JP6583719B2

JP6583719B2 - 情報処理装置の作動方法および推定システム

Info

Publication number: JP6583719B2
Application number: JP2015146988A
Authority: JP
Inventors: 雅彦春野
Original assignee: National Institute of Information and Communications Technology
Current assignee: National Institute of Information and Communications Technology
Priority date: 2015-07-24
Filing date: 2015-07-24
Publication date: 2019-10-02
Anticipated expiration: 2035-07-24
Also published as: JP2017023548A

Description

本開示は、被験者の脳内から得られた脳活動情報を用いて、被験者の状態を推定する技術に関する。

機能的核磁気共鳴画像法（functional Magnetic Resonance Imaging；以下「ｆＭＲＩ」ともいう。）等を用いて被験者の脳活動を計測する磁気共鳴装置が普及している。近年では、何らかの知覚刺激を被験者に与えて被験者の脳活動の変化を磁気共鳴装置で計測し、当該脳活動の変化から被験者の状態を推定する技術が知られている。

当該技術に関し、特開２０１４−１３３０８０号公報（特許文献１）は、被験者に知覚刺激を与えて得られる脳活動情報から当該被験者のストレスを評価する情報取得方法を開示している。より具体的には、当該情報取得方法は、被験者の大脳皮質視覚野、大脳皮質聴覚野、大脳皮質平衡感覚野のうち少なくともいずれか一つの領野に対して知覚刺激を与える工程（１）と、知覚刺激を与えているときに当該領野のうち、同一でない複数の領域における脳活動を計測する工程（２）と、当該複数の領域の脳活動のデータに基づいて、知覚刺激が被験者に与えるストレスを評価する工程（３）を含む。

特開２０１４−１３３０８０号公報

特許文献１に開示される情報取得方法は、脳内の特定の部分における脳活動情報を用いて被験者のストレスを評価する。しかしながら、知覚刺激に対する脳内の活動部分は、被験者に与える知覚刺激の種類によって変わる。そのため、当該情報取得方法は、被験者のストレスを評価することができても、被験者の他の状態については推定することができない。したがって、被験者に与える知覚刺激に反応する脳内の活動部分を特定し、当該活動部分における脳活動情報から被験者の状態を推定することが可能な推定方法が望まれている。

本開示は上述のような問題点を解決するためになされたものであって、ある局面における目的は、被験者の状態を従来よりも正確に推定することが可能な推定方法を提供することである。他の局面における目的は、被験者の状態を従来よりも正確に推定することが可能な推定システムを提供することである。

ある局面に従うと、被験者が有する状態を推定するための推定方法が提供される。当該推定方法は、当該状態に相関し得る知覚刺激を各被験者に対して与えたときに計測される時系列の脳活動情報を、当該被験者の脳内の互いに異なる各領域について取得するステップと、各被験者について、当該被験者の脳内の各領域から得られた脳活動情報のそれぞれの時間的な変化と、当該被験者に与えられ知覚刺激の時間的な変化との間のそれぞれの類似度からなる類似度群を算出するステップと、予め定量化されている各被験者の状態と、各被験者に対応する類似度群とを用いて、類似度群と被験者の状態との間の相関関係を学習するステップとを備える。

好ましくは、推定方法は、相関関係を利用して、新たな被験者について算出された類似度群から当該新たな被験者の状態を推定するステップをさらに備える。

好ましくは、各被験者の各脳活動情報は、時系列の第１数値群として表される。各被験者に与えた知覚刺激は、時系列の第２数値群として表される。算出するステップは、第１数値群と第２数値群とのうち互いに同じ時刻に対応する数値同士のそれぞれを掛け合わせ、当該掛け合わせた結果を足し合わせて類似度を算出する。

他の局面に従うと、被験者が有する状態を推定するための推定システムが提供される。当該推定システムは、状態に相関し得る知覚刺激を各被験者に対して与えたときに計測される時系列の脳活動情報を、当該被験者の脳内の互いに異なる各領域について取得する取得部と、各被験者について、当該被験者の脳内の各領域から得られた脳活動情報のそれぞれの時間的な変化と、当該被験者に与えられ知覚刺激の時間的な変化との間のそれぞれの類似度からなる類似度群を算出する算出部と、予め定量化されている各被験者の状態と、各被験者に対応する類似度群とを用いて、類似度群と被験者の状態との間の相関関係を学習する学習部とを備える。

ある局面において、被験者の状態を従来よりも正確に推定することができる。
本発明の上記および他の目的、特徴、局面および利点は、添付の図面と関連して理解される本発明に関する次の詳細な説明から明らかとなるであろう。

学習処理を概略的に示す概念図である。推定処理を概略的に示す概念図である。ＭＡＴＬＡＢ（登録商標）のコードを示す図である。推定システムの主要なハードウェア構成を示すブロック図である。情報処理装置の主要なハードウェア構成を示すブロック図である。不平等感に対する脳の反応を調べるための最後通牒ゲームの手順を概略的に示す概念図である。推定されたＢＤＩ（The Beck Depression Inventory）スコアと実際のＢＤＩスコアとの対比を示す図である。不平等感に対する脳内の活動領域を示す図である。不平等感を被験者に与えた場合における扁桃体の脳活動パターンを示す図である。

以下、図面を参照しつつ、本発明に従う各実施の形態について説明する。以下の説明では、同一の部品および構成要素には同一の符号を付してある。それらの名称および機能も同じである。したがって、これらについての詳細な説明は繰り返さない。また、以下で説明する各実施の形態または変形例は、適宜選択的に組み合わされてもよい。

