JP6850026B2 - 運動教示システム及び運動教示方法 - Google Patents

運動教示システム及び運動教示方法 Download PDF

Info

Publication number
JP6850026B2
JP6850026B2 JP2018521765A JP2018521765A JP6850026B2 JP 6850026 B2 JP6850026 B2 JP 6850026B2 JP 2018521765 A JP2018521765 A JP 2018521765A JP 2018521765 A JP2018521765 A JP 2018521765A JP 6850026 B2 JP6850026 B2 JP 6850026B2
Authority
JP
Japan
Prior art keywords
subject
teaching
brain activity
exercise
pattern
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
JP2018521765A
Other languages
English (en)
Other versions
JPWO2017213202A1 (ja
Inventor
飛鳥 高井
飛鳥 高井
智之 野田
智之 野田
リシ ジュゼッペ
リシ ジュゼッペ
達也 寺前
達也 寺前
森本　淳
淳 森本
寛 今水
寛 今水
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.)
ATR Advanced Telecommunications Research Institute International
Original Assignee
ATR Advanced Telecommunications Research Institute International
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 ATR Advanced Telecommunications Research Institute International filed Critical ATR Advanced Telecommunications Research Institute International
Publication of JPWO2017213202A1 publication Critical patent/JPWO2017213202A1/ja
Application granted granted Critical
Publication of JP6850026B2 publication Critical patent/JP6850026B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
    • A61H1/00—Apparatus for passive exercising; Vibrating apparatus; Chiropractic devices, e.g. body impacting devices, external devices for briefly extending or aligning unbroken bones
    • A61H1/02—Stretching or bending or torsioning apparatus for exercising
    • A61H1/0274—Stretching or bending or torsioning apparatus for exercising for the upper limbs
    • 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
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
    • A61H1/00—Apparatus for passive exercising; Vibrating apparatus; Chiropractic devices, e.g. body impacting devices, external devices for briefly extending or aligning unbroken bones
    • A61H1/02—Stretching or bending or torsioning apparatus for exercising
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
    • A61H1/00—Apparatus for passive exercising; Vibrating apparatus; Chiropractic devices, e.g. body impacting devices, external devices for briefly extending or aligning unbroken bones
    • A61H1/02—Stretching or bending or torsioning apparatus for exercising
    • A61H1/0237—Stretching or bending or torsioning apparatus for exercising for the lower limbs
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B23/00—Exercising apparatus specially adapted for particular parts of the body
    • A63B23/035—Exercising apparatus specially adapted for particular parts of the body for limbs, i.e. upper or lower limbs, e.g. simultaneously
    • A63B23/04—Exercising apparatus specially adapted for particular parts of the body for limbs, i.e. upper or lower limbs, e.g. simultaneously for lower limbs
    • A—HUMAN NECESSITIES
    • A63—SPORTS; GAMES; AMUSEMENTS
    • A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
    • A63B23/00—Exercising apparatus specially adapted for particular parts of the body
    • A63B23/035—Exercising apparatus specially adapted for particular parts of the body for limbs, i.e. upper or lower limbs, e.g. simultaneously
    • A63B23/12—Exercising apparatus specially adapted for particular parts of the body for limbs, i.e. upper or lower limbs, e.g. simultaneously for upper limbs or related muscles, e.g. chest, upper back or shoulder muscles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J11/00—Manipulators not otherwise provided for
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J13/00—Controls for manipulators
    • B25J13/08—Controls for manipulators by means of sensing devices, e.g. viewing or touching devices
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/0006—Exoskeletons, i.e. resembling a human figure
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
    • A61H2201/00—Characteristics of apparatus not provided for in the preceding codes
    • A61H2201/16—Physical interface with patient
    • A61H2201/1657—Movement of interface, i.e. force application means
    • A61H2201/1659—Free spatial automatic movement of interface within a working area, e.g. Robot
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61H—PHYSICAL THERAPY APPARATUS, e.g. DEVICES FOR LOCATING OR STIMULATING REFLEX POINTS IN THE BODY; ARTIFICIAL RESPIRATION; MASSAGE; BATHING DEVICES FOR SPECIAL THERAPEUTIC OR HYGIENIC PURPOSES OR SPECIFIC PARTS OF THE BODY
    • A61H2230/00—Measuring physical parameters of the user
    • A61H2230/08—Other bio-electrical signals
    • A61H2230/10—Electroencephalographic signals
    • A61H2230/105—Electroencephalographic signals used as a control parameter for the apparatus

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Epidemiology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Human Computer Interaction (AREA)
  • Rehabilitation Therapy (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pain & Pain Management (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Dermatology (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Biophysics (AREA)
  • Rehabilitation Tools (AREA)
  • User Interface Of Digital Computer (AREA)

Description

本発明は、使用者（ユーザ）の脳活動信号から脳活動の状態を分類し、分類結果に応じた運動学習を提供するための運動教示システム及び運動教示方法に関する。
人から人へ新しい運動を教えたり、より安全で格好のよい運動を教えたりするにあたっては、例えば、ある人は自分の動きを相手に見せ、またある人は相手の手足を動かして教えるというようなコミュニケーション方法がとられることが多い。更に、人から人に教えるだけでなく、近年では、ロボットアームなどの駆動系により人の手足などを受動的に運動させることで、人に運動を教える方法が検討されている。
例えば、特許文献１には、患者の上肢の運動機能を回復させる訓練を行うための上肢リハビリ装置であって、患者の手首の３自由度のうち、少なくとも１自由度の作動に対して駆動を伝達して患者に力学的感覚を伝える少なくとも１個の駆動手段と、駆動手段の駆動を調整する少なくとも１個の機能性流体クラッチと、を有するものが開示されている。
また、特許文献２には、脳波や筋電などの生体信号からリアルタイムで患者の運動を推定し、これに基づいて、患者のリハビリテーションを実行する装置が開示されている。
一方で、近年では、上述した特許文献に開示されるような単純なロボットアームだけでなく、上肢・下肢・体幹運動の支援をめざした外骨格型ロボットのようなリハビリテーションを支援するロボットの開発が進んでいる。たとえば、外骨格型ロボットは、患者の自立生活を促進するリハビリテーションにおいて、脳卒中等の患者のために使用される（特許文献３を参照）。
特許文献３では、制御部が、被験者から計測された信号に基づき、ユーザの脳活動をデコードし、デコードされた脳活動に応じて、能動関節による重力補償の程度を切り替えるようにエアマッスルへの駆動力及び電動モータへの駆動力を生成するために、エアマッスルに加える圧力及び電動モータの生成するトルクを制御する構成が開示されている。
より一般に、運動を習得させる方法として、スポーツの指導者及びリハビリのセラピストの代わりに、学習者の四肢を受動的にロボットによって動かすような学習は、固有受容性トレーニング（Proprioceptive training）と呼ばれる。
固有受容性トレーニングでは、学習者が自身の体の一部、例えば、手、足等の動きを想像し、ロボットの動きからの固有受容性の求心性入力の形式で感覚運動の律動のフィードバックが与えられる。ここで、「固有受容性」とは、体の位置及び運動の情報を伝える感覚受容器に働きかけることをいい、「求心性」とは、末梢からの刺激及び興奮を中枢へ伝達することをいう。したがって、例えば、脳卒中患者を対象とする場合、トレーニング中に徐々に患者が運動想像を学習し、かつ同時に、神経細胞の可塑性を引き起こして、運動制御の復元に結びつけることも可能となる。
固有受容性トレーニングに使用されるロボットは、予め決められた目標運動に沿って位置制御することができ、特に新しい運動を教えるのに適していると考えられる。例えば、視覚とロボットによる力覚との両方を学習者へフィードバックした方法で、２次元の運動における学習効果の報告がある（非特許文献１）。非特許文献１では、被験者が受動的に目標運動を経験することで、視覚的に運動を見るだけに比べて、目標動作に対する位置誤差が減少したことから、固有受容性トレーニングは運動学習の有効な方法であると報告している。
特開２００６−２４７２８０号公報 特開２０１６−５４９９４号公報 特開２０１４−１０４５４９号公報
Wong, Jeremy D., et al. "Can proprioceptive training improve motor learning?" Journal of neurophysiology 108.12 (2012): 3313-3321.
しかしながら、従来は、受動的に運動を教示する際に、被験者の脳活動がどのような状態であるかについては、何ら考慮がされていない。特に、効率的に運動パターンを学習するためには、運動教示中に対象者の脳がどのような状態になっていればよいかという点に関して何ら検討がされていなかった。この点、例えば、記憶に関わる研究成果として、景色の記憶を司る海馬の活動が高い時に被験者に見せた景色に関する質問の正答率は、活動が低い時に比べて高かったとの報告がある。そこで、運動タスクに適した状態にあらかじめ脳に準備をさせてからその運動タスクの教示を行うことができれば、学習効果を向上させられることが期待される。ただし、一連の運動タスクを実際に教示するには、教示動作として実施する時間が必要であり、その教示期間において脳活動の適切な状態を維持させることができるかについては何ら検討されていなかった。
本発明は、一側面では、このような点を考慮してなされたものであり、その目的は、対象者の脳活動を運動パターンの習得に望ましい状態にさせた上で、当該対象者に運動のトレーニングを実施させることを可能にする運動教示システム及び運動教示方法を提供することである。
本発明の一側面に係る運動教示システムは、対象者の脳の活動を検知して、前記対象者の運動の訓練を支援する運動教示システムであって、前記対象者に対して、前記対象者の身体の可動部位の動きを案内して、所定の運動パターンに従う運動の教示を実行するように構成された操作装置と、前記対象者の脳活動を計測することで、脳活動信号を取得するように構成された計測装置と、前記操作装置による前記運動パターンの教示の動作を制御し、かつ前記脳活動信号をデコードすることで、運動想像のクラスを含む複数のクラスのいずれかに前記対象者の脳活動を分類するように構成された１又は複数のコンピュータと、を備え、前記１又は複数のコンピュータは、前記運動パターンの教示の動作を前記操作装置に実行させている期間中に前記計測装置により取得された前記脳活動信号をデコードした結果、前記運動パターンの教示期間中における前記対象者の脳活動が前記運動想像のクラスに分類されるか否かを出力する。なお、運動想像は、「運動想起」と称してもよい。
上記一側面に係る運動教示システムにおいて、前記１又は複数のコンピュータは、前記運動パターンの教示期間中における前記対象者の脳活動が前記運動想像のクラスに分類されるように、前記運動パターンの教示の前において前記対象者に対して想起させる想起内容を出力してもよい。
上記一側面に係る運動教示システムにおいて、前記１又は複数のコンピュータは、前記運動パターンの教示の前において、前記想起内容を想起するように前記対象者に指示してもよく、前記運動パターンの教示の前に取得された前記脳活動信号をデコードした結果、前記対象者の脳活動が前記想起内容に対応するクラスに分類されたことに応じて、前記運動パターンを教示する動作の開始を前記操作装置に対して指示してもよい。
上記一側面に係る運動教示システムにおいて、前記１又は複数のコンピュータは、前記運動パターンの教示の前においては、前記対象者の脳活動を分類した結果をフィードバックしてもよく、前記運動パターンの教示の期間中においては、前記対象者の脳活動を分類した結果をフィードバックしなくてもよい。
上記一側面に係る運動教示システムにおいて、前記１又は複数のコンピュータは、前記想起内容の想起を前記対象者に指示した後、前記計測装置により取得される前記脳活動信号をデコードした結果、前記対象者の脳活動が前記想起内容に対応するクラスに分類されたことに応じて、前記運動パターンの教示の動作を前記操作装置に実行させてもよく、前記運動パターンの教示期間中において、前記計測装置により取得された前記脳活動信号をデコードした結果、前記対象者の脳活動が前記運動想像のクラス以外のクラスに分類された場合、前記対象者に指示する想起内容を変更してもよく、変更した前記想起内容の想起を前記対象者に指示してもよく、変更した前記想起内容の想起の指示の後、前記計測装置により取得される前記脳活動信号をデコードした結果、前記対象者の脳活動が変更した前記想起内容に対応するクラスに分類されたことに応じて、前記運動パターンの教示の動作を前記操作装置に再度実行させてもよい。
上記一側面に係る運動教示システムにおいて、前記想起内容は、安静状態または運動想像状態のいずれかであってもよい。
上記一側面に係る運動教示システムにおいて、前記操作装置は、ロボットアームによる力覚提示装置であってもよい。
上記一側面に係る運動教示システムにおいて、前記操作装置は、外骨格型ロボットであってもよい。
上記一側面に係る運動教示システムにおいて、前記計測装置は、ドライ式電極を用いたワイヤレス型ヘッドセットを含んでもよい。
また、本発明の一側面に係る運動教示方法は、対象者に対して、前記対象者の身体の可動部位の動きを案内して、所定の運動パターンに従う運動の教示を実行するように構成された操作装置と、前記対象者の脳活動を計測することで、脳活動信号を取得するように構成された計測装置と、１又は複数の演算装置とを備えるシステムにより、対象者の脳の活動を検知して、前記対象者の運動の訓練を支援する運動教示方法であって、前記１又は複数の演算装置が、前記運動パターンの教示期間中における前記対象者の脳活動が運動想像のクラスに分類されるように、前記運動パターンの教示の前において前記対象者に対して所定の想起内容を想起するように指示するステップと、前記１又は複数の演算装置が、前記計測装置により取得される前記脳活動信号をデコードすることで、運動想像のクラスを含む複数のクラスのいずれかに前記対象者の脳活動を分類するステップと、前記１又は複数の演算装置が、前記運動パターンの教示の前に取得された前記脳活動信号をデコードした結果、前記対象者の脳活動が前記想起内容に対応するクラスに分類されたことに応じて、前記運動パターンを教示する動作を前記操作装置に対して実行させるステップと、を備える。
また、本発明の一側面に係るコンピュータは、１又は複数の演算装置と、前記１又は複数の演算装置で実行するプログラムを保持する記憶装置と、を備えるコンピュータであって、前記１又は複数の演算装置が、複数の対象者それぞれについて、当該各対象者の脳活動をデコードするのに利用する空間フィルタと、当該各対象者の身体の可動部位の動きを案内して、所定の運動パターンに従う運動の教示を実行するように構成された操作装置により当該運動パターンの教示を行った後に、当該運動パターンの運動再現を行った結果に基づいて算出される当該運動パターンの再現度と、を取得するステップと、前記各対象者の前記空間フィルタをクラスタリングすることにより、前記各対象者の前記空間フィルタを複数のグループに分類するステップと、前記各対象者の前記運動パターンの再現度に基づいて、前記運動パターンの習得度合いの最も高い対象者の空間フィルタが属する最適グループを前記複数のグループから特定するステップと、を実行する。
また、本発明の一側面に係る運動教示システムは、対象者の脳の活動を検知して、前記対象者の運動の訓練を支援する運動教示システムであって、前記対象者に対して、前記対象者の身体の可動部位の動きを案内して、所定の運動パターンに従う運動の教示を実行するように構成された操作装置と、前記対象者の脳活動を計測することで、脳活動信号を取得するように構成された計測装置と、前記操作装置による前記運動パターンの教示の動作を制御し、かつ前記脳活動信号をデコードすることで、運動想像のクラスを含む複数のクラスのいずれかに前記対象者の脳活動を分類するように構成された１又は複数のコンピュータと、を備え、前記１又は複数のコンピュータが、前記操作装置による前記運動パターンの教示の前に、前記対象者について、前記運動想像を行っているときの脳活動信号とそれ以外の想像を行っているときの脳活動信号との組をトレーニングデータセットとして取得する第１ステップと、前記トレーニングデータセットに基づいて、前記対象者の脳活動をデコードするのに利用する空間フィルタを作成する第２ステップと、作成された前記空間フィルタが、上記コンピュータにより特定された前記最適グループに属するか否かを判定する第３ステップと、作成された前記空間フィルタが前記最適グループに属する場合に、前記操作装置による前記運動パターンの教示を開始する第４ステップと、を実行する。
上記一側面に係る運動教示システムにおいて、前記１又は複数のコンピュータは、作成された前記空間フィルタが前記最適グループに属さない場合に、前記第１ステップ、前記第２ステップ、及び前記第３ステップを再度実行してもよい。
上記一側面に係る運動教示システムにおいて、前記最適グループには、前記運動パターンの教示期間中に推奨する脳活動が分類される推奨クラスが紐付けられていてもよく、前記１又は複数のコンピュータは、前記運動パターンの教示期間中における前記対象者の脳活動が、前記最適グループに紐付けられた前記推奨クラスに分類されるように、前記運動パターンの教示の前において前記対象者に対して想起させる想起内容を出力してもよい。
また、本発明の一側面に係る運動教示システムは、対象者の脳の活動を検知して、前記対象者の運動の訓練を支援する運動教示システムであって、前記対象者に対して、前記対象者の身体の可動部位の動きを案内して、所定の運動パターンに従う運動の教示を実行するように構成された操作装置と、前記対象者の脳活動を計測することで、脳活動信号を取得するように構成された計測装置と、前記操作装置による前記運動パターンの教示の動作を制御し、かつ前記脳活動信号をデコードすることで、運動想像のクラスを含む複数のクラスのいずれかに前記対象者の脳活動を分類するように構成された１又は複数のコンピュータと、を備え、前記１又は複数のコンピュータが、前記操作装置による前記運動パターンの教示の前に、前記対象者について、前記運動想像を行っているときの脳活動信号とそれ以外の想像を行っているときの脳活動信号との組をトレーニングデータセットとして取得するステップと、前記トレーニングデータセットに基づいて、前記対象者の脳活動をデコードするための複数の空間フィルタを作成するステップと、作成された前記複数の空間フィルタのうち、上記コンピュータにより特定された前記最適グループに属する空間フィルタを選択するステップと、選択した前記空間フィルタを利用して前記対象者の脳活動をデコードするのに利用するデコーダを作成するステップと、作成した前記デコードの出力が閾値よりも大きくなるまで、前記運動想像を行うように前記対象者に対して指示するステップと、を実行する。
本発明によれば、脳活動を運動パターンの習得に望ましい状態にした上で、対象者に運動のトレーニングを実施させることができる。
図１は、本実施形態に係る運動教示システムの構成を模式的に例示する。 図２は、本実施形態に係るコンピュータのハードウェア構成を模式的に例示する。 図３は、力覚提示デバイス（操作装置）による被験者への受動的な運動の教示の状態を説明するための図である。 図４は、本実施形態に係るコンピュータの機能構成を模式的に例示する。 図５は、本実施形態に係る運動教示システムの処理手順の一例を示す。 図６は、対象となる運動パターンの習得に最適な空間フィルタのグループを特定するための処理手順の一例を示す。 図７は、被験者の脳活動のタイプを考慮した場合における運動教示システムの処理手順の一例を示す。 図８は、実証実験の手順を示す。 筋感覚的運動想像（ＫＭＩ；kinesthetic motor imagery）に対応する空間フィルタにより運動想像の脳活動を観測した際のパワー変化の様子を示す。 視覚的運動想像（ＶＭＩ；visual motor imagery）に対応する空間フィルタにより運動想像の脳活動を観測した際のパワー変化の様子を示す。 図１０は、ある被験者の第１実験条件及び第２実験条件での識別器の出力を示す。 図１１は、目標軌道と被験者の再現した軌道との誤差を説明するための概念図である。 図１２は、運動教示の前後において被験者に指示する想起内容を説明するための概念図である。 図１３Ａは、運動教示中の脳活動が安静状態（安静のクラス）であったグループの代表的な被験者の当該運動教示中におけるデコーダの出力を示す。 図１３Ｂは、運動教示中の脳活動が運動想像状態（運動想像のクラス）であったグループの代表的な被験者の当該運動教示中におけるデコーダの出力を示す。 図１４は、安静状態のグループ(Low group:９名)及び運動想像状態のグループ(High group:１１名)それぞれに属する被験者から運動教示中に得られるデコーダの出力を示す。 図１５Ａは、運動想像として筋感覚的運動想像を行う被験者の運動教示中の脳活動の状態と運動再現の平均位置誤差（再現度）との関係を示す。 図１５Ｂは、運動想像として視覚的運動想像を行う被験者の運動教示中の脳活動の状態と運動再現の平均位置誤差（再現度）との関係を示す。 図１６は、教示前の脳活動の状態と教示中の脳活動の状態との関係を示す。 図１７Ａは、特徴選択アルゴリズムにより空間フィルタの選択が行われた１５名の被験者の運動教示前の脳活動の状態と運動再現の平均位置誤差（再現度）との関係を示す。 図１７Ｂは、特徴選択アルゴリズムにより空間フィルタの選択が行われた１５名の被験者の運動教示中の脳活動の状態と運動再現の平均位置誤差（再現度）との関係を示す。 図１８は、１５名の被験者の空間フィルタをクラスタリングした結果を示す。
以下、本発明の実施の形態の運動教示システム、脳活動のパターンを分類する分類装置、運動教示の動作を制御する動作制御装置、及び最適な脳活動のグループを解析する解析装置それぞれの構成について、図に従って説明する。なお、以下の実施の形態において、同じ符号を付した構成要素及び処理工程は、同一又は相当するものであり、必要でない場合は、その説明は繰り返さない。
また、運動教示システムにおいて、学習者の可動部位（例えば、上肢、下肢）を受動的に駆動して、運動を学習させるためのロボットとして、ロボットアームを使用した力覚提示デバイスを例として説明する。力覚提示デバイスにより被験者は、例えば、上肢又は下肢について、上肢の少なくとも一方、又は下肢の少なくとも一方の運動を、所定の運動パターンとなるように、受動的に訓練するものとする。この所定の運動パターンは、２次元的なものでも、３次元的なものでもよい。
ただし、運動を学習させるためのロボットとしては、上述した特許文献３に記載されるような外骨格型ロボットを使用してもよい。また、このような外骨格型ロボットの関節を駆動するためのアクチュエータとしては、電動モータの他、一例として、特許文献３に開示されたような「空電ハイブリッド式のアクチュエータ」を用いてもよい。
＜１．運動教示システムの構成例＞
まず、図１を用いて、本実施形態に係る運動教示システム１０００の構成例について説明する。図１は、本実施形態に係る運動教示システム１０００の構成を模式的に例示する。運動教示システム１０００は、被験者２の脳活動を検知して、当該被験者２の運動の訓練を支援する。この被験者２は、本発明の「対象者」に相当する。
図１に示すように、本実施の形態にかかる運動教示システム１０００は、被験者２に装着される脳波センサ１０と、脳波センサ１０からの信号を取得するための信号取得モジュール１２と、運動教示用ロボットである力覚提示デバイス８０と、力覚提示デバイス８０の動作を制御する制御モジュール５０と、各種情報の表示を行うプロジェクタ７０と、各装置の動作を制御するコンピュータ２０と、を備えている。
脳波センサ１０は、本発明の「計測装置」に相当し、被験者２の脳活動を計測することで、脳活動信号（脳波信号）を取得するように構成される。この脳波センサ１０の種類は、実施の形態に応じて適宜選択されてよい。例えば、脳波センサ１０として、湿式（ゲル式）の電極を使用する脳波計が利用されてもよい。また、脳波センサ１０として、乾式（ドライ式）でワイヤレスの脳波計が利用されてもよい。本実施形態では、当該乾式（ドライ式）でワイヤレスの脳波計を使用するものとして説明する。
このようなドライ式ワイヤレス型の脳波計は、例えば、公知文献１（P. M. R. Reis, F. Hebenstreit, F. Gabsteiger, V. von Tscharner, and M. Lochmann, ”Methodological aspects of ＥＥＧ and body dynamics measurements during motion.” Frontiers in human neuroscience, vol. 8, p. 156, Mar 2014.）に開示されている。なお、以下の実施形態では、被験者２から脳活動の情報を取得する計測方法の一例として、いわゆる脳波計を利用する方法を説明する。しかしながら、本発明は、このような計測方法に限定されるものではなく、他の脳活動の計測方法、例えば、ｆＭＲＩ（functional magnetic resonance imaging）、ＮＩＲＳ（Near-InfraRed Spectroscopy）等の他の計測方法又は他の計測方法の組合せを使用してもよい。
信号取得モジュール１２は、例えば、公知の電源、アンプ、Ａ／Ｄ変換回路等により、各種の脳波センサ１０から被験者２の脳活動を示す脳活動信号を取得するように適宜構成される。信号取得モジュール１２は、取得した脳活動信号をコンピュータ２０に送信する。
力覚提示デバイス８０は、本発明の「操作装置」に相当し、被験者２の身体の可動部位の動きを案内して、所定の運動パターンに従う運動の教示を実行するように構成される。本実施形態では、力覚提示デバイス８０は、複数の関節、各関節を連結するアーム、及び被験者２が把持する操作部８２を備えるロボットアームとして構成される。操作部８２は、例えば、ハンドルであり、被験者２に力覚をフィードバックしたり、学習させた運動パターンの再現を行う際に被験者２に操作させたりするのに利用される。
ロボットアームを駆動するモータは、例えばサーボモータを用いて構成されており、操作部８２にトルクを付与する。また、図示しないセンサにより、操作部８２の現在位置が検出され、検出された現在位置が現地位置情報として制御モジュール５０にフィードバックされる。更に、ロボットアームは、例えば、２つのアームで構成され、第１のアームは、力覚提示デバイス８０の筐体に対して回転可能に取り付けられ、第２のアームは、関節を介して回転可能に連結されている。他のアームの先端には操作部８２が回転可能に取り付けられている。
このような構成により、操作部８２は、被験者２の上肢運動によって２次元平面上を変位可能に構成される。ただし、被験者２から操作部８２が直接見えないように、操作部８２のやや上方には、平板状のスクリーン８４が遮蔽材として配置されている。
制御モジュール５０は、例えば、マイクロコンピュータ、モータドライバ等により、コンピュータ２０からのコマンドに従って、力覚提示デバイス８０の動作を制御するように構成される。力覚提示デバイス８０は、制御モジュール５０からの制御信号に応じて、指示された運動パターンの軌跡上を運動すると共に、被験者２に対して力覚をフィードバックする。また、制御モジュール５０は、力覚提示デバイス８０からの信号に基づいて、被験者２が把持する操作部８２の現在位置をモニタする。なお、制御モジュール５０は、操作部８２に作用した力を測定可能に構成されてもよい。この場合、制御モジュール５０は、操作部８２に一定以上の力が作用した場合に、運動の教示を停止するように力覚提示デバイス８０を制御することができる。これにより、運動教示中の安全性を確保することができる。
プロジェクタ７０は、スクリーン８４に各種情報を表示するように配置される。後述するとおり、プロジェクタ７０は、コンピュータ２０により制御され、被験者２に想起を指示する想起内容を示す情報、脳活動の分類結果を示す情報等をスクリーン８４に映し出して、各種情報を被験者２に伝達する。
＜２．コンピュータの構成＞
次に、図２を用いて、本実施形態に係るコンピュータ２０のハードウェア構成の一例について説明する。図２は、本実施形態に係るコンピュータ２０のハードウェア構成の一例を模式的に例示する。
図２に示されるとおり、本実施形態に係るコンピュータ２０は、演算装置２１０、記憶装置２１２、外部インタフェース２０２、入力装置２１４、出力装置２１６、及びドライブ２１８が電気的に接続された情報処理装置である。これらにより、コンピュータ２０は、信号取得モジュール１２からの脳活動信号を受信し、制御モジュール５０にコマンドを送付し、かつプロジェクタ７０による表示内容を制御するように構成される。なお、図２では、外部インタフェースを「外部Ｉ／Ｆ」と記載している。
演算装置２１０は、ハードウェアプロセッサであるＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）等を含み、情報処理に応じて各構成要素の制御を行う。記憶装置２１２は、例えば、ハードディスクドライブ、ソリッドステートドライブ等の補助記憶装置であり、演算装置２１０で実行されるプログラム９０、及び脳活動信号のデータ、プロジェクタ７０の表示内容、後述する脳活動の遷移パターン等の各種情報を記憶する。
プログラム９０は、被験者２の脳活動のクラスを解析しながら、被験者２に所定の運動パターンの運動を教示するための情報処理をコンピュータ２０に実行させるためのプログラムである。詳細は後述する。
外部インタフェース２０２は、接続される外部装置に応じて適宜選択される。本実施形態では、コンピュータ２０は、この外部インタフェース２０２を介して、信号取得モジュール１２（脳波センサ１０）、制御モジュール５０（力覚提示デバイス８０）、及びプロジェクタ７０と接続される。
入力装置２１４は、例えば、マウス、キーボード等の入力を行うための装置である。また、出力装置２１６は、例えば、ディスプレイ、スピーカ等の出力を行うための装置である。オペレータは、入力装置２１４及び出力装置２１６を介して、コンピュータ２０を操作することができる。
ドライブ２１８は、例えば、ＣＤドライブ、ＤＶＤドライブ等であり、記憶媒体９１に記憶されたプログラムを読み込むためのドライブ装置である。ドライブ２１８の種類は、記憶媒体９１の種類に応じて適宜選択されてよい。上記プログラム９０及び各種情報は、この記憶媒体９１に記憶されていてもよい。
記憶媒体９１は、コンピュータその他装置、機械等が記録されたプログラム等の情報を読み取り可能なように、当該プログラム等の情報を、電気的、磁気的、光学的、機械的又は化学的作用によって蓄積する媒体である。コンピュータ２０は、この記憶媒体９１から、上記プログラム９０及び各種情報を取得してもよい。
図２では、記憶媒体９１の一例として、ＣＤ、ＤＶＤ等のディスク型の記憶媒体を例示している。しかしながら、記憶媒体９１の種類は、ディスク型に限定される訳ではなく、ディスク型以外であってもよい。ディスク型以外の記憶媒体として、例えば、フラッシュメモリ等の半導体メモリを挙げることができる。
なお、コンピュータ２０の具体的なハードウェア構成に関して、実施の形態に応じて、適宜、構成要素の省略、置換及び追加が可能である。例えば、コンピュータ２０は、複数の演算装置２１０を備えてもよい。また、演算装置２１０は、複数のプロセッサを含んでもよい。また、図２では、コンピュータ２０は、１台のコンピュータとして表現されている。しかしながら、コンピュータ２０は、このような例に限定されなくてもよく、複数台のコンピュータで構成されてもよい。このとき、各コンピュータは、複数の演算装置を備えてもよい。また、コンピュータ２０は、提供されるサービス専用に設計された情報処理装置の他、汎用のＰＣ（Personal Computer）、サーバ装置等であってもよい。更に、上記プログラム９０及び各種情報は、ネットワーク上のＮＡＳ（Network Attached Storage）等の記憶装置に記憶されていてもよく、コンピュータ２０は、ネットワークを介して、上記プログラム９０及び各種情報を取得してもよい。また、コンピュータ２０は、信号取得モジュール１２（脳波センサ１０）、制御モジュール５０（力覚提示デバイス８０）、及びプロジェクタ７０とネットワークを介して接続されてもよい。
＜３．運動の教示＞
次に、図３を用いて、被験者２に運動を教示する方法を説明する。図３は、力覚提示デバイス８０により被験者２へ受動的な運動の教示を行う場面を例示する。
図３の例では、上肢の運動学習の状態を示す。被験者２は、スクリーン８４の下側で、操作部８２を手で握っているが、図３に示すように、スクリーン８４によって、その操作部８２の位置（すなわち、自身の手の位置）を直接は視認することができないようになっている。
運動の教示前には、プロジェクタ７０により、学習対象となる運動パターンの軌跡８６とその開始位置８６１（丸印）と注視点８６２（＋印）とがスクリーン８４に投影される。また、操作部８２の位置（すなわち、自身の手の位置）を示す点８６３も投影され、これによって、被験者２は、自身の手の位置を開始位置８６１に誘導することができようになっている。
運動の教示中には、軌跡８６及び開始位置８６１は消え、運動パターンの軌跡８６を描くように力覚提示デバイス８０の操作部８２が駆動される。これにより、被験者２は、視覚によらず、力覚のみを頼りにして、受動的に自身の手の運動を学習する。
ここで、後に説明する実験結果により、以下の知見が得られている。
（１）力覚提示デバイス８０による被験者２への受動的な運動の教示の期間中において、被験者２の脳活動が運動想像状態（運動想像のクラス）であると、運動の習得度合いが有意に向上する。
（２）運動の教示の期間中に被験者２の脳活動が運動想像の状態（運動想像のクラス）になるか否かは、運動の教示の期間の前段階で被験者２の脳活動がどの状態（クラス）となっていたかによって、被験者２毎に個別に依存している。
たとえば、運動の教示期間の前段階で脳活動が「運動想像状態」であると、運動の教示期間中に「運動想像状態」となる被験者もいれば、運動の教示期間の前段階で脳活動が「安静状態」であると、運動の教示期間中に「運動想像状態」となる被験者もいる。そこで、このような運動の教示期間の前段階での脳活動の状態と、運動教示期間中の脳活動の状態との関係を、被験者の「遷移パターン」と呼ぶことにする。後述する実証実験の知見によれば、以下の４つの遷移パターンが存在することが分かっている（後述する図１６を参照）。
（Ａ）運動教示前に脳活動が「運動想像状態」であると、運動教示期間中の脳活動が「運動想像状態」となる。一方、運動教示前に脳活動が「安静状態」であると、運動教示期間中の脳活動が「安静状態」となる。
（Ｂ）運動教示前に脳活動が「運動想像状態」であると、運動教示期間中の脳活動が「安静状態」となる。一方、運動教示前に脳活動が「安静状態」であると、運動教示期間中の脳活動が「運動想像状態」となる。
（Ｃ）運動教示前に脳活動がいずれのクラスであっても、運動教示期間中の脳活動が「運動想像状態」となる。
（Ｄ）運動教示前に脳活動がいずれのクラスであっても、運動教示期間中の脳活動が「安静状態」となる。
そこで、本実施形態に係る運動教示システム１０００は、上記のいずれの遷移パターンで被験者２の脳活動が遷移するかを特定し、特定した遷移パターンに基づいて、運動の教示期間の前段階で、被験者２の脳活動をいずれのクラスに誘導するかを決定する。これにより、本実施形態に係る運動教示システム１０００は、運動の教示期間中において、被験者２の脳活動が運動想像状態となるように誘導した上で、受動的に自身の手の運動を被験者２に学習させることで、被験者２が運動パターンを効率的に習得できるようにする。
＜４．コンピュータの機能構成＞
次に、図４を用いて、被験者２の脳活動のクラスを分類するためのコンピュータ２０の機能構成について説明する。図４は、被験者２の脳活動のクラスを分類するためのコンピュータ２０の機能構成の一例を模式的に例示する。
コンピュータ２０の演算装置２１０は、記憶装置２１２に記憶されたプログラム９０をＲＡＭに展開する。そして、演算装置２１０は、ＲＡＭに展開されたプログラム９０をＣＰＵにより解釈及び実行して、各構成要素を制御する。これにより、図４に示されるとおり、本実施形態に係るコンピュータ２０は、データ収集部６０、脳活動分析部４０、訓練制御部３０、及び出力制御部６５を備える情報処理装置として機能する。
データ収集部６０は、運動の教示前に、被験者２の運動想像を行っているときの脳活動信号とそれ以外（本実施形態では、安静状態）の想像を行っているときの脳活動信号との組をトレーニングデータセットとして取得する。トレーニングデータセットは、信号取得モジュール１２及び外部インタフェース２０２を介して、被験者２が装着している脳波センサ１０から取得される。取得されたトレーニングデータセットは、利用されるまでの間、記憶装置２１２に格納されていてもよい。
脳活動分析部４０は、脳波センサ１０から取得された脳活動信号（脳波信号）をデコードすることで、運動想像のクラスを含む複数のクラスのいずれかに被験者２の脳活動を分類する。このようなデコーディング処理を実行するため、本実施形態に係る脳活動分析部４０は、フィルタ処理部４０２と、デコーダ４０４と、判定部４１２と、学習処理部４２０と、を備えている。
本実施形態では、脳波センサ１０として、ドライ式ワイヤレス型・ヘッドセットを利用するため、脳活動信号は、脳波（ＥＥＧ：Electroencephalogram）信号として取得される。このＥＥＧ信号は、複数個のチャネル(例えば、International 10-20system に準じて、F7、Fp1、Fp2、F8、F3、Fz、F4、C3、Cz、P8、P7、Pz、P4、T3、P3、O1、O2、C4、T4)並びに参照信号及び接地電位とよって収集される。
フィルタ処理部４０２は、取得されたＥＥＧ信号にバンドパスフィルタを適用することで、所定の周波数成分（本実施形態では、７〜３０Ｈｚ）を抽出する。デコーダ４０４は、ＥＥＧ信号の抽出された所定の周波数成分をデコードするため、特徴量抽出部４０６と識別処理部４１０とを備えている。特徴量抽出部４０６は、空間フィルタを利用して、ＥＥＧ信号の所定の周波数成分から特徴量を抽出する。識別処理部４１０は、特徴量を識別器に入力することで、脳活動のクラスを識別可能な出力値を当該識別器から取得する。判定部４１２は、この出力値を所定の閾値と比較することにより、現在の脳活動のクラスを判別する。
学習処理部４２０は、データ収集部６０により収集したトレーニングデータセットを利用して、デコーダ４０４で利用される空間フィルタ及び識別器を機械学習により生成する。本実施形態では、空間フィルタ及び識別器の生成には、後述するＣＳＰアルゴリズム及び特徴選択アルゴリズムが利用される。これにより、デコーダ４０４は、運動想像のクラス及び安静のクラスの２つのクラスのうち被験者２の脳活動がいずれのクラスに分類されるかを判定可能な出力値を出力可能に構成される。詳細は後述する。
訓練制御部３０は、力覚提示デバイス８０による運動パターンの教示の動作を制御するためのコマンドを出力する。上記のとおり、本実施形態では、運動の教示前に、運動想像及び安静のいずれかのクラスに分類されるように被験者２の脳活動を誘導する。そのため、デコーダ４０４の出力値を閾値判定した結果、被験者２の脳活動が対象のクラスに分類されると判定される場合に、判定部４１２は、運動の教示を開始するためのトリガ信号を訓練制御部３０に出力する。訓練制御部３０は、このトリガ信号により、力覚提示デバイス８０に対して、運動パターンを教示する動作の開始を指示する。
＜５．デコーダの作成方法＞
次に、脳活動の状態を分類可能なデコーダ、具体的には、上記デコーダ４０４が利用する空間フィルタ及び識別器の作成方法を説明する。例えば、以下の公知文献２および公知文献３には、適応的な線形判別分析(ＬＤＡ)を用いた分類器と適応的な空間フィルタとを組み合わせた技術が開示されている。
・公知文献２：W. Wojcikiewicz, C. Vidaurre, and M. Kawanabe, ”Improving classification performance of bcis by using stationary common spatial patterns and unsupervised bias adaptation,” in Hybrid Artificial Intelligent Systems, ser. Lecture Notes in Computer Science. Springer Berlin Heidelberg, 2011, vol. 6679, pp. 34-41.
・公知文献３：R. Tomioka, J. Hill, B. Blankertz, and K. Aihara, ”Adapting spatial filtering methods for nonstationary bcis,” transformation, vol. 10, p. 1, 2006.
また、本実施形態では、脳活動分析部４０は、運動想像のクラス及び安静のクラスのいずれかのクラスに被験者２の脳活動を分類する。すなわち、分類対象となるクラスの数は２つである。このような２つのクラス間の分散の差を最大限にするような空間フィルタを見つけるために、従来のロバストなＣＳＰ（Common Spatial Patterns）アルゴリズムを利用することが可能である。この従来のロバストなＣＳＰアルゴリズムは、例えば、以下の公知文献４に開示がされている。
・公知文献４：X. Yong, R. K. Ward, and G. E. Birch, ”Robust common spatial patterns for eeg signal preprocessing.” Conference proceedings : Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual Conference, vol. 2008, pp. 2087-2090, 2008.
以下、公知文献４の内容を基に、ロバストなＣＳＰアルゴリズムについて、簡単に説明する。なお、後述するとおり、ＣＳＰアルゴリズムでは、使用者の頭皮上の複数の部分に配置される電極から取得されるＥＥＧ信号の共分散行列に対して適応的な重み付け処理を行って特徴量を抽出するフィルタを複数作成する。この重み付け処理を行うフィルタが上記「空間フィルタ」である。
（ＣＳＰアルゴリズム）
ＣＳＰアルゴリズムは、運動イメージによる律動変調に基づくＢＭＩの２クラス（Ｃ1又はＣ2）の分類問題において、特徴量を抽出する手法として多用されている。例えば、運動想像状態がクラスＣ1であり、安静状態がクラスＣ2である。
ここで、ＥＥＧ測定のチャネル数をｐとし、Ｎを１回の１試行に含まれるサンプル数であるとし、Ｍをトレーニングセットの個数であるものとすると、各試行の信号の集合Ｓは、以下の数１に示す式で定義される。
Figure 0006850026
 また、ＣＳＰアルゴリズムにおける最適化問題は以下の数２に示す式で表される。
Figure 0006850026
 なお、Ｃ1は、全てのクラスＣ1のＥＥＧ試行を表し、ωは、空間フィルタの未知の重みベクトル又は重み行列である。ｖａｒ関数は、以下の数３に示すように算出できる。
Figure 0006850026
 ここで、Λ1とΛ2とは、それぞれ、クラスＣ1とクラスＣ2とに属するＥＥＧ信号の共分散行列である。
ＣＳＰアルゴリズムは、以下の（Ｉ）〜（ＩＩＩ）の処理に要約できる。
（Ｉ）行列Λ＝（Λ1＋Λ2）に対して白色化変換を実行する。すなわち、行列Λ＝（Λ1＋Λ2）に対する固有値分解により、以下の数４に示すような条件を満たす行列Ｐ（白色化行列）を見つけて、行列Λを白色化する。なお、数４の式では、以下の数５に示す関係が成り立つ。
Figure 0006850026
Figure 0006850026
（ＩＩ）以下の数６により示される条件を満たすように固有値分解を行うことで、直交行列Ｒ及び対角行列Ｄを算出する。
Figure 0006850026
（ＩＩＩ）クラスＣ1及びクラスＣ2に対して射影行列Ｗ＝ＲTＰを算出し、算出した射影行列Ｗの行ベクトルωを以下の数７に示すとおりＣＳＰフィルタとする。このＣＳＰフィルタが、上記空間フィルタである。なお、射影行列Ｗは、複数の行ベクトルωを含んでいるため、この段階では、複数のＣＳＰフィルタが生成される。
Figure 0006850026
生成された各ＣＳＰフィルタを共分散行列に乗算して射影した結果であるｚp（ｔ）の２乗平均の値（又は、そのｌｏｇスケール値）を、特徴量として用いることができる。以下では、特徴量としては、ｌｏｇスケール値を用いることとする。例えば、この特徴量として、以下の数８に示す値を用いることができる。
Figure 0006850026
 なお、特徴量には、上記の他、上記射影した結果であるｚp（ｔ）の分散、ｚp（ｔ）の分散を規格化した値、又はいずれかの値のｌｏｇスケール値を用いることも可能である。そして、このような特徴量に対して、線形判別分析（ＬＤＡ；linear discriminant analysis）を行うことで識別器を生成することができ、ＣＳＰフィルタと識別器とを利用することで、ＥＥＧ信号のクラスの分類を実行することが可能となる。
（特徴選択アルゴリズム）
次に、複数のＣＳＰフィルタの中から、最適なＣＳＰフィルタ、すなわち、脳活動の識別性能の最も高いＣＳＰフィルタを選択する特徴選択アルゴリズムの一例について説明する。
まず、ランダムフォレスト法により、ＥＥＧ信号の共分散行列を各ＣＳＰフィルタで射影して得られる各特徴量の決定木を作成する。次に、作成した決定木に基づいて、各特徴量の重要度を求め、各特徴量の重要度の平均値を各ＣＳＰフィルタの寄与度とする。そして、各ＣＳＰフィルタの寄与度を比較することで、寄与度の最も高いＣＳＰフィルタを利用するものに選択する。これにより、複数のＣＳＰフィルタの中から最適なＣＳＰフィルタを選択することができる。なお、特徴選択アルゴリズムについては、以下の公知文献５を参考にしてもよい。
・公知文献５：P. Geurts, D. Ernst., and L. Wehenkel, "Extremely randomized trees", Machine Learning, 63(1), 3-42, 2006.
なお、複数のＣＳＰフィルタの中から最適なＣＳＰフィルタを選択する方法は、このような方法に限定されなくてもよく、実施の形態に応じて適宜選択可能である。例えば、各ＣＳＰフィルタについて後述する線形判別分析により識別器を生成してもよい。そして、各ＣＳＰフィルタと各識別器とにより、トレーニングデータセットの各ＥＥＧ信号に対する識別性能を算出し、算出した識別性能の最も高いＣＳＰフィルタを利用するものとして選択してもよい。
（デコーダの生成）
次に、上記ＣＳＰアルゴリズム及び特徴選択アルゴリズムを利用して、コンピュータ２０（学習処理部４２０）が、デコーダのＣＳＰフィルタ及び識別器を作成する過程について説明する。
まず、データ収集部６０は、被験者２のＥＥＧ信号を収集する。これにより、データ収集部６０は、運動想像を行っているときのＥＥＧ信号とそれ以外の想像（本実施形態では、安静状態）を行っているときのＥＥＧ信号との組をトレーニングデータセットとして取得する。フィルタ処理部４０２は、取得したトレーニングデータセットの各ＥＥＧ信号にバンドパスフィルタリング（７−３０Ｈｚ）を適用し、所定の周波数成分を抽出する。
次に、学習処理部４２０は、トレーニングデータセットの各ＥＥＧ信号の所定の周波数成分にＣＳＰアルゴリズムを適用することで、対応する射影行列Ｗを算出し、これにより、複数のＣＳＰフィルタを得る。そして、学習処理部４２０は、複数のＣＳＰフィルタに対して特徴選択アルゴリズムを適用することで、寄与度の最も高いＣＳＰフィルタ、換言すると、被験者の脳活動に対する識別性能が最も高いＣＳＰフィルタを複数のＣＳＰフィルタの中から選択する。
ここで、選択されたＣＳＰフィルタが、コンピュータ２０を操作するオペレータから見て明らかに誤りである場合には、オペレータは、コンピュータ２０を操作して、選択されたＣＳＰフィルタを修正、又は別のＣＳＰフィルタに置換してもよい。このとき、オペレータは、コンピュータ２０を操作して、ＣＳＰアルゴリズムにより生成された複数のＣＳＰフィルタの中から適宜利用するＣＳＰフィルタを選択してよい。
そして、学習処理部４２０は、選択したＣＳＰフィルタでトレーニングデータセットの各ＥＥＧ信号の共分散行列を射影することで得られる特徴量に対して線形判別分析を行うことで、識別器を作成する。例えば、学習処理部４２０は、ロジスティクス回帰を線形判別のモデルとして利用することで、（線形）識別器を作成することができる。これにより、デコーダが完成する。すなわち、デコーダ４０４で利用するＣＳＰフィルタ及び識別器の作成が完了する。一方、ＣＳＰフィルタの選択過程で識別器を作成している場合には、この処理は省略することができ、ＣＳＰフィルタの選択が完了した時点でデコーダが完成する。
なお、ロジスティック関数は、０と１との間の連続的な確率出力を生成する。そのため、例えば、識別器の出力が０に近くなるほど、脳活動が安静状態のクラスに分類されることを示し、識別器の出力が１に近くなるほど、脳活動が運動想像のクラスに分類されることを示すことができる。そのため、判定部４１２は、識別器の出力と所定のしきい値との比較により、被験者２の現在の脳活動が、「運動想像」のクラスであるのか、「安静状態」のクラスであるのかを判定することができる。
以上の説明では、ＣＳＰアルゴリズム、特徴選択アルゴリズム、及び線形判別法を利用してデコーダを生成する方法を説明した。しかしながら、被験者の脳活動をデコードするデコーダを生成する方法は、このような例に限定されなくてもよい。特徴量の抽出方法として、例えば、独立成分分析（ＩＣＡ：Independent component analysis）、ラプラシアンフィルタ法により事象関連脱同期(ＥＲＤ：event-related desynchronization)を検出する方法等が採用されてもよい。これにより、ＥＥＧ信号の特徴量を抽出するのに、ＣＳＰフィルタ以外のタイプの空間フィルタが用いられてもよい。また、特徴量の抽出方法として、例えば、上記ＣＳＰアルゴリズムにＩＣＡを組み合わせる等の複数のアルゴリズムを組み合わせた方法を採用してもよい。また、判別方法として、サポートベクトルマシンを利用する方法等が採用されてもよい。更に、本実施形態に係るコンピュータ２０（脳活動分析部４０）は、「運動想像」及び「安静状態」の２クラスに被験者２の脳活動を分類する。しかしながら、分類するクラスの数は、「運動想像」のクラスが含まれていれば、３クラス以上であってもよい。
＜６．運動教示のフロー＞
次に、図５を用いて、被験者２に運動を教示する手順について説明する。図５は、本実施形態に係る運動教示システム１０００により被験者２に運動を教示する手順を示すフローチャートである。
（ステップＳ１００）
まず、ステップＳ１００では、コンピュータ２０の演算装置２１０は、データ収集部６０として機能して、力覚提示デバイス８０による運動パターンの教示の前に、トレーニングデータセットを取得する。
例えば、被験者２は、運動想像と安静状態とを交互に数秒間行うように指示される。演算装置２１０は、外部インタフェース２０２及び信号取得モジュール１２を介して、脳波センサ１０からこのときのＥＥＧ信号を取得する。そして、演算装置２１０は、取得したＥＥＧ信号から、運動想像を行っているときの部分と安静状態を行っている時の部分とを切り出す。これにより、演算装置２１０は、被験者２について、運動想像を行っているときのＥＥＧ信号とそれ以外の想像（安静状態）を行っているときのＥＥＧ信号との組をトレーニングデータセットとして取得する。
（ステップＳ１０２）
次のステップＳ１０２では、演算装置２１０は、学習処理部４２０として機能し、トレーニングデータセットに基づいて、被験者２の脳活動をデコードするのに利用する空間フィルタ及び識別器を作成する。本実施形態では、演算装置２１０は、上記ＣＳＰアルゴリズム及び特徴選択アルゴリズムを利用した機械学習により、運動想像の検知に最適なＣＳＰフィルタ及び識別器を生成する。そして、演算装置２１０は、生成したＣＳＰフィルタ及び識別器を脳活動分析部４０のデコーダ４０４に設定する。これにより、運動教示の準備が完了し、被験者２の脳活動の分析すること、具体的には、運動想像のクラス又は安静状態のクラスに被験者２の脳活動を分類することが可能となる。
（ステップＳ１０４）
次のステップＳ１０４では、演算装置２１０は、後述する運動パターンの教示の期間（ステップＳ１１０）中における被験者２の脳活動が運動想像のクラスに分類されるように、運動パターンの教示の前において被験者２に対して想起させる想起内容を出力する。本実施形態では、演算装置２１０は、訓練制御部３０として機能して、プロジェクタ７０により被験者２に想起させる想起内容（「前提想起内容」と称してもよい）をスクリーン８４に投影する。これにより、演算装置２１０は、運動パターンの教示前において、当該想起内容を想起するように被験者２に指示する。
上記のとおり、教示前から教示中への脳活動の遷移パターンは複数存在する。コンピュータ２０は、この遷移パターンの情報を記憶装置２１２に記憶している。被験者２の遷移パターンが特定されておらず、運動教示前の初期段階では、被験者２の脳活動の遷移パターンは不明である。そのため、この場合には、演算装置２１０は、想起内容の指示として、「運動想像」又は「安静状態」のいずれの指示を出力してもよい。以下では、説明の便宜のため、被験者２の遷移パターンが不明である初期段階では、演算装置２１０は、「安静状態」を想起内容として出力するものとする。
（ステップＳ１０６）
次のステップＳ１０６では、演算装置２１０は、想起内容を想起するように被験者２に指示している間に、脳波センサ１０から当該被験者２のＥＥＧ信号を取得する。次に、演算装置２１０は、フィルタ処理部４０２として機能し、取得したＥＥＧ信号にバンドパスフィルタを適用して所定の周波数成分（７〜３０Ｈｚ）を抽出する。そして、演算装置２１０は、デコーダ４０４として機能して、上記ステップＳ１０２で設定したＣＳＰフィルタ及び識別器を抽出した周波数成分に適用する。これにより、演算装置２１０は、運動パターンの教示の前に取得される被験者２のＥＥＧ信号をデコードする。
本実施形態では、演算装置２１０は、プロジェクタ７０を制御して、このデコード結果をスクリーン８４にフィードバック情報として表示する。すなわち、演算装置２１０は、運動パターンの教示の前において、被験者２の脳活動を分類した結果をフィードバックする。これにより、被験者２は、自身が現在想起しているとデコーダ４０４により判別された結果を認識することができる。その結果、被験者２は、フィードバック情報に基づいて、指示された想起内容を想起しているとのデコード結果となるように所定の時間について努力することになる。
ここで、フィードバック情報の提示方法は、実施の形態に応じて適宜決定されてよい。例えば、演算装置２１０は、後述する図１２に示すとおり、スクリーン８４にバーを表示して、いずれか一方の端部にそのバーが近付くように変形すると運動想像を行っていることを示し、他方の端部にバーが近付くように変形すると安静状態であることを示すような提示方法を採用してもよい。この場合、演算装置２１０は、デコーダ４０４の識別器の出力値に基づいてバーの長さを決定することができる。
なお、スクリーン８４に表示する図形は、指定された想起内容に近付いた脳活動ができているか否かを被験者に提示することができる形状であれば、バーに限られなくてもよい。そのような他の形状として、例えば、円の中に描かれる扇形を挙げることができる。また、演算装置２１０は、バーの長さ、扇形の大きさ等のレベルではなく、判定部４１２として機能した結果、すなわち、識別器の出力値を閾値と比較することで分類された被験者２の脳活動のクラスをスクリーン８４に表示してもよい。
次のステップＳ１０８では、演算装置２１０は、訓練制御部３０として機能して、上記ステップＳ１０６のデコード結果に基づいて、被験者２の脳活動が、ステップＳ１０４で指示した想起内容に対応するクラスに分類されているか否かを判定する。すなわち、演算装置２１０は、判定部４１２として機能して、識別器の出力値と閾値とを比較した結果、被験者２の脳活動の分類されたクラスが想起内容に対応するクラスであるか否かを判定する。被験者２の脳活動が想起内容に対応するクラスに分類された場合には（Ｓ１０８でＹ）、演算装置２１０は、トリガ信号を出力して、次のステップＳ１１０及びＳ１１２に処理を進める。一方、被験者２の脳活動が想起内容に対応するクラスに分類されていない場合には（Ｓ１０８でＮ）、ステップＳ１０４に処理を戻す。
（ステップＳ１１０及びＳ１１２）
被験者２の脳活動が想起内容に対応するクラスに分類されたこと（トリガ信号の出力）に応じて、次のステップＳ１１０では、演算装置２１０は、訓練制御部３０として機能して、力覚提示デバイス８０（制御モジュール５０）に対して運動パターンを教示する動作の開始を指示するコマンドを出力する。これにより、被験者２に対して受動的な運動パターンの教示（固有受容性トレーニング）を実施する。
また、ステップＳ１１０の実行と共に、演算装置２１０は、脳活動分析部４０として機能し、ステップＳ１１２の処理を実行し、上記運動の教示中における被験者２の脳活動の状態を解析する。すなわち、演算装置２１０は、運動パターンの教示の動作を力覚提示デバイス８０に実行させている期間中に脳波センサ１０から被験者２のＥＥＧ信号を取得する。そして、演算装置２１０は、ステップＳ１０６と同様の過程により、ＥＥＧ信号をデコードする。
ただし、運動パターンの教示の期間中においては、上記ステップＳ１０６とは異なり、演算装置２１０は、被験者２の脳活動を分類した結果をフィードバックしない。すなわち、スクリーン８４には、被験者２が現在想起しているとデコーダ４０４により判別された結果がフィードバック情報として表示されることはない。運動パターンの教示中に、フィードバック情報を表示すると、運動のトレーニングと、デコード結果を指示された想起内容に対応するように念ずる（想起する）こととの両方のタスクを同時に被験者２に要求することになる。そのため、二重のタスクを実行することが必要となってしまい、タスクの難易度が不必要に増加してしまう。これを避けるため、本実施形態では、演算装置２１０は、フィードバック情報を被験者２に対して表示しない。なお、本実施形態に係る演算装置２１０は、被験者２以外の第三者（例えば、トレーナ）には、フィードバック情報を表示してもよい。
（ステップＳ１１４）
次のステップＳ１１４では、演算装置２１０は、運動パターンの教示が終了した後に、プロジェクタ７０を制御して、ステップＳ１１２により運動パターンの教示期間中に脳波センサ１０から取得したＥＥＧ信号をデコードした結果をスクリーン８４に表示する。これにより、演算装置２１０は、運動パターンの教示期間中における被験者２の脳活動が運動想像のクラスに分類されるか否か、換言すると、被験者２の脳活動の分類されたクラスが運動想像のクラスであったか否かをスクリーン８４に表示する。
このように、本実施形態では、ステップＳ１０６及びＳ１１４により、運動パターンの教示前に指示した想起内容と、運動パターンの教示期間中の脳活動の分類されたクラスと、がスクリーン８４に表示される。これにより、例えば、スポーツの指導者、リハビリのセラピスト等のトレーナは、被験者２の遷移パターンを知ることができ、その結果、運動教示のための手続きを定める学習プログラムを被験者２毎により適切に決定することができるようになる。
（ステップＳ１１６〜Ｓ１２２）
次のステップＳ１１６では、演算装置２１０は、訓練制御部３０として機能して、運動パターンの教示期間中において、脳波センサ１０から取得された被験者２のＥＥＧ信号をデコードした結果、運動パターンの教示期間中における被験者２の脳活動が運動想像のクラスに分類されたか否かを判定する。被験者２の脳活動が運動想像以外のクラス（すなわち、安静状態のクラス）に分類された場合（ステップＳ１１６でＮ）、演算装置２１０は、次のステップＳ１２０に処理を進める。一方、被験者２の脳活動が運動想像のクラスに分類された場合、演算装置２１０は、次のステップＳ１１８に処理を進める。
次のステップＳ１１８では、演算装置２１０は、訓練制御部３０として機能し、運動パターンの教示が所定の回数分終了したか否かを判定する。運動パターンの教示が所定の回数分終了していないときは（Ｓ１１８でＮ）、演算装置２１０は、ステップＳ１０４に処理を戻す。他方、運動パターンの教示が所定の回数分終了しているときは（Ｓ１１８でＹ）、演算装置２１０は、本実施形態に係る運動教示システムによる運動の教示を終了する。
次のステップＳ１２０では、演算装置２１０は、ステップＳ１０４で指示する想起内容を変更する。例えば、運動の教示前に「安静状態」を指示し、運動の教示中の脳活動も「安静状態」であった場合には、被験者２の遷移パターンは、上記（Ａ）又は（Ｄ）のパターンと想定される。そのため、この場合には、演算装置２１０は、記憶装置２１２に記憶された遷移パターンの情報を参照して、被験者２の遷移パターンは上記（Ａ）又は（Ｄ）のパターンであると判定して、ステップＳ１０４で指示する想起内容を「安静状態」から「運動想像」に変更する。
また、運動の教示前に「運動想像」を指示し、運動の教示中の脳活動が「安静状態」であった場合には、被験者２の遷移パターンは、上記（Ｂ）又は（Ｄ）のパターンであると想定される。そのため、この場合には、演算装置２１０は、記憶装置２１２に記憶された遷移パターンの情報を参照して、被験者２の遷移パターンは上記（Ｂ）又は（Ｄ）のパターンであると判定して、ステップＳ１０４で指示する想起内容を「運動想像」から「安静状態」に変更する。
指示する想起内容を変更した後、次のステップＳ１２２では、演算装置２１０は、想起内容の変更回数が所定回数以下であるか否かを判定する。想起内容の変更回数が所定回数以下である場合（Ｓ１２２でＹ）、演算装置２１０は、ステップＳ１０４に処理を戻す。一方、想起内容の変更回数が所定回数を超えている場合（Ｓ１２２でＮ）、演算装置２１０は、本実施形態に係る運動教示システムによる運動の教示を終了する。
本実施形態では、ステップＳ１０４からＳ１２２までの一連の処理を繰り返す過程で、ステップＳ１２０に到達することで、被験者２の遷移パターンを特定することができる。例えば、被験者２の遷移パターンは上記（Ａ）又は（Ｄ）のパターンであると判定して、ステップＳ１０４で指示する想起内容を「安静状態」から「運動想像」に変更した後、更にステップＳ１２０に処理が到達した場合、演算装置２１０は、被験者２の遷移パターンは上記（Ｄ）のパターンであると特定することができる。一方、ステップＳ１２０に処理が到達しなかった場合には、演算装置２１０は、被験者２の遷移パターンは上記（Ａ）であると特定することができる。
なお、以上で説明した処理手順は、運動教示のフローの一例に過ぎず、各処理は可能な限り変更されてもよい。また、以上の処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。
例えば、ステップＳ１１８の後に、被験者２に操作部８２を操作させて、教示した運動の再現（「運動生成」とも称する）を被験者２自身に行わせるようにしてもよい。そして、演算装置２１０は、このときの操作部８２の位置情報を制御モジュール５０から取得し、教示した運動パターンが運動生成でどの程度再現できたかを示す再現度を算出してもよい。更に、演算装置２１０は、算出された再現度を被験者２に提示してもよい。なお、再現度の算出方法は、実施の形態に応じて適宜選択されてよく、例えば、後述する数９による計算方法を採用してもよい。
また、ステップＳ１２０により、想起内容を変更した後、次のステップＳ１０６で表示するフィードバック情報の内容は反転させてもよい。例えば、フィードバック情報として上記のバーを表示する場合に、一方の端部にバーの端部が近付くと運動想像を行っていることを示し、他方の端部にバーの端部が近付くと安静状態であることを示すように設定されていたとする。この場合に、ステップＳ１２０で想起内容を変更したことに応じて、演算装置２１０は、一方の端部にバーの端部が近付くと安静状態であることを示し、他方の端部にバーの端部が近付くと運動想像を行っていることを示すようにフィードバック情報の設定を変更してもよい。これにより、ステップＳ１０６で指示する内容は、バーの表示を長くする、扇形の大きさを大きくする等のように常に一定とすることができる。これにより、現在の脳活動パターンの分類結果が、指定された想起内容に対応するデコード結果に近づいていることを被験者に直感的に認識させ易いようにすることができる。
また、図５では、力覚提示デバイス８０により被験者２に対して受動的な運動パターンの教示を開始するタイミングは、演算装置２１０（訓練制御部３０）の制御によるものとして説明した。しかしながら、運動パターンの教示を開始するタイミングの制御は、このような例に限定されなくてもよく、コンピュータ２０のオペレータの指示入力に応じて運動パターンの教示が開始されてもよい。
以上により、本実施形態に係る運動教示システム１０００によれば、運動の教示期間中において、被験者の脳活動が運動想像状態となるように誘導した上で、当該被験者に運動パターンを学習させることができる。すなわち、被験者の脳活動を予め学習する運動タスクに適した状態としてからトレーニングを実施することができるため、高い学習効果を期待することができる。また、本実施形態によれば、被験者は、自ら身体を能動的に動かさず、操作装置（力覚提示デバイス８０）による運動を受動的に受け入れるだけで、効率的に運動パターンを学習することができる。更に、本実施形態によれば、そのような受動的な運動を受け入れるだけで、被験者は、効率的に運動パターンを学習するための脳活動の遷移パターンを知ることができる。
なお、上記ステップＳ１００からＳ１２２までの一連の処理を実施することで、被験者２の遷移パターンが特定された後、被験者２は、脳波センサ１０を外して、運動教示前の想起内容の想起の指示と運動教示とを受けてもよい。また、本実施の形態の運動教示システム１０００は、リハビリテーションの対象となるような患者への運動の教示だけではなく、より一般に健常者への運動の教示にも使用可能である。そこで、患者、健常者等を総称するときは、「学習者」と称する。
＜７．空間フィルタのクラスタリング＞
次に、図６を用いて、空間フィルタのクラスタリングについて説明する。図６は、複数の被験者から得られた空間フィルタをクラスタリングし、運動の習得に適した空間フィルタの属するグループ（以下、最適グループと称する）を特定する処理手順の一例を示す。後述する実証実験では、上記（１）及び（２）の他、次の（３）の知見も得られた。
（３）各被験者の脳活動のタイプと運動教示中の脳活動の状態との相互作用により、運動の習得度合いに有意な差が生じる。
デコードに利用する空間フィルタは、ＥＥＧ信号の特徴量を抽出するものであるため、被験者の脳活動のタイプは、空間フィルタに表れる。そこで、本実施形態に係るコンピュータ２０は、以下の手順に従って、各被験者に対して生成したデコーダの空間フィルタをクラスタリングし、各被験者の空間フィルタを複数のグループに分類する。そして、コンピュータ２０は、運動の習得度合いの最も高かった被験者の脳活動のタイプ（空間フィルタ）が属するグループを当該運動の習得に最適な最適グループと位置付けて、クラスタリングにより得られた複数のグループからこの最適グループを特定する。
（ステップＳ２００及びＳ２０２）
まず、ステップＳ２００では、演算装置２１０は、複数の被験者それぞれについて、トレーニングデータセットを取得する。各被験者のトレーニングデータセットの取得は、上記ステップＳ１００と同様に行うことができる。次のステップＳ２０２では、演算装置２１０は、上記ステップＳ１０２と同様に、各被験者のトレーニングデータセットに基づいて、各被験者の脳活動をデコードするデコーダに利用するＣＳＰフィルタ及び識別器を作成する。
（ステップＳ２０４）
次のステップＳ２０４では、演算装置２１０は、力覚提示デバイス８０に対して運動パターンを教示する動作を実行させることで、各被験者に対して受動的な運動パターンの教示（固有受容性トレーニング）を実施する。このとき、演算装置２１０は、脳波センサ１０から各被験者のＥＥＧ信号を取得して、ステップＳ２０２で作成したＣＳＰフィルタ及び識別器を用いて当該取得したＥＥＧ信号をデコードしてもよい。また、この運動パターンの教示は、上記ステップＳ１０４〜Ｓ１２２の処理に基づいて行われてもよい。これにより、各被験者の運動教示中の脳活動のクラスを特定することができる。また、繰り返しの運動教示の過程で、各被験者の運動教示中の脳活動が「運動想像」のクラスになるように誘導することができる。
（ステップＳ２０６及びＳ２０８）
次のステップＳ２０６では、演算装置２１０は、各被験者に操作部８２を操作させて、教示した運動の再現を各被験者自身に行わせる。そして、次のステップＳ２０８では、演算装置２１０は、運動生成中における操作部８２の位置情報を制御モジュール５０から取得し、教示した運動パターンが運動生成でどの程度再現できたかを示す再現度を当該運動生成の評価値として算出する。再現度の算出方法は、教示した運動パターンに対して運動生成においてどの程度再現できたかを評価可能であれば、実施の形態に応じて適宜設定されてよく、例えば、後述する数９による計算方法を採用することができる。
（ステップＳ２１０）
次のステップＳ２１０では、演算装置２１０は、クラスタリングの対象とする全ての被験者に対して、ステップＳ２００からＳ２０８までの処理が完了したか否かを判定する。ステップＳ２００からＳ２０８までの処理が全ての被験者に対しては完了していない場合（Ｓ２１０でＮ）、演算装置２１０は、完了していない被験者について、ステップＳ２００からＳ２０８までの処理を繰り返す。一方、ステップＳ２００からＳ２０８までの処理が全ての被験者に対して完了した場合（Ｓ２１０でＹ）、演算装置２１０は、次のステップＳ２１２に処理を進める。
上記ステップＳ２００からＳ２１０までの処理により、演算装置２１０は、全ての被験者について、ＣＳＰフィルタと運動パターンの再現度（教示後の運動成績）との組み合わせを得ることができる。なお、ステップＳ２０４により、運動教示中の脳活動が分析された場合には、演算装置２１０は、ＣＳＰフィルタと運動パターンの再現度との組み合わせに、運動教示中の脳活動が分類されたクラス（「運動想像」又は「安静状態」）を紐付けてもよい。
（ステップＳ２１２）
次のステップＳ２１２では、演算装置２１０は、各対象者のＣＳＰフィルタをクラスタリングすることにより、各対象者のＣＳＰフィルタを複数のグループ（「クラスタ」とも称する）に分類する。クラスタリングには公知の方法が用いられてよい。例えば、演算装置２１０は、各ＣＳＰフィルタ間の距離をユークリッド距離で定義する。そして、演算装置２１０は、距離が近接するＣＳＰフィルタ同士を一つのグループに属するように、各ＣＳＰフィルタのクラスタリングを行う。このようなクラスタ分析には、例えば、ウォード（ward）法等を用いることができる。これにより、各対象者のＣＳＰフィルタは、複数のグループに分類される。
（ステップＳ２１４）
次のステップＳ２１４では、演算装置２１０は、各被験者の運動パターンの再現度に基づいて、当該運動パターンの習得度合いの最も高い対象者のＣＳＰフィルタが属する最適グループを上記複数のグループから特定する。例えば、演算装置２１０は、デコーダの出力及びＣＳＰフィルタのグループを要因として各被験者の再現度に対して分散分析を行い、その分散分析の結果に基づいて、デコーダの出力に対する再現度の向上具合が最も高いＣＳＰフィルタのグループを最適グループとして特定してもよい。向上具合については、例えば、出力値の傾き等により比較することができる。なお、デコーダの出力及びＣＳＰフィルタの相互作用については、後述する実証実験においても説明する。
これにより、運動の習得度合いの最も高かった被験者の脳活動のタイプ、すなわち、学習の対象とする運動パターンの習得に最適な脳活動のタイプ（デコードに利用する空間フィルタ）が属する最適グループを特定することができる。この最適グループを特定すると、演算装置２１０は、処理を終了する。
なお、以上で説明した処理手順は、最適グループを特定する処理手順の一例に過ぎず、各処理は可能な限り変更されてもよい。また、以上の処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。
例えば、図６の例では、上記ステップＳ２００からＳ２１０までの処理が繰り返し実行されることで、演算装置２１０は、各被験者のＣＳＰフィルタと運動パターンの再現度との組み合わせを取得する。しかしながら、この組み合わせを取得する処理手順は、このような例に限定されなくてもよい。例えば、演算装置２１０は、全ての被験者に対してトレーニングデータセットを取得した後に、各トレーニングデータセットにステップＳ２０２からＳ２０８の処理を適用することで、各被験者のＣＳＰフィルタと運動パターンの再現度とを取得してもよい。
また、例えば、各被験者のＣＳＰフィルタ及び運動パターンの再現度の算出は、他のコンピュータにより行われてもよい。この場合、コンピュータ２０は、ネットワーク、記憶媒体９１等を介して、この他のコンピュータから各被験者のＣＳＰフィルタ及び運動パターンの再現度の組み合わせを取得してもよい。
（特定した最適グループの情報の利用）
次に、図７を用いて、上記で特定した最適グループの情報を運動の教示に利用する方法について説明する。図７は、被験者２の脳活動のタイプを考慮した場合における運動教示システム１０００の処理手順の一例を示す。
上記のとおり、被験者の脳活動のタイプが上記で特定した最適グループに属した場合、当該被験者は、対象の運動パターンを効率よく習得できると推定される。そこで、運動教示システム１０００は、図７に示すとおり、上記の教示のフローにおいて、運動の教示を開始する前に、被験者の脳活動のタイプが最適グループに属するように、すなわち、最適グループに属するタイプの脳活動を行うことができるように被験者に訓練を促してよい。
具体的には、コンピュータ２０の演算装置２１０は、ステップＳ１０２とＳ１０４との間において、ステップＳ１０２で生成した被験者２のＣＳＰフィルタが最適グループに属するか否かを判定する（ステップＳ１０３）。被験者２のＣＳＰフィルタが最適グループに属するか否かを判定する方法は、最適グループを特定した際のクラスタリングの方法により適宜設定される。例えば、演算装置２１０は、クラスタリングにより得られた各グループの重心と被験者２のＣＳＰフィルタとのユークリッド距離を算出し、算出したユークリッド距離が所定の閾値よりも低いグループを特定する。これにより、被験者２のＣＳＰフィルタの属するグループを特定することができる。
被験者２のＣＳＰフィルタが最適グループに属する場合、演算装置２１０は、被験者２の脳活動のタイプは対象の運動の習得に適しているとして、次のステップＳ１０４より以下で、被験者２に対して運動パターンの教示を実施する。一方、被験者２のＣＳＰフィルタが最適グループに属さない場合、演算装置２１０は、ステップＳ１００から処理を繰り返す。すなわち、演算装置２１０は、脳波センサ１０により、被験者２のトレーニングデータセットを再度習得する。これにより、最適グループに属するタイプの脳活動を行うように被験者２に訓練を促すことができる。
なお、後述する実証実験では、脳活動のタイプがＦ（Focal）グループに属し、かつ運動教示中にデコーダの出力が大きかった被験者が最も運動パターンの習得度合いが高かった。ただし、運動想像時の脳活動のタイプは各被験者によって異なることが想定される。そして、脳活動のタイプがＮＦ（Non Focal）グループに属し、教示中にデコーダの出力が大きかった被験者については逆に習得度合いが低くなる傾向がみられた。これは、後述する筋感覚的な運動想像と視覚的な運動想像とのタイプでは運動想像の度合いが脳活動の増減が逆転し、事象関連脱同期又は事象関連同期として現れることが要因であると想定される。そのため、最適グループに属するタイプの脳活動を行う被験者が運動教示中に運動想像を行うと運動パターンの習得度合いが高くなるとは限られない。すなわち、最適グループに属するタイプの脳活動を行う被験者が運動教示中に運動想像以外（例えば、安静状態）を行うことで、運動パターンの習得度合いが最も良くなる可能性がある。
そこで、上記最適グループの特定の過程において、ＣＳＰフィルタと各被験者の再現度とに各被験者の運動教示中の脳活動の分類されたクラスが紐付けられている場合、演算装置２１０は、運動教示中の脳活動のクラスごとに最適グループに属する各被験者を分類して、各クラスに分類された各被験者の再現度を比較する。これにより、演算装置２１０は、再現度の高い被験者の属するクラスを特定し、特定したクラスを、運動パターンの教示期間中に推奨する脳活動が分類される推奨クラスに設定してもよい。そして、演算装置２１０は、設定した推奨クラスを最適グループに紐付けてもよい。
この場合、運動教示中に運動想像を行えば、運動パターンの習得度合いが必ず向上するとは限らない。そのため、上記ステップＳ１０３により、最適グループに属するタイプの脳活動を行うように被験者２に促した場合には、図７に示されるとおり、演算装置２１０は、上記ステップＳ１１６に代えて、次のステップＳ１１６Ａの処理を実行する。すなわち、運動パターンの教示期間中において、脳波センサ１０から取得された被験者２のＥＥＧ信号をデコードした結果、運動パターンの教示期間中における被験者２の脳活動が最適グループに紐付けられた推奨クラスに分類されたか否かを判定する。
そして、運動パターンの教示期間中における被験者２の脳活動が最適グループに紐付けられた推奨クラスに分類された場合には（Ｓ１１６ＡのＹ）、演算装置２１０は、次のステップＳ１１８に進める。一方、運動パターンの教示期間中における被験者２の脳活動が最適グループに紐付けられた推奨クラスに分類されなかった場合には（Ｓ１１６ＡのＮ）、演算装置２１０は、次のステップＳ１２０に処理を進める。これにより、演算装置２１０は、ステップＳ１０４〜Ｓ１０８において、運動パターンの教示期間中における被験者２の脳活動が、最適グループに紐付けられた推奨クラスに分類されるように、運動パターンの教示前において被験者２に対して想起させる想起内容を出力するようにすることができる。
なお、上記の例では、被験者の脳活動のタイプが最適グループに属するようにする方法として、特徴選択アルゴリズムにより選択されたＣＳＰフィルタが最適グループに属するまで、デコーダの作成を繰り返す方法を例示した。しかしながら、被験者の脳活動のタイプを最適グループに属するように誘導する方法は、このような例に限られなくてもよい。例えば、ステップＳ１０２において、ＣＳＰアルゴリズムにより生成された複数のＣＳＰフィルタのなかに最適グループに属するＣＳＰフィルタが存在する場合、演算装置２１０は、特徴選択アルゴリズムによる選択を実施せず、この最適グループに属するＣＳＰフィルタを利用するＣＳＰフィルタとして選択してもよい。そして、演算装置２１０は、この選択したＣＳＰフィルタを利用してデコーダを作成してもよい。更に、演算装置２１０は、ステップＳ１０２とＳ１０４との間で、生成したデコーダによる出力が閾値よりも大きくなるまで、被験者に対して運動想像を行うように繰り返し指示してもよい。そして、演算装置２１０は、デコーダの出力が閾値よりも大きくなった後に、ステップＳ１０４以下の運動教示を実施してもよい。これによっても、被験者の脳活動のタイプを最適グループに属するように誘導することができる。
＜８．変形例＞
以上、本発明の実施の形態を詳細に説明してきたが、前述までの説明はあらゆる点において本発明の例示に過ぎない。本発明の範囲を逸脱することなく種々の改良や変形を行うことができることは言うまでもない。例えば、以下のような変更が可能である。なお、以下では、上記実施形態と同様の構成要素に関しては同様の符号を用い、上記実施形態と同様の点については、適宜説明を省略した。以下の変形例は適宜組み合わせ可能である。
例えば、上記実施形態では、空間フィルタとしてＣＳＰフィルタを利用し、識別器として、ロジスティクス回帰をモデルに利用した線形識別器を利用している。しかしながら、空間フィルタの種類は、ＣＳＰフィルタに限定されなくてもよく、識別器の種類は、ロジスティクス回帰をモデルに利用した線形識別器に限定されなくてもよい。空間フィルタ及び識別器の種類は、実施の形態に応じて適宜選択されてよい。
また、例えば、上記実施形態では、脳活動の分析、運動教示の制御、最適グループの特定等の情報処理が同一のコンピュータ２０の同一の演算装置２１０により行われている。しかしながら、各情報処理を実行する構成は、このような例に限定されなくてもよい。例えば、コンピュータ２０が複数の演算装置を備える場合には、異なる演算装置により各情報処理を行ってもよい。また、コンピュータ２０が複数台のコンピュータで構成される場合には、異なるコンピュータにより各情報処理を行ってもよい。この場合、各コンピュータは、ネットワーク、記憶媒体等を介して、情報処理の結果をやりとりしてよい。
また、図５のステップＳ１０４では、演算装置２１０は、被験者に関わりなく所定の想起内容を指示し、運動教示の期間中における脳活動が「運動想像」でない場合は、ステップＳ１２０により、指示すべき想起内容を変更している。しかしながら、想起内容に指示方法は、このような例に限定されなくてもよい。例えば、被験者２毎の遷移パターンを示すデータベースを予め作成していてもよい。この場合、ステップＳ１０４では、演算装置２１０は、このデータベースを参照して、対象の被験者２に指示する想起内容を決定してもよい。
また、上記実施形態では、力覚提示デバイス８０の操作部８２が、所定の運動パターンの軌道（円軌道）に沿って動くことにより、被験者２の手の運動を案内し、これにより、被験者２は、所定の運動パターンに沿った運動を受動的に学習する。しかしながら、被験者の可動部位の動きを案内する方法は、このような例に限定されなくてもよい。例えば、このように所定の運動パターンの軌道から被験者の可動部位が外れようとする場合に、力覚提示デバイス８０が、被験者の可動部位をその軌道に戻すような力覚をフィードバックすることで、被験者の可動部位の動きを案内してもよい。また、この場合に、力覚提示デバイス８０は、被験者の可動部位をその軌道に戻すのではなく、より軌道から外れる方向に力覚をフィードバックすることで、被験者の可動部位の動きを案内してもよい。これらの方法によっても、所定の運動パターンの軌道を被験者に学習させることも可能である。また、被験者では不足する力をロボット側がアシストすることで目標運動を達成する制御手法である、いわゆる「Assist-as-needed」と呼ばれる学習方法を採用することも可能である。なお、上記実施形態では、運動パターンとして円軌道を例示した。しかしながら、運動パターンの種類は、円軌道に限定されなくてよい。運動パターンは、実施の形態に応じて適宜設定されてよい。この場合、再現度の算定方法等は、設定された運動パターンに応じて適宜決定されてよい。
＜９．実証実験＞
以下では、上述したような運動教示システム１０００による運動教示のシーケンスの妥当性を示す実証実験及び実験結果について説明する。
＜９．１ 実験条件＞
（ａ）運動教示ロボット
運動教示ロボットには、図１に示した力覚提示デバイスを用いた。力覚提示デバイスは、ハンドル（操作部）の位置を制御することができ、被験者が握った状態の当該ハンドルを、２次元平面内を目標軌道上でスムーズに動かすことが可能である。本実証実験では、被験者に対して、固有受容性のフィードバックのみが与えられ、視覚的な運動に関するフィードバックは無い。
（ｂ）被験者
被験者は、健常成人２０名・右利きであった。
（ｃ）被験者へのフィードバック
本実証実験では、運動の教示に関しては、力覚的なフィードバックのみを被験者に与えた。これは、学習において被験者が脳内で運動を生成する時に、力覚的なフィードバックと視覚のフィードバックとの双方を与えると、せっかく力覚的に学習した運動を視覚情報にとらわれることで忘れてしまうことが考えられるからである。各被験者には、運動教示前に、目標縁の大きさ及び目標軌道のカーソルをスクリーンに表示して、学習対象となる運動パターンの教示を行った。そして、ロボットに動かされている間(「Passive Movement: PM」と呼ぶ)は、目標円の大きさも、目標軌道のカーソルも表示しなかった。同様に、被験者が運動を生成する間(「Motor Execution: ME」と呼ぶ)は、目標円の大きさも、目標軌道のカーソルも表示しなかった。
（ｄ）実験の流れ
図８は、実験の流れを示す概念図である。本実証実験では、図８に示す手順に従って、各被験者のデコーダを作成し、運動教示前及び運動教示中の脳活動を計測し、運動教示後の運動生成の評価を行った。
（目標運動のデモンストレーションとベースライン計測）
まず、ステップＳ３００では、半径１０ｃｍの円を一周約１．５秒で描く２次元の目標軌道を決定し、被験者に対して、実験実施者が目標運動のデモンストレーションを５回行った。その後、被験者は、利き手と反対の手、すなわち左手で１５回連続して目標運動を生成し、ベースラインの計測を行った。計測時間は１回当たり５秒間とした。このとき、被験者への視覚的フィードバックは、手先位置を知ることはできないようになっている。
このままでは運動の良し悪しが判断できない。そこで、生成された運動は毎回評価され、運動生成後に１００点満点中何点だったかを被験者にフィードバックした。ロボットによる運動教示無しで、評価値だけを頼りに、目標運動を生成させた。被験者には、高得点を得られるよう努力するよう指示した。
（デコーダの作成）
次のＳ３０２では、システムに用いるデコーダを被験者毎に作成した。被験者には、安静状態を７秒間、運動想像を５秒間、交互に４０回ずつ行わせた。このときの脳波を脳波センサで計測し、トレーニングデータセットを収集した。１０回毎に休憩をはさんだ。運動想像を行う時間は、ベースライン計測時間と同じ時間とした。よって、被験者には、高得点だった時の運動を一回だけ想像するようインストラクションを与えた。この時の被験者への視覚的フィードバックは無い。安静状態時も運動想像時も注視点(＋印)を見るようインストラクションした。
デコーダの作成にあたっては、４０回分計測されたＥＥＧ信号を１０回１セットとして、交差検証を行った。周波数帯域７〜３０Ｈｚの信号をフィルタリングし、ノイズの多いチャンネルは取り除かれた。フィルタリング後の信号に上記ＣＳＰアルゴリズムを適用し、複数のＣＳＰフィルタを得た。続いて、上記特徴選択アルゴリズムにより、複数のＣＳＰフィルタの中から利用するＣＳＰフィルタを選択した。そして、安静状態は７秒間の平均値を、運動想像は５秒間の平均値を基にして、線形判別分析を行って、識別器を作成した。なお、２０名中５名については、特徴選択アルゴリズムにより選択されたＣＳＰフィルタは明らかに誤りであったため、利用するＣＳＰフィルタを手動により修正した。
図９Ａ及び図９Ｂは、選択されたＣＳＰフィルタにより運動想像の脳活動を観測した際のパワー変化の様子を示す。具体的には、図９Ａは、筋感覚的運動想像（ＫＭＩ；kinesthetic motor imagery）を行った被験者の脳活動を観測した際のパワー変化の様子を示す。一方、図９Ｂは、視覚的運動想像（ＶＭＩ；visual motor imagery）を行った被験者の脳活動を観測した際のパワー変化の様子を示す。
一般的に、運動想像には、２種類あることが知られている。１つ目のタイプは、１人称的な運動想像に応じて、感覚運動領域(sensorimotor area)上でのα及びβバンドのパワー変動（ＥＲＤ／ＥＲＳ）が見られる筋感覚的運動想像（ＫＭＩ；kinesthetic motor imagery）である。ここで、ＥＲＤとは、事象関連脱同期(ＥＲＤ：event-related desynchronization)であり、ＥＲＳとは、事象関連同期(ＥＲＳ：Event-Related Synchronization)である。
２つ目のタイプは、３人称的又は視覚入力が無い場合でも、視覚野に活動が見られる視覚的運動想像（ＶＭＩ；visual-motor imagery）である。本実証実験の後述する第１の検討では、図９Ａ及び図９Ｂに示される、筋感覚的運動イメージＫＭＩ及び視覚的運動イメージＶＭＩにそれぞれ該当するＣＳＰフィルタのみを対象とした。
［運動学習フェーズ］
（１回目の脳状態のコントロール）
図８に戻り、デコーダを作成した後、運動学習フェーズを実施した。まず、本実証実験では、ロボットにより受動的に運動を教えられる前に、被験者に５秒間、システムを使って脳状態の操作を行わせた（Ｓ３０４〜Ｓ３０８）。
ここでは、安静状態を行わせる条件を第１実験条件、運動想像を行わせる条件を第２実験条件と称した。それぞれの実験条件に１０名ずつ被験者をランダムに割り当てた。
自分の脳状態が安静状態になっているか運動想像になっているか被験者が確認できるように、ステップＳ２０２で作成したデコーダに被験者の脳波信号を通して、スクリーン上にバーで視覚的にそのデコード結果をフィードバックした（Ｓ３０６）。ただし、安静状態と運動想像とを分ける閾値は被験者には知らせず、バーが０に近いと安静状態、バーが１００に近いと運動想像ができているとのインストラクションを行った。また、なるべく注視点を見ながらコントロールを行わせ、バーは視界に入る程度で参考にするよう指示した。この脳状態のコントロールの結果に応じて、その後のシーケンスを変更した。
被験者の５秒間の脳波識別結果の平均値が閾値を下回る(第１実験条件)/上回れ(第２実験条件)ば（Ｓ３０８でＹ）、運動教示以降のシーケンスを実行するようにした（Ｓ３１０）。一方、閾値をクリアしなければ（Ｓ３０８でＮ）、７秒間の安静状態（バー表示無し）をはさんだのち、ステップＳ２０４の脳状態のコントロールから運動学習フェーズをやり直すようにした。
なお、各被験者には、対象の実験条件の脳状態の操作を行わせた後、別の方の実験条件の脳状態の操作を行わせた。すなわち、第１実験条件の脳状態の操作を行わせた被験者には第２実験条件の脳状態の操作を後に行わせ、第２実験条件の脳状態の操作を行わせた被験者には第１実験条件の脳状態の操作を後に行わせた。ただし、後に行った方のデータは、遷移パターンの検討を除くその他の検討の対象から除外した。
（ロボットによる運動教示）
先の脳状態のバーコントロールで閾値をクリア（Ｓ３０８でＹ）した後、ロボットによる目標運動の教示が直ちに開始されるようにした（Ｓ３１０）。ロボットのアームはＰＩＤ制御されており、被験者は受動的に手を動かされるようにした。安全のため一定以上の力を被験者がロボットに加えた場合は、ロボットは停止するように構成した。この時、被験者は描く円の大きさを視覚的に目視できず、また、ロボットの動きも目視することができない(図３)。したがって、本ステップＳ３１０では、視覚的な影響のない固有受容性トレーニングを実施した。
この時、被験者には、後で運動を正確に再現できるよう、位置・速度共に動かし方を覚えるようインストラクションを行った。被験者はロボットのハンドル部分（操作部）を握っており、肘置き等の腕の重さを支える治具は用いなかった。
（２回目の脳状態のコントロール）
ロボットによる運動教示が終わったらすぐに、２回目の脳状態コントロールを行うようにした（Ｓ３１２）。しかし、このステップＳ３１２でのバーコントロールでは閾値評価を設けず、閾値をクリアしなくても次のステップＳ３１４に移行するようにした。ただし、各被験者には、このステップＳ３１２において閾値評価が無いことを知らせなかった。各被験者には、第１実験条件及び第２実験条件それぞれの脳状態に近づくようにバーコントロールを行わせた。
（被験者による運動再現及びロボットによる計測）
運動教示を行ったロボットのハンドル部分を教示した運動パターンと同じように動かすように被験者に指示して、被験者により動かされているハンドル部分の軌道を計測した（Ｓ３１４）。この時、被験者はロボットの重さをほぼ感じることなく、低抵抗で運動を再現できるようにロボットの制御を行った。また、この時、スクリーンにより、被験者は自分の手の位置を目視することができないようにした。運動を再現した後に、１００点満点中何点の再現度であったかを被験者に提示した。
（繰り返し回数）
以上のＳ３０４からＳ３１４までの流れを繰り返し行った。被験者は少なくとも１５回ロボットによる運動教示を受け、１５回運動を再現する機会が与えられた。
Ｓ３０４〜Ｓ３０８の脳状態のコントロールによる条件切り替えのトライ回数が１５回毎に、１〜２分程度の休憩を随時はさんだ。被験者の脳状態コントロールの得意・不得意により、全体の実験時間および運動学習の時間的間隔は異なる。なお、運動学習と運動再現の時間的間隔は常に５秒間で一定である。
（ｅ）各実験条件における脳状態コントロールによるデコーダ識別結果
図１０は、第１実験条件の脳状態の操作及び第２実験条件の脳状態の操作をある被験者に行わせた際の識別器の出力を示す。上記のとおり、第１実験条件では、安静状態になるように被験者に脳状態をコントロールさせ、また第２実験条件では、運動想像になるように被験者に脳状態をコントロールさせた。図１０に示すとおり、第２実験条件のコントロールでは平均値が閾値よりも上回り、第１実験条件のコントロールでは平均値が閾値よりも下回った。そのため、デコーダは正しく作成されており、被験者は、バーの操作、すなわち、脳状態のコントロールを行うことができたことが分かった。
（ｆ）運動再現結果の目標軌道に対する誤差の計算式
図１１は、目標軌道と被験者の再現した軌道との誤差を説明するための概念図である。目標運動の軌跡を基準に、被験者が再現した運動を評価した。目標軌道が１２時のスタート位置から基準スタート円(半径３cm)を出た時点（ｔ＝ｔs）から、再び基準スタート円内に入るまでの時間(ｔ＝ｔe)を評価期間とした。その評価期間は約１．５秒間であった。被験者が再現した手先軌道（図１１中の実線）が１２時のスタート位置から基準スタート円を出た時点から１．５秒間の目標軌道（図１１中の点線）に対する平均誤差と標準誤差を、以下の式に従って計算した。そして、算出した平均誤差を、所定の計算式に従って１００点満点に換算した。
Figure 0006850026
 なお、当該平均誤差を以下「誤差」と称する。
（ｇ）運動教示中の脳活動状態と学習結果
図１２は、上記ステップＳ３０４〜Ｓ３１４の過程において、運動教示の前後に被験者に指示する想起内容を説明するための概念図である。図１２に示すように、上記の実験では、第１実験条件に指定した被験者には、運動教示の前後において脳状態を「安静状態」にコントロールするように指示した。一方、第２実験条件に指定した被験者には、運動教示の前後において脳状態を「運動想像」にコントロールするように指示した。各被験者には、運動教示の前後において、安静状態又は運動想像状態のいずれの状態であるとデコーダによりデコードされたかをスクリーン上のバーにより提示した。
そして、運動教示中の被験者の脳活動をデコーダにより判別した。運動教示中には、被験者に対して、統一インストラクションである「ロボットの動きを覚えてください」との表示をスクリーン上で行った。しかしながら、このような表示を行ったにも関わらず、運動教示中の脳活動のデコード結果は、運動想像及び安静状態の２クラスに分かれることが分かった。以下、その実験結果について説明する。
＜９．２ 第１の検討＞
第１に、以下の手順により、運動教示中の脳活動が運動の習得に影響を与えるか否かについて検討した。
（運動教示時の脳波の識別結果）
まず、運動教示中に取得された脳波信号のデコード結果に基づいて、各被験者の運動教示中における脳活動のクラスを分類した。すなわち、ロボットによる運動教示(Passive Movement: PM)が行われている約２秒間の脳波信号を被験者毎に作成したデコーダによりデコードした。それぞれの被験者の識別確率の閾値に比べて、デコーダの出力が低い場合は当該被験者の運動教示中の脳活動は安静状態であったとし、そのような被験者を「Low group」に分類した。一方、デコーダの出力が閾値よりも高い場合は、当該被験者の運動教示中の脳活動は運動想像であったとし、そのような被験者を「High group」に分類した。
図１３Ａは、安静状態のクラス（Low group）の代表的な被験者の運動教示中におけるデコーダの出力を示す。図１３Ｂは、運動想像のクラス（High group）の代表的な被験者の運動教示中におけるデコーダの出力を示す。図１３Ａ及び図１３Ｂに示す結果から、上記のとおり、運動教示中の脳活動のデコード結果は、運動想像及び安静状態の２クラスに分かれることが分かった。
また、図１４は、安静状態のクラス(Low group:９名)及び運動想像のクラス(High group:１１名)それぞれに属する被験者の運動教示中におけるデコーダの出力を示す。２０名の平均閾値（実線）に対して、それぞれのグループの平均出力は上下に分かれた。また、ウェルチのｔ検定により、両グループ間は有意に異なることが分かった（Ｐ＜０．０５）。この結果からも、運動教示中の脳活動のデコード結果が、運動想像及び安静状態の２クラスに分かれることが分かった。
（運動学習結果）
次に、各クラスについて、運動学習に差が生じるかを検討した。まず、個々の被験者がベースライン計測において１５回の運動を行った時(「ベースライン」と記載)の運動軌跡の各誤差の平均値を平均誤差として計算した。次に、運動学習フェーズ中において運動再現を行った時(「運動生成」と記載)の運動軌跡の誤差を運動再現毎に計算した（１５回分）。そして、各被験者の各運動再現の誤差とベースライン計測時の平均誤差との差分を算出し、算出した差分の平均値を運動成績として算出した。そのため、算出される値が小さくなるほど、運動再現（運動生成）がより精度よく行われたことを示す。
図１５Ａ及び図１５Ｂは、その計算結果、すなわち、運動教示中の脳活動の状態と運動生成の平均位置誤差との関係を示す。具体的には、図１５Ａは、運動想像として筋感覚的運動想像（ＫＭＩ）を行う被験者の運動教示中の脳活動の状態と運動再現の平均位置誤差（再現度）との関係を示す。一方、図１５Ｂは、運動想像として視覚的運動想像（ＶＭＩ）を行う被験者の運動教示中の脳活動の状態と運動再現の平均位置誤差（再現度）との関係を示す。縦軸に対して、ベースラインよりも運動再現時の結果がより下になると、再現した運動と目標運動との誤差が減り、良く学習できたことになる。
ＫＭＩ及びＶＭＩのいずれのグループにおいても、運動教示中の脳活動が「運動想像」に分類された被験者の方が、「安静状態」に分類された被験者よりも、再現した運動と目標運動との誤差がより小さくなることが分かった。また、ウェルチのｔ検定により、両グループ間の結果は有意に異なることが分かった（Ｐ＜０．０５）。以上の結果から、上記（１）の知見を得ることができた。
＜９．３ 第２の検討＞
第２に、運動の教示前の脳活動と教示中の脳活動との関係を検討した。上記のとおり、各被験者に対して、両実験条件で運動の教示を行った。そして、各実験条件での運動教示中の脳活動のデコード結果に基づいて、各被験者の脳活動の遷移パターンを分類した。図１３は、その結果を示す。
図１３は、教示前の脳活動の状態と教示中の脳活動の状態との関係（遷移パターン）を示す。図１３に示すとおり、教示前の脳活動の状態と教示中の脳活動の状態との関係は、少なくとも以下の４つの遷移パターンに分けられることが分かった。
１）遷移パターンＡ（上記（Ａ）の遷移パターン）
遷移パターンＡは、教示前の脳活動の状態が「運動想像（ＭＩ）」状態であるときは、教示中の脳活動の状態も「運動想像（High(MI)）」状態であり、教示前の脳活動の状態が「安静(Ｒｅｓｔ)」状態であるときは、教示中の脳活動の状態も「安静（Low(Rest)）」状態であるグループである。この遷移パターンＡには、２０人中６人が該当した。
２）遷移パターンＢ（上記（Ｂ）の遷移パターン）
教示前の脳活動の状態が「運動想像」状態であるときは、教示中の脳活動の状態は「安静」状態であり、教示前の脳活動の状態が「安静」状態であるときは、教示中の脳活動の状態は「運動想像」状態であるグループである。この遷移パターンＢには、２０人中２人が該当した。
３）遷移パターンＣ（上記（Ｃ）の遷移パターン）
教示前の脳活動の状態が「運動想像」状態であるときは、教示中の脳活動の状態は「運動想像」状態であり、教示前の脳活動の状態が「安静」状態であるときも、教示中の脳活動の状態は「運動想像」状態であるグループである。この遷移パターンＣには、２０人中６人が該当した。
４）遷移パターンＤ（上記（Ｄ）の遷移パターン）
教示前の脳活動の状態が「運動想像」状態であるときは、教示中の脳活動の状態は「安静」状態であり、教示前の脳活動の状態が「安静」状態であるときも、教示中の脳活動の状態は「安静」状態であるグループである。この遷移パターンＤには、２０人中６人が該当した。
以上の結果から、上記（２）の知見を得ることができた。また、図１５Ａ及び図１５Ｂの結果とも合わせると、被験者の脳活動の遷移パターンが、遷移パターンＡ、遷移パターンＢ又は遷移パターンＣのいずれかであるときは、運動教示中に被験者の脳活動を「運動想像」の状態にすることができるため、運動教示システム１０００による運動学習が効果的であると推定される。そこで、上記実施形態に係る運動教示システム１０００では、図５のフローチャートに示すような手順で、運動教示中の脳活動の状態が「運動想像」状態となるように誘導している。
＜９．４ 第３の検討＞
第３に、ＣＳＰフィルタを手動で選択した５名のデータを除外して、運動の教示前の脳活動と教示中の脳活動との関係を再度検討した。まず、各被験者について、上記のとおり、運動成績を算出した。次に、運動教示前の脳活動の状態の２つのクラスにより、１５名の被験者を分類した。そして、クラス毎に運動成績の平均値を算出した。図１７Ａは、その結果を示す。すなわち、図１７Ａは、特徴選択アルゴリズムによりＣＳＰフィルタの選択が行われた１５名の被験者の運動教示前の脳活動の状態と運動再現の平均位置誤差（再現度）との関係を示す。
次に、運動教示中の脳活動の状態の２つのクラスにより、１５名の被験者を分類した。そして、クラス毎に運動成績の平均値を算出した。図１７Ｂは、その結果を示す。すなわち、図１７Ｂは、特徴選択アルゴリズムによりＣＳＰフィルタの選択が行われた１５名の被験者の運動教示中の脳活動の状態と運動再現の平均位置誤差（再現度）との関係を示す。
ｔ検定により、図１７Ａで示す２つのグループ間には有意な差がないことが分かった（Ｐ＝０．７）。一方、図１７Ｂで示す２つのグループ間には有意な差があることが分かった（Ｐ＝０．０３４）。すなわち、図１７Ｂに示されるとおり、運動教示中に脳活動が「運動想像」の状態であると、対象の運動パターンの習得度合いが有意に向上することが分かった。これにより、特徴選択アルゴリズムでＣＳＰフィルタを選択した１５名の被験者にデータを絞っても、上記（１）の知見が正しいことが分かった。
＜９．５ 第４の検討＞
第４に、被験者の脳活動のタイプと運動教示中における脳活動の状態とが相互に作用し得るか否かを検討した。まず、各被験者の脳活動のタイプをグループ分けするため、特徴選択アルゴリズムによりＣＳＰフィルタの選択が行われた１５名の被験者について、各被験者のＣＳＰフィルタのクラスタリングを行った。各ＣＳＰフィルタ間の距離は、ユークリッド距離により定義した。また、クラスタリングには、ウォード（ward）法を用いた。
図１８は、１５名の被験者のＣＳＰフィルタをクラスタリングした結果を示す。図１８に示すクラスタリングの結果では、被験者「１３」のＣＳＰフィルタは除外され、残り１４名の被験者のＣＳＰフィルタが２つのグループに分類された。具体的には、Ｍ１付近に脳活動が集中しているＣＳＰフィルタのグループ（以下、「Ｆ（Focal）グループ」とも称する）と、Ｍ１付近に脳活動が集中していないＣＳＰフィルタのグループ（以下、「ＮＦ（Not-focal）グループ」とも称する）とに各ＣＳＰフィルタは分類された。Ｆグループに属する被験者は５名であり、ＮＦグループに属する被験者は９名であった。なお、ＣＳＰフィルタの各重みを脳のマップに対応付けることで、脳活動のタイプをＣＳＰマップとして可視化することができる。図１８で示す木構造の葉には、各被験者のＣＳＰマップを配置している。
次に、各被験者の運動の再現度について、以下の要因を考慮した分散分析を行った。
・要因Ａ：ＣＳＰフィルタのタイプ（Ｆグループ、ＮＦグループ）
・要因Ｂ：運動教示中に取得された脳波信号のデコード結果
・変量効果：運動教示中の脳活動の状態（「運動想像」であったか「安静状態」であったか）
その結果、ＣＳＰフィルタのグループを区別しない場合に、運動教示中の脳活動の状態が「運動想像」である場合には運動成績が向上するが（図１７Ｂ）、その運動成績の向上具合は、ＣＳＰフィルタがＦグループに属する場合とＮＦグループに属する場合との間で有意な差が生じることが分かった（Ｐ＝０．０４２）。これにより、上記（３）の知見を得ることができた。なお、本検討では、Ｆグループのタイプの脳活動を行う被験者が、運動教示中に「運動想像」を行った場合に、最も運動成績の向上が見られた。これにより、円を描く運動については、Ｆグループを最適グループに設定し、運動想像のクラスを推奨クラスに設定することで、最も効率よく習得可能と推定される。一方、脳活動のタイプがＮＦ（Non Focal）グループに属し、教示中にデコーダの出力が大きかった被験者については逆に習得度合いが低くなる傾向がみられた。これは、筋感覚的な運動想像と視覚的な運動想像とのタイプでは運動想像の度合いが脳活動の増減が逆転し、事象関連脱同期又は事象関連同期として現れることが一つの要因であると想定される。そのため、最適グループに属するタイプの脳活動を行う被験者が運動教示中に運動想像を行うと運動パターンの習得度合いが高くなるとは限られないと想定される。すなわち、最適グループに属するタイプの脳活動を行う被験者が運動教示中に運動想像以外（例えば、安静状態）を行うことで、運動パターンの習得度合いが最も良くなる可能性があると想定される。なお、デコーダに使用するＣＳＰフィルタを選択する際に、ＣＳＰアルゴリズムで生成された複数のＣＳＰフィルタにＦグループに属するＣＳＰフィルタが含まれる場合は、寄与度が小さくてもこれを選択し、デコーダ自体の操作訓練を実施することで、運動精度の向上が期待できる運動想像が習得できるようになることが期待できる。なお、デコーダ自体の操作訓練が可能であることは、例えば以下の公知文献６に開示されている。
・公知文献６：ERD-Based Online Brain？Machine Interfaces (BMI)in the Context of Neurorehabilitation: Optimizing BMI Learning and Performance
＜１０．その他＞
なお、今回開示された実施の形態は、本発明を具体的に実施するための構成の例示であって、本発明の技術的範囲を制限するものではない。本発明の技術的範囲は、実施の形態の説明ではなく、特許請求の範囲によって示されるものであり、特許請求の範囲の文言上の範囲及び均等の意味の範囲内での変更が含まれることが意図される。
２…被験者、１０…脳波センサ、
１２…信号取得モジュール、
２０…コンピュータ、
３０…訓練制御部、４０…脳活動分析部、
５０…制御モジュール、
７０…プロジェクタ、
８０…力覚提示デバイス、８２…操作部、
２０２…外部インタフェース、２１０…演算装置、
２１２…記憶装置、
４０２…フィルタ処理部、４０４…デコーダ、
４０６…特徴量抽出部、４１０…識別処理部、
４１２…判定部、４２０…学習処理部

Claims (12)

  1. 対象者の脳の活動を検知して、前記対象者の運動の訓練を支援する運動教示システムであって、
    前記対象者に対して、前記対象者の身体の可動部位の動きを案内して、所定の運動パターンに従う運動の教示を実行するように構成された操作装置と、
    前記対象者の脳活動を計測することで、脳活動信号を取得するように構成された計測装置と、
    前記操作装置による前記運動パターンの教示の動作を制御し、かつ前記脳活動信号をデコードすることで、運動想像のクラスを含む複数のクラスのいずれかに前記対象者の脳活動を分類するように構成された１又は複数のコンピュータと、
    を備え、
    前記１又は複数のコンピュータは、前記運動パターンの教示の動作を前記操作装置に実行させている期間中に前記計測装置により取得された前記脳活動信号をデコードした結果、前記運動パターンの教示期間中における前記対象者の脳活動が前記運動想像のクラスに分類されるか否かを出力する、
    前記１又は複数のコンピュータは、前記運動パターンの教示前から教示期間中への脳活動の複数の遷移パターンを示す情報を保持し、
    前記１又は複数のコンピュータは、前記複数の遷移パターンの中から前記対象者の遷移パターンを特定し、
    前記１又は複数のコンピュータは、特定した前記対象者の遷移パターンに基づいて、前記運動パターンの教示期間中における前記対象者の脳活動が前記運動想像のクラスに分類されるように、前記運動パターンの教示の前において前記対象者に対して想起させる想起内容を決定し、かつ
    前記１又は複数のコンピュータは、前記運動パターンの教示前に、決定した前記想起内容を出力する、
    運動教示システム。
  2. 前記１又は複数のコンピュータは、
    前記運動パターンの教示の前において、前記想起内容を想起するように前記対象者に指示し、
    前記運動パターンの教示の前に取得された前記脳活動信号をデコードした結果、前記対象者の脳活動が前記想起内容に対応するクラスに分類されたことに応じて、前記運動パターンを教示する動作の開始を前記操作装置に対して指示する、
    請求項１に記載の運動教示システム。
  3. 前記１又は複数のコンピュータは、前記運動パターンの教示の前においては、前記対象者の脳活動を分類した結果をフィードバックし、前記運動パターンの教示の期間中においては、前記対象者の脳活動を分類した結果をフィードバックしない、
    請求項１又は２に記載の運動教示システム。
  4. 前記１又は複数のコンピュータは、
    前記想起内容の想起を前記対象者に指示した後、前記計測装置により取得される前記脳活動信号をデコードした結果、前記対象者の脳活動が前記想起内容に対応するクラスに分類されたことに応じて、前記運動パターンの教示の動作を前記操作装置に実行させ、
    前記運動パターンの教示期間中において、前記計測装置により取得された前記脳活動信号をデコードした結果、前記対象者の脳活動が前記運動想像のクラス以外のクラスに分類された場合、前記対象者に指示する想起内容を変更し、
    変更した前記想起内容の想起を前記対象者に指示し、
    変更した前記想起内容の想起の指示の後、前記計測装置により取得される前記脳活動信号をデコードした結果、前記対象者の脳活動が変更した前記想起内容に対応するクラスに分類されたことに応じて、前記運動パターンの教示の動作を前記操作装置に再度実行させる、
    請求項２記載の運動教示システム。
  5. 前記想起内容は、安静状態または運動想像状態のいずれかである、
    請求項２から４のいずれか１項に記載の運動教示システム。
  6. 前記操作装置は、ロボットアームによる力覚提示装置である、
    請求項１から５のいずれか１項に記載の運動教示システム。
  7. 前記操作装置は、外骨格型ロボットである、
    請求項１から５のいずれか１項に記載の運動教示システム。
  8. 前記計測装置は、ドライ式電極を用いたワイヤレス型ヘッドセットを含む、
    請求項１から７のいずれか１項に記載の運動教示システム。
  9. 対象者に対して、前記対象者の身体の可動部位の動きを案内して、所定の運動パターンに従う運動の教示を実行するように構成された操作装置と、前記対象者の脳活動を計測することで、脳活動信号を取得するように構成された計測装置と、前記運動パターンの教示前から教示期間中への脳活動の遷移パターンを示す情報を保持する１又は複数の演算装置とを備えるシステムにより、対象者の脳の活動を検知して、前記対象者の運動の訓練を支援する運動教示方法であって、
    前記１又は複数の演算装置が、前記複数の遷移パターンの中から前記対象者の遷移パターンを特定するステップと、
    前記１又は複数の演算装置が、特定した前記対象者の遷移パターンに基づいて、前記運動パターンの教示期間中における前記対象者の脳活動が前記運動想像のクラスに分類されるように、前記運動パターンの教示の前において前記対象者に対して想起させる想起内容を決定するステップと、
    前記１又は複数の演算装置が、前記運動パターンの教示前に、決定した前記想起内容を前記対象者に対して想起するように指示するステップと、
    前記１又は複数の演算装置が、前記計測装置により取得される前記脳活動信号をデコードすることで、運動想像のクラスを含む複数のクラスのいずれかに前記対象者の脳活動を分類するステップと、
    前記１又は複数の演算装置が、前記運動パターンの教示の前に取得された前記脳活動信号をデコードした結果、前記対象者の脳活動が前記想起内容に対応するクラスに分類されたことに応じて、前記運動パターンを教示する動作を前記操作装置に対して実行させるステップと、
    を備える、
    運動教示方法。
  10. 対象者の脳の活動を検知して、前記対象者の運動の訓練を支援する運動教示システムであって、
    前記対象者に対して、前記対象者の身体の可動部位の動きを案内して、所定の運動パターンに従う運動の教示を実行するように構成された操作装置と、
    前記対象者の脳活動を計測することで、脳活動信号を取得するように構成された計測装置と、
    前記操作装置による前記運動パターンの教示の動作を制御し、かつ前記脳活動信号をデコードすることで、運動想像のクラスを含む複数のクラスのいずれかに前記対象者の脳活動を分類するように構成された１又は複数のコンピュータと、
    を備え、
    前記１又は複数のコンピュータが、
    前記操作装置による前記運動パターンの教示の前に、前記対象者について、前記運動想像を行っているときの脳活動信号とそれ以外の想像を行っているときの脳活動信号との組をトレーニングデータセットとして取得する第１ステップと、
    前記トレーニングデータセットに基づいて、前記対象者の脳活動をデコードするのに利用する空間フィルタを作成する第２ステップと、
    作成された前記空間フィルタが、前記運動パターンの習得度合いのもっとも高い対象者の空間フィルタが属するグループとして特定された最適グループに属するか否かを判定する第３ステップと、
    作成された前記空間フィルタが前記最適グループに属する場合に、前記操作装置による前記運動パターンの教示を開始する第４ステップと、
    を実行する、
    運動教示システム。
  11. 前記１又は複数のコンピュータは、作成された前記空間フィルタが前記最適グループに属さない場合に、前記第１ステップ、前記第２ステップ、及び前記第３ステップを再度実行する、
    請求項１０に記載の運動教示システム。
  12. 前記最適グループには、前記運動パターンの教示期間中に推奨する脳活動が分類される推奨クラスが紐付けられており、
    前記１又は複数のコンピュータは、前記運動パターンの教示期間中における前記対象者の脳活動が、前記最適グループに紐付けられた前記推奨クラスに分類されるように、前記運動パターンの教示の前において前記対象者に対して想起させる想起内容を出力する、
    請求項１０又は１１に記載の運動教示システム。
JP2018521765A 2016-06-08 2017-06-07 運動教示システム及び運動教示方法 Active JP6850026B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2016114200 2016-06-08
JP2016114200 2016-06-08
PCT/JP2017/021213 WO2017213202A1 (ja) 2016-06-08 2017-06-07 運動教示システム及び運動教示方法

Publications (2)

Publication Number Publication Date
JPWO2017213202A1 JPWO2017213202A1 (ja) 2019-04-11
JP6850026B2 true JP6850026B2 (ja) 2021-03-31

Family

ID=60577914

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018521765A Active JP6850026B2 (ja) 2016-06-08 2017-06-07 運動教示システム及び運動教示方法

Country Status (5)

Country Link
US (1) US11890246B2 (ja)
EP (1) EP3470041A4 (ja)
JP (1) JP6850026B2 (ja)
CN (1) CN109310561B (ja)
WO (1) WO2017213202A1 (ja)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108304068B (zh) * 2018-01-30 2021-11-16 山东建筑大学 一种基于脑机接口的上肢康复训练机器人控制系统及方法
JP7072853B2 (ja) * 2018-07-13 2022-05-23 学校法人 中村産業学園 運動訓練システム、制御方法、及びプログラム
CN109925675B (zh) * 2019-01-15 2020-08-25 河南翔宇医疗设备股份有限公司 智能磨砂板触摸屏视觉同步方法、装置、系统及移动终端
CN110038270A (zh) * 2019-05-14 2019-07-23 上海大学 一种上肢单臂康复训练机器人人机交互系统及方法
WO2021072367A1 (en) * 2019-10-11 2021-04-15 Neurolutions, Inc. Orthosis systems and rehabilitation of impaired body parts
CN110900638B (zh) * 2019-10-31 2022-10-14 东北大学 基于多信号融合的上肢可穿戴式搬运机器人运动识别系统
CN111728822B (zh) * 2020-07-24 2021-11-26 清华大学 用于脑损伤后的脑机交互闭环康复机器人控制方法
WO2022145258A1 (ja) * 2020-12-28 2022-07-07 国立研究開発法人科学技術振興機構 運動教示装置、運動教示システム、運動教示方法およびプログラム
CN113398422B (zh) * 2021-07-19 2022-08-19 燕山大学 基于运动想象-脑机接口和虚拟现实的康复训练系统及方法
DE102021208910A1 (de) * 2021-08-13 2023-02-16 Festool Gmbh Exoskelett-Vorrichtung und Verfahren
CN113908492A (zh) * 2021-11-24 2022-01-11 滨州职业学院 一种体育舞蹈用下肢力量训练装置

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006072606A (ja) * 2004-09-01 2006-03-16 National Institute Of Information & Communication Technology インターフェイス装置、インターフェイス方法及びその装置を用いた制御訓練装置
JP2006247280A (ja) 2005-03-14 2006-09-21 Osaka Univ 上肢リハビリ装置
EP2211986B1 (en) * 2007-10-16 2013-11-20 Medtronic, Inc. Therapy control based on a patient movement state
US8523792B2 (en) * 2009-09-22 2013-09-03 Mount Sinai School Of Medicine Rehabilitative training devices for use by stroke patients
JP5467267B2 (ja) 2010-03-05 2014-04-09 国立大学法人大阪大学 機器制御装置、機器システム、機器制御方法、機器制御プログラム、および記録媒体
JP5320543B2 (ja) 2011-11-08 2013-10-23 株式会社国際電気通信基礎技術研究所 脳機能亢進支援装置および脳機能亢進支援方法
KR101394953B1 (ko) * 2012-09-24 2014-05-14 재단법인대구경북과학기술원 재활로봇 제어 장치 및 그 제어 방법
KR101566788B1 (ko) * 2012-11-16 2015-11-09 삼육대학교산학협력단 하지기능 및 보행기능을 위한 뇌-컴퓨터 인터페이스를 기반한 기능적 전기자극치료기
JP6142146B2 (ja) 2012-11-28 2017-06-07 株式会社国際電気通信基礎技術研究所 外骨格型ロボットおよびリハビリテーション装置
JP6489018B2 (ja) 2013-10-10 2019-03-27 株式会社島津製作所 リハビリテーション支援システムおよび脳機能計測装置
CN104706495A (zh) 2013-12-11 2015-06-17 中国科学院宁波材料技术与工程研究所 基于脑机接口的肢体训练机器人及训练方法
US10111603B2 (en) 2014-01-13 2018-10-30 Vincent James Macri Apparatus, method and system for pre-action therapy
WO2015152122A1 (ja) 2014-04-04 2015-10-08 北海道公立大学法人札幌医科大学 リハビリテーション用装置、これを備えたリハビリテーションシステム、リハビリテーション用プログラムおよびリハビリテーション方法
JP6536870B2 (ja) 2014-06-30 2019-07-03 パナソニック株式会社 リハビリテーションシステムおよびリハビリテーションシステムの制御方法
JP6297951B2 (ja) 2014-09-11 2018-03-20 トヨタ自動車株式会社 運動推定装置

Also Published As

Publication number Publication date
WO2017213202A1 (ja) 2017-12-14
EP3470041A1 (en) 2019-04-17
EP3470041A4 (en) 2020-06-17
CN109310561B (zh) 2021-04-09
CN109310561A (zh) 2019-02-05
US11890246B2 (en) 2024-02-06
US20190125612A1 (en) 2019-05-02
JPWO2017213202A1 (ja) 2019-04-11

Similar Documents

Publication Publication Date Title
JP6850026B2 (ja) 運動教示システム及び運動教示方法
JP7103078B2 (ja) 作業支援装置、作業支援方法及び作業支援プログラム
Hong et al. Feature extraction and classification methods for hybrid fNIRS-EEG brain-computer interfaces
Lee et al. Using a low-cost electroencephalograph for task classification in HCI research
Krepki et al. Berlin brain–computer interface—The HCI communication channel for discovery
JP2021511567A (ja) 高速、正確、且つ直感的なユーザ対話のための適合を伴う脳−コンピュータインタフェース
Junwei et al. Brain computer interface for neurodegenerative person using electroencephalogram
Sarac et al. Brain computer interface based robotic rehabilitation with online modification of task speed
Amirabdollahian et al. Application of support vector machines in detecting hand grasp gestures using a commercially off the shelf wireless myoelectric armband
JP7070253B2 (ja) パフォーマンス計測装置、パフォーマンス計測方法及びパフォーマンス計測プログラム
Zou et al. EEG feature extraction and pattern classification based on motor imagery in brain-computer interface
Marusic et al. Evaluating Kinect, OpenPose and BlazePose for Human Body Movement Analysis on a Low Back Pain Physical Rehabilitation Dataset
Lee et al. Motor imagery classification of single-arm tasks using convolutional neural network based on feature refining
Petoku et al. Object movement motor imagery for EEG based BCI system using convolutional neural networks
Ahmed et al. A non Invasive Brain-Computer-Interface for Service Robotics
Xing et al. The development of EEG-based brain computer interfaces: potential and challenges
Shoryabi et al. A Novel Neural Approach For Classification of EEG Signals for Brain-Computer Interface
He et al. Channel and trials selection for reducing covariate shift in EEG-based brain-computer interfaces
Rakshit et al. Robotic link position control using brain computer interface
Henshaw Improved brain-computer interface methods with application to gaming
Jiralerspong et al. Spectral analysis and artificial neural network based classification of three mental states for brain machine interface applications
Alzoubi Automatic affect detection from physiological signals: Practical issues
Lin et al. Lower limb rehabilitation exoskeleton using brain–computer interface based on multiband filtering with classifier fusion
Teich Designing a Brain Computer Interface Using an Affordable EEG Headset
Kanumuru Application of Deep Neural Networks in Electroencephalography (EEG): Classification of User Intention

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180703

A529 Written submission of copy of amendment under article 34 pct

Free format text: JAPANESE INTERMEDIATE CODE: A5211

Effective date: 20180703

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20180703

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200317

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200317

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: 20210202

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210226

R150 Certificate of patent or registration of utility model

Ref document number: 6850026

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250