図面 (/)

技術 インタラクティブスキルトレーニングコンテンツの配信への応用を含む、身体的に実行されるスキルの分析を可能にするように構成されるフレームワークおよび方法

出願人 ジーエヌアイピーピーティーワイリミテッド
発明者 リッグ,ダレンダルゼル,ジョン
出願日 2016年5月9日 (4年9ヶ月経過) 出願番号 2018-509949
公開日 2018年7月12日 (2年7ヶ月経過) 公開番号 2018-518334
状態 未査定
技術分野 訓練用具
主要キーワード 後方角度 要素センサ 共通原点 比較セット ピックアップデバイス データバッチ 視覚識別 モニタリングセンサ
関連する未来課題
重要な関連分野

この項目の情報は公開日時点(2018年7月12日)のものです。
また、この項目は機械的に抽出しているため、正しく解析できていない場合があります

図面 (20)

課題・解決手段

本明細書では、身体的に実行されるスキル分析を可能にする、例えば被験者(人、人のグループ、又は場合によっては人のグループ(複数)のような)のトレーニングを可能にするコンピュータ実装技術を利用するシステム及び方法が記載される。概要では、本明細書では、身体的に実行されるスキル(例えば、ゴルフスイングローイングストローク体操動き等)の自動化されたセンサ駆動分析を可能にし、それによって、パフォーマンス属性を決定するために実施される技術が記載される。これらは、パフォーマンスの詳細なモーションベースの態様を含み、これらは、幾つかの実施形態では、エラー識別及びトレーニングの配信を可能にするために使用される。態様は、身体的スキルが人間のエキスパートによって観察され且つ分析される技術に関連し、コンピュータ技術が人間のエキスパートに対応する観察を行うことを可能にするように構成されるセンサデータ処理技術を定義する技術まで関連する。

概要

背景

本明細書を通じての背景技術のあらゆる議論は、そのような技術が広く知られているか或いは当該分野における普通の一般知識の一部を形成することの認容と決して考えられてならない。

人間のアクティビティモニタリングするセンサトレーニングシステムとの間の統合を可能にする様々な技術が開発されている。例えば、これらをスポーツベーストレーニングコンテキストにおいて適用することにより、心拍数ランニングペース、及び移動距離のような、モニタリングされた属性に基づくレポートをユーザに提供する。より複雑なモニタリングセンサ入手可能性は、レポートの豊富さの増加、及び特定のアクティビティへの特化を可能にした。

概要

本明細書では、身体的に実行されるスキル分析を可能にする、例えば被験者(人、人のグループ、又は場合によっては人のグループ(複数)のような)のトレーニングを可能にするコンピュータ実装技術を利用するシステム及び方法が記載される。概要では、本明細書では、身体的に実行されるスキル(例えば、ゴルフスイングローイングストローク体操動き等)の自動化されたセンサ駆動分析を可能にし、それによって、パフォーマンスの属性を決定するために実施される技術が記載される。これらは、パフォーマンスの詳細なモーションベースの態様を含み、これらは、幾つかの実施形態では、エラー識別及びトレーニングの配信を可能にするために使用される。態様は、身体的スキルが人間のエキスパートによって観察され且つ分析される技術に関連し、コンピュータ技術が人間のエキスパートに対応する観察を行うことを可能にするように構成されるセンサデータ処理技術を定義する技術まで関連する。

目的

例えば、これらをスポーツベースのトレーニングのコンテキストにおいて適用することにより、心拍数、ランニングペース、及び移動距離のような、モニタリングされた属性に基づくレポートをユーザに提供する

効果

実績

技術文献被引用数
0件
牽制数
0件

この技術が所属する分野

(分野番号表示ON)※整理標準化データをもとに当社作成

ライセンス契約や譲渡などの可能性がある特許掲載中! 開放特許随時追加・更新中 詳しくはこちら

請求項1

パフォーマンスセンサユニット(PSU)から導出されるデータを介して身体的スキルの身体的パフォーマンスを自動的にモニタリングすることを可能にするように構成される観察可能データ条件ODC)を定める方法であって、前記方法は:前記スキルの複数のサンプルパフォーマンスを表すデータを取り込むステップであって、前記複数のサンプルパフォーマンスは1つ又は複数のサンプルパフォーマによって実行される、ステップと;前記サンプルパフォーマンスを表すデータを、それによって前記スキルに関する1つ又は複数の徴候分析するステップであって、それぞれの前記徴候は、識別可能なパフォーマンス影響要因に対応する、ステップと;それぞれの前記徴候に対して、前記スキルのパフォーマンスに関して前記PSUから導出されるデータの中に観察されるとき、前記パフォーマンスにおける前記徴候の存在を表す前記ODCの関連するセットを決定するステップと;を含む、方法。

請求項2

前記ODCの前記セットはそれぞれ、エンドユーザハードウェアダウンロード可能且つ前記エンドユーザハードウェアによって実装される状態エンジンデータに埋め込まれるように構成され、前記エンドユーザハードウェアは、エンドユーザPSUのセットからPSDを受信し、それによって前記エンドユーザハードウェアを介して前記ODCのセットをモニタすることを可能にするように構成される、請求項1に記載の方法。

請求項3

所与のスキルに関して識別可能な複数の徴候に関連する前記ODCは、それによって、前記複数の徴候の1つ又は複数の存在の自動化された識別を含む、その前記スキルの身体的パフォーマンスの自動化されたモニタリングを可能にするよう、前記エンドユーザハードウェアにダウンロード可能且つ前記エンドユーザハードウェアによって実装される、請求項2に記載の方法。

請求項4

前記PSUは、モーションセンサユニット(MSU)対応衣服によって担持されるモーションセンサユニット(MSU)であり、前記徴候の1つ又は複数は、前記スキルのフェーズの間の所与の人の身体のポイントの3次元動作を表す、請求項1に記載の方法。

請求項5

前記PSUは、モーションセンサユニット(MSU)対応衣服によって担持されるモーションセンサユニット(MSU)であり、前記徴候の1つ又は複数は、前記スキルのフェーズの間の複数の所与の人の身体のポイントの3次元動作を表す、請求項1に記載の方法。

請求項6

前記PSUは、モーションセンサユニット(MSU)対応衣服によって担持されるモーションセンサユニット(MSU)であり、前記スキルの複数のサンプルパフォーマンスを表すデータを取り込むステップは、ビデオデータ並びに、(i)モーションキャプチャデータMCD)及びモーションセンサデータ(MSD)のうちのいずれか又は両方を取り込むステップを含む、請求項1に記載の方法。

請求項7

前記スキルの複数のサンプルパフォーマンスを表すデータを取り込むステップは、前記ビデオデータ、前記MCD、及び前記MSDを取り込むステップを含む、請求項6に記載の方法。

請求項8

前記ビデオデータは、複数の観察角度から取り込まれるビデオデータを含む、請求項6に記載の方法。

請求項9

前記サンプルパフォーマンスを表す前記データを、それによって前記スキルに関する1つ又は複数の徴候に分析するステップは、それによって前記徴候を識別するための前記ビデオデータの人間の視覚分析を含む、請求項6に記載の方法。

請求項10

前記サンプルパフォーマンスを表す前記データを、それによって前記スキルに関する1つ又は複数の徴候に分析するステップは、それによって前記ビデオデータの視覚分析を介して識別される前記徴候を表すデジタル化されたデータを識別するための、MCD及びMSDのいずれか又は両方の分析を含む、請求項9に記載の方法。

請求項11

所与の徴候に対して、前記ODCの関連するセットを決定する前記ステップは、(i)前記ODCの予測されるセットを決定するステップ、(ii)前記所与の徴候を含む全ての前記サンプルパフォーマンスに関するサンプルパフォーマンスデータにおける前記ODCのセットの存在を確認するステップ、(iii)前記所与の徴候を含まない全ての前記サンプルパフォーマンスにおける前記ODCのセットの欠如を確認するステップ、及び(iv)前記(ii)又は前記(iii)の確認が不成功である場合に、予測の前記ODCのセットを修正するステップ、を含む、請求項1に記載の方法。

請求項12

サンプルユーザによる前記スキルの前記複数のサンプルパフォーマンスのそれぞれを表すデータを取り込むステップは、(i)前記パフォーマンスを表すビデオデータの1つ又は複数のセットを取り込むステップ、及び(ii)前記パフォーマンスを表すセンサデータの1つ又は複数のセットを取り込むステップ、を含む、請求項1に記載の方法。

請求項13

前記サンプルパフォーマンスを、それによって少なくとも1つの徴候を視覚的に識別するように分析するステップは、前記ビデオデータのそれぞれのセットに基づいてパフォーマンスを比較するステップを含み、それぞれの識別される徴候に関して、前記ODCの関連するセットを決定するステップは、取り込まれた前記センサデータのセットを分析するステップを含む、請求項12に記載の方法。

請求項14

サンプルユーザによる前記スキルの前記複数のサンプルパフォーマンスのそれぞれを表すデータを取り込むステップは、(i)前記パフォーマンスを表すビデオデータの1つ又は複数のセットを取り込むステップを含み、(ii)前記パフォーマンスを、それによって少なくとも1つの徴候を視覚的に識別するように分析するステップは、前記ビデオデータのそれぞれのセットに基づいてパフォーマンスを比較するステップを含む、請求項1に記載の方法。

請求項15

前記ビデオデータのそれぞれのセットに基づいて前記パフォーマンスを比較するステップは、第1のサンプルパフォーマンスを示すビデオデータのセットが第2のサンプルパフォーマンスを示す対応するビデオデータのセット上にオーバーレイされる重なるビデオデータを、それによって前記第1のサンプルパフォーマンスと前記第2のサンプルパフォーマンスとの間のパフォーマンス動作における差の視覚識別を可能にするように、定めるステップを含む、請求項14に記載の方法。

請求項16

サンプルユーザによる前記スキルの前記複数のサンプルパフォーマンスのそれぞれを表すデータを取り込むステップは、前記パフォーマンスを表すMCD及び/又はMSDを取り込むステップを含み、前記サンプルパフォーマンスをそれによって1つ又は複数の徴候を視覚的に識別するように分析するステップは、第1のサンプルパフォーマンスからのMCD及び/又はMSDの視覚表現と第2のサンプルパフォーマンスからのセンサデータの視覚表現を比較するステップを含む、請求項1に記載の方法。

請求項17

前記MCD及び/又はMSDの前記視覚表現は、3次元仮想ディアニメーションを含む、請求項16に記載の方法。

請求項18

前記第1のサンプルパフォーマンスからのMCD及び/又はMSDの視覚表現を前記第2のサンプルパフォーマンスからのMCD及び/又はMSDの視覚表現と比較するステップは、前記第2のサンプルパフォーマンスからの前記MCD及び/又はMSDの視覚表現に対して前記第1のサンプルパフォーマンスからの前記MCD及び/又はMSDの視覚表現を重ね合わせるステップを含む、請求項17に記載の方法。

請求項19

前記サンプルパフォーマンスをそれによって少なくとも1つの徴候を視覚的に識別するように分析するステップは、(i)1つ又は複数の最適なパフォーマンスを識別するステップ、及び(ii)複数の準最適なパフォーマンスを識別するステップを含む、請求項1に記載の方法。

請求項20

前記(i)1つ又は複数の最適なパフォーマンスを識別するステップ、及び前記(ii)複数の準最適なパフォーマンスを識別するステップは、満たされるとき、前記最適なパフォーマンスを表す客観的な基準を定めるステップを含む、請求項19に記載の方法。

請求項21

前記準最適なパフォーマンスの特性に基づいて前記複数の準最適なパフォーマンスを準最適なパフォーマンスカテゴリのセットに分類するステップを含む、請求項20に記載の方法。

請求項22

前記サンプルパフォーマンスをそれによって少なくとも1つの徴候を視覚的に識別するように分析するステップは、所与の準最適なパフォーマンスカテゴリに属する所与の準最適なパフォーマンスのセットに共通である属性が、前記最適なパフォーマンスに共通な属性と異なる属性であると識別するステップを含む、請求項21に記載の方法。

請求項23

(i)第1のサンプルユーザSU1による前記スキルの複数のサンプルパフォーマンスを表すデータを取り込むステップ、及び(ii)複数のさらなるサンプルユーザSU2乃至SUnのそれぞれから複数のサンプルパフォーマンスを取り込むステップ、を含む、請求項1に記載の方法。

請求項24

前記ユーザSU1乃至SUnの前記パフォーマンスを、それによって(i)前記徴候、及び(ii)前記ODCのいずれか又は両方への身体サイズ特性の影響を識別するように比較するステップを含む、請求項23に記載の方法。

請求項25

前記身体サイズ特性の前記の識別された影響は、前記エンドユーザの身体サイズ特性を説明するために使用される、請求項23に記載の方法。

請求項26

前記ユーザSU1乃至SUnの前記パフォーマンスを、それによって(i)前記徴候、及び(ii)前記ODCのいずれか又は両方への個人的なスタイルの影響を識別するように比較するステップを含む、請求項23に記載の方法。

請求項27

前記個人的なスタイルの前記の識別された影響は、前記ODCから除外される、請求項23に記載の方法。

請求項28

所与のサンプルユーザについての前記個人的なスタイルの前記の識別された影響は、前記サンプルユーザに関連するスタイルに焦点を当てたODCのセットに定められる、請求項23に記載の方法。

請求項29

前記サンプルユーザSU1乃至SUnのそれぞれは、共通の能力レベルである、請求項23に記載の方法。

請求項30

SU1乃至SUnのサブセットの全てに関する収集されたデータに事前に定義された変換のセットを、それによって異なる身体サイズ及び/又は形状の範囲にわたって前記データを変換するよう、適用することによって、複数の仮想サンプルパフォーマンスを表すデータを定めるステップを含む、請求項23に記載の方法。

請求項31

ODCの所与のセットが、それによって既知の身体サイズ及び/又は形状を有するユーザのために前記ODCを変換するように、変換プロトコルと関連付けられる、請求項1に記載の方法。

請求項32

(i)第1の能力レベルの第1のサンプルユーザSU1AL1による前記スキルの複数のサンプルパフォーマンスを表すデータを取り込むステップ、(ii)第1の能力レベルの複数のさらなるサンプルユーザSU2AL1乃至SUnAL1のそれぞれから複数のサンプルパフォーマンスを取り込むステップ、及び複数のさらなるパフォーマンスレベルの複数のさらなるサンプルユーザ(SU1AL2...SUnAL2)乃至(SU1ALm...SU1ALm)のそれぞれから複数のサンプルパフォーマンスを取り込むステップ、を含む、請求項1に記載の方法。

請求項33

前記能力レベルAL1乃至ALmのそれぞれについてのそれぞれの徴候及び関連するODCを定めるステップを含む、請求項32に記載の方法。

請求項34

コンテンツ作成者トレーニングプログラムの機能性を定めることを可能にするステップを含み、前記機能性は、前記スキルの前記エンドユーザのパフォーマンスから導出されるセンサデータにおけるODCの所与の1つ又はセットの識別に応じてトリガされる、請求項1に記載の方法。

請求項35

前記機能性は、前記エンドユーザへのフィードバックの提供を含む、請求項34に記載の方法。

請求項36

前記フィードバックは、複数のフィードバックアイテムから選択される、請求項34に記載の方法。

請求項37

前記の選択されるフィードバックアイテムは、前記フィードバックアイテムをトリガした以前に観察されたデータ条件を示さず、且つ最適なパフォーマンスに関連する又は最適なパフォーマンスをより密接に反映するODCを示す、その後のパフォーマンスにおけるユーザ挙動を促進するように定められる、請求項36に記載の方法。

請求項38

モーションセンサのセットを介してエンドユーザによるスキルの身体的パフォーマンスをモニタするように構成されるデバイスであって、前記モーションセンサのセットは、前記エンドユーザの身体に取り付けられる複数のモーションセンサを含み、前記デバイスは:前記モーションセンサのセットから入力データを受信するように構成される処理ユニットと;前記入力データをそれによって1つ又は複数のODCのセットを識別するよう処理するように構成されるメモリモジュールと;を有し、前記1つ又は複数のODCのセットは:サンプルユーザによる前記スキルの複数のサンプルパフォーマンスを表すデータを取り込むステップと;前記サンプルパフォーマンスを、それによって少なくとも1つの徴候を視覚的に識別するように分析するステップと;前記の識別された徴候のそれぞれのセットに対して、所与のパフォーマンスをモニタする前記モーションセンサのセットから導出されるデータの中に観察されるとき、関連する前記徴候の存在を示すODCの関連するセットを決定するステップと;を含む方法を経て定められ、そのような前記デバイスは、それによって、前記スキルの前記エンドユーザの身体的パフォーマンスにおける前記関連する徴候の存在をモニタすることを可能にするように構成される、デバイス。

請求項39

前記モーションセンサのセットはさらに、前記エンドユーザによって利用される機器に取り付けられる1つ又は複数のモーションセンサを含む、請求項38に記載のデバイス。

請求項40

前記モーションセンサは、ジャイロスコープセンサ加速度計、及び磁力計を含む少なくとも1つのモーションセンサユニットを含む、請求項38に記載のデバイス。

請求項41

前記エンドユーザの身体に取り付けられる前記複数のモーションセンサは、ジャイロスコープセンサ、加速度計、及び磁力計をそれぞれ含む複数のセンサユニットを含む、請求項38に記載のデバイス。

請求項42

前記複数のセンサユニットは、前記エンドユーザによって着用される1つ又は複数のウェアラブル衣服によって担持される、請求項38に記載のデバイス。

請求項43

前記ウェアラブル衣服の1つは、前記複数のモーションセンサのそれぞれに結合される処理ユニットを含み、前記処理ユニットは、前記複数のモーションセンサから受信されるデータを処理するとともに、構成に基づいて、1つ又は複数の定められたODCのセットの存在を識別するように構成される、請求項38に記載のデバイス。

請求項44

サンプルユーザによる前記スキルの前記複数のサンプルパフォーマンスのそれぞれを表すデータを取り込むステップは、(i)前記パフォーマンスを表すビデオデータの1つ又は複数のセットを取り込むステップ、及び(ii)前記パフォーマンスを表すセンサデータの1つ又は複数のセットを取り込むステップ、を含む、請求項38に記載のデバイス。

請求項45

前記サンプルパフォーマンスを、それによって前記少なくとも1つの徴候を視覚的に識別するように分析するステップは、前記パフォーマンスをそれらの前記ビデオデータのそれぞれのセットに基づいて比較するステップを含み、前記の識別された徴候のそれぞれのセットに関して、前記ODCの関連するセットを決定するステップは、前記の取り込まれたセンサデータのセットを分析するステップを含む、請求項44に記載のデバイス。

