JP6958486B2 - 咀嚼側を判定するための学習モデル生成装置、その方法およびプログラム、ならびに咀嚼側判定装置、その方法およびプログラム - Google Patents

Description

この発明の一態様は、ユーザの咀嚼側を判定するための学習モデル生成装置、その方法およびプログラム、咀嚼側判定装置、その方法およびプログラムに関する。

食事などの咀嚼活動において、ヒトは、虫歯などによる痛みや利き顎の影響により、左右のどちらか一方に偏って食べ物を噛むことがある。咀嚼の際に主に使用されている側は咀嚼側と呼ばれ、咀嚼の偏りは偏咀嚼と呼ばれる。このような偏咀嚼は、顎の歪みを引き起こし、顔の歪みや顎関節症、さらには肩こりや頭痛をもまねくことがある。したがって、偏咀嚼の早期発見のため、ユーザの日常的な咀嚼運動の習慣を把握することが有用と考えられる。

簡易に咀嚼習慣を推定する手法として、咀嚼時の左右の筋活動を測定する方法が知られている（非特許文献１参照）。例えば、ディスポーザブル電極を左右の咀嚼筋（咬筋または側頭筋）に設置して筋電位を計測すると、右側で咀嚼した場合は右側の筋電位の振幅が大きくなり、左側で咀嚼した場合は左側の筋電位の振幅が大きくなる。

Yo Yamasaki et al., "Objective assessment of actual chewing side by measurement of bilateral masseter muscle electromyography", Archives of Oral Biology, Volume 60, Issue 12, December 2015, Pages 1756-1762

ところが、咀嚼習慣の推定のために筋活動を日常的に長期間モニタリングする場合、ノイズの混入が推定結果に大きく影響する可能性がある。例えば、身体が動いたり電極がずれたりして皮膚と電極の接触状況が変化すると筋電センサの測定値（電位）が変化することが知られているが、これを筋電位として解析してしまうと、推定結果の信頼性が低くなると考えられる。長期間モニタリング用にディスポーザブル電極ではなく布電極を用いる場合、この影響が特に顕著となる。

また、筋電位の振幅は、皮膚と電極の接触インピーダンス（皮膚インピーダンス）の影響により変化する。皮膚インピーダンスは外気の湿度やヒトの汗により容易に変化するため、筋電位の振幅を指標として咀嚼側を判定しようとする場合、これらの影響により誤判定する可能性も考えられる。

本発明は上記事情に着目してなされたもので、その目的とするところは、咀嚼筋の表面筋電位に基づいてユーザの咀嚼側を判定するための信頼性の高い技術を提供することにある。

上記課題を解決するためにこの発明の第１の態様は、学習モデル生成装置において、ユーザの咀嚼動作に係る左右の筋肉にそれぞれ由来する第１および第２の筋電波形を取得し、上記第１および第２の筋電波形の各々から抽出される情報の相関係数を学習用の第１の特徴量として算出し、上記第１の筋電波形を周波数解析して得られるパワースペクトルから学習用の第２の特徴量を算出し、上記第２の筋電波形を周波数解析して得られるパワースペクトルから学習用の第３の特徴量を算出し、上記学習用の第１、第２および第３の特徴量と、上記ユーザの咀嚼側を区別するための複数のラベルとを対応付けて学習モデルを生成するようにしたものである。

この発明の第２の態様は、上記第１の態様の学習モデル生成装置によって生成された学習モデルを用いてユーザの咀嚼側を判定する咀嚼側判定装置において、上記ユーザの咀嚼動作に係る左右の筋肉にそれぞれ由来する第１および第２の筋電波形を取得し、上記第１および第２の筋電波形の各々から抽出される情報の相関係数を判定用の第１の特徴量として算出し、上記第１の筋電波形を周波数解析して得られるパワースペクトルから判定用の第２の特徴量を算出し、上記第２の筋電波形を周波数解析して得られるパワースペクトルから判定用の第３の特徴量を算出し、上記学習モデルを参照して、上記判定用の第１、第２および第３の特徴量に基づいて、上記ユーザの咀嚼側を判定するようにしたものである。

この発明の第３の態様は、上記第２の態様において、上記判定用の第１、第２および第３の特徴量に基づいて、所定の単位時間幅ごとに上記判定用の第１、第２および第３の特徴量が正常値であるか異常値であるかの異常値判定をさらに行い、正常値であると判定された単位時間幅についてのみ咀嚼側の判定を行うようにしたものである。

この発明の第４の態様は、上記第３の態様において、教師なし学習モデルを用いて上記異常値判定を行うようにしたものである。

この発明の第１の態様によれば、学習用の特徴量として、ユーザの左右の咀嚼筋の各々に由来する筋電波形に関する相関係数と、左右の咀嚼筋に由来する筋電波形の各々を周波数解析して得られたパワースペクトルから算出される値とを採用し、それらの特徴量をユーザの咀嚼側を区別するためのラベルに対応付けることによって学習モデルが生成される。このように、学習モデルの生成において、皮膚インピーダンスの影響を受けやすい筋電位の振幅を用いずに、皮膚インピーダンスの変化に比較的ロバストな特徴量を用いたので、計測状況の影響を受けにくい信頼性の高い学習モデルを得ることができる。

この発明の第２の態様によれば、上記のように生成された学習モデルを参照し、ユーザの左右の咀嚼筋の各々に由来する筋電波形に関する相関係数と、左右の咀嚼筋に由来する筋電波形の各々を周波数解析して得られたパワースペクトルから算出される値とを判定用の特徴量として用いることにより、上記ラベルに基づいて咀嚼側が判定される。このように、学習モデルの生成および分類判定に用いる特徴量として、皮膚インピーダンスの変化に比較的ロバストな特徴量を用いたので、皮膚インピーダンスの変化に起因する誤判定の確率が低減された、信頼性の高い判定結果を得ることができる。

この発明の第３の態様によれば、上記のような３つの特徴量に基づいて、単位時間幅ごとに正常値か異常値かの判定が行われ、正常値と判定された単位時間幅のデータについてのみ咀嚼側の判定が行われる。このように、皮膚インピーダンスの変化に比較的ロバストな特徴量を用いるので、異常検知の信頼性を高めることができる。またこれにより、単位時間幅ごとに、異常値（すなわちノイズ）と判定されたデータを排除して、正常値（すなわち筋電由来）と判定されたデータのみを咀嚼側の判定に用いることができるので、ノイズに起因する誤判定の確率をさらに低減し、より信頼性の高い咀嚼側判定を実現することができる。また、咀嚼側の判定に用いる対象データを必要最小限に抑えることができるので、システムの処理負荷を軽減することもできる。

