ウェアラブル機器で犬の歩様を分類できる？29頭を対象にした研究

慣性センサー、ディープラーニング、そして既知の犬と未学習の犬での検証結果の違いを、根拠となる研究に基づいて解説する研究概要です。

研究とエビデンス｜研究概要｜2026年9月1日更新

結論を先に

2026年に Scientific Reportsに掲載された 研究では、歩様を記録した管理された条件下で、健康な犬、整形外科疾患のある犬、神経疾患のある犬の3群を研究用モデルで分類できるかが検証されました。研究データをランダムに分割した場合、3クラス分類で最も高い正解率は0.960でした。研究者が犬単位でデータを分け、個々の犬を丸ごとテスト用に除外した場合、報告された2クラス分類の最高正解率は0.849、3クラス分類の最高正解率は0.800でした。整形外科疾患と神経疾患を区別する課題では、未学習の犬に対する最高正解率は0.893でした。

これらの数値は、1つの研究用モデル、少数の犬からなるグループ、そして特定の歩行・速歩プロトコルに基づくものです。市販のウェアラブル端末の有効性を証明するものでも、自宅で犬を診断できることを示すものでもありません。また、端末が確信度の高い分類結果を示したからといって、その犬が運動しても安全だと判断できるわけではありません。

この概要で取り上げるのは、次の問いです。 ウェアラブル慣性センサーとディープラーニングを使って、犬の歩様はどのように分類されたのでしょうか。また、学習時に見ていなかった犬をモデルに入力したとき、結果はどう変わったのでしょうか。

研究で計測された内容

Palez氏らは、ドイツのハノーファー獣医科大学小動物医学・外科学部門で29頭の犬を調査しました。内訳は、健康な犬17頭、整形外科疾患のある犬6頭、神経疾患のある犬6頭です。臨床グループの分類は、一般診療、整形外科、神経学的検査の結果に基づいています。一部の神経疾患例では、臨床評価を補うために磁気共鳴画像検査（MRI）も行われました。

記録は、管理された試験エリアで行われました。犬はリードで誘導されながら、同じ通路を移動しました。プロトコルには歩行と速歩が含まれています。研究者はXsens Movella DOT慣性計測ユニットを使用し、加速度計とジャイロスコープの信号を120 Hzで記録しました。センサーは、頭頂部または背中上部、尾に近い腰部、首または首輪に装着したほか、これら3か所すべてを組み合わせた条件でも検証されました。

モデルには、加速度計から3つ、ジャイロスコープから3つの計6つの信号チャンネルが入力されました。研究では、小規模な1次元畳み込みニューラルネットワークに全結合層を続けたモデルが使用されました。モデルに用いたデータ全体では、記録時間は193分で、そのうち154分を学習用、39分をテスト用に使用したと研究者は報告しています。

論文では、関連する3つの分類課題が設定されました。

1. モデルは、健康、整形外科疾患、神経疾患の3群を区別できるのでしょうか。
2. 健康な犬と、診断済みの疾患がある2群をまとめたグループを区別できるのでしょうか。
3. 診断済みの疾患がある犬の中で、整形外科疾患のグループと神経疾患のグループを区別できるのでしょうか。

3つ目の問いは、この論文で用いられた研究上の分類です。リビングにいる新しい犬をモデルが診断できるという意味ではありません。

テストデータの分け方が重要な理由

論文ではまず、データを80対20でランダムに分割しました。これは、学習用データとテスト用データが、記録された同じ犬たちの集団から得られた場合に、モデルがどの程度機能するかを調べる方法です。研究内での性能を測るには有用ですが、まったく新しい犬に対してモデルがどう機能するかは分かりません。

次に研究者は、1頭抜き交差検証を行いました。各回で、1頭の犬の記録をすべてテスト用に除外し、モデルは残りの犬のデータで学習しました。除外した犬のどの時間窓データも学習セットには含めていません。これは、犬ごとの個体差を評価する、より厳しいテストです。

論文の要約表には、センサーと動作の組み合わせごとに、最も良い結果が示されています。

この表からは、2つの点がより明確に分かります。第一に、正解率とF1スコアは、特定の課題と実験条件に基づく指標です。第二に、モデルの学習データに含まれていない犬へ汎化させる必要がある場合、結果は変わります。

モデルが学習したこと、そして証明していないこと

この研究が示すのは、あくまで限定的な知見です。慣性信号に含まれるパターンによって、このデータセットに含まれる群をモデルが分類できる可能性が示されました。センサーの装着位置と運動プロトコルは結果に影響しました。ある課題で最も良かった組み合わせが、別の課題でも自動的に最適になるわけではありません。

ランダム分割での結果と、学習に含まれていない犬でのテスト結果との差は、高い数値そのものと同じくらい重要です。犬は体の大きさや体型、歩き方、そしてプロトコルを完了できるかどうかがそれぞれ異なります。既知の犬から得た記録で高い性能を示すモデルでも、新しい犬に対して安定して機能するには、より多くのデータと幅広い検証が必要になる可能性があります。

この研究からは、次のことまでは分かりません。

• 一般消費者向けの活動量計で、整形外科疾患や神経疾患を特定できること。
• 自宅での記録が、獣医師による診察の代わりになること。
• あらゆる犬種、体型、歩行パターンが、このサンプルに含まれていること。
• デバイスの出力から、家族が運動の安全性を判断できること。
• 報告された数値が、ペット向けウェアラブル製品のランキングになること。

著者らは、このアプローチが臨床現場の支援に活用できる可能性があると説明しています。ただし、これは今後の研究の方向性を示すものであり、家庭での利用に向けてモデルの有効性が検証されたことを意味しません。この研究のデータセットは、一般消費者向けの公開ベンチマークではありません。著者らによれば、妥当な依頼があれば、責任著者からデータセットの利用許可を得られます。

解釈を左右する限界

神経疾患群で速歩ができた犬は、わずか2頭でした。疾患のある犬のうち数頭は速歩のプロトコルを完了できなかったため、速歩のシナリオには実質的な偏りがありました。速歩の行で最も高い数値が示されている場合、この点は重要です。

また、サンプル数は少なく、1か所の管理された臨床環境で収集されたものでした。リード、慣れた歩行路、固定されたルート、そして特定のセンサー装着位置は、測定条件の一部です。使用する機器が異なる家庭や公園、動物病院に結果を当てはめる際に、取り除いて考えられる背景情報ではありません。

この論文では、サンプル内での性能と、学習に含まれていない犬での性能に違いがあることも報告されています。この違いは、動物のセンサーデータを扱う研究を読み解くうえでの基本的な原則と一致します。重要なのは、1頭の犬から得られた短い信号区間の数だけではなく、しばしば犬そのものを単位として考えることです。

今後、ウェアラブル機器の性能をうたう情報を見るときに確認したいこと

ペット向けテクノロジー製品が歩様スコアや健康スコアを示している場合は、まず、そのモデルが何を分類するよう学習されたのかを確認しましょう。次に、何頭の犬からデータを集めたのか、どの犬種や状態が含まれていたのか、犬を1頭単位で丸ごと学習データから除外して検証したのか、犬がどのような動きをする必要があったのか、そして新しい環境で初めて評価する犬が含まれていたのかを確認してください。

正解率だけでは、こうした疑問には答えられません。F1スコア、再現率、適合率、信頼区間についても、それぞれの課題、対象集団、データ分割方法を確認する必要があります。管理された研究用データセットで得られたスコアが示すのは、そのデータセットについての結果です。機器を装着したすべての犬に当てはまるという一般的な保証ではありません。

飼い主が知っておきたい大切な線引き

愛犬の歩き方に新たな変化や悪化が見られた場合は、その変化を獣医師に伝えるべき観察事項として扱ってください。短い動画があれば、見た様子を説明する助けになるかもしれませんが、研究で得られたスコアだけで原因を判断することはできません。機器が示すラベルを根拠に受診を遅らせたり、運動しても安全だと判断したりしないでください。

日常のケアに役立つ情報については、 犬の飛節のけがに関するガイドをご覧ください。これは今回の研究概要とは異なる目的の情報です。モデルの研究指標から、ケアに関するアドバイスを推測してはいけません。

要点

この研究が有用なのは、単純化されやすい問いを検証しているからです。慣性センサーを搭載したウェアラブル機器で動きを捉え、深層学習モデルによって、研究上定義されたグループを分けるパターンを見つけました。その後に行われた、学習に含まれていない犬での検証からは、結果を解釈する際に、元のサンプルと評価設計を切り離してはいけない理由が示されました。

責任ある結論は、控えめなものです。犬の歩様モデルは、条件を明確に定めた環境で、研究者が動きを数値化するのに役立つ可能性があります。しかし、この論文は、家庭で使える診断ツール、あらゆる犬に共通する歩様スコア、または安全に運動できることの保証を示したものではありません。今後、同様の主張を目にしたときは、犬単位でのデータ分離、新しい犬での検証、明確なラベル付け、そして実際の動きの変化を専門家が解釈できる体制があるかを確認しましょう。

出典と更新情報

出典論文と関連する表は、2026年9月1日に確認しました。これは単一の研究をまとめた概要であり、系統的レビューやメタ分析ではありません。記事では、研究の対象、方法、指標が、それぞれの課題と検証条件とともに報告されています。論文の直接的な結果を超える解釈については、その旨が分かるように示しています。

1. Palez, N., Straß, L., Meller, S. ほか「整形外科疾患および神経疾患を対象とした、慣性センサーと深層学習による犬の歩様解析」 Scientific Reports 16, 13966 (2026)。 Nature掲載情報
2. 表5：一般化シナリオにおける多クラス分類の性能
3. 表6：主な分類結果の概要

この記事は情報提供を目的としたものであり、獣医師による診断や治療に関するアドバイスを提供するものではありません。