CN1849093A - 生物体光测量装置 - Google Patents

Abstract

本发明提供一种装置，其可以根据生物体光测量装置所测量的血红蛋白量变化信号，来客观判断并显示被试验者属于何种程度的何种疾病。疾病判定装置具有用于抽取血红蛋白波形的特征的特征抽取部(15)、特征分析部(16)以及将每种疾病的特征作为数据库进行储存的存储部(12)，在特征抽取部(15)中，根据生物体光检测装置所测量的被试验者的血红蛋白信号抽取多种特征量，在特征分析部(16)中，通过多变量分析来判定所抽取的特征量与储存在存储部(12)中的每种疾病的特征量的相似度。判定结果，作为表示与各个疾病组的相似度的得分而以直线图表显示在显示部(14)上。

Description

生物体光测量装置

技术领域

本发明涉及向生物体照射近红外线，对通过生物体内部或在生物体内部发生反射的光进行测量，由此测量生物体内部的血液循环、血行动态以及血红蛋白量变化的生物体光测量装置，特别涉及利用生物体光测量装置的测量结果对各种疾病进行判定的装置。

背景技术

生物体光测量装置，是可以对被试验者进行低约束且无害地简便测量出生物体内部的血液循环、血行动态以及血红蛋白量变化的装置，近年来，通过多信道装置实现了测量数据的图像化，有待于临床应用。

作为生物体光测量的临床应用，报告了癫痫、脑贫血等诊断以及语言功能的研究等。而且，在以下的非专利文件1、2中报告了以下情况：对于抑郁症和综合失调症(精神分裂症)等的精神病患者，通过生物光测量发现前顶叶的血红蛋白量变化模型发生异常。具体而言，当对健康人、抑郁症患者和综合失调症患者进行比较时，血红蛋白时间波形的最大值具有大、小、中这样不同的特征。这些报告提示了可以利用血红蛋白时间波形诊断精神病的可能性。但是，一般而言，在多信道生物体光测量装置中，由于可以得到血红蛋白时间波形作为每个信道的数据，所以不容易对这么多的波形进行比较并准确地进行诊断。

非专利文件1：《精神医学中的进红外光谱NIRS测量的意义》福田正人等、脑与精神的医学第14卷2号附册、新兴医学出版社

非专利文件2：《由光看到的心》福田正人等、心与社会第34卷1号附册、日本精神卫生会

另一方面，本申请人提出了具有从血红蛋白量变化波形抽取特征，将该特征数值化并按照每种疾病进行显示的功能的生物体光测量装置(特愿2002-85350)。在该生物体光测量装置中，对按照每种疾病所显示的特征量与对被试验者所测量出的特征量进行比较，并就该特征量推定疾病的程度。

但是，为了准确地诊断疾病尤其是精神疾病，不是根据单一特征，而必须根据多个特征进行综合诊断，在上述生物体光测量装置中，医生或者测量值必须分别根据各个特征量进行综合诊断。

发明内容

因此，本发明的目的在于提供一种可以对从生物体光测量装置所测量的结果、即血红蛋白信号中抽取的各种特征量进行分析，客观地判断并显示属于何种程度的何种疾病的装置。

为了解决上述问题，本发明提供了一种生物体光测量装置，其特征在于，包括：产生对被检测体的照射光的光源部；检测通过被检测体内部的光，并生成与被检测体的血红蛋白浓度变化对应的血红蛋白信号的光测量部；分析所述血红蛋白信号的特征量，并根据所分析的特征量判定疾病的判定单元；以及显示所述被检测体的疾病信息的显示单元。

在本发明的生物体光测量装置中，判定单元最好包括：用于从所述血红蛋白信号中抽取多种特征量的单元；将每种疾病的特征量作为数据库进行储存的存储单元；对所述抽取单元所抽出的多种特征量进行分析，并判断与储存在所述存储单元中的每种疾病的特征量的相似度的分析单元；以及将利用所述分析单元所判断出的相似度量化的量化单元。

而且，在本发明的生物体光测量装置中，分析单元最好通过多变量分析而计算出抽取单元所抽出的多个特征量与储存在存储单元中的每种疾病的特征量数据的相似度。作为多变量分析的一个方式，分析单元可以通过计算被检测体的特征量与每种疾病的特征量(的重心)之间的马哈拉诺毕斯距离而求出相似度。另外，马哈拉诺毕斯距离一般也被称作广义距离，与其意义相同。由于采用马哈拉诺毕斯距离，所以即使每种疾病的数据存在分散的标准离差，也可以不受其影响地进行准确测量。

在本发明的生物体光测量装置中，抽取单元最好从课题负荷时的血红蛋白量变化信号模型抽取所述多个特征量。作为多个特征量，具体而言，例如为课题刚开始之后的图表的倾斜度、课题结束后的图表的倾斜度、课题中的积分值(A)、课题结束后的积分值(B)、积分值比率(A/B)、最大值以及课题结束后波形与矩形波的相关值中的至少一项。

在本发明的疾病判定装置中，显示单元最好将相似度作为图表进行显示。

由此，对光测量的结果进行综合判断而对疾病进行判定，并以一目了然的形式进行显示，所以可以客观且容易地进行疾病判定。

并且，在本发明的生物体光测量装置中，抽取单元最好将多次测量值相加并求出平均值，用作血红蛋白信号。

由此，可以提高判定结果的可靠性。

作为本发明的生物体光测量装置的一个方式，存储单元作为数据库至少具有健康人组、综合失调症组以及抑郁症组的特征量。

本发明的生物体光测量装置，可以具有将所述被检测体的判定结果与通过生物体光测量得出的测量数据以及图像数据一体保存的存储单元。

并且，在本发明的生物体光测量装置中，分析单元可以将与特定疾病的相似度在规定阈值以下的判定对象作为该特定疾病的数据储存在所述存储单元中。

由于通过该生物体光测量可以将判定对象即数据添加到储存在存储单元中的数据库中，所以可以增大数据库的规格(大小)，从而提高判定的准确度。

本发明的生物体光测量装置，最好具有输入单元，其用于指示判定单元的判定、报告书的制成、数据库的更新以及显示单元的显示。

另外，本发明提供了一种根据通过生物体光测量所测量出的被检测体的血红蛋白信号判定被检测体的疾病的方法，其特征在于，对于被确诊为多个疾病组中的任一疾病的多个被检测体，通过生物体光测量来测量血红蛋白信号，从各个被检测体的血红蛋白信号中抽取多种特征量，并按照被检测体的每种疾病将这些特征量作为数据进行储存；对于待诊断的被检测体，从通过生物体光测量所测量出的血红蛋白信号抽取多个特征量，计算所抽出的特征量与所述每种疾病的数据的相似度，并将相似度最高的疾病作为所述待诊断的被检测体的疾病。

本发明的判定方法，最好包括以下步骤：对于被确诊为疾病的多个被检测体的血红蛋白信号进行主成分分析并抽取主成分波形，从主成分波形中抽取特征量，将所抽出的特征量作为该被检测体的疾病组的数据进行保存。

附图说明

图1是表示本发明的疾病判定装置的一个实施方式的框图。

图2是表示本发明的生物体光测量装置的一个实施方式的框图。

图3是表示每种疾病的特征波形的图。

图4是表示本发明的疾病判定装置中的数据库制成顺序的图。

图5是用于说明本发明的疾病判定装置中的特征量抽取的图。

图6是表示数据库的一个示例的图。

图7是表示本发明的疾病判定装置中的疾病判定顺序的图。

图8是表示生物体光测量的测量波形的图。

图9是用于说明马哈拉诺毕斯距离的图。

图10是表示马哈拉诺毕斯距离的计算和得分的显示例的图。

图11是表示本发明的疾病判定装置的判定报告书的一个示例的图。

图12是表示本发明的疾病判定装置的操作截面的一个示例的图。

标号说明

10  疾病判定装置

11  运算部

12  存储部

13  输入部

14  显示部

20  生物体光测量装置

21  光源部

22  光测量部

30  控制部

具体实施方式

下面，参照附图说明本发明的实施方式。

图1是表示本发明的疾病判定装置的概要的框图，该装置10主要包括：输入来自生物体光测量装置20的血红蛋白量变化信号并进行特征抽取、特征分析等运算的运算部11、按照每种疾病将规定特征作为数据库进行储存的存储部12、用于输入运算部11中的处理所必需指令等的输入部13、用于显示分析结果的显示部14。运算部11，具有从血红蛋白量变化信号的变化模型抽取规定特征的特征抽取部15和对特征抽取部11所抽出的特征与每种疾病的特征进行比较并计算出其相似度的特征分析部16。并且，在存储部12中，储存了对通过其他诊断方法确诊的多个患者分析特征量的结果，作为疾病组的数据。此外，虽然并未图示，但是设有上述运算部11、存储部12、输入部13以及用于控制显示部14的主控制部。

在该疾病判定装置10中，在特征抽取部15从由生物体光测量装置20所输送的血红蛋白量变化信号中抽取规定的特征，在特征分析部16计算出所抽出的特征与储存在存储部12中的疾病组的特征的相似度，将相似度最高的疾病组判定为测量对象即患者的疾病，并将此结果显示在显示部14中。该疾病判定装置10，对从生物体光测量装置20输送来的血红蛋白量变化信号，可以实时进行上述处理并显示判定结果，也可以预先将生物体光测量装置20所测量出的数据暂时存储在存储装置中，根据需要从存储装置中读取每个患者的数据并进行疾病判定。在这种情况下，暂时保存测量数据的存储装置可以设置在生物体光测量装置20一侧，也可以设置在疾病判定装置10一侧。此外，本发明的疾病判定装置，还可以通过通信单元从设在远处的生物体光测量装置2020接收测量数据，并对其进行处理。

以下，对生物体光测量装置20以及疾病判定装置10的各个元件及其动作进行说明。

生物体光测量装置20，是向生物体内照射近红外线，检测从生物体表面附近反射或通过生物体内部的光(以下简称为通过光)，并产生与光强度对应的电信号的装置。在本实施方式中，对使用向生物体(例如头部)的多个部位照射以各不相同的频率调制的光，并从多个部位测量通过光的多信道生物体光测量装置的情况进行说明。

如图2所示，该生物体光测量装置，具有照射近红外线的光源部21、测量通过光并转换成电信号的光测量部26、用于控制光源部21以及光测量部26的驱动的控制部30。光源部21，具有用于辐射规定波长的光的半导体激光22和多个光模块23，所述光模块23具有对半导体激光22所发出的光以多个不同频率进行调制的调制器，各个光模块23的输出光分别通过光纤维24从被试验者40的规定测量区域例如头部的多个部位进行照射。光测量部26，包括：将从测量区域的多个测量部位通过光纤维25进行诱导的通过光分别转换成与光量对应的电量的光电二极管等光电转换元件27、输入来自光电转换元件27的电信号并有选择地检测与光照射位置对应的调制信号的同步放大器28、将同步放大器28的输出信号转换成数字信号的A/D转换器29。

另外，通常情况下，光源部21，对应氧化血红蛋白与脱氧血红蛋白这两种测量对象，产生两种波长例如780nm以及830nm的光，这两种波长的光被合成并从一个照射位置进行照射。同步放大器28有选择地检测光照射位置和与这两种波长对应的调制信号。因此，可以得到数量为光照射位置与检测位置之间的点(测量点)2倍的信道数的血红蛋白量变化信号。

控制部30具有信号处理部31、输入输出部32以及存储部33。信号处理部31，对转换成数字信号的血红蛋白量变化信号进行处理，制成将氧化血红蛋白浓度变化、脱氧血红蛋白浓度变化、总血红蛋白浓度变化等按照每个信道进行显示的图表或者将其在被检测体的二维图像上绘制成的图像。输入输出部32，显示信号处理部31的处理结果，并且输入装置动作所需的各种指令。在存储部33中存储有信号处理部31进行处理所必需的数据或处理结果。

在生物体光测量装置20中，在向被检测体提出规定课题(负荷)的状态下进行测量，并测量出与提出课题前的值的差值信号。作为课题，一般为语言刺激负荷、视觉刺激、疼痛刺激等，在精神病的判定中，例如采用以“コ”开始可以尽量想出的词语“语言流畅课题”等。

提出这样的课题而进行测量的血红蛋白量变化模型，如在上述文件1、2等中报告的那样，每种疾病所具有的不同特征是公知的。图3是表示每种精神病的血红蛋白量变化模型的图。图中，纵向是信号强度，横向是时间，纵向的两条虚线所夹持的时间为提出课题的时间。在图中，显示了多信道的信号中、特征表现得最为显著的模型。如图所示，作为健康人，提出课题时，信号值较大变化，课题结束后单调减少，作为综合失调症患者，信号值并不像健康人那样较大变化，课题结束之后再次上升。而作为抑郁症患者，即使提出了课题，变化也较小。在双极性障碍(躁郁症)患者的情况下，虽然课题引起的信号值变化大，但是峰值出现延迟。

储存在本实施方式的疾病判定装置10的存储部12中的数据库，按照每种疾病抽取从这样的血红蛋白量变化模型的特征，例如，可以利用本申请人在特愿2002-85350中所记载的技术制成。在本实施方式的疾病判定装置10中，可以通过特征抽取部15的功能来实现。数据库的制成顺序如图4所示。

首先，输入预先通过其他诊断方法确诊的各个患者的血红蛋白量变化信号(步骤401)，对各个信道的血红蛋白量变化信号进行主成分分析处理，计算出最能反映出提出课题时的生物体反应的代表信号(步骤402)。用于主成分分析的生血红蛋白信号，虽然可以使用一次的测量值，但是优选将多次测量值相加并求出其平均值。多次的测量值，例如可以通过连续地或相隔一定间隔地反复提出课题并进行测量而得出。此外，在同时得出氧化血红蛋白和脱氧血红蛋白两者的测量数据时，也可以分别对其计算出主成分波形。无论在那种情况下，为了除去噪声等，都最好在进行主成分分析之前实施滤波处理和基线处理。

作为滤波处理，可以采用除去低频率噪声的HPF和除去高频率噪声的LPF。这些滤波器的截止频率和窗函数，可以预先设定适当的数值和函数作为初始值，可以由用户任意改变。在图5(a)中，例示了对生血红蛋白变化信号进行滤波处理的结果。

主成分分析，是尽可能不丢失地将高维数据信息缩并成较少维数的方法，在这里，对于以时间和信道编号为轴的血红蛋白信号强度所构成的测量数据，将信道轴进行缩并，转换成较少信道的数据。以下，对本发明中的主成分分析处理进行说明。

生物体光测量装置20所测量出的局部脑血液量(血红蛋白量)变化信号X，由以下矩阵给出。

数学式1

在这里，N是所测量的数据数，m是测量信道数。由于矩阵XX^T对称，所以可以使用正交矩阵W使其对角化。即、

令Y＝WX        (2)

则YYT＝diag[λ1，λ2，…，λm]    (3)

Diag表示对角矩阵，λ1，λ2，…，λm表示固有值，假设按照增大顺序进行排列。因此，矩阵Y的第i行向量y_i相对于另一行向量y_j(j≠i)线性独立。固有值也被称作作用效率，表示随着值的增大而在矩阵X内的作用提高。

在本发明中，将向量y_i称作第i行主成分。第i行主成分y_i可以根据将x_i作为第j个信道的测量数据的式(2)表示成：

数学式2

$y_i=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{X}_j---\left(4\right)$

系数w_ij是第i主成分中的各个信道的带符号加权，其绝对值与主成分波形的各个信道的存在频率对应。标注标号，正方向表示正反应的血液量变化。

这样，虽然计算出了个波形(m成分)作为主成分波形，但是为了从中选择与课题相关的血液量变化，关注作用效率λi、平均存在频率值∑w_ij、与规定的参照响应波形的相关值，将这些值最大的波形选作主成分波形。对于与可以相关的血液量变化，在以下文件中报告了，随着大脑皮层的神经活动的血液量变化，从课题开始、结束而伴随延迟增加、减少。在本实施方式中，当从主成分波形选择课题相关血液量变化时，制成从课题开始、结束伴随数秒延迟增加、减少的梯形波形，将其设定成参照响应波形，并计算出与其的相关值。

「Non-invasive assessment of language

dominance with near-infrared spectroscopic mapping」E.

Watanabe，A.Maki，     F.Kawaguchi，      K.Takashiro，Y，Yamashita，H.Koizumi，&

Y.Mayanagi，Neuroscience Letter，256，49/52(1998)

「Processing strategies for time-course

data sets in functional MRI of the human brain」P.A

Bandettini，                                        A.Jesmanowicz，G.Eric.J.Wong&S.Hyde，Magn.Reson.Med.，

30，161/173(1993)

这样，如果抽取主成分波形，则抽取主成分波形的特征(步骤403)。在抽取特征量时，为了提高其精度，最好在抽取特征量之前进行主成分波形的基线处理。基线处理是下述处理：将连接课题开始前的信号值与从课题结束经过规定时间后的信号值作为基线，使其与图表的横轴一致。具体而言，计算出相对于主成分波形的近似曲线，进行以该近似曲线为基线的处理。可以预先适当设定计算近似曲线的次数。基线处理结果(AFP)，由主成分波形(PW)和近似曲线(PF)得出，(ABW)＝(PW)/(PF)。

如果将模型数值化而表示特征，虽然并未特别限定，但是在本实施方式中，如图5(b)所示，抽取课题刚开始后的图表的倾斜度、课题结束后的图表的倾斜度、课题中的积分值A、课题结束后的积分值B、积分值比率(A/B)、最大值以及课题结束后波形与矩形波的相关值作为特征量。这些特征量，可以通过沿着时间轴扫描图表而自动求出。例如，课题刚开始后的倾斜度，可以根据从课题开始经过预定时间的时刻的值自动确定。在综合失调症组中，为了掌握血液量变化在课题结束后增加的特征，采用了课题结束后波形与矩形波的相关值。在相关值中，可以通过下式计算出主成分波形的图表X(t)与矩形波Y(t)的相关系数ρ。

ρ＝C_x(t)y(t)/σ_x(t)σ_y(t)

C_x(t)y(t)：x(t)y(t)的协方差值、σ_x(t)：x(t)的方差值、σ_y(t)：y(t)的方差值。

对从各种疾病的多个患者得出的血红蛋白量变化信号实行以上的从抽取主成分波形到抽取特征量的步骤，将分别抽取的7维特征量按照每种疾病分组储存在存储部12中(步骤404)。在本实施方式中，按照健康人组(NC组)、综合失调症组(S组)以及抑郁症组(D组)这三个组分别储存7维特征量。在本实施方式的疾病判定装置中，各个组的数据以标准分布为前提进行判定，所以数据数必须为可以视为标准分布的程度。具体而言，如果在10以上，则可以实际有效地进行判定。

图6表示数据库的一例。图中，仅表示了7维特征量中的、图表的最大值以及课题结束后的倾斜度这两个特征量，纵向编号表示数据编号。

接着，对具有这种数据库的疾病判定装置的动作进行说明。图7表示动作顺序。首先，利用生物体光测量装置20对被试验者进行光测量，得出光测量波形(步骤701)。该光测量的条件，设定为与制成疾病判定装置10的数据库时所进行的测量相同的条件。即，对被检测体以相同间隔提出与制成数据库时相同的课题，测量课题负荷时的血红蛋白变化信号。在图8中表示通过光测量而在生物体光测量装置20的每个信道所得到的血红蛋白量变化信号的一个示例。在图示例子中，分别得到左右侧顶叶12信道的测量数据。

疾病判定装置10，将该测量数据读入运算部11，在特征抽取部15中，计算出主成分波形(步骤702)，并抽取主成分波形的特征量(步骤703)。这些步骤702、703与制成数据库时相同，通过主成分分析计算出具有最多的该被试验者特征且与课题相关性高的主成分波形，对该主成分波形进行基线处理之后，求出7维特征量(课题刚开始后的图表的倾斜度、课题结束后的图表的倾斜度、课题中的积分值A、课题结束后的积分值B、积分值比率(A/B)、最大值以及课题结束后波形与矩形波的相关值)。

接着，在特征分析部16中，计算出针对特征抽取部15所抽出的一个被试验者的7维特征量与储存在存储部12中的各个疾病组的特征量的相似度(步骤704)。在计算相似度时，利用采多变量分析的判别

分析中所使用的各种距离。例如有欧几里德距离、标准化欧几里德距离、最大距离、马哈拉诺毕斯距离等。在本发明中，虽然这些距离都可以采用，但是在这里，对马哈拉诺毕斯距离的相似度评价进行说明。

设被试验者的各个特征量为C＝(C1，C2，C3…，Ck)’(k＝7)，设与第j个(在这里全部考虑为3组)疾病组相关的数据库特征量的平均向量为mj＝(mj1，mj2，mj3，…，mjk)’(k＝7)，则被试验者与第j个疾病组的重心(平均值)的马哈拉诺毕斯距离dj，由下式(5)给出。

dj2＝f(C)＝(C-mj)’∑^-1(C-mj)    (5)

(∑是关于第j个疾病组的数据库的方差协方差矩阵(k*k次元)，∑^-1表示其逆矩阵)

因此，按照各组对于k个系数求出平均向量、分散矩阵，由此可以计算出到各组的距离。并且，判定为属于马哈拉诺毕斯距离最近的组。这样，通过利用马哈拉诺毕斯距离进行判别，即使在组间的总体方差、协方差矩阵等不相等的情况下，也可以更为准确地进行判别。

图9是将图6所示的三个组(NC组、S组、D组)的二维数据以图表表示的图，以直线连接一被试验者的特征量(点P)和各个组的中心。该直线的长度对应于与被试验者的欧几里德距离。通过式(5)算出的被试验者的特征量与各组的重心的马哈拉诺毕斯距离，与NC组的距离为3.53，与S组的距离为13.03，与D组的距离为120.19。因此，该被试验者的特征量，从欧几里德距离看来，与NC组的重心相比，更接近S组的中心，但是从马哈拉诺毕斯距离看来判定为NC组。这样，通过利用马哈拉诺毕斯距离，可以利用考虑了组分散的距离进行判别。

这样，如果算出了与各个疾病组的马哈拉诺毕斯距离，则换算成表示其属于疾病组的高能性高低的得分S，并将结果显示在显示部14中。得分S，例如可以通过下式(6)算出。

数学式3

$S=\frac{(1/D_{\mathrm{NC}})}{(1/D_{\mathrm{NC}})+(1/D_S)+(1/D_D)}\×100---\left(6\right)$

式中，D_NC、D_S、D_D分别表示到NC组、S组、D组的马哈拉诺毕斯距离。

得分虽然可以用数值表示，但是最好用直线图表等判定结果一目了然的形式表示。图10中，对于健康人、综合失调症患者以及抑郁症患者的典型的血红蛋白波形(图10(a))，在本实施方式的疾病判定装置10中，表示了与三个疾病组的马哈拉诺毕斯距离的计算结果(图10(b))以及利用得分直线图表的表示例(图10(c))。如图所示，采用本实施方式的疾病判定装置10，可以容易地从视觉上把握疾病的判定结果。另外，得分的表示，只要容易从视觉上把握即可，不限于直线图表。此外，在这里，虽然利用了得分与马哈拉诺毕斯距离的倒数，但是也可以利用概率等。

概略g，由于用0～1表示某一测量数据属于某组的比例，所以可以利用将用于求出马哈拉诺毕斯距离的式(5)变形的下式(7)计算得出。

数学式4

$g=\exp (-\sqrt{(C-m){\mathrm{\Σ}}^{-1}{(C-m)}^{\′}})---\left(7\right)$

判定结果作为被试验者的诊断报告书显示在显示部14中，并可以根据需要进行打印。图11中表示报告书的一个示例。图中，上侧的显示部111是显示被试验者的ID、姓名、检查日等的部分，中段的显示部112是显示作为参照用的测量波形(在这里为Ch21的测量波形)、通过主成分分析所抽出的主成分波形、得分的直线图表、观察结果、评价等的部分，下段的显示部113是关于氧化血红蛋白以及脱氧血红蛋白的各主成分波形以数值或定性地显示特征量的部分。该诊断报告书，最好与记载有其他临床数据项目(例如临床诊断、服药、家族史、器质性疾病、并发症、其他检查等)的病历和问诊票、以及图8所示的被试验者的测量数据和通过生物体光测量得到的图像数据一体保存。由此，可以制成综合包括针对患者的光测量结果的病历，并可以根据需要随时读出，并进行分析。

在利用疾病判定装置得出的判定结果与其他诊断结果一致的情况下，也可以将针对该被试验者的特征分析结果添加到存储部12的数据库中。这项功能，例如可以通过由输入部13输入，由疾病判定装置10的主控制部接收规定被试验者的选择以及数据库的更新，并将该被试验者的特征分析结果添加到数据库中来实现。这样，通过更新数据库，可以增大其规格，从而可以提高判定可靠性。

图12中表示了本发明的疾病判定装置10的显示部14中所显示的用于进行疾病判定的主界面的一例。在该例中，由根据生物体光测量装置20所测量的数据选择所需数据(例如4*4信道的数据和3*3信道的数据)的选择按钮121、122，用于进行判定计算和显示的按钮123，用于保存和读出判定结果的按钮124、125，用于重新制成或变更数据库的按钮126，用于制成报告书的按钮127，结束按钮128等操作按钮进行显示，通过鼠标等输入单元来选择这些操作按钮，从而进行上述判定的计算、显示以及报告书制成和数据库更新等一系列的动作。

判定结果，可以通过选择保存按钮124进行保存，并通过操作读出按钮125随时读出。而且，还可以操作数据库的变更按钮126，而将新的判定结果添加到数据库中。

以上，作为本发明的一个实施方式，虽然对独立于生物体光测量装置20的疾病判定装置10进行了说明，但是本发明的疾病判定装置10也可以与生物体光测量装置20一体设置。在这种情况下，可以使图2所示的生物体光测量装置20的信号处理部31具有疾病判定装置10的运算部11的功能。此外，疾病判定装置10的存储部12、输入部13以及显示部14，可以由生物体光测量装置20的输入输出部32以及存储部33实现其功能。

以上，虽然以精神病为例进行了说明，但是本发明的疾病判定装置也可以用于在精神病以外的疾病中进行判定。

Claims (14)

1.一种生物体光测量装置，其特征在于，包括：

产生对被检测体的照射光的光源部；

检测通过被检测体内部的光，并生成与被检测体的血红蛋白浓度变化对应的血红蛋白信号的光测量部；

分析所述血红蛋白信号的特征量，并根据所分析的特征量判定疾病的判定单元；以及

显示所述被检测体的疾病信息的显示单元。

2.根据权利要求1所述的生物体光测量装置，其特征在于，

所述判定单元，包括：用于从所述血红蛋白信号抽取多种特征量的单元；

将每种疾病的特征量作为数据库进行储存的存储单元；

对所述抽取单元所抽出的多种特征量进行分析，并判断与储存在所述存储单元中的每种疾病的特征量的相似度的分析单元；以及

将利用所述分析单元所判断出的相似度量化的量化单元。

3.根据权利要求2所述的生物体光测量装置，其特征在于，所述分析单元，通过多变量分析而计算出所述抽取单元所抽出的多个特征量与储存在存储单元中的每种疾病的特征量数据的相似度。

4.根据权利要求2所述的生物体光测量装置，其特征在于，所述分析单元，通过计算所述抽取单元所抽出的多个特征量与所述每种疾病的特征量数据的重心之间的马哈拉诺毕斯距离而求出所述相似度。

5.根据权利要求2所述的生物体光测量装置，其特征在于，所述抽取单元，从提出规定课题时的血红蛋白量变化模型抽取所述多个特征量。

6.根据权利要求5所述的生物体光测量装置，其特征在于，所述抽取单元，抽取课题刚开始之后的图表的倾斜度、课题结束后的图表的倾斜度、课题中的积分值(A)、课题结束后的积分值(B)、积分值比率(A/B)、最大值以及课题结束后波形与矩形波的相关值中的至少一项作为所述特征量。

7.根据权利要求2所述的生物体光测量装置，其特征在于，所述抽取单元，将多次测量值相加并求出平均值，用作血红蛋白信号。

8.根据权利要求1所述的生物体光测量装置，其特征在于，所述显示单元，将所述相似度作为图表进行显示。

9.根据权利要求2所述的生物体光测量装置，其特征在于，所述存储单元，作为数据库至少具有健康人组、综合失调症组以及抑郁症组的特征量。

10.根据权利要求1所述的生物体光测量装置，其特征在于，具有将所述被检测体的判定结果与通过生物体光测量得出的测量数据以及图像数据一体保存的存储单元。

11.根据权利要求2所述的生物体光测量装置，其特征在于，所述分析单元，将与特定疾病的相似度在规定阈值以下的判定对象作为该特定疾病的数据储存在所述存储单元中。

12.根据权利要求2所述的生物体光测量装置，其特征在于，具有输入单元，其用于指示所述判定单元的判定、报告书的制成、所述数据库的更新以及所述显示单元的显示。

13.一种根据通过生物体光测量所测量出的被检测体的血红蛋白信号判定被检测体的疾病的方法，其特征在于，

对于被确诊为多个疾病组中的任一疾病的多个被检测体，通过生物体光测量来测量血红蛋白信号，从各个被检测体的血红蛋白信号抽取多种特征量，并按照被检测体的每种疾病将这些特征量作为数据进行储存；

对于待诊断的被检测体，从通过生物体光测量所测量出的血红蛋白信号抽取多个特征量，计算所抽出的特征量与所述每种疾病的数据的相似度，并将相似度最高的疾病作为所述待诊断的被检测体的疾病。

14.根据权利要求13所述的判定方法，其特征在于，包括以下步骤：对于被确诊为所述疾病的多个被检测体的血红蛋白信号进行主成分分析并抽取主成分波形，从主成分波形抽取特征量，将所抽出的特征量作为该被检测体的疾病组的数据进行保存。

Images