WO2018159572A1 - 精神疾患診断装置および精神疾患データ生成装置 - Google Patents

精神疾患診断装置および精神疾患データ生成装置 Download PDF

Info

Publication number
WO2018159572A1
WO2018159572A1 PCT/JP2018/007112 JP2018007112W WO2018159572A1 WO 2018159572 A1 WO2018159572 A1 WO 2018159572A1 JP 2018007112 W JP2018007112 W JP 2018007112W WO 2018159572 A1 WO2018159572 A1 WO 2018159572A1
Authority
WO
WIPO (PCT)
Prior art keywords
randomness
dimensional
data
dimensional average
information amount
Prior art date
Application number
PCT/JP2018/007112
Other languages
English (en)
French (fr)
Inventor
時彦 丹羽
眞弓 比嘉
Original Assignee
株式会社カオテック研究所
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 株式会社カオテック研究所 filed Critical 株式会社カオテック研究所
Publication of WO2018159572A1 publication Critical patent/WO2018159572A1/ja

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure

Definitions

  • the present invention relates to a psychiatric disorder diagnosis apparatus or a psychiatric disorder data generation apparatus, and more particularly to an objective judgment process.
  • the method for checking the working condition of the gene requires a work to be sent to the laboratory after the blood test, which is complicated and takes time to make a determination.
  • An object of the present invention is to provide a mental illness diagnosis apparatus that can easily determine a mental illness.
  • a change deficient information amount ratio calculating apparatus is: A) pulse wave storage means for storing pulse wave data that changes according to the blood flow flowing in the measurement site; B) b1) first calculation means; b2) Second computing means, b3) third computing means, and b4) m-dimensional average vector number randomness computing means having fourth computing means, b1)
  • the first computing means has the following b11) to b12)
  • Combination generating means for generating a plurality of combinations composed of m elements that are continuous for N individual data from the pulse wave data, b12) For each vector, each combination as an m-dimensional vector Calculating the number of vectors existing within the distance d and calculating a statistical average value for the number of m-dimensional vectors; b2) the second calculating means includes the following b21) to b22: B21) the pulse wave data
  • a combination generating means for generating a plurality of combinations composed of consecutive m + ⁇ elements for N individual data, b22) for each vector, the
  • the distance d Change missing information amount ratio storage means for storing the missing information amount ratio when the change is made as a changed defect information amount ratio. Therefore, objective determination data of the change deficient information amount ratio can be obtained from the microscopic randomness of the pulse wave when the distance d is changed.
  • the change loss information amount ratio calculation device satisfies mn ⁇ mm> ⁇ . Therefore, it is possible to obtain a missing information amount ratio between the number of elements that is larger than the number of elements used when obtaining the microscopic randomness.
  • the change loss information amount ratio calculation device further includes a filtering means for removing noise components of the pulse wave data. Therefore, a smooth microscopic randomness graph can be obtained. As a result, the graph of the missing information amount ratio is also smooth.
  • the change deficient information amount ratio calculation device further includes filtering means for deleting frequency components exceeding at least 10 Hz in the pulse wave data. Therefore, a smooth microscopic randomness graph can be obtained. As a result, the graph of the missing information amount ratio is also smooth.
  • the diagnostic data generation apparatus has a pulse wave measurement means for measuring pulse wave data that changes depending on the blood flow flowing through the measurement site. Therefore, there is no need to provide pulse wave data from the outside.
  • a mental disease diagnosis preliminary apparatus includes a change deficient information amount ratio calculation device, representative value storage means for storing a representative value of a change deficient information amount ratio of a healthy person in advance, the representative value, and a change in the subject.
  • An output means is provided so that a deviation from the missing information amount ratio can be understood.
  • a mental illness diagnosis apparatus includes a change defect information amount ratio calculation device, representative value storage means for storing a representative value of a change defect information amount ratio of a healthy person in advance, the representative value, and a change defect of a subject.
  • a notification means for determining a deviation from the information amount ratio and notifying that the deviation exceeds a threshold value is a mental illness. Therefore, it can be determined whether the subject is a mental illness based on objective determination data.
  • a mental illness data generating apparatus comprises: A) a microscopic randomness calculation device comprising A1) pulse wave storage means and A2) m-dimensional average vector number randomness calculation means, and A1) measurement site.
  • Pulse wave storage means for storing pulse wave data that changes depending on the blood flow flowing through the A2) a11) first calculation means, a12) second calculation means, a13) third calculation means, and a14) fourth calculation means
  • the first calculation means includes the following a111) to a112), and a111) m consecutive N pieces of individual data from the pulse wave data
  • a combination generation means for generating a plurality of combinations composed of the elements of: a112) With each combination as an m-dimensional vector, for each vector, the number of vectors existing within the distance d is calculated, and the m-dimensional vector Calculate statistical average of numbers
  • the second calculation means includes the following a121) to a122): a121) For N individual data from the pulse wave data, m + ⁇ consecutive
  • the missing information amount ratio calculating step where mm ⁇ mn and both are natural numbers, b2) Two singular points in the changed missing information amount ratio are determined, and the value of the distance d at the two singular points
  • Distribution specifying data storage means for storing the distribution specifying data
  • a change deficient information amount ratio of a healthy person and a mentally ill person is calculated, and the singular point in the singular point calculating step is the normal It is determined based on the difference between the change defect information amount ratio of the person and the mentally ill person. Therefore, it is possible to determine whether the subject is a healthy person or a mentally ill person based on the difference in the ratio of change deficient information amount between the healthy person and the mentally ill person.
  • the singular point in the singular point calculation step is determined based on the curve shape indicated by the change deficient information amount ratio of the healthy person. Therefore, it is possible to determine whether the subject is a healthy person or a mentally ill person from the singular point determined based on the curve shape indicated by the change deficient information amount ratio of the healthy person.
  • the singular point in the singular point calculation step is determined based on the curve shape indicated by the change deficient information amount ratio of the mentally ill person. Therefore, it is possible to determine whether the subject is a healthy person or a mentally ill person from the singularity determined based on the curve shape indicated by the change defect information amount ratio of the mentally ill person.
  • the singular point is a peak value with one of both end portions of the change deficient information amount ratio curve. Therefore, it is possible to determine whether the subject is healthy or mentally ill from the singular point of the change deficient information amount ratio curve.
  • the distribution specifying data includes m-dimensions in the first and second determination target d values of either or both of a plurality of healthy persons, a plurality of psychiatric patients. This is the microscopic randomness of the average number of vectors. Therefore, it is possible to determine whether the subject is healthy or mentally ill from the set of microscopic randomness of the m-dimensional average vector number.
  • the distribution specifying data includes m-dimensions in the first and second determination target d values of either or both of a plurality of healthy persons and a plurality of psychiatric patients. This is a distribution tendency calculated from the microscopic randomness of the average number of vectors. Therefore, it is possible to determine whether the subject is healthy or mentally ill from the distribution characteristics.
  • the output means further outputs, as the comparison result, a diagnosis result indicating that the subject is a healthy person or a mental illness person based on a difference from the distribution specifying data. To do. Therefore, it is possible to more easily determine whether the subject is a healthy person or a mentally ill person.
  • the mental illness data generating apparatus includes a missing information amount ratio calculating means for executing the missing information amount ratio calculating step and a singular point calculating means for executing the singular point calculating step. Therefore, it is possible to determine whether the subject is a healthy person or a mentally ill person by inputting pulse wave data of a healthy person or a mentally ill person.
  • a mental illness data generation apparatus includes: A) a microscopic randomness calculation device including A1) pulse wave storage means and A2) m-dimensional average vector number randomness calculation means, and A1) measurement site.
  • Pulse wave storage means for storing pulse wave data that changes depending on the blood flow flowing through the A2) a11) first calculation means, a12) second calculation means, a13) third calculation means, and a14) fourth calculation means
  • the first calculation means includes the following a111) to a112), and a111) m consecutive N pieces of individual data from the pulse wave data
  • a combination generation means for generating a plurality of combinations composed of the elements of: a112) With each combination as an m-dimensional vector, for each vector, the number of vectors existing within the distance d is calculated, and the m-dimensional vector Calculate the statistical average of numbers
  • the second calculation means includes the following a121) to a122), and a121) for the N individual data from the pulse wave data,
  • the value is the first and second judgment pair a singularity calculation step to determine as a d value
  • C) a plurality of combinations of microscopic randomness of the number of m-dimensional average vectors at m 2 in the first and second determination target d values as comparison target set data
  • Distribution specifying data for calculating the pulse wave data of a normal person or a plurality of psychiatric patients and calculating distribution specifying data for specifying the distribution of the plurality of healthy persons or a plurality of psychiatric patients from the calculation result Calculation means
  • the distribution specifying data for determining whether the subject is a healthy person or a mentally ill person can be generated.
  • a mental illness data generation apparatus includes: A) a microscopic randomness calculation device including A1) pulse wave storage means and A2) m-dimensional average vector number randomness calculation means, and A1) measurement site.
  • Pulse wave storage means for storing pulse wave data that changes depending on the blood flow flowing through the A2) a11) first calculation means, a12) second calculation means, a13) third calculation means, and a14) fourth calculation means
  • the first calculation means includes the following a111) to a112), and a111) m consecutive N pieces of individual data from the pulse wave data
  • a combination generation means for generating a plurality of combinations composed of the elements of: a112) With each combination as an m-dimensional vector, for each vector, the number of vectors existing within the distance d is calculated, and the m-dimensional vector Calculate the statistical average of numbers
  • the second calculation means includes the following a121) to a122), and a121) for the N individual data from the pulse wave data,
  • a second singular point calculation step for determining the value of the distance d at the second determination target d value, and C) microscopically the number of m-dimensional average vectors at m 2 in the first and second determination target d values
  • the distribution specifying data for determining whether the subject is a healthy person or a mentally ill person can be generated.
  • the mental illness data generation apparatus when pulse wave data to be examined is further given, the first and second of the examination target data are sent to the m-dimensional average vector number randomness calculating means.
  • Output means for calculating a microscopic randomness of the number of m-dimensional average vectors in the determination target d value and outputting a result of comparison with the distribution specifying data.
  • “Microscopic randomness” corresponds to sample entropy in the embodiment.
  • “first determination target d value” and “second determination target d value” correspond to r * ⁇ .
  • the “missing information amount ratio” corresponds to a lost sample entropy value in the embodiment.
  • the “change deficient information amount ratio” corresponds to the lost sample entropy value when r is changed.
  • the “singular point” in the embodiment, either the peak value or both ends of the lost sample entropy curve is adopted, but both ends may be used, and one is a singular point in the sample entropy curve, and the other is a lost sample. It is a concept that includes a specific point in the entropy curve.
  • the “representative value” includes an average value, a median value, and a mode value in a narrow sense.
  • the “average value” in the narrow sense includes various arithmetic methods such as geometric average, harmonic average, generalized average, and weighted average.
  • “differential pulse wave data” includes data obtained by differentiating pulse wave data at least once.
  • FIG. 2 is a functional block diagram of the mental disease diagnosis apparatus 1.
  • FIG. It is a figure which shows the hardware constitutions of the psychiatric disorder diagnosis apparatus. It is an example of the waveform of pulse wave data. An overall flowchart is shown. It is a detailed flowchart of a sample entropy calculation process. A list of sample entropy and lost sample entropy when r and m to be calculated are changed is shown. The change of sample entropy when r and m are changed is shown. It is a figure explaining the significance of lost sample entropy. It is a change graph of the lost sample entropy when r is changed.
  • FIG. 17 shows a distribution in which the correlation between the corresponding second sample entropy value and the corresponding first sample entropy value of the major depression patient is added.
  • FIG. 17 shows a functional block diagram of a psychiatric disease data generation device. It is a figure which shows the hardware constitutions at the time of implement
  • Psychiatric disorder diagnosis device 23 ... CPU 27 ... Memory
  • FIG. 1 shows a functional block diagram of a mental illness diagnosis apparatus 1 having a change deficient information amount ratio calculation apparatus 30 according to the present invention.
  • the psychiatric disorder diagnosis apparatus 1 includes finger plethysmogram measurement means 3, filtering means 4, brain wave storage means 5, change deficient information amount ratio calculation device 30, representative value storage means 17, notification means 18, and output means 19. Yes.
  • the finger plethysmogram measuring means 3 measures the finger plethysmogram and measures pulse wave data that changes depending on the blood flow flowing through the measurement site.
  • the filtering unit 4 deletes a frequency component exceeding at least 10 Hz from the measured pulse wave data.
  • the electroencephalogram storage means 5 stores pulse wave data from which frequency components exceeding 10 Hz have been removed.
  • the change deficient information amount ratio calculation device 30 calculates a change deficient information amount ratio described later.
  • the representative value storage means 17 stores in advance a representative value of the change deficient information amount ratio of the healthy person.
  • the output means 19 outputs so that the difference between the representative value and the change deficient information amount ratio of the subject can be understood.
  • the notification unit 18 determines a difference between the representative value and the change loss information amount ratio of the subject, and if the difference exceeds a threshold value, the notification unit 18 notifies that it is a mental illness.
  • the change missing information amount ratio calculation device 30 includes m-dimensional average vector number randomness calculation means 12, missing information amount ratio calculation means 14, change missing information amount ratio calculation means 15, and change missing information amount ratio storage means 16.
  • the m-dimensional average vector number randomness calculation means 12 includes a first calculation means 7, a second calculation means 9, a third calculation means 10, and a fourth calculation means 10.
  • the first calculation means 7 includes combination generation means 7a and m-dimensional average vector number calculation means 7c.
  • the combination generation means 7a generates a plurality of combinations composed of m consecutive elements for N pieces of individual data from the pulse wave data.
  • the m-dimensional vector distance calculation means 7c calculates the number of vectors existing in the distance d for each vector, with each combination as an m-dimensional vector, and calculates the statistical average value for the number of m-dimensional vectors. .
  • the second calculation means 9 includes a combination generation means 9a and an m + ⁇ -dimensional average vector number calculation means 9c.
  • the combination generation unit 9a generates a plurality of combinations including m + ⁇ elements for N pieces of individual data from the pulse wave data.
  • the m + ⁇ -dimensional vector distance calculation means 9c calculates the number of vectors existing in the distance d for each vector, with each combination as an m + ⁇ -dimensional vector, and statistics on the number of m + ⁇ -dimensional vectors. The average value is calculated.
  • the third calculation means 10 obtains the microscopic randomness of the m-dimensional average vector number of the pulse wave based on the m-dimensional average vector number and the m + ⁇ -dimensional average vector number.
  • the fourth calculation means 11 causes the third calculation means 10 to calculate the microscopic randomness of the m-dimensional average vector number when the distance d is changed.
  • the value divided by the randomness is calculated as the missing information amount ratio for each distance d, where mm ⁇ mn and both are natural numbers.
  • the missing information amount ratio calculating means 14 calculates the changed missing information amount ratio.
  • FIG. 1 shows an example of a hardware configuration in which the mental disease diagnosis apparatus 1 is configured using a CPU.
  • the mental illness diagnosis apparatus 1 includes a CPU 23, a memory 27, a hard disk 26, a monitor 30, an optical drive 25, an input device 28, a communication board 31, a pulse wave sensor 33, and a bus line 29.
  • the CPU 23 controls each unit via the bus line 29 according to each program stored in the hard disk 26.
  • the hard disk 26 stores an operating system program 26o (hereinafter abbreviated as OS) and a main program 26p. The processing of the main program 26p will be described later.
  • OS operating system program
  • main program 26p main program 26p
  • the pulse wave sensor 33 is a general fingertip pulse wave measuring instrument.
  • a finger plethysmograph is used that measures blood flow using infrared rays and obtains a finger plethysmogram from this blood flow.
  • the infrared light emitted from the light emitting element is reflected by the finger to be measured and received by the light receiving element.
  • the intensity of the reflected light represents the blood flow rate. Therefore, the signal output from the light receiving element is a fingertip volume pulse wave.
  • the signal from this light receiving element is output as digital data.
  • Data from the pulse wave sensor 33 is taken into the memory 27 and stored in the pulse wave storage unit 26m.
  • FIG. 3A shows an example of a fingertip pulse wave output from the pulse wave sensor 33. Although it is actually digital data, it is shown as a waveform in FIG. 3A.
  • the result storage unit 26k stores lost sample entropy obtained from the measured pulse wave as described later.
  • Windows 10 registered trademark or trademark
  • OS operating system program
  • Each program is read from the CD-ROM 25a storing the program via the optical drive 25 and installed in the hard disk 26.
  • a program such as a flexible disk (FD) or an IC card may be installed on a hard disk from a computer-readable recording medium. Furthermore, it may be downloaded using a communication line.
  • FD flexible disk
  • IC card integrated circuit card
  • the program stored in the CD-ROM is indirectly executed by the computer by installing the program from the CD-ROM to the hard disk 26.
  • the present invention is not limited to this, and the program stored in the CD-ROM may be directly executed from the optical drive 25.
  • programs that can be executed by a computer are not only programs that can be directly executed by being installed as they are, but also programs that need to be converted into other forms (for example, those that have been compressed) In addition, those that can be executed in combination with other module parts are also included.
  • FIG. 4 shows an overall flowchart of the diagnostic data generation process.
  • the user brings the measurement target finger into contact with the pulse wave sensor 33 and causes the psychiatric disorder diagnosis apparatus 1 to execute measurement start processing.
  • the CPU 23 starts reading and storing the finger plethysmogram (step S101 in FIG. 4).
  • the result is stored in the memory 27.
  • the horizontal axis represents time
  • the vertical axis represents blood flow.
  • CPU 23 performs a filtering process for removing frequency components exceeding 10 Hz (step S102).
  • the pulse wave data is subjected to spectrum analysis, and frequency components exceeding 10 Hz are set to zero and then subjected to inverse Fourier transform. Thereby, pulse wave data from which frequency components exceeding 10 Hz are removed is obtained.
  • the CPU 23 performs N samplings from the pulse wave data (step S103).
  • the CPU 23 generates a set B composed of m elements and a set A composed of m + 1 elements while shifting N sampling values one by one (step S106).
  • a (Nm) (k (Nm), k ( N-m + 1), k (N)) and Nm sets of data are formed.
  • the same number of sets as the set A are generated in order to match the number of sets of both as described later.
  • the CPU 23 calculates the sample entropy assuming that the set A is expressed by an m-dimensional vector and the set B is expressed by an m-dimensional vector (step S107).
  • the sample entropy calculation method employed in this embodiment will be described with reference to FIG.
  • the CPU 23 sets the allowable value r as an initial value (step S20).
  • the initial value of the allowable value r is set to 0.1.
  • the CPU 23 initializes the process number i (step S21).
  • the average vector number B m i (r) of vectors existing in r) is obtained (step S23).
  • ⁇ is a standard deviation of the sampled N sampling values.
  • ⁇ is a standard deviation of the sampled N sampling values.
  • the maximum value of the difference between corresponding elements is adopted as the distance between vectors.
  • the vector distance other vector distance calculation methods (for example, Euclidean distance, etc.) may be employed.
  • the CPU 23 sets the number of vectors in the distance d to “1” if the calculated distance is smaller than the distance d, and “0” otherwise. This is to determine how many vectors other than itself exist near the vector B (1).
  • each set of set A is set as an m + 1-dimensional vector, and the difference between the i-th set and all other sets is calculated, and the vector specified by the i-th set is within the distance d.
  • the average vector number A m + 1 i (r) of the vectors existing in is obtained (step S25).
  • the CPU 23 increments the process number i (step S27), and determines whether or not the process number i has been completed (step S29). In the present embodiment, as to whether or not the process has been completed, the number m of elements constituting the set is subtracted from the total number N and the value obtained by adding 1 is exceeded.
  • step S29 when the CPU 23 obtains the average number of neighbors for all the sets for the sets A and B, the average vector number A m + 1 for all the sets. (r) and average vector number B m (r) is obtained (step S31).
  • the average number of vectors B m For (r) the simple average, that is, the average number of vectors B m2 1 (0.1), B m2 2 (0.1), and B m2 3 (0.1) were summed up to find the average.
  • the average calculation method may be used. The same applies to the average vector number A m + 1 i (r).
  • the CPU 23 calculates the average vector number A m + 1 of all sets. (r) and average vector number B m Sample entropy is obtained from (r) (step S33).
  • (A m + 1) (r) / B m (r)) was obtained, and the value obtained by multiplying the natural logarithm by ⁇ 1 was taken as the sample entropy.
  • the CPU 23 adds the increment r1 to the allowable value r (step S41 in FIG. 5), determines whether the allowable value r exceeds the set value (step S43), and if not, the value increased by r1.
  • the sample entropy of set A and set B is obtained. Thereafter, similarly, the sample entropy Sam (m2, r2) in which the allowable value r is increased by r1 is obtained and stored in the result storage unit 26k (see FIG. 2).
  • r1 0.01, but the present invention is not limited to this.
  • step S13 if the allowable value r exceeds the set value, the process is terminated.
  • the set value is 0.7, but the present invention is not limited to this. In this way, sample entropy is obtained when the allowable value r is sequentially changed.
  • the CPU 23 increments the number of elements m (step S109 in FIG. 4), determines whether the number of elements m exceeds the set value (step S111), and if not, performs the processing of steps S106 and S107.
  • the CPU 23 obtains a lost sample entropy LSam for each r using two sample entropies (step S113).
  • the lost sample entropy for each r obtained by dividing the difference between the sample entropy Sam (m2, r1) having the minimum value m and the sample entropy Sam (mmax, r1) having the maximum value by the former.
  • LSam was calculated by the following formula.
  • LSam (m2, mmax, r1) (Sam (m2, r1) ⁇ Sam (mmax, r1)) / Sam (m2, r1) The same applies to r2 and below.
  • CPU 23 stores the calculation result (step S115). Thereby, the lost sample entropy LSam (m2, mmax, r1) to LSam (m2, mmax, rmax) shown in each cell in the row 450 of FIG. 6 is stored.
  • the sample entropy indicates the ratio in the total number N of the number of vectors existing in the allowable value r, with the distance between vectors composed of the number of elements m. Therefore, for the same data, the ratio decreases as the number of elements m increases. Since the lost sample entropy is a difference ratio between two sample entropies, it means a ratio of the amount of information lost until the number of elements becomes a large vector (in this case, the number of elements is “2” to “10”).
  • FIG. 9 shows the curves obtained for the obtained lost sample entropy LSam (m2, mmax, r1) to LSam (m2, mmax, rmax).
  • the CPU 23 stores the average value of the lost sample entropy of healthy persons stored in advance as a representative value.
  • the CPU 23 displays the representative value and the user's lost sample entropy together on the monitor 30 (step S117). This makes it possible to judge mental illness based on objective data.
  • Fig. 10 shows the average of 20 healthy subjects and data on patients with Parkinson's disease.
  • Whether or not the subject has Parkinson's disease can be determined by any one or a combination of these three parameters.
  • Fig. 11 shows the average of 20 healthy subjects and data on patients with major depression.
  • Curve 501 is the average of healthy subjects, and the other curve is the lost sample entropy of patients with major depression.
  • the overall curve shape seems to be similar, the lost sample entropy curves are different between healthy and mentally ill.
  • the degree of descent is also increasing. Whether or not the subject is suffering from major depression can be determined by one or a combination of these two parameters.
  • FIG. 12 shows the average of 20 healthy subjects and data on patients with schizophrenia.
  • Curve 501 is the average of healthy subjects, and the other curve is the lost sample entropy of patients with schizophrenia.
  • the overall curve shape seems to be similar, but the lost sample entropy curve is different between the healthy person and the mentally ill person.
  • FIG. 13 shows sample entropy values obtained based on pulse wave data not filtered.
  • the lost sample entropy is the difference ratio of the sample entropy, the shape due to noise becomes jagged, but the characteristic tendency in the overall shape is included.
  • the frequency component exceeding 10 Hz is removed from the measured pulse wave data.
  • the frequency component to be removed is not limited to this. The reason is that it is sufficient if noise can be removed.
  • any filtering method may be used.
  • raw data without such filtering may be used.
  • the values of the elements constituting the set B indicate continuous data changes as shown in FIG. 14A.
  • the distribution number of vectors located within ⁇ ⁇ r that is, as an interval changing from a certain value k (P) to k (P + 1) as shown in FIG. 14B It shows how many similar sections exist.
  • the value of the elements that make up the set A further changes from a certain value k (P) to k (P + 1), and then how many similar sections change to k (P + 2) Indicates whether there is.
  • (A m + 1 in the logarithm of the above formula (1) (r) / B m (r)) is (A m + 1 (r) / (Nm-1) / B m (r) / (Nm-1)) is obtained by reducing / (Nm-1).
  • B m (r) / (Nm-1) is the probability of changing from a certain value k (P) to k (P + 1) as A m + 1 (r) / (Nm ⁇ 1) obtains the probability of further changing to k (P + 2) after changing from a certain value k (P) to k (P + 1).
  • Equation (1) finds the logarithm of this value. In the past, this value was used to analyze the relationship with mental illness.
  • the inventor considered whether it was possible to make a judgment by a statistical method, rather than making a judgment from such a single numerical value. Therefore, the difference ratio is obtained for the sample entropy in which the allowable range r for the length m of each series in the number of samples N is changed. In this way, the allowable range r is changed and the difference between the sample entropies with different m is determined by the difference ratio (lost sample entropy), which is different from the conventional method.
  • FIG. 15 shows a hardware configuration of a psychiatric disorder diagnosis apparatus 200 according to another embodiment.
  • the psychiatric disorder diagnosis apparatus 200 includes a pulse wave sensor 203, a processor 204, a display 205, and a memory area 207 for storing data.
  • the processor 204 is composed of a CPU, but it may be composed of a microprocessor or other processing unit capable of executing computer-executable instructions.
  • the memory area 207 is composed of a flash memory, but RAM, ROM, EEPROM, or other memory, CD-ROM, DVD or other optical disk storage, magnetic cassette, magnetic tape, magnetic disk -It may consist of a computer storage medium, such as a storage or other magnetic storage device.
  • the display 205 is composed of an LCD, but may be composed of other displays such as an organic EL.
  • the memory area 207 includes an m-dimensional average vector number randomness calculation program module 210, a missing information amount ratio calculation program module 241, a changed missing information amount ratio calculation program module 243, a changed missing information amount ratio storage program module 245, and a result display program.
  • a module 251 and a filtering program module 253 are stored.
  • the processor 204 uses the program modules stored in the memory area 207 to execute the same steps as in the first embodiment (see FIGS. 4 and 5).
  • the filtering program module 253 performs the calculation process in step S102 of FIG.
  • the first arithmetic program module 220 and the second arithmetic program module 230 perform the arithmetic processing of step S103 and step S106.
  • the third operation program module 235 corresponds to the processing from step S21 to step S33 in FIG.
  • the fourth arithmetic program module 236 corresponds to the processing of repeating the processing from step S21 to step S33 by step S41 and step S43 in FIG.
  • the missing information amount ratio calculation program module corresponds to the process of repeating the process from step S106 to step S107 through steps S109 to S111 in FIG. 4 and the process of obtaining the lost sample entropy for each r in step S113.
  • the change deficient information amount ratio storage program module corresponds to the process of step S115.
  • the result display program module 251 corresponds to the process of step S117.
  • a pulse wave sensor that detects pulse wave data that varies depending on the blood flow flowing through the measurement site;
  • a processor that executes the following steps by means of program modules stored in a memory area; Display to display the calculation results, With B) b1) first calculation step, b2) second calculation step, and b3) m-dimensional average vector number randomness calculation step composed of the third calculation step, b1)
  • the first calculation step includes the following steps b11) to b12), b11)
  • a combination generation step of generating a plurality of combinations composed of m elements that are consecutive for N pieces of individual data from the pulse wave data; b12) Assuming that each combination is an m-dimensional vector, for each vector, the number of vectors existing within the distance d is calculated, and the average number of m-dimensional vectors for calculating the statistical average value for the number of m-dimensional vectors Step, b2)
  • the second calculation step includes the following steps b21) to b22), b21)
  • a missing information amount ratio calculating step for calculating for each distance d Note that mm ⁇ mn and both are natural numbers.
  • a psychiatric disease diagnosis apparatus comprising:
  • the pulse wave sensor 203 performs A / D conversion, and the digital data is given to the filtering program module 253 and Fourier transformed.
  • the pulse wave sensor 203 has such a filtering mechanism. May be.
  • lost sample entropy is obtained, and it is determined whether or not a person is a mentally ill person based on the graph shape.
  • the inventor conceived of the above-described determination method, further, a method of determining whether or not the patient is a mentally ill person based on the sample entropy value at the tolerance (r value) at the singular point by obtaining a lost sample entropy value. did. This will be described below.
  • the outline is the following a1) to a4) calculation processing.
  • A1) Obtain a lost sample entropy curve of a healthy person or a mentally ill person, determine two singular points in the lost sample entropy curve, and determine the corresponding r as a set r value.
  • Sample entropy set data for the two set r values is generated, and distribution specifying data obtained from the comparison target set data is stored.
  • the inspection target data is given, the set data of the determination target r at the singular point is generated from the sample entropy curve in the inspection target data.
  • a4) Compare this with the above-mentioned distribution specifying data, and determine which of them is healthy or mentally ill.
  • FIG. 16A corresponds to the above arithmetic processing of a1) to a2).
  • the CPU 23 calculates lost sample entropy for each of a plurality of healthy persons (step S121).
  • the lost sample entropy can be obtained in steps S101 to S115 in FIG.
  • CPU 23 calculates lost sample entropy for each of a plurality of Parkinson's disease patients (step S123). This is the same as step S121.
  • the CPU 23 determines a set r value from the lost sample entropy curve of a healthy person or a mentally ill person.
  • the maximum r-value corresponding to the maximum lost sample entropy of the healthy person obtained in step S121 or step S123 and the minimum r-value that is the minimum are used.
  • the maximum r corresponding to the maximum lost sample entropy is “0.17” and the maximum value is “0.5”, so the set r values are “0.17” and “0.5”. It becomes.
  • the sample entropy value may be read from the value calculated in step S107 in FIG.
  • Such aggregate data becomes distribution specific data.
  • FIG. 16B corresponds to the above arithmetic processing of a3) to a4).
  • the CPU 23 maps the set data obtained in step S133 together with the distribution specifying data, one on the X axis and the other on the Y axis (step S135). Thereby, the correlation display of the test subject and the set data of the comparison target is displayed.
  • a healthy person or a Parkinson's disease patient can be determined based on which of the set data to be compared is closer to the person to be examined.
  • FIG. 17 shows a distribution in which the group data of a total of 150 persons is mapped and displayed for 116 healthy persons and 34 Parkinson's disease patients.
  • a regression line is obtained from the distribution and displayed.
  • the regression analysis results were 0.99 for healthy subjects and 0.84 for Parkinson's disease patients.
  • the corresponding first sample entropy value is arranged on the X axis and the corresponding second sample entropy value is arranged on the Y axis.
  • the CPU 23 determines a healthy person or a Parkinson's disease patient based on which of the two regression lines is closer to the test subject's set data (step S137).
  • the CPU 23 outputs the determination result together with the distribution as shown in FIG. 17 and the mapping result of the test subject's set data (step S139).
  • FIG. 18 shows a display in which set data of 17 patients with major depression is added. Significant differences were also observed in patients with major depression, healthy subjects, and Parkinson's disease patients.
  • FIG. 19 shows a functional block diagram of the mental illness data generation apparatus of the third embodiment.
  • the difference from the second embodiment is the processing of the singular point calculation means 13, the singular point calculation means 12, the distribution specific data calculation means 15, the distribution specific data storage means 20, and the output means 21.
  • the singular point calculation means 13 determines two singular points in the calculated change deficient information amount ratio, and determines the value of the distance d at the two singular points as the first and second determination target d values.
  • the corresponding singular point d value storage means 22 stores the first and second determination target d values.
  • the distribution specifying data storage means 20 stores this.
  • the output means 21 sends the m-dimensional average vector number randomness calculation means 12 to the m-dimensional average vector number in the first and second determination target d values of the examination target data. And the result of comparison with the distribution specifying data is output.
  • a fifth arithmetic program module that performs the processing of steps S121 to S127 and the processing of steps S131 to S139 in FIG. 16 is provided. Just do it.
  • FIG. 21 shows details of the fifth arithmetic program module in this case.
  • the singularity calculation program module 261 executes the process of step S125 of FIG.
  • the comparison target set data operation program module 263 executes the process of step S127 in FIG.
  • the correlation calculation program module 265 executes the processing of steps S131 to S139 in FIG.
  • the output is made so that the deviation from the correlation of the target person can be seen in comparison with the healthy person, so that the human determines which of the correlation of the target person belongs.
  • a difference between the representative value of the person or the mentally ill person and the change deficient information amount ratio of the subject may be determined, and if this deviation exceeds a threshold value, it may be notified that the person is mentally ill.
  • a regression line obtained from the set data to be compared is used as the distribution specifying data.
  • any data can be used as long as the distribution can be specified.
  • a set of set data that is the basis of the distribution specifying data may be adopted as the distribution specifying data.
  • regression line data determined from either one of a plurality of healthy persons or a plurality of persons with mental illness may be used.
  • the set of set data may be obtained from at least a plurality of healthy persons or a plurality of mentally ill persons, and both of them may be employed.
  • the peak value and the minimum value in the lost sample entropy curve are singular points, but they may be at both ends. Furthermore, any two of the three points obtained by adding the peak value to both ends may be used.
  • the sample entropy curve has a larger value as the distance d determined by r is smaller.
  • the lost sample entropy curve has a shape in which both ends are low and a peak is present in the middle.
  • the shape of the lost sample entropy curve differs between healthy subjects and psychiatric patients. Therefore, when performing the mapping shown in FIG. 17, one may adopt a singular point in the sample entropy curve, and the other may employ a lost sample entropy curve.
  • the maximum value of the sample entropy value is when r is minimum
  • the maximum value of the lost sample entropy value is a peak value
  • the minimum value is when r is minimum or maximum.
  • one of the values of r determined from the sample entropy value and the other of the r value determined from the lost sample entropy value may be used as singular points.
  • the minimum r and the maximum r in the sample entropy value may be adopted.
  • this is understood only after examining the value of the lost sample entropy.
  • any two of the three points obtained by adding the peak value to both ends may be used.
  • the representative value in the lost sample entropy curve of a plurality of healthy persons is used, but it may be determined by one specific person instead of a simple average of such a plurality of persons. This is because the general trend is the same.
  • the singular point calculating means 13 may obtain the singular point in the following steps. b2) a first singular point calculation step of determining one singular point in the change deficient information amount ratio and determining a value of the distance d at the singular point as a first determination target d value; b3) the fourth calculation means; A second singular point is determined from the microscopic randomness of the number of m-dimensional average vectors when the obtained distance d is changed, and the value of the distance d at the singular point is determined as a second determination target d value. Singularity calculation step.
  • a graph is displayed together with the representative value of a healthy person, so that a doctor or the like who has seen this can determine whether or not the patient has a mental illness.
  • the deviation from the representative value of the healthy person is greater than or equal to the threshold value, it may be notified that the psychiatric disorder is suspected. Thereby, it is possible to automatically diagnose whether or not there is a mental illness.
  • the present invention is not limited to this.
  • the lost sample entropy is calculated from the maximum and minimum sample entropies obtained for m, but may be other than this.
  • “1” is added for m and the sample entropy is calculated for each, only two of the predetermined values may be calculated.
  • the sample entropy is a value indicating in which range a data group at a close position in the space exists, and even if the sampling rate is made fine, the sample entropy does not change much.
  • the sample entropy is obtained by the processing shown in FIGS. 4 and 5, but the present invention is not limited to this, and the sample entropy may be obtained by another calculation method.
  • the distance d is r ⁇ ⁇ ( ⁇ is a standard deviation of N samples), but is not limited thereto. In short, any numerical value indicating the variation of the pulse wave may be used.
  • the sample entropy is obtained, but any arithmetic expression representing a general redundancy, such as an entropy arithmetic expression of Kolomogorov or Shannon, can be employed.
  • the same number of sets as the set A are generated for the set B.
  • the set B may be composed of N-m + 1 sets. This is because, if N is about 100 or more, the ratio of the sample entropy between the two is almost the same as the difference in error.
  • step S23 and step S25 in FIG. 5 the average is obtained by summing (Nm-1) distances, and the average is obtained.
  • the distances 0 may be added, and (Nm) distances may be summed up to obtain an average of them.
  • the pulse wave data is adopted, but it may be a velocity pulse wave or an acceleration pulse wave obtained by differentiating the pulse wave data.
  • the velocity pulse wave can be obtained by differentiating the pulse wave data once, and the acceleration pulse wave can be obtained by differentiating the pulse wave data twice. Further, differential pulse wave data obtained by differentiating acceleration pulse waves one or more times may be used.
  • the terminal computer may be a mobile terminal instead of a personal computer.
  • the terminal computer may not perform the calculation, but may transmit data necessary for the calculation to a network-connected computer and transmit the calculation result of the computer to the terminal computer.
  • this is realized by software using a CPU.
  • some or all of them may be realized by hardware such as a logic circuit.
  • OS operating system

