JP6764205B2 - トレンド分析を利用した痛みの判別、機械学習、経済的判別モデルおよびIoTを応用した医療装置、テイラーメイド機械学習、および新規疼痛判別用脳波特徴量 - Google Patents
トレンド分析を利用した痛みの判別、機械学習、経済的判別モデルおよびIoTを応用した医療装置、テイラーメイド機械学習、および新規疼痛判別用脳波特徴量 Download PDFInfo
- Publication number
- JP6764205B2 JP6764205B2 JP2019527992A JP2019527992A JP6764205B2 JP 6764205 B2 JP6764205 B2 JP 6764205B2 JP 2019527992 A JP2019527992 A JP 2019527992A JP 2019527992 A JP2019527992 A JP 2019527992A JP 6764205 B2 JP6764205 B2 JP 6764205B2
- Authority
- JP
- Japan
- Prior art keywords
- pain
- model
- discrimination
- data
- feature amount
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4824—Touch or pain perception evaluation
- A61B5/4827—Touch or pain perception evaluation assessing touch sensitivity, e.g. for evaluation of pain threshold
- A61B5/483—Touch or pain perception evaluation assessing touch sensitivity, e.g. for evaluation of pain threshold by thermal stimulation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/398—Electrooculography [EOG], e.g. detecting nystagmus; Electroretinography [ERG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Pain & Pain Management (AREA)
- Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Fuzzy Systems (AREA)
- Social Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Description
(項目1)推定対象の脳波に基づいて前記推定対象が有する疼痛をモニターする方法であって
a)該推定対象から、刺激に対する脳波測定を行うことにより脳波データまたはその分析データを取得する工程と
b)該脳波データまたはその分析データの特定の時間幅における平均値の時間的推移を取得する工程と
c)該平均値の時間的推移に基づいて、該脳波データまたはその分析データから該推定対象が有する疼痛のレベルを評価またはモニターする工程とを
包含する、疼痛モニター方法。
(項目2)前記特定の時間幅は少なくとも20秒以上である、項目1に記載の方法。
(項目3)前記特定の時間幅は少なくとも30秒以上である、項目1または2に記載の方法。
(項目4)前記特定の時間幅は少なくとも40秒以上である、項目1〜3のいずれか一項に記載の方法。
(項目5)前記平均値の時間的推移が、単調増加であれば、前記疼痛が強いと判断し、単調減少であれば、弱いと判断されることを特徴とする、項目1〜4のいずれか一項に記載の方法。
(項目6)前記特定の時間幅における平均値は、非重複ブロック平均法で算出する、項目1〜5のいずれか一項に記載の方法。
(項目7)前記平均値として、2種類以上の時間幅の平均値を用いることを特徴とする、項目1〜6のいずれか1項に記載の方法。
(項目8)前記2種類以上の時間幅は、少なくとも10〜120秒と、30〜300秒の時間幅を有し、さらに、必要に応じて、120秒以上の時間幅をさらに含む、項目7に記載の方法。
(項目9)前記疼痛のレベルのモニターの際に疼痛指数を用いることを特徴とする、項目1〜8のいずれか一項に記載の方法。
(項目10)前記疼痛指数は、疼痛の時間変化の判読を容易にする数値を含むことを特徴とする、項目9に記載の方法。
(項目11)前記数値は、強い痛みレベルの脳特徴量をベースラインとして、連続的、順序的、または名義的に表現したものである、項目10に記載の方法。
(項目12)前記脳波データまたはその分析データから、疼痛指数を生成する工程をさらに含む、項目1〜11のいずれか一項に記載の方法。
(項目13)前記疼痛指数からベースラインを算出する工程をさらに含み、前記モニターの際に該ベースラインに基づいて疼痛を判定または推定する工程をさらに含む、項目1〜12のいずれか一項に記載の方法。
(項目14)前記ベースラインの算出に加え、ベースライン補正をさらに行うこと含む、項目13に記載の方法。
(項目14A)前記工程(c)において、疼痛占有率を参照することをさらに含み、ここで、該疼痛占有率は、疼痛推定値を疼痛ありと判別した場合の確実性を示す、項目13に記載の方法。
(項目14B)前記疼痛占有率は、
(a)判別モデルにより、疼痛ありおよび疼痛無の判別推定値を算出することと、
(b)疼痛推定値を区分範囲に分割し、該区分範囲の各推定値の疼痛あり推定値の占有率を算出することと、
(c)該占有率を関数化して疼痛占有率関数を生成し、該疼痛占有率関数により算出される、項目13に記載の方法。
(項目15)推定対象の脳波に基づいて前記推定対象が有する疼痛をモニターする装置であって
A)該推定対象の脳波データまたはその分析データを取得する脳波データ測定部と
B)該脳波データまたはその分析データの特定の時間幅における平均値の時間的推移をプロットするための値特徴量抽出部と
C)該プロットに基づいて、該脳波データまたはその分析データから該推定対象が有する疼痛のレベルをモニターする疼痛レベルモニター部と
を含む、装置。
(項目16)項目2〜14の特徴の1つまたは複数を含む、項目15に記載の装置。
(項目17)推定対象の脳波に基づいて前記推定対象が有する疼痛をモニターする方法をコンピュータに実行させるプログラムであって、該方法は、
a)該コンピュータに、該推定対象から、刺激に対する脳波測定を行うことにより脳波データを取得させる工程と
b)該コンピュータに、該脳波データまたはその分析データの特定の時間幅における平均値の時間的推移をプロットするための特徴量を抽出する工程と
c)該コンピュータに、該プロットに基づいて、該脳波データまたはその分析データから該推定対象が有する疼痛のレベルをモニターさせる工程とを
包含する、プログラム。
(項目18)項目2〜14の特徴の1つまたは複数を含む、項目17に記載のプログラム。
(項目19)推定対象の脳波に基づいて前記推定対象が有する疼痛をモニターする方法をコンピュータに実行させるプログラムを格納した記録媒体であって、該方法は、
a)該コンピュータに、該推定対象から、刺激に対する脳波測定を行うことにより脳波データまたはその分析データを測定する工程と
b)該コンピュータに、該脳波データまたはその分析データの特定の時間幅における平均値の時間的推移をプロットするための特徴量を抽出する工程と
c)該コンピュータに、該プロットに基づいて、該脳波データまたはその分析データから該推定対象が有する疼痛のレベルをモニターさせる工程とを
包含する、記録媒体。
(項目20)項目2〜14の特徴の1つまたは複数を含む、項目19に記載の記録媒体。
別の局面において、本発明者らは鋭意研究をした結果、種々の感覚について、精度の良い判別モデルを効率よく提供することができる技術を見出した。
(項目X1)対象の疼痛を判別するためのモデルを生成する方法であって、
a)該対象から脳波データまたはその分析データを得るステップと、
b)該脳波データまたはその分析データにおいて特徴量を該疼痛に関して縮約するステップと、
c)該縮約後の重み付けされた該特徴量またはその組み合わせのランキングの上位から機械学習および交差検証により、判別分析を行うステップと、
d)所定の精度を達成するモデルを決定するステップとを含む、
方法。
(項目X2)前記所定の精度を達成するモデルにおいて、特徴量の種類がより少ないモデルを選択することを含む、項目X1に記載の方法。
(項目X3)ステップc)の後に、判別分析により得られた判別精度の隣接モデルの差分値(Diff)を算出し、ここで、該隣接モデルはn−1特徴量とn特徴量とを含むモデルであり、nは2以上であり、前記ステップd)における判別モデルの判断において該差分値をも考慮することをさらに含む、項目X1に記載の方法。
(項目X4)前記差分値の考慮は、該差分値の大きい値から特徴量を再ランキングし、判別精度を再計算することでより判別精度が高いモデルを生成する過程を含む、項目X3に記載の方法。
(項目X5)前記差分値に基づく判断は、前記特徴量をメイン特徴量とサポーター特徴量とに分類し、該サポーター特徴量を再ランキングすることを含む、項目X3またはX4に記載の方法。
(項目X6)前記再ランキングの後、前記特徴量を変更して前記ステップc)を繰り返すステップを包含する、項目X5に記載の方法。
(項目X7)前記再ランキングの後、前記特徴量を変更して機械学習および交差検定を行うことで、各モデルの判別精度を算出するステップを包含する、項目X5またはX6に記載の方法。
(項目X8)項目X3〜X7のうち少なくとも1つのステップを少なくとも1回繰り返す、項目X3〜7のいずれか一項に記載の方法。
(項目X9)前記所定の精度は、最も精度が高いことを含む、項目X1〜X8のいずれか一項に記載の方法。
(項目X10)前記縮約は、判別段階に対応した判別関数モデルを用いてフィッティングし、モデル近似指数を算出し、そのランキングの上位から任意の数を選択することを特徴とする、項目X1〜X9のいずれか一項に記載の方法。
(項目X11)前記縮約は、判別段階に応じて、有効な特徴量を抽出することを特徴とする、項目X1〜X10のいずれか一項に記載の方法。
(項目X12)前記重みづけ係数は、R2値、相関係数、回帰係数、および残差平方和からなる群より選択される、項目X1〜X11のいずれか一項に記載の方法。
(項目X13)前記判別関数モデルはシグモイド関数、およびステップ関数からなる群より選択される、項目X12に記載の方法。
(項目X14)前記モデル近似指数は、重みづけ係数の部分集合である、項目X10またはX12に記載の方法。
(項目X15)前記有効な特徴量は、2項分類の場合、痛みあり若しくはなしに対応する全か無か、すなわち2値特徴量であるか、または、判別関数への近似がより高い特徴量である、項目X11に記載の方法。
(項目X16)対象の疼痛を判別する方法であって、
a)参照対象から脳波データまたはその分析データを得るステップと、
b)該脳波データまたはその分析データにおいて特徴量を該疼痛に関して縮約するステップと、
c)各特徴量の重みづけ係数のランキングの上位から機械学習および交差検証により、判別分析を行うステップと、
d)所定の精度を達成するモデルを決定するステップと、
e)試験対象から脳波データまたはその分析データを得るステップと、
f)該試験対象に該モデルを当てはめて疼痛を判別するステップと
を含む、方法。
(項目X17)対象の疼痛を判別する方法であって、
e)試験対象から脳波データまたはその分析データを得るステップと、
f)該試験対象に疼痛を判別するモデルを当てはめて疼痛を判別するステップとを含み、ここで、該モデルは、
a)参照対象から脳波データまたはその分析データを得るステップと、
b)該脳波データまたはその分析データの特徴量を該疼痛に関して縮約するステップと、
c)各特徴量の重みづけ係数のランキングの上位から機械学習および交差検証により、判別分析を行うステップと、
d)所定の精度を達成するモデルを決定するステップと
によって生成されたものである、方法。
(項目X18)FzまたはFpzあるいはそれらの周辺における少なくとも2電極における特徴量を含む、対象の疼痛を判別するためのモデルを用いて、対象の疼痛を判別するステップを含む、対象の疼痛を判別するための方法。
(項目X19)前記周辺は、F3、F4、Fp1およびFp2の少なくとも1つを含む、項目X18に記載の方法。
(項目X20)対象の疼痛を判別するためのモデルを生成する方法をコンピュータに実行させるプログラムであって、該方法は
a)該対象から脳波データまたはその分析データを得るステップと、
b)該脳波データまたはその分析データにおいて特徴量を該疼痛に関して縮約するステップと、
c)該縮約後の重み付けされた該特徴量またはその組み合わせのランキングの上位から機械学習および交差検証により、判別分析を行うステップと、
d)所定の精度を達成するモデルを決定するステップと、
を含む、プログラム。
(項目X20A)項目X1〜X19の1または複数の特徴をさらに含む、項目X20に記載のプログラム。
(項目X21)対象の疼痛を判別するためのモデルを生成する方法をコンピュータに実行させるプログラムを格納する記録媒体であって、該方法は
a)該対象から脳波データまたはその分析データを得るステップと、
b)該脳波データまたはその分析データにおいて特徴量を該疼痛に関して縮約するステップと、
c)該縮約後の重み付けされた該特徴量またはその組み合わせのランキングの上位から機械学習および交差検証により、判別分析を行うステップと、
d)所定の精度を達成するモデルを決定するステップと
を含む、記録媒体。
(項目X21A)項目X1〜X19の1または複数の特徴をさらに含む、項目X21に記載の記録媒体。
(項目X22)対象の疼痛を判別するためのモデルを生成するシステムまたは装置であって、該システムまたは装置は
A)該対象から脳波データまたはその分析データを得る脳波データ取得部と、
B)該脳波データまたはその分析データにおいて特徴量を該疼痛に関して縮約する特徴量縮約部と、
C)該縮約後の重み付けされた該特徴量またはその組み合わせのランキングの上位から機械学習および交差検証により、判別分析を行い、所定の精度を達成するモデルを決定する疼痛判別・推定モデル生成部と
を含む、システムまたは装置。
(項目X22A)項目X1〜X19の1または複数の特徴をさらに含む、項目X22に記載のシステムまたは装置。
(項目X23)対象の疼痛を判別する方法をコンピュータに実行させるプログラムであって、該方法は
a)参照対象から脳波データまたはその分析データを得るステップと、
b)該脳波データまたはその分析データにおいて特徴量を該疼痛に関して縮約するステップと、
c)各特徴量の重みづけ係数のランキングの上位から機械学習および交差検証により、判別分析を行うステップと、
d)所定の精度を達成するモデルを決定するステップと、
e)試験対象から脳波データまたはその分析データを得るステップと、
f)該試験対象に該モデルを当てはめて疼痛を判別するステップと
を含む、プログラム。
(項目X23A)項目X1〜X19の1または複数の特徴をさらに含む、項目X23に記載のプログラム。
(項目X24)対象の疼痛を判別する方法をコンピュータに実行させるプログラムを格納した記録媒体であって、該方法は
a)参照対象から脳波データまたはその分析データを得るステップと、
b)該脳波データまたはその分析データにおいて特徴量を該疼痛に関して縮約するステップと、
c)各特徴量の重みづけ係数のランキングの上位から機械学習および交差検証により、判別分析を行うステップと、
d)所定の精度を達成するモデルを決定するステップと、
e)試験対象から脳波データまたはその分析データを得るステップと、
f)該試験対象に該モデルを当てはめて疼痛を判別するステップと
を含む、記録媒体。
(項目X24A)項目X1〜X19の1または複数の特徴をさらに含む、項目X24に記載の記録媒体。
(項目X25)対象の疼痛を判別するシステムまたは装置であって、該システムまたは装置は
A)参照対象から脳波データまたはその分析データを得る脳波データ取得部と、
B)該脳波データまたはその分析データにおいて特徴量を該疼痛に関して縮約する特徴量縮約部と、
C)各特徴量の重みづけ係数のランキングの上位から機械学習および交差検証により、判別分析を行い、所定の精度を達成するモデルを決定する疼痛判別・推定モデル生成部と、
D)試験対象から脳波データまたはその分析データを得る脳波データ測定部と、
E)該試験対象に該モデルを当てはめて疼痛を判別する疼痛判別・推定部と
を含む、システムまたは装置。
(項目X25A)項目X1〜X19の1または複数の特徴をさらに含む、項目X25に記載のシステムまたは装置。
(項目X26)対象の疼痛を判別する方法をコンピュータに実行させるプログラムであって、該方法は
e)試験対象から脳波データまたはその分析データを得るステップと、
f)該試験対象に疼痛を判別するモデルを当てはめて疼痛を判別するステップとを含み、ここで、該モデルは、
a)参照対象から脳波データまたはその分析データを得るステップと、
b)該脳波データまたはその分析データの特徴量を該疼痛に関して縮約するステップと、
c)各特徴量の重みづけ係数のランキングの上位から機械学習および交差検証により、判別分析を行うステップと、
d)所定の精度を達成するモデルを決定するステップと
によって生成されたものである、プログラム。
(項目X26A)項目X1〜X19の1または複数の特徴をさらに含む、項目X26に記載のプログラム。
(項目X27)対象の疼痛を判別する方法をコンピュータに実行させるプログラムを格納した記録媒体であって、該方法は
e)試験対象から脳波データまたはその分析データを得るステップと、
f)該試験対象に疼痛を判別するモデルを当てはめて疼痛を判別するステップとを含み、ここで、該モデルは、
a)参照対象から脳波データまたはその分析データを得るステップと、
b)該脳波データまたはその分析データの特徴量を該疼痛に関して縮約するステップと、
c)各特徴量の重みづけ係数のランキングの上位から機械学習および交差検証により、
判別分析を行うステップと、
d)所定の精度を達成するモデルを決定するステップと
によって生成されたものである、
記録媒体。
(項目X27A)項目X1〜X19の1または複数の特徴をさらに含む、項目X27に記載の記録媒体。
(項目X28)対象の疼痛を判別するシステムまたは装置であって、該システムまたは装置は
D)試験対象から脳波データまたはその分析データを得る脳波データ測定部と、
E)該試験対象に疼痛を判別するモデルを当てはめて疼痛を判別する疼痛判別・推定部と
を含み、ここで、該モデルは、
a)参照対象から脳波データまたはその分析データを得るステップと、
b)該脳波データまたはその分析データの特徴量を該疼痛に関して縮約するステップと、
c)各特徴量の重みづけ係数のランキングの上位から機械学習および交差検証により、
判別分析を行うステップと、
d)所定の精度を達成するモデルを決定するステップと
によって生成されたものである、
システムまたは装置。
(項目X28A)項目X1〜X19の1または複数の特徴をさらに含む、項目X28に記載のシステムまたは装置。
別の局面において、本発明は以下をも提供する。
(項目A1)対象の疼痛を判別するためのモデルを生成する方法であって、
a)該対象から脳波データまたはその分析データを得るステップと、
b)該脳波データまたはその分析データに基づく特徴量について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の重み付けされた該特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと
を含む、方法。
(項目A2)ステップb)において、前記特徴量係数の決定後、判別推定を反復することと、該判別推定について該特徴量係数の平均を算出しランキングすることと、特徴量を所定の閾値に基づいて選別することによって、前記縮約を行うことを特徴とする、項目A1に記載の方法。
(項目A3)前記特徴量係数の決定は、機械学習による、項目A1またはA2に記載の方法。
(項目A4)ステップb)において、前記特徴量係数を決定する際に、判別精度が最も高くなるハイパーパラメータを決定し、該ハイパーパラメータに基づいて該特徴量係数を決定し、判別に無効または寄与率が低い特徴量を除外することを包含する、項目A1〜A3のいずれか一項に記載の方法。
(項目A5)前記特徴量係数およびハイパーパラメータの決定は、機械学習による、項目A4に記載の方法。
(項目A6)前記b)〜d)ステップは、
(C1)前記特徴量および該特徴量に対応する前記疼痛に対応するデータを学習用データとテスト用データに分割するステップと、
(C2)該学習データを用いて機械学習を行い、判別モデルを作成するステップと、
(C3)該テスト用データを用いて該判別モデルの判別精度を算出するステップと、
(C4)該対象中に該判別精度がチャンスレベル以下の対象サンプルが存在する場合、該サンプルを除外しステップC1〜C3を繰り返し、チャンスレベル以下のサンプルが存在しない場合終了することで判別モデルを決定するステップであって、ここで該チャンスレベルは、
100%を分類する数で割った数値である、ステップとを含む、項目A1〜A5のいずれか一項に記載の方法。
(項目A7)前記所定の精度を達成するモデルにおいて、特徴量の種類がより少ないモデルを選択することを含む、項目A1〜A6のいずれか一項に記載の方法。
(項目A8)ステップc)の後に、判別分析により得られた判別精度の隣接モデルの差分値(Diff)を算出し、ここで、該隣接モデルはn−1特徴量とn特徴量とを含むモデルであり、nは2以上であり、前記ステップd)における判別モデルの判断において該差分値をも考慮することをさらに含む、項目A1〜A7のいずれか一項に記載の方法。
(項目A9)前記差分値の考慮は、該差分値の大きい値から特徴量を再ランキングし、判別精度を再計算することでより判別精度が高いモデルを生成する過程を含む、項目A8に記載の方法。
(項目A10)前記差分値に基づく判断は、前記特徴量をメイン特徴量とサポーター特徴量とに分類し、該サポーター特徴量を再ランキングすることを含む、項目A8またはA9に記載の方法。
(項目A11)前記再ランキングの後、前記特徴量を変更して前記ステップc)を繰り返すステップを包含する、項目A10に記載の方法。
(項目A12)前記再ランキングの後、前記特徴量を変更して機械学習および交差検定を行うことで、各モデルの判別精度を算出するステップを包含する、項目A10またはA11に記載の方法。
(項目A13)項目A8〜A12のうち少なくとも1つのステップを少なくとも1回繰り返す、項目A8〜A12のいずれか一項に記載の方法。
(項目A14)前記所定の精度は、最も精度が高いことを含む、項目A1〜A13のいずれか一項に記載の方法。
(項目A15)前記縮約は、判別段階に対応した判別関数モデルを用いてフィッティングし、モデル近似指数を算出し、そのランキングの上位から任意の数を選択することを特徴とする、項目A1〜A14のいずれか一項に記載の方法。
(項目A16)前記縮約は、判別段階に応じて、有効な特徴量を抽出することを特徴とする、項目A1〜A15のいずれか一項に記載の方法。
(項目A17)前記重みづけ係数は、R2値、相関係数、回帰係数、および残差平方和からなる群より選択される、項目A1〜A16のいずれか一項に記載の方法。
(項目A18)前記判別関数モデルはシグモイド関数、およびステップ関数からなる群より選択される、項目A17に記載の方法。
(項目A19)前記モデル近似指数は、重みづけ係数の部分集合である、項目A15〜A18のいずれか一項に記載の方法。
(項目A20)前記有効な特徴量は、2項分類の場合、痛みあり若しくはなしに対応する全か無か、すなわち2値特徴量であるか、または、判別関数への近似がより高い特徴量である、項目A16〜A19のいずれか一項に記載の方法。
(項目A21)対象の疼痛を判別する方法であって、
a)参照対象から脳波データまたはその分析データを得るステップと、
b)該脳波データまたはその分析データに基づく特徴量について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の重み付けされた該特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと
e)試験対象から脳波データまたはその分析データを得るステップと、
f)該試験対象の脳波データまたはその分析データを該モデルに当てはめて疼痛を判別するステップと
を含む、方法。
(項目A22)対象の疼痛を判別する方法であって、
e)試験対象から脳波データまたはその分析データを得るステップと、
f)該試験対象の脳波データまたはその分析データを疼痛を判別するモデルに当てはめて疼痛を判別するステップと
を含み、ここで、該モデルは、
a)参照対象から脳波データまたはその分析データを得るステップと、
b)該脳波データまたはその分析データに基づく特徴量について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の重み付けされた該特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと
によって生成されたものである、方法。
(項目A23)FzまたはFpzあるいはそれらの周辺における少なくとも2電極における特徴量を含む、対象の疼痛を判別するためのモデルを用いて、対象の疼痛を判別するステップを含む、対象の疼痛を判別するための方法。
(項目A24)前記周辺は、F3、F4、Fp1およびFp2の少なくとも1つを含む、項目A23に記載の方法。
(項目A25)対象の疼痛を判別するためのモデルを生成する方法をコンピュータに実行させるプログラムであって、該方法は
a)該対象から脳波データまたはその分析データを得るステップと、
b)該脳波データまたはその分析データに基づく特徴量について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の重み付けされた該特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと、
を含む、プログラム。
(項目A25A)項目A1〜A24およびA34〜A36の1または複数の特徴をさらに含む、項目A25に記載のプログラム。
(項目A26)対象の疼痛を判別するためのモデルを生成する方法をコンピュータに実行させるプログラムを格納する記録媒体であって、該方法は
a)該対象から脳波データまたはその分析データを得るステップと、
b)該脳波データまたはその分析データに基づく特徴量について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の重み付けされた該特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと
を含む、記録媒体。
(項目A26A)項目A1〜A24およびA34〜A36の1または複数の特徴をさらに含む、項目A26に記載の記録媒体。
(項目A27)対象の疼痛を判別するためのモデルを生成するシステムであって、該システムは、
A)該対象から脳波データまたはその分析データを得る脳波データ取得部と、
B)該脳波データまたはその分析データに基づく特徴量について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約する特徴量縮約部と、
C)該縮約後の重み付けされた該特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成する疼痛判別・推定モデル生成部とを含む、システム。
(項目A27A)項目A1〜A24およびA34〜A36の1または複数の特徴をさらに含む、項目A27に記載のシステム。
(項目A28)対象の疼痛を判別する方法をコンピュータに実行させるプログラムであって、該方法は
a)参照対象から脳波データまたはその分析データを得るステップと、
b)該脳波データまたはその分析データに基づく特徴量について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の重み付けされた該特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと、
e)試験対象から脳波データまたはその分析データを得るステップと、
f)該試験対象の脳波データまたはその分析データを該モデルに当てはめて疼痛を判別するステップと
を含む、プログラム。
(項目A28A)項目A1〜A24およびA34〜A36の1または複数の特徴をさらに含む、項目A28に記載のプログラム。
(項目A29)対象の疼痛を判別する方法をコンピュータに実行させるプログラムを格納した記録媒体であって、該方法は
a)参照対象から脳波データまたはその分析データを得るステップと、
b)該脳波データまたはその分析データに基づく特徴量について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の重み付けされた該特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと、
e)試験対象から脳波データまたはその分析データを得るステップと、
f)該試験対象の脳波データまたはその分析データを該モデルに当てはめて疼痛を判別するステップと
を含む、記録媒体。
(項目A29A)項目A1〜A24およびA34〜A36の1または複数の特徴をさらに含む、項目A29に記載の記録媒体。
(項目A30)対象の疼痛を判別するシステムであって、該システムは、
A)参照対象から脳波データまたはその分析データを得る脳波データ取得部と、
B)該脳波データまたはその分析データに基づく特徴量について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約する特徴量縮約部と、
C)該縮約後の重み付けされた該特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成する疼痛判別・推定モデル生成部と、
D)試験対象から脳波データまたはその分析データを得る脳波データ測定部と、
E)該試験対象の脳波データまたはその分析データを該判別分析モデルに当てはめて疼痛を判別する疼痛判別・推定部と
を含む、システム。
(項目A30A)項目A1〜A24およびA34〜A36の1または複数の特徴をさらに含む、項目A30に記載のシステム。
(項目A31)対象の疼痛を判別する方法をコンピュータに実行させるプログラムであって、該方法は
e)試験対象から脳波データまたはその分析データを得るステップと、
f)該試験対象の脳波データまたはその分析データを疼痛を判別するモデルに当てはめて疼痛を判別するステップと
を含み、ここで、該モデルは、
a)参照対象から脳波データまたはその分析データを得るステップと、
b)該脳波データまたはその分析データに基づく特徴量について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の重み付けされた該特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと
によって生成されたものである、
プログラム。
(項目A31A)項目A1〜A24およびA34〜A36の1または複数の特徴をさらに含む、項目A31に記載のプログラム。
(項目A32)対象の疼痛を判別する方法をコンピュータに実行させるプログラムを格納した記録媒体であって、該方法は
e)試験対象から脳波データまたはその分析データを得るステップと、
f)該試験対象の脳波データまたはその分析データを疼痛を判別するモデルに当てはめて疼痛を判別するステップと
を含み、ここで、該モデルは、
a)参照対象から脳波データまたはその分析データを得るステップと、
b)該脳波データまたはその分析データに基づく特徴量について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の重み付けされた該特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと
によって生成されたものである、記録媒体。
