WO2022004841A1 - 推定システム、推定方法、プログラム、推定モデル、脳活動トレーニング装置、脳活動トレーニング方法、および、脳活動トレーニングプログラム - Google Patents

推定システム、推定方法、プログラム、推定モデル、脳活動トレーニング装置、脳活動トレーニング方法、および、脳活動トレーニングプログラム Download PDF

Info

Publication number
WO2022004841A1
WO2022004841A1 PCT/JP2021/024927 JP2021024927W WO2022004841A1 WO 2022004841 A1 WO2022004841 A1 WO 2022004841A1 JP 2021024927 W JP2021024927 W JP 2021024927W WO 2022004841 A1 WO2022004841 A1 WO 2022004841A1
Authority
WO
WIPO (PCT)
Prior art keywords
disease
likeness
measurement data
functional
subject
Prior art date
Application number
PCT/JP2021/024927
Other languages
English (en)
French (fr)
Inventor
剛史 小川
竜太 玉野
一晃 川鍋
光男 川人
Original Assignee
株式会社国際電気通信基礎技術研究所
塩野義製薬株式会社
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 株式会社国際電気通信基礎技術研究所, 塩野義製薬株式会社 filed Critical 株式会社国際電気通信基礎技術研究所
Priority to CN202180046953.XA priority Critical patent/CN115996667A/zh
Priority to US18/014,033 priority patent/US20230293036A1/en
Priority to JP2022534109A priority patent/JP7465970B2/ja
Priority to EP21831592.7A priority patent/EP4176805A1/en
Publication of WO2022004841A1 publication Critical patent/WO2022004841A1/ja

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/375—Electroencephalography [EEG] using biofeedback
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements

Definitions

  • the present invention relates to a technique for estimating disease-likeness based on measurement data related to brain activity.
  • fMRI functional magnetic resonance imaging
  • EEG electromagnetic field measurement method
  • electroencephalogram hereinafter, also abbreviated as "EEG”
  • EEG electromagnetic field measurement method
  • fMRI electroencephalogram
  • signal changes (time waveforms) measured by EEG are collectively referred to as “electroencephalograms”.
  • an estimation model is created using measurement data obtained by simultaneously performing EEG and fMRI at rest (hereinafter, also abbreviated as “EEG / fMRI simultaneous measurement data”).
  • EEG is advantageous over other measurement methods in terms of portability, portability, price, popularity, and the like. Therefore, by adopting the method disclosed in Patent Document 1 or the like, the cost can be reduced and the feasibility of the neurofeedback training can be enhanced.
  • An estimation system includes an acquisition means for acquiring measurement data of brain waves simultaneously measured from a subject and measurement data of functional magnetic resonance imaging.
  • the electroencephalogram measurement data includes time waveforms for each of a plurality of channels corresponding to the plurality of sensors placed on the head of the subject.
  • the estimation system is included in the measurement data of the functional magnetic resonance imaging method and the first calculation means for calculating the first functional coupling for each channel combination based on the correlation between the channels included in the measurement data of the brain wave.
  • a second calculation means for calculating a second functional connection for each brain network based on the correlation between the regions of interest, and a score indicating the disease-likeness of the estimation target using a plurality of the second functional connections.
  • the estimation system may further include an estimation means for estimating the disease-likeness of the subject by inputting the measurement data of the brain waves measured from the subject into the estimation model.
  • the estimation system may further include a presentation means for calculating a second score according to the estimated disease-likeness of the subject and presenting information according to the calculated second score to the subject.
  • the estimation model may be prepared separately for each disease. At this time, the subject may be applied with an estimation model corresponding to the disease appearing in the subject.
  • Changes in the subject's symptoms may be evaluated based on a second score according to the presumed subject's disease-likeness.
  • the third calculation means calculates the score indicating the disease-likeness based on the sum of the weighting parameters corresponding to the plurality of second functional bonds associated with the disease-likeness to be estimated. May be good.
  • the third calculation means may calculate the disease-likeness label by normalizing the score indicating the disease-likeness and then performing the threshold value processing.
  • the estimation model includes information for selecting the first functional bond to be used for estimation among the first functional bonds for each channel combination, and the weighting parameter associated with the selected first functional bond. May be included.
  • the first calculation means may calculate the first functional coupling from the correlation value between the time waveforms in the section included in the window commonly set for the time waveforms of the brain waves of the two target channels. good.
  • the first calculation means may calculate the first functional coupling for each frequency band included in the electroencephalogram measurement data and / or for each window size of the window to be set.
  • the estimation system may further include a condition setting means for predetermining the frequency band and / or the window size included in the electroencephalogram measurement data input to the estimation model according to the subject.
  • the second calculation means is to calculate the second functional coupling from the correlation value between the time waveforms in the interval included in the window commonly set for the time waveform indicating the activity amount of the two target regions of interest. You may do it.
  • the estimation method includes a step of acquiring measurement data of brain waves simultaneously measured from a subject and measurement data of functional magnetic resonance imaging.
  • the electroencephalogram measurement data includes time waveforms for each of a plurality of channels corresponding to the plurality of sensors placed on the head of the subject.
  • the estimation method is a step of calculating the first functional coupling for each channel combination based on the correlation between the channels included in the measurement data of the brain wave, and between the regions of interest included in the measurement data of the functional magnetic resonance imaging method.
  • a program causes a computer to perform a step of acquiring measurement data of brain waves simultaneously measured from a subject and measurement data of functional magnetic resonance imaging.
  • the electroencephalogram measurement data includes time waveforms for each of a plurality of channels corresponding to the plurality of sensors placed on the head of the subject.
  • the program tells the computer the steps to calculate the first functional coupling for each channel combination based on the correlation between the channels contained in the EEG measurement data, and the interest contained in the functional magnetic resonance imaging measurement data.
  • By calculating the second functional connection for each brain network based on the correlation between regions, and by calculating the score indicating the disease-likeness of the estimation target using multiple second functional connections.
  • To estimate disease-likeness using a predetermined first functional binding by machine learning using the step of calculating the disease-like label and the first functional binding and the disease-likeness label for each channel combination. Perform the steps to determine the estimation model.
  • a trained estimation model for estimating the disease-likeness of a subject is provided using the measurement data of the electroencephalogram measured from the subject.
  • the process of constructing the estimation model includes the step of acquiring the measurement data of the electroencephalogram measured simultaneously from the subject and the measurement data of the functional magnetic resonance imaging method.
  • the electroencephalogram measurement data includes time waveforms for each of a plurality of channels corresponding to the plurality of sensors placed on the head of the subject.
  • the process of constructing the estimation model is included in the step of calculating the first functional coupling for each channel combination based on the correlation between the channels included in the EEG measurement data, and in the measurement data of the functional magnetic resonance imaging method.
  • a brain activity training device for performing neurofeedback training.
  • the brain activity training device is a storage device that stores an estimation model for estimating the subject's disease-likeness, which was generated before the execution of the neurofeedback training, and is for measuring the measurement data of the subject's brain waves in the neurofeedback training.
  • the electroencephalogram measurement data includes time waveforms for each of a plurality of channels corresponding to the plurality of sensors placed on the head of the subject.
  • the brain activity training device calculates the disease-likeness of the subject using an estimation model based on the measurement data from the electroencephalograph in the presentation device and the neurofeedback training, and outputs a signal for display corresponding to the disease-likeness.
  • the estimation model is based on the process of acquiring the electroencephalogram measurement data measured simultaneously from the subject and the measurement data of the functional magnetic resonance imaging, and the correlation between the channels included in the electroencephalogram measurement data.
  • the process of calculating the disease-likeness label by calculating the score indicating the disease-likeness of the estimation target using a plurality of the functional connections of 2 and the first functional connection and the disease-likeness label for each channel combination are used. It is generated by the process of determining the estimation model by estimating the disease-likeness using the predetermined first functional coupling by the machine learning.
  • the electroencephalogram measurement data measured at the same time includes a time waveform for each channel corresponding to each channel of the electroencephalogram measurement data measured in the neurofeedback training.
  • a brain activity training method for performing neurofeedback training includes a step of acquiring an estimation model for estimating the disease-likeness of the subject generated before the execution of the neurofeedback training, and a step of measuring the measurement data of the subject's brain wave in the neurofeedback training.
  • the electroencephalogram measurement data includes time waveforms for each of a plurality of channels corresponding to the plurality of sensors placed on the head of the subject.
  • the brain activity training method is a step in neurofeedback training in which a subject's disease-likeness is calculated using an estimation model based on brain wave measurement data, and a signal for display corresponding to the disease-likeness is output to a presentation device. including.
  • the step of acquiring the estimation model is based on the process of acquiring the measurement data of the EEG measured simultaneously from the subject and the measurement data of the functional magnetic resonance imaging, and the correlation between the channels included in the measurement data of the brain wave.
  • the second functional coupling is calculated for each brain network.
  • a step of calculating the disease-likeness label by calculating a score indicating the disease-likeness of the estimation target using a step and a plurality of second functional connections, and a first functional connection and disease-likeness for each channel combination.
  • the electroencephalogram measurement data measured at the same time includes a time waveform for each channel corresponding to each channel of the electroencephalogram measurement data measured in the neurofeedback training.
  • a brain activity training program for performing neurofeedback training.
  • the brain activity training program stores in a computer an estimation model for estimating the subject's disease-likeness, which was generated before the execution of the neurofeedback training, and acquires the measurement data of the subject's brain waves in the neurofeedback training.
  • the electroencephalogram measurement data includes time waveforms for each of a plurality of channels corresponding to the plurality of sensors placed on the head of the subject.
  • the brain activity training program calculates the disease-likeness of the subject using an estimation model based on the measured data of the brain waves in the neurofeedback training, and outputs a signal for display corresponding to the disease-likeness to the presentation device. To execute the steps to be performed.
  • the estimation model is based on the process of acquiring the electroencephalogram measurement data measured simultaneously from the subject and the measurement data of the functional magnetic resonance imaging, and the correlation between the channels included in the electroencephalogram measurement data.
  • the process of calculating the disease-likeness label by calculating the score indicating the disease-likeness of the estimation target using a plurality of the functional connections of 2 and the first functional connection and the disease-likeness label for each channel combination are used. It is generated by the process of determining the estimation model by estimating the disease-likeness using the predetermined first functional coupling by the machine learning.
  • the electroencephalogram measurement data measured at the same time includes a time waveform for each channel corresponding to each channel of the electroencephalogram measurement data measured in the neurofeedback training.
  • any disease associated with a plurality of brain networks can be estimated more easily.
  • SCZ schizophrenia
  • MDD depression
  • FIG. 1 and 2 are schematic views showing an outline of an estimation method according to the present embodiment.
  • FIG. 1 shows an outline of a process for determining an estimation model (learning phase)
  • FIG. 2 shows an outline of a process for estimating disease-likeness (estimation phase) using the determined estimation model.
  • disease is a term that includes not only pathological symptoms that occur in humans but also any mental or physical symptoms that are different from the conditions that appear in standard humans. The symptoms that appear in this case are also called “disease-like symptoms.” “Disease-likeness” means that the subject may have symptoms corresponding to the subject's “disease” (probability), and the subject may have symptoms corresponding to the subject's “disease”. It is a term that includes (probability).
  • the “estimation model” is not limited to the estimation of these possibilities, and the healthy person has a brain activity having a gap of a predetermined degree or more from the standard "healthy brain activity state". In some cases, the possibility of the state (degree of gap) may be estimated. That is, an “estimation model” may be used to estimate the relative state of brain activity.
  • the term “functional connection” is a term that includes an index indicating the degree of functional connection between regions in the brain.
  • the “functional coupling” can be calculated by any method using the data measured by any measurement method. Unless the specific measurement data and the specific calculation method are specified in the present specification, the calculation method of "functional coupling” is not limited.
  • EEG and fMRI are simultaneously performed on the same subject at rest, and EEG / fMRI simultaneous measurement data is acquired ((1)). EEG / fMRI simultaneous measurement).
  • EEG measurement data the data obtained by EEG
  • fMRI measurement data the data obtained by fMRI
  • the EEG / fMRI simultaneous measurement data includes the electroencephalogram measurement data (EEG measurement data) simultaneously measured from the subject and the measurement data (fMRI measurement data) of the functional magnetic resonance imaging method.
  • Each sensor is typically composed of a pair of electrodes.
  • Each sensor is also referred to as a channel, and the EEG measurement data corresponds to a multi-channel brain wave. That is, the EEG measurement data includes time waveforms for each of a plurality of channels corresponding to the plurality of sensors placed on the head of the subject.
  • the functional coupling in each frequency band is calculated ((2) the functional coupling (FC) is calculated).
  • FC Functional coupling
  • FC Functional coupling
  • EEG which is a measured value of the voltage generated by the electric activity of the brain
  • MEG magnetoencephalography
  • the fMRI measurement data is used to estimate the subject's disease-likeness from a specific brain network.
  • a brain network is also called a resting state network (RSN), and a signal source belonging to a single brain region or a signal source belonging to multiple spatially separated brain regions cooperates. Is a general term for characteristic brain activity patterns. Brain networks are primarily defined using resting fMRI.
  • the resting network includes (1) Control Network (CON), (2) Dorsal Attention Network (DAN), and (3) Default Mode Network (DMN). ), (4) Cerebral marginal system (LIM), (5) Somatomotor Network (SMN), (6) Ventral Attention Network (VAN), and (7) Visual network (7) Seven types of Visual Network (VIS) are known.
  • CON Control Network
  • DAN Dorsal Attention Network
  • DNN Default Mode Network
  • LIM Cerebral marginal system
  • Somatomotor Network Somatomotor Network
  • VAN Ventral Attention Network
  • VIS Visual network (7) Seven types of Visual Network (VIS) are known.
  • the (1) control network may be referred to as the frontal parietal network, and the (6) ventral attention network (VAN) may be referred to as the salency network. There is also.
  • the above-mentioned resting network may be divided into several subnetworks. More specifically, (1) the control network (CON) is divided into three subnetworks, (3) the default mode network (DMN) is divided into four subnetworks, and the other networks are all divided. Divided into two subnetworks.
  • the disease-likeness of a subject can be estimated based on one or more specific brain networks known in advance for each disease. Therefore, in the estimation method according to the present embodiment, the disease-likeness of the subject is estimated based on one or more specific brain networks ((3) the disease-likeness is estimated from a plurality of brain networks).
  • the estimation result is also referred to as "disease-likeness label" (label).
  • the disease-likeness label takes one of a plurality of values (levels).
  • the input of EEG measurement data determines an estimation model for estimating the subject's disease-likeness ((((). 4) Determination of estimation model).
  • the estimation model corresponds to a kind of trained model.
  • the EEG measurement data measured by the EEG from the subject is input to the determined estimation model 10, and the estimation result of the subject's disease-likeness is output.
  • the estimation model 10 also includes a function of selecting information suitable for estimating disease-likeness from the EEG measurement data measured by the EEG from the subject.
  • the state of the subject's disease-likeness can be sequentially estimated, so that, for example, neurofeedback can be realized at low cost.
  • the estimation model since the estimation model has target specificity, the estimation model is prepared for each disease. Then, an estimation model corresponding to the disease appearing in the subject will be applied.
  • FIG. 3 is a schematic diagram showing a hardware configuration example of the disease-likeness estimation system 1 according to the present embodiment.
  • the estimation system 1 includes a processing device 100, an EEG device 200, and an fMRI device 300.
  • the processing device 100 acquires electroencephalogram measurement data (EEG measurement data) and functional magnetic resonance imaging measurement data (fMRI measurement data) simultaneously measured from the subject. More specifically, the processing device 100 receives the EEG measurement data measured by the EEG device 200 and the fMRI measurement data measured by the fMRI device 300, and determines an estimation model for estimating the disease-likeness.
  • EEG measurement data electroencephalogram measurement data
  • fMRI measurement data functional magnetic resonance imaging measurement data
  • the EEG device 200 detects a signal (electrical signal) indicating an electroencephalogram generated by a plurality of sensors 220 arranged on the head of the subject S.
  • the EEG device 200 includes a multiplexer 202, a noise filter 204, an A / D (Analog to Digital) converter 206, a storage unit 208, and an interface 210.
  • the multiplexer 202 sequentially selects one set of cables from the cables 222 connected to the plurality of sensors 220, and electrically connects them to the noise filter 204.
  • the noise filter 204 is a filter for removing noise such as a high frequency cut filter, and removes a noise component contained in a signal (electrical signal) indicating an electroencephalogram generated between a set of cables corresponding to the selected channel.
  • the A / D converter 206 samples the electric signal (analog signal) output from the noise filter 204 at predetermined intervals and outputs it as a digital signal.
  • the storage unit 208 sequentially stores the time-series data (digital signal) output from the A / D converter 206 in association with information indicating the selected channel and timing (for example, time or counter value).
  • the interface 210 outputs time-series data indicating an electroencephalogram stored in the storage unit 208 to the processing device 100 in response to an access from the processing device 100 or the like.
  • the fMRI apparatus 300 applies a high-frequency electromagnetic field having a resonance frequency toward a region (hereinafter, also referred to as a “region of interest”) for which information on the brain activity of the subject S is desired to be acquired, thereby applying a specific nuclear nucleus (for example, for example). Brain activity is measured by detecting electromagnetic waves generated by resonance from (hydrogen nuclei).
  • the fMRI apparatus 300 includes a magnetic field application mechanism 310, a reception coil 302, a drive unit 320, and a data processing unit 350.
  • the magnetic field application mechanism 310 applies a controlled magnetic field (static magnetic field and gradient magnetic field) to the region of interest of the subject S, and irradiates an RF (Radio Frequency) pulse. More specifically, the magnetic field application mechanism 310 includes a static magnetic field generation coil 312, a gradient magnetic field generation coil 314, an RF irradiation unit 316, and a sleeper 318 on which the subject S is placed in the bore.
  • a controlled magnetic field static magnetic field generation coil 312
  • a gradient magnetic field generation coil 314 an RF irradiation unit 316
  • a sleeper 318 on which the subject S is placed in the bore.
  • the drive unit 320 is connected to the magnetic field application mechanism 310 and controls the transmission and reception of the magnetic field applied to the subject S and the RF pulse wave. More specifically, the drive unit 320 includes a static magnetic field power supply 322, a gradient magnetic field power supply 324, a signal transmission unit 326, a signal reception unit 328, and a bed drive unit 330.
  • the central axis of the cylindrical bore on which the subject S is placed is defined as the Z axis
  • the horizontal and vertical directions orthogonal to the Z axis are defined as the X axis and the Y axis, respectively.
  • the static magnetic field generation coil 312 generates a static magnetic field in the Z-axis direction in the bore from a spiral coil wound around the Z-axis.
  • the gradient magnetic field generating coil 314 includes an X coil, a Y coil, and a Z coil (not shown) that generate gradient magnetic fields in the X-axis direction, the Y-axis direction, and the Z-axis direction in the bore, respectively.
  • the RF irradiation unit 316 irradiates the region of interest of the subject S with an RF pulse based on the high frequency signal transmitted from the signal transmission unit 326 according to the control sequence.
  • FIG 3 illustrates a configuration in which the RF irradiation unit 316 is built in the magnetic field application mechanism 310, but the RF irradiation unit 316 may be provided on the bed 318 side, and the RF irradiation unit 316 and the receiving coil 302 may be provided. It may be integrated.
  • the receiving coil 302 receives the electromagnetic wave (NMR signal) emitted from the subject S and outputs an analog signal.
  • the analog signal output from the receiving coil 302 is amplified and A / D converted in the signal receiving unit 328, and then output to the data processing unit 350.
  • the receiving coil 302 is preferably arranged close to the subject S so that the NMR signal can be detected with high sensitivity.
  • the data processing unit 350 sets a control sequence for the driving unit 320, and outputs a plurality of brain activity pattern images indicating the activity in the brain as information indicating the brain activity from the NMR signal received by the receiving coil 302. ..
  • the data processing unit 350 includes a control unit 351, an input unit 352, a display unit 353, a storage unit 354, an image processing unit 356, a data collection unit 357, and an interface 358.
  • the data processing unit 350 may be a dedicated computer or a general-purpose computer that realizes predetermined processing by executing a control program stored in a storage unit 354 or the like.
  • the control unit 351 controls the operation of each functional unit such as generating a control sequence for driving the drive unit 320.
  • the input unit 352 receives various operations and information input from an operator (not shown).
  • the display unit 353 displays various images and various information regarding the region of interest of the subject S on the screen.
  • the storage unit 354 stores control programs, parameters, image data (three-dimensional model image, etc.), other electronic data, and the like for executing processing related to fMRI.
  • the image processing unit 356 generates a plurality of brain activity pattern images based on the detected NMR signal data.
  • the interface 358 exchanges various signals with the drive unit 320.
  • the data collection unit 357 collects data consisting of a group of NMR signals derived from the region of interest.
  • FIG. 4 is a schematic diagram showing a hardware configuration example of the processing device 100 constituting the estimation system 1 that realizes the estimation method according to the present embodiment.
  • the processing device 100 can typically employ a computer that follows a general-purpose architecture.
  • the processing unit 100 has, as main components, a processor 102, a main storage unit 104, a control interface 106, a network interface 108, an input unit 110, a display unit 112, and a secondary storage unit. Includes 120 and.
  • the processor 102 is composed of arithmetic processing circuits such as a CPU (Central Processing Unit) and a GPU (Graphical Processing Unit), and by executing the codes included in various programs stored in the secondary storage unit 120 in a specified order. , Realizes various functions described later.
  • the main storage unit 104 is composed of a DRAM (Dynamic Random Access Memory) or the like, and holds the code of the program executed by the processor 102 and various work data necessary for executing the program.
  • the processing device 100 has a communication function, and this communication function is mainly provided by the control interface 106 and the network interface 108.
  • the control interface 106 exchanges data with the data processing unit 350 of the fMRI apparatus 300.
  • the network interface 108 exchanges data with an external device (for example, a data server device on the cloud).
  • the control interface 106 and the network interface 108 are composed of arbitrary communication components such as a wired LAN (Local Area Network), a wireless LAN, a USB (Universal Serial Bus), and Bluetooth (registered trademark).
  • the input unit 110 is typically composed of a mouse, a keyboard, or the like, and accepts operations from the user.
  • the display unit 112 is typically composed of a display or the like, and notifies the user of various information related to the execution state and operation of the process in the processing device 100.
  • the secondary storage unit 120 is typically composed of a hard disk, SSD (Solid State Drive), or the like, and holds various programs executed by the processor 102, various data required for processing, setting values, and the like. More specifically, the secondary storage unit 120 stores the EEG measurement data 20, the fMRI measurement data 30, the estimation model determination program 121, the estimation program 122, and the estimation model parameter 124.
  • SSD Solid State Drive
  • FIG. 5 is a diagram for explaining a process of determining an estimation model in the estimation method according to the present embodiment.
  • FIG. 6 is a diagram showing an example of data processing for determining an estimation model in the estimation method according to the present embodiment.
  • the EEG measurement data 20 is a set of signal changes (time waveforms) indicating brain waves measured for each channel (sensor).
  • the EEG measurement data 20 is converted into a time waveform 22 of power for each frequency band by preprocessing (corresponding to (1) preprocessing in FIG. 6).
  • the time waveform 22 of the power means that the average value of the amplitude squared values of the corresponding frequency components included in the EEG measurement data 20 is sequentially calculated for each unit time.
  • the EEG measurement data 20 (time waveform) is frequency-converted and the amplitude for each frequency is calculated. Then, the power can be calculated by selecting one or a plurality of frequencies included in the designated frequency band, squared the amplitude of the selected one or a plurality of frequencies, and calculating the average value.
  • frequency analysis may be performed after downsampling to a predetermined sampling frequency.
  • downsampling may be performed so that the sampling frequency is 1 / TR [Hz] so as to correspond to the irradiation cycle (TR: repetition time) of the RF pulse of fMRI.
  • the time waveform 22 of the power of the number of channels N ⁇ the number of frequency bands M is generated by the preprocessing.
  • the frequency band includes, for example, theta wave ( ⁇ wave: 4-8 Hz), alpha wave ( ⁇ wave: 8-12 Hz), low beta (low ⁇ wave: 12-20 Hz), and high beta (high ⁇ wave:). 20-30Hz) can be mentioned.
  • the time correlation of the power time waveform 22 is calculated between different channels for the same frequency band (corresponding to (2) time correlation calculation in FIG. 6).
  • time correlation means a correlation value between time waveforms and a time waveform of the correlation value in the section included in the window 26 commonly set for a plurality of time waveforms.
  • a time correlation is calculated between the time waveforms 22 of the two powers.
  • the time correlation means a time waveform having a correlation value focusing on the time width of the window 26 set for the time waveforms 22 of the two powers. That is, the functional coupling (FC) is calculated from the correlation value between the time waveforms in the section included in the window 26 commonly set for the time waveforms of the brain waves of the two target channels.
  • the window 26 has a predetermined window size (time width), and the set position of the window 26 (time interval from the start time to the end time) is sequentially shifted by the step size, and each set position of the window 26 is sequentially shifted.
  • the time waveform 24 of the EEG time correlation can be calculated.
  • the calculated time waveform 24 of the EEG time correlation corresponds to FC.
  • the functional coupling is calculated for each channel combination (each channel pair) based on the correlation between the channels included in the EEG measurement data 20.
  • the time waveform 24 of the EEG time correlation is calculated for each frequency band. That is, a time waveform 24 having an EEG time correlation with a frequency band number M is generated.
  • window size (time width) of the window 26 to be set may be different, and the time waveform 24 of the EEG time correlation may be calculated for each.
  • the time waveform 24 of the EEG time correlation in which the channel pair, the frequency band, and the window size are different may be used.
  • the time waveform 24 of the EEG time correlation is output as a vector of channel combination (channel pair) dimension ⁇ (number of time steps according to window 26) dimension for each frequency band and / or each window size. Will be done.
  • the functional coupling may be calculated for each frequency band included in the EEG measurement data 20 and / or for each window size of the window 26 to be set.
  • the fMRI measurement data 30 (that is, the brain activity pattern image) is a set of brain activity pattern images acquired for each RF pulse irradiation cycle.
  • the fMRI measurement data 30 is a set of brain activity pattern images acquired for each RF pulse irradiation cycle.
  • One or more regions corresponding to each of such brain networks correspond to "Region Of Interest” (hereinafter, also abbreviated as "ROI").
  • the activity of each brain network is defined by the combination of two ROIs.
  • the BOLD signal 32 for each ROI is calculated by preprocessing (corresponding to (1') preprocessing in FIG. 6).
  • the BOLD signal means a temporal change in the amount of activity depending on the blood oxygen concentration for each ROI. More specifically, in the preprocessing for the fMRI measurement data 30, the BOLD signal is calculated based on the image feature amount corresponding to the ROI included in the brain activity pattern image.
  • the time correlation of the BOLD signal 32 is calculated between the ROIs corresponding to each brain network (corresponding to the calculation of the (2') time correlation in FIG. 6).
  • a time correlation is calculated between the two BOLD signals 32.
  • the time correlation means a time waveform of a correlation value focusing on the time width of the window 26 set for the two BOLD signals 32. That is, the functional coupling (FC') is calculated from the correlation value between the time waveforms in the section included in the window 26 commonly set for the time waveform indicating the activity amount of the two ROIs of interest.
  • the window 26 has a predetermined window size (time width), and the set position of the window 26 (time interval from the start time to the end time) is sequentially shifted by the step size, and each set position of the window 26 is sequentially shifted.
  • time waveform 34 of the BOLD time correlation is a temporal change in the correlation value and corresponds to a functional coupling (FC').
  • the time waveform 34 of the BOLD time correlation can be calculated for each ROI combination, that is, the target brain network.
  • functional coupling FC' is calculated for each brain network based on the correlation between ROIs included in the fMRI measurement data 30.
  • “Dynamic” in FIG. 5 means that a value is calculated for each window of interest, and “Static” means that a single value is calculated throughout the entire period. Therefore, “Static FC” in FIG. 5 means a correlation value (single functional combination) over the entire period.
  • the disease to be estimated is used by using the time waveform 34 of the BOLD time correlation corresponding to a plurality of brain networks associated with the disease likeness of the estimation target by using such prior information.
  • the WLS36 which is a score indicating the peculiarity, is calculated. More specifically, the WLS36 is calculated by multiplying and adding the corresponding weighting parameters to the time waveforms 34 (FC') of a plurality of target BOLD time correlations.
  • Such a calculation method is known as a WLS (Weighted Linear Summation) method.
  • WLS36 which is a score indicating the disease-likeness, is based on the sum of multiplying the plurality of functional couplings (time waveform 34 of the BOLD time correlation) associated with the disease-likeness to be estimated by the weighting parameters corresponding to each. Is calculated.
  • the disease-likeness label 38 is calculated by calculating the score (WLS36) indicating the disease-likeness of the estimation target by using a plurality of time waveforms 34 (FC') of the BOLD time correlation.
  • the score (WLS36) indicating the disease-likeness is normalized and then the threshold value is processed to calculate the disease-like label 38 (label). For example, when the binarization process is adopted as the threshold value process, the disease-likeness label 38 indicates “0” which means soundness or “1” which means disease.
  • the disease-likeness label 38 is output as a vector of one dimension ⁇ (the number of settings in the window 26) dimension for the disease-likeness to be estimated.
  • the disease-likeness label 38 is an explained variable.
  • the estimation model defines the relationship between the time waveform 24 (FC) of the EEG time correlation, which is an explanatory variable, and the disease-likeness label 38 (label), which is an explained variable.
  • FC time waveform 24
  • label disease-likeness label 38
  • the estimation method among the feature quantities included in the time waveform 24 of the EEG time correlation, which is a multidimensional vector, those suitable for estimating the disease-likeness label 38 are selected.
  • the disease-likeness is estimated using the information of the selected features (time correlation calculated sequentially).
  • the time waveform 24 (FC) of the EEG time correlation is used.
  • An estimation model for estimating disease-likeness is determined.
  • the dimension can be compressed and reduced, thereby reducing the calculation amount related to the estimation.
  • the estimation process can be speeded up.
  • SLR Sese Logistic Regression
  • the time waveform 24 of the EEG time correlation is input to the machine learning algorithm SLR as an explanatory variable (corresponding to the input corresponding to (3) SLR in FIG. 6), and the disease-likeness label 38 is used as an explained variable.
  • Is input to the machine learning algorithm SLR (corresponds to the input to (4') SLR in FIG. 6). Then, by machine learning, a feature amount suitable for estimating the disease-likeness label 38 is selected.
  • FIG. 7 is a diagram for explaining an outline of an estimation model determined by the estimation method according to the present embodiment.
  • the time waveform 24 of the EEG time correlation is a feature quantity group according to the number of EEG channels for each frequency band.
  • the EEG time correlation time waveform 24 is also calculated for each window size.
  • the weighting parameter W i is, the larger feature value F i suitable for estimation of disease likelihood label 38, a large value may be set.
  • weighting parameter W i corresponding to the selected and selected feature amount F i of the feature quantity
  • estimation model is determined, each channel combining the time waveform of EEG time correlation for the estimation of the time waveform of the EEG time correlation (each channel pair) 24 (FC) 24 (feature amount F i) It includes information for selecting, and weighting parameters W i associated with the time waveform 24 of the EEG time correlation that is selected.
  • the subject's disease-likeness is sequentially estimated from only the EEG measurement data 20 using the feature amount and the corresponding weighting parameter determined by the procedure as described above.
  • FIG. 8 is a flowchart showing a processing procedure of the estimation method according to the present embodiment. Some steps shown in FIG. 8 may be realized by executing a program in the processing apparatus 100.
  • EEG and fMRI are simultaneously measured, and EEG measurement data 20 and fMRI measurement data 30 are acquired (step S100). That is, the processing device 100 acquires the electroencephalogram measurement data (EEG measurement data 20) and the fMRI measurement data (fMRI measurement data 30) simultaneously measured from the subject.
  • the processing device 100 calculates the time waveform of the power for each frequency band by performing preprocessing on the acquired EEG measurement data 20 (step S102). Subsequently, the processing apparatus 100 calculates the time waveform of the EEG time correlation for each window size using the time waveform of the calculated power (step S104). That is, the processing apparatus 100 calculates the functional coupling (FC) for each channel combination based on the correlation between the channels included in the EEG measurement data 20.
  • FC functional coupling
  • the processing apparatus 100 performs preprocessing on the acquired fMRI measurement data 30 for each ROI constituting the brain network.
  • the time waveform of the BOLD signal of (step S112) is calculated.
  • the processing apparatus 100 uses the calculated time waveform of the BOLD signal to calculate the time waveform of the BOLD time correlation for each window size (step S114). That is, the processing apparatus 100 calculates the functional connection (FC') for each brain network based on the correlation between the ROIs included in the fMRI measurement data 30.
  • the processing apparatus 100 selects the BOLD time correlation time waveform according to the disease-likeness of the estimation target from the calculated BOLD time correlation time waveforms, and multiplies and adds the corresponding weighting parameters. Then, WLS is calculated (step S116). Then, the processing apparatus 100 calculates the disease-likeness label indicating the disease-likeness by performing the calculated WLS in a normalized process and then binarizing it (step S118). That is, the processing apparatus 100 calculates the disease-likeness label by calculating the score (WLS) indicating the disease-likeness of the estimation target by using a plurality of functional couplings (FC').
  • WLS the score
  • FC' functional couplings
  • the processing apparatus 100 determines the feature amount and the weighting parameter for estimating the disease-likeness label by machine learning using the time waveform of the EEG time correlation and the disease-likeness label (step S120). That is, the processing device 100 is an estimation model for estimating the disease-likeness using a predetermined functional connection (FC) by machine learning using the functional connection (FC) and the disease-likeness label for each channel combination. To decide.
  • An estimation model can be determined by such a procedure.
  • "(1) EEG / fMRI simultaneous measurement” shown in FIG. 1 and step S100 shown in FIG. 8 will be described.
  • the subject S is placed on the bore of the fMRI apparatus 300 with the sensor attached to the head, and EEG and fMRI are executed in parallel.
  • the processing device 100 stores the measurement data from the EEG device 200 and the fMRI device 300 in association with each other with respect to a common time. By associating the measurement data based on such a common time, the EEG measurement data 20 and the fMRI measurement data 30 having a common time axis can be acquired.
  • the time waveform is frequency-converted as a preprocessing for the EEG measurement data 20 (time waveform).
  • a fast Fourier transform or the like can be used.
  • a Hilbert transform, a discrete Fourier transform, or the like may be used.
  • the data in the frequency domain (relationship between frequency and amplitude) is calculated by frequency-converting the EEG measurement data 20.
  • the power of the frequency band is calculated by calculating the average value of the amplitude squared values of the frequencies included in the frequency band for each target frequency band.
  • step S104 of FIG. 8 any two channels are selected, the window is sequentially shifted along the time axis, and the correlation value is sequentially calculated between the time waveforms of the power in the window.
  • FIG. 9 is a flowchart showing a more detailed processing procedure of steps S102 and S104 of FIG.
  • the processing apparatus 100 selects one channel included in the acquired EEG measurement data 20 (step S1021), selects a time of interest for which power is calculated (step S1022), and selects the channel. Fast Fourier transform is performed on the time waveform included in the window with the time as the reference position (step S1023).
  • the time waveform included in the window may be moved and averaged along the time axis, and then fast Fourier transform may be performed. By applying such a moving average, a high frequency noise component can be reduced.
  • the processing apparatus 100 selects a frequency band for which power is to be calculated (step S1024), and calculates an average value of the amplitude squared values of the frequencies included in the selected frequency band (step S1025). Then, the processing device 100 stores the average value of the squared amplitude values in association with the selected time and the selected frequency band (step S1026).
  • the processing device 100 determines whether or not the selection of all frequency bands has been completed (step S1027). If the selection of all frequency bands is not completed (NO in step S1027), the process of step S1024 or less is repeated.
  • step S1027 the processing device 100 determines whether or not the selection of all time has been completed (step S1028). If all the time selections have not been completed (NO in step S1028), the processes of step S1022 and the like are repeated.
  • step S1028 the processing device 100 determines whether or not the selection of all channels is completed (step S1029). If the selection of all channels is not completed (NO in step S1029), the process of step S1021 or less is repeated.
  • step S1029 If the selection of all channels is completed (YES in step S1029), the calculation process of the power time waveform 22 for each frequency band is completed at this stage. Then, the calculation process of the time waveform 24 (FC) of the EEG time correlation continues.
  • the processing apparatus 100 selects the window setting (window size and step size) for which the EEG time correlation is calculated (step S1041), and selects the frequency band for which the EEG time correlation is calculated (step S1042).
  • window settings window size and step size
  • a plurality of combinations may be prepared in advance, or only one type may be prepared.
  • the processing apparatus 100 selects a target channel combination for calculating the EEG time correlation (step S1043).
  • the processing apparatus 100 selects a target time for calculating the EEG time correlation (step S1044), and the power included in the window with the selected time as the reference position for the two channels corresponding to the selected channel combination.
  • the time waveform of (step S1045) is extracted, and the correlation value of the time waveform of the extracted power is calculated (step S1046).
  • the processing device 100 stores the calculated correlation value in association with the selected time, channel combination, frequency band, and window setting (step S1047).
  • the processing device 100 determines whether or not all time selections have been completed (step S1048). If all the time selections have not been completed (NO in step S1048), the processes of step S1044 and the like are repeated.
  • step S1048 the processing device 100 determines whether or not the selection of all the channel combinations is completed (step S1049). If the selection of all the channel combinations is not completed (NO in step S1049), the process of step S1043 or less is repeated.
  • step S1049 the processing device 100 determines whether or not the selection of all frequency bands is completed (step S1050). If the selection of all frequency bands is not completed (NO in step S1050), the process of step S1042 or lower is repeated.
  • step S1050 the processing device 100 determines whether or not the selection of all window settings is completed (step S1051). If the selection of all window settings is not completed (NO in step S1051), the process of step S1041 or less is repeated.
  • step S1051 If the selection of all window settings is completed (YES in step S1051), the calculation process of the time waveform 24 (FC) of the EEG time correlation is completed at this stage.
  • the BOLD signal 32 for each ROI is calculated from the brain activity pattern image.
  • a process for compensating for the time delay that occurs in fMRI is executed.
  • the BOLD signal 32 which is the neural state of the ROI of interest, is s (t) and the hemodynamic response function (HRF) is h (t).
  • HRF hemodynamic response function
  • HRF (t) depends on the irradiation cycle TR of the RF pulse of fMRI.
  • the estimated value s ⁇ (t) of the brain state can be expressed by the following equation (2) using the Wiener filter d (t).
  • H (x), Y (x), E (x), and D (x) are Fourier transforms of h (t), y (t), e (t), and d (t), the brain state.
  • the estimated value s ⁇ (t) of can be expressed as the following equation (3).
  • the estimated value s ⁇ (t) of the brain state shown in the above equation (3) corresponds to the BOLD signal. That is, the estimated value s (t) of the brain state is estimated by deconvolution of the observed y (t) with HRF. By deconvolution with HRF, the time delay (shift of measurement point) between the EEG measurement data 20 and the fMRI measurement data 30 is compensated.
  • FIG. 10 is a diagram for explaining an outline of preprocessing for the EEG measurement data 20 and the fMRI measurement data 30.
  • the window 26 is sequentially shifted and set by the step size with respect to the EEG measurement data 20, and the EEG time correlation is calculated for each window 26 to obtain the EEG time correlation time waveform 24. Can be calculated.
  • the BOLD signal 32 is calculated after the time delay related to the irradiation of the RF pulse is compensated. That is, by deconvolution using HRF, the time axis of the EEG measurement data 20 and the time axis of the BOLD signal 32 can be substantially matched. Then, the disease-likeness label 38 is calculated using the BOLD signal 32.
  • step S114 of FIG. 8 for each of the combinations of the two ROIs, the window is sequentially shifted along the time axis, and the correlation value is sequentially calculated between the time waveforms of the BOLD signals in the window.
  • the combination of the two ROIs may be the same ROIs.
  • the WLS is calculated by multiplying and adding the corresponding weighting parameters to the time waveforms of the plurality of BOLD time correlations according to the disease-likeness of the estimation target. Further, the calculated WLS is normalized and then binarized to calculate a disease-like label indicating the disease-likeness. More specifically, the WLS 36 uses the time waveform 34 (FC'(k)) of the k-th BOLD time correlation and the corresponding weighting parameter W FC (k) to be expressed in the following equation (4). Can be calculated as follows.
  • WLS ⁇ FC'(k) ⁇ W FC (k) ⁇ ⁇ ⁇ (4)
  • WLS is a score showing a larger numerical value as the degree of disease-likeness increases with 0 as a boundary.
  • the WLS can be normalized to the probability p according to the following equation (5).
  • Non-Patent Document 3 discloses a disease discriminator for schizophrenia (SCZ) using 16 functional bonds (FC').
  • Non-Patent Document 4 discloses a disease discriminator for melancholic depression (MDD: melancholic) using 10 functional bonds (FC').
  • FC' multiple functional bindings
  • FC' weighted parameters associated with the selected functional bindings (FC'), depending on the disease likelihood of the presumed target.
  • WLS can be determined by calculating the sum of the values obtained by multiplying each of W FC.
  • FIG. 11 is a flowchart showing a more detailed processing procedure of steps S112 to S118 shown in FIG.
  • the processing apparatus 100 selects the ROI for which the BOLD signal is to be calculated (step S1121), and determines the amount of activity from the image feature amount of the region corresponding to the ROI selected from each of the fMRI measurement data 30. Each is extracted (step S1122). By deconvolution of the extracted activity amount over time with HRF, the time waveform of the BOLD signal is calculated (step S1123) and stored in association with the selected ROI (step S1124).
  • the processing device 100 determines whether or not all ROI selections have been completed (step S1125). If all ROI selections have not been completed (NO in step S1125), the process of step S1121 and below is repeated.
  • step S1125 If all ROI selections have been completed (YES in step S1125), the BOLD signal calculation process for each ROI is completed at this stage. Then, the calculation process of the time waveform 34 of the BOLD time correlation continues.
  • the processing apparatus 100 selects the ROI combination to be calculated for the BOLD time correlation (step S1141).
  • the processing apparatus 100 selects a target time for calculating the BOLD time correlation (step S1142), and the BOLD included in the window with the selected time as the reference position for the two ROIs corresponding to the selected ROI combination.
  • the time waveform of the signal 32 is extracted (step S1143), and the correlation value of the time waveform of the extracted BOLD signal is calculated (step S1144).
  • the processing apparatus 100 stores the calculated correlation value in association with the selected time and ROI combination (step S1145).
  • the processing device 100 determines whether or not all time selections have been completed (step S1146). If all the time selections have not been completed (NO in step S1146), the process of step S1142 or lower is repeated.
  • step S1146 the processing apparatus 100 determines whether or not the selection of all ROI combinations has been completed. If the selection of all ROI combinations is not completed (NO in step S1147), the process of step S1141 or less is repeated.
  • step S1147 If the selection of all ROI combinations is completed (YES in step S1147), the calculation process of the time waveform 34 of the BOLD time correlation is completed at this stage. Then, the calculation process of WLS continues.
  • the processing device 100 selects the disease-likeness to be estimated (step S1161), and determines a plurality of brain networks (ROI combinations) associated with the selected disease-likeness (step S1162). Further, the processing device 100 determines a weighting parameter corresponding to each of the determined brain networks (step S1163). Then, the processing apparatus 100 calculates the total after multiplying the time waveform 34 of the BOLD time correlation of each of the determined brain networks by the corresponding weighting parameters (step S1164). The calculated sum is the WLS corresponding to the disease-likeness to be estimated.
  • ROI combinations associated with the selected disease-likeness
  • the processing device 100 determines whether or not all the disease-likeness selections have been completed (step S1165). If the selection of all disease-likeness is not completed (NO in step S1165), the process of step S1161 or less is repeated.
  • step S1165 If the selection of all disease-likeness is completed (YES in step S1165), the WLS calculation process for each disease-likeness is completed at this stage. Then, the process of calculating the disease-likeness label continues.
  • the processing apparatus normalizes the calculated WLS to calculate the probability p (step S1181), and performs the calculated probability p by the threshold value processing to output a sequence of 0 or 1 values (step S1182). ..
  • the output column of 0 or 1 values serves as a disease-like label indicating the disease-likeness.
  • the time waveform 24 of the EEG time correlation is machine-learned by machine learning the relationship between the EEG time correlation time waveform 24 (FC), which is an explanatory variable, and the disease-likeness label 38, which is the explained variable.
  • FC EEG time correlation time waveform 24
  • the disease-likeness label 38 which is the explained variable.
  • a predetermined number for example, 30
  • Any machine learning algorithm can be used as such a machine learning method, but as an example, a case where SLR is adopted will be described. Hereinafter, a specific processing procedure of SLR will be described.
  • f (x; ⁇ ) hyperplane corresponding to 0 defines the boundary between the classes S 1 and class S 2.
  • N pieces of input - data string containing the elements of the output ⁇ For (x 1 , y 1 ), (x 2 , y 2 ), ..., (X N , y N ) ⁇ , a probability function as shown in the following equation (8) can be defined.
  • the purpose of machine learning is to introduce a probability function l ( ⁇ ) as shown in equation (10) and search for a weighted vector ⁇ that maximizes the value of the probability function l ( ⁇ ) defined by equation (10). do.
  • a predetermined number for example, 30 is selected from the one with the highest weighting parameter size, and the feature amount corresponding to the selected weighting parameter is selected.
  • the feature amount (specifying the channel pair, frequency band, window size to be used in the EEG time correlation) and the corresponding weighting parameter used for estimating the disease-likeness label 38 can be determined.
  • FIG. 12 is a diagram for explaining the outline of the determined estimation model.
  • the time waveform 24 of the EEG time correlation is input to the estimation model 10. More specifically, the amount of information of a predetermined window size (for example, 30 seconds) is input for each step size (for example, 30 seconds).
  • the estimation model 10 includes a plurality of combinations of the feature amount information 11 and the weighting parameter 12. Of the input time waveforms 24 of the EEG time correlation, only the information corresponding to the feature amount information 11 included in the estimation model 10 (EEG time correlation selected as the feature amount) is used. Then, the weighting parameter 12 corresponding to the EEG time correlation used is multiplied, the sum of the respective results is calculated in the adder 13, and further binarized to 0 or 1 by the binarizer 14. The binarized result is output as disease-likeness.
  • the channel pair, frequency band, and window size were all variable factors, but the frequency band and window size may be determined first as feature quantity conditions.
  • EEG / fMRI simultaneous measurement data is acquired for a plurality of sessions, and discrimination performance (for example, AUC) is performed by a method such as cross-validation.
  • discrimination performance for example, AUC
  • the highest frequency band and window size index indicated by Area Under the Curve
  • the amount of calculation required for the process of determining the estimation model can be reduced.
  • the frequency band and / or the window size included in the EEG measurement data 20 to be input to the estimation model may be determined in advance according to the subject.
  • the EEG measurement data measured from the subject is input to the estimation model to estimate the subject's disease-likeness.
  • a typical application of such an estimation phase is neurofeedback training.
  • FIG. 13 is a diagram for explaining an outline of neurofeedback training using the estimation method according to the present embodiment.
  • the brain activity training device 2 for performing neurofeedback training includes an EEG device 200, a storage device 502, a display device 510, and a processing device 500.
  • the storage device 502 stores the estimation model.
  • the estimation model stored in the storage device 502 is generated before the execution of the neurofeedback training.
  • the storage device 502 may be realized by using the storage included in the processing device 500, or may be realized by using the server device 400 shown in FIG.
  • the display device 510 is an example of a presentation device, and provides visual or / or auditory information to the user.
  • the EEG device 200 corresponds to an electroencephalograph and measures the measurement data of the electroencephalogram of the subject S in the neurofeedback training.
  • the electroencephalogram measurement data measured by the EEG device 200 includes time waveforms for each of a plurality of channels corresponding to the plurality of sensors arranged on the head of the subject S, similarly to the EEG device 200 shown in FIG. .. That is, since substantially the same EEG device 200 is used at the time of generating the estimation model and at the time of executing the neurofeedback training, the EEG measurement data included in the EEG / fMRI simultaneous measurement data used when generating the estimation model. Will include the time waveform for each channel corresponding to each channel of the EEG measurement data measured in the neurofeedback training.
  • the processing device 500 acquires EEG measurement data from the subject S by EEG, and estimates the disease-likeness using a predetermined estimation model. Disease likelihood is estimated on a cycle-by-cycle basis (typically, on a step-by-step size basis).
  • the processing device 500 calculates a score according to the estimated disease-likeness, and provides a score display 520 according to the calculated score on the display device 510. In this way, the processing device 500 calculates the score according to the disease-likeness of the subject S using the estimation model based on the measurement data from the EEG device 200, and presents the information according to the calculated score to the subject. do. That is, the processing device 500 outputs a signal for display corresponding to the disease-likeness to the display device 510.
  • the processing device 500 may be realized by executing a brain activity training program on a general-purpose computer.
  • the score display 520 includes a reference circle 522 and a score circle 524 whose size changes according to the score.
  • the size of the score circle 524 is sequentially updated according to the disease likelihood estimated based on the EEG measurement data measured from the subject S.
  • Subject S is conscious of using his / her brain such as calculation, association, and meditation so that the size of the score circle 524 moves in the specified direction according to the instruction from the outside or himself / herself.
  • the subject S is conscious of using the brain, it is possible to alleviate or treat the target disease.
  • the disease-likeness can be estimated at any place. Taking advantage of these advantages, for example, it is possible to perform neurofeedback training at any place after simultaneous measurement of EEG and fMRI using a dedicated facility.
  • FIG. 14 is a schematic diagram showing an implementation example of the estimation method according to the present embodiment.
  • EEG and fMRI are simultaneously measured for each subject, and the processing apparatus 100 determines an estimation model 10 for each subject.
  • the determined estimation model 10 is transmitted from the measurement station to the server device 400.
  • the server device 400 holds subject data 402 including an estimation model for each subject.
  • FIG. 15 is a schematic diagram showing an example of the functional configuration of the processing device 100 of the estimation system 1 according to the present embodiment. Each function shown in FIG. 15 is typically realized by the processor 102 of the processing apparatus 100 executing an estimation model determination program.
  • the estimation model determination program 121 may be executed using one or a plurality of processors included in the processing device 100, or the plurality of processing devices may be linked to each other to execute the estimation model determination program 121. You may. In the latter case, a so-called cloud system, that is, a plurality of computers arranged on the network may be used. Furthermore, instead of the configuration (software implementation) realized by the processor executing the program, a hard-wired configuration such as FPGA (Field-Programmable Gate Array) or ASIC (Application Specific Integrated Circuit) is used for all or part of it. May be realized.
  • FPGA Field-Programmable Gate Array
  • ASIC Application Specific Integrated Circuit
  • Each program according to the present embodiment may be implemented in a form that utilizes the function provided by the OS (Operating System), and even in such a case, it may be included in the technical scope of the present invention. ..
  • the processing apparatus 100 includes preprocessing modules 150 and 160, time correlation calculation modules 152 and 162, WLS calculation module 164, binarization module 166, and model estimation module 168.
  • the preprocessing module 150 converts the EEG measurement data 20 into a power time waveform 22.
  • the time waveform 22 of the power may be calculated for each frequency band and / or for each window size.
  • the time correlation calculation module 152 calculates the EEG time correlation time waveform 24 from the power time waveform 22 for each of the channel combinations (channel pairs).
  • the preprocessing module 160 calculates the BOLD signal 32 for each ROI from the fMRI measurement data 30.
  • the time correlation calculation module 162 calculates the time waveform 34 (FC') of the BOLD time correlation from the BOLD signal 32 for each ROI.
  • the WLS calculation module 164 calculates WLS36, which is a score indicating the disease-likeness of the estimation target, using the time waveform 34 of the BOLD time correlation corresponding to the plurality of brain networks associated with the disease-likeness of the estimation target.
  • the binarization module 166 normalizes the WLS36 and then calculates the disease-likeness label 38 (label), which is the result of binarizing the disease-likeness.
  • the model estimation module 168 determines the feature amount and the weighting parameter for estimating the disease-likeness label 38 based on the time waveform 24 of the EEG time correlation and the disease-likeness label 38.
  • the determined set of features and weighting parameters is output as the estimation model 10.
  • FIG. 16 is a schematic diagram showing an example of the functional configuration of the processing device 500 of the estimation system 1 according to the present embodiment. Each function shown in FIG. 16 is realized by the processor of the processing device 500 executing an estimation program (similar to the estimation program 122 shown in FIG. 4).
  • the estimation program may be executed using one or a plurality of processors included in the processing device 500, or a plurality of processing devices may be linked to each other to execute the estimation program. In the latter case, a so-called cloud system, that is, a plurality of computers arranged on the network may be used. Further, instead of the configuration (software implementation) realized by the processor executing the program, all or part of the configuration may be realized by using a hard-wired configuration such as FPGA or ASIC.
  • Each program according to the present embodiment may be implemented in a form that utilizes the function provided by the OS, and even in such a case, it may be included in the technical scope of the present invention.
  • the processing apparatus 500 includes a preprocessing module 550, a time correlation calculation module 552, a weighted sum calculation module 554, a binarization module 556, an estimation model acquisition module 558, and a display control module 560. And include.
  • the preprocessing module 550 converts the EEG measurement data 20 into a power time waveform 22.
  • the time waveform 22 of the power may be calculated for each frequency band and / or for each window size.
  • the time correlation calculation module 552 calculates the EEG time correlation time waveform 24 from the power time waveform 22 for each of the channel combinations (channel pairs).
  • the estimation model acquisition module 558 acquires the estimation model 10 corresponding to the subject from the server device 400 or the like.
  • the estimation model 10 includes a set of features and weighting parameters for estimating the disease-likeness label 38.
  • the weighted sum calculation module 554 selects one or a plurality of target feature quantities (EEG time correlation) from the time waveforms 24 of the EEG time correlation according to the estimation model 10 acquired by the estimation model acquisition module 558, and corresponds to them.
  • the sum of the values obtained by multiplying the weighting parameters is calculated as WLS36.
  • the binarization module 556 normalizes the WLS36 and then calculates the disease-likeness (0 or 1) which is the result of binarizing the disease-likeness.
  • the display control module 560 calculates the score based on the disease-like value sequentially output from the binarization module 556, and calculates the score display 520 to be displayed on the display device 510. In this way, changes in the subject's symptoms will be evaluated based on the score according to the estimated subject's disease-likeness.
  • Subclinical means a condition in which it is judged that there is a strong tendency to present at least some symptoms from the contents of the answers to the questions for evaluating the degree of symptoms for the disease of interest.
  • EEG and fMRI were performed simultaneously at rest, and EEG / fMRI simultaneous measurement data was acquired.
  • EEG / fMRI simultaneous measurement data was acquired for at least 8 sessions (5 minutes or less per session) for each subject.
  • Two target diseases were assumed: schizophrenia (SCZ) (see Non-Patent Document 3) and depression (MDD) (see Non-Patent Document 4).
  • FIG. 17 is a diagram showing an example of the evaluation result of the feature amount condition in the estimation method according to the present embodiment.
  • FIG. 17 shows changes in the estimated performance when the window sizes for calculating the time correlation are different (8TR, 12TR, 16TR, 20TR, 24TR).
  • TR means the irradiation cycle of the RF pulse.
  • FIG. 17A shows an example of the evaluation result when schizophrenia (SCZ) is the target disease
  • FIG. 17B shows the evaluation result when depression (MDD) is the target disease. An example is shown.
  • the disease-likeness of schizophrenia is shown for the estimation model determined from the EEG measurement data for schizophrenia (SCZ) (hereinafter, also referred to as “schizophrenia estimation model”).
  • the disease-likeness of depression is shown for the evaluation result of evaluating the estimation performance of the indicated score and the estimation model determined from the EEG measurement data for depression (MDD) (hereinafter, also referred to as "depression estimation model”).
  • the evaluation result which evaluated the estimation performance of the score is shown. The following is an example of the results of cross-sectional evaluation of each model.
  • FIG. 18 is a diagram showing an example of the evaluation result of the target specificity of the estimation model determined by the estimation method according to the present embodiment.
  • FIG. 18A shows the estimation performance (mean AUC) when estimating the disease-likeness of schizophrenia (SCZ) and the disease-likeness of depression (MDD) using the schizophrenia estimation model.
  • FIG. 18B shows the estimation performance when estimating the disease-likeness of depression (MDD) and the estimation performance when estimating the disease-likeness of schizophrenia (SCZ) using a depression estimation model. ..
  • the schizophrenia estimation model shows specific estimation performance for estimating the disease-likeness of schizophrenia (SCZ).
  • the depression estimation model shows specific estimation performance for estimating the disease-likeness of depression (MDD).
  • the estimation model determined by the estimation method according to the present embodiment is subject-specific. It turns out that.
  • J3 Neurofeedback training
  • FIG. 19 is a diagram for explaining a method of neurofeedback training using an estimation model determined by an estimation method according to the present embodiment.
  • a set 614 consisting of a plurality of blocks 612 is carried out over a plurality of days.
  • Each of the blocks 612 contains a plurality of cycles 600.
  • Each of the cycles 600 includes a series of processes consisting of an interval 602 (time T1), an induction period 604 (time T2), and a display period 606 (time T3).
  • Interval 602 corresponds to a break period between the previous cycle 600 and the previous cycle 600.
  • the induction period 604 corresponds to a period in which the subject is conscious of using the brain such as calculation, association, and meditation so that the subject can be evaluated as a larger score by himself / herself or according to an external instruction.
  • the display period 606 corresponds to the period for displaying the score calculated from the subject in the induction period 604.
  • the subject's disease-likeness is estimated using the EEG measurement data measured by the EEG from the subject.
  • the subject's disease-likeness estimation may be repeated multiple times. Since the estimation result (0 or 1) of the disease-likeness is calculated a plurality of times, a score indicating the degree of the disease-likeness of the subject in the induction period 604 can be calculated by averaging these.
  • a score display 520 according to the calculated score is provided to the subject.
  • the score display 520 the smaller the score, the closer the score circle 524 is to the reference circle 522.
  • the subject is given a reward such as money according to the score. Motivated by such rewards, subjects attempt to obtain higher scores.
  • time T2 of the induction period 604 for example, about 50 to 70 seconds is set.
  • Non-Patent Document 3 two target diseases are assumed: schizophrenia (SCZ) (see Non-Patent Document 3) and depression (MDD) (see Non-Patent Document 4).
  • the EEG sampling frequency was set to 500 Hz, and the EEG measurement data was processed to remove artifacts (preliminarily extracted subject-specific independent components).
  • the time T2 of the induction period 604 for schizophrenia (SCZ) was 70 seconds
  • the time T2 of the induction period 604 for depression (MDD) was 85 seconds.
  • FIG. 20 is a diagram showing an example of the results of neurofeedback training regarding schizophrenia (SCZ).
  • FIG. 20A shows an experimental example of WLS, which is a score indicating the disease-likeness of the estimation target before and after training.
  • FIG. 20B shows an experimental example of the ataxic personality disorder evaluation scale (SPQ) before and after training. SPQ is an example of a schizophrenia-like score.
  • FIG. 20C shows an experimental example of the N-back task before and after training.
  • FIGS. 20 (A) and 20 (B) indicate subjects.
  • the WLS shown in FIG. 20 (A) and the SPQ shown in FIG. 20 (B) both mean that the smaller the value, the better the symptom. No significant result was shown for WLS shown in FIG. 20 (A), but improvement tendency was seen for SPQ shown in FIG. 20 (B) by training.
  • the N-back task shown in FIG. 20 (C) is a test for evaluating the ability (cognitive function) to indicate whether or not the information presented N times before is memorized.
  • the results of the N-back task are indicated by a score of "d prime".
  • d prime means that the larger the value, the better the cognitive function.
  • an improvement tendency can be seen by training.
  • 4-back task (4-back test) a significant change was observed for the paired t-test.
  • FIG. 21 is a diagram showing an example of the result of neurofeedback training regarding depression (MDD).
  • FIG. 21 (A) shows an experimental example of WLS, which is a score indicating the disease-likeness of the estimation target before and after training.
  • FIG. 21B shows experimental examples of the Beck Depression Inventory (BDI) and the self-assessed Depression Inventory (SDS) before and after training. BDI and SDS are examples of depression-like symptom scores.
  • FIG. 21C shows an experimental example of the results of the N-back task before and after training.
  • FIGS. 21 (A) and 21 (B) indicate subjects.
  • the WLS shown in FIG. 21 (A) and the BDI and SDS shown in FIG. 21 (B) both mean that the smaller the value, the better the symptom.
  • an improvement tendency is seen by training.
  • the N-back task also shows an improvement tendency by training.
  • FIG. 22 is a diagram showing an example of a procedure for evaluating the long-term effect of neurofeedback training using an estimation model determined by an estimation method according to the present embodiment.
  • the training is carried out for 3 days, and the day before the training period (Pre training), the day after the training period (Post training), and the follow-up day 1 to 2 months after the training period (Pre training).
  • Measurements were performed in each of the FUs.
  • FIG. 23 is a diagram showing an example of the long-term effect of neurofeedback training on depression (MDD).
  • FIG. 23 (A) shows an experimental example of WLS.
  • FIG. 23B shows an experimental example of BDI.
  • FIG. 23C shows an experimental example of RSS, which is a score indicating the frequency of ruminant thinking. It can be judged that the smaller the value of RSS is, the more preferable the state is.
  • FIG. 23B shows the reduced state immediately after the training (Pre) and after 1 to 2 months (FU), and the effect of the training was long-term. It has been suggested to persist.
  • FIG. 23B also shows the subscores used to calculate the BDI.
  • the subscore shows the same tendency as BDI.
  • FIG. 23C shows the reduced state was maintained immediately after the training (Pre) and after 1 to 2 months (FU), and the effect of the training was long-term. It has been suggested to persist.
  • FIG. 23C also shows the subscore used to calculate the RRS. The subscore shows the same tendency as RRS.
  • FIG. 24 is a diagram showing an example of the long-term effect of neurofeedback training on schizophrenia (SCZ).
  • FIG. 24 shows the change in WLS of each subject in a line graph, and shows the change in the score obtained by averaging the WLS of all the subjects in a bar graph.
  • CTRL indicates the result of the comparison target group.
  • the comparison target group shows a set of subjects who have been trained by using the information of another person prepared in advance instead of the information from the subject as the information to be fed back. That is, the experimental example of the comparison target group shows the result of training on the assumption that the subject is based on his / her own brain activity even though his / her own brain activity is not referred to. The same applies to the following experimental examples.
  • FIG. 25 is a diagram showing the effect of neurofeedback training on schizophrenia (SCZ) in comparison with the comparison target group.
  • the vertical axis of the graph shown in FIG. 25 shows the change (Post-Pre) of the value before and after the neurofeedback.
  • the comparison target group (CTRL) is distributed around the point where the values before and after training do not change (the value on the vertical axis is zero), whereas the group that has been properly trained is on the negative side. It can be seen that the distribution is centered on the points (that is, the SPQ value becomes smaller after training).
  • FIG. 25 also shows the subscores used to calculate the SPQ. The subscore shows the same tendency as SPQ.
  • the SPQ shown in FIG. 25 also had a significant difference from the comparison target group, indicating an improvement tendency due to training.
  • FIG. 26 is another diagram showing the effect of neurofeedback training on schizophrenia (SCZ) in comparison with the comparison target group.
  • the vertical axis of the graph shown in each of FIGS. 26 (A) to 26 (D) shows the change (Post-Pre) of the value before and after the neurofeedback.
  • 26 (A) to 26 (D) each show an experimental example of the score of cognitive function.
  • CTRL comparison target group
  • 26 (C) and 26 (D) show an example of evaluation of cognitive function using CANTAB (Cambridge Neuropsychological Test Automated Battery) (see Non-Patent Document 5 and the like). More specifically, the sustainability attention task (RVP: rapid visual information processing) is evaluated. It has been reported that patients with schizophrenia have reduced function of persistent attention.
  • CANTAB Cosmetic Neuropsychological Test Automated Battery
  • the comparison target group (CTRL) is distributed around the point where the values before and after training do not change (the value on the vertical axis is zero), whereas the training is performed appropriately. It can be seen that the group is distributed around the points on the plus side (that is, the values of A'and p (Hit) are both large after training).
  • J6 Specificity of the effect of neurofeedback training
  • the neurofeedback training itself produces non-specific effects such as learning effects, and such non-specific effects can be achieved by neurofeedback training using an estimation model determined by the estimation method according to the present embodiment.
  • An experimental example will be described to explain the occurrence of a specific effect beyond that.
  • FIG. 27 is a diagram showing an experimental example for evaluating the specificity of the effect of neurofeedback training.
  • FIG. 27 (A) shows an example of changes in RRS and subscore as a psychological index related to depression (MDD).
  • FIG. 27 (B) shows an example of changes in SPQ and subscore as a psychological index for schizophrenia (SCZ).
  • MDD means a group trained using an estimated model (depression estimated model) determined from EEG measurement data for depression (MDD).
  • SCZ means a group trained using an estimation model (schizophrenia estimation model) determined from EEG measurement data for schizophrenia (SCZ).
  • CRL means a group to be compared.
  • both the SPQ (total score) and the subscore are specific for the group (SCZ) trained using the schizophrenia estimation model. It can be seen that changes are occurring.
  • FIG. 28 is a diagram showing another experimental example for evaluating the specificity of the effect of neurofeedback training.
  • FIG. 28 shows an example of changes in cognitive function.
  • the tendency of improvement of cognitive function is shown regardless of the training using either the depression estimation model or the schizophrenia estimation model.
  • FIG. 28 (B) a significant improvement tendency of cognitive function is shown in the training using the schizophrenia estimation model.
  • the neurofeedback training using the estimation model determined by the estimation method according to the present embodiment shows an improvement tendency of cognitive function, and it is higher by using the schizophrenia estimation model. There is a tendency for improvement.
  • the EEG measurement data can be used to more easily estimate the brain function represented by the plurality of brain networks and any disease associated with the plurality of brain networks.
  • the estimation system according to the present embodiment, only the features of the EEG measurement data that are effective for estimating the disease-likeness are used in the estimation model, so that the dimension of the estimation model can be compressed and reduced, thereby causing the disease. It is possible to reduce the amount of calculation related to the estimation of the peculiarity and speed up the estimation of the peculiarity of the disease.
  • the disease-likeness can be estimated for any disease associated with a plurality of brain networks, neurofeedback training can be applied to various diseases.
  • the estimation model can be determined using the measurement data obtained by simultaneously performing EEG and fMRI at rest. Therefore, when performing simultaneous measurement of EEG and fMRI, the subject Since it is not necessary to give a task to the subject, the burden on the subject can be reduced in constructing the estimation model.
  • the neurofeedback training provided by the estimation system according to the present embodiment gives an improvement tendency for some diseases, and the improvement tendency is maintained for a long period of time.
  • estimation model used in the neurofeedback training provided by the estimation system according to the present embodiment shows the target specificity and is generated according to the disease.
  • 1 estimation system 2 brain activity training device, 11 feature amount information, 12 weighting parameter, 13 adder, 14 binarizer, 20 EEG measurement data, 22 power time waveform, 24 EEG time correlation time waveform, 26 window , 30 fMRI measurement data, 32 BOLD signal, 34 BOLD time correlation time waveform, 38 disease-like label, 100,500 processing device, 102 processor, 104 main storage unit, 106 control interface, 108 network interface, 110,352 input unit , 112,353 Display unit, 120 secondary storage unit, 121 estimation model determination program, 122 estimation program, 124 estimation model parameters, 150,160,550 preprocessing module, 152,162,552 time correlation calculation module, 164WLS calculation Module, 166,556 binarization module, 168 model estimation module, 200 EEG device, 202 multiplexer, 204 noise filter, 206 A / D converter, 208,354 storage, 210,358 interface, 220 sensor, 222 cable, 300 fMRI device, 302 receiving coil, 310 magnetic field application mechanism, 3

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Psychology (AREA)
  • Psychiatry (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

推定システムは、被験者から同時に計測された脳波の計測データおよび機能的磁気共鳴画像法の計測データを取得する取得手段と、脳波の計測データに含まれるチャネル間の相関に基づいて、チャネル組合せ毎に第１の機能的結合を算出する第１の算出手段と、機能的磁気共鳴画像法の計測データに含まれる関心領域間の相関に基づいて、脳内ネットワーク毎に第２の機能的結合を算出する第２の算出手段と、第２の機能的結合の複数を用いて推定対象の疾患らしさを示すスコアを算出することで、疾患らしさラベルを算出する第３の算出手段と、チャネル組合せ毎の第１の機能的結合と疾患らしさラベルとを用いた機械学習により、所定の第１の機能的結合を用いて、疾患らしさを推定するための推定モデルを決定する機械学習手段とを含む。

Description

推定システム、推定方法、プログラム、推定モデル、脳活動トレーニング装置、脳活動トレーニング方法、および、脳活動トレーニングプログラム
　本発明は、脳活動に関する計測データに基づいて疾患らしさを推定する技術に関する。
　脳活動を非侵襲で計測する手法の一つである機能的磁気共鳴画像法（functional　Magnetic　Resonance　Imaging：以下、「ｆＭＲＩ」とも略称する。）を用いて、脳機能を推定するとともに、脳機能の変調を目的としたニューロフィードバックトレーニングなどが知られている。但し、ｆＭＲＩのみを用いたニューロフィードバックトレーニングは、コストなどの実現性に課題がある。
　そこで、脳電図または脳波図などの電磁場計測法（Electroencephalogram：以下、「ＥＥＧ」とも略称する。）とｆＭＲＩとを組合せる方法が提案されている（例えば、特許文献１など参照）。本明細書では、ＥＥＧにより計測される信号変化（時間波形）を「脳波」と総称する。
　特許文献１などに開示される手法では、安静時にＥＥＧとｆＭＲＩとを同時に行って得られる計測データ（以下、「ＥＥＧ／ｆＭＲＩ同時計測データ」とも略称する。）を用いて推定モデルを作成し、当該作成した推定モデルを用いて、ＥＥＧ計測データのみを用いてニューロフィードバックを行う。ＥＥＧは、可搬性、携帯性、価格、普及可能性などの点において、他の計測手法に比較して有利である。そのため、特許文献１などに開示される手法を採用することで、コストを低減して、ニューロフィードバックトレーニングの実現性を高めることができる。
　また、安静時のｆＭＲＩの計測データを用いてそれぞれの脳内ネットワークの活動を推定し、複数の脳内ネットワークで表現される脳機能に基づいて、「疾患らしさ」を推定することが提案されている（非特許文献１など参照）。「疾患らしさ」を推定することで、精神疾患の診断、同一疾患内のサブタイプ同定、治療法の選択などへの応用が期待される。
特開２０１９－０９３００８号公報
Andrew　T　Drysdale1　et　al.,　"Resting-state　connectivity　biomarkers　define　neurophysiological　subtypes　of　depression,"　Nature　Medicine,　Volume　23,　Number　1,　pp.28-38　(ISSN:　1546-170X),　2017.1 Takashi　Yamada　et　al.,　"Resting-State　Functional　Connectivity-Based　Biomarkers　and　Functional　MRI-Based　Neurofeedback　for　Psychiatric　Disorders:　A　Challenge　for　Developing　Theranostic　Biomarkers,"　International　Journal　of　Neuropsychopharmacology　(2017)　20(10),　pp.　769-781,　2017.7.17 Yujiro　Yoshihara　et　al.,　"Overlapping　but　asymmetrical　relationships　between　schizophrenia　and　autism　revealed　by　brain　connectivity,"　bioRxiv,　<URL:https://doi.org/10.1101/403212>,　2018.9.7 Naho　Ichikawa　et　al.,　"Primary　functional　brain　connections　associated　with　melancholic　major　depressive　disorder　and　modulation　by　antidepressants,"　Scientific　Reports　(2020)　10:3542　<URL:https://doi.org/10.1038/s41598-020-60527-z>,　2020 Eniko　Barto'k　et　al.,　"Cognitive　functions　in　prepsychotic　patients",　Progress　in　Neuro-Psychopharmacology　&　Biological　Psychiatry　29　(2005)　621-625
　従来のニューロフィードバックトレーニングは、特定の脳領域の活動の変化、あるいは、特定の脳内ネットワーク（複数の脳領域間の活動の時間相関の変化）を対象とするものである（例えば、非特許文献２）。
　複数の脳内ネットワークに関連付けられる任意の疾患をより簡便に推定できる手法が要望されている。
　本発明のある実施の形態に従う推定システムは、被験者から同時に計測された脳波の計測データおよび機能的磁気共鳴画像法の計測データを取得する取得手段を含む。脳波の計測データは被験者の頭部に配置される複数のセンサにそれぞれ対応する複数のチャネル毎の時間波形を含む。推定システムは、脳波の計測データに含まれるチャネル間の相関に基づいて、チャネル組合せ毎に第１の機能的結合を算出する第１の算出手段と、機能的磁気共鳴画像法の計測データに含まれる関心領域間の相関に基づいて、脳内ネットワーク毎に第２の機能的結合を算出する第２の算出手段と、第２の機能的結合の複数を用いて推定対象の疾患らしさを示すスコアを算出することで、疾患らしさラベルを算出する第３の算出手段と、チャネル組合せ毎の第１の機能的結合と疾患らしさラベルとを用いた機械学習により、所定の第１の機能的結合を用いて、疾患らしさを推定するための推定モデルを決定する機械学習手段とを含む。
　推定システムは、被験者から計測された脳波の計測データを推定モデルに入力して、被験者の疾患らしさを推定する推定手段をさらに含んでいてもよい。
　推定システムは、推定される被験者の疾患らしさに応じた第２のスコアを算出するとともに、算出した第２のスコアに応じた情報を被験者に提示する提示手段をさらに含んでいてもよい。
　推定モデルは、疾患の別に用意されてもよい。このとき、被験者には、被験者に現れる疾患に対応する推定モデルが適用されてもよい。
　推定される被験者の疾患らしさに応じた第２のスコアに基づいて、被験者の症状の変化が評価されてもよい。
　第３の算出手段は、推定対象の疾患らしさに対応付けられた複数の第２の機能的結合にそれぞれ対応する重み付けパラメータを乗じた総和に基づいて、疾患らしさを示すスコアを算出するようにしてもよい。
　第３の算出手段は、疾患らしさを示すスコアを正規化処理した上でしきい値処理することで、疾患らしさラベルを算出するようにしてもよい。
　推定モデルは、チャネル組合せ毎の第１の機能的結合のうち推定に使用する第１の機能的結合を選択するための情報と、選択された第１の機能的結合に対応付けられる重み付けパラメータとを含むようにしてもよい。
　第１の算出手段は、対象の２つのチャネルの脳波の時間波形に対して共通に設定したウィンドウに含まれる区間における時間波形間の相関値から第１の機能的結合を算出するようにしてもよい。
　第１の算出手段は、脳波の計測データに含まれる周波数帯域毎、および／または、設定するウィンドウのウィンドウサイズ毎、に第１の機能的結合を算出するようにしてもよい。
　推定システムは、推定モデルに入力する脳波の計測データに含まれる周波数帯域および／またはウィンドウサイズ、を被験者に応じて事前に決定する条件設定手段をさらに含んでいてもよい。
　第２の算出手段は、対象の２つの関心領域の活動量を示す時間波形に対して共通に設定したウィンドウに含まれる区間における時間波形間の相関値から第２の機能的結合を算出するようにしてもよい。
　本発明の別の実施の形態に従う推定方法は、被験者から同時に計測された脳波の計測データおよび機能的磁気共鳴画像法の計測データを取得するステップを含む。脳波の計測データは被験者の頭部に配置される複数のセンサにそれぞれ対応する複数のチャネル毎の時間波形を含む。推定方法は、脳波の計測データに含まれるチャネル間の相関に基づいて、チャネル組合せ毎に第１の機能的結合を算出するステップと、機能的磁気共鳴画像法の計測データに含まれる関心領域間の相関に基づいて、脳内ネットワーク毎に第２の機能的結合を算出するステップと、第２の機能的結合の複数を用いて推定対象の疾患らしさを示すスコアを算出することで、疾患らしさラベルを算出するステップと、チャネル組合せ毎の第１の機能的結合と疾患らしさラベルとを用いた機械学習により、所定の第１の機能的結合を用いて、疾患らしさを推定するための推定モデルを決定するステップとを含む。
　本発明のさらに別の実施の形態に従うプログラムは、コンピュータに、被験者から同時に計測された脳波の計測データおよび機能的磁気共鳴画像法の計測データを取得するステップを実行させる。脳波の計測データは被験者の頭部に配置される複数のセンサにそれぞれ対応する複数のチャネル毎の時間波形を含む。プログラムは、コンピュータに、脳波の計測データに含まれるチャネル間の相関に基づいて、チャネル組合せ毎に第１の機能的結合を算出するステップと、機能的磁気共鳴画像法の計測データに含まれる関心領域間の相関に基づいて、脳内ネットワーク毎に第２の機能的結合を算出するステップと、第２の機能的結合の複数を用いて推定対象の疾患らしさを示すスコアを算出することで、疾患らしさラベルを算出するステップと、チャネル組合せ毎の第１の機能的結合と疾患らしさラベルとを用いた機械学習により、所定の第１の機能的結合を用いて、疾患らしさを推定するための推定モデルを決定するステップとを実行させる。
　本発明のさらに別の実施の形態に従えば、被験者から計測された脳波の計測データを用いて、被験者の疾患らしさを推定するための学習済の推定モデルが提供される。推定モデルを構築する処理は、被験者から同時に計測された脳波の計測データおよび機能的磁気共鳴画像法の計測データを取得するステップを含む。脳波の計測データは被験者の頭部に配置される複数のセンサにそれぞれ対応する複数のチャネル毎の時間波形を含む。推定モデルを構築する処理は、脳波の計測データに含まれるチャネル間の相関に基づいて、チャネル組合せ毎に第１の機能的結合を算出するステップと、機能的磁気共鳴画像法の計測データに含まれる関心領域間の相関に基づいて、脳内ネットワーク毎に第２の機能的結合を算出するステップと、第２の機能的結合の複数を用いて推定対象の疾患らしさを示すスコアを算出することで、疾患らしさラベルを算出するステップと、チャネル組合せ毎の第１の機能的結合と疾患らしさラベルとを用いた機械学習により、推定モデルを決定するステップとを含む。
　本発明のさらに別の実施の形態に従えば、ニューロフィードバックトレーニングを実行するための脳活動トレーニング装置が提供される。脳活動トレーニング装置は、ニューロフィードバックトレーニングの実行前に生成された、被験者の疾患らしさを推定するための推定モデルを格納する記憶装置と、ニューロフィードバックトレーニングにおいて、被験者の脳波の計測データを計測するため脳波計とを含む。脳波の計測データは、被験者の頭部に配置される複数のセンサにそれぞれ対応する複数のチャネル毎の時間波形を含む。脳活動トレーニング装置は、提示装置と、ニューロフィードバックトレーニングにおいて、脳波計からの計測データに基づいて、推定モデルを用いて被験者の疾患らしさを算出し、当該疾患らしさに対応する表示のための信号を提示装置に出力する処理装置とを含む。
　推定モデルは、被験者から同時に計測された脳波の計測データおよび機能的磁気共鳴画像法の計測データを取得する処理と、脳波の計測データに含まれるチャネル間の相関に基づいて、チャネル組合せ毎に第１の機能的結合を算出する処理と、機能的磁気共鳴画像法の計測データに含まれる関心領域間の相関に基づいて、脳内ネットワーク毎に第２の機能的結合を算出する処理と、第２の機能的結合の複数を用いて推定対象の疾患らしさを示すスコアを算出することで、疾患らしさラベルを算出する処理と、チャネル組合せ毎の第１の機能的結合と疾患らしさラベルとを用いた機械学習により、所定の第１の機能的結合を用いて、疾患らしさを推定することにより、推定モデルを決定する処理とにより生成される。当該同時に計測される脳波の計測データは、ニューロフィードバックトレーニングにおいて計測される脳波の計測データのそれぞれのチャネルに対応するチャネル毎の時間波形を含んでいる。
　本発明のさらに別の実施の形態に従えば、ニューロフィードバックトレーニングを実行するための脳活動トレーニング方法が提供される。脳活動トレーニング方法は、ニューロフィードバックトレーニングの実行前に生成された、被験者の疾患らしさを推定するための推定モデルを取得するステップと、ニューロフィードバックトレーニングにおいて、被験者の脳波の計測データを計測するステップとを含む。脳波の計測データは、被験者の頭部に配置される複数のセンサにそれぞれ対応する複数のチャネル毎の時間波形を含む。脳活動トレーニング方法は、ニューロフィードバックトレーニングにおいて、脳波の計測データに基づいて、推定モデルを用いて被験者の疾患らしさを算出し、当該疾患らしさに対応する表示のための信号を提示装置に出力するステップを含む。推定モデルを取得するステップは、被験者から同時に計測された脳波の計測データおよび機能的磁気共鳴画像法の計測データを取得する処理と、脳波の計測データに含まれるチャネル間の相関に基づいて、チャネル組合せ毎に第１の機能的結合を算出するステップと、機能的磁気共鳴画像法の計測データに含まれる関心領域間の相関に基づいて、脳内ネットワーク毎に第２の機能的結合を算出するステップと、第２の機能的結合の複数を用いて推定対象の疾患らしさを示すスコアを算出することで、疾患らしさラベルを算出するステップと、チャネル組合せ毎の第１の機能的結合と疾患らしさラベルとを用いた機械学習により、所定の第１の機能的結合を用いて、疾患らしさを推定することにより、推定モデルを決定するステップとを含む。当該同時に計測される脳波の計測データは、ニューロフィードバックトレーニングにおいて計測される脳波の計測データのそれぞれのチャネルに対応するチャネル毎の時間波形を含んでいる。
　本発明のさらに別の実施の形態に従えば、ニューロフィードバックトレーニングを実行するための脳活動トレーニングプログラムが提供される。脳活動トレーニングプログラムはコンピュータに、ニューロフィードバックトレーニングの実行前に生成された、被験者の疾患らしさを推定するための推定モデルを格納するステップと、ニューロフィードバックトレーニングにおいて、被験者の脳波の計測データを取得するステップとを実行させる。脳波の計測データは、被験者の頭部に配置される複数のセンサにそれぞれ対応する複数のチャネル毎の時間波形を含む。脳活動トレーニングプログラムはコンピュータに、ニューロフィードバックトレーニングにおいて、脳波の計測データに基づいて、推定モデルを用いて被験者の疾患らしさを算出し、当該疾患らしさに対応する表示のための信号を提示装置に出力するステップを実行させる。推定モデルは、被験者から同時に計測された脳波の計測データおよび機能的磁気共鳴画像法の計測データを取得する処理と、脳波の計測データに含まれるチャネル間の相関に基づいて、チャネル組合せ毎に第１の機能的結合を算出する処理と、機能的磁気共鳴画像法の計測データに含まれる関心領域間の相関に基づいて、脳内ネットワーク毎に第２の機能的結合を算出する処理と、第２の機能的結合の複数を用いて推定対象の疾患らしさを示すスコアを算出することで、疾患らしさラベルを算出する処理と、チャネル組合せ毎の第１の機能的結合と疾患らしさラベルとを用いた機械学習により、所定の第１の機能的結合を用いて、疾患らしさを推定することにより、推定モデルを決定する処理とにより生成される。当該同時に計測される脳波の計測データは、ニューロフィードバックトレーニングにおいて計測される脳波の計測データのそれぞれのチャネルに対応するチャネル毎の時間波形を含んでいる。
　本発明のある実施の形態によれば、複数の脳内ネットワークに関連付けられる任意の疾患をより簡便に推定できる。
本実施の形態に従う推定方法の概要を示す模式図である。 本実施の形態に従う推定方法の概要を示す模式図である。 本実施の形態に従う疾患らしさの推定システムのハードウェア構成例を示す模式図である。 本実施の形態に従う推定方法を実現する推定システムを構成する処理装置のハードウェア構成例を示す模式図である。 本実施の形態に従う推定方法における推定モデルを決定する処理を説明するための図である。 本実施の形態に従う推定方法における推定モデルを決定するためのデータ処理例を示す図である。 本実施の形態に従う推定方法において決定される推定モデルの概要を説明するための図である。 本実施の形態に従う推定方法の処理手順を示すフローチャートである。 図８のステップＳ１０２およびＳ１０４のより詳細な処理手順を示すフローチャートである。 ＥＥＧ計測データおよびｆＭＲＩ計測データに対する前処理の概要を説明するための図である。 図８のステップＳ１１２～Ｓ１１８のより詳細な処理手順を示すフローチャートである。 決定された推定モデルの概要を説明するための図である。 本実施の形態に従う推定方法を利用したニューロフィードバックトレーニングの概要を説明するための図である。 本実施の形態に従う推定方法の実装例を示す模式図である。 本実施の形態に従う推定システムの処理装置の機能構成の一例を示す模式図である。 本実施の形態に従う推定システムの処理装置の機能構成の一例を示す模式図である。 本実施の形態に従う推定方法における特徴量条件の評価結果の一例を示す図である。 本実施の形態に従う推定方法により決定された推定モデルの対象特異性の評価結果の一例を示す図である。 本実施の形態に従う推定方法により決定された推定モデルを用いたニューロフィードバックトレーニングの手法を説明するための図である。 統合失調症（ＳＣＺ）に関するニューロフィードバックトレーニングの結果例を示す図である。 うつ（ＭＤＤ）に関するニューロフィードバックトレーニングの結果例を示す図である。 本実施の形態に従う推定方法により決定された推定モデルを用いたニューロフィードバックトレーニングの長期効果を評価するための手順例を示す図である。 うつ（ＭＤＤ）に関するニューロフィードバックトレーニングの長期効果の一例を示す図である。 統合失調症（ＳＣＺ）に関するニューロフィードバックトレーニングの長期効果の一例を示す図である。 統合失調症（ＳＣＺ）に関するニューロフィードバックトレーニングの効果を比較対象群と比較して示す図である。 統合失調症（ＳＣＺ）に関するニューロフィードバックトレーニングの効果を比較対象群と比較して示す別の図である。 ニューロフィードバックトレーニングの効果の特異性を評価するための実験例を示す図である。 ニューロフィードバックトレーニングの効果の特異性を評価するための別の実験例を示す図である。
　本発明の実施の形態について、図面を参照しながら詳細に説明する。なお、図中の同一または相当部分については、同一符号を付してその説明は繰り返さない。
　［Ａ．概要］
　まず、本実施の形態に従う推定方法の概要について説明する。図１および図２は、本実施の形態に従う推定方法の概要を示す模式図である。図１には、推定モデルを決定する処理（学習フェーズ）の概要を示し、図２には、決定された推定モデルを用いて疾患らしさを推定（推定フェーズ）する処理の概要を示す。
　本明細書において、「疾患」とは、人に生じる病的な症状だけではなく、標準的な人に現れる状態とは異なる精神的または身体的な任意の症状を包含する用語である。この場合に現れる症状を「疾患様症状」とも称す。「疾患らしさ」とは、対象の被験者が対象の「疾患」に対応する症状を有している可能性（蓋然性）、および、対象の被験者に対象の「疾患」に対応する症状が現れる可能性（蓋然性）を包含する用語である。
　一方で、本明細書において、「推定モデル」は、これらの可能性の推定に限らず、健常者が、標準的な「健常な脳活動の状態」から所定の程度以上のギャップがある脳活動の状態である可能性（ギャップの程度）を推定する場合もあるものとする。すなわち、「推定モデル」は、脳活動の相対的な状態を推定するために用いられることもある。
　本明細書において、「機能的結合」とは、脳内の領域間が機能的に結合している度合いを示す指標を包含する用語である。「機能的結合」は、任意の計測方法で計測されたデータを用いて、任意の方法で算出することができる。本明細書において、特定の計測データおよび特定の算出方法を明記している場合を除いて、「機能的結合」の算出方法は限定されるものではない。
　図１を参照して、本実施の形態の推定方法においては、まず、同一の被験者に対して、安静時にＥＥＧとｆＭＲＩとを同時に行って、ＥＥＧ／ｆＭＲＩ同時計測データを取得する（（１）ＥＥＧ／ｆＭＲＩ同時計測）。このとき、ＥＥＧにより得られるデータ（以下、「ＥＥＧ計測データ」とも称す。）およびｆＭＲＩにより得られるデータ（以下、「ｆＭＲＩ計測データ」とも称す。）は、同一の被験者の同一の脳活動を示すものとなる。すなわち、ＥＥＧ／ｆＭＲＩ同時計測データは、被験者から同時に計測された脳波の計測データ（ＥＥＧ計測データ）および機能的磁気共鳴画像法の計測データ（ｆＭＲＩ計測データ）を含む。
　各センサは、典型的には一対の電極で構成される。各センサはチャネルとも称され、ＥＥＧ計測データは多チャネルの脳波に相当する。すなわち、ＥＥＧ計測データは、被験者の頭部に配置される複数のセンサにそれぞれ対応する複数のチャネル毎の時間波形を含む。ＥＥＧ計測データからは、各周波数帯域における機能的結合が算出される（（２）機能的結合（ＦＣ）を算出）。以下、機能的結合を「ＦＣ」（Functional　Connectivity）とも称す。
　本実施の形態に従う推定方法においては、脳の電気活動により生じる電圧の計測値であるＥＥＧに限らず、脳の電気活動により生じる変動磁界の計測値である脳磁図（Magnetoencephalography：ＭＥＧ）を用いることもできる。説明の便宜上、以下の説明においては、主として、ＥＥＧ計測データを用いる例について説明する。
　ｆＭＲＩ計測データは、特定の脳内ネットワークから被験者の疾患らしさの推定に用いられる。脳内ネットワークとは、安静時ネットワーク（Resting　State　Network：ＲＳＮ）とも称され、単一の脳領域に属する信号源による、または、複数の空間的に離れた脳領域に属する信号源が協調することによる、特徴的な脳活動パターンの総称である。脳内ネットワークは、主に、安静時ｆＭＲＩを用いて定義される。
　具体的には、安静時ネットワークとしては、（１）制御ネットワーク（Control　Network：ＣＯＮ）、（２）背側注意ネットワーク（Dorsal　Attention　Network：ＤＡＮ）、（３）デフォルトモードネットワーク（Default　Mode　Network：ＤＭＮ）、（４）大脳辺縁系（ＬＩＭ）、（５）体性運動ネットワーク（Somatomotor　Network：ＳＭＮ）、（６）腹側注意ネットワーク（Ventral　Attention　Network：ＶＡＮ）、および、（７）視覚ネットワーク（Visual　Network：ＶＩＳ）の７種類が知られている。
　なお、（１）制御ネットワーク（ＣＯＮ）は前頭頭頂ネットワーク（Frontal　Parietal　Network）と称されることもあり、（６）腹側注意ネットワーク（ＶＡＮ）は顕著性ネットワーク（Saliency　Network）と称されることもある。
　さらに、上述の安静時ネットワークはいくつかのサブネットワークに分割されることもある。より具体的には、（１）制御ネットワーク（ＣＯＮ）は３つのサブネットワークに分割され、（３）デフォルトモードネットワーク（ＤＭＮ）については４つのサブネットワークに分割され、それ以外のネットワークについてはいずれも２つのサブネットワークに分割される。
　被験者の疾患らしさは、疾患毎に予め知られた特定の１または複数の脳内ネットワークに基づいて推定できると考えられている。そのため、本実施の形態に従う推定方法においては、特定の１または複数の脳内ネットワークに基づいて、被験者の疾患らしさが推定される（（３）複数の脳内ネットワークから疾患らしさを推定）。以下の説明においては、疾患らしさをしきい値処理（一例として、二値化処理）した結果を出力するので、推定結果を「疾患らしさラベル」（ｌａｂｅｌ）とも称す。疾患らしさラベルは、複数の値（レベル）のうちいずれかの値をとる。
　最終的に、各周波数帯域における動的な機能的結合と被験者の疾患らしさとに基づいて、ＥＥＧ計測データを入力することで、被験者の疾患らしさを推定するための推定モデルが決定される（（４）推定モデルの決定）。推定モデルは、一種の学習済モデルに相当する。
　図２を参照して、被験者からＥＥＧにより計測されたＥＥＧ計測データは、決定された推定モデル１０に入力されることで、被験者の疾患らしさの推定結果が出力される。被験者の疾患らしさの推定結果を用いて、ニューロフィードバックトレーニング（以下、単に「トレーニング」とも称す。）などを行うことができる。後述するように、推定モデル１０は、被験者からＥＥＧにより計測されるＥＥＧ計測データのうち、疾患らしさの推定に適した情報を選択する機能も含む。
　このような推定モデル１０を用いることで、被験者の疾患らしさの状態を逐次推定できるので、例えば、ニューロフィードバックを低コストで実現できる。後述するように、推定モデルは対象特異性を有しているので、推定モデルは疾患の別に用意される。そして、被験者に現れる疾患に対応する推定モデルが適用されることになる。
　［Ｂ．推定システムのハードウェア構成例］
　次に、本実施の形態に従う推定方法を実現するための推定システムのハードウェア構成例について説明する。
　図３は、本実施の形態に従う疾患らしさの推定システム１のハードウェア構成例を示す模式図である。図３を参照して、推定システム１は、処理装置１００と、ＥＥＧ装置２００と、ｆＭＲＩ装置３００とを含む。
　処理装置１００は、被験者から同時に計測された脳波の計測データ（ＥＥＧ計測データ）および機能的磁気共鳴画像法の計測データ（ｆＭＲＩ計測データ）を取得する。より具体的には、処理装置１００は、ＥＥＧ装置２００により計測されたＥＥＧ計測データと、ｆＭＲＩ装置３００により計測されたｆＭＲＩ計測データとを受付けて、疾患らしさを推定する推定モデルを決定する。
　ＥＥＧ装置２００は、被験者Ｓの頭部に配置された複数のセンサ２２０に生じる脳波を示す信号（電気信号）を検出する。ＥＥＧ装置２００は、マルチプレクサ２０２と、ノイズフィルタ２０４と、Ａ／Ｄ（Analog　to　Digital）変換器２０６と、記憶部２０８と、インターフェイス２１０とを含む。
　マルチプレクサ２０２は、複数のセンサ２２０にそれぞれ接続されるケーブル２２２のうち一組のケーブルを順次選択して、ノイズフィルタ２０４と電気的に接続する。ノイズフィルタ２０４は、高周波カットフィルタなどのノイズを除去するフィルタであり、選択されたチャネルに対応する一組のケーブル間に生じる脳波を示す信号（電気信号）に含まれるノイズ成分を除去する。
　Ａ／Ｄ変換器２０６は、ノイズフィルタ２０４から出力される電気信号（アナログ信号）を所定周期毎にサンプリングして、デジタル信号として出力する。記憶部２０８は、Ａ／Ｄ変換器２０６から出力される時系列データ（デジタル信号）を、選択されているチャネルおよびタイミングを示す情報（例えば、時刻またはカウンタ値）と関連付けて逐次格納する。
　インターフェイス２１０は、処理装置１００などからのアクセスに応じて、記憶部２０８に格納されている脳波を示す時系列データを処理装置１００へ出力する。
　一方、ｆＭＲＩ装置３００は、被験者Ｓの脳活動の情報を取得したい領域（以下、「関心領域」とも称す。）に向けて、共鳴周波数の高周波電磁場を印加することで、特定の原子核（例えば、水素原子核）から共鳴により生じる電磁波を検出することで、脳活動を計測する。
　ｆＭＲＩ装置３００は、磁場印加機構３１０と、受信コイル３０２と、駆動部３２０と、データ処理部３５０とを含む。
　磁場印加機構３１０は、被験者Ｓの関心領域に制御された磁場（静磁場および傾斜磁場）を印加するとともに、ＲＦ（Radio　Frequency）パルスを照射する。より具体的には、磁場印加機構３１０は、静磁場発生コイル３１２と、傾斜磁場発生コイル３１４と、ＲＦ照射部３１６と、被験者Ｓをボア内に載置する寝台３１８とを含む。
　駆動部３２０は、磁場印加機構３１０に接続され、被験者Ｓに印加される磁場、および、ＲＦパルス波の送受信を制御する。より具体的には、駆動部３２０は、静磁場電源３２２と、傾斜磁場電源３２４と、信号送信部３２６と、信号受信部３２８と、寝台駆動部３３０とを含む。
　図３においては、被験者Ｓが載置される円筒形状のボアの中心軸をＺ軸と定義し、Ｚ軸に直交する水平方向および鉛直方向をそれぞれにＸ軸およびＹ軸と定義する。
　静磁場発生コイル３１２は、Ｚ軸周りに巻回される螺旋コイルから、ボア内にＺ軸方向の静磁場を発生させる。傾斜磁場発生コイル３１４は、ボア内にＸ軸方向、Ｙ軸方向、Ｚ軸方向の傾斜磁場をそれぞれ発生させる、Ｘコイル、Ｙコイル、Ｚコイル（図示していない）を含む。ＲＦ照射部３１６は、制御シーケンスに従って信号送信部３２６から送信される高周波信号に基づいて、被験者Ｓの関心領域にＲＦパルスを照射する。図３には、ＲＦ照射部３１６が磁場印加機構３１０に内蔵されている構成を例示するが、ＲＦ照射部３１６を寝台３１８側に設けてもよいし、ＲＦ照射部３１６と受信コイル３０２とを一体化してもよい。
　受信コイル３０２は、被験者Ｓから放出される電磁波（ＮＭＲ信号）を受信し、アナログ信号を出力する。受信コイル３０２から出力されたアナログ信号は、信号受信部３２８において、増幅およびＡ／Ｄ変換された上で、データ処理部３５０へ出力される。受信コイル３０２は、ＮＭＲ信号を高感度で検出できるように、被験者Ｓに近接して配置されることが好ましい。
　データ処理部３５０は、駆動部３２０に対する制御シーケンスを設定するとともに、受信コイル３０２で受信されたＮＭＲ信号から脳活動を示す情報として、脳内の活性度を示す複数の脳活動パターン画像を出力する。
　データ処理部３５０は、制御部３５１と、入力部３５２と、表示部３５３と、記憶部３５４と、画像処理部３５６と、データ収集部３５７と、インターフェイス３５８とを含む。データ処理部３５０としては、専用のコンピュータであってもよいし、記憶部３５４などに格納された制御プログラムを実行することで、所定の処理を実現する汎用コンピュータであってもよい。
　制御部３５１は、駆動部３２０を駆動させる制御シーケンスを発生させるなどの各機能部の動作を制御する。入力部３５２は、図示しない操作者から各種操作や情報入力を受付ける。表示部３５３は、被験者Ｓの関心領域に関する各種画像および各種情報を画面表示する。記憶部３５４は、ｆＭＲＩに係る処理を実行するための制御プログラム、パラメータ、画像データ（３次元モデル像等）、その他の電子データなどを格納する。画像処理部３５６は、検出されたＮＭＲ信号のデータに基づいて、複数の脳活動パターン画像を生成する。インターフェイス３５８は、駆動部３２０との間で各種の信号を遣り取りする。データ収集部３５７は、関心領域に由来する一群のＮＭＲ信号からなるデータを収集する。
　図４は、本実施の形態に従う推定方法を実現する推定システム１を構成する処理装置１００のハードウェア構成例を示す模式図である。処理装置１００は、典型的には、汎用的なアーキテクチャに従うコンピュータを採用することができる。図４を参照して、処理装置１００は、主たるコンポーネントとして、プロセッサ１０２と、主記憶部１０４と、コントロールインターフェイス１０６と、ネットワークインターフェイス１０８と、入力部１１０と、表示部１１２と、二次記憶部１２０とを含む。
　プロセッサ１０２は、ＣＰＵ（Central　Processing　Unit）やＧＰＵ（Graphical　Processing　Unit）といった演算処理回路からなり、二次記憶部１２０に格納されている各種プログラムに含まれるコードを指定される順序に実行することで、後述する各種機能を実現する。主記憶部１０４は、ＤＲＡＭ（Dynamic　Random　Access　Memory）などで構成され、プロセッサ１０２で実行されるプログラムのコードやプログラムの実行に必要な各種ワークデータを保持する。
　処理装置１００は、通信機能を有しており、この通信機能は、主として、コントロールインターフェイス１０６およびネットワークインターフェイス１０８によって提供される。
　コントロールインターフェイス１０６は、ｆＭＲＩ装置３００のデータ処理部３５０との間でデータを遣り取りする。ネットワークインターフェイス１０８は、外部装置（例えば、クラウド上のデータサーバ装置など）との間でデータを遣り取りする。コントロールインターフェイス１０６およびネットワークインターフェイス１０８は、有線ＬＡＮ（Local　Area　Network）、無線ＬＡＮ、ＵＳＢ（Universal　Serial　Bus）、Ｂｌｕｅｔｏｏｔｈ（登録商標）などの任意の通信コンポーネントで構成される。
　入力部１１０は、典型的には、マウスまたはキーボードなどで構成され、ユーザからの操作を受付ける。表示部１１２は、典型的には、ディスプレイなどで構成され、処理装置１００における処理の実行状態や操作に係る各種情報をユーザへ通知する。
　二次記憶部１２０は、典型的には、ハードディスクまたはＳＳＤ（Solid　State　Drive）などで構成され、プロセッサ１０２にて実行される各種プログラム、処理に必要な各種データ、設定値などを保持する。より具体的には、二次記憶部１２０は、ＥＥＧ計測データ２０と、ｆＭＲＩ計測データ３０と、推定モデル決定プログラム１２１と、推定プログラム１２２と、推定モデルパラメータ１２４とを格納する。
　［Ｃ．推定モデルの決定処理］
　次に、本実施の形態に従う推定方法における推定モデルの決定処理について説明する。
　図５は、本実施の形態に従う推定方法における推定モデルを決定する処理を説明するための図である。図６は、本実施の形態に従う推定方法における推定モデルを決定するためのデータ処理例を示す図である。
　ＥＥＧ／ｆＭＲＩ同時計測データに含まれるＥＥＧ計測データ２０に対して、説明変数であるＦＣを算出するための処理が実行されるとともに、ＥＥＧ／ｆＭＲＩ同時計測データに含まれるｆＭＲＩ計測データ３０に対して、被説明変数である疾患らしさラベルを算出するための処理が実行される。図５および図６を参照して、これらの処理について説明する。
　（ｃ１：ＥＥＧ計測データ２０）
　ＥＥＧ計測データ２０は、チャネル（センサ）毎に計測される、脳波を示す信号変化（時間波形）の集合である。ＥＥＧ計測データ２０は、前処理（図６の（１）前処理に対応）によって、周波数帯域毎のパワーの時間波形２２に変換される。パワーの時間波形２２は、ＥＥＧ計測データ２０に含まれる対応する周波数成分の振幅二乗値の平均値を単位時間毎に順次算出したものを意味する。
　より具体的な前処理として、ＥＥＧ計測データ２０（時間波形）を周波数変換し、周波数毎の振幅を算出する。そして、指定された周波数帯域に含まれる１または複数の周波数を選択し、選択した１または複数の周波数の振幅を二乗して平均値を算出することで、パワーを算出できる。
　なお、ＥＥＧ計測データ２０のサンプリング周波数が高い場合には、所定のサンプリング周波数までダウンサンプリングした上で周波数解析してもよい。例えば、ｆＭＲＩのＲＦパルスの照射周期（ＴＲ：repetition　time）と対応するように、サンプリング周波数が１／ＴＲ［Ｈｚ］となるように、ダウンサンプリングしてもよい。
　このように、ＥＥＧ計測データ２０は、前処理によって、チャネル数Ｎ×周波数帯域数Ｍのパワーの時間波形２２が生成されることになる。なお、周波数帯域としては、例えば、シータ波（θ波：４－８Ｈｚ）、アルファ波（α波：８－１２Ｈｚ）、低ベータ（低β波：１２－２０Ｈｚ）、高ベータ（高いβ波：２０－３０Ｈｚ）の４つが挙げられる。例えば、チャネル数Ｎが６３および周波数帯域数Ｍが４である場合には、２５２（＝６３×４）個のパワーの時間波形２２が生成されることになる。
　続いて、同一の周波数帯域について、異なるチャネル間でパワーの時間波形２２の時間相関が算出される（図６の（２）時間相関の算出に対応）。
　本明細書において、「時間相関」は、複数の時間波形に対して共通に設定したウィンドウ２６に含まれる区間における、時間波形間の相関値および相関値の時間波形を意味する。
　ＥＥＧ計測データ２０については、２つのパワーの時間波形２２の間で時間相関が算出される。このとき、時間相関は、２つのパワーの時間波形２２に対して設定したウィンドウ２６の時間幅に注目した相関値の時間波形を意味する。すなわち、対象の２つのチャネルの脳波の時間波形に対して共通に設定したウィンドウ２６に含まれる区間における時間波形間の相関値から機能的結合（ＦＣ）を算出する。
　ウィンドウ２６は、所定のウィンドウサイズ（時間幅）を有しており、ウィンドウ２６の設定位置（開始時刻から終了時刻までの時間区間）をステップサイズずつ順次シフトさせるとともに、ウィンドウ２６のそれぞれの設定位置に対応する相関が順次算出されることで、ＥＥＧ時間相関の時間波形２４を算出できる。算出されるＥＥＧ時間相関の時間波形２４はＦＣに相当する。
　このように、ＥＥＧ計測データ２０に含まれるチャネル間の相関に基づいて、チャネル組合せ毎（チャネルペア毎）に機能的結合（ＦＣ）が算出される。
　例えば、ＥＥＧのチャネル数Ｎが６３であれば、ＥＥＧ時間相関の時間波形２４は、１９５３（＝Ｎ×（Ｎ－１）／２＝６３×（６３－１）／２）通りのチャネル組合せ（チャネルペア）についてそれぞれ算出できる。また、ＥＥＧ時間相関の時間波形２４は、ウィンドウ２６をシフトした数（タイムステップ数）の時間長さを有する。
　ＥＥＧ時間相関の時間波形２４は、周波数帯域の別に算出される。すなわち、周波数帯域数ＭのＥＥＧ時間相関の時間波形２４が生成される。
　さらに、設定されるウィンドウ２６のウィンドウサイズ（時間幅）を異ならせて、それぞれについてＥＥＧ時間相関の時間波形２４を算出してもよい。
　このように、疾患らしさを推定するための特徴量としては、チャネルペア、周波数帯域、ウィンドウサイズの３つを異ならせた、ＥＥＧ時間相関の時間波形２４が用いられてもよい。この場合、ＥＥＧ時間相関の時間波形２４は、それぞれの周波数帯域、および／または、それぞれのウィンドウサイズについて、チャネル組合せ（チャネルペア）次元×（ウィンドウ２６に応じたタイムステップ数）次元のベクトルとして出力されることになる。
　このように、ＥＥＧ計測データ２０に含まれる周波数帯域毎、および／または、設定するウィンドウ２６のウィンドウサイズ毎、に機能的結合（ＦＣ）を算出するようにしてもよい。
　なお、周波数帯域およびウィンドウサイズのすべてをまとめた単一のベクトルを生成してもよい。この場合には、｛（チャネル組合せ（チャネルペア）の数）×（ウィンドウサイズの数）×（周波数帯域の数）｝次元×（タイムステップ数）次元のベクトルとして出力されることになる。すなわち、上述した例においては、ＥＥＧ時間相関の時間波形２４としては、それぞれの周波数帯域、および／または、それぞれのウィンドウサイズについて、１９５３次元×（タイムステップ数）次元のベクトルがされてもよいし、これらをまとめたより多次元のベクトルが出力されてもよい。
　（ｃ２：ｆＭＲＩ計測データ３０）
　ｆＭＲＩ計測データ３０（すなわち、脳活動パターン画像）は、ＲＦパルスの照射周期毎に取得される脳活動パターン画像の集合である。既知の脳内ネットワーク（安静時ネットワーク）の各々について、脳内のいずれの領域の脳活動に対応しているのかは既知である。このような脳内ネットワークの各々に対応する１または複数の領域が「関心領域」（Region　Of　Interest：以下、「ＲＯＩ」とも略称する。）に相当する。
　本実施の形態に従う推定方法においては、各脳内ネットワークの活動は、２つのＲＯＩの組合せによって規定されるとする。
　まずは、ｆＭＲＩ計測データ３０は、前処理（図６の（１’）前処理に対応）によって、ＲＯＩ毎のＢＯＬＤ信号３２が算出される。ＢＯＬＤ信号は、ＲＯＩ毎の血中酸素濃度に依存する活動量の時間的変化を意味する。より具体的には、ｆＭＲＩ計測データ３０に対する前処理においては、脳活動パターン画像に含まれるＲＯＩに対応する画像特徴量に基づいて、ＢＯＬＤ信号が算出される。
　続いて、脳内ネットワーク毎に対応するＲＯＩ間でＢＯＬＤ信号３２の時間相関が算出される（図６の（２’）時間相関の算出に対応）。ｆＭＲＩ計測データ３０については、２つのＢＯＬＤ信号３２の間で時間相関が算出される。このとき、時間相関は、２つのＢＯＬＤ信号３２に対して設定したウィンドウ２６の時間幅に注目した相関値の時間波形を意味する。すなわち、対象の２つのＲＯＩの活動量を示す時間波形に対して共通に設定したウィンドウ２６に含まれる区間における時間波形間の相関値から機能的結合（ＦＣ’）を算出する。
　ウィンドウ２６は、所定のウィンドウサイズ（時間幅）を有しており、ウィンドウ２６の設定位置（開始時刻から終了時刻までの時間区間）をステップサイズずつ順次シフトさせるとともに、ウィンドウ２６のそれぞれの設定位置に対応する相関が順次算出されることで、ＢＯＬＤ時間相関の時間波形３４を算出できる。ＢＯＬＤ時間相関の時間波形３４は、相関値の時間的変化であり、機能的結合（ＦＣ’）に相当する。
　ＢＯＬＤ時間相関の時間波形３４は、ＲＯＩ組合せ、すなわち対象とする脳内ネットワークについてそれぞれ算出できる。このように、ｆＭＲＩ計測データ３０に含まれるＲＯＩ間の相関に基づいて、脳内ネットワーク毎に機能的結合（ＦＣ’）が算出される。
　なお、図５中の「Ｄｙｎａｍｉｃ」は、注目しているウィンドウ毎に値が算出されることを意味し、「Ｓｔａｔｉｃ」は、全期間を通じて単一の値が算出されることを意味する。そのため、図５中の「Ｓｔａｔｉｃ　ＦＣ」は、全期間に亘る相関値（単一の機能的結合）を意味する。
　このように算出されたＢＯＬＤ時間相関の時間波形３４（ＦＣ’）を用いて、疾患らしさが推定される（図６の（３’）疾患らしさの推定に対応）。先行研究によって、疾患らしさは、複数の脳内ネットワーク（すなわち、複数のＲＯＩにおける脳活動）に関連付けられることが知られている。
　本実施の形態に従う推定方法においては、このような事前情報を用いて、推定対象の疾患らしさに関連付けられる複数の脳内ネットワークに対応するＢＯＬＤ時間相関の時間波形３４を用いて、推定対象の疾患らしさを示すスコアであるＷＬＳ３６を算出する。より具体的には、対象となる複数のＢＯＬＤ時間相関の時間波形３４（ＦＣ’）に対して、対応する重み付けパラメータをそれぞれ乗じて加算することで、ＷＬＳ３６を算出する。このような算出方法は、ＷＬＳ（Weighted　Linear　Summation）法として知られている。
　このように、推定対象の疾患らしさに対応付けられた複数の機能的結合（ＢＯＬＤ時間相関の時間波形３４）にそれぞれ対応する重み付けパラメータを乗じた総和に基づいて、疾患らしさを示すスコアであるＷＬＳ３６を算出する。
　このように、ＢＯＬＤ時間相関の時間波形３４（ＦＣ’）を複数用いて推定対象の疾患らしさを示すスコア（ＷＬＳ３６）を算出することで、疾患らしさラベル３８が算出される。
　さらに、疾患らしさを示すスコア（ＷＬＳ３６）を正規化処理した上で、しきい値処理することで、疾患らしさラベル３８（ｌａｂｅｌ）を算出する。例えば、しきい値処理として、二値化処理を採用した場合には、疾患らしさラベル３８は、健全を意味する「０」、または、疾患を意味する「１」を示すことになる。
　疾患らしさラベル３８は、推定対象の疾患らしさについて、１次元×（ウィンドウ２６の設定数）次元のベクトルとして出力されることになる。疾患らしさラベル３８は被説明変数となる。
　（ｃ３：推定モデルの決定処理）
　推定モデルは、説明変数であるＥＥＧ時間相関の時間波形２４（ＦＣ）と被説明変数である疾患らしさラベル３８（ｌａｂｅｌ）との関係を規定するものである。本実施の形態に従う推定方法においては、多次元ベクトルであるＥＥＧ時間相関の時間波形２４に含まれる特徴量のうち、疾患らしさラベル３８の推定に適したものが選択される。推定フェーズにおいては、選択された特徴量の情報（順次算出される時間相関）を利用して、疾患らしさが推定される。すなわち、チャネル組合せ毎（チャネルペア毎）のＥＥＧ時間相関の時間波形２４（ＦＣ）と疾患らしさラベル３８とを用いた機械学習により、所定のＥＥＧ時間相関の時間波形２４（ＦＣ）を用いて、疾患らしさを推定するための推定モデルが決定される。
　このように、説明変数であるＥＥＧ時間相関の時間波形２４に含まれる特徴量の一部のみを推定に利用することで、次元を圧縮および削減でき、これによって推定に係る演算量を低減するとともに、推定処理を高速化できる。
　推定モデルの決定には、任意の機械学習アルゴリズムを用いることができるが、一例として、ＳＬＲ（Sparse　Logistic　Regression）を採用してもよい。
　すなわち、ＥＥＧ時間相関の時間波形２４は、説明変数として、機械学習アルゴリズムであるＳＬＲに入力される（図６の（３）ＳＬＲに入力に対応）とともに、疾患らしさラベル３８は、被説明変数として、機械学習アルゴリズムであるＳＬＲに入力される（図６の（４’）ＳＬＲに入力に対応）。そして、機械学習により、疾患らしさラベル３８の推定に適した特徴量が選択される。
　図７は、本実施の形態に従う推定方法において決定される推定モデルの概要を説明するための図である。図７を参照して、ＥＥＧ時間相関の時間波形２４は、周波数帯域毎のＥＥＧのチャネル数に応じた特徴量群になっている。なお、図示していないが、ＥＥＧ時間相関の時間波形２４は、ウィンドウサイズ毎にも算出される。
　機械学習により、ＥＥＧ時間相関の時間波形２４の多次元ベクトルを構成する多数の特徴量のうち、疾患らしさラベル３８の推定に適した所定数（例えば、３０個）の特徴量Ｆｉ（ｉ＝１，２，・・・，ｘ）が選択される。
　さらに、選択された特徴量のそれぞれに対して重み付けパラメータＷｉ（ｉ＝１，２，・・・，ｘ）を決定してもよい。例えば、重み付けパラメータＷｉは、疾患らしさラベル３８の推定に適した特徴量Ｆｉほど、大きな値が設定されてもよい。
　あるいは、特徴量の選択および選択された特徴量Ｆｉに対応する重み付けパラメータＷｉの決定という手法に代えて、重み付けパラメータＷｉのみを決定するようにしてもよい。例えば、疾患らしさラベル３８の推定に使用されない特徴量については、重み付けパラメータＷｉをゼロに設定することで、選択しない場合と同様の結果を得ることができる。
　このように、決定される推定モデルは、チャネル組合せ毎（チャネルペア毎）のＥＥＧ時間相関の時間波形２４（ＦＣ）のうち推定に使用するＥＥＧ時間相関の時間波形２４（特徴量Ｆｉ）を選択するための情報と、選択されたＥＥＧ時間相関の時間波形２４に対応付けられる重み付けパラメータＷｉとを含む。
　推定フェーズにおいては、上述したような手順により決定された特徴量および対応する重み付けパラメータを用いて、ＥＥＧ計測データ２０のみから被験者の疾患らしさが順次推定される。
　（ｃ４：処理手順）
　図８は、本実施の形態に従う推定方法の処理手順を示すフローチャートである。図８に示す一部のステップは、処理装置１００においてプログラムが実行されることで実現されてもよい。
　図８を参照して、まず、ＥＥＧおよびｆＭＲＩを同時計測して、ＥＥＧ計測データ２０およびｆＭＲＩ計測データ３０を取得する（ステップＳ１００）。すなわち、処理装置１００は、被験者から同時に計測された脳波の計測データ（ＥＥＧ計測データ２０）およびｆＭＲＩの計測データ（ｆＭＲＩ計測データ３０）を取得する。
　処理装置１００は、取得されたＥＥＧ計測データ２０に対して前処理を行うことで、それぞれの周波数帯域についてのパワーの時間波形を算出する（ステップＳ１０２）。続いて、処理装置１００は、算出されたパワーの時間波形を用いて、それぞれのウィンドウサイズについてのＥＥＧ時間相関の時間波形を算出する（ステップＳ１０４）。すなわち、処理装置１００は、ＥＥＧ計測データ２０に含まれるチャネル間の相関に基づいて、チャネル組合せ毎に機能的結合（ＦＣ）を算出する。
　ステップＳ１０２およびＳ１０４の処理と並行して、あるいは、ステップＳ１０４の後に、処理装置１００は、取得されたｆＭＲＩ計測データ３０に対して前処理を行うことで、脳内ネットワークを構成するそれぞれのＲＯＩについてのＢＯＬＤ信号の時間波形を算出する（ステップＳ１１２）。続いて、処理装置１００は、算出されたＢＯＬＤ信号の時間波形を用いて、それぞれのウィンドウサイズについてのＢＯＬＤ時間相関の時間波形を算出する（ステップＳ１１４）。すなわち、処理装置１００は、ｆＭＲＩ計測データ３０に含まれるＲＯＩ間の相関に基づいて、脳内ネットワーク毎に機能的結合（ＦＣ’）を算出する。
　続いて、処理装置１００は、算出されたＢＯＬＤ時間相関の時間波形のうち、推定対象の疾患らしさに応じたＢＯＬＤ時間相関の時間波形を選択するとともに、対応する重み付けパラメータをそれぞれ乗じて加算することで、ＷＬＳを算出する（ステップＳ１１６）。そして、処理装置１００は、算出したＷＬＳを正規化処理した上で二値化することで、疾患らしさを示す疾患らしさラベルを算出する（ステップＳ１１８）。すなわち、処理装置１００は、機能的結合（ＦＣ’）を複数用いて推定対象の疾患らしさを示すスコア（ＷＬＳ）を算出することで、疾患らしさラベルを算出する。
　最終的に、処理装置１００は、ＥＥＧ時間相関の時間波形と疾患らしさラベルとを用いて機械学習することで、疾患らしさラベルを推定するための特徴量および重み付けパラメータを決定する（ステップＳ１２０）。すなわち、処理装置１００は、チャネル組合せ毎に機能的結合（ＦＣ）と疾患らしさラベルとを用いた機械学習により、所定の機能的結合（ＦＣ）を用いて、疾患らしさを推定するための推定モデルを決定する。
　このような手順によって、推定モデルを決定できる。
　［Ｄ．ＥＥＧ／ｆＭＲＩ同時計測］
　次に、図１に示す「（１）ＥＥＧ／ｆＭＲＩ同時計測」、および、図８に示すステップＳ１００について説明する。図３に示す推定システム１を利用して、被験者Ｓは、頭部にセンサを装着した状態で、ｆＭＲＩ装置３００のボアに載置されて、ＥＥＧおよびｆＭＲＩが並列的に実行される。
　処理装置１００は、ＥＥＧ装置２００およびｆＭＲＩ装置３００からの計測データを共通の時刻を基準として互いに対応付けて格納する。このような共通の時刻に基づく計測データの対応付けによって、時間軸を共通とする、ＥＥＧ計測データ２０およびｆＭＲＩ計測データ３０を取得できる。
　［Ｅ．ＥＥＧ計測データ２０から機能的結合（ＦＣ）の算出］
　次に、図１に示す「（２）機能的結合（ＦＣ）を算出」、および、図８に示すステップＳ１０２～Ｓ１０４について詳述する。
　まず、ＥＥＧ計測データ２０（時間波形）に対する前処理として、時間波形を周波数変換する。周波数変換する処理としては、例えば、高速フーリエ変換などを用いることができる。なお、高速フーリエ変換に限らず、ヒルベルト変換や離散フーリエ変換などを用いてもよい。
　図８のステップＳ１０２の前処理としては、ＥＥＧ計測データ２０を周波数変換することで、周波数領域（周波数と振幅との関係）のデータを算出する。対象の周波数帯域毎に当該周波数帯域に含まれる周波数の振幅二乗値の平均値を算出することで、当該周波数帯域のパワーを算出する。
　図８のステップＳ１０４においては、任意の２つのチャネルが選択されて、ウィンドウを時間軸に沿って順次シフトさせるとともに、ウィンドウ内のパワーの時間波形の間で相関値を順次算出する。
　これらの処理によって、ＥＥＧ時間相関の時間波形２４（ＦＣ）を算出できる。
　図９は、図８のステップＳ１０２およびＳ１０４のより詳細な処理手順を示すフローチャートである。図９を参照して、処理装置１００は、取得されたＥＥＧ計測データ２０に含まれる１つのチャネルを選択し（ステップＳ１０２１）、パワーを算出する対象の時刻を選択し（ステップＳ１０２２）、選択した時刻を基準位置とするウィンドウに含まれる時間波形を高速フーリエ変換する（ステップＳ１０２３）。
　なお、ウィンドウに含まれる時間波形を時間軸に沿って移動平均した上で、高速フーリエ変換するようにしてもよい。このような移動平均を適用することで、高周波のノイズ成分を低減できる。
　続いて、処理装置１００は、パワーを算出する対象の周波数帯域を選択し（ステップＳ１０２４）、選択した周波数帯域に含まれる周波数の振幅二乗値の平均値を算出する（ステップＳ１０２５）。そして、処理装置１００は、振幅二乗値の平均値を選択中の時刻および選択中の周波数帯域に関連付けて格納する（ステップＳ１０２６）。
　処理装置１００は、すべての周波数帯域の選択が完了したか否かを判断する（ステップＳ１０２７）。すべての周波数帯域の選択が完了していなければ（ステップＳ１０２７においてＮＯ）、ステップＳ１０２４以下の処理が繰り返される。
　すべての周波数帯域の選択が完了していれば（ステップＳ１０２７においてＹＥＳ）、処理装置１００は、すべての時刻の選択が完了したか否かを判断する（ステップＳ１０２８）。すべての時刻の選択が完了していなければ（ステップＳ１０２８においてＮＯ）、ステップＳ１０２２以下の処理が繰り返される。
　すべての時刻の選択が完了していれば（ステップＳ１０２８においてＹＥＳ）、処理装置１００は、すべてのチャネルの選択が完了したか否かを判断する（ステップＳ１０２９）。すべてのチャネルの選択が完了していなければ（ステップＳ１０２９においてＮＯ）、ステップＳ１０２１以下の処理が繰り返される。
　すべてのチャネルの選択が完了していれば（ステップＳ１０２９においてＹＥＳ）、この段階で、周波数帯域毎のパワーの時間波形２２の算出処理が完了する。そして、ＥＥＧ時間相関の時間波形２４（ＦＣ）の算出処理が続く。
　処理装置１００は、ＥＥＧ時間相関を算出する対象のウィンドウ設定（ウィンドウサイズおよびステップサイズ）を選択し（ステップＳ１０４１）、ＥＥＧ時間相関を算出する対象の周波数帯域を選択し（ステップＳ１０４２）。
　なお、ウィンドウ設定（ウィンドウサイズおよびステップサイズ）については、予め複数の組合せを用意していてもよいし、１種類だけであってもよい。
　また、処理装置１００は、ＥＥＧ時間相関を算出する対象のチャネル組合せを選択する（ステップＳ１０４３）。
　続いて、処理装置１００は、ＥＥＧ時間相関を算出する対象の時刻を選択し（ステップＳ１０４４）、選択したチャネル組合せに対応する２つのチャネルについて、選択した時刻を基準位置とするウィンドウに含まれるパワーの時間波形を抽出し（ステップＳ１０４５）、抽出したパワーの時間波形の相関値を算出する（ステップＳ１０４６）。そして、処理装置１００は、算出した相関値を、選択中の時刻、チャネル組合せ、周波数帯域、および、ウィンドウ設定に関連付けて格納する（ステップＳ１０４７）。
　処理装置１００は、すべての時刻の選択が完了したか否かを判断する（ステップＳ１０４８）。すべての時刻の選択が完了していなければ（ステップＳ１０４８においてＮＯ）、ステップＳ１０４４以下の処理が繰り返される。
　すべての時刻の選択が完了していれば（ステップＳ１０４８においてＹＥＳ）、処理装置１００は、すべてのチャネル組合せの選択が完了したか否かを判断する（ステップＳ１０４９）。すべてのチャネル組合せの選択が完了していなければ（ステップＳ１０４９においてＮＯ）、ステップＳ１０４３以下の処理が繰り返される。
　すべてのチャネル組合せの選択が完了していれば（ステップＳ１０４９においてＹＥＳ）、処理装置１００は、すべての周波数帯域の選択が完了したか否かを判断する（ステップＳ１０５０）。すべての周波数帯域の選択が完了していなければ（ステップＳ１０５０においてＮＯ）、ステップＳ１０４２以下の処理が繰り返される。
　すべての周波数帯域の選択が完了していれば（ステップＳ１０５０においてＹＥＳ）、処理装置１００は、すべてのウィンドウ設定の選択が完了したか否かを判断する（ステップＳ１０５１）。すべてのウィンドウ設定の選択が完了していなければ（ステップＳ１０５１においてＮＯ）、ステップＳ１０４１以下の処理が繰り返される。
　すべてのウィンドウ設定の選択が完了していれば（ステップＳ１０５１においてＹＥＳ）、この段階で、ＥＥＧ時間相関の時間波形２４（ＦＣ）の算出処理が完了する。
　［Ｆ．ｆＭＲＩ計測データ３０から疾患らしさを推定する処理］
　次に、図１に示す「（３）複数の脳内ネットワークから疾患らしさを推定」、および、図８に示すステップＳ１１２～Ｓ１１８について詳述する。
　まず、ｆＭＲＩ計測データ３０（脳活動パターン画像）に対する前処理（ステップＳ１１２）においては、脳活動パターン画像からＲＯＩ毎のＢＯＬＤ信号３２が算出される。このＢＯＬＤ信号３２の抽出においては、ｆＭＲＩにおいて生じる時間遅れを補償するための処理が実行される。
　より具体的には、注目しているＲＯＩの脳状態（neural　state）であるＢＯＬＤ信号３２をｓ（ｔ）とし、血流動態反応関数（hemodynamic　response　function：ＨＲＦ）をｈ（ｔ）とすると、ＲＯＩ毎の活動量を示すＢＯＬＤ信号への変換ｙ（ｔ）は、以下の（１）式に示すように、ｓ（ｔ）とｈ（ｔ）との畳み込みに、誤差ｅ（ｔ）を付加したものに相当する。
Figure JPOXMLDOC01-appb-M000001
　ここで、ＨＲＦ（ｔ）は、ｆＭＲＩのＲＦパルスの照射周期ＴＲに依存する。
　脳状態の推定値ｓ＾（ｔ）は、ウィーナーフィルタｄ（ｔ）を用いて、以下の（２）式のように示すことができる。
Figure JPOXMLDOC01-appb-M000002
　ここで、Ｈ（ｘ），Ｙ（ｘ），Ｅ（ｘ），Ｄ（ｘ）をｈ（ｔ），ｙ（ｔ），ｅ（ｔ），ｄ（ｔ）のフーリエ変換とすると、脳状態の推定値ｓ＾（ｔ）は、以下の（３）式のように示すことができる。
Figure JPOXMLDOC01-appb-M000003
　上述の（３）式に示される脳状態の推定値ｓ＾（ｔ）がＢＯＬＤ信号に相当する。すなわち、脳状態の推定値ｓ（ｔ）は、観測されるｙ（ｔ）をＨＲＦで逆畳み込みすることで、推定されることになる。ＨＲＦで逆畳み込みすることによって、ＥＥＧ計測データ２０とｆＭＲＩ計測データ３０との間の時間遅れ（計測ポイントのずれ）が補償される。
　図１０は、ＥＥＧ計測データ２０およびｆＭＲＩ計測データ３０に対する前処理の概要を説明するための図である。
　図１０を参照して、ＥＥＧ計測データ２０に対して、ウィンドウ２６をステップサイズずつ順次シフトさせて設定するとともに、ウィンドウ２６毎にＥＥＧ時間相関を算出することで、ＥＥＧ時間相関の時間波形２４を算出できる。
　一方、ｆＭＲＩ計測データ３０に対しては、ＨＲＦを用いて逆畳み込みすることで、ＲＦパルスの照射に係る時間遅れが補償された上で、ＢＯＬＤ信号３２が算出される。すなわち、ＨＲＦを用いた逆畳み込みによって、ＥＥＧ計測データ２０の時間軸と、ＢＯＬＤ信号３２の時間軸とを実質的に一致させることができる。そして、ＢＯＬＤ信号３２を用いて、疾患らしさラベル３８が算出される。
　図８のステップＳ１１４においては、２つのＲＯＩの組合せの各々について、ウィンドウを時間軸に沿って順次シフトさせるとともに、ウィンドウ内のＢＯＬＤ信号の時間波形の間で相関値を順次算出する。なお、２つのＲＯＩの組合せは、同一のＲＯＩ同士であってもよい。
　図８のステップＳ１１６およびＳ１１８においては、推定対象の疾患らしさに応じた複数のＢＯＬＤ時間相関の時間波形に対して、対応する重み付けパラメータをそれぞれ乗じて加算することで、ＷＬＳを算出する。さらに、算出したＷＬＳを正規化処理した上で二値化することで、疾患らしさを示す疾患らしさラベルを算出する。より具体的には、ＷＬＳ３６は、ｋ番目のＢＯＬＤ時間相関の時間波形３４（ＦＣ’（ｋ））と、対応する重み付けパラメータＷＦＣ（ｋ）とを用いて、以下に示す（４）式のように算出できる。
　　ＷＬＳ＝ΣＦＣ’（ｋ）×ＷＦＣ（ｋ）　・・・（４）
　ＷＬＳは、０を境界として、疾患らしさの度合いが大きくなるほど大きな数値を示すスコアである。ＷＬＳは、以下に示す（５）式に従って、確率ｐに正規化できる。
　　ｐ＝１／（１＋ｅｘｐ（－ＷＬＳ））　・・・（５）
　確率ｐ（０≦ｐ≦１）は、０．５を境界として、疾患らしさの度合いが大きくなるほど１に近付くことになる。
　推定対象の疾患らしさに応じて、対象の機能的結合（ＦＣ’）が選択される。例えば、非特許文献３には、１６個の機能的結合（ＦＣ’）を用いた統合失調症（ＳＣＺ）の疾患判別器が開示されている。また、非特許文献４には、１０個の機能的結合（ＦＣ’）を用いたメランコリー型うつ（ＭＤＤ：melancholic）の疾患判別器が開示されている。
　これらの先行技術を参照することで、推定対象の疾患らしさに応じて、複数の機能的結合（ＦＣ’）が選択されるとともに、選択された機能的結合（ＦＣ’）に対応付けられる重み付けパラメータＷＦＣをそれぞれ乗じて得られる値の総和を算出することで、ＷＬＳを決定できる。
　最終的に、確率ｐを二値化することで、疾患らしさラベルを算出できる。
　図１１は、図８の示すステップＳ１１２～Ｓ１１８のより詳細な処理手順を示すフローチャートである。図１１を参照して、処理装置１００は、ＢＯＬＤ信号の算出対象となるＲＯＩを選択し（ステップＳ１１２１）、ｆＭＲＩ計測データ３０のそれぞれから選択したＲＯＩに対応する領域の画像特徴量から活動量をそれぞれ抽出する（ステップＳ１１２２）。抽出した活動量の時間的変化をＨＲＦで逆畳み込みすることで、ＢＯＬＤ信号の時間波形を算出し（ステップＳ１１２３）、選択中のＲＯＩに関連付けて格納する（ステップＳ１１２４）。
　処理装置１００は、すべてのＲＯＩの選択が完了したか否かを判断する（ステップＳ１１２５）。すべてのＲＯＩの選択が完了していなければ（ステップＳ１１２５においてＮＯ）、ステップＳ１１２１以下の処理が繰り返される。
　すべてのＲＯＩの選択が完了していれば（ステップＳ１１２５においてＹＥＳ）、この段階で、ＲＯＩ毎のＢＯＬＤ信号の算出処理が完了する。そして、ＢＯＬＤ時間相関の時間波形３４の算出処理が続く。
　処理装置１００は、ＢＯＬＤ時間相関を算出する対象のＲＯＩ組合せを選択する（ステップＳ１１４１）。
　続いて、処理装置１００は、ＢＯＬＤ時間相関を算出する対象の時刻を選択し（ステップＳ１１４２）、選択したＲＯＩ組合せに対応する２つのＲＯＩについて、選択した時刻を基準位置とするウィンドウに含まれるＢＯＬＤ信号３２の時間波形を抽出し（ステップＳ１１４３）、抽出したＢＯＬＤ信号の時間波形の相関値を算出する（ステップＳ１１４４）。そして、処理装置１００は、算出した相関値を、選択中の時刻およびＲＯＩ組合せに関連付けて格納する（ステップＳ１１４５）。
　処理装置１００は、すべての時刻の選択が完了したか否かを判断する（ステップＳ１１４６）。すべての時刻の選択が完了していなければ（ステップＳ１１４６においてＮＯ）、ステップＳ１１４２以下の処理が繰り返される。
　すべての時刻の選択が完了していれば（ステップＳ１１４６においてＹＥＳ）、処理装置１００は、すべてのＲＯＩ組合せの選択が完了したか否かを判断する（ステップＳ１１４７）。すべてのＲＯＩ組合せの選択が完了していなければ（ステップＳ１１４７においてＮＯ）、ステップＳ１１４１以下の処理が繰り返される。
　すべてのＲＯＩ組合せの選択が完了していれば（ステップＳ１１４７においてＹＥＳ）、この段階で、ＢＯＬＤ時間相関の時間波形３４の算出処理が完了する。そして、ＷＬＳの算出処理が続く。
　処理装置１００は、推定対象の疾患らしさを選択し（ステップＳ１１６１）、選択した疾患らしさに関連付けられる複数の脳内ネットワーク（ＲＯＩ組合せ）を決定する（ステップＳ１１６２）。また、処理装置１００は、決定した複数の脳内ネットワークのそれぞれに対応する重み付けパラメータを決定する（ステップＳ１１６３）。そして、処理装置１００は、決定した複数の脳内ネットワークそれぞれのＢＯＬＤ時間相関の時間波形３４に、それぞれ対応する重み付けパラメータを乗じた上で、総和を算出する（ステップＳ１１６４）。算出される総和が推定対象の疾患らしさに対応するＷＬＳとなる。
　処理装置１００は、すべての疾患らしさの選択が完了したか否かを判断する（ステップＳ１１６５）。すべての疾患らしさの選択が完了していなければ（ステップＳ１１６５においてＮＯ）、ステップＳ１１６１以下の処理が繰り返される。
　すべての疾患らしさの選択が完了していれば（ステップＳ１１６５においてＹＥＳ）、この段階で、疾患らしさ毎のＷＬＳの算出処理が完了する。そして、疾患らしさラベルの算出処理が続く。
　処理装置は、算出したＷＬＳを正規化処理して確率ｐを算出し（ステップＳ１１８１）、算出した確率ｐをしきい値処理することで、０または１の値の列を出力する（ステップＳ１１８２）。出力される０または１の値の列が疾患らしさを示す疾患らしさラベルとなる。
　［Ｇ．モデル化処理］
　次に、図１に示す「（４）推定モデルの決定」、および、図８に示すステップＳ１２０について詳述する。
　推定モデルの決定処理においては、説明変数であるＥＥＧ時間相関の時間波形２４（ＦＣ）と、被説明変数である疾患らしさラベル３８との関係を機械学習することで、ＥＥＧ時間相関の時間波形２４に含まれる多次元ベクトルを構成する多数の特徴量のうち、疾患らしさラベル３８の推定に適した所定数（例えば、３０個）の特徴量および対応する重み付けパラメータが決定される。
　このような機械学習の手法としては、任意の機械学習アルゴリズムを用いることができるが、一例として、ＳＬＲを採用する場合について説明する。以下、ＳＬＲの具体的な処理手順について説明する。
　２つのクラスＳ１およびＳ２を各特徴量の重み付け総和により判別する線形判別関数として、以下に示す（６）式を想定する。
Figure JPOXMLDOC01-appb-M000004
　ここで、ｘはＤ次元空間内の特徴量（ｘ＝（ｘ１，ｘ２，・・・，ｘＤ）ｔ∈ＲＤ）であり、θはバイアス項を含む重み付けベクトル（θ＝（θ１，θ２，・・・，θＤ）ｔ）である。ｆ（ｘ；θ）＝０に対応する超平面は、クラスＳ１とクラスＳ２との境界を定める。
　ＳＬＲでは、（７）式の示すようなロジスティック関数を用いて、クラスＳ１とクラスＳ２との境界を定める超平面に対して、特徴量の各々がクラスＳ２に属する可能性を計算する。
Figure JPOXMLDOC01-appb-M000005
　ここで、確率ｐは０から１の範囲をとり、ｆ（ｘ；θ）＝０（超平面上）である場合に０となり、ｆ（ｘ；θ）が正または負の無限点（超平面から遠く離れた位置）にある場合に１を示す。すなわち、確率ｐは、任意の特徴量ｘがクラスＳ２に属している可能性を意味する。
　ここで、任意の二値出力変数ｙ（ｙ＝０がクラスＳ１に対応し、ｙ＝１がクラスＳ２に対応する）を導入すると、Ｎ個の入力－出力の要素を含むデータ列｛（ｘ１，ｙ１），（ｘ２，ｙ２），・・・，（ｘＮ，ｙＮ）｝について、以下の（８）式に示すような確率関数を定義できる。
Figure JPOXMLDOC01-appb-M000006
　（８）式中の各項は、ｎ番目のサンプルの確率ｐｎ（ｙｎ＝１の場合にｐｎであり、ｙｎ＝０の場合に１－ｐｎである）を示すことになるので（（９）式参照）、（８）式に示される各項の積は、データ列に含まれるすべてのサンプルの確率を意味する。
　機械学習の目的としては、（１０）式に示すような確率関数ｌ（θ）を導入し、（１０）式により定義される確率関数ｌ（θ）の値を最大化する重み付けベクトルθを探索する。
Figure JPOXMLDOC01-appb-M000007
　確率関数ｌ（θ）は、重み付けベクトルθに依存する非線形要素の確率ｐｎを含む。そのため、確率関数ｌ（θ）の解法には、勾配およびヘッセ行列を用いることができる。確率関数ｌ（θ）を最大化する重み付けベクトルθ（＝（θ１，θ２，・・・，θＤ）ｔ）が決定できれば、重み付けベクトルθに含まれる要素（重み付けパラメータ）の値に基づいて、特徴量の一部を推定に適した特徴量として選択できる。
　例えば、重み付けパラメータの大きさが上位のものから所定数（例えば、３０個）が選択され、選択された重み付けパラメータに対応する特徴量が選択される。
　このようにして、疾患らしさラベル３８の推定に用いられる、特徴量（ＥＥＧ時間相関のうち使用するチャネルペア、周波数帯域、ウィンドウサイズの指定）および対応する重み付けパラメータを決定できる。
　図１２は、決定された推定モデルの概要を説明するための図である。図１２を参照して、推定フェーズにおいては、推定モデル１０には、ＥＥＧ時間相関の時間波形２４が入力される。より具体的には、所定のウィンドウサイズ（例えば、３０秒）の情報量がステップサイズ（例えば、３０秒）毎に入力されることになる。
　推定モデル１０は、特徴量情報１１と重み付けパラメータ１２との組合せを複数含む。入力されるＥＥＧ時間相関の時間波形２４のうち、推定モデル１０に含まれる特徴量情報１１に対応する情報（特徴量として選択されたＥＥＧ時間相関）のみが使用される。そして、使用されたＥＥＧ時間相関に対応する重み付けパラメータ１２が乗じられ、加算器１３においてそれぞれの結果の総和が算出され、さらに二値化器１４によって０または１に二値化される。二値化された結果が疾患らしさとして出力される。
　なお、推定モデルの決定においては、チャネルペア、周波数帯域、ウィンドウサイズをいずれも変動要因としたが、周波数帯域およびウィンドウサイズについては、特徴量条件として先に決定してもよい。
　より具体的には、特徴量条件（周波数帯域およびウィンドウサイズ）の決定方法としては、複数のセッションについてＥＥＧ／ｆＭＲＩ同時計測データを取得して、交差検証などの手法により、判別性能（例えば、ＡＵＣ（Area　Under　the　Curve）により示される指標）の最も高い周波数帯域およびウィンドウサイズを決定してもよい。このように、特徴量条件を事前に決定しておくことで、推定モデルを決定する処理に必要な演算量を低減できる。
　このように、推定モデルに入力するＥＥＧ計測データ２０に含まれる周波数帯域および／またはウィンドウサイズ、を被験者に応じて事前に決定するようにしてもよい。
　［Ｈ．推定フェーズ］
　次に、上述したような学習フェーズの処理によって決定される推定モデルを用いた推定フェーズの処理例について説明する。
　推定フェーズにおいては、被験者から計測されたＥＥＧ計測データを推定モデルに入力して、被験者の疾患らしさを推定する。このような推定フェーズの典型的な応用例としては、ニューロフィードバックトレーニングが挙げられる。
　図１３は、本実施の形態に従う推定方法を利用したニューロフィードバックトレーニングの概要を説明するための図である。図１３を参照して、ニューロフィードバックトレーニングを実行するための脳活動トレーニング装置２は、ＥＥＧ装置２００と、記憶装置５０２と、表示装置５１０と、処理装置５００とを含む。
　記憶装置５０２は、推定モデルを格納する。記憶装置５０２に格納される推定モデルは、ニューロフィードバックトレーニングの実行前に生成されている。なお、記憶装置５０２は、処理装置５００に含まれるストレージを用いて実現してもよいし、図１４に示すサーバ装置４００を用いて実現してもよい。
　表示装置５１０は、提示装置の一例であり、ユーザに対して視覚的あるいは／または聴覚的な情報を提供する。
　ＥＥＧ装置２００は、脳波計に相当し、ニューロフィードバックトレーニングにおいて、被験者Ｓの脳波の計測データを計測する。なお、ＥＥＧ装置２００が計測する脳波の計測データは、図１に示すＥＥＧ装置２００と同様に、被験者Ｓの頭部に配置される複数のセンサにそれぞれ対応する複数のチャネル毎の時間波形を含む。すなわち、推定モデルの生成時およびニューロフィードバックトレーニングの実行時において、実質的に同一のＥＥＧ装置２００が用いられるので、推定モデルを生成する際に用いられるＥＥＧ／ｆＭＲＩ同時計測データに含まれるＥＥＧ計測データは、ニューロフィードバックトレーニングにおいて計測されるＥＥＧ計測データのそれぞれのチャネルに対応するチャネル毎の時間波形を含むことになる。
　処理装置５００は、被験者ＳからＥＥＧによりＥＥＧ計測データを取得するとともに、予め決定した推定モデルを用いて、疾患らしさを推定する。疾患らしさは、周期毎（典型的には、ステップサイズ毎）に推定される。処理装置５００は、推定した疾患らしさに応じたスコアを算出し、表示装置５１０上に算出したスコアに応じたスコア表示５２０を提供する。このように、処理装置５００は、ＥＥＧ装置２００からの計測データに基づいて、推定モデルを用いて被験者Ｓの疾患らしさに応じたスコアを算出するとともに、算出したスコアに応じた情報を被験者に提示する。すなわち、処理装置５００は、疾患らしさに対応する表示のための信号を表示装置５１０に出力する。
　なお、処理装置５００は、汎用コンピュータが脳活動トレーニングプログラムを実行することで実現されてもよい。
　例えば、スコア表示５２０は、基準円５２２と、スコアに応じて大きさが変化するスコア円５２４とを含む。被験者Ｓから計測されたＥＥＧ計測データに基づいて推定される疾患らしさに応じて、スコア円５２４の大きさは順次更新される。
　被験者Ｓに対しては、予め、スコア円５２４が基準円５２２に近付く、あるいは、スコア円５２４が基準円５２２から遠ざかることで、報酬が貰える旨を伝えておく。被験者Ｓは、自ら、あるいは、外部からの指示に従って、スコア円５２４の大きさが指定された方向に動くように、計算、連想、瞑想などの脳を使うように意識する。被験者Ｓが脳を使うように意識することで、目的の疾患の緩和や治療などを行うことができる。
　本実施の形態に従う推定方法を利用したニューロフィードバックトレーニングにおいては、推定モデル１０とＥＥＧ計測データ２０とを利用できれば、任意の場所で疾患らしさを推定できる。このような利点を利用して、例えば、専用の設備を用いて、ＥＥＧとｆＭＲＩとの同時計測を一旦行った後、任意の場所で、ニューロフィードバックトレーニングを行うこともできる。
　図１４は、本実施の形態に従う推定方法の実装例を示す模式図である。図１４を参照して、例えば、専用の計測ステーションにおいて、各被験者に対して、ＥＥＧとｆＭＲＩとの同時計測を行って、処理装置１００が各被験者についての推定モデル１０を決定する。決定された推定モデル１０は、計測ステーションからサーバ装置４００へ送信される。
　サーバ装置４００においては、被験者毎の推定モデルを含む被験者データ４０２が保持される。
　計測ステーションの他、１または複数の治療所のうち各被験者が希望する治療所から、サーバ装置４００へアクセスして、各被験者に対応する推定モデルを取得する。そして、各治療所においては、後述するような処理装置５００が配置されており、取得された推定モデルに基づいて、図１３に示すようなニューロフィードバックトレーニングが行われる。
　図１４に示すようなシステムを用いることで、ニューロフィードバックトレーニングの実施コストを低減できる。
　［Ｉ．機能構成］
　次に、本実施の形態に従う推定方法を実現する推定システム１に含まれる装置の機能構成の一例について説明する。
　（ｉ１：処理装置１００）
　図１５は、本実施の形態に従う推定システム１の処理装置１００の機能構成の一例を示す模式図である。図１５に示す各機能は、典型的には、処理装置１００のプロセッサ１０２が推定モデル決定プログラムを実行することで実現される。
　なお、処理装置１００に含まれる１または複数のプロセッサを用いて推定モデル決定プログラム１２１を実行するようにしてもよいし、複数の処理装置が互いに連係して推定モデル決定プログラム１２１を実行するようにしてもよい。後者の場合には、いわゆるクラウドシステムと称される、ネットワーク上に配置された複数のコンピュータを用いるようにしてもよい。さらに、プロセッサがプログラムを実行することで実現する構成（ソフトウェア実装）に代えて、その全部または一部をＦＰＧＡ（Field-Programmable　Gate　Array）やＡＳＩＣ（Application　Specific　Integrated　Circuit）といったハードワイヤードな構成を用いて実現してもよい。
　本実施の形態に従う各プログラムは、ＯＳ（Operating　System）が提供する機能を利用するような形態で実装してもよく、そのような場合であっても、本願発明の技術的範囲に含まれ得る。
　図１５を参照して、処理装置１００は、前処理モジュール１５０，１６０と、時間相関算出モジュール１５２，１６２と、ＷＬＳ算出モジュール１６４と、二値化モジュール１６６と、モデル推定モジュール１６８とを含む。
　前処理モジュール１５０は、ＥＥＧ計測データ２０をパワーの時間波形２２に変換する。パワーの時間波形２２は、周波数帯域毎および／またはウィンドウサイズ毎に算出されてもよい。
　時間相関算出モジュール１５２は、チャネル組合せ（チャネルペア）の各々について、パワーの時間波形２２からＥＥＧ時間相関の時間波形２４を算出する。
　前処理モジュール１６０は、ｆＭＲＩ計測データ３０からＲＯＩ毎のＢＯＬＤ信号３２を算出する。
　時間相関算出モジュール１６２は、ＲＯＩ毎のＢＯＬＤ信号３２からＢＯＬＤ時間相関の時間波形３４（ＦＣ’）を算出する。
　ＷＬＳ算出モジュール１６４は、推定対象の疾患らしさに関連付けられる複数の脳内ネットワークに対応するＢＯＬＤ時間相関の時間波形３４を用いて、推定対象の疾患らしさを示すスコアであるＷＬＳ３６を算出する。
　二値化モジュール１６６は、ＷＬＳ３６を正規化処理した上で、疾患らしさを二値化した結果である、疾患らしさラベル３８（ｌａｂｅｌ）を算出する。
　モデル推定モジュール１６８は、ＥＥＧ時間相関の時間波形２４と疾患らしさラベル３８とに基づいて、疾患らしさラベル３８を推定するための特徴量および重み付けパラメータを決定する。決定された特徴量および重み付けパラメータの組が推定モデル１０として出力される。
　（ｉ２：処理装置５００）
　次に、図１３および図１４に示す処理装置５００に実現される機能構成の一例について説明する。処理装置５００のハードウェア構成は、上述の図４に示す処理装置１００のハードウェア構成と同様であるので詳細な説明は繰り返さない。
　図１６は、本実施の形態に従う推定システム１の処理装置５００の機能構成の一例を示す模式図である。図１６に示す各機能は、処理装置５００のプロセッサが推定プログラム（図４に示す推定プログラム１２２と同様）を実行することで実現される。
　処理装置５００に含まれる１または複数のプロセッサを用いて推定プログラムを実行するようにしてもよいし、複数の処理装置が互いに連係して推定プログラムを実行するようにしてもよい。後者の場合には、いわゆるクラウドシステムと称される、ネットワーク上に配置された複数のコンピュータを用いるようにしてもよい。さらに、プロセッサがプログラムを実行することで実現する構成（ソフトウェア実装）に代えて、その全部または一部をＦＰＧＡやＡＳＩＣといったハードワイヤードな構成を用いて実現してもよい。
　本実施の形態に従う各プログラムは、ＯＳが提供する機能を利用するような形態で実装してもよく、そのような場合であっても、本願発明の技術的範囲に含まれ得る。
　図１６を参照して、処理装置５００は、前処理モジュール５５０と、時間相関算出モジュール５５２と、重み付け総和算出モジュール５５４と、二値化モジュール５５６と、推定モデル取得モジュール５５８と、表示制御モジュール５６０とを含む。
　前処理モジュール５５０は、ＥＥＧ計測データ２０をパワーの時間波形２２に変換する。パワーの時間波形２２は、周波数帯域毎および／またはウィンドウサイズ毎に算出されてもよい。
　時間相関算出モジュール５５２は、チャネル組合せ（チャネルペア）の各々について、パワーの時間波形２２からＥＥＧ時間相関の時間波形２４を算出する。
　推定モデル取得モジュール５５８は、サーバ装置４００などから被験者に対応する推定モデル１０を取得する。推定モデル１０は、疾患らしさラベル３８を推定するための特徴量と重み付けパラメータとの組を含む。
　重み付け総和算出モジュール５５４は、推定モデル取得モジュール５５８により取得された推定モデル１０に従って、ＥＥＧ時間相関の時間波形２４のうち、対象の１または複数の特徴量（ＥＥＧ時間相関）を選択するとともに、対応する重み付けパラメータを乗じて得られる値の総和をＷＬＳ３６として算出する。
　二値化モジュール５５６は、ＷＬＳ３６を正規化処理した上で、疾患らしさを二値化した結果である疾患らしさ（０または１）を算出する。
　表示制御モジュール５６０は、二値化モジュール５５６から順次出力される疾患らしさの値に基づいてスコアを算出し、表示装置５１０上に表示するためのスコア表示５２０を算出する。このように、推定される被験者の疾患らしさに応じたスコアに基づいて、被験者の症状の変化が評価されることになる。
　［Ｊ．実施例］
　次に、本実施の形態に従う推定方法を実際の被験者に適用して得られた結果のいくつかを説明する。
　以下に説明する実施例においては、健常者あるいはサブクリニカルと判断された被験者を対象にした。サブクリニカルは、注目している疾患について、症状の度合いを評価するための質問に対する回答の内容から、少なくとも一部の症状を呈する傾向が強いと判断された状態を意味する。
　（ｊ１：特徴量条件）
　まず、推定モデルを決定するための特徴量条件の推定精度について評価した結果例について説明する。
　各被験者に対して、安静時にＥＥＧとｆＭＲＩとを同時に行って、ＥＥＧ／ｆＭＲＩ同時計測データを取得した。ＥＥＧ／ｆＭＲＩ同時計測データは、各被験者について少なくとも８セッション（１セッションあたり５分以下）分を取得した。また、対象の疾患としては、統合失調症（ＳＣＺ）（非特許文献３参照）、および、うつ（ＭＤＤ）（非特許文献４参照）の２つを想定した。
　取得した８セッション分のＥＥＧ／ｆＭＲＩ同時計測データのうち７セッション分を用いて、推定モデルを決定した上で、残りの１セッション分を検証データとして用いて、一個抜き交差検証（ＬＯＯＣＶ：Leave　One　Out　Cross　Validation)により推定性能を評価した。推定性能の評価指標としては、ｍｅａｎ　ＡＵＣ（平均ＡＵＣ）を用いた。
　図１７は、本実施の形態に従う推定方法における特徴量条件の評価結果の一例を示す図である。図１７には、時間相関を算出する際のウィンドウサイズを異ならせた場合（８ＴＲ，１２ＴＲ，１６ＴＲ，２０ＴＲ，２４ＴＲ）の推定性能の変化を示す。ＴＲは、ＲＦパルスの照射周期を意味する。
　図１７（Ａ）には統合失調症（ＳＣＺ）を対象の疾患とした場合の評価結果の一例を示し、図１７（Ｂ）にはうつ（ＭＤＤ）を対象の疾患とした場合の評価結果の一例を示す。
　図１７（Ａ）および図１７（Ｂ）に示すように、ウィンドウサイズを変化させることで、平均ＡＵＣの平均値およびばらつき度合いも変化する。
　図１７（Ａ）に示すように、統合失調症（ＳＣＺ）については、特徴量条件としてのウィンドウサイズが２０ＴＲである場合において、平均ＡＵＣの全体平均としては良好であることが分かる。但し、ウィンドウサイズが２４ＴＲとした場合には、一部の被験者については最も高い平均ＡＵＣを示している。
　また、図１７（Ｂ）に示すように、うつ（ＭＤＤ）については、統合失調症（ＳＣＺ）に比較してばらつきが少ない。また、うつ（ＭＤＤ）については、特徴量条件としてのウィンドウサイズが２０ＴＲまたは２４ＴＲである場合において、平均ＡＵＣの全体平均としては良好であることが分かる。
　図１７に示すように、最適な特徴量条件を被験者毎に選択することが好ましいことが分かる。
　（ｊ２：推定モデルの対象特異性）
　次に、推定モデルの対象特異性について説明する。
　上述の図１７には、統合失調症（ＳＣＺ）についてのＥＥＧ計測データから決定された推定モデル（以下、「統合失調症推定モデル」とも称す。）について、統合失調症（ＳＣＺ）の疾患らしさを示すスコアの推定性能を評価した評価結果と、うつ（ＭＤＤ）についてのＥＥＧ計測データから決定された推定モデル（以下、「うつ推定モデル」とも称す。）について、うつ（ＭＤＤ）の疾患らしさを示すスコアの推定性能を評価した評価結果とを示す。以下では、それぞれのモデルを交差的に評価した結果例を示す。
　図１８は、本実施の形態に従う推定方法により決定された推定モデルの対象特異性の評価結果の一例を示す図である。
　図１８（Ａ）には、統合失調症推定モデルを用いて、統合失調症（ＳＣＺ）の疾患らしさを推定した場合の推定性能（平均ＡＵＣ）と、うつ（ＭＤＤ）の疾患らしさを推定した場合の推定性能とを示す。図１８（Ｂ）には、うつ推定モデルを用いて、うつ（ＭＤＤ）の疾患らしさを推定した場合の推定性能と、統合失調症（ＳＣＺ）の疾患らしさを推定した場合の推定性能とを示す。
　図１８（Ａ）に示されるように、統合失調症推定モデルは、統合失調症（ＳＣＺ）の疾患らしさの推定について特異的な推定性能を示している。一方、図１８（Ｂ）に示されるように、うつ推定モデルは、うつ（ＭＤＤ）の疾患らしさの推定について特異的な推定性能を示している。
　図１８（Ａ）および図１８（Ｂ）に示される、それぞれの疾患らしさについての交差的な推定精度の検証結果によれば、本実施の形態に従う推定方法により決定された推定モデルが対象特異的であることが分かる。
　（ｊ３：ニューロフィードバックトレーニング）
　次に、本実施の形態に従う推定方法により決定された推定モデルを用いたニューロフィードバックトレーニングの一例について説明する。
　図１９は、本実施の形態に従う推定方法により決定された推定モデルを用いたニューロフィードバックトレーニングの手法を説明するための図である。図１９を参照して、トレーニングのスケジューリング（１日分）としては、複数のブロック６１２からなるセット６１４を複数の日に亘って実施する。ブロック６１２の各々は、複数のサイクル６００を含んでいる。サイクル６００の各々は、インターバル６０２（時間Ｔ１）と、誘導期間６０４（時間Ｔ２）と、表示期間６０６（時間Ｔ３）とからなる一連の処理を含む。
　インターバル６０２は、先のサイクル６００との間の休憩期間に相当する。誘導期間６０４は、被験者が、自ら、あるいは、外部からの指示に従って、より大きなスコアとして評価させるように、計算、連想、瞑想などの脳を使うように意識する期間に相当する。表示期間６０６は、誘導期間６０４において被験者から算出されたスコアを表示する期間に相当する。
　誘導期間６０４において、被験者からＥＥＧにより計測されたＥＥＧ計測データを用いて、被験者の疾患らしさが推定される。誘導期間６０４において、被験者の疾患らしさの推定は複数回繰り返されてもよい。疾患らしさの推定結果（０または１）が複数回算出されるので、これらを平均処理することで、誘導期間６０４における被験者の疾患らしさの度合いを示すスコアを算出できる。
　例えば、「０」が健全を意味する推定モデルを採用した場合には、被験者の疾患らしさの度合いを示すスコアは小さい方が好ましい。算出されるスコアに応じたスコア表示５２０が被験者には提供される。スコア表示５２０においては、スコアが小さいほど、スコア円５２４は基準円５２２に近付くことになる。
　被験者には、スコアに応じて、金銭などの報酬が与えられる。このような報酬による動機付けを受けて、被験者は、より高いスコアを得ることを試みる。
　インターバル６０２の時間Ｔ１としては、例えば、５秒程度が設定される。誘導期間６０４の時間Ｔ２としては、例えば、５０～７０秒程度が設定される。表示期間６０６の時間Ｔ３としては、例えば、５秒程度が設定される。
　以下の実施例においては、対象の疾患としては、統合失調症（ＳＣＺ）（非特許文献３参照）、および、うつ（ＭＤＤ）（非特許文献４参照）の２つを想定した。
　ＥＥＧのサンプリング周波数は５００Ｈｚとし、ＥＥＧ計測データに対しては、アーチファクト（事前に抽出した被験者の特異的な独立成分）を除去する処理を行った。
　疾患らしさを推定するためのＥＥＧ計測データの長さ（ウィンドウサイズ）は、ｆＭＲＩのＲＦパルスの照射周期ＴＲの整数倍とした。より具体的には、統合失調症（ＳＣＺ）については１６ＴＲ（２．４５秒×１６＝３９．２秒）とし、うつ（ＭＤＤ）については２０ＴＲ（２．４５秒×２０＝４９秒）とした。
　これに応じて、統合失調症（ＳＣＺ）についての誘導期間６０４の時間Ｔ２は７０秒とし、うつ（ＭＤＤ）についての誘導期間６０４の時間Ｔ２は８５秒とした。
　図２０は、統合失調症（ＳＣＺ）に関するニューロフィードバックトレーニングの結果例を示す図である。図２０（Ａ）には、トレーニング前後における、推定対象の疾患らしさを示すスコアであるＷＬＳの実験例を示す。図２０（Ｂ）には、トレーニング前後における、失調型パーソナリティ障害評価尺度（ＳＰＱ）の実験例を示す。ＳＰＱは、統合失調症様スコアの一例である。図２０（Ｃ）には、トレーニング前後における、Ｎバック課題の実験例を示す。
　図２０（Ａ）および図２０（Ｂ）の「Ａ」～「Ｉ」は被験者を示す。図２０（Ａ）に示すＷＬＳおよび図２０（Ｂ）に示すＳＰＱは、いずれも小さな値を示すほど症状が改善することを意味する。図２０（Ａ）に示すＷＬＳについては、有意な結果が現れてはいないが、図２０（Ｂ）に示すＳＰＱについては、トレーニングにより改善傾向が見られる。
　図２０（Ｃ）に示すＮバック課題については、Ｎ回前に提示された情報を記憶しているかを示す能力（認知機能）を評価するテストである。Ｎバック課題の成績は、「ｄ　ｐｒｉｍｅ」というスコアで示される。ｄ　ｐｒｉｍｅは、大きな値を示すほど認知機能が改善することを意味する。図２０（Ｃ）には、Ｎ＝２，３，４のそれぞれについての結果を示す。図２０（Ｃ）に示すＮバック課題については、いずれもトレーニングにより改善傾向が見られる。特に、４バック課題（4-back　test）においては、対応あるｔ検定（paired　t-test）について有意な変化が認められる。
　図２１は、うつ（ＭＤＤ）に関するニューロフィードバックトレーニングの結果例を示す図である。図２１（Ａ）には、トレーニング前後における、推定対象の疾患らしさを示すスコアであるＷＬＳの実験例を示す。図２１（Ｂ）には、トレーニング前後における、ベック抑うつ評価尺度（ＢＤＩ）および自己評価式抑うつ性尺度（ＳＤＳ）の実験例を示す。ＢＤＩおよびＳＤＳは、うつ様症状スコアの一例である。図２１（Ｃ）には、トレーニング前後における、Ｎバック課題の成績の実験例を示す。
　図２１（Ａ）および図２１（Ｂ）の「Ａ」～「Ｇ」は被験者を示す。図２１（Ａ）に示すＷＬＳおよび図２１（Ｂ）に示すＢＤＩおよびＳＤＳは、いずれも小さな値を示すほど症状が改善することを意味する。図２１（Ａ）および図２１（Ｂ）に示す結果例によれば、いずれもトレーニングにより改善傾向が見られる。また、図２１（Ｃ）に示す結果例によれば、Ｎバック課題についても、トレーニングにより改善傾向が見られる。
　（ｊ４：ニューロフィードバックトレーニングの長期効果）
　次に、ニューロフィードトレーニングの終了から１～２ヶ月後の追跡調査（フォローアップ：ＦＵ）における結果を含む長期効果の評価例について説明する。
　図２２は、本実施の形態に従う推定方法により決定された推定モデルを用いたニューロフィードバックトレーニングの長期効果を評価するための手順例を示す図である。
　図２２を参照して、３日間に亘ってトレーニングを行うとともに、トレーニング期間の前日（Ｐｒｅトレーニング）、トレーニング期間の翌日（Ｐｏｓｔトレーニング）、および、トレーニング期間の１～２ヶ月後の追跡調査日（追跡調査：ＦＵ）のそれぞれにおいて測定（スコアの算出）を行った。
　図２３は、うつ（ＭＤＤ）に関するニューロフィードバックトレーニングの長期効果の一例を示す図である。図２３（Ａ）には、ＷＬＳの実験例を示す。図２３（Ｂ）には、ＢＤＩの実験例を示す。図２３（Ｃ）には、反芻思考の頻度を示すスコアであるＲＳＳの実験例を示す。ＲＳＳは、小さな値を示すほど好ましい状態と判断できる。
　図２３（Ａ）～図２３（Ｃ）の各々には、各被験者のスコアの変化を折れ線グラフで示すとともに、被験者全体の平均スコアの変化を棒グラフで示す。
　図２３（Ａ）に示すＷＬＳについては、被験者の個人差が大きいものの、全体的に見ると、疾患らしさを示すスコアとしては有意であるといえる。
　図２３（Ｂ）に示すＢＤＩについては、トレーニングを行った直後（Ｐｒｅ）および１～２ヶ月後（ＦＵ）のいずれにおいても、低減された状態が維持されており、トレーニングの効果が長期的に持続することが示唆されている。図２３（Ｂ）には、ＢＤＩの算出に用いられたサブスコアも示されている。サブスコアについてもＢＤＩと同様の傾向を示す。
　図２３（Ｃ）に示すＲＲＳについては、トレーニングを行った直後（Ｐｒｅ）および１～２ヶ月後（ＦＵ）のいずれにおいても、低減された状態が維持されており、トレーニングの効果が長期的に持続することが示唆されている。図２３（Ｃ）には、ＲＲＳの算出に用いられたサブスコアも示されている。サブスコアについてもＲＲＳと同様の傾向を示す。
　図２４は、統合失調症（ＳＣＺ）に関するニューロフィードバックトレーニングの長期効果の一例を示す図である。図２４には、各被験者のＷＬＳの変化を折れ線グラフで示すとともに、被験者全体のＷＬＳを平均したスコアの変化を棒グラフで示す。
　図２４において、「ＣＴＲＬ」は、比較対象群の結果を示す。比較対象群は、フィードバックされる情報として、対象者からの情報ではなく、予め用意されていた他人の情報を用いて、トレーニングを行った被験者の集合を示す。すなわち、比較対象群の実験例は、被験者が自身の脳活動が参照されていないのもかかわらず、自身の脳活動に基づくものと思って、トレーニングを行った結果を示す。以下の実験例においても同様である。
　図２４に示すＷＬＳについては、被験者の個人差が大きいものの、比較対象群に対して有意な差が存在し、トレーニングによる改善傾向を示す。
　（ｊ５：ニューロフィードバックトレーニングの効果）
　次に、比較対象群をベンチマークとしたニューロフィードバックトレーニングの効果の一例について説明する。
　図２５は、統合失調症（ＳＣＺ）に関するニューロフィードバックトレーニングの効果を比較対象群と比較して示す図である。図２５に示すグラフの縦軸は、ニューロフィードバック前後の値の変化（Ｐｏｓｔ－Ｐｒｅ）を示す。
　比較対象群（ＣＴＲＬ）は、トレーニング前後の値が変化していない点（縦軸の値がゼロ）を中心に分布しているのに対して、適切にトレーニングを行った群については、マイナス側（すなわち、トレーニング後にＳＰＱの値が小さくなっている）の点を中心に分布していることが分かる。図２５には、ＳＰＱの算出に用いられたサブスコアも示されている。サブスコアについてもＳＰＱと同様の傾向を示す。
　図２５に示すＳＰＱについても、比較対象群に対して有意な差が存在し、トレーニングによる改善傾向が示されている。
　図２６は、統合失調症（ＳＣＺ）に関するニューロフィードバックトレーニングの効果を比較対象群と比較して示す別の図である。図２６（Ａ）～図２６（Ｄ）の各々に示すグラフの縦軸は、ニューロフィードバック前後の値の変化（Ｐｏｓｔ－Ｐｒｅ）を示す。図２６（Ａ）～図２６（Ｄ）の各々には、認知機能のスコアについての実験例を示す。
　より具体的には、図２６（Ａ）には、Ｎバック課題（Ｎ＝２）の実験例を示し、図２６（Ｂ）には、Ｎバック課題（Ｎ＝４）の実験例を示す。いずれの実験例についても、比較対象群（ＣＴＲＬ）は、トレーニング前後の値が変化していない点（縦軸の値がゼロ）を中心に分布しているのに対して、適切にトレーニングを行った群については、プラス側（すなわち、トレーニング後にｄ　ｐｒｉｍｅの値が大きくなっている）の点を中心に分布していることが分かる。
　図２６（Ｃ）および図２６（Ｄ）には、ＣＡＮＴＡＢ（Cambridge　Neuropsychological　Test　Automated　Battery）（非特許文献５などを参照）を用いた認知機能の評価例を示す。より具体的には、持続性注意課題（ＲＶＰ：rapid　visual　information　processing）が評価される。統合失調症患者では、持続性注意の機能が低下することが報告されている。
　スコアとしては、Ａ’およびｐ（Ｈｉｔ）が出力される。Ａ’およびｐ（Ｈｉｔ）は、いずれも大きい方が好ましい。なお、これらのスコアの算出には、「CANTAB(R)　[Cognitive　assessment　software].　Cambridge　Cognition(2019).　All　rights　reserved.　www.cantab.com」というソフトウェアを用いた。
　いずれの実験例についても、比較対象群（ＣＴＲＬ）は、トレーニング前後の値が変化していない点（縦軸の値がゼロ）を中心に分布しているのに対して、適切にトレーニングを行った群については、プラス側（すなわち、トレーニング後にＡ’およびｐ（Ｈｉｔ）の値がいずれも大きくなっている）の点を中心に分布していることが分かる。
　図２５および図２６に示すように、トレーニングにより症状が改善される可能性が強く示唆されている傾向を示す。
　（ｊ６：ニューロフィードバックトレーニングの効果の特異性）
　ニューロフィードバックトレーニング自体は、学習効果などの非特異的な効果を生じるものであるが、本実施の形態に従う推定方法により決定された推定モデルを用いたニューロフィードバックトレーニングにより、そのような非特異的を超えた特異的な効果が生じることについて実験例を示して説明する。
　図２７は、ニューロフィードバックトレーニングの効果の特異性を評価するための実験例を示す図である。図２７（Ａ）には、うつ（ＭＤＤ）に関する心理指標として、ＲＲＳおよびサブスコアの変化例を示す。図２７（Ｂ）には、統合失調症（ＳＣＺ）に関する心理指標として、ＳＰＱおよびサブスコアの変化例を示す。
　図２７（Ａ）および図２７（Ｂ）において、「ＭＤＤ」は、うつ（ＭＤＤ）についてのＥＥＧ計測データから決定された推定モデル（うつ推定モデル）を用いたトレーニングを行った群を意味し、「ＳＣＺ」は、統合失調症（ＳＣＺ）についてのＥＥＧ計測データから決定された推定モデル（統合失調症推定モデル）を用いたトレーニングを行った群を意味する。また、「ＣＴＲＬ」は、比較対象群を意味する。
　図２７（Ａ）に示すうつ（ＭＤＤ）に関する心理指標については、ＲＲＳ（トータルスコア）およびサブスコアのいずれについても、うつ推定モデルを用いたトレーニングを行った群（ＭＤＤ）について特異的な変化が生じていることが分かる。
　図２７（Ｂ）に示す統合失調症（ＳＣＺ）に関する心理指標については、ＳＰＱ（トータルスコア）およびサブスコアのいずれについても、統合失調症推定モデルを用いたトレーニングを行った群（ＳＣＺ）について特異的な変化が生じていることが分かる。
　図２８は、ニューロフィードバックトレーニングの効果の特異性を評価するための別の実験例を示す図である。図２８には、認知機能の変化例を示す。図２８（Ａ）には、Ｎバック課題（Ｎ＝３）の実験例を示し、図２８（Ｂ）には、Ｎバック課題（Ｎ＝４）の実験例を示す。
　図２８（Ａ）に示す実験例によれば、うつ推定モデルおよび統合失調症推定モデルのいずれを用いたトレーニングであっても、認知機能の改善傾向が示されている。図２８（Ｂ）に示す実験例によれば、統合失調症推定モデルを用いたトレーニングについて有意な認知機能の改善傾向が示されている。
　これらの実験例によれば、本実施の形態に従う推定方法により決定された推定モデルを用いたニューロフィードバックトレーニングにより、認知機能の改善傾向が示されるとともに、統合失調症推定モデルを用いることでより高い改善傾向が認められる。
　［Ｋ．利点］
　本実施の形態に従う推定システムによれば、ＥＥＧ計測データを用いて、複数の脳内ネットワークで表現される脳機能および複数の脳内ネットワークに関連付けられる任意の疾患をより簡便に推定できる。
　また、本実施の形態に従う推定システムによれば、ＥＥＧ計測データのうち疾患らしさの推定に有効な特徴量のみが推定モデルで使用されるので、推定モデルの次元を圧縮および削減でき、これによって疾患らしさの推定に係る演算量を低減するとともに、疾患らしさの推定を高速化できる。
　また、本実施の形態に従う推定システムによれば、複数の脳内ネットワークに関連付けられる任意の疾患に関して、疾患らしさを推定できるので、ニューロフィードバックトレーニングをさまざまな疾患に適用できる。
　また、本実施の形態に従う推定システムによれば、安静時にＥＥＧとｆＭＲＩとを同時に行って得られる計測データを用いて推定モデルを決定できるので、ＥＥＧとｆＭＲＩとの同時計測を行う場合に、被験者に課題を与える必要がないので、推定モデルの構築にあたって、被験者の負担を軽減できる。
　また、本実施の形態に従う推定システムが提供するニューロフィードバックトレーニングは、いくつかの疾患に対して改善傾向を与えるとともに、その改善傾向は長期的に維持される。
　また、本実施の形態に従う推定システムが提供するニューロフィードバックトレーニングにおいて用いる推定モデルは、対象特異性を示すものであり、疾患に応じて生成される。
　今回開示された実施の形態は、すべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は、上記した実施の形態の説明ではなくて請求の範囲によって示され、請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。
　１　推定システム、２　脳活動トレーニング装置、１１　特徴量情報、１２　重み付けパラメータ、１３　加算器、１４　二値化器、２０　ＥＥＧ計測データ、２２　パワーの時間波形、２４　ＥＥＧ時間相関の時間波形、２６　ウィンドウ、３０　ｆＭＲＩ計測データ、３２　ＢＯＬＤ信号、３４　ＢＯＬＤ時間相関の時間波形、３８　疾患らしさラベル、１００，５００　処理装置、１０２　プロセッサ、１０４　主記憶部、１０６　コントロールインターフェイス、１０８　ネットワークインターフェイス、１１０，３５２　入力部、１１２，３５３　表示部、１２０　二次記憶部、１２１　推定モデル決定プログラム、１２２　推定プログラム、１２４　推定モデルパラメータ、１５０，１６０，５５０　前処理モジュール、１５２，１６２，５５２　時間相関算出モジュール、１６４　ＷＬＳ算出モジュール、１６６，５５６　二値化モジュール、１６８　モデル推定モジュール、２００　ＥＥＧ装置、２０２　マルチプレクサ、２０４　ノイズフィルタ、２０６　Ａ／Ｄ変換器、２０８，３５４　記憶部、２１０，３５８　インターフェイス、２２０　センサ、２２２　ケーブル、３００　ｆＭＲＩ装置、３０２　受信コイル、３１０　磁場印加機構、３１２　静磁場発生コイル、３１４　傾斜磁場発生コイル、３１６　照射部、３１８　寝台、３２０　駆動部、３２２　静磁場電源、３２４　傾斜磁場電源、３２６　信号送信部、３２８　信号受信部、３３０　寝台駆動部、３５０　データ処理部、３５１　制御部、３５６　画像処理部、３５７　データ収集部、４００　サーバ装置、４０２　被験者データ、５０２　記憶装置、５１０　表示装置、５２０　スコア表示、５２２　基準円、５２４　スコア円、５５４　重み付け総和算出モジュール、５５８　推定モデル取得モジュール、５６０　表示制御モジュール、６００　サイクル、６０２　インターバル、６０４　誘導期間、６０６　表示期間、６１２　ブロック、６１４　セット。

Claims (18)

  1. 　被験者から同時に計測された脳波の計測データおよび機能的磁気共鳴画像法の計測データを取得する取得手段を備え、前記脳波の計測データは前記被験者の頭部に配置される複数のセンサにそれぞれ対応する複数のチャネル毎の時間波形を含み、
    　前記脳波の計測データに含まれるチャネル間の相関に基づいて、チャネル組合せ毎に第１の機能的結合を算出する第１の算出手段と、
    　前記機能的磁気共鳴画像法の計測データに含まれる関心領域間の相関に基づいて、脳内ネットワーク毎に第２の機能的結合を算出する第２の算出手段と、
    　前記第２の機能的結合の複数を用いて推定対象の疾患らしさを示すスコアを算出することで、疾患らしさラベルを算出する第３の算出手段と、
    　前記チャネル組合せ毎の第１の機能的結合と前記疾患らしさラベルとを用いた機械学習により、所定の第１の機能的結合を用いて、前記疾患らしさを推定するための推定モデルを決定する機械学習手段とを備える、推定システム。
  2. 　前記被験者から計測された脳波の計測データを前記推定モデルに入力して、前記被験者の疾患らしさを推定する推定手段をさらに備える、請求項１に記載の推定システム。
  3. 　前記推定される被験者の疾患らしさに応じた第２のスコアを算出するとともに、前記算出した第２のスコアに応じた情報を前記被験者に提示する提示手段をさらに備える、請求項２に記載の推定システム。
  4. 　前記推定モデルは、疾患の別に用意され、
    　前記被験者には、前記被験者に現れる疾患に対応する推定モデルが適用される、請求項３に記載の推定システム。
  5. 　前記推定される被験者の疾患らしさに応じた第２のスコアに基づいて、前記被験者の症状の変化が評価される、請求項１～４のいずれか１項に記載の推定システム。
  6. 　前記第３の算出手段は、前記推定対象の疾患らしさに対応付けられた複数の前記第２の機能的結合にそれぞれ対応する重み付けパラメータを乗じた総和に基づいて、前記疾患らしさを示すスコアを算出する、請求項１～５のいずれか１項に記載の推定システム。
  7. 　前記第３の算出手段は、前記疾患らしさを示すスコアを正規化処理した上でしきい値処理することで、前記疾患らしさラベルを算出する、請求項６に記載の推定システム。
  8. 　前記推定モデルは、チャネル組合せ毎の第１の機能的結合のうち推定に使用する第１の機能的結合を選択するための情報と、選択された第１の機能的結合に対応付けられる重み付けパラメータとを含む、請求項１～７のいずれか１項に記載の推定システム。
  9. 　前記第１の算出手段は、対象の２つのチャネルの脳波の時間波形に対して共通に設定したウィンドウに含まれる区間における時間波形間の相関値から前記第１の機能的結合を算出する、請求項１～８のいずれか１項に記載の推定システム。
  10. 　前記第１の算出手段は、前記脳波の計測データに含まれる周波数帯域毎、および／または、設定するウィンドウのウィンドウサイズ毎、に前記第１の機能的結合を算出する、請求項１～９のいずれか１項に記載の推定システム。
  11. 　前記推定モデルに入力する前記脳波の計測データに含まれる周波数帯域および／またはウィンドウサイズ、を前記被験者に応じて事前に決定する条件設定手段をさらに備える、請求項１０に記載の推定システム。
  12. 　前記第２の算出手段は、対象の２つの関心領域の活動量を示す時間波形に対して共通に設定したウィンドウに含まれる区間における時間波形間の相関値から前記第２の機能的結合を算出する、請求項１～１１のいずれか１項に記載の推定システム。
  13. 　被験者から同時に計測された脳波の計測データおよび機能的磁気共鳴画像法の計測データを取得するステップを備え、前記脳波の計測データは前記被験者の頭部に配置される複数のセンサにそれぞれ対応する複数のチャネル毎の時間波形を含み、
    　前記脳波の計測データに含まれるチャネル間の相関に基づいて、チャネル組合せ毎に第１の機能的結合を算出するステップと、
    　前記機能的磁気共鳴画像法の計測データに含まれる関心領域間の相関に基づいて、脳内ネットワーク毎に第２の機能的結合を算出するステップと、
    　前記第２の機能的結合の複数を用いて推定対象の疾患らしさを示すスコアを算出することで、疾患らしさラベルを算出するステップと、
    　前記チャネル組合せ毎の第１の機能的結合と前記疾患らしさラベルとを用いた機械学習により、所定の第１の機能的結合を用いて、前記疾患らしさを推定するための推定モデルを決定するステップとを備える、推定方法。
  14. 　プログラムであって、コンピュータに、
    　被験者から同時に計測された脳波の計測データおよび機能的磁気共鳴画像法の計測データを取得するステップを実行させ、前記脳波の計測データは前記被験者の頭部に配置される複数のセンサにそれぞれ対応する複数のチャネル毎の時間波形を含み、
    　前記脳波の計測データに含まれるチャネル間の相関に基づいて、チャネル組合せ毎に第１の機能的結合を算出するステップと、
    　前記機能的磁気共鳴画像法の計測データに含まれる関心領域間の相関に基づいて、脳内ネットワーク毎に第２の機能的結合を算出するステップと、
    　前記第２の機能的結合の複数を用いて推定対象の疾患らしさを示すスコアを算出することで、疾患らしさラベルを算出するステップと、
    　前記チャネル組合せ毎の第１の機能的結合と前記疾患らしさラベルとを用いた機械学習により、所定の第１の機能的結合を用いて、前記疾患らしさを推定するための推定モデルを決定するステップとを実行させる、プログラム。
  15. 　被験者から計測された脳波の計測データを用いて、前記被験者の疾患らしさを推定するための学習済の推定モデルであって、前記推定モデルを構築する処理は、
    　前記被験者から同時に計測された脳波の計測データおよび機能的磁気共鳴画像法の計測データを取得するステップを備え、前記脳波の計測データは前記被験者の頭部に配置される複数のセンサにそれぞれ対応する複数のチャネル毎の時間波形を含み、
    　前記脳波の計測データに含まれるチャネル間の相関に基づいて、チャネル組合せ毎に第１の機能的結合を算出するステップと、
    　前記機能的磁気共鳴画像法の計測データに含まれる関心領域間の相関に基づいて、脳内ネットワーク毎に第２の機能的結合を算出するステップと、
    　前記第２の機能的結合の複数を用いて推定対象の疾患らしさを示すスコアを算出することで、疾患らしさラベルを算出するステップと、
    　前記チャネル組合せ毎の第１の機能的結合と前記疾患らしさラベルとを用いた機械学習により、前記推定モデルを決定するステップとを備える、推定モデル。
  16. 　ニューロフィードバックトレーニングを実行するための脳活動トレーニング装置であって、
    　前記ニューロフィードバックトレーニングの実行前に生成された、被験者の疾患らしさを推定するための推定モデルを格納する記憶装置と、
    　前記ニューロフィードバックトレーニングにおいて、前記被験者の脳波の計測データを計測するため脳波計とを備え、前記脳波の計測データは、前記被験者の頭部に配置される複数のセンサにそれぞれ対応する複数のチャネル毎の時間波形を含み、
    　提示装置と、
    　前記ニューロフィードバックトレーニングにおいて、前記脳波計からの計測データに基づいて、前記推定モデルを用いて前記被験者の疾患らしさを算出し、当該疾患らしさに対応する表示のための信号を前記提示装置に出力する処理装置とを備え、
    　前記推定モデルは、
    　　前記被験者から同時に計測された脳波の計測データおよび機能的磁気共鳴画像法の計測データを取得する処理であって、当該同時に計測される脳波の計測データは、前記ニューロフィードバックトレーニングにおいて計測される脳波の計測データのそれぞれのチャネルに対応するチャネル毎の時間波形を含んでいる処理と、
    　　前記脳波の計測データに含まれるチャネル間の相関に基づいて、チャネル組合せ毎に第１の機能的結合を算出する処理と、
    　　前記機能的磁気共鳴画像法の計測データに含まれる関心領域間の相関に基づいて、脳内ネットワーク毎に第２の機能的結合を算出する処理と、
    　　前記第２の機能的結合の複数を用いて推定対象の疾患らしさを示すスコアを算出することで、疾患らしさラベルを算出する処理と、
    　　前記チャネル組合せ毎の第１の機能的結合と前記疾患らしさラベルとを用いた機械学習により、所定の第１の機能的結合を用いて、前記疾患らしさを推定することにより、前記推定モデルを決定する処理とにより生成される、脳活動トレーニング装置。
  17. 　ニューロフィードバックトレーニングを実行するための脳活動トレーニング方法であって、
    　前記ニューロフィードバックトレーニングの実行前に生成された、被験者の疾患らしさを推定するための推定モデルを取得するステップと、
    　前記ニューロフィードバックトレーニングにおいて、前記被験者の脳波の計測データを計測するステップとを備え、前記脳波の計測データは、前記被験者の頭部に配置される複数のセンサにそれぞれ対応する複数のチャネル毎の時間波形を含み、
    　前記ニューロフィードバックトレーニングにおいて、前記脳波の計測データに基づいて、前記推定モデルを用いて前記被験者の疾患らしさを算出し、当該疾患らしさに対応する表示のための信号を提示装置に出力するステップを備え、
    　前記推定モデルを取得するステップは、
    　　前記被験者から同時に計測された脳波の計測データおよび機能的磁気共鳴画像法の計測データを取得するステップであって、当該同時に計測される脳波の計測データは、前記ニューロフィードバックトレーニングにおいて計測される脳波の計測データのそれぞれのチャネルに対応するチャネル毎の時間波形を含んでいるステップと、
    　　前記脳波の計測データに含まれるチャネル間の相関に基づいて、チャネル組合せ毎に第１の機能的結合を算出するステップと、
    　　前記機能的磁気共鳴画像法の計測データに含まれる関心領域間の相関に基づいて、脳内ネットワーク毎に第２の機能的結合を算出するステップと、
    　　前記第２の機能的結合の複数を用いて推定対象の疾患らしさを示すスコアを算出することで、疾患らしさラベルを算出するステップと、
    　　前記チャネル組合せ毎の第１の機能的結合と前記疾患らしさラベルとを用いた機械学習により、所定の第１の機能的結合を用いて、前記疾患らしさを推定することにより、前記推定モデルを決定するステップとを含む、脳活動トレーニング方法。
  18. 　ニューロフィードバックトレーニングを実行するための脳活動トレーニングプログラムであって、前記脳活動トレーニングプログラムはコンピュータに、
    　前記ニューロフィードバックトレーニングの実行前に生成された、被験者の疾患らしさを推定するための推定モデルを格納するステップと、
    　前記ニューロフィードバックトレーニングにおいて、前記被験者の脳波の計測データを取得するステップとを実行させ、前記脳波の計測データは、前記被験者の頭部に配置される複数のセンサにそれぞれ対応する複数のチャネル毎の時間波形を含み、
    　前記ニューロフィードバックトレーニングにおいて、前記脳波の計測データに基づいて、前記推定モデルを用いて前記被験者の疾患らしさを算出し、当該疾患らしさに対応する表示のための信号を提示装置に出力するステップを実行させ、
    　前記推定モデルは、
    　　前記被験者から同時に計測された脳波の計測データおよび機能的磁気共鳴画像法の計測データを取得する処理であって、当該同時に計測される脳波の計測データは、前記ニューロフィードバックトレーニングにおいて計測される脳波の計測データのそれぞれのチャネルに対応するチャネル毎の時間波形を含んでいる処理と、
    　　前記脳波の計測データに含まれるチャネル間の相関に基づいて、チャネル組合せ毎に第１の機能的結合を算出する処理と、
    　　前記機能的磁気共鳴画像法の計測データに含まれる関心領域間の相関に基づいて、脳内ネットワーク毎に第２の機能的結合を算出する処理と、
    　　前記第２の機能的結合の複数を用いて推定対象の疾患らしさを示すスコアを算出することで、疾患らしさラベルを算出する処理と、
    　　前記チャネル組合せ毎の第１の機能的結合と前記疾患らしさラベルとを用いた機械学習により、所定の第１の機能的結合を用いて、前記疾患らしさを推定することにより、前記推定モデルを決定する処理とにより生成される、脳活動トレーニングプログラム。
PCT/JP2021/024927 2020-07-02 2021-07-01 推定システム、推定方法、プログラム、推定モデル、脳活動トレーニング装置、脳活動トレーニング方法、および、脳活動トレーニングプログラム WO2022004841A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202180046953.XA CN115996667A (zh) 2020-07-02 2021-07-01 估计系统、估计方法、程序、估计模型、脑活动训练装置、脑活动训练方法以及脑活动训练程序
US18/014,033 US20230293036A1 (en) 2020-07-02 2021-07-01 Estimation system, estimation method, program, estimation model, brain activity training apparatus, brain activity training method, and brain activity training program
JP2022534109A JP7465970B2 (ja) 2020-07-02 2021-07-01 推定システム、推定方法、プログラム、推定モデル、脳活動トレーニング装置、脳活動トレーニング方法、および、脳活動トレーニングプログラム
EP21831592.7A EP4176805A1 (en) 2020-07-02 2021-07-01 Estimation system, estimation method, program, estimation model, brain activity training device, brain activity training method, and brain activity training program

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020-115053 2020-07-02
JP2020115053 2020-07-02

Publications (1)

Publication Number Publication Date
WO2022004841A1 true WO2022004841A1 (ja) 2022-01-06

Family

ID=79316602

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/024927 WO2022004841A1 (ja) 2020-07-02 2021-07-01 推定システム、推定方法、プログラム、推定モデル、脳活動トレーニング装置、脳活動トレーニング方法、および、脳活動トレーニングプログラム

Country Status (6)

Country Link
US (1) US20230293036A1 (ja)
EP (1) EP4176805A1 (ja)
JP (1) JP7465970B2 (ja)
CN (1) CN115996667A (ja)
TW (1) TW202218626A (ja)
WO (1) WO2022004841A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116491958A (zh) * 2023-06-28 2023-07-28 南昌大学第一附属医院 靶点确定设备、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140148657A1 (en) * 2011-02-03 2014-05-29 Ramoot At Tel-Aviv University Ltd. Method and system for use in monitoring neural activity in a subject's brain
JP2017192425A (ja) * 2016-04-18 2017-10-26 株式会社アラヤ 認知状態推定システム及び認知状態推定方法
JP2019093008A (ja) 2017-11-27 2019-06-20 株式会社国際電気通信基礎技術研究所 脳内ネットワークの活動推定システム、脳内ネットワークの活動推定方法、脳内ネットワークの活動推定プログラム、および、学習済み脳活動推定モデル
JP2020062369A (ja) * 2018-10-11 2020-04-23 株式会社国際電気通信基礎技術研究所 脳機能結合相関値の調整方法、脳機能結合相関値の調整システム、脳活動分類器のハーモナイズ方法、脳活動分類器のハーモナイズシステム、および脳活動バイオマーカシステム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140148657A1 (en) * 2011-02-03 2014-05-29 Ramoot At Tel-Aviv University Ltd. Method and system for use in monitoring neural activity in a subject's brain
JP2017192425A (ja) * 2016-04-18 2017-10-26 株式会社アラヤ 認知状態推定システム及び認知状態推定方法
JP2019093008A (ja) 2017-11-27 2019-06-20 株式会社国際電気通信基礎技術研究所 脳内ネットワークの活動推定システム、脳内ネットワークの活動推定方法、脳内ネットワークの活動推定プログラム、および、学習済み脳活動推定モデル
JP2020062369A (ja) * 2018-10-11 2020-04-23 株式会社国際電気通信基礎技術研究所 脳機能結合相関値の調整方法、脳機能結合相関値の調整システム、脳活動分類器のハーモナイズ方法、脳活動分類器のハーモナイズシステム、および脳活動バイオマーカシステム

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
ANDREW T DRYSDALEL ET AL.: "Resting-state connectivity biomarkers define neurophysiological subtypes of depression", NATURE MEDICINE, vol. 23, no. 1, 2017, pages 28 - 38, XP055453891, ISSN: ISSN: 1546-170X, DOI: 10.1038/nm.4246
ENIK6 BARTOK ET AL.: "Cognitive functions in prepsychotic patients", PROGRESS IN NEURO-PSYCHOPHARMACOLOGY & BIOLOGICAL PSYCHIATRY, vol. 29, 2005, pages 621 - 625, XP025311087, DOI: 10.1016/j.pnpbp.2005.01.008
HIRAYAMA J, HYVARINEN AJ, KAWANABE M: "SPLICE: Fully tractable hierarchical extension of ICA with pooling", PROCEEDINGS OF THE 34 TH INTERNATIONAL CONFERENCE ON MACHINE LEARNING, 1 August 2017 (2017-08-01), pages 1 - 10, XP055897233 *
NAHO ICHIKAWA ET AL.: "Primary functional brain connections associated with melancholic major depressive disorder and modulation by antidepressants", SCIENTIFIC REPORTS, vol. 10, 2020, pages 3542, Retrieved from the Internet <URL:https://doi.org/10.1038/s41598-020-60527-z>>
TAKASHI YAMADA ET AL.: "Resting-State Functional Connectivity-Based Biomarkers and Functional MRI-Based Neurofeedback for Psychiatric Disorders: A Challenge for Developing Theranostic Biomarkers", INTERNATIONAL JOURNAL OF NEUROPSYCHOPHARMACOLOGY, vol. 20, no. 10, 17 July 2017 (2017-07-17), pages 769 - 781, XP055589968, DOI: 10.1093/ijnp/pyx059
TERESA MURTA, MARCO LEITE, DAVID W. CARMICHAEL, PATRíCIA FIGUEIREDO, LOUIS LEMIEUX: "Electrophysiological correlates of the BOLD signal for EEG-informed fMRI : Electrophysiological Correlates of the BOLD Signal", HUMAN BRAIN MAPPING, vol. 36, no. 1, 1 January 2015 (2015-01-01), pages 391 - 414, XP055618887, ISSN: 1065-9471, DOI: 10.1002/hbm.22623 *
YUJIRO YOSHIHARA ET AL.: "Overlapping but asymmetrical relationships between schizophrenia and autism revealed by brain connectivity", BIORXIV, 7 September 2018 (2018-09-07), Retrieved from the Internet <URL:URL:https://doi.org/10.1101/403212>>

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116491958A (zh) * 2023-06-28 2023-07-28 南昌大学第一附属医院 靶点确定设备、电子设备及存储介质
CN116491958B (zh) * 2023-06-28 2023-09-19 南昌大学第一附属医院 靶点确定设备、电子设备及存储介质

Also Published As

Publication number Publication date
JP7465970B2 (ja) 2024-04-11
US20230293036A1 (en) 2023-09-21
CN115996667A (zh) 2023-04-21
TW202218626A (zh) 2022-05-16
JPWO2022004841A1 (ja) 2022-01-06
EP4176805A1 (en) 2023-05-10

Similar Documents

Publication Publication Date Title
US20210169395A1 (en) Method and system for use in monitoring neural activity in a subject&#39;s brain
Deligianni et al. Relating resting-state fMRI and EEG whole-brain connectomes across frequency bands
JP7221693B2 (ja) ヒトの脳の皮質機能の目録を作るための方法および磁気画像化デバイス
Huster et al. Methods for simultaneous EEG-fMRI: an introductory review
JP6884344B2 (ja) 脳内ネットワークの活動推定システム、脳内ネットワークの活動推定方法、脳内ネットワークの活動推定プログラム、および、学習済み脳活動推定モデル
Gilbert et al. Object repetition leads to local increases in the temporal coordination of neural responses
US20240057888A1 (en) Method And System For Determining Brain-State Dependent Functional Areas Of Unitary Pooled Activity And Associated Dynamic Networks With Functional Magnetic Resonance Imaging
JP2020062369A (ja) 脳機能結合相関値の調整方法、脳機能結合相関値の調整システム、脳活動分類器のハーモナイズ方法、脳活動分類器のハーモナイズシステム、および脳活動バイオマーカシステム
WO2012151453A2 (en) Seizure detection and epileptogenic lesion localization
Novikov et al. TMSmap–software for quantitative analysis of TMS mapping results
US11147501B2 (en) Systems and methods for enhanced encoded source imaging
Wang et al. Concordance of MEG and fMRI patterns in adolescents during verb generation
WO2022004841A1 (ja) 推定システム、推定方法、プログラム、推定モデル、脳活動トレーニング装置、脳活動トレーニング方法、および、脳活動トレーニングプログラム
Khayretdinova et al. Predicting age from resting-state scalp EEG signals with deep convolutional neural networks on TD-brain dataset
Abreu et al. Optimizing EEG source reconstruction with concurrent FMRI-derived spatial priors
Ziani Enhancing fetal electrocardiogram classification: A hybrid approach incorporating multimodal data fusion and advanced deep learning models
DeRamus et al. Modular and state-relevant functional network connectivity in high-frequency eyes open vs eyes closed resting fMRI data
Aram et al. Model-based estimation of intra-cortical connectivity using electrophysiological data
Candemir et al. Automatic detection of emotional changes induced by social support loss using fmri
Olson et al. Automated machine learning pipeline framework for classification of pediatric functional nausea using high-resolution electrogastrogram
Zafar et al. A study of decoding human brain activities from simultaneous data of EEG and fMRI using MVPA
Ilias et al. Overview of methods and available tools used in complex brain disorders
US20240156414A1 (en) Method for Predicting Age from Resting-State Scalp EEG Signals Using Deep Convolutional Neural Networks
Soler et al. Automated methodology for optimal selection of minimum electrode subsets for accurate eeg source estimation based on genetic algorithm optimization
Cordón Avila Localization of sources in electroencephalographic registers during working memory tasks

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: 21831592

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022534109

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 2021831592

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2021831592

Country of ref document: EP

Effective date: 20230202

NENP Non-entry into the national phase

Ref country code: DE