JP2022106065A - 認知症兆候判別プログラム - Google Patents

Abstract

【課題】被検者の認知症の兆候を自動的かつ高精度に判別する。【解決手段】被検者の認知症の兆候を判別する認知症兆候判別プログラムにおいて、被検者の脳波に関する脳波情報を取得する情報取得ステップと、過去の被検者の脳波に関する参照用脳波情報と、認知症の兆候の判別類型との３段階以上の連関度を参照し、上記情報取得ステップにより取得された脳波情報に基づき、上記被検者の認知症の兆候を判別する判別ステップとをコンピュータに実行させることを特徴とする。【選択図】図１６

Description

本発明は、被検者の認知症の兆候を判別する認知症兆候判別プログラムに関する。

近年における高齢化社会の進展に伴い、認知症の患者が増加している。認知症に陥る際には、本人が自覚をしていなくとも外部に兆候として表れる場合がある。仮に認知症になりえる兆候を事前に検知することができれば、その段階で様々な処方を施すことで、本格的な認知症に陥る危険性を回避することができる。しかしながら、従来において、このような認知症の兆候を自動的かつ高精度に判別するシステムは提案されていないのが現状であった。

そこで本発明は、上述した問題点に鑑みて案出されたものであり、その目的とするところは、被検者の認知症の兆候を自動的かつ高精度に判別することが可能な認知症兆候判別プログラムを提供することにある。

上述した課題を解決するために、本発明に係る認知症兆候判別プログラムは、被検者の認知症の兆候を判別する認知症兆候判別プログラムにおいて、被検者の脳波に関する脳波情報を取得する情報取得ステップと、過去の被検者の脳波に関する参照用脳波情報と、認知症の兆候の判別類型との３段階以上の連関度を参照し、上記情報取得ステップにより取得された脳波情報に基づき、上記被検者の認知症の兆候を判別する判別ステップとをコンピュータに実行させることを特徴とする。

特段のスキルや経験が無くても、被検者の認知症の兆候を自動的かつ高精度に判別することが可能となる。

本発明を適用したシステムの全体構成を示すブロック図である。 探索装置の具体的な構成例を示す図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。 本発明の動作について説明するための図である。

以下、本発明を適用した認知症兆候判別プログラムについて、図面を参照しながら詳細に説明をする。

第１実施形態
図１は、本発明を適用した認知症兆候判別プログラムが実装される認知症兆候判別システム１の全体構成を示すブロック図である。認知症兆候判別システム１は、情報取得部９と、情報取得部９に接続された探索装置２と、探索装置２に接続されたデータベース３とを備えている。

情報取得部９は、本システムを活用する者が各種コマンドや情報を入力するためのデバイスであり、具体的にはキーボードやボタン、タッチパネル、マウス、スイッチ等により構成される。情報取得部９は、テキスト情報を入力するためのデバイスに限定されるものではなく、マイクロフォン等のような音声を検知してこれをテキスト情報に変換可能なデバイスで構成されていてもよい。また情報取得部９は、カメラ等の画像を撮影可能な撮像装置として構成されていてもよい。情報取得部９は、紙媒体の書類から文字列を認識できる機能を備えたスキャナで構成されていてもよい。また情報取得部９は、後述する探索装置２と一体化されていてもよい。情報取得部９は、検知した情報を探索装置２へと出力する。また情報取得部９は地図情報をスキャニングすることで位置情報を特定する手段により構成されていてもよい。また情報取得部９は、温度センサ、湿度センサ、流量センサ、その他物質や物性を特定することが可能なセンサも含む。情報取得部９は、インターネット上のサイトに掲載されている文字列やデータを自動的に取り込んでくる手段で構成されていてもよい。

データベース３は、認知症兆候判別を行う上で必要な様々な情報が蓄積される。認知症兆候判別を行う上で必要な情報としては、テキストデータ内における代名詞の頻度に関する参照用代名詞頻度情報、音声のトーンに関する参照用トーン情報、被検者の表情を撮像した表情画像情報、アクションを規定するインテントに関する参照用インテント情報、過去の被検者の脳波に関する参照用脳波情報、被検者の属性に関する参照用属性情報等に対して判別された認知症の兆候とのデータセットが記憶されている。

つまり、データベース３には、このような参照用代名詞頻度情報、参照用トーン情報、表情画像情報、参照用インテント情報、参照用脳波情報、参照用属性情報と、被検者の認知症の兆候とが互いに紐づけられて記憶されている。

探索装置２は、例えば、パーソナルコンピュータ（ＰＣ）等を始めとした電子機器で構成されているが、ＰＣ以外に、携帯電話、スマートフォン、タブレット型端末、ウェアラブル端末等、他のあらゆる電子機器で具現化されるものであってもよい。ユーザは、この探索装置２による探索解を得ることができる。

図２は、探索装置２の具体的な構成例を示している。この探索装置２は、探索装置２全体を制御するための制御部２４と、操作ボタンやキーボード等を介して各種制御用の指令を入力するための操作部２５と、有線通信又は無線通信を行うための通信部２６と、各種判断を行う推定部２７と、ハードディスク等に代表され、実行すべき検索を行うためのプログラムを格納するための記憶部２８とが内部バス２１にそれぞれ接続されている。さらに、この内部バス２１には、実際に情報を表示するモニタとしての表示部２３が接続されている。

制御部２４は、内部バス２１を介して制御信号を送信することにより、探索装置２内に実装された各構成要素を制御するためのいわゆる中央制御ユニットである。また、この制御部２４は、操作部２５を介した操作に応じて各種制御用の指令を内部バス２１を介して伝達する。

操作部２５は、キーボードやタッチパネルにより具現化され、プログラムを実行するための実行命令がユーザから入力される。この操作部２５は、上記実行命令がユーザから入力された場合には、これを制御部２４に通知する。この通知を受けた制御部２４は、推定部２７を始め、各構成要素と協調させて所望の処理動作を実行していくこととなる。この操作部２５は、前述した情報取得部９として具現化されるものであってもよい。

推定部２７は、探索解を推定する。この推定部２７は、推定動作を実行するに当たり、必要な情報として記憶部２８に記憶されている各種情報や、データベース３に記憶されている各種情報を読み出す。この推定部２７は、人工知能により制御されるものであってもよい。この人工知能はいかなる周知の人工知能技術に基づくものであってもよい。

表示部２３は、制御部２４による制御に基づいて表示画像を作り出すグラフィックコントローラにより構成されている。この表示部２３は、例えば、液晶ディスプレイ（ＬＣＤ）等によって実現される。

記憶部２８は、ハードディスクで構成される場合において、制御部２４による制御に基づき、各アドレスに対して所定の情報が書き込まれるとともに、必要に応じてこれが読み出される。また、この記憶部２８には、本発明を実行するためのプログラムが格納されている。このプログラムは制御部２４により読み出されて実行されることになる。

上述した構成からなる認知症兆候判別システム１における動作について説明をする。

認知症兆候判別システム１では、例えば図３に示すように、参照用代名詞頻度情報と、参照用トーン情報との組み合わせが形成されていることが前提となる。

参照用代名詞頻度情報は、認知症の兆候を判別する被験者が話をした音声をテキストデータに変換したとき、当該テキストデータ内に代名詞がどの程度含まれているかを示す情報である。例えば、被検者が「私は、明日、藤本君と、新幹線で、１３時までに、大阪へ、行く」という話をするのと「私は、明日、あれと、あれで、大阪へ行く」というのでは、前者の方が意味が明確であるのに対して、後者は意味が不明確になってしまう。認知症の患者は、自らが発する音声のテキストデータ中における代名詞の割合が高くなる。これをテキストデータ単位で抽出することで、参照用代名詞頻度情報とする。

実際にテキストデータ内の代名詞の頻度を定量化する上で、テキストデータの文節数、単語数、格成分の数、名詞句の数、文字数をカウントすることでテキストデータ全体のボリュームを検出するようにしてもよい。そして、このテキストデータ全体のボリュームに対して、これに含まれる代名詞のボリュームを同様に、文節数、単語数、格成分の数、名詞句の数、文字数等を介してカウントする。そして、テキストデータ全体のボリュームに対する代名詞のボリュームの比率を上述した頻度として検出する。これらのテキストデータ全体並びに代名詞のボリュームを計測する上での単位（文節数、単語数、格成分の数、名詞句の数、文字数等）は互いに共通化させることが前提となる。

本発明においては、この参照用代名詞頻度情報を検出する上で、過去の被検者の音声の入力を受け付ける。この入力はマイクロフォン等を介して受け付けるようにしてもよい。そして、この被検者の声をテキストデータに変換してこれを形態素解析することにより、当該テキストデータに含まれる代名詞を抽出する。代名詞は、「あれ」、「それ」、「これ」等の文言を形態素解析により抽出する。また、文節構造体（格成分、名詞句等）を抽出する際も同様に形態素解析を利用する。

参照用トーン情報とは、過去の被検者から抽出した音声のトーンに関する情報である。この音声のトーンは、例えば、音の高低（音波の１秒間あたりの振動回数、つまり周波数）や音そのもの、或いは音の強弱を指す。音声のトーンは、一般的な音声検出器を通じて、その高低や強弱を検出し、解析するようにしてもよい。

参照用トーン情報は、参照用代名詞頻度情報におけるテキストデータと連動させ、紐付けておくようにしてもよい。例えば、「私は、明日、あれと、あれで、大阪へ行く」という文言において、「明日」、「あれと」等の各名詞句（格成分）に対して、それぞれ音声のトーンが紐付けられ、参照用トーン情報とされていてもよい。

入力データとしては、このような参照用代名詞頻度情報と、参照用トーン情報が並んでいる。このような入力データとしての、参照用代名詞頻度情報に対して、参照用トーン情報が組み合わさったものが、図３に示す中間ノード６１である。各中間ノード６１は、更に出力に連結している。この出力においては、認知症の兆候の判別類型Ａ～Ｅが表示されている。この認知症の兆候の判別類型は、それぞれ認知症の兆候のあらゆる類型を示すものである。認知症の兆候の判別類型は、例えばＡは、「異常なし」、Ｂは、「重度の認知症」、Ｃは、「認知症ではないが、その兆候がある予備群」等である。認知症の兆候の判別類型は、これ以外に、認知症の症状の大きさや程度を示すものであってもよい。

参照用代名詞頻度情報と、参照用トーン情報との各組み合わせ（中間ノード）は、この出力解としての、認知症の兆候の判別類型に対して３段階以上の連関度を通じて互いに連関しあっている。参照用代名詞頻度情報と、参照用トーン情報がこの連関度を介して左側に配列し、認知症の兆候の判別類型Ａ、Ｂ、Ｃ、Ｄ、Ｅ、・・・が連関度を介して右側に配列している。連関度は、左側に配列された参照用代名詞頻度情報と、参照用トーン情報に対して、何れの認知症の兆候の判別類型と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用代名詞頻度情報と、参照用トーン情報が、いかなる認知症の兆候の判別類型に紐付けられる可能性が高いかを示す指標であり、各参照用代名詞頻度情報と、参照用トーン情報から、被検者にとって最も該当可能性が高い認知症の兆候の判別類型を選択する上での的確性を示すものである。図３の例では、連関度としてｗ１３～ｗ２２が示されている。このｗ１３～ｗ２２は以下の表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力としての認知症の兆候の判別類型と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力としての認知症の兆候の判別類型と互いに関連度合いが低いことを示している。

探索装置２は、このような図３に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で参照用代名詞頻度情報と参照用トーン情報、並びにその場合の認知症の兆候の判別類型の何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図３に示す連関度を作り上げておく。

これらのデータを蓄積する過程では、実際に認知症を患った過去の被検者、又は認知症には陥っていない過去の被検者、更には認知症になっていないが、その予備群になっている過去の被検者から、それぞれ参照用代名詞頻度情報と、参照用トーン情報を検出する。これと共に、実際にその被検者が、認知症の兆候について専門家や医師により判別された結果を、予め規定された判別類型に当てはめ、これをデータ化し、これと、上述した参照用代名詞頻度情報と、参照用トーン情報とのデータセットを学習させるようにしてもよい。

なお、この学習データを構築する過程において、実際に被検者からデータを抽出する場合に限定されるものではなく、架空の被検者を想定し、ある参照用代名詞頻度情報と、参照用トーン情報であった場合に、実際にどのような認知症の兆候の判別類型に当てはめるかを判断してデータ化し、これを学習させるようにしてもよい。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用代名詞頻度情報Ｐ０１で、参照用トーン情報Ｐ１６である場合に、その認知症の兆候の判別類型を過去のデータから分析する。Ａの事例が多い場合には、このＡにつながる連関度をより高く設定し、Ｂの事例が多く、Ａの事例が少ない場合には、Ｂにつながる連関度を高くし、Ａにつながる連関度を低く設定する。例えば中間ノード６１ａの例では、認知症の兆候の判別類型ＡとＢの出力にリンクしているが、以前の事例から認知症の兆候の判別類型Ａにつながるｗ１３の連関度を７点に、認知症の兆候の判別類型Ｂにつながるｗ１４の連関度を２点に設定している。

また、この図３に示す連関度は、人工知能におけるニューラルネットワークのノードで構成されるものであってもよい。即ち、このニューラルネットワークのノードが出力に対する重み付け係数が、上述した連関度に対応することとなる。またニューラルネットワークに限らず、人工知能を構成するあらゆる意思決定因子で構成されるものであってもよい。

図３に示す連関度の例で、ノード６１ｂは、参照用代名詞頻度情報Ｐ０１に対して、参照用トーン情報Ｐ１４の組み合わせのノードであり、認知症の兆候の判別類型Ｃの連関度がｗ１５、認知症の兆候の判別類型Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用代名詞頻度情報Ｐ０２に対して、参照用トーン情報Ｐ１５、Ｐ１７の組み合わせのノードであり、認知症の兆候の判別類型Ｂの連関度がｗ１７、認知症の兆候の判別類型Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから認知症の兆候の判別類型提案のための探索を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、新たに認知症の兆候の判別類型の提案を行う、新たな被検者から代名詞頻度情報に加え、トーン情報を取得する。このような代名詞頻度情報に加え、トーン情報の取得方法は、上述した参照用代名詞頻度情報、参照用トーン情報と同様である。

このようにして新たに取得した代名詞頻度情報、トーン情報に基づいて、最適な認知症の兆候の判別類型を探索する。かかる場合には、予め取得した図３（表１）に示す連関度を参照する。例えば、新たに取得した代名詞頻度情報がＰ０２と同一かこれに類似するものである場合であって、トーン情報がＰ１７と同一かこれに類似する場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、認知症の兆候の判別類型Ｃがｗ１９、認知症の兆候の判別類型Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い認知症の兆候の判別類型Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる認知症の兆候の判別類型Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

また、入力から伸びている連関度ｗ１～ｗ１２の例を以下の表２に示す。

この入力から伸びている連関度ｗ１～ｗ１２に基づいて中間ノード６１が選択されていてもよい。つまり連関度ｗ１～ｗ１２が大きいほど、中間ノード６１の選択における重みづけを重くしてもよい。しかし、この連関度ｗ１～ｗ１２は何れも同じ値としてもよく、中間ノード６１の選択における重みづけは何れも全て同一とされていてもよい。

図４は、上述した参照用代名詞頻度情報と、参照用表情画像情報との組み合わせと、当該組み合わせに対する認知症の兆候の判別類型との３段階以上の連関度が設定されている例を示している。

参照用表情画像情報は、参照用代名詞頻度情報を取得する被検者の表情の画像に関する情報である。参照用表情画像情報は、カメラにより被検者の表情を撮像することで得られた画像データを解析することで、その認知症を検知する上で特徴的な部分を抽出するようにしてもよい。仮に認知症の患者が表情において特有の笑みを見せる場合があると仮定したとき、その特有の笑みを顔画像を解析することで、その有無を検出するようにしてもよい。また、この参照用表情画像情報は、静止画のみならず動画で構成してもよい。動画の場合には、参照用代名詞頻度情報におけるテキストデータと連動させ、紐付けておくようにしてもよい。例えば、「私は、明日、あれと、あれで、大阪へ行く」という文言において、「明日」、「あれと」等の各名詞句（格成分）に対して、それぞれ動画の内容が時系列的に紐付けられ、参照用表情画像情報とされていてもよい。このような参照用表情画像情報、表情画像情報の取り込み方法は、画像解析以外に、必要に応じてディープラーニング技術を利用し、解析画像の特徴量に基づいて自動判別し、データ化してもよい。

図４の例では、入力データとして例えば参照用代名詞頻度情報Ｐ０１～Ｐ０３、参照用表情画像情報Ｐ１８～２１であるものとする。このような入力データとしての、参照用代名詞頻度情報に対して、参照用表情画像情報が組み合わさったものが、図５に示す中間ノードである。各中間ノードは、更に出力に連結している。この出力においては、出力解としての、認知症の兆候の判別類型が表示されている。

参照用代名詞頻度情報と参照用表情画像情報との各組み合わせ（中間ノード）は、この出力解としての、認知症の兆候の判別類型に対して３段階以上の連関度を通じて互いに連関しあっている。参照用代名詞頻度情報と参照用表情画像情報がこの連関度を介して左側に配列し、認知症の兆候の判別類型が連関度を介して右側に配列している。連関度は、左側に配列された参照用代名詞頻度情報と参照用表情画像情報に対して、認知症の兆候の判別類型と関連性が高いかの度合いを示すものである。換言すれば、この連関度は、各参照用代名詞頻度情報と参照表情画像情報が、いかなる認知症の兆候の判別類型に紐付けられる可能性が高いかを示す指標であり、参照用代名詞頻度情報と参照用表情画像情報から最も確からしい各認知症の兆候の判別類型を選択する上での的確性を示すものである。代名詞頻度情報に加え、実際の表情画像がいかなる状態にあるのかに応じて、探索解は変化する。このため、これらの参照用代名詞頻度情報と参照用表情画像情報の組み合わせで、最適な認知症の兆候の判別類型を探索していくこととなる。

図４の例では、連関度としてｗ１３～ｗ２２が示されている。このｗ１３～ｗ２２は表１に示すように１０段階で示されており、１０点に近いほど、中間ノードとしての各組み合わせが出力と互いに関連度合いが高いことを示しており、逆に１点に近いほど中間ノードとしての各組み合わせが出力と互いに関連度合いが低いことを示している。

探索装置２は、このような図４に示す３段階以上の連関度ｗ１３～ｗ２２を予め取得しておく。つまり探索装置２は、実際の探索解の判別を行う上で、参照用代名詞頻度情報と参照用表情画像情報、並びにその場合の認知症の兆候の判別類型が何れが好適であったか、過去のデータを蓄積しておき、これらを分析、解析することで図４に示す連関度を作り上げておく。

この分析、解析は人工知能により行うようにしてもよい。かかる場合には、例えば参照用代名詞頻度情報Ｐ０１で、参照用表情画像情報Ｐ２０である場合に、その認知症の兆候の判別類型を過去のデータから分析する。例えば中間ノード６１ａの例では、認知症の兆候の判別類型ＡとＢの出力にリンクしているが、以前の事例から認知症の兆候の判別類型Ａにつながるｗ１３の連関度を７点に、認知症の兆候の判別類型Ｂにつながるｗ１４の連関度を２点に設定している。

図４に示す連関度の例で、ノード６１ｂは、参照用代名詞頻度情報Ｐ０１に対して、参照用表情画像情報Ｐ１８の組み合わせのノードであり、認知症の兆候の判別類型Ｃの連関度がｗ１５、認知症の兆候の判別類型Ｅの連関度がｗ１６となっている。ノード６１ｃは、参照用代名詞頻度情報Ｐ０２に対して、参照用表情画像情報Ｐ１９、Ｐ２１の組み合わせのノードであり、認知症の兆候の判別類型Ｂの連関度がｗ１７、認知症の兆候の判別類型Ｄの連関度がｗ１８となっている。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから助言を行う際において、上述した学習済みデータを利用して行うこととなる。かかる場合には、上述した代名詞頻度情報に加え、新たに認知症の兆候の判別類型を検査する被検者に関する表情画像情報を取得する。表情画像情報は、参照用表情画像情報に対応したものである。

このようにして新たに取得した代名詞頻度情報、表情画像情報に基づいて、信用度を探索する。かかる場合には、予め取得した図４（表１）に示す連関度を参照する。例えば、新たに取得した代名詞頻度情報がＰ０２と同一かこれに類似するものである場合であって、表情画像情報がＰ２１である場合には、連関度を介してノード６１ｄが関連付けられており、このノード６１ｄは、認知症の兆候の判別類型Ｃがｗ１９、認知症の兆候の判別類型Ｄが連関度ｗ２０で関連付けられている。かかる場合には、連関度の最も高い認知症の兆候の判別類型Ｃを最適解として選択する。但し、最も連関度の高いものを最適解として選択することは必須ではなく、連関度は低いものの連関性そのものは認められる認知症の兆候の判別類型Ｄを最適解として選択するようにしてもよい。また、これ以外に矢印が繋がっていない出力解を選択してもよいことは勿論であり、連関度に基づくものであれば、その他いかなる優先順位で選択されるものであってもよい。

なお、参照用代名詞頻度情報の代替として、以下に説明する参照用インテント情報を利用するようにしてもよい。この参照用インテント情報とは、テキストデータに含まれる処理動作単位で管理される情報であり、アクション名を規定するものである。

インテントは、通常、業務処理（処理動作）を特定するアクションを規定するものである。例えば、「ゴミ箱に捨てる」、「ご飯を食べる」、「テレビを見る」、「買い物に行く」、「電車に乗る」、「音楽を聴く」等、あらゆるアクションがインテントとして規定されている。

テキストデータを形態素解析し、これらに対してそれぞれインテントを割り当てる。このインテントの割り当ては、予め作成して保存したインテントテーブルを参照する。

インテントテーブルには、形態素解析をした文言がいずれのインテントに含まれるかが定義されている。例えばインテント「買い物に行く」であれば、これに含まれる形態素解析した文言として「買い物に行く」以外に「物買いに行く」「お使いに行って来る」「買いに行く」「調達してくる」等、様々なものが含まれる。同様にインテント「電車に乗る」であれば、これに含まれる形態素解析した文言としては「山手線で行く」「中央線に乗る」「電車を使う」「電車を利用する」等、様々なものが含まれる。

インテントテーブルには、このような各インテントに対して形態素解析した様々な文言が紐付けられて記録されており、これを読み出すことで、形態素解析した文言それぞれにインテントを割り当てることが可能となる。

図５に示すように、このような各インテントからなる参照用インテント情報と、参照用表情画像情報との組み合わせと、出力データとしての、認知症の兆候の判別類型が互いに中間ノード６１の連関度を介して関連付けられて学習させておく。

そして、新たに被検者からインテント情報と表情画像情報とを抽出し、これに対応する参照用インテント情報を介して探索解としての認知症の兆候を分析する。

なお、参照用インテント情報と、参照用トーン情報との組み合わせと、出力データとしての、認知症の兆候の判別類型が互いに中間ノード６１の連関度を介して関連付けられて学習させておくことで、新たに被検者からインテント情報と、トーン情報が入力された場合に、同様に探索解を探索することも可能となる。

図６は、上述した参照用代名詞頻度情報と、参照用トーン情報に加えて、更に参照用脳波情報との組み合わせと、当該組み合わせに対する認知症の兆候の判別類型との３段階以上の連関度が設定されている例を示している。

参照用脳波情報は、被検者の脳波に関する情報である。被検者の脳波は、市販されている脳波計から計測することができる。このような参照用脳波情報を組み合わせて判断することで認知症の兆候を把握することができる場合もあることから、これを説明変数として加えている。この参照用脳波情報は、時系列的な変化を捉えた情報で構成してもよい。係る場合には、参照用代名詞頻度情報におけるテキストデータと連動させ、紐付けておくようにしてもよい。例えば、「私は、明日、あれと、あれで、大阪へ行く」という文言において、「明日」、「あれと」等の各名詞句（格成分）に対して、時系列的な脳波の変化が紐付けられ、参照用代名詞頻度情報とされていてもよい。

かかる場合において、連関度は、図６に示すように、参照用代名詞頻度情報と、参照用トーン情報と、参照用脳波情報との組み合わせの集合が上述と同様に中間ノードのノード６１ａ～６１ｅとして表現されることとなる。

例えば、図６において、ノード６１ｃは、参照用代名詞頻度情報Ｐ０２が連関度ｗ３で、参照用トーン情報Ｐ１５が連関度ｗ７で、参照用脳波情報Ｗが連関度ｗ１１で連関している。同様にノード６１ｅは、参照用代名詞頻度情報Ｐ０３が連関度ｗ５で、参照用トーン情報Ｐ１５が連関度ｗ８で、参照用脳波情報Ｖが連関度ｗ１０で連関している。

このような連関度が設定されている場合も同様に、新たに検査対象の被検者から取得した代名詞頻度情報と、トーン情報と、脳波情報に基づいて、認知症の兆候を判別する。

この認知症の兆候の判別類型を判別する上で予め取得した図６に示す連関度を参照する。例えば、代名詞頻度情報が参照用代名詞頻度情報Ｐ０２に同一又は類似で、取得したトーン情報が参照用トーン情報Ｐ１５と同一、類似であることが特定でき、更に取得した脳波情報が、参照用脳波情報Ｗであることが特定できた場合、その組み合わせはノード６１ｃが関連付けられており、このノード６１ｃは、認知症の兆候の判別類型Ｂが連関度ｗ１７で、また認知症の兆候の判別類型Ｄが連関度ｗ１８で関連付けられている。このような連関度の結果、ｗ１７、ｗ１８に基づいて、実際にその新たに代名詞頻度情報と、トーン情報と、脳波情報とから認知症の兆候の判別類型を求めていくことになる。

参照用代名詞頻度情報の代替として、参照用インテント情報を用いる場合も同様に買い探索を行うことができる。

図７は、上述した参照用代名詞頻度情報と、参照用トーン情報に加えて、更に参照用属性情報との組み合わせと、当該組み合わせに対する認知症の兆候の判別類型との３段階以上の連関度が設定されている例を示している。

参照用属性情報は、被検者の属性を示す情報である。被検者の属性とは、被検者の年齢、性別、職業、現在行っている社会活動、過去から現在に至るまでの認知症に関係する行動や言動に関する情報、認知症以外の各種疾患等に関する情報も含まれる。

かかる場合において、連関度は、図７に示すように、参照用代名詞頻度情報と、参照用トーン情報と、参照用属性情報との組み合わせの集合が上述と同様に中間ノードのノード６１ａ～６１ｅとして表現されることとなる。

例えば、図７において、ノード６１ｃは、参照用代名詞頻度情報Ｐ０２が連関度ｗ３で、参照用トーン情報Ｐ１５が連関度ｗ７で、参照用属性情報Ｗが連関度ｗ１１で連関している。同様にノード６１ｅは、参照用代名詞頻度情報Ｐ０３が連関度ｗ５で、参照用トーン情報Ｐ１５が連関度ｗ８で、参照用属性情報Ｖが連関度ｗ１０で連関している。

このような連関度が設定されている場合も同様に、新たに被検者から取得した代名詞頻度情報と、トーン情報と、属性情報に基づいて判別する。

この認知症の判別類型を判別する上で予め取得した図７に示す連関度を参照する。例えば、代名詞頻度情報が参照用代名詞頻度情報Ｐ０２に同一又は類似で、取得したトーン情報が参照用トーン情報Ｐ１５と同一、類似であることが特定でき、更に取得した属性情報が、参照用属性情報Ｗであることが特定できた場合、その組み合わせはノード６１ｃが関連付けられており、このノード６１ｃは、判別類型Ｂが連関度ｗ１７で、また判別類型Ｄが連関度ｗ１８で関連付けられている。このような連関度の結果、ｗ１７、ｗ１８に基づいて、実際にその新たに代名詞頻度情報と、トーン情報と、属性情報とに基づき、新たな被検者の判別類型を求めていくことになる。

また、図８に示すように、参照用情報Ｕとして、参照用代名詞頻度情報、参照用トーン情報、表情画像情報、参照用インテント情報、参照用脳波情報、参照用属性情報で構成し、参照用情報Ｖとして、参照用情報Ｕと組み合わせて連関度を構成する参照用代名詞頻度情報、参照用トーン情報、表情画像情報、参照用インテント情報、参照用脳波情報、参照用属性情報とし、これらの組み合わせの連関度に基づいて判別するようにしてもよい。出力解は、上述した各認知症の兆候の判別類型に該当する。

このとき、参照用情報Ｕについて得られた出力をそのまま入力データとして、参照用情報Ｖとの組み合わせの中間ノード６１を介して出力と関連付けられていてもよい。例えば、参照用情報Ｕについて、出力解を出した後、これをそのまま入力として、他の参照用情報Ｖとの間での連関度を利用し、出力を探索するようにしてもよい。

なお本発明は、探索解として、判別類型を探索する場合に限定されるものではなく、図９に示すように、判別類型に応じた処方を予め学習させておくことで、処方を探索解として出力することができる。いかなる判別類型に対していかなる処方が効果的かを予め検証した上で、判別類型毎に効果的な処方を紐付けておく。そして、上述と同様に判別類型を探索し、探索した判別類型に紐付けられた処方を判別類型と共に、或いは判別類型の代替として出力してするようにしてもよい。また、判別類型の代替として、この処方そのものを上述した参照用情報とのデータセットとして学習させるようにしてもよい。これにより、被検者から取得した入力データが入力された場合、より効果的な処方がストレートに出力されることとなる。

図９は、参照用代名詞頻度情報と、参照用トーン情報との組み合わせにより連関度を形成する場合の例を示しているが、これに限定されるものではなく、上述した全ての参照用情報を入力データとした連関度についても同様に、処方そのものを上述した参照用情報とのデータセットとして学習させるようにしてもよいことは勿論である。

上述した連関度においては、１０段階評価で連関度を表現しているが、これに限定されるものではなく、３段階以上の連関度で表現されていればよく、逆に３段階以上であれば１００段階でも１０００段階でも構わない。一方、この連関度は、２段階、つまり互いに連関しているか否か、１又は０の何れかで表現されるものは含まれない。

上述した構成からなる本発明によれば、特段のスキルや経験が無くても、誰でも手軽に認知症の判別類型の探索を行うことができる。また本発明によれば、この探索解の判断を、人間が行うよりも高精度に行うことが可能となる。更に、上述した連関度を人工知能（ニューラルネットワーク等）で構成することにより、これを学習させることでその判別精度を更に向上させることが可能となる。

なお、上述した入力データ、及び出力データは、学習させる過程で完全に同一のものが存在しない場合も多々あることから、これらの入力データと出力データを類型別に分類した情報であってもよい。つまり、入力データを構成する情報Ｐ０１、Ｐ０２、・・・・Ｐ１５、１６、・・・は、その情報の内容に応じて予めシステム側又はユーザ側において分類した基準で分類し、その分類した入力データと出力データとの間でデータセットを作り、学習させるようにしてもよい。

また、本発明によれば、３段階以上に設定されている連関度を介して最適な解探索を行う点に特徴がある。連関度は、上述した１０段階以外に、例えば０～１００％までの数値で記述することができるが、これに限定されるものではなく３段階以上の数値で記述できるものであればいかなる段階で構成されていてもよい。

このような３段階以上の数値で表される連関度に基づいてより信用度に関する信憑性が高く、誤認の低い信用度を判別することで、探索解の可能性の候補として複数考えられる状況下において、当該連関度の高い順に探索して表示することも可能となる。

これに加えて、本発明によれば、連関度が１％のような極めて低い出力の判別結果も見逃すことなく判断することができる。連関度が極めて低い判別結果であっても僅かな兆候として繋がっているものであり、何十回、何百回に一度は、その判別結果として役に立つ場合もあることをユーザに対して注意喚起することができる。

更に本発明によれば、このような３段階以上の連関度に基づいて探索を行うことにより、閾値の設定の仕方で、探索方針を決めることができるメリットがある。閾値を低くすれば、上述した連関度が１％のものであっても漏れなく拾うことができる反面、より適切な判別結果を好適に検出できる可能性が低く、ノイズを沢山拾ってしまう場合もある。一方、閾値を高くすれば、最適な探索解を高確率で検出できる可能性が高い反面、通常は連関度は低くてスルーされるものの何十回、何百回に一度は出てくる好適な解を見落としてしまう場合もある。いずれに重きを置くかは、ユーザ側、システム側の考え方に基づいて決めることが可能となるが、このような重点を置くポイントを選ぶ自由度を高くすることが可能となる。

更に本発明では、上述した連関度を更新させるようにしてもよい。この更新は、例えばインターネットを始めとした公衆通信網を介して提供された情報を反映させるようにしてもよい。また代名詞頻度情報、トーン情報、表情画像情報、インテント情報、脳波情報、属性情報に関する知見、情報、データを取得した場合、これらに応じて連関度を上昇させ、或いは下降させる。

つまり、この更新は、人工知能でいうところの学習に相当する。新たなデータを取得し、これを学習済みデータに反映させることを行っているため、学習行為といえるものである。

また、この連関度の更新は、公衆通信網から取得可能な情報に基づく場合以外に、専門家による研究データや論文、学会発表や、新聞記事、書籍等の内容に基づいてシステム側又はユーザ側が人為的に、又は自動的に更新するようにしてもよい。これらの更新処理においては人工知能を活用するようにしてもよい。

また学習済モデルを最初に作り上げる過程、及び上述した更新は、教師あり学習のみならず、教師なし学習、ディープラーニング、強化学習等を用いるようにしてもよい。教師なし学習の場合には、入力データと出力データのデータセットを読み込ませて学習させる代わりに、入力データに相当する情報を読み込ませて学習させ、そこから出力データに関連する連関度を自己形成させるようにしてもよい。

第２実施形態
第２実施形態においては、参照用代名詞頻度情報のみから、認知症の兆候の判別類型を判別する。例えば図１０に示すように、過去において取得した参照用代名詞頻度情報と、その過去において実際に判別した認知症の兆候の判別類型との３段階以上の連関度を利用する。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに認知症の兆候を判別する際において、上述した学習済みデータを利用することとなる。かかる場合には、代名詞頻度情報を新たに取得する。その取得方法は、第１実施形態と同様である。

このようにして新たに取得した代名詞頻度情報に基づいて、認知症の兆候の判別類型を判別する。かかる場合には、予め取得した図１０に示す連関度を参照する。具体的な認知症の兆候の判別類型の推定方法は、第１実施形態と同様であるため以下での説明を省略する。

また第２実施形態においては、参照用インテント情報のみから、認知症の兆候の判別類型を判別するようにしてもよい。かかる場合には、例えば図１１に示すように、過去において取得した参照用インテント情報と、その過去において実際に判別した認知症の兆候の判別類型との３段階以上の連関度を利用する。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに認知症の兆候を判別する際において、上述した学習済みデータを利用することとなる。かかる場合には、インテント情報を新たに取得する。その取得方法は、第１実施形態と同様である。

このようにして新たに取得したインテント情報に基づいて、認知症の兆候の判別類型を判別する。かかる場合には、予め取得した図１１に示す連関度を参照する。具体的な認知症の兆候の判別類型の推定方法は、第１実施形態と同様であるため以下での説明を省略する。

また第２実施形態においては、参照用トーン情報のみから、認知症の兆候の判別類型を判別するようにしてもよい。かかる場合には、例えば図１２に示すように、過去において取得した参照用トーン情報と、その過去において実際に判別した認知症の兆候の判別類型との３段階以上の連関度を利用する。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに認知症の兆候を判別する際において、上述した学習済みデータを利用することとなる。かかる場合には、トーン情報を新たに取得する。その取得方法は、第１実施形態と同様である。

このようにして新たに取得したトーン情報に基づいて、認知症の兆候の判別類型を判別する。かかる場合には、予め取得した図１２に示す連関度を参照する。具体的な認知症の兆候の判別類型の推定方法は、第１実施形態と同様であるため以下での説明を省略する。

なお、第２実施形態においても同様に、探索解として、判別類型を探索する場合に限定されるものではなく、判別類型に応じた処方を予め学習させておくことで、処方を探索解として出力するようにしてもよいことは勿論である。

また、第１実施形態～第２実施形態ともに、上述した実施の形態に限定されるものでは無く、例えば図１３に示すように、基調となる参照用情報と、認知症の兆候の判別類型との３段階以上の連関度を利用するようにしてもよい。かかる場合には、新たに取得した情報に応じた認知症の兆候の判別類型との３段階以上の連関度に基づき、解探索を行うことになる。基調となる参照用情報は、例えば参照用代名詞頻度情報等であるが、これに限定されるものでは無く、第１実施形態、第２実施形態におけるいかなる参照用情報（参照用代名詞頻度情報、参照用トーン情報、表情画像情報、参照用インテント情報、参照用脳波情報、参照用属性情報等）も適用可能である。

これらの場合も同様に、学習用データとして用いられた参照用情報に応じた情報が入力された場合に、上述した方法に基づいて解探索が行われることとなる。

連関度を通じて求められる探索解は、更に、他の参照用情報に基づいて修正され、或いは重み付けを変化させるようにしてもよい。

ここでいう他の参照用情報とは、上述した参照用情報の何れかを基調となる参照用情報とした場合、当該基調となる参照用情報以外のいかなる参照用情報に該当する。

例えば、他の参照用情報の一つとして、ある参照用トーン情報Ｐ１４において、以前において認知症の兆候の判別類型としてＢが判別される経緯が多かったものとする。このような参照用トーン情報Ｐ１４に応じたトーン情報を新たに取得したとき、認知症の兆候の判別類型としての探索解Ｂに対して、重み付けを上げる処理を行い、換言すれば認知症の兆候の判別類型としての探索解Ｂにつながるようにする処理を行うように予め設定しておく。

例えば、他の参照用情報Ｇが、より認知症の兆候の判別類型としての探索解Ｃを示唆するような分析結果であり、参照用情報Ｆが、より認知症の兆候の判別類型としての探索解Ｄを示唆するような分析結果であるものとする。このように参照用情報との間での設定の後、実際に取得した情報が参照用情報Ｇと同一又は類似する場合には、認知症の兆候の判別類型としての探索解Ｃの重み付けを上げる処理を行う。これに対して、実際に取得した情報が参照用情報Ｆと同一又は類似する場合には、認知症の兆候の判別類型としての探索解Ｄの重み付けを上げる処理を行う。つまり、認知症の兆候の判別類型につながる連関度そのものを、この参照用情報Ｆ～Ｈに基づいてコントロールするようにしてもよい。或いは、認知症の兆候の判別類型を上述した連関度のみで決定した後、この求めた探索解に対して参照用情報Ｆ～Ｈに基づいて修正を加えるようにしてもよい。後者の場合において、参照用情報Ｆ～Ｈに基づいてどのように探索解としての認知症の兆候の判別類型にいかなるウェートで修正を加えるかは、都度システム側において設計したものを反映させることとなる。

また参照用情報は、何れか１種で構成される場合に限定されるものではなく、２種以上の参照用情報に基づいて解探索するようにしてもよい。かかる場合も同様に、参照用情報の示唆する認知症の兆候のある判別類型につながるケースほど、連関度を介して求められた探索解としての当該判別類型をより高く修正するようにしてもよい。

同様に、図１４に示すように、基調となる参照用情報と、他の参照用情報とを有する組み合わせに対する、認知症の兆候の判別類型との連関度を形成する場合においても、基調となる参照用情報は、第１実施形態、第２実施形態におけるいかなる参照用情報（参照用代名詞頻度情報、参照用トーン情報、表情画像情報、参照用インテント情報、参照用脳波情報、参照用属性情報等）も適用可能である。他の参照用情報は、基調となる参照用情報以外の第１実施形態、第２実施形態におけるいかなる参照用情報が含まれる。

このとき、基調となる参照用情報が、参照用代名詞頻度情報であれば、他の参照用情報としては、これ以外の１実施形態、第２実施形態におけるいかなる参照用情報が含まれる。

かかる場合も同様に解探索を行うことで、認知症の兆候の判別類型を推定することができる。このとき、上述した図１３に示すように、連関度を通じて得られた探索解に対して、更なる他の参照用情報（参照用情報Ｆ、Ｇ、Ｈ等）を通じて、認知症の兆候の判別類型を修正するようにしてもよい。

第２実施形態においても、他の参照用情報が１のみならず、２以上組み合わさるようにして連関度が学習されるものであってもよい。

なお、上述した探索解としては、認知症の兆候の判別類型の代替として、認知症の処方を探索解として探索するようにしてもよい。かかる場合には、上述した基調となる参照用情報と他の参照用情報との組み合わせに対する認知症の処方との３段階以上の連関度を通じて関連付けたデータを用意しておくことで同様に探索解を探索することができる。

第３実施形態
第３実施形態において、図１５、１６に示すように、基調となる参照用情報と、認知症の兆候の判別類型との３段階以上の連関度を利用する場合における、参照用の様々なバリエーション展開の例について説明をする。

基調となる参照用情報の例としては、過去の被検者について脳磁図検査を行った参照用脳磁図情報がある。この参照用脳磁図情報は、ＭＥＧ（脳磁図検査）により得られる画像データで構成されていてもよいし、脳についてスキャニングしたＭＲＩデータで構成されていてもよい。参照用脳磁図情報は、さらにこれらの画像データについて周知のディープラーニング技術を利用し、特徴的な部分を抽出したデータで構成されていてもよい。認知症の程度とこれらの脳磁図情報は相関があると考えられることから、これらが互いに関連付けられたデータセットを学習させることにより、上述した連関度を予め構築する。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに認知症の兆候を判断する際において、上述した学習済みデータを利用することとなる。かかる場合には、脳磁図情報を新たに取得する。

新たに取得する脳磁図情報は、新たに認知症の兆候を判別する被検者から取得するものであり、その情報の種類及び取得方法は、上述した参照用脳磁図情報と同様である。具体的な解探索の方法は、第１、第２実施形態と同様であるため以下での説明を省略する。

基調となる参照用情報の例としては、過去の被検者の食事内容に関する参照用食事内容情報がある。この参照用食事内容情報は、過去の被検者が実際に摂取した食事の内容（献立等）、食事の量、食事の時間、３食をとる時間間隔、摂取した栄養素やカロリー数である。この参照用食事内容は、１日、１週間、１か月等の期間に区切って取得してもよい。

認知症の程度とこれらの食事内容に関する情報は相関があると考えられることから、これらが互いに関連付けられたデータセットを学習させることにより、上述した連関度を予め構築する。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに認知症の兆候を判断する際において、上述した学習済みデータを利用することとなる。かかる場合には、食事内容情報を新たに取得する。

新たに取得する食事内容情報は、新たに認知症の兆候を判別する被検者から取得するものであり、その情報の種類及び取得方法は、上述した参照用食事内容情報と同様である。具体的な解探索の方法は、第１、第２実施形態と同様であるため以下での説明を省略する。

基調となる参照用情報の例としては、過去の被検者の睡眠状態に関する参照用睡眠情報がある。この参照用睡眠情報は、過去の被検者が実際にした睡眠に関するあらゆる情報であり、例えば、睡眠時間や睡眠の深さ、睡眠中に目が覚める回数やその時間帯、睡眠時の体動に関するあらゆるデータが含まれる。認知症の患者は睡眠が分断されたり、中途覚醒が多い等のデータがあることから、これらが互いに関連付けられたデータセットを学習させることにより、上述した連関度を予め構築する。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに認知症の兆候を判断する際において、上述した学習済みデータを利用することとなる。かかる場合には、睡眠情報を新たに取得する。

新たに取得する睡眠情報は、新たに認知症の兆候を判別する被検者から取得するものであり、その情報の種類及び取得方法は、上述した参照用食事内容情報と同様である。具体的な解探索の方法は、第１、第２実施形態と同様であるため以下での説明を省略する。

基調となる参照用情報の例としては、過去の被検者の運動状態に関する参照用運動情報がある。この参照用運動情報は、過去の被検者が実際にした運動に関するあらゆる情報であり、例えば、単位時間当たりの歩数、外出時間や外出回数、歩いた距離、走った距離等で構成されていてもよい。また、参照用運動情報は、実際に被検者に装着した加速度センサを通じて腕の振りや足の動き、歩く速さ等を計測した情報で構成してもよい。また、参照用運動情報は、体に装着した心拍計を通じて検出された心拍数、さらにはＧＰＳ等を通じて検出された位置情報を介した実際の活動範囲を示すものであってもよい。

認知症の患者は運動量と相関があると考えられることから、これらが互いに関連付けられたデータセットを学習させることにより、上述した連関度を予め構築する。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに認知症の兆候を判断する際において、上述した学習済みデータを利用することとなる。かかる場合には、運動情報を新たに取得する。

新たに取得する運動情報は、新たに認知症の兆候を判別する被検者から取得するものであり、その情報の種類及び取得方法は、上述した参照用運動情報と同様である。具体的な解探索の方法は、第１、第２実施形態と同様であるため以下での説明を省略する。

基調となる参照用情報の例としては、過去の被検者の生活時間帯に関する参照用生活時間情報がある。この参照用生活時間情報は、過去の被検者が実際にした生活時間帯に関するあらゆる情報であり、例えば、トイレの電気使用時間を介してトイレの時間帯を取得するようにしてもよいし、部屋の電気の使用時間を介して実際に起きている時間、睡眠時間を検出するようにしてもよい。またドアの開閉センサを介してどの部屋に何時間滞在していたかを検出するようにしてもよい。電気の使用時間は、住宅に設定される電気使用メータを介して検出してもよいし、いわゆるスマートハウス等に設置されている電気メータを介して検出するようにしてもよい。

認知症の患者は生活時間と相関があると考えられることから、これらが互いに関連付けられたデータセットを学習させることにより、上述した連関度を予め構築する。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに認知症の兆候を判断する際において、上述した学習済みデータを利用することとなる。かかる場合には、生活時間情報を新たに取得する。

新たに取得する生活時間情報は、新たに認知症の兆候を判別する被検者から取得するものであり、その情報の種類及び取得方法は、上述した参照用生活時間情報と同様である。具体的な解探索の方法は、第１、第２実施形態と同様であるため以下での説明を省略する。

基調となる参照用情報の例としては、過去の被検者の家屋内における各種操作に関する参照用操作情報がある。この参照用操作情報は、過去の被検者が実際に家屋内にある電気製品（テレビ、エアコン、ＰＣ、ビデオ、掃除機、冷蔵庫、洗濯機）、照明のスイッチ、風呂のガススイッチ、システムキッチンの操作ボタンやレバー等、押しボタン式で開閉する窓の操作等、家屋の住人であればだれもが操作する可能性があるあらゆるものが対象となる。これらの参照用操作情報は、電気製品や家屋内の照明のスイッチ、風呂のガススイッチ、システムキッチンの操作ボタンやレバー等、押しボタンに設置されているＩｏＴセンサを通じて検出してもよい。いわゆるスマートハウス等に設置されている電気メータを介して検出するようにしてもよい。

認知症の患者はボタン等の操作をする際に押し間違い頻度や押圧時間、さらには押圧強度等と相関があると考えられることから、これらが互いに関連付けられたデータセットを学習させることにより、上述した連関度を予め構築する。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに認知症の兆候を判断する際において、上述した学習済みデータを利用することとなる。かかる場合には、操作情報を新たに取得する。

新たに取得する操作情報は、新たに認知症の兆候を判別する被検者から取得するものであり、その情報の種類及び取得方法は、上述した参照用操作情報と同様である。具体的な解探索の方法は、第１、第２実施形態と同様であるため以下での説明を省略する。

基調となる参照用情報の例としては、過去の被検者の視線の動きに関する参照用視線画像情報がある。この参照用視線画像情報は、出題された問題に対する過去の被検者の視線を撮像したものである。視線の画像解析を行う上では、ディープラーニング技術を利用し、解析画像の特徴量に基づいて自動判別し、データ化してもよい。また赤外線カメラを利用し、被検者の視線の動きを高度に検出するようにしてもよい。

出題される問題としては、例えば様々な形状の図形を同時に表示し、同じものがいくつ存在するかを数えさせたり、画面中に表示される目印を移動させる際の視線を解析したり、或いは、いわゆる間違え探しをさせるような問題等、空間認知能力や判断力等を試す問題とされていてもよい。

認知症の患者は、このような問題に対して特徴的な視線の動きをするものと考えられることから、これらが互いに関連付けられたデータセットを学習させることにより、上述した連関度を予め構築する。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに認知症の兆候を判断する際において、上述した学習済みデータを利用することとなる。かかる場合には、視線画像情報を新たに取得する。

新たに取得する操作情報は、新たに認知症の兆候を判別する被検者に出題された問題に対する視線の動きを撮像したものであり、その情報の種類及び取得方法は、上述した参照用操作情報と同様である。具体的な解探索の方法は、第１、第２実施形態と同様であるため以下での説明を省略する。

基調となる参照用情報の例としては、単位時間あたりの会話量に関する参照用会話量情報がある。単位時間とは、１分、１０分、６０分、３時間、一日等、いかなる時間単位であってもよい。会話量は、単に音声を発している時間、つまり、所定音量を超える音声が検出された時間を単位時間で割った値で構成されていてもよい。また、会話量は被検者の音声をテキストデータに変換したとき、当該テキストデータ内の各品詞（動詞、形容詞、目的語、代名詞、副詞等）を定量化し、その品詞の単位時間当たりの量で構成してもよい。また、会話量は、音声をテキストデータ化して、その文節数、単語数、格成分の数、名詞句の数、文字数をカウントすることでテキストデータ全体のボリュームを検出するようにしてもよい。そして、このテキストデータ全体のボリュームの単位時間当たりの量を会話量としてもよい。これらのテキストデータ全体並びに代名詞のボリュームを計測する上での単位（文節数、単語数、格成分の数、名詞句の数、文字数等）は互いに共通化させることが前提となる。

認知症の患者の症状の程度は、このような会話量と関係することが考えられることから、これらが互いに関連付けられたデータセットを学習させることにより、上述した連関度を予め構築する。

このような連関度が、人工知能でいうところの学習済みデータとなる。このような学習済みデータを作った後に、実際にこれから新たに認知症の兆候を判断する際において、上述した学習済みデータを利用することとなる。かかる場合には、会話量情報を新たに取得する。

新たに取得する会話量情報は、新たに認知症の兆候を判別する被検者の音声をテキストデータに変換し、単位時間あたりの会話量を上述と同様に求める。具体的な解探索の方法は、第１、第２実施形態と同様であるため以下での説明を省略する。

また、第１実施形態～第３実施形態ともに、上述した実施の形態に限定されるものでは無く、例えば図１３に示すように、基調となる参照用情報と、認知症の兆候の判別類型との３段階以上の連関度を利用するようにしてもよい。かかる場合には、新たに取得した情報に応じた認知症の兆候の判別類型との３段階以上の連関度に基づき、解探索を行うことになる。基調となる参照用情報は、例えば参照用代名詞頻度情報等であるが、これに限定されるものでは無く、第１実施形態、第２実施形態、第３実施形態におけるいかなる参照用情報（参照用代名詞頻度情報、参照用トーン情報、表情画像情報、参照用インテント情報、参照用脳波情報、参照用属性情報、参照用脳磁図情報、参照用食事内容情報、参照用睡眠情報、参照用運転情報、参照用操作情報、参照用視線画像情報、参照用会話量情報、参照用生活時間情報等）も適用可能である。

これらの場合も同様に、学習用データとして用いられた参照用情報に応じた情報が入力された場合に、上述した方法に基づいて解探索が行われることとなる。

連関度を通じて求められる探索解は、更に、他の参照用情報に基づいて修正され、或いは重み付けを変化させるようにしてもよい。

ここでいう他の参照用情報とは、上述した参照用情報の何れかを基調となる参照用情報とした場合、当該基調となる参照用情報以外のいかなる参照用情報に該当する。

例えば、他の参照用情報の一つとして、ある参照用生活時間情報Ｐ１４において、以前において認知症の兆候の判別類型としてＢが判別される経緯が多かったものとする。このような参照用生活時間情報Ｐ１４に応じたトーン情報を新たに取得したとき、認知症の兆候の判別類型としての探索解Ｂに対して、重み付けを上げる処理を行い、換言すれば認知症の兆候の判別類型としての探索解Ｂにつながるようにする処理を行うように予め設定しておく。

例えば、他の参照用情報Ｇが、より認知症の兆候の判別類型としての探索解Ｃを示唆するような分析結果であり、参照用情報Ｆが、より認知症の兆候の判別類型としての探索解Ｄを示唆するような分析結果であるものとする。このように参照用情報との間での設定の後、実際に取得した情報が参照用情報Ｇと同一又は類似する場合には、認知症の兆候の判別類型としての探索解Ｃの重み付けを上げる処理を行う。これに対して、実際に取得した情報が参照用情報Ｆと同一又は類似する場合には、認知症の兆候の判別類型としての探索解Ｄの重み付けを上げる処理を行う。つまり、認知症の兆候の判別類型につながる連関度そのものを、この参照用情報Ｆ～Ｈに基づいてコントロールするようにしてもよい。或いは、認知症の兆候の判別類型を上述した連関度のみで決定した後、この求めた探索解に対して参照用情報Ｆ～Ｈに基づいて修正を加えるようにしてもよい。後者の場合において、参照用情報Ｆ～Ｈに基づいてどのように探索解としての認知症の兆候の判別類型にいかなるウェートで修正を加えるかは、都度システム側において設計したものを反映させることとなる。

また参照用情報は、何れか１種で構成される場合に限定されるものではなく、２種以上の参照用情報に基づいて解探索するようにしてもよい。かかる場合も同様に、参照用情報の示唆する認知症の兆候のある判別類型につながるケースほど、連関度を介して求められた探索解としての当該判別類型をより高く修正するようにしてもよい。

同様に、図１４に示すように、基調となる参照用情報と、他の参照用情報とを有する組み合わせに対する、認知症の兆候の判別類型との連関度を形成する場合においても、基調となる参照用情報は、第１実施形態～第３実施形態におけるいかなる参照用情報（参照用代名詞頻度情報、参照用トーン情報、表情画像情報、参照用インテント情報、参照用脳波情報、参照用属性情報、参照用脳磁図情報、参照用食事内容情報、参照用睡眠情報、参照用運転情報、参照用操作情報、参照用視線画像情報、参照用会話量情報、参照用生活時間情報等）も適用可能である。他の参照用情報は、基調となる参照用情報以外の第１実施形態、第２実施形態におけるいかなる参照用情報が含まれる。

このとき、基調となる参照用情報が、参照用脳磁図情報であれば、他の参照用情報としては、これ以外の１実施形態～第３実施形態におけるいかなる参照用情報が含まれる。

かかる場合も同様に解探索を行うことで、認知症の兆候の判別類型を推定することができる。このとき、上述した図１３に示すように、連関度を通じて得られた探索解に対して、更なる他の参照用情報（参照用情報Ｆ、Ｇ、Ｈ等）を通じて、認知症の兆候の判別類型を修正するようにしてもよい。

第３実施形態においても、他の参照用情報が１のみならず、２以上組み合わさるようにして連関度が学習されるものであってもよい。

なお、上述した探索解としては、認知症の兆候の判別類型の代替として、認知症の処方を探索解として探索するようにしてもよい。かかる場合には、上述した基調となる参照用情報と他の参照用情報との組み合わせに対する認知症の処方との３段階以上の連関度を通じて関連付けたデータを用意しておくことで同様に探索解を探索することができる。

１ 認知症兆候判別システム
２ 探索装置
２１ 内部バス
２３ 表示部
２４ 制御部
２５ 操作部
２６ 通信部
２７ 推定部
２８ 記憶部
６１ ノード

Claims (11)

1. 被検者の認知症の兆候を判別する認知症兆候判別プログラムにおいて、
   被検者の脳波に関する脳波情報を取得する情報取得ステップと、
   過去の被検者の脳波に関する参照用脳波情報と、認知症の兆候の判別類型との３段階以上の連関度を参照し、上記情報取得ステップにより取得された脳波情報に基づき、上記被検者の認知症の兆候を判別する判別ステップとをコンピュータに実行させること
   を特徴とする認知症兆候判別プログラム。
2. 被検者の認知症の兆候を判別する認知症兆候判別プログラムにおいて、
   被検者について脳磁図検査を行った脳磁図情報を取得する情報取得ステップと、
   過去の被検者について脳磁図検査を行った参照用脳磁図情報と、認知症の兆候の判別類型との３段階以上の連関度を参照し、上記情報取得ステップにより取得された脳磁図検査に基づき、上記被検者の認知症の兆候を判別する判別ステップとをコンピュータに実行させること
   を特徴とする認知症兆候判別プログラム。
3. 被検者の認知症の兆候を判別する認知症兆候判別プログラムにおいて、
   被検者の食事内容に関する食事内容情報を取得する情報取得ステップと、
   過去の被検者の食事内容に関する参照用食事内容情報と、認知症の兆候の判別類型との３段階以上の連関度を参照し、上記情報取得ステップにより取得された食事内容情報に基づき、上記被検者の認知症の兆候を判別する判別ステップとをコンピュータに実行させること
   を特徴とする認知症兆候判別プログラム。
4. 被検者の認知症の兆候を判別する認知症兆候判別プログラムにおいて、
   被検者の睡眠状態に関する睡眠情報を取得する情報取得ステップと、
   過去の被検者の睡眠状態に関する参照用睡眠情報と、認知症の兆候の判別類型との３段階以上の連関度を参照し、上記情報取得ステップにより取得された睡眠情報に基づき、上記被検者の認知症の兆候を判別する判別ステップとをコンピュータに実行させること
   を特徴とする認知症兆候判別プログラム。
5. 被検者の認知症の兆候を判別する認知症兆候判別プログラムにおいて、
   被検者の運動状態に関する運動情報を取得する情報取得ステップと、
   過去の被検者の運動状態に関する参照用運動情報と、認知症の兆候の判別類型との３段階以上の連関度を参照し、上記情報取得ステップにより取得された運動情報に基づき、上記被検者の認知症の兆候を判別する判別ステップとをコンピュータに実行させること
   を特徴とする認知症兆候判別プログラム。
6. 被検者の認知症の兆候を判別する認知症兆候判別プログラムにおいて、
   被検者の生活時間帯に関する生活時間情報を取得する情報取得ステップと、
   過去の被検者の生活時間帯に関する参照用生活時間情報と、認知症の兆候の判別類型との３段階以上の連関度を参照し、上記情報取得ステップにより取得された生活時間情報に基づき、上記被検者の認知症の兆候を判別する判別ステップとをコンピュータに実行させること
   を特徴とする認知症兆候判別プログラム。
7. 被検者の認知症の兆候を判別する認知症兆候判別プログラムにおいて、
   被検者による家屋内における各種操作に関する操作情報を取得する情報取得ステップと、
   過去の被検者の家屋内における各種操作に関する参照用操作情報と、認知症の兆候の判別類型との３段階以上の連関度を参照し、上記情報取得ステップにより取得された操作情報に基づき、上記被検者の認知症の兆候を判別する判別ステップとをコンピュータに実行させること
   を特徴とする認知症兆候判別プログラム。
8. 被検者の認知症の兆候を判別する認知症兆候判別プログラムにおいて、
   出題された問題に対する被検者の視線を撮像した視線画像情報を取得する情報取得ステップと、
   出題された問題に対する過去の被検者の視線を撮像した参照用視線画像情報と、認知症の兆候の判別類型との３段階以上の連関度を参照し、上記情報取得ステップにより取得された視線画像情報に基づき、上記被検者の認知症の兆候を判別する判別ステップとをコンピュータに実行させること
   を特徴とする認知症兆候判別プログラム。
9. 被検者の認知症の兆候を判別する認知症兆候判別プログラムにおいて、
   被検者の音声の入力を受け付ける受付ステップと、
   上記受付ステップにより受け付けられた音声をテキストデータに変換して単位時間あたりの会話量を求めた会話量情報を取得する情報取得ステップと、
   単位時間あたりの会話量に関する参照用会話量情報と、認知症の兆候の判別類型との３段階以上の連関度を参照し、上記情報取得ステップにより取得された会話量情報に基づき、上記被検者の認知症の兆候を判別する判別ステップとをコンピュータに実行させること
   を特徴とする認知症兆候判別プログラム。
10. 被検者の認知症の兆候を判別する認知症兆候判別プログラムにおいて、
    被検者の生活時間帯に関する生活時間情報と、被検者による家屋内における各種操作に関する操作情報とを取得する情報取得ステップと、
    過去の被検者の生活時間帯態に関する参照用生活時間情報と、過去の被検者の家屋内における各種操作に関する参照用操作情報とを有する組み合わせと、認知症の兆候の判別類型との３段階以上の連関度を参照し、上記情報取得ステップにより取得された生活時間情報及び操作情報に基づき、上記被検者の認知症の兆候を判別する判別ステップとをコンピュータに実行させること
    を特徴とする認知症兆候判別プログラム。
11. 上記判別ステップでは、人工知能におけるニューラルネットワークのノードの各出力の重み付け係数に対応する上記連関度を利用すること
    を特徴とする請求項１～９のうち何れか１項記載の認知症兆候判別プログラム。

Images