JP6154728B2 - 視聴状態推定装置およびそのプログラム - Google Patents

Description

本発明は、コンテンツを視聴する視聴者の当該コンテンツに対する理解度、主観評価等の視聴状態を推定する視聴状態推定装置およびそのプログラムに関する。

従来、放送番組等のコンテンツに対する理解度や主観評価は、コンテンツ視聴後の視聴者に対するアンケート（メール、はがき等）や、複数の被験者にコンテンツを視聴させた後の被験者に対するアンケート（解答用紙等による解答）により行われてきた。
このようなコンテンツに対する理解度や主観評価は、視聴者の嗜好等の把握に役立つとともに、視聴者に対して有益な情報推薦等の応用が期待される。しかし、コンテンツに対する理解度や主観評価を行うには、数多くのアンケートを集計する必要があり、コンテンツ視聴後に毎回アンケートを行うことは現実的ではない。
そこで、近年、任意の被験者を対象として、生体信号等の計測データから客観的かつ自動的に理解度等の視聴者の視聴状態を把握する技術が提案されている（特許文献１〜６参照）。
これらの技術では、計測された生体信号に、予め定めた生体信号パターンが含まれるか否かによって理解度等の推定を行っている。

特許第４３７０２０９号公報 特許第４４４１３４５号公報 特許第４６８６２９９号公報 特許第３９９１０６６号公報 特許第４１８９４４０号公報 特許第５１１９３７５号公報

しかし、放送番組等のコンテンツは種類（ジャンル、内容等）が多種多様であり、それに対する応答は複雑である。
前記したような予め定めた生体信号パターンを用いる技術では、その生体信号パターンが固定されているため、多種多様なコンテンツに対して適用することができない。
すなわち、従来の技術は、特定のコンテンツについては、予め定めた生体信号パターンによって視聴者の視聴状態を推定できたとしても、異なるコンテンツについては、生体信号パターンが異なるため、視聴者の視聴状態を推定することができないという問題がある。

本発明は、このような問題に鑑みてなされたものであり、コンテンツごとに予め定めた生体信号パターンを用いることなく、多種多様なコンテンツに対して、視聴者の視聴状態を推定することが可能な視聴状態推定装置およびそのプログラムを提供することを課題とする。

前記課題を解決するため、本発明に係る視聴状態推定装置は、コンテンツ視聴中の複数の学習用被験者の生体信号と、前記コンテンツに対する視聴状態を尋ねる設問に対して前記学習用被験者が解答した結果である学習用解答データとに基づいて、前記コンテンツ視聴中の対象被験者の生体信号から、前記対象被験者の視聴状態を推定する視聴状態推定装置であって、学習用生体信号類似度算出手段と、学習用視聴状態類似度算出手段と、類似度間マッピング情報算出手段と、チャンネル選択手段と、生体信号抽出手段と、選択生体信号類似度算出手段と、視聴状態推定値算出手段と、を備える構成とした。

かかる構成において、視聴状態推定装置は、学習用生体信号類似度算出手段によって、生体信号の計測部位である計測チャンネルごとに入力された複数の学習用被験者の生体信号について、学習用被験者間の類似度（生体信号類似度）を算出する。
また、視聴状態推定装置は、学習用視聴状態類似度算出手段によって、学習用被験者間の学習用解答データの類似度（視聴状態類似度）を算出する
この生体信号類似度と視聴状態類似度とは、強い相関があると考えられる。
そこで、視聴状態推定装置は、生体信号類似度と視聴状態類似度とを関連付けるため、類似度間マッピング情報算出手段によって、計測チャンネルごとに、予め定めた人数の学習用被験者間の生体信号類似度と視聴状態類似度との相関が最大となる重み係数をマッピング情報として算出する。

そして、視聴状態推定装置は、チャンネル選択手段によって、マッピング情報の算出対象となった学習用被験者とは異なる複数の他の学習用被験者間の生体信号類似度および視聴状態類似度について、マッピング情報を用いたときの相関の誤差が予め定めた閾値を下回る計測チャンネルを選択チャンネルとして選択する。
すなわち、視聴状態推定装置は、類似度間マッピング情報算出手段によって、予め定めた人数の学習用被験者から、マッピング情報を推定する。そして、視聴状態推定装置は、チャンネル選択手段によって、他の学習用被験者に対してそのマッピング情報を適用し、その推定誤差が予め定めた閾値よりも小さいマッピング情報を算出した計測チャンネルを選択チャンネルとして選択する。

そして、視聴状態推定装置は、生体信号抽出手段によって、対象被験者について、計測チャンネルごとの生体信号から、選択チャンネルの生体信号を抽出する。これによって、視聴状態との相関が強い生体信号が抽出されることになる。
そして、視聴状態推定装置は、選択生体信号類似度算出手段によって、生体信号抽出手段で抽出された対象被験者の生体信号と、複数の学習用被験者の生体信号との類似度を算出する。

また、視聴状態推定装置は、視聴状態推定値算出手段によって、対象被験者の未知数の学習用解答データと複数の学習用被験者の学習用解答データとの類似度と、選択生体信号類似度算出手段で算出された類似度とについて、選択チャンネルに対応したマッピング情報を用いたときの相関が最大となる未知数の学習用解答データを視聴状態推定値として算出する。

このように、視聴状態推定装置は、複数の学習用被験者間の生体信号の類似度と、複数の学習用被験者間の視聴状態（学習用解答データ）の類似度とを関連付けるマッピング情報（重み係数）を推定し、そのマッピング情報に基づいて、対象被験者の生体信号から、対応する未知の解答データ（視聴状態）を推定する。
これによって、視聴状態推定装置は、従来のように、対象被験者の生体信号に予め定めた生体信号パターンが含まれるか否かにより視聴状態を判定することなく、対象被験者の視聴状態を推定することができる。

なお、本発明に係る視聴状態推定装置は、視聴状態推定装置のコンピュータを、学習用生体信号類似度算出手段、学習用視聴状態類似度算出手段、類似度間マッピング情報算出手段、チャンネル選択手段、生体信号抽出手段、選択生体信号類似度算出手段、視聴状態推定値算出手段、として機能させるための視聴状態推定プログラムで動作させることができる。

本発明は、以下に示す優れた効果を奏するものである。
本発明によれば、コンテンツ視聴中に発生する特定の生体信号パターンと視聴状態とを関連付けるのではなく、学習用被験者間の生体信号の類似度と視聴状態（学習用解答データ）の類似度との関連性から、対象被験者の視聴状態を推定することができる。そのため、本発明は、任意のコンテンツに対して視聴状態を推定することができる。
また、本発明によれば、コンテンツの視聴者に与える影響を客観的に把握することができる。そのため、本発明は、コンテンツ配信による効果を定量的に評価することができる。

本発明の実施形態に係る視聴状態推定装置の概要を説明するための説明図であって、（ａ）は視聴状態の学習段階、（ｂ）は視聴状態の推定段階の概要を示す。 本発明の実施形態に係る視聴状態推定装置の構成を示すブロック構成図である。 本発明の実施形態に係る視聴状態推定装置の視聴状態の学習段階の動作を示すフローチャートである。 本発明の実施形態に係る視聴状態推定装置の視聴状態の推定段階の動作を示すフローチャートである。

以下、本発明の実施形態について図面を参照して説明する。
〔視聴状態推定装置の概要〕
最初に、図１を参照して、本発明の実施形態に係る視聴状態推定装置１の概要について説明する。
視聴状態推定装置１は、放送番組等のコンテンツを視聴中の被験者（対象被験者）の生体信号から、被験者のコンテンツに対する理解度、主観評価等の視聴状態を推定するものである。

図１（ａ）に示すように、視聴状態推定装置１は、学習段階として、複数の被験者（学習用被験者Ｈｓ，Ｈｓ，…）から、テレビ受信機等のモニタＭに提示されるコンテンツ視聴中に生体信号計測装置（ここでは、脳波計Ｂ）の複数の測定箇所（チャンネル）で計測される生体信号（学習用生体信号）を取得する。
また、視聴状態推定装置１は、学習段階として、複数の被験者（学習用被験者Ｈｓ，Ｈｓ，…）から、視聴状態を尋ねる設問（アンケート）の解答（学習用解答データ）を取得する。そして、視聴状態推定装置１は、機械学習により、設問に関係の強い生体信号のチャンネルを推定する。

そして、図１（ｂ）に示すように、視聴状態推定装置１は、推定段階として、対象被験者Ｈｔから、モニタＭに提示されるコンテンツ視聴中に生体信号計測装置（ここでは、脳波計Ｂ）で計測される生体信号のうち、学習段階で推定したチャンネルの生体信号（推定対象生体信号）を取得して、対象被験者Ｈｔの視聴状態を示す解答データ（視聴状態推定値）を推定する。
なお、被験者（学習用被験者Ｈｓ、対象被験者Ｈｔ）が視聴するコンテンツは、同一のコンテンツである。また、複数の学習用被験者Ｈｓ，Ｈｓ，…に対して行うアンケートの内容は同一である。
以下、このように、学習と推定により使用するチャンネルを特定し、対象被験者Ｈｔの視聴状態を推定する視聴状態推定装置１の構成および動作について説明を行う。

〔視聴状態推定装置の構成〕
まず、図２を参照して、本発明の実施形態に係る視聴状態推定装置１の構成について説明する。

図２に示すように、視聴状態推定装置１は、事前の学習段階において、推定段階で使用するチャンネルを選択するための、生体信号入力手段１０と、生体信号記憶手段１１と、学習用生体信号類似度算出手段１２と、視聴状態入力手段１３と、視聴状態記憶手段１４と、学習用視聴状態類似度算出手段１５と、類似度間マッピング情報算出手段１６と、マッピング情報記憶手段１７と、チャンネル選択手段１８と、推定段階において、対象被験者の視聴状態を推定するための、生体信号抽出手段２０と、選択生体信号類似度算出手段２１と、視聴状態推定値算出手段２２と、を備える。

生体信号入力手段１０は、外部に接続された生体信号計測装置（不図示）を介して、生体信号を計測するチャンネルごとに、学習用被験者の生体信号を入力するものである。この生体信号入力手段１０は、複数の学習用被験者から入力した生体信号を、それぞれ時系列信号として数値化し、学習用被験者とチャンネルとに対応付けて生体信号記憶手段１１に書き込み記憶する。

ここで、生体信号とは、学習用被験者（対象被験者についても同様）の生体組織の状態や組織が機能している場合の情報を反映した信号である。この生体信号は、例えば、脳血中酸素量、脳波（ＥＥＧ：Electroencephalogram）、人体の体表温度等である。
例えば、生体信号計測装置としてｆＭＲＩ装置を用いることで、生体信号入力手段１０は、機能的核磁気共鳴画像法（ｆＭＲＩ：Magnetic Resonance Imaging）により計測される画像の輝度データとして脳血中酸素量を取得することができる。

また、例えば、生体信号計測装置としてＮＩＲＳ脳計測装置を用いることで、近赤外分光法(ＮＩＲＳ：Near Infrared Spectroscopy）により計測される近赤外光の吸収度合いを示すデータとして脳血中酸素量を取得することができる。
また、例えば、生体信号計測装置として脳波計を用いることで、被験者の頭皮上等に置いた電極で計測される電位データとして脳波を取得することができる。
また、例えば、生体信号計測装置としてサーモグラフィを用いることで、熱分布を示す画像データとして体表温度を取得することができる。

また、ここで、チャンネルとは、生体信号計測装置で計測される被験者の生体信号の計測箇所を示す。例えば、生体信号としてｆＭＲＩにより計測されるデータを用いる場合、ｆＭＲＩ装置が脳の複数の断面画像（３次元画像）を生成することから、チャンネルは、画像のピクセル単位（３次元画像であるため、より正確にはボクセル単位）で表された被験者の脳の部位に相当する。また、例えば、生体信号として、近赤外分光法により計測されるデータや脳波を用いる場合、チャンネルは、被験者の頭表上に置かれるプローブ単位または電極単位で表される脳の部位に相当する。

なお、ｆＭＲＩ装置は、脳内の酸素量を脳の断面画像として出力するが、その画像は被験者によって大きさ、形状等が異なる。そこで、生体信号入力手段１０は、複数の被験者でチャンネルとして指し示す部位を揃えるため、アフィン変換等により、断面画像を圧縮、伸長、回転させ、標準脳と呼ばれるテンプレート脳画像と大きさ、形状等を合わせる正規化処理を行うことが好ましい。
また、生体信号入力手段１０は、計測した生体信号に対して平滑化処理等を行うことで、生体信号のノイズを除去することが好ましい。
このように、生体信号入力手段１０は、正規化処理、ノイズ除去等を行った生体信号を、生体信号記憶手段１１に書き込み記憶する。

生体信号記憶手段１１は、生体信号入力手段１０で入力された生体信号を記憶するものである。この生体信号記憶手段１１は、半導体メモリ、ハードディスク等の一般的な記憶装置で構成することができる。
この生体信号記憶手段１１には、学習用被験者とチャンネルとに対応付けられた時系列信号として、複数の学習用被験者の生体信号が記憶される。例えば、生体信号記憶手段１１には、１０人の学習用被験者に対して、それぞれ１００００箇所のチャンネルで計測された生体信号を記憶する。ここでは、生体信号記憶手段１１に記憶される生体信号を計測した学習用被験者の数をＭ人とする。
この生体信号記憶手段１１に記憶された生体信号は、学習用生体信号類似度算出手段１２、チャンネル選択手段１８および選択生体信号類似度算出手段２１によって参照される。

学習用生体信号類似度算出手段１２は、生体信号記憶手段１１に記憶されている同一コンテンツを視聴した複数の学習用被験者の生体信号について、学習用被験者間の類似度を算出するものである。
この学習用生体信号類似度算出手段１２は、算出した類似度を類似度間マッピング情報算出手段１６に出力する。

具体的には、学習用生体信号類似度算出手段１２は、以下のように類似度を算出する。ここでは、学習用生体信号類似度算出手段１２は、類似度として相関係数を用いることとする。
ここで、チャンネルの識別子をｃ、学習用被験者の識別子をｉとしたとき、生体信号記憶手段１１に記憶されている時系列の生体信号ｘ^ｃ _ｉは、以下の式（１）のベクトルで表すことができる。

なお、ｔは転置を示す（以下の各式においても同様）。
この式（１）において、ｘ^ｃ _ｉ，１は、コンテンツ視聴中、最初に計測された生体信号で、ｘ^ｃ _ｉ，Ｔまで、順次、時系列に計測された生体信号を示す。
そして、学習用生体信号類似度算出手段１２は、チャンネルｃごとに、学習用被験者ｉの生体信号ｘ^ｃ _ｉと、学習用被験者ｊの生体信号ｘ^ｃ _ｊとの相関係数Ｍ^ｃ _{ｘ，ｉ，ｊ}を、以下の式（２）により算出する。

ここで、ｘ￣^ｃ _ｉは前記式（１）のベクトルｘ^ｃ _ｉの全要素の平均値を各要素に持つベクトルであって、具体的には、以下の式（３）および式（４）で表されるベクトルである（ｘ￣^ｃ _ｊも同様）。なお、式（３）中、Ｔは、前記式（１）に示したベクトルｘ^ｃ _ｉの要素数を示す。また、式（４）は、すべての要素が“１”となるＴ次元のベクトルである。

そして、学習用生体信号類似度算出手段１２は、前記式（２）で算出したＮ人の学習用被験者間の類似度（相関係数Ｍ^ｃ _{ｘ，ｉ，ｊ}）を要素とする以下の式（５）に示すＮ×Ｎ次元の行列（生体信号類似度行列Ｍ^ｃ _ｘ）を、類似度間マッピング情報算出手段１６に出力する。なお、この式（５）は対称行列で、対角成分の値はすべて“１”である。

ここでは、学習用生体信号類似度算出手段１２は、全学習被験者数（Ｍ人）よりも少ない人数Ｎ人（Ｎ＜Ｍ）について、Ｍ人からＮ人を選択する組み合わせを順次変えて、異なる組み合わせでの学習用被験者間で生体信号の類似度を算出することとする。
なお、この学習用生体信号類似度算出手段１２において、あるＮについて類似度を算出した場合、そのＮに対応する残りの（Ｍ−Ｎ）人分の生体信号については、チャンネル選択手段１８において、マッピングの精度を検証する際に用いられるが、その説明については後記する。

なお、ここでは、学習用生体信号類似度算出手段１２は、生体信号の類似度として、相関係数を用いたが、ベクトル間の内積、コサイン距離等、他の類似度指標を用いても構わない。

視聴状態入力手段１３は、コンテンツ視聴中に生体信号を計測された複数の学習用被験者が、当該コンテンツに対する理解度、主観評価等の視聴状態を尋ねる設問（アンケート）に対して解答した結果である学習用解答データを入力し、視聴状態を数値化するものである。この視聴状態入力手段１３は、数値化した視聴状態（解答パターン）を、学習用被験者に対応付けて視聴状態記憶手段１４に書き込み記憶する。ここでは、視聴状態入力手段１３に記憶される視聴状態を取得した学習用被験者の数を、生体信号記憶手段１１と同様、Ｍ人とする。

ここで、学習用被験者に尋ねる設問は、コンテンツの理解を問う設問、コンテンツの主観評価を問う設問等である。例えば、コンテンツがニュース番組の場合、コンテンツの理解を問う設問の例として、以下の例（設問Ｑ１，Ｑ２）が挙げられる。

設問Ｑ１：コンテンツの内容は、何の話題ですか？
選択肢Ａ１：通貨ユーロの危機
選択肢Ａ２：ＥＵの政情不安
選択肢Ａ３：中国のＥＵ圏への投資
選択肢Ａ４：ドイツとフランスの経済紛争

設問Ｑ２：現在のユーロはどのような状況ですか？
選択肢Ａ１：ユーロ体制そのものへの信頼性が低下している
選択肢Ａ２：ＩＭＦからの金融支援で信頼回復を果たしている
選択肢Ａ３：ＥＵの各国間の政治的な対立により価値切り下げの様相を呈している
選択肢Ａ４：多くの国が自国通貨へ回帰を検討している

また、例えば、コンテンツがドラマ番組の場合、コンテンツの主観評価を問う設問の例として、以下の例（設問Ｑ３，Ｑ４）が挙げられる。

設問Ｑ３：このコンテンツは面白かったですか？３段階（１〜３）で評価してください。
（面白い：０、普通：１、面白くない：２）

設問Ｑ４：主役Ａの生き方に同感できますか？３段階（１〜３）で評価してください。
（同感できる：０、どちらでもない：１、同感できない：２）

ここでは、視聴状態入力手段１３は、コンテンツに対する設問に対して、複数の学習用被験者が解答した結果を、例えば、キーボード、タッチパネル等の入力手段（不図示）を介して入力する。そして、視聴状態入力手段１３は、正解または不正解が決まっている設問については、設問ごとに、解答を予め定めた正解と照合し、正解または不正解に対応する予め定めた値に数値化する。例えば、正解の場合“１”、不正解の場合”０”と数値化する。
また、視聴状態入力手段１３は、主観評価のレベルのように、数値で解答する設問については、入力された数値をそのまま利用する。

そして、視聴状態入力手段１３は、設問数がＮ_ｑであった場合、学習用被験者ｉごとに、視聴状態ｙ_ｉとして、以下の式（６）に示すように、設問の解答に対応して、正誤、あるいは、評価レベルを数値化したＮ_ｑ次元のベクトル（視聴状態ベクトル）を生成する。

この視聴状態ｙ_ｉの各要素は、学習用被験者ｉの解答により、“０”または“１”、あるいは、評価レベルの数値となる。
なお、設問（アンケート）は、コンテンツの理解を問う設問のみ、コンテンツの主観評価を問う設問のみであってもよく、あるいは、それらを混在したものであってもよい。
この視聴状態入力手段１３は、式（６）に示した視聴状態ｙ_ｉを、視聴状態記憶手段１４に書き込み記憶する。

なお、ここでは、視聴状態入力手段１３は、学習用解答データとして、学習用被験者の設問に対する解答を入力することとしたが、すでに正誤判定等を行った前記式（６）に示したデータ（解答パターン）を直接入力することとしてもよい。

視聴状態記憶手段１４は、視聴状態入力手段１３で入力された学習用解答データを記憶するものである。この視聴状態記憶手段１４は、半導体メモリ、ハードディスク等の一般的な記憶装置で構成することができる。
この視聴状態記憶手段１４には、学習用被験者ｉに対応付けられた前記式（６）に示した視聴状態ｙ_ｉが学習用解答データとして記憶される。
この視聴状態記憶手段１４に記憶された学習用解答データ（視聴状態）は、学習用視聴状態類似度算出手段１５、チャンネル選択手段１８および視聴状態推定値算出手段２２によって参照される。

学習用視聴状態類似度算出手段１５は、視聴状態記憶手段１４に記憶されている同一コンテンツを視聴した複数の学習用被験者の学習用解答データについて、学習用被験者間の類似度を算出するものである。
この学習用視聴状態類似度算出手段１５は、算出した類似度を類似度間マッピング情報算出手段１６に出力する。

具体的には、学習用視聴状態類似度算出手段１５は、以下のように類似度を算出する。ここでは、学習用視聴状態類似度算出手段１５は、類似度としてベクトル間の内積を用いることとする。
すなわち、学習用視聴状態類似度算出手段１５は、学習用被験者ｉの視聴状態ｙ_ｉと、学習用被験者ｊの視聴状態ｙ_ｊとの類似度Ｍ_{ｙ，ｉ，ｊ}を、以下の式（７）により算出する。

そして、学習用視聴状態類似度算出手段１５は、この式（７）で算出したＮ人の学習用被験者間の類似度Ｍ_{ｙ，ｉ，ｊ}を要素とする以下の式（８）に示すＮ×Ｎ次元の行列（視聴状態類似度行列Ｍ_ｙ）を、類似度間マッピング情報算出手段１６に出力する。
なお、この式（８）は対称行列で、対角成分の値はすべて“１”である。

ここでは、学習用視聴状態類似度算出手段１５は、学習用生体信号類似度算出手段１２と同様に、全学習被験者数（Ｍ人）よりも少ない人数Ｎ人（Ｎ＜Ｍ）について、学習用被験者間の類似度を算出することとする。この学習用視聴状態類似度算出手段１５が選択するＮ人は、学習用生体信号類似度算出手段１２において、生体信号の類似度を算出した際に選択したＮ人と対応している。すなわち、学習用視聴状態類似度算出手段１５は、学習用生体信号類似度算出手段１２において、Ｍ人からＮ人を選択する同じ組み合わせについて、学習用被験者間で視聴状態の類似度を順次算出する。
なお、この学習用視聴状態類似度算出手段１５において、あるＮについて類似度を算出した場合、そのＮに対応する残りの（Ｍ−Ｎ）人分の学習用解答データ（視聴状態）については、チャンネル選択手段１８において、マッピングの精度を検証する際に用いられるが、その説明については後記する。

なお、ここでは、学習用視聴状態類似度算出手段１５は、視聴状態の類似度として、ベクトル間の内積を用いたが、コサイン距離等、他の類似度指標を用いても構わない。

類似度間マッピング情報算出手段１６は、学習用生体信号類似度算出手段１２で算出された生体信号の類似度と、学習用視聴状態類似度算出手段１５で算出された視聴状態の類似度とを関連付けるものである。ここでは、類似度間マッピング情報算出手段１６は、同一の学習用被験者間における生体信号の類似度と視聴状態の類似度との相関が最大となるようなマッピング情報（重み係数）を算出する。

すなわち、類似度間マッピング情報算出手段１６は、学習用生体信号類似度算出手段１２で算出された生体信号類似度行列Ｍ^ｃ _ｘ（前記式（５）参照）と、学習用視聴状態類似度算出手段１５で算出された視聴状態類似度行列Ｍ_ｙ（前記式（８）参照）とから、以下の式（９）の関係を満たす重みベクトルｗ^ｃ（第１の重みベクトル），ｖ^ｃ（第２の重みベクトル）を求める。なお、ｗ^ｃ，ｖ^ｃともに、チャンネルｃに対応するＮ次元の縦ベクトルである。

ここで、この式（９）が満たされる場合、相関係数が“１”となり、以下の式（１０）も満たされることになる。なお、‖・‖は、ベクトルのノルムを表す。

ここで、分母のノルムをそれぞれ定数、例えば“１”とすれば、式（１０）は、以下の式（１１）となる。

ここで、Ｍ^ｃ _ｘとＭ_ｙには測定誤差が含まれているため、この式（１１）の左辺が“１”となるようなｗ^ｃ，ｖ^ｃを求めることは困難である。
そこで、類似度間マッピング情報算出手段１６は、Ｍ^ｃ _ｘとＭ_ｙとの相関が最大となる、式（１１）の左辺を最大化するｗ^ｃ（第１の重みベクトル），ｖ^ｃ（第２の重みベクトル）を求める。

ここでは、類似度間マッピング情報算出手段１６は、生体信号類似度行列Ｍ^ｃ _ｘと学習被験者数の次元の未知の第１重みベクトルｗ^ｃとの積である第１ベクトルと、視聴状態類似度行列Ｍ_ｙと学習被験者数の次元の未知の第２重みベクトルｖ^ｃとの積である第２ベクトルとの内積が、第１ベクトルおよび第２ベクトルのノルムを予め定めた定数とする制約条件のもとで最大となる第１重みベクトルｗ^ｃおよび第２重みベクトルｖ^ｃを、計測チャンネルごとに重み係数として算出する。

すなわち、類似度間マッピング情報算出手段１６は、以下の式（１２）を満たすｗ^ｃ，ｖ^ｃを算出する。

この式（１２）の最大化問題は、ラグランジュの未定定数法を用いて解くことができる。ここで、誤差関数（ラグランジアン）Ｌは、以下の式（１３）で表される。なお、λ_ｗとλ_ｖは、未定乗数である。

なお、生体信号や視聴状態のデータに揺らぎ（ノイズ）が多いと、ｗ^ｃ，ｖ^ｃのノルムが大きくなる傾向にある。そこで、ここでは、誤差関数Ｌに、ｗ^ｃ，ｖ^ｃのノルムに依存する罰則項を追加した以下の式（１４）に示す誤差関数Ｌ′とすることで、ノルムが過大にならないようにする。なお、ρ_ｗとρ_ｖは、データのノイズに対するぜい弱性を制御するためのパラメータであって、データに依存して予め設定しておく（ρ_ｗ＞０、ρ_ｖ＞０）。

ここで、この式（１４）は、Ｌ′をｗ^ｃ，ｖ^ｃで微分し、それぞれを“０”とすると、以下の式（１５）に示す固定値問題に帰着することになる。なお、ＩはＮ×Ｎ次元の単位行列を示す。この式（１５）の導出については、後で説明を行う。

ここで、ｒ_ｗ＝２ρ_ｗ／λ_ｗ、ｒ_ｖ＝２ρ_ｖ／λ_ｖ、λ^２＝４λ_ｗλ_ｖである。
なお、ここでは、ρ_ｗとρ_ｖを予め設定したが、ρ_ｗとρ_ｖを設定する代わりに、ｒ_ｗとｒ_ｖを予め設定することとしてもよい（例えば、ｒ_ｗ＝１、ｒ_ｖ＝１）。
この式（１５）の固有値問題を解くことで、ｗ^ｃ、ｖ^ｃおよびλを定めることができる。
ただし、ｗ^ｃおよびｖ^ｃは固有ベクトルでもあり、通常、固有値λの数だけ複数定まる。そこで、類似度間マッピング情報算出手段１６は、固有値を大きい順から予め定めた個数（ここでは、Ｐ個）選択し、対応する固有ベクトルｗ^ｃとｖ^ｃをＰペア定め、Ｐペアのベクトルから、マッピング情報として、以下の式（１６）に示すようなマッピング行列Ｗ^ｃ，Ｖ^ｃを生成する。

これによって、学習用生体信号類似度算出手段１２で算出された生体信号類似度行列Ｍ^ｃ _ｘ（前記式（５）参照）と、学習用視聴状態類似度算出手段１５で算出された視聴状態類似度行列Ｍ_ｙ（前記式（８）参照）との関係が、式（１６）のマッピング行列によって、Ｐ次元空間を介して、以下の式（１７）に示すように関連付けることができる。

この類似度間マッピング情報算出手段１６は、すべてのチャンネルｃについてマッピング情報（マッピング行列Ｗ^ｃ，Ｖ^ｃ）を算出し、マッピング情報記憶手段１７に書き込み記憶する。
なお、類似度間マッピング情報算出手段１６は、学習用生体信号類似度算出手段１２および学習用視聴状態類似度算出手段１５から、順次、異なる組み合わせのＮ人の学習用被験者に対応した類似度が入力される。
そこで、類似度間マッピング情報算出手段１６は、学習用被験者の組み合わせごとに、マッピング情報（マッピング行列Ｗ^ｃ，Ｖ^ｃ）をマッピング情報記憶手段１７に記憶する。

マッピング情報記憶手段１７は、類似度間マッピング情報算出手段１６で算出されたマッピング情報（マッピング行列）を記憶するものである。このマッピング情報記憶手段１７は、半導体メモリ、ハードディスク等の一般的な記憶装置で構成することができる。
このマッピング情報記憶手段１７には、異なる組み合わせの学習用被験者（Ｎ人）ごとに算出されたマッピング情報（マッピング行列Ｗ^ｃ，Ｖ^ｃ）が記憶される。
このマッピング情報記憶手段１７に記憶されたマッピング情報（マッピング行列）は、チャンネル選択手段１８および視聴状態推定値算出手段２２によって参照される。

チャンネル選択手段１８は、生体信号を計測したチャンネルのうち、設問に対する解答（アンケート結果）と関連性の深いチャンネルを選択するものである。
このチャンネル選択手段１８は、類似度間マッピング情報算出手段１６でマッピング情報を算出した際に用いたデータ（生体信号、学習用解答データ〔視聴状態〕）とは異なる学習被験者のデータから、マッピング情報の精度を計算し、その精度の高いチャンネルを選択する。
ここでは、チャンネル選択手段１８は、類似度算出手段１８１と、誤差算出手段１８２と、チャンネル特定手段１８３と、を備える。

類似度算出手段１８１は、マッピング情報を算出した際に用いた学習用被験者ｉ（２≦ｉ≦Ｎ）の生体信号および視聴状態とは異なる学習用被験者ｊ（Ｎ＋１≦ｊ≦Ｍ）の生体信号と視聴状態とについて、学習用被験者間の類似度を算出するものである。
ここで、類似度算出手段１８１は、チャンネルｃごとに、生体信号記憶手段１１に記憶されている生体信号を参照して、学習用被験者ｉ（Ｎ＋１≦ｉ≦Ｍ）の生体信号ｘ^ｃ _ｉと、学習用被験者ｊ（Ｎ＋１≦ｊ≦Ｍ）の生体信号ｘ^ｃ _ｊとの相関係数Ｍ^ｃ _{ｘ，ｉ，ｊ}を、前記式（２）により算出する。なお、この類似度は、ベクトルの内積、コサイン距離等、他の類似度指標を用いても構わない。

そして、類似度算出手段１８１は、（Ｍ−Ｎ）人の学習用被験者間の類似度（相関係数Ｍ^ｃ _{ｘ，ｉ，ｊ}）を要素とする以下の式（１８）に示す生体信号類似度行列Ｍ′^ｃ _ｘ（第２生体信号類似度行列）を算出する。

また、類似度算出手段１８１は、視聴状態記憶手段１４に記憶されている視聴状態を参照して、学習用被験者ｉ（Ｎ＋１≦ｉ≦Ｍ）の視聴状態ｙ_ｉと、学習用被験者ｊ（Ｎ＋１≦ｊ≦Ｍ）の視聴状態ｙ_ｊとの類似度Ｍ_{ｙ，ｉ，ｊ}を、前記式（７）により算出する。なお、この類似度は、コサイン距離等、他の類似度指標を用いても構わない。

そして、類似度算出手段１８１は、（Ｍ−Ｎ）人の学習用被験者間の類似度Ｍ_{ｙ，ｉ，ｊ}を要素とする以下の式（１９）に示す視聴状態類似度行列Ｍ′_ｙ（第２視聴状態類似度行列）を算出する。

この類似度算出手段１８１は、前記式（１８）で算出した生体信号類似度行列Ｍ′^ｃ _ｘと、前記式（１９）で算出した視聴状態類似度行列Ｍ′_ｙとを、誤差算出手段１８２に出力する。
なお、類似度算出手段１８１は、類似度を算出する際に、Ｎ人の学習用被験者と残りの（Ｍ−Ｎ）人の学習用被験者との間で生体信号の類似度および視聴状態の類似度を算出することとする。なお、Ｍ人からＮ人を選択する組み合わせは一般には多数存在する。そこで、類似度算出手段１８１および後記する誤差算出手段１８２は、十分な数の組み合わせ（例えば、１００種類）のもとで、繰り返し計算を行う。

誤差算出手段１８２は、類似度算出手段１８１で算出された生体信号の類似度（生体信号類似度行列Ｍ′^ｃ _ｘ）と、視聴状態の類似度（視聴状態類似度行列Ｍ′_ｙ）とに、マッピング情報記憶手段１７に記憶されているマッピング情報（重み係数）を適用して、予測誤差を算出するものである。
ここでは、誤差算出手段１８２は、学習用生体信号類似度算出手段１２や学習用視聴状態類似度算出手段１５で類似度を算出した学習用被験者の組み合わせに対応してマッピング情報記憶手段１７に記憶されているマッピング行列Ｗ^ｃ，Ｖ^ｃ（前記式（１６）参照）を用いて、チャンネルｃごとに、以下の式（２０）により、予測誤差Ｅを算出する。

この誤差算出手段１８２は、予測誤差Ｅと、予測誤差Ｅを算出した際のチャンネルｃとを、チャンネル特定手段１８３に出力する。なお、学習用被験者の組み合わせが複数ある場合、誤差算出手段１８２は、それぞれの組み合わせに対する予測誤差Ｅを計算し、その平均を改めて予測誤差Ｅとする。

チャンネル特定手段１８３は、誤差算出手段１８２に算出された予測誤差に基づいて、チャンネルを特定するものである。
ここでは、チャンネル特定手段１８３は、予測誤差が、予め定めた閾値（例えば、“０．１”）を下回る、すなわち、誤差の小さいチャンネルを、視聴状態を推定するために適したチャンネルであると特定する。なお、チャンネル特定手段１８３は、誤差の最も小さいチャンネルを１つ選択することとしてもよいし、予め定めた閾値を下回る複数のチャンネルを選択することとしてもよい。

このチャンネル特定手段１８３は、特定したチャンネル（選択チャンネルＣ）を、生体信号抽出手段２０、選択生体信号類似度算出手段２１および視聴状態推定値算出手段２２に出力（通知）する。
このように、チャンネル選択手段１８は、種々のマッピング情報を検証し、精度が高いマッピング情報に対応するチャンネルを選択する。
これによって、視聴状態推定装置１は、機械学習により、視聴状態を推定するために適したチャンネル（生体信号）を推定することができる。

生体信号抽出手段２０は、視聴状態を推定する対象被験者を対象として、外部に接続された生体信号計測装置（不図示）から入力される計測チャンネルごとの生体信号から、チャンネル選択手段１８で選択されたチャンネルの生体信号を抽出するものである。
なお、生体信号抽出手段２０は、選択されたチャンネルの生体信号を抽出すること以外、生体信号入力手段１０と同様の機能を有する。すなわち、生体信号入力手段１０は、選択されたチャンネルの生体信号を、時系列信号として数値化する。
この生体信号抽出手段２０は、選択されたチャンネル（選択チャンネルＣ）に対応付けた時系列の生体信号を、選択生体信号類似度算出手段２１に出力する。

選択生体信号類似度算出手段２１は、生体信号抽出手段２０で抽出された対象被験者の選択チャンネルにおける生体信号と、生体信号記憶手段１１に記憶されている学習用被験者の選択チャンネルにおける生体信号との類似度を算出するものである。
ここで、選択チャンネルの識別子をＣとしたとき、生体信号抽出手段２０で抽出された対象被験者の選択チャンネルＣにおける時系列の生体信号ｘ^Ｃ _ｎｅｗは、以下の式（２１）のベクトルで表すことができる。

この式（２１）において、ｘ^Ｃ _{ｎｅｗ，１}は、コンテンツ視聴中、最初に計測された生体信号で、ｘ^Ｃ _{ｎｅｗ，Ｔ}まで、順次、時系列に計測された生体信号を示す。
そして、選択生体信号類似度算出手段２１は、チャンネル選択手段１８で選択された選択チャンネルＣにおける対象被験者の生体信号ｘ^Ｃ _ｎｅｗと、前記式（１）で示される全学習用被験者の生体信号ｘ^Ｃ _ｉ（ｉ＝１〜Ｍ）との類似度（選択生体信号類似度）を算出する。
ここでは、選択生体信号類似度算出手段２１は、以下の式（２２）に示すように、学習用被験者ｉ（ｉ＝１〜Ｍ）ごとに、類似度として相関係数ｓ_ｘｉを算出する。

ここで、ｘ￣^Ｃ _ｎｅｗは前記式（２１）のベクトルｘ^Ｃ _ｎｅｗの全要素の平均値を各要素に持つベクトルであって、具体的には、以下の式（２３）および式（２４）で表されるベクトルである（ｘ￣^Ｃ _ｊも同様）。なお、式（２３）中、Ｔは、前記式（２１）に示したベクトルｘ^Ｃ _ｎｅｗの要素数を示す。また、式（２４）は、すべての要素が“１”となるＴ次元のベクトルである。

この選択生体信号類似度算出手段２１は、チャンネル選択手段１８で選択チャンネルＣを選択した場合、前記式（２２）の相関係数ｓ_ｘｉをｉ番目の要素とするＭ次元のベクトル（類似度ベクトル）ｓ_ｘを、視聴状態推定値算出手段２２に出力する。なお、チャンネル選択手段１８において、複数のチャンネルが選択された場合、選択生体信号類似度算出手段２１は、その選択チャンネルごとに、類似度ベクトルｓ_ｘを算出し、視聴状態推定値算出手段２２に出力する。

視聴状態推定値算出手段２２は、対象被験者の未知数の学習用解答データ（視聴状態）と、視聴状態記憶手段１４に記憶されている学習用被験者の学習用解答データ（視聴状態）との類似度と、選択生体信号類似度算出手段２１で算出された生体信号の類似度との相関が最大となる未知数の学習用解答データを視聴状態推定値として算出するものである。
この視聴状態推定値は、学習用被験者に対して行ったアンケートに対して、対象被験者が解答するであろうと推定されるアンケート結果を数値化したデータである。

具体的には、視聴状態推定値算出手段２２は、以下のように視聴状態推定値を算出する。
ここで、設問数がＮ_ｑである対象被験者の未知のアンケート結果（設問の解答に対応する正誤、あるいは、評価レベルを数値化したデータ）を以下の式（２５）に示すようにＮ_ｑ次元のベクトル（視聴状態ベクトルｙ_ｎｅｗ）とする。

このとき、視聴状態ベクトルｙ_ｎｅｗと、視聴状態記憶手段１４に記憶されているすべての学習用被験者の視聴状態ベクトルｙ_ｉ（ｉ＝１〜Ｍ）（前記式（６）参照）との類似度は、以下の式（２６）に示す類似度ベクトルｓ_ｙとして表すことができる。

なお、マッピング情報記憶手段１７には、生体信号と視聴状態とがマッピング行列Ｗ^ｃ，Ｖ^ｃ（式（１６）参照）によって関連付けられている。すなわち、選択生体信号類似度算出手段２１で算出された生体信号の類似度ベクトルｓ_ｘと、この式（２６）の視聴状態の類似度ベクトルｓ_ｙとは、以下の式（２７）に示す関係を有する。なお、Ｃは、チャンネル選択手段１８で選択されたチャンネルを示す。

そこで、視聴状態推定値算出手段２２は、この式（２７）を満たす視聴状態ベクトルｙ_ｎｅｗを視聴状態推定値ｙ＾_ｎｅｗとして算出する。
すなわち、視聴状態推定値算出手段２２は、視聴状態ベクトルｙ_ｎｅｗのうちで、以下の式（２８）を満たす視聴状態ベクトルを、視聴状態推定値ｙ＾_ｎｅｗとして算出する。

なお、この式（２８）の解法は種々存在するが、例えば、視聴状態推定値算出手段２２は、ｙ_ｎｅｗのすべての値の組み合わせに対して、前記式（２６）により類似度ベクトルｓ_ｙを生成し、式（２８）の右辺のノルムの二乗（‖ｓ_ｘ ^ｔＷ^Ｃ−ｓ_ｙ ^ｔＶ^Ｃ‖^２）が最小となるｙ_ｎｅｗを視聴状態推定値ｙ＾_ｎｅｗとすればよい。
なお、アンケート項目によって、すべての値の組み合わせを挙げることが困難な場合もある。そこで、視聴状態推定値算出手段２２は、前記式（２８）を最小二乗法で解いた以下の式（２９）を用いて視聴状態推定値ｙ＾_ｎｅｗを算出してもよい。

この式（２９）において、行列Ｙは、ｉ列目が学習用被験者ｉの視聴状態ベクトルｙ_ｉ（前記式（６）参照）となる行列を示す。また、行列ＹＶ^ＣＶ^ＣｔＹ^ｔは、ＹＶ^Ｃの一般化逆行列を示す。なお、この式（２９）の導出については、後で説明を行う。

このように、視聴状態推定値算出手段２２は、式（２８）を満たす視聴状態推定値ｙ＾_ｎｅｗを、対象被験者の視聴状態として外部に出力する。
なお、チャンネル選択手段１８において、複数のチャンネルが選択され、複数の視聴状態推定値ｙ＾_ｎｅｗが算出された場合、視聴状態推定値算出手段２２は、それぞれの視聴状態推定値ｙ＾_ｎｅｗの要素ごとに、平均値を算出することとする。

このとき、設問に対する解答に正誤の値（例えば、正解“１”，不正解“０”）が対応付けられている場合、視聴状態推定値算出手段２２は、平均値を、対象被験者の理解の度合いとして推定する。これによって、より“１”に近ければ、当該設問に対して、対象被験者がより理解していると推定することができる。
なお、設問に対する解答に正誤の値が対応付けられている場合、視聴状態推定値算出手段２２は、複数の視聴状態推定値ｙ＾_ｎｅｗの要素ごとに最も多い結果を、当該設問に対する解答として推定することとしてもよい。

以上説明したように、視聴状態推定装置１を構成することで、視聴状態推定装置１は、複数の学習用被験者間の生体信号の類似度と、複数の学習用被験者間の視聴状態（アンケートの解答パターン）の類似度との間をマッピング情報によって関連付けることで、新たな対象被験者の生体信号から、未知の視聴状態を推定することができる。
なお、視聴状態推定装置１は、コンピュータを、前記した構成の各手段として機能させるためのプログラム（視聴状態推定プログラム）で動作させることができる。

（式（１５）の導出について）
類似度間マッピング情報算出手段１６において、前記式（１４）から、固有値問題となる前記式（１５）を導出する手順について説明する。
まず、前記式（１４）のＬ′を、以下の式（３０）に示すようにｗ^ｃで微分し、“０”とおく。

ここで、Ｍ_ｘ ^ｃは対称行列であるため、Ｍ_ｘ ^ｃ＝Ｍ_ｘ ^ｃｔの関係がある。従って、この式（３０）は、以下の式（３１）に変形することができる。

ここで、ＩはＮ×Ｎ次元の単位行列を示す。
同様に、前記式（１４）のＬ′を、以下の式（３２）に示すようにｖ^ｃで微分し、“０”とおく。

ここで、Ｍ_ｙは対称行列であるため、Ｍ_ｙ＝Ｍ_ｙ ^ｔの関係がある。従って、この式（３２）は、以下の式（３３）に変形することができる。

さらに、この式（３３）は、以下の式（３４）に変形することができる。

このｖ^ｃを、前記式（３１）に代入すると、以下の式（３５）となる。

ここで、ｒ_ｗ＝ρ_ｗ／λ_ｗ、ｒ_ｖ＝ρ_ｖ／λ_ｖ、４λ_ｗλ_ｖ＝λ^２とおくと（すなわち、ｒ_ｗ＝２ρ_ｗ／λ、ｒ_ｖ＝２ρ_ｖ／λ）、前記式（３４）および式（３５）から、前記式（１５）を導出することができる。

（式（２９）の導出について）
視聴状態推定値算出手段２２において、視聴状態推定値ｙ＾_ｎｅｗを算出するための前記式（２９）の導出について以下説明する。
前記式（２８）は、以下の式（３６）に示すように変形することができる。

ここで、式（３６）の右辺のノルムの二乗を、以下の式（３７）に示すようにｙ_ｎｅｗで微分し、“０”とおく。

そして、この式（３７）を以下の式（３８）〜式（４１）に示すように変形することで、前記式（２９）を導出することができる。

〔視聴状態推定装置の動作〕
次に、図３および図４を参照して、本発明の実施形態に係る視聴状態推定装置１の動作について説明する。ここでは、図３で視聴状態推定装置１の学習段階の動作、図４で推定段階の動作について説明する。

（学習段階の動作）
まず、図３を参照（構成については、適宜図２参照）して、視聴状態推定装置１の学習段階の動作について説明する。
視聴状態推定装置１は、生体信号入力手段１０によって、外部に接続された生体信号計測装置（不図示）を介して、生体信号を計測するチャンネルごとに、コンテンツ視聴中の学習用被験者から生体信号（学習用生体信号）を入力する（ステップＳ１）。

そして、視聴状態推定装置１は、生体信号入力手段１０によって、ステップＳ１で入力した学習用生体信号を、時系列信号として、学習用被験者とチャンネルとに対応付けて生体信号記憶手段１１に書き込み記憶する（ステップＳ２）。

また、視聴状態推定装置１は、視聴状態入力手段１３によって、コンテンツ視聴中に生体信号を計測された複数の学習用被験者が、当該コンテンツに対する視聴状態を尋ねる設問（アンケート）に対して解答した結果である学習用解答データ（視聴状態）を入力する（ステップＳ３）。

そして、視聴状態推定装置１は、視聴状態入力手段１３によって、ステップＳ３で入力した学習用解答データを、数値化した解答パターンとして、学習用被験者に対応付けて視聴状態記憶手段１４に書き込み記憶する（ステップＳ４）。

そして、視聴状態推定装置１は、予め定めた学習用被験者の数（Ｍ人）だけ、学習用生体信号および学習用解答データを入力していなければ（ステップＳ５でＮｏ）、ステップＳ１に戻って、動作を繰り返す。

一方、予め定めた学習用被験者の数（Ｍ人）だけ、学習用生体信号および学習用解答データを入力した場合（ステップＳ５でＹｅｓ）、視聴状態推定装置１は、学習用生体信号類似度算出手段１２によって、ステップＳ２で記憶された複数の学習用被験者の生体信号について、チャンネルごとに学習用被験者間の生体信号の類似度（生体信号類似度行列Ｍ^ｃ _ｘ〔前記式（５）参照〕）を算出する（ステップＳ６）。
ここでは、学習用生体信号類似度算出手段１２は、全学習被験者数（Ｍ人）よりも少ない人数Ｎ人（Ｎ＜Ｍ）について、Ｎ人の組み合わせを順次変えて、異なる組み合わせの学習用被験者間で生体信号の類似度（Ｎ×Ｎ次元の生体信号類似度行列）を算出する。

また、視聴状態推定装置１は、学習用視聴状態類似度算出手段１５によって、ステップＳ４で記憶された複数の学習用被験者の学習用解答データ（視聴状態）について、学習用被験者間の視聴状態の類似度（視聴状態類似度行列Ｍ_ｙ〔前記式（５）参照〕））を算出する（ステップＳ７）。
ここでは、学習用視聴状態類似度算出手段１５は、全学習被験者数（Ｍ人）よりも少ない人数Ｎ人（Ｎ＜Ｍ）について、Ｎ人の組み合わせを順次変えて、異なる組み合わせの学習用被験者間で学習用解答データ（視聴状態）の類似度（Ｎ×Ｎ次元の視聴状態類似度行列）を算出する。

そして、視聴状態推定装置１は、類似度間マッピング情報算出手段１６によって、ステップＳ６で算出された類似度（生体信号類似度行列）と、ステップＳ７で算出された類似度（視聴状態類似度行列）とを関連付けるマッピング情報（重み係数）を算出する（ステップＳ８）。

ここでは、類似度間マッピング情報算出手段１６は、チャンネルおよび学習被験者の組み合わせごとに、Ｎ×Ｎ次元の生体信号類似度行列Ｍ^ｃ _ｘおよびＮ次元の重みベクトルｗ^ｃの積のベクトルと、視聴状態類似度行列Ｍ_ｙおよび次元数の同じ重みベクトルｖ^ｃの積のベクトルとの内積が、それぞれのベクトルのノルムが“１”という制約条件のもとで最大化するように、複数（Ｐ個）の重みベクトルのペア（Ｗ^ｃ，Ｖ^ｃ）を算出する。

そして、視聴状態推定装置１は、類似度間マッピング情報算出手段１６によって、ステップＳ８で算出した複数の重みベクトルからなるマッピング行列をマッピング情報記憶手段１７に書き込み記憶する（ステップＳ９）。

そして、視聴状態推定装置１は、チャンネル選択手段１８によって、ステップＳ８でマッピング情報を算出した際に用いたデータ（生体信号、視聴状態）とは異なる学習被験者のデータから、マッピング情報の精度を計算し、精度の高いチャンネルを選択する（ステップＳ１０）。

ここでは、チャンネル選択手段１８は、類似度算出手段１８１によって、ステップＳ６およびステップＳ７でのマッピング情報算出に用いた学習被験者組み合わせ（Ｎ人）と、それ以外の学習被験者（〔Ｍ−Ｎ〕人）との間で、生体信号の類似度（生体信号類似度行列Ｍ′^ｃ _ｘ〔前記式（１８）参照〕）と、視聴状態の類似度（視聴状態類似度行列Ｍ′_ｙ〔前記式（１９）参照〕）とを、チャンネルごとに算出する。

そして、チャンネル選択手段１８は、誤差算出手段１８２によって、学習被験者（Ｎ＋１〜Ｍ）について算出したチャンネルごとの生体信号類似度行列Ｍ′^ｃ _ｘおよびステップＳ８で算出されたマッピング行列Ｗ^ｃとの積と、視聴状態類似度行列Ｍ′_ｙおよびステップＳ８で算出されたマッピング行列Ｖ^ｃとの積との誤差を算出する（前記式（２０）参照）。

そして、チャンネル選択手段１８は、チャンネル特定手段１８３によって、誤差算出手段１８２で算出された誤差が、予め定めた閾値を下回るチャンネルを選択する。
これによって、視聴状態推定装置１は、対象被験者の視聴状態を示す解答データ（視聴状態推定値）を推定するために適したチャンネルを選択することができる。

（推定段階の動作）
次に、図４を参照（構成については、適宜図２参照）して、視聴状態推定装置１の推定段階の動作について説明する。
視聴状態推定装置１は、生体信号抽出手段２０によって、外部に接続された生体信号計測装置（不図示）を介して入力される対象被験者の生体信号から、図３で説明した学習段階で選択されたチャンネルの生体信号を抽出する（ステップＳ２０）。

そして、視聴状態推定装置１は、選択生体信号類似度算出手段２１によって、ステップＳ２０で抽出した対象被験者の選択チャンネルにおける生体信号と、生体信号記憶手段１１に記憶されている学習用被験者（１〜Ｍ）の選択チャンネルにおける生体信号との類似度（相関係数ｓ_ｘｉ〔前記式（２２）参照〕をｉ番目の要素とする類似度ベクトルｓ_ｘ）を算出する（ステップＳ２１）。

そして、視聴状態推定装置１は、視聴状態推定値算出手段２２によって、学習用被験者間の生体信号の類似度と視聴状態の類似度とのマッピング情報（重み係数）に基づいて、ステップＳ２１で算出された対象被験者と学習用被験者間の生体信号の類似度から、対象被験者の視聴状態（視聴状態推定値）を算出する（ステップＳ２２）。

ここでは、視聴状態推定値算出手段２２は、対象被験者の未知のアンケート結果を視聴状態ベクトルｙ_ｎｅｗとし、視聴状態記憶手段１４に記憶されている学習用被験者の視聴状態ベクトルｙ_ｉ（ｉ＝１〜Ｍ）との類似度ベクトルｓ_ｙを前記式（２６）とする。
そして、視聴状態推定値算出手段２２は、選択チャンネルＣに対応してマッピング情報記憶手段１７に記憶されているマッピング行列から、前記式（２７）を満たす視聴状態ベクトルｙ_ｎｅｗを視聴状態推定値ｙ＾_ｎｅｗとして算出する。
これによって、視聴状態推定装置１は、視聴状態を推定するために適したチャンネルの生体信号から、対象被験者の視聴状態を推定することができる。

以上説明したように、視聴状態推定装置１は、複数の学習用被験者間の生体信号（時系列データ）の類似度と、複数の学習用被験者間の視聴状態（学習用解答データ）の類似度とを関連付けるマッピング情報を推定することで、新たに対象被験者の生体信号（時系列データ）から、対応する未知の解答データ（視聴状態）を推定することができる。

このように、視聴状態推定装置１は、従来のようにコンテンツ視聴中に発生する特定の生体反応と視聴状態とを関連付けるのではなく、学習用被験者間の生体信号（時系列データ）の類似度と視聴状態の類似度との関連性から、対象被験者の視聴状態を推定することができるため、任意のコンテンツに対して視聴状態を推定することができる。
また、視聴状態推定装置１を用いることで、コンテンツ制作者は、コンテンツが視聴者に与える影響を客観的に把握し、コンテンツによる効果を定量的に評価することが可能になる。

１ 視聴状態推定装置
１０ 生体信号入力手段
１１ 生体信号記憶手段
１２ 学習用生体信号類似度算出手段
１３ 視聴状態入力手段
１４ 視聴状態記憶手段
１５ 学習用視聴状態類似度算出手段
１６ 類似度マッピング情報算出手段
１７ マッピング情報記憶手段
１８ チャンネル選択手段
１８１ 類似度算出手段
１８２ 誤差算出手段
１８３ チャンネル特定手段
２０ 生体信号抽出手段
２１ 選択生体信号類似度算出手段
２２ 視聴状態推定値算出手段

Claims (5)

1. コンテンツ視聴中の複数の学習用被験者の生体信号と、前記コンテンツに対する視聴状態を尋ねる設問に対して前記学習用被験者が解答した結果である学習用解答データとに基づいて、前記コンテンツ視聴中の対象被験者の生体信号から、前記対象被験者の視聴状態を推定する視聴状態推定装置であって、
   前記生体信号の計測部位である計測チャンネルごとに入力された複数の学習用被験者の生体信号について、学習用被験者間の類似度である生体信号類似度を算出する学習用生体信号類似度算出手段と、
   前記学習用解答データについて、前記学習用被験者間の類似度である視聴状態類似度を算出する学習用視聴状態類似度算出手段と、
   前記計測チャンネルごとに、予め定めた人数の学習用被験者間の前記生体信号類似度と前記視聴状態類似度との相関が最大となる重み係数をマッピング情報として算出する類似度間マッピング情報算出手段と、
   前記マッピング情報の算出対象となった学習用被験者とは異なる複数の他の学習用被験者間の生体信号類似度および視聴状態類似度について、前記マッピング情報を用いたときの相関の誤差が予め定めた閾値を下回る計測チャンネルを選択チャンネルとして選択するチャンネル選択手段と、
   前記対象被験者について、前記計測チャンネルごとの生体信号から、前記選択チャンネルの生体信号を抽出する生体信号抽出手段と、
   この生体信号抽出手段で抽出された前記対象被験者の生体信号と、前記複数の学習用被験者の生体信号との類似度を算出する選択生体信号類似度算出手段と、
   前記対象被験者の未知数の学習用解答データと前記複数の学習用被験者の学習用解答データとの類似度と、前記選択生体信号類似度算出手段で算出された生体信号の類似度とについて、前記選択チャンネルに対応した前記マッピング情報を用いたときの相関が最大となる前記未知数の学習用解答データを視聴状態推定値として算出する視聴状態推定値算出手段と、
   を備えることを特徴とする視聴状態推定装置。
2. 前記類似度間マッピング情報算出手段は、
   前記学習被験者間の生体信号の類似度を行列の要素とする生体信号類似度行列と学習被験者数の次元の未知の第１重みベクトルとの積である第１ベクトルと、前記学習被験者間の学習用解答データの類似度を行列の要素とする視聴状態類似度行列と学習被験者数の次元の未知の第２重みベクトルとの積である第２ベクトルとの内積が、前記第１ベクトルおよび前記第２ベクトルのノルムを予め定めた定数とする制約条件のもとで最大となる前記第１重みベクトルおよび前記第２重みベクトルを、前記計測チャンネルごとに前記重み係数として算出することを特徴とする請求項１に記載の視聴状態推定装置。
3. 前記チャンネル選択手段は、
   前記複数の他の学習用被験者の生体信号と当該学習用被験者の学習用解答データについて、前記計測チャンネルごとに、前記複数の他の学習用被験者間の生体信号の類似度を行列の要素とする第２生体信号類似度行列と、前記複数の他の学習被験者間の学習用解答データの類似度を行列の要素とする第２視聴状態類似度行列とを算出する類似度算出手段と、
   前記計測チャンネルごとに、前記第２生体信号類似度行列と前記第１重みベクトルとの積と、前記第２視聴状態類似度行列と前記第２重みベクトルとの積との誤差を算出する誤差算出手段と、
   この誤差算出手段で算出された誤差が予め定めた閾値を下回る計測チャンネルを前記選択チャンネルとして特定するチャンネル特定手段と、
   を備えることを特徴とする請求項２に記載の視聴状態推定装置。
4. 前記学習用生体信号類似度算出手段および前記学習用視聴状態類似度算出手段は、それぞれ、前記学習用被験者の数が異なる生体信号類似度および視聴状態類似度を算出し、
   前記チャンネル選択手段は、すべての学習用被験者から、前記学習用生体信号類似度算出手段および前記学習用視聴状態類似度算出手段で類似度を算出する対象となった学習用被験者を除いた学習用被験者を対象として、前記第２生体信号類似度行列と前記第２視聴状態類似度行列とを算出することを特徴とする請求項３に記載の視聴状態推定装置。
5. コンピュータを、請求項１に記載の視聴状態推定装置として機能させるための視聴状態推定プログラム。

Images