CN114072070A - 参考刺激 - Google Patents

Abstract

本发明提供一种用于构筑用于对生物体的反应进行识别的模型的方法，包括：从生物体取得反应数据，包括取得所述生物体处于第一状态时对所述生物体赋予了刺激时的第一反应数据、取得所述生物体处于所述第一状态时未对所述生物体赋予刺激时的第二反应数据、取得所述生物体处于第二状态时对所述生物体赋予了刺激时的第三反应数据、取得所述生物体处于所述第二状态时未对所述生物体赋予刺激时的第四反应数据；及基于所述取得到的第一反应数据至第四反应数据，构筑用于对所述生物体的反应进行识别的所述生物体所特有的模型。

Description

参考刺激

技术领域

本公开涉及使用了参考刺激的信号处理。更确切而言，涉及在生理信号的处理中利用参考刺激的技术。再确切而言，涉及与脑电波相关的参考刺激的利用。

背景技术

存在Pain Vision这样的机械。它在将疼痛进行了数值化的点上是划时代的，但它是将其疼痛的程度以通过按下按钮而获知的数据为基础进行数值化的结构。

存在使用感应电位这样的脑电波来测定对于刺激的脑活动的技术。已经明确了能够进行对于疼痛的测定的情况，可知对于大的刺激会产生大的脑活动。该研究在国外领先。然而，作为发现神经障碍的机构来考虑，还未达到测量疼痛的大小本身这样的状况。

在先技术文献

专利文献

专利文献1：日本专利第6373402号公报

专利文献2：日本专利第6371366号公报

专利文献3：日本专利第5909748号公报

专利文献4：日本专利第6049224号公报

专利文献5：日本专利第5215508号公报

专利文献6：日本专利第6125670号公报

专利文献7：日本特开2018-166935号公报

专利文献8：日本特表2017-536946号公报

专利文献9：日本特开2018-187287号公报

专利文献10：日本特开2019-32767号公报

专利文献11：日本特开2009-18047号公报

发明内容

发明概要

用于解决课题的方案

本公开是通过利用[1]事先赋予刺激，[2]然后，测定脑电波等信号，[3]进行代入，[4]判定对象的某些状态的方法，发现了分析精度超出预想地发生了改善的情况而完成的。特别是，在本公开中，利用[1]事先赋予刺激，[2]然后，测定脑电波等信号，[3]制作对于个人的(判别)模型，[4]进行代入，[5]使用制作的模型来判定对象的某些状态的方法，也发现了分析精度超出预想地发生了改善的情况。

特别是，本公开是基于赋予参考刺激而得到的数据(事先取得的数据)，来进行实际的诊断的技术，对于噪声处理特别引起关注。在现有技术中，其一特征在于，如果以70％正解率为目的，则关于30％的噪声，也能够改善20％。本公开的方法提供一种以下方法，即，进行噪声产生行动(例如，无意义的行动)，取得伴有噪声的数据，使取得的数据成为四分割标签(噪声有无、疼痛有无)，并分别进行机械学习而制作判别式，将实际得到的信号代入该判别式来判定疼痛的有无的方法。

作为本公开的实施方式的例子，可举出以下的项目。

(项目1)

一种用于构筑用于对生物体的反应进行识别的模型的方法，其中，包括：

从生物体取得多个反应数据，包括取得所述生物体处于第一状态时的第一反应数据和取得所述生物体处于第二状态时的第二反应数据；及

基于所述取得到的多个反应数据，构筑用于对所述生物体的反应进行识别的所述生物体所特有的模型。

(项目2)

根据项目1记载的方法，其中，

所述第一反应数据是所述生物体处于第一状态时对所述生物体赋予了刺激时的数据，

所述第二反应数据是所述生物体处于第二状态时对所述生物体赋予了刺激时的数据。

(项目3)

根据项目2记载的方法，其中，

从所述生物体取得多个反应数据包括：

取得所述生物体处于所述第一状态时未对所述生物体赋予刺激时的第三反应数据；及

取得所述生物体处于所述第二状态时未对所述生物体赋予刺激时的第四反应数据。

(项目4)

根据项目1～3中任一项记载的方法，其中，

所述生物体的反应包括有疼痛的反应和无疼痛的反应。

(项目5)

根据项目1～4中任一项记载的方法，其中，

所述第一状态是将噪声附加于所述反应数据的状态，

所述第二状态是未将噪声附加于所述反应数据的状态。

(项目6)

根据项目5记载的方法，其中，

所述第二状态包括所述生物体进行视觉剥夺行动、听觉剥夺行动或这些行动的组合的状态。

(项目7)

根据项目1～6中任一项记载的方法，其中，

构筑所述模型包括基于所述取得到的多个反应数据，更新用于对生物体的反应进行识别的现有的模型，由此构筑所述生物体所特有的模型。

(项目8)

根据项目1～6中任一项记载的方法，其中，

构筑所述模型包括基于所述取得到的多个反应数据，从多个用于对生物体的反应进行识别的现有的模型中选择所述生物体所特有的模型，由此构筑所述生物体所特有的模型。

(项目9)

根据项目1～8中任一项记载的方法，其中，

所述生物体的反应包括有疼痛的反应和无疼痛的反应，构筑所述模型包括：

a)通过对于多个受试体进行疼痛试验而取得多个COVAS数据的步骤；

b)通过对所述多个COVAS数据进行平均而制作COVAS模板的步骤；

c)通过对于所述生物体进行所述疼痛试验而从所述生物体得到脑电波数据或其分析数据的步骤；

d)基于所述COVAS模板，剪切所述脑电波数据或其分析数据的步骤；及

e)将所述剪切出的脑电波数据或其分析数据作为学习用数据，以与所述剪切出的脑电波数据或其分析数据对应的COVAS模板的值为标签进行学习，由此制作模型的步骤。

(项目10)

一种***，其中，包括：

模型，通过项目1～9中任一项记载的方法构筑而成；

取得机构，从生物体取得反应数据；及

输出机构，基于由所述取得机构取得到的反应数据而输出所述模型对所述生物体的反应进行了识别的结果。

(项目11)

一种***，其中，包括：

取得机构，从生物体取得反应数据，且包括参照模式和测定模式；

模型构筑机构，使用从所述取得机构得到的反应数据作为参照刺激来构筑模型，所述模型通过基于多个反应数据，构筑用于对所述生物体的反应进行识别的所述生物体所特有的模型来构筑，所述多个反应数据通过在所述参照模式下，从所述生物体取得多个反应数据的步骤来取得，该步骤包括：

取得所述生物体处于第一状态时的第一反应数据的步骤、

取得所述生物体处于第二状态时的第二反应数据的步骤；及

输出机构，基于在所述测定模式下由所述取得机构取得到的反应数据而输出所述模型对所述生物体的反应进行了识别的结果。

(项目12)

根据项目11所述的***，所述***还具备标准模型，且所述模型构筑机构基于所述多个反应数据来修正所述标准模型。

(项目13)

一种用于构筑用于对生物体的反应进行识别的模型的程序，其中，所述程序在包括处理器的计算机***中执行，

所述程序使所述处理器执行包括以下的处理，即，基于所述生物体处于第一状态时的第一反应数据和所述生物体处于第二状态时的第二反应数据来构筑用于对所述生物体的反应进行识别的所述生物体所特有的模型。

在本公开中，上述一个或多个特征除了明示的组合之外，旨在还可以通过进一步组合来提供。本领域技术人员可以根据需要通过阅读以下的详细的说明来理解认知本公开的进一步的实施方式及优点。

发明效果

疼痛的灵敏度对于老人或年幼者而言完全不同，没有绝对的基准，而无法进行准确的诊断。本公开以这样的状况为基础，通过针对各对象赋予参考刺激而取得数据，从而起到能够针对每个人进行标准化这样的效果。而且，对于任何患者都带有噪声(特别是肌电图)，无法将其去除，因此无法进行准确的诊断。作为改良发明，也提供一种即使存在噪声也能够进行准确的试验的发明。

附图说明

图1是表示4级别LSTM解析的解析条件的图。

图2是表示在4级别LSTM解析中使用的原始数据(artifact1)的图。artifact1的条件是噪声测试(紧紧地闭眼、身体的拉伸、朗读)、睁眼。噪声任务的数据收集存在不完备，未进行基于该数据的模型制作。

图3是表示进行了图2所示的原始数据的离线时间序列数据解析的结果的图。在4级别中，应判定为有噪声无疼痛(2)，但是观察到误判别。

图4是表示在4级别LSTM解析中使用的原始数据(artifact2)的图。artifact2的条件是噪声测试(紧紧地闭眼、身体的拉伸、朗读)、睁眼。

图5是表示进行了图4所示的原始数据的离线时间序列数据解析的结果的图。可知，在4级别中，应判定为有噪声无疼痛(2)，但由于是模型制作用，因此准确地进行判定。

图6是表示在4级别LSTM解析中使用的原始数据(artifact_pain1)的图。artifact_pain1的条件是在疼痛刺激时进行噪声测试(噪声进入的自发的反应)、睁眼。

图7是表示进行了图6所示的原始数据的离线时间序列数据解析的结果的图。可知，在4级别中，有噪声无疼痛(2)与有噪声有疼痛(3)交替出现，因此能够顺利地判别。

图8是表示在4级别LSTM解析中使用的原始数据(artifact_pain2)的图。artifact_pain2的条件是疼痛刺激时进行噪声测试(噪声进入的自发的反应)、睁眼。

图9是表示进行了图8所示的原始数据的离线时间序列数据解析的结果的图。可知，在4级别中，有噪声无疼痛(2)与有噪声有疼痛(3)交替出现，因此能够顺利地判别。

图10是表示在4级别LSTM解析中使用的原始数据(ref)的图。ref的条件是疼痛刺激、安静、闭眼。

图11是表示进行了图10所示的原始数据的离线时间序列数据解析的结果的图。可知，在4级别中，无噪声有疼痛(1)在有疼痛刺激时出现，因此能够顺利地制作模型。

图12是表示在4级别LSTM解析中使用的原始数据(main1)的图。ref的条件是疼痛刺激、安静、闭眼。

图13是表示进行了图12所示的原始数据的离线时间序列数据解析的结果的图。可知，在4级别中，无噪声有疼痛(1)在有疼痛刺激时出现，因此能够顺利地判别。

图14是表示在4级别LSTM解析中使用的原始数据(main2)的图。ref的条件是疼痛刺激、安静、闭眼。

图15是表示进行了图14所示的原始数据的离线时间序列数据解析的结果的图。在后半的没有疼痛刺激时，判定为有噪声(2或3)，可知误判别也增多。

图16是表示在4级别LSTM解析中使用的原始数据(main3)的图。ref的条件是疼痛刺激时进行噪声测试、闭眼。

图17是表示进行了图16所示的原始数据的离线时间序列数据解析的结果的图。整体地判定为有噪声(2或3)，可知2级别中的误判别也增多。

图18是表示在4级别LSTM解析中使用的原始数据(2temp)的图。ref的条件是疼痛刺激(中：46℃，大：48℃)、睁眼。

图19是表示进行了图18所示的原始数据的离线时间序列数据解析的结果的图。整体地判定为有噪声(2)，误判别增多。可认为是未进行闭眼任务的缘故。

图20是表示在4级别LSTM解析中使用的原始数据(2temp_artifact)的图。ref的条件是疼痛刺激(中：46℃，大：48℃)时噪声测试(噪声进入的自发的反应)、睁眼。

