JPWO2007144977A1 - 生体光計測装置 - Google Patents

Abstract

光計測されたヘモグロビン変化量の波形特徴から被検者の疾患を自動的に判定する際に、健常者群・非健常者群の分離並びに各疾患群の分離を向上する。生体光計測装置10の波形解析を行なう解析部に、分類モデルにより疾患の判定を行なう判定部40を設け、判定部に階層的分類を行なう複数の分類モデルを設ける。また分類モデルとして複数種の特徴量を合成した変数を用いる。分類モデルは、最適化法により最適化されるとともに、データの変化に伴い自動調整される。

Description

本発明は、無侵襲的に疾患診断を支援する生体光計測装置に関する。

生体光計測装置は、近赤外光を生体に照射し、生体内部を通過或いは生体内部で反射した光を計測する装置であり、生体内部の血液循環、血行動態及びヘモグロビン量変化を簡便に被検者に対し低拘束で且つ害を与えずに計測できることから臨床への応用が期待されている。

生体光計測の臨床応用としては、てんかん、脳虚血等の診断や言語機能の研究の等が報告されている。また下記の非特許文献１、文献２には、うつ病や統合失調症（精神分裂症）などの精神疾患患者において生体光計測による前頭葉のヘモグロビン量変化パターンに異常が生じることが報告されている。具体的にはヘモグロビン時間波形の課題試行中の積分値において、健常者、うつ病患者、統合失調症患者を比較した場合、大、小、中という異なる特徴を有することが報告されている。また統合失調症においては課題終了後にヘモグロビンの再上昇変化が見られることが報告されている。

しかしこのような波形特徴をもって被検者の疾患を推定する場合、その判断を検査者にゆだねれば客観性を確保することは難しい。そこで本出願人は、客観性を重んじて自動化を図る方法として、各疾患群に対して基準波形を決定し、各被検者の波形と各疾患群の基準波形間の相関を基準として疾患判定を行う技術を提案している（例えば、特許文献１）。また計測したヘモグロビン変化波形から抽出した特徴量と疾患毎辞書データとのマハラノビス距離を計算することで、疾患判定スコアを算出、表示する手法も提案している（特許文献２）。この発明では判定の基準と成っている疾患毎辞書データは、ユーザにより付加された疾患名を基準として分類、カテゴライズされていた。
「精神神経疾患における前頭葉局所脳血液量のダイナミクス−光トポグラフィを用いた検討」福田正人、日本学術振興会科学研究費補助金2001-2002年度研究成果報告書 「光で見る心」福田正人ら、心と社会第34巻1号別冊、日本精神衛生会 特開２００３−２７５１９１号公報 国際公開ＷＯ２００５／０２５４２１号公報

しかしながら、これら技術においては、健常者群・非健常者群の分離が十分でない側面があり、また、疾患群の分離において、波形特徴に基いた端的なカテゴリー形成がなされていない場合があった。
そこで本発明は、健常者群・非健常者群の分離を向上すると共に、さらに疾患分類においても端的なカテゴリー生成を可能にし、効果的な疾患の分類を行なうことができる生体光計測装置を提供することを目的とする。

上記課題を解決するため、本発明は、生体光計測装置の波形解析を行なう解析部に、分類モデルにより疾患の判定を行なう判定部を設け、判定部に階層的分類を行なう複数の分類モデルを設けた。また本発明は分類モデルにより疾患の判定を行なう判定部を設け、判定部が用いる分類モデルとして複数種の特徴量を合成した変数を採用した。

すなわち本発明の生体光計測装置は、可視から赤外領域に属する波長の光を被検体に照射し、被検体内部を通過した光を検出しヘモグロビン変化波形を計測する生体光計測部と、計測された波形から複数種の特徴量を抽出し、解析する特徴量演算部と、前記特徴量演算部で抽出された複数種の特徴量を用いて予め設定された分類モデルに従い疾患判定を行う判定部と、前記判定部の判定結果を表示する表示部とを備え、前記判定部は、前記分類モデルとして階層構造を有する複数の分類モデルを備えたことを特徴とする。

また本発明の生体光計測装置は、前記判定部が、前記分類モデルとして複数種の特徴量を合成した変数を用いることを特徴とする。
本発明の生体光計測装置において、分類モデルは、例えば、複数種の特徴量を合成した変数、例えば複数種の特徴量の線形結合であり、疾患判定が確定された複数の被検体群のそれぞれが、その疾患に対応する類に分類される確率を最大化するように決定されている。

また本発明の生体光計測装置は、分類モデルの構築において、例えば、ヘモグロビン波形の課題開始直後の傾き値、課題遂行中の積分値、課題終了後の再上昇度、波形全体の重心値等を特徴量として用いる。前記特徴量演算部は、生体光計測部の多チャンネルの各々で得られたヘモグロビン波形から特徴量を抽出する。
さらに本発明は、生体光計測部以外の構成要素を生体光計測部から切り離した疾患診断支援装置を提供する。この疾患診断支援装置は、生体光計測部が独立していることを除き、本発明の生体光計測装置と同じである。

本発明によれば、疾患分類を階層的に行うことにより、健常者群・非健常者群（疾患患者群）の分離の効果を高めることができる。また疾患患者群の分類においても階層的な性質を取り入れることにより、端的なカテゴリー生成により、効果的に疾患の分類を行うことができる。

以下、本発明の実施の形態を図面を参照して説明する。
図１は、本発明の生体光計測装置100の概要を示すブロック図である。この生体光計測装置100は、操作者の入力等に基づいて、生体光計測部10と、生体光計測部10で計測されたヘモグロビン変化波形から特徴量を抽出するとともに種々の解析を行なう特徴量演算部20と、特徴量演算部20における演算に必要な情報などを入力するための入力部30と、特徴量演算部20が抽出した複数種の特徴量を用いて検査対象である患者を５つのタイプに分類し、疾患診断を支援する判定部40と、多数の対象から得られた生体光計測データの解析結果を確定診断結果とともに疾患辞書データとして格納するとともに生体光計測部10が計測した波形データや判定部40が使用する分類モデルなどを格納する記憶部50と、判定部40の判定結果を辞書として登録された情報とともに表示する表示部60とを備えている。以下、各要素を説明する。

生体光計測部10は、人の頭部に光を照射し、頭部表面近傍で反射、散乱した光を複数の検出位置で受光し、血液内物質（ここではヘモグロビン）の変化信号を計測する多チャンネル装置で、言語想起を伴う語流暢課題を被検者に負荷した場合のヘモグロビン変化量をチャンネル毎に計測する。その具体的な構成は、図２に示すように、主として光源部102、受光器108、ロックインアンプ109、Ａ/Ｄ変換器110、計測制御用計算機111などから成っている。なおこれら符号の末尾の文字は、同じ要素が複数あることを意味する。光源部102と被検体106および受光器108と被検体106は、それぞれ照射用光ファイバ105、受光用光フィアバ107によって接続されている。

光源部102は、第1の波長（例えば６９０nmあるいは７８０nm）の光源部102a、102bと第２の波長（例えば８３０nm）の光源部102c、102dの２系統からなり、それぞれ発振器101に接続され、測定位置によって異なる変調を与えられ、結合器104a、104bおよび照射用光ファイバ105a、105bを介して被検体106の頭部に照射される。頭部近傍で反射・散乱した光は、照射用光ファイバに近接して配置された受光用光ファイバ107a〜107fで集光され、それぞれ受光器108ａ〜108fで光電変換される。照射用光ファイバ105と受光用光ファイバ107の先端は、光照射位置から等距離（例えば３０mm）の位置に受光位置が配列するように配置されている。受光器108としては光電子増倍管やフォトダイオードに代表される光電変換素子を用いる。

受光器108で光電変換された生体通過光強度を表す電気信号は、それぞれロックインアンプ109に入力される。ロックインアンプ109には発振器101からの強度変調周波数が参照周波数として入力されており、参照周波数により光源102ａ及び102b並びに102cおよび102dに対する生体通過光強度信号がそれぞれ分離され、ロックインアンプ109から出力される。

ロックインアンプ109の出力である分離された各波長の通過光強度信号はアナログ−デジタル変換器110でアナログ−デジタル変換された後に、計測制御用計算機111に送られる。計測制御用計算機111では各検出点の検出信号から酸素化ヘモグロビン濃度、脱酸素化ヘモグロビン濃度および総ヘモグロビン濃度の相対変化量を演算し、複数の計測点の経時情報として記憶部50に格納する。酸素化ヘモグロビン濃度、脱酸素化ヘモグロビン濃度および総ヘモグロビン濃度の相対変化量であるヘモグロビン変化信号の１又は複数が、判定の対象である疾患に応じて用いられる。計測制御用計算機112は、上記演算のほか、生体光計測部20の動作の制御も行なう。
なお、図２では、複数の光を変調方式により分離する生体光計測部の構成を示したが、これに限定されず、たとえば、複数の光を照射するタイミングを時間的にずらすことで複数光を弁別する時分割方式を用いることもできる。

図２に示す例では、生体光計測部10の以外の要素、すなわち特徴量演算部20、判定部40および記憶部50はすべて計算機112にあり、入力部30および表示部60は計算機112に備えられている。ただし計算機111と計算機112は、一つの計算機としてもよい。また全く離れた場所に置かれ、インターネット等の通信手段を介して接続されるものであってもよい。すなわち計算機112は生体光計測部10から独立した疾患診断支援装置とすることも可能である。

特徴量演算部20では計測された局所酸素化ヘモグロビン、脱酸素化ヘモグロビンおよび総ヘモグロビンの変化量の波形データに基づき特徴量を解析する。特徴量演算部20の機能については後述する。波形データ及び特徴量は記憶部50に渡される。

記憶部50では被検者の計測情報等を一時的に保存しその後の処理を可能とする一方、例えば確定診断がある場合には計測情報を辞書データとして格納する。辞書データは後述するように判定部40が用いる分類モデルの最適化（パラメータの自動調整）を行う際に使用されるほか、本装置により診断を行う際にも利用できる。
判定部40は、記憶部50に保存された特徴量や分類モデルを用いて、被検者の疾患判定、具体的には精神疾患について健常者か非健常者かの判定、非健常者と判定された者についていずれの疾患に属するかの判定などを行なう。その詳細は後述する。

入力部30は、ユーザーが計算機112が行なう制御や演算のためのデータや指令を入力するためのGUIを表示し、GUIによるユーザーと計算機112のやりとりを交信を可能にする。
表示部60は、特徴量演算部20が抽出した被検体の特徴量、記憶部50に格納されたデータベースの情報、判定部40が分類した結果などを表示する。

次に、特徴量演算部20の機能について説明する。
特徴演算部20が処理すべきヘモグロビン変化信号は、例えば、図３に示すように、課題開始前の待ち時間と課題中と課題終了後の休止時間からなる所定の時間における信号強度の変化（mMmm）を示す波形300として得られる。図に示す２本の縦線は、それぞれ課題の開始時点301と修了時点302を表している。通常、課題は負荷と休止を一組として複数回繰り返される。複数回の計測で得られたヘモグロビン波形は加算平均され、必要に応じてスムージング処理、ベースライン処理等の前処理が施される。もちろん複数回繰り返さずに１回の課題試行でヘモグロビン変化量を求める場合もある。また図３には、一つのヘモグロビン変化波形を示しているが、波形は生体光計測部10のチャンネル毎に得られる。

このようなヘモグロビン波形は、精神疾患の疾患毎の異なる特徴があることが報告されている（非特許文献１、２）。言語想起を伴う語流暢課題を被検者に負荷疾患毎の波形特徴パターンを図４に示す。図示するように、健常者ではヘモグロビン変化が大で課題終了後に単調に減少する特徴が、統合失調症ではヘモグロビン変化が中程度で課題終了後に波形が再上昇する特徴が、うつ病ではヘモグロビン変化が小さい特徴が、双極性障害ではヘモグロビン変化が大きく課題後半にピークを迎える特徴が見られる。

