JP2003290179A - 感覚感性評価システム - Google Patents

Abstract

(57)【要約】 【課題】 味嗅覚素材が保有している物質的属性と、食
に関する人の心理的要因との関連性を明らかにし、食に
対する感性（食嗜好）を数量化するに適した感覚感性評
価システムを提供する。 【解決手段】 味嗅覚素材が有する物質的属性データ
と、上記味嗅覚素材を味わう被験者から得られる生体情
報データとを並列に入力し、その出力を食嗜好データと
する階層型ニューラルネットワークを備え、食嗜好デー
タを教師データとして前記階層型ニューラルネットワー
クをバックプロパゲーション法により学習する（学習手
段）。そして学習済みの階層型ニューラルネットワーク
を用いて前記食嗜好データに関与する前記物質的属性デ
ータおよび／または生体情報データの主因子を求める
（感覚感性評価手段）。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、味嗅覚素材に対す
る食嗜好（感性）を客観的に評価し、例えば食品産業分
野における新製品の開発等に活用するに好適な感覚感性
評価システムに関する。

【０００２】

【関連する背景技術】味嗅覚素材に対する人の嗜好を自
然科学的手法を用いて計測し、再現性および客観性に優
れた数量化された情報として求めることができれば、食
品産業分野における新製品の開発やプロダクトマネージ
メント、更にはマーケティング戦略等に大きく活用し得
ると考えられる。しかし人の五感（視覚、聴覚、味覚、
嗅覚、触覚）に委ねられる感性（食嗜好）を客観的なデ
ータとして数量化することは非常に困難である。

【０００３】ちなみに従来においては、例えば特開平１
−１２４８８９号公報に示されるように、食品や香粧品
に対する人の反応（心理状態）を色によって表現する等
の官能評価の手法を導入して把握することが種々試みら
れている。しかしその官能検査結果を利用する場合に
は、再度、人の主観的判断を必要とするので再現性や客
観性の点で問題がある。

【０００４】

【発明が解決しようとする課題】ところで「日本味と匂
学会誌」Vol.8 No.2 pp.153-159には［おいしさを探る
感性工学（相良泰行）］として、食品が保有する物質的
属性を理工学的手法を用いて計測することが提唱されて
いる。しかしながら食品等の味嗅覚素材が保有している
物質的属性を、味覚センサや嗅覚センサ等を用いた理工
学的手法により計測しても、その味嗅覚素材を味わう人
の感性をまでを評価することができないと言う問題があ
る。

【０００５】一方、大脳生理学の分野においては、人の
五感（視覚、聴覚、味覚、嗅覚、触覚）に対する脳の働
きを解明することが種々試みられている。例えば特開平
１０−２６２９４２号公報等には、視覚や聴覚等の刺激
を受けているときや心理的負荷が大きい作業中における
作業者の脳波を計測して、人の感情や気分、満足度等を
評価することが開示されている。しかし一般的に視覚や
聴覚が及ぼす刺激に比較して、味嗅覚素材が及ぼす感覚
刺激が心理的要因に与える影響は少なく、脳波の応答や
変動に与える影響も少ない。これ故、味嗅覚素材に対す
る感性を脳波から評価するには工夫を要する。

【０００６】本発明はこのような事情を考慮したもの
で、その目的は、味嗅覚素材に対する食嗜好（感性）を
客観的に評価することができ、その評価結果を、例えば
食品産業分野における新製品の開発等に活用するに好適
な感覚感性評価システムを提供することにある。即ち、
本発明は、味嗅覚素材が保有している物質的属性と、食
に関する人の心理的要因との関連性を明らかにし、食に
対する感性（食嗜好）を数量化するに適した感覚感性評
価システムを提供することを目的としている。

【０００７】

【課題を解決するための手段】上述した目的を達成する
べく本発明に係る感覚感性評価システムは、味嗅覚素材
が有する物質的属性データと、上記味嗅覚素材を味わう
被験者から得られる生体情報データとを並列に入力し、
その出力を食嗜好データとする階層型ニューラルネット
ワークを用いるものであって、上記食嗜好データを教師
データとして前記階層型ニューラルネットワークをバッ
クプロパゲーション法により学習し（学習手段）、学習
済みの階層型ニューラルネットワークを用いて前記食嗜
好データに関与する前記物質的属性データおよび／また
は生体情報データの主因子を求める（感覚感性評価手
段）ことを特徴としている。

【０００８】ちなみに前記味嗅覚素材が有する物質的属
性データは、例えば味嗅覚素材を機器分析して求められ
る、或いはセンサを介して検出された成分量、物理化学
定数、および物理量の少なくとも１つの要素（因子）か
らなる。また前記生体情報データは、例えば脳波信号、
脳波のパワースペクトル、脳波検出用電極間における脳
波の相互相関係数、特定電極位置の脳波の自己相関係
数、ダイポール位置およびモーメントの推定値やカオス
解析の特性値の少なくとも１つの要素（因子）からな
る。

【０００９】また前記食嗜好データは、味嗅覚素材に対
する好嫌度、覚醒／鎮静感、欲求度、気分、リラックス
度、怒り度、および悲しみ度等として表現される少なく
とも１つ要素（属性）として与えられる。尚、前記味嗅
覚素材が有する物質的属性データとして、官能評価用語
により表現された味嗅覚素材に対する評価値、および／
または味嗅覚素材の製造・生産ブランド名、製造・生産
時期、価格、販売／宣伝等の情報データを用いるように
しても良い。

【００１０】また前記階層型ニューラルネットワークの
学習は、階層型ニューラルネットワークに並列に入力さ
れる物質的属性データおよび生体情報データの各要素か
ら、その出力として前記食嗜好データを得る上での上記
物質的属性データおよび生体情報データの各要素に対す
る係数および／またはバイアスをバックプロパゲーショ
ン法によりそれぞれ求め、出力データに対する入力デー
タの寄与度を明らかにすることにより行われる。そして
前記物質的属性データおよび生体情報データの各要素に
対してそれぞれ決定される係数および／またはバイアス
を、上記階層型ニューラルネットワークの特性を決定付
けたネットワークモデル（学習済み階層型ニューラルネ
ットワーク）として求めることによりなされる。

【００１１】そして前記感覚感性評価手段は、具体的に
は学習済みの階層型ニューラルネットワークにおいて前
記生体情報データおよび／または前記味嗅覚素材の物質
的属性データを変化させて食嗜好データとしての出力値
を変化させ、その食嗜好データを示す出力値を最大化ま
たは最小化する前記生体情報データおよび／または前記
味嗅覚素材の物質的属性データの要素（因子）を求める
手段を備える。

【００１２】その上で前記感覚感性評価手段は、請求項
６に記載するように前記出力値およびその平均或いは標
準偏差を最大化または最小化する主因子となる前記生体
情報データの要素を分析し、分析された生体情報データ
の要素を用いて前記食嗜好データの複数の属性間の距離
（係わりの程度）を推定することを特徴とする。或いは
請求項７に記載するように前記出力値およびその平均或
いは標準偏差を最大化または最小化する主因子となる前
記物質的属性データの要素を分析することを特徴とす
る。

【００１３】更には請求項８に記載するように前記出力
値およびその平均、或いは標準偏差を最大化または最小
化する主因子となる前記生体情報データの要素および物
質的属性データの要素をそれぞれ分析し、分析された主
因子を用いて得られる食嗜好データの影響度がない点ま
たは面からの距離が大きい食嗜好データに対する前記味
嗅覚素材の物質的属性データ（潜在的な物質的属性）を
求めることを特徴とする。

【００１４】

【発明の実施の形態】以下、図面を参照して本発明の一
実施形態に係る感覚感性評価システムについて説明す
る。この感覚感性評価システムは、図１に示すように味
嗅覚素材が有する物質的属性データＸ1,Ｘ2,〜Ｘiと、
上記味嗅覚素材を味わう被験者から得られる生体情報デ
ータＹ1,〜Ｙjとを並列に入力し、その出力として食嗜
好データＱkを得る階層型ニューラルネットワークＮＮ
を用いて構築される。上記味嗅覚素材が有する物質的属
性データＸ1,Ｘ2,〜Ｘiは、例えば味嗅覚素材を機器分
析して、或いはセンサを介して検出された成分量や物理
化学定数、および物理量を示す１つまたは複数の要素
（因子）からなる。また前記生体情報データＹ1,〜Ｙj
は、上記味覚素材を味わう人（被験者）の、例えば脳波
信号、脳波のパワースペクトル、脳波検出用電極間の脳
波の相互相関係数、特定電極位置の脳波の自己相関係
数、ダイポール位置およびモーメントの推定値やカオス
解析の特性値として求められる１つまたは複数の要素
（因子）からなる。

【００１５】尚、ここでは被験者の生体情報データとし
て、その脳波に着目して感性評価を行うものとするが、
被験者の体温や心拍数、血圧、発汗作用、眼球運動、呼
吸等に着目して、その生体情報データを得ることも勿論
可能である。またこれらの生体情報データを適宜組み合
わせて、階層型ニューラルネットワークＮＮの入力デー
タとすることも勿論可能である。

【００１６】尚、前記味嗅覚素材が有する物質的属性デ
ータＸ1,Ｘ2,〜Ｘiを、所定の官能評価法により求めら
れる人の感覚を官能評価用語を用いて表現した味覚素材
に対する評価値とした与えるようにしても良い。或いは
味嗅覚素材の製造・生産ブランド名、製造・生産時期、
価格、販売／宣伝等の情報データを前記物質的属性デー
タＸ1,Ｘ2,〜Ｘiとして与えるようにしても良い。

【００１７】これに対して前記食嗜好データＱkは、味
嗅覚素材に対する好嫌度、覚醒／鎮静感、欲求度、気
分、リラックス度、怒り度、および悲しみ度等として表
現される１つまたは複数の要素（属性）として与えられ
る。これらの食嗜好データの各要素の評価値について
は、例えば上記好嫌度を「好き」「嫌い」として２値的
に表現したものであっても良く、或いは「大好き」「好
き」「少しすき」「どちらでもない」「少し嫌い」「嫌
い」「大嫌い」等として多段階に表現したものであって
も良い。

【００１８】ちなみに上記食嗜好データＱkについて
は、例えば図２に示すような質問を設定したアンケート
調査により、味嗅覚素材を味わったときの感情を「イラ
イラしている感じ」「リラックスしている感じ」「頭が
シャッキリしている感じ」「頭がぼんやりしている感
じ」「ウキウキしている感じ」「ゆううつな感じ」「気
分の良い感じ」等として収集するようにすれば良い。

【００１９】しかして前記階層型ニューラルネットワー
クＮＮは、人（被験者）の食に対する感性を示す上述し
た食嗜好データＱkを得るに際しての、前記味嗅覚素材
が有する物質的属性データＸ1,Ｘ2,〜Ｘiと生体情報デ
ータＹ1,〜Ｙjとの相互の関連性を明らかにし、その指
標を定量的に捉える為の役割を担う。具体的には階層型
ニューラルネットワークＮＮは、人（被験者）の食に対
する感性を定量的に捉えるに際して、前記味嗅覚素材が
保有している物質的属性を計測・解析することに加え
て、人（被験者）の生体情報からその心理的効果を定量
的に捉える為に用いられる。

【００２０】この階層型ニューラルネットワークＮＮを
用いた感覚感性、例えば味嗅覚感性の評価は、概略的に
は先ず前述した食嗜好データＱkを教師データとして、
その入力として並列に与えられる前記味嗅覚素材が有す
る物質的属性データＸ1,Ｘ2,〜Ｘiと前記生体情報デー
タＹ1,〜Ｙjに対する前記階層型ニューラルネットワー
クＮＮの係数ｗやバイアスをバックプロパゲーション法
により学習し、食嗜好データＱkと、物質的属性データ
Ｘ1,Ｘ2,〜Ｘiおよび前記生体情報データＹ1,〜Ｙjとを
関連付ける上記係数ｗやバイアスを求めることにより実
行される（学習手段）。

【００２１】そして学習済みの階層型ニューラルネット
ワークＮＮから、前記物質的属性データＸ1,Ｘ2,〜Ｘi
および前記生体情報データＹ1,〜Ｙj（入力項）と食嗜
好データＱk（出力項）との相関分析を行うことで、食
嗜好に対する味覚素材の物質的属性および生体情報の寄
与度をそれぞれ明らかにする。尚、寄与度を把握するに
際しては、学習済みの上記階層型ニューラルネットワー
クＮＮにおける各係数ｗの荷重積和を用いるようにして
も良い。

【００２２】このような階層型ニューラルネットワーク
ＮＮの学習結果を評価することで、概略的には味嗅覚素
材に対する人（被験者）の食嗜好が、例えば味嗅覚素材
の物質的属性に依存しているのか、或いは人の心理的効
果に依存しているのかを判断することが可能となる。特
に食嗜好が、専ら、人の心理的効果に依存しているよう
な場合には、例えば入力項として扱わなかった味嗅覚素
材の物質的属性が、人の心理効果を通して嗜好に結びつ
いている可能性があることを見出すことができる。この
場合、求められた生体情報データを活用することによ
り、味嗅覚素材の潜在的な物質的属性ニーズを抽出する
ことが可能となる。

【００２３】また特定の味嗅覚素材に関する物質的属性
を予め入力しておき、複数の人（被験者）からそれぞれ
その生体情報（例えば脳波）と共に食嗜好アンケートデ
ータを収集すれば、上記味嗅覚素材の食嗜好に関する人
（被験者）の心理状態を反映した正確なマーケットリサ
ーチが可能となる。特に味嗅覚素材に対する複数の被験
者の心理状態の影響度を複数種類のタイプに分割（セグ
メンテーション）することで、食嗜好の形成モデリング
やマーケット動向の推定を行うこと等が可能となる。

【００２４】ここで上述した階層型ニューラルネットワ
ークＮＮを用いて実行される感覚（味嗅覚）感性評価の
処理手順について説明する。この感覚（味嗅覚）感性評
価処理は、先ず評価対象とする味嗅覚素材（食料，飲
料，香料，たばこ等）の物質的属性データを、該味嗅覚
素材の機器分析やセンサを用いて計測される成分量・物
理化学的定数・物理量として、或いは素材情報データと
して取得する［ステップＳ１］。そして上記味嗅覚素材
が人（被験者）に対して与える感覚刺激（味嗅覚刺激）
の提示パターンを設定する［ステップＳ２］。尚、人
（被験者）に提示する感覚刺激に、味覚素材の外観やテ
クスチュア、温度、音等の要素を含めても良いことは言
うまでもない。

【００２５】このような準備段階を経た後、複数の被験
者に対して上記味嗅覚素材の感覚（味嗅覚）刺激テスト
を実行する［ステップＳ３］。この感覚（味嗅覚）刺激
テストは、そのテストに供した味嗅覚素材の物質的属性
データや、該味嗅覚素材に対する官能評価値を取得する
と共に［ステップＳ３ａ］、上記味嗅覚素材を味わった
被験者毎に、その生体情報データを脳波のパワースペク
トルや脳波検出用電極間の脳波の相互相関係数、および
特定電極位置の脳波の自己相関係数、ダイポール位置お
よびモーメントの推定値やカオス解析の特性値等として
取得し［ステップＳ３ｂ］、更に前記味嗅覚素材を味わ
った被験者の感性としての食嗜好データをそれぞれ取得
することにより行われる［ステップＳ３ｃ］。

【００２６】しかる後、上述した如く取得した味嗅覚素
材の物質的属性データと生体情報データとを前記階層型
ニューラルネットワークＮＮに対して並列に与える入力
とし、一方、前記食嗜好データを前記階層型ニューラル
ネットワークＮＮの出力として該階層型ニューラルネッ
トワークＮＮをバックプロパゲーション法により学習
し、上述した入力項と出力項とを関連付ける。そしてこ
の学習を通してニューラルネットワークＮＮの各入力項
に対する係数（重み）ｗとバイアスとを求める［ステッ
プＳ４］。

【００２７】次いで学習済みの階層型ニューラルネット
ワークＮＮを、前記味嗅覚素材の物質的属性データに着
目した物質的属性モデルと、生体情報データに着目した
生体情報モデルとに分離する［ステップＳ５］。この物
質的属性モデルと生体情報モデルとの分離は、学習済み
の階層型ニューラルネットワークＮＮにおいて前記味嗅
覚素材の物質的属性データまたは前記生体情報データの
一方を、例えばそのデータ（入力項）の平均値として固
定的に与えることによりなされる。この結果、階層型ニ
ューラルネットワークＮＮにおける入力項と出力項との
結び付きを、物質的属性データの変数に基づくモデル
と、生体情報データの変数に基づくモデルとに分離する
ことが可能となる。

【００２８】しかる後、上記生体情報モデルを用いて前
記食嗜好データに大きく関与する前記生体情報データの
主因子を求める［ステップＳ６］。即ち、前述した脳波
のパワースペクトル、脳波検出用電極間の脳波の相互相
関係数、特定電極位置の脳波の自己相関係数、ダイポー
ル位置およびモーメントの推定値やカオス解析の特性値
のうち、どの要素が食嗜好データに大きく関与するかを
求める。そして求められた生体情報データの主因子に従
って、後述するように食嗜好データの複数の属性感の距
離（関わりの程度）を推定する［ステップＳ７］。更に
上記生体情報データの主因子に従って消費者セグメント
を抽出する［ステップＳ８］。

【００２９】具体的には、例えば図４に示すように前記
学習済みの階層型ニューラルネットワークＮＮにおいて
脳波信号に関わる係数やバイアスを用い、生体情報デー
タである前述した脳波のパワースペクトル値、脳波検出
用電極間における脳波の相互相関係数、特定電極位置で
の脳波の自己相関係数、ダイポール位置およびモーメン
トの推定値やカオス解析の特性値をそれぞれ変化させた
とき、その出力（食嗜好データ）およびその平均或いは
標準偏差を最大化または最小化する要素を判定する［ス
テップ６］。即ち、階層型ニューラルネットワークＮＮ
の出力値が［０］〜［１］の範囲の値を取るとき、その
出力値を［０］または［１］に最も近付ける（開差が最
小）ときの生体情報データの要素が、上述した脳波のパ
ワースペクトル値、脳波検出用電極間における脳波の相
互相関係数、特定電極位置での脳波の自己相関係数、ダ
イポール位置およびモーメントの推定値やカオス解析の
特性値の中のどれであるかを調べる。或いは入力値の変
動に対する出力値の変動が大きい要素を調べることによ
りなされる。そしてこの判定により求められた生体情報
データの要素を前記食嗜好データに最も大きく関与する
主因子であると判定する。

【００３０】より具体的には、学習済みの生体情報モデ
ルと物質属性モデルのそれぞれにおいて、検討する入力
項に対してそのデータを入力範囲の最大値から最小値ま
での変数として与え、各変数に対する出力値を階層型ニ
ューラルネットワークＮＮにおいて再計算する。この
際、他の入力項については、そのデータを固定値として
取り扱う。この処理を全ての入力項について順次繰り返
し実行し、出力値が最大化または最小化する入力項を見
出すようにすれば良い。

【００３１】しかる後、判定された上記生体情報データ
の因子の主成分を分析する［ステップＳ７ａ］。そして
分析された主成分を用いて、例えば好嫌度，覚醒／鎮静
度の要素を含む３種類以上の食嗜好データの属性（要
素）間の距離（関わりの程度）を推定する［ステップＳ
７ｂ］。具体的には上記主成分だけに着目したときの前
記食嗜好データの各属性に対する出力値をそれぞれ求め
ることで、これらの属性間の距離を求める。

【００３２】即ち、上述した生体情報モデルにおいて前
述した如く各入力項に変数を与えることによって計算さ
れた食嗜好データに対する出力値を相互に比較すること
で、生体情報データの主因子を分析する。そしてこの分
析結果に従って、食嗜好データに対する関与の度合いを
示す主成分負荷量のマップを、例えば図５(ａ)(ｂ)に示
すように作成すれば、生体情報データの各要素の該マッ
プにおける原点からの距離と、食嗜好属性間の距離との
関係を推定することが可能となる。

【００３３】ちなみに上記主成分負荷量のマップは、味
嗅覚素材が有する基本味（甘味、苦味、塩味、酸味、う
まみ）を提示し、その食嗜好を前述した図２に示すアン
ケートを用いて評価したときのものである。そして求め
られた食嗜好の評価値の主成分を生体情報データを変数
として分析し、その第１成分および第２成分の食嗜好属
性に対する主成分負荷量を、また第３成分および第４成
分の食嗜好属性に対する主成分負荷量をそれぞれプロッ
トしたものである。

【００３４】尚、このマップにおいては、各軸に近い因
子ほど、その軸が持つ意味（主成分）を強く表している
ことを示している。またその寄与率は原点からの距離が
遠くなる程、大きくなることを示している。即ち、上述
した統計解析に用いたデータの変数は前述した生体情報
データだけであるので、上記マップの原点からの距離が
大きい程、その生体情報データ（要素）の食嗜好に対す
る寄与度が大きいことになる。換言すれば、上記距離は
人（被験者）の心理状態が変化した場合の距離に相当す
る。

【００３５】また上述したマップを用いれば、複数の食
嗜好属性間の距離を算出することができる。更には後述
するように食嗜好属性間の距離が、上記マップの原点か
ら遠い食嗜好属性の項目に着目し、前述した物質属性モ
デルを用いてその項目に対する入力項の主成分を分析す
れば、つまり物質属性データの入力項を変数として扱っ
て食嗜好に大きく関与する主因子を求めれば、これによ
って潜在的な物質属性ニーズを探索することが可能とな
る。

【００３６】更には上述した如く求められる食嗜好に関
与する生体情報データの因子が、複数の被験者によって
どのように変化するかを調べることで、被験者によって
異なる食嗜好の因子を、被験者（消費者）毎の食嗜好傾
向を示す消費者セグメントとしてそれぞれ抽出する［ス
テップＳ８］。このようにして抽出される消費者セグメ
ント（因子）を用いることで、味嗅覚素材に対する複数
の被験者の心理状態の影響度を複数種類のタイプに分割
（セグメンテーション）することが可能となる。つまり
消費者の心理状態を反映した食嗜好の傾向を示す消費者
セグメンテーションを行うことが可能となる。

【００３７】一方、前述したように学習済みの階層型ニ
ューラルネットワークＮＮを、前記味嗅覚素材の物質的
属性データに着目した物質的属性モデルと、生体情報デ
ータに着目した生体情報モデルとに分離したならば［ス
テップＳ５］、分離した物質的属性モデルを用いて前記
食嗜好データに大きく関与する前記物質的属性データの
主因子を求める［ステップＳ９］。即ち、前述した味嗅
覚素材の成分量や物理化学的定数、物理量、更には官能
評価言語のうち、どの要素が食嗜好データに大きく関与
するかを求める。そして求められた物質的属性データの
主因子に従って、前述したように食嗜好に影響を及ぼす
味嗅覚素材の主因子を抽出する［ステップＳ１０］。

【００３８】この際、味嗅覚素材の物質的属性データと
して、前述した味嗅覚素材の製造・生産ブランド名、製
造・生産時期、価格、販売／宣伝等の情報データを用い
れば、これらの情報データが上記味嗅覚素材に対する食
嗜好に関してどの程度関与するかを評価することができ
る。そしてこの評価結果に基づいてそのブランド価値を
容易に定量化することが可能となる。

【００３９】更に前述した如く求められた生体情報デー
タについての主因子と、味嗅覚素材の物質的属性データ
についての主因子とに着目すれば、味嗅覚素材に対する
潜在的な物質的属性ニーズを抽出することも可能であ
る。この場合には、例えば前述したステップＳ７におい
て求められる食嗜好データの複数の要素間の距離に従
い、主因子を用いて得られる食嗜好データの影響度がな
い点または面を原点（評価基準）として定める。そして
この原点から距離の大きい食嗜好属性に対して、前述し
たステップＳ９によりそれぞれ求められる物質的属性デ
ータの要素を、被験者（消費者）が求めている潜在的な
物質属性として抽出するようにすれば良い［ステップＳ
１１］。

【００４０】かくして上述した如くして味嗅覚素材の物
質的属性データと、味嗅覚素材を味わった被験者の生体
情報データとを並列に入力する階層型ニューラルネット
ワークＮＮの出力に、食嗜好データを教師データとして
与えて該階層型ニューラルネットワークＮＮを学習し、
その学習結果に基づいて上記階層型ニューラルネットワ
ークＮＮを用いて味嗅覚素材に対する食嗜好に大きな影
響を及ぼす因子を抽出する感覚感性評価システムによれ
ば、味嗅覚素材が有する物質的属性と食に関する人の心
理学的要因との関連性を定量的に明らかにすることがで
きる。従って食嗜好に大きく関与する物質的属性や心理
的効果を示す指標を、それぞれ効果的に数量化すること
が可能となる。

【００４１】また上述したように定量化（数量化）して
求められる情報は、再現性および客観性に優れた食嗜好
に関与するものであるから、例えば食品産業分野におけ
る新製品の開発やプロダクトマネージメント、更にはマ
ーケティング戦略等を企画・立案する上での基礎データ
や潜在的消費者ニーズとして有効に活用することができ
る等の効果が奏せられる。

【００４２】尚、味嗅覚素材に対する食嗜好データを得
るに際しては、例えば図６に示すように、予め苦味成分
を含有した味嗅覚素材を味嗅覚刺激として被験者に提示
し［ステップＳ２１］、被験者の心理状態を一旦、不快
状態に導いた後、評価対象とする味嗅覚素材を被験者に
提示する［ステップＳ２１］ことが好ましい。このよう
な手法を採用すれば、被験者に先入観を与えることなく
不快状態を基準として味嗅覚素材に対する食嗜好データ
を得ることができるので、被験者の気分に左右されるこ
との少ない食嗜好データを得ることが可能となる。

【００４３】尚、本発明は上述した実施形態に限定され
るものではなく、例えば評価対象とする味嗅覚素材に応
じて、階層型ニューラルネットワークに入力する味嗅覚
素材の物質的属性の種別を設定すれば良い。また階層型
ニューラルネットワークに入力する生体情報についても
脳波のパワースペクトルのみならず、脳波に含まれる種
々の成分をそれぞれ抽出し、これらの成分を選択的に用
いるようにしても良い。また前述したように脳波に代え
て、体温や心拍数、血圧、発汗作用等を生体情報データ
として用いても良いことは言うまでもない。

【００４４】更には味嗅覚素材毎に学習した階層型ニュ
ーラルネットワークの係数やバイアスそのものを、その
味嗅覚素材の食嗜好を評価する情報として抽出し、複数
の味嗅覚素材間に亘る食嗜好の共通性を探ることも可能
である。その他、本発明はその要旨を逸脱しない範囲で
種々変形して実施することができる。

【００４５】

【発明の効果】以上説明したように本発明によれば、階
層型ニューラルネットワークの入力として、味嗅覚素材
の物質的素材データと、味嗅覚素材を味わった被験者の
生体情報データとを並列に与え、その感性としての食嗜
好データを出力として上記階層型ニューラルネットワー
クを学習する。そしてその学習結果に基づいて食嗜好属
性間の関連性を求める共に、食嗜好データに大きく関与
する味嗅覚素材の物質的素材データの要素を求めるの
で、味嗅覚素材が及ぼす心理的な食嗜好（感性）を客観
的に評価することができる。つまり味嗅覚素材が保有し
ている物質的属性と、食に関する人の心理的要因との関
連性を明らかにすることができる。

【００４６】従ってその評価結果を、例えば食品産業分
野における新製品の開発等に活用することができる等の
実用上多大なる効果が奏せられる。

【図面の簡単な説明】

【図１】本発明に係る感覚感性評価システムにおいて用
いられる階層型ニューラルネットワークの例を示す図。

【図２】食嗜好データを収集する為のアンケートの質問
項目の例を示す図。

【図３】本発明の一実施形態に係る感覚感性評価システ
ムにおける感覚感性評価処理の概略的な流れを示す図。

【図４】生体情報モデルを用いた生体情報の主因子の抽
出処理の例を示す図。

【図５】分析した主成分負荷量の食嗜好データに対する
関与の度合いを表すマップの例を示す図。

【図６】食嗜好データを収集する際の処理手順を示す
図。

【符号の説明】

ＮＮ 階層型ニューラルネットワーク Ｘ1,Ｘ2,〜Ｘi 味嗅覚素材が有する物質的属性データ Ｙ1,〜Ｙj 生体情報データ Ｑk 食嗜好データ

Claims (8)

【特許請求の範囲】
1. 【請求項１】 味嗅覚素材が有する物質的属性データ
   と、上記味嗅覚素材を味わう被験者から得られる生体情
   報データとを並列に入力し、その出力を食嗜好データと
   する階層型ニューラルネットワークと、 上記食嗜好データを教師データとして前記階層型ニュー
   ラルネットワークをバックプロパゲーション法により学
   習する学習手段と、 学習済みの上記階層型ニューラルネットワークを用いて
   前記食嗜好データに関与する前記物質的属性データおよ
   び／または生体情報データの主因子を求める感覚感性評
   価手段とを具備したことを特徴とする感覚感性評価シス
   テム。
2. 【請求項２】 前記味嗅覚素材が有する物質的属性デー
   タは、該味嗅覚素材を機器分析して求められる、或いは
   センサを介して検出された成分量、物理化学定数、およ
   び物理量の少なくとも１つであって、 前記生体情報データは、脳波信号、脳波のパワースペク
   トル、脳波検出用電極間の脳波の相互相関係数、特定電
   極位置の脳波の自己相関係数、ダイポール位置およびモ
   ーメントの推定値やカオス解析の特性値の少なくとも１
   つからなり、 前記食嗜好データは、前記味覚素材に対する好嫌度、覚
   醒／鎮静感、欲求度、気分、リラックス感、怒り度、お
   よび悲しみ度の少なくとも１つからなる請求項１に記載
   の感覚感性評価システム。
3. 【請求項３】 前記味嗅覚素材が有する物質的属性デー
   タとして、官能評価用語により表現された前記味嗅覚素
   材に対する評価値、および／または前記味嗅覚素材の製
   造・生産ブランド名、製造・生産時期、価格、販売／宣
   伝等の情報データを用いることを特徴とする請求項１に
   記載の感覚感性評価システム。
4. 【請求項４】 前記学習手段は、前記階層型ニューラル
   ネットワークの出力として前記食嗜好データを得る際
   の、前記階層型ニューラルネットワークに並列に入力さ
   れる前記物質的属性データおよび生体情報データの各要
   素に対する係数および／またはバイアスをそれぞれ求め
   るものである請求項１に記載の感覚感性評価システム。
5. 【請求項５】 前記感覚感性評価手段は、前記学習済み
   の階層型ニューラルネットワークにおいて前記食嗜好デ
   ータを示す出力値およびその平均或いは標準偏差を最大
   化または最小化する前記生体情報データおよび／または
   前記味嗅覚素材の物質的属性データを求める手段を備え
   てなる請求項１に記載の感覚感性評価システム。
6. 【請求項６】 前記感覚感性評価手段は、更に前記出力
   値およびその平均或いは標準偏差を最大化または最小化
   する主因子となる前記生体情報データの要素を分析し、
   分析された生体情報データの要素を用いて前記食嗜好デ
   ータの複数の属性間の距離を推定する手段を備えてなる
   請求項５に記載の感覚感性評価システム。
7. 【請求項７】 前記感覚感性評価手段は、更に前記出力
   値およびその平均、或いは標準偏差を最大化または最小
   化する主因子となる前記物質的属性データの要素を分析
   する手段を備えることを特徴とする請求項５に記載の感
   覚感性評価システム。
8. 【請求項８】 前記感覚感性評価手段は、更に前記出力
   値およびその平均、或いは標準偏差を最大化または最小
   化する主因子となる前記生体情報データの要素および物
   質的属性データの要素をそれぞれ分析し、分析された主
   因子を用いて得られる食嗜好データの影響度がない点ま
   たは面からの距離が大きい食嗜好データに対する前記味
   嗅覚素材の物質的属性データを求める手段を備えてなる
   請求項５に記載の感覚感性評価システム。