JP2001309898A - ウェーブレット・ニューロ波形診断方法および装置 - Google Patents

Abstract

(57)【要約】 【課題】 測定対象からの各種波形現象により、その個
体の罹患している疾患の有無、種類、並びにその程度
（確率）、およびその個体の属性、並びにその程度（確
率）をより高い精度で診断する。 【解決手段】 測定対象からの信号を電位波形として測
定されたものに、ウェーブレット変換を適用し所定の解
像度までの高周波成分を計算する高周波成分計算部13
と、高周波成分の2乗和を計算し所定の次元のベクトル
を生成する波形ベクトル生成部14と、閾値を用いて所定
次元ベクトルを複数の群に分け診断対象を所定の群に割
り振る群決定部15と、所定次元ベクトルを、それが属す
る群に対して、すでに主成分分析によって得られている
固有ベクトルによって展開し、主成分ベクトルを生成す
る主成分ベクトル生成部16と、主成分ベクトルを入力す
る３層ニューラルネットワークを有し、出力値が最も大
きい出力ユニットの番号を保存する診断部17を具備す
る。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、脳波、大脳誘発電
位、脈波などの生体の各種波形現象から、その個体の罹
患している疾患の有無、罹患している疾患の種類ならび
にその程度（確率）などを診断し、また男女などその被
験者の属する属性ならびにその程度（確率）を診断する
方法および診断装置に関するものである。

【０００２】また、上記生体の各種波形現象に基づく診
断のみならず、例えば、電力、鉄鋼、化学工業等におけ
る各種プラントに配置されたセンサからの時系列信号に
基づき各種装置の故障診断等にも適用可能な診断方法お
よび診断装置に関するものである。

【０００３】

【発明が解決しようとする課題】脳波、大脳誘発電位、
脈波などの生体から測定される各種波形現象によって、
その個体の罹患している疾患の有無、疾患の種類などを
診断することができるが、その診断の精度は必ずしも高
いものではなく実際の臨床診断に適用するには問題があ
った。

【０００４】例えば、大脳誘発電位は、その神経伝導路
における障害(遮断)の有無、その障害(遮断)の部位の診
断、ならびに脳死判定の一助として広く用いられ、さら
に精神神経科疾患を含む疾患の診断への応用も試みられ
ている。

【０００５】例えば、大脳誘発電位は、電気刺激、視覚
刺激、聴覚刺激などの感覚刺激が感覚受容器や神経に与
えられると、それが神経伝導路を上行して大脳に誘発さ
れる微小電位変化のことであり、頭皮上の記録電極を介
して記録される。大脳誘発電位には、それを誘発する感
覚刺激の感覚様式の種類によって、体性感覚誘発電位、
視覚誘発電位、聴覚誘発電位などの種類がある。しかし
個々の刺激に対する個々の誘発電位は小さいのでより振
幅の大きな背景脳波の中に埋没している。それで所定の
時間間隔をおいて繰り返し刺激を与え、大脳誘発電位記
録装置によって、刺激が加えられた時点を０時点として
大脳誘発電位を含む脳波を加算平均することにより、刺
激と一定の時間関係をもたない脳波を相殺し、刺激から
一定の潜時をもって一定の方向性（＋または−）をもつ
大脳誘発電位が増幅されて平均大脳誘発電位の電位波形
として記録される。従来の大脳誘発電位記録装置は、記
録されたこれらの平均大脳誘発電位をアナログ波形とし
てＣＲＴなどにより表示し、さらに、種々の波形処理に
よりより観察し易いデータに変換し提供してきた。

【０００６】かかる波形またはデータに基づき医師が疾
患の有無を判断するに当たっては、医師が、例えば平均
大脳誘発電位の波形を直接目視により観察し、またはデ
ータ処理装置による波形解析の結果を見て、その神経伝
導路における神経活動の有無、伝導障害（遮断）の有
無、その障害の種類や障害（遮断）の部位などを診断し
てきた。医師による神経伝導路における伝導障害の有無
を判断するための波形成分の分析は、通常、注目する波
形成分の潜時、成分間の伝導時間、および各成分の振幅
の観察、さらに特定の成分の有無などにより行われてい
る。

【０００７】しかし、通常、個人間で大きなバラツキを
有する平均大脳誘発電位の波形を目視して、疾患の有無
やその種類を判断することは、医師の主観的な判断能力
の限界を超えるものであり、また、医師の個人的判断に
依存するため、医師間で判断が相違する場合が生ずると
いう問題点があった。

【０００８】本願の発明者等は、この問題を克服するた
めに、記録した平均大脳誘発電位の波形をウェーブレッ
ト関数を用いて処理し、疾患の種類を判別する装置につ
いて発明し、特許出願した（特願平９−２４８９７５
号）。

【０００９】この方法によれば、健常者、精神分裂病、
躁鬱病、およびてんかんの診断においてほぼ８０％強の
検出率が得られた。この検出率は大脳誘発電位の測定結
果からのみ得られる検出率としては高い値であるが、臨
床的に利用するには必ずしも十分とは言えない場合があ
り、さらに高い検出率が望まれている。

【００１０】したがって、本発明は、上記従来技術の問
題点に鑑みてなされたもので、脳波、大脳誘発電位、脈
波などの生体の各種波形現象によって、その個体の羅患
している疾患の有無、罹患している疾患の種類ならびに
その程度（確率）などを診断し、また男女などその診断
対象の属する属性ならびにその程度（確率）をより高い
精度で診断することが可能な信号処理の方法および装置
を提供することを目的とする。

【００１１】また、本発明は、例えば自動化システム等
に適用し、システムに設置された各種センサから出力さ
れる時系列信号が正常か異常かを検知し、異常の場合に
は異常信号をもとにその原因を診断すること等が可能な
信号処理の方法および装置を提供することを目的とす
る。

【００１２】

【課題を解決するための手段】本発明の波形診断方法
は、(1)測定対象から測定された複数の電位波形にウェ
ーブレット変換を適用し、各電位波形の高周波成分を計
算して各電位波形に関する所定のｎ次元ベクトルを生成
するステップと、(2)群を定める割り振り表の閾値を用
いて、各ｎ次元ベクトルがいずれの群に属するかを定め
るステップと、(3)その群について主成分分析により得
られたｎ個の固有ベクトルを用いてｎ次元ベクトルを展
開し、ｎ個の展開係数を並べてｎ次元主成分ベクトルを
形成するステップと、(4)ｎ次元主成分ベクトルを、そ
の群に関して構築された３層ニューラルネットワークに
入力し、出力値が最も大きい出力ユニットの番号を保存
するステップと、(5)ステップ(2)から(4)までの操作を
前記各電位波形について繰り返すステップと、(6)ステ
ップ(5)で得られた出力ユニットの番号の中で最も多い
番号を、診断または属性の不明な測定対象の診断または
属性と診断する波形診断方法である。また、上記３層ニ
ューラルネットワークは判別領域を拡大するように学習
されたニューラルネットワークである波形診断方法であ
る。

【００１３】また、本発明による波形診断装置は、測定
対象からの信号を電位波形として測定されたものにウェ
ーブレット変換を適用し、所定の解像度までの高周波成
分を計算する高周波成分計算部と、それぞれの高周波成
分の2乗和を計算し所定の次元のベクトルを生成する波
形ベクトル生成部と、所定の閾値を用いてｎ次元ベクト
ルを複数の群に分け測定対象を所定の群に割り振る群決
定部と、測定対象から測定された電位波形から計算され
た所定次元のベクトルを、それが属する群に対して、す
でに主成分分析によって得られている固有ベクトルによ
って展開し、主成分ベクトルを生成する主成分ベクトル
生成部と、主成分ベクトルを入力する３層ニューラルネ
ットワークを有し、その出力値が最も大きい出力ユニッ
トの番号を保存する診断部とを具備する波形診断装置で
ある。また上記3層ニューラルネットワークは判別領域
を拡大するように学習された３層ニューラルネットワー
クである波形診断装置である。

【００１４】

【発明の実施の形態】本発明は、波形現象から対象の異
常の種類や程度を診断する方法として、ウェーブレット
特に高次のＤａｕｂｅｃｈｉｅｓウェーブレットと、判
別領域を拡大するように学習された３層ニューラルネッ
トワークを用いる。

【００１５】連続する波形の数値解析には通常フーリエ
変換による周波数解析を使用するのが一般的である。し
かし、脳波、大脳誘発電位、または脈波等による疾患、
自動機械の異常等の判定等においては、フーリエ変換に
よる周波数解析よりもウェーブレット解析の方が優れて
いる。

【００１６】その理由は、フーリエ変換は、サイン関数
やコサイン関数などの周期関数をもとにした変換であ
り、周期性をもつ波形の解析には適しているが、フーリ
エ変換では、例えば脳波のように周期性があっても時刻
毎に周期がいろいろと変化する波形、異常脳波の波形、
正常脳波と異常脳波との境（時間的な境，正常脳波の間
に異常脳波が混入する）など周期性がない場合の波形、
また、大脳誘発電位のように周期性がほとんど見られな
い波形、不連続に発生する自動機械等の異常に対しては
適切な解析ができないからである。

【００１７】ウェーブレット関数は、局所的な関数でし
かも周波数に相当するスケールとよばれるパラメータを
含んでおり、そのパラメータを動かすと関数が急峻にな
ったり緩慢になるので、このような関数による変換によ
り、波形の各時刻における挙動を的確にとらえることが
可能となる。

【００１８】特にＤａｕｂｅｃｈｉｅｓウェーブレット
関数を用いた解析は周期性の有無または多少にかかわら
ず、波形現象全体を対象とするので、対象波形の周期性
の有無または多少には影響されない。また、本発明で
は、時系列信号の高周波成分のみを解析の対象としてお
り、高周波成分は波形の上下の平行移動や傾きに無関係
なので、波形の上下の平行移動や傾きは検査結果に影響
を及ぼさず、周波数情報のみが検査対象となる。

【００１９】なお上記高周波成分は、波形が急激に変わ
る部分を数値で表現したものである。その数値は正の値
もあり負の値もある。数値の絶対値は、波形の変化の程
度によって大小変化する。したがって、例えば対象波形
が滑らかであればあるほど高周波成分の絶対値は小さく
なる。対象波形には、種々の高周波成分が含まれてお
り、診断または属性の不明な原波形を１回ウェーブレッ
ト分解して得られた第１高周波成分だけによる判断では
不十分である。

【００２０】したがって、第１回のウェーブレット分解
により得られた第１低周波成分と第１高周波成分のう
ち、第１低周波成分をふたたびウェーブレット分解し
て、第２低周波成分と第２高周波成分を計算する。さら
に同じ理由で、第２低周波成分をウエーブレット分解し
て第３低周波成分と第３高周波成分を計算する。このこ
とを繰り返すことにより、一つの低周波成分と解像度の
異る複数の高周波成分が得られる。このようにして、原
波形の特徴は、ほとんど、解像度の異なる多数の高周波
成分に分散される。したがって、このような高周波成分
を解析すれば原波形を解析したことになる。

