WO2021040025A1

WO2021040025A1 - ストレス対処様式判定システム、ストレス対処様式判定方法、学習装置、学習方法、プログラム及び学習済モデル

Info

Publication number: WO2021040025A1
Application number: PCT/JP2020/032763
Authority: WO
Inventors: 野澤　昭雄; 孝輔大岩; 研一中野
Original assignee: 株式会社東書エステート
Priority date: 2019-08-30
Filing date: 2020-08-28
Publication date: 2021-03-04
Also published as: US20220296162A1; KR20220056210A

Abstract

【課題】被験者のストレス対処様式を非接触状態で判定することができるシステムを提供する。【解決手段】被検者の生体情報を非接触状態で取得する生体情報取得部と、前記生体情報と予め特定した応答パターンとに基づいて被験者のストレス対処様式を判定する判定部と、を有する。前記応答パターンは、血行力学パラメータにより特定される。

Description

ストレス対処様式判定システム、ストレス対処様式判定方法、学習装置、学習方法、プログラム及び学習済モデル

　本発明は、被験者のストレス対処様式を非接触状態で判定する技術に関するものである。

　被験者のストレス状態を把握する技術は公知である。たとえば、特許文献１には、顔面熱放射熱量を測定することにより被験者の心理的変化を推定する技術が記載されている。
　また、特許文献２には、顔画像情報に基づいて被験者の心理状態のレベル計測を行う技術が記載されている。これらの技術によれば、被験者に何らかの心理的変化があったことを非接触状態で検知したり、被験者の心理状態を非接触状態で量的に分析したりすることができる。

　しかし、特許文献１及び２の技術では、被験者が感じているストレスの種類を把握することができないため、被験者のストレスについて質的分析を行うことはできない。

特開平６－５４８３６号公報特開２００７－６８６２０号公報

　ところで、人間はストレス刺激に直面した時に心臓血管系が身体各組織からの代謝要求を満たすという目的を達すべく、特徴的な反応パターンを示すことが知られている。即ち、能動的対処を示すパターン、受動的対処を示すパターン及び、ストレスに対して特定の対処をしないパターンである。これらは「ストレス対処様式」と呼ばれ、能動的対処のパターンが現れているときには、その被験者は良いストレス状態にあると推定し得る。反対に、受動的対処のパターンが現れているときには、その被験者は悪いストレス状態にあると推定し得る。
　すなわち、被験者のストレス対処様式を判定することにより、被験者が感じているストレスの種類を把握することが可能になる。

　本発明は、被験者のストレス対処様式を非接触状態で判定することができるストレス対処様式判定システム、ストレス対処様式判定方法、学習装置、学習方法、それらをコンピュータを用いて実現するためのプログラム及び学習済モデルを提供する。

　上記課題を解決するために、請求項１のストレス対処様式判定システムは、被検者の生体情報を非接触状態で取得する生体情報取得部と、前記生体情報と予め特定した応答パターンとに基づいて被験者のストレス対処様式を判定する判定部と、を有し、前記応答パターンは、血行力学パラメータにより特定されることを特徴としている。

　このストレス対処様式判定システムは、被検者の生体情報を非接触状態で取得し、その生体情報と血行力学パラメータにより特定された応答パターンとに基づいて、その被検者のストレス対処様式を非接触状態で判定する。

　また、請求項２のストレス対処様式判定システムは、請求項１に記載のストレス対処様式判定システムにおいて、前記血行力学パラメータは、平均血圧、心拍数、心拍出量、一回拍出量及び全末梢抵抗のうちの複数のパラメータを含むことを特徴とする。
　ここで「血行力学」（hemodynamics）とは、血液循環を対象とする循環生理学の一分科のことであり、力学、弾性体力学、流体力学の理論を生体系に応用した研究部門である。
　具体的には、心臓の内圧，拍動，仕事量，拍出量，血管や心筋の弾性，脈拍，血流速度，血液の粘性などを研究するものである。従って、本発明において「血行力学パラメータ」とは、心臓の内圧，拍動，仕事量，拍出量，血管や心筋の弾性，脈拍，血流速度，血液の粘性等の数値の媒介変数の意味である。
　このストレス対処様式判定システムは、被検者の生体情報を非接触状態で取得し、その生体情報と平均血圧、心拍数、心拍出量、一回拍出量及び全末梢抵抗のうちの複数のパラメータにより特定される応答パターンとに基づいて、その被検者のストレス対処様式を判定する。また、血行力学パラメータは一般的には連続血圧計によって同定することができる。

　また、請求項３のストレス対処様式判定システムは、請求項２に記載のストレス対処様式判定システムにおいて、前記生体情報は、顔面画像であることを特徴とする。

　このストレス対処様式判定システムは、被検者の顔面画像を非接触状態で取得し、その顔面画像と前記応答パターンとに基づいて、その被検者のストレス対処様式を判定する。

　また、請求項４のストレス対処様式判定システムは、請求項３に記載のストレス対処様式判定システムにおいて、前記顔面画像は、顔面熱画像または顔面可視画像であることを特徴とする。

　このストレス対処様式判定システムは、被検者の顔面熱画像または顔面可視画像を非接触状態で取得し、その顔面熱画像または顔面可視画像と前記応答パターンとに基づいて、その被検者のストレス対処様式を判定する。
　この場合、「顔面可視画像」は一般に広く使用されているカメラ、即ち、結像するための光学系を有し映像を撮影するための装置により被検者の顔面を撮影して得られる画像である。この場合、カラー画像が好ましい。また、「顔面熱画像」とは、被検者の顔面から放射される赤外線を分析し、熱分布を図として表した画像であり、赤外線サーモグラフィにより撮影して得られるものである。

　また、請求項５のストレス対処様式判定システムは、請求項３または４に記載のストレス対処様式判定システムにおいて、前記判定部は、前記顔面画像に含まれる顔面の特定部位のストレス応答を観察することにより被験者のストレス対処様式を判定することを特徴とする。

　このストレス対処様式判定システムは、被験者の顔面の特定部位のストレス応答と前記応答パターンとに基づいて、その被検者のストレス対処様式を判定する。

　また、請求項６のストレス対処様式判定システムは、前記応答パターンには、「能動的対処」、「受動的対処」及び「対処なし」からなる三種類のパターンが含まれることを特徴とする。

　このストレス対処様式判定システムは、被検者の生体情報を非接触状態で取得し、その生体情報に基づいて、その被検者のストレス対処様式が、「能動的対処」、「受動的対処」及び「対処なし」のうちのいずれの応答パターンを示す様式であるか判定する。

　また、請求項７のストレス対処様式判定システムは、請求項６に記載のストレス対処様式判定システムにおいて、前記判定部は、「能動的対処」に対応する空間的特徴量、「受動的対処」に対応する空間的特徴量及び「対処なし」に対応する空間的特徴量を記憶している判定用特徴量記憶部とを有し、前記生体情報と前記判定用特徴量記憶部に記憶されている各空間的特徴量とに基づいて、前記ストレス対処様式が「能動的対処」、「受動的対処」及び「対処なし」のうちのいずれの応答パターンを示す様式であるか判定することを特徴としている。

　このストレス対処様式判定システムは、「能動的対処」に対応する空間的特徴量、「受動的対処」に対応する空間的特徴量及び「対処なし」に対応する空間的特徴量を記憶し、被検者の生体情報と各空間的特徴量とに基づいて、その被検者のストレス対処様式が「能動的対処」、「受動的対処」及び「対処なし」のうちのいずれの応答パターンを示す様式であるか判定する。

　また、請求項８のストレス対処様式判定システムは、請求項７記載のストレス対処様式判定システムにおいて、前記判定用特徴量記憶部に記憶されている空間的特徴量は、機械学習部により抽出された空間的特徴量であり、前記機械学習部は、「能動的対処」、「受動的対処」及び「対処なし」のそれぞれに対応してラベル付けされた複数の学習用顔面画像を記憶している学習用データ記憶部と、前記学習用顔面画像から前記顔面画像の空間的特徴量を学習済モデルを用いて抽出する特徴量抽出部と、前記特徴量抽出部による抽出結果とその抽出対象とされた前記学習用顔面画像に付されているラベルとの関係に基づいて、前記特徴量抽出部による前記空間的特徴量の抽出精度が高くなるように前記学習済モデルのネットワークパラメータを変更する特徴量学習部と、を有することを特徴としている。

　このストレス対処様式判定システムは、「能動的対処」に対応する空間的特徴量、「受動的対処」に対応する空間的特徴量及び「対処なし」に対応する空間的特徴量を、機械学習部により抽出する。
　機械学習部は、「能動的対処」、「受動的対処」及び「対処なし」のそれぞれに対応してラベル付けされた複数の学習用顔面画像を記憶し、学習用顔面画像から被験者の顔面画像の空間的特徴量を学習済モデルを用いて抽出し、その抽出結果と抽出対象とされた学習用顔面画像に付されているラベルとの関係に基づいて、被験者の顔面画像の空間的特徴量の抽出精度が高くなるように学習済モデルのネットワークパラメータを変更する。

　また、請求項９のストレス対処様式判定システムは、請求項７又は８のストレス対処様式判定システムにおいて、前記空間的特徴量は、被検者の顔面画像に基づいて算出されるフラクタル次元であることを特徴としている。

　また、請求項１０のプログラムは、コンピュータを被検者のストレス対処様式を判定する手段として機能させるためのプログラムであって、「能動的対処」に対応する空間的特徴量、「受動的対処」に対応する空間的特徴量及び「対処なし」に対応する空間的特徴量を記憶する判定用特徴量記憶ステップと、被検者の顔面画像と前記判定用特徴量記憶ステップにより記憶した各空間的特徴量とに基づいて、被検者のストレス対処様式が「能動的対処」、「受動的対処」及び「対処なし」のうちのいずれの応答パターンを示す様式であるか判定する判定ステップと、を有し、前記応答パターンは、血行力学パラメータにより特定されることを特徴としている。

　このプログラムは、これが一又は互いに連携して働く複数のコンピュータにインストールされ実行されることにより、当該一又は複数のコンピュータからなるシステムを、「能動的対処」に対応する空間的特徴量、「受動的対処」に対応する空間的特徴量及び「対処なし」に対応する空間的特徴量と被検者の顔面画像と、に基づいて、被検者のストレス対処様式が「能動的対処」、「受動的対処」及び「対処なし」のうちのいずれの応答パターンを示す様式であるか判定する手段として機能させる。

　また、請求項１１のプログラムは、請求項１０記載のプログラムにおいて、「能動的対処」、「受動的対処」及び「対処なし」のそれぞれに対応してラベル付けされた複数の学習用顔面画像を記憶する学習用データ記憶ステップと、前記学習用顔面画像の空間的特徴量を学習済モデルを用いて抽出する特徴量抽出ステップと、前記特徴量抽出ステップによる抽出結果とその抽出対象とされた前記学習用顔面画像に付されているラベルとの関係に基づいて、前記特徴量抽出ステップによる前記特徴量の抽出精度が高くなるように前記学習済モデルのネットワークパラメータを変更する学習ステップと、を有し、前記判定用特徴量記憶ステップは、前記特徴量抽出ステップにより抽出した空間的特徴量を記憶するステップであることを特徴としている。

　このプログラムは、これが一又は互いに連携して働く複数のコンピュータにインストールされ実行されることにより、当該一又は複数のコンピュータからなるシステムを、「能動的対処」、「受動的対処」及び「対処なし」のそれぞれに対応してラベル付けされた複数の学習用顔面画像を記憶し、学習用顔面画像の空間的特徴量を学習済モデルを用いて抽出し、その抽出結果とその抽出対象とされた学習用顔面画像に付されているラベルとの関係に基づいて、空間的特徴量の抽出精度が高くなるように学習済モデルのネットワークパラメータを変更すると共に、抽出した空間的特徴量を記憶する手段として機能させる。

　また、請求項１２のプログラムは、請求項１０又は１１のプログラムにおいて、前記空間的特徴量は、被検者の顔面画像に基づいて算出されるフラクタル次元であることを特徴としている。

　また、請求項１３のストレス対処様式判定方法は、被検者の生体情報を非接触状態で取得する生体情報取得ステップと、前記生体情報と予め特定された応答パターンとに基づいて被験者のストレス対処様式を判定する判定ステップと、を有し、前記応答パターンは、血行力学パラメータにより特定されることを特徴としている。

　このストレス対処様式判定方法は、被検者の生体情報を非接触状態で取得し、その生体情報と血行力学パラメータにより特定された応答パターンとに基づいて、その被検者のストレス対処様式を判定する。

　また、請求項１４の学習装置は、血行力学パラメータにより特定される応答パターンに対応してラベル付けされた複数の学習用顔面画像を記憶している学習用データ記憶部と、前記学習用顔面画像から被験者の顔面画像の空間的特徴量を学習済モデルを用いて抽出する特徴量抽出部と、前記特徴量抽出部による抽出結果とその抽出対象とされた前記学習用顔面画像に付されているラベルとの関係に基づいて、前記特徴量抽出部による前記空間的特徴量の抽出精度が高くなるように前記学習済モデルのネットワークパラメータを変更する特徴量学習部と、を有することを特徴としている。

　この学習装置は、血行力学パラメータにより特定される応答パターンに対応してラベル付けされた複数の学習用顔面画像を記憶し、学習用顔面画像から被験者の顔面画像の空間的特徴量を学習済モデルを用いて抽出し、その抽出結果とその抽出対象とされた学習用顔面画像に付されているラベルとの関係に基づいて、被験者の顔面画像の空間的特徴量の抽出精度が高くなるように学習済モデルのネットワークパラメータを変更する。

　また、請求項１５の学習装置は、請求項１４の学習装置において、前記空間的特徴量は、被検者の顔面画像に基づいて算出されるフラクタル次元であることを特徴としている。

　また、請求項１６の学習方法は、血行力学パラメータにより特定される応答パターンに対応してラベル付けされた複数の学習用顔面画像を記憶する学習用データ記憶ステップと、前記学習用顔面画像から被験者の顔面画像の空間的特徴量を学習済モデルを用いて抽出する特徴量抽出ステップと、前記特徴量抽出ステップによる抽出結果とその抽出対象とされた前記学習用顔面画像に付されているラベルとの関係に基づいて、前記特徴量抽出ステップによる前記空間的特徴量の抽出精度が高くなるように前記学習済モデルのネットワークパラメータを変更する特徴量学習ステップと、を有することを特徴としている。

　この学習方法は、血行力学パラメータにより特定される応答パターンに対応してラベル付けされた複数の学習用顔面画像を記憶し、それらの学習用顔面画像から被験者の顔面画像の空間的特徴量を学習済モデルを用いて抽出し、その抽出結果とその抽出対象とされた学習用顔面画像に付されているラベルとの関係に基づいて、被験者の顔面画像の空間的特徴量の抽出精度が高くなるように学習済モデルのネットワークパラメータを変更する。

　また、請求項１７の学習方法は、請求項１６の学習方法において、前記空間的特徴量は、被検者の顔面画像に基づいて算出されるフラクタル次元であることを特徴としている。

　また、請求項１８のプログラムは、コンピュータを顔面画像の空間的特徴量を学習する手段として機能させるためのプログラムであって、血行力学パラメータにより特定される応答パターンに対応してラベル付けされた複数の学習用顔面画像を記憶する学習用データ記憶ステップと、前記学習用顔面画像から被験者の顔面画像の空間的特徴量を学習済モデルを用いて抽出する特徴量抽出ステップと、前記特徴量抽出ステップによる抽出結果とその抽出対象とされた前記学習用顔面画像に付されているラベルとの関係に基づいて、前記特徴量抽出ステップによる前記空間的特徴量の抽出精度が高くなるように前記学習済モデルのネットワークパラメータを変更する特徴量学習ステップと、を有することを特徴とするプログラム。

　このプログラムは、これが一又は互いに連携して働く互いに連携して働く複数のコンピュータにインストールされ実行されることにより、当該一又は複数のコンピュータからなるシステムを、血行力学パラメータにより特定される応答パターンに対応してラベル付けされた複数の学習用顔面画像を記憶し、それらの学習用顔面画像から被験者の顔面画像の空間的特徴量を学習済モデルを用いて抽出し、その抽出結果とその抽出対象とされた学習用顔面画像に付されているラベルとの関係に基づいて、被験者の顔面画像の空間的特徴量の抽出精度が高くなるように学習済モデルのネットワークパラメータを変更する学習装置として機能させる。

　また、請求項１９のプログラムは、請求項１８のプログラムにおいて、前記空間的特徴量は、被検者の顔面画像に基づいて算出されるフラクタル次元であることを特徴としている。

　また、請求項２０の学習済モデルは、血行力学パラメータにより特定される応答パターンに対応してラベル付けされた複数の学習用顔面画像を教師データに用いて、被験者の顔面画像の空間的特徴量を機械学習することにより生成されることを特徴としている。

　この学習済モデルは、被験者の顔面画像を入力とし、当該被験者の顔面画像の空間的特徴量を出力とする。

　また、請求項２１の学習済モデルは、請求項１８のプログラムにおいて、前記空間的特徴量は、被検者の顔面画像に基づいて算出されるフラクタル次元であることを特徴としている。

　請求項１のストレス対処様式判定システムによれば、被検者の生体情報を非接触状態で取得し、その生体情報と血行力学パラメータにより特定された応答パターンとに基づいて、その被検者のストレス対処様式を非接触状態で判定することができるので、被験者に行動的制約を与えることなく、被験者が感じているストレスの種類を把握することが可能になる。
　一般に、「ストレス」という語は広く用いられているが、心理学上、「ストレス」とは「生体に作用する外からの刺激（ストレッサ―）に対して生じる非特異的反応の総称である」（心理学者ハンス・セリエ博士）とされている。
　人間の生存に基づき様々なストレッサーが存在し、近年特に、社会的環境の中でのストレッサーが多く、生体に様々な影響を及ぼしていることが知られており、場合によっては、疾患の原因ともなることが医学的に判明している。
　しかしながら、ストレスは全てが人間存在にとって悪いものではなく、仮にストレスを受けた場合であっても、ストレスに対処しようとした場合には生体が活性化し、プラスの効果をもたらす場合もあることが知られている。このような観点から、セリエ博士は受け手側の生体条件の差やストレスの程度等によって、良いストレス（enstress）と悪いストレス（distress）になりうる旨を明らかにしている。
　従って、このような心理学の視点から、ストレスを考慮する場合にはストレス一般をすべて悪いものとして把握するのではなく、上記のように生体にとってのストレスの種類を分類して考えることが必要であり、また、このような観点により、現代における様々な社会活動の中でどのようにストレス管理を行い、例えば、生産効率、作業効率を上げるか、について社会的、産業的に、かつポジティブに考えることが可能となる。
　しかしながら、上記のように、被験者のストレス状態を把握する技術及び特許発明は公知であるが、従来のような手法によれば被験者が感じているストレスを総体的に捉え、被験者が感じているストレスの種類に基づいた質的分析を行うことはできない。
　本願発明によれば、被検者に応じてストレスの種類を分類して把握することにより、ストレッサーと被検者によるストレス反応との関係を、より詳細に把握することが可能となる。その結果、ストレッサーとなっている社会的環境等と人間との関係性をより正確に分析、検討することができ、様々な社会的環境分野へ適用して問題解決を図ることができると共に、様々な産業分野へ適用し、生産効率の向上、産業活動の促進を促すことが可能となる。

　請求項２のストレス対処様式判定システムによれば、被検者の生体情報と平均血圧、心拍数、心拍出量、一回拍出量及び全末梢抵抗のうちのいずれかにより特定される応答パターンとに基づいて、その被検者のストレス対処様式を詳細かつ正確に判定することができる。

　請求項３のストレス対処様式判定システムによれば、被検者の顔面画像を非接触状態で取得し、その顔面画像と血行力学パラメータにより特定された応答パターンとに基づいて、その被検者のストレス対処様式を、従来のように連続血圧計を使用することないため、被験者を拘束せず身体的負担をかけることなく、かつ迅速に判定することができる。

　請求項４のストレス対処様式判定システムによれば、被検者の顔面熱画像または顔面可視画像を非接触状態で取得し、その顔面熱画像または顔面可視画像と血行力学パラメータにより特定された応答パターンとに基づいて、その被検者のストレス対処様式を心理生理学に基づいて判定することができる。

　請求項５のストレス対処様式判定システムによれば、被験者の顔面の特定部位の状態と血行力学パラメータにより特定された応答パターンとに基づいて、その被検者のストレス対処様式を容易かつ正確に判定することができる。

　請求項６のストレス対処様式判定システムによれば、被検者の生体情報を非接触状態で取得し、その生体情報に基づいて、その被検者のストレス対処様式が、「能動的対処」、「受動的対処」及び「対処なし」のうちのいずれの応答パターンを示す様式であるか判定することができる。
　従って、ストレス対処様式を、前記「能動的対処」、「受動的対処」及び「対処なし」の３種類の応答パターンに分類できることから、この応答パターンに基づき分析を行い、その分析結果を様々な産業分野の人事管理業務、品質管理業務等に適用し、様々な業務の品質向上に寄与することが可能となる。

　請求項７のストレス対処様式判定システムによれば、「能動的対処」に対応する空間的特徴量、「受動的対処」に対応する空間的特徴量及び「対処なし」に対応する空間的特徴量を記憶し、被検者の生体情報と各空間的特徴量とに基づいて、その被検者のストレス対処様式が「能動的対処」、「受動的対処」及び「対処なし」のうちのいずれの応答パターンを示す様式であるか判定することができる。

　請求項８のストレス対処様式判定システムによれば、被験者の顔面画像の空間的特徴量の抽出精度が高くなるように学習済モデルのネットワークパラメータを変更することができる。

　請求項９のストレス対処様式判定システムによれば、空間的特徴量をフラクタル次元により高精度に数値化できるので、被検者のストレス対処様式を非接触状態で高精度に判定することができる。

　請求項１０のプログラムによれば、「能動的対処」に対応する空間的特徴量、「受動的対処」に対応する空間的特徴量及び「対処なし」に対応する空間的特徴量と被検者の顔面画像と、に基づいて、被検者のストレス対処様式が「能動的対処」、「受動的対処」及び「対処なし」のうちのいずれの応答パターンを示す様式であるか判定するシステムを、一又は互いに連携して働く複数のコンピュータを用いて実現することができる。

　請求項１１のプログラムによれば、「能動的対処」、「受動的対処」及び「対処なし」のそれぞれに対応してラベル付けされた複数の学習用顔面画像を記憶し、学習用顔面画像の空間的特徴量を学習済モデルを用いて抽出し、その抽出結果とその抽出対象とされた学習用顔面画像に付されているラベルとの関係に基づいて、空間的特徴量の抽出精度が高くなるように学習済モデルのネットワークパラメータを変更するとともに、抽出した空間的特徴量を記憶するシステムを、一又は互いに連携して働く複数のコンピュータを用いて実現することができる。

　請求項１２のプログラムによれば、空間的特徴量をフラクタル次元により高精度に数値化できるので、被検者のストレス対処様式を非接触状態でより高精度に判定することができるシステムを、一又は互いに連携して働く複数のコンピュータを用いて実現することができる。

　請求項１３のストレス対処様式判定方法によれば、被検者の生体情報を非接触状態で取得し、その生体情報と血行力学パラメータにより特定された応答パターンとに基づいて、その被検者のストレス対処様式を非接触状態で判定することができるので、被験者に行動的制約を与えることなく、被験者が感じているストレスの種類を把握することが可能になる。

　請求項１４の学習装置によれば、被験者の顔面画像の空間的特徴量の抽出精度が高くなるように学習済モデルのネットワークパラメータを変更することができる。

　請求項１５の学習装置によれば、空間的特徴量をフラクタル次元により高精度に数値化できるので、被験者の顔面画像の空間的特徴量の抽出精度がより高くなるように学習済モデルのネットワークパラメータを変更することができる。

　請求項１６の学習方法によれば、被験者の顔面画像の空間的特徴量の抽出精度が高くなるように学習済モデルのネットワークパラメータを変更することができる。

　請求項１７の学習方法によれば、空間的特徴量をフラクタル次元により高精度に数値化できるので、被験者の顔面画像の空間的特徴量の抽出精度がより高くなるように学習済モデルのネットワークパラメータを変更することができる。

　請求項１８のプログラムによれば、これを一又は互いに連携して働く複数のコンピュータにインストールし実行することにより、被験者の顔面画像の空間的特徴量の抽出精度が高くなるように学習済モデルのネットワークパラメータを変更する学習装置が実現される。

　請求項１９のプログラムによれば、空間的特徴量をフラクタル次元により高精度に数値化できるので、このプログラムを一又は互いに連携して働く複数のコンピュータにインストールし実行することにより、被験者の顔面画像の空間的特徴量の抽出精度がより高くなるように学習済モデルのネットワークパラメータを変更する学習装置が実現される。

　請求項２０の学習済モデルによれば、これに被験者の顔面画像を入力することにより、当該被験者の顔面画像の空間的特徴量を抽出することができる。

　請求項２１の学習済モデルによれば、空間的特徴量をフラクタル次元により高精度に数値化できるので、この学習済モデルに被験者の顔面画像を入力することにより、当該被験者の顔面画像の空間的特徴量を高精度に抽出することができる。

