JP2019162288A - 判定値算出装置、方法、及びプログラム、マイクロエラー発生判断装置、方法、及びプログラム - Google Patents

Abstract

【課題】マイクロエラーの発生又は非発生を自動的に判断することを可能にする。【解決手段】被験者が手段的日常生活活動の上記タスクを実行する間に、マイクロエラーが発生したと判断されたタイミングを、タスクを実行する指の速度のデータに関連づける。タスクを実行する指の速度の時系列データの内、マイクロエラーが発生したと判断されたタイミングを含むセグメントの速度の時系列データから、マイクロエラーが発生したと判定するための、指の非定常の動きを表す判定値を算出する。【選択図】図１６

Description

本発明は、判定値算出装置、方法、及びプログラム、マイクロエラー発生判断装置、方法、及びプログラムに関する。

従来、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。また、質問紙を用いた記憶検査（特許文献５）が提案されている。なお、関連する技術には、以下の特許文献１〜１２がある

特開２０１７−１５６４０２号公報 特開２０１７−１０４２８９号公報 特開２０１５−１７３６９５号公報 特開２０１４−０１８３４１号公報 特開２００７−２８２９９２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、ＭＣＩの患者は、ＡＤＬ（Ａｃｔｉｖｉｔｉｅｓ ｏｆ Ｄａｉｌｙ Ｌｉｖｉｎｇ：日常生活活動）よりも複雑で高次な動作群であるＩＡＤＬ（Ｉｎｓｔｒｕｍｅｎｔａｌ Ａｃｔｉｖｉｔｉｅｓ ｏｆ Ｄａｉｌｙ Ｌｉｖｉｎｇ、手段的日常生活活動）において機能低下が見られることが分かってきている。ＭＣＩ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示されてきている。

なお、ＡＤＬ（日常生活活動）は、日常生活を営む上で、普通におこなっている行為、行動のことであり、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さす。一方、ＩＡＤＬ（手段的日常生活活動）は、ＡＤＬ より複雑で高次な動作のことであり、具体的には、買い物、洗濯あるいは掃除等の家事全般、金銭管理、服薬管理、外出して乗り物に乗ること等の行動をさす。

上記行動指標の１つにマイクロエラー（Ｍｉｃｒｏ−ｅｒｒｏｒ）と呼ばれるヒューマンエラーがある。マイクロエラーは、ＡＤＬやＩＡＤＬを行う際に想定される間違いの動作とは区別される動作の淀みのことである。ＭＣＩの患者のマイクロエラーの発生頻度は健常者と有意差があることが分かっており、マイクロエラーはＭＣＩの早期発見に有効な指標として着目されている。マイクロエラーには種々のタイプがあるが、代表的には、次の２つのタイプがある。第１に、不要なオブジェクトに手を伸ばして触れるが、触れた瞬間にオブジェクトから手を放して異なるオブジェクトへと手を伸ばすという、伸ばす＆接触（Ｒｅａｃｈ ｔｏｕｃｈ）タイプがある。例えば、コーヒーを作りながら、不要なゼリー瓶に手を伸ばして触れ、触れた瞬間に行動計画を変化させるというタイプである。第２に、不要なオブジェクトに手を伸ばし触れかけて、寸前で異なる対象に手を伸ばす行為に変更する、という手を伸ばす＆非接触タイプ（Ｒｅａｃｈ Ｎｏ−ｔｏｕｃｈ）がある。例えば、コーヒーを作りながら、不要なゼリー瓶に手を伸ばしたが触れず、その寸前で異なる対象に手を伸ばす、というタイプである。

しかし、現状ではマイクロエラーの識別はトレーニングを受けた観察者による動画観察法を用いて行われており、マイクロエラーの発生又は非発生を自動的に検出する技術は確立されていない。

本開示の技術は、マイクロエラーの発生又は非発生を自動的に判断することを可能にするための判定値算出装置、方法、及びプログラム、マイクロエラーの発生又は非発生を自動的に判断することができるマイクロエラー発生判断装置、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位置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時系列に計測された位置のデータから、前記身体的部位の速度の時系列データを算出する速度算出部と、前記所定の活動を行う際に想定される間違いの動作とは区別される前記被験者の間違った動作であるマイクロエラーが発生した時を含む所定範囲の前記速度の時系列データから、前記マイクロエラーが発生したと判定するための判定値を算出する判定値算出部と、を備えた判定値算出装置であって、前記判定値は、前記被験者の身体的部位の非定常の動きを表す値である。

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位置を計測する。速度算出部が、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時系列に計測された位置のデータから、前記身体的部位の速度の時系列データを算出する。判定値算出部が、前記所定の活動を行う際に想定される間違いの動作とは区別される前記被験者の間違った動作であるマイクロエラーが発生した時を含む所定範囲の前記速度の時系列データから、前記マイクロエラーが発生したと判定するための判定値を算出する。

前記判定値は、前記被験者の身体的部位の非定常の動きを表す値である。

本開示の技術の第２の態様は、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位置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時系列に計測された位置のデータから、前記身体的部位の速度の時系列データを算出する速度算出部と、所定の活動を行う際に想定される間違いの動作とは区別される被験者の動作の淀みであるマイクロエラーが発生した時を含む所定範囲の前記速度の時系列データから予め算出された前記マイクロエラーが発生したと判定するための判定値と、前記速度算出部により算出された前記身体的部位の速度の時系列データとから、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に、前記マイクロエラーが発生したか否かを判断する判断部と、を備えたマイクロエラー発生判断装置であって、前記判定値は、前記被験者の身体的部位の非定常の動きを表す値である。

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位置を計測する。速度算出部が、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時系列に計測された位置のデータから、前記身体的部位の速度の時系列データを算出する。判断部が、所定の活動を行う際に想定される間違いの動作とは区別される被験者の動作の淀みであるマイクロエラーが発生した時を含む所定範囲の前記速度の時系列データから予め算出された前記マイクロエラーが発生したと判定するための判定値と、前記速度算出部により算出された前記身体的部位の速度の時系列データとから、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に、前記マイクロエラーが発生したか否かを判断する。

前記判定値は、前記被験者の身体的部位の非定常の動きを表す値である。

本開示の技術の第３の態様は、コンピュータを、第１の態様の前記速度算出部及び前記判定値算出部として機能させる判定値算出プログラムである。

本開示の技術の第３の態様は、コンピュータを、第２の態様の前記速度算出部及び前記判断部として機能させるマイクロエラー発生判断プログラムである。

本開示の技術は、マイクロエラーの発生又は非発生を自動的に判断することを可能にすることができる。

本開示の技術は、マイクロエラーの発生又は非発生を自動的に判断することができる。

データ処理装置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。 データ処理装置１００の電気系の構成のブロック図である。 データ処理装置１００のＣＰＵ２０の機能のブロック図である。 データ処理プログラムを示すフローチャートである。 Ｄａｔａ ｃｏｌｌｅｃｔｉｏｎ処理のプログラムのフローチャートである。 Ｄａｔａ ｃｌｅａｎｓｉｎｇ処理のプログラムのフローチャートである。 Ｓｅｇｍｅｎｔａｔｉｏｎ処理のプログラムのフローチャートである。 Ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ処理の第１の処理のプログラムのフローチャートである。 Ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ処理の第２の処理のプログラムのフローチャートである。 Ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ処理の第３の処理のプログラムのフローチャートである。 手段的日常生活活動の所定の動作であるタスクを被験者が実行する際に指を動かす様子を示す図である。 指の速度の時系列データを示すグラフである。 タスクの１つの動作を行う際の指の速度が、速度０から徐々に大きくなり、ピークに達し、ピークに達した後、徐々に小さくなり、速度０となる様子を示す図である。 指の速度の時系列データが、各動作のまとまり（セグメント）に分割された様子を示す図である。 各セグメントの指の速度の時系列データを、マイクロエラーが発生しているか否かによって分けることを示す図である。 速度の時系列データの中の各セグメントにおける速度のデータの歪度を示す図である。 速度の時系列データにおける各セグメントの速度のデータの自己回帰モデルに関する値を示す図である。 速度の時系列データにおける各セグメントの速度のデータを特異スペクトル変換して得られる値を示す図である。 セグメントにおける活動が、対象を、開始点（Ｓｔａｒｔ）から目標点（Ｔａｒｇｅｔ）まで移動させることであり、指が開始点（Ｓｔａｒｔ）から目標点（Ｔａｒｇｅｔ）まで移動することを示す図である。 （Ａ）は、各セグメントの速度の時系列データ、（Ｂ）は、Ｆｉｔｔｓモデルに基づいて計算された困難度を、（Ｃ）は、ＭＥが発生したことが関係付けられているセグメントを示す図である。 （Ａ）は、タスクが朝食の用意の場合のＲｅａｃｈ Ｎｏ−ｔｏｕｃｈのタイプのＭＥ検出結果、（Ｂ）は、タスクが朝食の用意の場合のＲｅａｃｈ ｔｏｕｃｈのタイプのＭＥ検出結果、（Ｃ）は、タスクが昼食の用意の場合のＲｅａｃｈ Ｎｏ−ｔｏｕｃｈのタイプのＭＥ検出結果、（Ｄ）は、タスクが昼食の用意の場合のＲｅａｃｈ ｔｏｕｃｈのタイプのＭＥ検出結果を示す図である。

図１には、データ処理装置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、データ処理装置１００のブロック図が示されている。

図３に示すように、データ処理装置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。

また、データ処理装置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、データ処理装置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３次元位置の時系列データからマイクロエラーが発生したと判定するための判定値を算出するコンピュータ１０を備えている。なお、所定の動作とは、例えば、手段的日常生活活動における朝食や昼食の用意等である。コンピュータ１０は、更に、算出された行動の判定値と、被験者の指の３次元位置とから、マイクロエラーが発生したか否かを判断する。

詳細には後述するが、データ処理装置１００の動作には、マイクロエラーが発生したと判定するための判定値を算出する第１の段階と、当該判定値を使用して、マイクロエラーが発生したか否かを判断する第２の段階とがある。データ処理装置１００は、第１の段階では、判定値算出装置として機能し、第２の段階では、マイクロエラー発生判断装置として機能する。

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。入出力インタフェース（Ｉ／Ｏ）２６には、ディスプレイ１２及び３次元モーションセンサ１６が接続されている。コンピュータ１０は、例えば、パーソナルコンピュータ（ＰＣ）により構成される。

ＲＯＭ２２には、後述するデータ処理プログラム（図４）が記憶されている。データ処理プログラム（図４）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。

次に、図４を参照して、データ処理装置１００のＣＰＵ２０がデータ処理プログラムを実行することで実現される各種機能について説明する。データ処理プログラムは、Ｄａｔａ ｃｏｌｌｅｃｔｉｏｎ機能、Ｄａｔａ ｃｌｅａｎｓｉｎｇ機能、Ｓｅｇｍｅｎｔａｔｉｏｎ機能、Ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ機能、及びＣｌａｓｓｉｆｉｃａｔｉｏｎ機能を備えている。ＣＰＵ２０がこの各機能を有するデータ処理プログラムを実行することで、ＣＰＵ２０は、図４に示すように、Ｄａｔａ ｃｏｌｌｅｃｔｉｏｎ部３２、Ｄａｔａ ｃｌｅａｎｓｉｎｇ部３４、Ｓｅｇｍｅｎｔａｔｉｏｎ部３６、Ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ部３８、及びＣｌａｓｓｉｆｉｃａｔｉｏｎ部４０として機能する。

次に、図５を用いて、データ処理装置１００によるデータ処理を詳細に説明する。データ処理装置１００のＣＰＵ２０がデータ処理プログラム（判定値算出プログラム、マイクロエラー発生判断プログラム）を実行することで、図５のフローチャートに示されたデータ処理が実現される。

ディスプレイ１２が、手段的日常生活活動（ＩＡＤＬ）の環境を仮想空間に表現した画像（図２参照）を表示する。被験者が、図１２に示すように指を動かして手段的日常生活活動の所定の動作であるタスク（例えば、ランチボックスの準備等）を被験者が実行する間、３次元モーションセンサ１６が、所定時間毎に被験者の指の３次元位置を計測し、所定時間毎に、計測した３次元位置のデータを、コンピュータ１０に送信する。

図５のステップ１０２で、Ｄａｔａ ｃｏｌｌｅｃｔｉｏｎ部３２は、Ｄａｔａ ｃｏｌｌｅｃｔｉｏｎ（データ収集）処理を実行し、ステップ１０４で、Ｄａｔａ ｃｌｅａｎｓｉｎｇ部３４は、Ｄａｔａ ｃｌｅａｎｓｉｎｇ（データクレンジング）処理を実行する。ステップ１０６で、Ｓｅｇｍｅｎｔａｔｉｏｎ部３６は、Ｓｅｇｍｅｎｔａｔｉｏｎ（セグメンテーション）処理を実行し、ステップ１０８で、Ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ部３８は、Ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ（特徴抽出）処理を実行する。ステップ１１０で、Ｃｌａｓｓｉｆｉｃａｔｉｏｎ部４０は、Ｃｌａｓｓｉｆｉｃａｔｉｏｎ（識別）処理を実行する。各処理の詳細は後述する。

図６には、Ｄａｔａ ｃｏｌｌｅｃｔｉｏｎ処理のプログラムのフローチャートが示されている。

Ｄａｔａ ｃｏｌｌｅｃｔｉｏｎ部３２は、ステップ２０２で、３次元モーションセンサ１６により被験者の指の３次元位置が検出された結果を取得する。Ｄａｔａ ｃｏｌｌｅｃｔｉｏｎ部３２は、ステップ２０４で、測定データ（指の３次元位置の時系列データ）をＰＣのメモリ（ＲＡＭ２４）に転送する。

Ｄａｔａ ｃｏｌｌｅｃｔｉｏｎ部３２は、ステップ２０６で、ＰＣ（コンピュータ１０）のディスプレイ１２上で測定データを表示する。Ｄａｔａ ｃｏｌｌｅｃｔｉｏｎ部３２は、ステップ２０８で、３次元モーションセンサ１６から、継続して一定時間、データが送信されなくなったか否かを判断することにより、測定が終了したか否かを判断する。なお、３次元モーションセンサ１６からデータが送信されなくなるのは、被験者が、所定の活動を完了したと判断し、指を３次元モーションセンサ１６の計測領域から外すことにより、生ずる。

測定が終了したと判断されなかった場合には、Ｄａｔａ ｃｏｌｌｅｃｔｉｏｎ処理は、ステップ２０２に戻る。測定が終了したと判断された場合には、Ｄａｔａ ｃｏｌｌｅｃｔｉｏｎ処理は、終了する。

図７には、Ｄａｔａ ｃｌｅａｎｓｉｎｇ処理のプログラムのフローチャートが示されている。

Ｄａｔａ ｃｌｅａｎｓｉｎｇ部３４は、ステップ２１２で、ＰＣ（コンピュータ１０）のメモリ（ＲＡＭ２４）から、計測した情報（指の３次元位置のデータ）を取得する。

Ｄａｔａ ｃｌｅａｎｓｉｎｇ部３４は、ステップ２１４で、取得したデータから指の速度（本出願では、「速度」は、速度の絶対値をいい、向きを含まない）を算出する。Ｄａｔａ ｃｌｅａｎｓｉｎｇ部３４は、ステップ２１６で、算出した速度の絶対値から確率分布を作成する。具体的には、Ｄａｔａ ｃｌｅａｎｓｉｎｇ部３４は、速度の絶対値のヒストグラムを作成し、各速度の度数を全体の速度のデータ数で割ることにより、確率分布を作成する。ステップ２１６では更に、Ｄａｔａ ｃｌｅａｎｓｉｎｇ部３４は、ディスプレイ１２に作成した確率分布を表示する。

Ｄａｔａ ｃｌｅａｎｓｉｎｇ部３４は、ステップ２１８で、標準偏差の２倍の値を超える速度のデータがあるか否かを判断する。ステップ２１８で肯定判定の場合、Ｄａｔａ ｃｌｅａｎｓｉｎｇ部３４は、ステップ２２０で、外れ値を除去する。その後、Ｄａｔａ ｃｌｅａｎｓｉｎｇ処理はステップ２１２に戻る。

ステップ２１８が否定判定の場合、Ｄａｔａ ｃｌｅａｎｓｉｎｇ部３４は、ステップ２２２で、算出した速度のデータが所定時間間隔に並ぶように補間処理を実行する。補間処理には、大きく分けて、第１の補間処理と、第２の補間処理とがある。第１の補間処理は、ステップ２２０で、除去された外れ値に対応する時刻の速度のデータを、当該時刻の前後の速度のデータで、補間する処理である。ところで、上記のように、３次元モーションセンサ１６が、所定時間毎に、被験者の指の３次元位置のデータを、コンピュータ１０に送信するが、何らかの原因で、データが欠落したり、所定時間間隔からずれていたりする場合がる。第２の補間処理は、欠落したデータや、所定時間間隔からずれているデータを、各時刻の前後の速度のデータで、補間する処理である。

ステップ２２２の後、Ｄａｔａ ｃｌｅａｎｓｉｎｇ処理は終了する。Ｄａｔａ ｃｌｅａｎｓｉｎｇ処理により、図１３に示すように、指の速度の時系列データが得られる。

図８には、Ｓｅｇｍｅｎｔａｔｉｏｎ処理のプログラムのフローチャートが示されている。Ｓｅｇｍｅｎｔａｔｉｏｎ部３６は、ステップ２３０で、ＰＣ（コンピュータ１０）のメモリ（ＲＡＭ２４）から速度のデータを取得する。Ｓｅｇｍｅｎｔａｔｉｏｎ部３６は、ステップ２３２で、速度のデータを２階微分する。Ｓｅｇｍｅｎｔａｔｉｏｎ部３６は、ステップ２３４で、２階微分したデータのゼロ交差点を検出する。Ｓｅｇｍｅｎｔａｔｉｏｎ部３６は、ステップ２３６で、負の領域から正の領域への変化点がゼロ交差点となっている点か否かを判断する。ステップ２３６が肯定判定の場合、Ｓｅｇｍｅｎｔａｔｉｏｎ部３６は、ステップ２３８で、セグメント点として保存する。その後、Ｓｅｇｍｅｎｔａｔｉｏｎ処理はステップ２４０に進む。ステップ２３６が否定判定の場合、Ｓｅｇｍｅｎｔａｔｉｏｎ処理は、ステップ２４０に進む。Ｓｅｇｍｅｎｔａｔｉｏｎ部３６は、ステップ２４０で、データ点の終端まで処理が終了したか否かを判断する。ステップ２４０が否定判定の場合、Ｓｅｇｍｅｎｔａｔｉｏｎ処理はステップ２３０に戻る。ステップ２４０が肯定判定の場合、Ｓｅｇｍｅｎｔａｔｉｏｎ処理は終了する。

上記のように、手段的日常生活活動のタスクを実行するために、図１２に示すように指を動かすが、手段的日常生活活動のタスクは、このように指を動かす動作が複数集まって、構成される。各動作における指の速度は、図１４に示すように、速度０から徐々に大きくなり、ピークに達し、ピークに達した後、徐々に小さくなり、速度０となる。図８に示すＳｅｇｍｅｎｔａｔｉｏｎ処理により、図１３に示す指の速度の時系列データが、図１５に示すように各動作のまとまりに分割される。

図９には、Ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ処理の第１の処理のプログラムのフローチャートが示されている。

ところで、被験者が手段的日常生活活動の上記タスクを実行する間、マイクロエラーのコーディングのトレーニングをつんだ複数の研究者が、被験者の指の動きを観察して、マイクロエラーが発生したか否かを判断している。当該複数の研究者は、マイクロエラーが発生したと判断した場合、図示しない入力装置を介してマイクロエラー発生識別信号をＰＣ（コンピュータ１０）に入力する。コンピュータ１０は当該マイクロエラー発生識別信号が入力されたタイミングを、図１６に示すように、指の速度の時系列データに関連づける。図１６に示す例では、２回、マイクロエラーが発生したことが示されている。

図９のＦｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ処理の第１の処理のプログラムがスタートすると、Ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ部３８は、ステップ２５０で、１つのセグメンテーション区間の速度のデータを抽出する。Ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ部３８は、ステップ２５２で、当該区間にマイクロエラー発生識別信号が関連付けられているか否かを判断することにより、マイクロエラー（ＭＥ）が発生した区間か否かを判断する。

ステップ２５２が肯定判定の場合、Ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ部３８は、ステップ２５４で、ＭＥが発生した区間の速度のデータを、メモリ（ＲＡＭ２４）のＭＥ発生区間記憶領域２５４Ｍに記憶する。ステップ２５２が否定判定の場合、Ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ部３８は、ステップ２５６で、ＭＥが発生していない区間の速度のデータを、メモリ（ＲＡＭ２４）のＭＥ非発生区間記憶領域２５６Ｍに記憶する。ステップ２５４、２５６の後は、Ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ部３８は、ステップ２５８で、終端のセグメンテーション区間まで処理が終了したか否かを判断する。ステップ２５８が否定判定の場合、Ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ処理は、ステップ２５０に戻る。ステップ２５８が肯定判定の場合、Ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ処理は、終了する。

図１０には、Ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ処理の第２の処理のプログラムのフローチャートが示されている。Ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ部３８は、ステップ２６２で、ＭＥ非発生区間記憶領域２５６Ｍに記憶されている、ＭＥが発生していない区間の速度のデータにおけるセグメント区間の速度のデータにアクセスする。Ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ部３８は、ステップ２６４で、詳細には後述する特徴量を算出する。ステップ２６６で、終端のセグメンテーション区間まで処理が終了したか否かを判断する。ステップ２６６が否定判定の場合、Ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ処理は、ステップ２６２に戻る。ステップ２６６が肯定判定の場合、Ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ処理は、終了する。

図１１には、Ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ処理の第３の処理のプログラムのフローチャートが示されている。

Ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ部３８は、ステップ２７２で、ＭＥ発生区間記憶領域２５４Ｍに記憶されている、ＭＥが発生した区間の速度のデータにおけるセグメント区間の速度のデータにアクセスする。Ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ部３８は、ステップ２７４で、特徴量（判定値）を算出する。ステップ２７６で、終端のセグメンテーション区間まで処理が終了したか否かを判断する。ステップ２７６が否定判定の場合、Ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ処理は、ステップ２７２に戻る。ステップ２７６が肯定判定の場合、Ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ処理は、終了する。

次に、本実施の形態における特徴量（ステップ２６４（図１０）、ステップ２７４（図１１））を説明する。

ステップ２７４（図１１）における特徴量（判定値）は、マイクロエラーが発生したと判定するための判定値であり、被験者の指（身体的部位）の非定常の動きを表す値である。

具体的には、判定値は、セグメントの中での速度のデータの歪度、速度のデータの自己回帰モデルに関する値、速度のデータを特異スペクトル変換して得られる値、Ｆｉｔｔ’ｓ ｌａｗモデル（フィッツの法則）を用いて定まるセグメントの活動に関する値である、

図１７を参照して、速度の時系列データの中の各セグメントにおける速度のデータの歪度を説明する。歪度Ｓは次のように表される。

ここで、Ｎは、セグメント内の速度のデータの総数である。ｘｉは、セグメント内のｉ番目の速度のデータである。

は、セグメント内の速度のデータの平均値である。ｉは、セグメント内の速度のデータを識別する変数である。

次に、図１８を参照して、速度の時系列データにおける各セグメントの速度のデータの自己回帰モデルに関する値を説明する。図１８に示すように、各セグメントの中の速度の時系列データを更にアップサンプリングし、各セグメントの中の、アップサンプリングの各時刻の速度のデータを、補間により求める。速度のデータの自己回帰モデルは、は次のように表される。

ｙ_ｔは、各セグメントの中のアップサンプリングした後の時刻ｔにおける速度の予測値である。ｙ_ｔ−１は、各セグメントの中の時刻ｔ−ｉにおける速度のデータである。ａ_ｉは、自己回帰モデルの係数であり、ｅ_ｉは、自己回帰モデルでフィッティングした多項式に基づく速度のデータと、実際の速度のデータとの差（残差）である。

判定値は、自己回帰モデルの係数ａ_ｉでもよく、また、上記差（残差）ｅ_ｉでもよい。

次に、図１９を参照して、速度の時系列データにおける各セグメントの速度のデータを特異スペクトル変換して得られる値を説明する。図１９に示すように、各セグメントについて、次の処理を行う。即ち、各セグメントの中の速度の時系列データを更にアップサンプリングし、各セグメントの中の、アップサンプリングの各時刻の速度のデータを、補間により求める。各セグメントの中のアップサンプリングした後の各時刻ｔの速度のデータについて、時刻ｔの前後の速度のデータからそれぞれハンケル行列を作成し、それらのハンケル行列を特異値分解して、特異ベクトルＵ、Ｑを得る。そして、特異ベクトルＵと特異ベクトルＱとの内積を計算することにより、スコア（Ｓｃｏｒｅ）を得る。ところで、速度のデータは実際には、図１９の最も下のグラフにおいて、実線（速度の変化）のように変化する。上記のように計算して得られるスコア（Ｓｃｏｒｅ）は、点線（変化点Ｓｃｏｒｅ）のように、複数得られる。例えば、アップサンプリングして当該セグメントにＭ個の速度データが得られたとすると、各速度データについてスコア（Ｓｃｏｒｅ）がＭ個求められる。総数Ｍ個の各スコア（Ｓｃｏｒｅ）の値の和を総数Ｍで除算することにより、スコア（Ｓｃｏｒｅ）の平均を、当該セグメントの特徴量（判定値）として、得る。速度のデータを特異スペクトル変換して得られる値である特徴量（判定値）は、上記スコアの平均値に限定されず、上記スコアのピークの時刻でもよい。

次に、図２０、２１を参照して、Ｆｉｔｔｓモデルを用いて定まるセグメントにおける活動に関する値を説明する。Ｆｉｔｔｓモデルを用いて定まるセグメントにおける活動に関する値には、当該活動に要した時間や当該活動の困難度がある。図２０に示すように、セグメントにおける活動は、対象を、開始点（Ｓｔａｒｔ）から目標点（Ｔａｒｇｅｔ）まで移動させることであり、指が開始点（Ｓｔａｒｔ）から目標点（Ｔａｒｇｅｔ）まで移動する。Ｆｉｔｔｓモデルを用いて定まるセグメントにおける活動に要した時間Ｔ_{ｓｕｂｔａｓｋ（ｉ）}は、次の通りである。

Ｔ_{ｓｕｂｔａｓｋ（ｉ）}＝ａ＋ｂｌｏｇ_２（（Ｄ／Ｓ）＋１）

Ｄは、開始点（Ｓｔａｒｔ）と目標点（Ｔａｒｇｅｔ）との間の距離である。Ｓは、目標点（Ｔａｒｇｅｔ）の範囲である。ａ、ｂは係数である。ｉは、各セグメントを識別する変数である。

また、Ｆｉｔｔｓモデルを用いて定まるセグメントにおける活動の困難度は、ｌｏｇ_２（（Ｄ／Ｓ）＋１）である。

係数ａ、ｂは次のように求められる。全てのセグメントについて、ｌｏｇ_２（（Ｄ／Ｓ）＋１）と時間Ｔ_{ｓｕｂｔａｓｋ（ｉ）}とを求め、縦軸を時間Ｔ_{ｓｕｂｔａｓｋ（ｉ）}、横軸をｌｏｇ_２（（Ｄ／Ｓ）＋１）として、各値をプロットする。ｌｏｇ_２（（Ｄ／Ｓ）＋１）に対する時間Ｔ_{ｓｕｂｔａｓｋ（ｉ）}の一次式を求め。ａは当該一次式の切片、ｂは当該一次式の傾きであり、これらを一次式から求める。

図２１（Ａ）の各セグメントの速度の時系列データから、時間Ｔ_{ｓｕｂｔａｓｋ（ｉ）}を求めると、時間Ｔ_{ｓｕｂｔａｓｋ（ｉ）}は、図２１（Ｂ）に示すようになり、図２１（Ｃ）に示すように、ＭＥが発生したことが関係付けられているセグメントの時間Ｔ_{ｓｕｂｔａｓｋ（ｉ）}は、時間Ｔ_{ｓｕｂｔａｓｋ（ｉ）}の最大値である。よって、ＭＥが発生したことが関係付けられているセグメントの時間Ｔ_{ｓｕｂｔａｓｋ（ｉ）}は、判定値となる。また、時間Ｔ_{ｓｕｂｔａｓｋ（ｉ）}が長くなるのは、困難度ｌｏｇ_２（（Ｄ／Ｓ）＋１）が高いことによる。よって、ＭＥが発生したことが関係付けられているセグメントの困難度ｌｏｇ_２（（Ｄ／Ｓ）＋１）も判定値となる。

以上は、ステップ２７４（図１１）における特徴量（判定値）であるが、ステップ２６４（図１０）における特徴量も、上記ステップ２７４（図１１）における特徴量（判定値）の算出方法と同様の方法で得る。

上記ステップ２７４（図１１）における特徴量（判定値）及びステップ２６４（図１０）における特徴量は規格化しておく。

図５のステップ１１０におけるＣｌａｓｓｉｆｉｃａｔｉｏｎ（識別）処理は、特徴量（判定値）を用いてＩＡＤＬのタスクにおけるＭＥの検出率を求める処理である。Ｃｌａｓｓｉｆｉｃａｔｉｏｎ部４０は、タスクが朝食の用意の場合及びタスクが昼食の用意の場合の各々において、実行結果（指の速度の時系列データ）と、上記特徴量（判定値）とから、各タスクの動作にＭＥが発生したか否かを判断する。そして、Ｃｌａｓｓｉｆｉｃａｔｉｏｎ部４０は、当該判断結果と、実際のＭＥの検出結果とから、ＩＡＤＬの各タスクにおけるＭＥの検出率を求める。その結果が図２２（Ａ）〜図２２（Ｄ）に示されている。図２２（Ａ）は、タスクが朝食の用意の場合のＲｅａｃｈ Ｎｏ−ｔｏｕｃｈのタイプのＭＥ検出結果が示されている。図２２（Ｂ）は、タスクが朝食の用意の場合のＲｅａｃｈ ｔｏｕｃｈのタイプのＭＥ検出結果が示されている。図２２（Ｃ）は、タスクが昼食の用意の場合のＲｅａｃｈ Ｎｏ−ｔｏｕｃｈのタイプのＭＥ検出結果が示されている。図２２（Ｄ）は、タスクが昼食の用意の場合のＲｅａｃｈ ｔｏｕｃｈのタイプのＭＥ検出結果が示されている。図２２（Ａ）〜図２２（Ｄ）の各々の横軸は偽陽性率、縦軸は正陽性率である。図２２（Ａ）〜図２２（Ｄ）には、ＲＯＣ（Ｒｅｃｅｉｖｅｒ Ｏｐｅｒａｔｉｎｇ Ｃｈａｒａｃｔｅｒｉｓｔｉｃ）曲線、ＲＯＣ曲線に基づくＡＵＣ（Ａｒｅａ Ｕｎｄｅｒ ｔｈｅ Ｃｕｒｖｅ：ＲＯＣ曲線の下の領域）、現在の分類器（マイクロエラー発生判断装置）の性能が点で示されている。図２２（Ａ）〜図２２（Ｄ）に示されているように、本実施の形態のマイクロエラー発生判断装置は、マイクロエラーの発生を精度よく判断することができる。

以上説明したように、本実施の形態では、ＶＲ（Ｖｉｒｔｕａｌ Ｒｅａｌｉｔｙ、仮想現実）技術を用いてＩＡＤＬ環境を仮想空間に表現し、被験者の指の３次元位置を計測し、操作時の被験者の指の３ 次元位置の計測データから速度のデータを求め、マイクロエラーが発生したと判定するための特徴量（判定値）を計算する。よって、マイクロエラーを識別することができ、ＭＣＩ患者と健常者とを判別することができる。

ところで、従来のＭＣＩスクリーニングシステムは、被検者が医療機関へ出向き、介護従事者の適切な指導のもとで平均１〜２時間の認知機能テストを受ける必要があるなど、被検者や介護従事者にとって時間的コストのかかる手法である。また、認知機能の評価だけではＭＣＩ を高い感度と特異度で検出することは困難であった。本実施の形態では、数分のテストでスクリーングが可能となり、時間的コストを大幅に削減でき、更に、ＩＡＤＬの行動指標を評価していることから、従来の認知機能のみの評価よりも高い感度と特異度でＭＣＩの検出が可能となる。

そして、本実施の形態では、マイクロエラーの発生又は非発生を自動的に判断することを可能にすることができ、マイクロエラーの発生又は非発生を精度よく判断することができる。
判定値は、行動に着目した指標なので、ＩＡＤＬ以外のさまざまなタスクへの導入が可能であり、応用範囲は広い。

（変形例）
以上説明した実施の形態では、速度として速度の絶対値を用いているが、速度の絶対値ではなくともよい。例えば、指の移動方向も加味してもよい。
以上説明した実施の形態では更に、MEの発生個所を視覚的に情報化する。これにより、専門家による行動プロファイルを作成しやすくなる。
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、肩等であってもよい。

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、データ処理プログラム（図４）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データ処理プログラム（図４）を記憶させておいてもよい。この場合、記憶媒体のデータ処理プログラム（図４）がデータ処理装置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）を介してデータ処理装置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データ処理プログラム（図４）を記憶させておき、データ処理プログラム（図４）がデータ処理装置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データ処理プログラム（図４）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データ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、データ処理は、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、上記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、本開示の技術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
１６ ３次元モーションセンサ
２０ ＣＰＵ
３２ Ｄａｔａ ｃｏｌｌｅｃｔｉｏｎ部
３４ Ｄａｔａ ｃｌｅａｎｓｉｎｇ部
３６ Ｓｅｇｍｅｎｔａｔｉｏｎ部
３８ Ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ部
４０ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ部

Claims (10)

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位置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時系列に計測された位置のデータから、前記身体的部位の速度の時系列データを算出する速度算出部と、
   前記所定の活動を行う際に想定される間違いの動作とは区別される前記被験者の間違った動作であるマイクロエラーが発生した時を含む所定範囲の前記速度の時系列データから、前記マイクロエラーが発生したと判定するための判定値を算出する判定値算出部と、
   を備えた判定値算出装置であって、
   前記判定値は、
   前記被験者の身体的部位の非定常の動きを表す値である、
   判定値算出装置。
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に記載の判定値算出装置。
3. 前記判定値は、
   前記所定範囲の中での前記速度のデータの歪度、
   前記速度のデータの自己回帰モデルに関する値、
   前記速度の時系列データを特異スペクトル変換して得られる値、又は
   Ｆｉｔｔｓモデルを用いて定まる前記所定範囲の活動に関する値である、
   請求項１又は請求項２に記載の判定値算出装置。
4. 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位置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時系列に計測された位置のデータから、前記身体的部位の速度の時系列データを算出する速度算出部と、
   所定の活動を行う際に想定される間違いの動作とは区別される被験者の間違った動作であるマイクロエラーが発生した時を含む所定範囲の前記速度の時系列データから予め算出された前記マイクロエラーが発生したと判定するための判定値と、前記速度算出部により算出された前記身体的部位の速度の時系列データとから、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に、前記マイクロエラーが発生したか否かを判断する判断部と、
   を備えたマイクロエラー発生判断装置であって、
   前記判定値は、
   前記被験者の身体的部位の非定常の動きを表す値である、
   マイクロエラー発生判断装置。
5. 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４に記載のマイクロエラー発生判断装置。
6. 前記判定値は、
   前記所定範囲の中での前記速度のデータの歪度、
   前記速度のデータの自己回帰モデルに関する値、
   前記速度の時系列データを特異スペクトル変換して得られる値、又は
   Ｆｉｔｔｓモデルを用いて定まる前記所定範囲の活動に関する値である、
   請求項４又は請求項５に記載のマイクロエラー発生判断装置。
7. 表示部が、被験者が所定の活動をするための環境を表示するステップと、
   計測部が、前記被験者の身体的部位の位置を計測するステップと、
   速度算出部が、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時系列に計測された位置のデータから、前記身体的部位の速度の時系列データを算出するステップと、
   判定値算出部が、前記所定の活動を行う際に想定される間違いの動作とは区別される前記被験者の間違った動作であるマイクロエラーが発生した時を含む所定範囲の前記速度の時系列データから、前記マイクロエラーが発生したと判定するための判定値を算出するステップと、
   を備えた判定値算出方法であって、
   前記判定値は、
   前記被験者の身体的部位の非定常の動きを表す値である、
   判定値算出方法。
8. 表示部が、被験者が所定の活動をするための環境を表示するステップと、
   計測部が、前記被験者の身体的部位の位置を計測するステップと、
   速度算出部が、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時系列に計測された位置のデータから、前記身体的部位の速度の時系列データを算出するステップと、
   判断部が、所定の活動を行う際に想定される間違いの動作とは区別される被験者の間違った動作であるマイクロエラーが発生した時を含む所定範囲の前記速度の時系列データから予め算出された前記マイクロエラーが発生したと判定するための判定値と、前記速度算出部により算出された前記身体的部位の速度の時系列データとから、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に、前記マイクロエラーが発生したか否かを判断するステップと、
   を備えたマイクロエラー発生判断方法であって、
   前記判定値は、
   前記被験者の身体的部位の非定常の動きを表す値である、
   マイクロエラー発生判断方法。
9. コンピュータを、請求項１〜請求項３の何れか１項に記載の前記速度算出部及び前記判定値算出部として機能させる判定値算出プログラム。
10. コンピュータを、請求項４〜請求項６の何れか１項に記載の前記速度算出部及び前記判断部として機能させるマイクロエラー発生判断プログラム。