JP5816917B2 - 脳活動計測装置、脳活動計測方法、及び脳活動推定装置 - Google Patents

Description

本発明は、脳活動計測装置、脳活動計測方法、及び脳活動推定装置に関する。

人間の行動を司る脳が処理している情報を推定するために脳の活動とその活動によって生じた信号との関連性をモデル化することが試みられている。例えば、人間の脳活動によって生じた信号を計測し、計測した信号に基づき脳の活動を検証する技術が提案されている。
例えば、特許文献１に記載の発明では、頭部周囲に生じる信号強度分布の時系列を計測し、計測された時系列データに基づき、脳神経モデルにおける各電流要素の大きさの分布を再構成し、各電流要素の時系列データに基づき脳活動モデルを設定し、電流要素の時系列データに基づき脳活動モデルの因果関係を推定することにより、脳活動モデルを検証する。

特開２００８−２２９２３８号公報

しかしながら、特許文献１に記載の従来技術では、脳活動モデルを設定するために、膨大な時系列データを取得する必要がある。取得すべきデータは、例えば、ＭＲＩ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ；核磁器共鳴画像法）で取得した画像情報や脳波（Ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｍ；ＥＥＧ）信号である。脳活動モデルを構築するためには、大規模な計測装置を用いて利用者（被計測者）を長時間拘束しなければならない。加えて、利用者に共通の情報が提示されても計測された脳活動信号は利用者個々に異なり、その都度計測を要するという問題があった。

本発明は、上記の点に鑑みてなされたものであり、目標利用者の脳活動信号を推定することを可能にする脳活動計測装置、脳活動計測方法、及び脳活動推定装置を提供する。

（１）本発明は上記の課題を解決するためになされたものであり、本発明の一態様は、利用者に知覚可能な情報を提示する情報提示部と、前記利用者の脳活動を表す脳活動信号を取得する脳活動計測部と、第１の利用者の脳活動信号から第２の利用者の脳活動信号への変換行列を示す個別変換情報を算出する個別変換情報算出部と、を備えることを特徴とする脳活動計測装置である。

（２）本発明のその他の態様は、脳活動推定装置における方法において、前記脳活動推定装置が、利用者に知覚可能な情報を提示する第１の過程と、前記脳活動推定装置が、前記利用者の脳活動を表す脳活動信号を取得する第２の過程と、前記脳活動推定装置が、第１の利用者の脳活動信号と第２の利用者の脳活動信号との相関関係を示す個別変換情報を算出する過程と、を有することを特徴とする脳活動計測方法である。

（３）本発明のその他の態様は、第１の利用者に知覚可能な情報を提示する情報提示部と、前記第１の利用者の脳活動を表す脳活動信号を取得する脳活動計測部と、前記第１の利用者の脳活動信号と第２の利用者の脳活動信号との相関関係を示す個別変換情報に基づいて前記取得した脳活動信号から前記第２の利用者の脳活動信号を推定する個別変換部と、を備えることを特徴とする脳活動推定装置である。

また、本発明の一態様（１）によれば、目標利用者の脳活動信号を推定するための個別変換情報を取得することができる脳活動計測装置を提供する。
また、本発明の一態様（２）によれば、目標利用者の脳活動信号を推定するための個別変換情報を取得することができる脳活動計測方法を提供する。
また、本発明の一態様（３）によれば、目標利用者の脳活動信号を推定することができる脳活動推定装置を提供する。

本発明の一態様に係る脳活動計測処理の概要を示す概念図である。 本発明の一態様に係る脳活動推定処理の概要を示す概念図である。 本発明の一実施形態に係る脳活動推定装置の構成を示す概略図である。 本実施形態に係る脳活動信号の一例を示す図である。 本実施形態に係る計測用電極を設置する位置の一例を示す概念図である。 本実施形態に係る提示情報の一例を示す図である。 本実施形態に係る提示情報のその他の例を示す図である。 本実施形態に係る脳活動信号のその他の例を示す図である。 本実施形態に係る提示情報再現部が再構成した提示情報の一例を示す図である。 本実施形態に係る脳活動推定装置が行う脳活動計測処理の一例を示すフローチャートである。 本実施形態に係る脳活動推定装置が行う脳活動推定処理の一例を示すフローチャートである。 本実施形態に係るスパース回帰処理を示すフローチャートである。 本実施形態に係る脳活動信号間における相関の一例を示す表である。 本実施形態に係る提示情報の正答率の一例を示す表である。 本実施形態に係る提示情報間における相関の一例を示す表である。

まず、図面を参照しながら本発明の概要について説明する。
図１は、本発明の一態様に係る脳活動計測処理の概要を示す概念図である。
図１は、２名の利用者各々について脳活動信号を計測し、計測した脳活動信号に基づいて一方の利用者の脳活動信号と他方の利用者の脳活動信号との相関関係を示す個別変換情報を算出する状況を示す。この個別変換情報は、一方の利用者の脳活動信号に基づいて他方の利用者の脳活動信号を生成するために用いる情報である。変換の基礎となる（変換元）脳活動信号を計測した一方の利用者（被計測者）を原利用者（Ｓｏｕｒｃｅ Ｓｕｂｊｅｃｔ）と呼び、変換する目標（変換先）となる脳活動信号を計測した被計測者又は脳活動信号を算出しようとする利用者を目標利用者（Ｔａｒｇｅｔ Ｓｕｂｊｅｃｔ）と呼ぶ。

図１は、原利用者及び目標利用者に共通の画像を提示し、各利用者について計測した脳活動信号を計測する。このとき各利用者の脳は、目視した画像に関する情報を処理し、その活動を示す脳活動信号を発生する。脳活動信号は、通例、複数の要素の信号値を要素信号として含むベクトルで表される。図１では、各要素信号の信号値の強度を濃淡で示す。これにより、図１は、共通の画像を目視する被計測者間において計測された脳活動信号が異なることを示す。また、原利用者の脳活動信号の各要素信号から目標利用者の一つの要素信号に向かう矢印は、目標利用者の一つの要素信号を原利用者の脳活動信号の各要素信号に基づいて個別変換情報を算出することを示す。

図２は、本発明の一態様に係る脳活動推定処理の概要を示す概念図である。
図２は、原利用者にのみ画像を提示して原利用者の脳活動信号を計測し、計測した脳活動信号に基づいて目標利用者の脳活動信号を推定する状況を示す。
図２では、原利用者について測定した脳活動信号と目標利用者について推定した脳活動信号を示す。原利用者の脳活動信号の各要素信号から目標利用者の一つの要素信号に向かう矢印は、目標利用者の一つの要素信号を原利用者の脳活動信号の各要素信号に基づいて推定することを示す。

次に、本発明の実施形態について説明する。
図３は、本実施形態に係る脳活動推定装置１の構成を示す概略図である。
脳活動推定装置１は、脳活動計測部１０１、提示情報記憶部１０２、情報提示部１０３、脳活動信号記憶部１０４、個別変換変数算出部１０５、個別変換変数記憶部１０６、個別変換部１０７、提示情報分類モデル生成部１０８、提示情報分類モデル記憶部１０９、提示情報再現モデル生成部１１０、提示情報再現モデル記憶部１１１、変換情報処理部１１２及びノイズ除去部１１４を含んで構成される。

脳活動計測部１０１は、被計測者（利用者）の脳が活動するときに発生する脳活動信号を計測し、計測した信号を脳活動信号記憶部１０４に記憶する。
脳活動計測部１０１が計測する脳活動信号は、例えば、ＭＲＩ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ；磁気共鳴画像法）の一種であるＥＰＩ（Ｅｃｈｏ Ｐｌａｎａｒ Ｉｍａｇｉｎｇ；エコープラナー法）信号である。ＥＰＩ信号に含まれる要素信号は、３次元の被測定空間を構成する空間の単位であるボクセル（ｖｏｘｅｌ）毎に定められている。１回の測定で得られる、脳活動信号は、例えば、水平方向６４ボクセル×垂直方向６４ボクセル×上下方向６４ボクセルであり、ボクセル間隔は水平方向、垂直方向、上下方向、各３ｍｍである。

脳活動計測部１０１は、ＥＰＩ信号を取得するには、例えば、計測信号生成部１０１１、計測信号送信部１０１２、及び脳活動信号受信部１０１３を含んで構成される。

計測信号生成部１０１１は、脳活動信号を計測するためにの磁場の信号を表す計測信号を生成し、生成した計測信号を計測信号送信部１０１２に出力する。計測信号生成部１０１１は、例えば、信号の継続時間が極めて短い（例えば、２ｍｓ）パルス波を計測信号として生成する。
計測信号送信部１０１２は、計測信号生成部１０１１から入力された計測信号に基づいて磁場を生成し、生成した磁場を被計測者の頭部に送信する。入力された計測信号がパルス波である場合、計測信号送信部１０１２はパルス磁場を生成し、生成したパルス磁場を被計測者に送信する。計測信号送信部１０１２は、同時に被計測位置によって強度が異なる勾配磁場を被計測者の頭部に送信する。

脳活動信号受信部１０１３は、被計測者の頭部における部位毎の活動を示す脳活動信号を受信する。脳活動信号受信部１０１３は、脳活動信号として、例えば緩和現象によって生じた信号を検出する。緩和現象とは、磁場の送信を停止した後に被計測者の体内の分子の磁化が定常状態に戻る現象である。脳活動信号受信部１０１３は、検出した信号を、勾配磁場の強度に基づいて被計測空間の位置（ボクセル）毎の要素信号に分解し、脳活動信号（例えば、ＥＰＩ信号）を生成する。脳活動信号受信部１０１３は、検出した信号を要素信号に分解するために、例えばフーリエ変換（Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ）を行う。要素信号の強度は、被計測空間内の分子として血液中のヘモグロビンの量に比例するため、対応する部位（ボクセル）における脳活動の度合いを示す。
脳活動信号受信部１０１３は、生成した脳活動信号を脳活動信号記憶部１０４に出力する。

ここで、脳活動信号受信部１０１３が取得した脳活動信号の一例を示す。
図４は、本実施形態に係る脳活動信号の一例を示す図である。
図４において画像ｍｉ１は、ある被計測者の頭部の断面上の脳活動を示す要素信号を画素値として示す画像である。画像ｍｉ１の濃淡は、要素信号の信号値を示し、明るい部分ほど信号値が大きい。画像ｍｉ１において、上側が前頭葉付近を示す。

図３に戻り、脳活動計測部１０１は、上述のＥＰＩ信号に限らず、脳波を脳活動信号として取得してもよい。脳活動計測部１０１は、脳波を構成する要素信号として電位を取得するために、被計測者の頭部に設置する計測用電極を複数個（例えば１８個）備える。
計測用電極を設置する位置の一例について説明する。
図５は、本実施形態に係る計測用電極を設置する位置の一例を示す概念図である。
図５の上側は、被計測者の前方を示す。計測用電極を設置する位置は、頭部平面ｅｐ１において、左前頭極部Ｆｐ１、左前頭部Ｆ３、左中心部Ｃ３、左頭頂部Ｐ３、左後頭部Ｏ１、左側頭中部Ｔ３、左側頭後部Ｔ５、正中前頭部Ｆｚ、正中中心部Ｃｚ、正中頭頂部Ｐｚ、右前頭極部Ｆｐ２、右前頭部Ｆ４、右中心部Ｃ４、右頭頂部Ｐ４、右後頭部Ｏ２、右側頭中部Ｔ４、右側頭後部Ｔ６、及び左耳介部Ａ１もしくは右耳介部Ａ２の何れか一方である。そのうち、脳活動計測部１０１は、左耳介部Ａ１もしくは右耳介部Ａ２の何れか一方に設置した電極で取得された電位を基準電位とし、その他の電極で取得した電位との電位差を各々脳活動信号の要素信号として取得する。

図３に戻り、提示情報記憶部１０２は、被計測者に提示する提示情報を示す提示情報信号と提示情報識別情報とを対応付けて記憶する。提示情報信号は、例えば、画像信号である。提示情報識別情報は、提示情報信号の個々を識別する信号である。
図６は、本実施形態に係る提示情報の一例を示す図である。
図６（ａ）−（ｄ）は、提示情報の一例として画像ｉｔ１−ｉｔ４を各々示す。画像ｉｔ１−ｉｔ４は、各々水平方向及び垂直方向について複数の領域で区分され、各領域が黒色又は白色で示されるランダムドットパターンである。ランダムドットパターンの使い分けは、被測定者の視野に対応した活動野全般にわたる脳活動状況を明確に区別するために好都合である。そのため、ランダムドットパターンは、例えば後述する個別変換情報の算出や、提示情報再現モデルの生成の際に用いられる。

図７は、本実施形態に係る提示情報のその他の例を示す図である。
図７は、提示情報として画像ｉｐ１（図７（ａ））、画像ｉｐ２（図７（ｂ））、画像ｉｐ３（図７（ｃ））、画像ｉｐ４（図７（ｄ））及び画像ｉｐ５（図７（ｅ））を示す。画像ｉｐ１は、正方形の塗りつぶし部分の中心部に、正方形の白抜き部分を有する画像である。画像ｉｐ２は、正方形の塗りつぶし部分の内部に、正方形の白抜き部分を有し、その白抜き部分の内部に正方形の塗りつぶし部分を有する画像である。画像ｉｐ３は、正方形の塗りつぶし部分の中心部に、白抜きの十字を有する画像である。画像ｉｐ４は、正方形の塗りつぶし部分の中心部に、白抜きの×印を有する画像である。画像ｉｐ５は、正方形の塗りつぶし部分の内部に、正方形の白抜き部分を有し、その白抜き部分の内部に、正方形の塗りつぶし部分を有する画像である。
ここで、画像ｉｐ２の正方形の白抜き部分の一辺の長さは、画像ｉｐ５の正方形の白抜き部分の一辺の長さよりも小さい。画像ｉｐ２の正方形の白抜き部分の幅は、画像ｉｐ５の正方形の白抜き部分の幅よりも小さい。画像ｉｐ２の正方形の塗りつぶし部分の一辺の長さは、画像ｉｐ５の正方形の塗りつぶし部分の一辺の長さよりも小さい。
画像ｉｐ１−ｉｐ５は、例えば後述する提示情報分類モデルの算出や、目標利用者の脳活動信号を推定するために用いる原利用者の脳活動信号を計測する際に用いられる。
なお、提示情報記憶部１０２が記憶する提示情報信号は、静止画を示す画像信号に限らず、本実施形態では動画を示す画像信号や音声信号であってもよい。

図３に戻り、情報提示部１０３は、提示情報記憶部１０２から提示情報信号と提示情報識別符号を読み出し、脳活動計測部１０１が脳活動信号を取得するとき、読み出した提示情報信号に基づく提示情報を被計測者に提示する。情報提示部１０３は、提示した提示情報に対応する提示情報識別符号を脳活動信号記憶部１０４に記憶する。
脳活動信号記憶部１０４は、情報提示部１０３が提示する提示情報に対応する提示情報識別符号と、脳活動計測部１０１から入力された脳活動信号を対応付けて、被計測者及び時刻毎に記憶する。

ノイズ除去部１１４は、脳活動信号記憶部１０４から読み出された脳活動信号からノイズ成分を除去し、ノイズ成分が除去された脳活動信号を個別変換変数算出部１０５、個別変換部１０７、提示情報分類モデル生成部１０８及び提示情報再現モデル生成部１１０に出力する。ノイズ除去部１１４は、例えば、カットオフ周波数が１／１２８Ｈｚの高域通過フィルタ（Ｈｉｇｈ Ｐａｓｓ Ｆｉｌｔｅｒ， ＨＰＦ；ハイパスフィルタ）を備える。これにより、ノイズ除去部１１４は、カットオフ周波数よりも低い周波数のノイズ成分を除去する。
なお、ノイズ除去部１１４は、脳活動信号受信部１０１３から入力された脳活動信号からノイズ成分を除去し、ノイズ成分が除去された脳活動信号を脳活動信号記憶部１０４に記憶するようにしてもよい。その場合、個別変換変数算出部１０５、個別変換部１０７、提示情報分類モデル生成部１０８、及び提示情報分類モデル生成部１１０は、脳活動信号を脳活動信号記憶部１０４から直接読み出す。

個別変換変数算出部１０５は、脳活動信号記憶部１０４から２名の被計測者から各々取得した提示情報識別符号毎の脳活動信号をノイズ除去部１１４を介して読み出す。個別変換変数算出部１０５は、脳活動信号を読み出す前に、同一の提示情報識別符号に対応する脳活動信号を脳活動信号記憶部１０４が少なくとも被計測者２名分記憶しているか否かを判断する。個別変換変数算出部１０５は、利用者による操作に伴って操作入力信号を入力され、入力された操作入力信号に対応する被計測者又は提示情報識別符号の脳活動信号を脳活動信号記憶部１０４から読み出してもよい。

ここで、個別変換変数算出部１０５が読み出された脳活動信号の一例を示す。
図８は、本実施形態に係る脳活動信号のその他の例を示す図である。
図８（ａ）は、情報提示部１０３が被計測者２名に各々提示した画像ｉｐ１を示す。図８（ｂ）は、一方の被計測者から取得した脳活動信号を示す画像ｍｉ１と画像ｍｐｉ１を示す。画像ｍｉ１の中央よりも下に破線で示されている矩形の部分と、その部分から画像ｍｐｉ１の左上端及び右上端に向かう破線は、画像ｍｐｉ１が画像ｍｉ１の矩形の部分を拡大表示していることを示す。

図８（ｃ）は、他方の被計測者から取得した脳活動信号を示す画像ｍｉ２と画像ｍｐｉ２を示す。画像ｍｉ２の中央よりも下に破線で示されている矩形の部分と、その部分から画像ｍｐｉ２の左上端及び右上端に向かう破線は、画像ｍｐｉ２が画像ｍｉ２の矩形の部分を拡大表示していることを示す。また、画像ｍｉ２に示される矩形の部分は、画像ｍｉ１に示される矩形の部分と同一の部位である。
なお、画像ｍｐｉ１と画像ｍｐｉ２の濃淡の分布が異なる。このことから、図８は、共通の提示情報が提示されていても、計測された脳活動信号が被測定者により異なることを示している。

個別変換変数算出部１０５は、共通の提示情報について一方の被計測者の脳活動信号と他方の被測定者の脳活動信号に基づいて、一方の被計測者の脳活動信号から他方の被測定者の脳活動信号に変換するための個別変換変数（個別変換情報）を算出する。
目標利用者の脳活動信号ｙは、式（１）に示すように、例えば計測された原利用者の脳活動信号ｘ_msrdを個別変換行列Ｗに基づき線形結合（ｌｉｎｅａｒ ｃｏｍｂｉｎａｔｉｏｎ，ｗｅｉｇｈｔｉｎｇ；重み付け）して推定することができる。但し、推定した目標利用者の脳活動信号をｙestmを用いて表す。以降、変数名の末尾に_msrdを付して計測値であること、_estmを付して推定値であること、_targ_を付して目標値であることを区別する。但し、これらの種別を区別する必要がない場合や、何れの種別も該当する場合には、特にこのような接尾辞を付さない。

式（１）において、脳活動信号ｙ_estmは、推定されたボクセルｉの要素信号値ｙ_ｉ’_estmを含むＤ_ｙ次元（Ｄ_ｙは２又は２よりも大きい自然数、例えば１０００）のベクトルである。原利用者の脳活動信号ｘ_msrdは、ボクセルｊの要素信号値ｘ_ｊを含むＤ_ｘ次元（Ｄ_ｘは２又は２よりも大きい自然数、例えば１０００）のベクトルである。個別変換行列Ｗは、要素信号値ｙ_ｉ’を求めるために、ボクセルｊの要素信号値ｘ_ｊに乗じる重み係数ｗ_ｉｊを含むＤ_ｙ行Ｄ_ｘ列の行列である。即ち、個別変換行列Ｗは、目標利用者の脳活動信号ｙ_msrdと原利用者の脳活動信号ｘ_msrdの相関関係を示す。個別変換変数算出部１０５は、推定した脳活動信号ｙ_estmと脳活動信号ｙ_msrdが最も近似（尤度が最大）するように個別変換行列Ｗを算出する。

個別変換変数算出部１０５は、個別変換行列Ｗを算出するために、例えばスパース回帰（ｓｐａｒｓｅ ｒｅｇｒｅｓｓｉｏｎ）を行う。スパース回帰では、原利用者の脳活動信号ｘに基づく特徴量（ｆｅａｔｕｒｅ）のうち目標利用者の脳活動信号ｙに寄与しない特徴量を削除することで、過学習（ｏｖｅｒｆｉｔｔｉｎｇ、過剰適合）を避けることができる。過学習とは、学習対象となる変数（この例では、個別変換行列Ｗ）が学習に用いた訓練データ（この例では、脳活動信号ｙ）に対して適合しているが、未知のデータに対して適合していないことを指す。過学習を避けることで、脳活動信号ｘ又は脳活動信号ｙに含まれるノイズ成分の影響や、個別変換行列Ｗの次元を低減するとともに予測精度の低下を回避することができる。なお、スパース回帰処理については後述する。
個別変換変数記憶部１０６は、原利用者と目標利用者の組毎に個別変換行列Ｗ（個別変換情報）を記憶する。

個別変換部１０７は、脳活動信号記憶部１０４からノイズ除去部１１４を介して、提示情報識別符号及び原利用者に対応する脳活動信号ｘ_msrdを読み出し、個別変換変数記憶部１０６から原利用者と目標利用者の組に対応する個別変換行列Ｗを読み出す。
個別変換部１０７は、利用者による操作に伴って操作入力信号が入力され、入力された操作入力信号に対応する提示情報識別符号及び目標利用者に対応する脳活動信号ｙ_msrdをノイズ除去部１１４を介して脳活動信号記憶部１０４から読み出してもよい。また、個別変換部１０７は、その操作入力信号に対応する原利用者及び目標利用者の組に対応する個別変換行列Ｗを個別変換変数記憶部１０６から読み出してもよい。

個別変換部１０７は、読み出した脳活動信号ｘ_msrdを読み出した個別変換行列Ｗに基づいて目標利用者の脳活動信号ｙ_estmを推定する。ここで、個別変換部１０７は、式（１）を用いて目標利用者の脳活動信号ｙ_estmを推定する。
個別変換部１０７は、推定した脳活動信号ｙ_estmを変換情報処理部１１２に出力する。

提示情報分類モデル生成部１０８は、脳活動信号記憶部１０４からノイズ除去部１１４を介して被計測者（例えば目標利用者）の脳活動信号ｙ_msrdと、脳活動信号記憶部１０４から直接、提示情報識別符号を読み出す。提示情報分類モデル生成部１０８は、読み出した脳活動信号ｙ_msrdと提示情報識別情報との関連を示す提示情報分類モデルを生成する。
目標利用者の脳活動信号ｙが与えられているとき、提示情報ｉｐが目標利用者に提示されている確率ｐ_ｉｐ_estmは、例えば、式（２）に示すように、脳活動信号ｙの提示情報分類行列Ｖに基づく線形結合の正規化指数関数（ｎｏｒｍａｌｉｚｅｄ ｅｘｐｏｎｅｎｔｉａｌ ｆｕｎｃｔｉｏｎ，ｓｏｆｔｍａｘ ｆｕｎｃｔｉｏｎ；ソフトマックス関数）を用いて表すことができると仮定する。正規化指数関数は、変数が正の無限大に近づくほど最大値１に漸近し、変数が負の無限大に近づくほど最小値０に漸近する関数である。

式（２）において、ｖ_ｉｐ，ｉは、提示情報ｉｐに対してボクセルｉの要素信号値ｙ_ｉに乗ずる分類重み係数である。ｖ_ｉｐ，０は、提示情報ｉｐについて脳活動信号ｙでは説明できない偏り値（ｂｉａｓ、バイアス値）である。Ｄ_ｉｐ（２又は２よりも大きい自然数）は提示情報の種類の総数である。ｖ_ｉｐ，ｉを要素として含む行列を、提示情報分類行列Ｖと呼ぶ。

そこで、提示情報分類モデル生成部１０８は、確率ｐ_ｉｐ_estmを要素として含む要素数Ｄ_ｉｐ個の確率ベクトルｐ_estmを生成する。
提示情報分類モデル生成部１０８は、読み出した提示情報識別符号（即ち、符号ｉｐ）に基づき提示情報ｉｐを示す目標確率ベクトルｐ_targを生成する。
目標確率ベクトルｐ_targは、Ｄ_ｉｐ個の要素値ｐ_ｉｐを含むベクトルである。ここで、提示情報分類モデル生成部１０８は、提示情報ｉｐ’が提示されたとき、ｉｐ’番目の要素値ｐ_ｉｐ_targを１と定め、他の要素値（ｉｐ≠ｉｐ’）を０と定める。即ち、提示情報分類行列Ｖは、目標利用者の脳活動信号ｙ_msrdと対応する提示情報を示す目標確率ベクトルｐ_targの相関関係を示すＤ_ｉｐ行Ｄ_ｙ＋１列の行列である。列の数は、提示情報毎の偏り値ｖ_ｉｐ，０を含む。
提示情報分類モデル生成部１０８は、推定した確率ベクトルｐ_estmが目標確率ベクトルｐ_targを最も近似（例えば、尤度［ｌｉｋｅｌｉｈｏｏｄ］が最大）するように提示情報分類行列Ｖを算出する。

提示情報分類モデル生成部１０８は、脳活動信号ｙ、目標確率ベクトルｐ_targ、推定した確率ベクトルｐ_estmに基づいて、例えば、後述するスパース推定を行って提示情報分類行列Ｖを算出する。スパース推定により、提示情報分類行列Ｖの次元を低減するとともに予測精度の低下を回避することができる。提示情報分類モデル生成部１０８は、スパース推定において、脳活動信号ｘ_msrd、脳活動信号ｙ_msrd、式（１）を用いて推定した脳活動信号ｙ_estm及び個別変換行列Ｗの代わりに、脳活動信号ｙ_msrd、目標確率ベクトルｐ_targ、式（２）を用いて算出した確率ベクトルｐ_estm及び提示情報分類行列Ｖを各々当てはめて実行する。
提示情報分類モデル生成部１０８は、後述するスパース推定において分類重み係数の平均値＜ｖ_{ｉｐ, i}＞を要素毎に算出する。提示情報分類モデル生成部１０８は、算出した分類重み係数の平均値＜ｖ_{ｉｐ, i}＞を要素値（分類重み係数ｖ_{ｉｐ, i}）として含む提示情報分類行列Ｖを提示情報分類モデル記憶部１０９に記憶する

提示情報分類モデル記憶部１０９は、提示情報毎に提示情報分類行列Ｖを提示情報分類モデルとして記憶する。

提示情報再現モデル生成部１１０は、脳活動信号記憶部１０４からノイズ除去部１１４を介して被計測者（例えば目標利用者）の脳活動信号ｙ_msrdと提示情報識別符号を読み出し、読み出した提示情報識別符号に対応する提示情報ｉｐを提示情報記憶部１０２から読み出す。
提示情報再現モデル生成部１１０は、提示情報再現モデル記憶部１１１から提示特徴量情報を読み出す。この提示特徴量情報は、例えば局所基底画像（ｌｏｃａｌ ｉｍａｇｅ ｂａｓｉｓ；ローカル画像基底）φ_ｍである。ｍは、個々の局所基底画像を識別するための局所基底画像識別符号である。

局所基底画像とは、１枚（ｆｒａｍｅ，フレーム）の画像（全体画像）における一部の領域を表す画像信号である。局所基底画像は、１個以上の画素を含み、例えば、水平方向１画素×垂直方向１画素、水平方向１画素×垂直方向２画素、水平方向２画素×垂直方向１画素、水平方向２画素×垂直方向２画素の何れでもよい。画素毎の信号値は、局所基底画像の領域に含まれる画素であることを示す値（例えば１）又は、その領域に含まれる画素でないことを示す値（例えば０）を示す。

提示情報再現モデル生成部１１０は、読み出した脳活動信号ｙ_msrd及び提示特徴量情報として局所基底画像に基づき、提示情報として画像信号を再現するための提示情報再現モデルを生成する。
例えば、目標利用者の脳活動信号ｙが与えられているとき、提示情報ｉｐである１枚の画像を表す画像信号Ｆ_estm（ｒ｜ｙ）は、例えば、式（３）に示すように局所基底画像φ_ｍ（ｒ）と推定したコントラスト値（ｃｏｎｔｒａｓｔ）Ｃ_ｍ_estm（ｙ）の積の線形結合で表すことができる。

式（３）において、ｒは、画像信号に含まれる画素の位置を示す。ｍは、個々の局所基底画像を識別する識別符号である。Ｍは、局所基底画像の個数である。λ_ｍは、コントラスト値Ｃ_ｍ_estm（ｙ）に乗ずる結合係数（ｃｏｍｂｉｎａｔｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔ）である。コントラスト値Ｃ_ｍ_estm（ｙ）は、局所基底画像ｍ毎の濃淡を示す値である。局所基底画像φ_ｍ（ｒ）は、位置ｒがその局所基底画像の領域に含まれるとき信号値１をとり、位置ｒがその領域に含まれないとき信号値０をとることを示す。

ここで、コントラスト値Ｃ_ｍ_estm（ｙ）は、例えば式（４）に示すように、目標利用者の脳活動信号ｙの線形結合で表されると仮定する。

式（４）において、ｕ_ｍｉはボクセルｉの要素信号値ｙ_ｉに乗じるコントラスト重み係数である。ここで、コントラスト値Ｃ_ｍ_estm（ｙ）を要素として含むベクトルをコントラストベクトルＶＣ_estmと呼ぶ。コントラストベクトルＶＣ_estmは、Ｄ_ｙ＋１列のベクトルである。コントラスト重み係数ｕ_ｍｉを要素として含む行列をコントラスト行列Ｕと呼ぶ。コントラスト行列Ｕは、Ｍ行Ｄ_ｙ＋１列の行列である。列の数には、局所基底画像φ_ｍ毎の偏り値ｕ_ｍ０を含む。即ち、コントラスト行列Ｕは、目標利用者の脳活動信号ｙと局所基底画像ｍ毎のコントラスト値Ｃ_ｍ_estm（ｙ）の相関関係を示す。

そこで、提示情報再現モデル生成部１１０は、コントラスト値Ｃ_ｍ_estm（ｙ_msrd）を要素として含む要素数Ｍ個のコントラストベクトルＶＣ_estmを推定する。
提示情報再現モデル生成部１１０は、目標利用者に提示した提示情報ｉｐから局所基底画像φ_ｍが占める領域ｒにおける画像信号Ｆ_targ（ｒ）を、局所基底画像ｍ毎の目標とするコントラスト値Ｃ_ｍ_targとして抽出する。提示情報再現モデル生成部１１０は、抽出したコントラスト値Ｃ_ｍ_targを含む目標コントラストベクトルＶＣ_targを生成する。
提示情報再現モデル生成部１１０は、推定したコントラストベクトルＶＣ_estmが目標コントラストベクトルＶＣ_targを最も近似（例えば、尤度が最大）するようにコントラスト行列Ｕを算出する。

提示情報再現モデル生成部１１０は、脳活動信号ｙ、目標コントラストベクトルＶＣ_targ、推定したコントラストベクトルＶＣ_estmに基づいて、例えば、後述するスパース推定を行ってコントラスト行列Ｕを算出する。スパース推定により、コントラスト行列Ｕの次元を低減するとともに予測精度の低下を回避することができる。提示情報再現モデル生成部１１０は、スパース推定において、脳活動信号ｘ_msrd、脳活動信号ｙ_msrd、式（１）を用いて推定した脳活動信号ｙ_estm及び個別変換変数Ｗの代わりに、脳活動信号ｙ、目標コントラスト信号ＶＣ_targ、式（４）を用いて算出したコントラストベクトルＶＣ_estm及びコントラスト行列Ｕを各々当てはめて実行する。
提示情報再現モデル生成部１１０は、後述するスパース推定においてコントラスト重み係数の平均値＜ｕ_ｍｉ＞を要素毎に算出する。提示情報再現モデル生成部１１０は、算出したコントラスト重み係数の平均値＜ｕ_ｍｉ＞を要素値ｕ_ｍｉとして含むコントラスト行列Ｕを提示情報再現モデル記憶部１１１に記憶する。

提示情報再現モデル生成部１１０は、コントラスト行列Ｕと目標利用者の脳活動信号ｙに基づき式（４）を用いてコントラストベクトルＶＣ_estmを提示情報ｉｐ毎に生成する。
提示情報再現モデル生成部１１０は、提示情報ｉｐ毎に生成したコントラストベクトルＶＣ_estm、結合係数λ_ｍ、及び局所基底画像φ_ｍ（ｒ）に基づき式（３）を用いて提示情報ｉｐの画像信号Ｆ_estm（ｒ｜ｙ）を推定する。
ここで、提示情報再現モデル生成部１１０は、推定した画像信号Ｆ_estm（ｒ｜ｙ）と元の画像信号Ｆ_targ（ｒ｜ｙ）との誤差が最小となるように、例えば最小二乗法（ｍｅａｎ ｓｑｕａｒｅ ｍｅｔｈｏｄ）を用いて結合係数λ_ｍを算出する。
提示情報再現モデル生成部１１０は、算出した結合係数λ_ｍを提示情報再現モデル記憶部１１１に記憶する。

提示情報再現モデル記憶部１１１は、局所基底画像φ_ｍ（ｒ）、結合係数λ_ｍ及びコントラスト行列Ｕを提示情報再現モデルとして記憶する。

変換情報処理部１１２は、個別変換部１０７から入力された目標利用者の脳活動信号ｙ_estmを処理して、目標利用者に対して提示された提示情報であって、目標利用者の脳内で処理した情報を推定する。変換情報処理部１１２が推定する情報は、例えば提示情報の種別や提示情報自体である。
変換情報処理部１１２は、例えば提示情報分類部１１２１及び提示情報再現部１１２２を含んで構成される。

提示情報分類部１１２１は、個別変換部１０７から目標利用者の脳活動信号ｙ_estmを入力され、提示情報分類モデル記憶部１０９から提示情報毎に提示情報分類行列Ｖを読み出す。
提示情報分類部１１２１は、脳活動信号ｙ_estmと提示情報分類行列Ｖに基づき、例えば式（２）を用いて提示情報毎に確率ｐ_estm_ｉｐを算出する。提示情報分類部１１２１は、算出した確率ｐ_estm_ｉｐが最大となる提示情報ｉｐを決定する。
このようにして、提示情報分類部１１２１は、目標利用者から脳活動信号ｙ_estmが取得されている間に提示された提示情報を、決定した提示情報ｉｐと推定(弁別、ｃｌａｓｓｉｆｉｃａｔｉｏｎ)する。

提示情報再現部１１２２は、個別変換部１０７から目標利用者の脳活動信号ｙ_estmが入力され、提示情報再現モデル記憶部１１１から局所基底画像φ_ｍ（ｒ）と、提示情報毎の結合係数λ_ｍ,ipならびにコントラスト行列Ｕを読み出す。
提示情報再現部１１２２は、脳活動信号ｙ_estmと読み出したコントラスト行列Ｕに基づき、例えば式（２）を用いてコントラストベクトルＶＣ_estmを算出する。
提示情報再現部１１２２は、算出したコントラストベクトルＶＣ_estmと読み出した局所基底画像φ_ｍ（ｒ）及び提示情報毎の結合係数λ_ｍ,ipに基づき、例えば式（３）を用いて画像信号Ｆ_estm（ｒ｜ｙ_estm）を算出することによって再構成（ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ）する。
このようにして、変換情報処理部１１２は、目標利用者から脳活動信号ｙ_estmが取得されている間に提示された提示情報を、再構成した画像信号Ｆ_estm（ｒ｜ｙ_estm）が表す画像と推定する。

次に、本実施形態に係る提示情報再現部１１２２が再構成した提示情報について説明する。
図９は、本実施形態に係る提示情報再現部１１２２が再構成した提示情報の一例を示す図である。
図９は、左列に提示情報として上から下に順に画像ｉｐ１−ｉｐ５を示し、中央列に画像ｉｐ１−ｉｐ５が各々提示されたときに目標利用者から測定した脳活動信号に基づいて再構成した画像ｉｐ１’−ｉｐ５’を示す。即ち、画像ｉｐ１’−ｉｐ５’は、目標利用者から取得した脳活動信号と目標利用者自身の提示情報再現モデルに基づいて提示情報再現部１１２２が再構成した画像（目標利用者再構成画像）である。図９は、右列に、画像ｉｐ１−ｉｐ５が各々提示されたときに原利用者から測定した脳活動信号に基づいて推定した画像ｉｐ１’’−ｉｐ５’’を示す。即ち、画像ｉｐ１’’−ｉｐ５’’は、目標利用者とは異なる原利用者から取得した脳活動信号と目標利用者自身の提示情報再現モデルに基づいて提示情報再現部１１２２が推定した画像（原利用者推定画像）である。

図９は、目標利用者推定画像及び原利用者推定画像はともに、提示情報の特徴を維持することを示す。例えば、画像ｉｐ１’及び画像ｉｐ１’’の中心部が白地であり、周辺部が濃い塗りつぶしという点で画像ｉｐ１と共通する。画像ｉｐ２’及び画像ｉｐ２’’の中心部が白い矩形であり、周辺部が濃い塗りつぶしという点で画像ｉｐ２と共通する。画像ｉｐ３’及び画像ｉｐ３’’が中心部を通る水平方向と垂直方向に延びる白地を有するという点で画像ｉｐ３と共通する。画像ｉｐ４’及び画像ｉｐ４’’が対角に延びる白地を有する点で画像ｉｐ４と共通する。画像ｉｐ５’及び画像ｉｐ５’’が中心部に濃い塗りつぶしを有し、その周辺を白地が取り囲む点で画像ｉｐ５と共通する。

次に、本実施形態に係る脳活動推定装置１が行う脳活動計測処理の一例について説明する。
図１０は、本実施形態に係る脳活動推定装置１が行う脳活動計測処理の一例を示すフローチャートである。
（ステップＳ１０１）計測信号生成部１０１１は、送信する磁場の信号を表す計測信号を生成し、計測信号送信部１０１２に出力する。その後、ステップＳ１０１に進む。

（ステップＳ１０２）計測信号送信部１０１２は、計測信号生成部１０１１から入力された計測信号に基づいて磁場を生成し、生成した磁場を被計測者の頭部に提示する。その後、ステップＳ１０３に進む。
（ステップＳ１０３）情報提示部１０３は、提示情報記憶部１０２から読み出した提示情報信号に基づく提示情報を被計測者に提示する。提示情報は、例えば図６に示す画像ｉｔ１−ｉｔ４又はこれに類するランダムドットパターンである。情報提示部１０３は、提示した提示情報に対応する提示情報識別符号を脳活動信号記憶部１０４に記憶する。その後、ステップＳ１０４に進む。

（ステップＳ１０４）脳活動信号受信部１０１３は、被計測者の頭部における部位（ボクセル）毎の活動を示す脳活動信号を取得する。脳活動信号受信部１０１３は、取得した脳活動信号をノイズ除去部１０１４に出力する。その後、ステップＳ１０５に進む。
（ステップＳ１０５）ノイズ除去部１０１４は、脳活動信号受信部１０１３から入力された脳活動信号からノイズ成分を除去して、ノイズ成分が除去された脳活動信号を脳活動信号記憶部１０４に記憶する。その後、ステップＳ１０６に進む。
（ステップＳ１０６）個別変換変数算出部１０５は、共通の提示情報に対応する脳活動信号を脳活動信号記憶部１０４が少なくとも被計測者２名分記憶しているか否かを判断する。
個別変換変数算出部１０５は、脳活動信号記憶部１０４が被計測者２名又は２名分よりも多く記憶していないと判断したとき（ステップＳ１０６ Ｎ）、ステップＳ１０１に進む。個別変換変数算出部１０５は、脳活動信号記憶部１０４が被計測者２名又は２名分よりも多く記憶していると判断したとき（ステップＳ１０６ Ｙ）、ステップＳ１０７に進む。

（ステップＳ１０７）個別変換変数算出部１０５は、脳活動信号記憶部１０４から２名の被計測者から各々取得された脳活動信号を読み出す。２名の被計測者のうち、一方が原利用者であり、他方が目標利用者である。個別変換変数算出部１０５は、原利用者の脳活動信号に基づき推定した目標利用者の脳活動信号が、計測した目標利用者の脳活動信号を最も近似（尤度を最大）するように個別変換変数（重み係数）を要素として含む個別変換行列Ｗを算出する。個別変換変数算出部１０５は、個別変換行列Ｗを算出するために、例えば後述するスパース回帰処理を行う。その後、ステップＳ１０８に進む。

（ステップＳ１０８）個別変換変数算出部１０５は、算出した重み係数の平均値＜ｗ_ｉｊ＞を要素（重み係数ｗ_ｉｊ）として含む個別変換行列Ｗを個別変換変数記憶部１０６に記憶して処理を終了する。

次に、本実施形態に係る脳活動推定装置１が行う脳活動推定処理の一例について説明する。
図１１は、本実施形態に係る脳活動推定装置１が行う脳活動推定処理の一例を示すフローチャートである。
この例は、脳活動信号を取得するためのステップであるステップＳ１０１−Ｓ１０５を開始直後に実行する点で図１０に示す脳活動推定処理と共通する。他方、この例は、脳活動推定装置１は、ステップＳ１０１−Ｓ１０５を原利用者に対して実行して原利用者の脳活動信号を計測し、ステップＳ１０５の後でステップＳ２０６に進む点が異なる。また、この例ではステップＳ１０３において、情報提示部１０３は図７に示す画像ｉｐ１−ｉｐ５又はこれに類する画像を提示情報として提示する。

以下、ステップＳ２０６以降のステップについて説明する。
（ステップＳ２０６）個別変換部１０７は、脳活動信号記憶部１０４から提示情報識別符号及び原利用者の脳活動信号ｘ_msrdを読み出し、個別変換変数記憶部１０６から原利用者と目標利用者の組に対応する個別変換行列Ｗを読み出す。
個別変換部１０７は、脳活動信号ｘ_msrdを個別変換行列Ｗに基づいて、例えば式（１）を用いて目標利用者の脳活動信号ｙ_estmを推定する。
個別変換部１０７は、推定した脳活動信号ｙ_estmを変換情報処理部１１２が備える提示情報分類部１１２１及び提示情報再現部１１２２に出力する。その後、ステップＳ２０７に進む。

（ステップＳ２０７）提示情報分類部１１２１は、個別変換部１０７から目標利用者の脳活動信号ｙ_estmが入力され、提示情報分類モデル記憶部１０９から提示情報毎に提示情報分類行列Ｖを読み出す。
提示情報分類部１１２１は、脳活動信号ｙ_estmと提示情報分類行列Ｖに基づき、例えば式（２）を用いて提示情報毎に確率ｐ_ｉｐ_estmを算出する。提示情報分類部１１２１は、算出した確率ｐ_ｉｐ_estmが最大となる提示情報ｉｐを推定（弁別）する。その後、ステップＳ２０８に進む。

（ステップＳ２０８）提示情報再現部１１２２は、個別変換部１０７から目標利用者の脳活動信号ｙ_estmを入力され、提示情報再現モデル記憶部１１１から局所基底画像φ_ｍ（ｒ）と、提示情報毎の結合係数λ_ｍ,ipならびにコントラスト行列Ｕを読み出す。
提示情報再現部１１２２は、脳活動信号ｙ_estmとコントラスト行列Ｕに基づき、例えば式（４）を用いてコントラスト値Ｃ_ｍ _estmを算出し、算出したコントラスト値Ｃ_ｍ _estmを要素として含むコントラストベクトルＶＣ_estmを生成する。提示情報分類部１１２１は、算出したコントラストベクトルＶＣ_estmと読み出した局所基底画像φ_ｍ（ｒ）及び提示情報毎の結合係数λ_ｍ,ipに基づき、例えば式（３）を用いて画像信号Ｆ_estm（ｒ｜ｙ_estm）を再構成する。その後、処理を終了する。

なお、図１１に示す脳活動推定処理において、ステップＳ２０８を実行する時期はステップＳ２０７を実行する時期よりも先でもよいし、ステップＳ２０７とステップＳ２０８を実行する時期が同時でもよい。
また、この処理において、ステップＳ２０７とステップＳ２０８のうち、いずれか一方を実行してもよい。

次に、本実施形態に係るスパース回帰処理について説明する。以下の説明では、個別変換変数算出部１０５が、脳活動信号ｘ_msrd、脳活動信号ｙ_msrd、推定した脳活動信号ｙ_estm及び個別変換行列Ｗに基づいて、重み係数の平均値＜ｗ_ｉｊ＞を算出することを前提とする。
また、提示情報分類モデル生成部１０８では、脳活動信号ｘ_msrd、脳活動信号ｙ_msrd、推定した脳活動信号ｙ_estm及び個別変換行列Ｗの代わりに、各々脳活動信号ｙ_msrd、目標確率ベクトルｐ_targ、確率ベクトルｐ_estmに基づいて分類重み係数の平均値＜ｖ_{ｉｐ, i}＞を算出する。
また、提示情報再現モデル生成部１１０では、脳活動信号ｘ_msrd、脳活動信号ｙ_msrd、推定した脳活動信号ｙ_estm及び個別変換行列Ｗの代わりに、脳活動信号ｙ_msrd、目標コントラスト信号ＶＣ_targ、推定したコントラストベクトルＶＣ_estmに基づいて、コントラスト重み係数の平均値＜ｕ_ｍｉ＞を算出する。

図１２は、本実施形態に係るスパース回帰処理を示すフローチャートである。
（ステップＳ３０１）個別変換変数算出部１０５は、処理に必要な変数として脳活動信号ｘの次元Ｄ_ｘ、脳活動信号ｙの次元Ｄ_ｙ、及び関連性係数（ｒｅｌｅｖａｎｃｅ ｐａｒａｍｅｔｅｒ）α_ｉｊの期待値＜α_ｉｊ＞の初期値を設定する。関連性係数α_ｉｊは、脳活動信号ｘに含まれるボクセルｊの要素信号が脳活動信号ｙに含まれるボクセルｉの要素信号に対する関連性の度合いを示す０より大きい実数である。関連性係数α_ｉｊは、スパース推定においてＡＲＤ事前分布（ＡＲＤ ｐｒｉｏｒ；Ａｕｔｏｍａｔｉｃ Ｒｅｌｅｖａｎｃｅ Ｄｅｔｅｒｍｉｎａｔｉｏｎ ｐｒｉｏｒ；自動関連性決定事前分布）を仮定するために用いる係数である。

ＡＲＤ事前分布では、関連性係数α_ｉｊに対する重み係数ｗ_ｉｊの条件付確率Ｐ（ｗ_ｉｊ｜α_ｉｊ）を、平均値（ｍｅａｎ）を０、分散（ｖａｒｉａｎｃｅ）をα_ｉｊ ^−１とする正規分布（ｎｏｒｍａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ；Ｇａｕｓｓｉａｎ ｄｉｓｔｒｉｂｕｔｉｏｎ）Ｎ（０，α_ｉｊ ^−１）に従って分布すると仮定する。即ち、関連性係数α_ｉｊが大きいほど、脳活動信号ｘに含まれるボクセルｊの要素信号が脳活動信号ｙに含まれるボクセルｉの要素信号に対する関連性が低いことを示す。
ＡＲＤ事前分布では、関連性係数α_ｉｊをとる確率Ｐ_０（α_ｉｊ）をα_ｉｊ ^−１と仮定する。
その後、ステップＳ３０２に進む。

（ステップＳ３０２）個別変換変数算出部１０５は、与えられた脳活動信号ｘ_msrd、脳活動信号ｙ_msrd及び関連性係数α_ｉｊの事後分布（ｐｏｓｔｅｒｉｏｒ ｄｉｓｔｒｉｂｕｔｉｏｎ）Ｑ（Ａ）のもとで、階層ベイズ推定（ｈｉｅｒａｒｃｈｉｃａｌ Ｂａｙｓｉａｎ ｅｓｔｉｍａｔｉｏｎ）を行い重み係数ｗ_ｉｊの事後分布Ｑ（Ｗ）を更新する。階層ベイズ推定（ｈｉｅｒａｒｃｈｉｃａｌ Ｂａｙｓｉａｎ ｅｓｔｉｍａｔｉｏｎ）では、個別変換変数算出部１０５は、変分自由エネルギー（ｖａｒｉａｔｉｏｎａｌ ｆｒｅｅ ｅｎｅｒｇｙ）が最大になるようにして事後分布Ｑ（Ｗ）を定める重み係数ｗ_ｉｊの平均値＜ｗ_ｉｊ＞と共分散Ｓ_ｉｊを算出する。

ここで、個別変換変数算出部１０５は、重み係数ｗ_ｉｊが多次元正規分布に従って分布しているとの仮定に基づき、式（５）で示される自由エネルギーＥ（Ｗ）を最大化するように重み係数ｗ_ｉｊの平均値＜ｗ_ｉｊ＞を算出する。

式（５）において、ｎは、原利用者及び目標利用者に共通の情報を提示して取得した脳活動信号ｘと脳活動信号ｙの組を識別する番号である。Ｎは、その脳活動信号ｘと脳活動信号ｙの組の個数である。＜α_ｊｊ＞は、関連性係数α_ｉｊがガンマ分布（Ｇａｍｍａ ｄｉｓｔｒｉｂｕｔｉｏｎ）に従って分布していると仮定した場合の期待値の対角要素である。
ここで、式（５）の第１項は、計測された脳活動信号ｙ_msrdと推定された脳活動信号ｙ_estmの相関による寄与を示し、第２項は、推定された脳活動信号ｙ_estmの分布によるエントロピーによる寄与を示し、第３項は、関連性係数α_ｉｊの分布によるエントロピーによる寄与を示す。
変換変数算出部１０５は、自由エネルギーＥ（Ｗ）を最大化するために、例えば、式（６）に示される勾配ベクトル（ｇｒａｄｉｅｎｔ ｖｅｃｔｏｒ）Ｅ’と式（７）に示されるヘシアン（Ｈｅｓｓｉａｎ Ｍａｔｒｉｘ；ヘッセ行列）Ｅ’’に基づき、ニュートン法（Ｎｅｗｔｏｎ ｍｅｔｈｏｄ）を用いる。

式（６）において、ｅ’_ｉは、勾配ベクトルＥ’＝［ｅ’_１，．．．，ｅ’_Ｄｙ］の要素である。

式（７）において、ｅ’’_ｉｊ，は、ヘシアンＥ’’＝［ｅ’’_１１，．．．，ｅ’’_ＤｙＤｙ］の要素である。Ｔはベクトル又は行列の転置を示す。○の内部に×を含む記号は、クロネッカー積（Ｋｒｏｎｅｃｋｅｒ ｐｒｏｄｕｃｔ）を示す。

個別変換変数算出部１０５は、算出した平均値＜ｗ_ｉｊ＞が収束するまで、上述の関数Ｅ（Ｗ）を最大化する処理を繰り返す。個別変換変数算出部１０５は、例えば、前回算出した平均値＜ｗ_ｉｊ＞との差分値の絶対値が予め設定した値よりも小さくなったときに平均値＜ｗ_ｉｊ＞が収束し、関数Ｅ（Ｗ）が最大化したと判断する。
次に、個別変換変数算出部１０５は、重み係数ｗ_ｉｊは最大化した関数Ｅ（Ｗ）のヘシアンＥ’’の逆行列Ｅ’’^−１を共分散行列Ｓとして算出する。この共分散行列Ｓは、行列要素として共分散Ｓ_ｉｉ ^ｊｊを含む行列である。その後、ステップＳ３０３に進む。

（ステップＳ３０３）個別変換変数算出部１０５は、与えられた脳活動信号ｘ_msrd、脳活動信号ｙ_msrd及び重み係数ｗ_ｉｊの事後分布Ｑ（Ｗ）のもとで、関連性係数α_ｉｊの事後分布Ｑ（Ａ）を更新する。個別変換変数算出部１０５は、関連性係数α_ｉｊが自由度（ｄｅｇｒｅｅ ｏｆ ｆｒｅｅｄｏｍ）１／２のガンマ分布Γ（１／２，＜α_ｉｊ＞）に従って分布していると仮定し、事後分布Ｑ（Ａ）を定める関連性係数α_ｉｊの平均値＜α_ｉｊ＞を更新する。
個別変換変数算出部１０５は、式（８）を用いて平均値＜α_ｉｊ＞を更新する。

個別変換変数算出部１０５は、解を早く収束させるために式（８）の代わりに式（９）を用いて平均値＜α_ｉｊ＞を更新してもよい。

その後、ステップＳ３０４に進む。

（ステップＳ３０４）個別変換変数算出部１０５は、関連性係数の平均値＜α_ｉｊ＞が各々予め設定した閾値を超えるか否か判断し、そのような関連性係数の平均値＜α_ｉｊ＞の有無を判断する。個別変換変数算出部１０５は、予め設定した閾値（例えば、１０^８）を超える関連性係数の平均値＜α_ｉｊ＞があると判断したとき（ステップＳ３０４ Ｙ）、ステップＳ３０５に進む。個別変換変数算出部１０５は、予め設定した閾値を超える関連性係数の平均値＜α_ｉｊ＞がないと判断したとき（ステップＳ３０４ Ｎ）、ステップＳ３０６に進む。

（ステップＳ３０５）個別変換変数算出部１０５は、予め設定した閾値（を超える関連性係数の平均値＜α_ｉｊ＞に対応する次元の重み係数ｗ_ｉｊを以降の処理において除外する。具体的には、個別変換変数算出部１０５は、その次元の重み係数ｗ_ｉｊ及びその平均値＜ｗ_ｉｊ＞を常に０とする。これにより、脳活動信号ｘ_msrdに含まれるボクセルｊの要素信号が脳活動信号ｙ_msrdに含まれるボクセルｉの要素信号に対する関連性の度合いが低い重み係数ｗ_ｉｊが除外される。その後、ステップＳ３０６に進む。

（ステップＳ３０６）個別変換変数算出部１０５は、関連性係数の平均値＜α_ｉｊ＞、重み係数の平均値＜ｗ_ｉｊ＞、又は共分散Ｓ_ｉｊが収束したか否か判断する。個別変換変数算出部１０５は、収束したか否か判断するために、これらの係数の全て又は一部について、前回の値との差分の絶対値が予め設定した閾値よりも小さいか否かをもって判断する。
個別変換変数算出部１０５は、関連性係数の平均値＜α_ｉｊ＞、重み係数の平均値＜ｗ_ｉｊ＞、又は共分散Ｓ_ｉｊが収束したと判断した場合（ステップＳ３０６ Ｙ）、算出した重み係数の平均値＜ｗ_ｉｊ＞を原利用者と目標利用者との個別変換行列Ｗとして個別変換変数記憶部１０６に記憶し、処理を終了する。即ち、記憶された個別変換行列Ｗは算出した重み係数の平均値＜ｗ_ｉｊ＞を要素（重み係数ｗ_ｉｊ）として含む。
個別変換変数算出部１０５は、関連性係数の平均値＜α_ｉｊ＞、重み係数の平均値＜ｗ_ｉｊ＞、又は共分散Ｓ_ｉｊが収束していないと判断した場合（ステップ３０６ Ｎ）、ステップＳ３０２へ進む。

なお、個別変換変数算出部１０５は、ステップＳ３０６において関連性係数の平均値＜α_ｉｊ＞、重み係数の平均値＜ｗ_ｉｊ＞、又は共分散Ｓ_ｉｊが収束したか否か判断する代わりに、予め設定した繰り返し回数に達したか否か判断してもよい。この場合、個別変換変数算出部１０５は、その回数に達したと判断したとき処理を終了し、その回数に達していない判断したときステップＳ３０２へ進む。

なお、個別変換変数算出部１０５及び個別変換部１０７が、重み係数の偏り値ｗ_ｉ０を考慮して、脳活動信号の要素信号値ｙ_ｉ_estmを、式（１０）のように算出する場合には、上述のスパース推定処理において、その偏り値ｗ_ｉ０に対応する関連性係数α_ｉ０、それらの平均値＜ｗ_ｉ０＞及び＜α_ｉ０＞、を設定及び算出する。

その場合、式（５）、（６）及び（７）における偏り値ｗ_ｉｊ及び関連性係数α_ｉｊのインデックスｊは、最小値は１ではなく０である。

なお、上述の説明では、線形のスパース回帰を用いて個別変換変数を算出し、算出した個別変換変数を用いて脳活動信号を線形変換する例について説明したが、本実施形態では、線形変換の代わりに非線形変換を行ってもよい。本実施形態では、非線形変換を行う際に、例えばカーネル法を用いることができる。
また、従来、原利用者に共通のモデルを用いて脳活動信号を変換する試みがなされていたが、本実施形態では原利用者によって異なる個別変換変数をモデルとして用いる。そのため、本実施形態では原利用者によって非線形変換を行うか、線形変換を行うか、変換方式を使い分けることもできる。

なお、上述の説明では、提示情報分類モデル生成部１０８は、目標利用者の脳活動信号ｙ_msrd（計測値）と提示情報識別符号に基づいて提示情報分類モデルを生成し、提示情報分類部１１２１は、脳活動信号ｙ_estm（推定値）と生成された提示情報分類モデルに基づき算出した提示情報毎の確率を用いて提示情報を弁別する例を挙げた。
本実施形態では、これには限られず、提示情報分類モデル生成部１０８は、目標利用者のｙ_msrd（計測値）の代わりに、このｙ_msrd（計測値）に基づき個別変換部１０７が生成した脳活動信号ｙ_estm（推定値）と提示情報識別符号に基づいて提示情報分類モデルを生成してもよい。この場合において、提示情報分類部１１２１は、脳活動信号ｙ_estm（推定値）と生成された提示情報分類モデルに基づき算出した提示情報毎の確率を用いて提示情報を弁別してもよい。

また、上述の説明では、提示情報再現モデル生成部１１０は、目標利用者の脳活動信号ｙ_msrd（計測値）、提示情報識別符号及び局所基底画像に基づいて提示情報再現モデルを生成し、提示情報再現部１１２２は、脳活動信号ｙ_estm（推定値）と生成された提示情報再現モデルに基づき提示情報を再構成する例を挙げた。
本実施形態では、これには限られず、提示情報再現モデル生成部１１０は、目標利用者のｙ_msrd（計測値）の代わりに、このｙ_msrd（計測値）に基づき個別変換部１０７が生成した脳活動信号ｙ_estm（推定値）と提示情報識別符号及び局所規定画像に基づいて提示情報再現モデルを生成してもよい。この場合において、提示情報再現部１１２２は、脳活動信号ｙ_estm（推定値）と生成された提示情報再現モデルに基づき提示情報を再構成してもよい。

次に、本実施形態に係る脳活動推定装置１において上述の処理を行って検証した結果について説明する。検証では、利用者は３名であり、いずれも被計測者３名としてインフォームド・コンセントを得て脳計測信号を取得した。個別変換情報及び提示情報再現モデルを生成する際には、情報提示部１０３は、提示情報として、図６の画像ｉｔ１−ｉｔ４又はこれに類するランダムドットパターンをランダムな順序で提示した。これは、脳全体の活動を活性化させ、活動が特定の部位にのみに偏ることを避けるためである。例えば、右側にのみ表示された画像を提示した場合に、左側に表示された画像に対する脳活動信号が計測又は推定できなくなることを避けるためである。
また、提示情報分類モデルの生成及び原利用者の脳活動信号を計測する際には、情報提示部１０３は、図７の画像ｉｐ１−ｉｐ５の５種類の静止画のうち、いずれか１種類を提示情報としてランダムな順序で提示した。提示したランダムドットパターン及び画像ｉｐ１−ｉｐ５画素数は、各々水平方向１０画素×垂直方向１０画素である。

１回あたりの提示情報の提示時間は１２秒である。提示情報を提示した後に、１２秒の休憩時間を挿入した。１２秒の各提示時間の間に、脳活動計測部１０１脳活動信号をその都度取得する。取得した脳活動信号に含まれるボクセル数は１０００である。
検証においては、各被計測者について脳活動推定装置１を動作して図１０に示す脳活動計測処理及び図１１に示す脳活動推定処理を行った。

図１３は、本実施形態に係る脳活動信号間における相関の一例を示す表である。
図１３の最上行は、原利用者として第２列から第４列へ順に被計測者１−３を示す。図１３の最左列は、目標利用者として第２行から第４行へ順に被計測者１−３を示す。図１３の最上行から２行目以降の各行及び最左列から２列目以降の各欄は、ボクセル間の相関係数（ｖｏｘｅｌ−ｗｉｓｅ ｃｏｒｒｅｌａｔｉｏｎ）の平均値と括弧内に標準偏差（ｓｔａｎｄａｒｄ ｄｅｖｉａｔｉｏｎ）を示す。この相関係数は、個別変換部１０７が原利用者の脳活動信号に基づき推定した目標利用者の脳活動信号のボクセル毎の要素信号値と、脳活動計測部１０１が取得した目標利用者の脳活動信号のボクセル毎の要素信号値に基づいて算出した相関係数である。

図１３に示すように、原利用者が被計測者１、目標利用者が被計測者２の場合には、ボクセル間の相関関数の平均値は０．４２、標準偏差は０．１５である。原利用者が被計測者１、目標利用者が被計測者３の場合には、ボクセル間の相関関数の平均値は０．１９、標準偏差は０．２３である。原利用者が被計測者２、目標利用者が被計測者１の場合には、ボクセル間の相関関数の平均値は０．５４、標準偏差は０．１２である。原利用者が被計測者２、目標利用者が被計測者３の場合には、ボクセル間の相関関数の平均値は０．１５、標準偏差は０．２１である。原利用者が被計測者３、目標利用者が被計測者１の場合には、ボクセル間の相関関数の平均値は０．４９、標準偏差は０．１４である。原利用者が被計測者３、目標利用者が被計測者２の場合には、ボクセル間の相関関数の平均値は０．３１、標準偏差は０．１８である。

この結果に対して、統計学的仮説検定方法（ｓｔａｔｉｓｔｉｃａｌ ｈｙｐｏｔｈｅｓｉｓ ｔｅｓｔｉｎｇ）の１つであるウィルコクソンの符号順位検定（Ｗｉｌｃｏｘｓｏｎ ｓｉｇｎｅｄ−ｒａｎｋ ｔｅｓｔ）を行うと検定指標のｐ値は０．０１未満となる。従って、図１３に示す結果は、推定した脳活動信号と計測した脳活動信号は有意に相関性を有することを示す。

図１４は、本実施形態に係る提示情報の正答率（ａｃｃｕｒａｃｙ ｏｆ ｃｌａｓｓｉｆｉｃａｔｉｏｎ）の一例を示す表である。
図１４の最上行は、原利用者として第２列から第４列へ順に被計測者１−３を示す。図１４の最左列は、目標利用者として第２行から第４行へ順に被計測者１−３を示す。図１４の最上行から２行目以降の各行及び最左列から２列目以降の各欄は、提示情報の正答率のパーセント値を示す。本検証において正答率は、原利用者の脳活動信号に基づき推定した目標利用者の脳活動信号を用いて提示情報分類部１１２１が弁別した提示情報の種類を正しく弁別した回数の全提示回数に対する割合である。

図１４によれば、原利用者が被計測者１、目標利用者が被計測者２の場合には、正答率は８４％である。原利用者が被計測者１、目標利用者が被計測者３の場合には、正答率は４９％である。原利用者が被計測者２、目標利用者が被計測者１の場合には、正答率は８７％である。原利用者が被計測者２、目標利用者が被計測者３の場合には、正答率は６２％である。原利用者が被計測者３、目標利用者が被計測者１の場合には、正答率は８６％である。原利用者が被計測者３、目標利用者が被計測者２の場合には、正答率は８２％である。
図１４に示すように、目標利用者が被計測者１及び被計測者２の場合には、正答率はいずれも８０％以上と高い正答率を示す。目標利用者が被計測者３の場合には、正答率が４９％又は６２％と比較的低い。しかし、その場合における正答率でも、偶然による正答率（ｃｈａｎｃｅ ｌｅｖｅｌ）である２０％よりも格段に高い。

図１５は、本実施形態に係る提示情報間における相関の一例を示す表である。
図１５の最上行は、原利用者として第２列から第４列へ順に被計測者１−３を示す。図１２の最左列は、目標利用者として第２行から第４行へ順に被計測者１−３を示す。図１２の最上行から２行目以降の各行及び最左列から２列目以降の各欄は、ピクセル間の相関係数（ｐｉｘｅｌ−ｗｉｓｅ ｃｏｒｒｅｌａｔｉｏｎ）の平均値と括弧内に標準偏差を示す。この相関係数は、提示情報再現部１１２２が推定した目標利用者の脳活動信号に基づき再構成した画像信号のピクセル毎の信号値と、情報提示部１０３が提示した提示情報のピクセル毎の信号値に基づいて算出した相関係数である。

図１５によれば、原利用者が被計測者１、目標利用者が被計測者２の場合には、ピクセル間の相関係数の平均値は０．７２、標準偏差は０．０８である。原利用者が被計測者１、目標利用者が被計測者３の場合には、ピクセル間の相関係数の平均値は０．６７、標準偏差は０．１３である。原利用者が被計測者２、目標利用者が被計測者１の場合には、ピクセル間の相関係数の平均値は０．７２、標準偏差は０．１２である。原利用者が被計測者２、目標利用者が被計測者３の場合には、ピクセル間の相関係数の平均値は０．６１、標準偏差は０．１５である。原利用者が被計測者３、目標利用者が被計測者１の場合には、ピクセル間の相関係数の平均値は０．６０、標準偏差は０．１４である。原利用者が被計測者３、目標利用者が被計測者２の場合には、ピクセル間の相関係数の平均値は０．５７、標準偏差は０．１３である。

この結果に対して、ウィルコクソンの符号順位検定を行うと評価指標のｐ値は０．０１未満となる。従って、図１５に示す結果は、推定した脳活動信号と計測した脳活動信号は有意に相関性を有することを示す。
なお、図１５に示す相関係数は、図１３に示す相関係数よりも総じて高い。これは、提示情報再現モデル１１０及び提示情報再現部１１２２が、式（８）を用いてコントラスト値を推定する際に偏り値を導入し、スパース推定において提示情報に対して関連性が低い脳活動信号の要素信号を除外するからである。

このように、本実施形態によれば、利用者に知覚可能な情報を提示し、前記利用者の脳活動を表す脳活動信号を取得し、第１の利用者の脳活動信号と第２の利用者の脳活動信号との相関関係を示す個別変換情報を算出する。これにより、第２の利用者である目標利用者の脳活動信号をじかに測定することなく推定するための個別変換情報を取得することができる。その結果、本実施形態によれば、従来は目標利用者に限られていた脳活動信号を利用した情報処理の適用範囲が拡大する。

また、本実施形態によれば、第１の利用者に知覚可能な情報を提示し、前記第１の利用者の脳活動を表す脳活動信号を取得し、前記第１の利用者の脳活動信号と第２の利用者の脳活動信号との相関関係を示す個別変換情報に基づいて前記取得した脳活動信号から前記第２の利用者の脳活動信号を推定する。これにより、第２の利用者である目標利用者の脳活動信号をじかに測定することなく推定することができる。その結果、本実施形態によれば目標利用者に限られていた脳活動信号を利用した情報処理の適用範囲が拡大する。

なお、脳活動信号を測定するためには多くのコスト及び時間を費やすが、本実施形態によれば、原利用者の脳活動信号に基づき目標利用者の脳活動信号を推定できるため、従来は、その都度測定していたコスト及び時間を大幅に削減できる。また、測定のために被測定者に対して、多くの拘束時間（例えば、数時間）、精神的、肉体的負担を強いていたが、本実施形態によれば、これらの負担を軽減することができる。

なお、上述した実施形態における脳活動推定装置１は、脳活動計測部１０１を２個以上備え、同時に２名以上の利用者から脳活動信号を取得できるようにしてもよい。

なお、上述した実施形態における脳活動推定装置１の一部、例えば、個別変換変数算出部１０５、個別変換部１０７、提示情報分類モデル生成部１０８、提示情報再現モデル生成部１１０、ノイズ除去部１１４、提示情報分類部１１２１及び提示情報再現部１１２２をコンピュータで実現するようにしても良い。その場合、この制御機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現しても良い。なお、ここでいう「コンピュータシステム」とは、脳活動推定装置１に内蔵されたコンピュータシステムであって、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでも良い。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。
また、上述した実施形態における脳活動推定装置１の一部、または全部を、ＬＳＩ（Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ）等の集積回路として実現しても良い。脳活動推定装置１の各機能ブロックは個別にプロセッサ化してもよいし、一部、または全部を集積してプロセッサ化しても良い。また、集積回路化の手法はＬＳＩに限らず専用回路、または汎用プロセッサで実現しても良い。また、半導体技術の進歩によりＬＳＩに代替する集積回路化の技術が出現した場合、当該技術による集積回路を用いても良い。

以上、図面を参照してこの発明の一実施形態について詳しく説明してきたが、具体的な構成は上述のものに限られることはなく、この発明の要旨を逸脱しない範囲内において様々な設計変更等をすることが可能である。

１…脳活動推定装置、
１０１…脳活動計測部、
１０１１…計測信号生成部、１０１２…計測信号送信部、１０１３…脳活動信号受信部、
１０２…提示情報記憶部、１０３…情報提示部、１０４…脳活動信号記憶部、
１０５…個別変換変数算出部、１０６…個別変換変数記憶部、１０７…個別変換部、
１０８…提示情報分類モデル生成部、１０９…提示情報分類モデル記憶部１０９、
１１０…提示情報再現モデル生成部、１１１…提示情報再現モデル記憶部、
１１２…変換情報処理部、１１２１…提示情報分類部、１１２２…提示情報再現部、
１１４…ノイズ除去部

Claims (3)

1. 利用者に知覚可能な情報を提示する情報提示部と、
   前記利用者の脳活動を表す脳活動信号を取得する脳活動計測部と、
   第１の利用者の脳活動信号と第２の利用者の脳活動信号との相関関係を示す個別変換情報を算出する個別変換情報算出部と、
   を備えることを特徴とする脳活動計測装置。
2. 脳活動推定装置における方法において、
   前記脳活動推定装置が、利用者に知覚可能な情報を提示する第１の過程と、
   前記脳活動推定装置が、前記利用者の脳活動を表す脳活動信号を取得する第２の過程と、
   前記脳活動推定装置が、第１の利用者の脳活動信号と第２の利用者の脳活動信号との相関関係を示す個別変換情報を算出する過程と、
   を有することを特徴とする脳活動計測方法。
3. 第１の利用者に知覚可能な情報を提示する情報提示部と、
   前記第１の利用者の脳活動を表す脳活動信号を取得する脳活動計測部と、
   前記第１の利用者の脳活動信号と第２の利用者の脳活動信号との相関関係を示す個別変換情報に基づいて前記取得した脳活動信号から前記第２の利用者の脳活動信号を推定する個別変換部と、
   を備えることを特徴とする脳活動推定装置。