2021/11/26 に開催された第27回インタラクティブ情報アクセスと可視化マイニング研究会での発表資料

1. 跳躍動作の周波数特性に着目した
スポーツ損傷潜在リスクの推定
○松下光範1 鈴木雄登1 尾崎優1 堀寛史2
1. 関西大学
2. びわこリハビリテーション専門職大学

2. はじめに
COVID-19が運動環境に与えた負の影響
• スポーツ施設等の利用制限
• 長期間の休校措置に伴う，体育・部活の制限
→スポーツへの参加機会の減少
自粛期間後に起こった問題
• 学校再開後のケガが急増
• 体力低下時の運動は危険
スポーツ損傷を起こす危険性が高まっている
​[1] https://www.yarukiswitch.jp/_shared/pdf/20210630_2.pdf
コロナ禍での子どもの運動や
身体を動かす機会や頻度 [1]

3. 理学療法士
• 身体に障害のある人や障害発生が予測される人に対し，
基本動作能力の回復や維持を支援する
リハビリテーションの専門職
• スポーツ理学療法，予防理学療法などの，
スポーツ損傷の予防に取り組んでいる

4. 継続的な検査は難しい
• 理学療法士が検査に使用する機器は
• 高額
• 設置場所に制約がある
（一般人にとっては）継続的に検査を受けることは難しい

5. 本研究の目的
• 個人が日常的に利用可能なスマートフォンで簡便にスポーツ
損傷潜在リスクを評価できるようにする
• 簡便な検査方法で、気軽に測定できる
• リスクの程度を自覚することで自発的な検査につなげる
スポーツ損傷予防のためのスクリーニングに活用したい

6. 先行研究
• Wilkersonらの怪我予測の研究 [Wilkerson:2018]
• NCAA Footballチームの選手45名を対象に調査
• Sports Fitness Index の調査
• 片足スクワットテスト（USFテスト）
• 「SFIスコアが低い」x「USFテスト値が高い」の交互作用と
「試合出場回数」が因子として抽出された
[Wilkerson:2018] Wilkerson, G. B., Gupta, A. and Colston, M. A.: Mitigating sports injury risks
using internet of things and analytics approaches, Risk Analysis, 38(7), 1348–1360, 2018.

7. 先行研究
• 携帯端末を用いた簡易計測によるスポーツ損傷潜在リスクの
評価 [鈴木:2019]
• 簡易計測による跳躍動作の計測を行い、取得したデータからどのよ
うな跳躍傾向を把握できるかについて調査
[鈴木:2019] 鈴木雄登, 松下光範, 堀寛史: 継続的な評価の支援を目的としたスマートフォンによる
跳躍動作の簡易センシング, 情報科学技術フォーラム講演論文集, 18(4), 457–460, 2019.

8. センサデータから何がわかるか（例１）
① マイナス方向の変動が少なく、
衝撃吸収できている
② 着地時のヨー軸の変動から骨盤
水平方向の歪みがある（衝撃吸
収の癖が伺える）
③ 跳躍動作の再現性が高い
→（全体所見）筋力ではなく、柔軟性で衝撃を吸収

9. センサデータから何がわかるか（例２）
① 跳躍動作の再現性が低い
② 幅が狭いので跳躍高が低い
③ 着地時のマイナス方向の振れが
大きく、衝撃吸収できていない
④ 姿勢が大きく崩れている
→（全体所見）着地が不安定で、姿勢が立て直せていない

10. 本研究の目的
• 個人が日常的に利用可能なスマートフォンで簡便にスポーツ
損傷潜在リスクを評価できるようにする
• 簡便な検査方法で、気軽に測定できる
• リスクの程度を自覚することで自発的な検査につなげる

11. 希求条件
1. 特別な機器を使用しないこと
2. 日常的に簡易に行える運動動作を対象にすること
3. 高い運動能力を持つアスリートではなく，中学や高校の部活
動に参加する生徒などを対象にすること
スマートフォンで片足リバウンドジャンプを計測する

12. 対象の跳躍動作
リバウンドジャンプ（RJ）を対象
• 地面との接地時間ができるだけ短くなるように高く跳躍する動作
• 下肢の評価手法の一つ
• 実践の場で多く活用されている
• 跳躍は多くのスポーツに共通する動作
→下半身の怪我を幅広く予防することが可能

13. データセット
対象：19~28歳の男性 44 名
課題：
1. インフォームドコンセント
2. アンケート調査（身長，体重，年齢，ケガ歴，運動歴）
3. 立ち上がりテスト（安全性担保のため）
4. 片足リバウンドジャンプ
モーションセンシング + 動画撮影※
※ 専門家評価用データ

14. データセット
立ち上がりテスト[村永:2001]
• 下肢筋力における各スポーツ動作の安全性を
簡易に測ることが可能
10cm, 20cm, 30cm, 40cm
両足とも20センチをカット基準に
→ 4名を不適格として除外
[村永:2001] 村永信吾: 立ち上がり動作を用いた下肢筋力評価とその臨床応用, 昭和医学会雑誌, 61(3), 362–367, 2001.

15. 評価データの作成
• アンケート結果（年齢，体重，運動歴など）
• 立ち上がりテストの結果
• 正面・側面からボーン付き動画
• 要所での関節ラインの角度
• 要所でのボーン付き静止画
ボーンは OpenPoseを用いて取得
https://github.com/CMU- Perceptual- Computing- Lab/ openpose
理学療法士である第４著者が評価値を作成
• 経験年数が 20 年以上
• Tokyo2020オリンピックのメディカルス
タッフ

16. 評価データの作成
評価項目
• 総合評価（スポーツ損傷潜在リスク）
• 再現性（同じ動作が再現できているか）
• 安定性（身体・重心のバランス）
• 強度（跳躍動作の強さ）
• Trunk-Out [以下，TO]（着地時の体幹が内側）
• Knee-In [以下,KI]（着地時の膝が内側）
0~5の6段階評価
0~1の2段階評価

17. データセット
再現性, 安定性, 強度, 総合評価は0〜5の6段階,
KI，TOは０〜１の2段階評価
RJにおける理学療法士の評価(赤:左足，青:右足）
スコア 再現性 安定性 強度 KI TO 総合評価
0 0/0 0/0 0/0 19/31 30/27 0/0
1 0/0 0/0 1/1 21/9 10/13 0/0
2 5/4 7/6 7/7 6/7
3 16/19 20/14 16/14 19/14
4 17/14 10/18 11/15 11/15
5 2/3 3/2 5/3 4/4

18. 提案手法
① モーションデータの2~4回目を抽出
② フーリエ変換を用いて周波数スペクトルに分解
③ 特異値分解による次元削減
• 次元削減に用いられる手法の一つ
④ K近傍法を用いた推定
• leave-one-out 法を用いて精度評価

19. Step1: モーションデータの整形
2~4回目を抽出

20. Step2: フーリエ変換による周波数スペクトルの取得
フーリエ変換

21. Step3: 特異値分解による次元削減
特異値は時系列データの特徴を表現する
→第一特異値を抽出し，それを特徴値として扱う
ハンケル行列化
D U Σ V
T
左特異ベクトル
（系列データの特徴）
特異値
（重み）

22. K近傍法
距離が近い順に任意のK個を取得し、多数決でデータが属するクラ
スを推定する
学習データとテストデータを分割する手法として，
leave-one-out 法を用いた

23. 既存手法との精度比較
提案手法の左右RJ，既存手法の右RJはk=9，左RJはk=5の時に
推定精度が最も高かった
左足RJ
右足RJ
※比較手法：周波数特性に変換せずに特異値を求めた場合
再現性 安定性 強度 TO KI 総合評価
比較手法 0.350 0.375 0.325 0.525 0.750 0.475
提案手法 0.750
再現性 安定性 強度 TO KI 総合評価
比較手法 0.300 0.425 0.400 0.775 0.725 0.300
提案手法 0.775 0.725

24. 考察
• チャンスレベルより上の結果
• 一定程度の有用性は示せた !?
• 精度はまだ向上の余地あり
• 継続的な使用で、変化を取得することが重要
• なぜ精度がそこまで向上しないのか
• 判定に使う情報の種類が少ない（簡便さとのトレードオフ）
• 跳躍時の撮影動画などがあればより精度向上するはず
• 実験参加者の偏り（安全性担保のための制約）

25. スマホアプリケーション化
アプリケーションを用いて跳躍動作のモーションデータを取得
↓
取得したデータをサーバに送信
↓
分析結果をスマートフォンに表示

26. スマホアプリケーション化

27. 展望
スポーツ損傷潜在リスクの推定について
• 左右の差を考慮した推定
• 複数の理学療法士を含めたデータセットの検討
スマホアプリケーションについて
• 結果の出力方法の検討
• ユーザの所属ごとに記録を確認できる機能

28. まとめ
背景：理学療法士が使用する機器は高額かつ設置場所が限られる
問題点：先行研究は日常的・継続的なリスク推定には適していない
目的：跳躍動作の周波数特性に着目したスポーツ損傷潜在リスクの
推定精度向上
提案手法：フーリエ変換を用いて得た周波数スペクトルを特異値分解
結果：精度は右足 0.521, 左足 0.325 で改善の余地あり