【００２１】通常、ウェーブレット関数には、１次，２
次，３次，…という次数がついており、高次のウェーブ
レット関数は、この次数が高いことを意味する。この発
明の実施の形態における大脳誘発電位波形の解析には、
１０次のＤａｕｂｅｃｈｉｅｓウェーブレット関数を用
いている。低次のＤａｕｂｅｃｈｉｅｓウェーブレット
関数ほど直線の組み合わせのように変化するが、４次以
上のＤａｕｂｅｃｈｉｅｓウェーブレット関数になると
より滑らかな変化を示す。そして次数が高次になるとと
もにサポートが長くなっていく。例えば、２次ではサポ
ートの長さが４、３次ではサポートの長さが６と言う具
合に、サポートの長さは次数の２倍になる。なお、Ｄａ
ｕｂｅｃｈｉｅｓウェーブレットの次数と解像度は特に
関係はない。どのような次数のＤａｕｂｅｃｈｉｅｓウ
ェーブレットを使っても、例えば原波形（時系列）の長
さが１０２４であれば、第１解像度から第８解像度の高
周波成分を計算できる。

【００２２】精神神経科疾患の診断を目的として、平均
大脳誘発電位の解析に適用した場合を例に本発明の実施
の形態を以下具体的に説明する。以下に記載される本発
明の実施の形態は単なる１例であり、本発明の実施の形
態は対象波形の種類により多様に変形する事が可能であ
る。

【００２３】図１は本発明のウェーブレット・ニューロ
波形診断装置（以下、波形診断手段１０と称する）を、
大脳誘発電位の波形診断に応用する実施形態の図であ
る。大脳誘発電位記録手段１によって被験者から記録さ
れた大脳誘発電位を含む脳波を、波形診断手段１０に取
り込み、データ処理を行って診断する。

【００２４】大脳誘発電位記録手段１は、トリガー信号
を出力するタイマー２と、それぞれトリガー信号が入力
されると被験者に刺激電極６を介して電気刺激を与える
電気刺激器３−３、フラッシュ管５によってフラッシュ
などを与える視覚刺激器３−２、スピーカー４でクリッ
ク音などを与える聴覚刺激器３−１を有する。

【００２５】タイマー２から任意に設定できる所定の周
期で繰り返し周期的に出力されるトリガー信号が、電気
刺激器３−３にのみ入力され被験者に電気刺激のみが繰
り返し与えられれば平均体性感覚誘発電位波形が、視覚
刺激器３−２にのみ入力され被験者に視覚刺激のみが繰
り返し与えられれば平均視覚誘発電位波形が、聴覚刺激
器３−１にのみ入力され被験者に聴覚刺激のみが繰り返
し与えられれば平均聴覚誘発電位波形が、すべての記録
誘導（記録系統）から同時に記録される。

【００２６】上記のように同一種類の繰り返し刺激によ
り、その刺激に対応する１種類の平均大脳誘発電位を記
録する他に、所定の周期で、それぞれ所定の時間間隔を
おいて複数種類の刺激を順次繰り返し与えることによ
り、複数種類の平均大脳誘発電位を同時並行して記録す
ることも可能である。この場合、タイマー２は任意に設
定できる所定の周期（例えば全体として5秒周期）で、
例えば電気刺激、視覚刺激および聴覚刺激の順番で繰り
返しトリガー信号を出力することが可能である。

【００２７】即ち、電気刺激へのトリガー信号出力と視
覚刺激へのトリガー信号との間を例えば1秒、視覚刺激
へのトリガー信号出力と聴覚刺激へのトリガー信号との
間を例えば２秒、さらに聴覚刺激へのトリガー信号出力
と次の電気刺激へのトリガー信号との間を例えば２秒と
することにより、全体として5秒周期で、それぞれ所定
の時間間隔をおいた電気刺激−視覚刺激−聴覚刺激の刺
激のサイクルを繰り返し与えることができる。

【００２８】それぞれ電気刺激器３−３、視覚刺激器３
−２、聴覚刺激器３−１は、それぞれ刺激電極６、フラ
ッシュ管５、スピーカー４へトリガー信号を出力すると
同時に、波形診断手段１０の誘発電位波形生成部１２へ
トリガー信号を出力する。

【００２９】それぞれの記録回路（記録系統）から波形
診断手段１０の誘発電位波形生成部１２へ送られた大脳
誘発電位を含む脳波は、それぞれ対応する刺激器、即ち
電気刺激器３−３、視覚刺激器３−２、聴覚刺激器３−
１からのトリガー信号によって加算平均され、それぞれ
平均大脳誘発電位、即ち平均体性感覚誘発電位、平均視
覚誘発電位、平均聴覚誘発電位の電位波形が生成され
る。つまり、それぞれ感覚様式の異なる刺激に対する３
種の平均大脳誘発電位が同時並行して記録される。

【００３０】大脳誘発電位の記録は、被験者の頭皮上の
それぞれ異なる部位に複数の、例えば６個の記録電極７
が配置され、所定の記録電極2個づつを組み合わせた複
数の、例えば6系統の記録誘導８を経て大脳誘発電位を
含む脳波が継続して記録回路９−１，９−２，９−３へ
送られる。記録回路は所定の時定数に設定され、増幅機
能を具備しているが、体性感覚誘発電位の記録回路、視
覚誘発電位の記録回路、および聴覚誘発電位の記録回路
は、いずれも同等の構成のものが用いられる。

【００３１】それぞれの記録回路（記録系統）から波形
診断手段１０の誘発電位波形生成部１２へ送られた大脳
誘発電位を含む脳波は、対応する刺激器からのトリガー
信号が入力された時点を０時点として、潜時１０２４ms
ec（時系列の長さ１０２４）の範囲で、例えば１００回
加算平均され、刺激と無関係な波動である脳波が相殺さ
れ、刺激から一定の潜時をもって一定の方向への変化と
して起こる大脳誘発電位のみが増幅されて信号／ノイズ
比が改善され、それぞれの記録誘導（記録系統）からの
平均大脳誘発電位の電位波形が生成され、記録部１８へ
送られて保存され、また高周波成分計算部１３へ送られ
る。

【００３２】図２に、例えばある被験者から記録された
平均大脳誘発電位（平均体性感覚誘発電位）の波形の１
例を示す。縦軸は電圧（振幅）であり１２８０が５０μ
Ｖに相当し、横軸は時間（ｍｓｅｃ）であり１０２４ｍ
ｓｅｃまでである。個々の刺激が被験者に与えられた時
点が、平均大脳誘発電位の波形の開始時点である。

【００３３】通常、記録された大脳誘発電位波形の解析
時間（継続時間）は、大脳誘発電位波形記録手段１にお
いて設定されるが、例えば図２のように１０２４ｍｓｅ
ｃの解析時間で記録されている大脳誘発電位の波形の、
どの範囲（例えば１５〜６００ｍｓｅｃの範囲など）を
解析の対象とするかは任意である。

【００３４】波形診断手段１０には、解析制御部１１に
制御されて被験者の大脳誘発電位の電位波形をもとに疾
患や属性の診断を行うためウェーブレット変換を適用
し、例えば８解像度までの高周波成分を計算する高周波
成分計算部１３、それぞれの高周波成分の２乗和を計算
し８次元ベクトルを生成する波形ベクトル生成部１４、
閾値を用いて上記８次元ベクトルをいくつかの群に分け
各被験者をそれぞれの群に割り振る群決定部１５、各被
験者の電位波形から計算された８次元ベクトルを、それ
が属する群に対して、すでに主成分分析によって得られ
ている固有ベクトルによって展開し、８次元主成分ベク
トルを生成する主成分ベクトル生成部１６、および疾患
の種類や属性などを診断する診断部１７を有する。そし
て、上記構成要素を制御する解析制御部１１、各構成要
素の計算結果などを記録する記録部１８および解析経過
および診断結果を表示する表示部１９を有する。なお、
記録部１８および表示部１９には、大脳誘発電位記録手
段１より取り込まれた大脳誘発電位を含む脳波および平
均大脳誘発電位を記録し、等間隔時間軸または対数時間
軸によって表示することができる。

【００３５】診断は複数の３層ニューラルネットワーク
からなる診断部１７で行う。診断を行うには、上記３層
ニューラルネットワークの結合荷重ならびに閾値は決ま
っていなくてはならない。つまり、上記３層ニューラル
ネットワークは学習済みでなくてはならない。そこでま
ず、３層ニューラルネットワークを学習させるための訓
練データの作成法を述べる。

【００３６】各記録誘導毎に，複数の臨床診断または属
性が明らかな測定対象の電位波形を用意する。図１に示
す高周波成分計算部１３では、それらに、ウェーブレッ
ト係数、特に高次のＤａｕｂｅｃｈｉｅｓウェーブレッ
ト係数を分解係数にもつＭａｌｌａｔ分解公式を次々に
適用して、第１解像度から第８解像度までの高周波成分
を計算する。

【００３７】Ｄａｕｂｅｃｈｉｅｓウェーブレット関数
は、いわゆるサポートと言われる関数の値が０でないと
ころが完全に局所的であり（このことをしばしばコンパ
クトサポートと言う。）、他のウェーブレット関数に比
べてサポートが短いという特徴をもっている。このよう
にサポートが短いため、他のウェーブレット関数と比較
し、特に波形の局所的な解析に適している。もちろん、
関数の次数が高くなるにつれてサポートは長くなってい
くが、関数は次第に滑らかになっていくので、大脳誘発
電位のようにほぼ滑らかで緩慢な動きを呈する波形の解
析には、高次のＤａｕｂｅｃｈｉｅｓウェーブレットが
適している。即ち、高次のＤａｕｂｅｃｈｉｅｓウェー
ブレット関数は、サポートが長く滑らかであるので、長
期波形を特徴とする生体信号の解析に特に適している。

【００３８】ここで、Ｍａｌｌａｔ変換公式とは、波形
を低周波成分と高周波成分に直交分解する公式のことで
あり、１０次のＤａｕｂｅｃｈｉｅｓウェーブレットに
よって第１高周波成分から第８高周波成分まで分解する
場合は次の式で与えられる。

【００３９】

【数１】

【００４０】

【数２】

【００４１】式（１）に現れるαiと式（２）に現れる
βiは、それぞれ、１０次のＤａｕｂｅｃｈｉｅｓスケ
ーリング係数および１０次のＤａｕｂｅｃｈｉｅｓウェ
ーブレット係数とよばれるものであり、βiは表１に与
えられている。αiはβiの符号を交互に変えたものであ
る。ｃ⁰ _i+2kは原波形を表す。第１高周波成分ｄ_k ^-1は式
（２）においてｊ＝１とおいた式より計算できる。ただ
し、原波形（時系列）ｃ⁰ _{i +2k}の長さを１０２４として
いるので、ｋは高々５１２までしか動けない。つまり、
ｄ_k ^-1は半分にダウンサンプリングされる。第２高周波
成分ｄ_k ^-２は、まず、式（１）においてｊ＝１とおいて
第１低周波成分ｃ_k ^-1を計算しておき、これを式（２）
においてｊ＝２とおいた式の右辺に代入すると計算でき
る。もちろん、上と同じ理由で半分にダウンサンプリン
グされ、長さは２５６となる。第３高周波成分から第８
高周波成分も第２高周波成分の計算と同様に、式（１）
によって低周波成分を計算し、それを式（２）の右辺に
代入すれば計算できる。こうして、第１解像度から第８
解像度までの高周波成分ｄ_k ^-1，ｄ_k ^-２，....，ｄ_k ^-８
が計算できる。ただし、解像度が下がるごとにダウンサ
ンプリングされるので、ｋの動く範囲は順に０≦ｋ≦５
１２，０≦ｋ≦２５６，....，０≦ｋ≦４となる。高周
波成分の計算を第８解像度までとした理由は、大脳誘発
電位の波形解析において１０次のＤａｕｂｅｃｈｉｅｓ
ウェーブレットを用いた場合、実験結果から第９解像度
以後の高周波成分はほとんど０になるからである。

【００４２】図３は、図２に示すある被験者から記録さ
れた平均大脳誘発電位（平均体性感覚誘発電位）の波形
についての第１解像度から第８解像度までの高周波成分
を示す。縦軸は電圧（振幅）を表し１２８０が５０μＶ
に相当し、横軸は時間ｍｓｅｃである。なお、各高周波
成分は解像度ごとに長さが異なるが、図３では第１高周
波成分から第８高周波成分を、原波形と同じ長さの１０
２４に引き伸ばして描いている。

【００４３】図１に示す波形ベクトル生成部１４では、
各波形毎に第１高周波成分から第８高周波成分の２乗和

【００４４】

【数３】

【００４５】を計算し、８次元ベクトル

【００４６】

【数４】

【００４７】を作成する。

【００４８】図１に示す群決定部１５では、波形ベクト
ル生成部１４で各記録誘導毎に計算された複数の８次元
ベクトルを、あらかじめ記録部１８に格納された閾値を
用いていくつかの群に分け、割り振り表を作成する。割
り振り表は記録部１８に格納する。このようにいくつか
の群に分ける理由は、同じ記録誘導から得られた電位波
形をもとに作成された８次元ベクトルが、疾患あるいは
属性に無関係に共通の特徴をもつ場合があるからであ
る。例えば、第１記録誘導から記録された４種類の男性
疾患群（健常者群も含む）では、上記８次元ベクトルは
第１成分の大小を分ける閾値によって大きく２つの群に
分けられ、それぞれの群はさらに第２成分から第８成分
の和の大小を分ける閾値によって２つの群に分けられ
る。つまり、第１記録誘導を用いて得られた電位波形は
４つの群に分けられる。表２には、第１記録誘導を用い
て得られたいずれも男性の健常者（mapl）９９人、精神
分裂病患者（mcpl）９９人、躁鬱病患者（mepl）２１
人、てんかん患者（mgpl）９６人の平均体性感覚誘発電
位の電位波形を上記の方法により４つの群に分けた結果
を載せている。

【００４９】図１に示す主成分ベクトル生成部１６で
は、群決定部１５で作成された割り振り表の各群毎に、
それに属する８次元ベクトルに対して主成分分析を行
い、８次元固有ベクトルならびに８次元主成分ベクトル
を計算する。得られた８次元固有ベクトルと８次元主成
分ベクトルは記録部１８に格納する。

【００５０】図１に示す主成分ベクトル生成部１６にお
いて作成された８次元主成分ベクトルを、診断部１７に
おける３層ニューラルネットワークの訓練データとして
用いる。

【００５１】次に、図１に示す診断部１７における３層
ニューラルネットワークの学習法について述べる。３層
ニューラルネットワークとは、図４に示すような入力層
２１のユニットと隠れ層２２のユニットが互いに結線２
４で結ばれ、また隠れ層２２のユニットと出力層２３の
ユニットが互いに結線２５で結ばれ、各結線上に結合荷
重とよばれるパラメータがおかれ、さらに隠れ層２２の
出力部と出力層２３の出力部に、閾値と閾値関数がおか
れたものを言う。

【００５２】しかしながら、このような３層ニューラル
ネットワークは、結合荷重と閾値を与えてやらないと何
の働きもしない。そこで、結合荷重と閾値をどのように
して決めるか、即ちニューラルネットワークの学習が問
題になる。この学習には、よく誤差逆伝搬法（ＢＰ法）
という学習法が用いられる。

【００５３】しかし、本発明では、３層ニューラルネッ
トワーク２０の学習法として、ＢＰ法と異なる判別領域
拡大法という学習法を用いる。この学習法の特徴は、主
成分ベクトル生成部１４において計算され記録部１８に
格納されている各群の８次元主成分ベクトルを、上記３
層ニューラルネットワークの訓練データとして用いるこ
とと、上記３層ニューラルネットワークの結合荷重と閾
値を、判別領域を拡大するように決めることにある。判
別領域を拡大する学習法を用いると、診断または属性が
不明な測定対象の電位波形から作成された８次元主成分
ベクトルが、いずれかの判別領域に属する可能性が高ま
り、その８次元主成分ベクトルがどの判別領域に属する
かを判定することによって診断が可能になる。ＢＰ法は
判別領域という概念にもとづいた学習法ではないのでＢ
Ｐ法によって学習された３層ニューラルネットワークで
はこのような判定はできない。

【００５４】この発明の実施の形態においては、８次元
主成分ベクトルを３層ニューラルネットワーク２０の入
力データとするので、入力ユニット２６の個数は８であ
る。出力ユニット２７は、疾患あるいは属性の数（ｍ
個）だけ用意する。３層ニューラルネットワーク２０の
入出力関係は次の式で表される。

【００５５】

【数５】

【００５６】ただし、ｘ₁ ，…，ｘ₈ は入力値を表し、
ｙ₁ ，…，ｙ_m は出力値を表す。ｈは隠れユニットの数
である。また、ｖ_jkは入力層と隠れ層間の結合荷重を表
し、η_j は隠れユニットの閾値を表す。さらに、ｗ_ijは
隠れ層と出力層間の結合荷重を表し、θ_i は出力ユニッ
トの閾値を表す。式（５）に含まれる２つの関数ｆ
（ｔ）とｇ（ｔ）は次の式で与えられる。

【００５７】

【数６】

【００５８】図４は、３層ニューラルネットワーク２０
の構造を図示したものである。判別領域を最大にする学
習法とは、訓練データに対する出力ユニットの発火条件
から導かれた入力空間における判別領域を最大にするよ
うな学習法である。判別領域は、３層ニューラルネット
ワークの結合荷重と閾値に関するいくつかの不等式によ
って表される。判別領域そのものは非線形関数を含んだ
複雑な形をしているが、その領域の隠れ層空間への写像
は超立方体といくつかの超平面（例えば、方程式 ａ₁
ｘ_1＋ａ₂ｘ_2＋ａ₃ｘ_3＋ａ₄ｘ_4＝ｄ を満たす点
（ｘ₁ ，ｘ₂ ，ｘ ₃ ，ｘ₄ ）の集合を４次元超平面と言
う。同様にして、一般にｋ次元超平面を考えることがで
きる。）に囲まれた単純な形をしているので、この領域
を最大にする条件と、写像に含まれる一次係数を最小に
する条件とから、判別領域を最大にするように３層ニュ
ーラルネットワークの結合荷重および閾値を学習させる
ことができる。

【００５９】この学習法により構築された３層ニューラ
ルネットワークは、未知のデータがどの疾患（健常を含
む）に属するかあるいはどの属性に属するかを判別でき
る判別領域を備えており、診断機能（能力）をもってい
る。

【００６０】図５に判別領域とそれを隠れ層に写像して
得られた領域を示す。３層ニューラルネットワーク２０
の入力層２１のところを見るとわかるが、８個の入力値
ｘ₁ ，…，ｘ₈ が縦に並んでいる。これらを横に並べ括
弧で括り、即ち、

【００６１】

【数７】

【００６２】のようにすると、８次元ベクトルとみなす
ことができる。図５の入力空間３１とは、このような８
次元ベクトル全部の集まりのことであり、８次元ベクト
ル空間とよばれる。したがって、図５の判別領域とは、
８次元ベクトル空間の中のある領域、即ち特定の８次元
ベクトルの集まりを表わす。

【００６３】入力層に入力された８次元ベクトルｘ＝
（ｘ₁ ，…，ｘ₈ ）は次式

【００６４】

【数８】

【００６５】によってｈ次元ベクトルｚ＝（ｚ₁ ，…，
ｚ_ｈ ）に変換される。したがって、８次元ベクトルｘ
＝（ｘ₁ ，…，ｘ₈ ）が図５の左側に示すような領域を
動くとき、変換されたｈ次元ベクトルｚもある領域を動
く。その領域を図５の右側に図示している。このような
変換のことを写像とよぶ。なお、８次元ベクトルやｈ次
元ベクトルの領域は図に描けないので、図５は２次元平
面に模式的に描いたものである。

【００６６】図５は、入力空間３１（８次元ベクトル空
間）における判別領域が、隠れ層空間３２（ｈ次元ベク
トル空間）の中に、どのように写されるかを表したもの
である。ｈ次元ベクトル空間における領域は図示できな
いので、図５においては２次元平面に模式的に描いてい
る。

【００６７】各記録誘導毎に作成した表２のような割り
振り表の各群毎に、主成分ベクトル生成部で計算した８
次元主成分ベクトルを訓練データとして用いて、上記の
方法によって３層ニューラルネットワークを構築する。
もし記録誘導数が６で、割り振り表の群の数が４の場合
には、２４個の３層ニューラルネットワークを構築する
ことになる。

【００６８】診断は次のようにして行う。図１に示す高
周波成分計算部１３において、診断または属性の不明な
測定対象の電位波形に１０次のＤａｕｂｅｃｈｉｅｓウ
ェーブレットに対するＭａｌｌａｔ変換公式、式（１）
ならびに式（２）を適用し、第１解像度から第８解像度
までの高周波成分を計算する。

【００６９】図１に示す波形ベクトル生成部１４では、
得られた第１高周波成分から第８高周波成分の２乗和を
計算し８次元ベクトルを作成する。

【００７０】図１に示す群決定部１５では、図１に示す
記録部１８に記録された割り振り表の閾値を用いて、そ
れがどの群に属するかを決定する。

【００７１】図１に示す主成分ベクトル生成部１６で
は、上記８次元ベクトルを、図１に示す記録部１８に格
納されている、そのベクトルが属する群の８次元固有ベ
クトルを用いて展開し、展開係数を並べて８次元主成分
ベクトルを生成する。

【００７２】図１に示す診断部１７では、上記８次元主
成分ベクトルを、もとの８次元ベクトルが属する群に対
して得られている３層ニューラルネットワークに入力
し、出力値が最も大きい出力ユニットの番号を保存す
る。このことを各記録誘導毎に行い、保存された出力ユ
ニットの番号の数が最も多い番号を被験者の疾患（健常
者を含む）または属性と診断する。

【００７３】図１に示す記録部１８には、診断または属
性の明らかな測定対象の電位波形、１０次のＤａｕｂｅ
ｃｈｉｅｓウェーブレット係数（表１）、１０次のＤａ
ｕｂｅｃｈｉｅｓウェーブレット変換を施し計算された
第１解像度から第８解像度までの高周波成分、それらの
2乗和から構成される8次元ベクトル、8次元ベクトルを
いくつかの群に分類するための閾値と割り振り表（表
２）、割り振り表によって決定された群、各群に属する
８次元ベクトルに主成分分析を施して得られた固有ベク
トルならびに8次元主成分ベクトル、3層ニューラルネッ
トワークの入力層のユニット数、隠れユニット数、出力
層のユニット数、学習された結合荷重および閾値などが
記録される。

【００７４】また、診断のために、臨床診断または属性
の不明な測定対象の電位波形、この電位波形にウェーブ
レット変換を施して計算された第１解像度から第８解像
度までの高周波成分、ならびに、それらの2乗和から構
成された8次元ベクトル、8次元ベクトルが属する割り振
り表の群の番号、ならびに、その群に対応する固有ベク
トルによる8次元ベクトルの展開係数等が記録される。

【００７５】図6に診断処理の流れ図を示す。診断処理
は次のようにして行う。

【００７６】（ｉ）被験者から記録された平均大脳誘発
電位波形から、高周波成分計算部１３により高周波成分
を計算し（ステップ４２）、波形ベクトル生成部１４に
より、各記録誘導毎に８次元ベクトルを作る（ステップ
４３）。

【００７７】（ii）各記録誘導毎に作成された割り振り
表の閾値を用いて、群決定部１５により８次元ベクトル
がどの群に属するかを決める（ステップ４４）。

【００７８】（iii）主成分ベクトル生成部１６によ
り、その群の主成分分析によって得られた８個の固有ベ
クトルを用いて(ii)の８次元ベクトルを展開し（ステッ
プ４５）、８個の展開係数を並べて８次元主成分ベクト
ルを作る（ステップ４６）。

【００７９】（iv）この８次元主成分ベクトルを、診断
部１７を構成するその群で構築された３層ニューラルネ
ットワーク２０に入力し（ステップ４７）、出力値が最
も大きい出力ユニットの番号を保存する（ステップ４
８）。

【００８０】（ｖ）(ii)から(iv)までの操作を各記録誘
導毎に行う（ステップ４２〜ステップ５０）。

【００８１】（vi）（ｖ）で得られた出力ユニットの番
号の中で、最も多い番号を被験者の疾患（健常を含む）
または属性と診断する（ステップ５１）。

【００８２】図６におけるｎの値は、例えば、大脳誘発
電位については、ｎ＝６［３種類（体性感覚誘発電位、
視覚誘発電位および聴覚誘発電位）×２（記録誘導）］
程度が適切である。ｎをさらに増やすことにより検出率
を幾分か上げることができると考えられるが、せいぜい
ｎ＝９［３種類（体性感覚誘発電位、視覚誘発電位およ
び聴覚誘発電位）×３（記録誘導）］までと考えられ
る。

【００８３】

【発明の効果】以上に述べた方法を、６記録誘導（体性
感覚誘発電位、視覚誘発電位、聴覚誘発電位の各２記録
誘導）から同時平行して記録された男性と女性の平均大
脳誘発電位（平均体性感覚誘発電位、平均視覚誘発電位
および平均聴覚誘発電位）の波形に、それぞれ男女別々
に適用して診断を試みた。なお、各記録誘導の割り振り
表における群の数は４とした。したがって、構築された
３層ニューラルネットワークは、男性と女性のそれぞれ
に対して２４個づつである。また、３層ニューラルネッ
トワークの訓練データとしては、各記録誘導の上記各群
における臨床診断の確定している患者（健常者を含む）
の８０％弱を用いた。

【００８４】臨床診断の確定している被験者５７９人
（男性３１５人、女性２６４人）について本方法による
診断成績（検出率）は、健常者（男性９９人、女性１０
０人）、精神分裂病患者（男性９９人、女性８１人）、
躁鬱病患者（男性２１人、女性２２人）、およびてんか
ん患者（男性９６人、女性６１人）に対して、次のとお
りである。

【００８５】 健常者 精神分裂病 躁鬱病 てんかん 男性 ９９％ １００％ ９０％ ９８％ 女性 ９９％ ９７％ ９５％ １００％ なお、例えば、全６記録誘導のうち、３以上の記録誘導
で精神分裂病と判断されればその被験者は精神分裂病と
診断した。

【００８６】これらの検出率は大脳誘発電位の測定結果
のみから得られる検出率としては驚異的な値である。も
っとも、訓練データの数を減らせば検出率も下がるが、
上記の検出率から判断して、訓練データの数が少々減っ
ても高い検出率が得られることがわかる。

【００８７】その他、電力、鉄鋼、化学工業等の自動化
システムにおいては、システムの動作を監視装置を用い
て常時監視しており、監視装置は自動化システムに設置
された各種センサからの出力である時系列信号を検出
し、制御装置がシステムの制御を行っている。本発明
は、このような時系列信号が正常か異常かを検知し、そ
して、異常の場合は異常信号をもとにその原因を診断す
るためにも使用できる。

【図面の簡単な説明】

【図１】ウェーブレット・ニューロ波形診断装置を平均
大脳誘発電位の波形診断に応用する実施形態の図であ
る。

【図２】平均大脳誘発電位（平均体性感覚誘発電位）波
形の１例を示す図である。

【図３】第１解像度から第８解像度までの高周波成分を
示す図である。

【図４】３層ニューラルネットワークを示す図である。

【図５】判別領域とそれらの隠れ層空間への写像を示す
図である。

【図６】ウェーブレット・ニューロ波形診断処理の流れ
を示す図である。

【図７】１０次のＤａｕｂｅｃｈｉｅｓウェーブレット
係数を示す表（表１）

【図８】割り振り表（表２）

【符号の説明】

１ … 大脳誘発電位記録手段 ２ … タイマー ３−１ … 電気刺激器 ３−２ … 視覚刺激器 ３−３ … 聴覚刺激器 ４ … スピーカー ５ … フラッシュ管 ６ … 刺激電極 ７ … 記録電極 ８ … 記録誘導 ９−１ … 記録回路 ９−２ … 記録回路 ９−３ … 記録回路 １０ … ウエーブレット・ニューロ波形診断手段 １１ … 解析制御部 １２ … 誘発電位波形生成部 １３ … 高周波成分計算部 １４ … 波形ベクトル生成部 １５ … 群決定部 １６ … 主成分ベクトル生成部 １７ … 診断部 １８ … 記録部 １９ … 表示部 ２０ … 3層ニューラルネットワーク ２１ … 入力層 ２２ … 隠れ層 ２３ … 出力層 ２４，２５ … 結線 ２６ … 入力ユニット ２７ … 出力ユニット ３１ … 入力空間 ３２ … 隠れ層空間 ３３〜３５ … 判別領域 ３６〜３８ … 判別領域の写像 ４１〜５２ … 診断処理のステップ

───────────────────────────────────────────────────── フロントページの続き Ｆターム(参考） 2G024 AD33 BA11 CA13 CA30 4C027 AA03 CC00 DD01 DD02 DD03 FF00 GG07 GG10 GG11 GG13 GG15 HH12 KK03 KK05

Claims (6)

【特許請求の範囲】
1. 【請求項１】 (1) 測定対象から測定された複数の電
   位波形にウェーブレット変換を適用し、前記各電位波形
   の高周波成分を計算して前記各電位波形に関する所定の
   ｎ次元ベクトルを生成するステップと、 (2) 群を定める割り振り表の閾値を用いて、前記各ｎ
   次元ベクトルがいずれの群に属するかを定めるステップ
   と、 (3) その群について主成分分析により得られたｎ個の
   固有ベクトルを用いて前記ｎ次元ベクトルを展開し、ｎ
   個の展開係数を並べてｎ次元主成分ベクトルを形成する
   ステップと、 (4) 前記ｎ次元主成分ベクトルを、その群に関して構
   築された３層ニューラルネットワークに入力し、出力値
   が最も大きい出力ユニットの番号を保存するステップ
   と、 (5) ステップ(2)からステップ(4)までの操作を前記各
   電位波形について繰り返すステップと、 (6) ステップ(5)で得られた出力ユニットの番号の中で
   最も多い番号を、診断または属性の不明な測定対象の診
   断または属性と診断することを特徴とする波形診断方
   法。
2. 【請求項２】 前記電位波形は大脳誘発電位波形である
   ことを特徴とする請求項１に記載の波形診断方法。
3. 【請求項３】 前記３層ニューラルネットワークは判別
   領域を拡大するように学習された３層ニューラルネット
   ワークであることを特徴とする請求項１または２に記載
   の波形診断方法。
4. 【請求項４】 測定対象から測定された電位波形にウェ
   ーブレット変換を適用し、所定の解像度までの高周波成
   分を計算する高周波成分計算部と、 前記それぞれの高周波成分の2乗和を計算し所定の次元
   のベクトルを生成する波形ベクトル生成部と、 所定の閾値を用いて前記所定次元ベクトルを複数の群に
   分け前記測定対象を所定の群に割り振る群決定部と、 前記測定対象からの電位波形から計算された前記所定次
   元のベクトルを、それが属する群に対して、すでに主成
   分分析によって得られている固有べクトルによって展開
   し、主成分ベクトルを生成する主成分ベクトル生成部
   と、 前記主成分ベクトルを入力する３層ニューラルネットワ
   ークを有し、その出力値が最も大きい出力ユニットの番
   号を保存する診断部とを具備することを特徴とする波形
   診断装置。
5. 【請求項５】 前記電位波形は大脳誘発電位波形である
   ことを特徴とする請求項４に記載の波形診断装置。
6. 【請求項６】 前記3層ニューラルネットワークは判別
   領域を拡大するように学習された３層ニューラルネット
   ワークであることを特徴とする請求項４または５に記載
   の波形診断装置。