CN114051616A - 用于将机械学习中使用的示教数据放大的系统、方法、程序 - Google Patents

用于将机械学习中使用的示教数据放大的系统、方法、程序 Download PDF

Info

Publication number
CN114051616A
CN114051616A CN202080045956.7A CN202080045956A CN114051616A CN 114051616 A CN114051616 A CN 114051616A CN 202080045956 A CN202080045956 A CN 202080045956A CN 114051616 A CN114051616 A CN 114051616A
Authority
CN
China
Prior art keywords
pain
data
matrix
electroencephalogram
model
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.)
Pending
Application number
CN202080045956.7A
Other languages
English (en)
Inventor
中江文
能村幸大郎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Pamela Co ltd
Osaka University NUC
Original Assignee
Pamela Co ltd
Osaka University NUC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Pamela Co ltd, Osaka University NUC filed Critical Pamela Co ltd
Publication of CN114051616A publication Critical patent/CN114051616A/zh
Pending legal-status Critical Current

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
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/377—Electroencephalography [EEG] using evoked responses
    • A61B5/383—Somatosensory stimuli, e.g. electric stimulation
    • 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
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4824—Touch or pain perception evaluation
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2505/00—Evaluating, monitoring or diagnosing in the context of a particular type of medical care
    • A61B2505/09—Rehabilitation or training
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Neurology (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Pain & Pain Management (AREA)
  • Hospice & Palliative Care (AREA)
  • Databases & Information Systems (AREA)
  • Neurosurgery (AREA)
  • Physiology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Algebra (AREA)

Abstract

课题在于提供一种用于维持机械学习中使用的多个示教数据间的关系并将示教数据放大的系统等。本公开提供一种用于将机械学习中使用的示教数据放大的系统，所述系统包括：取得多个示教数据的取得机构；从所述多个示教数据导出协方差矩阵的第一处理机构；对所述协方差矩阵进行分解的第二处理机构；及对于所述分解后的矩阵应用随机数的第三处理机构。

Description

用于将机械学习中使用的示教数据放大的系统、方法、程序
技术领域
本公开涉及用于将机械学习中使用的示教数据放大的系统、方法、程序。更确切而言，本公开涉及用于在以生物体为对象进行分析时，将从生物体得到的反应数据放大的系统等。再确切而言，本公开涉及用于在生成用于基于推定对象的脑电波而对推定对象具有的疼痛进行分类的疼痛分类值时，将从推定对象得到的脑电波数据或其分析数据放大的系统等。本公开还涉及用于在生成用于判别对象的疼痛的模型时，将从对象得到的脑电波数据或其分析数据放大的系统等。
背景技术
疼痛在本质上是主观的，但是在进行治疗方面希望能客观地评价。由于疼痛被过小评价而患者遭受不利的场景经常出现。因此，提出了使用脑电波来客观地推定疼痛的方法(例如，参照专利文献1)。
然而，疼痛的强度是主观的，难以进行客观的评价。而且，脑电波信号的波动大，与主观未必对应。而且，也没有确立有效地监控疼痛的时间性变化的方法。关于疼痛的判别，还仅是初期，还未提供高效的模型的生成及判别。
作为实现人工智能的方法，广泛地使用机械学习。为了提高机械学习的精度，需要学习较多的示教数据。
在先技术文献
专利文献
专利文献1：日本特表2010-523226号公报
发明内容
发明的概要
用于解决课题的方案
在一个方面中，本公开提供一种用于将机械学习中使用的示教数据放大的系统、方法、程序。更确切而言，本公开提供一种用于在以生物体为对象进行分析时，将从生物体得到的反应数据放大的系统。此外，本公开提供一种用于在生成用于基于推定对象的脑电波而对推定对象具有的疼痛进行分类的疼痛分类值时，将从推定对象得到的脑电波数据或其分析数据放大的系统。本公开还提供一种用于在用于生成对对象的疼痛进行判别的模型时，将从对象得到的脑电波数据或其分析数据放大的系统。
在该方面中，本公开例如提供以下项目。
(项目1)
一种用于将机械学习中使用的示教数据放大的系统，其包括：
取得多个示教数据的取得机构；
从所述多个示教数据导出协方差矩阵的第一处理机构；
对所述协方差矩阵进行分解的第二处理机构；及
对所述分解后的矩阵应用随机数的第三处理机构。
(项目2)
根据项目1记载的系统，其中，
所述示教数据是从生物体取得的数据。
(项目3)
根据项目2记载的系统，其中，
所述示教数据是脑电波数据、MRI图像数据、基因表达数据。
(项目4)
根据项目3记载的系统，其中，
所述示教数据是将疼痛应用于所述生物体的情况下的脑电波数据或MRI数据。
(项目5)
根据项目1～4中任一项记载的系统，其中，
所述第二处理机构构成为将所述协方差矩阵分解为Q*Q’，矩阵Q’是矩阵Q的转置矩阵，
所述第三处理机构构成为对所述矩阵Q或所述矩阵Q’应用随机数。
(项目6)
根据项目5记载的系统，其中，
所述第二处理机构构成为通过对所述协方差矩阵进行克莱斯基分解、LU分解、QR分解中的一个而将所述协方差矩阵分解为Q*Q’，所述矩阵Q或矩阵Q’是上三角矩阵，
所述第三处理机构构成为对所述上三角矩阵应用随机数。
(项目7)
根据项目1～6中任一项记载的系统，其中，
所述第一处理机构还构成为算出所述多个示教数据的平均值向量，
所述第三处理机构还构成为将平均值向量与应用了所述随机数的所述分解后的矩阵相加。
(项目8)
根据项目1～4中任一项记载的系统，其中，
所述第一处理机构构成为进行以下步骤：
算出所述多个示教数据的平均值的步骤；
从所述多个示教数据减去平均值的步骤；及
从减去了所述平均值的多个示教数据导出协方差矩阵的步骤，
所述第二处理机构构成为进行将所述协方差矩阵分解为V*L*V’的步骤，矩阵L是由固有值构成的对角矩阵，矩阵V是在列中具有对应的右固有向量的矩阵，矩阵V’是矩阵V的转置矩阵，将sqrt()设为取平方根的函数时，表示为矩阵M＝sqrt(L)，
所述第三处理机构构成为对所述矩阵M应用随机数，
所述系统还包括对应用了所述随机数的所述矩阵M进行投影转换的第四处理机构，所述第四处理机构将所述平均值与投影转换后的矩阵M相加。
(项目9)
根据项目1～8中任一项记载的系统，其中，
所述系统还包括将所述多个示教数据分割为多个部分集合的分割机构，
所述第一处理机构、所述第二处理机构及所述第三处理机构对所述多个部分集合分别进行各自的处理。
(项目10)
一种疼痛推定系统，其用于推定测定对象具有的疼痛，包括：
项目1记载的用于将机械学习中使用的示教数据放大的系统；及
用于学习由用于将所述示教数据放大的系统放大后的多个示教数据，并生成疼痛推定模型的系统。
(项目11)
一种用于将机械学习中使用的示教数据放大的方法，其包括以下步骤：
取得多个示教数据的步骤；
从所述多个示教数据导出协方差矩阵的步骤；
对所述协方差矩阵进行分解的步骤；及
对所述分解后的矩阵应用随机数的步骤。
(项目12)
一种用于将机械学习中使用的示教数据放大的程序，所述程序在包括处理器的计算机系统中被执行，所述程序使所述处理器部执行包括以下步骤的处理，这些步骤是：
取得多个示教数据的步骤；
从所述多个示教数据导出协方差矩阵的步骤；
对所述协方差矩阵进行分解的步骤；及
对所述分解后的矩阵应用随机数的步骤。
(项目13)
一种方法，其用于生成基于推定对象的脑电波而对所述推定对象具有的疼痛进行分类的疼痛分类值，其包括以下步骤：
a)以多个等级的刺激强度对所述推定对象进行刺激的步骤；
b)取得与所述刺激强度对应的所述推定对象的脑电波数据或其分析数据的步骤；
c)将所述推定对象的脑电波数据或其分析数据放大的步骤，该步骤包括i)根据所述推定对象的脑电波数据或其分析数据导出协方差矩阵的步骤、
ii)对所述协方差矩阵进行分解的步骤、
iii)对所述分解后的矩阵应用随机数的步骤；
d)将所述刺激强度或与所述刺激强度对应的主观的疼痛感觉等级、以及所述放大后的脑电波数据或其分析数据进行绘制，并向疼痛函数拟合而得到对所述推定对象特异的疼痛函数的步骤；及
e)在向所述特异的疼痛函数的拟合的回归系数为规定以上的情况下，基于所述特异的疼痛函数，确定用于将疼痛等级分为至少两个以上的疼痛分类值(pain classifier)的步骤。
(项目14)
一种装置，其用于生成基于推定对象的脑电波而对所述推定对象具有的疼痛进行分类的疼痛分类值，其包括：
A)以多个等级的刺激强度对所述推定对象进行刺激的刺激部；
B)取得与所述刺激强度对应的所述推定对象的脑电波数据或其分析数据的脑电波数据取得部；
C)将所述推定对象的脑电波数据或其分析数据放大的放大部，所述放大部构成为进行
i)根据所述推定对象的脑电波数据或其分析数据导出协方差矩阵的步骤、
ii)对所述协方差矩阵进行分解的步骤、
iii)对所述分解后的矩阵应用随机数的步骤；及
D)将所述刺激强度或与所述刺激强度对应的主观的疼痛感觉等级、以及所述放大后的脑电波数据或其分析数据进行绘制，并向疼痛函数拟合而得到对所述推定对象特异的疼痛函数，基于所述特异的疼痛函数，确定用于将疼痛等级分为至少两个以上的疼痛分类值的疼痛分类值生成部。
(项目15)
一种用于生成对对象的疼痛进行判别的模型的方法，其包括以下步骤：
a)从所述对象取得脑电波数据或其分析数据的步骤；
b)关于基于所述脑电波数据或其分析数据而得到的特征量，决定与所述疼痛相关的特征量系数，关于所述疼痛进行归约的步骤；
c)将所述归约后的加权了的所述特征量或其组合放大的步骤，该步骤包括i)根据所述归约后的加权了的所述特征量或其组合导出协方差矩阵的步骤、
ii)对所述协方差矩阵进行分解的步骤、
iii)对所述分解后的矩阵应用随机数的步骤；
d)基于所述放大后的特征量或其组合，通过机械学习及验证来制作判别分析模型的步骤；及
e)决定达成规定精度的判别分析模型的步骤。
(项目16)
一种用于生成对对象的疼痛进行判别的模型的系统，所述系统包括：
A)从所述对象得到脑电波数据或其分析数据的脑电波数据取得部；
B)关于基于所述脑电波数据或其分析数据而得到的特征量，决定与所述疼痛相关的特征量系数，关于所述疼痛进行归约的特征量归约部；
C)将所述归约后的加权了的所述特征量或其组合放大的放大部，所述放大部构成为进行
i)根据所述归约后的加权了的所述特征量或其组合导出协方差矩阵的步骤、
ii)对所述协方差矩阵进行分解的步骤、
iii)对所述分解后的矩阵应用随机数的步骤；及
D)基于所述放大后的归约后的加权了的所述特征量或其组合，通过机械学习及验证来制作判别分析模型的疼痛判别/推定模型生成部。
(项目17)
一种以生物体为对象进行分析的方法，其包括以下步骤：
a)以多个种类的刺激对所述生物体进行刺激的步骤；
b)取得与所述刺激的种类对应的所述生物体的反应数据的步骤；
c)将所述生物体的反应数据放大的步骤，该步骤包括
i)根据所述生物体的反应数据导出协方差矩阵的步骤、
ii)对所述协方差矩阵进行分解的步骤、
iii)对所述分解后的矩阵应用随机数的步骤；及
d)绘制所述刺激的种类和所述放大后的反应数据来进行分析的步骤。
(项目18)
根据项目17所述的方法，其中，
所述生物体的刺激是对于基因的刺激或药剂的候补，所述反应数据包含基因表达数据或生物体的反应。
(项目19)
一种用于生成对对象的疼痛进行判别的模型的方法，其包括以下步骤：
a)通过对多个受验者进行疼痛试验而取得多个COVAS数据的步骤；
b)通过对所述多个COVAS数据进行平均而制作COVAS模板的步骤；
c)通过对所述对象进行所述疼痛试验而从所述对象得到脑电波数据或其分析数据的步骤；
d)基于所述COVAS模板，剪切所述脑电波数据或其分析数据的步骤；及
e)以所述剪切的脑电波数据或其分析数据为学习用数据，以与所述剪切的脑电波数据或其分析数据对应的COVAS模板的值为标签进行学习，由此制作模型的步骤。
(项目20)
根据项目19记载的方法，其中，
所述学习的步骤包括将所述剪切的脑电波数据或其分析数据放大的步骤，该步骤包括：
i)从所述剪切的脑电波数据或其分析数据导出协方差矩阵的步骤；
ii)对所述协方差矩阵进行分解的步骤；及
iii)对所述分解后的矩阵应用随机数的步骤。
在本公开中，上述一个或多个特征除了明示的组合之外，还可以通过进一步组合来提供。本领域技术人员可以根据需要通过阅读以下的详细的说明来理解认知本公开的进一步的实施方式及优点。
发明效果
本公开能够维持机械学习中使用的多个示教数据间的关系并将示教数据放大。通过将这样放大后的示教数据使用于机械学习，预测精度不会受损而能够达成意想的预测精度。例如，这是因为，即使在仅存在较少的样本数的情况下，也能够进行基于机械学习的高精度且高可靠性的预测。这特别是在学习从生物体得到的数据的情况下有用，且在学习对刺激的反应数据的情况下更有用。
而且，在本公开中，能够根据较少的样本数来效率良好地判别疼痛。能够以精度也格外高的等级判别疼痛，能够更细微地进行符合主观的治疗或手术，在医疗关联产业中具有有用性。
本公开如上所述能够提供一种用于维持机械学习中使用的多个示教数据间的关系并将示教数据放大的系统等。
这样，本公开在通过进行样本放大而学习从生物体得到的数据的情况下，在如样本数通常受限时那样难以取得较多的示教数据的场景等下，例如在取得对刺激的反应数据时，能够尽可能减轻对生物体的负担，而不是为了取得较多的示教数据而对生物体赋予较多的刺激。
而且，在本公开中，仅使多个示教数据的数目增加的话，作为机械学习用的示教数据不充分，并且无法达成意想的预测精度时，例如，在学习从生物体得到的数据的情况下要求高预测精度时，能够改善仅使多个示教数据的数目增加而得到的示教数据的学习的预测中可观察到的低可靠性。
附图说明
图1是表示用于将机械学习中使用的示教数据放大的系统100的结构的一例的图。
图2是表示用于将机械学习中使用的示教数据放大的系统100的结构的另一例的图。
图3是表示用于将机械学习中使用的示教数据放大的系统100中的处理300的一例的流程图。
图4是表示用于将机械学习中使用的示教数据放大的系统100中的处理400的一例的流程图。
图5A是表示用于将机械学习中使用的示教数据放大的系统100中的处理500的一例的流程图。
图5B是与处理500等价的处理的流程图。
图6A是表示电刺激与疼痛等级(VAS)的关系的坐标图。
图6B是表示电刺激与疼痛等级(一对比较)的关系的坐标图。
图6C是表示电刺激与脑电波振幅的关系的坐标图。
图6D是表示脑电波波形的一例的坐标图。
图6E是表示由电刺激引起的疼痛等级(VAS)与脑电波振幅的关系的坐标图。
图6F是表示由电刺激引起的疼痛等级(一对比较)与脑电波振幅的关系的坐标图。
图6G是表示由热刺激引起的疼痛等级(VAS)与脑电波振幅的关系的坐标图。
图6H是表示由热刺激引起的疼痛等级(一对比较)与脑电波振幅的关系的坐标图。
图7表示使用高温刺激检查数据(疼痛6等级)，将算术平均时间间隔从10秒改变为120秒时的相关系数的推移。可观察到当平均时间间隔变长时，相关系数也上升的倾向。A表示算术平均电位振幅(绝对值)与主观的疼痛评价的相关，B表示算术平均电位振幅(绝对值)与高温刺激强度的相关。纵轴表示相关系数，横轴表示算术平均时间间隔(秒)。
图8表示使用高温刺激检查数据(疼痛6等级)，将几何平均时间间隔从10秒改变为120秒时的相关系数的推移。可观察到当平均时间间隔变长时，相关系数也上升的倾向。A表示几何平均电位振幅(绝对值)与主观的疼痛评价的相关，B表示几何平均电位振幅(绝对值)与高温刺激强度的相关。纵轴表示相关系数，横轴表示几何平均时间间隔(秒)。
图9是本公开的方案的示意图。
图10是本公开的装置结构的框图。
图11示出实施例7的例2的解析方法的概要。而且，图示出表示C纤维的延迟痛觉特性的频率特征量(β带域)的时间变化特性(通过时间频率分析显示)。特别是等级6从刺激提示后5秒开始延迟而频率功率相比其他的等级增大。
图12示出判别模型(以休止区间进行标准化，存在EOG特征量)。除了机会等级以下的受验者之外，重新制作了4次模型(被检测者81名，4860样本)。通过L1(40℃)与L6(50℃)的判别而制作了基本模型。左侧示出精致化后的特征量系数(默认疼痛判别模型的系数)。右侧的坐标图表示精致化4次后的疼痛推定值的整体分布。
图13示出疼痛占有率。这是表示将疼痛推定值判别为“有疼痛”时的可靠性的概念。其算出方法如以下所述。i.通过精致化后的81名(判别精度>70％)的判别模型，算出无疼痛(30样本×81名)和有疼痛(30样本×81名)的判别推定。ii.将所有疼痛推定值的最小值(-1)和最大值(2)例如“每0.1幅度地分割，算出各推定值的有疼痛推定值的占有率”。“有疼痛占有率(％)＝有疼痛推定值的数目/(有疼痛推定值的数目+无疼痛推定值的数目)”iii.利用Sigmoid函数进行拟合而得到“疼痛占有率函数”，制作占有率模型。以下，示出其疼痛占有率函数的例子。
图14示出特征量数的带有归约过程的判别分析的流程。
图15示出带有特征量归约过程的判别装置的示意图。
图16是本公开的设备的示意图，是设想了装备有全部的部分的例子的图。
图17是本公开的设备的示意图，示出仅具有在设备部分(左侧)进行脑电波取得及数据的收发并进行可视化的功能的实施方式。是分析、判定判别模型的生成等通过云或服务器进行的实施方式。在该模型中，脑电波特征量(分析数据)的提取在终端侧进行。
图18是本公开的设备的示意图，示出仅具有在设备部分(左侧)进行脑电波取得及数据的收发并进行可视化的功能的实施方式。是设想分析、判定判别模型的生成等通过云或服务器来进行的实施方式。在该模型中，脑电波特征量(分析数据)的提取在服务器侧进行。
图19是本公开的设备的示意图，示出具有能够在设备部分(左侧)进行脑电波取得及数据的收发，保存判别模型而进行现场的判别，并将它们可视化的功能的实施方式。这样的实施方式是设想了在医院等的难以进行电波的收发的设施或场所处的实施而得到的实施方式。是通过云或服务器进行判定判别模型的生成实际上通过设备进行将实测数据代入模型的实施方式。脑电波特征量(分析数据)的提取既可以在终端进行也可以在服务器侧进行。
图20示出特征量数的带有归约过程的判别分析的决定过程的流程的例子。是进行1)特征量的判别特性的数量化、2)特征量的分级、3)从上位特征量顺次包含的分层级判别分析、及4)判别模型的决定的例子。需要说明的是，图中的数值都是例示。
图21示出特征量和判别模型选择时的双重归约过程的判别模型决定过程。图79的判别模型决定过程是指，1)特征量的判别特性的数量化，2)特征量的分级，3)从上位特征量顺次地直至模型包含的分层级判别分析为止、包含同一工序。另一方面，在最后的判别模型选择时点，新包含使用Sigmoid函数等将判别精度的变化进行近似，选择经济的判别模型的工序。需要说明的是，图中的数值都是例示。
图22示出单调增加Sigmoid、单调减少Sigmoid特征量的推移。A表示绝对平均振幅，B表示频率功率。C表示额叶部顶叶部振幅相关(也称为电位相关)。D表示多尺度熵(MSE)。单调增加Sigmoid：在A处单调增加Sigmoid特征量：在等级5～6处存在拐点，特征量增加。单调减少Sigmoid：在C及D处，单调减少Sigmoid特征量：在等级5～6处存在拐点，特征量下降。
图23是包含由图22表示的Sigmoid型特征量的“离散性特征量”的另一方式。在疼痛监控之前，对对象者赋予多个疼痛检查刺激，调查无疼痛和有疼痛的特征量的分布特性。图23示出使用特征量的柱状图进行曲线近似时的示意图。将无疼痛和有疼痛的样本的分布交叉的数值作为判别阈值，将比阈值小的样本转换为“-1”，将比阈值大的样本转换为“1”和范畴尺度。作为决定这样的阈值的样本分布，还可以使用庞加莱分布等。
图24是带有特征量归约过程的判别装置的示意图。在模型制作时点(白箭头)，制作与分类等级数对应的判别函数，近似于各特征量，通过R平方值等加权系数来选拔特征量，制作判别模型。将该信息保存于特征量提取部和判别推定部，在实际的疼痛监控(黑箭头)中，在线地判别推定疼痛等级。
图25是表示本公开的一实施方式的流程的流程图的一例。
图26是表示本公开的一实施方式的功能结构的框图的一例。
图27是表示本公开的一实施方式的功能结构的框图的一例。
图28是表示4级别LSTM解析的流程的图。
图29是表示4级别LSTM解析的解析条件的图。
图30A示出在实施例1中取得的原始数据。
图30B示出在实施例1中取得的原始数据的离线时间序列解析结果。
图30C示出在实施例1中取得的原始数据。
图30D示出在实施例1中取得的原始数据的离线时间序列解析结果。
图30E示出在实施例1中取得的原始数据。
图30F示出在实施例1中取得的原始数据的离线时间序列解析结果。
图30G示出在实施例1中取得的原始数据。
图30H示出在实施例1中取得的原始数据的离线时间序列解析结果。
图30I示出在实施例1中取得的原始数据。
图30J示出在实施例1中取得的原始数据的离线时间序列解析结果。
图30K示出在实施例1中取得的原始数据。
图30L示出在实施例1中取得的原始数据的离线时间序列解析结果。
图30M示出在实施例1中取得的原始数据。
图30N示出在实施例1中取得的原始数据的离线时间序列解析结果。
图30O示出在实施例1中取得的原始数据。
图30P示出在实施例1中取得的原始数据的离线时间序列解析结果。
图30Q示出在实施例1中取得的原始数据。
图30R示出在实施例1中取得的原始数据的离线时间序列解析结果。
图30S示出在实施例1中取得的原始数据。
图30T示出在实施例1中取得的原始数据的离线时间序列解析结果。
图31是表示实施例2的解析的整体影像的图。
图32示出将naive(N＝7)及day28(N＝8)的数据放大的阶段的影像。
图33示出使用制作的模型进行代入，预测疼痛得分的阶段的影像。
图34示出实施例2的结果。
图35A示出使用了样本放大法(OLD)的解析方法的概念图。
图35B示出使用了样本放大法(OLD)的解析方法的概念图。
图35C示出使用了样本放大法(OLD)的解析方法的概念图。
图35D示出使用了样本放大法(OLD)的解析方法的概念图。
图36A示出使用在留一(n-1)数据中制作的模型，对留下的剩余的一个样本判别了1000次的结果。
图36B示出使用在留一(n-1)数据中制作的模型，对留下的剩余的一个样本判别了1000次的结果。
图36C示出使用在留一(n-1)数据中制作的模型，对留下的剩余的一个样本判别了1000次的结果。
图36D示出使用在留一(n-1)数据中制作的模型，对留下的剩余的一个样本判别了1000次的结果。
图36E示出使用在留一(n-1)数据中制作的模型，对留下的剩余的一个样本判别了1000次的结果。
图36F示出使用在留一(n-1)数据中制作的模型，对留下的剩余的一个样本判别了1000次的结果。
图36G示出使用在留一(n-1)数据中制作的模型，将留下的剩余的一个样本判别了1000次的结果。
图36H示出使用在留一(n-1)数据中制作的模型，对留下的剩余的一个样本判别了1000次的结果。
图37A示出实验试行的(1)的阶段性热刺激的例子、与之对应的COVAS模板的例子、将COVAS模板从最小值0至最大值100升顺地排序后的排序完毕COVAS模板的例子。
图37B示出从排序后的COVAS模板剪切的19个种类的标准化参数的范围、以及与10个种类的标准化参数对应的10个模型的范围。
图37C示出实施例4的结果。
图38A示出从排序后的COVAS模板剪切的10个种类的标准化参数的范围、以及与10个种类的标准化参数对应的10个模型的范围。
图38B示出实施例5的结果。
具体实施方式
以下，说明本公开。在整个本说明书中，单数形的表达只要没有特别提及，就应理解为也包括其复数形的概念。因此，单数形的冠词(例如，在英语的情况下为“a”、“an”、“the”等)只要没有特别提及，就应理解为也包括其复数形的概念。而且，本说明书中使用的用语只要没有特别提及，就应理解为在该领域通常使用的意思下使用。因此，除非另有定义，否则本说明书中使用的全部的专门用语及科学技术用语具有与本公开所属的领域的本领域技术人员所通常理解的意思相同的意思。在产生矛盾的情况下，本说明书(包含定义)优先。
(定义)
首先说明在本公开中使用的用语及一般性的技术。
(信息处理关联)
在本说明书中，“机器学习”是指没有明确地进行编程而是对计算机赋予学习能力的技术。是通过以功能单位获得新的知识、技能的情况或将已有的知识、技能再配置，从而使自身的性能提高的过程。通过根据经验学习的方式对计算机进行编程，从而能减少很多对细节进行编程所需的功夫，在机械学习领域中，讨论了构筑能够根据经验而自动地实现改善那样的计算机程序的方法。作为数据分析、机械学习的作用，是与算法领域并列地成为智能处理的基石的要素技术，通常与其他的技术联合地被利用，需要联合的领域的知识(领域特定(domain-specific，领域特有)知识；例如，医学领域)。作为其应用范围，存在预测(收集数据，预测将要发生的事情)、检索(从收集到的数据之中找到任何明显的特征)、检验/记述(研究数据之中的各种要素的关系)等作用。机械学习是基于表示现实世界的目标的达成度的指标进行的学习，机械学习的利用者必须掌握现实世界中的目标。并且，在达成了目的时，需要将变得良好的指标进行定式化。机械学习是反向问题，是并不明确是否求出了解的情况的不适定问题。学习的规则的举动不是确定的而是概率性的(盖然性的)。需要在剩有某些无法控制的部分的前提下对运用方面下功夫，本公开也可以说是在生物体信息等样本数有限的环境下进行机械学习时的该解决方案。机械学习的利用者一边观察训练时和运用时的性能指标，一边对应于现实世界的目标而逐次地对数据、信息进行取舍选择，这也是有用的。
作为机械学习，可使用线性回归、逻辑回归、支持向量机等，并进行交叉验证(也称为交叉检验、交叉确认。Cross Validation；CV)，从而能够算出各模型的判别精度。在分级之后，一个个地增加特征量而进行机械学习(线性回归、逻辑回归、支持向量机等)和交叉验证，能够算出各模型的判别精度。由此，能够选择精度最高的模型。在本公开中，机械学习可以使用任意的结构，作为带有示教的机械学习，可以利用线性、逻辑、支持向量机(SVM)等。
在机械学习中，进行逻辑推论。逻辑推论大致存在3个种类，存在演绎(deduction)、归纳(induction)、溯因推理(abduction)、类推(analogy)。演绎是在苏格拉底为人类且全部的人类死亡的假说存在时，导出苏格拉底死亡的结论的方法，可以说是特殊的结论。归纳是在苏格拉底死亡且苏格拉底为人类的假说存在时，导出全部的人类死亡的结论的方法，是导出一般的规则的结论。溯因推理是在苏格拉底死亡且全部的人类死亡的假定存在时，导出苏格拉底为人类的方法，相当于假说、说明。虽说如此，但是应留意的是，即使归纳而如何一般化也取决于前提，因此可能无法说是客观的。类推是如下这样的盖然性的思考方法：存在对象A和对象B，在对象A具有4个特征且对象B具有该特征中的共通的3个的情况下，推论出对象B同样具有剩余一个特征，对象A和对象B具有同种或类似的亲近性。
不可能性存在不可能、非常困难、未解决这三个种类的基本原理。而且，不可能性存在泛化误差、“没有免费的午餐”定理、“丑小鸭”定理，由于真实模型的观测是不可能的，真实模型因此需要留意无法验证这样的不适定问题。
在机械学习中，特征(feature)、属性(attribute)表示在某一侧面观察预测对象时其处于何种状态。特征向量、属性向量是将记述预测对象的特征(属性)汇总成向量的形式而得到的。
在本说明书中，“模型(model)”或“假说(hypothesis)”同义地使用，以记述从输入的预测对象向预测结果的对象对应的映射、或这些映射的候补集合，使用数学性的函数或逻辑式表达。在机械学习的学习中，参照训练数据，从模型集合中选择可认为最近似真实模型的模型。
作为模型，可举出生成模型、识别模型、函数模型等。表示对输入(预测对象)x与输出(预测结果)y的映射关系的分类模型进行表达的方针的差异。生成模型表达被给予了输入x时的输出y的带条件的分布。识别模型表达输入x和输出y的同时分布。识别模型和生成模型的映射关系为概率性的。函数模型的映射关系为确定性的，表达输入x与输出y的确定性的函数关系。在识别模型和生成模型中，可以说识别模型的精度稍高，但是根据“没有免费的午餐”定理，基本上没有优劣。
模型的复杂度：是否能够更详细且复杂地记述预测对象与预测结果的映射关系的程度。模型集合越复杂，通常需要越多的训练数据。
在将映射关系利用多项式表示的情况下，高阶多项式能够表达更复杂的映射关系。高阶多项式可以说是比一次式复杂的模型。
在将映射关系利用决策树表示的情况下，层数大的深度决策树能够表达更复杂的映射关系。因此，层数多的决策树可以说是比层数少的决策树复杂的模型。
也可以基于表达输入与输出的对应关系的方针进行分类，在参量模型中，通过参数完全决定分布、函数的形状，在无参量模型中，基本上根据数据决定其形状，参数决定被限定为平滑度。
参数：通过用于指定模型的分布、函数的集合中的一个的输入，为了与其他的输入区分，也标记为Pr[y|x；θ]、y＝f(x；θ)等。
在参量模型中，与训练数据数无关，高斯分布的形状由平均/方差参数决定，在无参量模型中，在柱状图中仅平滑度由分组数(bins数)参数决定，比参量模型复杂。
在机械学习的学习中，参照训练数据，从模型集合中选择可认为最近似真实模型的模型。设为何种“近似”，存在各种学习方法。代表性地，存在最似然推定，是从概率性的模型集合之中选择产生训练数据的概率最高的模型的学习的基准。在最似然推定中，能够选择最近似真实模型的模型。关于KL散度，当似然增大时，向真正的分布的KL散度减小。推定的种类存在各种，根据要求推定的预测值、参数的形式的种类而不同。点推定仅求出一个可靠性最高的值，并使用最似然推定或MAP推定等、分布或函数的众数，因此被最广泛地利用。另一方面，关于区间推定，以求出存在推定值的范围的、推定值存在于该范围内的概率为95％这样的方式，在统计领域被广泛利用。关于分布推定，与导入了存在求出推定值的分布的事前分布的生成模型组合而在贝叶斯推定等中被利用。
在机械学习中，会产生过学习(过拟合，over-fitting)。在过学习中，由于选择了与训练数据过度匹配的模型，因此经验误差(相对于训练数据的预测误差)小，但是泛化误差(相对于来自真实模型的数据的预测误差)增大，成为未能达成本来的学习目的的状态。泛化误差可以分割为三种误差：偏差(由于候补模型集合不包含真实模型而产生的误差；越是单纯的模型集合则越大)、方差(当训练数据不同时，由于选择不同的预测模型而产生的误差；越是复杂的模型集合则越大)；以及噪声(不依赖于模型集合的选择，本质上无法减小的真实模型的偏差)。偏差与方差无法同时减小，因此取得偏差与方差的平衡来减小整体的误差。在训练数据较少的情况下，容易陷入过学习，因此通过使用本公开的样本放大，能降低陷入过学习的可能性。
在本说明书中，“归约”是指将特征量这样的变量减少或汇总。例如，因子分析是指在多个变量存在时，假定为在其背后存在影响它们的构思(construct)，并利用少数的潜变量说明多个变量间的关系，是指向少数变量的转换，即归约的一个形态。将说明该构思的潜变量称为因子。因子分析将能够设想到在背后共通的因子的变量进行归约，并作出新的定量变量。能够在对样本进行了特征量的归约的基础上使用本公开的样本放大，由此，能够将特征量归约后的状态的样本放大。
在本说明书中，“判别函数”是向要判别的等级数分配连续的数值，并与要判别的样本的排列对应地制作出的数列，即函数。例如，在判别等级为两个阶段并将要判别的样本根据等级排列的情况下，其数列即判别函数例如通过取得Sigmoid函数型而生成。而且，在为三个阶段以上的情况下，可以使用阶跃(阶梯)函数。模型近似指数通过数值表示判别函数与判别的样本的判别等级之间的对应关系。在使用两者之差的情况下，管控变动幅度，差分值的绝对值越小，则近似性越高。而且，在进行相关分析的情况下，相关系数(r)越高，则近似性越高。而且，在进行回归分析的情况下，R2值越高，则判断为近似性越高。
在本说明书中，“加权系数”是用于在本公开的计算中进行设定以使得重要的要素被计算为更重要的要素的系数，包括近似系数。例如，可以使函数近似于数据而得到系数，但是其自身仅是表示近似程度的记述量，在将其按大小的基准等进行分级或进行取舍选择的情况下，对特定的特征量设置模型内的贡献差，因此称为加权系数。加权系数以与判别函数的近似指数相同的含义来使用，可以举出R2值、相关系数、回归系数、及残差平方和(判别函数与特征量之差)等。
在本说明书中，“判别函数模型”是指在疼痛等的判别时使用的函数的模型。例如，可以举出Sigmoid函数、阶跃函数，但是没有限定于此。
(脑电波关联)
在本说明书中，“对象”是成为机械学习的对象的任意的实体(entity)。但是，在关于脑电波提及的情况下，“对象”(英文为object)与患者(patient)或受验者(subject)同义地使用，是指被疼痛测定及脑电波测定等本公开的技术当作对象的任意的生物体或动物。作为对象，优选为人，但是没有限定于此。在本说明书中，在进行疼痛的推定的情况下，有时设为“推定对象”，但这是与对象等相同的意思。“对象”可存在多个。在这样的情况下，关于各个例子，有时称为(对象的)“样本”。
在本说明书中，“脑电波”与该领域通常使用的脑电波同义，是指在头皮上放置一对电极并由于与脑的神经活动相伴的电位差而产生的电流。脑电波包含将电流的时间变化进行导出记录而得的脑电图(electroencephalogram，EEG)。在安静时，振幅约50μV、频率10Hz左右的波成为主成分。将其称为α波。在精神活动时，α波被抑制而出现振幅小的17～30Hz的快波，将其称为β波。在浅睡眠的时期，α波逐渐减少而出现4～8Hz的θ波。在深睡眠中出现1～4Hz的δ波。这些脑电波能够以特定的振幅、频率、复杂性指标、相关等表达，在本公开中，可以由特定的振幅及频率或者振幅的解析来表示。
在本说明书中，“脑电波数据”是与脑电波相关的任意的数据(也称为“脑活动量”、“脑特征量”等)，包含振幅数据(EEG振幅)、频率特性等。对这些脑电波数据进行分析而得到的“分析数据”能够与脑电波数据同样地使用，因此在本说明书中，有时统称为“脑电波数据或其分析数据”。作为分析数据，例如，可以举出脑电波数据的平均振幅、峰值振幅(例如，Fz、Cz、C3、C4)、频率功率(例如，Fz(δ)、Fz(θ)、Fz(α)、Fz(β)、Fz(γ)、Cz(δ)、Cz(θ)、Cz(α)、Cz(β)、Cz(γ)、C3(δ)、C3(θ)、C3(α)、C3(β)、C3(γ)、C4(δ)、C4(θ)、C4(α)、C4(β)、C4(γ)等)等。当然，并不排除通常作为脑电波数据或其解析数据而使用的其他的数据。例如，如果将原始数据仅切出一定时间的数据使用于判别，则其也是特征量，因此在本公开中可以使用。
在本说明书中，“脑电波特征量”或“脑电波的特征量”是指脑电波的任意的特征量，可以包含“脑电波数据或其分析数据”，例如，可以包含振幅、脑电波特征量相互关系、频率功率、及复杂性指标等。作为它们的例子，所述振幅可以包括平均振幅(例如，绝对平均振幅、相对平均振幅等)、振幅中位数、振幅众数、振幅最大值、峰值振幅、四分位振幅等振幅分布特性值，所述脑电波特征量相互关系可以包括电位相关(例如，额叶-顶叶电位相关(相关系数、偏相关系数、联结度(Connectivity)、因果性(Causality)、以及它们的亚种))或电极间相位同步(例如，相干性、锁相值(Phaselocking value)、以及它们的亚种)，所述频率功率包括谱密度、功率谱、它们的亚种，所述复杂性指标可以包括从熵(例如，多尺度熵(MSE)、样本熵、自身熵、平均熵、联合熵、相对熵、及带条件的熵等)、以及与疼痛产生联动而事件关联地产生的生物体电位特征量(反映了瞬目反射等眼球运动的眼球运动电位等)中选择的至少一个。
在本说明书中，“振幅数据”是“脑电波数据”的一种，是指脑电波的振幅的数据。有时也仅称为“振幅”，也称为“EEG振幅”。这样的振幅数据是脑活动的指标，因此有时也称为“脑活动数据”“脑活动量”等。振幅数据可以通过测定脑电波的电信号来得到，可以用电位(可以用μV等表示)表示。作为振幅数据，可以使用平均振幅，但是没有限定于此。
在本说明书中，所谓“频率功率”，是将波形的频率成分作为能量来表达，也称为功率谱。关于频率功率，可以通过利用高速傅里叶转换(FFT)(在计算机上高速地计算离散傅里叶转换(DFT)的算法)，提取在时间区域的包含噪声的信号内埋设的信号的频率成分并对其进行计算，从而算出。关于信号的FFT，可以使用例如MATLAB的函数周期图(periodgram)对其输出进行标准化而算出功率谱密度PSD、或成为功率的测定源的功率谱。PSD表示时间信号的功率关于频率如何分布，单位为瓦特/赫兹(w/Hz)。将PSD的各点遍及定义了该点的频率范围(即，遍及PSD的分辨率带宽)进行积分，计算功率谱。功率谱的单位为瓦特。关于功率的值，可以不遍及频率范围进行积分而直接从功率谱中读取。无论是PSD还是功率谱都为实数，因此都不包含相位信息。这样，频率功率的计算可以通过MATLAB的标准的功能来算出。作为解析方法，如图11例示那样可以使用时间频率解析。例如，可以决定1秒那样的时间单位，并一边一点点地错开一边取得频率功率的时间变化。由此，如图11所示，热疼痛的延迟特性变得明显，例如，确定对疼痛敏锐的时间区间(例如，刺激提示后5秒以后)，并可以在频率特征量之中也可以制作能够在范畴方面与“延迟疼痛特征量”区分的特征量。
在本公开中使用的“复杂性”是指，各要素间的逻辑上可能的结合关系过多，从而必须从它们之中进行选择的情形，在脑电波中使用的情况下，也指各脑电波的可能的结合关系过多的状态，将其指数称为“复杂性指标”。
在本说明书中，“复杂性指标”是指，由于构成要素之多或非线形性而复杂的、进行看似不规则的举动的尺度，可以用熵等来表示。熵是指体系的无秩序性的尺度，是指从有限的完全事件体系之中获知发生了某事件而传递的信息量的平均值。需要说明的是，在信息学中，熵也称为信息量，是活动的复杂性的指标。因此，可以说复杂性在无秩序的意义上比熵的概念更广泛。作为熵，例如，可以举出多尺度熵(MSE)、样本熵、自身熵、平均熵、联合熵、相对熵、及带条件的熵，但是没有限定于此。
多尺度熵(MSE)克服了已有的非线性解析法所具有的问题点(数据的稳定性，即数据整体的特性(方差等)不会局部再现那样的状态)，是作为新的非线性解析法而受到注目的解析法，易受伪影(artifact)影响，而且需要高分辨率且长时间的数据，但是，为了克服通过临床上的实测数据以满足这些条件的计测困难这一点而作为实践性的非线性解析法被开发出来的近似熵(ApEn；Pincus SM.Approximate entropy as a measure of systemcomplexity.Proc Natl Acad Sci USA 1991；88：2297-2301.)、以及进一步发展出的其改良版即样本熵(SampEn；Richman JS.Moorman JR.Physiological time-series analysisusing approximate entropy and sample entropy.Am J Physiol Heart Circ Physiol2000；278：2039-2049)，该方法是由Costa等人开发出来的(Costa M.Goldberger AL.PengCK.MμLtiscale entropy analysis of complex physiologic time series.Phys RevLett 2002；89：068102.)。关于MSE，通过将原始数据以不重叠的方式进行加法运算平均而再配置，并分别算出由多个加法运算数(时间轴)再配置的数据的近似熵/样本熵而求出。用低的加法运算次数来表示高的频带的复杂性，用高的加法运算次数来表示低的频带的复杂性。因此，该MSE解析能够进行已有的非线性解析法中难以实现的非线形性的提取。关于脑电波，例如有来自Busa&Emmerik的最近的报告(Journal of Sport and Health ScienceVolume 5，Issue 1，March 2016，Pages 44-51)。
在本说明书中，“脑电波特征量相互关系”是指两个以上的脑电波特征量的相互关系。所使用的脑电波特征量只要是脑电波数据或其分析数据即可，可以是任意特征量，可以举出振幅(包括平均振幅等)、频率功率、电位、复杂性指标(包括MSE等)等，但是没有限定于此。
在本说明书中，“相互关系”是指两个特征量的任意的关系。是也包括相同电极的不同特征量的关系、相同特征量的不同时间下的关系等的广泛概念，包含相关。存在多个取出活动的相位并研究周期间的同步性那样的相位同步指标，这包含于相互关系这样的广义的概念。这样，虽然未使用相关系数，但是也包含同种的关系性指标即为相互关系。
在本说明书中，“相关”是在数理统计学或生物统计学中，通常表示两个或两个以上的变量之间的关联性这样的概念或其值。作为相关的一例，统计学的尺度可以用相关系数(correlation coefficient，r或ρ等)表示。值处于-1与+1之间，如果接近+1，则表示正相关(positive correlation)，如果接近-1，则表示负相关(negative correlation)，如果接近0，则表示不相关(non-correlation)。例如，人的身高、体重之间具有一定的r值而正相关成立。在正负的相关成立时，可以通过回归直线(regression line)的形式来求出变量间的函数关系(实验式)，进而，也可以将该方法扩展至非线性回归的情况。需要说明的是，关于各变量在只问大小(+1还是-1)的定性的相关的情况下，有时在英语中称为associatiion(关联)。在本公开的样本放大中，即使放大也能够保持相关的情况为一个特征。
在一个实施方式中，对于相互关系，除了相关之外，也包括研究周期间的同步性那样的相位同步指标等不能称之为相关的指标，作为狭义的相关，即相关的各种形态(同步性、无关、延迟、正负、类似性、以及一致)，换言之，可以举出时间相关、空间相关、时空同步性、空间关系性或结合性、无关或不相关的情况、延迟或时间相关的崩溃、正负或相关的性质、类似性或相关系数的等级、及一致或完全相关等。这样，同步性可以理解为时间相关，结合性可以理解为空间上的(例如，脑部位)关联性，无关可以理解为不相关，延迟可以理解为时间相关的崩溃，正负可以理解为相关的性质，类似性可以理解为相关系数高，一致可以理解为完全相关。
在本说明书中，“痛”及“疼痛”为同义，是指在身体部分有伤害、炎症等一般而言强的侵害时，将其作为刺激而产生的感觉。痛不是疾患而是症状，通过中枢性疼痛、侵害接纳性疼痛、以及神经障碍性疼痛这三个主要特性的组合来决定其形态。而且，急性疼痛与慢性疼痛被区分，两者在关联的脑部位网络(结合性)上存在差异，在慢性的情况下，也有实际上并不痛却主观报告为痛的情况，也包括无法通过疼痛刺激的感觉强度来说明的心因性主要因素。
对人而言，作为伴有强烈的不愉快感情的感觉，也包含于一般感觉。而且，皮肤痛觉等在某种程度上也具备外部接纳的性格，与其他的皮肤感觉、味觉协同，对外物的硬度、锐度、热度(热痛)、冷度(冷痛)、辣度等性质的判断起作用。人的痛觉除了皮肤、粘膜以外还能够在身体的几乎所有部分(例如，胸膜、腹膜、内脏(内脏痛觉，除了脑之外)、牙、眼及耳等)产生，均能够在脑中作为脑电波或其变动能感知。此外，以内脏痛为代表的内部痛觉也包含于痛觉。相对于内脏痛来说，上述的痛觉称为躯体痛。除了躯体痛及内脏痛之外，也报告了与实际发生障碍的部位不同的部位的表面变得疼痛那样的事件即称为“关联痛”的痛觉，本公开提供一种将这些多样的疼痛类型的时间变化以趋势表达并监控主观的疼痛等级的方法、及在本说明书中记载的其他的方法。
关于痛觉，感受性(痛阈)存在个体差，通常由于刺激的产生方式、接纳器官部位的差异而存在质的差异，存在钝痛、锐痛等分类，但是在本公开中，任何种类的痛觉都能够进行测定、推定及分类。而且，也能够应对急性痛觉(A痛觉)及慢性痛觉(B痛觉)、(急性)局部的疼痛及(慢性)弥漫性疼痛。本公开也能应对痛觉异常过敏等痛觉的异常症状等。在传递疼痛的末梢神经已知存在“Aδ纤维”和“C纤维”这两种神经纤维，例如当拍手时，开始的疼痛通过Aδ纤维的传导，传递定位明确的尖锐的疼痛(原发性疼痛；锐痛)。然后，通过C纤维的传导，感觉到定位不明确的刺痛的疼痛(继发性疼痛；钝痛)。疼痛被分类成持续4-6周以内的“急性疼痛”和持续4-6周以上的“慢性疼痛”。疼痛是与脉搏、体温、血压、呼吸并列的重要的生体特征，但是难以作为客观的数据来表征。代表性的疼痛评分法如视觉模拟评分法(VAS：visual analogue scale)、面部表情评分法(faces pain rating scale)是主观评价法，无法对患者间的疼痛进行比较。另一方面，本发明者还推导出：作为用于客观评价疼痛的指标，若着眼于不易受到末梢循环系统的影响的脑电波，观测其对于疼痛刺激的振幅/潜伏期的变化并进行趋势分析，则能够进行疼痛的判别及分类。无论是瞬间刺激还是持续刺激都能够检测。特别是，瞬间痛和刺痛也能够通过本公开的趋势分析加以区别。瞬间痛是短时间区间的疼痛，因此如果使用趋势分析中的至少经数十秒的时间方向平均法，则关联的脑活动可能会衰减(例如，观察不到与疼痛评价有意的相关)。另一方面，在持续痛的情况下，由于是持续性的，因此通过时间方向平均法而与疼痛评价有意的相关反而可能会变强。本发明者还推导出：作为用于客观评价疼痛的指标，若着眼于不易受到末梢循环系统的影响的脑电波，观测其对于疼痛刺激的振幅/潜伏期的变化，则也能够对疼痛的种类(舒适与否)进行分类。无论是瞬间刺激还是持续刺激都能够进行该分类。
在本公开中，与强度自身相比，能够区分是否为“需要治疗的”疼痛的情况为重要的点之一。因此，能够基于“治疗”这样的概念将“疼痛”明确地分类也是至关重要的。例如，可以说与“舒适与否”或“无法忍受”这样的疼痛的“定性”分类相关联。例如，能够对“疼痛指数”的定位、基线或其关系性也进行定义，除了能够假设n＝2的情况之外，也能够设想n＝3以上的情况。而且，在3个以上的情况下，可以分为“不痛”“虽痛但舒服”“痛”。例如，能够进行“无法忍受，需要治疗”的疼痛、“中间”、“虽然痛但是不在意”这样的判别。在使用了本公开的趋势解析的情况下，通过确定与强的疼痛关联的信号的持续时间的长短的阈值，能够识别出是“无法忍受”的疼痛还是“虽然痛但是能忍受”的疼痛。例如，如果对能够分离是否为需要治疗的疼痛的信号使用本公开的样本放大，则这样的是否为需要治疗的疼痛也能够精确地保持并进行机械学习。
在本说明书中，“主观的疼痛感觉等级”是指对象具有的疼痛感觉的等级，可以通过被计算机化的可视化模拟评分法(COVAS)等惯用技术或其他的公知技术，例如，例如支持性团队测量量表(Support Team Assesment Schedule(STAS-J))、数字评分法(NumericalRatingScale(NRS))、面部表情评分法(Faces Pain Scale(FPS))、疼痛评估量表(Abbeypainscale(Abbey))、非言语疼痛评估量表(Check in list of Nonverbal PainIndicatiors(CNPI))、交流障碍病人疼痛评估工具(Non-communicative Patient‘s PainAssessmentInstrument(NOPPAIN))、老年痴呆病人疼痛评估量表(Doloplus2)等来表达。
在本说明书中，“疼痛分类值”是指，为了对疼痛的种类进行分类而确定的脑电波数据(例如，振幅)或其分析的值或其范围。在本公开中，有时将生成“疼痛分类值”(并且，因而预测疼痛)的部分或装置、设备称为“疼痛分类器”或“疼痛预测器”等。在本公开中，对推定对象进行刺激，关于由此得到的脑电波的振幅数据等数据，基于将其刺激强度或与该刺激强度对应的主观的疼痛感觉等级进行绘制并代入疼痛函数而拟合得到的特异的疼痛函数(例如，也称为推定对象特异的一次函数或Sigmoid曲线)，例如能够利用拐点等来决定，但是没有限定于此。疼痛分类值一旦生成之后，可以进行校准来改善。疼痛分类值有时也标记为pain classifier或pain predictor等，但是都为同义。如果使用“疼痛分类值”，则能够区分是“疼痛强等级内的变动”还是“脱离了疼痛强等级的表示疼痛低等级的质的变动”。当存在超出了疼痛强等级内变动的脱离反应时，如果使用本公开的疼痛分类值，则能够识别疼痛强等级内的变动。如果是疼痛强等级内的变动，则能够没有误差地识别，在超出了疼痛强等级内的变动的情况，可以作为脱离反应来处理。例如，如果使用本公开的样本放大来将能够对疼痛的种类进行分类的脑电波信号等信号进行放大来进行机械学习，则这样的疼痛分类值也能够准确地算出。
在本说明书中，“疼痛函数”是指，关于疼痛的等级与刺激的等级的相互的关系而通过从属变量(变量Y)与独立变量(变量X)的数式函数表达的函数，基于本发明者阐明的脑电波或其分析数据(例如，包含振幅)及处于疼痛之间的“广义的”线形性而将该关系作为函数来表达。由于该关系存在，因此(i)在第一脑电波数据或其分析数据(例如，包括振幅)比第二脑电波数据或其分析数据(例如，包括振幅)大的情况下，可以推定为与第一脑电波数据对应的第一疼痛比与第二脑电波数据对应的第二疼痛大，(ii)在第一脑电波数据或其分析数据(例如，包括振幅)比第二脑电波数据或其分析数据(例如，包括振幅)小的情况下，可以推定为第一疼痛比第二疼痛小。如果是能够表达这样的情况的函数，则可知无论是何种情况都进入疼痛函数的范畴。作为这样的疼痛函数的例子，可以举出一次函数或Sigmoid函数，作为更具体的例子，可以举出对调制范围进行了线性近似的一次函数或将其包含在内的更包括性的Sigmoid函数。线形性除了振幅以外，如果是脑电波特征量，则虽说是频率或小波处理值，但不仅是脑电波特征量，在主观评价中也能看见调制范围的线形性。例如，如果使用本公开的样本放大将脑电波数据或其分析数据进行放大来进行机械学习，则这样的疼痛函数也能够准确地算出。
在本说明书中，“刺激”是指针对对象使其产生某些反应，在对象为生物的情况下，是指给生物或其某部分的生理学的活性带来暂时性的变化的主要因素。
作为“刺激”的具体的例子而例示的与痛觉相关的事件的情况包括能产生痛觉的任意的刺激。例如，包括电刺激、冷刺激、热刺激、物理的刺激、化学的刺激等。在本公开中，刺激可以是任意的刺激。刺激的评价例如使用被计算机化的可视化模拟评分法(COVAS)等惯用技术或其他的公知技术，例如，Support Team Assessment SchedμLe(STAS-J)、Numerical Rating Scale(NRS)、Faces Pain Scale(FPS)、Abbey pain scale(Abbey)、Checklist of Nonverbal Pain Indicators(CNPI)、Non-communicative Patient‘s PainAssessment Instrument(NOPPAIN)、Doloplus2等，使其能够与主观的疼痛感觉等级对应。作为可采用为刺激的强度的值，例如，可以举出侵害接纳阈值(nociceptive threshold；使侵害接纳纤维产生神经脉冲的阈值)、痛觉判别阈值(pain detection threshold；作为疼痛人能够感觉的侵害刺激的强度)及痛觉容许限度阈值(pain tolerance threshold；人在实验方面能够容许的侵害刺激之中最强的刺激强度)等。
在本说明书中，疼痛的“分类”可以按各种观点来进行。作为代表性的例子，包括推定对象按“痛”或“不痛”进行分类的情况，但是除此以外，也可设想感到疼痛而分类成强疼痛与弱疼痛、或者“能够忍受的”疼痛与“无法忍受的”疼痛的方法。除此以外，也可以举出分类为“痛且不舒服”与“虽然痛但舒服”的方法。例如，如果使用本公开的样本放大将能够分类疼痛的强度的信号进行放大来进行机械学习，则通过观察单调增加或单调减少，能够按时间序列判定/推定对象是正感觉到无法忍受的强疼痛，还是正感觉到弱疼痛。
在本说明书中，“疼痛指数”是指对脑电波数据或其分析数据适当处理而得到的指数。只要了记载所给予的指数的说明，就可以使用任意的处理方法，但是将疼痛在时间上持续或变化的特性(趋势)进行可视化并能够追踪的方法非常重要，可以通过在本说明书中记载的机械学习来算出。疼痛指数也称为“疼痛等级索引”等。而且，“疼痛指标”这样的用语是指主观评价、刺激强度、以及关联的脑特征量等。
在本说明书中，“基线”是用于容易判读疼痛等级的基准或参照，例如，是指与监控开始时点的强疼痛等级相关的特征量、或者其平均值、标准化后的值、或者将疼痛指数作为0使用的方法、以及算出的数值。本公开的样本放大也能够在基线算出中利用。
在本说明书中，“头具”是指为了从头部得到脑电波而使用的设备，其形状为任意的形状，且只要能够直接或间接地取得脑电波，则可采用任意的取得方法。作为形状，优选为穿戴于头部的形状，但是没有限定于此，作为例示，除了无线类型且拳击头套那样的形状的结构等之外，还可以举出帽子类型、网类型、带类型等已有的形状，但是如果进一步推进改良，则可以是发卡那样的形态等，只要能经由电极从头部直接得到，就可以为任意的方式，也可以从外部非接触地取得。将上述总称为头具。
在本说明书中，“基础单元”是指从头具取得脑电波信号等信息并进行解析、判别、通信、显示等活动的部分。可以主要具备处理器，该处理器构成为进行如下步骤：从由对象所进行的脑电活动数据(脑电波数据或其分析数据等)提取脑电波特征量等定量的特征，进而进行判别模型的生成、应用，或进行疼痛的判别等。也可以包含以能够动作的方式结合于处理器的存储设备输入用的输入设备。
(优选的实施方式)
以下，说明本公开的优选的实施方式。以下提供的实施方式是为了本公开的更好的理解而提供的方式，可知本公开的范围不应限定为以下的记载。因此，本领域技术人员明确可知可以参照本说明书中的记载而在本公开的范围内适当地进行改变。而且，应理解本公开的以下的实施方式可以单独使用或者将它们组合使用。
另外，需要说明的是，以下说明的实施方式都是示出包括性的或具体的例子的方式。以下的实施方式所示的数值、形状、材料、构成要素、构成要素的配置位置及连接方式、步骤、步骤的顺序等为一例，并非旨在限定技术方案的范围。而且，关于以下的实施方式的构成要素中的、未记载在表示最上位概念的独立权利要求中的构成要素，作为任意的构成要素来说明。
本公开在一方面中，提供用于将机械学习中使用的示教数据放大的系统100。
图1示出用于将机械学习中使用的示教数据放大的系统100的结构的一例。
系统100具备取得机构110、处理器120、存储器130、输出机构140。
取得机构110取得多个示教数据。取得机构110例如从系统100的外部取得多个示教数据。取得机构110例如可以从系统100内或与系统100连接的存储介质(例如，数据库)取得多个示教数据，也可以经由与系统100连接的网络取得多个示教数据，还可以取得使用系统100可具备的检测机构(未图示)而检测到的数据作为示教数据。检测机构可以通过任意的方法来检测任意的数据。检测机构例如能够检测向生物体应用刺激产生的反应数据，此时，反应数据可以是例如脑电波数据。例如，在后述的用于生成疼痛推定模型的系统、生成疼痛分类值的装置、或者生成用于判别对象的疼痛的模型的系统连接于系统100的情况下，取得机构110可以将由用于生成疼痛推定模型的系统、生成疼痛分类值的装置、或者生成用于判别对象的疼痛的模型的系统取得的多个数据作为示教数据，而从用于生成疼痛推定模型的系统、生成疼痛分类值的装置、或者生成用于判别对象的疼痛的模型的系统取得。
由取得机构110取得的多个示教数据可以分别具有多个特征量。
处理器120执行系统100的处理，并控制系统100整体的动作。处理器120读出保存于存储器130的程序，并执行该程序。由此，能够使系统100作为执行所希望的步骤的系统发挥功能。处理器120也可以在取得机构110所取得的示教数据是不适合于处理的形式的情况下，进行转换成适合于处理的形式的处理。处理器120既可以通过单一的处理器来安装，也可以通过多个处理器来安装。
处理器120具备第一处理机构121、第二处理机构122、第三处理机构123。
第一处理机构121构成为，根据由取得机构110取得的多个示教数据导出协方差矩阵。由取得机构110取得的多个示教数据分别具有多个特征量，因此如果将由取得机构110取得的示教数据的数目(样本数)设为n，将各示教数据所包含的特征量的数目设为d，则第一处理机构121能够将多个示教数据用n×d矩阵来表示。第一处理机构121能够根据该n×d矩阵导出协方差矩阵。在由第一处理机构121导出的协方差矩阵中，在对角成分中保持有各特征量的方差，在除此以外的成分中保持有两个特征量间的协方差。
第一处理机构121还可以构成为，根据由取得机构110取得的多个示教数据，算出各特征量的平均值。此时，第一处理机构121例如从多个示教数据的特征量中减去所算出的各特征量的平均值，并根据减去了各特征量的平均值后的多个示教数据导出协方差矩阵。
第二处理机构122构成为，对由第一处理机构121导出的协方差矩阵进行分解。
第二处理机构122例如能够将协方差矩阵分解为Q*Q’。在此，矩阵Q’是矩阵Q的转置矩阵。第二处理机构例如通过进行克莱斯基分解、奇异值分解中的一个，而能够将协方差矩阵分解为Q*Q’。克莱斯基分解是与求解线型方程式系的情况关联的矩阵的分解，奇异值分解是基于固有值或其关联概念的矩阵的分解。
例如，协方差矩阵通过克莱斯基分解，能分解为上三角矩阵和作为其转置矩阵的下三角矩阵。
例如，协方差矩阵通过奇异值分解能分解为U*W*V’。矩阵U及矩阵V是正交矩阵，矩阵W是对角矩阵，矩阵V’是矩阵V的转置矩阵。
将协方差矩阵进行奇异值分解而得到的U*W*V’也可以由Q*Q’表达。这是因为，当W_＝sqrt(W)时，成为W＝W_*W_，因此成为
U*W*V’＝U*W_*W_*V’
＝U*W_*(V*W_)’，在协方差矩阵被分解的情况下，成为U＝V，因此成为
U*W*V’＝U*W_*(U*W_)’
＝Q*Q’。在此，sqrt()是取平方根的函数。
固有值分解是协方差矩阵为正方矩阵时的奇异值分解，协方差矩阵通过固有值分解，能分解为P*W*P’。矩阵P是正交矩阵，矩阵W是对角矩阵，矩阵P’是矩阵P的转置矩阵。对协方差矩阵进行固有值分解而得到的P*W*P’也可以由Q*Q’表达。
第二处理机构122例如可以取代克莱斯基分解，通过进行LU分解或QR分解来导出上三角矩阵。LU分解是克莱斯基分解的一般形式，是将矩阵分解为上三角矩阵和下三角矩阵的方法。QR分解是将矩阵分解为正交矩阵和上三角矩阵的方法。
第三处理机构123构成为，对由第二处理机构122分解的矩阵应用随机数。第三处理机构123通过将分解的矩阵乘以随机数矩阵而能够应用随机数。随机数例如为正态随机数。第三处理机构123例如对通过第二处理机构122分解的矩阵Q或矩阵Q’能够应用随机数。第三处理机构123例如能够对通过克莱斯基分解而分解得到的矩阵Q’(上三角矩阵)应用随机数，例如，能够对通过LU分解而分解得到的矩阵Q’(上三角矩阵)应用随机数，例如，能够对通过QR分解而分解得到的矩阵Q’(上三角矩阵)应用随机数。
第三处理机构123还可以构成为，而且对适用了随机数的矩阵加上通过第一处理机构121算出的平均值。
存储器130保存为了执行系统100的处理所需的程序、该程序的执行所需的数据等。存储器130也可以保存用于使处理器120进行用于将机械学习中使用的示教数据放大的处理的程序(例如，实现后述的图3～5所示的处理的程序)。处理器120也可以保存用于使处理器120进行对放大后的多个示教数据进行学习的处理的程序。在此，将程序如何保存于存储器130是任意的。例如，程序可以预安装于存储器130。或者，程序可以通过经由网络下载而安装于存储器130。在该情况下，网络的种类是任意的。存储器130可通过任意的存储机构来安装。
输出机构140构成为，能够向系统100的外部输出数据。输出机构140能够输出放大后的示教数据。输出机构140以何种形态输出放大后的示教数据，是任意的。例如，在输出机构140为发送器的情况下，发送器可以通过经由网络500向系统100的外部发送放大后的示教数据来进行输出。例如，在输出机构140为数据写入装置的情况下，可以通过向与系统100连接的存储介质或数据库部200写入放大后的示教数据而将放大后的示教数据进行输出。例如，在后述的用于生成疼痛推定模型的系统、生成疼痛分类值的装置、或者生成用于判别对象的疼痛的模型的系统连接于系统100的情况下，也可以通过向用于生成疼痛推定模型的系统、生成疼痛分类值的装置、或者生成用于判别对象的疼痛的模型的系统提供放大后的示教数据来进行输出。例如，输出机构140可以转换成能够由数据的输出目的地的硬件或软件处理的形式，或者调整成能够由数据的输出目的地的硬件或软件处理的响应速度以输出数据。
图2示出用于将机械学习中使用的示教数据放大的系统100的结构的另一例。在图2中，对与图1所示的要素相同的要素，标注相同的参照编号，在此省略说明。图2所示的系统100’是向图1所示的系统100的处理器120追加了第四处理机构124的结构。系统100’利用主成分分析，能够将多个示教数据放大。
在该例中，第一处理机构121优选根据由取得机构110取得的多个示教数据，算出各特征量的平均值，并从多个示教数据的特征量中减去算出的各特征量的平均值。这是因为，当通过如此将进行了主成分分析的结果向主成分空间投影时，各成分分布在主成分空间的原点周围。通过将各成分分布在原点周围的数据放大，能够在仍维持各特征量间的关系的状态下将数据放大。
在该例中，第二处理机构122能够对多个示教数据进行主成分分析，算出主成分空间。而且，第二处理机构122通过将多个示教数据向主成分空间投影，能够算出主成分得分，并根据主成分得分求出各特征量的标准偏差。主成分得分可以对应于将多个示教数据的矩阵除以后述的矩阵V’而得到的值。
在该例中，第三处理机构123例如可以对由第二处理机构122算出的标准偏差应用随机数。
第四处理机构124构成为，将由第三处理机构123应用了随机数的标准偏差从主成分空间向原来的空间进行投影转换。第四处理机构124例如能够使用由第二处理机构122算出的主成分空间的主成分系数，从主成分空间向原来的空间进行投影转换。
在由第一处理机构121减去了各特征量的平均值的情况下，第四处理机构124能够对向原来的空间投影转换后的数据加上平均值。由此，由第一处理机构121进行了减法运算后的多个示教数据，能够恢复本来具有的信息。
由上述的第一处理机构121～第四处理机构124进行的主成分分析的处理可以与将根据多个示教数据而导出的协方差矩阵分解为V*L*V’的情况等价。在此，矩阵L是由固有值构成的对角矩阵，矩阵V是在列中具有对应的右固有向量的矩阵，矩阵V’是矩阵V的转置矩阵。
此时，第一处理机构121能够根据多个示教数据、或者减去了各特征量的平均值后的多个示教数据导出协方差矩阵。第二处理机构122能够将由第一处理机构121导出的协方差矩阵分解为V*L*V’。此时，如果定义矩阵M＝sqrt(L)，则矩阵M的对角成分对应于主成分得分的标准偏差。在此，sqrt()是取平方根的函数。第三处理机构123能够对矩阵M能够应用随机数。例如，第三处理机构123能够通过将矩阵M乘以随机数矩阵而应用随机数。第四处理机构124通过对应用了随机数的矩阵M进行投影转换而能够返回至原来的空间。第四处理机构124例如通过将V’从右乘以应用了随机数的矩阵M而能够向原来的空间进行投影转换。例如，在由第一处理机构121减去了各特征量的平均值的情况下，第四处理机构124能够将投影转换后的矩阵M加上平均值。由此，由第一处理机构121进行了减法运算后的多个示教数据，能够恢复本来具有的信息。
在上述的例子中，系统100的各构成要素设置在系统100内，但是本公开没有限定于此。系统100的各构成要素的任一个也可以设置在系统100的外部或远程。例如，在处理器120、存储器130分别由不同的硬件部件构成的情况下，各硬件部件可以经由任意的网络连接。此时，网络的种类是任意的。各硬件部件例如既可以经由LAN连接，也可以无线连接，也可以有线连接。系统100没有限定为特定的硬件结构。例如，将处理器120不是通过数字电路而是通过模拟电路构成的情况也在本公开的范围内。只要能够实现系统100的功能，则系统100的结构不限定为上述的结构。
图3示出用于将机械学习中使用的示教数据放大的系统100中的处理300的一例。通过处理300，能够将投入到系统100的多个示教数据放大，并在机械学习中使用。
在步骤S301中，处理器120的取得机构110取得多个示教数据。取得机构110例如从系统100的外部取得多个示教数据。取得机构110例如能够从可与系统100连接的存储机构、网络、用于生成疼痛推定模型的系统、生成疼痛分类值的装置、或者生成用于判别对象的疼痛的模型的系统中取得多个示教数据。所取得的多个示教数据传至处理器120。
在步骤S302中，处理器120的第一处理机构121根据步骤S301中取得的多个示教数据导出协方差矩阵。由取得机构110取得的多个示教数据分别具有多个特征量，多个示教数据可以用n×d矩阵表示。n是示教数据的数目(样本数)，d是各示教数据所包含的特征量的数目。第一处理机构121可以根据n×d矩阵导出协方差矩阵。在所导出的协方差矩阵中，在对角成分中保持有各特征量的方差，在除此以外的成分中保持有两个特征量间的协方差。
导出的协方差矩阵传至处理器120的第二处理机构122。
在步骤S303中，处理器120的第二处理机构122对步骤S302中导出的协方差矩阵进行分解。第二处理机构122例如能够将协方差矩阵分解为Q*Q’，在此，矩阵Q’是矩阵Q的转置矩阵。该分解例如可以是克莱斯基分解、LU分解、QR分解、奇异值分解的任一个。在分解为克莱斯基分解、LU分解或QR分解的情况下，作为分解的结果，矩阵Q或矩阵Q’成为上三角矩阵。分解为克莱斯基分解、LU分解或QR分解时的处理将参照图4详细叙述。
或者，第二处理机构122例如能够将协方差矩阵分解为V*L*V’，在此，矩阵L是由固有值构成的对角矩阵，矩阵V是在列中具有对应的右固有向量的矩阵，矩阵V’是矩阵V的转置矩阵。这相当于对多个示教数据进行主成分分析的情况。对多个示教数据进行主成分分析的处理将参照图5A及图5B详细叙述。
分解后的结果的矩阵传至处理器120的第三处理机构123。
在步骤S304中，处理器120的第三处理机构123对分解后的矩阵应用随机数。第三处理机构123通过将分解后的矩阵乘以随机数矩阵而能够应用随机数。随机数例如可以为正态随机数。第三处理机构123例如能够对分解后的矩阵Q或矩阵Q’能够应用随机数。例如，在第二处理机构122进行了克莱斯基分解的情况下，能够对通过克莱斯基分解而分解得的的结果的矩阵Q’(上三角矩阵)应用随机数。例如，在第二处理机构122进行了克莱斯基分解的情况下，也能够对通过克莱斯基分解而分解得到的结果的矩阵Q(下三角矩阵)应用随机数。例如，在第二处理机构122进行了LU分解的情况下，能够对通过LU分解而分解得到的结果的矩阵Q’(上三角矩阵)应用随机数。例如，在第二处理机构122进行了QR分解的情况下，能够对通过QR分解而分解得到的结果的矩阵Q’(上三角矩阵)应用随机数。例如，在第二处理机构122进行了奇异值分解的情况下，能够对通过奇异值分解而分解得到的结果的矩阵(U*W_)’应用随机数。例如，能够对分解为V*L*V’的结果的矩阵sqrt(L)应用随机数。在此，sqrt()是取平方根的函数。
在通过乘以具有想要增加的数目的行的随机数矩阵而作为结果所得到的矩阵中，能够在保持多个示教数据的特征量的关系性的状态下使行的数目增加。行相当于示教数据的数目(样本数)，因此在作为结果所得到的矩阵中，可以说样本数被放大了。
通过上述的处理，能够在保持多个示教数据的特征量的关系性的状态下使样本数增加，因此即便使用放大后的数据进行机械学习，预测精度也不会下降。即，放大后的数据在机械学习中可以作为有意的示教数据进行利用。这特别在学习从生物体得到的数据的情况下是有用的。这是因为，能够极大地减少从生物体直接取得数据的次数。例如，在取得对于刺激的反应数据的情况下，仅通过对生物体赋予几次刺激，就能够得到在用于预测疼痛的机械学习中能够应用的量的示教数据。这能够减少对生物体的负担。
图4示出用于将机械学习中使用的示教数据放大的系统100中的处理400的一例。处理400是处理器120的第二处理机构122通过克莱斯基分解、LU分解、QR分解中的一个而对协方差矩阵进行分解时的处理。
在步骤S401中，处理器120的取得机构110取得多个示教数据。步骤S401可以是与上述的步骤S301同样的处理。
在步骤S402中，处理器120的第一处理机构121根据步骤S401中取得的多个示教数据，算出各特征量的平均值。各特征量的平均值例如可以通过对多个示教数据的n×d矩阵的各列的值进行平均来算出。
在步骤S403中，处理器120的第一处理机构121根据步骤S301中取得的多个示教数据导出协方差矩阵。步骤S403可以是与上述的步骤S302同样的处理。
在步骤S404中，处理器120的第二处理机构122对步骤S403中导出的协方差矩阵进行分解。具体而言，处理器120的第二处理机构122通过对协方差矩阵进行克莱斯基分解、LU分解、QR分解中的一个而对协方差矩阵进行分解，并导出上三角矩阵。例如，如果将协方差矩阵克莱斯基分解为Q*Q’，则矩阵Q成为上三角矩阵。例如，如果将协方差矩阵LU分解为Q*Q’，则矩阵Q’成为上三角矩阵。例如，如果将协方差矩阵QR分解为Q*Q’，则矩阵Q’成为上三角矩阵。
在步骤S405中，处理器120的第三处理机构123对在步骤S404中导出的上三角矩阵应用随机数。第三处理机构123例如通过将上三角矩阵乘以正态随机数矩阵而能够应用随机数。
在步骤S406中，处理器120的第三处理机构123将在步骤S405中适用了随机数的上三角矩阵的各特征量加上平均值。由此，通过进行多个示教数据的协方差矩阵化而被削减了的多个示教数据，能够恢复本来具有的信息。
通过上述的处理，能够在保持多个示教数据的特征量的关系性的状态下使样本数增加，因此即便使用放大后的数据进行机械学习，预测精度也不会下降。而且，不仅能够通过克莱斯基分解对协方差矩阵进行分解，从而对分解后的上三角矩阵提供随机数，由此将样本放大，而且还能够通过对分解后的下三角矩阵应用随机数，从而进行样本放大。由此，存在能够将更多的样本放大这样的优点。
图5A示出用于将机械学习中使用的示教数据放大的系统100中的处理500的一例。处理500是处理器120的第二处理机构122进行主成分分析使的处理。
在步骤S501中，处理器120的取得机构110取得多个示教数据。步骤S501是与上述的步骤S301同样的处理。
在步骤S502中，处理器120的第一处理机构121根据步骤S501中取得的多个示教数据，算出各特征量的平均值。各特征量的平均值例如可以通过对多个示教数据的n×d矩阵的各列的值进行平均来算出。
在步骤S503中，处理器120的第一处理机构121将步骤S502中取得的多个示教数据的各特征量的平均值从多个示教数据的各特征量中减去。各特征量的平均值例如可以从多个示教数据的n×d矩阵的对应的列的值中被减去。
在步骤S504中，处理器120的第二处理机构121对步骤S503中减去了平均值后的多个示教数据进行主成分分析，由此算出主成分空间。
在步骤S505中，处理器120的第二处理机构122将步骤S503中减去了平均值后的多个示教数据向步骤S504中算出的主成分进行空间投影，由此算出主成分得分。
在步骤S506中，处理器120的第二处理机构122基于步骤S505中算出的主成分得分来算出标准偏差。
在步骤S507中，处理器120的第三处理机构123对步骤S506中算出的标准偏差应用随机数。随机数例如是正态随机数。
在步骤S508中，处理器120的第四处理机构124对步骤S507中应用了随机数的标准偏差进行投影转换，对投影转换后的数据加上步骤S502中算出的平均值。由此，在减去平均值的过程中被削减后的多个示教数据，能够恢复本来具有的信息。
通过上述的处理，能够在保持多个示教数据的特征量的关系性的状态下使样本数增加，因此，即便使用放大后的数据进行机械学习，预测精度也不会下降。
图5B示出与处理500等价的处理510。处理510是包括根据多个示教数据导出协方差矩阵并将协方差矩阵分解为V*L*V’的情况的处理。
在步骤S511中，处理器120的取得机构110取得多个示教数据。步骤S511是与上述的步骤S501同样的处理。
在步骤S512中，处理器120的第一处理机构121根据步骤S511中取得的多个示教数据，算出各特征量的平均值。各特征量的平均值例如可以通过对多个示教数据的n×d矩阵的各列的值进行平均来算出。步骤S512是与上述的步骤S502同样的处理。
在步骤S513中，处理器120的第一处理机构121将步骤S512中取得的多个示教数据的各特征量的平均值从多个示教数据的各特征量中减去。各特征量的平均值例如可以从多个示教数据的n×d矩阵的对应的列的值中被减去。步骤S513是与上述的步骤S503同样的处理。
在步骤S514中，处理器120的第一处理机构121根据步骤S513中减去了平均值后的多个示教数据导出协方差矩阵。步骤S514可以是与上述的步骤S302同样的处理。
在步骤S515中，处理器120的第二处理机构122将步骤S514中导出的协方差矩阵分解为V*L*V’。在此，矩阵L是由固有值构成的对角矩阵，矩阵V是在列中具有对应的右固有向量的矩阵，矩阵V’是矩阵V的转置矩阵。
在步骤S516中，处理器120的第三处理机构123对步骤S515中导出的L的sqrt(L)＝M应用随机数。在此，sqrt()是取平方根的函数。第三处理机构123通过将M乘以随机数矩阵而能够应用随机数。
在步骤S517中，处理器120的第四处理机构124将步骤S516中应用了随机数的M乘以矩阵V’，并加上步骤S512中算出的平均值。由此，在进行协方差矩阵化的过程中被削减了的多个示教数据，能够恢复本来具有的信息。
通过上述的处理，能够在保持多个示教数据的特征量的关系性的状态下使样本数增加，因此，即便使用放大后的数据进行机械学习，预测精度也不会下降。
需要说明的是，主成分分析可以仅在由取得机构110取得的示教数据的数目(样本数)n、各示教数据所包含的特征量的数目d成为n>d时进行。在成为n<d的情况下，需要向各示教数据附加噪声(例如，标准偏差的1/10等)来使数据数增加至成为n>d为止。相对于此，在对协方差矩阵进行克莱斯基分解、LU分解、QR分解或奇异值分解的情况下，即使在成为n<d的情况下也能够进行，因此在分解之前不需要使数据增加的前处理。
上述的处理以按照特定的顺序进行的方式进行了说明，但是本公开没有限定于此。上述的处理能够以逻辑上可能的任意的顺序进行。
上述的处理例如可以将由取得机构110取得的示教数据分割为多个部分集合，对分割后的多个部分集合分别进行各自的处理。此时，通过将分别放大后的部分进行总和，能够完成样本放大。
上述的用于将机械学习中使用的示教数据放大的系统100例如在从生物体取得的数据的机械学习中，可以为了将从生物体取得的数据放大而使用。从生物体取得的数据例如可以是脑电波数据、MRI图像数据、基因表达数据，例如可以是将疼痛应用于生物体的情况下的脑电波数据或MRI数据。
以下，说明根据将疼痛应用于生物体的情况下的脑电波数据来推测疼痛的实施方式。
首先，说明由电刺激引起的疼痛与脑电波的关系。以下所示的数据表示多个被检测者中的代表性的一人的被检测者的数据。
图6A是表示电刺激与疼痛等级(VAS)的关系的坐标图。图6B是表示电刺激与疼痛等级(一对比较)的关系的坐标图。图6C是表示电刺激与脑电波振幅的关系的坐标图。图6D是表示脑电波波形的一例的坐标图。
图6A、图6B及图6C的横轴表示电刺激的电流值。图6A的纵轴表示通过VAS从被检测者申报的疼痛等级。而且，图6B的纵轴表示通过一对比较而从被检测者申报的疼痛等级。图6C的纵轴表示脑电波的振幅值。在图6D中，横轴表示时间，纵轴表示信号等级。
一对比较是以下方法，即，以两个大小的电刺激为一组，针对多组电刺激的每一组，被检测者通过数值来申报哪个电刺激疼痛多少的方法。在该情况下，由于通过两个疼痛的比较来申报疼痛等级，因此能够减少被检测者的过去经验对疼痛等级的影响。
如图6A及图6B所示，无论是VAS及一对比较的哪种方法，电刺激的电流值(即刺激的强度)与疼痛等级的关系都大致由Sigmoid(S字形)曲线表示。需要说明的是，Sigmoid曲线的形状(例如，上限值及下限值等)根据被检测者而不同。
另外，如图6C所示，电刺激的电流值与脑电波的振幅值的关系也大致由Sigmoid曲线表示。在此，脑电波的振幅值使用最大峰值与最小峰值的差异值(即，峰-峰值(peak-to-peak value))。例如，在图6D中，使用三个差异值(N1-P1、N2-P2、N1-P2)中的最大的差异值(N1-P1)作为振幅值。
这样，电刺激的强度及疼痛等级的关系、电刺激的强度及脑电波的振幅值的关系都由Sigmoid曲线表示。即，疼痛等级及脑电波的振幅都相对于电刺激具有上限及下限，且相对于电刺激的强度表示同样的变化。因此，在分析了脑电波的振幅值与疼痛等级的关系时，脑电波的振幅值与疼痛等级的关系如图6E及图6F所示那样来表示。
图6E是表示由电刺激引起的疼痛等级(VAS)与脑电波振幅的关系的坐标图。图6F是表示由电刺激引起的疼痛等级(一对比较)与脑电波振幅的关系的坐标图。在图6E及1F中，横轴表示脑电波的振幅，纵轴表示疼痛等级。
如图6E及图6F所示，无论在VAS及一对比较的哪个的情况下，由电刺激引起的疼痛等级和脑电波的振幅值都具有线形性。即，脑电波的振幅值相对于疼痛等级成比例。
需要说明的是，在本公开中，线性除了严格的线性之外，也包括实质上的线性。即，线性包括在规定的误差的范围内能够近似为线性的关系。规定的误差的范围例如通过回归分析中的决定系数R2来定义。决定系数R2是将用残差的平方和(Residual Sum of Squares)除以观察值与平均值之差的平方和(Total Sum of Squares)所得的结果从1减去后而得出的值。规定的误差的范围例如是R2成为0.5以上的范围。
关于基于由热刺激引起的疼痛与脑电波的关系，与电刺激的情况同样，疼痛等级和脑电波振幅也具有线形性。
图6G是表示由热刺激引起的疼痛等级(VAS)与脑电波振幅的关系的坐标图。图6H是表示由热刺激引起的疼痛等级(一对比较)与脑电波振幅的关系的坐标图。在图6G及图6H中，横轴表示脑电波的振幅，纵轴表示疼痛等级。
如图6G及图6H所示，无论在VAS及一对比较的哪个的情况下，由热刺激引起的疼痛等级和脑电波的振幅值都具有线形性。而且，根据被检测者不同而脑电波的振幅值的上限值及下限值有时存在变动，但是通过本发明人们的以前的实验可知，振幅值的上限值不超过约60μV。
如以上所述，在该实施方式中，对利用多个方法来评价多个种类的疼痛而得出的疼痛等级与脑电波的振幅值的关系进行分析后的结果是，明白了脑电波的振幅与疼痛具有特定的关系。而且，本公开能够算出基于脑电波的振幅及疼痛的特定的关系来推定疼痛的大小的疼痛分类值。此时，可以引入上述那样的样本放大的方法。
在本公开的基于推定对象的脑电波来监控所述推定对象具有的疼痛的疼痛等级判别/推定装置1110中，具备：A)取得该推定对象的脑电波数据或其分析数据的脑电波数据测定部1111；B)为了取得基于脑电波数据或其分析数据而得到的特征量(例如，电位、频率、以及其他特定的时间宽度中的平均值(例如，平均值(例如，算术/几何平均电位))的时间推移而取出平均值(例如，算术/几何平均电位))的特征量提取部1112；根据需要的疼痛指数生成部1113；根据需要的、为了根据该脑电波数据而按时间序列评价或监控该推定对象具有的疼痛的等级，使用疼痛指数(例.表示疼痛强等级的特征量程度等)，决定监控的基线的疼痛监控的基准决定部1114；C)根据该脑电波数据或其分析数据来监控该推定对象具有的疼痛的等级的疼痛等级监控部1115。脑电波数据测定部1111执行图9的步骤S100，特征量提取部1112执行步骤S200，疼痛指数生成部1113根据需要来生成疼痛指数，基准决定部根据需要来决定基准(步骤S300)，疼痛等级监控部1115执行步骤S400。疼痛等级监控部1115例如可以基于特征量的平均值的时间推移，来监控疼痛的等级。特征量提取部、及疼痛等级监控部及任意的疼痛指数生成部及基准决定部可以构成为相同的部分具有三个功能，也可以构成为不同的部分。疼痛指数生成部及基准决定部可以为任意的部分，从外部导入或接收疼痛指数及/或基准值(基线)。样本放大对通过脑电波数据测定部得到的数据能够应用。样本放大可以在脑电波数据测定部1111中应用，或者，可以在特征量提取部1112、疼痛指数生成部1113、基准决定部1114等的另外的结构部中应用，或者，可以如图10所示那样独立地设置样本放大部1116。样本放大部1116例如执行步骤S250。在基于特征量提取部1112的特征量提取处理完成之后进行样本放大是高效的，因此优选。
图10是表示一个实施方式的包含疼痛等级判别/推定装置的系统1100的功能结构的框图。系统1100具备疼痛等级判别/推定装置1110、脑电波仪1120。这样，脑电波仪可以与疼痛等级判别/推定装置分别构成。
装置1110具备测定部1111、特征量提取部1112、疼痛指数生成部1113、基准决定部1114、疼痛等级监控部1115。装置1110例如通过具备处理器及存储器的计算机来实现。在该情况下，装置1110在通过处理器执行了保存于存储器的程序时，使处理器作为测定部1111、特征量提取部1112、及根据需要的、疼痛指数生成部1113及基准决定部1114发挥功能。而且，装置1110例如可以通过专用电子电路来实现。专用电子电路可以是一个集成电路，也可以是多个电子电路。振幅数据测定部1111及向基准决定部提供疼痛指数的疼痛指数生成部1113可以构成于内部，也可以构成于外部。样本放大对于通过测定部得到的数据能够应用。样本放大可以在测定部1111中应用，或者，也可以在特征量提取部1112、疼痛指数生成部1113、基准决定部1114等的另外的结构部中应用，或者，也可以独立地设置样本放大部1116。
测定部1111经由脑电波仪1120通过进行脑电波测定而从推定对象1000取得多个脑电波数据。推定对象1000是指，由于疼痛而脑电波产生变化的生物体，只要是具有痛觉神经的生物(例如，哺乳类、鸟类等脊椎动物(也包括畜产用的动物或宠物等))即可，不必限定为人。
特征量提取部1112生成各种特征量(例如，脑电波数据的适当的时间宽度下的平均值)。而且，为了更高度的基于模型的疼痛等级判别/推定(机械学习等)、疼痛等级的在线监控，根据需要，向疼痛指数值生成部1113以及疼痛监控的基准决定部1114提供特征量。在算出平均值的情况下，可利用该领域周知的方法算出。这样的算出方法的算法可以预先保存于特征量提取部1112，也可以通过介质或通信功能在使用时取入。即，在利用平均值的情况下，特征量提取部1112能够生成包含平均数据的疼痛趋势监控用特征量。疼痛等级监控部1115通过追踪算出的包含平均数据的特征量，有助于监视者对对象的主观的疼痛进行监控或评价。而且，监控部1115可以通过单独数字(0～100的疼痛等级等)或数字变化来表达基准决定部1114的输出结果。
脑电波仪1120利用头皮上的电极计测在推定对象的脑内产生的电活动。并且，脑电波仪1120与测定部1111联动地输出作为计测结果的脑电波数据。
如以上所述构成的装置的处理或方法能够执行图9所例示的表示一系列处理的流程图。即，图9的S100～S400能够通过图10所例示的装置来执行。
本公开能够作为采取图10所例示的结构的医疗装置来进行利用。例如，从评价疼痛的被检测者进行数据取得，并进行样本放大。若根据需要取平均，并观察该情况下的平均值算出的方式，则可以一边监控数据一边进行，也可以在存储某种程度的数据之后进行，或者还可以进行双方。在此，既可以在进行了样本放大之后，算出平均值、其他的特征量，并以疼痛指数为基础，鉴定疼痛等级强的时间点是否相同并确定疼痛趋势的基线，也可以在算出平均值、其他的特征量之后，进行样本放大，并以疼痛指数为基础，鉴定疼痛等级强的时间点是否相同并确定疼痛趋势的基线。在算出特征量之后进行样本放大的效率良好，因此优选。即，将脑电波数据(或其分析数据)从脑电波仪1120取得并由测定部1111测定。根据该测定值在特征量提取部1112中提取特征量等。样本放大可以在脑电波数据或其分析数据的取得或测定后进行、或者在特征量的提取后进行。根据该特征量等，能够根据需要在疼痛指数生成部1113中生成疼痛指数，使用该疼痛指数并根据需要由基准决定部1114决定成为疼痛等级监控的基准的基线。在使用分层级疼痛趋势监控方法的特定的实施方式中，在模型已经确定的情况下，能够在基线获得或确定之后马上在线地监控疼痛等级的趋势。
(其他的实施方式)
以上，关于本公开的一个或多个形态的疼痛推定装置，基于实施方式进行了说明，但是本公开没有限定为该实施方式。只要不脱离本公开的主旨，则将本领域技术人员想到的各种变形施加于本实施方式而得到的方式、将不同的实施方式中的构成要素组合而构筑的方式也可以包含于本公开的一个或多个形态的范围内。
另外，上述各实施方式中的疼痛推定装置具备的构成要素的一部分或全部可以由一个系统LSI(Large Scale Integration：大规模集成电路)构成。例如，装置1110可以由具有测定部1111、平均数据取得部1112、疼痛监控的基准决定部1114、疼痛等级监控部1115的系统LSI构成。
系统LSI是将多个结构部集成于一个芯片上而制造的超多功能LSI，具体而言，是包含微处理器、ROM(Read Only Memory)、RAM(Random Access Memory)等而构成的计算机系统。在ROM存储有计算机程序。所述微处理器按照计算机程序进行动作，由此系统LSI达成其功能。
需要说明的是，在此，设为系统LSI，但是根据集成度的差异，有时也称为IC、LSI、超级LSI、大规模LSI。而且，集成电路化的方法并不局限于LSI，也可以通过专用电路或通用处理器来实现。在LSI制造后，也可以利用能够编程的FPGA(Field Programmable GateArray，现场可编程门阵列)或者能够对LSI内部的电路单体的连接、设定进行再配置的可重构处理器。
此外，若由于半导体技术的进展或派生的其他技术而出现了置换为LSI的集成电路化的技术，则当然可以使用该技术进行功能块的集成化。生物技术的应用等也存在可能性。
另外，本公开的一个方案，不仅可以是这样的疼痛指数生成、疼痛判别/分类装置，还可以是将疼痛判别/推定装置包含的特征性的结构部设为步骤的疼痛指数值生成、疼痛等级监控方法。而且，本公开的一个方案也可以是使计算机执行疼痛指数值生成、疼痛等级监控方法包含的特征性的各步骤的计算机程序。而且，本公开的一个方案也可以是记录有这样的计算机程序的、计算机能够读取的非易失性的记录介质。
需要说明的是，在上述各实施方式中，各构成要素可以由专用的硬件构成，或者通过执行与各构成要素相适的软件程序来实现。各构成要素可以通过CPU或处理器等程序执行部将硬盘或半导体存储器等记录介质中记录的软件程序读出并执行来实现。在此，实现上述各实施方式的疼痛判别/推定装置等的软件是如下的程序。
即，该程序使计算机执行基于推定对象的脑电波对所述推定对象具有的疼痛进行监控的方法，该方法包括：a)通过进行对于刺激的脑电波测定而从该推定对象测定或取得脑电波数据或其分析数据的工序；b)取得该脑电波数据或其分析数据的特定的时间宽度下的平均值(例如，算术/几何平均电位)的时间推移的工序(在此，根据需要，提取用于平均值的时间推移的特征量)；根据需要，为了根据该脑电波数据按时间序列评价或监控该推定对象具有的疼痛的等级，生成疼痛指数(例.表示疼痛强等级的特征量程度等)，根据需要，决定监控的基线的工序；c)根据需要，基于该基线决定工序，根据该脑电波数据而监控该推定对象具有的疼痛的等级的工序。
本公开提供一种保存有程序的记录介质，该程序使计算机执行基于推定对象的脑电波对所述推定对象具有的疼痛进行监控的方法。该程序使计算机执行基于推定对象的脑电波对所述推定对象具有的疼痛进行监控的方法，该方法包括：a)通过进行对于刺激的脑电波测定而从该推定对象测定或取得脑电波数据或其分析数据的工序；b)取得并绘制基于脑电波数据或其分析数据而得到的特征量(例如，该脑电波数据或其分析数据的特定的时间宽度下的平均值(例如，算术/几何平均电位)的时间推移，在此，可以适当地提取用于得到平均值的时间推移的特征量)的工序，脑电波数据或其分析数据或基于它们而进行的特征量的样本放大可以在a)之后或b)之后进行，然后，根据需要，为了根据该脑电波数据而按时间序列评价或监控该推定对象具有的疼痛的等级，生成疼痛指数(例.表示疼痛强等级的特征量程度等)，根据需要而决定监控的基线；c)基于该平均值的时间经过，根据该脑电波数据或其分析数据来监控该推定对象具有的疼痛的等级的工序。
可理解为，在此执行的方法可以将关于本公开的用于将机械学习中使用的示教数据放大的系统100所记载的任意的实施方式组合一个或多个来使用。
在另一方面中，本公开提供一种生成用于判别对象的疼痛的模型的方法，包括：
a)从该对象得到脑电波数据或其分析数据的步骤；
b)关于基于该脑电波数据或其分析数据而得到的特征量，决定与该疼痛相关的特征量系数，根据需要关于该疼痛进行归约的步骤；
c)将该脑电波数据或其分析数据、归约前的该特征量、或者该归约后的加权了的所述特征量或其组合放大的步骤，该步骤包括
i)根据该脑电波数据或其分析数据、或者该特征量或其组合导出协方差矩阵的步骤、
ii)对该协方差矩阵进行分解的步骤、
iii)对该分解后的矩阵应用随机数的步骤；
d)基于该归约后的加权了的该特征量或其组合，通过机械学习及验证来制作判别分析模型的步骤；
e)决定达成规定精度的判别分析模型的步骤。
在又一方面中，本公开提供一种生成用于判别对象的疼痛的模型的方法，包括：
a)从该对象得到脑电波数据或其分析数据的步骤；
b)提取基于该脑电波数据或其分析数据而得到的特征量的步骤；
c)将该特征量放大的步骤，该步骤包括
i)根据该特征量导出协方差矩阵的步骤、
ii)对该协方差矩阵进行分解的步骤、
iii)对该分解后的矩阵应用随机数的步骤；
d)根据该放大后的特征量，决定与疼痛相关的特征量系数，根据需要关于该疼痛进行归约的步骤；
e)基于该归约后的加权了的该特征量或其组合，通过机械学习及验证来制作判别分析模型的步骤；
f)决定达成规定精度的判别分析模型的步骤。
在一实施方式中，本公开的特征在于，在b)中，在所述特征量系数的决定后，通过反复进行判别推定的步骤、关于该判别推定算出该特征量系数的平均并进行分级的步骤、基于规定的阈值来分选特征量的步骤，来进行所述归约。所述特征量系数的决定优选基于机械学习来进行，但是没有限定于此。
机械学习存在支持向量机(SVM：Support Vector Macine)、神经网络、深度学习、逻辑回归、强化学习等。
在另一实施方式中，本公开在b)中包括以下步骤，即，在决定所述特征量系数时，决定判别精度最高的超参数，基于该超参数来决定该特征量系数，将对判别无效或贡献率低的特征量排除的步骤。所述特征量系数及超参数的决定优选基于机械学习来进行，但是没有限定于此。
在进一步的实施方式中，本公开中，所述b)～e)步骤包括：
(C1)将所述特征量及与该特征量对应的所述疼痛所对应的数据分割为学习用数据和测试用数据的步骤；(C2)使用该学习数据进行机械学习，制作判别模型，算出最佳λ值(及偏回归系数、回归方程及模型截距)的步骤；(C3)使用该测试用数据算出该判别模型的判别精度的步骤；(C4)在该对象中存在该判别精度为机会等级以下的对象样本的情况下，将该样本排除而重复进行步骤C1～C3，在不存在机会等级以下的样本的情况下结束，由此决定判别模型的步骤，在此，该机会等级是将100％除以分类的数目后的数值。在此，机会等级示出将100％除以分类的数目后得到的值。是用于避免偶然一致的验算。在本公开中，这样的向后剔除法对判别模型的生成也是有用的。本公开的样本放大在制作学习用数据时也能够应用。
在基于本公开的方法而制作的模型中，虽然为一例，但是即使为少的特征量也能够实现70％的精度，其意义高。特征量的分级、选拔方式除了本公开的方法以外也存在若干方法。例如，作为比较例而呈现的机械学习(SVM-RFE)是实际上使用特征量来制作判别模型，此时，算出各特征量的加权系数并进行分级的更复杂的方法。在本公开中，与之不同，不是通过判别而作出特征量的分级，其特征之一在于基于分类的最基本的特性进行归约(例如，使用也作为神经元兴奋的原理的“全或无”定律作为选定基准)，由此，在进行判别分析之前首先研究脑电波特征量的变化图案的鲁棒性。
关于归约是在前还是在后这一点，本公开的先进行归约是有利的。作为其理由，在本公开中，在基于归约(例如，Sigmoid函数)进行特征量的拟合之后，进行全部特征量的提取或不提取特征量，通过机械学习进行少数精锐的判别模型的决定，因此单纯地以计算结束为特征。另一方面，在后进行Sigmoid拟合等的拟合的情况下，与其说Sigmoid是用于归约，倒不如说是为了确定判别模型所使用的特征量有多少具有图案或没有图案(或近似)。在该情况下，进行机械学习，使用各个特征量或多个特征量来决定判别精度最高的特征量或判别模型，并对判别精度高的特征量进行Sigmoid拟合，研究该特征量的鲁棒性，进而，如果想制作经济的判别模型，则仅选拔拟合高的特征量，再次进行机械学习，因此计算成本升高，与此同时学习过程中产生浪费。如果这样特征量的Sigmoid拟合等附加地实现在先的“带有特征量数的归约的机械学习过程”，则进一步需要无用地进行机械学习的次序，因此计算成本升高。从这样的点出发，本公开的先进行归约是有利的。而且，在进行归约的实施方式的情况下，在归约之后进行样本放大是高效的，因此是有利的。通过在即将进行机械学习之前进行样本放大，能够在样本充分齐全的状态下进行机械学习。
例如，也可以在归约之前进行样本放大。在该情况下，可以在如何进行高精度的归约这样的目的下，进行样本放大。在该情况下，样本被放大，相应地，用于归约的计算成本可升高。
例如，也可以交替地进行样本放大与归约。例如，可以在归约前进行样本放大，如果样本不足，则在归约后再次追加地进行样本放大。
在此，为了归约，例如，也可以研究特征量间的相关，将高的相关汇总成一个或将某个删除，或者进行因子分析等以找到主要的因子(例如，从100个数据中找到10个因子等)等，也可以如上述例子那样通过使用Sigmoid函数等，遵照特定的反应图案模型找到特征量，并将该特征量向模型投入来实现。特定的图案可以进行各种设定，在疼痛方面，也可以设为有无疼痛等的“0或1”这样的判别。在此，如果为0或1，则可使用Sigmoid函数(逻辑回归的例子)或阶跃函数。将Sigmoid函数通过“0、1”来制作并进行近似，如果能观察到在统计学上有意的近似，则能够向模型投入。关于“全或无”，换言之，也可以表达为对于特定的刺激通过“0或1”这两个值来进行反应，也可以说是表示数字的离散的反应的特征量。在进行归约时，通过决定成为对象的目的，能够使归约收敛于一定范围内。例如，可以表达为“与疼痛相关的归约”或“与疼痛刺激相关的归约”等。
上述的例子是以特征量的归约为目的的函数近似，但是在确定最佳的判别模型这样的情况下，也可以对多个判别模型(从少的特征量数模型至最大特征量数模型为止)的判别精度的变化进行函数近似，并选择经济的模型。例如，在函数近似中，可以使用实现两项分类的上述Sigmoid函数。Sigmoid函数是在各种各样的等级下使用的要素函数，当然也是神经元兴奋的原理，也是疼痛的反应函数，还是疼痛的判别器，也可以是疼痛的发生率函数(参照图13)，而且，也可以是上述特征量的归约工具(参照图14)，进而如在此记述那样也与判别模型的选择过程相关联。因此，在优选的实施方式中，最初，限定为调制幅度(振幅)相对大的调制区域，用Sigmoid近似来导出最小值和最大值的渐近线。接下来，将判别精度的变动通过代表值(最小值、最大值)来表达，算出判别精度的改善值(最大值-最小值)，并以最大值为阈值，将最初超过了该值的特征量数作为达成改善率的最高增益的经济性判别模型来呈现。以下步骤，即，从该归约后的各特征量或其组合的加权系数(包含近似系数：例如，回归系数)的分级的上位通过机械学习和交叉验证进行判别分析的步骤，能够在归约后制作特征量(或其组合)与加权系数的分级，并对其通过机械学习等进行交叉验证，由此进行判别分析。
在一实施方式中，在本公开中，在步骤c)之后，算出通过判别分析得到的判别精度的相邻模型的差分值(Diff)，在此，该相邻模型是包含n-1特征量和n特征量的模型，n为2以上，在所述步骤d)中的判别模型的判断中还包括也考虑该差分的情况。在此，差分值如在该领域众所周知那样通过MATLAB函数的Diff等而安装于软件，是“连续地减去相邻的数值的”函数。换言之，Diff函数是安装于MATLAB的函数之一，是将相邻的值的差分值一点点地错开并求出的函数。该功能在数学上对应于“微分”，在力学上对应于“速度”。使用方式是多样的，但是在信号处理的情况下，可以用于找到时间序列、空间性的数据分布的急剧的或非连续的(或阶梯性的)拐点。以Sigmoid函数来说，对找到调制区域而言Diff函数是有效的。在脑电波方面，也可以用于找到特征量大幅变化那样的时间的、空间的点。
在一实施方式中，所述差分值的考虑包括从该差分值大的值对特征量进行再分级，并对判别精度进行再计算，从而生成判别精度高的模型的过程。
在一实施方式中，基于所述差分值进行的判断包括将所述特征量分类成主特征量和支持特征量，并对该支持特征量进行再分级的情况。在此，作为主特征量，可以选择上位等级第一位或与之有意地相关的特征量，将其以外的作为支持特征量，并基于投入了支持特征量的情况下的n特征量模型与n-1特征量模型的差分值进行再分级。函数Diff可以使用例如安装于MATLAB等的函数。例如，也可以将上位等级第一位固定，将其后面的作为支撑辅助支持。因此，可以使用主单独特征量，或主特征量与其以外的支持特征量的组合。
需要说明的是，在本说明书中，以R2值重新排列并将等级第一位的特征量称为主单独特征量。需要说明的是，在上位等级的特征量中，表示与主单独特征量有意的相关的特征量为类似的判别图案，因此主单独特征量没有限定为一个，也可以将这些特征量组总称为主特征量。在该情况下，可以将上位等级第一位以及表示与之有意的相关的特征量作为主特征量。
在一实施方式中，本公开的方法包括在所述再分级之后，对所述特征量进行变更并重复进行所述步骤c)的步骤。
在本公开的另一实施方式中，包括以下步骤，即，在所述再分级之后，通过变更所述特征量而进行机械学习(线性、逻辑回归、支持向量机等)及交叉检验，从而算出各模型的判别精度的步骤。在再分级后，一个个地增加特征量而进行机械学习(线性、逻辑回归、支持向量机等)和交叉检验，算出各模型的判别精度。由此，能够选择精度最高的模型。在本公开中，机械学习可以使用任意的机械学习，作为带示教的机械学习，可以利用线性、逻辑、支持向量机(SVM)等。在进行这样的机械学习的方面中，也能够提供本公开的样本放大方法。
在一实施方式中，能够将上述步骤反复进行至少一次。在此，特征量的分级在变化，因此仅是投入的特征量不同。在反复进行时可以再次应用本公开的样本放大。
当算出候补模型时，可以根据需要，通过决定达成规定精度的模型来生成所述的目标的模型。
关于规定精度，可以根据目的而适当设定，可以设定精度最高且特征量数最少的模型、精度最高的模型等。例如，在达成相同或相同程度的判别精度的判别模型存在多个的情况下，优选的是，选择包含最少的特征量数的模型(这也称为经济性基准)。
因此，在一实施方式中，包括在达成规定精度的模型中，选择特征量的种类更少的模型的步骤。
在另一实施方式中，所述规定的判别精度包括精度最高的情况。归约能够以提取有效的特征量的情况为特征，更具体而言，归约的特征在于，选定接近与有疼痛、无疼痛对应的全或无即二值特征量的特征量。而且，在提取有疼痛或无疼痛内部的下位分类所涉及的特征量时，可以重复进行相同过程而进一步进行回归的自反性归约。
在一实施方式中，所述加权系数在与判别函数的近似指数同等的意思下使用，从R2值、相关系数、回归系数、残差平方和(判别函数与特征量之差)等中进行选择。
在另一实施方式中，判别函数(模型)从由Sigmoid函数、阶跃函数等构成的组中进行选择。
在又一实施方式中，模型近似指数是加权系数的部分集合，可以从由R2值、相关系数、回归系数、残差平方和及这些部分集合构成的组中进行选择。
在又一实施方式中，有效的特征量在二项分类的情况下，是与有疼痛或无疼痛对应的全或无即二值特征量，或者是与判别函数近似性更高的特征量。
图15记载本公开的装置(带有特征量归约过程的判别装置)的示意图(101000～108000)(需要说明的是，应留意该结构图的几个为任意的构成部分，可省略)。在本示意图中，也适当地一并记载各步骤(S10100～S10600)。
该装置由特征量归约部101000、特征量提取部102000、疼痛判别/推定模型生成部103000、疼痛判别/推定部(可包含模型修正过程)104000、参照刺激呈现部105000、脑电波数据测定部105200、疼痛等级可视化部107000构成，对象用106000来确定。
在该带归约过程的判别中，进行疼痛判别/推定阶段数(两个阶段、三个阶段等)的决定(S10100)，并进行判别函数的生成(例示两项分类中的Sigmoid函数等，S10200)。特征量通过以下方式得到，即，从参照刺激呈现部105000根据S10100中决定的判别阶段对对象106000赋予参照刺激(电刺激等)，并进行与疼痛阶段关联的特征量的收集(S10300)，在进行归约之后(S10400)，得到特征量。样本放大可以在特征量的收集后进行，也可以在归约后进行。需要说明的是，收集到的特征量通过S10200中生成的判别函数来近似，并根据得到的近似系数(回归系数等)的大小来分级。从上位的特征开始顺次使用，由疼痛判别/推定部104000进行参照刺激的疼痛等级的判别推定，将具有判别精度最高的特征量数的判别模型在疼痛监控用中使用。这是特征量的归约过程S10400的一方式。需要说明的是，关于在归约过程(空心箭头)以及实际的疼痛监控过程(黑箭头)中使用的搭载于疼痛判别/推定部的判别模型(算法)，由疼痛判别/推定模型生成部103000制作，并搭载于疼痛判别/推定部104000。判别模型例如可以使用由上述的用于将机械学习中使用的示教数据放大的系统100放大后的多个示教数据来制作。在特征量归约部101000中的上述前处理结束后，用包含脑电波仪等的脑电波数据测定部105200从对象106000收集实际的疼痛关联的脑电波数据(S10500)。将其向特征量提取部102000发送，转换成在振幅、频率的归约过程中所选定的特征量(例如，特定电极的特定振幅、频带功率等)。提取出的特征量从特征量提取部102000被取入向疼痛判别/推定部104000(可包含模型修正过程)，决定疼痛等级(S10600)。决定结果在疼痛等级可视化部107000中用变化趋势或数值(例如，1～100)来表示。
在S10100的疼痛判别/推定阶段的决定中，决定进行判别推定的等级数(例如，两个阶段或三个阶段等)。
在S10200的判别函数的生成中，制作根据S10100的判别等级数而使用的判别函数(两项分类中的Sigmoid函数、阶跃函数等)。
在S10300的疼痛阶段关联的特征量的收集中，与S10100中决定的等级数相应地从参照刺激呈现部105000对对象106000呈现多个参照刺激(电刺激等)，并收集关联的脑电波特征量。
在S10400的特征量的归约中，将S10300中得到的特征量通过判别函数进行近似，对近似指数(例如，R2值等)高的特征量进行分级，从上位的特征开始顺次地向疼痛判别/推定部4104000投入，对参照刺激的等级进行判别推定。其中，将具有判别精度最高的特征量数的模型使用于实际的疼痛判别/推定。
在S10500的疼痛关联的脑电波数据收集中，在特征量归约部101000中的归约处理结束后，收集成为疼痛监控的对象的、实际的与疼痛关联的脑电波数据。该步骤是真实的疼痛监控过程的数据收集。也可以对通过该数据收集而收集到的数据应用样本放大。
在S10600的疼痛等级决定中，在通过特征量提取部102000对S10500中得到的实际的疼痛关联数据进行加工而得到了特征量组之后，疼痛判别/推定部104000进行判别推定，根据推定值对疼痛等级进行数值化，决定疼痛等级，并利用疼痛等级可视化部107000进行可视化。
为了能够通过脑电波数据测定部105200得到与从参照刺激呈现部105000向对象(106000)发出的刺激同步的脑电波数据，而构成为，具备连结于对象(106000)或者能够连结于对象的脑电波仪，或者连结于脑电波仪。这是装置108000的概要。
装置108000可以具备脑电波测定部，该脑电波测定部具备脑电波记录传感器，根据需要还在内部具备脑电波放大部或在外部连接脑电波放大部，利用装置108000进行疼痛关联的脑电波的信号处理及疼痛判别/推定。脑电波放大部可以将脑电波的信号强度放大，也可以对脑电波进行上述的样本放大的处理。
在装置108000中，通过特征量提取部102000对收集到的脑电波信号进行处理，提取脑电波特征量。在提取时，选定在特征量归约部101000中预先被归约的特征量。而且，(根据需要)利用疼痛等级可视化部107000将疼痛可视化。而且，在内部或外部具备参照刺激呈现部105000，该参照刺激呈现部105000为了归约对对象106000的疼痛监控有效的特征量，根据S10100中决定的疼痛等级，呈现多次电刺激等参照刺激。利用脑电波数据测定部105200记录与之关联的脑电波数据，利用特征量提取部102000得到关联的脑电波特征量，利用疼痛判别/推定部104000根据该特征量来对参照刺激的疼痛等级进行判别推定，根据其结果进行特征量的归约S10400。而且，参照刺激呈现部105000为了判别器制作和实际的未知的疼痛等级的判别，还会传送疼痛刺激信息(刺激类型、环境信息等)。参照刺激呈现部105000除了参照刺激呈现部105000之外，还可以根据需要具备刺激信息可视化部，以显示刺激、环境所涉及的图像、数字等信息。而且，装置108000可以在装置108000的外部或内部具备生成判别器或判定值的疼痛判别/推定部104000。
这样，装置108000具备脑电波数据测定部105200和疼痛判别/推定部104000，且根据需要还具备参照刺激呈现部105000。装置108000例如由具备处理器及存储器的计算机来实现。在该情况下，装置108000在通过处理器执行保存于存储器的程序时，根据需要使处理器作为特征量归约部101000、特征量提取部102000、疼痛判别/推定模型生成部103000、疼痛判别/推定部104000等发挥功能。根据需要也进行刺激、环境信息的可视化。而且，本公开的装置108000例如可以由专用电子电路实现。专用电子电路可以是一个集成电路，也可以是多个电子电路。脑电波数据取得部及舒适与否判定值生成部可以采取与该舒适与否判定装置同样的结构。
特征量提取部102000可以经由脑电波仪(包含于脑电波数据测定部105200)通过进行多次脑电波测定而从推定对象取得多个脑电波数据。对象是指由于刺激或环境而脑电波产生变化的生物体，不必限定为人。在该阶段，也可以应用本公开的样本放大。
疼痛判别/推定部104000使用判定值来判别/推定不适度。当判别器或判定值不在外部或内部预先生成的情况下，也进行生成。生成判别器或判定值的部分可以作为疼痛判别/推定部104000而设置在装置108000的外部或内部。疼痛判别/推定使用的判别值是用于根据多个脑电波数据的振幅对不适度进行推定或分类的值。即，疼痛判别/推定部104000或疼痛判别/推定模型生成部103000能够生成用于根据脑电波数据而对对象的不适度进行推定或分类的判定值。
脑电波数据测定部105200包含的脑电波记录传感器通过头皮上的电极对在推定对象的脑内产生的电活动进行计测。接着，脑电波记录传感器输出作为计测结果的脑电波数据。根据需要脑电波数据可以放大。
(其他的实施方式)
以上，关于本公开的一个或多个形态的带有特征量归约过程的判别装置，基于实施方式进行了说明，但是本公开没有限定为该实施方式。只要不脱离本公开的主旨，则将本领域技术人员想到的各种变形施加于本实施方式而得到的方式、将不同的实施方式中的构成要素组合而构筑的方式也可以包含于本公开的一个或多个方案的范围内。
例如，在上述各实施方式中，作为脑电波数据的振幅值，可使用峰-峰值，但是没有限定于此。例如，作为振幅值，可以使用单一的峰值。
需要说明的是，在上述实施方式中，设想以与脑电波振幅等特征量或其组合的上限值Amax对应的不适度的大小的值Pmax成为1且与特征量或其组合的下限值Amin对应的疼痛的大小的值Pmin成为0的方式设定不适度的大小的值的范围的情况，但是没有限定于此。例如，可以通过0～100表示疼痛的大小。在该情况下，疼痛判别/推定部104000在通过疼痛等级可视化部107000来表示疼痛的大小的值Px的情况下，可以利用以下的式子来推定疼痛的大小的值Px。
Px＝Pmax×(Ax-Amin)/(Amax-Amin)
另外，在上述中，作为通过分析多个脑电波数据而生成舒适与否判定值的生成例，说明了包含Sigmoid拟合的曲线拟合(curve fitting)，但是没有限定于此。而且，脑电波振幅的上限值可以使用预先确定的值。例如，预先确定的值(绝对值)例如为50μV～100μV，只要实验性或经验性地确定即可。这样，在通常的解析中，作为伪影去除方法，将±50μV～100μV左右的数据排除，但是这样的伪影去除根据需要也可以在本公开中实施。
另外，参照刺激呈现部105000(参照图15)对对象106000赋予的刺激只要是对象106000感觉到的不适度的大小会根据刺激类型、呈现环境而变化的刺激即可，可以赋予任意种类的刺激。
另外，上述各实施方式中的本公开的装置具备的构成要素的一部分或全部可以由一个系统LSI(Large Scale Integration：大规模集成电路)构成。例如图15所示，装置108000除了包括特征量归约部101000、疼痛判别/推定模型生成部103000、疼痛判别/推定部104000、疼痛等级可视化部107000之外，也可以包括具有特征量提取部102000、参照刺激呈现部105000的系统LSI。在该系统LSI等中，也可以进行本公开的样本放大，该功能可以在特征量归约部等各部搭载样本放大的功能，也可以另行设定未图示的其他的部分(样本放大部)并在该部分进行样本放大。
系统LSI是将多个结构部集成在一个芯片上而制造的超多功能LSI，具体而言，是包含微处理器、ROM(Read Only Memory)、RAM(Random Access Memory)等而构成的计算机系统。在ROM存储有计算机程序。所述微处理器按照计算机程序进行动作，由此系统LSI达成其功能。
需要说明的是，在此，设为系统LSI，但是根据集成度的差异，有时也称为IC、LSI、超级LSI、大规模LSI。而且，集成电路化的方法并不局限于LSI，可以通过专用电路或通用处理器实现。在LSI制造后，可以利用能够编程的FPGA(Field Programmable Gate Array)或者能够再配置LSI内部的电路单体的连接、设定的可重构处理器。
此外，如果由于半导体技术的进展或派生的其他技术而出现了置换为LSI的集成电路化的技术，则当然可以使用该技术进行功能块的集成化。生物技术的应用等也存在可能性。
另外，本公开的一个方案，不仅可以是这样的疼痛判别/推定模型生成、持续痛判别/推定部，而且可以是将疼痛推定装置包含的特征性的结构部设为步骤的疼痛分类值生成、疼痛判别/分类方法。另外，本公开的一个方案可以是使计算机执行特征量归约、特征量提取、疼痛判别/推定模型生成、疼痛判别/推定包含的特征性的各步骤的计算机程序。而且，本公开的一个方案可以是记录有这样的计算机程序的计算机能够读取的非易失性的记录介质。
需要说明的是，在上述各实施方式中，各构成要素可以由专用的硬件构成，或者通过执行与各构成要素相适的软件程序实现。各构成要素可以通过CPU或处理器等程序执行部将硬盘或半导体存储器等记录介质中记录的软件程序读出并执行来实现。在此，实现上述各实施方式的疼痛推定装置等的软件是在本说明书中上述的程序。
(使用了云、IoT及AI的实施方式)
本公开的疼痛判定技术作为一个系统或装置，能以包含全部的形式来提供(参照图16)。或者，作为疼痛判别装置，也可以设想主要进行脑电波的测定及结果的显示，计算、判别模型的计算通过服务器或云进行的方案(参照图17、图18、图19)。它们的一部分或全部可使用IoT(Internet of Things)及/或人工智能(AI)来实施。
或者，也可设想，疼痛判别装置还保存有判别模型并当场进行判别，但是判别模型的计算等主要的计算通过服务器或云进行的方案、即半独立型的方案(图19)。由于在医院等一部分的实施场所中未必始终能够进行收发，因此设想了即使在屏蔽的情况下也能使用的模型。
因此，在一个方面中，本公开提供一种使计算机执行对对象的疼痛进行判别的方法的程序、以及保存有该程序的记录介质、系统及装置，该方法包括：a)从对象得到脑电波数据或其分析数据的步骤；b)基于该脑电波数据或其分析数据而生成判别模型的步骤；c)将来自该对象的脑电波数据或其分析数据代入该判别模型而判别疼痛的步骤。本公开的样本放大以在该程序中执行的方式被提供。
实现这样的程序的系统通过将整体取为系统的实施方式实现，在该方案中，本公开是一种对对象的疼痛进行判别的系统，该系统包括：X)从对象得到脑电波数据或其分析数据的脑电波数据取得部；Y)基于该脑电波数据或其分析数据而生成判别模型的疼痛判别/推定模型生成部；Z)将来自该对象的脑电波数据或其分析数据代入该模型而判别疼痛的疼痛判别/推定部。在该情况下，图16示意性地示出了例示，但是脑电波数据取得部被描述为脑电波数据测定部110000及脑电波特征量提取部140000。疼痛判别/推定模型生成部被描述为疼痛判别模型生成部160000。此外，疼痛判别/推定部被描述为疼痛等级判别推定部150000。在图16中，除此之外还描述了疼痛等级可视化部130000及数据保存部170000。这样的可视化部及保存部未必是必需的，但是在作为医疗设备提供的情况下还是设置为好。在系统中，也可以进行本公开的样本放大，该功能也可以在脑电波数据取得部等各部中搭载样本放大的功能，也可以另行设定未图示的另外的部分(样本放大部)并在该部分进行样本放大。
可视化部只要用户能够认知疼痛判别结果即可，可以为任意的结构，可以使用输入输出装置、显示装置、电视机、监视器等。也可以取代可视化部而使用声音等的其他的认知机构，可以包含声音产生装置(例如，扬声器)、振动装置、电极、或能够向受验者呈现挑战的其他的装置。
保存部既可以是例如CD-R、DVD、Blueray、USB、SSD、硬盘等记录介质，也可以保存于服务器，还可以是适当地记录在云上的形式。
如图16示意性例示那样，本装置可以在制作或决定判别模型时(白箭头)和监控实际的疼痛时使用。在模型制作/决定时，脑电波数据测定部110000取得对象受到多个疼痛刺激时的脑电波。记录下的数据被发送给脑电波特征量提取部140000，制作成多个特征量。特征量被发送给疼痛判别模型生成部160000，生成判别算法。此时，可以通过上述的系统100将多个特征量放大，将放大后的特征量向疼痛判别模型生成部160000传送，生成判别算法。判别算法被发送给疼痛等级判别推定部150000，进而通过制作出的模型而得到的判别结果被发送给疼痛等级可视化部130000，并为了疼痛等级判别结果的妥当性确认而显示。在判别模型决定了之后，实际的疼痛等级的实时监控按照黑箭头的流程进行。即，当疼痛监控开始时，脑电波数据测定部110000从对象取得脑电波数据，脑电波数据被发送给脑电波特征量提取部140000，提取出多个脑电波特征量。制作出的特征量被发送给疼痛等级判别推定部150000，判别结果由疼痛等级可视化部130000显示。需要说明的是，两个过程可以组合，若在实时监控时判别结果不妥当，则疼痛等级判别推定部150000的结果向疼痛判别模型生成部160000反馈，在修正了模型之后，再次向疼痛等级判别推定部150000发送修正模型。在该装置中，也可以进行本公开的样本放大，该功能可以在脑电波数据测定部等各部搭载样本放大的功能，也可以另行设定未图示的另外的部(样本放大部)并在该部进行样本放大。
在一个方面中，基于图17，本公开是一种终端仅进行脑电波取得的、对对象的疼痛进行判别的系统，该系统包括X)疼痛判别终端和Y)疼痛判别/推定服务器。在此，该疼痛判别终端包括X-1)从对象得到脑电波数据或其分析数据的脑电波数据取得终端、X-2)将该脑电波数据或其分析数据及判别结果向疼痛判别/推定服务器收发的模块，疼痛判别/推定服务器包括Y-1)基于该脑电波数据或其分析数据而生成判别模型的疼痛判别/推定模型生成模块、Y-2)将来自该对象的脑电波数据或其分析数据代入该模型而生成判别了疼痛的判别结果的疼痛判别/推定模块、Y-3)对该脑电波数据或其分析数据及该判别结果进行收发的判别结果收发模块。在该系统中，也可以进行本公开的样本放大，该功能也可以在已有的模块中搭载样本放大的功能，也可以另行设定未图示的其他的模块(样本放大模块)并在该模块进行样本放大。
如图19示意性例示那样，本装置可以在制作或决定判别模型时(白箭头)和监控实际的疼痛时使用。在模型制作/决定时，脑电波数据测定部110000取得对象受到多个疼痛刺激时的脑电波。记录下的数据在线地显示于疼痛等级可视化部130000，并被发送给脑电波特征量提取部140000，制作多个特征量。制作出的特征量通过数据收发部120000被发送给云/服务器的数据收发部125000，被发送给疼痛判别模型生成部160000。此时，可以利用上述的系统100将多个特征量放大，将放大后的特征量通过数据收发部120000向云/服务器的数据收发部125000传送，向疼痛判别模型生成部160000传送。制作出的模型最终保存于疼痛等级判别推定部。此时输出的判别推定结果通过数据收发部125000被发送给外部的数据收发部120000，并由疼痛等级可视化部130000显示以供确认。在判别模型决定了之后，实际的疼痛等级的实时监控按照黑箭头的流程进行。即，当疼痛监控开始时，脑电波数据测定部110000从对象取得脑电波数据，脑电波数据在显示于疼痛等级可视化部130000的同时，被发送给脑电波特征量提取部140000传送，提取出多个脑电波特征量。制作出的特征量由上述的系统100放大，通过数据收发部120000以及125000，被发送给疼痛等级判别推定部150000，进行疼痛等级的判别推定。判别结果通过数据收发部120000以及125000，由疼痛等级可视化部130000显示。需要说明的是，两个过程可以组合，若在实时监控时判别结果不妥当，则将疼痛等级判别推定部150000的结果向疼痛判别模型生成部160000反馈，在修正了模型之后，再次向疼痛等级判别推定部150000发送修正模型。需要说明的是，记录下的数据、制作出的特征量、判别模型适时保存于数据保存部170000。
在另一方面中，基于图17，是将提取“脑电波特征量”＝分析数据的模块分离出来的方案，设想了在终端侧对特征量进行计算。在此，本公开提供一种对对象的疼痛进行判别的系统，该系统包括X)疼痛判别终端、Y)疼痛判别/推定服务器。在此，该疼痛判别终端包括X-1)从对象得到脑电波数据的脑电波数据取得终端、X-2)将该脑电波数据及判别结果向疼痛判别/推定服务器收发的模块，疼痛判别/推定服务器包括Y-1)基于该脑电波数据或其分析数据而生成判别模型的疼痛判别/推定模型生成模块、Y-1’)从该脑电波数据提取分析数据的脑电波特征量提取模块、Y-2)将来自该对象的脑电波数据或其分析数据代入该模型而生成判别了疼痛的判别结果的疼痛判别/推定模块、Y-3)对该脑电波数据或其分析数据及该判别结果进行收发的判别结果收发模块。在该情况下，也可以进行本公开的样本放大，该功能也可以在已有的模块中搭载样本放大的功能，也可以另行设定未图示的其他的模块(样本放大模块)，并在该模块进行样本放大。
如图18示意性例示那样，本装置可以在制作或决定判别模型时(白箭头)和监控实际的疼痛时使用。在模型制作/决定时，脑电波数据测定部110000取得对象受到多个疼痛刺激时的脑电波。记录下的数据在线地由疼痛等级可视化部130000显示，并通过数据收发部120000被发送给云/服务器的数据收发部125000，进而被发送给脑电波特征量提取部140000，制作出多个特征量。制作出的特征量被发送给疼痛判别模型生成部160000。此时，可以通过上述的系统100将多个特征量放大，并将放大后的特征量向疼痛判别模型生成部160000传送。制作出的模型最终保存于疼痛等级判别推定部150000。此时输出的判别推定结果通过数据收发部125000被发送给外部的数据收发部120000，并由疼痛等级可视化部130000显示以供确认。在判别模型决定了之后，实际的疼痛等级的实时监控按照黑箭头的流程进行。即，当疼痛监控开始时，脑电波数据测定部110000从对象取得脑电波数据，脑电波数据在由疼痛等级可视化部130000显示的同时，通过数据收发部120000以及125000被发送给脑电波特征量提取部140000，提取出多个脑电波特征量。制作出的特征量由上述的系统100放大，被发送给疼痛等级判别推定部150000，进行疼痛等级的判别推定。判别结果通过数据收发部120000以及125000由疼痛等级可视化部130000显示。需要说明的是，两个过程可以组合，如果在实时监控时判别结果不妥当，则将疼痛等级判别推定部150000的结果向疼痛判别模型生成部160000反馈，在修正了模型之后，再次向疼痛等级判别推定部150000发送修正模型。需要说明的是，记录下的数据、制作出的特征量、判别模型适时保存于数据保存部170000。
在又一方面中，提供一种终端进行脑电波取得并将脑电波代入所保存的模型的方式。本公开在该方面中，提供一种对对象的疼痛进行判别的系统，该系统包括X)疼痛判别终端和Y)疼痛判别/推定服务器。在此，该疼痛判别终端包括X-1)从对象得到脑电波数据或其分析数据的脑电波数据取得终端、X-2)将该脑电波数据或其分析数据及判别模型向疼痛判别/推定服务器收发的模块、X-3)保存判别模型的判别模型模块，即，将来自该对象的脑电波数据或其分析数据代入该判别模型来判别疼痛的模块，疼痛判别/推定服务器包括Y-1)基于该脑电波数据或其分析数据而生成判别模型的疼痛判别/推定模型生成模块、Y-2)将该判别模型向该疼痛判别终端发送的模型发送模块和根据需要从该脑电波数据提取分析数据的脑电波特征量提取模块。
如图19示意性例示那样，本装置可以在制作或决定判别模型时(白箭头)和监控实际的疼痛时使用。在模型制作/决定时，脑电波数据测定部110000取得对象受到多个疼痛刺激时的脑电波。记录下的数据在线地由疼痛等级可视化部130000显示，并通过数据收发部120000被发送给云/服务器的数据收发部125000，被发送给云/服务器内的脑电波特征量提取部145000，制作出多个特征量。此时，可以通过上述的系统100将多个特征量放大，并将放大后的特征量向疼痛判别模型生成部160000传送。制作出的特征量被发送给疼痛判别模型生成部160000。制作出的模型最终保存于疼痛等级判别推定部150000。此时输出的判别推定结果同时通过数据收发部125000被发送给外部的数据收发部120000，并由疼痛等级可视化部130000显示以供确认。在判别模型决定了之后，实际的疼痛等级的实时监控按照黑箭头的流程进行。即，当疼痛监控开始时，脑电波数据测定部110000从对象取得脑电波数据，该脑电波数据被发送给脑电波特征量提取部140000，提取出多个脑电波特征量。制作出的特征量被发送给疼痛等级判别推定部150000，进行疼痛等级的判别推定，由疼痛等级可视化部130000显示。需要说明的是，两个过程可以组合，若在实时监控时判别结果不妥当，则将疼痛等级判别推定部150000的结果向疼痛判别模型生成部160000反馈，在修正了模型之后，再次向疼痛等级判别推定部150000发送修正模型。需要说明的是，记录下的数据、制作出的特征量、判别模型适时保存于数据保存部170000。在该系统中，也可以进行本公开的样本放大，该功能也可以在已有的脑电波数据测定部中搭载样本放大的功能，也可以另行设定未图示的另外的模块(样本放大部)并在该模块进行样本放大。
作为这样的云服务，“软件即服务(SaaS：Software as service)”大致符合。由于考虑初始的疼痛判别装置搭载有根据实验室环境下的数据而制作出的判别算法，因此也可以作为具备这些实施方式中的两个或三个特征的系统来提供。
例如，可考虑以下情况。
1.取入脑电波数据的功能包含于终端侧。(图16～19的脑电波数据测定部110000)
2.可以具有特征量的提取功能。或者，也可以作为特征量包含于终端侧。(即，脑电波数据自身由另外的设备担当，通过与那里进行收发而将特征量向终端提供)在此，脑电波特征量提取部140000或145000(图16～19)既可以处于终端侧，也可以处于服务器侧。既可以与脑电波数据测定部一体化，也可以分别设置。图16～19中示出分别设置的实施方式。本公开的样本放大可以在上述的一系列工序的任何阶段进行，该功能可以在已有的脑电波数据测定部中搭载样本放大的功能，也可以通过另行设定未图示的另外的模块(样本放大部)并在该模块进行样本放大。
在此，例如，作为标准规格，保存电位、频率、电位相关、熵等基本的特征量，作为选项，除此之外，还可以保存其他的提高判别精度的特征量等。
疼痛判别模型在疼痛判别模型生成部160000中生成。在疼痛判别模型生成部中，基于脑电波数据或其分析数据(脑电波特征量)而生成疼痛判别模型，并向疼痛等级判别推定部发送疼痛判别模型。
在疼痛判别模型生成部中，例如，除了标准(标准搭载的一般的判别模型)之外，也可以包含选项。例如，可以具备选项1(定制化(TaylorMade)判别模型，根据模型制作的程度而费用改变)、选项2(设施专用判别模型的制作)、选项3(按客户希望设定)、选项4(能够按客户自身来进行模型制作)、选项5(判别模型的制作个数的增多)等。
在优选的实施方式中，也可以具备进行判别模型改善的功能。该功能可以存在于疼痛判别模型生成部，也可以作为单独的模块具备。该判别模型改善功能可以具备例如选项1(期间1年，每年1～2次)、选项2(期间1年，每1、2个月1次)、选项3(期间延长，每年1～2次)、选项4(期间延长+1，每2个月1次)等选项。
数据保存也可以根据需要而进行。数据保存通常存在于服务器侧(图17～19的数据保存部170000)，但是全装备型的情况自不必说可以存在于终端侧，即使在云型的情况下也可以存在于终端侧(因为是任意的，因此在图中未示出)。在通过云来提供服务的情况下，数据保存可提供标准(例如，在云上直至10G字节)、选项1(例如，在云上进行1T字节增量)、选项2(在云上设定参数而分割保存)、选项3(在云上按照各判别模型保存)的选项。保存数据并从售卖的所有装置汲取数据来制作大数据(例如，脑电波数据库180000)，持续地更新判别模型或构筑新的模型，能够提供例如“烧伤疼痛判别模型”那样新的判别模型软件。
另外，可以具有数据解析选项。在此，能够提供患者的图案分类(基于判别精度、特征量的图案变化来检索患者群)等。即，可设想为疼痛判别模型生成部160000的计算方法的选项。
(脑电波特征量相关)
在另一方面中，本公开提供一种使用脑电波特征量相关来判别或判定疼痛的方法。成为相关的对象的脑电波特征量例如除了原始的脑电波数据之外，还可举出其分析数据(也称为加工特征量)，例如，电位、频率功率、振幅(例如平均振幅)、复杂性指标(熵等)等，但是没有限定于此。观察电极间相关，发现上述这些均能作为功能结合的指标来使用。作为更优选的方法，根据头皮上数据来推定脑内产生源，研究部位间的相关，但是在有限的记录电极的情况下，通过上述的电极间相关进行类推。需要说明的是，“脑电波特征量相关”有时称为“脑电波关系性特征量”，但是它们是相同的意思。作为能够在脑电波特征量相关等中利用的例子，例如，可举出“电位相关”、“相位同步(phase locking value，锁相值)”等，但是没有限定于此。而且，也可使用相干性等。
在本公开中，发现除了脑电波的电位相关之外，频率、熵等加工特征量的相关也能使用于疼痛的判别。通过观察电极间相关，上述这些也能够作为功能结合的指标来使用，因此，能够更广泛地使用于“脑电波特征量相关”自身、疼痛的判别。
作为相关，在实施例中，优选使用“电位相关”、“相位同步(phase locking value，锁相值)”等，但是也可以使用从更早开始使用的相干性等。
在一实施方式中，在算出相关时，本公开使用的脑电波特征量既可以是源自相同电极的多个脑电波特征量，也可以是源自不同的脑电波特征量。因此，本公开使用的脑电波特征量相关是相同或不同电极中的脑电波特征量之间的相关。在使用相同电极中的脑电波特征量的情况下，既可以是相同范畴的特征量(例如，频率功率、平均振幅、复杂性指标等)，也可以是不同范畴的特征量。在使用不同电极中的脑电波特征量的情况下，也是既可以是相同范畴的特征量(例如，频率功率、平均振幅、复杂性指标等)，也可以是不同范畴的特征量。可以使用的脑电波特征量既可以是单纯提取出的原始脑电波数据自身，也可以是其加工数据。作为可以使用的脑电波特征量，可以举出电位、频率功率、平均振幅、复杂性指标(例如，MSE)等，但是没有限定于此。作为相关，例如，可以举出例如电位相关、相位同步(phase locking value，锁相值)，但是没有限定于此。也可以使用相干性。需要说明的是，无论是相干性，还是相位同步(phase locking value，锁相值)，都是电极间或电极内的相同频率或不同频率的相位的同步性，可以同样地使用。相干性是相位同步指标之一，是基于信号稳定(整体的活动特性在局部也恒定实现的状态)、且为线形性这样的前提而算出的指标。然而，在现有技术中，验证并使用该前提的例子不多。另一方面，相位同步(phaselocking value(PLV)，锁相值)没有相干性作为前提那样的前提，能够更牢固地检测出相位同步特性。因此，在一实施方式中，在本说明书中，相位同步(PLV)可以比相干性优选。或者，可以使用相干性和PLV这双方，可以设为通过Sigmoid或阶跃函数的两项分类图案进行近似，或者以交替地起作用(Coh×PLV)的方式使用两者这样的多选择制的方式进行使用。
需要说明的是，表示两项分类图案的特征量(例.Sigmoid型特征量)是“离散性特征量”，即，表示两项的分布特性的特征量的一个方式，这样的双峰性分布在疼痛推定值中也能观察到(参照图12)，因此可以说与疼痛判别的原理性的机理相关。在实际的疼痛监控时，可以对对象者赋予多个疼痛检查刺激，研究无疼痛和有疼痛的特征量的分布特性。图23示出将特征量的柱状图进行了绘制、并进行了函数或曲线近似的示意图。将无疼痛与有疼痛样本的分布交叉的数值设为“判别阈值”。使用该阈值，能够以将各特征量比阈值小的样本设为“-1”，将各特征量比阈值大的样本设为“1”的方式转换为范畴尺度并向判别模型投入。作为这样的决定阈值的分布，除此之外还可以使用庞加莱分布等。
在各种实施方式中，本公开想要涉及广义的“相互关系”，其包含同步性和由狭义的相关系数(r或ρ)表达的关系性。在此，相关可以包括同步性、结合、无关、延迟、正负、类似性、一致等各种形态。作为它们的例子，可以举出时间相关、空间相关、时空同步性、空间关系性或结合性、无关或不相关，延迟或时间相关的崩溃、正负或相关的性质、类似性或相关系数的等级、及一致或完全相关，同步性可以理解为时间相关，结合性可以理解为空间的(例如，脑部位)关系性，无关可以理解为不相关，延迟可以理解为时间相关的崩溃，正负可以理解为相关的性质，类似性可以理解为相关系数高，一致可以理解为完全相关。
在一实施方式中，本公开使用的脑电波特征量相关是不同电极间的脑电波特征量的相关。不同电极间的脑电波特征量的相关对疼痛的判别乃至判定是有用的，这是以往并不知晓的。需要说明的是，额叶-枕叶的电位相关为电极间的相关。而且，在频率功率相关的情况下，即使在相同电极内，也可以将不同的频率间的相关设为特征量相关。
在本公开中，可知如果观察不同电极间的相关，则能够识别出麻醉与疼痛。在此，通常考虑到当由于麻醉的影响而发生意识下降时，功能结合会下降。另一方面，如在本公开中实证了的那样，发现了当在实施例中例示的最高等级的等级6(50℃)而无法忍受疼痛时，额叶顶叶的电位相关会下降，这被认为说明了功能结合。发现了由于意识下降而活动相关崩溃的情况，另一方面，发现了当疼痛增强时活动相关崩溃的情况，这样的情况是预想不到的。对此进一步研讨的结果发现，由麻醉导致的意识下降是由整体的皮质活动下降导致的活动的断片化，如果是过度的疼痛则意识极度地集中于疼痛，额叶前野前方部的活动强度会局部性地过度上升，这导致产生断片化。这样，在麻醉的情况下，“Hypo-activity”、过度的疼痛可解释为由“Hyper-activity”导致的相关的崩溃。关于这样的Hypo与Hyper的差异，在本公开的判别中也能够识别。例如，由于麻醉而功能结合崩溃，相关关系下降，因此如果疼痛等级强，则同样地预测为相关下降，两者比较是矛盾的，因此可认为本公开的见解不是能容易想到的。即，疼痛增强通常会引起注意，因此不如说应认为部位间的功能结合会上升。尽管如此，在本公开中，如果疼痛变得过度，则额叶-顶叶的电位相关下降，这与直观的感觉不同。因此，在本公开中，可以解释成，可以基于Hyper和Hypo这样的概念，用另一方向的向量来解释“类似的”相关下降。
在一实施方式中，在利用两个以上的不同电极中的脑电波特征量的相关的情况下，优选的是，这些不同电极相对地处于前后的位置关系。通过观察处于这样的位置关系的脑电波特征量相互关系，能够更高效地判别疼痛。关于前后的相对关系，只要以在该领域通常理解的关系来判定前后即可。在绝对地确定位置关系的情况下，只要使用将耳垂连结的线进行判断即可。
在一实施方式中，不同电极的至少一个存在于头部的前方部。或者，在另一实施方式中，所述不同电极的至少一个存在于头部的后方部。在又一实施方式中，不同电极的至少一个存在于头部的前方部，进一步的电极存在于头部的后方部。在本说明书中，头部的“前方部”是指将左右的耳垂连结的线的前方，头部的“后方部”是指将左右的耳垂连结的线的后方。单独具有头皮上中央部、C或T的名称的电极可以包含于前方部或后方部的任一方或两方。在一个优选的实施方式中，除了放置在将耳垂连结的线上的单独具有头皮上中央部、C或T的名称的电极之外，但是，在中部的电极与前方部的电极相比相对地处于后方或者与后方部的电极相比相对地处于前方的情况下，能够为了提取相关特征量而使用，但是没有限定于此。
在一个优选的实施方式中，本公开中使用的相关包括头部前方部的电极与头部后方部的电极之间的相关。在另一优选的实施方式中，本公开中使用的相关包括额叶部的电极与顶叶部的电极之间的相关。
在一个具体的实施方式中，本公开中使用的相关中利用的脑电波特征量包括额极Fp1、额极Fp2、额叶部F3、额叶部F4、额颞叶部F7、额颞叶部F8、及正中额叶部Fz以及相邻的部位等额叶部中的特征量的至少一个，并且，包括正中顶叶部Pz、顶叶部P3及顶叶部P4等顶叶部中的特征量的至少一个。在一个具体的实施方式中，利用的电极包括额极Fp1、额极Fp2、额叶部F3、额叶部F4中的至少一个和顶叶部电极Pz中的电极，但是没有限定于此。
在一实施方式中，可利用“前方-后方信号相关”，其中，将从连结左右的耳垂的线向前方部设置的脑电波记录用电极作为前方部的电极来使用，并将从连结左右的耳垂的线向后方部设置的脑电波记录用电极作为后方部的电极来使用。作为这样的“前方-后方信号相关”的一实施方式，使用包括“额叶部中的电极”和“顶叶部中的电极”的电极。“顶叶部”包含于“后方部”，“后方”中除了包含顶叶部之外，也包含中心部及枕叶部，但也可以仅设为顶叶部和枕叶部。或者，中侧头部、后侧头部也可纳入后方部。
在一实施方式中，所述脑电波特征量包括从由电位(平均振幅等)、复杂性指标及频率功率构成的组中选择的至少一个。在优选的实施方式中，作为脑电波特征量，包含电位。在该情况下，脑电波特征量相关也称为电位相关。
在一实施方式中，本公开中使用的平均振幅依赖于刺激呈现时间、疼痛持续时间，但也可以如实施例那样为刺激呈现后15秒钟的振幅绝对值的平均值。在使用7个电极作为电极的情况下，各等级的每个刺激存在7个振幅绝对值的平均。
在一实施方式中，所述频率功率包括Fp1、Fp2、F3、F4、C3、C4及Pz中的δ、θ、α、β及γ这5个带域中的至少一个。
在一实施方式中，本公开的方法包括使用所述脑电波特征量，通过机械学习来生成判定模型的步骤。所使用的机械学习可以使用在该领域中利用的任意的算法。此时，可以通过上述的系统100将脑电波特征量放大，通过使用了放大后的脑电波特征量的机械学习来生成判定模型。
例如，使用了机械学习的判别模型的制作可以通过以下方法来提供，该方法包括：a)从该对象得到脑电波数据或其分析数据的步骤；b)在该脑电波数据或其分析数据中将特征量关于该疼痛进行归约的步骤；c)从该归约后的各特征量或其组合的加权系数(包括近似系数：例如，回归系数)的分级的上位，通过机械学习和交叉验证来进行判别分析的步骤；d)决定达成规定精度的模型的步骤。
(医疗装置、系统、程序)
在一个方面中，本公开提供一种对对象所经历的疼痛进行评价或判定的装置，该装置具备：A)包含用于取得脑电波信号的至少一个电极的头具；B)基础单元。在此，该基础单元算出包含从由脑电波特征量相关及/或脑电波的复杂性指标构成的组中选择的至少一个的参数，生成将该参数与该对象的疼痛等级建立相关的判别模型，通过将该对象的该参数应用于该判别模型而算出该对象的疼痛等级并进行显示。
本说明书中使用的头具只要是能够穿戴于头部并能测定脑电波即可，可以为任意的结构。例如，可以举出电极以无线类型附着于头盔那样的形状的物体上的设备等，但是没有限定于此。而且，基础单元只要能够实现上述功能即可，可以为任意的结构，可以使用通常的医疗设备、设备中使用的任意的形状。例如，基础单元可以包含从头具接收脑电波信号并进行解析、判别、显示的部分。
在一个方面中，本公开提供一种使装置执行对对象所经历的疼痛进行评价或判定的工序的计算机程序，该工序中：算出包含从由脑电波的脑电波特征量相关及/或脑电波的复杂性指标构成的组中选择的至少一个的参数，生成将该参数与该对象的疼痛等级建立相关的判别模型，通过将该对象的该参数应用于该判别模型而算出该对象的疼痛等级并进行显示。
在另一方面中，本公开提供一种保存有计算机程序的记录介质，该计算机程序使装置执行对对象所经历的疼痛进行评价或判定的工序，该工序中：算出包含从由脑电波的脑电波特征量相关及/或脑电波的复杂性指标构成的组中选择的至少一个的参数，生成将该参数与该对象的疼痛等级建立相关的判别模型，通过将该对象的该参数应用于该判别模型而算出该对象的疼痛等级并进行显示。
在又一方面中，本公开提供一种对对象所经历的疼痛进行评价或判定的方法，该方法包括：算出包含从由脑电波的脑电波特征量相关及/或脑电波的复杂性指标构成的组中选择的至少一个的参数的步骤；生成将该参数与该对象的疼痛等级建立相关的判别模型的步骤；通过将该对象的该参数应用于该判别模型而算出该对象的疼痛等级的步骤并进行显示。
可知在本公开的装置、程序、记录介质及方法中利用的脑电波特征量相关及脑电波的复杂性指标都可以采用(脑电波特征量相关)及(复杂性指标)章节中记载的任意的实施方式。
以下，关于使用脑电波特征量相关或复杂性指标所进行的疼痛的判别，说明各步骤。
以下，使用方案图，对使用了脑电波特征量相关或复杂性指标的判别分析法进行说明(图20)。
a)首先，进行脑电波数据或其分析数据等特征量、或者脑电波特征量相关或复杂性指标的判别特性的数量化(S30010)。即，在此，按每个人，使用二值变化图案“0、1”的Sigmoid函数对特征量、或者脑电波特征量相关或复杂性指标进行拟合，算出模型近似指数(例如，R2值)。该步骤可以说是将特征量、或者脑电波特征量相关或复杂性指标关于该疼痛进行归约的步骤。在以利用独立的特征量、或者脑电波特征量相关或复杂性指标进行判别推定为目的的情况下，可以作为在利用拟合得到的模型曲线中设定阈值或判定指数的步骤来利用。即，可以通过阈值电位等的数值来设定阈值并将其作为判定指数。详细而言，使用特征量、或者脑电波特征量相关或复杂性指标，为了配合条件参数进行2个、3个或4个以上分类而制作判别/推定模型，但是作为一个方法，制作绘制图，向Sigmoid函数图案或阶跃函数等适当的拟合函数进行代入(拟合)。关于代入，可以使用该领域中公知的任意的方法来进行。作为这样的具体的拟合函数，除了上述之外，可以举出玻耳兹曼函数、双重玻耳兹曼函数、希尔(Hill)函数、逻辑剂量反应、SigmoidRichard函数、SigmoidWeibull函数等，但是没有限定于此。其中，标准逻辑函数称为Sigmoid函数，标准函数或其变形为普通的情形，因此优选。本公开的样本放大可以在任意步骤中进行，可以在得到了脑电波特征量之后进行样本放大，也可以在进行归约等其他的处理之后进行样本放大。
在根据需要向该Sigmoid函数图案等适宜的函数图案代入的回归系数为规定以上的情况下，可以基于该Sigmoid曲线等，设定疼痛的判定用的阈值。在此，在Sigmoid曲线的情况下，可以基于拐点来生成，但是没有限定于此。根据需要，可以是以疼痛的等级的分类成为最大限度的方式校正(校准)疼痛分类值。
b)接下来，进行脑电波特征量相关或复杂性指标等特征量的分级(S30020)。在此，可以使用加权系数，作为加权系数，可以利用各参数的R2值的平均值等。当运算结束时，进行脑电波特征量相关或复杂性指标等特征量的分级。
接下来，c)进行从上位开始顺次包含脑电波特征量相关或复杂性指标等特征量的分层级判别分析(S30030)。例如，可以例示，从上位特征量起顺次向支持向量机等机械学习模型投入，并通过留一或十折等的分割交叉验证来研究所有样本的判别精度等。b)及c)相当于以下步骤，即，从归约后的各特征量或其组合的加权系数的分级的上位起进行投入，并通过机械学习和交叉验证来进行判别分析的步骤。
d)接下来，进行判别模型的决定(S30040)。这相当于决定达成规定精度的模型的步骤。例如，可以决定精度最高的模型，如果是相同精度则决定特征量最少的“经济的判别模型”。但是，只要达成规定精度(例如，70％的判别精度)即可，可以进行挑选任意的模型等的设定。在本公开中，步骤c)和步骤d)可以在模型生成部中进行。在设想使用已有的数据库而模型预先决定了的情况下，也可以在实际的监控时使疼痛数据进入该模型并进行判别推定。黑箭头是设想了实际的监控的流程。
另外，在不同的最佳的模型选择过程中，也可以存在进行脑电波特征量相关或复杂性指标等特征量的再分级的方法(参照图21)。在该情况下，在S30040的判别模型决定后，向S30020的特征量分类回归，根据n-1特征量数模型(n≥2)与n特征量数模型的判别精度的差分值对特征量进行再分级，从S30030的上位特征量开始一个个地进行模型投入，并对判别精度进行再计算。然后，经过第二次的S30040的模型决定过程，决定判别模型。若通过图21的符号来对它们进行说明的话，则如以下那样。即，在判别模型决定后，向S30060的特征量分类回归，根据n-1特征量数模型(n≥2)与n特征量数模型的判别精度的差分值对特征量进行再分级(S730070-1)，从S30070-2的上位特征量开始一个个地进行模型投入，并对判别精度进行再计算。然后，经过S30080的模型决定过程，决定判别模型。
特征量既可以是根据某些刺激(例如，冷热刺激、电刺激等)等而得到的特征量，也可以是在自然环境下得到的特征量，还可以利用各种脑电波数据、脑活动数据、脑活动量、振幅数据(EEG振幅)、频率特性等，在本公开中，发现了脑电波特征量相关或复杂性指标等优先的情况。这样的脑电波数据可以使用该领域中周知的任意的方法来取得。脑电波数据可以通过测定脑电波的电信号来得到，作为振幅数据等，用电位(可以用μV等表示)来表示。频率特性可由功率谱密度等表示(也称为频率功率等)。而且，也能够算出复杂性指标。关于脑电波数据，可以在进行了滤波处理、眼球运动补正、伪影去除等基本的信号处理之后，与条件参数建立关联而提取对应部分的信号，并制作脑电波特征量。这其中包括平均值(算术平均、几何平均)、其他的代表值(中位数、众数)、熵、频率功率、小波、或者平均、以及单一试行的事件关联电位的成分等。而且，脑电波特征量的相关可以根据该脑电波特征量来算出。
在优选的实施方式中，为了实施本公开，脑电波数据优选用1)通过解析所需的数目的电极数、2)极力避开存在毛发的头皮、3)即使在睡着的的状态下也能够记录那样的简便的方法来实施。例如，例示使用24个电极数的情况，但是没有限定于此，可以是12～24个，或者可以是24～36个等，可以是6～12个等，也可以是比之少的数目(例如，3个、4个、5个等)。在利用脑电波特征量相关的情况下，可以使用在本说明书中记载的任意的优选位置的脑电波特征量相关。
作为归约的例子，除了Sigmoid函数拟合之外，也可以使用调制为阶梯的阶跃函数、连续地进行阶段变化的一次函数等。
作为加权系数，除了回归系数之外，可以使用R2值、相关系数、残差平方和(判别函数与特征量之差)等。然而，在疼痛的判别中，能够尽可能高精度地对个人是否感觉到疼痛或压力进行区分是重要的，要求与统计学上的有意差的检测不同的有效性，而且，也可以以此为目的。
在一实施方式中，关于本公开中使用的用于得到脑电波特征量相关或复杂性指标的脑电波数据或其分析数据，作为数据记录位置，可以包括作为电极位置的、遵照国际10-20基准或者其扩张基准的F3、F4、C3、C4、P3、P4等从额叶部至顶叶部、进而至枕叶部的头皮上位置，或者，也可以网罗以特定的均一的距离(例.2.5cm等)隔开的位置，记录以及解析的时间带在短时间的事件关联电位活动的情况下，可以为0-100、100-200、200-300、300-400、400-500、500-600、600-700、700-800毫秒(ms)，或者，也可以为更精细的时间划分(10毫秒等)或更长的时间带(有时达到几秒钟)。
在又一实施方式中，可使用的脑电波特征量相关或复杂性指标等特征量包括从由Fp1、Fp2、Fpz、F3、F4、Fz、C3、C4、Cz、P3、P4及Pz构成的组中选择的至少一个电极的特征量，例如，包括平均振幅Fz、C3及C4、以及频率Fz(δ)、Fz(β)、Cz(δ)、C3(θ)及C4(β)。可以包括Cz(振幅)、C3(α)、Cz(β)、Fz(δ)、Cz(γ)，在优选的实施方式中，可以利用本说明书中在(复杂性指标)及(脑电波特征量相关)的章节所记载的任意的特征量。
图24记载本公开的装置(带有特征量归约过程的判别装置)的示意图(301000～308000)(需要说明的是，应留意该结构图的几个是任意的结构部分，可省略)。在本示意图中，也适当地一并记载各步骤(S30100～S30600)。在该装置中，可以进行本公开的样本放大，该功能可以在已有的特征量归约部搭载样本放大的功能，也可以另行设定未图示的另外的模块(样本放大部)并在该模块进行样本放大。
如图24所示，该装置由特征量归约部301000、特征量提取部302000、疼痛判别/推定模型生成部303000、疼痛判别/推定部(可以包括模型修正过程)304000、参照刺激呈现部305000、脑电波数据测定部305200、疼痛等级可视化部307000构成，对象用306000来确定。需要说明的是，可以任意地搭载数据保存部307500。
在该带归约过程的判别中，进行疼痛判别/推定阶段数(两个阶段、三个阶段等)的决定(S30100)，并进行判别函数的生成(例示两项分类中的Sigmoid函数等，S30200)。特征量通过以下方式得到，即，从参照刺激呈现部305000根据S30100中决定的判别阶段对对象306000赋予参照刺激(电刺激等)，并进行与疼痛阶段关联的特征量的收集(S30300)，在进行归约之后(S30400)，得到特征量。需要说明的是，收集到的特征量通过S30200中生成的判别函数来近似，并根据得到的近似系数(回归系数等)的大小来分级。从上位的特征开始顺次使用，由疼痛判别/推定部304000进行参照刺激的疼痛等级的判别推定，将具有判别精度最高的特征量数的判别模型在疼痛监控用中使用。这是特征量的归约过程S30400的一方式。需要说明的是，关于归约过程(空心箭头)以及实际的疼痛监控过程(黑箭头)中使用的疼痛判别/推定部上搭载的判别模型(算法)，由疼痛判别/推定模型生成部303000制作，并搭载于疼痛判别/推定部304000。特征量归约部301000中的上述前处理结束后，用包含脑电波仪等的脑电波数据测定部305200从对象306000收集实际的疼痛关联的脑电波数据(S30500)。将其向特征量提取部302000传送，转换成在振幅、频率等的归约过程中所选定的特征量(例如，可以是特定电极的复杂性指标及脑电波特征量相关等)。提取出的参数从特征量提取部302000被取入疼痛判别/推定部304000(可以包括模型修正过程)，决定疼痛等级(S30600)。决定结果在疼痛等级可视化部307000中用变化趋势或数值(例如，1～100)来表示。
在S30100的疼痛判别/推定阶段的决定中，决定进行判别推定的等级数(例如，两个阶段、三个阶段等)。
在S30200的判别函数的生成中，制作根据S30100的判别等级数而使用的判别函数(两项分类中的Sigmoid函数、阶跃函数等)。
在S30300的与疼痛阶段关联的特征量的收集中，对应于通过S30100决定的等级数将参照刺激(电刺激等)从参照刺激呈现部305000向对象306000呈现多个，收集复杂性指标及脑电波特征量相关等的关联的特征量。
在S30400的特征量的归约中，将S30300中得到的特征量通过判别函数来近似，对近似指数(例如，R2值等)高的特征量进行分级，从上位的特征开始顺次地向疼痛判别/推定部304000投入，对参照刺激的等级进行判别推定。其中，将具有判别精度最高的特征量数的模型使用于实际的疼痛判别/推定。
在S30500的疼痛关联的脑电波数据收集中，在特征量归约部301000中的归约处理结束后，收集成为疼痛监控的对象的、实际的与疼痛关联的脑电波数据。该步骤是真实的疼痛监控过程的数据收集。
在S30600的疼痛等级决定中，在利用特征量提取部302000对S30500中得到的实际的疼痛关联数据进行加工而得到了特征量组之后，利用疼痛判别/推定部304000进行判别推定，根据推定值将疼痛等级进行数值化，决定疼痛等级，并利用疼痛等级可视化部307000进行可视化。
为了能够通过脑电波数据测定部305200得到与从参照刺激呈现部305000向对象(306000)发出的刺激同步的脑电波数据，而构成为，具备连结于对象(306000)或者能够进一步连结于对象的脑电波仪，或者连结于脑电波仪。这是装置308000的概要。
装置308000可以具备脑电波测定部，该脑电波测定部具备电波记录传感器，根据需要还在内部具备脑电波放大部或在外部连接脑电波放大部，利用装置308000进行疼痛关联的脑电波的信号处理及疼痛判别/推定。脑电波放大部可以将脑电波的信号强度放大，也可以对脑电波进行上述的样本放大的处理。
在装置308000中，通过特征量提取部302000对收集到的脑电波信号进行处理，提取脑电波特征量。在提取时，选定在特征量归约部301000中预先被归约的特征量。而且，(根据需要)利用疼痛等级可视化部307000将疼痛进行可视化。而且，在内部或外部具备参照刺激呈现部305000，该刺激呈现部305000为了归约对对象306000的疼痛监控有效的特征量，根据S30100中决定的疼痛等级，将电刺激等参照刺激呈现多次。利用脑电波数据测定部305200记录与之关联的脑电波数据通过，利用特征量提取部302000得到关联的脑电波特征量，利用疼痛判别/推定部304000根据该特征量对参照刺激的疼痛等级进行判别推定，根据其结果进行特征量的归约S30400。而且，参照刺激呈现部305000为了判别器制作和实际的未知的疼痛等级的判别，还会传送疼痛刺激信息(刺激类型、环境信息等)。参照刺激呈现部305000除了参照刺激呈现部305000之外，还可以根据需要具备刺激信息可视化部，以显示刺激、环境所涉及的图像、数字等信息。而且，装置308000可以在装置308000的外部或内部具备生成判别器或判定值的疼痛判别/推定部304000。
这样，装置308000具备脑电波数据测定部305200、疼痛判别/推定部304000，根据需要还具备参照刺激呈现部305000。装置308000例如由具备处理器及存储器的计算机来实现。在该情况下，装置308000在通过处理器执行了保存于存储器的程序时，根据需要使处理器作为特征量归约部301000、特征量提取部302000、疼痛判别/推定模型生成部303000、疼痛判别/推定部304000等发挥功能。根据需要也进行刺激、环境信息的可视化。而且，本公开的装置308000例如可以由专用电子电路实现。专用电子电路可以是一个集成电路，也可以是多个电子电路。脑电波数据取得部及舒适与否判定值生成部可以采取与该舒适与否判定装置同样的结构。
特征量提取部302000可以经由脑电波仪(包含于脑电波数据测定部305200)通过进行多次的脑电波测定而从推定对象取得多个脑电波数据。对象是指由于刺激、环境而脑电波产生变化的生物体，不必限定为人。
疼痛判别/推定部304000使用判定值对不适度进行判别/推定。当判别器或判定值不在外部或内部预先生成的情况下，也进行生成。生成判别器或判定值的部分可以作为疼痛判别/推定部304000设置在装置308000的外部或内部。疼痛判别/推定使用的判别值是用于根据多个脑电波数据的振幅，对不适度进行推定或分类的值。即，疼痛判别/推定部304000或疼痛判别/推定模型生成部303000能够生成用于根据脑电波数据对对象的不适度进行推定或分类的判定值。
脑电波数据测定部305200包含的脑电波记录传感器通过头皮上的电极对在推定对象的脑内产生的电活动进行计测。接着，脑电波记录传感器输出作为计测结果的脑电波数据。根据需要脑电波数据可以放大。
(其他的实施方式)
以上，关于本公开的一个或多个形态的判别方法、程序、装置，基于实施方式进行了说明，但是本公开没有限定为该实施方式。只要不脱离本公开的主旨，将本领域技术人员想到的各种变形施加于本实施方式而得到的方式、将不同的实施方式中的构成要素组合而构筑的方式也可以包含于本公开的一个或多个方案的范围内。
例如，在上述各实施方式中，作为脑电波数据的振幅值，可使用峰-峰值，但是没有限定于此。例如，作为振幅值，可以使用单一的峰值。
需要说明的是，在上述实施方式中，以与脑电波振幅等特征量或其组合的上限值Amax对应的不适度的大小的值Pmax成为1且与特征量或其组合的下限值Amin对应的疼痛的大小的值Pmin成为0的方式设定不适度的大小的值的范围，但是没有限定于此。例如，可以通过0～100表示疼痛的大小。在该情况下，疼痛判别/推定部304000在将疼痛的大小的值Px利用疼痛等级可视化部307000表示的情况下，通过以下的式子来推定疼痛的大小的值Px。
Px＝Pmax×(Ax-Amin)/(Amax-Amin)
另外，在上述中，作为通过多个脑电波数据进行分析而生成舒适与否判定值的生成例，说明了包含Sigmoid拟合的曲线拟合(curve fitting)，但是没有限定于此。而且，脑电波振幅的上限值可以使用预先确定的值。例如，预先确定的值(绝对值)为例如50μV～100μV，只要实验性或经验性地确定即可。这样在通常的解析中，作为伪影去除方法，排除±50μV～100μV左右的数据，但是这样的伪影去除根据需要也可以在本公开中实施。
另外，参照刺激呈现部305000(参照图24)对对象306000赋予的刺激只要是对象306000感觉到的不适度的大小会根据刺激类型、呈现环境而变化的刺激即可，可以赋予任意种类的刺激。
另外，上述各实施方式中的本公开的装置具备的构成要素的一部分或全部可以由一个系统LSI(Large Scale Integration：大规模集成电路)构成。例如图24所示，装置308000除了包括特征量归约部301000、疼痛判别/推定模型生成部303000、疼痛判别/推定部304000、疼痛等级可视化部307000之外，也可以包括具有特征量提取部302000和参照刺激呈现部305000的系统LSI。
系统LSI是将多个结构部集成在一个芯片上而制造的超多功能LSI，具体而言，是包含微处理器、ROM(Read Only Memory)、RAM(Random Access Memory)等而构成的计算机系统。在ROM存储有计算机程序。所述微处理器按照计算机程序进行动作，由此系统LSI达成其功能。
需要说明的是，在此设为系统LSI，但是根据集成度的差异，有时也称为IC、LSI、超级LSI、大规模LSI。而且，集成电路化的方法并不局限于LSI，可以由专用电路或通用处理器实现。在LSI制造后，可以利用能够编程的FPGA(Field Programmable Gate Array)或者能够再配置LSI内部的电路单体的连接、设定的可重构处理器。
此外，如果由于半导体技术的进展或派生的其他技术而出现了置换为LSI的集成电路化的技术，则当然可以使用该技术进行功能块的集成化。生物技术的应用等也存在可能性。
另外，本公开的一个方案不仅可以是这样的疼痛判别/推定模型生成、持续痛判别/推定部，而且可以是将疼痛判别/推定装置包含的特征性的结构部设为步骤的疼痛分类值生成、疼痛判别/分类方法。而且，本公开的一个方案可以是使计算机执行特征量归约、特征量提取、疼痛判别/推定模型生成、疼痛判别/推定包含的特征性的各步骤的计算机程序。而且，本公开的一个方案可以是记录有这样的计算机程序的计算机能够读取的非易失性的记录介质。
在本说明书记载的各实施方式中，生成用于判别对象的疼痛的模型的情况例如通过以下的方法进行。即，该方法包括：
a)通过对多个受验者进行疼痛试验而取得多个COVAS数据的步骤；
b)通过对该多个COVAS数据进行平均而制作COVAS模板的步骤；
c)通过对该对象进行该疼痛试验而从该对象得到脑电波数据或其分析数据的步骤；
d)基于该COVAS模板，剪切该脑电波数据或其分析数据的步骤；
e)以该剪切的脑电波数据或其分析数据为学习用数据，以与该剪切的脑电波数据或其分析数据对应的COVAS模板的值为标签进行学习，由此制作模型的步骤。
在该方法中，其特征在于，对与对象不同的多个受验者预先进行疼痛试验，将从该疼痛试验得到的多个COVAS数据进行平均，由此制作COVAS模板。
疼痛试验是赋予任意的疼痛的试验，疼痛遵照规定的分布图对多个受验者赋予。疼痛例如可以为电刺激，也可以为热刺激。疼痛例如可以是从弱刺激呈阶梯状地上升至强刺激的强度的刺激，可以是从强刺激呈阶梯状地下降至弱刺激的强度的刺激，可以是它们的组合，也可以是在弱刺激与强刺激之间上下的强度的刺激。
COVAS(计算机化后的可视化模拟评分法)数据表示对多个受验者进行了疼痛试验时的多个受验者对疼痛的主观评价。COVAS数据将对疼痛试验中的各疼痛的各个主观评价建立关联。COVAS数据具有疼痛试验的时间量的长度。
多个受验者可以优选为对于疼痛的健全人。由此，通过取多个受验者的COVAS数据的平均，从而COVAS模板表示健全人的对疼痛的主观评价。
此外，在该方法中，其特征在于，基于预先制作的COVAS模板，将通过对判别疼痛的对象进行疼痛试验而得到的脑电波数据或其分析数据剪切。在此，在疼痛试验中，按照与为了制作COVAS模板而进行的疼痛试验相同的分布图对对象赋予疼痛。
在将脑电波数据或其分析数据基于预先制作的COVAS模板剪切时，优选的是，使疼痛刺激的开始定时在COVAS模板与脑电波数据或其分析数据中匹配后，将脑电波数据或其分析数据剪切。由此，能够将COVAS模板作为标签与剪切的脑电波数据或其分析数据建立对应。即，经由COVAS模板的主观评价能够判别脑电波数据或其分析数据由何种疼痛引起。关于通过COVAS模板而添附了标签的脑电波数据或其分析数据，可以在用于制作用于对疼痛进行判别的模型的学习中使用。
使疼痛刺激的开始定时匹配的情况可以通过例如使脑电波数据或其分析数据包含的表示疼痛刺激的开始定时的触发与COVAS模板包含的表示疼痛刺激的开始定时的触发一致来达成。
此外，在该方法中，其特征在于，以剪切的脑电波数据或其分析数据为学习用数据，以与剪切的脑电波数据或其分析数据对应的COVAS模板的值为标签进行学习，由此制作模型。
学习中使用的方法为任意的方法。学习中使用的方法例如为LSTM(Long short-term memory)。例如，在LSTM的输入中使用被剪切的脑电波数据或其分析数据，在该标签(示教输出)中使用COVAS模板的值，由此进行学习。
在进行学习的步骤中，可以进行将上述的机械学习中使用的示教数据放大的处理。由此，能够在保持多个示教数据(被剪切的脑电波数据或其分析数据)的特征量的关系性的状态下使样本数增加。
在将被剪切的脑电波数据或其分析数据放大之前，优选的是，将COVAS模板排序，对应于此，将与COVAS模板建立对应的、被剪切的脑电波数据或其分析数据也预先排序，并将与COVAS模板的值接近的脑电波数据或其分析数据汇总(例如，5个样本单位)来进行放大。由此，能够对被放大后的样本定义适当的标签。
排序可以按照任意的顺序进行。例如，既可以是COVAS模板的值从低向高升顺地排序，也可以是COVAS模板的值从高向低降顺地排序。
(疼痛分类值生成)
在一个方面中，本公开提供一种生成基于推定对象的脑电波而对该推定对象具有的疼痛进行分类的疼痛分类值的方法。该方法包括：a)以多个等级的刺激强度对该推定对象进行刺激的步骤；b)取得与该刺激强度对应的该推定对象的脑电波数据(也称为脑活动数据、脑活动量等。例如，脑电波的振幅数据(“EEG振幅”)、频率特性等)的步骤；c)将该推定对象的脑电波数据或其分析数据放大的步骤，该步骤包括i)根据该推定对象的脑电波数据或其分析数据导出协方差矩阵的步骤、ii)对该协方差矩阵进行分解的步骤、iii)对该分解后的矩阵应用随机数的步骤；d)将该刺激强度或与该刺激强度对应的主观的疼痛感觉等级、以及该脑电波数据进行绘制，并代入(拟合)于对调制范围进行了线性近似的一次函数或将其包含在内的更包括性的Sigmoid函数图案等疼痛函数，从而得到对该推定对象特异的疼痛函数的步骤；e)在向所述特异的疼痛函数的拟合的回归系数为规定以上的情况下，基于该特异的疼痛函数，确定用于将疼痛等级分为至少两个以上(也可以为强中弱等)的疼痛分类值的步骤。
或者，本公开提供一种生成基于推定对象的脑电波而对该推定对象具有的疼痛进行分类的疼痛分类值的装置。该装置包括：A)以多个等级的刺激强度对该推定对象进行刺激的刺激部；B)取得与该刺激强度对应的该推定对象的脑电波数据(例如，振幅数据)的脑电波数据取得部；C)将所述推定对象的脑电波数据或其分析数据放大的放大部，所述放大部构成为进行i)根据所述推定对象的脑电波数据或其分析数据导出协方差矩阵的步骤、ii)对所述协方差矩阵进行分解的步骤、iii)对所述分解后的矩阵应用随机数的步骤；D)将该刺激强度或与该刺激强度对应的主观的疼痛感觉等级和该脑电波数据进行绘制，并拟合于对调制范围进行了线性近似的一次函数或将其包含在内的更包括性的Sigmoid函数图案等疼痛函数，从而得到对该推定对象特异的疼痛函数，基于该特异的疼痛函数，确定用于将疼痛等级分为至少两个以上的疼痛分类值的疼痛分类值生成部。代表性地，在A)刺激部实施步骤a)，在B)脑电波数据取得部实施步骤b)，在C)放大部参照图3～5进行上述的处理，在D)疼痛分类值生成部实施步骤c)及步骤d)。
在本公开中，通过对疼痛进行“分类”而能够进行“推定”或“判别”。可以理解的是，通过进行“疼痛分类”，能够得到以下效果：当强/弱可知时，能够以避免赋予强刺激的方式实施手术，或者客观地了解镇痛剂等的治疗效果。根据“弱刺激”能够推定“强刺激”，关于“是否感觉到不弱的疼痛”，如果能够确定与弱疼痛相关的脑活动特征量的变动范围，则能够推定为“脱离出的特征量的出现频度的增大＝疼痛增强”。在实际的场景下，由于没有患者对何种程度的疼痛感觉到强的标签，因此优选从弱的疼痛至拐点的中等程度为止来呈现参照刺激，以确定脑活动的变化图案。基于此，能够根据患者的脑活动来推定疼痛，并判别疼痛的状态。如果“弱疼痛所涉及的脑活动特征量的变动范围”可知，则当从该范围脱离的频度上升时，可以推测为“感觉到不弱的疼痛”。
使用以下方案图来说明疼痛分类值生成的方法(图25)。
在作为步骤a)的、以多个等级的刺激强度对该推定对象进行刺激的步骤(S100)中，以多个等级(强度或大小)的刺激(例如，冷热刺激、电刺激等)来刺激推定对象。刺激强度的种类的数目是向疼痛函数的拟合所需的数目，例如，通常需要至少3个种类。即使是1个种类或2个种类，通过与之前获得的信息组合，有时也能够进行向疼痛函数的拟合，因此未必需要该种类数。另一方面，在新进行拟合的情况下，通常以至少3个种类，优选以4个种类、5个种类、6个种类或更多的种类的等级的刺激进行刺激是有利的。在此，由于应极力减少对推定对象的负担，因此刺激强度对于该推定对象的侵袭性高(换言之，受验者无法忍受的强度)的数目优选为最低限度或0。另一方面，为了更准确的拟合而需要对于推定对象的侵袭性高的刺激，因此可以根据目的来放入最低限度的数目。例如，这样的侵袭性高的等级的种类的数目可以为至少1个种类、至少2个种类或至少3个种类，在推定对象容许的情况下，可以为4个种类以上。
步骤b)是取得与该刺激强度对应的该推定对象的脑电波数据(也称为脑活动数据、脑活动量等。例如，振幅数据(包括“EEG振幅”)、频率特性等)的步骤(S200)，这样的脑电波数据可以使用该领域周知的任意的方法来取得。脑电波数据能够通过测定脑电波的电信号得到，作为振幅数据等用电位(可以用μV等表示)来表示。频率特性用功率谱密度等来表示。
在优选的实施方式中，为了实施本公开，脑电波数据优选用1)通过尽可能少的电极(2个左右)、2)极力避开存在毛发的头皮、3)即使在睡着的状态下也能够记录那样的简便的方法来实施，但是根据需要电极的数目可以增加(例如，可以为3个、4个、5个等)。
步骤c)是如下步骤：将该刺激强度和该放大的脑电波数据进行绘制，并向疼痛函数(一次函数或Sigmoid曲线)适用(拟合)，而得到对该推定对象特异的疼痛函数的步骤(S300)。在该步骤中，使用利用放大部将步骤a)中使用的刺激强度、及步骤b)中得到的脑电波数据放大后的数据来制作绘制图，并向疼痛函数适用(拟合)。向疼痛函数的代入(拟合)可以使用该领域公知的任意的方法进行。作为这样的具体的拟合函数，除了一次函数之外，可以举出玻耳兹曼函数、双重玻耳兹曼函数、Hill函数、逻辑剂量反应、SigmoidRichard函数、SigmoidWeibull函数等，但是没有限定于此。它们之中，标准逻辑函数称为Sigmoid函数，标准函数或变形普通，因此优选。
步骤d)是根据需要在向该疼痛函数的代入的回归系数为规定以上的情况下，基于该疼痛函数，确定用于将疼痛等级分为至少两个以上(或者，将疼痛等级在量上/质上分为两个或三个阶段以上)的疼痛分类值的步骤(S400)。疼痛分类值的确定能够基于疼痛函数的拐点(中位数等)来确定，但是没有限定于此。根据需要，也可以以疼痛等级的分类成为最大限度的方式对疼痛分类值进行校正(进行校准)。例如，疼痛分类值可以将与疼痛函数的拐点对应的脑电波数据暂定地确定为疼痛分类值。对原本的脑电波数据和与之对应的刺激强度或与该刺激强度对应的对象的主观的疼痛感觉等级实际地进行评价，以偏离值减少的方式，优选以成为最小限度的方式校正该疼痛分类值。这样的疼痛分类值能够应用于疼痛等级的算出或分类，能够利用于治疗的效果的判定。
在同一受验者成为对象者的情况下，可以包括使用以前的分类值数据，对分类值进行继承或更新那样的步骤。
在本公开的疼痛分类值生成用的装置中，A)以多个等级的刺激强度对该推定对象进行刺激的刺激部，构成为实施步骤a)。即，具有能够提供多个种类的刺激强度的机构或功能。并且，构成为能够将这样的刺激向对象施加。
在B)取得与该刺激强度对应的该推定对象的脑电波数据(例如，振幅数据)或其分析数据的脑电波数据取得部中，构成为取得推定对象的脑电波数据或其分析数据。脑电波数据取得部除了实施步骤b)之外，也可以具有其他的功能(例如，分类装置中的步骤e))。
C)将该刺激强度或与该刺激强度对应的主观的疼痛感觉等级、以及由放大部放大后的脑电波数据进行绘制，并代入对调制范围进行了线性近似的一次函数或将其包含在内的更包括性的Sigmoid函数图案等疼痛函数，从而得到对该推定对象特异的疼痛函数，基于该特异的疼痛函数，确定用于将疼痛等级分为至少两个以上的疼痛分类值的疼痛分类值生成部，在C)该疼痛分类值生成部中，可以具有进行算出的特异的疼痛函数的拟合及疼痛分类值的生成的功能。通常，在C)疼痛分类值生成部中，实施步骤c)及步骤d)。这两个功能可以由不同的装置、设备、CPU或终端等实现，也可以作为一个部分实现。通常，在一个CPU或计算装置中，构成为装入了或可装入实现上述计算的程序。
在图26中记载本公开的装置的示意图。其中，该实施方式是疼痛分类值测定装置，因此涉及1000～3000。刺激部1000对应于A)，其将刺激的值向脑电波数据取得部2000及疼痛分类值生成部3000联络。在脑电波数据取得部2000中，为了根据从参照刺激部向对象(1500)发出的刺激而得到脑电波数据或其分析数据，具备连结于或可连结于对象(1500)的脑电波仪或连结于脑电波仪(2500)。样本放大可以对通过脑电波数据取得部得到的数据应用。样本放大可以在脑电波仪2500中应用，或者可以在疼痛分类值生成部3000、疼痛分类部4000等另外的结构部中应用，或者可以独立设置样本放大部(在图中未示出)。
图27是表示一实施方式的疼痛推定或疼痛分类或者疼痛分类值生成系统5100的功能结构的框图(需要说明的是，应留意该结构图的几个是任意的结构部分，可省略)。系统5100具备脑电波测定部5200，该脑电波测定部具备电波记录传感器5250，根据需要还在内部具备具备脑电波放大部5270或在外部连接脑脑电波放大部5270，利用疼痛判别/推定装置部5300进行疼痛的信号处理及判别/推定。在疼痛判别/推定装置部5300中，利用脑电波信号处理部5400对脑电波信号进行处理，(在必要的情况下，通过脑电波特征量提取部5500提取脑电波特征量，)利用疼痛判别/推定部5600对疼痛进行推定/判别，(根据需要)通过疼痛等级可视化部5800对疼痛进行可视化。而且，在内部或外部具备刺激装置部5900，该刺激装置部5900具备参照刺激呈现装置部(端子)5920，有助于患者的疼痛分类器制作。刺激装置部也包括参照刺激产生部5940，根据需要可以具备参照刺激等级可视化部5960。
这样，疼痛分类值生成系统5100具备脑电波测定部5200、疼痛判别/推定装置部推定部5300，根据需要而具备刺激装置部5900(可包含参照刺激部)。疼痛判别/推定装置部5300例如由具备处理器及存储器的计算机实现。在该情况下，疼痛判别/推定装置部推定部5300在通过处理器执行保存于存储器的程序时，使处理器根据需要作为脑电波放大部5270、脑电波信号处理部5400、(根据需要)疼痛判别/推定部5600、(根据需要)疼痛等级可视化部5800等发挥功能。脑电波放大部5270能够将脑电波的信号强度放大。根据需要也进行参照刺激产生及可视化。而且，本公开的系统5100或装置部5300例如可以由专用电子电路实现。专用电子电路可以是一个集成电路，也可以是多个电子电路。脑电波数据取得部及疼痛分类值生成部可以采取与该疼痛推定装置同样的结构。样本放大对通过脑电波测定部200得到的数据可以应用。样本放大可以在脑电波测定部5200(例如，脑电波放大部5270)中应用，或者可以在疼痛判别/推定装置5300内的另外的结构部中应用，或者，可以独立设置样本放大部(在图中未示出)。
脑电波测定部5200经由脑电波仪(脑电波记录传感器5250)通过进行多次的脑电波测定而从推定对象取得多个脑电波数据。推定对象是指由于疼痛而脑电波产生变化的生物体，不必限定为人。
疼痛判别/推定部5600生成疼痛分类值。疼痛分类值是用于根据多个脑电波数据的振幅，对疼痛的大小进行推定或分类的值。即，疼痛判别/推定部5600能够生成用于根据脑电波数据对对象的疼痛进行推定或分类的疼痛分类值。
脑电波记录传感器5250通过头皮上的电极对在推定对象的脑内产生的电活动进行计测。并且，脑电波记录传感器5250输出作为计测结果的脑电波数据。脑电波数据根据需要可以放大。
接下来，说明如以上那样构成的装置的处理或方法。图25是表示一系列处理的流程图。在该方案中，涉及S100～S400。在S400中生成疼痛分类值(也称为疼痛分类器/疼痛预测器)。
通过参照刺激部1000，对对象赋予多个等级(大小)的刺激强度的刺激(S100)。
接下来，取得脑电波数据(振幅数据等脑电波振幅基准数据)(S200)。根据图26来说，由脑电波数据取得部2000进行脑电波数据的取得。根据图27来说，利用脑电波测定部5200经由脑电波仪(脑电波记录传感器5250)通过进行多次的脑电波测定，而从推定对象取得多个脑电波数据，作为脑电波数据(例如，振幅数据)。脑电波测定部5200可以在多个时刻进行脑电波测定。脑电波数据可由上述的系统100放大。
在疼痛分类值生成部3000(参照图26)中，进行疼痛函数拟合(S300)。进行疼痛函数拟合，在根据需要而将回归系数判断为适宜的值的情况下，能够使用该疼痛函数来生成疼痛分类值(疼痛分类器/疼痛预测器)(S400)。在疼痛分类值的生成后，能够根据需要进行校正(校准)。
需要说明的是，在上述各实施方式中，各构成要素可以由专用的硬件构成，或者通过执行与各构成要素相适的软件程序来实现。各构成要素可以通过CPU或处理器等程序执行部将硬盘或半导体存储器等记录介质中记录的软件程序读出并执行实现。在此，实现上述各实施方式的疼痛推定装置等的软件是本说明书中上述的程序。
在本说明书中，“或者”在能够采用文章中举出的事项的“至少一个以上”时使用。“或”也同样。当在本说明书中明确记载为“两个值的范围内”的情况下，该范围也包括两个值自身。
关于在本说明书中引用的科学文献、专利、专利申请等参考文献，它们整体以与分别具体记载的相同程度作为参考而援引于本说明书中。
以上，关于本公开，为了便于理解而示出并说明了优选的实施方式。以下，将基于实施例来说明本公开，但是上述的说明及以下的实施例仅为了例示的目的而提供，并不是以限定本公开的目的而提供。因此，本公开的范围不限定于本说明书具体记载的实施方式和实施例，而仅由技术方案的范围限定。
实施例
以下记载实施例。以下的实施例中使用的对象的处理，在必要的情况下，遵守大阪大学所规定的基准，在关系到临床研究的情况下遵照赫尔辛基宣言及ICH-GCP来进行。
(实施例1：疼痛解析结果的放大＝闭眼样本放大)
在本实施例中，使用闭眼样本，进行了疼痛的解析。此时进行了样本放大。
(方法和材料)
(闭眼样本)
闭眼样本是受验者将眼睛合上时的对刺激的反应数据。在本实施例中，在请受验者合上眼睛的闭眼任务中，取得了“无疼痛”、“有疼痛”、“有噪声无疼痛”、“有噪声有疼痛”这不同的4个级别的反应数据，在此为脑电波数据。“无疼痛”表示没有刺激的安静状态，“有疼痛”表示存在48℃的热刺激时的状态，“有噪声无疼痛”表示紧紧地合上眼睛，拉伸身体，进行朗读等动作时等的噪声进入时的状态，“有噪声有疼痛”表示48℃的热刺激时移动身体之际附随的噪声进入时的状态。请受验者分别体验四个状态，取得了此时的脑电波数据。
实验试行如以下所述。
(1)artifact1：噪声测试(紧紧地合上眼睛、身体的拉伸、朗读)、睁眼
(2)artifact2：噪声测试(紧紧地合上眼睛、身体的拉伸、朗读)、睁眼
(3)artifact_pain1：在疼痛刺激时进行噪声测试(噪声进入的自发的反应)、睁眼
(4)artifact_pain2：在疼痛刺激时进行噪声测试(噪声进入的自发的反应)、睁眼
(5)ref：疼痛刺激、安静、闭眼
(6)main1：疼痛刺激、安静、闭眼
(7)main2：疼痛刺激、安静、闭眼
(8)main3：在疼痛刺激时进行噪声测试、闭眼
(9)2temp：疼痛刺激(中：46℃，大：48℃)、睁眼
(10)2temp_artifact：在疼痛刺激(中：46℃、大：48℃)时进行噪声测试(噪声进入的自发的反应)、睁眼
脑电波使用额叶的6ch，从绝对振幅和6个频带(2-5Hz、5-8Hz、8-14Hz、14-29Hz、31-40Hz、40-49Hz)提取了频率功率作为特征量。
作为前处理，施加了EOG去除和带通滤波。
数据以分为模型制作用和测试用(正式)的方式来进行收集。实验试行的(2)、(4)、(5)为模型制作用，(1)、(3)、(6)～(10)为测试用。将无噪声无疼痛、无噪声有疼痛、有噪声无疼痛、有噪声有疼痛的各个级别的脑电波数据使用8秒的时间窗剪切。通过将时间窗在时间轴方向上错开并进行多次剪切而生成了多个原始样本。
对于多个原始样本，将样本放大法应用于每个人且4个级别的每个级别，使用LSTM(Long short-term memory)制作了适合于个人的模型。
图28是表示4级别LSTM解析的流程的图。图29是表示4级别LSTM解析的解析条件的图。
通过从8秒的时间窗使1秒的序列重叠0.5秒而剪切，从而取得了15个序列。由于原本的特征量为147个，因此整体的特征量成为147×15个。样本放大在特征量提取后且模型的制作前进行。对于离线的时间序列数据，在4级别(“0：无疼痛、1：有疼痛、2：有噪声无疼痛、3：有噪声有疼痛”)及2级别(“0：无疼痛、1：有疼痛”)的softmax函数中输出了结果。在2级别及4级别中，将评价基准(判别精度、拟合率、再现率、F1值)进行了比较。
(离线时间序列数据解析)
离线时间序列数据解析按照以下的观点进行。
(I)判别值(softmax：4级别)
是判别为4个级别中的哪个级别的值。输出值是0：无噪声无疼痛、1：无噪声有疼痛、2：有噪声无疼痛、3：有噪声有疼痛。
将全部结合层的结果向softmax函数输入，将概率最高的级别作为判别值。
(II)判别值(softmax：2级别)
是判别为2个级别中的哪个级别的值。输出值为0：无疼痛、1：有疼痛。
将(1)的4级别的结果转换成2级别。具体而言，将4级别的判别值0、2转换成2级别的判别值0，将4级别的判别值1、3转换成2级别的判别值1。
在本实施例中，将该2级别的判别值与正解标签(热刺激出现时)进行比较而进行了评价(判别精度、拟合率、再现率、F1值)。
热刺激的正解标签存在的情况为以下的8个试行：
(III)artifact_pain1、(4)artifact_pain2、(5)ref、(6)main1、(7)main2、(8)main3、(9)2temp、(10)2temp_artifact。
(3)疼痛推定值：-log(1-x)
是将疼痛推定值(0-1)以-log(1-x)进行转换后得到的值。在设定接近1的阈值(例如，0.99)的情况下，容易观察推定值的变动。
(IV)脑电波：Fp1
(V)特征量是将147个特征量和15个时间序列序列作为单位而得到的147×15个特征量。
(结果)
图30(A)～图30(T)示出通过本实施例取得的原始数据或者原始数据的离线时间序列解析结果。原始数据的离线时间序列解析结果中的从上面开始第一层的数据和第二层的数据至关重要，第一层的数据是4级别(“0：无疼痛、1：有疼痛、2：有噪声无疼痛、3：有噪声有疼痛”)的softmax函数的结果，第二层的数据是2级别(“0：无疼痛、1：有疼痛”)的softmax函数的结果。分别表示在时间序列数据中，根据脑电波算出的特征量被分类为哪个级别。
测试用(正式)的数据可相当于未知的数据，对模型进行改良是机械学习的课题，以使得在测试用(正式)中得到高的判别精度。例如，在(6)main1及(7)main2、(8)main3下，如果在有48℃的热刺激的“有疼痛”时，判别为“有疼痛”，且在没有刺激的“无疼痛”时，判别为“无疼痛”，则能够判断为良好的模型。
此外，在脑电波中，可能会进入无法以“有疼痛/无疼痛”的二值分类判别尽的噪声，因此考虑到该情况，4级别的分类也能够对“噪声”进行分类。
(实施例2：MRI解析结果的放大)
在本实施例中，在MRI解析结果中确认到了样本放大的效果。进行了样本放大回归。
(方法及材料)
1.1动物
使用野生型老鼠，按照Naive组、Model day2组、Model day28组进行分组，并进行了各组的比较。将不进行任何操作的组设为naive，将手术后经过28天的组设为day28，将对day28给药10mg的gabapentin的组设为day28+gaba10，将对day28给药100mg的gabapentin的组设为day28+gaba100。
1.2日程
给药日程如以下所述。在拍摄日的两天前，在两天期间静脉内注射了锰15mg/kg。关于药剂投放组，尝试对加巴喷丁为100mg/kg和10mg/kg的用量不同的两组进行评价，分别在两天期间腹腔内注射2次/天的给药在进行了。
1.3MRI
MRI测定使用位于大阪大学CiNet栋的11.7T-MR扫描仪，在异氟烷麻醉下使用自旋回波序列拍摄了T1突显图像及T2突显图像。拍摄区域设为全脑。MRI拍摄参数如以下所述。
[表1]
Figure BDA0003427706400000911
为了以T1突显图像拍摄全脑，需要分4次进行拍摄。为了防止切片的缺乏而将两片重复地拍摄。将被分割为四部分的T1突显图像的重复删除，使用SanteDICOM软件合并成一个图像。
1.4图像的补正
T1突显图像分割为4次进行拍摄，由于在图像的断开处亮度差异较大，因此无法直接使用于解析。因此，使用图像处理软件ImageJ，提取各切片中的肌肉层(7处)和脑的亮度，进行了亮度的补正。
1.5图像的标准化处理
脑的形状、大小存在个体差。因此，进行拍摄到的个体的T1突显图像的标准化处理。标准化处理使用MatLab进行。
1.5.1 T2突显图像与T1突显图像的位置对准
对Reference Image指定T1突显图像，对Source Image指定T2突显图像，通过线性相关进行了位置对准。
1.5.2 T2突显图像与T1突显图像的标准模板的位置对准
对Reference Image指定T2标准模板，对Source Image指定T2突显图像，对OtherImage指定T1突显图像，并通过线性相关进行了位置对准。
1.5.3掩盖
对Input Image指定T2标准模板的脑部位提取图像及与模板进行了位置对准的T2突显图像(或T1突显图像)，向Output Filename输入输出文件名，利用Output Directory指定输出文件夹，并进行脑部位的提取。
1.5.4非线性的位置对准(normalize)
对Source Image指定掩盖后的T2突显图像，对Images to Write指定掩盖后的T2突显图像及T1突显图像、与模板进行位置对准的T2突显图像及T1突显图像，并进行标准化处理。
1.6标准化数据的VOI解析
在标准化的T1突显图像中，再次进行亮度补正之后，使用in-house software进行VOI解析。脑映射信息使用基于Mirrione的mouse template。
(样本放大)
将naive(N＝7)的疼痛得分设为0，将day28(N＝8)的疼痛得分设为100，并添附标签。对具有19个特征量(脑区域)的naive(N＝7)及day28(N＝8)的数据进行池化，并进行标准化(使用平均值和标准偏差进行z值化：data＝(data-mu)/sigma)。通过对这些数据进行样本放大，将
Figure BDA0003427706400000931
和day28的N数分别增加至100、1000、5000、10000、20000，对各放大数各反复了100次。
(训练数据的制作)。
(模型的制作)
分别对day28+gaba100(N＝5)及day28+gaba10(N＝5)，利用保存的标准化参数来进行标准化(准备测试数据)。接下来，使用各放大样本(训练数据)[100、1000、5000、10000、20000]，通过SVR来制作100个回归模型。
使用制作的各模型，对于day28+gaba100(N＝5)、day28+gaba10(N＝5)进行代入，求出平均值。在该情况下，回归的结果为疼痛得分，且值越大，则能够解释为感觉到越强的疼痛的组。
图31是表示本实施例的解析的整体影像的图。图32是表示将naive(N＝7)及day28(N＝8)的数据放大的阶段的影像的图。使用naive(N＝7)的数据和day28(N＝8)的数据，通过本公开的样本放大，将各组放大至100、1000、5000、10000、20000，使用放大后的数据来制作模型。
图33是表示使用制作的模型进行代入，并预测疼痛得分的阶段的影像的图。使用SVR将回归模型的制作在各放大样本100、1000、5000、10000、20000中反复100次，并使用各模型对于day28+gaba100、day28+gaba10进行代入，求出平均值。
(结果)
图34示出本实施例的结果。
在放大样本100中，day28+gaba100(N＝5)的疼痛得分的平均值为59.96，day28+gaba10(N＝5)的疼痛得分的平均值为69.88。在放大样本1000中，day28+gaba100(N＝5)的疼痛得分的平均值为52.41，day28+gaba10(N＝5)的疼痛得分的平均值为75.81。在放大样本5000中，day28+gaba100(N＝5)的疼痛得分的平均值为39.31，day28+gaba10(N＝5)的疼痛得分的平均值为73.55。在放大样本10000中，day28+gaba100(N＝5)的疼痛得分的平均值为27.70，day28+gaba10(N＝5)的疼痛得分的平均值为74.14。在放大样本20000中，day28+gaba100(N＝5)的疼痛得分的平均值为26.09，day28+gaba10(N＝5)的疼痛得分的平均值为72.69。
(考察)
放大样本数越大，则day28+gaba100与day28+gaba10的疼痛的得分之差越显著地出现。例如，在N＝20000的情况下，疼痛得分在day28+gaba100中为26.09，相对于此，在day28+gaba10中为72.69。这暗示了给药100mg的gabapentin的组与给药10mg的gabapentin的组相比，疼痛的镇静效果大的情况。
(实施例3：miRNA解析结果的放大)
在本实施例中，在miRNA解析结果中确认了样本放大的效果。特别是进行了用于排除偏离值的样本放大法的比较。
(方法及材料)
miRNA的提取次序如以下所述。
I.选取老鼠脑(老鼠脑1个约0.4～0.45g)。
II.进行老鼠脑的破碎和RNA的提取。
III.进行Small RNA Library的构筑、cDNA的精制、尺寸选择(使用Ion TotalRNA-Seq Kit v2)。
IV.将cDNA放大。
V.使用生成的cDNA，进行了基因解析。
关于各个步骤，以下进行说明。
I.老鼠脑的选取
1.在RNase，DNase，&Pyrogen Free的5mL管(QSP，580-GRDS-Q)上书写编号，添加4～4.5mL的RNAlater，用秤测定各管的重量并记入表中。脑样本浸渍于5倍量的RNAlater。(老鼠脑1个约0.4～0.45g)
2.在血液样本选取后，用50mL的PBS(-)灌注老鼠，冲洗组织内的红血球。
3.将全脑取出并立即放入于装有RNAlater的5mL管内。利用剪刀将脑样本的任一片的长度切成0.5cm以下(例如，0.5cm×1cm×1cm)。将盖子完全关闭，再次测定各管的重量，得出脑样本的重量。在RNAlater不足的情况下，在管中加入所需量。以4.4℃进行保存(如果为1个月以内则以4℃进行保存，在此以上长期保存的情况下以-20℃进行保存)。
II.老鼠脑的破碎和RNA的提取
(QIAzol试剂使用了市售的RNeasy Lipid Tissue Mini Kit，miRNA的提取使用了市售的mirVana Isolation Kit)
1.利用灭菌完毕的镊子向Tomy破碎用灭菌管一个一个地放入了灭菌完毕的氧化锆珠(5Φ)。向各个管注入了1mL的QIAzol Lysis Reagent。
2.利用灭菌完毕的镊子从RNALater中取出一个全脑，并一边利用Kimwipe按压，一边从脑样本擦去RNAlater。
3.将擦去了RNAlater的全脑进行四等分，均等地放入到装有四个氧化锆珠和QIAzol Lysis Reagent的管。
4.将装有1/4脑的破碎用管以4100rpm×30秒进行一次破碎。等待1分钟之后(冷却)再次进行4100rpm×30秒破碎，并将全部的溶液样本集中到一根5mL管中。(在起泡的情况下，特别是脑组织在室温下放置2-3分钟)当反复进行30秒破碎2-3次时，管内的脑组织大致被破碎得较细。
5.从集中成到一根管中的脑样本中取200μL作为miRNA用(使mirVana成套工具)进行注入，并加入800μL的MirVana Lysis/binding buffer，利用移液管尖端进行混合。加入1/10容量(100μL)的miRNA Homogenate additive，进行Vortex，均等地分入两根1.5mL管，进行了On ice×10min。
6.将剩余的脑样本进行三等分，将一根管(1mL)的脑样本加入total RNA用的2mL管，在室温(RT)下放置了5分钟。(Total RNA使用Qiagen RNeasy Lipid tissue成套工具)剩余的两根管的的脑样本以-80℃进行冻结保存。Total RNA遵照成套工具的协议来进行提取。
7.对于microRNA用的脑样本以1：1的比例加入了acid-phenol：chloroform。(对于lysate w/out miRNA homogenate additive的比例为1：1)→进行30-60秒Vortex，进行混合。
8.对microRNA管以10000×g，RT，5分钟施加了离心。由于分为3层，因此将最上层的aqueous phase向新管转移。预先记下转移到管内的aqaeous phase的量(Vol.)并放置在冰上(On ice.)。
9.向On ice的mirVana的aqueous phase加入1/3的量的99.5％EtOH。进行Vortex而良好地混合。
10.将Filter cartridge加入于collection tube，将以2：1混合的Lysate-EtOH加入于700μL filter cartridge，进行离心(10000×g，RT，15秒)。回收filtrate。将全部的Lysate-EtOH反复进行至filter/离心分离结束为止。
11.向回收的filtrate加入2/3的量的99.5％EtOH，进行Vortex而良好地混合。
12.取出新的filter cartridge和collection tube，加入700μL的filtrate-2/3EtOH的混合液，进行离心分离(10000×g，RT，15秒)。扔掉flow through。将全部的filtrate-2/3EtOH反复进行至filter/离心分离结束为止。扔掉flow through。
13.向Filter加入700μL的miRNA wash Soln 1并进行清洗。进行离心分离(10000×g，RT，15秒)，并扔掉flow through。
14.向Filter加入500μL的Wash Soln 2/3并进行清洗。进行离心分离(10000×g，RT，1分钟)。将其重复两次，扔掉flow through。
15.在第二次的清洗结束时，扔掉flow through，再次进行离心分离。(10000×g，RT，1分钟)。
16.将Filter cartridge加入于新的collection tube，利用100μL/tube将加热为95℃的Elution Soln.加入并进行离心分离。(10000×g，RT，30秒)
17.在Bioanalyzer用中将10μL注入500μL的管，并利用Bioanalyzer测定纯度和量。其余的以-30℃保存。(Bioanalyzer研究提取的miRNA的纯度)
18.如果在Bioanalyzer中样本没有问题，则向small RNA library的构筑转移。
III.进行Small RNA Library的构筑、cDNA的精制、尺寸选择(使用Ion TotalRNA-Seq Kit v2)。
(解冻以外的作业在冰上进行)
1.将所需的试剂和miRNA样本从-20℃向冷藏库(4℃)转移，进行解冻。
2.在冰上准备杂混用试剂。向(Total Vol＝5μL/样本)Hybridization solution(3μL/样本)3μL×Ion Adaptro Mix v2(2μL/样本)2μLx 3.0.2mL的管注入上述混合的试剂5μL，并加入3μL的miRNA样本，利用轻敲或移液进行混合，轻轻地旋降而将反应液聚集于管底。-解冻后的miRNA样本在使用前轻轻地进行Vortex，利用台式离心机使水滴掉落。
4.进行杂混反应。(65℃x10分钟，16℃×5分钟)
*在此期间在冰上准备结扎用试剂(考虑到移液损失而稍多地调整)。进行Vortex，轻轻地旋降。
2X Ligation Buffer(10μL/样本)10μL×Ligation Enzyme Mix(2μL/样本)2μLx
5.向杂混反应结束的8μL的管各加入12μL(整体量成为20μL)调整后的结扎用试剂。利用轻敲或移液进行混合，轻轻地旋降而将反应液集中于管底。
6.使20μL的结扎反应液在16℃下反应16小时。(Overnight)
7.在16小时的结扎反应结束之前，在冰上准备逆转录反应用试剂。(考虑到移液损失而稍多地调整。Total vol.＝16μL/样本)
Nuclease-Free Water(2μL/样本)2μL×10XRT
Buffer(4μL/样本)4μL×2.5mM
dNTP Mix(2μL/样本)2μL×Ion
RT Primer v2(8μL/样本)8μLx
8.向结扎反应液各加入16μL逆转录反应试剂，利用5次移液进行混合，轻轻地旋降而将反应液集中于管底。
9.在安设了热套的状态下使其反应70℃×10分钟，立即放置在冰上。
10.向冰上保管的各管(上述的管)各加入4μL的10X superscript III enzymeMix，平稳地以Vortex进行混合，轻轻地旋降。
11.在安设了热套的热循环仪中开始了逆转录反应。(42℃×30分)*由此逆转录成miRNA→cDNA。
*在此能够停止作业。(逆转录反应结束的cDNA能够冷冻保存。以-20～-30℃保持两周，-80℃＝长期保存)
12.在开始cDNA的精制和尺寸选择之前，使所需的试剂恢复至室温(RT)。(e.g.Nucleic Acid Binding Beads&Nuclease-Free Water)向Wash solutionConcentrate加入乙醇，将复选标记写在盖上。
Nuclease-Free water将所需量加热至37℃。
13.对Nucleic Acid Binding管平稳地进行Vortex，将Magnetic Beads完全溶解。准备各样本的珠(7μL/样本/1.5mL DNA LoBind管)。向装有珠的管各加入140μL的Bindingsolution concentrate，反复进行10次移液以将珠与Binding solution concentrate混合。
14.向装有珠的1.5mL管加入40μL的逆转录反应结束的cDNA样本。在装有cDNA和珠的管中，向各个1.5mL管注入120μL的100％乙醇(也可以是99.5％乙醇)。将各管通过4个设置来平稳地进行Vortex，并轻轻地旋降。为了防止来自尖端的漏液，在进行3次移液而使尖端内部湿润之后注入乙醇。
15.为了珠吸附大的cDNA分子，在RT下放置了5分钟。
16.在将装有cDNA和珠的各管平稳地进行Vortex，并轻轻地旋降之后安设于Magnetic Stand放置5分钟。当上清液成为透明时，在将管仍放置于Magnetic Stand的状态下，使用移液管将上清液从珠分离，将上清液向新的1.5mL DNA LoBind管转移。(将装有珠的管废弃)
17.向装有上清液的1.5mL管加入72μL的Nuclease-Free Water。向其加入了78μL的100％乙醇。-为了防止从尖端漏液，在进行3次移液而使芯片内部湿润之后注入乙醇。
18.将Nucleic Acid binding beads管平稳地进行Vortex，将Magnetic beads完全溶解。将7μL的珠加入到装有上清液和乙醇的1.5mL管中。将管通过4个设置来平稳地进行Vortex，轻轻地旋降之后原封不动地在RT下放置了5分钟。
19.将上述的管再次轻轻地旋降，并安设于Magnetic Stand。在上清液变得透明且与珠分离时，在仍安设于Magnetic Stand的状态下从管中去除上清液。
(扔掉上清液)
20.向安设于Magnetic Stand的管内残留的珠加入150μL的Wash SolutionConcentrate，并放置30秒钟。将移液管设定为160μL，加以注意地去除上清液。剩余的溶液通过P10或P20来去除。(扔掉上清液)在将管的盖打开的状态下等待1～2分钟，使残存的乙醇挥发。
21.将装有珠的1.5mL管从Magnetic Stand拆下。向各管加入12μL的加热至37℃的Nuclease-Free Water，进行10次移液并混合。在室温下放置1分钟。
22.将管安设于Magnetic Stand，等待1分钟。在上清液变得透明且与珠分离时，在新的管中，将12μL的cDNA溶出液回收至500μL管。
IV.cDNA的放大(使用PCR、条形码标签进行放大)
*在开始放大之前将试剂在冷藏库〔4℃〕中解冻，以max speed轻轻地离心分离之后使用。
1.使用条形码对用于将cDNA样本放大的PCR试剂进行调制。(Total＝46μL/样本)
Plutinum PCR SuperMix High Fidelity(45μL/样本)45μL x
Ion Ixpress RNA 3’Barcoded Primer(1μL/样本)1μL x
2.将6μL的cDNA样本加入到新的PCR管中。向其加入了46μL的PCR试剂。最后向各PCR管加入1μL的选择出的Ion Xpress RNA-Seq Barcode BC Primer。将管的盖子盖上，通过4个设置来轻轻地进行Vortex，并利用台式离心机使溶液落下到管底。
3.利用热循环仪进行cDNA放大反应。在反应结束后，将cDNA以4℃保存。
Hold：94℃×2分钟
Cycle(2)：94℃×30秒，50℃×30秒，68℃×30秒，
Cycle(14)：94℃×30秒，62℃×30秒，68℃×30秒
Hold：68℃×5分钟
4.在进行放大结束后的cDNA的精制和尺寸选择之前，进行试剂类的准备。将所需量的Nuclease-Free water加热至37℃。
5.将Nucleic Acid Binding管平稳地进行Vortex，将Magnetic Beads完全溶解。准备各样本的珠(7μL/样本/1.5mL DNA LoBind管)。向装有珠的管各加入140μL的Bindingsolution concentrate，并通过4个设置来轻轻地进行Vortex而将珠与Binding solutionconcentrate混合。
6.向装有珠的1.5mL管加入53μL的PCR放大的cDNA样本。对于装有cDNA和珠的管，向装有cDNA样本和珠的各个1.5mL管注入110μL的100％乙醇(也可以是99.5％乙醇)。将各管通过4个设置来平稳地进行Vortex，轻轻地旋降。为了防止从尖端漏液，在进行3次移液而使芯片内部湿润之后注入乙醇。
7.为了使珠吸附大的cDNA分子，在室温(RT)下放置了5分钟。
8.在将装有cDNA和珠的各管平稳地进行Vortex，并轻轻地旋降之后，安设于Magnetic Stand并放置5分钟。在上清液变得透明时，在将管放置于Magnetic Stand的状态下，使用移液管将上清液从分离。将上清液向新的1.5mL DNA LoBind管转移。(将装有珠的管废弃)
9.将装有上清液的1.5mL管从Magnetic Stand拆下，加入35μL的Nuclease-FreeWater。向其加入35μL的100％乙醇。-为了防止从尖端漏液，在进行3次移液而使芯片内部湿润之后注入乙醇。
10.将Nucleic Acid binding beads管平稳地进行Vortex，将Magnetic beads完全溶解。为了miRNA级分的cDNA吸附于珠，将7μL的珠加入到装有上清液和乙醇的1.5mL管中。将管通过4个设置平稳地来进行Vortex，并轻轻地旋降之后原封不动地在RT下放置了5分钟。
11.将上述的管再次轻轻地旋降，并安设于Magnetic Stand。在上清液变得透明且与珠分离之后，在安设于Magnetic Stand的状态下从管去除上清液。(扔掉上清液)。
12.向安设于Magnetic Stand的管内残留的珠加入150μL的Wash SolutionConcentrate，并放置30秒钟。将移液管设定为160μL，加以注意地去除上清液。剩余的溶液通过P10或P20来去除。(扔掉上清液)在将管的盖打开的状态下等待1～2分钟，使残存的乙醇挥发。
13.将装有珠的1.5mL管从Magnetic Stand拆下。向各管加入15μL的加热至37℃的Nuclease-Free Water，进行10次移液并混合。在室温下放置1分钟。
14.将管安设于Magnetic Stand，等待1分钟。在上清液变得透明且与珠分离之后，向新的管将15μL的相当于miRNA的cDNA的溶出液向500μL管回收。
15.通过Bioanalyzer确认了放大后的cDNA的品质和量。
V.使用生成的cDNA，进行了基因解析。
经过到此为止的过程，miRNA的数据聚齐。
关于老鼠的种类，使用CCR2基因KO老鼠，研究了naive(不进行任何操作的组)、POD2(手术后经过两天的组)、POD28(手术后经过28天的组)这三个条件的miRNA。将
Figure BDA0003427706400001011
定义为C0，将POD2定义为C1，将POD28定义为C2。根据三个条件，制作两组的对，并研讨了对它们分别应用样本放大法。具体而言，将
Figure BDA0003427706400001012
和POD2设为C0C1，将
Figure BDA0003427706400001013
和POD28设为C0C2，将POD2和POD28设为C1C2。
(样本放大)
在本实施例中，将基于以下的样本放大法而得到的偏离值的检测结果进行了比较。
1.样本放大法(OLD)
2.样本放大法(PCA)
需要说明的是，1.的(OLD)是指比2.(PCA)旧，并不是指现有技术。
(样本放大法(OLD))
图35A～图35D示出使用了样本放大法(OLD)的解析方法的概念图。
在样本放大法(OLD)中，如图35B所示，在留一(n-1)数据的permutation test中，仅使用有意的miRNA作为特征量(特征量选择)。
如图35C所示，在2级别分类的情况下，按照各级别，使用留一(n-1)数据对有意的各特征量的平均值和标准偏差求解n次。将求出的标准偏差乘以正态随机数，加上平均值，由此实现样本放大法(OLD)。
如图35D所示，在留一(n-1)数据中使用放大后的样本，制作1000个模型，并对留下的剩余的一个判别1000次。将此反复进行n次。
(样本放大(PCA))
使用了样本放大法(PCA)的解析方法的概念图与图35A～图35D所示的情况同样。
在样本放大法(PCA)中，在留一(n-1)数据的permutation test中，仅使用有意的miRNA作为特征量(特征量选择)。在2级别分类的情况下，按照各级别，从有意的各特征量预先减去平均值，使用留一(n-1)数据来应用PCA，根据投影到主成分空间的样本，求出标准偏差。使用标准偏差和正态随机数，在主成分空间中，应用样本放大法(OLD)。使用主成分系数，从主成分空间向原来的空间进行投影转换，加上在投影转换前预先保存的平均值，由此能够实现样本放大法(PCA)。在留一(n-1)数据中使用放大后的样本，制作1000个模型，对留下的剩余的一个判别1000次。将此反复进行n次。
这样，关于样本放大法(PCA)，与样本放大法(OLD)不同点在于，使用留一(n-1)数据来应用PCA，并使用根据投影到主成分空间的样本而求出的标准偏差和正态随机数，在主成分空间中应用样本放大法(OLD)。
(参数)
本实施例中的参数如以下所述。
■逻辑回归(λ＝0.3)
■真实样本的分割(训练：测试＝n-1：1)
■放大样本数
(以b为例来说明)
naive(C0)：n＝500
POD28(C2)：n＝500
■“样本放大、模型制作、评价”的试行次数：100次
■双重交叉验证(5x4fold)：使用放大样本。
■最终测试：使用真实样本(测试：1样本)。
(结果)
结果在图36A～图36H中示出。
在图36A～图36H中，示出了使用在留一(n-1)数据中制作的模型，对留下的剩余的一个的样本判别了1000次的结果，并在判别精度极低(0％)的情况下，可以解释为能够将该样本推定为偏离值。
如图36A及图36B所示，在样本放大法(OLD)中，未将样本ID3推定为偏离值，但是在样本放大法(PCA)中，其被推定为偏离值。
如图36C及图36D所示，在样本放大法(OLD)和样本放大法(PCA)中，在偏离值的结果中没有差异。
如图36E及图36F所示，在样本放大法(OLD)中，将样本ID6、ID8及ID9推定为偏离值，但是在样本放大法(PCA)中，它们未被推定为偏离值。
图36G是将图36A、图36C、图36E的结果汇总的图，图36H是将图36B、图36D、图36F的结果汇总的图。
(考察)
在将miRNA用作样本的情况下，当将样本放大法(OLD)与样本放大法(PCA)进行比较时，偏离值的检测结果也观察到了差异。如果接近100％，则能够通过样本放大法来预测排除的1样本，但是反之，如果接近0％，则该样本可以解释为不能预测。由于使用样本放大法(PCA)的情况下能够算出接近于100％或0％中任一者的显著的正确回答率，因此可考虑将其看作优异的偏离值检测器。
这样可知，样本放大能够保持品质并进行机械学习。
(实施例4：疼痛解析结果的放大＝闭眼样本放大)
在本实施例中，使用闭眼样本，进行疼痛的解析。此时进行样本放大。
(方法和材料)
(闭眼样本)
闭眼样本是受验者将眼睛合上时的对于刺激的反应数据。在本实施例中，在请受验者将眼睛合上的闭眼任务中，取得了从“无疼痛(36℃)”至“有疼痛(48℃)”的几个阶段性的相对于热刺激的反应数据，在此，取得脑电波数据。“无疼痛(36℃)”表示有36℃的热刺激时的状态，“有疼痛(48℃)”表示有48℃的热刺激时的状态。
实验试行如以下所述。
(1)pre：阶段性热刺激(36℃～48℃)：事先对受验者赋予的参照刺激
(2)main：手术后(床边的长时间(6小时)计测)
(COVAS模板)
预先对多个健全人(N＝150)进行实验试行的(1)，取得N＝150的COVAS数据。通过取这些COVAS数据的平均值，从而预先制作了COVAS模板。COVAS模板将实验试行的(1)的阶段性热刺激与健全人的疼痛的主观评价建立对应。
图37A示出实验试行的(1)的阶段性热刺激的例子、与之对应的COVAS模板的例子、将COVAS模板从最小值0至最大值100升顺地排序后的排序完毕COVAS模板的例子。
(前处理)
采样率设为500Hz。
脑电波向额叶的6ch(monopolar电极配置)追加bipolar电极配置的6ch、CAR(Common Average Reference)电极配置的6ch，使用总计18ch进行了计测。
以表示热刺激(疼痛刺激)的开始定时的触发为开始点，与预先制作的COVAS模板的长度量相应地剪切了18频道的脑电波数据。由此，COVAS模板与18频道的脑电波数据的长度一致。通过使COVAS模板与18频道的脑电波数据的长度一致，能够将COVAS模板作为标签与学习中使用的脑电波数据建立对应。即，将疼痛的主观评价与学习中使用的脑电波数据建立对应。
数据在临床实验中以分为模型制作用和测试用(正式)的方式来进行收集。实验试行的(1)为模型制作用，实验试行的(2)为测试用。相对于脑电波数据的整个长度，一边将16秒的时间窗错开1秒一边进行剪切。通过将时间窗沿时间轴方向错开并进行多次剪切而生成了多个原始样本。
对于多个原始样本，作为前处理，应用了固有的噪声处理方法。对于前处理后的原始样本16秒的脑电波数据，将8秒的时间窗每次错开1秒，同时以确保9序列量的方式剪切了各频道的脑电波数据。从各频道的脑电波数据中，提取了绝对振幅、熵、来自8个频带(2-5Hz、5-8Hz、8-14Hz、14-28Hz、28-58Hz、62-118Hz、122-178Hz、182-238Hz)的频率功率、以及相干性这4个种类的特征量。将4个种类的特征量(振幅、频率功率、相干性、熵)结合，合计提取了324特征量。由此，得到了以324个特征量和9个时间序列序列为单位的324×9个特征量。
对于提取的特征量，将样本放大法应用于每个人而使样本数增加。利用增加的样本，使用LSTM(Long short-term memory)制作适合于个人的模型。
(用于模型检索的标准化参数的定义)
将预先制作成的COVAS模板从最小值0至最大值100升顺地排序。从排序后的COVAS模板中，从最小值0至最大值100，以10单位每次错开5而剪切了19个范围。上述的19个范围是19个种类的标准化参数，并求出了上述的19个种类的标准化参数各自的平均值和标准偏差。为了在后述的离线时间序列数据解析时利用而分别保存了19个平均值和19个标准偏差。
(基于10个标准化参数而进行的特征量数据的标准化)
从排序后的COVAS模板中，从最小值0至最大值100，以10单位每次错开10而剪切了10个范围。上述的10个范围是10个种类的标准化参数，由于将COVAS模板与脑电波数据建立对应，因此提取与10个种类的标准化参数建立了对应的特征量。提取的特征量使用对应的标准化参数而被被标准化(z值化)。
通过对10个标准化后的特征量反复进行以下的工序来进行10个模型的制作(LSTM回归)。
1)回归：(样本放大)在学习中，可知当均等地存在标签时，容易获得泛化能力，因此在样本放大时，以与各特征量对应的(排序完毕)COVAS模板的标签的值的比率成为均等的方式，针对各标签定义对放大样本数进行调整的参数。
2)回归：(样本放大)以5样本为单位，使基于它们的平均值和协方差矩阵、并根据多变量正态分布且利用随机数而生成的样本，增加与1)中针对各标签定义的参数相应的量。使样本增加与反复进行的次数相应的量。
3)回归：(模型的制作：(学习))将放大后的样本定义为学习样本，与对应的标签一起学习，通过LSTM回归制作模型。
图37B示出从排序后的COVAS模板剪切出的19个种类的标准化参数的范围、以及与10个种类的标准化参数对应的10个模型的范围。
(离线时间序列数据解析)
为了从19个标准化参数与10个模型的组合中检索最佳的组合，使用19个标准化参数和10个模型，计算了190个回归的结果。在离线时间序列数据解析中，首先，对测试数据的时间方向的整体，提取了特征量。特征量提取后的数据保持为未被标准化的状态(未标准化特征量)。对未标准化特征量，分别使用19个标准化参数进行标准化(z值化)，由此算出了标准化特征量。即，关于19个标准化参数中的第i标准化参数(0<i≤19)设为平均μi、标准偏差σi，将未标准化特征量设为x，将关于标准化参数i的标准化特征量设为x’i时，通过以下的式子算出。
即，x’i＝(x-μi)/σi。
通过向模型投入标准化特征量而进行疼痛得分的预测。
在本例中，关于10个种类的模型中的4个种类的模型，仅使用10×19的矩阵的对角成分，进行疼痛得分(回归的预测值)的综合学习，计算相关系数和RMSE(Root Mean SquareError)，并显示回归的结果。
(结果)
在图37C中示出本实施例的结果。
在图37C中，左侧的矩阵表示所利用的19个标准化参数与10个模型的组合，列表示模型，行表示标准化参数。着色后的单体表示选择出的组合。选择出的组合的综合学习(即，平均值)对应于图37C的右侧的坐标图的疼痛得分(黑线)。图37C的右侧的坐标图的灰色的线表示患者的疼痛的主观评价即NRS。虚线的三角形的位置表示患者听到NRS的定时。
四个坐标图中的从上方起的第一个坐标图表示使用了第一至第四模型和第一至第七标准化参数时的结果，从上方起的第二个坐标图表示使用了第四至第七模型和第七至第十三标准化参数时的结果，从上方起的第三个坐标图表示使用了第七至第十模型和第十三至第十九标准化参数时的结果，从上方起的第四个坐标图表示使用了全部的模型及标准化参数时的结果。
从图37C的结果读取NRS与疼痛得分在某种程度上对应的结果。
(实施例5：疼痛解析结果的放大＝闭眼样本放大)
在本实施例中，使用闭眼样本来进行疼痛的解析。此时进行样本放大。
(方法和材料)
(闭眼样本)
闭眼样本是受验者将眼睛合上时的对于刺激的反应数据。在本实施例中，在请受验者将眼睛合上的闭眼任务中，取得了从“无疼痛(36℃)”至“有疼痛(48℃)”的几个阶段性的相对于热刺激的反应数据，在此，取得脑电波数据。“无疼痛(36℃)”表示有36℃的热刺激时的状态，“有疼痛(48℃)”表示有48℃的热刺激时的状态。
实验试行如以下所述。
进行了通过在算法开发用中进行的最小限度的数据取得完成的实验(minimum_set_heat)。
(1)第minimum_set_heat1次：阶段性热刺激(36℃～48℃)
(2)第minimum_set_heat2次：阶段性热刺激(36℃～48℃)
在minimum_set_heat中，赋予了以下热刺激，即，使热刺激从36℃至48℃呈阶梯状地上升，接着从48℃至36℃呈阶梯状地下降这样的热刺激。
(COVAS模板)
预先对多个健全人(N＝150)进行实验试行的(1)，取得N＝150的COVAS数据。通过取上述的COVAS数据的平均值而预先制作了COVAS模板。COVAS模板将实验试行的(1)的阶段性热刺激与健全人的疼痛的主观评价建立对应。
(前处理)
采样率设为1000Hz。
关于脑电波，通过在额叶的6ch(monopolar电极配置)追加bipolar电极配置的6ch、CAR(Common Average Reference)电极配置的6ch，以使用总计18ch来进行计测。
以表示热刺激(疼痛刺激)的开始定时的触发为开始点，与预先制作的COVAS模板的长度量相应地剪切了将18频道的脑电波数据。由此，COVAS模板与18频道的脑电波数据的长度一致。通过使COVAS模板与18频道的脑电波数据的长度一致，能够将COVAS模板作为标签而与学习使用的脑电波数据建立对应。即，将疼痛的主观评价与学习使用的脑电波数据建立对应。
数据以分为模型制作用和测试用(正式)的方式来进行收集。实验试行的(1)为模型制作用，实验试行的(2)为测试用。相对于脑电波数据的整个长度，一边将8秒的时间窗错开1秒一边进行剪切。通过将时间窗沿时间轴方向错开并进行多次剪切而生成了多个原始样本。
对于多个原始样本，作为前处理，应用了固有的噪声处理方法。对于前处理后的原始样本16秒的脑电波数据，将8秒的时间窗每次错开1秒，同时以确保9序列量的方式剪切了各频道的脑电波数据。从各频道的脑电波数据中，提取了绝对振幅、熵、来自8个频带(2-5Hz、5-8Hz、8-14Hz、14-28Hz、28-58Hz、62-118Hz、122-178Hz、182-238Hz)的频率功率、以及相干性这4个种类的特征量。将4个种类的特征量(振幅、频率功率、相干性、熵)结合，合计提取了324个特征量。由此，得到了以324个特征量和9个时间序列序列为单位的324×9个特征量。
对于提取的特征量，将样本放大法应用于每个人而使样本数增加。利用增加后的样本，使用LSTM(Long short-term memory)制作了适合于个人的模型。
(用于模型检索的标准化参数的定义)
将预先制作成的COVAS模板从最小值0至最大值100升顺地排序。从排序后的COVAS模板中，从最小值0至最大值100，以10单位每次错开10而剪切了10个范围。上述的范围是10个种类的标准化参数，并求出了上述的10个种类的标准化参数的平均值和标准偏差。为了在后述的离线时间序列数据解析时利用，分别保存了10个平均值和10个标准偏差。
(基于10个标准化参数而进行的特征量数据的标准化)
从排序后的COVAS模板中，从最小值0至最大值100，以10单位，每次错开10而剪切了10个范围。上述的10个范围是10个种类的标准化参数，由于将COVAS模板与脑电波数据建立对应，因此提取与10个种类的标准化参数建立了对应的特征量。提取的特征量使用对应的标准化参数被标准化(z值化)。
通过对10个被标准化后的特征量反复进行以下的工序来进行10个模型的制作(LSTM回归)。
1)回归：(样本放大)在学习中，可知当均等地存在标签时，容易获得泛化能力，因此在样本放大时，以与各特征量对应的(排序完毕)COVAS模板的标签的值的比率成为均等的方式，针对各标签定义对放大样本数进行调整的参数。
2)回归：(样本放大)以5样本为单位，使基于它们的平均值和协方差矩阵、并根据多变量正态分布且利用随机数而生成的样本，增加与1)中针对各标签定义的参数相应的量。使样本增加与反复进行的次数相应的量。
3)回归：(模型的制作：(学习))将放大样本定义为学习样本，与对应的标签一起学习，通过LSTM回归制作模型。
图38A示出从排序后的COVAS模板中剪切出的10个种类的标准化参数的范围、以及与10个种类的标准化参数对应的10个模型的范围。
(离线时间序列数据解析)
为了从10个标准化参数和10个模型的组合中检索最佳的组合，使用10个标准化参数和10个模型，计算了100个回归的结果。在离线时间序列数据解析中，首先，对测试数据的时间方向的整体，提取了特征量。特征量提取后的数据保持为未被标准化的状态(未标准化特征量)。对未标准化特征量，通过分别使用10个标准化参数进行标准化(z值化)而算出了标准化特征量。即，关于10个标准化参数中的第i标准化参数(0<i≤10)，设为平均μi、标准偏差σi，将未标准化特征量设为x，将关于标准化参数i的标准化特征量设为x’i时，通过以下的式子算出。
即，x’i＝(x-μi)/σi。
通过向模型投入标准化特征量而进行疼痛得分的预测。
在本例中，从10x10的矩阵之中，以由相关系数和RMSE构成的阈值为基准，事先确保满足基准的上位几个(上位1个、上位5个、上位10个、全部)，按照各自的条件，进行疼痛得分(回归的预测值)的综合学习，计算相关系数和RMSE(RootMeanSquareError)，并显示了回归的结果。
(结果)
在图38B中示出本实施例的结果。
在图38B中，左侧的矩阵表示所利用的10个标准化参数与10个模型的组合，列表示模型，行表示标准化参数。根据相关系数及RMSE是否满足阈值来进行着色。斜线表示RMSE比阈值小的组合，点画表示相关系数比阈值高的组合，浅色表示RMSE比阈值小且相关系数比阈值高的组合。表示代入的良好程度的相关系数越高，则成为越良好的基准，表示误差的RMSE越低，则成为越良好的基准。在浅色组合之中，选择出的满足RMSE比阈值小且相关系数比阈值高这样的基准的上位1个、上位5个、上位10个及全部的组合由深色表示，各自的结果分别表示在从上方起的第一个坐标图、第二个坐标图、第三个坐标图、第四个坐标图中。
图38B的右侧的坐标图对应于使用了左侧的组合时的结果。以深色选择出的组合的综合学习，即，平均值表示疼痛得分(黑线：预测值)，灰色的线表示患者的疼痛的主观评价即COVAS的模板(实测值)。
从图38B的结果中读取COVAS模板(实测值)与疼痛得分(预测值)在某种程度上对应的结果。
(注释)
如以上所述，虽然使用本公开的优选的实施方式例示了本公开，但是本公开仅通过技术方案的范围来解释其范围。关于在本说明书中引用的专利、专利申请及文献，可理解为其内容自身以与具体地记载于本说明书的内容相同的方式作为相对于本说明书的参考来援引该内容。本申请对于在2020年4月26日向日本国专利厅提出申请的日本特愿2019-85782来主张优先权，其内容整体作为参考而援引于本申请。
产业上的可利用性
本公开在提供用于维持机械学习中使用的多个示教数据间的关系并将示教数据放大的系统等方面是有用的。
附图标记说明
100：系统
110：取得机构
120：处理器
130：存储器
140：输出机构
1000：对象
1100：包含疼痛等级判别/推定装置的系统
1110：疼痛等级判别/推定装置
1111：测定部
1112：特征量提取部
1113：疼痛指数生成部
1114：基准决定部
1115：疼痛等级监控部
1120：脑电波仪
101000：特征量归约部
102000：特征量提取部
103000：疼痛判别/推定模型生成部
104000：疼痛判别/推定部
105000：参照刺激呈现部
105200：脑电波数据测定部
106000：对象
107000：疼痛等级可视化部
108000：装置
110000：脑电波数据测定部
120000：数据收发部
125000：数据收发部
130000：疼痛等级可视化部
135000：疼痛等级可视化部
140000：脑电波特征量提取部
145000：脑电波特征量提取部
150000：疼痛等级判别推定部
160000：疼痛判别模型生成部
170000：数据保存部
180000：脑电波数据库
301000：特征量归约部
302000：特征量提取部
303000：疼痛判别/推定模型生成部
304000：疼痛判别/推定部
305000：参照刺激呈现部
305200：脑电波数据测定部
306000：对象
307000：疼痛等级可视化部
307500：数据保存部
308000：装置

Claims (20)

1.一种用于将机械学习中使用的示教数据放大的系统，其中，包括：
取得多个示教数据的取得机构；
从所述多个示教数据导出协方差矩阵的第一处理机构；
对所述协方差矩阵进行分解的第二处理机构；及
对于所述分解后的矩阵应用随机数的第三处理机构。
2.根据权利要求1所述的系统，其中，
所述示教数据是从生物体取得的数据。
3.根据权利要求2所述的系统，其中，
所述示教数据是脑电波数据、MRI图像数据、基因表达数据。
4.根据权利要求3所述的系统，其中，
所述示教数据是将疼痛应用于所述生物体的情况下的脑电波数据或MRI数据。
5.根据权利要求1～4中任一项所述的系统，其中，
所述第二处理机构构成为将所述协方差矩阵分解为Q*Q’，矩阵Q’是矩阵Q的转置矩阵，
所述第三处理机构构成为对于所述矩阵Q或所述矩阵Q’应用随机数。
6.根据权利要求5所述的系统，其中，
所述第二处理机构构成为通过对于所述协方差矩阵进行克莱斯基分解、LU分解、QR分解中的一个而将所述协方差矩阵分解为Q*Q’，所述矩阵Q或矩阵Q’是上三角矩阵，
所述第三处理机构构成为对于所述上三角矩阵应用随机数。
7.根据权利要求1～6中任一项所述的系统，其中，
所述第一处理机构还构成为算出所述多个示教数据的平均值向量，
所述第三处理机构还构成为将平均值向量与应用了所述随机数的所述分解后的矩阵相加。
8.根据权利要求1～4中任一项所述的系统，其中，
所述第一处理机构构成为进行以下：
算出所述多个示教数据的平均值；
从所述多个示教数据减去平均值；及
从减去了所述平均值的多个示教数据导出协方差矩阵，
所述第二处理机构构成为进行将所述协方差矩阵分解为V*L*V’，矩阵L是由固有值构成的对角矩阵，矩阵V是在列中具有对应的右固有向量的矩阵，矩阵V’是矩阵V的转置矩阵，将sqrt()设为取平方根的函数时，表示为矩阵M＝sqrt(L)，
所述第三处理机构构成为对于所述矩阵M应用随机数，
所述系统还包括对应用了所述随机数的所述矩阵M进行投影转换的第四处理机构，所述第四处理机构将所述平均值与投影转换后的矩阵M相加。
9.根据权利要求1～8中任一项所述的系统，其中，
所述系统还包括将所述多个示教数据分割为多个部分集合的分割机构，
所述第一处理机构、所述第二处理机构及所述第三处理机构对于所述多个部分集合分别进行各自的处理。
10.一种疼痛推定系统，用于推定测定对象具有的疼痛，包括：
权利要求1所述的用于将机械学习中使用的示教数据放大的系统；及
用于学习由用于将所述示教数据放大的系统放大后的多个示教数据，并生成疼痛推定模型的系统。
11.一种用于将机械学习中使用的示教数据放大的方法，包括以下：
取得多个示教数据；
从所述多个示教数据导出协方差矩阵；
对所述协方差矩阵进行分解；及
对于所述分解后的矩阵应用随机数。
12.一种用于将机械学习中使用的示教数据放大的程序，所述程序在包括处理器的计算机系统中执行，所述程序使所述处理器部执行包括以下的处理：
取得多个示教数据；
从所述多个示教数据导出协方差矩阵；
对所述协方差矩阵进行分解；及
对于所述分解后的矩阵应用随机数。
13.一种方法，用于生成基于推定对象的脑电波而对所述推定对象具有的疼痛进行分类的疼痛分类值，包括以下步骤：
a)以多个等级的刺激强度对所述推定对象进行刺激的步骤；
b)取得与所述刺激强度对应的所述推定对象的脑电波数据或其分析数据的步骤；
c)将所述推定对象的脑电波数据或其分析数据放大的步骤，该步骤包括
i)根据所述推定对象的脑电波数据或其分析数据导出协方差矩阵、
ii)对所述协方差矩阵进行分解、
iii)对于所述分解后的矩阵应用随机数；
d)将所述刺激强度或与所述刺激强度对应的主观的疼痛感觉等级、以及所述放大后的脑电波数据或其分析数据进行绘制，并向疼痛函数拟合而得到对所述推定对象特异的疼痛函数的步骤；及
e)在向所述特异的疼痛函数的拟合的回归系数为规定以上的情况下，基于所述特异的疼痛函数，确定用于将疼痛等级分为至少两个以上的疼痛分类值(pain classifier)的步骤。
14.一种装置，用于生成基于推定对象的脑电波而对所述推定对象具有的疼痛进行分类的疼痛分类值，包括：
A)以多个等级的刺激强度对所述推定对象进行刺激的刺激部；
B)取得与所述刺激强度对应的所述推定对象的脑电波数据或其分析数据的脑电波数据取得部；
C)将所述推定对象的脑电波数据或其分析数据放大的放大部，所述放大部构成为进行
i)根据所述推定对象的脑电波数据或其分析数据导出协方差矩阵、
ii)对所述协方差矩阵进行分解、
iii)对于所述分解后的矩阵应用随机数；及
D)将所述刺激强度或与所述刺激强度对应的主观的疼痛感觉等级、以及所述放大后的脑电波数据或其分析数据进行绘制，并向疼痛函数拟合而得到对所述推定对象特异的疼痛函数，基于所述特异的疼痛函数，确定用于将疼痛等级分为至少两个以上的疼痛分类值的疼痛分类值生成部。
15.一种用于生成对对象的疼痛进行判别的模型的方法，包括以下步骤：
a)从所述对象取得脑电波数据或其分析数据的步骤；
b)关于基于所述脑电波数据或其分析数据而得到的特征量，决定与所述疼痛相关的特征量系数，关于所述疼痛进行归约的步骤；
c)将所述归约后的加权了的所述特征量或其组合放大的步骤，该步骤包括
i)根据所述归约后的加权了的所述特征量或其组合导出协方差矩阵、
ii)对所述协方差矩阵进行分解、
iii)对于所述分解后的矩阵应用随机数；
d)基于所述放大后的特征量或其组合，通过机械学习及验证来制作判别分析模型的步骤；及
d)决定达成规定精度的判别分析模型的步骤。
16.一种用于生成对对象的疼痛进行判别的模型的系统，所述系统包括：
A)从所述对象得到脑电波数据或其分析数据的脑电波数据取得部；
B)关于基于所述脑电波数据或其分析数据而得到的特征量，决定与所述疼痛相关的特征量系数，关于所述疼痛进行归约的特征量归约部；
C)将所述归约后的加权了的所述特征量或其组合放大的放大部，所述放大部构成为进行
i)根据所述归约后的加权了的所述特征量或其组合导出协方差矩阵、
ii)对所述协方差矩阵进行分解、
iii)对于所述分解后的矩阵应用随机数的步骤；及
D)基于所述放大后的归约后的加权了的所述特征量或其组合，通过机械学习及验证来制作判别分析模型的疼痛判别/推定模型生成部。
17.一种以生物体为对象进行分析的方法，包括以下步骤：
a)以多个种类的刺激对所述生物体进行刺激的步骤；
b)取得与所述刺激的种类对应的所述生物体的反应数据的步骤；
c)将所述生物体的反应数据放大的步骤，该步骤包括
i)根据所述生物体的反应数据导出协方差矩阵、
ii)对所述协方差矩阵进行分解、
iii)对于所述分解后的矩阵应用随机数；及
d)绘制所述刺激的种类和所述放大后的反应数据来进行分析的步骤。
18.根据权利要求17所述的方法，其中，
所述生物体的刺激是对于基因的刺激或药剂的候补，所述反应数据包含基因表达数据或生物体的反应。
19.一种用于生成对对象的疼痛进行判别的模型的方法，包括以下步骤：
a)通过对多个受验者进行疼痛试验而取得多个COVAS数据的步骤；
b)通过对所述多个COVAS数据进行平均而制作COVAS模板的步骤；
c)通过对所述对象进行所述疼痛试验而从所述对象得到脑电波数据或其分析数据的步骤；
d)基于所述COVAS模板，剪切所述脑电波数据或其分析数据的步骤；及
e)以所述剪切出的脑电波数据或其分析数据为学习用数据，以与所述剪切出的脑电波数据或其分析数据对应的COVAS模板的值为标签进行学习，由此制作模型的步骤。
20.根据权利要求19所述的方法，其中，
所述学习的步骤包括将所述剪切出的脑电波数据或其分析数据放大的步骤，该步骤包括：
i)从所述剪切的脑电波数据或其分析数据导出协方差矩阵；
ii)对所述协方差矩阵进行分解；及
iii)对于所述分解后的矩阵应用随机数。
CN202080045956.7A 2019-04-26 2020-04-24 用于将机械学习中使用的示教数据放大的系统、方法、程序 Pending CN114051616A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2019-085782 2019-04-26
JP2019085782 2019-04-26
PCT/JP2020/017655 WO2020218490A1 (ja) 2019-04-26 2020-04-24 機械学習に用いられる教師データを増幅するためのシステム、方法、プログラム

Publications (1)

Publication Number Publication Date
CN114051616A true CN114051616A (zh) 2022-02-15

Family

ID=72942043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080045956.7A Pending CN114051616A (zh) 2019-04-26 2020-04-24 用于将机械学习中使用的示教数据放大的系统、方法、程序

Country Status (5)

Country Link
US (1) US20220207425A1 (zh)
EP (1) EP3960093A4 (zh)
JP (1) JP7433602B2 (zh)
CN (1) CN114051616A (zh)
WO (1) WO2020218490A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115115825A (zh) * 2022-05-27 2022-09-27 腾讯科技（深圳）有限公司 图像中的对象检测方法、装置、计算机设备和存储介质

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11490273B2 (en) * 2020-04-30 2022-11-01 ANDRO Computational Solutions, LLC Transceiver with machine learning for generation of communication parameters and cognitive resource allocation
CN113509188B (zh) * 2021-04-20 2022-08-26 天津大学 脑电信号的扩增方法、装置、电子设备以及存储介质
CN112231964B (zh) * 2020-11-06 2022-07-05 中国人民解放军国防科技大学 基于深度强化学习的气体泄漏源自主搜索及定位方法
CN115700838A (zh) * 2021-07-29 2023-02-07 脸萌有限公司 用于图像识别模型的训练方法及其装置、图像识别方法
JP7229491B1 (ja) 2021-12-27 2023-02-28 株式会社日立ソリューションズ東日本 学習装置および推定システム
CN115292523B (zh) * 2022-08-04 2023-09-22 中国科学院空天信息创新研究院 一种基于图表示学习的时空信息推理方法
CN115337014A (zh) * 2022-08-26 2022-11-15 华南师范大学 情绪识别方法及意识检测方法、装置、设备、存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4694881B2 (ja) 2005-01-05 2011-06-08 株式会社ミツトヨ 不確かさ推定方法及びプログラム
JP4670662B2 (ja) * 2006-01-26 2011-04-13 パナソニック電工株式会社 異常検出装置
US8512240B1 (en) * 2007-11-14 2013-08-20 Medasense Biometrics Ltd. System and method for pain monitoring using a multidimensional analysis of physiological signals
JP6764205B2 (ja) * 2017-07-07 2020-09-30 国立大学法人大阪大学 トレンド分析を利用した痛みの判別、機械学習、経済的判別モデルおよびＩｏＴを応用した医療装置、テイラーメイド機械学習、および新規疼痛判別用脳波特徴量
JP6988384B2 (ja) 2017-11-08 2022-01-05 株式会社大林組 テールクリアランス計測装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115115825A (zh) * 2022-05-27 2022-09-27 腾讯科技（深圳）有限公司 图像中的对象检测方法、装置、计算机设备和存储介质
CN115115825B (zh) * 2022-05-27 2024-05-03 腾讯科技（深圳）有限公司 图像中的对象检测方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
JP7433602B2 (ja) 2024-02-20
WO2020218490A1 (ja) 2020-10-29
EP3960093A4 (en) 2023-01-04
JPWO2020218490A1 (zh) 2020-10-29
US20220207425A1 (en) 2022-06-30
EP3960093A1 (en) 2022-03-02

Similar Documents

Publication Publication Date Title
Cai et al. Feature-level fusion approaches based on multimodal EEG data for depression recognition
CN114051616A (zh) 用于将机械学习中使用的示教数据放大的系统、方法、程序
Durongbhan et al. A dementia classification framework using frequency and time-frequency features based on EEG signals
US11922277B2 (en) Pain determination using trend analysis, medical device incorporating machine learning, economic discriminant model, and IoT, tailormade machine learning, and novel brainwave feature quantity for pain determination
Şen et al. A comparative study on classification of sleep stage based on EEG signals using feature selection and classification algorithms
Kragel et al. Multivariate pattern classification reveals autonomic and experiential representations of discrete emotions.
JP7203388B2 (ja) 快不快の判別
JP6124140B2 (ja) 患者の認知機能の評価
Cai et al. Study on feature selection methods for depression detection using three-electrode EEG data
Yang et al. Selection of features for patient-independent detection of seizure events using scalp EEG signals
Nezam et al. A novel classification strategy to distinguish five levels of pain using the EEG signal features
Stapleton et al. Large effects of brief meditation intervention on EEG spectra in meditation novices
Tong et al. Emotion recognition based on photoplethysmogram and electroencephalogram
Ren et al. Comparison of the use of blink rate and blink rate variability for mental state recognition
CN113712507A (zh) 评估意识障碍程度的系统、恢复倾向预测方法和存储介质
Wen et al. Hybrid approach of eeg stress level classification using k-means clustering and support vector machine
Soni et al. Graphical representation learning-based approach for automatic classification of electroencephalogram signals in depression
Niu et al. Scale-free dynamics of microstate sequence in negative schizophrenia and depressive disorder
Jyothirmy et al. Machine Learning Algorithms based Detection and Analysis of Stress-A Review
EP3960094A1 (en) Reference stimulus
Sourkatti et al. Investigation of different ML approaches in classification of emotions induced by acute stress
Rmili et al. Real-time classification of EEG signals implemented on DSPIC for the diagnosis of epilepsy
US20230229977A1 (en) System, method, and program for estimating subjective evaluation by estimation subject
Samaha Improving classification system to detect cyclic alternation pattern using sleep EEG
Fernandez et al. Contribution of EEG biosignals for Stress Detection

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