※本記事は、AI for Good Global Summitのウェビナー「Rehabilitation robotics: Advancing physical therapy for improved health outcomes」の内容を基に作成されています。本ウェビナーは、国際電気通信連合（ITU）が主催し、40の国連関連組織との連携のもとスイスと共同開催されたAI for Goodプラットフォームの一環として実施されました。動画の詳細情報は https://aiforgood.itu.int/summit23/ でご覧いただけます。
登壇者は、スタンフォード大学機械工学科准教授のSteve Collins氏、ウェスタン大学電気・コンピュータ工学科および生命医工学科准教授のAna Luisa Trejos氏、ハーバード大学生命工学科助教のPatrick Slade氏、カリフォルニア大学アーバイン校教授のDavid Reinkensmeyer氏の4名です。モデレーターはETHチューリッヒのリハビリテーション工学研究所上席研究員・共同所長のOlivier Lambercy氏が務めました。
本記事では、ウェビナーの内容を要約・再構成しております。なお、本記事の内容は登壇者の見解を正確に反映するよう努めていますが、要約や解釈による誤りがある可能性もありますので、正確な情報や文脈についてはオリジナルの動画をご視聴いただくことをお勧めいたします。
1. 脳卒中リハビリにおけるロボティクスの応用――ラボから地域社会へ
発表者：David Reinkensmeyer（カリフォルニア大学アーバイン校）
1-1. 脳卒中の世界的規模、神経可塑性の原理、そしてリハビリの「投与量不足」問題
David： 世界では約4人に1人が生涯のどこかで脳卒中を経験するといわれています。脳卒中は通常、脳の片側に病変が生じるため、反対側の身体機能に障害をもたらします。脳卒中を経験した方の約半数が、片側の腕や手に何らかの問題を抱えます。「片手が使えなくても、もう片方の手があるから大丈夫では」と思われるかもしれませんが、ウェアラブルセンサによる研究から、片手に障害が生じると健側の手の使用量も著しく低下することが明らかになっています。つまり患者は全体的な活動量が減り、疲労感が増大し、日常生活における機能が大きく損なわれるのです。
この問題を考えるうえで、私が研究の基盤としているのは「神経可塑性」の概念です。私たちの脳は極めて並列的な情報処理を行っており、脳卒中によってある経路が損傷を受けても、代替となる多くの経路が潜在的に存在しています。リハビリテーションの課題はまさに、その代替経路を探し出すことにあります。私がこの分野に入ったとき、映画『マトリックス』でネオが一瞬にしてカンフーを習得するあの場面のように、脳に直接スキルを書き込める未来を夢想していました。しかし現時点では、脳を直接「再プログラム」することはできません。私たちが使える唯一の手段は、運動の反復練習によって脳を書き換えることです。
ところが、現在のリハビリ臨床には深刻な問題があります。それは「投与量の不足」です。齧歯類を用いた脳卒中モデルのデータを見ると、横軸に1日あたりのリハビリ量（リーチ動作の回数）、縦軸にリーチスキルをとったグラフがホッケースティック型の曲線を描いています。つまり、ある程度のリハビリを行えばスキルは少し向上しますが、劇的な改善が現れ始めるのは1日あたり400〜700回という水準を超えてからです。これはトップアスリートの高強度トレーニングに匹敵する量です。ところが実際の臨床現場では、患者が1日に練習する動作は30〜40回程度にとどまっています。これは世界的な問題であり、熟練したセラピストが担当していても、ほとんどのケースでこのグラフの「低効果ゾーン」に収まってしまっています。では、ロボティクスや機械学習、センサ技術を活用することで、患者が自律的あるいは半自律的に練習できる仕組みを構築し、この問題を解決できないでしょうか。これが私の研究の出発点です。
1-2. 上肢リハビリロボットの臨床的有効性とモチベーション効果
David： 私たちが開発したのは、「NeuRex」と呼ぶ空気圧駆動のロボットです。このロボットの特徴は、患者のモデルを学習する点にあります。具体的には、患者がどの程度筋力が低下しているか、どれだけの補助が必要かを学習したうえで、「最小限必要な補助だけを提供する」という方針で動作します。患者はロボットと対話しながらビデオゲームをプレイする形式でリハビリを行います。
このロボットを用いた2か月間の臨床試験（週3回）を実施し、運動機能の改善を「Fugl-Meyer評価スケール」で測定しました。結果として、ロボット療法を受けたグループでは運動機能が有意に改善し、3か月後の追跡評価でもその効果が持続していました。一方、従来の1対1の理学療法を受けたグループでも改善は見られましたが、その幅はロボット群よりやや小さいものでした。対象は「機能回復が頭打ちになった」と一般に考えられる慢性期脳卒中患者でしたが、実際には慢性期においても改善の余地があることが示されました。
ロボットにはモチベーションを高める効果もあります。指の動きを補助する外骨格を使って患者に「Guitar Hero」をプレイさせた研究では、高補助グループと中補助グループに分け、各トレーニングセッション後のモチベーションを比較しました。結果として、高補助グループのほうが一貫して高いモチベーションを報告しました。ロボットが随意運動と成功体験を結びつけることで、リハビリへの内発的動機が生まれるのです。
こうした知見は、より大規模な臨床研究によっても支持されています。2021年のシステマティックレビューでは、ロボット療法と従来療法を比較した多数の試験をまとめており、全体的にロボット療法がやや優位という傾向が示されました。ここで重要な気づきがあります。より多くの自由度を持つロボット、より洗練された機械的アクチュエーション、あるいは高度なアルゴリズムを搭載した装置が、シンプルなものより優れているという証拠は得られていません。結局のところ、ロボットが提供する「活動量」と「補助」そのものが効果の本質であるようです。
1-3. 過剰介助による「スラッキング」の発見とバネ式デバイスへの単純化
David： ロボット療法には有望な面が多い一方で、重要な落とし穴があることも分かりました。ロボットが患者を「過剰に」補助すると、患者が受動的になってしまうのです。私たちはこれを「スラッキング（手抜き）」と呼んでいます。実は脳にはコスト関数のようなものが組み込まれており、努力とエラーの間を最小化しようとする一種のアルゴリズムが働いています。外部から補助が与えられると、脳はそれに頼って自分の努力を減らすのです。リハビリにおいて受動的な状態は効果をほぼ生みません。したがって、デバイスを設計するうえで患者を能動的・積極的に保つことは絶対的な条件です。
またもう一点、ロボットは複雑で高コストであるがゆえに、臨床試験においてもほぼ全例でセラピストが付き添って「管理」する必要がありました。これでは、半自律的な分散型練習という本来の目的を果たせません。
そこで私たちは発想を転換し、ロボットのアクチュエータを単純なバネに置き換えることを試みました。バネによる補助は、患者が自分で動かさない限り腕が動かないため、スラッキング問題を構造的に解決できます。また、デバイスが自力で腕を動かすことができないため安全性も高まり、セラピストによる監視の必要性も低下します。この考え方を基に商品化されたのが「ArmoSpring」で、現在世界中で1,500台以上が使用されています。ただし価格は6万ドルと高額であり、広く普及させるには依然として大きなコスト上の壁があります。この課題を受けて、私たちは「もっとアクセスしやすいデバイスをどう作るか」という方向に研究を展開していきました。
1-4. 在宅・地域展開を目指した低コストデバイスとウェアラブルセンサの開発
David： コストと利便性の問題に取り組むにあたって、私たちはまず「デバイスを車椅子に装着する」というアプローチを試みました。脳卒中直後の患者の約80%が車椅子を使用していることを踏まえ、車椅子の上でそのまま療法ができる仕組みを作ったのです。患者は患側の腕を使って車椅子を自走させることができ、通常であれば動かせないはずの腕を日常の移動という文脈で機能的に使うことができます。現在、この装置による大規模臨床試験を開始したところです。
センサ技術の面でも新たなアプローチを取っています。一般に普及している歩数計のように、指の使用量を日常的に計測できる「指輪型デバイス」を開発しました。磁石を内蔵した指輪で指の動きを計測し、患者に日々の使用目標を与えてフィードバックを提供します。この研究では、フィードバックと目標を与えられたグループが手部の使用回数を緩やかに増やし、手の動作能力もわずかながら改善したことが確認されています。ウェアラブルセンサの開発は今なおこの分野における「聖杯」的な課題です。
さらに、機械学習を応用することで指輪の磁石すら不要にする技術も開発しました。手首に装着した一般的なリストトラッカーで計測した振動データから、ニューラルネットワークを用いて指の動きを推定できるようになったのです。センサのさらなる単純化と低コスト化を実現する一歩です。
もう一つ紹介したいのが、4つのIMU（慣性計測装置）センサを搭載した家庭用運動デバイスです。タッピングや回転など約40種類の運動をカスタマイズして行うことができ、脳卒中の初期段階において紙の運動プログラム（現在の標準的ケア）と比較する試験を行ったところ、紙のプログラムをこなす患者が半数以上にとどまるなか、このデバイスはより高い運動継続率と運動機能の改善をもたらすことが示されました。
1-5. FitMiの大規模データが示す継続使用の行動科学的知見
David： このデバイスは「FitMi」という名称でFlint社から販売されており、現在10,000人以上のユーザーがいます。私たちは匿名化されたデータを分析することで、在宅リハビリにおける継続使用の実態を把握しています。
データが示す最も顕著な事実は、「継続率の個人差が極めて大きい」という点です。全ユーザーのうち約3%が100,000回以上の反復練習を達成しています。一方で早期に使用をやめる人も多く、「長期継続を促す要因は何か」という問いは、この分野の中心的な研究課題となっています。
ゲームのレベルアップ機能を分析したところ、興味深い知見が得られました。成功率が低すぎてレベルアップできない患者は継続率が下がります。しかし逆に、常にレベルアップできるほど簡単すぎる場合もまた継続率が下がるのです。つまり適切な難易度調整、すなわち「ちょうど良い成功体験」を設計することが継続の鍵です。センサによって患者の現在の能力を把握し、難易度をきめ細かく調整することが重要だということが分かりました。
また、Kim Sangjunらによる分析では、スポーツジムの新規入会者に関する行動科学的知見がこの在宅リハビリにも当てはまることを確認しました。ジムでは入会後最初の数週間に週4回以上通った人が長期的に継続する傾向がありますが、FitMiのデータでも同様に、開始後に週4回以上使用したユーザーは、それ以下のユーザーと比べて使用継続期間が顕著に長いことが示されました。こうした知見を踏まえ、私たちは現在、患者が目標を設定し継続するのを支援するAIチャットボットの開発を進めています。
これらの取り組みを通じて私が強調したいのは、「ロボティクス」とは高度な駆動装置だけを指すのではなく、センサ・アクチュエータ・機械学習を広く含む技術群であるということです。そしてそれらを組み合わせることで、実生活における脳卒中リハビリの理解と改善が可能になります。特に重要なのは、デバイスをフィールドに持ち出し、大規模なデータを取得することです。世界的に見て脳卒中患者は必要な量のリハビリを受けられておらず、この問題を解決するためには技術の多様なアプローチが引き続き必要です。
2. ウェアラブル・メカトロニクスデバイスによる在宅リハビリ支援
発表者：Ana Luisa Trejos（ウェスタン大学）
2-1. 研究動機と臨床現場の課題——患者・セラピスト双方の制約
Ana Luisa： 私たちの研究の目的は、スポーツ障害や交通事故による上肢の筋骨格系損傷を抱える方々、あるいは脳卒中やパーキンソン病といった神経疾患によって運動機能が損なわれた方々を支援することです。さらに近年では、低重力環境による骨量減少や筋萎縮が問題となる宇宙飛行士の筋骨格健康維持も、新たな研究動機として加わっています。これらに共通しているのは、脳・神経・筋肉の間の適切な接続を回復させ、可動域と筋力を維持しながら日常生活動作を取り戻すためのリハビリプロセスが必要だという点です。
現在のリハビリ臨床が抱える課題は、セラピスト側と患者側の両面から整理できます。セラピスト側の問題としては、患者と過ごせる時間が限られているため、患者が自宅でどのように運動を行っているか、どの程度痛みを感じているか、本当に改善が進んでいるかを把握することが難しい点が挙げられます。処方する運動の適切さを判断するための情報が、患者の自己申告に依存せざるを得ないのです。一方、患者側の問題としては、リハビリが痛みを伴うことが多く、時間もかかり、さらに自分が正しく動作を行えているかどうかを判断しにくいという点があります。こうした状況が治療への意欲を削ぎ、長期的には慢性的な痛みや運動機能の低下につながります。
この課題への解決策として私たちが着目したのが、患者が自宅環境にいながら使用できるウェアラブルデバイスの活用です。研究を進める中で、ロンドン・オンタリオにあるHand and Upper Limb Centreの理学療法士との出会いが大きな転機となりました。その療法士はバネや弾性バンドを使って手製のデバイスを作り、患者に持たせていました。また、筋肉の収縮が弱すぎて実際の動きには現れない段階でも、筋電図信号をモニター上で可視化することで患者が自分の筋活動を「見る」ことができる小型装置を貸し出していました。この実践から、私たちは「筋電図信号をスマートデバイスへの入力として使い、動作補助を自動的に行えないか」という着想を得ました。
2-2. 生体信号を入力とするスマートデバイスの設計思想と制御の困難さ
Ana Luisa： 標準的なメカトロニクスシステムは、センサが環境とデバイス内部の状態を検知し、その情報を制御システムに渡し、制御システムがアクチュエータへの指令を決定するという流れで動作します。しかしウェアラブルデバイスではこのループの中に「人間」が加わるため、制御の複雑性が飛躍的に高まります。
人間がループに入ると、力・動き・筋活動といった生体信号もセンサ入力として加わります。またユーザーはタッチパッドなどのインターフェースを通じて制御系と直接やり取りする場合もあります。最も難しいのは、アクチュエータが人体に力を与え、人体もまたアクチュエータに力を返すという双方向の物理的相互作用です。異なる筋肉が外力に対して異なる反応を示すため、この相互作用を適切にモデル化することは非常に困難です。メカトロニクスの観点から見ると、身体が生み出す力はシステムへの「外乱」として扱わなければならず、その外乱の性質が人によって、また同一人物でも時間によって大きく変動します。
こうした複雑さに対処する設計原則として私たちが重視しているのは、「デバイスが矯正しようとしている動作以外については、できる限り通常の身体動作を妨げない」という考え方です。私たちの筋骨格系は余分な重量や制限的な力、あるいは不快感を引き起こすあらゆる要素に対して敏感に反応し、望ましくない代償動作を生み出します。初期試作品では、手の振戦抑制を目的としたデバイスに標準的な電気モーターと硬い部品を多用していましたが、重量がかさんで身体の自然な動きを阻害し、本来得られるはずのメリットを損ないました。この経験から、デバイスはできる限り小型・軽量であるべきという方針が固まりました。特に上肢デバイスでは、わずかな重量の増加も許容されにくいため、この原則は一層重要です。
2-3. テキスタイル型センサと軽量ねじれコイルアクチュエータの開発
Ana Luisa： こうした設計思想から生まれたのが、「Iron Man」のような無骨なロボットではなく、グローブ・スリーブ・シャツのような衣類に近い形のメカトロニクスデバイスです。私たちは織物・縫製・刺繍という伝統的な製造技術をベースに、新しいセンサとアクチュエータの開発を進めています。
センサについては、導電性の糸を生地に刺繍することで、動きや力を計測できる「テキスタイル型センサ」を開発しました。画像で示しているのは、生地の中央に刺繍された銀色のセンサです。このセンサは伸長されると電気抵抗が大きく変化し、その抵抗値を精度よく計測することができます。変形量と抵抗変化の関係はほぼ線形であり、動きの計測への応用が可能です。同様のセンサを織機で製造する試みも進めており、刺繍と織りの両アプローチを比較検討しています。
この製造技術の重要な特長は、アクセシビリティの高さです。刺繍や織りは特別な設備がなくても行える技術であり、遠隔地や低所得国の小規模コミュニティでも実施可能です。設計データを公開することで、誰でも自分でデバイスを製作できる体制を目指しています。
アクチュエータについては、「ねじれコイルアクチュエータ（Twisted Coiled Actuator）」と呼ぶ軽量な人工筋肉を開発しています。これはナイロン製の釣り糸に導電性材料（銀など）をコーティングし、過剰にねじってコード状にしたものです。電流を流すと発熱して収縮し、力を発生します。制御性についてはある程度確立されていますが、現在の研究の主眼は「冷却機構の改善」に置かれています。収縮（加熱）と弛緩（冷却）の時定数を揃えることで応答性を高め、AIを用いてその非線形的な挙動をモデル化・制御する精度を向上させることが目標です。最終的には、最大5つのアクチュエータを組み込んだウェアラブルガーメントとして、手首の伸展補助などに活用することを想定しています。
2-4. AIによる生体信号解釈の精度向上と筋健康指標の同定
Ana Luisa： センサで取得した生体信号、特に筋電図（EMG）信号は、そのままでは非常にノイズが多く解釈が難しいものです。AIの活用が最も力を発揮するのは、こうした信号から意味のある情報を引き出すプロセスです。
筋電図信号は腕の姿勢が変わると大きく変化します。たとえば同じ動作であっても、腕を下ろした状態と水平に伸ばした状態とでは信号のパターンが異なります。また、環境に力を加えているとき、動作が速いときや遅いときによっても信号は変化します。こうした動的な条件の変化に対応するため、私たちは大量のデータをさまざまな条件下で収集し、状況に応じて信号を正確に解釈できる機械学習モデルを構築しました。これにより、動的な条件下での信号解釈の精度が大幅に向上しています。
さらに、疾患の有無によっても筋電図信号の特徴は異なります。この性質を利用して、私たちは「筋の健康状態を反映する特徴量」の同定に取り組んでいます。健常な筋肉ではある一定の信号特性が見られますが、負傷した筋肉では異なるパターンが現れます。そしてリハビリが進むにつれて、信号の特性は健常者のパターンに近づいていきます。こうした指標をリアルタイムで計測・追跡することで、患者の回復状況を客観的に評価し、デバイスが適切に応答できるようになります。
これらの要素を統合したウェアラブルシステムの全体像は次のようになります。センサとアクチュエータはソフトで柔軟、かつ人体に適合した形状を持ち、不要な反応を最小化しながら快適性を高めます。センサから得られた信号はまずノイズ除去などの前処理が行われ、次にできる限り多くのユーザーのデータを集めたデータベースに蓄積されます。医療用途のデータベースは多様性と包括性が不可欠であり、偏りのあるデータが偏ったモデルを生み出すリスクを常に意識する必要があります。このデータベースから得られた知見は制御システムに直接フィードバックされ、現在どのような動きが行われているか・行われるべきかを推定するモデルの構築にも活用されます。AIは信号処理・モデリング・非線形性への対応・外乱補償という複数の層で中核的な役割を担っており、これらすべてが組み合わさることで、ユーザーのニーズに知的に応答するデバイスが実現します。
3. 人間をループに組み込んだ最適化——装置エミュレータとリアルタイム制御
発表者：Steve Collins（スタンフォード大学）
3-1. 人間の複雑性が設計を困難にするという根本問題と従来手法の失敗
Steve： DavidやAna Luisaが説明してくれたように、運動機能の障害は世界中で何億人もの人々の健康と生活の質に影響を与えています。私の研究の目標は、彼らの話とは少し異なる文脈に置かれています。リハビリテーションを経て最大限の回復を達成した後、それでも残る機能制限を補うデバイスを開発することが私のゴールです。つまり、外骨格や義肢といったウェアラブルデバイスによって、リハビリ後の人々がより効果的に日常活動を行えるよう支援することを目指しています。一見シンプルに聞こえるかもしれませんが、この問題は想像をはるかに超えた難しさを持っています。
ロボット工学者の間でも広く信じられている誤解があります。それは「ウェアラブルデバイス設計の課題は、洗練された電源システムや巧みな機械設計、あるいはコストの問題だ」という考え方です。しかし実際には、そこが本質的な難しさではありません。本当の問題は「人間が極めて複雑である」という一点に尽きます。歩行という一見単純な動作でさえ、数千の運動単位が毎秒数十回、何兆もの神経接続を介して精密に協調することで成立しています。私たちは歩行を自然なものとして感じているため直感的に理解できるような気がしますが、実際には私たちの理解の及ばない複雑さを内包しています。
さらに問題を深刻にするのが、人間の個体差と時間的変化です。私たちは一人ひとりが異なる存在であり、しかも学習・成長・老化・疾患の進行などによって常に変化し続けています。研究者たちは何十年もの間、歩行などの動作に関する人間のモデル化を試みてきましたが、私たちのレベルの複雑性を持つシステムを有用な形でモデル化することは本質的に困難です。最高水準のシミュレーションモデルでさえ、現実の歩行を十分に再現できていません。
この根本的な問題が招く帰結として、新しいデバイスや治療法・手術・その他の介入がどのような効果をもたらすかは、実際に人間でテストするまで分からないのです。従来の開発手法はこうしたものでした。研究者がアイデアを思いつき、特定の機能に特化したデバイスを設計・製作し、人間でテストする。しかし人間のモデルが存在しないため、多くの場合デバイスは期待通りの効果をもたらしません。しかもこのサイクルには一つのアイデアを検証するだけで何年もかかります。博士課程の学生が卒業するか、企業の資金が尽きた時点でサイクルが途切れ、また最初からやり直しになる。これが長年にわたってこの分野の進歩を遅らせてきた根本的な構造的問題です。
3-2. 装置エミュレータとヒューマン・イン・ザ・ループ最適化（HILO）の原理と実験成果
Steve： ではどうすればよいのか。仮説が外れることを前提とするなら、新しい仮説をできる限り速く検証できる仕組みを作り、得られた知見を体系的に蓄積してより良い仮説へと磨き上げるプロセスが必要です。そのために私たちが開発したのが、「装置エミュレータ」と「ヒューマン・イン・ザ・ループ最適化（HILO）」という二つのツールです。
装置エミュレータは、製品化を前提とした特化型プロトタイプとは対照的に、極めて汎用性の高いハードウェアシステムです。例えるなら「脚のためのバーチャルリアリティ」です。新しいデバイスを実際に製作することなく、ユーザーがそのデバイスと物理的に相互作用する感覚を体験できます。これにより、ある設計クラスに属する広範なアイデアを、数年単位ではなく数日あるいは数分の単位で評価することが可能になります。
HILOは、このエミュレータと組み合わせて用いるモデルフリーのオンライン最適化手法です。その仕組みはこうです。ユーザーがデバイスと相互作用している間、ユーザーの実際の生体反応を継続的に計測します。アルゴリズムがデバイスの特性を系統的に変化させ、それに伴うユーザーの反応の変化を計測し、パフォーマンスを最大化するパラメータが同定されるまでこのサイクルを繰り返します。この手法の優れた点は、パフォーマンス評価がユーザー自身から直接得られることです。ユーザーの全複雑性と個別性が評価関数に自動的に反映され、デバイスはユーザーとともに適応し続けます。
この手法を約7年間にわたって様々な問題に適用してきましたが、솔직に言って当初の予想をはるかに上回る成果が得られ、私たち自身が驚いています。具体的な実験結果をいくつか紹介します。まず足首外骨格を用いたランニングの研究では、エネルギーコストを大幅に削減することに成功しました。これは運動をより魅力的にし、身体活動量を増やす製品への応用が期待できます。歩行においても同様に、足首外骨格によって歩行のエネルギーコストを大幅に削減し、疲労の軽減や行動範囲の拡大につながる成果を得ました。さらに自己選択歩行速度の向上も実現しており、ユーザーが安全に路上を歩いたり、散歩中に周囲と歩調を合わせたりする能力の向上につながります。
これらの初期研究は若く健康な大学院生ボランティアを対象としていましたが、成果が新たな集団に対しても良好に転移することも確認しています。70〜80代で運動機能の低下を経験し始めた高齢者においても、歩行速度とエネルギー効率の両方を向上させることができました。さらに多様な条件への適用可能性も示されています。股関節・膝関節・足首関節を統合した外骨格では、高速・低速歩行、重荷を背負った状態、急勾配の斜面歩行など様々な条件下において、ユーザーのエネルギー消費を約半分に削減することができました。インフラが乏しい地域で活動する援助関係者の行動範囲拡大への応用なども考えられます。現在は不整地での転倒を防ぐバランス補助や、大きな外乱からの回復を支援する外骨格の開発にも取り組んでいます。なお、ハーバード大学のPatrick Sladeとの共同研究によってこのアプローチを屋外環境へ展開した内容については、次のセクションで詳しく紹介されます。
3-3. 外骨格の将来展望——コスト最適化と広域普及への道筋
Steve： 現時点で私たちの研究プロトタイプは、デバイスを着用することの不便さ——装着の手間、充電の必要性、身体との接触面での不快感——を上回るほどの機能的メリットを提供できる水準に達しています。私はあと数年以内に、外骨格製品が実際に多くの人々に広く使われる時代が来ると考えています。そうしたデバイスが人々の活動量を高め、社会参加を促し、生活の充実につながることを期待しています。さらには、DavidやAna Luisaが議論してくれたリハビリテーション的な治療効果をもたらす可能性もあります。
コストについては、最初は高価なものになるでしょう。しかしこの技術に本質的にコストがかかる理由はありません。HILOの最適化プロセスにコストを一つの評価指標として組み込むことで、コスト削減も設計目標の一部として直接扱うことができます。成熟し量産規模に達した段階では、こうしたデバイスが多くの人に手の届くものになるというのが私の展望です。
ここで一歩引いて、より大きな示唆を考えてみたいと思います。人間の複雑性は、ウェアラブルロボット工学に限らず、人間の生活を改善しようとするあらゆる分野における設計の難しさの根源です。その複雑性の前では、私たちは繰り返し失敗することを覚悟しなければなりません。しかし、汎用性の高いシステムによる高速な実証実験と、アルゴリズムによる系統的な最適化を組み合わせることで、優れた解を見つけることは可能です。私たちはウェアラブルロボット工学における数十年来の課題にこのアプローチで取り組んできましたが、これはあなたが取り組んでいる問題にも応用できるかもしれません。
4. AIによるリハビリ指標推定と屋外環境でのデバイス最適化
発表者：Patrick Slade（ハーバード大学）
4-1. ポータブルセンサとAIモデルによるリハビリ指標の実世界推定フレームワーク
Patrick： これまでの発表を聞いて、私自身の研究がいかに前の3人の発表者たちのアイデアと深くつながっているかを改めて感じています。私のラボの目標を一言で表すなら、「ウェアラブルデバイスによるリハビリテーションの民主化」です。ロボティクス・バイオメカニクス・AIモデルを組み合わせたツールを開発し、実世界での利用に耐える形で提供することを目指しています。
Davidが示してくれたように、脳卒中後の上肢リハビリ、Ana Luisaが取り組む筋骨格系の問題、Steveが扱う下肢デバイスなど、様々なリハビリ応用に共通する課題があります。それは「私たちが本当に知りたい患者アウトカムの指標を、実世界で計測することが難しい」という問題です。臨床的に意味のある指標——たとえばエネルギー消費量、筋肉の疲労度、歩行の安定性——は、従来は高精度な実験室機器でしか計測できませんでした。これらをポータブルセンサで代替できれば、デバイスを自宅や屋外という実際の生活環境に持ち出すことが初めて可能になります。
私たちが提案するのは、この問題に対処するための汎用的なフレームワークです。手順はこうです。まず、計測したいアウトカム指標について、ゴールドスタンダードとなる精密な計測機器と、低コストでポータブルなセンサの両方を用いてデータを同時収集します。次にAIモデルを使って、ポータブルセンサのデータからゴールドスタンダードの計測値を推定する関係式を学習させます。そしてそのモデルをどれだけ精度よく実世界で機能するか、多様な参加者・多様な活動条件のもとで徹底的に検証します。
このフレームワークをエネルギー消費量の推定に適用した事例を紹介します。エネルギー消費量はリハビリにおいて重要な指標ですが、従来の計測には呼気を収集・分析する大型の呼吸計測マスクが必要であり、実験室以外での使用は現実的ではありません。私たちはまず、この呼吸計測マスクをゴールドスタンダードとして使用しながら、同時に複数種類のポータブルセンサのデータを収集しました。そのデータをもとにAIモデルが様々なセンサの組み合わせを評価し、精度・コスト・アクセシビリティのトレードオフを精査した結果、片脚に装着した2つのIMU（慣性計測装置）だけで十分な精度でエネルギー消費量を推定できることが分かりました。
このシステムの精度は、既存のポータブルなソリューション——たとえば一般的なスマートウォッチ——と比べて約3倍低い誤差を実現しています。ユーザーが歩行するたびにリアルタイムでエネルギー消費量を推定し、可視化することも可能です。筋肉が運動を生み出すためにエネルギーを消費するという物理的な原理を反映しており、脚の動きの計測からそのエネルギー量を逆算するというアプローチは、直感的にも理解しやすいものです。また現在進行中の研究として、IMUすら不要にしてスマートフォンをポケットに入れるだけでエネルギー消費量を推定するシステムへの展開も進めており、アクセシビリティのさらなる向上を目指しています。
このフレームワークの価値は、エネルギー消費量の推定に限りません。脳卒中後の上肢機能評価、下肢デバイスの効果測定、歩行安定性の評価など、リハビリや補助デバイスに関わるあらゆる場面で、同じ枠組みを適用して実験室計測をポータブルな推定に置き換えることができます。これにより、これまで実験室の中にとどまっていたリハビリツールを、実際の在宅・屋外環境へと持ち出す道が開かれます。
4-2. 屋外でのデバイス個人最適化——歩行支援外骨格と視覚障害者向けAIケインの実験結果
Patrick： 次に紹介するのは、リハビリ指標の推定という考え方を、デバイスの最適化そのものに応用した研究です。Steveが説明してくれたヒューマン・イン・ザ・ループ最適化（HILO）は、エミュレータを使った実験室環境では非常に強力な手法です。しかし実験室の外、つまり自宅や地域社会という環境でも同じアプローチを機能させるためには、いくつかの技術的なギャップを埋める必要があります。
Steveの研究では、最適化のフィードバック信号として代謝コスト——つまり歩行のエネルギー効率——を使用しています。しかし実験室外ではそれを計測する呼吸計測装置が使えません。そこで私たちが行ったのは、先ほど説明したAIモデル、すなわちポータブルセンサからエネルギー消費量を推定するモデルを、Steveのヒューマン・イン・ザ・ループ最適化フレームワークにそのまま接続するという方法です。実験室でのエミュレータ研究に「AIによるポータブル推定層」を一枚加えるだけで、同じ最適化プロセスを携帯型システムとして屋外に持ち出すことができます。
この共同研究では、参加者に足首外骨格を装着してもらい、屋外の自然な環境の中で歩行してもらいました。速度を変えたり、短い区間を繰り返し歩いたりといった日常的な行動パターンに近い条件です。デバイスは装着された瞬間から最適化を開始し、様々なコントローラ設定を試しながら各ユーザーに最適な補助パターンを自律的に探索します。その結果、個人に最適化された補助は、汎用コントローラと比較してデバイスの効果をおよそ2倍に高めることが示されました。これはパーソナライゼーションがいかに重要かを端的に示しています。特に、機能レベルや運動能力が大きく異なる患者集団においては、この個人差への対応がさらに重要になります。
もう一つの応用事例として、視覚障害者の歩行を支援するAIケインの開発を紹介します。このデバイスは多数のセンサを搭載しており、目的地までの経路案内、障害物の回避、標識や横断歩道・縁石といった重要な環境要素の検出を統合的に行います。カメラによる周辺視野、深度センサによる距離計測、GPSによる経路追跡、音声フィードバックによる誘導——これらを組み合わせた複雑なシステムです。実際のデモ映像では、中央に通常のカメラ映像、左に深度画像、右にセグメンテーション画像（横断歩道・縁石などを色分け表示）と進行方向の矢印が示されており、物体に近づくにつれて音声フィードバックが変化します。
このシステムはすでに単体でも有益な効果を示していましたが、HILOの考え方を応用してフィードバックのパラメータを最適化したところ、すでに有効だったデバイスに対してさらに26%の歩行速度向上を実現しました。これはまだ実験室での初期パイロット段階ですが、既存のデバイスに対してもソフトウェアの変更だけで同様の最適化アプローチを適用し、パフォーマンスを大幅に改善できる可能性を示す重要な結果です。
これらの研究を通じて伝えたいメッセージは明確です。AIツールを活用することで、リハビリ指標をポータブルセンサから推定し、デバイスを実世界で最適化することが可能になります。実験室の精密さを実生活の利便性と両立させるこのアプローチは、様々なリハビリや補助デバイスの分野に広く応用できるものです。そしてそれはリハビリテーションをより多くの人に届けるという、私たちの共通の目標に直接つながっています。
5. 総合討論
5-1. リハビリ技術の複雑性と単純化——どちらを目指すべきかをめぐる議論
Olivier： Davidの発表では、多自由度の複雑なロボットからよりシンプルなセンサベースのデバイスまで幅広いアプローチが紹介されました。次世代のリハビリ技術を開発する人々にとって、複雑性と単純化のどちらを目指すべきなのでしょうか。
David： 正直なところ、まだ明確な答えは出ていません。複雑なシステムはより多くのアイデアを検証できるという点で価値があります。StveとPatrickが示してくれたように、複雑なエミュレータがあることでより多くのアイデアを素早くテストできます。一方、現在のリハビリ現場の実態を見ると、シンプルなデバイスのほうが実際には使われやすい。装着に数分以上かかるもの、セラピストが「壊れるかもしれない」と感じるもの、患者が「怖い」と思うものは、どれだけ効果が高くても普及しません。有効性という観点でも、現時点ではシンプルなデバイスが複雑なデバイスとほぼ同等の結果を出しています。ただし、シンプルなデバイスが将来にわたって十分であるとも断言できません。どちらも依然として必要だと思います。
Steve： Davidの言う通りで、私も両方必要だという立場です。汎用性の高い複雑なシステムを研究段階で持つことには明確な意義があります。たとえば私たちの研究では、最適化の探索空間をあえてパッシブデバイス——バネだけで駆動するもの——に制限する実験を行いました。これにより「モーターを使った場合とバネだけの場合でどれだけ差があるか」を定量的に比較できます。その結果を踏まえて、コストと効果のトレードオフを把握したうえでシンプルな設計を選ぶことができる。たとえば外骨格を使ったランニング支援の研究では、モーターによる動力が大きな差をもたらすことが分かりました。その場合はコストをかけてでもモーターを搭載する判断が正当化されます。一方で歩行補助の特定の場面ではシンプルなバネ系で十分な場合もある。複雑なシステムで先に探索するからこそ、何をシンプル化してよいかが分かるのです。
Ana Luisa： ソフトウェアラブルデバイスと従来の固定式ロボットについても同じことが言えます。どちらにも適切な用途があります。筋肉が完全に機能しなくなっているケース、たとえばデュシェンヌ型筋ジストロフィーのように四肢全体を持ち上げるほどの力が必要な場合は、大型で重いデバイスが不可欠です。しかし慢性的な痛みの原因が筋力バランスの崩れやわずかなバイオメカニクスの乱れにある場合は、小さな動作補正を知的に行うソフトなウェアラブルデバイスが適しています。基本的な考え方は「できる限りシンプルに、必要に応じて複雑に」です。まずシンプルなものから始めて、機能が不十分であれば複雑さを加えていく。その順序が重要です。
5-2. 研究成果の社会実装とビジネスモデルの課題
Olivier： 多くの発表でデバイスを実生活に持ち出すことの重要性が語られました。障害を持つ人々に技術を届けるうえでの主な課題は何でしょうか。
Patrick： 研究者として考えると、課題は二段階に分かれています。一つ目は、特定の場面でどのようなヒューマンロボットインタラクションが最適かを特定することで、これは研究室での綿密な実験によってある程度解決できます。二つ目は、その最適な設計をいかに単純化・最小化して実際に使えるものにするかという問題です。Davidが積み上げてきたIMUシステムの普及経験から、この翻訳プロセスについてぜひ聞いてみたいと思っています。
David： 実は翻訳の問題は突き詰めるとビジネスモデルの問題になります。私もかつては「できるだけ安価なデバイスを作れば広く普及する」と信じていましたが、それは非常に素朴な考えでした。デバイスが実際に広く使われるためには、機能するビジネスエコシステム全体が必要です。製造・マーケティング・物流・サポート、それぞれに携わる人々が生計を立てられる仕組みがなければ、どれだけ良い技術も世の中に出ていきません。リハビリ分野ではこれが特に難しい。保険償還の仕組みが複雑で、デバイスが保険適用になるまでの道のりが長いからです。私たちが取ったアプローチは二つに分かれます。ArmoSpringのような高額デバイスは病院が「先端技術の導入」として購入するケースや補助金を通じて普及させています。一方FitMiのような低コストデバイスは300ドルという価格設定で保険適用の必要性を回避し、患者が自費で購入できる水準に抑えました。ただしこのアプローチにも限界があります。300ドルを自己負担できない患者は取り残されてしまうからです。
Steve： 付け加えるなら、この分野でいまだに数百億ドル規模のビジネスを生み出した企業が存在しないこと自体が、投資家にとってのリスク認識を高め、資金調達を難しくしています。私が期待しているのは、まずコンシューマー向けデバイスで成功事例が生まれることです。そうした成功がリハビリ関連のハードウェアプロジェクト全体への投資家の信頼を高め、より本格的な製品開発チームを組成できるようになる。その流れが生まれれば、この分野全体の商業化が加速すると思います。
David： 実際、初期の外骨格企業の多くが株式市場で高い評価を受けながらも、その後うまくいかなかったという事実があります。これが今後の投資環境にどう影響するかは注目すべき点です。残念ではありますが、同時に「本当に効果のあるデバイスでなければ市場では生き残れない」というメッセージでもあります。
Ana Luisa： 私はデバイスの商業化を急ぎすぎることへの警戒感を持っています。開発が不十分なまま市場に出たデバイスが期待通りに機能しないと、「この技術は使えない」という誤った印象が広がり、分野全体への信頼が損なわれます。研究室ではまず大きくて複雑で高価なシステムを作り、それを最適化・簡略化してから市場に出す。その「フルーガルデザイン」的なプロセスを経ることで、市場に出る頃には検証済みの機能するシステムになっている。その順序を守ることが大切だと思います。
David： Ana Luisaの発表で示されていた、テキスタイルセンサを地域で自製できるというアイデアはとても重要だと思います。プロテティクス（義肢）の分野では、ドリルプレスとバンドソーさえあれば製造できる低コスト義肢を世界中に普及させることに成功している団体があります。リハビリデバイスでも同様のローカル製造モデルが機能する可能性があります。しかも世界中のほぼどこでもスマートフォンが普及しており、これはデータ収集とローカルな計算処理の基盤として活用できます。高価な実験室機器がなくても、スマートフォンさえあればある程度の機能を実現できる可能性があるのです。
5-3. AIの発展がリハビリ技術にもたらす可能性——大規模データ、予測モデル、チャットボット
Olivier： 皆さんはそれぞれの研究で何らかの形のAIを長年使ってきたわけですが、ここ数年のAIの急速な発展は、リハビリテーション技術の分野においてどのような変革をもたらすと見ていますか。
Steve： 一番の課題として私が感じているのは、十分な学習データの不足です。大規模言語モデルや画像分類モデルが高い性能を発揮できているのは、膨大な学習データセットがあったからです。リハビリや動作支援の分野では、それに相当するデータが圧倒的に不足しています。そこで非常に注目しているのが、Stanfordのカレン・リュー氏がコンピュータサイエンス分野で主導している「AddBiomechanics」というイニシアチブです。これはモーションキャプチャデータの処理を自動化するウェブサービスで、研究者が1日分の被験者データ収集に対して数時間から1日かかっていた処理を自動的に行い、スケールされたOpenSimモデルを返してくれます。その条件として、処理結果のデータを共有データベースに提供することが求められます。現時点でもすでに数万件のモーションキャプチャ試験が同一フォーマットで公開されており、このデータベースが十分に大きくなれば、神経系が運動をどのように協調させ、新しい環境にどう適応するかという基礎的な問いにデータ駆動でアプローチできるようになります。これはリハビリと補助デバイスの両分野に深い示唆をもたらすはずです。
Patrick： その点に付け加えると、大規模データがあってこそNLPや画像認識で見られるような強力なAIツールを展開できるようになります。一方で私が取り組んでいるのは、小規模なデータセットでもドメイン知識を組み込むことで性能を高めるアプローチです。今日紹介したプロジェクトのほとんどは、比較的シンプルな統計学習手法を使っています。バイオメカニクスの知識や神経筋モデルの情報を組み込むことで、小さなデータセットでも特定の問題に対して有効なモデルを構築できます。大規模データと物理的知識の統合という二つのアプローチは対立するものではなく、補完的なものだと思っています。
Ana Luisa： 上肢のデータベースについては、少なくとも8年前から議論されています。ただし下肢に比べて標準化が難しいのが現実です。私たちの上肢は非常に多様な動作を行うため、データ収集の方法を統一することが困難です。さらに多様性・包括性の確保という問題もあります。潤沢な資金のある実験室でデータを収集しやすい一方で、低所得国や資源の乏しい環境の人々のデータを集めることは格段に難しい。結果として、データセットはそのデータベースに参加できた人々に偏ったものになりがちです。研究者としての責任は、そうした偏りを自覚したうえでデータの使い方について慎重に判断すること、そして対象外の集団への一般化には細心の注意を払うことだと思います。一方で大規模なデータセットが整備されれば、個人に合わせたモデルの実現も近づきます。データセットの中から対象者の特性——身体的特徴だけでなく社会経済的な要因も含む——に最も近い人々を見つけ出し、そこから個人に合わせた補正を加えるという方向性は、非常に有望だと考えています。
David： AIが本当に役立てる領域として、私は「習慣形成の支援」を挙げたいと思います。脳卒中後のような神経学的損傷を抱える人々は、動くことに多大な努力が必要で、歩行時の安定感も損なわれています。そうした状況で継続的な運動習慣を形成することは非常に難しい。大規模言語モデルの発展によって、より自然な形でコミュニケーションできるチャットボットが、スマートなセラピーコーチとして機能する可能性があります。患者の状態や進捗に応じて目標を設定し、動機づけを行い、適切なタイミングで介入する。こうした機能はAIが得意とするところです。もう一点、Steveのアイデアに触発されて思ったのですが、外骨格のような装置では代謝コストをリアルタイムで計測して最適化できる一方、脳の可塑性に基づくリハビリ療法では効果が現れるのは数日後、あるいは一晩後です。リアルタイムでの最適化が難しいのはそのためです。しかしもし「今あなたの脳がうまく訓練されている」ことを示すバイオマーカーが存在したら——脳の反応、筋活動、呼吸パターン、インタラクションの様子など——それをAIで統合して「今あなたはターゲットゾーンにいる」とリアルタイムに伝えることができたら、どれほど強力でしょうか。心拍数モニタリングで「心拍数がターゲットゾーンにある」と分かるように、「脳がターゲットゾーンにある」ことを示す指標を作れないか。これは非常に興味深い研究の方向性だと思います。
Patrick： それは素晴らしいアイデアです。デバイスや特定のフィードバックを最適化するのと同様に、チャットボットとの対話そのものを最適化するという考え方も面白い。たとえば1日あたりの反復回数を増やすことを目標とするなら、チャットボットがどのように声をかければ最も効果的かを、HILOと同様の枠組みで最適化することも理論上は可能です。デバイスの物理的な制御だけでなく、モチベーションや参加を促す対話の設計も最適化の対象になりえます。
Steve： 大規模なデータセットがあれば、そうした有効なリハビリのバイオマーカーを遡及的に探索することもできます。あらかじめフルセンサで計測しておき、事後的にどの信号が長期的な改善を予測していたかを選び出す。そうすれば最小限のセンサ構成で実用的なシステムを設計できます。私たちで共同提案を書きましょう。
5-4. AIのリスクと倫理的課題、そして研究者が今後注力すべき領域
Olivier： AIをリハビリ分野で活用することのリスクについてはどう考えていますか。たとえば臨床家やユーザーがAIによる判断を信頼するよう説得することへの抵抗感は、実際に経験していますか。
David： まず率直に言って、AIは間違いを犯します。自動運転車がそうであるように、大規模言語モデルがハルシネーションを起こすように。それは否定できない事実であり、間違えたときのリスクは現実に存在します。もう一つの大きなリスクはデータの問題です。データ漏洩、データの消失、あるいは誰かがそのデータを商業的に利用しようとする可能性。データが一度システムに入れば匿名化は難しく、「誰がそのデータを所有するのか」「そのデータにアクセスするためにどれだけ支払うか」「アクセスした者は何をするのか」という問いは極めて重要です。これが私にとって最も大きな倫理的懸念です。
Patrick： データの多様性の問題も深刻なリスクです。訓練されたモデルが、実際に使われる患者集団を十分に反映していない場合、バイアスと誤差の源となります。また身体的な危害が生じる可能性のある場面でブラックボックスモデルをそのまま信頼することは本質的にリスクが高い。検証の仕組みを組み込むこと、あるいはバイオメカニクスの知識や物理的にもっともらしい動作モデルといったドメイン知識を「サニティチェック」として統合することが必要だと思います。そうすることで、デバイスが階段でつまずかせるような奇妙な挙動を起こすリスクを減らせます。
David： もっと根本的な問いとして、「人間をループから外しすぎることは、それ自体が間違いなのではないか」という問いもあります。私が博士研究員を始めた30年前、義肢装具の著名な研究者であり「シップアンドパフスイッチ」——車椅子の操作に使う呼気スイッチ——の発明者でもあったDeadly Childisという人物がいました。彼は私がロボットを使ってセラピーを行うというアイデアを提案したとき、「人の手のぬくもりはどうする」と言いました。人間同士の触れ合いには感情的・情動的な側面があり、人と人が相互作用することには人生において根本的に大切な何かがあります。AIシステムやチャットボット、半自律的なセラピーを議論するにあたって、そうした人間的な側面を置き去りにしないこと、人々を地域社会の中につなぎとめることの重要性を、常に念頭に置くべきだと思っています。
Olivier： 最後に、今リハビリ分野の研究者が最も注力すべきことは何でしょうか。
David： 私がその答えを知っていたら、自分では聞かなかったでしょう。ただ、今日の話の中で繰り返し浮かび上がってきたことがあります。それは「運動制御と運動学習がどのように機能するかについて、私たちはまだ十分なモデルを持っていない」という点です。「あなたの脳がターゲットゾーンにある」と教えてくれるセンサを作るためにも、まずその「ターゲットゾーン」が何であるかを理解しなければなりません。リアルタイムの制御レベルだけでなく、可塑性が変化していく長期的なレベルでも、神経系の働きをより深く根本的に理解することが、私たちの分野全体を前進させると思います。AIだけに注目するのではなく、神経生理学の基礎的理解を深める研究にも取り組んでほしいと思います。
Patrick： 数学的モデルが理想であることは間違いなく、私たちも最適制御の観点からそれを構築・最適化しようとしてきました。しかし問題は、身体が時間とともに刻々と変化するため、モデルがすぐに現実と乖離してしまうことです。これこそがAIの出番で、リアルタイムに身体の変化に適応する制御システムを構築しようとしています。パーキンソン病の振戦を例に挙げると、同一人物の中でも瞬間ごとに振戦のパターンは大きく変わり、予測が非常に難しい。そこで私たちは将来の状態を予測しようとするモデルを組み込んでいます。リアルタイム制御のためには、次の瞬間に何が起きるかを予測することが必要だからです。理想的な数学的モデルとAIによるリアルタイム適応は対立するものではなく、AIは私たちが持っているモデルをリアルタイムで最適化するための手段として機能するのです。
Steve： 予測モデルの構築にAIが大きな可能性を持っているという点には同意します。予測モデルがなければ、時間変化を示す複雑なシステムに対してはオンライン最適化で対処するしかありません。モデルフリーに近いオンライン最適化は、予測可能性の欠如・個人差・時間変化への適応という課題に対して有効なアプローチです。ただし理想を言えば、予測モデルとオンライン最適化の両方を持つことが望ましい。AIはその両方の構築において強力なツールになりえます。