图21是表示进行了图20所示的原始数据的离线时间序列数据解析的结果的图。虽未进行闭眼任务，但是在疼痛刺激时进行对疼痛作出反应的任务，因此判别精度稍加改善。

图22是表示4级别与2级别的LSTM的比较中的评价基准的图。

图23是表示4级别与2级别的LSTM的比较中的各条件的判别精度的图。

图24是表示4级别与2级别的LSTM的比较中的各条件的适合率的图。

图25是表示4级别与2级别的LSTM的比较中的各条件的再现率的图。

图26是表示4级别与2级别的LSTM的比较中的各条件的F1值的图。

图27是表示4级别与2级别的LSTM的比较中的评价基准的平均值的图。

图28是表示2级别LSTM解析流程的图。

图29是表示在2级别LSTM解析中使用的原始数据(artifact1)的图。artifact1的条件是噪声测试(紧紧地闭眼、身体的拉伸、朗读)、睁眼。由于噪声任务的数据收集存在不完备，因此未进行基于该数据的模型制作。

图30是表示进行了图29所示的原始数据的离线时间序列数据解析的结果的图。在2级别中，应判定为无疼痛(0)，但是被误判别。

图31是表示在2级别LSTM解析中使用的原始数据(artifact2)的图。artifact2的条件是噪声测试(紧紧地闭眼、身体的拉伸、朗读)、睁眼。

图32是表示进行了图31所示的原始数据的离线时间序列数据解析的结果的图。由于是2级别，因此虽应判定为无疼痛(0)，但是被误判别为有疼痛。

图33是表示在2级别LSTM解析中使用的原始数据(artifact_pain1)的图。artifact_pain1的条件是疼痛刺激时进行噪声测试(噪声进入的自发的反应)、睁眼。

图34是表示进行了图33所示的原始数据的离线时间序列数据解析的结果的图。在2级别中，无疼痛(0)与有疼痛(1)交替出现，因此能够顺利地判别。

图35是表示在2级别LSTM解析中使用的原始数据(artifact_pain2)的图。artifact_pain2的条件是疼痛刺激时进行噪声测试(噪声进入的自发的反应)、睁眼。

图36是表示进行了图35所示的原始数据的离线时间序列数据解析的结果的图。在2级别中，无疼痛(0)与有噪声(1)交替出现，因此能够顺利地判别。

图37是表示在2级别LSTM解析中使用的原始数据(ref)的图。ref的条件是疼痛刺激、安静、闭眼。

图38是表示进行了图37所示的原始数据的离线时间序列数据解析的结果的图。在2级别中，有疼痛(1)在有疼痛刺激时出现，因此能够顺利地制作模型。

图39是表示在2级别LSTM解析中使用的原始数据(main1)的图。ref的条件是疼痛刺激、安静、闭眼。

图40是表示进行了图39所示的原始数据的离线时间序列数据解析的结果的图。在2级别中，有疼痛(1)在有疼痛刺激时出现，因此能够顺利地判别。

图41是表示在2级别LSTM解析中使用的原始数据(main2)的图。ref的条件是疼痛刺激、安静、闭眼。

图42是表示进行了图41所示的原始数据的离线时间序列数据解析的结果的图。在后半的没有疼痛刺激时，判定为有噪声(1)，误判别也增多。

图43是表示在2级别LSTM解析中使用的原始数据(main3)的图。ref的条件是疼痛刺激时进行噪声测试、闭眼。

图44是表示进行了图43所示的原始数据的离线时间序列数据解析的结果的图。整体地判定为有疼痛(1)，2级别中的误判别也增多。

图45是表示在2级别LSTM解析中使用的原始数据(2temp)的图。ref的条件是疼痛刺激(中：46℃，大：48℃)、睁眼。

图46是表示进行了图45所示的原始数据的离线时间序列数据解析的结果的图。整体地误判别增多。可认为未进行闭眼任务的缘故。

图47是表示在2级别LSTM解析中使用的原始数据(2temp_artifact)的图。ref的条件是疼痛刺激(中：46℃，大：48℃)时噪声测试(噪声进入的自发的反应)、睁眼。

图48是表示进行了图47所示的原始数据的离线时间序列数据解析的结果的图。整体地误判别增多。可认为是未进行闭眼任务的缘故。

图49是独立型的***示意图。

图50是表示热刺激提示的Pathway程序的图。从40℃至48℃，以5个阶段随机地提示了各3次热刺激。

图51是表示脑电波电极的装配部位的图。从绝对振幅和6个频带(2-5Hz、5-8Hz、8-14Hz、14-29Hz、31-40Hz、40-49Hz)中提取频率功率作为特征量，作为前处理，施行了EOG去除和带通滤波。

图52是表示模型制作用的热刺激实验的图。

图53是表示正式进行(0-76分)的疼痛判别值、疼痛推定值及特征量的图。

图54是表示正式进行(0-30分)的疼痛判别值、疼痛推定值及脑电波的图。

图55是表示正式进行(30-76分)的疼痛判别值、疼痛推定值及脑电波的图。

图56是表示正式进行(0-76分)的疼痛判别值及疼痛推定值的图。

图57是表示应用了参考刺激的医疗***的结构的一例的图。

图58是表示应用了参考刺激的医疗***的结构的一例的图。

图59是表示应用了参考刺激的医疗***的结构的一例的图。

图60是表示模型回归式生成的一例的图。

图61是表示稀疏模型解析的流程的流程图的一例。

图62A示出实验试行的(1)的阶段性热刺激的例子、与之对应的COVAS模板的例子、将COVAS模板从最小值0至最大值100升序地排序后的排序完毕COVAS模板的例子。

图62B示出从排序后的COVAS模板剪切的19个种类的标准化参数的范围、以及与10个种类的标准化参数对应的10个模型的范围。

图62C示出基于实施例4的结果。

图63A示出从排序后的COVAS模板剪切的10个种类的标准化参数的范围、以及与10个种类的标准化参数对应的10个模型的范围。

图63B示出基于实施例5的结果。

具体实施方式

以下，将本公开示出最佳的方式地说明。在整个本说明书中，单数形的表达只要没有特别提及，就应理解为也包括其复数形的概念。因此，单数形的冠词(例如，在英语的情况下为“a”、“an”、“the”等)只要没有特别提及，就应理解为也包括其复数形的概念。而且，本说明书中使用的用语只要没有特别提及，就应理解为在该领域通常使用的意思下使用。因此，只要除此之外未被定义，本说明书中使用的全部的专门用语及科学技术用语具有与通过本公开所属的领域的本领域技术人员通常理解的意思相同的意思。在发生矛盾的情况下，本说明书(包含定义)优先。

(定义等)

以下，适当说明在本说明书中特别使用的用语的定义及/或基本的技术内容。

在本说明书中，“参考刺激”是指在基于某刺激进行检查、分析或诊断时，在进行实际的检查、分析或诊断之前赋予的刺激。在本说明书中，有时省略为“Ref刺激”等。参考刺激可以是任意的大小的刺激，例如，比在诊断时赋予的刺激小的情况多。

在本说明书中，“生物体的反应”是指根据对生物体赋予的刺激而产生的任意的事件。作为生物体的反应，可举出痛觉、味觉、视觉、嗅觉、听觉等通过生物体能够认知的感觉。

在本说明书中，“模型(model)”或“假说(hypothesis)”同义地使用，以记述从被输入的预测对象向预测结果的对象对应的映射或它们的候补集合，使用数学性的函数或逻辑式表达。在机械学习的学习中，参照训练数据，从模型集合中选择可认为最近似真实模型的模型。

作为模型，可举出生成模型、识别模型、函数模型等。表示对输入(预测对象)x与输出(预测结果)y的映射关系的分类模型进行表达的方针的差异。生成模型表达被给予了输入x时的输出y的带条件的分布。识别模型表达输入x和输出y的同时分布。识别模型和生成模型的映射关系为概率性的。函数模型的映射关系为确定性的，表达输入x与输出y的确定性的函数关系。在识别模型和生成模型中，可以说识别模型的精度稍高，但是根据“没有免费的午餐”定理，基本上没有优劣。

在本说明书中，“机器学习”是指没有明确地进行编程而是对计算机赋予学习能力的技术。是通过以功能单位获得新的知识、技能的情况或将现有的知识、技能再配置，从而使自身的性能提高的过程。通过根据经验学习的方式对计算机进行编程，从而能减少很多对细节进行编程所需的功夫，在机械学习领域中，讨论了构筑根据经验而自动地实现改善那样的计算机程序的方法。作为数据分析、机械学习的作用，是与算法领域并列地成为智能处理的基石的要素技术，通常与其他的技术联合地被利用，需要联合的领域的知识(领域特定(domain-specific，领域特有)知识；例如，医学领域)。作为其应用范围，存在预测(收集数据，预测将要发生的事情)、检索(从收集到的数据之中找到任何明显的特征)、检验/记述(研究数据之中的各种要素的关系)等作用。机械学习是基于表示现实世界的目标的达成度的指标进行的学习，机械学习的利用者必须掌握现实世界中的目标。并且，在达成了目的时，需要将变得良好的指标进行定式化。机械学习是反向问题，是并不明确是否求出了解的情况的不适定问题。学习的规则的举动不是确定的而是概率性的(盖然性的)。需要在剩有无法控制的部分的前提下对运用方面下功夫，本公开定制法也可以称为该解决方案。机械学习的利用者一边观察训练时和运用时的性能指标，一边对应于现实世界的目标而逐次地取舍选择数据、信息的情况也有用。

作为机械学习，可使用线性回归、逻辑回归、支持向量机等，及通过进行交叉验证(也称为交叉检验、交叉确认。Cross Validation；CV)，能够算出各模型的判别精度。在分类之后，一个个地增加特征量而进行机械学习(线性回归、逻辑回归、支持向量机等)和交叉验证，能够算出各模型的判别精度。由此，能够选择最高的精度的模型。在本公开中，机械学习可以使用任意的结构，作为带有示教的机械学习，可以利用线性、逻辑、支持向量机(SVM)等。

在机械学习中，进行逻辑推论。逻辑推论大致存在3个种类，存在演绎(deduction)、归纳(induction)、溯因推理(abduction)、类推(analogy)。演绎是在苏格拉底为人类且全部的人类死亡的假说存在时，导出苏格拉底死亡的结论的方法，可以说是特殊的结论。归纳是在苏格拉底死亡且苏格拉底为人类的假说存在时，导出全部的人类死亡的结论的方法，是导出一般的规则的结论。溯因推理是在苏格拉底死亡且全部的人类死亡的假定存在时，导出苏格拉底为人类的方法，相当于假说、说明。虽说如此，但是应留意的是，即使归纳而如何一般化也取决于前提，因此可能无法说是客观的。类推是如下这样的盖然性的思考方法：存在对象A和对象B，在对象A具有4个特征且对象B具有该特征中的共通的3个的情况下，推论出对象B同样具有剩余一个特征，对象A和对象B具有同种或类似的亲近性。

在机械学习中，特征(feature)、属性(attribute)表示在某一侧面观察预测对象时，处于何种状态。特征向量、属性向量是将记述预测对象的特征(属性)汇总成向量的形式而得到的。

在本说明书中，“反应数据”是指根据向对象赋予的刺激而产生的事件的数据。在对象为生物的情况下，是指表示设为对象的生物的生理学的活性，例如，痛觉等的数据。反应数据包括例如脑电波数据。

在本说明书中，“刺激”是针对对象使其产生某些反应，在对象为生物的情况下，是指给生物或其某部分的生理学的活性带来暂时性的变化的主要因素。

在本说明书中，“状态”是指对象的情形，根据来自内部或外部的刺激而变化。

在本说明书中，“行动”是指主动性的或被动性的对象的任意的动作。作为主动性的动作，例如，可举出闭眼的动作等，作为被动性的动作，可举出戴上头戴式耳机的动作等。

在本说明书中，“视觉剥夺”是指通过任意的机构，来剥夺对象的视觉、或者妨碍由对象的视觉得来的脑电波的变化。作为视觉剥夺行动，例如，可举出闭眼、利用不使光透过的物质覆盖眼睛、处于不使光透过的空间等。

在本说明书中，“听觉剥夺”是指通过任意的机构，来剥夺对象的听觉、或者妨碍由对象的听觉得来的脑电波的变化。作为听觉剥夺行动，例如，可举出戴上耳塞的动作、戴上头戴式耳机而听白噪声、处于剥夺了声音的空间等。

