JP2536287B2 - 選言標準形の確率論理を用いる分類装置 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は選言標準形型確率論理を
用いる分類装置に関し、特に、個人差などの例外規則を
含む分類規則（もしくは診断規則、判断規則）を人にわ
かり易い確率論理として保持し、これを用いて自動的に
分類（もしくは診断、判断）を行い、また、得たい出力
から逆向きに入力の目標値を示すことで、医療、医用工
学分野での診断、 およびそれに基づく治療・制御を支
援する装置に関するものである。

【０００２】

【従来の技術】分類規則を人にわかりやすい規則として
記述し、利用するための装置としては、汎用エキスパー
トシェルがある。これは、専門家の知識をルールとして
記述しておき、これを用いて、順次場合分けを行うこと
で分類処理を行うものである。汎用エキスパートシェル
については、「ＡＩ総覧」、昭和６２年、フジテクノシ
ステムから出版された本の１３９〜１８３頁に「エキス
パートシステム」と題して、溝口文雄氏らによって詳し
く説明されている。

【０００３】また、定量的な分類規則を記述し利用する
ための表現として、ファジー論理がある。これは、「高
い」「低い」などの概念を温度などの実数と関係づける
メンバシップ関数を主観的に決めておき、それらのメン
バシップ関数にファジー推論規則を用いることで分類を
行うことができる。ファジー論理については、「ファジ
ー理論とその応用」と題して、昭和６４年にサイエンス
社から出版された本（水本雅晴 著）に詳しい。

【０００４】ファジー論理のメンバシップ関数と推論規
則を半自動的に学習しようとする試みとしてファジーニ
ューラルネットワークが知られている。これは、メンバ
シップ関数と推論規則の候補を積和型のニューラルネッ
トワークで表現し、ニューラルネットワークの学習方式
を用いて、それらを最適化しようとするものである。フ
ァジーニューラルネットワークの例としては、平成３年
に、「Ａ Ｓｔｕｄｙ ｏｎ Ｆｕｚｚｙ Ｍｏｄｅｌ
ｉｎｇ Ｕｓｉｎｇ Ｆｕｚｚｙ Ｎｅｕｒａｌ Ｎｅ
ｔｗｏｒｋｓ．」「ア スタディーオンファジー モデ
リング ユージングニューラルネットワークス」と題し
て、「Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆｔｈｅ ＩＦＥ
Ｓ’９１」「プロシーディングス オブ ザ アイ エ
フイーエス９１」第１巻の５６２〜５７３頁に、広川
氏、古橋氏、内川氏、田川氏によって発表されたファジ
ーネットワークがある。

【０００５】他に、分類規則を人に分かりやすい規則と
して記述する装置には、平成２年、「Ｔｈｅ ｔｈｉｒ
ｄ ａｎｎｕａｌ ｗｏｒｋｓｈｏｐ ｏｎ ｃｏｍｐ
ｕｔａｔｉｏｎａｌ ｌｅａｒｎｉｎｇ ｔｈｅｏｒ
ｙ」「ザ サード アニュアルワークショップ オン
コンピュテーショナル ラーニングセオリー」論文集
の、６７頁〜８１頁に、山西健司氏により「Ａ ｌｅａ
ｒｎｉｎｇ ｃｒｉｔｅｒｉｏｎ ｆｏｒ ｓｔｏｃｈ
ａｓｔｉｃ ｒｕｌｅｓ．」「ア ラーニングクライテ
リオンフォーストカスチック ルールズ」と題して発表
された、確率決定リストがある。これは、分類規則を決
定リスト構造で表現された条件付き確率として表現する
ものである。分類規則を半自動的に学習する装置として
は、他にフィードフォワード型ニューラルネットワーク
モデルがある。フィードフォワード型ニューラルネット
ワークモデルは、平成元年、「ＰＤＰモデル：認知科学
とニューロン回路網の探索」と題して産業図書から発行
された本（Ｄ．Ｅ． Ｒｕｍｅｌｈａｒｔ「ディー イ
ーラメルハート」氏ら著、甘利俊一氏ら訳）に詳しく説
明されている。

【０００６】

【発明が解決しようとする課題】医療、医用工学分野で
の診断およびそれに基づく治療・制御を支援する装置
は、臨床検査結果等の入力をもとに、病名もしくは必要
な治療内容等を導く定量的な専門家の知識を、分類規則
（診断規則、判断規則を含む）として保持し、これを用
いて自動的に分類できねばならない。そのためには専門
家により記述された既存の規則を分類規則に変換して、
装置に保持させる仕組みが併せて必要である。

【０００７】また、より正確な分類を行うには、患者の
個人差、装置の特性などの例外的規則もまた保持し、こ
れを用いて自動的に分類できる必要がある。

【０００８】また、専門家により記述された既存の規則
が無い場合でも、専門家が分類した分類事例をもとに、
その背後にある分類規則を学習し、これを用いて分類可
能な仕組みが必要である。

【０００９】同様に、専門家により記述された例外的規
則が無い場合、専門家の行った例外的分類事例をもと
に、その背後にある例外的分類規則を学習し、これを用
いて分類可能な仕組みが必要である。

【００１０】また、特に医療場面では、分類装置の動作
が安全であるか妥当であるかを、人間が確認する必要が
あり、その為には装置が保持する分類規則を人にわかる
規則として提示する仕組みが必要である。

【００１１】また、特に治療、制御といった制御的な処
置の場合は、予め或る目標とする結果（分類、診断、判
断の結果）が有り、その目標から逆に、生理指標等の入
力の目標値を推定し、これに向かって努力する場合が多
いので、或る出力の目標値から逆に入力の目標値を導く
仕組みが必要である。

【００１２】以上をまとめれば、 １．分類規則（もしくは診断規則、判断規則）を、定量
性が保証され、しかも人にわかり易い規則表現としてと
して保持し、これに基づいて半自動的に分類処理を行う
ことができ、既存の分類規則を、その規則表現に変換し
て利用でき、 ２．個人差などの例外的分類規則を保持し、これを用い
て分類でき、 ３．分類事例を用いて、その規則表現を半自動的に学習
でき、 ４．例外的分類事例から例外的分類規則を半自動的に学
習でき、 ５．装置が保持している分類規則を人にわかる規則とし
て抽出でき、 ６．目的とする出力から入力の目標値を逆向き得ること
ができる 分類装置が必要であるが、このような装置を実現した例
はまだ無い。汎用エキスパートシェルの知識表現は基本
的には定性的であり、定量的推論に向かない。また汎用
エキスパートシェルにおける知識の獲得は、知識エンジ
ニアによるインタビュー、規則の分類整理、さらにプロ
グラムによる規則の記述という手間が必要で、半自動的
な知識獲得機能を欠く。ファジー論理は、人にわかり易
い定量的な分類規則を構成できるが、そのメンバーシッ
プ関数を決める根拠が不明確で、最大値や最小値を用い
るなど推論規則の定量性に問題が残る。また、メンバシ
ップ関数の設定に熟練を要するという問題も指摘されて
いる。

【００１３】ファジーニューラルネットワークは、ニュ
ーラルネットワークの学習機能を利用することで、後者
の問題を解消したが、メンバーシップ関数の意味付け、
推論の定量性の問題は依然残る。

【００１４】フィードフォワード型ニューラルネットワ
ークは必要数のニューロン素子を用意し、入力値と分類
結果から成る学習データセットを提示するだけで、半自
動的に分類規則を学習でき、手間を省くことができる
が、学習の結果得られる規則を人が理解することができ
ない。それゆえ、学習結果を人間が吟味することが難し
く、安全を保証することが困難であり、また不都合が生
じた場合の原因特定が困難である。

【００１５】例外的規則を学習可能なニューラルネット
ワークとしては、特願平２−１９８９２９号の「追記学
習パターン認識装置」があるが、追記学習に使われる素
子は、線形和型ニューロンであるため、やはり論理を追
うことが難しい。

【００１６】また、ニューラルネットワークが分類規則
を獲得するには分類事例からの学習を通じてのみなさ
れ、エキスパートシステムのように既存の知識を直接利
用することができない。

【００１７】確率決定リストは、人にわかり易く推論の
定量性も保証されているが学習に際してリストの構造を
効率的に構成する手段が未発達のため、学習能力面で問
題が残る。

【００１８】また、以上の従来技術は、得たい出力から
逆向きに、入力の目標値を示す手段を欠き、目標値を設
けた治療、制御、調節等の行為を支援することができな
い。すなわち従来の分類システムでは、先に挙げた６つ
の条件を満足できず、医療、医用工学分野での診断およ
びそれに基づく治療・制御を支援することができない。

【００１９】本発明の目的は、 １．分類規則（もしくは診断規則、判断規則）を、定量
性が保証され、しかも人にわかり易い規則表現として保
持し、これに基づいて半自動的に分類処理を行うことが
でき、既存の分類規則を、その規則表現に変換して利用
でき、 ２．個人差などの例外的分類規則を保持し、これを用い
て分類でき、 ３．分類事例を用いて、その規則表現を半自動的に学習
でき、 ４．例外的分類事例から例外的分類規則を半自動的に学
習でき、 ５．装置が保持している分類規則を人にわかる規則とし
て抽出できる分類装置の提供にある。

【００２０】

【課題を解決するための手段】本願の第１の発明の分類
装置は、Ｋ個の所見項目に対応する入力確率Ｐ（Ｅｉ
ｋ），（ｋ＝１，２，３，．．Ｋ）を入力する入力部
と、選言標準形の確率論理で表現された規則のパラメタ
φｊｋおよびσｉｊを保持するパラメタ部と、入力部に
設定された入力確率とパラメタ部に設定されたパラメタ
を、選言標準形の確率論理の式（Ｉ）に基づいて、出力
確率Ｐ（Ｅｏｉ）を計算する出力確率計算部と、出力確
率をそのまま、もしくはグラフィックス出力するか、或
いは出力確率に対応する制御量として分類結果を出力す
る出力部とから成る分類部を有し、既存の分類規則を設
定する規則設定部と、規則設定部に設定された分類規則
に所見項目が全部で何種類あるか、また選言が幾つある
かを調べた後、各々の選言にどの所見項目が含まれるか
を調べ、ｊ番目の選言にｋ番目の所見項目が含まれる場
合はφｊｋを１に、含まれない場合はφｊｋを０にし、
またｉ番目の出力項目にｊ番目の選言が含まれる場合は
σｉｊを１に、そうでない場合はσｉｊを０にする規則
分析部とからなる知識変換部を有し、計測値を入力確率
に変換し、前記分類部に入力する確率変換部を有する。

【数２】

【００２１】本願第２の発明は、上述の第１の発明の分
類装置がさらに、前記規則設定部に設定された所与の分
類規則を用いて分類した場合に分類の精度が低下する事
例（例外事例）に対して、前記例外事例の特徴に合わせ
て前記分類部の出力を修正し、分類精度を向上させる補
正用例外規則のパラメタを保持する例外パラメタ部と、
入力確率が得られた際にそれが補正用例外規則の前件部
を満たすか否かを判定する例外判定部と、満たす場合に
は入力確率と補正用例外規則のパラメタとから前記出力
確率を補正用例外規則の式に従って修正して前記出力部
に渡し、満たさない場合には前記出力確率の修正を行わ
ないで前記出力部に渡す例外修正部を有することを特徴
とする。

【００２２】本願第３の発明は、上述の第１の又は第２
の発明の分類装置がさらに、ある所見が入力確率で与え
られ、前記所見に対する分類結果が分類結果確率として
与えられる既存の過去の分類事例を得た時に、前記既存
の分類事例における入力確率を用いて前記分類部が出力
した出力確率と、前記既存の分類事例と同じ分類事例中
の分類結果確率との誤差を求める誤差計算部と、前記誤
差計算部が計算した誤差にもとづいて、前記誤差が小さ
くなる方向に前記パラメタ部のパラメタを修正するパラ
メタ修正部と、誤差が予め設定された許容値、すなわち
許容誤差以下になるまでパラメタの修正を繰り返させる
収束判定部とからなる規則学習部を有することを特徴と
する。

【００２３】本願第４の発明は、上述の第２の分類装置
がさらに、前記規則設定部に設定された所与の分類規則
を用いて分類した場合に分類の精度が低下した既存の過
去の事例（補正用例外分類事例）において、前記補正用
例外分類事例における所見が補正用入力確率で与えら
れ、前記所見に対する分類結果が補正用例外分類結果確
率で与えられる既存の過去の補正用例外分類事例を得た
時に、前記既存の補正用例外分類事例の補正用例外入力
確率にもとづいて、前記例外修正部からの出力確率と、
補正用例外分類事例中の補正用例外分類結果確率のとの
間の誤差である補正誤差を計算する補正例外誤差計算部
と、補正誤差計算部が計算した補正誤差にもとづいて、
前記補正誤差が小さくなる方向に前記補正用例外パラメ
タ部のパラメタを修正する補正用例外パラメタ修正部
と、補正誤差が予め設定された許容誤差以下になるまで
補正用例外パラメタの修正を繰り返させる補正収束判定
部とからなる補正用例外規則学習部を有することを特徴
とする。

【００２４】本願第５の発明は、上述の第１または第２
の発明の分類装置が、さらに、前記分類部のパラメタ
部、もしくは前記、例外パラメタ部のパラメタを二値化
する規則二値化部と、二値化されたパラメタから選言標
準形型の分類規則を出力する規則出力部とからなる規則
抽出部を有することを特徴とする。

【００２５】次に、上記本発明を応用し、目的とする出
力から入力の目標値を逆向きに得ることができる分類装
置を参考までに示す。上述の第１の発明の分類装置がさ
らに、前記分類部を用いて、目的とする出力確率を得る
為に必要な入力確率を逆推定するために、目的とする出
力確率を設定する目的出力設定部と、入力確率を保持す
る入力保持部と、入力保持部の入力確率を用いて分類装
置が出力した出力確率と目的とする出力確率との誤差
（想起誤差）を求める想起誤差計算部と、想起誤差が予
め設定された許容想起誤差以下になるまで、入力の修正
を繰り返させる想起収束判定部と、想起誤差が許容想起
誤差以下になった後、入力保持部が保持する入力確率を
出力する想起確率出力部を有することを特徴とする。

【００２６】本発明の分類装置は、Ｋ個の所見項目に対
応する入力確率Ｐ（Ｅｉｋ），（ｋ＝１，２，３，．．
Ｋ）を入力する入力部と、選言標準形の確率論理で表現
された規則のパラメタφｊｋおよびσｉｊを保持するパ
ラメタ部と、入力部に設定された入力確率とパラメタ部
に設定されたパラメタを、選言標準形の確率論理の式
（Ｉ）に基づいて、出力確率Ｐ（Ｅｏｉ）を計算する出
力確率計算部と、出力確率をそのまま、もしくはグラフ
ィックス出力するか、或いは出力確率に対応する制御量
として分類結果を出力する出力部とから成る分類部を有
し、既存の分類規則を設定する規則設定部と、規則設定
部に設定された分類規則に所見項目が全部で何種類ある
か、また選言が幾つあるかを調べた後、各々の選言にど
の所見項目が含まれるかを調べ、ｊ番目の選言にｋ番目
の所見項目が含まれる場合はφｊｋを１に、含まれない
場合はφｊｋを０にし、またｉ番目の出力項目にｊ番目
の選言が含まれる場合はσｉｊを１に、そうでない場合
はσｉｊを０にする規則分析部とからなる知識変換部を
有し、計測値を入力確率に変換し、前記分類部に入力す
る確率変換部を有することから、分類規則（もしくは診
断規則、判断規則）を、定量性が保証され、しかも人に
わかり易い規則表現として保持し、これに基づいて半自
動的に分類処理を行うことができ、既存の分類規則を、
その規則表現に変換して利用できる。

【数３】

【００２７】さらに、前記規則設定部に設定された所与
の分類規則を用いて分類した場合に分類の精度が低下す
る事例（例外事例）に対して、前記例外事例の特徴に合
わせて前記分類部の出力を修正し、分類精度を向上させ
る補正用例外規則のパラメタを保持する例外パラメタ部
と、入力確率が得られた際にそれが補正用例外規則の前
件部を満たすか否かを判定する例外判定部と、満たす場
合には入力確率と補正用例外規則のパラメタとから前記
出力確率を補正用例外規則の式に従って修正して前記出
力部に渡し、満たさない場合には前記出力確率の修正を
行わないで前記出力部に渡す例外修正部を有することか
ら、個人差などの例外的分類規則を保持し、これを用い
て分類できる。

【００２８】さらに、ある所見が入力確率で与えられ、
前記所見に対する分類結果が分類結果確率として与えら
れる既存の過去の分類事例を得た時に、前記既存の分類
事例における入力確率を用いて前記分類部が出力した出
力確率と、前記既存の分類事例と同じ分類事例中の分類
結果確率との誤差を求める誤差計算部と、前記誤差計算
部が計算した誤差にもとづいて、前記誤差が小さくなる
方向に前記パラメタ部のパラメタを修正するパラメタ修
正部と、誤差が予め設定された許容値、すなわち許容誤
差以下になるまでパラメタの修正を繰り返させる収束判
定部とからなる規則学習部を有することから、分類事例
を用いて、その規則表現を半自動的に学習できる。

【００２９】さらに、前記規則設定部に設定された所与
の分類規則を用いて分類した場合に分類の精度が低下し
た既存の過去の事例（補正用例外分類事例）において、
前記補正用例外分類事例における所見が補正用入力確率
で与えられ、前記所見に対する分類結果が補正用例外分
類結果確率で与えられる既存の過去の補正用例外分類事
例を得た時に、前記既存の補正用例外分類事例の補正用
例外入力確率にもとづいて、第３の発明の分類装置が出
力した前記例外修正部からの出力確率と、補正用例外分
類事例中の補正用例外分類結果確率のとの間の誤差であ
る補正誤差を計算する補正例外誤差計算部と、補正誤差
計算部が計算した補正誤差にもとづいて、前記補正誤差
が小さくなる方向に前記補正用例外パラメタ部のパラメ
タを修正する補正用例外パラメタ修正部と、補正誤差が
予め設定された許容誤差以下になるまで補正用例外パラ
メタの修正を繰り返させる補正収束判定部とからなる補
正用例外規則学習部を有することから、例外的分類事例
から例外的分類規則を半自動的に学習できる。

【００３０】さらに、前記分類部のパラメタ部、もしく
は前記、例外パラメタ部のパラメタを二値化する規則二
値化部と、二値化されたパラメタから選言標準形型の分
類規則を出力する規則出力部とからなる規則抽出部を有
することから、装置が保持している分類規則を人にわか
る規則として抽出できる。

【００３１】さらに、前記分類部を用いて、目的とする
出力確率を得る為に必要な入力確率を逆推定するため
に、目的とする出力確率を設定する目的出力設定部と、
入力確率を保持する入力保持部と、入力保持部の入力確
率を用いて分類装置が出力した出力確率と目的とする出
力確率との誤差（想起誤差）を求める想起誤差計算部
と、想起誤差を小さくする方向に入力保持部が保持する
入力確率を修正する入力修正部と、想起誤差が予め設定
された許容想起誤差以下になるまで、入力の修正を繰り
返させる想起収束判定部と、想起誤差が許容想起誤差以
下になった後、入力保持部が保持する入力確率を出力す
る想起確率出力部を有することから、目的とする出力か
ら入力の目標値を逆向き得ることができる。

【００３２】

【実施例】本発明の分類装置は医療、医用工学分野での
診断およびそれに基づく治療・制御を支援する。まずそ
の支援例を示し、それらが本発明の分類装置により実現
できることを示し、次いで、個々の発明の具体的実現手
段を述べる。医療における診断・治療を支援する手段の
一例として糖尿病患者の血糖値制御システムを取り上げ
説明する。

【００３３】このシステムは、糖尿病患者が身につける
か、その体内に埋め込み手術をすることで、常時血糖値
を正常に維持する装置で、未だ実現していないが、実現
が強く望まれているシステムである。糖尿病の中には、
インシュリンという血糖値を下げるホルモンの分泌が低
下することによって起こるものがあり、この場合の糖尿
病は、血糖値が正常範囲（約１００ｍｇ／ｄｌ）に保た
れるように、インシュリンを血液中に投与すれば、その
症状を軽減できることが知られている。（昭和５６年、
医科生理学展望と題して、Ｗ．Ｆ．Ｇａｎｏｎｇ，ダブ
リュー， エフ， ギャノン氏により書かれ、松田幸次
郎氏らにより翻訳され、丸善出版から出版された本の２
８７〜２９９頁に詳しい）。

【００３４】しかし、患者の血糖値の正常値は常に一定
では無く、食事や寒冷刺激、運動等で大きく変化する。
また、個々人によって、一定量のインシュリンの作用の
強さ（感受性）も異なることから、単に血糖値を計測し
ただけでは、うまく診断・治療を行うことができない。

【００３５】患者の置かれた状態、例えば運動中である
とか、食後であるなどを、他の生理視標、例えば、体温
とか、消化ホルモンの濃度とかを計測することによっ
て、多角的に診断する必要があり、また、その個人のイ
ンシュリンに対する感受性を例外的規則として考慮する
必要がある。

【００３６】血糖値、体温、消化ホルモン、インシュリ
ン濃度、といった検査値が与えられれば、専門医はそれ
をもとに、次に投与すべきインシュリンの量を決定でき
るが、糖尿病患者に専門医が常時付き添うことは不可能
なので、その診断・治療知識を代替できる装置が必要に
なる。

【００３７】第１の発明を用いれば、患者の状態の判
定、インシュリンの投与量決定等に関する、記述された
規則、例えば、「患者が寒冷状態に置かれていたら、血
糖値がやや高くなるように、インシュリンの量を少な目
に投与する」といった規則を定量的な規則に変換して保
持し、それに基づいて診断を行い、その診断結果を用い
てインシュリンの投与装置を制御することができる。

【００３８】投与装置としては、インシュリンの小さな
タンクからシリコンチューブとマイクロポンプを介して
患者の静脈に留置したカテーテルから血液中に投与し、
その投与量は、マイクロポンプの回転数を制御すること
で行う装置が一般に用いられる。例えば、それぞれの診
断結果に対してポンプの回転数を設定しておくことで、
診断・治療が実現する。

【００３９】また、第２の発明を用いれば、患者個々人
のインシュリン感受性、例えば「この患者は、通常の半
分の量のインシュリンで十分効果がある」等の例外的規
則を装置が保持することができ、これに基づいてインシ
ュリン投与量を半減するなどの制御が可能になる。

【００４０】また、例えば医師は検査値を見た時、非常
に多くのことを一瞬にして考えるがそうした作業は医師
自身でも記述することが困難なことが往々にしてある。

【００４１】そうした場合でも第３の発明、第４の発明
を用いれば、診断・治療事例だけからその背後にある医
師の診断・治療規則を学習し、保持し、これを用いて診
断・治療を支援できる。また、安全の確認のために、シ
ステムが保持する診断・治療規則は定期的に医師の確認
を受ける必要があるが、第５の発明により、保持される
規則を医師に解釈可能な記述で提示できるので、最終的
な安全確認ができる。また、インシュリンタンク中の蓄
えが残りわずかな場合や、ポンプの電池の電力残量が少
なくなった場合は、逆に投与可能なインシュリンの量が
決まってしまうため、装置が保持している規則を逆に用
いて、患者がどう振る舞えば良いか、例えば「インシュ
リンの毎分投与可能量が減少したので、運動量を○○Ｋ
ｃａｌ／分以下に、寒冷状態を避け、甘い食物は２０グ
ラムまでに制限したほうが良い」といった情報を患者に
知らせる必要がある。

【００４２】この機能は、本発明を応用し参考までに示
した目的出力設定部と想起誤差計算部、想起確率出力部
などを有する分類装置により実現できる。本発明は、以
上説明した糖尿病における血糖値制御システムの例だけ
でなく、心臓病を持つ患者のペースメーカーの制御、集
団検診時における迅速診断と生活指導等の場面にも応用
できる。こうした場合では計測する生理指標、診断項
目、制御対象が異なる以外、例に述べた血糖値制御シス
テムと同等の機能が必要とされ、同じく第１〜第５の発
明によって、それらの機能が実現できる。

【００４３】次に本発明の分類装置の具体的実現手段に
ついて説明する。

【００４４】まず、本発明の分類装置が用いる分類規則
（診断規則、判断規則）の表現である「選言標準形の確
率論理」について簡単に説明する。標本空間Ωを、有限
人（Ｍ人）の専門家（医師）ωの集合とし、個々の専門
家にその診断の正しさを表す根元確率

【００４５】

【数４】

【００４６】を割り振る。（注：最初は専門家の優劣を
判定できないので、Ｐ（ω）＝１／Ｍを仮定するが、診
断ケースを追跡調査することで診断の正否が判定できれ
ば、これを元に、診断結果が正しかった専門家のｐ
（ω）はより高く間違っていた専門家のｐ（ω）はより
低く付け換えることで、Ｍ人から得られる診断結果はよ
り正しいものとなる）この空間上の確率変数として所見
Χｉ（Ｒ，ω）と診断Ｘｏ（Ｒ，ω）とを導入する。Ｘ
ｉは専門家が血圧、体温、血糖値などの検査値ベクトル
Ｒを見たとき、個々の所見の項目、 例えば「熱があ
る」に対して与える確信度（［０，１］）であり、Ｘｏ
は、同時に診断項目、例えば「風邪である」に対して与
える確信度（［０，１］）である。

【００４７】所見、もしくは診断の個々の要素をＸｋと
するとき、事象はＥ＝｛ω｜Ｔｋ≦Ｘｋ（ω）｝（Ｔｋ
は或る閾値）、また、或る事象Ｅの確率は、

【００４８】

【数５】

【００４９】で示される。我々が得たい診断結果とは一
人の専門家が与える主観値Ｘｏでなく、Ωから得られる
ｐ（Ｅｏ）である。ｋ番目の所見項目に対応する事象を
Ｅｉｋ、ｉ番目の診断項目に対応する事象をＥｏｉとす
るとき、診断（分類）の過程はＲ→Ｘｉ→ｐ（Ｅｉ）→
ｐ（Ｅｏ）なる処理で表せる。

【００５０】Ｒ→Ｘｉ→ｐ（Ｅｉ），Ｘｏ→ｐ（Ｅｏ）
の関係は実験的に定めることができ、また所見と診断の
項目名が明かなので解釈は容易だが、ｐ（Ｅｉ）→ｐ
（Ｅｏ）の解釈は一般には難しい。その解釈を可能にす
るため、以下で議論する定量的論理表現を用いる。

【００５１】集合算∪、∩、−は、命題算の諸公式を満
たし、∪，∩，−で書かれた全ての式は選言標準形（Ｄ
ＮＦ：Ｄｉｓｊｕｎｃｔｉｖｅ Ｎｏｒｍａｌ Ｆｏｒ
ｍ）に変換できる。

【００５２】所見項目を十分用意すればＥo をDNF 形式
の集合算でＥｏ＝∪ ∩ Ｅｉと書けて、（Ｅｏ）＝ｐ
（∪ ∩ Ｅｉ）。ところで

【００５３】

【数６】

【００５４】なので、ｐ（Ｅｏ）を求めるには２段階に
わたって積集合の確率（同時確率）を求める必要があ
る。しかし、データから診断に寄与する同時確率を求め
ることは一般に困難なので、周辺確率を用いて次式のよ
うに近似する。

【００５５】

【数７】

【００５６】（１）の両辺の対数をとれば、

【００５７】

【数８】

【００５８】λｋは、同時確率の対数尤度を周辺確率の
それを用いて表現する際の重み、つまり、個々の周辺確
率の「同時確率への寄与の大きさ」である。λｋが大き
いＥｉｋは、∩Ｅｉを他より大きく左右する。逆にλｋ
が０に近いＥｉｋは、∩Ｅｉを左右しない。つまり積事
象に含まれないといってよい。（１）の方式を使えば、

【００５９】

【数９】

【００６０】（２）を選言標準形の確率論理（または拡
張ＤＮＦ）と呼ぶ。

【００６１】この式は容易に多重化できて

【００６２】

【数１０】

【００６３】σは和∪にどの積∩が寄与するかを表し、
φは積∩にどの周辺確率が寄与するかを表しておりパラ
メタσとφを保持することで入力確率ｐ（Ｅｉｋ）をも
とに出力確率ｐ（Ｅｏｉ）を求めることができる。

【００６４】以下に示す実施例は、その上にソフトウェ
アを保持した、単数または、複数の日本電気（株）製、
ワークステーションＥＷＳ−４８００シリーズと同等の
ワークステーション、もしくはパーソナルコンピュータ
ＰＣ−Ｈ９８ ｍｏｄｅｌ １００と同等のパーソナル
コンピュータであるコンピュータ００１、これらに付随
するキーボード、付加して用いるＲＳ−２３２Ｃボー
ド、ＧＰＩＢボード、イーサネットボード、例えば日本
電気（株）ＰＣ−Ｈ９８−Ｂ０４などの入力手段００
２、コンピュータ００１に付随するディスプレイ、付加
して用いるＲＳ−２３２Ｃボード、ＧＰＩＢボード、イ
ーサネットボード、例えば日本電気（株）ＰＣ−Ｈ９８
−Ｂ０４などの出力手段００３によって実現できる。図
１は第１の発明の基本構成図である。第１の発明の分類
装置は、知識変換部１００６、分類部１０００、確率変
換部１００５とから成る。

【００６５】分類部１０００は、入力確率２００１を入
力する入力部１００１、選言標準形の確率論理のσとφ
からなるパラメタ２００２を保持するパラメタ部１００
２、そのパラメタ２００２と入力確率２００１とから出
力確率２００３を計算する出力確率計算部１００３と、
出力確率２００３をそのまま、もしくは加工して分類結
果２００４として出力する出力部１００４とから成る。

【００６６】知識変換部１００６は、記述された既存の
規則をパラメタ２００２に変換してパラメタ部１００２
に設定する部分で、既存の分類規則３０００を設定する
規則設定部１００８と、分類規則３０００を分析してパ
ラメタ２００２を得て、パラメタ部１００２に設定する
規則分析部１００７とからなる。

【００６７】確率変換部１００５は、実数値である計測
値２０００を入力確率２００１に変換し、入力部１００
１に入力する。

【００６８】まず、知識変換部１００６の規則設定部１
００８に、選言標準形で記述された分類規則３０００を
設定する。選言標準形で記述された分類規則とは、所見
項目、例えば「血糖値がやや高い」等をＡｋ（ｋ＝１，
２…）で表すとき、「（Ａ１かつ Ａ２ かつ Ａ３）
または （Ａ４ かつ Ａ５）または ．．ならば
Ｂ」のように、「かつ」でつながれた連言を「または」
で加え合わせた選言形の表現を前件部に持つ規則を指
す。

【００６９】規則分析部１００７は、まず分類規則３０
００の前件部の所見項目が全部で何種類あるか（その総
数をｋ個とする）、また選言が幾つあるか（その総数を
ｊ個とする）を調べる。つぎに、各々の選言にどの所見
項目が含まれるかを調べ、ｊ番目の選言にｋ番目の所見
項目が含まれる場合はφｊｋを１に、含まれない場合は
０にする。また、各々の出力項目にｊ番目の選言が含ま
れる場合は、σｉｊを１に、そうでない場合は０にす
る。

【００７０】こうして得られたパラメタ２００２（σ，
φの組）をパラメタ部１００２に設定する。規則設定部
１００８への分類規則３０００の設定は、入力手段００
２により、また規則分析部１００７の処理はコンピュー
タ００１により実現できる。確率変換部１００５は、実
数値である計測値と入力確率の関係を保持しておき、計
測値２０００が得られた時、これに対応する確率値を分
類部の入力部１００１に設定する。計測値２０００の入
力は、入力手段００２で実現でき、入力確率２００１へ
の変換処理は、規則分析部を構成したのと同じコンピュ
ータ００１を用いて実現できる。

【００７１】分類部１０００の出力確率計算部１００３
は、パラメタ部１００２に設定されたパラメタ２００２
と入力部１００１に設定された入力確率２００１から、
（３）式に基づいて出力確率２００３（ｐ（Ｅｏｉ）に
相当）を計算し、出力部１００４に送る。出力部１００
４は、出力確率２００３をグラフィクス出力するかもし
くは、出力確率２００３と制御量の関係を保持してお
き、出力確率２００３に対応する制御量として分類結果
２００４を出力する。入力部１００１、パラメタ部１０
０２、出力確率計算部１００３は、規則分析部１００
７、確率変換部１００５を実現したのと同じコンピュー
タ００１を用いて、また出力部１００４は出力手段００
３を用いて実現できる。次に第２の発明の実現手段につ
いて説明するが、その前に第２の発明が扱う例外的規則
の表現について説明しておく。

【００７２】ここで例外的規則の表現には、ＡＮＤ型ユ
ニットによる追加学習素子（ＡＬＵ：Ａｄｄｉｔｉｖｅ
Ｌｅａｒｎｉｎｇ Ｕｎｉｔｓ）を用いる。

【００７３】ＡＮＤ型ユニットの基本構成は

【００７４】

【数１１】

【００７５】であり選言標準形の確率論理における、各
所見項目の選言への寄与を示す式と数式的に同じであ
る。

【００７６】（４）式より、

【００７７】

【数１２】

【００７８】でＡＮＤ型ユニットの出力は、入力重みベ
クトルとｌｏｇ（Ｅｉｋ）、ｋ＝１，２…，ｋなるベク
トルL の内積に比例する。ｌｏｇ（Ｅｉｋ）は全て０以
下であり、０≦ｗｋだから ｗｋ＝−ｌｏｇ ｐ（Ｅｉｋ）／｜Ｌ｜ （５） とし、Ｑ＝１−ｑを出力するユニットＡＬＵを考える。

【００７９】これによりｑはωのベクトルとＬが逆平行
のとき最小になり、その時ＡＬＵの出力Q が最大とな
る。或る例外データが得られた時、（５）に従ってωを
決め、これを保持すればＬを記憶したことになる。Ｑ
は、出力結合重みγｉｂ（ｂ：ＡＬＵに付けられた番
号）を介して出力確率２００３を修正する。

【００８０】γｉｂの正負に応じて興奮性ＡＬＵ、抑制
性ＡＬＵを区別する。

【００８１】ＡＬＵを加えた分類部の規則は、

【００８２】

【数１３】

【００８３】ここでｆ［ｘ，θ］は、ＡＬＵのために新
たに定義する閾値関数で、ｘが閾値θを越える場合のみ
（発火と呼ぶ）ｘを出力し、それ以外は１を出力する関
数である。この閾値関数を用いることで、ＡＬＵは以前
学習した個人差データに近いデータに対しても反応す
る。

【００８４】このような場合つまり、入力確率２００１
が例外規則の前件部を満たす場合に、ｆ［］が発火する
ことになる。

【００８５】図２は第２の発明の分類装置の基本構成図
である。網掛け部分が第１の発明と異なる。

【００８６】第２の発明は分類部１０００に加えて例外
パラメタ部１０１０と、例外判定部１０１１、例外修正
部１００９を有する。

【００８７】例外パラメタ部１０１０には、まず入力手
段００２を用いて例外規則パラメタ２００５（ω，γ）
を設定する。例外判定部１０１１は、上記ｆ［］なる閾
値関数の処理を行う部分で、例外パラメタ２００５と入
力確率２００１から（７）式に従って計算されたｑｂが
θｂよりも大きければ、ｑｂからなる例外信号２００７
を例外修正部１００９に渡す。例外修正部１００９は、
例外信号２００７を受けた場合、（６）式に従って出力
確率２００３を修正した後、修正出力確率３００２とし
て出力部１００４に渡す。

【００８８】例外信号２００７を受けなかった場合は修
正を行わず、（３）式に従って計算される出力確率をそ
のまま修正出力確率３００２として出力部１００４に渡
す。例外パラメタ部１０１０と、例外判定部１０１１、
例外修正部１００９は分類部１０００を実現したのと同
じコンピュータ００１を用いて実現することができる。

【００８９】次に第３の発明の分類装置について説明す
るが、その前に学習の方式について説明する。選言標準
形の確率論理の学習とは、専門家の分類事例を用いて計
算される誤差

【００９０】

【数１４】

【００９１】を、０≦φ，０≦σの制約下で最小化する
ようなφ，σの組を探索し決定することである。

【００９２】これには、良く知られた非線形最適化手法
である最急降下法やＰｏｗｅｌｌ法、共役勾配法などを
用いることができる。前記の制約は、内点ペナルティ法
を用いることで満足できる。

【００９３】最急降下法、共役勾配法、Ｐｏｗｅｌｌ
法、内点ペナルティ法は、「非線形計画法」と題して、
今野浩氏と山下浩氏により、昭和５４年、日科技連から
出版された本の、それぞれ、１４０頁〜１４６頁、１８
５頁〜１９２頁、１７５頁〜１８５頁、２２０頁〜２２
４頁に詳しい。

【００９４】例として最急降下法と内点ペナルティ法を
組み合わせた手法を述べる。最急降下法は、最少化する
評価関数の勾配を見て、最も勾配が急に下って行く方向
にパラメタを修正する方法である。勾配は評価関数を最
適化したいパラメタで微分した一階偏微分係数をもって
評価する。

【００９５】内点ペナルティ法は、評価関数にペナルテ
ィ項を加えて、制約条件から外れそうになると無限大に
なるような、新たな評価関数を構成し、その関数上での
最適化を行うものである。通常、ペナルティ項に微小な
係数τ（準位数列) をかけておき、最小点に近付いた
ら、τを徐々に小さくすることで最終的には、ペナルテ
ィ項無しの、元の評価関数の最小点が求まる。

【００９６】所見項目数をｋ、選言の数をＪ、分類項目
数を｜、分類事例数をＮ、入力確率データをｘ（ｋ
ｎ），ｋ＝１，２，…，Ｎ分類結果データをｔ（ｉ
ｎ），ｉ＝１，２，…，Ｉ，出力確率２００３をｓ（ｉ
ｎ）とするとき、出力自乗誤差は

【００９７】

【数１５】

【００９８】以下にこの評価関数に対して最急降下を行
う場合の計算式を示す。

【００９９】

【数１６】

【０１００】パラメタ修正量Δ（ｔ）は

【０１０１】

【数１７】

【０１０２】また、φとσの探索を開始する点は、適当
なＪを選んで、乱数を用いてφ、σを設定する方法もあ
るが、その他に第３の発明では新たに、分類事例から、
Ｊと、φ，σの初期値を推定する方法を用いる。この手
法について以下説明する。Ｅｉｋ，−Ｅｉｋとその積集
合をＦで表すとき、Ｆの各要素は１つの選言で表現でき
る。Ｅｏｉは、Ｆの要素の和で表されるので個々のデー
タがおちるＦのうち、Ｅｏｉに含まれるものの数が選言
の数J になる。

【０１０３】選言１個は少なくとも１つの分類事例を表
現可能なので必要なＪは分類事例数Ｎよりも小さい。逆
に楽天的に、より簡単な規則で診断を行う専門家が正し
い診断結果を与えるとして、（Ａ∩Ｂ）∪（Ａ∩−Ｂ）
＝Ａ，（Ａ∩Ｂ）∪Ａ＝Ａなる公式を用いて選言をでき
るだけ削減して得られるＪ（ｉｎｆ）を考えると、実際
に必要なＪはそれより幾らか大きいだろう。それで、Ｊ
はＪ（ｉｎｆ）≦Ｊ≦Ｎなる範囲にあると推定できる。
以下、Ｊ（ｉｎｆ）を求める方法について述べる。

【０１０４】Ｆの各要素は、１：Ｅｉｋを含む、０：−
Ｅｉｋを含む、−１：共に含まれない、という三状態を
考えることで Ｃ =Ｉ（１）Ｉ（２）Ｉ（３）．．Ｉ（ｋ）， Ｉ
（ｋ）＝１ｏｒ−１ なるコードで表現できる。

【０１０５】今、 Fから二つの要素Ｂ１、Ｂ２を取り出
し、それぞれを表現するコードＣ１、Ｃ２のうち一文字
だけに関して、一方は１他方は０、もしくは少なくとも
一方が−１であり、他の文字列が全て等しいものを考え
よう。この時、Ｂ１∪Ｂ２＝Ｄ（ＤはＢ１、Ｂ２の交わ
り）となりＢ１とＢ和はＤを表すコードのみで表現でき
る。これを用いて、Ｊ（ｉｎｆ）を推定するアルゴリズ
ムを以下に構成する。

【０１０６】Ｊ（ｉｎｆ）の推定アルゴリズムＡｊ １：Ｊを０にする。 ２：新しいデータをコード化しＣｎｅｗを求めて３へ。
全てのデータについて終わったら停止。 ３：保持されているＣｏｌｄのうち、Ｃｎｅｗと比較し
ていないものから順にｄ＝｜Ｃｏｌｄ−Ｃｎｅｗ｜を求
めて４へ。全てのＣｏｌｄと比較が終わったら５へ。 ４： ・ｄ＝０なら２へ。 ・ｄ＝１なら、異なっている文字を−１にして、そのコ
ードを保持する。今比較したＣｏｌｄを消去して２へ。 ・ｄ〉１で、異なっている文字のどちらか一方が−１な
ら２へ。そうでなければ３へ。 ５：Ｊに１加える。Ｃｎｅｗを保持する。２へ。Ａｊが
停止した時、Ｊは必要な選言数を、また保持された個々
のＣｏｌｄは、選言が表す積をコードしている。Ａｊを
用いれば、データ数をＮとして、最大ｎ（ｎ−１）／２
回の比較で選言数J を決定できる。

【０１０７】また、Ｃold を用いてφ、σの初期値を求
めることもできる。或る所見で決まる事象とその余事象
を同時に評価する場合を想定すれば、入力ノードを２ｋ
個、選言をＣold の個数すなわちJ 個用意し、１）σｉ
ｊを全て１とする。ｊ番目のＣｏｌｄ（ｊ番目の選言に
相当）のｋ番目の文字が、

【０１０８】

【数１８】

【０１０９】という操作を行えば良い。

【０１１０】図３は第３の発明の基本構成図である。

【０１１１】網掛け部分が第１発明、第２の発明と異な
る。

【０１１２】第３の発明の規則学習部１０１２は、入力
確率２００１と分類結果確率２０１２から成る分類事例
２０１０中の入力確率２００１を用いて前記分類部が出
力した出力確率２００３と、分類データ中の分類結果確
率２０１２との誤差２００８を求める誤差計算部１０１
３と、誤差計算部が計算した誤差２００８にもとづい
て、誤差が小さくなる方向に前記パラメタ部１００２の
パラメタ２００２を修正するパラメタ修正部１０１４
と、誤差が、予め設定された許容誤差以下になるまでパ
ラメタ２００２の修正を繰り返させる収束判定部１０１
５とからなる。

【０１１３】最急降下法と内点ペナルティ関数法を用い
た学習の場合を例にとり説明する。まず、分類事例２０
１０と許容誤差３００３を収束判定部１０１５に、誤差
初期値３００４を誤差計算部１０１３に、入力手段００
２を用いて設定する。次に収束判定部１０１５は、先に
述べた乱数を用いる方法もしくは、アルゴリズムＡj を
用いてφ，σの探索開始点をもとめ、パラメタ部１００
２に設定する。次に誤差計算部１０１３は、設定された
誤差初期値３００４を誤差２００８として収束判定部１
０１５に渡す。

【０１１４】収束判定部１０１５は、誤差２００８と、
許容誤差３００３とを比較し、誤差２００８が許容誤差
３００３よりも大きければ、保持する分類事例２０１０
中の入力確率２００１を入力部１００１へ、また入力確
率２００１と組をつくる分類結果確率２０１２を誤差計
算部１０１３へ、全ての分類事例について終わるまで送
る。

【０１１５】送り終わったら、事例提示終了信号３００
５を誤差計算部１０１３へ送る。誤差計算部１０１３
は、分類部１０００が入力確率２００１から計算した出
力確率２００３と、収束判定部１０１５から送られて来
た分類結果確率２０１２とから（１０）式に基づいて誤
差２００８( ｔ（ｉｎ）−ｓ（ｉｎ））に相当。微係数
を用いないＰｏｗｅｌｌ法などの場合は、（８）式に基
づくＨを誤差２００８として計算する。）を計算し、事
例提示終了信号３００５が来たらパラメタ修正部１０１
４へ送る。

【０１１６】パラメタ修正部１０１４では、誤差２００
８とパラメタ２００２とから（９）式、（１０）式に基
づいて修正量を計算し、これをパラメタ２００２に加え
て新しいパラメタ２００２を求め、新パラメタ２００９
新たにパラメタ部１００２に設定する。

【０１１７】その際、誤差２００８が充分小さければ
（例えば１．ＯＥ−３以下なら）、τを１０分の１にす
るなどしてτを次第に小さくする。誤差計算部１０１３
からの誤差２００８は、パラメタ修正部１０１４だけで
なく収束判定部１０１５にも送られ、収束判定部１０１
５は誤差２００８と許容誤差３００３とを比較し、誤差
２００８が許容誤差３００３よりも小さければ、修正停
止命令２０１１を誤差計算部１０１３、パラメタ修正部
１０１４に送り、活動を停止する。

【０１１８】そうでなければ、収束判定部１０１５、分
類部１０００、誤差判定部１０１３、パラメタ修正部１
０１４は、先の処理を繰り返す。修正停止命令２０１１
をうけた誤差計算部１０１３、パラメタ修正部１０１４
は活動を停止する。

【０１１９】以上により、分類事例３００３から診断規
則を学習する規則学習部１０１２の処理が実現できる。

【０１２０】分類事例２０１０の設定、許容誤差３００
３の設定、誤差初期値３００４の設定は入力手段００２
を用いて実現でき、規則学習部１０１２の各部はコンピ
ュータ００１により実現できる。次に第４の発明の実現
方法について説明するが、その前に例外規則の学習につ
いて説明しておく。

【０１２１】専門家が例外規則データとして（ｐ（Ｅｉ
ｋ），ｔｉ）を与えた時、

【０１２２】

【数１９】

【０１２３】が誤差上限εを越える場合に、追加学習を
行う。個人差データが得られる度に前述のＡＬＵを追加
することも考えられるが、ＡＬＵの数をできるだけ増や
さないために以下の処理Ａａを行う。

【０１２４】ＡＬＵを用いた例外規則の学習アルゴリズ
ムＡａ I ．ｓｉ＜＜ｔｉの場合、 １：ｉ番目の出力ノードにつながる発火中の抑制性ＡＬ
Ｕの閾値を上げ、発火を抑制する。そのＡＬＵの発火閾
値をθｂとし、ｆ［］が作用する前のＡＬＵの出力値を
ｑ’ｂ、とするときｑ’ｂ＋δ，（０＜δ）を新たなθ
ｂとする。δは小さな非負実数。Ｅｒ（ｉ）＜εとなれ
ば止める。これでも足りない場合は次へ進む。 ２：ｉ番目の出力ノードにつながる発火中の興奮性ＡＬ
Ｕの結合重みを強める。その総数をＢｎ、それ以外の選
言とＡＬＵの出力をまとめてＣで表すとき、

【０１２５】

【数２０】

【０１２６】とすれば、

【０１２７】

【数２１】

【０１２８】各興奮性ＡＬＵで均等に受け持つとして、 γｉｂ＝（ｌｏｇ（１−ｔｉ）−ｌｏｇ Ｃ）／（Ｂｎ
ｌｏｇ ｑｂ） とする。Ｅｒ（ｉ）＜εとなれば止める。これでも足り
ない場合は次へ進む。３：興奮性ＡＬＵを追加する。追
加するＡＬＵの入力重みωｂｋはｌｏｇ Ｐ（Ｅｉｋ）
が作るベクトルＬと逆向きの単位ベクトルとし、出力重
みγｉｂは、先に示した結合重みの強化と同じ式にて決
定する。 ＩＩ．ｓｉ＞＞ｔｉの場合 １：ｉ番目の出力ノードにつながる発火中の興奮性ＡＬ
Ｕの閾値を上げて発火を抑制する。これでも足りない場
合は次へ進む。 ２：ｉ番目の出力ノードにつながる発火中の抑制性ＡＬ
Ｕの結合重みを強める。これによりＥｒ（ｉ）＜εとな
れば止める。これでも足りない場合は抑制性ＡＬＵを追
加する。

【０１２９】図４は第４の発明の分類装置の基本構成図
である。

【０１３０】網掛け部分が第１の発明、第２の発明、第
３の発明と異なる。

【０１３１】第４の発明は、例外入力確率２０１５と例
外分類結果確率２０１８とから成る例外分類事例２０１
４中の例外入力確率２０１５を用いて第２の発明の分類
装置が出力した出力確率２００３と、例外分類結果確率
２０１８の間の誤差を計算する例外誤差計算部１０１６
と、例外誤差計算部１０１６が計算した例外誤差２０１
９にもとづいて、例外誤差２０１９が小さくなる方向に
前記例外パラメタ部１０１０の例外パラメタ２００５を
修正する例外パラメタ修正部１０１７と、例外誤差２０
１９が予め設定された例外許容誤差３００６以下になる
まで例外パラメタ２００５の修正を繰り返させる例外収
束判定部１０１８とからなる。まず、例外分類事例２０
１４と例外許容誤差３００６を例外収束判定部１０１８
に、例外誤差初期値３００７を例外誤差計算部１０１６
に設定する。また、例外パラメタ部１０１０のパラメタ
を全て消去する。

【０１３２】次に例外誤差計算部１０１６は、例外誤差
初期値３００７を例外誤差２０１９として例外収束判定
部１０１８に送る。

【０１３３】１）例外収束判定部１０１８は、例外誤差
２０１９と例外許容誤差３００６を比較して、例外誤差
２０１９が、例外許容誤差３００６よりも大きい場合、
例外分類事例２０１４の例外入力確率２０１５の一つを
入力確率２００１として第２の発明の分類装置に送り、
同時に例外分類結果２０１８を例外誤差計算部に送る。
例外誤差計算部１０１６は、 第２の発明の分類装置の
出力確率２００３と、例外分類結果２０１８とから例外
誤差２０１９を求め、例外パラメタ修正部１０１７、例
外収束判定部１０１８へ送る。例外パラメタ修正部１０
１７は、例外誤差１０１６、出力確率計算部１００３の
計算途中結果３００８（前記Ａa の説明中のＣに相
当）、現在の例外パラメタ２００６とからＡa に基づい
て例外パラメタ２００６を修正して新例外パラメタ２０
１７を求め例外パラメタ部１０１０に設定する。例外パ
ラメタ修正部１０１７は、修正を一回行うごとに、修正
終了信号３００９を例外収束判定部１０１８に送る。

【０１３４】例外収束判定部１０１８は、例外誤差２０
１９が例外許容誤差３００６よりも大きければ、 修正
終了信号３００９を受けた時点で、先ほどと同じ例外入
力確率２０１５を入力確率２００１として第２の発明の
分類装置へ送る。もし、例外誤差２０１９が例外許容誤
差３００６よりも小さければ、次の例外事例データにつ
いて、１）から同じことを行う。これを全ての例外事例
データについて例外誤差が例外許容誤差３００６以下に
なるまで繰り返すことで、例外規則の学習が実現でき
る。

【０１３５】例外事例２０１４の設定、例外許容誤差３
００６の設定、例外誤差初期値３００７の設定は、入力
手段００２により実現でき、例外収束判定部１０１８、
例外誤差計算部１０１６、例外パラメタ修正部１０１７
はコンピュータ００１により実現できる。

【０１３６】次に第５の発明の実現手段について説明す
るが、その前に本発明の分類装置が保持する分類規則を
人にわかり易い規則として述語化する方法について説明
する。まず、選言標準形の確率論理により表現された分
類規則を述語化する方法について説明する。

【０１３７】全てのブール関数はＤＮＦに変換可能であ
り、ＤＮＦは容易に「．．かつ．．，または，．．か
つ．．」という人にわかる述語に直せる。ここで、述語
化可能な人にわかり易い規則とはブール関数であるとし
て、拡張ＤＮＦをブール関数に変換することを考える。

【０１３８】拡張ＤＮＦの特殊な場合としてＰ（Ｅｉ
ｋ）＝０ｏｒ１で、Ｅｉｋが独立の場合（φ＝１ｏｒ
０，σ＝１ｏｒ０）を想定できるが、この時選言標準形
の確率論理を表す前記（２）式は、ＤＮＦの真偽値を求
める式に等しくなる。即ち選言標準形の確率論理（拡張
ＤＮＦ）は、ブール関数のＤＮＦを含む表現であり、両
者の違いは量的である。そこで或る拡張ＤＮＦに「最も
近いＤＮＦ」を選び、これを述語化することで拡張ＤＮ
Ｆが表す規則を定性的に表現する。これを拡張ＤＮＦの
述語化と定義する。

【０１３９】拡張ＤＮＦとＤＮＦの距離にユークリッド
距離を採用すれば、或る閾値（例えば０．５）を設けて
拡張ＤＮＦのパラメタを二値化するだけで、最も近いＤ
ＮＦが得られる。次に例外規則の述語化について説明す
る。学習後のＡＬＵは、 Ｐ（Ｅｉｋ）→ｔｉ（ｋ＝１，２，…，ｋ） なる規則を表現している。

【０１４０】ωｂｋ＝−ｌｏｇ Ｐ（Ｅｉｋ）／｜Ｌ｜ より、ωｂｋが小さいほどＰ（Ｅｉｋ）が大きいので、
規則の前件部にはωｂｋの小さいＥｉｋの積を選ぶ。こ
れはωを適当な閾値、例えば０．５を設けて二値化し、
０のものを選ぶことにより簡単に行える。後件部は、抑
制性の場合には−Ｅｏ、興奮性の場合には Ｅｏを選
ぶ。

【０１４１】もし、同じ出力ノードにγの符号が同じＡ
ＬＵがつながっていた場合は、これを和と見なすことで
ＤＮＦ型の規則が抽出できる。

【０１４２】ただし、こうして得られる規則は拡張ＤＮ
Ｆとは無関係で、この場合の積は単にＥｉｋが同時に起
こったという事実を示すに過ぎず、和は同種のＡＬＵが
つながっているという事実を示すに過ぎない。それで拡
張ＤＮＦの示す規則と区別するために述語化の際は「か
つ」にかえて「かつ＊」を、「または」にかえて「また
は＊」を用いることにする。

【０１４３】ωｂｋの二値化の際、抑制性のＡＬＵと興
奮性のＡＬＵが非常に近接して存在する場合、前件部が
同じでも異なる後件部が得られることがありうる。ＡＬ
Ｕの表す規則は、基本的にはすべて無視できないが、こ
の場合は、発火領域の広い方、つまり発火閾値θｂが小
さい方を選択し、発火領域の狭い方のＡＬＵを捨てるこ
とにする。

【０１４４】図５は第５の発明の基本構成図である。

【０１４５】網掛け部分が第１の発明、第２の発明、第
３の発明、第４の発明と異なる。

【０１４６】第５の発明の規則抽出部１０２１は、分類
部１０００のパラメタ部１００２、もしくは第２の発明
の分類装置の例外パラメタ部１０１０のパラメタを二値
化する規則二値化部１０１９と、二値化例外パラメタ２
０２０から、選言標準形型の分類規則２０２１を出力す
る規則出力部１０２０とからなる。

【０１４７】まず、規則二値化部１０１９に二値化の閾
値３０１１（例えば０．５）を設定し、規則出力部１０
２０に、所見項目、分類項目等の項目名３０１２を設定
する。規則二値化部１０１９は、パラメタ２００２
（φ，σ）を閾値３０１１より大きいものを１とし、そ
れより小さいものを０とすることで二値化パラメタ３０
１０（φ’，σ’）を得、全く同様にして、例外パラメ
タ２００５（ω，γ）から二値化例外パラメタ２０２０
（ω’，γ’）を得て、規則出力部１０２０へ送る。た
だし、抑制性ＡＬＵの場合、γの絶対値が閾値以上なら
γ’を−１に、そうでなければ０にする。規則出力部１
０２０は、個々の分類項目に対応する二値化パラメタ３
０１０のσ’が１の選言を選び、その内容は、φ’が１
の所見項目を選ぶことで決定することにより、一般の分
類規則を述語化する。

【０１４８】例えば、分類項目「インシュリン投与をし
ない」に関してσ’が１のσが２つあって、その一方に
対応するφ’で１のものが、所見項目「血糖値が正常」
に対応しており、他方が「体温がやや低い」、「外気寒
冷」に対応している場合、「血糖値がやや正常 または
体温がやや低く かつ 外気寒冷 なら インシュリ
ン投与をしない」という規則として述語化される。

【０１４９】また、規則出力部１０２０は、個々の分類
項目に関して、二値化例外パラメタ２０２０のγ’が０
で無いものを選び選言とし、その内容はω’が０のω’
に対応する所見項目を選ぶことで決まる。例えば、分類
項目「インシュリン投与をしない」に関して、２つの興
奮性ＡＬＵがあり、その一方についてω’が０の所見項
目として「体温が高い」が、他方についてω’が０の所
見項目として「運動をしている」があり、さらに抑制性
ＡＬＵが一つあって、そのω’が０の所見項目として
「風邪をひいている」が対応していた場合、「ただし運
動をしているまたは＊ 体温が高い または＊ 風邪を
ひいていない ならばインシュリンを投与しない」が述
語化される。

【０１５０】規則出力部１０２０は、パラメタ２００２
からの規則と、例外パラメタ２００５からの規則を合わ
せて選言標準形型の分類規則２０２１として出力する。
以上により、規則抽出部１０２１の機能が実現できる。

【０１５１】閾値３０１１、項目名３０１２の設定は入
力手段００２により、選言標準形型の分類規則２０２１
の出力、は出力手段００３により、規則二値化部１０１
９、規則出力部１０２０はコンピュータ００１により実
現することができる。次に第６の発明の分類装置の実現
手段について説明するが、その前に入力の想起手法につ
いて説明する。

【０１５２】想起処理は、０≦ Ｐｉｋ ≦１の制約下
で出力二乗誤差

【０１５３】

【数２２】

【０１５４】を最小化するＰｉｋ（ｋ＝１，…，ｋ）を
求めることである。

【０１５５】この処理は、規則学習部１０１２の部分で
述べた非線形最適化手法によって実現できる。以下にこ
の最小化を降下法にて行う場合の入力確率２００１の修
正量計算の一例を示す。

【０１５６】

【数２３】

【０１５７】図６は、本発明を応用した参考例で、目的
とする出力から入力の目標値を逆向きに得ることができ
る分類装置の基本構成図である。

【０１５８】網掛け部分が第１の発明、第２の発明、第
３の発明、第４の発明、第５の発明と異なる。

【０１５９】まず、目的出力設定部１０２２に目的出力
２０２２を、想起収束判定部１０２６に許容想起誤差３
０１３を、入力保持部１０２３に入力確率初期値３０１
４を設定する。この処理は入力手段００２により実現で
きる。

【０１６０】はじめに入力保持部１０２３は、保持する
入力確率初期値３０１４を入力確率２００１として第１
の発明の分類装置へ送る。

【０１６１】想起誤差計算部１０２４は、第１の分類装
置の出力確率２００３と目的出力２０２２とから想起誤
差２０２３（−（ｔｉ−ｓｉ）に相当）を計算し、入力
修正部１０２５と想起収束判定部１０２６に送る。

【０１６２】入力修正部１０２５は（１３）式に従って
入力修正量２０２４を求め、入力保持部１０２３へ送
る。

【０１６３】入力保持部１０２３は、入力修正量２０２
４を受け、保持している保持入力確率２０２５にこれを
加えることで入力確率の修正を行う。

【０１６４】想起収束判定部１０２６は、想起誤差２０
２３が許容想起誤差３０１３よりも大きければ想起継続
信号２０２７を入力保持部１０２３へ送り、入力保持部
１０２３が保持する入力確率を再び第１の分類装置へ送
らせる。想起誤差２０２３が許容想起誤差３０１３より
も小さい場合は、想起継続信号２０２７を送らず、想起
確率出力部１０２７へ出力要請信号２０２８を送る。

【０１６５】想起確率出力部１０２７は出力要請信号２
０２８を受けて、保持入力確率２０２５にグラフ化など
の加工を施し想起結果２０２６として出力する。

【０１６６】以上により入力値の想起が実現できる。

【０１６７】目的出力設定部１０２２、想起誤差計算部
１０２４、入力修正部１０２５、想起収束判定部１０２
６はコンピュータ００１により、想起確率出力部１０２
７は出力手段００３により実現できる。

【０１６８】

【発明の効果】本発明の選言標準形の確率論理を用いる
分類装置は、分類規則（もしくは診断規則、判断規則）
を定量性が保証され、しかも人にわかり易い規則表現と
して保持し、これに基づいて半自動的に分類処理を行う
ことができ、既存の分類規則を、その規則表現に変換し
て利用でき、個人差などの例外的分類規則を保持し、こ
れを用いて分類でき、分類事例を用いて、その規則表現
を半自動的に学習でき、装置が保持している分類規則を
人にわかる規則として抽出できることから、医療、医用
工学分野での診断およびそれに基づく治療・制御を支援
することができる。

【図面の簡単な説明】

【図１】第１の発明の基本構成図である。

【図２】第２の発明の基本構成図である。

【図３】第３の発明の基本構成図である。

【図４】第４の発明の基本構成図である。

【図５】第５の発明の基本構成図である。

【図６】本発明を応用した参考例で、目的とする出力か
ら入力の目標値を逆向きに得ることができる分類装置の
基本構成図である。

【符号の説明】

００１ コンピュータ ００２ 入力手段 ００３ 出力手段 １０００ 分類部 １００１ 入力部 １００２ パラメタ部 １００３ 出力確率計算部 １００４ 出力部 １００５ 確率変換部 １００６ 知識変換部 １００７ 規則分析部 １００８ 規則設定部 １００９ 例外修正部 １０１０ 例外パラメタ部 １０１１ 例外判定部 １０１２ 規則学習部 １０１３ 誤差計算部 １０１４ パラメタ修正部 １０１５ 収束判定部 １０１６ 例外誤差計算部 １０１７ 例外パラメタ修正部 １０１８ 例外収束判定部 １０１９ 規則二値化部 １０２０ 規則出力部 １０２１ 規則抽出部 １０２２ 目的出力設定部 １０２３ 入力保持部 １０２４ 想起誤差計算部 １０２５ 入力修正部 １０２６ 想起収束判定部 １０２７ 想起確率出力部 ２０００ 計測値 ２００１ 入力確率 ２００２ パラメタ ２００３ 出力確率 ２００４ 分類結果 ２００５ 例外パラメタ ２００７ 例外信号 ２００８ 誤差 ２００９ 新パラメタ ２０１０ 分類事例 ２０１１ 修正停止命令 ２０１２ 分類結果確率 ２０１４ 例外分類事例 ２０１５ 例外入力確率 ２０１７ 新例外パラメタ ２０１８ 例外分類結果確率 ２０１９ 例外誤差 ２０２０ 二値化例外パラメタ ２０２１ 選言標準形型の分類規則 ２０２２ 目的出力 ２０２３ 想起誤差 ２０２４ 入力修正量 ２０２５ 保持入力確率 ２０２６ 想起結果 ２０２７ 想起継続信号 ２０２８ 出力要請信号 ３０００ 既存の分類規則 ３００２ 修正出力確率 ３００３ 許容誤差 ３００４ 誤差初期値 ３００５ 事例提示終了信号 ３００６ 例外許容誤差 ３００７ 例外誤差初期値 ３００８ 計算途中結果 ３００９ 修正終了信号 ３０１０ 二値化パラメタ ３０１１ 閾値 ３０１２ 項目名 ３０１３ 許容想起誤差 ３０１４ 入力確率初期値

Claims (5)

(57)【特許請求の範囲】
1. 【請求項１】 Ｋ個の所見項目に対応する入力確率Ｐ
   （Ｅｉｋ），（ｋ＝１，２，３，．．Ｋ）を入力する入
   力部と、選言標準形の確率論理で表現された規則のパラ
   メタφｊｋおよびσｉｊを保持するパラメタ部と、入力
   部に設定された入力確率とパラメタ部に設定されたパラ
   メタを、選言標準形の確率論理の式（Ｉ）に基づいて、
   出力確率Ｐ（Ｅｏｉ）を計算する出力確率計算部と、出
   力確率をそのまま、もしくはグラフィックス出力する
   か、或いは出力確率に対応する制御量として分類結果を
   出力する出力部とから成る分類部を有し、 既存の分類規則を設定する規則設定部と、規則設定部に
   設定された分類規則に所見項目が全部で何種類あるか、
   また選言が幾つあるかを調べた後、各々の選言にどの所
   見項目が含まれるかを調べ、ｊ番目の選言にｋ番目の所
   見項目が含まれる場合はφｊｋを１に、含まれない場合
   はφｊｋを０にし、またｉ番目の出力項目にｊ番目の選
   言が含まれる場合はσｉｊを１に、そうでない場合はσ
   ｉｊを０にする規則分析部とからなる知識変換部を有
   し、 計測値を入力確率に変換し、前記分類部に入力する確率
   変換部を有することを特徴とする選言標準形の確率論理
   を用いる分類装置。【数１】
2. 【請求項２】 前記規則設定部に設定された所与の分類
   規則を用いて分類した場合に分類の精度が低下する事例
   （例外事例）に対して、前記例外事例の特徴に合わせて
   前記分類部の出力を修正し、分類精度を向上させる補正
   用例外規則のパラメタを保持する例外パラメタ部と、入
   力確率が得られた際にそれが補正用例外規則の前件部を
   満たすか否かを判定する例外判定部と、満たす場合には
   入力確率と補正用例外規則のパラメタとから前記出力確
   率を補正用例外規則の式に従って修正して前記出力部に
   渡し、満たさない場合には前記出力確率の修正を行わな
   いで前記出力部に渡す例外修正部をさらに有することを
   特徴とする請求項１記載の選言標準形の確率論理を用い
   る分類装置。
3. 【請求項３】 ある所見が入力確率で与えられ、前記所
   見に対する分類結果が分類結果確率として与えられる既
   存の過去の分類事例を得た時に、前記既存の分類事例に
   おける入力確率を用いて前記分類部が出力した出力確率
   と、前記既存の分類事例と同じ分類事例中の分類結果確
   率との誤差を求める誤差計算部と、前記誤差計算部が計
   算した誤差にもとづいて、前記誤差が小さくなる方向に
   前記パラメタ部のパラメタを修正するパラメタ修正部
   と、誤差が予め設定された許容値、すなわち許容誤差以
   下になるまでパラメタの修正を繰り返させる収束判定部
   とからなる規則学習部をさらに有することを特徴とする
   請求項１又は請求項２記載の選言標準形の確率論理を用
   いる分類装置。
4. 【請求項４】 前記規則設定部に設定された所与の分類
   規則を用いて分類した場合に分類の精度が低下した既存
   の過去の事例（補正用例外分類事例）において、前記補
   正用例外分類事例における所見が補正用入力確率で与え
   られ、前記所見に対する分類結果が補正用例外分類結果
   確率で与えられる既存の過去の補正用例外分類事例を得
   た時に、前記既存の補正用例外分類事例の補正用例外入
   力確率にもとづいて、前記例外修正部からの出力確率
   と、補正用例外分類事例中の補正用例外分類結果確率の
   との間の誤差である補正誤差を計算する補正例外誤差計
   算部と、補正誤差計算部が計算した補正誤差にもとづい
   て、前記補正誤差が小さくなる方向に前記補正用例外パ
   ラメタ部のパラメタを修正する補正用例外パラメタ修正
   部と、補正誤差が予め設定された許容誤差以下になるま
   で補正用例外パラメタの修正を繰り返させる補正収束判
   定部とからなる補正用例外規則学習部をさらに有するこ
   とを特徴とする請求項２記載の選言標準形の確率論理を
   用いる分類装置。
5. 【請求項５】 前記分類部のパラメタ部、もしくは前記
   補正用例外パラメタ部のパラメタを二値化する規則二値
   化部と、二値化されたパラメタから選言標準形型の分類
   規則を出力する規則出力部とからなる規則抽出部をさら
   に有することを特徴とする請求項１または２記載の選言
   標準形の確率論理を用いる分類装置。