JPH08206085A - 自律神経活動分類装置 - Google Patents

Abstract

(57)【要約】 【目的】 統計的構造組み込み型ニューラルネットワー
クモデルを利用して、自律神経活動の状態の分類を高速
に行えるようにする。 【構成】 自律神経指標値データ頻度分布作成部１６は
自律神経指標値データを利用して自律神経指標値の頻度
分布に関するデータを生成し、頻度分布形状パラメータ
推定部１７は頻度分布の形状を特徴付けるパラメータを
推定し、初期値データ生成部１８は自律神経活動の事後
識別確率に関する初期値データを生成する。統計的構造
組み込み型ニューラルネットワークモデル部１９はある
特定の確率分布を有する有限個のコンポーネントを用い
て自律神経指標値データの母集団の確率分布を表現し、
各コンポーネントのパラメータを学習的に推定し、自律
神経指標値データに対応する自律神経活動の状態の候補
を出力する。自律神経活動分類部２０は被験者の自律神
経活動の状態をいくつかの段階に分類する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は自律神経活動分類装置に
関し、特に自律神経指標値データを利用して自律神経活
動を自動的にかつ高速に分類する自律神経活動分類装置
に関する。

【０００２】

【従来の技術】従来、この種の自律神経活動解析装置と
しては、例えば、第８回ヒューマン・インタフェース・
シンポジウム論文集、Ｏｃｔ．２１−２３，１９９２，
４７１〜４７４頁に鈴木氏と滝沢氏とが「精神作業負荷
による血圧変動特性のスペクトル解析による評価」と題
して発表した論文に記載されているような装置が知られ
ている。これは、図７に示すような基本構成を持ち、自
律神経指標計測用センサ５１としてのフィナプレスは血
圧測定用、自律神経指標計測用センサ５２としての電極
は心電図用、自律神経指標計測用センサ５３としてのサ
ーミスタは呼吸測定用に使われる。自律神経指標計測用
センサ５２および５３は、それぞれ自律神経指標計測部
４１としての生体用アンプ（ＨｉＣｕｔ ３０Ｈｚ，時
定数０．１ｍｓｅｃ）およびアンプ（ＨｉＣｕｔ ５Ｈ
ｚ，時定数５．２ｍｓｅｃ）を介して、自律神経指標信
号記録・再生部４２としてのデータレコーダーに記録さ
れる。自律神経指標解析部４３は、シグナルプロセッサ
とワークステーションとから構成されている。シグナル
プロセッサでは、自律神経指標信号記録・再生部４２に
記録された自律神経指標信号４２１を用いてＡ／Ｄ変換
を行う。ワークステーションは、例えば、Ａ／Ｄ変換後
の血圧データにデータ圧縮処理あるいはスペクトル解析
を施す。

【０００３】自律神経指標解析部４３で得られる結果
は、すべて、時間あるいは周波数の関数としてグラフ化
される。したがって、実験者は、そのグラフの視察によ
り、自律神経活動が変化した時刻や自律神経活動の変化
による主たる周波数帯のシフトを読み取るに過ぎない。

【０００４】自律神経活動の分類の自動化の試みとし
て、自律神経指標値データに確率分布モデルを当てはめ
る方法が考えられる。この方法は、仮定された確率分布
モデルから計算される対数尤度を最小化する確率分布モ
デルのパラメータを求めるものであり、この最小化問題
に従来の最適化手法を適用しようとすれば、対数尤度の
パラメータに関する（１階と２階の）偏微分を計算しな
ければならない。例えば、確率分布モデルとして、分類
すべき活動状態の数のコンポーネントを有する混合正規
分布モデルを仮定する。この場合の分類すべき活動状態
数Ｋ、推定すべき未知パラメータの数Ｐ、偏微分の計算
回数ＴＣの関係は、 Ｐ＝３（Ｋ−１）＋２， ＴＣ＝ Ｐ＋Ｐ（Ｐ＋１）／２ となり、状態数の増加とともに、偏微分の計算回数は増
えていく。さらに、状態数が多い場合、従来の最適化手
法で容易に収束するとは考え難く、確率分布モデルのパ
ラメータ推定に要する計算時間は膨大になる。

【０００５】

【発明が解決しようとする課題】上述した従来の自律神
経活動解析装置では、自律神経活動に関するグラフが出
力されるだけで、その結果を実験者が視察により自律神
経活動の変化等を読み取るにすぎないという問題点があ
った。

【０００６】また、自律神経指標値データに確率分布モ
デルを当てはめる場合には、分類すべき自律神経活動の
状態数が増えると、確率分布モデルのパラメータ推定に
要する計算時間が膨大になるという問題点があった。

【０００７】本発明の目的は、統計的構造組み込み型ニ
ューラルネットワークモデルを利用して、分類すべき活
動の状態数が増えても、自律神経指標値データに基づく
確率分布モデルのパラメータ推定に要する計算時間が少
なくてすむようにし、高速な分類を可能とするようにし
た自律神経活動分類装置を提供することにある。

【０００８】

【課題を解決するための手段】本発明の自律神経活動分
類装置は、自律神経指標値データを利用した自律神経活
動分類装置において、自律神経指標値データを利用し
て、自律神経指標値の頻度分布に関するデータを生成す
る自律神経指標値データ頻度分布作成手段と、この自律
神経指標値データ頻度分布作成手段により生成された自
律神経指標値の頻度分布に関するデータを利用して、自
律神経指標値データの頻度分布の形状を特徴付けるパラ
メータを推定する頻度分布形状パラメータ推定手段と、
この頻度分布形状パラメータ推定手段により推定された
自律神経指標値データの頻度分布の形状を特徴付けるパ
ラメータを利用して、自律神経活動の事後識別確率に関
する初期値データを生成する初期値データ生成手段と、
学習モードを備え、入力層，中間層および出力層の３種
類からなり、入力層に、前記自律神経指標値データ頻度
分布作成手段により生成された自律神経指標値の頻度分
布に関するデータと前記初期値データ生成手段により生
成された自律神経活動の事後識別確率に関する初期値デ
ータとを与え、出力層に、ある特定の確率分布を有する
有限個のコンポーネントを用いて自律神経指標値データ
の母集団の確率分布を表現し、各コンポーネントのパラ
メータを学習的に推定するとともに、自律神経指標値デ
ータに対応する自律神経活動の状態の候補を表すデータ
を出力する統計的構造組み込み型ニューラルネットワー
クモデル手段と、統計的構造組み込み型ニューラルネッ
トワークモデル手段より出力される確率分布モデルのパ
ラメータおよび自律神経指標値データに対応する自律神
経活動の状態の候補を表すデータを利用して、被験者の
自律神経活動の状態をいくつかの段階に分類する自律神
経活動分類手段とを有する。さらに、前記自律神経活動
分類手段よる分類結果に基づいて、分類結果が実験者に
とって望ましい結果かどうかを判断し、必要であれば自
律神経指標の振幅値データの区間境界値の変更を前記自
律神経指標値データ頻度分布作成手段に指示して自律神
経活動の分類を再実施させる自律神経指標測定・解析手
続き制御手段を備える。

【０００９】また、本発明の自律神経活動分類装置は、
自律神経指標値データを利用した自律神経活動分類装置
において、自律神経指標値データを利用して、自律神経
指標値の頻度分布に関するデータを生成する自律神経指
標値データ頻度分布作成手段と、０から１までの範囲の
乱数を利用して、自律神経活動の事後識別確率に関する
初期値データを生成する初期値データ生成手段と、学習
モードを備え、入力層，中間層および出力層の３種類か
らなり、入力層に、前記自律神経指標値データ頻度分布
作成手段により生成された自律神経指標値の頻度分布に
関するデータと前記初期値データ生成手段により生成さ
れた自律神経活動の事後識別確率に関する初期値データ
とを与え、出力層に、ある特定の確率分布を有する有限
個のコンポーネントを用いて自律神経指標値データの母
集団の確率分布を表現し、各コンポーネントのパラメー
タを学習的に推定するとともに、自律神経指標値データ
に対応する自律神経活動の状態の候補を表すデータを出
力する統計的構造組み込み型ニューラルネットワークモ
デル手段と、統計的構造組み込み型ニューラルネットワ
ークモデル手段より出力される確率分布モデルのパラメ
ータおよび自律神経指標値データに対応する自律神経活
動の状態の候補を表すデータを利用して、被験者の自律
神経活動の状態をいくつかの段階に分類する自律神経活
動分類手段と、この自律神経活動分類手段よる分類結果
に基づいて、分類結果が実験者にとって望ましい結果か
どうかを判断し、必要であれば自律神経指標の振幅値デ
ータの区間境界値の変更を前記自律神経指標値データ頻
度分布作成手段に指示して自律神経活動の分類を再実施
させる自律神経指標測定・解析手続き制御手段とを有す
る。

【００１０】

【作用】本発明の自律神経活動分類装置では、自律神経
指標値データ頻度分布作成手段が自律神経指標値データ
を利用して、自律神経指標値の頻度分布に関するデータ
を生成し、頻度分布形状パラメータ推定手段が自律神経
指標値データ頻度分布作成手段により生成された自律神
経指標値の頻度分布に関するデータを利用して、自律神
経指標値データの頻度分布の形状を特徴付けるパラメー
タを推定し、初期値データ生成手段が頻度分布形状パラ
メータ推定手段により推定された自律神経指標値データ
の頻度分布の形状を特徴付けるパラメータを利用して、
自律神経活動の事後識別確率に関する初期値データを生
成し、統計的構造組み込み型ニューラルネットワークモ
デル手段が学習モードを備え、入力層，中間層および出
力層の３種類からなり、入力層に、自律神経指標値デー
タ頻度分布作成手段により生成された自律神経指標値の
頻度分布に関するデータと初期値データ生成手段により
生成された自律神経活動の事後識別確率に関する初期値
データとを与え、出力層に、ある特定の確率分布を有す
る有限個のコンポーネントを用いて自律神経指標値デー
タの母集団の確率分布を表現し、各コンポーネントのパ
ラメータを学習的に推定するとともに、自律神経指標値
データに対応する自律神経活動の状態の候補を表すデー
タを出力し、自律神経活動分類手段が統計的構造組み込
み型ニューラルネットワークモデル手段より出力される
確率分布モデルのパラメータおよび自律神経指標値デー
タに対応する自律神経活動の状態の候補を表すデータを
利用して、被験者の自律神経活動の状態をいくつかの段
階に分類する。

【００１１】また、本発明の自律神経活動分類装置で
は、自律神経指標値データ頻度分布作成手段が自律神経
指標値データを利用して、自律神経指標値の頻度分布に
関するデータを生成し、初期値データ生成手段が０から
１までの範囲の乱数を利用して、自律神経活動の事後識
別確率に関する初期値データを生成し、統計的構造組み
込み型ニューラルネットワークモデル手段が、学習モー
ドを備え、入力層，中間層および出力層の３種類からな
り、入力層に、自律神経指標値データ頻度分布作成手段
により生成された自律神経指標値の頻度分布に関するデ
ータと初期値データ生成手段により生成された自律神経
活動の事後識別確率に関する初期値データとを与え、出
力層に、ある特定の確率分布を有する有限個のコンポー
ネントを用いて自律神経指標値データの母集団の確率分
布を表現し、各コンポーネントのパラメータを学習的に
推定するとともに、自律神経指標値データに対応する自
律神経活動の状態の候補を表すデータを出力し、自律神
経活動分類手段が統計的構造組み込み型ニューラルネッ
トワークモデル手段より出力される確率分布モデルのパ
ラメータおよび自律神経指標値データに対応する自律神
経活動の状態の候補を表すデータを利用して、被験者の
自律神経活動の状態をいくつかの段階に分類し、自律神
経指標測定・解析手続き制御手段が自律神経活動分類手
段よる分類結果に基づいて、分類結果が実験者にとって
望ましい結果かどうかを判断し、必要であれば自律神経
指標の振幅値データの区間境界値の変更を自律神経指標
値データ頻度分布作成手段に指示して自律神経活動の分
類を再実施させる。

【００１２】

【実施例】次に、本発明について図面を参照して詳細に
説明する。

【００１３】図１は、本発明の一実施例に係る自律神経
活動分類装置の構成を示すブロック図である。本実施例
の自律神経活動分類装置は、自律神経指標計測用センサ
１０と、自律神経指標計測部１１と、自律神経指標信号
記録制御部１２と、自律神経指標信号記録・再生部１３
と、自律神経指標値データ変換部１４と、変換データ記
録・再生部１５と、自律神経指標値データ頻度分布作成
部１６と、頻度分布形状パラメータ推定部１７と、初期
値データ生成部１８と、統計的構造組み込み型ニューラ
ルネットワークモデル部１９と、自律神経活動分類部２
０と、自律神経指標測定・解析手続き制御部２１とから
構成されている。

【００１４】自律神経指標計測部１１は、自律神経指標
計測用センサ１０を介して入力された自律神経指標を増
幅し、必要とあれば雑音除去のためのフィルタリングな
どの前処理を行い、自律神経指標に関する信号１１１を
出力する。

【００１５】自律神経指標信号記録制御部１２は、自律
神経指標測定・解析手続き制御部２１から出力される自
律神経指標計測開始時刻および終了時刻に関する信号２
１１と、自律神経指標計測部１１から出力される自律神
経指標に関する信号１１１とを用いて、自律神経指標の
記録を開始する時刻になってから終了する時刻まで、自
律神経指標信号記録・再生部１３に自律神経指標に関す
る信号１２１を出力する。

【００１６】自律神経指標信号記録・再生部１３は、自
律神経指標信号記録制御部１２より出力された自律神経
指標に関する信号１２１を入力し、記録，保持および再
生する。

【００１７】自律神経指標値データ変換部１４は、自律
神経指標信号記録・再生部１３に記録された自律神経指
標に関する信号１３１を利用して、自律神経指標の振幅
値に関する信号１４１に変換する。

【００１８】変換データ記録・再生部１５は、自律神経
指標値データ変換部１４より出力された自律神経指標の
振幅値に関する信号１４１を入力し、記録，保持および
再生する。

【００１９】自律神経指標値データ頻度分布作成部１６
は、変換データ記録・再生部１５に記録された自律神経
指標の振幅値に関する信号１５１を利用して、自律神経
指標値データの頻度分布に関するデータ１６１を生成す
る。

【００２０】頻度分布形状パラメータ推定部１７は、自
律神経指標値データ頻度分布作成部１６より出力される
自律神経指標値データの頻度分布に関する信号１６１を
利用して、頻度分布の形状を特徴付けるパラメータを推
定する。

【００２１】初期値データ生成部１８は、頻度分布形状
パラメータ推定部１７より出力される頻度分布の形状を
特徴付けるパラメータ（信号）１７１を利用して、自律
神経活動の事後識別確率に関する初期値データ１８１を
計算する。

【００２２】統計的構造組み込み型ニューラルネットワ
ークモデル部１９は、入力層に、自律神経指標値データ
頻度分布作成部１６より出力される自律神経指標値の頻
度分布に関するデータ１６１および初期値データ生成部
１８より出力される自律神経活動の事後識別確率の初期
値データに関する信号１８１を与え、出力層に、ある特
定の確率分布を有する有限個のコンポーネントを用いて
自律神経指標値データの母集団の確率分布を表現し、各
コンポーネントのパラメータ１９１を学習的に推定する
とともに、自律神経指標値データに対応する自律神経活
動の状態の候補を表すデータに関する信号１９２を出力
する。

【００２３】自律神経活動分類部２０は、統計的構造組
み込み型ニューラルネットワークモデル部１９より出力
される確率分布モデルのパラメータに関する信号１９１
および自律神経活動の状態の候補に関する信号１９２を
利用して、被験者の自律神経活動の状態をいくつかの段
階に分類する。

【００２４】自律神経指標測定・解析手続き制御部２１
は、自律神経活動分類部２０より出力された分類結果に
関する信号２０１に基づいて、分類結果が実験者にとっ
て望ましい結果かどうかを判断する。必要とあれば、自
律神経指標の振幅値データの区間境界値の変更に関する
信号２１２を自律神経指標値データ頻度分布作成部１６
に出力し、自律神経活動の分類を再度実施する。

【００２５】自律神経系の活動を反映する生理指標は、
瞳孔面積，血流量，心音図，心電図，心磁図，心拍数，
心拍間隔，心拍ゆらぎ，指尖脈波，血圧，唾液分泌量，
唾液分泌速度，呼吸流量，呼気成分，皮膚抵抗値，胃液
ｐＨ，体温，呼吸数，発汗量，発汗速度，脳波，脳磁
図，血糖値，血中ホルモン濃度などがある。以下では、
指尖脈波が入力データとして用いられる場合を例とし
て、自律神経指標値の計測部分および分類結果の表示部
分を含めた実際の利用形態を説明する。

【００２６】例えば、自律神経指標計測用センサ１０と
して日本電気三栄株式会社製の脈拍ピックアップ（指尖
用）４５２６１等、自律神経指標計測部１１として生体
電気用増幅ユニット１２５３Ａなどの生体電気現象用ア
ンプを用いる。自律神経指標計測用センサ１０は指（例
えば、人差指）先に装着させる。これらにより、指尖脈
波を電圧変化として得ることができるので、この電圧変
化を、日本電気株式会社製のＰＣ−９８２１Ａｆ等のパ
ーソナルコンピュータに装着したカノープス電子株式会
社製ＡＤＸ−９８Ｅ等のＡ／Ｄコンバータボードを介し
てデジタル信号１１１に変換することができる。

【００２７】指尖脈波測定の準備が終了したならば、指
尖脈波の測定を実施する。測定は、自律神経指標測定・
解析手続き制御部２１に設定された手続きに従って進め
られる。測定を開始してから設定された時間（例えば、
３０分間）の指尖脈波の信号が、自律神経指標信号記録
制御部１２を介して自律神経指標信号記録・再生部１
３、例えば、磁気ディスク装置，磁気テープ等に記録さ
れる。

【００２８】測定が終了すると、自律神経指標値データ
変換部１４、例えば、ワークステーションあるいはパー
ソナルコンピュータが自律神経指標信号記録・再生部１
３に記録された指尖脈波データを振幅値データに変換す
る。各時刻ｔにおける振幅値ｘ_i （ｉ＝１，２，…，
Ｔ；ｔ＝Δｆ・ｉ；ただし、Δｆはサンプリング周波
数、Ｔはサンプル数）は、例えば、その時刻までのある
時間（例えば、２秒間）の指尖脈波データの最大値と最
小値との差として求めることができる。指尖脈波データ
の振幅値に関する信号１４１は、変換データ記録・再生
部１５、例えば、磁気ディスク装置，磁気テープ等に記
録される。

【００２９】次に、自律神経指標値データ頻度分布作成
部１６、例えば、ワークステーションあるいはパーソナ
ルコンピュータが、変換データ記録・再生部１５に記録
された指尖脈波振幅値データ１５１を基に、以下の手順
で、指尖脈波振幅値データの頻度分布を作成する。

【００３０】予め、自律神経指標値をＮ段階に分割する
区間境界値Ｂ_n （ｎ＝０，１，…，Ｎ）を設定する。自
律神経指標値データｘ_i を順に入力し、 Ｂ_n ≦ｘ_i ≦Ｂ_n+1 （ｎ＝０，１，…，Ｎ−１） ならば、分布度数ｈ（ｎ）の値を１増加させる。すべて
のｘ_i （ｉ＝１，２，…，Ｔ）に同様に手続きを行うこ
とによって、分布度数ｈ（ｎ）（ｎ＝１，２，…，Ｎ）
を求めることができる。さらに、分布度数ｈ（ｎ）を利
用して、相対度数を数１で計算する。

【００３１】

【数１】

【００３２】図３は、ある実験条件の下で実測された指
尖脈波データに上述した方法を適用し、分布度数ｈ
（ｎ）をグラフ化したものである。この実験では、自律
神経活動の状態に応じた視覚誘発電位を精度良く得るた
めに、脳電位データを同時に計測している。各自律神経
活動状態に応じた高品質の視覚誘発電位を得るために、
個々の脳電位データの区間が、「緊張している」、「緊
張していない」のいずれに対応するかを判断したい。そ
のために、指尖脈波データを利用して被験者の自律神経
活動をモニタリングした。したがって、この実験計画に
おいては、自律神経活動の分類すべき数は「緊張してい
る」あるいは「緊張していない」の２つである。そこ
で、以下では、図３の結果も考慮して、２つの正規分布
が重なっている混合正規分布モデルで、自律神経指標値
データ頻度分布作成部１６で求められた指尖脈波振幅値
の頻度分布を近似する。

【００３３】頻度分布形状パラメータ推定部１７、例え
ば、ワークステーションあるいはパーソナルコンピュー
タが、自律神経指標値データ頻度分布作成部１６で得ら
れた指尖脈波振幅値の頻度分布に関する信号１６１（区
間境界値Ｂ_n （ｎ＝０，１，…，Ｎ）および分布度数ｈ
（ｎ）（ｎ＝１，２，…，Ｎ）あるいは相対度数

【外１】 （ｎ）（ｎ＝１，２，…，Ｎ））を利用し、頻度分布の
形状を特徴付けるパラメータを、以下の手順に従って推
定する。

【００３４】図４および図５は、数２で定義される混合
正規分布モデルを例示した図である。

【００３５】

【数２】

【００３６】図４ではα＝０．３，μ₁ ＝０．５，μ₂
＝１．２，σ₁ ＝０．２，σ₂ ＝０．２、図５ではα＝
０．３，μ₁ ＝０．５，μ₂ ＝１．０，σ₁ ＝０．２，
σ₂＝０．２としている。図４では２つの正規分布が離
れている場合（以後、タイプＡという）、図５では２つ
の正規分布が接近している場合（以後、タイプＢとい
う）を例示している。図３はタイプＢの例になってい
る。ここで、図４および図５の混合正規分布のグラフを
連続関数と見做す。このとき、タイプＡ（図４）では２
つの極大点Ｐ₁ とＰ₂ とがそれぞれ平均μ₁ とμ₂ とを
近似し、タイプＢ（図５）では１つの変曲点Ｐ₁ と１つ
の極大点Ｐ₂ とがそれぞれ平均μ₁ とμ₂ とを近似して
いると考えてよい。

【００３７】一般に、任意の微分可能な連続関数ｆ
（ｘ）のｘ＝ｃにおける極大点は数３で定義され、変曲
点は数４かつｘ＝ｃの左側と右側とでｄ² ｆ（ｘ）／ｄ
ｘ² の符号が異なることで定義される。

【００３８】

【数３】

【００３９】

【数４】

【００４０】実際の頻度分布は、離散データであるの
で、分布度数ｈ（ｎ）（ｎ＝１，２，…，Ｎ）の１階微
分および２階微分を、数５および数６で示す（前進）差
分式で算出する。ただし、ｂ（ｎ）は、数７で定義され
る。

【００４１】

【数５】

【００４２】

【数６】

【００４３】

【数７】

【００４４】また、ｂ（Ｎ）−ｂ（Ｎ−１）＝ｂ（Ｎ−
１）−ｂ（Ｎ−２）＝…＝ｂ（２）−ｂ（１）＝Δηな
らば、数５および数６は、数８および数９のように簡略
化される。

【００４５】

【数８】

【００４６】

【数９】

【００４７】以上の手順を含めて、頻度分布形状パラメ
ータ推定部１７は、相対度数

【外２】 （ｎ）のデータを利用して、以下の演算を行う。

【００４８】（１） 分布度数ｈ（ｎ）を、数１０によ
って相対度数に変換する。

【００４９】

【数１０】

【００５０】（２） ｎを１ずつ増やしながら、以下の
手順で、極大点あるいは変曲点を探索する。ただし、
「ｎ＝ｎ_C で極大点」は数１１により、「ｎ＝ｎ_C で変
曲点」は数１２により、それぞれ検出可能である。

【００５１】

【数１１】

【００５２】

【数１２】

【００５３】（３） もし、頻度分布の形状がタイプＡ
ならば、１番目の極大点を

【外３】 ₁ とし、２番目の極大点を

【外４】 ₂ とする。もし、頻度分布の形状がタイプＢならば、最
初に検出された変曲点あるいは極大点を

【外５】 ₁ とし、２番目に検出された極大点あるいは変曲点を

【外６】 ₂ とする。

【００５４】（４） 数１３を解いて、

【外７】 を求める。ただし、数１４とする。

【００５５】

【数１３】

【００５６】

【数１４】

【００５７】（５） σ₁ およびσ₂ の初期値、

【外８】 ₁ および

【外９】 ₂ は、数１５で与える。ただし、Ｋは分類すべき自律神
経活動の状態数とする。

【００５８】

【数１５】

【００５９】次に、初期値データ生成部１８、例えば、
ワークステーションあるいはパーソナルコンピュータ
が、頻度分布形状パラメータ推定部１７で推定されたパ
ラメータ

【外１０】 ，

【外１１】 ₁ ，

【外１２】 ₂ ，

【外１３】 ₁ ，

【外１４】 ₂ を利用して、自律神経活動の事後識別確率に関する初
期値Ｗ_nkm ⁽⁰⁾ （ｎ＝１，２，…，Ｎ；ｋ＝１，２，
…，Ｋ；ｍ＝１，２，…，Ｍ）を数１６で計算する。

【００６０】

【数１６】

【００６１】ただし、

【外１５】 _kmは重み係数であり、数１７を満たすように与える。

【００６２】

【数１７】

【００６３】また、Ｎはデータ数（自律神経指標値デー
タの段階数）、Ｋは分類すべき自律神経活動の状態数、
Ｍは確率分布を構成するコンポーネントの数を表す。

【００６４】なお、本実施例では、Ｋ＝２，Ｍ＝１であ
り、数１８となる。

【００６５】

【数１８】

【００６６】次に、統計的構造組み込み型ニューラルネ
ットワークモデル部１９、例えば、ワークステーション
あるいはパーソナルコンピュータが、自律神経指標値デ
ータ頻度分布作成部１６で得られた指尖脈波振幅値デー
タの頻度分布に関する信号１６１（区間境界値Ｂ_n （ｎ
＝０，１，…，Ｎ）、相対度数

【外１６】 （ｎ）（ｎ＝１，２，…，Ｎ））と、初期値データ生成
部１８で得られた自律神経活動の事後識別確率に関する
初期値データ１８１（Ｗ_nkm ⁽⁰⁾ （ｎ＝１，２，…，
Ｎ；ｋ＝１，２，…，Ｋ；ｍ＝１，２，…，Ｍ））を利
用し、ある特定の確率分布を有する有限個のコンポーネ
ントを用いて自律神経指標値データの母集団の確率分布
を表現し、各コンポーネントのパラメータを学習的に推
定する。この統計的構造組み込み型ニューラルネットワ
ークモデル部１９の動作原理および構造は、以下の通り
である。

【００６７】上記の各コンポーネントに正規分布が用い
られる混合正規分布モデルを有する統計的構造組み込み
型ニューラルネットワークモデルは、例えば、「Ｎｅｕ
ｒａｌ Ｎｅｔｗｏｒｋｓ，Ｖｏｌ．４，１９９１年，
８９〜１０２頁」に、Ｌ．Ｉ．Ｐｅｒｌｏｖｓｋｙ，
Ｍ．Ｍ．ＭｃＭａｎｕｓが「Ｍａｘｉｍｕｍ Ｌｉｋｅ
ｌｉｈｏｏｄ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ｆｏ
ｒ Ｓｅｎｓｏｒ Ｆｕｓｉｏｎ ａｎｄ Ａｄａｐｔ
ｉｖｅ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ」と題して発表
した論文に詳しい。

【００６８】いま、ｄ次元の特徴ベクトル

【外１７】 ∈

【外１８】 ^d をＫ個のクラスに識別（あるいは分類）する問題を考
える。周知の通り、識別に伴う損失を最小にするために
は、ベイズ決定方式を用いればよい。すなわち、もし、
数１９ならばクラスｋを採用する。ただし、ｋ，ｌ＝
１，２，…，Ｋ，ｌ≠ｋで、ｐ（ｋ｜

【外１９】 ）は事後識別確率である。

【００６９】

【数１９】

【００７０】各クラスｋがＭ個のコンポーネントから構
成されていると仮定すれば、数２０である。

【００７１】

【数２０】

【００７２】ベイズの定理を用いて、ｐ（ｋ，ｍ｜

【外２０】 ）は、数２１となる。

【００７３】

【数２１】

【００７４】ここで、

【外２１】 の確率密度関数ｐ（

【外２２】 ）は、数２２で与えられる。ただし、ｐ（

【外２３】 ｜ｋ，ｍ）は、各コンポーネントの確率密度関数であ
る。

【００７５】

【数２２】

【００７６】さらに、事前確率ｐ（ｋ，ｍ）をα_kmと書
き、θ_kmをコンポーネントｋｍの確率密度関数のパラメ
ータとして、ｐ（

【外２４】 ｜ｋ，ｍ）をΨ（

【外２５】 ，θ_km）と書くと、数２１は数２３となる。

【００７７】

【数２３】

【００７８】したがって、パラメータα_km，θ_kmを各コ
ンポーネントについて求めることができれば、数１９，
数２０および数２３を用いて、特徴ベクトル

【外２６】 の識別が可能となる。

【００７９】数２０および数２３の事後識別確率の計算
は、図６に示す３層の階層型ニューラルネットワークモ
デルに展開することができる。

【００８０】入力層はＫ×Ｍ個のユニットから構成さ
れ、各コンポーネントの確率密度関数に基づいて、この
ニューラルネットワークへの入力である特徴ベクトル

【外２７】 のクラスｋ、コンポーネントｍの下での条件付き確率を
出力する。ここで、各コンポーネントの確率密度関数
が、平均

【外２８】 _km∈

【外２９】 ^d 、特徴ベクトル

【外３０】 の各要素が独立で等分散σ_km ² を持つｄ次元正規分布で
あることを仮定すると、入力層の入出力関係は、数２４
と表すことができる。ここで、ｋ＝１，２，…，Ｋ；ｍ
＝１，２，…，Ｍで、ｏ_km ⁽ⁱ⁾ は入力層のユニットｋｍ
の出力を表す。

【００８１】

【数２４】

【００８２】中間層は、入力層の出力の重み係数α_kmを
介して受け取り、数２３に従って、特徴ベクトル

【外３１】 の下でのクラスｋ、コンポーネントｍの事後確率を、数
２５で計算する。ただし、ｋ＝１，２，…，Ｋ；ｍ＝
１，２，…，Ｍである。

【００８３】

【数２５】

【００８４】また、出力層のユニットは線形ユニット
で、数２０に従い、特徴ベクトル

【外３２】 の下でのクラスｋの事後識別確率を、数２６で計算す
る。

【００８５】

【数２６】

【００８６】したがって、ニューラルネットワークのパ
ラメータα_km，

【外３３】 _km，σ_kmを学習的に獲得できれば、特徴ベクトル

【外３４】 のＫ個のクラスへの識別が可能となる。

【００８７】ニューラルネットワークは、Ｎ個の観測サ
ンプル

【外３５】 _n （ｎ＝１，２，…，Ｎ）をもとに、以下の手順に従っ
て学習を行う。

【００８８】まず、与えられた観測サンプルに対して、
最尤法を用いてパラメータα_km，

【外３６】 _km，σ_kmを求めることを考える。すなわち、数２７に示
すサンプル全体の対数尤度を、数２８に示す制約条件の
下で最大にするようなパラメータα_km，

【外３７】 _km，σ_kmを求める。

【００８９】

【数２７】

【００９０】

【数２８】

【００９１】それぞれのパラメータの最尤推定量は、良
く知られているように、数２９〜数３２で与えられる。
ただし、数３３とする。

【００９２】

【数２９】

【００９３】

【数３０】

【００９４】

【数３１】

【００９５】

【数３２】

【００９６】

【数３３】

【００９７】こうして、Ｗ_nkm の初期値Ｗ_nkm ⁽⁰⁾ が与
えられれば、数２９〜数３２の手続きを繰り返し適用す
ればよい。この繰返しアルゴリズムは、一種の教師無し
学習と見做すことができる。学習の収束判定には、例え
ば、数３４に示す事後識別確率のＢｈａｔｔａｃｈａｒ
ｙｙａ距離を用いればよい。ただし、ｌは学習回数を示
す。

【００９８】

【数３４】

【００９９】この距離Ｂｈがε以下となった時点で学習
を終了すれば、ニューラルネットワークの動作に必要な

【外３８】 _km，

【外３９】 _km，

【外４０】 _kmがニューラルネットワーク内に獲得されたことにな
る。

【０１００】さて、本実施例では、指尖脈波を利用し
て、自律神経活動を「緊張している」、「緊張していな
い」の２状態に分類する。観測サンプルは１次元、クラ
ス数は２である。また、各クラスを１つの正規分布で表
現する。したがって、上記ニューラルネットワークにお
いて、ｄ＝１，Ｋ＝２，Ｍ＝１に相当する。

【０１０１】こうして、統計的構造組み込み型ニューラ
ルネットワークモデル部１９は、以下の手順に従って、
混合正規分布モデルのパラメータα_km，

【外４１】 _km，σ_km（ｋ＝１，２；ｍ＝１）を獲得する。

【０１０２】（１） 初期値データ生成部１８で得られ
た初期値Ｗ_nkm ⁽⁰⁾ を使って、数２９〜数３２を計算
し、パラメータ

【外４２】 _km，

【外４３】 _km，

【外４４】 _kmを求める。ただし、数１６において、ｂ（ｎ）＝

【外４５】 _n （ｎ＝１，２，…，Ｎ）である。

【０１０３】（２） 上記の推定されたパラメータ

【外４６】 _km，

【外４７】 _km，

【外４８】 _kmを使って、数２４および数２５を計算する。このと
き、数２５の値がＷ_nkm ⁽¹⁾ の値を与えることになる。

【０１０４】（３） Ｗ_nkm ⁽⁰⁾ およびＷ_nkm ⁽¹⁾ の値
を使って、数３４を計算する。このとき、距離Ｂｈの値
がε（例えば、１０^-4）以下ならば学習を終了する。そ
うでない場合は、Ｗ_nkm ⁽⁰⁾ ＝Ｗ_nkm ⁽¹⁾ とおいて、距
離Ｂｈの値がε以下となるまで上記の手順を繰り返す。

【０１０５】（４） 学習終了時に得られたパラメータ
を使って、数２の右辺のパラメータは、 α＝α₁₁（α₂₁＝１−α₁₁）， μ₁ ＝

【外４９】 ₁₁， μ₂ ＝

【外５０】 ₂₁， σ₁ ＝σ₁₁， σ₂ ＝σ₂₁ で求まる。

【０１０６】次に、自律神経活動分類部２０、例えば、
ワークステーションあるいはパーソナルコンピュータ
が、統計的構造組み込み型ニューラルネットワークモデ
ル部１９で求められた混合正規分布モデルのパラメータ
α，μ₁ ，μ₂ ，σ₁ ，σ₂ を利用し、以下の手順に従
って、被験者の自律神経活動を分類する。２つの正規分
布が交わる近辺はどちらの状態に属するかの判断が困難
である。そこで、各分布の平均を中心とする領域を各状
態に指定することが望ましい。したがって、ｘを自律神
経指標値データの値とすれば、例えば、分類則として、 （μ₁ −σ₁ ≦）ｘ≦μ₁ ＋σ₁ を「緊張している」状態、 μ₂ −σ₂ ≦ｘ（≦μ₂ ＋σ₂ ） を「緊張していない」状態と定めることが可能である。
この分類則を例示したものが、図４（タイプＡ）および
図５（タイプＢ）である。

【０１０７】しかしながら、２つの平均がかなり接近
し、 μ₂ −σ₂ ＜μ₁ ＋σ₁ の場合も有り得る。このような場合には、 ｘ≦μ₁ ＋σ₁ ／２， μ₂ −σ₂ ／２≦ｘ と分類則を変更すればよい。こうして、自律神経活動を
２つの状態に分類することが可能である。自律神経活動
分類部２０は、上記の分類結果に関する信号２０１を出
力する。

【０１０８】自律神経指標測定・解析手続き制御部２１
は、自律神経活動分類部２０より出力された分類結果に
関する信号２０１を入力して、分類結果が実験者によっ
て満足ゆくものかどうかを判断する。もし、満足ゆく分
類結果でない場合は、区間境界値の変更に関する信号２
１２を出力する。

【０１０９】自律神経指標測定・解析手続き制御部２１
より出力された区間境界値の変更に関する信号２１２に
基づいて、自律神経指標値データ頻度分布作成部１６
は、新たに区間境界値

【外５１】 _n （ｎ＝１，２，…，

【外５２】 ）を設定し、新しい頻度分布を作成する。以下、頻度分
布形状パラメータ推定部１７，初期値データ生成部１
８，統計的構造組み込み型ニューラルネットワークモデ
ル部１９を経由して、自律神経活動分類部２０が新しい
分類則を設定する。

【０１１０】図２は、本発明の第２の実施例に係る自律
神経活動分類装置の構成を示すブロック図である。本実
施例の自律神経活動分類装置は、第１の実施例の自律神
経活動分類装置から頻度分布形状パラメータ推定部１７
を除いた構成を有する。したがって、第１の実施例の自
律神経活動分類装置と対応する部分には、同一の符号を
付してそれらの詳しい説明を省略する。

【０１１１】第２の実施例の自律神経活動分類装置で
は、頻度分布形状パラメータ推定部１７を除いた代わり
に、初期値データ生成部１８、例えば、ワークステーシ
ョンあるいはパーソナルコンピュータが、自律神経活動
の事後識別確率の初期値データとして、 ０＜Ｗ_nkm ⁽⁰⁾ ＜１ を満たす乱数を利用する。乱数の生成は、市販の乱数発
生ソフトウェア・パッケージをワークステーションある
いはパーソナルコンピュータに組み込めば、簡単に実現
できる。

【０１１２】以下、統計的構造組み込み型ニューラルネ
ットワークモデル部１９，自律神経活動分類部２０，自
律神経指標測定・解析手続き制御部２１での処理は、第
１の実施例の自律神経活動分類装置の場合と同じであ
る。

【０１１３】このように構成された第２の実施例の自律
神経活動分類装置では、初期値データ生成部１８は、自
律神経指標値データの頻度分布を特徴付けるパラメータ
を利用せずに、ランダムな値である乱数を初期値データ
として使用するので、統計的構造組み込み型ニューラル
ネットワークモデル部１９および自律神経活動分類部２
０の処理の後、自律神経指標測定・解析手続き制御部２
１において分類結果が実験者にとって望ましい結果にな
るとは限らない。したがって、自律神経指標の振幅値デ
ータの区間境界値の変更を自律神経指標値データ頻度分
布作成手段に指示して自律神経活動の分類を繰り返し実
施し、所望とする分類結果を得ることが必要となる。

【０１１４】

【発明の効果】以上説明したように本発明は、自律神経
指標値データ頻度分布作成手段，頻度分布形状パラメー
タ推定手段，初期値データ生成手段，統計的構造組み込
み型ニューラルネットワークモデル手段および自律神経
活動分類手段を設け、自律神経指標値データを利用して
自律神経指標値の頻度分布に関するデータを生成し、生
成されたデータを利用して自律神経指標値データの頻度
分布の形状を特徴付けるパラメータを推定し、推定され
たパラメータを利用して自律神経活動の事後識別確率に
関する初期値データを生成し、ある特定の確率分布を有
する有限個のコンポーネントを用いて自律神経指標値デ
ータの母集団の確率分布を表現し、各コンポーネントの
パラメータを学習的に推定するとともに、自律神経指標
値データに対応する自律神経活動の状態の候補を表すデ
ータを出力し、確率分布モデルのパラメータおよび自律
神経指標値データに対応する自律神経活動の状態の候補
を表すデータを利用して被験者の自律神経活動の状態を
いくつかの段階に分類するようにしたことにより、従来
の最適化手法のように、予め評価関数の１階および２階
の偏微分を計算しておく必要がないので、自律神経指標
値データに基づく確率分布モデルのパラメータ推定に要
する計算時間が少なくてすみ、自律神経活動の状態分類
を従来よりも高速に行うことができるという効果があ
る。特に、分類すべき自律神経活動の状態数が増えて
も、従来の最適化手法よりも高速に確率分布モデルのパ
ラメータを推定することが可能であるという利点があ
る。

【０１１５】さらに、自律神経指標測定・解析手続き制
御手段を設け、自律神経活動分類手段よる分類結果に基
づいて、分類結果が実験者にとって望ましい結果かどう
かを判断し、必要であれば自律神経指標の振幅値データ
の区間境界値の変更を自律神経指標値データ頻度分布作
成手段に指示して自律神経活動の分類を再実施させるよ
うにしたことにより、自律神経指標値データを一度入力
すれば、実験計画や被験者の内省報告に基づいた所定の
段階に分類可能であり、自律神経指標値のデータ解析を
効率的に行うことができるという効果がある。

【０１１６】また、自律神経指標値データ頻度分布作成
手段，初期値データ生成手段，統計的構造組み込み型ニ
ューラルネットワークモデル手段，自律神経活動分類手
段，および自律神経指標測定・解析手続き制御手段を設
け、自律神経指標値データを利用して自律神経指標値の
頻度分布に関するデータを生成し、０から１までの範囲
の乱数を利用して自律神経活動の事後識別確率に関する
初期値データを生成し、ある特定の確率分布を有する有
限個のコンポーネントを用いて自律神経指標値データの
母集団の確率分布を表現し、各コンポーネントのパラメ
ータを学習的に推定するとともに、自律神経指標値デー
タに対応する自律神経活動の状態の候補を表すデータを
出力し、確率分布モデルのパラメータおよび自律神経指
標値データに対応する自律神経活動の状態の候補を表す
データを利用して被験者の自律神経活動の状態をいくつ
かの段階に分類し、分類結果に基づいて分類結果が実験
者にとって望ましい結果かどうかを判断し、必要であれ
ば自律神経指標の振幅値データの区間境界値の変更を指
示して自律神経活動の分類を再実施させるようにしたこ
とにより、自律神経指標値データの頻度分布の形状を特
徴付けるパラメータを推定することなしに、自律神経指
標値データに基づく確率分布モデルのパラメータ推定に
要する計算時間が少なくてすみ、自律神経活動の状態分
類を従来よりも高速に行うことができるという効果があ
る。特に、分類すべき自律神経活動の状態数が増えて
も、従来の最適化手法よりも高速に確率分布モデルのパ
ラメータを推定することが可能であるという利点があ
る。

【図面の簡単な説明】

【図１】本発明の第１の実施例に係る自律神経活動分類
装置の構成を示すブロック図である。

【図２】本発明の第２の実施例に係る自律神経活動分類
装置の構成を示すブロック図である。

【図３】実測された指尖脈波の振幅値データから作成さ
れた頻度分布を例示する図である。

【図４】平均が離れた２つの正規分布に基づいた混合正
規分布モデルおよびその分類則を例示する図である。

【図５】平均が近接した２つの正規分布に基づいた混合
正規分布モデルおよびその分類則を例示する図である。

【図６】図１中の統計的構造組み込み型ニューラルネッ
トワークモデル部の構造を例示す図である。

【図７】従来の自律神経活動分類装置の一例を示すブロ
ック図である。

【符号の説明】

１０ 自律神経指標計測用センサ １１ 自律神経指標計測部 １２ 自律神経指標信号記録制御部 １３ 自律神経指標信号記録・再生部 １４ 自律神経指標値データ変換部 １５ 変換データ記録・再生部 １６ 自律神経指標値データ頻度分布作成部 １７ 頻度分布形状パラメータ推定部 １８ 初期値データ生成部 １９ 統計的構造組み込み型ニューラルネットワークモ
デル部 ２０ 自律神経活動分類部 ２１ 自律神経指標測定・解析手続き制御部

Claims (3)

【特許請求の範囲】
1. 【請求項１】 自律神経指標値データを利用した自律神
   経活動分類装置において、 自律神経指標値データを利用して、自律神経指標値の頻
   度分布に関するデータを生成する自律神経指標値データ
   頻度分布作成手段と、 この自律神経指標値データ頻度分布作成手段により生成
   された自律神経指標値の頻度分布に関するデータを利用
   して、自律神経指標値データの頻度分布の形状を特徴付
   けるパラメータを推定する頻度分布形状パラメータ推定
   手段と、 この頻度分布形状パラメータ推定手段により推定された
   自律神経指標値データの頻度分布の形状を特徴付けるパ
   ラメータを利用して、自律神経活動の事後識別確率に関
   する初期値データを生成する初期値データ生成手段と、 学習モードを備え、入力層，中間層および出力層の３種
   類からなり、入力層に、前記自律神経指標値データ頻度
   分布作成手段により生成された自律神経指標値の頻度分
   布に関するデータと前記初期値データ生成手段により生
   成された自律神経活動の事後識別確率に関する初期値デ
   ータとを与え、出力層に、ある特定の確率分布を有する
   有限個のコンポーネントを用いて自律神経指標値データ
   の母集団の確率分布を表現し、各コンポーネントのパラ
   メータを学習的に推定するとともに、自律神経指標値デ
   ータに対応する自律神経活動の状態の候補を表すデータ
   を出力する統計的構造組み込み型ニューラルネットワー
   クモデル手段と、 この統計的構造組み込み型ニューラルネットワークモデ
   ル手段より出力される確率分布モデルのパラメータおよ
   び自律神経指標値データに対応する自律神経活動の状態
   の候補を表すデータを利用して、被験者の自律神経活動
   の状態をいくつかの段階に分類する自律神経活動分類手
   段とを有することを特徴とする自律神経活動分類装置。
2. 【請求項２】 前記自律神経活動分類手段よる分類結果
   に基づいて、分類結果が実験者にとって望ましい結果か
   どうかを判断し、必要であれば自律神経指標の振幅値デ
   ータの区間境界値の変更を前記自律神経指標値データ頻
   度分布作成手段に指示して自律神経活動の分類を再実施
   させる自律神経指標測定・解析手続き制御手段を備える
   請求項１記載の自律神経活動分類装置。
3. 【請求項３】 自律神経指標値データを利用した自律神
   経活動分類装置において、 自律神経指標値データを利用して、自律神経指標値の頻
   度分布に関するデータを生成する自律神経指標値データ
   頻度分布作成手段と、 ０から１までの範囲の乱数を利用して、自律神経活動の
   事後識別確率に関する初期値データを生成する初期値デ
   ータ生成手段と、 学習モードを備え、入力層，中間層および出力層の３種
   類からなり、入力層に、前記自律神経指標値データ頻度
   分布作成手段により生成された自律神経指標値の頻度分
   布に関するデータと前記初期値データ生成手段により生
   成された自律神経活動の事後識別確率に関する初期値デ
   ータとを与え、出力層に、ある特定の確率分布を有する
   有限個のコンポーネントを用いて自律神経指標値データ
   の母集団の確率分布を表現し、各コンポーネントのパラ
   メータを学習的に推定するとともに、自律神経指標値デ
   ータに対応する自律神経活動の状態の候補を表すデータ
   を出力する統計的構造組み込み型ニューラルネットワー
   クモデル手段と、 この統計的構造組み込み型ニューラルネットワークモデ
   ル手段より出力される確率分布モデルのパラメータおよ
   び自律神経指標値データに対応する自律神経活動の状態
   の候補を表すデータを利用して、被験者の自律神経活動
   の状態をいくつかの段階に分類する自律神経活動分類手
   段と、 この自律神経活動分類手段よる分類結果に基づいて、分
   類結果が実験者にとって望ましい結果かどうかを判断
   し、必要であれば自律神経指標の振幅値データの区間境
   界値の変更を前記自律神経指標値データ頻度分布作成手
   段に指示して自律神経活動の分類を再実施させる自律神
   経指標測定・解析手続き制御手段とを有することを特徴
   とする自律神経活動分類装置。