JP2001514031A - 脳および心臓の一次電流の断層撮影システムおよび方法 - Google Patents

Abstract

(57)【要約】 頭蓋骨表面において測定した電気および／または磁気信号（ＥＥＧ／ＭＥＧ）から、機能的脳状態の確率の三次元マップを求める。このために、ＥＥＧ／ＭＥＧの統計的記述パラメータを測定し、その脳分布マップを算出する。マップは、ａ）解剖図解を用いて電気活動を発生する高い確率を有する構造に対する解の制約、およびｃ）解が所定の不確実性を有することに基づくＥＥＧ／ＭＥＧ／ＥＫＧ／ＭＫＧ問題の逆解である。前記マップまたは前記マップの部分的組み立てがテンプレート群に属する確率を判定する。該判定を得るために、マップの空間相関性および実験的共変数の依存性をモデル化する。得られた確率を疑似カラー・スケールでコード化し、脳図解上に重ね合わせ、それらの双方向三次元表示を得る。逆問題およびその表示に用いられる脳図解は、個々の神経画像、確率的図解、または個人の形態学に関する確率的図解の可塑的変形とすることができる。前記方法論は、定量的電磁脳撮影断層分析（ｑＥＥＧ−Ｔ）と呼ばれている。

Description

【発明の詳細な説明】

【０００１】 （技術分野） 本発明は、脳の神経細胞および心臓の筋肉細胞によって生成される一次電流（
ＰＥＣ：Ｐｒｉｍａｒｙ Ｅｌｅｃｔｒｉｃ Ｃｕｒｒｅｎｔ）の断層撮影映像
を得るためのシステムおよび方法から成る。

【０００２】 （背景） 当技術分野で使用する句および用語について、本発明では次のように定義する
こととする。 ベクトルは太い小文字で示し、行列は太い大文字で示す。１_Ｎは、１のＮ次元 （ｍａｔｒｉｘ Ｋｒｏｎｅｃｋｅｒ ｐｒｏｄｕｃｔ）を示し、″．＊″はア
ダマール積を示し、οはベクトル間の二進積（ｄｉａｄｉｃ ｐｒｏｄｕｃｔ）
を示す。ｘが行列またはベクトルの場合、ｘ^ｔはｘの転置を示し、ｘ^＊はｘの転
置共役を示す。ｘに適用される演算ｖｅｃｈ（Ｘ）は、Ｘの列を有するベクトル
を形成し、繰り返し要素または問題の文脈で一定と考えられるものを除去するこ
とから成る。 一次電流（ＰＥＣ）ｊｐ（ｒ，ｔ）は、位置ｒおよび時点ｔにおける神経また
は心臓細胞群のシナプス後活動（ｐｏｓｔ−ｓｙｎａｐｔｉｃ ａｃｔｉｖｉｔ
ｙ）の空間的および時間的平均によって得られる微視的な大きさである。 立体的導体Ω_ｖ：研究対象の身体、頭部または胸部の内側領域。 発生立体Ω_ｇ：ＰＥＣが発生するΩ_ｖの部分集合であり、脳または心臓から成
る。 立体的導体の格子Ｒ_ｖ：Ｎ_ｖ点の離散群 ｒ_ｖ∈Ω_ｖ。 発生立体の格子Ｒ_ｇ：Ｎ_ｇ点の離散群 ｒ_ｇ∈Ω_ｇ。 義した期間。

【０００３】 電子脳撮影図（ＥＥＧ：ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｍ）および
心電図（ＥＫＧ：ｅｌｅｃｔｒｏ−ｃａｒｄｉｏｇｒａｍ）：頭部および胸部上
の位置ｒ_ｃ（記録電極）およびｒ_ｆ（基準）において、身体上に配置した一対の
電極に生ずる電圧差Ｖ_ｅｒ（ｔ）を測定することによって得られる時系列。Ｖ_ｅ
ｒ（ｔ）は、身体のＮ_ｅ部位で測定される。この種の測定ベクトルをｖ（ｔ）で
示す。 磁気脳撮影図（ＭＥＧ：ｍａｇｎｅｔｏ−ｅｎｃｅｐｈａｌｏｇｒａｍ）およ
び磁気心電図（ＭＫＧ：ｍａｇｎｅｔｏ−ｃａｒｄｉｏｇｒａｍ）：単純コイル
の中心ｒ_ｃにおける磁界密度ベクトルの、それを含む面に対して垂直なベクトル
ｎ_ｃ上の投影ｂ_ｃｎ（ｔ）を測定することによって得られる時系列。これらの単
純コイルは、１群の磁気流検出変換器によって、超電導量子干渉装置（ｄｃＳＱ
ＵＩＤ：ｄｃ Ｓｕｐｅｒｃｏｎｄｕｃｔｉｎｇ Ｑｕａｎｔｕｍ Ｉｎｔｅｒ
ｆｅｒｅｎｃｅ Ｄｅｖｉｃｅ）に接続される。この種の測定のベクトルを、ｂ
（ｔ）で示す。 解剖学的画像：コンピュータ断層撮影装置（ＣＡＴ）、磁気共鳴画像（ＭＲＩ
）、凍結切開術（ｃｒｙｏｔｏｍｙ）を用いた頭部の死後断面のような身体に関
する構造情報を提供する医学的画像の一種。 解剖図解：頭部または胸部の基準系における、それぞれ、脳または心臓の解剖
画像。脳に対する基準系の特定のインスタンス（ｉｎｓｔａｎｃｅ）が、″Ｔａ
ｌａｉｒａｃｈ″国際系である。解剖図解の可能な形式には次のものがある。 研究対象の個々の構造画像（図１）。 確率：所与の母集団における解剖画像の正常または異常形態学の個体内変異性
（ｖａｒｉａｂｉｌｉｔｙ）を要約した複合統計画像（ｖａｌｄｅｓ Ｐ．ａｎ
ｄ Ｂｉｓｃａｙ Ｒ． Ｔｈｅ ｓｔａｔｉｓｔｉｃａｌ ａｎａｌｙｓｉｓ
ｏｆ ｂｒａｉｎ ｉｍａｇｅｓ．Ｉｎ：Ｍａｃｈｉｎａｒｙ ｏｆ ｔｈｅ
Ｍｉｎｄ，Ｅ．Ｒｏｙ Ｈｏｈｎ ｅｔ ａｌ．ｔｈｅ，（ｅｄ．），（１９
９０），Ｂｉｒｋｈａｕｓｅｒ，ｐｐ．４０５−４３４；Ｃｏｌｌｉｎｓ ＤＬ
，Ｎｅｅｌｉｎ Ｐ，Ｐｅｔｅｒ ＴＭ，Ｅｖａｎｓ ＡＣ（１９９４）Ａｕｔ
ｏｍａｔｉｃ ３Ｄ ｒｅｇｉｓｔｒａｔｉｏｎ ｏｆ ＭＲ ｖｏｌｕｍｅｔ
ｒｉｃ ｄａｔｅｓ ｉｎ ｓｔａｎｄａｒｄｉｚｅｄ ｔａｌａｉｒａｃｈ
ｓｐａｃｅ．Ｊ Ｃｏｍｐｕｔ Ａｓｓｉｓｔ Ｔｏｍｏｇｒ １８（２）；１
９２−２０５；Ｅｖａｎｓ ＡＣ，Ｃｏｌｌｉｎｓ ＤＬ，Ｍｉｌｌｓ ＳＲ．
Ｂｒｏｗｎ ＥＤ， Ｋｅｌｌｙ ＲＬ，Ｐｅｔｅｒｓ ＴＭ（１９９３） ３
Ｄ ｓｔａｔｉｓｔｉｃａｌ ｎｅｕｒｏａｎａｔｏｍｉｃａｌ ｍｏｄｅｌｓ
ｆｒｏｍ ３０５ ＭＲＩ ｖｏｌｕｍｅｓ．Ｐｒｏｃ．ＩＥＥＥ−ｎｕｃｌ
ｅａｒ Ｓｃｉｅｎｃｅ Ｓｙｍｐｏｓｉｕｍ ａｎｄ Ｍｅｄｉｃａｌ Ｉｍ
ａｇｉｎｇ Ｃｏｎｆｅｒｅｎｃｅ： １８１３−１８１７；Ｅｖａｎｓ，Ａ．
Ｃ．，Ｃｏｌｌｉｎｓ，Ｄ．Ｌ．，Ｎｅｅｌｉｎ，Ｐ．，ＭａｃＤｏｎａｌｄ，
Ｄ．，Ｋａｍｂｅｉ，Ｍ．，ａｎｄ Ｍａｒｒｅｔ，Ｔ．Ｓ〉（１９９４）Ｔｈ
ｒｅｅ ｄｉｍｅｎｓｉｏｎａｌ ｃｏｒｒｅｌａｔｉｖｅ ｉｍａｇｉｎｇ：
Ａｐｐｌｉｃａｔｉｏｎｓ ｉｎ ｈｕｍａｎ ｂｒａｉｎ ｍａｐｐｉｎｇ．
Ｉｎ Ｒ．Ｔｈａｔｃｈｅｒ，Ｍ．Ｈａｌｌｅｔ，Ｔ．Ｚｅｆｆｉｒｏ，Ｅ．Ｒ
ｏｙ Ｊｏｈｎ ａｎｄ Ｍ．Ｈｕｅｒｔａ（Ｅｄｓ．） Ｆｕｎｃｔｉｏｎａ
ｌ ｎｅｕｒｏｉｍａｇｉｎｇ ｔｅｃｈｎｏｌｏｇｉｃａｌ ｆｏｕｎｄａｔ
ｉｏｎｓ，Ａｃａｄｅｍｉｃ Ｐｒｅｓｓ）。

【０００４】 機能的画像：機能的磁気共鳴（ｆＭＲＩ）、ポジトロン放出断層撮影（ＰＥＴ
）および単一光子放出断層撮影（ＳＰＥＣＴ）のような、血行動態体物質代謝（
ｈｅｍｏｄｙｎａｍｉｃｓ ｃｏｒｐｏｒａｌ ｍｅｔａｂｏｌｉｓｍ）に関す
る情報を提供する医学的画像の一種。 画像）のＭ回の測定から成る群。全ての測定は、選択した解剖図解の基準系に基
づく。ＥＥＧ／ＥＫＧ（ｏ_ｌ（ｔ））および／またはＭＥＧ／ＭＫＧ（ｏ_２（ｔ
））ならびにオプションとして、ｆＭＲＩ，ＰＥＴ，およびＳＰＥＣＴ（ｏ_ｍ（
ｔ），ｍ＞２）は常にｏ（ｔ）に含まれ、これらの観察は座標ｙ∈Δ_ｍに対して
定義される。ここで、Δ_ｍは様式ｍの測定空間である。 ランダム変数のベクトルの多変量Ｚ変換

【数５】 ｘΘ_ｘ＝｛ｕ_ｘ，Σ_ｘ｝ その平均ベクトル、および この最後の式において、Σ_ｘの二乗根の１つを選択し、これが完全な範囲のもの
でない場合、疑似逆数（ｐｓｅｕｄｏｉｎｖｅｒｓｅ）を用いる。ｘが次元１で
ある場合、そのＺ 多変量実ガウス分布からのサンプルであることを表現するために用いられる。 関数空間（ｆｕｎｃｔｉｏｎａｌ ｓｐａｃｅ）：共通の特性を有する関数の
集合（Ｔｒｉｅｂｅｌ，Ｈ．１９９０．Ｔｈｅｏｒｙ ｏｆ Ｆｕｎｃｔｉｏｎ
Ｓｐａｃｅｓ ＩＩ，Ｂａｓｅｌ；Ｂｉｒｋｈａｕｓｅｒ）。関数空間におけ
るメンバシップを用いて、考慮対象のＴＰＥＣにおける所望の特性を指定する。
関数空間は、原子の組み合わせから成ると考えられる。 可能となるような、特性を有する原子の集団。ここで、ψ_ｋは原子である。その
例には″Ｗａｖｅｌｅｔｓ″（Ｍｅｙｅｒ，Ｙ．１９９２．Ｗａｖｅｌｅｔｓ
ａｎｄ Ｏｐｅｒａｔｏｒｓ．Ｃａｍｂｒｉｄｇｅ：Ｃａｍｂｒｉｄｇｅ Ｕｎ
ｉｖｅｒｓｉｔｙ Ｐｒｅｓｓ）、複素指数のフーリエ・ベース（Ｆｏｕｒｉｅ
ｒ ｂａｓｅ）、一般化関数の空間におけるディラック・デルタ（Ｄｉｒａｃ
ｄｅｌｔａ）の集団等がある。メガ辞書（ｍｅｇａｄｉｃｔｉｏｎａｒｙ）は、
数個の原子の辞書の合体である。

【０００５】 によって指定される平滑度を有するＲ^ｎ内の値を取る関数の集合（Ｔｒｉｅｂｅ
ｌ，Ｈ．１９９０．Ｔｈｅｏｒｙ ｏｆ Ｆｕｎｃｔｉｏｎ Ｓｐａｃｅｓ Ｉ
Ｉ．Ｂａｓｅｌ，Ｂｉｒｋｈａｕｓｅｒ）。いずれの所与の ナリゼーション（ｐｅｎａｌｉｚａｔｉｏｎ）、即ち、原子の重み付け組み合わ
せのノームによって、強制される（Ｄｅ ｖｏｒｅ Ｒ．Ａ．ａｎｄ Ｐｏｐｏ
ｖ Ｖ．（１９８８） Ｉｎｔｅｒｐｏｌａｔｉｏｎ ｏｆ Ｂｅｓｏｖ Ｓｐ
ａｃｅｓ．Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ａｍｅｒｉｃａｎ Ｍａ
ｔｈｅｍａｔｉｃａｌ Ｓｏｃｉｅｔｙ ３０５，３９７−４１４）。これらの
空間は、制御可能な程度の空間不均質性を有する関数のモデリングを可能にする
。特定の事例として、次のものがある。 （次数ｍの導関数に対して）最大平滑度のソボレフ空間（Ｓｏｂｏｌｅｖ 共通フレームワークにおける点源（双極子）および分散源双方のモデリングを Ｃａｍｂｒｉｄｇｅ：Ｃａｍｂｒｉｄｇｅ Ｕｎｉｖｅｒｓｉｔｙ Ｐｒｅｓｓ
）。 基準群：所与のＴＰＥＣ画像に対してメンバシップが確率されるべき基準群か
ら成る。 古典的定量電気生理学（ｑＥＥＫ／ｑＥＫＧ） 本発明の先行技術として、多変量統計分析をＥＥＧおよびＥＫＧに適用するこ
とによって、脳および心臓の異常状態の定量化およびその検出を目的とするため
に行われた研究がある。これらの方法は、電気脳撮影法および定量的心電図（そ
れぞれ、ｑＥＥＧおよびｑＥＫＧと省略する）として知られている。ｑＥＥＧの
システムおよび方法っは、米国特許第４，８４６，１９０号、第４，９１３，１
６０号、第５，２８２，４７４号、第５，０８３，５７１号に記載されており、
ｑＥＫＧの方法は、米国特許第４，９７４，５９８号に記載されていた。これら
の特許は以下のことを詳細に説明する。 複数のセンサによるＥＥＧおよび／またはＥＫＧ（ｖ（ｔ））の記録。 オプションとして、元々記録されているｖ（ｔ）を分析する代わりに、時系列
ｓ（ｔ）、外部イベントのマーカ、に対するｖ（ｔ）の相互共分散の算出によっ
て、予め処理してある系列（ＰＰＳ）を得る。ＥＥＧの場合、ｓ（ｔ）は、ある
種の刺激が検査対象に与えられた時点を示す、一連のディラック・デルタ関数と
して見なすことができる。得られる時系列は、平均誘発電位（ＡＥＰ）として知
られている。ＥＫＧの場合、ｓ（ｔ）は、ＥＫＧ自体のＲ波の発生を報せること
ができ、得られるＰＰＳは平均ＥＫＧ（ＡＥＫＧ）である。

