CN115996667A - 估计系统、估计方法、程序、估计模型、脑活动训练装置、脑活动训练方法以及脑活动训练程序 - Google Patents

估计系统、估计方法、程序、估计模型、脑活动训练装置、脑活动训练方法以及脑活动训练程序 Download PDF

Info

Publication number
CN115996667A
CN115996667A CN202180046953.XA CN202180046953A CN115996667A CN 115996667 A CN115996667 A CN 115996667A CN 202180046953 A CN202180046953 A CN 202180046953A CN 115996667 A CN115996667 A CN 115996667A
Authority
CN
China
Prior art keywords
measurement data
estimation
subject
disease
functional
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
CN202180046953.XA
Other languages
English (en)
Inventor
小川刚史
玉野竜太
川锅一晃
川人光男
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.)
ATR Advanced Telecommunications Research Institute International
Shionogi and Co Ltd
Original Assignee
ATR Advanced Telecommunications Research Institute International
Shionogi and Co Ltd
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 ATR Advanced Telecommunications Research Institute International, Shionogi and Co Ltd filed Critical ATR Advanced Telecommunications Research Institute International
Publication of CN115996667A publication Critical patent/CN115996667A/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
    • A61B5/24—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]
    • A61B5/375—Electroencephalography [EEG] using biofeedback
    • 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]
    • 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
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Psychology (AREA)
  • Psychiatry (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

估计系统包括：获取单元，其获取从受验者同时测量出的脑波的测量数据和功能性磁共振成像法的测量数据；第一计算单元，其基于脑波的测量数据中包含的通道间的相关性，针对每个通道组合计算第一功能连接；第二计算单元，其基于功能性磁共振成像法的测量数据中包含的关心区域间的相关性，针对每个脑内网络计算第二功能连接；第三计算单元，其使用多个第二功能连接计算表示估计对象的疾病倾向的得分，来计算疾病倾向标签；以及机器学习单元，其通过使用每个通道组合的第一功能连接和疾病倾向标签进行的机器学习，来使用规定的第一功能连接决定用于估计疾病倾向的估计模型。

Description

估计系统、估计方法、程序、估计模型、脑活动训练装置、脑活动训练方法以及脑活动训练程序
技术领域
本发明涉及一种基于与脑活动有关的测量数据来估计疾病倾向的技术。
背景技术
已知有利用作为以非侵入方式测量脑活动的方法之一的功能性磁共振成像法(functional Magnetic Resonance Imaging：下面也简称为“fMRI”。)对脑功能进行估计、并且以脑功能的调节为目的的神经反馈训练等。但是，仅使用fMRI的神经反馈训练在成本等可实现性方面存在问题。
因此，提出了将脑电图或脑波图等电磁场测量法(Electroencephalogram：下面也简称为“EEG”。)与fMRI进行组合的方法(例如，参照专利文献1等)。在本说明书中，将利用EEG测量出的信号变化(时间波形)统称为“脑波”。
在专利文献1等公开的方法中，使用在静息态时同时进行EEG和fMRI所得到的测量数据(下面也简称为“EEG/fMRI同时测量数据”。)制作估计模型，使用制作出的该估计模型，仅使用EEG测量数据来进行神经反馈。EEG在可移动性、便携性、价格、可普及性等方面比其它测量方法有利。因此，通过采用专利文献1等所公开的方法，能够降低成本，提高神经反馈训练的可实现性。
另外，提出了使用静息态的fMRI的测量数据来估计各个脑内网络的活动、并且基于由多个脑内网络表现的脑功能来估计“疾病倾向”的技术(参照非专利文献1等)。通过估计“疾病倾向”，能够期待应用于精神疾病的诊断、同一疾病内的亚型鉴定、治疗法的选择等。
现有技术文献
专利文献
专利文献1：日本特开2019-093008号公报
非专利文献
非专利文献1：Andrew T Drysdale1 et al.,“Resting-state connectivitybiomarkers define neurophysiological subtypes of depression(静息态连接性生物标记物定义了抑郁症的神经生理学亚型),”Nature Medicine，Volume23,Number 1，pp.28-38(ISSN：1546-170X)，2017.1
非专利文献2：Takashi Yamada et al.，“Resting-State FunctionalConnectivity-Based Biomarkers and Functional MRI-Based Neurofeedback forPsychiatric Disorders：A Challenge for Developing Theranostic Biomarkers(基于静息态功能连接的生物标记物和基于功能性磁共振的神经反馈治疗精神疾病：开发治疗生物标记物的一个挑战)，”International Journal of Neuropsychopharmacology(2017)20(10)，pp.769-781，2017.7.17
非专利文献3：Yujiro Yoshihara et al.,“Overlapping but asymmetricalrelationships between schizophrenia and autism revealed by brain connectivity(大脑连接揭示了精神分裂症和自闭症之间的重叠但不对称的关系),”bioRxiv，<URL：https://doi.org/10.1101/403212>，2018.9.7
非专利文献4：Naho Ichikawa et al.,“Primary functional brainconnections associated with melancholic major depressive disorder andmodulation by antidepressants(与忧郁性重度抑郁症有关的主要脑功能连接以及抗抑郁药的调节作用),”Scientific Reports(2020)10:3542<URL：https://doi.org/10.1038/s41598-020-60527-z>，2020
非专利文献5：Eniko Barto‘k et al.,“Cognitive functions in prepsychoticpatients(精神病前期患者的认知功能)”,Progress in Neuro-Psychopharmacology&Biological Psychiatry 29(2005)621-625
发明内容
发明要解决的问题
以往的神经反馈训练是以特定的脑区域的活动的变化或特定的脑内网络(多个脑区域间的活动的时间相关性的变化)为对象(例如，非专利文献2)。
期望能够更简便地估计与多个脑内网络相关联的任意的疾病的方法。
用于解决问题的方案
按照本发明的某个实施方式的估计系统包括获取从受验者同时测量出的脑波的测量数据和功能性磁共振成像法的测量数据的获取单元。脑波的测量数据包含与配置于受验者的头部的多个传感器分别对应的多个通道的每个通道的时间波形。估计系统还包括：第一计算单元，其基于脑波的测量数据中包含的通道间的相关性，针对每个通道组合计算第一功能连接；第二计算单元，其基于功能性磁共振成像法的测量数据中包含的关心区域间的相关性，针对每个脑内网络计算第二功能连接；第三计算单元，其通过使用多个第二功能连接计算表示估计对象的疾病倾向的得分，来计算疾病倾向标签；以及机器学习单元，其通过使用每个通道组合的第一功能连接和疾病倾向标签进行的机器学习，来使用规定的第一功能连接决定用于估计疾病倾向的估计模型。
也可以是，估计系统还包括估计单元，该估计单元将从受验者测量出的脑波的测量数据输入到估计模型，来估计受验者的疾病倾向。
也可以是，估计系统还包括呈现单元，该呈现单元计算与估计出的受验者的疾病倾向相应的第二得分，并且将与计算出的第二得分相应的信息呈现给受验者。
也可以是，估计模型是按各疾病而准备的。此时，也可以是，对受验者应用与受验者所出现的疾病对应的估计模型。
也可以是，基于与估计出的受验者的疾病倾向相应的第二得分，来评价受验者的症状的变化。
也可以是，第三计算单元基于将与估计对象的疾病倾向相对应的多个第二功能连接分别乘以对应的加权参数后的总和，来计算表示疾病倾向的得分。
也可以是，第三计算单元通过在对表示疾病倾向的得分进行标准化处理之后进行阈值处理，来计算疾病倾向标签。
也可以是，估计模型包含用于选择每个通道组合的第一功能连接中的进行估计所使用的第一功能连接的信息、以及与所选择的第一功能连接相对应的加权参数。
也可以是，第一计算单元根据针对作为对象的两个通道的脑波的时间波形共同设定的窗口中包含的区间内的时间波形间的相关值，来计算第一功能连接。
也可以是，第一计算单元针对脑波的测量数据中包含的每个频带和/或设定的窗口的每个窗口尺寸计算第一功能连接。
也可以是，估计系统还包括条件设定单元，该条件设定单元根据受验者来事先决定向估计模型输入的脑波的测量数据中包含的频带和/或窗口尺寸。
也可以是，第二计算单元根据针对表示作为对象的两个关心区域的活动量的时间波形共同设定的窗口中包含的区间内的时间波形间的相关值，来计算第二功能连接。
按照本发明的另一实施方式的估计方法包括获取从受验者同时测量出的脑波的测量数据和功能性磁共振成像法的测量数据的步骤。脑波的测量数据包含与配置于受验者的头部的多个传感器分别对应的多个通道的每个通道的时间波形。估计方法还包括以下步骤：基于脑波的测量数据中包含的通道间的相关性，针对每个通道组合计算第一功能连接；基于功能性磁共振成像法的测量数据中包含的关心区域间的相关性，针对每个脑内网络计算第二功能连接；通过使用多个第二功能连接计算表示估计对象的疾病倾向的得分，来计算疾病倾向标签；以及通过使用每个通道组合的第一功能连接和疾病倾向标签进行的机器学习，来使用规定的第一功能连接决定用于估计疾病倾向的估计模型。
按照本发明的又一实施方式的程序使计算机执行获取从受验者同时测量出的脑波的测量数据和功能性磁共振成像法的测量数据的步骤。脑波的测量数据包含与配置于受验者的头部的多个传感器分别对应的多个通道的每个通道的时间波形。程序使计算机还执行以下步骤：基于脑波的测量数据中包含的通道间的相关性，针对每个通道组合计算第一功能连接；基于功能性磁共振成像法的测量数据中包含的关心区域间的相关性，针对每个脑内网络计算第二功能连接；通过使用多个第二功能连接计算表示估计对象的疾病倾向的得分，来计算疾病倾向标签；以及通过使用每个通道组合的第一功能连接和疾病倾向标签进行的机器学习，来使用规定的第一功能连接决定用于估计疾病倾向的估计模型。
根据本发明的又一实施方式，提供一种用于使用从受验者测量出的脑波的测量数据来估计受验者的疾病倾向的学习完毕的估计模型。构建估计模型的处理包括获取从受验者同时测量出的脑波的测量数据和功能性磁共振成像法的测量数据的步骤。脑波的测量数据包含与配置于受验者的头部的多个传感器分别对应的多个通道的每个通道的时间波形。构建估计模型的处理还包括以下步骤：基于脑波的测量数据中包含的通道间的相关性，针对每个通道组合计算第一功能连接；基于功能性磁共振成像法的测量数据中包含的关心区域间的相关性，针对每个脑内网络计算第二功能连接；通过使用多个第二功能连接计算表示估计对象的疾病倾向的得分，来计算疾病倾向标签；以及通过使用每个通道组合的第一功能连接和疾病倾向标签进行的机器学习，来决定估计模型。
根据本发明的又一实施方式，提供一种用于执行神经反馈训练的脑活动训练装置。脑活动训练装置包括：存储装置，其保存在执行神经反馈训练之前生成的用于估计受验者的疾病倾向的估计模型；以及脑波仪，其用于在神经反馈训练中测量受验者的脑波的测量数据。脑波的测量数据包含与配置于受验者的头部的多个传感器分别对应的多个通道的每个通道的时间波形。脑活动训练装置还包括：呈现装置；以及处理装置，其在神经反馈训练中，基于来自脑波仪的测量数据，使用估计模型来计算受验者的疾病倾向，将用于进行与该疾病倾向对应的显示的信号输出到呈现装置。
估计模型是通过下面的处理而生成的：获取从受验者同时测量出的脑波的测量数据和功能性磁共振成像法的测量数据；基于脑波的测量数据中包含的通道间的相关性，针对每个通道组合计算第一功能连接；基于功能性磁共振成像法的测量数据中包含的关心区域间的相关性，针对每个脑内网络计算第二功能连接；通过使用多个第二功能连接计算表示估计对象的疾病倾向的得分，来计算疾病倾向标签；以及通过使用每个通道组合的第一功能连接和疾病倾向标签进行的机器学习，来使用规定的第一功能连接估计疾病倾向，从而决定估计模型。同时测量的该脑波的测量数据包含与在神经反馈训练中测量的脑波的测量数据的各个通道对应的每个通道的时间波形。
根据本发明的又一实施方式，提供一种用于执行神经反馈训练的脑活动训练方法。脑活动训练方法包括以下步骤：获取在执行神经反馈训练之前生成的用于估计受验者的疾病倾向的估计模型；以及在神经反馈训练中测量受验者的脑波的测量数据。脑波的测量数据包含与配置于受验者的头部的多个传感器分别对应的多个通道的每个通道的时间波形。脑活动训练方法还包括以下步骤：在神经反馈训练中，基于脑波的测量数据，使用估计模型来计算受验者的疾病倾向，将用于进行与该疾病倾向对应的显示的信号输出到呈现装置。获取估计模型的步骤包括以下步骤：获取从受验者同时测量出的脑波的测量数据和功能性磁共振成像法的测量数据；基于脑波的测量数据中包含的通道间的相关性，针对每个通道组合计算第一功能连接；基于功能性磁共振成像法的测量数据中包含的关心区域间的相关性，针对每个脑内网络计算第二功能连接；通过使用多个第二功能连接计算表示估计对象的疾病倾向的得分，来计算疾病倾向标签；以及通过使用每个通道组合的第一功能连接和疾病倾向标签进行的机器学习，来使用规定的第一功能连接估计疾病倾向，从而决定估计模型。同时测量的该脑波的测量数据包含与在神经反馈训练中测量的脑波的测量数据的各个通道对应的每个通道的时间波形。
根据本发明的又一实施方式，提供一种用于执行神经反馈训练的脑活动训练程序。脑活动训练程序使计算机执行以下步骤：保存在执行神经反馈训练之前生成的用于估计受验者的疾病倾向的估计模型；以及在神经反馈训练中获取受验者的脑波的测量数据。脑波的测量数据包含与配置于受验者的头部的多个传感器分别对应的多个通道的每个通道的时间波形。脑活动训练程序使计算机还执行以下步骤：在神经反馈训练中，基于脑波的测量数据，使用估计模型来计算受验者的疾病倾向，将用于进行与该疾病倾向对应的显示的信号输出到呈现装置。估计模型是通过下面的处理而生成的：获取从受验者同时测量出的脑波的测量数据和功能性磁共振成像法的测量数据；基于脑波的测量数据中包含的通道间的相关性，针对每个通道组合计算第一功能连接；基于功能性磁共振成像法的测量数据中包含的关心区域间的相关性，针对每个脑内网络计算第二功能连接；通过使用多个第二功能连接计算表示估计对象的疾病倾向的得分，来计算疾病倾向标签；以及通过使用每个通道组合的第一功能连接和疾病倾向标签进行的机器学习，来使用规定的第一功能连接估计疾病倾向，从而决定估计模型。同时测量的该脑波的测量数据包含与在神经反馈训练中测量的脑波的测量数据的各个通道对应的每个通道的时间波形。
发明的效果
根据本发明的某个实施方式，能够更简便地估计与多个脑内网络相关联的任意的疾病。
附图说明
图1是示出按照本实施方式的估计方法的概要的示意图。
图2是示出按照本实施方式的估计方法的概要的示意图。
图3是示出按照本实施方式的疾病倾向的估计系统的硬件结构例的示意图。
图4是示出构成实现按照本实施方式的估计方法的估计系统的处理装置的硬件结构例的示意图。
图5是用于说明按照本实施方式的估计方法中的决定估计模型的处理的图。
图6是示出按照本实施方式的估计方法中的用于决定估计模型的数据处理例的图。
图7是用于说明在按照本实施方式的估计方法中决定的估计模型的概要的图。
图8是示出按照本实施方式的估计方法的处理过程的流程图。
图9是示出图8的步骤S102和S104的更详细的处理过程的流程图。
图10是用于说明针对EEG测量数据和fMRI测量数据的预处理的概要的图。
图11是示出图8的步骤S112～S118的更详细的处理过程的流程图。
图12是用于说明所决定出的估计模型的概要的图。
图13是用于说明利用按照本实施方式的估计方法的神经反馈训练的概要的图。
图14是示出按照本实施方式的估计方法的实现例的示意图。
图15是示出按照本实施方式的估计系统的处理装置的功能结构的一例的示意图。
图16是示出按照本实施方式的估计系统的处理装置的功能结构的一例的示意图。
图17是示出按照本实施方式的估计方法中的特征量条件的评价结果的一例的图。
图18是示出利用按照本实施方式的估计方法决定出的估计模型的对象特异性的评价结果的一例的图。
图19是用于说明使用利用按照本实施方式的估计方法决定出的估计模型进行神经反馈训练的方法的图。
图20是示出与精神分裂症(SCZ)有关的神经反馈训练的结果例的图。
图21是示出与抑郁症(MDD)有关的神经反馈训练的结果例的图。
图22是示出用于对使用利用按照本实施方式的估计方法决定出的估计模型进行神经反馈训练的长期效果进行评价的过程例的图。
图23是示出与抑郁症(MDD)有关的神经反馈训练的长期效果的一例的图。
图24是示出与精神分裂症(SCZ)有关的神经反馈训练的长期效果的一例的图。
图25是将与精神分裂症(SCZ)有关的神经反馈训练的效果同比较对象群进行比较并示出的图。
图26是将与精神分裂症(SCZ)有关的神经反馈训练的效果同比较对象群进行比较并示出的另一图。
图27是示出用于对神经反馈训练的效果的特异性进行评价的实验例的图。
图28是示出用于对神经反馈训练的效果的特异性进行评价的另一实验例的图。
具体实施方式
参照附图来详细地说明本发明的实施方式。此外，对图中的相同或相当的部分标注相同的附图标记，不重复对其的说明。
[A.概要]
首先，对按照本实施方式的估计方法的概要进行说明。图1和图2是示出按照本实施方式的估计方法的概要的示意图。在图1中示出决定估计模型的处理(学习阶段)的概要，在图2中示出使用所决定出的估计模型来估计疾病倾向(估计阶段)的处理的概要。
在本说明书中，“疾病”是不仅包含人所产生的病态症状、还包含与平常的人所表现出的状态不同的精神上或身体上的任意的症状的用语。将在该情况下出现的症状也称为“疾病样症状”。“疾病倾向”是包含作为对象的受验者具有与作为对象的“疾病”对应的症状的可能性(盖然性)、以及作为对象的受验者出现与作为对象的“疾病”对应的症状的可能性(盖然性)的用语。
另一方面，在本说明书中，“估计模型”设为不限于对这些可能性的估计，也存在估计健康者处于与标准的“健康的脑活动的状态”之间有规定程度以上的差距的脑活动的状态的可能性(差距的程度)的情况。即，“估计模型”有时也被用于估计脑活动的相对状态。
在本说明书中，“功能连接”是包含表示脑内的区域之间功能上连接的程度的指标的用语。能够使用以任意的测量方法测量出的数据来以任意的方法计算出“功能连接”。在本说明书中，除了明确记载了特定的测量数据和特定的计算方法的情况以外，“功能连接”的计算方法不被限定。
参照图1，在本实施方式的估计方法中，首先，针对同一个受验者，在静息态时同时进行EEG和fMRI，来获取EEG/fMRI同时测量数据((1)EEG/fMRI同时测量)。此时，通过EEG得到的数据(下面也称为“EEG测量数据”。)以及通过fMRI得到的数据(下面也称为“fMRI测量数据”。)表示同一个受验者的同一个脑活动。即，EEG/fMRI同时测量数据包含从受验者同时测量出的脑波的测量数据(EEG测量数据)以及功能性磁共振成像法的测量数据(fMRI测量数据)。
各传感器典型地由一对电极构成。各传感器也被称为通道，EEG测量数据相当于多通道的脑波。即，EEG测量数据包含与配置于受验者的头部的多个传感器分别对应的多个通道的每一个通道的时间波形。根据EEG测量数据，来计算各频带中的功能连接((2)计算功能连接(FC))。下面也将功能连接称为“FC”(Functional Connectivity)。
在按照本实施方式的估计方法中，不限于作为通过脑电活动而产生的电压的测量值的EEG，也能够使用作为通过脑电活动而产生的变动磁场的测量值的脑磁图(Magnetoencephalography：MEG)。为了便于说明，在下面的说明中，主要对使用EEG测量数据的例子进行说明。
fMRI测量数据被用于根据特定的脑内网络来估计受验者的疾病倾向。脑内网络也被称为静息态网络(Resting State Network：RSN)，是通过属于单个脑区域的信号源得到的特征性的脑活动图案的总称、或者通过属于在空间上分离的多个脑区域的信号源协作所得到的特征性的脑活动图案的总称。主要使用静息态fMRI来定义脑内网络。
具体地说，作为静息态网络，已知有(1)控制网络(Control Network：CON)、(2)背侧注意网络(Dorsal Attention Network：DAN)、(3)默认模式网络(Default ModeNetwork：DMN)、(4)大脑边缘系统(LIM)、(5)躯体运动网络(Somatomotor Network：SMN)、(6)腹侧注意网络(Ventral Attention Network：VAN)以及(7)视觉网络(Visual Network：VIS)这7种网络。
此外，(1)控制网络(CON)有时也被称为额顶网络(Frontal Parietal Network)，(6)腹侧注意网络(VAN)有时也被称为显著网络(Saliency Network)。
并且，上述的静息态网络有时也被分割为若干子网络。更具体地说，(1)控制网络(CON)被分割为三个子网络，(3)默认模式网络(DMN)被分割为四个子网络，除它们以外的网络均被分割为两个子网络。
受验者的疾病倾向被认为能够基于每种疾病的预先已知的特定的一个或多个脑内网络来进行估计。因此，在按照本实施方式的估计方法中，基于特定的一个或多个脑内网络，来估计受验者的疾病倾向((3)根据多个脑内网络来估计疾病倾向)。在下面的说明中，由于输出对疾病倾向进行阈值处理(作为一例为二值化处理)所得到的结果，因此也将估计结果称为“疾病倾向标签”(label)。疾病倾向标签取多个值(等级)中的任一个值。
最终，基于各频带中的动态功能连接和受验者的疾病倾向，来决定用于通过输入EEG测量数据来估计受验者的疾病倾向的估计模型((4)决定估计模型)。估计模型相当于一种学习完毕模型。
参照图2，通过EEG从受验者测量出的EEG测量数据被输入到所决定出的估计模型10，从而输出受验者的疾病倾向的估计结果。能够使用受验者的疾病倾向的估计结果来进行神经反馈训练(下面也简称为“训练”。)等。如后述那样，估计模型10还包含用于选择通过EEG从受验者测量出的EEG测量数据中的适合估计疾病倾向的信息的功能。
通过使用这样的估计模型10，能够逐次地估计受验者的疾病倾向的状态，因此例如能够以低成本实现神经反馈。如后述那样，由于估计模型具有对象特异性，因此估计模型是按各疾病而准备的。而且，应用与受验者所出现的疾病对应的估计模型。
[B.估计系统的硬件结构例]
接着，对用于实现按照本实施方式的估计方法的估计系统的硬件结构例进行说明。
图3是示出按照本实施方式的疾病倾向的估计系统1的硬件结构例的示意图。参照图3，估计系统1包括处理装置100、EEG装置200以及fMRI装置300。
处理装置100获取从受验者同时测量出的脑波的测量数据(EEG测量数据)和功能性磁共振成像法的测量数据(fMRI测量数据)。更具体地说，处理装置100受理由EEG装置200测量出的EEG测量数据和由fMRI装置300测量出的fMRI测量数据，来决定估计疾病倾向的估计模型。
EEG装置200检测配置于受验者S的头部的多个传感器220所产生的表示脑波的信号(电信号)。EEG装置200包括多路复用器202、噪声滤波器204、A/D(Analog to Digital：模拟数字)变换器206、存储部208以及接口210。
多路复用器202依次选择与多个传感器220分别连接的线缆222中的一组线缆，来与噪声滤波器204电连接。噪声滤波器204是高频截止滤波器等用于去除噪声的滤波器，去除在与所选择的通道对应的一组线缆间产生的表示脑波的信号(电信号)中包含的噪声成分。
A/D变换器206按规定周期对从噪声滤波器204输出的电信号(模拟信号)进行采样，并作为数字信号进行输出。存储部208将从A/D变换器206输出的时间序列数据(数字信号)与所选择的通道及表示定时的信息(例如，时刻或计数值)相关联地依次保存。
接口210响应于来自处理装置100等的访问，而将保存于存储部208中的表示脑波的时间序列数据输出到处理装置100。
另一方面，fMRI装置300通过向受验者S的希望获取脑活动的信息的区域(下面也称为“关心区域”。)施加共振频率的高频电磁场，来检测因共振而从特定的原子核(例如，氢原子核)产生的电磁波，由此测量脑活动。
fMRI装置300包括磁场施加机构310、接收线圈302、驱动部320以及数据处理部350。
磁场施加机构310对受验者S的关心区域施加受到控制的磁场(静磁场和梯度磁场)，并且照射RF(Radio Frequency：射频)脉冲。更具体地说，磁场施加机构310包括静磁场产生线圈312、梯度磁场产生线圈314、RF照射部316以及用于将受验者S载置于腔(bore)内的卧具318。
驱动部320与磁场施加机构310连接，用于控制对受验者S施加的磁场以及RF脉冲波的发送和接收。更具体地说，驱动部320包括静磁场电源322、梯度磁场电源324、信号发送部326、信号接收部328以及卧具驱动部330。
在图3中，将用于载置受验者S的圆筒形状的腔的中心轴定义为Z轴，将与Z轴正交的水平方向定义为X轴，将与Z轴正交的铅直方向定义为Y轴。
静磁场产生线圈312使绕Z轴卷绕的螺旋线圈在腔内产生Z轴方向的静磁场。梯度磁场产生线圈314包括在腔内分别产生X轴方向、Y轴方向、Z轴方向的梯度磁场的X线圈、Y线圈、Z线圈(未图示)。RF照射部316基于按照控制序列从信号发送部326发送的高频信号，来向受验者S的关心区域照射RF脉冲。在图3中，例示了RF照射部316被内置于磁场施加机构310的结构，但是也可以将RF照射部316设置于卧具318侧，还可以将RF照射部316与接收线圈302一体化。
接收线圈302接收从受验者S释放出的电磁波(NMR信号)，并输出模拟信号。从接收线圈302输出的模拟信号在信号接收部328中被进行放大和A/D变换后输出到数据处理部350。优选的是，接收线圈302被配置为接近受验者S以能够高灵敏度地检测NMR信号。
数据处理部350设定针对驱动部320的控制序列，并且根据由接收线圈302接收到的NMR信号输出表示脑内的活性程度的多个脑活动图案图像来作为表示脑活动的信息。
数据处理部350包括控制部351、输入部352、显示部353、存储部354、图像处理部356、数据收集部357以及接口358。作为数据处理部350，可以是专用计算机，也可以是通过执行保存于存储部354等中的控制程序来实现规定的处理的通用计算机。
控制部351对产生用于对驱动部320进行驱动的控制序列等各功能部的动作进行控制。输入部352受理由未图示的操作者进行的各种操作、信息输入。显示部353对与受验者S的关心区域有关的各种图像以及各种信息进行画面显示。存储部354保存用于执行与fMRI相关的处理的控制程序、参数、图像数据(三维模型像等)、其它电子数据等。图像处理部356基于所检测到的NMR信号的数据，来生成多个脑活动图案图像。接口358与驱动部320之间交换各种信号。数据收集部357收集由源自关心区域的一组NMR信号构成的数据。
图4是示出构成实现按照本实施方式的估计方法的估计系统1的处理装置100的硬件结构例的示意图。处理装置100典型地能够采用遵循通用架构的计算机。参照图4，处理装置100包括处理器102、主存储部104、控制接口106、网络接口108、输入部110、显示部112以及二次存储部120来作为主要组件。
处理器102由CPU(Central Processing Unit：中央处理单元)、GPU(GraphicalProcessing Unit：图形处理单元)等运算处理电路构成，通过以指定的顺序执行保存于二次存储部120中的各种程序所包含的代码来实现后述的各种功能。主存储部104由DRAM(Dynamic Random Access Memory：动态随机存取存储器)等构成，保持由处理器102执行的程序的代码、执行程序所需要的各种工作数据。
处理装置100具有通信功能，该通信功能主要通过控制接口106和网络接口108来提供。
控制接口106与fMRI装置300的数据处理部350之间交换数据。网络接口108与外部装置(例如云端的数据服务器装置等)之间交换数据。控制接口106和网络接口108由有线LAN(Local Area Network：局域网)、无线LAN、USB(Universal Serial Bus：通用串行总线)、Bluetooth(注册商标)等任意的通信组件构成。
输入部110典型地由鼠标或键盘等构成，用于受理由用户进行的操作。显示部112典型地由显示器等构成，用于向用户通知与处理装置100中的处理的执行状态、操作相关的各种信息。
二次存储部120典型地由硬盘或SSD(Solid State Drive：固态驱动器)等构成，保持由处理器102执行的各种程序、处理所需要的各种数据、设定值等。更具体地说，二次存储部120保存EEG测量数据20、fMRI测量数据30、估计模型决定程序121、估计程序122以及估计模型参数124。
[C.估计模型的决定处理]
接着，对按照本实施方式的估计方法中的估计模型的决定处理进行说明。
图5是用于说明按照本实施方式的估计方法中的决定估计模型的处理的图。图6是示出按照本实施方式的估计方法中的用于决定估计模型的数据处理例的图。
针对EEG/fMRI同时测量数据中包含的EEG测量数据20执行用于计算作为说明变量的FC的处理，并且针对EEG/fMRI同时测量数据中包含的fMRI测量数据30执行用于计算作为被说明变量的疾病倾向标签的处理。参照图5和图6来对这些处理进行说明。
(c1：EEG测量数据20)
EEG测量数据20是按每个通道(传感器)测量出的表示脑波的信号变化(时间波形)的集合。EEG测量数据20通过预处理(与图6的(1)预处理对应)被变换为每个频带的功率的时间波形22。功率的时间波形22是指每隔单位时间依次计算EEG测量数据20中包含的对应的频率成分的振幅平方值的平均值所得到的波形。
作为更具体的预处理，对EEG测量数据20(时间波形)进行频率变换，来计算每个频率的振幅。然后，选择所指定的频带中包含的一个或多个频率，并将所选择的一个或多个频率的振幅进行平方后计算平均值，由此能够计算功率。
此外，在EEG测量数据20的采样频率高的情况下，也可以下采样到规定的采样频率之后进行频率分析。例如，也可以是，以为了与fMRI的RF脉冲的照射周期(TR：repetitiontime(重复时间))对应而使采样频率成为1/TR[Hz]的方式进行下采样。
像这样，对于EEG测量数据20，通过预处理来生成通道数N×频带数M的功率的时间波形22。此外，作为频带，例如列举有西塔波(θ波：4Hz-8Hz)、阿尔法波(α波：8Hz-12Hz)、低贝塔(低β波：12Hz-20Hz)、高贝塔(高β波：20Hz-30Hz)这四种。例如，在通道数N为63且频带数M为4的情况下，会生成252(＝63×4)个功率的时间波形22。
接下来，针对同一频带，计算不同通道间的功率的时间波形22的时间相关性(与图6的(2)计算时间相关性对应)。
在本说明书中，“时间相关性”是指针对多个时间波形共同设定的窗口26所包含的区间内的、时间波形间的相关值和相关值的时间波形。
对于EEG测量数据20，计算两个功率的时间波形22之间的时间相关性。此时，时间相关性是指在针对两个功率的时间波形22设定的窗口26的时间宽度中所关注的相关值的时间波形。即，根据针对作为对象的两个通道的脑波的时间波形共同设定的窗口26所包含的区间内的时间波形间的相关值来计算功能连接(FC)。
窗口26具有规定的窗口尺寸(时间宽度)，使窗口26的设定位置(从开始时刻到结束时刻的时间区间)以每次移动步长的方式依次移动，并且依次计算与窗口26的各个设定位置对应的相关性，由此能够计算EEG时间相关性的时间波形24。计算出的EEG时间相关性的时间波形24相当于FC。
像这样，基于EEG测量数据20中包含的通道间的相关性，来针对每个通道组合(每个通道对)计算功能连接(FC)。
例如，如果EEG的通道数N为63，则能够针对1953(＝N×(N-1)/2＝63×(63-1)/2)种通道组合(通道对)分别计算EEG时间相关性的时间波形24。另外，EEG时间相关性的时间波形24具有窗口26的移动次数(时间步数)的时间长度。
EEG时间相关性的时间波形24是按各频带而计算的。即，生成频带数M的EEG时间相关性的时间波形24。
并且，也可以使设定的窗口26的窗口尺寸(时间宽度)不同，分别计算EEG时间相关性的时间波形24。
像这样，作为用于估计疾病倾向的特征量，也可以使用使通道对、频带、窗口尺寸这三者不同的EEG时间相关性的时间波形24。在该情况下，对于各个频带和/或各个窗口尺寸，EEG时间相关性的时间波形24作为通道组合(通道对)维×(与窗口26相应的时间步数)维的向量而被输出。
像这样，也可以针对EEG测量数据20中包含的每个频带和/或设定的窗口26的每个窗口尺寸计算功能连接(FC)。
此外，也可以生成将频带和窗口尺寸全部汇总而成的单一向量。在该情况下，作为{(通道组合(通道对)的数量)×(窗口尺寸的数量)×(频带的数量)}维×(时间步数)维的向量而被输出。即，在上述的例子中，作为EEG时间相关性的时间波形24，对于各个频带和/或各个窗口尺寸，可以1953维×(时间步数)维的向量，也可以输出将它们汇总而成的更多维的向量。
(c2：fMRI测量数据30)
fMRI测量数据30(即，脑活动图案图像)是在RF脉冲的每个照射周期获取的脑活动图案图像的集合。关于各个已知的脑内网络(静息态网络)，与脑内的哪个区域的脑活动对应是已知的。像这样的与各个脑内网络对应的一个或多个区域相当于“关心区域”(RegionOf Interest：下面也简称为“ROI”。)。
在按照本实施方式的估计方法中，设为各脑内网络的活动是由两个ROI的组合来规定的。
首先，通过对fMRI测量数据30的预处理(与图6的(1’)预处理对应)来计算每个ROI的BOLD信号32。BOLD信号是指每个ROI的依赖于血氧浓度的活动量的时间变化。更具体地说，在针对fMRI测量数据30的预处理中，基于脑活动图案图像中包含的与ROI对应的图像特征量来计算BOLD信号。
接下来，在与每个脑内网络对应的ROI间计算BOLD信号32的时间相关性(与图6的(2’)计算时间相关性对应)。对于fMRI测量数据30，计算两个BOLD信号32之间的时间相关性。此时，时间相关性是指在针对两个BOLD信号32设定的窗口26的时间宽度中所关注的相关值的时间波形。即，根据针对表示作为对象的两个ROI的活动量的时间波形共同设定的窗口26所包含的区间内的时间波形间的相关值来计算功能连接(FC’)。
窗口26具有规定的窗口尺寸(时间宽度)，使窗口26的设定位置(从开始时刻到结束时刻的时间区间)以每次移动步长的方式依次移动，并且依次计算与窗口26的各个设定位置对应的相关性，由此能够计算BOLD时间相关性的时间波形34。BOLD时间相关性的时间波形34是相关值的时间变化，相当于功能连接(FC’)。
能够针对ROI组合、即设为对象的脑内网络分别计算BOLD时间相关性的时间波形34。像这样，基于fMRI测量数据30中包含的ROI间的相关性，来针对每个脑内网络计算功能连接(FC’)。
此外，图5中的“动态”是指针对正在关注的每个窗口计算出值，“静态”是指在整个期间计算出单一的值。因此，图5中的“静态FC”是指整个期间的相关值(单一功能连接)。
使用像这样计算出的BOLD时间相关性的时间波形34(FC’)，来估计疾病倾向(与图6的(3’)估计疾病倾向对应)。通过先前的研究，已知疾病倾向与多个脑内网络(即，多个ROI中的脑活动)相关联。
在按照本实施方式的估计方法中，使用这样的先验信息，并使用与估计对象的疾病倾向相关联的多个脑内网络所对应的BOLD时间相关性的时间波形34，来计算WLS 36，该WLS 36是表示估计对象的疾病倾向的得分。更具体地说，通过将成为对象的多个BOLD时间相关性的时间波形34(FC’)分别乘以对应的加权参数后相加，来计算WLS 36。这样的计算方法已知为WLS(Weighted Linear Summation：加权线性求和)法。
像这样，基于将与估计对象的疾病倾向相对应的多个功能连接(BOLD时间相关性的时间波形34)分别乘以对应的加权参数后的总和，来计算作为表示疾病倾向的得分的WLS36。
像这样，通过使用多个BOLD时间相关性的时间波形34(FC’)计算表示估计对象的疾病倾向的得分(WLS 36)，从而计算疾病倾向标签38。
并且，通过在对表示疾病倾向的得分(WLS 36)进行标准化处理之后进行阈值处理，来计算疾病倾向标签38(label)。例如，在采用二值化处理作为阈值处理的情况下，疾病倾向标签38表示为意味着健康的“0”或意味着疾病的“1”。
对于估计对象的疾病倾向，疾病倾向标签38被输出为一维×(窗口26的设定数)维的向量。疾病倾向标签38为被说明变量。
(c3：估计模型的决定处理)
估计模型规定作为说明变量的EEG时间相关性的时间波形24(FC)与作为被说明变量的疾病倾向标签38(label)的关系。在按照本实施方式的估计方法中，在作为多维向量的EEG时间相关性的时间波形24包含的特征量中选择适合估计疾病倾向标签38的特征量。在估计阶段中，利用所选择的特征量的信息(依次计算出的时间相关性)来估计疾病倾向。即，通过使用每个通道组合(每个通道对)的EEG时间相关性的时间波形24(FC)和疾病倾向标签38进行的机器学习，来使用规定的EEG时间相关性的时间波形24(FC)决定用于估计疾病倾向的估计模型。
像这样，通过在估计中仅利用作为说明变量的EEG时间相关性的时间波形24中包含的特征量的一部分，能够压缩和削减维数，由此能够减少与估计相关的运算量，并且能够使估计处理高速化。
在估计模型的决定中能够使用任意的机器学习算法，但作为一例也可以采用SLR(Sparse Logistic Regression：稀疏逻辑回归)。
即，EEG时间相关性的时间波形24作为说明变量被输入到作为机器学习算法的SLR(与图6的(3)向SLR输入对应)，并且疾病倾向标签38作为被说明变量被输入到作为机器学习算法的SLR(与图6的(4’)向SLR输入对应)。然后，通过机器学习，选择适合估计疾病倾向标签38的特征量。
图7是用于说明在按照本实施方式的估计方法中决定出的估计模型的概要的图。参照图7，EEG时间相关性的时间波形24为与每个频带的EEG的通道数相应的特征量群。此外，虽未图示，但EEG时间相关性的时间波形24也是按每个窗口尺寸计算的。
通过机器学习，在构成EEG时间相关性的时间波形24的多维向量的大量的特征量中选择适合估计疾病倾向标签38的规定数量(例如，30个)的特征量Fi(i＝1，2，…，x)。
并且，也可以针对所选择的特征量分别决定加权参数Wi(i＝1，2，…，x)。例如，可以为，越适合估计疾病倾向标签38的特征量Fi则加权参数Wi被设定为越大的值。
或者，也可以代替特征量的选择以及与所选择的特征量Fi对应的加权参数Wi的决定这一方法，而仅决定加权参数Wi。例如，通过对于在疾病倾向标签38的估计中不使用的特征量，将加权参数Wi设定为零，能够得到与不进行选择的情况同样的结果。
像这样，所决定出的估计模型包含用于选择每个通道组合(每个通道对)的EEG时间相关性的时间波形24(FC)中的进行估计所使用的EEG时间相关性的时间波形24(特征量Fi)的信息、以及与所选择的EEG时间相关性的时间波形24对应的加权参数Wi。
在估计阶段中，使用通过如上所述的过程决定出的特征量和对应的加权参数，仅根据EEG测量数据20来依次估计受验者的疾病倾向。
(c4：处理过程)
图8是示出按照本实施方式的估计方法的处理过程的流程图。图8所示的一部分步骤也可以通过在处理装置100中执行程序来实现。
参照图8，首先，同时测量EEG和fMRI，来获取EEG测量数据20和fMRI测量数据30(步骤S100)。即，处理装置100获取从受验者同时测量出的脑波的测量数据(EEG测量数据20)和fMRI的测量数据(fMRI测量数据30)。
处理装置100通过对所获取到的EEG测量数据20进行预处理，来计算关于各个频带的功率的时间波形(步骤S102)。接下来，处理装置100使用所计算出的功率的时间波形，来计算关于各个窗口尺寸的EEG时间相关性的时间波形(步骤S104)。即，处理装置100基于EEG测量数据20中包含的通道间的相关性，来针对每个通道组合计算功能连接(FC)。
与步骤S102及S104的处理并行地，或者在步骤S104之后，处理装置100通过对所获取到的fMRI测量数据30进行预处理来计算关于构成脑内网络的各个ROI的BOLD信号的时间波形(步骤S112)。接下来，处理装置100使用所计算出的BOLD信号的时间波形，来计算关于各个窗口尺寸的BOLD时间相关性的时间波形(步骤S114)。即，处理装置100基于fMRI测量数据30中包含的ROI间的相关性，来针对每个脑内网络计算功能连接(FC’)。
接下来，处理装置100在所计算出的BOLD时间相关性的时间波形中选择与估计对象的疾病倾向相应的BOLD时间相关性的时间波形，并且将所选择的BOLD时间相关性的时间波形分别乘以对应的加权参数后相加，来计算WLS(步骤S116)。然后，处理装置100通过对所计算出的WLS进行标准化处理后进行二值化，来计算表示疾病倾向的疾病倾向标签(步骤S118)。即，处理装置100通过使用多个功能连接(FC’)计算表示估计对象的疾病倾向的得分(WLS)，从而计算疾病倾向标签。
最后，处理装置100通过使用EEG时间相关性的时间波形和疾病倾向标签进行机器学习，来决定用于估计疾病倾向标签的特征量和加权参数(步骤S120)。即，处理装置100针对每个通道组合，通过使用功能连接(FC)和疾病倾向标签进行的机器学习，来使用规定的功能连接(FC)决定用于估计疾病倾向的估计模型。
能够通过这样的过程来决定出估计模型。
[D.EEG/fMRI同时测量]
接着，对图1所示的“(1)EEG/fMRI同时测量”以及图8所示的步骤S100进行说明。在受验者S以头部佩戴着传感器的状态被置于fMRI装置300的腔内后，利用图3所示的估计系统1并行地执行EEG和fMRI。
处理装置100将来自EEG装置200和fMRI装置300的测量数据以相同的时刻为基准相互关联地进行保存。通过像这样基于相同的时刻将测量数据对应起来，能够获取使时间轴相同的EEG测量数据20和fMRI测量数据30。
[E.根据EEG测量数据20计算功能连接(FC)]
接着，详细叙述图1所示的“(2)计算功能连接(FC)”以及图8所示的步骤S102～S104。
首先，作为针对EEG测量数据20(时间波形)的预处理，对时间波形进行频率变换。作为进行频率变换的处理，例如能够使用高速傅立叶变换等。此外，不限于高速傅立叶变换，也可以使用希尔伯特变换、离散傅立叶变换等。
作为图8的步骤S102的预处理，通过对EEG测量数据20进行频率变换来计算频域(频率与振幅的关系)的数据。通过针对每个作为对象的频带计算该频带所包含的频率的振幅平方值的平均值，来计算该频带的功率。
在图8的步骤S104中，选择任意的两个通道，使窗口沿着时间轴依次移动，并且依次计算窗口内的功率的时间波形之间的相关值。
能够通过这些处理来计算出EEG时间相关性的时间波形24(FC)。
图9是示出图8的步骤S102和S104的更详细的处理过程的流程图。参照图9，处理装置100选择所获取到的EEG测量数据20中包含的一个通道(步骤S1021)，选择作为计算功率的对象的时刻(步骤S1022)，对以所选择的时刻为基准位置的窗口中包含的时间波形进行高速傅立叶变换(步骤S1023)。
此外，也可以在将窗口中包含的时间波形沿着时间轴进行移动平均之后进行高速傅立叶变换。通过应用这样的移动平均，能够降低高频的噪声成分。
接下来，处理装置100选择作为计算功率的对象的频带(步骤S1024)，计算所选择的频带中包含的频率的振幅平方值的平均值(步骤S1025)。然后，处理装置100将振幅平方值的平均值与所选择的时刻及所选择的频带相关联地进行保存(步骤S1026)。
处理装置100判断是否完成了所有频带的选择(步骤S1027)。若未完成所有频带的选择(步骤S1027中为“否”)，则重复进行步骤S1024以后的处理。
若完成了所有频带的选择(步骤S1027中为“是”)，则处理装置100判断是否完成了所有时刻的选择(步骤S1028)。若未完成所有时刻的选择(步骤S1028中为“否”)，则重复进行步骤S1022以后的处理。
若完成了所有时刻的选择(步骤S1028中为“是”)，则处理装置100判断是否完成了所有通道的选择(步骤S1029)。若未完成所有通道的选择(步骤S1029中为“否”)，则重复进行步骤S1021以后的处理。
若完成了所有通道的选择(步骤S1029中为“是”)，则在该阶段完成每个频带的功率的时间波形22的计算处理。然后，接下来进行EEG时间相关性的时间波形24(FC)的计算处理。
处理装置100选择作为计算EEG时间相关性的对象的窗口设定(窗口尺寸和步长)(步骤S1041)，并选择作为计算EEG时间相关性的对象的频带(步骤S1042)。
此外，关于窗口设定(窗口尺寸和步长)，可以预先准备多种组合，也可以仅为一种。
另外，处理装置100选择作为计算EEG时间相关性的对象的通道组合(步骤S1043)。
接下来，处理装置100选择作为计算EEG时间相关性的对象的时刻(步骤S1044)，针对与所选择的通道组合对应的两个通道，提取以所选择的时刻为基准位置的窗口中包含的功率的时间波形(步骤S1045)，计算所提取的功率的时间波形的相关值(步骤S1046)。然后，处理装置100将所计算出的相关值与所选择的时刻、通道组合、频带及窗口设定相关联地进行保存(步骤S1047)。
处理装置100判断是否完成了所有时刻的选择(步骤S1048)。若未完成所有时刻的选择(步骤S1048中为“否”)，则重复进行步骤S1044以后的处理。
若完成了所有时刻的选择(步骤S1048中为“是”)，则处理装置100判断是否完成了所有通道组合的选择(步骤S1049)。若未完成所有通道组合的选择(步骤S1049中为“否”)，则重复进行步骤S1043以后的处理。
若完成了所有通道组合的选择(步骤S1049中为“是”)，则处理装置100判断是否完成了所有频带的选择(步骤S1050)。若未完成所有频带的选择(步骤S1050中为“否”)，则重复进行步骤S1042以后的处理。
若完成了所有频带的选择(步骤S1050中为“是”)，则处理装置100判断是否完成了所有窗口设定的选择(步骤S1051)。若未完成所有窗口设定的选择(步骤S1051中为“否”)，则重复进行步骤S1041以后的处理。
若完成了所有窗口设定的选择(步骤S1051中为“是”)，则在该阶段完成EEG时间相关性的时间波形24(FC)的计算处理。
[F.根据fMRI测量数据30估计疾病倾向的处理]
接着，详细叙述图1所示的“(3)根据多个脑内网络来估计疾病倾向”以及图8所示的步骤S112～S118。
首先，在针对fMRI测量数据30(脑活动图案图像)的预处理(步骤S112)中，根据脑活动图案图像计算每个ROI的BOLD信号32。在该BOLD信号32的提取中，执行用于补偿fMRI中所产生的时间延迟的处理。
更具体地说，当将正在关注的ROI的作为大脑状态(neural state)的BOLD信号32设为s(t)、将血流动态反应函数(hemodynamic response function：HRF)设为h(t)时，向表示每个ROI的活动量的BOLD信号的变换y(t)如下面的式(1)所示那样相当于对s(t)与h(t)的卷积附加了误差e(t)。
[数1]
Figure BDA0004028623680000241
在此，HRF(t)依赖于fMRI的RF脉冲的照射周期TR。
大脑状态的估计值s^(t)能够使用维纳滤波器d(t)表示为下面的式(2)。
[数2]
Figure BDA0004028623680000242
在此，当将H(x)、Y(x)、E(x)、D(x)设为h(t)、y(t)、e(t)、d(t)的傅立叶变换时，大脑状态的估计值s^(t)能够表示为下面的式(3)。
[数3]
Figure BDA0004028623680000251
上述的式(3)所示的大脑状态的估计值s^(t)相当于BOLD信号。即，通过用HRF对观测到的y(t)进行反卷积来估计大脑状态的估计值s(t)。通过用HRF进行反卷积，来补偿EEG测量数据20与fMRI测量数据30之间的时间延迟(测量点的偏移)。
图10是用于说明针对EEG测量数据20和fMRI测量数据30的预处理的概要的图。
参照图10，使窗口26相对于EEG测量数据20以每次移动步长的方式依次移动并进行设定，并且针对每个窗口26计算EEG时间相关性，由此能够计算EEG时间相关性的时间波形24。
另一方面，针对fMRI测量数据30，通过使用HRF进行反卷积，来补偿与RF脉冲的照射相关的时间延迟，之后计算BOLD信号32。即，通过使用HRF进行的反卷积，能够使EEG测量数据20的时间轴与BOLD信号32的时间轴实质上一致。然后，使用BOLD信号32计算疾病倾向标签38。
在图8的步骤S114中，针对两个ROI的各个组合，使窗口沿着时间轴依次移动，并且依次计算窗口内的BOLD信号的时间波形之间的相关值。此外，两个ROI的组合也可以是相同ROI的组合。
在图8的步骤S116和S118中，通过将与估计对象的疾病倾向相应的多个BOLD时间相关性的时间波形分别乘以对应的加权参数后相加，来计算WLS。并且，通过对所计算出的WLS进行标准化处理后进行二值化，来计算表示疾病倾向的疾病倾向标签。更具体地说，能够使用第k个BOLD时间相关性的时间波形34(FC’(k))和对应的加权参数WFC(k)来如下面所示的式(4)那样计算WLS 36。
WLS＝∑FC'(k)×WFC(k)…(4)
WLS是以0为边界且疾病倾向的程度越大则示出越大的数值的得分。WLS能够按照下面所示的式(5)标准化为概率p。
p＝1/(1+exp(-WLS))…(5)
概率p(0≤p≤1)以0.5为边界且疾病倾向的程度越大则越接近1。
根据估计对象的疾病倾向，来选择作为对象的功能连接(FC’)。例如，在非专利文献3中公开有使用了16个功能连接(FC’)的精神分裂症(SCZ)的疾病判别器。另外，在非专利文献4中公开有使用了10个功能连接(FC’)的忧郁症性抑郁症(MDD：melancholic)的疾病判别器。
通过参照这些先前技术，能够根据估计对象的疾病倾向来选择多个功能连接(FC’)，并且能够通过计算分别乘以与所选择的功能连接(FC’)相对应的加权参数WFC所得到的值的总和来决定WLS。
最后，通过对概率p进行二值化，能够计算疾病倾向标签。
图11是示出图8所示的步骤S112～S118的更详细的处理过程的流程图。参照图11，处理装置100选择成为BOLD信号的计算对象的ROI(步骤S1121)，从与自fMRI测量数据30分别选择出的ROI对应的区域的图像特征量中分别提取活动量(步骤S1122)。通过用HRF对所提取的活动量的时间变化进行反卷积，来计算BOLD信号的时间波形(步骤S1123)，并与所选择的ROI相关联地进行保存(步骤S1124)。
处理装置100判断是否完成了所有ROI的选择(步骤S1125)。若未完成所有ROI的选择(步骤S1125中为“否”)，则重复进行步骤S1121以后的处理。
若完成了所有ROI的选择(步骤S1125中为“是”)，则在该阶段完成每个ROI的BOLD信号的计算处理。然后，接下来进行BOLD时间相关性的时间波形34的计算处理。
处理装置100选择作为计算BOLD时间相关性的对象的ROI组合(步骤S1141)。
接下来，处理装置100选择作为计算BOLD时间相关性的对象的时刻(步骤S1142)，针对与所选择的ROI组合对应的两个ROI，提取以所选择的时刻为基准位置的窗口中包含的BOLD信号32的时间波形(步骤S1143)，计算所提取的BOLD信号的时间波形的相关值(步骤S1144)。然后，处理装置100将所计算出的相关值与所选择的时刻及ROI组合相关联地进行保存(步骤S1145)。
处理装置100判断是否完成了所有时刻的选择(步骤S1146)。若未完成所有时刻的选择(步骤S1146中为“否”)，则重复进行步骤S1142以后的处理。
若完成了所有时刻的选择(步骤S1146中为“是”)，则处理装置100判断是否完成了所有ROI组合的选择(步骤S1147)。若未完成所有ROI组合的选择(步骤S1147中为“否”)，则重复进行步骤S1141以后的处理。
若完成了所有ROI组合的选择(步骤S1147中为“是”)，则在该阶段完成BOLD时间相关性的时间波形34的计算处理。然后，接下来进行WLS的计算处理。
处理装置100选择估计对象的疾病倾向(步骤S1161)，决定与所选择的疾病倾向相关联的多个脑内网络(ROI组合)(步骤S1162)。另外，处理装置100决定与所决定出的多个脑内网络分别对应的加权参数(步骤S1163)。然后，处理装置100将所决定出的多个脑内网络各自的BOLD时间相关性的时间波形34分别乘以对应的加权参数，之后计算总和(步骤S1164)。所计算出的总和为与估计对象的疾病倾向对应的WLS。
处理装置100判断是否完成了所有疾病倾向的选择(步骤S1165)。若未完成所有疾病倾向的选择(步骤S1165中为“否”)，则重复进行步骤S1161以后的处理。
若完成了所有疾病倾向的选择(步骤S1165中为“是”)，则在该阶段完成每个疾病倾向的WLS的计算处理。然后，接下来进行疾病倾向标签的计算处理。
处理装置对所计算出的WLS进行标准化处理来计算概率p(步骤S1181)，对所计算出的概率p进行阈值处理，从而输出0或1的值的列(步骤S1182)。输出的0或1的值的列为表示疾病倾向的疾病倾向标签。
[G.模型化处理]
接着，详细叙述图1所示的“(4)决定估计模型”以及图8所示的步骤S120。
在估计模型的决定处理中，通过对作为说明变量的EEG时间相关性的时间波形24(FC)和作为被说明变量的疾病倾向标签38的关系进行机器学习，来决定构成EEG时间相关性的时间波形24中包含的多维向量的大量的特征量中的、适合估计疾病倾向标签38的规定数量(例如，30个)的特征量以及对应的加权参数。
作为这样的机器学习的方法，能够使用任意的机器学习算法，对采用SLR作为一例的情况进行说明。下面对SLR的具体的处理过程进行说明。
作为通过各特征量的加权总和来判别两个类S1和S2的线性判别函数，设想下面所示的式(6)。
[数4]
Figure BDA0004028623680000281
在此，x是D维空间内的特征量(x＝(x1，x2，…，xD)t∈RD)，θ是包含偏倚项的加权向量(θ＝(θ1，θ2，…，θD)t)。与f(x；θ)＝0对应的超平面确定类S1与类S2的边界。
在SLR中，使用如式(7)所示的逻辑函数，针对确定类S1与类S2的边界的超平面，计算各个特征量属于类S2的可能性。
[数5]
Figure BDA0004028623680000282
在此，概率p取0到1的范围，在f(x；θ)＝0(超平面上)的情况下，概率p为0，在f(x；θ)位于正或负的无限点(远离超平面的位置)的情况下，概率p表示1。即，概率p意味着任意的特征量x属于类S2的可能性。
在此，当导入任意的二值输出变量y(y＝0与类S1对应，y＝1与类S2对应)时，能够针对包含N个输入-输出的元素的数据列{(x1，y1)，(x2，y2)，…，(xN，yN)}定义下面的式(8)所示的概率函数。
[数6]
Figure BDA0004028623680000291
Figure BDA0004028623680000292
式(8)中的各项表示第n个样本的概率pn(在yn＝1的情况下为pn，在yn＝0的情况下为1-pn)(参照式(9))，因此式(8)所示的各项之积意味着数据列中包含的所有样本的概率。
作为机器学习的目的，导入如式(10)所示的概率函数l(θ)，搜索使通过式(10)定义的概率函数l(θ)的值最大化的加权向量θ。
[数7]
Figure BDA0004028623680000293
概率函数l(θ)包含依赖于加权向量θ的非线性元素的概率pn。因此，在概率函数l(θ)的解法中，能够使用梯度和黑塞矩阵。若能够决定使概率函数l(θ)最大化的加权向量θ(＝(θ1，θ2，…，θD)t)，就能够基于加权向量θ中包含的元素(加权参数)的值选择特征量的一部分来作为适合进行估计的特征量。
例如，从加权参数的大小最大的加权参数起按降序选择规定数量(例如，30个)的加权参数，选择与所选择的加权参数对应的特征量。
通过这样，能够决定估计疾病倾向标签38所使用的、特征量(EEG时间相关性中的使用的通道对、频带、窗口尺寸的指定)以及对应的加权参数。
图12是用于说明所决定出的估计模型的概要的图。参照图12，在估计阶段中，向估计模型10输入EEG时间相关性的时间波形24。更具体地说，按每个步长(例如，30秒)输入规定的窗口尺寸(例如，30秒)的信息量。
估计模型10包含特征量信息11与加权参数12的多个组合。仅使用输入的EEG时间相关性的时间波形24中的、与估计模型10中包含的特征量信息11对应的信息(被选择为特征量的EEG时间相关性)。然后，将所使用的EEG时间相关性乘以对应的加权参数12，并在加法器13中计算各个结果的总和，再通过二值化器14二值化为0或1。将二值化所得到的结果作为疾病倾向进行输出。
此外，在估计模型的决定中，将通道对、频带、窗口尺寸均作为变动因素，但关于频带和窗口尺寸，也可以作为特征量条件而先行决定。
更具体地说，作为特征量条件(频带和窗口尺寸)的决定方法，可以针对多个会话获取EEG/fMRI同时测量数据，通过交叉验证等方法来决定判别性能(例如，由AUC(AreaUnder the Curve：曲线下面积)表示的指标)最高的频带和窗口尺寸。像这样，通过事先决定特征量条件，能够减少决定估计模型的处理所需要的运算量。
像这样，也可以根据受验者来事先决定向估计模型输入的EEG测量数据20中包含的频带和/或窗口尺寸。
[H.估计阶段]
接着，对使用通过如上所述的学习阶段的处理决定出的估计模型的估计阶段的处理例进行说明。
在估计阶段中，将从受验者测量出的EEG测量数据输入到估计模型，来估计受验者的疾病倾向。作为这种估计阶段的典型的应用例，列举有神经反馈训练。
图13是用于说明利用按照本实施方式的估计方法的神经反馈训练的概要的图。参照图13，用于执行神经反馈训练的脑活动训练装置2包括EEG装置200、存储装置502、显示装置510以及处理装置500。
存储装置502保存估计模型。存储装置502中保存的估计模型是在执行神经反馈训练之前生成的。此外，存储装置502也可以使用处理装置500中包括的存储器来实现，还可以使用图14所示的服务器装置400来实现。
显示装置510是呈现装置的一例，向用户提供视觉上或/或听觉上的信息。
EEG装置200相当于脑波仪，在神经反馈训练中，测量受验者S的脑波的测量数据。此外，关于EEG装置200测量的脑波的测量数据，与图1所示的EEG装置200同样，包含与配置于受验者S的头部的多个传感器分别对应的多个通道的每个通道的时间波形。即，在生成估计模型时以及在执行神经反馈训练时，使用实质上相同的EEG装置200，因此生成估计模型时所使用的EEG/fMRI同时测量数据中包含的EEG测量数据包含与在神经反馈训练中测量的EEG测量数据的各个通道对应的每个通道的时间波形。
处理装置500通过EEG从受验者S获取EEG测量数据，并且使用预先决定的估计模型来估计疾病倾向。按每个周期(典型的是，按每个步长)估计疾病倾向。处理装置500计算与所估计出的疾病倾向相应的得分，并在显示装置510上提供与所计算出的得分相应的得分显示520。像这样，处理装置500基于来自EEG装置200的测量数据，使用估计模型来计算与受验者S的疾病倾向相应的得分，并且将与所计算出的得分相应的信息呈现给受验者。即，处理装置500将用于进行与疾病倾向对应的显示的信号输出到显示装置510。
此外，处理装置500也可以通过通用计算机执行脑活动训练程序来实现。
例如，得分显示520包含基准圆522以及大小根据得分而变化的得分圆524。根据基于从受验者S测量出的EEG测量数据所估计出的疾病倾向，来依次更新得分圆524的大小。
向受验者S预先传达如下的意思：通过使得分圆524接近基准圆522、或者使得分圆524远离基准圆522，能够获得报酬。受验者S自己或者按照来自外部的指示，有意识地使用大脑进行计算、联想、冥想等以使得分圆524的大小向所指定的方向变动。通过受验者S有意识地使用大脑，能够进行作为目标的疾病的缓解、治疗等。
在利用按照本实施方式的估计方法的神经反馈训练中，只要能够利用估计模型10和EEG测量数据20，就能够在任意的场所估计疾病倾向。利用这样的优点，例如也能够在使用专用的设备先进行了EEG和fMRI的同时测量之后，在任意的场所进行神经反馈训练。
图14是示出按照本实施方式的估计方法的实现例的示意图。参照图14，例如，在专用的测量站中，对各受验者进行EEG和fMRI的同时测量，处理装置100决定针对各受验者的估计模型10。所决定出的估计模型10从测量站被发送到服务器装置400。
在服务器装置400中，保持包含每个受验者的估计模型的受验者数据402。
除了测量站以外，还从一个或多个治疗所中的各受验者所希望的治疗所访问服务器装置400，来获取与各受验者对应的估计模型。而且，在各治疗所配置有后述那样的处理装置500，基于所获取到的估计模型，来进行如图13所示的神经反馈训练。
通过使用如图14所示的系统，能够降低神经反馈训练的实施成本。
[I.功能结构]
接着，对实现按照本实施方式的估计方法的估计系统1中包括的装置的功能结构的一例进行说明。
(i1：处理装置100)
图15是示出按照本实施方式的估计系统1的处理装置100的功能结构的一例的示意图。典型的是，图15所示的各功能通过处理装置100的处理器102执行估计模型决定程序来实现。
此外，既可以使用处理装置100中包括的一个或多个处理器来执行估计模型决定程序121，也可以由多个处理装置相互协作地执行估计模型决定程序121。在后者的情况下，也可以使用被称为所谓的云系统的、配置在网络上的多个计算机。并且，也可以代替通过处理器执行程序来实现的结构(软件安装)，而使用FPGA(Field-Programmable Gate Array：现场可编程门阵列)、ASIC(Application Specific Integrated Circuit：专用集成电路)之类的硬连线结构来实现其全部或一部分。
按照本实施方式的各程序也可以通过利用OS(Operating System：操作系统)所提供的功能那样的方式来安装，即使在这样的情况下，也能够包含在本申请发明的保护范围内。
参照图15，处理装置100包括预处理模块150、160、时间相关性计算模块152、162、WLS计算模块164、二值化模块166以及模型估计模块168。
预处理模块150将EEG测量数据20变换为功率的时间波形22。功率的时间波形22也可以按每个频带和/或每个窗口尺寸进行计算。
时间相关性计算模块152针对各个通道组合(通道对)，根据功率的时间波形22来计算EEG时间相关性的时间波形24。
预处理模块160根据fMRI测量数据30计算每个ROI的BOLD信号32。
时间相关性计算模块162根据每个ROI的BOLD信号32计算BOLD时间相关性的时间波形34(FC’)。
WLS计算模块164使用与估计对象的疾病倾向相关联的多个脑内网络所对应的BOLD时间相关性的时间波形34，来计算作为表示估计对象的疾病倾向的得分的WLS 36。
二值化模块166在对WLS 36进行标准化处理之后，计算作为对疾病倾向进行二值化所得到的结果的疾病倾向标签38(label)。
模型估计模块168基于EEG时间相关性的时间波形24和疾病倾向标签38，来决定用于估计疾病倾向标签38的特征值和加权参数。所决定出的特征量与加权参数的组作为估计模型10而被输出。
(i2：处理装置500)
接着，对在图13和图14所示的处理装置500中实现的功能结构的一例进行说明。处理装置500的硬件结构与上述的图4所示的处理装置100的硬件结构相同，因此不重复详细的说明。
图16是示出按照本实施方式的估计系统1的处理装置500的功能结构的一例的示意图。图16所示的各功能通过处理装置500的处理器执行估计程序(与图4所示的估计程序122同样)来实现。
既可以使用处理装置500中包括的一个或多个处理器来执行估计程序，也可以由多个处理装置相互协作地执行估计程序。在后者的情况下，也可以使用被称为所谓的云系统的、配置在网络上的多个计算机。并且，也可以代替通过处理器执行程序来实现的结构(软件安装)，而使用FPGA、ASIC之类的硬连线结构来实现其全部或一部分。
按照本实施方式的各程序也可以通过利用OS所提供的功能那样的方式来安装，即使在这样的情况下，也能够包含在本申请发明的保护范围内。
参照图16，处理装置500包括预处理模块550、时间相关性计算模块552、加权总和计算模块554、二值化模块556、估计模型获取模块558以及显示控制模块560。
预处理模块550将EEG测量数据20变换为功率的时间波形22。功率的时间波形22也可以按每个频带和/或每个窗口尺寸进行计算。
时间相关性计算模块552针对每个通道组合(通道对)，根据功率的时间波形22来计算EEG时间相关性的时间波形24。
估计模型获取模块558从服务器装置400等获取与受验者对应的估计模型10。估计模型10包括用于估计疾病倾向标签38的特征量与加权参数的组。
加权总和计算模块554按照由估计模型获取模块558获取到的估计模型10，在EEG时间相关性的时间波形24中选择作为对象的一个或多个特征量(EEG时间相关性)，并且计算乘以对应的加权参数所得到的值的总和来作为WLS 36。
二值化模块556在对WLS 36进行标准化处理之后，计算作为对疾病倾向进行二值化所得到的结果的疾病倾向(0或1)。
显示控制模块560基于从二值化模块556依次输出的疾病倾向的值来计算得分，并计算用于在显示装置510上显示的得分显示520。像这样，基于与所估计出的受验者的疾病倾向相应的评分，来评价受验者的症状的变化。
[J.实施例]
接着，说明对实际的受验者应用按照本实施方式的估计方法所得到的结果中的几个结果。
在下面说明的实施例中，以健康者或被判断为亚临床型的受验者为对象。亚临床型是指根据针对用于评价所关注的疾病的症状程度的询问所回答的内容判断为呈现出至少一部分症状的倾向强的状态。
(j1：特征量条件)
首先，说明对用于决定估计模型的特征量条件的估计精度进行评价的结果例。
针对各受验者，在静息态时同时进行EEG和fMRI来获取EEG/fMRI同时测量数据。对于各受验者获取了至少8个会话(每一个会话5分钟以下)的EEG/fMRI同时测量数据。另外，作为对象疾病，设想了精神分裂症(SCZ)(参照非专利文献3)和抑郁症(MDD)(参照非专利文献4)这两种。
使用所获取到的8个会话的EEG/fMRI同时测量数据中的7个会话的EEG/fMRI同时测量数据来决定估计模型，之后使用剩余的1个会话的EEG/fMRI同时测量数据作为验证数据，通过留一交叉验证(LOOCV：Leave One Out Cross Validation)来评价估计性能。作为估计性能的评价指标，使用了mean AUC(平均AUC)。
图17是示出按照本实施方式的估计方法中的特征量条件的评价结果的一例的图。在图17中，示出使计算时间相关性时的窗口尺寸不同的情况下(8TR、12TR、16TR、20TR、24TR)的估计性能的变化。TR表示RF脉冲的照射周期。
在图17的(A)中示出将精神分裂症(SCZ)设为对象疾病的情况下的评价结果的一例，在图17的(B)中示出将抑郁症(MDD)设为对象疾病的情况下的评价结果的一例。
如图17的(A)和图17的(B)所示，通过使窗口尺寸变化，从而平均AUC的平均值和偏差程度也发生变化。
如图17的(A)所示，关于精神分裂症(SCZ)，可知在作为特征量条件的窗口尺寸为20TR的情况下，就平均AUC的整体平均而言是良好的。但是，在窗口尺寸设为24TR的情况下，一部分受验者呈现出了最高的平均AUC。
另外，如图17的(B)所示，关于抑郁症(MDD)，与精神分裂症(SCZ)相比，偏差较小。另外，关于抑郁症(MDD)，可知在作为特征量条件的窗口尺寸为20TR或24TR的情况下，就平均AUC的整体平均而言是良好的。
如图17所示，可知优选针对每个受验者选择最佳的特征量条件。
(j2：估计模型的对象特异性)
接着，对估计模型的对象特异性进行说明。
在上述的图17中，针对根据关于精神分裂症(SCZ)的EEG测量数据所决定出的估计模型(下面也称为“精神分裂症估计模型”。)示出对表示精神分裂症(SCZ)的疾病倾向的得分的估计性能进行评价所得到的评价结果，并且针对根据关于抑郁症(MDD)的EEG测量数据所决定出的估计模型(下面也称为“抑郁症估计模型”。)示出对表示抑郁症(MDD)的疾病倾向的得分的估计性能进行评价所得到的评价结果。下面，示出对各个模型进行交叉评价的结果例。
图18是示出利用按照本实施方式的估计方法决定出的估计模型的对象特异性的评价结果的一例的图。
在图18的(A)中示出使用精神分裂症估计模型来估计精神分裂症(SCZ)的疾病倾向的情况下的估计性能(平均AUC)以及估计抑郁症(MDD)的疾病倾向的情况下的估计性能。在图18的(B)中示出使用抑郁症估计模型来估计抑郁症(MDD)的疾病倾向的情况下的估计性能和估计精神分裂症(SCZ)的疾病倾向的情况下的估计性能。
如图18的(A)所示，精神分裂症估计模型针对精神分裂症(SCZ)的疾病倾向的估计示出了特异性的估计性能。另一方面，如图18的(B)所示，抑郁症估计模型针对抑郁症(MDD)的疾病倾向的估计示出了特异性的估计性能。
根据图18的(A)和图18的(B)所示的针对各个疾病倾向的交叉方式的估计精度的验证结果，可知利用按照本实施方式的估计方法决定出的估计模型具有对象特异性。
(j3：神经反馈训练)
接着，对使用利用按照本实施方式的估计方法决定出的估计模型进行神经反馈训练的一例进行说明。
图19是用于说明使用利用按照本实施方式的估计方法决定出的估计模型进行神经反馈训练的方法的图。参照图19，作为训练的时间安排(一天的量)，连续多天地实施由多个块612构成的组614。各个块612包含多个循环600。各个循环600包含由间隔602(时间T1)、引导期间604(时间T2)以及显示期间606(时间T3)构成的一系列处理。
间隔602相当于与前一循环600之间的休息期间。引导期间604相当于受验者自己或者按照来自外部的指示有意识地使用大脑进行计算、联想、冥想等以评价为更大的得分的期间。显示期间606相当于显示在引导期间604中对受验者计算出的得分的期间。
在引导期间604中，使用通过EEG从受验者测量出的EEG测量数据，来估计受验者的疾病倾向。在引导期间604中，也可以多次重复进行受验者的疾病倾向的估计。由于多次计算出疾病倾向的估计结果(0或1)，因此能够通过对它们进行平均处理，来计算表示引导期间604中的受验者的疾病倾向的程度的得分。
例如，在采用了“0”表示健康的估计模型的情况下，表示受验者的疾病倾向的程度的得分越小则越好。与所计算出的得分相应的得分显示520被提供给受验者。在得分显示520中，得分越小，则得分圆524越接近基准圆522。
受验者根据得分而被给予金钱等报酬。在这种报酬的激励下，受验者试图获得更高的得分。
作为间隔602的时间T1，例如设定5秒左右。作为引导期间604的时间T2，例如设定50秒～70秒左右。作为显示期间606的时间T3，例如设定5秒左右。
在下面的实施例中，作为对象疾病，设想了精神分裂症(SCZ)(参照非专利文献3)和抑郁症(MDD)(参照非专利文献4)这两种。
EEG的采样频率设为500Hz，针对EEG测量数据进行了去除伪影(事先提取出的受验者的特异性的独立成分)的处理。
用于估计疾病倾向的EEG测量数据的长度(窗口尺寸)设为fMRI的RF脉冲的照射周期TR的整数倍。更具体地说，关于精神分裂症(SCZ)，设为16TR(2.45秒×16＝39.2秒)，关于抑郁症(MDD)，设为20TR(2.45秒×20＝49秒)。
与之相应地，精神分裂症(SCZ)的引导期间604的时间T2设为70秒，抑郁症(MDD)的引导期间604的时间T2设为85秒。
图20是示出与精神分裂症(SCZ)有关的神经反馈训练的结果例的图。在图20的(A)中示出训练前后的作为表示估计对象的疾病倾向的得分的WLS的实验例。在图20的(B)中示出训练前后的分裂型人格障碍评价量表(SPQ)的实验例。SPQ是精神分裂症样评分的一例。在图20的(C)中示出训练前后的N-back任务的实验例。
图20的(A)和图20的(B)的“A”～“I”表示受验者。图20的(A)所示的WLS和图20的(B)所示的SPQ均表示值越小则意味着症状改善得越多。关于图20的(A)所示的WLS，没有出现显著的结果，但关于图20的(B)所示的SPQ，通过训练可以看到改善倾向。
关于图20的(C)所示的N-back任务，是对表示是否记忆了在N次前所呈现的信息的能力(认知功能)进行评价的测试。N-back任务的成绩用“d prime”这样的得分表示。dprime表示值越大则意味着认知功能改善得越多。在图20的(C)中示出关于N＝2、3、4各自的结果。关于图20的(C)所示的N-back任务，均通过训练看到了改善倾向。特别是，在4-back课题(4-backtest)中，关于配对t检验(paired t-test)确认到显著的变化。
图21是示出与抑郁症(MDD)有关的神经反馈训练的结果例的图。在图21的(A)中示出训练前后的作为表示估计对象的疾病倾向的得分的WLS的实验例。在图21的(B)中示出训练前后的贝克抑郁症评价量表(BDI)和抑郁症性自评量表(SDS)的实验例。BDI和SDS是抑郁症样症状评分的一例。在图21的(C)中示出训练前后的N-back任务的成绩的实验例。
图21的(A)和图21的(B)的“A”～“G”表示受验者。图21的(A)所示的WLS和图21的(B)所示的BDI和SDS均表示值越小则意味着症状改善得越多。根据图21的(A)和图21的(B)所示的结果例，均通过训练看到了改善倾向。另外，根据图21的(C)所示的结果例，关于N-back任务，也通过训练看到了改善倾向。
(j4：神经反馈训练的长期效果)
接着，对包含从神经反馈训练结束起的1个月～2个月后的追踪调查(随访：FU)的结果在内的长期效果的评价例进行说明。
图22是示出用于对使用利用按照本实施方式的估计方法决定出的估计模型进行神经反馈训练的长期效果进行评价的过程例的图。
参照图22，在3天内进行训练，并且分别在训练期间的前一天(Pre训练)、训练期间的次日(Post训练)、以及训练期间的1个月～2个月后的追踪调查日(追踪调查：FU)进行了测定(计算得分)。
图23是示出与抑郁症(MDD)有关的神经反馈训练的长期效果的一例的图。在图23的(A)中示出WLS的实验例。在图23的(B)中示出BDI的实验例。在图23的(C)中示出作为表示反刍式思考的频度的得分的RSS的实验例。RSS示出的值越小，则能够判断为状态越好。
在图23的(A)～图23的(C)中，分别以折线图的形式示出各受验者的得分的变化，并且以柱状图的形式示出受验者整体的平均得分的变化。
关于图23的(A)所示的WLS，虽然受验者的个人差异大，但从整体来看，作为表示疾病倾向的得分而言可以说是有意义的。
关于图23的(B)所示的BDI，在刚进行训练后(Pre)以及1个月～2个月后(FU)的任一者中，均维持降低了的状态，表明了训练的效果长期持续。在图23的(B)中还示出了计算BDI所使用的分项得分。分项得分也呈现与BDI同样的倾向。
关于图23的(C)所示的RRS，在刚进行训练后(Pre)以及1个月～2个月后(FU)的任一者中，均维持降低了的状态，表明了训练的效果长期持续。在图23的(C)中还示出了计算RRS所使用的分项得分。分项得分也呈现与RRS同样的倾向。
图24是示出与精神分裂症(SCZ)有关的神经反馈训练的长期效果的一例的图。在图24中，以折线图的形式示出各受验者的WLS的变化，并且以柱状图的形式示出将受验者整体的WLS进行平均后的得分的变化。
在图24中，“CTRL”表示比较对象群的结果。比较对象群表示不使用来自对象者的信息而使用预先准备的其他人的信息作为被反馈的信息进行了训练的受验者的集合。即，比较对象群的实验例示出受验者尽管未参照自身的脑活动但认为是基于自身的脑活动进行了训练的结果。在下面的实验例中也是同样的。
关于图24所示的WLS，虽然受验者的个人差异大，但相对于比较对象群存在显著的差异，呈现出通过训练的改善倾向。
(j5：神经反馈训练的效果)
接着，对以比较对象群为基准的神经反馈训练的效果的一例进行说明。
图25是将与精神分裂症(SCZ)有关的神经反馈训练的效果与比较对象群进行比较并示出的图。图25所示的曲线图的纵轴表示神经反馈前后的值的变化(Post-Pre)。
可知：比较对象群(CTRL)以训练前后的值没有变化的点(纵轴的值为零)为中心分布，与此相对，适当地进行了训练的群以负侧(即，训练后SPQ的值变小)的点为中心分布。在图25中还示出了计算SPQ所使用的分项得分。分项得分也呈现与SPQ同样的倾向。
关于图25所示的SPQ，也相对于比较对象群存在显著的差异，呈现出通过训练的改善倾向。
图26是将与精神分裂症(SCZ)有关的神经反馈训练的效果与比较对象群进行比较并示出的其它的图。在图26的(A)～图26的(D)的各图所示的曲线图的纵轴表示神经反馈前后的值的变化(Post-Pre)。在图26的(A)～图26的(D)中分别示出关于认知功能的得分的实验例。
更具体地说，在图26的(A)中示出N-back任务(N＝2)的实验例，在图26的(B)中示出N-back任务(N＝4)的实验例。任一个实验例均可知：比较对象群(CTRL)以训练前后的值没有变化的点(纵轴的值为零)为中心分布，与此相对，适当地进行了训练的群以正侧(即，训练后d prime的值变大)的点为中心分布。
在图26的(C)和图26的(D)中示出使用CANTAB(Cambridge NeuropsychologicalTest Automated Battery：剑桥神经心理学测试自动电池)(参照非专利文献5等)的认知功能的评价例。更具体地说，对持续性注意力课题(RVP：rapid visual informationprocessing(快速视觉信息处理))进行评价。对于精神分裂症患者，作出了持续性注意的功能会降低的报告。
作为得分，输出A’和p(Hit)。A’和p(Hit)均较大会更好。此外，在这些得分的计算中，使用了“CANTAB(R)[Cognitive assessment software(认知评估软件)].CambridgeCognition(2019).All rights reserved.www.cantab.com”这样的软件。
任一个实验例均可知：比较对象群(CTRL)以训练前后的值没有变化的点(纵轴的值为零)为中心分布，与此相对，适当地进行了训练的群以正侧(即，训练后A’和p(Hit)的值均变大)的点为中心分布。
如图25和图26所示，呈现出强烈地表明了通过训练来改善症状的可能性的倾向。
(j6：神经反馈训练的效果的特异性)
神经反馈训练本身会产生学习效果等的非特异性的效果，但通过使用利用按照本实施方式的估计方法决定出的估计模型进行的神经反馈训练，会产生胜过这种非特异性的特异性的效果，对这一情况示出实验例来进行说明。
图27是示出用于对神经反馈训练的效果的特异性进行评价的实验例的图。在图27的(A)中，作为与抑郁症(MDD)有关的心理指标，示出RRS和分项得分的变化例。在图27的(B)中，作为与精神分裂症(SCZ)有关的心理指标，示出SPQ和分项得分的变化例。
在图27的(A)和图27的(B)中，“MDD”是指使用根据关于抑郁症(MDD)的EEG测量数据决定出的估计模型(抑郁症估计模型)进行了训练的群，“SCZ”是指使用根据关于精神分裂症(SCZ)的EEG测量数据决定出的估计模型(精神分裂症估计模型)进行了训练的群。另外，“CTRL”是指比较对象群。
关于图27的(A)所示的与抑郁症(MDD)有关的心理指标，可知：使用抑郁症估计模型进行了训练的群(MDD)的RRS(总得分)和分项得分均产生了特异性的变化。
关于图27的(B)所示的与精神分裂症(SCZ)有关的心理指标，可知：使用精神分裂症估计模型进行了训练的群(SCZ)的SPQ(总得分)和分项得分均产生了特异性的变化。
图28是示出用于对神经反馈训练的效果的特异性进行评价的另一实验例的图。在图28中示出认知功能的变化例。在图28的(A)中示出N-back任务(N＝3)的实验例，在图28的(B)中示出N-back任务(N＝4)的实验例。
根据图28的(A)所示的实验例，无论是使用抑郁症估计模型和精神分裂症估计模型中的哪一种估计模型进行的训练，都呈现出了认知功能的改善倾向。根据图28的(B)所示的实验例，使用精神分裂症估计模型进行的训练呈现出了显著的认知功能的改善倾向。
根据这些实验例，通过使用利用按照本实施方式的估计方法决定出的估计模型进行的神经反馈训练，呈现出认知功能的改善倾向，并且通过使用精神分裂症估计模型，确认到更高的改善倾向。
[K.优点]
根据按照本实施方式的估计系统，能够使用EEG测量数据，更简便地估计由多个脑内网络表现的脑功能以及与多个脑内网络相关联的任意的疾病。
另外，根据按照本实施方式的估计系统，由于在估计模型中仅使用EEG测量数据中的对于疾病倾向的估计有效的特征量，因此能够压缩和削减估计模型的维数，由此能够降低与疾病倾向的估计相关的运算量，并且能够使疾病倾向的估计高速化。
另外，根据按照本实施方式的估计系统，由于能够关于与多个脑内网络相关联的任意的疾病估计疾病倾向，因此能够针对各种各样的疾病应用神经反馈训练。
另外，根据按照本实施方式的估计系统，能够使用在静息态时同时进行EEG和fMRI所得到的测量数据来决定估计模型，因此在进行EEG和fMRI的同时测量的情况下，不需要向受验者布置任务，因此在构建估计模型时，能够减轻受验者的负担。
另外，按照本实施方式的估计系统所提供的神经反馈训练能够对若干种疾病提供改善倾向，并且能够长期地维持该改善倾向。
另外，在按照本实施方式的估计系统所提供的神经反馈训练中使用的估计模型呈现对象特异性，从而根据疾病而生成该估计模型。
应当认为本次公开的实施方式在所有方面是例示而非限制性的。本发明的范围不是通过上述的实施方式的说明表示的，而是通过权利要求书表示的，意图包括与权利要求书等同的意义和范围内的所有变更。
附图标记说明
1：估计系统；2：脑活动训练装置；11：特征量信息；12：加权参数；13：加法器；14：二值化器；20：EEG测量数据；22：功率的时间波形；24：EEG时间相关性的时间波形；26：窗口；30：fMRI测量数据；32：BOLD信号；34：BOLD时间相关性的时间波形；38：疾病倾向标签；100、500：处理装置；102：处理器；104：主存储部；106：控制接口；108：网络接口；110、352：输入部；112、353：显示部；120：二次存储部；121：估计模型决定程序；122：估计程序；124：估计模型参数；150、160、550：预处理模块；152、162、552：时间相关性计算模块；164：WLS计算模块；166、556：二值化模块；168：模型估计模块；200：EEG装置；202：多路复用器；204：噪声滤波器；206：A/D变换器；208、354：存储部；210、358：接口；220：传感器；222：线缆；300：fMRI装置；302：接收线圈；310：磁场施加机构；312：静磁场产生线圈；314：梯度磁场产生线圈；316：照射部；318：卧具；320：驱动部；322：静磁场电源；324：梯度磁场电源；326：信号发送部；328：信号接收部；330：卧具驱动部；350：数据处理部；351：控制部；356：图像处理部；357：数据收集部；400：服务器装置；402：受验者数据；502：存储装置；510：显示装置；520：得分显示；522：基准圆；524：得分圆；554：加权总和计算模块；558：估计模型获取模块；560：显示控制模块；600：循环；602：间隔；604：引导期间；606：显示期间；612：块；614：组。

Claims (18)

1.一种估计系统，具备获取从受验者同时测量出的脑波的测量数据和功能性磁共振成像法的测量数据的获取单元，所述脑波的测量数据包含与配置于所述受验者的头部的多个传感器分别对应的多个通道的每个通道的时间波形，
所述估计系统还具备：
第一计算单元，其基于所述脑波的测量数据中包含的通道间的相关性，针对每个通道组合计算第一功能连接；
第二计算单元，其基于所述功能性磁共振成像法的测量数据中包含的关心区域间的相关性，针对每个脑内网络计算第二功能连接；
第三计算单元，其通过使用多个所述第二功能连接计算表示估计对象的疾病倾向的得分，来计算疾病倾向标签；以及
机器学习单元，其通过使用所述每个通道组合的第一功能连接和所述疾病倾向标签进行的机器学习，来使用规定的第一功能连接决定用于估计所述疾病倾向的估计模型。
2.根据权利要求1所述的估计系统，其中，
所述估计系统还具备估计单元，所述估计单元将从所述受验者测量出的脑波的测量数据输入到所述估计模型，来估计所述受验者的疾病倾向。
3.根据权利要求2所述的估计系统，其中，
所述估计系统还具备呈现单元，所述呈现单元计算与估计出的所述受验者的疾病倾向相应的第二得分，并且将与计算出的所述第二得分相应的信息呈现给所述受验者。
4.根据权利要求3所述的估计系统，其中，
所述估计模型是按各疾病而准备的，
对所述受验者应用与所述受验者所出现的疾病对应的估计模型。
5.根据权利要求1至4中的任一项所述的估计系统，其中，
基于与估计出的所述受验者的疾病倾向相应的第二得分，来评价所述受验者的症状的变化。
6.根据权利要求1至5中的任一项所述的估计系统，其中，
所述第三计算单元基于将与所述估计对象的疾病倾向相对应的多个所述第二功能连接分别乘以对应的加权参数后的总和，来计算表示所述疾病倾向的得分。
7.根据权利要求6所述的估计系统，其中，
所述第三计算单元通过在对表示所述疾病倾向的得分进行标准化处理之后进行阈值处理，来计算所述疾病倾向标签。
8.根据权利要求1至7中的任一项所述的估计系统，其中，
所述估计模型包含用于在每个通道组合的第一功能连接中选择在估计中使用的第一功能连接的信息、以及与所选择的第一功能连接相对应的加权参数。
9.根据权利要求1至8中的任一项所述的估计系统，其中，
所述第一计算单元根据针对作为对象的两个通道的脑波的时间波形共同设定的窗口中包含的区间内的时间波形间的相关值，来计算所述第一功能连接。
10.根据权利要求1至9中的任一项所述的估计系统，其中，
所述第一计算单元针对所述脑波的测量数据中包含的每个频带和/或所设定的窗口的每个窗口尺寸计算所述第一功能连接。
11.根据权利要求10所述的估计系统，其中，
所述估计系统还具备条件设定单元，所述条件设定单元根据所述受验者来事先决定向所述估计模型输入的所述脑波的测量数据中包含的频带和/或窗口尺寸。
12.根据权利要求1至11中的任一项所述的估计系统，其中，
所述第二计算单元根据针对表示作为对象的两个关心区域的活动量的时间波形共同设定的窗口中包含的区间内的时间波形间的相关值，来计算所述第二功能连接。
13.一种估计方法，包括获取从受验者同时测量出的脑波的测量数据和功能性磁共振成像法的测量数据的步骤，所述脑波的测量数据包含与配置于所述受验者的头部的多个传感器分别对应的多个通道的每个通道的时间波形，
所述估计方法还包括以下步骤：
基于所述脑波的测量数据中包含的通道间的相关性，针对每个通道组合计算第一功能连接；
基于所述功能性磁共振成像法的测量数据中包含的关心区域间的相关性，针对每个脑内网络计算第二功能连接；
通过使用多个所述第二功能连接计算表示估计对象的疾病倾向的得分，来计算疾病倾向标签；以及
通过使用所述每个通道组合的第一功能连接和所述疾病倾向标签进行的机器学习，来使用规定的第一功能连接决定用于估计所述疾病倾向的估计模型。
14.一种程序，使计算机执行获取从受验者同时测量出的脑波的测量数据和功能性磁共振成像法的测量数据的步骤，所述脑波的测量数据包含与配置于所述受验者的头部的多个传感器分别对应的多个通道的每个通道的时间波形，
所述程序使计算机还执行以下步骤：
基于所述脑波的测量数据中包含的通道间的相关性，针对每个通道组合计算第一功能连接；
基于所述功能性磁共振成像法的测量数据中包含的关心区域间的相关性，针对每个脑内网络计算第二功能连接；
通过使用多个所述第二功能连接计算表示估计对象的疾病倾向的得分，来计算疾病倾向标签；以及
通过使用所述每个通道组合的第一功能连接和所述疾病倾向标签进行的机器学习，来使用规定的第一功能连接决定用于估计所述疾病倾向的估计模型。
15.一种估计模型，是用于使用从受验者测量出的脑波的测量数据来估计所述受验者的疾病倾向的学习完毕的估计模型，
构建所述估计模型的处理包括获取从所述受验者同时测量出的脑波的测量数据和功能性磁共振成像法的测量数据的步骤，所述脑波的测量数据包含与配置于所述受验者的头部的多个传感器分别对应的多个通道的每个通道的时间波形，
构建所述估计模型的处理还包括以下步骤：
基于所述脑波的测量数据中包含的通道间的相关性，针对每个通道组合计算第一功能连接；
基于所述功能性磁共振成像法的测量数据中包含的关心区域间的相关性，针对每个脑内网络计算第二功能连接；
通过使用多个所述第二功能连接计算表示估计对象的疾病倾向的得分，来计算疾病倾向标签；以及
通过使用所述每个通道组合的第一功能连接和所述疾病倾向标签进行的机器学习，来决定所述估计模型。
16.一种脑活动训练装置，用于执行神经反馈训练，所述脑活动训练装置具备：
存储装置，其保存在执行所述神经反馈训练之前生成的用于估计受验者的疾病倾向的估计模型；以及
脑波仪，其用于在所述神经反馈训练中测量所述受验者的脑波的测量数据，
所述脑波的测量数据包含与配置于所述受验者的头部的多个传感器分别对应的多个通道的每个通道的时间波形，
所述脑活动训练装置还具备：
呈现装置；以及
处理装置，其在所述神经反馈训练中，基于来自所述脑波仪的测量数据，使用所述估计模型来计算所述受验者的疾病倾向，将用于进行与该疾病倾向对应的显示的信号输出到所述呈现装置，
所述估计模型是通过以下处理而生成的：
获取从所述受验者同时测量出的脑波的测量数据和功能性磁共振成像法的测量数据，同时测量的该脑波的测量数据包含与在所述神经反馈训练中测量的脑波的测量数据的各个通道对应的每个通道的时间波形；
基于所述脑波的测量数据中包含的通道间的相关性，针对每个通道组合计算第一功能连接；
基于所述功能性磁共振成像法的测量数据中包含的关心区域间的相关性，针对每个脑内网络计算第二功能连接；
通过使用多个所述第二功能连接计算表示估计对象的疾病倾向的得分，来计算疾病倾向标签；以及
通过使用所述每个通道组合的第一功能连接和所述疾病倾向标签进行的机器学习，来使用规定的第一功能连接估计所述疾病倾向，从而决定所述估计模型。
17.一种脑活动训练方法，用于执行神经反馈训练，所述脑活动训练方法包括以下步骤：
获取在执行所述神经反馈训练之前生成的用于估计受验者的疾病倾向的估计模型；以及
在所述神经反馈训练中测量所述受验者的脑波的测量数据，
所述脑波的测量数据包含与配置于所述受验者的头部的多个传感器分别对应的多个通道的每个通道的时间波形，
所述脑活动训练方法还包括以下步骤：在所述神经反馈训练中，基于所述脑波的测量数据，使用所述估计模型来计算所述受验者的疾病倾向，将用于进行与该疾病倾向对应的显示的信号输出到呈现装置，
获取所述估计模型的步骤包括以下步骤：
获取从所述受验者同时测量出的脑波的测量数据和功能性磁共振成像法的测量数据，同时测量的该脑波的测量数据包含与在所述神经反馈训练中测量的脑波的测量数据的各个通道对应的每个通道的时间波形；
基于所述脑波的测量数据中包含的通道间的相关性，针对每个通道组合计算第一功能连接；
基于所述功能性磁共振成像法的测量数据中包含的关心区域间的相关性，针对每个脑内网络计算第二功能连接；
通过使用多个所述第二功能连接计算表示估计对象的疾病倾向的得分，来计算疾病倾向标签；以及
通过使用所述每个通道组合的第一功能连接和所述疾病倾向标签进行的机器学习，来使用规定的第一功能连接估计所述疾病倾向，从而决定所述估计模型。
18.一种脑活动训练程序，用于执行神经反馈训练，所述脑活动训练程序使计算机执行以下步骤：
保存在执行所述神经反馈训练之前生成的用于估计受验者的疾病倾向的估计模型；以及
在所述神经反馈训练中获取所述受验者的脑波的测量数据，
所述脑波的测量数据包含与配置于所述受验者的头部的多个传感器分别对应的多个通道的每个通道的时间波形，
所述脑活动训练程序使计算机还执行以下步骤：在所述神经反馈训练中，基于所述脑波的测量数据，使用所述估计模型来计算所述受验者的疾病倾向，将用于进行与该疾病倾向对应的显示的信号输出到呈现装置，
所述估计模型是通过以下处理而生成的：
获取从所述受验者同时测量出的脑波的测量数据和功能性磁共振成像法的测量数据，同时测量的该脑波的测量数据包含与在所述神经反馈训练中测量的脑波的测量数据的各个通道对应的每个通道的时间波形；
基于所述脑波的测量数据中包含的通道间的相关性，针对每个通道组合计算第一功能连接；
基于所述功能性磁共振成像法的测量数据中包含的关心区域间的相关性，针对每个脑内网络计算第二功能连接；
通过使用多个所述第二功能连接计算表示估计对象的疾病倾向的得分，来计算疾病倾向标签；以及
通过使用所述每个通道组合的第一功能连接和所述疾病倾向标签进行的机器学习，来使用规定的第一功能连接估计所述疾病倾向，从而决定所述估计模型。
CN202180046953.XA 2020-07-02 2021-07-01 估计系统、估计方法、程序、估计模型、脑活动训练装置、脑活动训练方法以及脑活动训练程序 Pending CN115996667A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020115053 2020-07-02
JP2020-115053 2020-07-02
PCT/JP2021/024927 WO2022004841A1 (ja) 2020-07-02 2021-07-01 推定システム、推定方法、プログラム、推定モデル、脳活動トレーニング装置、脳活動トレーニング方法、および、脳活動トレーニングプログラム

Publications (1)

Publication Number Publication Date
CN115996667A true CN115996667A (zh) 2023-04-21

Family

ID=79316602

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180046953.XA Pending CN115996667A (zh) 2020-07-02 2021-07-01 估计系统、估计方法、程序、估计模型、脑活动训练装置、脑活动训练方法以及脑活动训练程序

Country Status (6)

Country Link
US (1) US20230293036A1 (zh)
EP (1) EP4176805A1 (zh)
JP (1) JP7465970B2 (zh)
CN (1) CN115996667A (zh)
TW (1) TW202218626A (zh)
WO (1) WO2022004841A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116491958B (zh) * 2023-06-28 2023-09-19 南昌大学第一附属医院 靶点确定设备、电子设备及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2670299A4 (en) * 2011-02-03 2017-08-09 The Medical Research, Infrastructure, And Health Services Fund Of The Tel Aviv Medical Center Method and system for use in monitoring neural activity in a subject's brain
JP6203324B1 (ja) * 2016-04-18 2017-09-27 株式会社アラヤ 認知状態推定システム及び認知状態推定方法
JP6884344B2 (ja) 2017-11-27 2021-06-09 株式会社国際電気通信基礎技術研究所 脳内ネットワークの活動推定システム、脳内ネットワークの活動推定方法、脳内ネットワークの活動推定プログラム、および、学習済み脳活動推定モデル
JP6812022B2 (ja) * 2018-10-11 2021-01-13 株式会社国際電気通信基礎技術研究所 脳機能結合相関値の調整方法、脳機能結合相関値の調整システム、脳活動分類器のハーモナイズ方法、脳活動分類器のハーモナイズシステム、および脳活動バイオマーカシステム

Also Published As

Publication number Publication date
US20230293036A1 (en) 2023-09-21
EP4176805A1 (en) 2023-05-10
JP7465970B2 (ja) 2024-04-11
TW202218626A (zh) 2022-05-16
JPWO2022004841A1 (zh) 2022-01-06
WO2022004841A1 (ja) 2022-01-06

Similar Documents

Publication Publication Date Title
US20210169395A1 (en) Method and system for use in monitoring neural activity in a subject&#39;s brain
Sohrabpour et al. Noninvasive electromagnetic source imaging of spatiotemporally distributed epileptogenic brain sources
JP7221693B2 (ja) ヒトの脳の皮質機能の目録を作るための方法および磁気画像化デバイス
US20140107521A1 (en) Functional brain connectivity and background noise as biomarkers for cognitive impairment and epilepsy
US9687163B2 (en) Seizure detection and epileptogenic lesion localization
Gruszczyńska et al. Epilepsy identification based on EEG signal using RQA method
WO2012021789A1 (en) Methods and apparatus for risk assessment of developmental disorders during early cognitive development
EP3718473A1 (en) Intracerebral network activity estimation system, intracerebral network activity estimation method, intracerebral network activity estimation program, and learned brain activity estimation model
US20240057888A1 (en) Method And System For Determining Brain-State Dependent Functional Areas Of Unitary Pooled Activity And Associated Dynamic Networks With Functional Magnetic Resonance Imaging
Schrouff et al. Decoding intracranial EEG data with multiple kernel learning method
US20130030317A1 (en) Method, apparatus and computer program product for automatic seizure monitoring
US20210204883A1 (en) Systems and Methods for Artifact Reduction in Recordings of Neural Activity
Ashourvan et al. Pairwise maximum entropy model explains the role of white matter structure in shaping emergent co-activation states
Chamanzar et al. Neural silences can be localized rapidly using noninvasive scalp EEG
Khayretdinova et al. Predicting age from resting-state scalp EEG signals with deep convolutional neural networks on TD-brain dataset
Shu et al. Informed MEG/EEG source imaging reveals the locations of interictal spikes missed by SEEG
CN115996667A (zh) 估计系统、估计方法、程序、估计模型、脑活动训练装置、脑活动训练方法以及脑活动训练程序
Maximiliano et al. Electroencephalographic source localization based on enhanced empirical mode decomposition
Aram et al. Model-based estimation of intra-cortical connectivity using electrophysiological data
Ji et al. Cross multivariate correlation coefficients as screening tool for analysis of concurrent EEG‐fMRI recordings
Kotowski et al. The importance of ocular artifact removal in single-trial ERP analysis: The case of the N250 in face learning
US20240156414A1 (en) Method for Predicting Age from Resting-State Scalp EEG Signals Using Deep Convolutional Neural Networks
Minxha et al. How can we use simultaneous microwire recordings from multiple areas to investigate inter-areal interactions?
Göker Comparison of different spectral analysis methods with an experimental EEG dataset
Ilias et al. Overview of methods and available tools used in complex brain disorders

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