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 PDF

Info

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
Application number
JP2019527992A
Other languages
English (en)
Other versions
JPWO2019009420A1 (ja
Inventor
文 中江
文 中江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Osaka University NUC
Original Assignee
Osaka University NUC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Osaka University NUC filed Critical Osaka University NUC
Publication of JPWO2019009420A1 publication Critical patent/JPWO2019009420A1/ja
Application granted granted Critical
Publication of JP6764205B2 publication Critical patent/JP6764205B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

本発明は、対象から得られる脳波などの生体信号のトレンド分析を利用して疼痛の質および量を判別することに関する。より特定すると、本発明は、生体信号値（特に脳波信号）を、時間枠（ブロック）ごとにまとめて測定平均をとり、その平均値の推移を分析することで、より主観的疼痛に対応した分析を行うことに関する。本発明はまた、脳波を用いて疼痛を判別する技術の経済的判別モデルに関する。本発明はまた、機械学習を個別化（テイラーメイド）して実現する技術に関する。本発明はまた、新規疼痛判別用脳波特徴量に関する。
痛みは、本質的には主観的なものであるが、治療を行う上では客観的に評価されることが望まれる。疼痛が過小評価されることにより、患者が不利益を被る場面が多くみられる。そこで、脳波を用いて疼痛を客観的に推定する方法が提案されている（例えば、特許文献１を参照）。
しかし、疼痛の強さは主観的なものであり、客観的な評価が難しい。また脳波信号はぶれが大きく、主観と必ずしも対応していない。また、疼痛の時間的変化を効果的にモニタリングする手法も確立されていない。疼痛の判別は、まだまだ端緒についたばかりで効率的なモデルの生成および判別は提供されていない。
人工知能を実現する方法として機械学習が広く用いられている。入力データから当該入力データの特徴を示す情報を高精度に抽出できるアルゴリズムを構築する方法として、アンサンブル学習と称する手法が知られている（例えば、特許文献２〜３）。
アンサンブル学習は、複数の教師データを用いて精度の相対的に低い情報抽出装置（以下、弱情報抽出部（ｗｅａｋ ｌｅａｒｎｅｒ）と称する）を複数生成し、生成した複数の弱情報抽出部による出力を組み合わせることによって高精度の情報抽出装置を得る手法である。
特表２０１０−５２３２２６号公報 特開２００５−４４３３０号公報 特開２０１３−１６４８６３号公報
一つの局面において、本発明は、対象から得られる脳波などの生体信号をトレンド分析（時系列分析）を利用して疼痛の質および量を判別することに関する。より特定すると、本発明は、生体信号値（特に脳波信号）を、時間枠（ブロック）ごとにまとめて測定平均をとり、その平均値の推移を分析すると、より主観的疼痛の推移に対応していることを見出したことに基づく発明である。本発明はまた、そのようなトレンド分析を生成する技術を提供する。
この局面において、本発明は、例えば、以下を提供する。
（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。
この局面において、本発明は、例えば、以下を提供する。
（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。
別の局面において、本発明者らは鋭意研究をした結果、疼痛判別用脳波特徴量として利用可能な新規パラメータを見出し、その中で、エントロピー等の複雑性指標、および脳波特徴量（例えば、平均振幅（電位）、周波数パワー、複雑性指標等）の相互関係（脳波特徴量相互関係；例えば、同期性、相関関係等）が、精度の良い疼痛判別を効率よく提供することができる技術を見出した。
この局面において、本発明は、例えば、以下を提供する。
（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。
本発明において、上記１または複数の特徴は、明示された組み合わせに加え、さらに組み合わせて提供されうることが意図される。本発明のさらなる実施形態および利点は、必要に応じて以下の詳細な説明を読んで理解すれば、当業者に認識される。
本発明は、主観的疼痛の推移を正確にモニターすることができる。本発明はまた、正確に記録された疼痛の推移に基づいて、よりきめ細やかで主観に合致した治療や手術を行うことができ、医療関連産業において有用性がある。
本発明はまた、効率よく疼痛を判別することができる。精度も格段に高いレベルで疼痛を判別することができ、よりきめ細やかで主観に合致した治療や手術を行うことができ、医療関連産業において有用性がある。
本発明は、機械学習をテイラーメイド化し得る手法を実現した。これは、機械学習のテイラーメイド化が必要なあらゆる分野で重要であり、通信分野、電機分野、音響分野、機械分野、化学分野、生物分野等種々の分野における応用が考えられる。例えば、個別化医療（Ｐｒｅｃｉｓｉｏｎ Ｍｅｄｉｃｉｎｅ）等、テイラーメイド化が重要な分野において特に利用性を有する。この例では、本発明は、効率よく疼痛を判別することができる。精度も格段に高いレベルで疼痛を判別することができ、主観的表現では把握の困難であった疼痛について、よりきめ細やかで精確な診断、治療や手術を行うことができ、医療関連産業において有用性がある。
本発明を用いると、効率よく疼痛を判別することができる。精度も格段に高いレベルで疼痛を判別することができ、よりきめ細やかで主観に合致し、かつ客観的にも適正な治療や手術を行うことができ、医療関連産業において有用性がある。
本発明はまた、脳波特徴量の相互関係（位相同期、コーヒレンス、結合性、因果性）を疼痛判別に効率的に応用することで、「痛み上昇→EEG特徴量上昇」というパターンだけでなく、「痛み上昇→EEG特徴量減少」というパターンも同時に網羅することができるという効果を奏する。単独の特徴量では痛み判別を網羅的に行うことはできない現象を押さえることができることを見出したことには価値があると考えられる。本発明の「統合的EEG特徴量」ともいうべき特徴量はこのような効果を達成し、そして、本明細書の記載を参考に、当業者は、縮約過程で状況に応じて適宜、適応的に実施することができる。
図１Ａは、電気刺激と疼痛レベル（ＶＡＳ）との関係を示すグラフである。 図１Ｂは、電気刺激と疼痛レベル（一対比較）との関係を示すグラフである。 図１Ｃは、電気刺激と脳波振幅との関係を示すグラフである。 図１Ｄは、脳波波形の一例を示すグラフである。 図１Ｅは、電気刺激による疼痛レベル（ＶＡＳ）と脳波振幅との関係を示すグラフである。 図１Ｆは、電気刺激による疼痛レベル（一対比較）と脳波振幅との関係を示すグラフである。 図１Ｇは、熱刺激による疼痛レベル（ＶＡＳ）と脳波振幅との関係を示すグラフである。 図１Ｈは、熱刺激による疼痛レベル（一対比較）と脳波振幅との関係を示すグラフである。 図１Ｉは、１０秒（上段）、２０秒（中段）および４０秒（下段）の平均時間間隔におけるＥＥＧ振幅（絶対値化、ならびに標準化済み）と低温疼痛変化（Ａ)との間の比較およびＥＥＧ振幅と主観的疼痛強度変化（Ｂ)との間の比較を示す。どちらの相関係数も、平均時間間隔が長くなるほど改善している。横軸は経時ウインドウを示し、縦軸は絶対ＥＥＧ振幅（標準化）または低温疼痛強度（標準化）を示す。 図２は高温疼痛刺激条件および低温疼痛刺激条件におけるＥＥＧ変化（絶対値化、ならびに標準化済み）と温度またはＥＥＧ変化と疼痛評価変化との間の平均相関係数（ｎ＝３２）の比較を示す。高温、ならびに低温刺激の両条件で、３０〜４０秒周辺で、相関係数の統計的差異が隣接する時間間隔の間に見られる。Ａは低温刺激を示し、Ｂは主観的低温疼痛強度を示し、Ｃは高温強度を示し、Ｄは主観的高温疼痛強度を示す。縦軸は相関係数を示し、横軸は平均間隔（秒）を示す。＊は統計学的有意（ｐ＜０．０５）を示す。 図3は非重複経時方向平均法と重複経時方向平均法との間の平均相関係数値の比較を示す。非重複、重複（移動平均）、または混合方式（移動平均後に非重複平均）では、重複方法に比べて、非重複方法を使った方が、疼痛指標（主観評価、低温強度）との相関係数が高くなっている。縦軸は絶対相関係数を示し、左パネルは主観的疼痛評価を示し、右パネルは低温強度を示す。黒バーは非重複、白バーは重複、白黒混在は混合を示す。 図４は約１５秒未満の持続期間と４０秒を超えるより長い持続期間との間の差を示す。特に、１５秒未満と４０秒以上の平均間隔持続区間の間に、シグモイド関数に近似した相関係数値の隔たりが見られる。縦軸は相関係数を示し、横軸は平均ＥＥＧの間隔持続期間を示す。太線はＳ字フィッティング関数を示す。 図５は、ＥＥＧに基づく疼痛指数を示す。臨床現場における、鎮痛、鎮静薬における疼痛レベルの変化は、強から弱方向に主に進行することが見込まれる。ここでは、最も疼痛レベルが高い条件の特徴量（振幅絶対値（標準化済み）の平均）をベースラインとして、疼痛指数を作成し、４０秒の非重複時間平均法でトレンドを表現している。縦軸は疼痛指数を示し、横軸は時間ウインドウを示す（４０秒平均間隔）。黒丸はＥＥＧの変動を示し、白四角の破線は主観評価の推移を示す。 図６は、平均電位変化と疼痛指標の相関関係が平均時間間隔の変化によりどのように推移するかを示す。図６Ａは、疼痛主観評価（平均電位振幅（絶対値）と低温刺激の主観的疼痛評価の相関）、図６Ｂは、冷刺激強度（平均電位振幅（絶対値）と低温刺激強度の相関）の相関係数の推移を示す。縦軸は相関係数を示し、横軸は平均時間間隔（秒）を示す。 図７は、温度ならびに刺激持続時間を変えたランダム高温刺激検査パラダイムである。温度は３８℃から４８℃の範囲で、持続時間は１５秒から２４０秒までの範囲で変化している。 図８は、高温刺激検査データ（疼痛６レベル）を用いて、算術平均時間間隔を１０秒から１２０秒に変えた場合の相関係数の推移を示す。平均時間間隔が長くなると、相関係数も上昇する傾向がみられる。Ａは算術平均電位振幅（絶対値）と主観的疼痛評価の相関を示し、Ｂは算術平均電位振幅（絶対値）と高温刺激強度の相関を示す。縦軸は相関係数を示し、横軸は算術平均時間間隔（秒）を示す。 図９は、高温刺激検査データ（疼痛６レベル）を用いて、幾何平均時間間隔を１０秒から１２０秒に変えた場合の相関係数の推移を示す。平均時間間隔が長くなると、相関係数も上昇する傾向がみられる。Ａは幾何平均電位振幅（絶対値）と主観的疼痛評価の相関を示し、Ｂは幾何平均電位振幅（絶対値）と高温刺激強度の相関を示す。縦軸は相関係数を示し、横軸は幾何平均時間間隔（秒）を示す。 図１０は、疼痛レベルトレンドモニタリングで用いられる「階層的疼痛トレンドモニタリング手法」における、トレンド縮約過程を例示している（ここでは１０秒→６０秒、６０秒→１２０秒）。トレンドユニット（ここでは１０秒）を時間経過とともに縮約し、局所的モニタリングから大局的モニタリングを網羅した方法である。 図１１は、本発明のスキームの模式図である。 図１２は、本発明の装置構成のブロック図である。 図１３は、図１２の装置構成に、「階層的疼痛トレンドモニタリング手法」を組み込んだブロック図である。 図１４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結果を示す。判別モデルは、テストする脳波データとは異なる実験プロトコルにより作成した。高温と低温刺激の異なる痛み刺激プロトコルをモデル化に用いた。痛みトレンドの可視化に、１５秒の時間枠設定をした。痛みの主観評価と類似したトレンドを示した。サンプル数は５１名で観察を行った。上位10名データを図示する。 図１５は、ID328の実施例を示す。 図１６は、ID358の実施例を示す。 図１７は、ID224の実施例を示す。 図１８は、ID343の実施例を示す。 図１９は、ID371の実施例を示す。 図２０は、ID345の実施例を示す。 図２１は、ID416の実施例を示す。 図２２は、ID383の実施例を示す。 図２３は、ID405の実施例を示す。 図２４は、ID208の実施例を示す。 図２５は、実施例７の例２の解析方法の概要を示す。また、C繊維の遅延痛覚特性を示す周波数特徴量（β帯域）の時間変化特性を図示した（時間周波数分析により表示）。特に、レベル６が刺激提示後5秒から遅れて周波数パワーが、他のレベルに比べ増大している。 図２６は、特徴量抽出過程（１）EOG除去処理を示す。過程１：4電極データに主成分分析を行い、 EOG成分（第一成分：灰）を取り出す。その後、1〜30Hzの帯域通過フィルターをかけて、緩い変化、早い変化を低減し、平滑なEOG波形(黒)にする。過程2：各電極の元データをEOGデータで回帰し、電極ごとのβ係数を得る。EOGにβ係数をかけた成分を元の記録データから除去する。灰（ぶれのあるデータ）：元のFp1データ。黒（中央付近を遷移するデータ）：EOG除去処理後のデータ。 図２７は、特徴量抽出過程（２）EMG除去処理を示す。過程１：EOG除去後の波形に、刺激区間×3倍の長さを低域カット周波数、30Hzの高域カット周波数に設定し、波形からノイズ成分を省く。＊刺激区間×3倍にしたのは、刺激提示後も脳波活動が続くために弱く設定した。この段階で、元データから30Hz以上の成分が除外されるので、特徴量として「γ帯域」は、今回は用いていない 図２８は、特徴量抽出過程（３）EOG特徴量追加を示す。過程：EOG除去用の主成分データ１ｃｈを、「ノイズ逆利用」して特徴量に追加した。＊処理としては、帯域通過フィルターをかけている。過程（１）〜（３）を行った後、刺激提示後5〜15秒までの区間を1秒ごとに区切り、振幅と周波数(δ,Θ,α,β)の特徴量を各電極で作成した。すなわち、計25個の特徴量×6レベル×3試行×10区間である。 図２９は、判別モデル（レスト区間で標準化、EOG特徴量あり）を示す。チャンスレベル以下の被験者を除き、モデルを4回作成しなおした（被検者81名、4860サンプル）。基本モデルをL1（４０℃）とL6（５０℃）の判別により作成した。左には、精緻化後の特徴量係数(デフォルト痛み判別モデルの係数)を示す。右のグラフは、精緻化4回後の痛み推定値の全体分布を示す。 図３０は、判別モデルの概要を示す。モデル作成は、L1とL6（各30サンプル）で行い、サンプル数は「計10200」を用いた。精緻化の基準は、判別精度が70％の被験者だけが残るように4回行った結果、81名になった。精緻化モデルを使って、全170名のL1とL6（刺激提示後5〜10秒の特徴量、6サンプル）の判別精度は、「79.4±26.4%」であった。判別精度が70％以上の被験者は「93名」で「54.7％」、50％のチャンスレベル以上の被験者は「147名」で「86.５％」であった。 図３１は、痛み占有率を示す。これは、痛み推定値を「痛みあり」と判別したときの確実性を示す概念である。その算出方法は以下のとおりである。 i. 精緻化後の81名（判別精度＞70％）の判別モデルにより、痛みなし（30サンプル×81名）と痛みあり（30サンプル×81名）の判別推定を算出。ii.全痛み推定値の最小値（-1）と最大値（2）を、例えば、「0.1幅ずつ分割し、各推定値の痛みあり推定値の占有率を算出する。「痛みあり占有率(%) ＝ 痛みあり推定値の数/(痛みあり推定値の数＋痛みなし推定値の数)」iii. シグモイド関数でフィッティングし「痛み占有率関数」を得、占有率モデルを作成する。以下に、その痛み占有率関数の例を示す。 図３２は、痛みトレンド解析例を示す。痛みモデルに別の実験データの特徴量を投入し、痛みスコアを時間変化で「痛みトレンド表示」した。EEGデータ処理は以下のとおりである。記録開始時点から30秒のレスト区間で、その後のEEG特徴量を標準化した後、精緻化判別モデルに投入した。主観評価、ならびに刺激強度が上昇するのに対応して推定値が上昇し、発生率（確実性）も上昇した。推定値と痛み主観評価（COVAS）の相関は以下のとおりである。:r= 0.45, p ≒ 0。トレンドの二重評価方式により、不快度の評価が上がるのに対応し、モデルの推定値もあがり、その時にどの程度痛みが起こっているか（占有率）の判断サポート情報も得られる。占有率を参照することで、判別判断の確実性を客観的に判断可能になる。 図３３は、実施例８等で用いた高温刺激パラダイム例を示す。高温刺激は６レベルであり、各レベルは３刺激を行った。刺激呈示時間は１５秒であり、レベルブロック間の時間間隔は１００秒であった。特徴量は、各レベル３刺激（１５秒間）の平均絶対振幅と平均周波数パワー（δ、θ、α、β、γ）であった。判別する２レベルは、痛み弱（レベル１〜３）および痛み強（レベル４〜６）であり、サンプル数は、強弱×レベル３つ×４０名＝２４０であった。 図３４は、特徴量数の縮約過程付き判別分析のフローを示す。 図３５は、特徴量縮約過程付き判別分析（実施例８）の結果（特徴量ランキングと判別精度）を示す。計算コストが低い経済的痛み判別・推定モデルである。これまでは全部の特徴量２４個を使って判別してきたが、今回は、シグモイド関数近似がより高いたった２つの上位特徴量を使うだけで、「７１．３％」の痛み２レベルの判別精度を示すことが分かった。 図３６は、比較例の結果を示す。特徴量縮約過程付き判別分析（既存ＳＶＭ−ＲＦＥ：Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ Ｒｅｃｕｒｓｉｖｅ Ｆｅａｔｕｒｅ Ｅｌｉｍｉｎａｔｉｏｎ：Ｇｕｙｏｎ ｅｔ ａｌ．， （２００２）．Ｇｅｎｅ Ｓｅｌｅｃｔｉｏｎ ｆｏｒ Ｃａｎｃｅｒ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｕｉｓｎｇ Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ．Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ４６：３８９−４２２）の結果（特徴量ランキングと判別精度）である。経済的痛み判別・推定モデルでは、以下のことがわかる。１）既存の特徴量縮約付サポートベクターマシン（ＳＶＭ）の上位特徴量４個の種類は、シグモイド縮約の場合と同じものが含まれている。２）判別精度は、同じ「７１．３％」を特徴量１つで実現しているが、特徴量１個の違いだけである。３）計算コストは、ＳＶＭモデル構築に１個抜き交差検定を２４０回行い、この過程を２４個の特徴量のランキングのために２４回行うので、計算コストが高い。 図３７は、シグモイド縮約とＳＶＭ−ＲＦＥにおける縮約にかかる計算コストの違いを示す。Ａは従来のＳＶＭ−ＲＦＥ法を示す。Ｂは本発明のシグモイド縮約付ＳＶＭの例を示す。 図３８は、本発明の経済的判別モデルの検証過程を示す。２４０サンプルを１０分割し（４名×１０セット）、機械学習（ＳＶＭ）モデル作成用データとして９割使い（３６名）、残り１割（４名）の痛みレベルを判別・推定した。使用した特徴量は上位２個のみであった。 図３９は、３２１６０サンプルを判別するモデル作成のための実験に用いた高温刺激ブロックパラダイムを示す。痛みなし、痛み弱、痛み強の３ブロックを含み、各刺激は１５秒間呈示された。ブロック間の時間間隔は２０秒であった。全部で５セットあり、各セットには、６４ブロックが含まれていた。 図４０は、判別モデルで用いる特徴量の抽出過程を示す。この過程には、１）ＥＥＧデータ収集、２）データの切り出し、３）特徴量２種類の選定、４）特徴量の結合を含む。これらのプロセスを通じて、計４９個の特徴量を得た。 図４１は、特徴量と判別モデル選択時の二重縮約過程による判別モデル決定過程を示す。図３４の判別モデル決定過程とは、１）特徴量の判別特性の数量化、２）特徴量のランキング、３）上位特徴量から順番にモデルに含める階層的判別分析までは、同一プロセスを含む。一方、最後の判別モデル選択時点で、シグモイド関数などを用いて判別精度の変化を近似して、経済的な判別モデルを選択するところが新たに含まれている。なお、図中の数値はいずれも例示である。 図４２は、全４９通りの判別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、図４２Ｂは、最終テストデータの判別精度変化パターンを示す。両グラフから理解されるように、変化パターンには、階段状の変調エリアが２箇所あり、第一変調エリアの変動幅がより大きい。したがって、この変調エリアにシグモイド関数近似を行い、近似関数の最大値「６３．７％」を越える最少特徴量を調べたところ、特徴量２３個を含む判別モデルであることが判明した（図４２Ｃ）。また、この変調により、判別精度は、全体の判別精度改善の５４％を占めることが分かった（図４２Ｄ）。 図４３は、判別精度改善が最高ゲインを示すモデルにふくまれる特徴量２３個のリストを示す。Ｆｐ１、Ｆｐ２の脳波特徴量が全２３個中９個（４０％）を占めていた。 図４４は、特徴量および判別モデル選択時の二重縮約過程による判別モデル決定過程２を示す。図４１の判別モデル決定過程との違いは、第１回目の判別精度を算出後、ｎ−１特徴量数モデル（ｎ≧２）とｎ特徴量モデルの隣接モデルの判別精度の差分値（Ｄｉｆｆ）を求め、モデル投入した場合の差分値が大きい特徴量から再ランキングすることである。この場合、最初の判別精度で上位ランク１位、もしくは有意に相関する特徴量群を「メイン特徴量」、それ以外を「サポーター特徴量」とし、後者の特徴量だけを再ランキングする。例えば、図４３の特徴量リストにおいて、特徴量Ｎｏ．１４からＮｏ．１５のモデル作成において、判別精度が１．４％の最大ゲインを示している。したがって、上位ランク１位のＰｚ電極における高ガンマ帯域特徴量を除いた再ランキングでは特徴量Ｎｏ．１５が上位にリストされ、モデル作成の初期段階でモデルに投入される。この過程を追加することにより、判別関数（例．シグモイド関数など）に強く近似するメイン特徴量と、近似が低いがモデルを微調整するサポーター特徴量が早期の段階に組み合わさり、少ない特徴量で高い判別精度が得られる。 図４５は、図４４で記述した、近接モデル（ｎ−１特徴量数モデルとｎ特徴量数モデル）の判別精度の差分値（Ｄｉｆｆ）を用いた、特徴量の再ランキングにより判別精度がどのように変化するかを示している。Ａは、学習データを用いた交差検定によるモデル検証時の判別精度の推移であり、Ｂは、テストデータ判別精度の検証時における精度の推移を示す。再ランキングを２回行ったときの推移が、特徴量数が１０〜１５個の時点でほぼ判別精度が天井に到達しており、最も経済的な判別モデルであることを示す。この結果により、差分値により特徴量数を再ランキングすることで、判別関数（例．シグモイド関数など）に強く近似するメイン特徴量とモデルを微調整するサポーター特徴量が早い段階で効率的に組み合わさり、判別精度を向上させることが示唆される。 図４６は、判別モデル精緻化・向上法のフローチャート（Ａ）と電気刺激を用いた実施例（実施例１３）における精緻化前（Ｂ）から精緻化後（Ｃ）における判別精度向上の実際を示す。 図４７は、特徴量縮約過程付き判別装置の模式図を示す。 図４８は、特徴量係数に基づいた縮約過程の別の例の模式図を示す。図中の数値はいずれも例示である。 図４９は、ハイパーパラメータに基づいた縮約過程の模式図を示す。図中の数値はいずれも例示である。 図５０は、本発明のデバイスの模式図であり、すべての部分が装備されている例を想定したものである。 図５１は、本発明のデバイスの模式図であり、デバイス部分（左側）では、脳波取得およびデータの送受信を行い、可視化する機能のみを持つ実施形態を示す。分析や判定判別モデルの生成などは、クラウド又はサーバで行うことが想定される実施形態である。このモデルでは、脳波特徴量（分析データ）の抽出は、端末側で行われる。 図５２は、本発明のデバイスの模式図であり、デバイス部分（左側）では、脳波取得およびデータの送受信を行い、可視化する機能のみを持つ実施形態を示す。分析や判定判別モデルの生成などは、クラウド又はサーバで行うことが想定される実施形態である。このモデルでは、脳波特徴量（分析データ）の抽出は、サーバ側で行われる。 図５３は、本発明のデバイスの模式図であり、デバイス部分（左側）では、脳波取得およびデータの送受信を行い、判別モデルを格納してオンサイトでの判別を行うことができるようにし、これらを可視化する機能を持つ実施形態を示す。このような実施形態は、病院などの電波の送受信を行いにくい施設や場所での実施を想定した実施形態である。判定判別モデルの生成は、クラウド又はサーバで行うことが、実際にモデルに実測データを当てはめることはデバイスで行われる実施形態である。脳波特徴量（分析データ）の抽出は端末で行われてもサーバ側で行われてもよい。
図５４は、実施例１６等で共通して用いられた高温刺激呈示パラダイムを示す。高温ブロックは全部で３タイプあり、痛みなしブロック（４０℃）、痛み弱ブロック（４４℃）、痛み強ブロック（４８℃）からなっていた。各ブロックには２刺激含まれ、１刺激１５秒間、計３０秒継続した。ブロック間の時間間隔は２０秒であった。全部６４ブロックを計５セット被検者は行った。 図５５は、判別モデルで用いる特徴量の抽出過程を示す。この過程には、１）脳波（ＥＥＧ）データ収集、２）データの切り出し、３）特徴量２種類の選定、４）特徴量の結合を含む。これらのプロセスを通じて、計４９個の特徴量を得た。 図５６は、「テイラーメイド痛み判別推定法１」の概要を示す。ここでは手順１として交差検証（交差検定ともいう。Ｃｒｏｓｓ Ｖａｌｉｄａｔｉｏｎ；ＣＶ）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（ＳＶＭ）の場合はＣ、γ）を決定し、手順として手順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、手順３として個人レベルの判別精度のランキングから判別精度の近い被験者のグループを作成し、手順４としてＣＶにより各グループのハイパーパラメータを決定し、手順５として手順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、判別最大モデル（「判別ＭＡＸモデル」と表示）を特定する。 図５７は、手順１を概説する模式図である。手順１では、交差検定により、全サンプルにおけるハイパーパラメータ（例えば、ＳＶＭの場合はＣ、γ）を決定する。これにより最適なハイパーパラメータが決定される。 図５８は、手順２を概説する模式図である。手順２では、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する。模式図では、本実施例１６で使用されるＣ＝２、γ＝０．１２５を示す。判別精度が高い対象者から降順で並べ替えたグラフを示す。 図５９は、手順３を概説する模式図である。手順３では、個人レベルの判別精度のランキングから判別精度の近い被験者のグループを作成する。 図６０は、手順４を概説する模式図である。手順４では、グループ化されたサンプルを用いて、各グループに最適なハイパーパラメータ（例えば、ＳＶＭの場合はＣ、γ）を決定する。 図６１は、手順５を概説する模式図である。手順５では、手順４で得られた判別モデルセットを使って個人レベルの判別精度をモデル数だけ算出し、その中から個人ごとに判別最大モデル（「判別ＭＡＸモデル」）を特定する。この方法により、全被検者の平均判別精度は、６４％から約１４％向上し、７７％まで上昇した。 図６２は、判別最大モデル（「判別ＭＡＸモデル」）の判別精度を社会人口特性、すなわち、性別、年代ごとにまとめたものである。性別、ならびに年代ごとに痛み反応特性が異なることが予測される。例えば、両性別、全年代を用いた単一判別モデルの判別精度は、男性６０代では６０％に到達せず、また、最高精度でも、女性２０代の７０％であった。一方、判別最大（ＭＡＸ）モデルを各性別、各世代の個人ごとに特定し判別推定を行うと、男性６０代でも１０％判別精度が向上し、女性２０代では７７％と８０％に到達する勢いを示した。これはグルーピングによるテイラーメイド機械学習による精度向上効果の実証例である。 図６３は実施例１７で行った「テイラーメイド痛み判別推定法２」の概要を示す。実施例１６の手順１〜５に加え、手順６および７を行う。これは、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を目指すものであり、手順６としてモデル６２個をひとつずつ使った判別精度で、個人ごとに判別モデルを降順に並べ替え、手順７として判別モデルを１個ずつ増やし、「アンサンブル法（多数決制）」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する（「アンサンブル枝刈り」）を行う。 図６４は、アンサンブル法の概念図１を示す。学習用（トレーニング）データセットと新しい検証用（テスト）データの関係性を示し、最終予測が出される過程を示す。トレーニングデータセットを複数に分けてサンプリングし（グループ化）、個別判別モデルを多数作り、それら個別モデル判別結果の集合体に基づき多数決で、テストデータの最終判別結果を決定する過程である。 図６５は、アンサンブル法の別の概念図２を示す。判別精度の算出の流れを示す。例では、痛みありをラベル「１」、痛みなしをラベル「０」として、学習データ（サンプル）のグループ化により得られた各判別モデルにより、テストデータ（個人の痛みサンプル）の予測を行う。その結果に対して多数決投票を行い、ラベル「１」の投票が多い場合は「痛みあり」、ラベル「０」の投票が多い場合は「痛みなし」として最終の判別予測を決定し、実際の痛みラベルと比較することで、アンサンブル判別モデルの判別精度を決める。なお、本例は、バギングの例である。 図６６は、アンサンブル枝刈りによる判別精度の向上例１を示す。本例では、対象者１の結果を示す。アンサンブル法では、１５個の判別モデルの多数決による判別推定モデルが、精度の向上を実現した。実施例１６における単一モデルによる判別最大（Ｍａｘ）法に比べ、実施例１７で行ったアンサンブル法の判別精度は約７％高くなった。 図６７は、アンサンブル枝刈りによる判別精度の向上例２を示す。本例では、対象者２の結果を示す。アンサンブル法では、４個の判別モデル多数決による判別精度が、精度の向上を実現した。実施例１６における単一モデルによる判別最大（Ｍａｘ）法に比べ、実施例１７で行った別の例でのアンサンブル法の判別精度は同様に約７％高くなった。 図６８は、実施例１７で行ったアンサンブル法１による判別精度の向上のまとめを示す。全対象者の判別手法３通りの比較が呈示される。アンサンブル法は、全サンプルを用いた単一判別モデルの判別精度より約１６％、また、単一の判別（最大）Ｍａｘモデルより約３％精度が向上した。 図６９は、実施例１８で行われた「テイラーメイド痛み判別推定法３」の概要を示す。この手法では、新たな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を目指した。本例では、手順６Ａとしてモデル６２個を一つずつ使った判別精度でモデルを降順に並べ替え、手順７Ａとして、そのうち最も判別精度が高い判別最大（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ることを繰り返し、判別精度を段階的に向上させる。 図７０は、実施例１８で実施された改良型アンサンブル法の詳細説明を示す。詳細には、１．全モデル（Ｎ個）から判別最大（ＭＡＸ）モデルを選択し、これを「メインモデル」とし；２．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」とし；３．メインモデルに、Ｎ−１個のサポーターモデルから１個選択して追加した場合に、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」とし；４．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」とし；５．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なくなるまでこれらの手続きを繰り返す。 図７１は、改良アンサンブル枝刈り法による判別精度の向上例を示す。実施例１８で行った対象者１〜４を示す。全対象者で判別精度が繰り返しの早期に５〜１０％向上した。 図７２は、アンサンブル法２（改良法）による判別精度の向上のまとめを示す。全対象者の判別手法５通りの比較を示す。アンサンブル法２（改良法）は、全サンプルを用いた単一判別モデルや全モデルを用いたアンサンブル法はもとより、実施例１７の改良アンサンブル法１に比べて、さらに約４％判別精度が向上し、約８３％の判別精度を実現した。 図７３は、キャリブレーション付テイラーメイド痛み判別推定法４の概要である。実際の痛みモニタリング時を想定し、個人のサンプル（総数はｎ個）をリファレンス（ｍ個）とテスト（ｎ−ｍ個）とに分けて、リファレンス判別モデルを作成し、オンラインモニタリングサンプルを想定した、テストサンプルの判別推定を行う。リファレンスサンプルは実際のオンラインモニタリング前のモデル決定過程を想定したサンプルであり、それ以外のｎ−ｍサンプルは、オンラインの痛みモニタリングを想定したサンプルである。 図７４は、対象者１名のキャリブレーション付判別精度結果の比較である。全サンプルの単一モデル以外の３モデル（アンサンブル１、アンサンブル２、判別最大（ＭＡＸ））で、リファレンスサンプル数５０個ぐらいまでに、リファレンス判別モデルの正答率は落ち着く。リファレンス判別モデルを用いたテスト判別精度は、緩やかに上昇を見せるが、大きな変化はなく、実施の疼痛モニタリング前のリファレンス刺激呈示は、上限５０回ぐらいになると考えてよい。 図７５は、全１３２名のキャリブレーション付判別精度結果の比較である。図７４の個人パターンと類似して、全サンプルの単一モデル以外の３モデル（アンサンブル１、アンサンブル２、判別最大（ＭＡＸ））は、リファレンスサンプル数５０個ぐらいまでに、リファレンス判別モデルの正答率勾配は落ち着く。リファレンス判別モデルを用いたテスト判別精度は、アンサンブル１と単一モデル以外は緩やかな上昇をサンプル数５０ぐらいまで示している。全体結果も、実施の疼痛モニタリング前のリファレンス刺激呈示は、上限５０回ぐらいになることを示していると言える。 図７６は、キャリブレーション付きアンサンブル法の判別精度が、リファレンス数が変わるとどのように変化するかを示している。単一モデルとアンサンブル法１は、リファレンスサンプル数が１０〜５０個に増えても、テストサンプルの判別精度は類似していたが、アンサンブル法２と判別最大（ＭＡＸ）法は４〜５％、判別精度が向上した。 図７７は、本発明の機械学習によるテイラーメイド判別モデル作成方法を搭載した、テイラーメイド痛み判別装置の模式図である。 図７８は、頭部を上位からみた模式図であり、代表的な電極の配置を示す。また、耳介に始まる前方部と後方部の境界も示している。 図７９は、特徴量数の縮約過程付き判別分析の決定過程のフローの例を示す。１）特徴量の判別特性の数量化、２）特徴量のランキング、３）上位特徴量から順番に含めた階層的判別分析、および４）判別モデルの決定を行う例である。なお、図中の数値はいずれも例示である。 図８０は、特徴量と判別モデル選択時の二重縮約過程による判別モデル決定過程を示す。図７９の判別モデル決定過程とは、１）特徴量の判別特性の数量化、２）特徴量のランキング、３）上位特徴量から順番にモデルに含める階層的判別分析までは、同一プロセスを含む。他方、最後の判別モデル選択時点で、シグモイド関数などを用いて判別精度の変化を近似して、経済的な判別モデルを選択するところが新たに含まれている。なお、図中の数値はいずれも例示である。 図８１は、実施例２０で用いた高温刺激パラダイム例を示す。高温刺激は６レベルであり、各レベルは３刺激を行った。刺激呈示時間は１５秒であり、レベルブロック間の時間間隔は１００秒であった。特徴量は、各レベル３刺激（１５秒間）の平均絶対振幅と平均周波数パワー（δ、θ、α、β、γ）であった。判別する２レベルは、痛み弱（レベル１〜３）および痛み強（レベル４〜６）であり、サンプル数は、強弱×レベル３つ×４０名＝２４０であった。 図８２は、実施例２０における結果を示す。図７９の特徴量縮約過程付き判別分析の結果（特徴量ランキングと判別精度）である。 図８３は、実施例２１において、３２１６０サンプルを判別するモデル作成のための実験に用いた高温刺激ブロックパラダイムを示す。痛みなし、痛み弱、痛み強の３ブロックを含み、各刺激は１５秒間２回呈示された。ブロック間の時間間隔は２０秒であった。全部で５セットあり、各セットには、６４ブロックが含まれていた。1セット内で、3つの熱ブロック1から3がランダムに、１２：１０：１０の比率で呈示された。 図８４は、実施例２１において、判別モデルで用いる特徴量の抽出過程を示す。