JP7391332B2

JP7391332B2 - 評価装置、評価方法、プログラム及び記録媒体

Info

Publication number: JP7391332B2
Application number: JP2020527588A
Authority: JP
Inventors: 圭一北城; 祐哉平山; 史洋齋藤; 大道末谷; 朱香星; 達治石黒
Original assignee: Kirin Holdings Co Ltd; RIKEN Institute of Physical and Chemical Research
Current assignee: Kirin Holdings Co Ltd; RIKEN Institute of Physical and Chemical Research
Priority date: 2018-06-26
Filing date: 2019-06-26
Publication date: 2023-12-05
Anticipated expiration: 2039-06-26
Also published as: WO2020004485A1; JPWO2020004485A1

Description

本発明は、脳波データに基づいてコンテンツを評価する評価装置及び評価方法に関する。また、そのような評価装置としてコンピュータを機能させるためのプログラム、及び、そのようなプログラムが記録された記録媒体に関する。

コマーシャル動画などのコンテンツの評価は、従来、アンケートなどの大規模集団調査により行われることが一般的であった。しかしながら、大規模集団調査を実施するためには、時間的及び金銭的に大きなコストが掛かる。また、コストを下げるために調査対象とする集団を小規模にすると、評価の客観性が損なわれる。

このような問題の解決に資する可能性のある技術として、脳波データ（脳波信号）に基づくコンテンツの評価方法が知られている。例えば、特許文献１には、コンテンツを視聴する異なる被験者から取得した脳波データの相互相関係数に基づいて、該コンテンツを評価する方法が開示されている。また、非特許文献１には、コンテンツを視聴する異なる被験者から取得した脳波データの正準相関係数に基づいて、該コンテンツを評価する方法が開示されている。

日本国公開特許公報「特許第５７９９３５１号（２０１５年９月４日登録）」

Jacek P. Dmochowski, Matthew A. Bezdek, Brian P. Abelson, John S. Johnson, Eric H. Schumacher & Lucas C. Parra, "Audience preferences are predicted by temporal reliability of neural processing", NATURE COMMUNICATIONS, 5: 4567, DOI: 10.1038/ncomms5567, www.nature.com/naturecommunications, 29 Jul 2014

脳波データに基づいてコンテンツを評価する評価方法を用いて、大規模集団調査による評価結果を予測することができれば、小さなコストで客観性の高い評価結果を得ることができ、極めて有益である。

しかしながら、大規模集団調査におけるコンテンツの評価尺度は様々である。例えば、コンテンツを視聴しているときに被験者に喚起される好意、好感、記憶、認知、及び共感（他者と情報を共有する意欲）の程度は、それぞれ、そのコンテンツの評価尺度となり得る。また、コンテンツがコマーシャル動画である場合、コマーシャル動画を視聴しているときに被験者に喚起される、商品に対する興味及び購買意欲の程度は、それぞれ、そのコマーシャル動画の評価尺度となり得る。このため、脳波データに基づいてコンテンツを評価する評価方法を用いて、様々な評価尺度で実施される大規模集団調査による評価結果を予測するためには、その評価方法が評価尺度に対する柔軟性を有している必要がある。しかしながら、脳波データに基づく従来のコンテンツ評価方法は、このような柔軟性を有していない。このため、脳波データに基づく従来のコンテンツ評価方法を用いて、様々な評価尺度で実施される大規模集団調査による評価結果を予測することは困難である。

さらに、脳波データに基づいてコンテンツを評価する評価方法を用いて、大規模集団調査による評価結果を精度良く予測するためには、複数の脳波データから、コンシステンシー（試行間での相関）の低い情報を捨象してコンシステンシーの高い情報を抽出する必要がある。しかしながら、脳波データに基づく従来の評価方法では、異なる被験者から得られた複数の脳波データから、被験者間での相関が低い情報を捨象することは行われているものの、同じ被験者に対する異なる試行で得られた複数の脳波データから、コンシステンシーの低い情報を捨象することは行われていない。このため、脳波データに基づく従来のコンテンツ評価方法には、大規模集団調査による評価結果を予測する際の予測精度に関して、改善の余地が残されている。

本発明は、上記の問題に鑑みてなされたものであり、本発明の一態様は、様々な評価尺度で実施される大規模集団調査による評価結果を精度良く予測することが可能な評価装置及び評価方法を実現することを目的とする。

上記課題を解決するために、本発明の一態様に係る評価装置は、コンテンツを視聴させながら脳波を測定する試行を各被験者に対して少なくとも２回ずつ実施することによって得られた複数の脳波データに基づいて、上記コンテンツを評価する評価装置であって、各被験者について、該被験者に対して実施された異なる試行に対応する２つの脳波データからなる脳波データ対を生成する脳波データ対生成部と、上記脳波データ対生成部が生成した各脳波データ対に対応する正準変数を算出する正準相関分析部と、上記正準相関分析部が算出した各正準変数に対応する少なくとも１つの正準負荷量を算出する正準負荷量算出部と、上記正準負荷量算出部が算出した各正準負荷量、及び、予め定められた基準負荷量に基づいて、上記コンテンツを評価するコンテンツ評価部と、を備えている。

上記課題を解決するために、本発明の一態様に係る評価装置は、コンテンツを視聴させながら脳波を測定する試行を各被験者に対して少なくとも２回ずつ実施することによって得られた複数の脳波データに基づいて、上記コンテンツを評価する評価装置であって、各被験者について、該被験者に対して実施された異なる試行に対応する２つの脳波データからなる脳波データ対を生成する脳波データ対生成部と、上記脳波データ対生成部が生成した各脳波データ対に対応する正準相関係数を算出する正準相関分析部と、上記正準相関分析部が算出した正準相関係数に基づいて、上記コンテンツを評価するコンテンツ評価部と、を備えている。

上記課題を解決するために、本発明の一態様に係る評価装置は、コンテンツを視聴させながら脳波を測定する試行を各被験者に対して少なくとも２回ずつ実施することによって得られた複数の脳波データに基づいて、上記コンテンツを評価する評価装置であって、各被験者について、該被験者に対して実施された異なる試行に対応する２つの脳波データからなる脳波データ対を生成する脳波データ対生成部と、上記脳波データ対生成部が生成した各脳波データ対に対応する正準変数を算出する正準相関分析部と、上記正準相関分析部が算出した各正準変数に対応する少なくとも１つの正準負荷量を算出する正準負荷量算出部と、上記正準負荷量算出部が算出した各正準負荷量に対する主成分分析により主成分スコアを算出する主成分分析部と、上記主成分分析部が算出した主成分スコア、及び、予め定められた基準スコアに基づいて、上記コンテンツを評価するコンテンツ評価部と、を備えている。

上記課題を解決するために、本発明の一態様に係る評価方法は、コンテンツを視聴させながら脳波を測定する試行を各被験者に対して少なくとも２回ずつ実施することによって得られた複数の脳波データに基づいて、上記コンテンツを評価する評価方法であって、各被験者について、該被験者に対して実施された異なる試行に対応する２つの脳波データからなる脳波データ対を生成する脳波信号対生成処理と、上記脳波信号対生成処理にて生成した各脳波データ対に対応する正準変数を算出する正準相関分析処理と、上記正準相関分析部にて算出した各正準変数に対応する少なくとも１つの正準負荷量を算出する正準負荷量算出処理と、上記正準負荷量算出処理にて算出した各正準負荷量、及び、予め定められた基準負荷量に基づいて、上記コンテンツを評価するコンテンツ評価処理と、を含んでいる。

上記課題を解決するために、本発明の一態様に係る評価方法は、コンテンツを視聴させながら脳波を測定する試行を各被験者に対して少なくとも２回ずつ実施することによって得られた複数の脳波データに基づいて、上記コンテンツを評価する評価方法であって、各被験者について、該被験者に対して実施された異なる試行に対応する２つの脳波データからなる脳波データ対を生成する脳波信号対生成処理と、上記脳波信号対生成処理にて生成した各脳波データ対に対応する正準相関係数を算出する正準相関分析処理と、上記正準相関分析処理にて算出した各正準相関係数に基づいて、上記コンテンツを評価するコンテンツ評価処理と、を含んでいる。

上記課題を解決するために、本発明の一態様に係る評価方法は、コンテンツを視聴させながら脳波を測定する試行を各被験者に対して少なくとも２回ずつ実施することによって得られた複数の脳波データに基づいて、上記コンテンツを評価する評価方法であって、各被験者について、該被験者に対して実施された異なる試行に対応する２つの脳波データからなる脳波データ対を生成する脳波データ対生成処理と、上記脳波データ対生成処理にて生成した各脳波データ対に対応する正準変数を算出する正準相関分析処理と、上記正準相関分析処理にて算出した各正準変数に対応する少なくとも１つの正準負荷量を算出する正準負荷量算出処理と、上記正準負荷量算出処理にて算出した各正準負荷量に対する主成分分析により主成分スコアを算出する主成分分析処理と、上記主成分分析処理にて算出した主成分スコア、及び、予め定められた基準スコアに基づいて、上記コンテンツを評価するコンテンツ評価処理と、を含んでいる。

なお、本発明の各態様に係る評価装置は、コンピュータによって実現してもよく、この場合には、上記コンピュータを上記評価装置が備える各部（ソフトウェア要素）として動作させることにより上記評価装置をコンピュータにて実現させるプログラム、及び、そのプログラムを記録したコンピュータ読み取り可能な記録媒体も本発明の範疇に含まれる。

