DE69526823T2

DE69526823T2 - Gerät und Verfahren zum Analysieren von Information in Bezug auf physikalischen und geistigen Zustand

Info

Publication number: DE69526823T2
Application number: DE69526823T
Authority: DE
Inventors: Yukio Kuroda; Tomoyuki Yoshida
Original assignee: Agency of Industrial Science and Technology; Toyota Motor Corp
Current assignee: National Institute of Advanced Industrial Science and Technology AIST; Toyota Motor Corp
Priority date: 1994-09-02
Filing date: 1995-09-01
Publication date: 2002-11-14
Anticipated expiration: 2015-09-02
Also published as: KR100213598B1; JPH08117199A; JP3310498B2; DE69526823D1; US5884626A; KR960009969A; EP0699413B1; US6129681A; EP0699413A1

Description

Die vorliegende Erfindung betrifft allgemein ein Gerät und ein Verfahren zum Analysieren von Informationen bezüglich des körperlichen und geistigen Zustands einer Person, und insbesondere ein Gerät und ein Verfahren, um körperliche Daten (physiologische Faktoren), wie Gehirnwellen, mit geistigen Daten (psychologischen Faktoren), wie Wachsamkeit bzw. Aufmerksamkeit (Wachheit) oder Wohlbefinden (Bequemlichkeit) in Beziehung zu setzen.
Die Leute haben heutzutage viele verschiedene Ansichten hinsichtlich ihres Wohnorts, ihrer Arbeitsumgebung und Fahrzeuge. Die Grundlage der Auswahl dieser Dinge verschiebt sich von der "Funktion" zur "menschlichen Eigenschaft". Da somit die Bedeutung vermehrt auf das menschliche Empfinden gelegt wird, legt eine steigende Anzahl von Studien seit kurzem das Augenmerk auf das Empfinden oder das Wohlbefinden.
Das Wohlbefinden stammt von einem menschlichen Gefühl, das eng mit den Lebensbedingungen verwandt ist. Die Tatsache, dass das Fühlen subjektiv ist, macht das Messen anhand objektiver Methoden schwierig. Daher waren die meisten Auswertungen des Wohlbefindens qualitativ und beruhten auf Empfindungen, und es gibt tatsächlich kein etabliertes Verfahren zur quantitativen Messung.
Als quantitative Analyse menschlicher Informationen wurden viele Studien zur Verbindung physischer Daten, wie Gehirnwellen, Elektrodiagrammen oder Herzschlagdaten mit mentalen Daten, wie Wachsamkeit bzw. Aufmerksamkeit oder Wohlbefinden durchgeführt. Diese Versuche sollen geistige (psychologische) Daten, wie Aufmerksamkeit und Wohlbefinden quantitativ auf der Grundlage körperlicher Daten genauer einschätzen. Verfahren zum Auffinden einer Korrelation zwischen physiologischen Faktoren und psychologischen Faktoren verwenden im allgemeinen eine statistische Analyse, die eine multiple Regressionsanalyse und eine Analyse der Schwankung einschließt, um einen Algorithmus zum Schätzen psychologischer Daten beruhend auf den Analyseergebnissen zu entwickeln. Allerdings wurde bisher noch kein nützlicher Algorithmus entwickelt, der ausreichend genau und für die praktische Verwendung universell ist.
Die Druckschrift EP-A-0 555 591 offenbart ein Gerät zur Diagnose eines cerebralen Infarkts unter Verwendung eines neuronalen Netzes. Das neuronale Netz verwendet einen Fehlerrückausbreitungsalgorithmus und hat eine Dreischichtstruktur aus einer n-Eingangs-, einer Zwischen- und einer Ausgangsschicht. Die Eingangsschicht weist fünf Neurone entsprechend fünf Eingangsdaten auf, die jeweils aus Werten bestehen, die eine Geschlechtsunterscheidung und das Alter und die Messungen von drei coagulofibrinolytischen molekularen Markern angeben. Das neuronale Netz berechnet Lernausgaben der Gefährlichkeit und/oder Gesundheit aus den Lerneingaben über die jeweiligen synaptischen Verbindungen und vergleicht sie mit den entsprechenden Lehrereingaben der Ausgangsschicht. Statische Werte werden im neuronalen Netz zur Schätzung von Gefährlichkeit und Gesundheit verwendet.
Gemäß der Druckschrift Medical & Biological Engineering & Computing, Band 31, Nr. 4, Jull 1993, Stevenage, GB, Seiten 421-426, Chiao-Lin et al., "conscious mental tasks and their eeg signals" werden EEG-Signale in den Frequenzbereich umgewandelt und mit einem neuronalen Netz analysiert.
Physische und geistige Informationen enthalten von Natur aus nichtlineare und vage Charakteristiken. Demnach beinhaltet die statistische Analyse, die grundlegend ein lineares Verfahren darstellt, unter Verwendung solcher Daten unvermeidbar Probleme. Da Wahrscheinlichkeiten beruhend auf einer quantitativen Messung eines Gefühls für die Entwicklung von Produkten oder Raum erforderlich ist, der Wohlbefinden offeriert, wurde stark über eine objektive Messung und Auswertung des Gefühls nachgedacht.
In Anbetracht dieser Anforderungen haben die Erfinder eine Messstudie unter Verwendung einer EEG-Fluktuation (d. h. 1/f-Fluktuation in Gehirnwellen) als Indikator und Schätzung über die Verwendung eines neuronalen Netzes (das nachstehend mit NN bezeichnet wird) entwickelt. Im Hinblick auf das nichtlineare Abbildungsvermögen und die Anpassbarkeit eines neuronalen Netzes beruhend auf den Lernfunktionen haben die Erfinder ein neuronales Netz zur Entwicklung eines effizienten Algorithmus zur Schätzung mentaler Daten aus physischen Daten entwickelt, und haben ein Verfahren der quantitativen Messung solcher mentaler Daten (beispielsweise des Grads des Wohlbefindens) errichtet. Daher besteht die Aufgabe der Erfindung in der Ausbildung eines Geräts und eines Verfahrens zum Schätzen mentaler (oder psychologischer) Daten beruhend auf physischen (oder physiologischen) Daten wie Gehirnwellen.
Zum Lösen der Aufgabe sind ein Gerät und ein Verfahren zum Analysieren von Informationen hinsichtlich physischer und psychologischer Zustände entsprechend der Erfindung jeweils in den Patentansprüchen 1 und 4 definiert. Gemäß einem Ausführungsbeispiel der Erfindung ist ein Gerät zum Analysieren von Informationen bezüglich physischer und mentaler Zustände vorgesehen, das ein physiologisches Fluktuationssignal als Eingang empfängt und mentale (oder psychologische) Zustände beruhend auf dem physiologischen Fluktuationssignal schätzt. Es ist bekannt, dass ein physiologisches Fluktuationssignal eine enge Beziehung zu den psychologischen Zuständen eines Menschen hat, und eine gute Schätzung psychologischer Zustände durch die Verwendung eines derartigen physiologischen Fluktuationssignals erreicht wird.
Das physiologische Fluktuationssignal kann eine EEG- Fluktuation sein, die vorverarbeitet wurde. Es ist bekannt, dass Gehirnwellen eng mit psychologischen Zuständen eines Menschen verbunden sind, und der psychologische Zustand kann zufriedenstellend aus dem vorverarbeiteten EEG- Fluktuationssignal geschätzt werden.
Die psychologischen Zustände beinhalten den Grad der Wachsamkeit bzw. Aufmerksamkeit. Die Aufmerksamkeit ist ein grundlegendes Element psychologischer Zustände und das Maß der Aufmerksamkeit führt zu einer guten Schätzung des psychologischen Zustands eines Menschen.
Die psychologischen Zustände enthalten ferner das Wohlbefinden. Die Messung des Wohlbefindens führt auch zu einer bevorzugten quantitativen Schätzung des psychologischen Zustands.
Das neuronale Netz umfasst ein erstes neuronales Netz mit einem vorverarbeiteten EEG-Fluktuationssignal als Eingabe, um die Wachsamkeit bzw. Aufmerksamkeit zu schätzen, und ein zweites neuronales Netz mit dem vorverarbeiteten EEG- Fluktuationssignal und der durch das erste neuronale Netz geschätzten Aufmerksamkeit als Eingaben, um das Wohlbefinden zu schätzen. Bei diesem Beispiel werden der Grad der Aufmerksamkeit und des Wohlbefindens zum Schätzen psychologischer Zustände erhalten. Insbesondere wird der durch das erste neuronale Netz geschätzte Grad der Aufmerksamkeit in das zweite neuronale Netz eingegeben, um ferner das Wohlbefinden zu schätzen. Es ist bekannt, dass das Wohlbefinden stark vom Grad der Aufmerksamkeit abhängt und daher kann das Wohlbefinden genauer durch die Eingabe der Aufmerksamkeit als Parameter in das zweite Netz in der vorstehend angeführten Struktur geschätzt werden.
Gemäß einem weiteren Ausführungsbeispiel der Erfindung ist ein Verfahren zur Analyse physischer und mentaler Informationen vorgesehen. Dieses Verfahren umfasst die Schritte der Eingabe eines physiologischen Fluktuationssignals in ein neuronales Netz und der Schätzung psychologischer Zustände beruhend auf dem physiologischen Fluktuationssignal.
Das physiologische Fluktuationssignal enthält ein EEG- Fluktuationssignal.
Die psychologischen Zustände beinhalten den Grad der Aufmerksamkeit und des Wohlbefindens.
Dieses Verfahren umfasst ferner die Schritte des Anlegens des EEG-Fluktuationssignals an ein erstes neuronales Netz zum Schätzen der Aufmerksamkeit und der Eingabe sowohl des EEG-Fluktuationssignals als auch des Werts der Aufmerksamkeit, der durch das erste neuronale Netz erhalten wird, in ein zweites neuronales Netz zum weiteren Schätzen des Wohlbefindens. In diesem Fall werden sowohl die Aufmerksamkeit als auch die Bequemlichkeit zum Schätzen psychologischer Zustände verwendet.
Bei den vorstehend beschriebenen Ausführungsbeispielen der Erfindung werden psychologische Auswertungen beruhend auf Fragebogenuntersuchungen als Lehrersignale dem neuronalen Netz zugeführt. Allerdings ist es eher zu bevorzugen, das neuronale Netz zu trainieren, anstelle Fragenbogenergebnisse als Hauptparameter zu verwenden, da eine durch einen Fragebogen erhaltene psychologische Auswertung im allgemeinen Unterschiede unter den Individuen enthält. Aus diesem Grund wird ein neuronales Netz vom Sanduhrtyp verwendet, bei dem EEG-Fluktuationssignale sowohl als Eingabe als auch als Ausgabe zum Trainieren des neuronalen Netzes verwendet werden. Psychologischen Zuständen entsprechende interne Ausdrücke werden in den Zwischenschichten des neuronalen Netzes vom Sanduhrtyp über das Lernen des Netzes erhalten.
Bei einem Beispiel entsprechend einem Ausführungsbeispiel der Erfindung ist das neuronale Netz ein neuronales Netz vom Sanduhrtyp mit Zwischenschichten zwischen der Eingabe und der Ausgabe zum Lernen. Sowohl die Eingabe als auch die Ausgabe des Netzes sind EEG-Fluktuationssignale. Ausgaben der Zwischenschichten stellen einen psychologischen Zustand dar. Das Trainieren des Netzes lediglich unter Verwendung der EEG-Fluktuationssignale ohne Stützung auf eine Fragebogen-basierte Auswertung erreicht eine genauere Schätzung der psychologischen Zustände.
Im Fall der Kombination erster und zweiter neuronaler Netze zum Schätzen der Aufmerksamkeit und des Wohlbefindens sind jeweils beide neuronalen Netze neuronale Netze vom Sanduhrtyp. Ausgangswerte der Zwischenschichten jedes neuronalen Netzes stellen psychologische Zustände dar.
Die Verwendung von neuronalen Netzen vom Sanduhrtyp kann bei dem Verfahren zur Analyse physischer und mentaler Informationen angewendet werden.
Obwohl EEG-Fluktuationssignale als physische Daten zum Zweck der Schätzung psychologischer Zustände verwendet werden, können sie bei dem Schätzen der Arbeitsleistung angewendet werden, da die Aufmerksamkeit eine enge Beziehung zum Arbeitsergebnis hat.
Fig. 1 zeigt die Struktur eines menschlichen Gehirns.
Fig. 2 zeigt die Struktur eines erfindungsgemäßen Versuchssystems.
Fig. 3 zeigt eine Tabelle mit Versuchsdaten.
Fig. 4 zeigt eine NN-Modellkonfiguration mit einer zusammengesetzten Ausgabe aus Aufmerksamkeit und Wohlbefinden.
Fig. 5A zeigt eine NN-Modellkonfiguration zum Schätzen des Grads der Aufmerksamkeit beruhend auf Gehirnwellenschwankungen.
Fig. 5B zeigt eine NN-Modellkonfiguration zum Schätzen des Wohlbefindens beruhend auf Gehirnwellenschwankungen und der Aufmerksamkeit.
Fig. 6A zeigt eine NN-Modellkonfiguration zum Schätzen des Wohlbefindens beruhend auf Gehirnwellenfluktuationen.
Fig. 6B zeigt eine NN-Modellkonfiguration zum Schätzen von Aufmerksamkeit und Wohlbefinden beruhend auf einer Gehirnwellenfluktuation.
Fig. 7A zeigt eine grafische Darstellung der Beziehung zwischen Trainingsdaten und NN-geschätzten Werten beruhend auf Versuchsdaten des neuronalen Netzes zum Schätzen der Aufmerksamkeit, wobei die Anzahl der Neuronen in der Zwischenschicht 35 beträgt.
Fig. 7B zeigt eine grafische Darstellung der Beziehung zwischen Testdaten und NN-geschätzten Werten beruhend auf Versuchsdaten des neuronalen Netzes zum Schätzen der Aufmerksamkeit, wobei die Anzahl der Neuronen in der Zwischenschicht 35 beträgt.
Fig. 8A zeigt eine grafische Darstellung der Beziehung zwischen Trainingsdaten und NN-geschätzten Werten beruhend auf Versuchsdaten des neuronalen Netzes zum Schätzen der Aufmerksamkeit, wobei die Anzahl der Neuronen in der Zwischenschicht 70 beträgt.
Fig. 8B zeigt eine grafische Darstellung der Beziehung zwischen Testdaten und NN-geschätzten Werten beruhend auf Versuchsdaten des neuronalen Netzes zum Schätzen der Aufmerksamkeit, wobei die Anzahl der Neuronen in der Zwischenschicht 70 beträgt.
Fig. 9A zeigt eine grafische Darstellung der Beziehung zwischen Trainingsdaten und NN-geschätzten Werten beruhend auf Vorab-Versuchsdaten des neuronalen Netzes zum Schätzen des Wohlbefindens.
Fig. 9B zeigt eine grafische Darstellung der Beziehung zwischen Testdaten und NN-geschätzten Werten beruhend auf Vorab-Versuchsdaten des neuronalen Netzes zum Schätzen des Wohlbefindens.
Fig. 10 zeigt eine Korrelation zwischen den Versuchsdaten.
Fig. 11 zeigt Versuchsbedingungen und Ergebnisse für das NN zum Schätzen der Aufmerksamkeit.
Fig. 12 zeigt Versuchsbedingungen und Ergebnisse für das NN zum Schätzen des Wohlbefindens.
Fig. 13 zeigt eine Struktur eines neuronalen Netzes vom Sanduhrtyp.
Fig. 14 zeigt Graphen, die das Gewicht von Objekten gegenüber der Aktivität von Neuronen aufzeichnen, die als interner Ausdruck in der Zwischenschicht des neuronalen Netzes in Fig. 13 vom Sanduhrtyp erhalten wird.
Fig. 15 zeigt eine ausführliche Struktur des neuronalen Netzes vom Sanduhrtyp.
Fig. 16A und 16B zeigen Graphen, die die Beziehung zwischen Ausgangswerten der ersten und zweiten Einheit in der dritten Schicht des neuronalen Netzes in Fig. 15 vom Sanduhrtyp und die jeweils durch eine Fragebogenuntersuchung erhaltene Aufmerksamkeit und das Wohlbefinden aufzeichnen.
Fig. 17 zeigt das Prinzip zum Erhalten des Grads der Aufmerksamkeit und des Wohlbefindens eines Fahrers beruhend auf tatsächlichen Arbeitsergebnissen.

Beschreibung des bevorzugten Ausführungsbeispiels

Das Prinzip der Erfindung wird nachstehend unter Bezugnahme auf tatsächliche Schätzergebnisse psychologischer Zustände aus einer EEG-Fluktuation beschrieben.

A. Messverfahren der Aufmerksamkeit und des Wohlbefindens unter Verwendung einer Frequenzfluktuation der Alphawelle als Indikator

Ein Beispiel der quantitativen Messung des Empfindens ist die Messung unter Verwendung von Fluktuationscharakteristika in der Alphawelle als Parameter.
Durch die Kopfhaut erfasste Gehirnwellen werden als Spannungsänderung von ungefähr 50 uV mit einer Frequenzkomponente von ungefähr 60 Hz dargestellt. Bei Versuchen mit Erwachsenen wird eine Frequenzkomponente von 8 bis 13 Hz dominant beobachtet, während sie sich mit geschlossenen Augen ausruhen oder während einer Relaxationsphase. Diese Frequenzkomponente wird Alphawelle genannt. Wellen um die 10 Hz erscheinen am häufigsten, erscheinen aber nicht mit einem konstanten Zyklus, wie es aus der Tatsache ersichtlich ist, dass der Mittelbereich 8 bis 13 Hz beträgt. Die Frequenz erhöht oder verringert sich mit dem Ablauf der Zeit.

A-1.

Bei der Darstellung eines Fluktuationsspektrums in doppelt logarithmischem Maßstab mit der vertikalen Achse für die Fluktuation (Leistungswert) und der horizontalen Achse für die Fluktuationsfrequenz verringert sich der Leistungswert umgekehrt proportional zu der Frequenz f mit einem Gradienten von -1, wenn sich die Frequenz erhöht. Die Fluktuation mit dieser Charakteristik wird als 1/f- Fluktuation definiert. Wird die so erhaltene Fluktuationscharakteristik in die Zeitachse zurückgewandelt, ergibt dies die Autokorrelationsfunktion der Fluktuation. Die 1/f-Fluktuation, die ursprünglich als physische Fluktuation wie ein Wärmerauschen entdeckt wurde, hat nicht die gleiche Charakteristik wie eine Weißes- Rauschen-Fluktuation, die keine Korrelation mit den vergangenen Fluktuationsinformationen hat, jedoch einen bestimmten Grad an Korrelation mit der vergangenen Fluktuation beibehält, wie es aus der Markov-Verknüpfung ersichtlich ist.
Die 1/f-Fluktuation wurde in jüngste elektrische Hausgeräte und Autoklimaanlagen aufgenommen, wo implizit angenommen wird, dass alles mit einer 1/f-Fluktuation über die Zeit ein beruhigendes Gefühl erzeugt. Diese Annahme hat wahrscheinlich ihren Ursprung in der Forschung, die als Ergebnis einer Spektrumanalyse hervorgebracht hat, dass Atmungsvorgänge, Bachgeräusche und klassische Musikrhythmen eine 1/f-Fluktuation haben, und dass der elektrische Stimulus mit einer 1/f-Fluktuation bei der Beseitigung von Schmerzen effektiv ist. Allerdings müssen noch viele Probleme erforscht werden, wie das Verhältnis zwischen Stimuli mit einer 1/f-Fluktuation und dem Biorhythmus und psychologischen Zuständen einschließlich des Empfindens.

A-2.

Im allgemeinen werden eine Autokorrelationsfunktion und eine Leistungsspektrumsdichtefunktion zur Analyse statistischer Charakteristika des Fluktuationsphänomens verwendet. Unter der Annahme, dass eine irreguläre Variable für die Zeit "t" x(t) ist, und eine Variable für die Zeit "t+τ" (τ Zeitabschnitt später als die Zeit t) x (t+τ) ist, ist die Autokorrelationsfunktion durch einen Zeitmittelwert der Multiplikation dieser zwei Variablen definiert. Dies ist durch den folgenden Ausdruck dargestellt:
C(τ) = ¹/&sub2; x(t)·x(t + τ)dt (1)
Die vorstehende Formel (1) ist eine Funktion lediglich von τ ungeachtet der Zeit t. Es ist bekannt, dass für die Formel (1) bei einer vollständig zufälligen Fluktuation der folgende Ausdruck erhalten wird.
C(τ) = 0 (τ ≠ 0)
C(τ) = C(0) (τ = 0) (2)
Das Rauschen mit dem Autokorrelationswert 0 bei einer Verzögerung τ ≠ 0 ist als weißes Rauschen definiert. Die Autokorrelationsfunktion ist eine gerade Funktion, die ihren maximalen Wert bei τ = 0 hat. Dies wird durch den folgenden Ausdruck ausgedrückt.
C(0) > ± C(τ) (τ ≠ 0) (3)
Die meisten Fluktuationen behalten die vorstehenden Charakteristika selbst nach einer Mikroverzögerungszeit Δt bis zu einem gewissen Ausmaß. Dies beruht auf der Tatsache, dass bei solchen Fluktuationen der Wert zur Zeit "t" stark mit einem Wert zur Zeit nahe "t" korreliert, und die Korrelation geringer mit einem Wert zur Zeit weg von "t" wird. Die Korrelation verringert sich exponentiell mit steigendem Wert τ und wird schließlich C(τ) = 0. Das heißt, diese Fluktuation hat eine durch C(τ) → 0 (τ → ∞) ausgedrückte Charakteristik. Unter der Annahme, dass die die Gleichung C(τ = 0) erfüllende Verzögerung τ τ0 ist, wird C(τ) folgendermaßen ausgedrückt:
C(τ) = V²e - ( τ /τ&sub0;)
(C(0) = V²) (4)
In diesem Fall ist die Abfallrate von C(τ) desto langsamer, je größer die Verzögerung τ&sub0; ist, was als Form gezeigt ist, die sich in Richtung nach unten aufweitet.
Andererseits ist das Leistungsspektrum P(f) mit der Autokorrelationsfunktion nach der Wiener-Khintchine-Formel verknüpft, was nachstehend ausgedrückt ist.
P(f) = 4 &sub0;∞ C(τ) cos2π f τ dτ (5)
C(τ) = 2 &sub0;∞ P(f) cos2π f τ df (6)
Wird die Gleichung (5) in die Gleichung (6) eingefügt, kann die folgende Gleichung erhalten werden.
P(f) = 4 &sub0;∞ V²e -( τ /τ&sub0;) cos2π f τ dτ = 4 τ&sub0; V²/{1 + (2π f τ&sub0;)}² (7)
Ist in Gleichung (7) die Frequenz f entsprechend der Verzögerung τ viel kleiner als 1/2πτ&sub0; (d. h., 1/2πτ&sub0; viel größer f, was bedeutet 1 sehr viel größer 2πfτ&sub0;), kann der Wert (2πfτ&sub0;)² beinahe ignoriert werden, und P(f) hat einen konstanten Wert f&sub0; ungeachtet der Frequenz. Ist andererseits "f" viel größer als 1/2πτ&sub0; (d. h., 1/2πτ&sub0; < < f, was heißt 1 < < 2πfτ&sub0;), verändert sich der Wert von P(f) aus Gleichung (5) in Abhängigkeit vom Wert (2πfτ&sub0;)².
Daher verändert sich im Frequenzband 1/2πτ&sub0; < < f P(f) entsprechend f&supmin;² und das Leistungsspektrum fällt rapide ab, wenn sich die Frequenz erhöht. Die Tatsache, dass P(f) sich mit einem negativen Gradienten bezüglich der Frequenz f verändert, bedeutet, dass der Einfluss von x(t) bis zur Zeit τ&sub0; bestehen bleibt. Im Fall, dass P(f) proportional zu f&supmin;¹ (d. h. 1/f) ist, ist der negative Gradient desto kleiner, je höher der Grad der Zufälligkeit ist. D. h., ist der negative Gradient scharf, zeigt das Leistungsspektrum eine langsame Veränderung. Eine 1/f-Fluktuation befindet sich dazwischen, was zeigt, dass P(f) näherungsweise proportional zu f&supmin;¹ ist.

B. Auswertungsverfahren für eine physiologische und psychologische Messung des Wohlbefindens

B-1.

Physiologische Antworten, die leicht und nichtinvasiv beobachtet werden und herkömmlicherweise verwendet werden, beinhalten (i) zentrale Antworten, wie spontane Hirnwellen, sensorisch hervorgerufenes Potential oder ereignisbezogenes Potential, (ii) Peripherieantworten, wie den Herzschlag, Pulsfrequenz, die Atmungsfrequenz oder die Körpertemperatur und (iii) motorische Antworten, wie Augenbewegung, Blinzeln oder myogenisches Potential. Zentrale Antworten haben Nachteile, dass sie eine aufwändige Messung und Analyse erfordern, während Perpherieantworten den Nachteil haben, dass sie Höchstgrenzen zum Aufrechterhalten der Funktion eines lebenden Körpers ungeachtet der einfachen Messung unterworfen sind. Es ist daher zu bevorzugen, eine facettenreiche Messung auszuführen, die Peripherieantworten enthält, aber an Hirnaktivitäten zentriert ist (wie Gehirnwellen und elektromagnetischen Gehirnwellen).
Das menschliche Gehirn besteht aus cerebralen Hemisphären, dem Gehirnstamm und dem Cerebellum (siehe Fig. 1). Die cerebralen Hemisphären haben das Zentrum, das die mentalen Funktionen höherer Ordnung steuert, das Cerebellum steuert motorische und Gleichgewichtsfunktionen, und der Gehirnstamm steuert die Lebensfunktionen. Informationen bezüglich des Empfindens werden im Hypothalamus im Gehirnstamm im oberen Abschnitt verarbeitet, und im limbischen System, das das Gehirn einschließt, das limbischer Cortex genannt wird, der tief in den cerebralen Hemisphären vorhanden ist. Die Informationsverarbeitung des Empfindens höherer Ordnung beinhaltet den Neocortex des cerebralen frontalen Lappens bis zu einem bedeutenden Ausmaß. Die Steuerung der Aufmerksamkeit, die sich auf die Intensität des Empfindens auswirkt, beinhaltet den Hypothalamus und ein System, das Netzaktivierungssystem genannt wird, das im Gehirnstamm vorhanden ist. Mit Gehirnwellen verbundene Aktivitäten haben eine enge Beziehung zu diesen Systemen. Ein Bericht aus der jüngsten Zeit beschreibt, dass die Fluktuation von Gehirnwellen sich mit der Änderung in Gefühlen und im Grad der Wachsamkeit bzw. Aufmerksamkeit verändert.
Das Empfinden ändert sich immer, und die Zeitverlaufsmessung der Gehirnwellenfluktuation scheint geeigneter zur Untersuchung emotionaler Änderungen verglichen mit der statischen Annäherung an eine Informationsverarbeitung, wie sie durch die Auswertung von Mittelwerten in der herkömmlichen Praxis dargestellt wird.
Die Erfindung verwendet eine Alphawellenfluktuation in Gehirnwellen als Indikator. Der Alphawellenfrequenzrhythmus wurde unter olfaktorischen Stimuli wie eines Aromas oder eines Geruchs beobachtet, unter audiovisuellen Stimuli, wie einem Videobild und Klang und unter Audiostimuli einschließlich natürlicher und künstlicher Klänge und niedrigfrequentem Rauschen, und gleichzeitig wurden psychologische Zustände aufgezeichnet und entsprechend Charakteristika klassifiziert. Aufgezeichnete Fluktuationen im Alphawellenfrequenzrhythmus wurden entsprechend der Klassifizierung gespeichert. Fig. 2 zeigt den für dieses Experiment verwendeten Systemaufbau.
Als Ergebnis des Auffindens der Entsprechung zwischen einer Alphawellenfluktuation und der subjektiven Wachsamkeit bzw. Aufmerksamkeit oder des Wohlbefindens wurde herausgefunden, dass die Charakteristika der Alphawellenfluktuationsänderung auf Änderungen in psychologischen Zuständen antworteten. Die Spektrumsanalyse der Charakteristika der gruppierten Fluktuationen in der Alphawellenfrequenz zeigt, dass die Frequenzfluktuation der Alphawellen einen sanften Rhythmus (eine Charakteristik nahe 1/f) während eines bequemen Ausruhens oder eines Entspannungszustands zeigt, während diese Charakteristika in unbequemen Situationen kollabieren.
Es ist auch möglich, die Aufmerksamkeit und das Wohlbefinden direkt aus EEG-Fluktuationscharakteristika zu schätzen, ohne die psychologischen Zustände zu klassifizieren. Dieses Verfahren beinhaltet die multiple Regressionsanalyse (lineare Analyse) mit Fluktuationscharakteristika als unabhängige Variable und der psychologischen Antwort als abhängige Variable. Alternativ dazu kann es die Vorbereitung eines Schätzalgorithmus unter Verwendung eines neuronalen Netzes (für eine nichtlineare Analyse) beinhalten. Es wurde herausgefunden, dass unter Verwendung dieser Ansätze das Wohlbefinden aus EEG-Fluktuationscharakteristika geschätzt wurde, die aus den frontalen und zentralen Bereichen des Gehirns erhalten wurden, und die Aufmerksamkeit aus einer EEG-Fluktuation der parietalen und occipitalen Regionen des Gehirns mit relativ hoher Wahrscheinlichkeit geschätzt wurde, was nachstehend näher beschrieben wird.

B-2.

Die Frequenzfluktuation wird unter Verwendung eines in Fig. 2 gezeigten Systems gemessen.

(1) Messung der Gehirnwellen

Gehirnwellen umfassen verschiedene komplexe Frequenzkomponenten als Antwort auf Bedingungen des lebenden Körpers und schwanken kontinuierlich. Es ist schwierig, die Charakteristika von Gehirnwellen durch visuelle Beobachtung zu erfassen. Ein herkömmliches Verfahren zur Untersuchung von Gehirnwellen besteht in der Verwendung eines Bandpassfilters zur Extraktion lediglich einer bestimmten Frequenzkomponente, die dann unter Verwendung eines Computers analysiert wird. Erfindungsgemäß werden die Erfassung und Analyse der Schwankung bzw. Fluktuation in Gehirnwellen unter Verwendung eines in Fig. 2 gezeigten Versuchssystems ausgeführt.

(2) Erfassung von Fluktuationscharakteristika

(i) Extraktion einer Alphawellenkomponente

Gehirnwellen werden über acht Elektroden (F3, F4, C3, C4, P3, P4, O1, O2) erfasst, die am Kopf eines Menschen angebracht sind, wie es aus Fig. 2 ersichtlich ist. Die erfassten Gehirnwellen werden durch einen EEG-Transmitter 10 übertragen und an einem EEG-Telemeter 12 empfangen, der eine Zeitkonstante von 0,3 s und ein Hochfrequenzabschneidefilter aufweist, um Signale über 30 Hz abzuschneiden. Die Frequenzkomponente durch das EEG- Telemeter 12 wird durch einen Datenrecorder 14 aufgezeichnet. Die EEG-Aufzeichnung läuft durch ein Bandpassfilter 16 (8 bis 13 Hz) zur Extraktion von Alphawellenkomponenten. Obwohl sowohl die Amplitude als auch die Frequenzfluktuationen in den extrahierten Alphawellen beobachtet werden, ist bei diesem Ausführungsbeispiel lediglich deshalb das Augenmerk auf die Frequenzfluktuation gelegt, weil die Amplitude erhebliche Unterschiede unter den Individuen zeigt. Natürlich ist es möglich, das Augenmerk auf Amplitudenfluktuationen zu legen und diese beruhend auf dem System und dem Gerät der Erfindung zu analysieren.
Unter den Frequenzkomponenten, die durch das Bandpassfilter 16 gelaufen sind, werden lediglich solche als Alphawellen betrachtet, deren Amplitude höher als ein gegebener Pegel ist. Selbst wenn sie als Alphawellen erscheinen, werden die gefilterten Wellen hinsichtlich eines Pegels nach Bedarf verstärkt, wenn die Subjekte insgesamt lediglich eine relativ begrenzte EEG-Amplitude haben.

(ii) Extraktion der Frequenzfluktuation der Alphawelle (Nulldurchgangsverfahren)

Die Nulllinie wird in der Mitte der Fluktuationen des elektrischen Potentials der gefilterten Welle eingestellt, und Impulse mit einem gegebenen Potential werden jedesmal dann erzeugt, wenn die Welle die Nulllinie in einer gegebenen Richtung (beispielsweise von negativ zu positiv) kreuzt.
Es gibt zwei Verfahren zur Extraktion der Impulskette als Fluktuation. Ein Verfahren ist das Auferlegen eines Dämpfungsvorgangs des Impulspotentials mit einer Zeitkonstante und das Akkumulieren des Potentials für jeden Impuls. Dieses Verfahren wird als Verfahren A bezeichnet. Das andere besteht in der aufeinanderfolgenden Erfassung von Impulsen unter Verwendung eines Computers und der Berechnung eines Zeitintervalls (Zyklus) für jeden aufeinanderfolgenden Impuls. Der Kehrwert des resultierenden Werts wird in eine Zeitfolge einer Momentanfrequenz (d. h. Frequenz ist 1/Zyklus) umgewandelt. Dies wird als Verfahren B bezeichnet. Bei dem Verfahren A wird die Frequenzfluktuation durch eine analoge Potentialfluktuation ersetzt. Bei dem Verfahren B wird durch die Anordnung der berechneten Frequenz für jede Welle in der Abtastreihenfolge (mit vergangener Zeit) die Frequenzfluktuation in den Alphawellen als Signalverlauf aus Punkten extrahiert.
Diese Vorgänge können alle auf dem Computer ablaufen. Allerdings werden die Vorgänge bis zur Impulserzeugung und der analogen Ausgabe vorzugsweise außerhalb des Computers ausgeführt.

(3) Analyse der Fluktuationscharakteristika

Beruhend auf den extrahierten EEG-Fluktuationsdaten werden Fluktuationscharakteristika analysiert.

(i) Histogrammverfahren

Diese Analyse ist bei den durch das vorstehend beschriebene Verfahren B extrahierten Daten verfügbar. Als Vorabverarbeitung wird ein bestimmter Frequenzwert in dem Alphawellenfrequenzband alle 0,01 Hz zur Berechnung der Frequenzverteilung geteilt. Dann werden der Moduswert und die dem Moduswert entsprechende Frequenz (oder Durchschnittsfrequenz) zur Extraktion der Verteilungscharakteristika berechnet.

(ii) Spektrumverfahren

Diese Analyse ist sowohl bei dem Verfahren A als auch bei dem Verfahren B anwendbar. Für das Verfahren A wird die Potentialfluktuation durch den Computer bei einer gegebenen Abtastfrequenz A/D gewandelt, und die digitalisierte Datenfolge wird durch eine Einheitszeit geteilt. Beruhend auf den Daten in einer Einheitszeit wird das Leistungsspektrum bezüglich der Fluktuationsfrequenz über eine Spektrumsanalyse durch das FFT-Verfahren berechnet.
Für das Verfahren B werden die aufgezeichneten Zeitdaten in eine Anzahl von Einheitszeiten geteilt, und die Daten werden bei einem konstanten Zeitabschnitt in jeder Einheitszeit neu abgetastet. Beruhend auf den Einheitsdaten wird ein Leistungspegel bezüglich der Fluktuationsfrequenz über eine Spektrumsanalyse unter Verwendung des FFT- Verfahrens berechnet. Diese Verarbeitungen werden auf Grund der Tatsache ausgeführt, dass die Spektrumsanalyse keine konstanten Zeitintervalle unter Aufzeichnungen von Änderungen in einer Alphawellenfrequenz erzeugt, die in eine Momentanfrequenz umgewandelt ist, und um eine Zeitverzögerung zwischen berechneten und wahren Abtastlängen zu vermeiden. Insbesondere wird eine Momentanfrequenzzeitfolge aus den erhaltenen Zeitdaten durch die folgenden Vorgänge erzeugt.
Die Frequenz Fm bei einer Abtastperiode Sm wird durch die folgende Gleichung bestimmt:
Fm = 1/{Pn+1 - max(Pn)}
unter der Bedingung, dass:
Sm-1 < max (Pn) ≤ Sm ≤ Pn+1
wobei die Buchstaben folgende Bedeutung haben:
Pn: Erzeugungszeit des n-ten Impulses
S: Abtastperiode
m: Ordnungszahl
Sm: Die m-te Abtastperiode (bestimmt durch SXm)
Fm: Die m-te abgetastete Frequenz
max(Pn): Der maximale Wert von Pn bis zur Abtastperiode Sm.
Bei diesem Verfahren werden unter der Annahme, dass die Abtastperiode 50 ms (20 Hz) ist, ursprüngliche erhaltene Zeitdaten ohne Abtastsprung abgetastet, und die Abtastlänge (Zeitintervall) kann konstant sein.
Dann wird aus diesen Zeitdaten eine Tendenz der Änderungen im Fluktuationsspektrum hinsichtlich der Fluktuationsfrequenz in numerischen Werten unter Verwendung des Gradienten einer linearen Regression ausgedrückt, um die Kennlinien bzw. Charakteristika der Änderungen zu identifizieren. Der Fluktuationsleistungswert ändert sich nach dem Laufen über eine bestimmte Frequenz merklich. Nach der Identifizierung der Frequenz, über der der Gradient sich ändert (d. h. Umkehrfrequenz), wird das Frequenzband in zwei Bandbreiten mit der Grenzfrequenz getrennt, d. h., in eine niedrige und eine hohe Frequenzbandbreite, die jeweils separat regressionsanalysiert werden.

B-3.

In der Psychologie und Psychophysiologie wird allgemein akzeptiert, dass der psychologische Ansatz hauptsächlich auf zwei Dreh- und Angelpunktsparametern beruht, des Wohlbefindens und der Wachsamkeit bzw. Aufmerksamkeit, da sie den emotionalen Zustand der Individuen darstellen. Für die Messung des Wohlbefindens ist es zu bevorzugen, diese Parameter als gemeinsames und grundlegendes Element einzusetzen und zusätzliche Bewertungselemente in Abhängigkeit von Stimuli auszuwählen.
Psychologische Verfahren unter Auswertung des Wohlbefindens beinhalten auch das Bewertungs-Skalierungsverfahren, das semantische differenzielle (SD) Verfahren und ein analoges Skalierungsverfahren, von denen bekannt ist, dass das analoge Skalierungsverfahren das geeignetste zur Bewertung des Wohlbefindens ist.
Bei der Auswertung des psychologischen Zustands der Subjekte mit Hilfe der Bewertungstabelle ist es zu bevorzugen, vor und nach der physiologischen Messung eine Beurteilung durchzuführen, sowohl während des Ruhe- als auch des Versuchszustands, um Änderungen in psychologischen Zuständen zu beobachten und nachzuprüfen, wie sie durch zwei Sätze von Messungen gezeigt werden.

B-4.

Für jedes Individuum berechnete Spektrumsinformationen werden auf die psychologisch ausgewerteten Werte des Wohlbefindens und der Aufmerksamkeit zum Herausfinden einer Entsprechung zwischen den Werten der Fluktuationscharakteristika und den psychologischen Zuständen bezogen.
Obwohl bekannt ist, dass die Fluktuationscharakteristika der Alphawellen mit dem Wohlbefinden und der Aufmerksamkeit korreliert, wurde bisher kein effektives und genaues Verfahren zur quantitativen Bestimmung der Übereinstimmung zwischen diesen Faktoren errichtet.
Die Erfindung verwendet NN- (neuronales Netz) Modelle, die Charakteristikkomponenten aus facettenreichen und nichtlinearen Daten extrahieren und komplizierte Informationen klassifizieren können, um einen Algorithmus hervorzubringen, der das Wohlbefinden und die Aufmerksamkeit mit hoher Präzision quantitativ schätzen kann. Es folgen bevorzugte Beispiele zur Ausführung dieser Erfindung.

C.

Bei dem bevorzugten Ausführungsbeispiel werden NN-Modelle zur Schätzung der Aufmerksamkeit und des Wohlbefindens aus der Fluktuation in Gehirnwellen über Lernen beruhend auf Daten ausgebildet, die aus physiologischen und psychologischen Experimenten wie vorstehend beschrieben erhalten werden.

C-1.

Zur Ausbildung der NN-Modelle zur Schätzung der Aufmerksamkeit und des Wohlbefindens ist es erforderlich, Versuchsdaten zu erhalten, die zum Lernen der NN-Modelle verwendet werden. Fig. 3 zeigt den Aufbau solcher Versuchsdaten, die zum Trainieren der NN-Modelle verwendet werden.
Daten werden aus dem in Fig. 2 gezeigten Versuchssystem erhalten, die Gehirnwellen jedes Subjekts (acht Kanäle F3, F4, C3, C4, P3, P4, O1, O2) und entsprechende psychologische Auswertungspunkte (wie für Wohlbefinden und Aufmerksamkeit) enthalten. Die Werte der acht Kanäle der Gehirnwellen und die entsprechenden psychologischen Punkte werden in einen Satz gruppiert, und die Versuchdaten bestehen insgesamt aus 1200 Sätzen. Diese Daten werden statistisch analysiert (für eine lineare Näherung). Fig. 10 stellt Korrelationen zwischen den Bewertungsfaktoren dar. Die Korrelation zwischen einer individuellen Fluktuation der Gehirnwellen für jeden Kanal bezüglich der Aufmerksamkeit und des Wohlbefindens ist ungenau (obwohl sie statistisch deutlich ist), was nahelegt, dass es schwierig ist, die Aufmerksamkeit und das Wohlbefinden aus den Gehirnwellen unter Verwendung des herkömmlichen statistischen Verfahrens zu schätzen.

C-2.

Konfigurationen von neuronalen Netzen zur Schätzung der Aufmerksamkeit und des Wohlbefindens sind in den Fig. 5A, 5B, 6A und 6B gezeigt. Die Erfinder haben herausgefunden, dass die Aufmerksamkeit und das Wohlbefinden nicht unabhängig voneinander sind, sondern das Wohlbefinden von der Aufmerksamkeit abhängt (d. h., die Aufmerksamkeit beeinflusst das Wohlbefinden). Das in Fig. 5 gezeigte NN- Modell ist zur Schätzung der Aufmerksamkeit geeignet. Gleichermaßen reichen das NN-Modell in Fig. 6A, das das Wohlbefinden direkt aus der Fluktuation in Gehirnwellen schätzt, und das NN-Modell aus Fig. 6B, das die Aufmerksamkeit und das Wohlbefinden an gleicher Stufe ausgibt, nicht zur genauen Schätzung des Wohlbefindens aus. Stattdessen ist das in Fig. 5B gezeigte NN-Modell genauer, das das Wohlbefinden sowohl aus der Fluktuation in Gehirnwellen als auch der Aufmerksamkeit schätzt.
In Anbetracht dessen wird das NN-Modell zum Schätzen des Wohlbefindens sowohl beruhend auf der Alphawellenfluktuation als auch der Aufmerksamkeit als Kaskadenstruktur in Fig. 4 aufgebaut (NN-Modell mit zusammengesetztem Ausgang der Aufmerksamkeit und des Wohlbefindens). Die Eingangsschaltungsschicht des Aufmerksamkeitsschätzungsmodells (NNAufmerksamkeit) besteht aus acht Einheiten, die die Alphawellenfluktuationskoeffizienten darstellen (acht Kanäle F3, F4, C3, C4, P3, P4, O1 und O2), während die Ausgangsschaltungsschicht aus einer einzelnen Einheit besteht, die die Aufmerksamkeit darstellt, wie es in Fig. 5A gezeigt ist.
Andererseits besteht die Eingangsschaltungsschicht des Wohlbefindensschätzungsmodells (NNWohlbefinden) aus neun Einheiten, die Alphawellenfluktuationskoeffizienten (acht Kanäle) und die Aufmerksamkeit darstellen, während die Ausgangsschicht aus einer einzelnen Einheit besteht, die das Wohlbefinden darstellt (Fig. 5B).

D.

Die Ausbildung der NN-Modelle zum Schätzen der Aufmerksamkeit (Fig. 5A) und des Wohlbefindens (Fig. 5B) war simuliert. Die innere Struktur des neuronalen Netzes nach dem Training, insbesondere die Kopplung der Stärke zwischen den Eingangs- und Ausgangsschichten, wurde untersucht, um das Ausmaß des Effekts jeder Eingabe auf die Ausgabe zu beobachten.

D-1.

Für das NN-Modell zum Schätzen der Aufmerksamkeit in Fig. 5A wurde die Anpassung an 1100 Trainingsdaten und 100 Testdaten simuliert, wobei die Anzahl versteckter Einheiten (Zwischenschichten) und die Anzahl von Trainingsvorgängen variiert wurde. Zuerst wurde das neuronale Netz mit Lerndaten trainiert, dann wurde die Aufmerksamkeit aus der Alphawellenfluktuation unter Verwendung des trainierten NN- Modells geschätzt. Die Anpassung an die Trainingsdaten und Testdaten wurde beobachtet, wobei die Ergebnisse in den Fig. 7A, 7B, 8A und 8B gezeigt sind. Die angewendeten Versuchsbedingungen sind in Fig. 11 gezeigt.
Die Kopplungsstärke zwischen der Eingangs- und Ausgangsschicht in den jeweiligen Fällen wurde zur Nachprüfung des Ausmaßes der Auswirkung von Eingabe auf Ausgabe erhalten. Das Ergebnis ist in Fig. 11 in der Spalte "Dominanter Abschnitt (in dem die Eingabe die Ausgabe merklich beeinflusst)" gezeigt.
Das Ausmaß der Auswirkung ist anhand des Korrelationskoeffizienten gezeigt, der aus der Kopplungsstärke zwischen jedem Eingang (jedem Kanal der Gehirnwellen) und dem Ausgang (der Aufmerksamkeit) erhalten wird. D. h., es ist als Wert der Kopplungsstärke zwischen jedem Eingang und Ausgang (Aufmerksamkeit) geteilt durch die Gesamtkopplungsstärke angezeigt.

D-2.

Für das NN-Modell zum Schätzen des Wohlbefindens in Fig. 5B wurde die Anpassung an Trainingsdaten zuvor auf die gleiche Weise wie bei dem Aufmerksamkeitschätzungsmodell simuliert. Das Ergebnis ist in den Fig. 9A und 9B gezeigt, und die Versuchsbedingungen sowie die Korrelation zwischen Eingang und Ausgang sind in Fig. 12 gezeigt.
Bei allen Simulationen war der Trainingsratenkoeffizient &epsi; = 0,01, der Trägheitsterm 0,9 und es wurde eine 3-Schicht- Sigmoidstruktur verwendet.
Aus den vorstehend beschriebenen Simulationen sind die folgenden Vorteile ersichtlich.
Die optimale Anzahl verborgener Einheiten (Zwischenschichten) und Trainingsvorgänge verbessert die Genauigkeit, sowie die Anpassungsfähigkeit an die Testdaten des Aufmerksamkeitsschätzungs-NN-Modells, wobei ein praktisches Verfahren zur Schätzung psychologischer Daten realisiert wird.
Das Wohlbefinden-Schätzungs-NN-Modell wird auch durch die Schätzung des Wohlbefindens sowohl aus der Alphawellenfluktuation als auch der Aufmerksamkeit verbessert, sowie durch die optimale Anzahl verborgener Einheiten und Trainingsvorgänge.
Es ist allgemein (als empirisches Gesetz) bekannt, dass gute Ergebnisse der Aufmerksamkeitsmessung aus Gehirnwellen der parietalen Region des Gehirns erhalten werden können, und dass Gehirnwellen der frontalen Region effektiv für die Messung des Wohlbefindens sind. Die Versuchsergebnisse unter Verwendung erfindungsgemäßer NN-Modelle analysierten diese Theorie quantitativ und bestätigten sie.

E.

Bei dem vorstehend beschriebenen Beispiel wird ein Algorithmus zum Schätzen psychologischer Parameter (Aufmerksamkeit und Wohlbefinden) aus einem physiologischen Parameter (EEG-Fluktuation) unter Verwendung neuronaler Netze erzeugt.
Das Trainieren des neuronalen Netzes wird durch die Rückwärtsausbreitung von Fehlersignalen von der Ausgangs- zur Eingangsseite ausgeführt, um die Summe quadratischer Unterschiede zwischen dem Netzausgang und dem Lehrersignal zu minimieren (dieser Vorgang wird Rückausbreitung genannt), wodurch das synaptische Kopplungsgewicht zwischen der ersten und zweiten Schicht des Netzes und zwischen der zweiten und dritten Schicht variiert wird. Das Lehrersignal wird in diesem Beispiel durch eine Untersuchungsbeobachtung (Fragebogen) erhalten.
Allerdings beruhen als Lehrersignale verwendete psychologische Auswertungen auf einer Umfrageuntersuchung und enthalten im allgemeinen einen großen Fehlerbereich. Dies beruht auf der Dispersion von Daten, die durch Unterschiede unter den Individuen und Versuchsbedingungen verursacht wird. Somit beinhaltet die positive Verwendung von Fragebogenergebnissen als Lehrersignale Probleme.
Normalerweise wird das Fragebogenverfahren zum Messen der Aufmerksamkeit und des Wohlbefindens während einer klinischen psychologischen Untersuchung verwendet. Allerdings können korrekte Ergebnisse nur dann erwartet werden, wenn die Subjekte die Fähigkeit zum korrekten Verstehen der Bedeutung der Fragen und korrekten Beurteilung ihrer selbst bei der ehrlichen Beantwortung ohne jegliche Anmaßung haben. Es ist sehr wahrscheinlich, dass die psychologischen Auswertungsdaten (wie für die Aufmerksamkeit oder das Wohlbefinden) Inkonsistenzen enthalten. Außerdem hat die psychologische Auswertung der Aufmerksamkeit und des Wohlbefindens, die durch das Fragebogenverfahren gemessen werden, den Nachteil, dass die Parameter begrenzt sind, um erkennbare Charakteristika im Bewusstsein der Subjekte zu manifestieren.
Das Wohlbefinden ist am häufigsten erkennbar, und es gibt keine so großen Unterschiede zwischen dem tatsächlichen Wohlbefinden des Subjekts und der psychologischen Bewertung, die durch einen Fragebogen erhalten wird. Andererseits ist die Aufmerksamkeit oder der Grad der Erschöpfung oft nicht erkennbar, und es sollte erwartet werden, dass es einen relativ großen Unterschied zwischen dem tatsächlichen Zustand des Subjekts und der auf dem Fragebogen beruhenden Bewertung gibt.
Um diesem nachteiligen Effekt zu begegnen, wird die Verwendung eines neuronalen Netzes bevorzugt, das lernen kann, anstelle der Verwendung psychologischer Auswertungen als Hauptparameter. Ein Beispiel eines derartigen neuronalen Netzes ist ein neuronales Netz vom Sanduhrtyp.
Das NN vom Sanduhrtyp wurde auf dem Gebiet der Telekommunikation für die Kompression und Dekompression von Informationen verwendet. Es wurde auch in den vergangenen Jahren zur Erforschung menschlicher Sinne angewendet. "Neural Network Model for Recognizing Shape of a Grasped Object and Decides Hand Configuration" von Fukumura et al., Japan, IEICE, Technical Report, NC90-104, 1991-03, schlägt ein integriertes Modell verschiedener Informationsarten (visueller Sinn und somatischer Sinn) zur motorischen Steuerung menschlicher Arme vor. "Neural Network Model for Acquiring an Internal Representation Of the Weight Of Grasped Objects" von Uno et al., Trans. IEICE D-2, J76-D-2, 3, Seiten 663-671, 1993-03 offenbart ein Verfahren zur Schätzung des Gewichts eines zu greifenden unbekannten Objekts als interner Ausdruck in der mittleren Schicht des neuronalen Netzes. Hält beispielsweise ein Mann ein Objekt in seiner Hand und bewegt er seinen Arm, verändert sich ein dynamisches System des gesamten Arms entsprechend dem Gewicht des Objekts, und die Spannung des Armmuskels muss verändert werden. In der Realität kann der Mann jedoch seinen Arm entsprechend dem Gewicht des Objekts geeignet bewegen, obwohl er das exakte Gewicht des Objekts tatsächlich nicht weiß. Das liegt wohl daran, dass der interne Ausdruck des Gewichts des Objekts im motorischen Zentrum über die Erfahrung erhalten wurde.
Die vorstehend angeführte Veröffentlichung von Uno et al. schlägt ein neuronales Schaltungsmodell zum Erhalten interner Ausdrücke des Gewichts des zu haltenden Objekts vor, indem beobachtbare Daten des Bogen-(Gelenk-) Winkels verwendet werden, die eine Armposition und sein Antriebsmoment darstellen. Die grundlegende Idee dieses Verfahrens besteht in der Konstruktion eines mehrschichtigen neuronalen Netzmodells durch Kombinieren eines Netzes zur Berechnung eines Gewichts des zu haltenden Objekts beruhend auf dem Bogenwinkel des Arms und seines Moments mit einem inversen dynamischen Netz zur Berechnung eines Moments beruhend auf dem Gewicht des zu haltenden Objekts und dem Bogenwinkel des Arms. Diese Struktur ist in Fig. 13 gezeigt. In dieser Veröffentlichung ist beschrieben, dass diese Struktur dem Netz das Lernen der Bewegung des Arms ohne positive (hauptsächliche) Verwendung des Gewichts des zu haltenden Objekts ermöglicht. Nach ausreichendem Lernen (Training) wird der aktive Wert der Neurone in der Zwischenschicht eine monotone Funktion allein des Gewichts des zu haltenden Objekts ohne Abhängigkeit von der Armposition. D. h., es wurde ein interner Ausdruck, der dem Gewicht des Objekts entspricht, in dem neuronalen Netz errichtet.
Durch Zufuhr lediglich eines kinetischen Musters und eines kinetischen Befehls als Lehrersignale zu dem neuronalen Netz wird der dem Gewicht entsprechende interne Ausdruck als Aktivitätswert in der Zwischenschicht des neuronalen Netzes erhalten. Zur Angabe des Gewichts als interner Ausdruck wird bevorzugt, dass die Anzahl der Neurone in der Zwischenschicht geringer als die in den anderen Schichten ist. Dieser Netztyp ist ein sog. neuronales Netz vom Sanduhrtyp.
Fig. 14 zeigt die Beziehung zwischen dem Gewicht des in der Hand zu haltenden Objekts und dem Aktivitätswert des Neurons in der Zwischenschicht (was durch den Buchstaben "X" in Fig. 13 gezeigt ist). Die horizontale Achse stellt das tatsächliche Gewicht des in der Hand zu haltenden Objekts dar, das dem Subjekt nicht bekannt ist, und die vertikale Achse stellt die Aktivität des Neurons X dar. Der linke Graph zeigt die Aktivitätswerte des Neurons hinsichtlich der tatsächlichen Belastungswerte auf, die als Ergebnis des Experiments erhalten werden, und der rechte Graph zeigt interne Ausdrücke für nicht-Lerndaten. Wie es aus dem Graph ersichtlich ist, ist die Aktivität des Neurons X, das zur Zwischenschicht gehört, eine monotone Funktion des Gewichts, und es ist ersichtlich, dass ein dem Gewicht entsprechender interner Ausdruck im neuronalen Netz errichtet wurde.
Wird das neuronale Netz vom Sanduhrtyp bei der Erfindung angewendet, umfasst das Netz eine Kombination aus einem neuronalen Datenkompressionsnetz zur Berechnung eines psychologischen Bewertungswerts, wie der Aufmerksamkeit und des Wohlbefindens, aus der EEG-Fluktuation und ein Dekompressions-(inverses) Netz zur Berechnung der EEG- Fluktuation aus dem psychologischen Bewertungswert, woraus ein mehrschichtiges neuronales Netzmodell vom Sanduhrtyp mit einer geringen Anzahl an Neuronen in seiner Zwischenschicht aufgebaut wird. In dieser Struktur ist es möglich, der Aufmerksamkeit oder dem Wohlbefinden entsprechende interne Ausdrücke in dem Netz ohne direkte Verwendung der psychologischen Bewertungswerte zum Trainieren des Netzes zu erhalten. In diesem Fall werden die psychologischen Bewertungen indirekt zur Bestimmung verwendet, welches Neuron in der Zwischenschicht des neuronalen Netzes nach dem Lernen der Aufmerksamkeit oder dem Wohlbefinden entspricht. Das neuronale Netz vom Sanduhrtyp realisiert eine genaue Schätzung der Aufmerksamkeit und des Wohlbefindens aus der EEG- Fluktuation.
Fig. 15 zeigt ein Strukturbeispiel eines neuronalen Netzes vom Sanduhrtyp, das bei der Erfindung zur Schätzung der Aufmerksamkeit und des Wohlbefindens aus der EEG- Fluktuation verwendet wird. Das neuronale Netz vom Sanduhrtyp umfasst ein 3-Schicht-Datenkompressions-NN und ein Dekompressions-NN, die symmetrisch kombiniert sind. Eingaben und Ausgaben sind Einheiten physiologischer Parameter (acht Kanäle von EEG-Fluktuationskoeffizienten), die die gleichen wie die EEG-Fluktuationssignale sind, die bei dem in Fig. 5 gezeigten neuronalen Netz verwendet werden.
Das Trainieren dieses neuronalen Netzes wird durch Rückwärtsausbreitung eines Differenzsignals zwischen einem Ausgang des NN und einem Lehrersignal von einer Ausgabeseite zu einer Eingabeseite ausgeführt (Rückausbreitung), um die Addition der Ausgabe des NN und eines Quadrats der Differenz zwischen dem Lehrersignal und der tatsächlichen Ausgabe zu minimieren, und durch Verändern der Kopplungslast (Gewicht) der synaptischen Kopplung zwischen der ersten und zweiten Schicht, zwischen der zweiten und dritten Schicht, zwischen der dritten und vierten Schicht und zwischen der vierten und fünften Schicht. Erfindungsgemäß sind sowohl das Ausgangssignal als auch das Lehrersignal, das zum Trainieren des neuronalen Netzes verwendet wird, acht Kanäle von EEG- Fluktuationskoeffizienten. Durch die Anwendung der EEG- Fluktuationskoeffizienten sowohl bei dem Lehrersignal als auch dem Eingangssignal zum Lernen des neuronalen Netzes werden dem Grad der Aufmerksamkeit und des Wohlbefindens entsprechende Neurone in den Zwischenschichten gebildet. Somit wird ein interner Ausdruck der Aufmerksamkeit und des Wohlbefindens in der dritten Schicht des neuronalen Netzes erhalten.
Die erste und fünfte Schicht des neuronalen Netzes umfasst acht Einheiten (Neurone), die acht Kanälen der EEG- Fluktuationskoeffizienten entsprechen. Die zweite und vierte Schicht besteht aus 70 bis 90 Neuronen. Logischerweise muß die dritte Schicht zumindest 2 Neurone zum Erhalten interner Ausdrücke für die Aufmerksamkeit und das Wohlbefinden haben, sie braucht aber tatsächlich mehr Neurone. Die Anzahl der Neurone in der dritten Schicht wird derart eingestellt, um ein Erscheinen der psychologischen Bewertung als konstantes Muster zu ermöglichen. Dies hängt tatsächlich von den EEG-Fluktuationskoeffizientendaten ab, die zum Trainieren des neuronalen Netzes verwendet werden, und es sollte eine geeignete Anzahl an Neuronen über einen Versuchsvorgang ausgewählt werden.
Die erhaltenen internen Ausdrücke können durch Vergleichen jeder Ausgabe der dritten Schicht, die durch die Eingabe der EEG-Fluktuation erhalten wird, mit dem psychologischen Bewertungswert (Grad der Aufmerksamkeit und des Wohlbefindens) bestätigt werden, der aus dem Fragebogen erhalten wurde. Somit werden die psychologischen Bewertungswerte, wie die Aufmerksamkeit oder das Wohlbefinden, die aus dem Fragebogen erhalten werden, nicht direkt zum Trainieren des neuronalen Netzes verwendet, sondern werden zur Nachprüfung verwendet, welcher interne Ausdruck welchem psychologischen Parameter entspricht. Der interne Ausdruck des psychologischen Zustands kann als einzelner Ausgabewert der dritten Schicht des neuronalen Netzes (das in Fig. 15 gezeigt ist) für einige Fälle erhalten werden, oder er kann alternativ als konstantes Ausgangsmuster der gesamten Einheiten für andere Fälle erhalten werden. Die Veröffentlichung von Fukumura et al., die vorstehend erwähnt wurde, zeigt, dass das Aktivitätsmuster der Neurone in der Zwischenschicht sich in Abhängigkeit von der Form des zu haltenden Objekts verändert, beispielsweise einer zylindrischen, kubischen oder sphärischen Form.
Der Graph in Fig. 16A zeigt eine Korrelation zwischen den Ausgangswerten der ersten Einheit der dritten Schicht und der Aufmerksamkeit, die aus dem Fragebogen erhalten wird, während der Graph in Fig. 16B eine Korrelation zwischen den Ausgangswerten der zweiten Einheit der dritten Schicht und dem aus dem Fragebogen erhaltenen Wohlbefinden zeigt. Die horizontale Achse stellt die psychologische Bewertung dar, die aus dem Fragebogen erhalten wird, und die vertikale Achse stellt den tatsächlichen Ausgabewert der dritten Schicht dar. Bei diesem Beispiel wird die erste Einheit der dritten Schicht zur Ausgabe des Grads der Aufmerksamkeit und die zweite Schicht zur Ausgabe des Grads des Wohlbefindens verwendet.
In diesen Graphen wird die Ausgabe einer bestimmten Einheit der dritten Schicht als Ergebnis der Eingabe verschiedener Muster der EEG-Fluktuationskoeffizienten in das trainierte neuronale Netz vom Sanduhrtyp erhalten. Wie es aus den Graphen ersichtlich ist, haben die Ausgaben der ersten und zweiten Einheiten der dritten Schicht eine starke Korrelationsbeziehung mit dem Fragebogenergebnis jeweils der Aufmerksamkeit und des Wohlbefindens. D. h., die internen Ausdrücke, die der Aufmerksamkeit und dem Wohlbefinden entsprechen, werden jeweils in der ersten und der zweiten Einheit erhalten.
Da das Trainieren des neuronalen Netzes unter Verwendung lediglich eines physiologischen Parameters (des EEG- Fluktuationssignals) ausgeführt wird, enthält der Grad der Aufmerksamkeit bzw. des Wohlbefindens, der in der jeweiligen Einheit der dritten Schicht erhalten wird, keine Schwankung (Dispersion) in der psychologischen Bewertung aus dem Fragebogen. Diesbezüglich kann das neuronale Netz vom Sanduhrtyp eine genauere Schätzung verglichen mit dem neuronalen 3-Schicht-Netz durchführen, das in den vorhergehenden Unterabschnitten A bis E beschrieben wurde.
In Fig. 16 scheint es, dass die Schätzwerte der Aufmerksamkeit und des Wohlbefindens, die durch das neuronale Netz vom Sanduhrtyp erhalten werden, nicht mit den Fragebogenauswertungen konsistent sind und dass sie Schwankungen zeigen. Allerdings wird diese Schwankung durch die Probleme mit dem Fragebogenverfahren verursacht.
Das einfache neuronale Dreischichtnetz verwendet direkt psychologische Bewertungswerte als Lehrersignale zum Trainieren des neuronalen Netzes. Die durch ein derartiges neuronales Netz geschätzten resultierenden psychologischen Zustände sind auf erkennbare psychologische Zustände (wie das Wohlbefinden) beschränkt, die dem Subjekt bewusst sein können. Andererseits verwendet das neuronale Netz vom Sanduhrtyp die psychologischen Bewertungswerte nicht direkt als Lehrersignale, und kann solche psychologischen Zustände schätzen, die für das Subjekt schwierig zu erkennen sind (Wachsamkeit bzw. Aufmerksamkeit oder Müdigkeitsgrad).
Obwohl in den vorstehenden Beispielen beschrieben wurde, dass durch den Fragebogen erhaltene psychologische Bewertungen als Parameter der Aufmerksamkeit verwendet werden, können Arbeitsergebnisse selektiver Reaktionstests als Parameter anstelle der psychologischen Bewertung verwendet werden. In diesem Fall werden die EEG- Fluktuationskoeffizienten während des selektiven Reaktionstests und die Arbeitsergebnisse gemessen, und das neuronale Netz wird beruhend auf diesen Daten trainiert. Die Aufmerksamkeit und der Grad der Müdigkeit werden aus der EEG-Fluktuation während des tatsächlichen Arbeitens durch das so trainierte neuronale Netz geschätzt.
Es ist bekannt, dass die Arbeitsergebnisse der selektiven Reaktionstests den Grad der Aufmerksamkeit und des Wohlbefindens besser als psychologische Bewertungen wiederspiegeln. Allerdings ist es schwierig, gleichzeitig einen solchen Test während des tatsächlichen Arbeitens auszuführen. Beispielsweise ist es nahezu unmöglich, einen selektiven Reaktionstest während des tatsächlichen Steuerns des Autos durchzuführen. Aus diesem Grund wurden psychologische Bewertungen, die während der tatsächlichen Arbeit messbar sind, für eine Echtzeitmessung des Grads der Aufmerksamkeit oder Müdigkeit anstelle der Echtzeitarbeitsergebnisse verwendet.
Bei der Erfindung wird das Arbeitsergebnis, das während der tatsächlichen Arbeit schwierig zu korrigieren ist, durch die EEG-Fluktuation als physikalischen Parameter ersetzt. Dies kann die gleiche Genauigkeit der Echtzeitschätzung der Aufmerksamkeit oder des Grads der Müdigkeit wie bei der Verwendung von Arbeitsergebnissen erreichen. Indem dem neuronalen Netz die Beziehung zwischen dem Arbeitsergebnis und der EEG-Fluktuation vorab gelernt wird, kann eine gute Schätzung der Aufmerksamkeit oder des Grads der Müdigkeit mit einem derartigen neuronalen Netz erhalten werden.
Fig. 17 zeigt dieses Verfahren, das heißt, das Lernen der Beziehung zwischen der EEG-Fluktuation und dem Arbeitsergebnis durch das neuronale Netz und die Schätzung der Aufmerksamkeit oder des Grades der Müdigkeit unter Verwendung des trainierten neuronalen Netzes. Bei dem herkömmlichen Verfahren werden psychologische Auswertungen aus dem Fragebogen während der tatsächlichen Steuerung erhalten, da es schwierig ist, einen selektiven Reaktionstest gleichzeitig mit dem Steuervorgang auszuführen. Diese psychologische Bewertung und die entsprechende EEG-Fluktuation werden als Vorab-Testdaten zum Lernen der Umgebung verwendet. Dann wird die Aufmerksamkeit oder der Grad der Müdigkeit aus der EEG- Fluktuation während der tatsächlichen Steuerung geschätzt. Dagegen lernt bei der Erfindung das neuronale Netz vorab die Beziehung zwischen der während des Experiments (beispielsweise des selektiven Reaktionstests) erhaltenen EEG-Fluktuation und der Aufmerksamkeit oder dem Grad der Müdigkeit unter Verwendung der Arbeitsergebnisse und schätzt dann die Aufmerksamkeit oder den Grad der Müdigkeit während des tatsächlichen Fahrens.
Durch die Verwendung von Arbeitsergebnissen, von denen angenommen wird, dass sie mit der Aufmerksamkeit enger als eine psychologische Auswertung unter Verwendung des Fragebogens verknüpft sind, kann eine genaue Analyse der Informationen bezüglich physischer und psychologischer Zustände durch das erfindungsgemäße Vitalinformationsanalysegerät erreicht werden.
Zum Erhalten von Arbeitsergebnissen kann ein Uchida- Kraepelin-Test verwendet werden, sowie selektive Reaktionstests, und verschiedene bekannte Tests können bei der Erfindung anwendbar sein.
Infolgedessen kann das erfindungsgemäße neuronale Netz psychologische Zustände einschließlich der Aufmerksamkeit und des Wohlbefindens beruhend auf den eingegebenen EEG- Fluktuationssignalen schätzen.
Durch die Kombination zweier neuronaler Netze jeweils zum Schätzen der Aufmerksamkeit und des Wohlbefindens kann eine genauere Schätzung erreicht werden, da das Wohlbefinden unter Berücksichtigung der zuerst geschätzten Aufmerksamkeit geschätzt wird.
Bei der Verwendung eines neuronalen Netzes vom Sanduhrtyp wird das Trainieren des neuronalen Netzes unter Verwendung der EEG-Fluktuationssignale ausgeführt, und psychologischen Zuständen entsprechende interne Ausdrücke können in der Zwischenschicht des neuronalen Netzes ohne direkte Verwendung der Fragebogenauswertung erhalten werden.
Der Fachmann kann viele Ersetzungen oder Modifikationen der vorstehend beschriebenen Ausführungsbeispiele ausführen, ohne von der Erfindung abzuweichen, wie sie durch die beigefügten Patentansprüche definiert ist.
Es sind ein Gerät und ein Verfahren zur Analyse von Informationen bezüglich der physiologischen und psychologischen Zustände eines Fahrers ausgebildet. Psychologische Zustände, wie das Wohlbefinden oder der Grad der Aufmerksamkeit werden auf der Grundlage physischer Daten, wie der Frequenzfluktuation in Gehirnwellen geschätzt. Dieses Gerät umfasst ein erstes neuronales Netz mit einem vorverarbeiteten 1/f-Fluktuationssignal für Gehirnwellen als Eingabe und zur Schätzung eines Grads der Aufmerksamkeit des Fahrers, und ein zweites neuronales Netz, das den geschätzten Grad der Aufmerksamkeit und das vorverarbeitete 1/f-Fluktuationssignal empfängt, um das Wohlbefinden des Fahrers zu schätzen und auszugeben. Durch die Verwendung eines neuronalen Netzes, das die Abbildungsmöglichkeit sowie eine flexible Anpassungsfähigkeit selbst für nichtlineare Daten hat, kann beruhend auf der Lernfunktion eine genauere Schätzung mentaler Zustände verglichen mit einer herkömmlichen statistischen Analyse erreicht werden.

Claims

1. Gerät zum Analysieren von Informationen bezüglich physiologischer und psychologischer Zustände mit einem neuronalen Netz, das ein physiologisches Fluktuationssignal als Eingabe empfängt, wobei das neuronale Netz dadurch gekennzeichnet ist, dass es psychologische Zustände beruhend auf Frequenzschwankungen des physiologischen Fluktuationssignals schätzt.

2. Gerät nach Anspruch 1, wobei das neuronale Netz ein vorverarbeitetes EEG-Fluktuationssignal als physiologisches Fluktuationssignal empfängt.

3. Gerät nach Anspruch 2, wobei das neuronale Netz die Wachsamkeit als psychologischen Zustand schätzt.

4. Gerät nach Anspruch 2, wobei das neuronale Netz das Wohlbefinden als psychologischen Zustand schätzt.

5. Gerät nach Anspruch 2, wobei das neuronale Netz

ein erstes neuronales Netz, das das EEG- Fluktuationssignal als Eingabe empfängt und einen Grad an Wachsamkeit schätzt, und

ein zweites neuronales Netz umfasst, das den durch das erste neuronale Netz geschätzten Grad an Wachsamkeit und das EEG-Fluktuationssignal als Eingaben empfängt und das Wohlbefinden schätzt, wodurch sowohl die Wachsamkeit als auch das Wohlbefinden als psychologische Zustände geschätzt werden.

6. Gerät nach Anspruch 1, wobei das physiologische Fluktuationssignal eine Vielzahl physiologischer Fluktuationssignale umfasst, die an einer Vielzahl von Abschnitten im Kopf eines Subjekts erfasst werden.

7. Gerät nach Anspruch 6, wobei die Vielzahl der in das neuronale Netz eingegebenen physiologischen Fluktuationssignale Fluktuationssignale sind, bei denen eine Frequenzkomponente in einem bestimmten Bereich durch ein Bandfilter entfernt ist.

8. Verfahren zum Analysieren von Informationen bezüglich physiologischer und psychologischer Zustände mit dem Schritt

Eingeben eines physiologischen Fluktuationssignals in ein neuronales Netz, gekennzeichnet durch den Schritt

Anlegen des physiologischen Fluktuationssignals an das neuronale Netz, um das neuronale Netz zum Schätzen psychologischer Zustände beruhend auf Frequenzschwankungen des physiologischen Fluktuationssignals zu veranlassen.

9. Verfahren nach Anspruch 8, wobei das physiologische Fluktuationssignal ein vorverarbeitetes EEG- Fluktuationssignal umfasst.

10. Verfahren nach Anspruch 9, wobei die psychologischen Zustände die Wachsamkeit umfassen.

11. Verfahren nach Anspruch 9, wobei die psychologischen Zustände das Wohlbefinden umfassen.

12. Verfahren nach Anspruch 9, wobei der Schritt zum Schätzen des psychologischen Zustands die Schritte umfasst

Anlegen des EEG-Fluktuationssignals an ein neuronales Netz zur Schätzung der Wachsamkeit, um die Wachsamkeit zu schätzen, und

Anlegen der geschätzten Wachsamkeit und des EEG- Fluktuationssignals an ein neuronales Netz zur Schätzung des Wohlbefindens, wodurch sowohl die Wachsamkeit als auch das Wohlbefinden als psychologische Zustände geschätzt werden.

13. Verfahren nach Anspruch 8, wobei das physiologische Fluktuationssignal eine Vielzahl physiologischer Fluktuationssignale umfasst, die an einer Vielzahl von Abschnitten im Kopf eines Subjekts erfasst werden.

14. Verfahren nach Anspruch 13, wobei die Vielzahl der in das neuronale Netz eingegebenen physiologischen Fluktuationssignale Fluktuationssignale sind, bei denen eine Frequenzkomponente in einem bestimmten Bereich durch ein Bandfilter entfernt ist.

15. Gerät nach Anspruch 1, wobei das neuronale Netz ein neuronales Netz vom Sanduhrtyp ist, das Trainieren des neuronalen Sanduhr-Netzes durch das Zuführen der EEG- Fluktuationssignale sowohl zum Eingang als auch zum Ausgang ausgeführt wird, und Ausgabewerte einer Zwischenschicht des neuronalen Netzes psychologische Zustände darstellen.

16. Gerät nach Anspruch 5, wobei das erste und das zweite neuronale Netz neuronale Netze vom Sanduhrtyp sind, die EEG-Fluktuationssignale sowohl dem Eingang als auch dem Ausgang jedes neuronalen Netzes zum Trainieren der 90 neuronalen Netze zugeführt werden, und Ausgabewerte von Zwischenschichten der neuronalen Netze die psychologischen Zustände darstellen.

17. Verfahren nach Anspruch 8, wobei das während des Anlegens des physiologischen Fluktuationssignals verwendete neuronale Netz ein neuronales Netz vom Sanduhrtyp ist, das mit EEG-Fluktuationssignalen sowohl am Eingang als auch am Ausgang trainiert wurde, und Ausgabewerte einer Zwischenschicht des neuronalen Netzes die psychologischen Zustände darstellen.

18. Verfahren nach Anspruch 12, wobei das neuronale Netz zum Schätzen der Wachsamkeit und das neuronale Netz zum Schätzen des Wohlbefindens neuronale Netze vom Sanduhrtyp sind, die beide mit den EEG-Fluktuationssignalen sowohl am Eingang als auch am Ausgang trainiert wurden, und die Ausgabewerte einer Zwischenschicht jedes neuronalen Netzes die psychologischen Zustände darstellen.