この発明の第４の態様によれば、上記異常値判定が教師なし学習モデルを用いて行われる。これにより、正常値か異常値かを人間が判定困難なデータについても、あらかじめラベル付けする必要なしに、機械学習により容易に異常値か否かの判定を行うことができる。これにより、複雑な処理を要することなく、対象データから異常値を判別して解析対象から除外することのできる、信頼性の高い咀嚼側判定を実現することができる。

すなわちこの発明の各態様によれば、咀嚼筋の表面筋電位に基づいてユーザの咀嚼側を判定するための信頼性の高い技術を提供することができる。

図１は、この開示の一実施形態に係る咀嚼側判定装置を備えたシステムの全体構成図である。 図２は、この開示の一実施形態に係る咀嚼側判定装置の機能構成を示すブロック図である。 図３は、図２に示した咀嚼側判定装置における学習モデル生成の手順と処理内容を示すフローチャートである。 図４は、図２に示した咀嚼側判定装置における咀嚼側判定の手順と処理内容を示すフローチャートである。 図５は、この開示の一実施形態に係る咀嚼側判定装置を用いた異常値判定の検証結果を示す図である。 図６は、この開示の一実施形態に係る咀嚼側判定装置を用いた咀嚼側判定の検証結果を示す図である。

以下、図面を参照してこの発明に係わる実施形態について説明する。
［一実施形態］
（構成）
図１は、この発明の一実施形態に係る咀嚼側判定装置を備えたシステムの全体構成図である。このシステムは、咀嚼側判定装置１と、筋電センサ２と、電極３Ｌ１，３Ｌ２，３Ｒ１，３Ｒ２，３Ｇとを備えている。

図１に示すように、一実施形態では、ユーザの左側頭筋上および右側頭筋上の各皮膚面にそれぞれ電極３Ｌ１と３Ｌ２および電極３Ｒ１と３Ｒ２が貼付され、ユーザの額中央部の表面上にグランド用の電極３Ｇが貼付される。左側頭筋および右側頭筋は、例えば咀嚼運動を行うための筋肉の１つであり、こめかみ付近に位置している。

表面筋電図（ｓＥＭＧ：surface Electromyography）は、一般に、筋線維の走行方向に沿って設置された２つの電極間の電位差の時間的推移を表したものである。これら２つの電極間の距離は、計測対象の筋の大きさに応じて２０ｍｍ〜４０ｍｍ程度に設定される。グランド用の電極３Ｇの設置位置は厳密に決める必要はなく、一般に筋のない部位の皮膚上に設置される。

電極３Ｌ１と３Ｌ２（まとめて「電極３Ｌ」と言う。）および電極３Ｒ１と３Ｒ２（まとめて「電極３Ｒ」と言う。）は、例えば電極サイズが３０ｍｍ×３０ｍｍの布電極からなり、それぞれ左側頭筋および右側頭筋の筋活動を表す電位信号をＶ_L1，Ｖ_L2，Ｖ_R1，Ｖ_R2（まとめて「筋電位信号Ｖ」と言う。）として出力する。グランド用の電極３Ｇは基準電位を表す信号Ｖ_REFを出力する。これらの筋電位信号Ｖおよび基準電位信号Ｖ_REFは、例えば信号ケーブルを介して筋電センサ２に送られる。

なお、電極３Ｌ，３Ｒ，３Ｇに、例えばBluetooth（登録商標）等の小電力無線データ通信規格を採用した無線ユニットを付設し、これにより筋電位信号Ｖおよび基準電位信号Ｖ_REFを筋電センサ２に対し無線送信するように構成してもよい。また、電極３Ｌ，３Ｒの貼付位置は、左右の咀嚼筋上で任意に選択することができ、さらに電極３Ｌ，３Ｒ，３Ｇのサイズや形状、材質、貼付手段等についても、表面筋電図を計測可能なものであれば如何なるものであってもよい。また、電極３Ｌ，３Ｒ，３Ｇは前置増幅器と一体化されたものであってもよい。

筋電センサ２は、電極３Ｌ，３Ｒ，３Ｇを用いて計測された筋電位信号Ｖおよび基準電位信号Ｖ_REFに対して所定の処理を行って咀嚼側判定装置１に出力する。例えば、筋電センサ２は、入力された左右の筋電位信号Ｖ_L1，Ｖ_L2，Ｖ_R1，Ｖ_R2と基準電位信号Ｖ_REFとに基づいて、筋電位信号Ｖ_L1とＶ_L2の電位差およびＶ_R1とＶ_R2の電位差から、左右それぞれの表面筋電図を表す信号を取得し、その各々を増幅し（例えば増幅率１０００倍）、バンドパスフィルタ処理を行い、ＡＤ変換した後、ディジタル信号Ｓ_L,Ｓ_Rとして咀嚼側判定装置１に出力することができる。ただし、筋電センサ２は、独立した装置である必要はなく、電極３Ｌ，３Ｒ，３Ｇと一体化されてもよく、咀嚼側判定装置１と一体化されてもよい。

咀嚼側判定装置１は、例えばパーソナルコンピュータを用いたもので、以下のように構成される。図２はそのハードウェアおよびソフトウェアの機能構成を示すブロック図である。

咀嚼側判定装置１は、入出力インタフェースユニット１０と、処理ユニット２０と、記憶ユニット３０とを備える。

入出力インタフェースユニット１０は、筋電センサ２から出力されたディジタル信号Ｓ_L,Ｓ_Rを受け取って筋電図データ（以下、「筋電波形」とも言う。）として処理ユニット２０に出力するとともに、処理ユニット２０から出力された判定結果を外部デバイスへ出力する機能も備える。外部デバイスとしては、例えば表示器を備えたユーザ端末や、計測データをもとにユーザの咀嚼運動等を判定するパーソナルコンピュータやサーバ等の情報処理装置が想定される。

記憶ユニット３０は、例えば、記憶媒体としてＨＤＤ（Hard Disk Drive）またはＳＳＤ（Solid State Drive）等の随時書込および読出しが可能な不揮発性メモリとＲＡＭ等の揮発性メモリを使用したもので、その記憶領域には、プログラム記憶部に加え、筋電図データ記憶部３１と、特徴量記憶部３２と、異常値判定用学習モデル記憶部３３と、分類用学習モデル記憶部３４とが設けられている。

筋電図データ記憶部３１は、取得された筋電図データを時系列に従って記憶する。筋電図データ記憶部３１は、また、例えば図示しない入力部を介してユーザによって入力された、筋電図データが取得されたときのユーザの咀嚼の状態（咀嚼側）を区別する情報も記憶することができる。

特徴量記憶部３２は、筋電図データをもとに算出された特徴量を記憶する。特徴量記憶部３２は、また、算出された特徴量を、咀嚼側を区別する情報に対応付けて記憶することができる。

異常値判定用学習モデル記憶部３３は、上記特徴量に基づいて生成された、異常値判定処理の際に参照される異常値判定用学習モデルを記憶する。

分類用学習モデル記憶部３４は、上記特徴量と咀嚼側を区別する情報とに基づいて生成された、咀嚼側を判定するための分類処理の際に参照される分類用学習モデルを記憶する。

処理ユニット２０は、図示しないＣＰＵ（Central Processing Unit）等のハードウェアプロセッサとメモリとを有し、この実施形態を実施するために必要な処理機能として、データ取得部２１と、データ処理部２２と、特徴量算出部２３と、学習モデル生成部２４と、判定部２５とを備えている。これらの処理機能は、いずれも上記記憶ユニット３０に格納されたプログラムを上記プロセッサに実行させることにより実現される。

データ取得部２１は、入出力インタフェースユニット１０から、上記左右の各側頭筋の動きを表す筋電図データを取り込み、これらの筋電図データを時系列に従い筋電図データ記憶部３１に格納する処理を行う。このとき、データ取得部２１は、例えば図示しない入力部を介して咀嚼側判定装置１のユーザまたはオペレータ等によって入力された、筋電位計測時のユーザの咀嚼側を区別する情報も取得することができる。この情報は、筋電図データに対応付けて前記筋電図データ記憶部３１に格納され、のちに、教師あり学習において正解ラベルとして使用されることができる。

データ処理部２２は、筋電図データ記憶部３１から筋電図データを読み出し、所定の処理を行う。例えば、データ処理部２２は、体動等によるノイズ成分を除去するために周波数通過帯域が予め設定されたバンドパスフィルタ処理機能を有する。そして、上記筋電図データ記憶部３１から読み出された筋電図データに対し上記バンドパスフィルタ処理を行うことで、上記データから体動等によるノイズ成分を除去する。

特徴量算出部２３は、上記データ処理部２２によりフィルタリング処理された筋電図データに対し所定の時間幅を有する窓を設定し、この窓ごとに筋電波形の特徴量を算出し、算出された特徴量を特徴量記憶部３２に格納する処理を行う。この実施形態では、特徴量算出部２３は、相関係数（特徴量Ｆ１）算出部２３１、右周波数パラメータ（特徴量Ｆ２）算出部２３２、左周波数パラメータ（特徴量Ｆ３）算出部２３３を備える。算出された３つの特徴量Ｆ１，Ｆ２，Ｆ３は、特徴量記憶部３２に格納される。このとき、特徴量Ｆ１，Ｆ２，Ｆ３は、ユーザの咀嚼側を区別する情報と対応付けて格納されることもできる。

相関係数算出部２３１は、特徴量Ｆ１として、上記所定の時間幅を有する窓ごとに、左右の各側頭筋の筋電波形に対して二乗平均平方根（ＲＭＳ：Root Mean Square）処理を施したのち、左右の筋電波形の各々から抽出される情報の相関を表す相関係数を算出する処理を行う。例えば、相関係数算出部２３１は、特徴量Ｆ１として、ＲＭＳ処理した筋電波形から、あらかじめ設定された一定の窓幅について左右の筋電位の絶対値間の相互相関係数を算出する。

右周波数パラメータ算出部２３２は、右側頭筋上の電極３Ｒを介して取得された筋電波形を周波数解析し、その周波数解析により得られたパワースペクトルから特徴量Ｆ２を算出する処理を行う。例えば、右周波数パラメータ算出部２３２は、特徴量Ｆ２として、右側頭筋の筋電波形のパワースペクトルから周波数中央値（ＭＦ：Median Power Frequency）を算出する。

左周波数パラメータ算出部２３３は、左側頭筋上の電極３Ｌを介して取得された筋電波形を周波数解析し、その周波数解析により得られたパワースペクトルから特徴量Ｆ３を算出する処理を行う。例えば、左周波数パラメータ算出部２３３は、特徴量Ｆ３として、左側頭筋の筋電波形のパワースペクトルから周波数中央値を算出する処理を行う。

学習モデル生成部２４は、特徴量算出部２３によって算出され特徴量記憶部３２に記憶された特徴量Ｆ１〜Ｆ３をもとに学習モデルを生成するもので、異常値判定用学習モデル生成部２４１と、分類用学習モデル生成部２４２とを備える。

異常値判定用学習モデル生成部２４１は、特徴量Ｆ１〜Ｆ３をもとに、異常値を判定するための学習モデルを生成し、異常値判定用学習モデル記憶部３３に格納する処理を行う。

分類用学習モデル生成部２４２は、特徴量Ｆ１〜Ｆ３と、当該特徴量に対応付けられた咀嚼側を区別する情報とをもとに、咀嚼側を判定する際に参照するための分類用学習モデルを生成し、分類用学習モデル記憶部３４に格納する処理を行う。

判定部２５は、新たに取得されたデータをもとに、あらかじめ生成された学習モデルを参照して判定を行うもので、異常値判定部２５１と、分類判定部２５２とを備える。

異常値判定部２５１は、異常値判定用学習モデル記憶部３３に記憶された異常値判定用学習モデルを参照して、新たに計測された筋電図データ（筋電波形）から算出された特徴量Ｆ１〜Ｆ３に基づき、所定の単位窓ごとに異常値判定の処理を行う。例えば、異常値判定部２５１は、１クラスサポートベクトルマシン（Ｏｎｅ−Ｃｌａｓｓ ＳＶＭ）などの異常検知（外れ値検知）アルゴリズムを用いて、新たに取得されたデータが正常値であるか異常値であるかを判定することができる。

分類判定部２５２は、分類用学習モデル記憶部３４に記憶された分類用学習モデルを参照して、新たに計測された筋電図データ（筋電波形）から算出された特徴量Ｆ１〜Ｆ３に基づき、所定の単位窓ごとに、分類判定、すなわち咀嚼側を判定する処理を行う。例えば、分類判定部２５２は、ｋ近傍法などの分類判別アルゴリズムを用いて、新たに取得されたデータがいずれのクラス（例えば、両側咀嚼、右側咀嚼、または左側咀嚼）に属するかを判定することができる。

（動作）
次に、以上のように構成された咀嚼側判定装置１による学習モデル生成および咀嚼側判定の動作について説明する。

（１）学習モデルの生成
はじめに、咀嚼側判定装置１は、筋電図データから算出される特徴量に基づいて、学習モデルを生成する処理を行う。ここでは、学習モデルとして、異常検知のための異常値判定用学習モデルと、分類判定のための分類用学習モデルとが生成される。

（１−１）学習用データの取得
（１−１−１）表面筋電図の計測
図１に例示したように、ユーザの左右の側頭筋上の皮膚にそれぞれ２枚の布電極３Ｌ１，３Ｌ２，３Ｒ１，３Ｒ２を貼付し、ユーザの額中央部の皮膚にグランド用の電極３Ｇを貼付する。ラベル付けのため、例えば、ユーザの口内の左右両側にチューインガムをおいて両側咀嚼、右側だけにチューインガムをおいて片側咀嚼、左側だけにチューインガムをおいて片側咀嚼などの条件を設定して、ユーザに咀嚼動作をさせる。そして、これら各々の条件下で上記各電極により検出された表面筋電位Ｖ_L1，Ｖ_L2，Ｖ_R1，Ｖ_R2，Ｖ_REFに対し、筋電センサ２により、増幅、フィルタ処理、およびアナログディジタル変換等の所定の処理を施した後、左右の筋電図データそれぞれを表すディジタル信号Ｓ_L,Ｓ_Rとして咀嚼側判定装置１へと出力する。なお、上記咀嚼条件は、例えば図示しない入力部などによりユーザが咀嚼側判定装置１に入力し、時間情報とともにデータまたは特徴量に対応付けて記憶させることができる。

図３は、一実施形態に係る咀嚼側判定装置１による学習モデル生成の処理手順と処理内容を示すフローチャートである。

咀嚼側判定装置１の処理ユニット２０は、ステップＳ３０１により筋電図データの受信の有無を監視している。この状態で、筋電センサ２から筋電図データが送られると、咀嚼側判定装置１は、データ取得部２１の制御の下、ステップＳ３０２において、ディジタル信号Ｓ_L,Ｓ_Rを、入出力インタフェースユニット１０から所定の時間にわたって順次取込み、時系列に従って筋電図データ記憶部３１に記憶させる。例えば、データ取得部２１では、サンプリングレート１０００Ｈｚで信号Ｓ_L，Ｓ_Rのサンプリングが行われる。

次に咀嚼側判定装置１の処理ユニット２０は、データ処理部２２の制御の下、ステップＳ３０３において、上記筋電図データ記憶部３１から左右の各側頭筋に対応する筋電図データを読み出し、これらのデータに対して所定の処理、例えばバンドパスフィルタ処理を行う。このときバンドパスフィルタ処理の通過帯域は、例えば２０−４５０Ｈｚに設定される。この結果、データ処理部２２により、２０−４５０Ｈｚ以外の帯域に含まれる、咀嚼動作に関係のないノイズ成分が除去される。

（１−１−２）特徴量の算出
続いて、咀嚼側判定装置１は、特徴量算出部２３の制御の下、特徴量の算出を行う。この実施形態では、以下の３つの特徴量が算出される。
Ｆ１：一定窓幅における左右の筋電位の絶対値の相関係数
Ｆ２：一定窓幅における右側の筋電位のパワースペクトルの周波数中央値
Ｆ３：一定窓幅における左側の筋電位のパワースペクトルの周波数中央値

咀嚼側判定装置１は、相関係数算出部２３１の制御の下、ステップＳ３０４において、上記データ処理部２２によりフィルタリング処理された左右の各側頭筋に対応する筋電図データに対し、１００ミリ秒（ｍｓ）ごとの窓を設定し、これらの窓ごとに上記各データの二乗平均平方根（ＲＭＳ）を算出する。

次いで、咀嚼側判定装置１は、相関係数算出部２３１の制御の下、ステップＳ３０５において、上記窓ごとに算出された左右のＲＭＳ間の相互相関係数を時間窓２秒（ｓ）ごとに特徴量Ｆ１として算出する。

この特徴量Ｆ１は、顎関節が左右同時に動くという特徴に着目したものである。筋活動由来の筋電波形は左右で似た形となり相関係数が高くなるが、ノイズ由来の電位変化の波形は左右で異なる形となり相関係数が低くなると考えられる。

咀嚼側判定装置１の特徴量算出部２３は、上記特徴量Ｆ１を算出するステップＳ３０４〜Ｓ３０５の後に、ステップＳ３０４〜Ｓ３０５と並行して、またはステップＳ３０４〜Ｓ３０５の前に、特徴量Ｆ２およびＦ３の算出を行うことができる。

咀嚼側判定装置１は、右周波数パラメータ算出部２３２および左周波数パラメータ算出部２３３の制御の下、ステップＳ３０６において、左右各々の筋電図データに対し高速フーリエ変換（ＦＦＴ：Fast Fourier Transform）などの周波数解析を行って、それぞれのパワースペクトルを得る。

次いで、右周波数パラメータ算出部２３２および左周波数パラメータ算出部２３３は、ステップＳ３０７において、それぞれ特徴量Ｆ２およびＦ３として、上記パワースペクトルの代表値として周波数中央値（ＭＦ：Median Power Frequency）を算出する。周波数中央値は、パワースペクトルの面積を二分する周波数である。なお、パワースペクトルから算出される特徴量は、周波数中央値に限られず、例えば、平均周波数（ＭＰＦ：Mean Power Frequency）を用いることも可能である。

右周波数パラメータ算出部２３２による特徴量Ｆ２の算出と、左周波数パラメータ算出部２３３による特徴量Ｆ３の算出は、同時並行で行われても、順次に行われてもよい。

以上の処理により算出された特徴量Ｆ１，Ｆ２，Ｆ３は、ステップＳ３０８において、時間情報とともに特徴量記憶部３２に記憶される。このとき、特徴量Ｆ１，Ｆ２，Ｆ３は、上記のように、あらかじめ入力された咀嚼条件などの咀嚼側を区別する情報に対応付けて記憶させることもできる。

（１−２）学習モデル
次に、咀嚼側判定装置１は、特徴量Ｆ１，Ｆ２，Ｆ３をもとに、以下の学習モデルを生成する。

（１−２−１）異常値判定用学習モデル
まず、咀嚼側判定装置１は、異常値判定用学習モデル生成部２４１の制御の下、ステップＳ３０９において、特徴量記憶部３２から特徴量Ｆ１，Ｆ２，Ｆ３を読み出し、これらをもとに異常値判定のための学習モデルを生成する。この実施形態では、教師なし学習を採用することができ、機械学習アルゴリズムとして、例えば、Ｏｎｅ−Ｃｌａｓｓ ＳＶＭを用いることができる。Ｏｎｅ−Ｃｌａｓｓ ＳＶＭは、正常データのみを使用して学習を行い、正常データを含む領域を推定する方法である。新しいデータがこの領域内に入れば正常値とみなし、この領域外であれば異常値とみなす。したがって、上記のようにあらかじめ咀嚼筋活動由来の筋電位データを測定しておき、それらから算出された特徴量Ｆ１，Ｆ２，Ｆ３を学習データとして用いて学習モデルを生成することができる。

異常値判定用学習モデル生成部２４１は、ステップＳ３１０において、生成された学習モデルを異常値判定用学習モデル記憶部３３に記憶する。

（１−２−２）分類用学習モデル
ステップＳ３０９〜Ｓ３１０と並行して、または順次に、咀嚼側判定装置１は、分類用学習モデル生成部２４２の制御の下、ステップＳ３１１において、特徴量記憶部３２から特徴量Ｆ１，Ｆ２，Ｆ３を読み出し、これらをもとに分類判別のための学習モデルを生成する。この実施形態では、教師あり学習を採用することができ、機械学習アルゴリズムとして、例えば、ｋ近傍法を用いることができる。ｋ近傍法は、学習データ（鋳型）をベクトル空間上にプロットしておき、新たなデータから距離が近い順に任意のＫ個の鋳型を選択し、それらＫ個のうち最も多くの鋳型が所属するクラスに基づいて、新たなデータが属するクラスを推定する方法である。したがって、上記のようにあらかじめ咀嚼側を区別可能な条件下で咀嚼筋活動由来の筋電位データを計測しておき、それらから算出された特徴量Ｆ１，Ｆ２，Ｆ３を、咀嚼側を区別するラベルとともに学習データとして用いて、学習モデルを生成することができる。

分類用学習モデル生成部２４２は、ステップＳ３１２において、生成された学習モデルを分類用学習モデル記憶部３４に記憶する。

なお、以上の実施形態では、異常値判定用学習モデルの生成と、分類用学習モデルの生成に、同じ特徴量を用いるものとして説明したが、これに限定されるものではなく、互いに異なる特徴量を用いて各モデルを生成することも可能である。また、各学習モデルを生成するためのアルゴリズムは、上記の例に限定されるものではなく、任意の学習アルゴリズムを用いることが可能である。

（２）学習モデルを用いた判定
次に、咀嚼側判定装置１は、生成された学習モデルを参照して、新たに取得されたデータから算出される特徴量に基づいて、異常値および咀嚼側を判定する処理を行う。

（２−１）判定用データの取得
（２−１−１）表面筋電図の計測
判定に用いる筋電図データの取得および特徴量の算出は、上記（１）で学習用データの取得として説明したのと同様に行うことができる。

すなわち、まず図１に例示したように、ユーザの左右の側頭筋上の皮膚にそれぞれ２枚の布電極３Ｌ１，３Ｌ２，３Ｒ１，３Ｒ２を貼付し、ユーザの額中央部の皮膚にグランド用の電極３Ｇを貼付する。各電極により検出された表面筋電位Ｖ_L1，Ｖ_L2，Ｖ_R1，Ｖ_R2，Ｖ_REFは、筋電センサ２により、増幅、フィルタ処理、およびアナログディジタル変換等の所定の処理を施された後、左右の筋電図データそれぞれを表すディジタル信号Ｓ_L,Ｓ_Rとして出力される。判定用のデータであるので、学習用データの取得の際に行ったような咀嚼条件の設定は行わない。

図４は、一実施形態に係る咀嚼側判定装置１による異常値判定および分類判定の処理手順と処理内容を示すフローチャートである。なお、ステップＳ４０１〜Ｓ４０８は、図３で説明したステップＳ３０１〜Ｓ３０８と同様であるので、詳細には説明しない。

はじめに、咀嚼側判定装置１の処理ユニット２０は、ステップＳ４０１により筋電図データの受信の有無を監視している。この状態で、筋電センサ２から筋電図データが送られると、咀嚼側判定装置１は、データ取得部２１の制御の下、ステップＳ４０２において、ディジタル信号Ｓ_L,Ｓ_Rを、入出力インタフェースユニット１０から所定の時間にわたって順次取込み、時系列に従って筋電図データ記憶部３１に記憶させる。サンプリングレートは学習データの取得の際に用いたのと同様に設定することができる。

次に咀嚼側判定装置１の処理ユニット２０は、データ処理部２２の制御の下、ステップＳ４０３において、上記筋電図データ記憶部３１から左右の各側頭筋に対応する筋電図データを読み出し、これらのデータに対してバンドパスフィルタ処理を行う。

（２−１−２）特徴量の算出
続いて、咀嚼側判定装置１は、特徴量算出部２３の制御の下、特徴量の算出を行う。この実施形態では、学習に用いたのと同じ３種類の特徴量Ｆ１，Ｆ２，Ｆ３が算出される。

咀嚼側判定装置１は、相関係数算出部２３１の制御の下、ステップＳ４０４において、上記データ処理部２２によりフィルタリング処理された左右の各側頭筋に対応する筋電図データの二乗平均平方根（ＲＭＳ）を算出する。次いで、相関係数算出部２３１の制御の下、ステップＳ４０５において、左右のＲＭＳ間の相互相関係数を特徴量Ｆ１として算出する。

咀嚼側判定装置１の特徴量算出部２３は、上記特徴量Ｆ１を算出するステップＳ４０４〜Ｓ４０５の後に、ステップＳ４０４〜Ｓ４０５と並行して、またはステップＳ４０４〜Ｓ４０５の前に、特徴量Ｆ２およびＦ３の算出を行うことができる。

咀嚼側判定装置１は、右周波数パラメータ算出部２３２および左周波数パラメータ算出部２３３の制御の下、ステップＳ４０６において、左右各々の筋電図データに対しＦＦＴなどの周波数解析を行って、それぞれのパワースペクトルを得る。

次いで、右周波数パラメータ算出部２３２および左周波数パラメータ算出部２３３は、ステップＳ４０７において、それぞれ特徴量Ｆ２またはＦ３として、上記パワースペクトルの周波数中央値を算出する。なお、右周波数パラメータ算出部２３２および左周波数パラメータ算出部２３３は、ステップＳ４０６〜Ｓ４０７において順次にまたは同時並行して特徴量Ｆ２およびＦ３の算出を行うことができる。

以上の処理により算出された特徴量Ｆ１，Ｆ２，Ｆ３は、ステップＳ４０８において、時間情報とともに特徴量記憶部３２に記憶される。

（２−２）異常値の判定
続いて、咀嚼側判定装置１は、異常値判定部２５１の制御の下、ステップＳ４０９において、異常値判定用学習モデル記憶部３３に記憶された異常値判定用学習モデルを読み出し、その学習モデルを参照して、異常値の判定を行う。この実施形態では、Ｏｎｅ−Ｃｌａｓｓ ＳＶＭを用いて構築された学習モデルにより、各データが正常値であるか異常値であるかを判定する。すなわち、上記のように、あらかじめ咀嚼筋活動由来の筋電位データを測定しておき、そのデータから算出された特徴量をもとに異常値判定用学習モデルが生成される。そのあらかじめ生成された学習モデルを参照して、新たに測定されたデータが正常値であるか異常値であるか、すなわち、筋電位であるかノイズであるかが判定される。新たに測定されたデータの特徴量が学習モデルの境界内に入れば、新たに測定されたデータは筋電位と判定され、入らなければノイズと判定されることになる。

ステップＳ４１０において、異常値判定部２５１の制御の下、データが正常値（筋電位）であると判定された場合、咀嚼側判定装置１は、ステップＳ４１１に移行し、咀嚼側の判定処理を行う。一方、ステップＳ４１０において、データが異常値（ノイズ）であると判定された場合、咀嚼側判定装置１は、ステップＳ４１１をスキップすることができる。ただし、ステップＳ４０９〜Ｓ４１０は省略されることも可能である。すなわち、異常値判定を行わずに、すべてのデータについて分類判定（咀嚼側の判定）を行うこともできる。

（２−３）咀嚼側の判定
咀嚼側判定装置１は、ステップＳ４１１において、分類判定部２５２の制御の下、分類用学習モデル記憶部３４に記憶された分類用学習モデルを読み出し、その学習モデルを参照して、咀嚼側の判定を行う。この実施形態では、ｋ近傍法を用いて構築された学習モデルにより、各データがどのクラスに分類されるかを判定する。すなわち、上記のように、あらかじめ咀嚼側を区別可能な条件下で咀嚼筋活動由来の筋電位データを測定しておき、そのデータから算出された特徴量にラベル付けして分類用学習モデルが生成される。その学習モデルを参照して、新たに測定されたデータがどのクラス（ラベル）に分類されるか、例えば、「両側咀嚼」であるか「左側咀嚼」であるか「右側咀嚼」であるかが判定される。

咀嚼側判定装置１は、次いで、ステップＳ４１２において、すべてのデータについて異常値判定（および分類判定）が行われたか否かの判定を行う。未判定のデータが残っている場合、それらのデータについてステップＳ４０９〜Ｓ４１１の処理を繰り返す。

（２−４）判定結果の出力
ステップＳ４１２において未判定のデータが残っていないと判定されたら、咀嚼側判定装置１は、ステップＳ４１３において、判定結果を集計し、出力することができる。例えば、咀嚼側判定装置１は、図示しない表示部を介して、所定のデータ取得期間について両側咀嚼、右側咀嚼、左側咀嚼の各々のラベルに分類されたデータの個数または割合（％）を出力することができる。この結果を見たユーザ（被験者自身または医療関係者等）は、被験者の偏咀嚼の程度を推定することができる。例えば、ある被験者について所定の時間にわたって計測されたデータが、左側咀嚼および両側咀嚼よりも右側咀嚼に分類された割合が有意に高いとの判定結果を示した場合、当該被験者は右側の偏咀嚼の傾向にあると推定することができ、偏咀嚼の原因を調べるための検査をする、咀嚼の癖を自覚させる、虫歯の治療を促すなど、適切な対応をとることができる。

（検証）
上記のような一実施形態に係る咀嚼側判定装置１による判定について、その有効性の検証を行った。この検証では、被験者として年齢２０代〜４０代の１０名を選択した。被験者の左右の側頭筋に２枚ずつ布電極を設置し、額の中央部にグランド用の電極を１枚設置した。各被験者は、椅子に座った状態で、下記の５種類のタスクを実施した。
タスク１：チューインガムを口内の左右両側において両側咀嚼を行う
タスク２：チューインガムを口内の右側のみにおいて片側咀嚼を行う
タスク３：チューインガムを口内の左側のみにおいて片側咀嚼を行う
タスク４：口を動かさずに、随意的まばたきを行う
タスク５：口を動かさずに、帽子のつばを左右に動かす

それぞれのタスクは１分間継続して行い、その間の左右の側頭筋の筋電位を測定した。サンプリングレートは１０００Ｈｚとし、各タスクの動作は被験者がそれぞれ任意の間隔で実施した。

特徴量の算出方法は以下のとおりである。それぞれのタスク時の測定データに対して、通過帯域２０〜４５０Ｈｚのバンドパスフィルタ（体動ノイズ除去用）と５０Ｈｚのノッチフィルタ（商用電源の交流雑音除去用）を適用した。フィルタ適用後のデータに対して、左右それぞれの二乗平均平方根（ＲＭＳ）を時間窓１００ｍｓで算出し、左右のＲＭＳの値の相関係数を時間窓２ｓで算出した。また、左右それぞれのフィルタ適用後の値に対して、パワースペクトルの周波数中央値を時間窓２ｓで算出した。特徴量算出には前後１秒ずつのサンプルデータを利用することから、各特徴量のサンプル数は被験者１名あたり１タスクにつき５８０００サンプル（開始１秒後から５９秒後までの５８秒分を使用）となった。

異常検知のアルゴリズムにはＯｎｅ−Ｃｌａｓｓ ＳＶＭ（ν値：０．９）を用い、タスク１を学習データとし、タスク２〜５をテストデータとして検証を行った。タスク１の測定データから算出された特徴量Ｆ１，Ｆ２，Ｆ３に対して標準化の前処理をした後、Ｏｎｅ−Ｃｌａｓｓ ＳＶＭにより異常値判定用の学習モデルを構築した。その後、その学習モデルをテストデータの各サンプルに適用して、サンプルごとに筋電位かノイズかを判定し、その割合を測定した。

図５は、上記検証による被験者１０名における異常値判定結果を示す。両側咀嚼動作に対応するタスク１は上記のとおり学習データとして用いた。片側咀嚼動作に対応するタスク２とタスク３については、約９０％の確率で筋電位であると正しく判定できており、咀嚼動作ではないタスク４とタスク５については、１００％の確率でノイズと判定できていることがわかる。したがって、上記実施形態を用いることで、筋電位とノイズとを高精度で判別でき、ノイズと判定されたデータを除去し、筋電位と判定されたデータのみを解析対象とすることで、筋電位に基づいた信頼性の高い咀嚼側判定を行うことができる。

次に、咀嚼側の判定精度を確かめるために、タスク１、タスク２、およびタスク３のデータのみを用いて、１０分割交差検証（10-fold cross validation）により判定精度を測定した。交差検証は、各クラスのデータをｎ個のグループに分割し、ｎ−１個のグループを学習データとして用い、残りの１個のグループをテストデータとして用いて検証を行うものであり、一般にテストデータのグループを変更してｎ回繰り返した平均を検証結果とする。ここでは、タスク１〜３の全データを１０分割して交差検証を行った。特徴量は、上記異常検知で用いた３種類の特徴量と同じものとした。分類のための機械学習アルゴリズムにはｋ近傍法（検出する最近傍数：５）を用い、各特徴量に対して標準化の前処理を実施した。ラベルは両側咀嚼、右側咀嚼、左側咀嚼の３種類とした。

図６は、上記検証による、各タスクにおいて判定されたラベルの割合の結果を示す。正解ラベルが「両側咀嚼」と付された上段のデータは、両側咀嚼９８．５％、右側咀嚼０．７％、左側咀嚼０．８％と分類され、９８．５％という高い確率で両側咀嚼であると正しく判定された。中段および下段のデータについても約９９％という高い確率で正しく分類された。このように、筋電位に由来するデータのみを咀嚼側判定に用いることにより、咀嚼側を高精度で推定できることが確認された。

以上の検証結果から、ある測定データが筋電位かノイズかを最初に判定し、筋電位と判定されたデータに対してのみ咀嚼側判定を行うことで、体動ノイズにロバストな、高精度かつ信頼性の高い咀嚼側判定が可能となることがわかった。

咀嚼動作においては顎関節が左右同時に動くことから、特徴量Ｆ１としての相関係数には、両側咀嚼（タスク１）と片側咀嚼（タスク２および３）とで顕著な差は生じないと考えられる。しかし、タスク４および５の場合、側頭筋の活動は実質的にないにもかかわらず、計測される筋電位には他の部位の筋肉の動きに由来するノイズ成分が重畳する。このノイズ成分は、咀嚼動作に比べて左右非対称的であることが多い。したがって、左右の相関係数が低くなり、特徴量１については、タスク１〜３とタスク４〜５とで大きく相違すると考えられる。

また、特徴量Ｆ２およびＦ３としてのパワースペクトルの周波数中央値は、筋活動の特徴を表す指標の１つと考えられるが、個人差が大きく、咀嚼側との対応関係を一般化して定義することは容易でない。しかし、上記のように機械学習に利用することによって、高い精度の判定結果をもたらすことがわかった。

なお、上記実施形態では、異常検知として教師なし学習器のＯｎｅ−Ｃｌａｓｓ ＳＶＭを用いて筋電位かノイズかの判定を行ったが、その他の手法で代替してもよい。例えば、統計モデルに基づいたホテリング理論やデータ間の距離に基づいたｋ近傍法による異常検知を用いてもよい。

（効果）
以上詳述したように、一実施形態に係る咀嚼側判定装置１は、左右の各側頭筋の表面筋電図（ｓＥＭＧ）を表すデータを取得し、これらのデータに対し所定のフィルタリング処理を行った後、上記のように３種類の特徴量を算出した。そして、これらの特徴量をもとに、異常値判定用学習モデルおよび分類用学習モデルを生成し、各学習モデルを参照して、異常値であるか正常値であるかの判定を行い、正常値と判定されたデータについてのみ、続けて分類判定を行うようにした。

検証実験により、上記咀嚼側判定装置１は、高い精度で異常値の検出および分類判定を行えることがわかった。皮膚インピーダンスの影響を受けやすい筋電位の振幅情報を特徴量として選択していないため、皮膚インピーダンスの変化に対して比較的ロバストな学習および判定を行うことができたものと考えられる。また、異常値と判定されたデータを排除し、正常値と判定されたデータのみを用いて分類判定を行うため、体動等のノイズの混入の少ないデータに基づく信頼性の高い判定を行うことができたと考えられる。

このように、上記３つの特徴量を用いて学習モデルを生成し、それを参照して異常値判定を行うことにより、高い精度で筋電位であるかノイズであるかを判定することができる。またその判定結果を用い、筋電位のみを解析対象として、咀嚼側の判定を続けることにより、高い信頼度で咀嚼側の判定を行うことができる。さらに、ノイズをあらかじめ除去することにより、分類判定に係るシステムの処理負荷も軽減される。皮膚インピーダンスの変化に対して比較的ロバストな学習および判定を用いることで、筋電位の振幅のみを用いた場合に比べ、高い精度かつ高い信頼度でユーザの日常生活における咀嚼習慣を容易に明らかにすることができる。

咀嚼筋の活動は顎を閉じる動作に関連があるが、その動きは単純で筋電位の波形も互いに似た形となるため、上記のように少数の学習データのみで学習モデルを生成することが可能である。一方、ノイズの原因には様々なものが考えられ、それに伴う電位変化の波形も様々であるから、そのすべてを網羅して学習することは不可能と考えられる。上記実施形態で説明した手法を用いれば、被験者に過度の負担を強いることなく、システムに過度の負荷をかけることなく、簡易な処理により咀嚼側を高精度に判定することができる。

またさらに、上記実施形態に係る方法は、筋電センサ自体に新たな機能の追加を要するものではないので、既存の筋電センサをそのまま用いて、上記実施形態を実施することができる。

［他の実施形態］
前記一実施形態では、３つの特徴量Ｆ１，Ｆ２，Ｆ３として、一定窓幅における左右の筋電位の絶対値の相関係数、一定窓幅における右側の筋電位のパワースペクトルの周波数中央値、一定窓幅における左側の筋電位のパワースペクトルの周波数中央値を用いて、学習モデルの生成、異常値の判定および咀嚼側の判定を行うものとして説明した。しかし、これらに限定されるものではなく、波形形状の相関係数や、パワースペクトルの平均周波数、特定の周波数成分に係る信号強度など、任意の情報を特徴量として用いることも可能である。

さらに、前記一実施形態では、咀嚼運動を解析するために左右の各側頭筋の動きを計測する場合を例にとって説明した。しかし、それに限るものではなく、側頭筋の他にも奥歯付近に位置する咬筋も咀嚼運動時に左右で連動するため、同様の処理手順で表面筋電図（ｓＥＭＧ）を測定することができる。

また、咀嚼運動以外にも、屈伸運動等のように左右対称に筋肉が連動して動作する他の運動にも、この発明は適用可能である。その他、筋電センサの構成、表面筋電図の計測処理の手順と処理内容、しきい値等についても、この発明の要旨を逸脱しない範囲で種々変形して実施可能である。

また、上記実施形態では、学習モデル生成処理と、判定処理とで、データの取得および特徴量の算出を同じ機能部において行うものとして説明したが、それぞれの処理のために別々の機能部を設けることも可能である。

またさらに、上記実施形態では、学習モデル生成部と判定部の両方を備えた咀嚼側判定装置１として説明したが、これに限るものではなく、いずれか一方だけを備えるようにすることも可能である。この場合、判定部だけを備える判定装置は、あらかじめ生成された学習モデルを内部または外部の記憶装置等から読み出して、判定の際に参照することができる。またさらに、咀嚼側判定装置１において、異常値判定を行わず、取得された全データについて分類判定を行うことも可能である。この場合、あらかじめ適切にフィルタリング処理を行うことにより、判定精度を高めることができる。

要するにこの発明は、上記実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施形態に開示されている複数の構成要素の適宜な組み合せにより種々の発明を形成できる。例えば、実施形態に示される全構成要素から幾つかの構成要素を削除してもよい。さらに、異なる実施形態に亘る構成要素を適宜組み合わせてもよい。

１…咀嚼側判定装置、２…筋電センサ、３Ｇ，３Ｌ，３Ｒ…電極、１０…インタフェースユニット、２０…処理ユニット、２１…データ取得部、２２…データ処理部、２３…特徴量算出部、２４…学習モデル生成部、２５…判定部、３０…記憶ユニット、３１…筋電図データ記憶部、３２…特徴量記憶部、３３…異常値判定用学習モデル記憶部、３４…分類用学習モデル記憶部、２３１…相関係数算出部、２３２…右周波数パラメータ算出部、２３３…左周波数パラメータ算出部、２４１…異常値判定用学習モデル生成部、２４２…分類用学習モデル生成部、２５１…異常値判定部、２５２…分類判定部。

Claims (8)

1. ユーザの咀嚼動作に係る左右の筋肉にそれぞれ由来する第１および第２の筋電波形を取得する、筋電波形取得部と、
   前記第１および第２の筋電波形の各々から抽出される情報の相関係数を学習用の第１の特徴量として算出する、第１の特徴量算出部と、
   前記第１の筋電波形を周波数解析して得られるパワースペクトルから学習用の第２の特徴量を算出する、第２の特徴量算出部と、
   前記第２の筋電波形を周波数解析して得られるパワースペクトルから学習用の第３の特徴量を算出する、第３の特徴量算出部と、
   前記学習用の第１、第２および第３の特徴量と、前記ユーザの咀嚼側を区別するための複数のラベルとを対応付けて学習モデルを生成する、学習モデル生成部と
   を具備する学習モデル生成装置。
2. 請求項１に記載の学習モデル生成装置によって生成された学習モデルを用いてユーザの咀嚼側を判定する咀嚼側判定装置であって、
   前記ユーザの咀嚼動作に係る左右の筋肉にそれぞれ由来する第１および第２の筋電波形を取得する、筋電波形取得部と、
   前記第１および第２の筋電波形の各々から抽出される情報の相関係数を判定用の第１の特徴量として算出する、第１の特徴量算出部と、
   前記第１の筋電波形を周波数解析して得られるパワースペクトルから判定用の第２の特徴量を算出する、第２の特徴量算出部と、
   前記第２の筋電波形を周波数解析して得られるパワースペクトルから判定用の第３の特徴量を算出する、第３の特徴量算出部と、
   前記学習モデルを参照して、前記判定用の第１、第２および第３の特徴量に基づいて、前記ユーザの咀嚼側を判定する、咀嚼側判定部と
   を具備する咀嚼側判定装置。
3. 前記判定用の第１、第２および第３の特徴量に基づいて、所定の単位時間幅ごとに前記判定用の第１、第２および第３の特徴量が正常値であるか異常値であるかの異常値判定を行う、異常値判定部をさらに備え、
   前記咀嚼側判定部は、正常値であると判定された単位時間幅についてのみ咀嚼側の判定を行う、
   請求項２に記載の咀嚼側判定装置。
4. 前記異常値判定部は、教師なし学習モデルを用いて異常値判定を行う、請求項３に記載の咀嚼側判定装置。
5. 学習モデル生成装置が実行する学習モデル生成方法であって、
   前記学習モデル生成装置が、ユーザの咀嚼動作に係る左右の筋肉にそれぞれ由来する第１および第２の筋電波形を取得する過程と、
   前記学習モデル生成装置が、前記第１および第２の筋電波形の各々から抽出される情報の相関係数を学習用の第１の特徴量として算出する過程と、
   前記学習モデル生成装置が、前記第１の筋電波形を周波数解析して得られるパワースペクトルから学習用の第２の特徴量を算出する過程と、
   前記学習モデル生成装置が、前記第２の筋電波形を周波数解析して得られるパワースペクトルから学習用の第３の特徴量を算出する過程と、
   前記学習モデル生成装置が、前記学習用の第１、第２および第３の特徴量と、前記ユーザの咀嚼側を区別するための複数のラベルとを対応付けて学習モデルを生成する過程と
   を具備する学習モデル生成方法。
6. 請求項５に記載の学習モデル生成方法によって生成された学習モデルを用いてユーザの咀嚼側を判定する咀嚼側判定装置が実行する咀嚼側判定方法であって、
   前記咀嚼側判定装置が、前記ユーザの咀嚼動作に係る左右の筋肉にそれぞれ由来する第１および第２の筋電波形を取得する過程と、
   前記咀嚼側判定装置が、前記第１および第２の筋電波形の各々から抽出される情報の相関係数を判定用の第１の特徴量として算出する過程と、
   前記咀嚼側判定装置が、前記第１の筋電波形を周波数解析して得られるパワースペクトルから判定用の第２の特徴量を算出する過程と、
   前記咀嚼側判定装置が、前記第２の筋電波形を周波数解析して得られるパワースペクトルから判定用の第３の特徴量を算出する過程と、
   前記咀嚼側判定装置が、前記学習モデルを参照して、前記判定用の第１、第２および第３の特徴量に基づいて、前記ユーザの咀嚼側を判定する過程と
   を具備する咀嚼側判定装置。
7. 請求項１に記載の学習モデル生成装置の各部による処理をプロセッサに実行させるプログラム。
8. 請求項２乃至請求項４の何れかに記載の咀嚼側判定装置の各部による処理をプロセッサに実行させるプログラム。

Images