JP2850763B2 - 生体内部状態伝達装置およびその方法 - Google Patents
生体内部状態伝達装置およびその方法Info
- Publication number
- JP2850763B2 JP2850763B2 JP6170979A JP17097994A JP2850763B2 JP 2850763 B2 JP2850763 B2 JP 2850763B2 JP 6170979 A JP6170979 A JP 6170979A JP 17097994 A JP17097994 A JP 17097994A JP 2850763 B2 JP2850763 B2 JP 2850763B2
- Authority
- JP
- Japan
- Prior art keywords
- electromagnetic field
- internal state
- living body
- brain
- field distribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Description
【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伝達
装置およびその方法に関するものである。
分布から、生体の内部状態を推定する生体内部状態伝達
装置およびその方法に関するものである。
【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１２に示すような生
体内部状態伝達装置が用いられていた（例えば、特開平
２−２３２７８３号公報など）。図１２において、９１
は複数の電極、９２は脳波計、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。
うとしているかを推定する場合、図１２に示すような生
体内部状態伝達装置が用いられていた（例えば、特開平
２−２３２７８３号公報など）。図１２において、９１
は複数の電極、９２は脳波計、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。
【０００３】まず、被験者にある音節を発生させ、この
ときの電極９１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。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
ことなく被験者の意図した音声を認識できるようにした
ものである。
ときの電極９１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。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
ことなく被験者の意図した音声を認識できるようにした
ものである。
【０００４】
【発明が解決しようとする課題】したがって、このよう
な従来の生体内部状態伝達装置では、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。本発明はこのような課
題を解決するためのものであり、被験者の負担を著しく
軽減することができるとともに、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
体内部状態伝達装置を提供することを目的としている。
な従来の生体内部状態伝達装置では、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。本発明はこのような課
題を解決するためのものであり、被験者の負担を著しく
軽減することができるとともに、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
体内部状態伝達装置を提供することを目的としている。
【０００５】
【課題を解決するための手段】このような目的を達成す
るために、本発明による生体内部状態伝達装置は、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、頭部モデルを指定する頭部モデルデータと所定
の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、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、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、この推論手段か
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変換手段とを備え、推
論手段は、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、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
ようにニューラル・ネットワークの結合係数を修正する
結合係数修正手段を有し、予め設定された規準値よりも
差異が小さくなった時点で、電磁場分布測定手段により
測定した電磁場分布を入力として、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
したものである。
るために、本発明による生体内部状態伝達装置は、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、頭部モデルを指定する頭部モデルデータと所定
の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、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、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、この推論手段か
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変換手段とを備え、推
論手段は、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、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
ようにニューラル・ネットワークの結合係数を修正する
結合係数修正手段を有し、予め設定された規準値よりも
差異が小さくなった時点で、電磁場分布測定手段により
測定した電磁場分布を入力として、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
したものである。
【０００６】また、雑音を生成し、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手
段を備えるものである。また、推論手段は、リカレント
型のニューラル・ネットワークを有するものである。ま
た、頭部モデルを指定する頭部モデルデータと所定の双
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し、入力層、
出力層および１層以上の中間層からなり、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、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し、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、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ニュー
ラル・ネットワークの結合係数を修正し、予め設定され
た規準値よりも差異が小さくなった時点で、生体の頭皮
上で測定した電磁場分布を入力として、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し、こ
の数値を生体の内部状態を表す表現に変換し出力するよ
うにしたものである。
生成した学習データに雑音を付加する雑音データ付加手
段を備えるものである。また、推論手段は、リカレント
型のニューラル・ネットワークを有するものである。ま
た、頭部モデルを指定する頭部モデルデータと所定の双
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し、入力層、
出力層および１層以上の中間層からなり、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、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し、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、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ニュー
ラル・ネットワークの結合係数を修正し、予め設定され
た規準値よりも差異が小さくなった時点で、生体の頭皮
上で測定した電磁場分布を入力として、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し、こ
の数値を生体の内部状態を表す表現に変換し出力するよ
うにしたものである。
【０００７】
【作用】したがって、学習データ生成手段により、頭部
モデルを指定する頭部モデルデータと所定の双極子パラ
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が生成され、推論手段により
ニューラル・ネットワークを用いて、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が算出されると
ともに、結合係数修正手段により、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、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ニューラル・ネットワー
クの結合係数が修正され、予め設定された規準値よりも
差異が小さくなった時点で、電磁場分布測定手段により
測定された生体の頭皮上の電磁場分布を入力として、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
が算出され、変換手段により、この数値が生体の内部状
態を表す表現に変換され出力される。
モデルを指定する頭部モデルデータと所定の双極子パラ
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が生成され、推論手段により
ニューラル・ネットワークを用いて、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が算出されると
ともに、結合係数修正手段により、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、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ニューラル・ネットワー
クの結合係数が修正され、予め設定された規準値よりも
差異が小さくなった時点で、電磁場分布測定手段により
測定された生体の頭皮上の電磁場分布を入力として、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
が算出され、変換手段により、この数値が生体の内部状
態を表す表現に変換され出力される。
【０００８】
【実施例】次に、本発明について図面を参照して説明す
る。図１は、本発明の第１の実施例である生体内部状態
伝達装置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、４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、５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４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、６は内部状態カテゴリデータと
電磁場分布計算部５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、２は学習デー
タ生成部６からの学習データおよび電磁場分布測定部１
からの電磁場分布測定値を正規化するデータ正規化部で
ある。
る。図１は、本発明の第１の実施例である生体内部状態
伝達装置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、４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、５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４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、６は内部状態カテゴリデータと
電磁場分布計算部５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、２は学習デー
タ生成部６からの学習データおよび電磁場分布測定部１
からの電磁場分布測定値を正規化するデータ正規化部で
ある。
【０００９】３はデータ正規化部２により正規化された
学習データまたは電磁場分布測定値を一時的に記憶する
入力バッファ、１０は入力バッファ３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３からの電
磁場分布測定値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）、７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）、８はユニット出力
変換部７からの内部状態カテゴリを表示する内部状態表
示装置である。なお、双極子パラメータ生成部４、電磁
場分布計算部５および学習データ生成部６により、学習
データ生成手段を構成している。
学習データまたは電磁場分布測定値を一時的に記憶する
入力バッファ、１０は入力バッファ３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３からの電
磁場分布測定値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）、７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）、８はユニット出力
変換部７からの内部状態カテゴリを表示する内部状態表
示装置である。なお、双極子パラメータ生成部４、電磁
場分布計算部５および学習データ生成部６により、学習
データ生成手段を構成している。
【００１０】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
３からの学習データおよび電磁場分布測定値を記憶する
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３およびユニット出力記憶部１
１内の記憶内容に基づき結合計数記憶部１２内に記憶さ
れている結合計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３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。
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
３からの学習データおよび電磁場分布測定値を記憶する
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３およびユニット出力記憶部１
１内の記憶内容に基づき結合計数記憶部１２内に記憶さ
れている結合計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３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。
【００１１】次に、図２を参照して、本発明の動作を説
明する。図２は、本発明における生体内部状態伝達処理
を示すフローチャートである。まず、ステップ２１にお
いて、頭部モデルデータを電磁場分布計算部５へ入力す
るとともに、内部状態カテゴリデータを学習データ生成
部６へ入力する。ここで、頭部モデルについて説明す
る。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構成されている。
図６は、頭部モデルを示す説明図であり、頭部が脳、頭
蓋骨および頭皮に対応する３つの層および球から構成さ
れている。
明する。図２は、本発明における生体内部状態伝達処理
を示すフローチャートである。まず、ステップ２１にお
いて、頭部モデルデータを電磁場分布計算部５へ入力す
るとともに、内部状態カテゴリデータを学習データ生成
部６へ入力する。ここで、頭部モデルについて説明す
る。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構成されている。
図６は、頭部モデルを示す説明図であり、頭部が脳、頭
蓋骨および頭皮に対応する３つの層および球から構成さ
れている。
【００１２】頭部モデルとして図６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Ｒ1 ，Ｒ2 ，Ｒを指定する数値から構成され、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σ1 ，σ2 ，σを指定する数値から構
成される。また、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構成され、これら頭部モ
デルの形状、導電率、および頭皮上の測定点の座標の組
から頭部モデルデータが構成される。
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Ｒ1 ，Ｒ2 ，Ｒを指定する数値から構成され、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σ1 ，σ2 ，σを指定する数値から構
成される。また、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構成され、これら頭部モ
デルの形状、導電率、および頭皮上の測定点の座標の組
から頭部モデルデータが構成される。
【００１３】次に、内部状態カテゴリデータについて説
明する。なお、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、このとき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Ｐ
３００成分に関しては、例えば、文献１（C.D.Yingling
and Y.Hosobuchi, 「A Subcortical Correlate of P30
0 in Man, Electroencephalography andclinical Neuro
physiology 」, 1984, Vol.59, pp.72--76 ）に記載さ
れている。
明する。なお、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、このとき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Ｐ
３００成分に関しては、例えば、文献１（C.D.Yingling
and Y.Hosobuchi, 「A Subcortical Correlate of P30
0 in Man, Electroencephalography andclinical Neuro
physiology 」, 1984, Vol.59, pp.72--76 ）に記載さ
れている。
【００１４】内部状態カテゴリデータは、学習に先だっ
て次のよう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。図７は、脳
の領域分割例を示す説明図であり、ここでは、図７に示
されるように脳が深部と表層部の２つに分割されている
場合について説明するが、２つ以上の領域に分割した場
合でも同様な方法で実行が可能である。これら２つの領
域は、デカルト座表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。また
図８は、極座標表現を用いた場合の内部状態カテゴリデ
ータを示す説明図であり、図８において、Ｒb は脳に対
応する球の半径を示しており、数値データ（数値表現）
は、ニューラル・ネットワークの学習における教師信号
データとして用いる。
て次のよう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。図７は、脳
の領域分割例を示す説明図であり、ここでは、図７に示
されるように脳が深部と表層部の２つに分割されている
場合について説明するが、２つ以上の領域に分割した場
合でも同様な方法で実行が可能である。これら２つの領
域は、デカルト座表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。また
図８は、極座標表現を用いた場合の内部状態カテゴリデ
ータを示す説明図であり、図８において、Ｒb は脳に対
応する球の半径を示しており、数値データ（数値表現）
は、ニューラル・ネットワークの学習における教師信号
データとして用いる。
【００１５】次に、ステップ２２において、ニューラル
・ネットワークへの学習データのための入力信号である
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４で生成する。双極子パラメータは、
所定の距離を持ち異なる極性の二つの電荷、すなわち電
気双極子（以下、双極子という）の位置の３成分（ｘ，
ｙ，ｚ）およびモーメントベクトル（Ｍx ，Ｍy ，Ｍz
）を１組とし、双極子パラメータ生成部４は、乱数を
用いてＮt 組の異なる双極子パラメータを生成する。こ
こでＮt は学習データの数で、学習データは通常５００
０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、数１および数２に示され
る制限を付ける。
・ネットワークへの学習データのための入力信号である
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４で生成する。双極子パラメータは、
所定の距離を持ち異なる極性の二つの電荷、すなわち電
気双極子（以下、双極子という）の位置の３成分（ｘ，
ｙ，ｚ）およびモーメントベクトル（Ｍx ，Ｍy ，Ｍz
）を１組とし、双極子パラメータ生成部４は、乱数を
用いてＮt 組の異なる双極子パラメータを生成する。こ
こでＮt は学習データの数で、学習データは通常５００
０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、数１および数２に示され
る制限を付ける。
【００１６】
【数１】
【００１７】
【数２】
【００１８】ここで、μはモーメントベクトルの最大値
であって、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４で生成されたＮt 個
の双極子パラメータは、電磁場分布計算部５へ出力さ
れ、電磁場分布の計算に用いられる。双極子パラメータ
生成部４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。
であって、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４で生成されたＮt 個
の双極子パラメータは、電磁場分布計算部５へ出力さ
れ、電磁場分布の計算に用いられる。双極子パラメータ
生成部４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。
【００１９】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５に
より電磁場分布を計算する。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（Ｍt ，０，Ｍr
）の双極子が存在した場合、球面上の位置（Ｒ，θ，
ψ）で指定される点に生じる電位Ｖは次のように与えら
れる。
た双極子パラメータに基づいて、電磁場分布計算部５に
より電磁場分布を計算する。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（Ｍt ，０，Ｍr
）の双極子が存在した場合、球面上の位置（Ｒ，θ，
ψ）で指定される点に生じる電位Ｖは次のように与えら
れる。
【００２０】
【数３】
【００２１】ただし、σは球の導電率、Ｙは球面調和関
数、Ｐはルジェンドル（Legendre）の陪関数、δはクロ
ネッカーの記号である。数３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
ことによって数３から求めることができる。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。電磁場分布計算部５は、
数４で示される双極子パラメータＰ(i) 、および数５に
示されるように、双極子パラメータＰ(i)を用いて頭部
モデル上ＮM 個の点で計算された電磁場分布Ｖ(i)の組
を学習データ生成部６に出力する。
数、Ｐはルジェンドル（Legendre）の陪関数、δはクロ
ネッカーの記号である。数３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
ことによって数３から求めることができる。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。電磁場分布計算部５は、
数４で示される双極子パラメータＰ(i) 、および数５に
示されるように、双極子パラメータＰ(i)を用いて頭部
モデル上ＮM 個の点で計算された電磁場分布Ｖ(i)の組
を学習データ生成部６に出力する。
【００２２】
【数４】
【００２３】
【数５】
【００２４】電磁場分布計算部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。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（James
P.Ary et al., 「Location of Sources of Evoked Scal
p Potentials:Corrections for Skll and Scalp Thickn
esses,IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING
」, VOL. BME-28, NO.6, JUNE 1981）に記載されてい
る。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、数６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。
（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。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（James
P.Ary et al., 「Location of Sources of Evoked Scal
p Potentials:Corrections for Skll and Scalp Thickn
esses,IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING
」, VOL. BME-28, NO.6, JUNE 1981）に記載されてい
る。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、数６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。
【００２５】
【数６】
【００２６】ここでＭ（r'）は位置r'に生じた双極子で
ある。次に、ステップ２４において、学習データ生成部
６により学習データを生成する。学習データ生成部６
は、電磁場分布計算部５から双極子パラメータと電磁場
分布の組を受け取るとともに、予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ＮM 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構成されるものとなる。
ある。次に、ステップ２４において、学習データ生成部
６により学習データを生成する。学習データ生成部６
は、電磁場分布計算部５から双極子パラメータと電磁場
分布の組を受け取るとともに、予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ＮM 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構成されるものとなる。
【００２７】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、数７で示されるように、内側
の領域に置かれた双極子Ｐ(k) によって生じたものであ
る場合には、脳内活性領域の数値表現として−１を与
え、 一方、数８に示されるように、外側の領域に置か
れた双極子Ｐ(l) によって生じたものである場合には、
脳内活性領域の数値表現として１を与える。
ル球の２つの領域のうち、数７で示されるように、内側
の領域に置かれた双極子Ｐ(k) によって生じたものであ
る場合には、脳内活性領域の数値表現として−１を与
え、 一方、数８に示されるように、外側の領域に置か
れた双極子Ｐ(l) によって生じたものである場合には、
脳内活性領域の数値表現として１を与える。
【００２８】
【数７】
【００２９】
【数８】
【００３０】学習データ生成部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。次に、ステップ２
５では、データ正規化部２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Ｖi と書く。このとき、正規
化された電磁場分布データＶi'を数９で定義する。
（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。次に、ステップ２
５では、データ正規化部２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Ｖi と書く。このとき、正規
化された電磁場分布データＶi'を数９で定義する。
【００３１】
【数９】
【００３２】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以下なるようなもの
であればよい。データ正規化部２で正規化されたデータ
は、入力バッファ３に出力されて保持される。データ正
規化部２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３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。
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以下なるようなもの
であればよい。データ正規化部２で正規化されたデータ
は、入力バッファ３に出力されて保持される。データ正
規化部２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３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。
【００３３】続く、ステップ２６では、結合係数記憶部
１３に保持されているニューラル・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。さらに、ステップ２７では、ユニット出力記憶
部１１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。
１３に保持されているニューラル・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。さらに、ステップ２７では、ユニット出力記憶
部１１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。
【００３４】次に、ステップ２８において、ニューラル
・ネットワークを用いて内部状態を算出する。図４は、
ニューラル・ネットワークの構成を示す説明図であり、
一般的には入力層、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（図４中、○印）と呼ばれる処理単位系が配置され
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、例えば数１０〜１２のように定義
することができる。
・ネットワークを用いて内部状態を算出する。図４は、
ニューラル・ネットワークの構成を示す説明図であり、
一般的には入力層、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（図４中、○印）と呼ばれる処理単位系が配置され
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、例えば数１０〜１２のように定義
することができる。
【００３５】
【数１０】
【００３６】
【数１１】
【００３７】
【数１２】
【００３８】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はユニットの持つしきい値を表す。
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、Ｗij
(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。ユニット出力更新部１４により、入力層から
出力層まで順序よく計算され、最終的に出力層からの出
力が得られ、ユニット出力記憶部１１に保持される。こ
の出力が、ニューラル・ネットワークによって算出され
た双極子パラメータとなる。なお、応答関数としては、
数１２以外にも、例えばｔａｎｈ（ｘ）を用いてもよい
し、これら以外の関数を用いてもよい。
ットからの出力、θはユニットの持つしきい値を表す。
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、Ｗij
(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。ユニット出力更新部１４により、入力層から
出力層まで順序よく計算され、最終的に出力層からの出
力が得られ、ユニット出力記憶部１１に保持される。こ
の出力が、ニューラル・ネットワークによって算出され
た双極子パラメータとなる。なお、応答関数としては、
数１２以外にも、例えばｔａｎｈ（ｘ）を用いてもよい
し、これら以外の関数を用いてもよい。
【００３９】次のステップ２９では、ニューラル・ネッ
トワーク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すなわち誤差Ｅを計
算する。誤差Ｅは、例えば２乗誤差を用いて、数１３の
ように定義される。ここで、ｏi は出力層の第ｉ番目の
ユニットからの出力、τi はそのユニットの正しい出力
すなわち教師信号データである。誤差Ｅは必ずしも２乗
誤差でなくともよく、全てのｏi 、τi が一致したとき
に０となるような非負値の関数であればよい。
トワーク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すなわち誤差Ｅを計
算する。誤差Ｅは、例えば２乗誤差を用いて、数１３の
ように定義される。ここで、ｏi は出力層の第ｉ番目の
ユニットからの出力、τi はそのユニットの正しい出力
すなわち教師信号データである。誤差Ｅは必ずしも２乗
誤差でなくともよく、全てのｏi 、τi が一致したとき
に０となるような非負値の関数であればよい。
【００４０】
【数１３】
【００４１】ここで、ステップ３０において、誤差Ｅが
予め設定された規準値以下であるかどうかを調べ、規準
値以下ならステップ３２に進み、規準値より大きいなら
ステップ３１に進む。誤差Ｅが基準値より大きい場合に
は、ステップ３１において、結合係数修正部１２によ
り、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など
を用いる。誤差逆伝播学習を用いた具体的な修正方法
は、例えば、文献３（Ｄ．Ｅ．Ｒｕｍｅｌｈａｒｔ ｅ
ｔ ａｌ．「Ｐａｒａｌｌｅｌ Ｄｉｓｔｒｉｂｕｔｅ
ｄＰｒｏｃｅｓｓｉｎｇ 」ｖｏｌ．１，ＭＩＴ ｐｒ
ｅｓｓ，ｐｐ．３１８−３６２（１９８６））に記載さ
れている。
予め設定された規準値以下であるかどうかを調べ、規準
値以下ならステップ３２に進み、規準値より大きいなら
ステップ３１に進む。誤差Ｅが基準値より大きい場合に
は、ステップ３１において、結合係数修正部１２によ
り、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など
を用いる。誤差逆伝播学習を用いた具体的な修正方法
は、例えば、文献３（Ｄ．Ｅ．Ｒｕｍｅｌｈａｒｔ ｅ
ｔ ａｌ．「Ｐａｒａｌｌｅｌ Ｄｉｓｔｒｉｂｕｔｅ
ｄＰｒｏｃｅｓｓｉｎｇ 」ｖｏｌ．１，ＭＩＴ ｐｒ
ｅｓｓ，ｐｐ．３１８−３６２（１９８６））に記載さ
れている。
【００４２】一方、誤差Ｅが基準値以下である場合に
は、ステップ３２により、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、ステップ３３
により、データ正規化部２で電磁場分布測定部１から送
られた電磁場分布の値を正規化した後、入力バッファ３
に出力しこれを保持する。なお、正規化の方法は、ステ
ップ２５で行ったものと同様である。さらに、ステップ
３４で、入力バッファ３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
層に出力し、ステップ３５で、ユニット出力更新部１４
により電磁場分布の測定値から脳内活性領域を算出し、
ユニット出力記憶部１１を介してユニット出力変換部７
に出力する。算出の方法は、ステップ２８で説明した方
法と同様である。
は、ステップ３２により、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、ステップ３３
により、データ正規化部２で電磁場分布測定部１から送
られた電磁場分布の値を正規化した後、入力バッファ３
に出力しこれを保持する。なお、正規化の方法は、ステ
ップ２５で行ったものと同様である。さらに、ステップ
３４で、入力バッファ３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
層に出力し、ステップ３５で、ユニット出力更新部１４
により電磁場分布の測定値から脳内活性領域を算出し、
ユニット出力記憶部１１を介してユニット出力変換部７
に出力する。算出の方法は、ステップ２８で説明した方
法と同様である。
【００４３】次に、ステップ３６で、予め用意されてい
る内部状態カテゴリデータに基づいて、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
表す表現に変換して内部状態表示部８に出力し、ステッ
プ３７で、ユニット出力変換部７から内部状態を受け取
り、これを表示し終了する。なお、予めニューラル・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。
る内部状態カテゴリデータに基づいて、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
表す表現に変換して内部状態表示部８に出力し、ステッ
プ３７で、ユニット出力変換部７から内部状態を受け取
り、これを表示し終了する。なお、予めニューラル・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。
【００４４】このように、頭部モデルデータおよび内部
状態カテゴリデータに基づいて学習データを生成し、こ
の学習データに基づいてニューラル・ネットワークが学
習するようにしたので、ひとたび学習が終了すれば、生
体（被験者）から測定された電磁場分布測定値に基づい
てニューラル・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可能となり、従来のよう
に数分から数時間を要したものと比較して数ミリ秒で推
定されるものとなり、より高速に内部状態の推定を行う
ことが可能となる。また、従来のように生体の頭皮上で
測定した脳波を学習データとして用いるのではなく、頭
部モデルを用いて学習データを生成するようにしたの
で、被験者に対する負担を格段に軽減することが可能と
なり、身体障害のための意思疎通が困難な被験者の意思
を検出するなど、医療・福祉分野へ応用することがで
き、またテレビゲームなどにおいて、プレーヤの内部状
態を検知しながら場面設定を変更制御することができ、
より娯楽性の高いゲームを提供することが可能となる。
状態カテゴリデータに基づいて学習データを生成し、こ
の学習データに基づいてニューラル・ネットワークが学
習するようにしたので、ひとたび学習が終了すれば、生
体（被験者）から測定された電磁場分布測定値に基づい
てニューラル・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可能となり、従来のよう
に数分から数時間を要したものと比較して数ミリ秒で推
定されるものとなり、より高速に内部状態の推定を行う
ことが可能となる。また、従来のように生体の頭皮上で
測定した脳波を学習データとして用いるのではなく、頭
部モデルを用いて学習データを生成するようにしたの
で、被験者に対する負担を格段に軽減することが可能と
なり、身体障害のための意思疎通が困難な被験者の意思
を検出するなど、医療・福祉分野へ応用することがで
き、またテレビゲームなどにおいて、プレーヤの内部状
態を検知しながら場面設定を変更制御することができ、
より娯楽性の高いゲームを提供することが可能となる。
【００４５】なお、以上の説明において、学習データと
して脳内活性領域状態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,...,Ｃm 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だけが１とな
り、他のユニットは０となっている。
して脳内活性領域状態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,...,Ｃm 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だけが１とな
り、他のユニットは０となっている。
【００４６】次に、本発明の第２の実施例について、図
３を参照して説明する。図３は、本発明の第２の実施例
である生体内部状態伝達装置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、９は雑音
データを生成し学習データ生成部６に出力する雑音デー
タ付加部である。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計算値として、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。雑音データ付加
部９は、雑音を生成し、学習データ生成部６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Ｖi(L)' は、例えば数１４のように
与えられる。
３を参照して説明する。図３は、本発明の第２の実施例
である生体内部状態伝達装置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、９は雑音
データを生成し学習データ生成部６に出力する雑音デー
タ付加部である。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計算値として、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。雑音データ付加
部９は、雑音を生成し、学習データ生成部６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Ｖi(L)' は、例えば数１４のように
与えられる。
【００４７】
【数１４】
【００４８】ここで、Ｖi(L)は頭皮上のｉ番目の測定点
での電磁場分布の計算値、ηi はそれに付加された雑音
で、乱数を用いて与えられる。また、上付き添字のＬは
電磁場分布が学習データに用いられることを表す。これ
により、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、予め雑音を含んだデータをニ
ューラル・ネットワークに学習させておくことにより、
雑音に強い生体内部状態伝達装置の実現が可能となる。
での電磁場分布の計算値、ηi はそれに付加された雑音
で、乱数を用いて与えられる。また、上付き添字のＬは
電磁場分布が学習データに用いられることを表す。これ
により、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、予め雑音を含んだデータをニ
ューラル・ネットワークに学習させておくことにより、
雑音に強い生体内部状態伝達装置の実現が可能となる。
【００４９】なお、以上の説明において、ニューラル・
ネットワークの構成として、図４に示すような、フィー
ドバックのない一般的なものを用いた場合について説明
したが、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５に示すような、リカレント型
のものを用いた場合でも、前述と同様の作用・効果を得
ることが可能となる。
ネットワークの構成として、図４に示すような、フィー
ドバックのない一般的なものを用いた場合について説明
したが、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５に示すような、リカレント型
のものを用いた場合でも、前述と同様の作用・効果を得
ることが可能となる。
【００５０】
【発明の効果】以上説明したように、本発明は、頭部モ
デルデータと双極子パラメータとから計算された電磁場
分布および内部状態カテゴリデータに基づいて学習デー
タを生成し、この学習データに基づいてニューラル・ネ
ットワークが学習するようにしたので、ひとたび学習が
終了すれば、生体（被験者）から測定された電磁場分布
測定値に基づいてニューラル・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可能とな
り、従来のように数分から数時間を要したものと比較し
て数ミリ秒で推定されるものとなり、より高速に内部状
態を推定することが可能となる。
デルデータと双極子パラメータとから計算された電磁場
分布および内部状態カテゴリデータに基づいて学習デー
タを生成し、この学習データに基づいてニューラル・ネ
ットワークが学習するようにしたので、ひとたび学習が
終了すれば、生体（被験者）から測定された電磁場分布
測定値に基づいてニューラル・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可能とな
り、従来のように数分から数時間を要したものと比較し
て数ミリ秒で推定されるものとなり、より高速に内部状
態を推定することが可能となる。
【００５１】また、従来のように生体の頭皮上で測定し
た脳波を学習データとして用いるのではなく、頭部モデ
ルを用いて学習データを生成するようにしたので、被験
者に対する負担を格段に軽減することが可能となり、身
体障害のための意思疎通が困難な被験者の意思を検出す
るなど、医療・福祉分野へ応用することができ、またテ
レビゲームなどにおいて、プレーヤの内部状態を検知し
ながら場面設定を変更制御することができ、より娯楽性
の高いゲームを提供することが可能となる。また、雑音
データ付加部を設けて、雑音を生成し、生成された学習
データ中の電磁場分布にこれを付加し、この予め雑音を
含んだデータをニューラル・ネットワークに学習させて
おくことにより、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でも、正確な生体内部状態を得る
ことが可能となる。
た脳波を学習データとして用いるのではなく、頭部モデ
ルを用いて学習データを生成するようにしたので、被験
者に対する負担を格段に軽減することが可能となり、身
体障害のための意思疎通が困難な被験者の意思を検出す
るなど、医療・福祉分野へ応用することができ、またテ
レビゲームなどにおいて、プレーヤの内部状態を検知し
ながら場面設定を変更制御することができ、より娯楽性
の高いゲームを提供することが可能となる。また、雑音
データ付加部を設けて、雑音を生成し、生成された学習
データ中の電磁場分布にこれを付加し、この予め雑音を
含んだデータをニューラル・ネットワークに学習させて
おくことにより、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でも、正確な生体内部状態を得る
ことが可能となる。
【図１】 本発明の第１の実施例による生体内部状態伝
達装置のブロック図である。
達装置のブロック図である。
【図２】 本発明による生体内部状態伝達処理を示すフ
ローチャートである。
ローチャートである。
【図３】 本発明の第２の実施例による生体内部状態伝
達装置のブロック図である。
達装置のブロック図である。
【図４】 ニューラル・ネットワークの構成例を示す説
明図である。
明図である。
【図５】 ニューラル・ネットワークの他の構成例を示
す説明図である。
す説明図である。
【図６】 頭部モデルを示す説明図である。
【図７】 脳の領域分割を示す説明図である。
【図８】 内部カテゴリデータを示す説明図である。
【図９】 学習データを示す説明図である。
【図１０】 ニューラル・ネットワークの他の構成例を
示す説明図である。
示す説明図である。
【図１１】 図１０のニューラル・ネットワークに対応
する学習データを示す説明図である。
する学習データを示す説明図である。
【図１２】 従来の生体内部状態伝達方法を示す説明図
である。
である。
１…電磁場分布測定部、２…データ正規化部、３…入力
バッファ、４…双極子パラメータ生成部（学習データ生
成手段）、５…電磁場分布計算部（学習データ生成手
段）、６…学習データ生成部（学習データ生成手段）、
７…ユニット出力変換部（変換手段）、８…内部状態表
示部、９…雑音データ付加部、１０…ニューラル・ネッ
トワーク部（推論手段）、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。
バッファ、４…双極子パラメータ生成部（学習データ生
成手段）、５…電磁場分布計算部（学習データ生成手
段）、６…学習データ生成部（学習データ生成手段）、
７…ユニット出力変換部（変換手段）、８…内部状態表
示部、９…雑音データ付加部、１０…ニューラル・ネッ
トワーク部（推論手段）、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。
───────────────────────────────────────────────────── フロントページの続き (56)参考文献 特開 平５−303562（ＪＰ，Ａ) 特開 平７−204168（ＪＰ，Ａ) 特開 平６−319713（ＪＰ，Ａ) 特開 平４−319334（ＪＰ，Ａ) 特開 平４−61843（ＪＰ，Ａ) 特開 平３−60638（ＪＰ，Ａ) 特開 平３−99630（ＪＰ，Ａ) 特開 平４−85680（ＪＰ，Ａ) 特開 平２−232783（ＪＰ，Ａ) 特開 平３−241414（ＪＰ，Ａ) (58)調査した分野(Int.Cl.6，ＤＢ名) A61B 5/05 G06F 15/18 520 G06F 15/18 560 G06T 1/00
Claims (4)
- 【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伝達装置におい
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、 頭部モデルを指定する頭部モデルデータと所定の双極子
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、 この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変換手
段とを備え、 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、 予め設定された規準値よりも前記差異が小さくなった時
点で、前記電磁場分布測定手段により測定した電磁場分
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
徴とする生体内部状態伝達装置。 - 【請求項２】 請求項１記載の生体内部状態伝達装置に
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手段を備えること
を特徴とする生体内部状態伝達装置。 - 【請求項３】 請求項１記載の生体内部状態伝達装置に
おいて、 前記推論手段は、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生体内部状態伝達装置。 - 【請求項４】 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伝達方法におい
て、 頭部モデルを指定する頭部モデルデータと所定の双極子
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し、 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
数値を算出し、 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
正し、 予め設定された規準値よりも前記差異が小さくなった時
点で、生体の頭皮上で測定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
を表す数値を算出し、この数値を生体の内部状態を表す
表現に変換し出力するようにしたことを特徴とする生体
内部状態伝達方法。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6170979A JP2850763B2 (ja) | 1994-07-22 | 1994-07-22 | 生体内部状態伝達装置およびその方法 |
| CA002154406A CA2154406C (en) | 1994-07-22 | 1995-07-21 | System for predicting internal condition of live body |
| US08/506,202 US5785653A (en) | 1994-07-22 | 1995-07-24 | System and method for predicting internal condition of live body |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6170979A JP2850763B2 (ja) | 1994-07-22 | 1994-07-22 | 生体内部状態伝達装置およびその方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0833616A JPH0833616A (ja) | 1996-02-06 |
| JP2850763B2 true JP2850763B2 (ja) | 1999-01-27 |
Family
ID=15914893
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP6170979A Expired - Fee Related JP2850763B2 (ja) | 1994-07-22 | 1994-07-22 | 生体内部状態伝達装置およびその方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2850763B2 (ja) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11319A (ja) | 1997-06-13 | 1999-01-06 | Nec Corp | 生体内部活動部位推定装置 |
| JP3949469B2 (ja) * | 2002-02-22 | 2007-07-25 | 三菱電機株式会社 | 脳波信号を用いた制御装置及び制御方法 |
| JP4876988B2 (ja) * | 2007-03-13 | 2012-02-15 | 日本電気株式会社 | ブレイン・コンピュータ・インタフェース装置 |
| KR102060895B1 (ko) * | 2018-06-01 | 2020-02-11 | 연세대학교 산학협력단 | 의료 영상 생성 방법 및 디바이스 |
| CN111667571B (zh) * | 2020-06-08 | 2021-09-17 | 南华大学 | 核设施源项三维分布快速重建方法、装置、设备及介质 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2515875B2 (ja) * | 1989-03-07 | 1996-07-10 | 日本電信電話株式会社 | 脳波トポグラフィによる音節認識装置 |
| JP3113255B2 (ja) * | 1990-02-20 | 2000-11-27 | 日本電信電話株式会社 | 頭皮準備電位パターンによる操作装置 |
| JPH07118015B2 (ja) * | 1990-07-30 | 1995-12-18 | 日本電信電話株式会社 | 頭皮電位分布パターン認識型音節入力装置 |
| JPH05303562A (ja) * | 1992-04-27 | 1993-11-16 | Nec Corp | 双極子追跡方法および装置 |
| JP2739804B2 (ja) * | 1993-05-14 | 1998-04-15 | 日本電気株式会社 | 双極子推定装置 |
| JP2799672B2 (ja) * | 1993-12-31 | 1998-09-21 | 利光 武者 | 脳皮質活動追跡装置 |
| JP2593625B2 (ja) * | 1994-01-12 | 1997-03-26 | 株式会社脳機能研究所 | 生体情報自動識別装置 |
-
1994
- 1994-07-22 JP JP6170979A patent/JP2850763B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH0833616A (ja) | 1996-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5601090A (en) | Method and apparatus for automatically determining somatic state | |
| Bi et al. | Queuing network modeling of driver EEG signals-based steering control | |
| JP2739804B2 (ja) | 双極子推定装置 | |
| Lu et al. | Tractor assistant driving control method based on EEG combined with RNN-TL deep learning algorithm | |
| AlHinai | Introduction to biomedical signal processing and artificial intelligence | |
| CN114052668B (zh) | 一种基于脑磁图数据的脑功能分析方法 | |
| JPH07265275A (ja) | 脳活動自動判定装置 | |
| JP2022545355A (ja) | 医療機器を識別、ラベル付け、及び追跡するためのシステム及び方法 | |
| JP2850763B2 (ja) | 生体内部状態伝達装置およびその方法 | |
| Wu et al. | A new SSVEP based BCI application on the mobile robot in a maze game | |
| JP3033508B2 (ja) | 生体内活動部位推定方法 | |
| Ubeda et al. | Classification method for BCIs based on the correlation of EEG maps | |
| JP2560651B2 (ja) | 生体内部状態推定装置 | |
| Gu et al. | Transferable Takagi-Sugeno-Kang Fuzzy Classifier With Multi-Views for EEG-Based Driving Fatigue Recognition in Intelligent Transportation | |
| Ansari et al. | Automatic diagnosis of asthma using neurofuzzy system | |
| Nam et al. | Feature selection based on layer-wise relevance propagation for EEG-based MI classification | |
| JP3161990B2 (ja) | ロボットの制御装置 | |
| JP3139414B2 (ja) | 生体内活動部位推定方法及び生体内活動部位推定装置 | |
| Sadr et al. | Comparison of MLP and RBF neural networks for Prediction of ECG Signals | |
| Sulthan et al. | Knowledge and attitude of artificial intelligence (AI) technology among clinical researchers in the Kingdom of Saudi Arabia | |
| JPH03241414A (ja) | 頭皮準備電位パターンによる操作装置 | |
| Guguloth et al. | Synthesis of EEG signals modeled using non-linear oscillator based on speech data with EKF | |
| Yardimci | A survey on use of soft computing methods in medicine | |
| USRE36450E (en) | Method and apparatus for automatically determining somatic state | |
| Siddique et al. | Event Related Potentials (ERP) Study to Understand Function to Object Mapping for Engineering Student |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20071113 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081113 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081113 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091113 Year of fee payment: 11 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091113 Year of fee payment: 11 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101113 Year of fee payment: 12 |
|
| LAPS | Cancellation because of no payment of annual fees |