腿的足尖部在脚悬空期在垂直方向的位移、一条腿的膝关节在立脚期的角度、一条腿的膝关节在脚悬空期的角度、一条腿的脚踝关节在立脚期的角度以及一条腿的脚踝关节在脚悬空期的角度而创建的预测模型相比，利用立脚期的一条腿的足尖部在第一期间以及第二期间在垂直方向的位移、一条腿的膝关节在立脚期的第三期间的角度、一条腿的膝关节在脚悬空期的第四期间的角度、一条腿的脚踝关节在立脚期的第五期间的角度、一条腿的脚踝关节在立脚期以及脚悬空期的第六期间的角度以及在一条腿的脚踝关节在脚悬空期的第七期间的角度而创建的预测模型可以高精度地判断肌肉衰减症预备人群。

图41是表示在本实施方式所显示的评估结果画面的一个例子的示意图。

显示部3显示图41所示的评估结果画面。评估结果画面包含表示过去的肌肉衰减症的评估值和此次的肌肉衰减症的评估值的肌肉衰减症评估提示区域31和评估留言32。在图41的肌肉衰减症评估提示区域31显示一个月进行一次肌肉衰减症的评估，过去六个月的肌肉衰减症的评估值和本月的肌肉衰减症的评估值。

肌肉衰减症的评估值是表示通过预测模型计算出的试验对象有可能为肌肉衰减症的值。表示试验对象有可能为肌肉衰减症的值例如用0.0至2.0来表示。评估结果提示部分114将表示试验对象有可能为肌肉衰减症的值换算为百分比作为肌肉衰减症的评估值来提示。

而且，在本实施方式的第二变形例，作为肌肉衰减症的试验对象者们的一条腿的膝关节在一个步行周期的50％至60％的期间的角度的时间序列数据的平均值为15.3度，健康者的试验对象的一条腿的膝关节在一个步行周期的50％至60％的期间的角度的时间序列数据的平均值为9.3度。在此，评估结果提示部114也可以以使最小值9.3度时为0、最大值15.3度为1的方式进行标准化，并将通过步行参数检测部112计算出的试验对象的一条腿的膝关节在一个步行周期的50％至60％的期间的角度的时间序列数据的平均值转换为0至1之间的值。而且，评估结果提示部114也可以将转换后的值换算为百分比作为肌肉衰减症的评估值来提示。

另外，在即显示本次的肌肉衰减症的评估值又显示过去的肌肉衰减症的评估值的情况下，肌肉衰减症判断部113将肌肉衰减症的评估值存储到存储器12。

而且，肌肉衰减症评估提示区域31也可以显示试验对象是否为肌肉衰减症来作为评估结果。而且，肌肉衰减症评估提示区域31也可以显示试验对象为肌肉衰减症、肌肉衰减症预备人群以及健康者之中的哪一种来作为评估结果。

而且，显示例如“肌肉衰减症的危险性比上个月有所下降，维持了良好的状态。请保持这种方式生活。”这样的评估留言32。评估结果提示部114，在本月的肌肉衰减症的评估值低于上个月的肌肉衰减症的评估值，并且，本月的肌肉衰减症的评估值低于0.5的情况下，从存储器12读出图41所示的评估留言32并输出到显示部3。

另外，在本实施方式，即显示了本次的肌肉衰减症的评估值又显示了过去的肌肉衰减症的评估值，但是，本发明并不局限于此，也可以仅显示本次的肌肉衰减症的评估值。在这种情况下，肌肉衰减症判断部113也可以不将肌肉衰减症的评估值存储到存储器12。

而且，本实施方式的摄像机2也可以是设置在玄关前的防盗摄像机、对讲机的摄像机子机或设置在室内的监视摄像机。而且，显示部3也可以是智能手机、平板电脑或对讲机的监视器。

另外，在本实施方式，步行参数检测部112基于从摄像机2获取的动态图像数据提取骨骼数据，但是，本发明并不局限于此，也可以利用动作捕捉系统(motion capturesystem)提取骨骼数据。动作捕捉系统可以基于光学式、磁性式、机械式以及惯性传感器式中的任何一种而工作。例如，光学动作捕捉系统，用摄像机拍摄在关节部分粘贴了标签的试验对象，并根据所拍摄的图像检测出标签的位置。步行参数检测部112从通过动作捕捉系统检测到的位置数据获取试验对象的骨骼数据。作为光学式动作捕捉系统，例如，可以采用英特瑞哈有限公司(Inter Reha Co.,Ltd.)制造的三维动作分析装置。

而且，动作捕捉系统还可以具备深度传感器以及彩色摄像机，可以从视频图像自动地提取试验对象的关节点的位置信息并检测试验对象的姿势。在这种情况下，试验对象无需粘贴标签。而且，作为这样的动作捕捉系统，例如，可以采用微软公司制造的Kinect。

在利用动作捕捉系统测量步行动作时，最好根据位置坐标提取在步行动作中脚踝关节的角度、膝关节的角度或足尖部在垂直方向的位移，根据提取出的角度或位移检测出步行动作的特征量。

另外，在上述各实施方式中，各构成要素即可以用专用的硬件来构成，也可以通过执行适合于各构成要素的软件程序来实现。各构成要素也可以通过让CPU或处理器等程序执行部读取记录在硬盘或半导体存储器等存储介质中的软件程序来实现。

本发明的实施方式所涉及的装置的功能的一部分或全部可以典型地作为集成电路LSI(Large Scale Integration)来实现。这些功能的一部分或全部即可以分别地形成芯片化，也可以形成为包含一部分或全部的芯片化。而且，集成电路不局限于LSI，也可以用专用电路或通用处理器来实现。也可以利用在制造LSI之后可编程的FPGA(FieldProgrammable Gate Array)或可重新构筑LSI内部的电路单元的连接或设定的可重构处理器。

而且，本发明的实施方式所涉及的装置的功能的一部分或全部也可以通过让CPU等处理器执行程序来实现。

而且，在上述所使用的数字都是为了具体地说明本发明而给出的示例，本发明不局限于这些被示例的数字。

而且，上述流程图所示的各步骤被执行的顺序只是为了具体地说明本发明而给出的示例，在能够获得同样效果的范围内也可以是上述以外的顺序。而且，上述步骤的一部分也可以与其它的步骤同时(并行)执行。

本发明涉及的技术，因为能简单且高精度地评估肌肉衰减症，作为基于试验对象的步行动作评估肌肉衰减症的技术有其实用价值。