JP2018061668A - 脳結合性分析システム、及び脳結合性分析方法 - Google Patents

Abstract

【課題】脳における各領域間の関係を包括的に把握するための技術を提供する。
【解決手段】本開示による脳結合性分析システムは、結合性を分析するための結合性分析プログラムを格納するメモリと、メモリから結合性分析プログラムを読み込み、結合性を分析するプロセッサと、を備える。プロセッサは、選択された、脳の複数の領域の測定データを記憶装置から取得する処理と、複数の領域のうち少なくとも２つをシード領域とし、当該シード領域と他の領域との複数の結合性特徴を、複数の領域の測定データから算出する処理と、複数の結合性特徴に含まれる、各領域における伝達遅延時間と他の結合性特徴との関係を示す結合性特徴グラフを生成する処理と、結合性特徴グラフを出力する処理と、を実行する。
【選択図】図１４

Description

本開示は、脳結合性分析システム、及び脳結合性分析方法に関する。

脳の各領域間の結合性（機能的結合性及び実効的結合性の両方を含む）を特定する研究が広く行われているが、脳の各領域間の結合性は複雑であるため、ネットワーク属性のような結合性の特徴の情報を解釈したり、表示したりすることは困難である。

脳におけるネットワーク結合性を視覚化することに関し、例えば、特許文献１は、各脳領域ノード間の関係をツリー構造で予測する方法とエッジをまとめて２次元階層表示する方法を用いて脳の結合性を画面に表示することを開示している。また、例えば、特許文献２は、エージェントに基づく脳モデルを機能的結合性に基づく分析方法（機能ＭＲＩ）で構成することを開示している。

米国特許出願公開第２０１３／０１１３８１６号明細書 米国特許出願公開第２０１４／０２２２７３８号明細書

しかしながら、特許文献１及び２による方法は、局所的な脳領域間の結合性を示すのみで、脳全体の各領域間の結合性について分析するものではない。このため、これらの文献に開示の技術からは、脳における各領域間の関係（結合性）を包括的に把握することはできない。

本開示はこのような状況に鑑みてなされたものであり、脳における各領域間の関係を包括的に把握するための技術を提供する。

上記課題を解決するために、本開示による脳結合性分析システムは、結合性を分析するための結合性分析プログラムを格納するメモリと、メモリから結合性分析プログラムを読み込み、結合性を分析するプロセッサと、を備える。プロセッサは、選択された、脳の複数の領域の測定データを記憶装置から取得する処理と、複数の領域うち少なくとも１つをシード領域とし、当該シード領域と他の領域との複数の結合性特徴を、複数の領域の測定データから算出する処理と、複数の結合性特徴に含まれる、各領域における伝達遅延時間と他の結合性特徴との関係を示す結合性特徴グラフを生成する処理と、結合性特徴グラフを出力する処理と、を実行する。

本開示に関連する更なる特徴は、本明細書の記述、添付図面から明らかになるものである。また、本開示の態様は、要素及び多様な要素の組み合わせ及び以降の詳細な記述と添付される特許請求の範囲の様態により達成され実現される。
本明細書の記述は典型的な例示に過ぎず、本開示の特許請求の範囲又は適用例を如何なる意味に於いても限定するものではない。

本開示によれば、脳における各領域間の関係を包括的に把握するための技術を提供する。

本開示の実施形態による脳結合性分析システム（診断補助装置、診断補助システム、脳結合性情報提示装置、或いは脳結合性情報提示システム等とも言う）１の概略構成を示す図である。 被検者（患者や健常者）の頭に装着され、患者の生体信号（脳波）を測定するための測定プローブ２０の配置例を示す図である。 オペレータが分析タイプ３０１として個別分析３０１ａを選択した場合のコマンド入力画面３０を示す図である。 オペレータが分析タイプ３０１としてグループ分析３０１ｂを選択した場合のコマンド入力画面４０を示す図である。 オペレータが図３或いは図４のコマンド入力画面で詳細設定３１４として平均分析を選択した場合のコマンド入力画面５０を示す図である。 オペレータが図３或いは図４のコマンド入力画面で詳細設定３１４として試行（トライアル或いは検査ともいう）単位の分析を選択した場合のコマンド入力画面６０を示す図である。 脳結合性分析システム１において実行される脳結合性分析処理の内容を説明するためのフローチャートである。 本実施形態による脳結合性分析システム１において実行される平均分析処理の例を説明するための図である。 本実施形態による脳結合性分析システム１において実行される試行単位の分析処理の例を説明するための図である。 試行間の相関の情報を用いて実行するトリミング処理（ノイズ除去処理）の具体例を説明するための図である。 測定されたチャンネル（領域）から取得されるクラスタ係数の分布マップの構成例を示す図である。 あるチャンネル（シード）から他のチャンネル（ターゲット）に情報が伝達したときの結合性の特徴を表す図である。 本実施形態による脳結合性分析システム１により得られる、グループ１及び２の包括的結合性モチーフを比較するためのデータ表示例を示す図である。 推論解析表示（分析結果表示）１４００のウインドウの構成例を示す図である。 複数のチャンネル（領域）によって構成されるクラスタ間における情報伝達とその際の遅延時間の例を模式的に示す図である。 図１５の情報伝達の例を脳内の領域と関連付けて表した図である。

本開示の実施形態による脳結合性分析システムは、オペレータによって選択された複数のチャンネル（領域）間の結合性（相関強度、情報伝達における遅延時間、情報伝達の方向、チャンネル（領域）間の距離等）を算出し、包括的結合性の特徴として表示装置の画面上に表示する。

以下、添付図面を参照して本発明の実施形態について説明する。添付図面では、機能的に同じ要素は同じ番号で表示される場合もある。なお、添付図面は本発明の原理に則った具体的な実施形態と実装例を示しているが、これらは本発明の理解のためのものであり、決して本発明を限定的に解釈するために用いられるものではない。

本実施形態では、当業者が本発明を実施するのに十分詳細にその説明がなされているが、他の実装・形態も可能で、本発明の技術的思想の範囲と精神を逸脱することなく構成・構造の変更や多様な要素の置き換えが可能であることを理解する必要がある。従って、以降の記述をこれに限定して解釈してはならない。

更に、本発明の実施形態は、汎用コンピュータ上で稼動するソフトウェアで実装しても良いし専用ハードウェア又はソフトウェアとハードウェアの組み合わせで実装しても良い。

なお、以後の説明では「テーブル」形式によって本発明の各情報について説明するが、これら情報は必ずしもテーブルによるデータ構造で表現されていなくても良く、リスト、ＤＢ（データベース）、キュー等のデータ構造やそれ以外で表現されていても良い。そのため、データ構造に依存しないことを示すために「テーブル」、「リスト」、「ＤＢ」、「キュー」等について単に「情報」と呼ぶことがある。

＜脳結合性分析システムの構成＞
図１は、本開示の実施形態による脳結合性分析システム（診断補助装置、診断補助システム、脳結合性情報提示装置、或いは脳結合性情報提示システム等とも言う）１の概略構成を示す図である。

脳結合性分析システム１は、一般的なコンピュータによって構成することができ、ＣＰＵやＭＰＵ等のプロセッサ１１と、ＧＵＩ表示プログラム１２１、包括的結合性分析プログラム１２２及びその他の各種プログラムを格納するプログラムメモリ１２と、入力装置１３と、記憶装置１４と、出力装置１５と、メモリ１６と、を備える。

記憶装置１４は、各患者のデータや情報を格納する個人データベース１４１と、各生体測定データ（測定された各患者の脳波信号：例えば、ＭＲＩによって得られたスキャンデータや光トポグラフィデータ）を格納する測定データベース（母集団のデータ）１４２と、分析パラメータを格納する分析パラメータデータベース１４３と、を有している。

入力装置１３は、例えば、キーボード、マウス、タッチパネル、各種スイッチ、マイク等、オペレータが当該脳結合性分析システム１にコマンドや情報を入力するために用いるデバイスで構成される。本実施形態において、オペレータ（ユーザ）は、当該入力装置１３を用いて、図３〜図６に示されるＧＵＩに従って、各種コマンドを入力する。
出力装置１５は、例えば、表示装置やスピーカ等、分析結果を出力するために用いるデバイスで構成される。

プロセッサ１１は、プログラムメモリ１２からＧＵＩ表示プログラム１２１及び包括的結合性分析プログラム１２２（図７のフローチャートに相当するプログラム）をプロセッサ１１の内部メモリ（図示せず）に読み込み、実行する。

プロセッサ１１は、ＧＵＩ表示プログラム１２１を実行して、オペレータがコマンドを入力するためのＧＵＩ（Graphical User Interface）を構成し、出力装置（表示装置）１５の表示画面に構成したＧＵＩを表示する。

プロセッサ１１は、包括的結合性分析プログラム１２２を用いて、生体測定信号を処理し、脳の各領域間の結合性を包括的に分析する。生体測定信号を用いて脳の各領域間の結合性を分析するために、プロセッサ１１は、ユーザによって入力された各種コマンドに従って、記憶装置１４の個人データベース１４１や測定データベース１４２に格納されているデータ、及び分析パラメータデータベース１４３に格納されている分析パラメータを読み込み、生体測定信号を処理して脳の各領域間の結合性を包括的に分析する。

包括的結合性分析プログラム１２２は、現在の測定データ及び記憶装置に格納されたデータを用いて、当該測定データを指標に変換する処理を行うものである。図７で後述するように、どのような指標を用いるかは、医師やオペレータによって入力装置１３を介して入力される。

＜データベースについて＞
個人データベース１４１は、各被検者（例えば患者及び健常者）個人の情報を格納するデータベースであって、例えば、被検者を一意に特定・識別するための被検者ＩＤと、被検者（患者や健常者）名と、被検者の年齢と、被検者の性別と、を構成項目として含むことができる。

測定データベース１４２は、各被検者の測定データに関連するデータを格納するデータベースであって、例えば、被検者ＩＤと、測定日と、当該被検者の脳の各領域の生体測定信号と、を構成項目として含むことができる。

分析パラメータデータベース１４３は、例えば、データ前処理で用いるパラメータや、各種分析方法を実行するためのパラメータと、を格納するデータベースである。データ前処理用のパラメータとしては、例えば、体動を除去するための振幅値を示す体動除去値、生体測定信号の低周波成分を除去するためのハイパスフィルタ係数、生体測定信号の高周波成分を除去するためのローパスフィルタ係数、スムージングフィルタの係数を示すスムージング係数、雑音を補正する対象を示すノイズコレクション対象などを挙げることができる。各種分析方法を実行するためのパラメータとしては、例えば、分布曲線下面積解析(Area Under Curve)、分散解析(Distribution type)、歪度解析(Skewness)、尖度解析(Kurtosis)、ピーク解析(Peaks)を実行するための演算式やパラメータを挙げることができる。

これらのデータベースは、脳結合性分析システム１を構成するコンピュータに含まれる記憶装置１４に格納されているが、図示しないネットワークを介して遠隔的に設置されたサーバ等に格納されていても良い。

＜プローブ配置例＞
図２は、被検者（患者や健常者）の頭に装着され、患者の生体信号（脳波）を測定するための測定プローブ２０の配置例を示す図である。

測定プローブ２０は、複数の光源２１と、複数の検出器２２と、複数の測定ポイントチャンネル２３と、が配置されて構成される。測定プローブ２０の配置は、被検者が実行した所定のタスクの仮説に基づいて決められている。例えば、ワーキングメモリタスクの場合には前頭前野の部位に測定プローブ２０が配置される。

＜ＧＵＩの構成＞
図３乃至６は、オペレータがコマンドを入力するためのＧＵＩの構成例を示す図である。図３は、オペレータが分析タイプ３０１として個別分析３０１ａを選択した場合のコマンド入力画面３０を示す図である。図４は、オペレータが分析タイプ３０１としてグループ分析３０１ｂを選択した場合のコマンド入力画面４０を示す図である。図５は、オペレータが図３或いは図４のコマンド入力画面で詳細設定３１４として平均分析５０１ａを選択した場合のコマンド入力画面５０を示す図である。図６は、オペレータが図３或いは図４のコマンド入力画面で詳細設定３１４として試行（トライアル或いは検査ともいう）単位の分析５０１ｂを選択した場合のコマンド入力画面６０を示す図である。

個別分析３０１ａが選択された場合、図３に示されるように、脳結合性分析システム１（各種プログラムを実行するのはプロセッサ１１であるため、以後の説明では「プロセッサ１１」を動作主体とする）は、コマンド入力画面３０において、個人（被検者）のデータを選択可能なようにデータリスト３０３を含むデータ選択（データ選択領域）３０２を表示する。当該データリスト３０３は、個人データベース１４１に登録されている複数の被検者のデータを表示する。被検者のデータは、氏名または匿名または識別番号（以下、氏名と称する）３０４と、被検者の性別３０５と、被検者の年齢３０６と、を少なくとも含んでいる。オペレータは、これら複数の被検者のデータから１つの被検者データを選択するように要求される。また、プロセッサは、コマンド入力画面３０において、分析手法を指示するための結合性モチーフ分析選択（結合性モチーフ選択領域）３０７を表示する。結合性モチーフ分析選択３０７は、全分析方法選択部３０８ａと個別分析方法選択部３０８ｂとを含む。ここでは、分析方法として、例えば、分布曲線下面積解析（Area under curve）と、分散解析(Distribution type)と、歪解析(Skewness)と、尖度解析(Kurtosis)と、ピーク解析(Peaks)が予め用意されているが、これらに限られるものではなく、別の分析方法を含めても良い。被検者データ及び分析方法を選択し、オペレータがＯＫボタン３１５を押下すると、データ及び分析方法の選択が確定する。また、オペレータがリセットボタン３１６を押下すると、入力されたコマンドがリセットされる。被検者データ及び分析方法の選択がＯＫであれば、詳細設定入力の画面（図５及び図６参照）に移行する。

グループ分析３０１ｂが選択された場合、図４に示されるように、プロセッサ１１は、コマンド入力画面４０において、少なくとも１つの比較元の個人（被検者）のデータと少なくとも１つの比較対象の個人（被検者）のデータとを選択可能なように、グループ１_４０１のデータリストとグループ２_４０２のデータリストを含むデータ選択（データ選択領域）３０２を表示する。グループ１_４０１のデータリスト及びグループ２_４０２のデータリストはそれぞれ、個人データベース１４１に登録されている複数の被検者のデータを表示する。被検者のデータは、氏名４０４と、被検者の性別４０５と、被検者の年齢４０６と、を少なくとも含んでいる。オペレータは、それぞれのグループから少なくとも１人ずつの被検者データを選択するように要求される。一人の被検者と他のグループ（例えば、母集団）とを比較したい場合には、オペレータは、グループ１のデータリスト４０１から１人の被検者のデータを選択し、グループ１において選択された被検者のデータを除くいくつかの或いは全ての被検者のデータをグループ２_４０２のデータリストから選択する。また、プロセッサは、コマンド入力画面４０において、分析手法を指示するための結合性モチーフ分析選択３０７を表示する。結合性モチーフ分析選択３０７は、全分析方法選択部３０８ａと個別分析方法選択部３０８ｂとを含む。ここでは、分析方法として、例えば、分布曲線下面積解析（Area under curve）とが予め用意されているが、これらに限られるものではなく、別の分析方法を含めても良い。被検者データ及び分析方法を選択し、オペレータがＯＫボタン３１５を押下すると、データ及び分析方法の選択が確定する。また、オペレータがリセットボタン３１６を押下すると、入力されたコマンドがリセットされる。被検者データ及び分析方法の選択がＯＫであれば、詳細設定入力の画面（図５及び図６参照）に移行する。

詳細設定入力において、オペレータが平均分析５０１ａを選択すると、コマンド入力画面５０が表示され、試行単位の分析５０１ｂを選択すると、コマンド入力画面６０が表示される。

平均分析５０１ａが選択された場合、図５に示されるように、プロセッサ１１は、コマンド入力画面５０において、結合性モチーフ分析をどのチャンネルに対して行うか指定するためのチャンネル選択５０２を表示する。チャンネル選択５０２は、用意されているチャンネル（領域）の全てを選択するときにチェックマークを入力する全領域選択部５０３と、２つ以上の個別のチャンネル（領域）を選択するときにチェックマークを入力する個別領域選択部５０４と、を含む。分析レベル及び分析対象チャンネルを選択し、オペレータがＯＫボタン５０５を押下すると、全てのコマンド入力が確定する。また、オペレータがリセットボタン５０６を押下すると、分析レベル及び対象チャンネルの選択がリセットされる。

試行単位の分析５０１ｂが選択された場合、図６に示されるように、プロセッサ１１は、相関同等性評価を有効にするか否かを選択するための選択部（試行単位の分析における相関同等性評価選択部）６０１と、同等性評価における推論補正選択部６０２と、を表示する。試行単位の分析における相関同等性評価選択部６０１において、有効６０１ａにチェックマークが入力されると、相関同等性評価が実行される。無効６０１ｂにチェックマークが入力されると、相関同等性評価は実行されない。同等性評価における推論補正選択部６０２においては、ボンフェルーニ補正６０２ａと、ＦＤＲ（False discovery rate）６０２ｂと、補正なし６０２ｃが選択可能となっている。ボンフェルーニ補正６０２ａが選択されると、試行単位の分析における相関同等性の評価結果に対してボンフェルーニ補正が施される。ＦＤＲ６０２ｂが選択されると、試行単位の分析における相関同等性の評価結果に対してＦＤＲが算出される。補正なし６０２ｃが選択されると、試行単位の分析における相関同等性の評価結果そのものが出力されることになる。また、プロセッサ１１は、ノイズトリミング（ノイズ除去）を実行するか否かを選択するためのノイズトリミング選択部６０３を表示する。ノイズトリミング選択部６０３において、有効６０３ａにチェックマークが入力されると、ノイズトリミング処理が実行される。この場合、オペレータに対してはトリミングの最大割合６０４の入力が促される。無効６０３ｂにチェックマークが入力されると、ノイズトリミング処理は実行されずそのままの結果が提示されることになる。さらに、プロセッサ１１は、分析対象のチャンネルを選択するためのチャンネル選択５０２を表示する。チャンネル選択５０２は、用意されているチャンネル（領域）の全てを選択するときにチェックマークを入力する全領域選択部５０３と、２つ以上の個別のチャンネル（領域）を選択するときにチェックマークを入力する個別領域選択部５０４と、を含む。選択できるチャンネル（領域）が限られているときには、結合性モチーフの解析のデフォルトのパラメータが使われる。分析レベル、ノイズトリミングの有無、及び分析対象チャンネルを選択し、オペレータがＯＫボタン５０５を押下すると、全てのコマンド入力が確定する。また、オペレータがリセットボタン５０６を押下すると、分析レベル、ノイズトリミングの有無、及び分析対象チャンネルの選択がリセットされる。

以上のように、オペレータによって入力されたコマンドの種類によって動的にコマンド入力画面の表示形態がコマンド入力画面３０乃至６０に示されるように変化する。

＜脳結合性分析処理の内容＞
図７は、脳結合性分析システム１において実行される脳結合性分析処理の内容を説明するためのフローチャートである。図７のフローチャートに示される処理は、包括的結合性分析プログラム１２２の各ステップの処理に対応するが、当該包括的結合性分析プログラム１２２は、プロセッサ１１によって実行されるため、以下では、プロセッサ１１を動作主体として処理内容について説明する。

（i）ステップ７０１
オペレータがコマンド入力画面３０乃至６０に従ってコマンドの入力を完了すると、プロセッサ１１は、これらのコマンドをオペレータ入力としてメモリ１６に登録する。メモリ１６に登録されたオペレータ入力（コマンド）は、以降の各ステップにおいて必要に応じてメモリ１６から読み込まれ、各ステップの処理を実行するために用いられる。

（ii）ステップ７０２
プロセッサ１１は、オペレータによって入力されたコマンドのうち、データ選択３０２及びチャンネル選択５０２で指定された内容に対応する被検者のデータ（選択された各チャンネルの測定データを含む）を、個人データベース１４１及び測定データベース１４２から取得する。

（iii）ステップ７０３
プロセッサ１１は、ステップ７０２で取得した、被検者（個人、及び／又はグループ）の測定データに対して前処理を実行する。前処理としては、例えば、フィルタ処理や独立成分解析（ＩＣＡ：Independent Component Analysis）などが挙げられる。

（iv）ステップ７０４
プロセッサ１１は、メモリ１６に登録されているオペレータ入力をチェックし、分析レベル５０１として平均分析５０１ａが選択されているか判断する。平均分析５０１ａが選択されている場合（ステップ７０４でＹｅｓの場合）、処理はステップ７０５に移行する。平均分析５０１ａが選択されていない場合、つまり試行（トライアル）単位の分析５０１ｂが選択されている場合（ステップ７０４でＮｏの場合）、処理はステップ７０９に移行する。

（v）ステップ７０５
プロセッサ１１は、取得した被検者の測定データのうち、入力コマンドに含まれる選択チャンネルごとに、複数試行（トライアル）に亘る信号の平均値を算出する。例えば、領域５と領域６が分析対象のチャンネルとして指定されている場合、領域５及び領域６の測定信号のそれぞれに対して測定信号の平均値が算出される。

（vi）ステップ７０６
プロセッサ１１は、オペレータによって選択された各チャンネル（領域）をシードとして結合性の特徴値を算出する。各チャンネルは分析過程においてシードにもなりうるし、ターゲットにもなりうる。包括的結合性分析においては、シードは分析過程において変化していく。ただし、オペレータが特定のチャンネルをシードとして指定しても良い。この場合、当該指定されたチャンネルをシードとし、それ以外のチャンネルをターゲットとして結合性分析が行われることになる。

結合性の特徴値は、例えば、クラスタやモジュール（クラスタ間の関係）を含むネットワークセオリ（スモールワールド分析）や、チャンネル間の相関強度などを算出する機能的関連分析や、チャンネル間の情報伝達における伝達方向及び伝達遅延時間を算出する原因分析や、チャンネル間の実際の物理的距離（直線距離、或いは脳外周概算距離など）などによって算出される。

（vii）ステップ７０７
プロセッサ１１は、ステップ７０６で算出した結合性の特徴値に基づいて対応するグラフを生成し、出力装置（表示装置）１５の表示画面上に表示する。表示されるグラフとしては、例えば、スラスタリングマップ（図１１参照）、結合性特徴グラフ（図１３参照）、及び包括的結合性モチーフ（図１４参照）などが挙げられる。これらのうち少なくとも１つのグラフが生成され、描画される。なお、これらの結合性の特徴値は、包括的特徴性モチーフ（図１４参照）を用いて、予め設定された分析タイプ（個別分析３０１ａ、或いはグループ分析３０１ｂ）に従って確定される。

（viii）ステップ７０８
オペレータによる入力コマンドで個人間の比較、個人とグループとの間の比較、或いはグループ間の比較が指定されている場合、プロセッサ１１は、各個人やグループの測定データに基づいて算出された結合性の特徴値のグラフを比較可能なように表示画面上に表示（例えば、並列表示）する。このような比較表示をすることによって、被検者を健常者、障害者、特定のステージに分類される障害者、或いは投薬治療中の患者などに分類することが可能となる。

（ix）ステップ７０９
試行（トライアル）単位の分析５０１ｂが選択されている場合（ステップ７０４でＮｏの場合）、プロセッサ１１は、ステップ７０２で取得したデータから各試行（トライアル）の測定データを抽出する。

試行単位の分析では、各トライアルの測定データを同一時間フレームで同等に処理するため、各トライアルの測定データを用いた分析は、上述の平均分析よりも優れた分析をすることができる。

各トライアルの測定データにおいては測定中にノイズがランダムに含まれてしまうことがある。そのため、ノイズは除去することが望ましいが、測定データにおいてノイズと本来の生体データとを区別することが困難である場合もある。一方、平均化されたデータ（平均分析において用いられる）は、特定の時間におけるノイズリスクを見落としてしまう。各試行（トライアル）データに影響を与えるようなノイズがあると、そのノイズに影響された試行におけるデータは他の試行のデータと同等ではない可能性があり、その場合にはノイズに影響された試行データを把握することは可能である。従って、ノイズを取り除くことには利点があり、この利点のため、試行（トライアル）単位の分析では、オペレータによってノイズ除去処理の有無を選択可能なように構成されている。

（x）ステップ７１０
プロセッサ１１は、オペレータが入力したコマンドにおいて、同等性分析（図６では、試行単位の分析における相関同等性評価）が有効となっているか判断する。同等性分析が有効となっている場合（ステップ７１０でＹｅｓの場合）、処理はステップ７１１に移行する。同等性分析が無効となっている場合（ステップ７１０でＮｏの場合）、処理はステップ７０６に移行する。

処理がステップ７０６に移行すると、プロセッサは、シードとなる各チャンネルにおける各試行単位の測定データ（同等性分析もトリミング処理も実行されていない全ての試行における測定データ）を用いて、結合性の特徴値を算出する。例えば、相関分析の場合、各チャンネルにおける試行回数がｋ（ｋ＝１，２，・・・，ｎ）回であるとすると、シードのチャンネル（領域）とターゲットのチャンネルとにおけるｋ回目同士の試行における測定データ間の相関値が算出される。

（xi）ステップ７１１
同等性分析が有効となっている場合、プロセッサ１１は、各試行における測定データに対して同等性処理を実行し、統計的に同等性を評価する。統計的な同等性分析の処理結果から、最もノイズが含まれる試行（トライアル）のデータと、最もノイズが少ない試行（トライアル）のデータがメモリ１６或いは記憶装置１４に一時的に格納される。

（xii）ステップ７１２
プロセッサ１１は、オペレータが入力したコマンドにおいて、トリミング処理が有効となっているか否か判断する。トリミング処理が有効となっている場合には、プロセッサ１１は、さらに除去する試行データの割合を示すトリミング処理の最大割合６０４の値を確認する。

トリミング処理が有効となっている場合（ステップ７１２でＹｅｓの場合）、処理はステップ７１３に移行する。トリミング処理が無効となっている場合（ステップ７１２でＮｏの場合）、処理はステップ７０６に移行する。
この場合、同等性分析は実行されたがトリミング処理は実行されてない各試行における測定データに対して結合性の特徴値が算出されることになる。

（xiii）ステップ７１３
プロセッサは、オペレータ入力のコマンドに含まれるトリミング処理の最大割合６０４の値に基づいて、複数の試行のデータからノイズが多い順に最大割合６０４の値を超えないように試行のデータを取り除く。

ノイズの多い試行における測定データが取り除かれると、処理はステップ７０６に移行し、ノイズの多い試行における測定データが取り除かれた測定データに対して結合性の特徴が分析される。

平均分析と異なり、試行単位の分析では、あるチャンネル（領域）の各試行における測定データから他のチャンネル（領域）の各試行における測定データに関する結合性の特徴が分析される。特定の試行回次の測定データは、同一の試行回次のデータと関連付けて結合性の特徴が分析される。各試行（各トライアル）に関する結合性の特徴値が算出されると、全試行（トリミングされたトライアルは除く）に亘って特徴値の平均値が算出され、結合性のグラフに視覚化されることになる（ステップ７０７）。

＜平均分析の具体例（マトリックス相関結果）＞
図８は、本実施形態による脳結合性分析システム１において実行される平均分析処理の例を説明するための図である。
平均分析処理では、例えば、チャンネル（領域）５_８０１からの複数試行（複数トライアル）に亘る平均化信号８０１ａとチャンネル（領域）６_８０２からの複数試行（複数トライアル）に亘る平均化信号８０２ａとの相関が分析されることになる。試行（トライアル）ピリオド８０３は、領域５_８０１及び領域６_８０２における時間区間である。

平均化分析において、２つの領域（図８では、チャンネル（領域）５とチャンネル（領域）６）間の相関を演算する場合、式８０４に従って、２つの領域の平均化信号の相互の相関が演算される。式８０４は、ピアソンの相関係数を求める式であり、ｔはサンプリング時間、ｘはサンプリング時間ｔにおける各領域からの信号の振幅値、μは各領域における試行（トライアル）ピリオド８０３内の信号の平均値をそれぞれ示している。このような相関係数を求める処理が他のチャンネル（領域）に対しても実行される。

各チャンネル（領域）間について演算された相関係数は、チャンネル（領域）間の関係を示す２Ｄアレイ８０５に格納される。２Ｄアレイ８０５において、ｘ軸８０５ａ及びｙ軸８０５ｂは、ともに領域番号ｎを示している。
平均分析は、後述の試行単位の分析（図９参照）と比較して演算が単純であり、各領域における相関関係の概括的な傾向を把握するには便利なツールである。

＜試行単位の分析の具体例（マトリックス相関結果）＞
図９は、本実施形態による脳結合性分析システム１において実行される試行単位の分析処理の例を説明するための図である。
試行単位の分析処理では、例えば、チャンネル（領域）５からの連続データ（脳信号グラフ）９０１と、チャンネル（領域）６からの連続データ（脳信号グラフ）９０２との相関が分析されることになる。２つの脳信号グラフ９０１及び９０２からは、試行（トライアル）区間及び試行（トライアル）番号のような数種類の情報が抽出される。試行（トライアル）区間の情報は、時間区間９０３で示され、ここでは、試行番号指標９０４で示されるように、８回の試行（トライアル）が１つの測定で行われている。

試行（トライアル）単位の相関分析を実行する場合、例えば、チャンネル（領域）５の試行回次１の信号とチャンネル（領域）６の試行回次１の信号との相関が、式９０５に従って演算される。式９０５は、ピアソンの相関係数を求める式であり、ｔはサンプリング時間、ｘはサンプリング時間ｔにおける各領域からの信号の振幅値、μは各領域における試行（トライアル）ピリオド９０３内の信号の平均値をそれぞれ示している。同様の方法により、チャンネル（領域）５の試行回次２の信号とチャンネル（領域）６の試行回次２の信号との相関が算出される。このような相関係数を求める処理が他のチャンネル（領域）に対しても実行される。

各試行（トライアル）及び各領域について演算された相関係数は、各チャンネル（領域）間における各試行（各トライアル）同士チャンネル（領域）間の関係を記述する３Ｄアレイ９０６に格納される。３Ｄアレイ９０６において、ｘ軸９０６ａ及びｙ軸９０６ｂは共に領域番号ｎを示し、これらによって領域間の関係を確認することができるようになる。また、ｚ軸９０６ｃは試行（トライアル）番号を示し、これによって試行（トライアル）間の相関を確認することができるようになる。

試行（トライアル）単位の分析は、平均分析に比べて若干複雑となるが、ノイズ発生のリスクを見落とすことが無く、脳信号を分析することができるツールである。

＜トリミング処理の具体例＞
図１０は、試行間の相関の情報を用いて実行するトリミング処理（ノイズ除去処理）の具体例を説明するための図である。
図１０において、テーブル１００１は、チャンネル（領域）５とチャンネル（領域）６との相関を示している。テーブル１００１において、１００２の各列は試行（トライアル）番号を示し、１００３は試行（トライアル）単位の相関係数を示している。ノイズを多く含む試行（トライアル）を検出するためには、ｚスコアを求める式１００４を用いて試行（トライアル）と他の試行（トライアル）との同等性を求める必要がある。式１００４において、ｒは各試行（各トライアル）に関する相関係数を示し、ｎは試行（トライアル）期間におけるデータ数、或いはサンプリング数を示している。同等性は、試行１と他の試行、試行２と他の試行、試行３と他の試行といった全ての組み合わせについてｚスコアを算出することによって評価することができる。そして、式１００４から得られるｚスコアは、式１００５に示されるように、ｚ分布に従ってｐ値に変換される。

ｐ値は、０から１の値を取る、帰無仮説Ｈ_０が正しいという条件の下で、検定統計量の値より大きな値が得られる確率を示す指標である。当該具体例では、Ｐ値と独立性のレベルの閾値とが比較される。ｐ値が０．０５未満であれば帰無仮説Ｈ_０は棄却され、独立レベル指標Ｉ_{ｔｒ，ｔｒ}として「１」を付与する（１００６ａ）。この独立レベル指標「１」は、２つの試行（トライアル）からの２つの相関係数には同等性が無い、或いは２つの試行（トライアル）のうちの１つがノイズに影響されているということを示している。一方、ｐ値が０．０５以上であれば独立レベル指標Ｉ_{ｔｒ，ｔｒ}として「０」を付与する（１００６ｂ）。この独立レベル指標「０」は、２つの試行（トライアル）からの２つの相関係数には同等性がある、或いは２つの試行（トライアル）ともノイズに影響されていないということを示している。

これら独立レベル指標「０」及び「１」は、チャンネル（領域）５及び６の評価配列１００７ａに配置される。当該評価配列１００７ａでは、ｘ軸１００８ａ及びｙ軸１００８ｂにそれぞれ試行（トライアル）番号を配置し、それぞれ試行（トライアル）１から試行（トライアル）８の組み合わせが配置される。つまり、当該具体例では、試行（トライアル）１と試行（トライアル）１の独立レベル指標、試行（トライアル）１と試行（トライアル）２の独立レベル指標、・・・、試行（トライアル）８と試行（トライアル）８の独立レベル指標がそれぞれ配置される。そして、各独立レベル指標は、縦方向に合計され、合計結果１００９ａが出力される。この合計結果１００９ａは、チャンネル（領域）５とチャンネル（領域）６の試行（トライアル）同等性評価の値を示している。同様の演算を他の全ての領域（トライアル）間の関係について独立レベル指標の評価配列１００７ｂ〜１００７ｄ・・・がそれぞれ演算され、各指標の合計結果１００９ｂ〜１００９ｄ・・・がそれぞれ求められる。さらに、同一チャンネル（領域）間（例えば、チャンネル（領域）１−１、チャンネル（領域）２−２、・・・、チャンネル（領域）８−８）関係以外の合計結果が並べられ（１０１０参照）、縦方向のそれぞれの総和が演算される。当該総和演算の結果、より高い値を示す結果（１０１１参照）は、よりノイズに影響された可能性が高い、或いは、他の試行（トライアル）と比較して同等性が低いことを示している。一方、より小さい値を示す結果は、よりノイズに影響されていない、或いは、他の試行（トライアル）と比較して同等性が高いことを示している。さらに、この結果は、各試行（トライアル）に対するノイズレベルをも示している。従って、これにより試行（トライアル）の結果を分類することができるようになる。図１０の具体例では、試行（トライアル）８が最もノイズに影響された試行である確率が高く、試行（トライアル）２が最もノイズに影響されていない試行である確率が高いことが分かる。

オペレータによってトリミング処理が有効であるとのコマンド６０３ａが入力されている場合、コマンド６０３ａと共に入力される割合６０４に従って、トリミング処理（試行データの除去）が実行される。例えば、図６に示されるように、割合６０４が２０％と指定されている場合、８回の試行（トライアル）のうちノイズ傾向が高い順に２０％の試行（トライアル）データが取り除かれる。８回の２０％は、１．６６回であるため、１．６６を切り下げ、最もノイズ傾向の高い１つの試行（トライアル）データ、つまり、試行（トライアル）番号８の試行（トライアル）データが取り除かれることになる。

以上のようにして、分析に影響を与える可能性があるノイズ傾向のある試行（トライアル）のデータを取り除くようにするため、より正確に結合性分析を行うことが可能となる。

＜クラスタ係数の分布マップの構成例＞
図１１は、測定されたチャンネル（領域）から取得されるクラスタ係数の分布マップの構成例を示す図である。図１１は、脳の前頭前野のクラスタ係数の分布マップ１１０１である。

当該分布マッチを生成する際には、式１１００を用いて各チャンネル（各領域）の近隣チャンネル（近隣領域）への相関の強さを計算することにより、各チャンネル（領域）についてクラスタ係数が算出される。

ここで、Ｃは分析対象のチャンネル（領域）におけるクラスタ係数を、ｒは近隣チャンネル（近隣領域：Direct neighbor）間の相関係数を、ｎは近隣チャンネル（近隣領域）の数をそれぞれ示している。なお、相関係数ｒは、両方向の相関の和に相当する値である。例えば、チャンネル２とチャンネル３であれば、チャンネル２からチャンネル３の相関、及びチャンネル３からチャンネル２の相関の和ということになる。

分布マップ１１０１を視覚化するためには、通常、チャンネル（領域）間のギャップのクラスタ係数が外挿される。また、分布マップ１１０１において、クラスタ係数レベル１１０２がカラーマップによって示される。

このようにクラスタ係数の分布マップを示すことにより、高いクラスタ係数値を取るチャンネル（領域）を視覚化することができ、これによって、例えば被検者があるタスクを実行する際に互いに関連するチャンネル（領域）を特定することができるようになる。

＜チャンネル（領域）間の情報伝達表示＞
図１２は、あるチャンネル（シード）から他のチャンネル（ターゲット）に情報が伝達したときの結合性の特徴を表す図である。なお、以下の説明において、図１２の各図を描画する主体をプロセッサ１１とすることができる。

情報があるチャンネル（シードチャンネル）から他のチャンネル（ターゲットチャンネル）に伝達する場合、ターゲットチャンネル（ターゲット領域）への信号は、シードチャンネル（シード領域）の信号と類似のパターンを有するものと推測されるが、伝達遅延時間があることにより、信号パターンは時間方向に少しずれたものとなる。よって、ピアソンの相関係数演算の他、相互相関分析も実行され、信号を少しずつシフト（シフト量は、サンプリングポイントによる）し、信号を畳み込み、信号がシフトされるにつれて最も高い相関のあるところと遅延時間量とを算定する。相互相関の式は、式１２００で表される。

ここで、ｘはチャンネル（例えば、チャンネル５及び６）の特定のサンプリングポイントにおける信号振幅値を、ｃは共分散を、Ｔはｎと同様に最大試行（トライアル）期間を、ｋはシフト時間を、σは各チャンネル（領域）に関する信号の標準偏差を、ｒは相関係数をそれぞれ示している。

遅延時間からは情報伝達の方向を認識することが可能となる。つまり、類似形状の信号が一番早く計測されたチャンネル（領域）がシードチャンネルとなり、当該類似形状の信号が計測された時間を特定すれば、伝達時間と共に、ターゲットまでの伝達経路をなすチャンネル（領域）を特定することができる。

チャンネル（領域）間の相関、遅延時間、情報伝達方向、及び物理的距離を含む結合性の特徴を図示するには、図１２に示されるような２Ｄ及び３Ｄサークルプロットを用いることができる。サークルプロットを生成するには、まず、シードとなるチャンネル（領域）を選択する。図１２においては、チャンネル（領域）１１_１２０１ａ、及びチャンネル（領域）１０_１２０１ｂをシードチャンネル（領域）とした例が示されている。サークルプロットを描画する場合、シードチャンネル（領域）からの信号が他のチャンネル（領域）と相互相関するときの相関強度の最高値及び遅延時間が取得される。また、シードチャンネル（領域）と他のチャンネル（領域）との物理的距離（直線距離或いは脳外周距離）も算出される。これらの結合性の特徴が取得されると、各シードチャンネル（領域）について、２つのサークルプロット１２０２ａ-ｂ及び１２０３ａ-ｂがそれぞれ描画される。各シードチャンネル（領域）に対するサークルプロット１２０２ａ-ｂは、相関強度と時間遅延との関係を表し、各シードチャンネル（領域）に対するサークルプロット１２０３ａ-ｂは、物理的距離と時間遅延との関係を表している。

図１２における各サークルプロットで描画される各ラインは、シードチャンネル（領域）と他のチャンネル（領域）との関係を表している。また、サークルプロットにおいて、垂直ライン１２０４にラインが描画されると、遅延時間はゼロである。この垂直ライン１２０４から反時計回りの位置にラインが配置される場合、シードチャンネル（領域）からの信号は反時計回りの位置に配置されたラインに相当するチャンネル（領域）からの信号よりも遅れているという意味になる。一方、この垂直ライン１２０４から時計回りの位置にラインが配置される場合、シードチャンネル（領域）からの信号は時計回りの位置に配置されたラインに相当するチャンネル（領域）からの信号よりも進んでいるという意味になる。さらに、サークルプロットの中心からの距離（半径）１２０５及び１２０６は、相関強度と物理的距離をそれぞれ示している。中心に近ければ、相関強度がより強く、物理的距離も近いという意味になっている。サークルプロットの中心からのラインは、シードチャンネル（領域）と他のチャンネル（領域）との間の相関と遅延時間、及び物理的距離と遅延時間を示している。

例えば、シードチャンネル（領域）１１のサークルプロット１２０２ａでは、シードチャンネル（領域）１１は、チャンネル（領域）９及び１０よりも進んでおり、これらのチャンネル（領域）に対するソースチャンネル（領域）であると推定される。さらに、シードチャンネル（領域）１１は、チャンネル（領域）５−８、及び１２−１５よりも遅れており、これらのチャンネル（領域）からのターゲットチャンネル（領域）であると推定される。なお、２Ｄサークルプロットは半径と放射の２軸で表され、３Ｄサークルプロットはさらに高さの１軸が追加されて表される。この時、半径１２１０は相関強度を表し、角度は遅延を表し、高さ１２０９は物理的距離を示す。

図１５は、複数のチャンネル（領域）によって構成されるクラスタ間における情報伝達とその際の遅延時間の例を模式的に示す図である。上述のように、相互に関連性の強い複数のチャンネル（領域）はクラスタとしてグルーピングされる。情報が伝達する場合、このクラスタでの処理が行われ、その後次のクラスタに伝達されることになる。この情報伝達の時間が遅延時間として現れることになる。図１６は、図１５の情報伝達の例を脳内の領域と関連付けて表した図である。

＜包括的結合性に関するグループ比較の例＞
図１３は、本実施形態による脳結合性分析システム１により得られる、グループ１及び２の包括的結合性モチーフを比較するためのデータ表示例を示す図である。

脳結合性分析システム１は、結合性の特徴を算出し、図１２や図１３に示されるように、オペレータのコマンド入力６０５によって指定されるｎ個のシードチャンネルについて３Ｄサークルプロット１２０８ａ乃至１２０８ｂを描画する。ここで、ｎは、分析対象として選択全てのチャンネル（領域）を示している。図１３では、脳結合性分析システム１が、シードチャンネルの結合性を包括的結合性にまとめる演算を行い、分析の堅牢性を強化し、分析の誤った解釈がなされる危険性を最小化する表示例が示されている。

図１２において、３Ｄサークルプロット１２０８ａ乃至１２０８ｂはシードチャンネル（領域）と他のチャンネル（領域）との間の関係（例えば、相関関係）を示しているが、脳結合性分析システム１がシードチャンネルの結合性を包括的結合性にまとめる演算では、この関係を示す中心のラインがデカルト座標表示（ｘ，ｙ，ｚ軸表示）に変換される。また、脳結合性分析システム１は、式１３０１を用いて、結合性の特徴（例えば、相関の強さ、遅延時間、及び物理的距離）の３つの座標軸（ｘ，ｙ，ｚ軸）におけるシードチャンネル−他のチャンネル間の関係の各ラインの内積を演算する（図１３）。シードチャンネル（領域）の信号は当該シードチャンネル（領域）の信号との相関を算出することは意味が無いため、総内積１３０２は、ｎ×（ｎ−１）個となる。

これら内積から、分布ヒストグラム１３０４ａ及び１３０４ｂ（包括的結合性モチーフとも称する）が各個人データについて、或いはグループ１３０３ａ及び１３０３ｂのデータのそれぞれについて生成され、描画される。また、分布パターン１３０５も分布ヒストグラム１３０４ａ及び１３０４ｂを近似するものとして表示される。

このように内積演算を用いて全ての結合性の特徴をまとめることにより、各シードチャンネル（領域）の３Ｄサークルプロットを単一の分布グラフ或いは包括的結合性モチーフに単純化して表示することが可能となる。単一のシードチャンネルを分析することは一見現実的のように思えるが、多くの場合被検者のばらつきによって制限されてしまい、分析の堅牢性も懐疑的である。そこで、本開示による分析では、シードチャンネルの結合性の特徴を結合し、包括的結合性モチーフを提供するようにしている。この包括的結合性モチーフに示されるグラフの特徴を分析すれば、より多くの変数によって、個別データやグループデータを評価することが可能となる。これらの変数はバイオマーカとなりうるものである。

＜推論解析表示の構成例＞
図１４は、推論解析表示（分析結果表示）１４００のウインドウの構成例を示す図である。推論解析表示（分析結果表示）１４００では、個別分析の結果や、グループ間での複数測定のデータを比較分析した結果を表示することができる。なお。図１４では、一例としてグループ分析の結果が示されている。なお、推論解析表示１４００のための情報を生成したり描画したりする動作主体は、例えばプロセッサ１１とすることが可能である。

推論解析表示１４００は、被検者ＩＤ１４０１と、性別１４０２と、年齢１４０３と、分析タイプ１４０４と、分析結果１４０５と、グループ特徴表示１４１１（図１４では、グラフ１４１１ａとグラフ１４１１ｂが示されている）と、を構成要素として含んでいる。

被検者の数が複数の場合には、被検者ＩＤ１４０１、性別１４０２、及び年齢１４０３の情報は、その被検者の数だけ表示される。また、分析コマンドの概要が、分析タイプ１４０４として表示される。図１４では、「グループ分析」と表示されている。

分析結果１４０５は、メインの情報の表示領域である。当該領域１４０５には、各グループ（図１４では、グループ１_１４０５ａとグループ２_１４０５ｂ）に関する分析の結果が、推論解析１４０５ｃの情報と共に可視化される。グループ分析ではなく個別分析の場合には、比較対象の他のグループのデータが存在しないため、グループ２_１４０５ｂと推論解析１４０５ｃの欄は表示されない。

分析方法１４０７乃至１４１０には、オペレータが入力したコマンド３０８ｂに従って、指定された分析方法に対応する情報が表示される。ここで用いられる分析方法は、例えば、分布曲線面積下解析（Area under curve）１４０７、分散解析（Distribution type）１４０８、歪解析（Skewness）１４０９、ピーク数（Peak number（前述のようにピーク解析とも称する））１４１０等である。特にグループ／比較分析における分布曲線下面積解析（Area under curve）は、分析のために選択され、かつ／又は測定されたチャンネル（領域）の数に多大に依存している。つまり、チャンネル（領域）の数が２つのグループのデータ間で整合していない場合、包括的結合性モチーフは別々に正規化されることになる。そして、分散解析１４０８の正規性が評価された後、分布曲線面積下解析（Area under curve）１４０７による推論が統計的に描かれることになる。一方、包括的結合性モチーフの分布が標準正規分布（つまり、ガウス分布）となっていない場合には、想定している仮説（上述の帰無仮説Ｈ_０）が正規分布における仮説であるため、ｔ検定、ｚ検定、及びｆ検定を安易に実行すべきではない。従って、正規性を評価した後に、２つのグループ間の有意差の推論をもたらす正規性評価結果のデータに対して２つのグループの平均や分散などの統計的検査が実行される。２つのグループの差が有意でない場合、推論解析１４０５ｃは適合となり、２つのグループの差が有意である場合、推論解析１４０５ｃは「適合せず」となる。なお、各分析方法及び各グループに関する結果は領域１４０６ａ及び１４０６ｂに示され、各分析方法に関する推論解析の結果は領域１４０６ｃに示されている。

例えば、分析方法が分散解析（Distribution type）１４０８の場合、２つのグループの分布について正規性評価が実行され、ガウス分布かピアソン分布や対数正規分布などのその他の分布かどうか、２つのグループの分布が区別される。２つのグループが類似の分布のタイプであった場合、推論解析１４０５ｃの値は「適合」となる。また、例えば、歪解析（Skewness）１４０９の場合には、いくつかの統計的検査が実行される。さらに、例えば、ピーク数分析（Peak number）１４１０の場合には、包括的結合性モチーフのグラフにおけるピーク発生数がカウントされる。そして、何れの分析方法の場合にも、両グループの推論解析１４０５ｃの結果が領域１４０６ｃに示される。

以上のように、推論解析表示（分析結果表示）１４００は、オペレータによって選択されたデータとその分析結果（推論解析を含む）を同一ウインドウ内に表示する。このため、オペレータは、自分が選択した分析方法による結果に基づいて、容易に測定データを解釈し、診断などを適切にすることができるようになる。

なお、例えば、推論解析表示（分析結果表示）１４００別のウインドウにおいて、クラスタ係数の分布マップ（図１１）、包括的結合性モチーフ（図１３）や情報伝達とその際の遅延時間の表示（図１５又は図１６）等を表示するようにしてもよい。

＜まとめ＞
（1）本実施形態では、脳結合性分析システムは、脳の複数のチャンネル（領域：オペレータによって選択された、被検者の複数のチャンネル）の測定データを測定データベースから取得し、複数のチャンネルうち少なくとも１つをシードチャンネルとし、当該シードチャンネルと他のチャンネルとの複数の結合性特徴（相関強度、情報伝達遅延時間、物理的距離、情報伝達方向など）を測定データから算出する。また、当該システムは、算出した結合性特徴のうち、各チャンネルにおける情報伝達遅延時間と他の結合性特徴（例えば、相関強度や物理的距離）との関係を示す結合性特徴グラフ（２Ｄサークルプロットや３Ｄサークルプロット：図１２参照）を生成し、これを表示装置の画面上に表示する。このようにすることにより、チャンネル（領域）間の関係を容易に理解でき、また、脳の結合性を包括的に把握することができる（従来は、領域間の特定の関係しか把握することができない）ようになる。また、このようなグラフを医師等が見ることにより、被検者が抱えている可能性のある精神疾患などを特定できるようになる。さらに、本開示による脳結合分析は、従来の分析とは異なり、分析用モデルとは独立しており、測定データのみを用いて分析するので、被検者のデータを柔軟に分析することができるようになる。

また、脳結合分析システムは、３次元サークルプロットにおける結合性特徴間の関係を示すラインをデカルト座標に変換し、各ラインの内積を算出し、結合性特徴の分布ヒストグラム及び分布パターンを生成して、それらを表示する（図１３或いは図１４参照）。例えば、個人の被検者の分布ヒストグラムや分布パターンを、基準となる分布ヒストグラムや分布パターン（例えば、母集団の平均）と比較（例えば、形状を比較する）することにより、当該被検者の脳機能として正常の範囲か否か容易に判断することができるようになる。また、複数グループ間の分布ヒストグラム及び分布パターンを比較する（例えば、性別による比較、年齢による比較、疾患による比較、服薬による比較等）ことにより、各グループの傾向を把握することができる。

さらに、脳結合分析システムは、複数の被検者グループの測定データを用いて、少なくとも１つの分析方法（分布曲線面積下解析（Area under curve）、分散解析（Distribution type）、歪解析（Skewness）、ピーク解析（Peak number）で上述の分布ヒストグラム又は分布パターンを分析して得られた分析結果と、複数の被検者グループにおいて、当該分析結果が適合（マッチ）するか否かを示す推論解析情報を、分布ヒストグラム及び分布パターンと共に表示する（図１４参照）。

（2）本実施形態による脳結合分析システムでは、結合性特徴を算出する際に、複数の試行に亘る測定データの平均値を用いる。或いは、複数の試行のそれぞれの測定データを用いて複数の結合性特徴を算出する。また、脳結合分析システムでは、複数の試行の測定データを用いる場合、その測定データの同等性を評価し、オペレータによってコマンドに含まれるトリミング割合に基づいて測定データをノイズ傾向の高い測定データであると判断して取り除くトリミング処理が実行され、当該トリミング処理後の測定データを用いて複数の結合性特徴が算出される。平均値を用いる場合には、よりシンプルな分析を行うことができる。一方、各試行のデータを用いる場合には、複数の試行中の測定データにノイズが含まれていたとしてもノイズ傾向の高い測定データを取り除いて分析するため、より正確な分析を実行することが可能となる。

（3）本開示は、実施形態の機能を実現するソフトウェアのプログラムコードによっても実現できる。この場合、プログラムコードを記録した記憶媒体をシステム或は装置に提供し、そのシステム或は装置のコンピュータ（又はＣＰＵやＭＰＵ）が記憶媒体に格納されたプログラムコードを読み出す。この場合、記憶媒体から読み出されたプログラムコード自体が前述した実施形態の機能を実現することになり、そのプログラムコード自体、及びそれを記憶した記憶媒体は本発明を構成することになる。このようなプログラムコードを供給するための記憶媒体としては、例えば、フレキシブルディスク、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、ハードディスク、光ディスク、光磁気ディスク、ＣＤ−Ｒ、磁気テープ、不揮発性のメモリカード、ＲＯＭなどが用いられる。

また、プログラムコードの指示に基づき、コンピュータ上で稼動しているＯＳ（オペレーティングシステム）などが実際の処理の一部又は全部を行い、その処理によって前述した実施の形態の機能が実現されるようにしてもよい。さらに、記憶媒体から読み出されたプログラムコードが、コンピュータ上のメモリに書きこまれた後、そのプログラムコードの指示に基づき、コンピュータのＣＰＵなどが実際の処理の一部又は全部を行い、その処理によって前述した実施の形態の機能が実現されるようにしてもよい。

さらに、実施の形態の機能を実現するソフトウェアのプログラムコードを、ネットワークを介して配信することにより、それをシステム又は装置のハードディスクやメモリ等の記憶手段又はＣＤ−ＲＷ、ＣＤ−Ｒ等の記憶媒体に格納し、使用時にそのシステム又は装置のコンピュータ（又はＣＰＵやＭＰＵ）が当該記憶手段や当該記憶媒体に格納されたプログラムコードを読み出して実行するようにしても良い。

最後に、ここで述べたプロセス及び技術は本質的に如何なる特定の装置に関連することはなく、コンポーネントの如何なる相応しい組み合わせによってでも実装できることを理解する必要がある。更に、汎用目的の多様なタイプのデバイスがここで記述した教示に従って使用可能である。ここで述べた方法のステップを実行するのに、専用の装置を構築するのが有益であることが判るかもしれない。また、実施形態に開示されている複数の構成要素の適宜な組み合わせにより、種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態にわたる構成要素を適宜組み合わせてもよい。本発明は、具体例に関連して記述したが、これらは、すべての観点に於いて限定の為ではなく説明の為である。本分野にスキルのある者には、本発明を実施するのに相応しいハードウェア、ソフトウェア、及びファームウエアの多数の組み合わせがあることが解るであろう。例えば、記述したソフトウェアは、アセンブラ、Ｃ／Ｃ＋＋、ｐｅｒｌ、Ｓｈｅｌｌ、ＰＨＰ、Ｊａｖａ（登録商標）等の広範囲のプログラム又はスクリプト言語で実装できる。

さらに、上述の実施形態において、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。全ての構成が相互に接続されていても良い。

加えて、本技術分野の通常の知識を有する者には、本発明のその他の実装がここに開示された本発明の明細書及び実施形態の考察から明らかになる。明細書と具体例は典型的なものに過ぎず、本発明の範囲と精神は後続する請求範囲で示される。

１ 脳結合性分析システム
１１ プロセッサ
１２ プログラムメモリ
１３ 入力装置
１４ 記憶装置
１５ 出力装置
１６ メモリ
２０ 測定プローブ
２１ 複数の光源
２２ 複数の検出器
２３ 測定ポイントチャンネル
３０、４０、５０、６０ コマンド入力画面
３０１ 分析タイプ
３０２ データ選択
３０３ データリスト
３０７ 結合性モチーフ分析選択
５０１ 分析レベル
５０２ チャンネル選択
６０３ ノイズトリミング選択部
１４００ 推論解析表示（分析結果表示）

Claims (15)

1. 脳の領域間における結合性を分析する脳結合性分析システムであって、
   前記結合性を分析するための結合性分析プログラムを格納するメモリと、
   前記メモリから前記結合性分析プログラムを読み込み、前記結合性を分析するプロセッサと、を備え、
   前記プロセッサは、
   選択された、脳の複数の領域の測定データを記憶装置から取得する処理と、
   前記複数の領域のうち少なくとも１つをシード領域とし、当該シード領域と他の領域との複数の結合性特徴を、前記複数の領域の前記測定データから算出する処理と、
   前記複数の結合性特徴に含まれる、各領域における伝達遅延時間と他の結合性特徴との関係を示す結合性特徴グラフを生成する処理と、
   前記結合性特徴グラフを出力する処理と、
   を実行する脳結合性分析システム。
2. 請求項１において、
   前記プロセッサは、前記シード領域及び前記他の領域における信号の出現タイミングを特定し、各領域における伝達遅延時間を算出する、脳結合性分析システム。
3. 請求項１において、
   前記プロセッサは、前記複数の結合性特徴として、前記伝達遅延時間の他、領域間の相関強度、領域間の距離、領域間における情報伝達方向を算出する、脳結合性分析システム。
4. 請求項１において、
   前記結合性特徴グラフは、２次元または３次元サークルプロットであり、
   前記プロセッサは、前記結合性特徴グラフの、結合性特徴間の関係を示すラインをデカルト座標に変換し、各ラインの内積を算出し、結合性特徴の分布ヒストグラム及び分布パターンを生成して、それらを出力する、脳結合性分析システム。
5. 請求項４において、
   前記プロセッサは、入力されたコマンドに従って、個別の被検者の測定データ、或いは複数の被検者グループの測定データを用いて前記複数の結合性特徴を生成し、前記結合性特徴グラフを生成する、脳結合性分析システム。
6. 請求項５において、
   前記複数の被検者グループの測定データを用いる場合、前記プロセッサは、被検者グループ間の前記結合性特徴の前記分布ヒストグラム及び前記分布パターンを比較表示する、脳結合性分析システム。
7. 請求項６において、
   前記プロセッサは、さらに、前記複数の被検者グループの測定データに関する分析結果であって、指定された少なくとも１つの分析方法による前記分布ヒストグラム又は前記分布パターンに対する分析結果と、前記複数の被検者グループの測定データに関する分析結果が適合するか否かを示す推論解析情報と、を前記分布ヒストグラム及び前記分布パターンと共に表示する、脳結合性分析システム。
8. 請求項１において、
   前記プロセッサは、複数の試行に亘る前記測定データの平均値を算出し、当該平均値を用いて前記複数の結合性特徴を算出する、脳結合性分析システム。
9. 請求項１において、
   前記プロセッサは、複数の試行のそれぞれの前記測定データを用いて前記複数の結合性特徴を算出する、脳結合性分析システム。
10. 請求項９において、
    前記プロセッサは、入力されたコマンドに従って、前記複数の試行における測定データの同等性を評価し、前記コマンドに含まれるトリミング割合に基づいて前記測定データをノイズ傾向の高い測定データであると判断して取り除くトリミング処理を実行し、当該トリミング処理の後の測定データを用いて前記複数の結合性特徴を算出する、脳結合性分析システム。
11. 脳の領域間における結合性を分析する脳結合性分析方法であって、
    メモリから前記結合性を分析するための結合性分析プログラムを読み込み実行するプロセッサが、選択された、脳の複数の領域の測定データを記憶装置から取得することと、
    前記プロセッサが、前記複数の領域のうち少なくとも１つをシード領域とし、当該シード領域と他の領域との複数の結合性特徴を、前記複数の領域の前記測定データから算出することと、
    前記プロセッサが、前記複数の結合性特徴に含まれる、各領域における伝達遅延時間と他の結合性特徴との関係を示す結合性特徴グラフを生成することと、
    前記プロセッサが、前記結合性特徴グラフを出力することと、
    を含む、脳結合性分析方法。
12. 請求項１１において、
    前記結合性特徴グラフは、２次元または３次元サークルプロットであり、
    前記プロセッサは、前記結合性特徴グラフの、結合性特徴間の関係を示すラインをデカルト座標に変換し、各ラインの内積を算出し、結合性特徴の分布ヒストグラム及び分布パターンを生成して、それらを出力する、脳結合性分析方法。
13. 請求項１２において、
    前記プロセッサは、入力されたコマンドに従って、個別の被検者の測定データ、或いは複数の被検者グループの測定データを用いて前記複数の結合性特徴を生成し、前記結合性特徴グラフを生成する、脳結合性分析方法。
14. 請求項１３において、
    前記複数の被検者グループの測定データを用いる場合、前記プロセッサは、被検者グループ間の前記結合性特徴の前記分布ヒストグラム及び前記分布パターンを比較表示する、脳結合性分析方法。
15. 請求項１４において、さらに、
    前記プロセッサが、前記複数の被検者グループの測定データに関する分析結果であって、指定された少なくとも１つの分析方法による前記分布ヒストグラム又は前記分布パターンに対する分析結果と、前記複数の被検者グループの測定データに関する分析結果が適合するか否かを示す推論解析情報と、を前記分布ヒストグラム及び前記分布パターンと共に表示することを含む、脳結合性分析方法。

Images