ヒトの感覚判定方法及びその判定装置
【課題】ヒトの感覚を３クラス以上に直接的に判定されうる方法の提供。
【解決手段】感覚判定装置２は、ヒトの脳波を計測する脳波計４と、演算部１４と、ＣＭＡＣ分類器２０とを備えている。演算部１４は、上記脳波の周波数解析、この周波数解析の結果に基づく上記脳波の特徴値の決定、ＣＭＡＣ分類器２０から得られる出力値に対応する客観評価の決定を行うように構成されている。ＣＭＡＣ分類器２０は、脳波から得られる特徴値からＣＭＡＣによる出力値を得るように構成されている。上記脳波の特徴値の決定では、解析された全周波数から周波数を抽出するステップ、抽出した周波数に基づき特徴値が算出されるステップ、算出された特徴値による正答率を評価するステップ、正答率の評価に基づいて周波数が決定されるステップ及びこの決定した周波数に基づき特徴値が決定されるステップを含む。
【解決手段】感覚判定装置２は、ヒトの脳波を計測する脳波計４と、演算部１４と、ＣＭＡＣ分類器２０とを備えている。演算部１４は、上記脳波の周波数解析、この周波数解析の結果に基づく上記脳波の特徴値の決定、ＣＭＡＣ分類器２０から得られる出力値に対応する客観評価の決定を行うように構成されている。ＣＭＡＣ分類器２０は、脳波から得られる特徴値からＣＭＡＣによる出力値を得るように構成されている。上記脳波の特徴値の決定では、解析された全周波数から周波数を抽出するステップ、抽出した周波数に基づき特徴値が算出されるステップ、算出された特徴値による正答率を評価するステップ、正答率の評価に基づいて周波数が決定されるステップ及びこの決定した周波数に基づき特徴値が決定されるステップを含む。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、脳波に基づいてヒトの感覚を判定する方法及びその方法を用いた判定装置に関する。
【背景技術】
【０００２】
製品の開発段階で、ヒトによる官能評価が行われている。心拍、呼吸、筋電位、眼球運動、瞬き、脳波等の、ヒトの生体情報に基づいて、このヒトの感覚を評価する手法が、種々提案されている。特開２００４−１３８８１４公報には、心電図信号によってヒトの感性を評価する方法が開示されている。特開２００２−５７７公報には、脳波の解析によってヒトの精神状態を評価する方法が開示されている。これら方法で判定されるのは、喜怒哀楽等の感情や、快適度である。
【特許文献１】特開２００４−１３８８１４公報
【特許文献２】特開２００２−５７７公報
【発明の開示】
【発明が解決しようとする課題】
【０００３】
発明者らは、ヒトの感覚が客観的に判定されうる方法を、特願２００８−３３４００６及び特願２００９ー１９６８１０に提案している。これらの方法では、測定された脳波信号を基にヒトの感覚が判定されている。これらの方法では、生体情報を適切に選定して、客観的なデータが得られている。これにより、客観的な評価が得られている。
【０００４】
これらの方法では、ヒトの感覚を２クラスに分類している。この２クラスは、例えば、「好む」と「好まない」の２クラスである。この方法では、３クラス以上の分類は、２クラスの分類を複数回繰り返して行う必要がある。この方法では、３クラス以上の分類が直接的にできない。
【０００５】
本発明の目的は、ヒトの感覚を３クラス以上に直接的に判定されうる方法の提供にある。
【課題を解決するための手段】
【０００６】
本発明に係るヒトの感覚判定方法は、
（１）刺激が与えられているヒトの脳波が、脳波計で計測されるステップ、
（２）上記脳波の周波数解析を行うステップ、
（３）上記周波数解析の結果に基づいて上記脳波の特徴値を決定するステップ、
（４）上記特徴値に基づく入力値からＣＭＡＣによる出力値が得られるステップ
及び
（５）上記出力値に対応する客観評価を決定するステップ
を含む。
上記特徴値の決定（３）は、
（３−１）解析した全周波数から周波数が抽出されるステップ、
（３−２）抽出した周波数に基づき特徴値が算出されるステップ、
（３−３）算出された特徴値による正答率を評価するステップ、
（３−４）正答率の評価に基づいて周波数が決定されるステップ
及び
（３−５）この決定した周波数に基づき特徴値が決定されるステップ
を含む。
【０００７】
好ましくは、上記客観評価を決定するステップでは、３クラス以上の客観的評価から、上記出力値に対応して定められる客観的評価を決定している。
【０００８】
好ましくは、上記正答率の評価（３−３）は、周波数から得られる特徴値データと主観評価データとに基づいてなされる。
【０００９】
好ましくは、この方法では、上記周波数の抽出（３−１）及び周波数の決定（３−４）は、粒子群最適化（ＰＳＯ）を用いてされる。
【００１０】
好ましくは、この方法では、上記特徴値の決定（３）は、刺激が与えられる前のヒトの脳波の周波数解析の結果と、刺激が与えられているヒトの脳波の周波数解析の結果との対比に基づいてなされる。
【００１１】
好ましくは、この方法では、上記特徴値の決定（３）が、周波数解析によって得られたパワースペクトルから算出される値の最大値、最小値、平均値、バラツキ若しくは変化率又はこれらのうちの２以上の組み合わせに基づいてなされる。
【００１２】
好ましくは、この方法では、上記特徴値に基づき、刺激から得られるヒトの反応又は行動が予測されるステップをさらに含む。
【００１３】
本発明に係るヒトの感覚判定装置は、ヒトの脳波を計測する脳波計と、演算部と、ＣＭＡＣ分類器とを備えている。
この演算部は、上記脳波の周波数解析と、この周波数解析の結果に基づく上記脳波の特徴値の決定と、ＣＭＡＣ分類器から得られる出力値に対応する客観評価の決定とを行うように構成されている。このＣＭＡＣ分類器は、特徴値に基づく入力値からＣＭＡＣによる出力値を得るように構成されている。
上記脳波の特徴値の決定では、
解析された全周波数から周波数を抽出するステップ、
抽出した周波数に基づき特徴値が算出されるステップ、
算出された特徴値による正答率を評価するステップ、
正答率の評価に基づいて周波数が決定されるステップ、
及び
この決定した周波数に基づき特徴値が決定されるステップ
を含む。
【００１４】
本発明に係る製品評価方法は、
製品を使用しているヒトの脳波が、脳波計で計測されるステップ、
上記脳波の周波数解析を行うステップ、
上記周波数解析の結果に基づいて上記脳波の特徴値を決定するステップ
上記特徴値に基づく入力値からＣＭＡＣによる出力値が得られるステップ
及び
上記出力値に対応する客観評価を決定するステップ
を含む。
上記脳波の特徴値の決定では、
解析された全周波数から周波数を抽出するステップ、
抽出した周波数に基づき特徴値が算出されるステップ、
算出された特徴値による正答率を評価するステップ、
正答率の評価に基づいて周波数が決定されるステップ、
及び
この決定した周波数に基づき特徴値が決定されるステップ
を含む。
【発明の効果】
【００１５】
本発明に係る感覚判定方法では、脳波の周波数解析によって得られた特徴値から、ヒトの感覚が、適切に３以上の複数のクラスに分類しうる。この方法では、生体情報を適切に選定して、客観的な評価が得られている。
【図面の簡単な説明】
【００１６】
【図１】図１は、本発明の一実施形態に係る感覚判定装置が示されたブロック図である。
【図２】図２は、図１の装置が用いられた感覚判定方法が示されたフローチャートである。
【図３】図３は、図１の装置を構成するＣＭＡＣ分類器の構成が示された説明図である。
【図４】図４は、図２の方法の周波数解析によって得られたパワースペクトルが示されたグラフである。
【図５】図５は、図３の方法の特徴値の決定方法が示されたフローチャートである。
【発明を実施するための形態】
【００１７】
以下、適宜図面が参照されつつ、好ましい実施形態に基づいて本発明が詳細に説明される。
【００１８】
図１に示されるように、この感覚判定装置としての装置２は、脳波計４、フィルタ６、変換器８、アンプ１０、保存部１２、演算部１４、モニタ１６、記憶部１７、入力部１８及びＣＭＡＣ分類器２０を備えている。
【００１９】
図２には、図１の装置２が用いられた感覚判定方法が示されている。この方法では、まず脳波計４によって脳波が計測される（ＳＴＥＰ１）。計測により、アナログ信号が得られる。この信号は、フィルタ６を通される。フィルタ６により、信号からノイズが除去される（ＳＴＥＰ２）。この信号は変換器８に送られ、デジタル信号に変換される（ＳＴＥＰ３）。この信号はアンプ１０に送られ、増幅される（ＳＴＥＰ４）。この信号は、保存部１２に保存される（ＳＴＥＰ５）。計測（ＳＴＥＰ１）から保存（ＳＴＥＰ５）までが、複数回繰り返されてもよい。
