JP2009201653A - 知的活動評価システム、並びにその学習方法及びラベル付与方法 - Google Patents

Abstract

【課題】知的活動を瞳孔径でもって判別する場合の外乱影響を受けずに、個人適合学習を実現し、その学習結果を反映させた知的活動評価を実現することができるようにする。
【解決手段】測定部１１で、人間の知的活動の変化と相関が大きい瞳孔径を基に、瞳孔径計測の外乱要因である周辺環境（観測指標）や他の生理指標（心拍、血流等）を同時に計測する。観測された瞳孔径を補正部１２で補正して、前処理部１３で前処理を行って、ラベル化部１４でラベル化する。選択部１５で、主指標を最も推定可能な指標を要指標として選択し、ラベルと知的活動の要指標とで、標本の構成して学習部１６で判別ルールを学習し、記憶部１８に保存する。
【選択図】図１

Description

本発明は、生理指標を観測し機械学習することで知的活動の評価を行うのに用いて好適な知的活動評価システム並びにその学習方法及びラベル付与方法に関する。

知的活動とは、興味、感情あるいは印象等の人間の心理的な活動（以下、心理的活動）や、認知、記憶あるいは追想等の人間の情報処理活動などを差す。

人間の瞳孔はカメラで検出することができる。ここで瞳孔径とは測定された瞳孔を円とみなした場合の半径ないし直径又は瞳孔を楕円とみなした場合の長軸ないし短軸を差す。

人間の生理反応は、脳波、心拍変動、血圧、血流、発汗、皮膚電気反応、呼吸、血中酸素飽和度、顔面温度、又は唾液分泌成分等として数値化できる。この数値化された値を総じて生理指標と呼ぶ。

人間の行動は、声の調子、非言語表現（溜息等）、視線停留時間、表情変化、又は歩行パターン等として数値化できる。この数値化された値を総じて観測指標と呼ぶ。

生理指標、観測指標を算出する測定器は小型で携帯することができるものもある。

人間の瞳孔径は、（ａ）当該人の知的活動の変化、（ｂ）知的活動の他に当該人の周囲の照度、（ｃ）当該人が焦点を合わせている距離、又は（ｄ）当該人が視認している物の輝度の影響を受けることが知られており、（ｂ）〜（ｄ）の変化がない場合において、瞳孔径をもって人間の知的活動の評価を行うことができる。（ｂ）〜（ｄ）が変化した場合であっても、（ｂ）〜（ｄ）の物理量を値として得た場合、その値に応じて補正された当該人の瞳孔径をもって当該人の知的活動の評価ができる。

人間の頭部にカメラ等のデバイスを装着する、又はカメラ等のデバイスの撮影範囲内で当読人が常に当該デバイスを視界の中に置いておき撮影映像を解析することで、当該人の視線が視界内のどこを見ているか知ることができる。

人間の知的活動は、瞳孔径の他に生理指標又は観測指標の変化に現われることが知られている。

指標とラベルの組である標本を機械的に学習器へ入力することで、指標とラベルの関係を自動分類するルールを自動学習することができる場合がある。このルールを判別ルールと呼ぶ。無関係な指標とラベルの組で標本を構成した場合はこの限りではなく、入力する標本を増やしてもルールが定まらない場合がある。

図５は非常に単純な学習器の例を示す。ここでは、指標Ｘの大小と相関のあるラベルＬについて、指標のみからラベルを決定するための判別ルールを学習している。このように標本の特性と合致した学習器を用いることで、ラベルの変化する境界を自動的に検出できる。

図５において、標本群の番号をｎ、番号ｎの指標をＸ（ｎ）、番号ｎのラベルをＬ（ｎ）とする。指標上限をｒ_ｕ、指標下限をｒ_ｌとする。

学習器Ｍは、最大の指標がＸ（ｍ）のとき、ｎ_ｍａｘ＝ｍとし、ｒ_ｕ＝∞とし（ステップＳＴ１）、Ｘ（ｎ_ｍａｘ）≧Ｘ（ｉ）なる最大の指標がＸ（ｊ）のとき、ｉ_ｍａｘ＝ｊとする（ステップＳＴ２）。そして、ラベルＬ（ｎ_ｍａｘ）≠Ｌ（ｉ_ｍａｘ）、かつ、Ｌ（ｎ_ｍａｘ）が出力リストに未保存か否かを判定する（ステップＳＴ３）。