請求項46

サンプルユーザによる前記スキルの前記複数のサンプルパフォーマンスのそれぞれを表すデータを取り込むステップは、(i)前記パフォーマンスを表すビデオデータの1つ又は複数のセットを取り込むステップを含む、請求項38に記載のデバイス。

請求項47

前記サンプルパフォーマンスを、それによって前記少なくとも1つの徴候を視覚的に識別するように分析するステップは、前記パフォーマンスをそれらの前記ビデオデータのそれぞれのセットに基づいて比較するステップを含む、請求項46に記載のデバイス。

請求項48

前記パフォーマンスをそれらの前記ビデオデータのそれぞれのセットに基づいて比較するステップは、第1のサンプルパフォーマンスを示すビデオデータのセットが第2のサンプルパフォーマンスを示す対応するビデオデータのセット上にオーバーレイされる重なるビデオデータを、それによって前記第1のサンプルパフォーマンスと前記第2のサンプルパフォーマンスとの間のパフォーマンス動作における差の視覚識別を可能にするように、定めるステップを含む、請求項47に記載のデバイス。

請求項49

サンプルユーザによる前記スキルの前記複数のサンプルパフォーマンスのそれぞれを表すデータを取り込むステップは、前記パフォーマンスを表すセンサデータを取り込むステップを含む、請求項38に記載のデバイス。

請求項50

前記サンプルパフォーマンスを、それによって前記少なくとも1つの徴候を視覚的に識別するように分析するステップは、第1のサンプルパフォーマンスからのセンサデータの視覚表現と第2のサンプルパフォーマンスからのセンサデータの視覚表現を比較するステップを含む、請求項49に記載のデバイス。

請求項51

前記センサデータの前記視覚表現は、3次元仮想ボディアニメーションを含む、請求項50に記載のデバイス。

請求項52

前記第1のサンプルパフォーマンスからの前記センサデータの視覚表現と前記第2のサンプルパフォーマンスからの前記センサデータの視覚表現を比較するステップは、前記第2のサンプルパフォーマンスからの前記センサデータの視覚表現に対して前記第1のサンプルパフォーマンスからの前記センサデータの視覚表現を重ね合わせるステップを含む、請求項50に記載のデバイス。

請求項53

前記サンプルパフォーマンスをそれによって前記少なくとも1つの徴候を視覚的に識別するように分析するステップは、(i)1つ又は複数の最適なパフォーマンスを識別するステップ、及び(ii)複数の準最適なパフォーマンスを識別するステップを含む、請求項38に記載のデバイス。

請求項54

前記(i)1つ又は複数の最適なパフォーマンスを識別するステップ、及び前記(ii)複数の準最適なパフォーマンスを識別するステップは、満たされるとき、前記最適なパフォーマンスを表す客観的な基準を定めるステップを含む、請求項53に記載のデバイス。

請求項55

前記方法は、前記準最適なパフォーマンスの特性に基づいて前記複数の準最適なパフォーマンスを準最適なパフォーマンスカテゴリのセットに分類するステップを含む、請求項53に記載のデバイス。

請求項56

前記サンプルパフォーマンスをそれによって前記少なくとも1つの徴候を視覚的に識別するように分析するステップは、所与の準最適なパフォーマンスカテゴリに属する所与の準最適なパフォーマンスのセットに共通である属性が、前記最適なパフォーマンスに共通な属性と異なる属性であると識別するステップを含む、請求項55に記載のデバイス。

請求項57

前記方法は、(i)第1のサンプルユーザSU1による前記スキルの複数のサンプルパフォーマンスを表すデータを取り込むステップ、及び(ii)複数のさらなるサンプルユーザSU2乃至SUnのそれぞれから複数のサンプルパフォーマンスを取り込むステップ、を含む、請求項38に記載のデバイス。

請求項58

前記方法は、前記ユーザSU1乃至SUnの前記パフォーマンスを、それによって(i)前記徴候、及び(ii)前記ODCのいずれか又は両方への身体サイズ特性の影響を識別するように比較するステップを含む、請求項57に記載のデバイス。

請求項59

前記身体サイズ特性の前記の識別された影響は、前記エンドユーザの身体サイズ特性を説明するために使用される、請求項57に記載のデバイス。

請求項60

前記方法は、前記ユーザSU1乃至SUnの前記パフォーマンスを、それによって(i)前記徴候、及び(ii)前記ODCのいずれか又は両方への個人的なスタイルの影響を識別するように比較するステップを含む、請求項57に記載のデバイス。

請求項61

前記個人的なスタイルの前記の識別された影響は、前記ODCから除外される、請求項57に記載のデバイス。

請求項62

所与のサンプルユーザについての前記個人的なスタイルの前記の識別された影響は、前記サンプルユーザに関連するスタイルに焦点を当てたODCのセットに定められる、請求項57に記載のデバイス。

請求項63

前記サンプルユーザSU1乃至SUnのそれぞれは、共通の能力レベルである、請求項57に記載のデバイス。

請求項64

前記方法は、(i)第1の能力レベルの第1のサンプルユーザSU1AL1による前記スキルの複数のサンプルパフォーマンスを表すデータを取り込むステップ、(ii)第1の能力レベルの複数のさらなるサンプルユーザSU2AL1乃至SUnAL1のそれぞれから複数のサンプルパフォーマンスを取り込むステップ、及び複数のさらなるパフォーマンスレベルの複数のさらなるサンプルユーザ(SU1AL2...SUnAL2)乃至(SU1ALm...SU1ALm)のそれぞれから複数のサンプルパフォーマンスを取り込むステップ、を含む、請求項38に記載のデバイス。

請求項65

前記方法は、前記能力レベルAL1乃至ALmのそれぞれについてのそれぞれの徴候及び関連するODCを定めるステップを含む、請求項64に記載のデバイス。

請求項66

前記方法は、コンテンツ作成者がトレーニングプログラムの機能性を定めることを可能にするステップを含み、前記機能性は、前記スキルの前記エンドユーザのパフォーマンスから導出されるセンサデータにおけるODCの所与の1つ又はセットの識別に応じてトリガされる、請求項65に記載のデバイス。

請求項67

前記方法は、前記機能性が前記エンドユーザへのフィードバックの提供を含むことを含む、請求項66に記載のデバイス。

請求項68

前記方法は、前記フィードバックが複数のフィードバックアイテムから選択されることを含む、請求項67に記載のデバイス。

請求項69

前記方法は、所与のフィードバックアイテムが、前記フィードバックアイテムをトリガした以前に観察されたデータ条件を示さず、且つ最適なパフォーマンスに関連する又は最適なパフォーマンスをより密接に反映する前記ODCを示す、その後のパフォーマンスにおけるユーザ挙動を促進するように定められることを含む、請求項38に記載のデバイス。

請求項70

前記エンドユーザの前記モーションセンサのセットから導出される前記データを処理するソフトウェアアプリケーションが状態エンジンを含む、請求項38に記載のデバイス。

請求項71

モーションセンサのセットを介してエンドユーザによるスキルの身体的パフォーマンスのモニタリングを可能にする方法であって、前記モーションセンサのセットは、前記エンドユーザの身体に取り付けられる複数のモーションセンサを含み、前記方法は:サンプルユーザによる前記スキルの複数のサンプルパフォーマンスを表すデータを取り込むステップと;前記サンプルパフォーマンスを、それによってパフォーマンス影響要因の少なくとも1つのセットを視覚的に識別するように分析するステップと;前記の識別されたパフォーマンス影響要因のそれぞれのセットに対して、所与のパフォーマンスをモニタする前記モーションセンサのセットから導出されるデータの中に観察されるとき、前記パフォーマンス影響要因の関連するセットの存在を示す観察可能なデータ条件の関連するセットを決定するステップと;を含み、前記観察可能なデータ条件のセット又は各セットは、前記エンドユーザの前記モーションセンサのセットから導出される前記データを処理するソフトウェアアプリケーションを介して実装されるように構成され、それによって前記エンドユーザの前記スキルの身体的パフォーマンスにおける前記パフォーマンス影響要因の関連するセットの存在をモニタすることを可能にする、方法。

請求項72

前記モーションセンサのセットはさらに、前記エンドユーザによって利用される機器に取り付けられる1つ又は複数のモーションセンサを含む、請求項71に記載の方法。

請求項73

前記モーションセンサは、ジャイロスコープセンサ、加速度計、及び磁力計を含む少なくとも1つのモーションセンサユニットを含む、請求項71に記載の方法。

請求項74

前記エンドユーザの身体に取り付けられる前記複数のモーションセンサは、ジャイロスコープセンサ、加速度計、及び磁力計をそれぞれ含む複数のセンサユニットを含む、請求項71に記載の方法。

請求項75

前記複数のセンサユニットは、前記エンドユーザによって着用される1つ又は複数のウェアラブル衣服によって担持される、請求項74に記載の方法。

請求項76

前記ウェアラブル衣服の1つは、前記複数のモーションセンサのそれぞれに結合される処理ユニットを含み、前記処理ユニットは、前記複数のモーションセンサから受信されるデータを処理するとともに、構成に基づいて、1つ又は複数の定められたODCのセットの存在を識別するように構成される、請求項75に記載の方法。

請求項77

サンプルユーザによる前記スキルの前記複数のサンプルパフォーマンスのそれぞれを表すデータを取り込むステップは、(i)前記パフォーマンスを表すビデオデータの1つ又は複数のセットを取り込むステップ、及び(ii)前記パフォーマンスを表すセンサデータの1つ又は複数のセットを取り込むステップ、を含む、請求項71に記載の方法。

請求項78

前記サンプルパフォーマンスを、それによって前記パフォーマンス影響要因の少なくとも1つのセットを視覚的に識別するように分析するステップは、前記パフォーマンスをそれらの前記ビデオデータのそれぞれのセットに基づいて比較するステップを含み、前記の識別されたパフォーマンス影響要因のそれぞれのセットに関して、前記観察可能なデータ条件の関連するセットを決定するステップは、前記の取り込まれたセンサデータのセットを分析するステップを含む、請求項77に記載の方法。

請求項79

サンプルユーザによる前記スキルの前記複数のサンプルパフォーマンスのそれぞれを表すデータを取り込むステップは、(i)前記パフォーマンスを表すビデオデータの1つ又は複数のセットを取り込むステップを含む、請求項71に記載の方法。

請求項80

前記サンプルパフォーマンスを、それによって前記パフォーマンス影響要因の少なくとも1つのセットを視覚的に識別するように分析するステップは、前記パフォーマンスをそれらの前記ビデオデータのそれぞれのセットに基づいて比較するステップを含む、請求項79に記載の方法。

請求項81

前記パフォーマンスをそれらの前記ビデオデータのそれぞれのセットに基づいて比較するステップは、第1のサンプルパフォーマンスを示すビデオデータのセットが第2のサンプルパフォーマンスを示す対応するビデオデータのセット上にオーバーレイされる重なるビデオデータを、それによって前記第1のサンプルパフォーマンスと前記第2のサンプルパフォーマンスとの間のパフォーマンス動作における差の視覚識別を可能にするように、定めるステップを含む、請求項80に記載の方法。

請求項82

サンプルユーザによる前記スキルの前記複数のサンプルパフォーマンスのそれぞれを表すデータを取り込むステップは、前記パフォーマンスを表すセンサデータを取り込むステップを含む、請求項71に記載の方法。

請求項83

前記サンプルパフォーマンスを、それによって前記パフォーマンス影響要因の少なくとも1つのセットを視覚的に識別するように分析するステップは、第1のサンプルパフォーマンスからのセンサデータの視覚表現と第2のサンプルパフォーマンスからのセンサデータの視覚表現を比較するステップを含む、請求項82に記載の方法。

請求項84

前記センサデータの前記視覚表現は、3次元仮想ボディアニメーションを含む、請求項83に記載の方法。

請求項85

前記第1のサンプルパフォーマンスからの前記センサデータの視覚表現と前記第2のサンプルパフォーマンスからの前記センサデータの視覚表現を比較するステップは、前記第2のサンプルパフォーマンスからの前記センサデータの視覚表現に対して前記第1のサンプルパフォーマンスからの前記センサデータの視覚表現を重ね合わせるステップを含む、請求項83に記載の方法。

請求項86

前記サンプルパフォーマンスをそれによって前記パフォーマンス影響要因の少なくとも1つのセットを視覚的に識別するように分析するステップは、(i)1つ又は複数の最適なパフォーマンスを識別するステップ、及び(ii)複数の準最適なパフォーマンスを識別するステップを含む、請求項71に記載の方法。

請求項87

前記(i)1つ又は複数の最適なパフォーマンスを識別するステップ、及び前記(ii)複数の準最適なパフォーマンスを識別するステップは、満たされるとき、前記最適なパフォーマンスを表す客観的な基準を定めるステップを含む、請求項86に記載の方法。

請求項88

前記準最適なパフォーマンスの特性に基づいて前記複数の準最適なパフォーマンスを準最適なパフォーマンスカテゴリのセットに分類するステップを含む、請求項86に記載の方法。

請求項89

前記サンプルパフォーマンスをそれによって前記パフォーマンス影響要因の少なくとも1つのセットを視覚的に識別するように分析するステップは、所与の準最適なパフォーマンスカテゴリに属する所与の準最適なパフォーマンスのセットに共通である属性が、前記最適なパフォーマンスに共通な属性と異なる属性であると識別するステップを含む、請求項88に記載の方法。

請求項90

(i)第1のサンプルユーザSU1による前記スキルの複数のサンプルパフォーマンスを表すデータを取り込むステップ、及び(ii)複数のさらなるサンプルユーザSU2乃至SUnのそれぞれから複数のサンプルパフォーマンスを取り込むステップ、を含む、請求項71に記載の方法。

請求項91

前記ユーザSU1乃至SUnの前記パフォーマンスを、それによって(i)前記パフォーマンス影響要因、及び(ii)前記観察可能なデータ条件のいずれか又は両方への身体サイズ特性の影響を識別するように比較するステップを含む、請求項90に記載の方法。

請求項92

前記身体サイズ特性の前記の識別された影響は、前記エンドユーザの身体サイズ特性を説明するために使用される、請求項90に記載の方法。

請求項93

前記ユーザSU1乃至SUnの前記パフォーマンスを、それによって(i)前記パフォーマンス影響要因、及び(ii)前記観察可能なデータ条件のいずれか又は両方への個人的なスタイルの影響を識別するように比較するステップを含む、請求項90に記載の方法。

請求項94

前記個人的なスタイルの前記の識別された影響は、前記観察可能なデータ条件から除外される、請求項90に記載の方法。

請求項95

所与のサンプルユーザについての前記個人的なスタイルの前記の識別された影響は、前記サンプルユーザに関連するスタイルに焦点を当てた観察可能なデータ条件のセットに定められる、請求項90に記載の方法。

請求項96

前記サンプルユーザSU1乃至SUnのそれぞれは、共通の能力レベルである、請求項90に記載の方法。

請求項97

(i)第1の能力レベルの第1のサンプルユーザSU1AL1による前記スキルの複数のサンプルパフォーマンスを表すデータを取り込むステップ、(ii)第1の能力レベルの複数のさらなるサンプルユーザSU2AL1乃至SUnAL1のそれぞれから複数のサンプルパフォーマンスを取り込むステップ、及び複数のさらなるパフォーマンスレベルの複数のさらなるサンプルユーザ(SU1AL2...SUnAL2)乃至(SU1ALm...SU1ALm)のそれぞれから複数のサンプルパフォーマンスを取り込むステップ、を含む、請求項71に記載の方法。

請求項98

前記能力レベルAL1乃至ALmのそれぞれについてのそれぞれの前記パフォーマンス影響要因及び関連する前記観察可能なデータ条件を定めるステップを含む、請求項97に記載の方法。

請求項99

コンテンツ作成者がトレーニングプログラムの機能性を定めることを可能にするステップを含み、前記機能性は、前記スキルの前記エンドユーザのパフォーマンスから導出されるセンサデータにおける前記観察可能なデータ条件の所与の1つ又はセットの識別に応じてトリガされる、請求項71に記載の方法。

請求項100

前記機能性は前記エンドユーザへのフィードバックの提供を含む、請求項99に記載の方法。

請求項101

前記フィードバックは、複数のフィードバックアイテムから選択される請求項100に記載の方法。

請求項102

所与のフィードバックアイテムが、前記フィードバックアイテムをトリガした以前に観察されたデータ条件を示さず、且つ最適なパフォーマンスに関連する又は最適なパフォーマンスをより密接に反映する前記観察可能なデータ条件を示す、その後のパフォーマンスにおけるユーザ挙動を促進するように定められる、請求項101に記載の方法。

請求項103

前記エンドユーザの前記モーションセンサのセットから導出される前記データを処理するソフトウェアアプリケーションが状態エンジンを含む、請求項101に記載の方法。

請求項104

モーションセンサのセットを介してエンドユーザによるスキルの身体的パフォーマンスをモニタするように構成されるデバイスであって、前記モーションセンサのセットは、前記エンドユーザの身体に取り付けられる複数のモーションセンサを含み、前記デバイスは:前記モーションセンサのセットから入力データを受信するように構成される処理ユニットと;前記入力データを、それによって観察可能なデータ条件の1つ又は複数のセットを識別するよう、処理するように構成されるメモリモジュールと;を有し、前記観察可能なデータ条件の1つ又は複数のセットは:サンプルユーザによる前記スキルの複数のサンプルパフォーマンスを表すデータを取り込むステップと;前記サンプルパフォーマンスを、それによってパフォーマンス影響要因の少なくとも1つのセットを視覚的に識別するように分析するステップと;識別された前記パフォーマンス影響要因のそれぞれのセットに対して、所与のパフォーマンスをモニタする前記モーションセンサのセットから導出される前記データの中に観察されるとき、前記パフォーマンス影響要因の関連するセットの存在を示す観察可能なデータ条件の関連するセットを決定するステップと;を含む方法を経て定められ、前記デバイスは、それによって、前記スキルの前記エンドユーザの身体的パフォーマンスにおける前記パフォーマンス影響要因の関連するセットの存在をモニタすることを可能にするように構成される、デバイス。

技術分野

0001

本発明は、身体的に実行されるスキル(physically performed skills)の分析を可能にするように構成されるフレームワークおよび方法に関する。幾つかの実施形態では、これは、インタラクティブスキルトレーニングコンテンツを配信するというコンテキスト文脈)(context)に応用を見出す。本発明の実施形態は特に、パフォーマンスセンサユニットを使用して、例えば、モーションセンサ対応衣服を介して、身体的に実行されるスキルが詳細な方法で分析されることを可能にするように開発されている。幾つかの実施形態は、特にその応用を参照して本明細書に記載されているが、本発明はこのような使用分野に限定されず、より広い意味で適用可能であることが理解されよう。