【００２０】
演算部１４は、保存部１２から脳波信号を取り出し、脳波の周波数解析を行う（ＳＴＥＰ６）。周波数解析が、時間単位毎に複数回繰り返されてもよい。演算部１４は、周波数解析の結果に基づき、上記脳波の特徴値を決定する（ＳＴＥＰ７）。この特徴値に基づく入力値がＣＭＡＣ分類器２０に入力される。ＣＭＡＣ分類器２０は、出力値を算出する（ＳＴＥＰ８）。この出力値が演算部１４に出力される。演算部１４は、この出力値に基づいて客観評価を決定する（ＳＴＥＰ９）。これらのステップにより、ヒトの感覚が判定される。フィルタ６が設けられず、演算部１４によって信号からノイズが除去されてもよい。
【００２１】
このＣＭＡＣ分類器２０は、教師有り学習を行う一種の識別器である。ＣＭＡＣとは、Cerebeller Model Arithmetic Computer の略であり、ヒトの小脳を模擬した数学的モデルである。
【００２２】
以下、ゴルフクラブのグリップを触ったときの被験者（ヒト）の感覚が、図１に示された装置２によって判定される手順が、詳説される。この感覚判定方法により、グリップの評価もなされる。被験者がグリップを触ることは、本発明に言う「製品の使用」に該当する。
【００２３】
この判定方法では、ＣＭＡＣ分類器２０が用いられている。このＣＭＡＣ分類器２０に、入力値（Ｘ、Ｙ）が入力される。この入力値（Ｘ、Ｙ）に対して、出力値Ｐが出力される。演算部１４は、この出力値Ｐに基づいて、複数のクラスからその出力値Ｐが属するクラスを決定する。この客観的評価を３以上の複数のクラスに区分して、それぞれに対応する出力値Ｐの範囲が定められている。これにより、例えば、ヒトの感覚が、「好き」、「どちらでもない」及び「嫌い」のように、３以上の複数のクラスに分類されうる。この様にして、客観的評価が決定される。
【００２４】
図３に、ＣＭＡＣ分類器２０の構成が模式的に示されている。このＣＭＡＣ分類器２０は、量子化器Ｍ及び荷重表Ｗを有する。このＣＭＡＣ分類器２０に、入力値としての入力ベクトルＳが与えられる。この入力ベクトルＳが、複数の量子化器Ｍにそれぞれ入力される。量子化器Ｍ１とＭ２が図示されているが、このＣＭＡＣ分類器２０は、例えばＭ１からＭ１０の１０個の量子化器Ｍを備えている。
【００２５】
このＣＭＡＣ分類器２０は、予め、入力値と出力値との学習データを与えられて学習させられている。このＣＭＡＣ分類器２０は、学習により、この判定に適した構成にされている。
【００２６】
ここで、ＣＭＡＣ分類器２０の学習方法が説明される。ＣＭＡＣ分類器２０に、入力値（Ｘ、Ｙ）が与えられる。この入力値（Ｘ、Ｙ）は、被験者の特徴値データ（Ｘ（ｎ）、Ｙ（ｎ））に基づいて算出される。出力値Ｐの教師値ｄとしての評価データｄ（ｍ）が与えられる。この特徴値データ（Ｘ（ｎ）、Ｙ（ｎ））と評価データｄ（ｍ）とは、多数のヒトを様々なグリップに触れさせることで得られたものである。
【００２７】
例えば、被験者７名が６種類のグリップＧ１からＧ６をそれぞれ１０回握ることで、学習データが得られる。この学習データでは、特徴値データ（Ｘ（ｎ）、Ｙ（ｎ））は、θ波の周波数帯域に基づく特徴値データ（Ｘ（θ）、Ｙ（θ））である。この特徴値データ（Ｘ（θ）、Ｙ（θ））については、後に詳述される。
【００２８】
評価データｄ（ｍ）は被験者の主観評価から得られる。ここでは、グリップＧ１からＧ６を６段階に順位付けして評価データが与えられている。この６段階の順位付けは、７名の被験者のそれぞれの主観評価を平均して順位付けされている。６種類のグリップには、それぞれ対応する評価データｄ（１）からｄ（６）のいずれかが与えられる。学習データは、この評価データｄ（１）からｄ（６）と、その評価データが得られたときの特徴値データ（Ｘ（θ）、Ｙ（θ））との組み合わせである。グリップＧ１からＧ６それぞれの学習データ数は、７０である。
【００２９】
この量子化器Ｍは、複数の区分空間ｍに分割されている。区分空間ｍは、アドレス（ＸＡ、ＹＡ）が設定されている。ここでは、この変数ＸＡ及び変数ＹＡは、それぞれＡからＤで与えられている。アドレス（ＸＡ、ＹＡ）は、量子化器Ｍ毎にずれて異なっている。図３の量子化器Ｍ１では、入力値（Ｘ、Ｙ）としてベクトル（３、４）が与えられている。これにより、アドレス（Ｂ、Ｃ）が与えられる。量子化器Ｍ２では、ベクトル（３、４）に対応してアドレス（Ｃ、Ｃ）が与えられる。同様にして、量子化器Ｍ３からＭ１０では、それぞれアドレス（ＸＡ、ＹＡ）が与えられる。
【００３０】
量子化器Ｍ１で与えられたアドレス（Ｂ、Ｃ）に対応して、荷重表Ｗにより、荷重値ｗ１として、０．５０が得られる。量子化器Ｍ２で与えられたアドレス（Ｃ、Ｃ）に対応して、荷重値ｗ２として、１．００が得られる。同様にして、量子化器Ｍ３からＭ１０で与えられたアドレス（ＸＡ、ＹＡ）に対応して、荷重表Ｗにより、荷重値ｗ３からｗ１０が得られる。この荷重値ｗ１からｗ１０の総和が出力値Ｐとして得られる。
【００３１】
この入力値（Ｘ、Ｙ）と、評価データｄ（ｍ）（ｍは、１から６の自然数）とがこのＣＭＡＣ分類器２０に与えられる。ＣＭＡＣ分類器２０は、次式により学習量δを算出する。
δ ＝ （μ・（ｄ（ｍ）−Ｐ））／Ｋ
μは修正係数であり、ここでは０．１０とされた。Ｋは量子化器数であり、ここでは１０とされた。このμ及びＫは、正答率が高くなるように、シミュレーションを繰り返して決定されている。
【００３２】
この学習量δにより、荷重表Ｗの荷重値ｗが以下の式で更新される。
ｗ ＝ ｗ ＋ δ
この荷重表Ｗの全ての荷重値ｗが更新される。
【００３３】
グリップＧ１からＧ６の入力値（Ｘ、Ｙ）と評価データｄ（ｍ）とが、順次与えられて荷重表Ｗが更新される。入力値（Ｘ、Ｙ）と評価データｄ（１）からｄ（６）とによる荷重表Ｗの更新を１回として、所定の回数の更新が繰り返される。ここでは、１０回の更新がされた。このようにして、ＣＭＡＣ分類器２０の学習がされている。
【００３４】
ＣＭＡＣ分類器２０の更新回数は１０回としたが、１０回より少なくてもよいし多くしてもよい。この入力値として２次元の入力値（Ｘ、Ｙ）を例示して説明がされたが、３次元の入力値（Ｘ、Ｙ、Ｚ）や４次元以上の高次元の入力値が用いられてもよい。
【００３５】
入力値（Ｘ、Ｙ）は、特徴値データ（Ｘ（θ）、Ｙ（θ））から算出されている。特徴値データ（Ｘ（θ）、Ｙ（θ））は、９Ｈｚから１１Ｈｚの周波帯域のθ波から得られている。特徴値データ（Ｘ（θ）、Ｙ（θ））の算出方法及び周波数帯域の選定方法には、粒子群最適化（以下、ＰＳＯという）が用いられる。
【００３６】
ここで、入力値（Ｘ、Ｙ）の算出方法、特徴値データ（Ｘ（θ）、Ｙ（θ））の算出方法が及び周波数帯域の選定方法が説明される。
【００３７】
この脳波計測には、既知の脳波計４が用いられる。好ましい脳波計４としては、ＴＥＡＣ社の商品名「ＰｏｌｙｍａｔｅII」及び能力開発研究所の商品名「Ｂｒａｉｎ Ｂｕｉｌｄｅｒ Ｕｎｉｔ」が例示される。
【００３８】
この脳波計４の電極が、被験者の頭皮に取り付けられる。１つの基準電極が、耳朶に取り付けられる。一般的な脳波計測では、多数の電極が頭皮に取り付けられる。多数の電極の取り付けは、被験者にストレスを与える。多数の電極の取付は、脳波の正確な計測を阻害する。動作時（例えばゴルフのスイング時）の脳波の測定では、多数の電極及び多数のケーブルが動作の妨げにもなる。正確な計測の観点から、頭皮に取り付けられる電極の数は少ないほど好ましい。計測された脳波の解析の容易の観点からも、頭皮に取り付けられる電極の数は少ないほど好ましい。頭皮に取り付けられる電極の数は、１つが好ましい。好ましくは、国際１０−２０法に定められたＦｐ１又はＦｐ２に、電極が取り付けられる。ここでは、国際１０−２０法に定められたＦｐ１に、電極が取り付けられる。本発明者の得た知見によれば、Ｆｐ１及びＦｐ２では、本発明に係る判定方法にとって十分な脳波が発生する。Ｆｐ１及びＦｐ２には毛髪がないので、電極の取付は容易である。
【００３９】
電極が取り付けられた被験者は椅子に着座し、目を閉じて安静状態を保つ。この状態が、３０秒以上継続される。この被験者にゴルフクラブのグリップＧ１が手渡される。この被験者は、目を閉じたまま、グリップＧ１を触る。その後に、グリップＧ１が回収される。同様にして、この被験者は、グリップＧ２からグリップＧ６までをを触る。
【００４０】
被験者からグリップＧ１からＧ６の主観的評価が聞き取られる。この主観的評価が数値化される。この数値化された主観的評価が評価データｄ（１）からｄ（６）である。この評価データｄ（１）からｄ（６）は、数値化されて順位付けされている。この評価データｄ（１）からｄ（６）は、記憶部１７に保存される。
【００４１】
グリップが手渡されたときの時刻がｒ秒であるとき、（ｒ−３０）秒からｒ秒までの３０秒間、脳波計４によって脳波が計測される。この脳波は、以下、「前段階脳波」と称される。前段階脳波の信号は、フィルタ６を通される。このフィルタ６は、ローパス機能及びハイパス機能を備えている。フィルタ６は、信号からノイズを除去する。脳波の測定において典型的なノイズは、筋電によるアーチファクトである。このアーチファクトが、信号から除去される。この信号は、変換器８に送られる。変換器８は、アナログ信号をデジタル信号に変換する。この信号は、アンプ１０に送られる。アンプ１０は、信号を増幅する。この信号は、保存部１２に保存される。
【００４２】
グリップを握った被験者が安静状態になったときの時刻がｑ秒であるとき、ｑ秒から（ｑ＋３０）秒までの３０秒間でも、脳波計４によって脳波が計測される。この脳波は、以下、「中段階脳波」と称される。中段階脳波の信号は、フィルタ６を通される。このフィルタ６により、信号からノイズ（典型的にはアーチファクト）が除去される。この信号は変換器８に送られ、デジタル信号に変換される。この信号はアンプ１０に送られ、増幅される。この信号は、保存部１２に保存される。
【００４３】
図１の演算部１４が、前段階脳波の周波数解析を行う。周波数解析では、脳波からＦＦＴ（高速フーリエ変換）によってパワースペクトルが得られる。この実施形態では、θ波、ｓｌｏｗα波、ｍｉｄα波、ｆａｓｔα波及びβ波についての周波数解析がなされる。θ波の周波数帯域は、４Ｈｚから６Ｈｚである。ｓｌｏｗα波の周波数帯域は、７Ｈｚから８Ｈｚである。ｍｉｄα波の周波数帯域は、９Ｈｚから１１Ｈｚである。ｆａｓｔα波の周波数帯域は、１２Ｈｚから１４Ｈｚである。β波の周波数帯域は、１５Ｈｚから２２Ｈｚである。ここでは、周波数帯域により特徴値データ（Ｘ（θ）、Ｙ（θ））が算出されるが、周波数として周波数帯域を用いた例示であり、例えば、４から２２Ｈｚの周波数単位により特徴値が算出されてもよい。
【００４４】
図４は、図２の方法の周波数解析によって得られたパワースペクトルが例示されたグラフである。図４に示されるように、この周波数解析により、θ波、ｓｌｏｗα波、ｍｉｄα波、ｆａｓｔα波及びβ波について周波数帯域毎に、パワー値が得られる。
【００４５】
前段階脳波の測定は、（ｒ−３０）秒からｒ秒まででなされる。この前段階脳波から、１秒間隔で信号が抽出され、周波数解析がなされる。周波数解析により、θ波のパワー値が３０得られる。これら３０のパワー値からθ波の前段階平均値ｘａ（θ）及び前段階標準偏差σａ（θ）が算出される。
【００４６】
中段階脳波の測定は、ｑ秒から（ｑ＋３０）秒まででなされる。この中段階脳波から、１秒間隔で信号が抽出され、周波数解析がなされる。周波数解析により、θ波のパワー値が３０得られる。これら３０のパワー値からθ波の中段階平均値ｘｂ（θ）及び中段階標準偏差σｂ（θ）が算出される。
【００４７】
演算部１４は、この前段階平均値ｘａ（θ）及び中段階平均値ｘｂ（θ）から平均値の差ｘ（θ）を算出する。前段階標準偏差σａ（θ）及び中段階標準偏差σｂ（θ）から標準偏差の差σ（θ）を算出する。この平均値の差ｘ（θ）及び標準偏差の差σ（θ）は、次式で求められる。
ｘ（θ） ＝ ｘｂ（θ） − ｘａ（θ）
σ（θ） ＝ σｂ（θ） − σａ（θ）
【００４８】
このようにして求められた、（ｘ（θ）、σ（θ））が、特徴値データ（Ｘ（θ）、Ｙ（θ））である。この特徴値データ（Ｘ（θ）、Ｙ（θ））は、２次元の位置ベクトルとして得られる。このθ波と同様にして、ｓｌｏｗα波、ｍｉｄα波、ｆａｓｔα波及びβ波についても、特徴値データ（Ｘ（ｎ）、Ｙ（ｎ））が求められる（ｎは、α、ｓｌｏｗα、ｍｉｄα、ｆａｓｔα、βのいずれか）。
【００４９】
求められた特徴値データ（Ｘ（ｎ）、Ｙ（ｎ））は、以下の式でそれぞれ変換される。この変換により、入力値（Ｘ、Ｙ）が得られる。
Ｘ ＝ （（Ｘ（ｎ）−Ｘ（ｎ）min）／（Ｘ（ｎ）max−Ｘ（ｎ）min））・７
Ｙ ＝ （（Ｙ（ｎ）−Ｙ（ｎ）min）／（Ｙ（ｎ）max−Ｙ（ｎ）min））・７
Ｘ（ｎ）min：θ波からβ波の全てのＸ（ｎ）のうちの最小値
Ｘ（ｎ）max：θ波からβ波の全てのＸ（ｎ）のうちの最大値
Ｙ（ｎ）min：θ波からβ波の全てのＹ（ｎ）のうちの最小値
Ｙ（ｎ）max：θ波からβ波の全てのＹ（ｎ）のうちの最大値
ここでは、図３に示されるように、量子化器は、Ｘ方向及びＹ方向に７分割されている。このため、上記入力値（Ｘ、Ｙ）を求める式では、７との積が求められている。上記入力値（Ｘ、Ｙ）を求める式では、量子化器のＸ方向及びＹ方向にｔ分割されているとき（ｔは自然数）、７に代えてｔとの積が求められる。
【００５０】
図５には、特徴値を決定する方法が示されている。この特徴値の決定に伴って、周波数帯域の選定がされている。この図５を参照しつつ、この特徴値の決定、周波数帯域の選定の方法が説明される。なお、この周波数帯域の選定には、周波数帯域の組み合わせが選定されることが含まれる。
【００５１】
周波数帯域の選定では、ＰＳＯが用いられている。演算部１４は、任意の数の粒子群を生成する。表１は、生成された粒子群を模式的に示したものである。ここでは、５つの粒子１から５からなる粒子群が生成されている。この粒子１から５は、θ波、ｓｌｏｗα波、ｍｉｄα波、ｆａｓｔα波及びβ波の各周波数帯域に対応した実数値を有している。この実数値は、０から１．００までの実数が乱数として与えられる。ここでは、５つの粒子が生成されたものを例示しているが、これより少ない粒子が生成されても良いし、これより多い粒子が生成されてもよい。
【００５２】
【表１】
【００５３】
実数値が最大である周波数帯域が抽出される。複数の周波数帯域の組み合わせを抽出する場合には、例えば、実数値が０．５０以上の周波数により構成される周波数の組み合わせが抽出されてもよい。表１の粒子１では、最大の周波数帯域は、θ波である。粒子１では、周波数帯域として、このθ波が抽出される。
【００５４】
周波数解析の結果から、θ波の周波数帯域の前段階平均値ｘａ（θ）、前段階標準偏差σａ（θ）、中段階平均値ｘｂ（θ）及び中段階標準偏差σｂ（θ）が算出される。これらのデータからθ波の特徴値データ（Ｘ（θ）、Ｙ（θ））が算出される。特徴値データ（Ｘ（θ）、Ｙ（θ））から入力値（Ｘ、Ｙ）が算出される。
【００５５】
グリップＧ１では、入力値（Ｘ、Ｙ）と教師値ｄとしての評価データｄ（１）とが得られる。同様にして、グリップＧ２からＧ６でも、入力値（Ｘ、Ｙ）と評価データｄ（２）からｄ（６）とが得られる。これらの入力値（Ｘ、Ｙ）と教師値ｄがＣＭＡＣ分類器２０に与えられる。ＣＭＡＣ分類器２０が学習をする。
【００５６】
この装置２の記憶部１７は、試験データを記憶している。この試験データは、前述の学習データと別に同様の方法で得られている。ここでは、被験者７名が６種類のグリップをそれぞれ１０回握ることで、得られている。
【００５７】
演算部１４は、学習をしたＣＭＡＣ分類器２０に、試験データの特徴値データ（Ｘ（θ）、Ｙ（θ））に基づく入力値（Ｘ、Ｙ）を与える。これにより、ＣＭＡＣ分類器２０から出力値Ｐを得る。この出力値Ｐに基づいて、６段階の客観的評価データを算出する。
【００５８】
演算部１４は、試験データの主観評価データと得られた客観評価データとから、正答率を算出する。主観評価データに基づく６段階評価のクラスに、客観的評価データに基づく６段階評価のクラスが一致するか否かが判定される。正答率とは、両者のクラスが一致した割合である。ここでは、正答率として、次式に示す評価関数Ｆを算出する。
Ｆ＝（評価データに基づくクラスが一致した数）／（試験データ数）
この評価関数Ｆが記憶部１７に記録される。
【００５９】
同様にして、粒子２から５について、周波数帯域が抽出される。この抽出された周波数帯域により、入力値（Ｘ、Ｙ）が算出される。入力値（Ｘ、Ｙ）と教師値ｄとしての評価データｄ（１）からｄ（６）とがＣＭＡＣ分類器２０に与えられ、ＣＭＡＣ分類器２０が学習をする。演算部１４は、学習をしたＣＭＡＣ分類器２０に、試験データの特徴値データ（Ｘ（θ）、Ｙ（θ））を与える。演算部１４は、評価関数Ｆを算出する。この評価関数Ｆが、記憶部１７に記録される。
【００６０】
全ての粒子について評価関数Ｆが算出されると、粒子群の粒子を更新する。演算部１４は、粒子１から５の評価関数のうち、最良解Ｐb(ｔ)を特定する。最良解Ｐb(ｔ)は、最も評価関数の大きい粒子である。例えば、粒子１の評価関数が最も大きい場合、粒子１がこの粒子群の最良解Ｐb(１)として、記憶部１７に記憶される。
【００６１】
粒子１から５では、各粒子の位置ベクトル及び速度ベクトルが、次式で更新される。
Ｖi(ｔ＋１)＝ｑＶi(ｔ)＋ｃ1ｒ1(Ｐb(ｔ)−Ｘi(ｔ))＋ｃ2ｒ2(Ｐg(ｔ)−Ｘi(ｔ))
Ｘi(ｔ＋１)＝Ｘi(ｔ)＋Ｖi(ｔ＋１)
i ：粒子のインデックス
Ｘi(ｔ)：ｔ回目の繰り返しにおけるｉ番目の粒子の位置ベクトル
Ｖi(ｔ)：ｔ回目の繰り返しにおけるｉ番目の粒子の速度ベクトル
ｑ：速度に対する重み係数（正の値）
ｃ1及びｃ2 ：重み係数
ｒ1及びｒ2 ：０から１．００までの乱数
Ｐb(ｔ)：ｔ回目の繰り返しにおける粒子群の最良解（位置ベクトル）
Ｐg(ｔ)：ｔ回目の繰り返しにおける探索開始からの最良解（位置ベクトル）
ここで、重み係数ｑ、ｃ1及びｃ2 は、反復シミュレーションを行い、経験的に良好な分類結果を取得できるパラメータ値を検出し、決定される。ここでは、ｑは０．１０とされ、ｃ1は０．５０とされ、ｃ2は０．５０とされた。
このようにして、更新された粒子１から５の位置ベクトルＸi(ｔ＋１)に基づき、表１に示された、粒子１から５は、θ波、ｓｌｏｗα波、ｍｉｄα波、ｆａｓｔα波及びβ波の周波数帯域毎に対応した実数値が更新され、新たな粒子群に更新される。
【００６２】
この更新された粒子群について、前述の生成された粒子群と同様に、粒子１から５のそれぞれについて、周波数が抽出される。この抽出された周波数帯域により、特徴値データ（Ｘ（ｎ）、Ｙ（ｎ））が算出される。特徴値データ（Ｘ（ｎ）、Ｙ（ｎ））に基づく入力値（Ｘ、Ｙ）と教師値ｄとしての評価データｄ（ｍ）とがＣＭＡＣ分類器２０に与えられる。ＣＭＡＣ分類器２０が学習をする。演算部１４は、学習をしたＣＭＡＣ分類器２０に、試験データの特徴値データ（Ｘ（ｎ）、Ｙ（ｎ））に基づく入力値（Ｘ、Ｙ）を与える。演算部１４は、評価関数Ｆを算出する。この評価関数Ｆが、記憶部１７に記録される。そして、この更新された粒子群の最良解Ｐb(２)が特定される。例えば、このようにして、更新された粒子群において、粒子３が最良解Ｐb(２)として特定される。
【００６３】
最初の粒子群の最良解Ｐb(１)である粒子１の評価関数と、この更新後の粒子群の最良解Ｐb(２)である粒子３の評価関数とが比較される。最良解Ｐb(１)と最良解Ｐb(２)とで、評価関数が大きいほうが、探索開始からの最良解Ｐg(２)として特定される。例えば、最良解Ｐb(２)が最良解Ｐb(１)より大きいと、この粒子３は、この群の最良解Ｐb(２)であり、かつ探索開始からの最良解Ｐg(２)でもある。
【００６４】
この最良解Ｐb(２)及び最良解Ｐg(２)により、前述の粒子群の位置ベクトルＸi(ｔ)及び速度ベクトルＶi(ｔ)が更新される。この更新された粒子群により、同様に、周波数帯域の抽出から次の粒子群の更新までステップが繰り返される。この繰り返しが所定の回数繰り返される。例えば、この繰り返しが１０回に達すると、この粒子群の更新が終了する。
【００６５】
この１０回の繰り返しで、最良解Ｐg(１０) が得られる。この最良解Ｐg(１０)の粒子の周波数が選定した周波数帯域として決定される。例えば、この様にして周波数帯域として、θ波が決定される。この周波数帯域のθ波に対応して、特徴値データ（Ｘ（θ）、Ｙ（θ））が特徴値に決定される。ＣＭＡＣ分類器２０は、この最良解Ｐg(１０)のときの構成にされる。
【００６６】
ここでは、粒子の更新回数が１０回とされた。この１０回の繰り返しにより、最も評価関数の大きい周波数帯域又は周波数帯域の組み合わせが探索される。この周波数帯域の組み合わせの探索には、ＰＳＯが用いられている。これにより、最適な周波数帯域又は周波数帯域の組み合わせの探索が可能となっている。この探索は高速に行うことができる。この探索はシンプルなアルゴリズムで演算部１４に実装可能である。ここでは、１０回の繰り返しとしたが、この繰り返し回数は予め定めておけばよく、１０回より多くても良いし、少なくてもよい。
【００６７】
本発明では、ＣＭＡＣを用いることで、一度の評価で３以上の多数のクラスに客観的評価を分類しうる。例えば、ヒトの感覚が、「好き」、「どちらでもない」及び「嫌い」のように３以上のクラスに分類されうる。更に、粒子群最適化（ＰＳＯ）を用いることにより、判定に最適な周波数の探索が可能になっている。この最適な周波数の探索を高速に行うことができる。最適な周波数の探索をシンプルなアルゴリズムで実装し得る。この方法によれば、ヒトの主観が、より高い精度で判定されうる。
【産業上の利用可能性】
【００６８】
本発明に係る方法により、ゴルフボールの打球感、靴の履き心地、手袋の着用感、ウエアの着用感等が判定されうる。
【符号の説明】
【００６９】
２・・・装置
４・・・脳波計
６・・・フィルタ
８・・・変換器
１０・・・アンプ
１２・・・保存部
１４・・・演算部
１６・・・モニタ
１７・・・記憶部
１８・・・入力部
２０・・・ＣＭＡＣ分類器
【技術分野】
【０００１】
本発明は、脳波に基づいてヒトの感覚を判定する方法及びその方法を用いた判定装置に関する。
【背景技術】
【０００２】
製品の開発段階で、ヒトによる官能評価が行われている。心拍、呼吸、筋電位、眼球運動、瞬き、脳波等の、ヒトの生体情報に基づいて、このヒトの感覚を評価する手法が、種々提案されている。特開２００４−１３８８１４公報には、心電図信号によってヒトの感性を評価する方法が開示されている。特開２００２−５７７公報には、脳波の解析によってヒトの精神状態を評価する方法が開示されている。これら方法で判定されるのは、喜怒哀楽等の感情や、快適度である。
【特許文献１】特開２００４−１３８８１４公報
【特許文献２】特開２００２−５７７公報
【発明の開示】
【発明が解決しようとする課題】
【０００３】
発明者らは、ヒトの感覚が客観的に判定されうる方法を、特願２００８−３３４００６及び特願２００９ー１９６８１０に提案している。これらの方法では、測定された脳波信号を基にヒトの感覚が判定されている。これらの方法では、生体情報を適切に選定して、客観的なデータが得られている。これにより、客観的な評価が得られている。
【０００４】
これらの方法では、ヒトの感覚を２クラスに分類している。この２クラスは、例えば、「好む」と「好まない」の２クラスである。この方法では、３クラス以上の分類は、２クラスの分類を複数回繰り返して行う必要がある。この方法では、３クラス以上の分類が直接的にできない。
【０００５】
本発明の目的は、ヒトの感覚を３クラス以上に直接的に判定されうる方法の提供にある。
【課題を解決するための手段】
【０００６】
本発明に係るヒトの感覚判定方法は、
（１）刺激が与えられているヒトの脳波が、脳波計で計測されるステップ、
（２）上記脳波の周波数解析を行うステップ、
（３）上記周波数解析の結果に基づいて上記脳波の特徴値を決定するステップ、
（４）上記特徴値に基づく入力値からＣＭＡＣによる出力値が得られるステップ
及び
（５）上記出力値に対応する客観評価を決定するステップ
を含む。
上記特徴値の決定（３）は、
（３−１）解析した全周波数から周波数が抽出されるステップ、
（３−２）抽出した周波数に基づき特徴値が算出されるステップ、
（３−３）算出された特徴値による正答率を評価するステップ、
（３−４）正答率の評価に基づいて周波数が決定されるステップ
及び
（３−５）この決定した周波数に基づき特徴値が決定されるステップ
を含む。
【０００７】
好ましくは、上記客観評価を決定するステップでは、３クラス以上の客観的評価から、上記出力値に対応して定められる客観的評価を決定している。
【０００８】
好ましくは、上記正答率の評価（３−３）は、周波数から得られる特徴値データと主観評価データとに基づいてなされる。
【０００９】
好ましくは、この方法では、上記周波数の抽出（３−１）及び周波数の決定（３−４）は、粒子群最適化（ＰＳＯ）を用いてされる。
【００１０】
好ましくは、この方法では、上記特徴値の決定（３）は、刺激が与えられる前のヒトの脳波の周波数解析の結果と、刺激が与えられているヒトの脳波の周波数解析の結果との対比に基づいてなされる。
