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号公报公开的步行参数的测量利用片式压力传感器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腿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。这样的片式压力传感器或三维动作解析系统的设置费事又费力。为此，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号公报所公开的技术的步行参数，使用从登自行车的速度、跨步、步行比、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的两个以上的步行参数。步行角度是连接左右一条腿的脚后跟和另一条腿的脚后跟的直线与行进方向之间形成的角度。足尖部角度是连接脚后跟和足尖部的直线与行进方向之间形成的角度。而且，日本专利公开公报特开2013－255786号公报所公开的技术对至少从膝痛、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可以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号公报却没有公开利用上述以外的参数来评估跌倒风险的内容，通过利用其它的步行参数可以进一步提高跌倒风险的评估精度。

为了解决以上的问题，本发明的一方面涉及的跌倒风险评估方法，是基于试验对象的步行动作评估跌倒风险的跌倒风险评估装置的跌倒风险评估方法，包括以下步骤：获取与所述试验对象的步行相关的步行数据；根据所述步行数据，检测所述试验对象的腰部在所述试验对象的一条腿的立脚期在垂直方向的位移、所述试验对象的所述腰部在所述一条腿的脚悬空期在垂直方向的位移、所述一条腿的膝关节在所述立脚期的角度以及所述一条腿的脚踝关节在所述脚悬空期的角度的至少其中之一；利用所述腰部在所述立脚期在垂直方向的所述位移、所述腰部在所述脚悬空期在垂直方向的所述位移、所述膝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，判断所述试验对象的跌倒风险。

根据该构成，正在步行的试验对象的腰部在一条腿的立脚期在垂直方向的位移、腰部在一条腿的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跌倒风险相关的参数。有跌倒风险的试验对象的步行动作与没有跌倒风险的试验对象的步行动作存在不同的倾向。为此，因为利用与步行中的试验对象的跌倒风险相关的参数来判断试验对象有无跌倒风险，所以，可以高精度地评估试验对象的跌倒风险。

而且，因为正在步行的试验对象的腰部在一条腿的立脚期在垂直方向的位移、腰部在一条腿的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从通过对正在步行的试验对象进行摄像而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，本构成可以简单地评估试验对象的跌倒风险。

而且，在上述的跌倒风险评估方法，也可以是，在所述检测中，检测所述腰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，利用所述腰部在垂直方向的所述位移的所述时间序列数据的平均值来判断所述试验对象的所述跌倒风险。

正在步行的试验对象的腰部在一条腿的立脚期的规定期间在垂直方向的位移，没有跌倒风险的试验对象与有跌倒风险的试验对象之间存在明显的差异。为此，根据该构成，通过利用正在步行的试验对象的腰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跌倒风险。

而且，在上述的跌倒风险评估方法，也可以是，当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，通过利用腰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，能可靠地评估试验对象的跌倒风险。

而且，在上述的跌倒风险评估方法，也可以是，当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9％至19％的期间。

根据该构成，通过利用腰部在一个步行周期的9％至19％的期间在垂直方向的位移的时间序列数据的平均值，能更可靠地评估试验对象的跌倒风险。

而且，在上述的跌倒风险评估方法，也可以是，在所述检测中，检测所述腰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，利用所述腰部在垂直方向的所述位移的所述时间序列数据的平均值来判断所述试验对象的所述跌倒风险。

正在步行的试验对象的腰部在一条腿的脚悬空期的规定期间在垂直方向的位移，有跌倒风险的试验对象与没有跌倒风险的试验对象之间存在明显的差异。为此，根据该构成，通过利用正在步行的试验对象的腰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跌倒风险。

而且，在上述的跌倒风险评估方法，也可以是，当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，通过利用腰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，能可靠地评估试验对象的跌倒风险。

而且，在上述的跌倒风险评估方法，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所述时间序列数据的平均值来判断所述试验对象的所述跌倒风险。

正在步行的试验对象的膝关节在一条腿的立脚期的规定期间的角度，有跌倒风险的试验对象与没有跌倒风险的试验对象之间存在明显的差异。为此，根据该构成，通过利用正在步行的试验对象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跌倒风险。

而且，在上述的跌倒风险评估方法，也可以是，当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，能可靠地评估试验对象的跌倒风险。

而且，在上述的跌倒风险评估方法，也可以是，当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，在所述判断中，利用所述膝关节在所述一个步行周期的35％的时刻的所述角度来判断所述试验对象的所述跌倒风险。

根据该构成，通过利用膝关节在一个步行周期的35％的时刻的角度，能更可靠地评估试验对象的跌倒风险。

而且，在上述的跌倒风险评估方法，也可以是，在所述检测中，检测所述脚踝关节在所述脚悬空期的规定期间的所述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角度的所述时间序列数据的平均值来判断所述试验对象的所述跌倒风险。

正在步行的试验对象的脚踝关节在一条腿的脚悬空期的规定期间的角度，有跌倒风险的试验对象与没有跌倒风险的试验对象之间存在明显的差异。为此，根据该构成，通过利用正在步行的试验对象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，能可靠地评估试验对象的跌倒风险。

而且，在上述的跌倒风险评估方法，也可以是，当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，能可靠地评估试验对象的跌倒风险。

而且，在上述的跌倒风险评估方法，也可以是，当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84％至89％的期间。

根据该构成，通过利用脚踝关节在一个步行周期的84％至89％的期间的角度的时间序列数据的平均值，能更可靠地评估试验对象的跌倒风险。

而且，在上述的跌倒风险评估方法，也可以是，在所述检测中，检测所述腰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和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，在所述判断中，利用所述腰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和所述膝关节在所述第二期间的所述角度的所述时间序列数据的平均值，来判断所述试验对象的所述跌倒风险。

根据该构成，通过组合利用腰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和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，比分别利用腰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或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，能更高精度地评估试验对象的跌倒风险。

而且，在上述的跌倒风险评估方法，也可以是，在所述检测中，检测所述腰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、所述腰部在所述脚悬空期的第二期间在垂直方向的所述位移的时间序列数据、所述脚踝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，在所述判断中，利用所述腰部在所述第一期间在垂直方向的所述位移的所述时间序列数据的平均值、所述腰部在所述第二期间在垂直方向的所述位移的所述时间序列数据的平均值、所述脚踝关节在所述第三期间的所述角度的所述时间序列数据的平均值，来判断所述试验对象的所述跌倒风险。

根据该构成，通过组合利用腰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、腰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值、脚踝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，比分别利用腰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、腰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值、脚踝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，能更高精度地评估试验对象的跌倒风险。

而且，在上述的跌倒风险评估方法，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和所述脚踝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，在所述判断中，利用所述膝关节在所述第一期间的所述角度的所述时间序列数据的平均值和所述脚踝关节在所述第二期间的所述角度的所述时间序列数据的平均值，来判断所述试验对象的所述跌倒风险。

根据该构成，通过组合利用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和脚踝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，比分别利用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和脚踝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，能更高精度地评估试验对象的跌倒风险。

而且，在上述的跌倒风险评估方法，也可以是，在所述检测中，检测所述腰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、所述脚踝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，在所述判断中，利用所述腰部在所述第一期间在垂直方向的所述位移的所述时间序列数据的平均值、所述膝关节在所述第二期间的所述角度的所述时间序列数据的平均值、所述脚踝关节在所述第三期间的所述角度的所述时间序列数据的平均值，来判断所述试验对象的所述跌倒风险。

根据该构成，通过组合利用腰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、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、脚踝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，比分别利用腰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、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、脚踝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，能更高精度地评估试验对象的跌倒风险。

而且，在上述的跌倒风险评估方法，也可以是，在所述判断中，在所述腰部在所述立脚期在垂直方向的所述位移小于阈值的情况下、在所述腰部在所述脚悬空期在垂直方向的所述位移小于阈值的情况下、在所述膝关节在所述立脚期的所述角度小于阈值的情况下或者在所述脚踝关节在所述脚悬空期的所述角度小于阈值的情况下，判断所述试验对象有所述跌倒风险。

根据该构成，在腰部在立脚期在垂直方向的位移小于阈值的情况下、在腰部在脚悬空期在垂直方向的位移小于阈值的情况下、在膝关节在立脚期的角度小于阈值的情况下或者在脚踝关节在脚悬空期的角度小于阈值的情况下，判断试验对象有跌倒风险。因此，通过将腰部在立脚期在垂直方向的位移、腰部在脚悬空期在垂直方向的位移、膝关节在立脚期的角度、脚踝关节在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有跌倒风险。

而且，在上述的跌倒风险评估方法，也可以是，在所述判断中，通过将检测的所述腰部在所述立脚期在垂直方向的所述位移、所述腰部在所述脚悬空期在垂直方向的所述位移、所述膝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输入到预测模型，来判断所述试验对象是否有所述跌倒风险，其中，所述预测模型将所述腰部在所述立脚期在垂直方向的所述位移、所述腰部在所述脚悬空期在垂直方向的所述位移、所述膝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作为输入值，将所述试验对象是否有所述跌倒风险作为输出值而生成。

根据该构成，预测模型将腰部在立脚期在垂直方向的位移、腰部在脚悬空期在垂直方向的位移、膝关节在立脚期的角度以及脚踝关节在脚悬空期的角度的至少其中之一作为输入值，将试验对象是否有跌倒风险作为输出值而生成。而且，通过将检测出的腰部在立脚期在垂直方向的位移、腰部在脚悬空期在垂直方向的位移、膝关节在立脚期的角度以及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有跌倒风险。因此，通过预先存储预测模型，能简单地判断试验对象是否有跌倒风险。

本发明的另一方面涉及的跌倒风险评估装置，是基于试验对象的步行动作评估跌倒风险的跌倒风险评估装置，包括：获取部，用于获取与所述试验对象的步行相关的步行数据；检测部，根据所述步行数据，检测所述试验对象的腰部在所述试验对象的一条腿的立脚期在垂直方向的位移、所述试验对象的所述腰部在所述一条腿的脚悬空期在垂直方向的位移、所述一条腿的膝关节在所述立脚期的角度以及所述一条腿的脚踝关节在所述脚悬空期的角度的至少其中之一；以及，判断部，利用所述腰部在所述立脚期在垂直方向的所述位移、所述腰部在所述脚悬空期在垂直方向的所述位移、所述膝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，判断所述试验对象的跌倒风险。

根据该构成，正在步行的试验对象的腰部在一条腿的立脚期在垂直方向的位移、腰部在一条腿的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跌倒风险相关的参数。有跌倒风险的试验对象的步行动作与没有跌倒风险的试验对象的步行动作存在不同的倾向。为此，因为利用与步行中的试验对象的跌倒风险相关的参数来判断试验对象有无跌倒风险，所以，可以高精度地评估试验对象的跌倒风险。

而且，因为正在步行的试验对象的腰部在一条腿的立脚期在垂直方向的位移、腰部在一条腿的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从通过对正在步行的试验对象进行摄像而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，本构成可以简单地评估试验对象的跌倒风险。

本发明的另一方面涉及的记录介质，是记录了跌倒风险评估程序的非暂时性的计算机可读取的记录介质，所述跌倒风险评估程序基于试验对象的步行动作评估跌倒风险，使计算机具备以下功能:获取与所述试验对象的步行相关的步行数据；根据所述步行数据，检测所述试验对象的腰部在所述试验对象的一条腿的立脚期在垂直方向的位移、所述试验对象的所述腰部在所述一条腿的脚悬空期在垂直方向的位移、所述一条腿的膝关节在所述立脚期的角度以及所述一条腿的脚踝关节在所述脚悬空期的角度的至少其中之一；利用所述腰部在所述立脚期在垂直方向的所述位移、所述腰部在所述脚悬空期在垂直方向的所述位移、所述膝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，判断所述试验对象的跌倒风险。

根据该构成，正在步行的试验对象的腰部在一条腿的立脚期在垂直方向的位移、腰部在一条腿的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跌倒风险相关的参数。有跌倒风险的试验对象的步行动作与没有跌倒风险的试验对象的步行动作存在不同的倾向。为此，因为利用与步行中的试验对象的跌倒风险相关的参数来判断试验对象有无跌倒风险，所以，可以高精度地评估试验对象的跌倒风险。

而且，因为正在步行的试验对象的腰部在一条腿的立脚期在垂直方向的位移、腰部在一条腿的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从通过对正在步行的试验对象进行摄像而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，本构成可以简单地评估试验对象的跌倒风险。

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跌倒风险评估系统进行说明。

图1是表示本发明的实施方式涉及的跌倒风险评估系统的构成的方框图。

图1所示的跌倒风险评估系统具备跌倒风险评估装置1、摄像机2以及显示部3。

摄像机2拍摄步行的试验对象。摄像机2将表示步行的试验对象的动态图像数据输出到跌倒风险评估装置1。摄像机2通过有线或无线与跌倒风险评估装置1连接。

跌倒风险评估装置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、跌倒风险判断部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相关的步行数据。步行数据例如是通过对正在步行的试验对象进行摄像而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。骨骼数据由表示试验对象的关节等的多个特征点的坐标和连接各个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从包含正在步行的试验对象200的图像的二维图像数据20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跌倒风险。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从动态图像数据提取的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。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这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)落到地面的立脚期，一个步行周期的61％至100％的期间称为一只脚(例如右脚)离开地面的脚悬空期。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，根据步行数据检测试验对象的腰部在试验对象的一条腿的立脚期在垂直方向的位移、试验对象的腰部在一条腿的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根据步行数据检测试验对象的腰部在试验对象的一条腿的立脚期在垂直方向的位移。步行参数检测部112从与截取出的一个步行周期对应的时间序列的骨骼数据检测试验对象的腰部在试验对象的一条腿的立脚期在垂直方向的位移。如图2所示，腰部在垂直方向的位移α是表示腰部的特征点209在垂直方向的位移。

特别是，步行参数检测部112检测腰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。而且，规定期间也可以是一个步行周期的9％至19％的期间。步行参数检测部112将腰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作为步行参数而计算得出。

另外，关于对试验对象的腰部在试验对象的一条腿的脚悬空期在垂直方向的位移、试验对象的一条腿的膝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进行说明。

跌倒风险判断部113，利用腰部在立脚期在垂直方向的位移、腰部在脚悬空期在垂直方向的位移、膝关节在立脚期的角度以及脚踝关节在脚悬空期的角度的至少其中之一，来判断试验对象的跌倒风险。

在本实施方式，跌倒风险判断部113利用腰部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的跌倒风险。

而且，跌倒风险判断部113，通过将检测的腰部在立脚期在垂直方向的位移、腰部在脚悬空期在垂直方向的位移、膝关节在立脚期的角度以及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有跌倒风险，该预测模型将腰部在立脚期在垂直方向的位移、腰部在脚悬空期在垂直方向的位移、膝关节在立脚期的角度以及脚踝关节在脚悬空期的角度的至少其中之一作为输入值，将试验对象是否有跌倒风险作为输出值而生成。

在本实施方式，跌倒风险判断部113，通过将由步行参数检测部112检测的腰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有跌倒风险，该预测模型将腰部在垂直方向的位移作为输入值，将试验对象是否有跌倒风险作为输出值而生成。

另外，关于利用腰部在脚悬空期在垂直方向的位移、膝关节在立脚期的角度以及脚踝关节在脚悬空期的角度对试验对象的跌倒风险的判断，在本实施方式的变形例进行说明。

存储器12预先存储将腰部在垂直方向的位移作为输入值，将试验对象是否有跌倒风险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有跌倒风险作为目的变量，将腰部在一个步行周期的立脚期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。预测模型输出表示试验对象有跌倒风险的值(例如1)或表示试验对象没有跌倒风险的值(例如0)之中的任意一个。

特别是，跌倒风险判断部113利用腰部在一条腿的立脚期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的跌倒风险。具体而言，跌倒风险判断部113利用腰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的跌倒风险。而且，跌倒风险判断部113也可以利用腰部在一个步行周期的9％至19％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的跌倒风险。

另外，预测模型也可以通过机器学习来生成。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、通过反复试验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跌倒风险的程度的值。表示跌倒风险的程度的值，例如用0.0至1.0来表示。在这种情况下，例如，跌倒风险判断部113也可以在表示跌倒风险的程度的值在0.5以下时判断为没有跌倒风险，在表示跌倒风险的程度的值大于0.5时判断为有跌倒风险的可能性较高。

评估结果提示部114提示通过跌倒风险判断部113判断的跌倒风险的评估结果。评估结果提示部114将通过跌倒风险判断部113判断的评估结果输出到显示部3。评估结果是表示通过跌倒风险判断部113判断的试验对象是否有跌倒风险的信息和评估留言的至少其中之一。

显示部3显示从评价结果显示部114输出的评价结果。显示部3例如是液晶显示面板或发光元件。

另外，显示部3，为了对表示本次判断的跌倒风险的程度的值和表示过去的跌倒风险的程度的值进行比较，也可以将表示跌倒风险的程度的值的推移用图表来表示。另外，表示过去的跌倒风险的程度的值被存储在存储器12中，可以从存储器12读出。

另外，跌倒风险评估装置1也可以具备摄像机2以及显示部3。而且，跌倒风险评估装置1也可以具备显示部3。跌倒风险评估装置1也可以是个人计算机或服务器。

其次，利用图4对本实施方式的跌倒风险评估处理进行说明。

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跌倒风险评估处理的流程图。图4所示的流程图示意了利用跌倒风险评估装置1进行跌倒风险评估的顺序。

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跌倒风险评估装置1。

首先，在步骤S1，数据获取部111获取通过摄像机2发送的动态图像数据。

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用于判断跌倒风险的步行参数。在此，本实施方式的步行参数是试验对象的腰部在一个步行周期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。规定期间例如是一个步行周期的1％至60％的期间。另外，关于步行参数的决定方法后述。

其次，在步骤S4，跌倒风险判断部113执行利用步行参数判断试验对象的跌倒风险的跌倒风险判断处理。另外，关于跌倒风险判断处理后述。

其次，在步骤S5，评估结果提示部114将通过跌倒风险判断部113判断的跌倒风险的评估结果输出到显示部3。跌倒风险的评估结果表示试验对象是否有跌倒风险。另外，评估结果提示部114不仅输出有无跌倒风险，还可以将与有无跌倒风险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输出的跌倒风险的评估结果。

在此，对图4的步骤S4的跌倒风险判断处理进行说明。

图5是用于说明图4的步骤S4的跌倒风险判断处理的流程图。

首先，在步骤S11，跌倒风险判断部113从存储器12读出预测模型。

其次，在步骤S12，跌倒风险判断部113将通过步行参数检测部112检测的步行参数输入到预测模型。本实施方式的步行参数是试验对象的腰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。跌倒风险判断部113将试验对象的腰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。

其次，在步骤S13，跌倒风险判断部113从预测模型获取跌倒风险的判断结果。跌倒风险判断部113从预测模型获取试验对象是否有跌倒风险作为判断结果。

另外，在本实施方式的跌倒风险判断处理中，通过将步行参数输入到预先生成的预测模型来判断有无跌倒风险，但是，本发明并不局限于此。作为本实施方式的跌倒风险判断处理的其它的例子，也可以通过比较预先存储的阈值和步行参数来判断有无跌倒风险。

在这种情况下，存储器12预先存储用于判断试验对象是否有跌倒风险的阈值。

而且，跌倒风险判断部113，在腰部在立脚期在垂直方向的位移小于阈值的情况下、在腰部在脚悬空期在垂直方向的位移小于阈值的情况下、在膝关节在立脚期的角度小于阈值的情况下或者在脚踝关节在脚悬空期的角度小于阈值的情况下，也可以判断为试验对象有跌倒风险。

在本实施方式，跌倒风险判断部113也可以在腰部在垂直方向的位移小于阈值的情况下，判断试验对象有跌倒风险。跌倒风险判断部113判断试验对象的腰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是否小于阈值。跌倒风险判断部113，当试验对象的腰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小于阈值的情况下，判断试验对象有跌倒风险。另一方面，跌倒风险判断部113，当试验对象的腰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在阈值以上的情况下，判断试验对象没有跌倒风险即试验对象是健康者。

图6是用于说明图4的步骤S4的跌倒风险判断处理的其它的例子的流程图。

首先，在步骤S21，跌倒风险判断部113从存储器12读出阈值。

其次，在步骤S22，跌倒风险判断部113判断通过步行参数检测部112检测的步行参数是否小于阈值。本实施方式的步行参数是试验对象的腰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。跌倒风险判断部113判断试验对象的腰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是否小于阈值。

在此，在判断为步行参数小于阈值的情况下(在步骤S22为“是”)，在步骤S23，跌倒风险判断部113判断试验对象有跌倒风险。

另一方面，在判断为步行参数在阈值以上的情况下(在步骤S22为“否”)，在步骤S24，跌倒风险判断部113判断试验对象没有跌倒风险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腰部在立脚期在垂直方向的位移是与试验对象有无跌倒风险相关的参数。有跌倒风险的试验对象的步行动作与没有跌倒风险的试验对象的步行动作存在不同的倾向。为此，因为利用与步行中的试验对象有无跌倒风险相关的参数来判断试验对象有无跌倒风险，所以，可以高精度地评估试验对象的跌倒风险。

而且，因为正在步行的试验对象的腰部在立脚期在垂直方向的位移例如可以从通过对正在步行的试验对象进行摄像而得到的图像数据中简单地检测，所以，不需要大型的装置。为此，本构成可以简单地评估试验对象的跌倒风险。

本实施方式的步行参数以及预测模型通过实验来决定。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总数为92人。男性试验对象为27人，女性试验对象为65人。根据过去的研究结果，判断有无跌倒风险的判断基准被设定为让试验对象睁开眼睛单脚站立的状态是否可以保持30秒。在试验对象睁开眼睛保持单脚站立的状态下来测量保持时间。在保持时间为30秒以下的情况下判断有跌倒风险，在保持时间大于30秒的情况下判断没有跌倒风险。作为判断的结果，试验对象之中有跌倒风险的试验对象为34人。有跌倒风险的试验对象之中男性的试验对象为10人，女性的试验对象为24人。在实验中，实验对象们在摄像机之前步行。用摄像机对步行的试验对象进行摄像，从动态图像数据提取每个试验对象的骨骼数据。然后，从提取出的骨骼数据检测每个试验对象的腰部在垂直方向的位移的时间序列数据。

图7是表示在本实施方式、腰部在一个步行周期在垂直方向的位移的变化的示意图。在图7中，纵轴表示腰部在垂直方向的位移，横轴表示标准化的一个步行周期。而且，在图7中，虚线表示没有跌倒风险的试验对象们的腰部在垂直方向的位移的平均波形，实线表示有跌倒风险的试验对象们的腰部在垂直方向的位移的平均波形。

在实验中，将标准化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腰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。然后，创建将试验对象是否有跌倒风险作为目的变量，将腰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作为说明变量的多个预测模型。通过交叉验证评估多个预测模型。作为交叉验证，采用了leave－one－out交叉验证。然后，计算出多个预测模型各自的ROC(ReceiverOperating Characteristic)曲线。并且，计算出多个预测模型各自的ROC曲线的AUC(AreaUnder Curve)值，选择AUC值为最高的预测模型。

在本实施方式，将腰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AUC值为最高。

图8是表示从利用了本实施方式的预测模型判断有无跌倒风险的结果得到的ROC曲线的示意图。

本实施方式的预测模型，将试验对象是否有跌倒风险作为目的变量，将腰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8中，纵轴表示真阳性率(True Positive Rate)，横轴表示假阳性率(False PositiveRate)。真阳性率表示预测模型将有跌倒风险的试验对象正确地判断为有跌倒风险的比例，假阳性率表示预测模型将没有跌倒风险的试验对象错误地判断为有跌倒风险的比例。

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，该预测模型将腰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。图8所示的ROC曲线的AUC值为0.733。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。在这种情况下，腰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，将腰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被决定为跌倒风险判断部113所使用的预测模型。

存储器12预先存储将腰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，将试验对象是否有跌倒风险作为输出值而生成的预测模型。步行参数检测部112检测腰部在一个步行周期的1％到60％的期间在垂直方向的位移的时间序列数据。跌倒风险判断部113，通过将腰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有跌倒风险的判断结果。

而且，在图7所示的一个步行周期的1％至60％的期间，具有跌倒风险的试验对象们的腰部在垂直方向的位移的平均波形比没有跌倒风险的试验对象们的腰部在垂直方向的位移的平均波形小。为此，也可以将通过实验得到的具有跌倒风险的试验对象们的腰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的平均和没有跌倒风险的试验对象们的腰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的平均之间的值作为阈值存储到存储器12。跌倒风险判断部113也可以通过将试验对象的腰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与预先存储的阈值进行比较来判断跌倒风险。

另外，在本实施方式，步行参数是腰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，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腰部在一个步行周期的9％至19％的期间在垂直方向的位移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，检测多个试验对象各自的腰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有跌倒风险作为目的变量，将腰部在一个步行周期的9％至19％的期间在垂直方向的位移平均值作为说明变量的预测模型。通过交叉验证评估预测模型。作为交叉验证，采用了leave－one－out交叉验证。然后，计算出预测模型的ROC曲线。并且，计算出预测模型的ROC曲线的AUC值。

图9是表示从利用了本实施方式的第一变形例的预测模型判断有无跌倒风险的结果得到的ROC曲线的示意图。

本实施方式的第一变形例的预测模型，将试验对象是否有跌倒风险作为目的变量，将腰部在一个步行周期的9％至19％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有跌倒风险的试验对象正确地判断为有跌倒风险的比例，假阳性率表示预测模型将没有跌倒风险的试验对象错误地判断为有跌倒风险的比例。

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，该预测模型将腰部在一个步行周期的9％至19％的期间在垂直方向的位移的平均值作为说明变量。图9所示的ROC曲线的AUC值为0.8058。在这种情况下，腰部在一个步行周期的9％至19％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，将腰部在一个步行周期的9％至19％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被决定为跌倒风险判断部113所使用的预测模型。

存储器12预先存储将腰部在一个步行周期的9％至19％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，将试验对象是否有跌倒风险作为输出值而生成的预测模型。

步行参数检测部112检测腰部在一个步行周期的9％至19％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计算出腰部在一个步行周期的9％至19％的期间在垂直方向的位移的时间序列数据的平均值。

跌倒风险判断部113利用腰部在一个步行周期的9％至19％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有无跌倒风险。跌倒风险判断部113，通过将腰部在一个步行周期的9％至19％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有跌倒风险的判断结果。

图10是表示在本实施方式的第一变形例、没有跌倒风险的试验对象们的腰部在一个步行周期的9％至19％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和具有跌倒风险的试验对象们的腰部在一个步行周期的9％至19％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的示意图。

如图10所示，没有跌倒风险的试验对象们的腰部在一个步行周期的9％至19％的期间在垂直方向的位移的时间序列数据的平均值为43.3mm，具有跌倒风险的试验对象们的腰部在一个步行周期的9％至19％的期间在垂直方向的位移的时间序列数据的平均值为34.3mm。

如上所述，在一个步行周期的9％至19％的期间，具有跌倒风险的试验对象们的腰部在垂直方向的位移的时间序列数据的平均值比没有跌倒风险的试验对象们的腰部在垂直方向的位移的时间序列数据的平均值小。为此，也可以将通过实验得到的具有跌倒风险的试验对象们的腰部在一个步行周期的9％至19％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和没有跌倒风险的试验对象们的腰部在一个步行周期的9％至19％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。跌倒风险判断部113也可以通过将试验对象的腰部在一个步行周期的9％至19％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有无跌倒风险。

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试验对象的腰部在试验对象的一条腿的脚悬空期在垂直方向的位移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，从包含没有跌倒风险的试验对象以及具有跌倒风险的试验对象的多个试验对象的骨骼数据检测多个试验对象各自的腰部在垂直方向的位移的时间序列数据。

在本实施方式的第二变形例，与上述的实验相同，检测多个试验对象各自的腰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有跌倒风险作为目的变量，将腰部在脚悬空期的规定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。规定期间是一个步行周期的61％至100％的期间。通过交叉验证评估预测模型。作为交叉验证，采用了leave－one－out交叉验证。然后，计算出预测模型的ROC曲线。并且，计算出预测模型的ROC曲线的AUC值。

图11是表示从利用了本实施方式的第二变形例的预测模型判断有无跌倒风险的结果得到的ROC曲线的示意图。

本实施方式的第二变形例的预测模型将试验对象是否有跌倒风险作为目的变量，将腰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有跌倒风险的试验对象正确地判断为有跌倒风险的比例，假阳性率表示预测模型将没有跌倒风险的试验对象错误地判断为有跌倒风险的比例。

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，该预测模型将腰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。图11所示的ROC曲线的AUC值为0.713。在这种情况下，腰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，将腰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被决定为跌倒风险判断部113所使用的预测模型。

步行参数检测部112根据步行数据检测试验对象的腰部在垂直方向的位移。步行参数检测部112从与截取出的一个步行周期对应的时间序列的骨骼数据检测试验对象的腰部在垂直方向的位移。特别是，步行参数检测部112检测腰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检测腰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计算出腰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预先存储将腰部在脚悬空期的规定期间在垂直方向的位移作为输入值，将试验对象是否有跌倒风险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有跌倒风险作为目的变量，将腰部在一个步行周期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预先存储将腰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，将试验对象是否有跌倒风险作为输出值而生成的预测模型。

跌倒风险判断部113利用腰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有无跌倒风险。跌倒风险判断部113，通过将由步行参数检测部112检测的腰部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有跌倒风险，该预测模型将腰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，将试验对象是否有跌倒风险作为输出值。

而且，跌倒风险判断部113利用腰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有无跌倒风险。具体而言，跌倒风险判断部113，利用腰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有无跌倒风险。跌倒风险判断部113，通过将腰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是否有跌倒风险的判断结果。

而且，在图7所示的一个步行周期的61％至100％的期间，具有跌倒风险的试验对象们的腰部在垂直方向的位移的平均波形比没有跌倒风险的试验对象们的腰部在垂直方向的位移的平均波形小。为此，也可以将通过实验得到的具有跌倒风险的试验对象们的腰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的平均和没有跌倒风险的试验对象们的腰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的平均之间的值作为阈值存储到存储器12。跌倒风险判断部113也可以通过将试验对象的腰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与预先存储的阈值进行比较来判断有无跌倒风险。

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。

图12是表示在本实施方式的第三变形例、一个膝关节在一个步行周期的角度的变化的示意图。在图12中，纵轴表示膝关节的角度，横轴表示标准化的一个步行周期。而且，在图12中，虚线表示没有跌倒风险的试验对象们的一个膝关节的角度的平均波形，实线表示具有跌倒风险的试验对象们的一个膝关节的角度的平均波形。

在本实施方式的第三变形例，与上述的实验相同，从包含没有跌倒风险的试验对象以及具有跌倒风险的试验对象的多个试验对象的骨骼数据检测多个试验对象各自的一个膝关节的角度的时间序列数据。如图2所示，膝关节的角度γ是在箭头状面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。

在实验中，将标准化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个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。然后，创建将试验对象是否有跌倒风险作为目的变量，将一个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作为说明变量的多个预测模型。通过交叉验证评估多个预测模型。作为交叉验证，采用了leave－one－out交叉验证。然后，计算出多个预测模型各自的ROC曲线。并且，计算出多个预测模型各自的ROC曲线的AUC值，选择AUC值为最高的预测模型。

在本实施方式的第三变形例，将一个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的AUC值为最高。

图13是表示从利用了本实施方式的第三变形例的预测模型判断有无跌倒风险的结果得到的ROC曲线的示意图。

本实施方式的第三变形例的预测模型将试验对象是否有跌倒风险作为目的变量，将一个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有跌倒风险的试验对象正确地判断为有跌倒风险的比例，假阳性率表示预测模型将没有跌倒风险的试验对象错误地判断为有跌倒风险的比例。

图13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13所示的ROC曲线的AUC值为0.542。在这种情况下，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被决定为跌倒风险判断部113所使用的预测模型。

步行参数检测部112根据步行数据检测试验对象的一条腿的膝关节的角度。步行参数检测部112从与截取出的一个步行周期对应的时间序列的骨骼数据检测试验对象的一条腿的膝关节的角度。特别是，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1％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。

另外，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检测右腿的膝关节的角度γ。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也可以检测左腿的膝关节的角度γ。

存储器12预先存储将膝关节的角度作为输入值，将试验对象是否有跌倒风险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有跌倒风险作为目的变量，将膝关节在一个步行周期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，将试验对象是否有跌倒风险作为输出值而生成的预测模型。

跌倒风险判断部113利用膝关节的角度来判断试验对象有无跌倒风险。跌倒风险判断部113，通过将由步行参数检测部112检测的膝关节的角度输入到预测模型来判断试验对象是否有跌倒风险，该预测模型将膝关节的角度作为输入值，将试验对象是否有跌倒风险作为输出值而生成。

而且，跌倒风险判断部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有无跌倒风险。具体而言，跌倒风险判断部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有无跌倒风险。跌倒风险判断部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是否有跌倒风险的判断结果。

而且，在图12所示的一个步行周期的1％至60％的期间，具有跌倒风险的试验对象们的一条腿的膝关节的角度的平均波形比没有跌倒风险的试验对象们的一条腿的膝关节的角度的平均波形小。为此，也可以将通过实验得到的、具有跌倒风险的试验对象们的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的平均与没有跌倒风险的试验对象们的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的平均之间的值作为阈值存储到存储器12。跌倒风险判断部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阈值进行比较来判断有无跌倒风险。

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一条腿的膝关节在一条腿的立脚期的规定时刻的角度。

在本实施方式的第四变形例，与上述的实验相同，从包含没有跌倒风险的试验对象以及具有跌倒风险的试验对象的多个试验对象的骨骼数据检测多个试验对象各自的一个膝关节的角度的时间序列数据。另外，创建将试验对象是否有跌倒风险作为目的变量，将一个膝关节在一个步行周期的35％的时刻的角度作为说明变量的预测模型。通过交叉验证评估预测模型。作为交叉验证，采用了leave－one－out交叉验证。然后，计算出预测模型的ROC曲线。并且，计算出预测模型的ROC曲线的AUC值。

图14是表示从利用了本实施方式的第四变形例的预测模型判断有无跌倒风险的结果得到的ROC曲线的示意图。

本实施方式的第四变形例的预测模型，将试验对象是否有跌倒风险作为目的变量，将一个膝关节在一个步行周期的35％的时刻的角度作为说明变量而创建。在图14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有跌倒风险的试验对象正确地判断为有跌倒风险的比例，假阳性率表示预测模型将没有跌倒风险的试验对象错误地判断为有跌倒风险的比例。

图14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，该预测模型将膝关节在一个步行周期的35％的时刻的角度作为说明变量而创建。图14所示的ROC曲线的AUC值为0.6242。在这种情况下，膝关节在一个步行周期的35％的时刻的角度被决定为步行参数。而且，将膝关节在一个步行周期的35％的时刻的角度作为说明变量而创建的预测模型被决定为跌倒风险判断部113所使用的预测模型。

步行参数检测部112根据步行数据检测试验对象的一条腿的膝关节的角度。步行参数检测部112从与截取出的一个步行周期对应的时间序列的骨骼数据检测试验对象的一条腿的膝关节的角度。特别是，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。具体而言，步行参数检测部112检测膝关节在一条腿的一个步行周期的35％的时刻的角度。

存储器12预先存储将膝关节的角度作为输入值，将试验对象是否有跌倒风险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有跌倒风险作为目的变量，将膝关节在一个步行周期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预先存储将膝关节在一条腿的一个步行周期的35％的时刻的角度作为输入值，将试验对象是否有跌倒风险作为输出值而生成的预测模型。

跌倒风险判断部113利用膝关节的角度来判断试验对象有无跌倒风险。跌倒风险判断部113，通过将由步行参数检测部112检测的膝关节的角度输入到预测模型来判断试验对象是否有跌倒风险，该预测模型将膝关节的角度作为输入值，将试验对象是否有跌倒风险作为输出值而生成。

而且，跌倒风险判断部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有无跌倒风险。具体而言，跌倒风险判断部113利用膝关节在一条腿的一个步行周期的35％的时刻的角度来判断试验对象有无跌倒风险。跌倒风险判断部113通过将膝关节在一条腿的一个步行周期的35％的时刻的角度输入到预测模型，从预测模型获取表示试验对象是否有跌倒风险的判断结果。

图15是表示在本实施方式的第四变形例、没有跌倒风险的试验对象们的膝关节在一条腿的一个步行周期的35％的时刻的角度的平均和具有跌倒风险的试验对象们的膝关节在一条腿的一个步行周期的35％的时刻的角度的平均的示意图。

如图15所示，没有跌倒风险的试验对象们的膝关节在一条腿的一个步行周期的35％的时刻的角度的平均为41.0度，有跌倒风险的试验对象们的膝关节在一条腿的一个步行周期的35％的时刻的角度的平均为36.6度。

如上所述，在一个步行周期的35％的时刻，有跌倒风险的试验对象们的一条腿的膝关节的角度的平均比没有跌倒风险的试验对象们的一条腿的膝关节的角度的平均小。为此，也可以将通过实验得到的、具有跌倒风险的试验对象们的膝关节在一条腿的一个步行周期的35％的时刻的角度的平均与没有跌倒风险的试验对象们的膝关节在一条腿的一个步行周期的35％的时刻的角度的平均之间的值作为阈值存储到存储器12。跌倒风险判断部113也可以通过将试验对象的膝关节在一条腿的一个步行周期的35％的时刻的角度与预先存储的阈值来进行比较来判断有无跌倒风险。

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。

图16是表示在本实施方式的第五变形例、一个脚踝关节在一个步行周期的角度的变化的示意图。在图16中，纵轴表示脚踝关节的角度，横轴表示标准化的一个步行周期。而且，在图16中，虚线表示没有跌倒风险的试验对象们的一个脚踝关节的角度的平均波形，实线表示具有跌倒风险的试验对象们的一个脚踝关节的角度的平均波形。

在本实施方式的第五变形例，与上述的实验相同，从包含没有跌倒风险的试验对象以及具有跌倒风险的试验对象的多个试验对象的骨骼数据检测多个试验对象各自的一个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和表示右足尖的特征点213的直线之间所形成的角度。

在实验中，将标准化的一个步行周期分割为十个区间，针对每个试验对象计算出一个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。并且，创建将试验对象是否有跌倒风险作为目的变量，将一个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作为说明变量的多个预测模型。通过交叉验证评估多个预测模型。作为交叉验证，采用了leave－one－out交叉验证。然后，计算出多个预测模型各自的ROC曲线。并且，计算出多个预测模型各自的ROC曲线的AUC值，选择AUC值为最高的预测模型。

在本实施方式的第五变形例，将一个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AUC值为最高。

图17是表示从利用了本实施方式的第五变形例的预测模型判断有无跌倒风险的结果得到的ROC曲线的示意图。

本实施方式的第五变形例的预测模型，将试验对象是否有跌倒风险作为目的变量，将一个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。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有跌倒风险的试验对象正确地判断为有跌倒风险的比例，假阳性率表示预测模型将没有跌倒风险的试验对象错误地判断为有跌倒风险的比例。

图17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。图17所示的ROC曲线的AUC值为0.595。在这种情况下，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被决定为跌倒风险判断部113所使用的预测模型。

步行参数检测部112根据步行数据检测试验对象的一条腿的脚踝关节的角度。步行参数检测部112从与截取出的一个步行周期对应的时间序列的骨骼数据检测试验对象的一条腿的脚踝关节的角度。特别是，步行参数检测部112检测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。

另外，在本实施方式的第五变形例，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也可以检测左腿的脚踝关节的角度θ。

存储器12预先存储将脚踝关节的角度作为输入值，将试验对象是否有跌倒风险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有跌倒风险作为目的变量，将脚踝关节在一个步行周期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，将试验对象是否有跌倒风险作为输出值而生成的预测模型。

