JP5545574B2 - 分類推定システムおよび分類推定プログラム - Google Patents

Description

本発明は、選択的不感化ニューラルネットを介して被検体の動作意思を含む分類情報を推定する分類推定システムおよび分類推定プログラムに関する。

近年、人間等の生体の生体情報（生体信号）を用いた機械制御等についての研究・開発等が盛んに行われている。前記機械制御については、例えば、義手・義肢等の介護・福祉機器（自助具、自助器）やロボットスーツ等のパワーアシスト装置といった人間の動作を補助する機器に限定されず、バーチャルリアリティ装置やその他のヒューマンインタフェース装置等のより一般的な制御機器等にも応用されることが期待されている（例えば、非特許文献１等参照）。また、前記機械制御に利用される前記生体情報としては、例えば、脳波や脳血流の変化の情報等の中枢神経系の情報と、筋肉が収縮する際に発生する前記筋肉と前記筋肉の周囲の皮膚との間の電位差である筋電位（筋電、筋活動電位）の変化の情報である筋電位信号（筋電信号、筋活動電位信号、筋電図）等の末梢神経系の情報とが挙げられる（例えば、非特許文献１等参照）。

このうち、前記筋電位信号については、前記筋肉の収縮よりも、３０〜１００［ｍｓ］早く観測されることが知られている（例えば、非特許文献２等参照）。すなわち、前記筋電位信号について、前記筋肉の収縮に対して時間的な遅れが少ない測定をすることが可能である。また、前記筋電位信号の測定装置は、応答性が高く（高感度・高速応答性）、測定値の信頼性が高く、比較的安価で調達できる。このため、前記筋電位信号は、生体情報として機械制御に利用することが現実的であり、特に有望視されている。
ここで、前記筋電位信号の測定方法としては、被験者（被検体、被測定者）の特定の筋繊維に針電極を刺して直接的に特定の筋電位信号を測定する方法と、被験者の肌に電極（表面電極）を貼り付けて、複数の筋繊維が発する筋電位信号の総和、いわゆる、表面筋電位信号（ＥＭＧ：Electro Myo-Gram）を測定する方法とが一般的に知られている。なお、前記針電極により測定する方法については、被験者の負担が大きいため、被験者の負担が比較的小さい表面電極により測定する方法がより一般的である。

しかしながら、前記表面筋電位信号は、各筋電位信号の総和であって非線形性が強くなるため、被験者の動作（筋活動）との対応関係が複雑になっている。すなわち、前記表面筋電位信号に基づいて、前記動作の識別をすることが困難であることが知られている。
このため、前記表面筋電位信号の測定結果から被験者の動作識別をする場合には、入力と出力との対応関係を表す関数（非線形関数）を分散表現により単純化するニューラルネット（ニューラルネットワーク）の技術が利用されている。
ここで、前記表面筋電位信号に基づく動作識別に関する技術として、例えば、下記の非特許文献１，２に記載の技術が知られている。

非特許文献１には、誤差逆伝播法（ＢＰ：Back Propagation、ＢＰ法）を用いた多層パーセプトロン（ＭＬＰ：Multi-Layer Perceptron，Multi-Layered Perceptron）により、３個（３ｃｈ、３チャネル、３チャンネル）の電極（表面電極および接地電極）を被験者の前腕に貼り付けて測定した表面筋電位信号を入力して、出力としての１０種類の前腕動作が、９０［％］の平均識別率で識別できたことが記載されている。また、非特許文献１には、Ｒ−ＬＬＧＭＮ（Recurrent Log-Linearized Gaussian Mixture Network）により、６ｃｈの電極を被験者の前腕に貼り付けて測定した表面筋電位信号を入力して、出力としての６種類の前腕動作が、８５［％］の平均識別率で識別できたことが記載されている。

ここで、前記多層パーセプトロンとは、入力層、中間層、出力層がそれぞれ有する素子（ニューロン）によって、入力・出力および関数を分散表現する、いわゆる、層状ニューラルネットのことである。前記多層パーセプトロンでは、入力層と中間層との各素子と、中間層と出力層との各素子とが結合荷重をもってそれぞれ結合され、中間層および出力層の各素子が、結合荷重を通じた入力層および中間層の各素子からの入力の総和として演算されることにより、前記関数が分散表現されている。また、誤差逆伝播法とは、前記多層パーセプトロンの学習に使われる学習アルゴリズムであり、ある学習データ、すなわち、一対の入力と出力とが与えられた際に、多層パーセプトロンによる出力が、学習データの出力と一致するように各層の間の結合荷重を修正するという学習法のことである。なお、誤差逆伝播法を用いた多層パーセプトロンについては、例えば、非特許文献３等に記載されているため、詳細な説明を省略する。

また、ＬＬＧＭＮとは、統計モデルの一例としてのガウス混合モデル（ＧＭＭ：Gaussian Mixture Model）と、確率モデルの一例としての隠れマルコフモデル（ＨＭＭ：Hidden Markov Model）とを内包する層状ニューラルネットのことである。なお、ガウス混合モデルとは、ガウス分布（正規分布）の線形結合で表現される統計的モデルのことである。また、マルコフモデルとは、一般にある記号の出現確率が直前のｎ個の記号によって決定される確率過程、いわゆる、マルコフ過程（マルコフ性をもつ確率過程）に従って記号が出現すると仮定する確率モデルのことをいう。また、隠れマルコフモデルとは、「システムがパラメータ未知のマルコフ過程である」と仮定し、観測可能な情報からその未知のパラメータを推定するマルコフモデルのことをいう。
また、Ｒ−ＬＬＧＭＮとは、第１の中間層と第２の中間層との間に１時刻前の出力を考慮可能な結合、いわゆる、リカレント結合を有するＬＬＧＭＮのことである。なお、Ｒ−ＬＬＧＭＮについては、例えば、特開２００５−１１０３７号公報や非特許文献４等に記載されているため、詳細な説明を省略する。

また、非特許文献２には、サポートベクターマシン（ＳＶＭ：Support Vector Machine）により、４ｃｈの電極を被験者の前腕に貼り付けて測定した表面筋電位信号に基づいて、７種類の前腕動作（基本姿勢、手首屈曲、手首伸展、握る、開く、手首回内、手首回外）を識別する技術、すなわち、表面筋電位信号を入力することにより、識別結果を出力する技術が記載されている。なお、非特許文献２では、７種類の前腕動作が、９３．３０［％］の平均識別率で識別できたことが記載されている。
ここで、前記サポートベクターマシンとは、入力層の素子としての複数の線形入力素子（線形しきい素子）を利用した２クラスのパターン識別器である。すなわち、結合荷重（シナプス荷重）を乗算した複数の線形入力素子の値の総和が予め設定された閾値を超えるか否かを示す出力値を出力する層状ニューラルネットである。

具体的には、入力層のｎ個の素子の値の集合（入力値）としての入力特徴ベクトルをｘ（ｘ＝（ｘ_１，ｘ_２，…，ｘ_ｎ））とし、出力層の１個の素子の値（出力値）をｙとし、入力層の各素子と出力層の素子との結合荷重のベクトル（結合荷重ベクトル）をω（ω＝（ω_１，ω_２，…，ω_ｎ））とし、結合荷重ベクトルωの転置ベクトルをω^Ｔとし、閾値をｈとした場合に、出力値ｙが以下の式（１）により示される。
ｙ＝ｓｉｇｎ（ω^Ｔｘ−ｈ） …式（１）
＝ｓｉｇｎ（ｘ_１ω_１＋ｘ_２ω_２＋…＋ｘ_ｎω_ｎ−ｈ）

なお、ｓｉｇｎ（ω^Ｔｘ−ｈ）は、（ω^Ｔｘ−ｈ）＞０の場合に＋１になり、（ω^Ｔｘ−ｈ）≦０の場合に−１になる符号関数である。すなわち、各ベクトルｘ，ωの内積が閾値ｈを超える場合に＋１になり、超えない場合に−１になる２値関数である。
また、前記サポートベクターマシンは、学習データ（訓練サンプル）、すなわち、一対の入力特徴ベクトルｘおよび出力値ｙから、各データ点との距離、すなわち、入力特徴ベクトルｘとの距離（マージン）が最大となる分離平面（超平面）を求めるマージン最大化という基準により、前記線形入力素子のパラメータを学習、すなわち、結合荷重ベクトルωを更新している。

横井浩史、他１名、「サイボーグの現状と今後」、計測自動制御学会、計測と制御、２００８年４月、第４７巻、第４号、ｐ．３５１−３５８ 吉川雅博、他３名、「筋電位信号を利用した手のリアルタイム動作識別と関節角度推定」、電子情報通信学会、電子情報通信学会論文誌Ｄ、２００９年１月、第Ｊ９２−Ｄ巻、第１号、ｐ．９３−１０３ 「誤差逆伝播法」、「online」、九州工業大学、「２００９年５月１５日検索」、インターネット＜ＵＲＬ：http://www.brain.kyutech.ac.jp/~furukawa/note/bp/bp.html＞ 福田修、他２名、「ＥＭＧ信号を利用した全方位型ポインティングデバイス」、電子情報通信学会、電子情報通信学会論文誌Ｄ−ＩＩ、２００４年１０月、第Ｊ８７−Ｄ−ＩＩ巻、第１０号、ｐ．１９９６−２００３

（従来技術の問題点）
前記非特許文献１、２等の技術では、前腕の基本姿勢、手首屈曲、手首伸展、握る、開く、手首回内、手首回外等の動作の種類についての識別を行っているが、同一動作を常に一定速度で動作させた場合の識別しか行っていないという問題があった。このため、前記非特許文献１、２等の技術では、同一の動作を異なる速度で識別できないという問題があった。
また、前記表面筋電位信号は、個人差が大きく、動作識別を精度良く実行するためには、被験者ごとに学習データを学習し、被験者ごとに適合する結合荷重を設定したり、不特定多数の被験者の多数の学習データを学習し、万人に適合する結合荷重を設定したりする必要があった。すなわち、前記非特許文献１、２等の技術は、統計的手法に基づいて動作識別を実行するため、多数の学習データを必要とし、被験者への負担が大きく、実用的ではないという問題があった。

さらに、前記非特許文献１、２等の技術では、さらに多くの動作を識別しようとしたり、動作の速度まで識別しようとしたりすると、増加した動作の種類や速度の特徴を抽出するための複雑な特徴抽出処理を実行する必要がある。このため、前記非特許文献１、２等の技術では、複雑な動作識別になるほど、リアルタイムで実行することが困難になるという問題があった。
よって、前記非特許文献１、２等の技術では、少ない学習データ（学習量、サンプル数）で、多数の動作を、速度と共に、高い識別率で、リアルタイムに識別することができないという問題があった。

本発明は、前述の事情に鑑み、少ない学習量で被検体の動作を識別することを第１の技術的課題とする。また、本発明は、少ない学習量で被検体の動作意思を含む分類情報を推定することを第２の技術的課題とする。

前記技術的課題を解決するために、請求項１記載の発明の分類推定システムは、
第１の情報に基づく第１入力変数の値が入力される複数の入力素子により構成された第１入力素子群と、第２の情報に基づく第２入力変数の値が入力される複数の入力素子により構成された第２入力素子群と、を有する入力素子群と、
前記第１入力素子群の各入力素子の値と、前記第２入力素子群の各入力素子の値に基づいて一部の値がゼロになるように演算された各第１出力感度の値と、予め設定された多重用素子群の各素子の値に基づいて一部の値がゼロになるように演算された各第１多重用出力感度の値と、の積算を少なくとも含む第１の多重不感化がなされて、前記第１入力素子群の各入力素子の値の一部の値がゼロにされた第１中間変数の値が入力される複数の中間素子により構成された第１中間素子群、を有する中間素子群と、
前記第１中間素子群の各中間素子の値と前記各中間素子の値の重視度合いに応じて予め設定された各結合荷重の値とに基づいて演算された出力変数の値が入力される複数の出力素子により構成された出力素子群と、
分類対象としての複数の分類情報と、分類情報ごとに対応する前記出力変数の値と、の対応関係を特定する対応関係情報を記憶する対応関係情報記憶手段と、
前記対応関係情報記憶手段に予め記憶された前記対応関係情報と、演算された前記出力変数の値と、に基づいて、入力された前記第１の情報および前記第２の情報に応じた前記分類情報を推定する分類情報推定手段と、
前記分類情報推定手段によって推定された前記分類情報を表示する分類情報表示手段と、
を備えたことを特徴とする。

請求項２に記載の発明は、請求項１に記載の分類推定システムにおいて、
前記第２入力素子群の各入力素子の値と、前記第１入力素子群の各入力素子の値に基づいて一部の値がゼロになるように演算された各第２出力感度の値と、前記多重用素子群の各素子の値に基づいて一部の値がゼロになるように演算された各第２多重用出力感度の値と、の積算を少なくとも含む第２の多重不感化がなされて、前記第２入力素子群の各入力素子の値の一部の値がゼロにされた第２中間変数の値が入力される複数の中間素子により構成された第２中間素子群、を有する前記中間素子群と、
前記各中間素子群の各中間素子の値と前記各中間素子の値の重視度合いに応じて予め設定された各結合荷重の値とに基づいて演算された前記出力変数の値が入力される前記出力素子群と、
を備えたことを特徴とする。

請求項３に記載の発明は、請求項１または２に記載の分類推定システムにおいて、
前記分類情報推定手段により推定された前記分類情報と、前記分類情報推定手段により前記分類情報が推定される際に入力された前記第１の情報および前記第２の情報が測定された実際の分類情報との相違に基づいて、前記各結合荷重の値を更新することにより、前記各結合荷重の値を学習する結合荷重学習手段と、
を備えたことを特徴とする。

請求項４に記載の発明は、請求項１ないし３のいずれかに記載の分類推定システムにおいて、
前記多重用素子群の各素子の値が、前記第１の情報と、前記第２の情報と、に基づいて演算された
ことを特徴とする。

請求項５に記載の発明は、請求項１ないし４のいずれかに記載の分類推定システムにおいて、
前記分類情報を被検体の動作意思とし、前記第１の情報および前記第２の情報を前記動作意思に伴う前記被検体の生体信号とした場合に、前記被検体に配置された第１測定位置における前記生体信号を測定する第１測定部と、前記被検体に配置された前記第１測定位置と異なる第２測定位置における前記生体信号を測定する第２測定部と、を有する測定部材と、
を備えたことを特徴とする。

請求項６に記載の発明は、請求項５に記載の分類推定システムにおいて、
前記動作意思に伴う前記被検体の筋群の活動である筋活動に基づく電位の変化の情報である筋電位信号のうちの前記被検体の皮膚における前記筋電位信号を表面筋電位信号とし、前記生体信号を前記表面筋電位信号とした場合に、前記皮膚に配置された前記第１測定位置における前記表面筋電位信号を測定する前記第１測定部と、前記皮膚に配置された前記第２測定位置における前記表面筋電位信号を測定する前記第２測定部と、を有する前記測定部材と、
前記第１測定部からの前記表面筋電位信号の積分値である第１積分値を演算すると共に、前記第２測定部からの前記表面筋電位信号の積分値である第２積分値を演算する積分値演算手段と、
予め設定されたフレーム時間内の前記第１積分値の平均値である第１積分平均値を予め設定されたシフト時間ごとに演算すると共に、前記フレーム時間内の前記第２積分値の平均値である第２積分平均値を前記シフト時間ごとに演算する積分平均値演算手段と、
前記第１の情報を前記第１積分平均値とし、前記第２の情報を前記第２積分平均値とした場合に、前記第１積分平均値に基づく前記第１入力変数の値が前記シフト時間ごとに入力される前記第１入力素子群と、前記第２積分平均値に基づく前記第２入力変数の値が前記シフト時間ごとに入力される前記第２入力素子群と、を有する前記入力素子群と、
を備えたことを特徴とする。

請求項７に記載の発明は、請求項５または６に記載の分類推定システムにおいて、
前記動作意思によって特定される動作の種類の情報である種類情報と、前記動作の力の情報である力情報と、を有する前記分類情報を推定する前記分類情報推定手段、
を備えたことを特徴とする。

請求項８に記載の発明は、請求項７に記載の分類推定システムにおいて、
前記動作の速度の情報である速度情報であって、前記力情報に基づく前記速度情報、を有する前記分類情報を推定する前記分類情報推定手段、
を備えたことを特徴とする。

請求項９に記載の発明は、請求項８に記載の分類推定システムにおいて、
前記出力変数の値のうち、第１の動作意思に応じた第１出力変数の値が入力される複数の出力素子により構成された第１出力素子群と、第２の動作意思に応じた第２出力変数の値が入力される複数の出力素子により構成された第２出力素子群と、を有する前記出力素子群と、
前記第１の動作意思の前記種類情報および前記速度情報と前記第１出力変数の値との対応関係と、前記第２の動作意思の前記種類情報および前記速度情報と前記第２出力変数の値との対応関係と、を特定する前記対応関係情報を記憶する前記対応関係情報記憶手段と、
前記対応関係情報記憶手段に記憶された前記対応関係情報と、演算された前記第１出力変数の値と、演算された前記第２出力変数の値と、に基づいて、入力された前記第１の情報および前記第２の情報に応じた前記分類情報の前記種類情報および前記速度情報を推定する前記分類情報推定手段と、
前記分類情報推定手段によって推定された前記分類情報の前記種類情報および前記速度情報を表示する前記分類情報表示手段と、
を備えたことを特徴とする。

前記技術的課題を解決するために、請求項１０記載の発明の分類推定プログラムは、
コンピュータを、
第１の情報に基づく第１入力変数の値が入力される複数の入力素子により構成された第１入力素子群と、第２の情報に基づく第２入力変数の値が入力される複数の入力素子により構成された第２入力素子群と、を有する入力素子群について、入力された前記第１入力変数の値および前記第２入力変数の値を記憶する入力値記憶手段、
前記第１入力素子群の各入力素子の値と、前記第２入力素子群の各入力素子の値に基づいて一部の値がゼロになるように演算された各第１出力感度の値と、予め設定された多重用素子群の各素子の値に基づいて一部の値がゼロになるように演算された各第１多重用出力感度の値と、の積算を少なくとも含む第１の多重不感化がなされて、前記第１入力素子群の各入力素子の値の一部の値がゼロにされた第１中間変数の値が入力される複数の中間素子により構成された第１中間素子群、を有する中間素子群について、前記第１中間変数の値を演算する中間値演算手段、
前記第１中間素子群の各中間素子の値と前記各中間素子の値の重視度合いに応じて予め設定された各結合荷重の値とに基づいて演算された出力変数の値が入力される複数の出力素子により構成された出力素子群について、前記出力変数の値を演算する出力値演算手段、
分類対象としての複数の分類情報と、分類情報ごとに対応する前記出力変数の値と、の対応関係を特定する対応関係情報を記憶する対応関係情報記憶手段、
前記対応関係情報記憶手段に予め記憶された前記対応関係情報と、演算された前記出力変数の値と、に基づいて、入力された前記第１の情報および前記第２の情報に応じた前記分類情報を推定する分類情報推定手段、
前記分類情報推定手段によって推定された前記分類情報を表示する分類情報表示手段、
として機能させることを特徴とする。

請求項１、１０に記載の発明によれば、第１の情報および第２の情報に基づく各入力変数の値を多重不感化が可能な選択的不感化ニューラルネットに入力することによって分類情報を推定でき、学習能力（汎化能力）が高い前記選択的不感化ニューラルネットを介して分類情報を推定するため、多重不感化が可能な選択的不感化ニューラルネットを介して分類情報を推定しない場合に比べ、少ない学習量で分類情報を推定することができる。
請求項２に記載の発明によれば、多重不感化が可能な選択的不感化ニューラルネットの相互修飾モデルを介して被検体の動作を識別するため、２個の入力変数の値を相互修飾（互いに多重不感化）して２個の中間変数の値を演算でき、２個の入力変数の値を積型修飾（一方のみを多重不感化）して１個の中間変数の値を演算する場合に比べ、多重不感化が可能な選択的不感化ニューラルネットの学習能力を高くでき、より高い識別率で分類情報を推定することができる。

請求項３に記載の発明によれば、学習した各結合荷重の値に基づいて、出力変数の値を演算でき、より高い識別率で分類情報を推定することができる。
請求項４に記載の発明によれば、第１の情報および第２の情報に基づいて演算された多重用素子群の各素子の値が、第１の情報または第２の情報に基づいて演算された多重用素子群の各素子の値に比べて、第１入力素子群の各入力素子の値または第２入力素子群の各入力素子の値と異なる値になる可能性が高く、不感化される入力素子の値が偏り難くなり、多重不感化が効率良く実行されるため、多重不感化が可能な選択的不感化ニューラルネットの学習能力を高くでき、より高い識別率で分類情報を推定することができる。
請求項５に記載の発明によれば、生体信号に基づく各入力変数の値を多重不感化が可能な選択的不感化ニューラルネットに入力することによって被検体の動作意思を推定できる。また、請求項５に記載の発明によれば、被検体が前記動作意思に応じた動作を実行可能な場合には、被検体の動作を認識することができる。

請求項６に記載の発明によれば、シフト時間ごとに演算される表面筋電位信号の積分平均値に基づく入力変数の値を選択的不感化ニューラルネットに入力することによって被検体の動作意思を推定することができ、生体信号として表面筋電位信号やその積分値に基づく入力変数の値を直接入力する場合に比べ、表面筋電位信号のノイズの影響を低減できる。また、請求項６に記載の発明によれば、被検体の動作に伴う表面筋電位信号の変化が、被検体の動作に伴う筋肉の収縮より３０［ｍｓ］〜１００［ｍｓ］程度早く観測されるため、シフト時間を、３０［ｍｓ］より短い時間に設定することにより、リアルタイムで被検体の動作を識別することができる。
請求項７に記載の発明によれば、被検体の動作意思を推定した際に、動作の種類と力とを推定できる。
請求項８に記載の発明によれば、被検体の動作意思を推定した際に、動作の速度を推定できる。
請求項９に記載の発明によれば、第１の動作意思に対応する第１出力変数の値と、第２の動作意思に対応する第２出力変数の値と、を比較して、動作の種類と速度とを推定できる。

図１は本発明の実施例１の動作識別システムの全体説明図である。 図２は本発明の実施例１の動作識別システムが識別する被験者の６種類の前腕動作の説明図である。 図３は本発明の実施例１の動作識別システムを構成する各装置の機能をブロック図（機能ブロック図）で示した説明図である。 図４は本発明の実施例１の積分平均値についての説明図である。 図５は本発明の実施例１の選択的不感化ニューラルネットの説明図である。 図６は本発明の実施例１の動作識別開始画像の説明図である。 図７は本発明の実施例１の対応関係情報の説明図であり、縦軸を電圧［ｍＶ］とし横軸を時間［ｓ］とし６種類の動作を実際に順次実行した際の積分平均値の誤差除去値の合計値と動作識別した範囲とを示すグラフである。 図８は本発明の実施例１の動作識別画像の説明図である。 図９は本発明の実施例１の動作識別プログラムの動作識別処理のフローチャートである。 図１０は本発明の実施例１の動作識別プログラムの入力値生成処理のフローチャートである。 図１１は実験例１の実験結果の説明図であり、縦軸を識別値とし横軸を時間［ｓ］として全１８動作の１セットのうちの「動作Ａ」から「動作Ｆ」の６動作を被験者が２秒間隔で実際に実行した際の識別値のグラフであり、図１１Ａは実際の６動作の識別値の正解値のグラフであり、図１１Ｂは実際の６動作のフレームごとの識別値の実測値の平滑化前のグラフであり、図１１Ｃは実際の６動作のフレームごとの識別値の実測値の平滑化後のグラフである。 図１２は実験例１の実験結果の説明図であり、縦軸を識別率［％］とし横軸を動作の種類として全１８動作の６セットを実行した際の６種類の動作の識別率［％］および各動作の３速度の識別率［％］の折れ線グラフである。 図１３は実験例１の実験結果の説明図であり、縦軸を動作の速度の識別率［％］とし横軸を動作の種類として全１８動作の６セットを実行した際の６種類の動作の３速度の速度別の識別率［％］の折れ線グラフである。 図１４は実験例１の実験結果の説明図であり、縦軸を電圧［ｍＶ］とし横軸を時間［ｓ］として６種類の動作を実際に順次実行した際の６ｃｈの筋電センサからの表面筋電位のグラフの一例である。 図１５は実験例１の実験結果の説明図であり、動作の立ち上がりからの推定遅れを時間の経過に伴う識別率の推移によって示す説明図であり、動作開始からの経過時間による６種類の動作の３速度の識別率の推移をセット別で示した表の説明図である。 図１６は縦軸を識別率［％］とし横軸を時間［ｍｓ］として図１５の表の値に基づく動作開始からの経過時間による６種類の動作の３速度の識別率の推移を示すグラフである。

ω_γｉｊ ^μ，ν…結合荷重の値、ＡＰ１…分類推定プログラム、Ｃ１…積分値演算手段、Ｃ５…積分平均値演算手段、Ｃ１３…入力値記憶手段、Ｃ１５…中間値演算手段、Ｃ１７…出力値演算手段、Ｃ１９…対応関係情報記憶手段、Ｃ２０…分類情報推定手段、Ｃ２１…分類情報表示手段、Ｃ２３…結合荷重学習手段、Ｇ_１ ^１〜Ｇ_８ ^１，Ｇ_ｉ ^１，Ｎａ…入力素子群、Ｇ_１ ^１…第１入力素子群、Ｇ_２ ^１…第２入力素子群、Ｇ_８ ^１…多重用素子群、Ｇ_１，２ ^２〜Ｇ_７，６ ^２，Ｇ_μ，ν ^２，Ｎｂ…中間素子群、Ｇ_１，２ ^２…第１中間素子群、Ｇ_２，１ ^２…第２中間素子群、Ｇ_１ ^３〜Ｇ_６ ^３，Ｇ_γ ^３，Ｎｃ…出力素子群、Ｇ_１ ^３…第１出力素子群、Ｇ_２ ^３…第２出力素子群、ｇ_１ ^μ，ν〜ｇ_３０ ^μ，ν，ｇ_ｊ ^μ，ν，ｇ_１ ^{μ，ν，８}〜ｇ_３０ ^{μ，ν，８}，ｇ_ｋ ^{μ，ν，８}…出力感度の値、ｇ_１ ^１，２〜ｇ_３０ ^１，２，ｇ_ｊ ^１，２…第１出力感度の値、ｇ_１ ^２，１〜ｇ_３０ ^２，１，ｇ_ｊ ^２，１…第２出力感度の値、ｇ_１ ^{１，２，８}〜ｇ_３０ ^{１，２，８}，ｇ_ｋ ^{１，２，８}…第１多重用出力感度の値、ｇ_１ ^{２，１，８}〜ｇ_３０ ^{２，１，８}，ｇ_ｋ ^{２，１，８}…第２多重用出力感度の値、Ｎ_ｉ（ｐ），Ｎ_ａ（ｐ），Ｎ_ｄ（ｐ），（ｘ_１ ^ｉ，ｘ_２ ^ｉ，…，ｘ_３０ ^ｉ）…入力変数の値、Ｎ_１（ｐ），（ｘ_１ ^１，ｘ_２ ^１，…，ｘ_３０ ^１）…第１入力変数の値、Ｎ_２（ｐ），（ｘ_１ ^２，ｘ_２ ^２，…，ｘ_３０ ^２）…第２入力変数の値、ＰＣ…コンピュータ、Ｓ…分類推定システム、ＳＮ１〜ＳＮ６…測定部、ＳＮ１…第１測定部、ＳＮ２…第２測定部、ｓ_１…第１積分値、ｓ_２…第２積分値、Ｔ…対応関係情報、Ｕ１…測定部材、ｖ_１…第１積分平均値、ｖ_２…第２積分平均値、ｘ_１〜ｘ_８，ｘ_ｉ…入力変数、ｘ_１…第１入力変数、ｘ_２…第２入力変数、ｘ_１ ^μ〜ｘ_３０ ^μ，ｘ_１ ^１〜ｘ_３０ ^１，ｘ_ｉ ^１，ｘ_ｊ ^１…第１入力素子群の各入力素子の値、ｘ_１ ^２〜ｘ_３０ ^２，ｘ_ｉ ^２，ｘ_ｊ ^２…第２入力素子群の各入力素子の値、ｘ_１ ^８〜ｘ_３０ ^８，ｘ_ｋ ^８…多重用素子群の各素子の値、ｘ_１，２〜ｘ_７，６，ｘ_μ，ν…中間変数、ｘ_１，２…第１中間変数、ｘ_２，１…第２中間変数、ｘ_１ ^μ，ν〜ｘ_３０ ^μ，ν，ｘ_ｉ ^μ，ν，ｘ_ｊ ^μ，ν…中間素子の値、ｘ_１ ^１，２〜ｘ_３０ ^１，２，ｘ_ｉ ^１，２，ｘ_ｊ ^１，２…第１中間素子群の各中間素子の値、ｘ_１ ^２，１〜ｘ_３０ ^２，１，ｘ_ｉ ^２，１，ｘ_ｊ ^２，１…第２中間素子群の各中間素子の値、（ｘ_１ ^μ，ν，ｘ_２ ^μ，ν，…，ｘ_３０ ^μ，ν）…中間変数の値、（ｘ_１ ^１，２，ｘ_２ ^１，２，…，ｘ_３０ ^１，２）…第１中間変数の値、（ｘ_１ ^２，１，ｘ_２ ^２，１，…，ｘ_３０ ^２，１）…第２中間変数の値、ｙ_１〜ｙ_６，ｙ_γ…出力変数、ｙ_ｉ ^γ…出力変数の値。

次に図面を参照しながら、本発明の実施の形態の具体例（以下、実施例と記載する）を説明するが、本発明は以下の実施例に限定されるものではない。
なお、以下の図面を使用した説明において、理解の容易のために説明に必要な部材以外の図示は適宜省略されている。

図１は本発明の実施例１の動作識別システムの全体説明図である。
図２は本発明の実施例１の動作識別システムが識別する被験者の６種類の前腕動作の説明図である。
図１において、本発明の実施例１の動作識別システム（動作意思推定システム、事象推定システム、分類推定システム）Ｓは、被検体の一例としての人間、いわゆる、被験者の動作意思（事象）に伴う筋活動（筋群の活動）に基づく筋電位信号（生体信号）を測定する表面筋電位測定装置（測定部材、筋電位信号測定部材）Ｕ１と、前記表面筋電位測定装置Ｕ１に接続されて前記被験者の動作を識別する動作識別装置本体（動作意思推定装置本体、事象推定装置本体、分類推定装置本体）の一例としての識別用クライアントパソコン（コンピュータ、パーソナルコンピュータ、ユーザが操作可能な端末）ＰＣとを有する。
なお、実施例１では、図２に示す、前記被験者の前腕の「基本姿勢」（「動作なし」、何も動作識別されていない状態）を含む７種類の動作、すなわち、「手首屈曲」（「動作Ａ」）、「手首伸展」（「動作Ｂ」）、「手を握る」（「動作Ｃ」）、「手を開く」（「動作Ｄ」）、「手首回外」（「動作Ｅ」）、「手首回内」（「動作Ｆ」）の各動作を識別する。

実施例１の前記表面筋電位測定装置Ｕ１は、前記被験者の前腕に予め設定された６箇所の測定位置（第１測定位置、第２測定位置、…、第６測定位置）において、前記筋電位信号を測定する６個の筋電センサ（６個の測定部、第１測定部、第２測定部、…、第６測定部）ＳＮ１〜ＳＮ６を有する。具体的には、前記被験者の橈側手根屈筋、深指屈筋、尺側手根屈筋、指伸筋、長橈側手根屈筋および腕橈骨筋の６種類の筋肉に対応する前記被験者の右腕の肘付近の皮膚の６箇所が、測定位置として設定されている。また、前記被験者の６箇所の皮膚に貼り付けられた６対（６ｃｈ）の湿式電極が、前記６個の筋電センサＳＮ１〜ＳＮ６として構成されている。なお、前記湿式電極とは、あらかじめ導電性のペーストが電極側に組み込まれた電極のことであり、前記ペーストが組み込まれていない、いわゆる、乾式電極に比べ、皮膚の状態に左右されずに安定した測定が可能となっている。
すなわち、実施例１の前記表面筋電位測定装置Ｕ１は、前記６箇所の皮膚に貼り付ける前記６対の湿式電極（ＳＮ１〜ＳＮ６）により、前記６種類の筋肉に応じた筋電位信号、いわゆる、表面筋電位信号（６種類の生体信号、第１の情報、第２の情報、…、第６の情報）を測定する。

また、実施例１の前記識別用クライアントパソコンＰＣは、いわゆる、コンピュータ装置により構成されており、コンピュータ本体Ｈ１と、ディスプレイＨ２と、キーボードＨ３やマウスＨ４等の入力装置と、図示しないＨＤドライブ（ハードディスクドライブ）等とにより構成されている。
前記各筋電センサＳＮ１〜ＳＮ６を有する前記表面筋電位測定装置Ｕ１と、前記測定用クライアントパソコンＰＣとにより、実施例１の動作識別装置（動作意思推定装置、事象推定装置、分類推定装置）（Ｕ１＋ＰＣ）が構成されている。

（実施例１の制御部の説明）
図３は本発明の実施例１の動作識別システムを構成する各装置の機能をブロック図（機能ブロック図）で示した説明図である。
図３において、前記表面筋電位測定装置Ｕ１および前記識別用クライアントパソコンＰＣのコンピュータ本体Ｈ１の制御部は、外部との信号の入出力および入出力信号レベルの調節等を行うＩ／Ｏ（入出力インターフェース）、必要な起動処理を行うためのプログラムおよびデータ等が記憶されたＲＯＭ（リードオンリーメモリ、記録媒体）、必要なデータ及びプログラムを一時的に記憶するためのＲＡＭ（ランダムアクセスメモリ、記録媒体）、前記ＲＯＭ等に記憶された起動プログラムに応じた処理を行うＣＰＵ（中央演算処理装置）、ならびにクロック発振器等を有しており、ＲＯＭ及びＲＡＭ等に記憶されたプログラムを実行することにより種々の機能を実現することができる。実施例１の前記制御部ＣのＲＯＭには、動作識別プログラム（動作意思推定プログラム、事象推定プログラム、分類推定プログラム）ＡＰ１が記憶されている。

（表面筋電位測定装置Ｕ１の制御部に接続された信号入力要素）
前記表面筋電位測定装置Ｕ１の制御部には、次の信号出力要素ＳＮ１〜ＳＮ６等の出力信号が入力されている。
ＳＮ１〜ＳＮ６：筋電センサ
６個の筋電センサＳＮ１〜ＳＮ６は、６箇所の測定位置において測定された前記６種類の筋肉の表面筋電位信号を前記制御部に入力する。

（表面筋電位測定装置Ｕ１の制御部の機能）
前記表面筋電位測定装置Ｕ１の制御部は、前記６個の筋電センサＳＮ１〜ＳＮ６の出力信号に応じて、前記識別用クライアントパソコンＰＣに入力する出力信号を演算するために、次の機能実現手段を有している。
Ｃ１：積分値演算手段
積分値演算手段Ｃ１は、前記６個の筋電センサＳＮ１〜ＳＮ６からの前記６種類の表面筋電位信号の積分値（第１積分値ｓ_１、第２積分値ｓ_２、…、第６積分値ｓ_６）、いわゆる、積分表面筋電位信号（積分筋電位、積分筋電図、筋電図積分値、ＩＥＭＧ：Integrated Electro Myo-Gram）（ｓ_１〜ｓ_６）を演算する。

実施例１の前記積分値演算手段Ｃ１は、３［ｋＨｚ］のサンプリング周波数で取得された前記６種類の表面筋電位信号をそれぞれ全波整流平滑化することにより、６種類の積分表面筋電位信号（ｓ_１〜ｓ_６）を演算する。具体的には、６種類の表面筋電位信号について、それぞれ、全波整流、すなわち、正負両波を含む交流波を負波が正負対称の正波となる直流波に変換した後、平滑化、すなわち、予め設定された遮断周波数でローパスフィルタリングを実行することにより、６種類の積分表面筋電位信号（ｓ_１〜ｓ_６）を演算する。なお、実施例１では、前記遮断周波数が２．４［Ｈｚ］に設定されている。
Ｃ２：積分値送信手段
積分値送信手段Ｃ２は、前記積分値演算手段Ｃ１により演算された前記６種類の積分表面筋電位信号（ｓ_１〜ｓ_６）を、前記識別用クライアントパソコンＰＣのコンピュータ本体Ｈ１に送信する。実施例１の前記積分値送信手段Ｃ２は、３［ｋＨｚ］のサンプリング周波数に基づいて、１［ｍｓ］に３点（（３×１０^３）×１０^−３＝３）の積分表面筋電位信号（ｓ_１〜ｓ_６）の値を、前記６種類の積分表面筋電位信号（ｓ_１〜ｓ_６）それぞれについて前記識別用クライアントパソコンＰＣのコンピュータ本体Ｈ１に送信する。

（識別用クライアントパソコンＰＣのコンピュータ本体Ｈ１の制御部の機能）
また、前記表面筋電位測定装置Ｕ１の制御部Ｃは、前記表面筋電位測定装置Ｕ１の出力信号、すなわち、積分表面筋電位信号（ｓ_１〜ｓ_６）に基づいて、前記被験者の動作を識別する前記動作識別プログラムＡＰ１において、次の機能実現手段を有している。
Ｃ３：積分値受信手段
積分値受信手段Ｃ３は、前記積分値送信手段Ｃ２により送信された前記６種類の積分表面筋電位信号（ｓ_１〜ｓ_６）を受信する。実施例１の前記積分値受信手段Ｃ３は、１［ｍｓ］に３点の前記積分表面筋電位信号（ｓ_１〜ｓ_６）の値を、前記６種類の積分表面筋電位信号（ｓ_１〜ｓ_６）それぞれについて受信する。

Ｃ４：積分値記憶手段
積分値記憶手段Ｃ４は、前記積分値受信手段Ｃ３により受信された前記６種類の積分表面筋電位信号（ｓ_１〜ｓ_６）を記憶する。実施例１の前記積分値受信手段Ｃ３は、１［ｍｓ］に３点ずつ受信する前記積分表面筋電位信号（ｓ_１〜ｓ_６）の値を、前記６種類の積分表面筋電位信号（ｓ_１〜ｓ_６）それぞれについて記憶する。
Ｃ５：積分平均値演算手段
積分平均値演算手段Ｃ５は、予め設定されたフレーム時間内の前記６種類の積分表面筋電位信号（ｓ_１〜ｓ_６）の平均値である積分平均値（第１積分平均値ｖ_１、第２積分平均値ｖ_２、…、第６積分平均値ｖ_６、ＡＩＥＭＧ：Average Integrated Electro Myo-Gram）を予め設定されたシフト時間ごとに演算する。

図４は本発明の実施例１の積分平均値についての説明図である。
実施例１の前記積分平均値演算手段Ｃ５では、図４に示すように、前記フレーム時間を１５［ｍｓ］とし、前記シフト時間を１０［ｍｓ］として、１［ｍｓ］に３点ずつ受信した前記６種類の積分表面筋電位信号（ｓ_１〜ｓ_６）の平均値（ｖ_１〜ｖ_６）をそれぞれ演算することにより、前記６種類の積分平均値（ｖ_１〜ｖ_６）を演算する。すなわち、前記積分平均値演算手段Ｃ５は、１５［ｍｓ］の１フレーム内に含まれる４５点（３×１５＝４５）の積分表面筋電位信号（ｓ_１〜ｓ_６）の値の平均値（ｖ_１〜ｖ_６）を、３０点（３×１０＝３０）ずつシフトさせながら、前記６種類の積分表面筋電位信号（ｓ_１〜ｓ_６）それぞれについて演算してノイズを除去する。

ここで、１フレーム内にＱ点の第１積分値ｓ_１を受信し、且つ、Ｐ点ずつシフトさせながらフレームごとの第１積分平均値ｖ_１を演算する際に、ｑ点目の第１積分値ｓ_１の各値をＩＥＭＧ_１（ｑ）（ｑ＝１，２，…）とし、ｐ番目のフレームの第１積分平均値ｖ_１の値をＡＩＥＭＧ_１（ｐ）（ｐ＝１，２，…）とした場合に、ｐ番目のフレームの第１積分平均値ｖ_１の値ＡＩＥＭＧ_１（ｐ）が、以下の式（２−１）によって示される。なお、実施例１では、Ｑ＝４５，Ｐ＝３０となるように予め設定されている。
ＡＩＥＭＧ_１（ｐ）＝｛ＩＥＭＧ_１（１＋Ｐ×（ｐ−１））
＋ＩＥＭＧ_１（２＋Ｐ×（ｐ−１））
＋…
＋ＩＥＭＧ_１（Ｑ＋Ｐ×（ｐ−１））｝
／Ｑ …式（２−１）

同様にして、ｐ番目のフレームのその他の各積分平均値（ｖ_２〜ｖ_６）の値（ＡＩＥＭＧ_２（ｐ）〜ＡＩＥＭＧ_６（ｐ））についても、前記式（２−１）と同様に示すことができる。よって、ｉを各ｃｈの番号とした場合に（ｉ＝１，２，…，６）、ｐ番目のフレームの各積分平均値ｖ_ｉの値ＡＩＥＭＧ_ｉ（ｐ）が、以下の式（２−２）によって示される。
ＡＩＥＭＧ_ｉ（ｐ）＝｛ＩＥＭＧ_ｉ（１＋Ｐ×（ｐ−１））
＋ＩＥＭＧ_ｉ（２＋Ｐ×（ｐ−１））
＋…
＋ＩＥＭＧ_ｉ（Ｑ＋Ｐ×（ｐ−１））｝
／Ｑ …式（２−２）

Ｃ６：最小値記憶手段
最小値記憶手段Ｃ６は、前記積分平均値演算手段Ｃ５により演算された前記６種類の積分平均値（ｖ_１〜ｖ_６）の最小値を、前記６種類の積分平均値（ｖ_１〜ｖ_６）それぞれについて記憶する。なお、実施例１では、前記６種類の積分平均値ｖ_ｉのフレームごとの値ＡＩＥＭＧ_ｉ（ｐ）のうち、１番目からｐ番目のフレームまでの６種類それぞれの最小値をε_ｉとした場合に、前記最小値ε_ｉが、以下の式（３）によって示される。
ε_ｉ＝ｍｉｎ［ＡＩＥＭＧ_ｉ（ｐ）］ …式（３）

Ｃ７：誤差除去手段
誤差除去手段Ｃ７は、前記積分平均値演算手段Ｃ５により演算された前記６種類の積分平均値（ｖ_１〜ｖ_６）から誤差を除去する。実施例１の前記誤差除去手段Ｃ７は、前記最小値記憶手段Ｃ６に記憶された前記６種類の最小値ε_ｉを、前記被験者ごとの誤差、いわゆる、ノイズ（個人差、個体差）とみなして、前記６種類の積分平均値ｖ_ｉのフレームごとの値ＡＩＥＭＧ_ｉ（ｐ）から減算することにより、誤差を除去する。具体的には、前記６種類の積分平均値ｖ_ｉの誤差除去値をＡＩＥＭＧε_ｉ（ｐ）とした場合に、前記誤差除去値ＡＩＥＭＧε_ｉ（ｐ）が、以下の式（４）によって示される。
ＡＩＥＭＧε_ｉ（ｐ）＝ＡＩＥＭＧ_ｉ（ｐ）−ε_ｉ …式（４）

Ｃ８：合計値演算手段
合計値演算手段Ｃ８は、前記誤差除去手段Ｃ７により誤差が除去された前記６種類の積分平均値（ｖ_１〜ｖ_６）の合計値を演算する。実施例１の前記合計値演算手段Ｃ８は、前記６種類の積分平均値ｖ_ｉのフレームごとの誤差除去値ＡＩＥＭＧε_ｉ（ｐ）の合計値を演算する。具体的には、前記６種類の積分平均値ｖ_ｉのフレームごとの合計値をＡＩＥＭＧ_ａｌｌ（ｐ）とした場合に、前記合計値ＡＩＥＭＧ_ａｌｌ（ｐ）が、以下の式（５）によって示される。
ＡＩＥＭＧ_ａｌｌ（ｐ）＝ＡＩＥＭＧε_１（ｐ）
＋ＡＩＥＭＧε_２（ｐ）
＋…
＋ＡＩＥＭＧε_６（ｐ） …式（５）

Ｃ９：合計値記憶手段
合計値記憶手段Ｃ９は、前記合計値演算手段Ｃ８により演算された前記６種類の積分平均値（ｖ_１〜ｖ_６）の１フレーム前の合計値ＡＩＥＭＧ_ａｌｌ（ｐ−１）を記憶する。
Ｃ１０：差分値演算手段
差分値演算手段Ｃ１０は、前記合計値演算手段Ｃ８により演算された前記６種類の積分平均値（ｖ_１〜ｖ_６）の合計値ＡＩＥＭＧ_ａｌｌ（ｐ）のフレームごとの差分値を演算する。実施例１の前記差分値演算手段Ｃ１０は、前記合計値演算手段Ｃ８により演算された合計値（第１合計値）ＡＩＥＭＧ_ａｌｌ（ｐ）と、前記合計値記憶手段Ｃ９に記憶された１フレーム前の合計値（第２合計値）ＡＩＥＭＧ_ａｌｌ（ｐ−１）との差分値を演算する。具体的には、前記差分値をＡＩＥＭＧ_ｄｉｆ（ｐ）とした場合に、前記差分値ＡＩＥＭＧ_ｄｉｆ（ｐ）が、以下の式（６）によって示される。
ＡＩＥＭＧ_ｄｉｆ（ｐ）＝ＡＩＥＭＧ_ａｌｌ（ｐ）
−ＡＩＥＭＧ_ａｌｌ（ｐ−１） …式（６）

Ｃ１１：最大値記憶手段
最大値記憶手段Ｃ１１は、前記６種類の積分平均値ｖ_ｉの誤差除去値ＡＩＥＭＧε_ｉ（ｐ）のうち、１番目からｐ番目のフレームまでの６種類それぞれの最大値と、前記合計値ＡＩＥＭＧ_ａｌｌ（ｐ）のうち、１番目からｐ番目のフレームまでの最大値と、前記差分値ＡＩＥＭＧ_ｄｉｆ（ｐ）のうち、１番目からｐ番目のフレームまでの最大値とを記憶する。実施例１の前記最大値記憶手段Ｃ１１は、前記誤差除去値ＡＩＥＭＧε_ｉ（ｐ）の最大値をＡＩＥＭＧε_ｉｍａｘとし、前記合計値ＡＩＥＭＧ_ａｌｌ（ｐ）の最大値をＡＩＥＭＧ_ａｍａｘとし、前記差分値ＡＩＥＭＧ_ｄｉｆ（ｐ）の最大値をＡＩＥＭＧ_ｄｍａｘとした場合に、以下の式（７−１）〜（７−３）によって示される８種類の最大値ＡＩＥＭＧε_ｉｍａｘ，ＡＩＥＭＧ_ａｍａｘ，ＡＩＥＭＧ_ｄｍａｘを記憶する。
ＡＩＥＭＧε_ｉｍａｘ＝ｍａｘ［ＡＩＥＭＧε_ｉ（ｐ）］ …式（７−１）
ＡＩＥＭＧ_ａｍａｘ＝ｍａｘ［ＡＩＥＭＧ_ａｌｌ（ｐ）］ …式（７−２）
ＡＩＥＭＧ_ｄｍａｘ＝ｍａｘ［ＡＩＥＭＧ_ｄｉｆ（ｐ）］ …式（７−３）

Ｃ１２：入力値生成手段
入力値生成手段Ｃ１２は、正規化手段Ｃ１２Ａと、２値化手段Ｃ１２Ｂとを有し、後述する選択的不感化ニューラルネット（ＳＤＮＮ：Selective Desensitization Neural Network）に入力する入力値（入力変数の値）を生成する。
Ｃ１２Ａ：正規化手段
正規化手段Ｃ１２Ａは、前記６種類の積分平均値ｖ_ｉの誤差除去値ＡＩＥＭＧε_ｉ（ｐ）と、前記合計値ＡＩＥＭＧ_ａｌｌ（ｐ）と、前記差分値ＡＩＥＭＧ_ｄｉｆ（ｐ）とをそれぞれの最大値ＡＩＥＭＧε_ｉｍａｘ，ＡＩＥＭＧ_ａｍａｘ，ＡＩＥＭＧ_ｄｍａｘで除算して正規化（normalize）することにより、シフト時間ごとに、すなわち、フレームごとに８種類の入力値を生成する。具体的には、８種類の正規化値（入力値）をＮ_ｉ（ｐ）（ｉ＝１，２，…，６），Ｎ_ａ（ｐ），Ｎ_ｄ（ｐ）とした場合に、前記８種類の正規化値Ｎ_ｉ（ｐ），Ｎ_ａ（ｐ），Ｎ_ｄ（ｐ）が、以下の式（８−１）〜（８−３）によって示される。

Ｎ_ｉ（ｐ）＝ＡＩＥＭＧε_ｉ（ｐ）／ＡＩＥＭＧε_ｉｍａｘ …式（８−１）
Ｎ_ａ（ｐ）＝ｌｎ（ＡＩＥＭＧ_ａｌｌ（ｐ）＋１）
／ｌｎ（ＡＩＥＭＧ_ａｍａｘ＋１） …式（８−２）
Ｎ_ｄ（ｐ）＝ＡＩＥＭＧ_ｄｉｆ（ｐ）／ＡＩＥＭＧ_ｄｍａｘ …式（８−３）
なお、前記式（８−２）に示すように、正規化された合計値Ｎ_ａ（ｐ）については、前記合計値ＡＩＥＭＧ_ａｌｌ（ｐ）と前記最大値ＡＩＥＭＧ_ａｍａｘとの差が大きくなり過ぎる可能性がある。このため、実施例１の正規化された合計値Ｎ_ａ（ｐ）は、自然対数（ｌｎ：natural logarithm）の値が０以上となる、ｌｎ（ＡＩＥＭＧ_ａｌｌ（ｐ）＋１）とｌｎ（ＡＩＥＭＧ_ａｍａｘ＋１）とを除算した値をとって、とり得る値を０〜１の範囲に正規化している。また、前記式（８−３）に示す、正規化された差分値Ｎ_ｄ（ｐ）については、ＡＩＥＭＧ_ｄｉｆ（ｐ）＜０，Ｎ_ｄ（ｐ）＜０となる場合には、Ｎ_ｄ（ｐ）＝０とみなすものとする。

Ｃ１２Ｂ：２値化手段
２値化手段Ｃ１２Ｂは、前記正規化手段Ｃ１２Ａにより演算された前記８種類の入力値Ｎ_ｉ（ｐ），Ｎ_ａ（ｐ），Ｎ_ｄ（ｐ）を２値化された表現に変換する。実施例１の前記２値化手段Ｃ１２Ｂは、前記８種類の入力値Ｎ_ｉ（ｐ），Ｎ_ａ（ｐ），Ｎ_ｄ（ｐ）を、１５個の＋１と、１５個の−１とを用いて表現された値、すなわち、１５個の＋１と、１５個の−１とをベクトル成分とするベクトル表現（２値パターン）で示すことが可能な値にそれぞれ変換する。具体的には、正規化された入力値Ｎ_ｉ（ｐ），Ｎ_ａ（ｐ），Ｎ_ｄ（ｐ）は、０から１までの値をとり得る（０≦Ｎ_ｉ（ｐ）≦１，０≦Ｎ_ａ（ｐ）≦１，０≦Ｎ_ｄ（ｐ）≦１）。このため、まず、０の場合には、１番目から１５番目までの１５個のベクトル成分が＋１となり、１６番目から３０番目までの１５個のベクトル成分が−１となるように変換する。すなわち、以下の式（９−１）に示すように変換する。
０＝（＋１，＋１，…，＋１，−１，−１，…，−１） …式（９−１）

次に、１／１５（０．０６６６…）だけ大きな値になる度に、連続する１５個の＋１を右側に１つずつシフトさせる。例えば、０．１（１／１５＜０．１＜２／１５）の場合には、以下の式（９−２）に示すように右側シフトさせる。
０．１＝（−１，＋１，＋１，…，＋１，−１，−１，…，−１）
…式（９−２）
そして、１の場合には（１５／１５＝１）、１番目から１５番目までの１５個のベクトル成分が−１となり、１６番目から３０番目までの１５個のベクトル成分が＋１となるように変換する。すなわち、以下の式（９−３）に示すように変換する。
１＝（−１，−１，…，−１，＋１，＋１，…，＋１） …式（９−３）

図５は本発明の実施例１の選択的不感化ニューラルネットの説明図である。
Ｃ１３：入力値記憶手段
入力値記憶手段（入力値入力手段）Ｃ１３は、前記入力値生成手段Ｃ１２で生成された前記８種類の入力値Ｎ_ｉ（ｐ），Ｎ_ａ（ｐ），Ｎ_ｄ（ｐ）を記憶する。実施例１の入力値記憶手段Ｃ１３は、前記２値化手段Ｃ１２Ｂにより、１５個の＋１と、１５個の−１とをベクトル成分とするベクトル表現で示すことが可能な値に変換された前記８種類の入力値Ｎ_ｉ（ｐ），Ｎ_ａ（ｐ），Ｎ_ｄ（ｐ）を記憶する。
ここで、実施例１では、シフト時間ごとに変化する前記８種類の入力値Ｎ_ｉ（ｐ），Ｎ_ａ（ｐ），Ｎ_ｄ（ｐ）を、図５に示す選択的不感化ニューラルネットＮに入力することにより、前記被験者の動作を識別する。図５において、実施例１の前記選択的不感化ニューラルネットＮは、２４０個の素子（入力素子）により構成された入力層（入力素子群）Ｎａを有する。

実施例１の前記入力層Ｎａでは、８種類の入力素子群（第１入力素子群Ｇ_１ ^１、第２入力素子群Ｇ_２ ^１、…、第７入力素子群としての差分用入力素子群Ｇ_７ ^１、第８入力素子群としての合計用入力素子群（多重用素子群）Ｇ_８ ^１）を有する。また、前記８種類の入力素子群Ｇ_ｉ ^１（ｉ＝１，２，…，８）は、それぞれ３０個の素子を有する（８×３０＝２４０）。
なお、実施例１の前記入力層Ｎａは、８種類の入力変数（第１入力変数ｘ_１、第２入力変数ｘ_２、…、第７入力変数ｘ_７、第８入力変数ｘ_８）の値、すなわち、前記８種類の入力値Ｎ_ｉ（ｐ），Ｎ_ａ（ｐ），Ｎ_ｄ（ｐ）に対応して、前記８種類の入力素子群Ｇ_ｉ ^１が予め設定されている。
よって、各入力素子群Ｇ_ｉ ^１の３０個の素子の値をｘ_１ ^ｉ，ｘ_２ ^ｉ，…，ｘ_３０ ^ｉとした場合に、各入力変数ｘ_ｉが、以下の式（１０）によって示される。
ｘ_ｉ＝（ｘ_１ ^ｉ，ｘ_２ ^ｉ，…，ｘ_３０ ^ｉ） …式（１０）

また、前記８種類の入力値Ｎ_ｉ（ｐ），Ｎ_ａ（ｐ），Ｎ_ｄ（ｐ）をベクトル成分とする８次元の入力ベクトルをｘとした場合に、前記入力ベクトルｘが、以下の式（１１）によって示される。
ｘ＝（ｘ_１，…，ｘ_７，ｘ_８）
＝（Ｎ_１（ｐ），…，Ｎ_ｄ（ｐ），Ｎ_ａ（ｐ）） …式（１１）
なお、実施例１の前記各入力素子群Ｇ_ｉ ^１の３０個の素子には、＋１または−１の２値（ｘ_１ ^ｉ〜ｘ_３０ ^ｉ）を入力（保持）することが可能である。このため、実施例１の前記入力値記憶手段Ｃ１３では、前記各入力値Ｎ_ｉ（ｐ），Ｎ_ａ（ｐ），Ｎ_ｄ（ｐ）が２値化されたベクトル表現をシフト時間ごとに記憶する（更新する）ことにより、前記各入力素子群Ｇ_ｉ ^１の３０個の素子の値（ｘ_１ ^ｉ〜ｘ_３０ ^ｉ）をシフト時間ごとに入力したものとみなすことができる。なお、実施例１では、入力値Ｎ_ｉ（ｐ）として、例えば、（＋１，＋１，…，＋１，−１，−１，…，−１）等の３０個の素子の値を有する８種類の入力素子群の値、すなわち、合計で２４０（３０×８＝２４０）個の値（−１，＋１）が記憶される。

図６は本発明の実施例１の動作識別開始画像の説明図である。
Ｃ１４：動作識別開始判別手段
動作識別開始判別手段Ｃ１４は、図６に示す動作識別開始画像１を表示する動作識別開始画像表示手段Ｃ１４Ａを有し、前記被験者の動作識別を開始するか否かを判別する。実施例１の前記動作識別開始判別手段Ｃ１４は、図６に示す、前記動作識別開始画像１の識別開始釦１ａが選択されたか否かを判別することにより、前記被験者の動作識別を開始するか否かを判別する。
Ｃ１５：中間値演算手段
中間値演算手段Ｃ１５は、選択的不感化手段Ｃ１５Ａと、二重不感化手段Ｃ１５Ｂとを有し、前記動作識別開始判別手段Ｃ１４によって前記被験者の動作識別を開始すると判別された場合に、前記入力層Ｎａに入力された前記８種類の入力値Ｎ_ｉ（ｐ），Ｎ_ａ（ｐ），Ｎ_ｄ（ｐ）、すなわち、前記入力値記憶手段Ｃ１３に記憶された前記８種類の入力値Ｎ_ｉ（ｐ），Ｎ_ａ（ｐ），Ｎ_ｄ（ｐ）に基づく中間値（中間変数の値）をシフト時間ごとに演算する。

図５において、実施例１の前記選択的不感化ニューラルネットＮは、前記入力層Ｎａの２４０個の素子と結合された１２６０個の素子（中間素子）により構成された中間層（中間素子群）Ｎｂを有する。
実施例１の前記中間層Ｎｂでは、４２種類の中間素子群（第１中間素子群Ｇ_１，２ ^２、第２中間素子群Ｇ_２，１ ^２、…、第４２中間素子群Ｇ_７，６ ^２）を有する。また、前記４２種類の中間素子群Ｇ_μ，ν ^２（μ≠ν，μ＝１，２，…，７，ν＝１，２，…，７）は、それぞれ３０個の素子を有する（４２×３０＝１２６０）。
なお、実施例１の前記中間層Ｎｂでは、正規化された合計値Ｎ_ａ（ｐ）を除く７種類の入力値Ｎ_ｉ（ｐ），Ｎ_ｄ（ｐ）に対応する７種類の入力素子群（Ｇ_１ ^１〜Ｇ_７ ^１）のうちの１つを被修飾群Ｇ_μ ^１（μ＝１，２，…，７）とし、前記被修飾群Ｇ_μ ^１を除く前記６種類の各入力素子群（Ｇ_１ ^１〜Ｇ_７ ^１）のうちの１つを修飾群Ｇ_ν ^１（ν≠μ，ν＝１，２，…，７）とした場合に、前記修飾群Ｇ_ν ^１により積型文脈修飾（積型修飾）された前記被修飾群Ｇ_μ ^１に基づく合計４２種類の中間素子群Ｇ_μ，ν ^２が予め設定されている。

ここで、各中間素子群Ｇ_μ，ν ^２（μ≠ν，μ＝１，２，…，７，ν＝１，２，…，７）の３０個の素子の値をｘ_１ ^μ，ν，ｘ_２ ^μ，ν，…，ｘ_３０ ^μ，νとした場合に、各中間変数ｘ_μ，νが、以下の式（１２）によって示される。
ｘ_μ，ν＝（ｘ_１ ^μ，ν，ｘ_２ ^μ，ν，…，ｘ_３０ ^μ，ν） …式（１２）
なお、「積型文脈修飾」とは、前記被修飾群Ｇ_μの素子の値ｘ_１ ^μ〜ｘ_３０ ^μを前記修飾群Ｇ_νの素子の値ｘ_１ ^ν〜ｘ_３０ ^νに基づいて変化させる方法である。具体的には、図５の実線に示すように、前記修飾群Ｇ_νの素子の値ｘ_１ ^ν〜ｘ_３０ ^νに基づいて予め演算された出力感度（ゲイン）の値をｇ_１ ^μ，ν〜ｇ_３０ ^μ，νとした場合に、前記被修飾群Ｇ_μの素子の値ｘ_ｉ ^μ（ｉ＝１，２，…，３０）と前記出力感度の値ｇ_ｊ ^μ，ν（ｊ＝１，２，…，３０）との積｛（ｇ_ｊ ^μ，ν）×（ｘ_ｉ ^μ）｝を演算することをいう。

このとき、特に、前記出力感度の値ｇ_ｊ ^μ，νを０にして、前記積｛（ｇ_ｊ ^μ，ν）×（ｘ_ｉ ^μ）｝が０になること、すなわち、ｇ_ｊ ^μ，ν＝０，｛（ｇ_ｊ ^μ，ν）×（ｘ_ｉ ^μ）｝＝０となる場合を「不感化」という。また、前記被修飾群Ｇ_μの一部の素子の値ｘ_ｉ ^μ（ｉ＝１，２，…，３０）をランダムに不感化することを「選択的不感化」という。
なお、修飾群Ｇ_ν ^１による被修飾群Ｇ_μ ^１の積型修飾については、以降、Ｇ_μ ^１（Ｇ_ν ^１）と記載する。
さらに、実施例１では、正規化された合計値Ｎ_ａ（ｐ）に対応する合計用入力素子群Ｇ_８ ^１により、前記積型修飾Ｇ_μ ^１（Ｇ_ν ^１）をさらに積型文脈修飾する。具体的には、図５の点線に示すように、前記合計用入力素子群Ｇ_８ ^１の素子の値（多重用素子群の各素子の値）ｘ_１ ^８〜ｘ_３０ ^８に基づいて予め演算された合計用出力感度の値（多重用出力感度の値）をｇ_１ ^{μ，ν，８}〜ｇ_３０ ^{μ，ν，８}とした場合に、前記積｛（ｇ_ｊ ^μ，ν）×（ｘ_ｉ ^μ）｝と前記合計用出力感度の値ｇ_ｋ ^{μ，ν，８}（ｋ＝１，２，…，３０）との積を前記中間素子群Ｇ_μ，ν ^２の素子の値ｘ_ｉ ^μ，ν（ｉ＝１，２，…，３０）とする。このため、実施例１では、前記中間素子群Ｇ_μ，ν ^２の素子の値ｘ_ｉ ^μ，νが、以下の式（１３）によって示される。
ｘ_ｉ ^μ，ν＝（ｇ_ｋ ^{μ，ν，８}）×（ｇ_ｊ ^μ，ν）×（ｘ_ｉ ^μ） …式（１３）

なお、実施例１では、前記各出力感度の値ｇ_ｊ ^μ，ν，ｇ_ｋ ^{μ，ν，８}が、以下の式（１４−１），（１４−２），（１４−１）′，（１４−２）′によって示される。
ｇ_ｊ ^μ，ν＝（１＋ｘ_ｊ ^ν）／２ …式（１４−１）
ｊ＝σ（ｉ） …式（１４−２）
ｇ_ｋ ^{μ，ν，８}＝（１＋ｘ_ｋ ^８）／２ …式（１４−１）′
ｋ＝σ′（ｉ） …式（１４−２）′
すなわち、各入力素子群Ｇ_ν ^１，Ｇ_８ ^１の素子の値ｘ_ｊ ^ν，ｘ_ｋ ^８が＋１の場合には、各出力感度の値ｇ_ｊ ^μ，ν，ｇ_ｋ ^{μ，ν，８}も＋１となるが、−１の場合には、各出力感度の値ｇ_ｊ ^μ，ν，ｇ_ｋ ^{μ，ν，８}が０となり、不感化される。
ここで、σ（ｉ），σ′（ｉ）は、いわゆる、乱数関数であって、（１，２，…，３０）の順列をランダムに置換した順列、例えば、（２１，１５，…，４），（１７，６，…，８）等のｉ番目の値（１から３０までの乱数値）である。

なお、前記乱数関数σ（ｉ），σ′（ｉ）を使用しなければ、前記被修飾群Ｇ_μ ^１と、前記修飾群Ｇ_νまたは前記合計用入力素子群Ｇ_８ ^１との相関が強い場合、前記被修飾群Ｇ_μ ^１の素子のほとんどが選択的不感化されたり、前記素子のほとんどが選択的不感化されなかったり、ｘ_ｉ ^μ＝＋１となる素子ばかり選択的不感化されたり、ｘ_ｉ ^μ＝−１となる素子ばかり選択的不感化されたりする可能性が高く、動作識別の性能が著しく低下する。このため、実施例１では、前記乱数関数σ（ｉ），σ′（ｉ）を使用して、前記各素子群Ｇ_μ ^１，Ｇ_ν，Ｇ_８ ^１の相関を擬似的に弱くしている。

ここで、前記式（１３）に、前記式（１４−１），（１４−２），（１４−１）′，（１４−２）′を代入した式（１３）′を以下に示す。
ｘ_ｉ ^μ，ν＝｛（１＋ｘ_{σ′（ｉ）} ^８）／２｝
×｛（１＋ｘ_σ（ｉ） ^ν）／２｝×（ｘ_ｉ ^μ） …式（１３）′
すなわち、実施例１の前記中間素子群Ｇ_μ，ν ^２の素子の値ｘ_ｉ ^μ，νは、前記被修飾群Ｇ_μ ^１の素子の値ｘ_ｉ ^μが、前記出力感度の値ｇ_ｊ ^μ，νによって選択的不感化された後、前記合計用出力感度の値ｇ_ｋ ^{μ，ν，８}によってさらに選択的不感化（二重不感化、多重不感化）された値である。すなわち、前記被修飾群Ｇ_μ ^１の適切な数、具体的には、１５個以上３０個以下の素子の値ｘ_ｉ ^μが不感化された値である。

実施例１では、４２種類の出力感度の値（第１出力感度の値ｇ_ｊ ^１，２、第２出力感度の値ｇ_ｊ ^２，１、…第４２出力感度の値ｇ_ｊ ^７，６）の集合により、４２種類のゲインベクトル（第１ゲインベクトルＧ_１，２ ^１、第２ゲインベクトルＧ_２，１ ^１、…第４２ゲインベクトルＧ_７，８ ^１）が構成されており、４２種類の合計用出力感度の値（第１合計用出力感度の値（第１多重用出力感度の値）ｇ_ｋ ^{１，２，８}、第２合計用出力感度の値（第２多重用出力感度の値）ｇ_ｋ ^{２，１，８}、…第４２合計用出力感度の値（第４２多重用出力感度の値）ｇ_ｋ ^{７，６，８}）の集合により、４２種類の合計用ゲインベクトル（第１合計用ゲインベクトルＧ_{１，２，８} ^１、第２合計用ゲインベクトルＧ_{２，１，８} ^１、…第４２合計用ゲインベクトルＧ_{７，６，８} ^１）が構成されている。

このため、実施例１の前記中間値演算手段Ｃ１５では、４２種類の中間素子群Ｇ_μ，ν ^２に対応する前記４２種類のゲインベクトルＧ_μ，ν ^１と前記４２種類の合計用ゲインベクトルＧ_{μ，ν，８} ^１とが演算された後、４２種類の中間素子群Ｇ_μ，ν ^２の素子の値ｘ_ｉ ^μ，νが２重不感化によって演算されることにより、４２種類の中間変数ｘ_μ，ν（μ≠ν，μ＝１，２，…，７，ν＝１，２，…，７）の値（中間値）が演算される。
よって、実施例１の前記４２種類の中間変数ｘ_μ，νの値、すなわち、前記中間値は、−１，０，＋１の３値をベクトル成分とする３０次元ベクトルのベクトル表現（３値パターン）、例えば、（＋１，０，０，−１，＋１，…，０）等で示すことができる。

Ｃ１５Ａ：選択的不感化手段
選択的不感化手段Ｃ１５Ａは、前記式（１４−１），（１４−２）によって前記４２種類の出力感度の値ｇ_ｊ ^μ，νを演算する出力感度演算手段Ｃ１５A1を有し、図５の実線で示すように、前記４２種類の出力感度の値ｇ_ｊ ^μ，νにより前記被修飾群Ｇ_μ ^１の適切な数の素子の値ｘ_ｉ ^μを選択的不感化する。
Ｃ１５Ｂ：二重不感化手段
二重不感化手段（多重不感化手段）Ｃ１５Ｂは、前記式（１４−１）′，（１４−２）′によって前記４２種類の合計用出力感度の値ｇ_ｋ ^{μ，ν，８}を演算する合計用出力感度演算手段Ｃ１５B1を有し、図５の点線、前記式（１３），（１３）′で示すように、前記４２種類の合計用出力感度の値ｇ_ｋ ^{μ，ν，８}により前記積型修飾Ｇ_μ ^１（Ｇ_ν ^１）の適切な数の素子の値、すなわち、前記積｛（ｇ_ｊ ^μ，ν）×（ｘ_ｉ ^μ）｝を選択的不感化することにより、前記被修飾群Ｇ_μ ^１の適切な数の素子の値ｘ_ｉ ^μを二重不感化する。

Ｃ１６：中間値記憶手段
中間値記憶手段（中間値入力手段）Ｃ１６は、前記中間値演算手段Ｃ１５で演算された前記４２種類の中間値、すなわち、前記４２種類の中間変数ｘ_μ，ν（μ≠ν，μ＝１，２，…，７，ν＝１，２，…，７）の値を記憶する。実施例１の中間値記憶手段Ｃ１６では、前記二重不感化手段Ｃ１５Ｂによって演算された前記４２種類の中間素子群Ｇ_μ，ν ^２の素子の値ｘ_ｉ ^μ，ν（μ≠ν，μ＝１，２，…，７，ν＝１，２，…，７，ｉ＝１，２，…，３０）をシフト時間ごとに記憶することにより、前記各中間素子群Ｇ_μ，ν ^２の３０個の素子に、−１，０，＋１の３値のいずれかがシフト時間ごとに入力（保持）されたものとみなすことができる。なお、実施例１では、前記中間値として、例えば、（＋１，０，０，−１，＋１，…，０）等の３０個の素子の値を有する４２種類の中間素子群の値、すなわち、合計で１２６０（３０×４２＝１２６０）個の値（−１，０，＋１）が記憶される。

Ｃ１７：出力値演算手段
出力値演算手段Ｃ１７は、結合荷重記憶手段Ｃ１７Ａを有し、前記中間層Ｎｂに入力された前記４２種類の中間値、すなわち、前記４２種類の中間変数ｘ_μ，ν（μ≠ν，μ＝１，２，…，７，ν＝１，２，…，７）の値に基づく出力値（出力変数の値）をシフト時間ごとに演算する。
図５において、実施例１の前記選択的不感化ニューラルネットＮは、前記中間層Ｎｂの１２６０個の素子と結合された４８個の素子（出力素子）により構成された出力層（出力素子群）Ｎｃを有する。

実施例１の前記出力層Ｎｃは、６種類の出力素子群（第１出力素子群Ｇ_１ ^３、第２出力素子群Ｇ_２ ^３、…、第６出力素子群Ｇ_６ ^３）を有する。また、前記６種類の出力素子群Ｇ_γ ^３（γ＝１，２，…，６）は、それぞれ８個の素子を有する（６×８＝４８）。
なお、実施例１の前記出力層Ｎｃは、「基本姿勢」を除く６種類の動作に応じて予め設定された６種類の出力変数（「手首屈曲」に対応する第１出力変数ｙ_１、「手首伸展」に対応する第２出力変数ｙ_２、…、「手首回内」に対応する第６出力変数ｙ_６）の値に対応して、前記６種類の出力素子群Ｇ_γ ^３が予め設定されている。
よって、各出力素子群Ｇ_γ ^３の８個の素子の値をｙ_１ ^γ，ｙ_２ ^γ，…，ｙ_８ ^γとした場合に、各出力変数ｙ_γが、以下の式（１５）によって示される。
ｙ_γ＝（ｙ_１ ^γ，ｙ_２ ^γ，…，ｙ_８ ^γ） …式（１５）

実施例１では、６種類の出力素子群Ｇ_γ ^３の素子の値ｙ_ｉ ^γ（ｉ＝１，２，…，８）が、前記中間層Ｎｂの１２６０個の素子の値ｘ_ｊ ^μ，ν（ｊ＝１，２，…，３０）と、前記各値ｘ_ｊ ^μ，νの重視度合いに応じて予め設定された１２６０個の各結合荷重の値とに基づいて演算される。
ここで、前記各値ｘ_ｊ ^μ，νに応じた前記各結合荷重の値をω_γｉｊ ^μ，νとし、前記出力素子群Ｇ_ｉ ^３の素子の値ｙ_ｉ ^γに応じて予め設定された閾値をｈ_ｉ ^γとし、０より大きい値が入力されると＋１を出力し且つ０以下の値が入力されると０を出力する２値関数をｈとした場合に、前記出力素子群Ｇ_ｉ ^３の素子の値ｙ_ｉ ^γが、以下の数１の式（１６）によって示される。

…式（１６）
すなわち、実施例１では、前記出力層Ｎｃの４８個の素子が、それぞれ結合荷重をもって前記中間層の１２６０個の素子と結合している。このため、前記出力層Ｎｃの４８個の素子の値ｙ_ｉ ^γが、１２６０個の素子の値ｘ_ｊ ^μ，νとその結合荷重の値ω_γｉｊ ^μ，νの積｛（ω_γｉｊ ^μ，ν）×（ｘ_ｊ ^μ，ν）｝の総和に基づいて演算された値（０，＋１の２値）になっている。
この結果、実施例１の前記６種類の出力変数ｙ_γの値、すなわち、前記出力値は、０，＋１の２値をベクトル成分とする８次元ベクトルのベクトル表現（２値パターン）、例えば（０，＋１，＋１，０，＋１，０，０，０）等で示すことができる。

Ｃ１７Ａ：結合荷重記憶手段
結合荷重記憶手段Ｃ１７Ａは、４８種類の閾値ｈ_ｉ ^γを記憶する閾値記憶手段Ｃ１７A1を有し、前記出力層Ｎｃの４８個の素子それぞれについて、前記中間層の１２６０種類の素子の値ｘ_ｊ ^μ，νに応じた１２６０個の結合荷重の値ω_γｉｊ ^μ，νを記憶する。すなわち、実施例１の前記結合荷重記憶手段Ｃ１７Ａは、合計６０４８０種類の結合荷重の値ω_γｉｊ ^μ，νを記憶する（１２６０×４８＝６０４８０）。なお、実施例１では、後述する結合荷重学習手段Ｃ２３によって学習した前記６０４８０種類の結合荷重の値ω_γｉｊ ^μ，νおよび前記４８種類の閾値ｈ_ｉ ^γを記憶する。
Ｃ１８：出力値記憶手段
出力値記憶手段（出力値入力手段）Ｃ１８は、前記出力値演算手段Ｃ１７で演算された前記６種類の出力値、すなわち、前記６種類の出力変数ｙ_γ（γ＝１，２，…，６）の値を記憶する。実施例１の出力値記憶手段Ｃ１８では、前記６種類の出力素子群Ｇ_γ ^３の素子の値ｙ_ｉ ^γ（ｉ＝１，２，…，８）をシフト時間ごとに記憶することにより、前記各出力素子群Ｇ_γ ^３の８個の素子に、０，＋１の２値のいずれかがシフト時間ごとに入力（保持）されたものとみなすことができる。なお、実施例１では、前記出力値として、例えば、（０，＋１，＋１，０，＋１，０，０，０）等の８個の素子の値を有する６種類の出力素子群の値、すなわち、合計で４８（８×６＝４８）個の値（０，＋１）が記憶される。

Ｃ１９：対応関係情報記憶手段
対応関係情報記憶手段Ｃ１９は、「基本姿勢」を除く６種類の動作（分類対象である複数の分類情報、複数の事象）と、前記各動作時に予め測定された６種類の出力変数ｙ_γ（γ＝１，２，…，６）の値（分類情報ごとに対応する出力変数の値、事象ごとに対応する出力変数の値）との対応関係を特定する対応関係情報Ｔを記憶する。実施例１の前記対応関係情報Ｔは、予め測定された実際の６種類の動作に応じた６種類の出力素子群Ｇ_γ ^３の素子の値（理想値）ｐｙ_１ ^γ，ｐｙ_２ ^γ，…，ｐｙ_８ ^γについての情報（動作正解情報、動作正解データ、教師信号、辞書情報）である。具体的には、連続する（隣接する）４個の素子が＋１、すなわち、発火している（＋１，…，＋１，０，…，０），（０，＋１，…，＋１，０，０，０），（０，０，＋１，…，＋１，０，０），（０，０，０，＋１，…，＋１，０），（０，…，０，＋１，…，＋１）の５パターンが予め設定されている。

図７は本発明の実施例１の対応関係情報の説明図であり、縦軸を電圧［ｍＶ］とし横軸を時間［ｓ］とし６種類の動作を実際に順次実行した際の積分平均値の誤差除去値の合計値と動作識別した範囲とを示すグラフである。
ここで、実施例１では、前記対応関係情報Ｔを記憶するために、まず、図７に示すように、前記被験者が前記６種類の動作を、「動作Ａ」から「動作Ｆ」の順、すなわち、「手首屈曲」、「手首伸展」、「手を握る」、「手を開く」、「手首回外」、「手首回内」の順に、２秒間隔で実際に実行した際の誤差が除去された前記６種類の積分平均値（ｖ_１〜ｖ_６）の合計値ＡＩＥＭＧ_ａｌｌ（ｐ）を演算する。次に、前記被験者の２秒間隔の動作は、誤差を伴うため、前記合計値ＡＩＥＭＧ_ａｌｌ（ｐ）による動作識別のための閾値を設定する。

具体的には、予め設定された合計用閾値をｔｈとし、前記合計値ＡＩＥＭＧ_ａｌｌ（ｐ）の最大値ＡＩＥＭＧ_ａｍａｘに対する予め設定された割合をα（０＜α＜１）とした場合に、前記合計用閾値ｔｈと前記最大値ＡＩＥＭＧ_ａｍａｘに前記割合αを乗算した値（α×ＡＩＥＭＧ_ａｍａｘ）を動作識別のための閾値とする。なお、実施例１では、前記合計用閾値ｔｈとして、０．２［ｍＶ］が予め設定されている。
次に、前記合計値ＡＩＥＭＧ_ａｌｌ（ｐ）と前記各閾値ｔｈ，（α×ＡＩＥＭＧ_ａｍａｘ）とに基づいて、予め測定された動作を識別する。具体的には、「動作Ａ」から「動作Ｆ」の６種類の各動作を識別する際に＋１を出力し且つ識別しない際に０を出力する６種類の各識別関数をＭ_１（ｐ），Ｍ_２（ｐ），…，Ｍ_６（ｐ）とした場合に、前記各動作の各識別関数Ｍ_ｍ′（ｐ），（ｍ′＝１，２，…，６）の値を、以下の式（１７）によって演算する。
Ｍ_ｍ′（ｐ）
＝ｈ（ＡＩＥＭＧ_ａｌｌ（ｐ）−ｔｈ）
×ｈ（ＡＩＥＭＧ_ａｌｌ（ｐ）−α×ＡＩＥＭＧ_ａｍａｘ） …式（１７）

すなわち、図７に示すように、最初の２秒間（０［ｓ］〜２［ｓ］）で「動作Ａ」を第１の識別関数Ｍ_１（ｐ）で識別し、次の２秒間（２［ｓ］〜４［ｓ］）で「動作Ｂ」を第２の識別関数Ｍ_２（ｐ）で識別する処理を繰り返してゆき、最後の２秒間（１０［ｓ］〜１２［ｓ］）で「動作Ｆ」を第６の識別関数Ｍ_５（ｐ）で識別する。
次に、前記各識別関数Ｍ_ｍ′（ｐ），（ｍ′＝１，２，…，６）が＋１を継続して得たフレーム数（継続フレーム数）を、擬似的な動作速度とする。次に、前記被験者の２秒間隔の６動作を複数回繰り返し、前記継続フレーム数の最大値に基づいて、動作速度の正規化を行う。具体的には、前記継続フレーム数をＷ_ｍ′とし、前記継続フレーム数Ｗ_ｍ′の最大値をＷ_{ｍ′ｍａｘ}とし、正規化された動作速度をＮ_ｓｐ（ｐ）とした場合に、正規化された動作速度Ｎ_ｓｐ（ｐ）が、以下の式（１８）に示される。
Ｎ_ｓｐ（ｐ）＝Ｗ_ｍ′／Ｗ_{ｍ′ｍａｘ} …式（１８）

そして、前記入力値Ｎ_ｉ（ｐ），Ｎ_ａ（ｐ），Ｎ_ｄ（ｐ）と同様に、正規化された動作速度Ｎ_ｓｐ（ｐ）（０≦Ｎ_ｓｐ（ｐ）≦１）を、４個の＋１と、４個の０とをベクトル成分とするベクトル表現（２値パターン）で示すことが可能な値にそれぞれ変換する。具体的には、前記正規化された動作速度Ｎ_ｓｐ（ｐ）と、前記理想値ｐｙ_ｉ ^γ（ｉ＝１，２，…，８）の５パターンのベクトル表現とが、以下の式（１９−１）〜（１９−５）によって対応付けられる。
０≦Ｎ_ｓｐ（ｐ）＜０．２の場合：
Ｎ_ｓｐ（ｐ）＝（０，…，０，＋１，…，＋１） …式（１９−１）
０．２≦Ｎ_ｓｐ（ｐ）＜０．４の場合：
Ｎ_ｓｐ（ｐ）＝（０，０，０，＋１，…，＋１，０） …式（１９−２）
０．４≦Ｎ_ｓｐ（ｐ）＜０．６の場合：
Ｎ_ｓｐ（ｐ）＝（０，０，＋１，…，＋１，０，０） …式（１９−３）
０．６≦Ｎ_ｓｐ（ｐ）＜０．８の場合：
Ｎ_ｓｐ（ｐ）＝（０，＋１，…，＋１，０，０，０） …式（１９−４）
０．８≦Ｎ_ｓｐ（ｐ）≦１の場合：
Ｎ_ｓｐ（ｐ）＝（＋１，…，＋１，０，…，０） …式（１９−５）

Ｃ２０：動作識別手段
動作識別手段（動作意思推定手段、事象推定手段、分類情報推定手段）Ｃ２０は、動作種類識別手段Ｃ２０Ａと、動作速度識別手段Ｃ２０Ｂとを有し、前記対応関係情報記憶手段Ｃ１９に予め記憶された前記対応関係情報Ｔと、前記６種類の出力変数ｙ_γの値とに基づいて、前記被験者の動作を識別する（動作意思を推定する、事象を推定する、分類情報を推定する）。
Ｃ２０Ａ：動作種類識別手段
動作種類識別手段（種類情報推定手段）Ｃ２０Ａは、前記被験者の動作が前記７種類の動作（「基本姿勢」、「手首屈曲」、「手首伸展」、「手を握る」、「手を開く」、「手首回外」、「手首回内」）のいずれであるかを識別する（各動作の種類の情報である種類情報を推定する）。

実施例１の前記動作種類識別手段Ｃ２０Ａは、前記対応関係情報Ｔである前記式（１９−１）〜（１９−５）に示す５パターンが、４個の素子が連続して発火しているため、３個以上の素子が予め設定された識別フレーム数Ｐｓ以上継続して発火した前記出力素子群Ｇ_γ ^３（γ＝１，２，…，６）がある場合には、前記出力素子群Ｇ_γ ^３（γ＝１，２，…，６）に対応する動作であると識別する。例えば、前記第１出力素子群Ｇ_１ ^３が識別フレーム数Ｐｓ以上継続して（０，＋１，＋１，０，＋１，０，０，０）等となる場合には、「手首屈曲」と識別する。また、３個以上の素子が識別フレーム数Ｐｓ以上継続して発火した前記出力素子群Ｇ_γ ^３（γ＝１，２，…，６）がない間は、「基本姿勢」であると識別する。なお、実施例１では、３個以上の素子が識別フレーム数Ｐｓ以上継続した前記出力素子群Ｇ_γ ^３が複数存在する場合には、対応する複数の動作を同時実行したと識別する。よって、前記動作種類識別手段Ｃ２０Ａは、６種類の出力素子群Ｇ_γ ^３について、３個以上の素子の発火が継続したフレーム数をｐ_γ（γ＝１，２，…，６，０≦ｐ_γ≦Ｐｓ）とした場合に、ｐ_γ＝Ｐｓとなった出力素子群Ｇ_γ ^３に応じた動作を実行したと識別し、ｐ_γ＝Ｐｓとなった出力素子群Ｇ_γ ^３がない間は、「基本姿勢」であると識別する。

Ｃ２０Ｂ：動作速度識別手段
動作速度識別手段（速度情報推定手段、力情報推定手段）Ｃ２０Ｂは、「基本姿勢」を除く前記６種類の動作が実行された場合に、実行された動作の速度を識別する（各動作の速度情報を推定する）。実施例１の前記動作速度識別手段Ｃ２０Ｂは、前記動作種類識別手段Ｃ２０Ａによって識別された特定の動作に対応する前記出力素子群Ｇ_γ ^３（γ＝１，２，…，６）の素子の発火パターンを数値化した値と、前記式（１９−１）〜（１９−５）に示す５パターンを数値化した値とを比較して前記動作の速度を識別する。具体的には、まず、特定された前記出力素子群Ｇ_γ ^３の１から８番目の素子に、１から８の重み付けをし、１から８番目の素子の値ｙ_ｉ ^γ（ｉ＝１，２，…，８）と、１から８の重み付けとを乗算した値を、発火素子数で除算した値（識別値）を演算する。

例えば、「手首屈曲」と識別された際の前記第１出力素子群Ｇ_１ ^３が（０，＋１，＋１，０，＋１，０，０，０）である場合には、前記識別値が３．３となる（｛（０×１）＋（＋１×２）＋（＋１×３）＋（０×４）＋（＋１×５）＋（０×６）＋（０×７）＋（０×８）｝／３＝（２＋３＋５）／３＝１０／３≒３．３）。また、前記式（１９−１）〜（１９−５）に示す５パターンの前記識別値を演算すると、２．５（（１＋２＋３＋４）／４＝２．５）から６．５（（５＋６＋７＋８）／４＝６．５）となる。
そして、前記識別フレーム数Ｐｓ分の前記識別値の平均値を演算した結果、前記式（１９−１）〜（１９−５）に示す５パターンの前記識別値（２．５〜６．５）のどの範囲に属するかによって、速度を識別する。なお、実施例１では、特定の出力素子群Ｇ_γ ^３のフレームごとの識別値をｄ_γ（ｐ_γ）（γ＝１，２，…，６，ｐ_γ＝１，２，…，Ｐｓ）とし、前記識別値ｄ_γ（ｐ_γ）の平均値をｄ_γ（γ＝１，２，…，６，ｄ_γ＝｛ｄ_γ（１）＋ｄ_γ（２）＋…＋ｄ_γ（Ｐｓ）｝／Ｐｓ）とした場合に、２．５≦ｄ_γ≦３．５となる場合には「速い」と識別し、３．５＜ｄ_γ＜５．５の場合には「普通」と識別し、５．５≦ｄ_γ≦６．５の場合には「遅い」と識別する。

なお、実施例１では動作の速度を識別するが、速度の変化に応じて力が発生するため、例えば、動作の速度（速度情報、「速い」、「普通」、「遅い」の各情報）に応じた動作の力（力情報、「強い」、「普通」、「弱い」の各情報）を推定することも可能である。
具体的には、速度の識別の場合と同様に、特定の動作に対応する前記出力素子群Ｇ_γ ^３（γ＝１，２，…，６）の素子の発火パターンとしての前記平均値ｄ_γについて、２．５≦ｄ_γ≦３．５となる場合には「強い」と識別し、３．５＜ｄ_γ＜５．５の場合には「普通」と識別し、５．５≦ｄ_γ≦６．５の場合には「弱い」と識別することにより、動作の力を識別することが可能である。

この場合、実際の動作の速度が０となる場合でも、動作の力を識別することが可能となる。例えば、被験者が「手を握った（動作Ｃ）」状態において、被験者が、握る力を「弱く」から「強く」に変化させた場合には、前記第３出力素子群Ｇ_３ ^３の素子の発火パターンとしての前記平均値ｄ_３が、５．５≦ｄ_３≦６．５の範囲の値から２．５≦ｄ_３≦３．５の範囲の値に変化するため、動作の力が「弱い」から「強い」に変化したことを識別することが可能となる。また、例えば、障害者の失った手足の動作意思についての動作の種類と力とを推定することも可能となる。例えば、手を失った被験者に対し、実施例１と同様に、前記被験者の前腕の前記６箇所の測定位置に前記６個の筋電センサＳＮ１〜ＳＮ６を貼り付けて表面筋電位信号を測定すると、表面筋電位信号が前記被験者の動作意思に応じて変化し、前記平均値ｄ_γが変化するため、被験者の動作意思から失った手で行いたかった動作の種類と力とを推定することが可能となる。
さらに、実施例１のように、動作の速度（速度情報）が「速い」、「普通」、「遅い」の３種類程度であれば、動作の力（力情報）が「強い」、「普通」、「弱い」の３種類のいずれかを動作の速度と同時に推定することも可能である。

図８は本発明の実施例１の動作識別画像の説明図である。
Ｃ２１：動作識別画像表示手段
動作識別画像表示手段（動作意思表示手段、事象表示手段、分類情報表示手段）Ｃ２１は、前記動作識別手段Ｃ２０により識別された前記被験者の動作（推定された被検体の動作意思、推定された事象、推定された分類情報）を図８に示す動作識別画像（動作意思推定画像、事象推定画像、分類情報推定画像）２を表示する。図８において、実施例１の前記動作識別画像２は、識別された前記被験者の動作の開始時期、種類および速度を表示する表示部２ａと、前記被験者の動作識別を終了するための動作識別終了釦２ｂとを有する。実施例１の前記動作識別画像表示手段Ｃ２１は、前記表示部２ａに識別された前記動作の開始時期、種類および速度を表示する。
Ｃ２２：動作識別終了判別手段
動作識別終了判別手段Ｃ２２は、前記被験者の動作識別を終了するか否かを判別する。実施例１の前記動作識別終了判別手段Ｃ２２は、前記識別終了釦２ｂが選択されたか否かを判別することにより、前記被験者の動作識別を終了するか否かを判別する。

Ｃ２３：結合荷重学習手段
結合荷重学習手段Ｃ２３は、閾値学習手段Ｃ２３Ａと、初期値設定手段Ｃ２３Ｂとを有し、前記動作識別手段Ｃ２０により識別された７種類の動作（推定された被検体の動作意思、推定された事象、推定された分類情報）と、予め測定された実際の動作（実際の動作意思、実際の事象、実際の分類情報）との相違に基づいて、前記結合荷重を更新することにより、前記各結合荷重を学習する。実施例１の前記結合荷重学習手段Ｃ２３は、前記動作識別終了判別手段Ｃ２２によって前記被験者の動作識別を終了すると判別された後に、前記６０４８０種類の結合荷重の値ω_γｉｊ ^μ，νを、以下の式（２０−１）によって更新する。なお、予め設定された正の値の定数（正定数）をｃとする（０＜ｃ＜１、例えば、ｃ＝０．３）。
ω_γｉｊ ^μ，ν←ω_γｉｊ ^μ，ν＋ｃ（ｐｙ_ｉ ^γ−ｙ_ｉ ^γ）×（ｘ_ｊ ^μ，ν） …式（２０−１）
Ｃ２３Ａ：閾値学習手段
閾値学習手段Ｃ２３Ａは、前記動作識別終了判別手段Ｃ２２によって前記被験者の動作識別を終了すると判別された後に、前記４８種類の閾値ｈ_ｉ ^γを、以下の式（２０−２）によって更新することにより、前記各閾値ｈ_ｉ ^γを学習する。
ｈ_ｉ ^γ←ｈ_ｉ ^γ−ｃ（ｐｙ_ｉ ^γ−ｙ_ｉ ^γ） …式（２０−２）

Ｃ２３Ｂ：初期値設定手段
初期値設定手段Ｃ２３Ｂは、前記６０４８０種類の結合荷重の値ω_γｉｊ ^μ，νおよび前記４８種類の閾値ｈ_ｉ ^γの初期値を設定する。実施例１の前記初期値設定手段Ｃ２３Ａは、前記対応関係情報記憶手段Ｃ１９における前記理想値ｐｙ_ｉ ^γの設定の際に、測定された前記６種類の積分平均値（ｖ_１〜ｖ_６）を前記選択的不感化ニューラルネットＮに入力して演算された実測値、すなわち、前記中間変数ｘ_μ，ν（μ≠ν，μ＝１，２，…，７，ν＝１，２，…，７）の値と、前記６種類の出力変数ｙ_γ（γ＝１，２，…，６）の値とに基づいて、前記初期値を設定する。具体的には、図７に示す前記被験者の２秒間隔の６動作において、前記各識別関数Ｍ_ｍ′（ｐ），（ｍ′＝１，２，…，６）が＋１を継続していたフレームの出力値が、前記理想値ｐｙ_ｉ ^γとなるように、前記式（２０−１），（２０−２）によって前記結合荷重の値ω_γｉｊ ^μ，νおよび前記閾値ｈ_ｉ ^γを学習する。

例えば、最初の２秒間（０［ｓ］〜２［ｓ］）の「動作Ａ」が「速い」であった場合、第１出力素子群Ｇ_１ ^３の８個の素子の値については、（ｙ_１ ^１，ｙ_２ ^１，…，ｙ_８ ^１）＝（ｐｙ_１ ^１，ｐｙ_２ ^１，…，ｐｙ_８ ^１）＝（０，…，０，＋１，…，＋１）が成立し、他の出力素子群Ｇ_γ ^３（γ＝２，３，…，６）の８個の素子の値については、（ｙ_１ ^γ，ｙ_２ ^γ，…，ｙ_８ ^γ）＝（０，０，…，０）が成立するものとする。
この場合において、前記式（１３）′によって前記中間層Ｎｂの１２６０種類の素子の値ｘ_ｊ ^μ，νが二重不感化されて得られた際に、ω_γｉｊ ^μ，ν＝ｈ_ｉ ^γ＝０，ｃ＝０．３とすると、第１出力素子群Ｇ_１ ^３の８個の素子の実測値について、（ｙ_１ ^１，ｙ_２ ^１，…，ｙ_８ ^１）＝（０，０，…，０）が成立するため、前記式（２０−１），（２０−２）に代入すると、第１出力素子群Ｇ_１ ^３の８個の素子に対する１００８０種類（１２６０×８）の結合荷重の値ω_１ｉｊ ^μ，νおよび８種類の閾値ｈ_ｉ ^１が、以下の式（２０−１−１），（２０−２−１）に示すように学習できる。

ω_１ｉｊ ^μ，ν←０＋０．３×（ｐｙ_ｉ ^１−０）×（ｘ_ｊ ^μ，ν） …式（２０−１−１）
ｈ_ｉ ^１←０−０．３×（ｐｙ_ｉ ^１−０） …式（２０−２−１）
よって、例えば、第１出力素子群Ｇ_１ ^３の１番目の素子に応じた１２６０種類の結合荷重の値ω_１１ｊ ^μ，νについては、ｐｙ_１ ^１＝０であるため更新されず、前記１番目の素子に応じた閾値ｈ_１ ^１についても更新されない（ω_１１ｊ ^μ，ν＝０，ｈ_１ ^１＝０）。また、例えば、８番目の素子に応じた１２６０種類の結合荷重の値ω_１８ｊ ^μ，νについては、ｐｙ_８ ^１＝１であるため、ｘ_ｊ ^μ，ν＝１であれば０．３に更新され、前記８番目の素子に応じた閾値ｈ_８ ^１については−０．３に更新される（ω_１８ｊ ^μ，ν＝０．３，ｈ_８ ^１＝−０．３）。
また、以降の２秒毎に実行される各動作（「動作Ｂ」から「動作Ｆ」）についても、同様に前記結合荷重の値ω_γｉｊ ^μ，νおよび前記閾値ｈ_ｉ ^γを学習できる。
そして、動作速度の正規化のために試行（測定）した回数だけ学習を繰り返した結果、得られた前記６０４８０種類の結合荷重の値ω_γｉｊ ^μ，νおよび前記４８種類の閾値ｈ_ｉ ^γが前記初期値として設定される。なお、前記初期値として設定された前記結合荷重の値ω_γｉｊ ^μ，νおよび前記閾値ｈ_ｉ ^γは、前記結合荷重記憶手段Ｃ１７Ａに記憶される。

（実施例１のフローチャートの説明）
次に、実施例１の制御部Ｃの関数近似プログラムＡＰ１の処理の流れをフローチャートを使用して説明する。なお、前記対応関係情報Ｔと、前記６０４８０種類の結合荷重の値ω_γｉｊ ^μ，νおよび前記４８種類の閾値ｈ_ｉ ^γの初期値とを設定する処理については、前記被験者の２秒間隔の６動作を測定した際に、前記式（１７），（１８），（１９−１）〜（１９−５），（２０−１），（２０−２）によって、理想値および初期値を演算して記憶するだけであるため、フローチャートによる詳細な説明を省略する。

（実施例１の動作識別処理のフローチャートの説明）
図９は本発明の実施例１の動作識別プログラムの動作識別処理のフローチャートである。
図９のフローチャートの各ＳＴ（ステップ）の処理は、前記制御部ＣのＲＯＭ等に記憶されたプログラムに従って行われる。また、この処理は前記制御部Ｃの他の各種処理と並行してマルチタスクで実行される。
図９に示すフローチャートは前記表面筋電位測定装置Ｕ１および前記識別用クライアントパソコンＰＣが電源オンした後、前記動作識別プログラムＡＰ１が起動した場合に開始される。

図９のＳＴ１において、図６に示す動作識別開始画像１をディスプレイＨ２に表示する。そして、ＳＴ２に移る。
ＳＴ２において、動作識別開始画像１の識別開始釦１ａが選択されたか否かを判別することにより、図２に示す被験者の７種類の動作を識別する処理を開始するか否かを判別する。イエス（Ｙ）の場合はＳＴ３に移り、ノー（Ｎ）の場合はＳＴ２を繰り返す。
ＳＴ３において、以下の（１）〜（３）の処理を実行し、ＳＴ４に移る。
（１）６種類の継続フレーム数ｐ_γ（γ＝１，２，…６）、（６×Ｐｓ）種類の識別値ｄ_γ（ｐ_γ）（γ＝１，２，…，６，ｐ_γ＝１，２，…，Ｐｓ）、６種類の平均値ｄ_γ（γ＝１，２，…，６）に０をセットする（ｐ_γ＝ｄ_γ（ｐ_γ）＝ｄ_γ＝０）。
（２）６０４８０種類の結合荷重の値ω_γｉｊ ^μ，ν（γ＝１，２，…６，ｉ＝１，２，…，８，ｊ＝１，２，…，８，μ≠ν，μ＝１，２，…，７，ν＝１，２，…，７）および４８種類の閾値ｈ_ｉ ^γ（γ＝１，２，…６，ｉ＝１，２，…，８）の初期値をセットする。
（３）図８に示す動作識別画像２をディスプレイＨ２に表示する。

ＳＴ４において、後述する図１０に示す入力値生成処理を実行して、８種類の入力変数ｘ_ｉ（ｉ＝１，２，…，８）の値（入力値）を生成する。すなわち、８種類の入力素子群Ｇ_ｉ ^１（ｉ＝１，２，…，８）の３０個の素子、すなわち、合計で２４０（８×３０＝２４０）個の素子に−１，＋１のいずれかを入力する（２４０個の値（−１，＋１）を記憶する）。そして、ＳＴ５に移る。
ＳＴ５において、式（１３）′に示す二重不感化を実行して、４２種類の中間変数ｘ_μ，ν（μ≠ν，μ＝１，２，…，７，ν＝１，２，…，７）の値（中間値）を演算する。すなわち、４２種類の中間素子群Ｇ_μ，ν ^２（μ≠ν，μ＝１，２，…，７，ν＝１，２，…，７）の３０個の素子、すなわち、合計で１２６０（４２×３０＝１２６０）個の素子に−１，０，＋１のいずれかを入力する（１２６０個の値（−１，０，＋１）を記憶する）。そして、ＳＴ６に移る。

ＳＴ６において、式（１６）に示す、中間層Ｎｂの１２６０個の素子の値ｘ_ｊ ^μ，ν（ｊ＝１，２，…，８，μ≠ν，μ＝１，２，…，７，ν＝１，２，…，７）と結合荷重の値ω_γｉｊ ^μ，νとの積の総和を閾値ｈ_ｉ ^γでフィルタリングする演算を実行して、６種類の出力変数ｙ_γの値（出力値）を演算する。すなわち、６種類の出力素子群Ｇ_γ ^３（γ＝１，２，…６）の８個の素子、すなわち、合計で４８（６×８＝４８）個の素子に０，＋１のいずれかを入力する（４８個の値（０，＋１）を記憶する）。そして、ＳＴ７に移る。
ＳＴ７において、３個以上の素子が発火した出力素子群Ｇ_γ ^３（出力変数ｙ_γの値、出力値、発火パターン）が検出されたか否かを判別する。イエス（Ｙ）の場合はＳＴ８に移り、ノー（Ｎ）の場合はＳＴ１２に移る。

ＳＴ８において、以下の（１），（２）の処理を実行し、ＳＴ９に移る。
（１）継続フレーム数ｐ_γに＋１を加算する。（ｐ_γ＝ｐ_γ＋１）
（２）識別値ｄ_γ（ｐ_γ）を演算する。
ＳＴ９において、継続フレーム数ｐ_γが識別フレーム数Ｐｓになったか否かを判別する。イエス（Ｙ）の場合はＳＴ１０に移り、ノー（Ｎ）の場合はＳＴ１３に移る。
ＳＴ１０において、以下の（１）〜（３）の処理を実行し、ＳＴ１１に移る。
（１）継続フレーム数ｐ_γが識別フレーム数Ｐｓになった出力素子群Ｇ_γ ^３に応じた動作の種類を識別する。
（２）識別された動作に応じた出力素子群Ｇ_γ ^３の識別値ｄ_γ（ｐ_γ）の平均値ｄγを演算して（ｄ_γ＝｛ｄ_γ（１）＋ｄ_γ（２）＋…＋ｄ_γ（２）｝／Ｐｓ）、動作の速度を識別する。すなわち、２．５≦ｄ_γ≦３．５ならば「速い」と識別し、３．５＜ｄ_γ＜５．５ならば「普通」と識別し、５．５≦ｄ_γ≦６．５ならば「遅い」と識別する。
（３）識別フレーム数Ｐｓに達した継続フレーム数ｐ_γを０にリセットする（ｐγ＝０）。

ＳＴ１１において、識別された動作の開始時期・種類・速度を動作識別画像２の表示部２ａに表示する（記載する）。そして、ＳＴ１３に移る。
ＳＴ１２において、被験者の上腕が「基本姿勢」であると識別し、「基本姿勢」の開始時期を動作識別画像２の表示部２ａに表示する（記載する）。そして、ＳＴ１３に移る。
ＳＴ１３において、動作識別画像２の識別終了釦２ｂが選択されたか否かを判別することにより、被験者の動作を識別する処理を終了するか否かを判別する。イエス（Ｙ）の場合はＳＴ１４に移り、ノー（Ｎ）の場合はＳＴ４に戻る。
ＳＴ１４において、式（２０−１），（２０−２）に示す結合荷重学習処理を実行して、６０４８０種類の結合荷重の値ω_γｉｊ ^μ，νと４８種類の閾値ｈ_ｉ ^γを学習する（更新する）。そして、ＳＴ１に戻る。

（実施例１の入力値生成処理のフローチャートの説明）
図１０は本発明の実施例１の動作識別プログラムの入力値生成処理のフローチャートである。
図１０のフローチャートの各ＳＴ（ステップ）の処理は、前記制御部ＣのＲＯＭ等に記憶されたプログラムに従って行われる。また、この処理は前記動作識別処理と同様に前記制御部Ｃの他の各種処理と並行してマルチタスクで実行される。
図１０に示すフローチャートは前記表面筋電位測定装置Ｕ１および前記識別用クライアントパソコンＰＣが電源オンした後、前記動作識別プログラムＡＰ１が起動した場合に開始される。

図１０のＳＴ１０１において、表面筋電位測定装置Ｕ１の制御部で、図１に示す６個の筋電センサＳＮ１〜ＳＮ６からの６種類の表面筋電位信号の積分値である積分表面筋電位信号（ｓ_１〜ｓ_６）を演算し、識別用クライアントパソコンＰＣに送信する。そして、ＳＴ１０２に移る。
ＳＴ１０２において、識別用クライアントパソコンＰＣにおいて、積分表面筋電位信号（ｓ_１〜ｓ_６）を受信して記憶する。そして、ＳＴ１０３に移る。
ＳＴ１０３において、式（２−１），（２−２）、図４に示すように、６種類の積分表面筋電位信号（ｓ_１〜ｓ_６）の平均値である積分平均値（ｖ_１〜ｖ_６）のフレームごとの値ＡＩＥＭＧ_ｉ（ｐ）（ｉ＝１，２，…，６，ｐ＝１，２，…）を演算する。そして、ＳＴ１０４に移る。
ＳＴ１０４において、式（３）に示すように、演算された６種類の積分平均値ｖ_ｉのフレームごとの値ＡＩＥＭＧ_ｉ（ｐ）が、現フレーム（ｐ番目のフレーム）までの最小値ε_ｉ（ｉ＝１，２，…，６）であったか否かをそれぞれ判別する。イエス（Ｙ）の場合はＳＴ１０５に移り、ノー（Ｎ）の場合はＳＴ１０６に移る。

ＳＴ１０５において、判別された積分平均値（ｖ_１〜ｖ_６）の最小値（ε_１〜ε_６）をそれぞれ記憶する。そして、ＳＴ１０６に移る。
ＳＴ１０６において、式（４）に示すように、６種類の積分平均値ｖ_ｉのフレームごとの値ＡＩＥＭＧ_ｉ（ｐ）から誤差としての６種類の最小値ε_ｉをそれぞれ減算することにより、誤差除去値ＡＩＥＭＧε_ｉ（ｐ）（ｉ＝１，２，…，６，ｐ＝１，２，…）を演算する。そして、ＳＴ１０７に移る。
ＳＴ１０７において、式（７−１）に示すように、演算された６種類の誤差除去値ＡＩＥＭＧεｉ（ｐ）が、現フレーム（ｐ番目のフレーム）までの最大値ＡＩＥＭＧε_ｉｍａｘであったか否かをそれぞれ判別する。イエス（Ｙ）の場合はＳＴ１０８に移り、ノー（Ｎ）の場合はＳＴ１０９に移る。

ＳＴ１０８において、判別された誤差除去値ＡＩＥＭＧεｉ（ｐ）の最大値ＡＩＥＭＧε_ｉｍａｘをそれぞれ記憶する。そして、ＳＴ１０９に移る。
ＳＴ１０９において、式（５）に示すように、６種類の誤差除去値ＡＩＥＭＧεｉ（ｐ）の合計値ＡＩＥＭＧ_ａｌｌ（ｐ）（ｐ＝１，２，…）を演算し、次のフレームの差分値ＡＩＥＭＧ_ｄｉｆ（ｐ＋１）を演算するための１フレーム前の合計値ＡＩＥＭＧ_ａｌｌ（ｐ）として用いるために一時記憶する。そして、ＳＴ１１０に移る。
ＳＴ１１０において、式（７−２）に示すように、演算された合計値ＡＩＥＭＧ_ａｌｌ（ｐ）が、現フレーム（ｐ番目のフレーム）までの最大値ＡＩＥＭＧ_ａｍａｘであったか否かを判別する。イエス（Ｙ）の場合はＳＴ１１１に移り、ノー（Ｎ）の場合はＳＴ１１２に移る。
ＳＴ１１１において、判別された合計値ＡＩＥＭＧ_ａｌｌ（ｐ）の最大値ＡＩＥＭＧ_ａｍａｘを記憶する。そして、ＳＴ１１２に移る。

ＳＴ１１２において、式（６）に示すように、合計値ＡＩＥＭＧ_ａｌｌ（ｐ）のフレームごとの差分値ＡＩＥＭＧ_ｄｉｆ（ｐ）を演算する。そして、ＳＴ１１３に移る。
ＳＴ１１３において、式（７−３）に示すように、演算された差分値ＡＩＥＭＧ_ｄｉｆ（ｐ）が、現フレーム（ｐ番目のフレーム）までの最大値ＡＩＥＭＧ_ｄｍａｘであったか否かを判別する。イエス（Ｙ）の場合はＳＴ１１４に移り、ノー（Ｎ）の場合はＳＴ１１５に移る。
ＳＴ１１４において、判別された合計値差分値ＡＩＥＭＧ_ｄｉｆ（ｐ）の最大値ＡＩＥＭＧ_ｄｍａｘを記憶する。そして、ＳＴ１１５に移る。
ＳＴ１１５において、以下の（１），（２）の処理を実行し、ＳＴ１０１に戻る。
（１）式（８−１）〜（８−３）に示す正規化により、８種類の入力値Ｎ_ｉ（ｐ）（ｉ＝１，２，…，６），Ｎ_ａ（ｐ），Ｎ_ｄ（ｐ）を演算する（生成する）。
（２）式（９−１）〜（９−３）に示すように、８種類の入力値Ｎ_ｉ（ｐ），Ｎ_ａ（ｐ），Ｎ_ｄ（ｐ）を２値化して記憶することにより、２４０（８×３０＝２４０）個の素子に−１，＋１のいずれかを入力する（２４０個の値（−１，＋１）を記憶する）。そして、ＳＴ１０１に戻る。

（実施例１の作用）
前記構成を備えた実施例１の前記動作識別システムＳは、被験者の右腕に６個の筋電センサＳＮ１〜ＳＮ６を貼り付けた後（図１参照）、動作識別開始画像１の識別開始釦１ａ（図６参照）を選択することにより、被験者の７種類の動作（図２参照）についての識別を開始する（図９のＳＴ２参照）。
また、実施例１の前記動作識別処理（図９参照）では、６個の筋電センサＳＮ１〜ＳＮ６からの６種類の表面筋電位信号が、シフト時間ごとに選択的不感化ニューラルネットＮ（図５参照）の入力値Ｎ_ｉ（ｐ）（ｉ＝１，２，…，８），Ｎ_ａ（ｐ），Ｎ_ｄ（ｐ）に変換され、前記選択的不感化ニューラルネットＮの入力層Ｎａに入力される（図９のＳＴ４、図１０のＳＴ１０１〜ＳＴ１１５参照）。この結果、前記選択的不感化ニューラルネットＮの入力層Ｎａでは、８種類の入力素子群Ｇ_ｉ ^１（ｉ＝１，２，…，８）の３０個の素子、合計２４０個の素子に−１，＋１の２値のいずれかがシフト時間ごとに入力される。

また、前記選択的不感化ニューラルネットＮの中間層Ｎｂでは、式（１３）′に示す二重不感化により、４２種類の中間素子群Ｇ_μ，ν ^２（μ≠ν，μ＝１，２，…，７，ν＝１，２，…，７）の３０個の素子、合計１２６０個の素子に−１，０，＋１の３値のいずれかが入力される（図９のＳＴ５参照）。また、前記選択的不感化ニューラルネットＮの出力層Ｎｃでは、式（１６）により、６種類の出力素子群Ｇ_γ ^３（γ＝１，２，…６）の８個の素子、合計で４８個の素子に０，＋１の２値のいずれかが入力される（図９のＳＴ６参照）。そして、３個以上の素子が識別フレーム数Ｐｓ以上継続して発火した出力素子群Ｇ_γ ^３が存在する場合には被験者の動作の種類（「手首屈曲」、「手首伸展」、「手を握る」、「手を開く」、「手首回外」、「手首回内」）および速度（「速い」、「普通」、「遅い」）を識別すると共に、存在しない場合には被験者の上腕が「基本姿勢」であると識別する（図９のＳＴ７〜ＳＴ１２参照）。この結果、識別された動作の開始時期・種類・速度が動作識別画像２の表示部２ａ（図８参照）に表示される（図９のＳＴ１１参照）。

よって、実施例１の前記動作識別システムＳは、同一動作を常に一定速度で実行させた場合の識別しか行っていない前記非特許文献１、２等の技術に比べ、同一動作を異なる速度で実行させた場合の識別をすることができる。
なお、実施例１の前記動作識別システムＳは、学習能力（汎化能力）が高い選択的不感化ニューラルネットＮ（例えば、特開２００９−６４２１６号公報等参照）により、前記被験者の動作を識別している。このため、統計的手法に基づいて動作識別を実行する前記非特許文献１、２等の技術に比べ、少ない学習量で被検体の動作を識別することが期待できる。

また、実施例１の前記選択的不感化ニューラルネットＮには、実施例１の前記入力値生成処理により、６種類の筋電センサＳＮ１〜ＳＮ６からの６種類の表面筋電位信号に基づいてノイズ等が除去された８種類の入力値Ｎ_ｉ（ｐ），Ｎ_ａ（ｐ），Ｎ_ｄ（ｐ）が入力される。なお、前記入力値生成処理は、計算量が少なく、シフト時間（１０［ｍｓ］）ごとに入力値Ｎ_ｉ（ｐ），Ｎ_ａ（ｐ），Ｎ_ｄ（ｐ）を十分に生成できるため、遅延なく前記動作識別処理を実行できる。
ここで、６ｃｈの筋電センサＳＮ１〜ＳＮ６に応じた６種類の入力値Ｎ_ｉ（ｐ）については、０から１の範囲の値に正規化されているため、異なる種類や異なる速度の動作を実行した場合でも、複数の入力値Ｎ_ｉ（ｐ）が同じ値となる場合がある。例えば、１ｃｈ〜４ｃｈの入力値Ｎ_１（ｐ）〜Ｎ_４（ｐ）について、Ｎ_１（ｐ）＝Ｎ_２（ｐ）＝Ｎ_３（ｐ）＝Ｎ_４（ｐ）が成立する可能性がある。この場合、同じ値となる２種類の入力値Ｎ_ｉ（ｐ）どうしで相互修飾（互いに選択的不感化）しても、対応する１２種類の中間素子群Ｇ_μ，ν ^２（μ＝１，２，３，４、ν＝１，２，３，４，μ≠ν）で同じ中間値が複数得られる結果となる可能性が高くなる。すなわち、異なる入力値に対して同じ３値パターン（例えば、（＋１，０，０，−１，＋１，…，０））となる可能性が高くなる。

そして、異なる入力値に対して同じ３値パターンが多数得られた場合、出力値を演算するための結合荷重の値ω_γｉｊ ^μ，νも学習する度に同じ値に近付いてゆくことになる（式（２０−１），（２０−２）参照）。このような状況を、「１対多対応による結合荷重の平均化」といい、学習効率や識別精度を大きく低下させる原因となる。
これに対して、前記合計値Ｎ_ａ（ｐ）は、同じ値となる入力値（１ｃｈ〜４ｃｈの入力値Ｎ_１（ｐ）〜Ｎ_４（ｐ））だけでなく、異なる値となる入力値（５ｃｈ，６ｃｈの入力値Ｎ_５（ｐ）〜Ｎ_６（ｐ））も含む６種類の入力値Ｎ_１（ｐ）〜Ｎ_６（ｐ）の合計値を正規化した値である。このため、前記合計値Ｎ_ａ（ｐ）は、同じ値となる入力値（１ｃｈ〜４ｃｈの入力値Ｎ_１（ｐ）〜Ｎ_４（ｐ））とは異なる値となる可能性が高くなる。

すなわち、実施例１では、前記６種類の入力値Ｎ_ｉ（ｐ）と値が異なる可能性が高い前記合計値Ｎ_ａ（ｐ）を入力値として採用している。
また、前記合計値Ｎ_ａ（ｐ）については、他の７種類の入力値Ｎ_ｉ（ｐ），Ｎ_ａ（ｐ）の二重不感化のためにのみ使用されている。よって、実施例１の前記動作識別システムＳは、選択的不感化が１回のみ実行（一重不感化）される選択的不感化ニューラルネットに比べ、さらなる学習量の低減や識別精度の向上が期待できる。なお、実施例１の前記動作識別システムＳように、二重不感化を行った場合には、二重不感化を行わない場合に比べ、識別精度が２割程度向上することが実験等により確認されている。

（実験例）
ここで、実施例１の前記動作識別システムＳが、前記入力値生成処理および前記動作識別処理を実行することにより、少ない学習量で、高い識別率を得られるかを調べるために、次の実験例１を準備した。
（実験例１）
実験例１の動作識別システムＳは、実施例１の前記動作識別システムＳと同等の構成で作製されており、実施例１の前記入力値生成処理（図１０参照）および前記動作識別処理（図９参照）が実行される。なお、前記６０４８０種類の結合荷重の値ω_γｉｊ ^μ，νおよび前記４８種類の閾値ｈ_ｉ ^γの初期値については、前記被験者の２秒間の６動作を、「速い」、「普通」、「遅い」の３速度で、それぞれ２回（２セット）実行して設定した。すなわち、３６（６×３×２）個のサンプルデータで学習した。
また、実験例１の動作識別システムＳでは、実際の動作識別として、３速度の６動作、すなわち、全１８動作を、６回（６セット）実行した際の動作を識別した。

なお、実験例１では、表面筋電位測定装置Ｕ１として、（有限会社）追坂電子機器製の「Ｐｅｒｓｏｎａｌ−ＥＭＧ」を使用した。
また、実験例１では、各セットの実行後には、結合荷重学習処理（図９のＳＴ１４参照）を実行せず、前記初期値のまま被験者の動作を識別した。
また、実験例１では、３フレーム連続で３個以上の素子が発火した出力素子群Ｇ_γ ^３（ｉ＝１，２，…，６）を検出した場合に、前記出力素子群Ｇ_γ ^３に対応する動作の種類・速度を識別すると共に、動作識別後も１２フレーム連続で前記出力素子群Ｇ_γ ^３の識別値ｄ_γ（ｐ_γ）（γ＝１，２，…，６，ｐ_γ＝１，２，…，Ｐｓ）の演算を継続して、前記識別値ｄ_γ（ｐ_γ）の全１５フレーム分の平均値ｄ_γをとって平滑化した。すなわち、実験例１では、動作を識別してから１５フレームまでは、０以外の識別値ｄ_γ（ｐ_γ）が得られたフレームだけで平均値ｄ_γを演算した。
さらに、実験例１では、動作識別後、１０フレーム連続で０が出力された場合に、識別された動作が終了したと判別させている。

（動作の種類の識別率ＤＲ（ｍ）について）
ここで、動作の種類の識別率については、６種類の動作のいずれかを実際に実行した際に、実際に実行した動作を正しく検出したフレームの総数を、６動作のいずれかを検出したフレームの総数で除算した値とする。例えば、「手首屈曲」の識別率は、「手首屈曲」を実際に実行した際に、前記第１出力素子群Ｇ_１ ^３の３個以上の素子が発火したフレームの総数を、「手首屈曲」を実行する２秒間で３個以上の素子が発火した出力素子群Ｇ_γ ^３（ｉ＝１，２，…，６）を検出したフレームの総数で除算した値とする。
このため、特定の動作を実行する２秒間において、前記特定の動作を正しく検出したフレームの総数をｆ_ｍ（ｍ＝１，２，…，６）とし、前記特定の動作以外の動作のいずれかを検出したフレームの総数をｆ_ｍ″（ｍ≠ｍ″，ｍ″＝１，２，…，６）とし、前記特定の動作の識別率をＤＲ（ｍ）（ｍ＝１，２，…，６）とした場合に、前記特定の動作の識別率ＤＲ（ｍ）［％］は、以下の式（２１）によって示すことができる。
ＤＲ（ｍ）＝ｆ_ｍ／（ｆ_ｍ＋ｆ_ｍ″）×１００ …式（２１）

（動作の速度の識別率ＤＲ_ｓｐ（ｍ）について）
また、動作の速度の識別率については、１８動作のいずれかを実際に実行した際に、３個以上の素子が発火した出力素子群Ｇ_γ ^３（ｉ＝１，２，…，６）の識別値ｄ_γ（ｐ_γ）（γ＝１，２，…，６，ｐ_γ＝１，２，…，Ｐｓ）が、前記実際の動作に応じた識別値、すなわち、前記対応関係情報Ｔである５パターンに応じた識別値、すなわち、（２．５），（３．５），（４．５），（５．５），（６．５）の５値のいずれかに、どの程度近似しているかを示す値の識別フレーム数Ｐｓ全体の平均値とする。具体的には、前記識別値ｄ_γ（ｐ_γ）が、実際の１８動作に応じた識別値から４以上離れたときの値を０［％］とし、完全に一致したときの値を１００［％］とした値の識別フレーム数Ｐｓ全体の平均値である。例えば、「手首屈曲」を「速い」で実際に実行した際の前記対応関係情報Ｔに基づく識別値が２．５であるため、「手首屈曲」の動作識別率が前記第１出力素子群Ｇ_１ ^３の識別値ｄ_１（１）〜ｄ_１（Ｐｓ）が全て３．３ならば（ｄ_１（１）＝３．３）、識別率は８０％である（｛１−（２．５−３．３）／４｝×１００＝８０［％］）。

このため、特定の動作を３速度のいずれかによって実行する２秒間において、前記特定の動作に応じたフレームごとの識別値（２．５から６．５の５値のいずれかの正解値）をｐｄ_γ（ｐ_γ）（γ＝１，２，…，６，ｐ_γ＝１，２，…，Ｐｓ）とし、前記特定の動作の速度の識別率をＤＲ_ｓｐ（ｍ）（ｍ＝１，２，…，６）とした場合に、前記特定の動作の速度の識別率ＤＲ_ｓｐ（ｍ）［％］は、以下の式（２２）によって示すことができる。ＤＲ_ｓｐ（ｍ）
＝［｛４−（ｐｄ_γ（１）−ｄ_γ（１））｝／４×１００
＋｛４−（ｐｄ_γ（２）−ｄ_γ（２））｝／４×１００
＋…
＋｛４−（ｐｄ_γ（Ｐｓ）−ｄ_γ（Ｐｓ））｝／４×１００
］／（ｆ_ｍ＋ｆ_ｍ″） …式（２２）

（実験結果）
ここで、実験例１の実験結果について以下に示す。

図１１は実験例１の実験結果の説明図であり、縦軸を識別値とし横軸を時間［ｓ］として全１８動作の１セットのうちの「動作Ａ」から「動作Ｆ」の６動作を被験者が２秒間隔で実際に実行した際の識別値のグラフであり、図１１Ａは実際の６動作の識別値の正解値のグラフであり、図１１Ｂは実際の６動作のフレームごとの識別値の実測値の平滑化前のグラフであり、図１１Ｃは実際の６動作のフレームごとの識別値の実測値の平滑化後のグラフである。
まず、実験例１の動作の種類の識別、すなわち、グラフの位置・横幅については、図１１に示すように、正解値のグラフ（図１１Ａ参照）と、実測値のグラフ（図１１Ｂ、図１１Ｃ参照）とが、ほぼ識別できていることがわかる。

また、図１１Ｂに示すように、フレーム単位では、「動作Ａ」が、「動作Ｃ」の実施直後に誤って識別されていると共に（図１１Ｂの太線参照）、「動作Ｃ」が、「動作Ａ」から「動作Ｂ」までの間と「動作Ｂ」の実施直後と「動作Ｄ」の実施直後とに誤って識別されたことが散見できる（図１１Ｂの点線参照）。しかしながら、図１１Ｃに示すように、誤って識別された「動作Ａ」および「動作Ｃ」については、１５フレーム以下、すなわち１５０［ｍｓ］（１０×１５＝１５０［ｍｓ］）以下の瞬間的なものであるため、１５フレームで平滑化した後には、消滅していることがわかる。
また、実験例１の動作の速度の識別、すなわち、グラフの高さにについても、図１１に示すように、「動作Ｂ」以外の５動作については、ほぼ識別できていることがわかる。

図１２は実験例１の実験結果の説明図であり、縦軸を識別率［％］とし横軸を動作の種類として全１８動作の６セットを実行した際の６種類の動作の識別率［％］および各動作の３速度の識別率［％］の折れ線グラフである。
また、図１２に示すように、全１８動作の６セットを実行した際の実験例１の６種類の動作の識別率ＤＲ（ｍ）は、「動作Ｃ」が約９０［％］であるが（ＤＲ（３）≒９０［％］）、「動作Ｃ」以外の５動作（「動作Ａ」、「動作Ｂ」、「動作Ｄ」〜「動作Ｆ」）がほぼ１００［％］であることがわかる（ＤＲ（ｍ）≒１００［％］（ｍ＝１，２，４，５，６））。なお、６種類の動作の識別率ＤＲ（ｍ）の平均値は、９８．４２［％］であった（｛ＤＲ（１）＋…＋ＤＲ（６）｝／６＝９８．４２［％］）。
ここで、前記識別率ＤＲ（ｍ）の平均値（９８．４２［％］）は、６種類の動作を１００回実行した場合に、１、２回誤って識別することを示す値ではなく、動作識別処理を開始してから終了するまでの殆どの時間、正しい動作を識別するが、瞬間的に誤って識別することを示す値である（図１１参照）。このため、動作の種類の識別については、実用に十分耐え得るものであることがわかる。

また、６種類の動作の３速度の識別率ＤＲ_ｓｐ（ｍ）は、「動作Ｃ」については約７０［％］、「動作Ｆ」については約６０［％］であるが（ＤＲ_ｓｐ（３）≒７０［％］，ＤＲ_ｓｐ（６）≒６０［％］）、「動作Ｃ」および「動作Ｆ」以外の４動作（「動作Ａ」、「動作Ｂ」、「動作Ｄ」、「動作Ｅ」）が約８０［％］であることがわかる（ＤＲ_ｓｐ（ｍ）≒８０［％］（ｍ＝１，２，４，５））。なお、６種類の動作の３速度の識別率ＤＲ_ｓｐ（ｍ）の平均値は、７６．１５［％］であった（｛ＤＲ_ｓｐ（１）＋…＋ＤＲ_ｓｐ（６）｝／６＝７６．１５［％］）。

よって、６種類の動作の３速度の識別率ＤＲ_ｓｐ（ｍ）の平均値（７６．１５［％］）は、６種類の動作の識別率ＤＲ（ｍ）の平均値（９８．４２［％］）に比べて、２０［％］以上低くなったことがわかる。これは、６種類の動作の３速度の識別率ＤＲ_ｓｐ（ｍ）が、前記識別値の実測値（ｄ_γ（１）〜ｄ_γ（１５））と理想値（ｐｄ_γ（１）〜ｐｄ_γ（１５））との近似の度合いを示す値であるため（式（２２）参照）、出力素子群Ｇ_γ ^３の８個の素子の値に基づく前記実測値（ｄ_γ（１）〜ｄ_γ（１５））が、前記理想値（ｐｄ_γ（１）〜ｐｄ_γ（１５））に完全に一致する値とならなかったことが原因と考えられる。
ここで、実験例１では、前記識別率ＤＲ_ｓｐ（ｍ）を演算する前に、前記識別値（ｄ_γ（１）〜ｄ_γ（１５））の全１５フレーム分の平均値ｄ_γを演算して平滑化する。このため、平滑化された前記実測値（平均値ｄ_γ）が前記理想値（ｐｄ_γ（１）〜ｐｄ_γ（１５））から離れた値になり易くなる。

すなわち、一部の前記実測値（ｄ_γ（１）〜ｄ_γ（１５））が前記理想値（ｐｄ_γ（１）〜ｐｄ_γ（１５））と完全一致していても、残りの前記実測値（ｄ_γ（１）〜ｄ_γ（１５））が前記理想値（ｐｄ_γ（１）〜ｐｄ_γ（１５））から大きく離れた値であれば、平均値ｄ_γも前記理想値（ｐｄ_γ（１）〜ｐｄ_γ（１５））から離れた値となる。このため、前記平滑化処理が、前記実測値（ｄ_γ（１）〜ｄ_γ（１５））を前記理想値（ｐｄ_γ（１）〜ｐｄ_γ（１５））に完全一致させられなかった一因となり、前記識別率ＤＲ_ｓｐ（ｍ）の平均値（７６．１５［％］）が２０［％］以上低くなったと考えられる。

図１３は実験例１の実験結果の説明図であり、縦軸を動作の速度の識別率［％］とし横軸を動作の種類として全１８動作の６セットを実行した際の６種類の動作の３速度の速度別の識別率［％］の折れ線グラフである。
また、図１３に示すように、６種類の動作の３速度の速度別の識別率［％］は、「動作Ｆ（速い）」が約４０［％］であるが、「動作Ｆ（速い）」以外の１７動作が約６０［％］から約９０［％］の範囲内であることがわかる。なお、６種類の動作の３速度の速度別の識別率ＤＲ_ｓｐ（ｍ）の平均値は、「速い」が７４．１２［％］、「普通」が７８．３０［％］、「遅い」が７６．０５［％］であった。

図１４は実験例１の実験結果の説明図であり、縦軸を電圧［ｍＶ］とし横軸を時間［ｓ］として６種類の動作を実際に順次実行した際の６ｃｈの筋電センサからの表面筋電位のグラフの一例である。
ここで、図１４に示すように、「動作Ｆ」を実行した際の６ｃｈの筋電センサからの表面筋電位は、３ｃｈの最大値が０．５［ｍＶ］となる以外に目立つ値がなく、他の５動作を実行した際の６ｃｈの筋電センサからの表面筋電位に比べ、相対的に電圧値［ｍＶ］が小さいことがわかる。このため、「動作Ｆ（速い）」を実行した際の入力値のフレームごとの変化が小さく、識別率［％］が約４０［％］と極端に低くなったものと考えられる。
このため、識別率［％］を向上させるためには、「動作Ｆ」を実行した際に表面筋電位が変化する他の測定位置に新たな筋電センサを追加することが効果的であると考えられる。

図１５は実験例１の実験結果の説明図であり、動作の立ち上がりからの推定遅れを時間の経過に伴う識別率の推移によって示す説明図であり、動作開始からの経過時間による６種類の動作の３速度の識別率の推移をセット別で示した表の説明図である。
図１６は縦軸を識別率［％］とし横軸を時間［ｍｓ］として図１５の表の値に基づく動作開始からの経過時間による６種類の動作の３速度の識別率の推移を示すグラフである。
また、図１５、図１６に示すように、６セットを実行した際の実験例１の６種類の動作の３速度の識別率ＤＲ_ｓｐ（ｍ）は、各動作の立ち上がり、すなわち、各動作に伴う表面筋電位信号の受信開始から１０［ｍｓ］後、３０［ｍｓ］後、５０［ｍｓ］後、１００［ｍｓ］後、１５０［ｍｓ］後の各タイミングを経過する度に、高くなっていくことがわかる。すなわち、前記識別率ＤＲ_ｓｐ（ｍ）は、１，３，５，１０，１５フレーム分のシフト時間が経過する度に、高くなっていくことがわかる。

なお、６種類の動作の３速度の各タイミングごとの識別率ＤＲ_ｓｐ（ｍ）の平均値は、各動作の開始から１０［ｍｓ］後が１１．１９［％］、３０［ｍｓ］後が２６．３１［％］、５０［ｍｓ］後が３８．１６［％］、１００［ｍｓ］後が５８．１６［％］、１５０［ｍｓ］後が６３．４０［％］であった。
よって、１００［ｍｓ］後から１５０［ｍｓ］後にかけて、識別率ＤＲ_ｓｐ（ｍ）の平均値の変化が緩やかになっており、識別率ＤＲ_ｓｐ（ｍ）の平均値の上昇が収束し始めていることがわかる（図１４参照）。なお、上限値となる７６．１５［％］に対する達成度［％］は、各動作の開始から１００［ｍｓ］後が７６．３７［％］（（５８．１６）／（７６．１５）×１００≒７６．３７［％］）、１５０［ｍｓ］後が８３．２６［％］であった（（６３．４０）／（７６．１５）×１００≒８３．２６［％］）。このため、各動作の開始から１００［ｍｓ］後には、６種類の動作の３速度の識別をほぼ達成していることがわかる。

ここで、図１５に示す表において、ＤＲ_ｓｐ（ｍ）＝０［％］以外の動作は、動作の種類の識別率が１００［％］である。このため、６種類の動作の各タイミングごとの識別率ＤＲ（ｍ）についても演算することができ、各動作の開始から１０［ｍｓ］後が１７．４６［％］、３０［ｍｓ］後が３９．６８［％］、５０［ｍｓ］後が５３．９７［％］、１００［ｍｓ］後が８０．１６［％］、１５０［ｍｓ］後が８８．０９［％］となる。なお、上限値となる９８．４２［％］に対する達成度［％］は、各動作の開始から１００［ｍｓ］後が８１．４５［％］（（８０．１６）／（９８．４２）×１００≒８１．４５［％］）、１５０［ｍｓ］後が８９．４２［％］であった（（８８．０９）／（９８．４２）×１００≒８９．４２［％］）。

よって、実験例１では、動作開始から１００［ｍｓ］程度で、動作の種類だけの識別ならば８割程度、動作の速度も同時に識別するならば６割程度の識別率で、識別できることがわかる。すなわち、実験例１では、動作開始から１００［ｍｓ］程度で、６動作の識別ならば８割程度、６動作３速度の１８動作の識別ならば６割程度の識別率で、識別できることがわかる。したがって、実験例１の前記動作識別システムＳは、被験者の３６個のサンプルデータ（１８動作を２セット）という少ない学習量で、高い識別率が得られたことがわかる。
なお、前記表面筋電位信号は、前記被験者の実際の動作に伴う筋肉の収縮より３０［ｍｓ］〜１００［ｍｓ］早く観測される。したがって、実験例１の前記動作識別システムＳでは、実際の動作に伴う筋肉の収縮開始とほぼ同時、すなわち、リアルタイムに、６動作の識別ならば８割程度、６動作３速度の１８動作の識別ならば６割程度の識別率で、識別できることがわかる。

また、実験例１では、各動作の立ち上がりから時間が経過する程、識別率が高くなっていくため、あるタイミングの前後で識別結果が変化した場合、変化前の識別結果より変化後の識別結果のほうが正解である可能性が高いことになる。このため、実験例１の前記動作識別システムＳは、例えば、筋肉の収縮前に、１８動作を一旦識別した後も動作識別処理を継続し、筋肉の収縮開始直後の識別結果が収縮前の識別結果から変化した場合に、前記収縮前の識別結果が誤りであると判別して、前記収縮開始直後の識別結果に修正をするという方法を採用すれば、リアルタイム性を保持したまま１８動作の識別率をさらに向上させることも可能である。
さらに、実験例１では、前記結合荷重学習処理（図９のＳＴ１４参照）を実行しておらず、前記６０４８０種類の結合荷重の値ω_γｉｊ ^μ，νおよび前記４８種類の閾値ｈ_ｉ ^γが、初期値のまま被験者の動作を識別している。このため、実施例１のように、前記結合荷重学習処理を実行して、前記初期値を更新してゆけば、前記被験者の１８動作を、リアルタイムで、且つ、さらに高い識別率で識別することが可能となる。

この結果、実施例１の前記動作識別システムＳは、識別率を高めるための結合荷重の初期値の学習、いわゆる、初期学習に大量の学習量を予め必要とする前記統計的手法に基づいて動作を識別する非特許文献１、２等の技術に比べ、初期学習に予め必要な学習量（提供するサンプル数）を低減することができる。したがって、実施例１の前記動作識別システムＳは、非特許文献１、２等の技術に比べ、前記被験者が交代する度に実行される初期学習（再学習）に予め必要な学習量を低減することができ、被験者に対する事前の負担を低減することができる。
なお、実施例１では、学習能力（汎化能力）が高い前記選択的不感化ニューラルネットＮにより、前記被験者の動作を識別している。また、実施例１の８種類の入力値Ｎ_ｉ（ｐ），Ｎ_ａ（ｐ），Ｎ_ｄ（ｐ）は、６個の筋電センサＳＮ１〜ＳＮ６の出力信号（表面筋電位信号）からノイズ（誤差、個人差、個体差）が除去されて演算されている（図１０のＳＴ１０４〜ＳＴ１０６、式（４）等参照）。よって、実施例１の前記動作識別システムＳは、万人に適合する結合荷重を設定し易くなっている。このため、実施例１の前記動作識別システムＳは、被験者以外の第三者の動作をサンプルとして初期学習しても、被験者の動作を精度良く識別できる可能性がある。すなわち、前記被験者自身の動作をサンプルとして初期学習しなくても、前記被験者の動作を精度良く識別することが期待できる。

また、実施例１の前記動作識別システムＳは、６動作の識別ならば、９８．４２［％］以上の高い識別率で識別でき、１００［ｍｓ］以内というリアルタイム性を要求しても、８割以上の高い識別率を維持することができ、識別時間という点においても実用的である。また、６動作３速度の１８動作の識別ならば、追加学習をしなくても、７６．１５［％］以上の高い識別率を維持することができ、１００［ｍｓ］以内というリアルタイム性を要求しても、６割以上の識別率で識別できる。
したがって、実施例１の前記動作識別システムＳは、多数の動作や速度を識別しても必要な学習量が急増することがないため、増加した動作の種類や速度の分だけ大量の学習量がさらに必要となる非特許文献１、２等の技術に比べ、少ない学習量で前記被験者の動作を識別することができる。

さらに、実施例１の前記動作識別システムＳは、識別する動作の種類や速度が増加しても、増加した動作の種類や速度の特徴を抽出する複雑な特徴抽出処理等を実行する必要がない。
したがって、実施例１の前記動作識別システムＳは、多数の動作や速度を識別するための前記特徴抽出処理が複雑化してリアルタイム性を損なう可能性ある非特許文献１、２等の技術に比べ、動作の種類や速度が増加してもリアルタイム性を損なわずに被験者の動作を識別することができる。
これらの結果から、実施例１の前記動作識別システムＳは、（１）多数の動作を、（２）速度の推定と共に、（３）高い識別率をもって、（４）少ないサンプル数で、（５）リアルタイムに識別できる。

（変更例）
以上、本発明の実施例を詳述したが、本発明は、前記実施例に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内で、種々の変更を行うことが可能である。本発明の変更例（Ｈ01）〜（Ｈ017）を下記に例示する。
（Ｈ01）前記実施例では、６個の筋電センサＳＮ１〜ＳＮ６を使用して（ｍ＝６）、選択的不感化ニューラルネットＮの入力素子群Ｇ_ｉ ^１および中間素子群Ｇ_μ，ν ^２の素子の数をそれぞれ３０個とし（ｎ＝３０）、出力素子群Ｇ_γ ^３の素子の数を８個とし（ｎ′＝８）として、被験者の６種類の動作の種類を識別したが（ｍ′＝６、「基本姿勢」を除く）、ｍ，ｎ，ｍ′，ｎ′の値についてはこれに限定されず、任意の値に変更可能である。例えば、被験者の膝の屈曲・伸展を識別する場合には、２個の筋電センサＳＮ１，ＳＮ２を使用して（ｍ＝２）、選択的不感化ニューラルネットＮの入力素子群Ｇ_ｉ ^１および中間素子群Ｇ_μ，ν ^２の素子の数をそれぞれ１０個とし（ｎ＝１０）、出力素子群Ｇ_γ ^３の素子の数を６個とし（ｎ′＝６）として、被験者の２種類の動作の種類を識別することも可能である（ｍ′＝２、「基本姿勢」を除く）。すなわち、筋電センサを５個以下または７個以上使用したり、各層Ｎａ〜Ｎｂの素子数が任意の数の選択的不感化ニューラルネットＮに適用したり、５以下または７以上の被験者の動作を識別したりすることも可能である。なお、筋電センサを増やして、より多数の動作を識別する場合でも、前記選択的不感化ニューラルネットＮを拡張して識別すれば、筋電センサの増加に対して、計算量の増加が緩やかになり、汎化能力が高く、冗長性も高いため（冗長変数の追加等への耐性も強いため）、少ない学習量、且つ、高い識別率で各動作を識別することが可能である。

（Ｈ02）前記実施例では、前記表面筋電位測定装置Ｕ１の制御部が、６個の筋電センサＳＮ１〜ＳＮ６からの表面筋電位信号の積分表面筋電位信号（ｓ_１〜ｓ_６）を演算して、前記識別用クライアントパソコンＰＣのコンピュータ本体Ｈ１に送信したが、これに限定されず、識別用クライアントパソコンＰＣのコンピュータ本体Ｈ１の制御部で、６個の筋電センサＳＮ１〜ＳＮ６からの表面筋電位信号の積分表面筋電位信号（ｓ_１〜ｓ_６）を演算することも可能である。すなわち、前記識別用クライアントパソコンＰＣに前記表面筋電位測定装置Ｕ１の機能を包含させることも可能であり、例えば、前記表面筋電位測定装置Ｕ１と前記識別用クライアントパソコンＰＣとを一体的に構成した動作識別装置（Ｕ１＋ＰＣ）を作製することも可能である。

（Ｈ03）前記実施例では、前記６種類の積分平均値（ｖ_１〜ｖ_６）を演算するために（式（２−１），（２−２）参照）、１フレームごとのフレーム時間を１５［ｍｓ］とし、前記シフト時間を１０［ｍｓ］としたが、これに限定されず、前記フレーム時間および前記シフト時間を任意に設定することが可能である。なお、前記フレーム時間および前記シフト時間を変更した場合には、実験例１で示す動作の種類および速度の識別率ＤＲ（ｍ），ＤＲ_ｓｐ（ｍ）（ｍ＝１，２，…，６）に影響する可能性がある。また、前記フレーム時間および前記シフト時間を長くし過ぎると、識別結果が実際の動作より遅れてしまう可能性がある。このため、前記識別結果を利用する処理の用途等を考慮して、各用途の処理で要求される識別率やリアルタイム性に応じて前記フレーム時間および前記シフト時間を設定することが好ましい。

（Ｈ04）前記実施例では、前記対応関係情報Ｔの５パターン（式（１９−１）〜（１９−５）参照）に基づいて、前記出力素子群Ｇ_γ ^３（γ＝１，２，…，６）の３個以上の素子が識別フレーム数Ｐｓ以上継続して発火した場合に、対応する動作を識別したが、動作の識別方法はこれに限定されず、例えば、前記出力素子群Ｇ_γ ^３が１フレームでも前記５パターンに一致した場合、すなわち、４個の素子が連続して（隣接して）発火した前記出力素子群Ｇ_γ ^３を検出した場合に、動作識別することも可能である。また、例えば、前記出力素子群Ｇ_γ ^３の３個以上の素子が識別フレーム数Ｐｓ以上継続して発火した場合でも、少なくとも２個の素子が連続して発火した場合のみ動作識別したり、発火した素子が全て連続している場合のみ動作識別したりすることも可能である。

（Ｈ05）前記実施例の動作識別システムＳでは、複数の動作を同時実行した場合、いわゆる、複合動作を実行した場合には、前記複合動作を１度も学習させていないにも関わらず、どの動作とどの動作の組合せであるかを識別できる可能性がある。例えば、手首を屈曲しながら手を握った場合に、「手首屈曲」と「手を握る」組合せであると識別できる可能性があり、前記複合動作を学習させれば、より高い識別率で前記複合動作を識別させることも期待できる。このため、前記実施例では、３個以上の素子が識別フレーム数Ｐｓ以上継続した前記出力素子群Ｇ_γ ^３が複数存在する場合には、対応する複数の動作を同時実行したと識別させているが、これに限定されず、例えば、対応する複数の動作のどちらを実行したかが不明であるとして、「識別不可」と識別したり、識別せずに「基本姿勢」の状態を維持したりすることも可能である。

（Ｈ06）前記実験例１では、１８動作（６動作３速度）、２セットの３６個のサンプルデータを初期学習するという条件で動作の種類および速度の識別率ＤＲ（ｍ），ＤＲ_ｓｐ（ｍ）（ｍ＝１，２，…，６）等を測定したが、初期学習するサンプルデータ数はこれに限定されず、例えば、６動作のみの識別であれば、３５個以下のサンプルデータを初期学習したり、初期状態から１８動作をより高い識別率でしたい場合やより多くの動作や速度を識別したい場合には、３７個以上のサンプルデータを初期学習することも可能である。この場合、実用性を考慮して、被験者に対する事前の負担が大きくならない程度にサンプルデータ数を設定することが好ましい。

（Ｈ07）前記実施例では、識別された前記被験者の動作の開始時期、種類および速度を、前記動作識別画像２の表示部２ａ（図８参照）に記載して、前記識別用クライアントパソコンＰＣのディスプレイＨ２にリアルタイムで表示したが、これに限定されず、例えば、識別された前記被験者の動作の種類および速度に基づいて、義手・義肢等で識別動作・識別速度をリアルタイムに再現（例えば、義手ならば手を握る等、義肢ならば膝の曲げ伸ばし等）したり、ロボットスーツを着用する着用者（装着者、作業者、作業員）が次に行う動作を識別し、識別した動作を補助するパワーアシスト用のモータ等を作動させるために利用することも可能である。具体的には、識別した動作を行うための特定の関節にトルクを付与する特定の前記モータを判別する処理、すなわち、ロボットスーツが有する複数のモータについて、駆動対象となるモータを特定する処理に利用したり、ロボットスーツで識別動作を識別速度より若干高速（例えば、１０［％］〜４０［％］程度高速）でリアルタイムに再現（例えば、重い荷物を持ち上げる動作等）して装着者（作業者）の識別動作のパワーアシストをしたりすることも可能である。また、例えば、識別された前記被験者の動作の種類および速度に応じて、バーチャルリアリティ装置としての前記識別用クライアントパソコンＰＣのディスプレイＨ２上の画像をリアルタイムに更新する等の制御を実行することも可能である。

（Ｈ08）前記実施例では、前記被験者の６動作３速度の１８動作（「基本姿勢」を含めると１９動作）を識別したが、識別するのは動作の種類および速度に限定されず、例えば、前記出力素子群Ｇ_γ ^３に動作の角度を識別するための素子を別途追加することにより（例えば、前記出力素子群Ｇ_γ ^３に６個の素子を追加して１２個の素子で構成することにより）、動作の角度についても識別することを期待できる。また、例えば、前記出力素子群Ｇ_γ ^３に動作の加速度を識別するための素子も同様に別途追加するにより、動作の加速度についても識別することを期待できる。この場合、動作の種類（種類情報）、速度（速度情報）だけでなく、角度（角度情報）や加速度（加速度情報）についても同時に識別することが期待できる。

（Ｈ09）前記実施例では、対応関係情報Ｔの５パターンを、種類の筋電センサＳＮ１〜ＳＮ６からの６種類の表面筋電位信号と６動作３速度の１８動作とに基づいて設定しているが（式（１７），（１８），（１９−１）〜（１９−５），（２０−１），（２０−２）等参照）、対応関係情報Ｔの設定方法についてはこれに限定されず、例えば、各動作の速度情報としての速度センサや加速度センサの信号（時間経過により速度・加速度の値が変化する波形）に基づくアナログ値に基づいてより正確に設定することも可能である。この場合、表面筋電位信号と１８動作とに基づいて対応関係情報Ｔの５パターンを設定する場合に比べ、初期学習等の学習効率が向上することが期待でき、識別率をさらに向上させることが期待できる。

（Ｈ010）前記実施例では、６種類の筋電センサＳＮ１〜ＳＮ６からの６種類の表面筋電位信号に基づく８種類の入力値Ｎ_ｉ（ｐ），Ｎ_ａ（ｐ），Ｎ_ｄ（ｐ）を、選択的不感化ニューラルネットＮに入力して、被験者の６動作３速度の１８動作を識別したが、入力値については、表面筋電位信号に基づく値に限定されず、例えば、速度センサや加速度センサの信号に基づく入力値も、選択的不感化ニューラルネットＮに入力することも可能である。この場合、表面筋電位信号に基づく入力値Ｎ_ｉ（ｐ），Ｎ_ａ（ｐ），Ｎ_ｄ（ｐ）のみで動作を識別する場合に比べ、識別率をさらに向上させることができる可能性がある。

（Ｈ011）前記実施例では、識別された動作に応じた出力素子群Ｇ_γ ^３のフレームごとの識別値ｄ_γ（ｐ_γ）の平均値ｄ_γ（γ＝１，２，…，６，ｄ_γ＝｛ｄ_γ（１）＋ｄ_γ（２）＋…＋ｄ_γ（Ｐｓ）｝／Ｐｓ）が、２．５≦ｄ_γ≦３．５となる場合に「速い」と識別し、３．５＜ｄ_γ＜５．５の場合に「普通」と識別し、５．５≦ｄ_γ≦６．５の場合に「遅い」と識別したが、これに限定されず、「速い」と「普通」との識別範囲を分ける境界値（３．５）や、「普通」と「遅い」との識別範囲を分ける境界値（５．５）については任意の値を設定できる。また、動作の速度の識別方法については、「速い」、「普通」、「遅い」の３段階で識別することに限定されず、例えば、２段階や４段階以上で識別することも可能である。例えば、２．５≦ｄ_γ＜３．５の場合を「高速」、３．５≦ｄ_γ＜４．５の場合を「やや高速（中高速）」、４．５≦ｄ_γ＜５．５の場合を「中速」、５．５≦ｄ_γ≦６．５の場合を「低速」と識別することにより、４段階で識別することも可能である。また、例えば、前記平均値ｄ_γ自体を速度を示す数値として識別したり、前記平均値ｄ_γに応じて演算された速度［ｍ／ｓ］を識別することも可能である。

（Ｈ012）前記実施例では、式（５）に示す６種類の誤差除去値ＡＩＥＭＧεｉ（ｐ），（ｐ＝１，２，…）の合計値ＡＩＥＭＧ_ａｌｌ（ｐ）に基づく入力値Ｎ_ａ（ｐ）を、多重不感化のための合計用入力素子群Ｇ_８ ^１の素子の値ｘ_１ ^８〜ｘ_３０ ^８に入力したが、これに限定されず、例えば、６種類の誤差除去値ＡＩＥＭＧεｉ（ｐ）のノルム（２乗和のルート）に基づく入力値を入力することも可能である。なお、合計値ＡＩＥＭＧ_ａｌｌ（ｐ）に替わるノルムＡＩＥＭＧ_ａｌｌ（ｐ）′については、以下の式（５）′により示される。
ＡＩＥＭＧ_ａｌｌ（ｐ）′
＝｛（ＡＩＥＭＧε_１（ｐ））^２
＋（ＡＩＥＭＧε_２（ｐ））^２
＋…
＋（ＡＩＥＭＧε_６（ｐ））^２｝^１／２ …式（５）′
また、例えば、予め設定された２種類の誤差除去値ＡＩＥＭＧεｉ（ｐ）の差分値に基づく入力値を入力することも可能である。さらに、第１の誤差除去値ＡＩＥＭＧε１（ｐ）を残りの誤差除去値ＡＩＥＭＧεｉ（ｐ）（ｉ＝２，３，…，６）で減算した差分値に基づく入力値を入力することも可能である。なお、前記差分値をＡＩＥＭＧ_ｄｉｆ（ｐ）′とした場合、合計値ＡＩＥＭＧ_ａｌｌ（ｐ）に替わる差分値ＡＩＥＭＧ_ｄｉｆ（ｐ）′については、以下の式（５）″により示される。
ＡＩＥＭＧ_ｄｉｆ（ｐ）′＝ＡＩＥＭＧε_１（ｐ）
−ＡＩＥＭＧε_２（ｐ）
−…
−ＡＩＥＭＧε_６（ｐ） …式（５）″

（Ｈ013）前記実施例では、生体情報の一例としての表面筋電位信号を測定して被験者の動作を識別したが、これに限定されず、例えば、生体情報の一例としての脳波等を測定して被験者の動作を識別することも可能である。
（Ｈ014）前記実施例では、多重不感化のための素子群（多重用素子群）を、合計用入力素子群Ｇ_８ ^１としたが、これに限定されず、例えば、その他の各入力素子群Ｇ_１ ^１〜Ｇ_７ ^１や各中間素子群Ｇ_１，２ ^２〜Ｇ_７，６ ^２のいずれか１つまたは複数とすることも可能である。なお、複数の素子群Ｇ_１ ^１〜Ｇ_８ ^１，Ｇ_１，２ ^２〜Ｇ_７，６ ^２を多重用素子群として選択した場合、多重用素子群が複数となり、前記実施例１のような二重不感化でなく、三重不感化以上の多重不感化となる。例えば、二重不感化のための多重用素子群を合計用入力素子群Ｇ_８ ^１とし、三重不感化のための多重用素子群を差分用入力素子群Ｇ_７ ^１とした場合、入力素子群Ｇ_νの素子の値（ｘ_ｉ ^μ）が二重不感化された値｛（ｘ_ｉ ^μ）×（ｇ_ｊ ^μ，ν）×（ｇ_ｋ ^{μ，ν，８}）｝と、三重不感化のための差分用出力感度の値（ｇ_ｋ′ ^{μ，ν，７}），（ｋ′＝σ″（ｉ）、すなわち、ｋ′は乱数）との積｛（ｘ_ｉ ^μ）×（ｇ_ｊ ^μ，ν）×（ｇ_ｋ ^{μ，ν，８}）×（ｇ_ｋ′ ^{μ，ν，７}）｝を演算することにより、三重不感化が行われ、四重不感化以上の多重不感化も同様に行うことで可能となる。

（Ｈ015）前記実施例では、入力素子群Ｇ_νの素子の値（ｘ_ｉ ^μ）と出力感度の値（ｇ_ｊ ^μ，ν）との積｛（ｘ_ｉ ^μ）×（ｇ_ｊ ^μ，ν）｝を演算して選択的不感化をした後、合計用出力感度の値（ｇ_ｋ ^{μ，ν，８}）との積｛（ｘ_ｉ ^μ）×（ｇ_ｊ ^μ，ν）×（ｇ_ｋ ^{μ，ν，８}）｝を演算して二重不感化したが、式（１３）に示すように、演算の順番についてはこれに限定されず、例えば、入力素子群Ｇ_νの素子の値（ｘ_ｉ ^μ）と合計用出力感度の値（ｇ_ｋ ^{μ，ν，８}）との積｛（ｘ_ｉ ^μ）×（ｇ_ｋ ^{μ，ν，８}）｝を演算して選択的不感化をした後、出力感度の値（ｇ_ｊ ^μ，ν）との積｛（ｘ_ｉ ^μ）×（ｇ_ｋ ^{μ，ν，８}）×（ｇ_ｊ ^μ，ν）｝を演算して二重不感化をしたり、入力素子群Ｇ_νの素子の値（ｘ_ｉ ^μ）と、出力感度の値（ｇ_ｊ ^μ，ν）と合計用出力感度の値（ｇ_ｋ ^{μ，ν，８}）との積｛（ｇ_ｊ ^μ，ν）×（ｇ_ｋ ^{μ，ν，８}）｝と、の積｛（ｘ_ｉ ^μ）×（ｇ_ｊ ^μ，ν）×（ｇ_ｋ ^{μ，ν，８}）｝を演算して二重不感化をしたり、入力素子群Ｇ_νの素子の値（ｘ_ｉ ^μ）と出力感度の値（ｇ_ｊ ^μ，ν）と合計用出力感度の値（ｇ_ｋ ^{μ，ν，８}）との積｛（ｘ_ｉ ^μ）×（ｇ_ｊ ^μ，ν）×（ｇ_ｋ ^{μ，ν，８}）｝を同時に演算して二重不感化をしたりすることも可能である。

（Ｈ016）前記実施例の動作識別システムＳでは、表面筋電位信号を測定して被験者の動作を識別したが、これに限定されず、例えば、障害者の失った手足の動作の種類と速度とを推定することも可能である。具体的には、手を失った被験者に対し、実施例１と同様に、前記被験者の前腕の前記６箇所の測定位置に前記６個の筋電センサＳＮ１〜ＳＮ６を貼り付けて表面筋電位信号を測定することにより、表面筋電位信号は前記被験者の動作意思に応じて変化するため、被験者が失った手で行いたかった動作の種類と速度とを推定することが可能となり、失った手による実際の動作がない場合でも被験者の動作意思を推定することが可能となる。

（Ｈ017）前記実施例の動作識別システムＳでは、測定された表面筋電位信号から被験者の動作を識別したが、本願発明の分類推定システムが推定可能な分類情報についてはこれに限定されず、例えば、撮像された映像信号から人間・動物の動作を推定したり、測定された脳波信号から静止した人間・動物・植物の意思を推定したり、測定された温湿度から非生物の物体の状態を推定したり、測定された温湿度等から天候や自然現象を推定したり、収集された立地条件等の情報から不動産価格を推定したり、収集された各国の経済指標・金融政策等の情報から為替や株価等を推定したりすることも可能である。すなわち、抽出された情報からあらゆる事象を推定することが可能である。具体的には、実施例１と同様に、時間ごとに値が変化する波形信号としての前記各情報（映像信号、脳波信号、温度・湿度、立地条件、経済指標・金融政策等）の積分値（ｓ_ｉ）の積分平均値（ｖ_ｉ）をシフト時間ごとに演算し、前記積分平均値（ｖ_ｉ）の合計値と前記合計値のフレームごとの差分値とを演算して（式（５）、式（６）参照）、積分平均値・差分値・合計値に基づく入力値（Ｎ_ｉ（ｐ），Ｎ_ｄ（ｐ），Ｎ_ａ（ｐ））を演算することにより（式（７−１）〜式（８−３）参照）、表面筋電位信号と同様に、多重不感化が可能な前記選択的不感化ニューラルネットＮ（図５参照）に入力値（Ｎ_ｉ（ｐ），Ｎ_ｄ（ｐ），Ｎ_ａ（ｐ））を入力することができ、あらゆる事象（動作、意思、状態、天候や自然現象、不動産価格、為替や株価等）を推定することが可能となる。

本発明の前記動作識別システムＳおよび前記動作識別プログラムＡＰ１は、例えば、障害者の失った手足による日常の動作を補うために、義手・義肢等で識別動作・識別速度をリアルタイムに再現する場合や、筋肉への負担が大きい作業員（作業者、肉体労働者）等の支援のために、ロボットスーツを着用する前記作業員が次に行う動作を識別し、識別した動作を補助するパワーアシスト用のモータ等を作動させるために利用する場合や、体感型ゲームマシン等のバーチャルリアリティ装置やその他のヒューマンインタフェース装置等の制御にも利用する場合に有用である。

Claims (10)

1. 第１の情報に基づく第１入力変数の値が入力される複数の入力素子により構成された第１入力素子群と、第２の情報に基づく第２入力変数の値が入力される複数の入力素子により構成された第２入力素子群と、を有する入力素子群と、
   前記第１入力素子群の各入力素子の値と、前記第２入力素子群の各入力素子の値に基づいて一部の値がゼロになるように演算された各第１出力感度の値と、予め設定された多重用素子群の各素子の値に基づいて一部の値がゼロになるように演算された各第１多重用出力感度の値と、の積算を少なくとも含む第１の多重不感化がなされて、前記第１入力素子群の各入力素子の値の一部の値がゼロにされた第１中間変数の値が入力される複数の中間素子により構成された第１中間素子群、を有する中間素子群と、
   前記第１中間素子群の各中間素子の値と前記各中間素子の値の重視度合いに応じて予め設定された各結合荷重の値とに基づいて演算された出力変数の値が入力される複数の出力素子により構成された出力素子群と、
   分類対象としての複数の分類情報と、分類情報ごとに対応する前記出力変数の値と、の対応関係を特定する対応関係情報を記憶する対応関係情報記憶手段と、
   前記対応関係情報記憶手段に予め記憶された前記対応関係情報と、演算された前記出力変数の値と、に基づいて、入力された前記第１の情報および前記第２の情報に応じた前記分類情報を推定する分類情報推定手段と、
   前記分類情報推定手段によって推定された前記分類情報を表示する分類情報表示手段と、
   を備えたことを特徴とする分類推定システム。
2. 前記第２入力素子群の各入力素子の値と、前記第１入力素子群の各入力素子の値に基づいて一部の値がゼロになるように演算された各第２出力感度の値と、前記多重用素子群の各素子の値に基づいて一部の値がゼロになるように演算された各第２多重用出力感度の値と、の積算を少なくとも含む第２の多重不感化がなされて、前記第２入力素子群の各入力素子の値の一部の値がゼロにされた第２中間変数の値が入力される複数の中間素子により構成された第２中間素子群、を有する前記中間素子群と、
   前記各中間素子群の各中間素子の値と前記各中間素子の値の重視度合いに応じて予め設定された各結合荷重の値とに基づいて演算された前記出力変数の値が入力される前記出力素子群と、
   を備えたことを特徴とする請求項１に記載の分類推定システム。
3. 前記分類情報推定手段により推定された前記分類情報と、前記分類情報推定手段により前記分類情報が推定される際に入力された前記第１の情報および前記第２の情報が測定された実際の分類情報との相違に基づいて、前記各結合荷重の値を更新することにより、前記各結合荷重の値を学習する結合荷重学習手段と、
   を備えたことを特徴とする請求項１または２に記載の分類推定システム。
4. 前記多重用素子群の各素子の値が、前記第１の情報と、前記第２の情報と、に基づいて演算された
   ことを特徴とする請求項１ないし３のいずれかに記載の分類推定システム。
5. 前記分類情報を被検体の動作意思とし、前記第１の情報および前記第２の情報を前記動作意思に伴う前記被検体の生体信号とした場合に、前記被検体に配置された第１測定位置における前記生体信号を測定する第１測定部と、前記被検体に配置された前記第１測定位置と異なる第２測定位置における前記生体信号を測定する第２測定部と、を有する測定部材と、
   を備えたことを特徴とする請求項１ないし４のいずれかに記載の分類推定システム。
6. 前記動作意思に伴う前記被検体の筋群の活動である筋活動に基づく電位の変化の情報である筋電位信号のうちの前記被検体の皮膚における前記筋電位信号を表面筋電位信号とし、前記生体信号を前記表面筋電位信号とした場合に、前記皮膚に配置された前記第１測定位置における前記表面筋電位信号を測定する前記第１測定部と、前記皮膚に配置された前記第２測定位置における前記表面筋電位信号を測定する前記第２測定部と、を有する前記測定部材と、
   前記第１測定部からの前記表面筋電位信号の積分値である第１積分値を演算すると共に、前記第２測定部からの前記表面筋電位信号の積分値である第２積分値を演算する積分値演算手段と、
   予め設定されたフレーム時間内の前記第１積分値の平均値である第１積分平均値を予め設定されたシフト時間ごとに演算すると共に、前記フレーム時間内の前記第２積分値の平均値である第２積分平均値を前記シフト時間ごとに演算する積分平均値演算手段と、
   前記第１の情報を前記第１積分平均値とし、前記第２の情報を前記第２積分平均値とした場合に、前記第１積分平均値に基づく前記第１入力変数の値が前記シフト時間ごとに入力される前記第１入力素子群と、前記第２積分平均値に基づく前記第２入力変数の値が前記シフト時間ごとに入力される前記第２入力素子群と、を有する前記入力素子群と、
   を備えたことを特徴とする請求項５に記載の分類推定システム。
7. 前記動作意思によって特定される動作の種類の情報である種類情報と、前記動作の力の情報である力情報と、を有する前記分類情報を推定する前記分類情報推定手段、
   を備えたことを特徴とする請求項５または６に記載の分類推定システム。
8. 前記動作の速度の情報である速度情報であって、前記力情報に基づく前記速度情報、を有する前記分類情報を推定する前記分類情報推定手段、
   を備えたことを特徴とする請求項７に記載の分類推定システム。
9. 前記出力変数の値のうち、第１の動作意思に応じた第１出力変数の値が入力される複数の出力素子により構成された第１出力素子群と、第２の動作意思に応じた第２出力変数の値が入力される複数の出力素子により構成された第２出力素子群と、を有する前記出力素子群と、
   前記第１の動作意思の前記種類情報および前記速度情報と前記第１出力変数の値との対応関係と、前記第２の動作意思の前記種類情報および前記速度情報と前記第２出力変数の値との対応関係と、を特定する前記対応関係情報を記憶する前記対応関係情報記憶手段と、
   前記対応関係情報記憶手段に記憶された前記対応関係情報と、演算された前記第１出力変数の値と、演算された前記第２出力変数の値と、に基づいて、入力された前記第１の情報および前記第２の情報に応じた前記分類情報の前記種類情報および前記速度情報を推定する前記分類情報推定手段と、
   前記分類情報推定手段によって推定された前記分類情報の前記種類情報および前記速度情報を表示する前記分類情報表示手段と、
   を備えたことを特徴とする請求項８に記載の分類推定システム。
10. コンピュータを、
    第１の情報に基づく第１入力変数の値が入力される複数の入力素子により構成された第１入力素子群と、第２の情報に基づく第２入力変数の値が入力される複数の入力素子により構成された第２入力素子群と、を有する入力素子群について、入力された前記第１入力変数の値および前記第２入力変数の値を記憶する入力値記憶手段、
    前記第１入力素子群の各入力素子の値と、前記第２入力素子群の各入力素子の値に基づいて一部の値がゼロになるように演算された各第１出力感度の値と、予め設定された多重用素子群の各素子の値に基づいて一部の値がゼロになるように演算された各第１多重用出力感度の値と、の積算を少なくとも含む第１の多重不感化がなされて、前記第１入力素子群の各入力素子の値の一部の値がゼロにされた第１中間変数の値が入力される複数の中間素子により構成された第１中間素子群、を有する中間素子群について、前記第１中間変数の値を演算する中間値演算手段、
    前記第１中間素子群の各中間素子の値と前記各中間素子の値の重視度合いに応じて予め設定された各結合荷重の値とに基づいて演算された出力変数の値が入力される複数の出力素子により構成された出力素子群について、前記出力変数の値を演算する出力値演算手段、
    分類対象としての複数の分類情報と、分類情報ごとに対応する前記出力変数の値と、の対応関係を特定する対応関係情報を記憶する対応関係情報記憶手段、
    前記対応関係情報記憶手段に予め記憶された前記対応関係情報と、演算された前記出力変数の値と、に基づいて、入力された前記第１の情報および前記第２の情報に応じた前記分類情報を推定する分類情報推定手段、
    前記分類情報推定手段によって推定された前記分類情報を表示する分類情報表示手段、
    として機能させることを特徴とする分類推定プログラム。