JPH0833616A - Device and method for transmitting living body internal state - Google Patents
Device and method for transmitting living body internal stateInfo
- Publication number
- JPH0833616A JPH0833616A JP6170979A JP17097994A JPH0833616A JP H0833616 A JPH0833616 A JP H0833616A JP 6170979 A JP6170979 A JP 6170979A JP 17097994 A JP17097994 A JP 17097994A JP H0833616 A JPH0833616 A JP H0833616A
- Authority
- JP
- Japan
- Prior art keywords
- electromagnetic field
- internal state
- field distribution
- neural network
- brain
- 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.)
- Granted
Links
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
Description
【０００１】[0001]
【産業上の利用分野】本発明は、生体の頭皮上の電磁場
分布から、生体の内部状態を推定する生体内部状態伝達
装置およびその方法に関するものである。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to an apparatus for transmitting an internal state of a living body and its method for estimating an internal state of the living body from an electromagnetic field distribution on the scalp of the living body.
【０００２】[0002]
【従来の技術】従来、被験者がどのような言葉を発しよ
うとしているかを推定する場合、図１２に示すような生
体内部状態伝達装置が用いられていた（例えば、特開平
２−２３２７８３号公報など）。図１２において、９１
は複数の電極、９２は脳波計、９３は脳波トポグラフィ
パタン生成装置、９４は入力前処理装置９９を介して入
力された脳波トポグラフィパタンに対応する音節データ
を出力する神経回路網、９５は教示データを生成する音
節データ教示部、９６は音節呈示部、９７は各部を制御
する制御部、９８は音声検出装置である。2. Description of the Related Art Conventionally, in order to estimate what kind of language a subject is trying to say, a biological internal state transmitting device as shown in FIG. 12 has been used (for example, Japanese Patent Laid-Open No. 2-232783). ). In FIG. 12, 91
Is a plurality of electrodes, 92 is an electroencephalograph, 93 is an electroencephalography topography pattern generation device, 94 is a neural network which outputs syllable data corresponding to the electroencephalography topography pattern input through the input preprocessing device 99, and 95 is teaching data. Is a syllabic data teaching unit, 96 is a syllable presentation unit, 97 is a control unit for controlling each unit, and 98 is a voice detection device.
【０００３】まず、被験者にある音節を発生させ、この
ときの電極９１および脳波計９２を介して、トポグラフ
ィパタン作成装置９３により脳波の電位図すなわち脳波
トポグラフィパタンを計測し、この一連の計測を複数回
繰り返し、複数個の学習データを生成する。このように
生成した学習データを用いて、音節データ教示部９５か
ら入力される被験者が頭でイメージした音節と、頭皮上
の電位図との関係をニューラル・ネットワーク、ここで
は神経回路網９４に学習させ、この学習が完了した後、
計測した脳波の電位図を神経回路網９４に入力し、対応
する音節を出力することにより、被験者が音声を発する
ことなく被験者の意図した音声を認識できるようにした
ものである。First, a subject is made to generate a certain syllable, and the electrogram of the electroencephalogram, that is, the electroencephalographic topography pattern, is measured by the topography pattern creating device 93 via the electrode 91 and the electroencephalograph 92 at this time, and a series of these measurements are performed. Repeated times to generate a plurality of learning data. Using the learning data thus generated, the neural network, here the neural network 94, is used to learn the relationship between the syllable imaged by the subject from the syllable data teaching unit 95 and the electrogram on the scalp. And after this learning is completed,
By inputting the measured electroencephalogram of the electroencephalogram into the neural network 94 and outputting the corresponding syllables, the subject can recognize the voice intended by the subject without producing a voice.
【０００４】[0004]
【発明が解決しようとする課題】したがって、このよう
な従来の生体内部状態伝達装置では、学習データとして
被験者の頭皮上で計測した脳波を用いるため、多数の学
習データを用意しようとするとデータの生成に時間がか
かり、被験者の負担も大きかった。また、被験者の負担
を軽くするために学習データの数を減らすと、ニューラ
ル・ネットワークの学習の精度が悪くなり、認識がうま
くいかないという問題があった。本発明はこのような課
題を解決するためのものであり、被験者の負担を著しく
軽減することができるとともに、被験者が伝えようとし
ているカテゴリの内容を瞬時に検知することができる生
体内部状態伝達装置を提供することを目的としている。Therefore, in such a conventional in-vivo internal state transmitting device, since the brain waves measured on the scalp of the subject are used as the learning data, it is possible to generate data when attempting to prepare a large number of learning data. It took a long time and the burden on the subject was heavy. Further, if the number of learning data is reduced to reduce the burden on the subject, the learning accuracy of the neural network deteriorates, and there is a problem that recognition is not successful. The present invention is to solve such a problem, and can significantly reduce the burden on the subject and can instantly detect the contents of the category that the subject is trying to convey. Is intended to provide.
【０００５】[0005]
【課題を解決するための手段】このような目的を達成す
るために、本発明による生体内部状態伝達装置は、生体
の頭皮上に生じた電磁場分布を測定する電磁場分布測定
手段と、頭部モデルを指定する頭部モデルデータと所定
の双極子パラメータとから計算した電磁場分布、および
脳活性領域と生体の内部状態との関係を記述する内部状
態カテゴリデータから複数の学習データを生成する学習
データ生成手段と、入力層、出力層および１層以上の中
間層からなり、各層を構成する各ユニット間の結合状態
を示す所定の結合係数を有するニューラル・ネットワー
クを用いて、学習データ中の電磁場分布から脳内の活性
領域を表す数値を算出する推論手段と、この推論手段か
ら出力される脳内の活性領域を表す数値を、生体の内部
状態を表す表現に変換し出力する変換手段とを備え、推
論手段は、学習データ中に記述される脳内活性領域を表
す正しい数値と、ニューラル・ネットワークによって算
出された脳内活性領域を表す数値との差異を小さくする
ようにニューラル・ネットワークの結合係数を修正する
結合係数修正手段を有し、予め設定された規準値よりも
差異が小さくなった時点で、電磁場分布測定手段により
測定した電磁場分布を入力として、ニューラル・ネット
ワークにより脳内活性領域を表す数値を算出するように
したものである。In order to achieve such an object, an apparatus for transmitting an internal state of a living body according to the present invention comprises an electromagnetic field distribution measuring means for measuring an electromagnetic field distribution generated on a scalp of a living body, and a head model. Learning data generation that generates multiple learning data from internal state category data that describes the relationship between the electromagnetic field distribution calculated from the head model data that specifies the Means and an input layer, an output layer, and one or more intermediate layers, and a neural network having a predetermined coupling coefficient indicating a coupling state between each unit forming each layer is used to calculate the electromagnetic field distribution in the learning data. The inference means for calculating the numerical value representing the active area in the brain and the numerical value representing the active area in the brain output from this inference means are converted into the expression representing the internal state of the living body. The inference means reduces the difference between the correct numerical value representing the brain active area described in the learning data and the numerical value representing the brain active area calculated by the neural network. As described above, the neural network has a coupling coefficient correcting means for correcting the coupling coefficient, and when the difference becomes smaller than a preset reference value, the electromagnetic field distribution measured by the electromagnetic field distribution measuring means is used as an input to the neural network. -A network is used to calculate a numerical value representing the active area in the brain.
【０００６】また、雑音を生成し、学習データ生成部で
生成した学習データに雑音を付加する雑音データ付加手
段を備えるものである。また、推論手段は、リカレント
型のニューラル・ネットワークを有するものである。ま
た、頭部モデルを指定する頭部モデルデータと所定の双
極子パラメータとから計算した電磁場分布、および脳活
性領域と生体の内部状態との関係を記述する内部状態カ
テゴリデータから複数の学習データを生成し、入力層、
出力層および１層以上の中間層からなり、各層を構成す
る各ユニット間の結合状態を示す所定の結合係数を有す
るニューラル・ネットワークを用いて、学習データ中の
電磁場分布から脳内の活性領域を表す数値を算出し、学
習データ中に記述される脳内活性領域を表す正しい数値
と、ニューラル・ネットワークによって算出された脳内
活性領域を表す数値との差異を小さくするようにニュー
ラル・ネットワークの結合係数を修正し、予め設定され
た規準値よりも差異が小さくなった時点で、生体の頭皮
上で測定した電磁場分布を入力として、ニューラル・ネ
ットワークにより脳内活性領域を表す数値を算出し、こ
の数値を生体の内部状態を表す表現に変換し出力するよ
うにしたものである。Further, the apparatus further comprises noise data adding means for generating noise and adding noise to the learning data generated by the learning data generating section. Further, the inference means has a recurrent type neural network. In addition, multiple learning data are obtained from the electromagnetic field distribution calculated from the head model data that specifies the head model and the predetermined dipole parameters, and the internal state category data that describes the relationship between the brain active region and the internal state of the living body. Generate and input layer,
An active area in the brain is determined from the electromagnetic field distribution in the learning data by using a neural network that is composed of an output layer and one or more intermediate layers and has a predetermined coupling coefficient that indicates the coupling state between each unit that constitutes each layer. The neural network is connected so as to reduce the difference between the correct numerical value representing the brain active area described in the training data and the numerical value representing the brain active area calculated by the neural network. When the coefficient is corrected and the difference becomes smaller than the preset reference value, the electromagnetic field distribution measured on the scalp of the living body is used as an input to calculate the numerical value indicating the active area in the brain by the neural network. The numerical value is converted into an expression representing the internal state of the living body and output.
【０００７】[0007]
【作用】したがって、学習データ生成手段により、頭部
モデルを指定する頭部モデルデータと所定の双極子パラ
メータとから計算した電磁場分布、および脳活性領域と
生体の内部状態との関係を記述する内部状態カテゴリデ
ータから複数の学習データが生成され、推論手段により
ニューラル・ネットワークを用いて、学習データ中の電
磁場分布から脳内の活性領域を表す数値が算出されると
ともに、結合係数修正手段により、学習データ中に記述
される脳内活性領域を表す正しい数値と、ニューラル・
ネットワークによって算出された脳内活性領域を表す数
値との差異を小さくするようにニューラル・ネットワー
クの結合係数が修正され、予め設定された規準値よりも
差異が小さくなった時点で、電磁場分布測定手段により
測定された生体の頭皮上の電磁場分布を入力として、ニ
ューラル・ネットワークにより脳内活性領域を表す数値
が算出され、変換手段により、この数値が生体の内部状
態を表す表現に変換され出力される。Therefore, the learning data generation means describes the electromagnetic field distribution calculated from the head model data designating the head model and the predetermined dipole parameters, and the internal description of the relationship between the brain active region and the internal state of the living body. A plurality of learning data is generated from the state category data, a neural network is used by the inference means to calculate a numerical value indicating the active region in the brain from the electromagnetic field distribution in the learning data, and the learning is performed by the coupling coefficient correction means. The correct numerical value that represents the active area in the brain described in the data and the neural
The coupling coefficient of the neural network is corrected so as to reduce the difference from the numerical value representing the brain active region calculated by the network, and when the difference becomes smaller than the preset reference value, the electromagnetic field distribution measuring means Using the electromagnetic field distribution on the scalp of the living body measured by, the neural network calculates a numerical value that represents the active region in the brain, and the converting means outputs this numerical value that is converted into an expression that represents the internal state of the living body. .
【０００８】[0008]
【実施例】次に、本発明について図面を参照して説明す
る。図１は、本発明の第１の実施例である生体内部状態
伝達装置を示すブロック図であり、同図において、１は
生体（被験者）の頭皮上に生じた電磁場分布を測定する
電磁場分布測定部、４は双極子パラメータを生成する双
極子パラメータ生成部、５は頭部モデルデータを入力と
し、双極子パラメータ生成部４からの双極子パラメータ
に基づき頭部モデルの頭皮上に生じる電磁場分布を計算
する電磁場分布計算部、６は内部状態カテゴリデータと
電磁場分布計算部５からの電磁場分布計算値とに基づき
学習データを生成する学習データ生成部、２は学習デー
タ生成部６からの学習データおよび電磁場分布測定部１
からの電磁場分布測定値を正規化するデータ正規化部で
ある。Next, the present invention will be described with reference to the drawings. FIG. 1 is a block diagram showing a living body internal state transmitting apparatus according to a first embodiment of the present invention. In FIG. 1, 1 is an electromagnetic field distribution measurement for measuring an electromagnetic field distribution generated on the scalp of a living body (subject). Part 4, a dipole parameter generation part for generating a dipole parameter, 5 inputs head model data, and based on the dipole parameter from the dipole parameter generation part 4, an electromagnetic field distribution generated on the scalp of the head model is calculated. An electromagnetic field distribution calculation unit for calculating 6, a learning data generation unit for generating learning data based on the internal state category data and the electromagnetic field distribution calculation value from the electromagnetic field distribution calculation unit 2, and 2 learning data from the learning data generation unit 6 and Electromagnetic field distribution measurement unit 1
It is a data normalization part which normalizes the electromagnetic field distribution measurement value from.
【０００９】３はデータ正規化部２により正規化された
学習データまたは電磁場分布測定値を一時的に記憶する
入力バッファ、１０は入力バッファ３からの学習データ
に基づいて学習するとともに、入力バッファ３からの電
磁場分布測定値に基づいて脳内活性領域を示す数値を推
定し出力するニューラル・ネットワーク（ＮＮ）部（推
論手段）、７はニューラル・ネットワーク部１０からの
脳内活性領域を表す数値を内部状態を表す表現に変換す
るユニット出力変換部（変換手段）、８はユニット出力
変換部７からの内部状態カテゴリを表示する内部状態表
示装置である。なお、双極子パラメータ生成部４、電磁
場分布計算部５および学習データ生成部６により、学習
データ生成手段を構成している。Reference numeral 3 denotes an input buffer for temporarily storing the learning data normalized by the data normalizing unit 2 or the electromagnetic field distribution measurement value, and 10 for learning based on the learning data from the input buffer 3 and the input buffer 3 A neural network (NN) unit (inference means) that estimates and outputs a numerical value indicating the active region in the brain based on the measured electromagnetic field distribution from the neural network unit 7, and the numerical value 7 indicates the active region in the brain from the neural network unit 10. A unit output conversion unit (conversion means) for converting the internal state into an expression representing an internal state, and 8 is an internal state display device for displaying the internal state category from the unit output conversion unit 7. The dipole parameter generation unit 4, the electromagnetic field distribution calculation unit 5, and the learning data generation unit 6 constitute learning data generation means.
【００１０】また、ニューラル・ネットワーク部１０
は、入力層、出力層、および１層以上の中間層から構成
されるニューラル・ネットワークを有し、入力バッファ
３からの学習データおよび電磁場分布測定値を記憶する
とともに、更新されたユニット出力を記憶するユニット
出力記憶部１１と、ニューラル・ネットワークを構成す
る各層のユニット間の結合係数を記憶する結合係数記憶
部１３と、入力バッファ３およびユニット出力記憶部１
１内の記憶内容に基づき結合計数記憶部１２内に記憶さ
れている結合計数を修正する結合係数修正部１２（結合
係数修正手段）と、入力バッファ３の学習データまたは
電磁場分布測定値、ユニット出力記憶部１１のユニット
出力、および結合係数記憶部１３の結合係数に基づきユ
ニット出力を更新するユニット出力更新部１４を有して
いる。Further, the neural network unit 10
Has a neural network composed of an input layer, an output layer, and one or more intermediate layers, stores learning data from the input buffer 3 and electromagnetic field distribution measurement values, and stores updated unit output. Unit storage unit 11, a coupling coefficient storage unit 13 for storing coupling coefficients between units of each layer forming the neural network, an input buffer 3, and a unit output storage unit 1.
A coupling coefficient correction unit 12 (coupling coefficient correction unit) that corrects the coupling count stored in the coupling count storage unit 12 based on the stored content in 1, and the learning data or the electromagnetic field distribution measurement value of the input buffer 3, the unit output. The unit output updating unit 14 updates the unit output based on the unit output of the storage unit 11 and the coupling coefficient of the coupling coefficient storage unit 13.
【００１１】次に、図２を参照して、本発明の動作を説
明する。図２は、本発明における生体内部状態伝達処理
を示すフローチャートである。まず、ステップ２１にお
いて、頭部モデルデータを電磁場分布計算部５へ入力す
るとともに、内部状態カテゴリデータを学習データ生成
部６へ入力する。ここで、頭部モデルについて説明す
る。頭部モデルデータは、頭部モデルの形状、導電率、
および頭皮上の測定点の座標の組から構成されている。
図６は、頭部モデルを示す説明図であり、頭部が脳、頭
蓋骨および頭皮に対応する３つの層および球から構成さ
れている。Next, the operation of the present invention will be described with reference to FIG. FIG. 2 is a flowchart showing a living body internal state transmission process according to the present invention. First, in step 21, the head model data is input to the electromagnetic field distribution calculation unit 5, and the internal state category data is input to the learning data generation unit 6. Here, the head model will be described. The head model data includes the shape of the head model, conductivity,
And a set of coordinates of measurement points on the scalp.
FIG. 6 is an explanatory view showing a head model, in which the head is composed of three layers corresponding to the brain, the skull, and the scalp, and a sphere.
【００１２】頭部モデルとして図６に示したような３層
球モデルを用いた場合、頭部モデルの形状を指定するデ
ータは、それぞれ脳、頭蓋骨、頭皮に対応する３つの球
の半径Ｒ1 ，Ｒ2 ，Ｒを指定する数値から構成され、同
様にして、導電率データも脳、頭蓋骨、頭皮に対応する
３つの球の導電率σ1 ，σ2 ，σを指定する数値から構
成される。また、測定点の座標データは、実際に計測を
行う被験者の頭部に設置された電極の位置、またはＳＱ
ＵＩＤ磁気センサの位置に対応して、頭部モデル上に設
定された測定点の座標の組から構成され、これら頭部モ
デルの形状、導電率、および頭皮上の測定点の座標の組
から頭部モデルデータが構成される。When a three-layer sphere model as shown in FIG. 6 is used as the head model, the data designating the shape of the head model are three radii R1 of the three spheres corresponding to the brain, skull and scalp, respectively. R2 and R are designated by numerical values, and likewise, the conductivity data is also designated by numerical values which designate the conductivity σ1, σ2, σ of three spheres corresponding to the brain, skull and scalp. In addition, the coordinate data of the measurement point is the position of the electrode installed on the head of the subject who actually performs the measurement, or SQ.
Corresponding to the position of the UID magnetic sensor, it is composed of a set of coordinates of measurement points set on the head model, and the head is calculated from the shape, conductivity, and the set of coordinates of the measurement points on the scalp. Part model data is constructed.
【００１３】次に、内部状態カテゴリデータについて説
明する。なお、ここでいう内部状態とは、驚き、いらい
ら、平静などのような心理状態を指す。人間がはっと驚
いたりした場合、驚いた時点から約３００ミリ秒後にＰ
３００と呼ばれる特徴的な脳波が出現することが知られ
ており、このときには脳の深部で神経細胞の活動が高ま
っていると言われている。そこで、ニューラル・ネット
ワークに脳波と脳内活動部位との関係を学習させておく
ことにより、内部状態を推定することができる。このＰ
３００成分に関しては、例えば、文献１（C.D.Yingling
and Y.Hosobuchi, 「A Subcortical Correlate of P30
0 in Man, Electroencephalography andclinical Neuro
physiology 」, 1984, Vol.59, pp.72--76 ）に記載さ
れている。Next, the internal state category data will be described. The internal state here refers to a psychological state such as surprise, irritability, and calmness. If a person is suddenly surprised, P about 300 milliseconds after the surprise
It is known that a characteristic electroencephalogram called 300 appears, and it is said that the activity of nerve cells is increasing in the deep part of the brain at this time. Therefore, the internal state can be estimated by making the neural network learn the relationship between the electroencephalogram and the active site in the brain. This P
Regarding 300 components, for example, refer to Document 1 (CDYingling
and Y. Hosobuchi, `` A Subcortical Correlate of P30
0 in Man, Electroencephalography and clinical Neuro
physiology ", 1984, Vol.59, pp.72--76).
【００１４】内部状態カテゴリデータは、学習に先だっ
て次のような方法で生成しておく。まず頭部モデルの脳
に相当する部分を幾つかの領域に分割する。図７は、脳
の領域分割例を示す説明図であり、ここでは、図７に示
されるように脳が深部と表層部の２つに分割されている
場合について説明するが、２つ以上の領域に分割した場
合でも同様な方法で実行が可能である。これら２つの領
域は、デカルト座表系や極座標系などを用いて表現し、
各々の領域には数値と内部状態を割り当てておく。また
図８は、極座標表現を用いた場合の内部状態カテゴリデ
ータを示す説明図であり、図８において、Ｒb は脳に対
応する球の半径を示しており、数値データ（数値表現）
は、ニューラル・ネットワークの学習における教師信号
データとして用いる。The internal state category data is generated by the following method prior to learning. First, the part of the head model corresponding to the brain is divided into several areas. FIG. 7 is an explanatory diagram showing an example of brain region division. Here, a case where the brain is divided into two parts, a deep part and a superficial part, as shown in FIG. 7, will be described. Even in the case of dividing into regions, the same method can be used. These two areas are expressed using the Cartesian coordinate system and polar coordinate system,
Numerical values and internal states are assigned to each area. Further, FIG. 8 is an explanatory diagram showing internal state category data in the case of using the polar coordinate expression. In FIG. 8, Rb represents the radius of the sphere corresponding to the brain, and numerical data (numerical expression)
Is used as teacher signal data in learning of the neural network.
【００１５】次に、ステップ２２において、ニューラル
・ネットワークへの学習データのための入力信号である
電磁場データの計算に必要な双極子パラメータを双極子
パラメータ生成部４で生成する。双極子パラメータは、
所定の距離を持ち異なる極性の二つの電荷、すなわち電
気双極子（以下、双極子という）の位置の３成分（ｘ，
ｙ，ｚ）およびモーメントベクトル（Ｍx ，Ｍy ，Ｍz
）を１組とし、双極子パラメータ生成部４は、乱数を
用いてＮt 組の異なる双極子パラメータを生成する。こ
こでＮt は学習データの数で、学習データは通常５００
０個から１００００個用意する。乱数を用いて双極子パ
ラメータを生成する場合には、数１および数２に示され
る制限を付ける。Next, in step 22, the dipole parameter generator 4 generates the dipole parameters necessary for calculating the electromagnetic field data which is the input signal for the learning data to the neural network. The dipole parameter is
Two charges with a certain distance and of different polarities, that is, three components (x,
y, z) and moment vector (Mx, My, Mz)
) As one set, the dipole parameter generation unit 4 generates Nt sets of different dipole parameters using random numbers. Here, Nt is the number of learning data, and the learning data is usually 500.
Prepare 0 to 10000 pieces. When the dipole parameters are generated using random numbers, the restrictions shown in Formulas 1 and 2 are applied.
【００１６】[0016]
【数１】 [Equation 1]
【００１７】[0017]
【数２】 [Equation 2]
【００１８】ここで、μはモーメントベクトルの最大値
であって、頭皮上で測定される電磁場と双極子パラメー
タから計算される電磁場がほぼ同じ大きさになるように
定める。双極子パラメータ生成部４で生成されたＮt 個
の双極子パラメータは、電磁場分布計算部５へ出力さ
れ、電磁場分布の計算に用いられる。双極子パラメータ
生成部４は、例えば日本電気（株）製のＰＣ−９８０１
等のパーソナルコンピュータ、またはＥＷＳ４８００等
のエンジニアリング・ワークステーションを用いて実現
できる。Here, μ is the maximum value of the moment vector, and is determined so that the electromagnetic field measured on the scalp and the electromagnetic field calculated from the dipole parameter have substantially the same magnitude. The Nt dipole parameters generated by the dipole parameter generation unit 4 are output to the electromagnetic field distribution calculation unit 5 and used for calculation of the electromagnetic field distribution. The dipole parameter generation unit 4 is, for example, PC-9801 manufactured by NEC Corporation.
Can be realized by using a personal computer such as EWS4800 or an engineering workstation such as EWS4800.
【００１９】ステップ２３では、ステップ２２で生成し
た双極子パラメータに基づいて、電磁場分布計算部５に
より電磁場分布を計算する。以下では、頭部のモデルと
して半径Ｒの一様な導電率を持った３層の導体球を考
え、導体球の表面に生じる電位の計算方法について述べ
る。導体球の中心を原点とした座標系を取り、ｚ軸上の
原点からｒの距離にモーメント成分が（Ｍt ，０，Ｍr
）の双極子が存在した場合、球面上の位置（Ｒ，θ，
ψ）で指定される点に生じる電位Ｖは次のように与えら
れる。In step 23, the electromagnetic field distribution calculator 5 calculates the electromagnetic field distribution based on the dipole parameters generated in step 22. In the following, a three-layer conductor sphere having a uniform conductivity with a radius R is considered as a model of the head, and a method of calculating the potential generated on the surface of the conductor sphere will be described. Taking a coordinate system with the center of the conductor sphere as the origin, the moment component is (Mt, 0, Mr
) Dipole exists, the position on the sphere (R, θ,
The electric potential V generated at the point specified by ψ) is given as follows.
【００２０】[0020]
【数３】 (Equation 3)
【００２１】ただし、σは球の導電率、Ｙは球面調和関
数、Ｐはルジェンドル（Legendre）の陪関数、δはクロ
ネッカーの記号である。数３は、双極子がｚ軸上にあ
り、モーメントのｙ成分が０である場合の電位である
が、任意の位置にある双極子に対しては座標変換を行う
ことによって数３から求めることができる。双極子が複
数ある場合には、それぞれの双極子によって生じる電位
を単純に足し合わせればよい。電磁場分布計算部５は、
数４で示される双極子パラメータＰ(i) 、および数５に
示されるように、双極子パラメータＰ(i)を用いて頭部
モデル上ＮM 個の点で計算された電磁場分布Ｖ(i)の組
を学習データ生成部６に出力する。Where σ is the conductivity of the sphere, Y is the spherical harmonic function, P is the Legendre function, and δ is the Kronecker symbol. Formula 3 is the potential when the dipole is on the z-axis and the y component of the moment is 0, but it can be calculated from Formula 3 by performing coordinate conversion for the dipole at any position. You can When there are a plurality of dipoles, the electric potentials generated by the dipoles may simply be added. The electromagnetic field distribution calculation unit 5
The dipole parameter indicated by the number 4 P (i), and as shown in Equation 5, the dipole parameter P (i) is calculated in terms of the original NM on head model with the electromagnetic field distribution V (i) To output to the learning data generation unit 6.
【００２２】[0022]
【数４】 [Equation 4]
【００２３】[0023]
【数５】 (Equation 5)
【００２４】電磁場分布計算部５は、例えば日本電気
（株）製のＰＣ−９８０１等のパーソナルコンピュー
タ、またはＥＷＳ４８００等のエンジニアリング・ワー
クステーションを用いて実現できる。頭部モデルと電磁
場分布の計算方法については、例えば、文献２（James
P.Ary et al., 「Location of Sources of Evoked Scal
p Potentials:Corrections for Skll and Scalp Thickn
esses,IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING
」, VOL. BME-28, NO.6, JUNE 1981）に記載されてい
る。ここでは、頭皮上の電磁場データのうち、電場（電
位）に関する計算法について述べたが、電場の代わり
に、数６で与えられる磁場分布を用いても同様な方法で
実行可能である。The electromagnetic field distribution calculator 5 can be realized by using a personal computer such as PC-9801 manufactured by NEC Corporation or an engineering workstation such as EWS4800. For the calculation method of the head model and the electromagnetic field distribution, see, for example, Reference 2 (James
P. Ary et al., `` Location of Sources of Evoked Scal
p Potentials: Corrections for Skll and Scalp Thickn
esses, IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING
, VOL. BME-28, NO.6, JUNE 1981). Here, the calculation method regarding the electric field (potential) of the electromagnetic field data on the scalp has been described, but the same method can be executed by using the magnetic field distribution given by Equation 6 instead of the electric field.
【００２５】[0025]
【数６】 (Equation 6)
【００２６】ここでＭ（r'）は位置r'に生じた双極子で
ある。次に、ステップ２４において、学習データ生成部
６により学習データを生成する。学習データ生成部６
は、電磁場分布計算部５から双極子パラメータと電磁場
分布の組を受け取るとともに、予め用意されている内部
状態カテゴリデータを受け取り、ニューラル・ネットワ
ークの学習データを生成する。したがって、学習データ
は、頭皮上ＮM 個の点で計算した電磁場の値と、脳内活
性領域を表す数値との組から構成されるものとなる。Here, M (r ') is a dipole generated at the position r'. Next, in step 24, the learning data generator 6 generates learning data. Learning data generator 6
Receives the set of the dipole parameter and the electromagnetic field distribution from the electromagnetic field distribution calculation unit 5 and also receives the prepared internal state category data to generate the learning data of the neural network. Therefore, the learning data is composed of a set of an electromagnetic field value calculated at NM points on the scalp and a numerical value representing the brain active region.
【００２７】例えば、電磁場データＶ(k) が、頭部モデ
ル球の２つの領域のうち、数７で示されるように、内側
の領域に置かれた双極子Ｐ(k) によって生じたものであ
る場合には、脳内活性領域の数値表現として−１を与
え、 一方、数８に示されるように、外側の領域に置か
れた双極子Ｐ(l) によって生じたものである場合には、
脳内活性領域の数値表現として１を与える。For example, the electromagnetic field data V (k) is generated by the dipole P (k) placed in the inner region of the two regions of the head model sphere, as shown in equation (7) . In some cases, -1 is given as a numerical representation of the active region in the brain, while if it is caused by a dipole P (l) placed in the outer region, as shown in Eq. ,
1 is given as a numerical expression of the active region in the brain.
【００２８】[0028]
【数７】 (Equation 7)
【００２９】[0029]
【数８】 (Equation 8)
【００３０】学習データ生成部６は、例えば日本電気
（株）製のＰＣ−９８０１等のパーソナルコンピュー
タ、またはＥＷＳ４８００等のエンジニアリング・ワー
クステーションを用いて実現できる。次に、ステップ２
５では、データ正規化部２で学習データを正規化する。
正規化は例えば次のように行う。ｉ番目の測定点での電
磁場分布データの計算値をＶi と書く。このとき、正規
化された電磁場分布データＶi'を数９で定義する。The learning data generating section 6 can be realized by using a personal computer such as PC-9801 manufactured by NEC Corporation or an engineering workstation such as EWS4800. Next, step 2
In 5, the data normalization unit 2 normalizes the learning data.
The normalization is performed as follows, for example. The calculated value of the electromagnetic field distribution data at the i-th measurement point is written as Vi. At this time, the normalized electromagnetic field distribution data Vi ′ is defined by Equation 9.
【００３１】[0031]
【数９】 [Equation 9]
【００３２】ここで max｜Ｖ｜は、全学習データの中で
その絶対値が最大の電磁場分布の値を表す。ａは正規化
定数で、例えば０．８などの値が適切であるが、その他
の正数を用いても差し支えない。入力値を正規化するの
は、入力されたデータの値が大きすぎると学習が困難に
なるためで、入力値の最大値に制限を加えることによっ
て学習をより効率的に実行できるようになる。正規化を
定義する式は上式に限らず、値が１以下なるようなもの
であればよい。データ正規化部２で正規化されたデータ
は、入力バッファ３に出力されて保持される。データ正
規化部２は、例えば日本電気（株）製のＰＣ−９８０１
等のパーソナルコンピュータ、またはＥＷＳ４８００等
のエンジニアリング・ワークステーションを用いて実現
できる。また、入力バッファ３は、例えば磁気ディスク
装置や半導体メモリ記憶装置、光磁気ディスク装置など
を用いて実現できる。Here, max│V│ represents the value of the electromagnetic field distribution whose absolute value is the maximum among all the learning data. Although a is a normalization constant, a value such as 0.8 is suitable, but other positive numbers may be used. The reason why the input value is normalized is that learning becomes difficult if the value of the input data is too large. Therefore, by limiting the maximum value of the input value, the learning can be executed more efficiently. The expression that defines the normalization is not limited to the above expression, and any value that has a value of 1 or less may be used. The data normalized by the data normalization unit 2 is output to the input buffer 3 and held therein. The data normalization unit 2 is, for example, PC-9801 manufactured by NEC Corporation.
Can be realized by using a personal computer such as EWS4800 or an engineering workstation such as EWS4800. The input buffer 3 can be realized by using, for example, a magnetic disk device, a semiconductor memory storage device, a magneto-optical disk device, or the like.
【００３３】続く、ステップ２６では、結合係数記憶部
１３に保持されているニューラル・ネットワークの結合
係数を、乱数などを用いて初期化する。結合係数記憶部
１３は、例えば日本電気（株）製のパーソナル・ニュー
ロボードＮｅｕｒｏ−０７や磁気ディスク装置、半導体
メモリ記憶装置、光磁気ディスク装置などを用いて実現
できる。さらに、ステップ２７では、ユニット出力記憶
部１１に構築されているニューラル・ネットワークの入
力層に対して学習データの電磁場分布を入力する。In the following step 26, the coupling coefficient of the neural network held in the coupling coefficient storage unit 13 is initialized by using a random number or the like. The coupling coefficient storage unit 13 can be realized by using, for example, a personal neuroboard Neuro-07 manufactured by NEC Corporation, a magnetic disk device, a semiconductor memory storage device, a magneto-optical disk device, or the like. Further, in step 27, the electromagnetic field distribution of the learning data is input to the input layer of the neural network constructed in the unit output storage unit 11.
【００３４】次に、ステップ２８において、ニューラル
・ネットワークを用いて内部状態を算出する。図４は、
ニューラル・ネットワークの構成を示す説明図であり、
一般的には入力層、出力層、および１層以上の中間層と
呼ばれる３種類の層から構成され、さらに各層にはユニ
ット（図４中、○印）と呼ばれる処理単位系が配置され
る。各ユニットは、入力層に近い側の隣接層ユニットか
ら入力を受け、出力層に近い側の層に出力する。各ユニ
ットの入出力関係は、例えば数１０〜１２のように定義
することができる。Next, in step 28, an internal state is calculated using a neural network. FIG.
It is an explanatory view showing a configuration of a neural network,
Generally, it is composed of three types of layers called an input layer, an output layer, and one or more intermediate layers, and a processing unit system called a unit (circle in FIG. 4) is arranged in each layer. Each unit receives an input from an adjacent layer unit on the side closer to the input layer and outputs the input to a layer on the side closer to the output layer. The input / output relationship of each unit can be defined, for example, as in Expressions 10 to 12.
【００３５】[0035]
【数１０】 [Equation 10]
【００３６】[0036]
【数１１】 [Equation 11]
【００３７】[0037]
【数１２】 (Equation 12)
【００３８】ここで、ｈはユニットへの入力、ｖはユニ
ットからの出力、θはユニットの持つしきい値を表す。
上付きの添字は入力層から数えた階層の数を表し、下付
きの添字は層中のユニットの番号を表す。また、Ｗij
(l) は、第ｌ−１層のｊ番目のユニットと第ｌ層のｉ番
目のユニット間の結合係数、ｇ（ｘ）は入出力の応答関
数である。ユニット出力更新部１４により、入力層から
出力層まで順序よく計算され、最終的に出力層からの出
力が得られ、ユニット出力記憶部１１に保持される。こ
の出力が、ニューラル・ネットワークによって算出され
た双極子パラメータとなる。なお、応答関数としては、
数１２以外にも、例えばｔａｎｈ（ｘ）を用いてもよい
し、これら以外の関数を用いてもよい。Here, h represents an input to the unit, v represents an output from the unit, and θ represents a threshold value of the unit.
The superscript indicates the number of layers counted from the input layer, and the subscript indicates the number of units in the layer. Also, Wij
(l) is a coupling coefficient between the j-th unit of the l-1th layer and the i-th unit of the l-th layer, and g (x) is an input / output response function. The unit output updating unit 14 sequentially calculates from the input layer to the output layer, and finally the output from the output layer is obtained and stored in the unit output storage unit 11. This output becomes the dipole parameter calculated by the neural network. As a response function,
In addition to Equation 12, tanh (x) may be used, or a function other than these may be used.
【００３９】次のステップ２９では、ニューラル・ネッ
トワークによって算出された双極子パラメータと、学習
データの双極子パラメータとの差異すなわち誤差Ｅを計
算する。誤差Ｅは、例えば２乗誤差を用いて、数１３の
ように定義される。ここで、ｏi は出力層の第ｉ番目の
ユニットからの出力、τi はそのユニットの正しい出力
すなわち教師信号データである。誤差Ｅは必ずしも２乗
誤差でなくともよく、全てのｏi 、τi が一致したとき
に０となるような非負値の関数であればよい。In the next step 29, the difference between the dipole parameter calculated by the neural network and the dipole parameter of the learning data, that is, the error E is calculated. The error E is defined as Expression 13 using, for example, a squared error. Here, oi is the output from the i-th unit of the output layer, and τi is the correct output of that unit, that is, the teacher signal data. The error E does not necessarily have to be a squared error, and may be a non-negative function that becomes 0 when all o i and τ i match.
【００４０】[0040]
【数１３】 (Equation 13)
【００４１】ここで、ステップ３０において、誤差Ｅが
予め設定された規準値以下であるかどうかを調べ、規準
値以下ならステップ３２に進み、規準値より大きいなら
ステップ３１に進む。誤差Ｅが基準値より大きい場合に
は、ステップ３１において、統合係数修正部１２によ
り、誤差Ｅを小さくするように結合係数を修正する。結
合係数の修正方法としては、例えば誤差逆伝播学習など
を用いる。誤差逆伝播学習を用いた具体的な修正方法
は、例えば、文献３（D.E.Rumelhart et al.「Parallel
Distributed Processing 」vol.1,MIT press, pp.318-
362(1986) ）に記載されている。Here, in step 30, it is checked whether or not the error E is less than or equal to a preset reference value. If it is less than or equal to the reference value, the process proceeds to step 32, and if it is greater than the reference value, the process proceeds to step 31. If the error E is larger than the reference value, in step 31, the integration coefficient correction unit 12 corrects the coupling coefficient so as to reduce the error E. As a method of correcting the coupling coefficient, for example, error backpropagation learning is used. A specific correction method using error backpropagation learning is described in, for example, Document 3 (DERumelhart et al. “Parallel
Distributed Processing '' vol.1, MIT press, pp.318-
362 (1986)).
【００４２】一方、誤差Ｅが基準値以下である場合に
は、ステップ３２により、電磁場分布測定部１を用いて
頭皮上の各点で電磁場分布の値を測定し、ステップ３３
により、データ正規化部２で電磁場分布測定部１から送
られた電磁場分布の値を正規化した後、入力バッファ３
に出力しこれを保持する。なお、正規化の方法は、ステ
ップ２５で行ったものと同様である。さらに、ステップ
３４で、入力バッファ３に保持されている正規化された
電磁場分布の測定値をニューラル・ネットワークの入力
層に出力し、ステップ３５で、ユニット出力更新部１４
により電磁場分布の測定値から脳内活性領域を算出し、
ユニット出力記憶部１１を介してユニット出力変換部７
に出力する。算出の方法は、ステップ２８で説明した方
法と同様である。On the other hand, when the error E is less than the reference value, the electromagnetic field distribution measuring unit 1 is used to measure the electromagnetic field distribution value at each point on the scalp in step 32, and step 33
After normalizing the value of the electromagnetic field distribution sent from the electromagnetic field distribution measuring unit 1 by the data normalizing unit 2, the input buffer 3
Output to and hold this. The normalization method is the same as that used in step 25. Further, in step 34, the measured value of the normalized electromagnetic field distribution held in the input buffer 3 is output to the input layer of the neural network, and in step 35, the unit output updating unit 14
Calculate the active area in the brain from the measured value of the electromagnetic field distribution by
The unit output conversion unit 7 via the unit output storage unit 11
Output to. The calculation method is the same as the method described in step 28.
【００４３】次に、ステップ３６で、予め用意されてい
る内部状態カテゴリデータに基づいて、ニューラル・ネ
ットワークを用いて算出した脳内活性領域を内部状態を
表す表現に変換して内部状態表示部８に出力し、ステッ
プ３７で、ユニット出力変換部７から内部状態を受け取
り、これを表示し終了する。なお、予めニューラル・ネ
ットワークの学習を完了しておき、適切な結合係数を固
定磁気ディスクなどの記憶装置に保持しておけば、ステ
ップ２２から３１までの手続きは省略することも可能で
ある。Next, in step 36, based on the internal state category data prepared in advance, the intracerebral active area calculated using the neural network is converted into an expression representing the internal state, and the internal state display section 8 is displayed. , And in step 37, the internal state is received from the unit output conversion unit 7, this is displayed, and the process ends. If the learning of the neural network is completed in advance and an appropriate coupling coefficient is held in a storage device such as a fixed magnetic disk, the steps 22 to 31 can be omitted.
【００４４】このように、頭部モデルデータおよび内部
状態カテゴリデータに基づいて学習データを生成し、こ
の学習データに基づいてニューラル・ネットワークが学
習するようにしたので、ひとたび学習が終了すれば、生
体（被験者）から測定された電磁場分布測定値に基づい
てニューラル・ネットワークの出力を算出する計算のみ
で内部状態の推定を行うことが可能となり、従来のよう
に数分から数時間を要したものと比較して数ミリ秒で推
定されるものとなり、より高速に内部状態の推定を行う
ことが可能となる。また、従来のように生体の頭皮上で
測定した脳波を学習データとして用いるのではなく、頭
部モデルを用いて学習データを生成するようにしたの
で、被験者に対する負担を格段に軽減することが可能と
なり、身体障害のための意思疎通が困難な被験者の意思
を検出するなど、医療・福祉分野へ応用することがで
き、またテレビゲームなどにおいて、プレーヤの内部状
態を検知しながら場面設定を変更制御することができ、
より娯楽性の高いゲームを提供することが可能となる。As described above, the learning data is generated based on the head model data and the internal state category data, and the neural network learns based on the learning data. It becomes possible to estimate the internal state only by the calculation that calculates the output of the neural network based on the electromagnetic field distribution measurement value measured from (subject), and compared with the conventional one that required several minutes to several hours. Then, the estimation is performed in a few milliseconds, and the internal state can be estimated at higher speed. Also, instead of using the EEG measured on the scalp of the living body as learning data as in the past, the learning data is generated using the head model, so the burden on the subject can be significantly reduced. It can be applied to the medical and welfare fields, such as detecting the will of a subject who is difficult to communicate due to a physical disability, and can change the scene setting while detecting the internal state of the player in a video game. You can
It becomes possible to provide a more entertaining game.
【００４５】なお、以上の説明において、学習データと
して脳内活性領域状態を数値で与える場合について説明
したが、ニューラル・ネットワークの出力層のユニット
をカテゴリの数だけ用意して、推定された内部状態に対
応するユニットの値を１とし、その他のユニットの値を
０とするような表現を用いても同様に実行が可能であ
る。図１０は、ニューラル・ネットワークの構造を示す
説明図、また図１１は、図１０のニューラル・ネットワ
ークに入力される学習データを示す説明図であり、特
に、ｍ個に分割された脳内活性領域Ｃ1,Ｃ2,...,Ｃm が
あるとした場合、図１１のユニット表現のうち、推定さ
れた内部状態カテゴリに対応するユニットだけが１とな
り、他のユニットは０となっている。In the above description, the case where the brain active region state is given as a numerical value as the learning data has been explained. However, the estimated internal state is prepared by preparing as many units of the output layer of the neural network as the number of categories. It is also possible to use the expression in which the value of the unit corresponding to is set to 1 and the values of the other units are set to 0. FIG. 10 is an explanatory diagram showing the structure of the neural network, and FIG. 11 is an explanatory diagram showing the learning data input to the neural network of FIG. 10. In particular, m active regions in the brain are divided. When there are C1, C2, ..., Cm, only the unit corresponding to the estimated internal state category in the unit representation of FIG. 11 is 1, and the other units are 0.
【００４６】次に、本発明の第２の実施例について、図
３を参照して説明する。図３は、本発明の第２の実施例
である生体内部状態伝達装置を示すブロック図であり、
同図において、前述の説明（図１）と同じまたは同等部
分には同一符号を付してある。図３において、９は雑音
データを生成し学習データ生成部６に出力する雑音デー
タ付加部である。前述の第１の実施例では、学習データ
に用いる電磁場分布の計算値として、計算値をそのまま
学習データとして用いた場合について説明したが、雑音
を付加した電磁場分布を用いてもよい。雑音データ付加
部９は、雑音を生成し、学習データ生成部６で生成され
た学習データ中の電磁場分布にこれを付加する。雑音を
付加した電磁場分布Ｖi(L)' は、例えば数１４のように
与えられる。Next, a second embodiment of the present invention will be described with reference to FIG. FIG. 3 is a block diagram showing a living body internal state transmitting device according to a second embodiment of the present invention.
In the figure, the same or equivalent parts as those in the above description (FIG. 1) are designated by the same reference numerals. In FIG. 3, reference numeral 9 denotes a noise data addition unit that generates noise data and outputs it to the learning data generation unit 6. In the above-described first embodiment, the case where the calculated value of the electromagnetic field distribution used for the learning data is directly used as the learning data has been described, but the electromagnetic field distribution with noise added may be used. The noise data addition unit 9 generates noise and adds it to the electromagnetic field distribution in the learning data generated by the learning data generation unit 6. The electromagnetic field distribution Vi (L) 'with noise added is given by, for example, Expression 14.
【００４７】[0047]
【数１４】 [Equation 14]
【００４８】ここで、Ｖi(L)は頭皮上のｉ番目の測定点
での電磁場分布の計算値、ηi はそれに付加された雑音
で、乱数を用いて与えられる。また、上付き添字のＬは
電磁場分布が学習データに用いられることを表す。これ
により、頭皮上で測定される電磁場分布には雑音が混ざ
っている場合が多いので、予め雑音を含んだデータをニ
ューラル・ネットワークに学習させておくことにより、
雑音に強い生体内部状態伝達装置の実現が可能となる。Here, Vi (L) is the calculated value of the electromagnetic field distribution at the i-th measurement point on the scalp, and ηi is the noise added to it, which is given using random numbers. Further, the superscript L indicates that the electromagnetic field distribution is used for learning data. As a result, noise is often mixed in the electromagnetic field distribution measured on the scalp, so by learning the noise-containing data in advance in the neural network,
It is possible to realize a device for transmitting an internal state of a living body that is resistant to noise.
【００４９】なお、以上の説明において、ニューラル・
ネットワークの構成として、図４に示すような、フィー
ドバックのない一般的なものを用いた場合について説明
したが、内部状態カテゴリの学習に用いるニューラル・
ネットワークとして、図５に示すような、リカレント型
のものを用いた場合でも、前述と同様の作用・効果を得
ることが可能となる。In the above description, the neural
As a network configuration, a case has been described in which a general one without feedback as shown in FIG. 4 is used, but the neural network used for learning the internal state category is
Even when a recurrent type network as shown in FIG. 5 is used as the network, it is possible to obtain the same operation and effect as described above.
【００５０】[0050]
【発明の効果】以上説明したように、本発明は、頭部モ
デルデータと双極子パラメータとから計算された電磁場
分布および内部状態カテゴリデータに基づいて学習デー
タを生成し、この学習データに基づいてニューラル・ネ
ットワークが学習するようにしたので、ひとたび学習が
終了すれば、生体（被験者）から測定された電磁場分布
測定値に基づいてニューラル・ネットワークの出力を算
出する計算のみで内部状態の推定を行うことが可能とな
り、従来のように数分から数時間を要したものと比較し
て数ミリ秒で推定されるものとなり、より高速に内部状
態を推定することが可能となる。As described above, the present invention generates learning data based on the electromagnetic field distribution and the internal state category data calculated from the head model data and the dipole parameters, and based on this learning data. Since the neural network is made to learn, once the learning is completed, the internal state is estimated only by the calculation that calculates the output of the neural network based on the electromagnetic field distribution measurement value measured from the living body (subject). This makes it possible to estimate in a few milliseconds as compared with the conventional method that required several minutes to several hours, and it becomes possible to estimate the internal state at higher speed.
【００５１】また、従来のように生体の頭皮上で測定し
た脳波を学習データとして用いるのではなく、頭部モデ
ルを用いて学習データを生成するようにしたので、被験
者に対する負担を格段に軽減することが可能となり、身
体障害のための意思疎通が困難な被験者の意思を検出す
るなど、医療・福祉分野へ応用することができ、またテ
レビゲームなどにおいて、プレーヤの内部状態を検知し
ながら場面設定を変更制御することができ、より娯楽性
の高いゲームを提供することが可能となる。また、雑音
データ付加部を設けて、雑音を生成し、生成された学習
データ中の電磁場分布にこれを付加し、この予め雑音を
含んだデータをニューラル・ネットワークに学習させて
おくことにより、頭皮上で測定される電磁場分布には雑
音が混ざっている場合でも、正確な生体内部状態を得る
ことが可能となる。Further, the brain data measured on the scalp of the living body is not used as the learning data as in the conventional case, but the learning data is generated by using the head model, so that the burden on the subject is remarkably reduced. It can be applied to medical and welfare fields, such as detecting the will of a subject who is difficult to communicate due to physical disabilities, and can set the scene while detecting the internal state of the player in video games. Can be controlled to be changed, and a more entertaining game can be provided. In addition, by providing a noise data adding unit, generating noise, adding this to the electromagnetic field distribution in the generated learning data, and letting the neural network learn this data containing noise beforehand, the scalp Even if noise is mixed in the electromagnetic field distribution measured above, it is possible to obtain an accurate internal state of the living body.
【図１】 本発明の第１の実施例による生体内部状態伝
達装置のブロック図である。FIG. 1 is a block diagram of an in-vivo internal state transmitting device according to a first embodiment of the present invention.
【図２】 本発明による生体内部状態伝達処理を示すフ
ローチャートである。FIG. 2 is a flowchart showing a living body internal state transmission process according to the present invention.
【図３】 本発明の第２の実施例による生体内部状態伝
達装置のブロック図である。FIG. 3 is a block diagram of a biological internal state transmitting device according to a second embodiment of the present invention.
【図４】 ニューラル・ネットワークの構成例を示す説
明図である。FIG. 4 is an explanatory diagram showing a configuration example of a neural network.
【図５】 ニューラル・ネットワークの他の構成例を示
す説明図である。FIG. 5 is an explanatory diagram showing another configuration example of the neural network.
【図６】 頭部モデルを示す説明図である。FIG. 6 is an explanatory diagram showing a head model.
【図７】 脳の領域分割を示す説明図である。FIG. 7 is an explanatory diagram showing region division of the brain.
【図８】 内部カテゴリデータを示す説明図である。FIG. 8 is an explanatory diagram showing internal category data.
【図９】 学習データを示す説明図である。FIG. 9 is an explanatory diagram showing learning data.
【図１０】 ニューラル・ネットワークの他の構成例を
示す説明図である。FIG. 10 is an explanatory diagram showing another configuration example of the neural network.
【図１１】 図１０のニューラル・ネットワークに対応
する学習データを示す説明図である。11 is an explanatory diagram showing learning data corresponding to the neural network of FIG.
【図１２】 従来の生体内部状態伝達方法を示す説明図
である。FIG. 12 is an explanatory diagram showing a conventional living body internal state transmitting method.
１…電磁場分布測定部、２…データ正規化部、３…入力
バッファ、４…双極子パラメータ生成部（学習データ生
成手段）、５…電磁場分布計算部（学習データ生成手
段）、６…学習データ生成部（学習データ生成手段）、
７…ユニット出力変換部（変換手段）、８…内部状態表
示部、９…雑音データ付加部、１０…ニューラル・ネッ
トワーク部（推論手段）、１１…ユニット出力記憶部、
１２…統合係数修正部、１３…統合係数記憶部、１４…
ユニット出力更新部。1 ... Electromagnetic field distribution measurement unit, 2 ... Data normalization unit, 3 ... Input buffer, 4 ... Dipole parameter generation unit (learning data generation unit), 5 ... Electromagnetic field distribution calculation unit (learning data generation unit), 6 ... Learning data Generation unit (learning data generation means),
7 ... Unit output conversion section (conversion means), 8 ... Internal state display section, 9 ... Noise data addition section, 10 ... Neural network section (inference means), 11 ... Unit output storage section,
12 ... Integrated coefficient correction unit, 13 ... Integrated coefficient storage unit, 14 ...
Unit output update section.
─────────────────────────────────────────────────────
─────────────────────────────────────────────────── ───
【手続補正書】[Procedure amendment]
【提出日】平成７年２月１０日[Submission date] February 10, 1995
【手続補正１】[Procedure Amendment 1]
【補正対象書類名】明細書[Document name to be amended] Statement
【補正対象項目名】００４１[Correction target item name] 0041
【補正方法】変更[Correction method] Change
【補正内容】[Correction content]
【００４１】ここで、ステップ３０において、誤差Ｅが
予め設定された規準値以下であるかどうかを調べ、規準
値以下ならステップ３２に進み、規準値より大きいなら
ステップ３１に進む。誤差Ｅが基準値より大きい場合に
は、ステップ３１において、結合係数修正部１２によ
り、誤差Ｅを小さくするように結合係数を修正する。結
合係数の修正方法としては、例えば誤差逆伝播学習など
を用いる。誤差逆伝播学習を用いた具体的な修正方法
は、例えば、文献３（Ｄ．Ｅ．Ｒｕｍｅｌｈａｒｔ ｅ
ｔ ａｌ．「Ｐａｒａｌｌｅｌ Ｄｉｓｔｒｉｂｕｔｅ
ｄＰｒｏｃｅｓｓｉｎｇ 」ｖｏｌ．１，ＭＩＴ ｐｒ
ｅｓｓ，ｐｐ．３１８−３６２（１９８６））に記載さ
れている。Here, in step 30, it is checked whether or not the error E is less than or equal to a preset reference value. If it is less than or equal to the reference value, the process proceeds to step 32, and if it is greater than the reference value, the process proceeds to step 31. If the error E is larger than the reference value, in step 31, the coupling coefficient correction unit 12 corrects the coupling coefficient so as to reduce the error E. As a method of correcting the coupling coefficient, for example, error backpropagation learning is used. A specific correction method using error backpropagation learning is described in, for example, Document 3 (DE Rumelhart e.
t al. "Parallel Distribute
dProcessing "vol. 1, MIT pr
ess, pp. 318-362 (1986)).
【手続補正２】[Procedure Amendment 2]
【補正対象書類名】明細書[Document name to be amended] Statement
【補正対象項目名】符号の説明[Correction target item name] Explanation of code
【補正方法】変更[Correction method] Change
【補正内容】[Correction content]
【符号の説明】 １…電磁場分布測定部、２…データ正規化部、３…入力
バッファ、４…双極子パラメータ生成部（学習データ生
成手段）、５…電磁場分布計算部（学習データ生成手
段）、６…学習データ生成部（学習データ生成手段）、
７…ユニット出力変換部（変換手段）、８…内部状態表
示部、９…雑音データ付加部、１０…ニューラル・ネッ
トワーク部（推論手段）、１１…ユニット出力記憶部、
１２…結合係数修正部、１３…結合係数記憶部、１４…
ユニット出力更新部。[Explanation of Codes] 1 ... Electromagnetic field distribution measurement unit, 2 ... Data normalization unit, 3 ... Input buffer, 4 ... Dipole parameter generation unit (learning data generation unit), 5 ... Electromagnetic field distribution calculation unit (learning data generation unit) , 6 ... Learning data generation unit (learning data generation means),
7 ... Unit output conversion section (conversion means), 8 ... Internal state display section, 9 ... Noise data addition section, 10 ... Neural network section (inference means), 11 ... Unit output storage section,
12 ... Coupling coefficient correction unit, 13 ... Coupling coefficient storage unit, 14 ...
Unit output update section.
【手続補正３】[Procedure 3]
【補正対象書類名】図面[Document name to be corrected] Drawing
【補正対象項目名】図１[Name of item to be corrected] Figure 1
【補正方法】変更[Correction method] Change
【補正内容】[Correction content]
【図１】 FIG.
【手続補正４】[Procedure amendment 4]
【補正対象書類名】図面[Document name to be corrected] Drawing
【補正対象項目名】図２[Name of item to be corrected] Figure 2
【補正方法】変更[Correction method] Change
【補正内容】[Correction content]
【図２】 [Fig. 2]
【手続補正５】[Procedure Amendment 5]
【補正対象書類名】図面[Document name to be corrected] Drawing
【補正対象項目名】図３[Name of item to be corrected] Figure 3
【補正方法】変更[Correction method] Change
【補正内容】[Correction content]
【図３】 [Figure 3]
Claims (4)
生体の内部状態を推定する生体内部状態伝達装置におい
て、 生体の頭皮上に生じた電磁場分布を測定する電磁場分布
測定手段と、 頭部モデルを指定する頭部モデルデータと所定の双極子
パラメータとから計算した電磁場分布、および脳活性領
域と生体の内部状態との関係を記述する内部状態カテゴ
リデータから複数の学習データを生成する学習データ生
成手段と、 入力層、出力層および１層以上の中間層からなり、前記
各層を構成する各ユニット間の結合状態を示す所定の結
合係数を有するニューラル・ネットワークを用いて、前
記学習データ中の電磁場分布から脳内の活性領域を表す
数値を算出する推論手段と、 この推論手段から出力される脳内の活性領域を表す数値
を、生体の内部状態を表す表現に変換し出力する変換手
段とを備え、 前記推論手段は、 前記学習データ中に記述される脳内活性領域を表す正し
い数値と、前記ニューラル・ネットワークによって算出
された脳内活性領域を表す数値との差異を小さくするよ
うに前記ニューラル・ネットワークの前記結合係数を修
正する結合係数修正手段を有し、 予め設定された規準値よりも前記差異が小さくなった時
点で、前記電磁場分布測定手段により測定した電磁場分
布を入力として、前記ニューラル・ネットワークにより
脳内活性領域を表す数値を算出するようにしたことを特
徴とする生体内部状態伝達装置。1. An in-vivo internal state transmitting device for estimating an internal state of an organism from an electromagnetic field distribution measured on the scalp of the organism, an electromagnetic field distribution measuring means for measuring an electromagnetic field distribution generated on the scalp of the organism, and a head model. Learning data generation that generates multiple learning data from internal state category data that describes the relationship between the electromagnetic field distribution calculated from the head model data that specifies the Means and an input layer, an output layer, and one or more intermediate layers, and a neural network having a predetermined coupling coefficient indicating a coupling state between each unit constituting each layer, using an electromagnetic field in the learning data. The inference means for calculating the numerical value indicating the active area in the brain from the distribution and the numerical value indicating the active area in the brain output from this inference means are stored in the living body. Conversion means for converting into an expression representing a state and outputting the expression, wherein the inference means comprises a correct numerical value representing the brain active area described in the learning data, and the brain active area calculated by the neural network. Having a coupling coefficient correction means for correcting the coupling coefficient of the neural network so as to reduce the difference from the numerical value that represents the electromagnetic field distribution when the difference becomes smaller than a preset reference value. An in-vivo internal state transmission device characterized in that the neural network is used to calculate a numerical value representing an active area in the brain, using an electromagnetic field distribution measured by a measuring means as an input.
おいて、 雑音を生成し、前記学習データ生成部で生成した学習デ
ータに雑音を付加する雑音データ付加手段を備えること
を特徴とする生体内部状態伝達装置。2. The in-vivo state transmitting apparatus according to claim 1, further comprising: noise data adding means for generating noise and adding the noise to the learning data generated by the learning data generating section. State transmission device.
おいて、 前記推論手段は、リカレント型のニューラル・ネットワ
ークを有することを特徴とする生体内部状態伝達装置。3. The in-vivo internal state transmitting device according to claim 1, wherein the inference means has a recurrent neural network.
生体の内部状態を推定する生体内部状態伝達方法におい
て、 頭部モデルを指定する頭部モデルデータと所定の双極子
パラメータとから計算した電磁場分布、および脳活性領
域と生体の内部状態との関係を記述する内部状態カテゴ
リデータから複数の学習データを生成し、 入力層、出力層および１層以上の中間層からなり、前記
各層を構成する各ユニット間の結合状態を示す所定の結
合係数を有するニューラル・ネットワークを用いて、前
記学習データ中の電磁場分布から脳内の活性領域を表す
数値を算出し、 前記学習データ中に記述される脳内活性領域を表す正し
い数値と、前記ニューラル・ネットワークによって算出
された脳内活性領域を表す数値との差異を小さくするよ
うに前記ニューラル・ネットワークの前記結合係数を修
正し、 予め設定された規準値よりも前記差異が小さくなった時
点で、生体の頭皮上で測定した電磁場分布を入力とし
て、前記ニューラル・ネットワークにより脳内活性領域
を表す数値を算出し、この数値を生体の内部状態を表す
表現に変換し出力するようにしたことを特徴とする生体
内部状態伝達方法。4. A living body internal state transfer method for estimating an internal state of a living body from an electromagnetic field distribution measured on the scalp of the living body, wherein an electromagnetic field calculated from head model data designating a head model and a predetermined dipole parameter. A plurality of learning data is generated from the internal state category data that describes the distribution and the relationship between the brain active area and the internal state of the living body, and comprises the input layer, the output layer, and one or more intermediate layers, and constitutes each layer. Using a neural network having a predetermined coupling coefficient indicating the coupling state between each unit, a numerical value representing the active region in the brain is calculated from the electromagnetic field distribution in the learning data, and the brain described in the learning data is calculated. In order to reduce the difference between the correct numerical value representing the internal active area and the numerical value representing the brain active area calculated by the neural network, The coupling coefficient of the neural network is modified, and when the difference becomes smaller than a preset reference value, the electromagnetic field distribution measured on the scalp of the living body is input, and the neural network activates the active region of the brain. A method for transmitting an internal state of a living body, characterized in that a numerical value that represents the internal state of the living body is calculated, and the numerical value is converted into an expression representing the internal state of the living body and output.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6170979A JP2850763B2 (en) | 1994-07-22 | 1994-07-22 | Biological internal state transmission device and method therefor |
| CA002154406A CA2154406C (en) | 1994-07-22 | 1995-07-21 | System for predicting internal condition of live body |
| US08/506,202 US5785653A (en) | 1994-07-22 | 1995-07-24 | System and method for predicting internal condition of live body |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6170979A JP2850763B2 (en) | 1994-07-22 | 1994-07-22 | Biological internal state transmission device and method therefor |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0833616A true JPH0833616A (en) | 1996-02-06 |
| JP2850763B2 JP2850763B2 (en) | 1999-01-27 |
Family
ID=15914893
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP6170979A Expired - Fee Related JP2850763B2 (en) | 1994-07-22 | 1994-07-22 | Biological internal state transmission device and method therefor |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2850763B2 (en) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6226544B1 (en) | 1997-06-13 | 2001-05-01 | Nec Corporation | Living body internal active source estimation apparatus |
| JP2003248541A (en) * | 2002-02-22 | 2003-09-05 | Mitsubishi Electric Corp | Control device using brain wave signal and control method |
| JP2008225877A (en) * | 2007-03-13 | 2008-09-25 | Nec Corp | Brain-computer interface |
| KR20190137283A (en) * | 2018-06-01 | 2019-12-11 | 연세대학교 산학협력단 | Method for producing medical image and device for producing medical image |
| CN111667571A (en) * | 2020-06-08 | 2020-09-15 | 南华大学 | Nuclear facility source item three-dimensional distribution rapid reconstruction method, device, equipment and medium |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH02232783A (en) * | 1989-03-07 | 1990-09-14 | Nippon Telegr & Teleph Corp <Ntt> | Syllable recognizing device by brain wave topography |
| JPH03241414A (en) * | 1990-02-20 | 1991-10-28 | Nippon Telegr & Teleph Corp <Ntt> | Operation device by head skin preparation potential pattern |
| JPH0485680A (en) * | 1990-07-30 | 1992-03-18 | Nippon Telegr & Teleph Corp <Ntt> | Head skin electric potential distribution pattern recognizing type syllable input device |
| JPH05303562A (en) * | 1992-04-27 | 1993-11-16 | Nec Corp | Method and device for tracing dipole |
| JPH06319713A (en) * | 1993-05-14 | 1994-11-22 | Nec Corp | Dipole estimating method and apparatus |
| JPH07194567A (en) * | 1993-12-31 | 1995-08-01 | Toshimitsu Musha | In-brain cortical activity tracing system and device therefor |
| JPH07204168A (en) * | 1994-01-12 | 1995-08-08 | Nou Kinou Kenkyusho:Kk | Device for automatically identifying information on living body |
-
1994
- 1994-07-22 JP JP6170979A patent/JP2850763B2/en not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH02232783A (en) * | 1989-03-07 | 1990-09-14 | Nippon Telegr & Teleph Corp <Ntt> | Syllable recognizing device by brain wave topography |
| JPH03241414A (en) * | 1990-02-20 | 1991-10-28 | Nippon Telegr & Teleph Corp <Ntt> | Operation device by head skin preparation potential pattern |
| JPH0485680A (en) * | 1990-07-30 | 1992-03-18 | Nippon Telegr & Teleph Corp <Ntt> | Head skin electric potential distribution pattern recognizing type syllable input device |
| JPH05303562A (en) * | 1992-04-27 | 1993-11-16 | Nec Corp | Method and device for tracing dipole |
| JPH06319713A (en) * | 1993-05-14 | 1994-11-22 | Nec Corp | Dipole estimating method and apparatus |
| JPH07194567A (en) * | 1993-12-31 | 1995-08-01 | Toshimitsu Musha | In-brain cortical activity tracing system and device therefor |
| JPH07204168A (en) * | 1994-01-12 | 1995-08-08 | Nou Kinou Kenkyusho:Kk | Device for automatically identifying information on living body |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6226544B1 (en) | 1997-06-13 | 2001-05-01 | Nec Corporation | Living body internal active source estimation apparatus |
| JP2003248541A (en) * | 2002-02-22 | 2003-09-05 | Mitsubishi Electric Corp | Control device using brain wave signal and control method |
| JP2008225877A (en) * | 2007-03-13 | 2008-09-25 | Nec Corp | Brain-computer interface |
| KR20190137283A (en) * | 2018-06-01 | 2019-12-11 | 연세대학교 산학협력단 | Method for producing medical image and device for producing medical image |
| CN111667571A (en) * | 2020-06-08 | 2020-09-15 | 南华大学 | Nuclear facility source item three-dimensional distribution rapid reconstruction method, device, equipment and medium |
| CN111667571B (en) * | 2020-06-08 | 2021-09-17 | 南华大学 | Nuclear facility source item three-dimensional distribution rapid reconstruction method, device, equipment and medium |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2850763B2 (en) | 1999-01-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6349231B1 (en) | Method and apparatus for will determination and bio-signal control | |
| JP2540728B2 (en) | Brain activity automatic determination device | |
| Bergveld et al. | A new technique for the suppression of the MECG | |
| JP2739804B2 (en) | Dipole estimator | |
| Bi et al. | Queuing network modeling of driver EEG signals-based steering control | |
| AlHinai | Introduction to biomedical signal processing and artificial intelligence | |
| CN110650685A (en) | Method for assessing a psychophysiological state of a person | |
| CN114052668B (en) | Brain function analysis method based on magnetoencephalogram data | |
| CN104951797B (en) | A kind of ELM Mental imagery brain electricity sorting techniques based on AR Coefficient Spaces | |
| JP2850763B2 (en) | Biological internal state transmission device and method therefor | |
| Chen et al. | Assessment of ChatGPT’s performance on neurology written board examination questions | |
| KR102146973B1 (en) | Apparatus and method for learning user's operation intention using artificial neural network | |
| Petrich | Medical and nursing student's perceptions of obesity | |
| Gu et al. | Transferable Takagi-Sugeno-Kang Fuzzy Classifier With Multi-Views for EEG-Based Driving Fatigue Recognition in Intelligent Transportation | |
| JP2560651B2 (en) | Body condition estimation device | |
| Ansari et al. | Automatic diagnosis of asthma using neurofuzzy system | |
| US20170039473A1 (en) | Methods, systems, non-transitory computer readable medium, and machines for maintaining augmented telepathic data | |
| Yuan et al. | Pain intensity recognition from masked facial expressions using swin-transformer | |
| JP3161990B2 (en) | Robot control device | |
| Sadr et al. | Comparison of MLP and RBF neural networks for Prediction of ECG Signals | |
| JPH03241414A (en) | Operation device by head skin preparation potential pattern | |
| Sulthan et al. | Knowledge and attitude of artificial intelligence (AI) technology among clinical researchers in the Kingdom of Saudi Arabia | |
| Ventura et al. | Responding efficiently to relevant stimuli using an emotion-based agent architecture | |
| Yardimci | A survey on use of soft computing methods in medicine | |
| Augello et al. | Extending affective capabilities for medical assistive robots |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20071113 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081113 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081113 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091113 Year of fee payment: 11 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091113 Year of fee payment: 11 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101113 Year of fee payment: 12 |
|
| LAPS | Cancellation because of no payment of annual fees |