跌倒风险判断部113利用脚踝关节的角度来判断试验对象有无跌倒风险。跌倒风险判断部113，通过将由步行参数检测部112检测的脚踝关节的角度输入到预测模型来判断试验对象是否有跌倒风险，该预测模型将脚踝关节的角度作为输入值，将试验对象是否有跌倒风险作为输出值而生成。

而且，跌倒风险判断部113利用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有无跌倒风险。具体而言，跌倒风险判断部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有无跌倒风险。跌倒风险判断部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有跌倒风险的判断结果。

而且，在图16所示的一个步行周期的61％至100％的期间，具有跌倒风险的试验对象们的一条腿的脚踝关节的角度的平均波形比没有跌倒风险的试验对象们的一条腿的脚踝关节的角度的平均波形小。为此，也可以将通过实验得到的、具有跌倒风险的试验对象们的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的平均和没有跌倒风险的试验对象们的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的平均之间的值作为阈值存储到存储器12。跌倒风险判断部113也可以通过将试验对象的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与预先存储的阈值进行比较来判断有无跌倒风险。

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个步行周期的84％至89％的期间的角度的时间序列数据的平均值。

在本实施方式的第六变形例，与上述的实验相同，检测多个试验对象各自的一条腿的脚踝关节的角度的时间序列数据。而且，创建将试验对象是否有跌倒风险作为目的变量，将一条腿的脚踝关节在一个步行周期的84％至89％的期间的角度的平均值作为说明变量的预测模型。通过交叉验证评估预测模型。作为交叉验证，采用了leave－one－out交叉验证。然后，计算出预测模型的ROC曲线。并且，计算出预测模型的ROC曲线的AUC值。

图18是表示从利用了本实施方式的第六变形例的预测模型判断有无跌倒风险的结果得到的ROC曲线的示意图。

本实施方式的第六变形例的预测模型，将试验对象是否有跌倒风险作为目的变量，将一个脚踝关节在一个步行周期的84％至89％的期间的角度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有跌倒风险的试验对象正确地判断为有跌倒风险的比例，假阳性率表示预测模型将没有跌倒风险的试验对象错误地判断为有跌倒风险的比例。

图18所示的ROC曲线是描绘预测模型的真阳性率和假阳性率为图的曲线，该预测模型将脚踝关节在一个步行周期的84％至89％的期间的角度的平均值作为说明变量而创建。图18所示的ROC曲线的AUC值为0.5928。在这种情况下，脚踝关节在一个步行周期的84％至89％的期间的角度的平均值被决定为步行参数。而且，将脚踝关节在一个步行周期的84％至89％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跌倒风险判断部113所使用的预测模型。

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84％至89％的期间的角度的时间序列数据的平均值作为输入值，将试验对象是否有跌倒风险作为输出值而生成的预测模型。

步行参数检测部112检测一条腿的脚踝关节在一个步行周期的84％至89％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84％至89％的期间的角度的时间序列数据的平均值。

跌倒风险判断部113利用一条腿的脚踝关节在一个步行周期的84％至89％的期间的角度的时间序列数据的平均值来判断试验对象有无跌倒风险。跌倒风险判断部113，通过将一条腿的脚踝关节在一个步行周期的84％至89％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有跌倒风险的判断结果。

图19是表示在本实施方式的第六变形例、没有跌倒风险的试验对象们的一条腿的脚踝关节在一个步行周期的84％至89％的期间的角度的时间序列数据的平均值的平均和有跌倒风险的试验对象们的一条腿的脚踝关节在一个步行周期的84％至89％的期间的角度的时间序列数据的平均值的平均的示意图。

如图19所示，没有跌倒风险的试验对象们的一条腿的脚踝关节在一个步行周期的84％至89％的期间的角度的时间序列数据的平均值的平均为13.7度，具有跌倒风险的试验对象们的一条腿的脚踝关节在一个步行周期的84％至89％的期间的角度的时间序列数据的平均值的平均为11.4度。

如上所述，在一个步行周期的84％至89％的期间，具有跌倒风险的试验对象们的一条腿的脚踝关节的角度的时间序列数据的平均值的平均比没有跌倒风险的试验对象们的一条腿的脚踝关节的角度的时间序列数据的平均值的平均小。为此，也可以将通过实验得到的、具有跌倒风险的试验对象们的一条腿的脚踝关节在一个步行周期的84％至89％的期间的角度的时间序列数据的平均值的平均和没有跌倒风险的试验对象们的一条腿的脚踝关节在一个步行周期的84％至89％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阈值存储到存储器12。跌倒风险判断部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84％至89％的期间的角度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有无跌倒风险。

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腰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和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。

在本实施方式的第七变形例，与上述的实验相同，检测多个试验对象各自的腰部在垂直方向的位移的时间序列数据和多个试验对象各自的一个膝关节的角度的时间序列数据。而且，在实验中，将标准化的一个步行周期分割为十个区间，针对每个试验对象计算出腰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个膝关节的角度的平均值。然后，创建将试验对象是否有跌倒风险作为目的变量，将腰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个膝关节的角度的平均值作为说明变量的多个预测模型。通过交叉验证评估多个预测模型。作为交叉验证，采用了leave－one－out交叉验证。然后，计算出多个预测模型各自的ROC曲线。并且，计算出多个预测模型各自的ROC曲线的AUC值，选择AUC值为最高的预测模型。

在本实施方式的第七变形例，将腰部在一个步行周期的1％至40％的期间在垂直方向的位移的平均值和一个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的预测模型的AUC值为最高。

图20是表示从利用了本实施方式的第七变形例的预测模型判断有无跌倒风险的结果得到的ROC曲线的示意图。

本实施方式的第七变形例的预测模型，将试验对象是否有跌倒风险作为目的变量，将腰部在一个步行周期的1％至40％的期间在垂直方向的位移的平均值的平均和一个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20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有跌倒风险的试验对象正确地判断为有跌倒风险的比例，假阳性率表示预测模型将没有跌倒风险的试验对象错误地判断为有跌倒风险的比例。

图20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，该预测模型将腰部在一个步行周期的1％至40％的期间在垂直方向的位移的平均值和一个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。图20所示的ROC曲线的AUC值为0.734。在这种情况下，腰部在一个步行周期的1％至40％的期间在垂直方向的位移的平均值和一个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，将腰部在一个步行周期的1％至40％的期间在垂直方向的位移的平均值和一个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被决定为跌倒风险判断部113所使用的预测模型。

步行参数检测部112检测腰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和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。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1％至60％的期间。步行参数检测部112检测腰部在一个步行周期的1％至40％的期间在垂直方向的位移的时间序列数据和一个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计算出腰部在一个步行周期的1％至40％的期间在垂直方向的位移的时间序列数据的平均值和一个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预先存储将腰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和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作为输入值，将试验对象是否有跌倒风险作为输出值而生成的预测模型。存储器12预先存储将腰部在一个步行周期的1％至40％的期间在垂直方向的位移的平均值和一个膝关节在一个步行周期的1％至60％的期间的角度的平均值为输入值，将试验对象是否有跌倒风险作为输出值而生成的预测模型。

跌倒风险判断部113利用腰部在垂直方向的位移的时间序列数据的平均值和膝关节的角度的时间序列数据的平均值来判断试验对象有无跌倒风险。

跌倒风险判断部113利用腰部在一个步行周期的1％至40％的期间在垂直方向的位移的时间序列数据的平均值和一个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有无跌倒风险。跌倒风险判断部113，通过将腰部在一个步行周期的1％至40％的期间在垂直方向的位移的时间序列数据的平均值和一个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是否有跌倒风险的判断结果。

如上所述，单独地利用腰部在立脚期在垂直方向的位移而创建的预测模型的AUC值为0.733，单独地利用膝关节在立脚期的角度而创建的预测模型的AUC值为0.542。与此相比，利用腰部在立脚期在垂直方向的位移以及膝关节在立脚期的角度而创建的预测模型的AUC值为0.734。因此，与单独地分别利用腰部在立脚期在垂直方向的位移以及膝关节在立脚期的角度而创建的预测模型相比，利用腰部在立脚期在垂直方向的位移以及膝关节在立脚期的角度而创建的预测模型可以高精度地判断有无跌倒风险。

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腰部在一条腿的一个步行周期的9％至19％的期间在垂直方向的位移的时间序列数据的平均值和膝关节在一条腿的一个步行周期的35％的时刻的角度。

在本实施方式的第八变形例，与上述的实验相同，检测多个试验对象各自的腰部在垂直方向的位移的时间序列数据和多个试验对象各自的一个膝关节的角度的时间序列数据。而且，创建将试验对象是否有跌倒风险作为目的变量，将腰部在一个步行周期的9％至19％的期间在垂直方向的位移的平均值和一个膝关节在一个步行周期的35％的时刻的角度作为说明变量的预测模型。通过交叉验证评估预测模型。作为交叉验证，采用了leave－one－out交叉验证。然后，计算出预测模型的ROC曲线。并且，计算出预测模型的ROC曲线的AUC值。

图21是表示从利用了本实施方式的第八变形例的预测模型判断有无跌倒风险的结果得到的ROC曲线的示意图。

本实施方式的第八变形例的预测模型，将试验对象是否有跌倒风险作为目的变量，将腰部在一个步行周期的9％至19％的期间在垂直方向的位移的平均值和一个膝关节在一个步行周期的35％的时刻的角度作为说明变量而创建。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有跌倒风险的试验对象正确地判断为有跌倒风险的比例，假阳性率表示预测模型将没有跌倒风险的试验对象错误地判断为有跌倒风险的比例。

图21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，该预测模型将腰部在一个步行周期的9％至19％的期间在垂直方向的位移的平均值和一个膝关节在一个步行周期的35％的时刻的角度作为说明变量而创建。图21所示的ROC曲线的AUC值为0.8109。在这种情况下，腰部在一个步行周期的9％至19％的期间在垂直方向的位移的平均值和一个膝关节在一个步行周期的35％的时刻的角度被决定为步行参数。而且，将腰部在一个步行周期的9％至19％的期间在垂直方向的位移的平均值和一个膝关节在一个步行周期的35％的时刻的角度作为说明变量而创建的预测模型被决定为跌倒风险判断部113所使用的预测模型。

步行参数检测部112检测腰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和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。具体而言，步行参数检测部112检测腰部在一个步行周期的9％至19％的期间在垂直方向的位移的时间序列数据和一个膝关节在一个步行周期的35％的时刻的角度。而且，步行参数检测部112计算出腰部在一个步行周期的9％至19％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预先存储将腰部在一个步行周期的9％至19％的期间在垂直方向的位移的平均值和一个膝关节在一个步行周期的35％的时刻的角度作为输入值，将试验对象是否有跌倒风险作为输出值而生成的预测模型。

跌倒风险判断部113利用腰部在一个步行周期的9％至19％的期间在垂直方向的位移的时间序列数据的平均值和一个膝关节在一个步行周期的35％的时刻的角度来判断试验对象有无跌倒风险。跌倒风险判断部113，通过将腰部在一个步行周期的9％至19％的期间在垂直方向的位移的时间序列数据的平均值和一个膝关节在一个步行周期的35％的时刻的角度输入到预测模型，从预测模型获取表示试验对象是否有跌倒风险的判断结果。

如上所述，单独地利用腰部在一个步行周期的9％至19％的期间在垂直方向的位移而创建的预测模型的AUC值为0.8058，单独地利用膝关节在一个步行周期的35％的时刻的角度而创建的预测模型的AUC值为0.6242。与此相比，利用腰部在一个步行周期的9％至19％的期间在垂直方向的位移以及膝关节在一个步行周期的35％的时刻的角度而创建的预测模型的AUC值为0.8109。因此，与分别单独地利用腰部在一个步行周期的9％至19％的期间在垂直方向的位移以及膝关节在一个步行周期的35％的时刻的角度而创建的预测模型相比，利用腰部在一个步行周期的9％至19％的期间在垂直方向的位移以及膝关节在一个步行周期的35％的时刻的角度而创建的预测模型可以高精度地判断有无跌倒风险。

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腰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、腰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值、脚踝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。

在本实施方式的第九变形例，与上述的实验相同，检测多个试验对象各自的腰部在垂直方向的位移的时间序列数据和多个试验对象各自的脚踝关节的角度的时间序列数据。而且，在实验中，将标准化的一个步行周期分割为十个区间，针对每个试验对象计算出腰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个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。然后，创建将试验对象是否有跌倒风险作为目的变量，将腰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个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作为说明变量的多个预测模型。通过交叉验证评估多个预测模型。作为交叉验证，采用了leave－one－out交叉验证。然后，计算出多个预测模型各自的ROC曲线。并且，计算出多个预测模型各自的ROC曲线的AUC值，选择AUC值为最高的预测模型。

在本实施方式的第九变形例，将腰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、腰部在一个步行周期的61％至80％的期间在垂直方向的位移的平均值、一个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的AUC值为最高。

图22是表示从利用了本实施方式的第九变形例的预测模型判断有无跌倒风险的结果得到的ROC曲线的示意图。

本实施方式的第九变形例的预测模型，将试验对象是否有跌倒风险作为目的变量，将腰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、腰部在一个步行周期的61％至80％的期间在垂直方向的位移的平均值、一个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。在图22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有跌倒风险的试验对象正确地判断为有跌倒风险的比例，假阳性率表示预测模型将没有跌倒风险的试验对象错误地判断为有跌倒风险的比例。

图22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，该预测模型将腰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、腰部在一个步行周期的61％至80％的期间在垂直方向的位移的平均值、一个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。图22所示的ROC曲线的AUC值为0.746。在这种情况下，腰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、腰部在一个步行周期的61％至80％的期间在垂直方向的位移的平均值、一个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。另外，将腰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、腰部在一个步行周期的61％至80％的期间在垂直方向的位移的平均值、一个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被决定为跌倒风险判断部113所使用的预测模型。

步行参数检测部112检测腰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、腰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、脚踝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。第一期间是一个步行周期的1％至60％的期间，第二期间是一个步行周期的61％至80％的期间，第三期间是一个步行周期的61％至100％的期间。步行参数检测部112检测腰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、腰部在一个步行周期的61％至80％的期间在垂直方向的位移的时间序列数据、一个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计算出腰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、腰部在一个步行周期的61％至80％的期间在垂直方向的位移的时间序列数据的平均值、一个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预先存储将腰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、腰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值、脚踝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作为输入值，将试验对象是否有跌倒风险作为输出值而生成的预测模型。存储器12预先存储将腰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、腰部在一个步行周期的61％至80％的期间在垂直方向的位移的平均值、一个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输入值，将试验对象是否有跌倒风险作为输出值而生成的预测模型。

跌倒风险判断部113利用腰部在垂直方向的位移的时间序列数据的平均值和脚踝关节的角度的时间序列数据的平均值来判断试验对象有无跌倒风险。

跌倒风险判断部113利用腰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、腰部在一个步行周期的61％至80％的期间在垂直方向的位移的时间序列数据的平均值、一个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有无跌倒风险。跌倒风险判断部113通过将腰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、腰部在一个步行周期的61％至80％的期间在垂直方向的位移的时间序列数据的平均值、一个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有跌倒风险的判断结果。

如上所述，单独地利用腰部在立脚期在垂直方向的位移而创建的预测模型的AUC值为0.733，单独地利用脚踝关节在脚悬空期的角度而创建的预测模型的AUC值为0.595。与此相比，利用腰部在立脚期的第一期间在垂直方向的位移、腰部在脚悬空期的第二期间在垂直方向的位移以及脚踝关节在脚悬空期的第三期间的角度而创建的预测模型的AUC值为0.746。因此，与分别单独地利用腰部在立脚期在垂直方向的位移以及脚踝关节在脚悬空期的角度而创建的预测模型相比，利用腰部在立脚期的第一期间在垂直方向的位移、腰部在脚悬空期的第二期间在垂直方向的位移以及脚踝关节在脚悬空期的第三期间的角度而创建的预测模型可以高精度地判断有无跌倒风险。

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和脚踝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。

在本实施方式的第十变形例，与上述的实验相同，检测多个试验对象各自的一个膝关节的角度的时间序列数据和多个试验对象各自的一个脚踝关节的角度的时间序列数据。而且，在实验中，将标准化的一个步行周期分割为十个区间，针对每个试验对象计算出一个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个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。然后，创建将试验对象是否有跌倒风险作为目的变量，将一个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个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作为说明变量的多个预测模型。通过交叉验证评估多个预测模型。作为交叉验证，采用了leave－one－out交叉验证。然后，计算出多个预测模型各自的ROC曲线。并且，计算出多个预测模型各自的ROC曲线的AUC值，选择AUC值为最高的预测模型。

在本实施方式的第十变形例，将一个膝关节在一个步行周期的1％至60％的期间的角度的平均值和一个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的AUC值为最高。

图23是表示从利用了本实施方式的第十变形例的预测模型判断有无跌倒风险的结果得到的ROC曲线的示意图。

本实施方式的第十变形例的预测模型，将试验对象是否有跌倒风险作为目的变量，将一个膝关节在一个步行周期的1％至60％的期间的角度的平均值和一个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。在图23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有跌倒风险的试验对象正确地判断为有跌倒风险的比例，假阳性率表示预测模型将没有跌倒风险的试验对象错误地判断为有跌倒风险的比例。

图23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，该预测模型将一个膝关节在一个步行周期的1％至60％的期间的角度的平均值和一个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。图23所示的ROC曲线的AUC值为0.628。在这种情况下，一个膝关节在一个步行周期的1％至60％的期间的角度的平均值和一个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，将一个膝关节在一个步行周期的1％至60％的期间的角度的平均值和一个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被决定为跌倒风险判断部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第一期间的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角度的时间序列数据。第一期间是一个步行周期的1％至60％的期间，第二期间是一个步行周期的61％至100％的期间。步行参数检测部112检测一个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和一个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。另外，步行参数检测部112计算出一个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和一个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和脚踝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作为输入值，将试验对象是否有跌倒风险作为输出值而生成的预测模型。存储器12预先存储将一个膝关节在一个步行周期的1％至60％的期间的角度的平均值和一个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输入值，将试验对象是否有跌倒风险作为输出值而生成的预测模型。

跌倒风险判断部113利用膝关节的角度的时间序列数据的平均值和脚踝关节的角度的时间序列数据的平均值来判断试验对象有无跌倒风险。

跌倒风险判断部113利用一个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和一个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有无跌倒风险。跌倒风险判断部113，通过将一个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和一个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有跌倒风险的判断结果。

如上所述，分别单独地利用膝关节的角度和脚踝关节的角度而创建的预测模型的AUC值为0.542和0.595，而利用膝关节的角度和脚踝关节的角度而创建的预测模型的AUC值为0.628。因此，与分别单独地利用膝关节的角度以及脚踝关节的角度而创建的预测模型相比，利用膝关节的角度以及脚踝关节的角度而创建的预测模型可以高精度地判断有无跌倒风险。

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腰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、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、脚踝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。

在本实施方式的第十一变形例，与上述的实验相同，检测多个试验对象各自的腰部在垂直方向的位移的时间序列数据、多个试验对象各自的一个膝关节的角度的时间序列数据、多个试验对象各自的脚踝关节的角度的时间序列数据。而且，在实验中，将标准化的一个步行周期分割为十个区间，针对每个试验对象计算出腰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、一个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个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。然后，创建将试验对象是否有跌倒风险作为目的变量，将腰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个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以及一个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作为说明变量的多个预测模型。通过交叉验证评估多个预测模型。作为交叉验证，采用了leave－one－out交叉验证。然后，计算出多个预测模型各自的ROC曲线。并且，计算出多个预测模型各自的ROC曲线的AUC值，选择AUC值为最高的预测模型。

在本实施方式的第十一变形例，将腰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、一个膝关节在一个步行周期的1％至60％的期间的角度的平均值、一个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的AUC值为最高。

图24是表示从利用了本实施方式的第十一变形例的预测模型判断有无跌倒风险的结果得到的ROC曲线的示意图。

本实施方式的第十一变形例的预测模型，将试验对象是否有跌倒风险作为目的变量，将腰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、一个膝关节在一个步行周期的1％至60％的期间的角度的平均值、一个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。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有跌倒风险的试验对象正确地判断为有跌倒风险的比例，假阳性率表示预测模型将没有跌倒风险的试验对象错误地判断为有跌倒风险的比例。

图24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，该预测模型将腰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、一个膝关节在一个步行周期的1％至60％的期间的角度的平均值、一个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。图24所示的ROC曲线的AUC值为0.691。在这种情况下，腰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、一个膝关节在一个步行周期的1％至60％的期间的角度的平均值、一个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，将腰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、一个膝关节在一个步行周期的1％至60％的期间的角度的平均值、一个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被决定为跌倒风险判断部113所使用的预测模型。

步行参数检测部112检测腰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、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、脚踝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。第一期间是一个步行周期的1％至60％的期间，第二期间是一个步行周期的1％至60％的期间，第三期间是一个步行周期的61％至100％的期间。步行参数检测部112检测腰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、一个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、一个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计算出腰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、一个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、一个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预先存储将腰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、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、脚踝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作为输入值，将试验对象是否有跌倒风险作为输出值而生成的预测模型。存储器12预先存储将腰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、一个膝关节在一个步行周期的1％至60％的期间的角度的平均值、一个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输入值，将试验对象是否有跌倒风险作为输出值而生成的预测模型。

跌倒风险判断部113利用腰部在垂直方向的位移的时间序列数据的平均值、膝关节的角度的时间序列数据的平均值、脚踝关节的角度的时间序列数据的平均值来判断试验对象有无跌倒风险。

跌倒风险判断部113利用腰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、一个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、一个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有无跌倒风险。跌倒风险判断部113，通过将腰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、一个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、一个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有跌倒风险的判断结果。

如上所述，分别单独地利用膝关节的角度和脚踝关节的角度而创建的预测模型的AUC值为0.542和0.595，而利用腰部在垂直方向的位移、脚踝关节的角度以及膝关节的角度而创建的预测模型的AUC值为0.691。因此，与分别单独地利用膝关节的角度以及脚踝关节的角度而创建的预测模型相比，利用腰部在垂直方向的位移、膝关节的角度以及脚踝关节的角度而创建的预测模型可以高精度地判断有无跌倒风险。

图25是表示在本实施方式显示的评价结果画面的一个例子的示意图。

显示部3显示图25所示的评价结果画面。评估结果画面包含表示过去的跌倒风险的评估值和此次的跌倒风险的评估值的跌倒风险评估提示区域31和评估留言32。在图25的跌倒风险评估提示区域31显示:一个月进行一次跌倒风险的评估、过去六个月的跌倒风险的评估值和本月的跌倒风险的评估值。

跌倒风险的评估值是表示通过预测模型计算出的跌倒风险的程度的值。表示跌倒风险的程度的值例如用0.0至1.0来表示。评估结果提示部114将表示跌倒风险的程度的值换算为百分比作为跌倒风险的评估值来提示。

另外，在显示本次的跌倒风险的评估值的同时又显示过去的跌倒风险的评估值的情况下，跌倒风险判断部113将跌倒风险的评估值存储到存储器12。

而且，跌倒风险评估提示区域31也可以显示试验对象是否有跌倒风险作为评估结果。

而且，还可以显示这样的评估留言32，即“跌倒风险比上个月有所下降，维持了良好的状态，请保持这种方式生活”。评估结果提示部114，在本月的跌倒风险的评估值低于上个月的跌倒风险的评估值，并且，本月的跌倒风险的评估值低于0.5的情况下，从存储器12读出图25所示的评估留言32并将其输出到显示部3。

另外，在本实施方式，即显示了本次的跌倒风险的评估值又显示了过去的跌倒风险的评估值，但是，本发明并不局限于此，也可以仅显示本次的跌倒风险的评估值。在这种情况下，跌倒风险判断部113不需将跌倒风险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，光学式动作捕捉系统，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、膝关节的角度或腰部在垂直方向的位移，根据提取出的角度或位移检测步行动作的特征量。

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记录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跌倒风险，作为基于试验对象的步行动作评估跌倒风险的技术有其实用价值。