估计系统、估计方法、程序、估计模型、脑活动训练装置、脑活动训练方法以及脑活动训练程序与流程

本发明涉及一种基于与脑活动有关的测量数据来估计疾病倾向的技术。

背景技术：

1、已知有利用作为以非侵入方式测量脑活动的方法之一的功能性磁共振成像法(functional magnetic resonance imaging：下面也简称为“fmri”。)对脑功能进行估计、并且以脑功能的调节为目的的神经反馈训练等。但是，仅使用fmri的神经反馈训练在成本等可实现性方面存在问题。

2、因此，提出了将脑电图或脑波图等电磁场测量法(electroencephalogram：下面也简称为“eeg”。)与fmri进行组合的方法(例如，参照专利文献1等)。在本说明书中，将利用eeg测量出的信号变化(时间波形)统称为“脑波”。

3、在专利文献1等公开的方法中，使用在静息态时同时进行eeg和fmri所得到的测量数据(下面也简称为“eeg/fmri同时测量数据”。)制作估计模型，使用制作出的该估计模型，仅使用eeg测量数据来进行神经反馈。eeg在可移动性、便携性、价格、可普及性等方面比其它测量方法有利。因此，通过采用专利文献1等所公开的方法，能够降低成本，提高神经反馈训练的可实现性。

4、另外，提出了使用静息态的fmri的测量数据来估计各个脑内网络的活动、并且基于由多个脑内网络表现的脑功能来估计“疾病倾向”的技术(参照非专利文献1等)。通过估计“疾病倾向”，能够期待应用于精神疾病的诊断、同一疾病内的亚型鉴定、治疗法的选择等。

5、现有技术文献

6、专利文献

7、专利文献1：日本特开2019-093008号公报

8、非专利文献

9、非专利文献1：andrew t drysdale1 et al.,“resting-state connectivitybiomarkers define neurophysiological subtypes of depression(静息态连接性生物标记物定义了抑郁症的神经生理学亚型),”nature medicine，volume23,number 1，pp.28-38(issn：1546-170x)，2017.1

10、非专利文献2：takashi yamada et al.，“resting-state functionalconnectivity-based biomarkers and functional mri-based neurofeedback forpsychiatric disorders：a challenge for developing theranostic biomarkers(基于静息态功能连接的生物标记物和基于功能性磁共振的神经反馈治疗精神疾病：开发治疗生物标记物的一个挑战)，”international journal of neuropsychopharmacology(2017)20(10)，pp.769-781，2017.7.17

11、非专利文献3：yujiro yoshihara et al.,“overlapping but asymmetricalrelationships between schizophrenia and autism revealed by brain connectivity(大脑连接揭示了精神分裂症和自闭症之间的重叠但不对称的关系),”biorxiv，<url：https://doi.org/10.1101/403212>，2018.9.7

12、非专利文献4：naho ichikawa et al.,“primary functional brainconnections associated with melancholic major depressive disorder andmodulation by antidepressants(与忧郁性重度抑郁症有关的主要脑功能连接以及抗抑郁药的调节作用),”scientific reports(2020)10:3542<url：https://doi.org/10.1038/s41598-020-60527-z>，2020

13、非专利文献5：eniko barto‘k et al.,“cognitive functions in prepsychoticpatients(精神病前期患者的认知功能)”,progress in neuro-psychopharmacology&biological psychiatry 29(2005)621-625

技术实现思路

1、发明要解决的问题

2、以往的神经反馈训练是以特定的脑区域的活动的变化或特定的脑内网络(多个脑区域间的活动的时间相关性的变化)为对象(例如，非专利文献2)。

3、期望能够更简便地估计与多个脑内网络相关联的任意的疾病的方法。

4、用于解决问题的方案

5、按照本发明的某个实施方式的估计系统包括获取从受验者同时测量出的脑波的测量数据和功能性磁共振成像法的测量数据的获取单元。脑波的测量数据包含与配置于受验者的头部的多个传感器分别对应的多个通道的每个通道的时间波形。估计系统还包括：第一计算单元，其基于脑波的测量数据中包含的通道间的相关性，针对每个通道组合计算第一功能连接；第二计算单元，其基于功能性磁共振成像法的测量数据中包含的关心区域间的相关性，针对每个脑内网络计算第二功能连接；第三计算单元，其通过使用多个第二功能连接计算表示估计对象的疾病倾向的得分，来计算疾病倾向标签；以及机器学习单元，其通过使用每个通道组合的第一功能连接和疾病倾向标签进行的机器学习，来使用规定的第一功能连接决定用于估计疾病倾向的估计模型。

6、也可以是，估计系统还包括估计单元，该估计单元将从受验者测量出的脑波的测量数据输入到估计模型，来估计受验者的疾病倾向。

7、也可以是，估计系统还包括呈现单元，该呈现单元计算与估计出的受验者的疾病倾向相应的第二得分，并且将与计算出的第二得分相应的信息呈现给受验者。

8、也可以是，估计模型是按各疾病而准备的。此时，也可以是，对受验者应用与受验者所出现的疾病对应的估计模型。

9、也可以是，基于与估计出的受验者的疾病倾向相应的第二得分，来评价受验者的症状的变化。

10、也可以是，第三计算单元基于将与估计对象的疾病倾向相对应的多个第二功能连接分别乘以对应的加权参数后的总和，来计算表示疾病倾向的得分。

11、也可以是，第三计算单元通过在对表示疾病倾向的得分进行标准化处理之后进行阈值处理，来计算疾病倾向标签。

12、也可以是，估计模型包含用于选择每个通道组合的第一功能连接中的进行估计所使用的第一功能连接的信息、以及与所选择的第一功能连接相对应的加权参数。

13、也可以是，第一计算单元根据针对作为对象的两个通道的脑波的时间波形共同设定的窗口中包含的区间内的时间波形间的相关值，来计算第一功能连接。

14、也可以是，第一计算单元针对脑波的测量数据中包含的每个频带和/或设定的窗口的每个窗口尺寸计算第一功能连接。

15、也可以是，估计系统还包括条件设定单元，该条件设定单元根据受验者来事先决定向估计模型输入的脑波的测量数据中包含的频带和/或窗口尺寸。

16、也可以是，第二计算单元根据针对表示作为对象的两个关心区域的活动量的时间波形共同设定的窗口中包含的区间内的时间波形间的相关值，来计算第二功能连接。

17、按照本发明的另一实施方式的估计方法包括获取从受验者同时测量出的脑波的测量数据和功能性磁共振成像法的测量数据的步骤。脑波的测量数据包含与配置于受验者的头部的多个传感器分别对应的多个通道的每个通道的时间波形。估计方法还包括以下步骤：基于脑波的测量数据中包含的通道间的相关性，针对每个通道组合计算第一功能连接；基于功能性磁共振成像法的测量数据中包含的关心区域间的相关性，针对每个脑内网络计算第二功能连接；通过使用多个第二功能连接计算表示估计对象的疾病倾向的得分，来计算疾病倾向标签；以及通过使用每个通道组合的第一功能连接和疾病倾向标签进行的机器学习，来使用规定的第一功能连接决定用于估计疾病倾向的估计模型。

18、按照本发明的又一实施方式的程序使计算机执行获取从受验者同时测量出的脑波的测量数据和功能性磁共振成像法的测量数据的步骤。脑波的测量数据包含与配置于受验者的头部的多个传感器分别对应的多个通道的每个通道的时间波形。程序使计算机还执行以下步骤：基于脑波的测量数据中包含的通道间的相关性，针对每个通道组合计算第一功能连接；基于功能性磁共振成像法的测量数据中包含的关心区域间的相关性，针对每个脑内网络计算第二功能连接；通过使用多个第二功能连接计算表示估计对象的疾病倾向的得分，来计算疾病倾向标签；以及通过使用每个通道组合的第一功能连接和疾病倾向标签进行的机器学习，来使用规定的第一功能连接决定用于估计疾病倾向的估计模型。

19、根据本发明的又一实施方式，提供一种用于使用从受验者测量出的脑波的测量数据来估计受验者的疾病倾向的学习完毕的估计模型。构建估计模型的处理包括获取从受验者同时测量出的脑波的测量数据和功能性磁共振成像法的测量数据的步骤。脑波的测量数据包含与配置于受验者的头部的多个传感器分别对应的多个通道的每个通道的时间波形。构建估计模型的处理还包括以下步骤：基于脑波的测量数据中包含的通道间的相关性，针对每个通道组合计算第一功能连接；基于功能性磁共振成像法的测量数据中包含的关心区域间的相关性，针对每个脑内网络计算第二功能连接；通过使用多个第二功能连接计算表示估计对象的疾病倾向的得分，来计算疾病倾向标签；以及通过使用每个通道组合的第一功能连接和疾病倾向标签进行的机器学习，来决定估计模型。

20、根据本发明的又一实施方式，提供一种用于执行神经反馈训练的脑活动训练装置。脑活动训练装置包括：存储装置，其保存在执行神经反馈训练之前生成的用于估计受验者的疾病倾向的估计模型；以及脑波仪，其用于在神经反馈训练中测量受验者的脑波的测量数据。脑波的测量数据包含与配置于受验者的头部的多个传感器分别对应的多个通道的每个通道的时间波形。脑活动训练装置还包括：呈现装置；以及处理装置，其在神经反馈训练中，基于来自脑波仪的测量数据，使用估计模型来计算受验者的疾病倾向，将用于进行与该疾病倾向对应的显示的信号输出到呈现装置。

21、估计模型是通过下面的处理而生成的：获取从受验者同时测量出的脑波的测量数据和功能性磁共振成像法的测量数据；基于脑波的测量数据中包含的通道间的相关性，针对每个通道组合计算第一功能连接；基于功能性磁共振成像法的测量数据中包含的关心区域间的相关性，针对每个脑内网络计算第二功能连接；通过使用多个第二功能连接计算表示估计对象的疾病倾向的得分，来计算疾病倾向标签；以及通过使用每个通道组合的第一功能连接和疾病倾向标签进行的机器学习，来使用规定的第一功能连接估计疾病倾向，从而决定估计模型。同时测量的该脑波的测量数据包含与在神经反馈训练中测量的脑波的测量数据的各个通道对应的每个通道的时间波形。

22、根据本发明的又一实施方式，提供一种用于执行神经反馈训练的脑活动训练方法。脑活动训练方法包括以下步骤：获取在执行神经反馈训练之前生成的用于估计受验者的疾病倾向的估计模型；以及在神经反馈训练中测量受验者的脑波的测量数据。脑波的测量数据包含与配置于受验者的头部的多个传感器分别对应的多个通道的每个通道的时间波形。脑活动训练方法还包括以下步骤：在神经反馈训练中，基于脑波的测量数据，使用估计模型来计算受验者的疾病倾向，将用于进行与该疾病倾向对应的显示的信号输出到呈现装置。获取估计模型的步骤包括以下步骤：获取从受验者同时测量出的脑波的测量数据和功能性磁共振成像法的测量数据；基于脑波的测量数据中包含的通道间的相关性，针对每个通道组合计算第一功能连接；基于功能性磁共振成像法的测量数据中包含的关心区域间的相关性，针对每个脑内网络计算第二功能连接；通过使用多个第二功能连接计算表示估计对象的疾病倾向的得分，来计算疾病倾向标签；以及通过使用每个通道组合的第一功能连接和疾病倾向标签进行的机器学习，来使用规定的第一功能连接估计疾病倾向，从而决定估计模型。同时测量的该脑波的测量数据包含与在神经反馈训练中测量的脑波的测量数据的各个通道对应的每个通道的时间波形。

23、根据本发明的又一实施方式，提供一种用于执行神经反馈训练的脑活动训练程序。脑活动训练程序使计算机执行以下步骤：保存在执行神经反馈训练之前生成的用于估计受验者的疾病倾向的估计模型；以及在神经反馈训练中获取受验者的脑波的测量数据。脑波的测量数据包含与配置于受验者的头部的多个传感器分别对应的多个通道的每个通道的时间波形。脑活动训练程序使计算机还执行以下步骤：在神经反馈训练中，基于脑波的测量数据，使用估计模型来计算受验者的疾病倾向，将用于进行与该疾病倾向对应的显示的信号输出到呈现装置。估计模型是通过下面的处理而生成的：获取从受验者同时测量出的脑波的测量数据和功能性磁共振成像法的测量数据；基于脑波的测量数据中包含的通道间的相关性，针对每个通道组合计算第一功能连接；基于功能性磁共振成像法的测量数据中包含的关心区域间的相关性，针对每个脑内网络计算第二功能连接；通过使用多个第二功能连接计算表示估计对象的疾病倾向的得分，来计算疾病倾向标签；以及通过使用每个通道组合的第一功能连接和疾病倾向标签进行的机器学习，来使用规定的第一功能连接估计疾病倾向，从而决定估计模型。同时测量的该脑波的测量数据包含与在神经反馈训练中测量的脑波的测量数据的各个通道对应的每个通道的时间波形。

24、发明的效果

25、根据本发明的某个实施方式，能够更简便地估计与多个脑内网络相关联的任意的疾病。