【００１１】
好ましくは、この方法では、上記特徴値の決定（３）が、周波数解析によって得られたパワースペクトルから算出される値の最大値、最小値、平均値、バラツキ若しくは変化率又はこれらのうちの２以上の組み合わせに基づいてなされる。
【００１２】
好ましくは、この方法では、上記特徴値に基づき、刺激から得られるヒトの反応又は行動が予測されるステップをさらに含む。
【００１３】
本発明に係るヒトの感覚判定装置は、ヒトの脳波を計測する脳波計と、演算部と、ＣＭＡＣ分類器とを備えている。
この演算部は、上記脳波の周波数解析と、この周波数解析の結果に基づく上記脳波の特徴値の決定と、ＣＭＡＣ分類器から得られる出力値に対応する客観評価の決定とを行うように構成されている。このＣＭＡＣ分類器は、特徴値に基づく入力値からＣＭＡＣによる出力値を得るように構成されている。
上記脳波の特徴値の決定では、
解析された全周波数から周波数を抽出するステップ、
抽出した周波数に基づき特徴値が算出されるステップ、
算出された特徴値による正答率を評価するステップ、
正答率の評価に基づいて周波数が決定されるステップ、
及び
この決定した周波数に基づき特徴値が決定されるステップ
を含む。
【００１４】
本発明に係る製品評価方法は、
製品を使用しているヒトの脳波が、脳波計で計測されるステップ、
上記脳波の周波数解析を行うステップ、
上記周波数解析の結果に基づいて上記脳波の特徴値を決定するステップ
上記特徴値に基づく入力値からＣＭＡＣによる出力値が得られるステップ
及び
上記出力値に対応する客観評価を決定するステップ
を含む。
上記脳波の特徴値の決定では、
解析された全周波数から周波数を抽出するステップ、
抽出した周波数に基づき特徴値が算出されるステップ、
算出された特徴値による正答率を評価するステップ、
正答率の評価に基づいて周波数が決定されるステップ、
及び
この決定した周波数に基づき特徴値が決定されるステップ
を含む。
【発明の効果】
【００１５】
本発明に係る感覚判定方法では、脳波の周波数解析によって得られた特徴値から、ヒトの感覚が、適切に３以上の複数のクラスに分類しうる。この方法では、生体情報を適切に選定して、客観的な評価が得られている。
【図面の簡単な説明】
【００１６】
【図１】図１は、本発明の一実施形態に係る感覚判定装置が示されたブロック図である。
【図２】図２は、図１の装置が用いられた感覚判定方法が示されたフローチャートである。
【図３】図３は、図１の装置を構成するＣＭＡＣ分類器の構成が示された説明図である。
【図４】図４は、図２の方法の周波数解析によって得られたパワースペクトルが示されたグラフである。
【図５】図５は、図３の方法の特徴値の決定方法が示されたフローチャートである。
【発明を実施するための形態】
【００１７】
以下、適宜図面が参照されつつ、好ましい実施形態に基づいて本発明が詳細に説明される。
【００１８】
図１に示されるように、この感覚判定装置としての装置２は、脳波計４、フィルタ６、変換器８、アンプ１０、保存部１２、演算部１４、モニタ１６、記憶部１７、入力部１８及びＣＭＡＣ分類器２０を備えている。
【００１９】
図２には、図１の装置２が用いられた感覚判定方法が示されている。この方法では、まず脳波計４によって脳波が計測される（ＳＴＥＰ１）。計測により、アナログ信号が得られる。この信号は、フィルタ６を通される。フィルタ６により、信号からノイズが除去される（ＳＴＥＰ２）。この信号は変換器８に送られ、デジタル信号に変換される（ＳＴＥＰ３）。この信号はアンプ１０に送られ、増幅される（ＳＴＥＰ４）。この信号は、保存部１２に保存される（ＳＴＥＰ５）。計測（ＳＴＥＰ１）から保存（ＳＴＥＰ５）までが、複数回繰り返されてもよい。
【００２０】
演算部１４は、保存部１２から脳波信号を取り出し、脳波の周波数解析を行う（ＳＴＥＰ６）。周波数解析が、時間単位毎に複数回繰り返されてもよい。演算部１４は、周波数解析の結果に基づき、上記脳波の特徴値を決定する（ＳＴＥＰ７）。この特徴値に基づく入力値がＣＭＡＣ分類器２０に入力される。ＣＭＡＣ分類器２０は、出力値を算出する（ＳＴＥＰ８）。この出力値が演算部１４に出力される。演算部１４は、この出力値に基づいて客観評価を決定する（ＳＴＥＰ９）。これらのステップにより、ヒトの感覚が判定される。フィルタ６が設けられず、演算部１４によって信号からノイズが除去されてもよい。
【００２１】
このＣＭＡＣ分類器２０は、教師有り学習を行う一種の識別器である。ＣＭＡＣとは、Cerebeller Model Arithmetic Computer の略であり、ヒトの小脳を模擬した数学的モデルである。
【００２２】
以下、ゴルフクラブのグリップを触ったときの被験者（ヒト）の感覚が、図１に示された装置２によって判定される手順が、詳説される。この感覚判定方法により、グリップの評価もなされる。被験者がグリップを触ることは、本発明に言う「製品の使用」に該当する。
【００２３】
この判定方法では、ＣＭＡＣ分類器２０が用いられている。このＣＭＡＣ分類器２０に、入力値（Ｘ、Ｙ）が入力される。この入力値（Ｘ、Ｙ）に対して、出力値Ｐが出力される。演算部１４は、この出力値Ｐに基づいて、複数のクラスからその出力値Ｐが属するクラスを決定する。この客観的評価を３以上の複数のクラスに区分して、それぞれに対応する出力値Ｐの範囲が定められている。これにより、例えば、ヒトの感覚が、「好き」、「どちらでもない」及び「嫌い」のように、３以上の複数のクラスに分類されうる。この様にして、客観的評価が決定される。
【００２４】
図３に、ＣＭＡＣ分類器２０の構成が模式的に示されている。このＣＭＡＣ分類器２０は、量子化器Ｍ及び荷重表Ｗを有する。このＣＭＡＣ分類器２０に、入力値としての入力ベクトルＳが与えられる。この入力ベクトルＳが、複数の量子化器Ｍにそれぞれ入力される。量子化器Ｍ１とＭ２が図示されているが、このＣＭＡＣ分類器２０は、例えばＭ１からＭ１０の１０個の量子化器Ｍを備えている。
【００２５】
このＣＭＡＣ分類器２０は、予め、入力値と出力値との学習データを与えられて学習させられている。このＣＭＡＣ分類器２０は、学習により、この判定に適した構成にされている。
【００２６】
ここで、ＣＭＡＣ分類器２０の学習方法が説明される。ＣＭＡＣ分類器２０に、入力値（Ｘ、Ｙ）が与えられる。この入力値（Ｘ、Ｙ）は、被験者の特徴値データ（Ｘ（ｎ）、Ｙ（ｎ））に基づいて算出される。出力値Ｐの教師値ｄとしての評価データｄ（ｍ）が与えられる。この特徴値データ（Ｘ（ｎ）、Ｙ（ｎ））と評価データｄ（ｍ）とは、多数のヒトを様々なグリップに触れさせることで得られたものである。
【００２７】
例えば、被験者７名が６種類のグリップＧ１からＧ６をそれぞれ１０回握ることで、学習データが得られる。この学習データでは、特徴値データ（Ｘ（ｎ）、Ｙ（ｎ））は、θ波の周波数帯域に基づく特徴値データ（Ｘ（θ）、Ｙ（θ））である。この特徴値データ（Ｘ（θ）、Ｙ（θ））については、後に詳述される。
【００２８】
評価データｄ（ｍ）は被験者の主観評価から得られる。ここでは、グリップＧ１からＧ６を６段階に順位付けして評価データが与えられている。この６段階の順位付けは、７名の被験者のそれぞれの主観評価を平均して順位付けされている。６種類のグリップには、それぞれ対応する評価データｄ（１）からｄ（６）のいずれかが与えられる。学習データは、この評価データｄ（１）からｄ（６）と、その評価データが得られたときの特徴値データ（Ｘ（θ）、Ｙ（θ））との組み合わせである。グリップＧ１からＧ６それぞれの学習データ数は、７０である。
【００２９】
この量子化器Ｍは、複数の区分空間ｍに分割されている。区分空間ｍは、アドレス（ＸＡ、ＹＡ）が設定されている。ここでは、この変数ＸＡ及び変数ＹＡは、それぞれＡからＤで与えられている。アドレス（ＸＡ、ＹＡ）は、量子化器Ｍ毎にずれて異なっている。図３の量子化器Ｍ１では、入力値（Ｘ、Ｙ）としてベクトル（３、４）が与えられている。これにより、アドレス（Ｂ、Ｃ）が与えられる。量子化器Ｍ２では、ベクトル（３、４）に対応してアドレス（Ｃ、Ｃ）が与えられる。同様にして、量子化器Ｍ３からＭ１０では、それぞれアドレス（ＸＡ、ＹＡ）が与えられる。
【００３０】
量子化器Ｍ１で与えられたアドレス（Ｂ、Ｃ）に対応して、荷重表Ｗにより、荷重値ｗ１として、０．５０が得られる。量子化器Ｍ２で与えられたアドレス（Ｃ、Ｃ）に対応して、荷重値ｗ２として、１．００が得られる。同様にして、量子化器Ｍ３からＭ１０で与えられたアドレス（ＸＡ、ＹＡ）に対応して、荷重表Ｗにより、荷重値ｗ３からｗ１０が得られる。この荷重値ｗ１からｗ１０の総和が出力値Ｐとして得られる。
【００３１】
この入力値（Ｘ、Ｙ）と、評価データｄ（ｍ）（ｍは、１から６の自然数）とがこのＣＭＡＣ分類器２０に与えられる。ＣＭＡＣ分類器２０は、次式により学習量δを算出する。
δ ＝ （μ・（ｄ（ｍ）−Ｐ））／Ｋ
μは修正係数であり、ここでは０．１０とされた。Ｋは量子化器数であり、ここでは１０とされた。このμ及びＫは、正答率が高くなるように、シミュレーションを繰り返して決定されている。
【００３２】
この学習量δにより、荷重表Ｗの荷重値ｗが以下の式で更新される。
ｗ ＝ ｗ ＋ δ
この荷重表Ｗの全ての荷重値ｗが更新される。
【００３３】
グリップＧ１からＧ６の入力値（Ｘ、Ｙ）と評価データｄ（ｍ）とが、順次与えられて荷重表Ｗが更新される。入力値（Ｘ、Ｙ）と評価データｄ（１）からｄ（６）とによる荷重表Ｗの更新を１回として、所定の回数の更新が繰り返される。ここでは、１０回の更新がされた。このようにして、ＣＭＡＣ分類器２０の学習がされている。
【００３４】
ＣＭＡＣ分類器２０の更新回数は１０回としたが、１０回より少なくてもよいし多くしてもよい。この入力値として２次元の入力値（Ｘ、Ｙ）を例示して説明がされたが、３次元の入力値（Ｘ、Ｙ、Ｚ）や４次元以上の高次元の入力値が用いられてもよい。
【００３５】
入力値（Ｘ、Ｙ）は、特徴値データ（Ｘ（θ）、Ｙ（θ））から算出されている。特徴値データ（Ｘ（θ）、Ｙ（θ））は、９Ｈｚから１１Ｈｚの周波帯域のθ波から得られている。特徴値データ（Ｘ（θ）、Ｙ（θ））の算出方法及び周波数帯域の選定方法には、粒子群最適化（以下、ＰＳＯという）が用いられる。
【００３６】
ここで、入力値（Ｘ、Ｙ）の算出方法、特徴値データ（Ｘ（θ）、Ｙ（θ））の算出方法が及び周波数帯域の選定方法が説明される。
【００３７】
この脳波計測には、既知の脳波計４が用いられる。好ましい脳波計４としては、ＴＥＡＣ社の商品名「ＰｏｌｙｍａｔｅII」及び能力開発研究所の商品名「Ｂｒａｉｎ Ｂｕｉｌｄｅｒ Ｕｎｉｔ」が例示される。
【００３８】
この脳波計４の電極が、被験者の頭皮に取り付けられる。１つの基準電極が、耳朶に取り付けられる。一般的な脳波計測では、多数の電極が頭皮に取り付けられる。多数の電極の取り付けは、被験者にストレスを与える。多数の電極の取付は、脳波の正確な計測を阻害する。動作時（例えばゴルフのスイング時）の脳波の測定では、多数の電極及び多数のケーブルが動作の妨げにもなる。正確な計測の観点から、頭皮に取り付けられる電極の数は少ないほど好ましい。計測された脳波の解析の容易の観点からも、頭皮に取り付けられる電極の数は少ないほど好ましい。頭皮に取り付けられる電極の数は、１つが好ましい。好ましくは、国際１０−２０法に定められたＦｐ１又はＦｐ２に、電極が取り付けられる。ここでは、国際１０−２０法に定められたＦｐ１に、電極が取り付けられる。本発明者の得た知見によれば、Ｆｐ１及びＦｐ２では、本発明に係る判定方法にとって十分な脳波が発生する。Ｆｐ１及びＦｐ２には毛髪がないので、電極の取付は容易である。
【００３９】
電極が取り付けられた被験者は椅子に着座し、目を閉じて安静状態を保つ。この状態が、３０秒以上継続される。この被験者にゴルフクラブのグリップＧ１が手渡される。この被験者は、目を閉じたまま、グリップＧ１を触る。その後に、グリップＧ１が回収される。同様にして、この被験者は、グリップＧ２からグリップＧ６までをを触る。
【００４０】
被験者からグリップＧ１からＧ６の主観的評価が聞き取られる。この主観的評価が数値化される。この数値化された主観的評価が評価データｄ（１）からｄ（６）である。この評価データｄ（１）からｄ（６）は、数値化されて順位付けされている。この評価データｄ（１）からｄ（６）は、記憶部１７に保存される。
【００４１】
グリップが手渡されたときの時刻がｒ秒であるとき、（ｒ−３０）秒からｒ秒までの３０秒間、脳波計４によって脳波が計測される。この脳波は、以下、「前段階脳波」と称される。前段階脳波の信号は、フィルタ６を通される。このフィルタ６は、ローパス機能及びハイパス機能を備えている。フィルタ６は、信号からノイズを除去する。脳波の測定において典型的なノイズは、筋電によるアーチファクトである。このアーチファクトが、信号から除去される。この信号は、変換器８に送られる。変換器８は、アナログ信号をデジタル信号に変換する。この信号は、アンプ１０に送られる。アンプ１０は、信号を増幅する。この信号は、保存部１２に保存される。
【００４２】
グリップを握った被験者が安静状態になったときの時刻がｑ秒であるとき、ｑ秒から（ｑ＋３０）秒までの３０秒間でも、脳波計４によって脳波が計測される。この脳波は、以下、「中段階脳波」と称される。中段階脳波の信号は、フィルタ６を通される。このフィルタ６により、信号からノイズ（典型的にはアーチファクト）が除去される。この信号は変換器８に送られ、デジタル信号に変換される。この信号はアンプ１０に送られ、増幅される。この信号は、保存部１２に保存される。
【００４３】
図１の演算部１４が、前段階脳波の周波数解析を行う。周波数解析では、脳波からＦＦＴ（高速フーリエ変換）によってパワースペクトルが得られる。この実施形態では、θ波、ｓｌｏｗα波、ｍｉｄα波、ｆａｓｔα波及びβ波についての周波数解析がなされる。θ波の周波数帯域は、４Ｈｚから６Ｈｚである。ｓｌｏｗα波の周波数帯域は、７Ｈｚから８Ｈｚである。ｍｉｄα波の周波数帯域は、９Ｈｚから１１Ｈｚである。ｆａｓｔα波の周波数帯域は、１２Ｈｚから１４Ｈｚである。β波の周波数帯域は、１５Ｈｚから２２Ｈｚである。ここでは、周波数帯域により特徴値データ（Ｘ（θ）、Ｙ（θ））が算出されるが、周波数として周波数帯域を用いた例示であり、例えば、４から２２Ｈｚの周波数単位により特徴値が算出されてもよい。
【００４４】
図４は、図２の方法の周波数解析によって得られたパワースペクトルが例示されたグラフである。図４に示されるように、この周波数解析により、θ波、ｓｌｏｗα波、ｍｉｄα波、ｆａｓｔα波及びβ波について周波数帯域毎に、パワー値が得られる。
【００４５】
前段階脳波の測定は、（ｒ−３０）秒からｒ秒まででなされる。この前段階脳波から、１秒間隔で信号が抽出され、周波数解析がなされる。周波数解析により、θ波のパワー値が３０得られる。これら３０のパワー値からθ波の前段階平均値ｘａ（θ）及び前段階標準偏差σａ（θ）が算出される。
【００４６】
中段階脳波の測定は、ｑ秒から（ｑ＋３０）秒まででなされる。この中段階脳波から、１秒間隔で信号が抽出され、周波数解析がなされる。周波数解析により、θ波のパワー値が３０得られる。これら３０のパワー値からθ波の中段階平均値ｘｂ（θ）及び中段階標準偏差σｂ（θ）が算出される。
【００４７】
演算部１４は、この前段階平均値ｘａ（θ）及び中段階平均値ｘｂ（θ）から平均値の差ｘ（θ）を算出する。前段階標準偏差σａ（θ）及び中段階標準偏差σｂ（θ）から標準偏差の差σ（θ）を算出する。この平均値の差ｘ（θ）及び標準偏差の差σ（θ）は、次式で求められる。
ｘ（θ） ＝ ｘｂ（θ） − ｘａ（θ）
σ（θ） ＝ σｂ（θ） − σａ（θ）
【００４８】
このようにして求められた、（ｘ（θ）、σ（θ））が、特徴値データ（Ｘ（θ）、Ｙ（θ））である。この特徴値データ（Ｘ（θ）、Ｙ（θ））は、２次元の位置ベクトルとして得られる。このθ波と同様にして、ｓｌｏｗα波、ｍｉｄα波、ｆａｓｔα波及びβ波についても、特徴値データ（Ｘ（ｎ）、Ｙ（ｎ））が求められる（ｎは、α、ｓｌｏｗα、ｍｉｄα、ｆａｓｔα、βのいずれか）。
【００４９】
求められた特徴値データ（Ｘ（ｎ）、Ｙ（ｎ））は、以下の式でそれぞれ変換される。この変換により、入力値（Ｘ、Ｙ）が得られる。
Ｘ ＝ （（Ｘ（ｎ）−Ｘ（ｎ）min）／（Ｘ（ｎ）max−Ｘ（ｎ）min））・７
Ｙ ＝ （（Ｙ（ｎ）−Ｙ（ｎ）min）／（Ｙ（ｎ）max−Ｙ（ｎ）min））・７
Ｘ（ｎ）min：θ波からβ波の全てのＸ（ｎ）のうちの最小値
Ｘ（ｎ）max：θ波からβ波の全てのＸ（ｎ）のうちの最大値
Ｙ（ｎ）min：θ波からβ波の全てのＹ（ｎ）のうちの最小値
Ｙ（ｎ）max：θ波からβ波の全てのＹ（ｎ）のうちの最大値
ここでは、図３に示されるように、量子化器は、Ｘ方向及びＹ方向に７分割されている。このため、上記入力値（Ｘ、Ｙ）を求める式では、７との積が求められている。上記入力値（Ｘ、Ｙ）を求める式では、量子化器のＸ方向及びＹ方向にｔ分割されているとき（ｔは自然数）、７に代えてｔとの積が求められる。
【００５０】
図５には、特徴値を決定する方法が示されている。この特徴値の決定に伴って、周波数帯域の選定がされている。この図５を参照しつつ、この特徴値の決定、周波数帯域の選定の方法が説明される。なお、この周波数帯域の選定には、周波数帯域の組み合わせが選定されることが含まれる。
【００５１】
周波数帯域の選定では、ＰＳＯが用いられている。演算部１４は、任意の数の粒子群を生成する。表１は、生成された粒子群を模式的に示したものである。ここでは、５つの粒子１から５からなる粒子群が生成されている。この粒子１から５は、θ波、ｓｌｏｗα波、ｍｉｄα波、ｆａｓｔα波及びβ波の各周波数帯域に対応した実数値を有している。この実数値は、０から１．００までの実数が乱数として与えられる。ここでは、５つの粒子が生成されたものを例示しているが、これより少ない粒子が生成されても良いし、これより多い粒子が生成されてもよい。
【００５２】
【表１】
【００５３】
実数値が最大である周波数帯域が抽出される。複数の周波数帯域の組み合わせを抽出する場合には、例えば、実数値が０．５０以上の周波数により構成される周波数の組み合わせが抽出されてもよい。表１の粒子１では、最大の周波数帯域は、θ波である。粒子１では、周波数帯域として、このθ波が抽出される。
【００５４】
周波数解析の結果から、θ波の周波数帯域の前段階平均値ｘａ（θ）、前段階標準偏差σａ（θ）、中段階平均値ｘｂ（θ）及び中段階標準偏差σｂ（θ）が算出される。これらのデータからθ波の特徴値データ（Ｘ（θ）、Ｙ（θ））が算出される。特徴値データ（Ｘ（θ）、Ｙ（θ））から入力値（Ｘ、Ｙ）が算出される。
【００５５】
グリップＧ１では、入力値（Ｘ、Ｙ）と教師値ｄとしての評価データｄ（１）とが得られる。同様にして、グリップＧ２からＧ６でも、入力値（Ｘ、Ｙ）と評価データｄ（２）からｄ（６）とが得られる。これらの入力値（Ｘ、Ｙ）と教師値ｄがＣＭＡＣ分類器２０に与えられる。ＣＭＡＣ分類器２０が学習をする。
【００５６】
この装置２の記憶部１７は、試験データを記憶している。この試験データは、前述の学習データと別に同様の方法で得られている。ここでは、被験者７名が６種類のグリップをそれぞれ１０回握ることで、得られている。
【００５７】
演算部１４は、学習をしたＣＭＡＣ分類器２０に、試験データの特徴値データ（Ｘ（θ）、Ｙ（θ））に基づく入力値（Ｘ、Ｙ）を与える。これにより、ＣＭＡＣ分類器２０から出力値Ｐを得る。この出力値Ｐに基づいて、６段階の客観的評価データを算出する。
【００５８】
演算部１４は、試験データの主観評価データと得られた客観評価データとから、正答率を算出する。主観評価データに基づく６段階評価のクラスに、客観的評価データに基づく６段階評価のクラスが一致するか否かが判定される。正答率とは、両者のクラスが一致した割合である。ここでは、正答率として、次式に示す評価関数Ｆを算出する。
Ｆ＝（評価データに基づくクラスが一致した数）／（試験データ数）
この評価関数Ｆが記憶部１７に記録される。
【００５９】
同様にして、粒子２から５について、周波数帯域が抽出される。この抽出された周波数帯域により、入力値（Ｘ、Ｙ）が算出される。入力値（Ｘ、Ｙ）と教師値ｄとしての評価データｄ（１）からｄ（６）とがＣＭＡＣ分類器２０に与えられ、ＣＭＡＣ分類器２０が学習をする。演算部１４は、学習をしたＣＭＡＣ分類器２０に、試験データの特徴値データ（Ｘ（θ）、Ｙ（θ））を与える。演算部１４は、評価関数Ｆを算出する。この評価関数Ｆが、記憶部１７に記録される。
【００６０】
全ての粒子について評価関数Ｆが算出されると、粒子群の粒子を更新する。演算部１４は、粒子１から５の評価関数のうち、最良解Ｐb(ｔ)を特定する。最良解Ｐb(ｔ)は、最も評価関数の大きい粒子である。例えば、粒子１の評価関数が最も大きい場合、粒子１がこの粒子群の最良解Ｐb(１)として、記憶部１７に記憶される。
【００６１】
粒子１から５では、各粒子の位置ベクトル及び速度ベクトルが、次式で更新される。
Ｖi(ｔ＋１)＝ｑＶi(ｔ)＋ｃ1ｒ1(Ｐb(ｔ)−Ｘi(ｔ))＋ｃ2ｒ2(Ｐg(ｔ)−Ｘi(ｔ))
Ｘi(ｔ＋１)＝Ｘi(ｔ)＋Ｖi(ｔ＋１)
i ：粒子のインデックス
Ｘi(ｔ)：ｔ回目の繰り返しにおけるｉ番目の粒子の位置ベクトル
Ｖi(ｔ)：ｔ回目の繰り返しにおけるｉ番目の粒子の速度ベクトル
ｑ：速度に対する重み係数（正の値）
ｃ1及びｃ2 ：重み係数
ｒ1及びｒ2 ：０から１．００までの乱数
Ｐb(ｔ)：ｔ回目の繰り返しにおける粒子群の最良解（位置ベクトル）
Ｐg(ｔ)：ｔ回目の繰り返しにおける探索開始からの最良解（位置ベクトル）
ここで、重み係数ｑ、ｃ1及びｃ2 は、反復シミュレーションを行い、経験的に良好な分類結果を取得できるパラメータ値を検出し、決定される。ここでは、ｑは０．１０とされ、ｃ1は０．５０とされ、ｃ2は０．５０とされた。
このようにして、更新された粒子１から５の位置ベクトルＸi(ｔ＋１)に基づき、表１に示された、粒子１から５は、θ波、ｓｌｏｗα波、ｍｉｄα波、ｆａｓｔα波及びβ波の周波数帯域毎に対応した実数値が更新され、新たな粒子群に更新される。
【００６２】
この更新された粒子群について、前述の生成された粒子群と同様に、粒子１から５のそれぞれについて、周波数が抽出される。この抽出された周波数帯域により、特徴値データ（Ｘ（ｎ）、Ｙ（ｎ））が算出される。特徴値データ（Ｘ（ｎ）、Ｙ（ｎ））に基づく入力値（Ｘ、Ｙ）と教師値ｄとしての評価データｄ（ｍ）とがＣＭＡＣ分類器２０に与えられる。ＣＭＡＣ分類器２０が学習をする。演算部１４は、学習をしたＣＭＡＣ分類器２０に、試験データの特徴値データ（Ｘ（ｎ）、Ｙ（ｎ））に基づく入力値（Ｘ、Ｙ）を与える。演算部１４は、評価関数Ｆを算出する。この評価関数Ｆが、記憶部１７に記録される。そして、この更新された粒子群の最良解Ｐb(２)が特定される。例えば、このようにして、更新された粒子群において、粒子３が最良解Ｐb(２)として特定される。
【００６３】
最初の粒子群の最良解Ｐb(１)である粒子１の評価関数と、この更新後の粒子群の最良解Ｐb(２)である粒子３の評価関数とが比較される。最良解Ｐb(１)と最良解Ｐb(２)とで、評価関数が大きいほうが、探索開始からの最良解Ｐg(２)として特定される。例えば、最良解Ｐb(２)が最良解Ｐb(１)より大きいと、この粒子３は、この群の最良解Ｐb(２)であり、かつ探索開始からの最良解Ｐg(２)でもある。
【００６４】
この最良解Ｐb(２)及び最良解Ｐg(２)により、前述の粒子群の位置ベクトルＸi(ｔ)及び速度ベクトルＶi(ｔ)が更新される。この更新された粒子群により、同様に、周波数帯域の抽出から次の粒子群の更新までステップが繰り返される。この繰り返しが所定の回数繰り返される。例えば、この繰り返しが１０回に達すると、この粒子群の更新が終了する。
【００６５】
この１０回の繰り返しで、最良解Ｐg(１０) が得られる。この最良解Ｐg(１０)の粒子の周波数が選定した周波数帯域として決定される。例えば、この様にして周波数帯域として、θ波が決定される。この周波数帯域のθ波に対応して、特徴値データ（Ｘ（θ）、Ｙ（θ））が特徴値に決定される。ＣＭＡＣ分類器２０は、この最良解Ｐg(１０)のときの構成にされる。
【００６６】
ここでは、粒子の更新回数が１０回とされた。この１０回の繰り返しにより、最も評価関数の大きい周波数帯域又は周波数帯域の組み合わせが探索される。この周波数帯域の組み合わせの探索には、ＰＳＯが用いられている。これにより、最適な周波数帯域又は周波数帯域の組み合わせの探索が可能となっている。この探索は高速に行うことができる。この探索はシンプルなアルゴリズムで演算部１４に実装可能である。ここでは、１０回の繰り返しとしたが、この繰り返し回数は予め定めておけばよく、１０回より多くても良いし、少なくてもよい。
【００６７】
本発明では、ＣＭＡＣを用いることで、一度の評価で３以上の多数のクラスに客観的評価を分類しうる。例えば、ヒトの感覚が、「好き」、「どちらでもない」及び「嫌い」のように３以上のクラスに分類されうる。更に、粒子群最適化（ＰＳＯ）を用いることにより、判定に最適な周波数の探索が可能になっている。この最適な周波数の探索を高速に行うことができる。最適な周波数の探索をシンプルなアルゴリズムで実装し得る。この方法によれば、ヒトの主観が、より高い精度で判定されうる。
【産業上の利用可能性】
【００６８】
本発明に係る方法により、ゴルフボールの打球感、靴の履き心地、手袋の着用感、ウエアの着用感等が判定されうる。
【符号の説明】
【００６９】
２・・・装置
４・・・脳波計
６・・・フィルタ
８・・・変換器
１０・・・アンプ
１２・・・保存部
１４・・・演算部
１６・・・モニタ
１７・・・記憶部
１８・・・入力部
２０・・・ＣＭＡＣ分類器
【特許請求の範囲】
【請求項１】
（１）刺激が与えられているヒトの脳波が、脳波計で計測されるステップ、
（２）上記脳波の周波数解析を行うステップ、
（３）上記周波数解析の結果に基づいて上記脳波の特徴値を決定するステップ
（４）上記特徴値に基づく入力値からＣＭＡＣによる出力値が得られるステップ
及び
（５）上記出力値に対応する客観評価を決定するステップ
を含み、
上記特徴値の決定（３）が、
（３−１）解析した全周波数から周波数が抽出されるステップ、
（３−２）抽出した周波数に基づき特徴値が算出されるステップ、
（３−３）算出された特徴値による正答率を評価するステップ、
（３−４）正答率の評価に基づいて周波数が決定されるステップ
及び
（３−５）この決定した周波数に基づき特徴値が決定されるステップ
を含むヒトの感覚判定方法。
【請求項２】
上記客観評価を決定するステップでは、
３クラス以上の客観的評価から、この出力値に対応して定められている客観的評価を決定している請求項１に記載のヒトの感覚判定方法。
【請求項３】
上記正答率の評価（３−３）が、周波数から得られる特徴値データと主観評価データとに基づいてなされる請求項１又は２に記載の感覚判定方法。
【請求項４】
上記周波数の抽出（３−１）及び周波数の決定（３−４）が粒子群最適化（ＰＳＯ）を用いてされる請求項１から３のいずれかに記載の感覚判定方法。
【請求項５】
上記特徴値の決定（３）が、刺激が与えられる前のヒトの脳波の周波数解析の結果と、刺激が与えられているヒトの脳波の周波数解析の結果との対比に基づいてなされる請求項１から４のいずれかに記載の感覚判定方法。
【請求項６】
上記特徴値の決定（３）が、周波数解析によって得られたパワースペクトルから算出される値の最大値、最小値、平均値、バラツキ若しくは変化率又はこれらのうちの２以上の組み合わせに基づいてなされる請求項１から５のいずれかに記載の感覚判定方法。
【請求項７】
上記特徴値に基づき、刺激から得られるヒトの反応又は行動が予測されるステップをさらに含む請求項１から６のいずれかに記載の感覚判定方法。
【請求項８】
ヒトの脳波を計測する脳波計と、演算部と、ＣＭＡＣ分類器とを備えており、
この演算部が、上記脳波の周波数解析、この周波数解析の結果に基づく上記脳波の特徴値の決定、ＣＭＡＣ分類器から得られる出力値に対応する客観評価の決定を行うように構成されており、
このＣＭＡＣ分類器が、特徴値に基づく入力値からＣＭＡＣによる出力値を得るように構成されており
上記脳波の特徴値の決定では、
解析された全周波数から周波数を抽出するステップ、
抽出した周波数に基づき特徴値が算出されるステップ、
算出された特徴値による正答率を評価するステップ、
正答率の評価に基づいて周波数が決定されるステップ
及び
この決定した周波数に基づき特徴値が決定されるステップ
を含むヒトの感覚判定装置。
【請求項９】
製品を使用しているヒトの脳波が、脳波計で計測されるステップ、
上記脳波の周波数解析を行うステップ、
上記周波数解析の結果に基づいて上記脳波の特徴値を決定するステップ
上記特徴値に基づく入力値からＣＭＡＣによる出力値が得られるステップ
及び
上記出力値に対応する客観評価を決定するステップ
を含み、
上記脳波の特徴値の決定では、
解析された全周波数から周波数を抽出するステップ、
抽出した周波数に基づき特徴値が算出されるステップ、
算出された特徴値による正答率を評価するステップ、
正答率の評価に基づいて周波数が決定されるステップ
及び
この決定した周波数に基づき特徴値が決定されるステップ
を含む製品評価方法。
【請求項１】
（１）刺激が与えられているヒトの脳波が、脳波計で計測されるステップ、
（２）上記脳波の周波数解析を行うステップ、
（３）上記周波数解析の結果に基づいて上記脳波の特徴値を決定するステップ
（４）上記特徴値に基づく入力値からＣＭＡＣによる出力値が得られるステップ
及び
（５）上記出力値に対応する客観評価を決定するステップ
を含み、
上記特徴値の決定（３）が、
（３−１）解析した全周波数から周波数が抽出されるステップ、
（３−２）抽出した周波数に基づき特徴値が算出されるステップ、
（３−３）算出された特徴値による正答率を評価するステップ、
（３−４）正答率の評価に基づいて周波数が決定されるステップ
及び
（３−５）この決定した周波数に基づき特徴値が決定されるステップ
を含むヒトの感覚判定方法。
【請求項２】
上記客観評価を決定するステップでは、
３クラス以上の客観的評価から、この出力値に対応して定められている客観的評価を決定している請求項１に記載のヒトの感覚判定方法。
【請求項３】
上記正答率の評価（３−３）が、周波数から得られる特徴値データと主観評価データとに基づいてなされる請求項１又は２に記載の感覚判定方法。
【請求項４】
上記周波数の抽出（３−１）及び周波数の決定（３−４）が粒子群最適化（ＰＳＯ）を用いてされる請求項１から３のいずれかに記載の感覚判定方法。
【請求項５】
上記特徴値の決定（３）が、刺激が与えられる前のヒトの脳波の周波数解析の結果と、刺激が与えられているヒトの脳波の周波数解析の結果との対比に基づいてなされる請求項１から４のいずれかに記載の感覚判定方法。
【請求項６】
上記特徴値の決定（３）が、周波数解析によって得られたパワースペクトルから算出される値の最大値、最小値、平均値、バラツキ若しくは変化率又はこれらのうちの２以上の組み合わせに基づいてなされる請求項１から５のいずれかに記載の感覚判定方法。
【請求項７】
上記特徴値に基づき、刺激から得られるヒトの反応又は行動が予測されるステップをさらに含む請求項１から６のいずれかに記載の感覚判定方法。
【請求項８】
ヒトの脳波を計測する脳波計と、演算部と、ＣＭＡＣ分類器とを備えており、
この演算部が、上記脳波の周波数解析、この周波数解析の結果に基づく上記脳波の特徴値の決定、ＣＭＡＣ分類器から得られる出力値に対応する客観評価の決定を行うように構成されており、
このＣＭＡＣ分類器が、特徴値に基づく入力値からＣＭＡＣによる出力値を得るように構成されており
上記脳波の特徴値の決定では、
解析された全周波数から周波数を抽出するステップ、
抽出した周波数に基づき特徴値が算出されるステップ、
算出された特徴値による正答率を評価するステップ、
正答率の評価に基づいて周波数が決定されるステップ
及び
この決定した周波数に基づき特徴値が決定されるステップ
を含むヒトの感覚判定装置。
【請求項９】
製品を使用しているヒトの脳波が、脳波計で計測されるステップ、
上記脳波の周波数解析を行うステップ、
上記周波数解析の結果に基づいて上記脳波の特徴値を決定するステップ
上記特徴値に基づく入力値からＣＭＡＣによる出力値が得られるステップ
及び
上記出力値に対応する客観評価を決定するステップ
を含み、
上記脳波の特徴値の決定では、
解析された全周波数から周波数を抽出するステップ、
抽出した周波数に基づき特徴値が算出されるステップ、
算出された特徴値による正答率を評価するステップ、
正答率の評価に基づいて周波数が決定されるステップ
及び
この決定した周波数に基づき特徴値が決定されるステップ
を含む製品評価方法。
【図１】
【図２】
【図３】
【図４】
【図５】
【図２】
【図３】
【図４】
【図５】
【公開番号】特開２０１１−１８８９６１（Ｐ２０１１−１８８９６１Ａ）
【公開日】平成２３年９月２９日（２０１１．９．２９）
【国際特許分類】
【出願番号】特願２０１０−５６８６３（Ｐ２０１０−５６８６３）
【出願日】平成２２年３月１５日（２０１０．３．１５）
【出願人】（０００１８３２３３）住友ゴム工業株式会社 (3,458)
【出願人】（５０４１３２８８１）国立大学法人東京農工大学 (595)
【Ｆターム（参考）】
【公開日】平成２３年９月２９日（２０１１．９．２９）
【国際特許分類】
【出願日】平成２２年３月１５日（２０１０．３．１５）
【出願人】（０００１８３２３３）住友ゴム工業株式会社 (3,458)
【出願人】（５０４１３２８８１）国立大学法人東京農工大学 (595)
【Ｆターム（参考）】
[ Back to top ]