(脑电波关联)

在本说明书中，“对象”(英文为object)与患者(patient)或受验者(subject)同义地使用，是指被疼痛测定及脑电波测定等本公开的技术当作对象的任意的生物体或动物。作为对象，优选为人，但是没有限定于此。在本说明书中，在进行疼痛的推定的情况下，有时设为“推定对象”，但这是与对象等相同的意思。“对象”可存在多个。在这样的情况下，关于各个例子，有时称为(对象的)“样本”。

在本说明书中，“脑电波”与该领域通常使用的脑电波同义，是指在头皮上放置一对电极而由于与脑的神经活动相伴的电位差所产生的电流。脑电波包含将电流的时间变化进行导出记录而得的脑电图(electroencephalogram，EEG)。在安静时，振幅约50μV、频率10Hz左右的波成为主成分。将其称为α波。在精神活动时，α波被抑制而出现振幅小的17～30Hz的快波，其称为β波。在浅睡眠的时期，α波逐渐减少而出现4～8Hz的θ波。在深睡眠中出现1～4Hz的δ波。这些脑电波能够以特定的振幅、频率、复杂性指标、相关等表达，在本公开中，可以由特定的振幅及频率或者振幅的解析来表示。

在本说明书中，“脑电波数据”是与脑电波相关的任意的数据(也称为“脑活动量”、“脑特征量”等)，包含振幅数据(EEG振幅)、频率特性等。对这些脑电波数据进行分析而得到的“分析数据”能够与脑电波数据同样地使用，因此在本说明书中，有时汇总称为“脑电波数据或其分析数据”。作为分析数据，例如，可以举出脑电波数据的平均振幅、峰值振幅(例如，Fz、Cz、C3、C4)、频率功率(例如，Fz(δ)、Fz(θ)、Fz(α)、Fz(β)、Fz(γ)、Cz(δ)、Cz(θ)、Cz(α)、Cz(β)、Cz(γ)、C3(δ)、C3(θ)、C3(α)、C3(β)、C3(γ)、C4(δ)、C4(θ)、C4(α)、C4(β)、C4(γ)等)等。当然，并不排除通常作为脑电波数据或其解析数据而使用的其他的数据。例如，如果将原始数据仅切出一定时间的数据使用于判别，则其也是特征量，因此在本公开中可以使用。

在本说明书中，“脑电波特征量”或“脑电波的特征量”是指脑电波的任意的特征量，可以包含“脑电波数据或其分析数据”，例如，可包含振幅、脑电波特征量相互关系、频率功率、及复杂性指标等。作为它们的例子，所述振幅包括平均振幅(例如，绝对平均振幅、相对平均振幅等)、振幅中位数、振幅众数、振幅最大值、峰值振幅、四分位振幅等振幅分布特性值，所述脑电波特征量相互关系可以包括电位相关(例如，额叶-顶叶电位相关(相关系数、偏相关系数、联结度(Connectivity)、因果性(Causality)、以及它们的亚种))或电极间相位同步(例如，相干性、锁相值(Phaselocking value)、以及它们的亚种)，所述频率功率包括谱密度、功率谱、它们的亚种，所述复杂性指标可包括从熵(例如，多尺度熵(MSE)、样本熵、自身熵、平均熵、联合熵、相对熵、及带条件的熵等)、以及与疼痛产生联动而事件关联地产生的生物体电位特征量(反映了瞬目反射等眼球运动的眼球运动电位等)中选择的至少一个。

在本说明书中，“振幅数据”是“脑电波数据”的一种，是指脑电波的振幅的数据。有时也仅称为“振幅”，也称为“EEG振幅”。这样的振幅数据是脑活动的指标，因此有时也称为“脑活动数据”“脑活动量”等。振幅数据可以通过测定脑电波的电信号来得到，可以由电位(可由μV等表示)表示。作为振幅数据，可以使用平均振幅，但是没有限定于此。

在本说明书中，“痛”及“疼痛”为同义，是指在身体部分有伤害、炎症等一般而言强的侵害时，将其作为刺激而产生的感觉。痛不是疾患而是症状，通过中枢性疼痛、侵害接纳性疼痛、以及神经障碍性疼痛这三个主要特性的组合来决定其形态。而且，急性疼痛与慢性疼痛被区分，两者关联的脑部位网络(结合性)存在差异，在慢性的情况下，也有实际上并不痛却主观报告为痛的情况，也包括无法通过疼痛刺激的感觉强度来说明的心因性主要因素。

对人而言，作为痛觉等伴有强烈的不愉快感情的感觉，也包含一般感觉。而且，皮肤痛觉等在某种程度上也具备外部接纳的性格，与其他的皮肤感觉、味觉协同，对外物的硬度、锐度、热度(热痛)、冷度(冷痛)、辣度等性质的判断起作用。人的痛觉除了皮肤、粘膜以外还能够在身体的几乎所有部分(例如，胸膜、腹膜、内脏(内脏痛觉，除了脑之外)、牙、眼及耳等)产生，均能够在脑中作为脑电波或其变动能感知。此外，以内脏痛为代表的内部痛觉也包含于痛觉。相对于内脏痛来说，上述的痛觉称为躯体痛。除了躯体痛及内脏痛之外，也报告了与实际发生障碍的部位不同的部位的表面变得疼痛那样的事件即称为“关联痛”的痛觉，本公开通过应用参考刺激而能够准确地诊断、分析这些多样的疼痛类型的时间变化。

关于痛觉，感受性(痛阈)存在个体差，通常由于刺激的产生方式、接纳器官部位的差异而存在质的差异，存在钝痛、锐痛等分类，但是在本公开中，任何种类的痛觉都能够进行测定、推定及分类。而且，也能够应对急性痛觉(A痛觉)及慢性痛觉(B痛觉)、(急性)局部的疼痛及(慢性)弥漫性疼痛。本公开也能应对痛觉异常过敏等痛觉的异常症状等。在传递疼痛的末梢神经已知存在“Aδ纤维”和“C纤维”这两种神经纤维，例如当拍手时，开始的疼痛通过Aδ纤维的传导，传递定位明确的尖锐的疼痛(原发性疼痛；锐痛)。然后，通过C纤维的传导，感觉到定位不明确的刺痛的疼痛(继发性疼痛；钝痛)。疼痛被分类成持续4-6周以内的“急性疼痛”和持续4-6周以上的“慢性疼痛”。疼痛是与脉搏、体温、血压、呼吸并列的重要的生体特征，但是难以作为客观的数据来表征。代表性的疼痛评分法如视觉模拟评分法(VAS：visual analogue scale)、面部表情评分法(faces pain rating scale)是主观的评价法，无法将患者间的疼痛进行比较。另一方面，本发明者还推导出：作为客观评价疼痛的指标，若着眼于不易受到末梢循环***的影响的脑电波，观测其对于疼痛刺激的振幅/潜伏期的变化并进行趋势分析，则能够进行疼痛的判别及分类。无论是瞬间刺激还是持续刺激都能够检测。特别是，瞬间痛和刺痛也能够通过本公开的趋势分析加以区别。瞬间痛是短时间区间的疼痛，因此如果使用趋势分析中的至少经数十秒的时间方向平均法，则关联的脑活动可能会衰减(例.观察不到与疼痛评价有意的相关)。另一方面，在持续痛的情况下，由于是持续性的，因此通过时间方向平均法而与疼痛评价有意的相关反而可能会变强。本发明者还推导出：作为用于客观评价疼痛的指标，着眼于不易受到末梢循环***的影响的脑电波，观测其对于疼痛刺激的振幅/潜伏期的变化，并应用参考刺激而其精度增加的情况。

在本公开中，与强度自身相比，能够区分是否为“需要治疗的”疼痛的情况为重要的点之一，通过参考刺激能够更准确地对其进行诊断。因此，能够基于“治疗”这样的概念将“疼痛”明确地分类也是至关重要的。例如，可以说与“舒适与否”或“无法忍受”这样的疼痛的“定性”分类相关联。例如，能够对“疼痛指数”的定位、基线或其关系性也进行定义，除了能够假设n＝2的情况之外，也能够假设n＝3以上的情况。而且，在3个以上的情况下，可以分为“不痛”“虽痛但舒服”“痛”。例如，能够进行“无法忍受，需要治疗”的疼痛、“中间”、“虽然痛但是不在意”这样的判别。在使用了本公开的趋势解析的情况下，通过确定与强的疼痛关联的信号的持续时间的长短的阈值，能够识别出是“无法忍受”的疼痛还是“虽然痛但是能忍受”的疼痛。

在本说明书中，“主观的疼痛感觉等级”是指对象具有的疼痛感觉的等级，可以通过被计算机化的可视化模拟评分法(COVAS)等惯用技术或其他的公知技术，例如，支持性团队测量量表(Support Team Assesment Schedule(STAS-J))、数字评分法(Numerical

RatingScale(NRS))、面部表情评分法(Faces Pain Scale(FPS))、疼痛评估量表(Abbey

painscale(Abbey))、非言语疼痛评估量表(Check in list of Nonverbal PainIndicatiors(CNPI))、交流障碍病人疼痛评估工具(Non-communicative Patient‘s PainAssessmentInstrument(NOPPAIN))、老年痴呆病人疼痛评估量表(Doloplus2)等来表达。

(优选的实施方式)

以下，说明本公开的优选的实施方式。以下提供的实施方式是为了本公开的更好的理解而提供的方式，可知本公开的范围不应限定为以下的记载。因此，本领域技术人员明确可知可以参照本说明书中的记载而在本公开的范围内适当地进行改变。而且，应理解本公开的以下的实施方式可以单独使用或者将它们组合使用。

需要说明的是，以下说明的实施方式都是示出包括性的或具体的例子的方式。以下的实施方式所示的数值、形状、材料、构成要素、构成要素的配置位置及连接方式、步骤、步骤的顺序等为一例，并非旨在限定技术方案的范围。而且，关于以下的实施方式的构成要素中的、、未记载在表示最上位概念的独立权利要求中的构成要素，作为任意的构成要素来说明。

(参考刺激)

在一个方面中，本公开提供一种用于构筑用于对生物体的反应进行识别的模型的方法，包括：从生物体取得多个反应数据的步骤，即包括取得所述生物体处于第一状态时的第一反应数据的步骤和取得所述生物体处于第二状态时的第二反应数据的步骤的步骤；基于所述取得的多个反应数据，构筑用于对所述生物体的反应进行识别的所述生物体特有的模型的步骤。各种分析、诊断、检查通过应用参考刺激能够准确地进行。

在一实施方式中，所述第一反应数据是所述生物体处于第一状态时对所述生物体赋予了刺激时的数据，所述第二反应数据是在所述生物体处于第二状态时对所述生物体赋予了刺激时的数据。

在一实施方式中，从所述生物体取得多个反应数据的步骤包括取得在所述生物体处于所述第一状态时未对所述生物体赋予刺激时的第三反应数据的步骤、取得在所述生物体处于所述第二状态时未对所述生物体赋予刺激时的第四反应数据的步骤。

在一实施方式中，所述生物体的反应包括有疼痛的反应和无疼痛的反应。

在一实施方式中，所述第一状态是将噪声附加于所述反应数据的状态，所述第二状态是未将噪声附加于所述反应数据的状态。

在一实施方式中，所述第二状态包括所述生物体将五官中的至少一个剥夺的行动。在一实施方式中，所述第二状态包括所述生物体进行视觉剥夺行动、听觉剥夺行动或这些行动的组合行动的状态。

在一实施方式中，构成所述模型的步骤包括基于所述取得的多个反应数据，更新用于对生物体的反应进行识别的现有的模型，由此构筑所述生物体特有的模型的步骤。

在一实施方式中，构筑所述模型的步骤包括基于所述取得的多个反应数据，从多个用于对生物体的反应进行识别的现有的模型中选择所述生物体特有的模型，由此构筑所述生物体特有的模型的步骤。

在一实施方式中，赋予了刺激时的反应数据也可以通过使对象想起赋予的刺激来取得。刺激赋予与刺激想起的间隔越短，越能够取得更准确的反应数据。例如，对象当想像疼痛时，有时会呈现好像在被实际赋予疼痛那样的反应数据。

在一个方面中，提供一种***，具备：模型，其通过本公开的方法构筑而成；取得机构，其从生物体取得反应数据；及输出机构，其基于由所述取得机构取得的反应数据而输出所述模型对所述生物体的反应进行了识别的结果。

在另一方面中，本公开提供一种***，具备：取得机构，其从生物体取得反应数据，且包括参照模式和测定模式；模型构筑机构，其使用从所述取得机构得到的反应数据作为参照刺激来构筑模型，所述模型通过基于多个反应数据，构筑用于对所述生物体的反应进行识别的所述生物体特有的模型来构筑，所述多个反应数据通过在所述参照模式下，从所述生物体取得多个反应数据的步骤来取得，该步骤包括取得所述生物体处于第一状态时的第一反应数据的步骤、以及取得所述生物体处于第二状态时的第二反应数据的步骤的步骤；输出机构，其基于在所述测定模式下由所述取得机构取得的反应数据而输出所述模型对所述生物体的反应进行了识别的结果。通过针对应用参考刺激的情况每次进行定制，各种分析、诊断、检查能够遵照个人更准确地进行。本实施方式可以作为实现精准医学(Precision Medicine)(也称为定制机械学习(定制法))的一个例子来举出。

在另一方面中，本公开提供一种还具备标准模型的上述的***，且所述模型构筑机构基于所述多个反应数据来修正所述标准模型。通过应用参考刺激，各种分析、诊断、检查能够准确地进行。在此，即使在预先设想标准模型的情况下，对于个人而言也无法说是最佳化的情况较多，因此在这样的情况下，通过应用参考刺激，各种分析、诊断、检查能够准确地进行。

(程序)

本公开还提供用于构筑用于对生物体的反应进行识别的模型的程序，所述程序在具备处理器的计算机***中执行，所述程序使所述处理器执行包括以下步骤的处理，即，基于所述生物体处于第一状态时的第一反应数据和所述生物体处于第二状态时的第二反应数据来构筑用于对所述生物体的反应进行识别的所述生物体特有的模型的步骤。

(独立型)

本公开的用于构筑用于对生物体的反应进行识别的模型的方法例如可以在由使用者提供的疼痛分析装置等分析装置中执行全部的步骤。即，疼痛分析装置可为独立型。独立型的疼痛分析装置等分析装置进行对生物体赋予参考刺激，取得其反应数据，基于所取得的反应数据来构筑该生物体特有的模型这样的一系列动作。由此，疼痛分析装置等分析装置不用与外部进行通信，就能够使用该生物体特有的模型，来高精度地识别该生物体的反应。

本公开的执行用于构筑用于对生物体的反应进行识别的模型的程序的计算机***例如可以是使用者提供的疼痛分析装置等分析装置。疼痛分析装置等分析装置的处理器进行对生物体赋予参考刺激，取得其反应数据，基于所取得的反应数据来构筑该生物体特有的模型这样的一系列动作。由此，疼痛分析装置等分析装置不用与外部进行通信，就能够使用该生物体特有的模型，来高精度地识别该生物体的反应。

(云)

本公开的用于构筑用于对生物体的反应进行识别的模型的方法例如可以在具备使用者提供的疼痛分析装置等分析装置、以及疼痛分析装置等分析装置能够经由网络进行连接的服务器装置的***中执行。用于构筑用于对生物体的反应进行识别的模型的方法中的一部分的步骤可以在疼痛分析装置等分析装置中执行，其余的步骤可以在服务器装置中进行。例如，疼痛分析装置能够执行从生物体取得多个反应数据的步骤，并将所取得的多个反应数据向服务器装置发送，服务器装置能够执行以下步骤，即，从疼痛分析装置等分析装置接收多个反应数据，基于接收到的多个反应数据，构筑用于对生物体的反应进行识别的生物体特有的模型的步骤。由此，能够降低疼痛分析装置等分析装置的处理负荷。

(大规模***)

在另一方面中，本公开还提供一种用于构筑用于对生物体的反应进行识别的模型的***。该***具备处理器、分析装置，其中，处理器执行包括以下步骤的处理，即，基于生物体处于第一状态时的第一反应数据和生物体处于第二状态时的第二反应数据来构筑用于对所述生物体的反应进行识别的所述生物体特有的模型的步骤。通过针对应用参考刺激的情况每次进行定制，从而各种分析、诊断、检查能够遵照个人更准确地进行。本实施方式可以作为实现精准医学(Precision Medicine)(也称为定制机械学习(定制法))的一个例子来举出。作为大规模***中的应用，首先，也可以使用保存于数据库中的多个标准模型来尝试疼痛的判别，但是还可考虑使用参考刺激并每次进行微调那样的事例。

(***)

图49示出用于构筑对本公开的生物体的反应进行识别用的模型的***100的结构的一例。在此，对疼痛分析装置进行说明。

***100可以是例如使用者提供的疼痛分析装置。

***100可具备刺激赋予部110、反应数据取得部120、处理器130、存储器140、输出部150。

刺激赋予部110对生物体赋予刺激。通过刺激赋予部110赋予的刺激可以是例如电刺激、冷刺激、热刺激、物理刺激、化学刺激中的至少一个。刺激赋予部110具备与赋予的刺激对应的结构。作为赋予电刺激、冷刺激、热刺激、物理刺激、化学刺激的例示性的结构，可考虑将Pain Vision(Osachi)小型化的结构。作为例示性的结构，对于电刺激可考虑将PainVision(Osachi)小型化的结构，对于冷刺激及热刺激可考虑将Pathway(MEDOC)小型化的结构。

反应数据取得部120构成为，从生物体取得反应数据。反应数据取得部120例如取得被刺激赋予部110赋予了刺激的生物体所产生的反应数据。反应数据取得部120可以通过实时地对例如被刺激赋予部110赋予了刺激的生物体所产生的反应数据进行测定来取得反应数据，也可以从预先保存有被刺激赋予部110赋予了刺激的生物体所产生的反应数据的存储部中取得反应数据。

处理器130执行***100的处理，并控制***100整体的动作。处理器130读出存储器140保存的程序，并执行该程序。由此，能够使***100作为执行所希望的步骤的***来发挥功能。处理器130也可以在取得机构110取得的示教数据是不适合于处理的形式的情况下，进行转换成适合于处理的形式的处理。处理器130既可以通过单一的处理器来安装，也可以通过多个处理器来安装。

存储器140保存为了执行***100的处理所需的程序、该程序的执行所需的数据等。存储器140也可以保存用于使处理器120进行用于构筑用于对生物体的反应进行识别的模型的处理的程序(例如，实现后述的图60所示的流程的一部分的程序、实现图61所示的处理的程序)。处理器120也可以保存用于使处理器120进行使用构筑而成的模型来识别生物体的反应的处理的程序。在此，将程序如何保存于存储器140是任意的。例如，程序可以预安装于存储器140。或者，程序可以通过经由网络下载而安装于存储器140。在该情况下，网络的种类任意。存储器140可通过任意的存储机构来安装。

输出部150构成为，能够向***100的外部输出数据。输出部150例如能够输出构筑成的生物体特有的模型。输出部150能够输出例如使用构筑成的模型对生物体的反应进行了识别的结果。输出部150以何种方式输出放大的示教数据的情况是任意的。例如，在输出部150为发送器的情况下，可以通过发送器经由网络500向***100的外部发送数据来输出。例如，在输出部150为数据写入装置的情况下，可以通过向与***100连接的存储介质或数据库部200写入数据来输出数据。例如，输出部150可以在转换成能够由数据的输出目的地的硬件或软件处理的形式、或者调整成能够由数据的输出目的地的硬件或软件处理的响应速度以输出数据。

在使用参考刺激进行构筑时，例如，能够以本发明者们以前提出申请的WO2018/038121及WO2019/009420等为参考，并通过在其中进行参考刺激的处理来实现。例如，使用了参考刺激的模型构筑方法可理解为(i)新模型的构筑、(ii)现有模型的更新、(iii)现有模型的选择这三种。

使用图60，说明例示性的疼痛等级算出的方法。

在取得与模型用的刺激强度(判别模型制作用的疼痛刺激的提示，S100)对应的模型用脑电波数据或其分析数据(判别模型制作用数据的取得)的工序(S200)中，以多个等级(强度或大小)的刺激(例如，冷热刺激、电刺激等)刺激推定对象而取得脑电波。刺激强度的种类的数目可以是制作函数图案所需的数目，例如，通常至少需要弱、中、强这三个种类。有时即使是一个种类或两个种类，通过与之前获得的信息组合，也能够向模型构筑进行适用，因此该种类数目并非必要。另一方面，在新进行适用的情况下，通常以至少三个种类、优选以四个种类、五个种类、六个种类或更多的种类等级的刺激来进行刺激是有利的。如果为三个种类，则可知弱、中、强，因此，如果优选多于三个种类，则由于更详细地获知函数图案，因此，可以说是理想的，但是没有限定于此。在此，应极力减少对推定对象的负担，因此刺激强度对于该推定对象的侵袭性高(换言之，受验者无法忍受的强度)的数目优选为最低限度或0。另一方面，为了更准确的拟合而需要对于推定对象的侵袭性高的刺激，因此可以根据目的而加入最低限度的数目。例如，这样的侵袭性高的等级的种类的数目可以为至少一个种类、至少两个种类或至少三个种类，在推定对象容许的情况下，也可以为四个种类以上。脑电波数据或其分析数据也称为脑活动数据、脑活动量等。例如，包括振幅数据(“EEG振幅”)、频率特性等。这样的脑电波数据可以使用该领域周知的任意的方法来取得。脑电波数据能够通过测定脑电波的电信号来得到，作为振幅数据等，由电位(可由μv等表示)来表示。频率特性由功率谱密度等来表示。

S300是设定作为目标的疼痛等级，将该模型用脑电波特征量、该疼痛等级向稀疏模型解析进行导入，求出适当的λ(优选为最佳λ)，决定与该适当的λ(优选为最佳λ)对应的该模型用脑电波特征量的参数(偏回归系数)及算法的常数(截距)，并生成回归模型的工序。在此，设定疼痛等级，使用通过工序b)得到的脑电波特征量，制作回归模型(疼痛分类器/预测器(模型回归式))(S400)。回归模型可以使用该领域公知的任意的方法来进行。作为这样的具体的解析方法，例如，可举出LASSO。

以下，作为使用了参考刺激的模型构筑的一例，示出使用了稀疏建模的模型构筑。

<回归模型生成>

以下示出用于生成用于基于该推定对象的脑电波对该推定对象具有的疼痛进行判别或推定的回归模型的方法。该方法包括：a)取得与参考刺激对应的模型用脑电波数据或其分析数据的工序；b)从该脑电波数据或其分析数据提取模型用脑电波特征量的工序；c)设定目标的疼痛等级，将该模型用脑电波特征量(独立变量)和该疼痛等级(从属变量)向稀疏模型解析进行导入，求出适当的λ(优选为最佳λ)，决定与该适当的λ(优选为最佳λ)对应的该模型用脑电波特征量的参数(偏回归系数)及算法的常数(截距)，并生成回归模型的工序。

在稀疏模型解析中，能够进行多次(例如，1000次或其以上或其以下)的数据输入、判别/推定部的算法决定及判别/推定的输出，而成为适当的值(优选为最佳化)。例如，可以进行2000次、3000次、5000次、10000次。

使用适当的(优选为最佳的)λ系数，决定特征量的参数(系数)和算法的常数(截距)，在进行测试数据的判别推定时，将其反复进行1000次，其平均成为判别精度。现有技术的精度判别可以说严密性相当不同。而且，在使用以一般为对象生成的回归模型的情况下，优选按各个人进行校准。可以追加按照各个人对在该模型中使用的特征量的参数(系数)、算法的常数(截距)进行补正的技术。

在本公开中，当在进行建模时进行稀疏模型解析的情况下，应留意以下的点进行。例如，在LASSO中，对全部的系数同样地施加λ值来进行正态化，因此使用的特征量需要以相同单位来处理。因此，需要进行特征量的标准化并统一管理。

<稀疏建模>

以下示出例示性的稀疏建模的更详细的次序。

在S1000中，进行数据输入，输入特征量数据及疼痛等级数据。

在S2000中，进行数据的分割。在此，分割成学习数据和测试数据，学习数据在模型决定中使用，测试数据在模型精度的测试中使用。

在S3000中，进行基于使用了学习数据的交叉验证(在图中例示10分割交叉验证)的适当的(优选为最佳的)λ值的决定(例如，LASSO解析)。

在S4000中，决定特征量的参数(偏回归系数)及回归式模型的常数(截距)。

在S5000中，进行测试数据的疼痛等级的推定及实际的疼痛等级的比对。比对例如存在现有的回归模型，其推定值为疼痛强≥0.3，疼痛弱<0.3。因此，在≥0.3以上的情况下设为“2”，在<0.3的情况下设为“1”。在此，实际的疼痛等级也由“强＝2”和“弱＝1”来表达，因此将两者进行比对，如果一致，则作为正解，算出判别精度。

在S6000中，进行判别精度(％)的算出。从S6000返回S2000以后反复多次(在图61中为1000次)地计算精度。

在本说明书记载的各实施方式中，生成用于判别与疼痛相关的生物体的反应的模型的情况例如通过以下的方法进行。即，该方法包括：

a)通过对多个受试体进行疼痛试验而取得多个COVAS数据的步骤；

b)通过对该多个COVAS数据进行平均而制作COVAS模板的步骤；

c)通过对该生物体进行该疼痛试验而从该生物体得到脑电波数据或其分析数据的步骤；

d)基于该COVAS模板，将该脑电波数据或其分析数据剪切的步骤；

e)将该剪切的脑电波数据或其分析数据作为学习用数据，以与该剪切的脑电波数据或其分析数据对应的COVAS模板的值为标签进行学习，由此制作模型的步骤。

在该方法中，其特征在于，预先对与生物体不同的多个受试体进行疼痛试验，将从该疼痛试验得到的多个COVAS数据进行平均，由此制作COVAS模板。

疼痛试验是赋予任意的疼痛的试验，遵照规定的分布图对多个受试体赋予疼痛。疼痛例如可以为电刺激，也可以为热刺激。疼痛例如可以是从弱刺激呈阶梯状地上升至强刺激的强度的刺激，可以是从强刺激呈阶梯状地下降至弱刺激的强度的刺激，可以是它们的组合，也可以是在弱刺激与强刺激之间上下的强度的刺激。

COVAS(计算机化后的可视化模拟评分法)数据表示对多个受试体进行了疼痛试验时的多个受试体对疼痛的主观评价。COVAS数据将对疼痛试验中的各疼痛的各个主观评价建立关联。COVAS数据具有疼痛试验的时间量的长度。

多个受试体可以优选为对于疼痛的健全体。由此，通过取多个受试体的COVAS数据的平均，从而COVAS模板表示健全体对疼痛的主观评价。

此外，在该方法中，其特征在于，基于预先制作的COVAS模板，将通过对判别疼痛的生物体进行疼痛试验而得到的脑电波数据或其分析数据剪切。在此，在疼痛试验中，按照与为了制作COVAS模板而进行的疼痛试验相同的分布图对生物体赋予疼痛。

在将脑电波数据或其分析数据基于预先制作的COVAS模板剪切时，优选的是，使疼痛刺激的开始定时在COVAS模板与脑电波数据或其分析数据中匹配后，将将脑电波数据或其分析数据剪切。由此，能够将COVAS模板作为标签与剪切的脑电波数据或其分析数据建立对应。即，经由COVAS模板的主观评价能够判别脑电波数据或其分析数据由何种疼痛引起。关于通过COVAS模板而添附了标签的脑电波数据或其分析数据，可以在用于制作用于对疼痛进行判别的模型的学习中使用。

使疼痛刺激的开始定时匹配的情况可以通过例如使脑电波数据或其分析数据包含的表示疼痛刺激的开始定时的触发与COVAS模板包含的表示疼痛刺激的开始定时的触发一致来达成。

此外，在该方法中，其特征在于，以剪切的脑电波数据或其分析数据为学习用数据，以与剪切的脑电波数据或其分析数据对应的COVAS模板的值为标签进行学习，由此制作模型。

学习中使用的方法为任意的方法。学习中使用的方法例如为LSTM(Long short-term memory)。例如，在LSTM的输入中使用被剪切的脑电波数据或其分析数据，在该标签(示教输出)中使用COVAS模板的值，由此进行学习。

需要说明的是，在上述各实施方式中，各构成要素可以由专用的硬件构成，或者通过执行与各构成要素相适的软件程序来实现。各构成要素可以通过CPU或处理器等程序执行部将硬盘或半导体存储器等记录介质中记录的软件程序读出并执行来实现。在此，实现上述各实施方式的疼痛推定装置等的软件是本说明书中上述的程序。

在本说明书中，“或者”在能够采用文章中举出的事项的“至少一个以上”时使用。“或”也同样。当在本说明书中明确记载为“两个值的范围内”的情况下，该范围也包括两个值自身。

关于在本说明书中引用的科学文献、专利、专利申请等参考文献，它们整体以与分别具体记载的相同程度作为参考而援引于本说明书中。

以上，关于本公开，为了便于理解而示出并说明了优选的实施方式。以下，将基于实施例来说明本公开，但是上述的说明及以下的实施例仅为了例示的目的而提供，并不是以限定本公开的目的而提供。因此，本公开的范围不限定于本说明书具体记载的实施方式和实施例，而仅由技术方案的范围限定。

实施例

以下记载实施例。以下的实施例中使用的对象的处理，在必要的情况下，遵守大阪大学所规定的基准，在关系到临床研究的情况下，遵照赫尔辛基宣言及ICH-GCP来进行。

(实施例1：闭眼样本放大)

在本实施例中，进行了闭眼样本放大(Long short-term memory(LSTM)4class)的实验。以下示出方法等。

(方法1)

使用LSTM进行了“无疼痛/有疼痛/有噪声无疼痛/有噪声有疼痛”这4级别的判别。为了附有包含噪声的类的标签而进行了噪声测试及疼痛刺激中的噪声测试。请受验者在一部分的试行中闭上眼睛(闭眼任务)。以下示出进行的实验试行的条件。

·实验试行：

(1)artifact1：噪声测试(较强地合上眼睛、身体的拉伸、朗读)、睁眼

(2)artifact2：噪声测试(较强地合上眼睛、身体的拉伸、朗读)、睁眼

(3)artifact_pain1：在疼痛刺激时进行噪声测试(噪声进入的自发的反应)、睁眼

(4)artifact_pain2：在疼痛刺激时进行噪声测试(噪声进入的自发的反应)、睁眼

(5)ref：疼痛刺激、安静、闭眼

(6)main1：疼痛刺激、安静、闭眼

(7)main2：疼痛刺激、安静、闭眼

(8)main3：在疼痛刺激时进行噪声测试、闭眼

(9)2temp：疼痛刺激(中：46℃、大：48℃)、睁眼

(10)2temp_artifact：在疼痛刺激(中：46℃、大：48℃)时进行噪声测试(噪声进入的自发的反应)、睁眼

(方法2)

作为电极，使用额叶的6ch进行了实验。在各ch中，使用了以下的频带。

-f1＝2-5Hz

-f2＝5-8Hz

-f3＝8-14Hz

-f4＝14-29Hz

-f5＝31-40Hz

-f6＝40-49Hz

在特征量提取时，施加了EOG去除和带通滤波。在“无噪声无疼痛”、“无噪声有疼痛”、“有噪声无疼痛”、及“有噪声有疼痛”各个级别中一边错开一边进行剪切，并分别增加了初始的样本。对于所得到的样本，按照各个人适用样本放大法，制作适合于个人的模型。

接下来，将2class与4class的评价基准(判别精度、适合率、再现率、F1值)进行了比较。本次未进行设定阈值来判别的方法，2class及4class都使用softmax函数进行了比较。以下的表1示出4级别LSTM解析的流程。

[表1]

4级别LSTM解析的流程

图28示出作为现有技术的2级别LSTM的流程。

解析条件在图1中示出。

解析条件具体而言如以下所述。

使用了以下的网络。

layers＝具有下一层的6×1的Layer排列：

1定序输入7维的定序输入

2 LSTM 具有300个隐藏单元的LSTM

3脱离50％脱离

4全结合 4全结合层

5softmax softmax

6分类输出 crossentropyex

超参数如以下所述

·参数的更新方法：Adam

·学习率：0.001

·小批量尺寸：128

·迭代次数：20

·L2正态化(λ)：0.01

·脱离：0.5

(离线时间序列数据解析)

离线时间序列数据解析如以下所述进行。

(1)判别值(softmax：4class)

→(0：无噪声无疼痛，1：无噪声有疼痛，2：有噪声无疼痛，3：有噪声有疼痛)

…将全结合层的结果向softmax函数输入，将概率最高的级别设为判别值。

(2)判别值(softmax：2class)

→(0：无疼痛，1：有疼痛)

…将(1)的结果(4级别)转换成2级别。

([4级别]0，2→[2级别]0，[4级别]1，3→[2级别]1)

·此次，将该2级别的判别值与正解标签(出现热刺激时)进行比较并进行了评价(判别精度、适合率、再现率、F1值)。

热刺激的正解标签存在的是以下的8个试行：

(3)artifact_pain1，(4)artifact_pain2，(5)ref，(6)main1，(7)main2，(8)main3，(9)2temp，(10)2temp_artifact。

(3)疼痛推定值：-log(1-x)

→将疼痛推定值(0-1)以-log(1-x)进行转换后的疼痛推定值

…在设定接近1的阈值(例如，0.99)的情况下，容易观察到推定值的变动。

(4)脑电波：Fp1

(5)特征量

→147x15个特征量

…以147个特征量和15个时间序列顺序为单位的特征量。

(结果)

以下示出结果。

图2示出artifact1(噪声测试(紧紧地闭眼、身体的拉伸、朗读)、睁眼)条件的原始数据。图3示出进行了离线时间序列数据解析的结果。在4级别中，应判定为有噪声无疼痛(2)，但是可知观察到误判别。

图4示出artifact2(噪声测试(紧紧地闭眼、身体的拉伸、朗读)、睁眼)条件的原始数据。图5示出模型制作用的离线时间序列数据解析。可知，在4级别中，应判定为有噪声无疼痛(2)，但由于是模型制作用，因此能准确地进行判定。

图6示出artifact_pain1(疼痛刺激时进行噪声测试(噪声进入的自发的反应)、睁眼)条件的原始数据。图7示出模型制作用的离线时间序列数据解析。可知，在4级别中，有噪声无疼痛(2)与有噪声有疼痛(3)交替出现，因此能够顺利地判别。

图8示出artifact_pain2(疼痛刺激时噪声测试(噪声进入的自发的反应)、睁眼)条件的原始数据。图9示出模型制作用的离线时间序列数据解析。可知，在4级别中，由于有噪声无疼痛(2)与有噪声有疼痛(3)交替出现，因此能够顺利地制作模型。

图10示出ref(疼痛刺激、安静、闭眼)条件的原始数据。图11示出模型制作用的离线时间序列数据解析。可知，在4级别中，无噪声有疼痛(1)在有疼痛刺激时出现，因此能够顺利地制作模型。

图12示出main1(疼痛刺激、安静、闭眼)条件的原始数据。图13示出模型制作用的离线时间序列数据解析。可知，在4级别中，无噪声有疼痛(1)在有疼痛刺激时出现，因此能够顺利地判别。

图14示出main2(疼痛刺激、安静、闭眼)条件的原始数据。图15示出模型制作用的离线时间序列数据解析。可知，在后半的没有疼痛刺激时，判定为有噪声(2或3)，误判别也增多。作为判别为有噪声的原因，可考虑实际上受验者可能会移动身体的情况或者疼痛刺激后的余音残留的情况。即，可考虑即使在刺激结束之后，疼痛也会拖尾而持续的情况。

图15示出main3(疼痛刺激，安静，闭眼)条件的原始数据。图17示出模型制作用的离线时间序列数据解析。可知，整体地判定为有噪声(2或3)，2级别中的误判别也增多。作为判别为有噪声的原因，可考虑实际上受验者可能会移动身体的情况，在2级别的softmax中，作为在前半误判别为有疼痛的原因，可考虑此时制作成的模型未顺利地发挥功能的情况。

图18示出2temp(疼痛刺激(中：46℃，大：48℃)、睁眼)条件的原始数据。图19示出模型制作用的离线时间序列数据解析。整体地、判定为有噪声(2)，误判别增多。可考虑是未进行闭眼任务的缘故。

图20示出2temp_artifact(疼痛刺激(中：46℃、大：48℃)时进行噪声测试(噪声进入的自发的反应)、睁眼)条件的原始数据。图21示出模型制作用的离线时间序列数据解析。虽然未进行闭眼任务，但是由于进行在疼痛刺激时对疼痛作出反应的任务，因此判别精度稍微改善。

(考察)

根据上述的结果，通过追加有噪声无疼痛、有噪声有疼痛的级别，从而在4级别的LSTM中，暗示了即使在噪声存在的情况下也能够进行判别的可能性。

(实施例2：4级别与2级别的LSTM的比较)

本实施例进行了4级别与2级别的LSTM的比较。

(方法)

在正与负的2级别的分类问题中，基于分类器的预测结果和真实结果，如以下那样进行分类。例如，将真实地为正的数据且预测结果也为正那样的数据数设为TP(TruePositive)个，将真实地为负的数据且预测结果也为负那样的数据数设为TN(TrueNegative)个，将真实地为负的数据且预测结果为正那样的数据数设为FP(FalsePositive)个，将真时地为正的数据且预测结果为负那样的数据数设为FN(FalseNegative)个。

(评价基准)

以下，如以下那样定义4个评价基准(图22)。

正解率(精度，accuracy)：在预测为正或负的数据中，实际为正或负的数据所占的比例，即

accuracy＝(TP+TN)/(TP+FP+TN+FN)，

适合率(precision)：在预测为正的数据中，实际为正的数据所占的比例，即

precision＝TP/(TP+FP)，

再现率(recall，感度，sensitivity)：在实际为正中的数据中，预测为正的数据所占的比例，即

recall＝TP/(TP+FN)，

F1值(F1尺度，F1-score，F1-measure)：精度与再现率的调和平均，即

F1-score＝2*recall*precision/(recall+precision)。

(结果)

图23～图27示出判别精度。

(考察)

·通过追加有噪声无疼痛、有噪声有疼痛的级别，从而在4级别的LSTM中，暗示了即使在噪声存在的情况下也能够进行判别的可能性。

·在(9)2temp及(10)2temp_artifact中，判别精度降低可考虑是未进行闭眼任务的缘故。

·如果限于本次的受验者，则在评价基准的平均值中，判别精度和适合率在4级别的情况下比2级别良好。反之，再现率和F1值在2级别的情况下较为良好。在以判别精度进行评价的情况下，可认为4级别更优异。

(实施例3：2级别LSTM解析)

在本实施例中，进行了2级别LSTM解析。图28示出2级别LSTM解析的流程。

(结果)

以下示出结果。

图29示出artifact1(噪声测试(紧紧地闭眼、身体的拉伸、朗读)、睁眼)条件的原始数据。图30示出以下进行了离线时间序列数据解析的结果。在2级别中，应判定为无疼痛(0)，但是被误判别。

图31示出artifact2(噪声测试(紧紧地闭眼、身体的拉伸、朗读)、睁眼)条件的原始数据。图32示出模型制作用的离线时间序列数据解析。由于是2级别，因此虽应判定为无疼痛(0)，但是被误判别为有疼痛。

图33示出artifact_pain1(疼痛刺激时进行噪声测试(噪声进入的自发的反应)、睁眼)条件的原始数据。图34示出模型制作用的离线时间序列数据解析。在2级别中，无疼痛(0)与有疼痛(1)交替出现，因此能够顺利地判别。

图35示出artifact_pain2(疼痛刺激时噪声测试(噪声进入的自发的反应)、睁眼)条件的原始数据。图36示出模型制作用的离线时间序列数据解析。在2级别中，无疼痛(0)与有噪声(1)交替出现，因此能够顺利地判别。

图37示出ref(疼痛刺激、安静、闭眼)条件的原始数据。图38示出模型制作用的离线时间序列数据解析。在2级别中，有疼痛(1)在有疼痛刺激时出现，因此能够顺利地制作模型。

图39示出main1(疼痛刺激、安静、闭眼)条件的原始数据。图40示出模型制作用的离线时间序列数据解析。在2级别中，有疼痛(1)在有疼痛刺激时出现，因此能够顺利地判别。

图41示出main2(疼痛刺激，安静，闭眼)条件的原始数据。图42示出模型制作用的离线时间序列数据解析。在后半的没有疼痛刺激时，判定为有噪声(1)，误判别也增多。

图43示出main3(疼痛刺激，安静，闭眼)条件的原始数据。图44示出模型制作用的离线时间序列数据解析。整体地、判定为有疼痛(1)，2级别的误判别也增多。

图45示出2temp(疼痛刺激(中：46℃，大：48℃)、睁眼)条件的原始数据。图46示出模型制作用的离线时间序列数据解析。整体地、误判别增多。可考虑是未进行闭眼任务的缘故。

图47示出2temp_artifact(疼痛刺激(中：46℃，大：48℃)时噪声测试(噪声进入的自发的反应)、睁眼)条件的原始数据。图48示出模型制作用的离线时间序列数据解析。整体地、误判别增多。可考虑是未进行闭眼任务的缘故。

(考察)

2级别与4级别相比，标签的种类少，相应地在使用参考刺激并使其适合于个人的情况下，暗示了判别精度下降的可能性。由此，在反之使用参考刺激的情况下，通过具体定义尽可能多的标签，暗示了能够提高判别精度的可能性。

(实施例4：使用了通过事先检查而制作成的模型的疼痛判别)

实验范例如以下所述。

被检测者(患者)：F030年龄：61岁性别：女性

病名：双下肢静脉瘤

手术式：双下肢静脉激光消融术

日期时间：2018年11月17日13：55-19：52(5个小时57分钟)

对数据分两次进行收集，将事先检查作为模型制作用，将手术中的正式进行作为测试用。测试用数据中不存在疼痛的标签，但记录手术中的手艺，询问NRS以作为其替代。

对于受验者，从40℃至48℃以5个阶段随机地提示了各3次的热刺激。其中，将40、42、44℃设为“无疼痛”，将48℃设为“有疼痛”，研究了2级别(图50)。

脑电波使用额叶的6ch，从绝对振幅和6个频带(2-5Hz、5-8Hz、8-14Hz、14-29Hz、31-40Hz、40-49Hz)提取了频率功率作为特征量(图51)。作为前处理，施加了EOG去除和带通滤波。

学习模型通过针对2级别的各个级别进行样本放大，并使用LSTM(Long short-term memory)来制作。特征量使用147x15个，在特征量提取后且模型的制作时前进行样本放大。

对于离线的时间序列数据，进行2级别(“0：无疼痛·1：有疼痛”)的判别，单独地设定阈值，输出结果作为疼痛判别值。

图52～56示出事先检查及正式进行的结果。

(结果)

在使用LSTM评价了手术中的患者的疼痛主观评价(VAS)较高时(特别是局部麻醉时)的时间序列数据时，成功地得到了较高的一致度。

(实施例5：假想实施例、应用了参考刺激的医疗装置、医疗***)

图57示出例示性的实施例中的应用了参考刺激的医疗***的结构的一例。图57所示的医疗***包括设备部分(左侧)和云/服务器部分(右侧)。设备部分具有进行脑电波取得、特征量提取及数据的收发并可视化的功能，为了该功能而具备脑电波数据测定部110000、数据收发部120000、疼痛等级可视化部130000、脑电波特征量提取部140000。云/服务器部分具有进行分析、判定判别模型的生成等的功能，具备数据收发部125000、疼痛等级判别推定部150000、疼痛判别模型生成部160000、数据保存部170000。设备部分与云/服务器部分可经由数据收发部120000及125000连接。在云/服务器部分可连接脑电波数据库180000。在该模型中，脑电波特征量(分析数据)的提取在设备部分进行。

如图57所示，本实施例的医疗***能够在制作或决定判别模型时(白箭头)和监控实际的疼痛时(黑箭头)使用。在制作或决定模型时，对对象赋予参考刺激。脑电波数据测定部110000对对象接受参考刺激时的脑电波进行测定。参考刺激例如在对象安静的状态(无噪声)及对象进行噪声产生行动的状态(有噪声)下来赋予。测定出的数据被发送给脑电波特征量提取部140000，提取多个特征量。提取到的特征量经由数据收发部120000被发送给云/服务器部分。当云/服务器部分经由数据收发部125000接收特征量时，特征量被发送给疼痛判别模型生成部160000。疼痛判别模型生成部160000基于特征量，生成判别模型。判别模型是能够判别疼痛的有无的模型。例如，如果向判别模型输入生物体反应数据，则能够输出是有疼痛时的生物体反应数据还是无疼痛时的生物体反应数据。

在此，判别模型的生成例如可以通过重新构筑判别模型来生成判别模型，也可以通过更新现有的判别模型来生成判别模型。或者，判别模型的生成也可以涵盖从现有的判别模型中选择对于基于参考刺激而得到的脑电波特征量而言最适合的一个判别模型。

判别模型被发送给疼痛等级判别推定部150000，疼痛等级判别推定部150000能够使用判别模型，判别输入的数据是有疼痛时的生物体反应数据还是无疼痛时的生物体反应数据。疼痛等级判别推定部150000的判别结果经由数据收发部125000被发送给设备部分。当设备部分经由数据收发部120000接收到判别结果时，判别结果被发送给疼痛等级可视化部130000，并进行显示以确认疼痛等级判别结果的妥当性。

需要说明的是，在本实施例中，也可以不使用参考刺激，而根据脑电波数据库180000中保存的脑电波数据的特征量，生成疼痛判别模型。

在决定了判别模型之后，实际的疼痛等级的实时监控按照黑箭头的流程进行。即，当疼痛监控开始时，对对象赋予刺激，脑电波数据测定部110000测定来自对象的脑电波数据。测定到的脑电波数据被发送给脑电波特征量提取部140000，提取多个脑电波特征量。提取到的特征量经由数据收发部120000被发送给云/服务器部分。当云/服务器部分经由数据收发部125000接收到特征量时，特征量被发送给疼痛等级判别推定部150000，疼痛等级判别推定部150000能够使用判别模型，判别特征量是有疼痛时的生物体反应数据的特征量还是无疼痛时的生物体反应数据的特征量。疼痛等级判别推定部150000的判别结果经由数据收发部125000被发送给设备部分。当设备部分经由数据收发部120000接收到判别结果时，判别结果由疼痛等级可视化部130000显示。需要说明的是，两个过程可以组合，如果在实时监控时判别结果不妥当，则将疼痛等级判别推定部150000的结果向疼痛判别模型生成部160000反馈，在修正了模型之后，再次向疼痛等级判别推定部150000发送修正模型。需要说明的是，记录的数据、制作出的特征量、判别模型适时保存于数据保存部170000。

图58示出例示性的另一实施例中的应用了参考刺激的医疗***的结构的一例。图58所示的医疗***包括设备部分(左侧)和云/服务器部分(右侧)。与图57所示的医疗***不同点在于，图58所示的医疗***不具有由设备部分提取特征量的功能，取代于此而具有由云/服务器部分提取特征量的功能。因此，在图58所示的医疗***中，云/服务器部分具备脑电波特征量提取部140000。

如图58所示，本实施例的医疗***可以在制作或决定判别模型时(白箭头)和监控实际的疼痛时(黑箭头)使用。在制作或决定模型时，参考刺激对对象赋予参考刺激。脑电波数据测定部110000对对象接受参考刺激时的脑电波进行测定。参考刺激例如在对象安静的状态(无噪声)及对象进行噪声产生行动的状态(有噪声)下来赋予。测定到的数据经由数据收发部120000被发送给云/服务器部分。当云/服务器部分经由数据收发部125000接收数据时，数据被发送给脑电波特征量提取部140000，提取多个特征量。提取到的特征量被发送给疼痛判别模型生成部160000。疼痛判别模型生成部160000基于特征量而生成判别模型。判别模型是能够判别疼痛的有无的模型。例如，当向判别模型输入生物体反应数据时，能够输出是有疼痛时的生物体反应数据还是无疼痛时的生物体反应数据。

在此，判别模型的生成例如可以通过重新构筑判别模型来生成判别模型，也可以通过更新现有的判别模型来生成判别模型。或者，判别模型的生成可以从现有的判别模型中选择对于基于参考刺激的脑电波特征量而言最适合的一个判别模型。

判别模型被发送给疼痛等级判别推定部150000，疼痛等级判别推定部150000能够使用判别模型，判别输入的数据是有疼痛时的生物体反应数据还是无疼痛时的生物体反应数据。疼痛等级判别推定部150000的判别结果经由数据收发部125000被发送给设备部分。当设备部分经由数据收发部120000接收到判别结果时，判别结果被发送给疼痛等级可视化部130000，并进行显示以确认疼痛等级判别结果的妥当性。

需要说明的是，在本实施例中，也可以不使用参考刺激，而根据脑电波数据库180000保存的脑电波数据的特征量，生成疼痛判别模型。

在决定了判别模型之后，实际的疼痛等级的实时监控按照黑箭头的流程进行。即，当疼痛监控开始时，对对象赋予刺激，脑电波数据测定部110000对来自对象的脑电波数据进行测定。测定到的脑电波数据经由数据收发部120000被发送给云/服务器部分。当云/服务器部分经由数据收发部125000接收到数据时，数据被发送给脑电波特征量提取部140000，提取多个脑电波特征量。提取到的特征量被发送给疼痛等级判别推定部150000，疼痛等级判别推定部150000能够使用判别模型，判别特征量是有疼痛时的生物体反应数据的特征量还是无疼痛时的生物体反应数据的特征量。疼痛等级判别推定部150000的判别结果经由数据收发部125000被发送设备部分。当设备部分经由数据收发部120000接收到判别结果时，判别结果由疼痛等级可视化部130000显示。需要说明的是，两个过程可以组合，如果在实时监控时判别结果不妥当，则将疼痛等级判别推定部150000的结果向疼痛判别模型生成部160000反馈，在修正了模型之后，再次向疼痛等级判别推定部150000发送修正模型。需要说明的是，记录的数据、制作出的特征量、判别模型适时保存于数据保存部170000。

图59示出例示性的另一实施例中的应用了参考刺激的医疗***的结构的一例。图59所示的医疗***包括设备部分(左侧)和云/服务器部分(右侧)。图58所示的医疗***在设备部分(左侧)进行脑电波取得及数据的收发，对别模型进行保存并能够进行当场的判别，且具有将它们进行可视化的功能。这样的实施方式是设想了在医院等难以进行电波的收发的设施或场所的实施而得到的实施方式。是通过云/服务器部分进行判别模型的生成，实际上通过设备进行将实测数据代入模型的实施方式。脑电波特征量(分析数据)的提取既可以通过设备部分进行，也可以通过云/服务器部分进行。

需要说明的是，在图59所示的例子中，说明了判别模型的生成通过云/服务器部分进行的情况，但是本公开没有限定于此。也可以通过设备部分进行判别模型的生成。即，为独立型。

(实施例4：疼痛解析结果的放大＝闭眼样本放大)

在本实施例中，使用闭眼样本，进行疼痛的解析。此时，进行了样本放大。

(方法和材料)

(闭眼样本)

闭眼样本是受验者将眼睛合上时的对于刺激的反应数据。在本实施例中，在请受验者将眼睛合上的闭眼任务中，取得了从“无疼痛(36℃)”至“有疼痛(48℃)”的几个阶段性的对于热刺激的反应数据，在此取得脑电波数据。“无疼痛(36℃)”表示有36℃的热刺激时的状态，“有疼痛(48℃)”表示有48℃的热刺激时的状态。

实验试行如以下所述。

(1)pre：阶段性热刺激(36℃～48℃)：事先对受验者赋予的参考刺激

(2)main：手术后(床边的长时间(6小时)计测)

(COVAS模板)

预先对多个健全人(N＝150)进行实验试行的(1)，取得N＝150的COVAS数据。通过取这些COVAS数据的平均值而预先制作了COVAS模板。COVAS模板将实验试行的(1)的阶段性热刺激与健全人的疼痛的主观评价建立对应。

图62A示出实验试行的(1)的阶段性热刺激的例子、与之对应的COVAS模板的例子、将COVAS模板从最小值0至最大值100升顺地排序后的排序完毕COVAS模板的例子。

(前处理)

采样率设为500Hz。

脑电波向额叶的6ch(monopolar电极配置)追加bipolar电极配置的6ch、CAR(Common Average Reference)电极配置的6ch，使用总计18ch进行了计测。

以表示热刺激(疼痛刺激)的开始定时的触发为开始点，与预先制作的COVAS模板的长度量相应地剪切了18频道的脑电波数据。由此，COVAS模板与18频道的脑电波数据的长度一致。通过使COVAS模板与18频道的脑电波数据的长度一致，能够将COVAS模板作为标签与学习中使用的脑电波数据建立对应。即，将疼痛的主观评价与学习中使用的脑电波数据建立对应。

数据在临床实验中以分为模型制作用和测试用(正式进行)的方式进行收集。实验试行的(1)为模型制作用，实验试行的(2)为测试用。相对于脑电波数据的整个长度，一边将16秒的时间窗错开1秒一边进行剪切。通过将时间窗沿时间轴方向错开并进行多次剪切而生成了多个原始样本。

对于多个原始样本，作为前处理，适用了固有的噪声处理方法。对于前处理后的原始样本16秒的脑电波数据，将8秒的时间窗每次错开1秒，同时以确保9序列量的方式剪切了各频道的脑电波数据。从各频道的脑电波数据中，提取了绝对振幅、熵、来自8个频带(2-5Hz、5-8Hz、8-14Hz、14-28Hz、28-58Hz、62-118Hz、122-178Hz、182-238Hz)的频率功率、以及相干性这4个种类的特征量。将4个种类的特征量(振幅、频率功率、相干性、熵)结合，合计提取了324特征量。由此，得到了以324个特征量和9个时间序列序列为单位的324×9个特征量。

对于提取的特征量，将样本放大法适用于每个人而使样本数增加。利用增加的样本，使用LSTM(Long short-term memory)制作了适合于个人的模型。

(用于模型检索的标准化参数的定义)

将预先制作的COVAS模板从最小值0至最大值100升顺地排序。从排序后的COVAS模板中，从最小值0至最大值100，以10单位每次错开5而剪切了19个范围。上述的19个范围是19个种类的标准化参数，并求出了上述的19个种类的标准化参数各自的平均值和标准偏差。为了在后述的离线时间序列数据解析时利用而分别保存了19个平均值和19个标准偏差。

(基于10个标准化参数而进行的特征量数据的标准化)

从排序后的COVAS模板中，从最小值0至最大值100，以10单位每次错开10而剪切了10个范围。上述的10个范围是10个种类的标准化参数，由于将COVAS模板与脑电波数据建立对应，因此提取与10个种类的标准化参数建立了对应的特征量。提取的特征量使用对应的标准化参数而被标准化(z值化)。

通过对10个标准化后的特征量反复进行以下的工序来进行10个模型的制作(LSTM回归)。

1)回归：(样本放大)在学习中，可知当均等地存在标时，容易获得泛化能力，因此在样本放大时，以与各特征量对应的(排序完毕)COVAS模板的标签的值的比率成为均等的方式，针对各标签定义对放大样本数进行调整的参数。

2)回归：(样本放大)以5样本为单位，使基于它们的平均值和协方差矩阵、并根据多变量正态分布且利用随机数而生成的样本，增加与1)中按照各标签定义的参数相应的量。使样本增加与反复进行的次数相应的量。

3)回归：(模型的制作：(学习))将放大后的样本定义作为学习样本，与对应的标签一起学习，通过LSTM回归制作模型。

图62B示出从排序后的COVAS模板剪切出的19个种类的标准化参数的范围、以及与10个种类的标准化参数对应的10个模型的范围。

(离线时间序列数据解析)

为了从19个标准化参数与10个模型的组合中检索最佳的组合，使用19个标准化参数和10个模型，计算了190个回归的结果。在离线时间序列数据解析中，首先，对测试数据的时间方向的整体，提取了特征量。特征量提取后的数据保持为未被标准化的状态(未标准化特征量)。对未标准化特征量，分别使用19个标准化参数进行标准化(z值化)，由此算出了标准化特征量。即，关于19个标准化参数中的第i标准化参数(0<i≤19)设为平均μ_i、标准偏差σ_i，将未标准化特征量设为x，将关于标准化参数i的标准化特征量设为x’_i时，通过以下的式子算出。

即，x’_i＝(x-μ_i)/σ_i。

通过向模型投入标准化特征量而进行疼痛得分的预测。

在本例中，关于10个种类的模型中的4个种类的模型，仅使用10×19的矩阵的对角成分，进行疼痛得分(回归的预测值)的综合学习，计算相关系数和RMSE(Root Mean SquareError)，并显示回归的结果。

(结果)

图62C示出本实施例的结果。

在图62C中，左侧的矩阵表示所利用的19个标准化参数与10个模型的组合，行表示模型，列表示标准化参数。着色后的单体表示选择出的组合。选择出的组合的综合学***均值)对应于图62C的右侧的坐标图的疼痛得分(黑线)。图62C的右侧的坐标图的灰色的线表示患者的疼痛的主观评价即NRS。虚线的三角形的位置表示患者听到NRS的定时。

四个坐标图中的从上方起的第一个坐标图表示使用了第一～第四模型和第一至第七标准化参数时的结果，从上方起的第二个坐标图表示使用了第四至第七模型和第七至第十三标准化参数时的结果，从上方起的第三个坐标图表示使用了第七至第十模型和第十三至第十九标准化参数时的结果，从上方起的第四个坐标图表示使用了全部的模型及标准化参数时的结果。

从图62C的结果读取NRS与疼痛得分在某种程度上对应的结果。

(实施例5：疼痛解析结果的放大＝闭眼样本放大)

在本实施例中，使用闭眼样本来进行疼痛的解析。此时，进行了样本放大。

(方法和材料)

(闭眼样本)

闭眼样本是受验者将眼睛合上时的对于刺激的反应数据。在本实施例中，在请受验者将眼睛合上的闭眼任务中，取得了从“无疼痛(36℃)”至“有疼痛(48℃)”的几个阶段性的对于热刺激的反应数据，在此，取得脑电波数据。“无疼痛(36℃)”表示有36℃的热刺激时的状态，“有疼痛(48℃)”表示有48℃的热刺激时的状态。

实验试行如以下所述。

进行了通过在算法开发用中进行的最小限度的数据取得完成的实验(minimum_set_heat)。

(1)第minimum_set_heat1次：阶段性热刺激(36℃～48℃)

(2)第minimum_set_heat2次：阶段性热刺激(36℃～48℃)

在minimum_set_heat中，赋予了以下热刺激，即，使热刺激从36℃至48℃呈阶梯状地上升，接着从48℃至36℃呈阶梯状地下降这样的热刺激。

(COVAS模板)

预先对多个健全人(N＝150)进行实验试行的(1)，取得N＝150的COVAS数据。通过取得上述的COVAS数据的平均值而预先制作了COVAS模板。COVAS模板将实验试行的(1)的阶段性热刺激与健全人的疼痛的主观评价建立对应。

(前处理)

采样率设为1000Hz。

关于脑电波，通过在额叶的6ch(monopolar电极配置)追加bipolar电极配置的6ch、CAR(Common Average Reference)电极配置的6ch，以使用总计18ch来进行计测。

以表示热刺激(疼痛刺激)的开始定时的触发为开始点，与预先制作的COVAS模板的长度量相应地剪切了18频道的脑电波数据。由此，COVAS模板与18频道的脑电波数据的长度一致。通过使COVAS模板与18频道的脑电波数据的长度一致，能够将COVAS模板作为标签而与学习中使用的脑电波数据建立对应。即，将疼痛的主观评价与学习中使用的脑电波数据建立对应。

数据以分为模型制作用和测试用(正式进行)的方式进行了收集。实验试行的(1)为模型制作用，实验试行的(2)为测试用。相对于脑电波数据的整个长度，一边将8秒的时间窗错开1秒一边进行剪切。通过将时间窗沿时间轴方向错开并进行多次剪切而生成了多个原始样本。

对于多个原始样本，作为前处理，适用了固有的噪声处理方法。对于前处理后的原始样本16秒的脑电波数据，将8秒的时间窗每次错开1秒，同时以确保9序列量的方式剪切了各频道的脑电波数据。从各频道的脑电波数据中，提取了绝对振幅、熵、来自8个频带(2-5Hz、5-8Hz、8-14Hz、14-28Hz、28-58Hz、62-118Hz、122-178Hz、182-238Hz)的频率功率、以及相干性这4个种类的特征量。将4个种类的特征量(振幅、频率功率、相干性、熵)结合，合计提取了324个特征量。由此，得到了以324个特征量和9个时间序列序列为单位的324×9个特征量。

对于提取的特征量，将样本放大法适用于每个人而使样本数增加。利用增加后的样本，使用LSTM(Long short-term memory)制作了适合于个人的模型。

(用于模型检索的标准化参数的定义)

将预先制作成的COVAS模板从最小值0至最大值100升顺地排序。从排序后的COVAS模板中，从最小值0至最大值100，以10单位每次错开10而剪切了10个范围。上述的范围是10个种类的标准化参数，并求出了上述的10个种类的标准化参数的平均值和标准偏差。为了在后述的离线时间序列数据解析时利用，分别保存了10个平均值和10个标准偏差。

(基于10个标准化参数而进行的特征量数据的标准化)

从排序后的COVAS模板中，从最小值0至最大值100，以10单位，每次错开10而剪切了10个范围。上述的10个范围是10个种类的标准化参数，由于将COVAS模板与脑电波数据建立对应，因此提取与10个种类的标准化参数建立了对应的特征量。提取的特征量使用对应的标准化参数被标准化(z值化)。

通过对10个被标准化后的特征量反复进行以下的工序来进行10个模型的制作(LSTM回归)。

1)回归：(样本放大)在学习中，可知当均等地存在标签时，容易获得泛化能力，因此在样本放大时，以与各特征量对应的(排序完毕)COVAS模板的标签的值的比率成为均等的方式，针对各标签定义对放大样本数调整的参数。

2)回归：(样本放大)以5样本为单位，使基于它们的平均值和协方差矩阵、并根据多变量正态分布且利用随机数而生成的样本，增加与1)中针对各标签定义的参数相应地量。将样本增加与反复进行的次数相应的量。

3)回归：(模型的制作：(学习))将放大样本定义为学习样本，与对应的标签一起学习，通过LSTM回归制作模型。

图63A示出从排序后的COVAS模板中剪切的10个种类的标准化参数的范围、以及与10个种类的标准化参数对应的10个模型的范围。

(离线时间序列数据解析)

为了从10个标准化参数和10个模型的组合中检索最佳的组合，使用10个标准化参数和10个模型，计算了100个回归的结果。在离线时间序列数据解析中，首先，对测试数据的时间方向的整体，提取了特征量。特征量提取后的数据保持为未被标准化的状态(未标准化特征量)。对未标准化特征量，通过分别使用10个标准化参数进行标准化(z值化)而算出了标准化特征量。即，关于10个标准化参数中的第i标准化参数(0<i≤10)，设为平均μ_i、标准偏差σ_i，将未标准化特征量设为x，将关于标准化参数i的标准化特征量设为x’_i时，通过以下的式子算出。

即，x’_i＝(x-μ_i)/σ_i。

通过向模型投入标准化特征量而进行疼痛得分的预测。

在本例中，从10x10的矩阵之中，以由相关系数和RMSE构成的阈值为基准，事先确保满足基准的上位几个(上位1个、上位5个、上位10个、全部)，按照各自的条件，进行疼痛得分(回归的预测值)的综合学习，计算相关系数和RMSE(RootMeanSquareError)，并显示了回归的结果。

(结果)

图63B示出本实施例的结果。

在图63B中，左侧的矩阵表示所利用的10个标准化参数与10个模型的组合，行表示模型，列表示标准化参数。根据相关系数及RMSE是否满足阈值来进行着色。斜线表示RMSE比阈值小的组合，点画表示相关系数比阈值高的组合，浅色表示RMSE比阈值小且相关系数比阈值高的组合。表示代入的良好程度的相关系数越高，则成为越良好的基准，表示误差的RMSE越低，则成为越良好的基准。在浅色的组合之中，选择出的满足RMSE比阈值小且相关系数比阈值高这样的基准的上位1个、上位5个、上位10个及全部的组合由深色表示，各自的结果分别表示在从上方起的第一个坐标图、第二个坐标图、第三个坐标图、第四个坐标图中。

图63B的右侧的坐标图对应于使用了左侧的组合时的结果。以深色选择的组合的综合学***均值表示疼痛得分(黑线：预测值)，灰色的线表示患者的疼痛的主观评价即COVAS的模板(实测值)。

从图63B的结果中读取COVAS模板(实测值)与疼痛得分(预测值)在某种程度上对应的结果。

(注释)

如以上所述，虽然使用本公开的优选的实施方式例示了本公开，但是本公开仅通过技术方案的范围来解释其范围。关于在本说明书中引用的专利、专利申请及其他的文献，可理解为其内容自身以与具体地记载于本说明书的内容相同的方式作为相对于本说明书的参考来援引该内容。本申请对于在2020年4月26日向日本国专利厅提出申请的特愿2019-85779来主张优先权，其内容整体作为参考而援引于本申请。

产业上的可利用性

本公开能够精确地判别疼痛等的整理信号，能够更细微地进行与疼痛相关的诊断、治疗。

本公开能够提供一种能够通过使用了更少的特征量的判别模型、判别精度改善率高的模型来判定疼痛的方法，能够更细微地进行与疼痛相关的诊断、治疗。

附图标记说明

1000：对象

1100：包含疼痛等级判别/推定装置的***

1110：疼痛等级判别/推定装置

1111：测定部

Claims (13)

1.一种用于构筑用于对生物体的反应进行识别的模型的方法，其中，包括：

从生物体取得多个反应数据；及

基于取得到的所述多个反应数据，构筑用于对所述生物体的反应进行识别的所述生物体所特有的模型，

所述从生物体取得多个反应数据包括：

取得所述生物体处于第一状态时的第一反应数据；和

取得所述生物体处于第二状态时的第二反应数据。

2.根据权利要求1所述的方法，其中，

所述第一反应数据是所述生物体处于第一状态时对所述生物体赋予了刺激时的数据，

所述第二反应数据是所述生物体处于第二状态时对所述生物体赋予了刺激时的数据。

3.根据权利要求2所述的方法，其中，

从所述生物体取得多个反应数据包括：

取得所述生物体处于所述第一状态时未对所述生物体赋予刺激时的第三反应数据；及

取得所述生物体处于所述第二状态时未对所述生物体赋予刺激时的第四反应数据。

4.根据权利要求1～3中任一项所述的方法，其中，

所述生物体的反应包括有疼痛的反应和无疼痛的反应。

5.根据权利要求1～4中任一项所述的方法，其中，

所述第一状态是将噪声附加于所述反应数据的状态，

所述第二状态是未将噪声附加于所述反应数据的状态。

6.根据权利要求5所述的方法，其中，

所述第二状态包括所述生物体进行视觉剥夺行动、听觉剥夺行动或这些行动的组合的状态。

7.根据权利要求1～6中任一项所述的方法，其中，

构筑所述模型包括基于取得到的所述多个反应数据，更新用于对生物体的反应进行识别的现有的模型，由此构筑所述生物体所特有的模型。

8.根据权利要求1～6中任一项所述的方法，其中，

构筑所述模型包括基于取得到的所述多个反应数据，从多个用于对生物体的反应进行识别的现有的模型中选择所述生物体所特有的模型，由此构筑所述生物体所特有的模型。

9.根据权利要求1～8中任一项所述的方法，其中，

所述生物体的反应包括有疼痛的反应和无疼痛的反应，构筑所述模型包括：

a)通过对于多个受试体进行疼痛试验而取得多个COVAS数据的步骤；

b)通过对所述多个COVAS数据进行平均而制作COVAS模板的步骤；

c)通过对于所述生物体进行所述疼痛试验而从所述生物体得到脑电波数据或其分析数据的步骤；

d)基于所述COVAS模板，剪切所述脑电波数据或其分析数据的步骤；及

e)将所述剪切出的脑电波数据或其分析数据作为学习用数据，以与所述剪切出的脑电波数据或其分析数据对应的COVAS模板的值为标签进行学习，由此制作模型的步骤。

10.一种***，其中，包括：

模型，通过权利要求1～9中任一项所述的方法构筑而成；

取得机构，从生物体取得反应数据；及

输出机构，基于由所述取得机构取得到的反应数据而输出所述模型对所述生物体的反应进行了识别的结果。

11.一种***，其中，包括：

取得机构，从生物体取得反应数据，且包含参照模式和测定模式；

模型构筑机构，使用从所述取得机构得到的反应数据作为参照刺激来构筑模型，所述模型通过基于多个反应数据，构筑用于对所述生物体的反应进行识别的所述生物体所特有的模型来构筑，所述多个反应数据通过在所述参照模式下，从所述生物体取得多个反应数据来取得，所述从所述生物体取得多个反应数据包括：取得所述生物体处于第一状态时的第一反应数据和取得所述生物体处于第二状态时的第二反应数据；及

输出机构，基于在所述测定模式下由所述取得机构取得到的反应数据而输出所述模型对所述生物体的反应进行了识别的结果。

12.根据权利要求11所述的***，其特征在于，

所述***还具备标准模型，

所述模型构筑机构基于所述多个反应数据来修正所述标准模型。

13.一种用于构筑用于对生物体的反应进行识别的模型的程序，其中，

在包括处理器的计算机***中执行所述程序，

所述程序使所述处理器执行包括以下的处理：

基于所述生物体处于第一状态时的第一反应数据和所述生物体处于第二状态时的第二反应数据来构筑用于对所述生物体的反应进行识别的所述生物体所特有的模型。

Images