【０００６】 これらの時系列からの記述パラメータ（ＤＰ）の抽出。これらは、通常および
異常生理学的活動における変動を反映するように設計された、記録時系列の統計
的要約である。 前述の特許では、ＥＥＧに対して指定されるＤＰは、広帯域周波数スペクトル
における平均であり、これらＤＰの基礎変換も含まれる。広帯域スペクトル分析
（ＢＢＳＡ）のＤＰは、形式的に次のように定義される。Ｓｏ（ω）をＶ（ｔ）
のフーリエの係数のクロススペクトルまたは分散および共分散行列とする。ＤＰ
−ＢＢＳＡは、 列Ｓｏ（ω）の要素ｉ，ｊである。 先に引用した特許では、ＡＥＰおよびＡＥＫＧに対するＤＰは、カーフネン・
レーブ・ベース（Ｋａｒｈｕｎｅｎ−Ｌｏｅｖｅ ｂａｓｅｓ）の係数として定
義される。これらのパラメータは、要因分析負荷（Ｆａｃｔｏｒｉａｌ Ａｎａ
ｌｙｓｉｓ ｌｏａｄｉｎｇ）として知られている。 引用した特許では、ＤＰの変換を行い、そのガウス性（ｇａｕｓｓｉａｎｉｔ
ｙ）を保証する。 で示し、ベクトルを表記ｘ＝Ｔ（ＤＰ）で示す。 先に引用した特許では、母集団平均μ_ｘに対する標準偏差σ_ｘの単位で測定し
た偏差としてＤＰを表現する単一変量ｚ変換によって、ＤＰの比較を通常の変異
性に対して行う。規範的データベースに基づくｚ_ｘの算出において、診断対象で
はない変異性を発生する随伴性変異（被験者の年齢の場合のように）の効果は、
等分散的多項式回帰によって除去される。 脳および心臓局所マップ（ＴＭ）の構築。これらのＴＭでは、ノームに対する
被験者の偏差度を、カラー・スケールによってコード化する。ＴＭは、センサの
測定間に補間される画像であり、頭部または胸部の概略的な二次元投影図を表わ
す。 同様の被験者群を、そのＤＰ値にしたがって規定するためのクラスタ分析の使
用（米国特許第５，０８３，５７１号）。 線形判別分析を用いて、検査対象の被験者を、診断群、即ち、そのＤＰの既定
値に基づくクラスタ分析によって予め定義されている診断群に属するものとして
分類する（米国特許第５，０８３，５７１号）。

【０００７】 被験者の、選択した時点において実行した彼自身の以前の状態に対する、統計
的距離の測定。これは、被験者の物理的状態に関する情報を提供する。例えば、
次のような状態である。手術中、集中治療中、または病理学の評価に対する評価
中（米国特許第４，５４５，３８８号、第４，８１５，４７４号、第４，８４４
，０８６号および第４，８４１，９８３号）。これらの方法の有用性は、いくつ
かの研究において確認されている（Ｊｏｈｎ，Ｅ．Ｒ．；Ｈａｒｍｏｎｙ，Ｔ．
Ｖａｌｄｅｓ−Ｓｏｓａ ａｎｄ Ｐ．（１９８７ｂ）；Ｔｈｅ ｕｓｅｓ ｏ
ｆ ｓｔａｔｉｓｔｉｃｓ ｉｎ ｅｌｅｃｔｒｏｐｈｙｓｉｏｌｏｇｙ．Ｉｎ
：Ｇｅｖｉｎｓ，Ａ．Ｓ．ａｎｄ Ｒｅｍｏｎｄ，Ａ．（Ｅｄｓ），Ｈａｎｄｂ
ｏｏｋ ｏｆ Ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｐｈｙ ａｎｄ Ｃｌ
ｉｎｉｃａｌ Ｎｅｕｒｏｐｈｉｓｉｏｌｏｇｙ．Ｒｅｖｉｓｅｄ Ｓｅｒｉｅ
ｓ．Ｖｏｌｕｍｅ １，Ｅｌｓｅｖｉｅｒ，Ｔｈｅ Ｎｅｔｈｅｒｌａｎｄｓ，
４９７−５４０ ａｎｄ Ｈｏｎ，Ｅ．Ｒ．；Ｐｒｉｃｈｅｐ，Ｌ．Ｓ．ａｎｄ
Ｅａｓｔｏｎ，Ｐ．（１９８７ａ）；Ｎｏｒｍａｔｉｖｅ ｄａｔａ ｂａｓ
ｅｓ ａｎｄ ｎｅｕｒｏｍｅｔｒｉｃｓ． Ｂａｓｉｃ ｃｏｎｃｅｐｔｓ，
ｍｅｔｈｏｄｓ ａｎｄ ｒｅｓｕｌｔｓ ｏｆ ｎｏｒｍ ｃｏｎｓｔｒｕｃ
ｔｉｏｎ．Ｉｎ：Ｇｅｖｉｎｓ，Ａ．Ｓ．ａｎｄ Ｒｅｍｏｎｄ，Ａ．（Ｅｄｓ
），Ｈａｎｄｂｏｏｋ ｏｆ Ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｐｈｙ
ａｎｄ Ｃｌｉｎｉｃａｌ Ｎｅｕｒｏｐｈｉｓｉｏｌｏｇｙ．Ｒｅｖｉｓｅ
ｄ Ｓｅｒｉｅｓ，Ｖｏｌｕｍｅ １，Ｅｌｓｅｖｉｅｒ，Ｔｈｅ Ｎｅｔｈｅ
ｒｌａｎｄｓ，４４９−４９６）。しかしながら、これらの方法には次のような
制約がある。

【０００８】 ＤＰ−ＢＢＳＡは、ＥＥＧの多種類の活動の定量化には、記述パラメータとし
て不十分である。これは、周波数帯域の平均化に起因する解像度の損失によるも
のであり、その結果診断における感度および特定性の損失を招く（Ｓｚａｖａ，
Ｓ．；Ｖａｌｄｅｓ，Ｐ．；Ｂｉｓｃａｙ，Ｒ；Ｇａｌａｎ Ｌ．；Ｂｏｓｃｈ
，Ｊ．；Ｃｌａｒｋ，Ｉ．ａｎｄ Ｊｉｍｅｎｅｚ，Ｊ．Ｃ．：Ｈｉｇｈ Ｒｅ
ｓｏｌｕｔｉｏｎ Ｑｕａｎｔｉｔａｔｉｖｅ ＥＥＧ Ａｎａｌｙｓｉｓ．Ｂ
ｒａｉｎ Ｔｏｐｏｇｒａｐｈｙ，Ｖｏｌ．６，Ｎｒ．３，１９９４，ｐｐ．２
１１−２１９）。 ＴＭの使用によるＤＰ群の分析は、変数間の高い相関性によって阻害される。
この困難を克服するために、Ｇａｌａｎ ｅｔ ａｌ．（Ｇａｌａｎ，Ｌ；Ｂｉ
ｓｃａｙ，Ｒ；Ｖａｌｄｅｓ，Ｐ．；Ｎｅｉｒａ，Ｌ．ａｎｄ Ｖｉｒｕｅｓ
Ｔ．（１９９４）；Ｍｕｌｔｉｖａｒｉａｔｅ Ｓｔａｔｉｓｔｉｃａｌ Ｂｒ
ａｉｎ Ｅｌｅｃｔｒｏｍａｇｎｅｔｉｃ Ｍａｐｐｉｎｇ，Ｂｒａｉｎ Ｔｏ
ｐｏｇｒａｐｈｙ，ｖｏｌ ７，１０．１）は、多変量Ｚ変換の使用により、多
変量ＴＭを導入した。 ＴＭの正常性（ｎｏｒｍａｌｉｔｙ）の評価は、マップの多点に対する多数の
比較によって生ずるタイプＩ誤差の制御の必要性を考慮せずに、単一変量統計に
よって行う。これによって、誤った異常検出の確率が、制御不可能なレベルに上
昇する。 群間の判断境界は線形であり、余りに狭すぎることを意味する。加えて、最高の
分類パワーによるＤＰの選択に最適な手順が適用されていない。 磁気測定ｂ（ｔ）の使用は、Ｖ（ｔ）によって提供される情報にこれらが追加
の情報を付加するという事実にも拘らず、含まれていない。 生理学的情報の分析は、ｊ（ｔ）に関する推論は全くなく、ｖ（ｔ）に限定さ
れている。したがって、これらの方法には、ＴＰＥＣの様式を較正するものはな
い。これらは、単に、神経／心臓ＰＥＣの発生器およびセンサ間に介挿された被
験者の組織によって歪められた後に、身体の表面上のｊ（ｔ）の投影を分析する
に過ぎない。実際、ＰＥＣおよびＥＥＧ／ＭＥＧ／ＥＫＧ／ＭＫＧ間の関係は、
頭部および胸部の導体特性に左右される（例えば、幾何学的形状、導電性、電気
および磁気浸透性等） 脳および心臓多変量統計マップ これらの制約の一部は、Ｐｅｄｒｏ Ｖａｌｄｅｓ−Ｓｏｓａ ｅｔ ａｌ．
の米国特許第５，２８２，４７４号によって克服された。この特許では、脳およ
び心臓の異常な活動の評価のために、以下の革新技術によって、統計的方法を用
いることを主張する。 オプションの生理学的情報源として、ｂ（ｔ）を追加する。続いて、ｖ（ｔ）
およびｂ（ｔ）双方から得られたＤＰの使用が、ｑＥＥＧおよびｑＥＫＧの定義
に含まれる。 時系列ｓ（ｔ）の追加成分が、被験者自身の自発的または非自発的反応から得
られるような、より一般的な形式の外部イベント、またはそれら自体の分析ｏ（
ｔ）から得られるもののマーカの形態で含まれる。かかる呼び処理によって導出
される系列を、ｏ（ｔ）から導出されるイベント関連成分（ＥＲＣ）と命名する
。

【０００９】 機能的空間・時間ベースのテンソル積におけるＥＲＣの拡張。これらは、フー
リエの基礎だけでなく、生理学的プロセスの記述において柔軟性を高める別のＤ
Ｐ集合間のウェーブレット（非統計的プロセスの記述のため）も含む。 高次統計モーメントおよび異なるパラメトリック時系列モデルの使用による、
これらＤＰを含めて纏める。特に、線形自己回帰の係数が含まれる。 離散フーリエの一変形による全周波数ωに対するＳｏ（ω）の使用において一
貫性のある高解像度区間分析（ＨＲＳＡ）のＤＰとしての導入。 ＤＰの大域最大および大域最小の経験的確率分布に基づくカラー・スケールの
ＴＭにおける導入。このスケールは、偽りの異常検出の確率の効果的な制御を行
う。 この特許において導入された脳活動評価に対する改善が、例示されている。 ５才から９７才までのキューバ人に対するＨＲＳＡのノームの構築による（Ｖ
ａｌｄｅｓ，Ｐ．；Ｂｉｓｃａｙ，Ｒ．；Ｇａｌａｎ，Ｌ．；Ｂｏｓｃｈ，Ｌ．
；Ｓｚａｖａ，Ｓ．；ａｎｄ Ｖｉｒｕｅｓ，Ｔ．：Ｈｉｇｈ Ｒｅｓｏｌｕｔ
ｉｏｎ Ｓｐｅｃｔｒａｌ ＥＥＧ ｎｏｒｍｓ ｆｏｒ ｔｏｐｏｇｒａｐｈ
ｙ，Ｂｒａｉｎ Ｔｏｐｏｇｒａｐｈｙ，１９９０，ｖｏｌ．３，ｐｐ．２８１
−２８３ ａｎｄ Ｖａｌｄｅｓ，Ｐ．；Ｂｏｓｃｈ，Ｊ．；Ｓｅｒｉｕｓ ｏ
ｆ ｉｔ Ｂａｎｋｓ，Ｒ．；Ｈｅｒｎａｎｄｅｚ，Ｊ．Ｌ．；Ｐａｓｃｕａｌ
，Ｒ．ａｎｄ Ｂｉｓｃａｙ，Ｒ，：Ｆｒｅｑｕｅｎｃｙ ｄｏｍａｉｎ ｍｏ
ｄｅｌｓ ｆｏｒ ｔｈｅ ＥＥＧ．Ｂｒａｉｎ Ｔｏｐｏｇｒａｐｈｙ，１９
９２ａ，ｖｏｌ．４，ｐｐ．３０９−３１９）。 ＤＰ−ＨＲＳＡが、神経学および精神学的病理学の検出に対して、ＤＰ−ＢＢ
ＳＡよりも高い感度および特定性を達成することを示すことによる（Ｓｚａｖａ
，Ｓ．；Ｖａｌｄｅｓ，Ｐ．；Ｂｉｓｃａｙ，Ｒ．；Ｇａｌａｎ，Ｌ．；Ｂｏｓ
ｃｈ，Ｊ．；Ｃｌａｒｋ，Ｉ．ａｎｄ Ｊｉｍｅｎｅｚ，Ｊ．Ｃ．：Ｈｉｇｈ
Ｒｅｓｏｌｕｔｉｏｎ Ｑｕａｎｔｉｔａｔｉｖｅ ＥＥＧ Ａｎａｌｙｓｉｓ
，Ｂｒａｉｎ Ｔｏｐｏｇｒａｐｈｙ，Ｖｏｌ．６，Ｎｒ．３，１９９４，ｐｐ
．２１１−２１９）。 しかしながら、この先に引用した特許において用いられたｏ（ｔ）のＤＰの構
築は、ＤＰ−ＨＲＳＡのようなパラメトリック・モデルに限定される。静止およ
び線形確率的信号、または限られた種類の非線形を有する信号に対するｏ（ｔ）
にのみ完全な記述がある。かかるＤＰのある種の被験者のＥＥＧの研究の不適格
性（特に、癲瘤の患者）は、Ｈｅｒｎａｎｄｅｚ，Ｖａｌｄｅｓ−Ｓｏｓａ ａ
ｎｄ Ｖｉｌａによって例証された（Ｈｅｒｎａｎｄｅｚ，Ｊ．Ｌ．，Ｖａｌｄ
ｅｓ，Ｐ．Ａ．，ａｎｄ Ｖｉｌａ，Ｐ．（１９９６） ＥＥＧ ｓｐｉｋｅ
ａｎｄ ｗａｖｅ ｍｏｄｅｌｅｄ ｂｙ ｔｏ ｓｔｏｃｈａｓｔｉｃ ｌｉ
ｍｉｔ ｃｙｃｌｅ，ＮｅｕｒｏＲｅｐｏｒｔ，７：２２４６−２２５０）。 ｑＥＥＧ方法およびｑＥＫＧは、これらはＴＰＥＣの真の変異体ではないとい
う理由のために、ｊ（ｔ）の推定値には適用されない。

【００１０】 脳および心臓一次電流の断層撮影法 全種類の断層撮影法におけるように、ＴＰＥＣの進展の開始点は、観察データ
を推定対象量に関係付けるモデルの確率であり、このモデルは直接問題（Ｄｉｒ
ｅｃｔ Ｐｒｏｂｌｅｍ）として知られている。ＴＰＥＣでは、直接問題は、い
かにしてｏ（ｔ）をｊ（ｔ）から発生するかを過程する。このモデルは、２つの
成分を有する。 仮定する立体的導体、即ち、頭部おおび胸部の導電特性の特定モデル、特にそ
れらの幾何学的形状、導電性、電気および磁気浸透性等。 ｊ（ｔ）に対して仮定したモデル、またはソース・モデル。 立体的導体の特性は、電気ｋ^Ｅ（ｒ）および磁気ｋ^Ｍ（ｒ）リード・フィール
ド（ＬＦ）において要約される。これらは、ＰＥＣ ｊ_ｐ（ｒ，ｔ）、ｖ_ｅｒ（
ｔ）およびｂ_ｅｎ（ｔ）間直接的な関係を確率する、最初の種類のフレドホルム
型積分方程式のカーネルである。

【数１８】 式（１）および（２）において表現される項の離散化により、直接問題の以下
の式が得られる。

【００１１】 いて混入した誤差である。 古典的なグリーン定式化の代わりに、ＬＦを用いて直接問題を定式化すること
により、Ｒｕｓｈ ａｎｄ Ｄｒｉｓｃｏｌｌ（Ｒｕｓｈ Ｓ．ａｎｄ Ｄｒｉ
ｓｃｏｌｌ Ｄ．Ａ．ＥＥＧ ｅｌｅｃｔｒｏｄｅ ｓｅｎｓｉｔｉｖｉｔｙ−
ａｎ ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｒｅｃｉｐｒｏｃｉｔｙ． ＩＥＥＥ
Ｔｒａｎｓ，ｏｎ Ｂｉｏｍｅｄ，Ｅｎｇ．，ｖｏｌ．ＢＭＥ−１６，ｐｐ．１
５−２２，１９６９）およびＰｌｏｎｓｅｙ （Ｐｌｏｎｓｅｙ Ｒ． Ｃａｐ
ａｂｉｌｉｔｙ ａｎｄ ｌｉｍｉｔａｔｉｏｎｓ ｏｆ ｅｌｅｃｔｒｏｃａ
ｒｄｉｏｇｒａｐｈｙ ａｎｄ ｍａｇｎｅｔｏｃａｒｄｉｏｇｒａｐｈｙ，Ｉ
ＥＥＥ Ｔｒａｎｓ．Ｂｉｏｍｅｄ．Ｅｎｇ．，ｖｏｌ．ＢＭＥ−１９，ｎｏｔ
．３，ｐｐ．２３９−２４４，１９７２）によれば、注目に値する利点が得られ
た。これは、主に、ＰＥＣに対する特定のモデルを想定せずに、頭部および胸部
の導電特性全てが、これらの大きさで抄録することができるからである。しかし
ながら、身体における導電性は、非均質であり、異方性であることは周知であり
（Ｈｏｅｌｔｚｅｌｌ Ｐ．Ｂ．ａｎｄ Ｄｙｋｅｓ Ｒ．Ｗ． Ｃｏｎｄｕｃ
ｔｉｖｉｔｙ ｉｎ ｔｈｅ ｓｏｍａｔｏｓｅｎｓｏｒｙ ｃｏｒｔｅｘ ｏ
ｆ ｔｈｅ ｃａｔ．Ｅｖｉｄｅｎｃｅ ｆｏｒ ｃｏｒｔｉｃａｌ ａｎｉｓ
ｏｔｒｏｐｙ，Ｂｒａｉｎ Ｒｅｓｅａｒｃｈ，１１７，ｐｐ．６１−８２，１
９７９）、実際にはＬＦの算出を非常に複雑化する。しかしながら、区域を較正
する各組織種別毎に、導電性を一定および等方性と見なせば、大幅な簡略化が可
能である（Ｓｃｈｗａｎ Ｈ．Ｐ．ａｎｄ Ｋａｙ Ｃ．Ｆ． Ｔｈｅ ｃｏｎ
ｄｕｃｔｉｖｉｔｙ ｏｆ ｌｉｖｉｎｇ ｔｉｓｓｕｅｓ，Ａｎｎ，Ｎ．Ｙ．
Ａｃａｄ，Ｓｃｉ．，ｖｏｌ．６５，ｐｐ．１００７−１０１３，１９５７）。
この立体的導体のモデルは、等方性個別均質立体的導体（ＩＰＨＣ：Ｉｓｏｔｒ
ｏｐｉｃ ａｎｄ Ｐｉｅｃｅｗｉｓｅ Ｈｏｍｏｇｅｎｅｏｕｓ Ｖｏｌｕｍ
ｅ Ｃｏｎｄｕｃｔｏｒ）と命名されている。一般に、２種類のモデルＩＰＨＣ
が頭部および胸部に用いられている。 球体：異なる区域が同心球であることを定義する表面を指定する最も単純なモ
デル。このモデルでは、Ｋを評価する明示的な式が存在する。このモデルは、評
価が簡単であるが、主に頭部の時間領域に対してはあまり正確でない。 現実：区域の表面が、解剖図解から得られる。このモデルのために、Ｆｌｅｔ
ｃｈｅｒ ｅｔ ａｌ．（Ｆｌｅｔｃｈｅｒ Ｄ．ｊ．，Ａｍｉｒ Ａ．，Ｊｅ
ｗｅｔｔ Ｄ．Ｌ．ａｎｄ Ｆｅｉｎ Ｇ． Ｉｍｐｒｏｖｅ ｍｅｔｈｏｄ
ｆｏｒ ｔｈｅ ｃａｌｃｕｌａｔｉｏｎ ｏｆ ｐｏｔｅｎｔｉａｌｓ ｉｎ
ａ ｒｅａｌｉｓｔｉｃ ｈｅａｄ ｓｈａｐｅ ｍｏｄｅｌ．ＩＥＥＥ ｔ
ｒａｎｓ．Ｂｉｏｍｅｄ．Ｅｎｇ．，ｖｏｌ．４２，ｎｏｔ．１１，ｐｐ．１０
９４−１１０４，１９９５）およびＯｏｓｔｅｎｄｏｒｐ ａｎｄ Ｏｏｓｔｅ
ｒｏｏｍ （Ｏｏｓｔｅｎｄｏｒｐ Ｔ．ａｎｄ ｖａｎ Ｏｏｓｔｅｒｏｍ
Ａ．Ｔｈｅ ｐｏｔｅｎｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｇｅｎｅｒａｔ
ｅｄ ｂｙ ｓｕｒｆａｃｅ ｅｌｅｃｔｒｏｄｅｓ ｉｎ ｈｏｍｏｇｅｎｅ
ｏｕｓ ｖｏｌｕｍｅ ｃｏｎｄｕｃｔｉｖｅ ｏｆ ａｒｂｉｔｒａｒｙ ｓ
ｈａｐｅ．ＩＥＥＥ Ｔｒａｎｓ．Ｂｉｏｍｅｄ．Ｅｎｇ．，ｖｏｌ．ＢＭＥ−
３８，ｐｐ．４０９−４１７，１９９１）によってモデル数値方法が開発されて
いる。しかしながら、この手順は、センサを付勢することによって生成される区
域を制限する表面上の電位差の計算に対する境界要素法（ＢＥＭ：ｂｏｕｄａｒ
ｙ ｅｌｅｍｅｎｔ ｍｅｔｈｏｄ）に基づいている。 式

【数１９】 は、ノームｐｏにおける直接問題の関数である。

【数２０】ｌ（ｏ（ｔ）｜ｊ（ｔ），Σ_ＥＥ）＝Ｃ_０ｅｘｐ［−Ｒ_θ］は、式（
３）に対応する尤度として定義され、Ｃ_０は密度の正規化の定数である。以下で
は、特に述べない限り、ｐｏ＝２とする。

【００１２】 ＴＰＥＣの中心的な目的は、（４）の最小化によるｊ（ｔ）の推定であり、こ
れは「逆問題」である。一般に、（４）は一意の解がないことは周知である。何
故なら、同時電気および磁気測定が可能な場合でも、ＬＦ演算子は非自明なヌル
空間を有するからである。 ＰＥＣの推定が可能なのは、一連の制約を強要するｊ（ｔ）に対するモデルの
形式で、先験的情報に寄与する場合のみである。これらは、以下のように分類す
ることができる。 外因的：所望の解の、他の種類の神経画像から提供される情報との適合性を要
求することからなる。脳の解剖学的神経画像の典型的な要件は、 頭部をモデル化する球状立体的導体の内側のみでｊ（ｔ）を推定すること、 ｊ（ｔ）を、被験者の皮質面に限定し、前記皮質に垂直に方位付けすること、
である（Ｄａｌｅ，Ａ．Ｍ．，ａｎｄ Ｓｅｒｅｎｏ ａｎｄ Ｍ．Ｉ．，Ｊ．
Ｃｏｇｎｉｔ．Ｎｅｕｒｏｓｃ．，１９９３，５：２，ｐｐ．１６２−１７６）
。 内因性：活性化組織の形状および面積範囲に関する要件からなる。モデルとデ
ータの適合性を維持しつつ（簡素性）、活性化面積をできるだけ小さくすること
が必要である。空間ｊ（ｔ）における形状のばらつきについては、この要件は、
最小の平滑度（現双極子に対応するディラック・デルタの集合体）から、最大限
平滑な関数までの範囲を取る。 前述の条件は全て、２つの等価な方法で、解に強要される。 規制化：（４）に、非負関数Ｒ_Ｊ＝Ｒ_Ｊ（ｊ（ｔ）｜Θ）を追加し、最小化す
る。

【００１３】 ベイズの推定：後験分布（ａ ｐｏｓｔｅｒｉｏｒｉ ｄｉｓｔｒｉｂｕｔｉ
ｏｎ）を最大化する

【数２１】 ここで、π（ｊ（ｔ）｜Θ）＝Ｃ_ｊｅｘｐ［−Ｒ_Ｊ］は、ｊ（ｔ）の先見確率
である。 ｏ（ｔ）の発生器を推定するために開発された異なる方法における基本的な差
は、ｊ（ｔ）に対して指定されたモデルにある。これらについて以下のように見
直しを行う。 Ｒ_Ｊ（ｊ（ｔ）｜Θ）がＮ_ｇ＜Θ_０を保証する関数である場合、Θ_０が定数で
あれば、式（４）の解の一意性が保証される。ｊ（ｔ）に対するこのクラスのモ
デルは、現双極子（ｃｕｒｒｅｎｔ ｄｉｐｏｌｅ）と命名されている（Ｓｃｈ
ｅｒｇ，Ｍ．ａｎｄ Ｅｂｅｒｓｏｌｅ，Ｊ．Ｓ．（１９９３）；Ｍｏｄｅｌｓ
ｏｆ Ｂｒａｉｎ Ｓｏｕｒｃｅｓ，Ｂｒａｉｎ Ｔｏｐｏｇｒａｐｈｙ，Ｖ
ｏｌ．５，Ｎｒ．４，ｐｐ．４１９−４２３）。

【数２２】 ここで、α_ｇ（ｔ）は、発生器ｇの活動であり、μ_ｇ（ｔ）はその方位である
。この種のモデルは、米国特許第４，９４９，７２５号、第５，２８５，３８５
号、題意５，５２４，０８６号、および第５，３６１，７７４号に記載されてい
た。これらのモデルの利点は、次の通りである。 これらは、小さな領域群がＰＥＣを生成し、全てが小さい範囲であるという状
況をモデル化するには有効である。 形式化によって、単純な最小二乗推定方法が得られる。 得られる推定値のＤＰの集合は非常にコンパクトであり、現双極子各々の位置
および方位から成る。 モデルの単純さのため、ＰＥＣのこのモデルの推定に追加の制約を加えるのは
容易である（Ｓｃｈｅｒｇ，Ｍ．ａｎｄ Ｅｂｅｒｓｏｌｅ，Ｊ．Ｓ．（１９９
３）；Ｍｏｄｅｌｓ ｏｆ Ｂｒａｉｎ Ｓｏｕｒｃｅｓ．Ｂｒａｉｎ Ｔｏｐ
ｏｇｒａｐｈｙ，Ｖｏｌ．５，Ｎｒ．４，ｐｐ．４１９−４２３）。例えば、α
_ｇ（ｔ）にある程度の平滑度を強要することができ、μ_ｇ（ｔ）＝μ_ｇという要
件は、時間に依存しない。これらの要件は、推定ＤＰを安定化する。

【００１４】 しかし、論じた双極子モデルには、以下の制約がある。 ＰＥＣ（Ｎ_ｇ）の可能な発生器数が大きすぎると、この種のモデルは、オペレ
ータの手動介入を頻繁に必要とする。この場合、逆問題も誤って解決されること
になる。実際、これらのモデルは、Ｎ_ｇを決定するための統計的な手法を含まな
い。 ＰＥＧを発生する組織の異なる領域が広い区域に分散している場合、双極子モ
デルは、実際の領域の質量中心に位置する等価双極子を推定し、したがってアー
チファクトが生ずる。 α_ｇ（ｔ）の平滑度は、スプライン基準（ｓｐｌｉｎｅ ｂａｓｉｓ）の使用
によって強要され、活動の広さの可能な形態を、ソボレフ関数空間Ｗ^２（Ｌ^２）
（二時導関数積分可能ルベーグ）に属することに限定する。 この種のモデルは、ＡＥＰまたはＡＥＫＧを記述するためにのみ用いられてき
た。 この発生器のモデルは、立体的導体の球または現実モデルを用いて適用されて
いる。しかしながら、ＬＦ方法論は用いられてなく、現実的な場合には、数値ア
ルゴリズムの使用が必要となる。これらは各繰り返し毎にＢＥＭの工程の評価を
必要とするので、あまり実用的でない。 ＴＰＥＣは、Ｖａｌｄｅｓ−Ｓｏｓａ ｅｔ ａｌ．の米国特許第５，３０７
，８０７号において、最初に提案され、医学的画像の新たな様式に地位を与えた
。この発明は、以下の革新によって、神経／心臓ＰＥＣの発生器の広さ、方位お
よび導電性の三次元マップを作成する方法およびシステムから成る。 身体内の内側の三次元格子上でｊ（ｔ）の推定を実行する。 ＣＲＥのＰＥＣのＤＰを検討する。 他の種類の構造的医学画像から得られる情報を用いて、被験者身体の導電特性
を特定する。また、これを用いて、ＰＥＣを既定する格子の空間範囲を既定し（
したがって、ＰＥＣを推定する可能な部位を制限する）、ＰＥＣの方位を判定す
る。被験者の身体幾何学的特性は、パラメトリック・モデルの使用により、定量
的にＰＴＥＣに組み込まれる。

【００１５】 他の種類の機能的医学画像から得られる研究対象被験者の物質代謝に関する情
報を、ｊ（ｔ）を推定する格子を更に限定するために使用する。 モデル化される発生器は、個別ソース（双極子）を含むだけでなく、個別発生
器よりも広さが大きい場合、背景発生器ノイズを記述する発生器を拡散する。 ＣＲＥの発生器に周波数ドメイン推定を導入する、特に、発生器の相互スペク
トル行列Ｓ_ｊ（ω）を導入する。この特許において導入される脳活動の評価に対
する改良は、後に、限局性神経病変がある被験者における異常電気活動の原初に
関する研究によって検証された。例えば、Ｈａｒｍｏｎｙ，Ｔ．；Ｆｅｒｎａｎ
ｄｅｚ−Ｂｏｕｚａｓ，Ａ．；Ｍａｒｏｓｉ，Ｅ．；Ｆｅｒｎａｎｄｅｚ，Ｔ．
；Ｖａｌｄｅｓ，Ｐ．；Ｂｏｓｃｈ，Ｊ．；Ｒｉｅｒａ，Ｊ．；Ｒｏｄｒｉｇｕ
ｅｓ，Ｍ．；Ｒｅｙｅｓ，Ａ．；Ｓｉｌｖａ，Ｊ；Ａｌｏｎｓｏ，Ｍ．ａｎｄ
Ｓａｎｃｈｅｚ，Ｊ．Ｍ．（１９９５）：Ｆｒｅｑｕｅｎｃｙ Ｓｏｕｒｃｅ
Ａｎａｌｙｓｉｓ ｉｎ Ｐａｔｅｎｔｓ ｗｉｔｈ Ｂｒａｉｎ Ｌｅｓｉｏ
ｎｓ，Ｂｒａｉｎ Ｔｏｐｏｇｒａｐｙ，ｖｏｌ ８，Ｎｏ．２を参照されたい
。 しかしながら、前述の臨床研究およびその他（Ｖａｌｄｅｓ，Ｐ．；Ｃａｒｂ
ａｌｌｏ，Ｊ．Ａ．；Ａｌｖａｒｅｚ，Ａ．；Ｄｉａｚ，Ｇ．Ｆ．；Ｂｉｓｃａ
ｙ，Ｒ．；Ｐｅｒｅｚ，Ｍ．Ｃ．；Ｓｚａｖａ，Ｓ．；Ｖｉｒｕｅｓ，Ｔ．ａｎ
ｄ Ｑｕｅｓａｄａ，Ｍ．Ｅ．：ｑＥＥＧ ｉｎ ｔｏ ｐｕｂｌｉｃ Ｈｅａ
ｌｔｈ Ｓｙｓｔｅｍ，Ｂｒａｉｎ Ｔｏｐｏｇｒａｐｈｙ，Ｖｏｌ．４，Ｎｒ
．４，１９９２ｂ，ｐｐ．２５９−２６６）によって、米国特許第５，２８２，
４７４号および第５，３０７，８０７号に記載されている発明は、ＴＰＥＣの方
法論の一層の完成度のために必要な以下の面を考慮していなかった。 米国特許第５，２８２，４７４号に記載されている統計的手順は、ＴＰＥＣに
おける使用に拡張されていなかった。即ち、ＴＰＥＣのサンプル空間は、４次元
空間時間多様体上で定義された確率場であり、したがってこの分析のためには、
特別な方法が必要であるが、前記特許ではそれが考慮されていなかった。 米国特許５，２８２，４７４号において実験的随伴変数の影響を排除するため
に用いられている回帰方法は、パラメトリック大域多項式型のものである。これ
らは、電気生理学的データには典型的な多重スケールにおける変動を記述するた
めには、十分な柔軟性がない。 米国特許第５，３０７，８０７号の場合、規制化源のみが、パラメータを検討
する双極子数の制御から成る。これは、Ｎ_ｇ＜Θ_０を保証する関数Ｒ_Ｊ（ｊ（ｔ
）｜Θ）の暗示的な使用であり、あまり柔軟性がなく、頻繁な人手の介入を必要
とする。 米国特許第５，３０７，８０７号の場合、発生器の活動を観察可能な信号に関
係付ける直接問題に対する解が、解剖的デコンボリューション（ａｎａｔｏｍｉ
ｃａｌ ｄｅｃｏｎｖｏｌｕｔｉｏｎ）によって得られる。この方法は、発生器
の一般的な構成には適合せず、最適解に対する不正確な数値近似に過ぎない。

