JP6509712B2 - 印象推定装置およびプログラム - Google Patents
印象推定装置およびプログラム Download PDFInfo
- Publication number
- JP6509712B2 JP6509712B2 JP2015221019A JP2015221019A JP6509712B2 JP 6509712 B2 JP6509712 B2 JP 6509712B2 JP 2015221019 A JP2015221019 A JP 2015221019A JP 2015221019 A JP2015221019 A JP 2015221019A JP 6509712 B2 JP6509712 B2 JP 6509712B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- feature amount
- feature
- impression
- eye
- 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
Links
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Eye Examination Apparatus (AREA)
Description
本発明は、視覚によって知覚可能な像に対する印象を推定する技術に関する。
画像に対する好みに応じて瞳孔径が変化することが知られている（例えば、非特許文献１等参照）。注視点解析に基づいて画像評価を行う技術がある（例えば、非特許文献２等参照）。
中森志穂，水谷奈那美，山中敏正，「顔画像に対する好みは，瞳孔径にどう反映されるのか」，日本感性工学会論文誌，Vol. 10 (2010) No. 3，P 321-326.
Miyata, Kimiyoshi, et al. "Eye movement analysis and its application to evaluation of image quality." Color and Imaging Conference. Vol. 1997. No. 1. Society for Imaging Science and Technology, 1997.
しかしながら、視覚によって知覚可能な像に対する印象を推定する技術は知られていない。例えば、上述のように画像に対する好みに応じて瞳孔径が変化することは知られているものの、瞳孔径に基づいて画像に対する好みなどの印象を推定する技術は知られていない。また、注視点解析に基づいて画質の評価を行う技術は知られているものの、画像に対する好みのような印象を推定するものではない。
本発明の課題は、視覚によって知覚可能な像に対する印象を推定することである。
第１の像を注視する動物の目の動的な変化に基づく第１特徴量を抽出し、第１特徴量に基づいて少なくとも動物の第１の像に対する印象を推定する。
これにより、視覚によって知覚可能な像に対する印象を推定できる。
以下、本発明の実施形態を説明する。以下の説明および図面では同じ機能を持つ構成部や同じ処理を行うステップには同一の符号を付し、説明が重複する場合にはこれを省略する。
［概要］
まず概要を説明する。実施形態では、「第１の像」を注視する動物の目の動的な変化（目の動きおよび瞳孔の大きさの経時変化の少なくとも一方）に基づく「第１特徴量」を抽出し、この「第１特徴量」に基づいて、少なくとも「動物」の「第１の像」に対する印象（印象の度合い）を推定する。「印象」の例は、好んでいるか否かに関するものであり、印象が良いとは好んでいることを、印象が悪いとは好んでいないことを意味する。ただし、これは本発明を限定するものではなく、面白いか否かに関するものや楽しいか否かに関するものなど、その他の「印象」を推定してもよい。また好んでいるか否かのような２値分類に限らず、印象に関する複数クラス（好き嫌いの度合いに対応するクラス）のうち、どのクラスに属するかを推定してもよい。
まず概要を説明する。実施形態では、「第１の像」を注視する動物の目の動的な変化（目の動きおよび瞳孔の大きさの経時変化の少なくとも一方）に基づく「第１特徴量」を抽出し、この「第１特徴量」に基づいて、少なくとも「動物」の「第１の像」に対する印象（印象の度合い）を推定する。「印象」の例は、好んでいるか否かに関するものであり、印象が良いとは好んでいることを、印象が悪いとは好んでいないことを意味する。ただし、これは本発明を限定するものではなく、面白いか否かに関するものや楽しいか否かに関するものなど、その他の「印象」を推定してもよい。また好んでいるか否かのような２値分類に限らず、印象に関する複数クラス（好き嫌いの度合いに対応するクラス）のうち、どのクラスに属するかを推定してもよい。
好ましくは、「第１の像」を注視する「動物」の目の動的な変化に基づく「第１特徴量」と、「第１の像」を注視しない当該「動物」の目の動的な変化に基づく「第２特徴量」とを抽出し、「第１特徴量」と「第２特徴量」とに基づいて、少なくとも当該「動物」の「第１の像」に対する印象を推定する。「第１の像」を注視するときの「第１特徴量」と「第１の像」を注視しないときの「第２特徴量」とを用いることにより、「第１の像」に対する相対的な印象を推定できる。「目の動的な変化」とは、目の動きおよび瞳孔の大きさの経時変化の少なくとも一方の変化を意味する。「目の動き」とは、目の位置の経時変化を意味し、例えば、眼球の動き（眼球の位置の経時変化）および目蓋の動き（目蓋の位置の経時変化）の少なくとも一方を意味する。
「第２特徴量」は、「第１の像」と異なる「第２の像」を注視する「動物」の目の動的な変化に基づく特徴量であってもよいし、特定の注視対象を設定しない状況での「動物」の目の動的な変化に基づく特徴量であってもよい。前者の場合、並べられた「第１の像」と「第２の像」とが同時に呈示されてもよいし、「第１の像」の呈示の後に「第２の像」が呈示されてもよいし、「第２の像」の呈示の後に「第１の像」が呈示されてもよい。後者の場合、「第１の像」がそれ以外の任意の背景とともに呈示されてもよいし、「第１の像」の呈示の後に「第１の像」が非呈示とされてもよいし（例えば、任意の背景のみを呈示）、「第１の像」が非呈示とされた後に「第１の像」が呈示されてもよい。前者の場合、さらに「第２の像」に対する印象が推定されてもよいし、「第２の像」に対する「第１の像」の相対的な印象が推定されてもよいし、「第１の像」に対する「第２の像」の相対的な印象が推定されてもよい。「第１の像」および「第２の像」は、視覚によって知覚可能な像であり、平面に表れる像であってもよいし、立体に表れる像であってもよい。「第１の像」および「第２の像」の例は、静止画や動画などの画像（二次元画像または立体画像）、絵画、イラスト、文字、彫刻などの美術品、時計などの実用品、人（ヒト）や犬などの動物、食物などの自然物である。「第１の像」と「第２の像」とは同じ種別の像であってもよいし、互いに異なる種別の像であってもよい。例えば、「第１の像」と「第２の像」とが共に画像であってもよいし、「第１の像」が目の前に実際に存在するもの（人間など）であり、「第２の像」がデータとして保存可能なもの（画像など）であってもよい。「動物」の例は哺乳類であり、例えば、人間（ヒト）などである。
「第１特徴量」および「第２特徴量」は、「動物」の目の動的な変化に基づくものであればどのようなものでもよい。例えば、眼球の動き（眼球の位置の経時変化）および瞳孔の大きさの経時変化の少なくとも一方に基づく特徴量を「第１特徴量」および「第２特徴量」とできる。このような特徴量の例は、眼球の動きに基づく「マイクロサッカードの特徴」「ラージサッカードの特徴」「注視の特徴」、「瞬目の特徴」、瞳孔の大きさの経時変化に基づく「縮瞳の特徴」「散瞳の特徴」などである。「注視の特徴」の例は、動物による像の「注視時間」、「注視回数」、および「注視領域」の何れかに対応する特徴である。「第１特徴量」および「第２特徴量」は、それぞれ単数であってもよいし、複数であってもよい。
例えば「第１特徴量」の何れかが、「第１の像」を注視する「動物」の眼球の動きに表れるマイクロサッカードの特徴に対応し、「第２特徴量」の何れかが、「第１の像」と並んで配置された「第２の像」を注視する「動物」の眼球の動きに表れるマイクロサッカードの特徴に対応し、「マイクロサッカードの特徴」が、「第１の像」および「第２の像」を通る直線の法線成分の眼球の動きに表れる特徴を含んでもよい。これにより、「第１の像」と「第２の像」との間での視線移動の影響を受けにくい方向成分の「マイクロサッカードの特徴」を利用できる。「第１の像および第２の像を通る直線」の例は、「第１の像」の重心と「第２の像」の重心とを通る直線である。
「動物」に「第１の像」を呈示する「第１時間区間」と、「動物」に「第１の像」を呈示しない「第２時間区間」とが、交互に複数回繰り返され、「第１時間区間」における「動物」の目の動的な変化に基づく特徴量を「第１特徴量」の何れかとし、「第２時間区間」における「動物」の目の動的な変化に基づく特徴量を「第２特徴量」の何れかとしてもよい。これにより、時間経過に基づく「第１特徴量」および「第２特徴量」に対する外乱の影響の度合いを平坦化し、印象の推定精度を向上できる。
「比較特徴量列」を含む情報に基づいて「第１の像」および「第２の像」の少なくとも一方に対する印象が推定されてもよい。「比較特徴量列」とは、複数（複数種類）の「第１特徴量」を含む「第１特徴量列」の各要素と、複数（複数種類）の「第２特徴量」を含む「第２特徴量列」の各要素と、の「比較結果を表す値」を各要素とする列に基づく特徴量列である。このような「比較特徴量列」は、外乱（像に対する印象以外の要因）が「第１特徴量列」や「第２特徴量列」に与えた影響を相殺または抑制したものとなる。そのため、「比較特徴量列」を用いることで印象の推定精度を向上できる。また「比較特徴量列」の要素は「第１特徴量列」の各要素と「第２特徴量列」の各要素との比較結果に基づくため、特徴量と印象との関係が単純な線形関係にない場合でも、容易に印象を推定できる。さらに「比較特徴量列」を用いて印象を推定する場合の精度は、一組の「第１特徴量」と「第２特徴量」とを比較して印象を推定する場合の精度よりも高い。「比較特徴量列」は複数の「第１特徴量」と「第２特徴量」との比較結果に基づくため、「第１特徴量」や「第２特徴量」への外乱（像に対する印象以外の要因）が推定結果に与える影響を抑制できるからである。さらに「比較特徴量列」を用いることにより、特徴量と印象との関係が単純な線形関係にない場合でも、印象を推定することができる。
「第１特徴量列」の要素のすべてが「第１特徴量」であってもよいし、「第１特徴量列」の一部の要素が「第１特徴量」であってもよい。同様に「第２特徴量列」の要素のすべてが「第２特徴量」であってもよいし、「第２特徴量列」の一部の要素が「第２特徴量」であってもよい。「第１特徴量列」と「第２特徴量列」との要素数は等しい。「比較結果を表す値」の例は、「第１特徴量列」の各要素と「第２特徴量列」の各要素との大小関係を表す値である。例えば、「第１特徴量列」の要素が「第２特徴量列」の要素よりも大きい場合にそれらの「比較結果を表す値」を「第１値」とし、「第１特徴量列」の要素が「第２特徴量列」の要素よりも小さい場合にそれらの「比較結果を表す値」を「第２値」とする（基準１）。あるいは「第１特徴量列」の要素が「第２特徴量列」の要素よりも小さい場合にそれらの「比較結果を表す値」を「第１値」とし、「第１特徴量列」の要素が「第２特徴量列」の要素よりも大きい場合にそれらの「比較結果を表す値」を「第２値」としてもよい（基準２）。「第１特徴量列」の要素と「第２特徴量列」の要素とが等しい場合には、「比較結果を表す値」を「第１値」としてもよいし、「第２値」としてもよいし、その他の値としてもよい。ただし「第２値」は「第１値」と異なる。「第１値」＞「第２値」であってもよいし、「第２値」＞「第１値」であってもよい。例えば「第１値」が１であって「第２値」が０であってもよいし、「第１値」が０であって「第２値」が１であってもよい。このように「比較特徴量列」をバイナリ列（バイナリ特徴量）とすることで、外乱に基づく印象の推定誤差を抑制でき、印象の推定精度を向上できる。さらに、特徴量と印象との関係が単純な線形関係にない場合でも、印象を推定することができる。
「第１特徴量列」および「第２特徴量列」のすべての要素に「基準１」または「基準２」の何れか一方のみが適用されてもよい。あるいは、「第１特徴量列」および「第２特徴量列」の各要素に「基準１」および「基準２」の何れの基準が適用されるかが定められていてもよい。例えば、「第１の像」に好意を持っているときに「比較結果を表す値」がすべて「第１値」となる傾向を示すように、各要素に適用される基準が定められてもよい。逆に、「第１の像」に好意を持っているときに「比較結果を表す値」がすべて「第２値」となる傾向を示すように、各要素に適用される基準が定められてもよい。「比較結果を表す値を各要素とする列」をそのまま「比較特徴量列」としてもよいし、「比較結果を表す値」に「係数」を乗算して得られる値からなる列を「比較特徴量列」としてもよい。例えば、「第１の像に対する印象」との相関が大きい「比較結果を表す値」に乗じられる「係数」の絶対値が、「第１の像に対する印象」との相関がそれよりも小さい「比較結果を表す値」に乗じられる「係数」の絶対値よりも大きくてもよい。ばらつきの小さい「比較結果を表す値」に乗じられる「係数」の絶対値が、それよりもばらつきの大きい「比較結果を表す値」に乗じられる「係数」の絶対値よりも大きくてもよい。これにより、推定精度を向上できる。
複数の「第１特徴量」を含む「第１特徴量列」と複数の「第２特徴量」を含む「第２特徴量列」とが抽出され、少なくともそれらに基づく「比較特徴量列」に基づいて、少なくとも「動物」の「第１の像」に対する印象が推定されてもよい（推定方法１）。例えば、「比較結果を表す値」と「第１の像に対する印象」との関係に基づく「重み係数」が事前学習されており、「比較特徴量列」の要素を「重み係数」で「重み付けして得られる列」に基づいて、この推定が行われてもよい。例えば、「比較特徴量列」の要素を「重み係数」で「重み付け加算して得られる値」に基づいて、この推定が行われてもよい。「重み係数」の例は、「比較結果を表す値」と学習用対象者の回答などによって得られた「第１の像に対する印象（例えば、好き＝１、嫌い＝０）」との相関係数またはその関数値である。あるいは、「第１特徴量」および「第２特徴量」の何れか、ならびに「比較特徴量列」に基づいて、この推定が行われてもよい（推定方法２）。さらに、「第１特徴量」および「第２特徴量」の何れか、ならびに「重み付けして得られる列」に基づいて、この推定が行われてもよい（推定方法３）。
推定方法１による推定は、「比較特徴量列」に基づく指標（例えば、「比較特徴量列」の要素を加算または重み付け加算して得られる値）と閾値との比較によって行われてもよいし、重回帰分析、ｋ−ｍｅａｎｓ、サポートベクターマシーン（ＳＶＭ）、単純クラスタリングなどによって行われてもよい。推定方法２，３についても同様である。
［第一実施形態］
第一実施形態について説明する。本実施形態では、人の目の動きおよび瞳孔の大きさの経時変化の少なくとも一方に基づく特徴量に基づいて、並べられた２つの画像に対する相対的な好みを推定する。
第一実施形態について説明する。本実施形態では、人の目の動きおよび瞳孔の大きさの経時変化の少なくとも一方に基づく特徴量に基づいて、並べられた２つの画像に対する相対的な好みを推定する。
＜印象推定装置の構成および動作＞
図１、図２を参照して本実施形態の印象推定装置の構成、および動作について説明する。図１に示すように、本実施形態の印象推定装置１０は、画像呈示部１１、眼球情報取得部１２、特徴量抽出部１３、および嗜好推定部１４を含む。
図１、図２を参照して本実施形態の印象推定装置の構成、および動作について説明する。図１に示すように、本実施形態の印象推定装置１０は、画像呈示部１１、眼球情報取得部１２、特徴量抽出部１３、および嗜好推定部１４を含む。
《画像呈示部１１》
画像呈示部１１は、２つの異なる画像α，β（「第１の像」および「第２の像」）を所定の時間区間τにおいて人間（ヒト）である対象者１００の視野内に呈示する（Ｓ１１）。例えば、対象者１００の正面に設置したモニターの左右の領域に１つずつ、観察可能な時間の長さで画像を呈示する。図３Ａおよび図３Ｂの例では、モニターの左側の領域に画像αが呈示され、右側の領域に画像β（画像αと異なる画像）が呈示される。すなわち、画像α，βが並んで配置される。
画像呈示部１１は、２つの異なる画像α，β（「第１の像」および「第２の像」）を所定の時間区間τにおいて人間（ヒト）である対象者１００の視野内に呈示する（Ｓ１１）。例えば、対象者１００の正面に設置したモニターの左右の領域に１つずつ、観察可能な時間の長さで画像を呈示する。図３Ａおよび図３Ｂの例では、モニターの左側の領域に画像αが呈示され、右側の領域に画像β（画像αと異なる画像）が呈示される。すなわち、画像α，βが並んで配置される。
《眼球情報取得部１２》
眼球情報取得部１２は、前述の時間区間τにおける、対象者１００の「目の動的な変化」である「目の動き（例えば眼球の位置の経時変化）」および「瞳孔の大きさの経時変化」の少なくとも一方に関する情報を取得する（Ｓ１２）。眼球情報取得部１２は、取得した目の動的な変化に関する情報を特徴量抽出部１３へ出力する。目の動的な変化に基づく特徴量として、「マイクロサッカード（microsaccade）」や「ラージサッカード（large saccade）」に関する特徴量を用いる場合、前述の時間区間τの中に、対象者１００が２つの異なる画像α，β（画像領域）（図３Ａ，図３Ｂ）をそれぞれ注視したときの一つ以上のマイクロサッカードおよびラージサッカードが含まれるように、その長さが設定される。時間区間τの長さは、数秒から数十秒程度とすることが望ましい。あるいは、対象者１００に２つの画像α，βのどちらが好きかを判断するために見比べてもらうように指示し、対象者１００が任意のタイミングでボタンを押すことで２つの画像α，βが呈示され、対象者１００が再びボタンを押すことでこれらの呈示が終了することにしてもよい。この場合には、結果として画像α，βを呈示していた時間区間を「時間区間」としてもよい。
眼球情報取得部１２は、前述の時間区間τにおける、対象者１００の「目の動的な変化」である「目の動き（例えば眼球の位置の経時変化）」および「瞳孔の大きさの経時変化」の少なくとも一方に関する情報を取得する（Ｓ１２）。眼球情報取得部１２は、取得した目の動的な変化に関する情報を特徴量抽出部１３へ出力する。目の動的な変化に基づく特徴量として、「マイクロサッカード（microsaccade）」や「ラージサッカード（large saccade）」に関する特徴量を用いる場合、前述の時間区間τの中に、対象者１００が２つの異なる画像α，β（画像領域）（図３Ａ，図３Ｂ）をそれぞれ注視したときの一つ以上のマイクロサッカードおよびラージサッカードが含まれるように、その長さが設定される。時間区間τの長さは、数秒から数十秒程度とすることが望ましい。あるいは、対象者１００に２つの画像α，βのどちらが好きかを判断するために見比べてもらうように指示し、対象者１００が任意のタイミングでボタンを押すことで２つの画像α，βが呈示され、対象者１００が再びボタンを押すことでこれらの呈示が終了することにしてもよい。この場合には、結果として画像α，βを呈示していた時間区間を「時間区間」としてもよい。
対象者１００の目の動的な変化に関する情報は、例えば赤外線カメラによって取得される。この場合、対象者１００に２つの画像α，βのどちらが好きかを判断するために見比べてもらうように指示し、その時の眼球の動きを赤外線カメラで撮像する。眼球情報取得部１２は、撮像結果を画像処理することで、フレーム毎（例えば、1000Hzのサンプリング間隔）の眼球の位置の時系列を眼球の動きに関する情報として取得する。眼球情報取得部１２は、撮像装置（赤外線カメラ）と画像処理アルゴリズムを実行するコンピュータなどによって実現されてもよいし、撮像装置（赤外線カメラ）を外部装置として、撮像装置から入力された画像を画像処理するアルゴリズムを実行するコンピュータなどによって実現されてもよい。また、眼球情報取得部１２は、電極を用いた電位計測法を用いて眼球の動きを測定してもよい。この場合、眼球情報取得部１２は、測定装置（電極を含む）と測定装置が測定した電位に基づいて眼球の位置を計算するアルゴリズムを実行するコンピュータなどによって実現されてもよいし、測定装置を外部装置として、測定装置から入力された電位に基づいて眼球の位置を計算するアルゴリズムを実行するコンピュータなどによって実現されてもよい。なお、眼球情報取得部１２は左右両方の目の動的な変化に関する情報を取得してもよいし、何れか一方の目の動的な変化に関する情報のみを取得してもよい。本実施形態では、眼球情報取得部１２は、一方の目の動的な変化に関する情報のみを取得するものとする。
例えば、瞳孔の大きさとして瞳孔径（瞳孔の半径）を用いる場合には、瞳孔径は赤外線カメラを用いた画像処理法で計測できる。例えば、対象者１００にはある１点を注視してもらうようにし、その時の瞳孔が赤外線カメラで撮像されるものとする。眼球情報取得部１２は、撮像結果を画像処理することで、フレーム毎（例えば、1000Hzのサンプリング間隔）の瞳孔の大きさの時系列を取得することができる。眼球情報取得部１２は、例えば瞳孔を撮影した画像に対して、瞳孔に円をフィッティングし、当該フィッティングした円の半径を瞳孔径として用いることができる。瞳孔径は微細に変動するため、眼球情報取得部１２は、所定の時間区間ごとにスムージング(平滑化)した瞳孔径の値を用いれば好適である。図５Ｂに示した瞳孔の大きさは、各時刻について取得した瞳孔径の全データの平均を０、標準偏差を１としたときのz-scoreを用いて表したものであり、約150ms間隔でスムージングしたものである。ただし、眼球情報取得部１２が取得する瞳孔径はz-scoreでなくてもよく、瞳孔径の値そのものであっても良いし、瞳孔の面積や直径など、瞳孔の大きさに対応する値であれば何でも良い。瞳孔の面積や直径を用いる場合も、時間の経過とともに瞳孔の面積または直径が大きくなる区間が散瞳に対応し、時間の経過とともに瞳孔の面積または直径が小さくなる区間が縮瞳に対応する。すなわち、時間の経過とともに瞳孔の大きさが大きくなる区間が散瞳に対応し、時間の経過とともに瞳孔の大きさが小さくなる区間が縮瞳に対応する。なお、眼球情報取得部１２は左右両方の瞳孔の大きさの経時変化に関する情報を取得してもよいし、何れか一方の瞳孔の大きさの経時変化に関する情報のみを取得してもよい。本実施形態では、眼球情報取得部１２は一方の瞳孔の大きさの経時変化に関する情報のみを取得するものとする。
《特徴量抽出部１３》
特徴量抽出部１３は、取得した目の動的な変化に関する情報から、画像αを注視する対象者１００の目の動的な変化に基づく特徴を一つ以上含む第１特徴量、および、画像βを注視する対象者１００の目の動的な変化に基づく特徴を一つ以上含む第２特徴量を抽出する（Ｓ１３）。言い換えると、特徴量抽出部１３は、対象者１００が画像αを注視する第１時間区間での目の動的な変化に基づく特徴を一つ以上含む第１特徴量（第１時間区間での特徴量）、および、対象者１００が画像βを注視する第２時間区間での目の動的な変化に基づく特徴を一つ以上含む第２特徴量（第２時間区間での特徴量）を抽出する。第１特徴量および第２特徴量は、それぞれスカラーであってもよいし、ベクトル（特徴量列、ベクトル特徴量ともいう）であってもよい。例えば、特徴量抽出部１３は、前述の時間区間τに対応する目の動的な変化に関する情報を受け取り、対象者１００が各画像α，βを注視するときの「注視（fixation）」「マイクロサッカード（microsaccade）」「ラージサッカード（large saccade）」「縮瞳（miosis）」「散瞳（mydriasis）」「瞬目（blink）」の少なくとも何れかの特徴量を抽出する。ただし、これらは本発明を限定するものではない。特徴量抽出部１３は、抽出した第１特徴量および第２特徴量を嗜好推定部１４に出力する。以下に各特徴量を例示する。
特徴量抽出部１３は、取得した目の動的な変化に関する情報から、画像αを注視する対象者１００の目の動的な変化に基づく特徴を一つ以上含む第１特徴量、および、画像βを注視する対象者１００の目の動的な変化に基づく特徴を一つ以上含む第２特徴量を抽出する（Ｓ１３）。言い換えると、特徴量抽出部１３は、対象者１００が画像αを注視する第１時間区間での目の動的な変化に基づく特徴を一つ以上含む第１特徴量（第１時間区間での特徴量）、および、対象者１００が画像βを注視する第２時間区間での目の動的な変化に基づく特徴を一つ以上含む第２特徴量（第２時間区間での特徴量）を抽出する。第１特徴量および第２特徴量は、それぞれスカラーであってもよいし、ベクトル（特徴量列、ベクトル特徴量ともいう）であってもよい。例えば、特徴量抽出部１３は、前述の時間区間τに対応する目の動的な変化に関する情報を受け取り、対象者１００が各画像α，βを注視するときの「注視（fixation）」「マイクロサッカード（microsaccade）」「ラージサッカード（large saccade）」「縮瞳（miosis）」「散瞳（mydriasis）」「瞬目（blink）」の少なくとも何れかの特徴量を抽出する。ただし、これらは本発明を限定するものではない。特徴量抽出部１３は、抽出した第１特徴量および第２特徴量を嗜好推定部１４に出力する。以下に各特徴量を例示する。
注視の特徴量：
注視は、ラージサッカードまたは瞬目が生じてから、次のラージサッカードまたは瞬目が生じるまでの時間の目の動きである。「注視の特徴量」としては、前述の時間区間τにおける、対象者１００による各画像α，βの注視時間、注視回数、および注視領域の何れかに対応する特徴量を例示できる。対象者１００が注視していた領域は、顔の基準点に対する眼球の座標および領域の座標によって定義できる。画像αの注視時間に対応する特徴量は、例えば、時間区間τにおいて、対象者１００が画像αの領域を注視していた時間の合計であってもよいし、最も長く画像αを注視し続けていた時間であってもよいし、このような時間の関数値であってもよい。画像αの注視回数に対応する特徴量は、例えば、時間区間τにおいて、対象者１００の視点が画像αの外側の領域から画像αに移動した回数であってもよいし、画像βから画像αに移動した回数であってもよいし、このような回数の関数値であってもよい。画像αの注視領域に対応する特徴量は、例えば、時間区間τにおいて注視された画像αの領域の広さであってもよいし、時間区間τのある時点で画像αの領域を注視していたか否かを表す値であってもよいし、それらの関数値であってもよい。これらのことは画像βの注視時間に対応する特徴量、注視回数に対応する特徴量、視領域に対応する特徴量についても同じである。また、注視時間、注視回数、および注視領域のうち複数をベクトル表記した特徴量を用いてもよい。
注視は、ラージサッカードまたは瞬目が生じてから、次のラージサッカードまたは瞬目が生じるまでの時間の目の動きである。「注視の特徴量」としては、前述の時間区間τにおける、対象者１００による各画像α，βの注視時間、注視回数、および注視領域の何れかに対応する特徴量を例示できる。対象者１００が注視していた領域は、顔の基準点に対する眼球の座標および領域の座標によって定義できる。画像αの注視時間に対応する特徴量は、例えば、時間区間τにおいて、対象者１００が画像αの領域を注視していた時間の合計であってもよいし、最も長く画像αを注視し続けていた時間であってもよいし、このような時間の関数値であってもよい。画像αの注視回数に対応する特徴量は、例えば、時間区間τにおいて、対象者１００の視点が画像αの外側の領域から画像αに移動した回数であってもよいし、画像βから画像αに移動した回数であってもよいし、このような回数の関数値であってもよい。画像αの注視領域に対応する特徴量は、例えば、時間区間τにおいて注視された画像αの領域の広さであってもよいし、時間区間τのある時点で画像αの領域を注視していたか否かを表す値であってもよいし、それらの関数値であってもよい。これらのことは画像βの注視時間に対応する特徴量、注視回数に対応する特徴量、視領域に対応する特徴量についても同じである。また、注視時間、注視回数、および注視領域のうち複数をベクトル表記した特徴量を用いてもよい。
マイクロサッカードの特徴量：
「マイクロサッカード」とは、眼球の動きに表れる微細な跳躍性眼球運動をいう。人間がある一点を注視しているとき、眼球は完全に動きを止めているわけではなく、固視微動と呼ばれる三種類の眼球運動であるドリフト(drift、trendといってもよい)、トレマ、マイクロサッカード（フリックといってもよい）を行っている。ドリフトは小さな滑らかな動き、トレマは非常に小さな高周波の振動、マイクロサッカードは小さな跳ぶような動きである。図４はマイクロサッカードを説明する図であって、横軸を時間［秒］、縦軸を視野角［度］として注視状態の眼球運動の例を示すグラフである。マイクロサッカードの例であるマイクロサッカードＭＳを太線で強調して示す。図４に例示するように、マイクロサッカードはある一点を注視している状態において、１〜２秒の間に１回程度、個人の意思とは関係なく（不随意に）表れる眼球の動きであって、小さな跳ぶような動きのことである。マイクロサッカードは、動きの水平方向の成分、垂直方向の成分のどちらからでも取得することができる。本実施形態では、マイクロサッカードが水平方向に偏向する性質に基づき、簡単のため水平方向の成分のみを用いる。しかし、本発明で用いることができるマイクロサッカードの方向成分は水平方向に限定されない。なお、「水平方向」とは、地面と平行な方向に限定する意味ではなく、対象者１００の顔に対しての水平方向（眼球の配列方向であり、横方向、幅方向といってもよい）や眼球情報取得部１２において水平方向と定義された方向を含む概念である。
「マイクロサッカード」とは、眼球の動きに表れる微細な跳躍性眼球運動をいう。人間がある一点を注視しているとき、眼球は完全に動きを止めているわけではなく、固視微動と呼ばれる三種類の眼球運動であるドリフト(drift、trendといってもよい)、トレマ、マイクロサッカード（フリックといってもよい）を行っている。ドリフトは小さな滑らかな動き、トレマは非常に小さな高周波の振動、マイクロサッカードは小さな跳ぶような動きである。図４はマイクロサッカードを説明する図であって、横軸を時間［秒］、縦軸を視野角［度］として注視状態の眼球運動の例を示すグラフである。マイクロサッカードの例であるマイクロサッカードＭＳを太線で強調して示す。図４に例示するように、マイクロサッカードはある一点を注視している状態において、１〜２秒の間に１回程度、個人の意思とは関係なく（不随意に）表れる眼球の動きであって、小さな跳ぶような動きのことである。マイクロサッカードは、動きの水平方向の成分、垂直方向の成分のどちらからでも取得することができる。本実施形態では、マイクロサッカードが水平方向に偏向する性質に基づき、簡単のため水平方向の成分のみを用いる。しかし、本発明で用いることができるマイクロサッカードの方向成分は水平方向に限定されない。なお、「水平方向」とは、地面と平行な方向に限定する意味ではなく、対象者１００の顔に対しての水平方向（眼球の配列方向であり、横方向、幅方向といってもよい）や眼球情報取得部１２において水平方向と定義された方向を含む概念である。
特徴量抽出部１３は、例えば眼球の位置の時系列について１次階差系列を計算し、１次階差系列の絶対値が所定の第１閾値を上回た時刻を、マイクロサッカードの起きた開始時刻として検出すればよい。ただし１次階差系列の絶対値が所定の閾値を上回る時間の長さが所定の値（通常3ms程度）以上持続しない場合は、検出から除外する。また、後述の基準振幅Aが所定の閾値（通常視野角2°程度）以上の場合はラージサッカードとして、検出から除外する。特徴量抽出部１３は、取得された眼球の位置情報にノイズが多く含まれると判定した場合などには、１次階差系列の計算にあたって適当な範囲での移動平均値を用いても良い。検出に用いる閾値には、階差系列の標準偏差の6倍程度の値を用いることが好ましい。
マイクロサッカードの特徴量としては、基準振幅A、最大速度Vmax、持続時間Dm、オーバーシュートの振幅Ao、オーバーシュートの速度Vo、立ち上がり時間Tp、減衰率λ、減衰係数ζ、固有角振動数ωｎ、マイクロサッカードの単位時間（例えば１秒）あたりの発生回数Rmなどを例示できる。図５Ａは、マイクロサッカードの特徴量について説明する図である。図５Ａを参照して、マイクロサッカードの基準振幅A、最大速度Vmax、持続時間Dm、オーバーシュートの振幅Ao、オーバーシュートの速度Vo、立ち上がり時間Tp、減衰率λについて説明する。
（１）基準振幅A：マイクロサッカードによる眼球の動きが収束したときの移動量である。
（２）最大速度Vmax：基準振幅A＋オーバーシュートの振幅Aoに達するまでの最大の速度である。
（３）持続時間Dm：マイクロサッカードが起きている時間区間の長さである。マイクロサッカードの開始時刻は１次階差系列の絶対値が所定の閾値を上回る時刻で、マイクロサッカードの終了時刻は、オーバーシュートの振幅に達したあとに初めて基準振幅Aに戻る時刻である。
（４）オーバーシュート(overshoot)の振幅Ao：マイクロサッカードによって基準振幅Aを超過した（行き過ぎた）部分の量である。オーバーシュートとは、波形の立ち上がり部分で、波形が基準振幅Aを超えて突出する現象、または、その突出した波形である。言い換えると、オーバーシュートの振幅とは、突出した部分の量である。
（５）オーバーシュートの速度Vo：基準振幅A＋オーバーシュートの振幅Aoから基準振幅Aに収束しようとする際の最大の速度である。
（６）立ち上がり時間Tp：基準振幅A＋オーバーシュートの振幅Aoに達する（立ち上がる）までにかかる時間である。なお、基準振幅A＋オーバーシュートの振幅Aoに達するまでにかかる時間は、最大速度Vmaxからオーバーシュートの速度Voに達するまでにかかる時間と同じ値となる。
（７）減衰率λ：基準振幅Aに対するオーバーシュートの振幅Aoの比である。最大速度Vmaxに対するオーバーシュートの速度Voの比としてもよく、
と表される。
（１）基準振幅A：マイクロサッカードによる眼球の動きが収束したときの移動量である。
（２）最大速度Vmax：基準振幅A＋オーバーシュートの振幅Aoに達するまでの最大の速度である。
（３）持続時間Dm：マイクロサッカードが起きている時間区間の長さである。マイクロサッカードの開始時刻は１次階差系列の絶対値が所定の閾値を上回る時刻で、マイクロサッカードの終了時刻は、オーバーシュートの振幅に達したあとに初めて基準振幅Aに戻る時刻である。
（４）オーバーシュート(overshoot)の振幅Ao：マイクロサッカードによって基準振幅Aを超過した（行き過ぎた）部分の量である。オーバーシュートとは、波形の立ち上がり部分で、波形が基準振幅Aを超えて突出する現象、または、その突出した波形である。言い換えると、オーバーシュートの振幅とは、突出した部分の量である。
（５）オーバーシュートの速度Vo：基準振幅A＋オーバーシュートの振幅Aoから基準振幅Aに収束しようとする際の最大の速度である。
（６）立ち上がり時間Tp：基準振幅A＋オーバーシュートの振幅Aoに達する（立ち上がる）までにかかる時間である。なお、基準振幅A＋オーバーシュートの振幅Aoに達するまでにかかる時間は、最大速度Vmaxからオーバーシュートの速度Voに達するまでにかかる時間と同じ値となる。
（７）減衰率λ：基準振幅Aに対するオーバーシュートの振幅Aoの比である。最大速度Vmaxに対するオーバーシュートの速度Voの比としてもよく、
と表される。
マイクロサッカードが起きている時間区間の眼球位置の時系列を位置制御系のステップ応答としてモデル化することで計算する。位置制御系のステップ応答は、
と表される。ここでG(s)は伝達係数、y(t)は位置、y'(t)は速度を表す。これに基づいて、減衰係数マイクロサッカードの減衰係数ζ、固有角振動数ωｎは、
と表される。ただし、ｔは時刻を表すインデックスであり、ｓはラプラス変換によるパラメタ（複素数）である。固有角振動数ωｎはマイクロサッカードの応答の速さを表す指標に相当し、減衰係数ζはマイクロサッカードの応答の収束性を表す指標に相当する。
と表される。ここでG(s)は伝達係数、y(t)は位置、y'(t)は速度を表す。これに基づいて、減衰係数マイクロサッカードの減衰係数ζ、固有角振動数ωｎは、
と表される。ただし、ｔは時刻を表すインデックスであり、ｓはラプラス変換によるパラメタ（複素数）である。固有角振動数ωｎはマイクロサッカードの応答の速さを表す指標に相当し、減衰係数ζはマイクロサッカードの応答の収束性を表す指標に相当する。
特徴量抽出部１３は、マイクロサッカードの減衰係数ζ、固有角振動数ωｎ、基準振幅Aを、マイクロサッカードが起きている間の眼球の位置を関数y(t)でフィッティングし、最小二乗法などによって最適化することで計算してもよい。
マイクロサッカードの減衰係数ζは、運動が左右方向に依存して値が変化する傾向があるため、特徴量抽出部１３は、左方向のマイクロサッカードの減衰係数の代表値、右方向のマイクロサッカードの減衰係数の代表値を分けて計算しても良い。
特徴量抽出部１３は、例えば、時間区間τにおいて画像αを注視する対象者１００のマイクロサッカードを検出し、その基準振幅A、最大速度Vmax、持続時間Dm、オーバーシュートの振幅Ao、オーバーシュートの速度Vo、立ち上がり時間Tp、減衰率λ、減衰係数ζ、固有角振動数ωｎ、単位時間あたりの発生回数Rm、発生回数などを、画像αを注視する対象者１００の眼球の動きに表れるマイクロサッカードの特徴量（第１時間区間での特徴量）として計算する。同様に特徴量抽出部１３は、画像βを注視する対象者１００のマイクロサッカードを検出し、その基準振幅A、最大速度Vmax、持続時間Dm、オーバーシュートの振幅Ao、オーバーシュートの速度Vo、立ち上がり時間Tp、減衰率λ、減衰係数ζ、固有角振動数ωｎ、単位時間あたりの発生回数Rm、発生回数などを、画像βを注視する対象者１００の眼球の動きに表れるマイクロサッカードの特徴量（第２時間区間での特徴量）として計算する。各画像α，βの注視時のマイクロサッカードが時間区間τにおいて複数検出された場合には、一つ一つのマイクロサッカードについて求めた特徴量それぞれの代表値を用いてもよい。複数の値の代表値とは、例えばそれら複数の値の平均値、最大値、最小値、最初の値に対応する値などであり、特に平均値を用いることが好ましい。また、基準振幅A、最大速度Vmax、持続時間Dm、オーバーシュートの振幅Ao、オーバーシュートの速度Vo、立ち上がり時間Tp、減衰率λ、減衰係数ζ、固有角振動数ωｎ、単位時間あたりの発生回数Rm、発生回数などの特徴量をベクトル表現したものを用いてもよい。あるいは、上述した複数の代表値をベクトル表現したものを用いてもよい。
ラージサッカードの特徴量：
「ラージサッカード」とは、マイクロサッカードよりも振幅の大きな跳躍性眼球運動をいい、一般に振幅が視野角２度以上の場合をラージサッカード、２度未満のものをマイクロサッカードとする。例えば、図６Ａの例では、時間ｔ０，ｔ３，ｔ８，ｔ１２からラージサッカードが開始されている。これらの振幅は時間ｔ６，ｔ７，ｔ１０，ｔ１３から開始されているマイクロサッカードの振幅よりも大きい。なお、図６Ａの正方向はモニターの右方向（画像β側）を表し、負方向はモニターの左方向（画像α側）を表す。特徴量抽出部１３は、例えば眼球の位置の時系列について１次階差系列を計算し、１次階差系列の絶対値が前述の「第２閾値」を上回る時刻を、ラージサッカードの起きた開始時刻として検出すればよい。ラージサッカードの特徴量の例は、その基準振幅A、最大速度Vmax、持続時間Dm、オーバーシュートの振幅Ao、オーバーシュートの速度Vo、立ち上がり時間Tp、減衰率λ、減衰係数ζ、固有角振動数ωｎ、単位時間あたりの発生回数Rm、発生回数などである。特徴量抽出部１３は、例えば、時間区間τにおいて画像αを注視する対象者１００のラージサッカードを検出し、その基準振幅A、最大速度Vmax、持続時間Dm、オーバーシュートの振幅Ao、オーバーシュートの速度Vo、立ち上がり時間Tp、減衰率λ、減衰係数ζ、固有角振動数ωｎ、単位時間あたりの発生回数Rm、発生回数などを、画像αを注視する対象者１００の眼球の動きに表れるラージサッカードの特徴量（第１時間区間での特徴量）として計算する。同様に特徴量抽出部１３は、画像βを注視する対象者１００のラージサッカードを検出し、その基準振幅A、最大速度Vmax、持続時間Dm、オーバーシュートの振幅Ao、オーバーシュートの速度Vo、立ち上がり時間Tp、減衰率λ、減衰係数ζ、固有角振動数ωｎ、単位時間あたりの発生回数Rm、発生回数などを、画像βを注視する対象者１００の眼球の動きに表れるラージサッカードの特徴量（第２時間区間での特徴量）として計算する。各画像α，βの注視時のラージサッカードが時間区間τにおいて複数検出された場合には、一つ一つのラージサッカードについて求めた特徴量それぞれの代表値を用いてもよい。また、基準振幅A、最大速度Vmax、持続時間Dm、オーバーシュートの振幅Ao、オーバーシュートの速度Vo、立ち上がり時間Tp、減衰率λ、減衰係数ζ、固有角振動数ωｎ、単位時間あたりの発生回数Rm、発生回数などの特徴量をベクトル表現したものを用いてもよい。あるいは、上述した複数の代表値をベクトル表現したものを用いてもよい。
「ラージサッカード」とは、マイクロサッカードよりも振幅の大きな跳躍性眼球運動をいい、一般に振幅が視野角２度以上の場合をラージサッカード、２度未満のものをマイクロサッカードとする。例えば、図６Ａの例では、時間ｔ０，ｔ３，ｔ８，ｔ１２からラージサッカードが開始されている。これらの振幅は時間ｔ６，ｔ７，ｔ１０，ｔ１３から開始されているマイクロサッカードの振幅よりも大きい。なお、図６Ａの正方向はモニターの右方向（画像β側）を表し、負方向はモニターの左方向（画像α側）を表す。特徴量抽出部１３は、例えば眼球の位置の時系列について１次階差系列を計算し、１次階差系列の絶対値が前述の「第２閾値」を上回る時刻を、ラージサッカードの起きた開始時刻として検出すればよい。ラージサッカードの特徴量の例は、その基準振幅A、最大速度Vmax、持続時間Dm、オーバーシュートの振幅Ao、オーバーシュートの速度Vo、立ち上がり時間Tp、減衰率λ、減衰係数ζ、固有角振動数ωｎ、単位時間あたりの発生回数Rm、発生回数などである。特徴量抽出部１３は、例えば、時間区間τにおいて画像αを注視する対象者１００のラージサッカードを検出し、その基準振幅A、最大速度Vmax、持続時間Dm、オーバーシュートの振幅Ao、オーバーシュートの速度Vo、立ち上がり時間Tp、減衰率λ、減衰係数ζ、固有角振動数ωｎ、単位時間あたりの発生回数Rm、発生回数などを、画像αを注視する対象者１００の眼球の動きに表れるラージサッカードの特徴量（第１時間区間での特徴量）として計算する。同様に特徴量抽出部１３は、画像βを注視する対象者１００のラージサッカードを検出し、その基準振幅A、最大速度Vmax、持続時間Dm、オーバーシュートの振幅Ao、オーバーシュートの速度Vo、立ち上がり時間Tp、減衰率λ、減衰係数ζ、固有角振動数ωｎ、単位時間あたりの発生回数Rm、発生回数などを、画像βを注視する対象者１００の眼球の動きに表れるラージサッカードの特徴量（第２時間区間での特徴量）として計算する。各画像α，βの注視時のラージサッカードが時間区間τにおいて複数検出された場合には、一つ一つのラージサッカードについて求めた特徴量それぞれの代表値を用いてもよい。また、基準振幅A、最大速度Vmax、持続時間Dm、オーバーシュートの振幅Ao、オーバーシュートの速度Vo、立ち上がり時間Tp、減衰率λ、減衰係数ζ、固有角振動数ωｎ、単位時間あたりの発生回数Rm、発生回数などの特徴量をベクトル表現したものを用いてもよい。あるいは、上述した複数の代表値をベクトル表現したものを用いてもよい。
縮瞳の特徴量および散瞳の特徴量：
人がある一点を注視しているとき、瞳孔の大きさは一定ではなく、変化している。図５Ｂは注視状態における瞳孔の大きさの変化を表す図であり、横軸は時間［秒］を、縦軸は瞳孔の大きさ［z-score］を表す。瞳孔の大きさは交感神経系の支配を受けた瞳孔散大筋によって拡大（散瞳）し、副交感神経系の支配を受けた瞳孔括約筋によって収縮（縮瞳）する。図５Ｂにおいて、二重線部分は散瞳を表し、破線部分は縮瞳を表す。瞳孔の大きさの変化は主に対光反射、輻輳反射、感情による変化の３つに区別される。対光反射は、網膜に入射する光量を制御するために瞳孔の大きさが変化する反応のことで、強い光に対しては縮瞳、暗所では散瞳が生じる。輻輳反射は、焦点を合わせる際に両眼が内転あるいは外転する運動（輻輳運動）に伴って瞳孔径が変化する反応のことで、近くを見るときには縮瞳、遠くを見るときには散瞳が生じる。感情による変化は、上記のいずれにもよらず外界のストレスに対して生じる反応のことで、怒りや驚き、活発な活動に伴って交感神経が優位となる際には散瞳が生じ、リラックスして副交感神経が優位となる際には縮瞳が生じる。
人がある一点を注視しているとき、瞳孔の大きさは一定ではなく、変化している。図５Ｂは注視状態における瞳孔の大きさの変化を表す図であり、横軸は時間［秒］を、縦軸は瞳孔の大きさ［z-score］を表す。瞳孔の大きさは交感神経系の支配を受けた瞳孔散大筋によって拡大（散瞳）し、副交感神経系の支配を受けた瞳孔括約筋によって収縮（縮瞳）する。図５Ｂにおいて、二重線部分は散瞳を表し、破線部分は縮瞳を表す。瞳孔の大きさの変化は主に対光反射、輻輳反射、感情による変化の３つに区別される。対光反射は、網膜に入射する光量を制御するために瞳孔の大きさが変化する反応のことで、強い光に対しては縮瞳、暗所では散瞳が生じる。輻輳反射は、焦点を合わせる際に両眼が内転あるいは外転する運動（輻輳運動）に伴って瞳孔径が変化する反応のことで、近くを見るときには縮瞳、遠くを見るときには散瞳が生じる。感情による変化は、上記のいずれにもよらず外界のストレスに対して生じる反応のことで、怒りや驚き、活発な活動に伴って交感神経が優位となる際には散瞳が生じ、リラックスして副交感神経が優位となる際には縮瞳が生じる。
縮瞳の開始する時刻（以下、縮瞳開始点）は、瞳孔の大きさの時系列から極大点を抽出することによって検出する。縮瞳の終了する時刻（以下、縮瞳終了点）は、縮瞳開始以降初めて散瞳が開始した点、または縮瞳開始以降初めて瞬目が開始した点のうち、時間が早い方とする。縮瞳の振幅Acは、縮瞳開始点から縮瞳終了点までの瞳孔径の差である。縮瞳の持続時間Dcは、縮瞳開始点から縮瞳終了点までの時間差である。縮瞳の平均速度Vcは、（振幅Ac）/(持続時間Dc)である。
散瞳の開始する時刻（以下、散瞳開始点）は、瞳孔径の時系列から極小点を抽出することによって検出する。散瞳の終了する時刻（以下、散瞳終了点）は、散瞳開始以降初めて縮瞳が開始した点、または散瞳開始以降初めて瞬目が開始した点のうち、時間が早い方とする。散瞳の振幅Adは、散瞳開始点から散瞳終了点までの瞳孔径の差である。散瞳の持続時間Ddは、散瞳開始点から散瞳終了点までの時間差である。散瞳の平均速度Vdは、（振幅Ad）/(持続時間Dd)である。
ノイズによる誤検出を防ぐために、縮瞳の持続時間が所定の閾値（例えば、10ms）以下の場合、あるいは縮瞳の振幅が所定の閾値以下の場合は、特徴量抽出部２２は、その縮瞳を検出から除外するとよい。同様に、散瞳の持続時間が所定の閾値（例えば、10ms）以下の場合、あるいは散瞳の振幅が所定の閾値以下の場合は、その散瞳を検出から除外するとよい。
特徴量抽出部１３は、例えば、時間区間τにおいて画像αを注視する対象者１００の眼球の瞳孔径に基づいてこれらの値を計算し、得られた値を「画像αを注視する対象者１００の散瞳の特徴量（第１時間区間での特徴量）」とする。同様に、特徴量抽出部１３は、例えば、時間区間τにおいて画像βを注視する対象者１００の眼球の瞳孔径に基づいてこれらの値を計算し、得られた値を「画像βを注視する対象者１００の散瞳の特徴量（第２時間区間での特徴量）」とする。各画像α，βの注視時の瞳孔が時間区間τにおいて複数検出された場合には、一つ一つの瞳孔について求めた特徴量それぞれの代表値を用いてもよい。散瞳の発生回数、散瞳の振幅の大きさ、散瞳の持続時間などの特徴量をベクトル表現したものを用いてもよい。あるいは、上述した複数の代表値をベクトル表現したものを用いてもよい。
瞬目の特徴量：
「瞬目」とは目蓋の開閉運動のことである。瞬目の特徴量の例は、単位時間（例えば１秒間）あたりの瞬目の発生回数、瞬目の発生回数、瞬目の持続時間などである。瞬目の持続時間は、瞬目が起きている時間区間の長さである。特徴量抽出部１３は、例えば、眼球運動の位置が所定の閾値を下回る時間区間を、瞬目が起きている時間区間として検出すればよい。ただし、一般に瞬目の生じる時間の長さが最小で75msと考えられていることから、特徴量抽出部１３は、検出された時間区間の長さが所定の閾値（たとえば、50ms）を下回る場合は、これをノイズとして瞬目から除外することが望ましい。特徴量抽出部１３は、例えば、時間区間τにおいて画像αを注視する対象者１００の眼球の瞳孔径に基づいてこれらの値を計算し、得られた値を「画像αを注視する対象者１００の瞬目の特徴量（第１時間区間での特徴量）」とする。同様に、特徴量抽出部１３は、例えば、時間区間τにおいて画像βを注視する対象者１００の眼球の瞳孔径に基づいてこれらの値を計算し、得られた値を「画像βを注視する対象者１００の瞬目の特徴量（第２時間区間での特徴量）」とする。各画像α，βの注視時の瞬目が時間区間τにおいて複数検出された場合には、一つ一つの瞬目について求めた特徴量それぞれの代表値を用いてもよい。瞬目の発生回数、瞬目の持続時間などの特徴量をベクトル表現したものを用いてもよい。あるいは、上述した複数の代表値をベクトル表現したものを用いてもよい。
「瞬目」とは目蓋の開閉運動のことである。瞬目の特徴量の例は、単位時間（例えば１秒間）あたりの瞬目の発生回数、瞬目の発生回数、瞬目の持続時間などである。瞬目の持続時間は、瞬目が起きている時間区間の長さである。特徴量抽出部１３は、例えば、眼球運動の位置が所定の閾値を下回る時間区間を、瞬目が起きている時間区間として検出すればよい。ただし、一般に瞬目の生じる時間の長さが最小で75msと考えられていることから、特徴量抽出部１３は、検出された時間区間の長さが所定の閾値（たとえば、50ms）を下回る場合は、これをノイズとして瞬目から除外することが望ましい。特徴量抽出部１３は、例えば、時間区間τにおいて画像αを注視する対象者１００の眼球の瞳孔径に基づいてこれらの値を計算し、得られた値を「画像αを注視する対象者１００の瞬目の特徴量（第１時間区間での特徴量）」とする。同様に、特徴量抽出部１３は、例えば、時間区間τにおいて画像βを注視する対象者１００の眼球の瞳孔径に基づいてこれらの値を計算し、得られた値を「画像βを注視する対象者１００の瞬目の特徴量（第２時間区間での特徴量）」とする。各画像α，βの注視時の瞬目が時間区間τにおいて複数検出された場合には、一つ一つの瞬目について求めた特徴量それぞれの代表値を用いてもよい。瞬目の発生回数、瞬目の持続時間などの特徴量をベクトル表現したものを用いてもよい。あるいは、上述した複数の代表値をベクトル表現したものを用いてもよい。
《嗜好推定部１４》
嗜好推定部１４は、第１特徴量と第２特徴量とに基づいて、対象者１００の画像αおよび画像βの少なくとも何れかに対する相対的な印象を推定し、その推定結果を表す情報を出力する（Ｓ１４）。ここで、印象とは、好んでいるか否かに関するものであり、印象が良いとは好んでいることを、印象が悪いとは好んでいないことを意味する。例えば、嗜好推定部１４は、対象者１００が２つの異なる画像αおよび画像βのうち一方の画像を他方の画像と比較して好んでいるか否かを推定する。あるいは、嗜好推定部１４は、対象者１００が２つの異なる画像αおよび画像βのうちのどちらの画像をより好んでいるかを推定する。
嗜好推定部１４は、第１特徴量と第２特徴量とに基づいて、対象者１００の画像αおよび画像βの少なくとも何れかに対する相対的な印象を推定し、その推定結果を表す情報を出力する（Ｓ１４）。ここで、印象とは、好んでいるか否かに関するものであり、印象が良いとは好んでいることを、印象が悪いとは好んでいないことを意味する。例えば、嗜好推定部１４は、対象者１００が２つの異なる画像αおよび画像βのうち一方の画像を他方の画像と比較して好んでいるか否かを推定する。あるいは、嗜好推定部１４は、対象者１００が２つの異なる画像αおよび画像βのうちのどちらの画像をより好んでいるかを推定する。
《推定方法１》
嗜好推定部１４は、例えば、特徴量抽出部１３が抽出した複数の第１特徴量を含む第１特徴量列と複数の第２特徴量を含む第２特徴量列とを用い、前述した「比較特徴量列」に基づいて、対象者１００の画像αおよび画像βの少なくとも何れかに対する相対的な印象を推定してもよい。例えば、複数の第１特徴量をα１，…，αｍとし、複数の第２特徴量をβ１，…，βｍとし、第１特徴量列を（α１，…，αｍ）とし、第２特徴量列を（β１，…，βｍ）とし、比較特徴量列を（ｆ１，…，ｆｍ）とする。ただし、ｍは２以上の整数であり、ｋ＝１，…，ｍについて、αｋ＞βｋのときｆｋ＝０とし、αｋ＜βｋのときｆｋ＝１とする（基準１１）。その逆に、αｋ＞βｋのときｆｋ＝１とし、αｋ＜βｋのときｆｋ＝０としてもよい（基準２１）。あるいは、ｋ＝１，…，ｍごとに、基準１１が適用されるか基準２１が適用されるかが定められていてもよい。例えば、画像αに好意を持っているときにｆ１，…，ｆｍがすべて１となる傾向を示すように、各ｋ＝１，…，ｍに適用される基準が定められてもよい。αｋ＝βｋのときには、ｆｋ＝０としてもよいし、ｆｋ＝１としてもよいし、ｆｋをその他の値としてもよい。この場合、嗜好推定部１４は、比較特徴量列（ｆ１，…，ｆｍ）に基づいて、対象者１００の画像αおよび画像βの少なくとも何れかに対する相対的な印象を推定する。この推定方法の具体例を示す。
嗜好推定部１４は、例えば、特徴量抽出部１３が抽出した複数の第１特徴量を含む第１特徴量列と複数の第２特徴量を含む第２特徴量列とを用い、前述した「比較特徴量列」に基づいて、対象者１００の画像αおよび画像βの少なくとも何れかに対する相対的な印象を推定してもよい。例えば、複数の第１特徴量をα１，…，αｍとし、複数の第２特徴量をβ１，…，βｍとし、第１特徴量列を（α１，…，αｍ）とし、第２特徴量列を（β１，…，βｍ）とし、比較特徴量列を（ｆ１，…，ｆｍ）とする。ただし、ｍは２以上の整数であり、ｋ＝１，…，ｍについて、αｋ＞βｋのときｆｋ＝０とし、αｋ＜βｋのときｆｋ＝１とする（基準１１）。その逆に、αｋ＞βｋのときｆｋ＝１とし、αｋ＜βｋのときｆｋ＝０としてもよい（基準２１）。あるいは、ｋ＝１，…，ｍごとに、基準１１が適用されるか基準２１が適用されるかが定められていてもよい。例えば、画像αに好意を持っているときにｆ１，…，ｆｍがすべて１となる傾向を示すように、各ｋ＝１，…，ｍに適用される基準が定められてもよい。αｋ＝βｋのときには、ｆｋ＝０としてもよいし、ｆｋ＝１としてもよいし、ｆｋをその他の値としてもよい。この場合、嗜好推定部１４は、比較特徴量列（ｆ１，…，ｆｍ）に基づいて、対象者１００の画像αおよび画像βの少なくとも何れかに対する相対的な印象を推定する。この推定方法の具体例を示す。
具体例１：
嗜好推定部１４は、以下のＦαβを計算し、Ｆαβ＞０．５の場合に対象者１００の画像αに対する印象が画像βに対する印象よりも良いと推定し、Ｆαβ＜０．５の場合に対象者１００の画像βに対する印象が画像αに対する印象よりも良い（あるいは対象者１００の画像αに対する印象が画像βに対する印象よりも悪い）と推定する。Ｆαβ＝０．５の場合には、対象者１００の画像αに対する印象が画像βに対する印象よりも良いと推定してもよいし、悪いと推定してもよいし、推定不可能としてもよい。
ただし、事前学習によって、画像αに好意を持っているときにｆ１，…，ｆｍがすべて１となり、画像βに好意を持っているときにｆ１，…，ｆｍがすべて０となる傾向を示すように、各ｋ＝１，…，ｍに適用される基準（基準１１または基準２１）が定められている。またｒｋは事前に定められた重み係数である。例えば、事前学習で学習用対象者（人間）に前述のように画像α，βを同時に呈示し、その際に得られた複数のｆｋのサンプルと、それに対応する学習用対象者の回答（画像αを好んでいる：１、画像βを好んでいる：０）のサンプルとの相関係数を得ておき、その相関係数をｒｋとする。学習用対象者は、実際に印象が推定される対象者１００と同一人物である必要はない。
嗜好推定部１４は、以下のＦαβを計算し、Ｆαβ＞０．５の場合に対象者１００の画像αに対する印象が画像βに対する印象よりも良いと推定し、Ｆαβ＜０．５の場合に対象者１００の画像βに対する印象が画像αに対する印象よりも良い（あるいは対象者１００の画像αに対する印象が画像βに対する印象よりも悪い）と推定する。Ｆαβ＝０．５の場合には、対象者１００の画像αに対する印象が画像βに対する印象よりも良いと推定してもよいし、悪いと推定してもよいし、推定不可能としてもよい。
ただし、事前学習によって、画像αに好意を持っているときにｆ１，…，ｆｍがすべて１となり、画像βに好意を持っているときにｆ１，…，ｆｍがすべて０となる傾向を示すように、各ｋ＝１，…，ｍに適用される基準（基準１１または基準２１）が定められている。またｒｋは事前に定められた重み係数である。例えば、事前学習で学習用対象者（人間）に前述のように画像α，βを同時に呈示し、その際に得られた複数のｆｋのサンプルと、それに対応する学習用対象者の回答（画像αを好んでいる：１、画像βを好んでいる：０）のサンプルとの相関係数を得ておき、その相関係数をｒｋとする。学習用対象者は、実際に印象が推定される対象者１００と同一人物である必要はない。
具体例２：
事前学習において、学習用対象者に前述のように画像α，βを同時に呈示し、その際に得られた複数の（ｆ１，…，ｆｍ）のサンプルをｋ−ｍｅａｎｓ等によってクラスタリングしておき、学習用対象者が「画像αが画像βよりも好ましい」と回答したときの（ｆ１，…，ｆｍ）のサンプルが属する頻度の高いクラスタＣの中心ベクトルｃｖからの距離に基づいて、印象が未知の画像に対する印象の推定が行われてもよい。例えば、特徴量抽出部１３が抽出した第１特徴量列（α１，…，αｍ）と第２特徴量列（β１，…，βｍ）とを用いて得られた（ｆ１，…，ｆｍ）と中心ベクトルｃｖとの距離をｄ（ｆ１，…，ｆｍ）とする。嗜好推定部１４は、ｄ（ｆ１，…，ｆｍ）が所定の閾値以下のときに、対象者１００の画像αに対する印象が画像βに対する印象よりも良いと推定し、そうでないときに対象者１００の画像βに対する印象が画像αに対する印象よりも良いと推定する。その他、ＳＶＭを用いてもよい。ＳＶＭを用いることにより、学習用対象者が「画像αが画像βよりも好ましい（印象が良い）」と回答したときの（ｆ１，…，ｆｍ）のサンプルによる点群が属する空間と、画像βが画像αよりも好ましいと回答したときの（ｆ１，…，ｆｍ）のサンプルによる点群が属する空間とを分離する超平面を事前に求めることができる。この場合、特徴量抽出部１３が抽出した第１特徴量列（α１，…，αｍ）と第２特徴量列（β１，…，βｍ）とを用いて得られた（ｆ１，…，ｆｍ）がいずれの空間に属するかによって、印象が未知の画像に対する印象を推定できる。
事前学習において、学習用対象者に前述のように画像α，βを同時に呈示し、その際に得られた複数の（ｆ１，…，ｆｍ）のサンプルをｋ−ｍｅａｎｓ等によってクラスタリングしておき、学習用対象者が「画像αが画像βよりも好ましい」と回答したときの（ｆ１，…，ｆｍ）のサンプルが属する頻度の高いクラスタＣの中心ベクトルｃｖからの距離に基づいて、印象が未知の画像に対する印象の推定が行われてもよい。例えば、特徴量抽出部１３が抽出した第１特徴量列（α１，…，αｍ）と第２特徴量列（β１，…，βｍ）とを用いて得られた（ｆ１，…，ｆｍ）と中心ベクトルｃｖとの距離をｄ（ｆ１，…，ｆｍ）とする。嗜好推定部１４は、ｄ（ｆ１，…，ｆｍ）が所定の閾値以下のときに、対象者１００の画像αに対する印象が画像βに対する印象よりも良いと推定し、そうでないときに対象者１００の画像βに対する印象が画像αに対する印象よりも良いと推定する。その他、ＳＶＭを用いてもよい。ＳＶＭを用いることにより、学習用対象者が「画像αが画像βよりも好ましい（印象が良い）」と回答したときの（ｆ１，…，ｆｍ）のサンプルによる点群が属する空間と、画像βが画像αよりも好ましいと回答したときの（ｆ１，…，ｆｍ）のサンプルによる点群が属する空間とを分離する超平面を事前に求めることができる。この場合、特徴量抽出部１３が抽出した第１特徴量列（α１，…，αｍ）と第２特徴量列（β１，…，βｍ）とを用いて得られた（ｆ１，…，ｆｍ）がいずれの空間に属するかによって、印象が未知の画像に対する印象を推定できる。
《推定方法２》
嗜好推定部１４が、特徴量抽出部１３が抽出した第１特徴量と第２特徴量との大小関係または相違の度合いに基づいて、対象者１００の画像αおよび画像βの少なくとも何れかに対する相対的な印象を推定してもよい。
嗜好推定部１４が、特徴量抽出部１３が抽出した第１特徴量と第２特徴量との大小関係または相違の度合いに基づいて、対象者１００の画像αおよび画像βの少なくとも何れかに対する相対的な印象を推定してもよい。
あるいは、事前学習において、人間が好みの画像を注視したときに得られた特徴量の集合と、好みではない画像を注視したときに得られた特徴量の集合と、からなるサンプルをｋ−ｍｅａｎｓ等によってクラスタリングしておき、その結果を用いて第１特徴量および第２特徴量のいずれが好ましい印象に対応する特徴量であるかが判断されてもよい。例えば、好みの画像を注視したときに得られた特徴量が属する可能性の高いクラスタの中心（中心ベクトル）からの距離に基づいて、いずれの画像が他方よりも好まれているかを推定してもよい。すなわち第１特徴量および第２特徴量のうち、このクラスタの中心からの距離が近い方の特徴量に対応する画像の方が他方の画像よりも好まれていると推定されてもよい。その他、ＳＶＭを用いてもよい。この場合には、学習用対象者が好みの画像を注視したときに得られた特徴量のサンプルによる点群が属する空間と、学習用対象者が嫌いな画像を注視したときに得られた特徴量のサンプルによる点群が属する空間と、を分離する超平面を事前に求めておく。そして、特徴量抽出部１３が抽出した第１特徴量および第２特徴量がいずれの空間に属するかを判定したり、超平面との距離を比較したりして、対象者１００の画像αおよび画像βの少なくとも何れかに対する印象が推定される。
《推定方法３》
第１特徴量および第２特徴量の何れか、および比較特徴量列に基づいて、対象者１００の画像αおよび画像βの少なくとも何れかに対する相対的な印象を推定してもよい。例えば、事前学習において、学習用対象者に前述のように画像α，βを同時に呈示し、その際に得られた第１特徴量、第２特徴量、および比較特徴量列からなるベクトルのサンプルをｋ−ｍｅａｎｓ等によってクラスタリングしておき、学習用対象者が「画像αが画像βよりも好ましい」と回答したときのサンプルが属する頻度の高いクラスタＣの中心ベクトルｃｖからの距離に基づいて、印象の推定が行われてもよい。例えば、特徴量抽出部１３が抽出した第１特徴量、第２特徴量、およびそれらに対応する比較特徴量列からなるベクトルと中心ベクトルｃｖとの距離をｄとする。嗜好推定部１４は、ｄが所定の閾値以下のときに、対象者１００の画像αに対する印象が画像βに対する印象よりも良いと推定し、そうでないときに対象者１００の画像βに対する印象が画像αに対する印象よりも良いと推定する。その他、ＳＶＭを用いてもよい。この場合には、学習用対象者が「画像αが画像βよりも好ましい」と回答したときの第１特徴量、第２特徴量、および比較特徴量列からなるベクトルのサンプルによる点群が属する空間と、画像βが画像αよりも好ましいと回答したときの第１特徴量、第２特徴量、および比較特徴量列からなるベクトルのサンプルによる点群が属する空間と、を分離する超平面を事前に求めておく。そして、特徴量抽出部１３が抽出した第１特徴量、第２特徴量、およびそれらに対応する比較特徴量列からなるベクトルがいずれの空間に属するかによって、印象の推定が行われる。
第１特徴量および第２特徴量の何れか、および比較特徴量列に基づいて、対象者１００の画像αおよび画像βの少なくとも何れかに対する相対的な印象を推定してもよい。例えば、事前学習において、学習用対象者に前述のように画像α，βを同時に呈示し、その際に得られた第１特徴量、第２特徴量、および比較特徴量列からなるベクトルのサンプルをｋ−ｍｅａｎｓ等によってクラスタリングしておき、学習用対象者が「画像αが画像βよりも好ましい」と回答したときのサンプルが属する頻度の高いクラスタＣの中心ベクトルｃｖからの距離に基づいて、印象の推定が行われてもよい。例えば、特徴量抽出部１３が抽出した第１特徴量、第２特徴量、およびそれらに対応する比較特徴量列からなるベクトルと中心ベクトルｃｖとの距離をｄとする。嗜好推定部１４は、ｄが所定の閾値以下のときに、対象者１００の画像αに対する印象が画像βに対する印象よりも良いと推定し、そうでないときに対象者１００の画像βに対する印象が画像αに対する印象よりも良いと推定する。その他、ＳＶＭを用いてもよい。この場合には、学習用対象者が「画像αが画像βよりも好ましい」と回答したときの第１特徴量、第２特徴量、および比較特徴量列からなるベクトルのサンプルによる点群が属する空間と、画像βが画像αよりも好ましいと回答したときの第１特徴量、第２特徴量、および比較特徴量列からなるベクトルのサンプルによる点群が属する空間と、を分離する超平面を事前に求めておく。そして、特徴量抽出部１３が抽出した第１特徴量、第２特徴量、およびそれらに対応する比較特徴量列からなるベクトルがいずれの空間に属するかによって、印象の推定が行われる。
＜実験結果＞
本実施形態の効果を確認するための実験結果を示す。この実験では５名の対象者に対して各２セッションの試験が行われた。ただし、１０セッションのうち１セッションは教示不理解のため排除した。各セッションでは比較対象となるペア画像（画像α，βを左右に並べて配置）を呈示した（図３Ｂ）。人種４条件×年齢２条件×性別２条件の合計１６種類の顔の画像をそれぞれ５個ずつ用いて８０枚のペア画像を生成した。各試験では、対象者がペア画像を見比べ、左右に配置されたボタンを押すことによって好きな方の顔を回答した。この際に対象者の目の動的な変化に基づく特徴量を抽出した。これらの合計７２０回の試行のうち不良試行を排除し、６６１回の試行を対象に比較特徴量列と回答結果との関係を解析した。
本実施形態の効果を確認するための実験結果を示す。この実験では５名の対象者に対して各２セッションの試験が行われた。ただし、１０セッションのうち１セッションは教示不理解のため排除した。各セッションでは比較対象となるペア画像（画像α，βを左右に並べて配置）を呈示した（図３Ｂ）。人種４条件×年齢２条件×性別２条件の合計１６種類の顔の画像をそれぞれ５個ずつ用いて８０枚のペア画像を生成した。各試験では、対象者がペア画像を見比べ、左右に配置されたボタンを押すことによって好きな方の顔を回答した。この際に対象者の目の動的な変化に基づく特徴量を抽出した。これらの合計７２０回の試行のうち不良試行を排除し、６６１回の試行を対象に比較特徴量列と回答結果との関係を解析した。
解析では以下のｆ１，…，ｆ９からなる比較特徴量列（ｆ１，…，ｆ９）を計算した。
［注視］
ｆ１：ボタン押しの直前に対象者が左右いずれの画像領域を見ていたか（左：１，右：０）
ｆ２：画像呈示中に左右どちらの画像領域の注視時間が長かったか（同上）
ｆ３：ボタン押し直前５００ｍｓに左右どちらの画像領域の注視時間が長かったか（同上）
［マイクロサッカード］
ｆ４：左右どちらの画像領域を注視しているときにマイクロサッカードの発生頻度が高かったか（同上）
ｆ５：左右どちらの画像領域を注視しているときにマイクロサッカードの固有角振動数が大きかったか（同上）
ただし、振幅が視野角２度以下のものをマイクロサッカードとし、ラージサッカードは含まない。
［ラージサッカード］
ｆ６：左右どちらの画像領域を到達点とするラージサッカードが多かったか（同上）
［散瞳］
ｆ７：左右どちらの画像領域を注視しているときに散瞳の発生頻度が長かったか（同上）
ｆ８：左右どちらの画像領域を注視しているときに散瞳の振幅が大きかったか（同上）
ｆ９：左右どちらの画像領域を注視しているときに散瞳の持続時間が長かったか（同上）
［注視］
ｆ１：ボタン押しの直前に対象者が左右いずれの画像領域を見ていたか（左：１，右：０）
ｆ２：画像呈示中に左右どちらの画像領域の注視時間が長かったか（同上）
ｆ３：ボタン押し直前５００ｍｓに左右どちらの画像領域の注視時間が長かったか（同上）
［マイクロサッカード］
ｆ４：左右どちらの画像領域を注視しているときにマイクロサッカードの発生頻度が高かったか（同上）
ｆ５：左右どちらの画像領域を注視しているときにマイクロサッカードの固有角振動数が大きかったか（同上）
ただし、振幅が視野角２度以下のものをマイクロサッカードとし、ラージサッカードは含まない。
［ラージサッカード］
ｆ６：左右どちらの画像領域を到達点とするラージサッカードが多かったか（同上）
［散瞳］
ｆ７：左右どちらの画像領域を注視しているときに散瞳の発生頻度が長かったか（同上）
ｆ８：左右どちらの画像領域を注視しているときに散瞳の振幅が大きかったか（同上）
ｆ９：左右どちらの画像領域を注視しているときに散瞳の持続時間が長かったか（同上）
図７に、図６Ａおよび図６Ｂの測定結果に対応する比較特徴量列（ｆ１，…，ｆ９）を例示する。この例では、ボタン押しの直前に対象者が左の画像領域を見ており（ｆ１＝１）、画像呈示中に右の画像領域の注視時間の方が長く（ｆ２＝０）、ボタン押し直前５００ｍｓに右の画像領域の注視時間の方が長く（ｆ３＝０）、左の画像領域を注視しているときの方がマイクロサッカードの発生頻度が高く（ｆ４＝１）、左の画像領域を注視しているときのほうがマイクロサッカードの固有角振動数が大きく（ｆ５＝１）、左の画像領域を到達点とするラージサッカードの方が多く（ｆ６＝１）、左の画像領域を注視しているときの方が散瞳の発生頻度が長く（ｆ７＝１）、左の画像領域を注視しているときの方が散瞳の振幅が大きく（ｆ８＝１）、右の画像領域を注視しているときの方が散瞳の持続時間が長い（ｆ９＝１）。この場合の比較特徴量列は（１，０，０，１，１，１，１，１，０）となる。図８Ａにｆｋ（ただし、ｋ＝１，…，９）のサンプルとそれらに対する対象者の回答（画像αを好んでいる：１、画像βを好んでいる：０）のサンプルとの相関係数ｒｋ（回答との相関係数）、左の画像αを選択した時のｆｋの平均値（左選択時の平均値）、および右の画像βを選択した時のｆｋの平均値（右選択時の平均値）の関係を示す。図８Ｂに左の画像αを選択した時のｆｋの平均値と右の画像βを選択した時のｆｋの平均値とを例示する。
推定方法１の具体例１によって印象を推定した結果の回答内容に対する評価は以下の通りである。
推定精度：83.4%
このように、高い精度で対象者の画像に対する好みを推定することができた。
推定精度：83.4%
このように、高い精度で対象者の画像に対する好みを推定することができた。
［第１実施形態の変形例１］
印象推定装置１０は、画像呈示部１１及び眼球情報取得部１２を含まなくともよい。すなわち、画像呈示部１１及び眼球情報取得部１２の少なくとも１つを別装置として構成し、別装置から時間区間ごとの画像及び眼球の位置情報の少なくとも１つを受け取る構成としてもよい。
印象推定装置１０は、画像呈示部１１及び眼球情報取得部１２を含まなくともよい。すなわち、画像呈示部１１及び眼球情報取得部１２の少なくとも１つを別装置として構成し、別装置から時間区間ごとの画像及び眼球の位置情報の少なくとも１つを受け取る構成としてもよい。
［第１実施形態の変形例２］
図９は画像α，βの領域と対象者１００の視線の移動との関係を例示しており、ｔ０〜ｔ１３は時間を表している。対象者１００は画像αと画像βとの間で視線を移動させ、これらの画像を見比べる。ここで「第１特徴量」の何れかが画像αを注視する対象者１００の眼球の動きに表れるマイクロサッカードの特徴に対応し、「第２特徴量」の何れかが画像βを注視する対象者１００の眼球の動きに表れるマイクロサッカードの特徴に対応する場合、これらのマイクロサッカードの特徴が、画像αおよび画像βを通る直線Ｌの法線成分Ｎの眼球の動きに表れる特徴を含んでもよい。あるいは、このようなマイクロサッカードの特徴が法線成分Ｎの眼球の動きに表れる特徴のみを含んでいてもよい。これにより、画像αと画像βとの間での視線移動（ラージサッカードなど）の影響を受けにくい方向成分のマイクロサッカードの特徴を利用できる。なお直線Ｌの例は、画像αの重心と画像βの重心とを通る直線である。
図９は画像α，βの領域と対象者１００の視線の移動との関係を例示しており、ｔ０〜ｔ１３は時間を表している。対象者１００は画像αと画像βとの間で視線を移動させ、これらの画像を見比べる。ここで「第１特徴量」の何れかが画像αを注視する対象者１００の眼球の動きに表れるマイクロサッカードの特徴に対応し、「第２特徴量」の何れかが画像βを注視する対象者１００の眼球の動きに表れるマイクロサッカードの特徴に対応する場合、これらのマイクロサッカードの特徴が、画像αおよび画像βを通る直線Ｌの法線成分Ｎの眼球の動きに表れる特徴を含んでもよい。あるいは、このようなマイクロサッカードの特徴が法線成分Ｎの眼球の動きに表れる特徴のみを含んでいてもよい。これにより、画像αと画像βとの間での視線移動（ラージサッカードなど）の影響を受けにくい方向成分のマイクロサッカードの特徴を利用できる。なお直線Ｌの例は、画像αの重心と画像βの重心とを通る直線である。
［第２実施形態］
第１実施形態では２つの画像α，βを同時に呈示し、対象者１００が画像αを注視するときの第１特徴量と画像βを注視するときの第２特徴量を用い、画像α，βの相対的な印象を推定した。本形態では、１つの画像αのみを呈示し、対象者１００が画像αを注視するときの第１特徴量と、対象者１００が画像α以外の領域を見ているときの第２特徴量とを用いて画像αの印象を推定する。
第１実施形態では２つの画像α，βを同時に呈示し、対象者１００が画像αを注視するときの第１特徴量と画像βを注視するときの第２特徴量を用い、画像α，βの相対的な印象を推定した。本形態では、１つの画像αのみを呈示し、対象者１００が画像αを注視するときの第１特徴量と、対象者１００が画像α以外の領域を見ているときの第２特徴量とを用いて画像αの印象を推定する。
＜印象推定装置の構成および動作＞
図１に示すように、本実施形態の印象推定装置２０は、画像呈示部２１、眼球情報取得部１２、特徴量抽出部２３、および嗜好推定部２４を含む。
図１に示すように、本実施形態の印象推定装置２０は、画像呈示部２１、眼球情報取得部１２、特徴量抽出部２３、および嗜好推定部２４を含む。
《画像呈示部２１》
画像呈示部２１は、所定の時間区間τにおいて、背景（Ｎｏｔα）に配置された１つの画像α（第１の像）を対象者１００の視野内に呈示する（Ｓ２１）。例えば、対象者１００の正面に設置したモニターに、観察可能な時間の長さで、背景内に配置された画像αを呈示する。図１０Ａおよび図１０Ｂの例では、モニターの背景内の領域に１つの画像αを呈示する。
画像呈示部２１は、所定の時間区間τにおいて、背景（Ｎｏｔα）に配置された１つの画像α（第１の像）を対象者１００の視野内に呈示する（Ｓ２１）。例えば、対象者１００の正面に設置したモニターに、観察可能な時間の長さで、背景内に配置された画像αを呈示する。図１０Ａおよび図１０Ｂの例では、モニターの背景内の領域に１つの画像αを呈示する。
《眼球情報取得部２２》
眼球情報取得部２２は、時間区間τにおける、対象者１００の目の動的な変化に関する情報を取得する（Ｓ２２）。眼球情報取得部２２は、取得した目の動的な変化に関する情報を特徴量抽出部２３へ出力する。
眼球情報取得部２２は、時間区間τにおける、対象者１００の目の動的な変化に関する情報を取得する（Ｓ２２）。眼球情報取得部２２は、取得した目の動的な変化に関する情報を特徴量抽出部２３へ出力する。
《特徴量抽出部２３》
特徴量抽出部２３は、取得した目の動的な変化に関する情報から、画像αを注視する対象者１００の目の動的な変化に基づく特徴を一つ以上含む第１特徴量、および、画像α以外の領域を見ている対象者１００の目の動的な変化に基づく特徴を一つ以上含む第２特徴量を抽出する（Ｓ２３）。言い換えると、特徴量抽出部１３は、対象者１００が画像αを注視する第１時間区間での目の動的な変化に基づく特徴を一つ以上含む第１特徴量（第１時間区間での特徴量）、および、対象者１００が画像α以外の領域を見ている第２時間区間での目の動的な変化に基づく特徴を一つ以上含む第２特徴量（第２時間区間での特徴量）を抽出する。特徴量抽出部２３は、抽出した第１特徴量および第２特徴量を嗜好推定部２４に出力する。
特徴量抽出部２３は、取得した目の動的な変化に関する情報から、画像αを注視する対象者１００の目の動的な変化に基づく特徴を一つ以上含む第１特徴量、および、画像α以外の領域を見ている対象者１００の目の動的な変化に基づく特徴を一つ以上含む第２特徴量を抽出する（Ｓ２３）。言い換えると、特徴量抽出部１３は、対象者１００が画像αを注視する第１時間区間での目の動的な変化に基づく特徴を一つ以上含む第１特徴量（第１時間区間での特徴量）、および、対象者１００が画像α以外の領域を見ている第２時間区間での目の動的な変化に基づく特徴を一つ以上含む第２特徴量（第２時間区間での特徴量）を抽出する。特徴量抽出部２３は、抽出した第１特徴量および第２特徴量を嗜好推定部２４に出力する。
《嗜好推定部２４》
嗜好推定部２４は、第１特徴量と第２特徴量とに基づいて、対象者１００の画像αの画像α以外の領域に対する相対的な印象を推定し、その推定結果を表す情報を出力する（Ｓ２４）。例えば、前述した嗜好推定部１４の処理の「画像β」を「画像α以外の領域」に置換した方法を利用できる。
嗜好推定部２４は、第１特徴量と第２特徴量とに基づいて、対象者１００の画像αの画像α以外の領域に対する相対的な印象を推定し、その推定結果を表す情報を出力する（Ｓ２４）。例えば、前述した嗜好推定部１４の処理の「画像β」を「画像α以外の領域」に置換した方法を利用できる。
［第２実施形態の変形例１］
印象推定装置２０は、画像呈示部２１及び眼球情報取得部１２を含まなくともよい。すなわち、画像呈示部２１及び眼球情報取得部１２の少なくとも１つを別装置として構成し、別装置から時間区間ごとの画像及び眼球の位置情報の少なくとも１つを受け取る構成としてもよい。
印象推定装置２０は、画像呈示部２１及び眼球情報取得部１２を含まなくともよい。すなわち、画像呈示部２１及び眼球情報取得部１２の少なくとも１つを別装置として構成し、別装置から時間区間ごとの画像及び眼球の位置情報の少なくとも１つを受け取る構成としてもよい。
［第３実施形態］
第１実施形態では２つの画像α，βを同時に呈示したが、画像αを呈示する第１時間区間で得られた第１特徴量と、何も呈示しない（背景のみを呈示する）第２時間区間で得られた第２特徴量とを用い、画像αの印象を推定してもよい。
第１実施形態では２つの画像α，βを同時に呈示したが、画像αを呈示する第１時間区間で得られた第１特徴量と、何も呈示しない（背景のみを呈示する）第２時間区間で得られた第２特徴量とを用い、画像αの印象を推定してもよい。
＜印象推定装置の構成および動作＞
図１に示すように、本実施形態の印象推定装置３０は、画像呈示部３１、眼球情報取得部１２、特徴量抽出部３３、および嗜好推定部３４を含む。
図１に示すように、本実施形態の印象推定装置３０は、画像呈示部３１、眼球情報取得部１２、特徴量抽出部３３、および嗜好推定部３４を含む。
《画像呈示部３１》
図１１Ａに例示するように、画像呈示部３１は、例えば、第１時間区間で画像α（第１の像）を対象者１００の視野内に呈示し、第１時間区間以外の第２時間区間で画像αを非呈示とする。なお、図１１Ａの例では、第１時間区間の後に第２時間区間が位置しているが、第２時間区間の後に第１時間区間が位置していてもよい。
図１１Ａに例示するように、画像呈示部３１は、例えば、第１時間区間で画像α（第１の像）を対象者１００の視野内に呈示し、第１時間区間以外の第２時間区間で画像αを非呈示とする。なお、図１１Ａの例では、第１時間区間の後に第２時間区間が位置しているが、第２時間区間の後に第１時間区間が位置していてもよい。
《眼球情報取得部１２》
眼球情報取得部１２は、第１時間区間および第２時間区間を含む時間区間τにおける、対象者１００の目の動的な変化に関する情報を取得する（Ｓ１２）。眼球情報取得部１２は、取得した目の動的な変化に関する情報を特徴量抽出部３３へ出力する。
眼球情報取得部１２は、第１時間区間および第２時間区間を含む時間区間τにおける、対象者１００の目の動的な変化に関する情報を取得する（Ｓ１２）。眼球情報取得部１２は、取得した目の動的な変化に関する情報を特徴量抽出部３３へ出力する。
《特徴量抽出部３３》
特徴量抽出部３３は、取得した目の動的な変化に関する情報から、第１時間区間での目の動的な変化に基づく特徴を一つ以上含む第１特徴量（第１時間区間での特徴量）、および、第２時間区間での目の動的な変化に基づく特徴を一つ以上含む第２特徴量（第２時間区間での特徴量）を抽出する。特徴量抽出部３３は、抽出した第１特徴量および第２特徴量を嗜好推定部３４に出力する。
特徴量抽出部３３は、取得した目の動的な変化に関する情報から、第１時間区間での目の動的な変化に基づく特徴を一つ以上含む第１特徴量（第１時間区間での特徴量）、および、第２時間区間での目の動的な変化に基づく特徴を一つ以上含む第２特徴量（第２時間区間での特徴量）を抽出する。特徴量抽出部３３は、抽出した第１特徴量および第２特徴量を嗜好推定部３４に出力する。
《嗜好推定部３４》
嗜好推定部３４は、第１特徴量と第２特徴量とに基づいて、対象者１００の画像αの画像α以外の領域に対する相対的な印象を推定し、その推定結果を表す情報を出力する（Ｓ３４）。
嗜好推定部３４は、第１特徴量と第２特徴量とに基づいて、対象者１００の画像αの画像α以外の領域に対する相対的な印象を推定し、その推定結果を表す情報を出力する（Ｓ３４）。
［第３実施形態の変形例１］
印象推定装置３０は、画像呈示部３１及び眼球情報取得部１２を含まなくともよい。すなわち、画像呈示部３１及び眼球情報取得部１２の少なくとも１つを別装置として構成し、別装置から時間区間ごとの画像及び眼球の位置情報の少なくとも１つを受け取る構成としてもよい。
印象推定装置３０は、画像呈示部３１及び眼球情報取得部１２を含まなくともよい。すなわち、画像呈示部３１及び眼球情報取得部１２の少なくとも１つを別装置として構成し、別装置から時間区間ごとの画像及び眼球の位置情報の少なくとも１つを受け取る構成としてもよい。
［第３実施形態の変形例２］
図１１Ｂに例示するように、第１時間区間で画像αを呈示し、第２時間区間で画像β（第２の像）を呈示し、第１時間区間での目の動的な変化に基づく特徴を一つ以上含む第１特徴量、および、第２時間区間での目の動的な変化に基づく特徴を一つ以上含む第２特徴量に基づき、対象者１００の画像αおよび画像βの少なくとも何れかに対する相対的な印象を推定してもよい。
図１１Ｂに例示するように、第１時間区間で画像αを呈示し、第２時間区間で画像β（第２の像）を呈示し、第１時間区間での目の動的な変化に基づく特徴を一つ以上含む第１特徴量、および、第２時間区間での目の動的な変化に基づく特徴を一つ以上含む第２特徴量に基づき、対象者１００の画像αおよび画像βの少なくとも何れかに対する相対的な印象を推定してもよい。
［第３実施形態の変形例３］
図１２Ａに例示するように、画像αを呈示する第１時間区間と何も呈示しない（背景のみを呈示する）第２時間区間とを交互に複数回繰り返し、第１時間区間で得られた第１特徴量と第２時間区間で得られた第２特徴量とを用い、画像αの印象を推定してもよい。あるいは、図１２Ｂに例示するように、画像αを呈示する第１時間区間と画像βを呈示する第２時間区間とを交互に複数回繰り返し、第１時間区間での目の動的な変化に基づく特徴を一つ以上含む第１特徴量、および、第２時間区間での目の動的な変化に基づく特徴を一つ以上含む第２特徴量に基づき、対象者１００の画像αおよび画像βの少なくとも何れかに対する相対的な印象を推定してもよい。時間の経過にともなって対象者１００の状態（疲労など）や周辺環境が変化することがあり、呈示された画像以外の要因（外乱）によって対象者１００の目の運動が変化する場合がある。このような場合でも、第１時間区間と第２時間区間とを交互に複数回繰り返すことで外乱が第１特徴量と第２特徴量とに与える影響を平坦化できる。なお、第１特徴量は複数の第１時間区間で得られた特徴量を平均したものや加算したものであってもよいし、複数の第１時間区間で得られた特徴量を並べたベクトルであってもよい。第２特徴量も複数の第２時間区間で得られた特徴量を平均したものや加算したものであってもよいし、複数の第２時間区間で得られた特徴量を並べたベクトルであってもよい。
図１２Ａに例示するように、画像αを呈示する第１時間区間と何も呈示しない（背景のみを呈示する）第２時間区間とを交互に複数回繰り返し、第１時間区間で得られた第１特徴量と第２時間区間で得られた第２特徴量とを用い、画像αの印象を推定してもよい。あるいは、図１２Ｂに例示するように、画像αを呈示する第１時間区間と画像βを呈示する第２時間区間とを交互に複数回繰り返し、第１時間区間での目の動的な変化に基づく特徴を一つ以上含む第１特徴量、および、第２時間区間での目の動的な変化に基づく特徴を一つ以上含む第２特徴量に基づき、対象者１００の画像αおよび画像βの少なくとも何れかに対する相対的な印象を推定してもよい。時間の経過にともなって対象者１００の状態（疲労など）や周辺環境が変化することがあり、呈示された画像以外の要因（外乱）によって対象者１００の目の運動が変化する場合がある。このような場合でも、第１時間区間と第２時間区間とを交互に複数回繰り返すことで外乱が第１特徴量と第２特徴量とに与える影響を平坦化できる。なお、第１特徴量は複数の第１時間区間で得られた特徴量を平均したものや加算したものであってもよいし、複数の第１時間区間で得られた特徴量を並べたベクトルであってもよい。第２特徴量も複数の第２時間区間で得られた特徴量を平均したものや加算したものであってもよいし、複数の第２時間区間で得られた特徴量を並べたベクトルであってもよい。
［第４実施形態］
第１から３の実施形態では、画像αを注視する対象者１００の目の動的な変化に基づく第１特徴量と、画像αを注視しない（画像βなどの画像α以外の領域を注視するか、特定の領域への注視が想定されない）対象者１００の目の動的な変化に基づく第２特徴量とを用い、少なくとも画像αに対する印象を推定した。本形態では、画像αを注視する対象者１００の目の動的な変化基づく第１特徴量のみを用い、当該画像αに対する印象を推定する。
第１から３の実施形態では、画像αを注視する対象者１００の目の動的な変化に基づく第１特徴量と、画像αを注視しない（画像βなどの画像α以外の領域を注視するか、特定の領域への注視が想定されない）対象者１００の目の動的な変化に基づく第２特徴量とを用い、少なくとも画像αに対する印象を推定した。本形態では、画像αを注視する対象者１００の目の動的な変化基づく第１特徴量のみを用い、当該画像αに対する印象を推定する。
＜印象推定装置の構成および動作＞
図１に例示するように、本実施形態の印象推定装置４０は、画像呈示部４１、眼球情報取得部１２、特徴量抽出部４３、嗜好推定部４４、およびモデル記憶部４５を有する。本実施形態では、モデル記憶部２５を参照することにより、対象者にとっての画像の印象を推定する。
図１に例示するように、本実施形態の印象推定装置４０は、画像呈示部４１、眼球情報取得部１２、特徴量抽出部４３、嗜好推定部４４、およびモデル記憶部４５を有する。本実施形態では、モデル記憶部２５を参照することにより、対象者にとっての画像の印象を推定する。
《画像呈示部４１》
画像呈示部４１は画像αのみを呈示する。
画像呈示部４１は画像αのみを呈示する。
《眼球情報取得部１２》
眼球情報取得部１２は、画像αが呈示された時間区間τにおける、対象者１００の目の動的な変化に関する情報を取得する（Ｓ１２）。眼球情報取得部１２は、取得した目の動的な変化に関する情報を特徴量抽出部４３へ出力する。
眼球情報取得部１２は、画像αが呈示された時間区間τにおける、対象者１００の目の動的な変化に関する情報を取得する（Ｓ１２）。眼球情報取得部１２は、取得した目の動的な変化に関する情報を特徴量抽出部４３へ出力する。
《特徴量抽出部４３》
特徴量抽出部４３は、対象者１００の目の動的な変化に関する情報を受け取り、それらから対象者１００の目の動的な変化に基づく特徴量を抽出し（ステップＳ４３）、嗜好推定部４４に出力する。特徴量の例は、第１実施形態で例示した特徴量の何れかや、それらの複数の特徴量を要素とするベクトル（特徴量ベクトル）である。例えば、マイクロサッカードの減衰係数ζ、減衰率λ、発生頻度Ｐの少なくとも何れか１つ以上を含む特徴量を抽出する。あるいは、マイクロサッカードの減衰係数ζ、減衰率λ、発生頻度Ｐの少なくとも何れか１つに加えて、以下の値を要素として含む特徴量ベクトルを特徴量として抽出しても良い（図４及）。
（１）基準振幅A：マイクロサッカードによる眼球の動きが収束したときの移動量。
（２）最大速度Vmax:基準振幅A＋オーバーシュートの振幅Aoに達するまでの最大の速度。
（３）立ち上がり時間Tp：基準振幅A＋オーバーシュートの振幅Aoに達する（立ち上がる）までにかかる時間である。なお、基準振幅A＋オーバーシュートの振幅Aoの値は、最大速度Vmaxからオーバーシュートの速度Voに達するまでにかかる時間と同じ値となる。
（４）オーバーシュート(overshoot)の振幅Ao：マイクロサッカードによって基準振幅Aを超過した（行き過ぎた）部分の量である。オーバーシュートとは、波形の立ち上がり部分で、波形が基準振幅Aを超えて突出する現象、または、その突出した波形である。言い換えると、オーバーシュートの振幅とは、突出した部分の量である。
（５）オーバーシュートの速度Vo：基準振幅A＋オーバーシュートの振幅Aoから基準振幅Aに収束しようとする際の最大の速度である。
（６）マイクロサッカードの前後のドリフトの速度Vd：ドリフトとは、前述の通り、固視微動の一つであり、人がある一点を注視しているときの眼球の小さな滑らかな動きのことである。
特徴量抽出部４３は、対象者１００の目の動的な変化に関する情報を受け取り、それらから対象者１００の目の動的な変化に基づく特徴量を抽出し（ステップＳ４３）、嗜好推定部４４に出力する。特徴量の例は、第１実施形態で例示した特徴量の何れかや、それらの複数の特徴量を要素とするベクトル（特徴量ベクトル）である。例えば、マイクロサッカードの減衰係数ζ、減衰率λ、発生頻度Ｐの少なくとも何れか１つ以上を含む特徴量を抽出する。あるいは、マイクロサッカードの減衰係数ζ、減衰率λ、発生頻度Ｐの少なくとも何れか１つに加えて、以下の値を要素として含む特徴量ベクトルを特徴量として抽出しても良い（図４及）。
（１）基準振幅A：マイクロサッカードによる眼球の動きが収束したときの移動量。
（２）最大速度Vmax:基準振幅A＋オーバーシュートの振幅Aoに達するまでの最大の速度。
（３）立ち上がり時間Tp：基準振幅A＋オーバーシュートの振幅Aoに達する（立ち上がる）までにかかる時間である。なお、基準振幅A＋オーバーシュートの振幅Aoの値は、最大速度Vmaxからオーバーシュートの速度Voに達するまでにかかる時間と同じ値となる。
（４）オーバーシュート(overshoot)の振幅Ao：マイクロサッカードによって基準振幅Aを超過した（行き過ぎた）部分の量である。オーバーシュートとは、波形の立ち上がり部分で、波形が基準振幅Aを超えて突出する現象、または、その突出した波形である。言い換えると、オーバーシュートの振幅とは、突出した部分の量である。
（５）オーバーシュートの速度Vo：基準振幅A＋オーバーシュートの振幅Aoから基準振幅Aに収束しようとする際の最大の速度である。
（６）マイクロサッカードの前後のドリフトの速度Vd：ドリフトとは、前述の通り、固視微動の一つであり、人がある一点を注視しているときの眼球の小さな滑らかな動きのことである。
《嗜好推定部４４》
嗜好推定部４４は、特徴量を受け取り、その特徴量に基づいて、画像αに対する印象を推定する（Ｓ４４）。本実施形態では、抽出された特徴量から嗜好推定モデルを用いて（参照することにより）、印象を推定し、出力する。言い換えれば、嗜好推定部４４は、特徴量抽出部４３で抽出した特徴量を、モデル記憶部４５に記憶された嗜好推定モデル（特徴量から印象を推定するためのモデル）にあてはめることにより、印象を推定する。
嗜好推定部４４は、特徴量を受け取り、その特徴量に基づいて、画像αに対する印象を推定する（Ｓ４４）。本実施形態では、抽出された特徴量から嗜好推定モデルを用いて（参照することにより）、印象を推定し、出力する。言い換えれば、嗜好推定部４４は、特徴量抽出部４３で抽出した特徴量を、モデル記憶部４５に記憶された嗜好推定モデル（特徴量から印象を推定するためのモデル）にあてはめることにより、印象を推定する。
《モデル記憶部４５》
モデル記憶部４５は、特徴量を入力として、印象を出力するような嗜好推定モデルが予め記録されている。嗜好推定モデルは、予め１人以上の人について取得した特徴量と印象との関係性を機械学習法により学習することで、作成される。つまり、嗜好推定モデルは、特徴量と印象との相関性を記述したモデルである。
モデル記憶部４５は、特徴量を入力として、印象を出力するような嗜好推定モデルが予め記録されている。嗜好推定モデルは、予め１人以上の人について取得した特徴量と印象との関係性を機械学習法により学習することで、作成される。つまり、嗜好推定モデルは、特徴量と印象との相関性を記述したモデルである。
例えば、学習用に用意した画像を学習用対象者に呈示している間の学習用対象者の眼球の位置の時系列情報を取得し、取得した眼球の位置の時系列情報から、特徴量を抽出する。ここで抽出する特徴量は、特徴量抽出部４３で抽出する特徴量と同じとする。また、その画像に対する好き嫌いの度合い(rating)を学習用対象者から取得し、抽出した特徴量と好き嫌いの度合いを組とするデータセットを用意する。
同様の特徴量抽出を複数の異なる画像について行い、それぞれの画像についての好き嫌いの度合い(rating)と抽出した特徴量を組とするデータセットを学習用データとして取得する。
この学習用データを入力データとし、機械学習法により、印象と特徴量との関係を学習する。例えば、機械学習法としてSVM等がある。この場合は、画像に付与する好き嫌いの度合い(rating)を、好き（１）または嫌い（０）の２値として、特徴量ベクトルの次元に対応する空間において、好きな（印象が良い）ときの特徴量ベクトルに対応する点群と、嫌いな（印象が悪い）ときの特徴量ベクトルに対応する点群とを分離する超平面を求めることができる。これにより、得られる嗜好推定モデルに、好き嫌いが未知の特徴量（特徴量抽出部２３で得られた特徴量）を入力すると、その特徴量が「好き」に対応するか、「嫌い」に対応するかを推定することができる。
例えば、減衰係数（ζ），減衰率（λ），発生頻度（P）を単独で、または、それらの組合せを、要素として含むベクトル（特徴量）を用いて、SVMにより学習を行う。また、減衰係数（ζ），減衰率（λ），発生頻度（P）、ドリフトの速度(Vd)、基準振幅(A)，オーバーシュートの振幅(Ao), 最大速度(Vmax)，オーバーシュートの速度(Vo)を要素として含む特徴量ベクトルを用いて、SVMにより学習を行う。この特徴量ベクトルに、さらに、立ち上がり時間(Tp)を要素として加えても良い。
要素の数を増やすことで、推定の精度を高めることができる。
印象が好き／嫌い、の２値分類に限らず、複数クラス（好き嫌いの度合いに対応するクラス）に分類するようにSVMを構成することも可能である。あるいは、複数クラス（好き嫌いの度合いに対応するクラス）識別分類するような機械学習法であれば、SVMに限らず他の機械学習法を用いてもよい。
印象が好き／嫌い、の２値分類に限らず、複数クラス（好き嫌いの度合いに対応するクラス）に分類するようにSVMを構成することも可能である。あるいは、複数クラス（好き嫌いの度合いに対応するクラス）識別分類するような機械学習法であれば、SVMに限らず他の機械学習法を用いてもよい。
なお、学習用対象者は、実際に印象が推定される対象者１００と同一人物である必要はない。また、複数の人について得られた学習データを基に嗜好推定モデルを学習すると、より精度の高い推定を行うことができる。また、対象者毎に、印象に対応して表れる特徴量が異なる場合があるので、学習用対象者を印象の推定を行う対象者１００と同一人物として対象者毎に、嗜好推定モデルを作成すれば、個人の特性に合わせたより精度の高い推定を行うことができる。
［その他の変形例等］
なお、本発明は上述の実施の形態に限定されるものではない。例えば、第４実施形態では、画像αを注視する対象者１００の目の動的な変化に基づく第１特徴量のみを用い、これと画像の印象との関係性を記述した嗜好推定モデルを参照することで、当該画像αに対する印象を推定した。しかしながら、第１から３実施形態のように得られた第１特徴量および第２特徴量を用い、第１特徴量および第２特徴量と、画像の印象との関係性を記述した嗜好推定モデルを参照することで、画像αおよび画像βの少なくとも一方に対する印象を推定してもよい。この場合には、学習用に用意した「第１の画像」を学習用対象者に呈示している間の学習用対象者の目の動的な変化に基づく第１特徴量と、「第１の画像」を学習用対象者に呈示していない間の学習用対象者の目の動的な変化に基づく第２特徴量を取得する。ここで抽出する特徴量は、特徴量抽出部４３で抽出する特徴量と同じとする。学習用対象者の「第１の画像」に対する好き嫌いの度合い(rating)（「第１の画像」を呈示していない状態に対する「第１の画像」を呈示している状態の好き嫌いの度合い、または、「第２の画像」を呈示している状態に対する「第１の画像」を呈示している状態の好き嫌いの度合い）を学習用対象者から取得し、抽出した第１特徴量および第２特徴量と「第１の画像」に対する好き嫌いの度合いを組とするデータセットを用意する。同様の第１特徴量および第２特徴量の抽出を複数の異なる「第１の画像」について行い、それぞれの「第１の画像」に対する好き嫌いの度合い(rating)と、抽出した第１特徴量および第２特徴量とを組とするデータセットを学習用データとして取得する。この学習用データを入力データとし、機械学習法により、「第１の画像」に対する印象と第１特徴量および第２特徴量との関係を学習する。これにより、得られる嗜好推定モデルに、好き嫌いが未知の第１特徴量および第２特徴量（特徴量抽出部４３で得られた第１特徴量および第２特徴量）を入力すると、その第１特徴量および第２特徴量が、呈示された画像αが（例えば、画像βよりも）「好き」であること（画像βが「嫌い」）に対応するか、画像αが（例えば、画像βよりも）「嫌い」に対応するかを推定できる。
なお、本発明は上述の実施の形態に限定されるものではない。例えば、第４実施形態では、画像αを注視する対象者１００の目の動的な変化に基づく第１特徴量のみを用い、これと画像の印象との関係性を記述した嗜好推定モデルを参照することで、当該画像αに対する印象を推定した。しかしながら、第１から３実施形態のように得られた第１特徴量および第２特徴量を用い、第１特徴量および第２特徴量と、画像の印象との関係性を記述した嗜好推定モデルを参照することで、画像αおよび画像βの少なくとも一方に対する印象を推定してもよい。この場合には、学習用に用意した「第１の画像」を学習用対象者に呈示している間の学習用対象者の目の動的な変化に基づく第１特徴量と、「第１の画像」を学習用対象者に呈示していない間の学習用対象者の目の動的な変化に基づく第２特徴量を取得する。ここで抽出する特徴量は、特徴量抽出部４３で抽出する特徴量と同じとする。学習用対象者の「第１の画像」に対する好き嫌いの度合い(rating)（「第１の画像」を呈示していない状態に対する「第１の画像」を呈示している状態の好き嫌いの度合い、または、「第２の画像」を呈示している状態に対する「第１の画像」を呈示している状態の好き嫌いの度合い）を学習用対象者から取得し、抽出した第１特徴量および第２特徴量と「第１の画像」に対する好き嫌いの度合いを組とするデータセットを用意する。同様の第１特徴量および第２特徴量の抽出を複数の異なる「第１の画像」について行い、それぞれの「第１の画像」に対する好き嫌いの度合い(rating)と、抽出した第１特徴量および第２特徴量とを組とするデータセットを学習用データとして取得する。この学習用データを入力データとし、機械学習法により、「第１の画像」に対する印象と第１特徴量および第２特徴量との関係を学習する。これにより、得られる嗜好推定モデルに、好き嫌いが未知の第１特徴量および第２特徴量（特徴量抽出部４３で得られた第１特徴量および第２特徴量）を入力すると、その第１特徴量および第２特徴量が、呈示された画像αが（例えば、画像βよりも）「好き」であること（画像βが「嫌い」）に対応するか、画像αが（例えば、画像βよりも）「嫌い」に対応するかを推定できる。
あるいは、第１特徴量および第２特徴量から得られる比較特徴量列を用い、比較特徴量列と画像の印象との関係性を記述した嗜好推定モデルを参照することで画像αおよび画像βの少なくとも一方に対する印象を推定してもよい。この場合には、学習用に用意した「第１の画像」を学習用対象者に呈示している間の学習用対象者の目の動的な変化に基づく複数の第１特徴量と、「第１の画像」を学習用対象者に呈示していない間の学習用対象者の目の動的な変化に基づく複数の第２特徴量を取得し、これらの情報から比較特徴量列を抽出する。ここで抽出する特徴量は、特徴量抽出部４３で抽出する特徴量と同じとする。学習用対象者の「第１の画像」に対する好き嫌いの度合い(rating)を学習用対象者から取得し、抽出した比較特徴量列と「第１の画像」に対する好き嫌いの度合いを組とするデータセットを用意する。同様の比較特徴量列の抽出を複数の異なる「第１の画像」について行い、それぞれの「第１の画像」に対する好き嫌いの度合い(rating)と、抽出した比較特徴量列とを組とするデータセットを学習用データとして取得する。この学習用データを入力データとし、機械学習法により、「第１の画像」に対する印象と比較特徴量列との関係を学習する。これにより、得られる嗜好推定モデルに、好き嫌いが未知の比較特徴量列量（特徴量抽出部４３で得られた第１特徴量列および第２特徴量列に基づく比較特徴量列量）を入力すると、その比較特徴量列量が、画像αが（例えば、画像βよりも）「好き」であることに対応するか、画像αが（例えば、画像βよりも）「嫌い」に対応するかを推定できる。
あるいは、第１特徴量および第２特徴量の少なくとも一方、ならびに比較特徴量列を用い、第１特徴量および第２特徴量の少なくとも一方、ならびに比較特徴量列と印象との関係性を記述した嗜好推定モデルを参照することで、画像αおよび画像βの少なくとも一方に対する印象を推定してもよい。この場合には、上述のように学習用に用意した「第１の画像」を学習用対象者に呈示している間の学習用対象者の目の動的な変化に基づく複数の第１特徴量を含む第１特徴量列と、「第１の画像」を学習用対象者に呈示していない間の学習用対象者の目の動的な変化に基づく複数の第２特徴量を含む第２特徴量列を取得し、これらの情報から比較特徴量列を抽出する。ここで抽出する特徴量は、特徴量抽出部４３で抽出する特徴量と同じとする。学習用対象者の「第１の画像」に対する好き嫌いの度合い(rating)（「第１の画像」を呈示していない状態に対する「第１の画像」を呈示している状態の好き嫌いの度合い、または、「第２の画像」を呈示している状態に対する「第１の画像」を呈示している状態の好き嫌いの度合い）を学習用対象者から取得し、抽出した第１特徴量および第２特徴量の少なくとも一方、ならびに比較特徴量列と「第１の画像」に対する好き嫌いの度合いを組とするデータセットを用意する。同様の比較特徴量列の抽出を複数の異なる「第１の画像」について行い、それぞれの「第１の画像」に対する好き嫌いの度合い(rating)と、抽出した第１特徴量および第２特徴量の少なくとも一方、ならびに比較特徴量列を組とするデータセットを学習用データとして取得する。この学習用データを入力データとし、機械学習法により、「第１の画像」に対する印象と比較特徴量列との関係を学習する。これにより、得られる嗜好推定モデルに、好き嫌いが未知の第１特徴量および第２特徴量の少なくとも一方、ならびに比較特徴量列を入力すると、その比較特徴量列が画像αが（例えば、画像βよりも）「好き」であることに対応するか、画像αが（例えば、画像βよりも）「嫌い」に対応するかを推定できる。
画像α，βの少なくとも一方に代えて、ポスターや絵画などの平面状の物体や人や彫刻などの立体状の物体などを「第１の像」および「第２の像」の少なくとも一方として対象者１００に呈示してもよい。目の動的な変化に基づく特徴量を取得可能なメガネ型ウェアラブルデバイスを用いて「第１特徴量」および「第２特徴量」を取得してもよい。上述の各種の処理は、記載に従って時系列に実行されるのみならず、処理を実行する装置の処理能力あるいは必要に応じて並列的にあるいは個別に実行されてもよい。その他、本発明の趣旨を逸脱しない範囲で適宜変更が可能であることはいうまでもない。
上述の構成をコンピュータによって実現する場合、各装置が有すべき機能の処理内容はプログラムによって記述される。このプログラムをコンピュータで実行することにより、上記処理機能がコンピュータ上で実現される。この処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体に記録しておくことができる。コンピュータで読み取り可能な記録媒体の例は、非一時的な（non-transitory）記録媒体である。このような記録媒体の例は、磁気記録装置、光ディスク、光磁気記録媒体、半導体メモリ等である。
このプログラムの流通は、例えば、そのプログラムを記録したＤＶＤ、ＣＤ−ＲＯＭ等の可搬型記録媒体を販売、譲渡、貸与等することによって行う。さらに、このプログラムをサーバコンピュータの記憶装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することにより、このプログラムを流通させる構成としてもよい。
このようなプログラムを実行するコンピュータは、例えば、まず、可搬型記録媒体に記録されたプログラムもしくはサーバコンピュータから転送されたプログラムを、一旦、自己の記憶装置に格納する。処理の実行時、このコンピュータは、自己の記憶装置に格納されたプログラムを読み取り、読み取ったプログラムに従った処理を実行する。このプログラムの別の実行形態として、コンピュータが可搬型記録媒体から直接プログラムを読み取り、そのプログラムに従った処理を実行することとしてもよく、さらに、このコンピュータにサーバコンピュータからプログラムが転送されるたびに、逐次、受け取ったプログラムに従った処理を実行することとしてもよい。サーバコンピュータから、このコンピュータへのプログラムの転送は行わず、その実行指示と結果取得のみによって処理機能を実現する、いわゆるＡＳＰ（Application Service Provider）型のサービスによって、上述の処理を実行する構成としてもよい。
上記実施形態では、コンピュータ上で所定のプログラムを実行させて本装置の処理機能が実現されたが、これらの処理機能の少なくとも一部がハードウェアで実現されてもよい。
１０〜４０ 印象推定装置
Claims (6)
- 第１の像を注視する動物の目の動的な変化に基づく第１特徴量を抽出する特徴量抽出部と、
前記第１特徴量に基づいて、少なくとも前記動物の前記第１の像に対する印象を推定する嗜好推定部と、
を有し、
前記特徴量抽出部は、さらに前記第１の像を注視しない前記動物の目の動的な変化に基づく第２特徴量を抽出し、
前記嗜好推定部は、前記第１特徴量と前記第２特徴量とに基づいて、少なくとも前記動物の前記第１の像に対する印象を推定し、
前記特徴量抽出部は、複数の前記第１特徴量を含む第１特徴量列と複数の前記第２特徴量を含む第２特徴量列とを抽出し、
前記嗜好推定部は、前記第１特徴量および前記第２特徴量の何れか、ならびに、前記第１特徴量列の各要素と前記第２特徴量列の各要素との比較結果を表す値を各要素とする列に基づく比較特徴量列に基づいて、少なくとも前記動物の前記第１の像に対する印象を推定する、印象推定装置。 - 請求項１の印象推定装置であって、
前記第２特徴量の何れかは、前記第１の像と異なる第２の像を注視する前記動物の目の動的な変化に基づく、印象推定装置。 - 請求項１または２の印象推定装置であって、
前記第１特徴量の何れかは、前記第１の像を注視する前記動物の眼球の動きに表れるマイクロサッカードの特徴に対応し、
前記第２特徴量の何れかは、前記第１の像と並んで配置された第２の像を注視する前記動物の眼球の動きに表れるマイクロサッカードの特徴に対応し、
前記マイクロサッカードの特徴は、前記第１の像および前記第２の像を通る直線の法線成分の前記眼球の動きに表れる特徴を含む、印象推定装置。 - 請求項１から３の何れかの印象推定装置であって、
前記動物に前記第１の像を呈示する第１時間区間と、前記動物に前記第１の像を呈示しない第２時間区間と、が交互に複数回繰り返され、
前記第１時間区間における前記動物の目の動的な変化に基づく特徴量を前記第１特徴量の何れかとし、前記第２時間区間における前記動物の目の動的な変化に基づく特徴量を前記第２特徴量の何れかとする、印象推定装置。 - 請求項１から４の何れかの印象推定装置であって、
前記第１特徴量の何れかは、前記動物による前記第１の像の注視時間、注視回数、および注視領域の何れかに対応する、印象推定装置。 - 請求項１から５の何れかの印象推定装置としてコンピュータを機能させるプログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2015221019A JP6509712B2 (ja) | 2015-11-11 | 2015-11-11 | 印象推定装置およびプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2015221019A JP6509712B2 (ja) | 2015-11-11 | 2015-11-11 | 印象推定装置およびプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2017086529A JP2017086529A (ja) | 2017-05-25 |
| JP6509712B2 true JP6509712B2 (ja) | 2019-05-08 |
Family
ID=58766825
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2015221019A Active JP6509712B2 (ja) | 2015-11-11 | 2015-11-11 | 印象推定装置およびプログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6509712B2 (ja) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7165910B2 (ja) * | 2019-01-24 | 2022-11-07 | パナソニックＩｐマネジメント株式会社 | 印象評価システム、及び、印象評価方法 |
| JP7172787B2 (ja) * | 2019-03-22 | 2022-11-16 | 株式会社Ｊｖｃケンウッド | 評価装置、評価方法、及び評価プログラム |
| JP6764982B1 (ja) * | 2019-07-29 | 2020-10-07 | 清水建設株式会社 | 分布推定システム、分布推定方法、および、分布推定プログラム |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU1091099A (en) * | 1997-10-16 | 1999-05-03 | Board Of Trustees Of The Leland Stanford Junior University | Method for inferring mental states from eye movements |
| JP2006268395A (ja) * | 2005-03-24 | 2006-10-05 | Fuji Xerox Co Ltd | 情報処理装置、情報処理方法及びプログラム |
| JP2009508553A (ja) * | 2005-09-16 | 2009-03-05 | アイモーションズ−エモーション テクノロジー エー／エス | 眼球性質を解析することで、人間の感情を決定するシステムおよび方法 |
| JP2010094493A (ja) * | 2008-09-22 | 2010-04-30 | Koichi Kikuchi | 視認情景に対する視認者情感判定装置 |
| US20110109879A1 (en) * | 2009-11-09 | 2011-05-12 | Daphna Palti-Wasserman | Multivariate dynamic profiling system and methods |
| JP5438591B2 (ja) * | 2010-05-17 | 2014-03-12 | 日本電信電話株式会社 | 感情強度測定装置、感情強度測定方法、及びプログラム |
| WO2013018267A1 (ja) * | 2011-07-29 | 2013-02-07 | パナソニック株式会社 | 提示制御装置、及び提示制御方法 |
| WO2013033842A1 (en) * | 2011-09-07 | 2013-03-14 | Tandemlaunch Technologies Inc. | System and method for using eye gaze information to enhance interactions |
| JP2013258555A (ja) * | 2012-06-12 | 2013-12-26 | Sony Computer Entertainment Inc | ヘッドマウントディスプレイ、生体情報管理装置、および生体情報表示方法 |
-
2015
- 2015-11-11 JP JP2015221019A patent/JP6509712B2/ja active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2017086529A (ja) | 2017-05-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Berg et al. | Free viewing of dynamic stimuli by humans and monkeys | |
| Komogortsev et al. | Automated classification and scoring of smooth pursuit eye movements in the presence of fixations and saccades | |
| JP7070605B2 (ja) | 注目範囲推定装置、その方法およびプログラム | |
| Harezlak et al. | Towards accurate eye tracker calibration–methods and procedures | |
| US20200074380A1 (en) | Work support device, work support method, and work support program | |
| JP2019535401A (ja) | 視覚機能の臨床パラメータを統合的に測定するためのシステム | |
| Sato et al. | How much to trust the senses: Likelihood learning | |
| Blignaut et al. | Improving the accuracy of video-based eye tracking in real time through post-calibration regression | |
| Rafiqi et al. | PupilWare: towards pervasive cognitive load measurement using commodity devices | |
| JP6755839B2 (ja) | 運動パフォーマンス推定装置、その方法、およびプログラム | |
| JP6509712B2 (ja) | 印象推定装置およびプログラム | |
| WO2018088187A1 (ja) | 情報処理装置、および情報処理方法、並びにプログラム | |
| WO2014101165A1 (en) | Method and system for determining concentration level of a viewer of displayed content | |
| AU2014234955B2 (en) | Automatic detection of task transition | |
| JP6479708B2 (ja) | 特徴量抽出装置、推定装置、それらの方法、およびプログラム | |
| JP5718494B1 (ja) | 印象推定装置、その方法、及びプログラム | |
| Modi et al. | Real-time camera-based eye gaze tracking using convolutional neural network: a case study on social media website | |
| JP5829590B2 (ja) | 疲労感評価装置、疲労感評価方法、及びプログラム | |
| JP5718495B1 (ja) | 印象推定装置、その方法、及びプログラム | |
| JP6377545B2 (ja) | 個人識別方法、個人識別装置、プログラム | |
| Sakurai et al. | Gaze estimation method using analysis of electrooculogram signals and kinect sensor | |
| JP6445418B2 (ja) | 印象推定装置、印象推定方法、およびプログラム | |
| JP7214986B2 (ja) | 反射性判定装置、反射性判定方法、プログラム | |
| KR101955293B1 (ko) | 시각 피로도 분석 장치 및 그 방법 | |
| US10779726B2 (en) | Device and method for determining eye movements by tactile interface |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20171222 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20181017 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20181127 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190110 |
|
| 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: 20190402 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190403 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6509712 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |