JP7587232B2 - 情報処理装置、及びコンピュータプログラム - Google Patents

Description

特許法第３０条第２項適用 １．ウェブサイトのアドレス ｈｔｔｐｓ：／／ｋｊｃｉｅｅ．ｏｒｇ／ｋｊｃｉｅｅ２０１９／、掲載日：令和１年１１月１５日 ２．令和元年電気関係学会関西連合大会、開催日：令和１年１２月１日

本開示は、情報処理装置、及びコンピュータプログラムに関する。

従来、脳波、脳磁場、磁気共鳴画像等を利用した人間の脳機能の研究が行われてきた。例えば非特許文献１は、脳活動の周波数には個人差があり、個人の組み合わせにより脳活動が同期しやすい、または同期しにくい、という一種の相性がある可能性に言及している。また非特許文献１は、友人としての親しさが深い程、ｆＭＲＩデータを利用して検討すると安静時の脳活動パターンの類似度が高かったという知見が存在することにも言及している。

心理学評論 2016, Vol. 59, No. 3, pp. 283-291, 大平英樹、「脳活動の動機を導くメカニズム」

対面前に、２名の人間同士の相性を予測することができれば種々の場面に活用ができる。
本開示は、２名の人間同士の相性を精度良く予測するための技術を提供する。

本開示の一態様に係る情報処理装置は、人間同士の相性を予測するための情報処理装置である。情報処理装置は、演算回路と、予測モデルを記憶する記憶装置と、人間の脳の活動の変化を示す時系列データを取得する入力インタフェースと、人間同士の相性の予測結果を出力する出力インタフェースとを備えている。人間の脳は複数の脳領域を含み、複数の脳領域の各々は脳が有する複数の機能の各々と関連付けられている。時系列データは、複数の脳領域の各々から取得された、各脳領域の活動の時間的な変化を示すデータを含む。入力インタフェースは、第１の人間及び第２の人間の各時系列データである第１時系列データ及び第２時系列データを取得する。演算回路は、第１時系列データ及び第２時系列データの各々を利用して、複数の脳領域のうちから選択された２つの脳領域の組み合わせ毎に、脳領域間の機能的な結合の程度を示す相関係数を算出することにより、第１の人間の脳領域間の相関係数の集合である第１相関行列及び第２の人間の脳領域間の相関係数の集合である第２相関行列を生成する。また演算回路は、第１相関行列及び第２相関行列を利用して、第１の人間と第２の人間との間の、脳領域間の機能的な結合の相違を示す特徴量ベクトルを算出し、特徴量ベクトルを予測モデルに入力して、第１の人間と第２の人間との相性を予測する。予測モデルは、少なくとも、相性が良いことが予め判明している２名の人間同士の、脳領域間の機能的な結合の相違を示す特徴量ベクトルと、相性が良いことを示す第１相性ラベルとの組み合わせである第１の種類の教師データ、及び、相性が良いとは言えないことが予め判明している２名の人間同士の、脳領域間の機能的な結合の相違を示す特徴量ベクトルと、相性が良いとは言えないことを示す第２相性ラベルとの組み合わせである第２の種類の教師データを、それぞれ用いて機械学習が行われることによって構築されている。

本開示の一態様に係るコンピュータプログラムは、情報処理装置の演算回路によって実行されて、情報処理装置に人間同士の相性を予測させるコンピュータプログラムである。情報処理装置は、演算回路と、予測モデルを記憶する記憶装置と、人間の脳の活動の変化を示す時系列データを取得する入力インタフェースと、人間同士の相性の予測結果を出力する出力インタフェースとを備えている。人間の脳は複数の脳領域を含み、複数の脳領域の各々は脳が有する複数の機能の各々と関連付けられている。時系列データは、複数の脳領域の各々から取得された、各脳領域の活動の時間的な変化を示すデータを含む。コンピュータプログラムは、演算回路に、入力インタフェースを介して、第１の人間及び第２の人間の各時系列データである第１時系列データ及び第２時系列データを取得させる。またコンピュータプログラムは演算回路に、第１時系列データ及び第２時系列データの各々を利用して、複数の脳領域のうちから選択された２つの脳領域の組み合わせ毎に、脳領域間の機能的な結合の程度を示す相関係数を算出させることにより、第１の人間の脳領域間の相関係数の集合である第１相関行列及び第２の人間の脳領域間の相関係数の集合である第２相関行列を生成させる。さらに、コンピュータプログラムは演算回路に、第１相関行列及び第２相関行列を利用して、第１の人間と第２の人間との間の、脳領域間の機能的な結合の相違を示す特徴量ベクトルを算出させ、特徴量ベクトルを予測モデルに入力して、第１の人間と第２の人間との相性を予測させる。予測モデルは、少なくとも、相性が良いことが予め判明している２名の人間同士の、脳領域間の機能的な結合の相違を示す特徴量ベクトルと、相性が良いことを示す第１相性ラベルとの組み合わせである第１の種類の教師データ、及び、相性が良いとは言えないことが予め判明している２名の人間同士の、脳領域間の機能的な結合の相違を示す特徴量ベクトルと、相性が良いとは言えないことを示す第２相性ラベルとの組み合わせである第２の種類の教師データを、それぞれ用いて機械学習が行われることによって構築されている。

本開示の一態様に係る学習済み予測モデルは、第１の人間と第２の人間との間の相性を予測するための学習済み予測モデルである。予測モデルは、少なくとも、相性が良いことが予め判明している２名の人間同士の、脳領域間の機能的な結合の相違を示す特徴量ベクトルと、相性が良いことを示す第１相性ラベルとの組み合わせである第１の種類の教師データ、及び、相性が良いとは言えないことが予め判明している２名の人間同士の、脳領域間の機能的な結合の相違を示す特徴量ベクトルと、相性が良いとは言えないことを示す第２相性ラベルとの組み合わせである第２の種類の教師データを、それぞれ用いて機械学習が行われることによって構築されている。予測モデルは、第１の人間と第２の人間との間の脳領域間の機能的な結合の相違を示す特徴量ベクトルが入力されると、第１の人間と第２の人間との相性を予測結果として出力する。

本開示によれば、２名の人間同士の相性を精度良く予測することが可能になる。

スピードデートの会場を示す模式図 質問に対する回答の集計結果の例を示す図 男女の各組と相性との関係の例を示す図 ある参加者の脳のｆＭＲＩ画像１００の例を示す図 ４つの周波数帯域と、各周波数帯域に属する波形を示す図 機能的結合を評価するための差分特徴量ベクトルを算出する手順の例を示す図 機械学習の学習時の処理の流れを示す図 周波数毎の機械学習による識別正答率を示す図 相性に関する情報を含む周波数帯域について、相性の予測結果の妥当性を解析した結果を示す図 本発明者によって構築された予測モデルを利用した相性予測方法の模式図 機械学習を行う際に利用される情報処理装置のハードウェア構成図 情報処理装置のＣＰＵによって実行される学習処理の手順を示すフローチャート 複製された予測モデルを有する情報処理装置のハードウェア構成図 情報処理装置のＣＰＵによって実行される相性の予測処理の手順を示すフローチャート

以下、適宜図面を参照しながら、実施の形態を詳細に説明する。但し、必要以上に詳細な説明は省略する場合がある。例えば、既によく知られた事項の詳細説明や実質的に同一の構成に対する重複説明を省略する場合がある。これは、以下の説明が不必要に冗長になるのを避け、当業者の理解を容易にするためである。なお、発明者は、当業者が本開示を十分に理解するために添付図面および以下の説明を提供するのであって、これらによって特許請求の範囲に記載の主題は限定されることはない。

（本発明者によって得られた知見）
これまでに蓄積された種々の研究の結果から、安静時の脳機能には、個人差に関する情報が含まれることが知られている。すなわち、安静時に取得された脳機能を用いると、その個人の後の行動中の脳活動を予測できることが分かってきている。一方、ある２名の人間の「相性」は個人差や行動傾向によって規定され得るという研究報告も得られている。

本発明者は、ある２名の人間の各脳機能の関係を見れば、その２名の間で生じてくる心理現象に関する予測、換言すればその２名同士の相性の予測、ができるのではないか、との仮説を立てた。そして実験及び検証を行うことによってその仮説が正しいことを確認し、２名の脳機能を示す情報にはその２名の相性の良否に関する情報が含まれており、その情報を利用すればその２名の「相性」の良否を識別できると結論付けた。以下、具体的に説明する。

本発明者は、複数の男女を対象としてスピードデート実験を行った。「スピードデート」とは、結婚または交際を希望する男女が一堂に会してカップル成立を目指すパーティである。本実験では、参加者は男性２２名、女性２１名の合計４３名であり、平均年齢は２０．３歳であった。

図１は、スピードデートの会場を示す模式図である。スピードデート実験の手順は以下の通りである。まず、女性Ｗａ～Ｗｕに着席してもらい、各女性と対面するように各男性Ｍａ～Ｍｕが着席する。そして男女１組ごとに３分間自由に会話する。司会者の合図で会話を終了し、その後、矢印に示すように男性は一斉に席を移動して、隣の女性と対面するように着席する。全ての異性との会話が終わるまで上記の流れを繰り返してもらった。会話終了後、男女それぞれの参加者に対し、会話をした相手の異性とまた話したいと思うか否かについて質問し、回答してもらった。

図２Ａは、質問に対する回答の集計結果の例を示している。（ａ）の例は、男性Ｍａと女性Ｗａとがともに相手と話をしたいと思ったことを示している。（ｂ）の例は、男性Ｍｂは女性Ｗａとまた話をしたいと思ったが、女性Ｗａは男性Ｍｂとまた話をしたいと思わなかったことを示している。本実験では（ａ）の場合には「相性が良い」と判定し、（ｂ）の場合には「相性が良いとは言えない」と判定した。

図２Ｂは、男女の各組と相性との関係の例を示している。回答の結果から、全ての男女の組み合わせについて、「相性が良い」を示す「１」、または「相性が良いとは言えない」を示す「０」のいずれかの「相性」を示す情報が得られた。

スピードデート実験の前の別の日に、各参加者に、安静時の機能的磁気共鳴画像法（ｆＭＲＩ）による画像の撮影を行ってもらった。ｆＭＲＩは、ＭＲＩ（核磁気共鳴画像法）を利用してヒト及び動物の脳などの活動に関連した血流動態反応を視覚化する方法の一つである。撮影は６分間にわたって連続的に行った。安静状態を維持するため、撮影中、各参加者にはｆＭＲＩ装置の表示画面に呈示される十時マークを見ながら何もせずにいるよう指示した。

図３は、ある参加者の脳のｆＭＲＩ画像１００の例を示している。脳１１０は、複数の脳領域を含んでいる。例えば１１６個の脳領域が予め定義されており、各脳領域は、視覚、体性感覚等の、脳が有する複数の機能の各々と関連付けられている。連続的に撮影されたｆＭＲＩ画像から、各脳領域の時系列波形１０２を得ることができる。時系列波形は、時系列のデジタルデータ（以下「時系列データ１０２」とも称する。）として得られる。なお、本明細書では、時系列データ１０２はｆＭＲＩ画像から直接得られた時系列波形のデータではなく、直接得られた時系列波形のデータに予めノイズ除去処理を行って得られたデータである。ノイズ除去処理は必須ではない。

本発明者は、得られた時系列データ１０２にバンドパス処理を行い、その時系列データ１０２を４つの周波数帯域に分割した。換言すると、各脳領域から得られた時系列データ１０２を４つの周波数帯域に分けて抽出した。

図４は、４つの周波数帯域と、各周波数帯域に属する波形を示している。４つの周波数帯域は、それぞれ、（ａ）０．０１５－０．０３０Ｈｚ、（ｂ）０．０３０－０．０５９Ｈｚ、（ｃ）０．０５９－０．１１８Ｈｚ、及び（ｄ）０．１１８－０．２１６Ｈｚである。全体で０．０１５Ｈｚ－０．２１６Ｈｚの周波数帯域を採用した理由は、下限については、０．０１５Ｈｚよりも低い周波数には、意味があると考えられる情報が含まれていないと考えられたからである。上限の０．２１６Ｈｚについては、本実験で用いたｆＭＲＩ装置で取得されるデータの周波数の上限を採用した。４つの周波数帯域に分けた理由は、最近の研究により、これら４つの周波数帯域が脳機能と関連していることが見出されてきたからである。ただし、各周波数帯域と各脳機能との具体的な関係はまだ見出されてはいない。

本発明者は、各個人の信号波形を対象として、周波数帯域ごとに予め定義された１１６脳領域の信号を抽出し、脳領域間の組み合わせを網羅して、機能的結合を評価した。

図５は、機能的結合を評価するための差分特徴量ベクトルを算出する手順の例を示している。上述したように、本開示では脳領域は１１６個存在するとしているが、一般化のためＭ個（Ｍ：２以上の整数）であるとする。

下記の表１は、Ｍ×Ｍ行列の形式で表されたある人間の脳領域間の機能的結合を示している。周波数帯域は、上述の（ａ）～（ｄ）のいずれかである。

表１に示される行列の（ｉ，ｊ）成分及び（ｊ，ｉ）成分は、第ｉ番目の脳領域と第ｊ番目の脳領域の脳領域間の機能的な結合の程度を示すピアソンの相関である。つまり、表１に示される行列は相関行列である。よって、表１に示す行列の上三角成分と下三角成分とは互いに転置の関係にある。なお、ピアソンの相関は周知であるから相関係数の算出式の例示は省略する。

図５に示す男性Ｍａの脳領域間の機能的結合を表す相関行列１２０は、表１に示すような行列の各成分を、その値の大きさに応じて色づけして便宜的に視覚化した画像である。図５に示す女性Ｗａの脳領域間の機能的結合を表す相関行列１２２も同様である。

本開示では、男性Ｍａの相関行列１２０と、女性Ｗａの相関行列１２２とを用いて、当該２名の相性を評価する。具体的には、まず、男性Ｍａの相関行列１２０と女性Ｗａの相関行列１２２との差分の絶対値を算出する。得られた差分行列１２４は、男性Ｍａの相関行列１２０の各成分と女性Ｗａの相関行列１２２の各成分との差の大きさを表している。差分行列１２４の上三角成分及び下三角成分もまた互いに転置の関係にある。

本開示では、差分行列１２４から特徴量ベクトル１２６を生成する。特徴量ベクトル１２６は、差分行列１２４の上三角成分または下三角成分を行方向に並べて得られた行ベクトルである。特徴量ベクトル１２６は、男性Ｍａの脳領域間の機能的な結合と女性Ｗａの脳領域間の機能的な結合との相違の程度を示している。

本発明者は、特徴量ベクトル１２６が、男性Ｍａ及び女性Ｗａの相性の良否に関する情報が含まれていると推測した。そこで本発明者は、機械学習を利用して男女の相性を推測させることとした。

図６は、本開示にかかる機械学習の学習時の処理の流れを示している。機械学習は、コンピュータシステム１０を用いて行われる。本開示では、機械学習は教師あり学習である。まず、４つの周波数帯域の各々について、スピードデートの全男性及び全女性の各相関行列が算出される。また、各周波数帯域について、男性参加者及び女性参加者の全ての組み合わせの各々について、図５に示す方法で特徴量ベクトル１２６が算出される。

そして、男性参加者及び女性参加者の組に応じた特徴量ベクトルと、図２Ａ及び図２Ｂに示す方法で取得されたその組の相性とを教師データ１３０として用いて、コンピュータシステム１０に機械学習を行わせる。このような教師データ１３０を利用することにより、各特徴量ベクトル１２６に含まれる、その男性及びその女性の相性の良否に関する情報を、相性と関連付け、その結果を検証した。

機械学習の手法として、本発明者は、エラスティックネットの正則化項を有するスパースロジスティック回帰を採用した。エラスティックネットは、ラッソ回帰とリッジ回帰とを併用する手法である。ラッソ回帰は、Ｌ１正則化項を付け加えた損失関数を利用して損失を最小化するようモデルを最適化し、不要な特徴量を削減する手法である。リッジ回帰は、Ｌ２正則化項を付け加えた損失関数を利用して損失を最小化するようモデルを最適化し、過学習を回避する手法である。エラスティックネットを用いることにより、ラッソ回帰に起因する特徴量の次元削減と、リッジ回帰に起因する過学習の回避とを両立させることができる。

数１は、エラスティックネットの評価式である。また数２は、数１中のＰ_α（β）を表す式である。

数１及び数２中の各要素は以下の意味で用いられている。
Ｎ：観測数
ｙｉ：観測値ｉに対応する相性ラベル
ｘｉ：観測値ｉに対応する特徴量ベクトル
λ：正則化パラメータ（正の値）
β_０、β：パラメータ（それぞれスカラー、ベクトル）
α：正則化の程度、すなわちＬ１正則化とＬ２正則化の混合比
Ｐ_αの項は、Ｎ個のサンプル、Ｐ個の特徴量の場合のエラスティックネットのペナルティ項である。Ｐ_αの項により、リッジ回帰のペナルティ（α＝０）と、ラッソ回帰のペナルティ（α＝１）の間にペナルティを設定することができる。また、λが増えると、βの非ゼロの要素が減る。

上述の「α」と「λ」はハイパーパラメータである。本発明者は、αとして（0.0001, 0.001, 0.01）の３つ、及び「λ」として（0.15, 0.50, 0.85）の３つを候補として採用し、それらの組み合わせを変えながら、以下の（１）～（４）の手順で「α」及び「λ」を決定した。
（１）まず全ての教師データを「訓練用データ」または「テスト用データ」に分割する。（２）あるα及びλについて訓練用データを用いて予測モデルを構築する。
（３）作成した予測モデルのテスト用データに対する分類器の精度を測定する。
（４）得られた精度をもとに分類器の精度が最も高くなるときのα及びλの値を、最良の組み合わせとして採用する。

分類器の精度は、１０分割交差検証によって決定した（上記手順（１）～（３））。１０分割交差検証では、訓練用データ群は１０個に分割される。そのうち９個のデータ群が訓練に用いられ、残り１つのデータ群が評価に用いられる。そして訓練用のデータ群、及び、評価用のデータ群を変えながら１０回繰り返し、例えば１０回の交差検証で、精度を示す値が１０個得られる。それらの平均値を、その訓練用データを用いた場合の、精度を示す値として採用した（上記手順（４））。

図７Ａは、ランダム精度と比較した際の実精度の高さ、すなわち精度距離の分布を示している。図７Ａの横軸は、チャンスレベルを「０．００」としたときのチャンスレベルからの精度距離を表す。ランダム精度は教師データをランダマイズした上で、上述の処理によって分類器を都度構築することによって得られる。ここで言う「教師データをランダマイズ」するとは、相性ラベルをランダムに設定することを意味する。本来、相性が良い男女ペアから得られた特徴量ベクトルには、相性が良いことを示す相性ラベル「１」が対応付けられて教師データが生成される。また、相性が良いとは言えない男女ペアからそれぞれ得られた特徴量ベクトルには、相性が良いとは言えないことを示す相性ラベル「０」が対応付けられて教師データが生成される。「教師データをランダマイズ」することにより、特徴量ベクトルと相性ラベルとがランダムに対応付けられる。本発明者は、正しい対応付けを行った教師データとは別にランダムな対応付けを行った教師データを生成することにより、実精度とランダム精度との間の有意差を見出そうとした。実験では、１，０００個のランダム精度と実精度を比較し、精度距離がチャンスレベルを上回った確率、すなわち実精度の方がランダム精度よりも高い確率が９５％以上であった場合を、有意な識別結果であると判定した。

検証すると、周波数帯域が高い２組（０．０５９Ｈｚ～０．１１８、及び、０．１１８Ｈｚ～０．２１６Ｈｚ）が有意な識別結果を示した。この結果は、これらの周波数帯域の機能的結合には相性に関する情報が含まれていることを意味する。以下では、０．０５９Ｈｚ～０．１１８、及び、０．１１８Ｈｚ～０．２１６Ｈｚを、「相性に関する情報を含む周波数帯域」と呼ぶ。なお「相性に関する情報を含む周波数帯域」は常に両方の周波数帯域を含む必要はなく、０．０５９Ｈｚ～０．１１８、及び、０．１１８Ｈｚ～０．２１６Ｈｚの一方でもよい。さらに、「相性に関する情報を含む周波数帯域」は、０．０５９Ｈｚ～０．１１８Ｈｚの一部、または、０．１１８Ｈｚ～０．２１６Ｈｚの一部の周波数帯域も包含し得る。

図７Ｂは、相性に関する情報を含む周波数帯域について、相性の予測結果の妥当性を解析した結果を示している。（ａ）及び（ｂ）は０．０５９Ｈｚ～０．１１８の周波数帯域に関する妥当性解析の結果を示し、（ｃ）及び（ｄ）は０．１１８Ｈｚ～０．２１６Ｈｚの周波数帯域に関する妥当性解析の結果を示している。円周上には、脳機能ごとに分類された１１６の脳領域に関する脳内ネットワークが割り当てられている。具体的には、視覚ネットワーク、体性感覚ネットワーク、スイッチングネットワーク、辺縁系、実効制御ネットワーク、デフォルトモードネットワーク、小脳等である。各脳内ネットワークはさらに機能に応じて細分化されている。ただし本明細書ではそれらの詳細な内容について言及はしない。脳内ネットワークの機能的結合の関係を見ることが目的である。

図７Ｂの（ａ）～（ｄ）は、相性がよいと予測された２名の特徴量ベクトル（または差分行列）に基づく、脳内ネットワークの機能的結合の関係を示している。差分行列の成分が小さいほど、その成分に対応する脳内ネットワークの機能的結合の強度、すなわち脳領域間の時系列データの相関値、が似ていることを示す。逆に差分行列の成分が大きいほど、その成分に対応する脳内ネットワークの機能的結合の強度が異なっていることを示す。（ａ）及び（ｃ）は似ているほど相性が良いことを示し、（ｂ）及び（ｄ）は異なるほど相性が良いことを示している。

図７Ｂの（ａ）～（ｄ）の円周に沿って、一部の脳機能に対応するネットワークの位置に、そのネットワークを示すラベルを付した。各ラベルと脳機能との関係を以下に示す。
Vis：視覚
SomMot：体性感覚
Cerebellum：小脳（他のネットワークとの連携）
Limbic：辺縁系（情動・学習等に関与）
Default：デフォルトモード（内的注意・社会性に関与）

図７Ｂによれば、視覚・感覚運動機能に対応するネットワーク（Vis, SomMot）の寄与結合は相対的には疎であり、性格や行動傾向との関連が認められる高次脳機能に対応するネットワーク（Cerebellum, Limbic, Default）の寄与結合は相対的には密である。これらから、以下の事実を読み取ることができる。すなわち、脳内で行われる視覚処理及び体性感覚の処理の仕方は相性の良否にそれほど寄与しない。一方、性格や行動傾向に関連する脳内で行われる処理の仕方は相性の良さに寄与している。

これらの結果を踏まえ、本発明者は、上述の２組の周波数帯域について機能的結合を利用すれば、その２名同士の相性の予測が可能であるとの結論を得た。併せて、以下のようにして機械学習を行って予測モデルを構築することにより、２名の男女の相性を予測することができるとの結論に至った

（ａ）男性参加者及び女性参加者の各脳領域の時系列波形を周波数帯域ごとに得て，各相関行列（機能的結合）を算出する。
（ｂ）相性が良いことが予め判明している２名の人間同士の、各相関行列を用いて算出された、脳領域間の機能的な結合の相違を示す特徴量ベクトルと、相性が良いことを示す第１相性ラベル（例：「１」）とを組み合わせる。
（ｃ）相性が良いとは言えないことが予め判明している２名の人間同士の、各相関行列を用いて算出された、脳領域間の機能的な結合の相違を示す特徴量ベクトルと、相性が良いとは言えないことを示す第２相性ラベル（例：「０」）とを組み合わせる。
（ｄ）上記（ｂ）及び（ｃ）で得られた組み合わせをそれぞれ教師データとして用いて機械学習を行って予測モデルを構築する。

図８は、本発明者によって構築された予測モデルを利用した相性予測方法の模式図である。上記方法によって学習が行われた予測モデルが情報処理装置１０に構築されている。

まず、相性を予測したい男性及び女性の各脳領域の時系列波形からそれぞれの相関行列を算出し、それら相関行列の絶対値の差分から特徴量ベクトル１３２を算出する。算出した特徴量ベクトルを情報処理装置１０に入力する。情報処理装置１０が、特徴量ベクトル１３２を予測モデルに入力すると、予測モデルからの出力として、相性が良い／良いとは言えない、のいずれかを示す値が出力される。例えば予測モデルからの出力は、相性が良いことを示す相性ラベル「１」、または相性が良いとは言えないことを示す相性ラベル「０」が出力される。

なお、教師データとして相性ラベル「１」または「０」を採用したため、２値の相性ラベル「１」または「０」が出力されている。しかしながら、教師データとして相性ラベルを、例えば４値にした場合には、予測モデルから４値のいずれかを出力させることも可能である。ここでいう「４値」とは、例えば「相性が非常に良い」、「相性が良い」、「相性が悪い」、「相性が非常に悪い」に対応する４つの数値（相性ラベル）である。さらに「相性が良くも悪くもない」を加えた５つの相性ラベルを使用してもよい。ラベル数は任意に設定され得る。

教師データに利用した相性ラベルの種類に応じて機械学習を行わせることにより、予測モデルから出力される相性の種類を３以上にすることができる。相性の種類は、相性の良さの程度に応じて相対的に決まる。教師データとして使用される相性の種類を３以上にした場合には、予測モデルからは、相性が相対的に最もよいことを示すラベル、相性が相対的に最も悪いことを示すラベル、及び、相対的にその間に入る１または複数のラベルが出力され得る。本開示では、学習時及び予測時の相性のラベル数が２であっても３以上であっても、少なくとも、相性が相対的に最もよいことに対応するラベル（または相性が良いことを示す第１相性ラベル）、及び、相性が相対的に最も悪いことに対応するラベル（または相性が良いとは言えないことを示す第２相性ラベル）が教師データに含められ、予測結果として出力される。

さらに本発明者は、上述のとおりスピードデートによって上記知見を得たが、上記知見は、男女間の相性を表すだけにはとどまらないと考えられる。脳領域の時系列波形を用いた予測である限り、予測モデルは、男女同士だけではない人間同士の相性を予測することが可能であると考えられるからである。例えば、同性同士の相性、例えば会社という組織内の上司と部下、学校という組織内の教師と生徒、医療者と患者、店員と客、のような、社会的または組織内の立場が相対的に高い人間及び低い人間同士の相性も適切に判定できると強く推測される。

以下、上述の知見に基づいて予測モデルを構築するためのハードウェア構成、構築した予測モデルを用いた相性の予測処理を説明する。
図９は、機械学習を行う際に利用される情報処理装置１０のハードウェア構成図である。情報処理装置１０は、例えばＰＣ、サーバコンピュータであり得る。情報処理装置１０は、ＣＰＵ２１と、通信インタフェース（Ｉ／Ｆ）２２と、記憶装置２３とを備える。

ＣＰＵ２１は、本実施形態における情報処理装置の演算回路の一例である。ＣＰＵ２１は、記憶装置２３に格納された制御プログラム２６の実行により、予測モデル２７の学習及び実行を含む所定の機能を実現する。情報処理装置１０は、ＣＰＵ２１が制御プログラム２６を実行することで、本実施形態の情報処理装置としての機能を実現する。制御プログラム２６は、本実施形態におけるコンピュータプログラムの一例である。なお、本実施形態でＣＰＵ２１として構成される演算回路は、ＭＰＵまたはＧＰＵ等の種々のプロセッサで実現されてもよく、１つまたは複数のプロセッサで構成されてもよい。

通信インタフェース２２は、例えばイーサネット（登録商標）の通信端子、ＵＳＢ（登録商標）端子である。または通信インタフェース２２は、ＩＥＥＥ８０２．１１、４Ｇ、または５Ｇ等の規格に準拠して通信を行う通信回路である。通信インタフェース２２は、イントラネット、インターネット等の通信ネットワークに接続可能である。また、情報処理装置１０は、通信インタフェース２２を介して他の機器と直接通信を行ってもよく、アクセスポイント経由で通信を行ってもよい。

記憶装置２３は、情報処理装置１０を動作させるために必要なコンピュータプログラム及びデータを記憶する記憶媒体である。記憶装置２３は、例えばハードディスクドライブ（ＨＤＤ）または半導体記憶装置であるソリッド・ステート・ドライブ（ＳＳＤ）であり得る。記憶装置２３は、例えばＤＲＡＭまたはＳＲＡＭ等のＲＡＭにより構成される一時的な記憶素子を備えてもよく、ＣＰＵ２１の作業領域として機能してもよい。記憶装置２３は、ＣＰＵ２１で実行される制御プログラム２６を記憶し、予測モデル２７の構築後は予測モデル２７を格納する。

図１０は、情報処理装置１０のＣＰＵ２１によって実行される学習処理の手順を示すフローチャートである。併せて図６も参照する。

ステップＳ１１において、ＣＰＵ２１は、通信インタフェース２２を介して、教師データ１３０（図６）を取得する。図６に示すように、教師データ１３０は、特徴量ベクトルと相性ラベルとの組である。

ステップＳ１２において、ＣＰＵ２１は予測モデルの機械学習を実行する。本実施形態においては、エラスティックネットの正則化項を有するスパースロジスティック回帰を用いた機械学習を実行する。

ステップＳ１３において、ＣＰＵ２１はハイパーパラメータを調整する。ステップＳ１４において、ＣＰＵ２１は予測モデル２７を生成する。数１及び数２に関連して説明したように、「α」及び「λ」をハイパーパラメータとして、分類器の精度が最も高くなるときのα及びλの値を採用することにより、予測モデル２７が構築される。

上述のように構築された予測モデル２７は、そのまま情報処理装置１０を利用して、任意の２名の人間の相性の予測に利用することができる。あるいは、予測モデル２７を構成するデータを任意の情報処理装置に複製することにより、予測モデル２７を生成した情報処理装置１０以外の情報処理装置においても相性の予測を行うことができる。

図１１は、複製された予測モデル２７を有する情報処理装置３０のハードウェア構成図である。情報処理装置３０もまた、例えばＰＣ、サーバコンピュータであり得る。情報処理装置３０は、ＣＰＵ４１と、入力インタフェース（Ｉ／Ｆ）４２と、記憶装置４３と、出力インタフェース（Ｉ／Ｆ）４４とを備える。

ＣＰＵ４１、入力インタフェース４２及び記憶装置４３は、それぞれ図９に示すＣＰＵ２１、通信インタフェース２２及び記憶装置２３と同様の構成及び機能を有する。よってＣＰＵ４１、入力インタフェース４２及び記憶装置４３の説明として、ＣＰＵ２１、通信インタフェース２２及び記憶装置２３の上記説明を援用する。

なお、記憶装置２３には予測モデル２７が格納されている。予測モデル２７は情報処理装置１０によって構築されて複製され、記憶装置２３に記憶されている。予測モデル２７は、例えばＣＰＵ４１が実行するコンピュータプログラムの一部として組み込まれてもよいし、コンピュータプログラムとは別のデータとして設けられてもよい。

出力インタフェース４４は、例えば情報処理装置３０の外部に設けられたディスプレイ５０と接続される映像出力端子である。または、出力インタフェース４４は、通信ネットワーク５２等と接続されてデータ通信を行うことが可能な通信端子または通信回路である。出力インタフェース４４が通信端子または通信回路である場合には、その具体的な内容は通信インタフェース２２（図９）と同じである。よって通信インタフェース２２の上記説明を援用する。

図１２は、情報処理装置３０のＣＰＵ４１によって実行される相性の予測処理の手順を示すフローチャートである。相性を予測したい２名の人間は予め定まっているとし、各人の各脳領域の時系列波形（時系列データ）も予め用意されているとする。

ステップＳ２１において、ＣＰＵ４１は入力インタフェース４２を介して２名の時系列データを取得する。ステップＳ２２において、ＣＰＵ４１は各時系列データを利用して、各人ごとに２つの脳領域の組み合わせごとの相関係数を算出する。ステップＳ２３において、ＣＰＵ４１は２名の各時系列データから算出された相関行列（第１相関行列及び第２相関行列）を利用して特徴量ベクトルを算出する。特徴量ベクトルは、第１相関行列及び第２相関行列の差分の絶対値として求められた差分行列の上三角成分または下三角成分を行方向に並べて得られた行ベクトルである。

ステップＳ２４において、ＣＰＵ４１は得られた特徴量ベクトルを予測モデル２７に入力し、予測モデル２７の処理を実行する。

ステップＳ２５において、ＣＰＵ４１は予測モデル２７から予測結果である２名の人間同士の相性を出力する。ＣＰＵ４１は、ディスプレイ５０上に文字または画像で予測結果を出力してもよいし、通信ネットワーク５２上に予測結果を出力してもよい。後者の場合、例えば当該２名の人間のそれぞれが、自身のスマートフォン等の情報処理装置を用いて予測結果を確認できる。

上述の実施形態では、予測モデル２７は、エラスティックネットの正則化項を有するスパースロジスティック回帰を用いた機械学習により構築される例を説明した。本実施形態において、予測モデル２７は、他の機械学習手法により生成されてもよい。例えば、サポートベクタマシン、ランダムフォレスト、勾配ブースティング、または人工ニューラルネットワーク等が用いられてもよい。

本明細書では、時系列データは、連続撮影されたｆＭＲＩ画像である例を説明した。しかしながら、ｆＭＲＩ画像の利用は一例である。複数の脳領域の活動を取得できる方法であれば、他の方法によって取得された時系列データも利用可能である。例えば、脳波計で取得された、脳の電気的な活動によって生じる電位の変化を示す時系列脳波データ（ＥＥＧ）を採用することができる。または、脳磁計で取得された、脳の電気的な活動によって生じる磁場の変化を示す時系列脳磁場データ（ＭＥＧ）を採用してもよい。さらには、ＮＩＲＳ計測装置で近赤外線分光法を用いて計測された、脳の血流動態の変化である時系列脳データを採用してもよい。現時点では医療機関でｆＭＲＩ画像を取得する必要があるが、ヘルメット型の脳波計などが普及すれば個人がＥＥＧを取得することは可能になり、予測モデル２７を利用するための時系列データを取得しやすくなると考えられる。なお、ｆＭＲＩ画像、ＥＥＧ、ＭＥＧ及びＮＩＲＳによる各データは排他的ではなく、複数を組み合わせてもよい。

上述のフローチャート（図１０及び図１２）は、ＣＰＵによって実行されるコンピュータプログラムとして実現され得る。図１２については、予測モデル２７のデータを組み込んだコンピュータプログラムとして実現されてもよい。

本開示は上述した実施形態に限定されるものではなく、種々の変更が可能である。すなわち、当業者が適宜変更した技術的手段を組み合わせて得られる実施形態についても本開示の範疇である。

本開示は、２名の人間同士の相性を予測する情報処理装置、コンピュータプログラム及び学習済み予測モデルに適用可能である。

１０、３０ 情報処理装置
２１ ＣＰＵ
２２ 通信インタフェース（Ｉ／Ｆ）
２３ 記憶装置
２７ 予測モデル
４１ ＣＰＵ
４２ 入力インタフェース（Ｉ／Ｆ）
４３ 記憶装置
４４ 出力インタフェース（Ｉ／Ｆ）
１００ 脳のｆＭＲＩ画像
１０２ 時系列波形／時系列データ
１１０ 脳
１２０、１２２ 相関行列
１２４ 差分行列
１２６ 特徴量ベクトル
１３０ 教師データ

Claims (19)

1. 人間同士の相性を予測するための情報処理装置であって、
   演算回路と、
   予測モデルを記憶する記憶装置と、
   人間の脳の活動の変化を示す時系列データを取得する入力インタフェースと、
   人間同士の相性の予測結果を出力する出力インタフェースと
   を備え、
   前記人間の脳は複数の脳領域を含み、前記複数の脳領域の各々は前記脳が有する複数の機能の各々と関連付けられており、
   前記時系列データは、前記複数の脳領域の各々から取得された、各脳領域の活動の時間的な変化を示すデータを含み、
   前記入力インタフェースは、第１の人間及び第２の人間の各時系列データである第１時系列データ及び第２時系列データを取得し、
   前記演算回路は、
   前記第１時系列データ及び前記第２時系列データの各々を利用して、前記複数の脳領域のうちから選択された２つの脳領域の組み合わせ毎に、脳領域間の機能的な結合の程度を示す相関係数を算出することにより、前記第１の人間の脳領域間の相関係数の集合である第１相関行列及び前記第２の人間の脳領域間の相関係数の集合である第２相関行列を生成し、
   前記第１相関行列及び前記第２相関行列を利用して、前記第１の人間と前記第２の人間との間の、脳領域間の機能的な結合の相違を示す特徴量ベクトルを算出し、
   前記特徴量ベクトルを前記予測モデルに入力して、前記第１の人間と前記第２の人間との相性を予測し、
   前記予測モデルは、少なくとも、
   相性が良いことが予め判明している２名の人間同士の、脳領域間の機能的な結合の相違を示す特徴量ベクトルと、相性が良いことを示す第１相性ラベルとの組み合わせである第１の種類の教師データ、及び、
   相性が良いとは言えないことが予め判明している２名の人間同士の、脳領域間の機能的な結合の相違を示す特徴量ベクトルと、相性が良いとは言えないことを示す第２相性ラベルとの組み合わせである第２の種類の教師データ
   を、それぞれ用いて機械学習が行われることによって構築されている
   情報処理装置。
2. 前記時系列データは、
   ｆＭＲＩ装置で撮影された複数のｆＭＲＩ画像から得られた所定の周波数帯域の時系列波形データ、
   脳波計で取得された、脳の電気的な活動によって生じる電位の変化を示す時系列脳波データ、
   脳磁計で取得された、脳の電気的な活動によって生じる磁場の変化を示す時系列脳磁場データ、および／または、
   ＮＩＲＳ計測装置で近赤外線分光法を用いて計測された、脳の血流動態の変化である時系列脳データ
   である、請求項１に記載の情報処理装置。
3. 前記時系列データが、前記所定の周波数帯域の時系列波形データである場合において、前記周波数帯域は、０．１１８Ｈｚ～０．２１６Ｈｚの一部または全部、および／または、０．０５９Ｈｚ～０．１１８Ｈｚの一部または全部を含む、請求項２に記載の情報処理装置。
4. 前記複数の脳領域はＭ個存在し、
   前記第１相関行列及び前記第２相関行列は、Ｍ×Ｍ行列であり、
   前記行列の（ｉ，ｊ）成分及び（ｊ，ｉ）成分は、第ｉ番目の脳領域と第ｊ番目の脳領域の脳領域間の機能的な結合の程度を示す相関係数である
   請求項１から３のいずれかに記載の情報処理装置。
5. 前記特徴量ベクトルは、前記第１相関行列と、前記第２相関行列との差分の絶対値として算出される、請求項４に記載の情報処理装置。
6. 前記予測モデルは、エラスティックネットの正則化項を有するスパースロジスティック回帰を用いて構築されている、請求項１から５のいずれかに記載の情報処理装置。
7. 前記第１の人間及び前記第２の人間は、男性及び女性であり、
   前記予測モデルの構築に用いられた、前記相性が良いことが予め判明している２名の人間は男性及び女性であり、前記相性が良いとは言えないことが予め判明している２名の人間は男性及び女性である、請求項１から６のいずれかに記載の情報処理装置。
8. 前記第１の人間及び前記第２の人間は、互いに同性であり、
   前記予測モデルの構築に用いられた、前記相性が良いことが予め判明している２名の人間は互いに同性であり、前記相性が良いとは言えないことが予め判明している２名の人間は互いに同性である、請求項１から６のいずれかに記載の情報処理装置。
9. 前記第１の人間及び前記第２の人間は、社会的または組織内の立場が相対的に高い人間及び低い人間であり、
   前記予測モデルの構築に用いられた、前記相性が良いことが予め判明している２名の人間は、社会的または組織内の立場が相対的に高い人間及び低い人間であり、前記相性が良いとは言えないことが予め判明している２名の人間は、社会的または組織内の立場が相対的に高い人間及び低い人間である、請求項１から６のいずれかに記載の情報処理装置。
10. 前記記憶装置は、前記時系列データを保持し、
    前記入力インタフェースは、前記演算回路と接続された入力端子であり、前記記憶装置から読み出された前記時系列データを取得して前記演算回路に入力する、請求項１から９のいずれかに記載の情報処理装置。
11. 前記時系列データは、外部の装置によって収集または保持され、
    前記入力インタフェースは、前記外部の装置から通信回線を介して送信された前記時系列データを受信する通信端子である、請求項１から９のいずれに記載の情報処理装置。
12. 前記出力インタフェースは、前記演算回路と接続された出力端子であり、前記演算回路から出力された前記予測結果を出力する、請求項１から１１のいずれかに記載の情報処理装置。
13. 前記出力インタフェースは、映像出力端子である、請求項１２に記載の情報処理装置。
14. 前記出力インタフェースは、前記予測結果を通信回線に出力する通信端子である、請求項１から１１のいずれかに記載の情報処理装置。
15. 前記予測モデルは、前記第１の種類の教師データ及び前記第２の種類の教師データに加え、さらに１または複数の他の種類の教師データを用いて前記機械学習が行われることによって構築されており、
    前記１または複数の他の種類の教師データは、
    相性が良いこと、及び、相性が良いとは言えないこと、との関係で相対的に決定される相性の程度が予め判明している２名の人間同士の、脳領域間の機能的な結合の相違を示す特徴量ベクトルと、前記相性の程度を示す１または複数の相性ラベルとの組み合わせである、請求項１から１４のいずれかに記載の情報処理装置。
16. 情報処理装置の演算回路によって実行されて、前記情報処理装置に人間同士の相性を予測させるコンピュータプログラムであって、
    前記情報処理装置は、
    前記演算回路と、
    予測モデルを記憶する記憶装置と、
    人間の脳の活動の変化を示す時系列データを取得する入力インタフェースと、
    人間同士の相性の予測結果を出力する出力インタフェースと
    を備え、
    前記人間の脳は複数の脳領域を含み、前記複数の脳領域の各々は前記脳が有する複数の機能の各々と関連付けられており、
    前記時系列データは、前記複数の脳領域の各々から取得された、各脳領域の活動の時間的な変化を示すデータを含み、
    前記コンピュータプログラムは、前記演算回路に、
    前記入力インタフェースを介して、第１の人間及び第２の人間の各時系列データである第１時系列データ及び第２時系列データを取得させ、
    前記第１時系列データ及び前記第２時系列データの各々を利用して、前記複数の脳領域のうちから選択された２つの脳領域の組み合わせ毎に、脳領域間の機能的な結合の程度を示す相関係数を算出させることにより、前記第１の人間の脳領域間の相関係数の集合である第１相関行列及び前記第２の人間の脳領域間の相関係数の集合である第２相関行列を生成させ、
    第１相関行列及び前記第２相関行列を利用して、前記第１の人間と前記第２の人間との間の、脳領域間の機能的な結合の相違を示す特徴量ベクトルを算出させ、
    前記特徴量ベクトルを前記予測モデルに入力して、前記第１の人間と前記第２の人間との相性を予測させ、
    前記予測モデルは、少なくとも、
    相性が良いことが予め判明している２名の人間同士の、脳領域間の機能的な結合の相違を示す特徴量ベクトルと、相性が良いことを示す第１相性ラベルとの組み合わせである第１の種類の教師データ、及び、
    相性が良いとは言えないことが予め判明している２名の人間同士の、脳領域間の機能的な結合の相違を示す特徴量ベクトルと、相性が良いとは言えないことを示す第２相性ラベルとの組み合わせである第２の種類の教師データ
    を、それぞれ用いて機械学習が行われることによって構築されている、コンピュータプログラム。
17. 前記予測モデルをさらに包含する、請求項１６に記載のコンピュータプログラム。
18. 第１の人間と第２の人間との間の相性を予測するための学習済み予測モデルであって、
    前記学習済み予測モデルのパラメータは、少なくとも、
    相性が良いことが予め判明している２名の人間同士の、脳領域間の機能的な結合の相違を示す特徴量ベクトルと、相性が良いことを示す第１相性ラベルとの組み合わせである第１の種類の教師データ、及び、
    相性が良いとは言えないことが予め判明している２名の人間同士の、脳領域間の機能的な結合の相違を示す特徴量ベクトルと、相性が良いとは言えないことを示す第２相性ラベルとの組み合わせである第２の種類の教師データ
    を、それぞれ用いて機械学習が行われることによって調整されており、
    コンピュータを、
    前記第１の人間と前記第２の人間との間の脳領域間の機能的な結合の相違を示す特徴量ベクトルを入力として受け付け、入力された前記特徴量ベクトルに対して前記パラメータに基づく演算を行い、前記第１の人間と前記第２の人間との相性を予測結果として出力するよう、機能させる、学習済み予測モデル。
19. 人間の脳は複数の脳領域を含み、前記複数の脳領域の各々は前記脳が有する複数の機能の各々と関連付けられており、
    前記２名の人間同士の特徴量ベクトルは、
    前記２名の人間の各々から第１時系列データ及び第２時系列データを取得する工程であって、前記第１時系列データは、前記２名の人間の一方の各脳領域から取得された、前記各脳領域の活動の時間的な変化を示す時系列データであり、前記第２時系列データは、前記２名の人間の他方の各脳領域から取得された、前記各脳領域の活動の時間的な変化を示す時系列データである、工程と、
    前記第１時系列データ、及び前記第２時系列データの各々を利用して、前記複数の脳領域のうちから選択された２つの脳領域の組み合わせ毎に、脳領域間の機能的な結合の程度を示す相関係数を算出することにより、前記２名の人間の一方の脳領域間の相関係数の集合である第１相関行列及び前記２名の人間の他方の脳領域間の相関係数の集合である第２相関行列を生成する工程と、
    前記第１相関行列及び前記第２相関行列の差分の絶対値を算出する工程と
    によって算出される、請求項１８に記載の学習済み予測モデル。

Images