【００１６】 米国特許第５，３０７，８０７号の場合、被験者の身体の幾何学的形状を特徴
付けるために採用されたパラメトリック記述は、関数形態の定量的記述の使用に
基づいており、固体内の形態的変異性を適切に記述する程十分な柔軟性がない。
即ち、この方法は、研究対象の特定の被験者の構造的画像の獲得が望ましくない
場合や実用的でない場合には、確率的解剖情報を含むことができない。 米国特許第５，３０７，８０７号の場合、他の画像様式から得られる物質代謝
情報は、アクティブな双極子が許される領域に対する制約として一体化されるに
過ぎない。したがって、この情報は、統計的に最適な推定手順には用いられない
。 前述の２つの特許の公表以降、一連の研究が現れ、先に概要を説明した問題を
完全には解決していないものの、本発明において主張する解法の洗練化には寄与
している。次に、関連のある開発を、それらの利点および不適当性の評価と共に
列挙する。 今日まで全てのＴＰＥＣの構築において用いられてきたＤＰは、生データか、
または当該データから導出した十分な統計であり、殆ど常に時間または周波数ド
メインにおける低次統計モーメント（ｌｏｗｅｒ ｏｒｄｅｒ ｓｔａｔｉｓｔ
ｉｃａｌ ｍｏｍｅｎｔ）の一部である。最近の研究（Ｈｅｒｎａｎｄｅｚ，Ｊ
．Ｌ．，Ｖａｌｄｅｓ，Ｐ．Ａ．，ａｎｄ Ｖｉｌａ，Ｐ．（１９９６）ＥＥＧ
ｓｐｉｋｅ ａｎｄ ｗａｖｅ ｍｏｄｅｌｅｄ ｂｙ ｔｏ ｓｔｏｃｈａ
ｓｔｉｃ ｌｉｍｉｔ ｃｙｃｌｅ，ＮｅｒｏＲｅｐｏｒｔ，７：２２４６−２
２５０）は、神経および心臓組織の質量の特徴である、動的な活動、特に非線形
性の記述を可能にするＥＥＧ／ＭＥＧ／ＥＫＧ／ＭＫＧの時間的シーケンスのた
めの柔軟な非パラメトリック記述の必要性を論証する。 なＪ（ｔ）のモデルを、平滑な輪郭で、可能にする。即ち、線形分布解法は、各
時点 の推定器は、スプライン型解として定式化される。 （Ｒｉｅｒａ，Ｊ．Ｊ．，Ａｕｂｅｒｔ，Ｅ．，Ｖａｌｄｅｓ，Ｐ．，Ｃａｓａ
ｎｏｖａ，Ｒ．ａｎｄ Ｌｉｎｓ，Ｏ．Ｄｉｓｃｒｅｔｅ Ｓｐｌｉｎｅ Ｅｌ
ｅｃｔｒｉｃ−Ｍａｇｎｅｔｉｃ Ｔｏｍｏｇｒａｐｈｙ（ＤＳＰＥＴ）ｂａｓ
ｅｄ ｏｎ Ｒｅａｌｉｓｔｉｃ Ｎｅｕｒｏｎａｔｏｍｙ，ｐｒｏｃｅｅｄｉ
ｎｇｓ ｏｆ Ｔｈｅ Ｔｅｎｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅ
ｒｅｎｃｅ ｏｎ Ｂｉｏｍａｇｎｅｔｉｓｍ，ＢＩＯＭＡＧ′９６，Ｓａｎｔ
ａ Ｆｅ，Ｎｅｗ Ｍｅｘｉｃｏ，Ｆｅｂｒｕａｒｙ １９９６に記載されてい
る）。ここでは、解の平滑度は、行列Σ_ＪＪによって指定される。ＰＥＣの推定
器は、この場合、以下の明示的な表現を有する。

【数２４】

【００１７】 このＴＰＥＣ系統において最も重要な代表物は、Σ_ＥＥ＝σ^２ _ＥＥ｜と仮定す
ることによって特徴付けられる。ここで、σ^２ _ＥＥは、同一種類のセンサに共通
な分散である。異なる線形解が、以下に示すように仮定することによって、Σ_ｊ
によって特徴付けられる。 が、最尤度と適合性のある最小エネルギを有することを要件とする（Ｗａｎｇ
Ｊ．Ｚ．，Ｗｉｌｌｉａｍｓｏｎ Ｓ．Ｊ．ａｎｄ Ｋａｕｆｍａｎ Ｌ．Ｍａ
ｇｎｅｔｉｃ ｓｏｕｒｃｅ ｉｍａｇｅｓ ｄｅｔｅｒｍｉｎｅｄ ｂｙ ｌ
ｅａｄ−ｆｉｅｌｄ ａｎａｌｙｓｉｓ：ｔｈｅ ｕｎｉｑｕｅ ｍｉｎｉｍｕ
ｍ−ｎｏｒｍ ｌｅａｓｔ ｓｑｕａｒｅｓ ｅｓｔｉｍａｔｉｏｎ，ＩＥＥＥ
ｔｒａｎｓ．Ｂｉｏｍｅｄ，Ｅｎｇ．，３９，７，６６５−６６７，１９９２
）。この方法は、空間的に広がった推定値を生成し、正しく個別のソースを特定
できない。この方法論の変異体が、米国特許第５，２２８，４４３号において紹
介されている。

【数２７】 Ｗは対角であり、重みを含む。これらは、センサ付近に集中する解の、分散解が
有するバイアスを中和する（Ｇｅｏｒｇｅ，Ｊ．Ｓ．，Ｐ．Ｓ．Ｌｅｗｉｓ，Ｈ
．Ａ．Ｓｃｈｌｉｔｔ，Ｌ．Ｋａｐｌａｎ，Ｉ．ａｎｄ Ｃ．Ｃ．Ｗｏｏｄ（１
９９３） Ｓｔｒａｔｅｇｉｅｓ ｆｏｒ ｓｏｕｒｃｅ ｓｐａｃｅ ｌｉｍ
ｉｔａｔｉｏｎ ｉｎ ｔｏｍｏｇｒａｐｈｉｃ ｉｎｖｅｒｓｅ ｐｒｏｃｅ
ｄｕｒｅｓ，Ｉｎ：Ｐｒｏｃ，９ｔｈＩｎｔ．Ｃｏｎｆ．Ｏｎ Ｂｉｏｍａｇｎ
ｅｔｉｓｍ，Ｖｉｅｎｎａ）。この方法は、偽性表在解を回避するが、精度高く
個別のソースを特定できない。

【００１８】 低解像度電気断層撮影法（ＬＯＲＥＴＡ）。

【数２８】 尤度項と適合する最大の空間平滑度を求める（Ｐａｓｃｕａｌ−Ｍａｒｑｕｉ，
Ｒ．Ｄ．，１９９４．Ｌｏｗ ｒｅｓｏｌｕｔｉｏｎ ｅｌｅｃｔｒｏｍａｇｎ
ｅｔｉｃ ｔｏｍｏｇｒａｐｈｙ： ａ ｎｅｗ ｍｅｔｈｏｄ ｆｏｒ ｌｏ
ｃａｌｉｚｉｎｇ ｅｌｅｃｔｒｉｃａｌ ａｃｔｉｖｉｔｙ ｉｎ ｔｈｅ
ｂｒａｉｎ， Ｉｎｔ．Ｊ．Ｐｈｙｃｈｏｐｈｙｓｉｏｌ．１８：４９−６５．
ＬＯＲＥＴＡ）。この方法は、脳または心臓のあらゆる部分においても、単一の
点源を高精度に突き止める。ＬＯＲＥＴＡは、ＥＥＧの発生器の相互スペクトル
の推定に拡張されている。Ｃａｓａｎｏｖａ ｅｔ ａｌ．による論文を参照さ
れたい（Ｃａｓａｎｏｖａ，Ｒ．，Ｖａｌｄｅｓ Ｐ．，Ｇａｒｃｉａ Ｆ．Ｍ
．，Ａｕｂｅｒｔ Ｅ．，Ｒｉｅｒａ，Ｊ．Ｊ．，Ｋｏｒｉｎ Ｗ．ａｎｄ Ｌ
ｉｎｓ Ｏ． Ｆｒｅｑｕｅｎｃｙ ｄｏｍａｉｎ ｄｉｓｔｒｉｂｕｔｅｄ
ｉｎｖｅｒｓｅ ｓｏｌｕｔｉｏｎｓ． Ｔｏ ａｐｐｅａｒ ｉｎ ｔｈｅ
ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｔｅｎｔｈ Ｉｎｔｅｒｎａｔｉｏｎ
ａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｂｉｏｍａｇｎｅｔｉｓｍ，ＢＩＯＭＡＧ
′９６，Ｓａｎｔａ Ｆｅ，Ｎｅｗ Ｍｅｘｉｃｏ，Ｆｅｂｒｕａｒｙ １９９
６）。これは、以下の推定器に基づく。

【数２９】 しかしながら、（９）では、完全なベイズ・モデルには対応しない。何故なら
、先験確率は、ｊ（ｔ）に対して指定されるのであり、Σ_ｊに対してではないか
らである。 場合によっては、追加の制約を加えて、米国特許第４，９７７，８９６号に記
載されている、周知のＢａｃｋｕｓ ａｎｄ Ｇｉｌｂｅｒｔ解を得ることがで
きる。 これらスプライン法は全て、整数ｑについて、ソボロフ空間Ｈ^ｑ（Ｌ^２）に対
するｊ（ｔ）のメンバシップを指定する。双極子型のＰＥＣの推定は許されない
ので、これは制約がきつ過ぎる。実際、レイリー限界は有効であり、近隣の点源
を判別する不可能性を述べる。加えて、この限界は、「ゴースト」解の出現の原
因であり、線形方法による解の限界のためのアーチファクトと干渉する。

【００１９】 広がりが少ない解を求めて、何人かの著者がｊ（ｔ）の非線形推定器を提案し
ている。その中でも、１）Ｍａｔｓｕｕｒａ ａｎｄ Ｏｋａｂｅ（Ｍａｔｓｕ
ｕｒａ Ｌ．ａｎｄ Ｏｋａｂｅ Ｙ．（１９９５）Ｓｅｌｅｃｔｉｖｅ Ｍｉ
ｎｉｍｕｍ−Ｎｏｒｍ Ｓｏｌｕｔｉｏｎ ｏｆ ｔｈｅ Ｂｉｏｍａｇｎｅｔ
ｉｃ Ｉｎｖｅｒｓｅ Ｐｒｏｂｌｅｍ．ＩＥＥＥ Ｔｒａｎｓ．ＢＭＥ Ｖｏ
ｌｓ．４３ｎｏｔ．６ｐｐ．６０８−６１５）は、逆問題を定義する一般化ガウ
ス分布において、ｐ_ｏおよびｐ_ｊを変動させ、その結果、逆解を非線形に推定し
なければならないという結果を得た。２）Ｇｏｒｏｄｎｉｔｓｋｙ ａｎｄ Ｂ
ｈａｓｋａｒ（Ｇｏｒｏｄｎｉｔｓｋｙ，Ｉ．ａｎｄ Ｂｈａｓｋａｒ Ｄ．Ｒ
．１９９７． Ｓｐａｒｓｅ ｓｉｇｎａｌ ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ
ｆｒｏｍ ｌｉｍｉｔｅｄ ｄａｔａ ｕｓｉｎｇ ＦＯＣＵＳＳ： ａ ｒｅ
ｗｅｉｇｈｔｅｄ ｍｉｎｉｍｕｍ ｎｏｒｍ ａｌｇｏｒｉｔｈｍ． ＩＥＥ
Ｅ Ｔｒａｎｓ．Ｓｉｇｎａｌ Ｐｒｏｃ．Ｖｏｌ．４５（３）ｐｐ６００−６
１６）は、式（５）の推定器を繰り返し適用し、前回のステップにおいて推定し
たｊ（ｔ）値に比例して各格子点に重み付けすることを提案した。双方の提案は
、アルゴリズム的に、センサ数に等しい数の個別発生器に収束し、したがって実
際には、双極子嵌め合い（ｄｉｐｏｌｅ ｆｉｔ）の更に精巧な形態となる。そ
の結果、これらは、これらの双極子モデルと、空間的に分散された点源を推定で
きないという欠陥を共有する。 Ｐｈｉｌｉｐｓ ｅｔ ａｌ．（Ｐｈｉｌｉｐｓ ＪＷ，ｌｅａｈｙ ＲＭ
ａｎｄ Ｍｏｓｈｅｒ ＪＣ．ＭＥＧ ｂａｓｅｄ ｉｍａｇｉｎｇ ｏｆ ｆ
ｏｃａｌ ｎｅｕｒｏｎａｌ ｃｕｒｒｅｎｔ ｓｏｕｒｃｅｓ．（１９９７）
．ＩＥＥＥ ｔｒａｎｓ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ，Ｖｏｌｕｍｅ １
６：３３８−３４８）は、モデル（６）に次の関数（ｆｕｎｃｔｉｏｎａｌ）を
導入した。

【数３０】 いてψ（ｔ）の平滑度を欠くという欠点がある。また、これは、近傍ξ_ｌ（その
発散はパラメータＱおよび重みβ_ｉによって制御される）に集中するアクティブ
なＺ_ｊ（重みα_ｌによって制御される）が殆どないことという追加の要件も強要
する。これは、以下の項によって得られる。

【数３１】 得られるベイズ階層モデルは、「平均場アニーリング」（Ｍｅａｎ Ｆｉｅｌｄ
Ａｎｎｅａｌｉｎｇ）の方法を用いることによって、推定される。このモデル
は、潜在的には非常に柔 前述の方法には、各ｔに対してｊ（ｔ）が独立であるという暗示的な想定の使
用に等しい、ｊ（ｔ）の時間依存性をモデル化するものは全くない。この想定は
、統計的な推定値においてかなりの変移を生ずる原因となり得る。 数多くの研究によってｏ（ｔ）画像の処理が達成され、時として他の神経画像
様式によって寄与された情報も考慮に入れているが、ｊ（ｔ）の推定およびその
後の使用を目的として有するものはないことを述べるべきであろう。これは、フ
ィンランド特許第９２５，４６１号、および米国特許第５，３３１，９７０号の
場合である。これらの特許は、ＴＰＥＣを得ることを目的としていないので、こ
の技術の分析には、これらの形式の先行技術は含まれていない。

【００２０】 （発明の説明） 本発明の目的は、ｏ（ｔ）に基づいてｊ（ｔ）の推定値を算出するシステムお
よび方法を提供することであり、前記推定値はＴＰＥＣとして示す。脳の研究に
言及すると、具体的には脳の一次電流の断層撮影法では、その手順を（ＴＰＥＣ
ｃ）として示し、心臓の場合、心臓一次電流の断層撮影法（ＴＰＥＣｋ）として
示す。 マップは、ａ）この制約のために解剖図解を用いて電気活動を発生する高い確
率を有する構造に対する解の制約、およびｂ）解が、ベソフ型、またはメガ辞書
によって定義される、予め指定した関数空間に属することを強要することに基づ
くＥＥＧ／ＭＥＧ／ＥＫＧ／ＭＫＧ問題の逆解である。このマップまたはその部
分集合が検査群に属することの確率を判定する。この限定のために、マップの空
間的および時間的相関をモデル化すると共に、実験的共変数（ｃｏｖａｒｉａｂ
ｌｅ）への依存性もモデル化する。得られた確率を疑似カラー・スケールでコー
ド化し、それらの双方向三次元視覚化のために解剖図解上に重ね合わせる。逆問
題の解決および視覚化のために用いられる図解は、個々の構造的神経画像、確率
的図解、または確率的図解から個々の形態学（ｍｏｒｐｈｏｌｏｇｙ）への可塑
的変形とすることができる。

【００２１】 したがって、本発明の態様の１つは、脳（ＴＰＥＣｃ）および心臓（ＴＰＥＣ
ｋ）の一次電流断層撮影法（ＴＰＥＣ）システムから成り、 脳（ＴＰＥＣｃ）および心臓（ＴＰＥＣｋ）の一次電流断層撮影（ＴＰＥＣ）
システムであって、以下の要素、即ち、 ・被験者身体に近接して配置され、増幅サブシステムに接続された複数の外部
電界および／磁界センサであって、ＴＰＥＣｃの場合被験者の頭蓋骨に近接して
配置され、ＴＰＥＣｋの場合被験者の胸部に近接して配置される、センサと、 ・前置増幅器と電子増幅器とから成り、センサが検出した信号を記録し、その
アナログ／ディジタル変換のために信号の予備調整を行う増幅サブシステムと、 ・増幅信号を二進数ｏ（ｔ）のシーケンスに変換し、該シーケンスを、制御ユ
ニット（ＣＵ）として機能する汎用ディジタル・コンピュータのメモリに格納す
るアナログ／ディジタル変換サブシステムであって、ＴＰＥＣｃの場合、電気セ
ンサから得た時系列は電気脳撮影図（ＥＥＧ）であり、一方ＴＰＥＣｋの場合、
電気センサから得た時系列は心電図（ＥＫＧ）であり、磁気センサから得た時系
列が磁気心臓記録図（ＭＫＧ）である、アナログ／ディジタル変換サブシステム
と、 ・ＣＵに結合され、脳または心臓の解剖図解の頭部および胸部それぞれの基準
系への入力、ならびに、当該図解に記載されている組織に関連する導電性値、電
気および磁気浸透性の入力を可能にする外部ディジタル記憶サブシステムであっ
て、脳の基準系の特定でかつ排他的でないインスタンスが、″Ｔａｌａｉｒａｃ
ｈ″国際系である、外部ディジタル記憶サブシステムと、 ・ＣＵに結合された外部ディジタル記憶サブシステムであって、ＣＵが、機能
的磁気共鳴撮像（ｆＭＲＩ）、ポシトロン放出断層撮影（ＰＥＴ）および単一光
子放出断層撮影光子（ＳＰＥＣＴ）のような他の生物物理的手順によって得られ
た被験者の脳または心臓の機能的状態の画像の入力を可能とし、機能画像が、頭
部または胸部の基準系において定義される、外部ディジタル記憶サブシステムと
、 ・ディジタル形態で、センサの座標および被験者の頭部または胸部の外部解剖
学的構造の座標を伝達する、センサ位置検出デバイスであって、座標が、頭部ま
たは胸部の基準系において定義され、ＣＵに格納されている、センサ位置検出デ
バイスと、 ・ＣＵに接続され、聴覚視覚的刺激、および患者の神経または心臓血管系を刺
激する目的のための熱、電気、および磁気パルスを放出する、複数の刺激デバイ
スと、 ・研究対象被験者の運動的、生理学的、および言語的反応（被験者の応答）を
測定する、複数のセンサ・デバイスと、 ・研究の実施を制御するための命令群（プログラム）が常駐するメモリを有す
るＣＵであって、該プログラム動作領域が、既定の設計に応じた刺激デバイスの
活性化、ＥＥＧ／ＭＥＧ／ＥＫＧ／ＭＫＧの獲得の制御、センサ位置の決定、研
究対象被験者の活動の記録、その他の生物物理学的様式から来る機能画像の獲得
、および脳の機能状態の時間的進展の三次元統計的マップを構築するための被験
者の研究において獲得した全情報のディジタル処理を含む、ＣＵと、 から成る。

【００２２】 加えて、本発明は、前述のシステムと共に用いる算出方法も提供し、以下のス
テップから成る。 ａ）センサの座標の解剖図解（図４）の基準系への変換。これは、粘弾性変形
（最も一般的には、非線形）の提供によって達成され、被験者の外部解剖学的マ
ーカの座標をＣＵ内に格納されている解剖図解に対応付ける。 ｂ）脳または心臓のいずれかの部分にＰＥＣが存在する被験者において生成さ
れるＥＥＧ／ＭＥＧ／ＥＫＧ／ＭＫＧを予測する線形演算子（電気的カーネルお
よび磁気的カーネル）の算出。このカーネルは、電気および磁気相互性の原理を
用いて、格子 に対して算出される。この原理は、電気および磁気ＬＦ間に
線形関係を確立し、センサを低周波の直流または交流で付勢すると、電界が現れ
る。したがって、この電界は、任意のＣＥＰの出現とは無関係に、心臓または胸
部の導電特性全てを要約する。相互性の定理。δｒ^３を導体Ω_ｖ内部の立体的要
素とする。導体内部の位置ｒ_ｇにおける一次電流ｊ_ｐ（ｔ）δｒ^３の点源は、頭
蓋骨上に位置する電極リードにお が導体内のゼロに等しい）で、以下に明記する２つの状況で、導体全体において
異なる電界の分布が生ずる。１）ＥＥＧでは、直流Ｉ_ｅｒ（記録電極を介して導
体から出て、基準電極を介して入る）を同じリード電極（図６ａ）に印加する。
この電気相互性の定理によって、

【数３３】 と表わされる。２）ＭＥＧでは、交流Ｉ_ｃ（ω）（特定の周波数（０≦ω≦１０
０）Ｈｚ）が同じコイル（図６ｂ）を循環する。相互性の定理によって、

【数３４】 と表わされる。前述の２つの状況における電界ｅ（ｒ_ｇ）およびｅ（ｒ_ｇ，ω）
の算出では、最終的に電気および磁気ＬＦを得るために計算しなければならない
。この算出は、被験者の頭部または胸部を導体として、その実際の物理的特性の
モデルに基づいて、実行することができる。有限要素法（ＦＥＭ）または有限差
分（ＦＤＭ）の使用により（Ｒａｍｉｒｅｚ，Ｓ．，Ｅｉｓｅｎｂｅｒｇ，Ｊ．
Ｌｅｈｒ ａｎｄ Ｆ．Ｓｃｈｏｅｎ． Ｅｆｆｅｃｔｓ ｏｆ ｃａｒｄｉａ
ｃ ｃｏｎｆｉｇｕｒａｔｉｏｎ，ｐａｄｄｌｅ ｐｌａｃｅｍｅｎｔ，ａｎｄ
ｐａｄｄｌｅ ｓｉｚｅ ｏｎ ｄｅｆｉｂｒｉｌｌａｔｉｏｎ ｃｕｒｒｅ
ｎｔ ｄｉｓｔｒｉｂｕｔｉｏｎ： Ａ ｆｉｎｉｔｅ ｅｌｅｍｅｎｔ ｍｏ
ｄｅ． Ｍｅｄ．Ｂｉｏｌ．Ｅｎｇ． Ｃｏｍｐｕｔ．，ｖｏｌ．２７，ｐｐ．
５８７−５９４，１９８９；Ｆａｈｙ，Ｊ．，Ｋｉｍ Ｙ．ａｎｄ Ａｎａｎｔ
ｈａｓｗａｍｙ Ａ．．Ｏｐｔｉｍａｌ ｅｌｅｃｔｒｏｄｅ ｃｏｎｆｉｇｕ
ｒａｔｉｏｎｓ ｆｏｒ ｅｘｔｅｒｎａｌ ｃａｒｄｉａｃ ｐａｃｉｎｇ
ａｎｄ ｄｅｆｉｂｒｉｌｌａｔｉｏｎ： Ａｎ ｉｎｈｏｍｏｇｅｎｅｏｕｓ
ｓｔｕｄｙ． ＩＥＥＥ Ｔｒａｎｓ． Ｂｉｏｍｅｄ．Ｅｎｇ．，ｖｏｌ．
ＢＥＭ−３４，ｐｐ．７４３−７４８，１９８７）、非均質でありかつ異方性の
立体的導体（Ｖｏｌｕｍｅ Ｃｏｎｄｕｃｔｏｒ）のモデル化が可 と考えると、境界要素法が用いられる（ＢＥＭ）（Ｏｏｓｔｅｎｄｏｒｐ Ｔ．
ａｎｄ ｖａｎ Ｏｏｓｔｅｒｏｍ Ａ．Ｔｈｅ ｐｏｔｅｎｔｉａｌ ｄｉｓ
ｔｒｉｂｕｔｉｏｎ ｇｅｎｅｒａｔｅｄ ｂｙ ｓｕｒｆａｃｅ ｅｌｅｃｔ
ｒｏｄｅｓ ｉｎ ｈｏｍｏｇｅｎｅｏｕｓ ｖｏｌｕｍｅ ｃｏｎｄｕｃｔｉ
ｖｅ ｏｆ ａｒｂｉｔｒａｒｙ ｓｈａｐｅ． ＩＥＥＥ Ｔｒａｎｓ．Ｂｉ
ｏｍｅｄ．Ｅｎｇ．，ｖｏｌ．ＢＭＥ−３８，ｐｐ．４０９−４１７，１９９１
）。この特定の場合、テトラヘドロンは、立体を離散化するためにも用いられる
が、連続する区分を分離する表面と交差する場合、これらテトラヘドロンは三角
形を形成し、これらの表面は格子によって離散化されることが異なる。これらの
方法は全て、電位に対するスカラー境界問題の定式化に基づいて発展した。これ
らは、空間定数（ｓｐａｔｉａｌ ｃｏｎｓｔａｎｔ）まで電位を決定する最の
不確実性のために、（物理的視点から）不良提起問題に至る。一旦電位を算出し
たなら、次いである形式の数値勾配を用いて、先に明記した状況における電位を
算出する。リード・フィールド分析（ＬＦＡ）と命名された、Ｆｌｅｔｃｈｅｒ
ｅｔ ａｌ．．によって提案された方法（Ｆｌｅｔｃｈｅｒ Ｄ．Ｊ．，Ａｍ
ｉｒ Ａ．，Ｊｅｗｅｔｔ Ｄ．Ｌ．，ａｎｄ Ｆｅｉｎ Ｇ．Ｉｍｐｒｏｖｅ
ｍｅｔｈｏｄ ｆｏｒ ｃａｌｃｕｌａｔｉｏｎ ｏｆ ｐｏｔｅｎｔｉａｌ
ｓ ｉｎ ｒｅａｌｉｓｔｉｃ ｈｅａｄ ｓｈａｐｅ ｍｏｄｅｌ．ＩＥＥＥ
Ｔｒａｎｓ．Ｂｉｏｍｅｄ．Ｅｎｇ．，ｖｏｌ ４２，ｎｏｔ．１１，ｐｐ．
１０９４−１１０４，１９９５）も、電位に対するＢＥＭ問題の解法に基づくも
のである。この方法論の主要な難問は、これら全ての方法から得られた行列が特
異であり、したがって特定の解を得るためには、多収縮の方法（ｍｅｔｈｏｄ
ｏｆ ｍｕｌｔｉｐｌｅ ｄｅｆｌａｔｉｏｎ）のしようが必要となることであ
る（Ｌｙｎｎ Ｍ．Ｓ．ａｎｄ Ｔｉｍｌａｋｅ Ｗ．Ｐ．Ｔｈｅ ｕｓｅｒ
ｏｆ ｍｕｌｔｉｐｌｅ ｄｅｆｌａｔｉｏｎｓ ｉｎ ｔｈｅ ｎｕｍｅｒｉ
ｃａｌ ｓｏｌｕｔｉｏｎ ｏｆ ｓｉｎｇｕｌａｒ ｓｙｓｔｅｍｓ ｏｆ
ｅｑｕａｔｉｏｎｓ，ｗｉｔｈ ａｐｐｌｉｃａｔｉｏｎ ｔｏ ｐｏｔｅｎｔ
ｉａｌ ｔｈｅｏｒｙ．ＳＩＡＭ Ｊ．Ｎｕｍｅｒ．Ａｎａｌ．，ｖｏｌ．５，
ｎｏｔ．２，１９６８）。加えて、皮膚および骨の導電性の比率を増大または減
少させると、得られる行列は非常に条件が悪くなる。この条件悪化によって生ず
る数値誤差は、分離問題ＨａｍａｌａｉｎｅｉｎおよびＳａｒｖａｓの定式化を
用いることによって減少した（Ｈａｍａｉｌａｉｎｅｎ Ｍ．Ｓ．ａｎｄ Ｓａ
ｒｖａｓ Ｊ．１９８９．Ｒｅａｌｉｓｔｉｃ ｃｏｎｄｕｃｔｉｖｉｔｙ ｍ
ｏｄｅｌ ｏｆ ｔｈｅ ｈｅａｄ ｆｏｒ ｉｎｔｅｒｐｒｅｔａｔｉｏｎ
ｏｆ ｎｅｕｒｏｍａｇｎｅｔｉｃ ｄａｔｅｓ． ＩＥＥＥ Ｔｒａｎｓ．Ｂ
ｉｏｍｅｄ．Ｅｎｇ．Ｖｏｌ．３６，ｐｐ′１６５−１７１）。これらの方法は
全て、双方の状況において発生したオーム電流密度に対するベクトル境界問題の
定式化の下でのこれら電界の算出に拡張することができ、ＦＥＭ，ＦＤＭおよび
ＢＥＭのベクトル・バージョンが得られる。スカラー・バージョンとは異なり、
式の離散かから発する行列は特異ではなく、これにより多収縮の方法の使用が回
避される。「疎」悪条件（導電性間で比率の増減を行う場合）は、ブロック構造
の出現によって、前述の行列において反映される。ＢＥＭのベクトル・バージョ
ンは、ブロックによる逆を算出することができる。これらの逆は定義されていな
いので、スカラーの場合には不可能なことである。一例として、ベクトルＢＥＭ
の場合について、以下に詳細に展開していく。

【００２３】 前述の手順から、大規模な代数方程式系が得られる。敷居（ｔｈｒｅｓｈｏｌ
ｄｉｎｇ）の原理に基づく多解分析の使用により、これら膨大な代数方程式系の
疎なフォーマットへの変換が可能となり、このようにして、計算コスト及び丸め
によって生ずる誤差を大幅に低減することが可能となる（Ｄ．Ｍ．Ｂｏｎｄ ａ
ｎｄ Ｓ．Ａ．Ｖａｖａｓｉｓ． Ｆａｓｔ ｗａｖｅｌｅｔ ｔｒａｎｓｆｏ
ｒｍｓ ｆｏｒ ｍａｔｒｉｃｅｓ ａｒｉｓｉｎｇ ｆｒｏｍ ｂｏｕｎｄａ
ｒｙ ｅｌｅｍｅｎｔ ｍｅｔｈｏｄｓ，１９９４ ａｎｄ Ｇｌｏｗｉｎｓｋ
ｉ Ｒ．，Ｂｒｅａｄ Ｔ．Ｗ〉，Ｗｅｌｌｓ Ｒ．Ｏ．ａｎｄ Ｚｈｏｕ Ｚ
．．Ｗａｖｅｌｅｔ ａｎｄ ｆｉｎｉｔｅ ｅｌｅｍｅｎｔ ｓｏｌｕｔｉｏ
ｎｓ ｆｏｒ Ｎｅｕｍａｎｎ ｐｒｏｂｌｅｍ ｕｓｉｎｇ ｆｉｃｔｉｔｉ
ｏｕｓ ｄｏｍａｉｎｓ，１９９４）。 ｃ）解剖図解の使用による頭部または胸部におけるＰＥＣ発生器の存在可能部
位の判定 等方性個別均質立体的導体という特別な場合では、前述のＩＰＨＣは、Ｎ個の
区分域（Ｒ_１，Ｒ_２，…，Ｒ_Ｎ）から成り、これらは交差せず、区分域同士を含
まないように配列されている。空気は、Ｒ_Ｎ＋１と定義する。加えて、σ_ｊは、
区分域Ｒ_ｊにおける導電性の値を表わす（σ_Ｎ＋１＝０）。表面Ｓ_{ｊ，ｊ＋１}は
、区分域Ｒ_ｊおよびＲ_ｊ＋１を分離する境界である。ベクトルｎ_ｊ（ｒ）は、当
該位置の表面に対する法線ｒを示す（図７）。 １）状況（１）に対する各区分域Ｒ_ｊにおけるオーム電流密度ｊ_ｊ（ｒ）は、
ベクトル境界問題に対応し、第２グリーン・ベクトル方程式に基づいて算出する
ことができる。

【数３５】 ２）状況（２）に対する各区分域Ｒ_ｊにおけるオーム電流密度ｊ_ｊ（ｒ）も、
ベクトル境界問題に対応し、第２グリーン・ベクトル方程式に基づいて算出する
ことができる。

【数３６】 加えて、無限および均質媒体においてコイルによって生成されるベクトル次回
密度は、以下の式によって算出される。

【数３７】

【００２４】 式（１１）および（１３）は、ＩＰＨＣの対称性によってラプラス・ベクトル
方程式の解に対する変数の分離を可能にする曲線座標系における表現が可能な場
合、分析的に解かれる。それ以外の場合には、これらは、デカルト座標に変換し
離散化しなければならない。（１３）において固定周波数ω＝ω_ｃに対して、こ
れらの式は、独立項｛ｊ_∞（ｒ），ｊ_∞（ｒ，ω_ｃ）｝において相違するだけで
あることを注記しておく。一般ベクトル場をｃ_ｋ（ｒ）＝｛ｊ_ｋ（ｒ），ｊ_ｋ（
ｒ，ω_ｃ）｝と示すことにする。すると、これを独立項ｃ_∞（ｒ）について書く
ことができ、この一般ベクトル場は、次の式を満足する。

【数３８】 この式に基づくベクトルＢＥＭは、極値ｒ→Ｓ_{ｊ，ｊ＋１}を算出し、得られる
第２形式のフレドホルム形積分方程式を離散化すると、得られる。 ここで、ｃ_∞＝（ｃ_１∞；_…；ｃ_Ｎ∞），ｃ＝（ｃ１；_…；ｃＮ）、行列は、以
下の通りである。

【数３９】 （３Ｎ_{ｊ，ｊ＋１}ｘ１）ベクトルｃ_ｊ∞およびｃ_ｊは、表面Ｓ_{ｊ，ｊ＋１}の三
角形の質量の中心におけるｃ_ｊ∞（ｒ）およびｃ_ｊ（ｒ）の評価によって形成さ
れる。ｃ_ｋは、表面Ｓ_{ｋ，ｋ＋１}の三角形の質量の中心の評価によって構築され
た（３Ｎ_{ｋ，ｋ＋１}ｘ１）ベクトルである。（３Ｎ_{ｊ，ｊ＋１}ｘ３Ｎ_{ｋ，ｋ＋１}
）マト

【数４０】

【００２５】 代数式（１７）の系の解は、系ｃ_ｅｓｔ＝（Ｄ＋Γ）^−１Ｃ_∞の行列を逆転す
ることによって得られる。この代数式の系は、特異性の問題を有さない。何故な
ら、オーム電流密度は、いずれの基準を指定することにも依存しないからである
。 区分域Ｒ_ｊの内部の点ｒにおけるｃ_ｊ（ｒ）の値は、表面上で推定した一般ベ
クトル場を以下の式に代入することによって得られる。

【数４１】 独立項ＥＥＧ／ＭＥＧ ＥＥＧについて 注入される電流は、電共に対応する、頭蓋骨上にマークされた三角形全てにお
いて一定であると見なすことを念頭に入れて、以下の式を得る。

【数４２】 ＭＥＧについて 固定周波数ω＝ω_ｃにおいて、各三角形において磁界ベクトル密度が一定であ
り、質量の中心におけるその値に等しいと考えると、以下の式が得られる。

【数４３】 各表面を形成する三角形のそれぞれにおける磁界ベクトル密度の横断成分を指定
する必要があることに注意されたい。このためには、三角形の質量の中心のそれ
ぞれにおいて、以下に示す式を評価するだけでよい。

【数４４】

【００２６】 逆解の算出 逆問題に対する解は、画像融合に対する階層ベイズ・モデルの定式化に基づく
（Ｈｕｒｍ，１９９６；Ｍａｒｄｉａ，１９９６）。モデルの最も基本的なレベ
ルでは、観察不可能な脳または心臓組織の活動の存在Ａ（ｔ）を仮定する。 このモデルは、以下の成分から成る。 ・対応する直接問題に基づく各様式ｍ毎の尤度項Ｉ_ｏｍ

【数４５】 式（１８）は観察ｏ_ｍ（ｔ）を関数指示子Ｆ_ｍ（ｘ，ｔ）と関連付け、これら
は、画像様式ｍの空間的および時間的解像度を捕獲するカーネルであるＫ_ｍによ
る畳み込みによ _≦ｍ≦Ｍを用いることにする。ＥＥＧおよびＭＥＧに対して、ｆ_ｍ（ｔ）＝ｊ（
ｔ）であることを注記しておく。 ・以下の関係にしたがって脳活動度Ａ（ｘ，ｔ）に対して調整した、各関数活
動Ｆ_ｍ（ｘ，ｔ）毎の先験確率π_ｆｍ

【数４７】 これは、ある機構Ｈ_ｍにしたがってＡ（ｘ，ｔ）を投影し、機能指示子を形成す
る形態を 想定する。表記Θ_β＝［Θ_βｍ］_{ｌ≦ｍ≦Ｍ}を用いることにする。 ・脳または心臓活動Ａ（ｔ）〜π_Ａ（Ａ（ｔ）｜Θ_Ａ）の先験確率π_Ａ ・ハイパーパラメータに対する先験確率 Θ_Ａ ^〜π_ΘＡ（Θ_Ａ） Θ_βｍ ^〜π_Θβｍ（Θ_βｍ） Θ_ｅｍ ^〜π_Θｅｍ（Θ_ｅｍ） これらの全ては、先験確率を以下の基礎に導く。

【数４８】

【００２７】 モデルのパラメータＡ，Θ_Ａ，Ｆ，Θ_β，Θ_Ｅ全ての推定は、最大方法後験（
ＭＡＰ：Ｍａｘｉｍｕｍ ｍｅｔｈｏｄ ａ Ｐｏｓｔｅｒｉｏｒｉ）方法によ
って行われる。本発明の実施形態の中には、明示的な推定器が存在するものもあ
る。それ以外では、以下の繰り返し方法の１つによって推定値を得て、初期値と
して、より単純なモデルまたは単純にランダムな値の推定値とする。 パラメータＡ，Θ_Ａ，Ｆ，Θ_β，Θ_Ｅの部分集合に対する（２０）を連続最大
化しつつ、他の全ては固定して維持する「繰り返し条件最大化」（ＩＣＭ： Ｉ
ｔｅｒａｔｅｄ Ｃｏｎｄｉｔｉｏｎａｌ Ｍａｘｉｍｉｚａｔｉｏｎ；Ｗｉｎ
ｋｅｒ，Ｇ．（１９９５） Ｉｍａｇｅ Ａｎａｌｙｓｉｓ，Ｒａｎｄｏｍ Ｆ
ｉｅｌｄｓ ａｎｄ Ｄｙｎａｍｉｃ Ｃａｒｌｏ Ｍｅｔｈｏｄｓ Ｍｏｕｎ
ｔｓ．Ｓｐｒｉｎｇｅｒ）。 Ａ．パラメータの部分集合に対する（２０）を連続最大し、他のパラメータを
その期待値に固定する「期待最大化」（ＥＭ：Ｅｘｐｅｃｔａｔｉｏｎ Ｍａｘ
ｉｍｉｚａｔｉｏｎ；Ｔａｎｎｅｒ，１９９６）。 Ｂ．Ｍｏｎｔｅ Ｃａｒｌｏ Ｍａｒｋｏｖ Ｃｈａｉｎ ｍｅｔｈｏｄｓに
よって得られた（２０）のＭｏｎｔｅ Ｃａｒｌｏ分布のモード選択（ＭＣＭＣ
，Ｔａｎｎｅｒ Ｍ． １９９６ Ｔｏｏｌｓ ｆｏｒ Ｓｔａｔｉｓｔｉｃａ
ｌ Ｉｎｆｅｒｅｎｃｅ．Ｔｈｉｒｄ Ｅｄｉｔｉｏｎ，Ｓｐｒｉｎｇｅｒ）。 定式化（２０）の利点は、統計的に最適な方法で、撮像様式によって与えられ
る情報の異なる時間的および空間的解像度との組み合わせを可能にすることであ
る。各様式に割り当てるべき重みは、自動的に得られる。即ち、ＥＥＧおよびＭ
ＥＧを結合すべき、最適な相対重みを見出すことが可能である。 尤度の形式は、危険度の形態で指定する。

【数４９】 以下の表記は、変数ｘのあらゆる集合のためにも導入される。分布の最も重要
なパラメータを、平均および共分散の行列Θ_ｘ＝｛μ_ｘ，Σ_ｘ｝とする。すると
、

【数５０】 は、次数ｐ，（ε不感受）の多項式危険度を定義する。

【００２８】

【数５１】 このクラスの危険度は、先に用いた次数ｐ＞１のノーム（Ｌｐ）を含む

【数５２】

【数５４】 この種の危険度は、他の文脈で用いられる多くの特定ケースを含む。ε＝０お
よびｐ＝２の場合、危険度は、ロバストな推定器を定義するＨｕｂｅｒのそれに
対応する。ε＝０およびσ＝０の場合、前述のノームＬ_ｌに減少する。最後に、
σ＝０の場合、ノームはＶａｐｎｉｋのε不感危険性となる（１９９５）。 ＩＣＭ，ＥＭ，またはＭＣＭＣを用いて（２０）のＭＡＰ推定器を求めるため
に、必須のステップは、Ｒ_０＋λ・Ｒ_Ｊ（ｊ（ｔ）｜Θ）（式５）という形式の
式の最小化である。Ｒ０を

【数５５】

【数５６】

【００２９】 部分解（Ｓｍｏｌａ，１９９６）は、支持ベクトル機構（ＳＶＭ：Ｓｕｐｐｏｒ
ｔ Ｖｅｃｔｏｒ Ｍｅｃｈａｎｉｓｍ）による回帰と等価である。二次プログ
ラミング問題として述べた、効率的な最小化を可能にすることの他に、得られる
解は、異常値によって汚染されたデータに対しても堅牢である。加えて、推定し
たＰＥＣは、Ｋ_ｍの要素の減少数の関数であり、ＴＰＥＣの簡略化を保証する。 ＥＥＧおよびＭＥＧ ｆ_ｍ（ｔ）＝ｊ（ｔ）双方について、ＰＥＣのモデルを
、更に次のように詳細化する。 ここで、μ（ｒ_ｇ）：Ωｇ→Ｒ^３は、ＰＥＣの発生器の方位の場（ｆｉｅｌｄ）
であり、 前記ランダム成分は、特定の実施形態では一般性の損失がなく、 として指定される。式（２５）は、脳双極子（式７；Ｓｃｈｅｒｇ，１９９３）
に初期に導入された空間時間モデリングをＴＰＥＣに拡張する。 ｊ（ｔ）＝Ｍ・Ｇ（ｔ）＋ξ（ｔ） 発生器の方位および強度の指定は、以下の先験確率を定義することによって行
い、

【数５９】

【００３０】 適合性に、脳活動Ａ、およびベソフ空間によって予め定義されている関数平滑度
を適用（ｅｎｆｏｒｃｅ）する。この場合インデックス（１，１，ｓ）のベソフ
空間を選択すると、変数解像度ＴＰＥＣ（ＶＡＲＥＴＡ：Ｖａｒｉａｂｌｅ Ｒ
ｅｓｏｌｕｔｉｏｎ ＴＰＥＣ）が得られる。ＶＡＲＥＴＡは、点源発生器およ
び分散源発生器双方の推定を、同じフレームワーク内において可能にする。した
がって、これまで存在していた、双方の形式のモデリング間の絶対二分法は、不
要となる。ＶＡＲＥＴＡでは、解に適用される平滑性の量が、発生立体内部にお
いて点毎に可変であることが可能である。これによって、「可変解像度」と命名
された。この可変解像度は、現点源の空間的適応非線形推定値を可能とし、通常
の線形分布解に存在する「ゴースト」解を除去する。また、これは、互いに非常
に接近している離散源を区別可能な、「超解像度」の達成を可能にする。特に、
排他的な実現ではないが、式（２６）の先験確率は、次の通りである。 平滑度を指定し、ｐ_ｇは対角線に確率が配置され、灰白質が格子点に存在する行
列である。

【数６１】 れ以外の場合０の値を取る。言い換えると、次のようになるように、周辺分布に
対する混合モデルを得て、

【数６２】 一方、ｉは確率ｐ_ｇの多項式のサンプルとして得られる。 式（２７）に対する同様の式も明らかである。ｐ_ｇに対する依存性により、先
験的な我々の知識によって、格子の点に対するＰＥＣに、推定器の確率的制約が
許されることに注意されたい。即ち、ｐ_ｇが０および１の値のみを取る場合、こ
のＰＥＣの特定に対する制約は、決定論的になる。

【００３１】 統計的評価 検査群に対するメンバシップの決定 所与の被験者に対して、一旦ｊ（ｘ，ｔ）およびγ（ｘ，ｔ）の推定値、およ
びハイパーパラメータの推定値を得たならば、ＤＰのベクトルにおいて、これら
の選択を構成する。このベクトルは、多数の検査群の１つにおいて、非パラメト
リック統計の方法を用いて、得られたＴＰＥＣが分類可能な否か判定するために
用いられる（Ｒｉｐｌｅｙ Ｂ．Ｄ．（１９６６） Ｐａｔｔｅｒｎ Ｒｅｃｏ
ｇｎｉｔｉｏｎ ａｎｄ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ． Ｃａｍｂｒｉｄ
ｇｅ Ｕｎｉｖｅｒｓｉｔｙ Ｐｒｅｓｓ）。本発明の異なる実施形態を表わす
検査群は、以下の通りである。 ・ＴＰＥＣ以外の評価基準によって正常と定義された被験者群。これらの群は
、データベース内に記憶されている正常な被験者のＴＰＥＣのＤＰのサンプルに
よって、暗示的に指定される。この場合、統計的分析の目的は、評価されたＴＰ
ＥＣのＤＰが健康な被験者から得られる確率を判定することである。 ・ＴＰＥＣ以外の評価基準によって予め定義されている病変（ｐａｔｈｏｌｏ
ｇｙ）を有すると定義された被験者群は、データベースに記憶されている対象の
病変を有する患者のＴＰＥＣのＤＰのサンプルによって暗示的に指定される。こ
の場合、統計的分析の目的は、指定した病気の被験者からＴＰＥＣが得られる確
率を判定することである。 ・非監視パターン認識（Ｕｎｓｕｐｅｒｖｉｓｅｄ Ｐａｔｔｅｒｎ Ｒｅｃ
ｏｇｎｉｔｉｏｎ）の方法によって決定された群。正常および／または病変被験
者のサンプルのＴＰＥＣのＤＰの基準は、共通して、対象の生理学的特性を有す
る。この場合、統計的分析の目的は、生理学的特性を有する被験者からＴＰＥＣ
が得られる確率を判定することである。 ・研究対象の被験者から以前に得られたＴＰＥＣのＤＰのサンプルから成る群
。各分析時毎にＤＰ群は、ベクトル時系列を構成する。このベクトル時系列の統
計的分析の目的は、２つある。 １．ＤＰの変化に反映される、脳または心臓の所定部分の機能における経時的
変化を判定し、例えば、手術の間の脳の状態を監視することも目的とする。 ２．脳または心臓の機能状態を反映するＤＰのベクトルが、現試験後のある時
点において、所与の値集合を得ることの確率について、予測を行うこと。

【００３２】 以前の確率の算出のために、発生立体の格子の各点におけるパラメータの各々
に対し、各検査群の平均μ_ｘ（ｖ）および分散ｘ（ｖ）を有する必要がある。こ
れらの平均および分散は、非パラメトリック回帰によって、制御変数ｖの関数と
して表わすことができる（Ｈａｓｔｉｅ，Ｔ．Ｊ．ａｎｄ Ｔｉｂｓｈｉｒａｎ
ｉ，Ｒ．Ｊ．（１９９０）：Ｇｅｎｅｒａｌｉｚｅｄ ａｄｄｉｔｉｖｅ ｍｏ
ｄｅｌｓ． Ｃｈａｐｍａｎ ａｎｄ Ｈａｌｌ，Ｐｐ１８−２０；ＩＳＢＮ
０−４１２−３４３９０−８ ａｎｄ Ｆａｎ Ｊ．ａｎｄ Ｇｉｂｊｅｌｓ．
Ｉ．Ｌｏｃａｌ Ｐｏｌｙｎｏｍｉｍａｌ Ｍｏｄｅｌｉｎｇ ａｎｄ ｉｔｓ
Ａｐｐｌｉｃａｔｉｏｎｓ，１９９６）。 ＤＰについても、以下の変換を行う。 １．ベクトルｘが以前に指定した１つの選択ｆに近い分布を有することを確認
するための、非線形関数ｘ＝Ｔ（ＤＰ）による目標分布に対する変換。 ２．単一変動変異体を用いたｚ_ｘ変換の算出。 ３．ｚ_ｘの全てまたは一部が、予め指定した最大または最小値に達する確率の
算出。この算出は、多数の空間的および時間的相関の効果の補正によって実行す
る。これらは、推定プロセスの結果であると共に、脳および心臓の病変の結果で
もあり、全体的な影響により、病変状態の識別におけるタイプ１の誤差が増大す
る。 この問題の複雑性は、四次元多様体上で定義したランダム関数としてのｚ_ｘの
性質にある。３つの次元は空間であり、１つは時間である（一般性を失うことな
くそう定義するが、時間次元は、メガ辞書に基づく拡大を意味する場合もあり、
したがって、周波数または時間周波数次元を定義する可能性もある）。ｎ次元多
々様態上における確率プロセスとして定義される、この種のランダム変数のため
に、統計的方法が開発されている（Ｗｏｒｓｌｅｙ，Ｋ．Ｊ．，Ｍａｒｒｅｔｔ
，Ｓ．，Ｎｅｅｌｉｎ，Ｐ．，Ｖａｎｄａｌ，Ａ．Ｃ．，Ｆｒｉｓｔｏｎ，Ｋ．
Ｊ．，ａｎｄ Ｅｖａｎｓ，Ａ．Ｃ．（１９９５）： Ａ ｕｎｉｆｉｅｄ ｓ
ｔａｔｉｓｔｉｃａｌ ａｐｐｒｏｘｉｍａｔｉｏｎ ｆｏｒ ｄｅｔｅｒｍｉ
ｎｉｎｇ ｓｉｇｎｉｆｉｃａｎｔ ｓｉｇｎａｌｓ ｉｎ ｉｍａｇｅｓ ｏ
ｆ ｃｅｒｅｂｒａｌ ａｃｔｉｖａｔｉｏｎ． Ｈｕｍａｎ Ｂｒａｉｎ Ｍ
ａｐｐｉｎｇ，４：５８−７３）。これら統計的手順は、機能的画像（ｆＭＲＩ
，ＳＰＥＣＴ，およびＰＥＴ）だけでなく、構造的画像（ＣＡＴ，ＭＲＩ）の研
究に適用されている。前述の方法は、未だｑＥＥＧ／ｑＥＫＧの分野やＴＰＥＣ
には適用されていない。即ち、これらの結果は、Ｚ_ｍａｘ、（任意形状の）対象
領域Ｃにおいて観察されたｚの最大値が、所与のスレシホルドＵを超過する確率
を算出する。

【数６３】

【００３３】 ここで、ρ_ｍａｘ（ｆ）_ｄおよびρ_ｍｉｎ（ｆ）_ｄは、仮定したランダム場の
形式ｆに依存し（ガウス、ｔ，Ｆ，χ^２等）、Ｒ_ｄ、確率場のＦＷＨＭに関して
表現したＣの幾何学的形状を特徴付ける。

【数６４】 般的な場合、以前に表わした確率は、評価対象のランダム場の形式だけではなく
、統計的画像の自由度にも依存する。 ｚ_ｘは以下の方法でプロットする。 ・一次元グラフとして、ｚ_ｘは、格子の子定点に対する関数としてプロットす
る。この種のグラフを、ＴＰＥＣのｚ像と呼ぶ。プロットは、ＴＰＥＣの規範値
からの偏差度を示すカラー・コードにしたがって行う。このプロットを、画像の
背景を構成する解剖図解に重ね合わせる。 _Ｚ画像の統計的評価の明確化のために、以下の変換を定義する。

【数６６】 ここで、選択した対象領域は、完全な画像であり、Ｆ^１は逆ガウス分布関数で
ある。Ｕ_ｍａｘ，Ｕ_ｍｉｎは、ユーザが選択する極値であり、可能な選択は、Ｕ
_ｍｉｎ＝−Ｕ_ｍａｘである。その結果、単一変量ガウス分布に対応する確率のス
ケールが得られる。これの利点は、ユーザが、分布形式ｆや対応する自由度を念
頭に入れておく必要なく、評価ができることである。

【００３４】 好適な実施形態の例 周波数ドメインにおけるＴＰＥＣ 本発明の好適であるが排他的でない実施形態の１つは、ＥＥＧのための周波数
ドメインにおけるＴＰＥＣである。この実施形態は、個々のＭＲＩを得ることが
都合よくなく、したがって確率的脳図解の使用が必要となるという状況に対して
進められる。ここでは、個人ｉ，セグメントｊに対するＥＥＧとして観察を行い
、

【数６７】 として、モデル化する（Ｖａｌｄｅｓ，Ｐ．，；Ｂｏｓｃｈ，Ｊ．；Ｇｒａｖｅ
ｄｅ Ｐｅｒａｌｔａ，Ｒ．；Ｈｅｒｎａｎｄｅｚ，Ｊ．Ｌ．；Ｐａｓｃｕａ
ｌ，Ｒ．ａｎｄ Ｂｉｓｃａｙ，Ｒ．： Ｆｒｅｑｕｅｎｃｙ ｄｏｍａｉｎ
ｍｏｄｅｌｓ ｆｏｒ ＥＥＧ．Ｂｒａｉｎ Ｔｏｐｏｇｒａｐｈｙ，１９９２
ａ，ｖｏｌ．４，ｐｐ．３０９−３１９）。 言い換えると、観察するＥＥＧは、理想的な記録ＥＥＧｖ_ｉ，ｊ（ｔ）にスカ
ラー係数κｊ（個別およびランダム）を乗算し、更に基準電極ρ_ｉｊ（ｔ）の活
動を減算することによる歪みであると仮定する。 視覚検査によって、セグメントは、静止性（ｓｔａｔｉｏｎａｒｉｔｙ）およ
び「混合」（ｍｉｘｉｎｇ）の仮定に一致することが保証される（Ｂｒｉｌｌｉ
ｎｇｅｒ，Ｄ．Ｒ，（１９７５）：Ｔｉｍｅ ｓｅｒｉｅｓ を保証する。ここで、ωは周波数を示し、ＥＥＧの相互スペクトルまたは共分散
行列は、次のように推定される。

【数６８】 Ｖａｌｄｅｓ−Ｓｏｓａ（Ｖａｌｄｅｓ−Ｓｏｓａ，Ｐ．（１９８４）：Ｓｔ
ａｔｉｓｔｉｃａｌ Ｂａｓｅｓ．Ｃｈａｐｔｅｒ ７．Ｎｅｕｒｏｍｅｔｒｉ
ｃ ａｓｓｅｓｓｍｅｎｔ ｏｆ ｂｒａｉｎ ｄｙｓｆｕｎｃｔｉｏｎ ｉｎ
ｎｅｕｒｏｌｏｇｉｃａｌ ｐａｔｉｅｎｔｓ． Ｉｎ：Ｔ．Ｈａｒｍｏｎｙ
．Ｆｕｎｃｔｉｏｎａｌ Ｎｅｕｒｏｓｃｉｅｎｃｅ，ｖｏｌ．３，Ｌａｗｒｅ
ｎｃｅ Ｅｒｌｂａｕｍ Ａｓｓｏｃｉａｔｅｓ，Ｈｉｌｓｄａｌｅ，Ｎｅｗ
Ｊｅｒｓｅｙ，ｐｐ．１４１−２５４）。その結果、共分散性Σ_ｉ（ω）の行列
のサンプル推定器は、

【数６９】 となる。

【００３５】 ここで、Ｈはデータを平均基準に変換する中心化行列（ｃｅｎｔｅｒｉｎｇ ｍ
ａｔｒｉｘ）を示し（Ｍａｒｄｉａ ＫＶ，Ｋｅｎｔ ＪＴ ａｎｄ Ｂｉｂｂ
ｙ ＪＭ．（１９７９）：Ｍｕｌｔｉｖａｒｉａｔｅ Ａｎａｌｙｓｉｓ． Ａ
ｃａｄｅｍｉｃ Ｐｒｅｓｓ Ｉｎｃ．Ｌｏｎｄｏｎ Ｌｔｄ．）、κの最尤推
定器は、Ｈｅｒｎａｎｄｅｚ ｅｔ ａｌ．に記載されている（Ｈｅｒｎａｎｄ
ｅｚ，Ｊ．Ｌ．； Ｖａｌｄｅｓ，Ｐ．；Ｂｉｓｃａｙ，Ｒ．；Ｖｉｒｕｅｓ，
Ｔ．；Ｓｚａｖａ，Ｓ．；Ｂｏｓｃｈ，Ｊ．；Ｒｉｑｕｅｎｅｓ，Ａ．ａｎｄ
Ｃｌａｒｋ，Ｉ．（１９９５）： Ａ Ｇｌｏｂａｌ Ｓｃａｌｅ Ｆａｃｔｏ
ｒ ｉｎ Ｂｒａｉｎ Ｔｏｐｏｇｒａｐｈｙ． Ｉｎｔｅｒｎ．Ｊｏｕｒｎａ
ｌ ｏｆ Ｎｅｕｒｏｓｃｉｅｎｃｅ，７６：２６７−２７８）。 この場合、主要な対象目的は、Σ_ｊｉ（ω）の推定であり、適切な先験確率を
選択することによって行われる。この場合、ＭＡＰ推定手順は、以下の式を最小
化することと等価である。

【数７０】 これは、繰り返しステップｋについて次の計算を行うことによって得られる。

【数７１】 これらのステップは、推定器は収束するまで繰り返される。 は、ハイパーパラメータ行列を有する通常規制項（ｕｓｕａｌ ｒｅｇｕｌａｒ
ｉｚｉｎｇ ｔｅｒｍ）に対応する。第３項は、ハイパーパラメータΣ_ｊｉ（ω
）に対するＷｉｓｈａｒｔ行列のための先験自然共役（ｎａｔｕｒａｌ ｃｏｎ
ｊｕｇａｔｅ ａ ｐｒｉｏｒｉ）に対応し、

【数７３】 に比例する。

【００３６】 ここで、対角行列Λ_ｓは、格子の各点に適用される平滑度を指定し、この場合
、灰白質の境界に対してゼロである。Λ_ｍは、格子の各点におけるＰＥＣの許容
可能な大きさを荷重する。 灰白質を有する確率の推定器を含む。これらの確率は、例えば、Ｂｒａｉｎ１の
確率図解を用いて求めることができる（Ｅｖａｎｓ，Ａ．Ｃ．，Ｃｏｌｌｉｎｓ
，Ｄ．Ｌ．，Ｎｅｅｌｉｎ，Ｐ．，ＭａｃＤｏｎａｌｄ，Ｄ．，Ｋａｍｂｅｉ，
Ｍ．，ａｎｄ Ｍａｒｒｅｔ，Ｔ．Ｓ．（１９９４） Ｔｈｒｅｅ ｄｉｍｅｎ
ｓｉｏｎａｌ ｃｏｒｒｅｌａｔｉｖｅ ｉｍａｇｉｎｇ： Ａｐｐｌｉｃａｔ
ｉｏｎｓ ｉｎ ｈｕｍａｎ ｂｒａｉｎ ｍａｐｐｉｎｇ． Ｉｎ Ｒ．Ｔｈ
ａｔｃｈｅｒ，Ｍ．Ｈａｌｌｅｔ，Ｔ．Ｚｅｆｆｉｒｏ，Ｅ．Ｒｏｙ Ｊｏｈｎ
ａｎｄ Ｍ．Ｖｅｇｅｔａｂｌｅ ｇａｒｄｅｎ（Ｅｄｓ．）Ｆｕｎｃｔｉｏ
ｎａｌ ｎｅｕｒｏｉｍａｇｉｎｇ ｔｅｃｈｎｏｌｏｇｉｃａｌ ｆｏｕｎｄ
ａｔｉｏｎｓ．Ａｃａｄｅｍｉｃ Ｐｒｅｓｓ；Ｍａｚｚｉｏｔｔａ ＪＣ，Ｇ
ｏｗｎ ＴＯ，Ｅｖａｎｓ ＡＣ，Ｆｏｘ Ｐ，Ｌａｎｃａｓｔｅｒ Ｊ（１９
９５） Ａ ｐｒｏｂａｌｉｌｉｓｔｉｃ ａｔｌａｓ ｏｆ ｔｈｅ ｈｕｍ
ａｎ ｂｒａｉｎ：Ｔｈｅｏｒｙ ａｎｄ ｒａｔｉｏｎａｌｅ ｆｏｒ ｉｔ
ｓ ｄｅｖｅｌｏｐｍｅｎｔ． Ｎｅｕｒｏｉｍａｇｅ２：８９−１０１）。 として示す。式（２８）は、自然対数をＴとして用い、これら記述パラメータの
各々に適用される。周波数による、そして格子の各点毎の平均および分散は、回
帰モデルによって予め得られている。 点および各年齢毎に、異分散的非パラメトリック回帰によって求められる（Ｈａ
ｓｔｉｅ，Ｔ．Ｊ．ａｎｄ Ｔｉｂｓｈｉｒａｎｉ，Ｒ．Ｊ．（１９９０）：
Ｇｅｎｅｒａｌｉｚｅｄ ａｄｄｉｔｉｖｅ ｍｏｄｅｌｓ．Ｃｈａｐｍａｎ
ａｎｄ Ｈａｌｌ，Ｐｐ１８−２０；ＩＳＢＮ ０−４１２−３４３９０−８；
Ｆａｎ Ｊ．ａｎｄ Ｇｉｂｊｅｌｓ．Ｉ．Ｌｏｃａｌ Ｐｏｌｙｎｏｍｉｍａ
ｌ Ｍｏｄｅｌｉｎｇ ａｎｄ ｉｔｓ Ａｐｐｌｉｃａｔｉｏｎｓ． Ｃｈａ
ｐｍａｎ ａｎｄ Ｈａｌｌ）。すると、完全なμ_ｉ（ω；ｅｄａｄ）の集合は
、Ｖａｌｄｅｓ ｅｔ ａｌ．に記載されている発展表面（ｄｅｖｅｌｏｐｍｅ
ｎｔａｌ ｓｕｒｆａｃｅｓ）の一般化を構成し（Ｖａｌｄｅｓ，Ｐ．；Ｂｉｓ
ｃａｙ，Ｒ．；Ｇａｌａｎ，Ｌ．；Ｂｏｓｃｈ，Ｊ．；Ｓｚａｖａ，Ｓ．；ａｎ
ｄ Ｖｉｒｕｅｓ，Ｔ〉： Ｈｉｇｈ Ｒｅｓｏｌｕｔｉｏｎ Ｓｐｅｃｔｒａ
ｌ ＥＥＧ ｎｏｒｍｓ ｆｏｒ ｔｏｐｏｇｒａｐｈｙ． Ｂｒａｉｎ Ｔｏ
ｐｏｇｒａｐｈｙ，１９９０，ｖｏｌ．３，ｐｐ．２８１−２８２）、今ではＴ
ＰＥＣに拡張された。図９において、これらの回帰表面（Ｃｕｂａｎ Ｎｏｒｍ
ａｔｉｖｅ ＥＥＧ Ｄａｔａ Ｂａａｓｅから得た）を観察することができる
。図において、発生器格子の数点に対する三次元表面が示されており、ｚ・軸は
μ_ｉ（ω；ｅｄａｄ）であり、ｙ・軸は周波数であり、ｘ・軸は年齢である。

【００３７】 このようにＳ_ｊ（ω）から得られたｚ値の二次元または三次元プロットは、Ｔ
ＰＥＣのｚ画像の一例を構成する。プロットは、算出した画像の規範値からの偏
差を示すカラー・コードを用いて行った。このプロットを、画像の背景を構成す
るＴａｌａｉｒａｃｈ座標の脳図解上に重ね合わせる。_Ｚ画像の統計的評価のた
めに、これらは４つの三次元ガウス・ランダム場（３空間および１周波数次元）
のサンプルであると仮定する。この場合、Ｗｏｒｓｌｅｙ ｅｔ ａｌ．が記載
した定理を適用する（Ｗｏｒｓｌｅｙ，Ｋ．Ｊ．，Ｍａｒｒｅｔｔ，Ｓ．，Ｎｅ
ｅｌｉｎ，Ｐ．，Ｖａｎｄａｌ，Ａ．Ｃ．，Ｆｒｉｓｔｏｎ，Ｋ．Ｊ．，ａｎｄ
Ｅｖａｎｓ，Ａ．Ｃ．（１９９５）： Ａ ｕｎｉｆｉｅｄ ｔａｔｉｓｔｉ
ｃａｌ ａｐｐｒｏｘｉｍａｔｉｏｎ ｆｏｒ ｄｅｔｅｒｍｉｎｉｎｇ ｓｉ
ｇｎｉｆｉｃａｎｔ ｓｉｇｎａｌｓ ｉｎ ｉｍａｇｅｓ ｏｆ ｃｅｒｅｂ
ｒａｌ ａｃｔｉｖａｔｉｏｎ． Ｈｕｍａｎ Ｂｒａｉｎ Ｍａｐｐｉｎｇ，
４：５８−７３）。これは、画像ｚの最大または最小が所与の値を取る確率の評
価を可能とする。前述のｚ_ｗ変換を、単一変量ガウス分布に対応する確率のスケ
ールを得るために選択する。

【００３８】 臨床例１ 図１０ａ）において、周波数ドメインにおけるＴＰＥＣｃのＺ画像を示す。こ
の画像は、２７才の女の患者から得た画像であり、左前頭頂領域に神経膠星状細
胞腫が診断された。比較の目的のため、この図には、ｂ）螺旋ＣＡＴ、ｃ）ＳＰ
ＥＣＴ、およびおよびｅ）Ｔ２ＭＲＩも示す。 臨床例２ 左（ＬＣＭＡ）または右（ＲＣＭＡ）内側脳動脈の閉塞による、虚血源（ｉｓ
ｃｈｅｍｉｃ ｏｒｉｇｉｎ）の脳血管性災害の診断に基づいて、最近入院した
１１人の神経科の患者群を選択した。ＴＣＥＰｃ周波数ドメインおよびＣＡＴを
全ての患者に適用した。得られたＴＰＥＣｃ−ＦＤの例を図１１に示す。臨床診
断との完全な対応がある。事例７では、ＴＰＥＣｃ−ＤＦがＣＡＴよりも優れて
おり、特定精度に関しては、３つが等しく、悪いのは１つだけであることが認め
られる。ＣＡＴは、今日まで、その侵入性にも拘らず、ＣＶＡの評価のための、
画像選択方法である。

【表１】

【００３９】 γ（ｘ，ｔ）の非線形分析 別の好適であるが限定ではない本発明の実施形態は、時間ドメインにおけるＴ
ＰＥＣｃである。この場合、前述の方法を用いて、個々の解剖脳図解を研究対象
被験者に有する場合に、活性化している脳領域およびその機能的接続を識別する
。一旦γ（ｘ，ｔ）を推定したなら、これらを非線形時系列として分析する。γ
（ｘ，ｔ）の値は、非パラメトリック非線形自己回帰モデル（ＮＮＡＭ）を嵌め
込むベクトル

【数７６】 る（ｑは、含まれる過去の最大次数である）。自己回帰関数Ｆおよび共分散の行
列、 本モデルは、非静止的であり、かつ異分散的である。自己回帰関数Ｆおよび共分
１９９０）、局部多項式（Ｆａｎ Ｊ．ａｎｄ Ｇｉｂｊｅｌｓ．Ｉ．，Ｌｏｃ
ａｌ Ｐｏｌｙｎｏｍｉｍａｌ Ｍｏｄｅｌｉｎｇ ａｎｄ ｉｔｓ Ａｐｐｌ
ｉｃａｔｉｏｎｓ． Ｃｈａｐｍａｎ ａｎｄ Ｈａｌｌ）、ＳＶＭ（Ｓｍｏｌ
ａ Ａ．，（１９９６）Ｒｅｇｒｅｓｓｉｏｎ Ｅｓｔｉｍａｔｉｏｎ ｗｉｔ
ｈ Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅｓ． Ｐｈ．Ｄ．Ｄｉｓｓ
ｅｒｔａｔｉｏｎ Ｐｈｙｓｉｋ Ｄｅｐａｒｔｍｅｎｔ，Ｔｅｃｈｎｉｓｃｈ
ｅ Ｄｅｐａｒｔｍｅｎｔ，Ｔｅｃｈｎｉｓｃｈｅ Ｕｎｉｖｅｒｓｉｔａｔ
Ｍｕｎｃｈｅｎ）、またはメガ辞書における回帰の形態で推定する。 は、癲瘤のＥＥＧにおける発作性活動の活動の回帰に対する多スペクトル（ｐｏ
ｌｙｅｓｐｅｃｔｒａ）によって与えられるものよりも情報量が多いことが例証
された生理学的系列（ｐｈｙｓｉｏｌｏｇｉｃａｌ ｓｅｒｉｅｓ）の図解要素
（ｇｒａｐｈｏ−ｅｌｅｍｅｎｔ）の形態に関する情報を含む（Ｈｅｒｎａｎｄ
ｅｚ，Ｊ．Ｌ．，Ｖａｌｄｅｓ，Ｐ．Ａ．，ａｎｄ Ｖｉｌａ，Ｐ．（１９９６
）ＥＥＧ ｓｐｉｋｅ ａｎｄ ｗａｖｅ ｍｏｄｅｌｅｄ ｂｙ ｔｏ ｓｔ
ｏｃｈａｓｔｉｃ ｌｉｍｉｔ ｃｙｃｌｅ． ＮｅｕｒｏＲｅｐｏｒｔ，７：
２２４６−２２５０）。ここで、この目的のために単純な線形方法だけでなく、
非線形パラメトリック方法 （Ｒｉｐｌｅｙ Ｂ．Ｄ．（１９９６）Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏ
ｎ ａｎｄ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ． Ｃａｍｂｒｉｄｇｅ Ｕｎｉ
ｖｅｒｓｉｔｙ Ｐｒｅｓｓ）。

【００４０】 加えて、Ｆの推定値によって、Ｇｅｗｅｋｅ（１９８４）によって導入された
影響測定の皮下の非線形および非静止一般化によって、ＰＥＣの発生器間におけ
るＧｒａｎｇｅｒ因果律の推定値の算出が可能となる。Ａ，Ｂ，Ｃをγ_ｔから成
る時系列の部分集合（交差 リック回帰条件によってＢの影響を除去したときにＡから得られるものとして、
定義する。次に、ＢのＡに対する（方向性のある）影響、Ｃに対する条件を、決
定因子の比の自然対数として定義する。

【数７８】 癲癇病理の評価におけるＴＰＥＣｃと組み合わせた影響測定の潜在的な有用性
について、これより示す。γ_ｔの推定器は、（病巣源および意識喪失を招く二次
伝搬の）複合部分的発作を有する患者のＥＥＧ記録に基づいて、得られた。患者
は、１１才の少女であり、その記録を図１２に示す。図１２に、γ_ｔの推定分散
を示す。４つのアクティブな部位を観察することができる（図では、文字Ａない
しＤで示す）。影響測定の算出により、想定した癲癇病巣間の情報の流れの方向
を示した。見てわかるように、病巣Ａが他の全ての想定した病巣に影響を及ぼし
、他のものはこれに影響を及ぼさなかった。最大の活動の場所、および想定した
危機の一次源（ｐｒｉｍａｒｙ ｏｒｉｇｉｎ）はＡと考えられ、臨床診断と一
致した。

【図面の簡単な説明】

【図１】 個々の構造画像に基づく脳の解剖図解。ａ）ＭＲＩの軸方向スライスであり
、これに輪郭検出手順を適用した。ｂ）検出した皮膚の概要。ｃ）全てのスライ
スにおいて検出された輪郭を用いた、皮膚表面の三角測量（ｔｒｉａｎｇｕｌａ
ｔｉｏｎ）の３Ｄ再生。

【図２】 Ｔａｌａｉｒａｃｈ基準系における放物線構造画像に基づく脳の解剖図解。ａ
）平均画像の軸方向スライス。ｂ）灰白質の出現確率の画像。ｃ）後頭葉の灰白
質の出現の確率の画像。ｄ）離散カラー・スケールによって表わされた灰白質の
異なる構造の区分化。

【図３】 この図は、ＴＰＥＣを得るためのシステムを示す図であり、ＴＰＥＣｃの特定
の実施形態について、汎用性を失うことなく、以下に提示する部分から成る。こ
れらの要素は、次に記載され、その識別のために用いられる文字によって示され
る。ａ）被験者の身体に近接して配置される、複数の外部電界および／または磁
界センサ。ＴＰＥＣｃの場合、前記センサは、患者の頭部に近接して配置される
。ＴＰＥＣｋの場合、前記センサは、患者の胸部に近接して配置される。これら
のセンサは、電子前置増幅器と、前記センサによって取り上げられた信号を記録
し、後のアナログ／ディジタル変換のためにこれらの信号の予備調整を行う増幅
器から成る、増幅サブシステム（ｂ）に接続されている。増幅サブシステムは、
増幅信号を一連の二進数に変換する、アナログ／ディジタル変換サブシステム（
１・ｃ）に接続されている。前記アナログ／ディジタル変換サブシステムは、制
御ユニット（ＣＵ）として動作する汎用ディジタル・コンピュータに接続されて
いる。（ｉ）デジタル化した信号は、ＣＵのメモリに格納され、一方ＣＵは外部
ディジタル記憶サブシステム（ｄ）に結合され、以下の読み取りおよび格納を可
能にする。 ・頭部および胸部それぞれの基準系における脳または心臓の解剖図解。 ・他の生物物理的手順によって得られ、頭部または胸部の基準系において定義
された被験者の脳および心臓の機能画像。 本システムは、センサの位置を検出し、ディジタル形態でこれらセンサの座標
、および被験者の頭部または胸部の外部解剖学的構造の座標を伝送するデバイス
（ｆ）も備えている。これらの座標は前記基準系において定義され、ＣＵ内に格
納されている。加えて、本システムは、ＣＵに接続され、聴覚視覚的刺激、およ
び患者の神経または心臓血管系を刺激する目的のための熱、電気、および磁気パ
ルスを放出する、複数の刺激デバイス（ｇ）を備えている。また、ＣＵには、研
究対象被験者の運動的、生理学的、および言語的反応（被験者の応答）を測定す
る、複数のセンサ・デバイスが接続されている。ＣＵは、（ｉ）研究の実施を制
御するための命令群（プログラム）が常駐するメモリを有する汎用コンピュータ
である。このプログラムによって制御されるＴＰＥＣのためのシステムの活動は
、（被験者の反応を探求する目的で考えられた）既定の設計に応じた刺激デバイ
スの活性化、ＥＥＧ／ＭＥＧ／ＥＫＧ／ＭＫＧの獲得の制御、センサ位置の決定
、ＥＥＧ／ＭＥＧ／ＥＫＧ／ＭＫＧと同じ時間基準系における研究対象被験者の
活動の記録、その他の生物物理学的様式（ｍｏｄａｌｉｔｉｅｓ）から来る機能
画像の獲得、および脳の機能状態の時間的進展の三次元統計的マップを構築する
ための被験者の研究において獲得した全情報のディジタル処理を含む。

【図４】 Ｔａｌａｉｒａｃｈ基準系における確率的脳図解の皮膚上に示すＥＥＧの記録
のための標準的な１０／２０システムの電極。

【図５】 任意形状の表面Ｓに包囲された区分域Ｒ_ｊに対する相互性の原理の図。基本電
圧

【図６】 任意形状の表面Ｓに包囲された区分域に対する相互性の原理の図。ａ）電流Ｉ
_ｅｒによる電気センサ、およびｂ）低周波交流電流Ｉ_ｃ（ω）による付勢の結果
として、アクティブなＰＥＣがない状態で区分域Ｒｊ内部に現れるオー部電流の
密度。

【図７】 等方性個別均質立体的導体（ＩＰＨＣ）の図式表現）。

【図８】 被験者との処理のシーケンス。ＴＰＥＣを終えるための前述のシステムの使用
は、以下の動作から成る。前述のシステムに近接した着座または横臥位置へのお
被験者の配置。ＥＥＧ／ＭＥＧ／ＥＫＧ／ＭＫＧの記録の形態で、脳および心臓
の恣意リ学的活動を表わす電気および磁気信号を検出および記録するためのセン
サ群（電極および磁気センサ）の配置。ＣＵのメモリに格納するための、センサ
の座標および頭部または胸部の外部解剖学的構造の座標の測定のためのデバイス
の使用。ＣＵのメモリに格納されているプログラムによって制御された、被験者
のデータ収集の開始。増幅およびアナログ／ディジタル変換のためのシステム使
用による、被験者の脳または心臓の電気的および／または時期的活動の収集およ
びアナログ／ディジタル変換。このステップは、任意に、前述のデバイスを用い
た刺激の発生、および被験者の応答の獲得を伴うことも可能である。取り込んだ
信号は、ＥＥＧ／ＭＥＧ／ＥＫＧ／ＭＫＧの時系列の形態で格納する。システム
からの被験者の退出。アーチファクトおよび非生理学的周波数成分の除去のため
、被験者から記録した信号の予備処理。 プログラムによって用いられる動作のシーケンス。 観察データの入力（任意に、ｆＭＲＩ，ＰＥＴ，ＳＰＥＣＴのような機能画像
のＥＥＧ／ＥＫＧ；ＭＥＧ／ＭＫＧ）。 センサ位置の入力。 解剖図解の入力。これは、個別のまたは確率的構造画像のいずれでもよい。 センサ位置の、解剖図解の基準系への変換。 解剖図解から得た先験確率の算出。 導電特性の入力。 変更したセンサの位置を用いた、電気および磁気ＬＦの算出。 ＰＥＣ ｊ（ｔ）の算出。 既に予備処理した信号の観察可能な記述パラメータ（ＤＰ）の算出。これらの
ＤＰは、確率プロセスのモデルの十分な統計である。限定するのではないが、特
に、これらの統計のインスタンス（ｉｎｓｔａｎｃｅ）は、次の通りである。 ・時間的不変量として、または代わりに非静止として算出した、平均、分散、
共分散、または高次累積率。 ・時間的不変量として、または代わりに非静止として算出した、記録ＥＥＧ／
ＥＫＧおよびＭＥＧ／ＭＫＧの全チャネルの相互多スペクトル。 ・パラメトリック（線形、二次系）および非パラメトリック双方のＥＥＧ／Ｅ
ＫＧおよびＭＥＧ／ＭＫＧに嵌め込んだ多変量自己回帰関数。 ・ＥＥＧ／ＥＫＧおよびＭＥＧ／ＭＫＧ間の相関測定、相互情報、Ｇｒａｎｇ
ｅｒ因果律。 ・システムまたは被験者の回答によって発せられる刺激に対する前述の種類の
あらゆるパラメータの回帰係数。

【図９】 周波数ドメインにおけるＴＰＥＣの正規変動を記述する式を示す。各サブ・プ
ロットは、代表的な脳格子の点に対して、周波数（ｘ軸）および年齢（ｚ軸）に
関するＰＥＣ（ｚ軸）のスペクトルの対数の回帰表面を示す。

【図１０】 左前頭頂領域に神経膠星状細胞腫が診断された２７才の女の患者から得た、周
波数ドメインにおけるＴＰＥＣｃのＺ画像。比較の目的のため、この患者の他の
画像方式を、ｂ）螺旋ＣＡＴ、ｃ）ＳＰＥＣＴ、およびおよびｅ）Ｔ２ ＭＲＩ
で示す。

【図１１】 ａ）左およびｂ）右中）内側脳動脈の脳血管性災害がある２人の患者の、周波
数領域におけるＴＰＥＣｃの対数のＺ変換の最大強度投影図。

【図１２】 複合部分的発作を有する患者のＥＥＧ記録。この記録は、スパイクおよび波動
活動を示す。

【図１３】 ＰＥＣの主要源を示し、更に、非線形非静止作用の測定によって決定された情
報の流れの方向を示す、図１２の記録の時間ドメインにおけるＴＰＥＣｃ。

───────────────────────────────────────────────────── フロントページの続き (72)発明者 オーベルト バスケズ、フランシスコ エ ドアルド キューバ国 シー、ハバナ、プラザ デ ラ レボリューション、 ベダド、カル １ ナンバー306 エントレ 15 イ 17、 アプト、24 (72)発明者 ビルエス アルバ、トリニダッド キューバ国 シー、ハバナ、ラ ライザ、 レパルト サン アグスチン、 カル 29 ナンバー23810、エントレ 238 イ 240 (72)発明者 モラレス アグイレラ、フランク キューバ国 シー、ハバナ、10 デ オク チュブレ、イー／エンセナダ イ フォメ ント、 カルザダ デ リュヤノ ナンバ ー13 (72)発明者 トルジロ バレット、ネルソン ジーザズ キューバ国 サンクティ スピリトウス、 タグアスコ、ラ ラーナ ナンバー100 (72)発明者 フェンテス モンテロ、マリア エレナ キューバ国 シー、ハバナ、プラザ デ ラ レボリュシオン、 ヌエボ ベダド、 カル 30 ナンバー773、 イー／41 イ クホリイ (72)発明者 ソーラー マッコック、ジョルジュ ミグ エル キューバ国 シー、ハバナ、プラヤ、 ア ベニュー 41 ナンバー3008 イー／30 イ 34 (72)発明者 リエラ ディアズ、ジョルジュ ジャビエ ル キューバ国 ラ ハバナ、 カル 82 ナ ンバー8910 ギュイラ デ メレナ Ｆターム(参考） 4C027 AA02 AA10 BB05 DD01 DD02 DD03 FF01 GG10 GG13 HH11 KK03 KK05 4C096 AB41 AC01 AC04 DC36 DD20

Claims (1)

【特許請求の範囲】
1. 【請求項１】 脳（ＴＰＥＣｃ）および心臓（ＴＰＥＣｋ）の一次電流断層撮影（ＴＰＥＣ）
   システムであって、以下の要素、即ち、 ・被験者身体に近接して配置され、増幅サブシステムに接続された複数の外部
   電界および／磁界センサであって、ＴＰＥＣｃの場合前記被験者の頭蓋骨に近接
   して配置され、ＴＰＥＣｋの場合前記被験者の胸部に近接して配置される、前記
   センサと、 ・前置増幅器と電子増幅器とから成り、前記センサが検出した信号を記録し、
   そのアナログ／ディジタル変換のために前記信号の予備調整を行う増幅サブシス
   テムと、 ・前記増幅信号を二進数ｏ（ｔ）のシーケンスに変換し、該シーケンスを、制
   御ユニット（ＣＵ）として機能する汎用ディジタル・コンピュータのメモリに格
   納するアナログ／ディジタル変換サブシステムであって、前記ＴＰＥＣｃの場合
   、前記電気センサから得た時系列は電気脳撮影図（ＥＥＧ）であり、一方前記Ｔ
   ＰＥＣｋの場合、前記電気センサから得た時系列は心電図（ＥＫＧ）であり、前
   記磁気センサから得た時系列が磁気心臓記録図（ＭＫＧ）である、アナログ／デ
   ィジタル変換サブシステムと、 ・前記ＣＵに結合され、脳または心臓の解剖図解の頭部および胸部それぞれの
   基準系への入力、ならびに、当該図解に記載されている組織に関連する導電性値
   、電気および磁気浸透性の入力を可能にする外部ディジタル記憶サブシステムで
   あって、脳の基準系の特定でかつ排他的でないインスタンスが、″Ｔａｌａｉｒ
   ａｃｈ″国際系である、外部ディジタル記憶サブシステムと、 ・前記ＣＵに結合された外部ディジタル記憶サブシステムであって、前記ＣＵ
   が、機能的磁気共鳴撮像（ｆＭＲＩ）、ポジトロン放出断層撮影（ＰＥＴ）およ
   び単一光子放出断層撮影光子（ＳＰＥＣＴ）のような他の生物物理的手順によっ
   て得られた被験者の脳または心臓の機能的状態の画像の入力を可能とし、前記機
   能画像が、前記頭部または胸部の基準系において定義される、外部ディジタル記
   憶サブシステムと、 ・ディジタル形態で、前記センサの座標および前記被験者の頭部または胸部の
   外部解剖学的構造の座標を伝達する、センサ位置検出デバイスであって、前記座
   標が、前記頭部または胸部の基準系において定義され、前記ＣＵに格納されてい
   る、センサ位置検出デバイスと、 ・前記ＣＵに接続され、聴覚視覚的刺激、および患者の神経または心臓血管系
   を刺激する目的のための熱、電気、および磁気パルスを放出する、複数の刺激デ
   バイスと、 ・研究対象被験者の運動的、生理学的、および言語的反応（被験者の応答）を
   測定する、複数のセンサ・デバイスと、 ・前記研究の実施を制御するための命令群（プログラム）が常駐するメモリを
   有するＣＵであって、該プログラム動作領域が、既定の設計に応じた前記刺激デ
   バイスの活性化、前記ＥＥＧ／ＭＥＧ／ＥＫＧ／ＭＫＧの獲得の制御、前記セン
   サ位置の決定、研究対象被験者の活動の記録、その他の生物物理学的様式から来
   る機能画像の獲得、および脳の機能状態の時間的進展の三次元統計的マップを構
   築するための被験者の研究において獲得した全情報のディジタル処理を含む、Ｃ
   Ｕと、 から成ることを特徴とする一次電流断層撮影システム。