JP7322985B2 - Exercise support device, exercise support method and program - Google Patents
Exercise support device, exercise support method and program Download PDFInfo
- Publication number
- JP7322985B2 JP7322985B2 JP2022005662A JP2022005662A JP7322985B2 JP 7322985 B2 JP7322985 B2 JP 7322985B2 JP 2022005662 A JP2022005662 A JP 2022005662A JP 2022005662 A JP2022005662 A JP 2022005662A JP 7322985 B2 JP7322985 B2 JP 7322985B2
- Authority
- JP
- Japan
- Prior art keywords
- arm swing
- data
- trajectory data
- exercise support
- trajectory
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Description
本発明は、運動支援装置、運動支援方法及びプログラムに関する。 The present invention relates to an exercise support device, an exercise support method, and a program.
ランニングやウォーキングにおいて、腕の振り方は重要である。しかし、どのような腕の振り方をしているのか、自分自身では意識しないと認識することが難しい。特に、疲労時には、腕の振り方まで意識することは難しい。そこで、例えば、特許文献１には、検出したユーザの腕振りピークに基づいてユーザが踏んだステップ量を推定し、エネルギー消費値を算出する技術が開示されている。
In running and walking, how to swing the arm is important. However, it is difficult to recognize how the arm is being swung unless one is conscious of it. In particular, when fatigued, it is difficult to be conscious of how to swing the arm. Therefore, for example,
しかしながら、特許文献１に記載された技術では、ユーザの腕の振り方がどのような特徴を持つものなのか、すなわち、ユーザの腕振りタイプを分類することができないという課題がある。
However, with the technique described in
本発明は、上記の課題を解決するためにされたものであり、ユーザの腕振りタイプを分類することができる運動支援装置、運動支援方法及びプログラムを提供することを目的とする。 The present invention has been made to solve the above problems, and an object of the present invention is to provide an exercise assistance device, an exercise assistance method, and a program capable of classifying the user's arm swing type.
上記課題を解決するため、本発明に係る運動支援装置は、
外部機器からシミュレーションモデルまたは所定の人物の腕振り軌跡データ群を取得し、
取得された前記腕振り軌跡データ群における腕振り１回転分の複数の軌跡データのそれぞれの始点と終点の位置を固定し、その間を予め定められたサンプル数でリサンプリングし、
リサンプリングされた前記腕振り軌跡データ群における複数の前記軌跡データの始点から終点までの各点のうち、対応する点同士で距離が最小になるように重ね合わせてプロクラステス距離を夫々求め、これらプロクラステス距離から距離行列を生成し、
前記距離行列に含まれる各行の値に基づいて各行ごとに特徴量ベクトルを算出し、前記特徴量ベクトルを、ある数のクラスタに分類したクラスタリングデータを生成する制御部を備えることを特徴とする。
In order to solve the above problems, the exercise support device according to the present invention includes:
Acquire a simulation model or a group of arm swing trajectory data of a predetermined person from an external device,
fixing the positions of the start point and the end point of each of a plurality of trajectory data for one rotation of the arm swing in the acquired arm swing trajectory data group, and resampling the interval with a predetermined number of samples;
Obtaining Procrustes distances by superimposing corresponding points from the start point to the end point of the plurality of trajectory data in the resampled arm swing trajectory data group so that the distance between corresponding points is minimized, Generate a distance matrix from these Procrustes distances,
A control unit is provided that calculates a feature amount vector for each row based on the value of each row included in the distance matrix, and generates clustering data in which the feature amount vectors are classified into a certain number of clusters.
本発明によれば、ユーザの腕振りタイプを分類することができる。 According to the present invention, a user's arm swing type can be classified.
以下、本発明の実施形態について、図面を参照しながら詳細に説明する。なお、図中同一または相当部分には同一符号を付す。 BEST MODE FOR CARRYING OUT THE INVENTION Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings. The same reference numerals are given to the same or corresponding parts in the drawings.
本発明の実施の形態に係る運動支援装置２は、端末１で複数人の被験者から取得した腕振り軌跡データ群をクラスタリングしてクラスタリングデータを生成することと、端末１で新たに取得したユーザの腕振り軌跡データと生成したクラスタリングデータとを比較して求めた類似するクラスタに基づいて、腕振りタイプを判定することができる装置である。
The
図１に示すのは、端末１を腕に装着したユーザである。端末１は、加速度センサ、ジャイロセンサ、地磁気センサ等を含み、ユーザの腕振り軌跡データを取得することができる機器である。ユーザの腕振り軌跡データは、腕振り１回転分の軌跡データである。腕振り１回転分の軌跡データは、例えば、腕を後ろで切り返して前に動かし、前で切り返して後ろに戻るまでのデータである。なお、腕を前から後ろに動かし、後ろで切り返して前に戻るまでのデータとしてもよい。端末１では、加速度センサ、ジャイロセンサ、地磁気センサ等で測定したデータを予め定められた一定期間毎に取得し、腕振り１回転分の軌跡データを取得する。この腕振り１回転分の軌跡データを、複数回転分取得したデータを、以下では、腕振り軌跡データ群Ａとする。腕振り軌跡データ群Ａは、ｘｙｚの３次元点群であり、例えば、以下の式（１）で表すことができる。なお、ｎ、ｍ、ｋは３以上の整数とする。
Shown in FIG. 1 is a user wearing a
端末１で生成された腕振り軌跡データ群Ａは、図２に示すように、端末１から運動支援装置２に送信される。運動支援装置２は、端末１から取得した腕振り軌跡データ群Ａを形状毎にクラスタリングし、クラスタリングデータを生成する。また、運動支援装置２は、端末１から新たに取得した腕振り軌跡データ群Ａと、生成したクラスタリングデータとを比較し、類似するクラスタを求める。運動支援装置２は、求めたクラスタに基づいて、ユーザの腕振りタイプを判定する。なお、端末１と運動支援装置２とを合わせて、以下では運動支援システム１００と称する。
The arm swing trajectory data group A generated by the
運動支援装置２は、図３に示すように、各種データを表示する表示部２１と、ユーザの指示を入力する入力操作部２２と、各種データ、プログラムを記憶する記憶部２３と、制御部２４とを備えている。表示部２１は、制御部２４からの指示に基づいて各種データを表示する。入力操作部２２は、ユーザからの入力を受け付ける入力部である。記憶部２３は、腕振り軌跡データ群Ａを形状毎に分類した結果であるクラスタリングデータ２３１、各種プログラム、プログラムで用いるデータ等を記憶する。
As shown in FIG. 3, the
制御部２４は、端末１からデータを取得する軌跡データ取得部２４１と、取得したデータをリサンプリングするデータリサンプリング部２４２と、リサンプリングされたデータから距離行列を生成する距離行列生成部２４３と、距離行列に含まれる値をクラスタリングするクラスタリング部２４４と、新たに取得したユーザの腕振りタイプを判定する判定部２４５とを備える。
The
軌跡データ取得部２４１は、端末１から腕振り軌跡データ群Ａを取得する。データリサンプリング部２４２は、取得した腕振り軌跡データ群Ａの各データ群の始点と終点の位置を固定し、その間を予め定められたサンプル数でリサンプリングする。腕振り１回転にかかる時間はそれぞれ異なるため、データのサンプル数も異なる。そのため、予め定められたサンプル数でリサンプリングすることにより、腕振り１回転分全ての軌跡のサンプル数を揃える。リサンプリングした腕振りデータ群を、以下では腕振り軌跡データ群Ｂと称する。例えば、サンプル数を５０としてリサンプリングした場合、腕振り軌跡データ群Ａの各データ群における腕振り軌跡データ群Ｂは、以下の式（２）に示す腕振り軌跡データ群Ｂ１～ＢＮで表すことができる。なお、Ｎは、２以上の整数とする。
The trajectory
距離行列生成部２４３は、式（２）に示した腕振り軌跡データ群Ｂ１～ＢＮから、距離行列Ｃを生成する。腕振り軌跡データ群Ａの各データ群を、全て同サンプル数に揃えることにより、各軌跡同士の始点から終点まで各点の対応をとることができる。点同士の対応がとれた２つの点群に対して、並進・回転・一様なスケーリングの変換をし、２点群間の二乗誤差が最小、すなわち、２点群間の距離が最小になるように重ねあわせる。これにより、その２点群のプロクラステス距離を求めることができる。プロクラステス距離は、スカラー値である。そこで、腕振り軌跡データ群Ｂ１～ＢＮそれぞれからプロクラステス距離を求める。求めたプロクラステス距離を１つの行列にまとめた行列が、距離行列Ｃである。ここで、例えば、腕振り軌跡データ群Ｂ１～Ｂ１００の１００個の腕振り軌跡データがある場合、行列は１００×１００のマトリックスとなる。この場合の距離行列Ｃは、例えば、以下の式（３）で表すことができる。 Distance matrix generator 243 generates distance matrix C from arm swing trajectory data groups B1 to BN shown in equation (2). By arranging all the data groups of the arm swing trajectory data group A to have the same number of samples, it is possible to obtain the correspondence of each point from the start point to the end point of each trajectory. Translation, rotation, and uniform scaling are applied to two point groups that correspond to each other, and the squared error between the two point groups is minimized, that is, the distance between the two point groups is minimized. Overlap like this. Thus, the Procrustes distance between the two point groups can be obtained. The Procrustes distance is a scalar value. Therefore, the Procrustes distance is obtained from each of the arm swing locus data groups B1 to BN. A distance matrix C is a matrix in which the obtained Procrustes distances are combined into one matrix. Here, for example, when there are 100 pieces of arm swing locus data in the arm swing locus data groups B1 to B100, the matrix becomes a 100×100 matrix. The distance matrix C in this case can be represented by the following equation (3), for example.
クラスタリング部２４４は、生成された距離行列Ｃに含まれる値を、任意のクラスタ数Ｄに分類する。クラスタリングの手法には、例えば、教師なしクラスタリングの手法としてｋ－ｍｅａｎｓ、ｋ－ｍｅｄｏｉｄｓ等がある。ｋ－ｍｅａｎｓは、クラスタリングの度に各クラスタ内の中点を求める手法である。また、ｋ－ｍｅｄｏｉｄｓは、各クラスタ内で、クラスタ内の自分以外のデータとの距離合計が最も近いデータをセントロイド（中心）として選ぶ手法である。本実施の形態では、例えば、ｋ－ｍｅｄｏｉｄｓを用いて、距離行列Ｃに含まれる値を任意のクラスタ数Ｄ個のクラスタに分類するものとする。
The
クラスタリング部２４４は、分類したＤ個のクラスタそれぞれに対して、ｘｙｚの各方面からみた代表軌跡の形状を、自動または手動により判定し意味付けする。この意味付けは、ｘｙｚの各方面からみた代表軌跡の形状、特徴から連想される型の名称を付けるものである。型の名称は、例えば、回転系、８の字型、Ｌ字型等である。意味付けは、運動支援装置２により、記憶部２３に記憶されたｘｙｚの各方面からみた形状と予め定められた型の名称とに基づいて、自動で付与される。または、ユーザが、表示部２１に表示されたｘｙｚの各方面からみた代表軌跡を見て、その形状、特徴から連想される型の名称を入力操作部２２から入力するようにしてもよい。クラスタリング部２４４は、意味づけされたＤ個のクラスタを、クラスタリングデータ２３１として記憶部２３に記憶させる。
The
判定部２４５は、端末１から軌跡データ取得部２４１を介して、新たに取得した一回転分の腕振り軌跡データＥと、記憶部２３に記憶されたクラスタリングデータ２３１とを比較し、腕振りのタイプを判定する。判定部２４５は、判定結果を表示部２１に表示させる。具体的には、判定部２４５は、端末１から軌跡データ取得部２４１を介して、新たに取得した腕振り軌跡データ群のうち一回転分の腕振り軌跡データＥを取得する。続いて、判定部２４５は、記憶部２３に記憶されたクラスタリングデータ２３１からＤ個のクラスタを取得する。判定部２４５は、一回転分の腕振り軌跡データＥとＤ個のクラスタとのプロクラステス距離を求め、一番プロクラステス距離の近いクラスタ、すなわち、類似するクラスタを求める。判定部２４５は、求めた一番プロクラステス距離の近いクラスタの名称を、表示部２１に表示させる。表示部２１に表示されたクラスタの名称が、腕振りのタイプの名称である。
The
ここで、クラスタリング部２４４で求められるＤ個のクラスタと、各クラスタへの意味づけの例を図４から図６に示す。図４から図６における（ａ）は、進行方向左に動いた腕をユーザの真左からみた場合の代表軌跡である。また、図４から図６における（ｂ）は、進行方向前に動いた腕をユーザの正面からみた場合の代表軌跡である。図４から図６における（ｃ）は、進行方向左に動いた腕をユーザの真上からみた場合の代表軌跡である。図４から図６における（ｄ）は、進行方向後ろに動いた腕を、ユーザの真後ろからみた場合の代表軌跡である。各代表軌跡は、ｘｙｚの各方面からみた形状を示している。なお、図４から図６における（ｄ）の破線は、（ａ）～（ｃ）に示した各代表軌跡に含まれる成分以外の成分を示している。
4 to 6 show examples of D clusters obtained by the
図４（ａ）～（ｃ）に示す各代表軌跡は、始点と終点とが重なる輪の形状をしている。また、図４（ｄ）に示す代表軌跡は、実線の部分だけではなく破線の部分を含めて考えると、始点と終点とが重なる輪の形状をしている。このように輪の形状をしている軌跡については、腕が輪の形に動く、すなわち回転しているものと考えられる。このため、例えば、回転系と名付けるものとする。このため、ここでは、図４（ａ）～（ｄ）に示す各代表軌跡を、回転系と名付けるものとする。 Each representative trajectory shown in FIGS. 4A to 4C has a ring shape in which the starting point and the end point overlap. Also, the representative trajectory shown in FIG. 4(d) has a ring shape in which the start point and the end point overlap when considering not only the solid line portion but also the broken line portion. For such a loop-shaped trajectory, it is considered that the arm moves in a loop, that is, rotates. For this reason, it is named, for example, a rotating system. For this reason, here, each representative trajectory shown in FIGS. 4(a) to 4(d) is named a rotation system.
図５（ａ）に示す代表軌跡は、アルファベットのＬ字の形状に似ている。このため、ここでは、Ｌ字型と名付けるものとする。また、図５（ｂ）に示す代表軌跡は、軌跡同士が交差しており８の字の形状に似ている。また、図５（ｄ）に示す代表軌跡は、実線の部分だけではなく破線の部分を含めて考えると、軌跡同士が交差しており８の字の形状に似ている。このため、図５（ｂ）、（ｄ）に示す代表軌跡は、ここでは、８の字型と名付けるものとする。図５（ｃ）に示す代表軌跡は、始点と終点とが概ね重なる輪の形状をしている。このため、ここでは、図５（ｃ）に示す各代表軌跡を、回転系と名付けるものとする。 The representative trajectory shown in FIG. 5(a) resembles the letter L of the alphabet. For this reason, it is named as an L shape here. Further, the representative trajectories shown in FIG. 5(b) intersect with each other and resemble a figure of eight. In addition, the representative trajectories shown in FIG. 5(d), including not only the solid line portion but also the dashed line portion, intersect with each other and resemble a figure of eight. For this reason, the representative trajectories shown in FIGS. 5(b) and 5(d) are here named "8-shaped". The representative trajectory shown in FIG. 5(c) has a ring shape in which the starting point and the end point are generally overlapped. For this reason, each representative trajectory shown in FIG. 5(c) is named a rotation system here.
図６（ａ）に示す代表軌跡は、アルファベットのＬ字の形状に似ている。このため、ここでは、Ｌ字型と名付けるものとする。図６（ｂ）に示す代表軌跡は、始点から終点までの軌跡がシャープな動きをした形状である。また、図６（ｄ）に示す代表軌跡は、線の部分だけではなく破線の部分を含めて考えると、始点から終点までの軌跡が、シャープな動きをした形状である。このため、図６（ｂ）、（ｄ）に示す代表軌跡は、ここでは、シャープな動きと名付けるものとする。図６（ｃ）に示す代表軌跡は、始点から終点までの軌跡が、２本とも直線に近い形状をしている。このため、ここでは直線形と名付ける。 The representative trajectory shown in FIG. 6(a) resembles the letter L of the alphabet. For this reason, it is named as an L shape here. The representative trajectory shown in FIG. 6B has a shape in which the trajectory from the start point to the end point moves sharply. Also, the representative trajectory shown in FIG. 6(d) has a shape in which the trajectory from the start point to the end point moves sharply when considering not only the line portion but also the broken line portion. For this reason, the representative trajectories shown in FIGS. 6(b) and 6(d) are here named as sharp movements. In the representative trajectories shown in FIG. 6(c), the two trajectories from the starting point to the end point are nearly straight lines. For this reason, it is named linear here.
図３に示したクラスタリング部２４４は、求めたＤ個のクラスタのうち、クラスタに所属するデータ数が多い順に予め定められたクラスタ数、例えば、６つに意味づけを行う。また、図３に示した制御部２４において実行される軌跡データ取得部２４１と、データリサンプリング部２４２と、距離行列生成部２４３と、クラスタリング部２４４と、判定部２４５とは、記憶部２３に記憶されたプログラムを実行することにより実現される機能である。このプログラムを実行するための運動支援装置２のハードウエア構成の一例について、図７を参照しつつ、以下に説明する。
The
運動支援装置２は、例えば、サーバ装置や、パーソナルコンピュータ等の電子機器により実現され、各種プログラム、各種データを記憶する記憶部２３と、各種プログラムを読み込むメモリ２０２と、メモリ２０２に読み込まれた各種プログラムを実行するプロセッサ２０３と、を含む制御部２４と、ユーザからの入力を受け付ける入力操作部２２と、各種データを表示する表示部２１と、表示部２１に表示させる表示用データを生成し出力する表示用処理部２０６と、端末１を接続可能なＩ／Ｏポート２０７と、内部バス２０８とを備えている。記憶部２３と、メモリ２０２と、プロセッサ２０３と、入力操作部２２と、表示部２１と、表示用処理部２０６と、Ｉ／Ｏポート２０７とは、内部バス２０８により相互に接続されている。
The
記憶部２３は、運動支援装置２で実行される各種機能を実現するための各種プログラム、図３に示したクラスタリングデータ２３１を含む各種データ等が保存された記憶部である。記憶部２３は、例えば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、記憶素子等により構成することができる。メモリ２０２は、記憶部２３から取得した各種プログラムを読み込み展開することができる記憶素子である。メモリ２０２は、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）から構成することができる。
The
プロセッサ２０３は、メモリ２０２に読み込まれた各種プログラムを実行する。プロセッサ２０３は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＭＰＵ（Ｍｉｃｒｏ－ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等の各種制御用素子により構成することができる。図３に示した制御部２４において実行される軌跡データ取得部２４１と、データリサンプリング部２４２と、距離行列生成部２４３と、クラスタリング部２４４と、判定部２４５とは、記憶部２３に記憶されたプログラムを、プロセッサ２０３が実行することにより実現される。入力操作部２２は、ユーザから指示、各種文字列等の入力を受け付ける入力部である。入力装置２０４は、例えば、キーボード、キーボタン、タブレット、デジタイザ等により構成することができる。
The
表示部２１は、各種データを表示する表示部である。表示部２１は、例えば、有機ＥＬ（Ｅｌｅｃｔｒｏ－Ｌｕｍｉｎｅｓｃｅｎｃｅ）ディスプレイ、ＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）、ＭＩＰ（Ｍａｘｉｍｕｍ Ｉｎｔｅｎｓｉｔｙ Ｐｒｏｊｅｃｔｉｏｎ）表示可能な表示パネル等により構成することができる。表示用処理部２０６は、表示部２１に各種表示用データを生成し出力する処理部である。表示用処理部２０６は、例えば、ビデオカード、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、グラフィックボード等の映像信号出力装置を用いて構成することができる。Ｉ／Ｏポート２０７は、端末１を接続することができる接続用ポートである。Ｉ／Ｏポート２０７は、例えば、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）ポート、ＩＥＥＥ１３９４ポート等、機器を接続可能な各種ポートを用いて構成することができる。
The
続いて、運動支援装置２で実行される軌跡クラスタリング処理と、軌跡タイプ判定処理について説明する。軌跡クラスタリング処理は、端末１から取得したユーザの腕振り軌跡データ群をクラスタリングし、Ｄ個のクラスタを生成する処理である。また、軌跡タイプ判定処理は、端末１から新たに取得したユーザの１回転分の腕振り軌跡データと、軌跡クラスタリング処理で生成したクラスタとを比較し、ユーザの腕振りタイプを判定する処理である。
Next, the trajectory clustering process and the trajectory type determination process executed by the
軌跡クラスタリング処理は、軌跡クラスタリング処理プログラムとして図７に示した記憶部２３に記憶されている。運動支援装置２では、例えば、表示部２１の画面上に表示されたアイコン、メニュー等をユーザが選択するといったユーザからの指示により、軌跡クラスタリング処理プログラムをメモリ２０２に読み出す。メモリ２０２に読み出された軌跡クラスタリング処理プログラムを、プロセッサ２０３が実行する。軌跡クラスタリング処理について、図８に示したフローチャートを参照しつつ、以下に説明する。
The trajectory clustering process is stored in the
図３に示した運動支援装置２の軌跡データ取得部２４１は、端末１から複数回分のユーザの腕振り軌跡データである、腕振り軌跡データ群を取得する（ステップＳ１０）。腕振り軌跡データ群を、例えば、上述の式（１）に示した腕振り軌跡データ群Ａとする。運動支援装置２のデータリサンプリング部２４２は、腕振り軌跡データ群Ａの各軌跡データ群を、予め定められたサンプル数でリサンプリングする（ステップＳ１１）。例えば、サンプル数を５０としてリサンプリングした場合、腕振り軌跡データ群Ａの各データ群における腕振り軌跡データ群Ｂは、上述の式（２）に示す腕振り軌跡データ群Ｂ１～ＢＮで表すことができる。
The trajectory
続いて、図３に示した運動支援装置２の距離行列生成部２４３は、腕振り軌跡データ群Ｂから距離行列を生成する（ステップＳ１２）。例えば、腕振り軌跡データ群Ｂ１～Ｂ１００の１００個の腕振り軌跡データがある場合、行列は１００×１００のマトリックスとなる。この場合の距離行列Ｃは、例えば、上述の式（３）で表すことができる。
Subsequently, the distance matrix generator 243 of the
運動支援装置２のクラスタリング部２４４は、生成された距離行列Ｃに含まれる値を、クラスタリングする（ステップＳ１３）。具体的には、クラスタリング部２４４は、生成された距離行列Ｃに含まれる値を任意のクラスタ数Ｄにクラスタリングする。クラスタリング部２４４は、各クラスタに含まれる代表軌跡の形状、特徴等に基づいて、意味づけを行う（ステップＳ１４）。例えば、図４から図６に示したように、各代表軌跡の形状、特徴等に基づいて、回転系、８の字型、Ｌ字型等の名称を付ける。クラスタリング部２４４は、意味づけされたＤ個のクラスタを、クラスタリングデータ２３１として記憶部２３に記憶させる（ステップＳ１５）。
The
また、軌跡タイプ判定処理は、軌跡タイプ判定処理プログラムとして図７に示した記憶部２３に記憶されている。運動支援装置２では、例えば、表示部２１の画面上に表示されたアイコン、メニュー等をユーザが選択するといったユーザからの指示により、軌跡タイプ判定処理プログラムをメモリ２０２に読み出す。プロセッサ２０３は、メモリ２０２に読み出された軌跡タイプ判定処理プログラムを実行する。軌跡タイプ判定処理について、図９に示したフローチャートを参照しつつ、以下に説明する。
Further, the trajectory type determination processing is stored in the
図３に示した運動支援装置２の判定部２４５は、端末１から軌跡データ取得部２４１を介して新たに取得した腕振り軌跡データ群のうち、一回転分の腕振り軌跡データＥを取得する（ステップＳ２０）。続いて、判定部２４５は、記憶部２３に記憶されたクラスタリングデータ２３１から、意味付けされたＤ個のクラスタを取得する（ステップＳ２１）。
The
判定部２４５は、一回転分の腕振り軌跡データＥとＤ個のクラスタそれぞれとのプロクラステス距離を求める（ステップＳ２２）。判定部２４５は、一番プロクラステス距離の近いクラスタを、腕振りタイプとして判定する（ステップＳ２３）。判定部２４５は、求めた一番プロクラステス距離の近いクラスタの名称を、表示部２１に表示させる（ステップＳ２４）。
The
以上のように、本実施の形態に係る運動支援装置２によれば、取得した複数の被験者の腕振り軌跡データをクラスタリングしてクラスタリングデータを生成することができるため、ユーザの腕振りタイプを分類することができる。
As described above, according to the
また、本実施の形態に係る運動支援装置２において、ユーザの腕振りタイプの一貫性、時間経過による腕振りタイプの変化等から、腕振りの安定性、例えば、ユーザの走行場所の気温変化、ユーザの疲労等による時間経過状態変化を検知してもよい。
In addition, in the
（変形例）
なお、本発明は、上記実施の形態に限定されず、本発明の要旨を逸脱しない部分での種々の修正は勿論可能である。
(Modification)
It should be noted that the present invention is not limited to the above-described embodiments, and various modifications are of course possible without departing from the gist of the present invention.
上記実施の形態では、腕振り軌跡データ群Ａを端末１に含まれる加速度センサ、ジャイロセンサ等で取得されたデータに基づいて、腕振り軌跡データ群Ａを生成するものとした。これに限らず、モーションキャプチャーのマーカー座標のデータからユーザの姿勢推定をして求めた３次元セグメントデータ等に基づいて生成してもよい。なお、端末１、モーションキャプチャーは、特許請求の範囲における外部機器の一例である。
In the above embodiment, the arm swing locus data group A is generated based on the data acquired by the acceleration sensor, gyro sensor, etc. included in the
また、本実施の形態では、クラスタリングデータを、端末１で複数人の被験者から取得した腕振り軌跡データ群から生成した。これに限らず、例えば、シュミレーションモデル、著名な陸上選手等の腕振り軌跡データ群からクラスタリングデータを生成してもよい。
Further, in the present embodiment, clustering data is generated from a group of arm swing trajectory data obtained from a plurality of subjects using the
また、本実施の形態では、運動支援装置２は、端末１で複数人の被験者から取得した腕振り軌跡データ群をクラスタリングしてクラスタリングデータを生成することと、端末１で新たに取得したユーザの腕振り軌跡データと生成したクラスタリングデータとを比較して求めた類似するクラスタに基づいて、腕振りタイプを判定することができる装置として構成した。しかしながら、端末１で複数人の被験者から取得した腕振り軌跡データ群をクラスタリングしてクラスタリングデータを生成するクラスタリングデータ生成装置と、クラスタリングデータ生成装置が生成したクラスタリングデータを記憶しておき、端末１で新たに取得したユーザの腕振り軌跡データと記憶されているクラスタリングデータとを比較して求めた類似するクラスタに基づいて、腕振りタイプを判定することができる腕振りタイプ判定装置と、からなる運動支援システムとして構成してもよい。
Further, in the present embodiment, the
また、本実施の形態における軌跡クラスタリング処理プログラム、軌跡タイプ判定処理プログラムの適用方法は任意である。例えば、軌跡クラスタリング処理プログラム、軌跡タイプ判定処理プログラムを、フレキシブルディスク、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｃ）－ＲＯＭ、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）－ＲＯＭ、メモリカード等のコンピュータ読み取り可能な記憶媒体に格納して適用できる。さらに、表示制御処理プログラムを搬送波に重畳し、インターネットなどの通信媒体を介して適用することもできる。例えば、通信ネットワーク上の掲示板（ＢＢＳ：Ｂｕｌｌｅｔｉｎ Ｂｏａｒｄ Ｓｙｓｔｅｍ）にプログラムを掲示して配信してもよい。そして、表示制御処理プログラムを起動し、ＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）の制御下で、他のアプリケーションプログラムと同様に実行することにより、上記の処理を実行できるように構成してもよい。 Also, any application method may be used for the trajectory clustering processing program and the trajectory type determination processing program in the present embodiment. For example, the trajectory clustering processing program and the trajectory type determination processing program can be stored in a computer-readable storage medium such as a flexible disk, a CD (Compact Disc)-ROM, a DVD (Digital Versatile Disc)-ROM, and a memory card. . Furthermore, the display control processing program can be superimposed on a carrier wave and applied via a communication medium such as the Internet. For example, the program may be posted and distributed on a bulletin board system (BBS) on a communication network. Then, the display control processing program may be activated and executed in the same manner as other application programs under the control of an OS (Operating System) so that the above processing can be executed.
以上、本発明の好ましい実施形態について説明したが、本発明は係る特定の実施形態に限定されるものではなく、本発明には、特許請求の範囲に記載された発明とその均等の範囲とが含まれる。以下に、本願出願の当初の特許請求の範囲に記載された発明を付記する。 Although the preferred embodiments of the present invention have been described above, the present invention is not limited to such specific embodiments, and the present invention includes the invention described in the claims and their equivalents. included. The invention described in the original claims of the present application is appended below.
（付記）
（付記１）
外部機器から複数人の被験者の腕振り軌跡データ群を取得する軌跡データ取得部と、
取得した前記腕振り軌跡データ群を予め定められたサンプル数でリサンプリングするデータリサンプリング部と、
リサンプリングされた前記腕振り軌跡データ群のうち、点同士の対応がとれた２つの点群間の最小の距離に基づいて距離行列を生成する距離行列生成部と、
前記距離行列に含まれる値をある数のクラスタに分類したクラスタリングデータを生成するクラスタリング部と、
を備える、運動支援装置。
(Appendix)
(Appendix 1)
a trajectory data acquisition unit that acquires arm swing trajectory data groups of a plurality of subjects from an external device;
a data resampling unit that resamples the acquired arm swing trajectory data group with a predetermined number of samples;
a distance matrix generation unit that generates a distance matrix based on the minimum distance between two point groups in which the points are matched from the resampled arm swing trajectory data group;
a clustering unit that generates clustering data in which the values included in the distance matrix are classified into a certain number of clusters;
An exercise support device comprising:
（付記２）
前記クラスタリング部は、分類した各クラスタに名称を付ける、
付記１に記載の運動支援装置。
(Appendix 2)
The clustering unit names each classified cluster,
The exercise support device according to
（付記３）
運動支援装置は、前記外部機器から新たに取得したユーザの腕振り軌跡データと、前記クラスタリングデータとを比較し類似するクラスタを求め、求めた前記類似するクラスタに基づいて腕振りタイプを判定する判定部をさらに備える、
付記１または２に記載の運動支援装置。
(Appendix 3)
The exercise support device compares the user's arm swing trajectory data newly acquired from the external device with the clustering data to obtain similar clusters, and determines the arm swing type based on the obtained similar clusters. further comprising a part,
3. The exercise support device according to
（付記４）
表示部をさらに備え、
前記判定部は、判定した前記腕振りタイプを前記表示部に表示させる、
付記３に記載の運動支援装置。
(Appendix 4)
further equipped with a display,
The determination unit causes the display unit to display the determined arm swing type.
The exercise support device according to appendix 3.
（付記５）
入力操作部をさらに備え、
前記クラスタリング部は、前記入力操作部からユーザが入力した名称を各クラスタに付ける、
付記１から４の何れか一つに記載の運動支援装置。
(Appendix 5)
Further equipped with an input operation part,
The clustering unit assigns a name input by the user from the input operation unit to each cluster;
5. The exercise support device according to any one of
（付記６）
前記外部機器は、前記腕振り軌跡データを取得することができる各種センサを備える端末である、
付記１から５の何れか一つに記載の運動支援装置。
(Appendix 6)
The external device is a terminal equipped with various sensors capable of acquiring the arm swing trajectory data,
6. The exercise support device according to any one of
（付記７）
運動支援装置において実行される運動支援方法であって、
複数人の被験者の腕振り軌跡データ群を取得し、
取得した前記腕振り軌跡データ群を予め定められたサンプル数でリサンプリングし、
リサンプリングされた前記腕振り軌跡データ群のうち、点同士の対応がとれた２つの点群間の最小の距離に基づいて距離行列を生成し、
前記距離行列に含まれる値をある数のクラスタに分類したクラスタリングデータを生成する、
運動支援方法。
(Appendix 7)
An exercise support method performed by an exercise support device, comprising:
Acquire arm swing trajectory data groups of multiple subjects,
resampling the acquired arm swing trajectory data group with a predetermined number of samples;
generating a distance matrix based on the minimum distance between two point groups in which the points correspond to each other in the resampled arm swing trajectory data group;
generating clustering data in which the values included in the distance matrix are classified into a certain number of clusters;
Exercise support method.
（付記８）
コンピュータに、
複数人の被験者の腕振り軌跡データ群を取得する処理、
取得した前記腕振り軌跡データ群を予め定められたサンプル数でリサンプリングする処理、
リサンプリングされた前記腕振り軌跡データ群のうち、点同士の対応がとれた２つの点群間の最小の距離に基づいて距離行列を生成する処理、
前記距離行列に含まれる値をある数のクラスタに分類したクラスタリングデータを生成する処理、
を実行させるためのプログラム。
(Appendix 8)
to the computer,
A process of acquiring arm swing trajectory data groups of a plurality of subjects,
a process of resampling the acquired arm swing trajectory data group with a predetermined number of samples;
A process of generating a distance matrix based on the minimum distance between two point groups in which points correspond to each other in the resampled arm swing trajectory data group;
A process of generating clustering data in which the values included in the distance matrix are classified into a certain number of clusters;
program to run the
１…端末、２…運動支援装置、２１…表示部、２２…入力操作部、２３…記憶部、２４…制御部、１００…運動支援システム、２０２…メモリ、２０３…プロセッサ、２０６…表示用処理部、２０７…Ｉ／Ｏポート、２０８…内部バス、２３１…クラスタリングデータ、２４１…軌跡データ取得部、２４２…データリサンプリング部、２４３…距離行列生成部、２４４…クラスタリング部、２４５…判定部
DESCRIPTION OF
Claims (9)
取得された前記腕振り軌跡データ群における腕振り１回転分の複数の軌跡データのそれぞれの始点と終点の位置を固定し、その間を予め定められたサンプル数でリサンプリングし、
リサンプリングされた前記腕振り軌跡データ群における複数の前記軌跡データの始点から終点までの各点のうち、対応する点同士で距離が最小になるように重ね合わせてプロクラステス距離を夫々求め、これらプロクラステス距離から距離行列を生成し、
前記距離行列に含まれる各行の値に基づいて各行ごとに特徴量ベクトルを算出し、前記特徴量ベクトルを、ある数のクラスタに分類したクラスタリングデータを生成する制御部を備えることを特徴とする、運動支援装置。 Acquire a simulation model or a group of arm swing trajectory data of a predetermined person from an external device,
fixing the positions of the start point and the end point of each of a plurality of trajectory data for one rotation of the arm swing in the acquired arm swing trajectory data group, and resampling the interval with a predetermined number of samples;
Obtaining Procrustes distances by superimposing corresponding points from the start point to the end point of the plurality of trajectory data in the resampled arm swing trajectory data group so that the distance between corresponding points is minimized, Generate a distance matrix from these Procrustes distances,
A control unit that calculates a feature amount vector for each row based on the value of each row included in the distance matrix, and generates clustering data in which the feature amount vector is classified into a certain number of clusters. Exercise support device.
請求項１に記載の運動支援装置。 The control unit further assigns a name to each classified cluster,
The exercise support device according to claim 1.
請求項１または２に記載の運動支援装置。 The control unit further compares the user's arm swing trajectory data newly acquired from the external device with the clustering data to obtain similar clusters, and determines the arm swing type based on the obtained similar clusters. characterized by
The exercise support device according to claim 1 or 2.
前記制御部は、判定された前記腕振りタイプを前記表示部に表示させることを特徴とする、
請求項３に記載の運動支援装置。 further equipped with a display,
The control unit displays the determined arm swing type on the display unit,
The exercise support device according to claim 3.
請求項３または４に記載の運動支援装置。 The arm swing type indicates a representative shape of the trajectory of the arm swing,
The exercise support device according to claim 3 or 4.
前記制御部は、前記入力操作部からユーザが入力した名称を各クラスタに付けることを特徴とする、
請求項１から５の何れか一項に記載の運動支援装置。 Further equipped with an input operation part,
The control unit is characterized in that the name input by the user from the input operation unit is attached to each cluster,
The exercise support device according to any one of claims 1 to 5.
請求項１から６の何れか一項に記載の運動支援装置。 wherein the external device is a terminal equipped with various sensors for acquiring the arm swing trajectory data,
The exercise support device according to any one of claims 1 to 6.
外部機器からシミュレーションモデルまたは所定の人物の腕振り軌跡データ群を取得する取得ステップと、
前記取得ステップにて取得された前記腕振り軌跡データ群における腕振り１回転分の複数の軌跡データのそれぞれの始点と終点の位置を固定し、その間を予め定められたサンプル数でリサンプリングするリサンプリングステップと、
リサンプリングされた前記腕振り軌跡データ群における複数の前記軌跡データの始点から終点までの各点のうち、対応する点同士で距離が最小になるように重ね合わせてプロクラステス距離を夫々求め、これらプロクラステス距離から距離行列を生成する距離行列生成ステップと、
前記距離行列に含まれる各行の値に基づいて各行ごとに特徴量ベクトルを算出し、前記特徴量ベクトルを、ある数のクラスタに分類したクラスタリングデータを生成するクラスタリングデータ生成ステップと、
を含むことを特徴とする運動支援方法。 An exercise support method performed by an exercise support device, comprising:
an acquisition step of acquiring a simulation model or a group of arm swing trajectory data of a predetermined person from an external device;
In the group of arm swing trajectory data obtained in the obtaining step, positions of the start point and the end point of each of the plurality of trajectory data for one arm swing rotation are fixed, and resampling is performed by a predetermined number of samples between them. a sampling step;
Obtaining Procrustes distances by superimposing corresponding points from the start point to the end point of the plurality of trajectory data in the resampled arm swing trajectory data group so that the distance between corresponding points is minimized, a distance matrix generation step for generating a distance matrix from these Procrustes distances;
a clustering data generation step of calculating a feature vector for each row based on the value of each row included in the distance matrix, and generating clustering data in which the feature vector is classified into a certain number of clusters;
An exercise support method comprising:
外部機器からシミュレーションモデルまたは所定の人物の腕振り軌跡データ群を取得する取得手段、
前記取得手段によって取得された前記腕振り軌跡データ群における腕振り１回転分の複数の軌跡データのそれぞれの始点と終点の位置を固定し、その間を予め定められたサンプル数でリサンプリングするリサンプリング手段、
リサンプリングされた前記腕振り軌跡データ群における複数の前記軌跡データの始点から終点までの各点のうち、対応する点同士で距離が最小になるように重ね合わせてプロクラステス距離を夫々求め、これらプロクラステス距離から距離行列を生成する行列生成手段、
前記距離行列に含まれる各行の値に基づいて各行ごとに特徴量ベクトルを算出し、前記特徴量ベクトルを、ある数のクラスタに分類したクラスタリングデータを生成するデータ生成手段、
として機能させるためのプログラム。 the computer,
Acquisition means for acquiring a simulation model or an arm swing trajectory data group of a predetermined person from an external device;
resampling for fixing the positions of the start and end points of each of the plurality of trajectory data for one arm swing rotation in the group of arm swing trajectory data acquired by the acquisition means, and resampling between them by a predetermined number of samples; means,
Obtaining Procrustes distances by superimposing corresponding points from the start point to the end point of the plurality of trajectory data in the resampled arm swing trajectory data group so that the distance between corresponding points is minimized, matrix generation means for generating a distance matrix from these Procrustes distances;
data generation means for generating clustering data by calculating a feature amount vector for each row based on the value of each row included in the distance matrix , and classifying the feature amount vectors into a certain number of clusters;
A program to function as
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022005662A JP7322985B2 (en) | 2020-03-19 | 2022-01-18 | Exercise support device, exercise support method and program |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020048697A JP7014249B2 (en) | 2020-03-19 | 2020-03-19 | Exercise support equipment, exercise support methods and programs |
| JP2022005662A JP7322985B2 (en) | 2020-03-19 | 2022-01-18 | Exercise support device, exercise support method and program |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020048697A Division JP7014249B2 (en) | 2020-03-19 | 2020-03-19 | Exercise support equipment, exercise support methods and programs |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2022060222A JP2022060222A (en) | 2022-04-14 |
| JP7322985B2 true JP7322985B2 (en) | 2023-08-08 |
Family
ID=87519450
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022005662A Active JP7322985B2 (en) | 2020-03-19 | 2022-01-18 | Exercise support device, exercise support method and program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7322985B2 (en) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013092911A (en) | 2011-10-26 | 2013-05-16 | Sony Corp | Information processing device, information processing method, and program |
| JP2013143996A (en) | 2012-01-13 | 2013-07-25 | Microstone Corp | Movement measuring device |
| JP2016097228A (en) | 2014-11-26 | 2016-05-30 | 株式会社日立システムズ | Behavior classification system, behavior classification device, and behavior classification method |
| JP2017077403A (en) | 2015-10-21 | 2017-04-27 | 国立大学法人 筑波大学 | Evaluation information providing system and evaluation information providing method |
| JP2018075377A (en) | 2017-11-08 | 2018-05-17 | カシオ計算機株式会社 | Exercise device, and arm drop angle detection method and program |
| JP2019170631A (en) | 2018-03-28 | 2019-10-10 | 美津濃株式会社 | Determination program, determination apparatus, algorithm creation apparatus, and determination system |
| JP2019534721A (en) | 2016-08-31 | 2019-12-05 | アップル インコーポレイテッドＡｐｐｌｅ Ｉｎｃ． | Swimming analysis system and method |
| JP2020178779A (en) | 2019-04-23 | 2020-11-05 | カシオ計算機株式会社 | Exercise support device, exercise support method, and exercise support program |
| JP7047990B1 (en) | 2020-07-30 | 2022-04-05 | 株式会社村田製作所 | Behavior state estimation device, behavior state estimation method, behavior state learning device, and behavior state learning method |
-
2022
- 2022-01-18 JP JP2022005662A patent/JP7322985B2/en active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013092911A (en) | 2011-10-26 | 2013-05-16 | Sony Corp | Information processing device, information processing method, and program |
| JP2013143996A (en) | 2012-01-13 | 2013-07-25 | Microstone Corp | Movement measuring device |
| JP2016097228A (en) | 2014-11-26 | 2016-05-30 | 株式会社日立システムズ | Behavior classification system, behavior classification device, and behavior classification method |
| JP2017077403A (en) | 2015-10-21 | 2017-04-27 | 国立大学法人 筑波大学 | Evaluation information providing system and evaluation information providing method |
| JP2019534721A (en) | 2016-08-31 | 2019-12-05 | アップル インコーポレイテッドＡｐｐｌｅ Ｉｎｃ． | Swimming analysis system and method |
| JP2018075377A (en) | 2017-11-08 | 2018-05-17 | カシオ計算機株式会社 | Exercise device, and arm drop angle detection method and program |
| JP2019170631A (en) | 2018-03-28 | 2019-10-10 | 美津濃株式会社 | Determination program, determination apparatus, algorithm creation apparatus, and determination system |
| JP2020178779A (en) | 2019-04-23 | 2020-11-05 | カシオ計算機株式会社 | Exercise support device, exercise support method, and exercise support program |
| JP7047990B1 (en) | 2020-07-30 | 2022-04-05 | 株式会社村田製作所 | Behavior state estimation device, behavior state estimation method, behavior state learning device, and behavior state learning method |
Non-Patent Citations (1)
| Title |
|---|
| 名古屋大学 黒田 昇、 山本 康高、吉川 大弘、古橋 武，プロクラステス分析を基準とするクラスタリング手法の提案，21st Fuzzy System Symposium [online]，日本，2005年09月07日，https://www.jstage.jst.go.jp/article/fss/21/0/21_0_221/_pdf/-char/ja，[検索日：2023年01月25日] |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2022060222A (en) | 2022-04-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108615055B (en) | A similarity calculation method, device and computer-readable storage medium | |
| US8610714B2 (en) | Systems, methods, and computer-readable media for manipulating graphical objects | |
| US12394504B2 (en) | Predicting device, predicting method, predicting program, learning model input data generating device, and learning model input data generating program | |
| CN105359054B (en) | Position and orient the device in space | |
| US20250182526A1 (en) | Apparatus and method for detecting facial pose, image processing system, and storage medium | |
| EP3693923A1 (en) | Recognition program, recognition method, and recognition device | |
| US12340624B2 (en) | Pose prediction for articulated object | |
| CN112418310B (en) | Text style migration model training method and system and image generation method and system | |
| JP7199441B2 (en) | input device | |
| CN107101637A (en) | Digital star chart emulation mode and device | |
| CN116883563B (en) | Method, device, computer equipment and storage medium for rendering annotation points | |
| US20210307492A1 (en) | Smart-mirror display system | |
| JP7322985B2 (en) | Exercise support device, exercise support method and program | |
| CN111640183A (en) | AR data display control method and device | |
| JP7014249B2 (en) | Exercise support equipment, exercise support methods and programs | |
| Arun et al. | Flex sensor dataset: Towards enhancing the performance of sign language detection system | |
| CN111625102A (en) | Building display method and device | |
| CN116301345B (en) | VR equipment control method based on visual brain-computer interface | |
| US20240153189A1 (en) | Image animation | |
| Baldeon et al. | Augmented reality for learning sign language using Kinect tool | |
| JP2022115747A (en) | Content creation system and method | |
| Kuznetsov et al. | Revolutionizing h2m interaction: Telepresence system enabling sign language expansion for individuals with disabilities | |
| Velkoski et al. | Analysis of interactive image technologies | |
| US12423913B2 (en) | Invertible neural skinning | |
| CN114387302B (en) | Method, device and equipment for expressing arc shape of image target object |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220323 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220323 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221221 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230131 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230322 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230627 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230710 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7322985 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |