JP2560651B2 - 生体内部状態推定装置 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、生体の頭皮上の電磁場
分布から、生体の内部状態を推定する生体内部状態推定
装置に関する。

【０００２】

【従来の技術】従来、被験者がどのような言葉を発しよ
うとしているかを推定する場合、図１３に示すような生
体内部状態推定装置が用いられていた（例えば特開平２
−２３２７８３号公報など）。

【０００３】図１３において、９１は複数の電極、９３
は脳波トポグラフィパタン生成装置、９４は入力前処理
装置９９を介して入力された脳波トポグラフィパタンに
対応する音節データを出力する神経回路網、９５は教示
データを生成する音節データ教示部、９６は音節呈示
部、９７は各部を制御する制御部、９８は音声検出装置
である。

【０００４】このような従来の生体内部状態推定装置で
は、まず被験者にある音節を発生させ、このとき電極９
１および脳波計９２を介して、トポグラフィパタン作成
装置９３により脳波の電位図すなわち脳波トポグラフィ
パタンを計測し、この一連の計測を複数回繰り返し、複
数個の学習データを生成する。

【０００５】このように生成した学習データを用いて、
音節データ教示部９５から入力される、被験者が頭でイ
メージした音節と、頭皮上の電位図との関係をニューラ
ル・ネットワーク、ここでは神経回路網９４に学習さ
せ、この学習が完了した後、計測した脳波の電位図を神
経回路網９４に入力し、対応する音節を出力することに
より、被験者が音声を発する事無く被験者の意図した音
節を認識できるようにしたものである。また、従来手法
では、入力データとして脳波の波形を用いていたが、脳
波の計測には背景脳波、計測機器の熱雑音などに起因す
るノイズの混入が避けられず、このノイズを取り除くた
めの前処理に長時間を要していた。ノイズを取り除くた
めの手段としては、計測した脳波データに高速フーリエ
変換（ＦＦＴ）を施してフィルタリングを行い、解析対
象となる信号以外の周波数を排除するという方法が行わ
れていた。

【０００６】

【発明が解決しようとする課題】しかしながら、従来手
法では、学習データとして被験者の頭皮上で計測した脳
波を用いるため、多数の学習データを用意しようとする
とデータの生成に時間がかかり、被験者の負担も大きか
った。また、被験者の負担を軽くするために学習データ
の数を減らすと、ニューラルネットワークの学習の精度
が悪くなり、認識がうまくいかないという問題があっ
た。

【０００７】また、ＦＦＴを用いた周波数解析手法で
は、データの計測を行った全時刻のデータが必要であ
り、これらのデータを保持するために多くのメモリを必
要としていた。さらに、ＦＦＴを用いたフィルタリング
では、得られたデータの全時刻で同一の周波数が用いら
れるが、例えばある時刻では低周波数の脳波成分が重要
で、別の時刻では高周波数の脳波成分が重要となるよう
な場合には、どちらかの周波数成分がフィルタリングに
よって排除されてしまうことがあった。

【０００８】また、得られた計測データから内部状態を
推定する場合には、辞書を検索する必要があり、この検
索過程にも時間を要していた。

【０００９】本発明はこのような課題を解決するもので
あり、被験者の負担を著しく軽減することができるとと
もに、計測データが多くの雑音を含む場合においても被
験者が伝えようとしているカテゴリの内容を瞬時に検知
することができる生体内部状態推定装置を提供すること
を目的としている。

【００１０】

【課題を解決するための手段】第１の発明の生体内部状
態推定装置は、生体の頭皮上で測定した電磁場分布から
生体の内部状態を推定する生体内部状態推定装置におい
て、生体の頭皮上に生じた電磁場分布を測定する電磁場
分布測定手段と、前記電磁場分布測定手段で測定した電
磁場分布に対し、ウェーブレット変換を施して雑音を除
去するウェーブレット変換手段と、乱数を用いて双極子
パラメータを生成する双極子パラメータ生成手段と、頭
部モデルを指定する頭部モデルデータと前記双極子パラ
メータ生成手段で生成された双極子パラメータとから計
算した電磁場分布、および脳活性領域と生体の内部状態
との関係を記述する内部状態カテゴリデータから複数の
学習データを生成する学習データ生成手段と、入力層、
出力層および１層以上の中間層からなり、前記各層を構
成する各ユニット間の結合状態を示す所定の結合係数を
有するニューラル・ネットワークを用いて、前記学習デ
ータ中の電磁場分布から脳内の活性領域を表す数値を算
出する推論手段と、前記推論手段から出力される脳内の
活性領域を表す数値を、生体の内部状態を表す表現に変
換し出力する手段とを備えることを特徴とする。

【００１１】第２の発明の生体内部状態推定装置は、第
１の発明において、前記推論手段は、前記学習データ中
に記述される脳内活性領域を表す正しい数値と、前記ニ
ューラル・ネットワークによって算出された脳内活性領
域を表す数値との差異を小さくするように前記ニューラ
ル・ネットワークの前記結合係数を修正する結合係数修
正手段を有し、予め設定された基準値よりも前記差異が
小さくなった時点で、前記ウェーブレット変換手段によ
り雑音を除去した電磁場分布を入力として、前記ニュー
ラル・ネットワークにより脳内活性領域を表す数値を算
出するようにしたことを特徴とする。

【００１２】第３の発明の生体内部状態推定装置は、第
１又は第２の発明において、雑音を生成し、前記学習デ
ータ生成部で生成した学習データに雑音を付加する雑音
データ付加部を備えることを特徴とする。

【００１３】第４の発明の生体内部状態推定装置は、第
１又は第２の発明において、前記ニューラル・ネットワ
ークの記述長を最小にするように、前記結合係数の数お
よび前記中間層を構成するユニットの数を変更するパラ
メータ数変更部を備え、前記記述長は、前記学習データ
の数の対数と前記ニューラル・ネットワークで用いるパ
ラメータの数とを掛けて２で割った数に、最大対数尤度
に−１を掛けた数を加えた数であることを特徴とする。

【００１４】第５の発明の生体内部状態推定装置は、第
１又は第２の発明において、前記ニューラル・ネットワ
ークの赤池の情報量を最小にするように、前記結合係数
の数および前記中間層を構成するユニットの数を変更す
るパラメータ数変更部を備え、前記赤池の情報量は、前
記ニューラル・ネットワークで用いるパラメータの数に
２を掛けた数に、最大対数尤度に−２を掛けた数を加え
た数であることを特徴とする。

【００１５】第６の発明の生体内部状態推定装置は、第
１又は第２の発明において、前記推論手段として、リカ
レント型のニューラル・ネットワークを有することを特
徴とする。

【００１６】

【作用】本発明の基本原理は、生体の頭皮上で測定され
る電磁場分布と脳内の活動部位との関係をあらかじめニ
ューラル・ネットワークに学習させることにより、頭皮
上の電磁場分布から生体の内部状態を推定しようという
ものである。

【００１７】本発明では、ニューラル・ネットワークに
対し、頭皮上で測定した電磁場分布と、その電磁場分布
の源泉となっている双極子の位置との関係を学習させて
おく。ここでいう学習とは、電磁場分布の入力に対し、
その電磁場分布の源泉である双極子の位置を正しく出力
する様にニューラル・ネットワーク結合係数を修正する
ことを意味する。

【００１８】ところで、脳内の活動部位の位置と、生体
の内部状態とは密接な関係があることが知られている。
例えば、人間がはっと驚いた場合、驚きの原因となった
刺激が呈示された時点から約３００ミリ秒後にＰ３００
と呼ばれる特徴的な脳波が出現することが知られてお
り、この時には脳の深部で神経細胞の活動が高まってい
ると言われている。したがって、ニューラル・ネットワ
ークによって脳内活動部位を推定することにより、生体
の内部状態を推定することが可能となる。

【００１９】あらかじめニューラル・ネットワークの学
習を終えていれば、学習結果はニューラル・ネットワー
クの結合係数に反映されているため、実際の推定の際に
行う計算は単にニューラル・ネットワークの出力を求め
るための順方向計算のみである。このために本発明では
生体の内部状態を高速に推定することが可能となる。

【００２０】また本発明では、学習データ生成部を備
え、頭部モデルを用いて学習データを生成する。このた
め、学習データ生成の際に被験者の頭部で電磁場分布を
計測する必要が無く、被験者の負担を著しく軽減するこ
とができる。

【００２１】さらに、本手法では脳波や脳磁場の周波数
解析手法としてウェーブレット変換を用いている。これ
により、短時間のデータから変換を施してノイズを除去
する事が可能であり、リアルタイムで生体内部状態推定
が可能となる。

【００２２】

【実施例】次に、本発明の実施例について図面を参照し
て説明する。

【００２３】図１は第１および第２の発明の一実施例の
構成を示すブロック図であり、同図において、１は生体
（被験者）の頭皮上に生じた電磁場分布を測定する電磁
場分布測定部、２は電磁場分布測定部１で計測した電磁
場データにウェーブレット変換を施すウェーブレット変
換部、５は双極子パラメータを生成する双極子パラメー
タ生成部、６は頭部モデルデータを入力とし、双極子パ
ラメータ生成部５からの双極子パラメータに基づき、頭
部モデルの頭皮上に生じる電磁場分布を計算する電磁場
分布計算部、７は内部状態カテゴリデータと電磁場分布
計算部６からの電磁場分布計算値とに基づき学習データ
を生成する学習データ生成部、３はウェーブレット変換
された電磁場データと学習データ生成部で生成された学
習データを正規化するデータ正規化部である。

【００２４】４はウェーブレット変換部２で変換された
電磁場データまたは学習データを一時的に記憶する入力
バッファ、１１はニューラル・ネットワークのユニット
出力を記憶するユニット出力記憶部、１２はニューラル
・ネットワークの結合係数を修正す結合係数修正部、１
０は入力バッファ４からの学習データに基づいて学習す
るとともに、入力バッファ４からのウェーブレット変換
された電磁場データに基づいて脳内活性領域を示す数値
を推定し出力するニューラル・ネットワーク（ＮＮ部）
（推論手段）、８はニューラル・ネットワーク部１０か
らの脳内活性領域を表す数値を内部状態を表す表現に変
換するユニット出力変換部（変換手段）、９はユニット
出力変換部８からの内部状態カテゴリを表示する内部状
態表示部である。なお、双極子パラメータ生成部５、電
磁場分布計算部６および学習データ生成部７により、学
習データ生成手段を構成している。

【００２５】また、ニューラル・ネットワーク部１０
は、入力層、出力層および１層以上の中間層から構成さ
れるニューラル・ネットワークを有し、入力バッファ４
からの学習データおよび電磁場分布計算値を記憶すると
ともに、更新されたユニット出力を記憶するユニット出
力記憶部１１と、ニューラル・ネットワークを構成する
各層のユニット間の結合係数を記憶する結合係数記憶部
１３と、入力バッファ４およびユニット出力記憶部１１
内の記憶内容に基づき結合係数記憶部１３内に記憶され
ている結合係数を修正する結合係数修正部１２（結合係
数修正手段）と、入力バッファ４の学習データまたは電
磁場分布測定値、ユニット出力記憶部１１のユニット出
力、および結合係数記憶部１３の結合係数に基づきユニ
ット出力を更新するユニット出力更新部１４を有してい
る。

【００２６】図２は本発明における処理の流れを示すフ
ローチャートである。図１および図２を用いて、まず第
１および第２の発明の動作について説明する。

【００２７】ステップ２１では、頭部モデルデータを電
磁場分布計算部６へ、内部状態カテゴリデータを学習デ
ータ生成部７へ入力する。

【００２８】まず頭部モデルについて説明する。

【００２９】頭部モデルデータは、頭部モデルの形状、
導電率、および頭皮上の測定点の座標の組から成る。例
えば頭部モデルとして図７に示したような３層球モデル
を用いた場合、頭部モデルの形状を指定するデータは、
それぞれ脳、頭蓋骨、頭皮に対応する３つの球の半径を
指定する数値から成る。同様にして、導電率データも
脳、頭蓋骨、頭皮に対応する３つの球の導電率を指定す
る数値から成る。測定点の座標データは、実際に計測を
行う被験者の頭部に設置された電極の位置、またはＳＱ
ＵＩＤ磁気センサの位置に対応して、頭部モデル上に設
定された測定点の座標の組から成る。

【００３０】次に内部状態カテゴリデータについて説明
する。

【００３１】ここでいう内部状態とは、驚き、いらい
ら、平静などのような心理状態を指す。人間がはっと驚
いたりした場合、驚いた時点から約３００ミリ秒後にＰ
３００と呼ばれる特徴的な脳波が出現することが知られ
ており、この時には脳の深部で神経細胞の活動が高まっ
ていると言われている。そこで、ニューラル・ネットワ
ークに脳波と脳内活動部位との関係を学習させておくこ
とにより、内部状態を推定することができる。このＰ３
００成分に関しては、例えば、文献１（Ｃ．Ｄ．Ｙｉｎ
ｇｌｉｎｇ ａｎｄ Ｙ．Ｈｏｓｏｂｕｃｈｉ，Ａ Ｓ
ｕｂｃｏｒｔｉｃａｌ Ｃｏｒｒｅｌａｔｅ ｏｆ Ｐ
３００ ｉｎ Ｍａｎ，Ｅｌｅｃｔｒｏｅｎｃｅｐｈａ
ｌｏｇｒａｐｈｙ ａｎｄ ｃｌｉｎｉｃａｌ Ｎｅｕ
ｒｏｐｈｙｓｉｏｌｏｇｙ，１９８４，Ｖｏｌ．５９，
ｐｐ．７２−７６）に詳しい。

【００３２】内部状態カテゴリデータは、学習に先だっ
て次の様な方法で生成しておく。まず頭部モデルの脳に
相当する部分を幾つかの領域に分割する。ここでは図８
に示したように、脳の深部と表層部の２つに分割した場
合について説明するが、領域を２つ以上にした場合でも
同様な寸法で実行が可能である。２つの領域は、デカル
ト座標系や極座標系などを用いて表現し、各々の領域に
は数値と内部状態を割り当てておく。図９に極座標表現
を用いた場合の内部状態カテゴリデータの例を示す。図
９において、Ｒ_b は脳に対応する球の半径で、数値デー
タはニューラル・ネットワーク学習の教師信号として用
いる。

【００３３】ステップ２２では、ニューラル・ネットワ
ークの学習データの入力信号である電磁場データの計算
に必要な双極子パラメータを双極子パラメータ生成部５
で生成する。双極子パラメータは双極子の位置の３成分
（ｘ，ｙ，ｚ）およびモーメントベクトル（Ｍ_x ，
Ｍ_y ，Ｍ_z ）を１組とし、双極子パラメータ生成部５は
乱数を用いて、Ｎ_t 組の異なる双極子パラメータを生成
する。ここでＮ_t は学習データの数で、学習データは通
常５０００個から１００００個用意する。乱数を用いて
双極子パラメータを生成する場合には、以下のような制
限を付ける。

【００３４】

【数１】

【００３５】ここでμはモーメントベクトルの最大値
で、頭皮上で測定される電磁場と双極子パラメータから
計算される電磁場がほぼ同じ大きさになるように定め
る。双極子パラメータ生成部５で生成されたＮ_t 個の双
極子パラメータは電磁場分布計算部６へ送られ、電磁場
分布の計算に用いられる。

【００３６】双極子パラメータ生成部５は、例えば日本
電気（株）製のＰＣ−９８０１等のパーソナルコンピュ
ータ、またはＥＷＳ４８００等のエンジニアリング・ワ
ークステーションを用いて実現できる。

【００３７】ステップ２３では、ステップ２２で生成し
た双極子パラメータに基づいて、電磁場分布計算部６で
電磁場分布を計算する。双極子パラメータから電磁場分
布を計算するには、次の様にして行う。

【００３８】以下では、頭部のモデルとして半径Ｒの一
様な導電率を持った３層の導体球を考え、導体球の表面
に生じる電位の計算方法について述べる。導体球の中心
を原点とした座標系を取り、ｚ軸上の原点からｒの距離
にモーメント成分が（Ｍ_t ，０，Ｍ_r ）の双極子が存在
した場合、球面上の位置（Ｒ，θ，φ）で指定される点
に生じる電位Ｖは次の様に与えられる。

【００３９】

【数２】

【００４０】で定義されるクロネッカーの記号である。
（３）式は、双極子がｚ軸上にあり、モーメントのｙ成
分が０である場合の電位であるが、任意の位置にある双
極子に対しては座標変換を行うことによって（３）式か
ら求めることができ、双極子が複数ある場合には、それ
ぞれの双極子によって生じる電位を単純に足し合わせれ
ばよい。

【００４１】電磁場分布計算部６は、双極子パラメータ
ｐ⁽ⁱ⁾ ， ｐ⁽ⁱ⁾ ＝（ｘ⁽ⁱ⁾ ，ｙ⁽ⁱ⁾ ，ｚ⁽ⁱ⁾ ，Ｍ_x ⁽ⁱ⁾ ，Ｍ_y
⁽ⁱ⁾ ，Ｍ_z ⁽ⁱ⁾ ），（ｉ＝１，…，Ｎ_t ） および、双極子パラメータｐ⁽ⁱ⁾ を用いて頭部モデル上
Ｎ_M 個の点で計算された電磁場成分Ｖ⁽ⁱ⁾

【００４２】

【数３】

【００４３】の組を学習データ生成部７に送る。

【００４４】電磁場分布計算部６は、例えば日本電気
（株）製のＰＣ−９８０１等のパーソナルコンピュー
タ、またはＥＷＳ４８００等のエンジニアリング・ワー
クステーションを用いて実現できる。

【００４５】頭部モデルと電磁場分布の計算方法につい
ては、例えば文献２（ＪａｍｅｓＰ．Ａｒｙ，ｅｔ ａ
ｌ．，Ｌｏｃａｔｉｏｎ ｏｆ Ｓｏｕｒｃｅｓ ｏｆ
Ｅｖｏｋｅｄ Ｓｃａｌｐ Ｐｏｔｅｎｔｉａｌｓ：Ｃ
ｏｒｒｅｃｔｉｏｎｓｆｏｒ Ｓｋｉｌｌ ａｎｄ Ｓ
ｃａｌｐ Ｔｈｉｃｋｎｅｓｓｅｓ，ＩＥＥＥＴＲＡＮ
ＳＡＣＴＩＯＮＳ ＯＮ ＢＩＯＭＥＤＩＣＡＬ ＥＮ
ＧＩＮＥＥＲＩＮＧ，ＶＯＬ．ＢＭＥ−２８，ＮＯ．
６，ＪＵＮＥ １９８１）に詳しい。

【００４６】ここでは、頭皮上の電磁場データのうち、
電場（電位）に関する計算法について述べたが、電場の
代わりに

【００４７】

【数４】

【００４８】で与えられる磁場分布を用いても同様な方
法で実行可能である。ここでＭ（ｒ′）は位置ｒ′に生
じた双極子、ｘは磁場の測定点の座標である。

【００４９】ステップ２４では、学習データ生成部７で
学習データを生成する。学習データ生成部７は、電磁場
分布計算部６から双極子パラメータと電磁場分布の組
を、また、あらかじめ用意されている内部状態カテゴリ
データを受け取り、ニューラル・ネットワークの学習デ
ータを生成する。したがって学習データは、頭皮上Ｎ_M
個の点で計算した電磁場の値と、脳内活性領域を表す数
値との組から成る。例えば、電磁場データＶ^(k) が、頭
部モデル球の２つの領域のうち、内部の領域に置かれた
双極子、

【００５０】

【数５】

【００５１】によって生じたものであるならば、脳内活
性領域の数値表現として−１を、電磁場データＶ
^(l) が、頭部モデル球の２つの領域のうち、外側の領域
に置かれた双極子、

【００５２】

【数６】

【００５３】によって生じたものであるならば、脳内活
性領域の数値表現として１を与える。

【００５４】以上のように生成された脳内活性領域の数
値表現は学習データとして用いられる。

【００５５】学習データ生成部７は、例えば日本電気
（株）製のＰＣ−９８０１等のパーソナルコンピュー
タ、またはＥＷＳ４８００等のエンジニアリング・ワー
クステーションを用いて実現できる。

【００５６】ステップ２５では、データ正規化部３で学
習データを正規化する。正規化は例えば次のように行
う。ｉ番目の測定点での電磁場分布データの計算値をＶ
_i と書く。このとき、正規化された電磁場分布データＶ
_i ′を

【００５７】

【数７】

【００５８】で定義する。ここでｍａｘ｜Ｖ｜は、全学
習データの中でその絶対値が最大の電磁場分布の値を表
す。ａは正規化定数で、例えば０．８などの値が適切で
あるが、その他の正数を用いても差し支えない。入力値
を正規化するのは、入力されたデータの値が大きすぎる
と学習が困難になるためで、入力値の最大値に制限を加
えることによって学習をより効率的に実行できるように
なる。正規化を定義する式は上式に限らず、値が１以下
になるようなものであればよい。データ正規化部３で正
規化されたデータは、入力バッファ４に送られ、保持さ
れる。

【００５９】データ正規化部３は、例えば日本電気
（株）製のＰＣ−９８０１等のパーソナルコンピュー
タ、またはＥＷＳ４８００等のエンジニアリング・ワー
クステーションを用いて実現できる。また、入力バッフ
ァ４は、例えば磁気ディスク装置や半導体メモリ記憶装
置、光磁気ディスク装置などを用いて実現できる。

【００６０】ステップ２６では、結合係数記憶部１３に
保持されるニューラル・ネットワークの結合係数を、乱
数などを用いて初期化する。結合係数記憶部１３は、例
えば日本電気（株）製のパーソナル・ニューロボードＮ
ｅｕｒｏ−０７や磁気ディスク装置、半導体メモリ記憶
装置、光磁気ディスク装置などを用いて実現できる。

【００６１】ステップ２７では、ユニット出力記憶部１
１に構築されているニューラル・ネットワークの入力層
に対して学習データの電磁場分布を入力する。ユニット
出力記憶部１１は、例えば日本電気（株）製のパーソナ
ル・ニューロボードＮｅｕｒｏ−０７や磁気ディスク装
置、半導体メモリ記憶装置、光磁気ディスク装置などを
用いて実現できる。

【００６２】ステップ２８では、ニューラル・ネットワ
ークを用いて内部状態を算出する。ニューラル・ネット
ワークは一般に図５のような、入力層、出力層、および
１層以上の中間層と呼ばれる３種類の層から構成され、
さらに各層にはユニットと呼ばれる処理単位系（図５
中、○印）が配置される。各ユニットは、入力層に近い
側の隣接層ユニットから入力を受け、出力層に近い側の
層に出力する。各ユニットの入出力関係は、ユニット出
力更新部１４において計算され、例えば次の様に定義す
ることができる。

【００６３】

【数８】

【００６４】ここで、ｈはユニットへの入力、ｖはユニ
ットからの出力、θはユニットの持つ閾値を表す。上付
きの添字は入力層から数えた階層の数を表し、下付きの
添字は層中のユニットの番号を表す。また、Ｗ
_ij ^(l) は、第（ｌ−１）層のｊ番目のユニットと第ｌ層
のｉ番目のユニット間の結合係数、ｇ（ｘ）は入出力の
応答関数である。入力層から出力層まで順序よく計算し
て行けば最終的に出力層からの出力が得られる。この出
力が、ニューラル・ネットワーク・システムによって算
出された双極子パラメータである。応答関数としては、
（９）以外にも例えば、ｔａｎｈ（ｘ）を用いても良い
し、これら以外の関数を用いてもよい。

【００６５】ステップ２９ではニューラル・ネットワー
ク・システムによって算出された双極子パラメータと、
学習データの双極子パラメータとの差異を計算する。以
下、この差異を誤差Ｅと呼ぶ。誤差Ｅは、例えば２乗誤
差を用いて

【００６６】

【数９】

【００６７】で定義される。ここでｏ_i は、出力層の第
ｉ番目のユニットからの出力、τ_i は、そのユニットの
正しい出力である。誤差Ｅは必ずしも２乗誤差でなくと
もよく、全てのｏ_i ，τ_i が一致したときに０となるよ
うな非負数の関数であればよい。以下、ニューラル・ネ
ットワーク・システムの正しい出力を教師信号と呼ぶ。

【００６８】ステップ３０では、誤差Ｅがあらかじめ設
定された規準値以下であるかどうかを調べ、規準値以下
ならばステップ３２に進み、規準値以上ならステップ３
１に進む。ステップ３１では、結合係数修正部１２にお
いて、誤差Ｅを小さくするように結合係数を修正する。
結合係数の修正方法としては、例えば誤差逆伝播学習法
などを用いる。誤差逆伝播学習法を用いた具体的な修正
方法は、例えば文献３（Ｄ，Ｅ，Ｒｕｍｅｌｈａｒｔ
ｅｔ ａｌ．，Ｐａｒａｌｌｅｌ Ｄｉｓｔｒｉｂｕｔ
ｅｄ Ｐｒｏｃｅｓｓｉｎｇ，ｖｏｌ．１，ＭＩＴ ｐ
ｒｅｓｓ，ｐｐ．３１８−３６２，１９８６）に詳し
い。

【００６９】ステップ３２では、電磁場分布測定部１を
用いて頭皮上の各点で電磁場分布の値を測定し、それら
の値をウェーブレット変換部２に送る。

【００７０】ステップ３３では、計測した電磁場の波形
にウェーブレット変換を施し、不要な雑音を排除した
後、データ正規化部３に送る。このウェーブレット変換
自体は公知の技術であり、例えば文献４（Ｃｈａｒｌｅ
ｓ Ｋ．Ｃｈｕｉ，Ａｎ Ｉｎｔｒｏｄｕｃｔｉｏｎ
ｔｏ Ｗａｖｅｌｅｔｓ，Ａｃａｄｅｍｉｃ Ｐｒｅｓ
ｓ，１９９２）などに詳しいが、ここではその方法につ
いて少し詳しく説明する。時刻ｔで計算された波形の値
がｘ（ｔ）で表されるとすると、波形ｘ（ｔ）に対する
ウェーブレット変換の展開係数α（ａ，ｂ）は

【００７１】

【数１０】

【００７２】で与えられる。ここで、

【００７３】

【数１１】

【００７４】であり、ψ（ｔ）は基本ウェーブレットと
よばれる、展開の基底関数である。この基本ウェーブレ
ットは原点を中心とした領域に局在しており、またその
フーリエ成分も周波数空間の一点を中心にある幅をもっ
て局在している。パラメータａは、基本ウェーブレット
関数の時間方向への伸縮を指定するもので、フーリエ変
換の周波数に対応する。パラメータｂはフーリエ変換に
対応するものはなく、時間方向への並行移動を指定する
ものである。

【００７５】例えば、ある時刻ｔ₁ 付近の波形では高周
波数成分の信号が重要であるが、別の時刻ｔ₂ では低周
波成分が重要で、高周波数成分は雑音とみなされる場合
がある。このデータにフーリエ変換を用いたフィルタリ
ングを行い、高周波成分の雑音を削除した場合、時刻ｔ
₁ 付近の情報が失われてしまう。

【００７６】これに対し、ウェーブレット変換を用いた
フィルタリングでは、各時刻ごとに異なる周波数帯域に
対してフィルタリングを行うことができるため、重要な
信号を失う事無く、効果的に雑音を除去することが可能
となる。ウェーブレット変換を用いたフィルタリングに
関しては、例えば文献５（Ｏｌｉｖｉｅｒ Ｂｅｒｔｒ
ａｎｄ ｅｔ ａｌ．，「Ｔｉｍｅ−Ｆｒｅｑｕｅｎｃ
ｙ ＤｉｇｉｔａｌＦｉｌｔｅｒｉｎｇ Ｂａｓｅｄ
ｏｎ ａｎ Ｉｎｖｅｒｔｉｂｌｅ Ｗａｖｅｌｅｔ
Ｔｒａｎｓｆｏｒｍ： Ａｎ Ａｐｐｌｉｃａｔｉｏｎ
ｔｏ Ｅｖｏｋｅｄ Ｐｏｔｅｎｔｉａｌｓ」ＩＥＥ
Ｅ ＴＲＡＮＳＡＣＴＩＯＮＳ ＯＮＢＩＯＭＥＤＩＣ
ＡＬ ＥＮＧＩＮＥＥＲＩＮＧ，ＶＯＬ．４１，ＮＯ．
１，ＪＡＮＵＡＲＹ １９９４）に記載されている。

【００７７】ステップ３４では、ウェーブレット変換部
２から送られた電磁場分布の値を正規化したのち、入力
バッファ４に送り、これを保持する。正規化の方法は、
ステップ２５で行ったものと同様である。

【００７８】ステップ３５では、入力バッファ４に保持
されている正規化された電磁場分布の測定値をニューラ
ル・ネットワークの入力層に送る。

【００７９】ステップ３６では、ニューラル・ネットワ
ークを用いて電磁場分布の測定値から脳内活性領域を算
出し、ユニット出力変換部８に送る。算出の方法は、ス
テップ２８で説明した方法と同様である。ステップ３７
では、あらかじめ用意されている内部情報カテゴリデー
タに基づき、ニューラル・ネットワークを用いて算出し
た脳内活性領域を内部状態を表す表現に変換し、内部状
態表示部９に送る。

【００８０】ステップ３８では、ユニット出力変換部８
から内部状態を受け取り、これを表示し、終了する。

【００８１】なお、あらかじめニューラル・ネットワー
クの学習を完了しておき、適切な結合係数を固定磁気デ
ィスクなどの記憶装置に保持しておけば、ステップ２２
から３１までの手続きは省略することも可能である。し
たがって、ひとたび学習が終了すれば、ニューラル・ネ
ットワークの出力を算出する計算のみで内部状態の推定
を行うことができ、高速な内部状態推定装置の実現が可
能となる。

【００８２】なお、以上の発明において、学習データと
して脳内活性領域を数値で与える場合について説明した
が、ニューラル・ネットワークの出力層のユニットをカ
テゴリの数だけ用意して、推定された内部状態に対応す
るユニットの値を１とし、その他のユニットの値を０と
するような表現を用いても同様に実行が可能である。図
１０はニューラル・ネットワークの構造を示す説明図、
また図１１は図１０のニューラル・ネットワークに入力
される学習データを示す説明図であり、特に、ｍ個に分
割された脳内活性領域Ｃ₁ ，Ｃ₂ ，…，Ｃ_m があるとし
た場合、図１１のユニット表現のうち、推定された内部
状態カテゴリに対応するユニットが１となり、その他の
ユニットは０となっている。

【００８３】次に、第３の発明の実施例について図３を
参照して説明する。また第１の発明と重複する部分に関
しては説明を省略する。

【００８４】図３は第３の発明の一実施例の構成を示す
ブロック図であり、同図において、前述の説明（図１）
と同じまたは同等部分には同一符号を付してある。図３
において、１５は雑音データを生成し、学習データ生成
部７に出力する雑音データ付加部である。

【００８５】前述の第１の実施例では、学習データに用
いる電磁場分布の値として、計算値をそのまま学習デー
タとして用いた場合について説明したが、雑音を付加し
た電磁場分布を用いてもよい。

【００８６】雑音データ付加部１５は、雑音を生成し、
学習データ生成部７で生成された学習データ中の電磁場
分布にこれを付加する。雑音を付加した電磁場分布Ｖ_i
^(L)′は、次のように与えられる。

【００８７】 Ｖ_i ^(L) ′＝Ｖ_i ^(L) ＋η_i （１２） ここでＶ^(L) は頭皮上のｉ番目の測定点での電磁場分布
の計算値、η_i はそれに付加された雑音で、乱数を用い
て与えられる。上付きの添字のＬは電磁場分布が学習デ
ータに用いられることを表す。頭皮上で測定される電磁
場分布には雑音が混ざっている場合が多いので、あらか
じめ雑音を含んだニューラル・ネットワーク・システム
に学習させておけば、雑音に強い生体内部状態推定装置
の実現が可能となる。

【００８８】次に、第４の発明の実施例について図４を
参照して説明する。また第１，第２，第３の発明と重複
する部分に関しては説明を省略する。

【００８９】図４は第４の発明の一実施例を示すブロッ
ク図であり、同図において、前述の説明（図１）と同じ
または同等部分には同一符号を付してある。図４におい
て、１６はニューラル・ネットワークの中間層を構成す
るユニット数を変更するパラメータ数変更部である。

【００９０】パラメータ数変更部４では、ニューラル・
ネットワークの記述長と呼ばれる量を最小にするよう
に、ニューラル・ネットワークの中間層を構成するユニ
ット数、結合係数などのパラメータの数を変更する。デ
ータの数が正規分布に従う場合、記述長ＤＬは次のよう
に表される。

【００９１】

【数１２】

【００９２】ここで、ｏ_i ^(m) ，τ_i ^(m) はｍ番目の学
習データのそれぞれ教師信号、ニューラル・ネットワー
クの出力値で、Ｎ_t は学習データの数、Ｋはニューラル
・ネットワークのパラメータ数である。記述長ＤＬを最
小にするパラメータ数、結合係数の値が見出せれば、パ
ラメータ数変更部４はこれらの値を外部の固定磁気記憶
装置などに保持し、内部状態をニューラル・ネットワー
クを用いて推定するときにはそれらの値を使用する。こ
の記述長ＤＬを最小にする学習方式を用いることによ
り、ニューラル・ネットワークが学習データの雑音に過
剰に適応するのを抑制することができるため、雑音に強
い学習が可能となる。

【００９３】以上に説明した記述長に関しては、文献６
（Ｒｉｓｓａｎｅｎ，「Ｍｏｄｅｌｉｎｇ ｂｙ Ｓｈ
ｏｒｔｅｓｔ Ｄａｔａ Ｄｅｓｃｒｉｐｔｉｏｎ」，
Ａｕｔｏｍａｔｉｃａ，ＶＯＬ．１４，ｐｐ．４６５−
４７１，１９７８年）に詳しい。

【００９４】また、第５の発明のように、記述長ＤＬに
代えて、赤池の情報量を用いても同様の作用・効果を持
った生体内部状態推定装置を構成することが可能であ
る。データの誤差が正規分布に従う場合、赤池の情報量
Ｉ_AIC は、次のように定義される。

【００９５】

【数１３】

【００９６】赤池の情報量に関しては、例えば文献７
（坂元ほか「情報量統計学」，共立出版株式会社，１９
８３年）に詳しい。

【００９７】図６は、第６の発明で用いられるリカレン
ト型ニューラル・ネットワークの構成の一例を示した説
明図である。以上の説明においては、内部状態カテゴリ
の学習に用いるニューラル・ネットワークとして、図６
に示すようなフィードバックのない一般的な構造の場合
を説明したが、図６に示すようなリカレント型を用いた
場合でも、前述と同様の作用・効果を持った生体内部状
態推定装置を構成することが可能である。

【００９８】

【発明の効果】本発明を用いることにより、生体の頭皮
上で計測した電磁場分布から、あらかじめ用意された二
つ、あるいは三つ以上内部状態カテゴリのうち、被験者
がどのカテゴリの内容を伝えようとしているのかを瞬時
に検知することが可能となる。従来手法では、生体の内
部状態を検知するために必要な脳内活性領域の推定に、
数分から数時間を要していたが、本発明では数ミリ秒に
短縮された。また、従来手法では、ニューラル・ネット
ワークの学習データとして生体の頭皮上で測定した脳波
を用いていたが、本発明では頭部モデルを用いるため、
被験者の負担を著しく軽減することが可能である。ま
た、本発明では計測時の雑音を排除する際、ウェーブレ
ット交換を用いている。これによって時間領域ごとに異
なる周波数帯のフィルタを設定することができ、より柔
軟なノイズ処理が可能となる。さらに本発明では、ニュ
ーラル・ネットワークの学習時に、記述長最小原理、あ
るいは赤池の情報量基準に基づいた学習を行う。これに
よって、ネットワークが学習データに過剰適応すること
を防ぐことができ、雑音に強いニューラル・ネットワー
クの構築が可能となる。

【００９９】これらの特徴を備えた本発明は、その高速
推定能力、高い耐雑音性を利用して、身体障害のために
意志疎通が困難な被験者からその意志を検知するなど、
医療・福祉分野への応用が可能である。また、テレビゲ
ームなどにおいて、プレーヤーの内部状態を検知しなが
らインタラクティブに場面設定を変えるなど、より娯楽
性の高いゲームを提供できる。

【図面の簡単な説明】

【図１】第１および第２の発明の一実施例の構成を示し
たブロック図。

【図２】本発明の処理の流れを示すフローチャート。

【図３】第３の発明の一実施例の構成を示したブロック
図。

【図４】第４の発明の一実施例の構成を示したブロック
図。

【図５】ニューラル・ネットワークの構成例を示す図。

【図６】第６の発明で用いられるリカレント型ネットワ
ークの構成を示す説明図。

【図７】３層球モデルを示す説明図。

【図８】頭部モデルを示す説明図。

【図９】内部状態カテゴリデータを示す説明図。

【図１０】学習データを示す説明図。

【図１１】ニューラル・ネットワークの他の構成例を示
す説明図。

【図１２】図１１に対応する学習データを示す説明図。

【図１３】従来の生体内部状態推定方法を示す説明図で
ある。

【符号の説明】

１ 電磁場分布測定部 ２ ウェーブレット変換部 ３ データ正規化部 ４ 入力バッファ ５ 双極子パラメータ生成部 ６ 電磁場分布計算部 ７ 学習データ生成部 ８ ユニット出力変換部 ９ 内部状態表示部 １０ ニューラル・ネットワーク部 １１ ユニット出力記憶部 １２ 結合係数修正部 １３ 結合係数記憶部 １４ ユニット出力更新部 １５ 雑音データ付加部 １６ パラメータ数変更部

───────────────────────────────────────────────────── フロントページの続き (56)参考文献 特開 平６−319713（ＪＰ，Ａ) 特開 平７−194567（ＪＰ，Ａ) 特開 平７−51241（ＪＰ，Ａ)

Claims (6)

(57)【特許請求の範囲】
1. 【請求項１】生体の頭皮上で測定した電磁場分布から生
   体の内部状態を推定する生体内部状態推定装置におい
   て、 生体の頭皮上に生じた電磁場分布を測定する電磁場分布
   測定手段と、 前記電磁場分布測定手段で測定した電磁場分布に対し、
   ウェーブレット変換を施して雑音を除去するウェーブレ
   ット変換手段と、 乱数を用いて双極子パラメータを生成する双極子パラメ
   ータ生成手段と、 頭部モデルを指定する頭部モデルデータと前記双極子パ
   ラメータ生成手段で生成された双極子パラメータとから
   計算した電磁場分布、および脳活性領域と生体の内部状
   態との関係を記述する内部状態カテゴリデータから複数
   の学習データを生成する学習データ生成手段と、 入力層、出力層および１層以上の中間層からなり、前記
   各層を構成する各ユニット間の結合状態を示す所定の結
   合係数を有するニューラル・ネットワークを用いて、前
   記学習データ中の電磁場分布から脳内の活性領域を表す
   数値を算出する推論手段と、 前記推論手段から出力される脳内の活性領域を表す数値
   を、生体の内部状態を表す表現に変換し出力する手段と
   を備えることを特徴とする生体内部状態推定装置。
2. 【請求項２】前記推論手段は、 前記学習データ中に記述される脳内活性領域を表す正し
   い数値と、前記ニューラル・ネットワークによって算出
   された脳内活性領域を表す数値との差異を小さくするよ
   うに前記ニューラル・ネットワークの前記結合係数を修
   正する結合係数修正手段を有し、 予め設定された基準値よりも前記差異が小さくなった時
   点で、前記ウェーブレット変換手段により雑音を除去し
   た電磁場分布を入力として、前記ニューラル・ネットワ
   ークにより脳内活性領域を表す数値を算出するようにし
   たことを特徴とする請求項１記載の生体内部状態推定装
   置。
3. 【請求項３】雑音を生成し、前記学習データ生成部で生
   成した学習データに雑音を付加する雑音データ付加部を
   備えることを特徴とする請求項１又は２記載の生体内部
   状態推定装置。
4. 【請求項４】前記ニューラル・ネットワークの記述長を
   最小にするように、前記結合係数の数および前記中間層
   を構成するユニットの数を変更するパラメータ数変更部
   を備え、 前記記述長は、 前記学習データの数の対数と前記ニューラル・ネットワ
   ークで用いるパラメータの数とを掛けて２で割った数
   に、最大対数尤度に−１を掛けた数を加えた数であるこ
   とを特徴とする請求項１又は２記載の生体内部状態推定
   装置。
5. 【請求項５】前記ニューラル・ネットワークの赤池の情
   報量を最小にするように、前記結合係数の数および前記
   中間層を構成するユニットの数を変更するパラメータ数
   変更部を備え、 前記赤池の情報量は、 前記ニューラル・ネットワークで用いるパラメータの数
   に２を掛けた数に、最大対数尤度に−２を掛けた数を加
   えた数であることを特徴とする請求項１又は２記載の生
   体内部状態推定装置。
6. 【請求項６】前記推論手段として、リカレント型のニュ
   ーラル・ネットワークを有することを特徴とする請求項
   １又は２記載の生体内部状態推定装置。