特徴量演算部20は、計測されたヘモグロビン波形300からこれらの特徴を数値化する。具体的には、傾き値311、積分値313、再上昇度315、重心317を特徴量として算出する。傾き311は課題開始時刻から５秒までの区間におけるヘモグロビン波形の傾きを算出したものである。傾き311は課題に対する反応の速さを表す。積分値313は、課題試行中の区間のヘモグロビン波形を積分したものである。積分値313は、反応の大きさを反映していると考えられる。再上昇度315は、課題終了時のヘモグロビン値と計測終了時のヘモグロビン値を直線で結び、その直線より上の部分の面積を算出したものである。再上昇度315は、課題終了命令に従わない精神的傾向を反映していると思われる。重心値317は、波形の重心が位置する相対時刻を表す。測定開始をゼロ、測定終了時を１としている。重心値317は、持続的反応の速さを表すものと考えられる。なお生体光計測部10では一回の計測で複数チャンネルのヘモグロビン波形と特徴量が得られるが、特徴量の種類により、測定領域の平均波形の値あるいは全チャンネルの最大値を用いる。本実施の形態では、再上昇度については全チャンネルの最大値を用い、それ以外は測定領域の平均波形の値を用いた。

特徴量演算部20は、さらにこれら特徴量を用いて、判定部40の分類モデルに従った演算を行なう。この演算結果は、判定部40が分類モデルを適用して、被検者がいずれの疾患に属するかの判定を行なうために用いられる。

以下、判定部40の分類モデルについて詳述する。
本実施の形態の生体光計測装置では、計測された波形を階層的分類により５つのタイプに分類する。健常者および疾患患者の課題に対する反応は非常に複雑であり、上述した４種類の特徴量を組み合わせても一段階で分類することは困難であるが、階層的分類を用いることにより、個々の疾患群に分類することが可能となる。図５に、本実施の形態で採用する階層的分類を示す。本実施の形態は３つ階層からなり、第１階層501でType1群と非Type1群に分類し、第２階層502で非Type1群をType2/Type3、Type4およびType5の３群に分類する。第３階層503でType2/Type3群をType2群とType3群に分類する。Type1群は主として健常者から、Type2群およびType5群は主として統合失調症患者から、Type3群は双極性障害患者から、Type4群は主としてうつ病患者から構成される。

次に各階層で用いる分類モデルを説明する。図６〜図８は、それぞれ第１階層、第２階層および第３階層の分類モデルと判定のための閾値thrを示す図である。

Type1群と非Type1群に分類する第1階層の分類モデルは、４種の特徴量、傾き値（Ｄ）、積分値（Ｉ）、再上昇度（Ｒ）、重心（Ｃ）を正規化し、それらを線形に結合して合成した変数X_1である。
X_1=C1*Ｉ＋C2*Ｄ＋C3*Ｒ＋C4*Ｃ (１)
式１で下線は正規化されていることを示す。変数X_1の値が、thr_1以上のとき、その波形はType1群に属する。

第１階層で非Type1群に分類された群を分類する第２階層は、さらに傾き値を用いた分類と積分値を用いた分類の２階層からなる。まず傾き値がthr_aより小さいときType5と判定される。つぎに傾き値がthr_a以上であって且つ積分値がthr_b以上のとき、Type2/Type3群に属し、傾き値がthr_a以上であって且つ積分値がthr_b未満のとき、type4と判定される。

第３階層の分類モデルは、Type2/Type3群をType2群とType3群に分類するもので、ための分類モデルを示す。上記４種の特徴量、傾き値（Ｄ）、積分値（Ｉ）、再上昇度（Ｒ）、重心（Ｃ）を正規化し、それらを線形に結合して合成した変数X_23である。
X_23=D1*Ｉ＋D2*Ｄ＋D3*Ｒ＋D4*Ｃ （２）
式２で下線は正規化されていることを示す。変数X_23の値が、thr_23以上のとき、その波形はType2群に、それ以外のときType3群に属すると判定する。

これら第１階層〜第３階層の分類モデルは、各疾患の特徴を端的に表すと考えられる特徴量を組み合わせたものであり、その閾値thrおよび線形結合の係数C1〜C4、D1〜D4は、辞書データを用いてモデルを最適化することにより求められる。以下、各分類モデルの最適化について説明する。

