JP6480334B2 - 時系列波形データセットからの非周期的成分の抽出 - Google Patents

Description

関連出願の相互参照
本願は、２０１２年１０月１６日出願の米国特許仮出願整理番号第６１／７１４，５９４号の利益を請求し、この出願は参照により本明細書に組み込まれる。

時系列という用語は、ある期間にわたってなされた観察を指すために使用される場合がある。例えば、脳の活動は、脳波記録（ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｐｈｙ：ＥＥＧ、脳波）を使用して経時的に観察される場合があり、心臓の活動は心電図記録（ｅｌｅｃｔｒｏｃａｒｄｉｏｇｒａｐｈｙ：ＥＫＧ、心臓の電気活動）を介して経時的に観察される場合がある。これらの観察は、所定の期間に対して測定された波形として、グラフを用いて表される場合がある。例えば、ＥＥＧ波形は、ピーク部と谷部を有する波形として折れ線グラフまたは線図で表される場合があり、折れ線グラフは、時間を表示するｘ軸と大きさを表示するｙ軸とを有する。

診断情報は、時系列波形から導出される場合がある。例えば、ＥＥＧ波形は、いくつかの他のタイプの神経系の状態からてんかん性発作を区別するために使用することができ、あるいはＥＫＧは、患者が心筋梗塞（心臓発作）を患っているかどうかを判定するために使用することができる。いくつかの場合には、時系列波形の折れ線グラフの目視検査が、診断情報を提供する時系列波形内のある特定の特性を明らかにする場合がある。他の場合では、時系列波形を示す折れ線グラフの目視的な検査によって診断情報を認めることができない場合がある。
この出願の発明に関連する先行技術文献情報としては、以下のものがある（国際出願日以降国際段階で引用された文献及び他国に国内移行した際に引用された文献を含む）。
（先行技術文献）
（特許文献）
（特許文献１） 米国特許出願公開第２０１１／００４４５２４号明細書
（特許文献２） 米国特許出願公開第２００９／００１２７６６号明細書
（特許文献３） 米国特許出願公開第２０１１／０３０１４４１号明細書
（特許文献４） 米国特許出願公開第２００７／０２１３７８６号明細書
（特許文献５） 米国特許出願公開第２００９／０２９２１８０号明細書
（特許文献６） 米国特許第６，４３４，４１９号明細書
（特許文献７） 米国特許出願公開第２００５／００１５９６７号明細書
（特許文献８） 米国特許出願公開第２００５／０２７３０１７号明細書
（特許文献９） 米国特許出願公開第２００９／００２４０５０号明細書
（特許文献１０） 米国特許出願公開第２０１０／０１４５２１５号明細書
（特許文献１１） 米国特許出願公開第２０１０／０２９２５４５号明細書
（非特許文献）
（非特許文献１） Ｗｏｌｆ，Ｍ．Ｍ．； Ａｓｓｏｃｉａｔｉｏｎ Ｂｅｔｗｅｅｎ Ａｃａｄｅｍｉｃ Ｐｅｒｆｏｒｍａｎｃｅ ａｎｄ Ｅｌｅｃｔｒｏ−ｃｏｒｔｉｃａｌ Ｐｒｏｃｅｓｓｉｎｇ ｏｆ Ｃｏｇｎｉｔｉｖｅ Ｓｔｉｍｕｌｉ ｉｎ Ｃｏｌｌｅｇｅ Ｓｔｕｄｅｎｔｓ； Ａｐｒｉｌ ２０１１； ８０ ｐａｇｅｓ； Ｂｒｉｇｈａｍ Ｙｏｕｎｇ Ｕｎｉｖｅｒｓｉｔｙ
（非特許文献２） Ｆｒｉｓｈｋｏｆｆ，ｅｔ ａｌ．； Ａ Ｆｒａｍｅｗｏｒｋ ｔｏ Ｓｕｐｐｏｒｔ Ａｕｔｏｍａｔｅｄ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｎｄ Ｌａｂｅｌｉｎｇ ｏｆ Ｂｒａｉｎ Ｅｌｅｃｔｒｏｍａｇｎｅｔｉｃ Ｐａｔｔｅｒｎｓ； Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ ａｎｄ Ｎｅｕｒｏｓｃｉｅｎｃｅ； Ｖｏｌ ２００７ ｐａｇｅｓ １−１３
（非特許文献３） Ｆｒｉｓｈｋｏｆｆ ｅｔ ａｌ．； ｉｎ Ａｄｖａｎｃｅｓ ｉｎ Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｃｏｖｅｒｙ ａｎｄ Ｄａｔａ Ｍｉｎｉｎｇ； ６１１９ ＬＮＡＩ； ４３−５４（２０１０）
（非特許文献４） Ｒｏｎｇ； Ａ Ｓｅｍｉ−ａｕｔｏｍａｔｉｃ Ｆｒａｍｅｗｏｒｋ ｆｏｒ Ｍｉｎｉｎｇ ＥＲＰ Ｐａｔｔｅｒｎｓ； Ａｄｖａｎｃｅｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｎｅｔｗｏｒｋｉｎｇ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ Ｗｏｒｋｓｈｏｐｓ／Ｓｙｍｐｏｓｉａ ２； ３２９−３３４（２００７）
（非特許文献５） Ｓａｓｓ，ｅｔ ａｌ．； Ｔｉｍｅ Ｃｏｕｒｓｅ ｏｆ Ａｔｔｅｎｔｉｏｎａｌ Ｂｉａｓ ｉｎ Ａｎｘｉｅｔｙ： Ｅｍｏｔｉｏｎ ａｎｄ Ｇｅｎｄｅｒ Ｓｐｅｃｉｆｉｃｉｔｙ； Ｐｓｙｃｈｏｐｈｙｓｉｏｌｏｇｙ ４７； ２４７−２５９（２０１０）
（非特許文献６） ＰＣＴ Ａｐｐｌｉｃａｔｉｏｎ ＰＣＴ／ＵＳ２０１３／０６５３２７； Ｆｉｌｉｎｇ Ｄａｔｅ Ｏｃｔｏｂｅｒ １６，２０１３； Ｂｒｉｇｈａｍ Ｙｏｕｎｇ Ｕｎｉｖｅｒｓｉｔｙ； ＩＳＲ ｍａｉｌｅｄ Ｆｅｂｒｕａｒｙ ２１，２０１４

図１は、診断の目的のために時系列波形データセットから非周期的成分を抽出するために使用される、例示的なシステムを図示するブロック図である。 図２は、ネットワーク上で評価することができ、かつ診断の目的のために時系列波形データセットから非周期的成分を抽出するために使用される、別の例示的なシステムを図示するブロック図である。 図３は、分類の目的のために時系列波形データセットから非周期的成分を抽出するための、例示的な方法を図示する流れ図である。 図４Ａは、複数の対象に対する記憶負荷対照条件の効果を図示するグラフである。 図４Ｂは、複数の対象に対する記憶負荷対照条件の効果を図示するグラフである。 図４Ｃは、複数の対象に対する記憶負荷対照条件の効果を図示するグラフである。 図４Ｄは、複数の対象に対する記憶負荷対照条件の効果を図示するグラフである。 図５は、１２の波形の３つの非周期的成分への分解を示す、単一の対象に対する非周期的成分を図示するグラフの構造化された表である。 図６は、診断の目的のために時系列波形データセットから非周期的成分を抽出するために使用される場合がある、コンピューティングデバイスの一実施例を図示するブロック図である。

様々な目的で、非周期的成分を時系列波形データセットから抽出するための技術が記載され、その目的は一部の場合には診断目的である。このように、本開示は、幅広い潜在的な応用を有する可能性がある。この技術は、実質上時系列波形を使用して測定することができるいかなる系または現象にも適用することができる。例えば、いくつかの態様では、この技術は、脳波記録（ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｐｈ：ＥＥＧ、脳波）、心電図記録（ｅｌｅｃｔｒｏｃａｒｄｉｏｇｒａｐｈｙ：ＥＫＧ、心臓の電気活動）、加えて幅広い範囲の他の生物学的に導出されるデータに適用することができる。追加的に、この技術は、非限定的に、化学的データ、地理学的データ（石油探査を含む）、ガソリンエンジン、蒸気機関、ジェットエンジン、および多種多様なモーター、ならびに同様のものなどの機械的なデバイスから導出されるデータなどに適用することができる。

一実施例では、心理学の分野での構成では、対象の性能に効果を有することが分かっている、または仮定される場合がある対照条件（例えば、熟慮された試験成分、性能試験成分、等々）は、結果として得られる時系列波形を記録及び平均化している間に変化する可能性がある。集められた時系列波形データを、潜在成分に分解することができる。スペクトル分解を使用して、対象の平均化した波輪郭の集合から各々の対象に対して個別に非周期的成分を抽出することができる。本技術の一態様では、この非周期的成分は、回帰的非周期的スペクトル分解（ｒｅｇｒｅｓｓｅｄ ａｐｅｒｉｏｄｉｃ ｓｐｅｃｔｒａｌ ｄｅｃｏｍｐｏｓｉｔｉｏｎ：ＲＡＳＤ）成分と呼ばれる場合がある。ＲＡＳＤ成分およびこれらに関連する、各々の対照条件に対する倍数の係数は、診断値を含む可能性がある。すなわち、ＲＡＳＤ成分は、各々の対照条件に本質的に「適合する」ことができ、したがって各々の対照条件によって各々の個々の対象内に生成されるプロセス波形を取り込む成分波輪郭を提供する。対照条件の波輪郭を、各々の個々の対象に対して一意的とすることができ、作成され分析されたときに、個々の対象に対する診断情報を含むことができる。

１つの例示的な方法では、時系列波形データセットから対象に対する非周期的成分を抽出し、様々な目的で分析することができ、そのいくつかは、診断的である可能性がある。時系列波形データセットは、制御環境内で収集される場合があり、制御された条件は、複数の対照条件（例えば、試験条件）を含む。次いで、時系列波形データセットから非周期的成分を抽出するために、時系列波形データの成分分析を実施することができる。非周期的成分は、制御環境の複数の対照条件を表すことができる。時系列波形データセットに含まれる各々の対象に対して、プロセスを繰り返すことができる。次いで、非周期的成分の各々に対して、回帰非周期的スペクトル分解（ＲＡＳＤ）成分を生成する、回帰分析を実施することができる。ＲＡＳＤ成分から、分類との関係を、所与の時系列波形データセットに含まれる対象の中から特定することができる。例えば、分類（すなわち、分類にリンクすることができるＲＡＳＤ成分の特徴）との関係に基づいて、ＲＡＳＤ成分に関連付けられた人がうつ病などの精神状態分類を患っている場合があることを判定することができる。追加的な分類としては、うつ病、片頭痛、依存症、強迫行為障害、学業成績、気分障害、統合失調症、人格障害、双極性障害、アスペルガー症候群、自閉症、注意欠陥多動性障害（ａｔｔｅｎｔｉｏｎ ｄｅｆｉｃｉｔ ｈｙｐｅｒａｃｔｉｖｉｔｙ ｄｉｓｏｒｄｅｒ：ＡＤＨＤ）、ノイローゼ、パラノイア、初期のアルツハイマー病、初期のパーキンソン病、初期の心臓発作、および同様のものを挙げることができるが、これに限定されない。

この技術がＥＥＧデータに限定されないという理解により、ＥＥＧデータへの適用では、この方法は、この開示を通して実証され、より具体的には、特定のタイプの良好に制御されたＥＥＧデータは、事象関連電位（ｅｖｅｎｔ ｒｅｌａｔｅｄ ｐｏｔｅｎｔｉａｌｓ：ＥＲＰｓ）として公知である。ＥＲＰは、既成概念にはめられた刺激に対する電気生理学的な応答であり、換言すれば、ＥＲＰは、特定の知覚、認知、または運動事象に対する測定された脳の応答である。

図１は、時系列波形データセットから非周期的成分を抽出するためのシステム１００の高レベルの実施例を図示する線図であり、いくつかの場合には診断の目的のためのものである。システム１００は、時系列波形データセット源１０４（例えば、ＥＥＧ記録デバイス、ＥＣＧ記録デバイス、録音デバイス、地震モニター、等々）、コンピューティングデバイス１０６、およびディスプレイなどの出力デバイス１２０を含むことができる。コンピューティングデバイス１０６は、時系列波形データセット１１６を格納することができるデータストア１０８を含むことができる。例えば、コンピューティングデバイス１０６は、時系列波形データセット源１０４からデータセット１１６を受信し、データセットをデータストア１０８に格納することができる。

コンピューティングデバイス１０６は、様々な成分をデータセットから抽出し、データセットがそこから得られた対象の様々な条件/特性を特定するために使用することができる特性について成分を分析するために使用することができる多数のモジュールを含むことができる。コンピューティングデバイス１０６は、ＲＡＳＤ（回帰的非周期的スペクトル分解）成分抽出モジュール１１０、ＲＡＳＤ成分適合モジュール１１２、分析モジュール１１４、ならびに本明細書では詳細に考察していない他のサービス、プロセス、システム、エンジン、または機能性を含むことができる。

一実施例では、ＲＡＳＤ成分抽出モジュール１１０を、時系列波形データセット１１６から低減した非周期的スペクトル分解（ｒｅｄｕｃｅｄ ａｐｅｒｉｏｄｉｃ ｓｐｅｃｔｒａｌ ｄｅｃｏｍｐｏｓｉｔｉｏｎ：ＲＡＳＤ）成分の第１のセットを抽出するために使用することができる。時系列波形データセット１１６から抽出されたＲＡＳＤ成分の第１のセットの各々は、時系列波形データセット１１６を収集するときに使用される場合がある、または提示される場合がある対照条件を表すことができる。対照条件は、時系列波形データを収集している間に実施される場合がある試験とすることができる。これらの試験の実施例は、機械またはエンジン、ならびに他の試験から、時系列波形データ（例えば、ＥＥＧデータ）を収集する間に対象によって実施することができる認知試験、時系列波形データ（例えば、ＥＣＧデータ）を収集する間に対象によって実施することができる物理的試験、時系列波形データを収集する間に執行することができる性能試験を含むことができる。さらに、対照条件は、時系列波形データが収集される制御環境内の条件とすることができる。

対照条件として認知試験が執行され、使用される間にＥＥＧデータがいくつかの対象から収集されるところの図示として、ＲＡＳＤ成分抽出モジュール１１０は、個々の対象に対するＥＥＧデータからＲＡＳＤ成分の第１のセットを抽出することができる。例えば、認知試験が、記憶負荷成分、存在／不在成分、および複製成分を含む場合、成分を、抽出されるＲＡＳＤ成分（すなわち、記憶負荷ＲＡＳＤ成分、存在／不在ＲＡＳＤ成分、および複製ＲＡＳＤ成分）の１つで表すことができる。本技術のこの適用または他の適用に対しては、データが収集されると時系列波形データセットを処理することができる、またはデータ収集後に処理することができることが留意される。データは、最近収集された可能性があり、またはいくつかの場合には、データは、データの貯蔵収集から取得された可能性があり、引き続いて処理される。

ＲＡＳＤ成分の第１のセットを、各々の対照条件がＲＡＳＤ成分によって表される場合がある時系列波形データセット１１６から抽出した後、ＲＡＳＤ成分の第１のセットを、ＲＡＳＤ成分適合モジュール１１２に提供することができる。時系列波形データセット内に含まれる他の対象を表すＲＡＳＤ成分を適合し、結果として単一の個々のものに対する時系列波形データセットから抽出されるＲＡＳＤ成分を得るために、ＲＡＳＤ成分適合モジュール１１２を使用することができる。換言すれば、個々（例えば、人または機械）の中の波輪郭を分離するためにＲＡＳＤ成分抽出モジュール１１０を使用することができ、次いで、個々（例えば、人または機械）の間の分類を特定するためにＲＡＳＤ成分適合モジュール１１２を使用することができる。次いで、適合処理は、分類との関係を判定するように分析することができるＲＡＳＤ成分の第２のセットを生成する。

次いで、ＲＡＳＤ成分の第２のセットを、分析モジュール１１４に提供することができる。分析モジュール１１４を、ＲＡＳＤ成分の第２のセットに関連付けられた分類との関係を特定するために使用することができる。例えば、性別などの分類を、ＥＥＧ ＲＡＳＤ成分を分析することによって判定することができる。さらに、ＥＥＧ ＲＡＳＤ成分を使用して、依存症、うつ病、強迫行為、学業成績、および同様のものなどの分類の例を生成することができる。一実施例では、分散分析（ａｎａｌｙｓｉｓ ｏｆ ｖａｒｉａｎｃｅ：ＡＮＯＶＡ）を、分類との関係を特定するために使用することができる。別の実施例では、多変量分散分析（ｍｕｌｔｉｖａｒｉａｔｅ ａｎａｌｙｓｉｓ ｏｆ ｖａｒｉａｎｃｅ：ＭＡＮＯＶＡ）を、分類との関係を特定するために使用することができる。理解されるであろうように、ＲＡＳＤ成分の第２のセットを分析するために、様々な方法を使用することができ、かつ使用することができるいずれの方法も、技術の範囲内である。

図２は、本技術が実行される場合がある遠隔システム２００の様々な構成要素の例を図示する。遠隔システムは、コンピューティングデバイス２１０を含むことができ、遠隔システムは、通信ネットワーク２３６によって顧客デバイス２３８と通信している。一実施例の構成では、コンピューティングデバイス２１０は、データストア２１２、平均化モジュール２２０、成分抽出モジュール２２２、成分適合モジュール２２４、分析モジュール２２６、ならびに本明細書では詳細に考察していない他のサービス、プロセス、システム、エンジン、または機能性を含むことができる。

図１に記載したシステムと同様に、システム２００は、いくつかの場合には分類の目的のために、非周期的成分を時系列波形データセットから抽出するために使用することができる。データストア２１２は、時系列波形データを含む、１若しくはそれ以上の時系列波形データセット２１４を含むことができる。一実施例の構成では、平均化モジュール２２０は、時系列波形データセット２１４をデータストア２１２から取得し、時系列波形データセット２１４の選択された時点に対して平均値を計算する場合がある。例えば、時系列波形データセット２１４内の隣接するデータ値を、平均化し、それによって時系列波形データセット２１４内に含まれる時点の数を低減することができる。隣接した値を時系列波形データセット２１４内で平均化することによって、時系列波形データセット２１４のサイズを低減して、非周期的成分を時系列波形データセット２１４から抽出するために、時系列波形データセット２１４をより管理しやすくすることができる。隣接していないデータ値を平均化することができるようにすることも企図される。さらに、データセットのサイズを低減する他の技法も本範囲内である。

次いで、時系列波形データセット２１４を、成分抽出モジュール２２２に提供することができる。一実施例の構成では、例えば、時系列波形データセット２１４を因数分解するために、成分抽出モジュール２２２を使用することができる。時系列波形データセット２１４を因数分解することができ、結果として得られる因数分解したデータセットは、時系列波形データセットに含まれる場合がある大多数の分散を説明する十分な因数を含む。時系列波形データセット２１４の実施例は、単一の対象（すなわち、人または機械）に対するデータ行列である場合があり、データ行列の各々の列が、事象関連電位（ＥＲＰ）輪郭内の時点を表す。データ行列は、半正定値の形をとる場合があり、データ行列は、データ行列の次数より低い階数を有する。さらに、データ行列は、時点のアーム相関行列、時点の共分散行列、または時点の平方和と交差積（Ｓｕｍｓ ｏｆ Ｓｑｕａｒｅｓ ａｎｄ Ｃｒｏｓｓ Ｐｒｏｄｕｃｔｓ：ＳＳＣＰ）である場合がある。

成分抽出モジュール２２２は、時系列波形データセットを取り込むのに使用される対照条件を表す、ＥＲＰ輪郭を特定するために使用することができる。例えば、ＥＥＧデータを被験者から取り込むとき、被験者は認知活動を測定するために設計された様々なタスクを実施するように依頼される場合がある。被験者によって実施される認知課題を、時系列波形データセットを取り込むために使用される対照条件とすることができる。時系列波形データセットを取り込むために使用される対照条件の一実施例を、記憶負荷成分とすることができる。説明するように、被験者は、ＥＥＧ記録デバイスに接続されるＥＥＧ電極を適合する場合がある。被験者は、所与の一組の数字（例えば、５と７）を覚えるように依頼される場合がある。被験者が覚えるように依頼される一組の数字の数（例えば、２つ）を、記憶負荷対照条件とすることができる。次いで、被験者に数字が示される場合があり、一組の数字のうちの１つが表示されるたびに被験者は、ボタンを押すように指示される場合がある。被験者が覚えた数字のうちの１つとして、数字の存在および不在を認知することを、別の対照条件、すなわち、存在／不在対照条件とすることができる。成分抽出モジュール２２２は、時系列波形データセットから各々の対照条件（すなわち、記憶負荷対照条件および存在／不在対照条件）に対してＥＲＰ輪郭を特定することができる。上記の実施例で、対照条件は、方法を実証し、説明するために使用されており、したがって本技術の範囲を制限しないことに留意するべきである。時系列波形データセットを取り込むとき、任意の対照条件を成分として使用することができる。

時点のアーム相関行列を使用する一実施例では、非周期的成分をアーム相関行列から抽出するために、因子分析を実施することができる。時点の共分散行列を使用する一実施例では、非周期的成分を共分散行列から抽出するために主成分分析を実施することができる。そして時点の平方和と交差積（Ｓｕｍｓ ｏｆ Ｓｑｕａｒｅｓ ａｎｄ Ｃｒｏｓｓ Ｐｒｏｄｕｃｔｓ：ＳＳＣＰ）行列を使用する一実施例では、非周期的スペクトル分解（ａｐｅｒｉｏｄｉｃ ｓｐｅｃｔｒａｌ ｄｅｃｏｍｐｏｓｉｔｉｏｎ：ＡＳＤ）成分をＳＳＣＰ行列から抽出するために、スペクトル分解分析を実施することができる。

時点のＳＳＣＰ行列を使用する一実施例の構成では、個々の対象に対する時点の行列を生成することによって、非周期的成分の第１のセットを抽出するために、成分抽出モジュール２２２を使用することができる。時点のＳＳＣＰ行列から固有ベクトルを抽出するためにスペクトル分解を使用することができる。抽出される固有ベクトルは、時系列波形データセットを収集するために使用される１若しくはそれ以上の対照条件を取り込む。

次いで、時点のＳＳＣＰ行列に抽出された固有ベクトルから導出される正規化した固有ベクトルの行列を掛けることによって、潜在変数得点行列を生成することができる。潜在変数得点は、個々の非周期的成分を得るために、正規化した固有ベクトル行列を掛けることができる係数である。

より精密な非周期的成分を得るために、非周期的成分の第１のセットを、さらに操作することができる。すなわち、非周期的成分の第１のセットに回帰分析を実施することができる。次いで、時系列波形データセット２１４を収集するために使用される対照条件を表す非周期的成分の第１のセットに抽出されることによって、非周期的成分の第１のセットを成分適合モジュール２２４に提供することができる。他の対象の時系列波形データセット２１４を非周期的成分の第１のセットのものに「適合する」ために、成分適合モジュール２２４を使用することができる。このようにすることによって、非周期的成分の第２のセット（例えば、うつ病、依存症、等々）に関連付けられた分類との関係を特定するために使用することができる、非周期的成分の第１のセットから非周期的成分の第２のセットを生成することができる。

一実施例の構成では、非周期的成分の第１のセットの非周期的成分の各々の成分分析を順次実施するために、成分適合モジュール２２４を使用することができる。次いで、非周期的成分の第２のセットを生成する非周期的成分の第１のセットを使用して、回帰分析を実施することができる。非周期的成分の第２のセットは、時系列波形データセット２１４を得た複数の対象を表すことができる。次いで、非周期的成分の第２のセットを、分析モジュール２２６に提供することができ、非周期的成分の第２のセットに関連付けられた分類との関係を判定するために使用することができる。換言すれば、非周期的成分の第２のセットは、対象の群を分化するために使用することができる。例えば、対象の非周期的成分が人のＥＥＧデータを表す場合があるとき、非周期的成分は、対象の性別、または対象がうつ病、片頭痛、依存症、またはいずれかのタイプの神経障害を有するかどうかを特定する場合がある。

分析の結果を、顧客デバイス２３８およびユーザーインターフェイスを介してユーザーに提供することができる。顧客デバイス２３８は、ネットワーク２３６上でデータを送信および受信する能力を有する場合がある任意のデバイスを含むことができる。顧客デバイス２３８は、例えば、コンピューティングデバイスなどのプロセッサベースのシステムを具備することができる。かかるコンピューティングデバイスは、１若しくはそれ以上のプロセッサ２４６、１若しくはそれ以上の記憶モジュール２４４、およびグラフィカルユーザーインターフェース２４０を含むことができる。顧客デバイス２３８は、デスクトップコンピュータ、ラップトップ若しくはノートブックコンピューター、タブレットコンピューター、メインフレームコンピューターシステム、ハンドヘルドコンピュータ、ワークステーション、ネットワークコンピュータ、または同様の能力を有する他のデバイスなどのデバイスとすることができるが、これに限定されない。顧客デバイス２３８は、液晶ディスプレイ（ｌｉｑｕｉｄ ｃｒｙｓｔａｌ ｄｉｓｐｌａｙ：ＬＣＤ）画面、ガスプラズマ式フラットパネルディスプレイ、ＬＣＤプロジェクター、陰極線管（ｃａｔｈｏｄｅ ｒａｙ ｔｕｂｅ：ＣＲＴ）、又は他のタイプのディスプレイデバイスなどのディスプレイ２４２、等々を含むことができる。

コンピューティングデバイス２１０上に含まれる様々なプロセスおよび／または他の機能性を、様々な実施例による１若しくはそれ以上の記憶モジュール２３２と通信している１若しくはそれ以上のプロセッサ２３０上で実行することができる。コンピューティングデバイス２１０は、例えば、サーバーまたはコンピューティング能力を提供する任意の他のシステムを具備することができる。代替的には、例えば、１若しくはそれ以上のサーバーバンク若しくはコンピューターバンク、または他の配設により配設される多数のコンピューティングデバイス２１０を採用することができる。便宜上の目的で、コンピューティングデバイス２１０は単数で記載される。しかしながら、上記のような様々な配設で複数のコンピューティングデバイス２１０が採用される場合があることが理解される。

様々なデータは、コンピューティングデバイス２１０でアクセス可能なデータストア２１２内に格納される場合がある。「データストア」という用語は、任意の組合せおよび任意の数のデータサーバー、リレーショナルデータベース、オブジェクト指向データベース、クラウドストレージシステム、データ格納デバイス、データウェアハウス、フラットファイル、および任意の集中型の、分配した、またはクラスター化した環境のデータ格納構成を含む場合がある、データを格納、アクセス、整理、および／または取得する能力を有する、任意のデバイス若しくはデバイスの組合せを指す。データストア２１２の格納システム構成要素は、ストレージエリアネットワーク（Ｓｔｏｒａｇｅ Ａｒｅａ Ｎｅｔｗｏｒｋ：ＳＡＮ）、クラウドストレージネットワーク、揮発性若しくは不揮発性のＲＡＭ、光学媒体、またはハードドライブタイプの媒体などの格納システムを含むことができる。理解することができるように、データストア２１２を複数のデータストア２１２の代表とすることができる。

ネットワーク２３６は、イントラネット、インターネット、ローカルエリアネットワーク、広域ネットワーク、ワイヤレスデータネットワーク、または任意の他のかかるネットワーク若しくはこれらの組合せを含む、任意の有用なコンピューティングネットワークを含むことができる。かかるシステムのために利用される成分は、選択されたネットワークおよび／または環境のタイプに少なくとも部分的に依存する可能性がある。ネットワーク上の通信は、有線または無線接続、およびこれらの組み合わせによって有効になる場合がある。

図１および図２は、ある特定の処理モジュールが、この技術に関連して考察される場合がありかつこれらの処理モジュールはコンピューティングサービスとして実装される場合があることを図示する。一実施例の構成では、モジュールは、サーバーまたは他のコンピューターハードウエア上で実行される１若しくはそれ以上のプロセスを有するサービスと考えられる場合がある。かかるサービスは、リクエストを受信し、他のサービス若しくは消費者デバイスに出力を提供する場合がある、集中型でホストされる機能性、またはサービスアプリケーションである場合がある。例えば、サービスを提供するモジュールは、サーバー、クラウド、グリッド、またはクラスターコンピューティングシステムでホストされるオンデマンドコンピューティングと考えられる場合がある。アプリケーションプログラムインタフェース（ａｐｐｌｉｃａｔｉｏｎ ｐｒｏｇｒａｍ ｉｎｔｅｒｆａｃｅ：ＡＰＩ）は、第２のモジュールが、第１のモジュールにリクエストを送信し、第１のモジュールから出力を受信することを可能にするように各々のモジュールに対して提供される場合がある。かかるＡＰＩｓは、第三者がモジュールとインタフェースし、かつモジュールにリクエストし、モジュールから出力を受信するのを可能にする場合がある。図１および図２は、上記の技法を実施する場合があるシステムの実施例を図示するが、多くの他の類似のまたは異なる環境が可能である。上記に考察および図示される実施例の環境は、単に代表的なものであり、限定ではない。

図３は、分類の目的のために、非周期的成分を時系列波形データセットから抽出する方法の一実施例を図示する流れ図である。ブロック３１０で開始し、一部の場合には対照条件を含む制御環境内で、時系列波形データセットを収集することができる。制御環境は、対象の試験を実施することができる、臨床検査室などの環境とすることができる。対象を試験するとき、時系列波形データセットを収集するために、対照条件を使用することができる。対照条件は、対象に対する波形データが記録される間に対象が実施する試験に含まれる、認知試験要素、物理的試験要素、または機械的試験要素などの、試験要素とすることができる。また、対照条件は、制御環境内で操作することができる環境的条件な条件とすることができる。この記述、ならびに本開示全体については、「対象］という用語は、哺乳動物、非哺乳動物、実験動物、ヒト、等々などの生体、ならびにモーター、エンジン、地質学的形成、および同様のものなどの被生物品目を指すことができることが留意される。対象は、追加的にその中で音響的測定を実施するために使用される、部屋の寸法などの空間とすることができる。このように、対象がそのように「実施している」と記述されるとき、性能を含む。例えば、馬が走っているときに分析することができる。別の実施例としては、エンジンの性能を、本明細書に記載するのと同様の様式で分析することができる。測定可能な非周期的成分を有するある区域の音響も、同様に分析することができる。

図３に戻ると、ブロック３２０に示すように、複数の対象のうちの単一の対象に対する時系列波形データセットの成分の分析を実施することができ、それによって非周期的成分の第１のセットが、制御環境の対照条件（例えば、試験成分）を表す時系列波形データセットから抽出される。換言すれば、時系列波形データセットは、複数の対象（すなわち、複数の人または複数の機械）に対する波形データを含むことができる。複数の対象のうちの単一の対象を表す時系列波形データの部分集合を、選択することができ、次いで、その時系列波形データの部分集合の成分分析を実施することができ、結果として非周期的成分の第１のセットが得られる。一実施例では、複数の対象のうちの各々の残りの対象に対して上記のプロセスを繰り返すことができる。

一実施例の構成では、時系列波形データセットからの時点のアーム相関行列を生成することができ、非周期的成分をアーム相関行列から抽出するために因子分析を使用することができる。別の実施例の構成では、時系列波形データセットからの時点の共分散行列を、生成することができ、非周期的成分を共分散行列から抽出するために主成分分析を使用することができる。そしてさらに別の実施例の構成では、時点の平方和と交差積（ｓｕｍｓ ｏｆ ｓｑｕａｒｅｓ ａｎｄ ｃｒｏｓｓ ｐｒｏｄｕｃｔｓ：ＳＳＣＰ）行列を時系列波形データセットから生成することができ、非周期的スペクトル分解（ａｐｅｒｉｏｄｉｃ ｓｐｅｃｔｒａｌ ｄｅｃｏｍｐｏｓｉｔｉｏｎ：ＡＳＤ）成分をＳＳＣＰ行列から抽出するためにスペクトル分解分析を使用することができる。

ブロック３３０で示すように、対照条件を表す非周期的成分の第１のセットを抽出した後、非周期的成分の第１のセットの成分分析を実施して、複数の対象を表す非周期的成分の第２のセットを生成することができる。ブロック３４０で示すように、非周期的成分の第２のセットに関連付けられた分類との関係を特定するために、非周期的成分の第２のセットを分析することができる。例えば、対象の間で、非周期的成分の第２のセットを使用して分析を実施することができる。対象の間での分析は、分類に結びつけることができる非周期的成分の第２のセットに含まれる関係を判定する場合がある。例えば、時系列波形データセットがＥＥＧデータを含む場合があるとき、非周期的成分の第２のセットに含まれる関係は、うつ病、片頭痛、依存症、強迫性障害、および／または低い学業成績などの認知分類に結びつけられる場合がある。

下記は、ＥＥＧ波形データの事象関連電位（ＥＲＰ）を分析するために例示的な方法を使用することができる技術を実施する方法の具体的な実施例を提供する。ＥＲＰｓは、知覚課題または認知課題に関連付けられた脳のプロセスの時系列輪郭を進行中の他の脳のプロセスの複雑な組合せから分離する、高度に制御されかつ簡略化した波形を生成する。ＥＲＰｓは、刺激によって開始されたすべての処理活動が増幅され、一方で処理されていない実行中の脳の活動が平均化して消えていくように刺激と時間的に同期している脳の活動の記録（例えば、各々の輪郭が約７５０ミリ秒の長さを有する）を平均化することによって、これを行うことができる。

ＥＲＰｓの分析へのいくつかの従来の方策が、制御された条件操作から結果として得られる波輪郭を取り込む従属変数として、振幅および「ピークピッキングした」成分（Ｎ２００、Ｐ３００、ＬＮ、ＬＰ、等々）の待ち時間を利用することに留意するべきである。かかる方策からの初期の結果は、各々の制御条件に対してわずかに有意なＦ値を有するだけの残念なものだった。ごくわずかな結果に対する１つの可能性のある説明は、測定した波形のピークの振幅および待ち時間が、波輪郭の全体論的な状況から分離しており、したがって診断の目的に対して有用となる情報を波輪郭から十分に取り込まないためとすることができる。また、ピークピッキングプロセスからの振幅および待ち時間は、波輪郭内の法則定立的情報および表意的な情報を適切に分離しない場合がある。

ＥＲＰ輪郭を分離した認知成分へと解体する一実施例は、対照条件によって生成された単純かつ系統的な法則定立的情報から、指紋のように非常に特異的である可能性がある複雑な表意情報を分解するプロセスを含むことができる。換言すれば、計算されたＥＲＰ波輪郭の集合のスペクトル分解は、法則定立的情報から波形内の表意情報を分離するうえで有効にすることができる。プロセスは、数学的プロセスによって複雑な波形がその構成要素の正弦波に分解される音声波形の音響分析では、高速フーリエ変換（Ｆａｓｔ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍｓ：ＦＦＴ）と類似させることができる。違いは、ＦＦＴでの正弦波成分は、周期的かつ規則的（すなわち、特定周波数の一定した周期性の正弦波）であるのに対し、非周期的スペクトル分解プロセスによって抽出される成分は、非周期的かつ不規則な形状であることである場合がある。

非周期的スペクトル分解成分は、対照条件（すなわち、認知試験）情報の法則定立的部分の誤差項を低減することができ、結果として大きいＦ値が得られる。このように、本技術を、ＥＲＰデータの精密な時間的な微細構造から非常に価値のある診断情報を抽出するために使用することができる。

１つの具体的な実施例では、７人の被験者（４人の男性および３人の女性）に対するＥＥＧ波形データが分析された。被験者は、「２と７」または「８と３と５と９」などの所与の一組の数字を覚えるように依頼される。次いで、各々の被験者に、１つずつ示される数字の連続を視覚ディスプレイデバイス上で与え、前に示した数字があらわれるたびごとにボタンを押すように指示し（存在応答）、または示したもののうちの１つ以外の数字が現れるたびごとにボタンを押すように指示することができる（不在応答）。

各々の被験者が６００回応答した場合、６つの対照条件の各々に対して５０回、２つの応答条件（すなわち、存在応答および不在応答）の各々に対する記憶負荷（ｍｅｍｏｒｙ ｌｏａｄ：ＭＬ）の３つのレベルがある。各々の対照条件に対する５０個の波形は、１２の対照条件の各々に対するＥＲＰ輪郭を生成するために平均することができる。これは、７人の被験者の各々に対して、および国際１０−２０法による５つの電極位置、すなわちＦｚ、Ｃｚ、Ｏｚ、Ｔ３、およびＴ４における記録の各々に対して行うことができる。コンピューティングデバイスは、同時に被験者の反応時間およびＥＲＰデータも収集することができる。

平均的な輪郭を、ＭＬ＝２、ＭＬ＝４、およびＭＬ＝６の記憶負荷レベルに対して、存在応答に対してだけでなく不在応答に対しても、の両方（すなわち、全部で６つ）について、７人の被験者の各々の、５つの位置の各々（すなわち、全部で２１０個）について計算することができる。６つの対照条件に対する、５つの位置における（すなわち、３０個）平均的な輪郭も、７人の被験者にわたって輪郭を平均することによって計算することができる。図４Ａ〜図４Ｄは、これらの輪郭のうちの１２個、すなわち４つのパネルの各々に３つのＭＬレベルを有する輪郭を示す。具体的には、図４Ａ〜図４Ｄは、記憶負荷（ＭＬ＝２、４、または６桁）の効果を示す７人の被験者にわたる総平均を提供する。図４Ａおよび４Ｂは、記憶負荷（ＭＬ＝２、４または６桁）の効果を示す、７人の被験者にわたる総平均に対するＭＬの効果を示す。図４Ａおよび図４Ｂは、ＭＬの効果を示し、図４ＡではＯｚ位置での存在応答に対する、図４ＢではＦｚ位置での存在応答に対する、ＭＬの効果を示す。図４Ｃおよび図４Ｄは、不在応答条件ｒ存在応答に対する同一の情報を示し、図４ＣではＯｚ位置での、そして図４ＤではＦｚ位置での情報を示す。

対照条件の効果にもかかわらず、統計的試験および目視検査によって確認されるように、非周期的成分は、非周期的成分が被験者の間で分化するために必要な系統的な精度を有する認知情報を取り込んでいないことを明らかにした。したがって、非周期的成分を回転する方法を使用して、回帰的非周期的スペクトル分解（ＲＡＳＤ）成分を生成することができる。この方法は、回帰的主成分分析に対する類似性を有する場合があるが、個々の平方和と交差積（ＳＳＣＰ）行列および本非周期的成分プロセスの共分散行列に適用することができる。

このプロセスは、ＲＡＳＤ構造化されたグラフの表、および付随するＲＡＳＤリーマン球面グラフに系統的なパターンを生成することができる。ＲＡＳＤ分析は、法則定立的情報（すなわち、係数に反映される対照条件）を表意情報（すなわち、ＲＡＳＤ輪郭に反映される各々の被験者の個人的特性）から分離することができる。

一実施例として、単一の被験者に注目すると、各々の被験者に対する個々のデータ行列は、１２行（すなわち、３つのＭＬレベル掛ける、２つのＰＡレベル掛ける、２つの複製）および１６０列（すなわち、ＥＲＰ輪郭内の１６０個の時点）を有して構築することができる。非周期的スペクトル分解（ＡＳＤ）分析は、第一に、各々の被験者に対して、１６０×１６０ＳＳＣＰ行列、共分散行列、または時点の相関行列を生成することを含むことができる。行列は、行列の次数より低い階数を有する正の半定値の形式とすることができる。この実施例では、その演算には１２行しか入れられないので、行列の最高階数は１２である。次いで、３つの固有ベクトルを、記憶負荷（ＭＬ）認知プロセス、存在／不在（ＰＡ）認知プロセス、および複製１から複製２への時間変化成分を表すＥＲＰ輪郭を取り込むＳＳＣＰ行列から抽出するためにスペクトル分解アルゴリズムを使用することができる。

潜在変数得点（ＭＬ、ＰＡ、および複製対照条件に対する）の１２×３行列は、１２×１６０行列に正規化した固有ベクトルの１６０×３行列を掛けることによって生成することができる。これらの潜在変数得点を、固有ベクトル（図５の一番上にあるＡＰＣ輪郭）を掛けると図５の行１から行６までに示す個々の非周期的波形成分が得られる、係数とすることができる。図５の最初の３つの縦列は、ＭＬ、ＰＡ、および複製操作に対する個々の非周期的波形成分をそれぞれ示す。図５の波輪郭の第４の縦列は、左側の波形成分を合成した合計であり、図５の第５のそして最後の縦列は、１２個の実験的な条件の各々に対する実際の経験的な波形を含む。概して、図５は、１２個の波形の３つのＡＳＤ成分、すなわち記憶負荷、存在応答対不在応答、および複製への分解を示す、単一の被験者に対するＡＳＤ構造化されたグラフの表を示す。

波輪郭分解のプロセスを、元の入力データ波輪郭内のほとんどすべての分散を説明するほど十分大きい一組の主成分を抽出することによって達成することができ、次いで、今度は対照条件重みをこれらの主成分（すなわち、１２個の対照条件輪郭を用いる記憶検索データ）上に回帰する。結果として、ＡＳＤ分析およびグラフ（すなわち、非周期的スペクトル分解成分）は、ＲＡＳＤ分析およびグラフ（すなわち、回帰的非周期的スペクトル分解成分）によって置き換えることができる。

次いで、ＲＡＳＤ分析およびグラフを、診断情報を個々のＲＡＳＤ成分から抽出することができる「対象間分析」プロセスに提供することができる。すなわち、プロセスを、ＲＡＳＤ成分の形状から精神神経異常を定量化および診断するために使用することができる。プロセスは、上述のＲＡＳＤ成分を生成するために使用されるものと同様である場合がある。プロセスは、各々のＲＡＳＤ成分（すなわち、ＭＬ成分、ＰＡ成分、および複製成分）に対して１回適用することができ、結果としてＲＡＳＤ成分の第２のセットが得られる。このＲＡＳＤ成分の第２のセットから、「被験者間分析」を実施することができる。

以下は、ＲＡＳＤグラフおよび分析を生成することができる演算的方法のより具体的な実施例である。同様の図式的な結果および統計的な結果を生成することができる多重の方法が、利用可能である場合があること、およびこれらの方法が本開示の範囲内であることに留意するべきである。以下は、診断の目的のために、非周期的成分を時系列波形データセットから抽出するために使用することができる、単に１つの方法にすぎない。

方法は、２つの演算的モジュールを含む場合があり、第１の演算的モジュールは、「対象内分析」を実施する場合があり、かつ第２の演算的モジュールは、「対象間分析」を実施する場合がある。第１の演算的モジュールは、複数の対象（すなわち、人）および位置（すなわち、脳の位置）に対する時系列波形データを含む時系列波形データセットを用いて開始することができる。この実施例では、時系列波形データセットは、４２０行（すなわち、１２対照条件輪郭掛ける、３５人／位置）および１６０列（すなわち、各々の波輪郭を定義することができる４ミリ秒間隔で離れた時間データ点）の行列とすることができる。

初期分析のために、１つの対象に対する１つのＥＥＧ位置における１２×１６０部分行列を、分離することができる。隣接するデータ点を平均化することによって、１２×１６０行列を、１２×８０行列に縮小することができ、または代替的に、１２×１６０行列全体を分析することができる。図示の単純化のために、この実施例は、１２×８０行列を使用する。

次に、８０×８０相関行列を、１２×８０行列から生成することができ、これにより、８０×９因子負荷量行列および１２×９因子得点行列内の９成分（ほとんどすべての分散を説明するために十分）を抽出するために主成分分析を使用することができる。

１２×３対照条件行列（記憶負荷に対しては２、４、または６のレベル、存在／不在に対して、１または２、そして複製に対しては１または２を有する）は、構築され、標準化され、次いで１２×９因子得点行列に付加される。

９×３回帰係数行列を生成するために、対照条件の各々（すなわち、記憶負荷条件、存在／不在条件、および複製条件）を、９つの主成分に回帰することができる。

８０×９因子負荷量行列を、９×３回帰係数行列によって事後乗算して、８０×３の回帰した因子負荷量行列を得ることができる。８０×３の回帰した因子負荷量行列の３つの列は、３つの対照条件記憶負荷、存在／不在、および複製を表す波輪郭である。同様に、１２×９因子得点行列を、９×３回帰係数行列で事後乗算し、１２×３の回帰した因子得点行列を得ることができる。

対象および位置の３５個のすべての組合せに対して、第１の演算的モジュールのプロセスを繰り返すことができる。第２の演算的モジュールに提供することができる８０×１０５の回帰した因子得点入力行列を生成するために、各々が８０×３行列である、３５個の回帰した因子負荷量行列を、相互に付加することができる。

ここで、第２の演算モジュールに移ると、８０×１０５の回帰した因子得点入力行列を、第２の演算モジュール内に入力し、対照条件のうちの１つを含む、８０×３５対照条件部分行列は、第１の分析のために分離される。記憶負荷対照条件（ＭＬ）が最初に選択されると仮定した場合には、８０×８０相関行列を８０×３５ＭＬ部分行列から生成することができ、かつ８０×８０相関行列内のほとんどすべての分散を説明するために、主成分分析を十分な成分を抽出するために使用することができる。８０×２１因子負荷量行列および３５×２１因子得点行列（７人の被験者の５つのＥＥＧ位置の各々を表す３５行を有する）は、主成分分析から収集される。

６つの設計対照、すなわち、被験者の性別および５つのＥＥＧ位置（すなわち、ＣＺ、ＦＺ、ＯＺ、Ｔ３、およびＴ４）の各々に対する二成分対照が分析のために使用されると仮定した場合、３５×６設計対照行列は、標準化され、かつ３５×２１因子得点行列に接合される。

６つの設計対象の各々（すなわち、性別、ＣＺ、ＦＺ、ＯＺ、Ｔ３、およびＴ４）を、２１主成分上に回帰することができ、結果として２１×６回帰係数行列が得られる。次いで、８０×２１因子負荷量行列を、２１×６回帰係数行列によって事後乗算し、８０×６の回帰した因子負荷量行列を得ることができる。同様に、３５×２１因子得点行列を、２１×６回帰係数行列によって事後乗算し、３５×６の回帰した因子得点行列を得ることができる。分析の焦点が、性別の違いを特定することである場合、因子得点の３５×１ベクトルを分離することができる。

上記のプロセスを、分析への入力として存在／不在対照条件、および複製対照条件を用いて繰り返し、かつ因子得点の３つの３５×１ベクターを３５×３の回帰した因子得点行列に組み合わせることができる。次いで、分散分析（ＡＮＯＶＡ）または多変量分散分析（ＭＡＮＯＶＡ）を、男性と女性の因子得点比較するために使用することができる。

これらのデータ上のＭＡＮＯＶＡは、０．０２４５のウィルクスのラムダ値を得、これは０．９７５５の多変量Ｒ二乗値を応答する。一変量ＡＮＯＶＡの各々は、強く、かつ重要な関係も示し、記憶負荷が最も強く（Ｆ（１，３３）＝５２７．６９、ｐ<０．０００１、Ｒ２＝０．９４１）、存在／不在がその次に最も強く応答し（Ｆ（１，３３）＝３７３．９３、ｐ<０．０００１、Ｒ２＝０．９１９）、そして複製が最も強くない（Ｆ（１，３３）＝３３４．８７、ｐ<０．０００１、Ｒ２＝０．９１０）。

第２の演算的モジュールの焦点は、被験者の群を分化するために使用される回帰した因子得点であるが、回帰した因子負荷量も使用される場合がある。例えば、ベクトルプロット球体は、各々の群および被験者が位置付けられる場合がある位置の意味を解釈する上では、一時的な精度で分化したグループ間の波輪郭中の対照を示すエンベローププロットが可能なのと同程度有用である可能性がある。

図６は、この技術のモジュールがその上で実行される場合がある、コンピューティングデバイス６１０の１つの非限定的な例を図示する。コンピューティングデバイス６１０が図示され、この技術の高いレベルの実施例がその上で実行される場合がある。コンピューティングデバイス６１０は、記憶装置６２０と通信している１若しくはそれ以上のプロセッサ６１２を含む場合がある。コンピューティングデバイス６１０は、コンピューティングデバイス内の成分のために、ローカル通信インタフェース６１８を含む場合がある。例えば、ローカル通信インタフェースは、所望される場合があるように、ローカルデータバスおよび／または任意の関連するアドレス若しくは制御バスであってもよい。

記憶装置６２０は、プロセッサ（複数可）６１２およびモジュール６２４に対するデータによって実行可能なモジュール６２４を含む場合がある。モジュール６２４は、以前に記載した機能を実行する場合がある。データストア６２２は、プロセッサ（複数可）６１２によって実行可能な、オペレーティングシステムとともに、モジュールに関連するデータおよび他のアプリケーションを格納するために記憶装置６２０内に位置付けられる場合もある。

他のアプリケーションは、記憶装置６２０にも格納される場合があり、かつプロセッサ（複数可）６１２によって実行可能な場合がある。この明細書で考察される、ソフトウェアの形態で実装される場合がある成分またはモジュールは、高いプログラミングレベルの言語を使用しており、これは方法の混成物を使用してコンパイルされ、解釈され、または実行される。

コンピューティングデバイスは、コンピューティングデバイスによって使用可能であるＩ／Ｏ（入力／出力）デバイス６１４へのアクセスも有する場合がある。Ｉ／Ｏデバイスの一実施例は、コンピューティングデバイスからのディスプレイ出力に対して利用可能であるディスプレイ画面６４０である。他の既知のＩ／Ｏデバイスは、所望により、コンピューティングデバイスとともに使用される場合がある。ネットワーキングデバイス６１６および類似の通信デバイスを、コンピューティングデバイス内に含む場合がある。ネットワーキングデバイス６１６は、インターネット、ＬＡＮ、ＷＡＮ、または他のコンピューティングネットワークに接続する有線または無線ネットワーキングデバイスである場合がある。

記憶装置６２０に格納されるように示される成分またはモジュールは、プロセッサ（複数可）６１２によって実行される場合がある。「実行可能ファイル」という用語は、プロセッサ６１２によって実行される場合がある形態のプログラムファイルを意味する場合がある。例えば、より高いレベルの言語によるプログラムは、記憶装置６２０のランダムアクセス部分内へとロードされる場合があるフォーマットで機械コードへとコンパイルされる場合があり、かつプロセッサ６１２によって実行される場合があり、またはソースコードは、別の実行可能なプログラムによってロードされる場合があり、かつプロセッサによって実行されるようにメモリーのランダムアクセス部分内で命令を生成するように解釈される。実行可能なプログラムは、記憶装置６２０の任意の部分または成分内に格納される場合がある。例えば、記憶装置６２０は、ランダムアクセスメモリ（ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ：ＲＡＭ）、読み出し専用メモリ（ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ：ＲＯＭ）、フラッシュメモリ、ソリッドステートドライブ、メモリカード、ハードドライブ、光学ディスク、フロッピー（登録商標）ディスク、磁気テープ、または任意の他のメモリー構成部品であってもよい。

プロセッサ６１２は、処理回路と並行して動作する多重プロセッサおよびメモリー６２０が多重の記憶ユニットを表す場合があることを表す場合がある。これは、システム内のプロセス及びデータに対して並行処理チャネルを提供する場合がある。ローカルインタフェース６１８は、多重プロセッサおよび多重メモリーの何れかの間の通信を容易にするために、ネットワークとして使用される場合がある。ローカルインタフェース６１８は、負荷の平均化、バルクデータ転送、および類似のシステムなどの通信を整合するために設計された追加的なシステムを使用する場合がある。

この技術のために提示されるフローチャートは、特定の実行の順序を暗示する場合があるが、実行の順序は図示されるものとは異なってもよい。例えば、２若しくはそれ以上のブロックの順序は、示される順序に対して並べ直されてもよい。さらに、連続して示される２若しくはそれ以上のブロックは、並行して、または部分的に並列的に実行されてもよい。いくつかの構成では、フローチャートに示される１若しくはそれ以上のブロックを、除外または省略してもよい。有用性、経理、性能、測定、トラブルシューティングの強化の目的、または類似の理由で、論理フローに任意の数のカウンター、状態変数、警告セマフォ、またはメッセージを加えてもよい。

本明細書に記載される機能的ユニットのうちのいくつかは、その実施の独立性をより具体的に強調するために、モジュールとラベル付けされている。例えば、あるモジュールは、カスタマイズされたＶＬＳＩ回路若しくはゲートアレイ、などの市販の半導体、論理チップ、トランジスタ、または他の離散的構成要素を具備するハードウエア回路として実施される場合がある。モジュールは、またフィールドプログラマブルゲートアレイ、プログラマブルアレイロジック、プログラマブルロジックデバイスまたは同様のものなどのプログラム可能なハードウェアデバイスで実施される場合もある。

モジュールは、様々なタイプのプロセッサで実行するためにソフトウェア内に実装される場合もある。特定された実行可能なコードのモジュールは、例えば、オブジェクト、プロシージャ、または機能として整理される場合がある１若しくはそれ以上のコンピューター命令のブロックを含む場合がある。にもかかわらず、特定されるモジュールの実行可能ファイルは、物理的に一緒にある必要はないが、これは、異なる位置に格納されるモジュールを含む全く異なる命令を含む場合があり、論理的に一緒に結合されると、モジュールに対する述べられた目的を達成する場合がある。

実際、実行可能なコードのモジュールは、単一の命令、または数多くの命令である場合があり、いくつかの記憶装置にわたる異なるプログラムの中でも、いくつかの異なるコードセグメントにわたって分配される場合さえもある。同様に、操作データは、モジュール内で特定されかつ本明細書に図示される場合があり、任意の好適な形態で埋め込まれ、任意の好適なタイプのデータ構造内に整理される場合がある。操作データは、単一のデータセットとして収集される場合があり、または異なる記憶装置にわたることを含む、異なる位置にわたって分配される場合がある。モジュールは、パッシブでもアクティブでもよく、所望の機能を実施するように操作可能なエージェントを含む。

本明細書に記載される技術は、コンピューター可読命令、データ構造、プログラムモジュール、または他のデータなどの情報の格納のための任意の技術を用いて実施される、揮発性および不揮発性の、取り外し可能および取り外し不可能な媒体を含む、コンピューター可読記憶媒体に格納される場合もある。コンピューター可読記憶装置媒体としては、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリもしくは他のメモリー技術、ＣＤ−ＲＯＭ、デジタル多用途ディスク（ＤＶＤ）もしくは他の光学記憶装置、磁気カセット、磁気テープ、磁気ディスク記憶装置もしくは他の磁気記憶装置、または所望の情報および記載される技術を格納するために使用する場合がある任意の他のコンピューター記憶媒体が挙げられるがこれに限らない。

本明細書に記載されるデバイスは、デバイスが他のデバイスと通信できるようにする、通信接続、またはネットワーク装置およびネットワーク接続も含む場合がある。通信接続は、通信媒体の一例である。通信媒体は、典型的には、コンピューター可読命令、プログラムモジュール、および他のデータを、搬送波または他の位相機構などの変調したデータ信号内に埋め込む場合があり、任意の情報送達媒体を含む。「変調したデータ信号」とは、１若しくはそれ以上の特性セットを有する、または情報を信号内にエンコードなどの様式で変更した信号を意味する。例としては、通信媒体としては、有線ネットワークまたは直接有線接続などの有線媒体、ならびに音響、無線周波、赤外線および他のワイヤレス媒体などのワイヤレス媒体が挙げられるがこれに限定されない。コンピューター可読媒体という用語は、本明細書で使用される場合、通信媒体を含む。

図面に図示される実施例を参照し、これを記述するために、本明細書では、特定の言語が使用される。にもかかわらず、それによって意図される技術の範囲の制限がないことが理解されるであろう。本明細書に図示される、特徴の代替物およびさらなる改造物、ならびに実施例の追加的な応用は、記述の範囲内であると考えられるべきである。

さらに、１若しくはそれ以上の実施例では、記載される特徴、構造、または特性が、任意の好適な様式で組み合わされる場合がある。前述の説明では、記載された技術の実施例の完全な理解を提供するために、様々な構成の実施例などの多数の具体的な詳細が提供される。しかしながら、１若しくはそれ以上の特定の詳細なしに、または他の方法、成分、デバイス、等々を用いてこの技術が実施されてもよいことが認識されるであろう。別の場合には、技術の態様があいまいになるの避けるために、周知の構造または操作が詳細に示されない、または記載されない場合がある。

目的物は、構造的な特徴および／または操作に特定の言語で記載されてきたが、添付の特許請求の範囲で定義される目的物は、必ずしも上述の特定の特徴および操作に限定されないことが理解されるべきである。むしろ、上述の特定の特徴および行為は、特許請求の範囲を実施する実施例の形態として開示される。多数の改造および代替的な配設が、記載される技術の趣旨および範囲から逸脱することなく考案される場合がある。

Claims (14)

1. 時系列波形データセットから非周期的成分を抽出して分類する方法であって、
   実行可能な命令とともに構成される１若しくはそれ以上のコンピューターシステムが、複数の対象の各々から対照条件を含む時系列波形データセットを収集する工程と、
   前記１若しくはそれ以上のコンピューターシステムが、各前記時系列波形データセットの成分分析を実施し、各前記複数の対象について前記対照条件を表す非周期的成分の第１のセットを抽出する工程と、
   前記１若しくはそれ以上のコンピューターシステムが、分析のために個々の対象を選択し、当該個々の対象に関連付けられた前記非周期的成分の第１のセットを特定する工程と、
   前記１若しくはそれ以上のコンピューターシステムが、前記個々の対象の前記非周期的成分の第１のセットと前記複数の対象から抽出した複数の非周期的成分の第１のセットとを成分分析して、前記複数の対象に関連付けられる条件の分類を表す非周期的成分の第２のセットを生成する工程と、
   前記１若しくはそれ以上のコンピューターシステムが、前記非周期的成分の第２のセットを分析して、前記非周期的成分の第２のセットに関連付けられる分類との関係を特定する工程と、
   を有する方法。
2. 請求項１記載の方法において、前記対照条件は、さらに、
   人によって実施される認知課題の成分を含むものである方法。
3. 請求項１記載の方法における、
   前記１若しくはそれ以上のコンピューターシステムが、各前記時系列波形データセットの成分分析を実施し、各前記複数の対象について前記対照条件を表す非周期的成分の第１のセットを抽出する前記工程において、
   前記時系列波形データセットから時点に関する相関行列を生成する工程と、
   因子分析を実施して、前記アーム相関行列から非周期的成分を抽出する工程 を有する方法。
4. 請求項１記載の方法における、
   前記１若しくはそれ以上のコンピューターシステムが、各前記時系列波形データセットの成分分析を実施し、各前記複数の対象について前記対照条件を表す非周期的成分の第１のセットを抽出する前記工程において、
   前記時系列波形データセットからの時点の共分散行列を生成する工程と、
   主成分分析を実施して、前記共分散行列から非周期的成分を抽出する工程と、
   を有する方法。
5. 請求項１記載の方法における、
   前記１若しくはそれ以上のコンピューターシステムが、各前記時系列波形データセットの成分分析を実施し、各前記複数の対象について前記対照条件を表す非周期的成分の第１のセットを抽出する前記工程において、
   前記時系列波形データセットから時点の平方和と交差積（Ｓｕｍｓ ｏｆ Ｓｑｕａｒｅｓ ａｎｄ Ｃｒｏｓｓ Ｐｒｏｄｕｃｔｓ：ＳＳＣＰ）行列を生成する工程と、
   スペクトル分解分析を実施して、前記平方和と交差積（ＳＳＣＰ）行列から非周期的スペクトル分解（Ａｐｅｒｉｏｄｉｃ Ｓｐｅｃｔｒａｌ Ｄｅｃｏｍｐｏｓｉｔｉｏｎ：ＡＳＤ）成分を抽出する工程と、
   を有する方法。
6. 請求項１記載の方法における、
   前記１若しくはそれ以上のコンピューターシステムが、各前記時系列波形データセットの成分分析を実施し、各前記複数の対象について前記対照条件を表す非周期的成分の第１のセットを抽出する前記工程において、
   前記時系列波形データセットの選択された時点について平均値を計算する工程を有する方法。
7. 請求項１記載の方法において、性別は、前記非周期的成分の第２のセット内の関係を特定するために使用される、前記非周期的成分の第２のセットに関連付けられる分類である、方法。
8. 請求項１記載の方法において、前記１若しくはそれ以上のコンピューターシステムが、前記非周期的成分の第２のセットに関連付けられる分類との関係を特定する工程は、
   うつ病、片頭痛、依存症、強迫行為障害、学業成績、気分障害、統合失調症、人格障害、双極性障害、アスペルガー症候群、自閉症、注意欠陥多動性障害（ａｔｔｅｎｔｉｏｎ ｄｅｆｉｃｉｔ ｈｙｐｅｒａｃｔｉｖｉｔｙ ｄｉｓｏｒｄｅｒ：ＡＤＨＤ）、ノイローゼ、パラノイア、初期のアルツハイマー病、初期のパーキンソン病、および初期の心臓発作からなる群から選択された分類との関係を特定する工程を有する方法。
9. 請求項１記載の方法における、
   前記１若しくはそれ以上のコンピューターシステムが、前記個々の対象の前記非周期的成分の第１のセットと前記複数の対象から抽出した複数の非周期的成分の第１のセットとを成分分析して、前記複数の対象に関連付けられる条件の分類を表す非周期的成分の第２のセットを生成する前記工程において、
   前記非周期的成分の第２のセットに関連付けられる分類との関係を特定するために分散分析（ａｎａｌｙｓｉｓ ｏｆ ｖａｒｉａｎｃｅ：ＡＮＯＶＡ）を使用する工程を有する方法。
10. 請求項１記載の方法における、
    前記１若しくはそれ以上のコンピューターシステムが、前記個々の対象の前記非周期的成分の第１のセットと前記複数の対象から抽出した複数の非周期的成分の第１のセットとを成分分析して、前記複数の対象に関連付けられる条件の分類を表す非周期的成分の第２のセットを生成する前記工程において、
    多変量分散分析（ｍｕｌｔｉｖａｒｉａｔｅ ａｎａｌｙｓｉｓ ｏｆ ｖａｒｉａｎｃｅ：ＭＡＮＯＶＡ）を使用して前記非周期的成分の第２のセットに関連付けられる分類との関係を特定する工程を有する方法。
11. 請求項１記載の方法における、
    前記１若しくはそれ以上のコンピューターシステムが、前記個々の対象の前記非周期的成分の第１のセットと前記複数の対象から抽出した複数の非周期的成分の第１のセットとを成分分析して、前記複数の対象に関連付けられる条件の分類を表す非周期的成分の第２のセットを生成する前記工程において、
    前記非周期的成分の第２のセットに関連付けられる分類との関係を特定するために、判別分析、ロジスティック回帰分析、重回帰分析、正準相関分析、および信号検出理論（Ｓｉｇｎａｌ Ｄｅｔｅｃｔｉｏｎ Ｔｈｅｏｒｙ：ＳＤＴ）分析からなる群から選択する工程を有する方法。
12. 請求項１記載の方法において、前記時系列波形データセットが制御環境内で収集されるものである方法。
13. 時系列波形データセットから非周期的成分を抽出するシステムであって、
    プロセッサと、
    前記プロセッサによって実行されたとき、前記プロセッサに、
    複数の対象の各々から対照条件を含めて取得された時系列波形データセットの成分分析を実施する因数分解モジュールであって、前記複数の対象の各々について前記対照条件を表す非周期的成分の第１のセットを抽出するものである、前記因数分解モジュールプログラムと、
    ある対象の前記非周期的成分の第１のセットと前記複数の対象から抽出した複数の非周期的成分の第１のセットとを成分分析して、前記複数の対象に関連付けられる条件の分類を表す非周期的成分の第２のセットを生成する回帰モジュールプログラムと、
    前記非周期的成分の第２のセットを分析して前記非周期成分の第２のセットに関連付けられる分類を特定する分析モジュールプログラムと、
    を実行させる命令を含む記憶装置と、
    を有するシステム。
14. 請求項１３に記載のシステムにおいて、前記記憶装置が、
    前記プロセッサによって実行されたとき、前記プロセッサに、さらに、
    前記時系列波形データセットの選択された時点についての平均値を計算する平均化モジュールプログラムを実行させる命令を含むシステム。

Images