ステップＳＴ３で、ラベルＬ（Ｌ_ｍａｘ）≠Ｌ（ｉ_ｍａｘ）、かつ、Ｌ（ｎ_ｍａｘ）が出力リストに未保存なら、学習器Ｍは、組＜Ｌ（ｎ_ｍａｘ）、ｒ_ｕ、Ｘ（ｉ_ｍａｘ）＞を出力リストに保存する（ステップＳＴ４）。そして、ｎ_ｍａｘ＝ｉ_ｍａｘ、ｒ_ｕ＝Ｘ（ｉ_ｍａｘ）とする（ステップＳＴ５）。

ステップＳＴ３で、ラベルＬ（ｎ_ｍａｘ）≠Ｌ（ｉ_ｍａｘ）、かつ、Ｌ（ｎ_ｍａｘ）が出力リストに未保存でなければ、ｎ_ｍａｘ＝ｉ_ｍａｘ、ｒ_ｕ＝Ｘ（ｉ_ｍａｘ）とする（ステップＳＴ５）。

そして、学習器Ｍは、Ｘ（ｍａｘ）が最小の指標かどうかを判定し（ステップＳＴ６）、Ｘ（ｍａｘ）が最小の指標でなければ、ステップＳＴ２にリターンする。

ステップＳＴ６で、Ｘ（ｍａｘ）が最小の指標なら、学習器Ｍは、Ｌ（ｎ_ｍａｘ）が出力リストに未保存か否かを判定する（ステップＳＴ７）。ステップＳＴ７で、Ｌ（ｎ_ｍａｘ）が出力リストに未保存なら、組＜Ｌ（ｎ_ｍａｘ）、ｒ_ｕ、−∞＞を出力リストに保存し（ステップＳＴ８）、出力リストを判別ルールとして出力する（ステップＳＴ９）。ステップＳＴ７で、Ｌ（ｎ_ｍａｘ）が出力リストに保存してあれば、出力リストを判別ルールとして出力する（ステップＳＴ９）。

上述のような学習器Ｍにおいて、ラベルとして知的活動の状態を示すラベルを用いることで、知的活動の評価を行う判別ルールを学習することができる。上述のような判別ルールを用いて、任意の指標ヘラベルを付与することができる。当該装置を判別器と呼ぶ。

図６は観測値Ｔを指標としラベルＬとの組である標本Ｓ_Ａ1を学習器Ｍへ入力して判別ルールＲ_Ａ1を得る例、及び学習した判別ルールＲ_Ａ1を用いて未だラベル付与をされていない観測値Ｏ_Ａ1ヘラベル付与を行う例である。また、標本Ｓ_Ａ1ヘラベルを再付与し精度を確認している。この例では、学習器Ｍでは、判別ルールＲ_Ａ1は、温度の観測地Ｔが２５度より高ければ、ラベルＬとして「暑い」を付与し、温度の観測地Ｔが２４度より高ければ、ラベルＬとして「暖かい」を付与し、温度の観測地Ｔが１９度より高ければ、ラベルＬとして「涼しい」を付与し、温度の観測地Ｔがそれより低ければ、ラベルＬとして「寒い」を付与する判別ルールが得られている。

学習に用いる指標として複数の異なる指標を組み合わせて標本を構成し学習することによって、判別器の精度を向上させることができる場合がある。全く意味のない指標を組み合わせることで精度が悪化する場をもある。そのような学習器のアルゴリズムとして決定木を自動構築するＣＡＲＴ（非特許文献１）等がある。

図７は観測値Ｔ、Ｈを指標としラベルＬとの組である標本Ｓ_Ａ２を学習器Ｍ_２へ入力して判別ルールＲ_Ａ２を得る例、及び学習した判別ルールＲ_Ａ２を用いて未だラベル付与をされていない観測値Ｏ_Ａ２ヘラベル付与を行う例である。また、標本Ｓ_Ａ２ヘラベルを再付与し精度を確認している。