背景技術

0002

本明細書を通じての背景技術のあらゆる議論は、そのような技術が広く知られているか或いは当該分野における普通の一般知識の一部を形成することの認容と決して考えられてならない。

0003

人間のアクティビティモニタリングするセンサトレーニングシステムとの間の統合を可能にする様々な技術が開発されている。例えば、これらをスポーツベーストレーニングのコンテキストにおいて適用することにより、心拍数ランニングペース、及び移動距離のような、モニタリングされた属性に基づくレポートをユーザに提供する。より複雑なモニタリングセンサ入手可能性は、レポートの豊富さの増加、及び特定のアクティビティへの特化を可能にした。

0004

先行技術の不利点の少なくとも1つを克服又は改善し或いは有用な代替を提供することが、本発明の目的である。

0005

一実施形態は、パフォーマンスセンサユニット(Performance Sensor Units)(PSU)から導出されるデータを介して身体的スキルの身体的パフォーマンスを自動的にモニタリングすることを可能にするように構成される観察可能データ条件(Observable Data Conditions)(ODC)を定める方法を提供し、この方法は:

0006

スキルの複数のサンプルパフォーマンスを表すデータを取り込むステップであって、複数のサンプルパフォーマンスは1つ又は複数のサンプルパフォーマによって実行される、ステップと;

0007

サンプルパフォーマンスを表すデータを、それによってスキルに関する1つ又は複数の徴候(symptom)に分析するステップであって、それぞれの徴候は、識別可能なパフォーマンス影響要因(identifiable performance affecting factor)に対応する、ステップと;

0008

それぞれの徴候に対して、スキルのパフォーマンスに関してPSUから導出されるデータの中に観察されるとき、そのパフォーマンスにおける徴候の存在を表すODCの関連するセットを決定するステップと;を含む。

0009

一実施形態は、モーションセンサのセットを介してエンドユーザによるスキルの身体的パフォーマンスをモニタするように構成されるデバイスを提供し、モーションセンサのセットは、エンドユーザの身体に取り付けられる複数のモーションセンサを含み、デバイスは:

0010

モーションセンサのセットから入力データを受信するように構成される処理ユニットと;

0011

それによって1つ又は複数のODCのセットを識別するよう入力データを処理するように構成されるメモリモジュールと;を有し、1つ又は複数のODCのセットは:

0012

サンプルユーザによるスキルの複数のサンプルパフォーマンスを表すデータを取り込むステップと;

0013

サンプルパフォーマンスを、それによって少なくとも1つの徴候を視覚的に識別するように分析するステップと;

0014

識別された徴候のそれぞれのセットに対して、所与のパフォーマンスをモニタするモーションセンサのセットから導出されるデータの中に観察されるとき、関連する徴候の存在を示すODCの関連するセットを決定するステップと;
を含む方法を経て定められ、

0015

そのようなデバイスは、それによって、スキルのエンドユーザの身体的パフォーマンスにおける関連する徴候の存在をモニタすることを可能にするように構成される。

0016

一実施形態は、モーションセンサのセットを介してエンドユーザによるスキルの身体的パフォーマンスのモニタリングを可能にする方法を提供し、モーションセンサのセットは、エンドユーザの身体に取り付けられる複数のモーションセンサを含み、この方法は:

0017

サンプルユーザによるスキルの複数のサンプルパフォーマンスを表すデータを取り込むステップと;

0018

サンプルパフォーマンスを、それによってパフォーマンス影響要因の少なくとも1つのセットを視覚的に識別するように分析するステップと;

0019

識別されたパフォーマンス影響要因のそれぞれのセットに対して、所与のパフォーマンスをモニタするモーションセンサのセットから導出されるデータの中に観察されるとき、パフォーマンス影響要因の関連するセットの存在を示す観察可能なデータ条件の関連するセットを決定するステップと;を含み、

0020

観察可能なデータ条件のセット又は各セットは、エンドユーザのモーションセンサのセットから導出されるデータを処理するソフトウェアアプリケーションを介して実装されるように構成され、それによって、エンドユーザのスキルの身体的パフォーマンスにおけるパフォーマンス影響要因の関連するセットの存在をモニタすることを可能にする。

0021

一実施形態は、モーションセンサのセットを介してエンドユーザによるスキルの身体的パフォーマンスをモニタするように構成されるデバイスを提供し、モーションセンサのセットは、エンドユーザの身体に取り付けられる複数のモーションセンサを含み、デバイスは:

0022

モーションセンサのセットから入力データを受信するように構成される処理ユニットと;

0023

それによって1つ又は複数のODCのセットを識別するよう入力データを処理するように構成されるメモリモジュールと;を有し、1つ又は複数のODCのセットは:

0024

サンプルユーザによるスキルの複数のサンプルパフォーマンスを表すデータを取り込むステップと;

0025

サンプルパフォーマンスを、それによってパフォーマンス影響要因の少なくとも1つのセットを視覚的に識別するように分析するステップと;

0026

識別されたパフォーマンス影響要因のそれぞれのセットに対して、所与のパフォーマンスをモニタするモーションセンサのセットから導出されるデータの中に観察されるとき、パフォーマンス影響要因の関連するセットの存在を示す観察可能なデータ条件の関連するセットを決定するステップと;
を含む方法を経て定められ、

0027

そのようなデバイスは、それによって、スキルのエンドユーザの身体的パフォーマンスにおけるパフォーマンス影響要因の関連するセットの存在をモニタすることを可能にするように構成される。

0028

1つの実施形態は、本明細書に記載される方法を実行するためのコンピュータプログラム製品コンピュータプログラム)を提供する。

0029

1つの実施形態は、プロセッサ上で実行されるときに、プロセッサに本明細書に記載されるような方法を実行させる、コンピュータ実行可能なコードを担持する(carrying)非一時的なキャリア媒体(carrier medium)を提供する。

0030

1つの実施形態は、本明細書に記載されるような方法を実行するように構成されるシステムを提供する。

0031

本明細書を通じる「1つの実施形態(一実施形態)」、「幾つかの実施形態」又は「実施形態」への言及は、その実施形態に関連して記載する特定の構成、構造又は特性が本発明の少なくとも1つの実施形態に含まれることを意味する。よって、この明細書を通じる様々な箇所における「一実施形態(において)」、「幾つかの実施形態(において)」又は「実施形態(において)」という成句出現は、必ずしもすべてが同じ実施形態を指さないが、同じ実施態様を指すことがある。更に、特定の個性、構造又は特性は、1つ又は複数の実施形態において、この開示から当業者に明らかであるように、任意の適切な方法で組み合わせられてよい。

0032

本明細書で使用されるとき、他に特定されない限り、共通の物体オブジェクト)を記載するための序数を表す形容詞「第1」、「第2」、「第3」等の使用は、同等の物体の異なる場合が言及されていることを単に示しており、そのように記載される物体が、時間的又は空間的に、所与の順序で、順位付けで、或いは任意の他の方法で与えられなければならないことを暗示することは意図されていない。

0033

以下の請求項及び本明細書の記載において、含む(comprising)、含む(comprised of)、又は含む(which comprises)という用語のうちのいずれか1つは、少なくとも以下の要素/構成を含むが、他のものを排除しないことを意味する、開放用語(オープン用語)である。よって、請求項において使用される場合、含むという用語は、その後に記載される手段又は要素又はステップに限定されるものと解釈されてならない。例えば、AとBとを含むデバイスという表現の範囲は、要素A及びBのみからなるデバイスに限定されてならない。本明細書で使用される「含む」(including)、「含む」(which includes)、又は「含む」(that includes)のような用語のいずれか1つも、その用語に続く少なくともその要素/構成を含むが、他の要素/構成を除外しないことを同様に意味する、開放用語(オープン用語)である。よって、含む(including)は、含む(comprising)と同義語であり、含む(comprising)を意味する。

0034

本明細書で使用される場合、「例示的」という用語は、品質を示すこととは対照的に、実施例を提供する意味で使用される。すなわち、「例示的な実施形態」は、必ず例示的な品質の実施形態であるのとは対照的に、一例として提供される実施形態である。

図面の簡単な説明

0035

次に、本発明の実施形態が、単なる例として記載され、添付の図面を参照して、ほんの一例として、本発明の実施形態を記載する。

0036

1つの実施態様に従ったコンテンツの生成及び配信を可能にするように構成されたフレームワークを図式的に例示している。

0037

更なる実施態様に従ったコンテンツの生成及び配信を可能にするように構成されたフレームワークを図式的に例示している。

0038

1つの実施態様に従ったスキル分析方法を例示している。

0039

1つの実施態様に従ったスキル分析方法を例示している。

0040

1つの実施態様に従ったスキル分析方法を例示している。

0041

1つの実施態様に従ったスキル分析方法を例示している。

0042

1つの実施態様に従ったスキル分析方法を例示している。

0043

1つの実施態様に従ったユーザインタフェースについてのユーザインターフェースディスプレイ図を例示している。

0044

例示的なデータ収集表(データ収集テーブル)を例示している。

0045

例示的なデータ収集表(データ収集テーブル)を例示している。

0046

1つの実施態様に従ったSIM分析方法を例示している。

0047

1つの実施態様に従ったSIM分析方法を例示している。

0048

1つの実施態様に従ったODCバリエーションを例示している。

0049

1つの実施態様に従ったプロセスフローを例示している。

0050

1つの実施態様に従ったプロセスフローを例示している。

0051

1つの実施態様に従ったプロセスフローを例示している。

0052

1つの実施態様に従ったサンプル分フェーズを例示している。

0053

1つの実施態様に従ったデータ分析フェーズを例示している。

0054

1つの実施態様に従った実施フェーズを例示している。

0055

1つの実施態様に従った標準化方法を例示している。

0056

1つの実施態様に従った分析方法を例示している。

0057

1つの実施態様に従った分析方法を例示している。

0058

1つの実施態様に従ったユーザ機器を作動させる方法を例示している。

0059

1つの実施態様に従ったコンテンツ生成方法を例示している。

実施例

0060

本明細書では、身体的に実行されるスキルの分析を可能にする、例えば被験者(人、人のグループ、又は場合によっては人のグループ(複数)のような)のトレーニングを可能にするコンピュータ実装技術を利用するシステム及び方法が記載される。概要では、本明細書では、身体的に実行されるスキル(例えば、ゴルフスイングローイングストローク(rowing stroke)、体操動き(gymnastic manoeuvre)など)の自動化されたセンサ駆動分析を可能にし、それによって、パフォーマンスの属性を決定するために実施される技術が記載される。これらは、パフォーマンスの詳細なモーションベースの態様を含み、これらは、幾つかの実施形態では、エラー識別及びトレーニングの配信を可能にするために使用される。態様は、身体的スキルが人間のエキスパート専門家)によって観察され且つ分析される技術に関連し、コンピュータ技術が人間の専門家に対応する観察を行うことを可能にするように構成されるセンサデータ処理技術を定義する技術まで関連する。

0061

実施形態は、インタラクティブなスキルトレーニングコンテンツを配信する目的でスキル分析技術が利用されるエンドツーエンドのフレームワークを参照して主に説明される。しかしながら、非限定的な例であることが意図されており、開示されたスキル分析技法代替目的のために使用されてもよいことが理解されるべきである。例えば、目的は、人間ベースのコーチングの促進、ソフトウェアベースのコンテンツ及び機能の他の形態を提供する目的でのスキルパフォーマンスの自動識別などを含み得る。

0062

スキルトレーニング(skills training)のコンテキスト(文脈)(context)において、本明細書で記載するフレームワークは、身体的パフォーマンス属性(physical performance attributes)を表すデータを収集するためにパフォーマンスセンサユニット(Performance Sensor Units)(PSU)を利用し、ユーザにフィードバック及び/又は命令(instruction)を提供することにより、そのユーザが彼/彼のパフォーマンスを向上させるのを支援する。例えば、これは、コーチングアドバイス(coaching advice)を提供すること、ユーザに特定の練習を行うことを指示して特定の所要の基本的なサブスキルを開発すること等を含み得る。PSUを介して実質的にリアルタイムでパフォーマンスをモニタリングすることによって、トレーニングプログラムは、ユーザのパフォーマンス属性が、提供されたフィードバック/命令に基づいて向上するか否かの観察に基づいて適応することができる。例えば、連続的なパフォーマンス試行の繰り返しの間のパフォーマンス属性の変化の観察は、提供されたフィードバック/命令が成功したか或いは失敗したかを示す。これは広範囲の自動適応スキルトレーニングプログラムの生成及び配信を可能にする。

0063

スキルパフォーマンスの性質は、実施態様の間で異なるが、本明細書で検討される実施例の目的のために、以下の2つの一般的なカテゴリが使用される。
● 人間のモーションベースのスキルパフォーマンス。これらは、人間のモーション属性がスキルの決定的な特性を表すパフォーマンスである。例えば、モーションベースのパフォーマンスは、パフォーマンスを行う者の身体の動きを包含する実質的にあらゆる物理的なスキルを含む。モーションベースのパフォーマンスの有意な種類(class)は、スポーツアクティビティで使用されるスキルのパフォーマンスである。
オーディオベースのスキルパフォーマンス。これらは、音響的に知覚可能な属性が、スキルの決定的な特性を表すパフォーマンスである。例えば、オーディオベースのスキルパフォーマンスは、音楽的及び/又は言語的パフォーマンスを含む。オーディオベースのパフォーマンスの有意な種類は、楽器演奏することに関連するスキルのパフォーマンスである。

0064

以下で提供する実施例は、主として、モーションベースのスキルパフォーマンスの比較的技術的に困難な場合に焦点を当てているが、モーションベースのスキルに関して適用される原理は、他の状況に容易に適用されることが理解されるであろう。例えば、PSUから受信したデータにおいて観察(観測)可能なデータ条件(Observable Data Conditions)(ODC)を使用するという概念は、モーション、オーディオ、及び他の形態のパフォーマンスに均しく適用可能である。

0065

幾つかの例は、パフォーマンスモニタリングのコンテキストにおいてエンドユーザが経験するコンテンツの定義付け(defining)、配布(distribution)及び実施(実装)(implementation)を可能にする、コンピュータで実施されるフレームワークに関する。これは、ユーザによってスキルパフォーマンスが監視されるように構成される1つ又は複数のPSUに由来するパフォーマンスセンサデータ(PSD)の処理によってユーザのスキルパフォーマンスが分析されるよう、ユーザにインタラクティブスキルトレーニング(interactive skills training)を提供するように構成されるコンテンツを含む。

0066

全体的なエンドツーエンド(end-to-end)フレームワークを参照して、様々な実施態様を以下に記載する。全体的なフレームワークは、その構成部分にコンテキスト(context)を提供するように記載され、その一部は異なるコンテキストで適用され得る。全体的な記載されたエンドツーエンドフレームワークの特徴のサブセットのみが、以下の請求項において直接的に請求されているが、本発明の主題は、(たとえばそのようなものとして特別に特定されていないとしても)広範囲の構成要素に亘って存在することが理解されるべきである。

0067

用語
以下に記載する実施態様の目的のために、以下の用語が使用される。
●パフォーマンスセンサユニット(PSU)。パフォーマンスセンサユニットは、物理的パフォーマンスの監視に応答してデータを生成するように構成されるハードウェアデバイスである。モーションデータ及びオーディオデータを処理するように構成されるセンサユニットの実施例が本明細書で主に考慮されるが、それらは決して限定的な実施例でないことが理解さるであろう。
● パフォーマンスセンサデータ(PSD)。PUSによって配信されるデータをパフォーマンスセンサデータと呼ぶ。このデータは、PSUからの完全な生データ、又は(例えば、圧縮、低減されたモニタリング、サンプリング速度サンプリングレート)等に基づく)そのデータのサブセットを含んでよい。
オーディオセンサユニット(ASU)。オーディオセンサユニットは、音のモニタリングに応答してデータを生成し且つ送信するように構成されたハードウェアデバイスである、PSUのカテゴリである。幾つかの実施態様において、ASUは、音及び/又は振動の影響をモニタリングし、それらをデジタル信号(例えば、MIDI信号)に変換するように構成される。1つの例は、弦楽器機械的振動キャプチャ捕捉)して電気信号に変換するように構成されるトランスデューサ変換器)を含むピックアップデバイスである。
● オーディオセンサデータ(ASD)。これは1つ又は複数のASUによって配信されるデータである。
●モーションセンサユニット(MSU)。モーションセンサユニットは、モーションに応答してデータを生成し且つ送信するように構成されたハードウェアデバイスである、PSUのカテゴリである。このデータは、殆どの場合、局所的な基準フレームに対して定義される。所与のMSUは、1つ又は複数の加速度計、1つ又は複数の磁力計から得られるデータ、及び1つ又は複数のジャイロスコープから得られたデータを含むことがある。好ましい実施態様は、1つ又は複数の3軸加速度計、1つの3軸磁力計、及び1つの3軸ジャイロスコープを利用する。モーションセンサユニットは、「着用」されてよく或いは「着用可能」であってよく、それは、モーションセンサユニットが、(例えば、衣類を介して)固定位置にある人間の身体に取り付けられるように構成されることを意味する。
モーションセンサデータ(MSD)。MSUによって配信されるデータをモーションセンサデータ(MSD)と呼ぶ。このデータは、MSUからの完全な生データ、又は(例えば、圧縮、低減されたモニタリング、サンプリング速度等に基づく)そのデータのサブセットを含んでよい。
● MSU対応衣服。MSU対応衣服は、複数のMSUを運ぶように構成された(シャツ又はパンツズボン)のような)衣類である。幾つかの実施態様において、MSUは、衣類に形成された所定の山間ゾーンにおいて(好ましくは、個々のMSUが取り外され且つ交換されるのが可能であるよう、取り外し可能な方法において)取り付けられ、通信線に連結される。
● PODデバイス。PODデバイスは、PSD(例えば、MSUからのMSD)を受信する処理デバイスである。幾つかの実施態様において、それはMSU対応衣服によって運ばれ、他の実施態様では、それは別個の装置である(例えば、1つの実施態様において、PODデバイスは、スマートホンに連結する処理デバイス、幾つかの実施態様において、PODデバイス機能性は、スマートホン又はモバイルデバイスによって提供される)。幾つかの場合には、MSDは、有線接続を介して受信され、幾つかの場合には、無線接続を介して受信され、幾つかの場合には、無線接続及び有線接続を介して受信される。本明細書で記載するように、PODデバイスは、MSDを処理して、それにより、MSD内のデータ条件を特定する(例えば、1つ又は複数の徴候(symptom)の存在の特定を可能にする)責任がある。幾つかの実施態様において、PODデバイスの役割は、スマートホンのような多目的エンドユーザハードウェアデバイスによって全体的又は部分的に実行される。幾つかの実施態様において、PSD処理の少なくとも一部は、クラウドベースサービスによって実行される。
モーションキャプチャデータMCD)。モーションキャプチャデータ(MCD)は、あらゆる利用可能なモーションキャプチャ技術を使用することに由来するデータである。これに関して、「モーションキャプチャ」は、例えば、キャプチャデバイスが、既知の場所で被験者に取り付けられた視覚マーカを使用して、モーションを表すデータをキャプチャするために用いられる、技術を指す。1つの例は、Viconによって提供されるモーションキャプチャ技術である(しかしながら、発明者/出願人とViconとの間の提携が推測されるべきでない)。以下に更に議論するように、MCDは、好ましくは、視覚的観察とMSD観察との間のリンクを提供するために使用される。
●スキル(skill)。モーションベースアクティビティのコンテキストにおいて、スキルは、例えば、コーチングのコンテキストにおいて(視覚的に及び/又はMSDを介して)観察される個々のモーション(又はリンクされたモーションのセット)である。スキルは、例えば、ローイングモーション(漕ぎ運動)、サッカーキックの特定のカテゴリ、ゴルフスイングの特定のカテゴリ、特定のアクロバット操作等であってもよい。「サブスキル」も言及される。これは、主に、トレーニングされるスキルとそのスキルの一部を構成するより重要でないスキルとを区別することであり、或いは、そのスキルの基礎的要素ビルディングブロック)である。例えば、ジャグリングというスキルの文脈において、サブスキルは、ボールを投げて同じ手でキャッチするスキルである。
● 徴候。徴候は、(例えば、初期スキル分析のコンテキストにおいて視覚的に観察され、エンドユーザ環境のコンテキストにおいてMSDの処理を介して観察される)観察可能なスキルの属性である。実際的な用語において、徴候は、意味と関連付けられる、スキルの観察可能なモーション属性である。例えば、徴候の特定は、自動化されたコーチングプロセスの提供においてアクション(行為)を引き起こすことがある。徴候は、(伝統的なコーチングのコンテキストに関連して)視覚的に観察される、或いは、(本明細書で議論するような自動適応スキルトレーニングの提供のコンテキストにおいて関連して)PSDを介して観察されることがある。徴候は「パフォーマンス影響要因」とも称される。
● 原因(cause)。徴候は、少なくとも幾つかの場合において、1つの原因に関連する(例えば、所与の徴候は、1つ又は複数の原因と関連することがある)。原因は、幾つかの場合において、MSDにおいて観察可能でもあるが、それは必ずしも本質的でない。コーチングの観点から、1つのアプローチは、先ず、徴候を特定し、次に、その徴候の原因を決定/予測することである(例えば、決定は、MSDの分析によってよく、予測は、MSDの分析以外の手段によってよい)。次に、決定された/予測された原因をコーチングフィードバックによって対処し、続いて、パフォーマンス評価を行い、それにより、コーチングフィードバックが徴候に対処することに成功したか否かを決定してよい。
● 観察可能なデータ条件(ODC)。観察可能なデータ条件という用語は、(典型的には、ODC又は予期されるODCのセットの存在のモニタリングに基づく)MSDのような、PSDにおいて観察可能である条件を記述し、それにより、下流の機能性を誘発する(trigger)ために使用される。例えば、ODCは、所与の徴候(又は原因)について定義されてよい。そのODCが所与のパフォーマンスについてMSDのようなにおいて特定されるならば、関連する徴候(又は原因)がそのパフォーマンスに存在するという決定が行われる。次に、これはトレーニングプログラム内のイベントを誘発する。
● トレーニングプログラム。「トレーニングプログラム」という用語は、ソフトウェア命令の実行を介して提供されるインタラクティブプロセスを記述するために使用され、それは、エンドユーザにどのように実行するかの命令を提供し、それらのパフォーマンスをどのように修正し、改善し、或いは他の方法で調整するかに関するフィードバックを提供する。以下に記載する少なくとも幾つかの実施態様において、トレーニングプログラムは、関連するエンドユーザの分析(例えば、それらのパフォーマンスの分析及び/又は精神的及び/又は身体的な属性のような個人的な属性の分析)に基づいて適応するよう、プロセスの順序付け、フィードバックの選択、及び/又はトレーニングの他の属性を可能にする規則ルール)/論理ロジック)に基づいて実行するトレーニングプログラムである、「適応型トレーニングプログラム」である。

0068

以下により詳細に記載するように、エンドユーザ製品の観点から、幾つかの実施態様は、PODデバイスが、所定のパフォーマンスに関してユーザの(MSDのような)PSDを分析し、それにより、ユーザの属性に基づいて定義されるセットに属する徴候(例えば、ユーザの能力レベル、及び以前の反復の分析からユーザが示すことが知られている徴候)である、1つ又は複数の徴候の存在を決定するように構成される、技法を利用する。MSDを介して徴候をひとたび特定すると、プロセスを実行し、それにより、原因を決定/予測する。次に、フィードバックを選択し、それにより、その原因への対処を探究する。幾つかの実施態様では、複雑な選択プロセスを定義し、それにより、例えば、(i)ユーザの履歴、例えば、以前に失敗したフィードバックに対して未試行の又は以前に成功したフィードバックに優先順位を付けること、(ii)ユーザの学習スタイル、(iii)ユーザ属性、例えば、所与の時点での精神的及び/又は身体的状態、及び/又は(iv)幾つかの場合には特定の現実世界コーチスタイルに基づくコーチングスタイルに基づき、ユーザのための特定のフィードバックを選択する。

0069

例示的なエンドツーエンドフレームワーク
図1Aは、本明細書で記載するある範囲の実施態様によって活用されるエンドツーエンドフレームワークの高レベルフレームワークを提供している。図1Aのコンテキストにおいて、例示的なスキル分析環境101を利用し、それにより、1つ又は複数のスキルを分析し、それらのスキルに関してエンドユーザコンテンツの生成を可能にするデータを提供する。例えば、これは、幾つかの実施態様では、スキルを分析し、それにより、PSUによって特定され得るODC(好ましくは、特定の徴候、原因等と関連付けられたODC)を決定することを含む。これらのODCは、(トレーニングプログラムのような)例示的なコンテンツ生成プラットフォーム102によって実施されるコンテンツ生成ロジック内で利用されてよい。その点に関して、コンテンツを生成することは、好ましくは、所定のアクションが特定のODCの特定に応答して取られるプロトコルを定義することを含む。

0070

複数のスキル分析環境及びコンテンツ生成プラットフォームを利用し、それにより、例示的なコンテンツ管理及び配信プラットフォーム103にコンテンツを提供するのが好ましい。このプラットフォームは、幾つかの実施態様において、複数のネットワーク化されたサーバデバイスによって定義される。本質的には、プラットフォーム103の目的は、コンテンツ生成プラットフォームによって生成されるコンテンツをエンドユーザに利用可能にすることである。図1Aのコンテキストにおいて、それは例示的なエンドユーザ機器104へのコンテンツのダウンロードを可能にすることを含む。ダウンロードすることは、幾つかの実施態様において、コンテンツの初期ダウンロードを含み、その後、追加的な所要のコンテンツの更なるダウンロードを含む。幾つかの場合において、更なるダウンロードの性質は、(例えば、スキルトレーニングプログラムのコンポーネント間の適応的進行及び/又はユーザ選択に基づく)ユーザインタラクション(user interactions)によって影響される。

0071

例示的な機器104は、(スマートホン、ヘッドセット、HUDアイウェア網膜投影デバイス等のような)ユーザインタフェースデバイスと共に、複数のMSU及びPODデバイスを保持する(carries)MSU対応衣服の形態において例示されている。

0072

図1Aの実施例において、ユーザは、プラットフォーム103からコンテンツをダウンロードし、機器104を介してそのコンテンツを実行させる。例えば、これは、ゴルフ又はテニスのような特定の身体的アクティビティ(活動)のための適応スキルトレーニングプログラムを提供するコンテンツを含んでよい。この例において、機器104は、ダウンロードされたコンテンツの配信に関連する追加的な機能性を提供する外部(例えば、ウェブベースの)プラットフォームである、例示的なコンテンツインタラクションプラットフォーム105(content interaction platform)と相互作用インタラクト)(interact)するように構成される。例えば、適応トレーニングプログラム及び/又はそのユーザインタフェースの様々な特徴は、サーバ側処理によって制御されてよい。幾つかの場合には、プラットフォーム105を省略して、機器104が以前にダウンロードしたコンテンツをオフラインモードで配信するのを可能にしてよい。

0073

一般的な例示として、コンテンツの以下の具体的な例が提供される。
ギタートレーニングプログラム。ユーザは、所要の楽曲に関してトレーニングを提供するように構成されたギタートレーニングプログラムをダウンロードする。ピックアップの形態のPSUを使用し、それにより、ユーザのギター演奏を表すPSDの分析が可能にする。トレーニングプログラムをそのPSDの分析に基づき推進し、それにより、ユーザにコーチングを提供する。例えば、コーチングは、指の位置決めのためのヒント、特定の指の位置の間の進行を練習する矯正練習、及び/又はユーザにとって興味のある及び/又はユーザにとって助けとなることがある他のコンテンツ(例えば、代わりの楽曲)の提案を含んでよい。一例が(オーディオデータを処理するPODデバイス及びユーザインタフェースデータを提供するタブレットデバイスとの組み合わせにおいて、ピックアップの代わりのサウンドジャックを示す)図14に例示されている。
●ゴルフトレーニングプログラム。ユーザは、MSU対応衣服と協働するように構成されたゴルフトレーニングプログラムをダウンロードする。これは、MSU対応衣服によって提供されるPODデバイスへのセンサ構成データ及び状態エンジンデータをダウンロードすることを含む。ユーザは、(例えば、特定の強度、クラブ、又は同等物を用いて)特定の形態のスイングを実行するように命令され、MSU対応衣服によって保持される複数のMSUが、パフォーマンスを表すMSDを提供する。MSDを処理し、それにより、徴候及び/又は原因を特定し、トレーニングフィードバックを提供する。ユーザが彼/彼女のフォームを改善するのを支援するように設計されたトレーニングプログラムロジックに基づき、1つ又は複数の更なるパフォーマンス反復に亘って、これを繰り返す。命令及び/又はフィードバックは、ユーザインタフェースデータをユーザの視界に直接的に送る網膜ディスプレイプロジェクタによって提供される。

0074

これらは実施例に過ぎないことが理解されるであろう。

0075

図1Bは、幾つかの実施態様のコンテキストにおいて存在する更なる例示的なエンドツーエンド技術フレームワークのより詳細な概要を提供している。この例は、モーションベースのスキルトレーニングに特に関連し、スキル分析フェーズ100(skill analysis phase)、カリキュラム構築フェーズ110(curriculum construction phase)、及びエンドユーザ配信フェーズ120(end user delivery phase)を参照することによって例示されている。これは限定的な例であることは意図されておらず、コンテンツを定義して配信する特定のエンドツーエンドアプローチを実証するために提供されている。

0076

スキル分析フェーズ100のコンテキストにおいて、図1Bは、MCDを使用してスキルの分析を支援し、続いて、MSDについてのODCの決定を支援及び/又は検証する(validate)実施態様である、幾つかの実施態様において、そのフェーズで使用されるハードウェアの選択を示している。例示するハードウェアは、複数のモーションセンサユニット及び複数のモーションキャプチャ(モカップ)マーカ(これらは任意的に衣服上の類似の位置に配置される)と、キャプチャデバイス106a〜106cのセットとを保持する、ウェアラブルセンサ衣服106である。モーションキャプチャアプリケーションのために構成されたキャプチャデバイス、及び/又はビデオキャプチャアプリケーションのために構成されたカメラデバイスを含む、より少ない数の又はより多くの数のキャプチャデバイスがあってよい。幾つかの実施態様において、所与のキャプチャデバイスは、両方のアプリケーションのために構成される。一連の例示的なプロセスも図示されている。ブロック107は、複数のサンプルパフォーマンスのためのビデオデータ、モーションキャプチャデータ(MCD)、及びモーションセンサデータ(MSD)をキャプチャすることを含む、プロセスを表している。このデータは、ブロック108に提示されるプロセスによって使用され、それは、(例えば、所与のスキルを分析し、それにより、好ましくは多数の能力レベルで、そのスキルを構成し且つパフォーマンスに影響を及ぼすモーションの特徴を決定すること、並びに、所要のスキルについての徴候及び原因の能力レベルに固有の決定を含む、所要のスキルについての徴候及び原因を決定することを含む)エキスパート分析(expert analysis)に基づき、スキルを徴候及び原因に分解することを含む。ブロック109は、モーションセンサデータから徴候/原因の検出を可能にするODCの定義を含むプロセスを提示している。次に、これらのODCは、後続のフェーズにおいて利用可能である(例えば、それらは所与のカリキュラムにおいて使用されたり、状態エンジンデータ内で適用されたりなどする)。

0077

本明細書では、DCDを利用するアプローチを参照してフェーズ100を記載するが、それは限定的な例であることを意図しない。更なる実施態様では、様々な他のアプローチ、例えば、MSDを最初から利用するアプローチ(例えば、MSDに関するODCの決定を支援及び/又は検証するためにMCDを利用する必要はない)、スキルの機械学習を利用するアプローチが実施される。

0078

フェーズ110は、エキスパート知識データ111(expert knowledge data)のレポジトリを参照して例示される。例えば、1つ又は複数のデータベースが維持され、これらはフェーズ101の特徴及び/又は他の研究及び分析技術に従って定義される情報を含む。情報の例は、(i)徴候/原因を表す合意データ(consensus data)、(ii)徴候/原因を表すエキスパート固有データ(expert-specific data)、(iii)徴候/原因に関するフィードバックを表す合意データ、(iv)徴候/原因に関連するフィードバックを表すエキスパート固有データ、(v)(客観的コーチングスタイルデータ及びパーソナライズされたコーチングスタイルデータを含んでよい)コーチングスタイルデータを含む。これは選択のみである。

0079

図1Bの例において、エキスパート知識データは、フェーズ100で分析されたスキルに関するトレーニングプログラムの配信に利用される。ブロック112は、適応トレーニングフレームワークの構成(configuration)を含むプロセスを表している。これに関して、図1Bの例では、それぞれのスキル及びその特徴に関連する複数のスキルトレーニングプログラムは、共通の適応トレーニングフレームワークを介して配信される。これは、好ましくは、基礎となるスキル固有でないロジックを活用するスキル固有の適応トレーニングコンテンツの生成を可能にするように構成された技術的フレームワークである。例えば、そのようなロジックは、学習スタイルを予測すること、利用可能な時間に基づいてコンテンツ配信を調整すること、(以前に学習したスキルの修復授業を含む)以前のインタラクション(対話)に基づき自動的にレッスンプランを作成すること、ダウンロードする追加的なコンテンツを機能的に推奨すること、及び他の機能性のための、方法論に関する。ブロック113は、スキルのためのカリキュラムの定義付けを含むプロセスを表している。これは、特定の徴候/原因の特定に応じてフィードバックを配信するための規則のフレームワークを定義することを含む。フレームワークは、好ましくは、個々のユーザに固有の獲得された知識(例えば、ユーザの学習スタイルの知識、過去の成功した/失敗したフィードバックの知識等)に基づいて、インテリジェントフィードバック(intelligent feedback)を提供する、適応フレームワークである。ブロック114は、エンドユーザによるダウンロードのためにカリキュラムを利用可能にすること、例えば、オンラインストアを介してカリキュラムを利用可能にすることを含む、プロセスを表している。以下に更に詳述するように、所与のスキルは、基本カリキュラムの提供、及び/又は、(好ましくは異なる価格帯での)1つ又は複数のプレミアムカリキュラムの提供を有してよい。一例として、基本提供は、幾つかの実施態様において、合意エキスパート知識(consensus expert knowledge)に基づき、プレミアム提供は、エキスパート固有のエキスパート知識に基づく。

0080

フェーズ130の場合には、例示的なエンドユーザ機器が図示されている。これは、シャツと、複数のMSUを保持するパンツとを含み、PODデバイスがシャツに設けられた、MSU対応衣服構成121を含む。MSU及びPODデバイスは、例えば、掃除等を可能にするために、衣類から取り外し可能に構成される。ヘッドセット122が、ブルートゥース登録商標)(又は他の手段)によってPODデバイスに接続され、フィードバック及び命令をユーザに聴覚的に提供するように構成される。(iOS又はAndroidスマートホンのような)ハンドヘルドデバイス123が、更なるユーザインターフェースコンテンツ、例えば、教育ビデオ/アニメーションなどを提供するように構成される。他のユーザインタフェースデバイス、例えば、(ウェアラブルアイウェア等を介して視認可能なディスプレイのような)拡張現実情報を提供するように構成されたデバイスが使用されてよい。

0081

例示したエンドユーザ機器のユーザは、(例えば、プラットフォーム103からの)実行のためにコンテンツをダウンロードし、それにより、トレーニングプログラムに関与し、且つ/或いはMSDの処理を活用する他の形態のコンテンツを経験する。例えば、これは、オンラインストアを閲覧し、或いはソフトウェアアプリケーションと対話し(interacting)、それにより、所望のコンテンツを特定し、続いて、そのコンテンツをダウンロードすることを含んでよい。例示する実施態様では、コンテンツがPODデバイスにダウンロードされ、コンテンツは、状態エンジンデータ及びカリキュラムデータを含む。前者は、PODデバイスがMSDを処理し、それにより、徴候を特定する(且つ/或いは他の形態のモーション分析を実行する)ことを可能にする、データを含む。後者は、ユーザインタフェース(例えば、命令、フィードバックなど)によって配信されるコンテンツ及び(適合学習プロセスの配信のための規則のような)そのコンテンツの配信のための命令を含む、トレーニングプログラムの提供を可能にするために必要とされる、データを含む。幾つかの実施態様において、エンジンデータ及び/又はカリキュラムデータは、継続的に遠隔サーバから取得される。

0082

機能ブロック125は、PODデバイスがモニタリング機能を実行し、それにより、状態エンジンデータにおいて定義されるようなODCについてユーザパフォーマンスをモニタリングする、プロセスを表している。例えば、ユーザは、デバイス123及び/又はヘッドセット122を介して「アクティビティXを実行する」ように命令され、次に、PODデバイスは、ユーザのMSUからMSDを処理し、それにより、アクティビティXに関連付けられたODCを特定する(例えば、徴候及び/又は原因の特定を可能にする)。ODCの特定及びカリキュラムデータに基づき(ならびに、幾つかの場合には、追加的な入力に基づき)、フィードバックは、デバイス123及び/又はヘッドセット122を介してユーザに提供される(ブロック126)。例えば、「アクティビティX」を繰り返し実行している間に、ユーザは、それらの技法をどのように修正するかについてのガイダンスを備える可聴フィードバックが提供される。これは、フィードバックを提供して、(例えば、後続のパフォーマンス反復でMSDから導き出されるODCの変化を観察することによって)影響をモニタリングするような、ループ処理(例えば、本明細書では「試行ループ」と呼ぶ)につながる。幾つかの実施態様におけるカリキュラムデータは、(i)アクティビティ改善に関して所望の結果を達成するためのフィードバックの成功/失敗、及び(ii)精神的及び/又は身体的なパフォーマンス属性のようなユーザの属性の組み合わせに基づき、トレーニングプログラムのフィードバック及び/及び段階に適合するように構成される。

0083

スキル分析フェーズ−一般的な概要
本明細書で検討されるように、スキル分析は、実行されるスキルの属性の識別に関する。前述のように、これらの属性は用語「徴候」を使用して参照される。徴候を識別するための2つの主要な技法がある。
● 徴候の存在を直接的に表すODCの識別を介して、徴候の存在を直接識別するデータ処理技法。
● 測定データをベースラインデータと比較し、バリエーション(変動)(variation)を識別することによって、徴候の存在を間接的に識別するデータ処理技術。そのようなバリエーションの存在は、徴候の存在を間接的に表す。

0084

以下の実施例は、主として前者の技法に焦点を当てている。これは、特に自動化分析が、データ比較技法を実行することとは対照的に、特定のデータベースのアーチファクト(artefacts)の識別に基づくという意味で、様々な利点を有する。データ比較技法は、(例えば、識別された徴候に関連する属性を定量化するために)支援のコンテキストにおいて依然として使用され得る。さらに、以下でさらに開示される様々な技法は、直接的な技法よりもむしろ比較技法を利用するように変更され得ることが理解されよう。

0085

スキル分析フェーズ−概要
前述のように、スキル分析フェーズを実施し、それにより、エンドユーザ配信フェーズにおいて(又は他の下流のアプリケーションとの関連で)観察されることになるスキルを分析する。本明細書に記載されるように、スキル分析フェーズは、(i)スキルの属性、例えば、(エンドユーザ機能性がスキル特定を含む場合に特に関連する)実行されるスキルを表す属性、及び(エンドユーザの機能性が、例えば、スキルトレーニングの配信のコンテキストにおける、スキルトレーニング分析を含む場合に特に関連する)徴候及び原因のような、スキルが実行される方法を表す属性を決定する分析、並びに、(ii)エンドユーザのハードウェア(MSUのようなPSU)を自動化されたスキルパフォーマンス分析のために構成することができるよう、(実行されるスキル、及び徴候及び/又は原因のようなそのスキルのパフォーマンスの属性)のような、スキル属性の自動的な特定を可能にする、ODCを定義する分析を含む。

0086

スキル分析フェーズの性質は、(例えば、モーションベースのスキルとオーディオベースのスキルのカテゴリの間の)所与のスキルの性質に依存して、有意に異なる。次に、例示のために、モーションベースのスキルのコンテキストにおけるスキル分析フェーズに関して例示的な実施態様を記載する。すなわち、身体的アクティビティを分析し、それにより、身体装着式MSUからのデータをモニタリングするPODデバイスを構成するために使用されるODCを決定することを参照して、実施態様を記載する。この実施例は、様々な新規且つ進歩的な技術的アプローチが、モーションベースのスキルのための効果的なODCを生成するタスクを容易にするために開発されている、比較的困難で複雑なコンテキストにおいて段階化されたスキル分析を代表するものとして選択される。本明細書で記載する方法論の全ての特徴が全ての実施態様に存在するわけではなく、或いは、全てのアクティビティのコンテキストにおいて使用されるわけではないことが理解されるであろう。この技術は、(例えば、パフォーマンス、コーチング、及びモニタリングに関して)異なるレベルの複雑さを伴う、広範な身体的アクティビティに適用可能である。しかしながら、本明細書で記載する方法論は、広範なアクティビティ、例えば、個人及びチームスポーツのコンテキストにおいて実行されるスキルに亘って適用可能である。

0087

以下に詳述する方法論及び技術は、特定の身体的アクティビティ(すなわち、特定のスキル)、即ち、ローイング(rowing)に関する具体的な実施例を参照して説明される。ローイングは、主として便宜的なテキストの説明の目的のために一例として選択されており、その特定のアクティビティを参照して記述する技法が、他のアクティビティ(例えば、サッカーボールの特定の形態のキック、ゴルフクラブのスイングを行うこと、スノーボード上でアクロバットな操縦を行うこと等)にどのように容易に適用されるかは、容易に理解されるであろう。

0088

一般的に言えば、所与の身体的アクティビティについてODCを決定する広範なアプローチがある。これらは、以下を含むが、これらに限定されない。
● 二次的技術を利用して、それにより、MSDの理解を合理化すること。例えば、以下に提供する実施例は、MCDとMSDとの組み合わせを利用するアプローチを議論する。MCDは、主に(例えば、強力な高速カメラを使用する)モーションキャプチャ技術の確立された性質の故に使用される。他方、モーションセンサ技術は、現在、有効性絶えず進歩している。十分に確立されたMCD分析技術の使用は、MSD及びMSDに関して行われる観察の理解及び/又は検証を支援する。
● MCD支援のないMSDの直接的な利用。例えば、MSDは、MCDと同様に、データをキャプチャして、それにより、MCDから従来から生成されたものと類似する(例えば、骨格関節を有する身体アバターに基づく)三次元身体モデルを生成するという意味で利用される。これはMCDの精度(accuracy)及び信頼度(reliability)の閾値仮定することが理解されるであろう。しかしながら、幾つかの実施態様において、これは達成可能であり、故に、MCD支援を不要にする。
● 例えば、MSD及び/又はMCDが、客観的に定義されたパフォーマンス結果データ(例えば、ローイングの場合には、パワー出力、そして、ゴルフの場合には、ボールの方向及び軌跡)と共に、複数のサンプルパフォーマンスのために収集される、機械学習法機械学習方法を実施して、それにより、ODCとスキルパフォーマンスに対する影響との間の関係の自動的な定義付けを可能にする。そのようなアプローチは、十分なサンプルサイズで実施されるとき、ODCのコンピュータ特定を可能にして、スキルパフォーマンス結果の予測を推進する。例えば、MSD(又は、幾つかの実施態様では、MCD)のサンプルパフォーマンス収集を使用するゴルフスイングモーションの機械学習に基づき、客観的に定義された結果の分析を使用してスイングパフォーマンスに影響を及ぼすODCを自動的に特定し、それにより、エンドユーザのハードウェア(例えば、MSU対応衣服)を使用したエンドユーザのスイングに関する結果の信頼性のある自動化された予測を可能にする。
● エンドユーザからの分析データの遠隔収集。例えば、エンドユーザデバイスは、「記録」機能を備え、「記録」機能は、(任意的に、ユーザ自身によって特定される徴候等に関する情報と共に)エンドユーザによってそれぞれ行われる特定のスキルを表すMSDの記録を可能にする。記録されるデータは、複数のユーザのための所与のスキル(又は特定の徴候を有する特定のスキル)についてMSDを比較し、故に、スキル(及び/又は徴候)についてODCを特定するよう、中央処理場所に送信される。例えば、これはデータの共通点を特定することによって達成される。

0089

非MSDデータを活用してMSDデータを検証及び/又は他の方法で支援する他のアプローチを含み、サンプルユーザグループを定義及び分析するための異なる技術を実施する他のアプローチも含む、他のアプローチが使用されてもよい。

0090

スキルトレーニングプログラムのコンテキストにおいて使用し得る徴候及び/又は原因のためのODCの開発に寄与する主観的エキスパートコーチング知識を可能にすることに向けられた特定の例示的な実施態様を参照して、上の第1の実施例を以下により詳細に検討する。

0091

スキル分析フェーズ−サンプル分析実施例
幾つかの例示的な実施態様では、トレーニングされる各スキルについて、1つ又は複数のサンプルスキルパフォーマーを使用して、そのスキルに含まれるモーションの初期分析を実行し、それにより、最適なパフォーマンスと準最適な(sub-optimal)パフォーマンスとの間の差の決定を可能にする(故に、最適なパフォーマンスに向かう指導を可能にする)必要がある。一般的に言えば、これは視覚的分析で始まり、次に、視覚的分析は(1つ又は複数の中間プロセスを介して)モーションセンサデータの分析(観察可能なデータ条件(Observable Data Conditions)又はODCについてのモニタリングと呼ぶ)に変換される。

0092

本明細書で記載する例示的な技法は、複数のサンプル被験者による(所与のスキルについての)身体的スキルパフォーマンスを表すデータを取得することを含む。各身体的スキルパフォーマンスについて、データは、好ましくは、以下を含む。
(i)1つ又は複数のキャプチャ角から1つ又は複数のキャプチャデバイスによってキャプチャされるビデオデータ。例えば、ローイングのコンテキストにおいて、これは、側方キャプチャ角及び後方キャプチャ角を含んでよい。
(ii)あらゆる利用可能なモーションキャプチャ技法を使用したモーションキャプチャデータ(MCD)。これに関して、「モーションキャプチャ」は、例えば、既知の場所にいる被験者に取り付けられた視覚マーカを使用して、モーションを表すデータをキャプチャするために、キャプチャデバイスを使用する、技術を指す。一例は、Viconによって提供されるモーションキャプチャ技術である(しかしながら、発明者/出願人とViconとの間の提携は推測されるべきでない)。
(iii)1つ又は複数の身体装着式モーションセンサを使用するモーションセンサデータ(MSD)。

0093

いずれの場合においても、好適なアプローチは、(i)生データ及び(ii)ある程度の処理を受けたデータの両方を格納することである。これは特にモーションセンサデータに当て嵌まる。より新しい/より良い処理アルゴリズムが利用可能になるに応じて、時間の経過に伴って生データを再処理し、それにより、エンドユーザ機能性を向上させてよい。

0094

概観すると、一般的な概念は、(現実のコーチにとって最も有用である)ビデオデータと(MSU対応衣服から得られるデータの分析を介したコーチングを含む最終的なエンドユーザ機能性に必要とされる)MSDとの間の足掛かり(steppingstone)としてMCDを使用することである。MCDは(i)十分に開発された信頼性の高い技術であり且つ(ii)身体部分の精密な相対的モーションをモニタリングするのに適しているので、MCDは、この点に関して有用な足掛かりを提示する。

0095

全体的な技法は、以下のフェーズ、すなわち、(i)選択的な被験者によるサンプルパフォーマンスを表すデータの収集、(ii)ビデオデータを使用する1人又はそれよりも多くのコーチによるサンプルパフォーマンスの視覚分析、(iii)1人又はそれよりも多くのコーチによって行われる視覚的観察のMCD空間への変換、及び(iv)MCD観察に基づきMSDを分析し、それにより、実際の意味で1人又はそれよりも多くのコーチの観察を表すMSD空間内のODCを特定することを含む。これらのフェーズの各々を以下に更に詳細に議論する。これはブロック201乃至204を介して図2Aに例示されている。

0096

代替的な方法が、(ビデオデータの収集を省略し、代わりに、MCDを使用して生成したデジタルモデルを介して視覚的分析を行う)図2B、(MSDのみを使用し、MSDに基づくコンピュータ生成モデルを使用して視覚的分析を達成する)図2C、(視覚的分析がなく、サンプル間の類似性及び相違を特定するMCDのデータ分析のみがある)図2D、及びMSDを介した機械学習を利用する図2Eに例示されている(MSDはサンプルパフォーマンスのために収集され、データ分析は結果データに基づいて行われ、それはサンプルパフォーマンスの1つ又は複数の結果パラメータが客観的に測定し、ODCは機械学習に基づき定義されて、ODCに基づく結果の予測を可能にする)。

0097

「1人又はそれよりも多くの」コーチを使用することに関して、幾つかの場合には、多数のコーチを使用し、それにより、所与のスキルの分析及びコーチングに関して合意位置を定義し、幾つかの場合には、代替的/追加的に多数のコーチを使用して、コーチに固有のコンテンツを定義する。後者は、エンドユーザがより広いコーチング合意に基づくコーチングと特定のコーチの特定の視点に基づくコーチングとの間で選択することを可能にする。実用的なレベルでは、商業的実施のコンテキストにおいて、後者は、(任意的により高い価格帯での)プレミアムコンテンツ提供のための基礎として提供されてよい。「コーチ」という用語は、コーチとして資格を有する者、又は(運動選手アスリート)又は他のエキスパート(専門家)のような)本目的のためにコーチング能力において仕事をする者を記述するために使用されることがある。

0098

スキル分析フェーズ−被験者選択実施
被験者選択は、所与のスキルを代表する被験者のグループを選択することを含む。幾つかの例示的な実施態様において、サンプル選択は、以下のパラメータのうちの1つ又は複数に亘る標準化(normalisation)を可能にするために実行される。
(i)能力レベル。好ましくは、能力レベルの範囲に亘る十分な代表があるように、複数の被験者が選択される。これは、既知の能力レベルのセットを最初に決定して、各レベルについて十分な被験者数を確保すること、第1のサンプルグループを分析し、その分析に基づきそのグループ内からの能力レベル代表を特定し、任意的に、能力レベルを代表するに至らないサンプルグループに拡大すること、又は他のアプローチを含む。本明細書で記載する実施態様において、ユーザ能力レベルは、多数のレベルでの自動的なコーチングプロセスの中心である。例えば、以下に更に議論するように、ユーザ能力レベルの初期評価は、例えば、PODデバイスがモニタリングするODCに関して、PODデバイスがどのように構成されかを決定するために使用される。コンテキストとして、初心者が行うミスはエキスパートが行うミスと異なる。その上、例えば、最初にトレーニングを提供し、それにより、初心者レベルで最適な(又は最適に近い)パフォーマンスを達成し、引き続きトレーニングを提供し、それにより、より進んだレベルで最適な(又は最適に近い)パフォーマンスを達成することによって、ユーザの実際の能力レベルに向けられたコーチングを提供することは有利である。
(ii)身体サイズ及び/又は形状。幾つかの実施態様において、又は幾つかのスキルについて、身体サイズ及び/又は形状は、(例えば、徴候の観察可能な特性を参照することによって)スキルのモーション属性に直接的な影響を有することがある。任意的なアプローチは、サンプルが、理想的には各能力レベルで、複数の身体サイズ/形状の各々を代表するように、サンプルを拡大することである。以下に更に議論するように、身体サイズ/形状の標準化は、幾つかの実施態様において、以下に更に議論するように、データ駆動型サンプル拡張方法を介して代替的に達成される。手短に言えば、これは、収集されたデータに所定の変換のセットを適用し、それにより、そのデータを異なる身体サイズ及び/又は形状の範囲に亘って変換することによって、複数のMCD/MSDデータセットが各サンプルユーザパフォーマンスについて定義されるのを可能にする。
(iii)スタイル。ユーザはパフォーマンスに重大な影響を与えない独自のスタイルを有することがある。サンプルは、好ましくは、徴候の観察特性がスタイルに依存しないように、スタイルに亘る標準化を可能にする十分な代表を含む。これは、個々のスタイルの特徴とは無関係に、パフォーマンスに基づく方法におけるコーチングを可能にする。しかしながら、幾つかの実施態様では、少なくとも徴候の選択が、スタイル固有の方法において定義される。例えば、これはコーチングが特定のスタイルを採用することを可能にする(例えば、特定の運動選手のスタイルに向けたコーチングを可能にする)。

0099

単純性のために、以下の記述は、多数の能力レベルについての標準化に焦点を当てる。例示的な実施態様では、「m」能力レベル(AL1乃至Alm)があり、各能力レベルで「n」被験者(SUB1乃至SUBn)がいる。すなわち、全体としてm*nの被験者がいる。各個々の能力レベルでの被験者の数は必ずしも等しくなくてよい(例えば、幾つかの実施態様では、所与の能力レベルで追加的な被験者が観察され、それにより、より信頼性の高いデータが得られる)。

0100

前述のように、幾つかの実施態様では、例えば、追加的なデータポイントが好ましいという特定に基づき、サンプルは時間の経過に伴い拡張される。

0101

スキル分析フェーズ−パフォーマンスレジーム定義実施例
幾つかの例示的な実施態様において、各テスト被験者(test subject)( AL1乃至ALnの各々でのSUB1乃至SUBn)は、所定のパフォーマンスレジーム(performance regime)を実施する。幾つかの実施態様において、パフォーマンスレジームは、複数の能力レベルに亘って一定である。他の実施態様では、特定のパフォーマンスレジームが各能力レベルについて定義される。コンテキストとして、幾つかの場合には、パフォーマンスレジームは、様々な強度レベルでのパフォーマンスを含み、特定の強度レベルは、閾値能力レベル未満では不適切なことがある。

0102

幾つかの実施態様は、所与のスキルについて分析パフォーマンスレジームを定義することを含むプロセスを提供する。このレジームは、サンプルデータ収集の目的のために各被験者によって実行されるべき複数の身体的スキルを定義する。好ましくは、分析パフォーマンスレジームは、所定の数のセットを実行する命令によって定義され、各セットは、所定のセットパラメータを有する。セットパラメータは、好ましくは、以下を含む。
(i)各セットについての反復数。例えば、セットは、n反復(ここで、n≧1)を含んでよく、被験者は、所定のパラメータでスキルを反復的に試みる
(ii)反復命令。例えば、反復の間にどれくらい休むか。
(iii)強度パラメータ。例えば、セットは一定の強度(同じ強度Icでの各反復REF1乃至REPn)で実行されてよく、強度を増加させる(強度I1で反復R1を実行し、次に、強度I2でREP2を実行する、ここで、I1>I2等)、或いは強度を減少させる(強度I1で反復REP1を実行し、次に、強度I2でR2を実行する、ここで、I1<I2等)、或いは、より複雑な強度プロファイルを実行する。強度が定義される方法は、アクティビティに依存する。例えば、速さ(スピード)、電力周波数等のような、強度パラメータが使用されてよい。そのような測定値は、幾つかの場合に、客観的な測定及びフィードバックを可能にする。代替的に、最大強度百分率(例えば、“最大値の50%”)は主観的であるが、しばしば効果的である。

0103

一例として、エルグ機械(室内ローイング機器の一形態)上のローイングモーションの形態におけるスキルを分析する所与の分析パフォーマンスレジームは、以下のように定義されてよい。
● 6つのセット(SET1乃至SET6)を実行し、セット間に5分の休憩を取る。
● 各セットについて、8回の連続的な反復を実行する(REP1乃至REP8)。
●強度パラメータは、強度=100WでのSET1、強度=250WでのSET2、強度=400WでのSET3、強度=550WでのSET4、強度=700WでのSET5、及び強度=850WでのSET6である。

0104

ローイングの実施例への言及は、以下に更に続く。しかしながら、これは例示のために提供される代表的なスキルに過ぎないこと、及び基礎を成す原理は広範なスキルに適用可能であることが理解されなければならない。

0105

スキル分析フェーズ−例示的なデータ収集プロトコル
パフォーマンスレジーム(performance regime)の各ユーザの完了に関して、データが収集され且つ格納される。上述のように、この実施例について、本明細書で考慮する主要な実施例において、データは、以下を含む。
(i)1つ又は複数のキャプチャ角から1つ又は複数のキャプチャデバイスによってキャプチャされるビデオデータ。例えば、正面、背面、側面、反対面、上面、及び他のカメラ角のうちの1つ又は複数が使用されてよい。
(ii)あらゆる利用可能なモーションキャプチャ技術を使用するモーションキャプチャデータ(MCD)。
(iii)1つ又は複数の身体装着式モーションセンサを使用するモーションセンサデータ(MSD)。

0106

データ収集を実行する条件を制御し、それにより、サンプル間の高度の整合性(consistency)及び比較可能性(comparability)を達成することが好ましい。例えば、これは、マーカ等を使用して一貫したカメラ配置保証して、被験者の位置決め、被験者上のMSUの正確な位置決め等を支援することのような、技術を含んでよい。

0107

収集されるデータは、1つ又は複数のデータベースに編成され且つ格納される。メタデータも好ましくは収集され且つ格納され、それにより、追加的な文脈を提供する。更に、幾つかの場合には、データを処理して、キーイベント(鍵となる事象)を特定する。具体的には、事象は、モーションベースのイベントについてデータ内に自動的に及び/又は手動タグ付けされてよい。例えば、所与のスキルの反復は、開始、終了、及び1つ又は複数の中間イベントのような、複数のモーションイベントを含んでよい。イベントは、ステップのようなもの、ボールに触れられる瞬間、ローイングモーション中のキーポイント(鍵となる地点)等を含んでよい。これらのイベントは、各データセット内で、又はビデオデータ、MCD及びMSDに亘って同期させられ得るタイムライン上で定義されてよい。

0108

スキル分析フェーズ−例示的なデータ同期
データの各形態は、好ましくは、同期させられるように構成される。例えば、以下の通りである。
●ビデオデータ及びMCDは、好ましくは、同期させられ、それにより、比較検討を可能にするように構成される。これは、例えば、(特に異なる視認角からキャプチャされたビデオ/MCDの比較分析に特に有用な)並列ビデオ検査(side-by-side video review)や、(特に共通角についてキャプチャされたビデオ/MCDに有用な)部分的な透明性を用いたオーバーレイ検査(overlaid review)を含む。
● MSDは、好ましくは、多数のMSUからのデータが共通の時間基準に対して変換/格納されるよう、同期させられるように構成される。これは、幾つかの実施態様では、それ自体のローカルクロック(local clock)に対する時間基準及び/又は観察可能な地球時間クロック(global time clock)に対する時間基準を表すデータをPODデバイスに提供する各MSUによって達成される。分散ノードによって供給されるデータの時間同期のための様々な有用な同期技法は、例えば、メディアデータ同期を含む、他の情報技術環境から知られている。

0109

同期は、好ましくは、(データが共通の時間基準に対して標準化されるように構成される)時間ベースの同期を含むが、時間ベースの同期に限定されない。幾つかの実施態様において、イベントベースの同期は、時間ベースの同期に加えて又は時間ベースの同期の代わりとして(又は時間ベースの同期を支援する手段として)使用される。

0110

イベントベースの同期は、MCD又はMSDのようなデータがイベントを表すデータを含むような、プロセスを指す。イベントは、典型的には、データについてのローカルタイムラインに対して定義される。例えば、MCDは、0:00:00に開始時点を有するビデオファイルを含んでよく、イベントは、その開始時点に対する時間で定義される。イベントは、(例えば、所定の観察可能な信号のようなソフトウェアプロセスによって特定され得るイベントを参照することによって)自動的に定義されてよく、且つ/或いは(例えば、そのデータの手作業の視覚的検査中にビデオデータをマーキングし、特定のイベントが発生した時間を特定して)手作業で定義されてよい。

0111

MCDのコンテキストにおいて、データは、好ましくは、1つ又は複数のパフォーマンスイベントに基づき同期を可能にするようマーキングされる。例えば、ローイングのコンテキストでは、ローイングモーション中の様々な特定可能なモーションポイント(motion points)を印し、それにより、モーションポイントの共通性に基づきビデオデータの同期を可能にする。これは、異なるサンプルユーザからのビデオデータを比較するときに特に有用である。それはそのようなユーザ間の異なる速度の動きを特定するのを支援する。幾つかの場合において、モーションポイントベースの同期は多数のアクティビティに基づき、ビデオレートは、2つの異なるサンプル(例えば、異なるユーザ、異なる反復、異なるセット等)についてビデオデータにおける2つの共通のモーションアクティビティを並列に(又は重ねて)見て、これらのモーションアクティビティ間で同じ速度の進行を示すように、調整される(例えば、速さが増大させられ、或いは速さが減少させられる)。例えば、1人の漕ぎ手が1秒のストローク時間を有し、他の人が1.2秒のストローク時間を有するならば、モーションアクティビティベースの同期は、後者が1秒に短縮され、それにより、2つの漕ぎ手のモーション間のより直接的な比較を可能にするように、適用される。

0112

スキル分析フェーズ−例示的なデータ拡張方法論
幾つかの実施態様では、各被験者のためにMSD及び/又はMCDを、データ拡張プロセスを介して変換し、それにより、異なる身体属性を有する複数の更なる「仮想被験者」を定義する。例えば、各MCD及び/又はMSDデータアクティビティが複数の異なる身体サイズに基づき変換されるのを可能にするよう、変換を定義する。これは、特定の身体サイズを有する被験者からのパフォーマンスのキャプチャが、異なる身体サイズを反映する複数のサンプルパフォーマンスに拡張されるのを可能にする。「身体サイズ」という用語は、身長、胴の長さ、上肢の長さ、下肢の長さ、腰幅肩幅等のような、属性を指す。これらの属性は、実際には、MCD及びMSDデータ収集にそれぞれ使用されるマーカ及びMSUの移動経路パス)及び相対位置を変更することが理解されるであろう。

0113

データ拡張は、全てのサンプル遂行者から収集されるデータが「標準的」身体サイズを有する仮想遂行者による1つ又は複数の仮想パフォーマンスを含む仮想パフォーマンスのセットに拡張され得るという点で、身体サイズの標準化のコンテキストにおいても有用である。幾つかの実施態様では、単一の「標準的」身体サイズが定義される。標準身体サイズの使用、並びにサンプルパフォーマンスからその標準身体サイズへのMSD及びMCDの変換は、多数のサンプル遂行者の身体サイズの違いにも拘わらず、MCD及びMSDの直接的な比較を可能にする。

0114

スキル分析フェーズ−例示的な仮想分析方法論
上述したように、並びに図2Aのブロック202に示すように、例示的なスキル分析方法論の特徴は、ビデオデータを介したサンプルパフォーマンスの視覚的分析を含む。他の実施態様において、ビデオ分析は、ビデオデータの代替として、又はビデオデータに加えて、MCD及び/又はMSDから導出されたコンピュータ生成モデルを使用して実行される。従って、以下の実施例は、ビデオデータに基づく検査に焦点を当てるが、そのような実施例は非限定的であり、ビデオデータは、他の実施態様において、MCD及び/又はMSDに基づき生成されるモデル置換されることが理解されるべきである。

0115

視覚的分析は、スキルとそのスキルのコンポーネント予備的な理解、徴候の初期的特定、及び所定の分析スキームに基づく個々のサンプルパフォーマンスの分析を含む、様々な目的のために実行される。

0116

図3は、1つの実施態様に従った例示的なユーザインタフェース301を例示している。特別に適合されたソフトウェアは全ての実施態様において使用されないことが理解されるであろう。図3の実施例は、主として、視覚的分析プロセスにおいて特に役立つ鍵となる機能性を例示するために提供される。

0117

ユーザインタフェース301は、複数のビデオディスプレイオブジェクト302a乃至302dを含み、ビデオディスプレイオブジェクトは、それぞれ、格納されるビデオデータを再生するように構成される。幾つかの実施態様において、ビデオディスプレイオブジェクトの数は、例えば、(i)所与のサンプルパフォーマンスについてのビデオキャプチャカメラ角度の数、及び(ii)ユーザコントロールに基づき異なり、ビデオディスプレイオブジェクトは、各角度について提供される。ユーザ制御に関して、ユーザは、パフォーマンスレベルで(この場合には、多数のビデオディスプレイオブジェクトがそのパフォーマンスに関連付けられる多数のビデオ角度のために集合的に構成される)或いは個々のビデオベース(例えば、1つ又は複数のサンプルパフォーマンスから特定の角度を選択すること)で、表示されるべきビデオデータを選択することが可能にされる。各ビデオディスプレイオブジェクトは、単一のビデオを表示するか、或いは多数のビデオを同時に表示するように構成される(例えば、2つのビデオをある程度の透明性を伴って互いに重ね、それにより、オーバーラップ及び相違の視覚的観察を可能にする)。再生コンテキストディスプレイ304は、ビデオディスプレイオブジェクトに何が表示されているかについての詳細を提供する。

0118

オブジェクト302a乃至302d内に表示されるビデオデータは、同期される、例えば、時間同期される。共通のスクロールバー303は、(前述のように、各ビデオディスプレイオブジェクト内に多数のオーバーレイされた(overlaid)ビデオオブジェクトを含んでよい)多数の同期されたビデオを通じた同期ナビゲーションを可能にするために設けられる。幾つかの実施態様では、時間同期とモーションイベントベースの同期との間を移動するためにトグル(toggle)が設けられる。

0119

ナビゲーションインターフェース305は、ユーザが利用可能なビデオデータをナビゲートするのを可能にする。このデータは、好ましくは、複数の属性を参照することによってソートされるように構成され、それにより、所望のパフォーマンス及び/又はビデオの特定を可能にする。例えば、1つのアプローチは、先ず、スキルによってソートし、次に、能力レベルによってソートし、次に、ユーザによってソートすることである。好適な実施態様において、ユーザは、パフォーマンスビデオデータセット及び/又は個々のビデオをビデオディスプレイオブジェクトにドラッグアンドドロップするのが可能にされる。

0120

図3は、追加的に、観察記録インタフェース306を例示している。これは、ユーザが、見られたパフォーマンスデータセットに関連付けら得る観察を記録するのを(例えば、チェックリストを完成する、メモを作成する等を)可能にするために使用される。多数のパフォーマンスデータセットが見られるとき、好ましくは、マスターセット、及び1つ又は複数のオーバーレイされた比較セットがあり、観察はマスターセットと関連付けられる。

0121

スキル分析フェーズ−視覚的分析を介した例示的な徴候特定
例示的な実施態様では、多数のエキスパート(例えば、コーチ)が、サンプルパフォーマンスを検査し、それにより、徴候を特定することに関与する。幾つかの場合、これは、観察記録インタフェース306を提供する、ユーザインタフェース301のようなインタフェースによって容易にされる。

0122

全体として、各エキスパートは、事前に定められた検査プロセスに基づき(ビデオデータの検査、又はMCD及び/又はMSDから構築されたモデルの検査を介して)各サンプルパフォーマンスを検査する。例えば、検査プロセスは、特定の条件(例えば、通常の速さ、スローモーション、及び/又はオーバーレイされた「正しいフォーム」の実施例)の下で特定の数の視認を必要とするよう、予め定められてよい。エキスパートは、特定された徴候に関して観察を行う。

0123

図4Aは、1つの実施態様で使用される例示的なチェックリストを示している。そのようなチェックリストは、ハードコピー形式において、或いは(図3のインタフェース306のような)コンピュータインターフェースを介して、完成されてよい。チェックリストは、検査者(すなわち検査を行うエキスパート/コーチ)によって分析されている(この実施例では「標準ローミングアクション」である)スキル、(名前又はIDによって特定されるサンプルパフォーマンスに示される人物である)被験者、被験者の能力レベル、及び検査されているセットを含む、データ属性を特定する。これらのデータ属性のいずれかについての追加的な詳細がデータの他の特徴と共に表示されてもよい。

0124

チェックリストは、次に、エキスパートが観察するよう命令される徴候を特定するヘッダー行を含む。図4Aにおいて、これらはS1乃至S6として示されているが、実際には、(このローイングの実施例のコンテキストにおける「突っ込んだ腕」(snatched arms)又は「突進するスライド」(rushing slide)のような)記述的名称/用語を参照して徴候を記録するのが好ましい。ヘッダー行は、個々の反復REP1乃至REP8を示す。検査者は、各反復に関して各徴候の存在を記す。徴候のセットは能力レベルによって依存して異なることがある。

0125

図4Aに示すようなチェックリスト(及び他の収集手段)から導出されるデータを収集し且つ処理して、それにより、サンプルパフォーマンスについての各セットの各反復における徴候の存在を決定する。これは、各反復についての合意ビューを決定すること、例えば、閾値数のエキスパートが所与の反復において徴候を特定することを要求することを含んでよい。幾つかの場合において、合意ビューデータは、個々のエキスパート観察データとの組み合わせにおいて格納される。

0126

ビデオデータ、MSD、及びMCDは、徴候の存在を表すデータと関連付けられる。例えば、所与のサンプルパフォーマンスの所与のセットの所与の反復についてMSDを定義する個々のデータセットは、1つ又は複数の特定された徴候と関連付けられる。

0127

幾つかの実施態様では、図4Aのチェックリストのようなチェックリストは、事前定義されたODCのセットに基づくMSDの分析に基づき予測された徴候が事前設定されている(pre-populated)。検査者は、視覚的分析に基づきそれらの予測を確認/拒否することによってMSDに基づく自動化された予測の正確性を検証することができる。幾つかの実施態様において、そのような検証はチェックリストの事前設定(pre-populating)のないバックグラウンド作業として実行される。

0128

スキル分析フェーズ−例示的な徴候対原因マッピング
幾つかの実施態様では、視覚的分析に基づき徴候を原因にマッピングすることを可能にする分析を実行する。コンテキストとして、所与の徴候は、複数の根本的な原因のうちのいずれか1つ又は複数に起因することがある。幾つかの場合には、第1の徴候が第2の徴候の原因である。トレーニングの観点からは、所与の徴候について、原因の基礎を成す根を決定することは有用である。その場合、その原因に対処するトレーニングを提供することができ、故に、(「徴候」が誤った形態を示す実施態様において)徴候を矯正するのを助けることができる。

0129

一例として、標準的なローイングモーションを再び参照して、以下の徴候が定義されてよい。
● 最小ロックオーバ(minimal rock over)。
バンショーブ(を突出す動き)(bum shove)。
● 突っ込んだ腕(snatched arms)。
●突進する回復スライド(rushing recovery slide)。
● 山を越える(over the mountain)。
● 手がを越える前に膝を曲げる(knees bending before handspast knees)。
● 短すぎる回復(recovery too short)。
● C字形バック(C-shaped back)。

0130

次に、各徴候について、複数の考えられる原因を定義する。例えば、「突っ込んだ腕」(“snatched arms”)のコンテキストでは、原因は以下のように定義されてよい。
● 早く腕をロードする(loading arms early)。
● 早く腕を戻す(loading back early)。
●突進する回復スライド(rushing recovery slide)。

0131

徴候−原因相関の分析は、複数の原因のうちのどれが特定された徴候に関与しているかの予測/決定を支援する。原因が(上記「突進回復スライド」のような)徴候でもある場合、予測される根本原因が特定されるまで、その徴候の原因が(潜在的に反復可能なプロセスを介して)特定(等)される。次に、その根本原因に対処することができる。

0132

幾つかの実施態様では、エキスパートが追加的な視覚的分析を行い、それにより、徴候を原因と関連付ける。これは複数のレベルのいずれか1つ又は複数で実行されてよい。例えば、以下の通りである。
● 一般的なスキルベースのレベルでの根本原因との徴候の関連付け。
● 概ね各能力レベルについての根本原因との徴候の関連付け。
● 各個々の運動選手についての根底原因との徴候の関連付け。
● (例えば、能力、強度、及び徴候/原因関係の間の関係に関するガイダンスを提供する)各個々の運動選手によって実行される各セットについての根本原因との徴候との関連付け。
● 各個々の運動選手によって行われる各セットの各反復についての徴候との原因の関連付け。これはよりリソース集約的であるが、特定の原因についてのMSDの詳細な分析を可能にする。

0133

徴候の特定と同様に、幾つかの実施態様では、チェックリストが使用される。例示的なチェックリストが図4Bに提供されている。このチェックリストでは、検査者は、所定のセットについて(この実施例ではS1、S2、S4及びS5である)特定された徴候と原因との間の相関を記す。コンピュータが実施するチェックリストの場合には、ヘッダー行をフィルタリングして、そのセット内に存在するものとして特定された徴候のみを明らかにしてよい。幾つかの実施態様では、エキスパートは、チェックリストに追加的な原因列を追加するのが可能にされる。

0134

徴候−原因相関を表すデータを多数の検査者に亘って集計し、それにより、多数のエキスパートによって特定されるような徴候及び原因の間の関係の合意ビューを特定するオーバーラップ行列(overlap matrix)を定義する。これは、能力レベルベース、運動選手ベース、セットベース、又は反復ベースであってよい。いずれの場合においても、集計は、徴候が所与の能力レベルの運動選手について特定される場合に、原因又は可能性のある原因の予測を可能にするデータの決定を可能にする。ODCが個々の原因について定義されるとき、それはMSDの処理を可能にし、それにより、特定された1つ又は複数の可能性のある原因のいずれかの存在を特定する。

0135

幾つかの実施態様では、合意ビューの部分となるにはエキスパートの間で十分に一致していない徴候−原因相関が、プレミアムコンテンツ生成の目的のために格納される。例えば、トレーニングプログラムのコンテキストでは、多数のレベルのプレミアムコンテンツがあることがある。
● 徴候−原因相関について合意ビューを使用する、ベースレベル
● (更なる徴候−原因相関が特定のエキスパートによって一貫して特定されているが、合意ビューに反映されていないという観察に基づく)その特定のエキスパートと関連付けられる更なる徴候−原因相関の更なるグループを追加的に使用する、上位レベル

0136

オーバーラップ行列は、(能力レベルのような)コンテキストに基づき特定の徴候に関与する特定の原因の相対的確率を定義するために使用されてもよい。例えば、第1の能力レベルで、徴候Aが原因Bの結果である可能性は90%であるが、第2の能力レベルで、原因Bは、その徴候について10%の可能性であるに過ぎず、原因Cが70%の可能性であることがある。

0137

幾つかの実施態様では、(上記徴候と類似の方法において)各反復を原因と関連させ、それにより、MSDにおける原因についてのODCの特定を支援する、分析を実行する。しかしながら、他の実施態様では、原因は、MSDの分析を必要とせずに、確率的予測ベースで特定される。

0138

スキル分析フェーズ−能力レベル徴候の例示的な特定
幾つかの実施態様において、重要な範疇(カテゴリ)(category)の徴候は、定義された能力レベルへの被験者の分類(categorisation)を可能にする徴候である。所与の能力レベルへの分類は、特定の徴候の観察、又は徴候の集合のうちの1つ又は複数の観察に基づいてよい。

0139

以下に更に記載するように、幾つかの実施態様は、例えば、観察能力レベルを表す徴候に基づき、能力レベルに関する決定を先ず行い、次に、その決定に基づき下流アクションを実行する、トレーニングプログラムロジックを活用する。例えば、ODCについてのモニタリングは、幾つかの場合に、能力レベルに依存する。例えば、所与の徴候についてのODCは、第2の能力レベルと比較して第1の能力レベルで異なって定義される。実際には、これは、初心者が徴候を表示するコースエラー(course errors)を行うことの結果でなく、エキスパートがより一層細かい動きの変化を介して徴候を表示することがある。

0140

スキル分析フェーズ−(例えば、状態エンジンデータについての)ODCの例示的な決定
エキスパート/コーチによる視覚的分析に続き、スキル分析フェーズは、サンプルパフォーマンスの視覚的分析から得られたエキスパート知識(expert knowledge)を分析して、MSDに基づく徴候の自動的な検出を可能にするODCを定義する、データ分析サブフェーズ移行する。例えば、そのようなODCは、トレーニングプログラムがエンドユーザの身体的パフォーマンスにおける特定の徴候の検出を表す入力に基づき動作することができるように、後にエンドユーザハードウェア(例えば、PODデバイス)にダウンロードされる、状態エンジンデータにおいて使用される。

0141

所与の徴候についてODCを定義するために、ある範囲の様々な方法論が様々な実施態様において使用されることが理解されるであろう。幾つかの実施態様において、一般的な方法論は、以下を含む。
(i)MSDの分析を実行し、それにより、視覚分析の結果に基づき徴候の存在を示すと予測される(例えば、加速率及び方向を含むMSDに基づく)データ属性の組み合わせを特定すること。
(ii)(例えば、実際に記録されたMSDを使用して)サンプルパフォーマンスを表すデータに対するそれらのデータ属性をテストして、それらのデータ属性が(任意的に能力レベルに固有の基準で)関連する徴候を表示する全てのサンプルパフォーマンスに存在することを検証すること。
(iii)(例えば、実際に記録されたMSDを使用して)サンプルパフォーマンスを表すデータに対するそれらのデータ属性をテストして、それらのデータ属性が(再び任意的に能力レベルに固有の基準で)関連する徴候を表示しないサンプルパフォーマンスに存在しないことを検証すること。

0142

実施例は、以下を含むが、それらに限定されない。
●視覚的分析とMSDとの間の足掛かりとしてMCDを使用するアプローチ。
● 視覚的分析からMSDの分析に直接的に移行するアプローチ。
● 個々のセンサから得られるデータに基づきODCを定義するアプローチ。
● MSDから構築される仮想身体モデルを使用して全体的な身体モーションに基づきODCを定義するアプローチ。

0143

一揃いの実施例を以下に詳細に記載する。

0144

幾つかの実施態様において、ODCは、例えば、MSU及び/又はPODデバイスで余りプロセッサ/電力集約的でないODCを定義することによって、エンドユーザハードウェアを効率的に活用するよう、調整される。例えば、これは、サンプリング速度、データ解像度等に関して関連することがある。

0145

スキル分析フェーズ−視覚的観察からMCD空間への例示的な変換
上述のように、幾つかの実施態様において、MCD空間は、視覚的観察とMSDデータ分析との間の足掛かりとして使用される。これは、(例えば、MSDを共通の幾何学的基準フレームに変換することに関連する挑戦に留意して)MSDに基づき仮想身体モデルを正確に定義することに関連する挑戦を回避するのに有用である。

0146

全体として、このプロセスは、所与の徴候について、その徴候を表示するものとして印されたパフォーマンスと関連付けられたMCDを分析することを含む。この分析は、幾つかの実施態様において、(徴候がモーションから観察可能である程度は能力レベルによって異なることに留意して)能力レベルに固有の基準で行われる。例えば、分析は、関連する徴候を表示するサンプルについての(MCDに由来するコンピュータ生成モデルのような)MCDを、徴候を表示しないサンプルについてのMDCと比較することを含む。

0147

図5は、1つの実施態様に従った方法を例示している。これは一例に過ぎず、類似の目的を達成するために様々の他の方法が任意的に使用されることが理解されるであろう。ブロック501は、分析のための徴候を決定することを含むプロセスを表している。例えば、徴候は、ローイングのコンテキストにおいて、「突っ込んだ腕」(“snatched arms”)であってよい。ブロック502は、分析のためのサンプルデータを特定することを含むプロセスを表している。例えば、サンプルデータは、以下を含んでよい。
● 徴候と関連付けられる全ての反復についてのMCD。
● 特定の強度パラメータでの徴候と関連付けられる全ての反復についてのMCD。すなわち、分析は、徴候が(他の強度パラメータとは対照的に)特定の強度パラメータでどのように存在するかを考慮する。
● 特定の能力レベルでの徴候と関連付けられる全ての反復についてのMCD。すなわち、分析は、徴候が(他の能力レベルとは対照的に)特定の能力レベルでどのように存在するかを考慮する。
● 特定の強度パラメータ及び特定の能力レベル(すなわち、前の2つのアプローチを組み合わせたもの)での徴候と関連付けられる全ての反復についてのMCD。

0148

他のアプローチも使用されてよい。幾つかの場合には、(所与の徴候に関連する或いは関連しないと判明することがある)強度及び能力のような要因の影響をより良く理解するために、上記アプローチの多数が組み合わせにおいて使用される。

0149

ここで使用されるMCDは、好ましくは、例えば、上で議論したサンプル拡張技法に基づき標準的な身体サイズに標準化されたMCDである。同様に、そのようなプロセスから得られるODCは、可変な(及び潜在的に無限に可変な)範囲の身体サイズに適用可能であるように、サンプル拡張の変換原理を使用して非標準化されることが可能である。

0150

機能ブロック503は、潜在的な徴候インジケータモーション(SIM)を特定することを含むプロセスを表している。例えば、これは、関連する徴候を表す予測されるサンプル反復の各々についてMCD内で観察可能なモーションの属性を特定することを含む。インジケータモーションは、幾つかの実施態様において、MSUが取り付けられる身体部分のモーションパスモーション経路)の属性によって定義される。モーションパスの属性は、角度、角度の変化、加速減速、加速/減速の変化等のようなものを含む。本明細書では、これを「ポイントパスデータ」(ポイント経路データ)(“point path data”)と呼び、それは身体上に定義されるポイントのモーション属性を表すデータである。これに関して、潜在的SIMは、「ポイントパスデータ」の1つ又は複数のセットによって定義される(すなわち、幾つかの場合には、1つのセットのポイントパスデータがあり、その場合、SIMは1つの身体部分だけのモーションに基づき、幾つかの場合には、多数のセットのポイントパスデータがあり、その場合、SIMは、前腕及び上腕のような多数の身体部分のモーションに基づく)。

0151

コンテキストとして、ポイントパスデータのセットは、所与のポイントについて以下のデータを含むように定義されてよい。
● X軸加速度:最小A、最大B
● Y軸加速度:最小C、最大D
● Z軸加速度:最小E、最大F

0152

加速度以外のデータも使用されてよい。更に、多数の加速度測定値があってよく、これらは、他のイベント及び/又は測定値に時間参照されてよい。例えば、ポイントパスデータの1つのセットは、ポイントパスデータの他のセットの観察に続く定義された時間期間を参照することによって制約されてよい。コンテキストとして、これは上肢にあるポイントと前腕にあるポイントとの相対的な動きを考慮するSIMを定義するために使用されてよい。

0153

機能ブロック504は、潜在的SIMが比較データに対してテストされる、試験プロセス(testing process)を表している。幾つかの実施態様において、試験は、以下を検証する。
(i)ポイントパスデータの1つ又は複数のセットが、サンプルデータにおける反復のそれぞれについて、MCDにおいて観察される。これは、潜在的SIMが、それが動作するように設計されるサンプル中の徴候の存在を特定することに関して効果的であることを検証する。
(ii)ポイントパスデータの1つ又は複数のセットは、関連する徴候と関連付けられない反復について、MCDにおいて観察されない。これは、徴候が存在しない場合に、潜在的SIMが引き起こされないことを検証する。

0154

判定505(decision)は、潜在的SIMが505での試験に基づいて検証されるか否かの決定(determination)を表している。

0155

潜在的SIMが成功裡に検証され得ない場合、SIMは精緻化され(refined)(ブロック506を参照)、再テストされる(re-tested)。幾つかの実施態様において、精緻化(refinement)及び再試験(re-testing)は、インタラクティブ(対話型アルゴリズムを介して自動化される。例えば、これは、前に予め定義された潜在的SIMの基礎を成すポイントパスデータ定義を、関連する徴候が存在しないパフォーマンス反復についてMCDを参照することによって特異であると検証され得るポイントに絞り込むように動作する。幾つかの場合には、閾値数の反復に続いて所与のSIMを検証することができず、新しい開始ポイントの潜在的SIMが必要とされる。

0156

ブロック508は、成功裡の試験に続くSIMの検証を表している。

0157

サンプルデータが関連する徴候と関連付けられる全ての反復についての全MCDデータのサブセットである幾つかの実施態様では、SIMがその全MCDデータのあらゆる他のサブセットについても検証されることを示すデータが生成される(例えば、SIMは、第1の能力レベルでの分析に基づき導き出されるが、第2の能力レベルでも検証される)。

0158

潜在的なSIMを決定するプロセスは、(例えば、ビデオ及び/又はMCDに由来するモデルデータの視覚的分析に基づく)主として手作業のプロセスであってよいことを理解されるべきである。しかしながら、幾つかの実施態様において、プロセスは、様々なレベルの自動化によって支援される。例えば、幾つかの実施態様では、アルゴリズムが、徴候が存在しないMCDにおけるMCDと比較した、徴候を表示するMCDにおける共通性に基づき、潜在的なSIMを特定するように構成される。そのようなアルゴリズムは、幾つかの実施態様において、全ての他のサンプルパフォーマンス(サンプルパフォーマンスは身体サイズのために標準化されている)に対する徴候を表示するサンプルパフォーマンスのサンプルセット特異性包括的に定義される潜在的なSIMの集合を定義するように構成される(各SIMは、MCD空間又はMSD空間内のポイントパスデータのそれぞれの1つ又は複数のセットによって定義される)。1つの実施態様では、アルゴリズムが、選択される徴候又は徴候の集合に共通する全てのMCDを含むデータセットを表すデータを出力し、(例えば、特定のセンサ、モーション内の特定の時間窓、データ解決制約等に基づき)そのデータセットのフィルタリングを可能にし、それにより、(例えば、エンドユーザに提供されるMSU対応衣服のMCDに基づき)エンドユーザハードウェアのコンテキストにおける実用的な適用を可能にする特性を有する潜在的なSIMへのデータセットのユーザ誘導狭小化ナローイング)を可能にするように構成される。

0159

幾つかの実施態様において、試験プロセスは、視覚的分析が失敗した反復における徴候の識別を可能にするために追加的に使用される。例えば、試験失敗の回数が少ない場合、それらは、徴候が実際に存在しないのか或いは微かに存在するのかを確認するために、視覚的分析に晒される。

0160

スキル分析フェーズ−MCD空間からMSD空間への例示的な変換(ODC)
図5の方法のような方法によって検証されたSIMは、次に、MSD空間に変換される。上記のように、各SIMは、ポイントパスデータの1つ又は複数のセットを表すデータを含み、ポイントパスデータの各セットは、人体上の定義されたポイントについてのモーション属性を定義する。

0161

ポイントパスデータが定義される人体上のポイントは、好ましくは、MSUが(i)サンプルパフォーマンス中に被験者が着用するMSU構成、及び(ii)エンドユーザが利用するMSU対応衣服のコンテキストにおいて取り付けられるポイントに対応して定められる。幾つかの実施態様では、エンドユーザMSU対応衣類(又はそのバリエーション(変形))が、サンプルパフォーマンスの目的のために使用される。

0162

ポイントパスデータが、MSUが取り付けられるポイント以外のポイントのために定義される場合には、データ変換を実行し、それにより、ポイントパスデータをそのようなポイントに調整するのが好ましい。代替的に、そのような変換は後続の段階に統合されてよい。

0163

全体として、サンプルデータ(図5のブロック502のサンプルデータ)におけるサンプルパフォーマンス反復のうちの1つ又は複数のためのMSDを分析し、それにより、ポイントパスデータに対応するデータ属性を特定する。例えば、ポイントパスデータは、基準フレーム(好ましくは、重力基準フレーム)に対するモーション方向及び/又は加速方向の1つ又は複数の定義された範囲を示すことがある。

0164

幾つかの実施態様において、(a)MCD空間内で得られたSIMから(b)MSD空間によって定義されたデータへの変換は、以下を含む。
(i)ポイントパスデータの各セットについて、ポイントパスデータを表す、SIMが関連するサンプルパフォーマンスの各々に存在する、MSD属性を特定すること。幾つかの場合、ポイントパスデータとMSDの属性との間の関係は、例えば、MSDの性質の故に不完全である。そのような場合、特定されたMSD属性は、ポイントパスデータによって定義されるモーションよりも広いことがある。
(ii)図5のブロック504〜506の反復試験と類似するプロセスによって特定されるMSDデータ属性を検証し、それにより、特定されるMSD属性が、徴候を表示するサンプルパフォーマンスについてのMSD内に一貫して見出され、全ての徴候のないサンプルパフォーマンスに存在しないことを検証すること。

0165

MSD空間へのこの変換プロセスは、収集段階(例えば、図2Aのブロック201)中に使用される1つ又は複数のMSUから得られるデータ内で観察されるときに徴候の存在を示す、データ条件をもたらす。すなわち、変換プロセスは、徴候についてのODCをもたらす。

0166

このように定義されるODCの決定は、1つ又は複数のセンサの個々のセンサデータ条件によって定義される。例えば、ODCは、規則(例えば、タイミング規則:センサXがAを観察し、定義された時間内に、近接センサXがBを観察する)との組み合わせにおいて、各センサでの速度及び/又は加速度の測定値に基づき観察される。

0167

次に、ODCは、エンドユーザデバイスへのダウンロードのために利用可能にされるように構成された状態エンジンデータに統合されるのが可能にされ、それにより、関連する徴候をモニタリングするそのエンドユーザデバイスの構成が可能にされる。

0168

上記変換プロセスによって定義されるODCは、データ収集フェーズにおいて使用されるMSUに特異であることが理解されるであろう。この理由のために、エンドユーザによって使用されるような収集フェーズ中に(例えば、同じMSU対応衣服を介して)同じMSU及びMSU位置付けを使用するのが便利である。しかしながら、幾つかの実施態様では、例えば、異なるMSU及び/又は異なるMSU位置付けを伴う、多数のバージョンのエンドユーザMSU対応衣服がある。そのような場合、MSD空間への変換は、各衣服バージョンのために別個に任意的に実行される。これは、(特定のエンドユーザ機器に対応する)仮想MSU構成の仮想適用を介して、収集されたテストデータの既知のデータ変換及び/又はモデリングを適用することによって、達成されることがある。例えば、後者に関して、MCDから導出される仮想モデルは、1つ又は複数の仮想MSUをサポートし、SIMデータに対応するコンピュータ予測MSU読取りを決定するフレームワークとして、任意的に使用される。分析フェーズを介して収集されるデータがそのような状況において時間の経過と共に再使用され得ることを条件として、これはハードウェアの進歩に基づき時間の経過と共にODCを再定義する能力を提供することが理解されるであろう。

0169

MSC分析に基づき生成されるODC又はSIMを定義するプロセスである例示的なプロセスを図6に例示する。検証されたSIMが601で特定される。ポイントパスデータのセットの第1のものが602で特定され、そして、これはブロック603乃至608によって表されるプロセスを介して分析され、それはポイントパスデータの各セットについてループする。このループ処理は、ポイントパスデータに対応する潜在的なMSD属性を特定することを含む。例えば、幾つかの実施態様において、これは、収集されたMSDを、関連する収集されたMSDの全部又はサブセットについてのポイントパスデータと同じ時点で処理することを含む(MCD及びMSDは時間同期のために構成された方法で格納されることに留意のこと)。次に、604で試験を実行して、特定されたMSD属性が、サンプルパフォーマンスから収集された全ての関連する徴候に存在するMSD内に存在するか否かを605で決定し、(そして、幾つかの実施態様では、特定されたMSD属性が、徴候が存在しないMSD内に存在しないことを保証する)。必要な場合には、606で精緻化を実行し、さもなければ、607でMSD属性を検証する。

0170

SIM内のポイントパスデータの全てのセットについてブロック603乃至608のループ処理がひとたび完了すると、検証されたMSD属性を609で組み合わせ、それにより、徴候についての潜在的なODCを定義する。次に、これらもブロック610乃至613のプロセスを介して試験し、精緻化し、且つ検証し、それにより、潜在的なODCを、(i)関連する徴候が実際に存在する全ての関連するサンプルパフォーマンスMSD内で特定し、且つ(ii)関連する徴候が存在しない全ての関連するサンプルパフォーマンスMSD内で特定しない(「関連する」(“relevant”)という用語は、幾つかの場合、分析が能力レベル等によって制限されることを示す)。

0171

更なる実施態様では、様々な代替的な方法論を使用し、それにより、所与の徴候についてODCを定義することが理解されるであろう。しかしながら、実質的に全ての場合において、方法は、分析を実行し、それにより、徴候が存在するサンプルパフォーマンスについて(収集された或いは仮想に定義された)MSD内に特定されることができるが、徴候が存在しないサンプルパフォーマンスにおいて特定されることができない、観察可能なデータ条件を定義することを含む。

0172

スキル分析フェーズ−MSD空間を介したMCD空間への仮想的な観察の代替的な変換
更なる実施態様において、MCDは、仮想身体モデルを生成するために使用され、そのモデルは、時間同期されたMSDと関連付けられる。そのようにして、スキルパフォーマンスモーションの特定のポイントで選択的な1つ又は複数のMSUについてMSDを使用して分析を行うことができる。

0173

この段階で使用されるMSDは、特定のパフォーマンスについてのMSD又は同様のパフォーマンスのサブセットに亘って集計されたMSD(例えば、定義された能力レベルでの標準化された身体サイズによるパフォーマンス)のいずれかである。集計は、(i)パフォーマンスのサブセットの全てにおいて類似/同一であるMSDのみを利用すること、及び(ii)集計されたMSDが、パフォーマンスのサブセットについてMSDの全て(又は統計的に関連する割合)を含むようにデータ値範囲を定義することの一方又は両方を含んでよい。例えば、後者に関して、第1のパフォーマンスのMSDは、特定の時点での特定のセンサのx軸加速度についてAの値を含んでよく、第2のパフォーマンスについてのMSDは、その特定の時点でのその特定のセンサのx軸加速度についてBの値を有してよい。これらは、集約MSDに集約されることができ、その場合、その特定の時点でのその特定のセンサのx軸加速度の値は、AとBとの間にあるものとして定義される。

0174

故に、以下のようなものを決定するために分析を行うことができる。
(i)特定のパフォーマンスについての、モーション中の特定のポイントでの、特定のセンサについてのMSDの1つ又は複数の特徴についての値(例えば、加速度計の値)。
(ii)(i)での値を、動作(movement)における同じポイントでの他のパフォーマンス(例えば、同じ能力レベルで同じ徴候を示す他のパフォーマンス)と比較する、比較データ。
(iii)パフォーマンスのセット(例えば、同じ能力レベルで同じ徴候を示す他のパフォーマンス)についての、動作における特定のポイントでの、特定のセンサについてのMSDの1つ又は複数の特徴についての値の範囲(例えば、加速度計の値)。
(iv)その特定の徴候を表示しない1つ又は複数の更なるパフォーマンスについての対応するMSDと比較するときの、特定の徴候を有する特定のパフォーマンスについての、動作中の特定のポイントでの、特定のセンサについてのMSDの1つ又は複数の特徴についての比較データ(例えば、加速度計の値)。

0175

そのような分析は、所与の徴候について予測されるODCを決定するために使用される。

0176

予測されたODCがひとたび定義されると、これらは図7に示したような方法を使用して試験されることができる。特定の徴候について予測されたODCが701で決定され、次に、これらは702でサンプルパフォーマンスについてのMSDに対して試験される。前の実施例と同様に、これは、予測されたODCがその徴候を表示する関連するパフォーマンスについてのMSD内に存在すること、及びODCが徴候を表示しない関連するパフォーマンスについてのMSD内に存在しないことを検証するために、使用される。例えば、「関連する」パフォーマンスは、共通の能力レベルでのサンプルパフォーマンスであり、幾つかの実施態様では、標準的な身体サイズに対して標準化される。試験に基づき、ODCは704で精緻化され、或いは705で検証される。

0177

分析フェーズ−身体モデリングを介してODCを定義する代替的なアプローチ
上述のアプローチは、個々のセンサのうちの1つ又は複数の特定のデータ属性を探すODCに基づく。代替的なアプローチは、身体のモーションに基づきODCを定義し、MSUから収集されるMSDに基づき仮想身体モデルを定義することである。例えば、MSDを収集し且つ処理し、それにより、MSUから得られる動作データに基づき三次元身体モデル(又は部分的な身体モデル)を定義し且つ維持し得るように、データを共通の基準フレームに変換する。MSDから部分的な及び/又は全体的な身体モデルを導出する例示的な技法は、2つ又はそれよりも多くのMSUからのMSDを共通の基準系に変換することを含む。そのような変換は、以下の技法のうちの任意の1つ又は複数によって任意的に達成される。
● MSU場所の精密な位置付け及び/又は測定、並びにタイムライン上の事前定義されたポイントでの既知の身体位置の特定(例えば、開始ポーズ)。
●モーションキャプチャポイント(例えば、モカップ(mocap)マーカ)とMSUとの間の既知の位置関係の利用。
● 関節の種類のような既知の身体の拘束を使用して、関節の一方の側の第1のセンサからのMSDを関節の他方の側のMSDを関連付けること。
● 例えば、重力加速度の方向と磁北の方向を使用して、共通の基準フレームへの全体的なデータ変換を可能にするために、多数のMSUに共通する基準データを使用すること。

0178

もちろん、最初の2つは、MSUが制御された環境に装着され、MCDのような二次データがMSD解釈を支援するために利用可能である、スキル分析のコンテキストにおいて有利であることが多い。最後の2つは、例えば、制御がより少ない状況において、例えば、MSDが潜在的に制御されていない(又は比較的余り制御されていない)環境にあるエンドユーザ型MSU対応衣服の着用者から収集される状況において、より関連性が高い。そのようなアプローチに関する追加情報は、以下に更に提供される。

0179

身体的スキルを客観的に定義する代替的な例示的な方法論
身体的スキルを客観的に定義するための代替的な方法論の更なるグループが、図8A乃至8Iを参照して以下に記載される。これらの方法論の特徴は、幾らかの実施態様において、更に上で記載した特徴と組み合わされる。

0180

これらの方法論は、一般的な意味において、(必ずしも明確に分離可能ではないか或いは厳密な線形進行を介して進まない)3つのフェーズを含む。第1のフェーズは、所与のスキルを分析し、それにより、最適なパフォーマンス及び準最適なパフォーマンスに関する動作/位置属性を理解する、サンプル分析フェーズ801である。次に、データ分析フェーズ802が、フェーズ801で得られた理解を観察可能なセンサデータに適用することを含む。このフェーズは、所与のエンドユーザ実施のためのエンドユーザセンサのセットが、センサデータを介してフェーズ801からの特定の動作/位置属性を特定するために、どのように使用され得るかを決定することを含む。これは、フェーズ801で得られた理解が、例えば、トレーニングのコンテキストにおいてエンドユーザに適用されるのを可能にする。それはフェーズ803で起こる。コンテンツ作成者は、センサデータを介してエンドユーザのパフォーマンスをモニタリングするソフトウェアの規則等を定義する。例えば、規則は、フェーズ802からの特定のセンサデータが観察されるときに、フェーズ801からの知識に基づき、ユーザに提供されるフィードバックを定義してよい。

0181

上記のように、これらの3つのフェーズは、全ての場合において明確に区別されない。混じり合う及び/又は重なり合う場合がある。更に、それらは単純な線形プロセスとして実行される必要はない。幾つかの場合には、フェーズの間に循環がある。

0182

以下の実施例は、モーション属性を参照して分析されたパフォーマンスを参照して記載される。例えば、モーションデータは、人間のユーザに取り付けられた(例えば、衣服に設けられた)複数のセンサから、幾つかの場合には、追加的に人間のユーザが利用する機器(例えば、スケートボードテニスラケット等)に取り付けられた1つ又は複数のセンサから得られる。センサは、様々な形態を取ってよい。必ずしも限定的で見做されるべきでない、本明細書で検討される例は、複数のセンサユニットを使用することであり、各センサユニットは、(i)ジャイロスコープ、(ii)加速度計、及び(iii)磁力計を含む。これらは、それぞれ、好ましくは、3軸センサである。そのような構成は、例えば、センサの相対的な動きに基づき、人間の動きを表す正確なデータを提供する(例えば、本明細書で開示するPODデバイスを介した)データの収集を可能にする。ウェアラブル衣服技術の例は、この明細書の他の部分で提供される。

0183

様々な図において、類似のプロセスは、同等の番号が付された機能ブロックによって示されている。

0184

図8Bは、1つの実施態様に従った方法を示しており、それは図8の3つのフェーズを含む。方法は、分析の対象となるスキルを決定することを含む予備的ステップ810で開始する。例えば、スキルは、フットボールにおける特定の形態のキック、特定のテニススイング、スケートボード操縦、ロングジャンプアプローチ等であってよい。本明細書で検討される方法によって特定され且つ分析され得る、スポーツ、レクリエーション、及び他のアクティビティ中に存在する、実質的に無制限の数のスキルがあることが理解されるであろう。

0185

サンプル分析フェーズ801は、所与のスキルの多数のパフォーマンスを分析し、それにより、この場合には811での視覚駆動型(visually-driven)分析を介して、そのスキルのパフォーマンスに影響を及ぼす動作の特徴の理解を発展させることを含む。視覚駆動型分析は、多数のパフォーマンスを視覚的に比較し、それにより、最適なパフォーマンスが準最適なパフォーマンスとどのように異なるかについての知識を発展させることを含む。視覚駆動型分析の例示的な形態は、以下を含む。

0186

ステップ811の第1の例は、技術的支援のない視覚駆動型分析を含む。スキルとしての観察者(observer)(又は観察者のセット(set of observers))の観察(watch)が多数回実行され、彼らの視覚的観察に基づく決定が行われる。

0187

ステップ811の第2の例は、ビデオを利用した視覚駆動型分析を含む。ビデオデータは、多数のパフォーマンスを取り込み、それにより、後続の反復可能なパフォーマンスの視覚的な比較を可能にする。好適なアプローチは、1つ又は複数の定められた位置からパフォーマンスを取り込み、同じ角度からの2つ又はそれよりも多くのパフォーマンスビデオをオーバーレイするデジタルビデオ操作技術を利用することである。例えば、特定のサッカーキックの形態のスキルは、ボールが各パフォーマンスのために確定された場所に並びに確定された標的に位置決めされた状態で、(運動選手の背後の)所定の後方角度位置から撮影されてよい。2つ又はそれよりも多くのパフォーマンスから取り込まれるビデオは、(比較ビデオ内で時間的に整列させられる動き中の時点に基づき選択される)確定された共通原点ビデオフレームに基づき、透明度を伴ってオーバーレイされる。これが制御された環境で撮影されると仮定するならば、プレーヤ及びボールの位置のみが2つのビデオキャプチャ間で異なるはずである(そして、カメラ位置の僅かな誤差は、バックグラウンド整列を使用して考慮され得る)。これは観察者がオーバーレイされるパフォーマンスの動きの変化に基づきパフォーマンス間の類似点及び相違点をより多く特定するのを可能にする。多数の角度が使用されるのが好ましい(例えば、側面図及び頂面図)。

0188

ステップ811の第3の例は、モーションキャプチャデータを利用する視覚駆動型分析を含む。モーションキャプチャデータは、例えば、従来的なモーションキャプチャ技術、搭載センサ深度に敏感なビデオ機器(例えば、Microsoft Kinectによって使用されるような深度センサカメラ)及び/又は他の技法を使用して、多数のパフォーマンスについて収集される。これはパフォーマンスがモーションキャプチャに基づきコンピュータシステム内で再構成されるのを可能にする。後続の視覚的分析は、従前のビデオの例において利用されるものと類似してよいが、モーションキャプチャアプローチは、より精密な観察及び視点に対する追加的な制御を可能にすることがある。例えば、モーションキャプチャ技術を介して構築される三次元モデルは、多数のオーバーレイされるパフォーマンスを数多くの角度から比較することにより、動作及び/又は位置の相違を特定し得るように、自由視点制御を可能にする。

0189

フェーズ811での視覚駆動型分析のための他のアプローチが使用されてもよい。

0190

視覚駆動型分析から生じる観察は、幾つかの実施態様では記述的である。例えば、観察は、「アプローチの最初の1秒(“first second of approach”)の間の股関節の内傾」、「足が地面と接触する前の屈曲」、「最初の姿勢の間に落ちる左肩」のような、記述形式で定義されることがある。記述形式は、記述されるアーチファクト(artefact)の結果、例えば、「アプローチの最初の1秒の間の股関節の内傾」がボールを目標の左に振れさせることに関する情報を含んでよい(或いはそのような情報と関連付けられてよい)。

0191

この明細書の目的のために、フェーズ801(及びステップ811)の結果を「パフォーマンス影響要因」と呼ぶ。

0192

図8Bにおいて、フェーズ802は、技術的に観察可能なデータへの視覚駆動型観察の適用を含むプロセスを表す機能ブロック812を含む。これはやはり比較分析を使用してよいが、この場合には、例えば、デジタル化された情報、例えば、(エンドユーザが装着するセンサと同じ又は類似のセンサであってよい)センサ又はモーションキャプチャを用いて収集される情報に基づく。機能ブロック812は、所与のパフォーマンス影響要因PAFnについて、PAFnに起因する1つ又は複数のパフォーマンスから得られるデータを特定する。これはPAFnを示さない1つ又は複数のパフォーマンスについてのデータとPAFnを示す1つ又は複数のパフォーマンスについてのデータとの比較分析を含む。一例として、「アプローチの最初の1秒の間の股関節の内傾」を実証する取込みデータを分析して、「アプローチの最初の1秒の間の股関節の内傾」に起因するデータの特徴を特定する。これは「アプローチの最初の1秒の間の股関節の内傾」を実証しないサンプルのデータとの比較によって特定されてよい。

0193

本明細書に記載するように、データ分析は、各パフォーマンス影響要因についての観察可能なデータ条件の決定をもたらす。すなわち、PAFnはODCnと関連付けられる。従って、所与のパフォーマンスについてのセンサデータが処理されるとき、ソフトウェアアプリケーションは、ODCが存在するか否かを自律的に決定することができ、故に、PAFnの特定を示す結果を提供することができる。すなわち、ソフトウェアは、センサから得られるデータの処理に基づき、例えば、「アプローチの最初の1秒の間に股関節の内傾」があるか否かを自律的に決定するように構成される。

0194

幾つかの実施態様では、所与のPAFnが多数のODCと関連付けられる。これは、以下のもの、すなわち、特定のセンサ技術/構成(例えば、幾らかのエンドユーザが16センサスーツを着用し、他のユーザが24センサスーツを着用する場合)と関連付けられるODC、異なるユーザ身体属性(例えば、短い肢を有する着用者とは対照的に、長い肢を有する着用者に異なるODCが必要とされる場合)と関連付けられるODC等を含む。他方、幾つかの実施態様において、ODCは、以下に更に議論するように、身体属性について標準化される。

0195

図8Bにおいて、実施フェーズ803は、(複数の)トレーニングプログラムへの実施を表す機能ブロック813を含む。これは、観察可能なデータ条件に基づきトリガされる(引き起こされる)エンドユーザデバイスソフトウェア機能性を定義付けること含む。すなわち、観察可能なデータ条件の各セットは、エンドユーザのモーションセンサ(運動センサ)のセットから得られるデータを処理するソフトウェアアプリケーションを介して実施され、それにより、スキルのエンドユーザの身体的パフォーマンスにおける関連するパフォーマンス影響要因のセットの存在のモニタリングを可能にする。幾つかの実施態様では、規則ベースのアプローチが使用され、例えば、「ODCが観察されるならば、次に、アクションXを実行する」。様々な程度の複雑さの規則が(例えば、OR、AND、ELSE等のような他の演算子を使用して、或いはより強力な規則構築技術の利用によって)定義され得ることが理解されるであろう。規則の精密な性質は、コンテンツ作成者の裁量に委ねられる。一般的な原理として、幾つかの実施態様では、目的は、エンドユーザが後続のパフォーマンスにおいて彼らの挙動を修正するように促し、それにより、最適なパフォーマンスに潜在的により近づくことを意図する、アクションを定義することである。

0196

上記の例を続けると、観察可能なデータ条件の1つのセットは、ユーザが観察されたパフォーマンスにおいて「アプローチの最初の1秒の間の股関節の内傾」を示したことを示す。従って、フェーズ803の間に、そのような観察可能なデータ条件は、ユーザが「アプローチの最初の1秒の間の股関節の内傾」を他の動作属性(例えば、最適なパフォーマンスは、「動作の最初の1秒の間の水平な股関節、左足が地面に触れた後の股関節の上傾」を必要とすることがある)と置換するのを支援するように定義された、フィードバック命令(又は多数の潜在的なフィードバック命令)と任意的に関連付けられる。フィードバックは、股関節の傾きに関係する必要は全くなく、コーチング知識は、例えば、手の位置又は開始姿勢を調整することが間違った股関節の位置を矯正するのに有効であり得ることを明らかにすることがある(その場合、観察可能なデータ条件は、股関節の位置に関連する二次的分析を可能にするよう、それらのパフォーマンス影響要因のために定義されてもよい)。

0197

図8Cは、その一部を図8Bを参照して記載した、フェーズ801乃至803内の機能ブロックの代替的なセットを示す、1つの実施態様に従った方法を示している。

0198

機能ブロック821は、所与のスキルについてパフォーマンスの複数のサンプルを収集する、サンプルパフォーマンス収集フェーズを表している。機能ブロック822は、例えば、上述のような視覚駆動型技術を介した或いは他の技法による、サンプルデータ分析を表している。これは、スキルSiについてSiPAF1乃至SiPAFnとして表されることがある、スキルについてのパフォーマンス影響要因の定義をもたらす(機能ブロック823を参照)。

ページトップへ

この技術を出願した法人

この技術を発明した人物

ページトップへ

関連する挑戦したい社会課題

該当するデータがありません

関連する公募課題

該当するデータがありません

ページトップへ

技術視点だけで見ていませんか?

この技術の活用可能性がある分野

分野別動向を把握したい方- 事業化視点で見る -

(分野番号表示ON)※整理標準化データをもとに当社作成

ページトップへ

おススメ サービス

おススメ astavisionコンテンツ

新着 最近 公開された関連が強い技術

この 技術と関連性が強い人物

関連性が強い人物一覧

この 技術と関連する社会課題

該当するデータがありません

この 技術と関連する公募課題

該当するデータがありません

astavision 新着記事

サイト情報について

本サービスは、国が公開している情報(公開特許公報、特許整理標準化データ等)を元に構成されています。出典元のデータには一部間違いやノイズがあり、情報の正確さについては保証致しかねます。また一時的に、各データの収録範囲や更新周期によって、一部の情報が正しく表示されないことがございます。当サイトの情報を元にした諸問題、不利益等について当方は何ら責任を負いかねることを予めご承知おきのほど宜しくお願い申し上げます。

主たる情報の出典

特許情報…特許整理標準化データ(XML編)、公開特許公報、特許公報、審決公報、Patent Map Guidance System データ