まず第１階層の分類モデルの最適化は、正規化された特徴量の張る４次元空間で、ある方向を向いた単位ベクトルｃを考え、１つのデータに対応するベクトルｘ0との内積をとり、ｘとする。辞書データに対してｘの最小値、最大値が決まり、適当な値thrを取り分類を実行する。このとき健常者をType1に分類する確率をp1、非健常者をType1に分類しない確率をp_1とするとき、評価関数ｆ(u)=u*p1+(1-u)*p_1を最大にするベクトルcおよび値thrを求める。最適化されたｃの要素(c1,c2,c3,c4)及び値thrを、式（１）のC1、C2、C3、C4、thr_1とする。

次に第２階層の分類モデルの最適化は、例えば自動クラスタリングの技術を用いる。閾値組み合わせｊに対しタイプは３種（TYPE(j,n) n=1,2,3; 上記のType2/Type3,
Type4, Type5に対応）あり、各タイプに対しで健常者、統合失調症、うつ病、双極性障害の各疾患群の存在確率pNC(j,n), pS(j,n), pD(j,n), pBP(j,n)が決まる。これらの確率の間には
pNC(j,n) + pS(j,n) + pD(j,n) + pBP(j,n) = 1
の関係が成り立つ。各タイプで各疾患群の存在確率ができるだけ偏りを示すように閾値を選択する。すなわち閾値(thr_a, thr_b)の組み合わせｊに対応するエントロピー和E(j)は

と表せる。ここでpnは閾値組み合わせｊに対しタイプnに含まれるデータの割合である。エントロピー和E(j)を最小にする閾値組み合わせが、最良の分類（すなわちクラスタリング）を与える。エントロピーを最小化するということは、各タイプで各疾患群の存在確率ができるだけ偏りを示すように閾値を選択することに対応している。

最後に第３階層の分類モデルの最適化について説明する。正規化された特徴量の張る４次元空間で、ある方向を向いた単位ベクトルdを考え、１つのデータに対応するベクトルx0との内積をとり、xとする。辞書データに対してxの最小値、最大値が決まり、適当な値thrを取り分類を実行する。このときType2/Type3群に属する統合失調症患者をType2に分類する確率をp2、Type2/Type3群に属する双極性障害患者をType3に分類する確率をp_2とするとき、評価関数g(w)=w*p2+(1-w)*p_2を最大にするベクトルｄおよびthrを求める。最適化されたｄの要素(d1,d2,d3,d4)及びthrを、式（２）のD1、D2、D3、D4,thr_23とする。

判定部40は、以上の説明した分類モデルを用いて疾患判定を行なう。疾患判定のアルゴリズムを図９に示す。図示するように、判定部40は、特徴演算部20でヘモグロビン波形から算出された特徴量（ここでは傾き値、積分値、再上昇度、重心）が入力されると、第１階層901で式（１）の値X_1がthr_1より大きいか否かを判断し、Type1、非Type1のいずれかに分類する。非Type1に分類された場合には、さらに第２階層902、903でType2/Type3、Type4、Type5のいずれかに分類する。Type2/Type3に分類された場合には、さらに第３階層904でType4、Type5のいずれかに分類する。例えば積分値102、傾き0.003、再上昇度5、重心0.15というヘモグロビン変化を生じた被検者は健常者(Type1)に属すると判定される。

この階層的分類によれば、Type1には健常者、Type2には統合失調症、Type3には双極性障害、Type4にはうつ病、Type5には統合失調症が、それぞれ最も多く含まれることになる。しかし、これらは確率が高いことを示しているにすぎないので、判定結果は確率の高さとして表される。表示方法としては、例えば、「統合失調症である可能性が高い」「うつ病の可能性がある」などの所見を表示することも可能であるが、分類モデルの散布図上に表示することもできる。

図１０に散布図の一例を示す。図１０は、第２階層の分類モデルの散布図を示す図であり、横軸を傾き、縦軸を積分値としたグラフ上に、分類モデルのthr値で分けられたTypeの領域が示され、辞書データ内の各データが符号で示されている。このような散布図上に、被検者の数値をプロットすることにより、被検者が属するTypeを一目で確認することができ、また他のTypeとの距離も確認することができる。第１層で非Type1群に属すると分類された場合、前掲の場合と同じ積分値102、傾き0.003というヘモグロビン変化を生じた被検者は、散布図上では右上領域に分布し、Type2/Type3群に属することが認識できる。