本発明によれば、上記の方法によれば、上記コンテンツに対する大規模集団調査による様々な尺度での評価結果を、精度良く予測することができる。

本発明の一実施形態に係る評価装置の構成を示すブロック図である。図１に示す評価装置により実施される評価処理（前半）の流れを示すデータフロー図である。図１に示す評価装置により実施される評価処理（後半）の流れを示すデータフロー図である。図２及び図３に示す評価処理に含まれるコンテンツ評価処理の具体例を示すデータフロー図である。基準負荷量を強度分布としてプロットしたグラフである。１０本のコマーシャル動画の各々について、そのコマーシャル動画のＣＭ好感度ランキング（ＣＭ総合研究所が実施した「消費者３０００人の月例ＣＭ好感度調査」より得られたＣＭ好感度得票数より算出されたランキングのことを指す。なお、「ＣＭ好感度」は株式会社東京企画の登録商標である。以下同様。）と、そのコマーシャル動画に対応する平均類似度との相関を示す散布図である。上記１０本のコマーシャル動画の各々について、そのコマーシャル動画のＣＭ好感度得票数（ｌｏｇ１０変換）と、そのコマーシャル動画に対応する平均類似度との相関を示す散布図である。上記１０本のコマーシャル動画の各々について、そのコマーシャル動画のＣＭ好感度ランキングと、３１人の被験者による主観評価値を平均することより求めた、そのコマーシャル動画に対する平均主観評価値との相関を示す散布図である。上記１０本のコマーシャル動画の各々について、そのコマーシャル動画のＣＭ好感度ランキングと、そのコマーシャル動画に対応する正準相関係数との相関を示す散布図である。上記１０本のコマーシャル動画の各々について、そのコマーシャル動画のＣＭ好感度ランキングと、非特許文献１に記載の評価方法により求めた、そのコマーシャル動画に対応する正準相関係数との相関を示す散布図である。（１）上記１０本のコマーシャル動画のなかで、獲得したＣＭ好感度得票数が最も多いコマーシャル動画に対応する正準負荷量の平均値を基準負荷量とした場合の各コマーシャル動画に対応する平均類似度と、（２）上記１０本のコマーシャル動画のなかで、獲得したＣＭ好感度得票数が最も少ないコマーシャル動画に対応する正準負荷量の平均値を基準負荷量とした場合の各コマーシャル動画に対応する平均類似度との相関を示す散布図である。上記１０本のコマーシャル動画の各々について、重回帰分析により得られたモデル式を用いて算出したＣＭ好感度得票数の予測値と、実際のＣＭ好感度得票数との相関を示す散布図である。ここで、重回帰分析は、各コマーシャル動画のＣＭ好感度得票数を目的変数とし、各コマーシャル動画に対応する平均類似度を説明変数とする重回帰分析である。図１に示す評価装置として機能するコンピュータのブロック図である。本発明の変形例１に係る評価装置の構成を示すブロック図である。図１４に示す評価装置により実施される評価処理（前半）の流れを示すデータフロー図である。図１４に示す評価装置により実施される評価処理（後半）の流れを示すデータフロー図である。本発明の変形例２に係る評価装置の構成を示すブロック図である。図１７に示す評価装置により実施される評価処理の流れを示すデータフロー図である。基準スコアを強度分布としてプロットしたグラフである。上記１０本のコマーシャル動画の各々について、そのコマーシャル動画のＣＭ好感度ランキングと、そのコマーシャル動画に対応する主成分スコア類似度との相関を示す散布図である。上記１０本のコマーシャル動画の各々について、そのコマーシャル動画のＣＭ好感度得票数（ｌｏｇ１０変換）と、そのコマーシャル動画に対応する主成分スコア類似度との相関を示す散布図である。正準負荷量に基づく評価および主成分スコアに基づく評価の各々によって得られる脳領域パターンデータを示す図である。

本発明の一実施形態に係る評価装置１について、図面に基づいて説明すれば以下のとおりである。

（正準相関分析）
評価装置１において利用される、多チャンネル時系列データＸ，Ｙに対する正準相関分析について説明する。

多チャンネル時系列データＸ，Ｙは、それぞれ、サンプリング数がＴ、チャンネル数がｃｈの多チャンネル時系列データであり、式（１），（２）に示すようにＴ行ｃｈ列の行列によって表現されているものとする。ここで、Ｘ₁，Ｘ₂，…，Ｘ_chは、それぞれ、第１の多チャンネル時系列データＸの各列を構成する時系列データ（Ｔ次元の列ベクトル）であり、Ｙ₁，Ｙ₂，…，Ｙ_chは、それぞれ、第２の多チャンネル時系列データＹの各列を構成する時系列データ（Ｔ次元の列ベクトル）である。

まず、第１の多チャンネル時系列データＸを、各チャンネルの時系列データＸ₁，Ｘ₂，…，Ｘ_Tのサンプル平均が０になるように正規化することによって、第１の正規化多チャンネル時系列データＸ’を算出する。また、第２の多チャンネル時系列データＹを、各チャンネルの時系列データＹ₁，Ｙ₂，…，Ｙ_Tのサンプル平均が０になるように正規化することによって、第２の正規化多チャンネル時系列データＹ’を算出する。

ここで、第１の正規化多チャンネル時系列データＸ’の線形変換Ｕ＝ＡＸ’と第２の正規化多チャンネル時系列データＹ’の線形変換Ｖ＝ＢＹ’との相関係数Ｒに注目する。ここで、Ａ，Ｂは、それぞれ、式（５），（６）に示すようにｃｈ行Ｄ列であり、Ｕ，Ｖは、それぞれ、式（７），（８）に示すようにＴ行Ｄ列の行列である。ここで、Ｕ₁，Ｕ₂，…，Ｕ_Dは、それぞれ、行列Ｕの各列を構成するＴ次元の列ベクトルであり、Ｖ₁，Ｖ₂，…，Ｖ_Dは、それぞれ、第２の多チャンネル時系列データＹの各列を構成する時系列データである。なお、Ｄは、Ｄ＝ｍｉｎ（ｒａｎｋ（Ｘ），ｒａｎｋ（Ｙ））により定義される自然数である。

線形変換Ｕ，Ｖの相関係数Ｒを最大化する行列Ａ，Ｂの要素を正準係数という。また、そのときの行列Ｕ，Ｖを正準変数といい、そのときの相関係数Ｒを正準相関係数という。正準相関分析とは、多チャンネル時系列データＸ，Ｙから、正準係数Ａ，Ｂ、正準変数Ｕ，Ｖ、及び正準相関係数Ｒを算出する演算のことを指す。

第１の正準変数Ｕの第ｎ列（ｎは１以上Ｄ以下の自然数）を構成する列ベクトルＵ_nと第１の多チャンネル時系列データＸの各列を構成する時系列データＸ₁，Ｘ₂，…，Ｘ_chとの相関係数ｓ₁＝ｃｏｒｒｃｏｅｆ（Ｕ_n，Ｘ₁），ｓ₂＝ｃｏｒｒｃｏｅｆ（Ｕ_n，Ｘ₂），…，ｓ_ch＝ｃｏｒｒｃｏｅｆ（Ｕ_n，Ｘ_ch）により構成されるｃｈ次元のベクトルＳ＝［ｓ₁，ｓ₂，…，ｓ_ch］を、ｎ次の正準負荷量という。ここで、ｃｏｒｒｃｏｅｆ（Ｕ_n，Ｘ_j）は、以下のように定義される。

同様に、第２の正準変数Ｖの第ｎ列（ｎは１以上Ｄ以下の自然数）を構成する列ベクトルＶ_nと第２の多チャンネル時系列データＹの各列を構成する時系列データＹ₁，Ｙ₂，…，Ｙ_chとの相関係数ｔ₁＝ｃｏｒｒｃｏｅｆ（Ｖ_n，Ｙ₁），ｔ₂＝ｃｏｒｒｃｏｅｆ（Ｖ_n，Ｙ₂），…，ｔ_ch＝ｃｏｒｒｃｏｅｆ（Ｖ_n，Ｙ_ch）により構成されるｃｈ次元のベクトルＴ＝［ｔ₁，ｔ₂，…，ｔ_ch］を、ｎ次の正準負荷量という。ここで、ｃｏｒｒｃｏｅｆ（Ｖn，Ｙj）は、以下のように定義される。

なお、正準相関分析は、公知のアルゴリズムにより実現することができる。例えば、ＭＡＴＬＡＢ（登録商標）の関数ｃａｎｏｎｃｏｒｒ（Ｘ，Ｙ）＝［Ａ，Ｂ，Ｒ，Ｕ，Ｖ］では、ＱＲ分解、特異値分解（ｓｖｄアルゴリズム）、及び正規化を組み合わせることによって、正準相関分析を実現している。

（評価装置の構成）
評価装置１の構成について、図１～３を参照して説明する。図１は、評価装置１の構成を示すブロック図である。図２～３は、評価装置１により実行される評価処理の流れを示すデータフロー図である。

評価装置１は、コンテンツＣを視聴させながら脳波を測定する試行を、Ｍ人の被験者の各々に対してＮ回ずつ実施することによって得られたＭ×Ｎ個の脳波データに基づいて、コンテンツＣを評価するための装置である。ここで、Ｍは、任意に選択可能な１以上の自然数であり、Ｎは、任意に選択可能な２以上の自然数である。

以下、ｉ人目の被験者に対するｊ回目の試行において得られた脳波データを、脳波データＸ^(i,j)と記載する。ここで、ｉは、１以上Ｍ以下の自然数であり、ｊは、１以上Ｎ以下の自然数である。各脳波データＸ^(i,j)は、脳波信号を表す多チャンネル時系列データであり、Ｔ行ｃｈ列の行列によって表現される。ここで、Ｔは、サンプリングポイント数であり、ｃｈは、チャンネル数である。サンプリングポイント数Ｔは、例えば、１５０００であり（コンテンツＣの再生時間が１５秒であり、サンプリング周期が１ミリ秒である場合）、チャンネル数ｃｈは、例えば、６３である。この場合、各脳波データＸ^(i,j)は、１５０００行６３列の行列となる。

評価装置１は、図１に示すように、脳波データ取得部１１と、脳波データ対生成部１２と、正準相関分析部１３と、正準負荷量算出部１４と、コンテンツ評価部１５と、を備えている。

脳波データ取得部１１は、脳波データ取得処理Ｓ１を実行するための構成である。脳波データ取得処理Ｓ１は、図２に示すように、各被験者について、Ｎ個の脳波データＸ^(i,1)，Ｘ^(i,2)，…，Ｘ^(i,N)を取得する処理である。脳波データ取得部１１が取得する脳波データの個数は、１被験者あたりＮ個であり、１コンテンツあたりＭ×Ｎ個である。

なお、各脳波データＸ^(i,j)の取得先は、特に限定されない。例えば、各脳波データＸ^(i,j)がメモリに格納されている場合、脳波データ取得部１１は、該脳波データＸ^(i,j)を該メモリから読み出す。或いは、各脳波データＸ^(i,j)が脳波計から供給される場合、脳波データ取得部１１は、該脳波データＸ^(i,j)を該脳波計から取得する。

脳波データ対生成部１２は、脳波データ対生成処理Ｓ２を実行するための構成である。脳波データ対生成処理Ｓ２は、図２に示すように、各被験者について、脳波データ取得処理Ｓ１にて取得したＮ個の脳波データＸ^(i,1)，Ｘ^(i,2)，…，Ｘ^(i,N)から、該被験者に対して実施された異なる試行に対応する脳波データＸ^(i,p)，Ｘ^(i,q)からなる脳波データ対｛Ｘ^(i,p)，Ｘ^(i,q)｝を生成する処理である。ここで、ｐは、１以上Ｎ－１以下の自然数であり、ｑは、ｐ＋１以上Ｎ以下の自然数である。脳波データ対生成部１２が生成する脳波データ対の個数は、１被験者あたり_NＣ₂個であり、１コンテンツあたりＭ×_NＣ₂個である。

正準相関分析部１３は、正準相関分析処理Ｓ３を実行するための構成である。正準相関分析処理Ｓ３は、図２に示すように、脳波データ対生成処理Ｓ２にて生成した各脳波データ対｛Ｘ^(i,p)，Ｘ^(i,q)｝から、該脳波データ対｛Ｘ^(i,p)，Ｘ^(i,q)｝に対応する正準変数Ｕ^(i,p,q)，Ｖ^(i,p,q)を算出する処理である。正準相関分析処理Ｓ３においては、各脳波データ対｛Ｘ^(i,p)，Ｘ^(i,q)｝に対応する正準変数Ｕ^(i,p,q)，Ｖ^(i,p,q)と共に、各脳波データ対｛Ｘ^(i,p)，Ｘ^(i,q)｝に対応する正準係数Ａ^(i,p,q)，Ｂ^(i,p,q)、及び、各脳波データ対｛Ｘ^(i,p)，Ｘ^(i,q)｝に対応する正準相関係数Ｒ^(i,p,q)が算出される。正準変数Ｕ^(i,p,q)，Ｖ^(i,p,q)は、それぞれ、Ｔ行Ｄ列の行列であり、正準変数Ｕ^(i,p,q)，Ｖ^(i,p,q)の算出は、上述した正準相関分析によって行われる。ここで、Ｄは、Ｄ＝ｍｉｎ（ｒａｎｋ（Ｘ^(i,p)），ｒａｎｋ（Ｘ^(i,q)））により定義される自然数である。正準相関分析部１３が算出する正準変数及び正準係数の個数は、１被験者あたり２×_NＣ₂個であり、１コンテンツあたり２×Ｍ×_NＣ₂個である。正準相関分析部１３が算出する正準相関係数の個数は、１被験者あたり_NＣ₂個であり、１コンテンツあたりＭ×_NＣ₂個である。

正準負荷量算出部１４は、正準負荷量算出処理Ｓ４を実行するための構成である。正準負荷量算出処理Ｓ４は、図２及び図３に示すように、正準相関分析処理Ｓ３にて算出した各正準変数Ｕ^(i,p,q)から、該正準変数Ｕ^(i,p,q)に対応する１次からＬ次までのＬ個の正準負荷量ｓ^(i,p,q,1)，ｓ^(i,p,q,2)，…，ｓ^(i,p,q,L)を算出すると共に、各正準変数Ｖ^(i,p,q)から、該正準変数Ｖ^(i,p,q)に対応する１次からＬ次までのＬ個の正準負荷量ｔ^(i,p,q,1)，ｔ^(i,p,q,2)，…，ｔ^(i,p,q,L)を算出する処理である。ここで、Ｌは、任意に選択可能な１以上Ｄ以下の自然数である。正準負荷量ｓ^(i,p,q,n)，ｔ^(i,p,q,n)は、それぞれ、ｃｈ次元のベクトルであり、正準負荷量ｓ^(i,p,q,n)，ｔ^(i,p,q,n)の算出は、それぞれ、上述した式（９），（１０）に従って行われる。ここで、ｎは、１以上Ｌ以下の自然数である。正準負荷量算出部１４が算出する正準負荷量の個数は、１被験者あたり２×Ｌ×_NＣ₂個であり、１コンテンツあたり２×Ｌ×Ｍ×_NＣ₂個である。

コンテンツ評価部１５は、コンテンツ評価処理Ｓ５を実行するための構成である。コンテンツ評価処理Ｓ５は、図３に示すように、正準負荷量算出処理Ｓ４にて算出した２×Ｌ×Ｍ×_NＣ₂個の正準負荷量、及び、基準として予め定められた正準負荷量（以下、「基準負荷量」と記載）に基づいてコンテンツＣを定量評価する処理である。コンテンツ評価処理Ｓ５の具体例については、参照する図面を代えて後述する。

後述する実施例で明らかにするように、大規模集団調査による評価結果が近い（例えば、好感度得票数が近い、又は、好感度得票数に基づいて決定された好感度ランキングにおける順位が近い）２つのコンテンツでは、これら２つのコンテンツに対応する各正準負荷量の類似度が高くなり、大規模集団調査による評価結果が遠い（例えば、好感度得票数が離れた、又は、好感度得票数に基づいて決定された好感度ランキングにおける順位が離れた）２つのコンテンツでは、これら２つのコンテンツに対応する各正準負荷量の類似度が低くなる。

本実施形態に係る評価装置１においては、正準負荷量算出処理Ｓ４にて算出した２×Ｌ×Ｍ×_NＣ₂個の正準負荷量、及び、予め定められた基準負荷量に基づいてコンテンツＣを定量評価する。したがって、本実施形態に係る評価装置１によれば、コンテンツＣに対する大規模集団調査による様々な尺度での評価結果を、精度良く、且つ定量的に予測することができる。

なお、本実施形態においては、正準負荷量算出処理Ｓ４にて算出した２×Ｌ×Ｍ×_NＣ₂個の正準負荷量に基づいてコンテンツＣを定量評価する構成について説明したが、本発明は、これに限定されない。例えば、正準相関分析処理Ｓ３にて算出したＭ×_NＣ₂個の正準相関係数に基づいてコンテンツＣを定量評価する形態も、本発明の範疇に含まれる。正準負荷量の類似度と同様、正準相関係数の類似度には、大規模集団調査による評価結果の近さが反映される。したがって、正準相関分析処理Ｓ３にて算出したＭ×_NＣ₂個の正準相関係数に基づいてコンテンツＣを定量評価する構成を採用した場合においても、コンテンツＣに対する大規模集団調査による様々な尺度での評価結果を、定量的に予測することができる。正準相関係数に基づいてコンテンツＣを定量評価する形態の詳細については変形例１として後述する。

（コンテンツ評価処理の具体例）
コンテンツ評価処理Ｓ５の一具体例について、図４を参照して説明する。図４は、本具体例に係るコンテンツ評価処理Ｓ５の流れを示すデータフロー図である。

本具体例に係るコンテンツ評価処理Ｓ５は、図４に示すように、平均正準負荷量算出処理Ｓ５１（特許請求の範囲における「代表正準負荷量算出処理」の一例）と、類似度算出処理Ｓ５２と、平均類似度算出処理Ｓ５３（特許請求の範囲における「評価指標算出処理」の一例）と、を含んでいる。

平均正準負荷量算出処理Ｓ５１は、図４に示すように、各被験者について、正準負荷量算出処理Ｓ４にて算出した２×Ｌ×_NＣ₂個の正準負荷量ｓ^(i,p,q,n)，ｔ^(i,p,q,n)から、２×Ｌ個の平均正準負荷量ｓ^(i,n)，ｔ^(i,n)を算出する処理である。平均正準負荷量ｓ^(i,n)は、例えば、式（１１）により与えられ、平均正準負荷量ｔ^(i,n)は、例えば、式（１２）により与えられる。平均正準負荷量算出処理Ｓ５１にて算出する平均正準負荷量の個数は、１被験者あたり２×Ｌ個であり、１コンテンツあたり２×Ｍ×Ｌ個である。

類似度算出処理Ｓ５２は、図４に示すように、各被験者について、平均正準負荷量算出処理Ｓ５１にて算出した各平均正準負荷量ｓ^(i,n)から、該平均正準負荷量ｓ^(i,n)と基準負荷量ｓ⁽ⁿ⁾との類似度ｄ_s ^(i,n)を算出すると共に、平均正準負荷量算出処理Ｓ５１にて算出した各平均正準負荷量ｔ^(i,n)から、該平均正準負荷量ｔ^(i,n)と基準負荷量ｔ⁽ⁿ⁾との類似度ｄ_t ^(i,n)を算出する処理である。類似度ｄ_s ^(i,n)は、例えば、内積ｓ^(i,n)・ｓ⁽ⁿ⁾により与えられ、類似度ｄ_t ^(i,n)は、例えば、内積ｔ^(i,n)・ｔ⁽ⁿ⁾により与えられる。類似度算出処理Ｓ５２にて算出する類似度の個数は、１被験者あたり２×Ｌ個であり、１コンテンツあたり２×Ｍ×Ｌ個である。

平均類似度算出処理Ｓ５３は、図４に示すように、類似度算出処理Ｓ５２にて算出した２×Ｍ×Ｌ個の類似度ｄ_s ^(i,n)，ｄ_t ^(i,n)から、２×Ｌ個の平均類似度ｄ_s ⁽ⁿ⁾，ｄ_t ⁽ⁿ⁾を算出する処理である。平均類似度ｄ_s ⁽ⁿ⁾は、例えば、式（１３）により与えられ、平均類似度ｄ_t ⁽ⁿ⁾は、例えば、式（１４）により与えられる。平均類似度算出処理Ｓ５３にて算出する平均類似度の個数は、１コンテンツあたり２×Ｌ個である。

本具体例に係るコンテンツ評価処理Ｓ５においては、例えば、大規模集団調査による評価結果（例えば、好感度得票数、又は、好感度得票数に基づいて決定された好感度ランキング）が最上位のコンテンツについて、上述した方法と同様の方法で得られた平均正準負荷量を、基準負荷量ｓ⁽¹⁾，ｓ⁽²⁾，…，ｓ^(L)，ｔ⁽¹⁾，ｔ⁽²⁾，…，ｔ^(L)として利用することができる。この場合、平均類似度ｄ_s ⁽¹⁾，ｄ_s ⁽²⁾，…，ｄ_s ^(L)，ｄ_t ⁽¹⁾，ｄ_t ⁽²⁾，…，ｄ_t ^(L)が高いときには、コンテンツＣに対する大規模調査による評価結果が高いことを予想され、平均類似度ｄ_s ⁽¹⁾，ｄ_s ⁽²⁾，…，ｄ_s ^(L)，ｄ_t ⁽¹⁾，ｄ_t ⁽²⁾，…，ｄ_t ^(L)が低いときには、コンテンツＣに対する大規模調査による評価結果が低いことを予想される。

また、本具体例に係るコンテンツ評価処理Ｓ５においては、例えば、大規模集団調査による評価結果が最下位のコンテンツについて、上述した方法と同様の方法で得られた平均正準負荷量を、基準負荷量ｓ⁽¹⁾，ｓ⁽²⁾，…，ｓ^(L)，ｔ⁽¹⁾，ｔ⁽²⁾，…，ｔ^(L)として用いることもできる。この場合、平均類似度ｄ_s ⁽¹⁾，ｄ_s ⁽²⁾，…，ｄ_s ^(L)，ｄ_t ⁽¹⁾，ｄ_t ⁽²⁾，…，ｄ_t ^(L)が高いときには、コンテンツＣに対する大規模集団調査による評価結果が低いことを予想され、平均類似度ｄ_s ⁽¹⁾，ｄ_s ⁽²⁾，…，ｄ_s ^(L)，ｄ_t ⁽¹⁾，ｄ_t ⁽²⁾，…，ｄ_t ^(L)が低いときには、コンテンツＣに対する大規模集団調査による評価結果が高いことを予想される。

なお、本具体例においては、正準負荷量ｓ^(i,n)と基準負荷量ｓ⁽ⁿ⁾との類似度ｄ_s ^(i,n)として、内積ｓ^(i,n)・ｓ⁽ⁿ⁾を用いたが、本具体例はこれに限定されない。例えば、正準負荷量ｓ^(i,n)と基準負荷量ｓ⁽ⁿ⁾との類似度ｄ_s ^(i,n)として、正準負荷量ｓ^(i,n)と基準負荷量ｓ⁽ⁿ⁾との成す角θの余弦ｃｏｓθ＝ｓ^(i,n)・ｓ⁽ⁿ⁾／｜ｓ^(i,n)｜｜ｓ⁽ⁿ⁾｜を用いてもよいし、正準負荷量ｓ^(i,n)と基準負荷量ｓ⁽ⁿ⁾との相関係数ｃｏｒｒｃｏｅｆ（ｓ^(i,n)，ｓ⁽ⁿ⁾）を用いてもよい。何れの場合であっても、本具体例と同様の効果が得られる。

（前処理）
なお、本実施形態においては、脳波信号そのものを表す多チャンネル時系列データを脳波データＸ^(i,j)として用いたが、本実施形態はこれに限定さない。例えば、脳波信号そのものを表す脳波データをＸとして、この脳波データに前処理を施した脳波データＸ’を脳波データＸ^(i,j)として用いてもよい。この前処理としては、例えば、双曲線関数を用いた以下の前処理が挙げられる。

双曲線関数を用いた前処理を行うことによって、大規模集団調査の調査結果をより良く再現するコンテンツの定量評価を行うことが可能になる。なお、双曲線関数以外のスケーリング関数を用いた前処理によっても、同様の効果を得ることができる。なお、前処理に用いることのできる双曲線関数以外のスケーリング関数としては、例えば、シグモイド関数その他のロジスティック関数が挙げられる。

また、前処理として、脳波信号そのものを表す脳波データをＸから、脳波信号の特定の周波数帯域に属する成分（α波、β波、γ波など）を表す脳波データＸ’を生成するフィルタ処理を施してもよい。また、このような前処理を、スケーリング関数を用いた前処理と組み合わせてもよい。

（実施例）
実施例として、１０本のコマーシャル動画を用意した。これら１０本のコマーシャル動画の各々について、該コマーシャル動画を視聴させながら脳波を測定する試行を、３１人の被験者の各々に対して１０回ずつ実施した。なお、各コマーシャル動画の再生時間は、１５秒であった。また、各脳波データのチャンネル数ｃｈは、６３であり、サンプリング周波数は１０００ヘルツであり、各脳波データのサンプリング数は、１５０００であった。

次に、上記１０本のコマーシャル動画のなかで、ＣＭ総合研究所が実施した「消費者３０００人の月例ＣＭ好感度調査」において好感度得票数（以下、「ＣＭ好感度得票数」と記載）を最も多く獲得したコマーシャル動画について、上述した方法に従って１次の正準負荷量ｓ^(i,2)を被験者毎に算出し、その被験者平均を基準負荷量ｓ⁽²⁾とした。そして、１０本のコマーシャル動画の各々について、上述した方法に従って平均類似度ｄ_s ⁽²⁾を算出した。なお、上述した方法を実施する過程においては、正準負荷量ｓ^(i,2)と基準負荷量ｓ⁽²⁾との類似度ｄ_s ^(i,2)として、正準負荷量ｓ^(i,2)と基準負荷量ｓ⁽²⁾との成す角θの余弦ｃｏｓθを用いた。

図５は、６３次元のベクトルである基準負荷量ｓ⁽²⁾を強度分布としてプロットしたグラフである。図５に示すグラフによれば、左脳の側方及び後方に、脳波データのコンシステンシーが高くなる領域が存在することが分かる。

図６は、上記１０本のコマーシャル動画の各々について、ＣＭ好感度得票数をもとに算出されたそのコマーシャル動画のランキング（以下、「ＣＭ好感度ランキング」と記載）と、そのコマーシャル動画に対応する平均類似度ｄ_s ⁽²⁾との相関を示す散布図である。図６によれば、ＣＭ好感度ランキングが高いコマーシャル動画ほど平均類似度ｄ_s ⁽²⁾が高く、ＣＭ好感度ランキングが低いコマーシャル動画ほど平均類似度ｄ_s ⁽²⁾が低くなることが分かる。換言すれば、平均類似度ｄ_s ⁽²⁾を評価指標とする本実施例に係る評価方法によれば、各コマーシャル動画のＣＭ好感度ランキング（大規模集団調査における評価の一例）を精度良く予測できることが分かる。

図７は、上記１０本のコマーシャル動画の各々について、そのコマーシャル動画のＣＭ好感度得票数（ｌｏｇ１０変換）と、そのコマーシャル動画に対応する平均類似度ｄ_s ⁽²⁾との相関を示す散布図である。図７によれば、ＣＭ好感度得票数の多いコマーシャル動画ほど平均類似度ｄ_s ⁽²⁾が高く、ＣＭ好感度得票数の少ないコマーシャル動画ほど平均類似度ｄ_s ⁽²⁾が低くなることが分かる。換言すれば、平均類似度ｄ_s ⁽²⁾を評価指標とする本実施例に係る評価方法によれば、各コマーシャル動画のＣＭ好感度得票数（大規模集団調査における評価の一例）を精度良く予測できることが分かる。これは、上記ＣＭ好感度ランキングに基づいて定めた基準負荷量を用いた本実施例に係る評価方法が、上記ＣＭ好感度ランキングのもととなった、各コマーシャル動画のＣＭ好感度得票数を予測する目的にも使用し得ることを意味する。

図８は、上記１０本のコマーシャル動画の各々について、そのコマーシャル動画のＣＭ好感度ランキングと、上記３１人の被験者による主観評価値（１～５の５段階評価）を平均することより求めた、そのコマーシャル動画に対する平均主観評価値との相関を示す散布図である。図６に示した散布図と図８に示した散布図とを比較すると、平均類似度ｄ_s ⁽²⁾の方が、平均主観評価値よりも、ＣＭ好感度ランキングと強い相関を示すことが分かる。換言すれば、平均類似度ｄ_s ⁽²⁾を評価指標とする本実施例に係る評価方法によれば、平均主観評価値を評価指標とする評価方法よりも、上記ＣＭ好感度ランキングを精度良く予測できることが分かる。

図９は、上記１０本のコマーシャル動画の各々について、そのコマーシャル動画の上記ＣＭ好感度ランキングと、そのコマーシャル動画に対応する正準相関係数との相関を示す散布図である。図９によれば、各コマーシャルのＣＭ好感度ランキングと、そのコマーシャル動画に対応する正準相関係数との間に、一定の相関が存在することが分かる。したがって、平均類似度ｄ_s ⁽²⁾を評価指標とする代わりに正準相関係数を評価指標としても、上記ＣＭ好感度ランキングを予測できることが分かる。ただし、図６に示した散布図と図９に示した散布図との比較から明らかなように、平均類似度ｄ_s ⁽²⁾を評価指標とする方が、正準相関係数を評価指標とするよりも予測精度が高い。なお、図９に示す正準相関係数は、詳細を後述する変形例１を用いて算出した。

図１０は、上記１０本のコマーシャル動画の各々について、そのコマーシャル動画の上記ＣＭ好感度ランキングと、非特許文献１に記載の評価方法により求めた、そのコマーシャル動画に対応する正準相関係数との相関を示す散布図である。ここで、本明細書に記載の評価方法においては、同じ被験者から得られた２つの脳波データに対する正準相関分析を行うのに対して、非特許文献１に記載の評価方法においては、異なる被験者から得られた２つの脳波データに対する正準相関分析を行う。したがって、非特許文献１に記載の評価方法により求めた正準相関係数は、本明細書に記載の評価方法により求めた正準相関係数とは異なる量である点に留意されたい。本比較例の詳細については後述する。

第１に、図６に示した散布図と図１０に示した散布図とを比較すると、本明細書に記載の評価方法で算出した平均類似度ｄ_s ⁽²⁾の方が、非特許文献１に記載の評価方法で算出した正準相関係数よりも、上記ＣＭ好感度ランキングと強い相関を示すことが分かる。第２に、図９に示した散布図と図１０に示した散布図とを比較すると、本明細書に記載の評価方法で算出した正準相関係数（同じ被験者から得られた２つの脳波データに対する正準相関分析により得られる正準相関係数）の方が、非特許文献１に記載の評価方法で算出した正準相関係数（異なる被験者から得られた２つの脳波データに対する正準相関分析により得られる正準相関係数）よりも、上記ＣＭ好感度ランキングと強い相関を示すことが分かる。したがって、平均類似度ｄ_s ⁽²⁾を評価指標とする場合であっても、同じ被験者から得られた２つの脳波データに対する正準相関分析により得られる正準相関係数を評価指標とする場合であっても、本明細書に記載の評価方法によれば、非特許文献１に記載の評価方法よりも、上記ＣＭ好感度ランキングを精度良く予想することが可能になる。

図１１は、（１）評価対象とした上記１０本のコマーシャル動画のなかで、獲得したＣＭ好感度得票数が最も多いコマーシャル動画に対応する正準負荷量の平均値を基準負荷量ｓ⁽²⁾とした場合の各コマーシャル動画に対応する平均類似度ｄ_s ⁽²⁾と、（２）評価対象とした上記１０本のコマーシャル動画のなかで、獲得したＣＭ好感度得票数が最も少ないコマーシャル動画に対応する正準負荷量の平均値を基準負荷量ｓ⁽²⁾とした場合の各コマーシャル動画に対応する平均類似度ｄ_s ⁽²⁾との相関を示す散布図である。図１１によれば、前者の場合の平均類似度ｄ_s ⁽²⁾が大きくなるほど、後者の場合の平均類似度ｄ_s ⁽²⁾が小さくなることが分かる。これは、前者の場合に得られる評価結果と後者の場合に得られる評価結果とが互いに整合的であることを意味する。

最後に、上記１０本のコマーシャル動画に関して、各コマーシャル動画のＣＭ好感度得票数を目的変数とし、各コマーシャル動画に対応する３つの平均類似度ｄ⁽¹⁾＝｛ｄ_s ⁽¹⁾＋ｄ_t ⁽¹⁾｝／２，ｄ⁽²⁾＝｛ｄ_s ⁽²⁾＋ｄ_t ⁽²⁾｝／２，ｄ⁽³⁾＝｛ｄ_s ⁽³⁾＋ｄ_t ⁽³⁾｝／２を説明変数とする重回帰分析を行った。図１２は、この重回帰分析により得られたモデル式を用いて算出したＣＭ好感度得票数の予測値と、実際のＣＭ好感度得票数との相関を示す散布図である。図１２によれば、この重回帰分析により得られたモデル式を用いることによって、各コマーシャル動画のＣＭ好感度得票数を精度良く予測できることが分かる。また、この重回帰分析により得られたモデル式を用いれば、上記１０本のコマーシャル動画以外のコマーシャル動画についても、平均類似度から実際のＣＭ好感度得票数を容易に予測することができる。

なお、ここでは、重回帰分析により得られたモデル式を用いたＣＭ好感度得票数の予測について説明したが、単回帰分析により得られたモデル式を用いたＣＭ好感度得票数の予測についても、同様に実現することが可能である。すなわち、単回帰分析であるか重回帰分析であるかを問わず、回帰分析により得られたモデル式（回帰式）を用いることによって、任意のコマーシャル動画（ＣＭ好感度得票数が未知のコマーシャル動画を含む）について、そのコマーシャル動画に対応する平均類似度から、そのコマーシャル動画のＣＭ好感度得票数を精度良く予想することが可能である。

（評価装置の構成例）
評価装置１は、例えば、コンピュータ（電子計算機）を用いて構成することができる。図１３は、評価装置１として利用可能なコンピュータ１００の構成を例示したブロック図である。

コンピュータ１００は、図１３に示したように、バス１１０を介して互いに接続された演算装置１２０と、主記憶装置１３０と、補助記憶装置１４０と、入出力インタフェース１５０とを備えている。演算装置１２０として利用可能なデバイスとしては、ＣＰＵ（Central Processing Unit）などのプロセッサを挙げることができる。また、主記憶装置１３０として利用可能なデバイスとしては、例えば、半導体ＲＡＭ（random access memory）などのメモリを挙げることができる。また、補助記憶装置１４０として利用可能なデバイスとしては、例えば、ハードディスクドライブを挙げることができる。

入出力インタフェース１５０には、図１３に示したように、入力装置２００及び出力装置３００が接続される。脳波データを供給する脳波計などは、この入出力インタフェース１５０に接続される入力装置２００の一例である。また、評価結果を表示するためのディスプレイは、この入出力インタフェース１５０に接続される出力装置３００の一例である。

補助記憶装置１４０には、コンピュータ１００を評価装置１として動作させるための各種プログラムが格納されている。具体的には、コンピュータ１００に上述した脳波データ取得処理Ｓ１、脳波データ対生成処理Ｓ２、正準相関分析処理Ｓ３、正準負荷量算出処理Ｓ４、コンテンツ評価処理Ｓ５を実行させるためのプログラムが格納されている。これらのプログラムは、ＭＡＴＬＡＢなどの数値計算ライブラリに含まれるモジュールであってもよい。

演算装置１２０は、補助記憶装置１４０に格納された上記プログラムを主記憶装置１３０上に展開し、主記憶装置１３０上に展開された上記各プログラムに含まれる命令を実行することによって、コンピュータ１００を、脳波データ取得部１１、脳波データ対生成部１２、正準相関分析部１３、正準負荷量算出部１４、及びコンテンツ評価部１５として機能させる。主記憶装置１３０は、脳波データ、正準係数、正準変数、正準相関、正準負荷量などを記憶する記憶領域としても機能する。

なお、ここでは、内部記録媒体である補助記憶装置１４０に記録されている上記プログラムを用いてコンピュータ１００を評価装置１として機能させる構成について説明したが、本発明はこれに限定されるものではない。すなわち、外部記録媒体に記録されているプログラムを用いてコンピュータ１００を評価装置１として機能させる構成を採用してもよい。外部記録媒体としては、コンピュータ読み取り可能な「一時的でない有形の媒体」、例えば、テープ、ディスク、カード、半導体メモリ、プログラマブル論理回路などを用いることができる。

また、コンピュータ１００を通信ネットワークと接続可能に構成し、上記プログラムを通信ネットワークを介してコンピュータ１００に供給するようにしてもよい。この通信ネットワークは、プログラムを伝送可能であればよく、特に限定されない。なお、本発明は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。

（変形例１）
上述した実施形態は、前述したように、正準負荷量に基づく代わりに正準相関係数に基づいてコンテンツＣを評価する形態に変形することができる。

＜本変形例の構成＞
本変形例に係る評価装置１Ａについて、図１４～１６を用いて説明する。図１４は、評価装置１Ａの構成を示すブロック図である。図１５～１６は、評価装置１Ａにより実行される評価処理の流れを示すデータフロー図である。以下の説明では、本実施形態と同様、被験者数はＭであり、各被験者の１コンテンツあたりの試行回数はＮである。

評価装置１Ａは、図１４に示すように、本実施形態と同様に構成される脳波データ取得部１１および脳波データ対生成部１２と、正準相関分析部１３Ａと、コンテンツ評価部１５Ａとを含む。

脳波データ取得部１１および脳波データ対生成部１２は、本実施形態と同様に構成されることにより、図１５に示すように、脳波データ対｛Ｘ^(i,p)，Ｘ^(i,q)｝を生成する。生成される脳波データ対の個数は、本実施形態と同様、１被験者あたり_NＣ₂個であり、１コンテンツあたりＭ×_NＣ₂個である。本変形例は、生成された脳波データ対に対して、正準相関分析処理Ｓ３の代わりに正準相関分析処理Ｓ３Ａが実行される点が、本実施形態に対して異なる。

正準相関分析部１３Ａは、正準相関分析処理Ｓ３Ａを実行するための構成である。正準相関分析処理Ｓ３Ａは、上述した正準相関分析処理を行うことにより、各脳波データ対｛Ｘ^(i,p)，Ｘ^(i,q)｝に対応する正準相関係数Ｒ^(i,p,q)を算出する。正準相関分析処理Ｓ３Ａは、図１６に示すように、正準相関係数Ｒ^(i,p,q)を算出するための以下の処理Ｓ３１、Ｓ３２を含む。

処理Ｓ３１は、各脳波データ対｛Ｘ^(i,p)，Ｘ^(i,q)｝に対応して、１次からＬ次までのＬ個の正準相関係数Ｒ^(i,p,q,1)，Ｒ^(i,p,q,2)，…，Ｒ^(i,p,q,L)を算出する処理である。処理Ｓ３１で算出される正準相関係数の個数は、１被験者あたりＬ×_NＣ₂個であり、１コンテンツあたりＬ×Ｍ×_NＣ₂個である。

処理Ｓ３２は、処理Ｓ３１で算出されたＬ個の正準相関係数に基づいて、正準相関係数Ｒ^(i,p,q)を算出する処理である。本変形例では、処理Ｓ３２において、１次からｎ次（ｎは１以上Ｌ以下の自然数）までの正準相関係数の和が、正準相関係数Ｒ^(i,p,q)として算出される。処理Ｓ３２で算出される正準相関係数の個数は、１被験者あたり_NＣ₂個であり、１コンテンツあたりＭ×_NＣ₂個である。

コンテンツ評価部１５Ａは、正準相関分析処理Ｓ３Ａにより算出されたＭ×_NＣ₂個の正準相関係数を用いて、コンテンツの定量評価を行うコンテンツ評価処理Ｓ６を実行する。
コンテンツ評価処理Ｓ６は、図１６に示すように、処理Ｓ６１、Ｓ６２を含む。

処理Ｓ６１は、各被験者について算出された_NＣ₂個の正準相関係数に基づいて、各被験者の正準相関係数Ｒ⁽ⁱ⁾を求める処理である。本変形例では、_NＣ₂個の正準相関係数の平均を正準相関係数Ｒ⁽ⁱ⁾とする。処理Ｓ６１で算出される正準相関係数の個数は、１被験者あたり１個であり、１コンテンツあたりＭ個である。

処理Ｓ６２は、各コンテンツについて算出されたＭ個の正準相関係数に基づいて、各コンテンツの正準相関係数Ｒを求める処理である。本変形例では、Ｍ個の正準相関係数の平均を正準相関係数Ｒとする。処理Ｓ６２で算出される正準相関係数の個数は、１コンテンツあたり１個である。

コンテンツ評価部１５は、コンテンツの正準相関係数Ｒを評価指標として、当該コンテンツを評価する。

＜実施例＞
上述した実施例において本変形例を用いた評価については、前述の図９に示した通りである。図９は、１０本のコマーシャル動画のＣＭ好感度ランキングと、本変形例によって各コマーシャル動画について算出した正準相関係数Ｒとの相関を示している。なお、ここでは、本変形例の処理Ｓ３２においてｎ＝３を適用し、１次から３次までの正準相関係数の和を正準相関係数Ｒ^(i,p,q)として算出した。図９によれば、ＣＭ好感度ランキングと、本変形例によって各コマーシャル動画について算出した正準相関係数Ｒとの間には、一定の相関が存在することが分かる。

＜比較例の詳細＞
前述の図１０を用いて説明した比較例の詳細について説明する。

比較例では、非特許文献１に記載の評価方法として、以下の処理Ｓ９１、Ｓ９２、Ｓ９３、Ｓ９４、Ｓ９５を実行した。以下の説明では、被験者数はＭであり、各被験者の１コンテンツあたりの試行回数はＮである。

処理Ｓ９１は、Ｍ人の被験者に対して実施されたｊ回目の各試行（ｊは１以上Ｎ以下の自然数）について得られるＭ個の脳波データＸ^(j,1)，Ｘ^(j,2)，…，Ｘ^(j,M)から、異なる被験者に対応する脳波データＸ^(j,p)，Ｘ^(j,q)からなる脳波データ対｛Ｘ^(j,p)，Ｘ^(j,q)｝を生成する処理である。

処理Ｓ９２は、ｊ回目の各試行について、異なる被験者間の各脳波データ対｛Ｘ^(j,p)，Ｘ^(j,q)｝に対応して、正準相関分析により１次からＬ次までのＬ個の正準相関係数Ｒ^(j,p,q,1)，Ｒ^(j,p,q,2)，…，Ｒ^(j,p,q,L)を算出する処理である。処理Ｓ９２で算出される正準相関係数の個数は、１試行あたりＬ×_MＣ₂個であり、１コンテンツあたりＬ×Ｎ×_MＣ₂個である。

処理Ｓ９３は、処理Ｓ９２で算出されたＬ個の正準相関係数に基づいて、正準相関係数Ｒ^(j,p,q)を算出する処理である。ここでは、１次から３次までの正準相関係数の和を正準相関係数Ｒ^(j,p,q)として算出した。処理Ｓ９３で算出される正準相関係数の個数は、１試行あたり_MＣ₂個であり、１コンテンツあたりＮ×_MＣ₂個である。

処理Ｓ９４は、各試行について算出された_MＣ₂個の正準相関係数の平均を、各試行の正準相関係数Ｒ^(j)として求める処理である。処理Ｓ９４で算出される正準相関係数の個数は、１試行あたり１個であり、１コンテンツあたりＮ個である。

処理Ｓ９５は、各コンテンツについて算出されたＮ個の正準相関係数の平均を、各コンテンツの正準相関係数Ｒ’として求める処理である。処理Ｓ９５で算出される正準相関係数の個数は、１試行あたり１個である。

このように、各コンテンツの正準相関係数を求める際に、比較例は、異なる被験者から得られた脳波データ対を用いるのに対して、変形例１は、同一の被験者によって実施された異なる試行から得られた脳波データ対を用いる点が異なる。

図１０は、比較例により求めた各コンテンツの正準相関係数Ｒ’と、各コマーシャル動画のＣＭ好感度ランキングとの相関を示している。図１０および図９を比較すると、比較例により求めた正準相関係数Ｒ’よりも、変形例１により求めた正準相関係数Ｒの方が、ＣＭ好感度ランキングとの間で強い相関を示すことがわかる。

（変形例２）
上述した実施形態は、正準負荷量に基づいてコンテンツＣを評価する際に、正準負荷量に対して主成分分析を行う形態に変形することができる。

＜本変形例の構成＞
本変形例に係る評価装置１Ｂについて、図１７、図２～３、図１８を用いて説明する。図１７は、評価装置１Ｂの構成を示すブロック図である。図２～３、図１８は、評価装置１Ｂにより実行される評価処理の流れを示すデータフロー図である。以下の説明では、本実施形態と同様、被験者数はＭであり、各被験者の１コンテンツあたりの試行回数はＮである。また、コンテンツ数はＫである。

評価装置１Ｂは、図１７に示すように、本実施形態と同様に構成される脳波データ取得部１１、脳波データ対生成部１２、正準相関分析部１３および正準負荷量算出部１４と、主成分分析部１６と、コンテンツ評価部１５Ｂとを含む。

脳波データ取得部１１、脳波データ対生成部１２、正準相関分析部１３および正準負荷量算出部１４は、本実施形態と同様に構成されることにより、図２～３に示したように、１次からＬ次の正準負荷量ｓ^(i,p,q,n)および１次からＬ次のｔ^(i,p,q,n)を生成する。生成される正準負荷量の個数は、１被験者あたり２×Ｌ×_NＣ₂個であり、１コンテンツあたり２×Ｌ×Ｍ×_NＣ₂個である。本変形例は、生成された正準負荷量に対して、コンテンツ評価処理Ｓ５の代わりに主成分分析処理Ｓ７が実行される点が、本実施形態に対して異なる。

主成分分析部１６は、主成分分析処理Ｓ７を実行するための構成である。主成分分析処理Ｓ７は、正準負荷量算出部１４が算出した各正準負荷量に対する主成分分析により各コンテンツの主成分スコアを算出する処理であり、図１８に示すように、処理Ｓ７１～Ｓ７４を含む。

処理Ｓ７１は、正準相関分析処理Ｓ３により生成された正準負荷量を１つの行列ＣＬにまとめる処理である。具体的には、処理Ｓ７１では、各脳波データ対｛Ｘ^(i,p)，Ｘ^(i,q)｝について算出されたＬ個の正準負荷量ｓから、ｎ個の正準負荷量ｓ^(i,p,q,1)，ｓ^(i,p,q,2)，…，ｓ^(i,p,q,n)が抽出されるとともに、Ｌ個の正準負荷量ｔから、ｎ個の正準負荷量ｔ^(i,p,q,2)，…，ｔ^(i,p,q,n)が抽出される。なお、ｎは、１以上Ｌ以下の自然数である。抽出される正準負荷量の個数は、１被験者あたり２×ｎ×_NＣ₂個であり、１コンテンツあたり２×ｎ×Ｍ×_NＣ₂個であり、全部でｐ（ｐ＝２×Ｋ×ｎ×Ｍ×_NＣ₂）個である。ここで、各正準負荷量は、ｃｈ次元のベクトルデータである。処理７１では、ｐ個の各正準負荷量を列ベクトルとするｃｈ行ｐ列の行列データＣＬが生成される。

処理Ｓ７２は、行列データＣＬに対する主成分分析処理により、主成分係数ｃｏｅｆｆを算出する処理である。主成分分析処理としては、一例として、Ｍａｔｌａｂ関数「ｐｃａ」を使用する。ｃｏｅｆｆの行列数は、ｐ行［ｃｈ－１］列である。

処理Ｓ７３は、行列データＣＬに対する正規化処理により、ｃｈ行ｐ列の正規化データＣＬ＿ｓｔｄを生成する処理である。正規化処理では、一例として、行列データＣＬから、行列データＣＬの各次元の平均値ＣＬ＿ｍｅａｎを引くことにより、正規化データＣＬ＿ｓｔｄが生成される。正規化データＣＬ＿ｓｔｄの行列数は、行列データＣＬと同一であり、ｃｈ行ｐ列である。

処理Ｓ７４は、主成分係数ｃｏｅｆｆおよび行列データＣＬ＿ｓｔｄを用いて、主成分スコアｓｃｏｒｅを算出する処理である。処理Ｓ７４では、主成分係数ｃｏｅｆｆおよび行列データＣＬ＿ｓｔｄの積から、コンテンツごとに主成分スコアｓｃｏｒｅが算出される。主成分スコアｓｃｏｒｅの行列数は、ｃｈ行［ｃｈ－１］列である。具体的には、処理Ｓ７４では、ｃｏｅｆｆが、Ｋ×［ｐ－Ｋ］×［ｃｈ－１］の３次元配列に変換される。つまり、変換後のｃｏｅｆｆは、Ｋ個の［ｐ－Ｋ］×［ｃｈ－１］の２次元配列ｃｏｅｆｆ’からなる。また、ＣＬ＿ｓｔｄが、Ｋ×ｃｈ×［ｐ－Ｋ］の３次元配列に変換される。つまり、変換後のＣＬ＿ｓｔｄは、Ｋ個のｃｈ×［ｐ－Ｋ］の２次元配列ＣＬ＿ｓｔｄ’からなる。コンテンツごとの主成分スコアｓｃｏｒｅは、当該コンテンツに対応するｃｏｅｆｆ’およびＣＬ＿ｓｔｄ’の積から算出される。

コンテンツ評価部１５Ｂは、コンテンツ評価処理Ｓ８を実行するための構成である。コンテンツ評価処理Ｓ８は、主成分分析処理Ｓ７にて算出した各コンテンツの主成分スコアｓｃｏｒｅ、及び、基準として予め定められた主成分スコア（以下、「基準スコア」と記載）に基づいてコンテンツＣを定量評価する処理である。

コンテンツ評価処理Ｓ８では、各コンテンツＣについて、主成分スコアｓｃｏｒｅと基準スコアとの類似度（以下、「主成分スコア類似度」と記載）ｄ＿ｐｃａが算出される。主成分スコア類似度ｄ＿ｐｃａは、１コンテンツあたり１つ算出される。主成分スコア類似度ｄ＿ｐｃａは、１次から（ｃｈ－１）次までのｄ＿ｐｃａ^（１），ｄ＿ｐｃａ^（２），…，ｄ＿ｐｃａ^{（ｃｈ－１）}からなる。

後述する実施例で明らかにするように、大規模集団調査による評価結果が近い（例えば、好感度得票数が近い、又は、好感度得票数に基づいて決定された好感度ランキングにおける順位が近い）２つのコンテンツでは、これら２つのコンテンツに対応する各主成分スコア類似度が高くなり、大規模集団調査による評価結果が遠い（例えば、好感度得票数が離れた、又は、好感度得票数に基づいて決定された好感度ランキングにおける順位が離れた）２つのコンテンツでは、これら２つのコンテンツに対応する各主成分スコア類似度が低くなる。

本変形例に係る評価装置１Ｂにおいては、正準負荷量に対して主成分分析処理Ｓ７を施すことにより得られた主成分スコアに基づいてコンテンツＣを定量評価する。したがって、本変形例に係る評価装置１Ｂによれば、コンテンツＣに対する大規模集団調査による様々な尺度での評価結果を、精度良く、且つ定量的に予測することができる。また、本変形例は、正準負荷量から求めた平均類似度に基づきコンテンツＣを定量評価する場合と比べて、より安定的な脳領域パターンデータの抽出を可能にし、より精度よく上記評価結果を予測することができる。

＜実施例＞
上述した実施例において本変形例を用いて評価を行った。具体的には、１０本のコマーシャル動画のなかで、ＣＭ好感度得票数を最も多く獲得したコマーシャル動画について、本変形例の方法に従って算出した主成分スコアｓｃｏｒｅを基準スコアとした。また、１０本のコマーシャル動画の各々について、本変形例の方法に従って主成分スコア類似度ｄ＿ｐｃａ^（２）を算出した。なお、本変形例の処理Ｓ７１ではｎ＝３を適用し、１次から３次までの正準負荷量ｓおよび１次から３次までの正準負荷量ｔを抽出して行列データＣＬを生成した。

図１９は、６３次元のベクトルである基準スコアを強度分布としてプロットしたグラフである。図１９に示すグラフによれば、前頭部および後頭部に、脳波データのコンシステンシーが高くなる領域が存在することが分かる。

図２０は、上記１０本のコマーシャル動画の各々について、各コマーシャル動画のＣＭ好感度ランキングと、そのコマーシャル動画に対応する主成分スコア類似度ｄ＿ｐｃａ^（２）との相関を示す散布図である。図２０によれば、ＣＭ好感度ランキングが高いコマーシャル動画ほど主成分スコア類似度ｄ＿ｐｃａ^（２）が高く、ＣＭ好感度ランキングが低いコマーシャル動画ほど主成分スコア類似度ｄ＿ｐｃａ^（２）が低くなることが分かる。換言すれば、主成分スコア類似度ｄ＿ｐｃａ^（２）を評価指標とする本変形例に係る評価方法によれば、各コマーシャル動画のＣＭ好感度ランキング（大規模集団調査における評価の一例）を精度良く予測できることが分かる。

図２１は、上記１０本のコマーシャル動画の各々について、そのコマーシャル動画のＣＭ好感度得票数（ｌｏｇ１０変換）と、そのコマーシャル動画に対応する主成分スコア類似度ｄ＿ｐｃａ^（２）との相関を示す散布図である。図２１によれば、ＣＭ好感度得票数の多いコマーシャル動画ほど主成分スコア類似度ｄ＿ｐｃａ^（２）が高く、ＣＭ好感度得票数の少ないコマーシャル動画ほど主成分スコア類似度ｄ＿ｐｃａ^（２）が低くなることが分かる。換言すれば、主成分スコア類似度ｄ＿ｐｃａ^（２）を評価指標とする本変形例に係る評価方法によれば、各コマーシャル動画のＣＭ好感度得票数（大規模集団調査における評価の一例）を精度良く予測できることが分かる。これは、本変形例に係る評価方法が、各コマーシャル動画のＣＭ好感度得票数を予測する目的にも使用し得ることを意味する。このように、本変形例に係る評価方法は、より安定的な脳領域パターンデータを抽出することができる。また、本変形例に係る評価方法は、正準負荷量に基づいてコンテンツを評価する方法と同等の予測精度を得ることができる。

図２２は、正準負荷量に基づく評価および主成分スコアに基づく評価の各々によって得られる脳領域パターンデータを示す図である。脳領域パターンデータとは、６３次元のベクトルである基準負荷量、または、６３次元のベクトルである基準スコアの強度分布のパターンを表すデータである。なお、図２２の説明において、実施例Ａとは、上述した実施例であり、上述した通り、１０本のコマーシャル動画の各々について、該コマーシャル動画を視聴させながら脳波を測定する試行を、３１人の被験者の各々に対して１０回ずつ実施したものである。実施例Ｂとは、実施例Ａとは異なる８本のコマーシャル動画の各々について、該コマーシャル動画を視聴させながら脳波を測定する試行を、実施例Ａとは異なる２１人の被験者の各々に対して１０回ずつ実施したものである。

図２２において、脳領域パターンデータ２２０１は、実施例Ａにおいて正準負荷量に基づく評価によって得られた脳領域パターンデータを示す。なお、脳領域パターンデータ２２０１は、図５に示した脳領域パターンデータと同一である。また、脳領域パターンデータ２２０２は、実施例Ｂにおいて正準負荷量に基づく評価によって得られた脳領域パターンデータを示す。また、脳領域パターンデータ２２０３は、実施例Ａにおいて主成分スコアに基づく評価によって得られた脳領域パターンデータを示す。なお、脳領域パターンデータ２２０３は、図１９に示した脳領域パターンデータと同一である。脳領域パターンデータ２２０４は、実施例Ｂにおいて主成分スコアに基づく評価によって得られた脳領域パターンデータを示す。

図２２に示すように、脳領域パターンデータ２２０３および脳領域パターンデータ２２０４間の類似性は、脳領域パターンデータ２２０１および脳領域パターンデータ２２０２間の類似性よりも高いことがわかる。すなわち、主成分スコアに基づく評価方法は、正準負荷量に基づく評価方法に比べて、実施例Ａおよび実施例Ｂ間のように被験者群が変化する場合であっても、より安定的な脳領域パターンデータを抽出できることがわかる。

（まとめ）
上記課題を解決するために、本発明の一態様に係る評価装置は、コンテンツを視聴させながら脳波を測定する試行を各被験者に対して少なくとも２回ずつ実施することによって得られた複数の脳波データに基づいて、上記コンテンツを評価する評価装置であって、各被験者について、該被験者に対して実施された異なる試行に対応する２つの脳波データからなる脳波データ対を生成する脳波データ対生成部と、上記脳波データ対生成部が生成した各脳波データ対に対応する正準変数を算出する正準相関分析部と、上記正準相関分析部が算出した各正準変数に対応する少なくとも１つの正準負荷量を算出する正準負荷量算出部と、上記正準負荷量算出部が算出した各正準負荷量、及び、予め定められた基準負荷量に基づいて、上記コンテンツを評価するコンテンツ評価部と、を備えている。

上記の構成によれば、正準相関分析を実施する際にコンシステンシーが低い情報を捨象することができるので、上記コンテンツに対する大規模集団調査による評価結果を精度良く予測することができる。また、上記の構成によれば、正準負荷量に基づいてコンテンツを評価する際に参照する基準負荷量を大規模集団調査の評価尺度に応じて変更することができるので、上記コンテンツに対する大規模集団調査による様々な尺度での評価結果を予測することができる。したがって、上記の構成によれば、上記コンテンツに対する大規模集団調査による様々な尺度での評価結果を、精度良く予測することができる。

本発明の一態様に係る評価装置において、上記コンテンツ評価部は、（１）各被験者に対応する代表正準負荷量として、上記正準負荷量算出部が算出した該被験者に対応する正準負荷量を代表する代表値を算出する代表正準負荷量算出処理と、（２）各被験者に対応する類似度として、上記代表正準負荷量算出処理にて算出した該被験者に対応する代表正準負荷量と上記基準負荷量との類似度を算出する類似度算出処理と、（３）上記コンテンツの評価指標として、上記類似度算出処理にて算出した各類似度を代表する代表値を算出する評価指標算出処理と、を実行する、ことが好ましい。

上記の構成によれば、上記コンテンツに対する大規模集団調査による様々な尺度での評価結果を、精度良く、且つ定量的に予測することができる。

なお、正準負荷量を代表する代表値は、例えば、正準負荷量の平均値である。ここで、平均値を求めるための平均操作は、算術平均、加重平均、幾何平均、及び調和平均の何れであってもよい。また、平均値以外の代表値を、正準負荷量を代表する代表値として用いてもよい。中央値及び最頻値は、そのような代表値の一例である。

本発明の一態様に係る評価装置において、各被験者に対応する上記類似度は、該被験者に対応する上記代表正準負荷量と上記基準負荷量との内積、成す角の余弦、又は、相関である、ことが好ましい。

上記の構成によれば、上記コンテンツに対する大規模集団調査による様々な尺度での評価結果を、精度良く、定量的に、且つ簡単に予測することができる。

本発明の一態様に係る評価装置において、上記基準負荷量は、評価対象とするコンテンツのなかで、大規模集団調査による評価結果が最上位又は最下位のコンテンツに対する代表正準負荷量である、ことが好ましい。

上記の構成によれば、上記コンテンツ対する大規模集団調査による評価結果（例えば、好感度得票数などの実測値）を、精度良く、且つ定量的に予測することができる。

本発明の一態様に係る評価装置において、上記コンテンツは、コマーシャル動画であることが好ましい。

上記の構成によれば、上記コマーシャル動画に対する大規模集団調査による様々な尺度での評価結果を、精度良く予測することができる。

ただし、上記コンテンツは、再現性をもって視覚的及び／又は聴覚的に被験者に提示可能なコンテンツであればよく、コマーシャルを目的とするコンテンツであってもよいし、コマーシャルを目的としないコンテンツであってもよい。例えば、上記コンテンツは、（１）映像（動画であってもよいし、静止画あってもよい）のみにより構成されたコンテンツであってもよいし、（２）音声のみにより構成されたコンテンツであってもよいし、（３）映像及び音声により構成されたコンテンツであってもよい。また、上記コンテンツは、（１）テレビ放送により提供されるコンテンツであってもよいし、（２）インターネット配信により提供されるコンテンツであってもよいし、（３）ＣＤやＤＶＤなどの記録媒体から再生されるコンテンツであってもよいし、（４）映画館で上映されるコンテンツであってもよいし、（５）劇場やホールで演奏又は上演されるコンテンツであってもよい。

上記の方法によれば、上記コンテンツに対する大規模集団調査による様々な尺度での評価結果を、精度良く予測することができる。

なお、コンテンツを視聴させながら脳波を測定する試行を各被験者に対して少なくとも２回ずつ実施することによって得られた複数の脳波データに基づいて、上記コンテンツを評価する評価装置であって、各被験者について、該被験者に対して実施された異なる試行に対応する２つの脳波データからなる脳波データ対を生成する脳波データ対生成部と、上記脳波データ対生成部が生成した各脳波データ対に対応する正準相関係数を算出する正準相関分析部と、上記正準相関分析部が算出した正準相関係数に基づいて、上記コンテンツを評価するコンテンツ評価部と、を備えている評価装置も本願発明の範疇に含まれる。

また、コンテンツを視聴させながら脳波を測定する試行を各被験者に対して少なくとも２回ずつ実施することによって得られた複数の脳波データに基づいて、上記コンテンツを評価する評価方法であって、各被験者について、該被験者に対して実施された異なる試行に対応する２つの脳波データからなる脳波データ対を生成する脳波信号対生成処理と、上記脳波信号対生成処理にて生成した各脳波データ対に対応する正準相関係数を算出する正準相関分析処理と、上記正準相関分析処理にて算出した各正準相関係数に基づいて、上記コンテンツを評価するコンテンツ評価処理と、を含んでいる評価方法も本願発明の範疇に含まれる。

上記の装置及び方法によっても、正準相関分析を実施する際にコンシステンシーが低い情報を捨象することができるので、上記コンテンツに対する大規模集団調査による評価結果を精度良く予測することができる。

また、コンテンツを視聴させながら脳波を測定する試行を各被験者に対して少なくとも２回ずつ実施することによって得られた複数の脳波データに基づいて、上記コンテンツを評価する評価装置であって、各被験者について、該被験者に対して実施された異なる試行に対応する２つの脳波データからなる脳波データ対を生成する脳波データ対生成部と、上記脳波データ対生成部が生成した各脳波データ対に対応する正準変数を算出する正準相関分析部と、上記正準相関分析部が算出した各正準変数に対応する少なくとも１つの正準負荷量を算出する正準負荷量算出部と、上記正準負荷量算出部が算出した各正準負荷量に対する主成分分析により主成分スコアを算出する主成分分析部と、上記主成分分析部が算出した主成分スコア、及び、予め定められた基準スコアに基づいて、上記コンテンツを評価するコンテンツ評価部と、を備えている評価装置も本願発明の範疇に含まれる。

また、コンテンツを視聴させながら脳波を測定する試行を各被験者に対して少なくとも２回ずつ実施することによって得られた複数の脳波データに基づいて、上記コンテンツを評価する評価方法であって、各被験者について、該被験者に対して実施された異なる試行に対応する２つの脳波データからなる脳波データ対を生成する脳波データ対生成処理と、上記脳波データ対生成処理にて生成した各脳波データ対に対応する正準変数を算出する正準相関分析処理と、上記正準相関分析処理にて算出した各正準変数に対応する少なくとも１つの正準負荷量を算出する正準負荷量算出処理と、上記正準負荷量算出処理にて算出した各正準負荷量に対する主成分分析により主成分スコアを算出する主成分分析処理と、上記主成分分析処理にて算出した主成分スコア、及び、予め定められた基準スコアに基づいて、上記コンテンツを評価するコンテンツ評価処理と、を含んでいる評価方法も本願発明の範疇に含まれる。

上記の装置及び方法によっても、正準相関分析を実施する際にコンシステンシーが低い情報を捨象することができるので、上記コンテンツに対する大規模集団調査による評価結果を精度良く予測することができる。また、上記の装置及び方法は、より安定的な脳領域パターンデータの抽出を可能にし、さらに精度よく上記評価結果を予測することができる。

（付記事項）
本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。さらに、各実施形態にそれぞれ開示された技術的手段を組み合わせることにより、新しい技術的特徴を形成することができる。

１評価装置
１１脳波データ取得部
１２脳波データ対生成部
１３正準相関分析部
１４正準負荷量算出部
１５コンテンツ評価部

Claims

コンテンツを視聴させながら脳波を測定する試行を各被験者に対して少なくとも２回ずつ実施することによって得られた複数の脳波データに基づいて、上記コンテンツを評価する評価装置であって、
各被験者について、該被験者に対して実施された異なる試行に対応する２つの脳波データからなる脳波データ対を生成する脳波データ対生成部と、
上記脳波データ対生成部が生成した各脳波データ対に対応する正準変数を算出する正準相関分析部と、
上記正準相関分析部が算出した各正準変数に対応する少なくとも１つの正準負荷量を算出する正準負荷量算出部と、
上記正準負荷量算出部が算出した各正準負荷量、及び、予め定められた基準負荷量に基づいて、上記コンテンツを評価するコンテンツ評価部と、を備えている、
ことを特徴とする評価装置。
上記コンテンツ評価部は、（１）各被験者に対応する代表正準負荷量として、上記正準負荷量算出部が算出した該被験者に対応する正準負荷量を代表する代表値を算出する代表正準負荷量算出処理と、（２）各被験者に対応する類似度として、上記代表正準負荷量算出処理にて算出した該被験者に対応する代表正準負荷量と上記基準負荷量との類似度を算出する類似度算出処理と、（３）上記コンテンツの評価指標として、上記類似度算出処理にて算出した各類似度を代表する代表値を算出する評価指標算出処理と、を実行する、
ことを特徴とする請求項１に記載の評価装置。
各被験者に対応する上記類似度は、該被験者に対応する上記代表正準負荷量と上記基準負荷量との内積、成す角の余弦、又は、相関である、
ことを特徴とする請求項２に記載の評価装置。
上記基準負荷量は、評価対象とするコンテンツのなかで、大規模集団調査による評価結果が最上位又は最下位のコンテンツに対する代表正準負荷量である、
ことを特徴とする請求項１～３の何れか１項に記載の評価装置。
上記コンテンツは、コマーシャル動画である、
ことを特徴とする請求項１～４の何れか１項に記載の評価装置。
コンテンツを視聴させながら脳波を測定する試行を各被験者に対して少なくとも２回ずつ実施することによって得られた複数の脳波データに基づいて、上記コンテンツを評価する評価装置であって、
各被験者について、該被験者に対して実施された異なる試行に対応する２つの脳波データからなる脳波データ対を生成する脳波データ対生成部と、
上記脳波データ対生成部が生成した各脳波データ対に対応する正準相関係数を算出する正準相関分析部と、
上記正準相関分析部が算出した正準相関係数に基づいて、上記コンテンツを評価するコンテンツ評価部と、を備えている、
ことを特徴とする評価装置。
コンテンツを視聴させながら脳波を測定する試行を各被験者に対して少なくとも２回ずつ実施することによって得られた複数の脳波データに基づいて、上記コンテンツを評価する評価装置であって、
各被験者について、該被験者に対して実施された異なる試行に対応する２つの脳波データからなる脳波データ対を生成する脳波データ対生成部と、
上記脳波データ対生成部が生成した各脳波データ対に対応する正準変数を算出する正準相関分析部と、
上記正準相関分析部が算出した各正準変数に対応する少なくとも１つの正準負荷量を算出する正準負荷量算出部と、
上記正準負荷量算出部が算出した各正準負荷量に対する主成分分析により主成分スコアを算出する主成分分析部と、
上記主成分分析部が算出した主成分スコア、及び、予め定められた基準スコアに基づいて、上記コンテンツを評価するコンテンツ評価部と、を備えている、
ことを特徴とする評価装置。
コンピュータが、コンテンツを視聴させながら脳波を測定する試行を各被験者に対して少なくとも２回ずつ実施することによって得られた複数の脳波データに基づいて、上記コンテンツを評価する評価方法であって、
前記コンピュータが、各被験者について、該被験者に対して実施された異なる試行に対応する２つの脳波データからなる脳波データ対を生成する脳波信号対生成処理と、
前記コンピュータが、上記脳波信号対生成処理にて生成した各脳波データ対に対応する正準変数を算出する正準相関分析処理と、
前記コンピュータが、上記正準相関分析処理にて算出した各正準変数に対応する少なくとも１つの正準負荷量を算出する正準負荷量算出処理と、
前記コンピュータが、上記正準負荷量算出処理にて算出した各正準負荷量、及び、予め定められた基準負荷量に基づいて、上記コンテンツを評価するコンテンツ評価処理と、を含んでいる、
ことを特徴とする評価方法。
コンピュータが、コンテンツを視聴させながら脳波を測定する試行を各被験者に対して少なくとも２回ずつ実施することによって得られた複数の脳波データに基づいて、上記コンテンツを評価する評価方法であって、
前記コンピュータが、各被験者について、該被験者に対して実施された異なる試行に対応する２つの脳波データからなる脳波データ対を生成する脳波信号対生成処理と、
前記コンピュータが、上記脳波信号対生成処理にて生成した各脳波データ対に対応する正準相関係数を算出する正準相関分析処理と、
前記コンピュータが、上記正準相関分析処理にて算出した各正準相関係数に基づいて、上記コンテンツを評価するコンテンツ評価処理と、を含んでいる、
ことを特徴とする評価方法。
コンピュータが、コンテンツを視聴させながら脳波を測定する試行を各被験者に対して少なくとも２回ずつ実施することによって得られた複数の脳波データに基づいて、上記コンテンツを評価する評価方法であって、
前記コンピュータが、各被験者について、該被験者に対して実施された異なる試行に対応する２つの脳波データからなる脳波データ対を生成する脳波データ対生成処理と、
前記コンピュータが、上記脳波データ対生成処理にて生成した各脳波データ対に対応する正準変数を算出する正準相関分析処理と、
前記コンピュータが、上記正準相関分析処理にて算出した各正準変数に対応する少なくとも１つの正準負荷量を算出する正準負荷量算出処理と、
前記コンピュータが、上記正準負荷量算出処理にて算出した各正準負荷量に対する主成分分析により主成分スコアを算出する主成分分析処理と、
前記コンピュータが、上記主成分分析処理にて算出した主成分スコア、及び、予め定められた基準スコアに基づいて、上記コンテンツを評価するコンテンツ評価処理と、を含んでいる、
ことを特徴とする評価方法。
請求項１から７までの何れか１項に記載の評価装置としてコンピュータを機能させるためのプログラムであって、コンピュータを上記各部として機能させるためのプログラム。
請求項１１に記載のプログラムが記録されたコンピュータ読み取り可能な記録媒体。