［被験者の状態の推定方法］
図１および図２を参照して、被験者の状態の推定方法について説明する。当該推定を行う推定システム１００（図３参照）は、学習処理および推定処理を実行する。図１は、学習処理を概略的に示す概念図である。図２は、推定処理を概略的に示す概念図である。

学習処理では、推定システム１００は、任意の知覚刺激によって被験者から得られる脳活動情報と、当該被験者の状態との間の相関関係を学習する。知覚刺激とは、視覚や聴覚等の感覚器を通して被験者に与えられる刺激のことをいう。被験者の状態とは、たとえば、被験者の現在または将来の傾向等を含む。当該傾向は、被験者の病気の傾向（たとえば、鬱傾向等）を含む。

推定処理では、推定システム１００は、学習処理と同一種類の知覚刺激を検査対象の被験者に与えるとともに当該被験者から脳活動情報を取得し、学習処理で得られた相関関係を利用して、取得された脳活動情報から検査対象の被験者の状態を推定する。

以下では、学習処理および推定処理について順に説明する。
（学習処理）
まず、図１を参照して、学習処理について説明する。図１に示されるように、学習処理は、主として、ステップＳ１〜Ｓ４の処理を含む。

ステップＳ１において、推定システム１００は、被験者が有する状態に相関し得る知覚刺激を各被験者に対して与えたときに計測される脳活動情報を、当該被験者の脳内の互いに異なる各領域について取得する。以下では、典型例として、知覚刺激として画像１５（すなわち、視覚に対する刺激）を用いる場合について説明する。

画像１５は、たとえば、被験者に不平等の感覚を与えるためのものである。詳細については後述するが、画像１５は被験者間での分配金を表わし、不平等感は、分配金の差によって与えられる。

推定システム１００は、画像１５を順次表示することにより被験者１に不平等感を与えると同時に被験者１の脳活動情報を計測することで、被験者１から脳活動画像１Ａ〜１Ｃを得る。同様に、推定システム１００は、被験者２から脳活動画像２Ａ〜２Ｃを得る。同様に、推定システム１００は、被験者３から脳活動画像３Ａ〜３Ｃを得る。脳活動画像１Ａ〜３Ｃは、１次元で表わされてもよいし、複数次元で表わされてもよい。脳活動画像１Ａ〜３Ｃは、たとえば、ｆＭＲＩ計測によって得られる。脳活動画像１Ａ〜３Ｃの各画素は、被験者の脳内の各領域における脳活動情報を表わす。各脳活動情報は、たとえば、対応する脳内部分の血流量を表わす。好ましくは、推定システム１００は、不平等を感じたときに反応する脳内の扁桃体から脳活動画像１Ａ〜３Ｃを取得する。

ステップＳ２において、推定システム１００は、被験者１に与えた知覚刺激の変化を数値群１２として数値化する。数値群１２の各数値は、画像１５によって被験者１に想起させる感情の度合いを表わす。たとえば、画像１５によって不平等感が被験者１に与えられる場合には、数値群１２の各数値は、不平等感の度合いを表わす。一例として、不平等感の度合いは、各被験者の分配される金額差に相当する。

ステップＳ３において、推定システム１００は、与えた知覚刺激に反応する脳内の活動領域を特定する。より具体的には、推定システム１００は、脳活動画像１Ａ〜１Ｃの同一画素における時系列の脳活動情報と数値群１２との間の類似度を、脳活動画像の各画素について算出する。

被験者１の脳内の所定部分から得られた時系列の脳活動情報１１Ａ〜１１Ｃを例に挙げて類似度の算出方法について説明する。推定システム１００は、脳活動情報１１Ａ〜１１Ｃと数値群１２との間の相関値を類似度１６Ａとして算出する。脳活動情報１１Ａ〜１１Ｃが知覚刺激に連動しているほど、類似度１６Ａの値は大きくなる。

脳活動情報１１Ａ〜１１Ｃは、被験者の脳内における所定部分の血流量を示し、時系列の数値群として示される。推定システム１００は、数値群として示される脳活動情報１１Ａ〜１１Ｃと、数値群１２とのうち互いに同じ時刻に対応する数値同士のそれぞれを掛け合わせ、当該掛け合わせた結果を足し合わせて類似度１６Ａを算出する。すなわち、類似度１６Ａは、数値群として示される脳活動情報１１Ａ〜１１Ｃと、数値群１２との内積に相当する。

推定システム１００は、類似度１６Ａと同様に、当該類似度を被験者１の脳内の各領域について算出する。被験者１の脳内の各領域について算出された類似度群は、脳活動パターンＸ_１として表される。被験者２についても同様に、推定システム１００は、脳活動画像２Ａ〜２Ｃにおける同一画素の脳活動情報と数値群１３との間の類似度を被験者２の脳内の各領域について算出し、当該類似度群からなる脳活動パターンＸ_２を生成する。被験者３についても同様に、推定システム１００は、脳活動画像３Ａ〜３Ｃにおける同一画素の脳活動情報と数値群１４との間の類似度を被験者３の脳内の各領域について算出し、当該類似度群からなる脳活動パターンＸ_３を生成する。

ステップＳ４において、推定システム１００の学習部２０は、予め定量化されている各被験者の状態と、各被験者に対応する脳活動パターンＸ_１〜Ｘ_３（以下、「脳活動パターンＸ」と総称することもある。）とを用いて、被験者の状態と脳活動パターンＸとの間の相関関係を学習する。学習に用いられる被験者の状態は、たとえば、ＢＤＩスコアとして定量化されている。ＢＤＩスコアは、鬱の度合いを示し、各被験者について実施されたＢＤＩテストの結果から定量化される。ＢＤＩテストは、脳活動パターンＸ_１〜Ｘ_３を得るための試験が行われてから所定期間が経過した後（たとえば、１年後）に実施される。

学習部２０は、各被験者の実際のＢＤＩスコアを含む教師データ２２を用いて、脳活動パターンＸと被験者の将来の鬱度合いとの間の相関関係を学習する。教師データ２２に示されるの「Ｙ_ｎ」は、ｎ番目の被験者における実際のＢＤＩスコアを表わす。

一例として、ｔ番目の被験者のＢＤＩスコアＺ_ｔは、標準ライブラリ「sparse Bayesia」に含まれるカーネル法を用いて推定される。ＢＤＩスコアＺ_ｔは、たとえば、以下の式（１）で示される。

式（１）の「Ｘ_ｉ」は、ｉ番目の被験者の脳活動パターンを示す。「Ｘ_ｔ」は、注目しているｔ番目の被験者の脳活動パターンを示す。「Ｋ（Ｘ_ｉ，Ｘ_ｔ）」は、脳活動パターンＸ_ｉと脳活動パターンＸ_ｔとの間の類似度を示す。当該類似度は、たとえば、脳活動パターンＸ_ｉと脳活動パターンＸ_ｔとの内積に相当する。

学習部２０は、実際のＢＤＩスコアＹ_ｔと推定されたＢＤＩスコアＺ_ｔとの間の差（＝Ｚ_ｔ−Ｙ_ｔ）を最小化するように重みｗ_ｉを学習する。学習部２０による学習方法の詳細については後述する。

当該学習によって、学習結果２５が得られる。学習結果２５において、被験者の脳活動パターンＸ_１〜Ｘ_ｎのそれぞれと各被験者について得られた重みｗ_１〜ｗ_ｎのそれぞれとが互いに対応付けられる。

以上のようにして、学習処理では、推定システム１００は、被験者が有する状態に相関し得る知覚刺激を各被験者に対して与えたときに計測される時系列の脳活動情報を、当該被験者の脳内の互いに異なる各領域について取得する。その後、推定システム１００は、各被験者について、当該被験者の脳内の各領域から得られた脳活動情報のそれぞれの時間的な変化と、当該被験者に与えられ知覚刺激の時間的な変化との間のそれぞれの類似度からなる脳活動パターンＸ（類似度群）を算出する。推定システム１００は、予め定量化されている各被験者の状態と、各被験者に対応する脳活動パターンＸとを用いて、脳活動パターンＸと被験者の状態との間の相関関係を学習する。

脳活動パターンＸは、知覚刺激に連動している度合いを脳内の各領域について表わしているため、知覚刺激に反応している部分が容易に特定され得る。これにより、推定システム１００は、知覚刺激の種類が変わった場合でも脳内の活動部分を正確に特定することができる。推定システム１００は、知覚刺激に連動している脳内部分の脳活動情報を利用して後述の推定処理で被験者の状態を推定するため、被験者の状態を正確に推定することが可能になる。

また、脳活動パターンＸは、知覚刺激に対する連動度合いを示すため、知覚刺激の種類が同じであれば、知覚刺激の内容が変わったとしても、脳活動パターンＸは被験者間で同様の傾向になる。したがって、各被験者に与える知覚刺激の試行回数や内容を任意に変えることができるので、汎用性の高い学習機能が実現され得る。

なお、上述では、知覚刺激として、被験者に視覚刺激を与える例について説明を行ったが、知覚刺激の種類は、視覚刺激に限定されない。たとえば、被験者に与える知覚刺激は、聴覚への刺激や触覚への刺激等も含む。

また、上述では、被験者に不平等感を伴わせる視覚刺激を与える例について説明を行ったが、知覚刺激は、他の感情を伴わせる視覚刺激であってもよい。たとえば、当該知覚刺激は、幸福感、嫌悪感等を伴わせる視覚刺激等を含む。

さらに、上述では、不平等感を伴わせるための知覚刺激を与えた場合の脳活動パターンと鬱状態との間の相関関係を学習する例について説明を行ったが、相関関係を学習する対象は、これらに限定されない。すなわち、推定システム１００は、任意の知覚刺激を与えた場合の脳活動パターンと、被験者が有する任意の状態との相関関係を学習することができる。たとえば、推定システム１００がマーケティングに用いられる場合には、商品を見せたときの脳活動パターンと当該商品に対するアンケート結果とを学習データとして、脳活動パターンと被験者の購買意欲との相関関係を学習することもできる。

（推定処理）
図２を参照して、本実施の形態に従う推定方法における推定処理について説明する。推定処理では、推定システム１００は、脳活動パターンＸと被験者の状態との間の相関関係（すなわち、学習結果２５）を利用して、検査対象の被験者について算出された脳活動パターンＸから当該被験者の状態を推定する。推定処理は、主として、ステップＳ１１〜Ｓ１４の処理を含む。

ステップＳ１１において、推定システム１００は、学習処理と同一種類の知覚刺激（たとえば、画像１５の表示）を被験者Ｔに対して与えるとともに被験者Ｔから脳活動画像５Ａ〜５Ｃを取得する。

ステップＳ１２において、推定システム１００は、学習処理と同一の方法で、被験者Ｔに与えた知覚刺激の変化を数値群１８として数値化する。

ステップＳ１３において、推定システム１００は、数値群１８と、脳活動画像５Ａ〜５Ｃの同一画素における時系列の脳活動情報との類似度を各画素について算出する。脳活動画像５Ａ〜５Ｃの所定画素における脳活動情報１７Ａ〜１７Ｃに注目すると、推定システム１００は、数値群として示される脳活動情報１７Ａ〜１７Ｃと、数値群１８とのうち互いに同じ時刻に対応する数値同士のそれぞれを掛け合わせ、当該掛け合わせた結果を足し合わせて類似度１９Ａを算出する。推定システム１００は、脳活動画像５Ａ〜５Ｃの各画素について類似度１９Ａを算出し、脳活動パターンＸ_Ｔを生成する。

ステップＳ１４において、推定システム１００の推定部３０は、学習処理で得られた学習結果２５を用いて、被験者Ｔの状態（たとえば、鬱傾向）を推定する。より具体的には、推定部３０は、学習結果２５に含まれる脳活動パターンＸ_１〜Ｘ_ｎのそれぞれと、検査対象の被験者Ｔの脳活動パターンＸ_Ｔとの間のそれぞれの類似度を算出する。推定部３０は、算出された類似度のそれぞれに重みｗ_１〜ｗ_ｎのそれぞれを掛け合わせ、掛け合わせた結果を総和して被験者ＴのＢＤＩスコアの変化を推定する。推定されたＢＤＩスコアの変化が正の値を示せば、そのことは、現在よりも被験者Ｔが鬱になる可能性が高いことを示す。推定されたＢＤＩスコアの変化度が負の値を示せば、そのことは、被験者Ｔの鬱度合いが現在よりも改善される可能性が高いことを示す。

［学習部２０］
以下では、学習部２０（図１参照）による学習処理についてさらに詳細に説明する。

学習部２０による学習方法として、たとえば、ベイジアンカーネル法（Baysian kernel method）が用いられる。ベイジアンカーネル法では、上記式（１）に示されるように、推定されるＢＤＩスコアＺ_ｔが、（ｎ−１）個のカーネル関数の合計を重み付けすることで算出される。

上述したように、式（１）のカーネル関数Ｋ（Ｘ_ｉ，Ｘ_ｔ）によって、ｉ番目の被験者の脳活動パターンＸ_ｉと、注目しているｔ番目の被験者の脳活動パターンＸ_ｔとの間の類似度が算出される。式（１）の重みｗ_ｉは、調整され得るパラメータであり、ベイズ法により、実際のＢＤＩスコアＹ_ｔと推定されたＢＤＩスコアＺ_ｔとの間の差（＝Ｚ_ｔ−Ｙ_ｔ）を最小化するように調整される。このモデルは、式（１）に示されるパラメータに対して線形であり、効率的な計算が実現される。その一方で、カーネル関数は、非線形であり、複合関数にもなり得る。

疎なベイジアン法（sparse Baysian methodology）を実現するためのポイントは、以下の式（２）のモデルパラメータｗ（ｗ_ｉのセット）に基づいてハイパーパラメータ化された事前分布を定義することである。

このタイプの事前分布は、データのフィット性とまばら性との両方で有利に働く。異なる言い方をすれば、事前分布により、ほとんどの事前分布の確率質量がｗ_ｉ＝０になる。このことは、本学習において、ｗ_ｉが０ではない被験者は少数であることを意味し、少数の被験者に対応するｗ_ｉだけが推定に利用されていることを意味する。上記ベイズ法によって、ハイパーパラメータα_ｉに基づいて事後分布が計算され、周辺尤度関数を最大化することによって、最も可能性の高い値が出力される。結果として、ほとんどが０に設定されたパラメータｗ_ｉに基づいた事後分布が得られる。

現在の実装では、最適化は、ＭＡＴＬＡＢに搭載されているソフトウェア「ＳｐａｒｓｅＢａｙｅｓ」（バージョン２．０）を用いて行われ、Ｋは、線形スプラインカーネルＫ（Ｘ_ｉ，Ｘ_ｔ）に基づいて計算される。線形スプラインカーネルＫ（Ｘ_ｉ，Ｘ_ｔ）は、図３に示されるＭＡＴＬＡＢのコードのようにＸ_ｉおよびＸ_ｔのためにバプニック（Vapnik）等によって提案された。図３に示されるコードの「lengthScale」は、正規化されたパラメータであり、１０分割交差確認法（10-fold cross-validation procedure）によって決定される。

（変形例）
以下では、推定システム１００の学習部２０（図１参照）による学習処理の変形例について説明する。

上述のベイジアンカーネル法では、目的関数がカーネル関数の総計として表され、限られた被験者だけが推定時に用いられていた。そこで、発明者らは、ベイジアンカーネル法の代わりに、ベイシアン一般化加法モデル（Bayesian generalized additive model）の適用可能性について調べた。ベイシアン一般化加法モデルは、各被験者の多項式表現Ｘ_ｉ（たとえば、ｘ_ｉ、ｘ_ｉ ^２、...、ｘ_ｉ ^ｐ）を入力として、以下の式（３）に示されるように、これらの成分の重み加算として推定モデルを出力する。

式（３）の「Ｘ_i ^p」は、ｉ番目の入力ベータ値のｐ乗の項を表わす。式（３）の「ｗ_i ^p」は、当該項のための調整可能なパラメータである。このモデルは、一般化加法モデルと呼ばれ、入力変数の相互作用項を必要としない非線形の関数を表わすのに十分に有効である。ベイシアンカーネル法と同じ最適化と事前分布とが一般化加法モデルに適用される。そのため、ｗ_i ^pが０とならない被験者は、少数となる。最適化も、ＭＡＴＬＡＢに搭載されているソフトウェア「ＳｐａｒｓｅＢａｙｅｓ」（バージョン２．０）を用いて行われた。

疎なカーネル（または一般化加法モデルの次数）における正規化されたパラメータと主成分分析（PCA：Principal Component. Analysis）の次元とのために、実際のＢＤＩスコアの変化値と推定される変化値との間の平均平方誤差が、１０分割交差確認法を用いたカーネルパラメータおよび主成分の数に対してプロットされ、最適な値のセットが決定される。拡散係数は、推定値Ｚと回帰線との間の絶対値差の平均として定義される。

［推定システム１００］
図４を参照して、本実施の形態に従う推定システム１００の装置構成の概要について説明する。図４は、推定システム１００の主要なハードウェア構成を示すブロック図である。図４に示されるように、推定システム１００は、ｆＭＲＩ装置２００と、情報処理装置４００とを含む。

ｆＭＲＩ装置２００は、被験者Ｓの脳活動情報を取得したい領域に向けて、共鳴周波数の高周波電磁場を印加するともに、特定の原子核（例えば、水素原子核）の共鳴により生じる電磁波を検出することで、脳活動情報を計測する。一例として、ｆＭＲＩ装置２００には、シーメンス社製の「ＴｒｉｏＴＩＭ３Ｔスキャナ」が用いられる。ｆＭＲＩ装置２００のイメージング方法には、たとえば、ＥＰＩ（Echo Planar Imaging）法が用いられる。ＥＰＩ法によって得られた画像は、２×２×２ｍｍのボクセルに分けられ、６ｍｍの半値幅（ＦＷＨＭ：Full Width at Half Maximum）の等方性のガウシアンカーネルで平滑化される。当該データは、ＳＰＭ８のデフォルト設定を用いることで高周波がフィルタリングされる（カットオフ周波数：１２８ｓ）。

ｆＭＲＩ装置２００は、静磁場磁石１０１と、傾斜磁場コイル１０２と、送信部１０３と、送信コイル１０４と、受信コイル１０５と、受信部１０６と、表示部１０９と、電源１１０と、寝台１１５と、天板１１６と、データ処理部１５０とを含む。

データ処理部１５０は、推定システム１００の全体制御を行う。たとえば、データ処理部１５０は、ｆＭＲＩ装置２００の各部を駆動することで、脳活動情報の収集等を行う。データ処理部１５０としては、専用のコンピュータであってもよいし、記憶部１５３等に格納された制御プログラムを実行することで、所定の処理を実現する汎用コンピュータであってもよい。データ処理部１５０は、シーケンス制御部１５１と、画像再構成部１５２と、記憶部１５３と、表示制御部１５４と、インターフェイス１５５と、表示部１５６と、入力部１５７とを含む。

静磁場磁石１０１は、中空の円筒形状に形成された磁石であり、内部の空間に一様な静磁場を発生する。静磁場磁石１０１としては、たとえば、永久磁石、超伝導磁石等が用いられる。

傾斜磁場コイル１０２は、中空の円筒形状に形成されたコイルであり、静磁場磁石１０１の内側に配置される。この傾斜磁場コイル１０２は、互いに直交するｘ，ｙ，ｚ軸にそれぞれ対応する３つのコイルが組み合わされて形成されている。これら３つのコイルは、電源１１０から個別に電流供給を受けて、ｘ，ｙ，ｚ軸のそれぞれに沿って磁場強度を変化させるための傾斜磁場を発生する。

傾斜磁場コイル１０２によって発生するｘ，ｙ，ｚ軸の各々の傾斜磁場は、たとえば、スライス選択用の傾斜磁場Ｇｓ、位相エンコード用の傾斜磁場Ｇｐ、およびリードアウト用の傾斜磁場Ｇｒにそれぞれ対応する。スライス選択用の傾斜磁場Ｇｓは、被験者Ｓの撮像スライス面を任意に決めるために利用される。位相エンコード用の傾斜磁場Ｇｐは、磁気共鳴信号の位相を変化させるために利用される。リードアウト用の傾斜磁場Ｇｒは、磁気共鳴信号の周波数を変化させるために利用される。

送信部１０３は、シーケンス制御部１５１による制御に基づいて、ラーモア周波数に対応する高周波信号を送信コイル１０４に送信する。送信コイル１０４は、傾斜磁場コイル１０２の内側に配置され、送信部１０３から出力されるラジオ波を被験者Ｓに照射する。

受信コイル１０５は、たとえば、複数のチャンネルの磁気共鳴信号を受信することが可能なものが用いられる。受信コイル１０５で検出された磁気共鳴信号は、受信部１０６に送信される。

受信部１０６は、シーケンス制御部１５１による制御に基づいて、受信コイル１０５から出力される磁気共鳴信号をＡ／Ｄ（Analog-to-Digital）変換する。スライス選択用の傾斜磁場Ｇｓ、位相エンコード用の傾斜磁場Ｇｐ、およびリードアウト用の傾斜磁場Ｇｒが印加されながら、磁気共鳴信号が収集されることで、受信部１０６によって収集される信号データに信号源の位置情報がエンコードされる。

本実施の形態に従う推定システム１００においては、図１のステップＳ１に示されるように、被験者Ｓが画像１５を見たときの脳活動情報が計測される。そのため、被験者Ｓが画像１５を見ることができるように構成される。その一例として、表示部１０９がｆＭＲＩ装置２００の空洞内に設けられる。画像１５が表示部１０９に表示されることにより、被験者Ｓに対して視覚刺激が与えられる。

寝台１１５には、被験者Ｓが載置される天板１１６が取り付けられている。天板１１６は、被験者Ｓが載置された状態で傾斜磁場コイル１０２の空洞内へ挿入される。通常、この寝台１１５は、長手方向が静磁場磁石１０１の中心軸と平行になるように設置される。

シーケンス制御部１５１は、データ処理部１５０で生成されるシーケンス実行データにしたがって送信部１０３、受信部１０６、および電源１１０を駆動することで、被験者Ｓの脳活動画像を生成するためのデータを収集する。シーケンス実行データとは、被験者Ｓから生データを収集するためのパルスシーケンスを定義する情報である。より具体的には、シーケンス実行データは、電源１１０によって傾斜磁場コイル１０２に供給される電源の強さや電力を供給するタイミング、送信部１０３が送信コイル１０４に送信する高周波信号のレベルや高周波信号を送信するタイミング、受信部１０６が磁気共鳴信号を検出するタイミング等、データ収集を行うための手順を定義した情報である。

画像再構成部１５２は、受信部１０６が受信したｋ空間の磁気共鳴信号に対してフーリエ変換等の再構成処理を実行し、被験者Ｓの脳活動画像を生成する。記憶部１５３は、ｆＭＲＩ計測にかかる処理を実行するための制御プログラム、パラメータ、画像データ（３次元モデル像等）、その他の電子データ等を格納する。表示制御部１５４は、送信部１０３を介してから表示部１０９の表示を切り替えたり、表示部１５６の表示を切り替えたりする。

インターフェイス１５５は、情報処理部２１０と情報処理装置４００とを互いに通信接続するための通信インターフェイスである。情報処理部２１０および情報処理装置４００は、インターフェイス１５５を介して無線または有線で接続される。表示部１５６は、被験者Ｓの関心領域に関する各種画像および各種情報を画面表示する。入力部１５７は、操作者（図示しない）から各種操作や情報入力を受付ける。

［情報処理装置４００］
図５を参照して、推定システム１００を構成する情報処理装置４００（図４参照）のハードウェア構成の一例について説明する。図５は、情報処理装置４００の主要なハードウェア構成を示すブロック図である。

図５に示されるように、情報処理装置４００は、ＲＯＭ（Read Only Memory）４０１と、ＣＰＵ４０２と、ＲＡＭ（Random Access Memory）４０３と、ネットワークインターフェイス４０５と、表示部４０６と、記憶装置４１０とを含む。

ＲＯＭ４０１は、オペレーティングシステム、推定システム１００で実行される推定プログラム等を格納する。ＣＰＵ４０２は、オペレーティングシステムや推定システム１００の推定プログラム等の各種プログラムを実行することで、推定システム１００の動作を制御する。ＣＰＵ４０２は、機能構成として、上述の学習部２０と上述の推定部３０とを含む。ＲＡＭ４０３は、ワーキングメモリとして機能し、プログラムの実行に必要な各種データを一時的に格納する。

コントロールインターフェイス４０４は、ｆＭＲＩ装置２００のデータ処理部１５０との間でデータを遣り取りする。ネットワークインターフェイス４０５は、外部装置（たとえば、クラウド上のデータサーバ装置等）との間でデータを遣り取りする。コントロールインターフェイス４０４およびネットワークインターフェイス４０５は、有線ＬＡＮ（Local Area Network）、無線ＬＡＮ、ＵＳＢ（Universal Serial Bus）、Ｂｌｕｅｔｏｏｔｈ（登録商標）等の任意の通信コンポーネントで構成される。推定システム１００は、ネットワークインターフェイス４０５を介して、本実施の形態に従う各種の処理を実現するための推定プログラム４１２をダウンロードできるように構成されてもよい。

表示部４０６は、たとえば、液晶ディスプレイ、有機ＥＬ（Electro Luminescence）ディスプレイ、またはその他の表示機器等を含む。表示部４０６は、タッチセンサ（図示しない）と組み合わされてタッチパネルとして構成されてもよい。表示部４０６には、被験者に知覚刺激を与えるための画像と同一の画像が表示され得る。

記憶装置４１０は、たとえば、ハードディスクや外付けの記憶装置等の記憶媒体である。一例として、記憶装置４１０は、上述の学習処理で用いられる教師データ２２、当該学習処理における学習結果２５、本実施の形態に従う推定プログラム４１２等を保持する。

推定プログラム４１２は、単体のプログラムとしてではなく、任意のプログラムの一部に組み込まれて提供されてもよい。この場合、任意のプログラムと協働して本実施の形態に従うイメージングが実現される。このような一部のモジュールを含まないプログラムであっても、本実施の形態に従う推定システム１００の趣旨を逸脱するものではない。さらに、本実施の形態に従う推定プログラム４１２によって提供される機能の一部または全部は、専用のハードウェアによって実現されてもよい。さらに、推定システム１００とサーバとが協働して、本実施の形態に従うイメージングを実現するようにしてもよい。さらに、少なくとも１つのサーバが本実施の形態に従うイメージングを実現する、所謂クラウドサービスの形態で推定システム１００が構成されてもよい。

［実験］
（実験内容）
図６を参照して、発明者らが実施した実験の内容について説明する。発明者らは、不平等感に対する脳の反応を調べるために、最後通牒ゲーム（Ultimatum game）を被験者に対して実施した。

最後通牒ゲームは、２人の被験者間で不平等感を生じさせるためのゲームである。より具体的には、まず、一方の被験者（以下、「第１被験者」ともいう。）は、他方の被験者（以下、「第２被験者」ともいう。）にＭ円のうちＸ円を与えることを提案する。第２被験者は、第１被験者の提案を受諾するか拒否するかを決定する。提案が受諾された場合には、第１被験者には（Ｍ−Ｘ）円が支払われ、第２被験者にはＭ円が支払われる。提案が拒否された場合には、第１被験者および第２被験者の両方は、お金を得ることができない。第１被験者から提案される分配金に差があるほど、第２被験者は、不平等を感じる。このような分配金の表示により不平等を伴う知覚刺激が与えられる。分配金の差が不平等の度合いとして数値化される（図１のステップＳ２参照）。

図６は、不平等感に対する脳の反応を調べるための最後通牒ゲーム（Ultimatum game）の手順を概略的に示す概念図である。最後通牒ゲームでは、画像１５Ａ〜１５Ｅが順に表示される。画像１５Ａ〜１５Ｅは、図１および図２に示される画像１５に対応する。

図６に示されるように、まず、開始を示す画像１５Ａが表示される。その後、分配金の提案者である第１被験者の顔と名前とが画像１５Ｂとして１秒間表示される。提案者の顔および名前は、提案者ごとに１回だけ表示される。

次に、第１被験者への分配金と第２被験者への分配金とが画像１５Ｃとして表示される。第１被験者および第２被験者への分配金の合計は、たとえば５００円である。提案可能な分配は、たとえば、「３５０円−１５０円」、「３００円−２００円」、「２５０円−２５０円」、「２００円−３００円」、「１５０円−３５０円」、「１００円−４００円」、「５０円−４５０円」である。第１被験者によって選択された分配には、±２５円以内のノイズがランダムに付与される。これにより、最後通牒ゲームに被験者を没頭させることができる。

分配金を表示する画像１５Ｃは、約６秒間表示される。その後、第２被験者は、第１被験者からの提案を承諾するか拒否するかをボタンの押下によって選択する。第２被験者が提案を承諾した場合には、承諾を示す画像１５Ｄが表示される。その後、次の試行の開始を示す画像１５Ｅが表示される。

１回の試行にかかる時間は、約２１秒（たとえば、１９〜２３秒）であり、５６回の試行が順次実施される。すなわち、１回の最後通牒ゲームにかかる時間は、約１１７６秒（＝２１秒×５６回）である。

（実験結果１）
図７および図８を参照して、最後通牒ゲームの実施時に得られた脳活動パターンから鬱傾向を推定した実験結果について説明する。図７は、推定されたＢＤＩスコアと実際のＢＤＩスコアとの対比を示す図である。図８は、不平等感に対する脳内の活動領域を示す図である。

図７のグラフ（Ａ）には、最後通牒ゲームの実施時に得られた脳活動パターンから推測されたＢＤＩスコアの結果が示される。グラフ（Ａ）のＸ軸は、ＢＤＩスコアの変化量の実測値を表わす。グラフ（Ａ）のＹ軸は、ＢＤＩスコアの変化量の推定値を表わす。グラフ（Ａ）において、実測値と推定値との結果が各被験者についてプロットされている。グラフ（Ａ）には、推定値と実測値との正の相関が示されている（傾き：slope=0.194、相関係数：R=0.41、ｐ値：p=0.00029）。これにより、将来の鬱傾向が脳活動パターンから推定できることが示された。

このような推定は、提案者の顔の提示では不可能である。そのことを示す結果がグラフ（Ｂ）に示される（傾き：slope=0.046、相関係数：R=0.24）。また、このような推定は、申し出の提示では不可能である。そのことを示す結果がグラフ（Ｃ）に示される（傾き：slope=0.081、相関係数：R=0.311）。

これらの結果は、ロバストである。なぜならば、発明者らは、カーネルベイシアン法の他にも、ベイシアン一般化加法モデルを用いても同じ結果を得ることを確認したからである。

図８に示されるように、発明者らは、不平等に対して脳内の扁桃体の血流量が変化していることを確かめた。破線７０１〜７０３で囲まれている領域が扁桃体である。図８の画像（Ａ）は、被験者の脳の水平方向の断面図を示す。図８の画像（Ｂ）は、画像（Ａ）のＶＩＩＩ−ＶＩＩＩ線に沿った断面図を示す。画像（Ａ），（Ｂ）に示されるように、不平等感に対して脳内の扁桃体の血流量が変化している。そのため、鬱状態の推定時には、脳内の中でも扁桃体の脳活動情報を用いて推定することが好ましい。なお、鬱状態の推定において、扁桃体の脳活動情報の代わりに、中前頭回（ＭＦＧ：Middle Frontal Gyrus）の脳活動パターンが用いられてもよい。

（実験結果２）
発明者らは、さらに、鬱傾向の変化を予測するために寄与している扁桃体の部分を調べた。以下では、図９を参照して、その結果について説明する。図９は、不平等感を被験者に与えた場合における扁桃体の脳活動パターンを示す図である。

発明者らは、上述の学習処理で出力された重みｗ_ｉが０ではない被験者について、ＧＬＭ（Generalized Linear Model）分析を行った。発明者らは、不平等感を与えることによって得られた扁桃体の活動パターンを、重みｗ_ｉがプラスになった被験者（図９の「plus-W」）と重みｗ_ｉがナイナスになった被験者（図９の「minus-W」）との間で比較した。「plus-W」の被験者は、鬱が改善される傾向にある。「minus-W」の被験者は、鬱が悪化する傾向にある。「plus-W」の被験者においては、扁桃体の中心核９０Ａと外側基底核９０Ｂとが不平等感に相関している。一方で、「plus-W」の被験者においては、境界領域９０Ｃが不平等感に相関している。

扁桃体の各領域のピークボクセルでのベータ値が実験結果９２Ａ〜９２Ｃに示されている。実験結果９２Ａ〜９２Ｃに示されるように、「plus-W」の被験者と「minus-W」の被験者とは、不平等感に対して、互いに反対のパターンの相関を示している。発明者らのマルチボクセルパターン分析は、推定のために、これらの差を検出および収集する可能性が高い。本実験結果により、中心核９０Ａおよび外側基底核９０Ｂにおける正相関と、境界領域９０Ｃにおける不平等感に対する相関の減少とが鬱傾向を増加させることが示された。

［まとめ］
以上のようにして、学習処理では、推定システム１００は、被験者が有する状態に相関し得る知覚刺激を各被験者に対して与えたときに計測される時系列の脳活動情報を、当該被験者の脳内の互いに異なる各領域について取得する。その後、推定システム１００は、各被験者について、当該被験者の脳内の各領域から得られた脳活動情報のそれぞれの時間的な変化と、当該被験者に与えられ知覚刺激の時間的な変化との間のそれぞれの類似度からなる脳活動パターンＸを算出する。推定システム１００は、予め定量化されている各被験者の状態と、各被験者に対応する脳活動パターンＸとを用いて、脳活動パターンＸと被験者の状態との間の相関関係を学習する。

脳活動パターンＸは、知覚刺激に連動している度合いを脳内の各領域について示しているため、推定システム１００は、知覚刺激に反応している部分を容易に特定することができる。これにより、推定システム１００は、知覚刺激の種類が変わった場合でも脳内の活動部分を正確に特定することができる。

推定処理では、推定システム１００は、脳活動パターンＸと被験者の状態との間の相関関係（すなわち、学習結果２５）を利用して、検査対象の被験者について算出された脳活動パターンＸから当該被験者の状態を推定する。

推定システム１００は、知覚刺激に連動している脳内部分の脳活動情報を利用して被験者の状態を推定するため、被験者の状態を正確に推定することが可能になる。

今回開示された実施の形態は全ての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は上記した説明ではなくて特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内での全ての変更が含まれることが意図される。

１Ａ〜１Ｃ，２Ａ〜２Ｃ，３Ａ〜３Ｃ，５Ａ〜５Ｃ脳活動画像、１１Ａ〜１１Ｃ，１７Ａ〜１７Ｃ脳活動情報、１２〜１４，１８数値群、１５，１５Ａ〜１５Ｅ画像、１６Ａ，１９Ａ類似度、２０学習部、２２教師データ、２５学習結果、３０推定部、９０Ａ中心核、９０Ｂ外側基底核、９０Ｃ境界領域、９２Ａ〜９２Ｃ実験結果、１００推定システム、１０１静磁場磁石、１０２傾斜磁場コイル、１０３送信部、１０４送信コイル、１０５受信コイル、１０６受信部、１０９，１５６，４０６表示部、１１０電源、１１５寝台、１１６天板、１５０データ処理部、１５１シーケンス制御部、１５２画像再構成部、１５３記憶部、１５４表示制御部、１５５インターフェイス、１５７入力部、２００ｆＭＲＩ装置、２１０情報処理部、４００情報処理装置、４０１ＲＯＭ、４０２ＣＰＵ、４０３ＲＡＭ、４０４コントロールインターフェイス、４０５ネットワークインターフェイス、４１０記憶装置、４１２推定プログラム、７０１，７０３破線。

Claims

被験者が有する状態を推定するための情報処理装置の作動方法であって、
前記情報処理装置は、プロセッサを備え、
前記作動方法は、
前記状態に相関し得る知覚刺激を各被験者に対して与えたときに計測される時系列の脳活動情報を、当該被験者の脳内の互いに異なる各領域について、ｆＭＲＩ（functional Magnetic Resonance Imaging）装置から前記プロセッサが取得するステップと、
各被験者について、当該被験者の脳内の各領域から得られた前記脳活動情報のそれぞれの時間的な変化と、当該被験者に与えられ前記知覚刺激の時間的な変化との間のそれぞれの類似度からなる類似度群を前記プロセッサが算出するステップと、
予め定量化されている各被験者の状態と、各被験者に対応する前記類似度群とを用いて、前記類似度群と被験者の状態との間の相関関係を前記プロセッサが学習するステップとを備える、作動方法。
前記作動方法は、前記相関関係を利用して、新たな被験者について算出された前記類似度群から当該新たな被験者の状態を前記プロセッサが推定するステップをさらに備える、請求項１に記載の作動方法。
各被験者の各脳活動情報は、時系列の第１数値群として表され、
各被験者に与えた前記知覚刺激は、時系列の第２数値群として表され、
前記算出するステップは、前記第１数値群と前記第２数値群とのうち互いに同じ時刻に対応する数値同士のそれぞれを掛け合わせ、当該掛け合わせた結果を足し合わせて前記類似度を算出する、請求項１または２に記載の作動方法。
被験者が有する状態を推定するための推定システムであって、
前記状態に相関し得る知覚刺激を各被験者に対して与えたときに計測される時系列の脳活動情報を、当該被験者の脳内の互いに異なる各領域について取得する取得部と、
各被験者について、当該被験者の脳内の各領域から得られた前記脳活動情報のそれぞれの時間的な変化と、当該被験者に与えられ前記知覚刺激の時間的な変化との間のそれぞれの類似度からなる類似度群を算出する算出部と、
予め定量化されている各被験者の状態と、各被験者に対応する前記類似度群とを用いて、前記類似度群と被験者の状態との間の相関関係を学習する学習部とを備える、推定システム。