以上説明した特徴量抽出から疾患判定までの手順を図１１に示す。疾患判定を行なうために入力部30に図１２に示すような入力画面が表示される。これに従って疾患判定に必要な情報、検査日、被検者番号などが入力される（ステップ1101）。この例では、被検者を番号で識別しているが、氏名であっても良い。確定した診断結果がある場合、１項の□にチェックする。入力されると、生体光計測部10から該当する被検者の計測波形が読み出され、複数種の特徴量が算出される（ステップ1102、1103）。次いで算出された特徴量に基き階層的分類が実行される（ステップ1104）。判定結果は、図１０に示すような散布図上に表示される（ステップ1105）。また被検者の確定診断がある場合には、検査結果は自動的にデータベース（記憶部50）に格納される。

このように本実施の形態の生体光計測装置によれば、特徴量を組み合わせた変数を用い、階層的分類を行なうことで、疾患毎に波形の特徴が複雑な様相を持つ精神疾患について、健常者との判別、疾患群間の判別を自動的に行なうことができ、また判別の確からしさを高めることができる。特に被検者の特徴量（或いはそれを合成した変数）と辞書データの特徴量（或いはそれを合成した変数）とを散布図上で比較表示することで、全体傾向を把握しながら疾患カテゴリーを判定することが可能となる。

ところで判定部40が用いる分類モデルは、辞書データから最適化法により構築したものであるが、分類の精度は、辞書データのデータ数が多いほど向上する。従って本発明の生体光計測装置は、分類モデルを更新（自動調整）する機能を備えていることが好ましい。

以下、分類モデルの自動調整機能について説明する。
既に述べたように、被検者の確定診断結果がある場合、検査結果は自動的にデータベースに格納される。このような辞書データの蓄積機能により、辞書データは変化する。自動調整機能は、辞書データの変化に伴い、分類モデルのパラメータを再度最適化する仕組みである。最適化の手法は、分類モデルを構築した場合の最適化手法と同じであり、第１階層および第３層の分類モデルについては、設定されたベクトルｃおよび値thrについて評価関数を設定し、これ最大にするベクトルcおよび値thrを求め、最適化されたｃの要素及び値thrを、式（１）或いは（２）の係数および閾値とする。また第２階層の分類モデルについては、自動クラスタリングの技術を用い、各タイプで各疾患群の存在確率ができるだけ偏りを示すように閾値を選択する。

分類モデルの最適化に際し、散布図を用いることができる。この場合には、辞書データ内の各データをプロットしたグラフに、最適化によって算出されたthr値を表示する。図１３に分類モデルを表す表示画面の一例を示す。図１３に示す例では、各分類モデルの散布図とともに、算出された閾値で分類された各疾患カテゴリーにどのような疾患が多く存在するか（疾患存在割合）を棒グラフで示している。このような表示により、分類の結果（分類の正確さ）を直ちに確認することができる。

確定された診断結果のある107例について、本発明の生体光計測装置の階層的分類により疾患判定を行ない、疾患判定の精度を評価した。

＜第１階層＞
第１階層の分類モデルとして、正規化した４種の特徴量、傾き値（Ｄ）、積分値（Ｉ）、再上昇度（Ｒ）、重心（Ｃ）を線形に結合して合成した変数X_1を用い、
X_1=C1*Ｉ＋C2*Ｄ＋C3*Ｒ＋C4*Ｃ (１)
式（１）の各係数をC1=0.31、C2=0.15、C3=-0.66、C4=-0.66としthr_1=0.482とした。その結果、107例中35例がtype1と判定された。健常者の64％がType1と判定されたのに対して非健常者でtype1と判定されたのはわずか６％だった。

比較例として、C4=0に固定し、C1=0.56、C2=0.42、C3=-0.71、thr_1=0.191として判定を行なった。この場合、正答率は最大となったが、健常者の46％、非健常者の31％がtype1と判定された。さらにC3=0も固定した場合には、健常者の21％、非健常者の48％がtype1と判定された。このことから、Type1群と非Type1群の分離には重心値（Ｃ）、さらには再上昇度（Ｒ）が重要な特徴量となっていることが分かる。

＜第２階層＞
非Type1群に分類された72例について、第２階層の分類として、傾きおよび積分値を用いた判定を行なった。傾きの閾値thr_a=-0.0012、積分値の閾値thr_b=12としたところ良好な結果が得られた。図１０に示した散布図は本実施例の結果である。図１０では４群が明確に分かれるのではなく、互いにかなり重なり合って分布しているのが分かる。それでも統合失調症患者の中のわずかではあるが、傾きが小さい領域Type5に分布している。また、残りの統合失調症患者は傾きも積分値も比較的大きい領域Type2/Type3に双極性障害患者の大部分とともに分布している。うつ病患者の大半は傾きが比較的大きく積分値が小さい領域Type4に分布している。健常者は全体数が多いため、非Type1の中、特にType2/Type3に相当数が分布している。

＜第３階層＞
実施例２においてType2/Type3と判定された37例について、さらに正規化した４種の特徴量、傾き値（Ｄ）、積分値（Ｉ）、再上昇度（Ｒ）、重心（Ｃ）を線形に結合して合成した変数X_23を用い、判定を行なった。
X_23=D1*Ｉ＋D2*Ｄ＋D3*Ｒ＋D4*Ｃ （２）
D1=0.15、D2=0.15、D3=0.98、D4=0.0、thr_1=0.129としたとき、37例中17例がtype2と判定された。各タイプを主成分疾患ラベルと同一視した場合、最終的に各疾患群分類正答率は64％以上となった。D3=0と固定するとD1=0.55、D2=0.76、D3=0.0、D4=0.34、thr_1=0.349のとき平均正答率は最大となるが、各疾患群分類正答率は、わずか39％にとどまった。このことからType2群とType3群の分類には再上昇度が重要な特徴量であることが分かる。図１３に示した棒グラフは、本実施例による第３階層の判定結果を示した図である。この図を見るとType1は健常者、Type2は統合失調症、Type3は双極性障害、Type4はうつ病、Type5は統合失調症が多く存在することが分かった。Type2とType3はそれぞれ統合失調症と双極性障害が分離される傾向が確認された。

以上、本発明の実施の形態を説明したが、本発明の主たる特徴は、生体光計測装置で計測された波形の解析において、複数種の特徴量を用いて予め設定された分類モデルに従い疾患判定を行う判定機能を設けたことであり、上記実施の形態に限定されることなく、特許請求の範囲に記載される範囲で種々の変更や応用が可能である。例えば、階層分類モデルは、複数の特徴量の合成変数を用いた第１階層の分類のみ自動化し、その後の判定をユーザーが行うようにすることも本発明に含まれる。また判定結果の表示方法などは、散布図による表示のほか、文字による表示、グラフによる表示などを適宜組み合わせ用いることができる。

本発明は、光計測結果を用いた疾患判定機能に係るものであり、精神疾患等の疾患診断支援装置に用いることができる。

本発明に係る生体光計測装置の概略構成を示す図。 生体光計測部の構成を示す図。 ヘモグロビン変化波形からの特徴量の抽出を説明する図。 疾患ごとの波形特徴を示す図。 判定部における階層的分類を模式的に示す図。 第１階層の分類モデルを示す図。 第２階層の分類モデルを示す図。 第３階層の分類モデルを示す図。 疾患判定アルゴリズムを示す図。 判定結果の表示例を示す図。 疾患状態判定フローを示す図。 入力部の入力画面の一例を示す図。 分類モデルを最適化した結果を示す図。

符号の説明

10・・・生体光計測部、20・・・特徴量演算部、30・・・入力部、40・・・判定部、50・・・記憶部、60・・・表示部、102・・・光源、108・・・受光器、106・・・検査対象（被検者）、111・・・計測制御用計算機、112・・・計算機（疾患診断支援装置）。

Claims (14)

1. 可視から赤外領域に属する波長の光を被検体に照射し、被検体内部を通過した光を検出しヘモグロビン変化波形を計測する生体光計測部と、計測された波形から複数種の特徴量を抽出し、解析する特徴量演算部と、前記特徴量演算部で抽出された複数種の特徴量を用いて予め設定された分類モデルに従い疾患判定を行う判定部と、前記判定部の判定結果を表示する表示部とを備え、前記判定部は、前記分類モデルとして階層構造を有する複数の分類モデルを備えたことを特徴とする生体光装置。
2. 請求項１に記載の生体光計測装置において、
   前記複数の分類モデルの少なくとも１つに、前記複数種の特徴量を合成した変数を用いたことを特徴とする生体光計測装置。
3. 請求項１に記載の生体光計測装置において、
   前記階層構造を有する複数の分類モデルのうち最上層の分類モデルは、被検体を健常者群および非健常者群のいずれに分類する分類モデルであることを特徴とする生体光計測装置。
4. 請求項１に記載の生体光計測装置において、
   前記階層構造を有する複数の分類モデルのうち最上層の分類モデルは、被検体を健常者群および非健常者群のいずれかに分類する分類モデルであり、下層の分類モデルは、非健常者群に分類された被検体を最終的に複数の疾患群の一つに分類する分類モデルであることを特徴とする生体光計測装置。
5. 可視から赤外領域に属する波長の光を被検体に照射し、被検体内部を通過した光を検出しヘモグロビン変化波形を計測する生体光計測部と、計測された波形から複数種の特徴量を抽出し、解析する特徴量演算部と、前記特徴量演算部で抽出された複数種の特徴量を用いて予め設定された分類モデルに従い疾患判定を行う判定部と、前記判定部の判定結果を表示する表示部とを備え、前記判定部は、前記分類モデルとして複数種の特徴量を合成した変数を用いることを特徴とする生体光計測装置。
6. 請求項２に記載の生体光計測装置において、
   前記合成された変数は、前記複数種の特徴量の線形結合であることを特徴とする生体光計測装置。
7. 請求項１に記載の生体光計測装置において、
   前記分類モデルは、疾患判定が確定された複数の被検体群のそれぞれが、その疾患に対応する類に分類される確率を最大化するように決定されていることを特徴とする生体光計測装置。
8. 請求項１に記載の生体光計測装置であって、
   前記判定部が用いる特徴量は、ヘモグロビン時間波形の課題開始直後の傾き値、課題遂行中の積分値、課題終了後の再上昇度、波形全体の重心値から選ばれる１ないし複数の特徴量を含むことを特徴とする生体光計測装置。
9. 請求項１に記載の生体光計測装置であって、
   前記生体光計測部は、前記被検体の複数の測定位置から複数の波形を計測する多チャンネル構造を有し、前記特徴量演算部は多チャンネルの各々で得られた波形から特徴量を抽出し、その最大値を解析対象とすることを特徴とする生体光計測装置。
10. 請求項１に記載の生体光計測装置であって、
    前記判定部は、疾患の確定された被検体について計測された波形および／または当該波形から抽出された複数種の特徴量をもとに、前記分類モデルを最適化する手段を備えたことを特徴とする生体光計測装置。
11. 請求項５に記載の生体光計測装置であって、
    前記分類モデルは、疾患判定が確定された複数の被検体群のそれぞれが、その疾患に対応する類に分類される確率を最大化するように決定されていることを特徴とする生体光計測装置。
12. 請求項５に記載の生体光計測装置であって、
    前記判定部が用いる特徴量は、ヘモグロビン時間波形の課題開始直後の傾き値、課題遂行中の積分値、課題終了後の再上昇度、波形全体の重心値から選ばれる１ないし複数の特徴量を含むことを特徴とする生体光計測装置。
13. 請求項５に記載の生体光計測装置であって、
    前記生体光計測部は、前記被検体の複数の測定位置から複数の波形を計測する多チャンネル構造を有し、前記特徴量演算部は多チャンネルの各々で得られた波形から特徴量を抽出し、その最大値を解析対象とすることを特徴とする生体光計測装置。
14. 請求項５に記載の生体光計測装置であって、
    前記判定部は、疾患の確定された被検体について計測された波形および／または当該波形から抽出された複数種の特徴量をもとに、前記分類モデルを最適化する手段を備えたことを特徴とする生体光計測装置。

Images