WO2024079961A1 - プログラム、製造方法、製造装置及び接続方法 - Google Patents

プログラム、製造方法、製造装置及び接続方法 Download PDF

Info

Publication number
WO2024079961A1
WO2024079961A1 PCT/JP2023/026946 JP2023026946W WO2024079961A1 WO 2024079961 A1 WO2024079961 A1 WO 2024079961A1 JP 2023026946 W JP2023026946 W JP 2023026946W WO 2024079961 A1 WO2024079961 A1 WO 2024079961A1
Authority
WO
WIPO (PCT)
Prior art keywords
mosaic
graphs
subject
parameters
sensitivity
Prior art date
Application number
PCT/JP2023/026946
Other languages
English (en)
French (fr)
Inventor
壮留 藏富
貴士 山本
雅之 平田
Original Assignee
株式会社JiMED
国立大学法人大阪大学
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JiMED, 国立大学法人大阪大学 filed Critical 株式会社JiMED
Publication of WO2024079961A1 publication Critical patent/WO2024079961A1/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
    • A61B5/30—Input circuits therefor
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer

Definitions

  • the present invention relates to a program, a manufacturing method, a manufacturing device, and a connection method.
  • Patent Document 1 discloses a BMI (brain-machine interface) system.
  • This BMI system includes an internal device and an external device.
  • the internal device has a group of electrodes and is embedded in the subject's head.
  • the internal device is configured to be able to accurately acquire the subject's electroencephalogram signal using a group of electrodes placed on the brain surface (subdural area).
  • the electroencephalogram signal acquired by the internal device is transmitted to the external device.
  • the external device performs an operation according to the received electroencephalogram signal (see Patent Document 1).
  • the object of the present invention is to provide a program, a manufacturing method, a manufacturing device, and a connection method for generating a trained model that can estimate a subject's motor intention (hereinafter, simply referred to as "intention") with a relatively high degree of accuracy based on the subject's electroencephalogram.
  • a program is used to generate a trained model that estimates a subject's intention based on the subject's electroencephalogram.
  • the trained model is generated through machine learning using a plurality of training data. In the machine learning, each of the plurality of parameters is adjusted in advance.
  • Each of the plurality of training data includes information related to electroencephalograms and is used for machine learning based on at least a portion of the plurality of parameters.
  • the program causes a computer to execute the steps of generating a plurality of trained models by performing machine learning for each of a plurality of combinations of a plurality of parameters, calculating sensitivity and specificity for each of the plurality of trained models, and displaying a plurality of mosaic graphs on a common screen.
  • Each of the plurality of mosaic graphs shows information related to sensitivity for at least a portion of the plurality of combinations.
  • the specificity values assumed for the plurality of mosaic graphs are different from one another.
  • this program When this program is executed by a computer, multiple mosaic graphs are displayed on a common screen.
  • Each of the multiple mosaic graphs shows information regarding the sensitivity of at least some of the multiple combinations, and the specificity values assumed for the multiple mosaic graphs are different from one another. Therefore, according to this program, the sensitivity and specificity of at least some of the multiple combinations are visually represented by multiple mosaic graphs, so that a user (doctor, etc.) can easily recognize good combinations of multiple parameters through the screen display. Since a user (doctor, etc.) can refer to the multiple mosaic graphs to determine the parameters to use and proceed with the evaluation, it becomes easy to generate a trained model that can estimate the subject's intentions with a relatively high degree of accuracy based on the subject's brain waves.
  • each of the plurality of mosaic graphs at least a portion of the plurality of parameters may be determined as premise values, and the program may further cause the computer to execute a step of accepting a change in the premise value, and a step of updating each of the plurality of mosaic graphs when the premise value is changed.
  • each of the multiple mosaic graphs is updated when the premise value is changed. Therefore, this program allows the user to easily recognize the effect of parameter changes on sensitivity through the screen display.
  • the information relating to sensitivity may include color information
  • the program may further cause the computer to execute a step of accepting a change in a scale indicating the correspondence between sensitivity values and colors, and a step of updating each of the multiple mosaic graphs when the scale is changed.
  • each of the multiple mosaic graphs is updated when the scale is changed. Therefore, this program allows the user to more clearly recognize the relationship between each parameter and sensitivity through adjusting the scale.
  • the information regarding sensitivity may include numerical information.
  • This program allows users to easily recognize good combinations of multiple parameters through the display of numerical information.
  • the above program may further cause the computer to execute a step of deriving an optimal combination of multiple parameters based on both sensitivity and specificity, and a step of displaying on a screen the numerical values of each parameter in the optimal combination, and each of the multiple mosaic graphs may be generated based on the optimal combination.
  • this program When this program is executed by a computer, the numerical values of each parameter in the optimal combination are displayed on the screen, and multiple mosaic graphs are generated based on the optimal combination. Therefore, this program allows the user to easily recognize the parameter combination that maximizes sensitivity and specificity.
  • the above program may further cause the computer to execute a step of highlighting on the screen the information showing the highest sensitivity among the information on the multiple sensitivities shown in the multiple mosaic graphs.
  • this program When this program is executed by a computer, the information indicating the highest sensitivity among the multiple pieces of information regarding sensitivities is highlighted on the screen. Therefore, this program allows the user to easily recognize the combination of parameters that corresponds to the information indicating the highest sensitivity among the multiple pieces of information regarding sensitivities.
  • a manufacturing method is a manufacturing method for a trained model that estimates a subject's intention based on the subject's electroencephalogram.
  • the trained model is generated through machine learning using a plurality of training data.
  • each of the plurality of parameters is adjusted in advance.
  • Each of the plurality of training data includes information on the electroencephalogram and is used for the machine learning taking into account at least a portion of the plurality of parameters.
  • the manufacturing method includes a step of generating a plurality of trained models by performing machine learning for each of a plurality of combinations of a plurality of parameters, a step of calculating sensitivity and specificity for each of the plurality of trained models, and a step of displaying a plurality of mosaic graphs on a common screen.
  • Each of the plurality of mosaic graphs shows information on sensitivity for at least a portion of the plurality of combinations.
  • the specificity values assumed for the plurality of mosaic graphs are different from one another.
  • multiple mosaic graphs are displayed on a common screen.
  • Each of the multiple mosaic graphs shows information regarding the sensitivity of at least some of the multiple combinations, and the specificity values assumed for the multiple mosaic graphs are different from one another. Therefore, according to this manufacturing method, the sensitivity and specificity of at least some of the multiple combinations are visually represented by multiple mosaic graphs, so that a user can easily recognize a good combination of multiple parameters through the screen display. Since a user (doctor, etc.) can refer to the multiple mosaic graphs to determine the parameters to use and proceed with the evaluation, it becomes easy to generate a trained model that can estimate the subject's intentions with a relatively high degree of accuracy based on the subject's brain waves.
  • a manufacturing apparatus is an apparatus for manufacturing a trained model that estimates a subject's intention based on the subject's electroencephalogram.
  • the trained model is generated through machine learning using a plurality of training data. In the machine learning, each of a plurality of parameters is adjusted in advance.
  • Each of the plurality of training data includes information on electroencephalograms and is used for machine learning taking into account at least a portion of the plurality of parameters.
  • the manufacturing apparatus includes a processor and a memory that stores a program executed by the processor.
  • the program causes the processor to execute the steps of generating a plurality of trained models by performing machine learning on each of the plurality of combinations, calculating sensitivity and specificity for each of the plurality of trained models, and displaying a plurality of mosaic graphs on a common screen.
  • Each of the plurality of mosaic graphs shows information on sensitivity for at least a portion of the plurality of combinations.
  • the specificity values assumed for the plurality of mosaic graphs are different from one another.
  • multiple mosaic graphs are displayed on a common screen.
  • Each of the multiple mosaic graphs shows information regarding the sensitivity of at least some of the multiple combinations, and the values regarding the specificity that are the premise for the multiple mosaic graphs are different from each other. Therefore, according to this manufacturing device, the sensitivity and specificity of at least some of the multiple combinations are visually represented by multiple mosaic graphs, so that the user can easily recognize good combinations of multiple parameters through the screen display. Since the user (doctor, etc.) can refer to the multiple mosaic graphs to determine the parameters to use and proceed with the evaluation, it becomes easy to generate a trained model that can estimate the subject's intentions with a relatively high accuracy based on the subject's brain waves.
  • a program according to another aspect of the present invention is a program for displaying an electroencephalogram generated based on electroencephalograms acquired through an electrode group implanted in the skull of a subject.
  • the electrode group includes an electrode arranged in a first region and an electrode arranged in a second region.
  • the electroencephalogram acquired by the electrode arranged in the first region has a high correlation with the subject's intention to be detected, compared with the electroencephalogram acquired by the electrode arranged in the second region.
  • Each of the multiple electrodes included in the electrode group is electrically connected to one of multiple amplification elements included in the amplifier chip.
  • An amplification element among the multiple amplification elements that does not satisfy a predetermined criterion is electrically connected to an electrode arranged in the second region.
  • the program causes a computer to execute the steps of generating multiple electroencephalograms based on the output of each of the multiple amplification elements, and displaying a screen including the generated multiple electroencephalograms. On the screen, each of the multiple electroencephalograms is arranged at a position equivalent to the position of the corresponding electrode in the electrode group.
  • this program When this program is executed by a computer, a screen is displayed in which each of multiple EEG spectrograms is positioned at the same position as the position of the corresponding electrode in the electrode group. Therefore, according to this program, since each EEG spectrogram is displayed at the same position as the corresponding electrode, the user can intuitively recognize the EEG spectrogram that reflects the subject's unique brain activity and the EEG intensity in each frequency band, making it easier to grasp the subject's unique brain activity, and it is expected that a trained model that can estimate the subject's intentions with relatively high accuracy will be produced.
  • a connection method is a method for connecting an electrode group for detecting brain waves of a subject to an amplifier chip.
  • the amplifier chip includes a plurality of amplification elements.
  • the electrode group includes an electrode arranged in a first region and an electrode arranged in a second region.
  • the brain waves acquired by the electrodes arranged in the first region have a high correlation with the subject's intention to be detected, compared with the brain waves acquired by the electrodes arranged in the second region.
  • the connection method includes a step of determining whether the plurality of amplification elements includes an amplification element that does not satisfy a predetermined criterion, and a step of connecting the amplification element that does not satisfy the predetermined criterion to the electrode arranged in the second region, if the plurality of amplification elements includes an amplification element that does not satisfy the predetermined criterion.
  • connection method an amplifier element that does not meet a predetermined standard is connected to an electrode that acquires brain waves that do not have a high correlation with the subject's intentions to be detected. Therefore, with this connection method, electrodes placed on brain regions that are important for intention detection can be connected to amplifier elements that meet the predetermined standard, making it possible to acquire brain waves with a high S/N ratio. As a result, it is expected that a trained model that can estimate the subject's intentions with a relatively high degree of accuracy can be produced.
  • the present invention provides a program, manufacturing method, manufacturing device, and connection method for generating a trained model that can estimate a subject's intentions with a relatively high degree of accuracy based on the subject's brain waves.
  • FIG. 1 is a diagram illustrating a configuration of a communication system.
  • FIG. 2 is a diagram showing a schematic diagram of the electrical configuration of the intracorporeal device.
  • FIG. 1 is a diagram illustrating a schematic configuration of an electroencephalogram decoding device. 13 is a flowchart showing an operation procedure of the electroencephalogram decoding device.
  • FIG. 1 is a diagram illustrating a configuration of a learning system.
  • FIG. 1 is a diagram illustrating a configuration of a trained model generation device.
  • 13 is a flowchart showing a procedure for collecting learning data. This is a diagram to explain the division of training data in 5-fold cross validation. This diagram illustrates the procedure for determining an appropriate combination of multiple parameters through 5-fold cross validation.
  • FIG. 10 is a diagram illustrating an example of an image showing an optimal parameter combination.
  • FIG. 13 is a diagram showing an example of an image in which numerical information indicating sensitivity is displayed.
  • FIG. 13 is an enlarged view of the mosaic graph G2 in FIG. 12.
  • 4 is a diagram for explaining the connection rules between each electrode included in the electrode group and an amplifying element.
  • FIG. 13 is a diagram for explaining the priority order of electrodes.
  • 10 is a flowchart showing a procedure for displaying a spectrogram of an electroencephalogram detected by each electrode.
  • FIG. 4 is a diagram illustrating an example of a screen displayed on a display unit.
  • FIG. 1 is a diagram showing a schematic configuration of a communication system 10.
  • a subject using the communication system 10 is, for example, a patient with amyotrophic lateral sclerosis (ALS). Electroencephalograms corresponding to the subject's intentions are emitted from the subject's brain.
  • the subject's brain activity is detected based on the subject's brain waves, and the operated device 400 is operated based on the subject's brain activity.
  • the brain activity is detected based on, for example, brain waves emitted from each part of the subject's brain.
  • a predetermined input signal e.g., a signal to press a "YES" button
  • the predetermined brain activity include brain activity when the subject imagines clenching his/her hand, brain activity when the subject imagines bending his/her arm, and brain activity when the subject imagines raising his/her arm.
  • a subject using the intention communication system 10 can operate the operated device 400, for example, by imagining an intention that corresponds to the predetermined brain activity.
  • the communication system 10 includes an internal device 100, a receiving device 200, an EEG decoding device 300, and an operated device 400.
  • the internal device 100 is embedded in the subject's skull and detects the subject's EEG signals.
  • the internal device 100 transmits the detected EEG signals to the receiving device 200.
  • the receiving device 200 performs frequency analysis of the received EEG signals, and transmits the received EEG signals and the results of the frequency analysis (hereinafter also referred to as "EEG signals, etc.") to the EEG decoding device 300.
  • the electroencephalogram decoding device 300 determines whether or not a specific intention has been imagined by the subject based on the electroencephalogram signal received from the receiving device 200. If it is determined that a specific intention has been imagined, the electroencephalogram decoding device 300 transmits a specific input signal to the operated device 400. This causes the operated device 400 to be operated.
  • FIG. 2 is a diagram showing a schematic diagram of the electrical configuration of the intracorporeal device 100.
  • the intracorporeal device 100 is implanted in the subject's skull.
  • the intracorporeal device 100 includes an electrode group 110, an amplifier chip 120, a control unit 130, and a communication unit 140.
  • the electrode group 110 includes a plurality of electrodes 111.
  • the electrode group 110 is formed, for example, on a sheet that is generally rectangular in plan view.
  • the sheet on which the electrode group 110 is formed is placed on the brain surface (subdural area) of the subject, and each electrode 111 detects the brain waves of the subject.
  • the amplifier chip 120 includes a plurality of amplifying elements 121.
  • the amplifier chip 120 includes, for example, a plurality of layers.
  • a plurality of amplifying elements 121 are formed in each layer. For example, if the amplifier chip 120 has a two-layer structure and includes 64 amplifying elements 121, 32 amplifying elements 121 may be formed in each layer.
  • Each of the multiple amplification elements 121 is associated with an electrode 111.
  • Each amplification element 121 is electrically connected to the associated electrode 111, for example, via a platinum wire.
  • a feedthrough may be provided between the electrode group 110 and the amplifier chip 120. The method of connecting the amplification elements 121 to the electrodes 111 will be explained in detail later.
  • Each amplification element 121 amplifies the brainwave signal detected by the associated electrode 111.
  • the brainwave signal amplified by each amplification element 121 is output to the control unit 130.
  • the control unit 130 includes, for example, a CPU (Central Processing Unit), a RAM (Random Access Memory), and a ROM (Read Only Memory).
  • the control unit 130 is configured to control each component in the internal device 100 in accordance with information processing.
  • the control unit 130 controls the communication unit 140, for example, to transmit each brainwave signal output by the amplifier chip 120 to the receiving device 200. Note that each brainwave signal may be transmitted directly from the internal device 100 to the brainwave decoding device 300 without going through the receiving device 200.
  • FIG. 3 is a diagram showing a schematic configuration of the electroencephalogram decoding device 300.
  • the electroencephalogram decoding device 300 is realized, for example, by a general-purpose computer. As shown in FIG. 3, the electroencephalogram decoding device 300 includes a control unit 310, a communication unit 330, an input unit 340, a display unit 350, and a memory unit 320, and each component is electrically connected via a bus.
  • the control unit 310 includes a CPU 312, a RAM 314, and a ROM 316.
  • the control unit 310 is configured to control each component within the brainwave decoding device 300 in accordance with information processing.
  • the communication unit 330 is configured to communicate with each of the receiving device 200 and the operated device 400 by wired communication or wireless communication.
  • the communication unit 330 is configured to receive, for example, an electroencephalogram signal from the receiving device 200 and to transmit an input signal to the operated device 400.
  • the input unit 340 is configured to receive instructions from a user (an operator such as a doctor).
  • the input unit 340 is configured to include, for example, some or all of a touch panel, a keyboard, a mouse, and a microphone.
  • the display unit 350 is configured to display images.
  • the display unit 350 is configured to include, for example, a monitor such as a liquid crystal monitor or an organic EL (Electro Luminescence) monitor.
  • the display unit 350 displays, for example, a spectrogram of the subject's brain waves (hereinafter also referred to as an "brain wave spectrogram") received via the communication unit 330.
  • the storage unit (memory) 320 is configured, for example, as an auxiliary storage device such as a hard disk drive or a solid state drive.
  • the storage unit 320 is configured to store, for example, a control program 321 and a trained model 322.
  • the control program 321 is executed by the control unit 310 to realize various operations in the brainwave decoding device 300.
  • the control unit 310 executes the control program 321
  • the control program 321 is deployed in the RAM 314.
  • the control unit 310 then controls each component by interpreting and executing the control program 321 deployed in the RAM 314 by the CPU 312.
  • the trained model 322 is configured to output the likelihood that the subject has imagined a specific intention when, for example, an electroencephalogram signal or the like continuously received through the communication unit 330 is input.
  • the control unit 310 determines, for example, based on the output of the trained model 322, whether or not the subject has imagined a specific intention. A method for generating the trained model 322 will be explained in detail later.
  • Operation> 4 is a flowchart showing the operation procedure of the electroencephalogram decoding device 300. The process shown in this flowchart is repeatedly executed by the control unit 310 when electroencephalogram signals and the like are continuously received through the communication unit 330. do.
  • the control unit 310 inputs the EEG signal, etc. received through the communication unit 330 to the trained model 322 (step S100). Based on the output of the trained model 322, the control unit 310 determines whether or not the subject has imagined a specific intention (step S110). For example, when the likelihood that the subject has imagined a specific intention is equal to or greater than a specific value, the control unit 310 determines that the subject has imagined a specific intention.
  • step S110 If it is determined that the subject has not imagined a specific intention (NO in step S110), the control unit 310 executes the process of step S100 again. On the other hand, if it is determined that the subject has imagined a specific intention (YES in step S110), the control unit 310 controls the communication unit 330 to transmit an input signal associated with the specific intention to the operated device 400 (step S120). This allows the operated device 400 to be operated according to the subject's intention.
  • FIG. 5 is a diagram illustrating a schematic configuration of the learning system 20.
  • the learning system 20 is configured to generate, for example, the above-described trained model 322.
  • the learning system 20 includes an intracorporeal device 100, a receiving device 200, and a trained model generating device 500.
  • the intracorporeal device 100 and the receiving device 200 have the same configurations as the intracorporeal device 100 and the receiving device 200 included in the intention communication system 10 (FIG. 1), for example.
  • the trained model generating device 500 generates a trained model 322 through machine learning using the received electroencephalogram signal, etc.
  • machine learning various known methods such as support vector machines, deep learning, neural networks, decision tree learning, association rule learning, and Bayesian networks can be applied.
  • FIG. 6 is a diagram showing a schematic configuration of a trained model generation device 500.
  • the trained model generation device 500 is realized, for example, by a general-purpose computer. As shown in FIG. 6, the trained model generation device 500 includes a control unit 510, a communication unit 530, an input unit 540, a display unit 550, and a memory unit 520, and each component is electrically connected via a bus.
  • the control unit (processor) 510 includes a CPU 512, a RAM 514, and a ROM 516.
  • the control unit 510 is configured to control each component within the trained model generation device 500 in accordance with information processing.
  • the communication unit 530 is configured to communicate with the receiving device 200 by wired communication or wireless communication.
  • the communication unit 530 is configured to receive, for example, an electroencephalogram signal, etc., from the receiving device 200.
  • the input unit 540 is configured to accept instructions from a user (an operator such as a doctor).
  • the input unit 540 is configured to include, for example, some or all of a touch panel, a keyboard, a mouse, and a microphone.
  • the display unit 550 is configured to display an image. An example of an image displayed on the display unit 550 will be described in detail later.
  • the display unit 550 is configured to include, for example, a monitor such as a liquid crystal monitor or an organic EL monitor.
  • the storage unit (memory) 520 is configured, for example, with an auxiliary storage device such as a hard disk drive or a solid state drive.
  • the storage unit 520 is configured, for example, to store a control program 521.
  • the control program 521 is executed by the control unit 510 to realize various operations in the trained model generation device 500.
  • the control unit 510 executes the control program 521, the control program 521 is deployed in the RAM 514.
  • the control unit 510 then controls each component by interpreting and executing the control program 521 deployed in the RAM 514 with the CPU 512.
  • FIG. 7 is a flowchart showing the procedure for collecting EEG signals used to generate learning data.
  • the process shown in this flowchart is repeatedly executed by the control unit 510 when EEG signals, etc. are continuously received via the communication unit 530. Note that while the process shown in this flowchart is being executed, the subject is, for example, viewing the display unit 550.
  • control unit 510 controls display unit 550 to display a screen instructing the subject to imagine a predetermined intention (step S200).
  • Control unit 510 stores in storage unit 520 the EEG signals etc. received through communication unit 530 during a predetermined period that correlates with the timing of displaying the screen as EEG signals etc. for generating learning data (step S210).
  • EEG signals etc. required for generating learning data are collected. Note that learning data may be generated based on either the received EEG signals or the results of frequency analysis.
  • the trained model 322 is a regression model.
  • each of a number of parameters is adjusted in advance.
  • the number of parameters include a parameter (Window Size) indicating the time interval used for training data from EEG signals etc. having a fixed time interval, a parameter (Window Offset) indicating the time lag between the timing when the subject is instructed to imagine a specific intention and the interval of the EEG signals etc. used for training data, and a parameter (PLS Comps) indicating the dimension used in partial least squares regression.
  • the training data is used for machine learning taking into account each of the Window Size and Window Offset.
  • cross-validation is performed in advance to determine an appropriate combination of multiple parameters. Then, machine learning is performed using all the collected training data and the determined combination of multiple parameters to generate the trained model 322.
  • machine learning is performed using all the collected training data and the determined combination of multiple parameters to generate the trained model 322.
  • FIG 8 is a diagram explaining the division of training data in 5-fold cross validation.
  • training data is divided into five groups (first data group to fifth data group). For example, when 600 pieces of training data are collected, the 600 pieces of training data are divided into five groups, each containing 120 pieces of training data.
  • Figure 9 is a diagram for explaining the procedure for determining an appropriate combination of multiple parameters through 5-fold cross validation.
  • 5-fold cross validation of the first to fifth data groups, four data groups are classified as training data, and one data group is classified as test data.
  • the second to fifth data groups are classified as teacher data, and the first data group is classified as test data.
  • the first data group and the third to fifth data groups are classified as teacher data, and the second data group is classified as test data.
  • the first to second data groups and the fourth to fifth data groups are classified as teacher data, and the third data group is classified as test data.
  • the first to third data groups and the fifth data group are classified as teacher data, and the fourth data group is classified as test data.
  • the first to fourth data groups are classified as teacher data, and the fifth data group is classified as test data.
  • a regression model is generated for the number of combinations of multiple parameters. That is, five regression models (regression model 1 to regression model 5) are generated for each combination of multiple parameters.
  • the multiple parameters include a specificity threshold for the generated regression model.
  • a regression model with a specificity equal to or greater than the threshold is generated.
  • four types of thresholds, 0.90, 0.95, 0.97, and 0.99, can be set as the specificity threshold.
  • the specificity of the generated regression model may also be specified by a parameter, in which case a regression model with the specified specificity is generated through machine learning.
  • the sensitivity and specificity of each of the five regression models are calculated using test data.
  • Sensitivity refers to the probability of correctly determining a positive result as positive
  • specificity refers to the probability of correctly determining a negative result as negative.
  • sensitivity refers to the probability of determining that a subject has imagined a specific intention when the subject has imagined the specific intention
  • specificity refers to the probability of not determining that a subject has imagined the specific intention when the subject has not imagined the specific intention.
  • the average sensitivity and average specificity of the five regression models are calculated for each combination of multiple parameters.
  • the combination of multiple parameters with the highest average sensitivity and average specificity is considered to be the optimal parameter combination.
  • the parameters are adjusted based on the optimal parameter combination, and appropriate parameters to be used in generating the trained model 322 are determined. The parameter adjustment method will be explained in detail later.
  • machine learning is performed using all of the collected learning data (first data group to fifth data group) and an appropriate combination of the determined multiple parameters to generate a trained model 322. Note that in this machine learning, all of the data included in the first data group to the fifth data group is used as training data.
  • FIG. 10 is a flowchart showing the procedure for generating the trained model 322. The process shown in this flowchart is executed by the control unit 510 after training data has been collected.
  • the control unit 510 uses the collected learning data to generate multiple regression models through cross-validation for each combination of multiple parameters, and calculates the sensitivity and specificity of each regression model (step S300).
  • the control unit 510 calculates the average sensitivity and average specificity of the regression model for each combination of multiple parameters (step S310).
  • the control unit 510 considers the combination of multiple parameters with the highest average sensitivity and average specificity to be the optimal parameter combination, and controls the display unit 550 to display an image showing the optimal parameter combination (step S320). With the image showing the optimal parameter combination displayed on the display unit 550, each parameter can be adjusted.
  • FIG. 11 is a diagram showing a schematic example of an image IM1 indicating an optimal parameter combination.
  • image IM1 is displayed on display unit 550.
  • Image IM1 includes mosaic graphs G1, G2, G3, and G4, scale adjustment unit S1, regions T1 and T2, and buttons B1, B3, B4, B5, and B6. In other words, these can be said to be displayed on a common screen.
  • Each of the mosaic graphs G1, G2, G3, and G4 shows information about sensitivity for at least some of the multiple combinations of parameters.
  • the horizontal axis of each graph is Window Offset (parameter)
  • the vertical axis of each graph is Window Size (parameter).
  • the information about sensitivity is, for example, color information. Sensitivity and color are associated, and sensitivity is indicated by color for each combination of multiple parameters.
  • the specificity thresholds assumed for mosaic graphs G1, G2, G3, and G4 are different from one another.
  • the specificity threshold assumed for mosaic graph G1 is 0.90
  • the specificity threshold assumed for mosaic graph G2 is 0.95
  • the specificity threshold assumed for mosaic graph G3 is 0.97
  • the specificity threshold assumed for mosaic graph G4 is 0.99.
  • the scale adjustment unit S1 is used to adjust the correspondence between sensitivity and color (hereinafter also referred to as "scale"). For example, the scale is adjusted by changing the upper and lower limit values indicated in the scale adjustment unit S1.
  • each of the mosaic graphs G1, G2, G3, and G4 is updated. In other words, each of the mosaic graphs G1, G2, G3, and G4 is generated based on the adjusted scale.
  • Area T1 displays the optimal combination of multiple parameters.
  • the optimal combination of multiple parameters displayed in area T1 is the optimal combination obtained through the above-mentioned cross-validation.
  • Area T2 displays the currently selected combination of multiple parameters.
  • buttons B5 and B6 By operating buttons B5 and B6, the value of the corresponding parameter can be adjusted, and each of the mosaic graphs G1, G2, G3, and G4 is updated to one generated based on the adjusted parameter combination.
  • the adjustable parameters here are the parameters that are assumed in each of the mosaic graphs G1, G2, G3, and G4.
  • button B3 When button B3 is operated, a trained model is generated based on the optimal parameter combination.
  • button B4 When button B4 is operated, a trained model is generated based on the currently selected parameter combination.
  • button B1 When button B1 is operated, numerical information indicating the sensitivity for each parameter combination is displayed in each of the mosaic graphs G1, G2, G3, and G4.
  • FIG. 12 is a diagram showing an example of image IM2 in which numerical information indicating sensitivity is displayed.
  • image IM2 is displayed on display unit 550, for example, when button B1 is operated with image IM1 displayed on display unit 550.
  • image IM2 numerical information indicating sensitivity for each combination of parameters is displayed in each of mosaic graphs G1, G2, G3, and G4.
  • FIG. 13 is an enlarged view of the mosaic graph G3 in FIG. 12.
  • the area showing the highest sensitivity is highlighted by being surrounded by a frame C1.
  • the frame C1 may be a color that stands out compared to the background color. This allows the user to easily recognize the parameter combination corresponding to the area showing the highest sensitivity.
  • the frame C1 may be displayed in each of the mosaic graphs G1, G2, G3, and G4, or may be displayed only in the area that is the best parameter combination among the currently selected parameter combinations.
  • control unit 510 determines whether the user has finished adjusting the parameters (step S330). Specifically, control unit 510 determines whether the user has selected either button B3 or B4. Even if an optimal parameter combination is found, for example, a parameter combination in which even a small change in some parameters significantly reduces sensitivity is not necessarily optimal. In such a case, the user adjusts the parameters.
  • control unit 510 waits until parameter adjustment is complete. On the other hand, if it is determined that parameter adjustment is complete (YES in step S330), the control unit 510 generates a trained model 322 through machine learning using the adjusted parameter combination (step S340).
  • the mosaic graphs G1, G2, G3, and G4 are displayed on a common screen.
  • Each mosaic graph shows information about the sensitivity of at least some of the combinations of multiple parameters, and the values related to the specificity that are the premise for the multiple mosaic graphs are different from each other. Therefore, according to the trained model generating device 500, the sensitivity and specificity for at least some combinations of multiple parameters are visually represented by the mosaic graphs G1, G2, G3, and G4, so that the user (doctor, etc.) can easily recognize good combinations of multiple parameters by the screen display.
  • the user can refer to the mosaic graphs G1, G2, G3, and G4 to determine the parameters to be used and proceed with the evaluation, which makes it easy to generate a trained model that can estimate the subject's intention with a relatively high accuracy based on the subject's brain waves.
  • the trained model generation device 500 allows the user to easily recognize the effect of parameter changes on sensitivity through the screen display.
  • each of the mosaic graphs G1, G2, G3, and G4 is updated. Therefore, the trained model generation device 500 allows the user to more clearly recognize the relationship between each parameter and the sensitivity through scale adjustment.
  • each of the mosaic graphs G1, G2, G3, and G4 can display numerical information indicating sensitivity.
  • the trained model generation device 500 allows the user to easily recognize good combinations of multiple parameters through the display of numerical information.
  • the trained model generation device 500 the numerical values of each parameter in the optimal combination are displayed on the screen, and each of the mosaic graphs G1, G2, G3, and G4 is generated on the premise of the optimal parameter combination. Therefore, the trained model generation device 500 allows the user to easily recognize the parameter combination that maximizes the sensitivity and specificity.
  • each electrode 111 included in the electrode group 110 is electrically connected to an amplifying element 121 (FIG. 2) included in the amplifier chip 120 via a platinum wire.
  • the quality of the amplifier elements 121 is not necessarily constant. Some of the amplifier elements 121 included in the amplifier chip 120 may not meet a predetermined quality standard.
  • the brain waves detected by some of the electrodes 111 included in the electrode group 110 have a strong correlation with the subject's intention.
  • the brain waves detected by some of the electrodes 111 included in the electrode group 110 have almost no correlation with the subject's intention.
  • intention related to the subject's hand movement when detecting an intention related to the subject's hand movement, the brain waves measured at electrodes located away from the area of the subject's hand sensory motor cortex have almost no correlation with the subject's intention.
  • Other examples of intention include intention related to the subject's face movement, intention related to the subject's mouth movement, and intention related to the subject's foot movement.
  • the position of the electrode group 110 on the subject's brain surface is adjusted according to the intention to be detected.
  • the position of the electrode group 110 may be determined by referring to Penfield's homunculus, for example, according to the intention to be detected.
  • electrodes 111 that detect brain waves that have a strong correlation with the subject's intentions are connected to amplifier elements 121 that meet a specified quality
  • electrodes 111 that detect brain waves that have little correlation with the subject's intentions are connected to amplifier elements 121 that do not meet the specified quality. That is, in this embodiment, some of the electrodes located in brain regions of the subject's brain that are distant from brain regions that are important for detecting intentions are predetermined as electrodes to be connected to amplifier elements 121 that do not meet the specified quality. This makes it possible to detect brain waves that have a strong correlation with the subject's intentions with higher accuracy.
  • FIG. 14 is a diagram for explaining the connection rules between each electrode 111 included in the electrode group 110 and the amplifier element 121.
  • each amplifier element 121 included in the amplifier chip 120 is electrically connected to an electrode pad 126 included in the electrode pad group 125.
  • the amplifier element 121 and the electrode 111 are electrically connected by connecting the electrode pad 126 and the electrode 111.
  • the electrode 111 included in region A of the electrode group 110 is connected to the electrode pad 126 included in region A of the electrode pad group 125, and the electrode 111 included in region B of the electrode group 110 is connected to the electrode pad 126 included in region B of the electrode pad group 125.
  • the brain waves measured by electrodes 111 placed near the hand sensory-motor area in the subject's brain have a high correlation with the subject's intention.
  • the brain waves measured by electrodes 111 placed in an area of the subject's brain away from the hand sensory-motor area have almost no correlation with the subject's intention.
  • the brain wave signals acquired by the electrodes 111 placed in the first area ET1 have a high correlation with the subject's intention regarding the hand movement compared to the brain wave signals acquired by the electrodes 111 placed in the second area ET2.
  • an inspection is performed to check whether each amplifying element 121 meets a predetermined quality.
  • the input-equivalent noise of each amplifying element 121 is checked, and an amplifying element 121 whose input-equivalent noise is equal to or greater than a predetermined value is determined to not meet the predetermined quality.
  • the amplifying elements 121 that meet the predetermined quality are ranked in order of decreasing input-equivalent noise.
  • Electrodes 111 located in brain regions away from brain regions important for intention detection some of the electrodes 111 located toward both ends in the width direction of the electrode group 110 (electrodes 111 arranged in the second region ET2) are predetermined as electrodes to be connected to amplification elements 121 that do not meet a specified quality.
  • the electrodes 111 associated with numbers 1 to 8 in FIG. 14 are predetermined as electrodes to be connected to amplification elements 121 that do not meet a specified quality. This number indicates the order in which amplification elements 121 that do not meet the specified quality are preferentially connected.
  • the priority order of the electrodes 111 to which the higher quality amplifier elements 121 are connected is determined in advance.
  • the priority order of the electrodes 111 is determined in advance so that the higher quality amplifier elements 121 are connected to the electrodes 111 that detect brain waves that have a higher correlation with the subject's intentions.
  • FIG. 15 is a diagram for explaining the priority of the electrodes 111.
  • the numerical values associated with each electrode 111 in the figure indicate the priority of each electrode 111.
  • the priority of each electrode 111 is determined for each of the first and second regions of the electrode group 110.
  • Amplification elements 121 of higher quality are connected in ascending order of the associated numerical values. This makes it possible to detect brain waves that have a strong correlation with the subject's intentions with a higher degree of accuracy.
  • an electrode map indicating the connection relationship between the electrodes 111 and the amplification elements 121 is stored, for example, in the memory unit 520 of the trained model generation device 500.
  • the electrode map includes information indicating the connection relationship between the electrodes 111 and the amplification elements 121, and information indicating whether the amplification elements 121 satisfy a predetermined quality.
  • the control unit 510 can determine which electrode 111 detected the brain waves that generated the output of each amplification element 121.
  • Display of information on brain waves detected by each electrode> 16 is a flowchart showing a procedure for displaying a spectrogram of an electroencephalogram detected by each electrode 111. The process shown in this flowchart is repeatedly executed by the control unit 510 of the trained model generation device 500.
  • the control unit 510 acquires the output (brainwave signals, etc.) of each amplification element 121 through the communication unit 330 (step S400).
  • the control unit 510 generates multiple brainwave spectrograms based on the acquired brainwave signals, etc. (step S410).
  • the control unit 510 generates a screen including multiple brainwave spectrograms by referring to the electrode map stored in the memory unit 520 (step S420). On this screen, each of the multiple brainwave spectrograms is positioned at a position equivalent to the position of the corresponding electrode 111 in the electrode group 110.
  • the control unit 510 controls the display unit 350 to display the generated screen (step S430).
  • FIG. 17 is a diagram showing a schematic example of a screen displayed on the display unit 350.
  • each of the multiple EEG spectrograms is arranged at a position equivalent to the position of the corresponding electrode 111 in the electrode group 110.
  • an EEG spectrogram 111A may be displayed for an electrode 111 connected to an amplifier element 121 that satisfies a predetermined quality
  • a blackened image 111B may be displayed for an electrode 111 connected to an amplifier element 121 that does not satisfy the predetermined quality.
  • each of the multiple EEG spectrograms is positioned at a position equivalent to the position of the corresponding electrode 111 in the electrode group 110. Therefore, according to the trained model generation device 500, since each EEG spectrogram is displayed at a position equivalent to the corresponding electrode 111, the user can intuitively recognize the EEG spectrogram that reflects the subject-specific brain activity areas and the EEG intensity by frequency band, making it easier to grasp the subject-specific brain activity, and it is expected that a trained model that can estimate the subject's intentions with relatively high accuracy will be produced.
  • the subject's intention has a strong correlation with the brain waves detected by the electrode 111 (electrode 111 arranged in the first region ET1) located in a brain region important for intention detection.
  • an amplifier element 121 that does not satisfy a predetermined criterion is connected to an electrode 111 (electrode 111 arranged in the second region ET2) located in a brain region away from the brain region important for intention detection among the multiple electrodes 111.
  • the electrode 111 located in the brain region important for intention detection to an amplifier element 121 that satisfies the predetermined criterion, and as a result, it is expected that a trained model capable of estimating the subject's intention with a relatively high degree of accuracy will be produced.
  • the mosaic graphs G1, G2, G3, and G4 are displayed on a common screen.
  • Each mosaic graph shows information about sensitivity in at least some of the combinations of a plurality of parameters, and the values related to the specificity that are the premise for the plurality of mosaic graphs are different from each other. Therefore, according to the trained model generating device 500, the sensitivity and specificity in at least some of the combinations of a plurality of parameters are visually represented by the mosaic graphs G1, G2, G3, and G4, so that a user (doctor, etc.) can easily recognize a good combination of a plurality of parameters by the screen display.
  • the user can refer to the plurality of mosaic graphs to determine the parameters to be used and proceed with the evaluation, it becomes easy to generate a trained model that can estimate the subject's intention with a relatively high accuracy based on the subject's electroencephalogram.
  • each of the multiple EEG spectrograms is positioned at a position equivalent to the position of the corresponding electrode 111 in the electrode group 110. Therefore, according to the trained model generating device 500, since each EEG spectrogram is displayed at a position equivalent to the corresponding electrode 111, the user can intuitively recognize the EEG spectrogram that reflects the subject-specific brain activity areas and the EEG intensity by frequency band, making it easier to grasp the subject-specific brain activity, and it is expected that a trained model that can estimate the subject's intentions with relatively high accuracy will be produced.
  • an amplifier element 121 that does not satisfy the predetermined criteria is connected to an electrode 111 (electrode 111 arranged in the second region ET2) that is located in a brain region away from the brain region that is important for intention detection among the multiple electrodes 111. Therefore, according to this embodiment, an electrode 111 (electrode 111 arranged in the first region ET1) located in a brain region that is important for intention detection can be connected to an amplifier element 121 that satisfies the predetermined criteria, and as a result, it can be expected that a trained model that can estimate the subject's intention with a relatively high degree of accuracy will be produced.
  • the EEG decoding device 300 and the trained model generating device 500 are realized as different devices.
  • the EEG decoding device 300 and the trained model generating device 500 do not necessarily need to be realized as different devices.
  • the EEG decoding device 300 and the trained model generating device 500 may be realized as a single common device.
  • the trained model 322 outputs the likelihood that the subject has imagined a specific intention when an amplified EEG signal is input.
  • the specific intention does not necessarily have to be one type of intention.
  • multiple types of intentions may be predefined as the specific intention.
  • the trained model 322 may be a classifier model that outputs the likelihood that the subject has imagined each intention when an amplified EEG signal is input. Even in such a case, it is sufficient that multiple mosaic graphs are displayed on a common screen.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • General Physics & Mathematics (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • User Interface Of Digital Computer (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

被験者の企図を推定する学習済モデルの生成に用いられる複数の教師データの各々は、脳波に関する情報を含むと共に、複数のパラメータの少なくとも一部を踏まえた上で機械学習に用いられる。プログラムは、複数のパラメータの複数の組合せの各々に関して機械学習を行なうことによって複数の学習済モデルを生成するステップと、複数の学習済モデルの各々に関して感度及び特異度を算出するステップと、複数のモザイクグラフを共通の画面に表示させるステップとをコンピュータに実行させる。複数のモザイクグラフの各々は、複数の組合せの少なくとも一部における感度に関する情報を示す。複数のモザイクグラフに関して前提となる特異度は互いに異なる。

Description

プログラム、製造方法、製造装置及び接続方法
　本発明は、プログラム、製造方法、製造装置及び接続方法に関する。
　特開２０１８－６８８８６号公報（特許文献１）は、ＢＭＩ（ブレインマシンインターフェース）システムを開示する。このＢＭＩシステムは、体内装置と、体外装置とを含んでいる。体内装置は、電極群を有し、被験者の頭部内に埋め込まれる。体内装置は、脳表面（硬膜下）に配置された電極群により被験者の脳波信号を正確に取得できるように構成されている。体内装置によって取得された脳波信号は、体外装置へ送信される。体外装置は、受信された脳波信号に応じた動作を行なう（特許文献１参照）。
特開２０１８－６８８８６号公報
　本発明の目的は、被験者の脳波に基づいて被験者の運動企図（以下、単に「企図」とも称する。）を比較的高精度に推定可能な学習済モデルを生成するプログラム、製造方法、製造装置及び接続方法を提供することである。
　本発明のある局面に従うプログラムは、被験者の脳波に基づいて被験者の企図を推定する学習済モデルの生成に用いられる。学習済モデルは、複数の教師データを用いた機械学習を通じて生成される。機械学習においては、複数のパラメータの各々が事前に調整される。複数の教師データの各々は、脳波に関する情報を含むと共に、複数のパラメータの少なくとも一部を踏まえた上で機械学習に用いられる。プログラムは、複数のパラメータの複数の組合せの各々に関して機械学習を行なうことによって複数の学習済モデルを生成するステップと、複数の学習済モデルの各々に関して感度及び特異度を算出するステップと、複数のモザイクグラフを共通の画面に表示させるステップとをコンピュータに実行させる。複数のモザイクグラフの各々は、上記複数の組合せの少なくとも一部における感度に関する情報を示す。複数のモザイクグラフに関して前提となる特異度に関する値は互いに異なる。
　このプログラムがコンピュータによって実行されると、複数のモザイクグラフが共通の画面に表示される。複数のモザイクグラフの各々は上記複数の組合せの少なくとも一部における感度に関する情報を示し、複数のモザイクグラフに関して前提となる特異度に関する値は互いに異なる。したがって、このプログラムによれば、上記複数の組合せの少なくとも一部における感度及び特異度が複数のモザイクグラフによって視覚的に表わされるため、複数のパラメータの良好な組合せを画面表示によりユーザ（医師等）に容易に認識させることができる。ユーザ（医師等）は複数のモザイクグラフを参照して使用するパラメータを判断し評価を進めることができるので、被験者の脳波に基づいて被験者の企図を比較的高精度に推定可能な学習済モデルの生成が容易となる。
　上記複数のモザイクグラフの各々においては、複数のパラメータのうち少なくとも一部が前提の値として決められていてもよく、上記プログラムは、前提の値の変更を受け付けるステップと、前提の値が変更された場合に複数のモザイクグラフの各々を更新するステップとをコンピュータにさらに実行させてもよい。
　このプログラムがコンピュータによって実行されると、前提の値が変更された場合に複数のモザイクグラフの各々が更新される。したがって、このプログラムによれば、パラメータの変更が感度に与える影響を画面表示によりユーザに容易に認識させることができる。
　感度に関する情報は色情報を含んでもよく、上記プログラムは、感度の値と色との対応関係を示すスケールの変更を受け付けるステップと、スケールが変更された場合に複数のモザイクグラフの各々を更新するステップとをコンピュータにさらに実行させてもよい。
　このプログラムがコンピュータによって実行されると、スケールが変更された場合に複数のモザイクグラフの各々が更新される。したがって、このプログラムによれば、スケールの調整を通じて各パラメータと感度との関係をより明確にユーザに認識させることができる。
　上記プログラムにおいて、感度に関する情報は数値情報を含んでいてもよい。
　このプログラムによれば、数値情報の表示を通じて複数のパラメータの良好な組合せをユーザに容易に認識させることができる。
　上記プログラムは、感度及び特異度の両方に基づいて複数のパラメータの最適な組合せを導出するステップと、最適な組合せにおける各パラメータの数値を画面に表示させるステップとをコンピュータにさらに実行させてもよく、複数のモザイクグラフの各々は、最適な組合せを前提として生成されてもよい。
　このプログラムがコンピュータによって実行されると、最適な組合せにおける各パラメータの数値が画面に表示され、複数のモザイクグラフの各々が最適な組合せを前提として生成される。したがって、このプログラムによれば、感度及び特異度が最大となるパラメータの組合せをユーザに容易に認識させることができる。
　上記プログラムは、複数のモザイクグラフにおいて示される複数の感度に関する情報のうち最も高い感度を示す情報を画面に強調表示させるステップをコンピュータにさらに実行させてもよい。
　このプログラムがコンピュータによって実行されると、複数の感度に関する情報のうち最も高い感度を示す情報が画面において強調表示される。したがって、このプログラムによれば、複数の感度に関する情報のうち最も高い感度を示す情報に対応するパラメータの組合せをユーザに容易に認識させることができる。
　本発明の他の局面に従う製造方法は、被験者の脳波に基づいて被験者の企図を推定する学習済モデルの製造方法である。学習済モデルは、複数の教師データを用いた機械学習を通じて生成される。機械学習においては、複数のパラメータの各々が事前に調整される。複数の教師データの各々は、脳波に関する情報を含むと共に、複数のパラメータの少なくとも一部を踏まえた上で機械学習に用いられる。製造方法は、複数のパラメータの複数の組合せの各々に関して機械学習を行なうことによって複数の学習済モデルを生成するステップと、複数の学習済モデルの各々に関して感度及び特異度を算出するステップと、複数のモザイクグラフを共通の画面に表示するステップとを含む。複数のモザイクグラフの各々は、上記複数の組合せの少なくとも一部における感度に関する情報を示す。複数のモザイクグラフに関して前提となる特異度に関する値は互いに異なる。
　この製造方法においては、複数のモザイクグラフが共通の画面に表示される。複数のモザイクグラフの各々は上記複数の組合せの少なくとも一部における感度に関する情報を示し、複数のモザイクグラフに関して前提となる特異度に関する値は互いに異なる。したがって、この製造方法によれば、上記複数の組合せの少なくとも一部における感度及び特異度が複数のモザイクグラフによって視覚的に表わされるため、複数のパラメータの良好な組合せを画面表示によりユーザに容易に認識させることができる。ユーザ（医師等）は複数のモザイクグラフを参照して使用するパラメータを判断し評価を進めることができるので、被験者の脳波に基づいて被験者の企図を比較的高精度に推定可能な学習済モデルの生成が容易となる。
　本発明の他の局面に従う製造装置は、被験者の脳波に基づいて前記被験者の企図を推定する学習済モデルの製造装置である。学習済モデルは、複数の教師データを用いた機械学習を通じて生成される。機械学習においては、複数のパラメータの各々が事前に調整される。複数の教師データの各々は、脳波に関する情報を含むと共に、複数のパラメータの少なくとも一部を踏まえた上で機械学習に用いられる。製造装置は、プロセッサと、プロセッサによって実行されるプログラムを記憶するメモリとを備える。プログラムは、上記複数の組合せの各々に関して機械学習を行なうことによって複数の学習済モデルを生成するステップと、複数の学習済モデルの各々に関して感度及び特異度を算出するステップと、複数のモザイクグラフを共通の画面に表示させるステップとをプロセッサに実行させる。複数のモザイクグラフの各々は、上記複数の組合せの少なくとも一部における感度に関する情報を示す。複数のモザイクグラフに関して前提となる特異度に関する値は互いに異なる。
　この製造装置においては、複数のモザイクグラフが共通の画面に表示される。複数のモザイクグラフの各々は上記複数の組合せの少なくとも一部における感度に関する情報を示し、複数のモザイクグラフに関して前提となる特異度に関する値は互いに異なる。したがって、この製造装置によれば、上記複数の組合せの少なくとも一部における感度及び特異度が複数のモザイクグラフによって視覚的に表わされるため、複数のパラメータの良好な組合せを画面表示によりユーザに容易に認識させることができる。ユーザ（医師等）は複数のモザイクグラフを参照して使用するパラメータを判断し評価を進めることができるので、被験者の脳波に基づいて被験者の企図を比較的高精度に推定可能な学習済モデルの生成が容易となる。
　本発明の他の局面に従うプログラムは、被験者の頭蓋内に埋め込まれた電極群を通じて取得された脳波に基づいて生成された脳波スペクトログラムを表示するためのプログラムである。電極群は、第１領域に配置された電極と、第２領域に配置された電極とを含む。第１領域に配置された電極によって取得される脳波は、第２領域に配置された電極によって取得される脳波と比較して、被験者の企図のうち検出対象の企図と高い相関を有する。電極群に含まれる複数の電極の各々は、アンプチップに含まれる複数の増幅素子のいずれかに電気的に接続されている。複数の増幅素子のうち所定の基準を満たさない増幅素子は、第２領域に配置された電極に電気的に接続されている。プログラムは、複数の増幅素子の各々の出力に基づいて複数の脳波スペクトログラムを生成するステップと、生成された複数の脳波スペクトログラムを含む画面を表示させるステップとをコンピュータに実行させる。画面において、複数の脳波スペクトログラムの各々は、対応する電極の電極群における位置と同等の位置に配置される。
　このプログラムがコンピュータによって実行されると、複数の脳波スペクトログラムの各々が、対応する電極の電極群における位置と同等の位置に配置された画面が表示される。したがって、このプログラムによれば、対応する電極と同等の位置に各脳波スペクトログラムが表示されるため、被験者特有の脳の活動部位や周波数帯域別の脳波の強度を反映した脳波スペクトログラムをユーザに直感的に認識させることができ、被験者特有の脳活動を把握しやすくなるため、被験者の企図を比較的高精度に推定可能な学習済モデルが製造されることを期待することができる。
　本発明の他の局面に従う接続方法は、被験者の脳波を検出するための電極群とアンプチップとの接続方法である。アンプチップは、複数の増幅素子を含む。電極群は、第１領域に配置された電極と、第２領域に配置された電極とを含む。第１領域に配置された電極によって取得される脳波は、第２領域に配置された電極によって取得される脳波と比較して、被験者の企図のうち検出対象の企図と高い相関を有する。接続方法は、複数の増幅素子に所定の基準を満たさない増幅素子が含まれるか否かを判定するステップと、複数の増幅素子に所定の基準を満たさない増幅素子が含まれていた場合に、所定の基準を満たさない増幅素子と、第２領域に配置された電極とを接続するステップとを含む。
　この接続方法においては、所定の基準を満たさない増幅素子が、被験者の企図のうち検出対象の企図と高い相関を有さない脳波を取得する電極に接続される。したがって、この接続方法によれば、企図検出のために重要となる脳領域上に配置される電極を所定の基準を満たす増幅素子に接続することができるため、高いＳ／Ｎ比の脳波を取得することができる。結果的に、被験者の企図を比較的高精度に推定可能な学習済モデルが製造されることを期待することができる。
　本発明によれば、被験者の脳波に基づいて被験者の企図を比較的高精度に推定可能な学習済モデルを生成するプログラム、製造方法、製造装置及び接続方法を提供することができる。
意思伝達システムの構成を模式的に示す図である。 体内装置の電気的構成を模式的に示す図である。 脳波解読装置の構成を模式的に示す図である。 脳波解読装置における動作手順を示すフローチャートである。 学習システムの構成を模式的に示す図である。 学習済モデル生成装置の構成を模式的に示す図である。 学習用データの収集手順を示すフローチャートである。 5-fold cross validationにおける学習用データの分割について説明するための図である。 5-fold cross validationを通じて複数のパラメータの適切な組合せを決定する手順を説明するための図である。 学習済モデルの生成手順を示すフローチャートである。 最適なパラメータの組合せを示す画像の一例を模式的に示す図である。 感度を示す数値情報が表示された状態の画像の一例を示す図である。 図１２におけるモザイクグラフＧ２の拡大図である。 電極群に含まれる各電極と増幅素子との接続ルールを説明するための図である。 電極の優先順位を説明するための図である。 各電極によって検出された脳波のスペクトログラムの表示手順を示すフローチャートである。 表示部に表示される画面の一例を模式的に示す図である。
　以下、本発明の一側面に係る実施の形態について、図面を用いて詳細に説明する。なお、図中同一又は相当部分には同一符号を付してその説明は繰り返さない。また、各図面は、理解の容易のために、適宜対象を省略又は誇張して模式的に描かれている。
　［１．意思伝達システム］
　＜１－１．構成＞
　図１は、意思伝達システム１０の構成を模式的に示す図である。意思伝達システム１０を利用する被験者は、例えば、筋萎縮性側索硬化症（ＡＬＳ）の患者である。被験者の脳からは、被験者の企図に応じた脳波が発される。意思伝達システム１０においては、被験者の脳波に基づいて被験者の脳活動が検出され、被験者の脳活動に基づいて被操作装置４００の操作が行なわれる。脳活動は、例えば、被験者の脳の各部位から発された脳波に基づいて検出される。
　意思伝達システム１０においては、例えば、被験者の所定の脳活動が検出された場合に、所定の入力信号（例えば、「ＹＥＳ」ボタンを押下する信号）が被操作装置４００へ送信される。所定の脳活動の一例としては、被験者が手を握ることをイメージしたときの脳活動、被験者が腕を曲げることをイメージしたときの脳活動、及び、被験者が腕を上げることをイメージしたときの脳活動が挙げられる。意思伝達システム１０を利用する被験者は、例えば、所定の脳活動に対応する企図をイメージすることによって、被操作装置４００を操作することができる。
　図１に示されるように、意思伝達システム１０は、体内装置１００と、受信装置２００と、脳波解読装置３００と、被操作装置４００とを含んでいる。体内装置１００は、被験者の頭蓋内に埋め込まれ、被験者の脳波信号を検出する。体内装置１００は、検出された脳波信号を受信装置２００へ送信する。受信装置２００は、受信された脳波信号の周波数解析を行ない、受信された脳波信号及び周波数解析の結果（以下、「脳波信号等」とも称する。）を脳波解読装置３００へ送信する。
　脳波解読装置３００は、受信装置２００から受信された脳波信号等に基づいて、被験者によって所定の企図がイメージされたか否かを判定する。所定の企図がイメージされたと判定されると、脳波解読装置３００は、所定の入力信号を被操作装置４００へ送信する。これにより、被操作装置４００の操作が行なわれる。
　図２は、体内装置１００の電気的構成を模式的に示す図である。上述のように、体内装置１００は、被験者の頭蓋内に埋め込まれる。図２に示されるように、体内装置１００は、電極群１１０と、アンプチップ１２０と、制御部１３０と、通信部１４０とを含んでいる。
　電極群１１０は、複数の電極１１１を含んでいる。電極群１１０は、例えば、平面視略矩形状の１枚のシート上に形成されている。電極群１１０が形成されたシートは被験者の脳表面（硬膜下）に配置され、各電極１１１は被験者の脳波を検出する。
　アンプチップ１２０は、複数の増幅素子１２１を含んでいる。アンプチップ１２０は、例えば、複数の層を含む。各層には複数の増幅素子１２１が形成されている。例えば、アンプチップ１２０が２層構成であり、アンプチップ１２０に６４個の増幅素子１２１が含まれている場合に、各層に３２個の増幅素子１２１が形成されていてもよい。
　複数の増幅素子１２１の各々は、電極１１１に対応付けられている。各増幅素子１２１は、例えば、白金線を通じて、対応付けられた電極１１１と電気的に接続されている。なお、電極群１１０とアンプチップ１２０との間に、フィードスルーが設けられてもよい。増幅素子１２１と電極１１１との接続方法については後程詳しく説明する。各増幅素子１２１は、対応付けられた電極１１１によって検出された脳波信号を増幅する。各増幅素子１２１によって増幅された脳波信号は、制御部１３０へ出力される。
　制御部（プロセッサ）１３０は、例えば、ＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）及びＲＯＭ（Read Only Memory）等を含んでいる。制御部１３０は、情報処理に応じて、体内装置１００内の各構成要素を制御するように構成されている。制御部１３０は、例えば、アンプチップ１２０によって出力された各脳波信号を受信装置２００へ送信するように通信部１４０を制御する。なお、各脳波信号は、受信装置２００を介さずに、体内装置１００から脳波解読装置３００へ直接送信されてもよい。
　図３は、脳波解読装置３００の構成を模式的に示す図である。脳波解読装置３００は、例えば、汎用コンピュータによって実現される。図３に示されるように、脳波解読装置３００は、制御部３１０と、通信部３３０と、入力部３４０と、表示部３５０と、記憶部３２０とを含み、各構成は、バスを通じて電気的に接続されている。
　制御部３１０は、ＣＰＵ３１２、ＲＡＭ３１４及びＲＯＭ３１６等を含んでいる。制御部３１０は、情報処理に応じて、脳波解読装置３００内の各構成要素を制御するように構成されている。
　通信部３３０は、有線通信又は無線通信によって、受信装置２００及び被操作装置４００の各々と通信するように構成されている。通信部３３０は、例えば、受信装置２００からの脳波信号等の受信、及び、被操作装置４００への入力信号の送信を行なうように構成されている。
　入力部３４０は、ユーザ（医師等の操作者）からの指示を受け付けるように構成されている。入力部３４０は、例えば、タッチパネル、キーボード、マウス及びマイクの一部又は全部で構成される。表示部３５０は、画像を表示するように構成されている。表示部３５０は、例えば、液晶モニタ又は有機ＥＬ（Electro Luminescence）モニタ等のモニタで構成される。表示部３５０には、例えば、通信部３３０を通じて受信された被験者の脳波のスペクトログラム（以下、「脳波スペクトログラム」とも称する。）が表示される。
　記憶部（メモリ）３２０は、例えば、ハードディスクドライブ、ソリッドステートドライブ等の補助記憶装置で構成される。記憶部３２０は、例えば、制御プログラム３２１及び学習済モデル３２２を記憶するように構成されている。
　制御プログラム３２１が制御部３１０によって実行されることにより、脳波解読装置３００における各種動作が実現される。制御部３１０が制御プログラム３２１を実行する場合に、制御プログラム３２１は、ＲＡＭ３１４に展開される。そして、制御部３１０は、ＲＡＭ３１４に展開された制御プログラム３２１をＣＰＵ３１２によって解釈及び実行することにより各構成要素を制御する。
　学習済モデル３２２は、例えば、通信部３３０を通じて継続的に受信された脳波信号等が入力された場合に、被験者が所定の企図をイメージしたことに関する尤度を出力するように構成されている。制御部３１０は、例えば、学習済モデル３２２の出力に基づいて、被験者が所定の企図をイメージしたか否かを判定する。学習済モデル３２２の生成方法については後程詳しく説明する。
　＜１－２．動作＞
　図４は、脳波解読装置３００における動作手順を示すフローチャートである。このフローチャートに示される処理は、通信部３３０を通じて脳波信号等が継続的に受信されている場合に、制御部３１０によって繰り返し実行される。
　図４を参照して、制御部３１０は、通信部３３０を通じて受信された脳波信号等を学習済モデル３２２へ入力する（ステップＳ１００）。制御部３１０は、学習済モデル３２２の出力に基づいて、被験者が所定の企図をイメージしたか否かを判定する（ステップＳ１１０）。例えば、被験者が所定の企図をイメージしたことに関する尤度が所定値以上である場合に、制御部３１０は、被験者が所定の企図をイメージしたと判定する。
　被験者が所定の企図をイメージしていないと判定されると（ステップＳ１１０においてＮＯ）、制御部３１０は、ステップＳ１００の処理を再び実行する。一方、被験者が所定の企図をイメージしたと判定されると（ステップＳ１１０においてＹＥＳ）、制御部３１０は、所定の企図に対応付けられた入力信号を被操作装置４００へ送信するように通信部３３０を制御する（ステップＳ１２０）。これにより、被験者の意思に応じた被操作装置４００の操作が行なわれる。
　［２．学習システム］
　＜２－１．構成＞
　図５は、学習システム２０の構成を模式的に示す図である。学習システム２０は、例えば、上述の学習済モデル３２２を生成するように構成されている。
　図５に示されるように、学習システム２０は、体内装置１００と、受信装置２００と、学習済モデル生成装置５００とを含んでいる。体内装置１００及び受信装置２００は、例えば、意思伝達システム１０（図１）に含まれる体内装置１００及び受信装置２００とそれぞれ同一の構成を有している。学習済モデル生成装置５００は、受信された脳波信号等を用いた機械学習を通じて学習済モデル３２２を生成する。機械学習としては、サポートベクターマシン、ディープラーニング、ニューラルネットワーク、決定木学習、相関ルール学習及びベイジアンネットワーク等の公知の種々の方法を適用することができる。
　図６は、学習済モデル生成装置５００の構成を模式的に示す図である。学習済モデル生成装置５００は、例えば、汎用コンピュータによって実現される。図６に示されるように、学習済モデル生成装置５００は、制御部５１０と、通信部５３０と、入力部５４０と、表示部５５０と、記憶部５２０とを含み、各構成は、バスを通じて電気的に接続されている。
　制御部（プロセッサ）５１０は、ＣＰＵ５１２、ＲＡＭ５１４及びＲＯＭ５１６等を含んでいる。制御部５１０は、情報処理に応じて、学習済モデル生成装置５００内の各構成要素を制御するように構成されている。
　通信部５３０は、有線通信又は無線通信によって、受信装置２００と通信するように構成されている。通信部５３０は、例えば、受信装置２００から脳波信号等を受信するように構成されている。入力部５４０は、ユーザ（医師等の操作者）からの指示を受け付けるように構成されている。入力部５４０は、例えば、タッチパネル、キーボード、マウス及びマイクの一部又は全部で構成される。表示部５５０は、画像を表示するように構成されている。表示部５５０に表示される画像の一例については、後程詳しく説明する。表示部５５０は、例えば、液晶モニタ又は有機ＥＬモニタ等のモニタで構成される。
　記憶部（メモリ）５２０は、例えば、ハードディスクドライブ、ソリッドステートドライブ等の補助記憶装置で構成される。記憶部５２０は、例えば、制御プログラム５２１を記憶するように構成されている。制御プログラム５２１が制御部５１０によって実行されることにより、学習済モデル生成装置５００における各種動作が実現される。制御部５１０が制御プログラム５２１を実行する場合に、制御プログラム５２１は、ＲＡＭ５１４に展開される。そして、制御部５１０は、ＲＡＭ５１４に展開された制御プログラム５２１をＣＰＵ５１２によって解釈及び実行することにより各構成要素を制御する。
　＜２－２．学習済モデルの生成手順＞
　学習済モデル３２２の生成においては、複数の脳波信号等が学習用データとして用いられる。学習用データは、被験者が所定の企図をイメージした場合に発された脳波信号に基づいて生成される。以下ではまず、学習用データの生成に用いられる脳波信号の収集手順について説明する。
　図７は、学習用データの生成に用いられる脳波信号の収集手順を示すフローチャートである。このフローチャートに示される処理は、通信部５３０を通じて脳波信号等が継続的に受信されている場合に、制御部５１０によって繰り返し実行される。なお、このフローチャートに示される処理が実行されている期間において、被験者は、例えば、表示部５５０を視認している。
　図７を参照して、制御部５１０は、所定の企図をイメージするように被験者に指示する画面を表示するように表示部５５０を制御する（ステップＳ２００）。制御部５１０は、画面の表示タイミングと相関を有する所定期間に通信部５３０を通じて受信された脳波信号等を学習用データ生成用の脳波信号等として記憶部５２０に記憶させる（ステップＳ２１０）。このフローチャートに示される処理が繰り返されることによって、学習用データの生成に必要な脳波信号等が収集される。なお、受信された脳波信号及び周波数解析の結果のいずれか一方に基づいて学習用データが生成されてもよい。
　学習済モデル３２２は、回帰モデルである。学習済モデル３２２を生成するための機械学習においては、複数のパラメータの各々が事前に調整される。複数のパラメータの一例としては、一定の時間間隔を有する脳波信号等のうち学習用データに用いられる時間間隔を示すパラメータ（Window Size）、所定の企図をイメージするように被験者に指示したタイミングと学習用データに用いられる脳波信号等の区間との時間的ずれ量を示すパラメータ（Window Offset）、及び、部分最小二乗回帰において用いられる次元を示すパラメータ（PLS Comps）が挙げられる。例えば、学習用データは、Window Size及びWindow Offsetの各々を踏まえた上で機械学習に用いられる。
　学習済モデル３２２の生成においては、事前に交差検証（cross-validation）が行なわれ、複数のパラメータの適切な組合せが決定される。その後、収集された全学習用データ、及び、決定された複数のパラメータの組合せを用いた機械学習が行なわれることによって、学習済モデル３２２が生成される。ここでは、5-fold cross validationが行なわれる例について説明する。
　図８は、5-fold cross validationにおける学習用データの分割について説明するための図である。図８に示されるように、5-fold cross validationにおいては、学習用データが５つのグループ（第１データ群～第５データ群）に分割される。例えば、６００個の学習用データが収集された場合に、６００個の学習用データは、各々が１２０個の学習用データを含む５つのグループに分割される。
　図９は、5-fold cross validationを通じて複数のパラメータの適切な組合せを決定する手順を説明するための図である。図９を参照して、5-fold cross validationにおいては、第１データ群～第５データ群のうち、４つのデータ群が教師データに分類され、１つのデータ群がテストデータに分類される。分類パターンとしては、パターン１～パターン５がある。
　パターン１においては、第２データ群～第５データ群が教師データに分類され、第１データ群がテストデータに分類される。パターン２においては、第１データ群、第３データ群～第５データ群が教師データに分類され、第２データ群がテストデータに分類される。パターン３においては、第１データ群～第２データ群、第４データ群～第５データ群が教師データに分類され、第３データ群がテストデータに分類される。パターン４においては、第１データ群～第３データ群、第５データ群が教師データに分類され、第４データ群がテストデータに分類される。パターン５においては、第１データ群～第４データ群が教師データに分類され、第５データ群がテストデータに分類される。
　各パターンにおいて、教師データを用いた機械学習が複数のパラメータの組合せ毎に行なわれ、複数のパラメータの組合せ数の回帰モデルが生成される。すなわち、複数のパラメータの各組合せに関して、５つの回帰モデル（回帰モデル１～回帰モデル５）が生成される。なお、複数のパラメータには、生成された回帰モデルの特異度の閾値が含まれる。機械学習においては、特異度が閾値以上となる回帰モデルが生成される。この例においては、特異度の閾値として、０．９０、０．９５、０．９７及び０．９９の４種類の閾値が設定可能である。また、生成された回帰モデルの特異度がパラメータによって指定されてもよく、その場合には、機械学習を通じて指定された特異度を有する回帰モデルが生成される。
　複数のパラメータの各組合せに関して、テストデータを用いることによって、５つの回帰モデルの各々の感度及び特異度が算出される。感度とは陽性のものを正しく陽性と判定する確率のことをいい、特異度とは陰性のものを正しく陰性と判定する確率のことをいう。すなわち、これらの回帰モデルにおいて、感度とは被験者が所定の企図をイメージした場合に被験者が所定の企図をイメージしたと判定する確率のことをいい、特異度とは被験者が所定の企図をイメージしていない場合に被験者が所定の企図をイメージしたと判定しない確率のことをいう。
　複数のパラメータの組合せ毎に５つの回帰モデルにおける平均感度及び平均特異度が算出される。平均感度及び平均特異度が最も高い複数のパラメータの組合せが最適なパラメータの組合せとみなされる。最適なパラメータの組合せを基準としてパラメータの調整が行なわれることによって、学習済モデル３２２の生成に用いられる適切なパラメータが決定される。パラメータの調整方法については、後程詳しく説明する。
　その後、収集された全学習用データ（第１データ群～第５データ群）、及び、決定された複数のパラメータの適切な組合せを用いた機械学習が行なわれることによって、学習済モデル３２２が生成される。なお、この機械学習においては、第１データ群～第５データ群に含まれる全てのデータが教師データとして用いられる。
　図１０は、学習済モデル３２２の生成手順を示すフローチャートである。このフローチャートに示される処理は、学習用データが収集された状態で、制御部５１０によって実行される。
　図１０を参照して、制御部５１０は、収集された学習用データを用いて、複数のパラメータの組合せ毎に、交差検証を通じて、複数の回帰モデルを生成し、各回帰モデルの感度及び特異度を算出する（ステップＳ３００）。制御部５１０は、複数のパラメータの組合せ毎に、回帰モデルの平均感度及び平均特異度を算出する（ステップＳ３１０）。制御部５１０は、平均感度及び平均特異度が最も高い複数のパラメータの組合せを最適なパラメータの組合せとみなし、最適なパラメータの組合せを示す画像を表示するように表示部５５０を制御する（ステップＳ３２０）。最適なパラメータの組合せを示す画像が表示部５５０に表示された状態で、各パラメータの調整が可能となっている。
　図１１は、最適なパラメータの組合せを示す画像ＩＭ１の一例を模式的に示す図である。図１１を参照して、画像ＩＭ１は、表示部５５０に表示される。画像ＩＭ１は、モザイクグラフＧ１，Ｇ２，Ｇ３，Ｇ４と、スケール調整部Ｓ１と、領域Ｔ１，Ｔ２と、ボタンＢ１，Ｂ３，Ｂ４，Ｂ５，Ｂ６とを含んでいる。すなわち、これらは共通の画面に表示されているといえる。
　モザイクグラフＧ１，Ｇ２，Ｇ３，Ｇ４の各々は、パラメータの複数の組合せの少なくとも一部における感度に関する情報を示す。この例において、各グラフの横軸はWindow Offset（パラメータ）であり、各グラフの縦軸はWindow Size（パラメータ）である。感度に関する情報は、例えば、色情報である。感度と色とが対応付けられており、複数のパラメータの組合せ毎に色によって感度が示される。
　モザイクグラフＧ１，Ｇ２，Ｇ３，Ｇ４に関して、前提となる特異度の閾値は互いに異なっている。例えば、モザイクグラフＧ１において前提となっている特異度の閾値は０．９０であり、モザイクグラフＧ２において前提となっている特異度の閾値は０．９５である。また、モザイクグラフＧ３において前提となっている特異度の閾値は０．９７であり、モザイクグラフＧ４において前提となっている特異度の閾値は０．９９である。
　スケール調整部Ｓ１は、感度と色との対応関係（以下、「スケール」とも称する。）の調整に用いられる。例えば、スケール調整部Ｓ１において示される上限及び下限の各々の数値を変更することによってスケールが調整される。スケール調整部Ｓ１における調整が行なわれると、モザイクグラフＧ１，Ｇ２，Ｇ３，Ｇ４の各々が更新される。すなわち、モザイクグラフＧ１，Ｇ２，Ｇ３，Ｇ４の各々は、調整後のスケールに基づいて生成される。
　領域Ｔ１には、複数のパラメータの最適な組合せが表示される。領域Ｔ１に表示される複数のパラメータの最適な組合せは、上述の交差検証を通じて得られた最適な組合せである。領域Ｔ２には、複数のパラメータに関する現在選択中の組合せが表示される。ボタンＢ５，Ｂ６を操作することによって、対応するパラメータの値を調整することができ、モザイクグラフＧ１，Ｇ２，Ｇ３，Ｇ４の各々が、調整されたパラメータの組合せに基づいて生成されたものに更新される。例えば、ここで調整可能なパラメータは、モザイクグラフＧ１，Ｇ２，Ｇ３，Ｇ４の各々において前提となっているパラメータである。
　ボタンＢ３が操作されると、最適なパラメータの組合せに基づいて学習済モデルが生成される。ボタンＢ４が操作されると、現在選択中のパラメータの組合せに基づいて学習済モデルが生成される。ボタンＢ１が操作されると、モザイクグラフＧ１，Ｇ２，Ｇ３，Ｇ４の各々において、パラメータの組合せ毎に感度を示す数値情報が表示される。
　図１２は、感度を示す数値情報が表示された状態の画像ＩＭ２の一例を示す図である。図１２を参照して、画像ＩＭ２は、例えば、画像ＩＭ１が表示部５５０に表示された状態でボタンＢ１が操作された場合に表示部５５０に表示される。画像ＩＭ２においては、モザイクグラフＧ１，Ｇ２，Ｇ３，Ｇ４の各々において、パラメータの組合せ毎に感度を示す数値情報が表示されている。
　図１３は、図１２におけるモザイクグラフＧ３の拡大図である。図１３に示されるように、モザイクグラフＧ３においては、最も高い感度を示す領域が枠Ｃ１で囲まれて強調表示されている。例えば、枠Ｃ１は、背景の色と比較して目立つ色となっていてもよい。これにより、最も高い感度を示す領域に対応するパラメータの組合せをユーザに容易に認識させることができる。なお、枠Ｃ１は、モザイクグラフＧ１，Ｇ２，Ｇ３，Ｇ４の各々において表示されてもよいし、現在選択中のパラメータの組合せにおいて最も良好なパラメータの組合せとなる領域のみに表示されてもよい。
　再び図１０を参照して、ステップＳ３２０において最適なパラメータの組合せが表示部５５０に表示されると、制御部５１０は、ユーザによるパラメータの調整が終了したか否かを判定する（ステップＳ３３０）。具体的には、制御部５１０は、ユーザによってボタンＢ３，Ｂ４のいずれかが選択されたか否かを判定する。最適なパラメータの組合せとされていても、例えば、一部のパラメータが少し変動するだけで感度が大きく低下するようなパラメータの組合せは必ずしも最適ではない。このような場合に、ユーザは、パラメータの調整を行なう。
　パラメータの調整が終了していないと判定されると（ステップＳ３３０においてＮＯ）、制御部５１０は、パラメータの調整が終了するまで待機する。一方、パラメータの調整が終了したと判定されると（ステップＳ３３０においてＹＥＳ）、制御部５１０は、調整済のパラメータの組合せを用いた機械学習を通じて学習済モデル３２２を生成する（ステップＳ３４０）。
　このように、学習済モデル生成装置５００においては、モザイクグラフＧ１，Ｇ２，Ｇ３，Ｇ４が共通の画面に表示される。各モザイクグラフは複数のパラメータの複数の組合せの少なくとも一部における感度に関する情報を示し、複数のモザイクグラフに関して前提となる特異度に関する値は互いに異なる。したがって、学習済モデル生成装置５００によれば、複数のパラメータの少なくとも一部の組合せに関する感度及び特異度がモザイクグラフＧ１，Ｇ２，Ｇ３，Ｇ４によって視覚的に表わされるため、複数のパラメータの良好な組合せを画面表示によりユーザ（医師等）に容易に認識させることができる。ユーザ（医師等）はモザイクグラフＧ１，Ｇ２，Ｇ３，Ｇ４を参照して使用するパラメータを判断し評価を進めることができるので、被験者の脳波に基づいて被験者の企図を比較的高精度に推定可能な学習済モデルの生成が容易となる。
　また、モザイクグラフＧ１，Ｇ２，Ｇ３，Ｇ４の前提となっているパラメータの値が変更された場合にモザイクグラフＧ１，Ｇ２，Ｇ３，Ｇ４の各々が更新される。したがって、学習済モデル生成装置５００によれば、パラメータの変更が感度に与える影響を画面表示によりユーザに容易に認識させることができる。
　また、スケール調整部Ｓ１を通じてスケールが変更された場合にモザイクグラフＧ１，Ｇ２，Ｇ３，Ｇ４の各々が更新される。したがって、学習済モデル生成装置５００によれば、スケールの調整を通じて各パラメータと感度との関係をより明確にユーザに認識させることができる。
　また、モザイクグラフＧ１，Ｇ２，Ｇ３，Ｇ４の各々においては、感度を示す数値情報の表示が可能となっている。学習済モデル生成装置５００によれば、数値情報の表示を通じて複数のパラメータの良好な組合せをユーザに容易に認識させることができる。
　また、学習済モデル生成装置５００においては、最適な組合せにおける各パラメータの数値が画面に表示され、モザイクグラフＧ１，Ｇ２，Ｇ３，Ｇ４の各々が最適なパラメータの組合せを前提として生成される。したがって、学習済モデル生成装置５００によれば、感度及び特異度が最大となるパラメータの組合せをユーザに容易に認識させることができる。
　［３．体内装置］
　＜３－１．電極群とアンプチップとの接続ルール＞
　上述のように、電極群１１０に含まれる各電極１１１は、アンプチップ１２０に含まれる増幅素子１２１（図２）に白金線を通じて電気的に接続されている。アンプチップ１２０に含まれる各増幅素子１２１の品質は必ずしも一定ではない。アンプチップ１２０に含まれる複数の増幅素子１２１のうち一部の増幅素子１２１が所定の品質に満たない場合がある。
　電極群１１０に含まれる複数の電極１１１のうち一部の電極によって検出される脳波は、被験者の企図と強い相関を有する。また、電極群１１０に含まれる複数の電極１１１のうち一部の電極によって検出される脳波は、被験者の企図とほとんど相関を有さない。例えば、被験者の手の運動に関する企図を検出する場合、被験者の手の感覚運動野の領域から離れた位置にある電極おいて計測される脳波は、被験者の企図とほとんど相関を有さない。企図の例としては、他にも、被験者の顔の運動に関する企図、被験者の口の運動に関する企図、及び、被験者の足の運動に関する企図が挙げられる。検出対象の企図に応じて、被験者の脳表面における電極群１１０の配置位置は調整される。電極群１１０の配置位置は、例えば、検出対象の企図に応じて、ペンフィールドのホムンクルスを参照することによって決定されてもよい。
　本実施の形態おいては、被験者の企図と強い相関を有する脳波を検出する電極１１１が所定の品質を満たす増幅素子１２１に接続され、被験者の企図とほとんど相関を有さない脳波を検出する電極１１１が所定の品質を満たさない増幅素子１２１に接続される。すなわち、本実施の形態においては、被験者の脳のうち企図検出のために重要となる脳領域から離れた脳領域上にある電極の一部が、所定の品質を満たさない増幅素子１２１に接続される電極として予め定められている。これにより、被験者の企図と強い相関を有する脳波をより高精度に検出することが可能となっている。
　図１４は、電極群１１０に含まれる各電極１１１と増幅素子１２１との接続ルールを説明するための図である。図１４を参照して、アンプチップ１２０に含まれる各増幅素子１２１は、電極パッド群１２５に含まれる電極パッド１２６に電気的に接続されている。電極パッド１２６と電極１１１とを接続することによって、増幅素子１２１と電極１１１とが電気的に接続される。なお、電極群１１０の領域Ａに含まれる電極１１１は電極パッド群１２５の領域Ａに含まれる電極パッド１２６と接続され、電極群１１０の領域Ｂに含まれる電極１１１は電極パッド群１２５の領域Ｂに含まれる電極パッド１２６と接続される。
　例えば、被験者の手の運動に関する企図を検出する場合、被験者の脳における手の感覚運動野付近に配置される電極１１１によって計測される脳波は、被験者の企図と高い相関を有する。一方、被験者の脳における手の感覚運動野から離れた領域に配置される電極１１１によって計測される脳波は、被験者の企図とほとんど相関を有さない。例えば、第１領域ＥＴ１に配置された各電極１１１によって取得される脳波信号は、第２領域ＥＴ２に配置された各電極１１１によって取得される脳波信号と比較して、被験者の手の運動に関する企図と高い相関を有する。
　本実施の形態においては、電極１１１と電極パッド１２６との接続前に、各増幅素子１２１が所定の品質を満たすか否かを調べる検査が行なわれる。この検査においては、例えば、各増幅素子１２１の入力換算雑音が調べられ、入力換算雑音が所定値以上である増幅素子１２１が所定の品質を満たさないと判定される。また、所定の品質を満たす増幅素子１２１においても、入力換算雑音が小さい順に順位付けされる。
　企図検出のために重要となる脳領域から離れた脳領域上にある電極のうち電極群１１０の幅方向の両端寄りに位置する電極１１１の一部（第２領域ＥＴ２に配置されている電極１１１）は、所定の品質を満たさない増幅素子１２１に接続される電極として予め定められている。この例においては、図１４において１～８の数値が対応付けられた電極１１１が所定の品質を満たさない増幅素子１２１に接続される電極として予め定められている。この数値は、所定の品質を満たさない増幅素子１２１が優先的に接続される順序を示す。
　また、本実施の形態においては、より品質の高い増幅素子１２１が接続される電極１１１の優先順位が予め定められている。すなわち、被験者の企図とより高い相関を有する脳波を検出する電極１１１により品質の高い増幅素子１２１が接続されるように、電極１１１の優先順位が予め定められている。
　図１５は、電極１１１の優先順位を説明するための図である。図１５を参照して、図中各電極１１１に対応付けられている数値は、各電極１１１の優先順位を示す。各電極１１１の優先順位は、電極群１１０の第１領域及び第２領域の各々で決められている。対応付けられている数値が小さい順に、より品質の高い増幅素子１２１が接続される。これにより、被験者の企図と強い相関を有する脳波をより高精度に検出することが可能となっている。
　なお、電極１１１と増幅素子１２１との接続関係を示す電極マップが、例えば、学習済モデル生成装置５００の記憶部５２０に記憶される。電極マップは、電極１１１と増幅素子１２１との接続関係を示す情報、及び、増幅素子１２１が所定の品質を満たすか否かを示す情報を含む。制御部５１０は、例えば、電極マップを参照することによって、各増幅素子１２１の出力がいずれの電極１１１によって検出された脳波に基づいて生成されたものかを判定することができる。
　＜３－２．各電極によって検出された脳波に関する情報の表示＞
　図１６は、各電極１１１によって検出された脳波のスペクトログラムの表示手順を示すフローチャートである。このフローチャートによって示される処理は、学習済モデル生成装置５００の制御部５１０によって繰り返し実行される。
　制御部５１０は、通信部３３０を通じて各増幅素子１２１の出力等（脳波信号等）を取得する（ステップＳ４００）。制御部５１０は、取得された脳波信号等に基づいて複数の脳波スペクトログラムを生成する（ステップＳ４１０）。制御部５１０は、記憶部５２０に記憶された電極マップを参照して、複数の脳波スペクトログラムを含む画面を生成する（ステップＳ４２０）。この画面において、複数の脳波スペクトログラムの各々は、対応する電極１１１の電極群１１０における位置と同等の位置に配置されている。制御部５１０は、生成された画面を表示するように表示部３５０を制御する（ステップＳ４３０）。
　図１７は、表示部３５０に表示される画面の一例を模式的に示す図である。図１７を参照して、この画面においては、複数の脳波スペクトログラムの各々が、対応する電極１１１の電極群１１０における位置と同等の位置に配置されている。例えば、所定の品質を満たす増幅素子１２１に接続された電極１１１に関しては脳波スペクトログラム１１１Ａが表示され、所定の品質を満たさない増幅素子１２１に接続された電極１１１に関しては黒塗り画像１１１Ｂが表示されてもよい。
　このように、学習済モデル生成装置５００においては、複数の脳波スペクトログラムの各々が、対応する電極１１１の電極群１１０における位置と同等の位置に配置された画面が表示される。したがって、学習済モデル生成装置５００によれば、対応する電極１１１と同等の位置に各脳波スペクトログラムが表示されるため、被験者特有の脳の活動部位や周波数帯域別の脳波の強度を反映した脳波スペクトログラムをユーザに直感的に認識させることができ、被験者特有の脳活動を把握しやすくなるため、被験者の企図を比較的高精度に推定可能な学習済モデルが製造されることを期待することができる。
　また、被験者の企図は、企図検出のために重要となる脳領域上にある電極１１１（第１領域ＥＴ１に配置された電極１１１）により検出される脳波と強い相関を有する。本実施の形態においては、所定の基準を満たさない増幅素子１２１が、複数の電極１１１のうち企図検出のために重要となる脳領域から離れた脳領域上にある電極１１１（第２領域ＥＴ２に配置された電極１１１）に接続される。したがって、本実施の形態によれば、企図検出のために重要となる脳領域上にある電極１１１を所定の基準を満たす増幅素子１２１に接続することができ、結果的に、被験者の企図を比較的高精度に推定可能な学習済モデルが製造されることを期待することができる。
　［４．特徴］
　以上のように、学習済モデル生成装置５００においては、モザイクグラフＧ１，Ｇ２，Ｇ３，Ｇ４が共通の画面に表示される。各モザイクグラフは複数のパラメータの複数の組合せの少なくとも一部における感度に関する情報を示し、複数のモザイクグラフに関して前提となる特異度に関する値は互いに異なる。したがって、学習済モデル生成装置５００によれば、複数のパラメータの複数の組合せの少なくとも一部における感度及び特異度がモザイクグラフＧ１，Ｇ２，Ｇ３，Ｇ４によって視覚的に表わされるため、複数のパラメータの良好な組合せを画面表示によりユーザ（医師等）に容易に認識させることができる。ユーザ（医師等）は複数のモザイクグラフを参照して使用するパラメータを判断し評価を進めることができるので、被験者の脳波に基づいて被験者の企図を比較的高精度に推定可能な学習済モデルの生成が容易となる。
　また、学習済モデル生成装置５００においては、複数の脳波スペクトログラムの各々が、対応する電極１１１の電極群１１０における位置と同等の位置に配置された画面が表示される。したがって、学習済モデル生成装置５００によれば、対応する電極１１１と同等の位置に各脳波スペクトログラムが表示されるため、被験者特有の脳の活動部位や周波数帯域別の脳波の強度を反映した脳波スペクトログラムをユーザに直感的に認識させることができ、被験者特有の脳活動を把握しやすくなるため、被験者の企図を比較的高精度に推定可能な学習済モデルが製造されることを期待することができる。
　また、本実施の形態においては、所定の基準を満たさない増幅素子１２１が、複数の電極１１１のうち企図検出のために重要となる脳領域から離れた脳領域上にある電極１１１（第２領域ＥＴ２に配置された電極１１１）に接続される。したがって、本実施の形態によれば、企図検出のために重要となる脳領域上にある電極１１１（第１領域ＥＴ１に配置された電極１１１）を所定の基準を満たす増幅素子１２１に接続することができ、結果的に、被験者の企図を比較的高精度に推定可能な学習済モデルが製造されることを期待することができる。
　［５．他の実施の形態］
　上記実施の形態の思想は、以上で説明された実施の形態に限定されない。以下、上記実施の形態の思想を適用できる他の実施の形態の一例について説明する。
　上記実施の形態においては、脳波解読装置３００と学習済モデル生成装置５００とが異なる装置で実現された。しかしながら、脳波解読装置３００と学習済モデル生成装置５００とは必ずしも異なる装置で実現される必要はない。脳波解読装置３００と学習済モデル生成装置５００とは１つの共通の装置で実現されてもよい。
　また、上記実施の形態において、学習済モデル３２２は、増幅された脳波信号が入力された場合に、被験者が所定の企図をイメージしたことに関する尤度を出力することとした。ここで、所定の企図は、必ずしも１種類の企図である必要はない。例えば、所定の企図として、複数種類の企図が予め決められていてもよい。この場合に、学習済モデル３２２は、増幅された脳波信号が入力された場合に被験者が各企図をイメージした尤度を出力する分類器モデルであってもよい。このような場合であっても、共通の画面に複数のモザイクグラフが表示されればよい。
　以上、本発明の実施の形態について例示的に説明した。すなわち、例示的な説明のために、詳細な説明及び添付の図面が開示された。よって、詳細な説明及び添付の図面に記載された構成要素の中には、課題解決のために必須でない構成要素が含まれることがある。したがって、それらの必須でない構成要素が詳細な説明及び添付の図面に記載されているからといって、それらの必須でない構成要素が必須であると直ちに認定されるべきではない。
　また、上記実施の形態は、あらゆる点において本発明の例示にすぎない。上記実施の形態は、本発明の範囲内において、種々の改良や変更が可能である。すなわち、本発明の実施にあたっては、実施の形態に応じて具体的構成を適宜採用することができる。
　１０　意思伝達システム、２０　学習システム、１００　体内装置、１１０　電極群、１１１　電極、１２０　アンプチップ、１２１　増幅素子、１２５　電極パッド群、１２６　電極パッド、１３０，３１０，５１０　制御部、１４０，３３０，５３０　通信部、２００　受信装置、３００　脳波解読装置、３１２，５１２　ＣＰＵ、３１４，５１４　ＲＡＭ、３１６，５１６　ＲＯＭ、３２０，５２０　記憶部、３２１，５２１　制御プログラム、３２２　学習済モデル、３４０，５４０　入力部、３５０，５５０　表示部、４００　被操作装置、５００　学習済モデル生成装置、Ｂ１，Ｂ３，Ｂ４，Ｂ５，Ｂ６　ボタン、Ｃ１　枠、ＥＴ１　第１領域、ＥＴ２　第２領域、Ｇ１，Ｇ２，Ｇ３，Ｇ４　モザイクグラフ、ＩＭ１，ＩＭ２　画像、Ｓ１　スケール調整部、Ｔ１，Ｔ２　領域。

 

Claims (10)

  1. 　被験者の脳波に基づいて前記被験者の企図を推定する学習済モデルの生成に用いられるプログラムであって、
    　前記学習済モデルは、複数の教師データを用いた機械学習を通じて生成され、
    　前記機械学習においては、複数のパラメータの各々が事前に調整され、
    　前記複数の教師データの各々は、前記脳波に関する情報を含むと共に、前記複数のパラメータの少なくとも一部を踏まえた上で前記機械学習に用いられ、
    　前記プログラムは、
    　前記複数のパラメータの複数の組合せの各々に関して前記機械学習を行なうことによって複数の学習済モデルを生成するステップと、
    　前記複数の学習済モデルの各々に関して感度及び特異度を算出するステップと、
    　複数のモザイクグラフを共通の画面に表示させるステップとをコンピュータに実行させ、
    　前記複数のモザイクグラフの各々は、前記複数の組合せの少なくとも一部における前記感度に関する情報を示し、
    　前記複数のモザイクグラフに関して前提となる前記特異度に関する値は互いに異なる、プログラム。
  2. 　前記複数のモザイクグラフの各々においては、前記複数のパラメータのうち少なくとも一部が前提の値として決められており、
    　前記前提の値の変更を受け付けるステップと、
    　前記前提の値が変更された場合に、前記複数のモザイクグラフの各々を更新するステップとを前記コンピュータにさらに実行させる、請求項１に記載のプログラム。
  3. 　前記感度に関する情報は色情報を含み、
    　前記感度の値と色との対応関係を示すスケールの変更を受け付けるステップと、
    　前記スケールが変更された場合に、前記複数のモザイクグラフの各々を更新するステップとを前記コンピュータにさらに実行させる、請求項１又は請求項２に記載のプログラム。
  4. 　前記感度に関する情報は数値情報を含む、請求項１又は請求項２に記載のプログラム。
  5. 　前記感度及び前記特異度の両方に基づいて前記複数のパラメータの最適な組合せを導出するステップと、
    　前記最適な組合せにおける各パラメータの数値を前記画面に表示させるステップとを前記コンピュータにさらに実行させ、
    　前記複数のモザイクグラフの各々は、前記最適な組合せを前提として生成される、請求項１又は請求項２に記載のプログラム。
  6. 　前記複数のモザイクグラフにおいて示される複数の前記感度に関する情報のうち最も高い感度を示す情報を前記画面に強調表示させるステップを前記コンピュータにさらに実行させる、請求項１又は請求項２に記載のプログラム。
  7. 　被験者の脳波に基づいて前記被験者の企図を推定する学習済モデルの製造方法であって、
    　前記学習済モデルは、複数の教師データを用いた機械学習を通じて生成され、
    　前記機械学習においては、複数のパラメータの各々が事前に調整され、
    　前記複数の教師データの各々は、前記脳波に関する情報を含むと共に、前記複数のパラメータの少なくとも一部を踏まえた上で前記機械学習に用いられ、
    　前記製造方法は、
    　前記複数のパラメータの複数の組合せの各々に関して前記機械学習を行なうことによって複数の学習済モデルを生成するステップと、
    　前記複数の学習済モデルの各々に関して感度及び特異度を算出するステップと、
    　複数のモザイクグラフを共通の画面に表示するステップとを含み、
    　前記複数のモザイクグラフの各々は、前記複数の組合せの少なくとも一部における前記感度に関する情報を示し、
    　前記複数のモザイクグラフに関して前提となる前記特異度に関する値は互いに異なる、製造方法。
  8. 　被験者の脳波に基づいて前記被験者の企図を推定する学習済モデルの製造装置であって、
    　前記学習済モデルは、複数の教師データを用いた機械学習を通じて生成され、
    　前記機械学習においては、複数のパラメータの各々が事前に調整され、
    　前記複数の教師データの各々は、前記脳波に関する情報を含むと共に、前記複数のパラメータの少なくとも一部を踏まえた上で前記機械学習に用いられ、
    　前記製造装置は、
    　プロセッサと、
    　前記プロセッサによって実行されるプログラムを記憶するメモリとを備え、
    　前記プログラムは、
    　前記複数のパラメータの複数の組合せの各々に関して前記機械学習を行なうことによって複数の学習済モデルを生成するステップと、
    　前記複数の学習済モデルの各々に関して感度及び特異度を算出するステップと、
    　複数のモザイクグラフを共通の画面に表示させるステップとを前記プロセッサに実行させ、
    　前記複数のモザイクグラフの各々は、前記複数の組合せの少なくとも一部における前記感度に関する情報を示し、
    　前記複数のモザイクグラフに関して前提となる前記特異度に関する値は互いに異なる、製造装置。
  9. 　被験者の頭蓋内に埋め込まれた電極群を通じて取得された脳波に基づいて生成された脳波スペクトログラムを表示するためのプログラムであって、
    　前記電極群は、第１領域に配置された電極と、第２領域に配置された電極とを含み、
    　前記第１領域に配置された電極によって取得される脳波は、前記第２領域に配置された電極によって取得される脳波と比較して、前記被験者の企図のうち検出対象の企図と高い相関を有し、
    　前記電極群に含まれる複数の電極の各々は、アンプチップに含まれる複数の増幅素子のいずれかに電気的に接続されており、
    　前記複数の増幅素子のうち所定の基準を満たさない増幅素子は、前記第２領域に配置された電極に電気的に接続されており、
    　前記プログラムは、
    　前記複数の増幅素子の各々の出力に基づいて複数の脳波スペクトログラムを生成するステップと、
    　生成された複数の脳波スペクトログラムを含む画面を表示させるステップとをコンピュータに実行させ、
    　前記画面において、前記複数の脳波スペクトログラムの各々は、対応する電極の前記電極群における位置と同等の位置に配置される、プログラム。
  10. 　被験者の脳波を検出するための電極群とアンプチップとの接続方法であって、
    　前記アンプチップは、複数の増幅素子を含み、
    　前記電極群は、第１領域に配置された電極と、第２領域に配置された電極とを含み、
    　前記第１領域に配置された電極によって取得される脳波は、前記第２領域に配置された電極によって取得される脳波と比較して、前記被験者の企図のうち検出対象の企図と高い相関を有し、
    　前記接続方法は、
    　前記複数の増幅素子に所定の基準を満たさない増幅素子が含まれるか否かを判定するステップと、
    　前記複数の増幅素子に前記所定の基準を満たさない増幅素子が含まれていた場合に、前記所定の基準を満たさない増幅素子と、前記第２領域に配置された電極とを接続するステップとを含む、接続方法。

     
PCT/JP2023/026946 2022-10-11 2023-07-24 プログラム、製造方法、製造装置及び接続方法 WO2024079961A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022163043A JP7389425B1 (ja) 2022-10-11 2022-10-11 プログラム、製造方法、製造装置及び接続方法
JP2022-163043 2022-10-11

Publications (1)

Publication Number Publication Date
WO2024079961A1 true WO2024079961A1 (ja) 2024-04-18

Family

ID=88917812

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/026946 WO2024079961A1 (ja) 2022-10-11 2023-07-24 プログラム、製造方法、製造装置及び接続方法

Country Status (2)

Country Link
JP (1) JP7389425B1 (ja)
WO (1) WO2024079961A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210386351A1 (en) * 2020-06-12 2021-12-16 Korea University Research And Business Foundation Brain-computer interface apparatus for minimizing signal correction process between users using clustering technology based on brain activity and method of operating the same
JP2022045493A (ja) * 2020-09-09 2022-03-22 国立大学法人徳島大学 信号処理装置、信号処理方法および信号処理プログラム
WO2022107292A1 (ja) * 2020-11-19 2022-05-27 Ｖｉｅ Ｓｔｙｌｅ株式会社 プログラム、情報処理方法、及び情報処理装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210386351A1 (en) * 2020-06-12 2021-12-16 Korea University Research And Business Foundation Brain-computer interface apparatus for minimizing signal correction process between users using clustering technology based on brain activity and method of operating the same
JP2022045493A (ja) * 2020-09-09 2022-03-22 国立大学法人徳島大学 信号処理装置、信号処理方法および信号処理プログラム
WO2022107292A1 (ja) * 2020-11-19 2022-05-27 Ｖｉｅ Ｓｔｙｌｅ株式会社 プログラム、情報処理方法、及び情報処理装置

Also Published As

Publication number Publication date
JP7389425B1 (ja) 2023-11-30
JP2024056275A (ja) 2024-04-23

Similar Documents

Publication Publication Date Title
JP5544620B2 (ja) 意思伝達支援装置及び方法
US7455648B2 (en) Living body inspection apparatus
US20160360992A1 (en) Method for quantifying the perceptive faculty of a person
US8981765B2 (en) Motor function analyzing apparatus
JP6916527B2 (ja) 感性評価装置、感性評価方法および感性多軸モデル構築方法
US20200375500A1 (en) Systems and methods for detection and correction of abnormal movements
Zander et al. Detecting affective covert user states with passive brain-computer interfaces
JP2006318450A (ja) 制御システム
KR20180113451A (ko) 전전두엽 기반 인지적 뇌-기계 인터페이스 장치 및 방법
WO2024079961A1 (ja) プログラム、製造方法、製造装置及び接続方法
CN110693510A (zh) 一种注意力缺陷多动障碍辅助诊断装置及其使用方法
KR20200099811A (ko) 휴지기 뇌파를 이용한 뇌전증 진단 정보 제공 장치 및 방법
JP7432197B1 (ja) プログラム、製造方法、製造装置及び接続方法
US20200345287A1 (en) Mental fitness assessment systems and methods using physiologic signal inputs
JP7122730B2 (ja) 脳波信号評価装置の作動方法
JP5296392B2 (ja) 自己組織化マップを用いた健康状態判定支援システム及び自己組織化マップ生成システム
KR20220034790A (ko) 환자의 피부톤을 기초로 진단 결정하는 머신 러닝 진단 모델의 세트 이용
KR101375673B1 (ko) 간질 발작 경보 방법 및 이를 지원하는 단말기
JP6851664B1 (ja) 生体情報演算システム
KR102452201B1 (ko) 자동 잡음신호 구간 검출 방법 및 장치
JP2010220807A (ja) 入力インターフェース装置及び生体情報計測システム
US20220400942A1 (en) Methods and Systems for Estimating Visual Field Sensitivities from Retinal Optical Texture Analysis (ROTA) Maps
WO2024056194A1 (en) System, processing unit, computer-implemented method and computer program product for determining a health status of a person's nervous system
JP2023059401A (ja) 脈波信号の解析装置、脈波信号の解析方法およびコンピュータプログラム
KR20230138373A (ko) 혈관 경직도를 측정하기 위한 전자 장치, 방법 및 저장 매체

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: 23876970

Country of ref document: EP

Kind code of ref document: A1