JP5959016B2 - 認知機能障害判別装置、認知機能障害判別システム、およびプログラム - Google Patents
認知機能障害判別装置、認知機能障害判別システム、およびプログラム Download PDFInfo
- Publication number
- JP5959016B2 JP5959016B2 JP2013518182A JP2013518182A JP5959016B2 JP 5959016 B2 JP5959016 B2 JP 5959016B2 JP 2013518182 A JP2013518182 A JP 2013518182A JP 2013518182 A JP2013518182 A JP 2013518182A JP 5959016 B2 JP5959016 B2 JP 5959016B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- biological signal
- feature amount
- unit
- signal data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 208000010877 cognitive disease Diseases 0.000 title claims description 171
- 208000028698 Cognitive impairment Diseases 0.000 title claims description 41
- 210000004556 brain Anatomy 0.000 claims description 65
- 238000000605 extraction Methods 0.000 claims description 48
- 230000003727 cerebral blood flow Effects 0.000 claims description 45
- 238000004458 analytical method Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 19
- 210000003478 temporal lobe Anatomy 0.000 claims description 18
- 239000000284 extract Substances 0.000 claims description 16
- 238000003759 clinical diagnosis Methods 0.000 claims description 15
- 210000001152 parietal lobe Anatomy 0.000 claims description 15
- 210000002442 prefrontal cortex Anatomy 0.000 claims description 10
- 102000001554 Hemoglobins Human genes 0.000 claims description 9
- 108010054147 Hemoglobins Proteins 0.000 claims description 9
- 230000003213 activating effect Effects 0.000 claims description 7
- 238000001320 near-infrared absorption spectroscopy Methods 0.000 claims description 5
- 230000017531 blood circulation Effects 0.000 claims description 4
- 230000036772 blood pressure Effects 0.000 claims description 4
- 230000004424 eye movement Effects 0.000 claims description 4
- LIKMAJRDDDTEIG-UHFFFAOYSA-N 1-hexene Chemical compound CCCCC=C LIKMAJRDDDTEIG-UHFFFAOYSA-N 0.000 claims 3
- 208000024891 symptom Diseases 0.000 claims 1
- 238000005259 measurement Methods 0.000 description 44
- 238000000034 method Methods 0.000 description 31
- 208000027061 mild cognitive impairment Diseases 0.000 description 31
- 206010012289 Dementia Diseases 0.000 description 29
- 238000012545 processing Methods 0.000 description 21
- 208000024827 Alzheimer disease Diseases 0.000 description 18
- 230000003920 cognitive function Effects 0.000 description 18
- 230000036992 cognitive tasks Effects 0.000 description 18
- 238000013500 data storage Methods 0.000 description 18
- 238000012360 testing method Methods 0.000 description 16
- 230000007177 brain activity Effects 0.000 description 14
- 238000012216 screening Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 230000004913 activation Effects 0.000 description 12
- 238000012935 Averaging Methods 0.000 description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 9
- 230000003925 brain function Effects 0.000 description 7
- 230000001771 impaired effect Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000007423 decrease Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 230000003936 working memory Effects 0.000 description 5
- 230000015654 memory Effects 0.000 description 4
- 239000000523 sample Substances 0.000 description 4
- 238000010187 selection method Methods 0.000 description 4
- 238000004497 NIR spectroscopy Methods 0.000 description 3
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 3
- 238000002610 neuroimaging Methods 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 238000010176 18-FDG-positron emission tomography Methods 0.000 description 2
- ZCXUVYAZINUVJD-AHXZWLDOSA-N 2-deoxy-2-((18)F)fluoro-alpha-D-glucose Chemical compound OC[C@H]1O[C@H](O)[C@H]([18F])[C@@H](O)[C@@H]1O ZCXUVYAZINUVJD-AHXZWLDOSA-N 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 239000000090 biomarker Substances 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 210000001061 forehead Anatomy 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 230000036403 neuro physiology Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001936 parietal effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 101100327840 Arabidopsis thaliana CHLI1 gene Proteins 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000003403 autonomic nervous system Anatomy 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008344 brain blood flow Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000006999 cognitive decline Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000006998 cognitive state Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000005153 frontal cortex Anatomy 0.000 description 1
- 230000009760 functional impairment Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 210000004326 gyrus cinguli Anatomy 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007334 memory performance Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000002603 single-photon emission computed tomography Methods 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/026—Measuring blood flow
- A61B5/0261—Measuring blood flow using optical means, e.g. infrared light
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
- A61B5/4064—Evaluating the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
- A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
- A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Neurology (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Hematology (AREA)
- Child & Adolescent Psychology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Description
本発明は、認知機能障害判別装置、認知機能障害判別システム、およびプログラムに係り、特に、脳の生体信号を用いて認知機能障害の判別を行う認知機能障害判別装置、認知機能障害判別システム、およびプログラムに関するものである。
現在、認知症のスクリーニングは、例えば「Katoh, S., Simogaki, H., Onodera, A., Ueda, H., Oikawa, K., Ikeda, K., Kosaka, K., Imai, Y., and Hasegawa, K.: Development of the revised version of Hasegawa's Dementia Scale (HDS-R), Japanese Journal of Geriatric Psychiatry, Vol. 2, No. 11, pp. 1339−1347 (1991), (in Japanese)」に記載のＨＤＳ−Ｒ（改訂長谷川式簡易知能評価スケール）、「Folstein, M. F., Folstein, S. E., and McHugh, P. R.: “Mini-Mental State”: A practical method for grading the cognitive state of patients for the clinician, J. Psychiat. Res, Vol. 12, No. 3, pp. 189−198 (1975)」に記載のＭＭＳＥ（Mini-MentalState Examination）、及び、「Morris, J. C.: The Clinical Dementia Rating (CDR): Current version and scoring rules, Neurology, Vol. 43, No. 11, pp. 2412−2414 (1993)」に記載のＣＤＲ（Clinical Dementia Rating）などがある。これらの認知症のスクリーニングは、「Zhang, D., Wang, Y., Zhou, L., Yuan, H., Shen, D., and Alzheimer's Disease Neuroimaging Initiative, the : Multimodal classification of Alzheimer's disease and mild cognitive impairment, Journal of Neuroimage, Vol. 55, No. 3, pp. 856−867 (2011)」に記載のｆＭＲＩ（functionalMRI）、ＦＤＧ−ＰＥＴ、及びＣＳＦバイオマーカーなどの神経生理学に基づくテストと同様に広く用いられている。
これらは一定のトレーニングを受けた医師、あるいは臨床心理士などにより、主として医療機関において実施されている。
しかしながら、日常の外来診療場面では、ＨＤＳ−Ｒなどの簡易検査であっても、医師は、検査に５〜２０分程度の時間を要する。これによって、他の外来患者の診療に支障をきたすとの指摘もあり、医師の負担の軽減が重要になると考えられる。
例えば、前述のｆＭＲＩ、ＦＤＧ−ＰＥＴ、ＣＳＦバイオマーカーなどの神経生理学に基づくテストとしては、「Zhang, D., Wang, Y., Zhou, L., Yuan, H., Shen, D., and Alzheimer's Disease Neuroimaging Initiative, the : Multimodal classification of Alzheimer's disease and mild cognitive impairment, Journal of Neuroimage, Vol. 55, No. 3, pp. 856-867 (2011)」が知られている。このテストは、非侵襲的ではあるが、髄液採取の困難性、放射線被爆、大掛かりな測定装置、被験者の束縛など制約が多く、多くの高齢者を対象とした早期スクリーニングには適さない。
より簡便で使用しやすく、かつ、従来のツールと同等以上の性能を有するツールを開発することができれば、医師は、さらに広範にスクリーニングを実施することが可能となる。これによって、認知症の早期診断に資することが可能になる。
発明者等は、先行研究（特開２０１１−２５５１０６号公報、及び「加藤昇平, 鈴木祐太, 小林朗子, 小島敏昭, 伊藤英則,本間昭：高齢者音声韻律特徴を用いたHDS-R スコアとの相関分析‐音声を用いた認知症の早期スクリーニングをめざして‐, 人工知能学会論文誌, Vol. 26, No. 2, pp. 347-352 (2011)」）において、高齢者の発話音声に着目し、音声韻律特徴を用いた認知機能障害のスクリーニングを研究してきた。この技術は、音声情報のみを用いるため誰でも在宅・外出などで場所を問わず手軽に実施できる（１次スクリーニング）長所を持つ。
しかしながら、特開２０１１−２５５１０６号公報及び加藤昇平他「高齢者音声韻律特徴を用いたHDS-R スコアとの相関分析・・・」に記載の技術は、脳機能を直接測定するものではないため、専門医療機関に直接誘導する２次スクリーニングとしては限界がある。
本発明は、上記の問題点を解決するためになされたもので、脳機能に関しての早期スクリーニングに適した認知機能障害判別装置、認知機能障害判別システム、およびプログラムを提供することを目的とする。
上記目的を達成するため、本発明の第１の様態に係る認知機能障害判別装置は、脳を活動させるための課題を与えているときに測定された被験者の予め定められた脳部位における生体信号データを取得するデータ取得部と、前記データ取得部によって取得された生体信号データの特徴量を抽出する特徴量抽出部と、前記特徴量抽出部によって抽出された特徴量と、予め求めておいた認知機能障害の判定に用いるデータとに基づいて、前記被験者の認知機能障害の程度を判別する判別部と、を備えている。
また、本発明の第２の様態に係る認知機能障害判別装置は、本発明の第１の様態に係る認知機能障害判別装置において、前記生体信号データは、前記予め定められた脳部位における血流を計測した脳血流データである。
また、本発明の第３の様態に係る認知機能障害判別装置は、本発明の第１の様態に係る認知機能障害判別装置において、前記生体信号データは、前記予め定められた脳部位としての前頭前野、左側頭葉、右側頭葉、左頭頂葉、及び右頭頂葉の各々においてＮＩＲＳ装置によりヘモグロビン流量を測定した脳血流データである。
また、本発明の第４の様態に係る認知機能障害判別装置は、本発明の第１の様態に係る認知機能障害判別装置において、前記生体信号データは、前記予め定められた脳部位としての前頭前野における右領域、中央領域、及び左領域、前記予め定められた脳部位としての左頭頂葉における所定領域、及び左側頭葉における所定領域、並びに前記予め定められた脳部位としての右頭頂葉における所定領域、及び右側頭葉における所定領域、の各々の領域においてＮＩＲＳ装置によりヘモグロビン流量を測定した脳血流データである。
また、本発明の第５の様態に係る認知機能障害判別装置は、本発明の第１乃至４のいずれか１つの様態に係る認知機能障害判別装置において、前記認知機能障害の程度が既知である複数の被験者に前記課題を与えているときに測定された前記生体信号データを取得する既知データ取得部と、前記既知データ取得部によって取得された生体信号データの前記特徴量を抽出する既知データ特徴量抽出部と、前記既知データ特徴量抽出部によって抽出された特徴量に基づいて、前記認知機能障害の判定に用いるデータを生成する判定データ生成部と、を更に備える。
また、本発明の第６の様態に係る認知機能障害判別装置は、本発明の第５の様態に係る認知機能障害判別装置において、前記判定データ生成部は、前記既知データ特徴量抽出部によって抽出された特徴量の中から、前記認知機能障害の判定に用いる特徴量を選択する選択部と、前記選択部によって選択された特徴量と当該特徴量が抽出された被験者の前記認知機能障害の程度とを学習データとして用いて、前記判別部が前記特徴量に対応する前記認知機能障害の程度を判定するためのモデルを構築する学習部と、を備える。
また、本発明の第７の様態に係る認知機能障害判別装置は、本発明の第１乃至第６の様態のいずれか１つに係る認知機能障害判別装置において、複数の低域通過フィルタを用いて前記入力された生体信号データのノイズ除去を行なうプリミティブ解析部を備え、前記複数の低域通過フィルタは、環境光によるノイズを含むノイズを除去するのに用いる第１のフィルタ、脳波及び血圧を含む変動成分を抽出するのに用いる第２のフィルタ、及び、顎開閉及び眼球運動を含む運動によるノイズを除去するのに用いる第３のフィルタを含み、前記データ特徴量抽出部は、前記プリミティブ解析部が、前記第１のフィルタを用いてノイズ除去した前記生体信号データにおける振幅の平均値、基本周波数、及び周波数重心と、前記第３のフィルタを用いてノイズ除去した前記生体信号データにおける振幅の最大値、振幅の最小値、振幅の分散値、振幅の平均値、基本周波数、及び近似直線の傾きと、前記第１のフィルタを用いてノイズ除去した前記生体信号データと前記第３のフィルタを用いてノイズ除去した前記生体信号データとの差分データの振幅の分散値、及び、前記第２のフィルタを用いてノイズ除去した前記生体信号データと前記第３のフィルタを用いてノイズ除去した前記生体信号データとの差分データの分散値を、前記生体信号データの特徴量として抽出し、前記判別部は、前記データ特徴量抽出部によって抽出された特徴量を対象に前記被験者の認知機能障害の程度の判別を行なう。
また、本発明の第８の様態に係る認知機能障害判別システムは、認知機能障害の程度が既知である複数の被験者に脳を活動させるための課題を与えているときに測定された予め定められた脳部位における生体信号データを取得する既知データ取得部、前記既知データ取得部によって取得された生体信号データの特徴量を抽出する既知データ特徴量抽出部、及び、前記既知データ特徴量抽出部によって抽出された特徴量に基づいて、前記認知機能障害の判定に用いるデータを生成する判定データ生成部、を含む判定データ生成装置と、前記課題を与えているときに測定された、前記認知機能障害の程度が未知である被験者の前記予め定められた脳部位における生体信号データを取得するデータ取得部、前記データ取得部によって取得された生体信号データの特徴量を抽出する特徴量抽出部、及び、前記特徴量抽出部によって抽出された特徴量と前記判定データ生成装置によって生成されたデータとに基づいて、前記認知機能障害の程度が未知である被験者の認知機能障害の程度を判別する判別部、を含む認知機能障害判別装置と、を備える。
また、本発明の第９の様態に係るプログラムは、コンピュータを、脳を活動させるための課題を与えているときに測定された、被験者の予め定められた脳部位における生体信号データを取得するデータ取得部と、前記データ取得部によって取得された生体信号データの特徴量を抽出する特徴量抽出部と、前記特徴量抽出部で抽出された特徴量と、予め求めておいた認知機能障害の判定に用いるデータとに基づいて、前記被験者の認知機能障害の程度を判別する判別部と、として機能させるためのプログラムである。
以上説明したように、本発明によれば、認知課題実行中の被験者の脳の複数領域の生体信号を取得して当該生体信号の特徴量を抽出し、この特徴量と、予め求めておいた認知機能障害の判定に用いるデータとに基づいて、被験者の認知機能に障害があるかどうかを判別することにより、脳機能に関しての早期スクリーニングが可能となる、という効果が得られる。
以下、図面を参照して本発明の実施の形態を詳細に説明する。なお、本実施の形態では、特別な測定環境を必要とせず、自然な体勢で課題実行中の脳機能を測定できる、機能的近赤外分光法（functional near-infrared spectroscopy、以下、「ｆＮＩＲＳ」ともいう）から得られる生体信号に着目した。本実施の形態では、認知課題テスト実施中の高齢者の脳機能計測データを用いて認知症スクリーニングを行なう際に、本発明を適用した場合を例に説明する。
なお、ｆＮＩＲＳとは、近赤外光を用いて脳内のヘモグロビン流量を計測する公知の技術であり、非侵襲かつ被測定者（以下、被験者ともいう）への拘束が少なく、測定環境を選ばない比較的簡便な計測が可能である。
本実施の形態では、このような機能的近赤外分光法を用いて認知課題実行中の脳血流データを計測し、計測された脳血流データに基づいて、健常（ＮＣ）、軽度認知機能障害（ＭＣＩ）、及びアルツハイマー型認知症（ＡＤ）の臨床診断群を自動判別する。
図１に示すように、本実施の形態に係る認知機能障害判別装置１０は、機能的近赤外分光法を用いて認知課題実行中の脳血流データを計測するｆＮＩＲＳ測定装置２０,２０ａと、本発明に係る認知機能障害判別処理を実行するコンピュータにより構成される学習装置３１、データ蓄積装置３２、及び判別装置３３と、判別装置３３の処理結果等を表示する表示装置４０とを備えている。
学習装置３１、データ蓄積装置３２、及び判別装置３３は、各々、図示していないＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、及びＨＤＤ（Hard Disk Drive）を備える。ＨＤＤには、ＣＰＵが本発明に係る認知機能障害判別処理を実行する際に用いるプログラムが記憶されている。
学習装置３１は、プログラムを実行して実現される処理機能として、特徴選択部３１ａ、学習部３１ｂ、臨床データベース３１ｄ、及びモデル記憶部３１ｅを備えている。
データ蓄積装置３２は、プログラムを実行して実現される処理機能として、原波形信号取得部３２ａ、プリミティブ解析部３２ｂ、特徴量抽出部３２ｃ、及び臨床データベース３２ｄを備えている。
判別装置３３は、プログラムを実行して実現される処理機能として、原波形信号取得部３３ａ、プリミティブ解析部３３ｂ、特徴量抽出部３３ｃ、ベイジアン分類器３３ｄ、及びモデル記憶部３３ｅを備えている。
本実施の形態では、データ蓄積装置３２と判別装置３３の各々は、原波形信号取得部３２ａ，３３ａ、プリミティブ解析部３２ｂ，３３ｂ、及び特徴量抽出部３２ｃ,３３ｃを備えた構成としている。データ蓄積装置３２と判別装置３３の各々を、同じコンピュータに備える構成とすることにより、原波形信号取得部３２ａ，３３ａのいずれか、プリミティブ解析部３２ｂ，３３ｂのいずれか、及び特徴量抽出部３２ｃ,３３ｃのいずれを共有する構成としても良い。
ｆＮＩＲＳ測定装置２０,２０ａは、生体信号として、被験者の脳血流データを計測する。脳血流の増加は、例えば「Villringer, A. and Firnafl, U.: Coupling of brain activity and cerebral blood flow: basis of functional nuroimaging, Cerebrovasc. Brain Metab. Rev., Vol. 7, pp. 240−276 (1995)」に記載のように、その脳部位の神経活動の活発化を反映しており、脳血流の変化は、血液中の酸素化ヘモグロビン（ｏｘｙ−Ｈｂ）量の変化を測定することで捉えることが可能である。そのため、ｆＮＩＲＳ測定装置２０,２０ａで計測されたｏｘｙ−Ｈｂ量の変化を脳活動の指標と捉えることができる。
本実施の形態では、認知課題実行中の高齢者の脳活動計測として、多チャンネルのｆＮＩＲＳ測定装置２０,２０ａを用いている。具体的には、株式会社島津製作所（Ｒ）製の近赤外光脳機能イメージング装置FOIRE-3000を用いた。
このような多チャンネルのｆＮＩＲＳ測定装置２０，２０ａを用いて、本実施の形態では、図２〜図４に示すように、複数の箇所で被験者の脳血流データを計測する。なお、図２〜図４において、白丸部分は発光器（illuminator）、黒丸部分は検出器（detector）である。
ｆＮＩＲＳ測定装置２０，２０ａは、図２に示すように、前頭前野では、右領域Ｆｒ、中央領域Ｆｃ、及び左領域Ｆｌにおける１〜２２の２２チャンネルの部位において脳血流を計測する。また、図３に示すように、ｆＮＩＲＳ測定装置２０，２０ａは、右側頭葉では、前方領域Ｒｆ及び後方領域Ｒｒにおける１〜１０の１０チャンネルの部位において脳血流を計測する。また、図４に示すように、ｆＮＩＲＳ測定装置２０，２０ａは、左側頭葉では、前方領域Ｌｆ及び後方領域Ｌｒにおける１〜１０の１０チャンネルの部位において脳血流を計測する。このように、ｆＮＩＲＳ測定装置２０，２０ａは、合計４２チャンネルの部位において脳血流を計測する。
各プローブの装着位置については、脳波測定における国際１０−２０法の電極配置を参考に、前頭前野のプローブセットは最下部中央がＦｐｚに重なるように水平に配置し、左右側頭葉及び頭頂葉のプローブセットはＰ３，Ｔ３（Ｐ４，Ｔ４）の位置を基準に配置した。
判別装置３３は、このようにして、ｆＮＩＲＳ測定装置２０により被験者から計測された複数部位の脳血流データを、原波形信号取得部３３ａにより取り込む。判別装置３３は、取り込んだ複数部位の脳血流データに基づいて、プリミティブ解析部３３ｂにより、脳の複数部位を複数に分割した複数領域の脳血流データを取得する。
さらに、判別装置３３は、特徴抽出部３３ｃにより、得られた脳血流データの特徴量を抽出する。そして、判別装置３３は、ベイジアン分類器３３ｄにより、予め構築しておいた認知機能障害の判定に用いるモデル（モデル記憶部３３ｅ）を用いて、被験者に対して、健常（ＮＣ）、軽度認知機能障害（ＭＣＩ）、及びアルツハイマー型認知症（ＡＤ）の３種類（３群）のいずれに該当するかの判別を行う。
この判別結果は、判別装置３３から表示装置４０に出力され、表示装置４０において表示される。
また、学習装置３１は、データ蓄積装置３２が予め蓄積した、認知機能に障害があるかどうか、あればどの程度かが既知である被験者の認知課題実行中の脳の複数部位の脳血流データおよび臨床診断結果を用いて、判別装置３３における上述の認知機能障害の判定に用いるモデル（臨床モデル記憶部３１ｅ，３３ｅ）を構築する。
データ蓄積装置３２は、原波形信号取得部３２ａにより、認知機能に障害があるかどうか、あればどの程度かが既知である被験者の認知課題実行中の脳の複数部位の脳血流データをｆＮＩＲＳ測定装置２０ａから取得すると共に、図示していない入力装置から入力される当該被検体者の臨床診断結果を収集して蓄積する。
そして、データ蓄積装置３２は、プリミティブ解析部３２ｂにより、蓄積した複数部位の脳血流データに基づいて、脳の複数部位を複数に分割した複数領域の脳血流データを取得する。次に、データ蓄積装置３２は、特徴抽出部３２ｃにより、得られた脳血流データの特徴量を抽出する。
データ蓄積装置３２は、これらの処理を、認知機能に障害があるかどうか、あればどの程度かが既知である複数の被験者に対して行い、複数の被験者の脳血流データ特徴量を得て、各々を対応付けて、臨床データベース３２ｄにおいて蓄積する。
学習装置３１は、臨床データベース３１ｄにより、臨床データベース３２ｄにおいて蓄積された情報と同じ情報を蓄積する。さらに、学習装置３１は、特徴選択部３１ａにより、このようにして臨床データベース３１ｄにおいて得られた特徴量の中から判定に用いる特徴量を選択する。そして、学習装置３１は、学習部３１ｂにより、この選択した特徴量と抽出された特徴量とに基づき、認知機能障害を判別するためのモデルを構築する。
以下、認知機能障害の判定に用いるモデルの構築について、より詳しく説明する。
本実施の形態では、認知機能に障害があるかどうか、あればどの程度かが既知である被験者として、表１に示す５０名の高齢者（年齢６４〜９２歳、男性１８名、女性３２名）を被験者とした。表１には、被験者の臨床診断群と年齢構成の内訳を示している。
表１中の括弧内の数値は、それぞれ順に、ＮＣ（健常）群，ＭＣＩ（軽度認知機能障害）群，ＡＤ（アルツハイマー型認知症）群の人数を示している。なお、ここでは、ＭＣＩ群は、「臨床認知症評価法」における「ＣＤＲ（Clinical Dementia Rating）」が０．５相当の患者を対象とし、また、ＡＤ群は、ＣＤＲ１相当の患者を対象とした。
なお、ＣＤＲ（Clinical Dementia Rating）は、世界中で広く用いられている行動観察尺度（観察式）による臨床認知症基準であり、記憶、見識、判断力と問題解決、社会適応、家族状況と趣味、及び、介護状況の６項目を５段階で評価する。本実施の形態では、中等度や重度の認知症であるＣＤＲ２以上の被験者は対象群から除外した。また、課題実行に立ち会ったオペレータによる観察及び課題の回答内容から被験者の態度を総合的に評価し、認知課題の遂行自体に明らかな問題のある被験者についても対象群から除外した。
本実施の形態では、ＨＤＳ−Ｒテストを含め様々な認知課題を実行中の高齢者の脳機能を計測するために、図５に示すブロックデザインの課題を設計し、音声・ｆＮＩＲＳ同時計測を行った。
図５に示すように、計測では、開始後の前半１０分間において、被験者の出身地や少年時代の会話と長谷川式テストを実施し、後半の１２分間において、回想法（１．聴く、２．話す、３．見る）ならびにワーキングメモリ課題（１．カテゴリ想起、２．リーディングスパンテスト、３．顔想起）の認知課題を実施した。また、当該計測においては、課題に集中して取り組めるように、１課題の時間は６０秒とし、各認知課題の前後に６０秒の１点注視休憩（レスト）を取らせた。
具体的には、図６に示すシステム環境において、測定者は、被測定者（被験者）を課題提示装置（ディスプレイ）の正面に座らせ、被測定者（被験者）の頭部にｆＮＩＲＳ測定のためのプローブ（あるいは脳波ＥＥＧ・Electroencephalogram測定のための電極など）を設置する。そして、測定者は、被測定者（被験者）に対して、ディスプレイ及び傍らのスピーカから認知課題を提示する。
被測定者は、ディスプレイおよびスピーカからの指示に従い課題を実行し、測定者は、課題実行中の脳活動状態を、ｆＮＩＲＳ測定器（あるいは脳波測定器など）から測定する。
本実施の形態では、ｆＮＩＲＳ測定装置２０，２０ａを用いており、このｆＮＩＲＳ測定器は、ｏｘｙ−Ｈｂ（酸素化ヘモグロビン量）、ｄｅｏｘｙ−Ｈｂ（脱酸素化ヘモグロビン量）、及びｔｏｔａｌ−Ｈｂ（総ヘモグロビン量）を計測する。ここでは、ｏｘｙ−Ｈｂの測定信号を用いた例を示す。
本実施の形態では、予備的調査として、ワーキングメモリ課題１「カテゴリ想起」の課題実行中のｆＮＩＲＳデータ（ｏｘｙ−Ｈｂ）を用いて全チャンネル毎（３３ＣＨ,４１ＣＨを除く）の３群（ＮＣ、ＭＣＩ、及びＡＤ）間の有意差検定を行った。検定方法は、「t-検定」を用いて、両側検定、有意水準Ｐ＜0.001、Bonferroni補正（１／４０）のもとで実施した。
図７乃至図９は、検定で有意差が確認されたチャンネルについて、t-値に基づき１６階調の濃淡でマッピングした例を示している。図７乃至図９では、t-値が高く相互の差が大きいほど、濃い色で示され、有意差ありとなる。
認知症患者は、認知機能の障害により、ワーキングメモリの機能が低下する。その結果、前頭前野の脳血流において、健常群は疾病群と比較して有意に賦活することが確認できる（図７及び図８の左図における図２に示されるＦｒ、Ｆｃ及びＦｌ領域）。また、左右側頭葉の脳血流についても、健常群は疾病群と比較して有意に賦活することが確認された（図７及び図８の中右図における図３，４で示されるＲｆ、Ｒｒ、Ｌｆ、及びＬｒ領域）。加えて、図９に示すように、軽度の認知機能障害であるＭＣＩ群は、ＡＤ群に比べてこれらの脳血流が僅かながら有意に賦活することが確認できる。
すなわち、図７は、健常（ＮＣ）群と軽度認知機能障害（ＭＣＩ）群間での、有意差が確認されたチャンネルを示す。図８は、健常（ＮＣ）群とアルツハイマー型認知症（ＡＤ）群間での、有意差が確認されたチャンネルを示す。図９は、軽度認知機能障害（ＭＣＩ）群とアルツハイマー型認知症（ＡＤ）群間での、有意差が確認されたチャンネルを示している。
これらの図７〜図９の結果、特に、図８の結果から、健常（ＮＣ）群と疾病（ＡＤ）群の間では、認知課題実行時の脳血流に有意な差が確認される。
これらのことは、認知課題実行中のｆＮＩＲＳデータを用いた認知症スクリーニングの実現可能性を示唆している。なお、同課題実行直前のレスト区間のｆＮＩＲＳデータを用いて３群に対する同様の検定を行なったところ、全てのチャンネルにおいて有意差は確認されなかった。
従って、認知症のスクリーニングは、まず、認知機能の健常性を判断し、疑義がある場合には、その程度に応じて軽度認知機能障害あるいは認知症であるかを判定するプロセスとする。
そこで、本実施の形態では、図１０に示すように、ベイジアン分類器３３ｄは、ベイジアン分類器（１）３３ｄ’とベイジアン分類器（１）３３ｄ”を備えている。このように、ベイジアン分類器３３ｄは、二段階のNaive-Bayes Classifierを用いて、ｆＮＩＲＳデータからのＮＣ群、ＭＣＩ群、及びＡＤ群の３群を判別する。
次に、図１１及び図１２を用いて、プリミティブ解析部３２ｂ，３３ｂについて説明する。
プリミティブ解析部３２ｂ，３３ｂは、原波形信号取得部３２ａ，３３ａにより入力されたｆＮＩＲＳ測定信号の原波形に対して、チャンネル（ＣＨ１〜ＣＨ４２）毎に、プリミティブ解析を行う。プリミティブ解析では、低域通過フィルタ及び差分フィルタをかけてノイズが除去され、注目する領域内のチャネルの加算平均が行われる。
具体的には、プリミティブ解析部３２ｂ，３３ｂは、まず、図１１に示すように、各チャンネルのｆＮＩＲＳ信号を３つの低域通過フィルタＦ１〜Ｆ３（いずれもバタワース特性、次数５）に通して平滑化する。
ここで、低域通過フィルタＦ１の遮断周波数は１．９２Ｈｚ、低域通過フィルタＦ２の遮断周波数は０．９６Ｈｚ、及び、低域通過フィルタＦ３の遮断周波数は０．４８Ｈｚである。
さらに、プリミティブ解析部３２ｂ，３３ｂは、図１２に示すように、これらの３つの平滑化信号に、２つの差分データを加えて、１チャンネルあたり５個のｆＮＩＲＳ時系列信号を生成する。図１２に示す５個のｆＮＩＲＳ時系列信号１２０１〜１２０５は次のものである。
ｆＮＩＲＳ時系列信号１２０１は、低域通過フィルタＦ１（遮断周波数１．９２Ｈｚ）により、主に環境光によるノイズを除去した信号である。
ｆＮＩＲＳ時系列信号１２０２は、低域通過フィルタＦ２（遮断周波数０．９６Ｈｚ）により、脈波や血圧による変動成分（背景ノイズ）を抽出した信号である。
ｆＮＩＲＳ時系列信号１２０３は、低域通過フィルタＦ３（遮断周波数０．４８Ｈｚ）により、主に額開閉、眼球運動、及び首前屈などの運動によるノイズを除去した信号である。
ｆＮＩＲＳ時系列信号１２０４は、ｆＮＩＲＳ時系列信号１２０１からｆＮＩＲＳ時系列信号１２０３を差分した信号系列で、変動に着目した信号である。
ｆＮＩＲＳ時系列信号１２０５は、ｆＮＩＲＳ時系列信号１２０２からｆＮＩＲＳ時系列信号１２０３を差分した信号系列で、変動に着目した信号である。
次に、プリミティブ解析部３２ｂ，３３ｂは、測定脳部位を以下の７つの領域に分割し、各領域内のｆＮＩＲＳ時系列信号をそれぞれ加算平均する。具体的には、プリミティブ解析部３２ｂ，３３ｂは、図１１における加算平均値Ｆｒ，Ｆｃ，Ｆｌ，Ｒｆ，Ｒｒ，Ｌｆ，Ｌｒとして、頭部の７領域（前頭前野：３領域，左右側頭葉：各２領域）内のチャンネルについて、それぞれ上記の５系列信号を加算平均（Averaging）する。
詳しくは、加算平均値Ｆｒは、前頭前野の右側７チャンネル（チャネル１,５，６，１０，１４，１５，１９）について、上記の５系列信号を加算平均したものである。
加算平均値Ｆｃは、前頭前野の中央部８チャンネル（チャネル２，３，７，１１，１２，１６，２０，２１）について、上記の５系列信号を加算平均したものである。
加算平均値Ｆｌは、前頭前野の左側７チャンネル（チャネル４，８，９，１３，１７，１８，２２）について、上記の５系列信号を加算平均したものである。
加算平均値Ｒｆは、右頭頂葉の前方５チャンネル（チャネル２３，２４，２６，２７，３０）について、上記の５系列信号を加算平均したものである。
加算平均値Ｒｒは、右側頭葉の後方５チャンネル（チャネル２５，２８，２９，３１，３２）について、上記の５系列信号を加算平均したものである。
加算平均値Ｌｆは、左頭頂葉の前方５チャンネル（チャネル３３，３４，３６，３７，４０）について、上記の５系列信号を加算平均したものである。
加算平均値Ｌｒは、左側頭葉の後方５チャンネル（チャネル３５，３８，３９，４１，４２）について、上記の５系列信号を加算平均したものである。
プリミティブ解析部３２ｂ，３３ｂは、このようにして得た各領域毎の５つの系列信号を加算平均した値を、特徴量抽出部３２ｃ，３３ｃに入力する。
特徴量抽出部３２ｃ，３３ｃは、プリミティブ解析部３２ｂ，３３ｂにより得られた各領域毎の５つの系列から、以下の１１の特徴量を算出する特徴抽出を行う。具体的には、特徴量抽出部３２ｃ，３３ｃは、脳血流変動の特徴を表す特徴量として、前記用意したｆＮＩＲＳデータから、それぞれ表２に示す特徴量を計算し、被験者１課題について各領域あたり１１個のｆＮＩＲＳ特徴量を算出する。
なお、認知機能障害の判別に有効なｆＮＩＲＳの特徴は未だ明らかではない。ｆＮＩＲＳの信号解析においても、例えば脳波におけるα、β、γ、δ、及びθなどの各波の周波数帯域や、事象関連電位Ｎ１００，Ｐ３００のように確立された特徴量は見出されていない。そのため、本実施の形態では、試行錯誤的ではあるものの、データマイニングのアプローチに着目した。前述の初期解析で除去できない程のアーチファクトや雑音による影響が含まれるデータについては、目視によるｆＮＩＲＳ信号の判読により事前に除去した。
表２においては、フィルタ番号として、フィルタ１（Ｆ１）、フィルタ３（Ｆ３）、フィルタ１−３（Ｆ１−３）、フィルタ２−３（Ｆ２−３）が示され、各々に対応するｆＮＩＲＳ特徴量が示されている。
フィルタ１（Ｆ１）は、遮断周波数１．９２Ｈｚの低域通過フィルタである。フィルタ１（Ｆ１）を通過した信号は、主に環境光によるノイズが除去され、５つの信号系列中で最も広い周波数成分を持つ。なお、フィルタ１（Ｆ１）は、フィルタ２（Ｆ２）の周波数成分を含む。
フィルタ２（Ｆ２）は、遮断周波数０．９６Ｈｚの低域通過フィルタである。フィルタ２（Ｆ２）を通過した信号は、脈波や血圧による変動成分（背景ノイズ）が抽出されたもので、脳活動に直接関係しない自律神経系の生体信号成分であるため、特徴量は抽出しない。
フィルタ３（Ｆ３）は、遮断周波数０．４８Ｈｚの低域通過フィルタである。フィルタ３（Ｆ３）を通過した信号は、主に額開閉、眼球運動、及び首前屈などの運動によるノイズが除去され、５つの信号系列中で最も狭い周波数成分であり、認知機能との関連が比較的強いと考えられる。
フィルタ１−３（Ｆ１−３）は、フィルタ１（Ｆ１）を通過した信号からフィルタ３（Ｆ３）を通過した信号を差分した信号系列であり、ここでは、その変動に着目する。
フィルタ２−３（Ｆ２−３）は、フィルタ１（Ｆ２）を通過した信号からフィルタ３（Ｆ３）を通過した信号を差分した信号系列であり、ここでは、その変動に着目する。
ｆＮＩＲＳ特徴量としての振幅の平均値（mean）は、脳活動（賦活）の平均レベルを表す。
ｆＮＩＲＳ特徴量としての基本周波数（f0）は、脳活動（賦活）の振動回数（ピーク）を表す。
ｆＮＩＲＳ特徴量としての周波数重心（fc）は、脳活動（賦活）の振動回数（重心）を表す。
ｆＮＩＲＳ特徴量としての振幅の最大値（max）は、脳活動（賦活）の最大レベルを表す。
ｆＮＩＲＳ特徴量としての振幅の最小値（min）は、脳活動（賦活）の最低レベルを表す。
ｆＮＩＲＳ特徴量としての振幅の分散値（var）は、脳活動（賦活）の変動を表す。
ｆＮＩＲＳ特徴量としての振幅の平均値（mean）は、脳活動（賦活）の平均レベルを表す。
ｆＮＩＲＳ特徴量としての近似直線の傾き（gr）は、脳活動（賦活）の傾向を表す。
ｆＮＩＲＳ特徴量としての振幅の分散値（var）は、脳活動（賦活）の変動を表す。
特徴量抽出部３２ｃ，３３ｃは、以上の処理を施して、特徴量化した数値（７７次元）を説明変数に格納する。そして、データ蓄積装置３２は、これに、臨床診断結果（ＮＣ：健常、ＭＣＩ：軽度認知機能障害、ＡＤ：アルツハイマー型認知症）を目標属性として付与したデータを臨床データベース３２ｄに格納する。
学習装置３１は、上述の処理で臨床データベース３２ｄに格納したデータを臨床データベース３１ｄに蓄積し、このデータを用いて、モデルの構築を行う（Learning）。
本実施の形態では、学習装置３１は、予め臨床データベース３２ｃに蓄積したデータ、すなわち、５０人分（ＮＣ：２１人、ＭＣＩ：１９人、ＡＤ：１０人）のデータを用いて、認知機能障害の有無および程度の判別結果を推定するモデルを構築する。
具体的には、学習装置３１は、被験者のｆＮＩＲＳ測定データから抽出した７７個のｆＮＩＲＳ特徴量を説明変数、臨床診断群を目標属性としてベイジアン・クラシファイアを構築する。なお、クラシファイアモデルにはNaive-Bayes Classifier を採用した。
ここでは、学習装置３１は、認知機能に障害があるかどうかを推定する第１段階としての判別器NBＮＣ／CI用のモデルと、障害が推定された場合にその程度を推定する第２段階の判別器ＮＢＭＣＩ／ＡＤ用のモデルとの２つの判別器用のモデルを構築してモデル記憶部３１ｅに格納する。
なお、上記のモデルを構築する際に、データから抽出した特徴量が多すぎると、その中には認知機能障害の判別に無関係な特徴量が含まれる可能性があり、モデルの構築や判別性能に悪影響を与えることが考えられる。
そこで、本実施の形態では、学習装置３１は、特徴選択部３１ａにより、モデル構築の事前に特徴選択を行う。しかしながら、現在のところ、高齢者の認知機能障害と因果関係の高いｆＮＩＲＳ特徴は特定されておらず、特徴選択として有用な理論や事前の知識は存在しない。また、抽出した特徴量のすべての組合せを計算することは計算コストが高くなる。
そのため、ここでは、特徴選択部３１ａは、例えば、「Draper, N. and Smith, H.: Applied Regression Analysis (3rd edition), John Wiley & Sons (1998)」に記載のように、一般的に多用されている逐次選択法としてフォワードステップワイズ法を用いて特徴選択を行う。
フォワードステップワイズ法の特徴選択規準としては、各２群の推定正答率の平均値を用いた。
このフォワードステップワイズ法により、ベイジアン分類器（１）３３ｄ’において健常者と認知機能障害の弁別を行う判別基準に有用な特徴量を自動的に選択するために、特徴選択部３１ａは、ＮＣ群とＣＩ群（ＭＣＩ＋ＡＤ群）の２群を弁別するために準最適な特徴量の組合せを求める。
また、特徴選択部３１ａは、ベイジアン分類器（２）３３ｄ”において認知機能障害の程度（軽度、認知症）を弁別する判別基準として有用な特徴量を自動的に選択するために、ＭＣＩ群とＡＤ群を弁別するために準最適な特徴量の組合せを求める。
表３は、ベイジアン分類器（１）３３ｄ’において健常者と認知機能障害の弁別を行う判別基準に有用な特徴量として２つのものを選択した例を示す。また、表３は、ベイジアン分類器（２）３３ｄ”において認知機能障害の程度（軽度、認知症）を弁別する判別基準として有用な特徴量として３つのものを選択した例を示している。
ここで、表３に示す特徴量について説明する。まず、ベイジアン分類器（１）３３ｄ’において健常者と認知機能障害の弁別を行う判別基準に有用な特徴量として、領域Ｆｒ（前頭全野の右側７チャネル）におけるフィルタ３（Ｆ３）を通過した信号の振幅の最大値（max）と、領域Ｌｒ（左側頭葉の後方５チャネル）におけるフィルタ１（Ｆ１）を通過した信号の周波数重心（fc）とを用いている。
これは、例えば「Walhovd, K. B., Fjell, A. M., Dale, A. M., McEvoy, L. K., Brewer, J., Karow, D. S., Salmon, D. P., Fennema-Notestine, C., and the Alzheimer's Disease Neuroimaging Initiative, : Multi-modal imaging predicts memory performance in normal aging and cognitive decline, Neurobiology of Aging, Vol. 31, No. 7, pp. 1107−1121 (2010)」に記載のように、主にアルツハイマー型認知症において後帯状回の脳部位における血流の低下が確認されており、また、認知機能の障害に伴いワーキングメモリの機能が低下することに着目したためである。実際に、本実施の形態における判別結果から、前頭前野の血流が低下し、側頭後方領域の賦活周期が伸長すると認知機能障害の疾病群として判別することが確認されている。
また、ベイジアン分類器（２）３３ｄ”において認知機能障害の程度（軽度、認知症）の弁別を行なう判断基準に有用な特徴量として、領域Ｆｒ（前頭全野の中央部８チャネル）におけるフィルタ１，３（Ｆ１，Ｆ３）を通過した各々の信号の差分信号振幅の分散値（var）、領域Ｌｆ（左頭頂葉の前方５チャネル）におけるフィルタ１（Ｆ１）を通過した信号の振幅の平均値（mean）、及び、領域Ｌｆ（左頭頂葉の前方５チャネル）におけるフィルタ１，３（Ｆ１，Ｆ３）を通過した各々の信号の差分信号振幅の分散値（var）とを用いている。
これは、例えば、「Ishiwata 06 Ishiwata, A., Sakayori, O., Minoshima, S., Mizumura, S., Kitamura, S., and Katayama, Y.: Preclinical evidence of Alzheimer changes in progressive mild cognitive impairment: a qualitative and quantitative SPECT study, Acta Neurologica Scandinavica;114(2):91-6, 2006, Vol. 114, No. 2, pp. 91−96 (2006)」に記載のように、軽度認知機能障害からアルツハイマー型認知症へ進行した患者の脳における病態学的特徴として、後帯状回や楔前部における脳血流の低下が認められることに着目したためである。実際に、本実施の形態における判別結果から、頭頂領域（左頭頂領域）の賦活の分散及び平均値が減少すると、軽度認知機能障害からアルツハイマー型認知症と分別することが確認されている。
このように、本実施の形態では、特徴選択部３１ａは、表３に示すように、ベイジアン分類器（１）３３ｄ’で健常者と認知機能障害の弁別を行う際に用いる２つの特徴量として、領域Ｆｒ（前頭全野の右側７チャネル）におけるフィルタ３（Ｆ３）を通過した信号の振幅の最大値（max）と、領域Ｌｒ（左側頭葉の後方５チャネル）におけるフィルタ１（Ｆ１）を通過した信号の周波数重心（fc）とを選択している。
また、特徴選択部３１ａは、ベイジアン分類器（２）３３ｄ”で認知機能障害の程度（軽度、認知症）を弁別する際に用いる３つの特徴量として、領域Ｆｒ（前頭全野の中央部８チャネル）におけるフィルタ１，３（Ｆ１，Ｆ３）を通過した各々の信号の差分信号振幅の分散値（var）、領域Ｌｆ（左頭頂葉の前方５チャネル）におけるフィルタ１（Ｆ１）を通過した信号の振幅の平均値（mean）、及び、領域Ｌｆ（左頭頂葉の前方５チャネル）におけるフィルタ１，３（Ｆ１，Ｆ３）を通過した各々の信号の差分信号振幅の分散値（var）を選択している。
学習装置３１は、このようにして特徴選択部３１ａにより選択された特徴量と、臨床データベース３１ｄに蓄積されている特徴量とから、ベイジアン分類器３３ｄにおいて認知機能障害を判別するためのモデルを構築してモデル記憶部３１ｅに格納する。
具体的には、学習装置３１は、学習部３１ｂにより、臨床データベース３１ｄ、および、特徴選択部３１ａにより絞り込まれた表３に示す特徴量のリストを用いて、各特徴量間及び特徴量と判別目標との確率的な依存関係を計算する。これにより、学習装置３１は、ベイジアン分類器３３ｄにおける分類機能のネットワーク構造およびパラメータ（条件付確率分布）を構築してモデル記憶部３１ｅに格納する。
判別装置３３は、このようにして学習装置３１が構築したモデルを用いて、被験者に認知機能に障害があるかどうかの判別を行う。以下、判別装置３３による、被験者に認知機能に障害があるかどうかの判別を行う処理について説明する。
この場合、認知機能の診断が未知の高齢者に、モデルを構築する際と同様にして、図５に示す認知課題を実行させる。判別装置３３は、実行中の脳血流データから以下の処理を経て、本人の認知機能レベルを判別する。
すなわち、判別装置３３は、上記モデルを構築する場合と同様に、まず、ｆＮＩＲＳ測定装置２０において計測された複数部位の脳血流データを、判別装置３３に備えられた原波形信号取得部３３ａにより取り込む。
次に、取り込んだ複数部位の脳血流データに対してプリミティブ解析部３３ｂが解析処理を行う。そして、プリミティブ解析で得られた各領域毎の５つの系列から、特徴抽出部３３ｃが、特徴量を算出する。そして、ベイジアン分類器３３ｄが、予め学習装置３１が構築した、モデル記憶部３３ｅにおいた蓄積された認知機能障害の判定に用いるモデルにより、当該被験者に対するＮＣ、ＭＣＩ、及びＡＤの判別を行う。
この判別処理においては、判別装置３３は、図１０に示すように、まず、ベイジアン分類器（１）３３ｄ’を用いて、健常（ＮＣ）であるか認知機能障害（ＣＩ）であるかを判別する。
具体的には、ベイジアン分類器（１）３３ｄ’は、選択された特徴量に該当する計算値をノードにセットし、ＮＣ／ＣＩ分類処理を実行する。その出力として、ＮＣ群とＣＩ群に分類される確率値が得られる。
ここで、ＣＩ群に分類される確率が高いと推定された場合は、判別装置３３は、次に、ベイジアン分類器（２）３３ｄ”を用いて、軽度認知機能障害（ＭＣＩ）であるかアルツハイマー型認知症（ＡＤ）であるかを判別して、認知機能障害の程度を推定する。
この場合、上記ベイジアン分類器（１）３３ｄ’の場合と同様に、ベイジアン分類器（２）３３ｄ”は、選択された特徴量に該当する計算値をノードにセットし、ＭＣＩ／ＡＤ分類処理を実行する。その出力として、軽度認知機能障害（ＭＣＩ）群、アルツハイマー型認知症（ＡＤ）群に分類される確率値が得られる。
以下、本実施の形態に係る認知機能障害判別装置による判別処理の実験結果について説明する。
この実験結果は、表１で示した５０名の高齢者が実施した図５に示す認知課題のうち、ワーキングメモリ課題１（カテゴリ想起）の終盤２０秒で実施された「果物の名前を出来るだけ多く答える」課題に対する回答時のｆＮＩＲＳデータを用いて、ＮＣ／ＭＣＩ／ＡＤの判別実験を行った結果である。
検証方法として、Leave-one-out交差検定を用いた。また、ベイジアン分類器（１）３３ｄ’及びベイジアン分類器（２）３３ｄ”で採用されたｆＮＩＲＳ特徴量の一覧は表３に示すものである。
表４は、被験者５０名に対して本実施の形態に係る認知機能障害判別装置による判別処理を行なった実験の交差検定結果を示している。
表４の結果は、アルツハイマー型認知症（ＡＤ）の判定正答率と、健常（ＮＣ）の判定的中率とが共に９０％を超えていることを示している。このことから、本実施の形態に係る認知機能障害判別装置は、アルツハイマー型認知症（ＡＤ）群に属する被験者が健常(ＮＣ）であると誤判定することがなく、かつ、健常と判定された被験者をアルツハイマー型認知症（ＡＤ）患者であると判別することがない（１名のみＭＣＩ患者であった）ことがわかる。
この結果は、認知症スクリーニングが求められる仕様を鑑みて好ましい結果であると言える。また、ＭＣＩの推定正答率も７３．７％であり、本実施の形態に係る認知機能障害判別装置の性能は、許容できるものであるといえる．
また、本実施の形態に係る認知機能障害判別装置では、誤判定された５名の８割が疾患側（ＡＤ）に判定されていることも受け入れやすい結果である。
次に、図１３乃至図１５を用いて、図１に示す学習装置３１、データ蓄積装置３２、及び判別装置３３による、コンピュータ読み取り可能な記憶媒体等に記憶されたプログラムに基づく処理動作例を説明する。なお、プログラムを記憶するコンピュータ読み取り可能な記憶媒体は、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置である。
図１３は、データ蓄積装置３２による処理動作例を示しており、データ蓄積装置３２は、ステップ１３０１において、原波形信号取得部３２ａの機能により、ｆＮＩＲＳ測定データを取得する。
ステップ１３０２において、データ蓄積装置３２は、プリミティブ解析部３２ｂの機能により、ｆＮＩＲＳ測定データに対してフィルタリングするプリミティブ解析処理を行なう。
ステップ１３０３において、データ蓄積装置３２は、特徴量抽出部３２ｃの機能により、プリミティブ解析処理されたｆＮＩＲＳ測定データに対する特徴量の抽出処理を行なう。
ステップ１３０４において、データ蓄積装置３２は、特徴量抽出部３２ｃの機能により抽出したｆＮＩＲＳ測定データに対する特徴量を臨床データベース３２ｄに格納する。
図１４は、学習装置３１の処理動作例を示しており、学習装置３１は、ステップ１４０１において、特徴選択部３１ａの機能により、臨床データベース３１ｄに格納されたｆＮＩＲＳ測定データに対する特徴量の内から、例えば前述の表３に示される特徴量を判別基準として選択する。
ステップ１４０２において、学習装置３１は、臨床データベース３１ｄから、特徴選択部３１ａの機能により判別基準として選択された特徴量を抽出してリストアップし、ステップ１４０３において、学習部３１ｂにより、リストアップした特徴量を学習データとして用いて、分類機能のネットワーク構造及びパラメータ（条件付確率分布）のモデル構築を行ない、モデル記憶部３１ｅに格納する。
図１５は、判別装置３３の処理動作例を示しており、判別装置３３は、ステップ１５０１において、原波形信号取得部３３ａの機能により、ｆＮＩＲＳ測定データを取得する。
ステップ１５０２において、判別装置３３は、プリミティブ解析部３３ｂの機能により、ｆＮＩＲＳ測定データに対してフィルタリング処理等をするプリミティブ解析処理を行なう。
ステップ１５０３において、判別装置３３は、特徴量抽出部３３ｃの機能により、プリミティブ解析処理されたｆＮＩＲＳ測定データに対する特徴量の抽出処理を行なう。
ステップ１５０４において、判別装置３３は、ベイジアン分類器３３ｄの機能により、モデル記憶部３３ｅにモデル記憶部３１ｅからコピーして格納されたデータを用いて、特徴量抽出部３３ｃの機能により抽出したｆＮＩＲＳ測定データの特徴量に対応する診断結果を判別する。
以上、各図を用いて説明したように、本実施の形態の認知機能障害判別装置１０は、認知課題実行中の被験者の脳の複数領域の生体信号としての脳血流データを取得すると、取得した脳血流データ（生体信号）の特徴量を抽出し、抽出した特徴量と、予め用意された認知機能障害の判定に用いるデータとに基づいて、被験者の認知機能に障害があるかどうかを判別する。
なお、認知機能障害判別装置１０は、認知機能障害の判定に用いるデータを、予め認知機能に障害があるかどうかが既知である複数の被験者の認知課題実行中の脳の複数領域の生体信号を用いて、その特徴量を抽出し、抽出した特徴量に基づいて生成する。その際、認知機能障害判別装置１０は、抽出した特徴量の中から判定に用いる特徴量を選択し、選択した特徴量と抽出された特徴量とに基づき、判定に用いるデータとして認知機能障害を判別するためのモデルを構築する。
このように、本実施の形態の認知機能障害判別装置１０は、認知課題実行中の被験者の脳の複数領域の生体信号を取得して当該生体信号の特徴量を抽出し、この特徴量と、予め求めておいた認知機能障害の判定に用いるデータとに基づいて、被験者の認知機能に障害があるかどうかを判別しており、これにより、脳機能に関しての早期スクリーニングが可能となる。
なお、上記した実施形態では、認知機能障害判別装置において、認知機能障害を判別するためのモデルを構築する例を示したが、認知機能障害を判別するためのモデルを構築する装置（学習装置３１、及びデータ蓄積装置３２）を、認知機能障害判別装置とは別に設置するようにしても良い。例えば、認知機能障害判別装置が複数ありそれぞれからネットワークを介してセンタ（認知機能障害を判別するためのモデルを構築する装置として機能）にモデル構築のためのデータを送信し、センタ側にてそのようなデータを蓄積してモデルを構築し、認知機能障害判別装置（判別装置３３）が認知機能障害判別を行うときに、センタからモデルを受信し、それに基づいて認知機能障害判別を行うようにして、認知機能障害判別システムを構成することでも良い。
また、本実施の形態では、脳の生体信号として、ｆＮＩＲＳ測定器で得られる脳血流データを用いるものを示したが、例えば、脳波測定器などで得られる脳波を用いるようにしても良い。また、本実施の形態では、株式会社島津製作所（Ｒ）製のｆＮＩＲＳ測定器を用いたが、それに限らず他のＮＩＲＳ測定器を用いることでも良い。
また、本実施の形態では、６４歳〜９２歳の高齢者５０名をまとめて被験者としているが、被験者を予め複数のグループに分類して、認知症危険度の判別を行なうことも可能である。例えば、予め、高齢者から採取した脳血流データを、その類似性によって複数のグループに分類しておく。そして、未知の判別対象者のデータとこれらのグループとの分布の類似度に基づく重みを計算することで、判別対象者の判別に適した重み付き分布（個人差適応型分布）を擬似的に計算し、この重み付き分布上で判別計算を実行する計算手法をとる。このことにより、高齢者の脳血流データの個人差に適応した認知症危険度の判別が可能となる。
なお、上述の複数グループは、一般的には、採取した脳血流データの類似性に基づいて適切な数のグループに分類する手段をとるが、それ以外にも、例えば、男女の２グループや、年齢（年代）に応じた数グループなどに固定することによっても性差や年齢差を吸収することが可能である。
また、本実施の形態では、プリミティブ解析部３２ｂ，３３ｂは、測定脳部位を７つの領域（前頭前野：３領域，左右側頭葉：各２領域）に分割した各領域内のｆＮＩＲＳ時系列信号をそれぞれ加算平均している。しかし、例えば、主成分分析（ＰＣＡ）、独立成分分析（ＩＣＡ）、特異値分解（ＳＶＤ）、及び非負行列因子分解（ＮＭＦ）などのブラインド情報源分離の技術を適用して各領域内から認知機能障害の判別に有効な信号を分離・抽出することでも良い。このような計算技術を用いることで、より高い性能が期待される。
また、本実施の形態では、学習装置３１は、特徴選択部３１ａによる特徴量の選択処理動作において、一般的に多用されている逐次選択法としてフォワードステップワイズ法を用いて特徴選択を行なっているが、これに限られるものではない。学習装置３１は、例えば、変数増加法、変数減少法、及び変数増減法等の逐次選択法や、ＥＭアルゴリズム、遺伝的アルゴリズム（ＧＡ）、粒子群最適化（Particle Swarm Optimization，PSO）、ならびに、Evolutionarily Stable Strategy（ＥＳＳ）やDifferential evolution（ＤＥ）などの進化的計算を用いた手法等の同時選択法を用いて特徴選択を行っても良い。
また、本実施の形態では、判別装置３３は、認知機能障害を判別するために、クラシファイアモデルとしてNaive-Bayes Classifierを採用しているが、これに限られるものではない。例えば、ベイジアンネットワーク、正準判別分析、線形判別分析、ニューラルネットワーク、ナイーブベイズ法、及びサポートベクトルマシン（ＳＶＭ）などの分類型の推定手法や、重回帰分析、リッジ回帰、サポートベクトル回帰（ＳＶ回帰）、及びカーネル回帰分析などの数値型の推定手法を用いることでも良い。
例えば、分類型の計算手法では、高齢者の音声データから、健常（ＮＣ）、認知症疑い（ＭＣＩ）、認知症（ＡＤ）の３群のどれに分類されるかで認知症の危険度を判別する。また、数値型の計算方法では、長谷川式スコアなど認知機能テストの点数（０〜３０）に相当する数値を出力し、その数値の高低で認知症の危険度を判別する。
また、本発明のプログラムを、記憶媒体に格納して提供することも可能である。本発明に係るコンピュータ読み取り可能な記録媒体は、コンピュータを、脳を活動させるための課題を与えているときに測定された、被験者の予め定められた脳部位における生体信号データを取得するデータ取得部と、前記データ取得部によって取得された生体信号データの特徴量を抽出する特徴量抽出部と、前記特徴量抽出部で抽出された特徴量と、予め求めておいた認知機能障害の判定に用いるデータとに基づいて、前記被験者の認知機能障害の程度を判別する判別部と、として機能させるためのプログラムを記憶する。
日本出願２０１１−１２１２４１の開示はその全体が参照により本明細書に取り込まれる。
本明細書に記載された全ての文献、特許出願、及び技術規格は、個々の文献、特許出願、及び技術規格が参照により取り込まれることが具体的かつ個々に記載された場合と同程度に、本明細書中に参照により取り込まれる。
Claims (8)
- 臨床診断結果で認知機能障害の程度が既知である複数の被験者に脳を活動させるための課題を与えているときに測定された前記複数の被験者の予め定められた各脳部位における生体信号データを取得する既知データ取得部と、
前記既知データ取得部によって取得された前記複数の被験者の各脳部位における生体信号データの各々から、複数の生体特徴量を抽出する既知データ特徴量抽出部と、
前記既知データ特徴量抽出部によって抽出された前記複数の被験者の各脳部位の生体信号データの各々の前記複数の生体特徴量と各被験者の臨床診断結果とに基づいて、認知機能障害の程度の判別に用いる、脳部位と前記脳部位の生体信号データの生体特徴量との組からなる判別特徴量を少なくとも１つ選択する選択部と
前記既知データ特徴量抽出部によって抽出された前記複数の被験者の各脳部位の生体信号データの各々の前記複数の生体特徴量から得られる、前記複数の被験者の各々についての前記選択された判別特徴量と、前記複数の被験者の各々の臨床診断結果の前記認知機能障害の程度とを学習データとして用いて、前記判別特徴量に対応する前記認知機能障害の程度を判別するためのモデルを構築する学習部と、
前記課題を与えているときに測定された、前記認知機能障害の程度が未知である被験者の前記予め定められた各脳部位における生体信号データを取得するデータ取得部と、
前記データ取得部によって取得された前記認知機能障害の程度が未知である被験者の生体信号データの各々から、前記複数の生体特徴量を抽出する特徴量抽出部と、
前記特徴量抽出部によって抽出された前記被験者の各脳部位の生体信号データの各々の前記複数の生体特徴量から得られる、前記選択部によって選択された判別特徴量と、前記学習部によって予め構築されたモデルとに基づいて、前記認知機能障害の程度が未知である被験者の認知機能障害の程度を判別する判別部と、
を備える認知機能障害判別装置。 - 前記生体信号データは、前記予め定められた脳部位における血流を計測した脳血流データである請求項１記載の認知機能障害判別装置。
- 前記生体信号データは、前記予め定められた脳部位としての前頭前野、左側頭葉、右側頭葉、左頭頂葉、及び右頭頂葉の各々においてＮＩＲＳ装置によりヘモグロビン流量を測定した脳血流データである請求項１記載の認知機能障害判別装置。
- 前記生体信号データは、前記予め定められた脳部位としての前頭前野における右領域、中央領域、及び左領域、前記予め定められた脳部位としての左頭頂葉における所定領域、及び左側頭葉における所定領域、並びに前記予め定められた脳部位としての右頭頂葉における所定領域、及び右側頭葉における所定領域、の各々の領域においてＮＩＲＳ装置によりヘモグロビン流量を測定した脳血流データである請求項１記載の認知機能障害判別装置。
- 前記判別部は、複数段階で前記認知機能障害の程度を判別する複数の判別部であって、
前記選択部は、前記複数の判別部の各々に対して、前記判別部での前記認知機能障害の程度の段階の判別に用いる前記判別特徴量を少なくとも１つ選択し、
前記学習部は、前記複数の判別部の各々に対して、前記判別部での前記認知機能障害の程度の段階の判別に用いる前記モデルを構築する、
請求項１記載の認知機能障害判別装置。 - 複数の低域通過フィルタを用いて前記生体信号データのノイズ除去を行なうプリミティブ解析部を備え、
前記複数の低域通過フィルタは、環境光によるノイズを含むノイズを除去するのに用いる第１のフィルタ、脳波及び血圧を含む変動成分を抽出するのに用いる第２のフィルタ、及び、顎開閉及び眼球運動を含む運動によるノイズを除去するのに用いる第３のフィルタを含み、
前記既知データ特徴量抽出部および前記特徴量抽出部は、
前記プリミティブ解析部が、前記第１のフィルタを用いてノイズ除去した前記生体信号データにおける振幅の平均値、基本周波数、及び周波数重心と、前記第３のフィルタを用いてノイズ除去した前記生体信号データにおける振幅の最大値、振幅の最小値、振幅の分散値、振幅の平均値、基本周波数、及び近似直線の傾きと、前記第１のフィルタを用いてノイズ除去した前記生体信号データと前記第３のフィルタを用いてノイズ除去した前記生体信号データとの差分データの振幅の分散値、及び、前記第２のフィルタを用いてノイズ除去した前記生体信号データと前記第３のフィルタを用いてノイズ除去した前記生体信号データとの差分データの分散値を、前記生体信号データの特徴量として抽出し、
前記判別部は、前記特徴量抽出部によって抽出された特徴量を対象に前記被験者の認知機能障害の程度の判別を行なう、
請求項１乃至請求項５のいずれか１項に記載の認知機能障害判別装置。 - 臨床診断結果で認知機能障害の程度が既知である複数の被験者に脳を活動させるための課題を与えているときに測定された前記複数の被験者の予め定められた各脳部位における生体信号データを取得する既知データ取得部、
前記既知データ取得部によって取得された前記複数の被験者の各脳部位における生体信号データの各々から、複数の生体特徴量を抽出する既知データ特徴量抽出部、
前記既知データ特徴量抽出部によって抽出された前記複数の被験者の各脳部位の生体信号データの各々の前記複数の生体特徴量と各被験者の臨床診断結果とに基づいて、認知機能障害の程度の判別に用いる、脳部位と前記脳部位の生体信号データの生体特徴量との組からなる判別特徴量を少なくとも１つ選択する選択部、
及び、前記既知データ特徴量抽出部によって抽出された前記複数の被験者の各脳部位の生体信号データの各々の前記複数の生体特徴量から得られる、前記複数の被験者の各々についての前記選択された判別特徴量と、前記複数の被験者の各々の臨床診断結果の前記認知機能障害の程度とを学習データとして用いて、前記判別特徴量に対応する前記認知機能障害の程度を判別するためのモデルを構築する学習部、を含む判定データ生成装置と、
前記課題を与えているときに測定された、前記認知機能障害の程度が未知である被験者の前記予め定められた各脳部位における生体信号データを取得するデータ取得部、
前記データ取得部によって取得された前記認知機能障害の程度が未知である被験者の生体信号データの各々から、前記複数の生体特徴量を抽出する特徴量抽出部、
及び、前記特徴量抽出部によって抽出された前記被験者の各脳部位の生体信号データの各々の前記複数の生体特徴量から得られる、前記選択部によって選択された判別特徴量と、前記学習部によって予め構築されたモデルとに基づいて、前記認知機能障害の程度が未知である被験者の認知機能障害の程度を判別する判別部、を含む認知機能障害判別装置と、
を備える認知機能障害判別システム。 - コンピュータを、
臨床診断結果で認知機能障害の程度が既知である複数の被験者に脳を活動させるための課題を与えているときに測定された前記複数の被験者の予め定められた各脳部位における生体信号データを取得する既知データ取得部と、
前記既知データ取得部によって取得された前記複数の被験者の各脳部位における生体信号データの各々から、複数の生体特徴量を抽出する既知データ特徴量抽出部と、
前記既知データ特徴量抽出部によって抽出された前記複数の被験者の各脳部位の生体信号データの各々の前記複数の生体特徴量と各被験者の臨床診断結果とに基づいて、認知機能障害の程度の判別に用いる、脳部位と前記脳部位の生体信号データの生体特徴量との組からなる判別特徴量を少なくとも１つ選択する選択部と、
前記既知データ特徴量抽出部によって抽出された前記複数の被験者の各脳部位の生体信号データの各々の前記複数の生体特徴量から得られる、前記複数の被験者の各々についての前記選択された判別特徴量と、前記複数の被験者の各々の臨床診断結果の前記認知機能障害の程度とを学習データとして用いて、前記判別特徴量に対応する前記認知機能障害の程度を判別するためのモデルを構築する学習部と、
前記課題を与えているときに測定された、前記認知機能障害の程度が未知である被験者の前記予め定められた各脳部位における生体信号データを取得するデータ取得部と、
前記データ取得部によって取得された前記認知機能障害の程度が未知である被験者の生体信号データの各々から、前記複数の生体特徴量を抽出する特徴量抽出部と、
前記特徴量抽出部によって抽出された前記被験者の各脳部位の生体信号データの各々の前記複数の生体特徴量から得られる、前記選択部によって選択された判別特徴量と、前記学習部によって予め構築されたモデルとに基づいて、前記認知機能障害の程度が未知である被験者の認知機能障害の程度を判別する判別部と、
として機能させるためのプログラム。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2011121241 | 2011-05-31 | ||
| JP2011121241 | 2011-05-31 | ||
| PCT/JP2012/064237 WO2012165602A1 (ja) | 2011-05-31 | 2012-05-31 | 認知機能障害判別装置、認知機能障害判別システム、およびプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPWO2012165602A1 JPWO2012165602A1 (ja) | 2015-02-23 |
| JP5959016B2 true JP5959016B2 (ja) | 2016-08-02 |
Family
ID=47259453
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2013518182A Expired - Fee Related JP5959016B2 (ja) | 2011-05-31 | 2012-05-31 | 認知機能障害判別装置、認知機能障害判別システム、およびプログラム |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US9131889B2 (ja) |
| JP (1) | JP5959016B2 (ja) |
| WO (1) | WO2012165602A1 (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6268628B1 (ja) * | 2017-11-02 | 2018-01-31 | パナソニックＩｐマネジメント株式会社 | 認知機能評価装置、認知機能評価システム、認知機能評価方法及びプログラム |
| KR20190031124A (ko) * | 2017-09-15 | 2019-03-25 | 재단법인대구경북과학기술원 | 다채널 fNIRS 신호에서 동잡음을 제거하는 방법 및 장치 |
| KR20200101850A (ko) * | 2019-02-20 | 2020-08-28 | 가부시키가이샤 시마쓰세사쿠쇼 | 인지 기능의 지표화 방법 |
Families Citing this family (49)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9269046B2 (en) | 2012-01-18 | 2016-02-23 | Brainscope Company, Inc. | Method and device for multimodal neurological evaluation |
| US8792974B2 (en) | 2012-01-18 | 2014-07-29 | Brainscope Company, Inc. | Method and device for multimodal neurological evaluation |
| JP6125670B2 (ja) * | 2013-03-15 | 2017-05-10 | インテル コーポレイション | 収集された生物物理的信号の時間的パターンおよび空間的パターンに基づく脳‐コンピューターインターフェース（ｂｃｉ）システム |
| JP5691086B1 (ja) * | 2013-05-01 | 2015-04-01 | 株式会社国際電気通信基礎技術研究所 | 脳活動解析装置、脳活動解析方法およびバイオマーカー装置 |
| JP6506927B2 (ja) * | 2013-08-21 | 2019-04-24 | Ｓｈｉｏｄａライフサイエンス株式会社 | 香りによる脳の近赤外分光分析法によるマップの製造方法 |
| JP6093674B2 (ja) * | 2013-09-04 | 2017-03-08 | 株式会社ノエビア | マッサージ法を評価するための方法 |
| CN105407800B (zh) * | 2013-09-11 | 2019-04-26 | 麦克赛尔株式会社 | 脑功能障碍评价装置及存储介质 |
| US9474481B2 (en) * | 2013-10-22 | 2016-10-25 | Mindstrong, LLC | Method and system for assessment of cognitive function based on electronic device usage |
| JP2015171499A (ja) * | 2014-03-12 | 2015-10-01 | サッポロビール株式会社 | 食感刺激評価方法 |
| WO2015187401A1 (en) * | 2014-06-04 | 2015-12-10 | Neil Rothman | Method and device for multimodal neurological evaluation |
| JP6455656B2 (ja) * | 2014-09-08 | 2019-01-23 | 国立大学法人京都大学 | 精神疾患判定装置、及び、精神疾患判定方法 |
| JP6013438B2 (ja) * | 2014-12-09 | 2016-10-25 | 株式会社Ｎｔｔデータ・アイ | 脳疾患診断支援システム、脳疾患診断支援方法及びプログラム |
| KR101703547B1 (ko) * | 2015-04-09 | 2017-02-07 | 대한민국 | 기능적 근적외선 분광법의 뇌활성도 측정에 따른 유효 채널 추출 방법 및 장치 |
| US9697599B2 (en) * | 2015-06-17 | 2017-07-04 | Xerox Corporation | Determining a respiratory pattern from a video of a subject |
| US11232370B2 (en) | 2015-08-14 | 2022-01-25 | Hewlett-Packard Development Company, L.P. | Biometric data to facilitate learning |
| KR102461705B1 (ko) * | 2015-10-29 | 2022-11-01 | 서울대학교산학협력단 | 소아 청소년의 뇌 건강 상태에 대한 정보를 제공하는 방법 및 이를 수행하기 위한 장치 |
| US11382556B2 (en) * | 2015-11-24 | 2022-07-12 | Advanced Telecommunications Research Institute International | Brain activity analyzing apparatus, brain activity analyzing method, program and biomarker apparatus |
| JP6785446B2 (ja) | 2016-04-14 | 2020-11-18 | パナソニックＩｐマネジメント株式会社 | 生体信号計測システム |
| US10791981B2 (en) * | 2016-06-06 | 2020-10-06 | S Square Detect Medical Devices | Neuro attack prevention system, method, and apparatus |
| WO2018027080A1 (en) * | 2016-08-03 | 2018-02-08 | Akili Interactive Labs, Inc. | Cognitive platform including computerized evocative elements |
| JP7077303B2 (ja) | 2016-08-26 | 2022-05-30 | アキリ・インタラクティヴ・ラブズ・インコーポレイテッド | 生理学的コンポーネントに接続された認知プラットフォーム |
| JP6702836B2 (ja) * | 2016-09-28 | 2020-06-03 | ハルメク・ベンチャーズ株式会社 | 認知症判定得点算出装置及びそのプログラム |
| CN108234892A (zh) * | 2016-12-15 | 2018-06-29 | 松下知识产权经营株式会社 | 摄像装置及摄像方法 |
| JP6845716B2 (ja) * | 2017-03-14 | 2021-03-24 | 一般社団法人脳と心の健康科学研究所 | 生体機能についての医学的検査の得点判定装置、及びプログラム |
| CN115137372A (zh) | 2017-04-28 | 2022-10-04 | 麦克赛尔株式会社 | 脑波数据分析***、信息处理终端、电子设备以及用于脑波分析检查的信息的呈现装置 |
| CN111050667B (zh) | 2017-07-07 | 2023-07-11 | 株式会社岛津制作所 | 认知功能判定方法 |
| JP7266582B2 (ja) * | 2017-08-15 | 2023-04-28 | アキリ・インタラクティヴ・ラブズ・インコーポレイテッド | コンピュータ制御要素を含む認知プラットフォーム |
| JP6312014B1 (ja) | 2017-08-28 | 2018-04-18 | パナソニックＩｐマネジメント株式会社 | 認知機能評価装置、認知機能評価システム、認知機能評価方法及びプログラム |
| JP2019041754A (ja) * | 2017-08-31 | 2019-03-22 | 株式会社Ｎｔｔドコモ | 予測装置及び予測方法 |
| JP6722845B2 (ja) | 2017-10-03 | 2020-07-15 | 株式会社国際電気通信基礎技術研究所 | 判別装置、うつ症状の判別方法、うつ症状のレベルの判定方法、うつ病患者の層別化方法、うつ症状の治療効果の判定方法及び脳活動訓練装置 |
| JP6337362B1 (ja) | 2017-11-02 | 2018-06-06 | パナソニックＩｐマネジメント株式会社 | 認知機能評価装置、及び、認知機能評価システム |
| JP6804779B2 (ja) * | 2018-07-24 | 2020-12-23 | 日本テクトシステムズ株式会社 | 軽度の認知機能障害の推定システム、軽度の認知機能障害の推定装置、及び軽度の認知機能障害の有無を推定するためのプログラム |
| KR102257291B1 (ko) * | 2018-09-14 | 2021-05-28 | 주식회사 아이메디신 | 인지 장애 판별 방법 및 컴퓨터 프로그램 |
| JP6767462B2 (ja) * | 2018-12-05 | 2020-10-14 | サッポロビール株式会社 | 食感刺激の嗜好性評価方法 |
| JP7147623B2 (ja) * | 2019-02-21 | 2022-10-05 | 株式会社島津製作所 | 脳血流量の特徴量の抽出方法 |
| WO2020209688A1 (ko) * | 2019-04-12 | 2020-10-15 | 한국과학기술원 | 머신 러닝을 이용하여 머리에 관한 생체 정보를 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
| CN110680282B (zh) * | 2019-10-09 | 2020-10-27 | 黑龙江洛唯智能科技有限公司 | 一种大脑暂时性异常态的检测方法、装置和*** |
| CN110876626B (zh) * | 2019-11-22 | 2022-08-12 | 兰州大学 | 基于多导联脑电最优导联选择的抑郁检测*** |
| US11464443B2 (en) * | 2019-11-26 | 2022-10-11 | The Chinese University Of Hong Kong | Methods based on an analysis of drawing behavior changes for cognitive dysfunction screening |
| CN110859616A (zh) * | 2019-12-12 | 2020-03-06 | 科大讯飞股份有限公司 | 一种对象的认知评估方法、装置、设备及存储介质 |
| JP7109499B2 (ja) * | 2020-05-07 | 2022-07-29 | 一般社団法人脳と心の健康科学研究所 | 認知症判定得点算出装置及びそのプログラム |
| KR102287191B1 (ko) * | 2021-03-12 | 2021-08-09 | 주식회사 아이메디신 | 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 방법, 서버 및 컴퓨터프로그램 |
| KR102492379B1 (ko) * | 2021-08-10 | 2023-01-27 | 주식회사 엔서 | 치매 등급 분류를 위해 장착되는 치매 검사장치 및 검사결과를 토대로 딥러닝 모델을 이용해 치매를 진단하는 치매 진단장치 |
| JP2023051344A (ja) * | 2021-09-30 | 2023-04-11 | ダイキン工業株式会社 | 不穏およびせん妄センシング装置並びに不穏およびせん妄センシング方法 |
| CN114176605B (zh) * | 2021-12-16 | 2023-08-29 | 中国人民解放***箭军工程大学 | 一种多通道脑电信号眼电伪迹自动去除方法及存储介质 |
| WO2023214545A1 (ja) * | 2022-05-02 | 2023-11-09 | 国立大学法人大阪大学 | 認知機能評価システム |
| WO2024085282A1 (ko) * | 2022-10-20 | 2024-04-25 | (주)오비이랩 | 인지 기능 개선을 위한 개인 맞춤형 광자극을 제공하는 방법, 장치 및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
| CN116189668B (zh) * | 2023-04-24 | 2023-07-25 | 科大讯飞股份有限公司 | 语音分类、认知障碍检测方法、装置、设备及介质 |
| CN117243569B (zh) * | 2023-10-12 | 2024-05-07 | 国家康复辅具研究中心 | 一种基于多源信息融合的认知功能评估方法和*** |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3916985B2 (ja) * | 2002-03-26 | 2007-05-23 | 株式会社日立メディコ | 生体光計測装置 |
| US7353054B2 (en) | 2003-09-11 | 2008-04-01 | Hitachi Medical Corporation | Optical measurement apparatus for living body |
| JP4477403B2 (ja) | 2004-04-09 | 2010-06-09 | 株式会社日立メディコ | 生体光計測装置 |
| US7516021B2 (en) * | 2004-06-14 | 2009-04-07 | Hitachi Medical Corp. | Optical system for measuring metabolism in a body, method and program |
| JP4518281B2 (ja) | 2005-06-09 | 2010-08-04 | 株式会社日立メディコ | 疾患判定支援システム |
| WO2007144977A1 (ja) | 2006-06-15 | 2007-12-21 | Hitachi Medical Corporation | 生体光計測装置 |
| WO2008142878A1 (ja) | 2007-05-21 | 2008-11-27 | Hitachi Medical Corporation | 生体光計測装置 |
| JP4876207B2 (ja) | 2010-06-11 | 2012-02-15 | 国立大学法人 名古屋工業大学 | 認知機能障害危険度算出装置、認知機能障害危険度算出システム、及びプログラム |
-
2012
- 2012-05-31 WO PCT/JP2012/064237 patent/WO2012165602A1/ja active Application Filing
- 2012-05-31 US US14/122,786 patent/US9131889B2/en not_active Expired - Fee Related
- 2012-05-31 JP JP2013518182A patent/JP5959016B2/ja not_active Expired - Fee Related
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190031124A (ko) * | 2017-09-15 | 2019-03-25 | 재단법인대구경북과학기술원 | 다채널 fNIRS 신호에서 동잡음을 제거하는 방법 및 장치 |
| KR102090671B1 (ko) | 2017-09-15 | 2020-03-18 | 재단법인 대구경북과학기술원 | 다채널 fNIRS 신호에서 동잡음을 제거하는 방법 및 장치 |
| JP6268628B1 (ja) * | 2017-11-02 | 2018-01-31 | パナソニックＩｐマネジメント株式会社 | 認知機能評価装置、認知機能評価システム、認知機能評価方法及びプログラム |
| WO2019087757A1 (ja) * | 2017-11-02 | 2019-05-09 | パナソニックＩｐマネジメント株式会社 | 認知機能評価装置、認知機能評価システム、認知機能評価方法及びプログラム |
| JP2019083903A (ja) * | 2017-11-02 | 2019-06-06 | パナソニックＩｐマネジメント株式会社 | 認知機能評価装置、認知機能評価システム、認知機能評価方法及びプログラム |
| KR20200101850A (ko) * | 2019-02-20 | 2020-08-28 | 가부시키가이샤 시마쓰세사쿠쇼 | 인지 기능의 지표화 방법 |
| KR102421221B1 (ko) * | 2019-02-20 | 2022-07-14 | 가부시키가이샤 시마쓰세사쿠쇼 | 인지 기능의 지표화 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| US9131889B2 (en) | 2015-09-15 |
| JPWO2012165602A1 (ja) | 2015-02-23 |
| US20140107494A1 (en) | 2014-04-17 |
| WO2012165602A1 (ja) | 2012-12-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5959016B2 (ja) | 認知機能障害判別装置、認知機能障害判別システム、およびプログラム | |
| Mumtaz et al. | Review of challenges associated with the EEG artifact removal methods | |
| Karthikeyan et al. | Detection of human stress using short-term ECG and HRV signals | |
| Neto et al. | EEG spectral features discriminate between Alzheimer’s and vascular dementia | |
| Islam et al. | A wavelet-based artifact reduction from scalp EEG for epileptic seizure detection | |
| Bach | A head-to-head comparison of SCRalyze and Ledalab, two model-based methods for skin conductance analysis | |
| Wu et al. | Automatic epileptic seizures joint detection algorithm based on improved multi-domain feature of cEEG and spike feature of aEEG | |
| Xu et al. | Differentiating between psychogenic nonepileptic seizures and epilepsy based on common spatial pattern of weighted EEG resting networks | |
| Otero-Millan et al. | Unsupervised clustering method to detect microsaccades | |
| Zhang et al. | Multimodal depression detection: Fusion of electroencephalography and paralinguistic behaviors using a novel strategy for classifier ensemble | |
| WO2016163594A1 (ko) | 동영상 기반 생리 신호 검출을 이용한 왜곡에 대한 정신생리적 탐지 (거짓말 탐지) 방법 및 장치 | |
| KR102378278B1 (ko) | 생체 신호 분석 시스템 및 이를 이용한 생체 신호 분석 방법 | |
| CN106413541B (zh) | 用于诊断睡眠的***和方法 | |
| JP2005514096A (ja) | Ｅｅｇバイスペクトルを用いて神経学的症状を評価する系および方法 | |
| JP2005514096A5 (ja) | ||
| WO2014152565A1 (en) | Wavelet analysis in neuro diagnostics | |
| Nourski et al. | Processing of auditory novelty across the cortical hierarchy: An intracranial electrophysiology study | |
| US11670423B2 (en) | Method and system for early detection of neurodegeneration using progressive tracking of eye-markers | |
| Newman et al. | 1D convolutional neural networks for detecting nystagmus | |
| Zou et al. | Automatic EEG artifact removal based on ICA and Hierarchical Clustering | |
| Newman et al. | Automatic nystagmus detection and quantification in long-term continuous eye-movement data | |
| KR20160031124A (ko) | 뇌파 분석을 통한 조현병 환자 또는 정신질환 환자의 증상 심각도를 예측하는 방법 및 장치 | |
| EP3182892B1 (en) | Method and system for eeg signal processing | |
| CA2765864C (en) | A neural analysis system | |
| US10070812B2 (en) | Method for improved seizure detection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20150306 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20160105 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20160301 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20160517 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20160616 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 5959016 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |