在此，在图12中，地点4是将美国的六个地点汇总表示的地点。
[0227] 此外，在图12中，"灵敏度"是对于疾病组的受验者的检查正确地判定为阳性（有 疾病）的概率，"特异度"是对于正常组的受验者的检查正确地判定为阴性（无疾病）的概 率。"阳性似然比"是真阳性概率与假阳性概率之比，"阴性似然比"是假阴性概率与真阴性 概率之比。DOR是灵敏度与特异度之比。
[022引在图12中，对美国地点的泛化在超越了人种和国别的诊断基准运个意义上示出 了通过基于有限的受验者数据的学习而得到的生物标记物的性能之高。
[0229] (解码连接神经反馈）
[0230] 通过W上说明了：根据在健康组、患者组中测定出的静息态功能连接MRI的数据， 针对各个受验者导出脑区域间（关注区域间）的活动度的相关矩阵，根据该相关矩阵的非 对角元素来生成与特定的疾病有关的生物标记物。
[0231] 下面，说明脑活动训练装置的结构，该脑活动训练装置用于使用运样生成的生物 标记物来针对患者组的脑活动提供反馈W接近正常人的相关性（连接）状态。但是，更一 般地说，运种脑活动训练装置不止于在健康组的脑活动与患者组的脑活动运样的关系中使 患者组的脑活动的连接状态接近正常人的脑活动的连接状态的训练，还能够使用于使受验 者当前的脑活动的连接状态接近目标群的脑活动的连接状态运样的意义上的训练。
[0232] 后面将进行运种神经反馈称为"解码连接神经反馈"。
[0233] 图13是表示运种脑活动训练装置的结构的概念的图。
[0234] 作为脑活动训练装置的硬件结构，例如能够使用上述的图1所示的MRI装置10的 结构。下面，设作为用于通过脑功能成像法按时间序列测量脑活动的脑活动检测装置使用 实时fMRI来进行说明。
[0235] 参照图13,首先，利用MRI装置10在规定时间内按时间序列测定受验者的脑活动。 为了拍摄为fMRI而执行EPI(Echo-planarimaging:回波平面成像）摄像。
[0236] 接着，通过数据处理部32实时地对拍摄出的图像进行重构处理。
[0237] 并且，数据处理部32针对多个关注区域进行提取表示功能连接的相关性的相关 矩阵的过程。目P，根据实时地测定出的静息态的fMRI的n个（n:自然数）时刻的fMRI数 据，来计算各关注区域的平均的"活动度"。
[023引数据处理部32根据运样计算出的活动度，来计算脑区域间（关注区域间）的活动 度的相关值（连接强度）。
[0239] 然后，数据处理部32基于计算出的连接强度，根据相对于目标的脑活动的连接强 度的近似度来计算得分，近似度越高则计算出越高分数的得分。在此，上述的作为生物标记 物而发挥功能的判别器是越接近正常人（或者目标状态的受验者）则生成越接近1的值的 判别器，因此，如后面所说明的那样，能够使用该判别器的输出来计算得分。通过利用判别 器的判别，得到解码的结果。
[0240] 数据处理部32通过在显示器6上显示所计算出的报酬值（下面称为得分 (score))来向受验者2进行反馈。此外，作为所反馈的信息，既可W是得分的数值本身，或 者也可W是大小根据得分的大小而变化的图形。除此W外，只要是受验者能够识别得分的 大小的图像，则也可W使用其它结构。
[0241] 之后，在规定的期间内，实时地重复从EPI摄像到得分的反馈的处理。
[0242] 图14是用于说明为了解码连接神经反馈而由数据处理部32进行的处理的流程 图。
[0243] 参照图14,首先，数据处理部32根据实时地测定并保存在存储部36中的数据，来 获取规定时间、例如15秒钟的"未进行清理（Scrubbing)处理的数据"（S200)。
[0244] 在此，"未进行清理处理的数据"是指未进行前处理（清理处理），该前处理用于去 除存在头移动等问题的数据。目P，神经反馈为在线（on-line)的处理，因此重视实时性，不 进行清理处理。与此相对，对于上述的用于生成生物标记物的数据获取等的能够进行离线 (off-line)处理的处理，一般进行清理处理W提高数据的精度。
[0245] 接着，数据处理部32基于获取到的数据来求出脑区域间（关注区域间）的平均的 活动度的相关值，将运种相关值标准化为平均值0、方差1的数据（S202)。
[0246] 此外，下面，设将通过上述方式C的方式事前生成的生物标记物用作生物标记物 来进行说明。
[0247] 接着，数据处理部32计算相关值的线性加权和y来作为生物标记物（判别器） 的输入（S204)。在此，线性加权和中使用的加权的参数表示在生成判别器时用于对被选作 SLR的结果的多个连接（相关性）进行判别的加权参数。目P，是在上述的式（1)中作为分母 的指数函数的自变量而出现的参数。当在存在多个相关值的情况下将某个相关值选择性地 用于判别时，未被选择的相关值的加权参数的值为0。
[024引接着，数据处理部32在当前的测定是第一阶段（最初的一个块的测定）的情况 下，进行校准用的偏置值的计算处理（S208)，另一方面，在第二阶段W后，按照下面的式子， 进行利用偏置值对测定出的数据进行校正的处理（S210)。
[024引[数 6]
[0巧0] 多?y十易括巧
[0251] 在此，"块化lock)"是实验过程的最小单位，如后面所说明的那样，例如在一个块 中包含10次试验。"试验"也如后面所说明的那样，包括规定时间的静息状态W及接在其后 的任务执行期间和反馈期间。
[0巧2]目P，受验者在一次试验的期间内的经历如下。
[0巧3]"静息状态"：受验者不专注于任何事情。
[0254] "任务执行期间":受验者专注于某些事情W使所反馈的得分变大。系统基于在该 期间内测定出的拍摄信息来计算得分。
[0255] "反馈期间":将计算出的得分呈现给受验者。
[0256] 即，"静息状态"与"反馈期间"之间的14秒钟是受验者执行"专注"运样的任务的 期间，将该期间称为"任务执行期间"。
[0巧7] 并且，数据处理部32利用生物标记物，按照下面的式子来计算得分SC(S212)。
[0258][数 7]
[0260] 目P，得分SC相当于受验者没有疾病的概率的100倍的值。
[0261]如果得分SC为规定的值、例如50W上（S214)，则数据处理部32将得分SC的值作 为反馈得分FSC而输出（S218)。
[026引另一方面，如果得分SC小于50 (S214)，则数据处理部32按照下面的式子将得分SC的值变换为偏差值（S216)，并将其作为反馈得分而输出（S218)。
[026引[数 8]
[0265] 在此，y是第一阶段的平均值，0是第一阶段中的方差。像运样变换为偏差值是 为了避免极其低的值被呈现为反馈值。
[0266] 通过运样的处理，对受验者执行解码连接神经反馈。
[0267] 图15是用于说明图14中的校准用偏置项导出的处理的流程图。
[026引使用运种偏置值是为了加W考虑静息态与进行反馈的任务时之间的向生物标记 物输入的相关值的线性加权和之差。
[0269] 首先，数据处理部32在针对当前的受验者的第一阶段中，获取10组规定时间、例 如15秒钟的未进行清理处理的数据（S302)。
[0270] 接着，数据处理部32基于获取到的数据来求出脑区域间（关注区域间）的平均的 活动度的相关值，将运种相关值标准化为平均值0、方差1的数据（S304)。
[0271] 并且，数据处理部32计算相关值的线性加权和来作为生物标记物（判别器）的输 入做06)。
[0272] 数据处理部32将第一阶段的相关值的线性加权和（SessionLWS=Linear Wei曲tedSum)保存到存储部36 (S308)。
[0273] 另一方面，数据处理部32获取事前针对当前的受验者测定出的规定时间、例如5 分钟的已进行清理处理的数据（S312)。
[0274] 接着，数据处理部32基于获取到的数据来求出脑区域间（关注区域间）的平均的 活动度的相关值，将运种相关值标准化为平均值0、方差1的数据（S314)。
[0275] 并且，数据处理部32计算相关值的线性加权和来作为生物标记物（判别器）的输 入（S316)。
[0276] 数据处理部32将静息态的相关值的线性加权和巧estLW巧保存到存储部 36(S318)。
[0277] 数据处理部32根据存储部36中保存的数据，通过下面的式子来计算校准用的偏 置值bias(S320)。
[027引[数 9]
[0279] bias=巧estLWS-SessionLW巧
[0280] 图16是用于说明在基于解码连接神经反馈的训练的前后、为了评价训练的结果 而进行的与静息态的脑区域间（关注区域间）的连接度相应的得分计算处理的流程图。
[0281] 数据处理部32获取针对受验者在静息态下测量出的规定时间例如5分钟的已进 行清理处理的、被保存在存储部36中的数据（S412)。
[0282] 接着，数据处理部32基于获取到的数据来求出脑区域间（关注区域间）的平均的 活动度的相关值，将运种相关值标准化为平均值0、方差1的数据（S414)。
[0283] 并且，数据处理部32计算相关值的线性加权和来作为生物标记物（判别器）的输 入（S416)。
[0284] 数据处理部32基于生物标记物的输出来与图14同样地计算得分SC(S418)。
[0285] 图17是表示解码连接神经反馈中的训练时序的一例的图。
[0286] 如图17所示，首先，在第一天，通过图16所示的流程来测定受验者的事前的静息 态的脑活动。
[0287] 之后，在第一天，按照图14所示的流程来进行基于解码连接神经反馈的训练。
[028引 W后，在第二天、第=天，按照图14所示的流程来进行基于解码连接神经反馈的 训练。
[0289] 在第四天（最后一天），在按照图14所示的流程进行了基于解码连接神经反馈的 训练之后，通过图16所示的流程来实施事后的静息态的脑活动测量。训练所花的天数既可 W更少也可W更多。
[0290] 并且，在经过规定期间后、例如2个月后，通过图16所示的流程对受验者实施静息 态的脑活动测量。
[0291] 下面，说明为了验证解码连接神经反馈的有效性而通过训练来变更默认模式网络 的左外侧顶叶区ILP与左初级运动区IMl间的相关性的例子。
[0292] 例如，预计：显示为文字的单词的颜色与单词的意思之间的对单词-斯特鲁普 (Stroop)任务等的反应时间根据外侧顶叶区LP与运动皮质Ml间的相关性而变化，也就是 说，对如用蓝色写为"红"的单词那样、所上的颜色（蓝）与单词所表示的颜色（红）不一 致的单词（称为斯特鲁普刺激）的所上的颜色进行命名所需的时间发生变化。
[0293] 图18是表示运种左外侧顶叶区ILP与左初级运动区IMl在脑内的位置的图。
[0294] 图19是表示解码连接神经反馈的训练的时序的图。
[029引如图19所示，受验者的组（第一组）在一次试验的期间内，在14秒钟的静息状态 后将所呈现的规定的图像（指示想象任务的图像）观察14秒，之后在6秒钟内被反馈得分。 例如，将重复10次该试验称为一个块。每天将运种反馈重复多块。
[0296] 另一方面，为了对解码连接神经反馈进行验证，另一受验者的组（第二组）接受根 据对其他受验者测定出的脑活动而生成的反馈信息的呈现。
[0297] 并且，另外，另一受验者的组（第=组）除了不接受得分的呈现W外，接受与第一 组相同的图像（指示想象轻敲（tapping)运动的图像）的呈现。
[029引图20是表示第一组的某个受验者的脑活动的相关性（连接）在训练的初期和末 期的变化的图。
[029引如图20所示，在第一天的第一训练块中，该受验者的左外侧顶叶区ILP与左初级 运动区IMl的相关性的相关系数r= -0. 31，具有负的相关性。与此相对，在第四天的最终 训练块中，外侧顶叶区LP与初级运动区Ml的相关性的相关系数r= 0. 62,变化成具有正的 相关性。
[0300] 图2