JP7779038B2 - 学習装置及び推定装置 - Google Patents

Description

本発明は、学習装置及び推定装置に関する。

被験者の脳の活動状態を測定する手法として、機能的近赤外分光法が知られている（例えば、特許文献１参照）。機能的近赤外分光法は、例えば機能的磁気共鳴画像法等の他の測定法と比較して、大掛かりな設備が必要ないため測定の自由度が高く、低コストで実現可能である。

特開２００９－１３６４３４号公報

一方、機能的近赤外分光法は、空間分解能が低く、頭皮血流等のノイズの影響を受けやすいという課題があり、測定結果の精度を高めることが求められている。

本発明は、上記に鑑みてなされたものであり、被験者の脳の活動状態を精度良く測定するための学習装置及び推定装置を提供することを目的とする。

本発明に係る学習装置は、被験者の脳の活動状態を機能的近赤外分光法により測定した測定結果に基づく機能画像を取得する取得部と、取得した前記機能画像と、前記機能的近赤外分光法による測定時における前記被験者の脳の活動状態を示す情報であって前記機能的近赤外分光法による測定結果とは異なる情報に基づく脳活動情報とを対応付けた対応データを生成する対応データ生成部とを備える。

本発明に係る推定装置は、被験者の脳の活動状態を機能的近赤外分光法により測定した測定結果に基づく機能画像を取得する取得部と、前記機能画像と前記被験者の脳の活動状態を示す脳活動情報との相関関係について予め機械学習により生成された学習モデルと、前記取得部で取得された前記機能画像とに基づいて、前記被験者の脳の活動状態を推定する推定部とを備える。

本発明によれば、被験者の脳の活動状態を精度良く測定するための学習装置及び推定装置を提供できる。

図１は、本実施形態に係る脳機能学習推定システムの一例を示す機能ブロック図である。 図２は、ニューラルネットワークの一例を示す図である。 図３は、学習方法の一例を模式的に示す図である。 図４は、推定方法の一例を模式的に示す図である。 図５は、学習装置の動作の一例を示すフローチャートである。 図６は、推定装置の動作の一例を示すフローチャートである。

以下、本発明に係る学習装置及び推定装置の実施形態を図面に基づいて説明する。なお、この実施形態によりこの発明が限定されるものではない。また、下記実施形態における構成要素には、当業者が置換可能かつ容易なもの、あるいは実質的に同一のものが含まれる。

［第１実施形態］
図１は、本実施形態に係る脳機能学習推定システム１００の一例を示す機能ブロック図である。図１に示す脳機能学習推定システム１００は、検出装置１０と、設定装置２０と、学習装置３０と、推定装置４０とを備える。

検出装置１０は、被験者の脳の活動状態を示す脳活動情報を検出する。検出装置１０としては、例えばｆＮＩＲＳ（ｆｕｎｃｔｉｏｎａｌ Ｎｅａｒ－Ｉｎｆｒａｒｅｄ Ｓｐｅｃｔｒｏｓｃｏｐｙ：機能的近赤外分光法）の原理に基づいて脳血流の測定を行う測定装置１１と、ｆＮＩＲＳの原理に基づく測定装置に限定されず、例えば脳活動情報として脳活動量を測定するｆＭＲＩ（ｆｕｎｃｔｉｏｎａｌ Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ：機能的磁気共鳴画像法）の原理に基づいて測定を行う測定装置１２とを有する。

測定装置１１は、ｆＮＩＲＳの原理に基づく測定結果から、被験者の脳の活動状態を示す機能画像を生成する。機能画像としては、例えば被験者の脳の所定部位における酸化ヘモグロビン濃度、脱酸化ヘモグロビン濃度及び総ヘモグロビン濃度の少なくとも１つの分布を示す画像が挙げられる。なお、機能画像は、酸化ヘモグロビン濃度、脱酸化ヘモグロビン濃度、総ヘモグロビン濃度の分布を示す画像をそれぞれ生成してもよい。また、脳の活動状態と最も相関が高いと考えられる脱酸化ヘモグロビン濃度の機能画像のみを生成してもよい。また、酸化ヘモグロビン濃度、脱酸化ヘモグロビン濃度、総ヘモグロビン濃度についての機能画像をそれぞれ１つのチャネルとして１つの機能画像に統合してもよい。例えば、ＲＧＢ画像であれば、ＲＧＢそれぞれがチャネルに相当する。これにより、酸化ヘモグロビン濃度、脱酸化ヘモグロビン濃度、総ヘモグロビン濃度のそれぞれの機能画像の空間的な相対関係を機械学習で学習させることができる。

機能画像は、被験者の脳の断面を示す画像である。機能画像は、例えば被験者の脳を横断面、矢状面、冠状面の少なくとも１つの平面で切断した断面で示すことができる。断面の種類については、例えば設定装置２０を用いて設定することができ、設定装置２０で設定された設定情報は、推定装置４０を経由して検出装置１０に送られる。

機能画像の対象となる脳の所定部位としては、例えばウェルニッケ野及びブローカ野等の言語中枢とすることができる。ウェルニッケ野及びブローカ野を所定部位とする場合、機能画像は、例えば両野を観測するのに適した横断面及び矢状面の少なくとも一方とすることが好ましい。なお、所定部位としては、上記に限定されず、ｆＮＩＲＳで測定可能な部位であれば、他の部位であってもよい。ｆＮＩＲＳでは、被験者の脳のうち例えば大脳（新皮質）等の表面側の部位を好適に測定可能である。したがって、所定部位としては、例えば被験者の大脳の少なくとも一部とすることができる。

ここで、ｆＮＩＲＳの原理に基づいて脳血流の測定を行う測定装置１１は、例えば、複数の光ファイバチャネルを有する。光ファイバチャネルは、光源からの近赤外光を被験者の頭部に出射する出射用の光ファイバと、被験者の頭部の内部で反射又は散乱された近赤外光を受光する受光用の光ファイバとを有する。出射用の光ファイバ及び受光用の光ファイバは、被験者のウェルニッケ野及びブローカ野の脳活動情報が計測可能な位置に配置される。

測定装置１１は、上記の断面の種類（横断面、矢状面、冠状面）と、所定部位（ウェルニッケ野、ブローカ野、等）とに基づいて、例えば拡散光トモグラフィ等の手法により、機能画像を生成することができる。

測定装置１２は、ｆＭＲＩの原理に基づく測定結果から、被験者の脳の活動状態を示す参照画像を生成する。参照画像は、例えば被験者の脳の画像に対して、所定部位における酸化ヘモグロビン濃度、脱酸化ヘモグロビン濃度、総ヘモグロビン濃度の変化を示す画像であり、それらを重ね合わせた画像等が挙げられる。また、参照画像は、少なくとも測定装置１１の生成する機能画像と相関のある画像にすることが望ましい。例えば、測定装置１１の生成する機能画像が脱酸化ヘモグロビン濃度の機能画像であれば、測定装置１２の生成する参照画像は脱酸化ヘモグロビン濃度の変化を示す画像を生成するようにする。ｆＭＲＩは、ｆＮＩＲＳに比べて、空間分解能が高く、ノイズの影響を受けにくいという利点がある。このため、ｆＭＲＩにより得られる参照画像は、ｆＮＩＲＳにより得られる機能画像に比べて、被験者の脳の活動状態を高精度に判別可能である。

設定装置２０は、脳機能学習推定システム１００の設定情報を入力する。設定装置２０は、キーボード、マウス等の入力装置が用いられてもよいし、タッチパネルを有するスマートフォン、タブレット等が用いられてもよい。

学習装置３０は、検出装置１０の検出結果を学習する。学習装置３０は、例えばＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等の処理装置と、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）又はＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等の記憶装置を有する。学習装置３０は、取得部３１と、対応データ生成部３２と、学習モデル生成部３３と、記憶部３４とを備える。

取得部３１は、被験者の脳の活動状態をｆＮＩＲＳにより測定した測定結果に基づく機能画像を取得する。本実施形態において、取得部３１は、測定装置１１の測定結果に基づく機能画像を取得する。また、本実施形態において、取得部３１は、例えば被験者の脳のウェルニッケ野及びブローカ野を示す機能画像を取得する。

対応データ生成部３２は、取得部３１で取得した機能画像と、当該機能画像に対応する脳活動情報とを対応付けた対応データを生成する。脳活動情報は、ｆＮＩＲＳによる測定時における被験者の脳の活動状態を示す情報であって、ｆＮＩＲＳによる測定結果とは異なる情報に基づく情報である。このような脳活動情報としては、例えば被験者の脳のウェルニッケ野及びブローカ野における活動状態を示す情報とすることができる。本実施形態において、脳活動情報は、被験者の脳をｆＭＲＩにより測定した測定結果に基づく情報である。つまり、脳活動情報は、例えば測定装置１２で生成される参照画像から判別できる活動状態である。この活動状態は、例えば参照画像に基づいて人手により判定することができる。なお、画像処理装置等を用いて自動的に活動状態を判定してもよい。

ウェルニッケ野及びブローカ野の各野の活動状態は、それぞれ段階的に設定することができる。例えば、ウェルニッケ野及びブローカ野の各野の活動状態は、それぞれ「高活動」「低活動」の２段階に設定することができる。なお、各野の活動状態はそれぞれ段階的に設定できるとしたが、各野の特性に合わせて段階的に設定することができる。例えば、ウェルニッケ野の活動状態は、所定閾値Ｗ１に基づいて、所定閾値Ｗ１以上であれば高活動とし、所定閾値Ｗ１より小さければ低活動として分類する。また、ブローカ野の活動状態は、所定閾値Ｂ１に基づいて、所定閾値Ｂ１以上であれば高活動、所定閾値Ｂ１より小さければ低活動として分類する。ここで、ウェルニッケ野の所定閾値の設定について一例を説明する。被験者に対して聴覚刺激や視覚刺激等の五感に反応するような刺激を与えたり与えなかったりして所定時間の脳活動情報を測定して、所定時間内の多数の参照画像を生成し、所定時間内の多数の参照画像のウェルニッケ野に該当する領域の画素値（酸化ヘモグロビン濃度、脱酸化ヘモグロビン濃度及び総ヘモグロビン濃度の少なくとも一つを変換した画素値）の最低値と最高値を取得する。そして、所定閾値を前記最高値の50%としても良いし、所定閾値を前記最低値の150%としても良いし、所定閾値を前記最高値と前記最低値の中間値としても良い。このように、参照画像の画素値に基づいて所定閾値を設定する。ブローカ野についても同様に閾値を設定することができる。なお、各野の活動状態は、３段階以上に設定してもよい。

つまり、ウェルニッケ野及びブローカ野の活動状態は、
（１）ウェルニッケ野が低活動、ブローカ野が低活動の状態（両野低活動）
（２）ウェルニッケ野が低活動、ブローカ野が高活動の状態（ブローカ野優位）
（３）ウェルニッケ野が高活動、ブローカ野が低活動の状態（ウェルニッケ野優位）
（４）ウェルニッケ野が高活動、ブローカ野が高活動の状態（両野高活動）
の４つに分類することができる。したがって、脳活動情報としては、両野低活動状態、ブローカ野優位状態、ウェルニッケ野優位状態、両野高活動状態、の４種類の状態として設定することができる。ここでは、ウェルニッケ野及びブローカ野の各野の活動状態は同じ段階に設定したが、例えば、ウェルニッケ野は２段階、ブローカ野は４段階のように異なる段階に設定しても良い。

本実施形態において、対応データ生成部３２は、測定装置１１と測定装置１２とで同一の被験者の脳を同時に測定した測定結果に基づく機能画像と脳活動情報とを対応付けた対応データを生成する。つまり、対応データは、ｆＮＩＲＳの測定結果に基づく機能画像に対して、ｆＭＲＩの測定結果に基づいて判定される脳活動情報が対応付けられた状態となる。上記したように、ｆＭＲＩにより得られる参照画像は、ｆＮＩＲＳにより得られる機能画像に比べて、被験者の脳の活動状態を高精度に判別可能となる。このため、ｆＮＩＲＳにより得られる機能画像自体に基づいて被験者の脳の活動状態を判別した場合の情報に比べて、高精度の情報が機能画像に対応付けられる可能性が高くなる。対応データ生成部３２は、生成した対応データを記憶部３４に記憶させる。

本実施形態において、学習モデル生成部３３は、例えばＶＧＧ１６で表されるニューラルネットワーク（畳み込みニューラルネットワーク）を用いて学習モデルを生成する。図２は、ニューラルネットワークの一例を示す図である。図２に示すように、ニューラルネットワークＮＷは、１３層の畳み込み層Ｓ１と、５層のプーリング層Ｓ２と、３層の全結合層Ｓ３とを有する。ニューラルネットワークは、入力される情報を畳み込み層Ｓ１及びプーリング層Ｓ２で順に処理し、処理結果が全結合層Ｓ３で結合されて出力される。

学習モデル生成部３３は、対応データ生成部３２で生成された対応データをニューラルネットワークＮＷに入力し、対応データで対応付けられる機能画像と脳活動情報との相関関係を深層学習等の機械学習により学習する。つまり、学習モデル生成部３３は、学習によりニューラルネットワークＮＷを最適化して学習モデルを生成する。例えば、教師あり学習では脳活動情報を正解データとして扱い、ここでは脳活動情報は４種類の状態であるため、４つの状態に分類する問題を解くように学習する。なお、本実施形態では、ＶＧＧ１６で表される畳み込みニューラルネットワークを用いて学習モデルを生成する例を説明しているが、これに限定されず、他の種類のニューラルネットワークを用いて学習モデルを生成してもよい。

記憶部３４は、各種情報を記憶する。記憶部３４は、例えばハードディスクドライブ、ソリッドステートドライブ等のストレージを有している。なお、記憶部３４として、リムーバブルディスク等の外部記憶媒体が用いられてもよい。記憶部３４は、データ生成部３２で生成される対応データ、学習モデル生成部３３で生成される学習モデルを記憶する。

記憶部３４は、被験者の脳の活動状態をｆＮＩＲＳにより測定した測定結果に基づく機能画像を取得する処理と、取得した機能画像とｆＮＩＲＳによる測定時における被験者の脳の活動状態を示す情報であってｆＮＩＲＳとは異なる情報に基づく脳活動情報とを対応付けた対応データを生成する処理とをコンピュータに実行させる学習プログラムを記憶する。記憶部３４は、生成された対応データに基づいて、機能画像と脳活動情報との相関関係を機械学習して学習モデルを生成する処理を更にコンピュータに実行させる学習プログラムを記憶する。

推定装置４０は、被験者の脳の活動状態を推定する。推定装置４０は、例えばＣＰＵ等の処理装置と、ＲＡＭ又はＲＯＭ等の記憶装置を有する。推定装置４０は、取得部４１と、推定部４２と、記憶部４３とを備える。

取得部４１は、被験者の脳の活動状態をｆＮＩＲＳにより測定した測定結果に基づく機能画像を取得する。取得部４１は、測定装置１１において生成された機能画像を取得する。

推定部４２は、取得部４１で取得した機能画像と、学習装置３０で生成された学習モデルとに基づいて、被験者の脳の活動状態を推定する。推定部４２は、取得部４１で取得した機能画像を学習モデルに入力する。この場合、学習モデルからは、機能画像と脳活動情報との相関関係の学習結果に基づいて、入力した機能画像に対応する脳活動情報が出力される。推定部４２は、出力結果である脳活動情報が、被験者の脳の活動状態であると推定する。推定部４２は、推定結果を出力する。出力された推定結果は、例えば設定装置２０に送信され、設定装置２０において表示等される。また、推定部４２は、推定結果を記憶部４３に記憶させてもよい。

記憶部４３は、各種情報を記憶する。記憶部４３は、例えばハードディスクドライブ、ソリッドステートドライブ等のストレージを有している。なお、記憶部４３として、リムーバブルディスク等の外部記憶媒体が用いられてもよい。記憶部４３は、学習装置３０で生成される学習モデルを記憶することができる。

記憶部４３は、被験者の脳の活動状態をｆＮＩＲＳにより測定した測定結果に基づく機能画像を取得する処理と、機能画像と機能画像の測定時における被験者の脳の活動状態を示す脳活動情報との相関関係について予め機械学習により生成された学習モデルと、取得された機能画像とに基づいて、被験者の脳の活動状態を推定する処理とをコンピュータに実行させる。

次に、上記のように構成された脳機能学習推定システム１００を用いた学習方法及び推定方法について説明する。図３は、学習方法の流れを模式的に示す図である。本実施形態に係る学習方法においては、まず、材料となる機能画像及び脳活動情報を生成する。被験者は、測定装置１１及び測定装置１２により、同時に測定を行う。測定装置１１及び測定装置１２は、測定結果に基づいて機能画像及び参照画像を生成する。

判定者は、参照画像を見て被験者の脳活動情報を判定する。参照画像は機能画像よりも高精度であるため、機能画像を見て被験者の脳活動情報を判別するよりも精度の良い判定結果が得られる可能性が高くなる。判定者は、参照画像を見て、被験者の脳の活動状態を判定し、判定結果となる脳活動情報を設定装置２０により入力する。ここでは、例えばブローカ野優位という判定結果を入力する。入力された脳活動情報は、例えば測定装置１２のメモリ等に記憶される。なお、同時に測定された結果に基づく機能画像及び脳活動情報には、互いに対応付けが可能となるように測定時刻等のタグ情報が含まれてもよい。このような測定及び判定を複数回行うことにより、複数の機能画像及び脳活動情報の組み合わせが蓄積される。

この状態で、学習装置３０に学習を開始させるように設定装置２０から入力等を行うことにより、学習処理が開始される。取得部３１は、測定装置１１の測定結果に基づく機能画像を取得する。対応データ生成部３２は、測定装置１２から脳活動情報を取得する。対応データ生成部３２は、取得された機能画像と脳活動情報とをタグ情報等に基づいて対応付けた対応データを生成する。対応データ生成部３２は、生成した対応データを記憶部３４に記憶させる。

学習モデル生成部３３は、生成された対応データに基づいて、機能画像と脳活動情報との相関関係を機械学習（深層学習）することにより、ニューラルネットワークＮＷを最適化して学習モデルを生成する。学習モデル生成部３３は、生成した学習モデルを記憶部３４に記憶させる。

図４は、推定方法の流れを模式的に示す図である。本実施形態に係る推定方法において、被験者は、測定装置１１により測定を行う。測定装置１１は、測定結果に基づく機能画像を生成する。この状態で、推定装置４０に推定を開始させるように設定装置２０から入力等を行うことにより、推定処理が開始される。推定装置４０は、学習装置３０の記憶部３４に記憶された学習モデルを予め取得し、記憶部４３に記憶しておく。

取得部４１は、測定装置１１の測定結果に基づく機能画像を取得する。推定部４２は、記憶部４３に記憶された学習モデルであるニューラルネットワークＮＷに機能画像を入力し、出力結果である脳活動情報を取得して、取得した脳活動情報を被験者の脳の活動状態であると推定する。図４に示す例では、「ブローカ野優位」という脳活動情報がニューラルネットワークＮＷから出力される。推定部４２は、ニューラルネットワークＮＷからの出力結果に基づいて、被験者の脳の活動状態が「ブローカ野優位」であると推定する。推定部４２は、推定結果を出力する。推定部４２から出力された推定結果は、例えば設定装置２０等の外部装置等において表示等させることができる。

図５は、学習装置３０の動作の一例を示すフローチャートである。図５に示すように、学習装置３０において、取得部３１は、被験者の脳の活動状態をｆＮＩＲＳにより測定した測定結果に基づく機能画像を取得する（ステップＳ１０）。次に、対応データ生成部３２は、取得した機能画像と、ｆＮＩＲＳによる測定時における被験者の脳の活動状態を示す情報であってｆＮＩＲＳによる測定結果とは異なる情報に基づく脳活動情報とを対応付けた対応データを生成する（ステップＳ２０）。次に、学習モデル生成部３３は、対応データ生成部３２で生成された対応データに基づいて、機能画像と脳活動情報との相関関係を機械学習して学習モデルを生成する（ステップＳ３０）。

図６は、推定装置４０の動作の一例を示すフローチャートである。図６に示すように、推定装置４０において、取得部４１は、被験者の脳の活動状態をｆＮＩＲＳにより測定した測定結果に基づく機能画像を取得する（ステップＳ４０）。次に、推定部４２は、機能画像と脳活動情報との相関関係について予め機械学習により生成された学習モデルと、取得部４１で取得された機能画像とに基づいて、被験者の脳の活動状態を推定する（ステップＳ５０）。

以上のように、本実施形態に係る学習装置３０は、被験者の脳の活動状態をｆＮＩＲＳにより測定した測定結果に基づく機能画像を取得する取得部３１と、取得した機能画像と、ｆＮＩＲＳによる測定時における被験者の脳の活動状態を示す情報であってｆＮＩＲＳによる測定結果とは異なる情報に基づく脳活動情報とを対応付けた対応データを生成する対応データ生成部３２とを備える。

この構成によれば、ｆＮＩＲＳによる測定結果に基づく機能画像と、ｆＮＩＲＳによる測定結果とは異なる情報に基づく脳活動情報とを対応付けることができる。このため、ｆＮＩＲＳによる測定結果に基づく機能画像から脳活動情報を判定する場合に比べて、機能画像と脳活動情報との対応付けを高精度に行うことができる。これにより、被験者の脳の活動状態の精度良い測定に資することができる。

本実施形態に係る学習装置３０において、対応データ生成部３２で生成された対応データに基づいて、機能画像と脳活動情報との相関関係を機械学習して学習モデルを生成する学習モデル生成部３３を更に備える。この構成によれば、機能画像と脳活動情報との対応付けが高精度に行われた対応データを用いて学習モデルを生成するため、機能画像と脳活動情報との相関関係について高精度の学習モデルを生成できる。これにより、被験者の脳の活動状態の精度良い測定に資することができる。

本実施形態に係る学習装置３０において、ｆＮＩＲＳによる測定結果とは異なる情報は、ｆＮＩＲＳによる測定と対応する時期に被験者の脳をｆＭＲＩにより測定した測定結果に基づく情報である。ｆＭＲＩは、ｆＮＩＲＳに比べて、空間分解能が高く、ノイズの影響を受けにくいという利点がある。このため、ｆＭＲＩにより得られる参照画像は、ｆＮＩＲＳにより得られる機能画像に比べて、被験者の脳の活動状態を高精度に判別可能である。したがって、ｆＮＩＲＳによる測定結果に基づく機能画像から脳活動情報を判定する場合に比べて、機能画像と脳活動情報との対応付けを高精度に行うことができる。

本実施形態に係る学習装置３０において、機能画像は、被験者の大脳を示す画像である。この構成によれば、ｆＮＩＲＳにより好適に測定可能な大脳の画像を用いるため、高精度の対応付け及び学習を行うことができる。

本実施形態に係る推定装置４０は、被験者の脳の活動状態をｆＮＩＲＳにより測定した測定結果に基づく機能画像を取得する取得部４１と、機能画像と機能画像の測定時における被験者の脳の活動状態を示す脳活動情報との相関関係について予め機械学習により生成された学習モデルと、取得部４１で取得された機能画像とに基づいて、被験者の脳の活動状態を推定する推定部４２とを備える。

この構成によれば、ｆＮＩＲＳによる測定結果に基づく機能画像と、予め機械学習により生成された学習モデルとに基づいて、被験者の脳の活動状態を推定することができるため、ｆＮＩＲＳによる測定結果に基づく機能画像から人手により推定する場合に比べて、被験者の脳の活動状態を高精度に推定することが可能となる。

なお、ウェルニッケ野及びブローカ野の各野の活動状態は、それぞれ段階的に設定することができるとしたが、ｆＮＩＲＳの光ファイバチャネルの特性に基づいて設定してもよい。具体的には、ウェルニッケ野及びブローカ野の活動状態は、ｆＮＩＲＳの光ファイバチャネルの特性に基づいて段階的に設定する。以下、ウェルニッケ野及びブローカ野の活動状態の段階をｆＮＩＲＳの光ファイバチャネルの特性に基づいて変更する例を変形例として説明する。

ウェルニッケ野及びブローカ野の活動状態は、ｆＮＩＲＳの光ファイバチャネルの数に応じて段階的に設定する。例えば、ウェルニッケ野の活動状態を示す段階の数を、ウェルニッケ野の脳活動情報を計測するために設置した受光用の光ファイバの数と比例して設定する。また、ブローカ野の活動状態を示す段階の数を、ブローカ野の脳活動情報を計測するために設置した受光用の光ファイバの数と比例して設定する。ここでは、光ファイバチャネルの数を受光用の光ファイバの数としたが、受光用の光ファイバの数と射出用の光ファイバの数の合計数としても良い。このようにすることで、装着したｆＮＩＲＳの光ファイバチャネルの数に応じて適切に脳活動情報を学習して測定することができる。

ウェルニッケ野及びブローカ野の活動状態は、ｆＮＩＲＳの光ファイバチャネルの出射用の光ファイバの出力量や受光用の光ファイバの感度に応じて設定する。例えば、ウェルニッケ野の活動状態を示す段階を、ウェルニッケ野の脳活動情報を計測するために設置した受光用の光ファイバの感度と比例して設定する。また、ブローカ野の活動状態を示す段階を、ブローカ野の脳活動情報を計測するために設置した受光用の光ファイバの感度と比例して設定する。ここでは、受光用の光ファイバの感度と比例して設定したが、射出用の光ファイバの出力量としても良いし、受光用の光ファイバの感度と射出用の光ファイバの出力量の両方を考慮しても良い。また、感度を得るための、受光用の光ファイバの口径の大きさや射出用の光ファイバの口径の大きさに比例して設定しても良い。このようにすることで、装着したｆＮＩＲＳの光ファイバチャネルの出力量や感度に応じて適切に脳活動情報を学習して測定することができる。

本発明の技術範囲は上記実施形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲で適宜変更を加えることができる。例えば、上記実施形態においては、学習装置３０及び推定装置４０が脳機能学習推定システム１００の一部を構成する場合を例に挙げて説明したが、これに限定されない。学習装置３０及び推定装置４０は、それぞれ独立した装置又はシステムとして設けられた構成であってもよい。

また、上記実施形態においては、学習装置３０と推定装置４０とが別個の装置として設けられた構成を例に挙げて説明したが、これに限定されない。例えば、学習装置３０の機能と推定装置４０の機能とを有する処理装置が設けられた構成であってもよい。

Ｓ１…畳み込み層、Ｓ２…プーリング層、Ｓ３…結合層、ＮＷ…ニューラルネットワーク（学習モデル）、１０…検出装置、１１，１２…測定装置、２０…設定装置、３０…学習装置、３１，４１…取得部、３２…対応データ生成部、３３…学習モデル生成部、３４，４３…記憶部、４０…推定装置、４２…推定部、１００…脳機能学習推定システム

Claims (5)

1. 被験者の脳の活動状態を機能的近赤外分光法により測定した測定結果に基づく機能画像を取得する取得部と、
   取得した前記機能画像と、前記機能的近赤外分光法による測定時における前記被験者の脳の活動状態を示す情報であって前記機能的近赤外分光法による測定結果とは異なる情報に基づくウェルニッケ野及びブローカ野の状態を示す脳活動情報とを対応付けた対応データを生成する対応データ生成部と
   を備え、
   前記脳活動情報は、両野低活動状態、ブローカ野優位状態、ウェルニッケ野優位状態、両野高活動状態を示す
   学習装置。
2. 前記対応データ生成部で生成された前記対応データに基づいて、前記機能画像と前記脳活動情報との相関関係を機械学習して学習モデルを生成する学習モデル生成部を更に備える
   請求項１に記載の学習装置。
3. 前記機能的近赤外分光法による測定結果とは異なる情報は、前記機能的近赤外分光法による測定と対応する時期に前記被験者の脳を機能的磁気共鳴画像法により測定した測定結果に基づく情報である、
   請求項１又は請求項２に記載の学習装置。
4. 前記被験者の脳の活動状態を示す情報は、前記機能的近赤外分光法による測定時における光ファイバの特性に基づく情報である、
   請求項１から請求項３のいずれか一項に記載の学習装置。
5. 被験者の脳の活動状態を機能的近赤外分光法により測定した測定結果に基づく機能画像を取得する取得部と、
   前記機能画像と前記被験者の脳のウェルニッケ野及びブローカ野の状態を示す活動状態を示す脳活動情報との相関関係について予め機械学習により生成された学習モデルと、前記取得部で取得された前記機能画像とに基づいて、前記被験者の脳の活動状態を推定する推定部と
   を備え、
   前記脳活動情報は、両野低活動状態、ブローカ野優位状態、ウェルニッケ野優位状態、両野高活動状態を示す
   推定装置。