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Cardiology (AREA)
  • Physiology (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

【課題】　脈波の微視的乱雑さから客観的な精神疾患判断を行う。　【解決手段】　脈波データから、m個の要素で構成される組Bと、m+1個の要素で構成される組Aが生成される(Ｓ１０６)とから、サンプルエントロピーが演算される(ステップＳ１０７)。要素数mが最小値と最大値のサンプルエントロピーから、両者の差分を前者で除算したrごとのロストサンプルエントロピーが演算される（Ｓ１１３）。演算結果が記憶され(Ｓ１１５)。健常者のロストサンプルエントロピーの平均値を代表値として、記憶されている。かかる代表値と、ユーザのロストサンプルエントロピーを併せてモニタに表示する(Ｓ１１７)。これにより、客観的なデータに基づく、精神疾患の判断が可能となる。　

Description

精神疾患診断装置および精神疾患データ生成装置
　この発明は、精神疾患診断装置または精神疾患データ生成装置に関し、特に、客観的判断処理に関する。
　今日、鬱病の客観的データによる認定として、脳細胞を活性化するたんぱく質の遺伝子の働き具合をチェックする認定手法が知られている。
　また、本件特許出願の発明者は、特開2015-100525号公報にて、下記のような発明を出願している。
　脈波データから1秒あたりに200点の時系列データについて、連続するm個の要素で構成される組み合わせを、複数生成し、この各組み合わせをm次元のベクトルとして各ベクトル間の距離を演算し、このm次元の各ベクトルについて、距離d内に存在するベクトルの数を演算するとともに、その前記m次元ベクトル数についての統計的平均値を演算し、このm次元の各ベクトルについて、距離d内に存在するベクトルの数を演算するとともに、そのm次元ベクトル数についての統計的平均値を演算する。かかる統計的平均値を連続するm+1個の要素についても求める。さらに、前記距離dを変化させた場合の、前記脈波の微視的乱雑さを求める。m=2またはm=3の場合に、この微視的乱雑さの変化グラフを生成して、これが単純減少傾向でない場合には、精神疾患であると判断する。
　しかし、上記遺伝子の働き具合をチェックする手法は、血液検査のあと、研究所に送る作業が必要であり、煩雑でかつ判定に時間がかかる。
　この発明は、精神疾患を簡易に判断できる精神疾患診断装置を提供することを目的とする。
　１）本発明にかかる変化欠損情報量割合演算装置は、Ａ）測定部位に流れている血流量によって変化する脈波データを記憶する脈波記憶手段、 Ｂ）b1)第１演算手段、b2)第２演算手段、b3)第３演算手段、およびb4)第４演算手段を有するm次元平均ベクトル数乱雑さ演算手段、 b1)前記第１演算手段は下記b11)～b12)を有しており、b11)前記脈波データからN個の個別データについて、連続するm個の要素で構成される組み合わせを、複数生成する組み合わせ生成手段、b12)前記各組み合わせをm次元のベクトルとして、各ベクトルについて、距離d内に存在するベクトルの数を演算するとともに、前記m次元ベクトル数についての統計的平均値を演算するm次元平均ベクトル数演算手段、b2)前記第２演算手段は下記b21)～b22)を有しており、b21)前記脈波データからN個の個別データについて、連続するm+α個の要素で構成される組み合わせを、複数生成する組み合わせ生成手段、b22)前記各組み合わせをm+α次元のベクトルとして、各ベクトルについて、距離d内に存在するベクトルの数を演算するとともに、前記m+α次元ベクトル数についての統計的平均値を演算するm+α次元平均ベクトル数演算手段、b3)前記第３演算手段は、前記m次元平均ベクトル数およびm+α次元平均ベクトル数に基づいて、前記脈波のm次元平均ベクトル数の微視的乱雑さを求める、b4）前記第３演算手段に、距離dを変えた場合のm次元平均ベクトル数の微視的乱雑さを演算させる第４演算手段、Ｃ）前記m次元平均ベクトル数乱雑さ演算手段に、少なくとも、m＝mmのm次元平均ベクトル数乱雑さであるmm次元平均ベクトル数乱雑さ、およびm=mnのm次元平均ベクトル数乱雑さであるmn次元平均ベクトル数乱雑さ、を演算させるとともに、前記mm次元平均ベクトル数乱雑さおよびmn次元平均ベクトル数乱雑さm=mnの差分を、前記mn次元平均ベクトル数乱雑さで除算した値を、欠損情報量割合として、前記距離dごとに演算する欠損情報量割合演算手段、なお、mm＜mn、かつ、いずれも自然数である、Ｄ）前記距離dを変えた場合の欠損情報量割合を、変化欠損情報量割合として記憶する変化欠損情報量割合記憶手段、を備えている。したがって、前記距離dを変化させた場合の、前記脈波の微視的乱雑さから、前記変化欠損情報量割合という客観的な判断データを得ることができる。
　２）本発明にかかる変化欠損情報量割合演算装は、mn－mm＞αである。したがって、微視的乱雑さを求める際に用いた要素数よりも大きな要素数間の欠損情報量割合を得ることができる。
　３）本発明にかかる変化欠損情報量割合演算装は、mn=10，mm=2，かつα=1である。したがって、微視的乱雑さを求める際に用いた要素数よりも大きな要素数間の欠損情報量割合を得ることができる。
　４）本発明にかかる変化欠損情報量割合演算装は、さらに、前記脈波データのノイズ成分を除去するフィルタリング手段を有する。したがって、なめらかな微視的乱雑さのグラフを得ることができる。これにより、欠損情報量割合のグラフもなめらかとなる。
　５）本発明にかかる変化欠損情報量割合演算装は、さらに、前記脈波データのうち少なくとも１０Hzを超える周波数成分を削除するフィルタリング手段を有する。したがって、なめらかな微視的乱雑さのグラフを得ることができる。これにより、欠損情報量割合のグラフもなめらかとなる。
　６）本発明にかかる診断データ生成装置は、測定部位に流れている血流量によって変化する脈波データを計測する脈波計測手段を有する。したがって、外部から脈波データを与える必要がない。
　７）本発明にかかる精神疾患診断予備装置は、変化欠損情報量割合演算装置、健常者の変化欠損情報量割合の代表値をあらかじめ記憶する代表値記憶手段、前記代表値と、対象者の変化欠損情報量割合とのずれがわかるように出力する出力手段を備えている。
　８）本発明にかかる精神疾患診断装置は、変化欠損情報量割合演算装置、健常者の変化欠損情報量割合の代表値をあらかじめ記憶する代表値記憶手段、前記代表値と、対象者の変化欠損情報量割合とのずれを判断し、このずれが閾値を超える場合には、精神疾患である報知する報知手段、を備えている。したがって、客観的な判断データにより対象者が精神疾患かどうかを判断することができる。
　９）本発明にかかる精神疾患データ生成装置は、A）以下のA1）脈波記憶手段およびA2）m次元平均ベクトル数乱雑さ演算手段を備えた微視的乱雑さ演算装置、A1）測定部位に流れている血流量によって変化する脈波データを記憶する脈波記憶手段、A2）a11)第１演算手段、a12)第２演算手段、a13)第３演算手段、およびa14)第４演算手段を有するm次元平均ベクトル数乱雑さ演算手段、a11)前記第１演算手段は下記a111)～a112)を有しており、a111)前記脈波データからN個の個別データについて、連続するm個の要素で構成される組み合わせを、複数生成する組み合わせ生成手段、a112)前記各組み合わせをm次元のベクトルとして、各ベクトルについて、距離d内に存在するベクトルの数を演算するとともに、前記m次元ベクトル数についての統計的平均値を演算するm次元平均ベクトル数演算手段、a12)前記第２演算手段は下記a121)～a122)を有しており、a121)前記脈波データからN個の個別データについて、連続するm+α個の要素で構成される組み合わせを、複数生成する組み合わせ生成手段、a122)前記各組み合わせをm+α次元のベクトルとして、各ベクトルについて、距離d内に存在するベクトルの数を演算するとともに、前記m+α次元ベクトル数についての統計的平均値を演算するm+α次元平均ベクトル数演算手段、a13)前記第３演算手段は、前記m次元平均ベクトル数およびm+α次元平均ベクトル数に基づいて、前記脈波のm次元平均ベクトル数の微視的乱雑さを求める、a14）前記第３演算手段に、距離dを変えた場合のm次元平均ベクトル数の微視的乱雑さを演算させる第４演算手段、Ｂ）以下の演算ステップから求められた第１、第２判断対象d値を記憶する対応特異点d値記憶手段、b1)少なくとも健常者または精神疾患者のいずれかの脈波データについて、前記m次元平均ベクトル数乱雑さ演算手段に、少なくとも、m＝mmのm次元平均ベクトル数乱雑さであるmm次元平均ベクトル数乱雑さ、およびm=mnのm次元平均ベクトル数乱雑さであるmn次元平均ベクトル数乱雑さを演算させるとともに、前記mm次元平均ベクトル数乱雑さおよびmn次元平均ベクトル数乱雑さm=mnの差分を、前記mn次元平均ベクトル数乱雑さで除算した値を、欠損情報量割合として、前記距離dごとに演算する欠損情報量割合演算ステップ、なお、mm＜mn、かつ、いずれも自然数である、b2)前記変化欠損情報量割合における特異点を2点決定し、前記2点の特異点における距離dの値を第１、第２判断対象d値として決定する特異点演算ステップ、C）前記第１、および第２判断対象d値における前記m=2におけるm次元平均ベクトル数の微視的乱雑さの組み合わせを比較対象組データとして、複数の健常者、または複数の精神疾患者の脈波データについて演算し、演算結果から、前記複数の健常者、または複数の精神疾患者の分布を特定するための分布特定データを演算する分布特定データ演算手段、D)前記分布特定データを記憶する分布特定データ記憶手段、E)検査対象の脈波データが与えられると、前記m次元平均ベクトル数乱雑さ演算手段に、前記検査対象データの前記第１、第２判断対象d値におけるm次元平均ベクトル数の微視的乱雑さを演算させ、前記分布特定データとの比較結果を出力する出力手段、を備えている。
　したがって、前記分布特定データから健常者か精神疾患者かを判断することができる。
　１０）本発明にかかる精神疾患データ生成装置は、前記欠損情報量割合演算ステップでは、健常者および精神疾患者の変化欠損情報量割合が演算され、前記特異点演算ステップにおける特異点は、前記健常者と前記精神疾患者の変化欠損情報量割合との差分に基づいて決定される。したがって、前記健常者と前記精神疾患者の変化欠損情報量割合の違いに基づいて、健常者か精神疾患者かを判断することができる。
　１１）本発明にかかる精神疾患データ生成装置においては、前記特異点演算ステップにおける特異点は、健常者の変化欠損情報量割合が示す曲線形状に基づいて決定される。したがって、健常者の変化欠損情報量割合が示す曲線形状に基づいて決定された特異点から健常者か精神疾患者かを判断することができる。
　１２）本発明にかかる精神疾患データ生成装置においては、前記特異点演算ステップにおける特異点は、精神疾患者の変化欠損情報量割合が示す曲線形状に基づいて決定される。したがって、精神疾患者の変化欠損情報量割合が示す曲線形状に基づいて決定された特異点から健常者か精神疾患者かを判断することができる。
　１３）本発明にかかる精神疾患データ生成装置においては、前記特異点は、前記変化欠損情報量割合曲線の両端部のいずれかとピーク値である。したがって、前記変化欠損情報量割合曲線の特異点から健常者か精神疾患者かを判断することができる。
　１４）本発明にかかる精神疾患データ生成装置においては、前記分布特定データは、複数の健常者、複数の精神疾患疾患者のいずれかまたは双方の前記第１、第２判断対象d値におけるm次元平均ベクトル数の微視的乱雑さである。したがって、m次元平均ベクトル数の微視的乱雑さの集合から健常者か精神疾患者かを判断することができる。
　１５）本発明にかかる精神疾患データ生成装置においては、前記分布特定データは、複数の健常者、複数の精神疾患疾患者のいずれかまたは双方の前記第１、第２判断対象d値におけるm次元平均ベクトル数の微視的乱雑さから演算される分布傾向である。したがって、前記分布特性から健常者か精神疾患者かを判断することができる。
　１６）本発明にかかる精神疾患データ生成装置においては、前記出力手段は、前記比較結果として、分布特定データとの差異に基づいて、健常者または精神疾患者であるとの診断結果を、さらに出力する。したがって、より簡易に健常者か精神疾患者かを判断することができる。
　１７）本発明にかかる精神疾患データ生成装置においては、前記欠損情報量割合演算ステップを実行する欠損情報量割合演算手段、前記特異点演算ステップを実行する特異点演算手段、を備えている。したがって、健常者または精神疾患者の脈波データを入力することで、健常者か精神疾患者かを判断することができる。
　１８）本発明にかかる精神疾患データ生成装置は、A）以下のA1）脈波記憶手段およびA2）m次元平均ベクトル数乱雑さ演算手段を備えた微視的乱雑さ演算装置、A1）測定部位に流れている血流量によって変化する脈波データを記憶する脈波記憶手段、A2）a11)第１演算手段、a12)第２演算手段、a13)第３演算手段、およびa14)第４演算手段を有するm次元平均ベクトル数乱雑さ演算手段、a11)前記第１演算手段は下記a111)～a112)を有しており、a111)前記脈波データからN個の個別データについて、連続するm個の要素で構成される組み合わせを、複数生成する組み合わせ生成手段、a112)前記各組み合わせをm次元のベクトルとして、各ベクトルについて、距離d内に存在するベクトルの数を演算するとともに、前記m次元ベクトル数についての統計的平均値を演算するm次元平均ベクトル数演算手段、a12)前記第２演算手段は下記a121)～a122)を有しており、a121)前記脈波データからN個の個別データについて、連続するm+α個の要素で構成される組み合わせを、複数生成する組み合わせ生成手段、a122)前記各組み合わせをm+α次元のベクトルとして、各ベクトルについて、距離d内に存在するベクトルの数を演算するとともに、前記m+α次元ベクトル数についての統計的平均値を演算するm+α次元平均ベクトル数演算手段、a13)前記第３演算手段は、前記m次元平均ベクトル数およびm+α次元平均ベクトル数に基づいて、前記脈波のm次元平均ベクトル数の微視的乱雑さを求める、a14）前記第３演算手段に、距離dを変えた場合のm次元平均ベクトル数の微視的乱雑さを演算させる第４演算手段、Ｂ）以下の演算ステップから求められた第１、第２判断対象d値を記憶する対応特異点d値記憶手段、b1)少なくとも健常者または精神疾患者のいずれかの脈波データについて、前記m次元平均ベクトル数乱雑さ演算手段に、少なくとも、m＝mmのm次元平均ベクトル数乱雑さであるmm次元平均ベクトル数乱雑さ、およびm=mnのm次元平均ベクトル数乱雑さであるmn次元平均ベクトル数乱雑さを演算させるとともに、前記mm次元平均ベクトル数乱雑さおよびmn次元平均ベクトル数乱雑さm=mnの差分を、前記mn次元平均ベクトル数乱雑さで除算した値を、欠損情報量割合として、前記距離dごとに演算する欠損情報量割合演算ステップ、なお、mm＜mn、かつ、いずれも自然数である、b2)前記変化欠損情報量割合における特異点を2点決定し、前記2点の特異点における距離dの値を第１、第２判断対象d値として決定する特異点演算ステップ、C）前記第１、および第２判断対象d値における前記m=2におけるm次元平均ベクトル数の微視的乱雑さの組み合わせを比較対象組データとして、複数の健常者、または複数の精神疾患者の脈波データについて演算し、演算結果から、前記複数の健常者、または複数の精神疾患者の分布を特定するための分布特定データを演算する分布特定データ演算手段、D)前記分布特定データを記憶する分布特定データ記憶手段、を備えている。
　したがって、健常者か精神疾患者かを判断するための前記分布特定データを生成することができる。
　１９）本発明にかかる精神疾患データ生成装置は、A）以下のA1）脈波記憶手段およびA2）m次元平均ベクトル数乱雑さ演算手段を備えた微視的乱雑さ演算装置、A1）測定部位に流れている血流量によって変化する脈波データを記憶する脈波記憶手段、A2）a11)第１演算手段、a12)第２演算手段、a13)第３演算手段、およびa14)第４演算手段を有するm次元平均ベクトル数乱雑さ演算手段、a11)前記第１演算手段は下記a111)～a112)を有しており、a111)前記脈波データからN個の個別データについて、連続するm個の要素で構成される組み合わせを、複数生成する組み合わせ生成手段、a112)前記各組み合わせをm次元のベクトルとして、各ベクトルについて、距離d内に存在するベクトルの数を演算するとともに、前記m次元ベクトル数についての統計的平均値を演算するm次元平均ベクトル数演算手段、a12)前記第２演算手段は下記a121)～a122)を有しており、a121)前記脈波データからN個の個別データについて、連続するm+α個の要素で構成される組み合わせを、複数生成する組み合わせ生成手段、a122)前記各組み合わせをm+α次元のベクトルとして、各ベクトルについて、距離d内に存在するベクトルの数を演算するとともに、前記m+α次元ベクトル数についての統計的平均値を演算するm+α次元平均ベクトル数演算手段、a13)前記第３演算手段は、前記m次元平均ベクトル数およびm+α次元平均ベクトル数に基づいて、前記脈波のm次元平均ベクトル数の微視的乱雑さを求める、a14）前記第３演算手段に、距離dを変えた場合のm次元平均ベクトル数の微視的乱雑さを演算させる第４演算手段、Ｂ）以下の演算ステップから求められた第１、第２判断対象d値を記憶する対応特異点d値記憶手段、b1)少なくとも健常者または精神疾患者のいずれかの脈波データについて、前記m次元平均ベクトル数乱雑さ演算手段に、少なくとも、m＝mmのm次元平均ベクトル数乱雑さであるmm次元平均ベクトル数乱雑さ、およびm=mnのm次元平均ベクトル数乱雑さであるmn次元平均ベクトル数乱雑さを演算させるとともに、前記mm次元平均ベクトル数乱雑さおよびmn次元平均ベクトル数乱雑さm=mnの差分を、前記mn次元平均ベクトル数乱雑さで除算した値を、欠損情報量割合として、前記距離dごとに演算する欠損情報量割合演算ステップ、なお、mm＜mn、かつ、いずれも自然数である、b2)前記変化欠損情報量割合における特異点を１点決定し、前記特異点における距離dの値を第１判断対象d値として決定する第１特異点演算ステップ、b3)前記第４演算手段が求めた距離dを変えた場合のm次元平均ベクトル数の微視的乱雑さから、特異点を１点決定し、前記特異点における距離dの値を第２判断対象d値として決定する第２特異点演算ステップ、C）前記第１、および第２判断対象d値における前記m=2におけるm次元平均ベクトル数の微視的乱雑さの組み合わせを比較対象組データとして、複数の健常者、または複数の精神疾患者の脈波データについて演算し、演算結果から、前記複数の健常者、または複数の精神疾患者の分布を特定するための分布特定データを演算する分布特定データ演算手段、D)前記分布特定データを記憶する分布特定データ記憶手段、を備えている。
　したがって、健常者か精神疾患者かを判断するための前記分布特定データを生成することができる。
　２０）本発明にかかる精神疾患データ生成装置においては、さらに、検査対象の脈波データが与えられると、前記m次元平均ベクトル数乱雑さ演算手段に、前記検査対象データの前記第１、第２判断対象d値におけるm次元平均ベクトル数の微視的乱雑さを演算させ、前記分布特定データとの比較結果を出力する出力手段、を備えている。
　したがって、脈波データから健常者か精神疾患者かを判断することができる。
　本明細書において、
「微視的乱雑さ」とは、実施形態ではサンプルエントロピーが該当する。「第１判断対象d値」「第２判断対象d値」は実施形態ではr＊σが該当する。「欠損情報量割合」とは、実施形態ではロストサンプルエントロピーの値が該当する。「変化欠損情報量割合」とは、rを変えた場合のロストサンプルエントロピーの値が該当する。「特異点」とは、実施形態ではロストサンプルエントロピー曲線におけるピーク値と両端部のいずれかを、採用したが、両端部でもよいし、さらに、一方はサンプルエントロピー曲線における特異点、他方はロストサンプルエントロピー曲線における特定点を含む概念である。
「代表値」とは、狭義の平均値、中央値、最頻値を含む。また、狭義の「平均値」としては、相乗平均、調和平均、一般化平均、加重平均など、各種の算術手法を含む。
　また、「微分脈波データ」とは、脈波データを少なくとも１回以上微分したデータを含む。
　この発明の特徴、他の目的、用途、効果等は、実施形態および図面を参酌することにより明らかになるであろう。
精神疾患診断装置１の機能ブロック図である。 精神疾患診断装置１のハードウェア構成を示す図である。 脈波データの波形の一例である。 全体のフローチャートを示す。 サンプルエントロピー演算処理の詳細フローチャートである。 演算されるrとmを変更した場合のサンプルエントロピーおよびロストサンプルエントロピーの一覧を示す。 rおよびmを変更した場合のサンプルエントロピーの変化を示す。 ロストサンプルエントロピーの意義を説明する図である。 rを変えた場合のロストサンプルエントロピーの変化グラフである。 健常者の平均とパーキンソン病患者のロストサンプルエントロピーの違いを示す変化グラフである。 健常者の平均とパーキンソン病患者のロストサンプルエントロピーの違いを示す変化グラフである。 健常者の平均と統合失調症患者のロストサンプルエントロピーの違いを示す変化グラフである。 フィルタリングしない場合のサンプルエントロピーのグラフである。 サンプルエントロピーの意義を説明する図である。 精神疾患診断装置２００のハードウェア構成を示す図である。 ロストサンプルエントロピーから分布特定データの生成、およびこれを用いた診断処理の詳細フローチャートである。 健常者とパーキンソン病患者それぞれにおける、対応第２サンプルエントロピー値と対応第１サンプルエントロピー値の相関を示す分布を示す。 図１７に、大うつ病患者の対応第２サンプルエントロピー値と対応第１サンプルエントロピー値の相関を追加した分布を示す。 精神疾患データ生成装置の機能ブロック図である。 図１９に示す精神疾患診断装置をプログラムモジュールで実現した場合のハードウェア構成を示す図である。 図２０に示す第５演算プログラムモジュールの詳細モジュール構成を示す図である。
１・・・・ 精神疾患診断装置
　　２３・・・ＣＰＵ
　　２７・・・メモリ
（第１実施形態）
機能ブロック図
　図１に、本件発明にかかる変化欠損情報量割合演算装置３０を有する精神疾患診断装置１の機能ブロック図を示す。精神疾患診断装置１は、指尖脈波計測手段３、フィルタリング手段４，脳波記憶手段５、変化欠損情報量割合演算装置３０、代表値記憶手段１７、報知手段１８、および出力手段１９を備えている。
　指尖脈波計測手段３は、指尖脈波を計測して、測定部位に流れている血流量によって変化する脈波データを計測する。フィルタリング手段４は、計測された脈波データのうち少なくとも１０Hzを超える周波数成分を削除する。脳波記憶手段５は、１０Hzを超える周波数成分が除去された脈波データを記憶する。
　変化欠損情報量割合演算装置３０は、後述する変化欠損情報量割合を演算する。代表値記憶手段１７は、健常者の変化欠損情報量割合の代表値をあらかじめ記憶する。出力手段１９は前記代表値と、対象者の変化欠損情報量割合とのずれがわかるように出力する。報知手段１８は、前記代表値と、対象者の変化欠損情報量割合とのずれを判断し、このずれが閾値を超える場合には、精神疾患であると報知する。
１．１　変化欠損情報量割合演算装置３０について
　変化欠損情報量割合演算装置３０の詳細について説明する。変化欠損情報量割合演算装置３０は、m次元平均ベクトル数乱雑さ演算手段１２、欠損情報量割合演算手段１４、変化欠損情報量割合演算手段１５、および変化欠損情報量割合記憶手段１６を有する。
　m次元平均ベクトル数乱雑さ演算手段１２は、第１演算手段７、第２演算手段９、第３演算手段１０および第４演算手段１０を有する。
　第１演算手段７は、組み合わせ生成手段７a、およびm次元平均ベクトル数演算手段７cを有する。組み合わせ生成手段７aは、前記脈波データからN個の個別データについて、連続するm個の要素で構成される組み合わせを、複数生成する。m次元ベクトル距離演算手段７cは、前記各組み合わせをm次元のベクトルとして各ベクトルについて、距離d内に存在するベクトルの数を演算するとともに、前記m次元ベクトル数についての統計的平均値を演算する。
　第２演算手段９は、組み合わせ生成手段９a、およびm+α次元平均ベクトル数演算手段９cを有する。組み合わせ生成手段９aは、前記脈波データからN個の個別データについて、連続するm+α個の要素で構成される組み合わせを、複数生成する。m+α次元ベクトル距離演算手段９cは、前記各組み合わせをm+α次元のベクトルとして各ベクトルについて、距離d内に存在するベクトルの数を演算するとともに、前記m+α次元ベクトル数についての統計的平均値を演算する。
　第３演算手段１０は、m次元平均ベクトル数およびm+α次元平均ベクトル数に基づいて、前記脈波のm次元平均ベクトル数の微視的乱雑さを求める。第４演算手段１１は、第３演算手段１０に、距離dを変えた場合のm次元平均ベクトル数の微視的乱雑さを演算させる。
　欠損情報量割合演算手段１４は、m次元平均ベクトル数乱雑さ演算手段１２に、少なくとも、m＝mmのm次元平均ベクトル数乱雑さであるmm次元平均ベクトル数乱雑さ、およびm=mnのm次元平均ベクトル数乱雑さであるmn次元平均ベクトル数乱雑さ、を演算させるとともに、前記mm次元平均ベクトル数乱雑さおよびmn次元平均ベクトル数乱雑さm=mnの差分を、前記mn次元平均ベクトル数乱雑さで除算した値を、欠損情報量割合として、前記距離dごとに演算する、なお、mm＜mn、かつ、いずれも自然数である。
　これにより、欠損情報量割合演算手段１４は、変化欠損情報量割合を演算する。
　２．ハードウェア構成
　精神疾患診断装置１のハードウェア構成について、図２を用いて説明する。同図は、精神疾患診断装置１を、ＣＰＵを用いて構成したハードウェア構成の一例である。
　精神疾患診断装置１は、ＣＰＵ２３、メモリ２７、ハードディスク２６、モニタ３０、光学式ドライブ２５、入力デバイス２８、通信ボード３１、脈波センサ３３およびバスライン２９を備えている。ＣＰＵ２３は、ハードディスク２６に記憶された各プログラムにしたがいバスライン２９を介して、各部を制御する。
　ハードディスク２６は、オペレーティングシステムプログラム２６ｏ（以下ＯＳと略す）、メインプログラム２６ｐが記憶される。メインプログラム２６ｐの処理は、後述する。
　脈波センサ３３は、一般的な指尖脈波計測器である。本実施形態においては、赤外線を用いて血流量を計測し、この血流量から指尖脈波を求める指尖脈波計測器を採用した。具体的には、発光素子から照射された赤外線が計測対象の指で反射され、これを受光素子で受光する。この反射光の強度は、血流量を表している。したがって、受光素子から出力される信号は、指尖容積脈波となる。この受光素子からの信号をデジタルデータにして出力する。
　脈波センサ３３からのデータはメモリ２７に取り込まれ、脈波記憶部２６mに記憶される。
　図３Ａに、脈波センサ３３から出力される指尖脈波の例を示す。実際にはデジタルデータであるが、図３Ａにおいては波形として示している。
　結果記憶部２６kには後述するように計測した脈波から得られたロストサンプルエントロピーが記憶される。
　本実施形態においては、オペレーティングシステムプログラム（ＯＳ）２６ｏとして、Windows10（登録商標または商標）を採用したが、これに限定されるものではない。
　なお、上記各プログラムは、光学式ドライブ２５を介して、プログラムが記憶されたＣＤ－ＲＯＭ２５ａから読み出されてハードディスク２６にインストールされたものである。なお、ＣＤ－ＲＯＭ以外に、フレキシブルディスク（ＦＤ）、ＩＣカード等のプログラムをコンピュータ可読の記録媒体から、ハードディスクにインストールさせるようにしてもよい。さらに、通信回線を用いてダウンロードするようにしてもよい。
　本実施形態においては、プログラムをＣＤ－ＲＯＭからハードディスク２６にインストールさせることにより、ＣＤ－ＲＯＭに記憶させたプログラムを間接的にコンピュータに実行させるようにしている。しかし、これに限定されることなく、ＣＤ－ＲＯＭに記憶させたプログラムを光学式ドライブ２５から直接的に実行するようにしてもよい。なお、コンピュータによって、実行可能なプログラムとしては、そのままインストールするだけで直接実行可能なものはもちろん、一旦他の形態等に変換が必要なもの（例えば、データ圧縮されているものを、解凍する等）、さらには、他のモジュール部分と組合して実行可能なものも含む。
　３.　フローチャート
　図４に、診断データ生成処理の全体のフローチャートを示す。ユーザは、脈波センサ３３に計測対象の指を接触させて、精神疾患診断装置１に計測開始処理を実行させる。これにより、ＣＰＵ２３は、指尖脈波の読み取りおよび記憶を開始する（図４ステップＳ１０１）。結果は、メモリ２７に記憶される。記憶された脈波データは横軸が時間、縦軸が血流量を表している。
　ＣＰＵ２３は、10Hzを超える周波数成分を除去するフィルタリング処理を行う（ステップＳ１０２)。本実施形態においては、この脈波データをスペクトラム分析し，10Hzを超える周波数成分をゼロとした後、逆フーリエ変換する。これにより、10Hzを超える周波数成分を除去した脈波データが得られる。
　ＣＰＵ２３は、この脈波データからＮ個のサンプリングを行う(ステップＳ１０３)。本実施形態においては、１秒間に２００回のサンプリングレートとして、３分間のデータを採用した（N=36000）。
　ＣＰＵ２３は、要素数をm=2とする(ステップＳ１０５)。
　ＣＰＵ２３は、N個のサンプリング値を１つずつずらしながら、m個の要素で構成される組Bと、m+1個の要素で構成される組Aを生成する(ステップＳ１０６)。例えば、N個のサンプリング値が、1番目がk(1)、2番目がk(2)、3番目がk(3)、4番目がk(4)、5番目がk(5)、・・・・n番目がk(n)で、m=2であり、かつ、組Ｂはm個の要素で構成されるので、B(1)=（k(1)、k(2)）、B(2)=（k(2)、k(3))、B(3)=（k(3)、k(4)）・・・、B(N-m)=（k(N-m)、k(N-m)）の、N-m個の組データが生成される。一方、組Ａは、m+1個の要素で構成されるので、Ａ(1)=（k(1)、k(2)、k(3))、Ａ(2)=（k(2)、k(3)、k(4))、Ａ(3)=（k(3)、k(4)、k(5))・・・、Ａ(N-m)＝（k(N-m)、k(N-m+1)、k(N)）と、同じくN-m個の組のデータが構成される。ここで、組Bについて、組Aと同じ数の組を生成したのは後述するように、両者の組数を一致させるためである。
　ＣＰＵ２３は、組Ａをm次元のベクトル、組Ｂをm次元のベクトルで表現されているとして、サンプルエントロピーを演算する(ステップＳ１０７)。本実施形態において採用したサンプルエントロピーの演算手法について、図５を用いて説明する。
　ＣＰＵ２３は、許容値rを初期値とする(ステップＳ２０)。本実施形態においては許容値rの初期値を0.1とした。
　ＣＰＵ２３は、処理番号iを初期化する(ステップＳ２１)。ＣＰＵ２３は、組Bの各組をm次元のベクトルとして、i番目の組と、他の全ての組との差分を演算し、i番目の組で特定されるベクトルについて、距離d（d＝σ・r）内に存在するベクトルの平均ベクトル数Bm i　(r)を求める(ステップＳ２３)。なお、σは、サンプリングしたＮ個のサンプリング値の標準偏差である。距離d内に存在するベクトルの平均ベクトル数は、各ベクトルについて差分を演算して、その差分が、距離d内となるベクトルの数を求めればよい。
　ここでは、まず、i=1であるので、ＣＰＵ２３は、ベクトルB(1)について、他のベクトルB(2)=（k(2)、k(3))との距離を求める。本実施形態においては、ベクトル間の距離は、対応する要素間の差の最大値を採用した。例えば、ベクトルB(1)とベクトルB(2)の場合、ベクトルB(2)のk(2)と、ベクトルB(1)のk(1)の差と、ベクトルB(2)のk(3)と、ベクトルB(1)のk(2)の差のうち、大きい値が距離となる。なお、ベクトルの距離については、他のベクトル距離の演算手法（例えば、ユークリッド距離等)を採用することもできる。
　ＣＰＵ２３は、求めた距離が距離dより小さければ、距離d内のベクトルの個数は「１」、なければ、「０」とする。これは、ベクトルB(1)の近傍に自分自身以外のベクトルがいくつ存在するかを判断するためである。以下、同様にして、ベクトルB(1)=（k(1)、k(2)）と、ベクトルB(3)=（k(3)、k(4)）との距離、・・・と繰り返して、ベクトルB(1)とB(N-m)との距離を求める。得られた個数を総計して、その平均を求める。本実施形態においては、自分自身との距離は求めていないので、(N-m-1)個の距離を総計して、それらの平均を求めた。これにより、ベクトルB2 1(0.1)の近傍存在平均個数が求められる。
　同様にして、組Ａの各組をm+1次元のベクトルとして、i番目の組と、他の全ての組との差分を演算し、i番目の組で特定されるベクトルについて、距離d内に存在するベクトルの平均ベクトル数Am+1 i　(r)を求める(ステップＳ２５)。
　ＣＰＵ２３は処理番号iをインクリメントし（ステップＳ２７）、処理番号iが最終まで終了したか否か判断する（ステップＳ２９）。本実施形態においては、最終まで終了したかについては、総数Ｎから組を構成する要素数mを減算して、１加えた値を超えるまでとした。
　この場合、終了していないので、ステップＳ２３～ステップＳ２７の処理を繰り返す。これにより、ベクトルB2 2(0.1)、ベクトルＡ2 2(0.1)の近傍存在平均個数が求められる。これにより、全ベクトルについて　近傍存在平均個数が求められる。
　ＣＰＵ２３は、ステップＳ２９にて、組Ａ、Ｂそれぞれについての全ての組について近傍存在平均個数を求めると、全組の平均ベクトル数Ａm+1 　(r)および平均ベクトル数Bm 　(r)を求める(ステップＳ３１)。
　本実施形態においては、かかる平均ベクトル数Bm 　(r)については、単純平均、すなわち、平均ベクトル数Ｂm２ 1　(0.1)、Ｂm２ 2　(0.1)、Ｂm２ ３　(0.1)を総計して、その平均を求めるようにしてたが、他の平均演算手法を採用してもよい。平均ベクトル数Am+1 i　(r)についても同様である。
　ＣＰＵ２３は、全組の平均ベクトル数Ａm+1 　(r)および平均ベクトル数Bm 　(r)から、サンプルエントロピーを求める（ステップＳ３３）。本実施形態においては、下記式１のように、(Ａm+1 　(r)／Ｂm 　(r))を求めて、その自然対数に－１を乗じた値を、サンプルエントロピーとした。
　SampEn(m,r,N)=-ln (Ａm+1 　(r)／Ｂm 　(r))・・・・（式１）
　ここで、mは組を構成する要素数、rは距離の閾値、Nは数サンプル数である。
　このようにして、許容値r＝0.1、要素数m=2の場合の、組Ａ、組ＢのサンプルエントロピーSampEn(m2,r1)（以下SampEnをSamと略す)が求められ、結果記憶部２６k（図２参照）に記憶される。
　ＣＰＵ２３は、許容値rに増加分r1を加算して（図５ステップＳ４１）、許容値rが設定値を超えたかを判断し（ステップＳ４３）、越えていなければ、前記r1だけ増加した値についての、組Ａ、組Ｂのサンプルエントロピを求める。以下、同様にして、許容値rがr1だけ増加したサンプルエントロピーSam（m2,r2)が求められ、結果記憶部２６k（図２参照）に記憶される。本実施形態においてはr1=0.01としたがこれに限定されない。
　以下、同様にして、r＝rmaxのサンプルエントロピーSam（m2,rmax)が求められる。
　ステップＳ１３にて、許容値rが設定値を超えた場合には、処理を終了する。本実施形態においては、設定値を0.7としたが、これに限定されない。このようにして、許容値rを順次変更した場合の、サンプルエントロピーが求められる。
　これにより、図６に示す要素数m=2におけるサンプルエントロピーSam（m2,r1)～Sam（m2,rmax)が記憶される（行４０１参照）。
　ＣＰＵ２３は、要素数mをインクリメントし（図４ステップＳ１０９）、要素数mが設定値を超えたかを判断し（ステップＳ１１１）、越えていなければ、ステップＳ１０６，ステップＳ１０７の処理を行う。
　これにより、要素数m=3におけるサンプルエントロピーSam（m3,r1)～Sam（m3,rmax)が記憶される（図６の行４０２参照）。
　以下同様にして、要素数m=4におけるサンプルエントロピーSam（m4,r1)～Sam（m4,rmax)から、要素数m=mmaxにおけるサンプルエントロピーSam（mmax,r1)～Sam（mmax,rmax)が記憶される（図６の行４０３，４０９参照）。
　なお、本実施形態においては、m=10、r=0.6までの、サンプルエントロピーを求めたが、これに限定されない。
　図７にm=2～m=10のrごとのサンプルエントロピーを示す。
　ＣＰＵ２３は、２つのサンプルエントロピーを用いて、rごとの、ロストサンプルエントロピーLSamを求める（ステップＳ１１３）。本実施形態においては、要素数mが最小値のサンプルエントロピーSam（m2,r1)と、最大値のサンプルエントロピーSam（mmax,r1)から、両者の差分を前者で除算したrごとのロストサンプルエントロピーLSamを下記式にて求めた。
　LSam(m2, mmax, r1)＝（Sam（m2,r1)－Sam（mmax,r1)）／Sam（m2,r1)
　r2以下についても同様である。
　ＣＰＵ２３は、演算結果を記憶する(ステップＳ１１５)。これにより、図６の行４５０の 各セルに示すロストサンプルエントロピーLSam(m2, mmax, r1)～ LSam(m2, mmax, rmax)が記憶される。
　 ロストサンプルエントロピーLSam(m2, mmax, r1)は、図８に示すように、　r＝r1における両者の差分d1のSam（m2,r1)に対する割合である。かかる意義について説明する。
　サンプルエントロピーは、要素数mで構成されたベクトル間の距離が、許容値r内に存在する個数の総数Nにおける割合を示している。従って、同じデータ時あれば、要素数mが多いほど、割合は低くなる。ロストサンプルエントロピーは、２つのサンプルエントロピーの差分割合なので、要素数が大きいベクトルになるまで（この場合、要素数が「2」から「10」）に、失われた情報量の割合を意味する。
　得られたロストサンプルエントロピーLSam(m2, mmax, r1)～ LSam(m2, mmax, rmax)について、得られた曲線を図９に示す。
　ＣＰＵ２３は、あらかじめ記憶されている健常者のロストサンプルエントロピーの平均値を代表値として、記憶している。ＣＰＵ２３は、かかる代表値と、ユーザのロストサンプルエントロピーを併せてモニタ３０に表示する(ステップＳ１１７)。これをみれば、客観的なデータに基づく、精神疾患の判断が可能となる。
　これは以下のような理由による。発明者は、サンプルエントロピーの曲線が健常者と精神疾患者とで違いがあることから、ロストサンプルエントロピーの曲線についても、健常者と精神疾患者とでなんらかの違いがあるのではないかとの仮説を立て、種々のデータを比較した。その結果下記のような傾向を見いだすことができた。
　図１０に健常者２０名の平均と、パーキンソン病の患者のデータを示す。曲線５０１が健常者の平均で、他の曲線がパーキンソン病の患者のロストサンプルエントロピーである。このように、健常者と精神疾患者とでロストサンプルエントロピーの曲線がずれている。具体的には、以下の点で違いがあることがわかる。ひとつは、r=0.1の値が、健常者に比べて高い（健常者0.45程度、パーキンソン病患者0.6以上)である。もう一つが、健常者は、r=0.1からr=0.2にかけて、ロストサンプルエントロピーの値が高くなり、その後徐々に低くなるが、r=0.1とr=0.5とで、ほぼ同じ値である。これに対して、パーキンソン病患者の場合は、r=0.1からr=0.2にかけての上昇がほとんどなく、さらに、r=0.5に向けての下降程度も大きい。かかる３つのパラメータのいずれか１つまたはその組み合わせによって、被検査者がパーキンソン病にかかっているか否かを判断することができる。
　図１１に、健常者２０名の平均と、大うつ病の患者のデータを示す。曲線５０１が健常者の平均で、他の曲線が大うつ病の患者のロストサンプルエントロピーである。全体の曲線形状は似ているようにみえるが、健常者と精神疾患者とでロストサンプルエントロピーの曲線がずれている。具体的には、以下の点で違いがある。ひとつは、r=0.1の値が、大うつ病患者の方が、健常者に比べて高い（健常者0.45程度、大うつ病患者0.6程度以上)である。ここから、上昇する値は同程度だが、r=0.1の時の値が異なる関係で、r=0.5の値がその分高くなるか、または同程度の場合には、r=0.5に向けての下降程度も大きくなっている。かかる２つのパラメータのいずれか１つまたはその組み合わせによって、被検査者が大うつ病にかかっているか否かを判断することができる。
　図１２に、健常者２０名の平均と、統合失調症の患者のデータを示す。曲線５０１が健常者の平均で、他の曲線が統合失調症の患者のロストサンプルエントロピーである。この場合、全体の曲線形状は似ているようにみえるが、健常者と精神疾患者とでロストサンプルエントロピーの曲線がずれている。具体的には、以下の点で違いがある。ひとつは、全体として、曲線の上昇傾向が強くなり、ピークもr=0.2以降にあり、r=0.5の値が0.6以上と高い。すなわち、ピーク以降の下降程度が穏やかである。また、r=0.1の値が、統合失調症患者の方が、健常者に比べて低い（健常者0.45程度、統合失調症患者0.4程度)である。r=0.1の値が健常者とほぼ同じ統合失調症患者は、曲線の上昇傾向が強くなり、ピークもr=0.2以降にあり、r=0.5の値が0.6以上と高い。
　かかるパラメータのいずれか１つまたはその組み合わせによって、被検査者が統合失調症にかかっているか否かを判断することができる。
　このように、健常者の平均を求めておいて、それとのずれを求めることにより、精神疾患があるか否かを客観的に判断することができる。
　本実施形態においては、上記の３つの場合の精神疾患について検討しただけであるが、これは他の精神疾患についても同様である。なぜなら、すでに特許文献１で説明したように、脈波の乱れと精神疾患についてなんらかの関連性があると考えられるからである。
　本実施形態においては、１０Hzを超える周波数成分をノイズとしてカットするようにしたが、フィルタリングしない脈波データでも同様に、ロストサンプルエントロピーを得ることができる。以下説明する。図１３にフィルタリングしない脈波データに基づいて、得られたサンプルエントロピーの値を示す。このように、ノイズがあると、なめらかではなく、ギザギザ形状となっている。ただロストサンプルエントロピーはサンプルエントロピーの差分割合なので、ノイズによる形状がギザギザになるが、全体形状における特徴傾向は含有している。
　また、本実施形態においては、計測された脈波データから10Hzを超える周波数成分を除去したが、除去する周波数成分については、これに限定されない。理由は、ノイズが除去できれば十分だからである。また、フィルタリングの手法は、どのような手法であっても良い。さらに、かかるフィルタリングなしの生データを用いてもよい。
　本実施形態におけるサンプルエントロピーの利用手法について、従来との違いについて、説明する。
　従来、サンプルエントロピーを求めて、その値によって精神状態を判断する手法は知られていた。以下、詳細に説明する。従来のサンプルエントロピーの演算では、サンプル数Nと許容範囲ｒと連の長さｍを固定した値で，演算を行い、その値によって判断を行っていた。血流量のように、時間の経過に伴って揺らぎながら周期的に変化する時系列変化データについて、これを複数のサンプル区間に分けた場合、以下のような関係が得られる。
　組Bを構成する要素の値は、図１４Ａに示すような連続するデータの変化を示している。これをm次元のベクトルと把握して、σ・r内に位置するベクトルの分布数、すなわち、図１４Ｂに示すように、ある値k(P)からk(P+1)へ変化する区間として類似する区間がどの程度存在するのかを示す。また、組Aを構成する要素の値は、さらに、ある値k(P)からk(P+1)へ変化し、その後、k(P+2)に変化する区間として類似する区間がどの程度あるのかを示す。上記式（１）の対数の中の(Ａm+1 　(r)／Ｂm 　(r))は、 (Ａm+1 　(r)/(N-m-1)／Ｂm 　(r)/(N-m-1))から、/(N-m-1)を約分したものである。ここで、Ｂm 　(r)/(N-m-1)は、ある値k(P)からk(P+1)への変化する確率を、Ａm+1 　(r)/(N-m-1)は、ある値k(P)からk(P+1)への変化した後、さらに、k(P+2)に変化する確率を求めている。すなわち、これらの比は、ある値k(P)からk(P+1)への変化を１とした時に、さらに、k(P+2)に変化する割合を求めている。式（１）はこの値の対数を求めている。従来は、かかる値によって精神疾患との関係を分析するというものであった。
　これに対して、発明者は、かかる一点の数値から判断するのではなく、統計的な手法によって判断ができないかと考えた。そこで、サンプル数Nにおける，それぞれの連の長さｍに対する許容範囲ｒを変化させたサンプルエントロピーについて、その差分割合を求めている。このように、許容範囲ｒを変化させるとともに、mが異なるサンプルエントロピー間の差分割合（ロストサンプルエントロピー）で判断する点で、従来の手法と異なる。
４．第２実施形態
　図１５に、別の実施形態である精神疾患診断装置２００のハードウェア構成を示す。精神疾患診断装置２００は、脈波センサ２０３、プロセッサー２０４、ディスプレイ２０５、およびデータを格納するためのメモリエリア２０７を含む。
　本実施形態においては、プロセッサー２０４はCPUで構成したが、マイクロプロセッサ一、またはコンピュータ実行可能命令の実行が可能なその他の処理ユニットで構成してもよい。
　本実施形態においては、メモリエリア２０７は、フラッシュ・メモリで構成したが、RAM、ROM、EEPROM、またはその他のメモリ、CD-ROM、DVDまたはその他の光ディスク・ストレージ、磁気カセット、磁気テープ、磁気ディスク・ストレージまたはその他の磁気記憶デバイスなど、コンピュータ記憶媒体で構成してもよい。
　本実施形態においては、ディスプレイ２０５は、LCDで構成したが、その他のディスプレイ、たとえば有機ELで構成してもよい。
　メモリエリア２０７に記憶されている各プログラムモジュールについて説明する。メモリエリア２０７には、m次元平均ベクトル数乱雑さ演算プログラムモジュール２１０、欠損情報量割合演算プログラムモジュール２４１、変化欠損情報量割合演算プログラムモジュール２４３、変化欠損情報量割合記憶プログラムモジュール２４５、結果表示プログラムモジュール２５１、フィルタリングプログラムモジュール２５３が記憶されている。
　プロセッサ２０４はメモリエリア２０７に記憶されているプログラムモジュールを用いて、第１実施形態と同じステップ(図４および図５参照)を実行する。
　フィルタリングプログラムモジュール２５３は、図４のステップＳ１０２の演算処理を行う。第１演算プログラムモジュール２２０および第２演算プログラムモジュール２３０はステップＳ１０３、およびステップＳ１０６の演算処理を行う。第３演算プログラムモジュール２３５は、図５ステップＳ２１～ステップＳ３３までの処理が該当する。第４演算プログラムモジュール２３６は、図５ステップＳ４１，およびステップＳ４３により、ステップＳ２１～ステップＳ３３までの処理を繰り返す処理が該当する。
　欠損情報量割合演算プログラムモジュールは、図４ステップＳ１０９～ステップＳ１１１により、ステップＳ１０６～ステップＳ１０７までの処理を繰り返す処理および、ステップＳ１１３でロストサンプルエントロピーをrごとに求める処理が該当する。
　変化欠損情報量割合記憶プログラムモジュールは、ステップＳ１１５の処理が該当する。
　結果表示プログラムモジュール２５１は、ステップＳ１１７の処理が該当する。
　上記各実施形態は、下記の装置として、把握することができる。
 　測定部位に流れている血流量によって変化する脈波データを検出する脈波センサ、
　メモリエリアに記憶されたプログラムモジュールにより下記ステップを実行するプロセッサ、
　演算結果を表示するディスプレイ、
　を備えており、
Ｂ）b1)第１演算ステップ、b2)第２演算ステップ、およびb3)第３演算ステップで構成されたm次元平均ベクトル数乱雑さ演算ステップ、
　b1)前記第１演算ステップは下記b11)～b12)のステップを有しており、
　　b11)前記脈波データからN個の個別データについて、連続するm個の要素で構成される組み合わせを、複数生成する組み合わせ生成ステップ、
　　b12)前記各組み合わせをm次元のベクトルとして、各ベクトルについて、距離d内に存在するベクトルの数を演算するとともに、前記m次元ベクトル数についての統計的平均値を演算するm次元平均ベクトル数演算ステップ、
　b2)前記第２演算ステップは下記b21)～b22)のステップを有しており、
　　　b21)前記脈波データからN個の個別データについて、連続するm+α個の要素で構成される組み合わせを、複数生成する組み合わせ生成ステップ、
　　　b22)前記各組み合わせをm+α次元のベクトルとして、各ベクトルについて、距離d内に存在するベクトルの数を演算するとともに、前記m+α次元ベクトル数についての統計的平均値を演算するm+α次元平均ベクトル数演算ステップ、
　b3)前記第３演算ステップは、前記m次元平均ベクトル数およびm+α次元平均ベクトル数に基づいて、前記脈波のm次元平均ベクトル数の微視的乱雑さを求める、
　b4）前記第３演算ステップを、距離dを変えて繰り返し、m次元平均ベクトル数の微視的乱雑さを演算させる第４演算手段、
　Ｃ）前記m次元平均ベクトル数乱雑さ演算ステップに、少なくとも、m＝mmのm次元平均ベクトル数乱雑さであるmm次元平均ベクトル数乱雑さ、およびm=mnのm次元平均ベクトル数乱雑さであるmn次元平均ベクトル数乱雑さ、を演算させるとともに、前記mm次元平均ベクトル数乱雑さおよびmn次元平均ベクトル数乱雑さm=mnの差分を、前記mn次元平均ベクトル数乱雑さで除算した値を、欠損情報量割合として、距離dごとに演算する欠損情報量割合演算ステップ、
　なお、mm＜mn、かつ、いずれも自然数である、
　Ｄ）前記距離dを変えた場合の欠損情報量割合を、変化欠損情報量割合として、メモリエリアに記憶する変化欠損情報量割合記憶ステップ、
　Ｅ）健常者の変化欠損情報量割合の代表値をあらかじめ前記メモリエリアに記憶しておき、この代表値と、対象者の変化欠損情報量割合を併せて、ディスプレイに表示するステップ、
　を備えたことを特徴とする精神疾患診断装置。
　本実施形態においては、m=2と、m=10のサンプルエントロピーの差分をm=2のサンプルエントロピーの値で除算した値を、ロストサンプルエントロピーとしたが、これに限定されない。
　本実施形態においては、脈波センサ２０３にて、Ａ／Ｄ変換を行い、デジタルデータを、フィルタリングプログラムモジュール２５３に与え、フーリエ変換したが、脈波センサ２０３内に、かかるフィルタリング機構を有するようにしてもよい。
５．第３実施形態
　上記実施形態では、ロストサンプルエントロピーを求めて、そのグラフ形状に基づいて、精神疾患者か否かを判断している。発明者は、上記判断手法について、さらに、ロストサンプルエントロピーの値を求めて、その特異点におけるトレランス(r値)におけるサンプルエントロピーの値に基づいて、精神疾患者か否かを判断する手法に想到した。以下、説明する。
　概要としてとは、以下のa1)～a4)の演算処理である。
　a1)健常者または精神疾患者のロストサンプルエントロピー曲線を求めて、このロストサンプルエントロピー曲線における特異点を2点決定し、その対応rを設定r値として決定する。a2)前記２つの設定r値におけるサンプルエントロピーの組データを生成し、これらを比較対象組データから得られる分布特定データを記憶しておく。a3)検査対象データが与えられると、検査対象データにおけるサンプルエントロピー曲線から、前記特異点における前記判断対象rの組データを生成する。a4)これを前記分布特定データと比較し、どちらに近いかで健常者または精神疾患者かを判断する。
　以下、上記の判断手法についての詳細を図１６を用いて説明する。図１６Aは上記a1)～a2)の演算処理に該当する。
　ＣＰＵ２３は、複数の健常者についてロストサンプルエントロピーをそれぞれ演算する（ステップＳ１２１）。ロストサンプルエントロピーは、図４のステップＳ１０１～ステップＳ１１５で求めることができる。
　ＣＰＵ２３は、複数のパーキンソン病患者についてロストサンプルエントロピーをそれぞれ演算する（ステップＳ１２３）。これはステップＳ１２１と同様である。
　ＣＰＵ２３は、健常者または精神疾患者のロストサンプルエントロピー曲線から設定r値を決定する。本実施形態においては、ステップＳ１２１またはステップＳ１２３で求めた健常者のロストサンプルエントロピーが最大となる最大値対応r値と、最小となる最小r値とした。この場合、ロストサンプルエントロピーが最大となる最大値対応r値は「０．１７」、最大値は「０．５」であるので、設定r値は、「０．１７」、「０．５」となる。
　ＣＰＵ２３は、m=2、および前記設定r値におけるサンプルエントロピーの値を、前記複数の健常者および、複数のパーキンソン病患者それぞれについて読み出して、分布特定データとして記憶する（ステップＳ１２７）。たとえば、ある健常者の設定r値のうち最小r値に対する対応最小サンプルエントロピーが「０．０６７」、最大r値に対する対応最大サンプルエントロピーが「０．１８」である場合、組データ（０．０６７，０．１８）が記憶される。これにより、かかる組データがステップＳ１２１、ステップＳ１２３で演算した健常者およびパーキンソン病患者の数だけ生成される。なお、サンプルエントロピーの値は、図４ステップＳ１０７で演算したものを読み出せばよい。
　かかる集合データが分布特定データとなる。
　つぎに、検査対象者が、健常であるのか、パーキンソン病を罹患しているのかの判断フローについて図１６Ｂを用いて説明する。図１６Ｂは上記a3)～a4)の演算処理に該当する。
　ＣＰＵ２３は、図１６ＡのステップＳ１２５で設定したr値およびステップＳ１２７で生成した分布特定データを読み出す（ステップＳ１３１）。ＣＰＵ２３は、検査対象者について、m=2における設定r値のサンプルエントロピーの値を組データとして演算する（ステップＳ１３３）。
　ＣＰＵ２３は、分布特定データとともに、ステップＳ１３３で求めた組データを一方をＸ軸に、他方をＹ軸にマッピングする（ステップＳ１３５）。これにより、検査対象者および比較対象の組データの相関表示される。検査対象者が比較対象の組データのうち、いずれに近いかで、健常者またはパーキンソン病患者を判断することができる。
　かかる相関表示について図１７を用いて説明する。図１７は、健常者１１６名、パーキンソン病患者３４名にそれぞれついて、計１５０名のそれぞれの組データがマッピッング表示された分布である。図１７では、かかる分布から回帰直線を求めて表示している。かかる回帰直線から明らかなように、上記対応第１サンプルエントロピー値と対応第２サンプルエントロピー値については相関があり、かつ、かかる相関が健常者とパーキンソン病患者では有意な差がある。回帰分析結果は、健常者で０．９９、パーキンソン病患者で０．８４であった。
　なお、この例では、対応第１サンプルエントロピー値をＸ軸に、対応第２サンプルエントロピー値をＹ軸に配置したが、逆でもよい。
　ＣＰＵ２３は、検査対象者の組データが２つの回帰直線のどちらに近いかで、健常者またはパーキンソン病患者を判断する（ステップＳ１３７）。ＣＰＵ２３は、図１７のような分布と、検査対象者の組データのマッピッング結果とともに判断結果を出力する（ステップＳ１３９）。
　このように、ロストサンプルエントロピー曲線の特異点から、２つの対応r値を求めて、そのサンプルエントロピーの値を、組データとして得られた分布特定データとの関係を表示することにより、単にr=0.1のサンプルエントロピー値だけ判断するのと比べると、より正確にパーキンソン病に罹患しているかを判断できる。
　図１８に、さらに、大うつ病患者１７名の組データを追加した表示を示す。大うつ病患者、健常者、パーキンソン病患者についても、それぞれ、有意な違いが見られた。
　このように、ロストサンプルエントロピーを一旦求めて、その最大値と最小値に対応するrの値をもとめ、当該rの値におけるサンプルエントロピーの値の相関に基づいて、大うつ病患、健常、パーキンソン病患であるか否かを、判断することができる。
　なお、かかる客観的データに基づいた判断は、精神疾患一般に適用可能である。なぜなら、前記組データは、m=2におけるサンプルエントロピーの曲線における特異的な値を抽出し、両者の相関を求めたものである。したがって、大うつ病患、健常、パーキンソン病患だけでなく、他の精神疾患の患者にとっても、健常者とは異なる、なんらかの得意な値を抽出したことになるからである。
　図１９に、第３実施形態の精神疾患データ生成装置の機能ブロック図を示す。第２実施形態との違いは、特異点演算手段１３、特異点演算手段１２、分布特定データ演算手段１５、分布特定データ記憶手段２０、および出力手段２１の処理である。
　欠損情報量割合演算手段１４は、少なくとも健常者または精神疾患者のいずれかの脈波データについて、前記m次元平均ベクトル数乱雑さ演算手段に、少なくとも、m＝mmのm次元平均ベクトル数乱雑さであるmm次元平均ベクトル数乱雑さ、およびm=mnのm次元平均ベクトル数乱雑さであるmn次元平均ベクトル数乱雑さを演算させるとともに、前記mm次元平均ベクトル数乱雑さおよびmn次元平均ベクトル数乱雑さm=mnの差分を、前記mn次元平均ベクトル数乱雑さで除算した値を、欠損情報量割合として、前記距離dごとに演算する、なお、mm＜mn、かつ、いずれも自然数である。特異点演算手段１３は、前記演算された変化欠損情報量割合における特異点を2点決定し、前記2点の特異点における距離dの値を第１、第２判断対象d値として決定する。対応特異点d値記憶手段２２は、この第１、第２判断対象d値を記憶する。
　分布特定データ演算手段１５は、前記第１、および第２判断対象d値における前記m=2におけるm次元平均ベクトル数の微視的乱雑さの組み合わせを比較対象組データとして、少なくとも複数の健常者、または少なくとも複数の精神疾患者の脈波データについて演算し、演算結果から、前記少なくとも複数の健常者、または少なくとも複数の精神疾患者の分布を特定するための分布特定データを演算する。分布特定データ記憶手段２０は、これを記憶する。出力手段２１は、検査対象の脈波データが与えられると、前記m次元平均ベクトル数乱雑さ演算手段１２に、前記検査対象データの前記第１、第２判断対象d値におけるm次元平均ベクトル数の微視的乱雑さを演算させ、前記分布特定データとの比較結果を出力する。
　なお、第２実施形態のようなプログラムモジュールで構成する場合、図２０に示すように、図１６ステップＳ１２１～ステップＳ１２７の処理、およびステップＳ１３１～ステップＳ１３９の処理をする第５演算プログラムモジュールを設ければよい。
　この場合の第５演算プログラムモジュールの詳細を図２１に示す。特異点演算プログラムモジュール２６１は、図１６ステップＳ１２５の処理を実行する。比較対象組データ演算プログラムモジュール２６３は、同図ステップＳ１２７の処理を実行する。相関演算プログラムモジュール２６５は、同図ステップＳ１３１～ステップＳ１３９の処理を実行する。
　なお、本実施形態においては、健常者と対比して対象者の相関とのずれがわかるように出力することで、対象者の相関がいずれに属するかを人間が判断するようにしたが、健常者または精神疾患者の代表値と、前記対象者の変化欠損情報量割合とのずれを判断し、このずれが閾値を超える場合には、精神疾患であると報知するようにしてもよい。
　また、本実施形態においては、分布特定データとして、上記比較対象の組データから得られる回帰直線を採用したが、要するに、分布が特定できるデータであればどのようなものでもよい。さらに分布特定データの基となったの組データの集合を分布特定データとして採用してもよい。
　また、２つの回帰直線ではなく複数の健常者、複数の精神疾患者のいずれか一方から決定された回帰直線データでもよい。また、組データの集合は、少なくとも複数の健常者または複数の精神疾患者から得らればよく、その双方を採用してもよい。
　このように、一方の分布特定データでも、検査対象者がそこに属するか否か判断できるからである。
　本実施形態においては、ロストサンプルエントロピー曲線におけるピーク値および最小値を特異点としたが、両端であってもよい。さらに、かかる両端に前記ピーク値を加えた3点のうちいずれか２点であってもよい。
　これは以下のような理由による。サンプルエントロピー曲線は、rで決定される距離dが小さいほど、大きな値となる。これに対して、ロストサンプルエントロピー曲線は、両端が低くて、途中にピークがある形状となる。またロストサンプルエントロピー曲線の形状は、健常者と精神病患者では、異なる。したがって、図１７に示すマッピングを行う際に、一方は、サンプルエントロピー曲線における特異点、他方はロストサンプルエントロピー曲線を採用するようにしてもよい。たとえば、サンプルエントロピー値の最大値は、rが最小の場合、ロストサンプルエントロピー値の最大値は、ピーク値であり、また、その最小値は、rが最小または最大の時である。このように、マッピッングする場合に、特異点として、一方はサンプルエントロピーの値から決定されるrの値、他方はロストサンプルエントロピーの値から決定されるrの値を用いてもよい。
　この場合、結果的に、サンプルエントロピー値における最小rと最大rが採用されることもある。ただし、これは、上記ロストサンプルエントロピーという値を検討して初めてわかることである。このように、両端に前記ピーク値を加えた3点のうちいずれか２点であってもよい。
　実施形態では複数の健常者のロストサンプルエントロピー曲線における代表値としたが、このような複数人の単純平均ではなく、1名の特定人で決めてもよい。だいたいの傾向は同じだからである。
　また、上記のように、特異点の一方を前記ロストサンプルエントロピーから、もう一方をサンプルエントロピーから求める場合、特異点演算手段１３は、下記のステップで特異点を求めればよい。b2)前記変化欠損情報量割合における特異点を１点決定し、前記特異点における距離dの値を第１判断対象d値として決定する第１特異点演算ステップ、b3)前記第４演算手段が求めた距離dを変えた場合のm次元平均ベクトル数の微視的乱雑さから、特異点を１点決定し、前記特異点における距離dの値を第２判断対象d値として決定する第２特異点演算ステップ。
６．その他の実施形態
　本実施形態においては、健常者の代表値と併せてグラフ表示することにより、これをみた医師などが、精神疾患かどうかを判断できるようにした。しかし、健常者の代表値とのずれを報知するようにしてもよい。さらに、健常者の代表値とのずれが閾値以上であれば、精神疾患の疑いありと報知するようにしてもよい。これにより、精神疾患か否かについて自動診断が可能となる。
　本実施形態においては、ロストサンプルエントロピーを求める場合に、m=2の場合のサンプルエントロピーと、m=10の場合のサンプルエントロピーから差分割合を求めるようにしたが、これに限定されない。すなわち、ロストサンプルエントロピーを求めるのに、mについて求めた最大と最小のサンプルエントロピーから算出したが、これ以外であってもよい。さらに、mについて「１」ずつ加算して、それぞれについて、サンプルエントロピーを算出したが、あらかじめ定めた値の2つのみを演算するようにしてもよい。
　本実施形態においては、サンプリング個数N=36000としたが、Nの値についてはこれに限定されず、N=12000程度でもよい。特に、サンプルエントロピーは、空間内において近い位置にあるデータ群がどの範囲に存在するのかを示す値であるので、また、サンプリングレートを細かくしてもあまり変わらない。
　本実施形態においては、組Ｂ、Ａについては、mの値をmとm+1とした場合について説明したが、これに限定されず、例えば、mとm+2であってもよい。
　本実施形態においては、図４，図５に示す処理にて、サンプルエントロピーを求めたが、これに限定されず、他の演算手法でサンプルエントロピーを求めるようにしてもよい。
　本実施形態においては、前記距離dをr・σ（σはN個のサンプルの標準偏差）としたが、これに限定されない。要するに、脈波のばらつきを表す数値であればよい。
　本実施形態においては、サンプルエントロピーを求めるようにしたが、コロモグロフ（kolmogorov)、シャノン（Shannon）のエントロピー演算式など、一般的な冗長度を表す演算式であれば採用することができる。
　また、本実施形態においては、組Bについて、組Aと同じ数の組を生成したが、組Bについて、N-m+1個の組で構成してもよい。これは、Nが100以上程度であれば、両者のサンプルエントロピーの比は、ほぼ誤差程度の違いが生ずるだけだからである。
　本実施形態においては図５ステップＳ２３、ステップＳ２５において、平均を求めるのに、(N-m-1)個の距離を総計して、それらの平均を求めたが、これに限定されず、自分自身の距離０を加算して、(N-m)個の距離を総計して、それらの平均を求めてもよい。
　本実施形態においては、脈波データを採用したが、これを微分した速度脈波、または加速度脈波であってもよい。速度脈波は、脈波データを１回微分することにより、加速度脈波は脈波データを２回微分することにより、求めることができる。さらに加速度脈波を１または２回以上微分した微分脈波データを用いてもよい。
　また、端末コンピュータはパソコンではなく、携帯端末などであってもよい。また、端末コンピュータでは演算を行わず、演算に必要なデータをネットワーク接続したコンピュータに送信し、このコンピュータの演算結果を端末コンピュータに送信するようにしてもよい。
　上記実施形態においては、図１に示す機能を実現するために、ＣＰＵを用い、ソフトウェアによってこれを実現している。しかし、その一部若しくはすべてを、ロジック回路等のハードウェアによって実現してもよい。
　なお、上記プログラムの一部の処理をオペレーティングシステム（ＯＳ）にさせるようにしてもよい。
　上記においては、本発明を好ましい実施形態として説明したが、限定のために用いたのではなく、説明のために用いたものであって、本発明の範囲および精神を逸脱することなく、添付のクレームの範囲において、変更することができるものである。
　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　 　

Claims (20)

  1.  Ａ）測定部位に流れている血流量によって変化する脈波データを記憶する脈波記憶手段、
    　Ｂ）b1)第１演算手段、b2)第２演算手段、b3)第３演算手段、およびb4)第４演算手段を有するm次元平均ベクトル数乱雑さ演算手段、
    　b1)前記第１演算手段は下記b11)～b12)を有しており、
    　　b11)前記脈波データからN個の個別データについて、連続するm個の要素で構成される組み合わせを、複数生成する組み合わせ生成手段、
    　　b12)前記各組み合わせをm次元のベクトルとして、各ベクトルについて、距離d内に存在するベクトルの数を演算するとともに、前記m次元ベクトル数についての統計的平均値を演算するm次元平均ベクトル数演算手段、
    　b2)前記第２演算手段は下記b21)～b22)を有しており、
    　　　b21)前記脈波データからN個の個別データについて、連続するm+α個の要素で構成される組み合わせを、複数生成する組み合わせ生成手段、
    　　　b22)前記各組み合わせをm+α次元のベクトルとして、各ベクトルについて、距離d内に存在するベクトルの数を演算するとともに、前記m+α次元ベクトル数についての統計的平均値を演算するm+α次元平均ベクトル数演算手段、
    　b3)前記第３演算手段は、前記m次元平均ベクトル数およびm+α次元平均ベクトル数に基づいて、前記脈波のm次元平均ベクトル数の微視的乱雑さを求める、
    　b4）前記第３演算手段に、距離dを変えた場合のm次元平均ベクトル数の微視的乱雑さを演算させる第４演算手段、
    　Ｃ）前記m次元平均ベクトル数乱雑さ演算手段に、少なくとも、m＝mmのm次元平均ベクトル数乱雑さであるmm次元平均ベクトル数乱雑さ、およびm=mnのm次元平均ベクトル数乱雑さであるmn次元平均ベクトル数乱雑さ、を演算させるとともに、前記mm次元平均ベクトル数乱雑さおよびmn次元平均ベクトル数乱雑さm=mnの差分を、前記mn次元平均ベクトル数乱雑さで除算した値を、欠損情報量割合として、前記距離dごとに演算する欠損情報量割合演算手段、
    　なお、mm＜mn、かつ、いずれも自然数である、
    　Ｄ）前記距離dを変えた場合の欠損情報量割合を、変化欠損情報量割合として記憶する変化欠損情報量割合記憶手段、
    　を備えたことを特徴とする変化欠損情報量割合演算装置。
  2. 　請求項１の変化欠損情報量割合演算装置において、
    　mn－mm＞α
    であること、
    　を特徴とする変化欠損情報量割合演算装置。
  3. 　請求項２の変化欠損情報量割合演算装置において、
    　mn=10，mm=2，かつα=1であること、
    　を特徴とする変化欠損情報量割合演算装置。
  4. 　請求項１～請求項３のいずれかの変化欠損情報量割合演算装置において、
    　さらに、前記脈波データのノイズ成分を除去するフィルタリング手段を有すること、
    　を特徴とする変化欠損情報量割合演算装置。
  5. 　請求項１～請求項３のいずれかの変化欠損情報量割合演算装置において、
    　さらに、前記脈波データのうち少なくとも１０Hzを超える周波数成分を削除するフィルタリング手段を有すること、
    　を特徴とする変化欠損情報量割合演算装置。
  6. 　請求項１～請求項５のいずれかの変化欠損情報量割合演算装置において、さらに、
     測定部位に流れている血流量によって変化する脈波データを計測する脈波計測手段を有すること、
    　を特徴とする変化欠損情報量割合演算装置。
  7. 　請求項１～請求項６のいずれかの変化欠損情報量割合演算装置、
    　健常者の変化欠損情報量割合の代表値をあらかじめ記憶する代表値記憶手段、
    　前記代表値と、対象者の変化欠損情報量割合とのずれがわかるように出力する出力手段、
    　を備えた精神疾患診断予備装置。
  8. 　請求項１～請求項６のいずれかの変化欠損情報量割合演算装置、
    　健常者の変化欠損情報量割合の代表値をあらかじめ記憶する代表値記憶手段、
    　前記代表値と、対象者の変化欠損情報量割合とのずれを判断し、このずれが閾値を超える場合には、精神疾患である報知する報知手段、
    　を備えた精神疾患診断装置。
  9. 　A）以下のA1）脈波記憶手段およびA2）m次元平均ベクトル数乱雑さ演算手段を備えた微視的乱雑さ演算装置、
    　A1）測定部位に流れている血流量によって変化する脈波データを記憶する脈波記憶手段、
    　A2）a11)第１演算手段、a12)第２演算手段、a13)第３演算手段、およびa14)第４演算手段を有するm次元平均ベクトル数乱雑さ演算手段、
    　　a11)前記第１演算手段は下記a111)～a112)を有しており、
    　　　a111)前記脈波データからN個の個別データについて、連続するm個の要素で構成される組み合わせを、複数生成する組み合わせ生成手段、
    　　　a112)前記各組み合わせをm次元のベクトルとして、各ベクトルについて、距離d内に存在するベクトルの数を演算するとともに、前記m次元ベクトル数についての統計的平均値を演算するm次元平均ベクトル数演算手段、
    　　a12)前記第２演算手段は下記a121)～a122)を有しており、
    　　　a121)前記脈波データからN個の個別データについて、連続するm+α個の要素で構成される組み合わせを、複数生成する組み合わせ生成手段、
    　　　a122)前記各組み合わせをm+α次元のベクトルとして、各ベクトルについて、距離d内に存在するベクトルの数を演算するとともに、前記m+α次元ベクトル数についての統計的平均値を演算するm+α次元平均ベクトル数演算手段、
    　　a13)前記第３演算手段は、前記m次元平均ベクトル数およびm+α次元平均ベクトル数に基づいて、前記脈波のm次元平均ベクトル数の微視的乱雑さを求める、
    　　a14）前記第３演算手段に、距離dを変えた場合のm次元平均ベクトル数の微視的乱雑さを演算させる第４演算手段、
    　Ｂ）以下の演算ステップから求められた第１，第２判断対象d値を記憶する対応特異点d値記憶手段、
    　　b1)少なくとも健常者または精神疾患者のいずれかの脈波データについて、前記m次元平均ベクトル数乱雑さ演算手段に、少なくとも、m＝mmのm次元平均ベクトル数乱雑さであるmm次元平均ベクトル数乱雑さ、およびm=mnのm次元平均ベクトル数乱雑さであるmn次元平均ベクトル数乱雑さを演算させるとともに、前記mm次元平均ベクトル数乱雑さおよびmn次元平均ベクトル数乱雑さm=mnの差分を、前記mn次元平均ベクトル数乱雑さで除算した値を、欠損情報量割合として、前記距離dごとに演算する欠損情報量割合演算ステップ、
    　なお、mm＜mn、かつ、いずれも自然数である、
    　　b2)前記変化欠損情報量割合における特異点を２点決定し、前記２点の特異点における距離dの値を第１、第２判断対象d値として決定する特異点演算ステップ、
    　C）前記第１、および第２判断対象d値における前記m=2におけるm次元平均ベクトル数の微視的乱雑さの組み合わせを比較対象組データとして、複数の健常者、または複数の精神疾患者の脈波データについて演算し、演算結果から、前記複数の健常者、または複数の精神疾患者の分布を特定するための分布特定データを演算する分布特定データ演算手段、
    　D)前記分布特定データを記憶する分布特定データ記憶手段、
    　E)検査対象の脈波データが与えられると、前記m次元平均ベクトル数乱雑さ演算手段に、前記検査対象データの前記第１、第２判断対象d値におけるm次元平均ベクトル数の微視的乱雑さを演算させ、前記分布特定データとの比較結果を出力する出力手段、
    　を備えた精神疾患データ生成装置。
  10. 　請求項９の精神疾患データ生成装置において、
    　前記欠損情報量割合演算ステップでは、健常者および精神疾患者の変化欠損情報量割合が演算され、
    　前記特異点演算ステップにおける特異点は、前記健常者と前記精神疾患者の変化欠損情報量割合との差分に基づいて決定されること、
    　を特徴とする精神疾患データ生成装置。
  11. 　請求項９の精神疾患データ生成装置において、
    　前記特異点演算ステップにおける特異点は、健常者の変化欠損情報量割合が示す曲線形状に基づいて決定されること、
    　を特徴とする精神疾患データ生成装置。
  12. 　請求項９の精神疾患データ生成装置において、
    　前記特異点演算ステップにおける特異点は、精神疾患者の変化欠損情報量割合が示す曲線形状に基づいて決定されること、
    　を特徴とする精神疾患データ生成装置。
  13. 　請求項１１または請求項１２の精神疾患データ生成装置において、
    　前記特異点は、前記変化欠損情報量割合曲線の両端部のいずれかとピーク値であること、
    　を特徴とする精神疾患データ生成装置。
  14. 　請求項９～請求項１３のいずれかの精神疾患データ生成装置において、
    　前記分布特定データは、複数の健常者、複数の精神疾患疾患者のいずれかまたは双方の前記第１、第２判断対象d値におけるm次元平均ベクトル数の微視的乱雑さであること、
    　を特徴とする精神疾患データ生成装置。
  15. 　請求項９～請求項１３のいずれかの精神疾患データ生成装置において、
    　前記分布特定データは、複数の健常者、複数の精神疾患疾患者のいずれかまたは双方の前記第１、第２判断対象d値におけるm次元平均ベクトル数の微視的乱雑さから演算される分布傾向であること、
  16. 　請求項９～請求項１５のいずれかの精神疾患データ生成装置において、
    　前記出力手段は、前記比較結果として、分布特定データとの差異に基づいて、健常者または精神疾患者であるとの診断結果を、さらに出力すること、
    　を特徴とする精神疾患データ生成装置。
  17. 　請求項９～請求項１６のいずれかの精神疾患データ生成装置において、
    　前記欠損情報量割合演算ステップを実行する欠損情報量割合演算手段、
    　前記特異点演算ステップを実行する特異点演算手段、
    を備えた精神疾患データ生成装置。
  18. 　A）以下のA1）脈波記憶手段およびA2）m次元平均ベクトル数乱雑さ演算手段を備えた微視的乱雑さ演算装置、
    　A1）測定部位に流れている血流量によって変化する脈波データを記憶する脈波記憶手段、
    　A2）a11)第１演算手段、a12)第２演算手段、a13)第３演算手段、およびa14)第４演算手段を有するm次元平均ベクトル数乱雑さ演算手段、
    　　a11)前記第１演算手段は下記a111)～a112)を有しており、
    　　　a111)前記脈波データからN個の個別データについて、連続するm個の要素で構成される組み合わせを、複数生成する組み合わせ生成手段、
    　　　a112)前記各組み合わせをm次元のベクトルとして、各ベクトルについて、距離d内に存在するベクトルの数を演算するとともに、前記m次元ベクトル数についての統計的平均値を演算するm次元平均ベクトル数演算手段、
    　　a12)前記第２演算手段は下記a121)～a122)を有しており、
    　　　a121)前記脈波データからN個の個別データについて、連続するm+α個の要素で構成される組み合わせを、複数生成する組み合わせ生成手段、
    　　　a122)前記各組み合わせをm+α次元のベクトルとして、各ベクトルについて、距離d内に存在するベクトルの数を演算するとともに、前記m+α次元ベクトル数についての統計的平均値を演算するm+α次元平均ベクトル数演算手段、
    　　a13)前記第３演算手段は、前記m次元平均ベクトル数およびm+α次元平均ベクトル数に基づいて、前記脈波のm次元平均ベクトル数の微視的乱雑さを求める、
    　　a14）前記第３演算手段に、距離dを変えた場合のm次元平均ベクトル数の微視的乱雑さを演算させる第４演算手段、
    　Ｂ）以下の演算ステップから求められた第１、第２判断対象d値を記憶する対応特異点d値記憶手段、
    　　b1)少なくとも健常者または精神疾患者のいずれかの脈波データについて、前記m次元平均ベクトル数乱雑さ演算手段に、少なくとも、m＝mmのm次元平均ベクトル数乱雑さであるmm次元平均ベクトル数乱雑さ、およびm=mnのm次元平均ベクトル数乱雑さであるmn次元平均ベクトル数乱雑さを演算させるとともに、前記mm次元平均ベクトル数乱雑さおよびmn次元平均ベクトル数乱雑さm=mnの差分を、前記mn次元平均ベクトル数乱雑さで除算した値を、欠損情報量割合として、前記距離dごとに演算する欠損情報量割合演算ステップ、
    　なお、mm＜mn、かつ、いずれも自然数である、
    　　b2)前記変化欠損情報量割合における特異点を2点決定し、前記2点の特異点における距離dの値を第１、第２判断対象d値として決定する特異点演算ステップ、
    　C）前記第１、および第２判断対象d値における前記m=2におけるm次元平均ベクトル数の微視的乱雑さの組み合わせを比較対象組データとして、複数の健常者、または複数の精神疾患者の脈波データについて演算し、演算結果から、前記複数の健常者、または複数の精神疾患者の分布を特定するための分布特定データを演算する分布特定データ演算手段、
    　D)前記分布特定データを記憶する分布特定データ記憶手段、
    　を備えた精神疾患データ生成装置。
  19. 　A）以下のA1）脈波記憶手段およびA2）m次元平均ベクトル数乱雑さ演算手段を備えた微視的乱雑さ演算装置、
    　A1）測定部位に流れている血流量によって変化する脈波データを記憶する脈波記憶手段、
    　A2）a11)第１演算手段、a12)第２演算手段、a13)第３演算手段、およびa14)第４演算手段を有するm次元平均ベクトル数乱雑さ演算手段、
    　　a11)前記第１演算手段は下記a111)～a112)を有しており、
    　　　a111)前記脈波データからN個の個別データについて、連続するm個の要素で構成される組み合わせを、複数生成する組み合わせ生成手段、
    　　　a112)前記各組み合わせをm次元のベクトルとして、各ベクトルについて、距離d内に存在するベクトルの数を演算するとともに、前記m次元ベクトル数についての統計的平均値を演算するm次元平均ベクトル数演算手段、
    　　a12)前記第２演算手段は下記a121)～a122)を有しており、
    　　　a121)前記脈波データからN個の個別データについて、連続するm+α個の要素で構成される組み合わせを、複数生成する組み合わせ生成手段、
    　　　a122)前記各組み合わせをm+α次元のベクトルとして、各ベクトルについて、距離d内に存在するベクトルの数を演算するとともに、前記m+α次元ベクトル数についての統計的平均値を演算するm+α次元平均ベクトル数演算手段、
    　　a13)前記第３演算手段は、前記m次元平均ベクトル数およびm+α次元平均ベクトル数に基づいて、前記脈波のm次元平均ベクトル数の微視的乱雑さを求める、
    　　a14）前記第３演算手段に、距離dを変えた場合のm次元平均ベクトル数の微視的乱雑さを演算させる第４演算手段、
    　Ｂ）以下の演算ステップから求められた第１、第２判断対象d値を記憶する対応特異点d値記憶手段、
    　　b1)少なくとも健常者または精神疾患者のいずれかの脈波データについて、前記m次元平均ベクトル数乱雑さ演算手段に、少なくとも、m＝mmのm次元平均ベクトル数乱雑さであるmm次元平均ベクトル数乱雑さ、およびm=mnのm次元平均ベクトル数乱雑さであるmn次元平均ベクトル数乱雑さを演算させるとともに、前記mm次元平均ベクトル数乱雑さおよびmn次元平均ベクトル数乱雑さm=mnの差分を、前記mn次元平均ベクトル数乱雑さで除算した値を、欠損情報量割合として、前記距離dごとに演算する欠損情報量割合演算ステップ、
    　なお、mm＜mn、かつ、いずれも自然数である、
    　　b2)前記変化欠損情報量割合における特異点を１点決定し、前記特異点における距離dの値を第１判断対象d値として決定する第１特異点演算ステップ、
    　　b3)前記第４演算手段が求めた距離dを変えた場合のm次元平均ベクトル数の微視的乱雑さから、特異点を１点決定し、前記特異点における距離dの値を第２判断対象d値として決定する第２特異点演算ステップ、
    　C）前記第１、および第２判断対象d値における前記m=2におけるm次元平均ベクトル数の微視的乱雑さの組み合わせを比較対象組データとして、複数の健常者、または複数の精神疾患者の脈波データについて演算し、演算結果から、前記複数の健常者、または複数の精神疾患者の分布を特定するための分布特定データを演算する分布特定データ演算手段、
    　D)前記分布特定データを記憶する分布特定データ記憶手段、
    　を備えた精神疾患データ生成装置。
  20. 　請求項１９の精神疾患データ生成装置において、さらに、
    　E)検査対象の脈波データが与えられると、前記m次元平均ベクトル数乱雑さ演算手段に、前記検査対象データの前記第１、第２判断対象d値におけるm次元平均ベクトル数の微視的乱雑さを演算させ、前記分布特定データとの比較結果を出力する出力手段を備えた精神疾患データ生成装置。
    　
    　
PCT/JP2018/007112 2017-03-01 2018-02-27 精神疾患診断装置および精神疾患データ生成装置 WO2018159572A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017-038011 2017-03-01
JP2017038011 2017-03-01

Publications (1)

Publication Number Publication Date
WO2018159572A1 true WO2018159572A1 (ja) 2018-09-07

Family

ID=63369882

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/007112 WO2018159572A1 (ja) 2017-03-01 2018-02-27 精神疾患診断装置および精神疾患データ生成装置

Country Status (1)

Country Link
WO (1) WO2018159572A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004350952A (ja) * 2003-05-29 2004-12-16 S & Me:Kk 自律神経活動評価装置及びその方法、自律神経活動評価プログラム
WO2010103817A1 (ja) * 2009-03-10 2010-09-16 株式会社カオテック研究所 自律神経バランス演算装置またはその方法
JP2015100525A (ja) * 2013-11-25 2015-06-04 株式会社カオテック研究所 診断データ生成装置および診断装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004350952A (ja) * 2003-05-29 2004-12-16 S & Me:Kk 自律神経活動評価装置及びその方法、自律神経活動評価プログラム
WO2010103817A1 (ja) * 2009-03-10 2010-09-16 株式会社カオテック研究所 自律神経バランス演算装置またはその方法
JP2015100525A (ja) * 2013-11-25 2015-06-04 株式会社カオテック研究所 診断データ生成装置および診断装置

Similar Documents

Publication Publication Date Title
US10679757B2 (en) Method and apparatus for establishing a blood pressure model and method and apparatus for determining a blood pressure
Altan et al. Deep learning with 3D-second order difference plot on respiratory sounds
CN111095232B (zh) 发掘用于机器学习技术中的基因组
US10537258B2 (en) Method and software to determine probability of sleep/wake states and quality of sleep and wakefulness from an electroencephalogram
JP5879833B2 (ja) 情報処理装置、情報処理方法、およびプログラム
CN110960233A (zh) 一种基于脑电波的抑郁状态检测方法及系统
US20120296182A1 (en) Method and apparatus for monitoring sleep apnea severity
US20100268110A1 (en) Systems and methods for characteristic parameter estimation of gastric impedance spectra in humans
JP2017121286A (ja) 情動推定システム、情動推定方法および情動推定プログラム
JP7502192B2 (ja) うつ状態を推定する装置、方法及びそのためのプログラム
JP6193225B2 (ja) 肝線維症検出装置および検出システム
CN114468996A (zh) 基于有序性、多模态及对称性破缺对乳房体征分析的方法
CN104736066A (zh) 生物计量声音测试设备和生物计量声音测试方法
JP5911840B2 (ja) 診断データ生成装置および診断装置
WO2018159572A1 (ja) 精神疾患診断装置および精神疾患データ生成装置
WO2020146326A1 (en) Computer-based dynamic rating of ataxic breathing
CN114869272A (zh) 姿势震颤检测模型、姿势震颤检测算法、以及姿势震颤检测设备
WO2018168909A1 (ja) パーキンソン病診断装置
JP5296392B2 (ja) 自己組織化マップを用いた健康状態判定支援システム及び自己組織化マップ生成システム
Chowdhury et al. Photoplethysmogram-based heart rate and blood pressure estimation with hypertension classification
Crowe et al. Cuff-Less Blood Pressure Monitoring in a Cohort of People with Parkinson's Disease
TWI765420B (zh) 心衰竭預測組件
Wang et al. Analysis of the Complexity Pattems in Respiratory Data
Sousa et al. Entropy analysis of total respiratory time series for sepsis detection
CN116779166A (zh) 数据处理方法及装置、健康评估方法及装置、电子设备和可读存储介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18760573

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18760573

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP