CN111588348A - 认知功能的指标化方法 - Google Patents
认知功能的指标化方法 Download PDFInfo
- Publication number
- CN111588348A CN111588348A CN202010103768.7A CN202010103768A CN111588348A CN 111588348 A CN111588348 A CN 111588348A CN 202010103768 A CN202010103768 A CN 202010103768A CN 111588348 A CN111588348 A CN 111588348A
- Authority
- CN
- China
- Prior art keywords
- subject
- cognitive function
- measurement data
- index
- task
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/03—Detecting, measuring or recording fluid pressure within the body other than blood pressure, e.g. cerebral pressure; Measuring pressure in body tissues or organs
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
- A61B5/14553—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases specially adapted for cerebral tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Neurology (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Databases & Information Systems (AREA)
- Psychology (AREA)
- Optics & Photonics (AREA)
- Hospice & Palliative Care (AREA)
- Child & Adolescent Psychology (AREA)
- Neurosurgery (AREA)
- Developmental Disabilities (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
Abstract
本发明提供一种认知功能的指标化方法。该认知功能的指标化方法包括以下步骤:向受试者提供用于诱导与认知功能有关的生物体活动的作业;获取测量数据;以及根据预先构建出的模型,从受试者的测量数据中获取表示受试者的认知功能的指标。
Description
技术领域
本发明涉及一种认知功能的指标化方法。
背景技术
以往,已知一种认知功能障碍的判别方法。这样的方法例如在国际公开第2012/165602号中被公开。
上述国际公开第2012/165602号中公开了一种认知功能障碍的判别方法。在该认知功能障碍的判别方法中,使用受试者的脑的生物体信号来判别受试者属于健康、轻度认知功能障碍以及阿尔茨海默型痴呆症中的哪一种。
在此,虽然在上述国际公开第2012/165602号中没有明确记载,但以往存在以下情况:健康者、轻度认知障碍者、对认知功能感到不安的人等尚不是阿尔茨海默型痴呆症的人为了预防痴呆症而进行运动等痴呆症预防干预。然而,在以往的痴呆症预防干预中,由于无法对进行了痴呆症预防干预的人示出痴呆症预防干预的效果,因此进行了痴呆症预防干预的人无法获知自己所进行的痴呆症预防干预的效果。因此,存在无法对进行了痴呆症预防干预的人赋予用于主动持续地进行痴呆症预防干预的动机这样的问题。
发明内容
本发明是为了解决如上所述的问题而完成的,本发明的一个目的在于提供一种能够有效地对受试者赋予用于主动持续地进行痴呆症预防干预的动机的认知功能的指标化方法。
为了达到上述目的,本申请发明人进行了深入研究,结果得出以下新见解:在健康者和轻度认知障碍者之间,表示与受试者的认知功能有关的生物体活动的变化的指标和表示受试者的认知功能的指标之间存在相关性。并且,本申请发明人还得出以下新见解:由于存在这样的相关性,因此能够基于表示与受试者的认知功能有关的生物体活动的变化的指标来将受试者的认知功能指标化。本发明的一个方面的认知功能的指标化方法是利用这些新见解进行认知功能的指标化的方法。即,本发明的一个方面的认知功能的指标化方法包括以下步骤:向受试者提供用于诱导与认知功能有关的生物体活动的作业;在向受试者提供了作业时,测量与受试者的认知功能有关的生物体活动的变化,并获取测量数据;以及根据基于预先获取到的健康人群的测量数据和预先获取到的轻度认知障碍人群的测量数据预先构建出的模型,从受试者的测量数据中获取表示受试者的认知功能的指标。
在本发明的一个方面的认知功能的指标化方法中,通过如上述那样构成,在作为健康者的受试者、作为轻度认知障碍者的受试者、对认知功能感到不安的受试者等为了预防痴呆症而进行痴呆症预防干预(例如,运动等)的情况下,能够获取表示痴呆症预防干预前后的受试者的认知功能的指标并进行比较,因此受试者能够获知痴呆症预防干预前后的自己的认知功能的变化(即,痴呆症预防干预的效果)。另外,在受试者持续进行痴呆症预防干预的情况下,能够向受试者示出由持续的痴呆症预防干预引起的受试者的认知功能的变化(即,痴呆症预防干预的效果),因此受试者能够获知由持续的痴呆症预防干预引起的认知功能的变化。这样,受试者能够获知痴呆症预防干预的效果,因此能够有效地对受试者赋予用于主动持续地进行痴呆症预防干预的动机。此外,本发明的一个方面的认知功能的指标化方法例如能够在福利设施、体育馆等中适当地实施。
在上述一个方面的认知功能的指标化方法中,优选的是,获取表示受试者的认知功能的指标的步骤包括根据模型从受试者的测量数据中获取作为表示受试者的认知功能的指标的数值的步骤。如果像这样构成,则能够更明确地推测痴呆症预防干预的效果。
在上述一个方面的认知功能的指标化方法中,优选的是,提供作业的步骤包括向受试者提供难易程度不同的多个作业的步骤,获取表示受试者的认知功能的指标的步骤包括以下步骤:根据基于在提供了与向受试者提供的作业相同的作业的情况下的健康人群的测量数据和轻度认知障碍人群的测量数据而构建出的模型,从受试者的测量数据中获取表示受试者的认知功能的指标。如果像这样构成,则能够通过提供难易程度不同的多个作业,来测量受试者是否适应困难的作业。其结果,能够更明确地产生与受试者的认知功能有关的生物体活动的变化,因此能够更高精度地获取表示受试者的认知功能的指标。
在该情况下,优选的是,获取表示受试者的认知功能的指标的步骤包括以下步骤:将难易程度不同的多个作业的受试者的测量数据的值之间的差或比用作特征量,根据使用与受试者的测量数据的特征量相同种类的特征量构建出的模型,从受试者的测量数据中获取表示受试者的认知功能的指标。如果像这样构成,则能够通过将受试者的测量数据的值之间的差或比用作特征量,来消除例如由于受试者的测量部位的形状等而针对每个受试者产生的受试者特有的参数的影响,因此能够与受试者无关地高精度地获取表示受试者的认知功能的指标。
在上述一个方面的认知功能的指标化方法中,优选的是,获取表示受试者的认知功能的指标的步骤包括以下步骤:将受试者的测量数据的波形的平均值、表示受试者的测量数据的波形的面积重心的值或表示受试者的测量数据的波形的斜率的值用作特征量,根据使用与受试者的测量数据的特征量相同种类的特征量构建出的模型,从受试者的测量数据中获取表示受试者的认知功能的指标。如果像这样构成,则能够将作为与认知功能的关联性强的特征量的、受试者的测量数据的波形的平均值、表示受试者的测量数据的波形的面积重心的值或表示受试者的测量数据的波形的斜率的值用作特征量,因此能够高精度地获取表示受试者的认知功能的指标。
在上述一个方面的认知功能的指标化方法中,优选的是,获取表示受试者的认知功能的指标的步骤包括以下步骤:将氧合血红蛋白量的变化、脱氧血红蛋白量的变化或总血红蛋白量的变化用作特征量,根据使用与受试者的测量数据的特征量相同种类的特征量构建出的模型,从受试者的测量数据中获取表示受试者的认知功能的指标。如果像这样构成,则能够将伴随着用于诱导与认知功能有关的生物体活动的作业而容易产生的氧合血红蛋白量的变化、脱氧血红蛋白量的变化或总血红蛋白量的变化用作特征量,因此能够高精度地获取表示受试者的认知功能的指标。
在上述一个方面的认知功能的指标化方法中,优选的是,提供作业的步骤包括将感觉刺激、计算、记忆、想象以及空间认知中的至少一个作为课题提供给受试者的步骤,获取表示受试者的认知功能的指标的步骤包括以下步骤:根据基于在提供了与向受试者提供的作业相同的作业的情况下的健康人群的测量数据和轻度认知障碍人群的测量数据而构建出的模型,从受试者的测量数据中获取表示受试者的认知功能的指标。如果像这样构成,则能够将作为适于诱导与认知功能有关的生物体活动的课题的感觉刺激、计算、记忆、想象以及空间认知中的至少一个作为课题提供给受试者,因此能够可靠地测量与受试者的认知功能有关的生物体活动的变化并获取测量数据。
在上述一个方面的认知功能的指标化方法中,优选的是,提供作业的步骤包括向受试者提供用于诱导与认知功能有关的脑活动的作业的步骤,获取测量数据的步骤包括以下步骤:在向受试者提供了作业时,测量受试者的脑血流量的变化,并获取测量数据。如果像这样构成,则能够测量适于测量认知功能的脑血流量的变化并获取测量数据,因此能够高精度地获取表示受试者的认知功能的指标。
在上述一个方面的认知功能的指标化方法中,优选的是,获取表示受试者的认知功能的指标的步骤包括以下步骤:根据由回归模型构成的模型,从受试者的测量数据中获取表示受试者的认知功能的指标。如果像这样构成,则能够根据高精度地示出健康者与轻度认知障碍者之间的相关性的模型,从受试者的测量数据中获取表示受试者的认知功能的指标,因此能够高精度地获取表示受试者的认知功能的指标。
附图说明
图1是用于说明用于实施本发明的一个实施方式的认知功能的指标化方法的脑活动测量系统的整体结构的图。
图2是示出本发明的一个实施方式的测量脑活动时的测量部位的示意图。
图3是用于说明根据国际10-20法测量脑活动时的测量部位的示意图。
图4是用于说明本发明的一个实施方式的认知功能的指标化方法的流程图。
图5是用于说明本发明的一个实施方式的向受试者提供作业的方法的图。
图6A是用于说明本发明的一个实施方式的测量数据的波形的图。
图6B是用于说明本发明的一个实施方式的测量数据的波形的面积重心的图。
图6C是用于说明本发明的一个实施方式的测量数据的波形的斜率的图。
图7是示出ID1的回归模型中的NIRS指标与MCI确证度的相关性的图表。
图8是示出ID4的回归模型中的NIRS指标与MCI确证度的相关性的图表。
图9是示出ID7的回归模型中的NIRS指标与MCI确证度的相关性的图表。
图10是示出ID9的回归模型中的NIRS指标与MCI确证度的相关性的图表。
图11是示出ID12的回归模型中的NIRS指标与MCI确证度的相关性的图表。
图12是示出ID1的回归模型中的评价数据的NIRS指标分布的图表。
图13是示出ID4的回归模型中的评价数据的NIRS指标分布的图表。
图14是示出ID7的回归模型中的评价数据的NIRS指标分布的图表。
图15是示出ID9的回归模型中的评价数据的NIRS指标分布的图表。
图16是示出ID12的回归模型中的评价数据的NIRS指标分布的图表。
具体实施方式
以下,基于附图来说明将本发明具体化的实施方式。
首先,参照图1~图3对用于实施本发明的一个实施方式的认知功能的指标化方法的脑活动测量系统100的结构进行说明。
(脑活动测量系统的结构)
如图1所示,脑活动测量系统100具备脑活动测量装置1、数据处理装置2以及显示装置3。
脑活动测量装置1是使用近红外分光法(NIRS)对受试者P的脑活动进行光学测量并生成时间序列的测量结果数据的装置(光测量装置)。具体而言,脑活动测量装置1是NIRS装置。脑活动测量装置1从配置在受试者P的头部表面上的送光探头(未图示)照射近红外波长区域的测量光。然后,脑活动测量装置1使在头部内反射的测量光入射到配置在头部表面上的受光探头(未图示)并进行检测,由此获取测量光的强度(受光量)。送光探头和受光探头分别设置多个,且安装在用于将各探头固定在头部表面上的规定位置的支架4。在本实施方式中,脑活动测量装置1基于多个波长(例如780nm、805nm以及830nm这3个波长)的测量光的强度(受光量)和血红蛋白的吸光特性测量氧合血红蛋白、脱氧血红蛋白以及总血红蛋白的变化量,来作为脑血流量的变化的指标。
数据处理装置2对从脑活动测量装置1发送来的测量数据D进行处理。数据处理装置2由具备CPU、存储器以及硬盘驱动器等的PC(个人计算机)构成。在数据处理装置2中预先存储有用于将受试者P的认知功能指标化的模型M。此外,模型M的详细情况在后面叙述。
显示装置3构成为显示用于使受试者P执行的作业(课题、任务)。显示装置3是液晶显示器等监视器。
图2示出由脑活动测量装置1测量受试者P的脑的血流量时的测量部位的一例。另外,图3是示出国际10-20法中的测量部位的图。在图3所示的国际10-20法的包括F3、F4、P3以及P4的范围内设定了图2所示的获取受试者P的脑活动的测量数据D时的测量部位。具体而言,在国际10-20法的包括F3、F4、P3、P4的范围内,图2所示的测量部位构成为如图2所示的16个通道。此时,作为关注区域(ROI),设定了ROI 1~ROI4。ROI 1的通道1~4被设定为能够测量受试者P的左侧的前额联合区和背外侧前额前区。另外,ROI2的通道5~8被设定为能够测量受试者P的右侧的前额联合区和背外侧前额前区。另外,ROI3的通道9~12被设定为能够测量受试者P的左侧的体感区。另外,ROI4的通道13~16被设定为能够测量受试者P的右侧的体感区。
(认知功能的指标化方法)
接着,参照图4~图6对本实施方式的认知功能的指标化方法进行说明。
<向受试者提供作业的步骤>
如图4所示,本实施方式的认知功能的指标化方法包括向希望进行认知功能的指标化的受试者P提供用于诱导与认知功能有关的生物体活动的作业(任务、课题)的步骤(图4的步骤S1)。在该步骤中,向受试者P提供用于诱导与认知功能有关的脑活动的作业。另外,在该步骤中,如图5所示,向受试者P多次提供作业。具体而言,以使向受试者P提供作业时的作业期间31和不向受试者P提供作业的休息期间32交替重复的方式向受试者P多次提供作业。作业期间31例如为20秒。另外,休息期间32例如为20秒。在休息期间32中,构建测量受试者P的脑血流量的变化时的基线。在休息期间32中,为了构建基线,例如使受试者P处于安静状态,或者使受试者P发出无意义的语言。在休息期间32中使受试者P发出的无意义的语言例如是“あ、い、う、え、お”。此外,在图5中示出任务被重复4次的例子,但任务重复的次数也可以是4次以外的次数。
在该步骤中,感觉刺激、计算、记忆、想象以及空间认知中的至少一个作为课题被提供给受试者P。具体而言,在将提供给受试者P的课题设为感觉刺激的情况下,对受试者P的感觉器官施加感觉刺激。作为感觉刺激,例如能够使用由使保冷剂触碰受试者P的手掌产生的冷感觉刺激。另外,在将提供给受试者P的课题设为计算的情况下,向受试者P提出计算问题。作为计算问题,例如能够使用在用于诊断痴呆症的精神状态检查(MMSE)中使用的serial 7(100-7)或修改了serial 7(100-7)后的问题。另外,serial 7(100-7)是从100连续地减去7的问题。另外,在将提供给受试者P的课题设为记忆和想象的情况下,向受试者P提出在受试者P的手上书写形状类似的字符而受试者P猜该字符的问题。类似的字符例如为“O”、“P”、“Q”。另外,在将提供给受试者P的课题设为空间认知的情况下,使显示装置3显示风景照片,并递给受试者P将描绘在风景照片中的建筑物以示意图形式示出的地图,从而向受试者P提出用编号回答为了看到风景照片的风景而站在哪个位置为好的问题。
另外,在该步骤中,向受试者P提供难易程度不同的多个课题(作业)。具体而言,为了逐渐地提高难易程度,向受试者P提供难易程度不同的多个课题。例如,在向受试者P提出计算问题的情况下,在第一次课题中向受试者P提出从100连续地减去2的问题,在第二次课题中向受试者P提出从100连续地减去3的问题,在第三次课题中向受试者P提出从100连续地减去7的问题,在第四次课题中向受试者P提出从101连续地减去7的问题,在第五次课题中向受试者P提出从102连续地减去7的问题。此外,在偶数的减法运算和奇数的减法运算中,奇数的减法运算的难易程度高。另外,例如在向受试者P提出在受试者P的手上书写形状类似的字符而受试者P猜该字符的问题的情况下,在第一次和第二次课题中向受试者P提出将在受试者P的手上书写的字符设为2个字符的问题,在第三次和第四次课题中向受试者P提出将在受试者P的手上书写的字符设为3个字符的问题。此外,受试者P解答的字符数越多,难易程度越高。另外,例如在使显示装置3显示风景照片,并递给受试者P将描绘在风景照片中的建筑物以示意图形式示出的地图,从而向受试者P提出用编号回答为了看到风景照片的风景而站在哪个位置为好的问题的情况下,在第三次和第四次的任务中,通过与第一次及第二次的任务相比增加道路、建筑物的数量等,来提高任务的难易程度。
<获取测量数据的步骤>
如图4所示,本实施方式的认知功能的指标化方法包括以下步骤(图4的步骤S2):在向受试者P提供了作业时,测定与受试者P的认知功能有关的生物体活动的变化,并获取测量数据D。在该步骤中,在向受试者P提供了作业时,测量受试者P的脑血流量的变化,并获取测量数据D。具体而言,在向受试者P提供了作业时,测量受试者P的每个测量部位(每个通道)的脑血流量的变化。另外,在该步骤中,作为脑血流量的变化的指标,测量氧合血红蛋白量的变化、脱氧血红蛋白量的变化以及作为氧合血红蛋白量和脱氧血红蛋白量的总量的总血红蛋白量的变化。另外,在该步骤中,如图2和图3所示,测量在国际10-20法的包括F3、F4、P3以及P4的范围内设定的每个测量部位的脑血流量的变化。另外,在该步骤中,如上所述,通过近红外分光法(NIRS)测量每个测量部位的脑血流量的变化。
此外,在脑活动测量装置1中构成为,在测量每个测量部位的脑血流量的变化时,在测量脑血流量的变化的同时对用于测量脑血流量的变化的测量部位的附近的皮肤血流量进行测量。而且,构成为将利用测量出的皮肤血流量对测量出的脑血流量进行减法运算(校正)得到的值作为脑血流量。由此,在测量脑血流量的变化时,即使在由于在测量光的光路上包括皮肤而导致测量出的脑血流量中包含皮肤血流量的情况下,也能够测量抑制了皮肤血流量的影响的脑血流量。
<获取表示受试者的认知功能的指标的步骤>
如图4所示,本实施方式的认知功能的指标化方法包括以下步骤(图4的步骤S3):根据预先构建出的模型M(参照图1),从受试者P的测量数据D中获取表示受试者P的认知功能的指标。在该步骤中,根据模型M,从受试者P的测量数据D中获取作为表示受试者P的认知功能的指标的数值。基于预先获取到的健康人群的测量数据D和预先获取到的轻度认知障碍人群的测量数据D来预先构建出模型M。具体而言,基于预先获取到的健康人群的测量数据D和预先获取到的轻度认知障碍人群的测量数据D,通过回归模型来预先构建出模型M。
此外,向受试者P提供与在构建模型M时向健康人群和轻度认知障碍人群提供的作业相同的作业。因此,在该步骤中,根据基于在提供了与向受试者P提供的作业相同的作业的情况下的健康人群的测量数据D和轻度认知障碍人群的测量数据D构建出的模型M,从受试者P的测量数据D中获取表示受试者P的认知功能的指标。
在该步骤中,首先,从受试者P的测量数据D中获取用于获取表示认知功能的指标的特征量。所获取的特征量例如是氧合血红蛋白量的变化、脱氧血红蛋白量的变化或总血红蛋白量的变化。具体而言,如图6A~图6C所示,所获取的特征量是表示作业期间31中的各血红蛋白量的变化的波形W中的、受试者P的测量数据D的波形W的平均值、表示受试者P的测量数据D的波形W的面积重心的值或表示受试者P的测量数据D的波形W的斜率(斜率的最大值)的值。更具体而言,所获取的特征量是各血红蛋白量的变化中的难易程度不同的多个作业的受试者P的测量数据D的值(平均值、表示面积重心的值、表示斜率的值)之间的差或比。也就是说,是难易程度低的作业的受试者P的测量数据D的值与难易程度比该作业高的作业的受试者P的测量数据D的值之差或比。作为具体的特征量,例如获取表示总血红蛋白量的变化中的波形W的面积重心的值之间的比。
此外,在该步骤中,从受试者P的测量数据D中获取与在构建模型M时从健康人群的测量数据D和轻度认知障碍人群的测量数据D中获取到的特征量相同种类的特征量。因此,在该步骤中,根据使用与受试者P的测量数据D的特征量相同种类的特征量构建出的模型M,从受试者P的测量数据D中获取表示受试者P的认知功能的指标。
而且,在该步骤中,从自测量数据D获取到的特征量中获取表示与受试者P的认知功能有关的生物体活动(脑活动)的变化的指标。具体而言,根据预先构建出的模型M,从自测量数据D获取到的特征量中获取表示与受试者P的认知功能有关的生物体活动(脑活动)的变化的指标、即NIRS指标。
在此,详细情况在后面叙述,本申请发明人进行了深入研究,结果得出以下新见解:作为表示与受试者P的认知功能有关的生物体活动(脑活动)的变化的指标的NIRS指标和作为表示受试者P的认知功能的指标的轻度认知障碍确证度(以下称为“MCI确证度”)之间存在相关性。另外,根据该见解,本申请发明人还得出以下新见解:能够通过从测量数据D中获取作为表示与受试者P的认知功能有关的生物体活动(脑活动)的变化的指标的NIRS指标,来将受试者P的认知功能指标化。
NIRS指标例如通过作为基于逻辑回归的回归模型的以下式(1)来表示。
N=1/[1+exp{-(α+C0×F0+C1×F1+···Cn×Fn)}]···(1)
在此,
N为NIRS指标,
α为常数,
Cn为系数(权重),
Fn为特征量,
n为自然数。
作为常数α以及作为每个特征量Fn的权重的系数Cn是为了使作为表示与受试者P的认知功能有关的生物体活动(脑活动)的变化的指标的NIRS指标和作为表示受试者P的认知功能的指标的MCI确证度具有相关性、而根据回归模型预先获取到的值。具体而言,常数α和系数Cn是通过假定在健康者的测量数据D中NIRS指标N收敛为0且假定在轻度认知障碍者的测量数据D中NIRS指标N收敛为1、而基于健康人群的测量数据D和轻度认知障碍人群的测量数据D预先获取到的值。如上所述,特征量Fn是从测量数据D中获取的值。例如,按每个通道或每个作业从测量数据D中获取预先决定的血红蛋白量(氧合血红蛋白量、脱氧血红蛋白量、总血红蛋白量)的变化中的波形W的预先决定的种类的值(平均值、表示面积重心的值、表示斜率的值)之间的差或比并输入到特征量Fn中。
而且,在该步骤中,从根据式(1)获取到的NIRS指标中获取表示受试者P的认知功能的指标。作为表示受试者P的认知功能的指标,既可以获取NIRS指标本身并呈现给受试者P,也可以获取为了使受试者P容易理解而换算NIRS指标得到的得分(score)并呈现给受试者P。另外,作为表示受试者P的认知功能的指标,也可以获取与NIRS指标具有相关性的MCI确证度并呈现给受试者P。此外,NIRS指标的值越大,表示认知功能越低,NIRS指标的值越小,表示认知功能越高。
(相关性确认实验)
接着,参照图7~图16对确认了NIRS指标与MCI确证度的相关性的实验进行说明。
在实验中,如以下的表1和表2所示,针对由医生进行了确诊的健康者15名(健康人群)和轻度认知障碍者23名(轻度认知障碍人群)的受试人群,获取了基于NIRS的测量数据(以下,适当称为“教师数据”)。
[表1]
教师数据(病例标签:轻度认知障碍(MCI))
男 | 女 | 总体 | |
平均年龄 | 70.9 | 72.8 | 71.4 |
标准偏差 | 4.42 | 5.80 | 4.42 |
人数 | 11 | 4 |
[表2]
教师数据(病例标签:健康(NDC))
男 | 女 | 总体 | |
平均年龄 | 69.5 | 68.6 | 69.0 |
标准偏差 | 4.63 | 5.50 | 5.29 |
人数 | 11 | 12 |
另外,在实验中,作为课题,向受试者群提供了对认知功能的变化的监视有用的计算课题和OPQ课题。在计算课题中,向受试者依次提出了从100连续地减去2的问题、从100连续地减去3的问题、从100连续地减去7的问题、从101连续地减去7的问题以及从102连续地减去7的问题,并将课题期间设为20秒,将休息期间设为20秒。在休息期间内,使受试者发出无意义的语言的发音即“あ、い、う、え、お”,并确定测量数据的基线。另外,在OPQ课题中,向受试者提出了以下问题:在闭眼的状态下,连续地在受试者的手掌上划写“O”、“P”、“Q”这3个字符中的2个字符或3个字符,受试者猜出在手掌上写出的字符。将2个字符划写2次,将3个字符划写2次,共计实施4次スマヌ课题,并将课题期间设为30秒,将休息期间设为40秒。在休息期间内,将受试者设为安静状态。
另外,在实验中,测量部位在如图3所示的国际10-20法的包括F3、F4、P3、P4的范围内构成为如图2所示的16个通道。此时,作为关注区域(ROI),设定了如图2所示的ROI 1~ROI 4。
另外,基于通过实验得到的受试人群的测量数据,如以下的表3所示那样得到12个回归模型。回归模型的变量(特征量)设为2种血红蛋白量的变化(脱氧血红蛋白量的变化(表3的deoxyHb)、总血红蛋白量的变化(表3的totalHb))、3种ROI(ROI 1、ROI 2以及ROI 4)以及用于获取难易程度不同的多个作业间的比的3种波形特征值(平均值、表示面积重心的值、表示斜率的值)。例如,在ID1的回归模型中,变量被设为脱氧血红蛋白量的变化、ROI 1、ROI2及ROI 4以及表示测量数据的波形的面积重心的值。也就是说,关于ID1的回归模型,获取ROI 1、ROI 2以及ROI 4的12个通道的脱氧血红蛋白量的变化中的、难易程度不同的多个作业的测量数据的表示波形的面积重心的值之间的比,来作为特征量。
[表3]
回归模型ID | 血红蛋白 | 信号特征 | 测量ch |
1 | deoxyHb | 面积重心 | 12ch/ROI 1-2-4 |
2 | deoxyHb | 波形斜率 | 12ch/ROI 1-2-4 |
3 | deoxyHb | 平均 | 12ch/ROI 1-2-4 |
4 | deoxyHb | 面积重心 | 8ch/ROI 1-4 |
5 | deoxyHb | 波形斜率 | 8ch/ROI 1-4 |
6 | deoxyHb | 平均 | 8ch/ROI 1-4 |
7 | totalHb | 面积重心 | 12ch/ROI 1-2-4 |
8 | totalHb | 波形斜率 | 12ch/ROI 1-2-4 |
9 | totalHb | 平均 | 12ch/ROI 1-2-4 |
10 | totalHb | 面积重心 | 8ch/ROI 1-4 |
11 | totalHb | 波形斜率 | 8ch/ROI 1-4 |
12 | totalHb | 平均 | 8ch/ROI 1-4 |
12个回归模型通过上述式(1)表示,但由于使用了互不相同的特征量,因此决定了互不相同的常数α和系数Cn。此外,将健康人群的测量数据的目标变量设为0,将轻度认知障碍人群的测量数据的目标变量设为1,来决定各回归模型的常数α和系数Cn。也就是说,假定在健康者的测量数据中NIRS指标N收敛为0并且假定在轻度认知障碍者的测量数据D中NIRS指标N收敛为1来进行计算,由此决定各回归模型的常数α和系数Cn。
另外,为了评价12个回归模型的性能,如以下的表4和表5所示,将健康者8名(健康人群)的基于NIRS的测量数据(以下适当称为“评价数据”)和轻度认知障碍者5名(轻度认知障碍人群)的基于NIRS的测量数据(以下适当称为“评价数据”)应用于各回归模型,来得到正确率。此时,在将健康者(轻度认知障碍者)的测量数据应用于回归模型的情况下,如果根据回归模型得到受试者P是健康者(轻度认知障碍者)这样的判定,则设为正确。另外,在将健康者(轻度认知障碍者)的测量数据应用于回归模型的情况下,如果根据回归模型得到受试者P是轻度认知障碍者(健康者)这样的判定,则设为不正确。根据各回归模型得到的正确率如以下的表6所示。
[表4]
评价数据(病例标签:轻度认知障碍(MCI))
男 | 女 | 总体 | |
平均年龄 | 66.3 | 69.0 | 67.4 |
标准偏差 | 5.31 | 2.00 | 4.50 |
人数 | 3 | 2 |
[表5]
评价数据(病例标签:健康(NDC))
男 | 女 | 总体 | |
平均年龄 | 66.5 | 68.3 | 67.4 |
标准偏差 | 2.49 | 4.82 | 3.84 |
人数 | 4 | 4 |
[表6]
如表6所示,在ID1、ID4、ID7、ID9以及ID12这5个回归模型中,无论在判定出健康者和轻度认知障碍者中的哪一个的情况下,都能得到60%以上的高的正确率。
另外,针对正确率高的5个回归模型,根据教师数据(38名受试者的测量数据),调查了作为表示与受试者P的认知功能有关的生物体活动(脑活动)的变化的指标的NIRS指标和作为表示受试者P的认知功能的指标的MCI确证度的相关性。将调查了相关性得到的结果在图7~图11中以图表的形式示出。图7~图11所示的图表示出某个NIRS指标范围内的MCI确证度。例如,在图7中,NIRS指标示出0-0.166的范围内的MCI确证度、0.166-0.332的范围内的MCI确证度、0.332-0.498的范围内的MCI确证度、0.498-0.664的范围内的MCI确证度、0.664-0.830的范围内的MCI确证度、0.830-1的范围内的MCI确证度。
通过NIRS指标范围内的MCI的数量/(MCI的数量+NDC的数量)来求出MCI确证度。例如,在根据ID1的回归模型对MCI的受试者的测量数据进行了计算的情况下,在求出该测量数据的NIRS指标为0.1的情况下,0-0.166的NIRS指标范围的MCI的数量被计数为1个。同样地,在根据ID1的回归模型对NDC的受试者的测量数据进行了计算的情况下,在求出该测量数据的NIRS指标为0.1的情况下,0-0.166的NIRS指标范围的NDC的数量被计数为1个。通过这样,对于38名受试者的测量数据,通过在各NIRS指标范围内将MCI和NDC进行分类,来求出各NIRS指标范围内的MCI确证度。通过对正确率高的5个回归模型进行该作业,得到图7~图11所示的图表。
当将图7~图11所示的图表进行比较时,可知在ID7的回归模型(参照图9)中,作为表示与受试者P的认知功能有关的生物体活动(脑活动)的变化的指标的NIRS指标和作为表示受试者P的认知功能的指标的MCI确证度具有比例关系。另外,可知ID7的回归模型在作为表示与受试者P的认知功能有关的生物体活动(脑活动)的变化的指标的NIRS指标和作为表示受试者P的认知功能的指标的MCI确证度之间示出高相关性。由此可知,能够基于作为表示与受试者P的认知功能有关的生物体活动(脑活动)的变化的指标的NIRS指标来将受试者的认知功能指标化。
另外,针对ID1、ID4、ID7、ID9以及ID12这5个回归模型,根据评价数据(13名受试者的测量数据)在NDC组和MCI组之间进行了显著差异检验。在图12~图16中,将进行了显著差异检验得到的结果以图表的形式示出。如图12~图16所示,NDC组与MCI组之间的显著差异p在ID1的回归模型中为0.354,在ID4的回归模型中为0.265,在ID7的回归模型中为0.026,在ID9的回归模型中为0.776,在ID12的回归模型中为0.937。基于以上内容可知,只有ID7的回归模型的显著差异p为作为显著水平的0.05以下(5%以下),只有ID7的回归模型能够将NDC组和MCI组显著地区分开。
(本实施方式的效果)
在本实施方式中,能够得到如以下那样的效果。
在本实施方式中,如上所述,将认知功能的指标化方法构成为包括以下步骤:根据基于预先获取到的健康人群的测量数据D和预先获取到的轻度认知障碍人群的测量数据D预先构建出的模型M,从受试者P的测量数据D中获取表示受试者P的认知功能的指标。由此,在作为健康者的受试者P、作为轻度认知障碍者的受试者P、对认知功能感到不安的受试者P等为了预防痴呆症而进行痴呆症预防干预(例如运动等)的情况下,能够获取表示痴呆症预防干预前后的受试者P的认知功能的指标并进行比较,因此受试者P能够获知痴呆症预防干预前后的自身的认知功能的变化(即,痴呆症预防干预的效果)。另外,在受试者P持续进行痴呆症预防干预的情况下,能够向受试者P示出由持续的痴呆症预防干预引起的受试者P的认知功能的变化(即,痴呆症预防干预的效果),因此受试者P能够获知由持续的痴呆症预防干预引起的认知功能的变化。这样,受试者P能够获知痴呆症预防干预的效果,因此能够有效地对受试者P赋予用于主动持续地进行痴呆症预防干预的动机。此外,本实施方式的认知功能的指标化方法例如能够在福利设施、体育馆等中适当地实施。
另外,在本实施方式中,如上所述,将获取表示受试者P的认知功能的指标的步骤构成为包括根据模型M从受试者P的测量数据D中获取作为表示受试者P的认知功能的指标的数值的步骤。由此,能够更明确地推测痴呆症预防干预的效果。
另外,在本实施方式中,如上所述,将提供作业的步骤构成为包括向受试者P提供难易程度不同的多个作业的步骤。另外,将获取表示受试者P的认知功能的指标的步骤构成为包括以下步骤:根据基于在提供了与向受试者P提供的作业相同的作业的情况下的健康人群的测量数据D和轻度认知障碍人群的测量数据D而构建出的模型M,从受试者P的测量数据D中获取表示受试者P的认知功能的指标。由此,能够通过提供难易程度不同的多个作业来测量受试者P是否适应困难的作业。其结果,能够更明确地产生与受试者P的认知功能有关的生物体活动的变化,因此能够更高精度地获取表示受试者P的认知功能的指标。
另外,在本实施方式中,如上所述,将获取表示受试者P的认知功能的指标的步骤构成为包括以下步骤:将难易程度不同的多个作业的受试者P的测量数据D的值之间的差或比用作特征量,根据使用与受试者P的测量数据D的特征量相同种类的特征量构建出的模型M,从受试者P的测量数据D中获取表示受试者P的认知功能的指标。由此,通过将受试者P的测量数据D的值之间的差或比用作特征量,能够消除例如由于受试者P的测量部位的形状等而针对每个受试者P产生的受试者P特有的参数的影响,因此能够与受试者P无关地高精度地获取表示受试者P的认知功能的指标。
另外,在本实施方式中,如上所述,将获取表示受试者P的认知功能的指标的步骤构成为包括以下步骤:将受试者P的测量数据D的波形W的平均值、表示受试者P的测量数据D的波形W的面积重心的值或表示受试者P的测量数据D的波形W的斜率的值用作特征量,根据使用与受试者P的测量数据D的特征量相同种类的特征量构建出的模型M从受试者P的测量数据D中获取表示受试者P的认知功能的指标。由此,能够将作为与认知功能的关联性强的特征量的、受试者P的测量数据D的波形W的平均值、表示受试者P的测量数据D的波形W的面积重心的值或表示受试者P的测量数据D的波形W的斜率的值用作特征量,因此能够高精度地获取表示受试者P的认知功能的指标。
另外,在本实施方式中,如上所述,将获取表示受试者P的认知功能的指标的步骤构成为包括以下步骤:将氧合血红蛋白量的变化、脱氧血红蛋白量的变化或总血红蛋白量的变化用作特征量,根据使用与受试者P的测量数据D的特征量相同种类的特征量构建出的模型M,从受试者P的测量数据D中获取表示受试者P的认知功能的指标。由此,能够将伴随着用于诱导与认知功能有关的生物体活动的作业而容易产生的氧合血红蛋白量的变化、脱氧血红蛋白量的变化或总血红蛋白量的变化用作特征量,因此能够高精度地获取表示受试者P的认知功能的指标。
另外,在本实施方式中,如上所述,将提供作业的步骤构成为包括将感觉刺激、计算、记忆、想象以及空间认知中的至少一个作为课题提供给受试者P的步骤。另外,将获取表示受试者P的认知功能的指标的步骤构成为包括以下步骤:根据基于在提供了与向受试者P提供的作业相同的作业的情况下的健康人群的测量数据D和轻度认知障碍人群的测量数据D而构建出的模型M,从受试者P的测量数据D中获取表示受试者P的认知功能的指标。由此,能够将作为适于诱导与认知功能有关的生物体活动的课题的感觉刺激、计算、记忆、想象以及空间认知中的至少一个作为课题提供给受试者P,因此能够可靠地测量与受试者P的认知功能有关的生物体活动的变化,并获取测量数据D。
另外,在本实施方式中,如上所述,将提供作业的步骤构成为包括向受试者P提供用于诱导与认知功能有关的脑活动的作业的步骤。另外,将获取测量数据D的步骤构成为包括以下步骤:在向受试者P提供了作业时,测量受试者P的脑血流量的变化,并获取测量数据D。由此,能够测量适于测量认知功能的脑血流量的变化并获取测量数据D,因此能够高精度地获取表示受试者P的认知功能的指标。
另外,在本实施方式中,如上所述,将获取表示受试者P的认知功能的指标的步骤构成为包括以下步骤:根据由回归模型构建出的模型M,从受试者P的测量数据D中获取表示受试者P的认知功能的指标。由此,能够根据高精度地示出健康者与轻度认知障碍者之间的相关性的模型M,从受试者P的测量数据D中获取表示受试者P的认知功能的指标,因此能够高精度地获取表示受试者P的认知功能的指标。
[变形例]
此外,应该认为本次公开的实施方式在所有方面均为例示性的内容,而不是限制性的内容。本发明的范围不通过上述实施方式的说明而通过权利要求书来表示,还包括与权利要求书等同的意思和范围内的所有变更(变形例)。
例如,在上述实施方式中示出了向受试者提供用于诱导与认知功能有关的脑活动的作业的例子,但本发明不限于此。在本发明中,也可以向受试者提供用于诱导与认知功能有关的脑活动以外的生物体活动的作业。在该情况下,也可以在向受试者提供了作业时测量受试者的脑血流量的变化以外的生物体活动的变化。例如,也可以在向受试者提供了作业时测量与认知功能有关联的受试者的视线的变化或行为的变化。
另外,在上述实施方式中示出了获取数值来作为表示受试者的认知功能的指标的例子,但本发明不限于此。本发明中,也可以获取数值以外的指标来作为表示受试者的认知功能的指标。
另外,在上述实施方式中示出了向受试者提供难易程度不同的多个作业的例子,但本发明不限于此。在本发明中,也可以向受试者提供难易程度相同的多个作业。另外,也可以向受试者仅提供单一作业。
另外,在上述实施方式中示出了将难易程度不同的多个作业的受试者的测量数据的值之间的差或比用作特征量的例子,但本发明不限于此。在本发明中,也可以是,即使在向受试者提供了难易程度不同的多个作业的情况下,也不一定将难易程度不同的多个作业的受试者的测量数据的值之间的差或比用作特征量。
另外,在上述实施方式中示出了将测量数据的波形的平均值、表示测量数据的波形的面积重心的值或表示波形的斜率的值用作特征量的例子,但本发明不限于此。在本发明中,也可以将除测量数据的波形的平均值、表示测量数据的波形的面积重心的值或表示波形的斜率的值以外的表示波形的特征的值用作特征量。
另外,在上述实施方式中示出了将氧合血红蛋白量的变化、脱氧血红蛋白量的变化或总血红蛋白量的变化用作特征量的例子,但本发明不限于此。在本发明中,也可以将除氧合血红蛋白量的变化、脱氧血红蛋白量的变化或总血红蛋白量的变化以外的特征量用作特征量。例如,也可以将课题的正确回答率、课题的成绩用作特征量。
另外,在上述实施方式中示出了通过基于逻辑回归的回归模型来构建模型的例子,但本发明不限于此。在本发明中也可以通过基于逻辑回归的回归模型以外的模型来构建模型。
另外,在上述实施方式中示出了在将向受试者提供的课题设为感觉刺激的情况下,对受试者施加冷感觉刺激的例子,但本发明不限于此。在本发明中,只要是对受试者的感觉器官施加感觉刺激的课题,就可以对受试者施加冷感觉刺激以外的感觉刺激。
另外,在上述实施方式中示出了在将向受试者提供的课题设为计算问题的情况下向受试者提出减法运算的计算问题的例子,但本发明不限于此。在本发明中,可以向受试者提出四则运算的任何计算问题。
Claims (9)
1.一种认知功能的指标化方法,包括以下步骤:
向受试者提供用于诱导与认知功能有关的生物体活动的作业;
在向所述受试者提供了所述作业时,测量与所述受试者的认知功能有关的生物体活动的变化,并获取测量数据;以及
根据基于预先获取到的健康人群的所述测量数据和预先获取到的轻度认知障碍人群的所述测量数据而预先构建出的模型,从所述受试者的所述测量数据中获取表示所述受试者的认知功能的指标。
2.根据权利要求1所述的认知功能的指标化方法,其特征在于,
获取表示所述受试者的认知功能的指标的步骤包括根据所述模型从所述受试者的所述测量数据中获取作为表示所述受试者的认知功能的指标的数值的步骤。
3.根据权利要求1所述的认知功能的指标化方法,其特征在于,
提供所述作业的步骤包括向所述受试者提供难易程度不同的多个所述作业的步骤,
获取表示所述受试者的认知功能的指标的步骤包括以下步骤:根据基于在提供了与向所述受试者提供的所述作业相同的所述作业的情况下的所述健康人群的所述测量数据和所述轻度认知障碍人群的所述测量数据而构建出的所述模型,从所述受试者的所述测量数据中获取表示所述受试者的认知功能的指标。
4.根据权利要求3所述的认知功能的指标化方法,其特征在于,
获取表示所述受试者的认知功能的指标的步骤包括以下步骤:将难易程度不同的多个所述作业的所述受试者的所述测量数据的值之间的差或比用作特征量,根据使用与所述受试者的所述测量数据的特征量相同种类的特征量构建出的所述模型,从所述受试者的所述测量数据中获取表示所述受试者的认知功能的指标。
5.根据权利要求1所述的认知功能的指标化方法,其特征在于,
获取表示所述受试者的认知功能的指标的步骤包括以下步骤:将所述受试者的所述测量数据的波形的平均值、表示所述受试者的所述测量数据的波形的面积重心的值或表示所述受试者的所述测量数据的波形的斜率的值用作特征量,根据使用与所述受试者的所述测量数据的特征量相同种类的特征量构建出的所述模型,从所述受试者的所述测量数据中获取表示所述受试者的认知功能的指标。
6.根据权利要求1所述的认知功能的指标化方法,其特征在于,
获取表示所述受试者的认知功能的指标的步骤包括以下步骤:将氧合血红蛋白量的变化、脱氧血红蛋白量的变化或总血红蛋白量的变化用作特征量,根据使用与所述受试者的所述测量数据的特征量相同种类的特征量构建出的所述模型,从所述受试者的所述测量数据中获取表示所述受试者的认知功能的指标。
7.根据权利要求1所述的认知功能的指标化方法,其特征在于,
提供所述作业的步骤包括将感觉刺激、计算、记忆、想象以及空间认知中的至少一个作为课题提供给所述受试者的步骤,
获取表示所述受试者的认知功能的指标的步骤包括以下步骤:根据基于在提供了与向所述受试者提供的所述作业相同的所述作业的情况下的所述健康人群的所述测量数据和所述轻度认知障碍人群的所述测量数据而构建出的所述模型,从所述受试者的所述测量数据中获取表示所述受试者的认知功能的指标。
8.根据权利要求1所述的认知功能的指标化方法,其特征在于,
提供所述作业的步骤包括向所述受试者提供用于诱导与认知功能有关的脑活动的所述作业的步骤,
获取所述测量数据的步骤包括以下步骤:在向所述受试者提供了所述作业时,测量所述受试者的脑血流量的变化,并获取所述测量数据。
9.根据权利要求1所述的认知功能的指标化方法,其特征在于,
获取表示所述受试者的认知功能的指标的步骤包括以下步骤:根据由回归模型构成的所述模型,从所述受试者的所述测量数据中获取表示所述受试者的认知功能的指标。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019028294A JP7156081B2 (ja) | 2019-02-20 | 2019-02-20 | 認知機能の指標化方法 |
JP2019-028294 | 2019-02-20 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111588348A true CN111588348A (zh) | 2020-08-28 |
CN111588348B CN111588348B (zh) | 2023-07-25 |
Family
ID=72040786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010103768.7A Active CN111588348B (zh) | 2019-02-20 | 2020-02-20 | 认知功能的指标化方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20200261015A1 (zh) |
JP (1) | JP7156081B2 (zh) |
KR (1) | KR102421221B1 (zh) |
CN (1) | CN111588348B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117916761A (zh) * | 2021-08-27 | 2024-04-19 | 株式会社岛津制作所 | 脑的工作负荷指标计算系统和脑的工作负荷指标计算方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012165602A (ja) * | 2011-02-08 | 2012-08-30 | Renesas Electronics Corp | 電力伝送装置 |
EP2526862A1 (en) * | 2011-05-24 | 2012-11-28 | Canon Kabushiki Kaisha | Brain function measuring apparatus and brain function measuring method |
WO2012165602A1 (ja) * | 2011-05-31 | 2012-12-06 | 国立大学法人名古屋工業大学 | 認知機能障害判別装置、認知機能障害判別システム、およびプログラム |
US20140275960A1 (en) * | 2013-03-13 | 2014-09-18 | David R. Hubbard | Functional magnetic resonance imaging biomarker of neural abnormality |
CN104871160A (zh) * | 2012-09-28 | 2015-08-26 | 加利福尼亚大学董事会 | 用于感觉和认知剖析的系统和方法 |
WO2015178398A1 (ja) * | 2014-05-22 | 2015-11-26 | 株式会社 島津製作所 | 脳内のアミロイドβペプチド蓄積状態を評価するサロゲート・バイオマーカー及びその分析方法 |
CN105816170A (zh) * | 2016-05-10 | 2016-08-03 | 广东省医疗器械研究所 | 基于可穿戴式nirs-eeg的精神分裂症早期检测评估系统 |
CN105919556A (zh) * | 2016-05-23 | 2016-09-07 | 清华大学玉泉医院 | 基于认知任务的近红外脑成像仪图谱采集方法 |
CN106037645A (zh) * | 2016-05-23 | 2016-10-26 | 清华大学玉泉医院 | 基于认知任务测试的近红外脑成像波谱分类方法 |
JP2017006160A (ja) * | 2015-06-16 | 2017-01-12 | 株式会社島津製作所 | 認知脳活動計測システムおよび認知脳活動計測方法 |
CN106922125A (zh) * | 2014-08-29 | 2017-07-04 | 因赛飞公司 | 用于将生理和机器信息组合以增强功能的方法和系统 |
CN107635476A (zh) * | 2015-05-27 | 2018-01-26 | 宫井郎 | 脑活动反馈系统 |
WO2018026710A1 (en) * | 2016-08-05 | 2018-02-08 | The Regents Of The University Of California | Methods of cognitive fitness detection and training and systems for practicing the same |
WO2018131542A1 (ja) * | 2017-01-10 | 2018-07-19 | 公益財団法人ヒューマンサイエンス振興財団 | 認知機能評価システム |
WO2019008773A1 (ja) * | 2017-07-07 | 2019-01-10 | 株式会社島津製作所 | 認知機能判定方法 |
CN109254089A (zh) * | 2017-07-14 | 2019-01-22 | 株式会社岛津制作所 | 使用了质谱分析的认知功能障碍疾病生物标记物的定量方法和质谱分析装置 |
-
2019
- 2019-02-20 JP JP2019028294A patent/JP7156081B2/ja active Active
-
2020
- 2020-02-12 KR KR1020200017170A patent/KR102421221B1/ko active IP Right Grant
- 2020-02-19 US US16/794,379 patent/US20200261015A1/en active Pending
- 2020-02-20 CN CN202010103768.7A patent/CN111588348B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012165602A (ja) * | 2011-02-08 | 2012-08-30 | Renesas Electronics Corp | 電力伝送装置 |
EP2526862A1 (en) * | 2011-05-24 | 2012-11-28 | Canon Kabushiki Kaisha | Brain function measuring apparatus and brain function measuring method |
WO2012165602A1 (ja) * | 2011-05-31 | 2012-12-06 | 国立大学法人名古屋工業大学 | 認知機能障害判別装置、認知機能障害判別システム、およびプログラム |
JPWO2012165602A1 (ja) * | 2011-05-31 | 2015-02-23 | 国立大学法人 名古屋工業大学 | 認知機能障害判別装置、認知機能障害判別システム、およびプログラム |
CN104871160A (zh) * | 2012-09-28 | 2015-08-26 | 加利福尼亚大学董事会 | 用于感觉和认知剖析的系统和方法 |
US20140275960A1 (en) * | 2013-03-13 | 2014-09-18 | David R. Hubbard | Functional magnetic resonance imaging biomarker of neural abnormality |
WO2015178398A1 (ja) * | 2014-05-22 | 2015-11-26 | 株式会社 島津製作所 | 脳内のアミロイドβペプチド蓄積状態を評価するサロゲート・バイオマーカー及びその分析方法 |
CN106922125A (zh) * | 2014-08-29 | 2017-07-04 | 因赛飞公司 | 用于将生理和机器信息组合以增强功能的方法和系统 |
CN107635476A (zh) * | 2015-05-27 | 2018-01-26 | 宫井郎 | 脑活动反馈系统 |
JP2017006160A (ja) * | 2015-06-16 | 2017-01-12 | 株式会社島津製作所 | 認知脳活動計測システムおよび認知脳活動計測方法 |
CN105816170A (zh) * | 2016-05-10 | 2016-08-03 | 广东省医疗器械研究所 | 基于可穿戴式nirs-eeg的精神分裂症早期检测评估系统 |
CN106037645A (zh) * | 2016-05-23 | 2016-10-26 | 清华大学玉泉医院 | 基于认知任务测试的近红外脑成像波谱分类方法 |
CN105919556A (zh) * | 2016-05-23 | 2016-09-07 | 清华大学玉泉医院 | 基于认知任务的近红外脑成像仪图谱采集方法 |
WO2018026710A1 (en) * | 2016-08-05 | 2018-02-08 | The Regents Of The University Of California | Methods of cognitive fitness detection and training and systems for practicing the same |
WO2018131542A1 (ja) * | 2017-01-10 | 2018-07-19 | 公益財団法人ヒューマンサイエンス振興財団 | 認知機能評価システム |
WO2019008773A1 (ja) * | 2017-07-07 | 2019-01-10 | 株式会社島津製作所 | 認知機能判定方法 |
CN109254089A (zh) * | 2017-07-14 | 2019-01-22 | 株式会社岛津制作所 | 使用了质谱分析的认知功能障碍疾病生物标记物的定量方法和质谱分析装置 |
Non-Patent Citations (1)
Title |
---|
曹莹,解新荣,郝舒亮等: "脑血流改变与短暂性脑缺血发作及认知功能的关系", 《脑与神经疾病杂志》, pages 183 - 185 * |
Also Published As
Publication number | Publication date |
---|---|
KR20200101850A (ko) | 2020-08-28 |
KR102421221B1 (ko) | 2022-07-14 |
JP2020130630A (ja) | 2020-08-31 |
CN111588348B (zh) | 2023-07-25 |
US20200261015A1 (en) | 2020-08-20 |
JP7156081B2 (ja) | 2022-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101811888B1 (ko) | 연상 능력 검사 및/또는 훈련 | |
JP7157794B2 (ja) | 人の精神生理学的状態を評価する方法 | |
WO2014150684A1 (en) | Artifact as a feature in neuro diagnostics | |
JP7316574B2 (ja) | 作業適正度判定システム | |
KR20220039666A (ko) | 뇌 활동 특징량의 추출 방법 | |
Kesedžić et al. | Classification of cognitive load based on neurophysiological features from functional near-infrared spectroscopy and electrocardiography signals on n-back task | |
Zou et al. | Evaluating the effectiveness of biometric sensors and their signal features for classifying human experience in virtual environments | |
CN111588348B (zh) | 认知功能的指标化方法 | |
Lin et al. | Objective pain measurement based on physiological signals | |
JP6404162B2 (ja) | 脳機能指標演算装置および脳機能指標演算方法 | |
KR102316255B1 (ko) | 인지 기능 판정 방법 | |
RU2464935C1 (ru) | Способ оценки функциональных резервов организма человека | |
RU2245097C1 (ru) | Способ оценки профессиональной пригодности персонала для различных видов деятельности | |
JP6886686B2 (ja) | ストレス評価装置およびストレス状態の評価方法 | |
RU2257143C1 (ru) | Способ оценки эффективности восстановления вертикальной позы у больных со статодинамическими нарушениями | |
Hiroyasu et al. | Classification subject effects using changes in cerebral blood flow on the Stroop test | |
RU2736397C1 (ru) | Система и способ определения состояния стресса на основе биометрического сигнала ЭЭГ и электродермальной активности | |
Alexandre et al. | Contribution of biosignals for emotional analysis on image perception | |
De Carlo | Unveiling the Influence of Stress and Mental Workload on Our Brain: An fNIRS Analysis | |
Sevcenko et al. | Neural correlates of cognitive load while playing an emergency simulation game: a functional near-infrared spectroscopy (fNIRS) study | |
Peci et al. | Hemoglobin (Hb)-Oxyhemoglobin (HbO) Variation in Rehabilitation Processes Involving Prefrontal Cortex | |
Teselkin | Determination of Phobic Disorders Using Virtual Reality Technologies | |
Fukui et al. | ESTIMATION OF VARIOUS HUMAN EMOTIONS USING LIGHTWEIGHT FNIRS DEVICE | |
Barroso | Application game and low-cost BCI measurement of electrical scalp activity as an additional tool to test children with ADHD | |
Randall | Finding Balance: An Exploration of Factors Related to Balance Impairment in Children after Concussion |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |