JP6013438B2 - 脳疾患診断支援システム、脳疾患診断支援方法及びプログラム - Google Patents

脳疾患診断支援システム、脳疾患診断支援方法及びプログラム Download PDF

Info

Publication number
JP6013438B2
JP6013438B2 JP2014248953A JP2014248953A JP6013438B2 JP 6013438 B2 JP6013438 B2 JP 6013438B2 JP 2014248953 A JP2014248953 A JP 2014248953A JP 2014248953 A JP2014248953 A JP 2014248953A JP 6013438 B2 JP6013438 B2 JP 6013438B2
Authority
JP
Japan
Prior art keywords
brain
data
feature data
disease
learning data
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.)
Active
Application number
JP2014248953A
Other languages
English (en)
Other versions
JP2016106940A (ja
Inventor
百瀬　公久
公久 百瀬
和則 垣本
和則 垣本
央 松永
央 松永
尚志 奥山
尚志 奥山
敏夫 堤田
敏夫 堤田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NTT Data I Corp
Original Assignee
NTT Data I Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by NTT Data I Corp filed Critical NTT Data I Corp
Priority to JP2014248953A priority Critical patent/JP6013438B2/ja
Priority to PCT/JP2015/082844 priority patent/WO2016093048A1/ja
Priority to EP15867759.1A priority patent/EP3216392A4/en
Priority to US15/533,218 priority patent/US20170340262A1/en
Publication of JP2016106940A publication Critical patent/JP2016106940A/ja
Application granted granted Critical
Publication of JP6013438B2 publication Critical patent/JP6013438B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Neurology (AREA)
  • Psychology (AREA)
  • Psychiatry (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Child & Adolescent Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Developmental Disabilities (AREA)
  • Neurosurgery (AREA)
  • Physiology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Description

本発明は、脳疾患診断支援システム、脳疾患診断支援方法及びプログラムに関する。
高齢化社会の到来に伴い、脳疾患の一つである認知症への対策が求められている。以降については認知症を例として記載する。認知症は、投薬によって病気の進行を遅らせたり、手術によって改善できる場合がある。これら認知症への効果的な対策を行うためには、認知症の早期発見が重要となる。
例えば、特許文献１には、脳波の周波数全域において、大脳皮質内のニューロン機能が低下すると、ニューロン活動が不安定になり、この影響が局所的な脳波パワーのゆらぎとして現れることを用いて、脳の活動を測定する装置が開示されている。この技術では、被験者の頭部の複数の位置に取り付けたセンサが検出した脳波を所定の周波数帯域ごとに規格化した値（以下、脳波特徴データという）の平均値や標準偏差を求め、正常者集団について同様にして求めた脳波特徴データの平均値と比較し、被験者の平均値のＺスコアを求める。そして、被験者のＺスコアに基づいて、被験者の脳機能の低下部分を示すことができる。
また、特許文献１には、同様の方法を用いて、アルツハイマー型認知症患者の集団についてのＺスコアを算出し、これを当該疾患の特徴を示すテンプレートとして、個々の被験者のＺスコアと当該テンプレートとの相関係数を求めることで、その類似性を数値的に表示できることが記載されている。
特許第４１４５３４４号公報
しかし、特許文献１の方法には、次のような問題点がある。例えば、特許文献１の方法では、Ｚスコアによって被験者の脳波特徴データと、正常者集団の脳波特徴データ又はアルツハイマー型認知症患者の集団の脳波特徴データとの類似性を判定している。Ｚスコアによって判定する場合、母集団が正規分布に従うことが前提となる。しかし、正常者集団の脳波特徴データやアルツハイマー型認知症患者の集団の脳波特徴データが、正規分布に従う保証はない。従って、Ｚスコアを用いるためには、母集団のデータが正規分布に従うように、試行錯誤を行いながら適切なデータを抽出しなければならない可能性がある。さらに、脳波は、国際標準で１９ヶ所の測定を行うことになっており、また、例えば特許文献１の方法では、さらに２ヶ所を追加した計２１ヶ所で測定を行っているが、何れの場合も脳波特徴データは、多次元となり、複数の多次元データの中から正規分布に従うような適切なデータを抽出することには困難さが伴う。
また、被験者の脳波特徴データと、正常者集団の脳波特徴データ又はアルツハイマー型認知症患者の集団の脳波特徴データとの類似性を、脳波特徴データの平均値同士の距離で判定しているが、正常者集団の脳波特徴データの平均値は、必ずしも正常者の脳波特徴データの特性を示す値に収束するとは限らない。同様に、アルツハイマー型認知症患者集団の脳波特徴データの平均値は、必ずしもアルツハイマー型認知症患者の脳波特徴データの特性を示す値に収束するとは限らない。このことを、図１１を用いて説明する。説明の便宜上、２つの脳波特徴データを用いる場合を例に説明を行う。縦軸（ｙ１軸）、横軸（ｙ２軸）は、それぞれ脳波特徴データを示している。すると、ある者の脳波特徴データは、２つの脳波特徴データの値を座標値に持つ点で表すことができる。三角で示された点を、正常者（ＮＬ）の脳波特徴データとする。丸で示された点をアルツハイマー型認知症患者（ＡＤ）と診断された患者の脳波特徴データとする。また、星型で示された点を被験者の脳波特徴データとする。このとき、ＮＬの平均値は、符号３１が示す点で表される。ＡＤの平均値は、符号３２が示す点で表される。
ここで、被験者の脳波特徴データを、正常者とアルツハイマー患者それぞれの脳波特徴データの平均値に基づいて、正常者、アルツハイマー患者のどちらかに分類することを考える。被験者の脳波特徴データをＮＬ、ＡＤのどちらに分類する方法の一例として、ＮＬの平均値、ＡＤの平均値をそれぞれＮＬ、ＡＤの代表値とし、被験者の脳波特徴データとそれらの代表値との距離を比較し、距離が近い方に被験者の脳波特徴データを分類するものとする。例えば、被験者１の脳波特徴データ（符号３３）は、ＡＤの平均値（符号３２）に近い。また、被験者４の脳波特徴データ（符号３４）は、ＮＬの平均値（符号３１）に近い。しかし、被験者１の脳波特徴データ（符号３３）の近くには、一つのＮＬの脳波特徴データ（符号３５）が存在する。また、被験者４の脳波特徴データ（符号３４）の近くには、一つのＡＤの脳波特徴データ（符号３６）が存在する。特許文献１の方法によると、このような場合でも、被験者１（符号３３）を、ＡＤと判定し、被験者４（符号３４）は、ＮＬと判定する可能性があるが、脳波特徴データの平均値が、ある症状やある活動状態の脳波特徴データの特性を正しく示す代表値であるとは限らない。また、上述のように脳波特徴データは、多次元であり、そのような多次元データの代表値を平均算出で適切に収束させることは困難であるという問題もある。
そこでこの発明は、上述の課題を解決することのできる脳疾患診断支援システム、脳疾患診断支援方法及びプログラムを提供することを目的としている。
本発明の第１の態様は、脳波からその脳波の特徴量を抽出した脳波特徴データに、当該脳波特徴データに対応する脳疾患の状態を示す疾患情報を付した学習データを複数取得し、それらの学習データを、各学習データに含まれる脳波特徴データに基づいてクラスタリングして所定の数のクラスタに分類し、さらに、同じクラスタに分類された一つまたは複数の前記学習データを、各学習データに付された疾患情報に基づいて分類することにより脳疾患の判定を行う評価モデルを算出する評価モデル算出部と、被験者の脳波特徴データを取得し、当該脳波特徴データが前記クラスタのうち、どのクラスタに所属するかを判定し、所属すると判定したクラスタにおける前記評価モデルに基づいて、前記被験者の脳波特徴データが示す脳疾患の判定を行う判定部と、を備える脳疾患診断支援システムである。
本発明の第２の態様における前記評価モデル算出部は、前記クラスタに含まれる学習データについて、疾患情報の種類ごとに、それぞれの疾患情報が付された学習データの割合を算出し、前記判定部は、前記被験者の脳波特徴データが所属すると判定したクラスタにおける前記割合に基づいて前記被験者の脳波特徴データが示す脳疾患の判定を行う。
本発明の第３の態様における前記評価モデル算出部は、各学習データに付された疾患情報の種類ごとに前記クラスタに含まれる学習データを分離する境界情報を算出し、前記判定部は、前記被験者の脳波特徴データが所属すると判定したクラスタにおける前記境界情報に基づいて、前記被験者の脳波特徴データが示す脳疾患の判定を行う。また、前記評価モデル算出部は、前記クラスタに分類された学習データに含まれる複数の特徴量のうち、機械学習によって抽出された特徴量のみを用いて前記境界情報を算出してもよい。
本発明の第４の態様における前記評価モデル算出部は、脳波特徴データから機械学習によってクラスタリングに有効な特徴量を抽出し、当該抽出した特徴量のみを用いてクラスタリングを行う。
本発明の第５の態様における前記評価モデル算出部は、生成するクラスタの数を変化させながら繰り返しクラスタリングを行い、生成したクラスタに分類される学習データに応じて前記評価モデルを算出し、前記判定部は、それぞれの前記評価モデルに基づいて脳疾患の判定を行う。
本発明の第９の態様は、脳疾患診断支援システムが、脳波からその脳波の特徴量を抽出した脳波特徴データに、当該脳波特徴データに対応する脳疾患の状態を示す疾患情報を付した学習データを複数取得し、それらの学習データを、各学習データに含まれる脳波特徴データに基づいてクラスタリングして所定の数のクラスタに分類し、さらに、同じクラスタに分類された一つまたは複数の前記学習データを、各学習データに付された疾患情報に基づいて分類することにより脳疾患の判定を行う評価モデルを算出するステップと、被験者の脳波特徴データを取得し、当該脳波特徴データが前記クラスタのうち、どのクラスタに所属するかを判定し、所属すると判定したクラスタにおける前記評価モデルに基づいて、前記被験者の脳波特徴データが示す脳疾患の判定を行うステップと、を有する脳疾患診断支援方法である。
本発明の第１０の態様は、脳疾患診断支援システムのコンピュータを、脳波からその脳波の特徴量を抽出した脳波特徴データに、当該脳波特徴データに対応する脳疾患の状態を示す疾患情報を付した学習データを複数取得し、それらの学習データを、各学習データに含まれる脳波特徴データに基づいてクラスタリングして所定の数のクラスタに分類し、さらに、同じクラスタに分類された一つまたは複数の前記学習データを、各学習データに付された疾患情報に基づいて分類することにより脳疾患の判定を行う評価モデルを算出する手段、被験者の脳波特徴データを取得し、当該脳波特徴データが前記クラスタのうち、どのクラスタに所属するかを判定し、所属すると判定したクラスタにおける前記評価モデルに基づいて、前記被験者の脳波特徴データが示す脳疾患の判定を行う手段、として機能させるためのプログラムである。
本発明によれば、被験者の脳波に基づいて、その被験者が脳疾患を患っているかどうかの判定を、複数の脳疾患について同時に行うことができる。また、脳疾患の判定に用いる評価モデルの作成を自動的に行うことができるので、テンプレート作成の手間を省くことができる。
本発明に係る第一実施形態における脳疾患診断支援装置のブロック図である。 本発明に係る第一実施形態における脳疾患診断支援装置による境界情報の算出処理の説明に用いる第一の図である。 本発明に係る第一実施形態における脳疾患診断支援装置による境界情報の算出処理の説明に用いる第二の図である。 本発明に係る第一実施形態における脳疾患診断支援装置による評価処理の説明に用いる図である。 本発明に係る第一実施形態における脳疾患診断支援装置を用いた脳波特徴データの評価処理のフローチャートである。 本発明に係る第一実施形態における脳波を測定する電極の配置の一例を示す図である。 本発明に係る第一実施形態における脳疾患診断支援装置で用いる特徴量の一例を示す図である。 本発明に係る第二実施形態における脳疾患診断支援装置による評価処理の説明に用いる第一の図である。 本発明に係る第二実施形態における脳疾患診断支援装置による評価処理の説明に用いる第二の図である。 本発明に係る第二実施形態における脳疾患診断支援装置を用いた脳波特徴データの評価処理のフローチャートである。 従来の認知症診断方法を説明する図である。
＜第一実施形態＞
以下、本発明の第一実施形態による脳疾患診断支援装置を図１〜図７を参照して説明する。
図１は、本発明に係る第一実施形態における脳疾患診断支援装置のブロック図である。
この図において、符号１０は、脳疾患診断支援装置を表している。脳疾患診断支援装置１０は、被験者の脳波に基づいて被験者が認知症を患っている確率を提示するシステムである。脳疾患診断支援装置１０は、この機能を実現するプログラムを実行することができる例えばＰＣやサーバ装置である。
図１が示すように脳疾患診断支援装置１０は、脳波特徴データ取得部１１、操作受付部１２、評価モデル算出部１３、判定部１４、記憶部１５、表示部１６、を備えている。
脳波特徴データ取得部１１は、被験者の脳波特徴データを取得する。脳波特徴データとは、被験者の脳波からその脳波の特徴量を抽出したデータである。脳波は、例えば、国際１０−２０法に基づいて被験者の頭部の所定の位置に配置された電極のうち、耳朶に配置された電極とそれ以外の電極との間の電位差の変動を記録したデータである。また、脳波の特徴量とは、例えば、電極を配置した位置ごとに測定した電位における複数の周波数帯それぞれにおける電位の２乗（ｓＮＡＴ）、隣接する周波数帯間でのｓＮＡＴの比（脳波の滑らかさ）である。また、脳波特徴データ取得部１１は、脳波特徴データにその脳波特徴データがどのような脳疾患を持つ者の脳波特徴データであるかを示す疾患情報を付した学習データを取得する。脳疾患の種類には、例えば、正常（脳疾患を持たない）、アルツハイマー型認知症、血管性認知症、レビー小体型認知症、鬱、統合失調症などがある。
操作受付部１２は、オペレータの脳疾患診断支援装置１０への指示操作を受け付ける。指示操作とは、例えば、脳波特徴データの取り込みを指示する操作や、その脳波特徴データの評価を行うことを指示する操作などである。
評価モデル算出部１３は、脳波特徴データ取得部１１が取得した複数の学習データを機械学習することにより、脳疾患の判定に用いる評価モデルを算出する。例えば、本実施形態では、複数の学習データを、各学習データに付された疾患情報の種類ごとに分離する境界情報を算出する。評価モデル算出部１３が用いる機械学習は、例えば、ＳＶＭ（Support Vector Machine）である。境界情報とは、例えば、正常者の脳波特徴データとアルツハイマー型認知症患者の脳波特徴データを分離する分離境界面を示す関数である。
判定部１４は、被験者の脳波特徴データを取得し、評価モデル算出部１３が算出した評価モデルに基づいて、被験者の脳波特徴データが示す脳疾患の判定を行う。例えば、本実施形態では、学習データに基づいて評価モデル算出部１３が算出した境界情報に基づいて、ある被験者の脳波特徴データを評価する。評価とは、例えば、ある被験者の脳波特徴データが、複数の脳疾患のうち、どの脳疾患であるのかを判定したり、その被験者の脳波特徴データが判定した脳疾患であることを示す確率を算出したりすることである。
記憶部１５は、複数の被験者の脳波特徴データや、評価モデル算出部１３が算出した境界情報など、種々の情報を記憶する。
表示部１６は、判定部１４の評価結果を、脳疾患診断支援装置１０に接続された表示装置に出力する。
図２〜図３を用いて、本発明に係る第一実施形態における境界情報の算出処理について説明する。
図２は、本発明に係る第一実施形態における脳疾患診断支援装置による境界情報の算出処理の説明に用いる第一の図である。
まず、脳波の特徴量（測定電極位置の脳波周波数別の強さ等）をｙ個セットにした「脳波特徴データ」（＝ＢＦ)と、その被験者の疾患状態を示す「疾患情報（Ｌａｂｅｌ）」を一組にした「学習データ」をｘ個準備する。疾患情報は、例えばアルツハイマー型認知症ならＡＤ、正常者であればＮＬと付する。なお、本実施形態において正常者とは、アルツハイマー型認知症を患っていない者を意味するものとする。
するとｘ個の被験者の学習データ（ＬＤｘ）は、例えば、以下のように表される。
ＬＤ１=ＢＦ｛ｐ１１,ｐ１２,ｐ１３・・・・・ｐ１ｙ}、Ｌａｂｅｌ"ＡＤ"
ＬＤ２=ＢＦ｛ｐ２１,ｐ２２,ｐ２３・・・・・ｐ２ｙ}、Ｌａｂｅｌ"ＮＬ"
・
・
ＬＤｘ=ＢＦ｛ｐｘ１,ｐｘ２,ｐｘ３・・・・・ｐｘｙ｝、Ｌａｂｅｌ"ＡＤ“
説明の便宜上、ここではｙ＝２の場合を例に説明を行う。図２は、複数のアルツハイマー型認知症患者及び正常者の学習データ（ｙ＝２）を２次元空間にマッピングした図である。この図において丸点及び三角点のそれぞれは、ある１人の者の学習データを示している。丸点は、アルツハイマー型認知症患者（ＡＤ）の学習データである。三角点は、正常者（ＮＬ）の学習データである。縦軸の値は、脳波特徴データを構成する第一の脳波の特徴量、横軸の値は、脳波特徴データを構成する第二の脳波の特徴量を示している。例えば、符号２１を付した丸点２１は、この者の脳波の第一の特徴量が「ｙ１ａ」、第二の特徴量が「ｙ２ａ」、疾患情報が「ＡＤ」であることを示している。
評価モデル算出部１３は、まず予め準備された複数の被験者の学習データを取り込む。
図３は、本発明に係る第一実施形態における脳疾患診断支援装置による境界情報の算出処理の説明に用いる第二の図である。
評価モデル算出部１３は、複数の学習データを取り込むと、それぞれの学習データに含まれる脳波特徴データ（ＢＦ）を「ｙ（＝２）次元のデータ」とみなし、これに機械学習の演算を行うことによって、「ＡＤらしい値」と「ＮＬらしい値」の境界情報を算出する。これは、たとえばサポートベクターマシン（以下、ＳＶＭ：Support Vector Machine）という機械学習論理によって実現可能である。境界情報は、例えば分離境界面を示す関数として算出される。評価モデル算出部１３は、算出した境界情報を記憶部１５に書き込んで記憶させる。図３の場合、境界情報は、例えば、境界線２２で表される。
評価モデル算出部１３が複数の学習データから境界情報を算出し、記憶部１５に記録すると、脳疾患診断支援装置１０は、疾患情報が付されていない脳波特徴データ（ＢＦｘ）について、ＢＦｘが、ＡＤ、ＮＬの何れであるか、また、そのときＡＤ又はＮＬである確率がどの程度であるかを評価できるようになる。
図４は、本発明に係る第一実施形態における脳疾患診断支援装置による評価処理の説明に用いる図である。
評価モデル算出部１３が境界情報を算出すると、オペレータが、診断すべき被験者の脳波特徴データ「ＢＦｘ」を脳疾患診断支援装置１０に投入する。脳波特徴データ取得部１１は、脳波特徴データ「ＢＦｘ」を取得し、判定部１４に出力する。判定部１４は、評価モデル算出部１３が算出した境界情報を記憶部１５から読み出し、脳波特徴データ「ＢＦｘ」が、算出された境界のどちらに分類されるかを判定する。また、判定部１４は、脳波特徴データ「ＢＦｘ」が境界からどのくらい遠いかによって、診断すべき被験者の脳波特徴データがＡＤ又はＮＬである確率を算出することができる。
図４において、被験者１の脳波特徴データＢＦ１（符号２３）の場合、ＢＦ１はＮＬ領域に存在し、境界線２２から遠いため、判定部１４は、ＢＦ１はＮＬの確率が大で、その確率は例えば７０％と評価する。また、被験者２の脳波特徴データＢＦ２（符号２４）の場合、ＢＦ２はＮＬ領域に存在し、境界線２２から近いため、判定部１４は、ＢＦ２はＮＬである確率が高い（例えば６０％など）が、誤識別の可能性ありと評価する。同様に被験者３の脳波特徴データＢＦ３（符号２５）の場合、ＢＦ３はＡＤ領域に存在し、境界線２２から遠いため、判定部１４は、ＢＦ３はＡＤの可能性が大で、その確率は例えば８０％と評価する。同様に被験者４の脳波特徴データＢＦ４（符号２６）の場合、ＢＦ４はＡＤ領域に存在し、境界線２２から近いため、判定部１４は、ＢＦ４はＮＬの確率が高い（例えば５５％など）が、誤識別の可能性ありと評価する。なお、７０％などの確率を表す数値は、例えばＳＶＭの手法で算出することが可能である。
このように本実施形態では、ＡＤとＮＬの境界情報を求め、その境界情報によってＡＤかＮＬであるかの評価を行う。その為、従来のように「平均的なＡＤ」、「平均的なＮＬ」を定めることによって、ＡＤやＮＬの特性をならしてしまう可能性があるという問題を回避することができる。また、機械学習の手法で境界情報を算出することができるので、ノウハウの蓄積により試行錯誤で適切なデータを抽出するような煩わしさが無い。また、本実施形態の脳波特徴データは、国際標準の国際１０−２０法による電極配置に２ヶ所を追加した、２１ヶ所で測定を行っており、さらにそれぞれの位置で測定された値についても複数の周波数特性ごとに分割したデータを用いるため、次元数（ｙ）が増加し、例えば、４２０次元などにもなるが、ＳＶＭなどの機械学習の手法を用いれば、多次元における境界面の関数を算出することができる。なお、本実施形態における電極配置の一例については、後に図６を用いて説明する。
図５は、本発明に係る第一実施形態における脳疾患診断支援装置を用いた脳波特徴データの統計的な評価処理のフローチャートである。
図５を用いて、脳疾患診断支援装置１０による境界情報の算出処理、認知症の評価処理について説明を行う。
前提として、脳疾患診断支援装置１０に接続された表示装置には、オペレータが操作するためのインタフェース画像が表示されており、インタフェース画像には、「境界情報を算出する」、「診断対象データを評価する」、「ＡＤの疾患情報を付す」、「ＮＬの疾患情報を付す」などのボタンが表示されており、オペレータがこれらのボタンをマウスで押下するなどの操作を行うことにより、脳疾患診断支援装置１０に処理の実行を指示することができるものとする。
まず、オペレータが、正常者やアルツハイマー型認知症患者の学習データを脳疾患診断支援装置１０に投入する。学習データは、例えば電子ファイルの形式で与えられ、１つの電子ファイルには、複数の正常者やアルツハイマー型認知症患者の学習データが含まれている。それぞれの学習データには、「ＡＤ」又は「ＮＬ」の疾患情報が付されているものとする。また、それぞれの学習データに含まれる特徴データは、例えば４２０次元のデータである。投入する学習データは、多い程好ましい。脳波特徴データ取得部１１は、学習データを取得し（ステップＳ１）、取得した学習データを記憶部１５へ書き込んで記憶させる。
次にオペレータが、「境界情報を算出する」と表示されたボタンを押下すると、操作受付部１２が、その操作を受け付け、評価モデル算出部１３に境界情報の算出を指示する。評価モデル算出部１３は、記憶部１５に書き込まれた学習データを読み出して、例えばＳＶＭの手法によって、読み込んだ学習データをＡＤとＮＬに分ける分離境界面の関数を算出する（ステップＳ２）。評価モデル算出部１３は、分離境界面を示す関数を算出すると、その関数（境界情報）を記憶部１５に書き込んで記憶させる。以上が境界情報の算出処理である。
次に新たな被験者の脳波特徴データについて評価処理を行う。まず、オペレータが、診断すべき被験者の脳波特徴データ（診断対象データ）を脳疾患診断支援装置１０に投入する。診断対象データは、例えば電子ファイルの形式で与えられる。１つの電子ファイルには、例えば１人の被験者の４２０次元の脳波特徴データが含まれている。脳波特徴データ取得部１１は、診断対象データを取得し（ステップＳ３）、取得した診断対象データを記憶部１５へ書き込んで記憶させる。
次にオペレータが、「診断対象データを評価する」と表示されたボタンを押下すると、操作受付部１２が、その操作を受け付け、判定部１４に診断対象データの評価を指示する。判定部１４は、記憶部１５に書き込まれた境界情報を用いて、例えばＳＶＭの手法によって診断対象データが、ＡＤとＮＬの何れであるか、また、その確率について評価を行う（ステップＳ４）。なお、確率とは、ＳＶＭにおいては、診断対象データの分離境界面からの距離に応じた値（確信度）である。
判定部１４は、評価した結果を表示部１６へ出力する。表示部１６は、被験者の診断対象データの評価結果を表示装置に表示する（ステップＳ５）。評価結果には、例えば、「診断対象データはＮＬである可能性が高く、その確率は７０％です」といった内容が表示される。
診断者（医師）は、表示部１６が表示した評価結果や、他に問診や検査などを行った結果を用いて総合的に被験者がアルツハイマー型認知症であるかどうかを診断する。脳疾患診断支援装置１０によれば、脳波特徴データから見たアルツハイマー型認知症である確率を医師に提示することができるので、医師による、患者がアルツハイマー型認知症であるか否かの診断を支援することができる。判定部１４による評価に要する時間は、数分程度であって、予め被験者の脳波特徴データを用意しておけば、医師は脳疾患診断支援装置１０による評価結果を速やかに得ることができる。また、脳波の計測装置は、ＭＲＩなど認知症の診断に用いられる他の医療装置よりも安価で、また、脳波の取得は、安全で繰り返し取得しても被験者の健康に与える問題が少ない。従って脳波による認知症などの脳疾患の診断を支援する本実施形態の脳疾患診断支援装置１０は、比較的小規模の医療機関でも導入しやすく、脳疾患診断支援装置１０を含む診断支援システムを導入することで、町の医療機関でも、社会的な問題になっているアルツハイマー型認知症を比較的容易に診断できるようになる。また、アルツハイマー型認知症の場合、他人から認知症と判断できる前に脳波に影響が出ることがわかっており、本実施形態の脳疾患診断支援装置１０を用いることにより、症状が出る前にアルツハイマー型認知症となる確率を知ることができるので、アルツハイマー型認知症の早期診断、早期対策にも役立てることができる。また、他人から見て認知症のような症状を発症しているが、それが本当に認知症なのか、あるいは老人性の鬱など認知症以外の症状なのか問診だけでは判断できない場合も多く、脳疾患診断支援装置１０は、見分けにくい症状を発症している患者のアルツハイマー型認知症の診断を支援する情報を提供する。
次に、医師が診断した脳波特徴データを学習データとして取り込んで、境界情報を再算出する処理を行う。医師が、診断対象データに対して診断を行うと、オペレータは、その診断結果を脳疾患診断支援装置１０に入力する。例えば、診断結果がＡＤの場合、オペレータは、「ＡＤの疾患情報を付す」ボタンを押下し、診断結果がＮＬの場合、オペレータは、「ＮＬの疾患情報を付す」ボタンを押下する。
すると、脳波特徴データ取得部１１は、そのボタン押下操作を受け付け（ステップＳ６）、押下されたボタンが示す疾患情報（ＡＤかＮＬか）と診断対象データとを対応付けて記憶部１５に書き込む。これにより、被験者の診断対象データに疾患情報が付されたことになり、新たな学習データが１件増えることになる。次に、オペレータは、「境界情報を生成する」と表示されたボタンを押下する。すると、評価モデル算出部１３は、ステップＳ１で記憶部１５に書き込まれた学習データに新たな学習データ１件を加えて、ステップＳ２の境界情報を生成する処理を再度行う。評価モデル算出部１３は、新たに算出した境界情報を記憶部１５に書き込んで記憶させる。所与の学習データに被験者の学習データを加えることで、学習データの数を増加させる。これにより、評価モデル算出部１３の算出する境界情報の精度・信頼性を高めることができる。
なお、表示部１６は、ステップＳ１において取得した学習データの選択画面を表示し、医師の指示等により、オペレータが学習データを選択できるようにしてもよい。脳波特徴データは、電極の配置位置のわずかな差や、頭部への装着加減によって異なる挙動を示す可能性がある。例えば、自施設で測定した脳波特徴データに基づいて本実施形態による評価を行うと望ましい結果が得られるが、全国的に収集した脳波特徴データを用いて評価を行うと好ましい結果が得られない可能性がある。そのような場合に、基準とする学習データを選択できるようにし、診断に役立つ学習データ群だけを選択することで、医師は、脳疾患診断支援装置１０をより有効に認知症の診断に役立てるようにすることができる。
また、選択する学習データのパターンを記憶部１５に登録することできるようにしてもよい。例えば、同じアルツハイマー型認知症でもいくつかのパターンが存在するようなことを医師が経験的に把握したような場合に、それぞれのパターンを検出するのに適した学習データ群を抽出してそれぞれ別のパターンとして登録し、それら異なるパターンを切り替えて学習データとして用いることで、１人の被験者の診断対象データをさまざまな観点から評価することが可能となり、医師は、より正確にアルツハイマー型認知症の診断を行うことができるようになる。
また、使用する脳波特徴データについても、例えば４２０次元の特徴量から任意の特徴量を選択できるようにし、脳波特徴データに含まれる全ての特徴量を用いるだけではなく、次に図６で例示する一部の特徴量だけを用いて境界情報算出処理や評価処理を行うようにしてもよい。また、一連の処理に用いる特徴データのパターンを登録できるようにし、それらのパターンを切り替えて境界情報算出処理などを行うことができるようにしてもよい。これにより、同じ学習データ群を用いて評価する場合であっても、さまざまな観点から評価を行うことができ、医師によるより細やかな診断を支援することができる。
また、分離境界面の関数を算出するステップＳ２において、主成分分析やＲａｎｄｏｍＦｏｒｅｓｔなどの手法を用いて、ＡＤとＮＬを分離するのに有効な特徴量を動的に抽出し、抽出した特徴量のみを用いて分離境界面の関数を算出するようにしてもよい。
次に、アルツハイマー型認知症の識別に有効と考えられる特徴量の一例について説明する。
図６は、本発明に係る第一実施形態における脳波を測定する電極の配置の一例を示す図である。
図６のＡ１，Ａ２、Ｆｐ１、Ｆｐ２、Ｆｐｚ、Ｆ７、Ｆ３、Ｆｚ、Ｆ４、Ｆ８、Ｔ３、Ｃ３、Ｃｚ、Ｃ４、Ｔ４、Ｔ５、Ｐ３、Ｐｚ、Ｐ４、Ｔ６、Ｏ１、Ｏｚ、Ｏ２、は被験者の頭部に配置する電極の配置位置である。Ａ１，Ａ２は、基準電極のため、実際にはＦｐ１〜Ｏ２の２１ヶ所の脳波が得られることになる。これらの電極から得られる脳波の４．６８Ｈｚ〜２０．２８Ｈｚをフーリエ変換にて１．５８Ｈｚ刻みに１１個に分解する。また、各周波数の電位を規格化した値を２乗する。これをｓＮＡＴとする。また、隣接する周波数についてｓＮＡＴの比を求め、これをｖＮＡＴとする。ここで、ｓＮＡＴについては、最後の周波数（２０．２８Ｈｚ）を除いた１０個の値を用いるとすると、各電極に対して１０個のｓＮＡＴと１０個のｖＮＡＴが得られる。電極の数が２１個なので全体で２１×１０×１０＝４２０次元の特徴量を得ることができる。なお、規格化とは、個人間のばらつきを抑えるために、被験者の例えば安静状態における脳波データと測定した脳波データとの差分値を計算することである。また、ｓＮＡＴやｖＮＡＴは、脳波特徴データを構成する特徴量の一例である。特徴量は、各電極位置で測定して得られる脳波データに基づいた他の物理量であってもよい。
図７は、本発明に係る第一実施形態における脳疾患診断支援装置で用いる特徴量の一例を示す図である。
図７の表に記載した各値は、上述の４２０次元の特徴量のうち、本実施形態の評価方法を行った結果、評価に有効であることが判明した特徴量である。
図７の表に記載した特徴量は、ＲａｎｄｏｍＦｏｒｅｓｔアルゴリズムによって得られた識別に有効な特徴量の一例である。例えば、図７に記載の３６次元の特徴量だけを用いて、本実施形態のアルツハイマー型認知症の評価処理を行うと、４２０次元の特徴量の全てを用いる場合と比較して、良好な結果が得られることがわかった。
なお、図７に記載した各値におけるピリオドの前の記号は、図６の電極の位置を示しており、ピリオドの後の数値は、ｓＮＡＴ又はｖＮＡＴの値を示している。具体的には、１〜９が低周波数から順番にｓＮＡＴ値を示し、１０〜１９が低周波数から順番にｖＮＡＴ値を示している。例えば、「Ｃ３．４」は、「Ｃ３」電極における低周波数から４番目のｓＮＡＴ値を示し、「Ｏ１．１７」は、「Ｏ１」電極における低周波数から７番目のｖＮＡＴ値を示している。
また、上記の説明ではアルツハイマー型認知症の診断支援を例に説明を行ったが、他の認知症、及び、鬱や統合失調症などの脳疾患症状に対しても、本実施形態の方法を適用してもよい。つまり、ある脳疾患を示す疾患情報を付した学習データと、その脳疾患を患っていない人の学習データをあらかじめ用意しておき、評価モデル算出部１３が、その脳疾患とそれ以外を分離する境界情報を算出し、判定部14が、被験者の脳波特徴データがその脳疾患であるかどうかや、その確率を算出するようにすることも可能である。
＜第二実施形態＞
以下、本発明の第二実施形態による脳疾患診断支援装置を図８〜図１０を参照して説明する。
第一実施形態は、アルツハイマー型認知症かそれ以外かの疾患情報が付された学習データを用いてアルツハイマー型認知症か否かを評価する評価方法であった。第二実施形態では、被験者の脳波特徴データを類似するグループに分類する処理を行う。これにより、学習データに複数の認知症や認知症に類似する症状を持つ人の脳波の特徴データが混在している場合の評価精度を向上させることができる。
本実施形態における評価モデル算出部１３ａは、さまざまな脳波特徴データを類似するグループごとに分類したクラスタを生成するクラスタリングを実行する機能を有している。また、判定部１４ａは、被験者の脳波特徴データが、評価モデル算出部１３ａが生成したクラスタのうち、どのクラスタに所属するかを判定する処理を行う。
さらに、評価モデル算出部１３ａは、判定部１４ａが被験者の脳波特徴データの分類先であると判定したクラスタにおける、ＡＤの疾患情報が付された脳波特徴データが占める割合を算出する。他の構成は、第一実施形態と同様である。
図８〜図９を用いて、本発明に係る第二実施形態における評価処理について説明する。
図８は、本発明に係る第二実施形態における脳疾患診断支援装置による評価処理の説明に用いる第一の図である。
図８（ａ）は、記憶部１５に書き込まれた学習データを図２〜図３と同様に２次元上にマッピングした図である。学習データには、ＡＤ、ＮＬの他、他の認知症を示す疾患情報が付されていてもよい。次に、評価モデル算出部１３ａが、複数の学習データを機械学習（クラスタリング）によって、類似するグループ（クラスタ）毎に分類する。クラスタリングの手法としては、例えば、スペクトラルクラスタリングを用いることが可能である。
図８（ｂ）は、評価モデル算出部１３ａが、学習データをクラスタリングした結果を示している。この図の場合、学習データが、符号３７が示すクラスタ３７と、符号３８が示すクラスタ３８と、符号３９が示すクラスタ３９と、に分類されたことを示している。破線４５ａは、クラスタ３７に分類される学習データとクラスタ３８に分類される学習データとを隔てる境界線である。破線４５ｂは、クラスタ３７に分類される学習データとクラスタ３９に分類される学習データとを隔てる境界線である。破線４５ｃは、クラスタ３８に分類される学習データとクラスタ３９に分類される学習データとを隔てる境界線である。ここで、評価モデル算出部１３ａは、各クラスタに含まれている学習データに付された疾患情報を参照し、クラスタ毎に各疾患情報が付された学習データの占める割合を算出する。例えばクラスタ３７に１０個の学習データが分類されたとして、その１０個のうち、ＡＤの疾患情報が付された学習データが４個、ＮＬの疾患情報が付された学習データが３個、レビー小体型認知症の疾患情報が付された学習データが２個、血管性認知症の疾患情報が付された学習データが１個であるとすると、評価モデル算出部１３ａは、クラスタ３７に占めるＡＤの割合（ＡＤ率）＝４０％、ＮＬの割合（ＮＬ率）＝３０％、レビー小体型認知症の割合＝２０％、血管性認知症の割合＝１０％を算出する。
図８（ｃ）は、オペレータが、診断すべき被験者の脳波特徴データ（符号４０）を脳疾患診断支援装置１０に投入した状態を示している。被験者の脳波特徴データ４０が投入されると、脳波特徴データ取得部１１は、被験者の脳波特徴データを取得し、判定部１４ａに出力する。判定部１４ａは、脳波特徴データ４０がクラスタ３７〜３９のうち、どのクラスタに所属するかを、例えばｋ−近傍法などのクラスタリング手法を用いて判定する。
図８（ｄ）は、判定部１４ａが所属クラスタの判定を行った結果を示している。判定部１４は、判定が完了すると、評価モデル算出部１３ａが算出した所属先のＡＤ率の値を取得し、その値によって、被験者の脳波特徴データがＡＤであることを示す確率を評価する。例えば、この例の場合、判定部１４ａは、被験者の脳波特徴データがＡＤであることを示す確率は、４０％であると評価する。
この方法によれば、学習データに付された疾患情報に依存せず、脳波特徴データの類似性によって被験者の脳波特徴データを分類し、その被験者がＡＤである確率を評価することができる。これにより、例えば第一実施形態の評価方法ではＮＬと判定された場合であっても、上記の方法でＡＤ率が４０％と評価されれば、例えば、将来的にその被験者がアルツハイマー型認知症を患う可能性を考える場合の参考とすることができる。また、他の認知症の疾患情報が付された学習データの存在率を同時に表示することで、ＡＤだけでなく、他の認知症を発症する可能性の参考とすることもできる。
図９は、本発明に係る第二実施形態における脳疾患診断支援装置による評価処理の説明に用いる第二の図である。
図９（ａ）〜図９（ｄ）は、図８で説明したクラスタリングによる評価方法と第一実施形態による評価方法とを組み合わせた方法である。この方法を用いる場合、評価モデル算出部１３ａは、本実施形態の機能に加え、第一実施形態の境界情報を算出する機能を併せて有しているものとする。また、判定部１４ａは、第一実施形態と同様に、その境界情報に基づいて、被験者の脳波特徴データを評価する機能を有していているものとする。
学習データをスペクトラルクラスタリング等の手法によってクラスタリングし、被験者の脳波特徴データの所属クラスタをｋ−近傍法などによって判定することは、図８で説明した評価方法と同様である。
図９の処理においては、図９（ｂ）において、学習データのクラスタリングが完了すると、各クラスタ３７〜３９におけるＡＤ率などを求める代わりに、各クラスタにおけるＡＤ、非ＡＤを分離する境界情報を算出する。境界情報は、第一実施形態と同様に、評価モデル算出部１３ａが、ＡＤの疾患情報が付された学習データと、それ以外の学習データとを用いて、ＳＶＭなどの手法により算出する。
また、図９（ｄ）において、被験者のデータが、例えばクラスタ３７に所属すると判定されたとすると、次に判定部１４ａは、評価モデル算出部１３ａが算出したクラスタ３７における境界情報を記憶部１５から読み出して、ＳＶＭなどの手法によって、被験者の脳波特徴データがＡＤであるか否かを判定する。図８では、被験者の脳波データの評価結果として、ＡＤ率などを表示したが、図９の場合、表示部１６は、ＳＶＭによって算出される被験者の脳波特徴データがＡＤである確率（確信度）を表示する。
この方法によれば、例えば、クラスタ３７、クラスタ３８、クラスタ３９の何れにおいても例えばＡＤ率が５０％であるような学習データが存在した場合であっても、被験者の脳波特徴データの評価精度を向上できる可能性がある。例えば、クラスタ３７、クラスタ３８、クラスタ３９の何れにおいても例えばＡＤ率が５０％であるような学習データでは、ＡＤと特徴づけられる脳波特徴データのパターンが３種類存在する可能性がある。その様子を図９（ｄ）に示した。例えば、図９（ｄ）の符号４１〜４３が示す破線で囲まれた領域に存在する学習データにＡＤの疾患情報が付されているとする。破線４１〜４３のそれぞれは、各クラスタ３７〜３９における境界情報である。このとき第一実施形態のように全学習データを対象に境界情報を算出すると、算出した境界情報が適切ではなく、識別精度が低下する可能性がある。適切な境界情報とは、ＳＶＭにおけるマージンが最大となるような境界である。図９の方法のように、予め脳波特徴データが類似するクラスタに分類して、その中で境界情報を算出すれば、より適切な境界情報を算出できる可能性があり、評価精度の向上が期待できる。
図１０は、本発明に係る第二実施形態における脳疾患診断支援装置を用いた脳波特徴データの評価処理のフローチャートである。
まず、オペレータが、正常者やさまざまな患者の学習データを脳疾患診断支援装置１０に投入する。学習データは、例えば電子ファイルの形式で与えられ、１つの電子ファイルには、さまざまな疾患情報が付された学習データが含まれている。さまざまな疾患情報とは、例えば、認知症ではないが認知症と間違えやすい症状、アルツハイマー型認知症、レビー小体型認知症、血管性認知症、などである。また、アルツハイマー型認知症患者の学習データについても、重度の患者、軽度の患者、投薬治療中の患者、投薬治療中ではない患者、などの学習データが含まれていてもよい。脳波特徴データ取得部１１は、学習データを取得し（ステップＳ１１）、取得した学習データを記憶部１５へ書き込んで記憶させる。
次に、オペレータが、診断すべき被験者の診断対象データを脳疾患診断支援装置１０に投入する。脳波特徴データ取得部１１は、診断対象データを取得し（ステップＳ１２）、取得した診断対象データを記憶部１５へ書き込んで記憶させる。このとき、脳波特徴データ取得部１１は、診断対象データをステップＳ１１で取得した学習データと区別して記録する。
次にオペレータが、「診断対象データを評価する」と表示されたボタンを押下すると、操作受付部１２が、その操作を受け付け、評価モデル算出部１３ａにクラスタの生成（クラスタリング）を指示する。クラスタとは、複数の被験者の脳波特徴データを、脳波特徴データに含まれる特徴量の類似度に基づいてグループ化したものである。評価モデル算出部１３ａは、記憶部１５に書き込まれたステップＳ１１で取り込んだ学習データを読み出して、例えばスペクトラルクラスタリングなどの機械学習で用いられるクラスタリング手法によって、読み出したデータから所定の数のクラスタを生成する（ステップＳ１３）。なお、生成するクラスタの数は、オペレータが設定し、予め記憶部１５が記憶しているものとする。各クラスタには、類似する脳波特徴データを持つ学習データが分類され、１つのクラスタには、正常者、アルツハイマー型認知症患者、レビー小体型認知症患者などさまざまな疾患情報に対応する学習データが含まれる可能性がある。
次に、評価モデル算出部１３ａは、ステップＳ１３において、図８を用いて説明したように、各クラスタにおいて、そのクラスタに含まれる学習データに付された疾患情報の種類ごとの割合を算出する。評価モデル算出部１３ａは、算出したＡＤ率などの疾患情報ごとの割合をクラスタごとに記憶部１５に書き込んで記憶させる。あるいは、評価モデル算出部１３ａは、図９を用いて説明したように例えばアルツハイマー型認知症患者の疾患情報が付された脳波特徴データと、それ以外の疾患情報が付された脳波特徴データとを分離する境界情報を算出する（ステップＳ１４）。境界情報の算出は、例えば、ＳＶＭの手法を用いる。ここで、境界情報の算出には、例えば、４２０次元のデータ全てを用いてもよいし、４２０次元の特徴量のうち、ＡＤを識別するのに有効な特徴量だけを用いて境界情報を算出してもよい。なお、有効な特徴量を示す情報は記憶部１５が記憶しているものとする。あるいは、後述するように、学習データ群に応じた評価に有効な特徴量をその都度、算出するようにしてもよい。ＡＤの識別に有効な特徴量の一例としては、図７で示したものがある。また、評価モデル算出部１３ａは、算出したクラスタごとの境界情報をクラスタの識別情報と対応付けて記憶部１５に書き込んで記憶させる。なお、評価モデル算出部１３ａは、疾患情報ごとの割合の算出と、境界情報の算出との両方を行ってもよい。次に、評価モデル算出部１３ａは、判定部１４ａに診断対象データの評価を指示する。
次に、判定部１４ａは、診断対象データがどのクラスタに所属するかをｋ−近傍法などの手法によって判定する（ステップＳ１５）。
次に判定部１４ａは、診断対象データが、ＡＤである確率について評価を行う（ステップＳ１６）。例えば、評価モデル算出部１３ａがＡＤ率を算出した場合、判定部１４ａは、診断対象データが分類されると判定したクラスタに対応するＡＤ率を記憶部１５から読み出して、診断対象データがＡＤであることを示す確率は、記憶部１５から読み出したＡＤ率であると評価する。あるいは、評価モデル算出部１３ａが境界情報を算出した場合、判定部１４ａは、診断対象データが分類されると判定したクラスタに対応する境界情報を記憶部１５から読み出して、診断対象データが、ＡＤとＮＬの何れであるか、また、その確率（確信度）について評価を行う。
評価を行うと、判定部１４ａは、評価結果を表示部１６へ出力する。表示部１６は、被験者の診断対象データの評価結果を表示装置に表示する（ステップＳ１７）。例えば、表示部１６は、診断の根拠となった脳波の測定部位、周波数帯、診断対象データが所属するクラスタの識別情報、診断対象データがＡＤを示す確率などを表示する。ＡＤを示す確率とは、上述のＡＤ率や確信度である。また、判定部１４ａは、ステップＳ１６の評価の際に、パターンマッチング等の手法によって被験者の脳波特徴データと最も類似する学習データに含まれる脳波特徴データを抽出し、表示部１６は、判定部１４ａが抽出した脳波特徴データとそのデータに付された疾患情報を表示するようにしてもよい。
医師は、表示部１６が表示した情報や、その他の検査情報などを基に被験者の症状を診断する。例えば、被験者の脳波特徴データと最も類似する脳波特徴データやその脳波特徴データに付された疾患情報が表示され、その疾患情報がレビー小体認知症である場合、医師は、被験者の脳波特徴データがレビー小体認知症患者の脳波特徴データに類似していることを診断の参考にすることができる。また、被験者の脳波特徴データが分類されるクラスタに含まれるアルツハイマー型以外の認知症の割合が表示されれば、医師は、例えば、被験者がアルツハイマー型以外の認知症を発症する可能性を考えるときの参考にすることができる。
なお、図１０の処理フローの変形例として次のような処理としてもよい。まず、ステップＳ１４において、ＡＤ率などを算出し、ステップＳ１６の評価において、そのＡＤ率が例えば９０％であるような場合は、被験者の脳波特徴データはＡＤであるとみなし、その評価結果を表示部１６が出力して処理フローを終了する。また、ＡＤ率が例えば５０％であるような場合は、さらなる評価処理が必要と判断し、さらにＡＤと非ＡＤとを分離する境界情報を算出し、被験者の脳波特徴データをＳＶＭなどによって評価する。
また、ステップＳ１３において、生成するクラスタの数を変化させて、ステップＳ１３以降の処理を繰り返し行うようにしてもよい。
認知症にも複数の種類がある。代表的なものは、アルツハイマー型認知症、レビー小体型認知症、血管性認知症などである。これらの認知症の種類は、他人から見ただけでは分からないことも多い。また、同じ認知症でも種類が違えば、治療方法も異なってくるので、正確にどのような種類の認知症であるかを診断することが重要である。そこで、脳波特徴データを用いて複数種類の認知症であるかを知ろうとする場合、例えば手作業で各認知症のテンプレートを選択し、選択したテンプレートと被験者の脳波特徴データとを比較して判定することが考えられるが、各認知症に対応する脳波特徴データが均一な特徴を有するとは限らず、手作業でテンプレートを作成するのは困難である。本実施形態によれば、さまざまな種類の認知症患者の脳波特徴データを用いてクラスタリングを行うことで、煩雑な作業を行うことなく、被験者がどの種類の認知症であるかを判定したり、複数の認知症についてそれぞれの認知症を患っている確率を算出したりすることができる。また、同じ種類の認知症患者であっても、重度、軽度、投薬中などさまざまな状態にある患者の脳波特徴データを用意しておくと、患者が認知症を患っている場合、その症状は軽度か、重度かなどの情報を表示することもできる。
なお、本実施形態においても、ステップＳ１１で取得した学習データから、ステップＳ１２以降の処理で用いる学習データを選択できるようにしてもよい。
また、ステップＳ１３のクラスタリングで使用する脳波特徴データについては、全ての特徴量を用いてもよいし、一部の特徴量だけを用いるようにしてもよい。例えば、クラスタを生成するステップＳ１３において、例えば４２０次元全ての特徴量を用いるとうまくクラスタリングできないような場合に、主成分分析やＲａｎｄｏｍＦｏｒｅｓｔなどの手法を用いて、クラスタリングに有効な特徴量を動的に抽出し、抽出した特徴量のみを用いてクラスタを生成するようにしてもよい。さらに、ステップＳ１４においてＳＶＭによって境界情報を算出する場合、第一実施形態と同様、分離に有効な特徴量をＲａｎｄｏｍＦｏｒｅｓｔ等によって抽出し、境界情報を算出してもよい。このようにすることでクラスタごとに固有の有効な特徴量を用いることができ、評価精度を高めることができる。
これら使用する学習データや特徴量を変化させることで、さまざまな観点から診断対象データを評価することができる。
なお、本実施形態においてもアルツハイマー型認知症の診断支援を例に説明を行ったが、他の認知症、及び、鬱や統合失調症などの脳疾患症状に対しても、本実施形態を適用することが可能である。また、その場合、さまざまな脳疾患の疾患情報が付された学習データを用いることで、複数の脳疾患に対してそれらの脳疾患のうち１つ又は複数を患っている確率を同時に算出することができる。
なお、上述した脳疾患診断支援装置１０における各処理の過程は、プログラムの形式でコンピュータ読み取り可能な記録媒体に記憶されており、このプログラムを脳疾患診断支援装置１０のコンピュータが読み出して実行することによって、上記処理が行われる。ここでコンピュータ読み取り可能な記録媒体とは、磁気ディスク、光磁気ディスク、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、半導体メモリ等をいう。また、このコンピュータプログラムを通信回線によってコンピュータに配信し、この配信を受けたコンピュータが当該プログラムを実行するようにしてもよい。
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よい。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、いわゆる差分ファイル（差分プログラム）であってもよい。
また、脳疾患診断支援装置１０は、１台のコンピュータで構成されていても良いし、通信可能に接続された複数のコンピュータで構成されていてもよい。
その他、本発明の趣旨を逸脱しない範囲で、上記した実施の形態における構成要素を周知の構成要素に置き換えることは適宜可能である。また、この発明の技術範囲は上記の実施形態に限られるものではなく、本発明の趣旨を逸脱しない範囲において種々の変更を加えることが可能である。例えば、計算負荷の高い評価モデル算出部１３を、機能別に分割し、ＳＶＭ用の評価モデル算出部１３ｂと、クラスタ生成用の評価モデル算出部１３ｃに分割して、それぞれを異なるＰＣ等に搭載した構成としてもよい。脳疾患診断支援装置１０は、脳疾患診断支援システムの一例である。操作受付部１２は、入力部の一例である。
１０・・・脳疾患診断支援装置
１１・・・脳波特徴データ取得部
１２・・・操作受付部
１３・・・評価モデル算出部
１４・・・判定部
１５・・・記憶部
１６・・・表示部

Claims (8)

  1. 脳波からその脳波の特徴量を抽出した脳波特徴データに、当該脳波特徴データに対応する脳疾患の状態を示す疾患情報を付した学習データを複数取得し、それらの学習データを、各学習データに含まれる脳波特徴データに基づいてクラスタリングして所定の数のクラスタに分類し、さらに、同じクラスタに分類された一つまたは複数の前記学習データを、各学習データに付された疾患情報に基づいて分類することにより脳疾患の判定を行う評価モデルを算出する評価モデル算出部と、
    被験者の脳波特徴データを取得し、当該脳波特徴データが前記クラスタのうち、どのクラスタに所属するかを判定し、所属すると判定したクラスタにおける前記評価モデルに基づいて、前記被験者の脳波特徴データが示す脳疾患の判定を行う判定部と、
    を備える脳疾患診断支援システム。
  2. 前記評価モデル算出部は、前記クラスタに含まれる学習データについて、疾患情報の種類ごとに、それぞれの疾患情報が付された学習データの割合を算出し、
    前記判定部は、前記被験者の脳波特徴データが所属すると判定したクラスタにおける前記割合に基づいて前記被験者の脳波特徴データが示す脳疾患の判定を行う
    請求項１に記載の脳疾患診断支援システム。
  3. 前記評価モデル算出部は、各学習データに付された疾患情報の種類ごとに前記クラスタに含まれる学習データを分離する境界情報を算出し、
    前記判定部は、前記被験者の脳波特徴データが所属すると判定したクラスタにおける前記境界情報に基づいて、前記被験者の脳波特徴データが示す脳疾患の判定を行う
    請求項１または請求項２に記載の脳疾患診断支援システム。
  4. 前記評価モデル算出部は、前記クラスタに分類された学習データに含まれる複数の特徴量のうち、機械学習によって抽出された特徴量のみを用いて前記境界情報を算出する、
    請求項３に記載の脳疾患診断支援システム。
  5. 前記評価モデル算出部は、脳波特徴データから機械学習によってクラスタリングに有効な特徴量を抽出し、当該抽出した特徴量のみを用いてクラスタリングを行う
    請求項１から請求項４の何れか１項に記載の脳疾患診断支援システム。
  6. 前記評価モデル算出部は、生成するクラスタの数を変化させながら繰り返しクラスタリングを行い、生成したクラスタに分類される学習データに応じて前記評価モデルを算出し、
    前記判定部は、それぞれの前記評価モデルに基づいて脳疾患の判定を行う、
    請求項１から請求項５の何れか１項に記載の脳疾患診断支援システム。
  7. 脳疾患診断支援システムが、
    脳波からその脳波の特徴量を抽出した脳波特徴データに、当該脳波特徴データに対応する脳疾患の状態を示す疾患情報を付した学習データを複数取得し、それらの学習データを各学習データに含まれる脳波特徴データに基づいてクラスタリングして所定の数のクラスタに分類し、さらに、同じクラスタに分類された一つまたは複数の前記学習データを、各学習データに付された疾患情報に基づいて分類することにより脳疾患の判定を行う評価モデルを算出するステップと、
    被験者の脳波特徴データを取得し、当該脳波特徴データが前記クラスタのうち、どのクラスタに所属するかを判定し、所属すると判定したクラスタにおける前記評価モデルに基づいて、前記被験者の脳波特徴データが示す脳疾患の判定を行うステップと、
    を有する脳疾患診断支援方法。
  8. 脳疾患診断支援システムのコンピュータを、
    脳波からその脳波の特徴量を抽出した脳波特徴データに、当該脳波特徴データに対応する脳疾患の状態を示す疾患情報を付した学習データを複数取得し、それらの学習データを、各学習データに含まれる脳波特徴データに基づいてクラスタリングして所定の数のクラスタに分類し、さらに、同じクラスタに分類された一つまたは複数の前記学習データを、各学習データに付された疾患情報に基づいて分類することにより脳疾患の判定を行う評価モデルを算出する手段、
    被験者の脳波特徴データを取得し、当該脳波特徴データが前記クラスタのうち、どのクラスタに所属するかを判定し、所属すると判定したクラスタにおける前記評価モデルに基づいて、前記被験者の脳波特徴データが示す脳疾患の判定を行う手段、
    として機能させるためのプログラム。
JP2014248953A 2014-12-09 2014-12-09 脳疾患診断支援システム、脳疾患診断支援方法及びプログラム Active JP6013438B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2014248953A JP6013438B2 (ja) 2014-12-09 2014-12-09 脳疾患診断支援システム、脳疾患診断支援方法及びプログラム
PCT/JP2015/082844 WO2016093048A1 (ja) 2014-12-09 2015-11-24 脳疾患診断支援システム、脳疾患診断支援方法及びプログラム
EP15867759.1A EP3216392A4 (en) 2014-12-09 2015-11-24 Brain disease diagnosis assistance system, brain disease diagnosis assistance method, and program
US15/533,218 US20170340262A1 (en) 2014-12-09 2015-11-24 Brain disease diagnosis assistance system, brain disease diagnosis assistance method, and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2014248953A JP6013438B2 (ja) 2014-12-09 2014-12-09 脳疾患診断支援システム、脳疾患診断支援方法及びプログラム

Publications (2)

Publication Number Publication Date
JP2016106940A JP2016106940A (ja) 2016-06-20
JP6013438B2 true JP6013438B2 (ja) 2016-10-25

Family

ID=56107239

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2014248953A Active JP6013438B2 (ja) 2014-12-09 2014-12-09 脳疾患診断支援システム、脳疾患診断支援方法及びプログラム

Country Status (4)

Country Link
US (1) US20170340262A1 (ja)
EP (1) EP3216392A4 (ja)
JP (1) JP6013438B2 (ja)
WO (1) WO2016093048A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7151502B2 (ja) 2019-01-23 2022-10-12 株式会社ノーリツ 炭酸ガス供給装置

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11037070B2 (en) * 2015-04-29 2021-06-15 Siemens Healthcare Gmbh Diagnostic test planning using machine learning techniques
JP6664812B2 (ja) * 2016-05-10 2020-03-13 国立研究開発法人情報通信研究機構 仮想資源自動選択システム及び方法
AU2017299614A1 (en) 2016-07-19 2019-01-31 Akili Interactive Labs, Inc. Platforms to implement signal detection metrics in adaptive response-deadline procedures
US11639936B2 (en) 2016-09-19 2023-05-02 Hematologics, Inc. System, method, and article for detecting abnormal cells using multi-dimensional analysis
KR101957456B1 (ko) * 2017-08-24 2019-03-12 주식회사 아리아케어코리아 뇌 질환 검출 및 예측 시스템 및 방법
AU2018359624A1 (en) * 2017-10-31 2020-04-30 Ge Healthcare Limited Medical system for diagnosing cognitive disease pathology and/or outcome
JP6598319B2 (ja) * 2018-04-13 2019-10-30 公立大学法人埼玉県立大学 リハビリテーション支援システム
JP6483890B1 (ja) * 2018-04-27 2019-03-13 国立大学法人滋賀医科大学 診断支援装置、機械学習装置、診断支援方法、機械学習方法および機械学習プログラム
KR102170756B1 (ko) * 2018-08-01 2020-10-27 가톨릭대학교 산학협력단 이중 머신 러닝 모델을 이용한 데이터 분류 방법 및 장치
KR102174232B1 (ko) * 2018-08-09 2020-11-04 연세대학교 산학협력단 생체신호 클래스 분류 장치 및 그 방법
KR102257291B1 (ko) * 2018-09-14 2021-05-28 주식회사 아이메디신 인지 장애 판별 방법 및 컴퓨터 프로그램
WO2020111347A1 (ko) * 2018-11-30 2020-06-04 주식회사 아리아케어코리아 뇌 질환 검출 및 예측 시스템 및 방법
CN110010245A (zh) * 2019-03-20 2019-07-12 上海市精神卫生中心（上海市心理咨询培训中心） 一种精神疾病脑影像处理系统
JPWO2020218013A1 (ja) * 2019-04-25 2020-10-29
KR102374824B1 (ko) * 2019-05-17 2022-03-16 한양대학교 산학협력단 자율참여, 보상 기반의 건강 정보 제공 및 증진 방법 및 장치
JP7340790B2 (ja) * 2019-07-23 2023-09-08 国立大学法人滋賀医科大学 診断支援装置、機械学習装置、診断支援方法、機械学習方法および機械学習プログラム
CN111714120A (zh) * 2020-05-08 2020-09-29 广东食品药品职业学院 能进行视觉定位能力评估的脑机接口系统及其应用
WO2022064708A1 (ja) * 2020-09-28 2022-03-31 日本電気株式会社 診断支援装置、診断支援方法、及びコンピュータ読み取り可能な記録媒体
KR102316631B1 (ko) * 2020-11-19 2021-10-22 주식회사 포엔 기계학습 모델을 이용한 전자약 처방 시스템 및 그 제어방법
CA3207959A1 (en) * 2021-02-12 2022-08-18 Yasue Mitsukura Symptom determination apparatus and program for determining symptom
CN114098764B (zh) * 2021-11-05 2024-02-20 北京大学 数据处理方法、装置、电子设备和存储介质
CN113808724B (zh) * 2021-11-17 2022-03-08 北京因数健康科技有限公司 数据分析方法及装置、存储介质及电子终端
KR102610810B1 (ko) * 2021-11-30 2023-12-13 주식회사 포엔 사용자의 생각을 디코딩하는 인공지능 시스템
JPWO2023187855A1 (ja) * 2022-03-28 2023-10-05
KR102548478B1 (ko) * 2022-10-25 2023-06-29 주식회사 아이메디신 약물 반응성 분류 및 예측을 위한 디지털 피노타이핑 방법, 장치 및 컴퓨터프로그램
WO2024162387A1 (ja) * 2023-01-31 2024-08-08 国立大学法人筑波大学 うつ度推定装置、うつ度推定モデル生成装置、うつ度測定計、うつ度推定システム、うつ度推定方法、うつ度推定モデル生成方法及びプログラム

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3313101B2 (ja) * 2000-04-28 2002-08-12 琢己 生田 ウェーブレット・ニューロ波形診断方法および装置
JP2004213316A (ja) * 2002-12-27 2004-07-29 Ntt Data Corp 多変量データ分類規則導出装置、および、多変量データ分類規則導出方法をコンピュータに実行させるプログラム
JP2005198970A (ja) * 2004-01-19 2005-07-28 Konica Minolta Medical & Graphic Inc 医用画像処理装置
JP4276107B2 (ja) * 2004-02-27 2009-06-10 学校法人早稲田大学 心臓磁気計測装置
US7647098B2 (en) * 2005-10-31 2010-01-12 New York University System and method for prediction of cognitive decline
CA2644601A1 (en) * 2006-03-03 2007-09-07 Mentis Cura Ehf. Method and apparatus of constructing and using a reference tool to generate a discriminatory signal for indicating a medical condition of a subject
GB0611872D0 (en) * 2006-06-15 2006-07-26 Hypo Safe As Analysis of EEG signals to detect hypoglycaemia
US9402558B2 (en) * 2007-04-05 2016-08-02 New York University System and method for pain detection and computation of a pain quantification index
JP2009066186A (ja) * 2007-09-13 2009-04-02 Sony Corp 脳活動状態推定方法および情報処理システム
US8512240B1 (en) * 2007-11-14 2013-08-20 Medasense Biometrics Ltd. System and method for pain monitoring using a multidimensional analysis of physiological signals
EP2245568A4 (en) * 2008-02-20 2012-12-05 Univ Mcmaster EXPERT SYSTEM FOR DETERMINING A PATIENT'S RESPONSE TO A TREATMENT
WO2010075518A1 (en) * 2008-12-23 2010-07-01 Neurovista Corporation Brain state analysis based on select seizure onset characteristics and clinical manifestations
WO2012165602A1 (ja) * 2011-05-31 2012-12-06 国立大学法人名古屋工業大学 認知機能障害判別装置、認知機能障害判別システム、およびプログラム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7151502B2 (ja) 2019-01-23 2022-10-12 株式会社ノーリツ 炭酸ガス供給装置

Also Published As

Publication number Publication date
EP3216392A4 (en) 2018-07-11
US20170340262A1 (en) 2017-11-30
EP3216392A1 (en) 2017-09-13
JP2016106940A (ja) 2016-06-20
WO2016093048A1 (ja) 2016-06-16

Similar Documents

Publication Publication Date Title
JP6013438B2 (ja) 脳疾患診断支援システム、脳疾患診断支援方法及びプログラム
Siuly et al. EEG signal classification based on simple random sampling technique with least square support vector machine
Song et al. Biomarkers for Alzheimer's disease defined by a novel brain functional network measure
US11238588B2 (en) Medical diagnosis support apparatus, information processing method, medical diagnosis support system, and program
CN107438399A (zh) 心血管恶化预警评分
KR20070009667A (ko) Ｅｃｇ 신호 분석 방법 및 컴퓨터 장치
US20110190621A1 (en) Methods and Systems for Regional Synchronous Neural Interactions Analysis
US10818393B2 (en) System and method for clinical decision support
US10832410B2 (en) Computer system, method, and program for diagnosing subject
CN105611872A (zh) 用于评估多通道ecg信号的装置和方法
US11331048B2 (en) Brain connectivity analysis system and brain connectivity analysis method
van Veen et al. Machine learning based analysis of FDG-PET image data for the diagnosis of neurodegenerative diseases
CN117982114A (zh) 基于心肌缺血特征参数提取的心脏数据监测方法
US10925504B2 (en) Method for ECG lead placement changes to be accurately accounted for
JP2021133005A (ja) 聴診システム及び聴診方法
Dias et al. Artificial intelligence-driven screening system for rapid image-based classification of 12-lead ecg exams: A promising solution for emergency room prioritization
Chen et al. A predictive framework for ECG signal processing using controlled nonlinear transformation
CN114159062A (zh) 辅助精神状态识别装置和方法
US20210327579A1 (en) Method and apparatus for classifying subjects based on time series phenotypic data
Zhang et al. Multi-scale and attention based ResNet for heartbeat classification
US11928817B2 (en) Method for filtering normal medical image, method for interpreting medical image, and computing device implementing the methods
KR102009758B1 (ko) 바이오 시그널 가시화 시스템 및 유효 패턴 추출 방법
Ellethy et al. Machine Learning Applications in Traumatic Brain Injury Diagnosis and Prognosis: A Spotlight on Mild TBI and CT Imaging
US20240099640A1 (en) Electrocardiogram analysis
US20240099638A1 (en) Electrocardiogram interpretation

Legal Events

Date Code Title Description
A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20160315

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20160513

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20160906

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20160921

R150 Certificate of patent or registration of utility model

Ref document number: 6013438

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250