本発明に係るストレス対処様式判定システムの一実施形態のブロック図である。（Ａ）は「能動的対処」のラベルが付された学習用顔面画像群を概念的に例示する説明図である。（Ｂ）は「受動的対処」のラベルが付された学習用顔面画像群を概念的に例示する説明図である。（Ｃ）は「対処なし」のラベルが付された学習用顔面画像群を概念的に例示する説明図である。図１のストレス対処様式判定システムを構成する判定装置の処理内容を示すフローチャートである。図１のストレス対処様式判定システムを構成する学習装置の処理内容を示すフローチャートである。実験例１の先行研究の血行力学パターン反応を示す表である。計測システムを示す概念図である。鏡描写課題を示す概念図である。ＭＢＰ（平均血圧）の時系列変化を示すグラフである。ＣＮＮ（畳込みニューラルネットワーク）の構造を示す模式図である。畳み込み層のフィルタサイズ、ストライド、フィルタ枚数を示す表である。プーリング層のフィルタサイズ、ストライドを示す表である。各被検者の能動的対処、受動的対処、及び対処なしの各場合における顔面の特徴を示し、熱画像と顔面の特徴マップを対比して示す図である。実験例２の実験プロトコルを示す概念図である。嗜好度と集中度の関係を示すグラフである。被検者への脳波電極配置状態と計測システムとを示す図である。「ポジティブ」コンテンツに対する多面的感情尺度の変動を示す表である。「ネガティブ」コンテンツに対する多面的感情尺度の変動を示す表である。「ホラー（集中）」コンテンツに対する多面的感情尺度の変動を示す表である。「ホラー（非集中）」コンテンツに対する多面的感情尺度の変動を示す表である。「ポジティブ」コンテンツに対する主観的心理指標の変動を示す表である。「ネガティブ」コンテンツに対する主観的心理指標の変動を示すグラフである。「ホラー（集中）」コンテンツに対する主観的心理指標の変動を示す表である。「ホラー（非集中）」コンテンツに対する主観的心理指標の変動を示すグラフである。「ポジティブ」「ネガティブ」コンテンツ視聴に対する生理指標の時系列変動を示す表である。各コンテンツに対する生理指標の評価を示す表である。「ホラー(集中)」及び「ホラー(非集中)」コンテンツ視聴に対する生理指標の時系列変動を示すグラフである。 TVコンテンツに対する嗜好と視聴様態の関係を示すグラフである。実験例３の実験プロトコルを示す概念図である。実験プロトコルを示す概念図である。「興奮－鎮静」「ストレス対処様態」「嗜好」の推定に用いたニューラルネットワークの構造を示す表である。特徴ベクトルの抽出方法を示すグラフである。各コンテンツに対する主観的心理指標の評価を示す表である。各コンテンツに対する生理指標の評価を示す表である。 TVコンテンツに対する嗜好と視聴様態の正判別率を示す表である。 TVコンテンツに対する嗜好および視聴様態の正判別率を示すグラフである。「興奮－鎮静」状態の実測値と推定値の時間的変動を示すグラフである。「興奮－鎮静」状態の推定誤差を示すグラフである。「興奮－鎮静」状態の実測値と推定値の関係を示すグラフである。空間的特徴量としてフラクタル次元を求める方法を例示するフローチャートである。図３９中のクラスタリング処理の実施例を示す説明図である。図３９中の画像抽出処理及びエッジ抽出処理の実施例を示す説明図である。図３９中のフラクタル解析処理の実施例を示す説明図である。

　以下、添付図面を参照して、本発明の一実施形態について説明する。
［構成］
　図１に示す一実施形態のストレス対処様式判定システム１００は、生体情報取得装置（生体情報取得部）１１０と、判定装置（判定部）１２０と、学習装置（機械学習部）１３０と、を有する。

　生体情報取得装置１１０は、被検者Ｐの生体情報を非接触状態で取得するための装置である。
　生体情報の最も好適な例として、顔面画像ＩＦを挙げることができる。以下の説明では、生体情報として顔面画像ＩＦを用いた場合について説明する。

　顔面画像ＩＦは、顔面熱画像であっても顔面可視画像であってもよい。顔面画像ＩＦが顔面熱画像である場合には、生体情報取得装置１１０として、赤外線サーモグラフィが用いられる。顔面画像ＩＦが顔面可視画像である場合には、生体情報取得装置１１０として、可視画像撮像装置としての、いわゆるカメラが用いられる。
　上記のように、「顔面可視画像」は一般に広く使用されているカメラ、即ち、結像するための光学系を有し映像を撮影するための装置により被検者の顔面を撮影して得られるカラー画像である。また、「顔面熱画像」とは、被検者の顔面から放射される赤外線を分析し、熱分布を図として表した画像であり、赤外線サーモグラフィにより撮影して得られるものである。
　この場合、カメラにより撮影される映像の場合には可視光（３８０ｎｍ～８００ｎｍの波長）によるものであり、一方、赤外線サーモグラフィによる熱分布画像は赤外線（８００ｎｍ以上の波長）によるものであることから、いずれの場合も単に波長の相違のみであることから、赤外線サーモグラフィであってもまた一般のカメラであっても、生体情報取得装置１１０として使用することができる。

　判定装置１２０は、本発明に係るプログラムを汎用のコンピュータにインストールし実行することにより実現される。

　判定装置１２０は、生体情報取得装置１１０により取得した顔面画像ＩＦと予め特定した応答パターンとに基づいて被験者のストレス対処様式を判定する機能を有する装置である。応答パターンには、「能動的対処」（パターンＩ）、「受動的対処」（パターンＩＩ）及び「対処なし」（パターンＩＩＩ）からなる三種類のパターンが含まれる。応答パターンは、血行力学パラメータにより特定される。血行力学パラメータは、平均血圧（ＭＢＰ）、心拍数（ＨＲ）、心拍出量（ＣＯ）、一回拍出量（ＳＶ）及び全末梢抵抗（ＴＰＲ）のうちの複数のパラメータを含む。

　判定装置１２０は、判定用特徴量記憶部１２１と、特定部位反応検出部１２２と、応答パターン判定部１２３と、を有する。

　判定用特徴量記憶部１２１は、「能動的対処」に対応する空間的特徴量、「受動的対処」に対応する空間的特徴量及び「対処なし」に対応する空間的特徴量を記憶している機能ブロックである。判定用特徴量記憶部１２１に記憶されている空間的特徴量は、学習装置１３０により抽出された空間的特徴量である。顔面画像ＩＦが顔面熱画像の場合、空間的特徴量の例として、顔面皮膚温度分布を挙げることができる。

　特定部位反応検出部１２２は、顔面画像ＩＦに含まれる被験者Ｐの顔面の解剖学的特定部位のストレス応答を検出する機能ブロックである。解剖学的特定部位は、個人差に依るところが比較的小さい部位として解剖学的所見から特定される一又は複数の部位である。解剖学的特定部位の例として、鼻頂部を挙げることができる。

　応答パターン判定部１２３は、特定部位反応検出部１２２により検出されたストレス応答と判定用特徴量記憶部１２１に記憶されている各空間的特徴量とに基づいて、被験者Ｐのストレス対処様式が「能動的対処」（パターンＩ）、「受動的対処」（パターンII）及び「対処なし」（パターンIII）のうちのいずれの応答パターンを示す様式であるか判定する機能ブロックである。

　学習装置１３０は、学習用データ記憶部１３１と、特徴量抽出部１３２と、特徴量学習部１３３と、を有する。学習装置１３０は、本発明に係るプログラムを汎用のコンピュータにインストールし実行することにより実現される。

　学習用データ記憶部１３１は、「能動的対処」、「受動的対処」及び「対処なし」のそれぞれに対応してラベル付けされた複数の学習用顔面画像ＬＧを記憶している機能ブロックである。図２には、学習用顔面画像ＬＧが概念的に例示されている。図２（Ａ）に示すＬＧＡ１、ＬＧＡ２、ＬＧＡ３、・・・は、「能動的対処」のラベルが付された学習用顔面画像群である。図２（Ｂ）に示すＬＧＢ１、ＬＧＢ２、ＬＧＢ３、・・・は、「受動的対処」のラベルが付された学習用顔面画像群である。また、図２（Ｃ）に示すＬＧＣ１、ＬＧＣ２、ＬＧＣ３、・・・は、「対処なし」のラベルが付された学習用顔面画像群である。

　特徴量抽出部１３２は、学習用顔面画像ＬＧから顔面画像の空間的特徴量を学習済モデル１３４を用いて抽出する機能ブロックである。学習済モデル１３４は、血行力学パラメータにより特定される応答パターンに対応してラベル付けされた複数の学習用顔面画像ＬＧを教師データに用いて、学習用顔面画像ＬＧに含められる被験者Ｐの顔面画像の空間的特徴量を機械学習することにより生成される。

　特徴量学習部１３３は、特徴量抽出部１３２による抽出結果とその抽出対象とされた学習用顔面画像ＬＧに付されているラベルとの関係に基づいて、特徴量抽出部１３２による空間的特徴量の抽出精度が高くなるように学習済モデル１３４のネットワークパラメータを変更する機能ブロックである。

［動作］
　つぎに、上記のように構成されたストレス対処様式判定システム１００の判定装置１２０及び学習装置１３０における処理の流れを、図３及び図４のフローチャートに従って説明する。

　判定装置１２０は、図２に示すように、判定用特徴量記憶処理Ｓ１、特定部位反応検出処理Ｓ２及び応答パターン判定処理Ｓ３を実行する。

　判定用特徴量記憶処理Ｓ１は、学習装置１３０により抽出された空間的特徴量すなわち、「能動的対処」に対応する空間的特徴量、「受動的対処」に対応する空間的特徴量及び「対処なし」に対応する空間的特徴量を判定用特徴量記憶部１２１に記憶する処理である。

　特定部位反応検出処理Ｓ２は、生体情報取得装置１１０により撮像された顔面画像ＩＦに含まれる被験者Ｐの顔面の解剖学的特定部位のストレス応答を検出する処理である。

　応答パターン判定処理Ｓ３は、特定部位反応検出処理Ｓ２により検出されたストレス応答と判定用特徴量記憶部１２１に記憶されている各空間的特徴量とに基づいて、被験者Ｐのストレス対処様式が「能動的対処」、「受動的対処」及び「対処なし」のうちのいずれの応答パターンを示す様式であるか判定する処理である。

　学習装置１３０は、図４に示すように、学習用データ記憶処理Ｓ１１、特徴量抽出処理Ｓ１２及び特徴量学習処理Ｓ１３を実行する。

　学習用データ記憶処理Ｓ１１は、「能動的対処」、「受動的対処」及び「対処なし」のそれぞれに対応してラベル付けされた複数の学習用顔面画像ＬＧを学習用データ記憶部１３１に記憶する処理である。

　特徴量抽出処理Ｓ１２は、学習用顔面画像ＬＧから、学習用顔面画像ＬＧに含まれる被験者の顔面画像の空間的特徴量を学習済モデル１３４を用いて抽出する処理である。

　特徴量学習処理Ｓ１３は、特徴量抽出処理Ｓ１２による抽出結果とその抽出対象とされた学習用顔面画像ＬＧに付されているラベルとの関係に基づいて、特徴量抽出処理Ｓ１２による特徴量の抽出精度が高くなるように学習済モデル１３４のネットワークパラメータを変更する処理である。

［空間的特徴量］
　本実施例では、空間的特徴量として、顔面画像ＩＦに基づいて算出されるフラクタル次元を用いることができる。フラクタル次元を用いることにより、空間的特徴量を容易に且つ高確度に数値化することができる。

　空間的特徴量としてのフラクタル次元を求める方法は任意である。図３９に例示する処理フローでは、クラスタリング処理Ｓ２１、画像抽出処理Ｓ２２、エッジ抽出処理Ｓ２３及びフラクタル解析処理Ｓ２４からなる一連の処理を実行することによりフラクタル次元を求めている。

　クラスタリング処理Ｓ２１は、顔面画像ＩＦを温度分布に関してクラスタリングする処理である。クラスタリングの手法は任意であるが、本実施形態に好適な手法として、Fuzzy-c-means法を挙げることができる。Fuzzy-c-means法は、あるデータ群がクラスタに属するか否かの二者択一の問題を考えるのではなく、データが唯一のクラスタに完全に属するという状況(ｋ－ｍｅａｎｓ法）の他にも、複数のクラスタにある程度ずつ属していると仮定し、データのクラスタへの所属の度合（帰属度）をあいまいに示す手法である。図４０には、クラスタ数を１２に設定して入力画像（顔面画像ＩＦ）をクラスタリングした例が示されている。図４０の例では、cluster1は最も低い温度分布に帰属し、cluster12は最も高い温度分布に帰属する。

　画像抽出処理Ｓ２２は、クラスタリング処理Ｓ２１により得られた複数のクラスタの画像から所定の温度以上の温度領域の温度分布のクラスタの画像を抽出する処理である。図４１の例では、図４０に例示したcluster1～12の画像のうち、顔領域の温度を含んだ帰属度画像であるcluster8～12の画像が抽出されている。

　エッジ抽出処理Ｓ２３は、画像抽出処理Ｓ２２により抽出された画像のエッジ部分を検出し、当該エッジ部分により表わされる線分からなるエッジ図形を生成する処理である。エッジ検出の手法は任意であるが、本実施形態に好適な手法として、Canny法を挙げることができる。ｃａｎｎｙ法は、ガウシアンフィルタによるノイズ除去処理、ソーベルフィルタによる輝度勾配（エッジ）抽出処理、エッジの強さが極大になる部分以外の部位を除去する非極大抑制処理、及び、正しいエッジかどうかをヒステリシスを使った閾値により判定するヒステリシス閾値処理を経てエッジを検出する手法である。図４１の例では、cluster8～12の画像のエッジ部分がｃａｎｎｙ法により検出され、エッジ部分により表わされる線分からなるエッジ図形が生成されている。

　フラクタル解析処理Ｓ２４は、エッジ抽出処理Ｓ２３により生成されたエッジ図形のフラクタル次元を求める処理である。フラクタル次元は、図形や現象の自己相似性や複雑性を定量的に表す指標であり、一般的に非整数値になる。フラクタル解析の手法は任意であるが、本実施形態に好適な手法として、ボックスカウンティング法を挙げることができる。ボックスカウンティング法は、解析対象の図形を正方形のボックス（格子状）に分割したときに、ボックスの大きさと図形を含むボックスの総数との関係を両対数グラフ上で直線近似したときの直線の傾きの絶対値からフラクタル次元を求める方法である。

　フラクタル次元（Ｄ）の計算式は、下記の式で表される。ｒはボックスの大きさであり、Ｎ（ｒ）はボックスの個数である。

　図４２には、図４１中のcluster12のエッジ図形のフラクタル次元の算出例が示されている。この例では、cluster12のエッジ図形について、ｒを２～１２８の範囲で変動させ、ｒとＮ（ｒ）を両対数グラフ上にプロットすることにより、１．３４９という値が得られている。

［作用・効果］
　上記のように構成されたストレス対処様式判定システム１００においては、被験者Ｐの顔面画像ＩＦが生体情報取得装置１１０により撮像される。撮像された顔面画像ＩＦは、判定装置１２０に入力される。判定装置１２０は、入力された顔面画像ＩＦと、血行力学パラメータすなわち、平均血圧、心拍数、心拍出量、一回拍出量及び全末梢抵抗のうちのいずれかにより特定される応答パターン（パターンＩ、ＩＩ及びＩＩＩ）と、に基づいて、その被検者Ｐのストレス対処様式がパターンＩ、ＩＩ及びＩＩＩのうちのどのパターンを示す様式であるか判定する。

　したがって、このストレス対処様式判定システム１００によれば、被験者Ｐの顔面画像ＩＦに基づいて、非接触状態で、被験者Ｐのストレス対処様式を判定することができるので、被験者Ｐに行動的制約を与えることなく、被験者Ｐが感じているストレスの種類を把握することができる。

　また、このストレス対処様式判定システム１００は、被験者Ｐの顔面画像ＩＦに含まれる顔面の解剖学的特定部位の反応と応答パターン（パターンＩ、ＩＩ及びＩＩＩ）とに基づいて、その被検者Ｐのストレス対処様式を判定する。解剖学的特定部位は、個人差に依るところが比較的小さい部位として解剖学的所見から特定される一又は複数の部位である。

　したがって、このストレス対処様式判定システム１００によれば、ストレス対処様式判定のための汎用システムを構築することができる。

　また、このストレス対処様式判定システム１００は、「能動的対処」に対応する特徴量、「受動的対処」に対応する特徴量及び「対処なし」に対応する特徴量を、学習装置１３０により抽出する。学習装置１３０は、「能動的対処」、「受動的対処」及び「対処なし」のそれぞれに対応してラベル付けされた複数の学習用顔面画像ＬＧを記憶し、それらの学習用顔面画像ＬＧから顔面画像の空間的特徴量を学習済モデル１３４を用いて抽出し、その抽出結果と抽出対象とされた学習用顔面画像ＬＧに付されているラベルとの関係に基づいて、顔面画像の空間的特徴量の抽出精度が高くなるように学習済モデルＬＧのネットワークパラメータを変更する。学習済モデルＬＧの学習が進むにつれて、顔面画像の空間的特徴量の抽出精度が向上し、判定用特徴量記憶部１２１に記憶される空間的特徴量の精度も向上する。

　したがって、このストレス対処様式判定システム１００によれば、学習装置１３０における学習済モデルＬＧの学習が進むにつれて、ストレス対処様式の判定精度を向上させることができる。

　また、このストレス対処様式判定システムによれば、空間的特徴量をフラクタル次元により数値化することで、ストレス対処様式の判定精度をより向上させることができる。

　なお、本発明は上記実施形態に限定されない。たとえば、上記実施形態では、ストレス対処様式判定システム１００が学習装置１３０を備えているが、学習装置１３０は省略可能である。学習装置１３０を省略した場合、学習装置１３０以外の手段により抽出或いは生成した空間的特徴量が判定装置１２０の判定用特徴量記憶部１２１に記憶される。

　＜実験例１＞
　以下に、本実施の形態に係る判定用特徴量記憶部１２１に記憶されている特徴量のデータを収集するための一実験例を示す。

１．実験方法
　実験は25。0±1。5℃のシールドルーム内で行い，被験者は１８～２１歳の健常成人男性８名で実施した。計測システムを図６に示す。被験者は着座し，左手中指第二関節に連続血圧・血行力学動態測定器(Finometer　model2,Finapres　Medical　Systems　B。V社製)の測定カフを装着した。

　血行力学パラメータは平均血圧（MBP），心拍数（HR），心拍出量（CO），全末梢抵抗（TPR）を測定した。顔面熱画像を測定するために顔面全体が計測できる画角で赤外線サーモグラフィ（TVS-200EX，AVIONICS社）を前方１.２ｍの位置に設置し，撮影間隔は１fpsとした。顔面皮膚温度を測定する際に背もたれ椅子に座らせて，コンピュータの画面をプロジェクターで壁に向けて１.５５ｍの距離で映し出した。

　実験は，Task前の安静閉眼60s（Rest1），能動的課題60s（Task1）、対処なし課題60s（Task2）、受動的課題60s（Task3）、Task後の安静閉眼60s（Rest2）の時間区分で構成される。能動的課題では暗算課題，受動的課題では鏡映描写課題，ストレス対処なし課題では安静閉眼を行わせた。暗算課題では４秒ごとの２ケタの足し算でありコンピュータのスクリーン上で行った。暗算の正誤はその都度告知しなかった。また，鏡映描写課題ではコンピュータ上で再現し，スクリーン上に表示された星型図形（図７参照）を右手でマウスを使い線と線の間を通るように教示した。マウスの動きと画面上のカーソルの動きは，上下左右反転させた。
　星形図形にはカーソルとカーソルの軌跡を表示させ、はみ出した場合にカーソルを最初の位置に戻し軌跡をすべて消した。周回開始位置は星型の最上部とした。対処なしの課題としては安静開眼を用いた。血行力学パラメータにおけるRest1の平均値をベースラインとして減算し規格化を行った。

２．解析方法
２－１　血行力学パラメータの判別
　図８に被験者Aの規格化したMBPの時系列変化を示す。各血行力学パラメータに関して、ベースライン＋2σ（σ：Rest1における各血行力学パラメータの標準偏差）以上の値となった範囲を“＋”，ベースライン－2σ以下の値となった範囲を“－”と定義した。各血行力学パラメータを表1のパターン反応に基づき、“パターンＩ”（能動的対処），“パターンＩＩ”（受動的対処）、どちらにも当てはまらない場合を“対処なし”に判別した。また，Task1～3間で撮影した熱画像を血行力学パラメータの判別に基づきラベル付けを行った。

２－２　入力データの作成
　ラベル付けした熱画像を機械学習に用いるために，顔面の部分を151×171pixelでトリミングを行い、グレイスケール化を行うことで顔面熱画像を作成した。また、各ストレス対処にラベル付けされた顔面熱画像（入力データ）の枚数を合わせるために、ランダムクロップ，ホワイトガウスノイズの付加，コントラスト調整を行いデータ拡張した。

２－３　ＣＮＮを用いた機械学習
　本実験では、畳込みニューラルネットワーク（ＣＮＮ）を用いて、顔面皮膚温度分布に基づくストレス対処様式の個人判別モデルの構築と、ストレス対処様式に関連する特徴量の抽出を行った。

　ＣＮＮの構成は特徴量の抽出を行う畳込み層３層、プーリング層３層及び判別を行う全結合層１層からなる。ＣＮＮの構造を図９に，畳み込み層及びプーリング層のフィルタのパラメータを図１０、１１に示す。ストレス対処様式に関連する特徴解析は，ＣＮＮの畳込み層の重みである特徴マップを基に行った。

３．結果及び考察
　ＣＮＮに各ストレス対処様式の顔面熱画像を入力した際の２層目の畳み込み層の特徴マップを被験者ごとに図１２に示す。
　被験者内での対処様式ごとの特徴マップを観測した結果，特に，被験者Bでは能動的対処及びストレス対処なしの時には左頬に，受動的対処時には右頬に特徴が認められるなど，各ストレス対処様式間で表出される特徴部位が異なることが示された。被験者間で特徴マップを見た結果，大半の被験者では鼻部に特徴が表出していたが，各被験者で特徴表出部位に個人差が認められた。
　各被験者間で特徴表出部位に個人差が認められた要因として，血管や脂肪の構造に差異が考えられる。しかし，解剖学的に意味づけられる特徴部位を特定することにより，ストレス対処判別のための一般モデルの構築の道筋をつけることができると考えられる。

４．総括
　本実験では，ＣＮＮを用いることで，顔面皮膚温度分布よるストレス対処様式の判別及び，ストレス対処様式に関連する特徴の抽出を試みた。結果，ストレス対処様式で顔面皮膚温度分布に表出される特徴分布が変わり，さらに個人間でストレス対処様式に関連する特徴分布に個人差が認められた。

参考文献
[1]　澤田幸展:新　生理心理学(宮田洋監修)，第10章，北大路書房，pp．172-195，(1998)
[2]　長野　祐一郎：「競争型鏡映描写課題における心臓血管反応」,　生理心理学と精神生理学，　Vol.22，No3，pp.237-246,（2004）
[3]　坂東　靜，浅野　裕俊，野澤　昭雄：「読書の表示媒体に関する生理的影響の分析」，電気学会論文誌Ｃ（電子・情報・システム部門誌），Vol.135，No.5，pp.520-525，（2015）
[4]　綿貫　卓也,　野澤　昭雄：「ストレス対処様式に基づくTV視聴様態の分析」,　電気学会論文誌Ｃ（電子・情報・システム部門誌），Vol.134，No.2，pp.205-211，（2014）
[5]　日沖　求，野澤　昭雄，水野　統太，井出　英人：「時間的圧迫状況下におけるメンタルワークロードの生理心理評価」，電気学会論文誌Ｃ（電子・情報・システム部門誌），　Vol.127　，No.7，pp.1000-1006，（2007）
[6]　Hiroki　Ito，ShizukaBando，Kosuke　Oiwa，AkioNozawa：”Evaluation　of　Variations　in　Autonomic　NervousSystem’s　Activity　During　the　Day　Based　on　Facial　ThermalImages　UsingIndependent　Component　Analysis”，IEEJTransactions　onElectronics,　Information　and　Systems，Vol.138，No.7，pp.1-10，（2018）
[7] 松村健太，澤田幸展：「2種類の暗算課題遂行時における心血管反応」，心理学研究，Vo79，No.6，pp.　473-480，（2008）

　また、以下に、本発明に係るストレス対処様式判定システムの基礎研究となる、本願発明者による２つの実験研究例を、本件発明の一適用例（実施例）として示す。
　これらの実験例は、本発明におけるように「被験者の生体情報を非接触状態で取得する」ものではなく連続血圧計を用い被検者にカフを装着して行ったものであるが、本件発明と同様に、血行力学パラメータに基づきテレビ映像コンテンツを視聴した際の視聴者の生理心理状態の分析、分類、評価を行ったものである。従って、本願発明は、例えば、このような事態における被検者のストレス様式判定に適用することができるものである。

＜実験例２＞
　実験の主旨
　現代，身の回りは多くの情報機器で溢れている。その中でもテレビはその発明以来，家庭のリビングルーム等に設置され，ニュースメディアや娯楽メディアの中心的存在として認知されてきた。しかしながら近年のIT技術の進展による小型化・高性能化された情報通信機器の普及，および，情報ネットワーク環境の発達に伴い，情報メディアの在り方が大きく変容し，今日ではテレビの視聴様態も大きく変容してきている。

　西垣は，テレビのスイッチを常にオンにしながら，同時に雑用をこなしたり携帯電話を操作したりなど，およそ『集中した視聴者』からはほど遠い，と述べている⁽¹⁾。しかし，その変容している視聴様態を把握することが出来れば，TV コンテンツデザインによって気分・気持ち・行動を望ましい方向へ整えるなど，新たな付加価値をテレビに備えることが可能になる。
　藤原・齋藤は世論調査，および，大野はアンケート調査を行い，テレビを視聴する理由として「ひまつぶし」，「おもしろい番組を楽しむため」，「教養を高め知識を得るため」，「習慣でなんとなく」，「わずらわしい現実から逃れるため」，「気分転換のため」，「BGM」，「一家団らんのため」などの理由を挙げている ⁽²⁾⁽³⁾。

　また，高橋らはテレビを視聴する時間について，「朝食の時」，「通勤時」，「家事をしているとき」，「平日自宅でくつろぐ時」などに分類している⁽⁴⁾。さらに，友宗らはテレビの視聴様態を，“頭も体もテレビに集中”という状態の「専念視聴」，“この番組はみたいが，他のことをしながら見る”という状態の「ながら＆専念スイッチング視聴」，“とくに見たいものがあるわけではないが，体はテレビに集中”という状態の「時間快適化視聴」などに分類している⁽⁵⁾。

　このように，視聴様態は様々であり，時間・場所・気分などの要因によって変容することが明らかとなっている。TV映像に対する嗜好も視聴様態が変容する一因であろう。しかし，嗜好によって視聴様態を分類している研究はない。さらに，これらの視聴様態を判別する研究は世論調査や事後の内省評価などの心理的な応答を用いたものがほとんどで，生理的な応答を用いて視聴様態を分類する研究はない。

　テレビの映像と音声は生体に対する視聴覚刺激であるため，それ自体がストレッサーとみなされる。ストレッサーは生体にストレス対処を促し，ストレス応答として生理・心理的変化をもたらす。テレビの種々のコンテンツをストレッサーとみなせば，コンテンツに対する対処，すなわち視聴様態によってその生理的ストレス応答は異なる事が予想される。野村らは，心臓血管系指標によって，e ラーニングコンテンツへの対処様態を分類している⁽⁶⁾。

　そこで，本研究は心臓血管系指標によって，テレビコンテンツに対する視聴様態を分析する事を目的として，連続血圧計による心臓血管系計測，および，赤外線サーモグラフィ装置による非接触状態顔面皮膚温計測，ディジタル生体アンプによる心電図・脳波計測を行い，中枢神経系活性および自律神経系活性の評価を行った。特に，血行力学的パラメータを用いたストレス対処様式，およびTV 映像に対する嗜好によって，TV 映像視聴時における視聴様態の分析を行った。

2.要因抽出実験
　視聴様態は映像コンテンツ，および，それに対する個人的嗜好に影響されると考え，予備実験により要因の分類を行った。

〈2・1〉実験条件　被験者は大学に在籍する健常な学生20名（年齢：19-22，平均年齢：21。1，男性：11名，女性9名）である。被験者には予め実験内容・目的・調査対象を口頭および書面にて十分説明し，署名により実験協力に対する同意を確認した。計測は室温26。0±1。6℃の対流のないシールドルームで行い，室外からの温度入力はないものとした。

　被験者は座位にて，前方2mの位置に設置された液晶テレビ（55インチ，HX850,BRAVIA,SONY製）を用いて，5分間の10種の映像コンテンツ（ニュース・スポーツ・ドキュメンタリー・音楽・ホラー・お笑い・ドラマ・アニメ・料理・ショッピング）を視聴する。映像コンテンツはDVDプレイヤー(SCPH-3900,SONY製)で再生した。視聴する映像コンテンツは被験者が視聴するまで公表しない。また，順序効果を除外するため，視聴する映像コンテンツの順番をランダム順とした。

〈2・2〉実験手順　本実験は，図１３に示すように，5 分間の映像視聴，およびその前後の1分間の安静・閉眼状態R1，R2により構成される。また，Visual　Analogue　Scale（以下，VASと略記する），没入感調査によりそれぞれの映像コンテンツへの嗜好および没入感評価を行った。

〈2・3〉評価法　実験終了時に「嗜好」の主観的感覚量をVASを用いて計測した。VASは，対となる形容詞を線分の両端に配置し，被験者が線分上の任意の位置にチェックをすることにより被験者の心理物理量を計測することが可能である。スケールの両端に配置した語句については「とても嫌い」-「とても好き」とした。加えて，映像に対する没入感を5ポイントスケール（1：全く没入できなかった－5：かなり没入した）で計測した。

〈2・4〉要因抽出実験の結果および考察
　図１４の左に、10種のコンテンツの嗜好および没入感における全被験者の平均を示す。図中のエラーバーは嗜好及び没入感の標準誤差を表す。図１４の右に，10 種のコンテンツの内，特に個人差の大きかったニュースおよびホラーにおける被験者20 人分の嗜好および没入感を示す。図１４の左より各コンテンツの嗜好および没入感を眺めると，平均的な嗜好および没入感は正比例の関係である。図１４においてＮ＝２０である。

　ホラーに関しては嗜好は低いが没入感が高いという特異な結果を示した。これは，嫌いだが好奇心に駆られてかえって視聴したくなる，いわゆる「恐いもの見たさ」によるものと考えられる。図１４の右より被験者毎に嗜好および没入感は異なるため，個人差が大きいことがわかる。よって，生理計測実験においては上述の要因分類実験を元に，被験者毎に高没入・正嗜好（嗜好の高い）の映像コンテンツと低没入・負嗜好（嗜好の低い）の映像コンテンツ，および負嗜好だが。高没入あるいは低没入に分かれるという特異な結果を示したホラー映像に分け，提示することとした。

3.生理計測実験
　要因抽出実験により抽出された要因を元に，再度，同じ被験者で別の映像を用いて生理計測を実施した。
〈3・1〉実験条件　被験者は日本の大学に在籍する健常な学生14名（年齢：19-22，平均年齢：21。4，男性：7名，女性7名）である。2。1と同様のシールドルーム内で実験を行い，映像コンテンツの切り替えおよび生理計測状況の確認のために，同じ部屋に実験実施者一名が同席した。体表面温度の室温への馴化を図る為，実験は被験者入室後から20分以上経過後に実施した。正嗜好，負嗜好の映像コンテンツは要因抽出実験の結果に基づいて被験者毎に設定した。没入感が4以上かつ嗜好が0。6以上の中で最も嗜好の高かった映像コンテンツを正嗜好（以降，「Positive」と略記），没入感が2以下かつ嗜好が0。4以下の中で最も嗜好の低かった映像コンテンツを負嗜好（以降，「Negative」と略記）とした。よって，視聴する映像コンテンツは「Positive」，「Negative」，「ホラー」の3種である。

〈3・2〉実験手順　要因抽出実験と同様に，図１３より構成される。また，VAS，Multiple　mood　scale（以下 MMS と略記），没入感調査により，それぞれの映像コンテンツに対する感性変動，嗜好および没入感評価を行った。

〈3・3〉計測システム　計測システムおよびEEG計測電極の配置を図１５に示す。被験者は座位にて，連続血圧計，EEG導出用電極，ECG導出用電極を装着した。連続血圧計（Finometer　model2,Finapres　Medical　Systems　B。V。製）は左腕の中指第二関節にカフを装着し，サンプリング周波数200HzでPCに記録した。被験者の前方0。7mの位置に，顔面が測定できる角度で赤外線サーモグラフィー装置（TVS-200X）を設置した。皮膚放射率はε=0。98，温度分解能^0。1°Ｃ以下とし，サンプリング周波数1HzでPCに記録した。EEGは左耳(A1)をリファレンスとした基準電極法にて計測した。EEG導出用電極位置は，国際10-20法に基づく1点(Pz)とし，電極接触抵抗は10kΩ以下とした。

　一般にα波はO1,O2にて記録するが，本研究では大脳活動の定常的指標としてのα波パワーに着目し，専らその減衰比の算出を目的としている為，左右差や局在性よりもむしろ電極の装着の簡便性，および，被験者への計測ストレスの低減を重視して，近傍のPzを計測した。ECG測定用の電極は，筋電位の混入を最小限にする為，NASA誘導法に従い，胸骨上緑部(+)および心尖部(-)に装着した。接地電極はEEGとECG共通で頭頂部(Cz)とした。EEG信号およびECG信号は，ディジタル生体アンプ（5102,　NF　ELECTRONICINSTRUMENTS製）にて増幅され，プロセッサボックス（5101,NF　ELECTRONIC　INSTRUMENTS製）を介してPCにサンプリング周波数200Hzで記録した。

〈3・4〉評価法
　本研究では生理指標，心理指標の相関性を解析した。生理指標は，平均血圧（Mean　pressure，以下MPと略記），心拍数（Heart　rate，以下HRと略記），一回拍出量（Stroke　Volume，以下　SV　とする），心拍出量（Cardiac　output，以下COと略記），全末梢抵抗（Total　peripheral　resistance，以下TPRと略記），鼻部皮膚温度（Nasal　skin　temperature，以下NSTと略記），心電図（Electrocardiograms，以下ECGと略記），および，脳波（Electroencephalograms，以下EEGと略記）とした。EEGの8Hzから13Hzの周波数成分はα波と呼ばれ，安静，閉眼，覚醒時に目立って発現し，何れかの条件が損なわれると減衰する事が知られている⁽⁸⁾。本研究では200HzでサンプリングされたEEG時系列に対して，10秒毎に1024サンプル点に対してフーリエ変換（FFT）を行い，10秒毎のα波パワースペクトルを求めた。さらに，図１３のR1区間およびR2区間各々における平均α波パワーを算出し，R1区間の平均α波パワーを基準としたR2区間の平均α波パワー比をテレビ視聴前後の覚醒度変動の指標とした。

　NSTは末梢部血流を支配する交感神経系活動の指標として知られる。交感神経系の亢進・抑制とNSTの時間的変動量はよく相関するため，本研究では10秒毎のNSTの変動量を映像視聴に関する交感神経系活動動能の定量的指標として利用した。正値は交感神経系活動の抑制，負値は交感神経系活動の亢進を意味する。計測された鼻部熱画像時系列の各加増において，鼻部の10×10pixelにおける空間平均温度を求め，NST時系列とした。HFは心拍変動スペクトルの0。15Hz～0。4Hzの高周波成分であり，呼吸性不整脈成分として知られる⁽⁷⁾。

　HFは副交感神経系活動の指標とされ，副交感神経の亢進・抑制に応じて増加・減少する。ECGサンプルから閾値処理によりR波ピーク間隔の時系列を求め，3次スプライン補間後，20Hzでリサンプリングを行う。リサンプリング済みデータに対して1s毎にFFT処理を行い，心拍変動パワースペクトルの時系列を得る。FFT処理のデータ数は512点とした。時系列の心拍変動パワースペクトルにおいて，0。15Hz～0。4Hz帯域の積分値を求め，HF時系列とした。血行力学的パラメーター(MP，HR，SV，CO，TPR)は外界のストレスに応じて特徴的な反応パターン（パターンI，パターンII）を示すことが知られており，ストレスに対する心臓血管系の生理反応を理解する上で重要な概念となっている。

　具体的にはパターンＩは心筋の収縮活動の亢進や血管拡張による骨格筋への血液量の増大に特徴づけられ，これはいわば，エネルギー消費型の反応（能動的対処）といえる。一方パターンＩＩは末梢血管の収縮に特徴づけられ，また，心拍数もおおむね減少し，これはいわば，エネルギー節約型の反応（受動的対処）といえる⁽⁷⁾。

　また，心理指標は多面的感情状態尺度MMS，および，VASとした。MMSは，対象者がおかれた条件により変化する一時的な気分や感情の状態について，抑鬱・不安(以下，D-A略記)，敵意（以下，Hと略記)，倦怠(以下Fと略記)，活動的快(以下，Aと略記)，非活動的快(以下，Iと略記)，親和(以下，AFと略記)，集中(以下，Dと略記)，驚愕(以下，Sと略記)からなる8種類の感情状態尺度により指標化する⁽⁹⁾。実験開始前，および実験終了時には，「覚醒感」「快・不快感」「疲労感」「嗜好」4種類の主観的感覚量をVASを用いて計測した。

　「快・不快感」，および，「覚醒感」はラッセルの情動二元論における基本成分として，本研究における心理評価の項目に選択した⁽¹⁰⁾。VASは，対となる形容詞を線分の両端に配置し，被験者が線分上の任意の位置にチェックをすることにより被験者の心理物理量を計測することが可能である。スケールの両端に配置した語句については，覚醒感は「とても眠い」-「はっきり目覚めている」，快・不快感は「非常に不快」－「非常に快適」，元気さは「とても疲れている」-「とても元気」，嗜好は「とても嫌い」－「とても好き」とした。各VASは独立した紙面にて用意し，順次，再帰参照なく自筆により記録するよう教示した。さらに，実験終了後に映像に対する没入感を5ポイントスケール（1：全く没入できなかった－5：かなり没入した）で計測した。なお，統計的分析方法として，各心理指標の映像視聴前後の差の検定には対応のあるt検定を用い，各生理指標におけるTEST区間全体の変化量についてはWilcoxonの符号順位検定を用いた。

〈3・5〉結果および考察心理指標について統計的分析を行い，TV映像視聴時およびTV映像視聴前後における心理応答を議論する。なお，ホラー映像刺激に対して，全被験者の嗜好は0。4以下であったので，没入感にのみ着目する。ホラー映像視聴後の5段階の没入感評価において，4あるいは5ならHorror(Concentration)(以下「Horror(C)」と略記)，1あるいは2ならHorror(Notconcentration)(以下「Horror(N)」と略記) として分類した。以降，結果は，「Positive」，「Negative」，「Horror(C)」，「Horror(N)」の分類によって表記する。「Horror(C)」の人数は10人，「Horror(N)」の人数は4人である。MMSの各気分尺度における全被験者の平均を図１６～１９に示す。
　図１６ではＮ＝１４、図１７ではＮ＝１４、図１８ではＮ＝１０、図１９ではＮ＝４である。没入感の「快・不快感」，「覚醒感」，「活力」，「嗜好」および「没入感」における全被験者の平均を図２０～２３に示す。図２０ではＮ＝１４、図２１ではＮ＝１４、図２２ではＮ＝１０、図２３ではＮ＝４である。

　「Positive」は図１６より，A，AFにおいて有意に増加し，Fにおいて有意に減少した。一方「Negative」は図１７より，H，Fにおいて有意に増加した。これは，それぞれ正嗜好および負嗜好の映像コンテンツを視聴する行為と整合する。「Horror(C)」は図１８において，A，および，Iの有意な減少を示しており，総じて不快情動が喚起されたものと推測できる。また，図１９より図１８の方が有意差のあった尺度が多い。

　これより，ホラーは没入していない時と比べて，没入している方が感情の変化が大きいと推測できる。図２０より「Positive」は快・不快感，覚醒感および活力において有意に増加した。これより，正嗜好の映像コンテンツは被験者に対して‘爽快感’や‘快適性’を伴う積極的快適性をもたらしたと考えられる。

　逆に，図２１より「Negative」は快・不快感，覚醒感および活力において有意に減少していることから，負嗜好の映像コンテンツは被験者に対して‘鬱屈’や‘不快感’を伴う消極的不快感をもたらしたと考えられる。また，図２２より「Horror(C)」は覚醒感において有意に増加し，快・不快感および活力において有意に減少していることから‘覚醒感’や‘不快感’を伴う積極的不快感をもたらしたと考えられる。

　続いて，TV映像視聴時およびTV映像視聴前後における生理応答を議論する。各生理指標の被験者間平均の時間的変動を図２４に示す。図２４においてＮ＝１４である。上段からNST，α波，HF，MP，HR，SV，CO，TPRである。TEST区間の始まりを0としている。図中のエラーバーは10s毎の標準誤差を表す。また，NST，MP，HR，SV，CO，TPRおよび没入感はR1区間のベースラインを0，α波およびHFはR1区間のベースラインを1として規格化し，TEST区間全体のベースラインからの変位に関するWilcoxonの符号順位検定の有意確率pを図２５に示す（+：p<0。1,*：p<0。05,**：p<0。01）。表中のPは各指標に対する正の応答，Nは負の応答を意味する。図２５においてＮ＝１４である。

　図２４より各指標毎の時系列変化を眺めると，NSTについては「Positive」，および「Negative」共にTEST区間開始とともに下降しているため，交感神経が亢進したことが推測される。α波はいずれも有意な変化は見られなかった。HFは図２５より，「Positive」では有意な変化は見られなかったが，「Negative」は有意に減少したことがわかる。HFは副交感神経系活動の指標とされ，副交感神経の亢進・抑制に応じて増加・減少するため，「Negative」は副交感神経が抑制されていると考えられる。これは前述のNSTにおける解釈と一致している。

　ホラー映像の各生理指標の被験者間平均の時間的変動を図２６に示す。図２６においてＮ＝14である。図２６より，「Horror(N)」はNSTが下降しているため，交感神経が亢進したことが推測される。α波についてはどちらにも有意な結果は得られなかった。HFは「Horror(C)」で有意に減少し，「Horror(N)」では有意に上昇していることがわかる。HFは「Horror(N)」においては，前述のNSTにおける解釈と一致しなかった。これは，メカニズムの違いによるものと考えられる。後記に示すように「Horror(N)」はTPRの上昇を特徴とした受動的対処を示している。結果として，末梢部の血流量が減少して，NSTが低下したものと考えられる。

　次に，「Positive」，「Negative」，「Horror(C)」および「Horror(N)」を，没入感と嗜好のパターンによってカテゴライズし，血行力学応答を比較検討する。結果として，図２７のようにストレス対処様式と嗜好の軸で纏めることができる。図２７においてＮ＝１４である。
　「Positive」と「Horror(C)」は共に没入感は高いが，「Positive」は正嗜好，「Horror(C)」は負嗜好である。しかしながら，双方とも MP，HR，SV および CO の増加，TPR の減少が見られる。これは心筋収縮活動の増大を主とする典型的なパターン I の反応（能動的対処）である。

　つまり，能動的対処のときは嗜好に関わらず，TV 映像コンテンツに没入している事が明らかとなった。また，要因抽出実験の結果から類推すると，生理計測実験のホラー映像に対しても同様に嗜好が高い被験者は没入感も共に高くなり，図２７の右上領域に位置することが予想されるが，該当者はいなかった。一方，「Negative」と「Horror(N)」は共に没入感および嗜好は低い。しかしながらその生理応答は異なっている。すなわち，「Negative」では TPR，HR の減少が見られたものの，MP の変化は見られなかった。これは，能動的対処，受動的対処どちらでもなく，ストレス対処していないと考えられる。なお、図２７においてＮ＝１４である。

　これに対して，「Horror(N)」はHRに有意な変動が無いものの，TPR，MPの有意な増加が特徴的である。これは末梢血管収縮の増大によるMPの増加を主とする典型的なパターンＩＩの反応(受動的対処)である。これより，ストレス対処を示さない時，通常は嗜好が低く，TV映像コンテンツに没入していないが，ホラー映像に関しては受動的対処を示すことが明らかとなった。つまり，TV映像に対する嗜好だけで視聴様態は定まらず，ストレス対処様式によって視聴様態を分類できることが明らかとなった。

4．まとめ
　本研究では，嗜好の異なる映像コンテンツを視聴した時の生理心理計測を実施し，生理学的に論拠のあるストレス対処様式によって視聴様態の分類を試みた。心臓血管系指標として血行力学的パラメーター(MP，HR，SV，CO，TPR)，中枢神経系指標としてEEGのα波パワースペクトル，自律神経系指標として鼻部皮膚温度および心拍変動HF成分を計測し，同時計測した映像に対する嗜好，および心理アンケートも含め，生理心理状態に関する統計的分析を行い，映像コンテンツを視聴した時の生理心理効果を定量的に評価した。

　その結果，本研究における嗜好に関する心理指標による分類は，先行研究においては全く評価されていないため，本研究のストレス対処および嗜好を組み合わせる事で，テレビ視聴に対する新たな分類が得られた。結論として，能動的対処の時，TV映像は「Positive」および「Horror(C)」，受動的対処の時，TV映像は「Horror（N)」，ストレス対処を行っていない時，TV映像は「Negative」であった。つまり，TV映像に対する嗜好だけで視聴様態は判別できないが，血行力学的パラメーターによるストレス応答によって，視聴様態を判別できることが明らかとなった。

＜参考文献＞
（1）平田明裕・諸藤絵美・荒牧央：「テレビ視聴とメディア利用の現在(2)～「日本人とテレビ2010」調査から～」，放送研究と調査，pp.2-27(2010)
（2）荒牧央・増田智子・中野佐知子：「テレビは20代にどう向き合ってゆくのか」，放送研究と調査，pp.2－21(2008)
（3）Y.　Siki,　Y.　Murakami,　and　Y.　Huzita:　“Television　viewing　and　simultaneous　use　of　new　media:　anethnographic　study　of　young　people　in　Japan”,　Institute　for　Media　andCommunication　Research　Keio　University,　Vol.59,　No.1,　pp.131-140　(2009)　(inJapanese)　志岐裕子・村山　陽・藤田結子：「若者のテレビ視聴とメディア並行利用行動–大学生のオーディエンス・エスノグラフィ調査から」，慶応義塾大学メディア・コミュニケーション研究所紀要，Vol.59,　No.1,　pp.131-140　(2009)
（4）S.　Nomura,　Y.　Kurosawa,　N.　Ogawa,　C.M.　Althaff　Irfan,　K.　Yajima,　S.　Handri,　T.　Yamagishi,　K.T.Nakahira,　and　Y.　Fukumura:“Psysiological　Evaluation　of　a　student　in　E-learning　Sessions　by　Hemodynamic　Response”,　IEEJ　Trans.　EIS,Vol.131,　No.1,　pp.146-151　(2011)　(in　Japanese)　野村収作・Irfan　C.　M.　Althaff・山岸隆雄・黒澤儀将・矢島邦昭・中平勝子・小川信之・HANDRI　Santoso・福村好美：「血行力学的パラメーターによるeラーニング受講者の生理評価研究」，電学論　C，Vol.131,No.1,pp.146-151　(2011)
（5）T.　Watanuki　and　A.　Nozawa:　“Visualization　of　a　feeling　of　concentration　for　TV　contents”,Bulletin　of　Institute　of　Electrical　and　Electronic　Engineers　of　measurement,　Vol.IM-12,　No.63,pp.19-25　(2012)　(in　Japanese)　綿貫卓也・野澤昭雄：「TV　コンテンツに対する没入感の可視化」，電気電子学会計測研資，Vol.IM-12,　No.63,　pp.19-25　(2012)
（6）K.　Mori,　C.　Ono,　Y.　Motomura,　H.　Asoh,　and　A.　Sakurai：　“Empirical　Analysis　of　User　Preference　Models　forMovie　Recommendation”,　IEIC　Technical　Report.NC.neurocomputing,　Vol.104,No.759,　pp.77-82　(2005)(in　Japanese)　黒川茂莉・小野智弘・本村陽一・麻生英樹・櫻井彰人：「映画コンテンツ推薦のためのユーザ嗜好性モデルの実験的評価」，信学会技報。NC.　ニューロコンピューティング，Vol.104,　No.759,pp.77-82(2005)
（7）澤田幸展：「血行力学的反応；新生理心理学　I　巻　(藤澤清，柿木昇治，山崎勝男編)」，北大路書房，第　10　章，p.187(1998)
（8）J.A.　Russell:　“A　circumplex　model　of　affect”,　J.　Personality　and　Social　Psychology,　Vol.39,　pp.1161-1178(1980)

＜実験例３＞
１．実験の主旨
　近年，テレビ放送のデジタル・多チャンネル化が進んでいる。しかし，IT 技術の進展による小型化・高性能化された情報通信機器の普及，および，情報ネットワーク環境の発達に伴い，娯楽としてのテレビ離れが加速し，テレビの視聴理由が多様化している。平田らはテレビを視聴する理由として，「世の中の出来事や動きを知るため」，「疲れを休めたり，くつろぐため」，「人とのつきあいを深めたり，広めたりするため」などの理由を挙げている⁽¹⁾。また，テレビの視聴理由だけでなく視聴様態においても，テレビ離れに伴い，漠然とした視聴態度や視聴習慣の弱まりなど，関与の薄い見方へと変わっている⁽²⁾。志岐らは，テレビを集中して視聴する「専念視聴」，家事，飲食，勉強など，他の生活活動と並行しながら視聴する「ながら視聴」，ザッピングしながらなんとなくいろいろな番組を視聴する「漠然視聴」などの視聴様態を挙げている⁽³⁾。このように，視聴様態は様々であり，時間・場所・気分などの要因によって変容することが明らかとなっている。

　しかし，これらの視聴様態を分類する研究は世論調査や事後の内省評価などの心理的な応答を用いたものがほとんどで，生理的な応答を用いて視聴様態を分類した研究はない。テレビの映像と音声は生体に対する視聴覚刺激であるため，それ自体がストレッサーとみなされる。ストレッサーは生体にストレス対処を促し，ストレス応答として生理・心理的変化をもたらす。
　テレビの種々のコンテンツをストレッサーとみなせば，コンテンツに対する対処，すなわち視聴様態によってその生理的ストレス応答は異なる事が予想される。野村らは，心臓血管系指標によって，e ラーニングコンテンツへの対処様態を分類している ⁽⁴⁾。

　そこで，これまで，心臓血管系指標による TV 映像コンテンツに対する視聴様態や嗜好の分類を試みてきた ⁽⁵⁾。また，分類だけでなく推定モデルを構築する研究もされている。
　黒川らは，ナイーブベイズ，決定木，ベイジアンネットワーク，ニューラルネットワークを用いて，映像コンテンツに対するユーザ嗜好性モデルを構築し，コンテンツ評価に対する予測精度と重要変数を抽出した⁽⁶⁾。しかし，この研究も心理的な応答のみを用いたモデルであり，生理的な応答を用いて嗜好や視聴様態の推定モデルを構築している研究はない。

　これまでの研究の結果，血行力学的パラメーターに基づくストレス対処様式，および，心拍数によって，コンテンツに対する嗜好や没入など，テレビ視聴者の生理心理状態を分類できる可能性が示唆されている。そこで本研究は，心臓血管系指標による上記のテレビ視聴に関する視聴者の生理心理状態推定の実験的検討を目的とする。心臓血管系指標から特徴ベクトルを抽出し，テレビ映像コンテンツに対する嗜好，視聴様態，および，興奮－鎮静の各推定モデルの作成，および，評価を行った。

２．実験
　TV映像コンテンツ視聴時の，連続血圧計による心臓血管系計測を行った。その後，血行力学的パラメーターを元に階層型ニューラルネットワークを用いたパターン認識を行うことで，TV映像コンテンツ視聴時における嗜好，視聴様態，および，興奮－鎮静の推定を行った。

〈２・１〉実験手順
　本実験は、図２８に示すように，5分間の映像視聴，およびその前後の1分間の安静・閉眼状態R1，R2により構成される。映像視聴前後のVisual　Analogue　Scale（以下，VASと略記），映像視聴後の没入感調査より，それぞれの映像コンテンツへの嗜好および没入感評価を行った。また，映像視聴中にはリアルタイムに被験者が感じている主観的興奮－鎮静の変動を記録した。
〈２・２〉実験条件
　被験者は日本の大学に在籍する健常な学生14名（年齢：19-22，平均年齢：21。4，男性：7名，女性7名）である。被験者には予め実験内容・目的・調査対象を口頭および書面にて十分説明し，署名により実験協力に対する同意を確認した。計測は室温26。0±1。6℃の対流のないシールドルームで行い，映像コンテンツの切り替え，および，生理計測状況の確認のために，同じ部屋に実験実施者1名が同席した。体表面温度の室温への馴化を図る為，実験は被験者入室後から20分以上経過後に実施した。

　被験者は座位にて，前方2mの位置に設置された液晶テレビ（55インチ，HX850,BRAVIA,SONY製）を用いて，正嗜好・高没入の映像コンテンツ（以降，「Positive」と略記），負嗜好・低没入の映像コンテンツ（以降，「Negative」と略記），および，低嗜好だが没入感に大きく個人差があるという特異な結果を示したホラー映像の3種を視聴する。映像コンテンツはDVDプレイヤー(SCPH-3900,SONY製)で再生した。

〈２・３〉計測システム
　計測システムを図２９に示す。被験者は座位にて，連続血圧計を装着した。連続血圧計（Finometer　model2,　Finapres　Medical　Systems　B。V。製）は左腕の中指第二関節にカフを装着し，サンプリング周波数200HzでPCに記録した。また，目の前にキーボード(K270,Logicool製)を設置し，キーボードの上下キーよりリアルタイムに被験者が感じている主観的興奮－鎮静の変動を入力するソフトウェアを用いて，逐次的かつ相対的な興奮－鎮静を記録した。

〈２・４〉評価法
　生理指標は，平均血圧Mean　pressure，以下MPと略記），心拍数（Heartrate，以下HRと略記），一回拍出量（Stroke　Volume，以下SVと略記），心拍出量（Cardiac　output，以下COと略記），全末梢抵抗（Totalperipheral　resistance，以下TPRと略記）とした。血行力学的パラメーター(MP，HR，SV，CO，TPR)は外界のストレスに応じて特徴的な反応パターン（パターンI，パターンII）を示すことが知られており，ストレスに対する心臓血管系の生理反応を理解する上で重要な概念となっている。具体的にはパターンIは心筋の収縮活動の亢進や血管拡張による骨格筋への血液量の増大に特徴づけられ，これはいわば，エネルギー消費型の反応（能動的対処）といえる。一方パターンIIは末梢血管の収縮に特徴づけられ，また，心拍数もおおむね減少し，これはいわば，エネルギー節約型の反応（受動的対処）といえる⁽⁷⁾。MP，HR，SV，CO，TPRはR1区間のベースラインを0として規格化した。

　また，心理指標として，実験開始前，および実験終了時に，「覚醒感」「快・不快感」「活力」「嗜好」4種類の主観的感覚量をVASを用いて計測した。「快・不快感」，および，「覚醒感」はラッセルの情動二元論における基本成分として，本研究における心理評価の項目に選択した⁽⁸⁾。VASは，対となる形容詞を線分の両端に配置し，被験者が線分上の任意の位置にチェックをすることにより被験者の心理物理量を計測することが可能である。スケールの両端に配置した語句については，覚醒感は「とても眠い」-「はっきり目覚めている」，快・不快感は「非常に不快」-「非常に快適」，活力は「とても疲れている」-「とても元気」，嗜好は「とても嫌い」-「とても好き」とした。

　各VASは独立した紙面にて用意し，順次，再帰参照なく自筆により記録するよう教示した。さらに，実験終了後に映像に対する没入感を5ポイントスケール（1：全く没入できなかった－5：かなり没入した）で計測した。なお，各心理指標の映像視聴前後の差の検定には対応のあるt検定を用い，各生理指標におけるTEST区間全体の変化量についてはWilcoxonの符号順位検定を用いた。興奮－鎮静は，積算の最大値を基準にして規格化を行った。

　嗜好，視聴様態分類モデルの作成・判別率の導出，および，各被験者毎の興奮－鎮静推定モデルの作成・推定値の導出は，階層型ニューラルネットワークによるパターン認識を用いた。
　階層型ニューラルネットワークの構造を図３０に示す。学習則は誤差逆伝搬法，出力関数はシグモイド関数とした。階層は，入力層，中間層，出力層の3階層となる。モデルの精度の推定には交差検証法を用いた。また，図３１に示すように，各指標の時経変動に対して判別時間t_dを想定する。t_dは映像視聴中の300sである。それぞれのモデルは，t_d区間内の各特徴量時系列において，Δt_i当たりの傾きに着目し，10s間隔毎の一連の傾きを特徴ベクトルSとする。Sの要素数は30となる。これに合わせて，本稿のニューラルネットワークでは，入力層の素子数は30，中間層の素子数は16とした。

〈2・4・1〉嗜好分類モデル　特徴量として心拍数を使用し，Δt_iとして10s，20s，30s，40s，50s，60sを検討した。全学習データは被験者14人の各嗜好(Positive，Negative)を合わせた28パターンあり，そのうち27パターンを学習データ，残りの1パターンを未知データとして嗜好分類モデルの精度を評価した。「Positive」，「Negative」の時における特徴ベクトルSを学習させた後，未知のデータを入力することで嗜好分類モデルの精度を評価した。出力層は「Positive」，「Negative」の2素子である。
〈2・4・2〉視聴様態分類モデル特徴量として血行力学的パラメーターを使用し，Δt_iとして10s，20s，30s，40s，50s，60sを検討した。全学習データは被験者14人の各ストレス対処様式(能動的対処，受動的対処，ストレス対処無し)を合わせた42パターンあり，そのうち41パターンを学習データ，残りの1パターンを未知データとして嗜好分類モデルの精度を評価した。出力層は能動的対処，受動的対処，ストレス対処無しの3素子である。

〈2・4・3〉興奮－鎮静　推定モデル特徴量として血行力学的パラメーターを使用し，Δt_iは30sとした。全学習データは被験者14人の各嗜好(Positive，Negative)における興奮－鎮静値を合わせた28パターンあり，そのうち27パターンを学習データ，残りの1パターンを未知データとして嗜好分類モデルの精度を評価した。出力層は興奮－鎮静値の1素子である。
〈2・5〉結果および考察VASにおいて，各気分尺度における全被験者平均の映像視聴前と映像視聴後の差を図３２（＋：p<0.1,*：p<0.05,**：p<0.01）に示す。図３２においてＮ＝１４である。図３２より，ホラー映像刺激に対しては，全被験者が低嗜好であった。そこで，ホラー映像視聴後の5段階の没入感評価において，4あるいは5ならHorror(Concentration)(以下「Horror(C)」と略記)，1あるいは2ならHorror(No-concentration)(以下「Horror(N)」と略記)として分類した。以降の結果は，「Positive」，「Negative」，「Horror(C)」，「Horror(N)」に分類する。また，「Horror(C)」の人数は10人，「Horror(N)」の人数は4人である。

　MP，HR，SV，CO，TPRの，TEST区間全体のベースラインからの変位に関するWilcoxonの符号順位検定の有意確率pを図３３に示す（＋：p<0。1,*：p<0。05,**：p<0。01）。表中のPは各指標に対する正の応答，Nは負の応答を意味する。図３３においてＮ＝１４である。
　図３３より，TV映像視聴時における視聴様態の分類を行う。「Positive」と「Horror(C)」は共に没入感は高いが，「Positive」は正嗜好，「Horror(C)」は負嗜好である。
しかしながら，双方ともMP，HR，SVおよびCOの増加，TPRの減少が見られる。これは心筋収縮活動の増大を主とする典型的なパターンIの反応(能動的対処)である。つまり，能動的対処のときは嗜好に関わらず，TV映像コンテンツに没入している事が明らかとなった。

　一方，「Negative」と「Horror(N)」は共に没入感および嗜好は低い。しかしながらその生理応答は異なっている。すなわち，「Negative」ではTPR，HRの減少が見られたものの，MPの変化は見られなかった。これは，能動的対処，受動的対処どちらでもなく，ストレス対処していないと考えられる。これに対して，「Horror(N)」はHRに有意な変動が無いものの，TPR，MPの有意な増加が特徴的である。これは末梢血管収縮の増大によるMPの増加を主とする典型的なパターンIIの反応(受動的対処)である。

　これより，ストレス対処を示さない時，通常は嗜好が低く，TV映像コンテンツに没入していないが，ホラー映像に関しては受動的対処を示すことが明らかとなった。つまり，TV映像に対する嗜好だけで視聴様態は定まらず，ストレス対処様式によって視聴様態を分類できることが明らかとなった。また，図３３において，HRは「Positive」において有意に増加，「Negative」において有意に減少した。

　次に，ニューラルネットワークを用いて構築した推定モデルから，嗜好，視聴様態の判別を行った時の判別率の結果を図３４，および，図３５に示す。図３４，図３５において，Δt_i50sの時，嗜好の正判別率は83。3%，視聴様態の正判別率は75%と，他のΔt_iと比べて高い正判別率を示した。

　また，興奮－鎮静の推定を行った時の，実測興奮－鎮静と予測興奮－鎮静を図３６に示す。
　図３６は実測興奮－鎮静と予測興奮－鎮静の誤差が最も少ない被験者Aの結果を示している。図３６上の「Positive」において，実測興奮－鎮静の増加と共に予測興奮－鎮静も増加している。

　また，図３６下の「Negative」において，実測興奮－鎮静の減少と共に予測興奮－鎮静も減少している。次に，実測興奮－鎮静と予測興奮鎮静の差の絶対値を誤差とした時の各被験者の平均誤差を図３７に示す。図３７において「，Positive」の平均誤差は0。10～0。37，「Negative」の平均誤差は0。11～0。29，平均誤差の全被験者間平均は0。17となった。つまり，予測興奮－鎮静は平均して，17%程度の誤差で推定された。また，全被験者の10s間隔毎にとった一連の実測興奮－鎮静，および，予測興奮－鎮静の関係を示した図を図３８に示す。図３８において，相関係数は0。89と高い相関が得られた。また，図３８から，実測興奮－鎮静，および，予測興奮－鎮静の分布は値の大小に依らずほぼ均一であることがわかる。

3.まとめ
　本研究は，ニューラルネットワークを用いた，テレビ映像コンテンツに対する視聴様態，嗜好，興奮－鎮静の推定を目的として，心臓血管系指標から特徴ベクトルを抽出し，テレビ映像コンテンツ視聴時における嗜好，視聴様態，および，興奮－鎮静の推定モデル作成・評価を行った。

　結果として，正嗜好・高没入の「Positive」，および，負嗜好・高没入の「Horror(C)」では能動的対処，不嗜好・高没入の「Horror(N)」は受動的対処，負嗜好・低没入の「Negative」ではストレス対処していない，と分類できた。さらに「，Positive」と「Negative」では心拍数が有意に異なり，心拍応答の一般的特性にならった結果が得られた。また，推定モデルを用いて，嗜好，および，視聴様態の判別を行った時の正判別率は最大で，嗜好は83。3%，視聴様態は75%となった。

　各被験者毎に興奮－鎮静を推定した結果，実測興奮－鎮静と予測興奮－鎮静の平均誤差は，「Positive」において10～37%，「Negative」において11～29%，全被験者間平均は17%となった。さらに，実測興奮－鎮静，および，予測興奮－鎮静は相関係数0。89と強い正の相関が見られた。以上より，血行力学的パラメーター，および，心拍数によって，テレビ映像コンテンツ視聴時の嗜好，視聴様態，および，興奮－鎮静を推定できる可能性が示唆された。今後は，他生理指標や，その他識別器との比較・検討によって更なる精度向上を目指す予定である。

＜参考文献＞
（1）西垣　通：「テレビはネットで蘇るか」，月間民放(2001)
（2）藤原功達・斉藤由美子：「世論調査リポートテレビに対する評価と期待-「テレビの役割」調査の結果から-」，NHK　放送研究と調査　6　月号，pp.2-15　(1989)
（3）大野木裕明：「第　9　章女子大学生のテレビ視聴態度および　2，3　の要因：視聴者のパーソナリティ特性，番組内容への関心，テレビ視聴の目的に関する予備的な調査から(番組分析と視聴学習行動の研究：放送教育番組のタクソノミーの開発を目指して)」，研究報告，Vol.18,　pp.153-172　(1990)
（4）Y.　Takahashi　and　S.　John:　“Recommendation　Models　of　TelevisionProgram　Genre,　Based　on　Survey　and　Analysis　of　Behaviour　in　WatchingTelevision:　Toward　Human　Content　Interface　Design　(2)”,　Bulletin　of　Japanese　SocietyforScience　of　Design,　Vol.46,　No.133,　pp.71-80　(1999)　(in　japanese)
　高橋　靖・シャクルトンジョン：「テレビ視聴行動の調査分析に基づく番組ジャンル推薦モデル：ヒューマン・コンテンツ・インタフェースデザインに向けて(2)」，デザイン学研究，Vol.46,　No.133,　pp.71-80(1999)
(5）友宗由美子・原由美子：「「時間快適化装置」としてのテレビ-視聴態度と番組総バラエティー化の関係-」，放送研究と調査，Vol.51,　pp.2-17(2001)
(6）S.　Nomura,　Y.　Kurosawa,　N.　Ogawa,　C.M.　Althaff　Irfan,　K.　Yajima,　S.Handri,T.Yamagishi,　K.T.　Nakahira,　and　Y.　Fukumura:　“Psysiological　Evaluationof　a　student　in　E-learning　Sessions　by　Hemodynamic　Response”,　IEEJ　Trans.　EIS,　Vol.131,　No.1,　pp.146-151　(2011)
　野村収作・Irfan　C.　M.　Althaff・山岸隆雄・黒澤儀将・矢島邦昭・中平勝子・小川信之・HANDRI　Santoso・福村好美：「血行力学的パラメーターによるeラーニング受講者の生理評価研究」，電学論　C，Vol.131,No.1,　pp.146-151　(2011)
(7)澤田幸展：「血行力学的反応；新生理心理学　I　巻　(藤澤清，柿木昇治，山崎勝男編)」，北大路書房，第　10　章，pp.187　(1998)
(8)A.　Michimori:　“Relationship　between　the　alpha　attenuationtest,subjective　sleepiness　and　performance　test”,　10th　Symposium　on　HumanInterface,　Vol.10,　No.1413,　pp.233-236　(1992)
(9)M.　Terasaki,　Y.　Kishimoto,　and　A.　Koga:　“Construction　of　a　multiple　mood　scale”,　The　japanesejournal　of　psychology,　Vol.62,　No.6,pp.350-356　(1992)　寺崎正治・岸本陽一・古賀愛人：「多面的感情状態尺度の作成」，心理学研究論文誌，Vol.62,　No.6,　pp.350-356　(1992)
(10)J.A.　Russell:　“A　circumplex　model　of　affect”,　J.　Personality　and　SocialPsychology,　Vol.39,　pp.1161-1178　(1980)

　本発明のストレス対処様式判定システムは、被験者のストレスを非接触状態で質的に分析することができるので、工場などで作業中の労働者のストレス状態を把握するための手段、自動車を運転中のドライバのストレス状態を把握するための手段、授業中の生徒のストレス状態を把握するための手段、等、幅広い技術分野における利用可能性がある。

１００　ストレス対処様式判定システム
１１０　生体情報取得装置（生体情報取得部）
１２０　判定装置（判定部）
１２１　判定用特徴量記憶部
１２２　特定部位反応検出部
１２３　応答パターン判定部
１３０　学習装置（機械学習部）
１３１　学習用データ記憶部
１３２　特徴量抽出部
１３３　特徴量学習部
１３４　学習済モデル
Ｐ　被検者
ＩＦ　顔面画像
Ｓ１　判定用特徴量記憶処理（判定用特徴量記憶ステップ）
Ｓ２　特定部位反応検出処理（特定部位反応検出ステップ）
Ｓ３　応答パターン判定処理（応答パターン判定ステップ）
Ｓ１１　学習用データ記憶処理（学習用データ記憶ステップ）
Ｓ１２　特徴量抽出処理（特徴量抽出ステップ）
Ｓ１３　特徴量学習処理（特徴量学習ステップ）
Ｓ２１　クラスタリング処理（クラスタリングステップ）
Ｓ２２　画像抽出処理（画像抽出ステップ）
Ｓ２３　エッジ抽出処理（エッジ抽出ステップ）
Ｓ２４　フラクタル解析処理（フラクタル解析ステップ）

Claims

　被検者の生体情報を非接触状態で取得する生体情報取得部と、
　前記生体情報と予め特定された応答パターンとに基づいて被験者のストレス対処様式を判定する判定部と、を有し、
　前記応答パターンは、血行力学パラメータにより特定されることを特徴とするストレス対処様式判定システム。
　前記血行力学パラメータは、平均血圧、心拍数、心拍出量、一回拍出量及び全末梢抵抗のうちの複数のパラメータを含むことを特徴とする請求項１に記載のストレス対処様式判定システム。
　前記生体情報は、顔面画像であることを特徴とする請求項１または２に記載のストレス対処様式判定システム。
　前記顔面画像は、顔面熱画像または顔面可視画像であることを特徴とする請求項３に記載のストレス対処様式判定システム。
　前記判定部は、前記顔面画像に含まれる顔面の特定部位のストレス応答を観察することにより被験者のストレス対処様式を判定することを特徴とする請求項３または４に記載のストレス対処様式判定システム。
　前記応答パターンには、「能動的対処」、「受動的対処」及び「対処なし」の三種類のパターンが含まれることを特徴とする、請求項５に記載のストレス対処様式判定システム。
　前記判定部は、「能動的対処」に対応する空間的特徴量、「受動的対処」に対応する空間的特徴量及び「対処なし」に対応する空間的特徴量を記憶している判定用特徴量記憶部を有し、
　前記生体情報と前記判定用特徴量記憶部に記憶されている各空間的特徴量とに基づいて、前記ストレス対処様式が「能動的対処」、「受動的対処」及び「対処なし」のうちのいずれのパターンを示す様式であるか判定することを特徴とする、請求項６に記載のストレス対処様式判定システム。
　前記判定用特徴量記憶部に記憶されている特徴量は、機械学習部により抽出された特徴量であり、
　前記機械学習部は、
　「能動的対処」、「受動的対処」及び「対処なし」のそれぞれに対応してラベル付けされた複数の学習用顔面画像を記憶している学習用データ記憶部と、
　前記学習用顔面画像から前記顔面画像の空間的特徴量を学習済モデルを用いて抽出する特徴量抽出部と、
　前記特徴量抽出部による抽出結果とその抽出対象とされた前記学習用顔面画像に付されているラベルとの関係に基づいて、前記特徴量抽出部による前記空間的特徴量の抽出精度が高くなるように前記学習済モデルのネットワークパラメータを変更する特徴量学習部と、を有することを特徴とする請求項７に記載のストレス対処様式判定システム。
　前記空間的特徴量は、被検者の顔面画像に基づいて算出されるフラクタル次元であることを特徴とする、請求項７又は８に記載のストレス対処様式判定システム。
　コンピュータを被検者のストレス対処様式を判定する手段として機能させるためのプログラムであって、
　「能動的対処」に対応する空間的特徴量、「受動的対処」に対応する空間的特徴量及び「対処なし」に対応する空間的特徴量を記憶する判定用特徴量記憶ステップと、
　被検者の顔面画像と前記判定用特徴量記憶ステップにより記憶した各空間的特徴量とに基づいて、被検者のストレス対処様式が「能動的対処」、「受動的対処」及び「対処なし」のうちのいずれの応答パターンを示す様式であるか判定する判定ステップと、を有し、
　前記応答パターンは、血行力学パラメータにより特定されることを特徴とするプログラム。
　「能動的対処」、「受動的対処」及び「対処なし」のそれぞれに対応してラベル付けされた複数の学習用顔面画像を記憶する学習用データ記憶ステップと、
　前記学習用顔面画像の空間的特徴量を学習済モデルを用いて抽出する特徴量抽出ステップと、
　前記特徴量抽出ステップによる抽出結果とその抽出対象とされた前記学習用顔面画像に付されているラベルとの関係に基づいて、前記特徴量抽出ステップによる前記空間的特徴量の抽出精度が高くなるように前記学習済モデルのネットワークパラメータを変更する学習ステップと、を有し、
　前記判定用特徴量記憶ステップは、前記特徴量抽出ステップにより抽出した前記空間的特徴量を記憶するステップであることを特徴とする、請求項９に記載のプログラム。
　前記空間的特徴量は、被検者の顔面画像に基づいて算出されるフラクタル次元であることを特徴とする、請求項１０又は１１に記載のプログラム。
　被検者の生体情報を非接触状態で取得する生体情報取得ステップと、
　前記生体情報と予め特定された応答パターンとに基づいて被験者のストレス対処様式を判定する判定ステップと、を有し、
　前記応答パターンは、血行力学パラメータにより特定されることを特徴とするストレス対処様式判定方法。
　血行力学パラメータにより特定される応答パターンに対応してラベル付けされた複数の学習用顔面画像を記憶している学習用データ記憶部と、
　前記学習用顔面画像から被験者の顔面画像の空間的特徴量を学習済モデルを用いて抽出する特徴量抽出部と、
　前記特徴量抽出部による抽出結果とその抽出対象とされた前記学習用顔面画像に付されているラベルとの関係に基づいて、前記特徴量抽出部による前記空間的特徴量の抽出精度が高くなるように前記学習済モデルのネットワークパラメータを変更する特徴量学習部と、を有することを特徴とする学習装置。
　前記空間的特徴量は、被検者の顔面画像に基づいて算出されるフラクタル次元であることを特徴とする、請求項１４に記載の学習装置。
　血行力学パラメータにより特定される応答パターンに対応してラベル付けされた複数の学習用顔面画像を記憶する学習用データ記憶ステップと、
　前記学習用顔面画像から被験者の顔面画像の空間的特徴量を学習済モデルを用いて抽出する特徴量抽出ステップと、
　前記特徴量抽出ステップによる抽出結果とその抽出対象とされた前記学習用顔面画像に付されているラベルとの関係に基づいて、前記特徴量抽出ステップによる前記空間的特徴量の抽出精度が高くなるように前記学習済モデルのネットワークパラメータを変更する特徴量学習ステップと、を有することを特徴とする学習方法。
　前記空間的特徴量は、被検者の顔面画像に基づいて算出されるフラクタル次元であることを特徴とする、請求項１６に記載の学習方法。
　コンピュータを被験者の顔面画像の空間的特徴量を学習する手段として機能させるためのプログラムであって、
　血行力学パラメータにより特定される応答パターンに対応してラベル付けされた複数の学習用顔面画像を記憶する学習用データ記憶ステップと、
　前記学習用顔面画像から被験者の顔面画像の空間的特徴量を学習済モデルを用いて抽出する特徴量抽出ステップと、
　前記特徴量抽出ステップによる抽出結果とその抽出対象とされた前記学習用顔面画像に付されているラベルとの関係に基づいて、前記特徴量抽出ステップによる前記空間的特徴量の抽出精度が高くなるように前記学習済モデルのネットワークパラメータを変更する特徴量学習ステップと、を有することを特徴とするプログラム。
　前記空間的特徴量は、被検者の顔面画像に基づいて算出されるフラクタル次元であることを特徴とする、請求項１８に記載のプログラム。
　血行力学パラメータにより特定される応答パターンに対応してラベル付けされた複数の学習用顔面画像を教師データに用いて、被験者の顔面画像の空間的特徴量を機械学習することにより生成されることを特徴とする学習済モデル。
　前記空間的特徴量は、被検者の顔面画像に基づいて算出されるフラクタル次元であることを特徴とする、請求項２０に記載の学習済モデル。