この過程には、１）ＥＥＧデータ収集、２）データの切り出し、３）特徴量２種類の選定、４）特徴量の結合を含む。これらのプロセスを通じて、計４９個の特徴量を得た。 図８５は、近接モデル（ｎ−１特徴量数モデルとｎ特徴量数モデル）の判別精度の差分値（Ｄｉｆｆ）を用いた（図８０参照）、特徴量の再ランキングにより判別精度がどのように変化するかを示している。左下グラフは、テストデータ判別精度の検証時における精度の推移を示す。再ランキングを２回行ったときの推移が、特徴量数が１０〜１５個の時点でほぼ判別精度が天井に到達しており、最も経済的な判別モデルであることを示す。この結果により、差分値により特徴量数を再ランキングすることで、判別関数（例．シグモイド関数など）に強く近似するメイン特徴量とモデルを微調整するサポーター特徴量が早い段階で効率的に組み合わさり、判別精度を向上させることが示唆される。すなわち、隣接する判別精度の差分値（Ｄｉｆｆ）による特徴量の再ランキングを繰り返すと、上位に貢献度の高い特徴量が集まりやすくなり、再ランキングの２回目が最も早い段階で、最も少ない特徴量数１２個で、判別精度がほぼ天井に到達した。ランク１〜１２までの判別精度の標準偏差は「１．４」で、ランク１３以降「０．１１」の、実に「約１０倍」の向上特性を示した（ＤＣＶ ａｃｃｕｒａｃｙという数字があり、この上位１２個のＳＤと１３以降のＳＤを算出して比較したものである）。 図８６は、実施例２２において用いた対象者サンプルの世代別および性別の分布を示す。 図８７は、実施例２１で用いた高温刺激パラダイム例を示す。高温刺激は６レベルであり、各レベルは３刺激を行った。刺激呈示時間は１５秒であり、レベルブロック間の時間間隔は１００秒であった。使用した脳波特徴量と特徴量相関は、図８８に示すとおりであった。判別する２レベルは、痛み弱（レベル１〜３）および痛み強（レベル４〜６）であり、サンプル数は、強弱×レベル３つ×１５８名＝９４８であった。 図８８は、実施例２１で測定されたＥＥＧ特徴量と特徴量相関の種類である。 図８９は、実施例２１で測定されたマルチスケールエントロピー（ＭＳＥ）の計算の概略図である。ＭＳＥは、サンプルエントロピー（ＳＥ）の改良版である。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。両時間枠の活動は類似することが多いので「０」の値をとることが多いが、活動の複雑性が高いと数値が高くなる。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。一般的に、ｍ＝２、ｒ＝０．１５が使われる。また、τは、信頼のおけるＭＳＥを算出するためには２００データポイント、最長で６００ポイントも含まれることもある（Ｂｕｓａ ＆ Ｅｍｍｅｒｉｋ， Ｊｏｕｒｎａｌ ｏｆ Ｓｐｏｒｔ ａｎｄ Ｈｅａｌｔｈ Ｓｃｉｅｎｃｅ ５ （２０１６） ４４-５１）。 図９０は、単調増加シグモイド、単調減少シグモイド特徴量の推移を示す。Ａは絶対平均振幅を示し、Ｂは周波数パワーを示す。Ｃは、前頭部頭頂部振幅相関（電位相関ともいう）。Ｄはマルチスケールエントロピー（ＭＳＥ）を示す。単調増加シグモイド：Ａでは単調増加シグモイド特徴量：レベル５〜６で変調点があり、特徴量が増加した。単調減少シグモイド：ＣおよびＤでは、単調減少シグモイド特徴量：レベル５〜６で変調点があり、特徴量が低下した。 図９１は、図９０で示したシグモイド型特徴量を含む「離散性特徴量」の別形態である。痛みモニタリングの前に、対象者に痛み検査刺激を複数与え、痛みなしとありの特徴量の分布特性を調べる。図９１は、特徴量のヒストグラムを用い、曲線近似する場合の模式図を示す。痛みなしとありのサンプルの分布が交差する数値を、判別閾値として、閾値より小さいサンプルを「−１」、閾値より大きいサンプルを「１」とカテゴリ尺度に変換する。このような閾値を決定するサンプル分布としては、他にポワンカレ分布などを用いても良い。 図９２は、優位特徴量の抽出（２分類）を示す。標準化係数の大きさにより特徴量を降順に並べ替え、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することで、優先特徴量を抽出した。これにより、６特徴量の抽出を行うことができた。この特徴量セットは「交替性統合脳波特徴量：ａｌｔｅｒｎａｔｉｖｅ ｉｎｔｅｇｒａｔｅｄ ＥＥＧ ｆｅａｔｕｒｅｓ」と称され、モニタリング時に装着される限定した（Ｆｐ１やＦｐ２など）電極から多様な信号処理方法で特徴量を抽出し、縮約過程によりモニタリング環境や個人より適応的に交替し、例えば、線形モデルなどを介して、「統合的に疼痛判別モデルに寄与するので、このように呼ばれる。この結果、頭頂部における周波数パワー、前頭部−頭頂部電位相関、前頭部におけるＭＳＥ、周波数パワーおよび平均振幅が疼痛2分類のEEG指標として特に有用であることが見いだされた。 図９３は、優位特徴量を用いた判別推定結果(線形モデル）を示す。図９１で算出された６つの特徴量（パラメータ）を用いると、「痛みありなし」の２レベルを「８３％」の精度で判別可能であることが判明した。 図９４は、高温と低温痛み刺激サンプルの両方を含めた一般化判別モデルによる判別精度である。ｎ−１のサンプルを用いて判別モデルを作成し、残りサンプル1名の痛みレベルを推定するプロセスを人数分繰り返した。実測サンプルの判別精度は、７４％に到達し、ランダムサンプルの５６％を約２０％上回った。本実施例では、新たに、周波数の電極間位相同期の特徴量相関パラメータもモデル作成に用いた。 図９５は、高温と低温痛み刺激サンプルの両方を含めた一般化判別モデルにより、電極一個ずつの判別精度を検証した例を示す。ｎ−１名のサンプルを用いて判別モデルを作成し、残りサンプル１名の痛みレベル（２レベル×３試行）を推定するプロセスを人数分繰り返した。前頭、中央部６個の各電極の判別精度は、「約７０〜７５％」に到達し、限られた電極でも、最低１個でも、少なくとも前頭、中央部の電極とパラメータの組み合わせを用いれば、汎用の痛み判別モデルを作成できることを示す。 図９６は、特徴量縮約過程付判別装置の模式図である。モデル作成時点（白矢印）で、分類レベル数に応じた判別関数を作成し、各特徴量に近似して、Ｒ二乗値などの重みづけ係数により特徴量を選抜し、判別モデルを作成する。その情報を特徴量抽出部と判別推定部に格納し、実際の痛みモニタリング（黒矢印）において、オンラインで痛みレベルを判別推定する。
以下、本発明を説明する。本明細書の全体にわたり、単数形の表現は、特に言及しない限り、その複数形の概念をも含むことが理解されるべきである。従って、単数形の冠詞（例えば、英語の場合は「ａ」、「ａｎ」、「ｔｈｅ」など）は、特に言及しない限り、その複数形の概念をも含むことが理解されるべきである。また、本明細書において使用される用語は、特に言及しない限り、当該分野で通常用いられる意味で用いられることが理解されるべきである。したがって、他に定義されない限り、本明細書中で使用されるすべての専門用語および科学技術用語は、本発明の属する分野の当業者によって一般的に理解されるのと同じ意味を有する。矛盾する場合、本明細書（定義を含めて）が優先する。
（定義）
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。
（情報処理関連）
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。
機械学習としては、線形回帰、ロジスティック回帰、サポートベクターマシンなどが用いられ得、および交差検証（交差検定、交差確認ともいう。Ｃｒｏｓｓ Ｖａｌｉｄａｔｉｏｎ；ＣＶ）を行うことで、各モデルの判別精度を算出することができる。ランキングした後、１つずつ特徴量を増やして機械学習（線形回帰、ロジスティック回帰、サポートベクターマシンなど）と交差検証を行い、各モデルの判別精度を算出することができる。それにより、最も高い精度のモデルを選択することができる。本発明において、機械学習は、任意のものを使用することができ、教師付き機械学習として、線形、ロジスティック、サポートベクターマシン（ＳＶＭ）などを利用することができる。
機械学習では論理的推論を行う。論理的推論にはおおまかに３種類あり、演繹（ｄｅｄｕｃｔｉｏｎ）、帰納（ｉｎｄｕｃｔｉｏｎ）、アブダクション（ａｂｄｕｃｔｉｏｎ）、類推（アナロジー）がある。演繹は、ソクラテスは人間、すべての人間は死ぬとの仮説があったときにソクラテスは死ぬとの結論を導き出すもので特殊な結論といえる。帰納は、ソクラテスは死ぬ、ソクラテスは人間との仮説があったときにすべての人間は死ぬとの結論を導き出すもので一般的な規則を導くものである。アブダクションは、ソクラテスは死ぬ、すべての人間は死ぬとの仮定があった時にソクラテスは人間であると導き出すものであり、仮説・説明にあたる。とはいえ、帰納にしてもどう一般化するかは前提によるため、客観的であるとは言えない可能性があることに留意する。類推は、対象Ａと対象Ｂがあり、対象Ａが４つの特徴を持ち、かつ対象Ｂがその特徴のうち共通して３つ持つ場合、対象Ｂは、残り一つの特徴を同様にもち、対象Ａと対象Ｂは同種か類似した近親性を持つと推論するような蓋然的な論理的思考法である。
不可能性には、不可能、非常に困難、未解決の３種類の基本原理がある。また、不可能性には、汎化誤差、ノ―フリーランチ定理、醜いアヒルの子定理があり、真のモデルの観測は不可能なので検証できないという不良設定問題に留意する必要がある。
機械学習において、特徴（ｆｅａｔｕｒｅ）・属性（ａｔｔｒｉｂｕｔｅ）とは、予測対象をある側面で見たときに、どのような状態にあるのかを表すものである。特徴ベクトル・属性ベクトルとは、予測対象を記述する特徴（属性）をベクトルの形式にまとめたものである。
本明細書において、「モデル（ｍｏｄｅｌ）」または「仮説（ｈｙｐｏｔｈｅｓｉｓ）」とは、同義に用いられ、入力される予測対象から、予測結果への対象対応を記述する写像、もしくはそれらの候補集合で、数学的な関数か論理式を用いて表現する。機械学習での学習では、訓練データを参照して、モデル集合から真のモデルを最もよく近似すると思われるモデルが選択される。
モデルとしては、生成モデル、識別モデル、関数モデルなどが挙げられる。入力（予測対象）ｘと出力（予測結果）ｙとの写像関係の分類モデルを表現する方針の違いを示すものである。生成モデルは、入力ｘが与えられたときの出力ｙの条件付分布を表現する。識別モデルは、入力ｘと出力ｙの同時分布を表現する。識別モデルと生成モデルは写像関係が確率的である。関数モデルは、写像関係が確定的なもので、入力ｘと出力ｙの確定的な関数関係を表現する。識別モデルと生成モデルでは識別の方がやや高精度といわれることもあるが、ノーフリーランチ定理により基本的には優劣はない。
モデルの複雑さ：予測対象と予測結果の写像関係をより詳細で複雑に記述できるかどうかの度合い。モデル集合が複雑であるほど、一般により多くの訓練データが必要とされる。
写像関係を多項式で表した場合は、高次の多項式の方がより複雑な写像関係を表現できる。高次の多項式の方が、１次式より複雑なモデルといえる。
写像関係を決定木で表した場合、段数の大きな深い決定木の方がより複雑な写像関係を表現できる。したがって、段数の多い定木の方が、少ない決定木より複雑なモデルといえる。
入力と出力の対応関係を表現する方針による分類も可能であり、パラメトリックモデルでは、パラメータによって完全に分布や関数の形状が決定される、ノンパラメトリックモデルでは基本的にデータからその形状が決まり、パラメータが決めるのは滑らかさに限定される。
パラメータ：モデルの分布や関数の集合のうちの一つを指定するための入力で、他の入力と区別してＰｒ［ｙ｜ｘ；θ］やｙ＝ｆ（ｘ；θ）などとも表記される。
パラメトリックでは、訓練データ数と無関係に、ガウス分布の形状は平均・分散パラメータで決定され、ノンパラメトリックでは、ヒストグラムではビン数パラメータで滑らかさのみが決まり、パラメトリックより複雑であるとされる。
機械学習での学習では、訓練データを参照して、モデル集合から真のモデルを最もよく近似すると思われるモデルを選択する。どのような「近似」をするかで、いろいろな学習方法がある。代表的には、最尤推定があり、確率的なモデル集合の中から、訓練データが発生する確率が最も高いモデルを選択する学習の基準である。最尤推定で、真のモデルを最も近似するモデルが選択できる。ＫＬダイバージェンスは、尤度が大きくなると真の分布へのＫＬダイバージェンスは小さくなる。推定の種類は種々あり、推定した予測値やパラメータを求める形式の種類によって異なる。点推定は、最も確実性の高い値を一つだけ求めるもので、最尤推定やＭＡＰ推定など、分布や関数の最頻値を使うもので、最もよく利用される。他方、区間推定では、推定値が存在する範囲を求めるこの範囲に推定値が存在する確率が９５％といった形で統計分野でよく利用される。分布推定では、推定値が存在する分布を求める事前分布を導入した生成モデルと組み合わせてベイズ推定などで利用される。
機械学習では、過学習（過剰適合、ｏｖｅｒ−ｆｉｔｔｉｎｇ）が生じ得る。過学習では、訓練データに合わせ過ぎたモデルを選択したために、経験誤差（訓練データに対する予測誤差）は小さいが、汎化誤差（真のモデルからのデータに対する予測誤差）は大きくなり、本来の学習の目的を達成できていない状態になっている。汎化誤差は、バイアス（候補モデル集合に真のモデルは含まれないことで生じる誤差；単純なモデル集合ほど大きくなる）、バリアンス（訓練データが異なると、異なる予測モデルが選択されることで生じる誤差；複雑なモデル集合ほど大きくなる）、およびノイズ（モデル集合の選択に依存せず、本質的に減らせない真のモデルのばらつき）の三つに分割できる。バイアスとバリアンスは同時には小さくできないから、バイアスとバリアンスのバランスをとって全体の誤差を小さくする。
本明細書において「アンサンブル（アンサンブル学習、アンサンブル法などともいう）」とは、集団学習ともいい、比較的単純な学習モデルと計算量が妥当な学習則とを用い、与えられる例題の重みや初期値の違いなどによって多様な仮説を選び出しこれを組み合わせることによって最終的な仮説を構成し、複雑な学習モデルを学習するのと同等なことを行おうとするものである。アンサンブル学習では、個々に学習した複数の学習器を融合させて汎化能力（未学習データに対する予測能力）を向上させ、一つの学習器を作成する（図６４）。単純にアンサンブル学習そのものを回帰や分類の機械学習のアルゴリズムの手法として用いるだけでなく、他の機械学習アルゴリズムの学習係数を求める際などに、補助的に用いられる等、その使い道は非常に幅広い。アンサンブル学習では、このように仮説を多数組み合わせることで性能を向上させるものであため、アンサンブル学習に用いられる学習アルゴリズムは、弱い学習アルゴリズム（ｗｅａｋ ｌｅａｒｎｉｎｇ ａｌｇｏｒｉｔｈｍ）または弱学習機（ｗｅａｋ ｌｅａｒｎｅｒ）と呼ばれ、仮説は弱仮説（ｗｅａｋ ｈｙｐｏｔｈｅｓｉｓ）、弱判別器、弱判定器などと呼ばれる。
本明細書において「枝刈り」とは、アンサンブル法等において用いられるものであり、モデルを過剰適合させてしまうような木の枝を刈ることをいう。交差検証法により行われ得る。手続きは通常、単一で動作する決定木に対してのみ用いられる。他方、決定木アンサンブルの場合は通常、十分に小さい木々を構成することで、過剰適合に対する自身の防護機構が働く。簡単な学習機械を組み合わせて、複雑なものを作るという試みはニューラル・ネットワークの分野では古くから行われており、このようにして作られた学習機械、又はそのアルゴリズムを指して、ｃｏｍｂｉｎｉｎｇ ｐｒｅｄｉｃｔｏｒ、ｃｏｍｂｉｎｉｎｇ ｌｅａｒｎｅｒ、ｃｏｍｍｉｔｔｅｅ ｍａｃｈｉｎｅ、ｍｏｄｕｌａｒ ｎｅｔｗｏｒｋ、ｖｏｔｉｎｇ ｎｅｔｗｏｒｋ、ｅｎｓｅｍｂｌｅ ｌｅａｒｎｉｎｇなどの言葉が使用されるが、本明細書においては、アンサンブル学習という言葉を使用するものとする。
このような学習により異なる複数個のパラメータが与えられたとき、最終的な出力は多数決（ｍａｊｏｒｉｔｙ ｖｏｔｅ）により決定される。ここで、仮説ｈｉに重みｗｉが与えられていた場合（通常、重みの総和は１となるよう正規化されているものとする。）、この重みは、どの仮説の出力を優先するかを示しており、これに基づいて多数決を構成するとき重み付き多数決（ｗｅｉｇｈｔｅｄ ｖｏｔｅ）と呼ぶ。なお、重みが一様な場合は均等な多数決（ｅｑｕａｌｌｙ ｖｏｔｅ）と呼ぶ。出力が計量的である場合には、仮説の出力を重み付けて足し合わせたものが最終的な出力となる。
アンサンブル学習によって得られる学習機械は最終仮説又は強判別器とも言われ、多数の弱仮説とこれを組み合わせる結合器とからなる。ここで、結合器の動作が入力に対して動的であるか、静的であるかということと、弱仮説の生成の仕方が並列的であるか逐次的であるかということにより、幾つかの学習アルゴリズムに分類される。
アンサンブル手法の例としては、ブースティング（ｂｏｏｓｔｉｎｇ）とバギング（ｂａｇｇｉｎｇ）の２種類を挙げることができる。
ブースティングでは、各教師データに重み付けを行い、全ての教師データを用いて１つの弱情報抽出部を生成する。そして生成した弱情報抽出部によって正しく情報が抽出された教師データについては重みを下げ、間違って情報が抽出された教師データについては重みを上げることにより、教師データの重みを更新する。また、重みが更新された全ての教師データを用いてさらにもう１つの弱情報抽出部を生成する。以下同様の処理を繰り返すことにより、複数の弱情報抽出部を生成し、生成した複数の弱情報抽出部の出力をそれぞれの重み付けで組み合わせることによって高精度の情報抽出装置を得る。ブースティングでは、例えば数千の学習サンプルといわれる予め正解付け（ラベリング）された検出対象と非検出対象、例えば顔画像と、非顔画像とからならなるサンプル（例題）を使用し、逐次的に例題の重みを変化させながら異なる学習機械（弱仮説）を生成し、これを組み合わせて精度が高い学習機械（最終仮説）を構成する手法であり、学習アルゴリズムの精度を増強（ｂｏｏｓｔ）する意味で、ブースティングという言葉が使用される。
バギングでは、全ての教師データから所定数をランダムにサンプリングして教師データ群を生成し、教師データ群を用いて１つの弱情報抽出部を生成する。この処理を繰り返すことにより、複数の弱情報抽出部を生成し、生成した複数の弱情報抽出部の出力を組み合わせることによって高精度の情報抽出装置を得る。仮説の生成を並列的に行うものである。学習データの情報を全て使うのでなく、その一部を使用して学習し、最後に結合させる方法であるともいえる。ブースティングは、学習データの一部を使用し、最後に合併させる部分はバギングと共通であるが、違いは、ブースティングは以前に使用したデータを再利用して、文字通りブーストする点であり、この理由によって、バギングのように並列処理は不可能である。
認識性能を上げるために、ブートストラップ手法を採用することができる。ブートストラップ法は、弱学習器を選別し、最終的な学習器に合併する方法である。
本明細書において「縮約」とは、特徴量という変数を少なくしたり、まとめることをいう。例えば、因子分析とは、複数の変数があったとき、その背後にそれらに影響する構成概念があるものと仮定し、少数の潜在的変数で複数の変数間の関係を説明することであり、小数の変数への変換、すなわち縮約の一形態をいう。この構成概念を説明する潜在的変数を因子という。因子分析は背後に共通した因子が想定できる変数を縮約し、新しい量的な変数を作り出す。
本明細書において、「判別関数」とは、判別するレベル数に連続する数値を割当て、判別するサンプルの並びに対応して作成された数列、すなわち関数である。例えば、判別レベルが２段階で、判別するサンプルをレベルに応じて並べた場合、その数列、すなわち、判別関数は、例えば、シグモイド関数型を取ることで生成される。また、３段階以上の場合は、ステップ（階段）関数を用いることができる。モデル近似指数は、判別関数と判別するサンプルの判別レベルの対応を数値で表したものである。両者の差を使う場合は、変動幅を統制し、差分値の絶対値が小さいほど、近似性が高い。また、相関分析を行う場合は、相関係数（ｒ）が高いほど近似性が高い。また、回帰分析を行う場合は、Ｒ２値が高いほど近似性が高いと判断される。
本明細書において「重みづけ係数」とは、本発明の計算において、重要である要素をより重要であると計算するように設定するための係数であり、近似係数を含む。例えば、関数をデータに近似させて係数を得られるが、それ自体は、近似の程度を示す記述量でしかなく、それを大小の基準などでランキングしたり、取捨選択したりする場合、特定の特徴量にモデル内における寄与の差を設けるので、重みづけ係数といえる。重みづけ係数は、判別関数の近似指数と同等の意味で用いられ、Ｒ２値、相関係数、回帰係数、および残差平方和（判別関数と特徴量の差）等を挙げることができる。
本明細書において、「判別関数モデル」とは、疼痛などの判別の際に用いられる関数のモデルを言う。例えば、シグモイド関数、ステップ関数を挙げることができるがこれらに限定されない。
本明細書において「ハイパーパラメータ」とは、機械学習で学習されない、機械学習の上にある（ハイパーな）パラメータをいう。機械学習で使われるモデルには多かれ少なかれ分析者が設定しなければならないパラメータがあり、通常機械学習には伴うものである。各機械学習アルゴリズムは、その動作を制御するための１または２以上のハイパーパラメータをもつことが多い。ハイパーパラメータは、モデルに含まれる係数（パラメータ）と異なり、機械学習を通じて値が決定されるものではなく、機械学習アルゴリズムの実行前に、最適化問題を解くことにより値が与えられるものである。ハイパーパラメータの例として、ランダムフォレストにおける決定木の生成本数、回帰分析のフィッティング精度、モデルに含まれる多項式の次数などが挙げられる。ハイパーパラメータの値として、固定値が使用されることもあるし、ユーザーから指定された値が使用されることもある。
（脳波関連）
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。
本明細書において「脳波」は当該分野で通常用いられるのと同義であり、頭皮上に１対の電極を置いて脳の神経活動にともなう電位差によって発生する電流をいう。脳波には、電流の時間的変化を導出記録した脳電図（ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｍ，ＥＥＧ）を包含する。安静時には振幅約５０μＶ，周波数１０Ｈｚ前後の波が主成分をなすとされる。これをα波という。精神活動時にはα波は抑制され，振幅の小さい１７〜３０Ｈｚの速波が現われるとされ、これはβ波という。浅い睡眠の時期にはα波はしだいに減少して４〜８Ｈｚのθ波が現われるとされる。深い睡眠中は１〜４Ｈｚのδ波が現われるとされる。これらの脳波は特定の振幅、周波数、複雑性指標、相関等で表現することができ、本発明では、特定の振幅および周波数、あるいは、振幅の解析で表すことができる。
本明細書において「脳波データ」は、脳波に関する任意のデータであり（「脳活動量」、「脳特徴量」等ともいう）、振幅データ（ＥＥＧ振幅）、周波数特性などが含まれる。これらの脳波データを分析した「分析データ」は、脳波データと同様に用いることができることから、本明細書では、「脳波データまたはその分析データ」とまとめて呼ぶことがある。分析データとしては、例えば、脳波データの平均振幅やピーク振幅（例えば、Ｆｚ、Ｃｚ、Ｃ３、Ｃ４）、周波数パワー（例えば、Ｆｚ（δ）、Ｆｚ（θ）、Ｆｚ（α）、Ｆｚ（β）、Ｆｚ（γ）、Ｃｚ（δ）、Ｃｚ（θ）、Ｃｚ（α）、Ｃｚ（β）、Ｃｚ（γ）、Ｃ３（δ）、Ｃ３（θ）、Ｃ３（α）、Ｃ３（β）、Ｃ３（γ）、Ｃ４（δ）、Ｃ４（θ）、Ｃ４（α）、Ｃ４（β）、Ｃ４（γ）など）等を挙げることができる。もちろん、脳波データまたはその解析データとして通常使用される他のデータを排除するものではない。例えば、生データを一定時間切り出しただけのものを判別に使えば、それも特徴量であることから、本発明において用いることができる。
本明細書において「脳波特徴量」または「脳波の特徴量」とは、脳波の任意の特徴量をいい、「脳波データまたはその分析データ」を包含し、例えば、振幅、脳波特徴量相互関係、周波数パワー、および複雑性指標等を包含しうる。これらの例として、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つを含み得る。
本明細書において「振幅データ」とは、「脳波データ」の一種であり、脳波の振幅のデータをいう。単に「振幅」ということもあり、「ＥＥＧ振幅」ともいう。このような振幅データは、脳活動の指標であることから、「脳活動データ」「脳活動量」などと称されることもある。振幅データは、脳波の電気信号を測定することによって得ることができ、電位（μＶ等で表示され得る）で表示される。振幅データとしては、平均振幅を使用することができるがこれに限定されない。
本明細書において、「周波数パワー」とは、波形の周波数成分をエネルギーとして表したものであり、パワースペクトルともいう。周波数パワーは、高速フーリエ変換（ＦＦＴ）（離散フーリエ変換(ＤＦＴ) を計算機上で高速に計算するアルゴリズム）を利用して、時間領域のノイズの含まれる信号内に埋もれた信号の周波数成分を抽出し、これを計算することで算出することができる。信号のＦＦＴは、例えば、ＭＡＴＬＡＢの関数ｐｅｒｉｏｄｇｒａｍを用いて、その出力を正規化してパワースペクトル密度ＰＳＤ、またはパワーの測定元となるパワースペクトルを算出することができる。ＰＳＤは、時間信号のパワーが周波数についてどのように分布しているかを示すもので、単位はワット／Ｈｚである。ＰＳＤの各点を、その点が定義された周波数範囲にわたって(つまり、ＰＳＤの分解能帯域幅にわたって) 積分して、パワースペクトルを計算する。パワースペクトルの単位はワットである。パワーの値は、周波数範囲にわたって積分せずに、直接パワースペクトルから読み取ることができる。ＰＳＤもパワースペクトルも実数なので、位相情報は何も含まれていないことになる。このように周波数パワーの計算はＭＡＴＬＡＢの標準的な機能で算出することができる。解析方法としては、図２５に例示したように、時間周波数解析を用いることができる。例えば、1秒のような時間単位を決定し、ポイントずらしながら、周波数パワーの時間的変化をとらえることができる。これにより、図２５に示したように、熱痛みの遅延特性が明らかになり、例えば、痛みに鋭敏な時間区間（例えば、刺激提示後5秒以降）を特定し、周波数特徴量の中でも、「遅延痛み特徴量」とカテゴリ的に区別できる特徴量が作成可能となり、実際に実施例で示した（図２５から３２参照）。
本発明において用いられる「複雑性」とは、諸要素間の論理的に可能な結合関係が過剰であって、それらから選択せねばならぬ事態をいい、脳波において使用する場合も、各脳波の可能な結合関係が過剰な状態をいい、その指数を「複雑性指標」という。
本明細書において「複雑性指標」とは、構成要素の多さや非線形性のため、複雑で、一見不規則なふるまいをすることの尺度をいい、エントロピーなどで表示することができる。エントロピーとは、系の無秩序さの尺度をいい、有限の完全事象系の中から、いずれの事象が生起したかを知ることによって伝えられる情報量の平均値をいう。なお、情報学において、エントロピーは情報量とも言い、活動の複雑性の指標である。したがって、複雑性は、カオス的な意味で、エントロピーの概念よりも、より広いといえる。エントロピーとしては、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を挙げることができるがこれらに限定されない。
マルチスケールエントロピー（ＭＳＥ）とは、既存の非線形解析法が有した問題点（データの安定性、すなわちデータ全体の特性（分散など）が局所的に再現されないような状態）を克服した新しい非線形解析法として注目される解析法で、アーチファクトに脆弱であり、また高分解能で長時間のデータを必要とするが臨床での実測データではこれらの条件を満たす計測は困難である点を克服するべく実践的な非線形解析法として開発されたａｐｐｒｏｘｉｍａｔｅ ｅｎｔｒｏｐｙ （ＡｐＥｎ； Ｐｉｎｃｕｓ ＳＭ． Ａｐｐｒｏｘｉｍａｔｅ ｅｎｔｒｏｐｙ ａｓ ａ ｍｅａｓｕｒｅ ｏｆ ｓｙｓｔｅｍ ｃｏｍｐｌｅｘｉｔｙ． Ｐｒｏｃ Ｎａｔｌ Ａｃａｄ Ｓｃｉ ＵＳＡ １９９１；８８：２２９７-２３０１．）とその改良版である ｓａｍｐｌｅ ｅｎｔｒｏｐｙ（ＳａｍｐＥｎ； Ｒｉｃｈｍａｎ ＪＳ． Ｍｏｏｒｍａｎ ＪＲ． Ｐｈｙｓｉｏｌｏｇｉｃａｌ ｔｉｍｅ−ｓｅｒｉｅｓ ａｎａｌｙｓｉｓ ｕｓｉｎｇ ａｐｐｒｏｘｉｍａｔｅ ｅｎｔｒｏｐｙ ａｎｄ ｓａｍｐｌｅ ｅｎｔｒｏｐｙ． Ａｍ Ｊ Ｐｈｙｓｉｏｌ Ｈｅａｒｔ Ｃｉｒｃ Ｐｈｙｓｉｏｌ ２０００；２７８：２０３９-２０４９）をさらに発展させたもので、Ｃｏｓｔａらにより開発された（Ｃｏｓｔａ Ｍ． Ｇｏｌｄｂｅｒｇｅｒ ＡＬ． Ｐｅｎｇ ＣＫ． Ｍｕｌｔｉｓｃａｌｅ ｅｎｔｒｏｐｙ ａｎａｌｙｓｉｓ ｏｆ ｃｏｍｐｌｅｘ ｐｈｙｓｉｏｌｏｇｉｃ ｔｉｍｅ ｓｅｒｉｅｓ． Ｐｈｙｓ Ｒｅｖ Ｌｅｔｔ ２００２；８９：０６８１０２．）。ＭＳＥはオリジナルデータを重ならないように加算平均して再構成し、複数の加算数（時間軸）で再構成されたデータのＡｐＥｎ／ＳａｍｐＥｎをそれぞれ算出することで求められる。低い加算回数では高い周波数帯域の複雑性を、高い加算回数では低い周波数帯域の複雑性をそれぞれ表すことになる。従って、このＭＳＥ解析は、既存の非線形解析法では困難であった非線形性の抽出を可能にする。脳波では、例えば、Ｂｕｓａ＆Ｅｍｍｅｒｉｋにより最近の報告がある（Ｊｏｕｒｎａｌ ｏｆ Ｓｐｏｒｔ ａｎｄ Ｈｅａｌｔｈ Ｓｃｉｅｎｃｅ Ｖｏｌｕｍｅ ５， Ｉｓｓｕｅ １， Ｍａｒｃｈ ２０１６， Ｐａｇｅｓ ４４−５１）。
本明細書において「脳波特徴量相互関係」とは、２つ以上の脳波特徴量の相互関係をいう。使用される脳波特徴量は、脳波データまたはその分析データであれば、何でもよく、振幅（平均振幅などを含む）、周波数パワー、電位、複雑性指標（ＭＳＥ等を含む）等を挙げることができるがこれらに限定されない。
本明細書において「相互関係」とは、２つの特徴量の任意の関係をいう。同じ電極の異なる特徴量の関係や同じ特徴量の異なる時間での関係なども含む広い概念であり、相関を包含する。複数の活動の位相を取り出し、周期間の同期性を調べるような位相同期指標があり、これは相互関係という広義な概念に包含される。このように、相関係数を使ってはいないものの、同種の関係性指標をも包含するのが相互関係である。
本明細書において「相関」は、数理統計学や生物統計学において、一般に二つまたはそれ以上の変量のあいだの関連性をいう概念またはその値を示す。相関の一例として、統計学的尺度は相関係数（ｃｏｒｒｅｌａｔｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔ、ｒやρなど）で表わされ得る。値は−１と＋１の間にあり、＋１に近ければ正相関（ｐｏｓｉｔｉｖｅ ｃｏｒｒｅｌａｔｉｏｎ）、−１に近ければ負相関（ｎｅｇａｔｉｖｅ ｃｏｒｒｅｌａｔｉｏｎ）、０に近ければ無相関（ｎｏｎ−ｃｏｒｒｅｌａｔｉｏｎ）を意味する。たとえば、ヒトの体長・体重間には一定のｒ値をもって正相関が成り立つ。正負の相関成立時には、変量間の関数関係(実験式)を回帰直線(ｒｅｇｒｅｓｓｉｏｎ ｌｉｎｅ)の形で求められ、さらには、この手法を非線形回帰の場合にまで拡大することもできる。なお各変量について大小(＋１か−1)だけを問う定性的相関の場合、英語ではａｓｓｏｃｉａｔｉｉｏｎとよぶことがある。
１つの実施形態では、相互関係は、相関のほか、周期間の同期性を調べるような位相同期指標などの相関とはいえない指標も包含し、狭義の相関としては、すなわち、相関のさまざまな様態（同期性、無関係、遅延、正負、類似性、ならびに一致）、別の言葉でいえば、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などを挙げることができる。このように、同期性は、時間的な相関、結合性は空間的（例えば、脳部位）関係性、無関係は相関がないこと、遅延は、時間的な相関の崩れ、正負は相関の性質、類似性は相関係数が高いこと、一致は完全相関、と理解できる。
本明細書において、「同期性」とは、同期の程度をいう。ここで、同期とは、二つの周期的に変化する量が同一、もしくは異なる振動数（周波数）をもち、それらの間の位相差が一定もしくは一定の平均値の周囲で変化することをいう。同期性には、位相同期（ｐｈａｓｅ ｌｏｃｋｉｎｇ ｖａｌｕｅ）またはコヒーレンスなどを挙げることができる。コヒーレンス特徴量は多岐にわたり、パワースペクトル、バイスペクトル、高オーダースペクトル、オートパワースペクトル、オートバイスペクトル、オート高オーダースペクトルの周波数特徴量に対応して、クロスパワースペクトル、クロスバイスペクトル、クロス高オーダースペクトル、オート／クロスバイコヒーレンス、オート／クロスバイスペクトル密度、オート／クロスリアルトリプルプロダクト、オート／クロスバイフェーズである。これらの特徴量相関は、従来、意識レベルが低下すると数値が下がり、生体生理心理状態の有効な指標として理解されてきた。しかしながら、予想に反し、本発明では、電位の特徴量相関の数値が、痛みレベルが非常に強くなり、意識レベルが低下どころか増大するような状況においても、数値が低下することを示した。したがって、上記の特徴量相関の増加バターンにとどまらず、低下パターンを「疼痛レベル逆相関特徴量パラメータ」として「疼痛レベル正相関特徴量パラメータ」と対峙して、判別モデルに組み込むことが出来る。これにより、両者は、例えば、本実施で用いる線形重回帰モデルで、正相関パラメータが、いわば「アクセル」なら、逆相関パラメータはそれを調整する「ブレーキ」として働き、よりきめ細かい判別モデルが作成できる。
本明細書において類似性は、形質データから得られる対象間の類似性(ｓｉｍｉｌａｒｉｔｙ、ｒｅｓｅｍｂｌａｎｃｅ、ａｆｆｉｎｉｔｙ)、非類似性(ｄｉｓｓｉｍｉｌａｒｉｔｙ)あるいは距離(ｄｉｓｔａｎｃｅ)などの総体をいう。通常、類似度と非類似度の値域は、距離をスケール化した場合「０以上１以下」の実数だが、距離の値域は非負実数(0以上から無限大まで)でありうる。なお、距離は、例えば、宇宙の両極端の恒星の距離を考慮すると、無限に近いものであるが、この距離をスケール化して「１」として類似性指標とすると、無限大ではなくなる。距離はあくまでもデータ間の差であるが、それをスケール化して0〜１に変換すると類似性指標とすることができる。本明細書において使用され得る距離には、ユークリッド、市街地距離、ミンコフスキー、チェビフ、マハラノビス、１から相関係数を引いた値、などがあり、いずれも使用することができる。
本明細書において「電位相関」とは、脳波特徴量である電位の２つ以上の相関をいう。電位は振幅で表されることから「振幅相関」とも称される。
例えば、脳波の一種である事象関連電位の場合、感覚刺激呈示後１００ミリ秒あたりでＮ１００と呼ばれる自動的注意喚起を反映する陰性電位が観察される。この成分は、慣れや眠気などの生体の内的状態に影響を受けやすいので、例えば、意識の低下が起こると振幅が減少する。さらに、この意識低下は、Ｎ１００以降の高次認知も影響を与え、意識的な評価や判断を反映するＰ３００などの陽性電位の減少が予測される。したがって、仮に、一人の対象者が１００回の感覚刺激を与えられ、検査の進行とともに意識低下が起こると、Ｎ１００の陰性電位が減衰し、さらにＰ３００の陽性電位が減少することが予測される。そこで１００回のＮ１００の電位（ある時間枠の平均、もしくはピーク電位）とＰ３００の電位の関係性を、ピアソンの相関分析で分析すると、Ｎ１００電位がプラスになるほど、Ｐ３００電位がマイナスになるという負の電位相関が観察されることが予測される。このような脳電位活動間の関係性を、ここでは電位相関と定義する。
本明細書において「脳波特徴量」と「脳波特徴量相互関係」とをまとめて脳波に関する「パラメータ」という。
本明細書において、「交替性統合脳波特徴量」とは、限定された電極（上記前方部のＦｐ１やＦｐ２など）から多様な信号処理方法により抽出されるものをいい、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、本実施例における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。
本明細書において「痛み」および「疼痛」は同義であり、身体部分に傷害・炎症など一般に強い侵害のあるとき、これを刺激として生ずる感覚をいう。痛みは、疾患ではなく症状であり、中枢性、侵害受容性、ならびに神経障害性疼痛の３つの主要特性の組み合わせにより、その様態が決まる。また、急性疼痛と慢性疼痛は区別され、両者では関連する脳部位ネットワーク（結合性）で違いがあり、慢性の場合、実際には痛くないのに、痛いという主観報告をするような場合もあり、疼痛刺激の感覚強度では説明できない心因性要因も含む。
ヒトでは、強い不快感情を伴う感覚として一般感覚にも含まれる。加えて、皮膚痛覚などはある程度は外部受容の性格も備え、他の皮膚感覚や味覚と協同して，外物の硬さ・鋭さ・熱さ(熱痛)・冷たさ(冷痛)・辛さなどの質の判断に役立つとされる。ヒトの痛覚は皮膚・粘膜以外に身体のほとんどあらゆる部分（例えば、胸膜、腹膜、内臓(内臓痛覚，脳を除く）、歯、眼および耳など）に起こり得、いずれも脳において脳波またはその変動として感知され得る。この他、内臓痛に代表される内部痛覚もまた、痛覚に包含される。内臓痛に対して上述した痛覚は体性痛という。体性痛および内臓痛に加えて、実際に障害されている部位と異なる部位の表面が痛くなるような現象である「関連痛」という痛覚も報告されており、本発明は、これらの多様な疼痛タイプの時間変化をトレンドで表現し、主観的な痛みレベルをモニタリングする手法、および本明細書において記載される他の手法を提供する。
痛覚には、感受性（痛閾）に個人差があり、通刺激の起こり方や受容器部位の相違により、質的相違があり、鈍痛や鋭利痛などの分類があるが、本開示ではいずれの種類の痛覚でも測定、推定および分類することができる。また、速い痛覚（Ａ痛覚）および遅い痛覚（Ｂ痛覚）、（速い）局所的痛みおよび（遅い）瀰漫性痛みにも対応可能である。本発明は、痛覚異常過敏などの痛覚の異常症などにも対応し得る。痛みを伝える末梢神経には「Ａδ繊維」と「Ｃ繊維」の２つの神経繊維が知られており、例えば手をたたくと、始めの痛みはＡδ繊維の伝導により、局在が明確な鋭い痛み（一次痛；鋭利痛）が伝わる。その後、C繊維の伝導により、局在が不明確なじんじんとした痛み（二次痛；鈍痛）を感じるとされている。痛みは４−６週間以内持続する「急性疼痛」、と４−６週間以上持続する「慢性疼痛」に分類される。痛みは、脈拍や体温、血圧、呼吸と並ぶ重要なバイタルサインであるが、客観的データとして表示することは難しい。代表的な痛みスケールＶＡＳ(ｖｉｓｕａｌ ａｎａｌｏｇｕｅ ｓｃａｌｅ）やｆａｃｅｓ ｐａｉｎ ｒａｔｉｎｇ ｓｃａｌｅは主観的な評価法であり、患者間の痛みを比較することはできない。他方で、本発明者は、痛みの客観的評価のための指標として、末梢循環系の影響を受けにくい脳波に着目し、その痛み刺激に対する振幅／潜時の変化を観測し、トレンド分析を行えば、疼痛の判別および分類が可能であることが導かれた。瞬間刺激も持続刺激も検出可能である。特に、瞬間痛とじんじんした持続痛は、本発明のトレンド分析でも区別できる可能性がある。瞬間痛は、短い時間区間の痛みなので、トレンド分析における、少なくとも数十秒にわたる時間方向平均法を使うと関連する脳活動は減衰する可能性がある（例．痛み評価と有意な相関がみられない）。一方、持続痛の場合は継続的なので、時間方向平均法により、痛み評価と有意な相関が逆に強まる可能性がある。本発明者はまた、痛みの客観的評価のための指標として、末梢循環系の影響を受けにくい脳波に着目し、その痛み刺激に対する振幅／潜時の変化を観測すれば、痛みの種類（快不快）をも分類することが導かれた。瞬間刺激も持続刺激もこの分類が可能である。
本発明では、強度自体よりも「治療が必要な」痛みかどうかということが区別できることが重要な点の一つである。したがって「治療」という概念を軸に「痛み」の類別化を明確にできることも重要である。例えば、「快不快」や「耐えられない」といった痛みの「質的」分類につながるものであるといえる。例えば、「疼痛指数」の位置づけと、ベースラインやその関係性も定義することができ、ｎ＝２の場合の他、ｎ＝３以上の場合もあり得ると想定される。また３つ以上の場合は、「痛くない」「痛気持ちいい」「痛い」に分けることができる。例えば、「耐えられない、治療が必要」な痛み、「中間」、「痛いけど気にならない」という判別が可能である。本発明のトレンド解析を用いた場合、強い痛みに関連する信号の持続時間の長短の閾値を特定することにより、「耐えられない」と「痛いけど耐えられる」痛みであることが識別できる。
本明細書において「主観的疼痛感覚レベル」とは、対象が有する疼痛感覚のレベルをいい、コンピュータ化された可視化アナログスケール（ＣＯＶＡＳ）等の慣用技術または他の公知技術、例えば、Ｓｕｐｐｏｒｔ Ｔｅａｍ Ａｓｓｅｓｍｅｎｔ Ｓｃｈｅｄｕｌｅ（ＳＴＡＳ−Ｊ）、Ｎｕｍｅｒｉｃａｌ Ｒａｔｉｎｇ Ｓｃａｌｅ（ＮＲＳ）、Ｆａｃｅｓ Ｐａｉｎ Ｓｃａｌｅ（ＦＰＳ）、Ａｂｂｅｙ ｐａｉｎ ｓｃａｌｅ（Ａｂｂｅｙ）、Ｃｈｅｃｋｉｎｌｉｓｔ ｏｆ Ｎｏｎｖｅｒｂａｌ Ｐａｉｎ Ｉｎｄｉｃａｔｉｏｒｓ（ＣＮＰＩ）、Ｎｏｎ−ｃｏｍｍｕｎｉｃａｔｉｖｅ Ｐａｔｉｅｎｔ‘ｓ Ｐａｉｎ Ａｓｓｅｓｓｍｅｎｔ Ｉｎｓｔｒｕｍｅｎｔ（ＮＯＰＰＡＩＮ）、Ｄｏｌｏｐｌｕｓ２などで表現することができる。
本明細書において「トレンド分析」とは、データの分布よりは「時系列変化」を重視して、データの変動傾向を分析する手法をいう。変化の傾きや傾きの変化の割合など、パラメータの特徴的な変化を、想定していた変化との比較などを通じてピックアップし、そこになんらかの原因や傾向を見出す試みである。本開示についてみると、電気信号のトレンド分析を通じて主観的痛みの変化傾向を分析、もしくは推定することになる。本発明では、電気信号のトレンド分析を通じて主観的痛みの「時間変化」を詳細にかつ正確に分析をすることができる。
本明細書において「時間幅における平均電位」とは、ある時間幅（例えば、３０秒間などが挙げられるがこれに限定されない）における脳波の電位について平均をとった値をいう。平均は算術平均が通常用いられるが、それ以外の平均、例えば幾何平均なども用いることができ、また、他の中心傾向（中央値、最頻値）も用いてもよい。また、特定の時間枠の単数、もしくは複数のピーク振幅を用いてもよい。本発明では、どのような平均手法であっても使用することが理解される（例えば、図９を参照）。
本明細書において使用され得る時間幅は、例えば、１０秒以上、１５秒以上、２０秒以上、２５秒以上、３０秒以上、３５秒以上、４０秒以上、４５秒以上、５０秒以上、５５秒以上、６０秒以上等を挙げることができるがこれらに限定されない。個別の測定の際に実際の痛みの個別のパターンが不明な場合であっても、これを推定する場合には、多様な時間枠を使った平均値を使用することが好ましい。
好ましい実施形態では、使用され得る時間幅は、３０秒以上、あるいは４０秒以上であり得る。上限としては、２０秒、３０秒、４０秒、５０秒、６０秒、７０秒、８０秒、９０秒、１００秒、１１０秒、１２０秒等を挙げることができるがこれらに限定されない。理論に束縛されることを望まないが、これらの値で顕著な効果が見いだされているからである。ただし、特に、疼痛の持続時間が数十分を超える場合、６０秒を超えた、より長い平均値算出の時間幅（例えば、７０秒以上、８０秒以上、９０秒以上、１００秒以上、１１０秒以上、１２０秒以上、１５０秒以上、１８０秒以上など）が有効である（図８、９参照）。
１つの例では、６０秒と１２０秒で分けることができるが、これに限定されず短い場合１０〜１２０秒の時間幅であり、長い場合、３０秒〜３００秒の時間幅であり、さらに長い時間幅として必要に応じて１２０秒以上などのものを含めることができる。
また、臨床現場においては、疼痛モニタリング時間が、短期から長期の多様性が想定されるので、「階層的疼痛トレンドモニタリング手法」を用いることが好ましい。痛みモニタリング初期は、例えば、１０秒の「短時間ベースユニット」を用いて、時間局所的に痛みをモニタリングする。時間経過とともに、時間ユニットを時間軸方向で縮約し、痛みの感じ方と相関が高くなる中期間の脳特徴量のトレンド（変化）を可視化する。さらに、長時間のモニタリングの場合は、数分レベルまで縮約し、超長期的痛みトレンドを可視化する。この手法により、痛みの局所的、ならびに大局的変化を並行して階層的にモニタリングし、痛みの複合的なモニタンリングを実現できる。
ここで、「短時間ベースユニット」の時間幅としては、例えば、１０秒のほか、５秒、１５秒、２０秒、２５秒、３０秒、３５秒、４０秒、４５秒、５０秒、５５秒、６０秒等を挙げることができる。これを２倍、３倍、４倍、５倍、６倍、７倍、８倍、９倍等に縮約し、これらをまとめた時間幅とすることもできる（例えば、１０秒の場合２０秒、３０秒、４０秒、５０秒、６０秒、７０秒、８０秒、９０秒などに縮約可能である）。この縮約されたものを更に縮約して数分レベル（例えば、２分、２．５分、３分、３．５分、４分、４．５分、５分、６分、７分、８分、９分、１０分、１５分、２０分、２５分、３０分など）の大局的変化の観察のための縮約を行うことができる。例えば、時間幅は、２段階、３段階の他、４段階以上の縮約を行ってもよい。そのような場合は、縮約するごとに、２倍、３倍、４倍、５倍、６倍、７倍、８倍、９倍、１０倍等またはそれらの間の倍数に縮約することができる。
本明細書において「非重複ブロック平均法」とは、時間ブロックごとに平均値を算出することをいい、平均値（例えば、算術／幾何平均電位）を算出するために使用される値があるブロックにしか使用されないことを意味する。これとは対照的に「重複移動平均法」がある。
本明細書において「刺激」とは、対象に対して何らかの反応を生じさせるものをいい、対象が生物の場合、生物やそのある部分の生理学的活性に、一時的な変化をもたらす要因をいう。
「刺激」の具体的な例として例示される痛覚に関した事象の場合は痛覚を生じさせ得る任意の刺激を含む。例えば、電気刺激、冷刺激、熱刺激、物理的刺激、化学的刺激などが含まれる。本発明において、刺激はどのような刺激であってもよい。刺激の評価は、例えば、コンピュータ化された可視化アナログスケール（ＣＯＶＡＳ）等の慣用技術または他の公知技術、例えば、Ｓｕｐｐｏｒｔ Ｔｅａｍ Ａｓｓｅｓｓｍｅｎｔ Ｓｃｈｅｄｕｌｅ（ＳＴＡＳ−Ｊ）、Ｎｕｍｅｒｉｃａｌ Ｒａｔｉｎｇ Ｓｃａｌｅ（ＮＲＳ）、Ｆａｃｅｓ Ｐａｉｎ Ｓｃａｌｅ（ＦＰＳ）、Ａｂｂｅｙ ｐａｉｎ ｓｃａｌｅ（Ａｂｂｅｙ）、Ｃｈｅｃｋｌｉｓｔ ｏｆ Ｎｏｎｖｅｒｂａｌ Ｐａｉｎ Ｉｎｄｉｃａｔｏｒｓ（ＣＮＰＩ）、Ｎｏｎ−ｃｏｍｍｕｎｉｃａｔｉｖｅ Ｐａｔｉｅｎｔ‘ｓ Ｐａｉｎ Ａｓｓｅｓｓｍｅｎｔ Ｉｎｓｔｒｕｍｅｎｔ（ＮＯＰＰＡＩＮ）、Ｄｏｌｏｐｌｕｓ２などを用いて、主観的疼痛感覚レベルと対応させることができる。刺激の強度として採用され得る値としては、例えば、侵害受容閾値（ｎｏｃｉｃｅｐｔｉｖｅ ｔｈｒｅｓｈｏｌｄ；侵害受容線維に神経インパルスを生じさせる閾値）、痛覚判別閾値（ｐａｉｎ ｄｅｔｅｃｔｉｏｎ ｔｈｒｅｓｈｏｌｄ；ヒトが痛みとして知覚できる侵害刺激の強度）および痛覚許容限度閾値（ｐａｉｎ ｔｏｌｅｒａｎｃｅ ｔｈｒｅｓｈｏｌｄ；ヒトが実験的に許容できる侵害刺激の中でもっとも強い刺激強度）等を挙げることができる。
本明細書において痛みの「分類」は、種々の観点で行うことができる。代表的な例としては、推定対象が「痛い」か「痛くない」かで分類することを含むが、これ以外に、痛みを感ずるが、強い痛みと弱い痛みや、「我慢できる」痛みと「我慢できない」痛みとに分類する手法も想定され得る。これ以外に「痛くて不快である」と「痛いが快い」を分類する手法も挙げることができる。本開示を用いて、単調増加や単調減少を観察することで、対象が我慢できない強い痛みを感じているか、弱い痛みを感じているかを時系列的に判定／推定することができる。
本明細書において「疼痛指数」は、脳波データまたはその分析データを適宜処理して得られる指数をいう。あたえられる指数の説明が記載される限り、どのような処理方法を用いてもよいが、痛みが時間的に持続、もしくは変化する特性（トレンド）を可視化し、追跡できる手法が重要であり、本開示ではその手法を示す。疼痛指数は、「疼痛レベルインデックス」などとも称され得る。また、「疼痛指標」という用語は、主観評価や刺激強度、ならびに関連する脳特徴量などを指す。
本明細書において「ベースライン」とは、疼痛レベルを判読しやすくするための基準、もしくはリファレンスであり、例えば、モニタリング開始時点の強い疼痛レベルに関わる特徴量、もしくはその平均値や正規化した値、もしくは疼痛指数をゼロとして用いるような方法、ならびに算出された数値を意味する。
本明細書において「ヘッドセット」とは、頭部から脳波を得るために使用される機器を言い、その形状は任意の形状であり、脳波は直接または間接的に取得することができればどのような取得方法をも採用し得る。形状としては、好ましくは頭部に装着する形状のものであり得るがこれに限定されず、例示としては、ワイヤレスタイプでヘッドギアのような形状のものなどの他、帽子タイプ、ネットタイプ、バンドタイプなどの既存の形状を挙げることができるが、さらに改良が進めば、ヘアピンのような形態など、電極を介して頭部から直接得られればどのような形態でもよく、外部から非接触的に取得してもよい。上記を総称して、ヘッドセットと呼び得る。
本明細書において「ベースユニット」とは、ヘッドセットから脳波信号等の情報を取得し、解析、判別、通信、表示等のアクションを行う部分をいう。主には、脳波特徴量などの定量的特徴を対象に行なわれた脳電気活動データ（脳波データまたはその分析データなど）から抽出し、さらに、判別モデルの生成、適用を行ったり、疼痛の判別等を行なうステップを行なうように構成される、プロセッサを備え得る。プロセッサに動作可能に結合されるメモリデバイス入力のための入力デバイスを含んでいてもよい。
（好ましい実施形態）
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。
また、なお、以下で説明する実施の形態は、いずれも包括的または具体的な例を示すものである。以下の実施の形態で示される数値、形状、材料、構成要素、構成要素の配置位置及び接続形態、ステップ、ステップの順序などは、一例であり、請求の範囲を限定する主旨ではない。また、以下の実施の形態における構成要素のうち、最上位概念を示す独立請求項に記載されていない構成要素については、任意の構成要素として説明される。
そこで、本発明者は、複数種類の痛みを複数の方法で評価することにより、痛みと脳波との関係を解明した。以下に、本発明者が解明した痛みと脳波との関係について、図面を参照しながら説明する。
まず、電気刺激による痛みと脳波との関係について説明する。以下に示すデータは、複数の被検者のうちの代表的な一人の被検者のデータを示す。
図１Ａは、電気刺激と痛みレベル（ＶＡＳ）との関係を示すグラフである。図１Ｂは、電気刺激と痛みレベル（一対比較）との関係を示すグラフである。図１Ｃは、電気刺激と脳波振幅との関係を示すグラフである。図１Ｄは、脳波波形の一例を示すグラフである。
図１Ａ、図１Ｂ及び図１Ｃの横軸は、電気刺激の電流値を示す。図１Ａの縦軸は、ＶＡＳにより被検者から申告された痛みレベルを示す。また、図１Ｂの縦軸は、一対比較により被検者から申告された痛みレベルを示す。図１Ｃの縦軸は、脳波の振幅値を示す。図４において、横軸は時間を示し、縦軸は、信号レベルを示す。
一対比較は、２つの大きさの電気刺激を一組として、複数組の電気刺激の各々に対して、どちらの電気刺激の方がどれだけ痛いかを被検者が数値により申告する方法である。この場合、２つの痛みの比較により痛みレベルが申告されるので、痛みレベルに対する、被検者の過去の経験の影響を軽減することができる。
図１Ａ及び図１Ｂに示すように、ＶＡＳ及び一対比較のどちらの方法であっても、電気刺激の電流値（つまり、刺激の強さ）と痛みレベルとの関係は、概ねシグモイド（Ｓ字）曲線によって表される。なお、シグモイド曲線の形状（例えば、上限値及び下限値など）は、被検者によって異なる。
また、図１Ｃに示すように、電気刺激の電流値と脳波の振幅値との関係も、概ねシグモイド曲線によって表される。ここでは、脳波の振幅値は、最大ピーク値と最小ピーク値との差異値（つまり、ピークピーク値（ｐｅａｋ−ｔｏ−ｐｅａｋ ｖａｌｕｅ））が用いられている。例えば、図１Ｄでは、３つの差異値（Ｎ１−Ｐ１、Ｎ２−Ｐ２、Ｎ１−Ｐ２）のうち最大の差異値（Ｎ１−Ｐ１）が振幅値として用いられる。
このように、電気刺激の強さ及び痛みレベルの関係と、電気刺激の強さ及び脳波の振幅値との関係とのいずれもがシグモイド曲線で表される。つまり、疼痛レベル及び脳波の振幅は、ともに、電気刺激に対して上限及び下限を有し、電気刺激の強さに対して同様の変化を示す。そこで、脳波の振幅値と疼痛レベルとの関係を分析したところ、脳波の振幅値と疼痛レベルとの関係は、図１Ｅ及び図１Ｆに示すように表された。
図１Ｅは、電気刺激による疼痛レベル（ＶＡＳ）と脳波振幅との関係を示すグラフである。図１Ｆは、電気刺激による疼痛レベル（一対比較）と脳波振幅との関係を示すグラフである。図１Ｅ及び１Ｆにおいて、横軸は、脳波の振幅を示し、縦軸は、疼痛レベルを示す。
図１Ｅ及び図１Ｆに示すように、ＶＡＳ及び一対比較のいずれの場合であっても、電気刺激による疼痛レベルと脳波の振幅値とは線形性を有する。つまり、脳波の振幅値は、疼痛レベルに対して比例する。
なお、本開示において、線形とは、厳密な線形に加えて、実質的な線形も含む。つまり、線形は、所定の誤差の範囲で線形に近似可能な関係を含む。所定の誤差の範囲は、例えば、回帰分析における決定係数Ｒ２よって定義される。決定係数Ｒ２は、残差の二乗和（Ｒｅｓｉｄｕａｌ Ｓｕｍ ｏｆ Ｓｑｕａｒｅｓ）を平均値からの観察値の差の二乗和（Ｔｏｔａｌ Ｓｕｍ ｏｆ Ｓｑｕａｒｅｓ）で除算した結果を１から減算した値である。所定の誤差の範囲は、例えば、Ｒ２が０．５以上となる範囲である。
熱刺激による疼痛と脳波との関係についても、電気刺激の場合と同様に、疼痛レベルと脳波振幅とは線形性を有する。
図１Ｇは、熱刺激による疼痛レベル（ＶＡＳ）と脳波振幅との関係を示すグラフである。図１Ｈは、熱刺激による疼痛レベル（一対比較）と脳波振幅との関係を示すグラフである。図１Ｇ及び図１Ｈにおいて、横軸は、脳波の振幅を示し、縦軸は、疼痛レベルを示す。
図１Ｇ及び図１Ｈに示すように、ＶＡＳ及び一対比較のいずれの場合であっても、熱刺激による疼痛レベルと脳波の振幅値とは線形性を有する。また、被検者によって脳波の振幅値の上限値及び下限値にはばらつきがあるが、発明者の実験により、振幅値の上限値は約６０μＶを超えないことがわかった。
以上のように、発明者は、複数種類の疼痛を複数の方法で評価した疼痛レベルと脳波の振幅値との関係を分析した結果、脳波の振幅と疼痛とが特定の関係を有することを解明した。加えて、本発明は、脳波の振幅及び疼痛の特定の関係に基づいて疼痛の大きさを推定する疼痛分類値を算出できることを見出した。
（トレンド分析法）
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。
この方法は、より詳細には、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（例えば、算術／幾何平均電位）の時間的推移を取得する工程であって、ｂ−１）該平均値のための特徴量を抽出する工程とｂ−２）該特徴量の該特定の時間幅における該平均値（例えば、算術／幾何平均電位）の該時間的推移をプロットする工程とを含む工程と、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は、必要に応じて、）該脳波データから該推定対象が有する疼痛のレベルを時系列的に評価またはモニターするための疼痛指数（例．痛みレベル強を示す特徴量程度など）を用いたり、疼痛モニタリングのベースラインを設定することができる。「疼痛指数」は、別途脳波データまたはその分析データの特徴量を適切に分析することで算出することができる。
疼痛指数は、多様な方法で表現することができ、例えば、取得した特徴量自体や平均値を、そのまま疼痛レベルを表現するために使うことができる。「平均値が高い＝痛みレベル強」が判明している場合、平均値自体が疼痛指数になりえる。また、平均値を「０から１００」の数値範囲に変換してデジタルに表現してもよい。また、特徴量自体やその平均値を標準化、ならびに正規化して、疼痛指数として用いてもよい。
本明細書において使用される「ベースライン」は、上記の疼痛指数を用いて、疼痛レベルの推移の判読基準を提供する。例えば、疼痛判読／推定装置により判別された疼痛レベルで、疼痛が強いレベルの疼痛指数を用いてゼロライン、すなわちベースラインを決定する。これにより、疼痛レベル推移の理解がより容易になる。なお、痛みのレベルが未知の場合は、外部刺激が任意に与えられず、安静状態、もしくはそれに近い「レスト（急速）状態」の一定区間をベースラインに用いることもできる。ベースラインの取得（時に、ベースライン補正とも呼ばれる）は、例えば、以下のように行うことができる（この算出法をベースライン決定プロセスともいう）。
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。
トレンド分析を行うことで、主観的疼痛の推移がより正確に評価することができるにようになった。本発明はまた、さらなる特徴として、１秒ごとなどの細かいデータポイントごとの変動ではなく、数十秒にわたるブロックごとの平均振幅をとることによって、ランダムに混入する外部、ならびに生体由来の内部ノイズを消去する効果が見られ、疼痛レベル時間変化パターン、すなわちトレンドをより正確に評価（主観的疼痛評価と脳特徴量の相関関係の向上）することができるようになった。
本発明において、本発明の方法は、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。このような疼痛占有率は、（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することができる。該疼痛占有率は、例えば、実施例に示されるような具体的な処理によって算出することができる。
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）
１つの実施形態では、平均値（例えば、算術／幾何平均電位）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、弱いと判断することができる。例えば、１つの実施形態では、６０秒刺激、６０秒レストという条件で刺激を行った場合に、ＥＥＧと主観評価、刺激強度の相関係数を算出し、それを対応のあるｔ−検定にかけ、１５秒と近接する２０秒間の間とで比較したところ、１５秒より２０秒の相関が有意に高い相関性を有することが分かった。この傾向は、２０秒を３０秒に増加しても、３０秒を４０秒に増加しても同様に観察されており、好ましくは、２０秒以上の時間幅、より好ましくは、３０秒以上、さらに好ましくは、４０秒以上を使った方がよいと結論することができる。特に、長時間にわたる持続痛のモニタリングにおいては、本手法の有効性は高い。また、一般の疼痛であっても、不快な疼痛はより数十秒を超え、連続的、もしくは断続的に生じる場合があるので、２０秒以上の時間幅を用いたモニタリングの有効性は高い。実際、本発明の手法を用いて、不快な疼痛の分析に有効に使用し得ることが判明している。したがって、本発明で使用され得る時間幅は、例えば、１０秒以上、より好ましくは、１５秒以上、さらに好ましくは、２０秒以上、２５秒以上、３０秒以上、３５秒以上、４０秒以上、４５秒以上、５０秒以上、５５秒以上、６０秒以上、と順に好ましい実施形態であることが理解されうる。また、疼痛モニタリング時間の短期から長期の変化に応じて、「階層的疼痛トレンドモニタリング手法」を用いる。１０秒程度の短時間ユニットを用いて、モニタリング時間の経過とともに、時間ユニットを縮約し、疼痛の感じ方と相関が高くなる中期間の脳特徴量のトレンド（時間変化）を可視化する。さらに、長時間のモニタリングの場合は、数分レベルまで縮約し、超長期的疼痛トレンドを示す。
１つの実施形態では、このトレンド分析の結果、平均値（例えば、算術／幾何平均電位）の推移が、単調増加パターンの場合は「痛みが強い」と判断することができ、他方で、単調減少パターンの場合は「痛みが弱い」と判断することができることが理解される。時に、モニタリングを簡易にするため、必要に応じて、「疼痛指数」は、０より多いときは、痛みが強い、０より小さいときは痛みが弱いというような指標に変換し（「ベースライン」補正過程）、設定することができる。疼痛レベルがあがるとＥＥＧ電位が単調増加するときは、波形を逆数化せずにそのまま使い、強い痛みの活動が０になるようにすることができる。他方で、単調減少のときは、波形を逆数化し、数字が大きくなると痛みが強くなるように、直観的に疼痛レベル変化を理解しやすく設定することができる。本発明は指数の算出の仕方にかかわらず、適用され得る。
1つの実施形態では、疼痛指数のベースライン補正は
［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。
ここで、本明細書において、「疼痛指数」、もしくは疼痛指数の「ベースライン」は、連続的な疼痛に関わる特徴量変化を、特定の疼痛レベル（例．疼痛強レベル）を反映した特徴量を基準にして、「痛い」か「痛くない」か、もしくは、痛みが「減少している」か「増加している」か、というような質的判断を加味した基準を導入した指数である。このような指数は、例えば、ペーハー（ｐＨ）７を基準に「アルカリ性」、「中性」、「酸性」というような水溶液の区別に類似して理解される。
本開示では、平均値（例えば、算術／幾何平均電位）、もしくは電位の絶対値、ならびに他の特徴量平均値をとる対象である時間幅は、どのようなものでもよく、例えば、移動式平均法や、非重複ブロック平均法、スパース平均法（とびとびのデータを平均する）、ピーク振幅を複数取得し平均する方法などを挙げることができる。好ましくは、特定の時間幅における平均値（例えば、算術／幾何平均電位）は、統計的に優れている場合、非重複ブロック平均法で算出する。理論に束縛されることを望まないが、移動式平均法では、平均データの時間的連続性が高いので疼痛レベルの変化を離散的にとらえることがより難しくなる可能性があるので、非重複ブロック平均法をベースに使うことを考えるからである。時間方向平均法の利点は時間方向にそれだけ多くのデータが含まれるので、時間的に変動するノイズが相殺、および／または減少し、痛み関連の信号が残ると想定でき、単発的で大きなバーストのようなノイズが入っても、時間方向でデータが多ければ影響を減少させることもできる点である。
以下スキーム図を用いて疼痛レベルモニタリング手法を説明する（図１１）。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Ｓ１００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（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の特徴量を抽出する工程Ｓ２００と、必要に応じ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時系列的に評価またはモニターするための疼痛指数（例．痛みレベル強を示す特徴量程度など）を算出し、該疼痛指数に基づいてモニタリングのベースラインを算出する工程Ｓ３００と、ｃ）必要に応じて該ベースラインまたは疼痛指数に基づいて、該脳波データから該推定対象が有する疼痛のレベルをモニターする工程Ｓ４００。
工程ａ）である推定対象から、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提供する工程（Ｓ１００）では、推定対象の脳波データまたはその分析データ（例えば、振幅データ）を任意の方法で取得する工程であり、このような脳波データまたはその分析データ（例えば、振幅データ）は、当該分野で周知の任意の手法を用いて取得することができる。例示される振幅データは、脳波の電気信号を測定することによって得ることができ、電位（μＶ等で表示され得る）で表示される。
工程ｂ）であるｂ）該脳波データまたはその分析データ（例えば、振幅データ）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）の時間的推移取得する工程では、平均値取得のための特徴量を抽出し、抽出された特徴量の一定の時間幅（例えば、４０秒等）の平均値を計算する（Ｓ２００）。ここで、前処理として、眼球運動の減衰、基線の動揺補正、アーチファクト除去（振幅絶対値＞１００μV）、振幅絶対値の正規化、もしくは標準化などを行ってもよい。
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。
必要に応じて、該脳波データから該推定対象が有する疼痛のレベルを時系列的に評価またはモニターするために、疼痛指数（例．痛みレベル強を示す特徴量程度など）を使い、モニタリングのベースラインを決定することができる（Ｓ３００）。疼痛指数は、前もって痛み判別／推定モデルで算出されていてもよく、個人ごとにモニタリング開始時点までに決められてもよい。したがって、Ｓ３００は本発明のトレンド分析方法では、特に必須の工程というものではなく、予め与えられた疼痛指数および／またはベースラインを用いることもできる。
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。
本発明の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疼痛レベル判別／推定装置１１１０において、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１１１１とＢ）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（例えば、平均値（例えば、算術／幾何平均電位））の時間的推移を取得するために、平均値（例えば、算術／幾何平均電位）を取り出す特徴量抽出部１１１２と必要に応じて疼痛指数生成部１１１３と、必要に応じ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時系列的に評価またはモニターするために、疼痛指数（例．痛み強レベルを示す特徴量程度など）を使い、モニタリングのベースラインを決定する疼痛モニタリングの基準決定部１１１４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疼痛レベルモニター部１１１５とが含まれる。脳波データ取得部Ａ）は工程ａ）を実行し、平均値（例えば、算術／幾何平均電位）データを含む特徴量抽出部Ｂ）は工程ｂ）を実行し、必要に応じて疼痛指数生成部は疼痛指数を生成し、必要に応じて基準決定部は基準を決定し、疼痛レベルモニター部Ｃ）は工程ｃ）を実行する。Ｂ）、およびＣ）および任意の疼痛指数生成部および基準決定部は、同じ部分が３つの機能を有するように構成してもよく、別々の部分として構成されていてもよい。疼痛指数生成部および基準決定部は任意の部分であり、外部から疼痛指数および／または基準値（ベースライン）を導入または受信してもよい。
図１２は、１つの実施形態の疼痛レベル判別／推定装置を含むシステム１１００の機能構成を示すブロック図である。システム１１００は、疼痛レベル判別／推定装置１１１０と、脳波計１１２０とを備える。このように脳波計は疼痛レベル判別／推定装置と別々に構成されてもよい。
装置１１１０は、測定部１１１１と、特徴量抽出部１１１２、基準決定部１１１４と、疼痛レベルモニター部１１１５を備える。装置１１１０は、例えば、プロセッサ及びメモリを備えるコンピュータによって実現される。この場合、装置１１１０は、メモリに格納されたプログラムがプロセッサによって実行されたときに、プロセッサを測定部１１１１、特徴量抽出部１１１２、及び必要に応じて疼痛指数生成部１１１３および基準決定部１１１４として機能させる。また、装置１１１０は、例えば、専用電子回路によって実現されてもよい。専用電子回路は、１つの集積回路であってもよいし、複数の電子回路であってもよい。振幅データ測定部１１１１、および基準決定部に疼痛指数を提供する疼痛指数生成部１１１３は、内部に構成されていても、外部に構成されてもよい。
測定部１１１１は、脳波計１１２０を介して推定対象１０００から脳波測定を行うことにより複数の脳波データを取得する。推定対象１０００とは、疼痛によって脳波に変化が生じる生体であり、痛覚神経を有する生物（例えば、哺乳類、鳥類等の脊椎動物（畜産用の動物やペット動物なども含む））であればよく、人に限定される必要はない。
特徴量抽出部１１１２は、脳波データの適宜の時間幅の平均値を生成する。また、より高度なモデルベースの疼痛レベル判別／推定（機械学習など）や疼痛レベルのオンラインモニタリングのために、必要に応じて、疼痛指数値生成部１１１３、ならびに疼痛モニタリングの基準決定部１１１４に特徴量を提供する。平均値は、当該分野で周知の手法で算出しうる。このような算出方法のアルゴリズムはあらかじめ特徴量抽出部１１１２に格納されていてよく、媒体または通信機能によって使用時に取り入れられてもよい。つまり、特徴量抽出部１１１２は、平均データを含めた疼痛トレンドモニタリング用特徴量を生成することができる。疼痛レベルモニター部１１１５は、算出された平均データを含めた特徴量を追跡することで、監視者が対象の主観的疼痛をモニターまたは評価を行うのに寄与する。また、モニター部１１１５は、基準決定部１１１４の出力結果を単独数字（０〜１００の疼痛レベルなど）や数字変化で表現してもよい。
脳波計１１２０は、推定対象の脳内で発生する電気活動を頭皮上の電極で計測する。そして、脳波計１１２０は、測定部１１１１と連動して計測結果である脳波データを出力する。
以上のように構成された装置の処理または方法は図１１に例示される一連の処理を示すフローチャートを実行することができる。すなわち、Ｓ１００〜Ｓ４００、図１２に例示される装置で実行されることができる。
図１３は、図１２の装置構成に、「階層的疼痛トレンドモニタリング手法」ならびに、ベースライン補正のオプション過程の詳細を組み込んだブロック図である。
本発明は、図１２および図１３などで例示される構成をとる医療装置として利用することができる。例えば、疼痛を評価する被検者からデータ取得を行い、平均をとり、この場合の平均値算出の仕方についてみると、データをモニタリングしながら行うこともでき、ある程度データ蓄積してから行うこともでき、あるいは両方することもできる。図１３では、階層的疼痛トレンドモニタリング手法を用いることが実装されている。ここでは、平均値や他の特徴量を算出して、疼痛指数をもとに、疼痛レベルが強い時間ポイントを同定し疼痛トレンドのベースラインを定めることができる。すなわち、脳波計１１２０から脳波データ（またはその分析データ）を取得し測定部１１１１にて測定する。この測定値から特徴量抽出部１１１２において特徴量などが抽出される。この特徴量などから、必要に応じて疼痛指数生成部１１１３において疼痛指数を生成し、これを用いて必要に応じて基準決定部１１１４にて疼痛レベルモニタリングの基準となるベースラインを決定することができる。そして、階層的疼痛トレンドモニタリング手法では、ベースラインが入手されまたは定まり次第、疼痛レベルのトレンドをオンラインでモニタリングすることができる。
（他の実施の形態）
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。
また、上記各実施の形態における疼痛推定装置が備える構成要素の一部または全部は、１個のシステムＬＳＩ（Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ：大規模集積回路）から構成されているとしてもよい。例えば、装置１１１０は、測定部１１１１と平均データ取得部１１１２と、疼痛モニタリングの基準決定部１１１４と疼痛レベルモニター部１１１５を有するシステムＬＳＩから構成されてもよい。
システムＬＳＩは、複数の構成部を１個のチップ上に集積して製造された超多機能ＬＳＩであり、具体的には、マイクロプロセッサ、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などを含んで構成されるコンピュータシステムである。ＲＯＭには、コンピュータプログラムが記憶されている。前記マイクロプロセッサが、コンピュータプログラムに従って動作することにより、システムＬＳＩは、その機能を達成する。
なお、ここでは、システムＬＳＩとしたが、集積度の違いにより、ＩＣ、ＬＳＩ、スーパーＬＳＩ、ウルトラＬＳＩと呼称されることもある。また、集積回路化の手法はＬＳＩに限るものではなく、専用回路または汎用プロセッサで実現してもよい。ＬＳＩ製造後に、プログラムすることが可能なＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、あるいはＬＳＩ内部の回路セルの接続や設定を再構成可能なリコンフィギュラブル・プロセッサを利用してもよい。
さらには、半導体技術の進歩または派生する別技術によりＬＳＩに置き換わる集積回路化の技術が登場すれば、当然、その技術を用いて機能ブロックの集積化を行ってもよい。バイオ技術の適用等が可能性としてありえる。
また、本発明の一態様は、このような疼痛指数生成、疼痛判別／分類装置だけではなく、疼痛判別／推定装置に含まれる特徴的な構成部をステップとする疼痛指数値生成、疼痛レベルモニタリング方法であってもよい。また、本発明の一態様は、疼痛指数値生成、疼痛レベルモニタリング方法に含まれる特徴的な各ステップをコンピュータに実行させるコンピュータプログラムであってもよい。また、本発明の一態様は、そのようなコンピュータプログラムが記録された、コンピュータ読み取り可能な非一時的な記録媒体であってもよい。
なお、上記各実施の形態において、各構成要素は、専用のハードウェアで構成されるか、各構成要素に適したソフトウェアプログラムを実行することによって実現されてもよい。各構成要素は、ＣＰＵまたはプロセッサなどのプログラム実行部が、ハードディスクまたは半導体メモリなどの記録媒体に記録されたソフトウェアプログラムを読み出して実行することによって実現されてもよい。ここで、上記各実施の形態の疼痛判別／推定装置などを実現するソフトウェアは、次のようなプログラムである。
すなわち、このプログラムは、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であって、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または取得する工程と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（例えば、算術／幾何平均電位）の時間的推移を取得する工程（ここで必要に応じて、平均値の時間的推移のための特徴量を抽出する）と、必要に応じて該コンピュータに、該脳波データから該推定対象が有する疼痛のレベルを時系列的に評価またはモニターするために、疼痛指数（例．痛み強レベルを示す特徴量程度など）を生成し、必要に応じてモニタリングのベースラインを決定する工程を含み、ｃ）該コンピュータに、必要に応じて該ベースライン決定プロセスに基づいて、該脳波データから該推定対象が有する疼痛のレベルをモニターさせる工程とを含む、方法を実行させる。
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を提供する。このプログラムは、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であって、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または取得する工程と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（例えば、算術／幾何平均電位）の時間的推移を取得プロットする工程（ここで、適宜平均値の時間的推移を得るための特徴量を抽出する）、必要に応じて該コンピュータに、該脳波データから該推定対象が有する疼痛のレベルを時系列的に評価またはモニターするために、疼痛指数（例．痛み強レベルを示す特徴量程度など）を生成し、必要に応じてモニタリングのベースラインを決定し、ｃ）該コンピュータに、該平均値の時間的経過に基づいて、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含む、方法を実行させる。
ここで実行される方法は、本発明の（トレンド分析法）の節に記載されている任意の実施形態を１つまたは複数組み合わせて用いることができることが理解される。
別の局面において、本発明は、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、方法を提供する。
１つの実施形態では、本発明は、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。前記特徴量係数の決定は、機械学習によることが好ましいがこれに限定されない。
機械学習は、Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｉｎｅ（ＳＶＭ）、ニューラルネットワーク、ディープラーニング、ロジスティック回帰、強化学習などがある。
他の実施形態では、本発明は、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。前記特徴量係数およびハイパーパラメータの決定は、機械学習によることが好ましいが、これに限定されない。
さらなる実施形態では、本発明は、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。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。
本発明の方法に基づいて作成されたモデルでは、一例ではあるが、少ない特徴量でも７０％の精度が実現できており、その意義は高い。特徴量のランキング、選抜方式には本発明の手法以外にもいくつか存在する。例えば、比較例として呈示される機械学習（ＳＶＭ−ＲＦＥ）は、実際に特徴量を使って判別モデルを作成し、その際、各特徴量の重みづけ係数を算出して、ランキングするより複雑な方法である。本発明では、これとは異なり判別をすることで特徴量のランキングを出すのではなく、分類のもっとも基本的な特性に基づき縮約をする（例えば、ニューロン発火の原理でもある「全か無か」法則を選定基準として使う）ことで、脳波特徴量の変化パターンのロバスト性を、判別分析を行う前に最初に調べることを一つの特徴としている。
縮約が前か後かということについて、本発明の縮約を先に行うほうが有利である。その理由としては、本発明では、縮約（例えば、シグモイド関数）による特徴量のフィッティングの後、全か無か特徴量の抽出を行い、機械学習により少数精鋭の判別モデルの決定を行うことから、単純に計算が終わることが特徴である。他方、シグモイドフィッティングなどのフィッティングを後に行った場合は、シグモイドは縮約のためというよりは、判別モデルで使われる特徴量がどのくらい全か無かパターンを持つか（または近似するか）を特定するために用いることになる。この場合、機械学習を行い、個々の特徴量、もしくは複数の特徴量を使いもっとも判別精度が高い特徴量や判別モデルを決定し、判別精度が高い特徴量にシグモイドフィッティングを行い、その特徴量のロバスト性を調べ、さらに、経済的な判別モデルを作りたいなら、フィッティングが高い特徴量だけを選抜し、機械学習を再度行うことになることから、計算コストが高くなると同時に、学習過程に無駄が生じる。このように特徴量のシグモイドフィッティング等が先の「特徴量数の縮約付き機械学習過程」を付加的に実現するなら、さらに機械学習を無駄に行う手順が必要になり、計算コストが高くなる。このような点から、本発明の縮約を先に行うほうが有利である。
ここで、縮約のためには、例えば、特徴量間の相関を調べ、高いものを一つにまとめるか、どれかを削除することや、因子分析などを行い、主要な因子を見つける（例えば、１００データから１０因子など）等を行うこともでき、上記例のようにシグモイド関数等を用いて、特定の反応パターンモデルに従う特徴量だけを見つけて、モデルに投入することで実現することもできる。特定のパターンは種々設定することができるが、疼痛では痛みのあるなし等の「０か１」という判別とすることもできる。ここでは、０または１であれば、シグモイド関数（ロジスティック回帰の例）やステップ関数が使える。シグモイド関数を「０、１」で作り近似し、統計的に有意な近似が見られるならば、モデルに投入することができる。「全か無」は、言い方を変えると、特定の刺激に対し「０か１」の２値で反応するとも表現することができ、デジタルの離散的な反応を示す特徴量であるともいえる。縮約を行う際には、対象となる目的を決めることで、縮約を一定範囲に収めることができる。例えば、「疼痛に関する縮約」または「疼痛刺激に関する縮約」などと表現することができる。
上記の例は、特徴量の縮約を目的とした関数近似であるが、最適な判別モデルの特定ということでは、本発明の実施例１０において示すように、複数の判別モデル（少ない特徴量数モデルから最大特徴量数モデルまで）の判別精度の変化に関数近似を行い、経済的なモデルを選択することもできる。例えば、関数近似では、2項分類を実現する、上記シグモイド関数を使うことができる。シグモイド関数は、いろんなレベルで使われる要素関数であり、ニューロン発火の原理であることはもちろん、痛みの反応関数でもあり、痛みの判別器でもあり、痛みの発生率関数でもあり得（図３１参照）、また、上記、特徴量の縮約ツールでもあり得（図３４参照）、さらにここで記述するように判別モデルの選択過程にも関連し得る。例えば、図４２Ａに示すように、判別モデルの判別精度の変化曲線は変調エリアを２つ含むパターンであることが観察される。したがって、好ましい実施形態では、最初に、変調幅（振幅）が相対的に大きい変調エリアに限定し、シグモイド近似で最小値と最大値の漸近線を導出する。次に、判別精度のばらつきを代表値（最小値、最大値）で表現し、判別精度の改善値（最大値―最小値）を算出するとともに、最大値を閾値として、その値を最初に超えた特徴量数を改善率の最高ゲインを達成する経済性判別モデルとして呈示し得る。
該縮約後の各特徴量またはその組み合わせの重みづけ係数（近似係数を含む：例えば、回帰係数）のランキングの上位から機械学習と交差検証により、判別分析を行うステップは、縮約後に特徴量（またはその組み合わせ）と重みづけ係数のランキングを作成し、これを機械学習などで交差検証を行うことで判別分析を行うことができる。
１つの実施形態では、本発明では、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をも考慮することをさらに含む。ここで、差分値は、当該分野でよく知られるように、ＭＡＴＬＡＢ関数のＤｉｆｆなどでソフトウェアに実装されており、「隣り合う数値を連続的に引き算する」関数である。別の言葉でいえば、Ｄｉｆｆ関数はＭＡＴＬＡＢに実装されている関数の一つで、隣接する値の差分値を１ポイントずつずらしながら求める関数である。この機能は、数学的には「微分」に対応し、力学的には「速度」に対応する。使い方は多様であるが、信号処理の場合、時系列、空間的なデータ分布の急激な、もしくは非連続的な（もしくは、階段的な）変調点を見つける為に用いることができる。シグモイド関数で言えば、変調エリアを見つけるのにＤｉｆｆ関数は有効である。脳波でも、特徴量が大幅に変化するような時間的、空間的ポイントを見つけるのに使われ得る。
１つの実施形態では、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。
１つの実施形態では、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。ここで、メイン特徴量としては、上位ランク１位、もしくはそれと有意に相関する特徴量を選択し、それ以外をサポーター特徴量とし、サポーター特徴量が投入された場合のｎ特徴量モデルとｎ−１特徴量モデルの差分値に基づき再ランキングを行うことができる。関数Ｄｉｆｆは、例えば、ＭＡＴＬＡＢなどに実装されているものを用いることができる。例えば、上位ランク１位を固定し、あとをサポーターとすることもできる。従って、メイン単独特徴量、もしくはメイン特徴量とそれ以外のサポーター特徴量の組み合わせを用いることができる。
なお、本明細書では、Ｒ２値で並べ替えてランク１位の特徴量をメイン単独特徴量と呼ぶ。なお、上位ランクの特徴量で、メイン単独特徴量と有意な相関を示すものは、類似した判別パターンをすることから、メイン単独特徴量１つに限定せず、これらの特徴量群を総称してメイン特徴量とすることもできる。この場合、上位ランク１位、ならびにそれと有意な相関を示す特徴量をメイン特徴量とすることができる。
１つの実施形態では、本発明の方法は、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。
本発明の別の実施形態では、前記再ランキングの後、前記特徴量を変更して機械学習（線形、ロジスティック回帰、サポートベクターマシンなど）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。再ランキング後は、１つずつ特徴量を増やして機械学習（線形、ロジスティック回帰、サポートベクターマシンなど）と交差検定を行い、各モデルの判別精度を算出する。それにより、最も高い精度のモデルを選択することができる。本発明において、機械学習は、任意のものを使用することができ、教師付き機械学習として、線形、ロジスティック、サポートベクターマシン（ＳＶＭ）などを利用することができる。
１つの実施形態では、上記ステップを少なくとも１回繰り返すことができる。ここでは、特徴量のランキングが変わっているので、投入する特徴量が違うだけになる。
モデル候補が算出されると、必要に応じて、所定の精度を達成するモデルを決定することで、所記の目的のモデルを生成することができる。
所定の精度については、目的に応じ適宜設定することができ、最も精度が高く最も特徴量数が少ないモデル、最も精度が高いモデルなど、を設定することができる。例えば、同じ、もしくは同程度の判別精度を達成する判別モデルが複数ある場合は、最も少ない特徴量数を含むモデルを選ぶのが好ましい（これは、経済性基準ともいう）。
したがって、１つの実施形態では、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。
別の実施形態では、前記所定の判別精度は、最も精度が高いことを含む。縮約は、有効な特徴量を抽出することを特徴とすることができ、より具体的には、縮約は、痛みあり、なしに対応する全か無か、すなわち２値特徴量に近いものを選定することを特徴とする。また、痛みあり、もしくは痛みなし内部の下位分類に係る特徴量を抽出するには、同じ過程を繰り返してさらに再帰的縮約を行うことが可能である。
１つの実施形態では、前記重みづけ係数は、判別関数の近似指数と同等の意味で用いられ、Ｒ２値、相関係数、回帰係数、残差平方和（判別関数と特徴量の差）などから選択される。
別の実施形態では、判別関数（モデル）はシグモイド関数やステップ関数などからなる群より選択される。
さらに別の実施形態では、モデル近似指数は、重みづけ係数の部分集合であり、Ｒ２値、相関係数、回帰係数、残差平方和およびこれらの部分集合からなる群より選択される。
さらに別の実施形態では、有効な特徴量は、２項分類の場合、痛みあり、も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。
別の局面において、本発明は、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（モデル近似指数ともいい、例としてＲ２値が挙げられる）のランキングの上位から機械学習と交差検証により、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を提供する。
別の局面において、本発明は、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（モデル近似指数ともいい、例としてＲ２値が挙げられる）のランキングの上位から機械学習と交差検証により判別分析を行うステップと、ｄ）所定の判別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、方法を提供する。
１つの好ましい実施形態では、本発明は、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。
１つの好ましい実施形態では、本発明に用いられる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。
１つの好ましい実施形態では、本発明で用いられる前記脳波データまたはその分析データは、平均振幅、電極間（前頭−頭頂など）信号（電位、周波数、情報量など）相関、周波数パワー、および複雑性指標（Ｍｕｌｔｉｓｃａｌｅエントロピー）、位相同期性（位相固定値（ｐｈａｓｅ ｌｏｃｋｉｎｇ ｖａｌｕｅ）、コヒーレンス）からなる群より選択される少なくとも１つを含む。
（バックワードサンプリング）
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。
このようなバックワードサンプリングでは、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」を作成することができる。例えば、実施例に示されるように、急性神経性疼痛（電気痛）の２レベル（「痛い、痛くない」）に関わる健常対象者のデータを機械学習（ＬＡＳＳＯ法）により１名ずつ判別推定し、チャンスレベル以上の対象者をモデルに含める過程を繰り返すと、実施例において例示されるように、初期段階では「６２％」等あまり高くないレベルにとどまった判別精度が最終の５段階目では「８１％」等比較的高レベルに向上したことが示されている。モデルに含まれた対象者は、含まれなかった対象者に比べ、神経性疼痛の感度が高かったことも分かっており、精緻化により神経性疼痛に敏感なサンプルに基づいた模範モデルが作成できることが示されている。プログレッシブサンプリングは、少ないサンプルで判別し、徐々にサンプルを増やして判別精度を上げる手法であり、このような手法も精緻化には有用であり、本発明の一つの重要な局面であるといえる。例えば、個人サンプルの「痛い、痛くない」の特徴量の違いがはっきりしている程度に基づき並べ替え、順番にサンプルをモデル作成にプログレッシブに投入するという方法もある。プログレッシブとバックワード除去との違いは、プログレッシブが「サンプル少→多」に向かうので計算時間の負担が減るという点にある。他方、本発明の別の実施形態であるバックワードの利点は、個人サンプルの判別精度の情報によりモデルを精緻化するので、計算時間はかかるが網羅的であるという点が特徴であるといえる。
（疼痛判別の新規特徴量）
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。
１つの実施形態では、前記周辺は、Ｆ３、Ｆ４、Ｆｐ１およびＦｐ２の少なくとも１つを含む。
本発明では、計算コストのよいモデル形成を提供することのほか、予想外にも従来疼痛の判別に効果的に使用することができるとは考えられていなかった特徴量が、疼痛判別に利用し得ることが判明した。脳波の性質上、脳内で電位活動は波状的に伝導し、かつ頭蓋でさらに減衰するとされている。したがって、Ｆｚの振幅が重要なら、Ｆｐｚ、ＦＣｚ等の周辺電極の振幅が代わりを務めることができるといえる。また、既存のモニタリング装置は、毛髪がある頭皮上につけないということから、額のあたりに脳波記録用２電極（Ｆｐ１、Ｆｐ２）をつけるというものが通常であった。本発明では、特徴量の縮約プロセスで「２電極」が最も有効、さらに、Ｆｚ、ならびに電位伝播・拡散の可能性から、Ｆｐｚ、もしくは周辺でも有効であり得ることが示された。判別精度という装置の性能を決定するデータ解析から、「２電極」、ならびに「額周辺」という結果が得られたといえる。前頭前野前方部のγ帯域の周波数パワーが痛みに関連し得るという報告があることから（Ｓｃｈｕｌｚ ｅｔ ａｌ．，（２０１５）．Ｐｒｅｆｒｏｎｔａｌ Ｇａｍｍａ Ｏｓｃｉｌｌａｔｉｏｎｓ Ｅｎｃｏｄｅ Ｔｏｎｉｃ Ｐａｉｎ ｉｎ Ｈｕｍａｎｓ．Ｃｅｒｅｂｒａｌ Ｃｏｒｔｅｘ２５：４４０７−４４１４）、本発明のＦｚまたはＦｐｚあるいはそれらの周辺を特徴量とする疼痛分析法は、新たな判別手段として認知されるべきであるといえる。
以下各ステップを説明する。
以下スキーム図を用いて特徴量数の縮約付き判別分析法を説明する（図３４）。
ａ）まず、脳波データまたはその分析データ等の特徴量の判別特性の数量化を行う（Ｓ１００１０）。すなわち、ここでは、個人ごとに、２値変化パターン「０、１」のシグモイド関数を用いて脳波特徴量をフィッティングし、モデル近似指数（例えば、Ｒ２値)を算出する。このステップは、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であるともいえる。個別の特徴量では判別推定を行う目的の場合は、フィッティングで得られたモデル曲線において、閾値や判定指数を設定するステップとして利用できる。すなわち、閾値電位などの数値で閾値を設定して、これを判定指数とすることができる。詳述すると、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）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り、好ましい。
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回帰係数が所定以上の場合、該シグモイド曲線等に基づいて、疼痛の判定のための閾値を設定することができる。ここでは、シグモイド曲線の場合、変調点に基づいて生成することができるがこれに限定されない。必要に応じて、疼痛のレベルの分類が最大になるように疼痛分類値を較正（キャリブレーション）してもよい。
ｂ）次に、特徴量のランキングを行う（Ｓ１００２０）。ここでは、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。算出が終わると、特徴量のランキングを行う。
次いで、ｃ）上位特徴量から順番に含めた階層的判別分析を行う（Ｓ１００３０）。例えば、上位特徴量からサポートベクターマシンなどの機械学習モデルに順番に投入し、全サンプルの判別精度を１個抜き交差検証で調べることなどを例示することができる。ｂ）およびｃ）は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投入し、機械学習と交差検証により、判別分析を行うステップに該当する。
ｄ）次いで、判別モデルの決定を行う（Ｓ１００４０）。これは、所定の精度を達成するモデルを決定するステップに該当する。例えば、最も精度が高いもの、同じ精度であれば最も特徴量が少ない「経済的判別モデル」を決定することができる。ただし、所定の精度を達成する（例えば、７０％の判別精度）のであれば、任意のモデルを選別する、などの設定を行うこともできる。本発明において、ステップｃ）とステップｄ）とはモデル生成部において行うことができる。既存のデータベースを用いて、あらかじめモデルは決定していることが想定される場合、そのモデルに、実際のモニタリング時に痛みデータが入ってきて判別推定を行ってもよい。黒矢印は実際のモニタリングを想定したフローであると想定可能である。
また、異なる最適なモデル選択過程では、実施例１１で示す特徴量の再ランキングを行う方法もあり得る。この場合、Ｓ１００４０の判別モデル決定後、Ｓ１００２０の特徴量ランキングに回帰し、ｎ−１特徴量数モデル（ｎ≧２）とｎ特徴量数モデルの判別精度の差分値から特徴量を再ランキングし、Ｓ１００３０の上位特徴量から１個ずつモデル投入し、判別精度を再計算する。その後、２回目のＳ１００４０のモデル決定過程を経て、判別モデルが決定される。これらは、図４４の符号で説明すると、以下の通りとなる。すなわち、判別モデル決定後、Ｓ１００６０の特徴量ランキングに回帰し、ｎ−１特徴量数モデル（ｎ≧２）とｎ特徴量数モデルの判別精度の差分値から特徴量を再ランキングし（Ｓ１００７０−１）、Ｓ１００７０−２の上位特徴量から１個ずつモデル投入し、判別精度を再計算する。その後、Ｓ１００８０のモデル決定過程を経て、判別モデルが決定される。
特徴量は、何らかの刺激（例えば、冷温刺激、電気刺激など）などに応じて得られるものでもよく、自然環境で得られるものでもよく、種々の脳波データ、脳活動データ、脳活動量、振幅データ（ＥＥＧ振幅）、周波数特性等を利用することができる。このような脳波データは、当該分野で周知の任意の手法を用いて取得することができる。脳波データは、脳波の電気信号を測定することによって得ることができ、振幅データなどとして電位（μＶ等で表示され得る）で表示される。周波数特性はパワースペクトル密度などで表示される。脳波データを、フィルター処理、眼球運動補正、アーチファクト除去などの基本的な信号処理を行った後、条件パラメータに関連付けて該当部分の信号を抽出し、脳波特徴量を作成することができる。これには、平均値（算術平均、幾何平均）、他の代表値（中央値、最頻値）、エントロピー、周波数パワー、ウェーブレット、もしくは平均、ならびに単一試行の事象関連電位の成分などが含まれる。図３５および３６に示されるものは本発明の例と比較例との対比であるが、計算コストの差は歴然としている。
好ましい実施形態では、本発明を実施するために、脳波データは、１）解析に必要な数の電極数で、２）毛髪のある頭皮を極力避け、３）寝ている状態でも記録できるような簡便な方法で実施することが好ましい。例えば、２４個の電極数を用いることが例示されるが、これに限定されず、１２〜２４個、あるいは２４〜３６個などでもよく、６〜１２個などでもよく、それより少ない数（例えば、３つ、４つ、５つなど）でもよい。
縮約の例としては、シグモイドフィッティングの他、変調が階段的なステップ関数、連続的に段階変化する一次関数などを用いてもよい。
重みづけ係数としては、回帰係数の他、Ｒ２値、相関係数、残差平方和（判別関数と特徴量の差）などを用いることができる。しかしながら、痛みの判別では、個人が痛みやストレスを感じているかをできる限り精度高く区別できることが重要であり、統計的有意差の検出とは異なる有効性が要求され、また、目的とすることがあり得る。
１つの実施形態では、脳波データまたはその分析データは、データ記録位置として国際１０−２０基準、もしくはその拡張基準に準拠したＦ３、Ｆ４、Ｃ３、Ｃ４、Ｐ３、Ｐ４などの前頭部から頭頂部、さらには後頭部にかけた頭皮上位置を電極位置として含み、あるいは、特定の均一な距離（例．２．５ｃｍなど）でおかれた位置を網羅してもよく、記録、ならびに解析の時間帯は、短時間の事象関連電位活動の場合は、０−１００、１００−２００、２００−３００、３００−４００、４００−５００、５００−６００、６００−７００、７００−８００ミリ秒（ｍｓ）、あるいは、より細かい時間区分（１０ミリ秒など）や、より長い時間帯（時に、数秒間に及ぶ）であってもよい。前記脳波データ、またはその分析データは、これらの組合せから選択される、少なくとも１つの脳波特徴量を含む。
さらに別の実施形態では、脳波の特徴量は、Ｆｐ１、Ｆｐ２、Ｆｐｚ、Ｆ３、Ｆ４、Ｆｚ、Ｃ３、Ｃ４、Ｃｚ、Ｐ３、Ｐ４およびＰｚからなる群より選択される少なくとも１つを含み、例えば、平均振幅Ｆｚ、Ｃ３およびＣ４、ならびに周波数Ｆｚ（δ）、Ｆｚ（β）、Ｃｚ（δ）、Ｃ３（θ）およびＣ４（β）を含む。Ｃｚ（振幅）、Ｃ３（α）、Ｃｚ（β）、Ｆｚ（δ）、Ｃｚ（γ）を含むことが好ましいがこれに限定されない。
図４７には、本発明の装置（特徴量縮約過程付き判別装置）の模式図が記載される（１０１０００〜１０８０００）（なお、この構成図のいくつかは任意の構成部分であり省略され得ることに留意されたい）。本模式図では、各ステップも適宜併記する（Ｓ１０１００〜Ｓ１０６００）。
この装置は、特徴量縮約部１０１０００と、特徴量抽出部１０２０００と、疼痛判別・推定モデル生成部１０３０００と、疼痛判別・推定部（モデル修正過程を含みうる）１０４０００と、リファレンス刺激呈示部１０５０００、脳波データ測定部１０５２００、疼痛レベル可視化部１０７０００とから構成され、対象は１０６０００で特定される。
この縮約過程付き判別では、疼痛判別・推定段階数（２段階、３段階など）の決定（Ｓ１０１００）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、Ｓ１０２００）を行う。特徴量は、リファレンス刺激呈示部１０５０００から対象１０６０００にリファレンス刺激（電気刺激など）がＳ１０１００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（Ｓ１０３００）、縮約された後（Ｓ１０４００）、得られる。なお、収集された特徴量は、Ｓ１０２００で生成された判別関数で近似され、得られた近似係数（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１０４０００で行い、最も判別精度が高い特徴量数を持つ判別モデルを疼痛モニタリング用に用いる。これが、特徴量の縮約過程Ｓ１０４００の一形態である。なお、縮約過程（白抜き矢印）、ならびに実際の疼痛モニタリング過程（黒矢印）で使う疼痛判別・推定部に搭載する判別モデル（アルゴリズム）は、疼痛判別・推定モデル生成部１０３０００で作成され、疼痛判別・推定部１０４０００に搭載される。特徴量縮約部１０１０００における上記前処理が終了後、対象１０６０００から実際の痛み関連の脳波データを脳波計などを含む脳波データ測定部１０５２００で収集する（Ｓ１０５００）。これを特徴量抽出部１０２０００に送り、振幅や周波数の縮約過程で選定された特徴量（例えば、特定電極の特定振幅や周波数帯域パワーなど）に変換する。抽出された特徴量は特徴量抽出部１０２０００から疼痛判別・推定部１０４０００（モデル修正過程を含みうる）に取り込まれ、疼痛レベルが決定される（Ｓ１０６００）。決定結果は、疼痛レベル可視化部１０７０００において、変化トレンドや数値（例えば、１から１００）で示される。
Ｓ１０１００の疼痛判別・推定段階の決定では、判別推定するレベル数（例えば、２段階や３段階など）を決める。
Ｓ１０２００の判別関数の生成では、Ｓ１０１００の判別レベル数に応じて用いる判別関数を作成する（２項分類におけるシグモイド関数やステップ関数など）。
Ｓ１０３００の疼痛段階に関連する特徴量の収集では、リファレンス刺激呈示部１０５０００から対象１０６０００にリファレンス刺激（電気刺激など）をＳ１０１００で決定したレベル数に対応して複数呈示し、関連する脳波特徴量を収集する。
Ｓ１０４００の特徴量の縮約では、Ｓ１０３００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４１０４０００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。
Ｓ１０５００の痛み関連の脳波データ収集では、特徴量縮約部１０１０００における縮約処理が終了後、疼痛モニタリングの対象となる実際の痛み関連の脳波データを収集する。このステップは、リアルな疼痛モニタリング過程のデータ収集である。
Ｓ１０６００の痛みレベル決定では、Ｓ１０５００で得た実際の痛み関連データを特徴量抽出部１０２０００で加工し特徴量セットを得た後、疼痛判別・推定部１０４０００判別推定し、推定値から痛みレベルを数値化し、痛みレベルを決定し、疼痛レベル可視化部１０７０００で可視化する。
リファレンス刺激呈示部１０５０００から対象（１０６０００）に発出された刺激に同期した脳波データを脳波データ測定部１０５２００で得られるように、対象（１０６０００）に連結されたか、またはされ得る脳波計を備えるか脳波計に連結されるように構成される。これが装置１０８０００の概要である。
装置１０８０００は、脳波測定部を備えることができ、この脳波測定部は脳波記録センサーおよび必要に応じて脳波増幅部を内部に備えるか、外部で接続し、装置１０８０００にて疼痛関連の脳波の信号処理および疼痛判別／推定が行われる。
装置１０８０００では、特徴量抽出部１０２０００で、収集した脳波信号を処理し、脳波特徴量を抽出する。抽出の際には、特徴量縮約部１０１０００においてあらかじめ縮約された特徴量を選定する。また、（必要に応じて）疼痛レベル可視化部１０７０００で疼痛を可視化する。また、内部、もしくは外部に、リファレンス刺激呈示部１０５０００を備え、このリファレンス刺激呈示部１０５０００は、対象１０６０００の疼痛モニタリングに有効な特徴量を縮約するために、電気刺激などのリファレンス刺激をＳ１０１００で決定した痛みレベルに応じて複数回呈示する。それに関連する脳波データを脳波データ測定部１０５２００で記録し、特徴量抽出部１０２０００で関連する脳波特徴量を得て疼痛判別・推定部１０４０００で該特徴量からリファレンス刺激の痛みレベルを判別推定し、その結果から特徴量の縮約Ｓ１０４００を行う。また、リファレンス刺激呈示部１０５０００は、判別器作成と実際の未知の疼痛レベルの判別のために疼痛刺激情報（刺激タイプや環境情報などを）も送る。リファレンス刺激呈示部１０５０００は、リファレンス刺激呈示部１０５０００の他、必要に応じて刺激情報可視化部を備え、刺激や環境に係る画像や数字などの情報を表示してもよい。また、装置１０８０００は、判別器や判定値を生成する疼痛判別・推定部１０４０００を装置１０８０００の外部、もしくは内部に備えていてもよい。
このように装置１０８０００は、脳波データ測定部１０５２００と疼痛判別・推定部１０４０００とを備え、必要に応じてリファレンス刺激呈示部１０５０００を備える。装置１０８０００は、例えば、プロセッサ及びメモリを備えるコンピュータによって実現される。この場合、装置１０８０００は、メモリに格納されたプログラムがプロセッサによって実行されたときに、プロセッサを、必要に応じて特徴量縮約部１０１０００、特徴量抽出部１０２０００、疼痛判別・推定モデル生成部１０３０００、疼痛判別・推定部１０４０００などとして機能させる。必要に応じて刺激や環境情報の可視化もさせる。また、本発明の装置１０８０００は、例えば、専用電子回路によって実現されてもよい。専用電子回路は、１つの集積回路であってもよいし、複数の電子回路であってもよい。脳波データ取得部および快不快判定値生成部は、この快不快判定装置と同様の構成をとっていてもよい。
特徴量抽出部１０２０００は、脳波計（脳波データ測定部１０５２００に含まれる）を介して推定対象から複数回の脳波測定を行うことにより複数の脳波データを取得することもできる。対象とは、刺激や環境によって脳波に変化が生じる生体であり、ヒトに限定される必要はない。
疼痛判別・推定部１０４０００は、判定値を用いて不快度を判別・推定する。判別器や判定値が外部、もしくは内部であらかじめ生成されない場合は、生成も行う。判別器や判定値を生成する部門は、疼痛判別・推定部１０４０００として装置１０８０００の外部、もしくは内部に備えることができる。疼痛判別・推定に使用する判別値は、複数の脳波データの振幅から、不快度を推定または分類するためのものである。つまり、疼痛判別・推定部１０４０００、もしくは疼痛判別・推定モデル生成部１０３０００は、脳波データから対象の不快度を推定または分類するための判定値を生成することができる。
脳波データ測定部１０５２００に含まれる脳波記録センサーは、推定対象の脳内で発生する電気活動を頭皮上の電極で計測する。そして、脳波記録センサーは、計測結果である脳波データを出力する。脳波データは必要に応じて増幅することができる。
（他の実施の形態）
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。
例えば、上記各実施の形態において、脳波データの振幅値として、ピークピーク値が用いられうるが、これに限定されない。例えば、振幅値として、単なるピーク値が用いられてもよい。
なお、上記実施形態では、脳波振幅などの特徴量、もしくはその組み合わせの上限値Ａｍａｘに対応する不快度の大きさの値Ｐｍａｘが１となり、特徴量、もしくはその組み合わせの下限値Ａｍｉｎに対応する痛みの大きさの値Ｐｍｉｎが０となるように、不快度の大きさの値の範囲を設定することが想定されているが、これに限定されない。例えば、０〜１００で痛みの大きさが表されてもよい。この場合、疼痛判別・推定部１０４０００は、疼痛の大きさの値Ｐｘを疼痛レベル可視化部１０７０００で示す場合、以下の式で推定することができる。
Ｐｘ＝Ｐｍａｘ×（Ａｘ−Ａｍｉｎ）／（Ａｍａｘ−Ａｍｉｎ）
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。
また、リファレンス刺激呈示部１０５０００（図４７参照）が対象１０６０００に与える刺激は、刺激タイプや呈示環境に応じて対象１０６０００が感じる不快度の大きさが変わるのであれば、どのような種類の刺激が与えられてもよい。
また、上記各実施の形態における本発明の装置が備える構成要素の一部または全部は、１個のシステムＬＳＩ（Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ：大規模集積回路）から構成されているとしてもよい。例えば、図４７に示すように、装置１０８０００は、特徴量縮約部１０１０００、疼痛判別・推定モデル生成部１０３０００、疼痛判別・推定部１０４０００、疼痛レベル可視化部１０７０００から構成される他、特徴量抽出部１０２０００とリファレンス刺激呈示部１０５０００とを有するシステムＬＳＩから構成されてもよい。
システムＬＳＩは、複数の構成部を１個のチップ上に集積して製造された超多機能ＬＳＩであり、具体的には、マイクロプロセッサ、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などを含んで構成されるコンピュータシステムである。ＲＯＭには、コンピュータプログラムが記憶されている。前記マイクロプロセッサが、コンピュータプログラムに従って動作することにより、システムＬＳＩは、その機能を達成する。
なお、ここでは、システムＬＳＩとしたが、集積度の違いにより、ＩＣ、ＬＳＩ、スーパーＬＳＩ、ウルトラＬＳＩと呼称されることもある。また、集積回路化の手法はＬＳＩに限るものではなく、専用回路または汎用プロセッサで実現してもよい。ＬＳＩ製造後に、プログラムすることが可能なＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、あるいはＬＳＩ内部の回路セルの接続や設定を再構成可能なリコンフィギュラブル・プロセッサを利用してもよい。
さらには、半導体技術の進歩または派生する別技術によりＬＳＩに置き換わる集積回路化の技術が登場すれば、当然、その技術を用いて機能ブロックの集積化を行ってもよい。バイオ技術の適用等が可能性としてありえる。
また、本発明の一態様は、このような疼痛判別・推定モデル生成、持続痛判別・推定部だけではなく、痛み推定装置に含まれる特徴的な構成部をステップとする疼痛分類値生成、痛み判別・分類方法であってもよい。また、本発明の一態様は、特徴量縮約、特徴量抽出、疼痛判別・推定モデル生成、疼痛判別・推定に含まれる特徴的な各ステップをコンピュータに実行させるコンピュータプログラムであってもよい。また、本発明の一態様は、そのようなコンピュータプログラムが記録された、コンピュータ読み取り可能な非一時的な記録媒体であってもよい。
なお、上記各実施の形態において、各構成要素は、専用のハードウェアで構成されるか、各構成要素に適したソフトウェアプログラムを実行することによって実現されてもよい。各構成要素は、ＣＰＵまたはプロセッサなどのプログラム実行部が、ハードディスクまたは半導体メモリなどの記録媒体に記録されたソフトウェアプログラムを読み出して実行することによって実現されてもよい。ここで、上記各実施の形態の痛み推定装置などを実現するソフトウェアは、本明細書において上述したプログラムであり得る。
（クラウド、ＩｏＴおよびＡＩを用いた実施形態）
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。
あるいは、疼痛判別装置が判別モデルも格納し、その場で判別を行うが、判別モデルの計算などの主要な計算は、サーバやクラウドで行う形態である半スタンドアローン型の形態も想定され得る（図５３）。病院等の一部の実施場所では、送受信が常にできると限らないことから、遮蔽した場合でも使えるモデルを想定したものである。
したがって、1つの局面では、本発明は、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、ならびにそれを格納した記録媒体、システムおよび装置を提供する。
このようなプログラムを実現するシステムは、全体をシステムとしてとらえる実施形態で実現され、この局面では、本発明は、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。この場合、図５０に模式的に例示が示されるが、脳波データ取得部は、脳波データ測定部１１００００および脳波特徴量抽出部１４００００として描写される。疼痛判別・推定モデル生成部は、疼痛判別モデル生成部１６００００として描写されている。さらに、疼痛判別・推定部は、疼痛レベル判別推定部１５００００として描写されている。図５０では、このほか、疼痛レベル可視化部１３００００およびデータ保存部１７００００が描写される。このような可視化部および保存部は、必ずしも必須ではないが、医療機器として提供する場合には備わるほうが好ましい。
可視化部は、ユーザーが疼痛判別結果を認知できるものであれば、どのようなものでもよく、入出力装置、表示装置、テレビジョン、モニタ等を用いてもよい。可視化部の代わりに、音声等の別の認知手段を用いてもよく、音発生装置（例えば、スピーカ）、振動装置、電極、または被験者にチャレンジを呈示することができる他の装置を含むことができる。
保存部は、例えば、ＣＤ−Ｒ、ＤＶＤ、Ｂｌｕｅｒａｙ、ＵＳＢ、ＳＳＤ、ハードディスクなどの記録媒体であってもよく、サーバに格納されてもよく、クラウド上に適宜記録される形式でもよい。
図５０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、脳波特徴量抽出部１４００００に送られ、複数の特徴量が作成される。特徴量は疼痛判別モデル生成部１６００００に送られ、判別アルゴリズムが生成される。判別アルゴリズムは、疼痛レベル判別推定部１５００００に送られ、さらに作成されたモデルによる判別結果は疼痛レベル可視化部１３００００に送られ、疼痛レベル判別結果の妥当性確認のために表示される。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、脳波データは脳波特徴量抽出部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、判別結果は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。
１つの局面では、本発明は、図５１に基づいて、端末は脳波取得をするだけであり、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・推定サーバとを含む。ここで、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。
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に表示されるとともに、脳波特徴量抽出部１４００００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、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、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に格納される。この時に出力された判別推定結果はデータ送受信部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、脳波データは、疼痛レベル可視化部１３００００で表示されると同時に、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、データ送受信部１２００００、ならびに１２５０００を通して、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る。判別結果はデータ送受信部１２００００、ならびに１２５０００を通して、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。
別の局面では、図５１に基づいて、「脳波特徴量」＝分析データを抽出するモジュールを分離した形態であり、特徴量は端末側で計算することを想定したものである。ここでは、本発明は、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・推定サーバとを含むものを提供する。ここで、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。
図５２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、さらに、脳波特徴量抽出部１４００００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、脳波データは、疼痛レベル可視化部１３００００で表示されると同時に。データ送受信部１２００００、ならびに１２５０００を通して、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る。判別結果はデータ送受信部１２００００、ならびに１２５０００を通して、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。
さらに別の局面において、端末は脳波取得し格納しているモデルに当てはめる形態を提供する。本発明はこの局面において、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・推定サーバとを含むものを提供する。ここで、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。
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。
このようなクラウドサービスとしては、おおむね、「Ｓｏｆｔｗａｒｅ ａｓ ｓｅｒｖｉｃｅ （ＳａａＳ）」が該当する。初期の痛み判別装置は、実験室環境でのデータから作られた判別アルゴリズムを搭載していると考えられることから、これらの実施形態の２つまたは３つの特徴を備えるシステムとして提供されてもよい。
たとえば、以下が考えられる。
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。
ここでは、例えば、標準仕様として、電位、周波数、電位相関、エントロピーなどの基本的な特徴量を格納し、オプションとして、その他、判別精度を上げる特徴量などを格納してもよい。
痛み判別モデルは、疼痛判別モデル生成部１６００００において生成される。疼痛判別モデル生成部では、脳波データまたはその分析データ（脳波特徴量）に基づいて疼痛判別モデルを生成し、疼痛レベル判別推定部に疼痛判別モデルが送信される。
疼痛判別モデル生成部では、例えば、標準（標準搭載の一般的判別モデル）のほか、オプションを含めていてもよい。例えば、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）等を備えていてもよい。
好ましい実施形態では、判別モデル改善を行う機能が備わっていてもよい。この機能は疼痛判別モデル生成部にあってもよく、別個のモジュールとして備えられてもよい。この判別モデル改善機能は、例えば、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）などのオプションを備えていてもよい。
データ保存も必要に応じてなされ得る。データ保存は通常サーバ側に備えられるが（図５１〜５３のデータ保存部１７００００）、全装備型の場合はもとより、クラウド型の場合でも端末側にあってもよい（任意であるため、図では示していない）。クラウドでサービスを提供する場合、データ保存は、標準（例えば、クラウドに１０Ｇバイトまで）、オプション１（例えば、クラウドに１Tバイト増量）、オプション２（クラウドにパラメー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）のオプションを提供し得る。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（例えば、脳波データベース１８００００）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判別モデルソフトウェアを提供することができる。
また、データ解析オプションを有していてもよい。ここでは、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）などを提供することができる。すなわち、疼痛判別モデル生成部１６００００の計算方法のオプションとして想定され得る。
（テイラーメイド機械学習）
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。
本発明は、単一のアルゴリズム内でマルチモデルを作成し、最大のモデルを選んだり、アンサンブル法で組み合わせたりという「Ｓｉｎｇｌｅ−ａｌｇｏｒｉｔｈｍ−ｂａｓｅｄ ｍｕｌｔｉ−ｃｌａｓｓｉｆｉｅｒ ｔａｉｌｏｒ−ｍａｄｅ ｍｅｔｈｏｄ」ともいいうる点が一つの特徴である。いろいろなアルゴリズムを用いて、もっともいいものを使う、言ってみれば「マルチアルゴリズムテイラーメイド法」のみを使用する概念とは異なる点が重要である。１つの実施形態において、最初に複数のアルゴリズムを用意し、最も精度が高いアルゴリズムを全体モデルで決めてから、本発明のようなテイラーメイド法に移行するということも可能である。
本発明では、ハイパーパラメータを用いた解析を行い、これを、Ｆ）のようなグルーピング処理することがひとつの特徴であり、これによって、より正確な機械学習が可能となった点が注目される。また、さらに言えば、この解析が疼痛の判定に用いられ、より正確な判別結果を呈示している点も注目される。
１つの実施形態では、判別精度が最も高くなる最適なハイパーパラメータを選ぶこと自体は、例えば、ＭＡＴＬＡＢのＬＡＳＳＯ関数、ＳＶＭ関数等の当該分野において公知の任意のものを利用することができる。本発明では、ハイパーパラメータを最初は全データを用いて決定し、判別精度に基づき個人サンプルを並べ変え、個人サンプルをグループ化して再度、ハイパーパラメータをグループごとに算出するという点に特徴の一つがある。すなわち、ハイパーパラメータの算出を、どのようにきめ細かく行うか、判別モデルのハイパーパラメータのテイラーメイド算出手法とでも言う手法を呈示する点が意義深いといえる。このようなグループ化を行うことで、個別化に対応することができ、テイラーメイド化することができることが理解される。
また、後に述べるような好ましい実施形態では、その後に、グループごとに決まったモデルを複数、組み合わせて最高の判別精度を得る方法で、判別モデルのテイラーメイド組み合わせ手法と呼びうるものであり、このような２つの要素手法により、テイラーメイド機械学習がより精緻化され得る。
なお、本発明が対象とする判別モデルは医療分野（例えば、疼痛判別）、音響、電機、映像、輸送機器、株式取引、商業活動（商品呈示）、顧客分析、形状検出、教育（学生育成）、人材選択（雇用時判定）、政治（紛争予測、選挙予測）、公共交通（渋滞分析など）、治安（催事トラブル予測）に限らず、またそのモデルの種類もなんでもよく、ＬＡＳＳＯでも、ロジスティックでも、サポートベクター、ニューラルネット、ランダムフォレスト、ベイズ、決定木でも用いることができる。
１つの実施形態では、本発明において、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。
本発明で使用される枝刈りは、アルゴリズム分野で周知の概念であり、機械学習においても汎用される概念であり、また、ゲーム理論などでも実施され得る処理手法である。
アンサンブル法において、一つずつモデルを増やし、個々のモデルが判別する結果の多数決を用いて、最高の判別精度になるモデルセットを選ぶ改善方法もまた、本発明が提供する特徴の一つである。このような手法は従来呈示されておらず、アンサンブルの顕著な改良法にあたる。そしてより高い判別精度が持たされる点に留意すべきである。
１つの実施形態では、本発明において最大モデルをメインモデルとし、残りをサポーター（サポート）モデルとして、該サポーター（サポート）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手法が呈示される。この場合、具体的には、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ことができる。その方法は、図６３に示したように、判別モデルをランキングし、判別精度が上位のモデルから順番に含める方法と図６９に示すように、判別最大（ＭＡＸ）モデル以外を網羅的に全部投入し、最も判別精度が高くなるモデルだけを段階的に投入する方法がある。
好ましい実施形態では、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。
１つの実施形態では、本発明は、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ことができる。リファレンス刺激の判別最大モデルが単独で高い割合、例えば９５％の場合、１個だけでテスト判別をしてもよい。単独の判別最大モデルの精度が、それほど高くない、例えば７０％ぐらいで、アンサンブル法で精度を上げる場合は、２個以上の個別モデルを含む判別モデルを使用してもよい。
１つの実施形態では、本発明は、リファレンス刺激を（好ましくは複数回）呈示して脳波データまたはその分析データを取得し、あるいは特徴量を抽出し、本発明のテーラーメード（例えば、アンサンブル法）を用いて、リファレンス判別モデルを個人ごとに作成し、テイラーメイド化された判別モデルを用いて、実際の痛みモニタリングデータを判別推定してもよい。
検証は、以下の手順で行うことができる：「個別判別モデル→リファレンス刺激判別最大モデル、もしくはセット→リファレンス判別モデル→テストデータによるモデル検証⇒最終モデルの決定。以下がその手順の例である。
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。
本発明の方法は、実際の痛みモニタリングにおいてどのように使われるかを検証することができる（例えば、実施例１９）。実際の場面では、例えば、モニタリング前にリファレンス刺激を（好ましくは、複数回）呈示し、リファレンス脳波データを取得することができる。このようなリファレンス脳波データを使い、未知の個人の痛み感度に適した判別モデル、すなわちテイラーメイド判別モデルを作成することができる。このモデルを使い、今度は、いろいろな痛みをモニタリングすることで、実際への応用が可能であり、本発明はそのような痛み判別装置をも提供する。
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）。
サンプルデータは、リファレンスとテストに分けることができるが、これに限定されない。この場合、実測時を疑似的に再現するものとして取り扱うことができる。
加えて、実際の痛みモニタリングの局面において、開始前に、リファレンス脳波データ（サンプル）をリファレンス刺激呈示に収集し、特徴量を抽出し、個別判別モデルを使って、最適な判別モデルを作成することができる。そのモデル決定過程には、本明細書に記載されているような、判別精度最大の判別ＭＡＸモデル（判別最大モデル）を一つ決める方法、単一の判別ＭＡＸモデル判別最大モデル）と残りモデルを判別ランキングに基づいて組み合わせて、判別精度をさらに向上させる方法、もしくは、単一判別ＭＡＸモデルであるメインモデルと残りサポーターモデルを網羅的に組み合わせて、最適な組み合わせを見つける方法、などを使うことができる。このように決定された判別モデルを用いて、実際に、対象者が痛みを感じているとき、感じなくなったとき、和らいできたときなどの疼痛変化を、脳波データ、ならびに抽出された特徴量を使って判別推定することができる。
１つの実施形態では、本発明は、リファレンス刺激を複数回呈示して脳波データを記録し、特徴量を抽出し、上記のアンサンブル法を用いて、リファレンス判別モデルを個人ごとに作成する。そのテイラーメイド判別モデルを用いて、実際の痛みモニタリングデータを判別推定する。これが、想定している推定法１〜３（実施例１６〜１８を参照）の実環境での使い方である。
１つの応用分野としては、前記機械学習は、疼痛の判別を目的とすることができるがこれに限定されない。この他の分野としては、医療分野はもとより、音響、電機、映像、輸送機器、株式取引、商業活動（商品呈示）、顧客分析、形状検出、教育（学生育成）、人材選択（雇用時判定）、政治（紛争予測、選挙予測）、公共交通（渋滞分析など）、治安（催事トラブル予測）を挙げることができる。
１つの実施形態では、前記機械学習が疼痛の判別を目的とする場合、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。好ましい実施形態では、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んでいてもよい。好ましい実施形態では、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ができる。
あるいは、現実のモニタリングでは、ステップＡ）は、リファレンス刺激を対象の脳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。
したがって、１つの局面では、本発明は、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、を含む方法を提供する。
ここで用いる判別モデルは何でもよく、ＬＡＳＳＯでも、ロジスティックでも、サポートベクター、ニューラルネット、ランダムフォレスト、ベイズ、決定木を含む教師付き機械学習、ならびに深層学習を含む教師なし機械学習も用いることができる。
（テイラーメイド機械学習システム、プログラム等）
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。
別の局面において、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格納した記録媒体を提供し、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。
さらに別の局面において、本発明は、本発明の方法を個別のモジュールで提供するシステムを提供し、すなわち、機械学習の改良方法を実装するシステムを提供する。ここで、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（ＭＡＸ）モデル生成モジュールと、を含む。ここで各モジュールにおいて実施され得るステップの具体的な実施形態は、（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。
さらに別の局面において、本発明は、全部ＣＰＵが行うことを前提とするシステムであって、機械学習の改良方法を実行するシステムを提供する。ここで、このシステムは、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。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。
以下各ステップをより詳細に説明する。
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。
次に、テイラーメイド痛み判別推定法１の概要（図５６）を説明する（手順１〜５）。
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。
以下に超平面ｆ（ｘ）を用いる場合の、ＳＶＭのアルゴリズム例を示す。
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
例示的な手順は以下の通りであるが、当業者は、この例に基づき適宜変更して実施することができる。ここでは、全データをスケール化し、カーネル関数を選び（ここではガウス関数）、交差検定（この例では、５分割）を用いて最適な罰則項（C）とγパラメータを決定する（正則化）例を示す。このパラメータを用いて判別モデルを作成する。
手順２：
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。
手順３：
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４：
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。
テイラーメイド痛み判別推定法２について次に説明する。
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）。
手順６では判別モデルセット（例では、６２個）を一つずつ使った判別精度でモデルを降順に並べ替える。具体的には以下の手順を行う：個人のサンプルごとに、各モデルを使った判別推定を行うので、モデル数分の判別精度結果が得られる（実施例では６２個）。判別精度が高い順に並べ替えることで、判別最大（ＭＡＸ）モデルを頂点にした、モデルのランキングが得られる。
手順７：判別モデルを１個ずつ増やし、「アンサンブル法」（図６４、６５を参照）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する（「アンサンブル枝刈り」）（図６６、６７を参照）。具体的には以下の手順を行う：手順６により判別最大（ＭＡＸ）モデルから順番に判別精度が低下するモデルがランキングされるので、1個ずつモデルを増やすことでモデルのアンサンブルを行い、判別結果の多数決により個人サンプルの判別推定を行う。この過程により最も判別精度が高い判別モデル群が、個人ごとに特定される（すなわち、テイラーメイド判別法）。
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。
ここでも、手順１から５までは、これまでの推定方法と同じである。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、個人ごとの判別精度を算出する。判別精度ごとに個人をランキングし、グループ化し、判別モデルセットを得る。推定法１は、最も判別精度が高いモデルを選んで、個人の判別ＭＡＸモデル（本明細書におい「判別最大モデル」）とした。これは、アンサンブル法を採用する前の初期のテイラーメイド法であり、この判別モデルが十分に精度が高ければ判別器として用いてもよい。推定法２は、個人ごとに判別精度をランキングし、上位モデルから段階的に判別モデルを増やし、アンサンブル法、すなわち判別結果の多数決を用いて判別結果を決定する。これらの方法とは異なり、今回の推定法３は、判別モデルセットを「メインモデル」と「サポーターモデル」に概念的に区別し、アンサンブル法を行う点が新しい。ここでは、手順６として、モデル（例えば、６２個）を一つずつ使った判別精度でモデルを降順に並べ替える。もしくは、最高の判別精度を実現する判別最大（ＭＡＸ）モデルを特定するだけでもよい。なぜなら、網羅的に判別最大（ＭＡＸ）モデルと組み合わされて、アンサンブルによる判別精度の改善度が検討されるからである。ただし、判別精度が高いものから組み合わせを試した方が、全体の判別レベルが向上する可能性も高いので、ここではモデルのランキングを行っている。手順７として、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る処理を行う。このようなメイン−サポーターでの処理は従来のアンサンブル法ではなされていない新規手法である。
このメイン−サポーターモデル統合処理の詳細を以下に示す（図７０）。
メイン−サポーター手順１
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。
メイン−サポーター手順２
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−サポーター手順３
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。）
メイン−サポーター手順４
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。
メイン−サポーター手順５
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。
最後に、テイラーメイド痛み判別推定法４を示す（図７３）。
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。
リファレンス追加手順１：
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。
リファレンス追加手順２：
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３：
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。
好ましい実施形態では、本発明を疼痛に関して実施するために、脳波データは、１）解析に必要な数の電極数で、２）毛髪のある頭皮を極力避け、３）寝ている状態でも記録できるような簡便な方法で実施することが好ましい。例えば、２４個の電極数を用いることが例示されるが、これに限定されず、１２〜２４個、あるいは２４〜３６個などでもよく、６〜１２個なのでもよく、それより少ない数（例えば、３つ、４つ、５つなど）でもよい。
縮約の例としては、シグモイドフィッティングの他、変調が階段的なステップ関数、連続的に段階変化する一次関数などを用いてもよい。
重みづけ係数としては、回帰係数の他、Ｒ２値、相関係数、残差平方和（判別関数と特徴量の差）などを用いることができる。しかしながら、痛みの判別では、個人が痛みやストレスを感じているかをできる限り精度高く区別できることが重要であり、統計的有意差の検出とは異なる有効性が要求され、また、目的とすることがあり得る。
１つの実施形態では、疼痛を対象とする場合、脳波データまたはその分析データは、データ記録位置として国際１０−２０基準、もしくはその拡張基準に準拠したＦ３、Ｆ４、Ｃ３、Ｃ４、Ｐ３、Ｐ４などの前頭部から頭頂部、さらには後頭部にかけた頭皮上位置を電極位置として含み得、あるいは、特定の均一な距離（例．２．５ｃｍなど）でおかれた位置を網羅してもよく、記録、ならびに解析の時間帯は、短時間の事象関連電位活動の場合は、０−１００、１００−２００、２００−３００、３００−４００、４００−５００、５００−６００、６００−７００、７００−８００ミリ秒（ｍｓ）、あるいは、より細かい時間区分（１０ミリ秒など）や、より長い時間帯（時に、数秒間に及ぶ）であってもよい。前記脳波データ、またはその分析データは、これらの組合せから選択される、少なくとも１つの脳波特徴量を含む。
さらに別の実施形態では、脳波の特徴量は、Ｆｐ１、Ｆｐ２、Ｆｐｚ、Ｆ３、Ｆ４、Ｆｚ、Ｃ３、Ｃ４、Ｃｚ、Ｐ３、Ｐ４およびＰｚからなる群より選択される少なくとも１つを含み、例えば、平均振幅Ｆｚ、Ｃ３およびＣ４、ならびに周波数Ｆｚ（δ）、Ｆｚ（β）、Ｃｚ（δ）、Ｃ３（θ）およびＣ４（β）を含む。Ｃｚ（振幅）、Ｃ３（α）、Ｃｚ（β）、Ｆｚ（δ）、Ｃｚ（γ）を含むことが好ましいがこれに限定されない。
図７７には、本発明の装置（テイラーメイド痛み判別装置）の模式図が記載される（２０１０００〜２０８０００）（なお、この構成図のいくつかは任意の構成部分であり省略され得ることに留意されたい）。本模式図では、各ステップも適宜併記する（Ｓ２０１００〜Ｓ２０６００）。
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。
１つの実施形態として実施され得る実際の疼痛レベルモニタリング過程（黒矢印）では、対象２０６０００から実際の痛み関連の脳波データを脳波計などを含む脳波データ測定部２０５２００で収集する（Ｓ２０５００）。これを特徴量抽出部２０２０００に送り、振幅や周波数の縮約過程で選定された特徴量（例えば、特定電極の特定振幅や周波数帯域パワーなど）に変換する。抽出された特徴量は特徴量抽出部２０２０００から疼痛判別・推定部２０４０００に取り込まれ、疼痛レベルが決定される（Ｓ２０６００）。決定結果は、疼痛レベル可視化部２０７０００において、変化トレンドや数値（例えば、１から１００）で示される。
Ｓ２０１００の疼痛判別・推定段階の決定では、判別推定するレベル数（例えば、２段階や３段階など）を決める。
Ｓ２０２００の判別関数の生成では、Ｓ２０１００の判別レベル数に応じて用いる判別関数を作成する（２項分類におけるシグモイド関数やステップ関数など）。
Ｓ２０３００の疼痛段階に関連する特徴量の収集では、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）をＳ２０１００で決定したレベル数に対応して複数呈示し、関連する脳波特徴量を収集する。
Ｓ２０４００の特徴量の縮約では、Ｓ２０３００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２０４０００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。
Ｓ２０５００の痛み関連の脳波データ収集では、特徴量縮約部２０１０００における縮約処理が終了後、疼痛モニタリングの対象となる実際の痛み関連の脳波データを収集する。このステップは、リアルな疼痛モニタリング過程のデータ収集である。
Ｓ２０６００の痛みレベル決定では、Ｓ２０５００で得た実際の痛み関連データを特徴量抽出部２０２０００で加工し特徴量セットを得た後、疼痛判別・推定部２０４０００で判別推定し、推定値から痛みレベルを数値化し、痛みレベルを決定し、疼痛レベル可視化部２０７０００で可視化する。
Ｓ２０７００の個別判別モデル作成部における処理過程では、特徴量抽出部２０２０００から送られる縮約された特徴量情報と疼痛脳波データベース２０３１００からのサンプルを基に個別判別モデルを作成する。
Ｓ２０８００の疼痛判別モデルランキング部２０３３００の処理過程では、個別判別モデルによるリファレンス刺激の判別精度に基づき、モデルのランキングを行う。
Ｓ２０９００のアンサンブル疼痛判別モデル作成部２０３４００の処理過程では、ランキングトップの判別最大（ＭＡＸ）のメインモデルとその他の判別モデルに分割し、アンサンブル法を用いて判別精度が最大となる判別モデルセット、すなわちアンサンブル判別モデルを作成する。なお、判別最大（ＭＡＸ）のメインモデルが十分な判別精度を実現している場合は、単独でもよい。また、アンサンブル法は、推定法２、もしくは推定法３のどちらでもよい。
Ｓ２１０００の疼痛判別モデル送信部２０３５００の処理過程は、決定された判別モデルを疼痛判別・推定部２０４０００に送る。
リファレンス刺激呈示部２０５０００から対象（２０６０００）に発出された刺激に同期した脳波データを脳波データ測定部２０５２００で得られるように、対象（２０６０００）に連結されたか、またはされ得る脳波計を備えるか脳波計に連結されるように構成される。これが装置２０８０００の概要である。
装置２０８０００は、脳波測定部を備えることができ、この脳波測定部は脳波記録センサーおよび必要に応じて脳波増幅部を内部に備えるか、外部で接続し、装置２０８０００にて疼痛関連の脳波の信号処理および疼痛判別／推定が行われる。
装置２０８０００では、特徴量抽出部２０２０００で、収集した脳波信号を処理し、脳波特徴量を抽出する。抽出の際には、特徴量縮約部２０１０００においてあらかじめ縮約された特徴量を選定する。また、（必要に応じて）疼痛レベル可視化部２０７０００で疼痛を可視化する。また、内部、もしくは外部に、リファレンス刺激呈示部２０５０００を備え、このリファレンス刺激呈示部２０５０００は、対象２０６０００の疼痛モニタリングに有効な特徴量を縮約するために、電気刺激などのリファレンス刺激をＳ２０１００で決定した痛みレベルに応じて複数回呈示する。それに関連する脳波データを脳波データ測定部２０５２００で記録し、特徴量抽出部２０２０００で関連する脳波特徴量を得て疼痛判別・推定部２０４０００で該特徴量からリファレンス刺激の痛みレベルを判別推定し、その結果から特徴量の縮約Ｓ２０４００を行う。また、リファレンス刺激呈示部２０５０００は、判別器作成と実際の未知の疼痛レベルの判別のために疼痛刺激情報（刺激タイプや環境情報などを）も送る。リファレンス刺激呈示部２０５０００は、リファレンス刺激呈示部２０５０００の他、必要に応じて刺激情報可視化部を備え、刺激や環境に係る画像や数字などの情報を表示してもよい。また、装置２０８０００は、判別器や判定値を生成する疼痛判別・推定モデル生成部２０３０００を装置２０８０００の外部、もしくは内部に備えていてもよい。
装置２０８０００は、疼痛判別・推定モデル生成部２０３０００をテイラーメイド判別モデル作成のために装置の外部、もしくは内部に備えるが、以下のような下位モジュールからなる。データベース（もしくは保存部）は、装置初期モデル出荷時に、十分なサンプルデータと特徴量データを備え、また、サンプルはテイラーメイドモデル作成用にデフォルトでグループ化されている。これは、アンサンブル法で複数の個別モデルが必要なためである。個別疼痛判別モデル作成部２０３２００では、特徴量抽出部２０２０００から送られた特徴量の縮約情報に基づき、個別判別モデルを縮約情報に基づいて作成する。例えば、特徴量が２００個疼痛脳波データベース２０３１００に保存されていたとしても、縮約特徴量数が１０個の場合、その１０個を使って個別疼痛判別モデル作成部２０３２００は個別疼痛判別モデルを作成する。疼痛判別モデルランキング部２０３３００では、作成された個別モデルを一つずつ使って、特徴量抽出部２０２０００から送られたリファレンス刺激を判別推定し、その判別精度に基づき、個別モデルをランキングする。アンサンブル疼痛判別モデル作成部２０３４００は、ランキング情報に基づき、判別最大（ＭＡＸ）のメインモデル、もしくはメインモデルセットとそれ以外のサポーターモデルセットに分ける。メインモデルに段階的にサポーターモデル組み合わせ、それらの判別結果の多数決により、リファレンス刺激の痛みレベルを判別推定する。この組み合わせと多数決がいわゆるアンサンブル法であり、もっとも判別精度が高いアンサンブルモデルを実際の疼痛モニタリングに用いる判別モデルとする。なお、メインモデル単独でも十分に判別精度が実現できている場合は、単独で用いても良く、この場合、単独アンサンブル判別モデルと呼ぶ。疼痛判別モデル送信部２０３５００は、最終のアンサンブル判別モデルを疼痛判別・推定部２０４０００に送る。
このように装置２０８０００は、脳波データ測定部２０５２００と疼痛判別・推定部２０４０００とを備え、必要に応じてリファレンス刺激呈示部２０５０００、ならびに疼痛判別・推定モデル生成部２０３０００を備える。装置２０８０００は、例えば、プロセッサ及びメモリを備えるコンピュータによって実現される。この場合、装置２０８０００は、メモリに格納されたプログラムがプロセッサによって実行されたときに、プロセッサを、必要に応じて特徴量縮約部２０１０００、特徴量抽出部２０２０００、疼痛判別・推定モデル生成部２０３０００、疼痛判別・推定部２０４０００などとして機能させる。必要に応じて刺激や環境情報の可視化もさせる。また、本発明の装置２０８０００は、例えば、専用電子回路によって実現されてもよい。専用電子回路は、１つの集積回路であってもよいし、複数の電子回路であってもよい。脳波データ取得部および快不快判定値生成部は、この快不快判定装置と同様の構成をとっていてもよい。
特徴量抽出部２０２０００は、脳波計（脳波データ測定部２０５２００に含まれる）を介して推定対象から複数回の脳波測定を行うことにより複数の脳波データを取得することもできる。対象とは、刺激や環境によって脳波に変化が生じる生体であり、ヒトに限定される必要はない。
疼痛判別・推定部２０４０００は、判定値を用いて不快度を判別・推定する。判別器や判定値が外部、もしくは内部であらかじめ生成されない場合は、生成も行う。判別器や判定値を生成する部門は、疼痛判別・推定部２０４０００として装置２０８０００の外部、もしくは内部に備えることができる。疼痛判別・推定に使用する判別値は、複数の脳波データの振幅から、不快度を推定または分類するためのものである。つまり、疼痛判別・推定部２０４０００、もしくは疼痛判別・推定モデル生成部２０３０００は、脳波データから対象の不快度を推定または分類するための判定値や判定モデルを生成することができる。
脳波データ測定部２０５２００に含まれる脳波記録センサーは、推定対象の脳内で発生する電気活動を頭皮上の電極で計測する。そして、脳波記録センサーは、計測結果である脳波データを出力する。脳波データは必要に応じて増幅することができる。
（他の実施の形態）
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。
例えば、上記各実施の形態において、脳波データの振幅値として、ピークピーク値が用いられうるが、これに限定されない。例えば、振幅値として、単なるピーク値が用いられてもよい。
なお、上記実施形態では、脳波振幅などの特徴量、もしくはその組み合わせの上限値Ａｍａｘに対応する不快度の大きさの値Ｐｍａｘが１となり、特徴量、もしくはその組み合わせの下限値Ａｍｉｎに対応する痛みの大きさの値Ｐｍｉｎが０となるように、不快度の大きさの値の範囲を設定することが想定されているが、これに限定されない。例えば、０〜１００で痛みの大きさが表されてもよい。この場合、疼痛判別・推定部２０４０００は、疼痛の大きさの値Ｐｘを疼痛レベル可視化部２０７０００で示す場合、以下の式で推定することができる。
Ｐｘ＝Ｐｍａｘ×（Ａｘ−Ａｍｉｎ）／（Ａｍａｘ−Ａｍｉｎ）
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。
また、リファレンス刺激呈示部２０５０００（図７７参照）が対象２０６０００に与える刺激は、刺激タイプや呈示環境に応じて対象２０６０００が感じる不快度の大きさが変わるのであれば、どのような種類の刺激が与えられてもよい。
また、上記各実施の形態における本発明の装置が備える構成要素の一部または全部は、１個のシステムＬＳＩ（Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ：大規模集積回路）から構成されているとしてもよい。例えば、図７７に示すように、装置２０８０００は、特徴量縮約部２０１０００、疼痛判別・推定モデル生成部２０３０００、疼痛判別・推定部２０４０００、疼痛レベル可視化部２０７０００から構成される他、特徴量抽出部２０２０００とリファレンス刺激呈示部２０５０００、疼痛判別・推定モデル生成部２０３０００とを有するシステムＬＳＩから構成されてもよい。
システムＬＳＩは、複数の構成部を１個のチップ上に集積して製造された超多機能ＬＳＩであり、具体的には、マイクロプロセッサ、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などを含んで構成されるコンピュータシステムである。ＲＯＭには、コンピュータプログラムが記憶されている。前記マイクロプロセッサが、コンピュータプログラムに従って動作することにより、システムＬＳＩは、その機能を達成する。
なお、ここでは、システムＬＳＩとしたが、集積度の違いにより、ＩＣ、ＬＳＩ、スーパーＬＳＩ、ウルトラＬＳＩと呼称されることもある。また、集積回路化の手法はＬＳＩに限るものではなく、専用回路または汎用プロセッサで実現してもよい。ＬＳＩ製造後に、プログラムすることが可能なＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、あるいはＬＳＩ内部の回路セルの接続や設定を再構成可能なリコンフィギュラブル・プロセッサを利用してもよい。
さらには、半導体技術の進歩または派生する別技術によりＬＳＩに置き換わる集積回路化の技術が登場すれば、当然、その技術を用いて機能ブロックの集積化を行ってもよい。バイオ技術の適用等が可能性としてありえる。
また、本発明の一態様は、このような疼痛判別・推定モデル生成、持続痛判別・推定部だけではなく、痛み推定装置に含まれる特徴的な構成部をステップとする疼痛分類値生成、痛み判別・分類方法であってもよい。また、本発明の一態様は、特徴量縮約、特徴量抽出、疼痛判別・推定モデル生成、疼痛判別・推定に含まれる特徴的な各ステップをコンピュータに実行させるコンピュータプログラムであってもよい。また、本発明の一態様は、そのようなコンピュータプログラムが記録された、コンピュータ読み取り可能な非一時的な記録媒体であってもよい。
なお、上記各実施の形態において、各構成要素は、専用のハードウェアで構成されるか、各構成要素に適したソフトウェアプログラムを実行することによって実現されてもよい。各構成要素は、ＣＰＵまたはプロセッサなどのプログラム実行部が、ハードディスクまたは半導体メモリなどの記録媒体に記録されたソフトウェアプログラムを読み出して実行することによって実現されてもよい。ここで、上記各実施の形態の痛み推定装置などを実現するソフトウェアは、本明細書において上述したプログラムであり得る。
（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。
１つの実施形態において、本発明において使用され得る「複雑性指標」としては、例示として、エントロピーに基づく値を用いることができ、エントロピーに基づく値の算出方法としては、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、シャノンエントロピー等を挙げることができるがこれに限定されない。このほか、エントロピーには多数種類があるが、そのいずれを用いてもよいことが理解され、例えば、上記の多様エントロピーが該当し、これを利用することができる。
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。
マルチスケール法において、入力データ系列及び派生したデータ系列のエントロピーを計算する多くの公知の方法がある。これらの方法としては、通常のエントロピー、コロモゴロフ−シナイ（Ｋｏｌｍｏｇｏｒｏｖ−Ｓｉｎａｉ）（ＫＳ）エントロピー、エクマン−ルール（Ｅｃｋｍａｎｎ−Ｒｕｅｌｌｅ）（ＥＲ）エントロピー、フーリエ（Ｆｏｕｒｉｅｒ）エントロピー、ウェーヴレット（Ｗａｖｅｌｅｔ）エントロピー、レニー（Ｒｅｎｙｉ）エントロピー、ライプノフ（Ｌｙａｐｕｎｏｖ）スペクトル、ハウスドルフ（Ｈａｕｓｄｏｒｆｆ）次元、相関次元などが挙げられる。Ｐｉｎｃｕｓ、１９９１年、システムの複雑さの尺度としての近似エントロピー、Ｐｒｏｃ． Ｎａｔｌ． Ａｃａｄ． Ｓｃｉ． ＵＳＡ ８８：２２９７−２３０１を参照することができる。
別の好ましいエントロピー算出法で、本明細書の実施例でもMSEに組み込んでいる方法に、「サンプル・エントロピー（SE）」がある。このサンプル・エントロピーは 、近似のエントロピーに存在する特定のバイアス（自己マッチを含むため）を修正する方法である（Ｒｉｃｈｍａｎ ｅｔ ａｌ、２０００、Ａｍ． Ｊ． Ｐｈｙｓｉｏｌ． Ｈｅａｒｔ Ｃｉｒｃ． Ｐｈｙｓｉｏｌ． ２７８：Ｈ２０３９−Ｈ２０４９を参照のこと）。このエントロピーは、特定の時間ポイント枠ｍ、ならびにｍ＋１において、活動の類似性閾値であるデータの標準偏差のｒ％の範囲内にあるポイント数の割合を算出し、両時間枠の割合の比（ｍ＋１/m)の自然対数のマイナスを取ることで表現される。計算式は、以下の通りである。
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）。
これらの分析方法としては、例えば、Ｍａｎｏｌａｋｉｓ Ｄ．Ｇ ｅｔ ａｌ．、２００５年、Ａｒｔｅｃｈ Ｈｏｕｓｅ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｌｉｂｒａｒｙ、およびＤａｖｉｄ Ｒ． Ｂｒｉｌｌｉｎｇｅｒ Ｔｉｍｅ Ｓｅｒｉｅｓ Ｄａｔａ Ａｎａｌｙｓｉｓ ａｎｄ Ｔｈｅｏｒｙ ２００１を参照されたい。また、Ｐｒｅｓｓ ｅｔ ａｌ、Ｎｕｍｅｒｉｃａｌ Ｒｅｃｉｐｅｓ ｉｎ Ｃ １９９２Ｃａｍｂｒｉｄｇｅ Ｐｒｅｓｓも参照されたい。
このように多数の種類のエントロピーが知られているが、本発明の疼痛の解析ではどのエントロピー手法も用いることができる。
本明細書において、使用される複雑性指標は、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ってもよいが、これに限定されない。
別の局面において、本発明は、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を提供する。
電位振幅、ならびに一次加工特徴量は（絶対値、算術・幾何平均）は、派生的特徴量の抽出には必須である。ここから、周波数、情報量（複雑性指標）、ウェーブレット、特徴量相互関係（相関、位相同期、コーヒーレンス）が導出され、これを「マザー特徴量」と呼ぶ。また、特徴量縮約過程により、状況に応じて適応的に入れ替わる特徴量は、概念的に必須であり、「交替性統合脳波特徴量：ａｌｔｅｒｎａｔｉｖｅ ｉｎｔｅｇｒａｔｅｄ ＥＥＧ ｆｅａｔｕｒｅｓ」と呼ばれる。この特徴量セットは、限定された電極（上記前方部の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、本実施例における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。このような特徴により、本発明は、脳波特徴量の相互関係（位相同期、コーヒレンス、結合性、因果性）を疼痛判別に効率的に応用することで、「痛み上昇→ＥＥＧ特徴量上昇」というパターンだけでなく、「痛み上昇→ＥＥＧ特徴量減少」というパターンも同時に網羅することができるという効果を奏する。単独の特徴量では痛み判別を網羅的に行うことはできない現象を押さえることができることを見出したことには価値があると考えられる。本発明の「統合的ＥＥＧ特徴量」ともいうべき特徴量はこのような効果を達成し、そして、本明細書の記載を参考に、当業者は、縮約過程で状況に応じて適宜、適応的に実施することができる。
好ましい実施形態では、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。
１つの実施形態では、前記周辺は、Ｆ３、Ｆ４、Ｆｐ１およびＦｐ２の少なくとも１つを含む。また、C繊維の遅延痛覚特性を示す周波数特徴量（β帯域）の時間変化特性を図示した（時間周波数分析により表示）。特に、レベル６が刺激提示後5秒から遅れて周波数パワーが、他のレベルに比べ増大している（図２５参照）。
本発明では、計算コストのよいモデル形成を提供することのほか、予想外にも従来疼痛の判別に効果的に使用することができるとは考えられていなかった特徴量が、疼痛判別に利用し得ることが判明した。脳波の性質上、脳内で電位活動は波状的に伝導し、かつ頭蓋でさらに減衰するとされている。したがって、Ｆｚの振幅が重要なら、Ｆｐｚ、ＦＣｚ等の周辺電極の振幅が代わりを務めることができるといえる。また、既存のモニタリング装置は、毛髪がある頭皮上につけないということから、額のあたりに脳波記録用２電極（Ｆｐ１、Ｆｐ２）をつけるというものが通常であった。本発明では、特徴量の縮約プロセスで「２電極」が最も有効、さらに、Ｆｚ、ならびに電位伝播・拡散の可能性から、Ｆｐｚ、もしくは周辺でも有効であり得ることが示された（図２５から３０参照）。判別精度という装置の性能を決定するデータ解析から、「２電極」、ならびに「額周辺」という結果が得られたといえる。前頭前野前方部のγ帯域の周波数パワーが痛みに関連し得るという報告があることから（Ｓｃｈｕｌｚ ｅｔ ａｌ．， （２０１５）． Ｐｒｅｆｒｏｎｔａｌ Ｇａｍｍａ Ｏｓｃｉｌｌａｔｉｏｎｓ Ｅｎｃｏｄｅ Ｔｏｎｉｃ Ｐａｉｎ ｉｎ Ｈｕｍａｎｓ． Ｃｅｒｅｂｒａｌ Ｃｏｒｔｅｘ ２５： ４４０７−４４１４）、本発明のＦｚまたはＦｐｚあるいはそれらの周辺を特徴量とする疼痛分析法は、新たな判別手段として認知されるべきであるといえる。
好ましい実施形態では、本発明で使用される複雑性指標はマルチスケールエントロピーであり得る。具体的な実施形態では、マルチスケールエントロピー（ＭＳＥ）は、７電極（Ｆｐ１、Ｆｐ２、Ｆ３、Ｆ４、Ｃ３、Ｃ４およびＰｚ）におけるものであり得るが、これに限定されない。
１つの実施形態では、本発明の方法は、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。
１つの実施形態では、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を含む、方法を提供する。
別の実施形態では、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、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、方法を提供する。
さらに別の実施形態では、本発明は、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。
（脳波特徴量相関）
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。
本発明では、脳波の電位相関の他、周波数やエントロピーなどの加工特徴量の相関も、疼痛の判別に使用し得ることが見いだされた。これら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から、より広く「脳波特徴量相関」自体、疼痛の判別に使用することができる。
相関としては、実施例において「電位相関」、「位相同期（ｐｈａｓｅ ｌｏｃｋｉｎｇ ｖａｌｕｅ）」などが好ましく使用され得るが、より古くから使われているコヒーレンスなども用いることができる。
１つの実施形態では、相関を算出する際に、本発明で用いられる脳波特徴量は、同じ電極に由来する複数のものであっても、異なる電極に由来するものであってもよい。したがって、本発明で用いられる脳波特徴量相関は、同じまたは異なる電極における脳波特徴量の間の相関である。同じ電極における脳波特徴量を用いる場合、同じカテゴリーの特徴量（例えば、周波数パワー、平均振幅、複雑性指標等）であってもよく、異なるカテゴリーの特徴量であってもよい。異なる電極における脳波特徴量を用いる場合においても、同じカテゴリーの特徴量（例えば、周波数パワー、平均振幅、複雑性指標等）であってもよく、異なるカテゴリーの特徴量であってもよい。使用され得る脳波特徴量は、単純に抽出された生脳波データ自体であってもよくその加工データであってもよい。使用され得る脳波特徴量としては、電位、周波数パワー、平均振幅、複雑性指標（例えば、ＭＳＥ）等を挙げることができるがこれらに限定されない。相関としては、例えば、電位相関、位相同期（ｐｈａｓｅ ｌｏｃｋｉｎｇ ｖａｌｕｅ）を挙げることができるがこれらに限定されない。コヒーレンスも用いることができる。なお、コヒーレンスも、位相同期（ｐｈａｓｅ ｌｏｃｋｉｎｇ ｖａｌｕｅ）も、電極間、もしくは内における、同じ周波数、もしくは異なる周波数の位相の同期性であり、同様に用いることができる。コヒーレンスは位相同期指標の一つであり、信号が安定（全体的活動特性が局所的にも一定して実現している状態）している、線形性であるという前提に基づいて算出される指標とされる。しかしながら、先行技術では、この前提を検証して使用している例は多くない。他方、位相同期（ｐｈａｓｅ ｌｏｃｋｉｎｇ ｖａｌｕｅ（ＰＬＶ））は、コヒーレンスが前提としているような前提はなくより強固に位相同期特性を検出できる。したがって、１つの実施形態では、本明細書において、位相同期（ＰＬＶ）がコヒーレンスより好ましくあり得る。あるいは、コヒーレンスとＰＬＶとの両方を用いることができ、シグモイドやステップ関数の2項分類パターンにより近似するものを使うか、もしくは両者を交互作用（Ｃｏｈ × ＰＬＶ）を使うかという多選択制にして用いることができる。
なお、２項分類パターンを示す特徴量（例. シグモイド型特徴量）は「離散性特徴量」、すなわち、２項的分布特性を示す特徴量の一形態であり、このような2峰性分布は、痛み推定値にも観察されるので（図29参照）、痛み判別の原理的メカニズムに関わると言える。実際の痛みモニタリング時には、対象者に痛み検査刺激を複数与え、痛みなしと痛みありの特徴量の分布特性を調べることができる。図９１は、特徴量のヒストグラムをプロットし関数、もしくは曲線近似した模式図を示す。痛みなしと痛みありサンプルの分布が交差する数値を「判別閾値」とする。この閾値を用いて、各特徴量を閾値よりも小さいサンプルを「−１」、閾値より大きいサンプルを「１」としてカテゴリ尺度に変換し、判別モデルに投入することができる。このような閾値を決定する分布としては、他にポワンカレ分布などを用いても良い。
種々の実施形態において、本発明は、同期性と狭義の相関係数（rやρ）で表現される関係性とを含む広義の「相互関係」に関することが企図される。ここで、相関は、同期性、結合、無関係、遅延、正負、類似性、一致等の種々の様態を含み得る。これらの例としては、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を挙げることができ、同期性は、時間的な相関、結合性は空間的（例えば、脳部位）関係性、無関係は相関がないこと、遅延は、時間的な相関の崩れ、正負は相関の性質、類似性は相関係数が高いこと、一致は完全相関、と理解できる。
１つの実施形態では、本発明で用いられる脳波特徴量相関は、異なる電極間の脳波特徴量の相関である。異なる電極間の脳波特徴量の相関が、疼痛の判別ないし判定に有用であることは従来知られていなかった。なお、前頭―後頭の電位相関は、電極間である。加えて、周波数パワーの相関の場合は、同じ電極内でも、異なる周波数間の相関を特徴量相関とすることもできる。
本発明では、異なる電極間の相関を見ると、麻酔と疼痛とを識別することができることが判明している。ここで、麻酔の影響により意識低下すると、機能結合が落ちるというのが一般的と考えられる。他方、本発明において実証されるように、実施例において例示される最高レベルのＬｅｖｅｌ６（５０℃）で痛みが耐えられなくなると前頭頭頂の電位相関が落ちることが見いだされており、機能結合を説明するものと考えられる。意識低下で活動相関が崩れることが見いだされ、他方で、痛みが強くなると活動相関が崩れていることが見いだされており、このようなことは予想外であった。これをさらに検討した結果、麻酔による意識低下：全体的な皮質活動低下による活動の断片化であり、過度の疼痛であれば意識が疼痛に極度に集中し、前頭前野前方部の活動強度が局所的に過剰上昇することによる断片化が生じるものと考えられる。このように、麻酔の場合「Ｈｙｐｏ−ａｃｔｉｖｉｔｙ」、過度の疼痛は「Ｈｙｐｅｒ−ａｃｔｉｖｉｔｙ」による相関の崩れと解釈し得る。このようなＨｙｐｏとＨｙｐｅｒの相違についても本発明の判別では識別することができる。例えば、麻酔により機能結合が崩れ相関関係が低下するから、痛みレベルが強いと、同様に相関が低下すると予測するのは、矛盾することから、本発明での知見は容易に想定し得たものではないと考えられる。すなわち、痛みが強くなるということは、通常、注意を惹起することから、むしろ、部位間の機能結合が上昇すると考えるべきと思われる。そうであるにもかかわらず、本発明において、痛みが過度になると前頭―頭頂の電位相関が低下したのは直観的な感覚とは異なるものである。そこで、本発明では、HyperとHypoという概念に基づき、別方向のベクトルで「類似した」相関低下を解釈することができると解釈される。
１つの実施形態において、２つ以上の異なる電極における脳波特徴量の相関を利用する場合、これらの異なる電極は相対的に前後の位置関係にあることが好ましい。このような位置関係にある脳波特徴量相互関係を観察することによって、疼痛がより効率的に判別することができる。前後の相対関係については、当該分野で通常理解される関係で前後を判定すればよい。絶対的に位置関係を特定する場合は、耳朶を繋いだラインを用いて判断すればよい。
１つの実施形態では、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。あるいは、別の実施形態では、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。さらに別の実施形態では、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。本明細書において、頭部の「前方部」とは、左右の耳朶を繋いたラインの前方を意味し、頭部の「後方部」とは、左右の耳朶を繋いたラインの後方を意味する。頭皮上中央部、Ｃ、もしくはＴの名称を単独で持つ電極は前方部または後方部のいずれかあるいは両方に含めてもよい。１つの好ましい実施形態では、耳朶を繋いだラインに置かれる頭皮上中央部、Ｃ、もしくはＴの名称を単独で持つ電極を除き、ただし、中部の電極が前方部の電極より相対的に後方、もしくは後方部の電極より相対的に前方の場合は、相関特徴量を抽出するために用いることができるが、これに限定されない。
１つの好ましい実施形態では、本発明において用いられる相関は、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。別の好ましい実施形態では、本発明において用いられる相関は、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。
１つの具体的な実施形態では、本発明において用いられる相関において利用される脳波特徴量は、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などの前頭部における特徴量の少なくとも１つを含み、そして、正中頭頂部Ｐｚ、頭頂部Ｐ３および頭頂部Ｐ４等の頭頂部における特徴量の少なくとも１つを含む。１つの具体的な実施形態では、利用される電極は、前頭極Ｆｐ１、前頭極Ｆｐ２、前頭部Ｆ３、前頭部Ｆ４、における少なくとも１つと、頭頂部電極Ｐｚにおける電極とを含み得るがこれらに限定されない。
１つの実施形態では、左右の耳朶を繋いたラインから前方部に設置される脳波記録用電極を前方部の電極として用い、左右の耳朶を繋いたラインから後方部に設置される脳波記録用電極を後方部の電極として用いた「前方−後方信号相関」が利用され得る。このような「前方−後方信号相関」の一実施形態としては、「前頭部における電極」と「頭頂部における電極」とを含む電極が用いられる。「頭頂部」は「後方部」に含まれ、「後方」には、頭頂部のほか、中心部および後頭部も含められ得るが、頭頂部と後頭部のみとしてもよい。あるいは、中側頭部や後側頭部も後方部に入り得る。
１つの実施形態では、前記脳波特徴量は、電位（平均振幅など）、複雑性指標および周波数パワーからなる群より選択される少なくとも１つを含む。好ましい実施形態では、脳波特徴量としては電位が含まれる。この場合、脳波特徴量相関は、電位相関とも呼ばれる。
１つの実施形態では、本発明で用いられ得る平均振幅は、刺激呈示時間や痛み持続時間に依存するが、実施例におけるように刺激呈示後１５秒間の振幅絶対値の平均値であってもよい。電極として７つ使用する場合、各レベルの刺激ごとに７個の振幅絶対値の平均があることになる。
１つの実施形態では、前記周波数パワーは、Ｆｐ１、Ｆｐ２、Ｆ３、Ｆ４、Ｃ３、Ｃ４および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。
１つの実施形態では、本発明の方法は、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。使用される機械学習は、当該分野で利用される任意のアルゴリズムを用いることができる。
例えば、機械学習を用いた判別モデルの作成は、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）該縮約後の各特徴量またはその組み合わせの重みづけ係数（近似係数を含む：例えば、回帰係数）のランキングの上位から機械学習と交差検証により、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、方法で提供され得る。
（医療装置・システム・プログラム）
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。
本明細書で使用されるヘッドセットは、頭部に装着でき、脳波を測定し得るものであれば、どのようなものでもよい。例えば、ワイヤレスタイプでヘッドギアのような形状のものに電極がついているものなどを挙げることができるがこれに限定されない。また、ベースユニットは、上記機能を実現することができる限り、どのようなものでもよく、通常の医療機器、デバイスに用いられる任意の形状を用いることができる。例えば、ベースユニットは、ヘッドセットから脳波信号を受領し解析、判別、表示する部分を含んでいてもよい。
１つの局面において、本発明は、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：脳波の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、プログラムを提供する。
別の局面において、本発明は、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：脳波の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、記録媒体を提供する。
さらに別の局面において、本発明は、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を提供する。
本発明の装置、プログラム、記録媒体および方法において利用される脳波特徴量相関および脳波の複雑性指標は、いずれも、（脳波特徴量相関）および（複雑性指標）の項に記載される任意の実施形態を採用することができることが理解される。
以下、脳波特徴量相関または複雑性指標を用いて行う疼痛の判別について、各ステップを説明する。
以下では、スキーム図を用いて脳波特徴量相関または複雑性指標を用いた判別分析法を説明する（図７９）。
ａ）まず、脳波データまたはその分析データ等の特徴量、あるいは脳波特徴量相関または複雑性指標の判別特性の数量化を行う（Ｓ３００１０）。すなわち、ここでは、個人ごとに、２値変化パターン「０、１」のシグモイド関数を用いて特徴量、あるいは脳波特徴量相関または複雑性指標をフィッティングし、モデル近似指数（例えば、Ｒ２値）を算出する。このステップは、特徴量、あるいは脳波特徴量相関または複雑性指標を該疼痛に関して縮約するステップであるともいえる。個別の特徴量、あるいは脳波特徴量相関または複雑性指標では判別推定を行う目的の場合は、フィッティングで得られたモデル曲線において、閾値や判定指数を設定するステップとして利用できる。すなわち、閾値電位などの数値で閾値を設定して、これを判定指数とすることができる。詳述すると、特徴量、あるいは脳波特徴量相関または複雑性指標を用いて、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）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り、好ましい。
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回帰係数が所定以上の場合、該シグモイド曲線等に基づいて、疼痛の判定のための閾値を設定することができる。ここでは、シグモイド曲線の場合、変曲点に基づいて生成することができるがこれに限定されない。必要に応じて、疼痛のレベルの分類が最大限になるように疼痛分類値を較正（キャリブレーション）してもよい。
ｂ）次に、脳波特徴量相関または複雑性指標などの特徴量のランキングを行う（Ｓ３００２０）。ここでは、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、各パラメータのＲ２値の平均値などを利用することができる。算出が終わると、脳波特徴量相関または複雑性指標などの特徴量のランキングを行う。
次いで、ｃ）脳波特徴量相関または複雑性指標などの特徴量を上位から順番に含めた階層的判別分析を行う（Ｓ３００３０）。例えば、上位特徴量からサポートベクターマシンなどの機械学習モデルに順番に投入し、全サンプルの判別精度を１個抜きや１０分割などの分割交差検証で調べることなどを例示することができる。ｂ）およびｃ）は縮約後の各特徴量またはその組み合わせの重みづけ係数のランキングの上位から投入し、機械学習と交差検証により、判別分析を行うステップに該当する。
ｄ）次いで、判別モデルの決定を行う（Ｓ３００４０）。これは、所定の精度を達成するモデルを決定するステップに該当する。例えば、最も精度が高いもの、同じ精度であれば最も特徴量が少ない「経済的判別モデル」を決定することができる。ただし、所定の精度を達成する（例えば、７０％の判別精度）のであれば、任意のモデルを選別する、などの設定を行うこともできる。本発明において、ステップｃ）とステップｄ）とはモデル生成部において行うことができる。既存のデータベースを用いて、あらかじめモデルは決定していることが想定される場合、そのモデルに、実際のモニタリング時に痛みデータが入ってきて判別推定を行ってもよい。黒矢印は実際のモニタリングを想定したフローである。
また、異なる最適なモデル選択過程では、脳波特徴量相関または複雑性指標などの特徴量の再ランキングを行う方法もあり得る（図８０を参照）。この場合、Ｓ３００４０の判別モデル決定後、Ｓ３００２０の特徴量ランキングに回帰し、ｎ−１特徴量数モデル（ｎ≧２）とｎ特徴量数モデルの判別精度の差分値から特徴量を再ランキングし、Ｓ３００３０の上位特徴量から１個ずつモデル投入し、判別精度を再計算する。その後、２回目のＳ３００４０のモデル決定過程を経て、判別モデルが決定される。これらは、図８０の符号で説明すると、以下の通りとなる。すなわち、判別モデル決定後、Ｓ３００６０の特徴量ランキングに回帰し、ｎ−１特徴量数モデル（ｎ≧２）とｎ特徴量数モデルの判別精度の差分値から特徴量を再ランキングし（Ｓ７３００７０−１）、Ｓ３００７０−２の上位特徴量から１個ずつモデル投入し、判別精度を再計算する。その後、Ｓ３００８０のモデル決定過程を経て、判別モデルが決定される。
特徴量は、何らかの刺激（例えば、冷温刺激、電気刺激など）などに応じて得られるものでもよく、自然環境で得られるものでもよく、種々の脳波データ、脳活動データ、脳活動量、振幅データ（ＥＥＧ振幅）、周波数特性等を利用することができ、本発明では、脳波特徴量相関または複雑性指標などが優先されることが見いだされている。このような脳波データは、当該分野で周知の任意の手法を用いて取得することができる。脳波データは、脳波の電気信号を測定することによって得ることができ、振幅データなどとして電位（μＶ等で表示され得る）で表示される。周波数特性はパワースペクトル密度などで表示される（周波数パワーなどともいう）。また、複雑性指標も算出することができる。脳波データを、フィルター処理、眼球運動補正、アーチファクト除去などの基本的な信号処理を行った後、条件パラメータに関連付けて該当部分の信号を抽出し、脳波特徴量を作成することができる。これには、平均値（算術平均、幾何平均）、他の代表値（中央値、最頻値）、エントロピー、周波数パワー、ウェーブレット、もしくは平均、ならびに単一試行の事象関連電位の成分などが含まれる。また、脳波特徴量の相関は、この脳波特徴量から算出することができる。
好ましい実施形態では、本発明を実施するために、脳波データは、１）解析に必要な数の電極数で、２）毛髪のある頭皮を極力避け、３）寝ている状態でも記録できるような簡便な方法で実施することが好ましい。例えば、２４個の電極数を用いることが例示されるが、これに限定されず、１２〜２４個、あるいは２４〜３６個などでもよく、６〜１２個などでもよく、それより少ない数（例えば、３つ、４つ、５つなど）でもよい。脳波特徴量相関を利用する場合は、本明細書において記載した任意の好ましい位置の脳波特徴量相関を用いることができる。
縮約の例としては、シグモイドフィッティングの他、変調が階段的なステップ関数、連続的に段階変化する一次関数などを用いてもよい。
重みづけ係数としては、回帰係数の他、Ｒ２値、相関係数、残差平方和（判別関数と特徴量の差）などを用いることができる。しかしながら、痛みの判別では、個人が痛みやストレスを感じているかをできる限り精度高く区別できることが重要であり、統計的有意差の検出とは異なる有効性が要求され、また、目的とすることがあり得る。
１つの実施形態では、本発明で用いられる脳波特徴量相関または複雑性指標を得るための脳波データまたはその分析データは、データ記録位置として国際１０−２０基準、もしくはその拡張基準に準拠したＦ３、Ｆ４、Ｃ３、Ｃ４、Ｐ３、Ｐ４などの前頭部から頭頂部、さらには後頭部にかけた頭皮上位置を電極位置として含み、あるいは、特定の均一な距離（例．２．５ｃｍなど）でおかれた位置を網羅してもよく、記録、ならびに解析の時間帯は、短時間の事象関連電位活動の場合は、０−１００、１００−２００、２００−３００、３００−４００、４００−５００、５００−６００、６００−７００、７００−８００ミリ秒（ｍｓ）、あるいは、より細かい時間区分（１０ミリ秒など）や、より長い時間帯（時に、数秒間に及ぶ）であってもよい。
さらに別の実施形態では、使用され得る脳波特徴量相関または複雑性指標などの特徴量は、Ｆｐ１、Ｆｐ２、Ｆｐｚ、Ｆ３、Ｆ４、Ｆｚ、Ｃ３、Ｃ４、Ｃｚ、Ｐ３、Ｐ４およびＰｚからなる群より選択される少なくとも１つの電極におけるものを含み、例えば、平均振幅Ｆｚ、Ｃ３およびＣ４、ならびに周波数Ｆｚ（δ）、Ｆｚ（β）、Ｃｚ（δ）、Ｃ３（θ）およびＣ４（β）を含む。Ｃｚ（振幅）、Ｃ３（α）、Ｃｚ（β）、Ｆｚ（δ）、Ｃｚ（γ）を含み得、好ましい実施形態では、本明細書において（複雑性指標）および（脳波特徴量相関）の節に記載される任意のものを利用することができることが理解される。
図９６には、本発明の装置（特徴量縮約過程付き判別装置）の模式図が記載される（３０１０００〜３０８０００）（なお、この構成図のいくつかは任意の構成部分であり省略され得ることに留意されたい）。本模式図では、各ステップも適宜併記する（Ｓ３０１００〜Ｓ３０６００）。
図９６に示すように、この装置は、特徴量縮約部３０１０００と、特徴量抽出部３０２０００と、疼痛判別・推定モデル生成部３０３０００と、疼痛判別・推定部（モデル修正過程を含みうる）３０４０００と、リファレンス刺激呈示部３０５０００、脳波データ測定部３０５２００、疼痛レベル可視化部３０７０００とから構成され、対象は３０６０００で特定される。なお、任意にデータ保存部３０７５００を搭載してもよい。
この縮約過程付き判別では、疼痛判別・推定段階数（2段階、3段階など）の決定（Ｓ３０１００）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、Ｓ３０２００）を行う。特徴量は、リファレンス刺激呈示部３０５０００から対象３０６０００にリファレンス刺激（電気刺激など）がＳ３０１００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（Ｓ３０３００）、縮約された後（Ｓ３０４００）、得られる。なお、収集された特徴量は、Ｓ３０２００で生成された判別関数で近似され、得られた近似係数（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３０４０００で行い、最も判別精度が高い特徴量数を持つ判別モデルを疼痛モニタリング用に用いる。これが、特徴量の縮約過程Ｓ３０４００の一形態である。なお、縮約過程（白抜き矢印）、ならびに実際の疼痛モニタリング過程（黒矢印）で使う疼痛判別・推定部に搭載する判別モデル（アルゴリズム）は、疼痛判別・推定モデル生成部３０３０００で作成され、疼痛判別・推定部３０４０００に搭載される。特徴量縮約部３０１０００における上記前処理が終了後、対象３０６０００から実際の痛み関連の脳波データを脳波計などを含む脳波データ測定部３０５２００で収集する（Ｓ３０５００）。これを特徴量抽出部３０２０００に送り、振幅や周波数等の縮約過程で選定された特徴量（例えば、特定電極の複雑性指標および脳波特徴量相関などであり得る）に変換する。抽出されたパラメータは特徴量抽出部３０２０００から疼痛判別・推定部３０４０００（モデル修正過程を含みうる）に取り込まれ、疼痛レベルが決定される（Ｓ３０６００）。決定結果は、疼痛レベル可視化部３０７０００において、変化トレンドや数値（例えば、1から１００）で示される。
Ｓ３０１００の疼痛判別・推定段階の決定では、判別推定するレベル数（例えば、２段階や３段階など）を決める。
Ｓ３０２００の判別関数の生成では、Ｓ３０１００の判別レベル数に応じて用いる判別関数を作成する（２項分類におけるシグモイド関数やステップ関数など）。
Ｓ３０３００の疼痛段階に関連する特徴量の収集では、リファレンス刺激呈示部３０５０００から対象３０６０００にリファレンス刺激（電気刺激など）をＳ３０１００で決定したレベル数に対応して複数呈示し、複雑性指標および脳波特徴量相関などの関連する特徴量を収集する。
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。
Ｓ３０５００の痛み関連の脳波データ収集では、特徴量縮約部３０１０００における縮約処理が終了後、疼痛モニタリングの対象となる実際の痛み関連の脳波データを収集する。このステップは、リアルな疼痛モニタリング過程のデータ収集である。
Ｓ３０６００の痛みレベル決定では、Ｓ３０５００で得た実際の痛み関連データを特徴量抽出部３０２０００で加工し特徴量セットを得た後、疼痛判別・推定部３０４０００で判別推定し、推定値から痛みレベルを数値化し、痛みレベルを決定し、疼痛レベル可視化部３０７０００で可視化する。
リファレンス刺激呈示部３０５０００から対象（３０６０００）に発出された刺激に同期した脳波データを脳波データ測定部３０５２００で得られるように、対象（３０６０００）に連結されたか、またはされ得る脳波計を備えるか脳波計に連結されるように構成される。これが装置３０８０００の概要である。
装置３０８０００は、脳波測定部を備えることができ、この脳波測定部は脳波記録センサーおよび必要に応じて脳波増幅部を内部に備えるか、外部で接続し、装置３０８０００にて疼痛関連の脳波の信号処理および疼痛判別／推定が行われる。
装置３０８０００では、特徴量抽出部３０２０００で、収集した脳波信号を処理し、脳波特徴量を抽出する。抽出の際には、特徴量縮約部３０１０００においてあらかじめ縮約された特徴量を選定する。また、（必要に応じて）疼痛レベル可視化部３０７０００で疼痛を可視化する。また、内部、もしくは外部に、リファレンス刺激呈示部３０５０００を備え、この刺激呈示部３０５０００は、対象３０６０００の疼痛モニタリングに有効な特徴量を縮約するために、電気刺激などのリファレンス刺激をＳ３０１００で決定した痛みレベルに応じて複数回呈示する。それに関連する脳波データを脳波データ測定部３０５２００で記録し、特徴量抽出部３０２０００で関連する脳波特徴量を得て疼痛判別・推定部３０４０００で該特徴量からリファレンス刺激の痛みレベルを判別推定し、その結果から特徴量の縮約Ｓ３０４００を行う。また、リファレンス刺激呈示部３０５０００は、判別器作成と実際の未知の疼痛レベルの判別のために疼痛刺激情報（刺激タイプや環境情報などを）も送る。リファレンス刺激呈示部３０５０００は、リファレンス刺激呈示部３０５０００の他、必要に応じて刺激情報可視化部を備え、刺激や環境に係る画像や数字などの情報を表示してもよい。また、装置３０８０００は、判別器や判定値を生成する疼痛判別・推定部３０４０００を装置３０８０００の外部、もしくは内部に備えていてもよい。
このように装置３０８０００は、脳波データ測定部３０５２００と疼痛判別・推定部３０４０００とを備え、必要に応じてリファレンス刺激呈示部３０５０００を備える。装置３０８０００は、例えば、プロセッサ及びメモリを備えるコンピュータによって実現される。この場合、装置３０８０００は、メモリに格納されたプログラムがプロセッサによって実行されたときに、プロセッサを、必要に応じて特徴量縮約部３０１０００、特徴量抽出部３０２０００、疼痛判別・推定モデル生成部３０３０００、疼痛判別・推定部３０４０００などとして機能させる。必要に応じて刺激や環境情報の可視化もさせる。また、本発明の装置３０８０００は、例えば、専用電子回路によって実現されてもよい。専用電子回路は、１つの集積回路であってもよいし、複数の電子回路であってもよい。脳波データ取得部および快不快判定値生成部は、この快不快判定装置と同様の構成をとっていてもよい。
特徴量抽出部３０２０００は、脳波計（脳波データ測定部３０５２００に含まれる）を介して推定対象から複数回の脳波測定を行うことにより複数の脳波データを取得することもできる。対象とは、刺激や環境によって脳波に変化が生じる生体であり、ヒトに限定される必要はない。
疼痛判別・推定部３０４０００は、判定値を用いて不快度を判別・推定する。判別器や判定値が外部、もしくは内部であらかじめ生成されない場合は、生成も行う。判別器や判定値を生成する部門は、疼痛判別・推定部３０４０００として装置３０８０００の外部、もしくは内部に備えることができる。疼痛判別・推定に使用する判別値は、複数の脳波データの振幅から、不快度を推定または分類するためのものである。つまり、疼痛判別・推定部３０４０００、もしくは疼痛判別・推定モデル生成部３０３０００は、脳波データから対象の不快度を推定または分類するための判定値を生成することができる。
脳波データ測定部３０５２００に含まれる脳波記録センサーは、推定対象の脳内で発生する電気活動を頭皮上の電極で計測する。そして、脳波記録センサーは、計測結果である脳波データを出力する。脳波データは必要に応じて増幅することができる。
（他の実施の形態）
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。
例えば、上記各実施の形態において、脳波データの振幅値として、ピークピーク値が用いられうるが、これに限定されない。例えば、振幅値として、単なるピーク値が用いられてもよい。
なお、上記実施形態では、脳波振幅などの特徴量、もしくはその組み合わせの上限値Ａｍａｘに対応する不快度の大きさの値Ｐｍａｘが１となり、特徴量、もしくはその組み合わせの下限値Ａｍｉｎに対応する痛みの大きさの値Ｐｍｉｎが０となるように、不快度の大きさの値の範囲を設定することが想定されているが、これに限定されない。例えば、０〜１００で痛みの大きさが表されてもよい。この場合、疼痛判別・推定部３０４０００は、疼痛の大きさの値Ｐｘを疼痛レベル可視化部３０７０００で示す場合、以下の式で推定することができる。
Ｐｘ＝Ｐｍａｘ×（Ａｘ−Ａｍｉｎ）／（Ａｍａｘ−Ａｍｉｎ）
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。
また、リファレンス刺激呈示部３０５０００（図９６参照）が対象３０６０００に与える刺激は、刺激タイプや呈示環境に応じて対象３０６０００が感じる不快度の大きさが変わるのであれば、どのような種類の刺激が与えられてもよい。
また、上記各実施の形態における本発明の装置が備える構成要素の一部または全部は、１個のシステムＬＳＩ（Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ：大規模集積回路）から構成されているとしてもよい。例えば、図９６に示すように、装置３０８０００は、特徴量縮約部３０１０００、疼痛判別・推定モデル生成部３０３０００、疼痛判別・推定部３０４０００、疼痛レベル可視化部３０７０００から構成される他、特徴量抽出部３０２０００とリファレンス刺激呈示部３０５０００とを有するシステムＬＳＩから構成されてもよい。
システムＬＳＩは、複数の構成部を１個のチップ上に集積して製造された超多機能ＬＳＩであり、具体的には、マイクロプロセッサ、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などを含んで構成されるコンピュータシステムである。ＲＯＭには、コンピュータプログラムが記憶されている。前記マイクロプロセッサが、コンピュータプログラムに従って動作することにより、システムＬＳＩは、その機能を達成する。
なお、ここでは、システムＬＳＩとしたが、集積度の違いにより、ＩＣ、ＬＳＩ、スーパーＬＳＩ、ウルトラＬＳＩと呼称されることもある。また、集積回路化の手法はＬＳＩに限るものではなく、専用回路または汎用プロセッサで実現してもよい。ＬＳＩ製造後に、プログラムすることが可能なＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、あるいはＬＳＩ内部の回路セルの接続や設定を再構成可能なリコンフィギュラブル・プロセッサを利用してもよい。
さらには、半導体技術の進歩または派生する別技術によりＬＳＩに置き換わる集積回路化の技術が登場すれば、当然、その技術を用いて機能ブロックの集積化を行ってもよい。バイオ技術の適用等が可能性としてありえる。
また、本発明の一態様は、このような疼痛判別・推定モデル生成、持続痛判別・推定部だけではなく、疼痛判別・推定装置に含まれる特徴的な構成部をステップとする疼痛分類値生成、痛み判別・分類方法であってもよい。また、本発明の一態様は、特徴量縮約、特徴量抽出、疼痛判別・推定モデル生成、疼痛判別・推定に含まれる特徴的な各ステップをコンピュータに実行させるコンピュータプログラムであってもよい。また、本発明の一態様は、そのようなコンピュータプログラムが記録された、コンピュータ読み取り可能な非一時的な記録媒体であってもよい。
なお、上記各実施の形態において、各構成要素は、専用のハードウェアで構成されるか、各構成要素に適したソフトウェアプログラムを実行することによって実現されてもよい。各構成要素は、ＣＰＵまたはプロセッサなどのプログラム実行部が、ハードディスクまたは半導体メモリなどの記録媒体に記録されたソフトウェアプログラムを読み出して実行することによって実現されてもよい。ここで、上記各実施の形態の痛み推定装置などを実現するソフトウェアは、本明細書において上述したプログラムであり得る。
本明細書において「または」は、文章中に列挙されている事項の「少なくとも1つ以上」を採用できるときに使用される。「もしくは」も同様である。本明細書において「2つの値の範囲内」と明記した場合、その範囲には2つの値自体も含む。
本明細書において引用された、科学文献、特許、特許出願などの参考文献は、その全体が、各々具体的に記載されたのと同じ程度に本明細書において参考として援用される。
以上、本発明を、理解の容易のために好ましい実施形態を示して説明してきた。以下に、実施例に基づいて本発明を説明するが、上述の説明および以下の実施例は、例示の目的のみに提供され、本発明を限定する目的で提供したのではない。従って、本発明の範囲は、本明細書に具体的に記載された実施形態にも実施例にも限定されず、特許請求の範囲によってのみ限定される。
以下に実施例を記載する。以下の実施例で用いる対象の取り扱いは、必要な場合、大阪大学において規定される基準を遵守し、臨床研究が関係する場合はヘルシンキ宣言およびＩＣＨ−ＧＣＰに準拠して行った。
（実施例１：ＥＥＧトレンド分析）
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。
（方法および材料）
（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。
（手順）
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。
（ＥＥＧデータ記録）
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。
（ＥＥＧ分析）
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。
ＥＥＧトレンドのどの平均時間間隔が、温度強度および主観的疼痛強度変化の検出に最も感受性が高いかを調べるために、本発明者らは、高温刺激条件と低温刺激条件との両方において、個々の参加者のＥＥＧデータと温度強度との間、またはEEGデータと主観的疼痛強度との間の関係性を、Ｐｅａｒｓｏｎ’ｓ相関分析で調べた。相関係数の絶対値をｒｓ）を近接する平均間隔（例えば、１０秒対２０秒）の間でｐ＜０．０５のαレベルを基準にして、対応するt検定で調べた。
（結果）
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。
本発明者らは、全参加者（各刺激タイプにおいて３２人の参加者）について、１０秒から６０秒までの６つの平均間隔に関する、ＥＥＧ変化と温度強度および疼痛評価変化との相関係数を計算した。その後、高温疼痛条件と低温疼痛条件の両方の条件において、温度強度および疼痛評価変化と平均時間間隔の間の平均相関係数を、ｐ＜０．０５のαレベルを用いて、対応するｔ検定で調べた。図２は、結果の概要を示す。一般的に、平均間隔が長いほど、より大きな相関係数を生じる傾向があった。低温刺激の強度の場合（図２Ａ)、４０秒の平均時間間隔まで、相関係数は漸増した。同様のパターンは、低温刺激の主観的な疼痛判断の場合にも見られた（図２Ｂ）。高温刺激の強度の場合（図２Ｃ）、相関係数は、３０秒の平均時間間隔まで漸増した。高温刺激の主観的な疼痛判断の場合も、同様のパターンが見られた（図２Ｄ）。これらの結果は、ＥＥＧの経時的トレンドの正確なモニタリングが、時間方向平均法において、少なくとも３０秒の時間間隔を必要とすることを示す。
次に、本発明者らは、非重複ブロック平均法と重複移動平均法と両者の混合平均法の相関係数の強度を、４０秒の平均時間間隔を使用して比較した。混合平均法は、最初に重複移動平均法を適用し、次に非重複ブロック平均法を適用した。図３に示すように、混合平均法は、全方法の中で有意に高いか、高くなる傾向が見られた。
さらに、短い平均時間間隔（５秒、１０秒、１５秒）と長い平均時間間隔（４０秒、４５秒、５０秒）の相関係数の推移を連続的にプロットし、先行資料で使用された約１５秒未満の平均時間間隔と、本発明者らが行ったより長い時間間隔との間の相関係数（絶対値）の差を確認した。図４において見られるように、平均相関係数の変化は、Ｓ字関数に近似しており（β＝０．９７８、ｐ＝０．０００７）、相関関係の強度の急激な変化が１５秒と４０秒の平均時間間隔の間で起こることを示している。
（実施例２：疼痛強度を用いた強い疼痛、弱い疼痛の分別）
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。
４０秒平均法（図１Ｉ）を使用する、参加者の１人の平均ＥＥＧ振幅および主観的疼痛評価の傾向を、疼痛指数へと変換した。低温疼痛パラダイムは、ＥＥＧと主観的疼痛評価との間の負相関を示したため、ＥＥＧ傾向を最初に逆関数にし、最初の３つの最も強い疼痛刺激についての平均値を使用して基準値をベースライン補正した。図５は、結果を示す。ゼロの線（ベースライン）は、強い疼痛強度である。負の値は、疼痛強度の緩和を示し、逆に、正の値は、疼痛強度の向上を示す。ここで採用された痛みは、主観的に「我慢できない」痛みとされているものである。
［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。
（実施例３：平均時間間隔（秒）の相違による評価の優位性の比較）
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。
本例では、１５秒と２０秒とを対比したが、他の秒間隔、２０秒、３０秒、４０秒などを用いても同様の実験を行うことができ、同様の結果を得ている。特に、１５秒を比較対象として用いたのは、先行研究で１５秒が用いられているが、本開示が示すように、１５秒前後は、疼痛関連の脳特徴量と疼痛レベルの関係が大きな変調を示すと考えられるためである。
（方法および材料）
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。
（結果）
得られた結果を以下に示す。
上述のように、ＥＥＧと主観評価、刺激強度の相関係数を７３名分算出した。それを対応のあるｔ−検定にかけ、１５秒と近接する２０秒間の間で比較した。結果として、１５秒より２０秒の方が相関係数（絶対値）が高いことから、２０秒以上の時間幅を使った方がよいと結論することができる。このような５秒の違いでも不連続的に効果の相違がみられることは予想外である。また、４０秒以上の長い平均時間間隔を選択すると、予想外にも本発明の解析により主観的疼痛評価とより高い相関関係を示すという結果が出ており、このような数値を選択することが好ましいことも判明した。
（実施例４：多様な平均時間間隔を用いたトレンド解析）
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。
（方法）
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。
（結果と考察）
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。
（実施例５：多様な疼痛刺激持続時間を用いたトレンド解析２）
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。
（参加者）
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。
（手順）
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。
（ＥＥＧデータ記録）
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分析）
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。
（結果および考察）
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。
（実施例６：階層的疼痛トレンドモニタリング手法）
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）。
必要に応じて、手順２と３の間に、疼痛指数により疼痛レベルが強い時間ポイントを同定し（基準（ベースライン）決定部１１１４）、疼痛トレンドのモニタリングベースラインを決める手順が介在してもよく、手順の詳細を図１２を拡張した図１３において追加表記した。この場合、判別モデル（シグモイド関数、スパースモデル解析による回帰モデル、サポートベクターマシーンなどの機械学習）により「痛みレベル強」と判別／推定された時間エリアと平均振幅や他の特徴量のトレンドを照合し、疼痛レベルをモニタリングするベースラインを決定し、図５に示したように、疼痛指数を補正する。手順４では、疼痛トレンドの可視化方法、すなわち「階層的疼痛トレンドモニタリング手法」を用いるが、その実例を図１０に示す。疼痛のモニタリング開始時は、経過時間が短いので、長時間の平均時間間隔を用いることは難しい。したがって、「疼痛トレンドユニット（単位）」として、非重複平均法により、例えば、１０秒ごとの平均値（例えば、算術／幾何平均電位）、もしくは他の特徴量を得る。複数のユニットを時間経過とともに、連続、もしくは非連続に縮約し、より大局的なトレンド表現に修正する。図１０Ａにおいて隣接する１０秒ユニットを６枠まとめ、１分ユニットに修正しているのが図１０Ｂである。これにより、脳波特徴量（平均値（例えば、算術／幾何平均電位）絶対値）と主観的疼痛評価の相関も向上し、疼痛レベルの変化をより客観的に判別／推定しやすくなっている。さらに、図１０Ｃでは、２分ユニットに再構成し、より大局的な疼痛トレンドをモニタリングできるようになっている。また、脳波特徴量と主観的疼痛評価の相関関係も著しく向上している。このように、階層的トレンドモニタリングにより、疼痛レベルの局所的、大局的変化が網羅的にモニタリング可能になる。
（実施例７：トレンド分析の精緻化）＜図１４〜２４＞
（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。
（方法）
（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。
（実験刺激、ならびに手続）
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。
（ＥＥＧ記録）前頭、中央、ならびに頭頂部の７極（Ｆｐ１，Ｆｐ２，Ｆ３，Ｆ４,Ｃ３，Ｃ４，Ｐｚ）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。
（ＥＥＧ分析）
（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
ＥＯＧの補正後、筋電位を軽減するため、３０Ｈｚの高域カットフィルターをＥＥＧ波形にかけた。刺激提示時点から刺激呈示後１５秒を、各電極、各レベルの刺激ごとに切り出し、１電極につき全部で１８エポック（３刺激×６レベル）を得た。各エポックの振幅を絶対値化した後に平均電位を算出し、各電極において１８刺激の全時間区間の平均振幅と標準偏差を用いてｚ値化した。
（機械学習による痛み判別モデル作成）
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。
（結果と考察）
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
上記の熱冷共通モデルを用いて、４０℃、４４℃、４８℃刺激がランダムに提示される熱刺激実験の独立データから、痛み推定値を時系列的に算出した。図１５から図２４に、痛み推定値と痛み主観評価値（ＣＯＶＡＳ）の相関係数がｒ＞０．６の１０名の結果を示す。図１５の被検者ＩＤ３２８の結果を例として説明をする。上段のグラフが、実験で用いた３刺激の提示方法を示している。最も高い数値が４８℃で、最も低い数値が４０℃であり、３種類の刺激がランダムに提示された。２段目は、熱刺激に対する痛みの主観評価値である。数値「０」の時は、被検者は全く痛みを感じておらず、数値が高くなるほど被検者は強い不快な痛みを感じていることを示す。最下段が、7個の脳波振幅特徴量を用いて熱冷共通痛み判別モデルが算出した痛み推定値である。視察からも理解できるように、主観評価値が高くなるほど痛み推定値が増加していることが分かる。特に、後半の推定区間では、４８℃刺激に限定して主観評価が高くなり、痛み推定値もその時に選択的に著しく上昇していることが分かる。この主観評価と推定値の適合度は、相関係数が０．７５であり、統計的にも両者の対応が高いことが示された。
本実施例の結果は、最も単純な特徴量の一つである脳波振幅だけを使ったものである。にもかかわらず、図１５に示したように、痛み推定値と主観評価が高い適合性を示すケースが存在することは、より高度な判別モデルを用いた場合、さらに精度よく痛みの時間変化をモニタリングできることが期待できる。図１５〜２４は、それぞれ、ID328、ID358、ID224、ID343、ID371、ID345、ID416、ID383、ID405、ID208のデータを示すが、図１５以外でも同様の精度で痛みの時間変化をモニタリングできることが実証された。
このように、平均振幅を用いた判別モデル（重回帰モデル）を使うことで、痛み刺激提示での疼痛測定が効率よく行えることが実証された。
（トレンド分析の精緻化例２）
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。
（方法）
（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。
（実験刺激、ならびに手続）
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。
（ＥＥＧ記録）
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。
（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、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
ＥＯＧの補正後、筋電位を軽減するため、刺激提示区間１５秒の３倍、すなわち４５秒（１/４５ = ０．０２２Ｈｚ）から３０Ｈｚの帯域通過フィルターをＥＥＧ波形にかけた（図２７の過程１＝EMG除去処理）。また、ＥＯＧ除去処理で用いたＥＯＧ成分を「第５データ」としてノイズ逆利用した（図２８の過程）。これは、痛みに伴い瞬目反射が変化することを考慮したものである。刺激提示後５秒から刺激呈示後１５秒を1秒ごとに、各電極、各レベルの刺激ごとに切り出し、１電極につき全部で１８０エポックを得た。各エポックは絶対値化した後、平均電位を算出し、実験課題が始まる前３０秒間の平均電位と標準偏差でｚ値化した。
（周波数パワーの特徴量抽出）
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。
（機械学習による痛み判別分析）
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。
また、最終判別モデルを用い、本検査に参加していない被検者の、異なる検査で得たテストデータ（４０℃、４４℃、４８℃をランダムに提示）を、時間変化に応じて判別推定した。テストデータは、最終判別モデル作成用データと同じく、前頭部４電極、主成分分析により得たＥＯＧチャンネルからなっていた。１５秒間の絶対平均振幅と周波数パワー（δ、Θ、α、β）の２５個の特徴量を、１ポイントずつずらしながら作成する移動処理により得た。この特徴量を最終判別モデルに投入して痛み推定値を算出し、痛みの時間変化を推定した。
また、痛み発生の確実度を数値化するために、最終判別モデル作成時に得た痛み推定値を用いて、「痛み占有率（疼痛占有率ともいう）（ｐａｉｎ ｏｃｃｕｐａｎｃｙ：ＰＯ）」を算出した。痛み占有率は、最終モデル作成時に得た、痛みなしサンプルの推定値数と痛みありサンプルの推定値の数に基づいて算出する新たな「痛み判別サポート指標」である。痛み推定値全体から、最小値と最大値を調べ、その範囲を、例えば、０．１単位で分割する。この単位は、範囲の幅と推定値の密度により決定されるが、できる限り、各単位に痛みあり・なしの推定値の両方、もしくはどちらかがある場合、推定値の変化に応じて占有率を連続的に示すことができるので望ましい。占有率（％）は、以下の式で算出される。
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
例えば、痛み推定値が「−１〜２」の範囲にある場合、この範囲を「０．１」単位で分割するとする。また、推定値「１」における、痛みあり推定値の数が「３０」とし、痛みなし推定値数が「１０」とする。この場合、未知の痛みサンプルデータに関して、痛みが発生している蓋然性は「３０／（３０＋１０）×１００＝７５％」である。この指標を用いることで、痛みをモニタリングする検査者は、客観的に痛みの判別を行うことが可能になる。
（結果と考察）
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。
図２９の痛み推定値の分布特性に基づいて、痛み発生の確実性指標である痛み占有率をモデル化したものが、図３１である。痛み推定値全体（ｎ＝４８６０）の最小値は「−１」、最大値は「２」であった。そこで、−１から２の推定値の範囲を「０．１」単位で分割し、各目盛りにおける痛み占有率を算出した。黒のマーカー（●）が示す実際の推定値は、「−０．９」で痛み発生の可能性が０％、「０．６」において、ほぼ１００％である。ただし、実測値は欠損値が存在するスパースデータのため、−１から―２の下位推定値の占有率を「０」として補填した後、シグモイド関数にフィッティンし、下記の「痛み占有率関数」を作成した。
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。
最後に、実際のオンライン痛みモニタリングを想定した、本実施例の痛み判別モデル、ならびに痛み占有率の応用例を図３２に示す。この結果は、被検者1名が、４０℃、４４℃、４８℃の熱痛み刺激をランダムに複数回提示された時の初期約４分の時系列データである。記録データから２５特徴量を１５秒の移動処理方法で作成し、図２９の特徴量係数を持つ判別モデルに投入した。グラフ最上段が、最終判別モデルが算出した痛み推定値の時間変化であり、痛み不快度の主観評価が上昇するのに対応して上昇するパターンが、特に、４８℃の刺激提示時に顕著に見られ、相関係数もｒ＝０．４５（ｐ?０．０）で有意な関連性を示している。また、上から２段目には、痛み占有率が示されている。つまり、４８℃の痛み推定値の上昇は、被検者が約７０％の確率で痛みを不快と感じている状態を示し、実際の臨床場面では、この時点において、医師や検査者が何らかの臨床的介入をすべき時であることを量的に示している。
（実施例８：特徴量縮約過程付機械学習の比較）
（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。
（実験刺激、ならびに手続）
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。
（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。
（周波数パワーの特徴量抽出）
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）。
（特徴量数の縮約付き判別分析）
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。
特徴量を、痛みなしから痛みありのオーダーに並べ、近似するシグモイド関数、もしくはステップ関数を生成する。シグモイド関数(数式１０２)、ならびにステップ関数（数式１０３）は以下の通り表現される。
[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。
全２４モデルの内、最も判別精度が高く、最も特徴量が少ないモデルを「経済的判別モ
デル」と定義した（Ｓ１００４０）。
（結果と考察）
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。
次に、比較例として用いた既存ＳＶＭ−ＲＦＥのモデル（経済的痛み判別・推定モデル２）では、１）既存の特徴量縮約付ＳＶＭの上位４特徴の種類は、シグモイド縮約の場合と同じものが含まれていた。そして、２）判別精度は、同じ「７１．３％」を特徴量１つで実現しているが、特徴量1個の違いだけであった。３）計算コストは、1回のＳＶＭモデル構築に１個抜き交差検定を２４０回行い、この過程を２４個の特徴量のランキングのために、２４回行うので、計算コストが高い。
図３７にシグモイド縮約とＳＶＭ−ＲＦＥにおける縮約にかかる計算コストの違いを示す。本発明の縮約付き判別モデル生成では、１）判別関数を作成する、２）各特徴量にフィッティングさせ、モデル近似係数を算出する、３）係数に基づき、特徴量をランキングする、のステップで可能であるのに対して、ＳＶＭ−ＲＦＥの場合、以下の条件で行う。
［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＝［］
ＳＶＭ−ＲＦＥでは、以下の過程を特徴量の数だけ繰り返し、特徴量のランキングを得る。
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。
また、図３４に示したように（後述の実施例１１も参照）、ｎ−１特徴量数とｎ特徴量数モデルの隣接モデルの判別精度差分値（Ｄｉｆｆ）を用いた再ランキング（Ｓ１００２０）、判別分析（Ｓ１００３０）、ならびにモデル決定（Ｓ１００４０）を行った場合でも、図３５で示されるように、特徴量数Ｎｏ．１とＮｏ．２間の判別精度の差分値（ゲイン）が最も多く（６．１％）、特徴量Ｎｏ．１とＮｏ．２を使ったモデルが最も判別精度が高いモデルとなる（７１．３％）。
（考察）
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。
（実施例９：経済的判別モデルの検証）
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。
（方法）
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。
（結果）
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１０：二重縮約過程付判別推定モデル）
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。
（方法）
（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。
（実験刺激、ならびに手続）
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。
（ＥＥＧ解析：特徴量抽出過程）
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）
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。
（結果）
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。
理論に束縛されることを望まないが、図４３で、最高ゲインを示す判別モデルが、２３個の特徴量の時である理由、すなわち、２３個が、４９個よりも「経済的」である理由は、「いかに少ない特徴量数で最大ゲインを得るか」というモデルの効率性の問題であるという前提であるからである。ゲインが大きいほど、その変調点近傍で判別精度の大幅な改善に関わる要因が潜んでいるとも考えられ得る。
（実施例１１：最大ゲイン到達を加速させる二重縮約過程付判別推定モデル２）
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。
（方法）
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。
（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。
（実験刺激、ならびに手続）
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。
（ＥＥＧ解析：特徴量抽出過程）
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。
（判別・推定）
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）。
（結果）
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。
上記の結果は、ｎ−１特徴量数モデルとｎ特徴量数モデルの判別精度の差分値による再ランキングにより、特徴量ランキングに、２値関数に近似が低い特徴量、すなわちサポーター特徴量が参入し、2値関数に近似が高いメイン特徴量と早い段階で組み合わさることを示唆している。このように、特徴量を再ランキングすることにより、特徴量の縮約過程が強固になり、特徴量が少なくても判別精度のゲインが高い経済的な判別モデルが作成できる。
（実施例１２：ハイパーパラメータに基づいた縮約過程）
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。
（詳細な説明）
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。
（実施例１３：バックワードエリミネーションサンプリング）
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。
（目的）
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。
（手順）
（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。
（実験刺激、ならびに手続）
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。
（脳波特徴量抽出処理）
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。
（バックワードエリミネーションによる判別モデルの精緻化）
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。
（結果）
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。
（実施例１４：医療機器の実装例：クラウド＝ＳａａＳ）
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）
上記のサービスの想定される実施形態は以下の通りである。
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。
（実施例１５：病院内隔離施設の場合）
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。
対象者のオンライン疼痛モニタリング時には、クラウドを参照せずに、対象から脳波データ測定部１１００００が脳波データを記録し、そのデータから脳波特徴量抽出部１４００００で標準（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作成し、疼痛レベル判別推定部１５００００に送る。判別推定結果は、疼痛レベル可視化部１３００００に送られ、そこで、痛みの得点、もしくは痛みレベルの時系列変化（トレンド）が表示される。
（実施例１６：「テイラーメイド痛み判別推定法１」の概要）
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。
（手順）
（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。
（実験刺激、ならびに手続）