人間の瞳孔径、生理指標又は観測指標等と、当該人の申告するラベルで標本を構成し学習器へ入力することで、判別ルールを学習することができる。ただし学習器によって必要とする標本の数は異なるが、いずれも数百ないし数百万組を必要とし、それ以上の数を要する場合もある。

標本数が学習器が必要とする標本数に対して不足している場合、図８に示すように、異なる人間の瞳孔径、生理指標又は観測指標等と、当該人らの申告するラベルとの組を合わせて学習器Ｍへ入力することで、当該人らの中でより多くの人間が共通して示す判別ルールを学習することができる。図８では、人間Ａに関する標本Ｓ_Ａ３から学習器Ｍにより判別ルールＲ_Ａ３を求め、人間Ｂに関する標本Ｓ_Ｂから学習器Ｍにより判別ルールＲ_Ｂを求めている。そして、Ｓ_Ａ３とＳ_Ｂとから、学習器Ｍにより、判別ルールＲ_Ａ＋Ｂを求めている。このＲ_Ａ＋Ｂに従って、Ｃ_Ａ＋Ｂによりラベル付与を行っている。
Richard 0. Duda, Peter E. Hart, David G. Stork、尾上守夫(監訳)、 ″パターン識別,″2nd ed., 新技術コミュニケーションズ,日本,2001. Takahiro Hada, Toyonori munakata,″Filtering for Simple Threshold Systems: Self-Tuning, Mutual Information and Applications,″IEICE Transactions on Fundamentals of Electronics、 Communications and Computer Sciences, Vol. E89-A,″No. 10, pp. 2566-2574, 2006.

しかしながら、人間の瞳孔径は、前述したように、（ｂ）当該人の周囲の照度、（ｃ）当該人が焦点を合わせている距離、（ｄ）当該人が視認している物の輝度等の影響を受けるため、これらの変化の取得が困難な場合は、当該人の知的活動を瞳孔径でもって判別することができなかった。

特に、（ｃ）当該人が焦点を合わせている距離や（ｄ）当該人が視認している物の輝度の影響の値を得るためには、当該人の視線が視界内のどこを見ているか知るための条件を満たすことが最低限必要であり、その判別のために当該人に身体的拘束を強制して視線の向き等を調べる必要があったため、当該人にとっても測定する者にとっても、コストが非常に大きかった。

また、異なる人間の標本を入力することで判別ルールを学習する場合、知的活動の評価を行いたい人と異なる人のデータを利用した学習であるために、判別器が誤ったラベルを付与する場合があり、当該人の知的活動の評価という点で精度が落ちることが問題であった。

上記問題点を解決するため、本発明の目的は、外乱の影響を受けずに、知的活動の評価を行いたい人間に対して短時間又は少数の試行で学習器が学習するために十分な標本を集めることで個人適合学習を実現し、また、その学習結果を反映させた知的活動評価を実現することができるようにした知的活動評価システム並びにその学習方法及びラベル付与方法を提供することを目的とする。

上述の課題を解決するために、本発明は、主指標と副指標とを測定する測定部と、指標に対して外乱要因の変化を除去する又はその影響を補正する補正部と、指標間の不整合を整える前処理部と、主指標をラベル化するラベル化部と、主指標を最も推定可能な指標を要指標として選択する選択部と、主指標ラベルと副指標との判別ルールを学習する学習部と、判別ルールに従って判別を行う判別部と、学習部での判別ルールを記憶する記憶部とを備えることを特徴とする知的活動評価システムである。

上記発明において、さらに、記憶部から読み出した判別ルールに従って判別を行い、ラベルを付与する判別部を備えることを特徴とする。

上記発明において、主指標は瞳孔径であり、副指標は、瞳孔径計測の外乱要因である周辺環境及び他の生理指標であることを特徴とする。

上記発明において、補正部は、外乱の影響を受けて利用不可と判断された主指標を削除するようにしたことを特徴とする。

上記発明において、前処理部は、指標の補間、指標の平滑化、または他の値への変換を行うことを特徴とする。

上記発明において、他の値への変換は、時間領域から周波数領域への変換であることを特徴とする。

上記発明において、ラベル化部は、知的活動の評価をラベルとすることを特徴とする。

上記発明において、選択部は、主指標のラベルと、副指標とを分析アルゴリズムにより分析して、どの指標を要指標とするかを決定することを特徴とする。

本発明は、主指標と主指標と副指標とを測定する測定工程と、指標に対して外乱要因の変化を除去する又はその影響を補正する補正工程と、指標間の不整合を整える前処理工程と、主指標をラベル化するラベル化工程と、主指標を最も推定可能な指標を要指標として選択する選択工程と、主指標ラベルと副指標との判別ルールを学習する学習工程と、学習工程での判別ルールを記憶する記憶工程とを含むことを特徴とする知的活動評価システムの学習方法である。

本発明は、要指標とされた工程を測定する測定工程と、指標間の不整合を整える前処理工程と、記憶部から読み出された判別ルールを読み出し、判別ルールに従って判別を行う判別工程とを含み、判別工程での判別に従ってラベルを付与することを特徴とする知的活動評価システムのラベル付与方法である。

本発明によれば、機械学習に必要なラベルと指標の組である標本を人間の積極的な行動に依らず自動的に生成するため、長時間の試行や多人数での試行を必要とせずに機械学習を行うことができる。またその結果として従来の手法では非常に困難であった個人適合した学習を実現することができる。

以下、本発明の実施の形態について図面を参照しながら説明する。図１及び図２は、本発明の実施形態の知的活動評価システムの学習時及びラベル付与時の構成を示すものである。図１及び図２に示すように、本発明の実施形態の知的活動評価システムは、測定部１１と、補正部１２と、前処理部１３と、ラベル化部１４と、選択部１５と、学習部１６と、記憶部１８と、判別部１９（図２）とから構成される。

測定部１１は、主指標と副指標を同時に測定するものである。主指標は、例えば瞳孔径であり、副指標は、瞳孔径の外乱要因である周辺環境の観測指標（例えば周囲の照度、焦点を合わせている距離、視認している物の輝度等）や、心拍、血流等の生理指標である。

補正部１２は、主指標に対して外乱要因の変化を除去する又はその影響を補正するものである。前処理部１３は、指標間の不整合を整えるものである。ラベル化部１４は、主指標をラベル化するものである。選択部１５は、最も良く主指標を推定可能な指標を要指標として選択するものである。学習部１６は、主指標ラベルと副指標との判別ルールを学習を行うものである。判別部１９（図２）は、判別ルールに従って判別を行い、ラベルを付与するものである。記憶部１８は、前処理部１３での前処理の工程と、学習部１６での判別ルールを記憶するものである。

図１において、学習時は、測定部１１では、同一試行中に、主指標と、副指標とが測定される。主指標は補正部１２に送られ、副指標は前処理部１３に送られる。

補正部１２では、主指標に対して、外乱の影響にかかる補正が行われ、補正された主指標が前処理部１３に送られる。

前処理部１３では、指標間の測定時間隔などの不整合を整えるため、不足する指標の補間、指標の平滑化による指標数の削減、あるいは指標から他の値への変換等の前処理が行われる。

前処理部１３で前処理の施された主指標は、ラベル化部１４に送られる。また、他の副指標は、前処理部１３から選択部１５に送られる。また、ラベル付与時に同等の前処理が必要なため、前処理部１３で行った前処理の工程は、記憶部１８に保存される。

ラベル化部１４は、主指標を適当なラベルに変換する。この生成されたラベルは、選択部１５に送られる。なお、例えば主指標が瞳孔径の場合には、瞳孔径の計測を行わなくとも、ラベルのみから知的活動の評価ができる必要があり、最も単純には、瞳孔径による知的活動の評価をラベルとすればよい。また、ラベルは必ずしも文字列や記号等である必要はなく、瞳孔径と全く同じ値をラベルとしてもよい。

選択部１５は、ラベル化部１４からの主指標のラベルと、前処理部１３からの副指標を分析して、どの指標を要指標とするかを決定する。この分析には、例えば、非特許文献２に示されているようなアルゴリズムによる情報量計算等が用いられる。

選択された要指標と主指標ラベルによって構成される標本は、学習部１６に送られる。また、選択部１５で選択された要指標の算出に必要な指標を示す識別子が記憶部１８に送られる。

学習部１６は、選択部１５からの標本に従い、判別ルールを学習する。学習した判別ルールは、記憶部１８に記憶される。また、記憶部１８には、選択部１５からの、選択された要指標の算出に必要な指標を示す識別子が記憶される。

図１に示すように、本発明の実施形態では、学習時には、測定部１１、補正部１２、前処理部１３、ラベル化部１４、選択部１５、学習部１６、及び記憶部１８が動作し、個人適合学習を実現する。要指標の算出に必要な指標を示す名称あるいはＩＤ等の識別子は、装置内部の記憶部１８に記憶される他、利用者の利用すべき計測器を指示するために、出力される。

本発明の実施形態と従来技術との大きな差異は、ラベル化部１４にてラベルが自動生成され、選択部１５にて標本が自動作成されることにより、標本の構成コストが大幅に下がり、異なる人間を計測して新たな標本を得る必要がなくなることにある。

図２は、ラベル付与時の構成を示すものである。図２に示すように、ラベル付与時には、測定部１１、前処理部１３、及び判別部１９が動作し、学習時に保存された判別ルールに従い、知的活動の評価を表わすラベルを自動付与する。

ラベル付与時は、学習時に選択された要指標のみ測定部１１にて測定されればよく、少なくとも要指標が前処理部１３に送られる。前述したように、学習時に行った前処理の工程は、記憶部１８に保存されている。前処理部１３には、要指標へ学習時に利用した前処理と同等の処理が記憶部１８から読み出される。前処理部１３で前処理の施された指標は、判別部１９に送られる。

前述したように、記憶部１８には、学習時に学習した判別ルールと、選択された要指標の算出に必要な指標を示す識別子が記憶されている。判別部１９は、記憶部１８から読み出された判別ルールと、前処理の施された指標に従い、知的活動の評価を表わすラベルを付与する。

以上より、知的活動の評価を阻害する条件を取り除くことのできない状況においても、他の条件に影響を受けない生理指標のみを用いて、知的活動の評価を行うことができる。

次に、瞳孔径を主指標とする場合を例にして、本発明の実施形態の動作について具体的に説明する。

図３は、図１に示した学習時の構成において、学習時の情報の具体例を示すものである。各情報ＩＮＦ１〜ＩＮＦ１１は、以下を示している。

ＩＮＦ１：測定部１１を通して入力される指標である。
ＩＮＦ２：外乱要因にかかる補正を必要とする瞳孔径（主指標）である。
ＩＮＦ３：主指標を除く全ての指標（副指標）である。
ＩＮＦ４：補正された瞳孔径である。
ＩＮＦ５：前処理の施された瞳孔径である。
ＩＮＦ６：前処理の施された瞳孔径以外の指標である。
ＩＮＦ７：前処理部にて行った前処理の工程である。
ＩＮＦ８：瞳孔径から生成されたラベルである。
ＩＮＦ９：選択された要指標とラベルによって構成される標本である。
ＩＮＦ１０：選択された要指標の算出に必要な指標を示す識別子である。
ＩＮＦ１１：標本から学習した判別ルールである。

図１において、測定部１１は、人間Ａの装着している瞳孔測定器、心電測定器、血流測定器、発汗量測定器、及び呼吸流量測定器の１０分間の出力を測定する。図３（Ａ）が測定値として入力される指標（情報ＩＮＦ１）である。ここで、瞳孔測定器で計測される瞳孔径が主指標となり、それ以外の心電測定器、血流測定器、発汗量測定器、及び呼吸流量測定器の測定値が副指標となる。

図３（Ｂ）に示すように、補正部１２には、主指標として、瞳孔径の計測値（情報ＩＮＦ２）が入力される。また、図３（Ｃ）に示すように、心電測定器、血流測定器、発汗量測定器、及び呼吸流量測定器の測定値が、副指標（情報ＩＮＦ３）として、前処理部１３に送られる。

補正部１２では、当該人の周囲の照度、当該人が焦点を合わせている距離、当該人が視認している物の輝度等の影響を受けて利用不可と判断された瞳孔径が削除される。このため、図３（Ｄ）に示すように、瞳孔径の測定値の数は減少されて、前処理部１３へ入力される（情報ＩＮＦ４）。

前処理部１３では、補正部１２より主指標として入力された瞳孔径計測から当該指標の０．６秒間の値の平均である平均瞳孔径への変換（情報ＩＮＦ５：図３（Ｅ））、及び測定部１１より副指標として入力された指標の中で、心拍間隔時系列から当該指標の標準偏差である心拍変動への変換、血流時系列から当該指標の０．６秒間の値の平均である平均血流への変換、発汗時系列から当該指標の０．６秒間の値の平均である平均発汗への変換、及び呼吸流量時系列から１０秒ごとにＦＦＴ（Fast Fourier Transform）を施しその最大スペクトルを示す周波数へ変換と０．６秒ごとの系列へのスプライン補間が行われる。ここで、変換後の値の個数及び時間間隔が整合するように平均処理及び標準偏差算出を行う時間区間長や時間周波数系列の補間間隔の計算を行い、本実施形態では０．６秒を処理単位としている。前処理部で施された工程（情報ＩＮＦ７：図３（Ｇ））は、記憶部１８に保存される。

ラベル化部１４は、前処理部１３より主指標として入力される平均瞳孔径の大きさ（情報ＩＮＦ５）から、図３（Ｈ）に示すように、人間Ａが何かに興味を示したか否かをラベルとして与える（情報ＩＮＦ８）。これは、従来手法では０．６秒の頻度で主観評価を申告させることは極めて困難であったが、本手法により非常に短時間で大量の標本を構成することが可能になったものである。

選択部１５では、前処理部１３より入力される指標（情報ＩＮＦ６：図３（Ｆ））及びラベル化部１４より入力されるラベル（情報ＩＮＦ８：図３（Ｈ））より、情報量計算から各指標の寄与率を算出し、寄与率の高い指標を要指標として平均血流が選択される。要指標の算出に必要な指標の名称及びＩＤは、図３（Ｊ）に示すように、記憶部１８に保存され、また利用者のため外部出力される（情報ＩＮＦ１０）。また、図３（Ｉ）に示すように、ラベルと要指標にて標本が構成され、学習部１６に送られる（情報ＩＮＦ９）。

学習部１６は、入力された標本からＣＡＲＴ（非特許文献１）を用いて判別ルールを学習する。判別ルール（情報ＩＮＦ１１：図３（Ｋ））は、記憶部１８に保存される。

図４は、図２に示したラベル付与時の構成において、ラベル付与時の情報の具体例を示すものである。各情報ＩＮＦ１２〜ＩＮＦ１５は、以下を示している。なお、情報ＩＮＦ７、情報ＩＮＦ１０、情報ＩＮＦ１１は、前述と同様である。

ＩＮＦ１２：測定部１１を通して入力される要指標である。
ＩＮＦ１３：測定された指標である。
ＩＮＦ１４：学習時と同等の前処理を施された指標である。
ＩＮＦ１５：判別ルールに基づいて判別された知的活動の評価を表わすラベルである。

図２において、測定部１１では、図４（Ａ）に示すように、人間Ａの要指標の算出に必要な血流が測定される（情報ＩＮＦ１２）。この測定値（情報ＩＮＦ１３：図４（Ｂ））が前処理部１３に入力される。

記憶部１８からは、学習の際と同様の前処理工程（情報ＩＮＦ７：図３（Ｇ））が読み出される。前処理部１３では、血流へ学習の際と同様の前処理が施される。具体的には、人間Ａに対しては０．６秒ごとに平均値が算出される（情報ＩＮＦ１４：図４（Ｃ））。

また、記憶部１８からは、学習時に記憶された判別ルール（情報ＩＮＦ１１：図３（Ｋ））が読み出される。判別部１９では、前処理部１３からの平均血流（情報ＩＮＦ１４：図４（Ｃ））と、記憶部１８に記憶されている判別ルール（情報ＩＮＦ１１：図３（Ｋ））に従い、人間Ａが何かへ興味を示しているか否かの判断が行われ、付与ラベルとして出力される（情報ＩＮＦ１５：図４（Ｄ））。

以上に示したように、本発明による知的活動評価システムでは、機械学習に必要なラベルと指標の組である標本を人間の積極的な行動に依らず自動的に生成するため、長時間の試行や多人数での試行を必要とせずに機械学習を行うことができる。またその結果として従来の手法では非常に困難であった個人適合した学習を実現することができることが大きな利点である。

なお、本実施形態における構成要素は適宜、既存の構成要素等との置き換えが可能であり、また、他の既存の構成要素との組合せを含む様々なバリエーションが可能である。

本発明の実施形態における学習時の構造を示す説明図である。 本発明の実施形態におけるラベル付与時の構造を示す説明図である。 本発明の実施形態における学習時の処理の具体例を示す説明図である。 本発明の実施形態のラベル付与時の処理の具体例を示す説明図である。 従来技術である学習器の挙動を示す説明図である。 従来技術である機械学習の効果を示す説明図である。 従来技術である複数の値を組み合わせた機械学習の効果を示す説明図である。 人間の指標を標本とした学習器の挙動と、複数の人間の標本を利用した学習器の挙動を示す説明図である。

符号の説明

１１：測定部
１２：補正部
１３：前処理部
１４：ラベル化部
１５：選択部
１６：学習部
１８：記憶部
１９：判別部

Claims (10)

1. 主指標と副指標とを測定する測定部と、
   前記指標に対して外乱要因の変化を除去する又はその影響を補正する補正部と、
   前記指標間の不整合を整える前処理部と、
   前記主指標をラベル化するラベル化部と、
   前記主指標を最も推定可能な指標を要指標として選択する選択部と、
   前記主指標ラベルと前記副指標との判別ルールを学習する学習部と、
   前記学習部での判別ルールを記憶する記憶部と
   を備えることを特徴とする知的活動評価システム。
2. さらに、前記記憶部から読み出した前記判別ルールに従って判別を行い、ラベルを付与する判別部を備えることを特徴とする請求項１に記載の知的活動評価システム。
3. 前記主指標は瞳孔径であり、前記副指標は、前記瞳孔径計測の外乱要因である周辺環境及び他の生理指標であることを特徴とする請求項１に記載の知的活動評価システム。
4. 前記補正部は、外乱の影響を受けて利用不可と判断された主指標を削除するようにしたことを特徴とする請求項１に記載の知的活動評価システム。
5. 前記前処理部は、指標の補間、指標の平滑化、または他の値への変換を行うことを特徴とする請求項１に記載の知的活動評価システム。
6. 前記他の値への変換は、時間領域から周波数領域への変換であることを特徴とする請求項５に記載の知的活動評価システム。
7. 前記ラベル化部は、知的活動の評価をラベルとすることを特徴とする請求項１に記載の知的活動評価システム。
8. 前記選択部は、前記主指標のラベルと、前記副指標とを分析アルゴリズムにより分析して、どの指標を要指標とするかを決定することを特徴とする請求項１に記載の知的活動評価システム。
9. 主指標と副指標とを測定する測定工程と、
   前記指標に対して外乱要因の変化を除去する又はその影響を補正する補正工程と、
   前記指標間の不整合を整える前処理工程と、
   前記主指標をラベル化するラベル化工程と、
   前記主指標を最も推定可能な指標を要指標として選択する選択工程と、
   前記主指標ラベルと前記副指標との判別ルールを学習する学習工程と、
   前記学習工程での判別ルールを記憶する記憶工程とを含む
   ことを特徴とする知的活動評価システムの学習方法。
10. 要指標とされた工程を測定する測定工程と、
    前記指標間の不整合を整える前処理工程と、
    記憶部から読み出された判別ルールを読み出し、前記判別ルールに従って判別を行う判別工程とを含み、
    前記判別工程での判別に従ってラベルを付与することを特徴とする知的活動評価システムのラベル付与方法。

Images