JP2003325467A

JP2003325467A - 意思伝達支援装置、及び意思伝達支援ソフトウエア

Info

Publication number: JP2003325467A
Application number: JP2002136406A
Authority: JP
Inventors: Takeshi Kobayashi; 猛小林; Hiroyuki Honda; 裕之本多; Taizo Hanai; 泰三花井; Arata Hibino; 新日比野; Tatsuaki Shirataki; 龍昭白滝
Original assignee: Nagoya Industrial Science Research Institute
Current assignee: Nagoya Industrial Science Research Institute
Priority date: 2002-05-13
Filing date: 2002-05-13
Publication date: 2003-11-18

Abstract

(57)【要約】【課題】 α波に該当する脳波の変化に基づいて、意思
伝達を行う装置等を提供すること。【解決手段】頭部に設けられた電極部１によって測定
された脳波データは、PTMによって前処理された後に、
制御装置７によって稼働されるANNモデルソフトウエア
に入力される。ANNモデルは、予め事象関連脱同期に関
する学習用データで学習されている。ソフトウエアは、
必要な場合に加齢（60才以上）による周波数補正を行っ
た上で、適当な出力を行う。なお、出力に際しては、β
波のパワー値増幅による確認を行うことができる。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、意思伝達支援装
置、及び意思伝達支援ソフトウエアに関するものであ
る。

【０００２】

【従来の技術】戦後、車の数は飛躍的に増大し、それに
伴って交通事故も増えつづけている。交通事故による死
傷者数は最近10年間で約30％増加しており、年間死傷者
数はほぼ100万人に達した。このような交通事故や、筋
ジストロフィー・筋萎縮性側索硬化症などの疾患によ
り、多くの人が運動機能や言語機能を失っている。その
中でも、重度の運動機能障害者に対しては、看護者との
間で意思疎通を行うことが不可能に近いことから、看護
者がつきっきりで看護しなければならない。

【０００３】また、日本では出生率の低下と寿命の増大
とによって、急速な高齢化社会を迎えようとしているこ
とから、将来的には被看護者の増大に対して、看護者数
の伸びが追いつかなくなると考えられる。看護の手間を
少なくする目的で、コンピュータを用いた支援装置が必
要であることから、各種の電気的な援助装置が開発され
て来ている。

【０００４】これに関して、近年には機能的電気刺激
（Functional electric stimulation：FES）と称する研
究、すなわち電気刺激によって失われた運動機能を再建
する研究が進められている。現在では、障害者とコンピ
ュータとの接点、つまりインターフェースとしては、音
声・目の動き・呼吸などの残存するわずかな機能を利用
している。例えば、交通事故などで脊髄などが損傷し
て、脳からの信号が伝わらず、望んだ動作が出来ない場
合には、音声や目の動きなどの制御命令をFESシステム
に入力し、残っている末梢神経にFESシステムから電気
刺激を与えることで望んだ動きをすることが可能にな
る。通常は、制御命令として、音声・目の動き・残存す
る動作可能部位の動きなどを用いるものの、重度の麻痺
者では、そのような動きでさえも、負荷や時間が多くか
かる。しかし、これら重度麻痺者においても、脳は正常
に機能していると推測されるため、コンピュータとのイ
ンターフェースとして、脳波を利用することができれ
ば、有用な方法になり得る。そこで、本発明者らは、重
度の障害者であっても、より簡単に使える新たなインタ
ーフェースとしての脳波に注目した。

【０００５】

【発明が解決しようとする課題】脳波を使ったコンピュ
ータインターフェースは、脳・コンピュータインタフェ
ース（Brain Computer Interface：BCI）と呼ばれる。B
CIは意思伝達のシステムとして、様々な脳波パターンを
判別して、この結果を用いて、所定のコントロール信号
を引き起こすというものである。運動感覚野で引き起こ
される脳波パターンは、動作の準備や実行、あるいは動
作についての想像によって変化すると言われている。

【０００６】BCIを応用した意思伝達装置としては、例
えば、特開平７−２０７７４号に開示されたものがあ
る。この公報に開示された装置では、β波（20Hz〜40H
z）の変化に基づいて、コンピュータを通じて被験者の
意思を伝達しようとするものである。しかしながら、β
波は、複数のヒト間及び同一人における日間の変動が激
しいために、安定して使用することが困難であった。本
発明は、上記した事情に鑑みてなされたものであり、そ
の目的は、α波に該当する脳波の変化に基づいて、意思
伝達を行う装置等を提供することにある。

【０００７】

【課題を解決するための手段、発明の作用、及び発明の
効果】本発明者らは、鋭意検討の結果、左右両半球の脳
波を測定し、その脳波データの事象関連脱同期を評価す
ることにより、情報を伝達することが可能なことを見出
し、基本的には本発明を完成するに至った。

【０００８】「脳波」とは、脳から自発的に生じる電位
変動で，脳電図（electroencephalogram）または、EEG
ともいう。脳波を測定するには、頭皮上の所定の部位
に、電極を導電性のり等で固定し、脳から発生した微弱
な電位変動を脳波計の増幅器で増幅して連続的に記録す
る。脳波の導出には、耳たぶなどの脳から離れた部分
を電位の基準として、頭部に設けた電極との電位差（脳
波）を測定する基準導出法と、基準電極を用いず頭部
の二つの電極開の電位差を測定する双極導出法とがあ
る。一般的に、脳波には、脳の限定した領域に発生する
要素と、比較的広い範囲から同じように記録される要素
とがある。双極導出法において、二つの電極の電極間隔
が狭い場合には、脳の広い範囲から同じように記録され
るものは相殺されてほとんど脳波記録には現れなくな
る。これに対して、二つの電極がおかれている部位の付
近に局在し、しかもどちらかの電極により近接して出現
する電位変動は、両電極に共通な部分が差し引かれるの
で、基準電極導出法の場合よりもはっきりと記録される
ことが多い。本発明においては、頭皮上に取り付ける電
極の数とその位置は限定されないが、例えば国際脳波学
会連合標準電極配置法（ten−twenty electrode syste
m）を用いることができる。この場合に、推奨される電
極位置としては、左右の体性感覚野（C3及びP3の間、C4
及びP4の間に位置する）、T5、T6、F3、F4、P3、P4、F
7、及びF8の計１０チャンネルであり、更に左右体性感
覚野、P3、P4、T5、T6の６チャンネルが好ましい。

【０００９】一般に、誘発電位（evoked potentials：E
P）は、種々の感覚様式の刺激が受容器に入力されてか
ら大脳皮質に到達するまでの種々の部位（脊髄、脳幹
部、大脳など）で記録される一過性の電位変動を言い、
これは、誘発反応、誘発応答（evoked response）とも
呼ばれる。誘発電位には視覚性、聴覚性、体性感覚性な
どの大脳誘発電位、脳幹誘発電位、脊髄誘発電位などが
ある。この誘発電位には、感覚刺激に対して受動的に生
じる神経系の電気的応答だけでなく、感覚刺激などに関
連した注意、認識、課題解決、随意運動など心理的な活
動によって変動する成分（P300、随伴陰性変動、運動関
連電位など）があることが明らかになり、これらは事象
関連電位（event related potential：ERP）と呼ばれて
いる。P300とは被験者にとって有用な情報を含む刺激、
いわゆる課題関連刺激を、標的である刺激は低い頻度
で、標的でない刺激は高い頻度で与え、標的となる刺激
の場合だけ、そのとき誘発される電位で、刺激後300ms
付近に出現する大きな陽性電位のことである。

【００１０】本発明で利用するのは、「事象関連脱同期
（event related desynchronisation：以下ERD）」と呼
ばれる認知処理過程に関係した事象関連電位の一つであ
る。これは知覚運動野において動作の準備、あるいは動
作についての想像によって脳波が変化する現象である。
実際の脳波変化としては、例えば右肘の屈伸という動作
では、動作の前に動かす手の反対側である脳の左半球か
らでる脳波の内のμ波（α波より少し速い7〜13Hz程度
のμ字型の波）やβ波（緊張しているときなどにでる13
〜30Hzの速い波）の振幅が減少する。ERDは脳の体性感
覚野や運動野で起こるといわれている。本発明者らの検
討によれば、7Hz〜25Hzの周波数帯、好ましくは7Hz〜20
Hzの周波数帯、更に好ましくは10Hz〜19Hzの周波数帯の
変動を評価する。また、６０代以上の高齢者において
は、α波の振動数が遅い側に変位することから、8Hz〜9
Hzの周波数帯の脳波を（例えば、後述の式（４）及び式
（５）を用いて）適当に補正して用いることが好まし
い。

【００１１】「情報」とは、具体的には、１回の試行で
１ビット（例えば、１／０、Yes/No、または右／左など
の区別を行うこと）のデータを伝達できることを意味し
ており、試行を繰り返すことにより、複雑な情報を組み
立てることができる。「評価する」とは、コンピュータ
を用いて、事象関連脱同期を計算・評価し、適当な出力
を行うことを意味している。コンピュータの計算方法と
しては、例えば、人工ニューラルネットワーク（AN
N）、隠れマルコフモデル（HMM）、自己組織化モデル
（SOM）、時間遅れNN（TDNN）、自己想起型NN、ベクト
ル量子化モデルなどを用いることができる。これらのう
ち、好ましくは、ANNである。ANNとは、生体の脳におけ
る神経回路網を数学的にモデル化したものであり、その
もっとも基本的なものとしてパーセプトロンが挙げられ
る。パーセプトロンは、コンピュータに学習機能を付加
することができたが、対象とする問題は、線形分離でき
る問題に限られていたため、その限界が指摘されてい
た。その後1986年にルームハート（Rumelhart）らによ
り、パーセプトロンの学習則を多層ネットワークに拡張
したBP法（バックプロパゲーション）が提案され、ANN
に関する研究が盛んに行われるようになった。ANNは並
列処理、学習機能、自己組織化能力など多くの優れた特
徴を有している。また、連想記憶を行うことができ、パ
ターン認識や総合的判断などの情報処理を得意としてい
る。

【００１２】一般にNN（ニューラルネットワーク）は非
線形もしくは線形に信号変換を行うニューロンをユニッ
トとしたネットワーク構造を持ち、その構成にはニュー
ロンが相互に結合しているリカレントANNと、階層的な
構造で信号の流れが１方向である多層NNに分けることが
できる。リカレントNNは時系列データの処理に向いてい
て、多層NNはパターン認識に向いていると言われてい
る。階層型のNNは、このようなユニットを多数用いて複
数の階層を形成するように構成され、全体として非線形
な多入力多出力システムとなっている。

【００１３】BP法はこういったネットワークに与えられ
た非線形な入出力関係を結合荷重を変化させることによ
り自動的に同定することができる。この操作は学習と呼
ばれ、この学習を何回も繰り返すことにより、最終的に
望ましい人出力関係を実現する。このBP法を用いれば、
NNは学習により、知識を自動的に獲得することができ
る。

【００１４】脳波データをANNモデルに入力するには、
例えば高速フーリエ変換（FFT）を用いて、データを加
工することが好ましい。「任意の周期関数は、正弦波と
余弦波の級数和で表すことができる」という、有名なフ
ーリエ級数の原理はフランスの数学、物理学者フーリエ
により発表された。フーリエ変換とは、一見して不規則
に見える波形でも、周期性のある波形であれば、その周
期の周波数である基本波周波数と、その整数倍の高調波
周波数の正弦波と余弦波の組み合わせによって成り立っ
ているというフーリエ級数の原理をもとに、それぞれの
成分の含まれている割合を求めるものである。この「そ
れぞれの成分の含まれている割合（フーリエ係数とい
う）」を求めることにより、一見不規則でつかみどころ
のない波形が持っている「隠された特徴」を見出すこと
ができる。波をフーリエ変換して周波数毎に求められた
フーリエ係数の値から各周波数成分の振幅を求めること
ができ、その振幅を自乗した値はパワーと呼ばれる。周
波数の変化に対するフーリエ係数の変化はスペクトルと
呼ばれ、周波数に対する振幅の特性を周期関数の振幅ス
ペクトルと、振幅の2乗をパワーと、また周波数に対す
るパワーの変化を表したものをパワースペクトルと呼
ぶ。これらのうち、いずれのデータを用いてもよいが、
最も好ましくは、パワースペクトルを用いる。更に、AN
Nに入力するデータとしては、適当な前処理を行うこと
が好ましい。そのような前処理法としては、例えば後述
するPTM1〜PTM3を用いることができる。また、ANNに
は、年齢も入力することが好ましい。前述のように、本
発明が解析する脳波データ（特に、α波に対応する周波
数データ）は、被験者の年齢によって変化することか
ら、その変化も加味して解析することが良好な結果を得
るために好ましいからである。

【００１５】また、情報の伝達には、β波の変化を補助
的に用いることができる。すなわち、コンピュータの出
力結果が間違っていた場合には、β波パワー値の増加を
介して認識の誤りを知らせることができる。従来には、
脳波データは、日間あるいは人間でのバラツキが大き
く、情報伝達を行うための手段としては、用いることが
難しいと言われていた。しかし、本発明によれば、被験
者の脳波の事象関連脱同期（ERD）のパターンをコンピ
ュータによって評価することにより、情報を伝達するこ
とが可能となる。これにより、重篤な事故、或いは疾患
によって、運動機能の殆どを失った人であっても、意思
伝達を行うことができる。

【００１６】

【発明の実施の形態】次に、本発明の一実施形態につい
て、図面を参照しつつ詳細に説明するが、本発明の技術
的範囲は、下記の実施形態によって限定されるものでは
なく、その要旨を変更することなく、様々に改変して実
施することができる。また、本発明の技術的範囲は、均
等の範囲にまで及ぶものである。

【００１７】＜実施例１＞一．試験方法１．脳波採取方法２人の健常な男性被験者（被験者Ａ：25歳、及び被験者
Ｂ：23歳）で脳波採取を行った。脳波採取は、被験者が
シールドルーム内でベッドに仰向けになり、安静開眼状
態において行った。脳波採取時のタイムスケジュールを
図１に示した。図に示すように、実験開始から２秒後
に、被験者は試験官から「左」または「右」という音声
による指示を聞く。被験者は、その音声メッセージを聞
いた後に、３秒間に渡って、その指示された方の腕を屈
伸する運動イメージをし、その後の「はい」という指示
で実際に屈伸動作をする。

【００１８】実験開始から２秒間の脳波データを基準デ
ータとし、運動イメージしている３秒間のデータを解析
データとした。ＥＲＤは、動作の準備、あるいは動作に
ついてのイメージによって脳波が変化する現象である。
そこで、解析には、動作中のデータは使わず、イメージ
している時のデータを用いた。脳波の採取方法は、国際
１０−２０電極システムに基づいた電極配置を一部変更
して行った。その電極配置図を図２に示した。基準電極
をＣzとし、左右の体性感覚野（C3、C4及びP3、P4の間
に存在する）、T5、T6、F3、F4、P3、P4、F7、及びF8の
計１０チャンネルで脳波を記録した。

【００１９】被験者Ａについて、同一日に採取した44個
のデータを第１組（ＤＳ１）とし、これとは別の日に採
取した44個のデータを第２組（ＤＳ２）とした。被験者
Ｂについては、44個のデータを第３組（ＤＳ３）を採取
した。また、被験者ＡのデータセットであるＤＳ１とＤ
Ｓ２とを組み合わせて、第４組（ＤＳ４）とした。

【００２０】２．脳波データの処理脳波データをサンプリング間隔10.0［ms］、サンプリン
グ時間2.0[s]で高速フーリエ変換（FFT）を用いて、周
波数解析をした。本研究では、1Hz毎のパワースペクト
ル値を用いて解析を行った。この解析では、ほぼ１Hz〜
50Hzの周波数範囲でデータ解析を行うことができる。こ
こで、目の動きに対応する1Hz〜6Hzの波と、筋電図に対
応する25Hz〜31Hzの波とを考慮して、データ解析には7H
z〜25Hzの周波数帯を使うこととした。更に、1Hz〜6H
z、及び25Hz〜31Hzの周波数成分のパワースペクトル値
が、ある閾値以上になった場合には、それ以外の周波数
帯にもノイズが混入していると考えられるため、そのよ
うなデータは用いないこととした。

【００２１】具体的には、右肘または左肘を実際に屈伸
する前の動作イメージ中2秒間のパワー値（R）と、動作
想像に関連していないと考えられる2秒間の基準パワー
値（P）との比であるR／P値を利用した。脳波データを
フーリエ変換して、1Hz毎のパワースペクトルを得た。
このパワースペクトル値を３種類の前処理法（PTM）に
かけた。各前処理法を表１に示した。

【００２２】

【表１】

【００２３】表中、Rは解析区間でのパワースペクトル
値、Pは基準区間でのパワースペクトル値、下付き文字
ｒとｌとは右半球または左半球を表す。脳波データを高
速フーリエ変換して、パワースペクトル値を得た。前処
理法1（PTM1）では、パワースペクトル値の変化率を使
った。すなわち、各チャンネル各周波数に対して、RとP
の比（R/P）を入力値としてANNに入力した。前処理法2
（PTM2）では、変化率の値ではなく、変化のパターンを
ANNの入力とした。すなわち、各チャンネルにおける各
周波数に対して、R＞Pの場合には、入力値を1とし、R＜
Pの場合には、入力値を0とした。また、Rr＞Rlの場合に
は、入力値を1とし、Rr＜Rlの場合には、入力値を0とし
た。

【００２４】また、前処理法3（PTM3）では、PTM2の考
え方を更に進めて、パワースペクトルの変化率の左右の
大きさのパターンを入力とすることとした。すなわち、
各チャンネルの各周波数に対して、右半球のRとPの比
（Ｒr／Ｐr）が、左半球のRとPの比（Ｒl／Ｐl）よりも
大きい場合には、入力値を１とし、これと逆の場合に
は、入力値を０とした。

【００２５】３．ＡＮＮ構造ＡＮＮは階層型であり、入力層（Input Layer）、中間
層（Hidden Layer）、及び出力層（Output Layer）の３
層構造である（図３を参照）。ＡＮＮの学習方法は、一
般的に広く用いられているＢＰ（バックプロゲーショ
ン）アルゴリズムに慣性を導入した逐次修正法を用い
た。ＡＮＮに対して、処理した脳波データを入力する
と、左動作では０を右動作では１を出力するように構成
した。モデルを構築するために、Ｎ個のＤＳ中、Ｎs個
をＡＮＮの学習用データとして、残りのＮe個を評価用
データとして用いた。本研究では、ＮsとＮeとの比は、
約２：１とした。ＡＮＮの入力値（Ｉij）および教師値
（Ｔi）は、Ｎ個のＤＳにおいて最大値と最小値の間
で、０.１から０.９の間の値になるように規格化した。

【００２６】学習用データに対する絶対誤差が０.３以
上のものをカウントし、この数を評価指標Ｊとした。ネ
ットワークの構造を最適化するために、中間層ユニット
数としては、１から最大中間層ユニット数（入力層ユニ
ット数+10）の間で変化させ、Ｊが最も小さい構造を選
択した。

【００２７】冗長な入力変数が存在すると正しいモデル
を構築できない可能性があるので、最適な入力変数を選
択する方法として変数増加法（PIM）を用いた。この方
法では、まずＪが最小となる入力変数を１つ選択し、１
ステップとして、次にこの入力変数に新たに１つの入力
変数を加え、Ｊが最小となる入力変数を選択する。この
手順により入力変数を逐次増加していき、新たな入力変
数を加えても評価指標Ｊが減少しなくなるまで繰り返し
た。

【００２８】４．動作判別能力の評価方法前述の通り、右動作の場合は１、左動作の場合は０とい
う値を出力するようにＡＮＮを学習させたため、データ
をＡＮＮに入力したときに、それに対する出力が０.４
以下のときには左と認識させ、０.６以上のときには右
と認識させ、０.４〜０.６の間の値が出力されたときは
認識できないとした。このとき、学習したＡＮＮの能力
を認識率（式１）、及び正答率（式２）で表した。

【００２９】認識率＝（出力が０．４以下のデータ数＋出力が０．６以上のデータ数）／（全てのテスト回数）式（１）正答率＝（“右”または“左”を正しく認識した回数）／（出力が０．４以下のデータ数＋出力が０．６以上のデータ数）式（２）

【００３０】二．試験結果及び考察１．体性感覚野からの脳波をPTM1で処理したデータを用
いたモデル左右の体性感覚野2チャンネルからの脳波をPTM1で処理
したデータを用いたモデルを構築した。（１）被験者Ａのモデルでの左右の判別被験者Ａで異なる日に採取したＤＳ１（学習用データ30
個、評価用14個）とＤＳ２（学習用データ30個、評価用
14個）をPTM1（入力項目38個）で処理を行い、それぞれ
のデータでＡＮＮモデルをつくり、左右どちらの肘の屈
伸イメージをしているかを判別した。結果を表２に示し
た。

【００３１】

【表２】

【００３２】同一被験者で同一日に採取した波形データ
により構築したＡＮＮモデルでの左右の判別結果を見る
と、ＤＳ２の学習用デ−タに対する認識率が93.3％であ
ったものの、全体として認識率と正当率は非常に高く、
学習用データと評価用データに対して正答率が100％と
なり、完全に左右の判別を行うことができた。

【００３３】（２）日間による脳波変化の影響脳波は時間による変動が大きく、ある日のデータで作っ
たモデルで別の日に採取したデ−タに対して良い正答率
を示すことができるかわからないためそれを確認した。
被験者Ａにおいて、異なる日に採取した２つのデ−タセ
ットＤＳ１とＤＳ２とを用いた。つまり、ＤＳ１を学習
用データとし、ＤＳ２を評価用データとして、異なる日
のデータにおける認識率と正答率とを確認した。結果を
表３に示した。

【００３４】

【表３】

【００３５】正答率は89.8％と高い値であったものの、
認識率は63.6％と十分に高い値であるとは言えず、ある
一日で採集したデータで作成したモデルは、別の日のデ
ータを判別するに十分なものとは言えなかった。このこ
とから、脳波の日間変動は大きく、同じＡＮＮモデルで
の判別は困難であり、改めてＡＮＮを学習する必要があ
ることがわかった。

【００３６】（３）異なる被験者間における脳波変化の
影響脳波は、健常人においても、人ごとに大きく異なること
が知られているため、従来の研究によれば、各人に付し
てＡＮＮモデルが必要であるとされている。このため、
もし一つのＡＮＮモデルが、異なる被験者間において、
共通に高い認識率と正答率とを示せば、そのモデルは一
般性の高いモデルと言える。そこで、被験者Ａのデータ
（ＤＳ４）で学習したＡＮＮモデルによって、被験者Ｂ
で採取したデータ（ＤＳ３）を判別できるかを試みた。
結果を表４に示した。

【００３７】

【表４】

【００３８】正答率は94.3%と高かったものの、認識率
は38.6％と大変低くなり、左右どちらの腕の屈伸動作を
しているかを十分に判別することができなかった。この
結果より、一人のデータで作ったＡＮＮモデルは、別人
のデータを判別することが難しいと分かった。従来の研
究（例えば、G.Pfurtscheller et al.;"On-line EEG cl
assificationduring externally-paced hand movements
using a neural network-based classifier", Electro
enceph. Clin. Neurophysiol, vol.99, pp.416-425, 19
96）においても、動作イメージ時における脳波変化は、
人によってかなり異なっているため、各個人に対してモ
デルを作成することで判別を行っている。

【００３９】以上の結果から、ＥＲＤを用いて、各個人
に適したＡＮＮモデルを毎回作成することにより、高い
認識率と正答率とを得ることができた。しかしながら、
PTM1で体性感覚野からの脳波を用いてＡＮＮモデルを作
った場合には、一般性の高いＡＮＮモデルを作ることは
困難であると考えられた。そこで、電極位置及び前処理
法を検討することで、一般性の高いモデルの作成を試み
た。

【００４０】２．電極位置と前処理法の検討（１）１０チャンネルのデータでPTM1で処理したデータ
を用いたモデル 10チャンネルで採取した7Hz〜25Hzの脳波データをPTM1
で処理した。被験者ＡのＤＳ１（学習用データ30個、評
価用データ14個）で学習したＡＮＮモデルに対して、Ｄ
Ｓ２（44個）を評価用データとして入力し、同一人にお
ける異なる日のデータにおいて、どの程度の判別が行え
るかを確認した。また、被験者ＡのＤＳ４で学習したＡ
ＮＮモデルに対して、別の被験者Ｂで採取したＤＳ３を
評価用データとして入力し、異なる人間のデータにおい
て、どの程度の判別が行えるかを確認した。それぞれの
結果を表５に示した。

【００４１】

【表５】

【００４２】認識率は、それぞれ83.6％及び79.5％であ
った。また、正答率は、それぞれ94.4%及び88.7%であっ
た。体性感覚野のみから得られた脳波を用いたＡＮＮモ
デルの判別結果と比べると、認識率は向上した。

【００４３】（２）前処理法の検討 10チャンネルで採取した7Hz〜25HzのデータをPTM2とPTM
3で処理し、被験者ＡのＤＳ１で学習したＡＮＮモデル
を用いて、ＤＳ２の判別を行うことで、同一人において
異なる日に採取した脳波データでどの程度の判別が行え
るかを確認した。それぞれの前処理法を用いた場合の認
識率と正答率を表６上段側に示した。

【００４４】

【表６】

【００４５】各前処理法において、正答率は94.3％とな
った。また、認識率はPTM1、PTM2、PTM3の順で高くな
り、特にPTM3での正答率は100％となった。被験者Ａの
ＤＳ４で学習したＡＮＮモデルを用いて、別の被験者Ｂ
で採取したＤＳ３の判別を行うことで、異なる人の脳波
データでどの程度の判別が行えるかを確認した。それぞ
れの前処理法を用いた場合の認識率と正答率を表６下段
側に示した。認識率はPTM1、PTM2、PTM3の順で高くな
り、PTM2、PTM3での認識率は85％以上となった。また、
正答率はPTM1と比べてPTM2とPTM3で高いものとなった。
PTM2、PTM3での認識率は90％以上となった。

【００４６】PTM2とPTM3で処理した入力値は、各周波数
のパワースペクトル値ではなく、パワースペクトルの大
きさのパターン値であるため、脳波のパワースペクトル
値には関係しなくなり、採取日や被験者の影響を受け難
くなったと考えられた。

【００４７】（３）入力項目の検討 PTM2とPTM3で処理したデータでの判別結果は、非常に良
好なものとなったが、それぞれ入力変数の侯補が285個
及び95個と大量であるため、変数増加法で計算を行う際
にそれぞれ340時間及び72時間と多くの計算量が必要と
なる。この事態を改善するため、入力変数の候補数の減
少を目指して、入力項目の検討を行った。そのため、各
前処理法でＡＮＮモデルを学習する際に、変数増加法で
選択された入力項目をまとめて、選択された項目の分布
図を図４に示した。図４を見ると、周波数帯10Hz〜19Hz
が選択される率が高い。また、斜線を付けた部分、すな
わち左右体性感覚野、P3、P4、T5、T6の各チャンネルに
おいて、10Hz〜19Hzの周波数帯が選択される率が高く、
選択されたデータ全体の約70％が含まれていた。そこ
で、入力項目として、左右体性感覚野、P3、P4、T5、T6
の６チャンネルにおける10Hz〜19Hzに決定した。この結
果、PTM2とPTM3で処理した入力項目は各々90個及び30個
となり、ＡＮＮモデルの学習時間を非常に短縮できた。
これらの項目を用いて変数増加法を行い、ＡＮＮモデル
により解析した結果を表７に示した。

【００４８】

【表７】

【００４９】10チャンネルの7Hz〜25Hzのデータを入力
項目として判別した結果（表６）と比べると、正答率が
低くなった場合も見られるが、全体として認識率は90％
以上となり、十分に高い判別精度を得られることが分か
った。このことから、脳波データを取得するチャンネル
としては、左右体性感覚野、P3、P4、T5、及びT6の六チ
ャンネルで十分であると思われる。また、PTM3の認識率
と正答率は、PTM2のそれと比べると僅かに低いものの、
認識率と正答率は90％以上であり、PTM2とほぼ同等の精
度である。これらの結果から、入力変数としては、左右
体性感覚野、P3、P4、T5、T6の６チャンネルの10Hz〜19
Hzのパワースペクトル値をPTM3で処理した値で十分であ
ると判断した。

【００５０】＜実施例２＞次に、脊髄損傷者を含む多く
の被験者において、脳波データの処理を行えるか否かを
検討した。一．試験方法１．脳波データ採取被験者として、８人の健常男性Ａ、Ｂ、Ｃ、Ｄ、Ｅ、
Ｆ、Ｇ及びＨ（各被験者の年齢は、それぞれ２５才、２
３才、３４才、４０才、５６才、６０才、７２才、及び
７２才であった。）、３人の健常女性Ｉ、Ｊ及びＫ（各
被験者の年齢は、２３才、２０才、及び２０才であっ
た。）、及び脊髄損傷のある３人の患者Ｌ、Ｍ及びＮ
（各患者の年齢は、１７才、２５才、及び４６才であっ
た。）の合計１４名を選択した。脳波データの採取は、
実施例１と同様のタイムスケジュールによって行った
（図１を参照）。

【００５１】また、電極の設置は、国際的10-20システ
ムに従った。両乳突の連結電極（linked bimastoid）を
基準電極とし、左右体性感覚野、T5、T6、P3及びP4の合
計６チャネルにより記録した（図２を参照）。すべての
被験者について、同一日のうちに４５回の肘のイメージ
運動による脳波データを採取した。

【００５２】２．データ処理データ処理、データの前処理法、及びＡＮＮモデルにつ
いては、前述の実施例１の結果に基づいて、同様に行っ
たので、重複する記載を避けるために省略する。３．β波を用いた認識確認左右認識の間違いを避けるために、認識結果を確認する
工程について検討した。すなわち、被験者は、認識結
果が違っていた場合には、それが正確でないことを知ら
せるためにβ波のパワーを増やすようにトレーニングさ
れた。

【００５３】そのためのトレーニングとして、二種類の
精神労働を用いた。すなわち、（Ａ）暗算と（Ｂ）連想
である。このうち、（Ａ）暗算は、次の問題から構成さ
れている。１．等差数列の計算。２．１０００から７の引き算を繰り返す。３．公比２の幾何級数の計算。また、（Ｂ）連想は、次の問題から構成されている。１．しりとり。２．動物、植物、野菜、及び色の名前を言う。３．嫌いな人々、或いは不快なものをイメージして、自
分自身に精神的な圧迫を加える。

【００５４】二．試験結果及び考察 ANNモデルの構築には、左右体性感覚野、P3-P4、及びT5
-T6の６チャンネルからの脳波データを用いた。10Hz-19
Hzの周波数帯における脳波データをPTM3により処理した
後に、ANNモデルに入力した。まず、ANNモデルは、各被
験者のデータによって学習された。学習後のANNモデル
を用いて、他の被験者データを評価した結果を表８に示
した。

【００５５】

【表８】

【００５６】表８には、代表的な被験者として、Ｂ、
Ｆ、Ｈ、Ｋ及びＭのデータをANNモデル学習用に用いた
ときに、他の被験者データを評価したときの認識率と正
答率とを示した（なお、この表は同時に、他の被験者デ
ータがANNモデル学習用に用いられたときに、Ｂ、Ｆ、
Ｈ、Ｋ及びＭのデータを評価したときの認識結果を示す
ものとしても読める）。50才よりも若い健常被験者（す
なわちＡ、Ｂ、Ｃ、Ｄ、Ｉ、Ｊ及びＫ）では、認識率は
86.7％以上であり、正答率は83.3%以上であった。

【００５７】患者（Ｌ、Ｍ及びＮ）と若い健常被験者と
の間の認識率の大部分は、84.4%以上であり、正答率は8
1.5%以上であった。３人の患者においては、精度が少し
低かった。また、50才以上の被験者（すなわちＥ、Ｆ、
Ｇ及びＨ）のデータを学習用または評価用に用いると、
認識率は75.5%以上で、正答率は70.7%以上であった。こ
れらの結果から、脳波データは、被験者の年齢によって
影響を受けることが示唆された。

【００５８】１．脳波データに対する老化の影響の試験高齢者の脳波データと若年成人の脳波データとを比較す
ると、前者においては後者よりもα波の頻度が減少して
いることが以前から指摘されている。α波の周波数は、
それぞれ約10.8Hz、約9.0Hz、約9.0Hz、及び約8.0Hzで
ある。つまり、加齢によって、α波の周波数が遅くなっ
ている。上記の解析では、10Hz-19Hzのパワー値を使っ
たが、この範囲は若年成人にとっては良好な範囲かも知
れない。しかしながら、高齢者にとっては、8.0Hzと9.0
Hzのデータが重要であるように思われる。そこで、本発
明者らは、以下の式（３）を用いて、低い周波数のパワ
ー値を使う補正を試みた。

【００５９】

【数１】

【００６０】式（３）中において、P_iは各周波数におけ
るパワー値を示し、D_Fは周波数分配割合、すなわち周波
数Ｆと年齢Ｎとの関数D_F=f(F,N)を示す。大熊の報告
（大熊輝雄：臨床脳波学、（社）医学書院、東京、199
1）に基づき、図５に示すように、分配割合を決定し
た。（１）周波数分配割合関数の構築分配割合関数は、式（４）に示すように、非対称二重Ｓ
字関数として見積もった。

【数２】

【００６１】式（４）中において、u、ν、w1、w2及びw
3はパラメータである。式（４）における推定パラメー
タを表９に示した。

【００６２】

【表９】

【００６３】（２）パラメータ(u,ν,w1,w2,w3)と年齢
(N)との間の関数の推定表９に示したパラメータと年齢とを回帰分析して、次式
（５）の関数ｆの係数を決定した。 f(u,ν,w1,w2,w3) = aN² + bN + c 式（５）結果を表１０に示した。

【００６４】

【表１０】

【００６５】各被験者において、8Hz-13Hzの分配割合を
計算し、その割合に基づいてα波の値を補正した後に、
補正後のパワー値を再びANNに入力した。表１１には、
各被験者データをANNモデルに学習させて、他の被験者
データを評価したときの結果を示した（但し、表１１
は、表８との対応のために、Ｂ、Ｆ、Ｈ、Ｋ及びＭのデ
ータを学習用に用いたときの正答率を示している）。

【００６６】

【表１１】

【００６７】この表に示すように、高齢者（E,F,G及び
H）のデータを学習用または評価用に用いた場合であっ
ても、認識率及び正答率は、いずれも90%以上という高
値を示した。このことから、α波に関して頻度情報を盛
り込んだ変更は、パワー値を補正するために上手く作用
し、加齢の影響は補正されたパワー値によって軽減させ
られることが明らかとなった。さらに正答率を改善する
ために、被験者Ａ、Ｄ、Ｈ、Ｉ及びＭから得られた全デ
ータを学習用に用い、他の被験者のデータを評価したと
きの認識率と正答率を表１２に示した。

【００６８】

【表１２】

【００６９】認識率および正答率は、ほぼ100%となっ
た。複数人から得られた脳波データに基づいたＡＮＮモ
デルは、脳波データの特徴について多くの情報を含んで
いることから、高い正答率が得られたものと考えられ
る。なお、本実施例では、人工ニューラルネットワーク
（ANN）に脳波データを入力する前に、被験者の年齢に
よる周波数分布補正を行っている。しかしながら、本発
明の他の実施例としては、予め様々な年齢の被験者に関
する脳波データをその被験者の年齢と共にANNに入力し
て、学習を行わせることにより、上記実施例のような被
験者の年齢による周波数分布補正を行うことなく、年齢
に応じた判定を行うこともできる。

【００７０】２．β波を用いた認識の確認本研究においては、認識結果を確認するためにβ波を用
いた。精神労働の間に、β波パワー値は、Pz部位の周
辺、主としてC3とC4において増加した。表１３には、14
Hz-20Hzの周波数帯のパワー値について、C3、C4、P3及
びP4における平均化された増加パーセンテージを示し
た。

【００７１】

【表１３】

【００７２】β波パワー値は、暗算問題を行っている場
合に比べると、連想問題を行っている場合に顕著に増加
した。特に、増加割合は、（１）しりとり、（４）植
物、及び（６）野菜のそれぞれの場合において、50%以
上の高値を示した。この結果、確認のためには、連想問
題（１）、（４）又は（６）に関するβ波パワー値の増
加を用いれることが分かった。すなわち、もしANNモデ
ルの出力結果が間違っていた場合には、被験者はしりと
り、植物名或いは野菜名を思い出すことにより、β波パ
ワー値の増加を介して認識の誤りを知らせることができ
る。例えば、もしC3,C4,P3及びP4において、平均化され
た増加パーセンテージが50%より大きかったら、ANNモデ
ルの出力結果が間違っていたと判断することができる。
こうして、β波は、ANNモデルの認識が間違っているこ
とを確認するために用いられ、最終的な正答率D_cは、次
式（６）によって、与えられる。

【００７３】Ｄ_c = Ｄ_rate + p(100 - D_rate) (%) 式（６）なお式中、D_rateはβ波による確認前の正答率であり、p
はβ波の増加による確認を行った際の正答率の増加割合
である。この手順によって、正答率に大きな改善が認め
られ、システム能力の正当性が担保することができた。

【００７４】我々は、ANNモデルについて、修正された
パワー値をインプット値として用い、かつβ波の増加に
よる確認を行った。この方策により、健常人及び脊椎損
傷患者のいずれにおいても、正答率をほぼ100%にまで高
めることができた。

【００７５】＜意思伝達支援装置＞次に、本発明を実施
するための意思伝達支援装置の一例を図６を参照しつ
つ、説明する。１は、頭部に生じた電流を検出するため
に頭部に装着する電極部である。この電極部１を装着す
る位置としては、例えば、左右の体性感覚野（C3及びP3
の間、C4及びP4の間に位置する）、T5、T6、F3、F4、P
3、P4、F7、及びF8の計１０チャンネル（あるいは、左
右体性感覚野、P3、P4、T5、T6の６チャンネル）が例示
される（図２を参照）。

【００７６】２は、電極部１で捉えた微弱な電流を増幅
するための増幅器である。電極部１と増幅器２とは電気
的に接続されている。３は、周波数ピーク成分抽出の精
度向上のためアナログ信号をデジタル信号に変換するＡ
／Ｄ変換器である。４は、使用する周波数成分帯域、主
として7Hz〜25Hzの周波数帯域フィルタである。このフ
ィルタ４を通過させることにより、電極部１により測定
された脳波から、ANN解析に必要な周波数帯域のデータ
が抽出される。

【００７７】５は、ピーク電流を積分する回路である。
６は、５の信号を安定した信号に増幅する出力増幅器で
ある。７は、制御装置（コンピュータ）であり、図示は
しないが、内部にはROM、RAM、記憶装置等が設けられて
いる。また、制御装置７は、ANN、及び後述するソフト
ウエアの稼働が可能となっている。８は、制御装置７の
稼働によって、ANNモデルによって処理された脳波デー
タが、出力される出力装置である。出力装置８の具体例
としては、例えばディスプレイ、音声出力などが挙げら
れる。

【００７８】＜ソフトウエア＞次に、本発明を実施する
ためのソフトウエアの一例を図７を参照しつつ、説明す
る。まず、脳波データを採取し(S100)、その脳波データ
を高速フーリエ変換（FFT）にかける(S110)。次に、脳
波データを採取した被験者が６０才以上であるか否かを
判断し（S120)、YESの場合には、周波数分布を補正し
（S130）た後に、ステップ140に進む。一方、ステップ1
20において、被験者が６０才未満であった場合には、そ
のままステップ140に進む。

【００７９】ステップ140(S140)では、データに前処理
（例えば、PTM3を用いることができる）を施す。次に、
前処理されたデータをANNに入力し(S150)、β波による
確認を行う(S160)。なお、ANNは、予め学習用データを
用いて学習させておく。ここで、確認が肯定的であった
場合には、ANNからの出力を行い(S170)、ルーチンを終
了する。一方、β波による確認が否定的であった場合に
は、そのままルーチンを終了する。なお、複数の信号を
入力する場合には、上記のステップ100〜ステップ170を
順次に繰り返すことができる。

【００８０】このように本実施形態によれば、筋萎縮性
側索硬化症（ALS）を患った患者との間でも意思疎通を
図ることができる。例えば、患者はビデオスクリーン上
のカーソルの動きをコントロールすることができる。そ
こで、患者は、適当な文字をタイプするか、ビデオスク
リーンから適当なコメントを選択することができる。ま
た、このシステムは重篤な運動障害を持つ患者のために
義手の制御方法としても有用である。同様に、このシ
ステムは、失われた運動機能を再建する研究、すなわち
機能的電気刺激（FES）に導入することができる。

【図面の簡単な説明】

【図１】脳波データを採取する際のタイミングチャー
トである。

【図２】頭部の頂上から見たときの電極位置を示す図
である。

【図３】 ANNモデルの概要を示す図である。

【図４】前処理法でＡＮＮモデルを学習する際に、変
数増加法で選択された入力項目をまとめて、選択された
項目の分布を示す図である。

【図５】 α波の頻度分布を年齢によって補正するため
のグラフ図である。

【図６】本実施形態における意思伝達支援装置のブロ
ック図である。

【図７】本実施形態におけるソフトウエアの流れ図で
ある。

フロントページの続き (72)発明者花井泰三福岡県福岡市東区筥松４−24−９フローレンス貝塚104 (72)発明者日比野新愛知県名古屋市天白区池場４−1101 グリーンハイツ石薬師40Ｂ号 (72)発明者白滝龍昭愛知県名古屋市緑区滝ノ水４−503 宝マンション滝ノ水311号Ｆターム(参考） 4C027 AA03 CC00 DD07 FF01 FF02 FF05 GG01 GG11 KK03

Claims

【特許請求の範囲】

【請求項１】左右両半球の脳波を測定可能な脳波測定
装置と、その脳波測定装置によって測定された脳波デー
タの事象関連脱同期を評価して情報を出力するコンピュ
ータとを備えたことを特徴とする意思伝達支援装置。
【請求項２】コンピュータによる前記評価は、人工ニ
ューラルネットワーク（ANN）を使うことを特徴とする
請求項１に記載の意思伝達支援装置。
【請求項３】前記ＡＮＮに被験者の年齢も入力するこ
とを特徴とする請求項２に記載の意思伝達支援装置。
【請求項４】被験者の年齢によって、前記脳波データ
の周波数分布を補正することを特徴とする請求項１〜請
求項３のいずれかに記載の意思伝達支援装置。
【請求項５】コンピュータによる情報の出力をβ波の
変化によって確認することを特徴とする請求項１〜請求
項４のいずれかに記載の意思伝達支援装置。
【請求項６】左右両半球で測定された脳波データを、
事象関連脱同期に関する脳波データによって学習された
人工ニューラルネットワーク（ANN）に入力し、前記脳
波データに対応した出力を行うことを特徴とするソフト
ウエア。
【請求項７】前記脳波データは、高速フーリエ変換を
用いて変換された後に、事象関連脱同期を起こす前の基
準データと事象関連脱同期を起こした解析データとの比
較を行う前処理を施した後に、前記ANNに入力されるこ
とを特徴とする請求項６に記載のソフトウエア。
【請求項８】前記脳波データに加えて、前記ＡＮＮに
被験者の年齢も入力することを特徴とする請求項６また
は請求項７のいずれかに記載のソフトウエア。
【請求項９】被験者の年齢によって、前記脳波データ
の周波数分布を補正することを特徴とする請求項６〜請
求項８のいずれかに記載のソフトウエア。
【請求項１０】前記脳波データに対応した出力は、β
波の変化によって確認されることを特徴とする請求項６
〜請求項９のいずれかに記載のソフトウエア。