JP6739841B2 - 脳情報解析装置及び脳情報模倣演算装置 - Google Patents
脳情報解析装置及び脳情報模倣演算装置 Download PDFInfo
- Publication number
- JP6739841B2 JP6739841B2 JP2017030394A JP2017030394A JP6739841B2 JP 6739841 B2 JP6739841 B2 JP 6739841B2 JP 2017030394 A JP2017030394 A JP 2017030394A JP 2017030394 A JP2017030394 A JP 2017030394A JP 6739841 B2 JP6739841 B2 JP 6739841B2
- Authority
- JP
- Japan
- Prior art keywords
- bhq
- subject
- brain
- brain information
- multivariate
- 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
- 210000004556 brain Anatomy 0.000 title claims description 207
- 238000004458 analytical method Methods 0.000 title claims description 71
- 230000036541 health Effects 0.000 claims description 84
- 238000012545 processing Methods 0.000 claims description 49
- 238000000491 multivariate analysis Methods 0.000 claims description 41
- 238000004364 calculation method Methods 0.000 claims description 31
- 230000008859 change Effects 0.000 claims description 31
- 210000004126 nerve fiber Anatomy 0.000 claims description 24
- 238000000611 regression analysis Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000002595 magnetic resonance imaging Methods 0.000 description 46
- 238000010586 diagram Methods 0.000 description 22
- 230000006870 function Effects 0.000 description 21
- 230000036995 brain health Effects 0.000 description 16
- 238000000034 method Methods 0.000 description 10
- 239000000203 mixture Substances 0.000 description 7
- 210000004884 grey matter Anatomy 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 210000000577 adipose tissue Anatomy 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 210000004885 white matter Anatomy 0.000 description 2
- 206010003694 Atrophy Diseases 0.000 description 1
- 208000014644 Brain disease Diseases 0.000 description 1
- 108020004206 Gamma-glutamyltransferase Proteins 0.000 description 1
- 230000037444 atrophy Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000009534 blood test Methods 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 102000006640 gamma-Glutamyltransferase Human genes 0.000 description 1
- 210000001596 intra-abdominal fat Anatomy 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001936 parietal effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 210000002027 skeletal muscle Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000004003 subcutaneous fat Anatomy 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- UFTFJSFQGQCHQW-UHFFFAOYSA-N triformin Chemical compound O=COCC(OC=O)COC=O UFTFJSFQGQCHQW-UHFFFAOYSA-N 0.000 description 1
- 235000015192 vegetable juice Nutrition 0.000 description 1
- 208000037911 visceral disease Diseases 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- High Energy & Nuclear Physics (AREA)
- General Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Description
より詳細には、MRI(magnetic resonance imaging:核磁気共鳴画像法)等の、人間の脳を非侵襲にて三次元撮像を行う装置が出力する脳画像データを基に、脳情報と、脳情報の変動とその変動要因を捉えて解析する脳情報解析装置と、脳情報解析装置が出力した特徴量を用いて、人間の脳の状態とその変化を模倣する、脳情報模倣演算装置に関する。
これ以降、本明細書において脳画像データから得られる情報を、脳情報と総称する。この脳情報には、例えば、脳画像データを画像解析した結果得られる、脳の特定部位における灰白質の量や、脳の特定部位における神経線維の異方性等が含まれる。
MRI装置は高価であり、国際比較においてはわが国は相対的に導入台数は多いものの、他の医療機器に比べると、導入台数は少ない。また、その運用コストも安くはない。このため、MRIによる脳画像データを蓄積することは容易なことではない。したがって、現状では統計的解析の基となるデータの母数は、あまり多いとは言えない状況である。一方、上述したように、脳画像データから得られる情報は、変数の数が多い。これは、統計的解析手法では、既知の値については正しい推定結果を出す一方で、未知の値については正しい推定結果が得られない。つまり、オーバーフィッティングという現象を引き起こす。
また、変数の数が多いことは、判断の指標が複雑になることを示す。このため、現状の詳細な脳解析情報のままでは、脳科学の専門家しかわからず、一般の人が脳の健康の指標等に利用するのに適していない。
上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。
先の特許出願では、脳情報解析装置と脳健康指標演算装置を開示した。
脳情報解析装置は、被験者のMRI画像ファイル群から作成した多数の脳情報を、灰白質量データ群の平均値であるGM−BHQ(Grey-Matter Brain Healthcare Quotient)と、神経線維異方性データ群の平均値であるFA−BHQ(fractional anisotropy Brain Healthcare Quotient)という、2個のスカラ値に変換する。その上で、GM−BHQ及びFA−BHQと、被験者の健康診断結果データ、そして生活環境アンケート結果データを読み込み、重回帰分析を行い、GM−BHQ用重回帰式係数とFA−BHQ用重回帰式係数を算出する。
先の特許出願では、任意の人の健康状態から、その人における現在のBHQを推定するシステムを開示した。つまり、脳健康指標演算装置はその人のBHQの推定はするが、何をすればその人のBHQがよくなるのかについては客観的で明確な回答ができなかった。
本発明の脳情報解析装置は、先の出願における脳情報解析装置に、以下に実施形態として説明される脳情報模倣演算装置に必要な脳情報模倣特徴量を出力する機能を追加することで構成される。
また、本発明の脳情報模倣演算装置は、先の出願における脳健康指標演算装置に、以下の実施形態で説明するように、BHQを推定する機能に加え、脳情報模倣特徴量を読み込んで推定BHQの差分や推定介入要素を出力する機能が追加される。いわば、バージョンアップされた脳情報模倣演算装置が提供される。
図1Aは、本発明の実施形態に係る、脳情報解析装置101の概略図であると共に、脳情報解析の第一手順を示す図でもある。
ある日、被験者106はMRI装置102にて脳を撮影されることで、MRI画像ファイル群103aを脳情報解析装置101に提供すると共に、健康診断結果データ104aと生活環境アンケート結果データ105aを、図示しない脳情報解析装置101の操作者へ提出する。被験者106から提供された健康診断結果データ104aと生活環境アンケート結果データ105aは、不図示の操作者によって脳情報解析装置101に入力される。
脳情報解析装置101には、(1)被験者106の脳をMRI装置102で撮影して得たMRI画像ファイル群103aと、(2)被験者106が受診した健康診断の結果を記した健康診断結果データ104aと、(3)被験者106が所定の生活環境アンケートに回答した結果を記した生活環境アンケート結果データ105aが入力され、データベースとして蓄積される。MRI画像ファイル群103a、健康診断結果データ104a、及び生活環境アンケート結果データ105aは、全て被験者106を一意に識別する被験者IDによって紐付けされる。特に、脳情報解析装置101には、MRI画像ファイル群103aを保存するための大容量の不揮発性ストレージが必要になる。
(1)階層帰属意識及び金融不安を含む社会経済的な状況の自覚
(2)生活に関する満足感と生活向上への意識を含む健康で安心なことについての自覚
(3)個人的な価値観、ポスト物質主義(物質や経済的な富よりも精神や心の安寧(リッチネス)を優先させる考え方)及びエピクロス主義(将来の為の準備よりも現在に生きることに優先権を与えて生きる主義)
すなわち、これらのデータは健康診断結果データ104aとは異なり、被験者106の主観が混じるアンケート結果等の情報である。
被験者106は、図1Aに示した、MRI装置102にて脳を撮影された日から、例えば1ヶ月経過した日に、再びMRI装置102にて脳を撮影されることになっている。そして、被験者106は、MRI画像ファイル群103bを脳情報解析装置101に提供し、健康診断結果データ104bと生活環境アンケート結果データ105bを脳情報解析装置101の操作者へ提出する。脳情報解析装置101は、新たなMRI画像ファイル群103bと、健康診断結果データ104bと生活環境アンケート結果データ105bを得て、図1Aの時点よりも推定精度が向上した重回帰式係数107bを算出する。
もし、これら生活習慣の変化が、脳の健康に関係するのであれば、図1Bにおける2回目のMRI撮影において、MRI画像ファイル群103bから得られるデータにその影響が現れている筈である。
また、これ以降、MRI画像ファイル群103aとMRI画像ファイル群103bを特に区別しない時は、MRI画像ファイル群103と呼ぶ。同様に、健康診断結果データ104aと健康診断結果データ104bを特に区別しない時は、健康診断結果データ104と呼ぶ。生活環境アンケート結果データ105aと生活環境アンケート結果データ105bを特に区別しない時は、生活環境アンケート結果データ105と呼ぶ。重回帰式係数107aと重回帰式係数107bを特に区別しない時は、重回帰式係数107と呼ぶ。
図2Aは、脳情報解析装置101が算出した重回帰式係数107を利用した、脳情報模倣演算装置201の概略図である。
脳情報模倣演算装置201は、一般的なパソコンで実現できる。また、近年普及しているスマートフォン等の携帯型無線端末や、ワンチップマイコンを使用する体脂肪計等の健康器具でも実現することができる。
脳情報模倣演算装置201は、任意の被験者106の健康診断結果データ104と生活環境アンケート結果データ105を入力されると、脳情報解析装置101が使用していた重回帰式と、脳情報解析装置101が算出した重回帰式係数107を用いて、当該被験者106の脳情報の平均値である推定BHQ202を推定する。
図2Aに示す、脳情報模倣演算装置201が実施するBHQの推定は、先の特許出願における脳健康指標演算装置の機能と等しい。
まず、脳情報模倣演算装置201に、任意の被験者106の健康診断結果データ104と、生活環境アンケート差分203が入力される。すると、脳情報模倣演算装置201は、脳情報解析装置101が使用していた多変量解析と、脳情報解析装置101が算出した脳変化模倣特徴量108を用いて、当該被験者106のBHQの差分である推定BHQ差分204を推定する。
すなわち、脳情報模倣演算装置201は、被験者の年齢、性別、体格、健康診断結果等の客観的情報と、被験者の生活習慣の変化が入力されると、BHQがどの程度変化したか(良くなったのか、あるいは悪くなったのか)を推定する。
脳情報模倣演算装置201に、任意の被験者106の健康診断結果データ104と測定したBHQまたは推定したBHQ205が入力される。すると、脳情報模倣演算装置201は、脳情報解析装置101が使用していた多変量解析と、脳情報解析装置101が算出した脳変化模倣特徴量108を用いて、当該被験者106のBHQがよくなるための推定介入要素206を推定する。
すなわち、脳情報模倣演算装置201は、被験者の年齢、性別、体格、健康診断結果等の客観的情報と、被験者の測定BHQまたは推定BHQ205が入力されると、何をすればBHQが良くなるのか、及び/または、何をするとBHQが悪くなるのかを推定する。
図3は、脳情報解析装置101の、ハードウェア構成を示すブロック図である。
一般的なパソコンやサーバである脳情報解析装置101は、CPU301、ROM302、RAM303、液晶ディスプレイ等の表示部304、キーボードやマウス等の操作部305、ハードディスク装置等の不揮発性ストレージ306がバス307に接続されている。バス307にはこの他に、MRI画像ファイル群103と、健康診断結果データ104と、生活環境アンケート結果データ105を受け付けて、不揮発性ストレージ306内に形成するデータベースに登録するための、シリアルポート308やNIC(Network Interface Card)309が接続されている。不揮発性ストレージ306には、OSと、パソコンやサーバを脳情報解析装置101として稼働させるためのプログラムと、図4にて後述する種々のデータベースが格納されている。
図2に示す脳情報解析装置101のブロック図は、ほぼそのまま脳情報模倣演算装置201にも共通する。よって、脳情報模倣演算装置201のハードウェア構成を示すブロック図及びその説明は省略する。
図4は、脳情報解析装置101の、BHQを推定するための重回帰式係数107を算出するソフトウェア機能を示すブロック図である。
図1Aにて説明したように、脳情報解析装置101には、被験者106のMRI画像ファイル群103と、健康診断結果データ104と、生活環境アンケート結果データ105が入力される。
灰白質量算出部401は、MRI画像ファイル群103を読み込み、脳の特定部位における灰白質の量を示す灰白質量データ群402を算出する。灰白質量データ群402は、脳の116箇所の部位における灰白質量データの集合体である。
神経線維異方性算出部403は、MRI画像ファイル群103を読み込み、脳の特定部位における白質を構成する神経線維の異方性の指標値を示す神経線維異方性データ群404を算出する。神経線維異方性データ群404は、脳の48箇所の部位における白質を構成する神経線維の異方性の指標値の集合体である。
脳情報テーブル406は、被験者IDフィールドと、116個の灰白質量データフィールドと、48個の神経線維異方性データフィールドよりなる。すなわち、灰白質量データ群402と神経線維異方性データ群404は、被験者106の被験者ID405に紐付けられて、脳情報テーブル406に登録される。
なお、MRI画像ファイル群103は貴重な画像データの集合体であるので、これも被験者ID405に紐付けられて、大容量の不揮発性ストレージ306に記憶される。本発明の実施形態において、これ以降の説明では、MRI画像ファイル群103を使用しないので、以下では図示及び詳述を省略する。
平均値演算部407は、116個の灰白質量データ群402の平均値であるGM−BHQ(Grey-Matter Brain Healthcare Quotient)を算出する。GM−BHQは単一のスカラ値である。
同様に、平均値演算部407は、48個の神経線維異方性データ群404の平均値であるFA−BHQ(fractional anisotropy Brain Healthcare Quotient)を算出する。FA−BHQもGM−BHQと同様、単一のスカラ値である。
BHQテーブル408は、被験者IDフィールドと、GM−BHQフィールドと、FA−BHQフィールドよりなる。すなわち、GM−BHQとFA−BHQは、被験者106の被験者ID405に紐付けられて、BHQテーブル408に登録される。
このGM−BHQとFA−BHQが、後述する重回帰式における目的変数となる。
健康診断テーブル409は、被験者IDフィールドと、項目毎の健康診断結果データフィールドと、項目毎の生活環境アンケート結果データフィールドよりなる。すなわち、健康診断結果データ104と生活環境アンケート結果データ105は、被験者106の被験者ID405に紐付けられて、健康診断テーブル409に登録される。
この健康診断結果データ104と生活環境アンケート結果データ105が、後述する重回帰式における説明変数となる。
このGM−BHQ用重回帰式係数411及びFA−BHQ用重回帰式係数412が、図1A及び図1Bにて説明した重回帰式係数107である。
図5は、脳情報解析装置101の、脳変化模倣特徴量108を算出するソフトウェア機能を示すブロック図である。
図1Bにて説明したように、脳情報解析装置101には、被験者106のMRI画像ファイル群103と、健康診断結果データ104と、生活環境アンケート結果データ105が入力される。
そして、図4で説明したように、脳情報解析装置101は、被験者106のGM−BHQとFA−BHQを算出する。そして、BHQテーブル408に新規のレコードを追記録する。
また、図4で説明した手順と同様に、脳情報解析装置101は、被験者106の新たな健康診断結果データ104と生活環境アンケート結果データ105を、被験者106の被験者ID405と共に、健康診断テーブル409に追記録する。
すなわち、BHQテーブル408には、同一の被験者106について、第一の時点におけるGM−BHQ及びFA−BHQと、第二の時点におけるGM−BHQ及びFA−BHQが記憶されている。
同様に、健康診断テーブル409には、同一の被験者106について、第一の時点における健康診断結果データ104aと生活環境アンケート結果データ105aと、第二の時点における健康診断結果データ104bと生活環境アンケート結果データ105bが記憶されている。
介入要素演算部503は、健康診断テーブル409を参照して、被験者ID405毎に経過日数と、健康診断結果データの差分と、生活環境アンケートの差分、すなわち介入要素を演算する。そして、得られた経過日数と健康診断結果データ差分と介入要素を被験者ID405と紐付けた上で、介入要素テーブル504に追記録する。
BHQ差分テーブル502に記憶されているGM−BHQ差分とFA−BHQ差分は、多変量解析における目的変数である。
介入要素テーブル504に記憶されている経過日数と健康診断結果データ差分と介入要素は、多変量解析における説明変数である。
また、ある被験者106について、健康診断結果データ104a健康診断結果データ104bの両方が得られる場合は、その差分も脳変化模倣特徴量108を構成するための要素として採用することが可能である。
図6は、脳情報模倣演算装置201の、BHQを推定するソフトウェア機能を示すブロック図である。
第一の多変量推定処理部である重回帰式演算処理部601は、任意の被験者106の健康診断結果データ104と、生活環境アンケート結果データ105を読み込む。そして、重回帰式演算処理部601は、図4にて説明した、脳情報解析装置101が出力したGM−BHQ用重回帰式係数411を用いて、脳情報解析装置101の重回帰分析処理部410で使用した重回帰式の演算を行い、当該被験者106の、GM−BHQ推定値602を出力する。
同様に、重回帰式演算処理部601は、任意の被験者106の健康診断結果データ104と、生活環境アンケート結果データ105を読み込む。そして、重回帰式演算処理部601は、図4にて説明した、脳情報解析装置101が出力したFA−BHQ用重回帰式係数412を用いて、脳情報解析装置101の重回帰分析処理部410で使用した重回帰式の演算を行い、当該被験者106の、FA−BHQ推定値603を出力する。
このGM−BHQ推定値602及びFA−BHQ推定値603が、図2Aにて説明した、推定BHQ202である。
すなわち、脳情報模倣演算装置201の主要な演算処理は、1次関数である重回帰式の計算を行うだけである。この演算処理は大量のデータ処理を必要とするものではない。周知のように、重回帰式の計算は四則演算で実現できるので、ワンチップマイコン等、演算能力の乏しい低資源装置と呼ばれる計算機資源でも、十分実用になる。
図7Aは、脳情報模倣演算装置201の、BHQの変動を推定するソフトウェア機能を示すブロック図である。
まず、第二の多変量推定処理部である多変量推定処理部701は、任意の被験者106の健康診断結果データ104と、生活環境アンケート差分203を読み込む。そして、多変量推定処理部701は、図5にて説明した、脳情報解析装置101が出力した脳変化模倣特徴量108を用いて、脳情報解析装置101の多変量解析処理部505で使用した多変量解析の演算を行い、当該被験者106の、GM−BHQ変動推定値702と、FA−BHQ変動推定値703を出力する。
これら、GM−BHQ変動推定値702及びFA−BHQ変動推定値703が、図2Bにて説明した、推定BHQ差分204である。
多変量推定処理部701は、任意の被験者106の健康診断結果データ104と、測定BHQまたは推定BHQ205を読み込むと、図5にて説明した、脳情報解析装置101が出力した脳変化模倣特徴量108を用いて、脳情報解析装置101の多変量解析処理部505で使用した多変量解析の演算を行い、当該被験者106の推定介入要素206を出力する。
同様のことは、BHQ差分及び介入要素を推定するための第二の多変量解析にも言える。BHQ差分及び介入要素の推定に用いる第二の多変量解析アルゴリズムは、正準相関分析やディープニューラルネットに限らず、説明変数が多数で、目的変数も多数の値を扱うことができる学習アルゴリズムであればよい。
そして、脳情報解析装置101における多変量解析処理部505は第二の多変量解析処理部となる。脳情報模倣演算装置201における多変量推定処理部701は、第二の多変量推定処理部となる。
脳情報解析装置101は、被験者106のMRI画像ファイル群103から、116個の灰白質量データと、48個の神経線維異方性データを取得する。灰白質量データの平均値を算出してGM−BHQとする。神経線維異方性データの平均値を算出してFA−BHQとする。
次に、被験者106に対し、所定期間経過後に再度MRI撮像を実施して、GM−BHQ及びFA−BHQを取得する。この所定期間の経過に伴い、GM−BHQとFA−BHQに生じた変動を、被験者106の健康診断結果と生活環境アンケート結果の変動との関連を知るために、脳情報解析装置101は正準相関分析やディープニューラルネット等の学習アルゴリズムを用いた多変量解析を行う。脳情報解析装置101は、この多変量解析の結果、脳変化模倣特徴量108を得る。
例えば、上記した実施形態は本発明をわかりやすく説明するために装置及びシステムの構成を詳細かつ具体的に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施形態の構成の一部を他の実施形態の構成に置き換えることは可能であり、更にはある実施形態の構成に他の実施形態の構成を加えることも可能である。また、各実施形態の構成の一部について、他の構成の追加・削除・置換をすることも可能である。
また、制御線や情報線は説明上必要と考えられるものを示しており、製品上必ずしもすべての制御線や情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えてもよい。
Claims (6)
- 被験者の脳画像データから複数の灰白質量データを得る灰白質量算出部と、
前記被験者の前記脳画像データから複数の神経線維異方性データを得る神経線維異方性算出部と、
複数の前記灰白質量データの平均値を算出した値であるGM−BHQと、複数の前記神経線維異方性データの平均値を算出した値であるFA−BHQを出力する平均値演算部と、
被験者を一意に識別する被験者IDと、前記GM−BHQと前記FA−BHQを紐付けて登録するBHQテーブルと、
前記被験者IDと前記被験者の健康診断結果と前記被験者の生活環境アンケート結果を紐付けて登録する健康診断テーブルと、
前記BHQテーブルと前記健康診断テーブルを、前記被験者IDにて紐付けた上で多変量解析を行い、前記GM−BHQ及び前記FA−BHQを推定するための第一の特徴量を出力する第一の多変量解析処理部と、
前記被験者の、所定期間を経過する前の前記GM−BHQ及び前記FA−BHQと、所定期間を経過した後の前記GM−BHQ及び前記FA−BHQとの差分を、前記被験者IDで紐付けて登録するBHQ差分テーブルと、
前記被験者の、所定期間を経過する前の前記生活環境アンケート結果と、所定期間を経過した後の前記生活環境アンケート結果との差分を、前記被験者IDで紐付けて登録する介入要素テーブルと、
前記BHQ差分テーブルと前記介入要素テーブルと前記健康診断テーブルを、前記被験者IDにて紐付けた上で多変量解析を行い、前記GM−BHQ及び前記FA−BHQの変動及び前記介入要素を推定するための第二の特徴量である脳変化模倣特徴量を出力する第二の多変量解析処理部と
を具備する、脳情報解析装置。 - 前記第一の多変量解析処理部は、前記健康診断テーブルに登録された前記健康診断結果及び前記生活環境アンケート結果を説明変数とし、前記BHQテーブルに登録された前記GM−BHQ及び前記FA−BHQを目的変数として、単一の目的変数に対する多変量解析を実施するものである、請求項1に記載の脳情報解析装置。
- 前記第一の多変量解析処理部は、重回帰分析を実施するものであり、
前記第一の特徴量は重回帰式係数である、
請求項2に記載の脳情報解析装置。 - 脳情報解析装置が出力した第一の特徴量を用いて、任意の被験者の健康診断結果に対して第一の多変量解析に基づく推定を行い、被験者の脳画像データから得られる複数の灰白質量データの平均値を算出した値であるGM−BHQの推定値であるGM−BHQ推定値と、前記脳画像データから得られる複数の神経線維異方性データの平均値を算出した値であるFA−BHQの推定値であるFA−BHQ推定値を出力する、第一の多変量推定処理部と、
前記脳情報解析装置が出力した第二の特徴量である脳変化模倣特徴量を用いて、前記被験者の前記健康診断結果と、前記被験者の、所定期間を経過する前の生活環境アンケート結果と所定期間を経過した後の前記生活環境アンケート結果との差分に対して第二の多変量解析に基づく推定を行い、前記被験者の、前記GM−BHQの変動推定値及び前記FA−BHQの変動推定値を出力する、第二の多変量推定処理部と
を具備する、脳情報模倣演算装置。 - 前記第二の多変量推定処理部は、前記脳情報解析装置が出力した第二の特徴量である脳変化模倣特徴量を用いて、前記被験者の前記健康診断結果と、前記GM−BHQの変動値及び前記FA−BHQの変動値または前記GM−BHQの変動推定値及び前記FA−BHQの変動推定値に対して第二の多変量解析に基づく推定を行い、前記被験者の、前記GM−BHQ及び前記FA−BHQが変動する要因である推定介入要素を出力するものである、
請求項4に記載の、脳情報模倣演算装置。 - 前記第一の多変量推定処理部は、重回帰式を演算するものであり、
前記第二の多変量推定処理部は、説明変数が多数で、目的変数も多数の値を扱う学習アルゴリズムに基づく演算を実行するものである、
請求項5に記載の、脳情報模倣演算装置。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017030394A JP6739841B2 (ja) | 2017-02-21 | 2017-02-21 | 脳情報解析装置及び脳情報模倣演算装置 |
PCT/JP2018/006047 WO2018155447A1 (ja) | 2017-02-21 | 2018-02-20 | 脳情報解析装置及び脳情報模倣演算装置 |
PH12019501928A PH12019501928A1 (en) | 2017-02-21 | 2019-08-20 | Multiple brain information analyzing device and multiple brain information simulation computing device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017030394A JP6739841B2 (ja) | 2017-02-21 | 2017-02-21 | 脳情報解析装置及び脳情報模倣演算装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018134211A JP2018134211A (ja) | 2018-08-30 |
JP6739841B2 true JP6739841B2 (ja) | 2020-08-12 |
Family
ID=63253315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017030394A Active JP6739841B2 (ja) | 2017-02-21 | 2017-02-21 | 脳情報解析装置及び脳情報模倣演算装置 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP6739841B2 (ja) |
PH (1) | PH12019501928A1 (ja) |
WO (1) | WO2018155447A1 (ja) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7121432B2 (ja) * | 2019-12-05 | 2022-08-18 | 一般社団法人ブレインインパクト | 認知症予測装置 |
JP7348691B2 (ja) | 2020-03-11 | 2023-09-21 | 一般社団法人ブレインインパクト | 介入評価装置 |
WO2022130597A1 (ja) * | 2020-12-18 | 2022-06-23 | 国立大学法人東北大学 | 推定装置、推定方法、推定プログラム、生成装置、及び、推定システム |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6782006B2 (ja) * | 2016-08-29 | 2020-11-11 | 一般社団法人ブレインインパクト | 脳情報解析装置及び脳健康指標演算装置 |
-
2017
- 2017-02-21 JP JP2017030394A patent/JP6739841B2/ja active Active
-
2018
- 2018-02-20 WO PCT/JP2018/006047 patent/WO2018155447A1/ja active Application Filing
-
2019
- 2019-08-20 PH PH12019501928A patent/PH12019501928A1/en unknown
Also Published As
Publication number | Publication date |
---|---|
JP2018134211A (ja) | 2018-08-30 |
PH12019501928A1 (en) | 2020-06-01 |
WO2018155447A1 (ja) | 2018-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hinde et al. | Wearable devices suitable for monitoring twenty four hour heart rate variability in military populations | |
Boberska et al. | Sedentary behaviours and health-related quality of life. A systematic review and meta-analysis | |
Lachin | The role of measurement reliability in clinical trials | |
Deyo et al. | Barriers to the use of health status measures in clinical investigation, patient care, and policy research | |
US20050144042A1 (en) | Associated systems and methods for managing biological data and providing data interpretation tools | |
US20030233250A1 (en) | Systems and methods for managing biological data and providing data interpretation tools | |
JP2009541863A (ja) | 痴呆および痴呆型障害を分析および評価するためのシステムおよび方法 | |
JP6782006B2 (ja) | 脳情報解析装置及び脳健康指標演算装置 | |
Andrews et al. | The Australian longitudinal study of ageing | |
JP6739841B2 (ja) | 脳情報解析装置及び脳情報模倣演算装置 | |
Poulsen et al. | Concurrent validity and reliability of clinical evaluation of the single leg squat | |
Woźniacka et al. | Artificial intelligence in medicine and dermatology | |
Hsieh et al. | Gait analyses of parkinson’s disease patients using multiscale entropy | |
Adibuzzaman et al. | Assessment of pain using facial pictures taken with a smartphone | |
JP2022059448A (ja) | 診療支援システム | |
Neumann et al. | Reference data on thickness and mechanics of tissue layers and anthropometry of musculoskeletal extremities | |
JP7121432B2 (ja) | 認知症予測装置 | |
Liu et al. | A new data visualization and digitization method for building electronic health record | |
WO2020196812A1 (ja) | 情報提供システム、情報提供プログラム、及びコンピュータ読み取り可能な非一時的記憶媒体 | |
Björkman et al. | Cortical sensory and motor response in a patient whose hand has been replanted: one-year follow up with functional magnetic resonance imaging | |
JP2017021725A (ja) | 健康管理支援装置、健康管理支援システム及び健康管理支援方法 | |
Sheth et al. | Reliability test of new questionnaire designed to measure social wellbeing of Breast Cancer Patients | |
Nedadur et al. | Automated Three-Dimensional Left Ventricular Volumes: Rise of the Machines? | |
WO2023017654A1 (ja) | 予測装置、予測方法、および予測プログラム | |
Markova et al. | Technological Support to Musculoskeletal Disorders Assessment and Management |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20170407 |
|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20191218 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20191225 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20191218 |
|
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: 20200714 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200717 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6739841 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |