JP2018138136A - 被験者判断装置、方法、及びプログラム - Google Patents

Abstract

【課題】被験者の脳機能の状態を迅速に判断する。【解決手段】手段的日常生活活動の環境を仮想空間に表現されたた画像上での被験者の指の接触／非接触の状態から被験者の行動の特徴量であるｍｅａｎＴＴｌ（ｎ）、ｍｅａｎＴＴｌ（ｎ＋１）を算出し、算出されたｍｅａｎＴＴｌ（ｎ）、ｍｅａｎＴＴｌ（ｎ＋１）に対応するプロット点が、被験者が健常者であるか否かを判断するために予め定められた特徴量の判定値の範囲７０２内にあるか否かを判断することにより、被験者が健常者であるか否かを判断する。このように、従来の方法のように質問紙を用いた記憶を検査したり磁気共鳴機能画像法による脳画像を診断したりすることと比較すると、本開示の技術では、被験者が健常者であるか否かを迅速に判断することができる。【選択図】図７

Description

本発明は、被験者判断装置、方法、及びプログラムに関する。

従来、認知症の患者、例えば、軽度認知障害（ＭＣＩ：Ｍｉｌｄ Ｃｏｇｎｉｔｉｖｅ Ｉｍｐａｉｒｍｅｎｔ）の患者と脳機能に障害がない健常者とを識別する方法やシステムは、認知機能の検査に焦点が当てられている。例えば、質問紙を用いた記憶検査（特許文献１）、バイオマーカーを用いた検査法、及び磁気共鳴機能画像法（ｆＭＲＩ：ｆｕｎｃｔｉｏｎａｌ Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ：）による脳画像診断などが主に用いられている。なお、関連する技術の認知症診断支援システムには、以下の特許文献２〜１０がある

特開2007-282992号公報 特開2015-173695号公報 特開2014-018341号公報 特表2011-517962号公報 特表2011-502564号公報 特表2009-528103号公報 特表2009-515568号公報 特表2008-510580号公報 特表2007-532219号公報 再表2014/013999号公報

しかし、従来の方法では、全ての検査に数時間から数日かかり、被験者を判断することに時間がかかる。

本開示の技術は、被験者の脳機能の状態を迅速に判断することが可能な被験者判断装置、方法、及びプログラムを提供することを目的とする。

上記目的を達成するため、本開示の技術の第１の態様の被験者判断装置は、被験者が所定の活動をするための環境を表示する表示部と、前記被験者の身体的部位の状態を計測する計測部と、前記表示部により表示された前記環境で前記所定の動作をしようとした前記被験者の身体的部位の前記計測部により計測された状態から前記被験者の行動の特徴量を算出する特徴量算出部と、前記特徴量算出部により算出された前記行動の特徴量と、被験者の脳機能の状態を判断するために予め定められた前記特徴量の判定値とから、前記被験者の脳機能の状態を判断する判断部と、を備えている。

本開示の技術の表示部は、被験者が所定の活動をするための環境を表示する。第２の態様の表示部は、前記被験者が所定の活動をするための３次元環境を仮想的に表示する。

計測部は、前記被験者の身体的部位の状態を計測する。

特徴量算出部は、前記表示部により表示された前記環境で前記所定の動作をしようとした前記被験者の身体的部位の前記計測部により計測された状態から前記被験者の行動の特徴量を算出する。

第３の態様では、前記行動の特徴量は、前記身体的部位の動きの時間的変化を表す量、前記身体的部位の動きの周波数変化を表す量、及び前記身体的部位の動きの非線形的変化を表す量の少なくとも１つである。

判断部は、前記特徴量算出部により算出された前記行動の特徴量と、被験者の脳機能の状態を判断するために予め定められた前記特徴量の判定値とから、前記被験者の脳機能の状態を判断することを含む。判断部は、前記被験者の脳機能の状態として、被験者が、脳機能に障害がない健常者であるか否かを判断する。判断部は、更に、脳機能に障害がない健常者でない場合に、当該障害の程度を判断する。

第４の態様では、前記判定値は、学習により決定された値である。

第５の態様では、前記所定の動作は、日常生活活動より複雑な手段的日常生活活動であり、前記判定値は、前記被験者が前記手段的日常生活活動をするのに支障のある者かを判断するための手段的日常生活活動支障判断判定値である。

このように本開示の技術では、表示部により表示され且つ被験者が所定の活動をするための環境で前記所定の動作をしようとした前記被験者の身体的部位の、計測部が計測した状態から、前記被験者の行動の特徴量を算出する。算出された前記行動の特徴量と、被験者の脳機能の状態を判断するために予め定められた前記特徴量の判定値とから、前記被験者の脳機能の状態を判断する。

よって、本開示の技術は、被験者の脳機能の状態を迅速に判断することができる。

本開示の技術の第６の態様の被験者判断方法は、表示部が、被験者が所定の活動をするための環境を表示し、計測部が、前記被験者の身体的部位の状態を計測し、特徴量算出部が、前記表示部により表示された前記環境で前記所定の動作をしようとした前記被験者の身体的部位の前記計測部により計測された状態から前記被験者の行動の特徴量を算出し、判断部が、前記特徴量算出部により算出された前記行動の特徴量と、被験者の脳機能の状態を判断するために予め定められた前記特徴量の判定値とから、前記被験者の脳機能の状態を判断する。

第７〜第１０の態様は、第２〜第５の態様と同様である。

本開示の技術の第１１の態様の被験者判断プログラムは、コンピュータを、表示部により表示され且つ被験者が所定の活動をするための環境で前記所定の動作をしようとした前記被験者の身体的部位の、計測部が計測した状態から、前記被験者の行動の特徴量を算出する特徴量算出部、及び前記特徴量算出部により算出された前記行動の特徴量と、被験者の脳機能の状態を判断するために予め定められた前記特徴量の判定値とから、前記被験者の脳機能の状態を判断する判断部として機能させる。

第１１〜第１５の態様は、第２〜第５の態様と同様である。

本開示の技術は、被験者の脳機能の状態を迅速に判断することができる。

被験者判断装置１００を示す図である。 （Ａ）には、手段的日常生活活動の第１の環境を仮想空間に表現した第１の画像を示し、（Ｂ）には、手段的日常生活活動の、第１の環境とは異なる第２の環境を仮想空間に表現した第２の画像を示す図である。 被験者判断装置１００のブロック図である。 第１の実施の形態における健常者判断処理の１例を示すフローチャートが示されている。 手段的日常生活活動のタスクを被験者が実行する間の被験者の指が画面に接触した接触状態と画面から離れた非接触状態を示すグラフである。 被験者の指がディスプレイ１２に接触開始した時のタイミングに合わせてその前の接触の接触終了時からの時間間隔を示したグラフである。 Ｐｏｉｎｃａｒｅ Ｐｌｏｔグラフである。 第２の実施の形態における健常者判断処理の１例を示すフローチャートが示されている。 第３の実施の形態における健常者判断処理の１例を示すフローチャートが示されている。 手段的日常生活活動のタスクを実行する間の被験者の指の速度のノルムを示すグラフである。 第４の実施の形態における健常者判断処理の１例を示すフローチャートが示されている。 判定値学習処理の１例を示すフローチャートが示されている。 真陽性率及び偽陽性率グラフである。

（第１の実施の形態）
図１には、被験者判断装置１００が示されている。図２（Ａ）には、手段的日常生活活動（ＩＡＤＬ：Ｉｎｓｔｒｕｍｅｎｔａｌ Ａｃｔｉｖｉｔｉｅｓ ｏｆ Ｄａｉｌｙ Ｌｉｖｉｎｇ）の第１の環境を仮想空間に表現した第１の画像が示されている。図２（Ｂ）には、手段的日常生活活動の、第１の環境とは異なる第２の環境を仮想空間に表現した第２の画像が示されている。図３には、被験者判断装置１００のブロック図が示されている。

図３に示すように、被験者判断装置１００は、人工現実感（ＶＲ：Virtual Reality）技術を用いて被験者が手段的日常生活活動をするための環境（ＩＡＤＬ環境）を仮想空間に表現した画像（図２（Ａ）又は図２（Ｂ））を表示するディスプレイ１２（図１も参照）を備えている。被験者判断装置１００は、ディスプレイ１２の画面に置かれた被験者の身体的部位、例えば、手の指のディスプレイ１２への接触／非接触の状態を計測するタッチセンサ１４を備えている。タッチセンサ１４は、ディスプレイ１２の画面に重ね合わせて設けられている。タッチセンサ１４は、静電容量方式のセンサであり、タッチセンサ１４の面上の静電容量値を検出する。タッチセンサ１４の面上の静電容量値を検出することで、タッチセンサ１４に近いまたは接触している指を検出することができる。

また、被験者判断装置１００は、三脚上の雲台からの支柱に取り付けられ、ディスプレイ１２の画面に置かれた被験者の指の３次元位置を計測する３次元モーションセンサ１６（図１も参照）を備えている。

更に、被験者判断装置１００は、ディスプレイ１２により表示された環境で所定の動作をしようとした被験者の指のディスプレイ１２への接触／非接触の状態又は当該指の３次元位置の状態から被験者の行動の特徴量を算出するコンピュータ１０を備えている。コンピュータ１０は、更に、算出された行動の特徴量と、被験者の脳機能の状態を判断するために予め定められた特徴量の判定値とから、被験者の脳機能の状態を判断する。

コンピュータ１０は、ＣＰＵ２０、ＲＯＭ２２、ＲＡＭ２４、及び入出力インタフェース（Ｉ／Ｏ）２６を備えている。ＣＰＵ２０、ＲＯＭ２２、ＲＡＭ２４、及び入出力インタフェース（Ｉ／Ｏ）２６は、バス２８を介して相互に接続されている。

ディスプレイ１２は、本開示の技術の表示部の１例である。タッチセンサ１４及び３次元モーションセンサ１６は、本開示の技術の計測部の１例である。コンピュータ１０のＣＰＵ２０は、本開示の技術の特徴量算出部及び判断部の１例である。

ＲＯＭ２２には、後述する健常者判断処理プログラム（図４、図８、図９、図１１）及びしきい値学習処理プログラム（図１２）が記憶されている。健常者判断処理プログラム（図４、図８、図９、図１１）及びしきい値学習処理プログラム（図１２）は、ＲＯＭ２２から読み出され、ＲＡＭ２４に展開されて、ＣＰＵ２０によって実行される。

図４には、健常者判断処理の１例が示されている。図４に示すように、ステップ４０２で、ディスプレイ１２が、ＩＡＤＬ環境を仮想空間に表現した画像（図２参照）を表示し、手段的日常生活活動のタスク（例えば、ランチボックスの準備等）を被験者が実行する間、被験者の指が画面に接触した接触開始時及び画面から離れた接触終了時を、タッチセンサ１４からの信号から検出する。

ステップ４０４で、健常者判断処理で使用される変数ｎ、ＴＴｌ（ｎ）、ＴＴｌ（ｎ＋１）を１に初期化する。ステップ４０６で、被験者の指がディスプレイ１２に接触している複数の状態の各々を識別する変数ｎを１インクリメントする。

ステップ４０８で、第ｎ−１回目の接触の終了時から第ｎ回目の接触開始時までの間の時間Ｔｎを算出する。

図５には、手段的日常生活活動のタスクを被験者が実行する間の被験者の指が画面に接触した接触状態と画面から離れた非接触状態を示すグラフが示されている。図６には、被験者の指がディスプレイ１２に接触開始した時のタイミングに合わせてその前の接触の接触終了時からの時間間隔を示したグラフが示されている。

本実施の形態で取り扱うデータは次の通りである。

ステップ４０８では、上記データに基づいて、図５及び図６に示すように、ｎ＝１ではＴ（１）が、ｎ＝２ではＴ（２）が、ｎ＝３ではＴ（３）・・・が算出される。

ステップ４１０で、ＴＴｌ（ｎ）←ＴＴｌ（ｎ）＋Ｔｎを計算する。

ステップ４１２で、第ｎ回目の接触の終了時から第ｎ＋１回目の接触開始時までの間の時間Ｔｎ＋１を算出する。なお、ステップ４１２は、接触のタイミングが異なるだけで、具体的な計算は、ステップ４０８と同様である。

ステップ４１４で、ＴＴｌ（ｎ＋１）←ＴＴｌ（ｎ＋１）＋Ｔｎ＋１を計算する。

ステップ４１６で、変数ｎが、被験者の指がディスプレイ１２に接触している複数の状態の総数Ｎであるか否かを判断する。

ステップ４１６で、変数ｎが、被験者の指がディスプレイ１２に接触している複数の状態の総数Ｎであると判断されなかった場合には、時間Ｔｎ及び時間Ｔｎ＋１を算出していない接触している状態があるので、健常者判断処理はステップ４０６に戻る。

一方、ステップ４１６で、変数ｎが、被験者の指がディスプレイ１２に接触している複数の状態の総数Ｎであると判断された場合には、全ての接触している状態について時間Ｔｎ及び時間Ｔｎ＋１を算出したので、健常者判断処理はステップ４１８に進む。

ステップ４１８で、mｅａｎＴＴｌ（ｎ）←ＴＴｌ（ｎ）／Ｎを計算する。mｅａｎＴＴｌ（ｎ）は、第ｎ−１回目の接触の終了時から第ｎ回目の接触開始時までの間の時間Ｔｎの平均値である。

ステップ４２０で、mｅａｎＴＴｌ（ｎ＋１）←ＴＴｌ（ｎ＋１）／Ｎを計算する。mｅａｎＴＴｌ（ｎ＋１）は、第ｎ回目の接触の終了時から第ｎ＋１回目の接触開始時までの間の時間Ｔｎ＋１の平均値である。

ステップ４２２で、mｅａｎＴＴｌ（ｎ）及びmｅａｎＴＴｌ（ｎ＋１）に対応する点を、図７に示すＰｏｉｎｃａｒｅ Ｐｌｏｔグラフにプロットする。

図７には、Ｐｏｉｎｃａｒｅ Ｐｌｏｔグラフが示されている。Ｐｏｉｎｃａｒｅ Ｐｌｏｔグラフの横軸は、mｅａｎＴＴｌ（ｎ）であり、Ｐｏｉｎｃａｒｅ Ｐｌｏｔグラフの縦軸は、mｅａｎＴＴｌ（ｎ＋１）である。

ステップ４２４で、ステップ４２２でプロットされた点は、脳機能に障害がない健常者であることを示す判定値の範囲７０２内であるか否かを判断する。

mｅａｎＴＴｌ（ｎ）及びmｅａｎＴＴｌ（ｎ＋１）は、前回の接触の終了時から今回の接触開始時までの間の時間に対応し、これは、ある動作をしてから次の動作を起こすまでの時間に対応する。よって、mｅａｎＴＴｌ（ｎ）及びmｅａｎＴＴｌ（ｎ＋１）がより大きいと、ある動作をしてから次の動作を起こすまでに時間がよりかかることを示す。これは、ある動作をしてから、次にどんな動作をすればよいのかを決定し実行に移すまでに時間がよりかかっていること、つまり被験者が次の動作をするのに迷っていることをより示すことになる。

被験者が健常者であれば、mｅａｎＴＴｌ（ｎ）及びmｅａｎＴＴｌ（ｎ＋１）に対応する点は、値が小さい領域７０２に位置する。領域７０２は、脳機能に障害がない健常者であると判断できる判定値の範囲である。被験者の認知症の程度が重くなると、mｅａｎＴＴｌ（ｎ）及びmｅａｎＴＴｌ（ｎ＋１）に対応する点は、値が大きくなり、領域７０４の領域に位置する。領域７０４は、重い認知症であると判断できる判定値の範囲である。なお、領域７０２と領域７０４との間の領域は、軽度認知障害の領域である。

ステップ４２４で、ステップ４２２でプロットされた点は、脳機能に障害がない健常者であることを示す判定値（しきい値）の範囲７０２内であると判断された場合には、ステップ４２６で、ディスプレイ１２に、脳機能に障害がない健常者であることを示す情報を表示する。

ステップ４２４で、ステップ４２２でプロットされた点は、健常者であることを示す判定値の範囲７０２内であると判断されなかった場合には、ステップ４２８で、ディスプレイ１２に、脳機能に障害がない健常者でないことを示す情報を表示する。

以上説明したように、本開示の技術では、手段的日常生活活動の環境を仮想空間に画像で表現する。当該画像上での被験者の指の状態（接触状態）から被験者の行動の特徴量（mｅａｎＴＴｌ（ｎ）及びmｅａｎＴＴｌ（ｎ＋１））を算出する。算出された行動の特徴量と、被験者が脳機能に障害がない健常者であるか否かを判断するために予め定められた特徴量の判定値の範囲７０２とから、被験者が健常者であるか否かを判断する。

このように、従来の方法のように質問紙を用いた記憶を検査したり磁気共鳴機能画像法による脳画像を診断したりすることと比較すると、本開示の技術では、被験者が健常者であるか否かを迅速に判断することができる。

また、被験者の指の動きを基準とした行動に即して判断しているので、被験者が健常者であるか否かをより精度よく判断することができる。

なお、ステップ４２２でプロットされた点が、領域７０４に位置する場合には、認知症であることを示す情報を表示し、領域７０２でも領域７０４でもない位置に位置する場合には、軽度の認知症であることを示す情報を表示するようにしてもよい。これにより、認知症の程度に応じた情報を表示することができる。

被験者が脳機能に障害がない健常者である範囲７０２、重い認知症の被験者の範囲７０４、軽度認知障害の患者の範囲（範囲７０２と範囲７０４との間の範囲）は、多数の被験者の実験結果から求めたり、後述する機械学習（図１２）で求めたりしてもよい。

ところで、従来の被験者判断方法では、日常生活活動（ＡＤＬ：Ａｃｔｉｖｉｔｉｅｓ ｏｆ Ｄａｉｌｙ Ｌｉｖｉｎｇ）において支障がある場合に、軽度認知障害の患者であると判断されている。なお、日常生活活動は、日常生活を営む上で、普通に行っている行為や行動のことである。具体的には、食事や排泄、整容、移動、入浴等の基本的な行動を指す。

しかし、軽度認知障害の患者には、日常生活活動において支障はないが、日常生活活動よりも複雑で高次な動作である手段的日常生活活動において機能低下が見られる者がいることが分かってきている。

よって、軽度認知障害の患者を特定する新たなスクリーニング指標として、行動指標に着目する必要性がある。しかし、従来、手段的日常生活活動において軽度認知障害の患者と脳機能に障害がない健常者を識別する有効な特徴量の選定、機能低下を検出する技術が確立されていなかった。

しかし、本開示の技術では、手段的日常生活活動の環境を仮想空間に表現した画像上での被験者の指の状態から被験者が脳機能に障害がない健常者であるか否かを判断する。よって、本開示の技術は、健常者判断処理を、手段的日常生活活動において軽度認知障害の患者と健常者を識別する有効な特徴量の選定、機能低下を検出する技術として確立することができる。

（第２の実施の形態）
次に、本開示の技術の第２の実施の形態を説明する。第２の実施の形態の構成は、第１の実施の形態と同様であるので、以下、構成の説明を省略し、健常者判断処理を説明する。

図８には、第２の実施の形態における健常者判断処理の１例が示されている。

図８のステップ８０２で、ディスプレイ１２が、ＩＡＤＬ環境を仮想空間に表現した画像（図２参照）を表示し、手段的日常生活活動のタスク（例えば、ランチボックスの準備等）を被験者が実行する間、被験者の指がスクリーンに接触した接触開始時、スクリーンから離れた接触終了時、接触回数Ｔ、及び、手段的日常生活活動のタスクを遂行するのに要したタスク遂行時間ＡＴを、タッチセンサ１４からの信号から検出する。

ステップ８０４で、第２の実施の形態における健常者判断処理で使用する変数ｔ、ＴＴｌ（ｔ）を０に初期化する。

ステップ８０６で、被験者の指がディスプレイ１２に接触している複数の状態の各々を識別する変数ｔを１インクリメントする。

ステップ８０８で、第ｔ−１回目の接触の終了時から第ｔ回目の接触開始時までの間の時間Ｔｔを算出する。

ステップ８１０で、ＴＴｌ（ｔ）←ＴＴｌ（ｔ）＋Ｔｎを計算する。

ステップ８１２で、被験者の指がディスプレイ１２に接触している複数の状態の各々を識別する変数ｔが、被験者の指がディスプレイ１２に接触している複数の状態の総数Ｔであるか否かを判断する。

ステップ８１２で、変数ｔが総数Ｔであると判断されなかった場合には、ＴＴｌ（ｔ）が計算されていない接触の状態があるので、健常者判断処理は、ステップ８０６に戻る。

一方、ステップ８１２で、変数ｔが総数Ｔであると判断された場合には、全ての接触の状態についてＴＴｌ（ｔ）が計算されたので、健常者判断処理は、ステップ８１４に進む。

ステップ８１４で、タスク遂行時間に占めるスクリーンの非接触時間の割合ｒＯｆｆを、ｒＯｆｆ←（ΣＴＴｌ（ｔ））／ＡＴから、計算する。

ステップ８１６で、タスク遂行時間に占めるスクリーンの非接触時間の割合ｒＯｆｆが、被験者が脳機能に障害がない健常者である場合の判定値であるしきい値Ｒｔｈ以下であるか否かを判断する。なお、しきい値Ｒｔｈは、本開示の技術の「判定値」の１例である。

タスク遂行時間に占めるスクリーンの非接触時間の割合ｒＯｆｆがより大きいことは、被験者が次の動作をするのに迷っていることをより示すことになる。被験者が健常者であれば、タスク遂行時間に占めるスクリーンの非接触時間の割合ｒＯｆｆは、所定値より小さい。この所定値がしきい値Ｒｔｈである。

ステップ８１６で、タスク遂行時間に占めるスクリーンの非接触時間の割合ｒＯｆｆが、被験者が脳機能に障害がない健常者である場合の判定値であるしきい値Ｒｔｈ以下であると判断された場合には、ステップ８１８で、脳機能に障害がない健常者であることを示す情報を、ディスプレイ１２に表示する。

ステップ８１６で、タスク遂行時間に占めるスクリーンの非接触時間の割合ｒＯｆｆが、被験者が健常者である場合の判定値であるしきい値Ｒｔｈ以下であると判断されなかった場合には、ステップ８２０で、脳機能に障害がない健常者でないことを示す情報を、ディスプレイ１２に表示する。

以上説明したように第２の実施の形態では、被験者の指の動きを基準とした行動に即して、被験者が脳機能に障害がない健常者であるか否かを判断している。よって、第２の実施の形態では、被験者が健常者であるか否かを迅速に判断することができる。また、第２の実施の形態では、被験者が健常者であるか否かをより精度よく判断することができる。

なお、しきい値を、認知症の程度に応じて定め、タスク遂行時間に占めるスクリーンの非接触時間の割合ｒＯｆｆと認知症の程度に応じたしきい値とから、被験者の認知症の程度を判断し、認知症の程度に応じた情報を表示するようにしてもよい。

第２の実施の形態でも、健常者判断処理を、手段的日常生活活動において軽度認知障害の患者と健常者を識別する有効な特徴量の選定、機能低下を検出する技術として確立することができる。

被験者が脳機能に障害がない健常者である場合の判定値であるしきい値Ｒｔｈは、多数の被験者の実験結果から求めたり、後述する機械学習（図１２）で求めたりしてもよい。

（第３の実施の形態）
次に、本開示の技術の第３の実施の形態を説明する。第３の実施の形態の構成は、第１の実施の形態と同様であるので、以下、構成の説明を省略し、健常者判断処理を説明する。

図９には、第３の実施の形態における健常者判断処理の１例が示されている。

図９のステップ９０２で、ディスプレイ１２が、ＩＡＤＬ環境を仮想空間に表現した画像（図２参照）を表示し、手段的日常生活活動のタスク（例えば、ランチボックスの準備等）を被験者が実行する間、所定時間毎に、被験者の指の３次元位置を、３次元モーションセンサ１６からの信号から検出する。

ステップ９０４で、各位置の速度のノルムを計算する。

ステップ９０６で、各位置の速度のノルムに基づいて、タスクの開始から終了までのデータを抽出する。

図１０には、手段的日常生活活動のタスクを実行する間、被験者の指の速度のノルムを示すグラフが示されている。手段的日常生活活動のタスクは複数の行動から成り立つ。各行動での指の速度のノルムは、当該行動が開始される時は０であり、当該行動を実行するに従って徐々に大きくなり、最大値になってから当該行動の終了に向けて、徐々に小さくなり、終了時は０となる。図１０に示すように、手段的日常生活活動のタスクを実行する間、被験者の指の動きは、連続した２点間到達運動の特徴を示す。

ステップ９０８で、抽出したデータに基づいて、自己相関関数を計算する。

ステップ９１０で、自己相関関数に基づいて、手段的日常生活活動のタスクを実行する際の被験者の指の動作の基本周波数ｆを計算する。

ステップ９１２で、手段的日常生活活動のタスクを実行する際の被験者の指の動作の基本周波数ｆが、被験者が脳機能に障害がない健常者であると判断できる基本周波数のしきい値Ｆｔｈ以上か否かを判断する。なお、しきい値Ｆｔｈは、本開示の技術の「判定値」の１例である。

被験者が脳機能に障害がない健常者であれば、次の行動を迷わずに実行するので、行動に要する時間は短く、基本周波数は大きい。しかし、被験者の認知症が進むと、行動の内容を迷い、各行動が長くなり、行動に要する時間は長く、基本周波数は小さい。

しきい値Ｆｔｈは被験者が脳機能に障害がない健常者であると判断できる基本周波数のしきい値である。

ステップ９１２で、手段的日常生活活動のタスクを実行する際の被験者の指の動作の基本周波数ｆが、被験者が健常者であると判断できる基本周波数のしきい値Ｆｔｈ以上と判断された場合には、ステップ９１４で、脳機能に障害がない健常者であることを示す情報を、ディスプレイ１２に表示する。

ステップ９１２で、手段的日常生活活動のタスクを実行する際の被験者の指の動作の基本周波数ｆが、被験者が健常者であると判断できる基本周波数のしきい値Ｆｔｈ以上と判断されなかった場合には、ステップ９１６で、脳機能に障害がない健常者でないことを示す情報を、ディスプレイ１２に表示する。

以上説明したように第３の実施の形態では、被験者の指を基準にした行動に即して、被験者が脳機能に障害がない健常者であるか否かを判断している。よって、第３の実施の形態では、被験者が健常者であるか否かを迅速に判断することができる。また、第３の実施の形態では、被験者が健常者であるか否かをより精度よく判断することができる。

なお、しきい値を、認知症の程度に応じて定め、手段的日常生活活動のタスクを実行する際の被験者の指の動作の基本周波数ｆと認知症の程度に応じたしきい値とから、被験者の認知症の程度を判断し、認知症の程度に応じた情報を表示するようにしてもよい。

第３の実施の形態でも、健常者判断処理を、手段的日常生活活動において軽度認知障害の患者と健常者を識別する有効な特徴量の選定、機能低下を検出する技術として確立することができる。

被験者が健常者であると判断できる基本周波数のしきい値Ｆｔｈは、多数の被験者の実験結果から求めたり、後述する機械学習（図１２）で求めたりしてもよい。

（第４の実施の形態）
次に、本開示の技術の第４の実施の形態を説明する。第４の実施の形態の構成は、第１の実施の形態と同様であるので、以下、構成の説明を省略し、健常者判断処理を説明する。

図１１には、第４の実施の形態における健常者判断処理の１例が示されている。

図１１のステップ１１０２で、ディスプレイ１２が、ＩＡＤＬ環境を仮想空間に表現した画像（図２参照）を表示し、手段的日常生活活動のタスク（例えば、ランチボックスの準備等）を被験者が実行する間、所定時間毎に、被験者の指の３次元位置を、３次元モーションセンサ１６からの信号から検出する。

ステップ１１０４で、上記所定時間毎の各位置の速度のノルムを計算する。

ステップ１１０６で、各位置の速度のノルムに基づいて、タスクの開始から終了までのデータを抽出する。

ステップ１１０８で、抽出したデータと、自己回帰モデルとに基づいて、自己回帰モデルの自己回帰係数（１０次元）ｋ１〜ｋ１０を計算する。

ここで、自己回帰モデルは、

ｘ（ｌ）＝Σ^ｍ _ｉ＝１ａ^ｍ（ｉ）・ｘ（ｌ−ｉ）＋ε

である。

ｘ（ｌ）は、あるタイミングの指の速度である。ｘ（ｌ−ｉ）は、ｘ（ｌ）のタイミングより上記所定時間前の指の速度である。ａ^ｍ（ｉ）は、自己回帰係数（１０次元）である。εは予測誤差である。

ステップ１１１０で、自己回帰モデルの自己回帰係数ｋ（ｋ１〜ｋ１０）が、各次元のしきい値Ｋｔｈ（Ｋｔｈ１〜Ｋｔｈ１０）以下か否かを判断する。なお、しきい値Ｋｔｈは、本開示の技術の「判定値」の１例である。

人は認知症が進むに従って、行動に不規則性が大きくなり、次の位置を予測するための自己回帰係数は大きくなる。被験者が脳機能に障害がない健常者であると判断できる自己回帰係数が予め定められ、これが、各次元の自己回帰係数のしきい値である。

自己回帰モデルの自己回帰係数ｋ１〜ｋ１０の半数以上が、各次元のしきい値Ｋｔｈ１〜Ｋｔｈ１０より小さいと判断された場合に、ステップ１１１０の判定は肯定判定となる。この場合には、ステップ１１１２で、脳機能に障害がない健常者であることを示す情報を、ディスプレイ１２に表示する。

一方、自己回帰モデルの自己回帰係数ｋ１〜ｋ１０の半数以上が、各次元のしきい値Ｋｔｈ１〜Ｋｔｈ１０より小さいと判断されなかった場合に、ステップ１１１０の判定は否定判定となる。この場合には、ステップ１１１４で、脳機能に障害がない健常者でないことを示す情報を、ディスプレイ１２に表示する。

以上説明したように第４の実施の形態では、被験者の指を基準にした行動に即して、被験者が脳機能に障害がない健常者であるか否かを判断している。よって、第４の実施の形態では、被験者が健常者であるか否かを迅速に判断することができる。また、第４の実施の形態では、被験者が健常者であるか否かをより精度よく判断することができる。

なお、しきい値を、認知症の程度に応じて定め、自己回帰モデルの自己回帰係数ｋと認知症の程度に応じたしきい値とから、被験者の認知症の程度を判断し、認知症の程度に応じた情報を表示するようにしてもよい。

第４の実施の形態でも、健常者判断処理を、手段的日常生活活動において軽度認知障害の患者と健常者を識別する有効な特徴量の選定、機能低下を検出する技術として確立することができる。

自己回帰モデルの自己回帰係数ｋ１〜ｋ１０のしきい値Ｋｔｈ１〜Ｋｔｈ１０は、多数の被験者の実験結果から求めたり、後述する機械学習（図１２）で求めたりしてもよい。

次に、第１の実施の形態〜第４の実施の形態のしきい値を、正解データからの機械学習で求める処理を説明する。正解データからの機械学習で求める場合には、第１の実施の形態〜第４の実施の形態の全ての健常者判断処理の結果を利用する。

図１２には、判定値学習処理の１例が示されている。

図１２のステップ１２０２で、判定値学習処理で使用する変数ｄ、ｑを０に初期化する。

ステップ１２０４で、第１の実施の形態〜第４の実施の形態の各しきい値を識別する変数ｑを１インクリメントする。

ステップ１２０６で、変数ｑで識別されるしきい値Ｔｈｑに予め定めた値Δｔｑを加算することにより、しきい値Ｔｈｑを変化させる。

ステップ１２０８で、変数ｑがしきい値の総数Ｑに等しいか否かを判断する。

ステップ１２０８で、変数ｑがしきい値の総数Ｑに等しいと判断されなかった場合には、変化させていないしきい値があるので、しきい値学習処理は、ステップ１２０４に戻る。

ステップ１２０８で、変数ｑがしきい値の総数Ｑに等しいと判断された場合には、全てのしきい値を変化させたので、しきい値学習処理は、ステップ１２１０に進む。

ステップ１２１０で、上記のように変化されたしきい値に基づいて、第１の実施の形態〜第４の実施の形態の全ての健常者判断処理を実行する。

具体的には、上記のように変化されたしきい値に基づいて、第１の実施の形態の健常者判断処理の図４のステップ４０４〜４２４を実行する。上記のように変化されたしきい値に基づいて、第２の実施の形態の健常者判断処理の図８のステップ８０４〜８１６を実行する。上記のように変化されたしきい値に基づいて、第３の実施の形態の健常者判断処理の図９のステップ９０４〜９１２を実行する。上記のように変化されたしきい値に基づいて、第４の実施の形態の健常者判断処理の図１１のステップ１１０４〜１１１０を実行する。なお、各実施の形態の健常者判断処理では、既に実行して得られた指の状態（接触状態や３次元位置）のデータを用いる。

しきい値を変化させて実施した各実施の形態の健常者判断処理での健常者であるか否かの判断結果と、別に実験して得た各患者の健常者か否かの実験結果のデータ（正解データ）とから、真陽性率と偽陽性率とを計算する。

真陽性率は、脳機能に障害がない健常者である被験者が上記しきい値を用いた健常者判断処理で健常者であると正しく判断できた割合である。偽陽性率は、脳機能に障害がない健常者でない被験者が上記しきい値を用いた健常者判断処理で健常者であると誤って判断された割合である。

ステップ１２１２で、計算された真陽性率及び偽陽性率に対応する点を、真陽性率及び偽陽性率グラフにプロットする。図１３には、真陽性率及び偽陽性率グラフが示されている。

ステップ１２１４で、ステップ１２０４〜１２１２を実行した回数ｄが、所定回数Ｄに等しいか否か判断する。

ステップ１２１４で、ステップ１２０４〜１２１２を実行した回数ｄが所定回数Ｄに等しいと判断されなかった場合には、ステップ１２１６で、ステップ１２０４〜１２１２を実行した回数ｄを１インクリメントして、しきい値学習処理は、ステップ１２０４に戻る。

ステップ１２１４で、ステップ１２０４〜１２１２を実行した回数ｄが所定回数Ｄに等しいと判断された場合には、しきい値学習処理は、ステップ１２１８に進む。

以上の処理（ステップ１２０４〜１２１２）を所定回数Ｄ実行すると、図１３に示すように真陽性率及び偽陽性率グラフが完成する。

ステップ１２１８で、プロット結果に基づいて、各しきい値を決定する。

真陽性率及び偽陽性率との関係から、理想のプロット点は、（偽陽性率、真陽性率）＝（０，０.８）である。ステップ１２１８で、（偽陽性率、真陽性率）＝（０，０.８）をプロットしたしきい値を、各しきい値として決定する。以後、各実施の形態での健常者判断処理のしきい値は、ステップ１２１８で決定されたしきい値が用いられる。

（変形例）
以上説明した第１の実施の形態〜第４の実施の形態の各々では異なる特徴量量を、対応する判定値（しきい値）と比較して、被験者が脳機能に障害のない健常者であるか否かを判断している。本開示の技術は、これに限定されない。１つのタスクで、図４のステップ４０２〜４２４、図８のステップ８０２〜８１６、図９のステップ９０２〜９１２、図１１のステップ１１０２〜１１１０の少なくとも２つを実行する。各実行の結果、全ての結果、過半数、又は少なくとも１つで、被験者が脳機能に障害のない健常者であると判断された場合に、被験者は脳機能に障害のない健常者であることを示す情報を、ディスプレイ１２に表示する。そうでなければ、被験者は脳機能に障害がない健常者でないことを示す情報を、ディスプレイ１２に表示する。
以上説明した各実施の形態では、タスクは、手段的日常生活活動のタスクとしている。本開示の技術は、これに限定されない。タスクは、手段的日常生活活動よりも複雑でなく低次な動作である日常生活活動のタスクでもよい。身体的部位としては、手の指の他に、各活動に応じて、足の指、頭、肩等であてもよい。

以上説明した各実施の形態では、ディスプレイ１２は、人工現実感技術を用いて被験者が手段的日常生活活動をするための環境を仮想空間に表現した画像を表示する。本開示の技術は、これに限定されない。ディスプレイ１２は、被験者が手段的日常生活活動又は日常生活活動をするための環境を２次元に表現した画像を表示してもよい。

以上説明した各実施の形態では、ＲＯＭ２２に、健常者判断処理プログラム（図４、図８、図９、図１１）及びしきい値学習処理プログラム（図１２）が記憶されている。本開示の技術は、これに限定されない。例えば、ＣＤ−ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｋ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、又はＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリなどの任意の可搬型の記憶媒体に先ずは健常者判断処理プログラム（図４、図８、図９、図１１）及びしきい値学習処理プログラム（図１２）を記憶させておいてもよい。この場合、記憶媒体の健常者判断処理プログラム（図４、図８、図９、図１１）及びしきい値学習処理プログラム（図１２）が被験者判断装置１００にインストールされ、インストールされたプログラムがＣＰＵ２０によって実行される。

また、通信網（図示省略）を介して被験者判断装置１００に接続される他のコンピュータ又はサーバ装置等の記憶部に健常者判断処理プログラム（図４、図８、図９、図１１）及びしきい値学習処理プログラム（図１２）を記憶させておき、健常者判断処理プログラム（図４、図８、図９、図１１）及びしきい値学習処理プログラム（図１２）が被験者判断装置１００の要求に応じてダウンロードされるようにしてもよい。この場合、ダウンロードされた健常者判断処理プログラム（図４、図８、図９、図１１）及びしきい値学習処理プログラム（図１２）がＣＰＵ２０によって実行される。

また、上記各実施の形態で説明した被験者判断処理及びしきい値学習処理はあくまでも一例である。従って、主旨を逸脱しない範囲内において不要なステップを削除したり、新たなステップを追加したり、処理順序を入れ替えたりしてもよいことは言うまでもない。また、被験者判断処理及びしきい値学習処理に含まれる各処理は、ＦＰＧＡ又はＡＳＩＣ等のハードウェア構成のみで実現されてもよいし、コンピュータを利用したソフトウェア構成とハードウェア構成との組み合わせで実現されてもよい。

以上、この発明の実施の形態について図面を参照して詳述してきたが、具体的な構成はこの実施の形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。

本明細書に記載された全ての文献、特許出願及び技術規格は、個々の文献、特許出願及び技術規格が参照により取り込まれることが具体的かつ個々に記された場合と同程度に、本明細書中に参照により取り込まれる。

１２ ディスプレイ
１４ タッチセンサ
１６ ３次元モーションセンサ
２０ ＣＰＵ

Claims (15)

1. 被験者が所定の活動をするための環境を表示する表示部と、
   前記被験者の身体的部位の状態を計測する計測部と、
   前記表示部により表示された前記環境で前記所定の動作をしようとした前記被験者の身体的部位の前記計測部により計測された状態から前記被験者の行動の特徴量を算出する特徴量算出部と、
   前記特徴量算出部により算出された前記行動の特徴量と、被験者の脳機能の状態を判断するために予め定められた前記特徴量の判定値とから、前記被験者の脳機能の状態を判断する判断部と、
   を備えた被験者判断装置。
2. 前記表示部は、前記被験者が所定の活動をするための３次元環境を仮想的に表示する、
   請求項１に記載の被験者判断装置。
3. 前記行動の特徴量は、前記身体的部位の動きの時間的変化を表す量、前記身体的部位の動きの周波数変化を表す量、及び前記身体的部位の動きの非線形的変化を表す量の少なくとも１つである、
   請求項１又は請求項２に記載の被験者判断装置。
4. 前記判定値は、学習により決定された値である、
   請求項１〜請求項３の何れか１項に記載の被験者判断装置。
5. 前記所定の動作は、日常生活活動より複雑な手段的日常生活活動であり、
   前記判定値は、
   前記被験者が前記手段的日常生活活動をするのに支障のある者かを判断するための手段的日常生活活動支障判断判定値である、
   請求項１〜請求項３の何れか１項に記載の被験者判断装置。
6. 表示部が、被験者が所定の活動をするための環境を表示し、
   計測部が、前記被験者の身体的部位の状態を計測し、
   特徴量算出部が、前記表示部により表示された前記環境で前記所定の動作をしようとした前記被験者の身体的部位の前記計測部により計測された状態から前記被験者の行動の特徴量を算出し、
   判断部が、前記特徴量算出部により算出された前記行動の特徴量と、被験者の脳機能の状態を判断するために予め定められた前記特徴量の判定値とから、前記被験者の脳機能の状態を判断する、
   ことを含む被験者判断方法。
7. 前記表示部は、前記被験者が所定の活動をするための３次元環境を仮想的に表示する、
   請求項６に記載の被験者判断方法。
8. 前記行動の特徴量は、前記身体的部位の動きの時間的変化を表す量、前記身体的部位の動きの周波数変化を表す量、及び前記身体的部位の動きの非線形的変化を表す量の少なくとも１つである、
   請求項６又は請求項７に記載の被験者判断方法。
9. 前記判定値は、学習により決定された値である、
   請求項６〜請求項８の何れか１項に記載の被験者判断方法。
10. 前記所定の動作は、日常生活活動より複雑な手段的日常生活活動であり、
    前記判定値は、
    前記被験者が前記手段的日常生活活動をするのに支障のある者かを判断するための手段的日常生活活動支障判断判定値である、
    請求項６〜請求項８の何れか１項に記載の被験者判断方法。
11. コンピュータを、
    表示部により表示され且つ被験者が所定の活動をするための環境で前記所定の動作をしようとした前記被験者の身体的部位の、計測部が計測した状態から、前記被験者の行動の特徴量を算出する特徴量算出部、及び
    前記特徴量算出部により算出された前記行動の特徴量と、被験者の脳機能の状態を判断するために予め定められた前記特徴量の判定値とから、前記被験者の脳機能の状態を判断する判断部
    として機能させる被験者判断プログラム。
12. 前記表示部は、前記被験者が所定の活動をするための３次元環境を仮想的に表示する、
    請求項１１に記載の被験者判断プログラム。
13. 前記行動の特徴量は、前記身体的部位の動きの時間的変化を表す量、前記身体的部位の動きの周波数変化を表す量、及び前記身体的部位の動きの非線形的変化を表す量の少なくとも１つである、
    請求項１１又は請求項１２に記載の被験者判断プログラム。
14. 前記判定値は、学習により決定された値である、
    請求項１１〜請求項１３の何れか１項に記載の被験者判断プログラム。
15. 前記所定の動作は、日常生活活動より複雑な手段的日常生活活動であり、
    前記判定値は、
    前記被験者が前記手段的日常生活活動をするのに支障のある者かを判断するための手段的日常生活活動支障判断判定値である、
    請求項１１〜請求項１３の何れか１項に記載の被験者判断プログラム。