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。
（ＥＥＧ解析：特徴量抽出過程）
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。
（判別ＭＡＸモデル作成手法）
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）。
図５７に基づいて説明すると以下のとおりである。
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）。
図５８に基づいて説明すると以下のとおりである。
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３：個人レベルの判別精度のランキングから判別精度の近い被験者のグループを作成した（図５９）。
図５９に基づいて説明すると以下のとおりである。
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）。
図６０に基づいて説明すると以下のとおりである。
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）。
図６１に基づいて説明すると以下のとおりである。
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。
（結果）
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。
また、図６２に示すように、性別、年齢ごとに被験者を分け、各郡において、どのように判別ＭＡＸモデルが判別精度を改善するかを調べた。単一モデルの場合、男性では、どの年代も判別精度が７０％に到達せず、最高でも４０代で６５％程度であった。女性は、男性より全体的に判別精度が高く、最低でも６５％、２０代では７０％に到達した。一方、判別ＭＡＸモデルでは、男性でも、６０代を除きすべての世代で７０％に到達する勢いを示し、精度が約１０％近く全体的に向上していた。女性でも、最低レベルで７０％を下回る世代はなく、２０代では７７％にまで到達していた。
以上の結果から、個人の最適な判別モデルを決定し判別推定を行うことで、痛みの判別推定がより適格に行うことができることが示された。また、性別、年代で判別精度にも違いがあるので、個別モデルを作成するときに、社会人口学的要因も考慮して、モデル作成を行っていってもよい。
（実施例１７：テイラーメイド痛み判別推定法２）
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。
（手順）
（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。
（実験刺激、ならびに手続）
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。
（ＥＥＧ解析：特徴量抽出過程）
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。
（アンサンブル判別モデル作成手法１）
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」）。
アンサンブル法の概要を図６４に示す。学習用データを特定の基準によりグループに分ける。例えば、本実施例では、全サンプルの単一モデルの判別精度に基づき６２グループ作成した。各グループごとに機械学習を行い、個別の分類モデル（Ｃｉ：ｉ＝１，２，…，Ｎ）を作成する。未知のテストデータに対し、個別モデルが独立して判別予測し、予測結果（「１」、「−１」などの判別ラベル）を投票する。投票結果の多数決を取り、最終の判別結果を決定する。
図６５は、ダミーテストデータを使ったアンサンブル法のフローである。ここでは、個別モデルが１１個あり、判別推定されるテストデータは１０サンプルある。例えば、痛みあり＝１、痛みなし＝０とし、個別モデルが独立して推定結果を出力している（図６５Ａ）。個別モデルの判定結果を集計し（図６５Ｂ）、多数決制により痛みありかなしかの全体予測を決定する（図６５Ｃ）。実際の痛みラベルと推定結果を照合し、アンサンブルモデルの判別精度を算出する（図６５Ｄ）。この例では、上から２番目のサンプル一つが一致しないので、モデル判別精度は９０％となる。
（結果）
（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。
（対象者２）
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。
（全１３２名）
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。
（実施例１８：テイラーメイド痛み判別推定法３）
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。
（手順）
（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。
（実験刺激、ならびに手続）
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。
（ＥＥＧ解析：特徴量抽出過程）
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。
（アンサンブル判別モデル作成手法３）
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。
判別ＭＡＸモデルをメインモデルとして固定し（図７０の手順１）、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試す（図７０の手順２と３）。例えば、個別判別モデル６２個あれば、メインモデル１個、サポーターモデル６１個がある。したがって、サポーターモデルを１個加える第一段階では、判別精度結果が６１個得られる。この中で最も判別精度が高いアンサンブルモデルを残してサポーターモデルセットを更新する（図７０の手順４）。上記のプロセスを繰り返す。サポーターモデルセットが空集合になった段階で終了し、最高のアンサンブル判別モデルを決定する（図７０の手順５）。
（結果）
（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）
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）
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）
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。
（全１３２名）
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。
以上の結果から、個別モデルを作成し、判別ＭＡＸモデルを特定する基礎的プロセスに基づき、複数のアンサンブル法を試すことで、個人の痛み反応に合わせたきめ細かいテイラーメイド判別モデル作成が可能になることが示されたと言える。
（実施例１９：キャリブレーション付テイラーメイド痛み判別推定法４）
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。
（手順）
（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。
（実験刺激ならびに手続）
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。
（ＥＥＧ解析：特徴量抽出過程）
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。
（キャリブレーション付テイラーメイド判別推定法４）
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）。
追加手順１：
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。
具体的には、以下のようなモニタリング状況を想定した。実環境において、何らかの疼痛を持つ対象者を想定した場合、対象者の疼痛反応特性は既知ではない。したがって、実際の疼痛のモニタリングを始める前に、どのような判別モデルが妥当かを決定する必要があり、これがテイラーメイド判別法のコアにある。実際のモニタリング場面を想定した場合、対象者に痛みあり、なしの刺激を複数回、前もって呈示し脳波データを記録することになる。このデータを用いて、個別の判別モデルを決定することから、この痛み刺激を「リファレンス刺激」と呼ぶ。この刺激呈示は、モニタリング開始前に最も早い時間に行われることから、本実施例では、疑似的に個人のサンプルデータのもっとも早い区間を「リファレンスサンプル」とした。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）の個別疼痛判別モデル作成部２０３０００で行われる。
追加手順２：
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。
追加手順３：
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。
具体的には、既存の実験データを用いて、リファレンスサンプルにより作成したアンサンブルモデルで未知のサンプルを判別するプロセスであり、モデルに、未知のサンプルから抽出した特徴量を投入し、判別推定した。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）の疼痛判別モデル送信部２０３５００と、疼痛判別・推定部２０４０００で行われる。すなわち、アンサンブル疼痛判別モデル作成部２０３４００で作成されたアンサンブル判別モデルは疼痛判別モデル送信部２０３５００を通して、疼痛判別・推定部２０４０００に送られる。テストサンプルが擬似的に表現しているのは、オンラインモニタリング時に対象２０６０００から脳波データ測定部２０５２００を通して記録される脳波データである。このデータは、特徴量抽出部２０２０００で特徴量に変換され、疼痛判別・推定部２０４０００に送られ、作成されたアンサンブル判別モデルで判別推定される。
（結果）
（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。
（１３２名の全体結果）
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。
（リファレンスサンプル数の比較）
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％）。
以上の結果から、どのモデルを判別モデルとして使うに依存するが、モニタリング前のリファレンス刺激呈示数は、総数が１３２個の場合は上限５０回（痛みあり２５回、痛みなし２５回、など）の設定が装置２０８０００の初期設定として妥当であると言えるが、当業者は付与された条件に即して適宜リファレンスサンプルの数を決定できる。
（実施例２０：特徴量縮約過程による優位な特徴量の抽出）
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。
（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。
（実験刺激、ならびに手続）
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
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。
（周波数パワーの特徴量抽出）
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）。
（特徴量数の縮約付き判別分析）
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。
特徴量を、痛みなしから痛みありのオーダーに並べ、近似するシグモイド関数、もしくはステップ関数を生成する。シグモイド関数(数式３０２)、ならびにステップ関数（数式３０３）は以下の通り表現される。
[数３０２]
Y=1/e-ax
a:ゲイン
[数３０３]
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（Ｓ３００１０）。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（Ｓ３００２０）。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３０４）、モデルパラメータは、cost＝１０、gamma=1/次元数を用いた（Ｓ３００３０）。
［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。
全２４モデルの内、最も判別精度が高く、最も特徴量が少ないモデルを「経済的判別モデル」と定義した（Ｓ３００４０）。
（結果と考察）
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。
（考察）
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。
（実施例２１：高温刺激ブロックランダム呈示パラダイム）
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。
（実験刺激、ならびに手続）
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。
（ＥＥＧ解析：特徴量抽出過程）
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。
以上の結果、図８５に示すように、隣接する判別精度の差分値（Ｄｉｆｆ）による特徴量の再ランキングを繰り返すと、上位に貢献度の高い特徴量が集まりやすくなること、再ランキングの２回目が最も早い段階で、最も少ない特徴量数１２個で、判別精度がほぼ天井に到達したことが明らかとなった。再ランキング後の判別精度の違いをみると、判別モデル作成時点の精度（交差検定時点；図８５）においても、テストデータによる検証時点の精度においても、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ことが明らかになった。ランク１〜１２までの判別精度の標準偏差は「１．４」で、ランク１３以降「０．１１」の、実に「約１０倍」の向上特性を示した（図８５）。つまり、Ｄｉｆｆ値で降順に並べ替えて、判別精度の改善スコア（％）が高い特徴（制度のＳＤも相対的に大きくなる）をモデル作成の早い段階で投入すると、判別モデルの改善が早期に可能であり、使った電極も７個と一般的な１０−２０電極位置配置の半分以下で実現できているのは特筆に値する。
（実施例２２：特徴量の係数情報を用いた優先特徴量の抽出）
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。
（方法および材料）
（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。
（実験刺激、ならびに手続）
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。
（特徴量抽出前の信号処理）
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
ＥＯＧの補正後、さらに、３０Ｈｚのローパスフィルターをかけて、筋電位ノイズを減衰した。振幅を絶対値化した後、刺激呈示後１５秒のエポック波形を切り出し、絶対平均振幅、前頭―頭頂電位相関（Ｆｐ１、Ｆｐ２、Ｆ３、Ｆ４、Ｐｚ）、マルチスケールエントロピー（MSE）の特徴量を算出した。周波数パワーに関しては、ＥＯＧ補正後の波形に３０Hzのローパスフィルターをかけずに、フーリエ変換し、δ（１−３Ｈｚ）、θ（４−７Ｈｚ）、α（８−１３Ｈｚ）、β（１４−３０Ｈｚ）、γ（３１−１００Ｈｚ）の帯域パワーを算出した。以上のプロセスにより、図８８に示したように、７電極で５３個のパラメータ（特徴量、特徴量係数）を得た。各パラメータは、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た。パラメータのまとめを以下で、再録する。
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）
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。
なお、図９１に示すように、シグモイド型特徴量は「離散性特徴量」、すなわち、２項的分布特性を示す特徴量の一形態である。実際の痛みモニタリング時には、対象者に痛み検査刺激を複数与え、痛みなしと痛みありの特徴量の分布特性を調べることができる。図９１は、特徴量のヒストグラムをプロットし関数、もしくは曲線近似した模式図を示す。痛みなしと痛みありサンプルの分布が交差する数値を「判別閾値」とする。この閾値を用いて、各特徴量を閾値よりも小さいサンプルを「−１」、閾値より大きいサンプルを「１」としてカテゴリー尺度に変換し、判別モデルに投入することができる。このような閾値を決定する分布としては、他にポワンカレ分布などを用いても良い。
上記５３個のパラメータを用いて、レベル１と２、２と３、３と４、４と５、５と６の隣あうレベル、ならびに、最も離れたレベル１とレベル６の判別分析を重回帰モデルを用いて機械学習を行った。学習データを8割、テストデータを２割に分割し、学習データを用いて交差検定によりモデルを作成し、テストデータの判別推定を行った。
（優位特徴量の抽出結果（２分類））
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。
具体的な優位特徴量は図９２に示す。この結果から、優位特徴量としては、電極Ｐｚの周波数パワー、Ｆ４−Ｐｚの電位相関、電極Ｆｐ１のＭＳＥ、電極Ｆｐ２の周波数パワー、Ｆｐ２の平均振幅、Ｆｐ２−Ｐｚの電位相関を用いると顕著な精度を達成し得ることが明らかになった。この特徴量セットは、「交替性統合脳波特徴量：ａｌｔｅｒｎａｔｉｖｅ ｉｎｔｅｇｒａｔｅｄ ＥＥＧ ｆｅａｔｕｒｅｓ」と呼びうるものであり、限られた電極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状況に適応的に交替し、本実施例における線形重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。この６個のパラメータだけを用いて、再度、機械学習を全サンプルに行ったところ、図９３に示したように、レベル１と６、すなわち、「強い痛みあり・なし」の最遠２レベルを「８３％」の精度で判別可能であった。
上記の結果から、第一次特徴量（平均電位、周波数パワー、ＭＳＥ）と第二次の特徴量相関のパラメータが、１５０名を超えるサンプルの痛み判別において有効であることが実証された。
（実施例２３：位相同期パラメータを含めた熱冷一般化判別モデル作成の実施例）
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。
（参加者）
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。
（実験刺激、ならびに手続）
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。
（特徴量抽出前の信号処理）
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
ＥＯＧの補正後、さらに、３０Ｈｚのローパスフィルターをかけて、筋電位ノイズを減衰した。振幅を絶対値化した後、刺激呈示後１５秒のエポック波形を切り出し、絶対平均振幅、前頭―頭頂電位相関（Ｆｐ１、Ｆｐ２、Ｆ３、Ｆ４、Ｐｚ）、マルチスケールエントロピー（ＭＳＥ）の特徴量を算出した。周波数パワーに関しては、ＥＯＧ補正後の波形に３０Ｈｚのローパスフィルターをかけずに、フーリエ変換し、δ（１−３Ｈｚ）、θ（４−７Ｈｚ）、α（８−１３Ｈｚ）、β（１４−３０Ｈｚ）、γ（３１−１００Ｈｚ）の帯域パワーを算出した。また、各電極間の、各帯域における位相同期特徴量を算出した。以上のプロセスにより、７電極で１５９個のパラメータ（特徴量、特徴量係数）を得た。各パラメータは、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た。パラメータのまとめを以下で、再録する。
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。
上記１５９個の特徴量と特徴量相関のパラメータを用いて、最も離れたレベル１とレベル６の判別分析を重回帰モデルを用いて機械学習を行った。学習データをｎ−１サンプル、テストデータを１サンプル（２レベル×３試行）に分割し、学習データを用いて交差検定によりモデルを作成し、テストデータの判別推定をサンプル数回行い、判別精度を検証した。
また、痛み装置で使用されることが見込まれる、前頭部と中央部の電極に限定し、一個ずつの電極を用いて、各電極の判別精度を検証した。
（結果）
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)。
また、図９５に示すように、前頭部と中央部の電極一個を用いた判別精度（全３０９名：１８５４サンプル）は、約７０〜７５％の判別精度を示した。これらの結果から、本実施例で用いた、Ｆｐ１、Ｆｐ２、Ｆ３、Ｆ４、Ｃ３、Ｃ４を含む前頭部、中央部の電極を中心に、一次特徴量（切り出された生データ、電位、周波数パワー、ＭＳＥなど）とその派生特徴量（特徴量相関）のパラメータを組み合わせれば、少ない電極、例えば１電極でも、痛みあり強と痛みなし２レベルの判別は、実に７０％以上、さらには、モデル精緻化により９０％を実現できることが示された。また、さらに別の古くから存在する位相同期特徴量をモデルに投入すれば、さらに、２レベル、３レベル、さらに細かい判別の正答率の上昇が見込まれる。
（注釈）
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、疼痛を精確にまた経時的に判別することが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。
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。
１０００：対象
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
１０１０００：特徴量縮約部
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
２０１０００：特徴量縮約部
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
３０１０００：特徴量縮約部
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)

  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。
  2. 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。
  3. 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。
  4. 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。
  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、請求項１に記載の方法。
  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、請求項１に記載の方法。
  7. 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。
  8. 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。
  9. 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。
  10. 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。
  11. 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。
  12. 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。
  13. 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。
  14. 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。
  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。
  16. 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。
  17. 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。
  18. 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。
  19. 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。
  20. 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。
  21. 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。
  22. 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。
  23. 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。
  24. 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。
  25. 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。
  26. 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。
  27. 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。
  28. 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。
  29. 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。
  30. 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。
  31. 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。
  32. 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。
  33. 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。
  34. 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。
  35. 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。
  36. 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。
  37. 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。
  38. 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。
  39. 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。
  40. 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。
  41. 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。
  42. 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。
  43. 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。
  44. 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。
  45. 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。
  46. 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。
  47. 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。
  48. 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。
  49. 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。
  50. 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。
  51. 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。
  52. 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。
  53. 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。
  54. 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。
  55. 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。
  56. 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。
  57. 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。
  58. 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。
  59. 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。
  60. 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。
  61. 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。
  62. 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。
  63. 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。
  64. 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。
  65. 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。
  66. 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。
  67. 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。
  68. 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。
  69. 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。
  70. 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。
  71. 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。
  72. 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。
  73. 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。
  74. 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。
  75. 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。
  76. 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。
  77. 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。
  78. 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。
  79. 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。
  80. 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。
  81. 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。
  82. 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。
  83. 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。
  84. 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。
  85. 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。
  86. 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。
  87. 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。
  88. 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。
  89. 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。
  90. 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。
  91. 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。
  92. 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。
  93. 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。
  94. 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。
  95. 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。
  96. 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。
  97. 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。
  98. 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。
  99. 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。
JP2019527992A 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 Active JP6764205B2 (ja)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

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