(項目A32A)項目A1〜A24およびA34〜A36の1または複数の特徴をさらに含む、項目A32に記載の記録媒体。
(項目A33)対象の疼痛を判別するシステムであって、該システムは、
D)試験対象から脳波データまたはその分析データを得る脳波データ測定部と、
E)該試験対象の脳波データまたはその分析データを疼痛を判別するモデルに当てはめて疼痛を判別する疼痛判別・推定部とを含み、ここで、該モデルは、
a)参照対象から脳波データまたはその分析データを得るステップと、
b)該脳波データまたはその分析データに基づく特徴量について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の重み付けされた該特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと
によって生成されたものである、システム。
(項目A33A)項目A1〜A24およびA34〜A36の1または複数の特徴をさらに含む、項目A33に記載のシステム。
(項目A34)前記脳波データまたはその分析データを、フィルタリングするステップをさらに包含する、項目A1〜A24に記載の方法。
(項目A35)前記フィルタリングが、眼球運動除去および筋電位減衰からなる群より選択される少なくとも1つのためのフィルタリングを含む、項目A34に記載の方法、プログラム、記録媒体またはシステム。
(項目A36)前記脳波データまたはその分析データは、平均振幅、前頭−頭頂電位相関、周波数パワー、および複雑性指標(Multiscaleエントロピー)からなる群より選択される少なくとも1つを含む、項目A1〜A24、A34またはA35に記載の方法。
(項目A37)対象の疼痛を判別する方法をコンピュータに実行させるプログラムであって、該方法は
a)対象から脳波データまたはその分析データを得るステップと、
b)該脳波データまたはその分析データに基づいて判別モデルを生成するステップと、
c)該対象からの脳波データまたはその分析データを該判別モデルに当てはめて疼痛を判別するステップと
を含む、プログラム。
(項目A37A)上記項目の1または複数の特徴を含む、項目A37に記載のプログラム。
(項目A37B)項目A37または項目A37Aに記載のプログラムを格納した記録媒体。
(項目A38)対象の疼痛を判別するシステムであって、該システムは、
X)対象から脳波データまたはその分析データを得る脳波データ取得部と、
Y)該脳波データまたはその分析データに基づいて判別モデルを生成する疼痛判別・推定モデル生成部と、
Z)該対象からの脳波データまたはその分析データを該モデルに当てはめて疼痛を判別する疼痛判別・推定部と
を含む、システム。
(項目A38A)上記項目の1または複数の特徴を含む、項目A38に記載のシステム。
(項目A39)対象の疼痛を判別するシステムであって、該システムは、X)痛み判別端末とY)疼痛判別・推定サーバとを含み、
該痛み判別端末は
X−1)対象から脳波データまたはその分析データを得る脳波データ取得端末と、
X−2)該脳波データまたはその分析データおよび判別結果を疼痛判別・推定サーバに送受信するモジュールと
を含み、
疼痛判別・推定サーバは、
Y−1)該脳波データまたはその分析データに基づいて判別モデルを生成する疼痛判別・推定モデル生成モジュールと、
Y−2)該対象からの脳波データまたはその分析データを該モデルに当てはめて疼痛を判別した判別結果を生成する疼痛判別・推定モジュールと
Y−3)該脳波データまたはその分析データおよび該判別結果を送受信する判別結果送受信モジュールと
を含む、システム。
(項目A39A)上記項目の1または複数の特徴を含む、項目A39に記載のシステム。
(項目A40)対象の疼痛を判別するシステムであって、該システムは、X)痛み判別端末とY)疼痛判別・推定サーバとを含み、
該痛み判別端末は
X−1)対象から脳波データを得る脳波データ取得端末と、
X−2)該脳波データおよび判別結果を疼痛判別・推定サーバに送受信するモジュールとを含み、
疼痛判別・推定サーバは、
Y−1)該脳波データまたはその分析データに基づいて判別モデルを生成する疼痛判別・推定モデル生成モジュールと、
Y−1’)該脳波データから分析データを抽出する脳波特徴量抽出モジュールと、
Y−2)該対象からの脳波データまたはその分析データを該モデルに当てはめて疼痛を判別した判別結果を生成する疼痛判別・推定モジュールと
Y−3)該脳波データまたはその分析データおよび該判別結果を送受信する判別結果送受信モジュールと
を含む、システム。
(項目A40A)上記項目の1または複数の特徴を含む、項目A40に記載のシステム。
(項目A41)対象の疼痛を判別するシステムであって、該システムは、X)痛み判別端末とY)疼痛判別・推定サーバとを含み、
該痛み判別端末は
X−1)対象から脳波データまたはその分析データを得る脳波データ取得端末と、
X−2)該脳波データまたはその分析データおよび判別モデルを疼痛判別・推定サーバに送受信するモジュールと、
X−3)判別モデルを格納する判別モデルモジュールであって、該対象からの脳波データまたはその分析データを該判別モデルに当てはめて疼痛を判別する、モジュールとを含み、
疼痛判別・推定サーバは、
Y−1)該脳波データまたはその分析データに基づいて判別モデルを生成する疼痛判別・推定モデル生成モジュールと、
Y−2)該判別モデルを該痛み判別端末に送信するモデル送信モジュールと
必要に応じて該脳波データから分析データを抽出する脳波特徴量抽出モジュールと、を含む、システム。
(項目A41A)上記項目の1または複数の特徴を含む、項目A41に記載のシステム。
別の局面において、機械学習は、明示的にプログラミングすることなく、コンピュータに学ぶ能力を与えようとする技術であり、予測、探索、検定などを繰り返すものであり、判別するラベルを与える場合(教師付き学習)、与えない場合もあるが(教師なし学習)、本開示では、これをテイラーメイド化して実現した点が重要である。
したがって、この局面において、本発明は、例えば、以下を提供する。
(項目B1)機械学習の改良方法であって、
A)機械学習を行って判別モデルを生成するステップと、
B)交差検証によって全サンプルにおけるハイパーパラメータを決定するステップと、
C)該ハイパーパラメータを用いて判別モデルを生成し、各サンプルに対する判別精度を算出するステップと、
D)該判別精度に基づいて各サンプルをグループ化するステップと、
E)該グループの各々の個別ハイパーパラメータを決定するステップと、
F)該個別ハイパーパラメータを用いて各グループについて個別判別モデルを生成し、各サンプルの判別精度を算出し、それらの中から、判別最大(MAX)モデルを生成するステップと、
を含む方法。
(項目B2)前記判別最大(MAX)モデルを生成するステップは、アンサンブル方法およびその枝刈りを含む、項目B1に記載の方法。
(項目B3)前記判別最大(MAX)モデルをメインモデルとし、残りをサポーターモデルとして、該サポーターモデルを1つずつ加えて判別精度を向上させることを特徴とする、項目B1またはB2に記載の方法
(項目B4)前記判別最大(MAX)モデルをメインモデルとし、残りをサポーターモデルとし、該メインモデルに該サポーターモデルを1個ずつ網羅的に加えて、判別精度を段階的に向上させる、項目B1〜B3のいずれか1項に記載の方法。
(項目B5)前記判別精度の段階的向上は、
A)該メインモデルにN−1個の前記サポーターモデルから1個選択して追加したときに、アンサンブル法により最も判別精度が向上する2個のモデルセットを更新メインモデルとするステップと、
B)N個の全モデルから更新メインモデルを抜いたN−2個のモデルを更新サポーターモデルとするステップと、
C)アンサンブル法により最も判別精度が向上するモデルセットを、ステップA)〜B)のステップを同様に繰り返し、更新メインモデルと更新サポーターモデルを更新しながら、更新サポーターモデルがなくなるまで繰り返すステップとを
含む、項目B4に記載の方法。
(項目B6)前記全サンプルをリファレンスサンプルとテストサンプルとに分割し、該リファレンスサンプルを用いて、前記判別最大(MAX)モデル、もしくは最大モデルを含む複数の判別モデルセットの中から最適な判別モデルをリファレンス判別モデルとして決定し、該リファレンス判別モデルを用いて該テストサンプルで判別推定を行うことで、該リファレンス判別モデルの検証を行い、該判別推定の結果に基づいて、好ましい最終の判別モデルを決定するステップをさらに含む、項目B1〜B5のいずれか一項に記載の方法。
(項目B7)前記ステップA)は、リファレンスサンプルを提供し、該リファレンスサンプルに基づいて前記判別モデルを生成するステップを含む、項目B1〜B6のいずれか一項に記載の方法。
(項目B8)前記機械学習は、疼痛の判別を目的とする、項目B1〜B7のいずれか一項に記載の方法。
(項目B9)前記機械学習は、疼痛の判別を目的とし、前記サンプルは実験刺激に対する被検者の脳波データであり、前記判別モデルは該脳波データに基づき計算されるものである、項目B1〜B5のいずれか一項に記載の方法。
(項目B10)前記機械学習は、疼痛の判別を目的とし、前記サンプルは実験刺激に対する被検者の脳波データであり、前記判別モデルは該脳波データに基づき計算されるものであり、該サンプルのすべてをリファレンスサンプルとテストサンプルとに分割し、該リファレンスサンプルを用いて、前記判別最大(MAX)モデル、もしくは最大モデルを含む複数の判別モデルセットの中から最適な判別モデルをリファレンス判別モデルとして決定し、該リファレンス判別モデルを用いて該テストサンプルで判別推定を行うことで、該リファレンス判別モデルの検証を行い、該判別推定の結果に基づいて、好ましい最終の判別モデルを決定するステップをさらに含む、項目B1〜B9のいずれか一項に記載の方法。
(項目B11)前記サンプルの脳波データのうちの最も早い区間を前記リファレンスサンプルとし、それ以外を前記テストサンプルとすることを特徴とする、項目10に記載の方法。
(項目B12)前記ステップA)は、リファレンス刺激を対象の身体部位に与えることによって得られる脳波のリファレンスサンプルを提供し、該リファレンスサンプルに基づいて前記判別モデルを生成するステップを含む、項目B1〜B11のいずれか一項に記載の方法。
(項目B13)機械学習の改良方法をコンピュータに実行させるプログラムであって、該方法はA)機械学習を行って判別モデルを生成するステップと、
B)交差検証によって全サンプルにおけるハイパーパラメータを決定するステップと、
C)該ハイパーパラメータを用いて判別モデルを生成し、各サンプルに対する判別精度を算出するステップと、
D)該判別精度に基づいて各サンプルをグループ化するステップと、
E)該グループの各々の個別ハイパーパラメータを決定するステップと、
F)該個別ハイパーパラメータを用いて各グループについて個別判別モデルを生成し、各サンプルの判別精度を算出し、それらの中から、判別最大(MAX)モデルを生成するステップと、
を含む、プログラム。
(項目B14)機械学習の改良方法をコンピュータに実行させるプログラムを格納した記録媒体であって、該方法は
A)機械学習を行って判別モデルを生成するステップと、
B)交差検証によって全サンプルにおけるハイパーパラメータを決定するステップと、
C)該ハイパーパラメータを用いて判別モデルを生成し、各サンプルに対する判別精度を算出するステップと、
D)該判別精度に基づいて各サンプルをグループ化するステップと、
E)該グループの各々の個別ハイパーパラメータを決定するステップと、
F)該個別ハイパーパラメータを用いて各グループについて個別判別モデルを生成し、各サンプルの判別精度を算出し、それらの中から、判別最大(MAX)モデルを生成するステップと、
を含む、記録媒体。
(項目B15)機械学習の改良方法を実装するシステムであって、該システムは
A)機械学習を行って判別モデルを生成する判別モデル生成モジュールと、
B)交差検証によって全サンプルにおけるハイパーパラメータを決定するハイパーパラメータ決定モジュールと、
C)該ハイパーパラメータを用いて判別モデルを生成し、各サンプルに対する判別精度を算出する判別精度算出モジュールと、
D)該判別精度に基づいて各サンプルをグループ化するグルーピングモジュールと、
E)該グループの各々の個別ハイパーパラメータを決定する個別ハイパーパラメータモジュールと、
F)該個別ハイパーパラメータを用いて各グループについて個別判別モデルを生成し、各サンプルの判別精度を算出し、それらの中から、判別最大(MAX)モデルを生成する判別最大モデル生成モジュールと、
を含む、システム。
(項目B16)機械学習の改良方法を実行するシステムであって、該システムは、機械学習実行モジュールを含み、該機械学習実行モジュールは
A)機械学習を行って判別モデルを生成するステップと、
B)交差検証によって全サンプルにおけるハイパーパラメータを決定するステップと、
C)該ハイパーパラメータを用いて判別モデルを生成し、各サンプルに対する判別精度を算出するステップと、
D)該判別精度に基づいて各サンプルをグループ化するステップと、
E)該グループの各々の個別ハイパーパラメータを決定するステップと、
F)該個別ハイパーパラメータを用いて各グループについて個別判別モデルを生成し、各サンプルの判別精度を算出し、それらの中から、判別最大(MAX)モデルを生成するステップと、
を含む、方法を実行するように構成される、システム。
(項目B17)疼痛判別方法であって、
A)機械学習を行って疼痛判別モデルを生成するステップと、
B)交差検証によって全サンプルにおけるハイパーパラメータを決定するステップと、
C)該ハイパーパラメータを用いて疼痛判別モデルを生成し、各サンプルに対する疼痛の判別精度を算出するステップと、
D)該判別精度に基づいて各サンプルをグループ化するステップと、
E)該グループの各々の個別ハイパーパラメータを決定するステップと、
F)該個別ハイパーパラメータを用いて各グループについて個別の疼痛判別モデルを生成し、各サンプルの疼痛の判別精度を算出し、それらの中から、疼痛判別最大(MAX)モデルを生成するステップと、
を含む方法。
(項目B18)前記判別モデルは、LASSO(Least Absolute Shrinkage and Selection Operator)、線形、ならびにロジスティック回帰、およびサポートベクターマシン、ニューラルネット、ランダムフォレスト、ベイズ、クラスタリング、決定木からなる教師付き機械学習モデル、もしくは深層学習を含む教師なし機械学習モデルより選択される処理法によって生成される、項目B17に記載の方法。
(項目B19)疼痛判別方法をコンピュータに実行させるプログラムであって、該方法は
A)機械学習を行って疼痛判別モデルを生成するステップと、
B)交差検証によって全サンプルにおけるハイパーパラメータを決定するステップと、
C)該ハイパーパラメータを用いて疼痛判別モデルを生成し、各サンプルに対する疼痛の判別精度を算出するステップと、
D)該判別精度に基づいて各サンプルをグループ化するステップと、
E)該グループの各々の個別ハイパーパラメータを決定するステップと、
F)該個別ハイパーパラメータを用いて各グループについて個別の疼痛判別モデルを生成し、各サンプルの疼痛の判別精度を算出し、それらの中から、疼痛判別最大(MAX)モデルを生成するステップと、
を含む、プログラム。
(項目B20)疼痛判別方法をコンピュータに実行させるプログラムを格納した記録媒体であって、該方法は、
A)機械学習を行って疼痛判別モデルを生成するステップと、
B)交差検証によって全サンプルにおけるハイパーパラメータを決定するステップと、
C)該ハイパーパラメータを用いて疼痛判別モデルを生成し、各サンプルに対する疼痛の判別精度を算出するステップと、
D)該判別精度に基づいて各サンプルをグループ化するステップと、
E)該グループの各々の個別ハイパーパラメータを決定するステップと、
F)該個別ハイパーパラメータを用いて各グループについて個別の疼痛判別モデルを生成し、各サンプルの疼痛の判別精度を算出し、それらの中から、疼痛判別最大(MAX)モデルを生成するステップと、
を含む、記録媒体。
(項目B21)疼痛判別システムであって、
A)機械学習を行って疼痛判別モデルを生成する判別モデル生成モジュールと、
B)交差検証によって全サンプルにおけるハイパーパラメータを決定するハイパーパラメータ決定モジュールと、
C)該ハイパーパラメータを用いて疼痛判別モデルを生成し、各サンプルに対する疼痛の判別精度を算出する判別精度算出モジュールと、
D)該判別精度に基づいて各サンプルをグループ化するグルーピングモジュールと、
E)該グループの各々の個別ハイパーパラメータを決定する個別ハイパーパラメータモジュールと、
F)該個別ハイパーパラメータを用いて各グループについて個別の疼痛判別モデルを生成し、各サンプルの疼痛の判別精度を算出し、それらの中から、疼痛判別最大(MAX)モデルを生成する判別最大(MAX)モデル生成モジュールと、
を含む、システム。
(項目B22)疼痛判別システムであって、該システムは、機械学習実行モジュールを含み、該機械学習実行モジュールは
A)機械学習を行って疼痛判別モデルを生成するステップと、
B)交差検証によって全サンプルにおけるハイパーパラメータを決定するステップと、
C)該ハイパーパラメータを用いて疼痛判別モデルを生成し、各サンプルに対する疼痛の判別精度を算出するステップと、
D)該判別精度に基づいて各サンプルをグループ化するステップと、
E)該グループの各々の個別ハイパーパラメータを決定するステップと、
F)該個別ハイパーパラメータを用いて各グループについて個別の疼痛判別モデルを生成し、各サンプルの疼痛の判別精度を算出し、それらの中から、疼痛判別最大(MAX)モデルを生成するステップと、
を含む、方法を実行するように構成される、
システム。
(項目C1A)1つ以上の脳波の特徴量を用いて痛みを判定する方法。
(項目C1B)前記特徴量は、振幅、脳波特徴量相互関係、周波数パワー、および複雑性指標から選択される少なくとも1つを含む、項目C1Aに記載の方法。
(項目C1C)前記振幅は、平均振幅(例えば、絶対平均振幅、相対平均振幅など)や振幅中央値、振幅最頻値、振幅最大値、ピーク振幅や四分位振幅などの振幅分布特性値を含み、前記脳波特徴量相互関係は、電位相関(例えば、前頭−頭頂電位相関(相関係数、偏相関係数、Connectivity、Causality、ならびにそれらの亜種))または電極間位相同期(例えば、コヒーレンス、Phaselocking value、ならびにそれらの亜種)を含み、前記周波数パワーはスペクトラム密度、パワースペクトラムやそれらの亜種を含み、前記複雑性指標はエントロピー(例えば、マルチスケールエントロピー(MSE)、サンプルエントロピー、自己エントロピー、平均エントロピー、結合エントロピー、相対エントロピー、および条件付エントロピーなど)、また、痛み発生と連動して事象関連的に起こる生体電位特徴量(瞬目反射などの眼球運動を反映した眼球運動電位など)から選択される少なくとも1つを含む、上記項目のいずれか1項に記載の方法。
(項目C1D)前記特徴量を用いて判別モデルを作成するステップを含む上記項目のいずれか1項に記載の方法。
(項目C1)脳波の複雑性指標を用いて痛みを判定する方法。
(項目C2)前記複雑性指標はエントロピーを含む、項目C1A〜C1Dまたは項目C1に記載の方法。
(項目C3)前記複雑性指標は、マルチスケールエントロピー(MSE)、サンプルエントロピー、自己エントロピー、平均エントロピー、結合エントロピー、相対エントロピー、および条件付エントロピーからなる群より選択される少なくとも1つを含む、上記項目のいずれか1項に記載の方法。
(項目C4)前記複雑性指標は、電極Fp1、電極Fp2、電極F3、電極F4、電極C3、電極C4、および電極Pzからなる群より選択される少なくとも1つにおけるものである、上記項目のいずれか1項に記載の方法。
(項目C5)前記複雑性指標を用いて、機械学習により判定モデルを生成するステップを包含する、上記項目のいずれか1項に記載の方法。
(項目C6A)対象の疼痛を判別するためのモデルを生成する方法であって、
a)該対象から脳波の特徴量を得るステップと、
b)該特徴量について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の各特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと
を含む、方法。
(項目C6B)前記特徴量は、振幅、脳波特徴量相互関係、周波数パワー、および複雑性指標から選択される少なくとも1つを含む、項目C6Aに記載の方法。
(項目C6C)前記振幅は、平均振幅(例えば、絶対平均振幅、相対平均振幅など)や振幅中央値、振幅最頻値、振幅最大値、ピーク振幅や四分位振幅などの振幅分布特性値を含み、前記脳波特徴量相互関係は、電位相関(例えば、前頭−頭頂電位相関(相関係数、偏相関係数、Connectivity、Causality、ならびにそれらの亜種))または電極間位相同期(例えば、コヒーレンス、Phaselocking value、ならびにそれらの亜種)を含み、前記周波数パワーはスペクトラム密度、パワースペクトラムやそれらの亜種を含み、前記複雑性指標はエントロピー(例えば、マルチスケールエントロピー(MSE)、サンプルエントロピー、自己エントロピー、平均エントロピー、結合エントロピー、相対エントロピー、および条件付エントロピーなど)、また、痛み発生と連動して事象関連的に起こる生体電位特徴量(瞬目反射などの眼球運動を反映した眼球運動電位など)から選択される少なくとも1つを含む、上記項目のいずれか1項に記載の方法。
(項目C6)対象の疼痛を判別するためのモデルを生成する方法であって、
a)該対象から脳波の複雑性指標を得るステップと、
b)該複雑性指標について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の各特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと
を含む、方法。
(項目C7A)対象の疼痛を判別する方法であって、
a)参照対象から脳波の特徴量を得るステップと、
b)該特徴量について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の各特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと、
e)試験対象から複雑性指標を得るステップと、
f)該試験対象の複雑性指標を該モデルに当てはめて疼痛を判別するステップと
を含む、方法。
(項目C7B)前記特徴量は、振幅、脳波特徴量相互関係、周波数パワー、および複雑性指標から選択される少なくとも1つを含む、項目C7Aに記載の方法。
(項目C7C)前記振幅は、平均振幅(例えば、絶対平均振幅、相対平均振幅など)や振幅中央値、振幅最頻値、振幅最大値、ピーク振幅や四分位振幅などの振幅分布特性値を含み、前記脳波特徴量相互関係は、電位相関(例えば、前頭−頭頂電位相関(相関係数、偏相関係数、Connectivity、Causality、ならびにそれらの亜種))または電極間位相同期(例えば、コヒーレンス、Phaselocking value、ならびにそれらの亜種)を含み、前記周波数パワーはスペクトラム密度、パワースペクトラムやそれらの亜種を含み、前記複雑性指標はエントロピー(例えば、マルチスケールエントロピー(MSE)、サンプルエントロピー、自己エントロピー、平均エントロピー、結合エントロピー、相対エントロピー、および条件付エントロピーなど)、また、痛み発生と連動して事象関連的に起こる生体電位特徴量(瞬目反射などの眼球運動を反映した眼球運動電位など)から選択される少なくとも1つを含む、上記項目のいずれか1項に記載の方法。
(項目C7)対象の疼痛を判別する方法であって、
a)参照対象から複雑性指標を得るステップと、
b)該複雑性指標について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の各特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと、
e)試験対象から複雑性指標を得るステップと、
f)該試験対象の複雑性指標を該モデルに当てはめて疼痛を判別するステップと
を含む、方法。
(項目C8A)対象の疼痛を判別する方法であって、
e)試験対象から脳波の特徴量を得るステップと、
f)該試験対象の特徴量を、疼痛を判別するモデルに当てはめて疼痛を判別するステップと
を含み、ここで、該モデルは、
a)参照対象から該特徴量を得るステップと、
b)該特徴量について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の各特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと
によって生成されたものである、
方法。
(項目C8B)前記特徴量は、振幅、脳波特徴量相互関係、周波数パワー、および複雑性指標から選択される少なくとも1つを含む、項目C8Aに記載の方法。
(項目C8C)前記振幅は、平均振幅(例えば、絶対平均振幅、相対平均振幅など)や振幅中央値、振幅最頻値、振幅最大値、ピーク振幅や四分位振幅などの振幅分布特性値を含み、前記脳波特徴量相互関係は、電位相関(例えば、前頭−頭頂電位相関(相関係数、偏相関係数、Connectivity、Causality、ならびにそれらの亜種))または電極間位相同期(例えば、コヒーレンス、Phaselocking value、ならびにそれらの亜種)を含み、前記周波数パワーはスペクトラム密度、パワースペクトラムやそれらの亜種を含み、前記複雑性指標はエントロピー(例えば、マルチスケールエントロピー(MSE)、サンプルエントロピー、自己エントロピー、平均エントロピー、結合エントロピー、相対エントロピー、および条件付エントロピーなど)、また、痛み発生と連動して事象関連的に起こる生体電位特徴量(瞬目反射などの眼球運動を反映した眼球運動電位など)から選択される少なくとも1つを含む、上記項目のいずれか1項に記載の方法。
(項目C8)対象の疼痛を判別する方法であって、
e)試験対象から複雑性指標を得るステップと、
f)該試験対象の複雑性指標を、疼痛を判別するモデルに当てはめて疼痛を判別するステップと
を含み、ここで、該モデルは、
a)参照対象から複雑性指標を得るステップと、
b)該複雑性指標について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の各特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと
によって生成されたものである、
方法。
(項目C9)前記該縮約後の各特徴量またはその組み合わせは、交替性統合脳波特徴量(この特徴量セットは、限定された電極(Fp1やFp2など)から多様な信号処理方法により抽出され、縮約過程によりモニタリング環境や個人差により適応的に交替し、例えば、線形回帰モデルを介して「統合的に疼痛判別モデルに寄与するためにこのように呼ばれる。)を含む、上記項目のいずれか一項に記載の方法。
(項目C10)上記項目のいずれか一項に記載の方法をコンピュータに実行させるためのプログラム。
(項目C11)上記項目のいずれか一項に記載の方法をコンピュータに実行させるためのプログラムを格納する記録媒体。
(項目C12)脳波特徴量相互関係を用いて痛みを判定する方法。
(項目C13)前記脳波特徴量相互関係は、同じまたは異なる電極における脳波特徴量の間の相互関係である、上記項目のいずれか1項に記載の方法。
(項目C14)前記相互関係は、時間的相関、空間的相関、時空間的な同期性、空間的関係性または結合性、無関係または相関がないこと、遅延または時間的相関の崩れ、正負または相関の性質、類似性または相関係数のレベル、および一致または完全相関からなる群より選択される、上記項目のいずれか1項に記載の方法。
(項目C15)前記同期性は、位相同期(phase locking value)またはコヒーレンスを含む、項目C14に記載の方法。
(項目C16)前記脳波特徴量相関は、異なる電極間の脳波特徴量の相関である、上記項目のいずれか一項に記載の方法。
(項目C17)前記異なる電極は頭部において相対的に前方後方の位置関係にある、項目C16に記載の方法。
(項目C18)前記異なる電極の少なくとも1つは、頭部の前方部に存在する、項目C16またはC17に記載の方法。
(項目C19)前記異なる電極の少なくとも1つは、頭部の後方部に存在する、項目C16〜C18のいずれか一項に記載の方法。
(項目C20)前記異なる電極は少なくとも1つが頭部の前方部に存在し、さらなる電極が、頭部の後方部に存在する、項目C16〜C19のいずれか一項に記載の方法。
(項目C21)前記相関は、頭部前方部における電極と頭部後方部における電極との間の相関を含む、上記項目のいずれか一項に記載の方法。
(項目C22)前記相関は、前頭部における電極と頭頂部における電極との間の相関を含む、上記項目のいずれか一項に記載の方法。
(項目C23)前記前頭部は、前頭極Fp1、前頭極Fp2、前頭部F3、前頭部F4、前側頭部F7、前側頭部F8、および正中前頭部Fzならびに隣接する部位からなる群より選択される少なくとも1つを含み、前記頭頂部は、正中頭頂部Pz、頭頂部P3および頭頂部P4を含む、上記項目のいずれか1項に記載の方法。
(項目C24)前記脳波特徴量は、平均振幅、周波数パワーおよび複雑性指標からなる群より選択される少なくとも1つを含む、上記項目のいずれか一項に記載の方法。
(項目C25)前記平均振幅は、刺激呈示時間に依存し、刺激呈示後15秒間の振幅絶対値の平均値である、上記項目のいずれか一項に記載の方法。
(項目C26)前記周波数パワーは、前頭極Fp1、前頭極Fp2、前頭部F3、前頭部F4、中心部C3、中心部C4および正中頭頂部Pzにおけるδ、θ、α、βおよびγの5帯域の少なくとも1つを含む、上記項目のいずれか一項に記載の方法。
(項目C27)前記脳波特徴量を用いて、機械学習により判定モデルを生成するステップを包含する、上記項目のいずれか一項に記載の方法。
(項目C28)頭部前方部における少なくとも1電極を含む少なくとも2電極における特徴量を含む、対象の疼痛を判別するためのモデルを用いて、対象の疼痛を判別するステップを含む、対象の疼痛を判別するための方法。
(項目C29)FzまたはFpzあるいはそれらの周辺における少なくとも2電極における特徴量を含む、対象の疼痛を判別するためのモデルを用いて、対象の疼痛を判別するステップを含む、対象の疼痛を判別するための方法。
(項目C30)前記周辺は、F3、F4、Fp1およびFp2の少なくとも1つを含む、上記項目のいずれか1項に記載の方法。
(項目C31)対象の疼痛を判別するためのモデルを生成する方法であって、
a)該対象から脳波特徴量相関を得るステップと、
b)該脳波特徴量相関について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の各特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと
を含む、方法。
(項目C32)対象の疼痛を判別する方法であって、
a)参照対象から脳波特徴量相関を得るステップと、
b)該脳波特徴量相関について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の各特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと、
e)試験対象から脳波特徴量相関を得るステップと、
f)該試験対象の脳波特徴量相関を該モデルに当てはめて疼痛を判別するステップと
を含む、方法。
(項目C33)対象の疼痛を判別する方法であって、
e)試験対象から脳波特徴量相関を得るステップと、
f)該試験対象の脳波特徴量相関を疼痛を判別するモデルに当てはめて疼痛を判別するステップと
を含み、ここで、該モデルは、
a)参照対象から脳波特徴量相関を得るステップと、
b)該脳波特徴量相関について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の各特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと
によって生成されたものである、
方法。
(項目C34)前記該縮約後の各特徴量またはその組み合わせは、交替性統合脳波特徴量(この特徴量セットは、限定された電極(Fp1やFp2など)から多様な信号処理方法により抽出され、縮約過程によりモニタリング環境や個人差により適応的に交替し、例えば、線形回帰モデルを介して統合的に疼痛判別モデルに寄与するためにこのように呼ばれる。)を含む、項目31〜33のいずれか一項に記載の方法。
(項目C35)上記項目のいずれか一項に記載の方法をコンピュータに実行させるためのプログラム。
(項目C36)上記項目のいずれか一項に記載の方法をコンピュータに実行させるためのプログラムを格納する記録媒体。
(項目C37A)対象が経験する疼痛を評価または判定する装置であって、該装置は:
A)脳波信号を取得するための少なくとも1つの電極を含むヘッドセットと、
B)ベースユニットと
を備え、
該ベースユニットは、少なくとも1つの脳波の特徴量のパラメータを算出し、
該パラメータと、該対象の疼痛レベルとを相関づける判別モデルを生成し、
該対象の該パラメータを該判別モデルに適用することによって該対象の疼痛レベルを算出し表示する、
装置。
(項目C37B)前記特徴量は、振幅、脳波特徴量相互関係、周波数パワー、および複雑性指標から選択される少なくとも1つを含む、項目C37Aに記載の装置。
(項目C37C)前記振幅は、平均振幅(例えば、絶対平均振幅、相対平均振幅など)や振幅中央値、振幅最頻値、振幅最大値、ピーク振幅や四分位振幅などの振幅分布特性値を含み、前記脳波特徴量相互関係は、電位相関(例えば、前頭−頭頂電位相関(相関係数、偏相関係数、Connectivity、Causality、ならびにそれらの亜種))または電極間位相同期(例えば、コヒーレンス、Phaselocking value、ならびにそれらの亜種)を含み、前記周波数パワーはスペクトラム密度、パワースペクトラムやそれらの亜種を含み、前記複雑性指標はエントロピー(例えば、マルチスケールエントロピー(MSE)、サンプルエントロピー、自己エントロピー、平均エントロピー、結合エントロピー、相対エントロピー、および条件付エントロピーなど)、また、痛み発生と連動して事象関連的に起こる生体電位特徴量(瞬目反射などの眼球運動を反映した眼球運動電位など)から選択される少なくとも1つを含む、上記項目のいずれか1項に記載の装置。
(項目C37)対象が経験する疼痛を評価または判定する装置であって、該装置は:
A)脳波信号を取得するための少なくとも1つの電極を含むヘッドセットと、
B)ベースユニットと
を備え、
該ベースユニットは、脳波特徴量相互関係および脳波の複雑性指標からなる群より選択される少なくとも1つのパラメータを算出し、
該パラメータと、該対象の疼痛レベルとを相関づける判別モデルを生成し、
該対象の該パラメータを該判別モデルに適用することによって該対象の疼痛レベルを算出し表示する、
装置。
(項目C38)前記脳波特徴量相互関係および脳波の複雑性指標は、上記項目のいずれか1つまたは複数の特徴をさらに含む、項目C37に記載の装置。
(項目C39A)対象が経験する疼痛を評価または判定するプロセスを装置に実行させるコンピュータプログラムであって、該プロセスは:
少なくとも1つの脳波の特徴量を含むパラメータを算出し、
該パラメータと、該対象の疼痛レベルとを相関づける判別モデルを生成し、
該対象の該パラメータを該判別モデルに適用することによって該対象の疼痛レベルを算出し表示する、
プログラム。
(項目C39B)前記特徴量は、振幅、脳波特徴量相互関係、周波数パワー、および複雑性指標から選択される少なくとも1つを含む、項目C39Aに記載のプログラム。
(項目C39C)前記振幅は、平均振幅(例えば、絶対平均振幅、相対平均振幅など)や振幅中央値、振幅最頻値、振幅最大値、ピーク振幅や四分位振幅などの振幅分布特性値を含み、前記脳波特徴量相互関係は、電位相関(例えば、前頭−頭頂電位相関(相関係数、偏相関係数、Connectivity、Causality、ならびにそれらの亜種))または電極間位相同期(例えば、コヒーレンス、Phaselocking value、ならびにそれらの亜種)を含み、前記周波数パワーはスペクトラム密度、パワースペクトラムやそれらの亜種を含み、前記複雑性指標はエントロピー(例えば、マルチスケールエントロピー(MSE)、サンプルエントロピー、自己エントロピー、平均エントロピー、結合エントロピー、相対エントロピー、および条件付エントロピーなど)、また、痛み発生と連動して事象関連的に起こる生体電位特徴量(瞬目反射などの眼球運動を反映した眼球運動電位など)から選択される少なくとも1つを含む、上記項目のいずれか1項に記載のプログラム。
(項目C39)対象が経験する疼痛を評価または判定するプロセスを装置に実行させるコンピュータプログラムであって、該プロセスは:
脳波特徴量相互関係および脳波の複雑性指標からなる群より選択される少なくとも1つを含むパラメータを算出し、
該パラメータと、該対象の疼痛レベルとを相関づける判別モデルを生成し、
該対象の該パラメータを該判別モデルに適用することによって該対象の疼痛レベルを算出し表示する、
プログラム。
(項目C40)前記脳波特徴量相互関係および脳波の複雑性指標は、上記項目のいずれか1つまたは複数の特徴をさらに含む、項目C39に記載のプログラム。
(項目C41A)対象が経験する疼痛を評価または判定するプロセスを装置に実行させるコンピュータプログラムを格納した記録媒体であって、該プロセスは:
少なくとも1つの脳波の特徴量を含むパラメータを算出し、
該パラメータと、該対象の疼痛レベルとを相関づける判別モデルを生成し、
該対象の該パラメータを該判別モデルに適用することによって該対象の疼痛レベルを算出し表示する、
記録媒体。
(項目C41B)前記特徴量は、振幅、脳波特徴量相互関係、周波数パワー、および複雑性指標から選択される少なくとも1つを含む、項目C37Aに記載の記録媒体。
(項目C41C)前記振幅は、平均振幅(例えば、絶対平均振幅、相対平均振幅など)や振幅中央値、振幅最頻値、振幅最大値、ピーク振幅や四分位振幅などの振幅分布特性値を含み、前記脳波特徴量相互関係は、電位相関(例えば、前頭−頭頂電位相関(相関係数、偏相関係数、Connectivity、Causality、ならびにそれらの亜種))または電極間位相同期(例えば、コヒーレンス、Phaselocking value、ならびにそれらの亜種)を含み、前記周波数パワーはスペクトラム密度、パワースペクトラムやそれらの亜種を含み、前記複雑性指標はエントロピー(例えば、マルチスケールエントロピー(MSE)、サンプルエントロピー、自己エントロピー、平均エントロピー、結合エントロピー、相対エントロピー、および条件付エントロピーなど)、また、痛み発生と連動して事象関連的に起こる生体電位特徴量(瞬目反射などの眼球運動を反映した眼球運動電位など)から選択される少なくとも1つを含む、上記項目のいずれか1項に記載の記録媒体。
(項目C41)対象が経験する疼痛を評価または判定するプロセスを装置に実行させるコンピュータプログラムを格納した記録媒体であって、該プロセスは:
脳波特徴量相互関係および脳波の複雑性指標からなる群より選択される少なくとも1つを含むパラメータを算出し、
該パラメータと、該対象の疼痛レベルとを相関づける判別モデルを生成し、
該対象の該パラメータを該判別モデルに適用することによって該対象の疼痛レベルを算出し表示する、
記録媒体。
(項目C42)前記脳波特徴量相互関係および脳波の複雑性指標は、上記項目のいずれか1つまたは複数の特徴をさらに含む、項目C41に記載の記録媒体。
(項目C43A)対象が経験する疼痛を評価または判定する方法であって、該方法は:
少なくとも1つの脳波の特徴量を含むパラメータを算出するステップと、
該パラメータと、該対象の疼痛レベルとを相関づける判別モデルを生成するステップと、
該対象の該パラメータを該判別モデルに適用することによって該対象の疼痛レベルを算出し表示するステップと
を含む方法。
(項目C43B)前記特徴量は、振幅、脳波特徴量相互関係、周波数パワー、および複雑性指標から選択される少なくとも1つを含む、項目C43Aに記載の方法。
(項目C43C)前記振幅は、平均振幅(例えば、絶対平均振幅、相対平均振幅など)や振幅中央値、振幅最頻値、振幅最大値、ピーク振幅や四分位振幅などの振幅分布特性値を含み、前記脳波特徴量相互関係は、電位相関(例えば、前頭−頭頂電位相関(相関係数、偏相関係数、Connectivity、Causality、ならびにそれらの亜種))または電極間位相同期(例えば、コヒーレンス、Phaselocking value、ならびにそれらの亜種)を含み、前記周波数パワーはスペクトラム密度、パワースペクトラムやそれらの亜種を含み、前記複雑性指標はエントロピー(例えば、マルチスケールエントロピー(MSE)、サンプルエントロピー、自己エントロピー、平均エントロピー、結合エントロピー、相対エントロピー、および条件付エントロピーなど)、また、痛み発生と連動して事象関連的に起こる生体電位特徴量(瞬目反射などの眼球運動を反映した眼球運動電位など)から選択される少なくとも1つを含む、上記項目のいずれか1項に記載の方法。
(項目C43)対象が経験する疼痛を評価または判定する方法であって、該方法は:
脳波特徴量相互関係および脳波の複雑性指標からなる群より選択される少なくとも1つを含むパラメータを算出するステップと、
該パラメータと、該対象の疼痛レベルとを相関づける判別モデルを生成するステップと、
該対象の該パラメータを該判別モデルに適用することによって該対象の疼痛レベルを算出し表示するステップと
を含む方法。
(項目C44)前記脳波特徴量相互関係および脳波の複雑性指標は、上記項目のいずれか1つまたは複数の特徴をさらに含む、項目C43に記載の方法。
最初に本発明において使用される用語および一般的な技術を説明する。
本明細書において「機械学習」とは、明示的にプログラミングすることなく、コンピュータに学ぶ能力を与える技術をいう。機能単位が新しい知識・技能を獲得すること、又は既存の知識・技能を再構成することによって、自身の性能を向上させる過程である。経験から学ぶように計算機をプログラミングすることで、細部をプログラミングするのに必要になる手間の多くは減らせ、機械学習分野では、経験から自動的に改善を図れるようなコンピュータプログラムを構築する方法について議論している。データ分析・機械学習の役割としては、アルゴリズム分野と並んで知的処理の基盤になる要素技術であり、通常他の技術と連携して利用され、連携する分野の知識(ドメインスペシフィック(領域特有)知識;例えば、医学分野)が必要である。その応用範囲としては、予測(データを集め、これから起こることを予測する)、探索(集めたデータの中から、何か目立つ特徴を見つける)、検定・記述(データの中のいろいろな要素の関係を調べる)などの役割がある。機械学習は、実世界の目標の達成度を示す指標に基づくものであり、機械学習の利用者が、実世界での目標を把握していなければならない。そして、目的が達成されたときに、良くなるような指標を定式化する必要がある。機械学習は逆問題で、解が解けたかどうかが不明確な不良設定問題である。学習したルールの挙動は確定的ではなく確率(蓋然)的である。何らかの制御できない部分が残ることを前提とした運用上の工夫が必要であり、本発明のテイラーメイド法はこの解決手段ともいいうるものである。訓練時と運用時の性能指標をみながら、機械学習の利用者が、データや情報を実世界の目標に合わせて逐次的に取捨選択することも有用である。
本明細書において、「対象」(英文ではobject)とは、患者(patient)または被験者(subject)と同義に用いられ、疼痛測定および脳波測定などの本開示の技術が対象とする任意の生体または動物をいう。対象としては、好ましくは、ヒトであるがこれに限定されない。本明細書において、疼痛の推定を行う場合、「推定対象」とすることがあるが、これは対象などと同じ意味である。「対象」は、複数存在し得る。そのような場合、個々の例については、(対象の)「サンプル」と称することがある。
以下に本発明の好ましい実施形態を説明する。以下に提供される実施形態は、本発明のよりよい理解のために提供されるものであり、本発明の範囲は以下の記載に限定されるべきでないことが理解される。従って、当業者は、本明細書中の記載を参照して、本発明の範囲内で適宜改変を行うことができることは明らかである。また、本発明の以下の実施形態は単独でも使用されあるいはそれらを組み合わせて使用することができることが理解される。
1つの局面において、本発明は、推定対象の脳波に基づいて前記推定対象が有する疼痛をモニターする方法を提供する。この方法は、a)該推定対象から、刺激に対する脳波測定を行うことにより脳波データまたはその分析データを測定または取得する工程と、b)該脳波データまたはその分析データの特定の時間幅における平均値の時間的推移を取得する工程と、c)該平均値の時間的推移に基づいて、該脳波データまたはその分析データから該推定対象が有する疼痛のレベルをモニターする工程とを包含する。
疼痛指数(脳波特徴量(EEG)の場合)のベースライン補正は
[数1]
EEG−BS
BS=最も強い疼痛EEG(正規化済)の平均値など
や
[数2]
(EEG−BS)/SD(BS)
SD(BS)=BSの標準偏差
で表現することができる。
疼痛占有率(痛み占有率)(%)は、以下の式で算出される。
POi = 痛み(疼痛)ありサンプルの推定値数i /(痛み(疼痛)ありサンプルの推定値数i+ 痛み(疼痛)なしサンプルの推定値数i)× 100
i:痛み推定値範囲の分割数(iは通常正の整数である)
[数3]
EEG−1−BS
(−1は逆数を示す。BS=最も強い疼痛EEG(正規化済)を使用して計算された基準値を示す)で示すことができる。この場合、
例えば、別の実施形態では、疼痛指数は、
[数4]
EEG−BS
(BS=最も強い疼痛EEG(正規化済)である基準値を示す)で算出することができる。この場合、数字が小さくなると痛みが強くなり、強い痛みの活動が0になる。なお、このベースライン補正を行う前にすでにデータを正規化しているため、この段階では正規化は不要である。
工程b)は、該脳波データの特定の時間幅における平均値(例えば、算術/幾何平均電位)の時間的推移をプロットするために、特徴量を抽出する工程である(S200)。この工程では、工程aで得られた振幅データを用いて、平均値の推移データを作成する。平均値(平均値(例えば、算術/幾何平均電位)、電位絶対値、ならびに他の特徴量平均値)は、当該分野で公知の任意の手法を用いて行うことができる。このような具体的な手法としては、移動式平均法や、非重複ブロック平均法、スパース平均法、ピーク振幅を複数取得し平均する方法、さらには、平均値が含まれる中心傾向値の他のタイプ(中央値、最頻値)も挙げることができるが、これらに限定されるものではない。これらのうち、統計的に主観的な疼痛変化と高い相関関係や近似を示す手法が(例えば、本開示における非重複ブロック平均法)、疼痛レベルのトレンドをより離散的に表現する点からも優先度が高い。
工程c)は、平均値(例えば、算術/幾何平均電位)の時間的推移に基づいて、必要に応じてモニタリングのベースラインを参照して、痛みをオンラインモニタリングまたは評価する(S400)。ここで、疼痛レベルは、適切な手法で表示、評価することができる。ここでは、示されるデータの表示方法(トレンド表示、または、単独数字方式)に応じて、種々の評価を行うことができる。例えば、該プロットに基づいて、該脳波データから該推定対象が有する疼痛のレベルを判別することができる。とりわけ、疼痛判別/推定装置は、臨床現場において、鎮静薬により時々刻々と変化する疼痛レベルをモニタリングすることが、主な目的である。したがって、本申請における疼痛トレンド分析、ならびに可視化方法は重要な構成要素技術である。
以上、本発明の1つまたは複数の態様に係る疼痛推定装置について、実施の形態に基づいて説明したが、本発明は、この実施の形態に限定されるものではない。本発明の趣旨を逸脱しない限り、当業者が思いつく各種変形を本実施の形態に施したものや、異なる実施の形態における構成要素を組み合わせて構築される形態も、本発明の1つまたは複数の態様の範囲内に含まれてもよい。
a)該対象から脳波データまたはその分析データを得るステップと、
b)該脳波データまたはその分析データに基づく特徴量について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の重み付けされた該特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと
を含む、方法を提供する。
(C1)前記特徴量および該特徴量に対応する前記疼痛に対応するデータを学習用データとテスト用データに分割するステップと、(C2)該学習データを用いて機械学習を行い、判別モデルを作成し、最適λ値(および偏回帰係数、回帰式およびモデル切片)を算出するステップと、(C3)該テスト用データを用いて該判別モデルの判別精度を算出するステップと、(C4)該対象中に該判別精度がチャンスレベル以下の対象サンプルが存在する場合、該サンプルを除外しステップC1〜C3を繰り返し、チャンスレベル以下のサンプルが存在しない場合終了することで判別モデルを決定するステップであって、ここで該チャンスレベルは、100%を分類する数で割った数値である、ステップとを含む。ここで、チャンスレベルとは、100%を分類する数で除した値をいう。偶然一致を回避するための検算である。本発明では、このようなバックワードエリミネーション法も判別モデルの生成には有用である。
1つの局面では、本発明では、前記b)〜d)ステップは、(C1)前記特徴量および該特徴量に対応する前記疼痛に対応するデータを学習用データとテスト用データに分割するステップと、(C2)該学習データを用いて機械学習を行い、判別モデルを作成し、最適λ値(および偏回帰係数、回帰式およびモデル切片)を算出するステップと、(C3)該テスト用データを用いて該判別モデルの判別精度を算出するステップと、(C4)該対象中に該判別精度がチャンスレベル以下の対象サンプルが存在する場合、該サンプルを除外しステップC1〜C3を繰り返し、チャンスレベル以下のサンプルが存在しない場合終了することで判別モデルを決定するステップであって、ここで該チャンスレベルは、100%を分類する数で割った数値である、ステップとを含む。ここで、チャンスレベルとは、100%を分類する数で除した値をいう。偶然一致を回避するための検算である。
別の局面において、本発明は、FzまたはFpzあるいはそれらの周辺における少なくとも2極における特徴量を含む、対象の疼痛を判別するためのモデルを用いて、対象の疼痛を判別するステップを含む、対象の疼痛を判別するための方法を提供する。なお、本発明の縮約学習においては、電極の特定情報は必要ない。判別モデルを作成する手続きが重要であることから、どのような特徴量が入ってくるかは二次的情報であるといえる。
以上、本発明の1つまたは複数の態様に係る特徴量縮約過程付判別装置について、実施の形態に基づいて説明したが、本発明は、この実施の形態に限定されるものではない。本発明の趣旨を逸脱しない限り、当業者が思いつく各種変形を本実施の形態に施したものや、異なる実施の形態における構成要素を組み合わせて構築される形態も、本発明の1つまたは複数の態様の範囲内に含まれてもよい。
また、上記では、複数の脳波データを分析することにより快不快判定値の生成例として、シグモイドフィッティングを含む曲線あてはめ(curve fitting)を説明したが、これに限定されない。また、脳波振幅の上限値は、予め定められた値が用いられてもよい。例えば、予め定められた値(絶対値)は、例えば50μV〜100μVであり、実験的又は経験的に定められればよい。このように通常の解析では、アーチファクト除去方法として、プラスマイナス50μVから100μVぐらいのデータを排除するが、このようなアーチファクト除去は必要に応じて本発明でも実施してよい。
本発明の疼痛判定技術は、1つのシステムまたは装置として、すべてを含む形で提供され得る(図50を参照)。あるいは、疼痛判別装置として脳波の測定および結果の表示を主に行い、計算や判別モデルの計算は、サーバやクラウドで行う形態も想定され得る(図51、図52、図53を参照)。これらの一部または全部は、IoT(Internet of Things)および/または人工知能(AI)を用いて実施され得る。
図53に模式的に例示されたように、本装置は、判別モデルを作成、もしくは決定する時(白矢印)と実際の疼痛をモニタリングする時に使うことができる。モデル作成・決定時は、脳波データ測定部110000は、対象が痛み刺激を複数受けているときの脳波を取得する。記録されたデータはオンラインで疼痛レベル可視化部130000で表示されるとともに、データ送受信部120000を通して、クラウド・サーバーのデータ送受信部125000に送られ、クラウド・サーバー内の脳波特徴量抽出部145000に送られ、複数の特徴量が作成される。作成された特徴量は、疼痛判別モデル生成部160000に送られる。作成されたモデルは、最終的に疼痛レベル判別推定部150000に格納される。この時に出力された判別推定結果は、同時にデータ送受信部125000を通して外部のデータ送受信部120000に送られ、確認のために疼痛レベル可視化部130000で表示される。判別モデルが決定した後、実際の疼痛レベルのリアルタイムモニタリングが黒矢印の流れで起こる。すなわち、疼痛モニタリングが開始されると対象から脳波データを脳波データ測定部110000が取得し、脳波特徴量抽出部140000に送られ、複数の脳波特徴量が抽出される。作成された特徴量は、疼痛レベル判別推定部150000に送られ、疼痛レベルの判別推定が行われ、疼痛レベル可視化部130000で表示される。なお、両過程は、組み合わされても良く、リアルタイムモニタリング時に判別結果が妥当ではないようなら、疼痛レベル判別推定部150000の結果が疼痛判別モデル生成部160000にフィードバックされ、モデルが修正された後、再度、疼痛レベル判別推定部150000に修正モデルが送られる。なお、記録されたデータや作成された特徴量、判別モデルはデータ保存部170000に適時保存される。
1.脳波データを取り込む機能は、端末側に含められる。(図50〜53の脳波データ測定部110000)
2.特徴量の抽出の機能を有し得る。あるいは特徴量として端末側に含められていてもよい。(すなわち、脳波データ自体は、別の機器が担当し、そこから送受信によって、特徴量が端末に提供される。)ここで、脳波特徴量抽出部140000または145000(図50〜53)は、端末側にあってもサーバ側にあってもよい。脳波データ測定部と一体化していてもよく、別々に備えられていてもよい。図50〜53では別々に備えられる実施形態を示す。
さらに別の局面では、本発明は、機械学習の改良方法であって、A)機械学習を行って判別モデルを生成するステップと、B)交差検証によって全サンプルにおけるハイパーパラメータを決定するステップと、C)該ハイパーパラメータを用いて判別モデルを生成し、各サンプルに対する判別精度を算出するステップと、D)該判別精度に基づいて各サンプルをグループ化するステップと、E)該グループの各々の個別ハイパーパラメータを決定するステップと、F)該個別ハイパーパラメータを用いて各グループについて個別判別モデルを生成し、各サンプルの判別精度を算出し、それらの中から、判別最大(MAX)モデルを生成するステップと、を含む方法を提供する。ここで、判別精度に基づきグループ化することで、ハイパーパラメータが最適化できることが分かった。このような精度向上は顕著であり、従来の処理方法では見出されていなかったものである。
1.個別判別モデルが複数あり、その中に判別最大モデルとそれ以外がある。
2.判別最大モデルだけ、もしくはそれを含んだモデルセットを選ぶ。
3.そのリファレンス判別モデルを検証する。
4.精度が十分に得られれば、それを「最終判別モデル」とする。
1つの実施形態では、この過程を実施例で示すために、持っているデータを、疑似的に、リファレンス部とオンラインモニタリング用のサンプルに分け、リファレンス部を使ってモデルを推定法(例えば、実施例の推定法1〜3)で作成し、テストデータを当てに行くことができる。さらに、リファレンスサンプル数を変えて、どれくらいリファレンス数が必要かも試すことができる(実施例19参照)。
1つの局面において、本発明は、機械学習の改良方法をコンピュータに実行させるプログラムを提供し、該方法はA)機械学習を行って判別モデルを生成するステップと、B)交差検証によって全サンプルにおけるハイパーパラメータを決定するステップと、C)該ハイパーパラメータを用いて判別モデルを生成し、各サンプルに対する判別精度を算出するステップと、D)該判別精度に基づいて各サンプルをグループ化するステップと、E)該グループの各々の個別ハイパーパラメータを決定するステップと、F)該個別ハイパーパラメータを用いて各グループについて個別判別モデルを生成し、各サンプルの判別精度を算出し、それらの中から、判別最大(MAX)モデルを生成するステップと、を含む。ここで各ステップにおいて実施され得る実施形態は、(テイラーメイド機械学習)に記載されている1つまたは複数の適宜の組合せの特徴を含み得る。
まず、テイラーメイド痛み判別推定法1の実施形態を説明する(図56)。
a)まず、脳波データまたはその分析データ等の特徴量の数量化・抽出を行う(図55)。すなわち、ここでは、EEG生データを得、ノイズ除去し、データの切り出しを行って特徴量を抽出する(ここでは、平均絶対振幅および周波数)。周波数特徴量の抽出の際、離散フーリエ変換の計算速度を上げるために2の累乗によりリサンプリング(スプライン補完)を行い(実施例では、1000⇒1024Hz)、脳波基線のトレンド除去を行い、ハニング窓の適用を行ってゼロパディング(周波数解像度の増加)を行う。ここから、FFT(パワースペクトル計算)を行い、Logスケール処理を行い、周波数区間の平均値をとる。最終的に、平均絶対振幅および周波数を結合し、判別用特徴量セットとする。この例では、特徴量は49個、データサンプル数は32160で強い痛みありが16080で痛み無しが16080となった。
手順1:
交差検証により全サンプルにおけるハイパーパラメータ(SVMの場合はC、γ)を決定する。具体的には以下の手順を行う:一例として、機械学習方法としてサポートベクターマシン(Support Vector Machine:SVM)を用いることができるがこれに限定されず、これ以外の機械学習方法も利用可能である。なお、SVMは教師ありのサンプル分類法の一種である。SVMは、実施例で示されるように、痛みありラベルを持つベクターと痛みなしラベルを持つベクターとを分離する超平面(Hyper plane)を見つけることができる。この他の機械学習方法を用いる場合も、SVMの手法に準じて適宜実施することができる。この場合、サポートベクターと呼ばれるラベル付ベクターを探すが、SVMは、分類器である超平面とサポートベクターの距離(マージン)が最大になるようなサポートベクターを見つける(マージン最大化)。分類器としては、線形、ガウス、シグモイド関数などがカーネル関数として一般的に使われ、特徴空間にベクターを写像することで線形分離を行う手法が使われ、カーネルトリックと呼ばれるがこれらに限定されない。実施例で示されるものは、カーネルとしてガウス(放射基底関数)関数である。
超平面:
f(x)=x'β+b=0
最適化問題:
min(1/2βTβ + CΣξ)
条件:
yj f(xj) ≧ 1−ξj
ξj≧ 0
β:重みづけ係数
C:罰則項
xj:サポートベクトル
yj:カテゴリラベル
ξj:スラック関数
カーネル関数
ガウス(放射基底)関数
K(x1,x2)= exp(−γ||x1−y2||2)
x1:クラス1ベクター
x2:クラス2ベクター
手順1のハイパーパラメータ(この例では、C、γ)を用いて、全サンプルからモデルを作成し、個人レベルの判別精度を算出する。具体的には以下の手順を行う:手順1で得られた全サンプルによるSVMモデルを用いて、個人ごとに痛みレベルの判別推定を行い、正答率を算出する。これにより全被験者(ここでは132名)の判別精度が算出される。当業者は、モデル作成をこの例に倣い適宜実施することができる。
適宜の基準に基づき(例えば、個人レベルの判別精度のランキング)判別精度の近い被験者のグループを作成する。具体的には以下の手順を行う:手順2で算出された132名の判別精度を降順で並べ替え、順番に被験者10名を1セットとして、2名ずつずらしながら62グループを作成する。同時に特徴量の縮約を行う場合、特徴量のランキングを行うが、重みづけ係数を用いることができ、重みづけ係数としては、各特徴量のR2値の平均値などを利用することができる。なお、ここでは、特徴量のランキングは、オプションであり、これ以外にも、各グループの判別モデル作成時点で、各モデルで特徴量の縮約を行うことができる。
手順1と同様の手続(ここでは、SVM)を用いて、各グループのハイパーパラメータ(例えば、C、γ)を決定する。例えば、具体的には以下の手順を行う:手順3のグループ化の後に、グループごとに機械学習(ここでは、SVM)を行う。すなわち、各グループの全サンプルを用いて交差検定(ここでは5分割交差検定)によりハイパーパラメータ(C、γ)を決め(すなわち、正則化)、個別グループに適したパラメータのチューニングを行う。当業者は、この例に倣い、適宜改変して手順4を実施することができる。
手順4で求めたハイパーパラメータを用いて、各グループのサンプルから判別モデルを作成し、個人レベルの判別精度を算出し、「判別MAXモデル」(本明細書にいう「判別最大モデル」)を特定する。具体的には以下の手順を行う:手順4により、個々のSVM判別モデルを作成する(例えば、全部で62個)。各モデルを使って、個人ごとに判別精度結果(%)(この例では、62個の各々の判別精度結果)を得て、そのうち最高の判別精度を出力したモデルを判別最大(MAX)モデルとする。また、この判別最大(MAX)モデルを特定する過程において、特徴量の縮約を行う場合、最も精度が高く、最も特徴量が少なければ、「経済的判別最大(MAX)モデル」を決定することができるがこれに限定されない。この場合、特徴量縮約は、脳波特徴量を用いて、条件パラメータに合わせて2、3、もしくは4分類以上を行うために判別/推定モデルを作成するが、一つの方法としてはプロット図を作成し、シグモイド関数パターンやステップ関数などの適宜なフィッティング関数に当てはめ(フィッティングさせ)、重みづけ係数(R2値や回帰係数)を得る。当てはめは、当該分野で公知の任意の手法を用いて行うことができる。このような具体的なフィッティング関数としては、上記の他に、ボルツマン関数、二重ボルツマン関数、Hill関数、ロジスティック用量応答、シグモイドリチャード関数、シグモイドワイブル関数などを挙げることができるが、これらに限定されるものではない。これらのうち、標準ロジスティック関数は、シグモイド関数と呼ばれ、標準関数、もしくは変形が一般的であるがこれに限定されない。必要に応じて該シグモイド関数パターンなどの適宜の関数パターンへの当てはめの重みづけ係数(R2値や回帰係数)が所定以上の場合、手順1のSVMを行う前、すなわち判別モデル作成時点で選択し投入することができる。
手順1〜5まではテイラーメイド痛み判別推定法1と同様の手順を行うことができる。この後に、判別モデル組み合わせ技術(アンサンブル法)により、判別精度を向上させる(図63)。
次に、テイラーメイド痛み判別推定法3を示す(図69;手順6A、7A)。この推定法も判別モデル組み合わせ技術(アンサンブル法)による判別精度向上が行われるが、手順2とは、モデル投入方法が異なる。
全モデル(N個)からMAXモデル(判別最大モデル)を選択し、これを「メインモデル」とする(例えば、MAXモデル(判別最大モデル)は上記手順1〜5に基づいて選択することができる。)。具体的には以下の手順を行う:すなわち、全サンプルを用いて単一の判別モデルを作成し、個人ごとに判別し、全被験者のランキングを行う。次に、被験者をグループ化し、グループごとにハイパーパラメータ(例えば、C、γ)を特定し、個別判別モデルセットを得る。さらに、個別判別モデルセットを個人ごとに適用し、個人ごとの判別精度結果を得る。例えば、実施例では62個の判別精度の出力結果が得られるが、この中で最も判別精度が高いモデルが判別最大(MAX)モデルであり、メインモデルと称される。
全モデルからメインモデルを抜いたN−1個のモデルを「サポーターモデル」とする。すなわち、上記1の過程では、メインモデルが1個だけ特定されるので、残りすべてがサポーターモデルとなる。ただし、メインモデルは、仮に、判別精度が同じか、もしくは精度差がきわめて微小な場合は、複数をまとめて「メインモデルセット」とすることもできる。
メインモデルに、N−1個のサポーターモデルから1個を選択して追加した時に、アンサンブル法により最も判別精度が向上するモデルセットを「更新メインモデル」とする。追加手順2で記述したように、m個のメインモデルが最初にメインモデルセットに含まれる場合は、m+1個のモデルセットが更新メインモデルとなる。(なお、2個のという表現を使う場合は、メインと選ばれたサポーターモデル1個のモデルセットを意味する。)
全モデルから更新メインモデルを抜いたN−2個のモデルを「更新サポーターモデル」とする。もし、最初のメインメインモデルがm個からなる場合は、N−(m+1)個の残存モデルが更新サポーターモデルとなる。
アンサンブル法により最も判別精度が向上するモデルセットを、上記3−4の手続きを同様に繰り返し、更新メインモデルと更新サポーターモデルを更新しながら、更新サポーターモデルが空集合になるまで繰り返す。
ここでは、実際のオンライン痛み判別モニタリングを考慮した判別方法を記載した。追加手順の前までは、これまでの推定方法(手順1から5)と同じである。すなわち、全サンプルを使って機械学習により単一判別モデルを作成し、サンプルに含まれる対象者ごとの判別精度を算出する。判別精度ごとに対象者をランキングし、特定のサンプル数によりグループ化し、個別のグループに対し判別モデルを作成する。実際の判別装置では、データベース、もしくはデータ保存部に、グループ分け情報、ならびに個別判別モデルのプロトタイプは保存されていてもよい。
個人の全サンプルを(N)を「リファレンスサンプル」と「テストサンプル」に分ける。この既存サンプルを使った分割は、実際の疼痛モニタリングの次のような局面を想定している。すなわち、なんらかの疼痛を持つ対象者を臨床現場でモニタリングするとき、個人の痛み反応特性は未知である。したがって、電気刺激などの「リファレンス刺激」を複数回与え、どのような痛み判別モデルが最適であるかを決定しなければならない。追加手順1におけるリファレンスサンプルは、このオンラインモニタリング前の準備データに相応する。
リファレンスサンプルm個を使い、推定法1、推定法2、もしくは推定法3を用いて最適な判別モデルを決定する。推定法1では判別MAXモデル単独、推定法2、推定法3では、メインモデル+サポーターモデルのモデルセットになるが、状況に応じてどれを使ってもよい。すなわち、m個のリファレンスサンプルの判別において、判別MAXモデル、もしくは判別MAXのメインモデルを含んだモデルセットで最も判別精度が高いものを、実際のオンライン痛みモニタリングに用いる。
リファレンス追加手順2で決定したリファレンス判別モデルを使い、テストサンプルで検証する。この手順におけるテストサンプルは、未知の実際の痛みモニタリング時に記録する脳波データ、ならびに特徴量を想定したものである。本実施例では、全サンプル(N個)のうち、リファレンスサンプル(m個)を除外したN−mサンプルをダミー痛みモニタリングサンプルとして用いる。実施例で示される例(総数132個)の場合は、リファレンスサンプルを10個と50個でためし、推定法1、2、3がどの程度、テストサンプル(N−m個)を正確に判別できるかを試したところ、50個までは許容可能であることが確認されているが、総数等の諸条件によって、判別し得るリファレンスの数の範囲は変動し、当業者は適宜決定することができる。
装置208000は、特徴量縮約部201000と、特徴量抽出部202000と、疼痛判別・推定モデル生成部203000と、疼痛判別・推定部(モデル修正過程を含みうる)204000と、リファレンス刺激呈示部205000、脳波データ測定部205200、疼痛レベル可視化部207000とから構成され、対象は206000で特定される。また、疼痛判別・推定モデル生成部203000は、本発明のテイラーメイド判別推定技術に則して、下位部門203100〜203500から構成される。 この縮約過程付き判別では、疼痛判別・推定段階数(例えば、2段階、3段階など)の決定(S20100)を行い、判別関数の生成(2項分類におけるシグモイド関数などが例示される、S20200)を行う。判別装置は、テイラーメイド判別モデル作成過程(白矢印)と実際の疼痛レベルモニタリング過程(黒矢印)を含む。モデル作成過程(白矢印)では、特徴量は、リファレンス刺激呈示部205000から対象206000にリファレンス刺激(電気刺激など)がS20100で決定した判別段階に応じて与えられ、疼痛段階に関連する特徴量の収集が行われ(S20300)、縮約された後(S20400)、得られる。なお、収集された特徴量は、S20200で生成された判別関数で近似され、得られた近似係数(R2値や回帰係数など)の大きさに応じてランキングされる。上位の特徴から順番に用いていて、リファレンス刺激の痛みレベルの判別推定を疼痛判別・推定部204000で行い、最も判別精度が高い特徴量数を用いる。これが、特徴量の縮約過程S20400の一形態である。縮約された特徴量情報は、特徴量抽出部202000から個別疼痛判別モデル作成部203200に送られ格納される。また、個別疼痛判別モデル作成部203200は、疼痛脳波データベース(もしくは保存部)203100から脳波データまたはその分析データ、もしくは特徴量データを縮約特徴量情報(数量など)にもとづいて集め、複数の個別判別モデルを作成する。この際、個別判別モデルの数は前もって決まっているが、後で修正できるようにしてもよく、また、そのような場合は容易に想定される。疼痛判別モデルランキング部203300は、特徴量抽出部202000から送られた特徴量を個別判別モデルで判別し、モデルのランキングを作成する。アンサンブル疼痛判別モデル作成部203400は、ランキングトップのメインモデルにサポーターモデルを追加することで判別精度が最大になるアンサンブル判別モデルを決定する。ただし、メインモデルが十分に高い判別精度を単独で実現している場合は、メインモデルを単独で使ってもよい。疼痛判別モデル送信部203500は、得られたアンサンブル判別モデルを疼痛判別・推定部204000に送る。
以上、本発明の1つまたは複数の態様に係る特徴量縮約過程付判別装置について、実施の形態に基づいて説明したが、本発明は、この実施の形態に限定されるものではない。本発明の趣旨を逸脱しない限り、当業者が思いつく各種変形を本実施の形態に施したものや、異なる実施の形態における構成要素を組み合わせて構築される形態も、本発明の1つまたは複数の態様の範囲内に含まれてもよい。
Px=Pmax×(Ax−Amin)/(Amax−Amin)
(優先特徴量)
さらに別の局面において、本発明は、1つ以上の脳波の特徴量を用いて痛みを判定する方法を提供する。
本発明で使用される脳波の特徴量は、任意のものであり得、例えば、代表的には振幅、脳波特徴量相互関係、周波数パワー、および複雑性指標から選択される少なくとも1つを含む。1つの実施形態では、前記振幅は、平均振幅(例えば、絶対平均振幅、相対平均振幅など)や振幅中央値、振幅最頻値、振幅最大値、ピーク振幅や四分位振幅などの振幅分布特性値を含み、前記脳波特徴量相互関係は、電位相関(例えば、前頭−頭頂電位相関(相関係数、偏相関係数、Connectivity、Causality、ならびにそれらの亜種))または電極間位相同期(例えば、コヒーレンス、Phaselocking value、ならびにそれらの亜種)を含み、前記周波数パワーはスペクトラム密度、パワースペクトラムやそれらの亜種を含み、前記複雑性指標はエントロピー(例えば、マルチスケールエントロピー(MSE)、サンプルエントロピー、自己エントロピー、平均エントロピー、結合エントロピー、相対エントロピー、および条件付エントロピーなど)、また、痛み発生と連動して事象関連的に起こる生体電位特徴量(瞬目反射などの眼球運動を反映した眼球運動電位など)から選択される少なくとも1つを含む。
1つの実施形態では、本発明の痛みを判定する方法は、前記特徴量を用いて判別モデルを作成するステップを含む。
(複雑性指標)
さらに別の局面において、本発明は、複雑性指標を用いて疼痛を判別または判定する方法を提供する。
具体的な例では、マルチスケール法は、時系列データを粗くギザギザにし、複数の時系列分割データを作り(Coarse graining)、それらのサンプルエントロピーを算出する。データ系列を粗雑化する技術は、局所的な活動特性を抽出する上で有利であり得る。
SE(m,r,N)=−In(A(k)/B(k−1)
m:距離ポイント数
N:データポイント数
A:m+1ポイント時間枠の類似性閾値(SD×r)内のポイントの割合
B:mポイント時間枠の類似性閾値(SD×r)内のポイントの割合
ln:自然対数
好ましい、一般的に使われるパラメータは以下の通りで、許容度rは望ましくは入力データ系列の標準偏差の約20、もしくは15%で、長さ(ポイント間距離)mは2に設定される(Busa & Emmerik (2016). Multiscale entropy: A tool for understanding the complexity of postural control. Journal of Sport and Health Science 5:44−51)。
e)試験対象から複雑性指標を得るステップと、f)該試験対象の複雑性指標を疼痛を判別するモデルに当てはめて疼痛を判別するステップとを含み、ここで、該モデルは、a)参照対象から複雑性指標を得るステップと、b)該複雑性指標について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、c)該縮約後の各特徴量係数またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、d)所定の精度を達成する判別分析モデルを決定するステップとによって生成されたものである、方法を提供する。
さらに別の実施形態では、本発明は、本発明の対象の疼痛を判別するためのモデルを生成する方法または対象の疼痛を判別する方法をコンピュータに実行させるためのプログラム、ならびにこれを格納した記録媒体、ならびにこれらを備える装置またはシステムを提供する。
別の局面において、本発明は、脳波特徴量相関を用いて疼痛を判別または判定する方法を提供する。相関の対象となる脳波特徴量は例えば、生の脳波データのほか、その分析データ(加工特徴量ともいう)、例えば、電位、周波数パワー、振幅(例えば平均振幅、複雑性指標(エントロピーなど)などが挙げられるがこれに限定されない。これらのいずれも電極間相関を見ることで機能結合の指標として使えることが見いだされた。さらに望ましい方法としては、頭皮上データから脳内発生源を推定し、部位間の相関を調べることであるが、限られた記録電極の場合は、上記の電極間相関で類推する。なお、「脳波特徴量相関」は「脳波関係性特徴量」と称されることがあるが、これらは同じ意味である。脳波特徴量相関などで利用可能なものの例としては、例えば、「電位相関」、「位相同期(phase locking value)」などが挙げられるがこれらに限定されない。また、コヒーレンスなども使用され得る。
1つの局面では、本発明は、対象が経験する疼痛を評価または判定する装置であって、該装置は:A)脳波信号を取得するための少なくとも1つの電極を含むヘッドセットとB)ベースユニットとを備える装置を提供する。ここで、該ベースユニットは、脳波特徴量相関および/または脳波の複雑性指標からなる群より選択される少なくとも1つを含むパラメータを算出し、該パラメータと、該対象の疼痛レベルとを相関づける判別モデルを生成し、該対象の該パラメータを該判別モデルに適用することによって該対象の疼痛レベルを算出し表示する。
S30400の特徴量の縮約では、S30300で得た特徴量を判別関数で近似し、近似指数(例えば、R2値など)が高い特徴量をランキングし、上位の特徴から順番に疼痛判別・推定部304000に投入して、リファレンス刺激のレベルを判別推定する。その中で、最も判別精度が高い特徴量数を持つモデルを実際の疼痛判別・推定に用いる。
以上、本発明の1つまたは複数の態様に係る判別方法、プログラム、装置について、実施の形態に基づいて説明したが、本発明は、この実施の形態に限定されるものではない。本発明の趣旨を逸脱しない限り、当業者が思いつく各種変形を本実施の形態に施したものや、異なる実施の形態における構成要素を組み合わせて構築される形態も、本発明の1つまたは複数の態様の範囲内に含まれてもよい。
また、上記では、複数の脳波データを分析することにより快不快判定値の生成例として、シグモイドフィッティングを含む曲線あてはめ(curve fitting)を説明したが、これに限定されない。また、脳波振幅の上限値は、予め定められた値が用いられてもよい。例えば、予め定められた値(絶対値)は、例えば50μV〜100μVであり、実験的又は経験的に定められればよい。このように通常の解析では、アーチファクト除去方法として、プラスマイナス50μVから100μVぐらいのデータを排除するが、このようなアーチファクト除去は必要に応じて本発明でも実施してよい。
本実施例では、EEGトレンド分析を実施した。これにより、従来の単なるデータの関連付けでは難しかった主観的疼痛の判定をより正確に、時間変化に沿って行えることを実証する。
(参加者)
20代から70代の32人の健常な成人被験者の別個のグループが、低温疼痛および高温疼痛の実験に参加した。2つのグループでは、参加者の大半が重複した。参加者らは、実験前にインフォームドコンセントに同意した。全参加者は、神経性および/もしくは精神性の病気、または臨床薬物治療条件下における急性および/もしくは慢性疼痛を経験していないことを自己報告した。本実施例を、大阪大学医学部付属病院の倫理委員会ならびにヘルシンキ宣言による承認下で実施した。
温度刺激システム(Pathway:Medoc Co.,Ltd.,RamatYishai, Israel)を使用して、高温刺激および低温刺激を参加者の右前腕に与えた。高温刺激および低温刺激は別々の試験において独立して与えられた。各試験は、6レベルの温度強度を包含していた。高温疼痛条件において、6つの温度レベルを、40℃から50℃の範囲で、2℃ごとに減少させた。各温度レベルは3回の刺激からなり、刺激間間隔(ISI)は5秒であった。単一の刺激は、15秒間持続し、基準温度(35℃)からの上昇および下降待機時間は、約5秒であった。各レベルにおける3回の刺激の後、ブロック間間隔は100秒間持続した。低温疼痛条件において、6つの温度レベルを、15℃から―10℃の範囲で、5℃ごとに下降させた。各レベルは、5秒のISIを伴う3回の刺激からなり、それぞれは、15秒間のプラトーを維持し、約5秒の上昇および下降待機時間を持っていた。ブロック間間隔は100秒に固定した。参加者は、コンピュータ化された可視化アナログスケール(COVAS)上で、0から100の範囲(0:「無痛」;100:「耐えられない疼痛」)で疼痛強度を連続的に評価した。COVASデータを刺激強度の変更と同時に記録した。
市販されているBio−Amplifier(EEG1200; Nihon Koden)を使用して、4つの頭皮Ag/AgCl電極(Fz、Cz、C3、C4)からEEGを記録した。最前部の電極であるFp1をEOG活動を記録するために使用した。脳波導出用の基準電極を両方の耳たぶに装着し、アース電極を額の中央部に置いた。サンプリングレートは1,000Hzで、0.3〜120Hzの範囲の帯域で増幅した。全電極のインピーダンスは15kΩ未満であった。
低温疼痛および高温疼痛条件における連続的なEEGデータを、最初の刺激開始時から最後の刺激の開始後40秒までを切り出した。臨床状況では疼痛を強から弱に減少させる方向で治療が行われるため、EEGデータを、時間的に逆向きに再び並び替えた。その後、VEOGノイズを減衰するため、以下の回帰フィルターに基づいて生のEEGデータに適用した:
[数5]
生EEG=β×EOG+C
推定EEG=生EEG−β×EOG
β:部分的回帰係数
C:切片
推定EEG:推定されたEEG
Fp1は、左眼に最も近接しており、眼球運動に強く影響を受けるため、Fp1データをEOGデータとして使用した。VEOG減少後、10秒刻みで10秒から60秒までの種々の時間ウインドウを使用して、EEG振幅の絶対値を重複しない方法で連続して平均し、最大平均振幅を用いて標準化した。また、短時間幅の時間方向平均法の効果を調べるために、必要に応じて5秒単位の分析も行った。
図1Iでは、参加者のうちの一人に関して、10秒、20秒および40秒間隔のそれぞれに関して平均されたEEG振幅変化と低温強度変化(A)または主観的疼痛評価変化(B)とを同時にプロットした。図1のAでは、EEGと温度強度変化が、逆のパターンを示し、温度変化がより強く、上方に偏向する場合、EEG振幅はより弱く、下方に偏向した。平均間隔40秒の方法における負の相関係数は、他の平均時間間隔よりも強かった。図1のBに示されるように、EEG振幅と主観的疼痛強度変化との関係も、同様の傾向を示した。主観的疼痛評価がより大きく、上方に動く場合、EEG振幅はより弱くなっていた。負の相関係数は、やはり、40秒の平均間隔の場合、最も強く観察された。
本実施例では、疼痛強度を用いて、単純増加や単純減少などの状況から疼痛の強さ、弱さを侮蔑できることを実証した。
[数6]疼痛指数=EEG−1−BS
−1=逆関数
BS=最も強い疼痛EEGを使用して計算された基準値
(結果および考察)
脳活動量から変換された疼痛指数は、主観的疼痛評価と類似したパターンを示している。すなわち、痛み刺激が被検者に与えられているときは、ゼロラインをより上側にラインが振れ、痛み刺激がなくなるとゼロラインより下側に振れる傾向がある。この傾向は、時間ウインドウの初期により強く見られる傾向がある。かならずしも、最も高い疼痛試験の時が、最も疼痛指数が高くなっているわけではないことは注意すべきである。すなわち、高温痛み刺激のようなじわじわする持続痛は、疼痛関連の脳波特徴量、もしくはそれから導出された疼痛指数が遅れて増大をすることを示し(図25の遅延痛み特徴量も参照)、かつ、痛みが無いときとの相対的な差が大きくなっている。指数値とともに、その変動幅が疼痛トレンドの正確な理解には重要であることを示す例である。
本実施例では、時間間隔による違いが、実際に主観的疼痛の相違を評価するために顕著に異なっていることを実証した。
本実施例では、実施例1に記載の手法に基づいて、15秒および20秒のデータを算出した。
得られた結果を以下に示す。
冷刺激条件で、さらに長期の平均時間間隔を使って時間方向平均法を行った場合、疼痛指標(主観的疼痛評価、疼痛刺激強度)と平均脳特徴量の相関関係がどのように変化するかを調べた。
被検者、ならびに検査方法、解析方法は、実施例1に準ずる。平均時間枠は、10秒以降は、20、40、60、80、100、120秒というように20秒ずつ時間間隔が長くなった。
図6Aは、平均値(例えば、算術平均電位)振幅(絶対値)と主観的疼痛評価、図6Bは、低温刺激強度との平均相関係数r(絶対値)の推移を示す。両方とも、40秒までは相関係数が有意に上昇する。刺激強度は、60秒と80秒の間に有意な差がみられるものの、100秒までは横ばいの状況が続いている。一方で、最長の120秒の場合、特に、主観評価では、さらに相関係数が先行の時間間隔に比べ有意に上昇していた。この検査パラダイムは、疼痛レベルが6段階あり、段階的に上昇している。したがって、平均時間間隔を長くすると、低い疼痛レベルと高い疼痛レベルの特徴量(この場合、平均振幅絶対値)をより非連続的にまとめることができるので、相関係数が高くなっていると考えられる。
先行実施例では、高温、ならびに低温疼痛刺激の持続時間が15秒間で一定しており、また、検査時間も10分程度と短かった。本実施例では、熱刺激がよりランダムに、15秒から4分まで持続するような検査パラダイムを用いて、平均時間間隔の長さと主観的疼痛評価の関係性をさらに検討した。
20代から70代の12人の健常な成人被検者が、高温疼痛の実験に参加した。参加者らは、実験前にインフォームドコンセントに同意した。全参加者は、神経性および/もしくは精神性の病気、または臨床薬物治療条件下における急性および/もしくは慢性疼痛を経験していないことを自己報告した。本実施例を、大阪大学医学部付属病院の倫理委員会ならびにヘルシンキ宣言による承認下で実施した。
温度刺激システム(Pathway: Medoc Co., Ltd., Ramat Yishai, Israel)を使用して、高温刺激を参加者の右前腕に与えた。高温刺激は、38℃から48℃までの刺激が持続時間15秒から240秒まで、ランダムに17刺激呈示された(図7参照)。刺激間間隔は20秒であった。別々の試験において独立して与えられた。被検者は、コンピュータ化された可視化アナログスケール(COVAS)上で、0から100の範囲(0:「無痛」;100:「耐えられない疼痛」)で疼痛強度を連続的に評価した。COVASデータを刺激強度の変更と同時に記録した。
市販されているBio−Amplifier(EEG1200; Nihon Koden)を使用して、7つの頭皮上Ag/AgCl電極(Fp1,Fp2, F3、F4、C3、C4、Pz)からを記録した。脳波導出用の基準電極を両方の耳たぶに装着し、アース電極を額の中央部に置いた。サンプリングレートは1,000Hzで、0.3〜120Hzの帯域で増幅した。全電極のインピーダンスは15kΩ未満であった。
EEGデータ解析には、F3とF4を用いた。各被検者において、最初の刺激開始時から最後の刺激の開始後40秒までをはじめに切り出した。その後、VEOGノイズを減衰するため、以下の回帰フィルターに基づいて生のEEGデータに適用した:
[数7]
生EEG=β×EOG+C
推定EEG=生EEG−β×EOG
β:部分的回帰係数
C:切片
推定EEG:推定されたEEG
Fp1とFp2は、両眼に最も近接しており、眼球運動に強く影響を受けるため、両データを加算し、EOGデータとして使用した。VEOGの減衰後、60Hzの外部電気ノイズをフィルター除去した。振幅を絶対値化した後、100μVを超えるアーチファクトの除去後、10秒、ならびに20秒から120秒までを20秒間隔で、時間方向平均法により平均振幅を算出し、F3とF4を平均値でまとめた。本実施例では、異なる平均値タイプの比較のために、算術平均と幾何平均を算出した。主観的疼痛評価データも、同様に時間方向平均法を用いてまとめた。各被検者のEEG平均データと主観的疼痛評価のPearson’s相関係数を算出、絶対値化した後、隣接する平均時間間隔(例えば、10秒対20秒)の間で、p<0.05のα水準に基づき、相関係数の高さを比較した。
図8Aと図8Bに、算術平均振幅(絶対値化)と主観的疼痛評価、ならびに高温刺激強度の間の相関係数の推移を示す。視察から分かるように、本実例のより複雑なランダム呈示方法においても、相関係数は、平均時間間隔が長くなるにしたがい、高くなる傾向が見られた。主観的疼痛評価の場合(図8A)、120秒間隔が直前の100秒間隔より長くなっており、局所的な相関関係の改善が見られた(t=1.81、p=0.049)。一方、高温強度の場合(図8B)、40℃と60℃の間のより低い段階で相関関係の改善が見られた(t=2.07、p=0.031)。図9Aおよび図9Bには、幾何平均振幅(絶対値化)と主観的疼痛評価、ならびに高温刺激強度の間の相関係数の推移を示す。同様に、平均時間間隔が長くなるにしたがい、相関係数が高くなる傾向が見られる。ただし、より漸次的な上昇なので、隣接する時間間隔では有意差が見られず、1個抜きのt検定による比較により、主観的疼痛評価は、やはり120秒が有意に相関係数が高かった(t=3.034、p=0.011)。刺激強度の場合、より短い80秒間隔と40秒間隔で統計的有意差が見られた(t=2.271、p=0.044)。これらの結果から、より複雑で持続時間が長い疼痛性刺激変化の場合でも、平均時間間隔が長くなるほど相関係数が高くなる傾向があるので、疼痛刺激の持続時間に応じて平均時間間隔を長くすると、疼痛レベルの特徴量がより離散的に縮約され相関関係が高くなると考えられる。
図12における特徴量抽出部において、時間方向平均法による特徴量抽出した後、疼痛レベルモニター部において、疼痛レベルの変化をトレンドで表現する。これにより、臨床医は、患者の疼痛を時系列的にモニタリングできるようになる。このためには、少なくとも以下の3つの手順が必要である。
1.被験者から疼痛時の脳波データを取得する(脳波計1120、測定部1111)
2.「オンライン」で時間方向平均法により、特定の時間間隔を決めて平均特徴量を算出する(特徴量抽出部1112)。
3.「階層的疼痛トレンドモニタリング手法」により、オンラインモニタリングの 経過時間により、平均特徴量のトレンド表示方法を選択し変える(疼痛レベルモニター部1115)。
(トレンド分析の精緻化例1)
本実施例では、平均振幅を用いた判別モデル(重回帰モデル)を使い、痛み刺激提示中の脳波データを分析した。
(参加者)
20代から70代の158名の健常な成人男女被験者が熱刺激パラダイムと冷刺激パラダイム実験(151名)に参加した(延べ309名)。参加者は、実験前にインフォームドコンセントを与えた。全参加者は、神経性および/もしくは精神性の病気、または臨床薬物治療条件下における急性および/もしくは慢性疼痛を経験していないことを自己報告した。本実施例を、大阪大学医学部付属病院の倫理委員会ならびにヘルシンキ宣言による承認下で実施した。
実験の概要を図14に図示した。温度刺激システム(Pathway:Medoc Co.,Ltd.,RamatYishai, Israel)を使用して、熱刺激と冷刺激を参加者の右前腕に与えた。熱刺激と冷刺激は、それぞれ6レベルの温度強度(熱:40℃〜50℃の2℃ずつ上昇;冷:15℃〜ー10℃の5℃ずつ下降)を包含していた。各温度レベルは3回の刺激からなり、刺激間間隔(ISI)は約5秒であった。各刺激は、約15秒間持続し、基準温度(36℃)からの上昇および下降待機時間は、約10秒であった。各レベルにおける3回の刺激の後、ブロック間間隔は100秒間持続した。参加者は、コンピュータ化された可視化アナログスケール(COVAS)上で、0から100の範囲(0=「無痛」;100=「耐えられない疼痛」)で疼痛強度を連続的に評価した。COVASデータを刺激強度の変更と同時に記録した。
(振幅の特徴量抽出)
熱刺激、ならびに冷刺激実験で記録したEEGデータは、最初に、眼球運動ノイズ(EOG)を減衰した。7電極データを用いて主成分分析を行い、第一成分をEOG成分として抽出した。EOG成分だけを残すために、1〜30Hzの帯域通過フィルターをかけた。その後、以下の回帰フィルターを適用し、EEGからEOG成分を除去した。
[数8]
生EEG=β×EOG+C
推定EEG=生EEG−β×EOG
β:回帰係数
C:切片
推定EEG:推定されたEEG
熱冷刺激参加者、延べ309名の熱刺激の痛みあり(熱:レベル6、冷:レベル5(レベル6を完遂しなかった被検者がいるため))と痛みなし(レベル1)の判別を線形重回帰モデルの機械学習を用いて行った。脳波特徴量は、上記の抽出方法により得た7個(個人内で標準化済み)を利用し、個人ごとに各刺激の痛みあり3サンプル、痛みなし3サンプルの痛みレベルを、以下の手順で判別推定した。全3708サンプルを308名の学習データと残り1名のテストデータに最初に分割した。学習データを用いて10分割交差検定を行い、線形判別モデルに含まれる7個の特徴量の偏回帰係数とモデル関数の切片を決定した。この係数を用いて、テストデータ1名、12サンプルの痛みレベルを推定した。このプロセスを人数分309回繰り返し、判別精度がチャンスレベル未満の被検者をデータから除外した。この過程をチャンスレベル未満の被検者がいなくなるまで行うことにより、判別モデルの精度を高め「熱冷共通痛み判別モデル」を得た。
また、最終判別モデルを用い、異なる熱刺激実験(40℃、44℃、48℃をランダムに提示)で得たテストデータを時間変化に応じて判別推定した(トレンド解析)。テストデータは、判別モデル作成用データと同じく前頭、中央、頭頂部の7電極からなっていた。モデル作成時と同様に、15秒間の絶対平均振幅を移動平均法により算出した。この特徴量を熱冷共通判別モデルに投入し、痛み推定値の時間変化を算出した。推定値の時間変化がどの程度、主観評価と適合するかを調べるために、推定値とCOVAS値の相関係数を算出した。
精緻化後の熱冷共通判別モデルに含まれた被験者数は「延べ216名(70%)」であり、判別精度は「84.3±17%」であった。全216モデルの平均特徴量係数は、Fp1=0.092,Fp2=0.058,F3=0.082、F4=0.067、C3=0.055、C4=−0.050、Pz=−0.005であり、切片は1.51であった。これにより、以下のような、熱冷共通痛み判別モデルが得られた。
y=0.092×x1+0.058×x2+0.082×x3+0.067×x4+0.055×x5−0.050×x6−0.005×x7+0.151
x1:Fp1特徴量
x2:Fp2特徴量
x3:F3特徴量
x4:F4特徴量
x5:C3特徴量
x6:C4特徴量
x7:Pz特徴量
本例では、熱刺激実験データを用い、特徴量を増やし、判別モデルの精緻化を行うことで、トレンド分析の改良を行った。(図25)に改正方法の概要を示す。
以下に、詳細な説明を示す。
(参加者)
20代から70代の170名の健常な成人男女被験者が、高温刺激パラダイムの実験に参加した。参加者らは、実験前にインフォームドコンセントに同意した。全参加者は、神経性および/もしくは精神性の病気、または臨床薬物治療条件下における急性および/もしくは慢性疼痛を経験していないことを自己報告した。本実施例を、大阪大学医学部付属病院の倫理委員会ならびにヘルシンキ宣言による承認下で実施した。
温度刺激システム(Pathway:Medoc Co.,Ltd.,RamatYishai, Israel)を使用して、高温刺激を参加者の右前腕に与えた。高温刺激は、6レベルの温度強度(40℃〜50℃の2℃ずつ上昇)を包含していた。各温度レベルは3回の刺激からなり、刺激間間隔(ISI)は約5秒であった。各刺激は、5秒間持続するプラトーを有し、基準温度(35℃)からの上昇および下降待機時間は、約10秒であった。各レベルにおける3回の刺激の後、ブロック間間隔は100秒間持続した。参加者は、コンピュータ化された可視化アナログスケール(COVAS)上で、0から100の範囲(0=「無痛」;100=「耐えられない疼痛」)で疼痛強度を連続的に評価した。COVASデータを刺激強度の変更と同時に記録した。
前頭部4電極(Fp1,Fp2,F3,F4)から検査中、連続して脳波を記録した。基準電極は、両耳朶であり、左半球の電極は左の耳朶、右半球の電極は右の耳朶とした。アース電極は前額部に設置した。サンプリング周波数は1000Hz、帯域フィルターは0.3〜120Hz、インピーダンスは15kΩ以下とした。
(振幅の特徴量抽出)
高温刺激条件における連続的なEEGデータは、最初に、眼球運動ノイズ(EOG)を減衰した。4電極データを用いて主成分分析を行い、第一成分をEOG成分として抽出した(図26の過程1)。EOG成分だけを残すために、1〜30Hzの帯域通過フィルターをかけた。その後、以下の回帰フィルターを適用し、EEGからEOG成分を除去した(図26の過程2)。
[数9]
生EEG=β×EOG+C
推定EEG=生EEG−β×EOG
β:回帰係数
C:切片
推定EEG:推定されたEEG
周波数解析は、振幅の特徴量を作成するときに使った各電極の180エポックに対して、フーリエ変換を行った後、周波数パワー(実数部のlog10変換データ)を算出した。δ(1−3Hz)、θ(4−7Hz)、α(8−13Hz)、β(14−30Hz)帯域の周波数パワーの平均値を熱刺激レベルごとに算出した。振幅特徴量と同様に、レスト30秒間の平均周波数パワーと標準偏差を用いて、各電極、各帯域ごとにz値化した。
参加者170名の熱刺激の痛みあり(レベル6)と痛みなし(レベル1)の判別を線形重回帰モデルの機械学習を用いて行った。特徴量は、上記の抽出方法により得た25個(個人内で標準化済み)を利用し、個人ごとに痛みあり30サンプル、痛みなし30サンプルの痛みレベルを、以下の手順で判別推定した。全10200サンプルを169名の10140サンプルの学習データと1名、60サンプルのテストデータに最初に分けた。学習データを用いて10分割交差検定を行い、線形判別モデルの25個の特徴量の偏回帰係数を決定した。この係数を用いて、1名、60サンプルのテストデータの痛みレベルを推定した。このプロセスを人数分、170回行い、判別精度が70%未満の被検者を特定し、データから除外した。この過程を、70%未満の被検者がいなくなるまで行うことで判別モデルの精度を高め、痛み判別モデルの最終版を作成した。最終判別モデルとよりノイズの影響が少なく、より鋭敏に痛みに関連する刺激提示後5〜15秒の10秒間で作成した特徴量データを用い、全170名データを再テストした。
POi = 痛みありサンプルの推定値数i /(痛みありサンプルの推定値数i+ 痛みなしサンプルの推定値数i)× 100
i:痛み推定値範囲の分割数
図29に、最終判別モデルの特徴量係数、ならびにモデルの精緻化後に残った81名の痛み推定値のヒストグラムを示す。判別精度70%未満の被検者を反復して除き、判別精度を上げる精緻化は全部で「4回」行った。これにより、最終判別モデルに含まれた被検者は「81名」であり、図29に示すように、痛みなしサンプルの推定値(n=2430)と痛みありサンプルの推定値(n=2430)は、両者が重複するエリアを含みつつ、重複しないエリアも存在する二峰性の分布を示している。つまり、重複するエリアは、痛みありと判断すると誤判断が起こりやすいエリアである。最終モデルの判別精度情報を、図30にまとめた。最終モデルの判別精度は、ノイズを軽減し、痛みにより強く関連する特徴量を抽出するため、刺激提示後5秒から15秒を用いた。この特徴量データを170名分用意して痛み判別推定を行ったところ、平均判別精度は「79.4±26.4%」であった。判別精度が70%以上の被検者は93名(54.7%)、チャンスレベル以上の被検者は147名(86.5%)に達した。
痛み占有率関数:y = 0.20+102.71/(1+10(19.32−x)×0.16)
この関数により算出される占有率、もしくはそれを複合して得られる二次的指標を用いることで、痛みの客観的判断がより精緻になりえる。
(方法)
(参加者)
20代から70代の40名の健常な成人被験者の同じグループが、高温刺激パラダイムの実験に参加した。参加者らは、実験前にインフォームドコンセントに同意した。全参加者は、神経性および/もしくは精神性の病気、または臨床薬物治療条件下における急性および/もしくは慢性疼痛を経験していないことを自己報告した。本実施例を、大阪大学医学部付属病院の倫理委員会ならびにヘルシンキ宣言による承認下で実施した。
図33に検査で用いた高温刺激パラダイムの概要を示す。温度刺激システム(Pathway:Medoc Co.,Ltd.,RamatYishai, Israel)を使用して、高温刺激を参加者の右前腕に与えた。高温刺激は、6レベルの温度強度(40℃〜50℃の2℃ずつ上昇)を包含していた。各温度レベルは3回の刺激からなり、刺激間間隔(ISI)は5秒であった。各刺激は、5秒間持続するプラトーを有し、基準温度(35℃)からの上昇および下降待機時間は、約10秒であった。各レベルにおける3回の刺激の後、ブロック間間隔は100秒間持続した。参加者は、コンピュータ化された可視化アナログスケール(COVAS)上で、0から100の範囲(0=「無痛」;100=「耐えられない疼痛」)で疼痛強度を連続的に評価した。COVASデータを刺激強度の変更と同時に記録した。
(振幅の特徴量抽出)
高温刺激条件における連続的なEEGデータは、眼球運動ノイズ(EOG)を減衰するため、以下の回帰フィルターを適用した:
[数101]
生EEG=β×EOG+C
推定EEG=生EEG−β×EOG
β:回帰係数
C:切片
推定EEG:推定されたEEG
Fp1は、左眼に最も近接しており、眼球運動に強く影響を受けるため、Fp1データをEOGデータとして使用した。なお、EOGデータは主成分分析や独立成分分析などを用いて全電極データから抽出してもよい。EOGの補正後、刺激呈示前5秒から刺激呈示後15秒のエポック波形を、各レベルの刺激ごとに切り出した。ベースライン補正を刺激呈示前の平均電位を用いて行った後、±100μVでアーチファクト除去を行った。電位を絶対値化した後、最大振幅で標準化を行い、刺激呈示後15秒間の平均振幅をレベルごとに求め、脳波振幅特徴量とした。
周波数解析では、EOG補正処理を行わずに、各レベルの刺激ごとに、刺激開始から刺激呈示後15秒までの脳波データを切り出した。フーリエ変換を行った後、周波数パワー(実数部のlog10変換データ)を算出した。δ(1−3Hz)、θ(4−7Hz)、α(8−13Hz)、β(14−30Hz)、γ(31−100Hz)ごとに、パワーの平均値をレベルごとに算出し、全レベルのデータを用いて個人ごとに最大値で標準化し、周波数特徴量とした(4電極×5帯域=20個)。
参加者40名の高温刺激の判別を、Support Vector Machine Recursive Feature Elimination(SVM−RFE)を用いて行った(Guyon I, Weston J, Barnhill S, & Vapnik V. Gene selection for cancer classification using Support Vector Machine. Machine Learning 46, 389−422, 2002)(図34)。図34に示すように、特徴量は「24個」(個人内で標準化済み)利用し、疼痛レベルは、「2レベル(痛い・痛くない)」に設定した。特徴量のランキングとして、24個の脳波特徴量のランキングを行った。判別アルゴリズムの決定は、サポートベクターマシン(SVM)を用いてデータを「1個抜き交差検証」を行い、最も判別精度が高い特徴の組み合わせを見つけることで行った。ランダム化テスト(1000回)は、最も判別精度が高い特徴量数を用いて、不快度のラベルをランダム化し、偶然レベルの判別精度を算出することで行った(上位95%以上を占める場合、有意な判別精度とした)。データ解析には統計ソフトウェアパッケージのR、ならびにSVM−RFEのR−code(http://github.com/johncolby/SVM−RFE)を用いた。詳細な流れは、図34のとおりであり、具体的には、以下に示すとおりである。
[数102]
Y=1/e−ax
a:ゲイン
[数103]
Y=0 if x< a
Y=1 if x> a
特徴量24個すべてを近似関数で近似し(単回帰分析や相関分析)、近似指数(R2値や相関係数)を24個算出する(S10010)。次に、近似指数(絶対値)の大小に基づいて特徴量をランキングする。近似指数が大きいほどランキングが高く、特徴量が痛みありなしの2項分類特性により適合した性質を持つことを示す(S10020)。上位の特徴量から順番に一つずつ、SVMモデルに投入し、各モデルの判別精度を240サンプルの1個抜き交差検定により算出した。Kernelは放射基底(ガウス)関数を使い(数104)、モデルパラメータは、Cost=10、Gamma=1/次元数を用いた(S10030)。
[数104]
放射基底関数:
G(x1,x2)=exp(−|x1−x2|2)
G:放射基底(ガウス)関数
x:データポイント
exp:指数関数。
デル」と定義した(S10040)。
図35に24特徴量のランキングリストと上位特徴量を降順に示す。全部の特徴量24個を使った判別モデルに比して、経済的痛み判別・推定モデルでは、たった2つのシグモイド近似がより高い上位特徴量2個を使うだけで、「71.3%」の痛み2レベルの判別精度を示すことが分かった。
[略語]
訓練データ
Sample=[x1, x2, … , xk, … , x]
分類ラベル
Class=[1,0,1,0,...,yk,..., y]
RFEにより生き残った特徴量の集合
Sfeature=[1,2,...,n]
特徴量のランキング
Rank=[]
1.訓練データを生き残った特徴量に限定する。
X=Sample(:,Sfeature)
2.判別器を訓練する(SVM)
Classifier=SVM(X,Class)
3.特徴量の重みづけ係数を計算する
Weight=Σak yk xk
4.ランキング基準をすべての特徴量において計算する
Criterion=(Weight)2,for alli
5.もっとも小さいランキング基準の特徴量を見つける
F=argmin(Criterion)
6.生き残った特徴量のランキングリストを刷新する
Rank=[Sfeature(F),Rank]
7.もっとも小さいランキング基準の特徴量を除く
Sfeature=Sfeature(1:f−1,f+1:length(Sfe
ature))
8.特徴量ランキングリストを出力する:
Feature ranked list r,
これらは特徴量の数だけ繰り返すため、240サンプルの交差検証を24回繰り返すことになり、実際の経済的判別モデルを特定する前に行う交差検証コストは5760回にも及んだ。一方、本発明は、特徴量ランキングのために判別分析を行わないため、上記の計算コストはかからず、はるかに低い。
本発明の実施例は、1)従来の特徴量を全部使うSVMに対して有利である。例えば、全部使うSVMでは入手した特徴量を取捨選択せず全部使って判別推定することから、貢献度が低い特徴量も使う上に、かならずしも最高の判別精度を生むわけではないという問題がある。また、本発明の実施例は、2)SVM−RFEという比較例に対して有利である。上記1〜8に示したSVM−RFEでは、判別推定を何度も繰り返して行うことで特徴量を縮約する。しかしながら、これは、計算コストが高く、特徴量のcorrelation biasという問題がある。つまり、相関が強い特徴量が多いと、それらは実際より低く評価され、モデルから除外されてしまうエラーが起こり得るという問題である。また、最後の方まで残る特徴量が、必ずしも最高の分類能力を持つ特徴量というわけではないということも問題であった。これに比べて、本発明の縮約は、2項分類の例で示されるように「0、1」の2値の間で変化するシグモイドやステップ関数を使って、できる限りこれにフィットする特徴量を選ぶ過程である。この場合、「0、1」に分けることが目的のため、「0、1」応答する特徴量を見つけるのが望ましいという単純な考えに基づく。ランキング上位の特徴から選んでモデルに使うことで、最低限の努力で最高の結果を生むということが実現できているという点が顕著である。本発明では、実施例に含めていないが、この上位ランキングの特徴量から作成された最適モデルに、除外された特徴を逐次的に含めて、さらにモデルの判別精度を上げるモデルチューニング技術も、二次的プロセスとして含めてもよい。
本実施例では、実施例8で特定された経済的判別モデルで使われる上位特徴量を用いて、モデルの検証を行った。
参加者、実験方法、EEGデータ収集方法、ならびに解析方法は、実施例8に準じる。経済的判別モデルの検証は、次の通り行った。第一に、全240サンプルを被験者間でランダム化をせずに10分割し、4名ごとのデータセットを10個作成した。機械学習(SVM)モデル作成用データとして9割(36名分)使い、残り1割(4名)の痛みレベルを判別・推定した。すなわち、被験者間判別方法を採用した。使用した特徴量は、実施例8で特定された上位2個(FzまたはFpz)であった。Kernelは放射基底関数を用い、モデルパラメータはCost=10、Gamma=1/2(次元数)を用いた。
10回の交差検定の結果を図38のテーブルに示す。判別精度の範囲は、「62〜83%」であり、平均判別精度は「71.5%」であった。異なる対象者のテストデータを用いた被検者間判別・推定においても、経済的判別・推定モデルは7割の判別精度を越えており、FzまたはFpz、その周辺という特徴量は、疼痛の判別において一般的に有用であり得ることが見いだされた。
実施例8、9では、特徴量に近似関数をフィッティングすることにより特徴量の縮約を行うモデル作成プロセスを検証した。本実施例では、約3万サンプル、特徴量も2倍の約50個を使った、より大規模な判別・推定過程における縮約過程付モデル作成プロセスを検討する。
(参加者)
20代から70代の132名の健常な成人被験者が、高温刺激パラダイムの実験に参加した。参加者らは、実験前にインフォームドコンセントに同意した。全参加者は、神経性および/もしくは精神性の病気、または臨床薬物治療条件下における急性および/もしくは慢性疼痛を経験していないことを自己報告した。本実施例を、大阪大学医学部付属病院の倫理委員会ならびにヘルシンキ宣言による承認下で実施した。
図39に検査で用いた高温刺激ブロックランダムパラダイムの概要を示す。温度刺激システム(Pathway:Medoc Co.,Ltd.,RamatYishai, Israel)を使用して、高温刺激を参加者の右前腕に与えた。高温刺激は、ベースライン温度を36℃とし、3レベルの温度強度(40℃、44℃、48℃)を包含していた。各温度ブロックは2回の刺激からなり、各刺激が15秒間続き、ブロック間隔は20秒であった。1セットは、上記3タイプの熱ブロックを「12:10:10」の比率で64ブッロク含み、検査全体で5セット、計320ブロックが含まれていた。参加者は、コンピュータ化された可視化アナログスケール(COVAS)上で、0から100の範囲(0=「無痛」;100=「耐えられない疼痛」)で疼痛強度を連続的に評価した。COVASデータを刺激強度の変更と同時に記録した。
判別推定で用いる特徴量の抽出過程を図40に示す。1)「EEGデータ収集」は、頭皮上Ag/AgCl7電極(Fp1、Fp2、F3、F4、C3、C4、Pz)から市販の脳波計を用いて行った。導出電極は耳朶とし、左右それぞれの電極を同側の耳朶電極に連結した。帯域周波数は0.3〜120Hz、サンプリング周波数は1000Hzとした。インピーダンスは15KΩ以下を維持するようにした。2)「データの切り出し」は、痛みなし40℃条件と痛みあり48℃条件に限定し、全130名から、各刺激呈示後16秒間、痛みなしサンプル16080個、痛みありサンプル16080個を、計32160サンプルを抽出した。3)「特徴量2種類の選定」は、切り出した脳波エポックの平均絶対振幅と周波数パワーを用いた。データのサンプリング周波数を1000Hzから1024Hzにリサンプリングし(離散フーリエ変換速度をあげるため)、波形のトレンドを除去し、ハニング窓関数をかけたのち、FFT(Fast Fourier Transform)を行った。実数部をlog変換して周波数パワーを算出し、全6帯域(δ、θ、α、β、γ1、γ2)の周波数パワーの平均値を求めた。4)「特徴量の結合」により、各被検者において全49個の特徴量を得た。
判別・推定行う前に、実施例8、9と同様に、図41の過程に従い、特徴量49個のランキングを行った。すなわち、個人ごとに、サンプルを痛みなし、ありの順番に並べて、49個の特徴量をシグモイド関数により近似し、フィッティング指標としてR2値を算出した(S10050)。全被検者の49個の特徴量のR2値の平均値を算出し、特徴量のランキングを行った(S10060)。上位特徴量から順番に、ロジスティック回帰モデルに投入し、5×4分割交差検定により32160サンプルの判別精度を算出した(S10070)。約3万のサンプルを用いた本実施例が、実施例8、9と異なるのは、判別モデルの決定過程(S10080)である。本実施例では、判別モデル選定においても、全判別モデル(すなわち、1特徴量から全49特徴量を使った49モデル)の判別精度の変化パターンにシグモイド関数近似を行い、判別精度改善のゲインが最も高く、かつ特徴量が最も少ないモデルを「経済的判別モデル」の別形態とした。もちろん、最大数の特徴量を用いて最大の判別精度を実現するモデルがある場合のモデル選択を排除するわけではない。
図42A、Bに、全49モデルの判別精度の変化パターンを示す。図42Aは、モデル作成時の5×4分割交差検定の平均判別精度の変化あり、図42Bは、最終テストデータの判別精度の変化を示す。どちらの変化パターンも、特徴量10個から20個の範囲で、第一の変調点を迎え、特徴量30個から40個の範囲で第二変調点を迎える。どちらのデータでも、第一変調エリアの変動幅が相対的に大きい。したがって、図42Cに示すように、最終テストデータを用いて、第二変調エリア直前(1から33特徴量モデル)までの変化をシグモイド関数近似したところ、近似関数の最大値「63.7%」を越えた地点は、特徴量23個を用いた判別モデルであり、「63.8%」の判別精度を示した。また、この変調による判別精度改善のゲインを数式5により算出したところ、「54%」のゲイン、すなわち、全体の判別精度変化の54%の向上がこの特徴量数のエリアで起こっていることが分かった。
[数105]
Gain(%)=(近似精度最大値−近似精度最小値)/(観測精度最大値−観測精度最
小値)×100
図43には、このモデルにおいて投入された23個の特徴量を示す。平均振幅は、Fp1とFp2の前頭前野最前方部の電極のみが含まれているが、周波数パワーにおいても、Fp1とFp2が9個含まれ、全体の40%(9/23)をこの2極で占有した。図42A、Bが示すように、サンプル数が多いと、特徴量を増やすことで判別精度は次第に上昇する可能性はあるが、経済的モデルを用いて判別推定を行う場合は、このような特徴量の選択時と判別モデル選択時における関数近似が有効であることを本実施例は示している。
実施例10では、判別精度の最大ゲインを示す特徴量数を用いて、経済的な判別モデルを用いる方法を示した。一方で、判別モデル精度の後半部においても、第二のシグモイド関数近似の変調を示す地点があり、判別モデル選択方法に更なる改善の余地があることを示している。そこで、実施例11では、特徴量を再度ランキングし、判別精度改善のゲインが高い特徴量を早期に判別モデルに投入することで、シグモイド関数パターンをより強く示す「メイン特徴量」とシグモイド関数パターンを強く示さないがモデルの判別精度に強く貢献する「サポーター特徴量」を効率的に組み合わせる手法を開発した。この手法により、実施例10と同量の特徴量数で、ほぼ最大の判別精度を実現することが可能になった。
判別・推定解析直前までは、実施例10に順じ、下記の過程で行った。
20代から70代の132名の健常な成人被験者が、高温刺激パラダイムの実験に参加した。参加者らは、実験前にインフォームドコンセントに同意した。全参加者は、神経性および/もしくは精神性の病気、または臨床薬物治療条件下における急性および/もしくは慢性疼痛を経験していないことを自己報告した。本実施例を、大阪大学医学部付属病院の倫理委員会ならびにヘルシンキ宣言による承認下で実施した。
図39に検査で用いた高温刺激ブロックランダムパラダイムの概要を示す。温度刺激システム(Pathway:Medoc Co.,Ltd.,RamatYishai, Israel)を使用して、高温刺激を参加者の右前腕に与えた。高温刺激は、ベースライン温度を36℃とし、3レベルの温度強度(40℃、44℃、48℃)を包含していた。各温度ブロックは2回の刺激からなり、各刺激が15秒間続き、ブロック間隔は20秒であった。1セットは、上記3タイプの熱ブロックを「12:10:10」の比率で64ブロック含み、検査全体で5セット、計320ブロックが含まれていた。参加者は、コンピュータ化された可視化アナログスケール(COVAS)上で、0から100の範囲(0=「無痛」;100=「耐えられない疼痛」)で疼痛強度を連続的に評価した。COVASデータを刺激強度の変更と同時に記録した。
判別推定で用いる特徴量の抽出過程を図40に示す。1)「EEGデータ収集」は、頭皮上Ag/AgCl7電極(Fp1、Fp2、F3、F4、C3、C4、Pz)から市販の脳波計を用いて行った。導出電極は耳朶とし、左右それぞれの電極を同側の耳朶電極に連結した。帯域周波数は0.3〜120Hz、サンプリング周波数は1000Hzとした。インピーダンスは15KΩ以下を維持するようにした。2)「データの切り出し」は、痛みなし40℃条件と痛みあり48℃条件に限定し、全132名から、各刺激呈示後16秒間、痛みなしサンプル16080個、痛みありサンプル16080個を、計32160サンプルを抽出した。3)「特徴量2種類の選定」は、切り出した脳波エポックの平均絶対振幅と周波数パワーを用いた。データのサンプリング周波数を1000Hzから1024Hzにリサンプリングし(離散フーリエ変換速度をあげるため)、波形のトレンドを除去し、ハニング窓関数をかけたのち、FFT(Fast Fourier Transform)を行った。実数部をlog変換して周波数パワーを算出し、全6帯域(δ、θ、α、β、γ1、γ2)の周波数パワーの平均値を求めた。4)「特徴量の結合」により、各被検者において全49個の特徴量を得た。
実施例10と同様に、図44の過程S10050、S10070に従い、特徴量49個の最初のランキングと判別推定を行った。個人ごとに、サンプルを痛みなし、ありの順番に並べて、49個の特徴量をシグモイド関数により近似し、フィッティング指標としてR2値を算出した(S10050)。全被検者の49個の特徴量のR2値の平均値を算出し、特徴量のランキングを行った(S10060)。上位特徴量から順番に、ロジスティック回帰モデルに投入し、5×4分割交差検定により32160サンプルの判別精度を算出した(S10070)。実施例11では、この後に、n−1特徴量数モデルとn特徴量数モデルの隣接モデルの判別精度の差分値(Diff)を算出し、最高ランクの特徴量(メイン単独特徴量)、もしくはメイン単独特徴量と有意な相関を示すメイン特徴量群以外を再度ランキングしなおした(S10070−1)。その後、1つずつ特徴量を増やしながら判別推定を行い(S10070−2)、判別モデルの決定を行った(S10080)。
図45に、再ランキング後の判別精度の違いを示す。判別モデル作成時点の精度(交差検定時点;図45A)においても、テストデータによる検証時点の精度(図45B)においても、R2値による最初のランキングに比べ、10〜15個の同程度の特徴量数で判別精度の天井効果が生じている。また、差分値により再ランキングを1〜3回行った場合では、2回目のランキング時に10〜15個の特徴量数で、ほぼ天井に到達していた。
本実施例では、ハイパーパラメータに基づいた縮約過程を実施する(図49を参照)。
(材料および手順)
大まかには図49に記載した通りである。
1)機械学習による特徴量係数の決定:機械学習(LASSOなど)を用いて、サンプルデータの判別精度が最も高くなるハイパーパラメータ値(λなど)を決定する。
2)特徴量の重みづけ係数の決定、ならびに縮約:ハイパーパラメータに基づいた特徴量係数の決定により、判別に無効、もしくは寄与率が低い特徴量を除外する。
3)縮約した特徴量集合による判別モデルの決定と検証:選抜された特徴量だけを判別モデルに投入し、学習データを使って判別モデルを機械学習で再構築し、テストデータの判別精度を検証する。
上記手順を以下に詳述する。
図49に基づくと、例えば、実施例13に示すように、164名のデータを学習データ163名とテストデータ1名に分ける。次に学習データを10分割し、9割のデータを用いて交差検定を繰り返し、1割のサンプルのLASSO近似が最小となる平均二乗誤差に基づきλを決定し、モデルで使う特徴量と係数を決定する。
本実施例では、バックワードエリミネーションサンプリングにより、すなわち、サンプル全部から徐々に正答率が悪いサンプル(被験者)を排除する方法を実施した。
本実施例では、バックワードエリミネーションサンプリングという方法で、徐々にサンプルを減らして判別精度を上げる精緻化法を実証した。本手法は、判別精度向上法の一種として用いた方法であり、これまでの縮約方法が、判別精度の向上に有効な特徴量だけを選ぶ、特徴量ベースの縮約付判別モデル作成法であるのに対し、本方法は、特徴量の選抜を行うと同時に、判別精度の向上に関与しないサンプルを徐々にモデルから除外することで判別モデルのプロトタイプを作成する方法である。初期の痛み判別装置で使う判別モデルのプロトタイプの作成には、痛みを感じたときの脳波特徴量の変化が見られる対象者に基づき”模範モデル”を作成することである。そこで急性神経性疼痛(電気痛)の2レベル(「痛い、痛くない」)の判別に係る痛み実験を行った。
(参加者)
164名(20〜70代)の健常な成人被検者が、電気刺激パラダイムの実験に参加した。参加者らは、実験前にインフォームドコンセントに同意した。全参加者は、神経性および/もしくは精神性の病気、または臨床薬物治療条件下における急性および/もしくは慢性疼痛を経験していないことを自己報告した。本実施例を、大阪大学医学部付属病院の倫理委員会ならびにヘルシンキ宣言による承認下で実施した。
電気刺激呈示装置(Painvision、ニプロ社)を用いて、右前腕腹部に電気刺激を与えた。個人ごとに、電気刺激の低(痛くない)、中(痛い)、高レベル(大変痛い)の閾値を特定し、連続的に15秒間、3回呈示した。レベル間の時間間隔は100秒であった。被検者は、実験中、痛みの不快度を連続評定した(評価範囲:0〜100)。脳波データは、前頭部(Fp1、Fp2、F3、F4)、中央部(C3、C4)、頭頂部(Pz)の7電極から記録した。リファレンス電極は、左右の耳朶に設置し、アース電極は前額に設置した。サンプリング周波数は、1000Hz、記録した帯域周波数は、0.5〜120Hzであった。電極インピーダンスは15KΩであった。
全時間の脳波データを使い、眼球運動(EOG)変化を7電極を用いた主成分分析で特定し(第1成分)、1〜30Hzでフィルターをかけて低周波と高周波を除いてクリーニングした後、EOG成分を用いて元の脳波データを回帰分析し、EOG成分の減衰を行った。その波形に30Hzのローパスフィルターをかけて、筋電位ノイズを低減した。例えば、このプロセスにより、ある被検者では、記録時の脳波電位パワーが約40%まで減衰した。その後、各レベルの電気刺激呈示後15秒間の3種類の脳波特徴量(絶対平均振幅、電位相関、エントロピー)を抽出した、周波数パワーの特徴量は、30Hzのローパスフィルターをかけないデータを用いて、δ(1−3Hz)、θ(4−7Hz)、α(8−13Hz)、β(14−30Hz)、γ(31−100Hz)の5帯域の特徴量を各電極で抽出した。これにより、全部で53個の特徴量を得た。各パラダイムのデータごとに、各特徴量内で全被検者サンプルをz値変換した。
判別推定は、「不快な痛みがある(レベル3)・なし(レベル1)」の2分類とした。図46に示したように。判別には重回帰モデルを使い、LASSOアルゴリズムにより、学習データ(n−1名データ)から特徴量の係数を10分割交差検定とモデル近似の平均最小二乗値を出力するλ値を特定し、判別モデルの特徴量係数と切片を決定した。判別モデルを作成した後、テストデータ(1名データ)の判別推定を人数分、164回繰り返し行った。その後、判別精度がチャンスレベル以上(>50%)の被験者に限定して残し、上記のプロセスを繰り返して判別モデルの精緻化を段階的に行った。精緻化前モデルと最終モデルにおいて、テストデータのラベルをランダム化したサンプルの判別精度を算出し、実測データの判別精度と比較した。
第一段階における全164名の被検者の平均判別精度は「62±26%」であり、痛みラベルをランダム化した場合の「52±19%」に比べ、約10%高くなっていた。そこで、判別精度を向上させる手続きを繰り返し判別精度の精緻化をしたところ、第2段階(n=112、判別精度:76±20%)、第3段階(n=103、判別精度:80±18%)、第4段階(n=100、判別精度:80±17%)、第5段階(n=99、判別精度:81±17%)まで精度が向上した。この最終モデルは、ランダム化したサンプルの判別精度「55±17%」に比べ26%高かった(対応があるt検定:t=17.86、df=98、p<0.0001)。上記の結果から、不快度が相対的に低い電気刺激の痛みの2分類に関しても、モデルを精緻化することで、判別精度を80%まで向上できることが実証された。
医療機器としてSaas型のサービスとした場合の実装例を説明する(図52)。
まず、端末側は以下のとおりである。
1.脳波データの取り込み:C1とD1ともに標準装備
SaaSとしてクラウドまたはサーバから提供するものは以下のとおりである。(図52に示すように、特徴量の抽出はクラウド側で行いうる)
2.特徴量の抽出: 標準(電位、周波数、電位相関、エントロピー)
オプション(その他、判別精度を上げる特徴量)
3.痛み判別モデル:標準(標準搭載の一般的判別モデル)
オプション1(テーラーメイド判別モデル、
モデル作成の程度により料金が変わる)
オプション2(施設専用判別モデルの作成)
オプション3(クライアント希望設定)
オプション4(クライアント自身でモデル作成可能)
オプション5(判別モデルの作成個数の増大)
4.判別モデル改善 オプション1(期間1年、年1〜2回)
オプション2(期間1年、1、2ヶ月に1回)
オプション3(期間延長、年1、2回)
オプション4(期間延長+1、2ヶ月に1回)
5.データ保存 標準(クラウドに10Gバイトまで)
オプション1(クラウドに1Tバイト増量)
オプション2(クラウドにパラメ−タ設定して分割保存)
オプション3(クラウドに判別モデル別に保存)
データを保存して、販売されたすべての装置からデータを吸い上げてビッグデータを作り、判別モデルを継時的に更新したり、新たなモデルを構築して、例えば、「やけど疼痛判別モデル」とかのように新たなアプリケーションを提供することができる。
6.データ解析オプション:患者のパターン分類(判別精度や特徴量のパターン変化に基づき、患者クラスターを探索する)
痛みモニタリングを始める前に、リファレンス痛み刺激を対象に複数呈示し、脳波データ測定部110000で脳波データを記録する。記録データをデータ送受信部120000から125000に送り、脳波特徴量抽出部140000で標準特徴量(電位、周波数、電位相関、エントロピー)、もしくはオプション特徴量を抽出し、痛みのラベル(痛い、痛くないなど)を付与する。抽出した特徴量を疼痛判別モデル生成部160000に送り、標準の一般的判別アルゴリズムを用いて判別モデルプロトタイプを作成する。この時に実施例で説明した縮約過程を使い、最も判別精度が高いモデル(判別MAXモデル)を決定する。このモデルを疼痛レベル判別推定部150000に格納し、判別精度を疼痛レベル可視化部130000に表示して、リアルタイムモニタリングの準備段階とする。例えば、モデル作成時に、オプションとして、テーラーメイド判別モデル作成を装置に実装した場合、脳波データベース180000から、モニタリング対象者の情報を基に類似被検者の脳波データを選択してデータ送受信部125000を経由して脳波特徴量抽出部140000に送り、痛みレベルの特徴量を抽出して、疼痛判別モデル生成部160000で精緻化前の判別モデルを作成する。プログレッシブサンプリングのプロセスに基づけば、テストデータをモニタリング対象者のサンプルデータとして、最も判別精度が高くなるモデルサンプルセットを得て判別モデルのプロトタイプを作成し、疼痛レベル判別推定部150000に格納する。
病院内隔離施設の場合の例を説明する。実施例14に準じて説明する。
病院内隔離施設では、図53に示すように、工夫が必要である。
実施例15では、診断時においてクラウドサービスが利用できないような限定された状況のSaaSに関して説明する。標準の一般的アルゴリズムを用いた判別MAXモデル作成以外に、例えば、脳波データベース180000オプションとテーラーメイド判別モデルオプションを実装した最高精度の疼痛モニタリング状況を具体的に説明する。痛みモニタリングを始める前に、クラウド環境で、脳波データベース180000から、モニタリング対象者の一般、臨床情報を基に類似被検者の脳波データを選択し、データ送受信部125000を経由して脳波特徴量抽出部140000に送り、痛みレベルの特徴量を抽出して、データ保存部170000に保存しておく。また、対象者にリファレンス刺激を事前に呈示した時の脳波データを脳波データ測定部110000で記録し、データ送受信部120000と125000を介して脳波特徴量抽出部145000に送り特徴量を抽出し、データ保存部170000に保存しておく。モニタリング対象者のテスト用サンプルデータとデータベースから得たモデル作成用データを疼痛判別モデル生成部160000に送り、プログレッシブサンプリングに基づき、対象者のサンプルデータの判別精度が最も高くなる判別モデルのプロトタイプを作成し、送受信部125000と120000を介して、疼痛レベル判別推定部150000に格納する。
本実施例では、テイラーメイド痛み判別推定法を行った。この推定法は、個別モデルを複数作成し、判別精度が最も高い「判別MAXモデル」(本明細書にいう判別最大モデル)を個人ごとに決定する方法である。この判別MAXモデルは、のちの改良テイラーメイド法では「メインモデル」と概念化される。以下に手順を示す。
(対象者)
20代から70代の132名の健常な成人被験者が、高温刺激パラダイムの実験に参加した。参加者らは、実験前にインフォームドコンセントに同意した。全参加者は、神経性および/もしくは精神性の病気、または臨床薬物治療条件下における急性および/もしくは慢性疼痛を経験していないことを自己報告した。本実施例を、大阪大学医学部付属病院の倫理委員会ならびにヘルシンキ宣言による承認下で実施した。
図54に検査で用いた高温刺激ブロックランダムパラダイムの概要を示す。温度刺激システム(Pathway:Medoc Co.,Ltd.,RamatYishai, Israel)を使用して、高温刺激を参加者の右前腕に与えた。高温刺激は、ベースライン温度を36℃とし、3レベルの温度強度(40℃、44℃、48℃)を包含していた。各温度ブロックは2回の刺激からなり、各刺激が15秒間続き、ブロック間隔は20秒であった。1セットは、上記3タイプの熱ブロックを「12:10:10」の比率で64ブッロク含み、検査全体で5セット、計320ブロックが含まれていた。参加者は、コンピュータ化された可視化アナログスケール(COVAS)上で、0から100の範囲(0=「無痛」;100=「耐えられない疼痛」)で疼痛強度を連続的に評価した。COVASデータを刺激強度の変更と同時に記録した。
判別推定で用いる特徴量の抽出過程を図55に示す。1)「EEGデータ収集」は、頭皮上Ag/AgCl7電極(Fp1、Fp2、F3、F4、C3、C4、Pz)から市販の脳波計を用いて行った。導出電極は耳朶とし、左右それぞれの電極を同側の耳朶電極に連結した。帯域周波数は0.3〜120Hz、サンプリング周波数は1000Hzとした。インピーダンスは15KΩ以下を維持するようにした。2)「データの切り出し」は、痛みなし40℃条件と痛みあり48℃条件に限定し、全130名から、各刺激呈示後16秒間、痛みなしサンプル16080個、痛みありサンプル16080個を、計32160サンプルを抽出した。3)「特徴量2種類の選定」は、切り出した脳波エポックの平均絶対振幅と周波数パワーを用いた。データのサンプリング周波数を1000Hzから1024Hzにリサンプリングし(離散フーリエ変換速度をあげるため)、波形のトレンドを除去し、ハニング窓関数をかけたのち、FFT(Fast Fourier Transform)を行った。実数部をlog変換して周波数パワーを算出し、全6帯域(δ、θ、α、β、γ1、γ2)の周波数パワーの平均値を求めた。4)「特徴量の結合」により、各被検者において全49個の特徴量を得た。
手順1:Cross Validationにより全サンプルにおけるハイパーパラメータ(サポートベクターマシンの場合はC、γ)を決定した(図57)。
本実施例では、痛みなしベクターと痛みありベクターが16080個ずつある。SVMは、両群を分ける分類器(超平面)からマージンが最大になるような両群のポイントベクター(すなわち、サポートベクター)を、カーネルと呼ばれる分類関数(ここでは、ガウス関数)を用いてみつける。最適化問題を解くために、罰則項(C)とγパラメータ(カーネル内)を含んだ正則化を交差検定を用いて行う。手順1では、全サンプルを用いてSVMを行った。実際には、データを5分割し、交差検定を行い、ハイパーパラメータC=2とγ=0.125を決定し、単一判別モデルを作成した。
手順2:手順1のハイパーパラメータを用いて、全サンプルからモデルを作成し、個人レベルの判別精度を算出した(図58)。
手順1により、単一モデルのハイパーパラメータC=2、γ=0.125が決定したので、このモデルを用いて個人ごとに痛みレベルを判別推定した。その結果をプロットしたのが図58である。
手順2で得られた個人の判別精度に基づき降順で被験者を並び替え、10名を1グループとして、2名ずつずらしながら、全62グループ(すなわち、作成する個別モデル数)を得た。手順4:CVにより各グループのハイパーパラメータを決定した(図60)。
手順3で得られた62グループに対し、手順1のSVMを個別に行い、各グループのハイパーパラメータを決定し、62個の個別判別モデルを作成した。
手順5:手順4で求めたハイパーパラメータを用いて、各グループのサンプルからモデルを作成し、個人レベルの判別精度を算出し、「判別MAXモデル」を特定した(図61)。
手順4で得られた62個のモデルを使って、個人の痛みレベルサンプルを判別推定し、個人ごとに最も判別精度が高いモデル(「判別MAXモデル」)を決定した。
図61に結果を示す。全サンプルによる単一判別モデルの精度関数は、精度90%の対象から精度40%の対象者まで連側的に低下しているのに対し、個人に合わせた判別MAXモデルの判別精度は精度の低下が抑制され、最低でも60%でとどまった。全132名の被験者の判別精度は、単一モデルが64%程度に対し、MAXモデルでは約13%向上し、77%に到達した。
本実施例では、判別モデル組み合わせ技術(アンサンブル法)による判別精度向上の実施例を実施した。この方法の特徴は、個別モデルを判別精度で並べ替え、順番に従い、判別モデルを連続的に増やしながら、判別結果の多数決により判別モデルセットを決定する点である。
(対象者)
20代から70代の132名の健常な成人被験者が、高温刺激パラダイムの実験に参加した。参加者らは、実験前にインフォームドコンセントに同意した。全参加者は、神経性および/もしくは精神性の病気、または臨床薬物治療条件下における急性および/もしくは慢性疼痛を経験していないことを自己報告した。本実施例を、大阪大学医学部付属病院の倫理委員会ならびにヘルシンキ宣言による承認下で実施した。
実施例16と同様で、高温刺激ブロックランダムパラダイムを用いた(図54)。温度刺激システム(Pathway:Medoc Co.,Ltd.,RamatYishai, Israel)を使用して、高温刺激を参加者の右前腕に与えた。高温刺激は、ベースライン温度を36℃とし、3レベルの温度強度(40℃、44℃、48℃)を包含していた。各温度ブロックは2回の刺激からなり、各刺激が15秒間続き、ブロック間隔は20秒であった。1セットは、上記3タイプの熱ブロックを「12:10:10」の比率で64ブッロク含み、検査全体で5セット、計320ブロックが含まれていた。参加者は、コンピュータ化された可視化アナログスケール(COVAS)上で、0から100の範囲(0=「無痛」;100=「耐えられない疼痛」)で疼痛強度を連続的に評価した。COVASデータを刺激強度の変更と同時に記録した。
判別推定で用いる特徴量の抽出過程を図55に示す。1)「EEGデータ収集」は、頭皮上Ag/AgCl7電極(Fp1、Fp2、F3、F4、C3、C4、Pz)から市販の脳波計を用いて行った。導出電極は耳朶とし、左右それぞれの電極を同側の耳朶電極に連結した。帯域周波数は0.3〜120Hz、サンプリング周波数は1000Hzとした。インピーダンスは15KΩ以下を維持するようにした。2)「データの切り出し」は、痛みなし40℃条件と痛みあり48℃条件に限定し、全130名から、各刺激呈示後16秒間、痛みなしサンプル16080個、痛みありサンプル16080個を、計32160サンプルを抽出した。3)「特徴量2種類の選定」は、切り出した脳波エポックの平均絶対振幅と周波数パワーを用いた。データのサンプリング周波数を1000Hzから1024Hzにリサンプリングし(離散フーリエ変換速度をあげるため)、波形のトレンドを除去し、ハニング窓関数をかけたのち、FFT(Fast Fourier Transform)を行った。実数部をlog変換して周波数パワーを算出し、全6帯域(δ、θ、α、β、γ1、γ2)の周波数パワーの平均値を求めた。4)「特徴量の結合」により、各被検者において全49個の特徴量を得た。
手順1〜5までは、実施例16と同じであるので、上記を参照されたい(図63)。手順6以降を以下で説明する。
手順6:モデル62個をひとずつ使った判別精度でモデルを降順に並べ替えた。
各個人で、62モデルによる判別推定結果が算出されるので、精度によりモデルを降順に並べ替える。
手順7:判別モデルを1個ずつ増やし、 「アンサンブル法」により判別精度を算出し、判別精度が最も高い判別モデル数を採用した(「アンサンブル枝刈り」)。
(対象者1)
図66に、対象者1のアンサンブル法による判別モデル決定結果を示す。単一の判別MAXでは63%の判別精度であったが、アンサンブル法により15個のモデルセットを使うと判別精度が7%向上し、ほぼ70%の判別精度を実現した。
図67に、対象者2のアンサンブル法による判別モデル決定結果を示す。単一の判別MAXでは78%の判別精度であったが、アンサンブル法により、4個のモデルセットを使うと判別精度が7%向上し、85%の判別精度を実現した。
図68に、全対象者のアンサンブル法による判別推定結果のまとめを示す。全サンプルを用いた単一モデルの64%に比べ、実施例16の判別MAXモデルは13%程、精度が向上したが、今回のアンサンブル法ではさらに3%程、精度が向上した。
本実施例では、判別モデル組み合わせ技術(アンサンブル法)による判別精度向上の例を実施した。この方法の特徴は、個別モデルを判別精度で並べ替え、判別精度が最大のモデルを「メインモデル」、残りを、判別を微調整する「サポーターモデル」として概念区分し、メインモデルは固定しつつ、サポーターモデルを網羅的に1個ずつ投入して、判別精度を向上する点である。
(対象者)
20代から70代の132名の健常な成人被験者が、高温刺激パラダイムの実験に参加した。参加者らは、実験前にインフォームドコンセントに同意した。全参加者は、神経性および/もしくは精神性の病気、または臨床薬物治療条件下における急性および/もしくは慢性疼痛を経験していないことを自己報告した。本実施例を、大阪大学医学部付属病院の倫理委員会ならびにヘルシンキ宣言による承認下で実施した。
実施例16と同様で、高温刺激ブロックランダムパラダイムを用いた(図54)。温度刺激システム(Pathway:Medoc Co.,Ltd.,RamatYishai, Israel)を使用して、高温刺激を参加者の右前腕に与えた。高温刺激は、ベースライン温度を36℃とし、3レベルの温度強度(40℃、44℃、48℃)を包含していた。各温度ブロックは2回の刺激からなり、各刺激が15秒間続き、ブロック間隔は20秒であった。1セットは、上記3タイプの熱ブロックを「12:10:10」の比率で64ブロック含み、検査全体で5セット、計320ブロックが含まれていた。参加者は、コンピュータ化された可視化アナログスケール(COVAS)上で、0から100の範囲(0=「無痛」;100=「耐えられない疼痛」)で疼痛強度を連続的に評価した。COVASデータを刺激強度の変更と同時に記録した。
判別推定で用いる特徴量の抽出過程を図55に示す。1)「EEGデータ収集」は、頭皮上Ag/AgCl7電極(Fp1、Fp2、F3、F4、C3、C4、Pz)から市販の脳波計を用いて行った。導出電極は耳朶とし、左右それぞれの電極を同側の耳朶電極に連結した。帯域周波数は0.3〜120Hz、サンプリング周波数は1000Hzとした。インピーダンスは15KΩ以下を維持するようにした。2)「データの切り出し」は、痛みなし40℃条件と痛みあり48℃条件に限定し、全130名から、各刺激呈示後16秒間、痛みなしサンプル16080個、痛みありサンプル16080個を、計32160サンプルを抽出した。3)「特徴量2種類の選定」は、切り出した脳波エポックの平均絶対振幅と周波数パワーを用いた。データのサンプリング周波数を1000Hzから1024Hzにリサンプリングし(離散フーリエ変換速度をあげるため)、波形のトレンドを除去し、ハニング窓関数をかけたのち、FFT(Fast Fourier Transform)を行った。実数部をlog変換して周波数パワーを算出し、全6帯域(δ、θ、α、β、γ1、γ2)の周波数パワーの平均値を求めた。4)「特徴量の結合」により、各被検者において全49個の特徴量を得た。
手順1〜5までは、実施例16と同じであるので、上記を参照されたい(図63)。手順6以降を以下で説明する(図69)。
手順6A:モデル62個をひとずつ使った判別精度でモデルを降順に並べ替えた。この手続きは、実施例17と同じであり、個人ごとに、判別MAXモデルをトップにモデルの判別精度が徐々に低下する。
手順7A:判別MAXモデルを「メインモデル」とし、残りの「サポーターモデル」を1個ずつ網羅的に加えて、判別精度を段階的に向上させた。
(対象者1)
図71に基づいて説明すると以下のとおりである。
対象者1は、実施例17のアンサンブル法1では、3モデルを用いると76%の判別精度であったが、本実施例のアンサンブル法2では、9モデルで83%まで精度が向上した。
対象者2は、アンサンブル法1では、5モデルを用いると70%の判別精度であったが、今回のアンサンブル法2では、15モデルで75%まで精度が向上した。
対象者3は、アンサンブル法1では、8モデルを用いると86%の判別精度であったが、本実施例のアンサンブル法2では、9モデルで91%まで精度が向上した。
対象者4は、アンサンブル法1では、9モデルを用いると82%の判別精度であったが、アンサンブル法2では、9モデルで85%まで向上した。
図72に示すように、本実施例のアンサンブル法2は、実施例17のアンサンブル法1(80%)に比べて、さらに約3%判別精度が向上し、「約83%」の判別精度に到達した。アンサンブル法の間でも、本実施例のアンサンブル法2はさらに精度の向上があったが、判別MAXの単一モデル(76%)に比べると7%の精度向上、さらに全62モデルを使ったアンサンブル法(66%)より17%、全サンプルの単一判別モデル(64%)より19%の向上があった。
本実施例では、判別モデル組み合わせ技術(アンサンブル法)による判別精度向上の例を実施した。この方法の特徴は、オンラインの疼痛モニタリング時を想定し、個人のサンプルデータをダミーの「リファレンスサンプル」と「モニタリングサンプル」に分け、リファレンスサンプルに基づきアンサンブル判別モデルを決定した後、モニタリングサンプルがどの程度、正しく判別できるかを試した。
(対象者)
20代から70代の132名の健常な成人被験者が、高温刺激パラダイムの実験に参加した。参加者らは、実験前にインフォームドコンセントに同意した。全参加者は、神経性および/もしくは精神性の病気、または臨床薬物治療条件下における急性および/もしくは慢性疼痛を経験していないことを自己報告した。本実施例を、大阪大学医学部付属病院の倫理委員会ならびにヘルシンキ宣言による承認下で実施した。
高温刺激ブロックランダムパラダイムを用いた(図54)。温度刺激システム(Pathway:Medoc Co.,Ltd.,RamatYishai, Israel)を使用して、高温刺激を参加者の右前腕に与えた。高温刺激は、ベースライン温度を36℃とし、3レベルの温度強度(40℃、44℃、48℃)を包含していた。各温度ブロックは2回の刺激からなり、各刺激が15秒間続き、ブロック間隔は20秒であった。1セットは、上記3タイプの熱ブロックを「12:10:10」の比率で64ブッロク含み、検査全体で5セット、計320ブロックが含まれていた。参加者は、コンピュータ化された可視化アナログスケール(COVAS)上で、0から100の範囲(0=「無痛」;100=「耐えられない疼痛」)で疼痛強度を連続的に評価した。COVASデータを刺激強度の変更と同時に記録した。
判別推定で用いる特徴量の抽出過程を図55に示す。1)「EEGデータ収集」は、頭皮上Ag/AgCl7電極(Fp1、Fp2、F3、F4、C3、C4、Pz)から市販の脳波計を用いて行った。導出電極は耳朶とし、左右それぞれの電極を同側の耳朶電極に連結した。帯域周波数は0.3〜120Hz、サンプリング周波数は1000Hzとした。インピーダンスは15KΩ以下を維持するようにした。2)「データの切り出し」は、痛みなし40℃条件と痛みあり48℃条件に限定し、全130名から、各刺激呈示後16秒間、痛みなしサンプル16080個、痛みありサンプル16080個を、計32160サンプルを抽出した。3)「特徴量2種類の選定」は、切り出した脳波エポックの平均絶対振幅と周波数パワーを用いた。データのサンプリング周波数を1000Hzから1024Hzにリサンプリングし(離散フーリエ変換速度をあげるため)、波形のトレンドを除去し、ハニング窓関数をかけたのち、FFT(Fast Fourier Transform)を行った。実数部をlog変換して周波数パワーを算出し、全6帯域(δ、θ、α、β、γ1、γ2)の周波数パワーの平均値を求めた。4)「特徴量の結合」により、各被検者において全49個の特徴量を得た。
追加手順前の、個別判別モデル(推定法1、推定法2、もしくは推定法3のいずれか)(を作成する手順は、実施例16における手順1〜4と同じであるので、上記を参照されたい(図63)。追加手順1以降を以下で説明する(図73)。
個人の全サンプル(n個)をリファレンスサンプル(m個)とテストサンプル(n−m個)に分割した。
m個のリファレンスサンプルを使って、最適なリファレンス判別モデルを決定した。
具体的には、手順1〜4で作成された各個別判別モデル(62個)にリファレンスサンプルを投入し、判別推定を行った。その際、比較のため、判別最大(MAX)モデルだけを使う場合(推定法1)、判別MAXモデルに残りモデルを組み合わせる推定法2、もしくは3を行い、最高精度の判別モデルを決めた。実際の疼痛モニタリング場面では、この過程は疼痛判別・推定モデル生成部203000(図77)の疼痛判別モデルランキング部203300とアンサンブル疼痛判別モデル作成部203400で行われる。
作成されたリファレンス判別モデルを使って、n−m個のテストサンプルで判別推定の検証を行った。
(対象者1名の個人結果)
図74に対象者1名の結果を示す。各グラフの横軸は、リファレンスサンプル(m個)として用いられた数であり、縦軸は判別精度(%)を示す。全サンプルを用いた単一モデルは、一貫して、相対的に低い判別精度(60%程度)に比して、他の3モデルは、異なる判別精度の変化パターンを示している。リファレンスサンプルの判別精度は、3モデル全てで、サンプル数50ぐらいまでに急速な低下が起こり落ち着く。つまり、リファレンス刺激として用いる数は「50個」ぐらいまでで充分である可能性が高い。一方、リファレンスサンプルにより決定された判別モデルによるテストデータの判別精度は、緩やかな上昇を示し、サンプル数の変化に応じて急激な変化が見られなかった。この結果から、リファレンス刺激を50個以下で呈示し、判別モデルを作成すれば、実際の疼痛モニタリングでも有効に使える可能性が個人レベルでも確認できたと言える。
図75に、全132名の平均判別精度の変化パターンを示す。各グラフの横軸は、リファレンスサンプル数(m個)数であり、縦軸は判別精度(%)を示す。図74の個人の結果と同様のパターンが全132名の平均データでも見られている。全サンプルモデルは、一貫して、低い判別精度60%程度を維持しており、これはリファレンスとテストサンプルで差が見られない。他の3モデルに関しては、リファレンスサンプルの判別精度は、共通してサンプル数50ぐらいまでに急速な低下が起こり、その後は落ち着いている。やはり、リファレンス刺激として用いる数は50個を上限にすれば充分である可能性が高い。一方、リファレンス判別モデルによるテスト判別精度は、アンサンブル法1(実施例17)以外は、サンプル数50個当たりまでに、反比例的に上昇を示した。この結果から、リファレンス刺激を上限50個で呈示し判別モデル作成する有効性が、全132名の分析からも確認できたと言える。下限については、例えば、なしの2レベルの場合、20個、3レベルの場合は、30個ぐらいと想定されるがそれに限定されない。
図76に、リファレンスサンプル数10個と50個でアンサンブルモデルを作成し、テストデータを判別推定した結果をまとめた。全サンプルの単一モデルとアンサンブル法1(実施例17)は、リファレンスサンプル数が増えても、テスト判別精度は類似していた(単一モデル:63.9−>63.9%、アンサンブル1:73.8−>73.0%)。一方、アンサンブル法2(実施例18)は5%程度、精度が向上し(70.2−>74.9%)、判別MAXは4%ほど精度が向上した(67.7−>71.7%)。
本実施例では、図79に示す処理に基づき、優先される脳波特徴量およびその相関を決定した。
(参加者)
20代から70代の40名の健常な成人被験者の同じグループが、高温刺激パラダイムの実験に参加した。参加者らは、実験前にインフォームドコンセントに同意した。全参加者は、神経性および/もしくは精神性の病気、または臨床薬物治療条件下における急性および/もしくは慢性疼痛を経験していないことを自己報告した。本実施例を、大阪大学医学部付属病院の倫理委員会ならびにヘルシンキ宣言による承認下で実施した。
図81に検査で用いた高温刺激パラダイムの概要を示す。温度刺激システム(Pathway:Medoc Co.,Ltd.,RamatYishai, Israel)を使用して、高温刺激を参加者の右前腕に与えた。高温刺激は、6レベルの温度強度(40℃〜50℃の2℃ずつ上昇)を包含していた。各温度レベルは3回の刺激からなり、各刺激は、5秒間持続するプラトー(刺激呈示時間)を有し、高温刺激は6レベル用い、基準温度(35℃)からの上昇および下降待機時間は、約10秒であった。各レベルにおける3回の刺激の後、ブロック間間隔は100秒間持続した。参加者は、コンピュータ化された可視化アナログスケール(COVAS)上で、0から100の範囲(0=「無痛」;100=「耐えられない疼痛」)で疼痛強度を連続的に評価した。COVASデータを刺激強度の変更と同時に記録した。また、以下のパラメータを用いた。
・特徴量:各レベル3刺激(15秒間)の平均振幅と
平均周波数パワー(δ、θ、α、β、γ)
・判別レベル:痛み弱(レベル1〜3)と痛み強(レベル4〜6)
・サンプル数:強弱×レベル3つ×40名=240
(EEG分析)
(振幅の特徴量抽出)
高温刺激条件における連続的なEEGデータは、眼球運動ノイズ(EOG)を減衰するため、以下の回帰フィルターを適用した:
[数301]
生EEG=β×EOG+C
推定EEG=生EEG−β×EOG
β:回帰係数
C:切片
推定EEG:推定されたEEG
周波数解析では、EOG補正処理を行わずに、各レベルの刺激ごとに、刺激開始から刺激呈示後15秒までの脳波データを切り出した。フーリエ変換を行った後、周波数パワー(実数部のlog10変換データ)を算出した。δ(1−3Hz)、θ(4−7Hz)、α(8−13Hz)、β(14−30Hz)、γ(31−100Hz)ごとに、パワーの平均値をレベルごとに算出し、全レベルのデータを用いて個人ごとに最大値で標準化し、周波数特徴量とした(4電極×5帯域=20個)。
参加者40名の高温刺激の判別を、Support Vector Machine (SVM)を用いて行った(Guyon I, Weston J, Barnhill S, & Vapnik V. Gene selection for cancer classification using Support Vector Machine. Machine Learning 46, 389−422, 2002)(図79)。図79に示すように、特徴量は「24個」(個人内で標準化済み)利用し、疼痛レベルは、「2レベル(痛みあり・痛みなし)」に設定した。特徴量のランキングとして、24個の脳波特徴量のランキングを行った。判別アルゴリズムの決定は、ガウスカーネルを用いて「1個抜き交差検証」を行い、最も判別精度が高い特徴の組み合わせを見つけることで行った。ランダム化テスト(1000回)は、最も判別精度が高い特徴量数を用いて、不快度のラベルをランダム化し、偶然レベルの判別精度を算出することで行った(上位95%以上を占める場合、有意な判別精度とした)。データ解析には統計ソフトウェアパッケージのR、ならびにSVM−RFEのR−code(http://github.com/johncolby/SVM−RFE)を用いた。詳細な流れは、図79のとおりであり、具体的には、以下に示すとおりである。
[数302]
Y=1/e-ax
a:ゲイン
[数303]
Y = 0 if x < a
Y = 1 if x > a
[数304]
放射基底関数:
G(x1,x2)=exp(−|x1−x2|2)
G:放射基底(ガウス)関数
x:データポイント
exp:指数関数。
図82に24特徴量のランキングリストと上位特徴量を降順に示す。全部の特徴量24個を使った判別モデルに比して、経済的痛み判別・推定モデルでは、たった2つのシグモイド近似がより高い上位特徴量2個を使うだけで、「71.3%」の痛み2レベルの判別精度を示すことが分かった。
本発明の縮約は、2項分類の例で示されるように「0、1」の2値の間で変化するシグモイドやステップ関数を使って、できる限りこれにフィットする特徴量を選ぶ過程である。この場合、「0、1」に分けることが目的のため、「0、1」応答する特徴量を見つけるのが望ましいという単純な考えに基づく。ランキング上位の特徴から選んでモデルに使うことで、最低限の努力で最高の結果を生むということが実現できているという点が顕著である。実施例20では、優先される2つの脳波特徴量は、前頭、ならびに中央部の周波数パワー(Fzのθパワー)と絶対平均振幅(C4)であり、たった2つの特徴量で70%の判別精度を実現した。
本実施例では、特徴量の再ランキング(re−ranking)による判別モデル決定を行い、優先脳波特徴量の決定を行った。
図83に検査で用いた高温刺激ブロックランダムパラダイムの概要を示す。温度刺激システム(Pathway:Medoc Co.,Ltd.,Ramat Yishai,Israel)を使用して、高温刺激を参加者の右前腕に与えた。高温刺激は、ベースライン温度を36℃とし、3レベルの温度強度(40℃、44℃、48℃)を包含していた。各温度ブロックは2回の刺激からなり、各刺激が15秒間続き、ブロック間隔は20秒であった。1セットは、上記3タイプの熱ブロックを「12:10:10」の比率で64ブッロク含み、検査全体で5セット、計320ブロックが含まれていた。参加者は、コンピュータ化された可視化アナログスケール(COVAS)上で、0から100の範囲(0=「無痛」;100=「耐えられない疼痛」)で疼痛強度を連続的に評価した。COVASデータを刺激強度の変更と同時に記録した。
判別推定で用いる特徴量の抽出過程を図84に示す。1)「EEGデータ収集」は、頭皮上Ag/AgCl7電極(Fp1、Fp2、F3、F4、C3、C4、Pz)から市販の脳波計を用いて行った。導出電極は耳朶とし、左右それぞれの電極を同側の耳朶電極に連結した。帯域周波数は0.3〜120Hz、サンプリング周波数は1000Hzとした。インピーダンスは15KΩ以下を維持するようにした。2)「データの切り出し」は、痛みなし40℃条件と痛みあり48℃条件に限定し、全130名から、各刺激呈示後16秒間、痛みなしサンプル16080個、痛みありサンプル16080個を、計32160サンプルを抽出した。3)「特徴量2種類の選定」は、切り出した脳波エポックの平均絶対振幅と周波数パワーを用いた。データのサンプリング周波数を1000Hzから1024Hzにリサンプリングし(離散フーリエ変換速度をあげるため)、波形のトレンドを除去し、ハニング窓関数をかけたのち、FFT(Fast Fourier Transform)を行った。実数部をlog変換して周波数パワーを算出し、全6帯域(δ、θ、α、β、γ1、γ2)の周波数パワーの平均値を求めた。4)「特徴量の結合」により、各被検者において全49個の特徴量を得た。
本実施例では、判別モデルで使われる特徴量の係数情報を用いて、判別に有効に働く特徴量、ならびに特徴量相関を検証した。図87に示すように、高温刺激パラダイムを用いて、優先特徴量の絞り込みを行った。用いたサンプルは、図86に示すような年齢および性別の分布を有していた。
(方法・条件)
(参加者)
20代から70代の159名の健常な成人被験者(図86参照)が、高温刺激パラダイム実験を行った。参加者らは、実験前にインフォームドコンセントに同意した。全参加者は、神経性および/もしくは精神性の病気、または臨床薬物治療条件下における急性および/もしくは慢性疼痛を経験していないことを自己報告した。本実施例を、大阪大学医学部付属病院の倫理委員会ならびにヘルシンキ宣言による承認下で実施した。
図87に検査で用いた高温刺激パラダイムの概要を示す。実施例20(図81参照)と同様に、温度刺激システム(Pathway:Medoc Co.,Ltd.,RamatYishai, Israel)を使用して、高温刺激を参加者の右前腕に与えた。高温刺激は、6レベルの温度強度(40℃〜50℃の2℃ずつ上昇)を包含していた。各温度レベルは3回の刺激からなり、各刺激は、5秒間持続するプラトー(刺激呈示時間)を有し、高温刺激は6レベル用い、基準温度(35℃)からの上昇および下降待機時間は、約10秒であった。各レベルにおける3回の刺激の後、ブロック間間隔は100秒間持続した。脳波データは、実験中連続してデータ記録した。サンプリング周波数は1000Hz、帯域周波数は0.3〜120Hzとし、インピーダンス15KΩ以下とした。記録した電極は、Fp1、Fp2、F3、F4、C3、C4、Pzであった。リファレンス電極は左右耳朶であり、アース電極は前額に設置した。参加者は、コンピュータ化された可視化アナログスケール(COVAS)上で、0から100の範囲(0=「無痛」;100=「耐えられない疼痛」)で疼痛強度を連続的に評価した。COVASデータを刺激強度の変更と同時に記録した。また、以下のパラメータを用いた。痛み判別には2レベルを用い、サンプル数は、2レベル×3試行×158名=948サンプルとした。
EEGデータは、眼球運動ノイズ(EOG)を減衰するため、7電極のデータを用いて主成分分析を行い、EOG成分(第一成分)を抽出した。低・高周波成分(1〜30Hzの帯域周波数フィルター)を除去して、数式311の回帰式を用いて、各電極データからEOG成分を除去した。
[数311]
生EEG=β×EOG+C
推定EEG=生EEG−β×EOG
β:回帰係数
C:切片
推定EEG:推定されたEEG
1.平均振幅(7個):
7電極(Fp1、Fp2、F3、F4、C3、C4、およびPz)における刺激呈示後15秒間の振幅絶対値の平均値を採用した。これは、個人内で標準化した。
2.前頭−頭頂電位相関(4個)
前頭電極4個(Fp1、Fp2、F3、F4)と頭頂Pzの電位相関を採用した。
3.周波数パワー(35個)
7電極(Fp1、Fp2、F3、F4、C3、C4およびPz)における「δ、θ、α、β、γ」の5帯域を採用した。
4.複雑性指標(Multiscaleエントロピー:7個)
7電極(Fp1、Fp2、F3、F4、C3、C4およびPz)におけるマルチスケールエントロピー(MSE)を図89に示す計算に従って、以下のように行った。最初に、時系列データをタイムスケール(τ:データ分割数)により分割し粗雑化する。各分割データにおいて、mポイント離れた距離データペアが、データの標準偏差のr%以内に入る割合をm、ならびにm+1時間枠で算出し、その比率(m+1時間枠の割合/m時間枠の割合)の自然対数のマイナスを算出することで求める。SEがタイムスケールの分割数だけできるので総和を求め複雑性指標(C)とする。本実施例では、以下の設定をMSE算出に用いた。
1. タイムスケールの時間長:20〜50ms
2. 比較ポイントの距離(m):2ポイント
3. 類似性の閾値(r:類似とする閾値):全データのSDの15%以内
結果を図90に示す。Aは絶対平均振幅を示し、Bは周波数パワーを示す。Cは、前頭頭頂電位(絶対平均振幅)相関を示す。Dはマルチスケールエントロピー(MSE)を示す。Aは、単調増加シグモイドパターンを示し、レベル5〜6で変調点が見られ、特徴量が増加した。CおよびDは、単調減少シグモイドパターンを示し、レベル5〜6の変調点で、特徴量が低下した。特に、電位相関は、先行研究から、痛みの強度が増すと、前頭部と頭頂部の活動に変化が見られるので、両電極の相関が増加すると当初は予想されたが、驚いたことに逆のパターンを示した。また、周波数パワーは(図90B)、全体的に、痛みレベルの上昇に伴い、増加する傾向を示した。
レベル4と5、レベル5と6、レベル1と6の間に、チャンスレベル以上(50%)の判別精度が得られたので、3判別モデルにおける平均係数を算出し、53個のパラメータのランキングを行った(図92)。次に、100回の判別推定において、30%以上ゼロ係数を含んでいる特徴量は削除したところ、6特徴量が抽出された。
新たなパラメータ電極間位相同期を含めて、高温、低温刺激全300サンプル超データの、痛みありなし2分類に関わる一般化判別モデルを作成し、優位特徴量を調べた。
20代から70代の延べ292名の健常な成人被験者が、高温刺激パラダイムと低温刺激パラダイム実験を行った。参加者らは、実験前にインフォームドコンセントに同意した。全参加者は、神経性および/もしくは精神性の病気、または臨床薬物治療条件下における急性および/もしくは慢性疼痛を経験していないことを自己報告した。本実施例を、大阪大学医学部付属病院の倫理委員会ならびにヘルシンキ宣言による承認下で実施した。
温度刺激システム(Pathway:Medoc Co.,Ltd.,RamatYishai, Israel)を使用して、高温刺激を参加者の右前腕に与えた。高温刺激は、6レベルの温度強度(40℃〜50℃の2℃ずつ上昇)を包含していた。一方、低温刺激は。最低温度―10℃の呈示に困難があり、5レベルの温度強度(15℃〜―5℃の5℃ずつ減少)を包含していた。各温度レベルは3回の刺激(各15秒)からなり、各刺激は、5秒間持続するプラトー(刺激呈示時間)を有し、基準温度からの上昇および下降待機時間は、約10秒であった。各レベルにおける3回の刺激の後、ブロック間間隔は100秒間持続した。脳波データは、実験中連続してデータ記録した。サンプリング周波数は1000Hz、帯域周波数は0.3〜120Hzとし、インピーダンス15KΩ以下とした。記録した電極は、Fp1、Fp2、F3、F4、C3、C4およびPzであった。リファレンス電極は左右耳朶であり、アース電極は前額に設置した。参加者は、コンピュータ化された可視化アナログスケール(COVAS)上で、0から100の範囲(0=「無痛」;100=「耐えられない疼痛」)で疼痛強度を連続的に評価した。COVASデータを刺激強度の変更と同時に記録した。また、以下のパラメータを用いた。痛み判別には2レベルを用い、サンプル数は、2レベル×3試行×309名=1854サンプルとした。
EEGデータは、眼球運動ノイズ(EOG)を減衰するため、7電極のデータを用いて主成分分析を行い、EOG成分(第一成分)を抽出した。低・高周波成分(1〜30Hzの帯域周波数フィルター)を除去して、数式312の回帰式を用いて、各電極データからEOG
成分を除去した。
[数312]
生EEG=β×EOG+C
推定EEG=生EEG−β×EOG
β:回帰係数
C:切片
推定EEG:推定されたEEG
1.平均振幅(7個):
7電極(Fp1、Fp2、F3、F4、C3、C4およびPz)における刺激呈示後15秒間の振幅絶対値の平均値を採用した。これは、個人内で標準化した。
2.前頭−頭頂電位相関(4個)
前頭電極4個(Fp1、Fp2、F3、F4)と頭頂Pzの電位相関を採用した。理論に束縛されることを望まないが、痛みと刺激強度にかかわる領域が前頭、頭頂部を含むと考えられるからである。
3.周波数パワー(35個)
7電極(Fp1、Fp2、F3、F4、C3、C4およびPz)における「δ、θ、α
、β、γ」の5帯域を採用した。
4.複雑性指標(Multiscaleエントロピー:7個)
5.位相同期(Phase Locking Value:106個)
各周波数帯域における、電極間の位相同期特性を算出した。
図94に示すように、実際の痛みレベルの判別精度は、「74.3±32.5%」であり、ランダム化サンプルの判別精度「56.1±17.1%」に比べて有意に高くなっていた(t=12.70、p<0.0001)。さらに、判別精度がチャンスレベル以下のサンプルを段階的に排除して、判別モデルプロトタイプを精緻化により作成したところ、213名(1278サンプル)がモデルに含まれ、判別精度は実に「94.6±12.7%」に到達し、ランダム化サンプルの判別精度「35.4±11.3%」より有意に高かった(t=49.20、p<0.00001)。
以上のように、本発明の好ましい実施形態を用いて本発明を例示してきたが、本発明は、請求の範囲によってのみその範囲が解釈されるべきであることが理解される。本明細書において引用した特許、特許出願および文献は、その内容自体が具体的に本明細書に記載されているのと同様にその内容が本明細書に対する参考として援用されるべきであることが理解される。本願は、いずれも日本国特許庁に出願された、特願2017−133422(2017年7月7日出願)、特願2017−199374(2017年10月13日出願)、特願2017−254565(2017年12月28日出願)、特願2017−254560(2017年12月28日出願)および特願2018−2777(2018年1月11日出願)に対して優先権主張をするものであり、同出願の内容はそのすべてが本明細書に記載されているのと同様にその内容が本明細書に対する参考として援用される。
本発明は、より少ない特徴量を使った判別モデルや判別精度改善率が高いモデルで疼痛を判定することができる方法を提供でき、疼痛に関する診断、治療をよりきめ細やかに行うことができる。
1100:疼痛レベル判別/推定装置を含むシステム
1110:疼痛レベル判別/推定装置
1111:測定部
1112:特徴量抽出部
1113:疼痛指数生成部
1114:基準決定部
1115:疼痛レベルモニター部
1120:脳波計
102000:特徴量抽出部
103000:疼痛判別・推定モデル生成部
104000:疼痛判別・推定部
105000:リファレンス刺激呈示部
105200:脳波データ測定部
106000:対象
107000:疼痛レベル可視化部
108000:装置
110000:脳波データ測定部
120000:データ送受信部
125000:データ送受信部
130000:疼痛レベル可視化部
135000:疼痛レベル可視化部
140000:脳波特徴量抽出部
145000:脳波特徴量抽出部
150000:疼痛レベル判別推定部
160000:疼痛判別モデル生成部
170000:データ保存部
180000:脳波データベース
202000:特徴量抽出部
203000:疼痛判別・推定モデル生成部
203100:疼痛脳波データベース
203200:個別疼痛判別モデル作成部
203300:疼痛判別モデルランキング部
203400:アンサンブル疼痛判別モデル作成部
203500:疼痛判別モデル送信部
204000:疼痛判別・推定部
205000:リファレンス刺激呈示部
205200:脳波データ測定部
206000:対象
207000:疼痛レベル可視化部
208000:装置
302000:特徴量抽出部
303000:疼痛判別・推定モデル生成部
304000:疼痛判別・推定部
305000:リファレンス刺激呈示部
305200:脳波データ測定部
306000:対象
307000:疼痛レベル可視化部
307500:データ保存部
308000:装置
Claims (99)
- 推定対象の脳波に基づいて前記推定対象が有する疼痛をモニターする方法であって
a)該推定対象から、刺激に対する脳波測定を行うことにより脳波データまたはその分析データを取得する工程と
b)該脳波データまたはその分析データの特定の時間幅における平均値の時間的推移を取得する工程と
c)該平均値の時間的推移に基づいて、該脳波データまたはその分析データから該推定対象が有する疼痛のレベルを評価またはモニターする工程とを
包含し、該平均値として、2種類以上の時間幅の平均値を用いることを特徴とする、
疼痛モニター方法。 - 前記特定の時間幅は少なくとも20秒以上である、請求項1に記載の方法。
- 前記特定の時間幅は少なくとも30秒以上である、請求項1に記載の方法。
- 前記特定の時間幅は少なくとも40秒以上である、請求項1に記載の方法。
- 前記平均値の時間的推移が、単調増加であれば、前記疼痛が強いと判断し、単調減少であれば、弱いと判断されることを特徴とする、請求項1に記載の方法。
- 前記特定の時間幅における平均値は、非重複ブロック平均法で算出する、請求項1に記載の方法。
- 前記2種類以上の時間幅は、少なくとも10〜120秒と、30〜300秒の時間幅を有し、さらに、必要に応じて、120秒以上の時間幅をさらに含む、請求項1に記載の方法。
- 前記疼痛のレベルのモニターの際に疼痛指数を用いることを特徴とする、請求項1〜7のいずれか一項に記載の方法。
- 前記疼痛指数は、疼痛の時間変化の判読を容易にする数値を含むことを特徴とする、請求項8に記載の方法。
- 前記数値は、強い痛みレベルの脳特徴量をベースラインとして、連続的、順序的、または名義的に表現したものである、請求項9に記載の方法。
- 前記脳波データまたはその分析データから、疼痛指数を生成する工程をさらに含む、請求項1〜10のいずれか一項に記載の方法。
- 前記疼痛指数からベースラインを算出する工程をさらに含み、前記モニターの際に該ベースラインに基づいて疼痛を判定または推定する工程をさらに含む、請求項1〜11のいずれか一項に記載の方法。
- 前記ベースラインの算出に加え、ベースライン補正をさらに行うこと含む、請求項12に記載の方法。
- 推定対象の脳波に基づいて前記推定対象が有する疼痛をモニターする装置であって
A)該推定対象の脳波データまたはその分析データを取得する脳波データ測定部と
B)該脳波データまたはその分析データの特定の時間幅における平均値の時間的推移のプロットするための値特徴量抽出部と
C)該プロットに基づいて、該脳波データまたはその分析データから該推定対象が有する疼痛のレベルをモニターする疼痛レベルモニター部と
を含み、該平均値として、2種類以上の時間幅の平均値を用いることを特徴とする、
装置。 - 推定対象の脳波に基づいて前記推定対象が有する疼痛をモニターする方法をコンピュータに実行させるプログラムであって、該方法は、
a)該コンピュータに、該推定対象から、刺激に対する脳波測定を行うことにより脳波データを取得させる工程と
b)該コンピュータに、該脳波データまたはその分析データの特定の時間幅における平均値の時間的推移をプロットするための特徴量を抽出する工程と
c)該コンピュータに、該プロットに基づいて、該脳波データまたはその分析データから該推定対象が有する疼痛のレベルをモニターさせる工程とを
包含し、該平均値として、2種類以上の時間幅の平均値を用いることを特徴とする、
プログラム。 - 推定対象の脳波に基づいて前記推定対象が有する疼痛をモニターする方法をコンピュータに実行させるプログラムを格納した記録媒体であって、該方法は、
a)該コンピュータに、該推定対象から、刺激に対する脳波測定を行うことにより脳波データまたはその分析データを測定する工程と
b)該コンピュータに、該脳波データまたはその分析データの特定の時間幅における平均値の時間的推移をプロットするための特徴量を抽出する工程と
c)該コンピュータに、該プロットに基づいて、該脳波データまたはその分析データから該推定対象が有する疼痛のレベルをモニターさせる工程とを
包含し、該平均値として、2種類以上の時間幅の平均値を用いることを特徴とする、
記録媒体。 - 対象の疼痛を判別するためのモデルを生成する方法であって、
a)該対象から脳波データまたはその分析データを得るステップと、
b)該脳波データまたはその分析データに基づく特徴量について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の重み付けされた該特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと
を含む、方法。 - b)において、前記特徴量係数の決定後、判別推定を反復することと、該判別推定について該特徴量係数の平均を算出しランキングすることと、特徴量を所定の閾値に基づいて選別することによって、前記縮約を行うことを特徴とする、請求項17に記載の方法。
- 前記特徴量係数の決定は、機械学習による、請求項18に記載の方法。
- b)において、前記特徴量係数を決定する際に、判別精度が最も高くなるハイパーパラメータを決定し、該ハイパーパラメータに基づいて該特徴量係数を決定し、判別に無効または寄与率が低い特徴量を除外することを包含する、請求項17に記載の方法。
- 前記特徴量係数およびハイパーパラメータの決定は、機械学習による、請求項20に記載の方法。
- 前記b)〜d)ステップは、
(C1)前記特徴量および該特徴量に対応する前記疼痛に対応するデータを学習用データとテスト用データに分割するステップと、
(C2)該学習データを用いて機械学習を行い、判別モデルを作成するステップと、
(C3)該テスト用データを用いて該判別モデルの判別精度を算出するステップと、
(C4)該対象中に該判別精度がチャンスレベル以下の対象サンプルが存在する場合、該サンプルを除外しC1〜C3を繰り返し、チャンスレベル以下のサンプルが存在しない場合終了することで判別モデルを決定するステップであって、ここで該チャンスレベルは、100%を分類する数で割った数値である、ステップ
とを含む、請求項17に記載の方法。 - 前記所定の精度を達成するモデルにおいて、特徴量の種類がより少ないモデルを選択することを含む、請求項17〜22のいずれか一項に記載の方法。
- ステップc)の後に、判別分析により得られた判別精度の隣接モデルの差分値(Diff)を算出し、ここで、該隣接モデルはn−1特徴量とn特徴量とを含むモデルであり、nは2以上であり、前記ステップd)における判別モデルの判断において該差分値をも考慮することをさらに含む、請求項17〜21のいずれか一項に記載の方法。
- 前記差分値の考慮は、該差分値の大きい値から特徴量を再ランキングし、判別精度を再計算することでより判別精度が高いモデルを生成する過程を含む、請求項24に記載の方法。
- 前記差分値に基づく判断は、前記特徴量をメイン特徴量とサポーター特徴量とに分類し、該サポーター特徴量を再ランキングすることを含む、請求項24または25に記載の方法。
- 前記再ランキングの後、前記特徴量を変更して前記ステップc)を繰り返すステップを包含する、請求項26に記載の方法。
- 前記再ランキングの後、前記特徴量を変更して機械学習および交差検定を行うことで、各モデルの判別精度を算出するステップを包含する、請求項26または27に記載の方法。
- 請求項24〜28のうち少なくとも1つのステップを少なくとも1回繰り返す、請求項24〜28のいずれか一項に記載の方法。
- 前記所定の精度は、最も精度が高いことを含む、請求項17〜29のいずれか一項に記載の方法。
- 前記縮約は、判別段階に対応した判別関数モデルを用いてフィッティングし、モデル近似指数を算出し、そのランキングの上位から任意の数を選択することを特徴とする、請求項17〜30のいずれか一項に記載の方法。
- 前記縮約は、判別段階に応じて、有効な特徴量を抽出することを特徴とする、請求項17〜31のいずれか一項に記載の方法。
- 前記重みづけ係数は、R2値、相関係数、回帰係数、および残差平方和からなる群より選択される、請求項17〜32のいずれか一項に記載の方法。
- 前記判別関数モデルはシグモイド関数、およびステップ関数からなる群より選択される、請求項33に記載の方法。
- 前記モデル近似指数は、重みづけ係数の部分集合である、請求項31または33に記載の方法。
- 前記有効な特徴量は、2項分類の場合、痛みあり若しくはなしに対応する全か無か、すなわち2値特徴量であるか、または、判別関数への近似がより高い特徴量である、請求項33に記載の方法。
- 対象の疼痛を判別する方法であって、
a)参照対象から脳波データまたはその分析データを得るステップと、
b)該脳波データまたはその分析データに基づく特徴量について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の該特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと、
e)試験対象から脳波データまたはその分析データを得るステップと、
f)該試験対象の脳波データまたはその分析データを該モデルに当てはめて疼痛を判別するステップと
を含む、方法。 - 対象の疼痛を判別する方法であって、
e)試験対象から脳波データまたはその分析データを得るステップと、
f)該試験対象の脳波データまたはその分析データを疼痛を判別するモデルに当てはめて疼痛を判別するステップと
を含み、ここで、該モデルは、
a)参照対象から脳波データまたはその分析データを得るステップと、
b)該脳波データまたはその分析データに基づく特徴量について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の重み付けされた該特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと
によって生成されたものである、
方法。 - FzまたはFpzあるいはそれらの周辺における少なくとも2電極における特徴量を含む、対象の疼痛を判別するためのモデルを用いて、対象の疼痛を判別するステップを含む、対象の疼痛を判別するための方法。
- 前記周辺は、F3、F4、Fp1およびFp2の少なくとも1つを含む、請求項39に記載の方法。
- 対象の疼痛を判別するためのモデルを生成する方法をコンピュータに実行させるプログラムであって、該方法は
a)該対象から脳波データまたはその分析データを得るステップと、
b)該脳波データまたはその分析データに基づく特徴量について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の重み付けされた該特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと
を含む、プログラム。 - 対象の疼痛を判別するためのモデルを生成する方法をコンピュータに実行させるプログラムを格納する記録媒体であって、該方法は
a)該対象から脳波データまたはその分析データを得るステップと、
b)該脳波データまたはその分析データに基づく特徴量について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の重み付けされた該特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと
を含む、記録媒体。 - 対象の疼痛を判別するためのモデルを生成するシステムであって、該システムは、
A)該対象から脳波データまたはその分析データを得る脳波データ取得部と、
B)該脳波データまたはその分析データに基づく特徴量について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約する特徴量縮約部と、
C)該縮約後の重み付けされた該特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成する疼痛判別・推定モデル生成部と
を含む、システム。 - 対象の疼痛を判別する方法をコンピュータに実行させるプログラムであって、該方法は
a)参照対象から脳波データまたはその分析データを得るステップと、
b)該脳波データまたはその分析データに基づく特徴量について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の重み付けされた該特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと、
e)試験対象から脳波データまたはその分析データを得るステップと、
f)該試験対象の脳波データまたはその分析データを該モデルに当てはめて疼痛を判別するステップと
を含む、プログラム。 - 対象の疼痛を判別する方法をコンピュータに実行させるプログラムを格納した記録媒体であって、該方法は
a)参照対象から脳波データまたはその分析データを得るステップと、
b)該脳波データまたはその分析データに基づく特徴量について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の重み付けされた該特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと、
e)試験対象から脳波データまたはその分析データを得るステップと、
f)該試験対象の脳波データまたはその分析データを該モデルに当てはめて疼痛を判別するステップと
を含む、記録媒体。 - 対象の疼痛を判別するシステムであって、該システムは、
A)参照対象から脳波データまたはその分析データを得る脳波データ取得部と、
B)該脳波データまたはその分析データに基づく特徴量について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約する特徴量縮約部と、
C)該縮約後の重み付けされた該特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成する疼痛判別・推定モデル生成部と、
D)試験対象から脳波データまたはその分析データを得る脳波データ測定部と、
E)該試験対象の脳波データまたはその分析データを該判別分析モデルに当てはめて疼痛を判別する疼痛判別・推定部と
を含む、システム。 - 対象の疼痛を判別する方法をコンピュータに実行させるプログラムであって、該方法は
e)試験対象から脳波データまたはその分析データを得るステップと、
f)該試験対象の脳波データまたはその分析データを疼痛を判別するモデルに当てはめて疼痛を判別するステップと
を含み、ここで、該モデルは、
a)参照対象から脳波データまたはその分析データを得るステップと、
b)該脳波データまたはその分析データに基づく特徴量について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の重み付けされた該特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと
によって生成されたものである、
プログラム。 - 対象の疼痛を判別する方法をコンピュータに実行させるプログラムを格納した記録媒体であって、該方法は
e)試験対象から脳波データまたはその分析データを得るステップと、
f)該試験対象の脳波データまたはその分析データを疼痛を判別するモデルに当てはめて疼痛を判別するステップと
を含み、ここで、該モデルは、
a)参照対象から脳波データまたはその分析データを得るステップと、
b)該脳波データまたはその分析データに基づく特徴量について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の重み付けされた該特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと
によって生成されたものである、
記録媒体。 - 対象の疼痛を判別するシステムであって、該システムは、
D)試験対象から脳波データまたはその分析データを得る脳波データ測定部と、
E)該試験対象の脳波データまたはその分析データを疼痛を判別するモデルに当てはめて疼痛を判別する疼痛判別・推定部とを含み、ここで、該モデルは、
a)参照対象から脳波データまたはその分析データを得るステップと、
b)該脳波データまたはその分析データに基づく特徴量について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の重み付けされた該特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと
によって生成されたものである、
システム。 - 前記脳波データまたはその分析データを、フィルタリングするステップをさらに包含する、請求項17〜40に記載の方法。
- 前記フィルタリングが、眼球運動除去および筋電位減衰からなる群より選択される少なくとも1つのためのフィルタリングを含む、請求項50に記載の方法。
- 前記脳波データまたはその分析データは、振幅、前頭−頭頂電位相関、周波数パワー、および複雑性指標(Multiscaleエントロピー)からなる群より選択される少なくとも1つを含む、請求項17〜40、50または51に記載の方法。
- 機械学習の改良方法であって、
A)機械学習を行って判別モデルを生成するステップと、
B)交差検証によって全サンプルにおけるハイパーパラメータを決定するステップと、
C)該ハイパーパラメータを用いて判別モデルを生成し、各サンプルに対する判別精度を算出するステップと、
D)該判別精度に基づいて各サンプルをグループ化するステップと、
E)該グループの各々の個別ハイパーパラメータを決定するステップと、
F)該個別ハイパーパラメータを用いて各グループについて個別判別モデルを生成し、各サンプルの判別精度を算出し、それらの中から、判別最大(MAX)モデルを生成するステップと
を含む方法。 - 前記判別最大(MAX)モデルを生成するステップは、アンサンブル方法およびその枝刈りを含む、請求項53に記載の方法。
- 前記判別最大(MAX)モデルをメインモデルとし、残りをサポーターモデルとして、該サポーターモデルを1つずつ加えて判別精度を向上させることを特徴とする、請求項53または54に記載の方法。
- 前記判別最大(MAX)モデルをメインモデルとし、残りをサポーターモデルとし、該メインモデルに該サポーターモデルを1個ずつ網羅的に加えて、判別精度を段階的に向上させる、請求項53〜55のいずれか1項に記載の方法。
- 前記判別精度の段階的向上は、
A)該メインモデルにN−1個の前記サポーターモデルから1個選択して追加したときに、アンサンブル法により最も判別精度が向上する2個のモデルセットを更新メインモデルとするステップと、
B)N個の全モデルから更新メインモデルを抜いたN−2個のモデルを更新サポーターモデルとするステップと、
C)アンサンブル法により最も判別精度が向上するモデルセットを、A)〜B)のステップを同様に繰り返し、更新メインモデルと更新サポーターモデルを更新しながら、更新サポーターモデルがなくなるまで繰り返すステップと
を含む、請求項56に記載の方法。 - 前記全サンプルをリファレンスサンプルとテストサンプルとに分割し、該リファレンスサンプルを用いて、前記判別最大(MAX)モデル、もしくは最大モデルを含む複数の判別モデルセットの中から最適な判別モデルをリファレンス判別モデルとして決定し、該リファレンス判別モデルを用いて該テストサンプルで判別推定を行うことで、該リファレンス判別モデルの検証を行い、該判別推定の結果に基づいて、好ましい最終の判別モデルを決定するステップをさらに含む、請求項53〜57のいずれか一項に記載の方法。
- 前記ステップA)は、リファレンスサンプルを提供し、該リファレンスサンプルに基づいて前記判別モデルを生成するステップを含む、請求項53〜58のいずれか一項に記載の方法。
- 前記機械学習は、疼痛の判別を目的とする、請求項53〜59のいずれか一項に記載の方法。
- 前記機械学習は、疼痛の判別を目的とし、前記サンプルは実験刺激に対する被検者の脳波データであり、前記判別モデルは該脳波データに基づき計算されるものである、請求項53〜57のいずれか一項に記載の方法。
- 前記機械学習は、疼痛の判別を目的とし、前記サンプルは実験刺激に対する被検者の脳波データであり、前記判別モデルは該脳波データに基づき計算されるものであり、該サンプルのすべてをリファレンスサンプルとテストサンプルとに分割し、該リファレンスサンプルを用いて、前記判別最大(MAX)モデル、もしくは最大モデルを含む複数の判別モデルセットの中から最適な判別モデルをリファレンス判別モデルとして決定し、該リファレンス判別モデルを用いて該テストサンプルで判別推定を行うことで、該リファレンス判別モデルの検証を行い、該判別推定の結果に基づいて、好ましい最終の判別モデルを決定するステップをさらに含む、請求項53〜61のいずれか一項に記載の方法。
- 前記サンプルの脳波データのうちの最も早い区間を前記リファレンスサンプルとし、それ以外を前記テストサンプルとすることを特徴とする、請求項62に記載の方法。
- 前記ステップA)は、リファレンス刺激を対象の身体部位に与えることによって得られる脳波のリファレンスサンプルを提供し、該リファレンスサンプルに基づいて前記判別モデルを生成するステップを含む、請求項53〜63のいずれか一項に記載の方法。
- 機械学習の改良方法をコンピュータに実行させるプログラムであって、該方法は
A)機械学習を行って判別モデルを生成するステップと、
B)交差検証によって全サンプルにおけるハイパーパラメータを決定するステップと、
C)該ハイパーパラメータを用いて判別モデルを生成し、各サンプルに対する判別精度を算出するステップと、
D)該判別精度に基づいて各サンプルをグループ化するステップと、
E)該グループの各々の個別ハイパーパラメータを決定するステップと、
F)該個別ハイパーパラメータを用いて各グループについて個別判別モデルを生成し、各サンプルの判別精度を算出し、それらの中から、判別最大(MAX)モデルを生成するステップと
を含む、プログラム。 - 機械学習の改良方法をコンピュータに実行させるプログラムを格納した記録媒体であって、該方法は
A)機械学習を行って判別モデルを生成するステップと、
B)交差検証によって全サンプルにおけるハイパーパラメータを決定するステップと、
C)該ハイパーパラメータを用いて判別モデルを生成し、各サンプルに対する判別精度を算出するステップと、
D)該判別精度に基づいて各サンプルをグループ化するステップと、
E)該グループの各々の個別ハイパーパラメータを決定するステップと、
F)該個別ハイパーパラメータを用いて各グループについて個別判別モデルを生成し、各サンプルの判別精度を算出し、それらの中から、判別最大(MAX)モデルを生成するステップと
を含む、記録媒体。 - 機械学習の改良方法を実装するシステムであって、該システムは
A)機械学習を行って判別モデルを生成する判別モデル生成モジュールと、
B)交差検証によって全サンプルにおけるハイパーパラメータを決定するハイパーパラメータ決定モジュールと、
C)該ハイパーパラメータを用いて判別モデルを生成し、各サンプルに対する判別精度を算出する判別精度算出モジュールと、
D)該判別精度に基づいて各サンプルをグループ化するグルーピングモジュールと、
E)該グループの各々の個別ハイパーパラメータを決定する個別ハイパーパラメータモジュールと、
F)該個別ハイパーパラメータを用いて各グループについて個別判別モデルを生成し、各サンプルの判別精度を算出し、それらの中から、判別最大(MAX)モデルを生成する判別最大モデル生成モジュールと
を含む、システム。 - 機械学習の改良方法を実行するシステムであって、該システムは、機械学習実行モジュールを含み、該機械学習実行モジュールは
A)機械学習を行って判別モデルを生成するステップと、
B)交差検証によって全サンプルにおけるハイパーパラメータを決定するステップと、
C)該ハイパーパラメータを用いて判別モデルを生成し、各サンプルに対する判別精度を算出するステップと、
D)該判別精度に基づいて各サンプルをグループ化するステップと、
E)該グループの各々の個別ハイパーパラメータを決定するステップと、
F)該個別ハイパーパラメータを用いて各グループについて個別判別モデルを生成し、各サンプルの判別精度を算出し、それらの中から、判別最大(MAX)モデルを生成するステップと
を含む、方法を実行するように構成される、システム。 - 疼痛判別方法であって、
A)機械学習を行って疼痛判別モデルを生成するステップと、
B)交差検証によって全サンプルにおけるハイパーパラメータを決定するステップと、
C)該ハイパーパラメータを用いて疼痛判別モデルを生成し、各サンプルに対する疼痛の判別精度を算出するステップと、
D)該判別精度に基づいて各サンプルをグループ化するステップと、
E)該グループの各々の個別ハイパーパラメータを決定するステップと、
F)該個別ハイパーパラメータを用いて各グループについて個別の疼痛判別モデルを生成し、各サンプルの疼痛の判別精度を算出し、それらの中から、疼痛判別最大(MAX)モデルを生成するステップと
を含む方法。 - 前記判別モデルは、LASSO(Least Absolute Shrinkage
and Selection Operator)、線形、ならびにロジスティック回帰、およびサポートベクターマシン、ニューラルネット、ランダムフォレスト、ベイズ、クラスタリング、決定木からなる教師付き機械学習モデル、もしくは深層学習を含む教師なし機械学習モデルより選択される処理法によって生成される、請求項69に記載の方法。 - 疼痛判別方法をコンピュータに実行させるプログラムであって、該方法は
A)機械学習を行って疼痛判別モデルを生成するステップと、
B)交差検証によって全サンプルにおけるハイパーパラメータを決定するステップと、
C)該ハイパーパラメータを用いて疼痛判別モデルを生成し、各サンプルに対する疼痛の判別精度を算出するステップと、
D)該判別精度に基づいて各サンプルをグループ化するステップと、
E)該グループの各々の個別ハイパーパラメータを決定するステップと、
F)該個別ハイパーパラメータを用いて各グループについて個別の疼痛判別モデルを生成し、各サンプルの疼痛の判別精度を算出し、それらの中から、疼痛判別最大(MAX)モデルを生成するステップと
を含む、プログラム。 - 疼痛判別方法をコンピュータに実行させるプログラムを格納した記録媒体であって、該方法は、
A)機械学習を行って疼痛判別モデルを生成するステップと、
B)交差検証によって全サンプルにおけるハイパーパラメータを決定するステップと、
C)該ハイパーパラメータを用いて疼痛判別モデルを生成し、各サンプルに対する疼痛の判別精度を算出するステップと、
D)該判別精度に基づいて各サンプルをグループ化するステップと、
E)該グループの各々の個別ハイパーパラメータを決定するステップと、
F)該個別ハイパーパラメータを用いて各グループについて個別の疼痛判別モデルを生成し、各サンプルの疼痛の判別精度を算出し、それらの中から、疼痛判別最大(MAX)モデルを生成するステップと
を含む、記録媒体。 - 疼痛判別システムであって、
A)機械学習を行って疼痛判別モデルを生成する判別モデル生成モジュールと、
B)交差検証によって全サンプルにおけるハイパーパラメータを決定するハイパーパラメータ決定モジュールと、
C)該ハイパーパラメータを用いて疼痛判別モデルを生成し、各サンプルに対する疼痛の判別精度を算出する判別精度算出モジュールと、
D)該判別精度に基づいて各サンプルをグループ化するグルーピングモジュールと、
E)該グループの各々の個別ハイパーパラメータを決定する個別ハイパーパラメータモジュールと、
F)該個別ハイパーパラメータを用いて各グループについて個別の疼痛判別モデルを生成し、各サンプルの疼痛の判別精度を算出し、それらの中から、疼痛判別最大(MAX)モデルを生成する判別最大(MAX)モデル生成モジュールと
を含む、システム。 - 疼痛判別システムであって、該システムは、機械学習実行モジュールを含み、該機械学習実行モジュールは
A)機械学習を行って疼痛判別モデルを生成するステップと、
B)交差検証によって全サンプルにおけるハイパーパラメータを決定するステップと、
C)該ハイパーパラメータを用いて疼痛判別モデルを生成し、各サンプルに対する疼痛の判別精度を算出するステップと、
D)該判別精度に基づいて各サンプルをグループ化するステップと、
E)該グループの各々の個別ハイパーパラメータを決定するステップと、
F)該個別ハイパーパラメータを用いて各グループについて個別の疼痛判別モデルを生成し、各サンプルの疼痛の判別精度を算出し、それらの中から、疼痛判別最大(MAX)モデルを生成するステップと
を含む、方法を実行するように構成される、
システム。 - 対象の疼痛を判別するためのモデルを生成する方法であって、
a)該対象から脳波の複雑性指標を得るステップと、
b)該複雑性指標について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の各特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと
を含む、方法。 - 対象の疼痛を判別する方法であって、
a)参照対象から複雑性指標を得るステップと、
b)該複雑性指標について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の各特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと、
e)試験対象から複雑性指標を得るステップと、
f)該試験対象の複雑性指標を該モデルに当てはめて疼痛を判別するステップと
を含む、方法。 - 対象の疼痛を判別する方法であって、
e)試験対象から複雑性指標を得るステップと、
f)該試験対象の複雑性指標を、疼痛を判別するモデルに当てはめて疼痛を判別するステップと
を含み、ここで、該モデルは、
a)参照対象から複雑性指標を得るステップと、
b)該複雑性指標について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の各特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと
によって生成されたものである、方法。 - 前記該縮約後の各特徴量またはその組み合わせは、交替性統合脳波特徴量を含む、請求項75〜77のいずれか一項に記載の方法。
- 請求項75〜78のいずれか一項に記載の方法をコンピュータに実行させるためのプログラム。
- 請求項75〜78のいずれか一項に記載の方法をコンピュータに実行させるためのプログラムを格納する記録媒体。
- 脳波特徴量相互関係を用いて痛みを判定する方法であって、該相互関係は、時間的相関、空間的相関、時空間的な同期性、空間的関係性または結合性、無関係または相関がないこと、遅延または時間的相関の崩れ、正負または相関の性質、類似性または相関係数のレベル、および一致または完全相関からなる群より選択される、方法。
- 前記脳波特徴量相互関係は、同じまたは異なる電極における脳波特徴量の間の相互関係である、請求項81に記載の方法。
- 前記同期性は、位相同期(phase locking value)またはコヒーレンスを含む、請求項81に記載の方法。
- 前記脳波特徴量相互関係は、異なる電極間の脳波特徴量の相関である、請求項81〜83のいずれか一項に記載の方法。
- 前記異なる電極は頭部において相対的に前方後方の位置関係にある、請求項84に記載の方法。
- 前記異なる電極の少なくとも1つは、頭部の前方部に存在する、請求項84または85に記載の方法。
- 前記異なる電極の少なくとも1つは、頭部の後方部に存在する、請求項84〜86のいずれか一項に記載の方法。
- 前記異なる電極は少なくとも1つが頭部の前方部に存在し、さらなる電極が、頭部の後方部に存在する、請求項84〜87のいずれか一項に記載の方法。
- 前記相関は、頭部前方部における電極と頭部後方部における電極との間の相関を含む、請求項81〜88のいずれか一項に記載の方法。
- 前記相関は、前頭部における電極と頭頂部における電極との間の相関を含む、請求項81〜89のいずれか一項に記載の方法。
- 前記前頭部は、前頭極Fp1、前頭極Fp2、前頭部F3、前頭部F4、前側頭部F7、前側頭部F8、および正中前頭部Fzならびに隣接する部位からなる群より選択される少なくとも1つを含み、前記頭頂部は、正中頭頂部Pz、頭頂部P3および頭頂部P4を含む、請求項90に記載の方法。
- 前記脳波特徴量は、平均振幅、周波数パワーおよび複雑性指標からなる群より選択される少なくとも1つを含む、請求項81〜91のいずれか一項に記載の方法。
- 前記平均振幅は、刺激呈示時間に依存し、刺激呈示後15秒間の振幅絶対値の平均値である、請求項81〜92のいずれか一項に記載の方法。
- 対象の疼痛を判別するためのモデルを生成する方法であって、
a)該対象から脳波特徴量相関を得るステップと、
b)該脳波特徴量相関について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の各特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと
を含む、方法。 - 対象の疼痛を判別する方法であって、
a)参照対象から脳波特徴量相関を得るステップと、
b)該脳波特徴量相関について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の各特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと、
e)試験対象から脳波特徴量相関を得るステップと、
f)該試験対象の脳波特徴量相関を該モデルに当てはめて疼痛を判別するステップと
を含む、方法。 - 対象の疼痛を判別する方法であって、
e)試験対象から脳波特徴量相関を得るステップと、
f)該試験対象の脳波特徴量相関を疼痛を判別するモデルに当てはめて疼痛を判別するステップと
を含み、ここで、該モデルは、
a)参照対象から脳波特徴量相関を得るステップと、
b)該脳波特徴量相関について、該疼痛に関する特徴量係数を決定し、該疼痛に関して縮約するステップと、
c)該縮約後の各特徴量またはその組み合わせに基づいて、機械学習および検証により、判別分析モデルを作成するステップと、
d)所定の精度を達成する判別分析モデルを決定するステップと
によって生成されたものである、
方法。 - 前記該縮約後の各特徴量またはその組み合わせは、交替性統合脳波特徴量を含む、請求項94〜96のいずれか一項に記載の方法。
- 請求項94〜96のいずれか一項に記載の方法をコンピュータに実行させるためのプログラム。
- 請求項94〜96のいずれか一項に記載の方法をコンピュータに実行させるためのプログラムを格納する記録媒体。
Applications Claiming Priority (11)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017133422 | 2017-07-07 | ||
JP2017133422 | 2017-07-07 | ||
JP2017199374 | 2017-10-13 | ||
JP2017199374 | 2017-10-13 | ||
JP2017254565 | 2017-12-28 | ||
JP2017254560 | 2017-12-28 | ||
JP2017254560 | 2017-12-28 | ||
JP2017254565 | 2017-12-28 | ||
JP2018002777 | 2018-01-11 | ||
JP2018002777 | 2018-01-11 | ||
PCT/JP2018/025769 WO2019009420A1 (ja) | 2017-07-07 | 2018-07-06 | トレンド分析を利用した痛みの判別、機械学習、経済的判別モデルおよびIoTを応用した医療装置、テイラーメイド機械学習、および新規疼痛判別用脳波特徴量 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020150619A Division JP2020203121A (ja) | 2017-07-07 | 2020-09-08 | トレンド分析を利用した痛みの判別、機械学習、経済的判別モデルおよびIoTを応用した医療装置、テイラーメイド機械学習、および新規疼痛判別用脳波特徴量 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2019009420A1 JPWO2019009420A1 (ja) | 2020-08-06 |
JP6764205B2 true JP6764205B2 (ja) | 2020-09-30 |
Family
ID=64951013
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019527992A Active JP6764205B2 (ja) | 2017-07-07 | 2018-07-06 | トレンド分析を利用した痛みの判別、機械学習、経済的判別モデルおよびIoTを応用した医療装置、テイラーメイド機械学習、および新規疼痛判別用脳波特徴量 |
JP2020150619A Pending JP2020203121A (ja) | 2017-07-07 | 2020-09-08 | トレンド分析を利用した痛みの判別、機械学習、経済的判別モデルおよびIoTを応用した医療装置、テイラーメイド機械学習、および新規疼痛判別用脳波特徴量 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020150619A Pending JP2020203121A (ja) | 2017-07-07 | 2020-09-08 | トレンド分析を利用した痛みの判別、機械学習、経済的判別モデルおよびIoTを応用した医療装置、テイラーメイド機械学習、および新規疼痛判別用脳波特徴量 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11922277B2 (ja) |
EP (1) | EP3649933A4 (ja) |
JP (2) | JP6764205B2 (ja) |
CN (1) | CN111050642A (ja) |
WO (1) | WO2019009420A1 (ja) |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11411832B2 (en) * | 2018-12-28 | 2022-08-09 | Intel Corporation | Methods and apparatus to generate optimized models for internet of things devices |
WO2020152953A1 (ja) * | 2019-01-23 | 2020-07-30 | Jsr株式会社 | 判別装置、細胞塊の判別方法、及びコンピュータプログラム |
JP7147623B2 (ja) | 2019-02-21 | 2022-10-05 | 株式会社島津製作所 | 脳血流量の特徴量の抽出方法 |
WO2020202045A1 (en) | 2019-04-02 | 2020-10-08 | Cerebral Diagnostics Canada Incorporated | Evaluation of pain disorders via expert system |
JP7433602B2 (ja) * | 2019-04-26 | 2024-02-20 | 国立大学法人大阪大学 | 機械学習に用いられる教師データを増幅するためのシステム、方法、プログラム |
CN114072070A (zh) | 2019-04-26 | 2022-02-18 | 国立大学法人大阪大学 | 参考刺激 |
CN110432898A (zh) * | 2019-07-04 | 2019-11-12 | 北京大学 | 一种基于非线性动力学特征的癫痫发作脑电信号分类系统 |
JP7268530B2 (ja) * | 2019-08-08 | 2023-05-08 | 株式会社島津製作所 | 質量分析データ処理方法、質量分析データ処理システム、及び質量分析データ処理プログラム |
JP2021040969A (ja) * | 2019-09-11 | 2021-03-18 | オムロンヘルスケア株式会社 | 判定アルゴリズムを生成する方法、判定アルゴリズム、判定システム、判定方法、プログラム、および記録媒体 |
CN111414875B (zh) * | 2020-03-26 | 2023-06-02 | 电子科技大学 | 基于深度回归森林的三维点云头部姿态估计系统 |
US20210365471A1 (en) * | 2020-05-19 | 2021-11-25 | Business Objects Software Ltd. | Generating insights based on numeric and categorical data |
CN112381051B (zh) * | 2020-11-30 | 2023-12-19 | 闽江师范高等专科学校 | 基于改进支持向量机核函数的植物叶片分类方法及系统 |
CN112613386B (zh) * | 2020-12-18 | 2023-12-19 | 宁波大学科学技术学院 | 一种基于脑电波的监控方法及装置 |
CN112690759B (zh) * | 2020-12-24 | 2022-04-19 | 江苏爱谛科技研究院有限公司 | 一种自动睡眠分期的建立方法及其应用 |
JP7401067B2 (ja) * | 2020-12-28 | 2023-12-19 | 国立大学法人大阪大学 | 推定対象による主観的評価を推定するためのシステム、方法、およびプログラム |
TW202245689A (zh) * | 2021-03-29 | 2022-12-01 | 日商日清食品控股股份有限公司 | 血糖值推定裝置、血糖值推定方法及程式 |
CN114259241B (zh) * | 2021-12-16 | 2024-03-29 | 杭州电子科技大学 | 基于eeg的认知功能可视化系统 |
CN114343640B (zh) * | 2022-01-07 | 2023-10-13 | 北京师范大学 | 注意力评估方法及电子设备 |
US11990327B2 (en) | 2022-02-18 | 2024-05-21 | Shimadzu Corporation | Method, system and program for processing mass spectrometry data |
CN114469009B (zh) * | 2022-03-18 | 2023-04-18 | 电子科技大学 | 一种面部疼痛表情分级评估方法 |
CN114399830B (zh) * | 2022-03-25 | 2022-06-24 | 深圳比特微电子科技有限公司 | 目标类别识别方法、装置及可读存储介质 |
CN115202194A (zh) * | 2022-08-04 | 2022-10-18 | 山东理工大学 | 一种基于改进Sigmoid函数的混合跟踪微分器设计方法 |
CN115907509A (zh) * | 2022-10-18 | 2023-04-04 | 中国疾病预防控制中心环境与健康相关产品安全所 | 一种大区域协同发布的aqhi指标体系构建方法与系统 |
JP7499538B1 (ja) | 2023-03-29 | 2024-06-14 | ロゴスサイエンス株式会社 | 慢性疼痛の治療、改善およびセルフケアシステム |
CN117454154A (zh) * | 2023-12-22 | 2024-01-26 | 江西农业大学 | 一种面向偏标记数据的鲁棒特征选择方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005044330A (ja) | 2003-07-24 | 2005-02-17 | Univ Of California San Diego | 弱仮説生成装置及び方法、学習装置及び方法、検出装置及び方法、表情学習装置及び方法、表情認識装置及び方法、並びにロボット装置 |
US9402558B2 (en) * | 2007-04-05 | 2016-08-02 | New York University | System and method for pain detection and computation of a pain quantification index |
WO2008133509A1 (en) * | 2007-04-25 | 2008-11-06 | Nederlandse Organisatie Voor Toegepast-Natuurwetenschappelijk Onderzoek Tno | Machine learning hyperparameter estimation |
AU2010282150B2 (en) * | 2009-08-14 | 2016-03-31 | David Burton | Anaesthesia and consciousness depth monitoring system |
US20140276188A1 (en) * | 2013-03-14 | 2014-09-18 | Accendowave Inc. | Systems, methods and devices for assessing and treating pain, discomfort and anxiety |
JP2013164863A (ja) | 2013-04-24 | 2013-08-22 | Sony Corp | 情報処理装置、情報処理方法、およびプログラム |
JP6767966B2 (ja) * | 2014-04-09 | 2020-10-14 | エントルピー インコーポレーテッドEntrupy Inc. | 微視的差異からの機械学習を使用する物体の真贋鑑定 |
US20180242904A1 (en) | 2015-02-24 | 2018-08-30 | Osaka University | Pain measurement device and pain measurement system |
CN108135491B (zh) * | 2015-10-15 | 2022-01-28 | 大金工业株式会社 | 生理状态判定装置及生理状态判定方法 |
JP7336755B2 (ja) * | 2017-07-28 | 2023-09-01 | パナソニックIpマネジメント株式会社 | データ生成装置、生体データ計測システム、識別器生成装置、データ生成方法、識別器生成方法及びプログラム |
US20200184382A1 (en) * | 2018-12-11 | 2020-06-11 | Deep Learn, Inc. | Combining optimization methods for model search in automated machine learning |
US20200349416A1 (en) * | 2019-05-05 | 2020-11-05 | Alibaba Group Holding Limited | Determining computer-executed ensemble model |
JP2022544229A (ja) * | 2019-08-14 | 2022-10-17 | ジェネンテック, インコーポレイテッド | オブジェクト検出を用いて位置特定された医用画像の三次元オブジェクトセグメンテーション |
-
2018
- 2018-07-06 EP EP18828566.2A patent/EP3649933A4/en active Pending
- 2018-07-06 CN CN201880057841.2A patent/CN111050642A/zh active Pending
- 2018-07-06 WO PCT/JP2018/025769 patent/WO2019009420A1/ja unknown
- 2018-07-06 US US16/628,989 patent/US11922277B2/en active Active
- 2018-07-06 JP JP2019527992A patent/JP6764205B2/ja active Active
-
2020
- 2020-09-08 JP JP2020150619A patent/JP2020203121A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
EP3649933A1 (en) | 2020-05-13 |
JPWO2019009420A1 (ja) | 2020-08-06 |
US11922277B2 (en) | 2024-03-05 |
EP3649933A4 (en) | 2021-07-14 |
JP2020203121A (ja) | 2020-12-24 |
US20220004913A1 (en) | 2022-01-06 |
CN111050642A (zh) | 2020-04-21 |
WO2019009420A1 (ja) | 2019-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6764205B2 (ja) | トレンド分析を利用した痛みの判別、機械学習、経済的判別モデルおよびIoTを応用した医療装置、テイラーメイド機械学習、および新規疼痛判別用脳波特徴量 | |
WO2020218490A1 (ja) | 機械学習に用いられる教師データを増幅するためのシステム、方法、プログラム | |
Li et al. | EEG-based mild depressive detection using feature selection methods and classifiers | |
JP6124140B2 (ja) | 患者の認知機能の評価 | |
US20190336030A1 (en) | Methods for modeling neurological development and diagnosing a neurological impairment of a patient | |
JP7203388B2 (ja) | 快不快の判別 | |
Eldridge et al. | Robust features for the automatic identification of autism spectrum disorder in children | |
AU2016221435A1 (en) | Systems and methods for brain activity interpretation | |
JP2007125362A (ja) | 認知能減退を予測するためのシステムおよび方法 | |
Wen et al. | Hybrid approach of EEG stress level classification using K-means clustering and support vector machine | |
Nath et al. | Machine learning-based anxiety detection in older adults using wristband sensors and context feature | |
Tran et al. | Functional connectivity during language processing in 3‐month‐old infants at familial risk for autism spectrum disorder | |
Li et al. | Higher-order brain network analysis for auditory disease | |
Bakheet et al. | Linear and nonlinear analysis of intrinsic mode function after facial stimuli presentation in children with autism spectrum disorder | |
Alqahtani et al. | Classifying electroencephalogram signals using an innovative and effective machine learning method based on chaotic elephant herding optimum | |
Chiovato et al. | Evaluation of mindfulness state for the students using a wearable measurement system | |
García-Ponsoda et al. | Feature engineering of EEG applied to mental disorders: a systematic mapping study | |
Rezaee et al. | A direct classification approach to recognize stress levels in virtual reality therapy for patients with multiple sclerosis | |
McGinnis et al. | Validation of smartphone based heart rate tracking for remote treatment of panic attacks | |
Rachakonda et al. | Tr-estimate: a novel machine learning based early prediction system for post-traumatic stress disorder using IoMT | |
Nagwanshi et al. | Wearable Sensors with Internet of Things (IoT) and Vocabulary‐Based Acoustic Signal Processing for Monitoring Children’s Health | |
Venuto et al. | A mobile health system for neurocognitive impairment evaluation based on P300 detection | |
Theodorakopoulou | Machine learning data preparation for epileptic seizures prediction. | |
Lievestro | Bedside quantitative cEEG monitoring on the Intensive Care for comatose patients after cardiac arrest. | |
Demanuele et al. | Slow neuronal oscillations in the resting brain vs task execution: A BSS investigation of EEG recordings |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
AA64 | Notification of invalidation of claim of internal priority (with term) |
Free format text: JAPANESE INTERMEDIATE CODE: A241764 Effective date: 20200325 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200430 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200430 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20200430 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20200618 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200624 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200821 |
|
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: 20200828 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200908 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6764205 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |