脳情報出力装置、ロボット、および脳情報出力方法
【課題】精度の高い意図検出ができなかった。
【解決手段】意図識別子と、一の意図の元にユーザがトライアルを行った際に当該ユーザの頭蓋外部から取得された第一学習データを、脳内の脳活動データに変換された第二学習データから、抽出された１以上の特徴量である学習特徴量群とを対に有する意図判別情報を、２以上格納し得る意図判別情報格納部と、ユーザの頭蓋外部から第一脳活動データを取得する第一脳活動データ取得部と、第一脳活動データを脳内の脳活動データに変換し、第二脳活動データを取得する第二脳活動データ取得部と、第二脳活動データから、１以上の特徴量である入力特徴量群を取得する特徴量群取得部と、入力特徴量群に対応する意図識別子を２以上の意図判別情報から取得する意図識別子取得部と、意図識別子を出力する意図識別子出力部とを具備する脳情報出力装置により、精度の高い意図検出ができる。
【解決手段】意図識別子と、一の意図の元にユーザがトライアルを行った際に当該ユーザの頭蓋外部から取得された第一学習データを、脳内の脳活動データに変換された第二学習データから、抽出された１以上の特徴量である学習特徴量群とを対に有する意図判別情報を、２以上格納し得る意図判別情報格納部と、ユーザの頭蓋外部から第一脳活動データを取得する第一脳活動データ取得部と、第一脳活動データを脳内の脳活動データに変換し、第二脳活動データを取得する第二脳活動データ取得部と、第二脳活動データから、１以上の特徴量である入力特徴量群を取得する特徴量群取得部と、入力特徴量群に対応する意図識別子を２以上の意図判別情報から取得する意図識別子取得部と、意図識別子を出力する意図識別子出力部とを具備する脳情報出力装置により、精度の高い意図検出ができる。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、脳の情報を出力する脳情報出力装置等に関するものである。
【背景技術】
【０００２】
近年、脳に対する生理学的な知見の充実、脳計測機器の発展、高性能なコンピュータのコストダウン、および機械学習の分野の進歩等に伴い、脳・機械インタフェース（Brain Machine Interface:ＢＭＩ）に関する研究が注目を浴びてきている（非特許文献１）。ＢＭＩは、脳と機械をつなぐインタフェースである。ＢＭＩは、人が考えた時や、何らかの行動した際に生ずる脳活動の信号を計測し、その計測データに信号処理技術を施すことにより、ユーザの意図を汲み出すものである。
【先行技術文献】
【非特許文献】
【０００３】
【非特許文献１】Toward Brain-Computer Interfacing (Neural Information Processing)、 MIT Press、 ISBN 978-0262042444
【発明の概要】
【発明が解決しようとする課題】
【０００４】
しかしながら、従来のＢＭＩにおいて、頭蓋外部から取得された脳活動データをそのまま用いて、意図判別を行っていたので、精度の高い意図判別が困難であった。
【０００５】
つまり、頭皮で計測された脳波は脳電位が短絡・減衰して伝わってきたものであるため、信号の発信源や、その発信源においてどのような脳活動が行われているのかをセンサ位置の情報だけでみることは難しい。したがって、頭皮で計測された脳波をそのまま用いた場合、精度の高い意図判別を行うことは容易ではなかった。
【課題を解決するための手段】
【０００６】
本第一の発明の脳情報出力装置は、ユーザの意図を識別する情報である意図識別子と、当該意図識別子で識別される意図の元にユーザが一連の行為であるトライアルを行った際に当該ユーザの頭蓋外部から取得された脳活動のデータである第一学習データを、脳内の脳活動データに変換された第二学習データから、抽出された１以上の特徴量である学習特徴量群とを対に有する意図判別情報を、２以上格納し得る意図判別情報格納部と、ユーザの頭蓋外部から、脳活動のデータである第一脳活動データを取得する第一脳活動データ取得部と、前記ユーザの頭蓋外部から取得された第一脳活動データを、脳内の脳活動データに変換し、第二脳活動データを取得する第二脳活動データ取得部と、前記第二脳活動データから、１以上の特徴量である入力特徴量群を取得する特徴量群取得部と、前記入力特徴量群に対応する意図識別子を、前記意図判別情報格納部に格納されている２以上の意図判別情報から取得する意図識別子取得部と、前記意図識別子取得部が取得した意図識別子を出力する意図識別子出力部とを具備する脳情報出力装置である。
【０００７】
かかる構成により、頭蓋外部から取得された脳活動データを、脳内の脳活動データに変換し、利用することにより、精度の高い意図判別ができる。
【０００８】
また、本第二の発明の脳情報出力装置は、一の意図の元にユーザが一連の行為であるトライアルを行った際に、１以上のセンサを用いて、当該センサごとに、前記ユーザの脳から脳活動を示す時系列データである第一学習データを取得する第一学習データ取得部と、前記ユーザの頭蓋外部から取得された第一学習データを、脳内の脳活動のデータに変換し、第二学習データを取得する第二学習データ取得部と、前記第二学習データから、１以上の特徴量である学習特徴量群を取得する学習特徴量群取得部と、前記第二学習特徴量群と、前記一の意図を識別する意図識別子とを有する意図判別情報を、前記意図判別情報格納部に蓄積する意図判別情報蓄積部とをさらに具備する脳情報出力装置である。
【０００９】
かかる構成により、頭蓋外部から取得された脳活動データを、脳内の脳活動データに変換し、利用することにより、精度の高い意図判別ができる。また、学習データを自動的に取得できる。
【００１０】
また、本第三の発明の脳情報出力装置は、第一の発明に対して、前記第二脳活動データ取得部は、前記第一脳活動データに対して、階層変分ベイズ法を用いて第二脳活動データを取得する脳情報出力装置である。
【００１１】
かかる構成により、頭蓋外部から取得された脳活動データを、脳内の脳活動データに変換し、利用することにより、精度の高い意図判別ができる。
【００１２】
また、本第四の発明の脳情報出力装置は、第一、第二いずれかの発明に対して、前記意図識別子取得部は、前記意図判別情報格納部の２以上の意図判別情報を用いて、前記特徴量群取得部が取得した入力特徴量群が、前記２以上の意図判別情報に含まれる２以上の意図識別子の各々に対応する確率を、前記２以上の意図識別子ごとに算出する確率算出手段と、前記確率算出手段が算出した意図識別子ごとの確率から、最も大きい確率に対応する意図識別子を取得する意図識別子取得手段とを具備する脳情報出力装置である。
【００１３】
かかる構成により、頭蓋外部から取得された脳活動データを、脳内の脳活動データに変換し、利用することにより、精度の高い意図判別ができる。
【発明の効果】
【００１４】
本発明による脳情報出力装置によれば、精度の高い意図判別ができる。
【図面の簡単な説明】
【００１５】
【図１】本実施の形態１におけるロボットシステム１の概念図
【図２】同ロボットシステム１のブロック図
【図３】同確率算出アルゴリズムを説明するための図
【図４】同確率算出アルゴリズムを説明するための図
【図５】同脳情報出力装置１１の動作について説明するフローチャート
【図６】同脳情報出力装置１１の変換処理について説明するフローチャート
【図７】同脳情報出力装置１１の意図識別子出力処理について説明するフローチャート
【図８】同脳情報出力装置１１の意図識別子取得処理について説明するフローチャート
【図９】同ロボット１２の動作について説明するフローチャート
【図１０】本実施の形態２におけるロボットシステム２のブロック図
【図１１】同脳情報出力装置２１の動作について説明するフローチャート
【図１２】同脳情報出力装置２１の異常データ除去処理を説明するフローチャート
【図１３】同脳情報出力装置２１の意図識別子出力処理を説明するフローチャート
【図１４】同被験者が行うタスクを説明する図
【図１５】同実験の流れを説明する図
【図１６】同異常データ除去処理の概念を説明する図
【図１７】同脳波データの例を示す図
【図１８】同異常データ除去処理の概念図
【図１９】同電流源での電流推定の手順の概略図
【図２０】同電流源での電流推定の手順の概略図
【図２１】同Ｓｕｂｊｅｃｔ１に対する実験結果を示す図
【図２２】同Ｓｕｂｊｅｃｔ１に対する実験結果を示す図
【図２３】同Ｓｕｂｊｅｃｔ２に対する実験結果を示す図
【図２４】同Ｓｕｂｊｅｃｔ２に対する実験結果を示す図
【図２５】同最終的に残った電流源を示す図
【図２６】同判定に寄与した特徴量の電流源を示す図
【図２７】同判別結果を示す図
【図２８】同判別結果を示す図
【図２９】同コンピュータシステムの概観図
【図３０】同コンピュータシステムのブロック図
【発明を実施するための形態】
【００１６】
以下、脳情報出力装置等の実施形態について図面を参照して説明する。なお、実施の形態において同じ符号を付した構成要素は同様の動作を行うので、再度の説明を省略する場合がある。
【００１７】
（実施の形態１）
【００１８】
本実施の形態において、頭蓋外部から取得した第一脳活動データを脳内上の第二脳活動データに変換し、当該第二脳活動データを用いて、意図検出を行う脳情報出力装置ついて説明する。
【００１９】
さらに、本実施の形態において、脳情報出力装置の出力を受けて動作するロボットを含むロボットシステムについても説明する。
【００２０】
図１は、本実施の形態におけるロボットシステム１の概念図である。ロボットシステム１は、脳情報出力装置１１、ロボット１２を具備する。脳情報出力装置１１は、ユーザからの脳情報を取得し、ユーザの意図を検出し、当該意図を示す意図識別子をロボット１２に出力する装置である。また、ロボット１２は、脳情報出力装置１１から意図識別子を受け取り、当該意図識別子に対応する動作を行う電子機器である。ロボット１２は、いわゆる人型の形状を有する電子機器でも良いが、他の形状を有する電子機器でも良い。ロボット１２は、例えば、四輪車、二輪車、航空機、電車などの移動体でも良い。
【００２１】
図２は、本実施の形態におけるロボットシステム１のブロック図である。ロボットシステム１を構成する脳情報出力装置１１は、意図判別情報格納部１１１、第一学習データ取得部１１２、第二学習データ取得部１１３、学習特徴量群取得部１１４、意図判別情報蓄積部１１５、第一脳活動データ取得部１１６、第二脳活動データ取得部１１７、特徴量群取得部１１８、意図識別子取得部１１９、意図識別子出力部１２０を具備する。
【００２２】
意図識別子取得部１１９は、確率算出手段１１９１、意図識別子取得手段１１９２を具備する。
【００２３】
ロボット１２は、動作情報格納部１２１、意図識別子受付部１２２、実行部１２３を具備する。
【００２４】
意図判別情報格納部１１１は、２以上の意図判別情報を格納し得る。意図判別情報は、意図識別子と学習特徴量群を有する。意図識別子は、ユーザの意図を識別する情報である。学習特徴量群は、第二学習データから、抽出された１以上の特徴量である。第二学習データは、意図識別子で識別される意図の元にユーザが一連の行為であるトライアルを行った際に、当該ユーザの頭蓋外部から取得された脳活動のデータである第一学習データを、脳内の脳活動データに変換されたデータである。ここで、意図とは、体の一部（例えば、右手、左手、舌、足など）を動かす行為や、特定のこと（例えば、右手を動かしていること、舌を出したこと、走っていることなど）を想像することなど、ユーザの脳の活動に反映されることである。また、意図識別子は、例えば、ユーザが動かす体の部分であり、例えば、「右手」「左手」「舌」「足」の４つである。また、意図識別子は、例えば、「右手」「左手」の２つであっても良い。意図識別子の数は問わないが、意図識別子の数は少ない方が、通常、脳情報出力装置１１が出力する意図識別子がユーザの意図と合致している可能性は高い、と考えられる。学習特徴量群とは、学習データから抽出された１以上の特徴量の情報である。学習データとは、意図識別子で識別される意図の元にユーザが一連の行為を行った際に当該ユーザの脳から取得されたデータである。学習データは、ＮＩＲＳ（近赤外分光分析）、ｆＭＲＩ（機能的ＭＲＩ）、ＭＥＧ（脳磁計）、ＥＥＧ（脳波計）により取得されるデータなど、脳から取得される脳活動を示すデータであれば何でもよい。また、ここで、脳内とは、脳表面も含む意味である。
【００２５】
意図判別情報格納部１１１は、不揮発性の記録媒体が好適であるが、揮発性の記録媒体でも実現可能である。
【００２６】
意図判別情報格納部１１１に意図判別情報が記憶される過程は問わない。例えば、記録媒体を介して意図判別情報が意図判別情報格納部１１１で記憶されるようになってもよく、通信回線等を介して送信された意図判別情報が意図判別情報格納部１１１で記憶されるようになってもよく、あるいは、入力デバイスを介して入力された意図判別情報が意図判別情報格納部１１１で記憶されるようになってもよい。
【００２７】
第一学習データ取得部１１２は、ユーザの頭蓋外部から第一学習データを取得する。第一学習データは、一の意図の元にユーザが一連の行為であるトライアルを行った際に、１以上のセンサを用いて、当該センサごとに、ユーザの頭蓋外部から取得された、脳活動を示す時系列データである。第一学習データ取得部１１２は、通常、脳波計測装置である。つまり、第一学習データは、脳波データである。
【００２８】
第二学習データ取得部１１３は、ユーザの頭蓋外部から取得された第一学習データを、脳内の脳活動のデータに変換し、第二学習データを取得する。第二学習データ取得部１１３は、第一学習データに対して、階層変分ベイズ法を用いて第二学習データを取得する。具体的には、第二学習データ取得部１１３は、脳内に存する電流源の時空間分布を第１の分解能で推定する第１領域と第１の分解能より低い第２の分解能で推定する第２領域とを設定し、設定した第１及び第２領域での電流源の時空間分布を、ユーザの頭蓋外部にて観測した電気現象に基づいて推定するようにしており、高精度に推定したい領域に重点的にパラメータを分配することによってパラメータの増大に伴う推定精度の劣化を防止することができる。
【００２９】
さらに具体的には、例えば、第二学習データ取得部１１３は、以下の数式１から数式９
の手順を経て、第一学習データを変換し、第二学習データを得る。
【数１】
【００３０】
ここで、Ｇはリードフィールド行列、Ｊは脳内の電流分布、ξはノイズである。Ｅは頭皮上のセンサで計測される電場である。リードフィールド行列Ｇは、後述の電磁場解析技術で計算され、Ｇ・Ｊは脳内の電流分布Ｊが頭皮上のセンサ位置で作る電場をあらわす。数式１は、原因の脳内電流分布Ｊから結果の電場Ｅを計算している式であり、順問題と呼ばれる。しかし、計測されるのは電場Ｅであり、計算で推定しなければならないのが脳内電流分布Ｊであるため、結果から原因を追究しなければならないので、一般的に逆問題と呼ばれる。第二学習データ取得部１１３は、第一学習データ（すなわちＥ）から第二学習データ（すなわちＪ）の逆問題を解く処理を行う。
【００３１】
以下、第二学習データ取得部１１３の具体的な計算フローについて説明する。
【００３２】
電流分布Ｊが与えられたときに観測される電場がＥである確率（モデル確率）を数式２により設定する。
【数２】
【００３３】
ここで、σは各センサで計測されるノイズをガウスノイズとした際の標準偏差である。すなわち、数式２は電流分布Ｊとノイズの標準偏差σが与えられたときの電場Ｅの確率を示すことになる。また、ＮＤは正規分布を示しており、任意のパラメータＸとそのパラメータに対する期待値をＸバー、今日分散行列をΣ−１とした場合、数式３により表すことができる。
【数３】
【００３４】
このような準備の下、電場Ｅを観測する前の電流分布Ｊに関して、数式４で表される階層事前分布を設定する。ここで、αＪは電流分布Ｊの分散を表すパラメータであり、αＺは活動電流Ｚの分散を表すパラメータである。また、Γはガンマ分布、γＪは電流分布Ｊに関するガンマ分布の自由度、γＺは活動電流Ｚに関するガンマ分布の自由度を表す。
【数４】
【００３５】
前述の確率モデル（数式２）と階層事前分布（数式４）が与えられた場合、モデルの周辺尤度を解析的に求めることは一般的に出来ないので、モデル周辺尤度を、階層変分ベイズ法を用いて近似的に計算を行う。そして、電流分布とその分散の各々について試験事後分布を導入する。なお、第二学習データ取得部１１３は、電流分布の推定と電流分散の推定を交互に繰り返し、後述の自由エネルギーＦが収束するまでそれを行う。ここで、収束とは自由エネルギーＦの変化が予め与えられた値よりも小さくなった場合に収束したとする。
【００３６】
電流分布についての試験事後分布Ｑ（Ｊ，Ｚ）は、数式５のようにして算出することが可能であり、数式５中の各パラメータは数式６のようにして更新を行う。
【数５】
【数６】
【００３７】
電流分布の分散に対する試験事後分布Ｑ（αＪ，αＺ，σ）は、数式７のようにして算出が可能である。また、数式７中の各パラメータは数式８のようにして更新を行う。
【数７】
【数８】
【００３８】
前述の自由エネルギーＦは数式９のように計算を行う。
【数９】
【００３９】
前述のように、第二学習データ取得部１１３は、上記の数式５で示す電流分布の推定と、上記の数式７で示す電流分散の推定を、数式９に記載の自由エネルギーが収束するまで繰り返すことで、第二学習データを取得する。
【００４０】
また、第二学習データ取得部１１３は、電磁場解析技術と数式１から数式９を用いて計算される逆問題解法技術を用いて、第一学習データから第二学習データを取得する。なお、電磁場解析とは、マクスウェルの方程式を解くことにより、対象物と電磁場の相互作用を解析することである。また、電磁場解析には、静的解析、準静的解析、動的解析なども含まれる。
【００４１】
第二学習データ取得部１１３は、通常、ＭＰＵやメモリ等から実現され得る。第二学習データ取得部１１３の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００４２】
学習特徴量群取得部１１４は、第二学習データから、１以上の特徴量である学習特徴量群を取得する。学習特徴量群取得部１１４は、第二学習データに対して信号処理し、１以上の特徴量である学習特徴量群を取得する。ここで、信号処理は、例えば、バイアス補正、ベースライン補正、トレンド除去、平均値計算、ハイパスフィルターによる処理、ローパスフィルターによる処理、FFTによる処理、PCAによる処理、ICAによる処理、Phase Locking 値の算出、移動平均の算出、センサ選択、時間選択、リファレンス補正、ダウンサンプリング、アップサンプリング、パワー計算、包絡線計算（ヒルベルト変換）、空間フィルターによる処理、逆問題フィルターによる処理、などである。そして、特徴量とは、例えば、上記の信号処理により、算出されるデータであり、例えば、平均値、分散、Phase Locking 値などである。なお、学習特徴量群を構成する特徴量は、学習データの特性を示すデータであれば、何でも良い。また、学習特徴量群取得部１１４が行う信号処理の数は、複数でも良い。また、上記の各種の信号処理の例は、公知技術であるので詳細な説明を省略する。
【００４３】
学習特徴量群取得部１１４は、通常、ＭＰＵやメモリ等から実現され得る。学習特徴量群取得部１１４の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００４４】
意図判別情報蓄積部１１５は、学習特徴量群取得部１１４が取得した第二学習特徴量群と、一の意図を識別する意図識別子とを有する意図判別情報を、意図判別情報格納部１１１に蓄積する。
【００４５】
意図判別情報蓄積部１１５は、通常、ＭＰＵやメモリ等から実現され得る。意図判別情報蓄積部１１５の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００４６】
第一脳活動データ取得部１１６は、ユーザの頭蓋外部から、脳活動のデータである第一脳活動データを取得する。第一脳活動データ取得部１１６は、通常、第一学習データ取得部１１２と同じ構成である。第一脳活動データ取得部１１６は、通常、脳波計測装置である。
【００４７】
第二脳活動データ取得部１１７は、ユーザの頭蓋外部から取得された第一脳活動データを、脳内の脳活動データに変換し、第二脳活動データを取得する。第二脳活動データ取得部１１７は、第一脳活動データに対して、階層変分ベイズ法を用いて第二脳活動データを取得する。
【００４８】
さらに具体的には、例えば、第二脳活動データ取得部１１７は、上記の数式１、数式２を用いて、第一脳活動データを変換し、第二脳活動データを得る。第二脳活動データ取得部１１７は、通常、第二学習データ取得部１１３と同じ構成である。
【００４９】
第二脳活動データ取得部１１７は、通常、ＭＰＵやメモリ等から実現され得る。第二脳活動データ取得部１１７の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００５０】
特徴量群取得部１１８は、第二脳活動データに対して信号処理し、１以上の特徴量である入力特徴量群を取得する。ここで、信号処理は、例えば、バイアス補正、ベースライン補正、トレンド除去、平均値計算、ハイパスフィルターによる処理、ローパスフィルターによる処理、FFTによる処理、PCAによる処理、ICAによる処理、Phase Locking 値の算出、移動平均の算出、センサ選択、時間選択、リファレンス補正、ダウンサンプリング、アップサンプリング、パワー計算、包絡線計算（ヒルベルト変換）、空間フィルターによる処理、逆問題フィルターによる処理、などである。そして、特徴量とは、例えば、上記の信号処理により、算出されるデータであり、例えば、平均値、分散、Phase Locking 値などである。なお、入力特徴量群を構成する特徴量は、脳活動データの特性を示すデータであれば、何でも良い。また、特徴量群取得部１１８が行う信号処理の数は、複数でも良い。また、上記の各種の信号処理の例は、公知技術であるので詳細な説明を省略する。特徴量群取得部１１８は、通常、学習特徴量群取得部１１４と同じ構成である。
【００５１】
特徴量群取得部１１８は、通常、ＭＰＵやメモリ等から実現され得る。特徴量群取得部１１８の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００５２】
意図識別子取得部１１９は、入力特徴量群に対応する意図識別子を、意図判別情報格納部１１１に格納されている２以上の意図判別情報から取得する。意図識別子取得部１１９が意図識別子を取得するアルゴリズムは問わない。意図識別子取得部１１９は、例えば、入力特徴量群と、意図判別情報が有する学習特徴量群との距離を、意図識別子ごとに算出する。そして、意図識別子取得部１１９は、距離が最も小さい学習特徴量群に対応する意図識別子を取得しても良い。意図識別子取得部１１９は、通常、ＭＰＵやメモリ等から実現され得る。意図識別子取得部１１９の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００５３】
確率算出手段１１９１は、意図判別情報格納部１１１の２以上の意図判別情報を用いて、特徴量群取得部１１８が取得した入力特徴量群が、２以上の意図判別情報に含まれる２以上の意図識別子の各々に対応する確率を、２以上の意図識別子ごとに算出する。
【００５４】
意図識別子が２つ（２種類）の場合、例えば、確率算出手段１１９１は、以下のように意図識別子ごとの確率を算出する。つまり、確率算出手段１１９１は、第二学習特徴量群（ベクトル）から、２つのクラス（クラス１［第一の意図識別子］、またはクラス２［第二の意図識別子］）に分けるための境界面の情報を得る。かかる概念を図３に示す。
【００５５】
次に、確率算出手段１１９１は、境界面からの入力特徴量群の距離を算出する（図４参照）。そして、確率算出手段１１９１は、当該距離をロジスティック関数（シグモイド関数）に入力し、０〜１の値（０以上１以下の値）に変換する。そして、確率算出手段１１９１は、当該変換した値（０〜１）を、第一の意図識別子の確率とする。そして、確率算出手段１１９１は、第二の意図識別子の確率を、「１−第一の意図識別子の確率」により算出する。
【００５６】
また、意図識別子が４つ（４種類）の場合、例えば、確率算出手段１１９１は、以下のように意図識別子ごとの確率を算出する。つまり、上記２つの意図識別子の場合の処理を拡張する。まず、第一の意図識別子と他の意図識別子との２つのクラスが存在すると考え、確率算出手段１１９１は、第二学習特徴量群（ベクトル）から、２つのクラス（クラス１［第一の意図識別子］、またはクラス２［第二の意図識別子または第三の意図識別子または第四の意図識別子）に分けるための境界面の情報を得る。次に、確率算出手段１１９１は、境界面からの入力特徴量群の距離を算出する。そして、確率算出手段１１９１は、当該距離をロジスティック関数（シグモイド関数）に入力し、０〜１の値（０以上１以下の値）に変換する。そして、確率算出手段１１９１は、当該変換した値（０〜１）を、第一の意図識別子の確率とする。次に、確率算出手段１１９１は、第二の意図識別子または第三の意図識別子または第四の意図識別子に対応する第二学習特徴量群（ベクトル）との距離を、「１−第一の意図識別子の確率」により算出する。
【００５７】
そして、次に、第二の意図識別子と他の意図識別子との２つのクラスが存在すると考え、確率算出手段１１９１は、第二学習特徴量群（ベクトル）から、２つのクラス（クラス１［第二の意図識別子］、またはクラス２［第一の意図識別子または第三の意図識別子または第四の意図識別子）に分けるための境界面の情報を得る。次に、確率算出手段１１９１は、境界面からの入力特徴量群の距離を算出する。そして、確率算出手段１１９１は、当該距離をロジスティック関数（シグモイド関数）に入力し、０〜１の値（０以上１以下の値）に変換する。そして、確率算出手段１１９１は、当該変換した値（０〜１）を、第二の意図識別子の確率とする。次に、確率算出手段１１９１は、第一の意図識別子または第三の意図識別子または第四の意図識別子に対応する第二学習特徴量群（ベクトル）との距離を、「１−第二の意図識別子の確率」により算出する。
【００５８】
そして、次に、第三の意図識別子と他の意図識別子との２つのクラスが存在すると考え、確率算出手段１１９１は、第二学習特徴量群（ベクトル）から、２つのクラス（クラス１［第三の意図識別子］、またはクラス２［第一の意図識別子または第二の意図識別子または第四の意図識別子）に分けるための境界面の情報を得る。次に、確率算出手段１１９１は、境界面からの入力特徴量群の距離を算出する。そして、確率算出手段１１９１は、当該距離をロジスティック関数（シグモイド関数）に入力し、０〜１の値（０以上１以下の値）に変換する。そして、確率算出手段１１９１は、当該変換した値（０〜１）を、第三の意図識別子の確率とする。次に、確率算出手段１１９１は、第一の意図識別子または第二の意図識別子または第四の意図識別子に対応する第二学習特徴量群（ベクトル）との距離を、「１−第三の意図識別子の確率」により算出する。
【００５９】
そして、次に、第四の意図識別子と他の意図識別子との２つのクラスが存在すると考え、確率算出手段１１９１は、第二学習特徴量群（ベクトル）から、２つのクラス（クラス１［第四の意図識別子］、またはクラス２［第一の意図識別子または第二の意図識別子または第三の意図識別子）に分けるための境界面の情報を得る。次に、確率算出手段１１９１は、境界面からの入力特徴量群の距離を算出する。そして、確率算出手段１１９１は、当該距離をロジスティック関数（シグモイド関数）に入力し、０〜１の値（０以上１以下の値）に変換する。そして、確率算出手段１１９１は、当該変換した値（０〜１）を、第四の意図識別子の確率とする。次に、確率算出手段１１９１は、第一の意図識別子または第二の意図識別子または第三の意図識別子に対応する第二学習特徴量群（ベクトル）との距離を、「１−第四の意図識別子の確率」により算出する。
【００６０】
そして、確率算出手段１１９１は、上記で取得した確率をマージすることにより、第一の意図識別子から第四の意図識別子の確率を取得する。ここで、マージとは、前記の第一の意図識別子の確率（Ｐ１）、前記の第一以外の意図識別子の確率（Ｐ２３４）、前記の第二の意図識別子の確率（Ｐ２）、前記の第二以外の意図識別子の確率（Ｐ１３４）、前記の第三の意図識別子の確率（Ｐ３）、前記の第三以外の意図識別子の確率（Ｐ１２４）、前記の第四の意図識別子の確率（Ｐ４）、前記の第四以外の意図識別子の確率（Ｐ１２３）の８つの確率から求める操作のことを言う。マージした第一の意図識別子の確率はＰ１×Ｐ１３４×Ｐ１２４×Ｐ１２３、マージした第二の意図識別子の確率はＰ２３４×Ｐ２×Ｐ１２４×Ｐ１２３、マージした第三の意図識別子の確率はＰ２３４×Ｐ１３４×Ｐ３×Ｐ１２３、マージした第四の意図識別子はＰ２３４×Ｐ１３４×Ｐ１２４×Ｐ４のように求めることが好適である。なお、確率を正規化する操作を加えても良い。ここで、正規化とは、マージした第一の意図識別子の確率から第四の意図識別子の確率までを足した値でそれぞれの確率を割ることで、全てを足した確率が１になるようにする操作である。
【００６１】
確率算出手段１１９１は、通常、ＭＰＵやメモリ等から実現され得る。確率算出手段１１９１の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００６２】
意図識別子取得手段１１９２は、確率算出手段１１９１が算出した意図識別子ごとの確率から、最も大きい確率に対応する意図識別子を取得する。
【００６３】
意図識別子取得手段１１９２は、通常、ＭＰＵやメモリ等から実現され得る。意図識別子取得手段１１９２の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００６４】
意図識別子出力部１２０は、意図識別子取得部１１９が取得した意図識別子を出力する。ここで、出力とは、ロボット１２への出力が好適であるが、ディスプレイへの表示や、音声出力などでも良い。である。意図識別子出力部１２０は、例えば、ロボット１２へ意図識別子を送付する通信手段で実現され得る。
【００６５】
動作情報格納部１２１は、２以上の動作情報を格納し得る。動作情報とは、意図識別子と当該意図識別子に対応する動作を行わせる動作モジュールとの組である。動作モジュールとは、ハードウェアで実現されていても良いし、ソフトウェアで実現されていても良いし、ハードウェアとソフトウェアで実現されていても良い。動作情報格納部１２１は、不揮発性の記録媒体が好適であるが、揮発性の記録媒体でも実現可能である。動作情報格納部１２１に動作情報が記憶される過程は問わない。例えば、記録媒体を介して動作情報が動作情報格納部１２１で記憶されるようになってもよく、通信回線等を介して送信された動作情報が動作情報格納部１２１で記憶されるようになってもよく、あるいは、入力デバイスを介して入力された動作情報が動作情報格納部１２１で記憶されるようになってもよい。
【００６６】
意図識別子受付部１２２は、脳情報出力装置１１から出力された意図識別子を受け付ける。受け付けとは、通信手段を用いた受信や、ソフトウェアによる情報（意図識別子）の引き渡し等である。
【００６７】
実行部１２３は、意図識別子受付部１２２が受け付けた意図識別子に対応する動作モジュールを実行する。動作モジュールが実現する動作内容は何でも良い。実行部１２３は、通常、ＭＰＵやメモリ等から実現され得る。実行部１２３の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００６８】
次に、ロボットシステム１の動作について説明する。まず、脳情報出力装置１１の動作について説明する。図５は、脳情報出力装置１１が学習データを取得する動作を説明するフローチャートである。学習データとは、ここでは、意図判別情報である。
【００６９】
（ステップＳ５０１）第一学習データ取得部１１２は、第一学習データを取得するか否かを判断する。第一学習データを取得するのであればステップＳ５０２に行き、第一学習データを取得しないのであればステップＳ５０４に行く。なお、例えば、第一学習データを取得するために、図示しない出力手段が、ユーザに対して、意図に対応する動作（思考、想像なども含む）を行うことを示す指示を出力する。そして、かかる指示が出力された後、所定期間（例えば、１０秒など）、第一学習データ取得部１１２は、第一学習データを取得する、と判断する。また、意図に対応する動作を行うことを示す指示とは、「右手を１０秒間、振ってください。」「１５秒間、足をばたつかせてください。」などの情報である。
【００７０】
（ステップＳ５０２）第一学習データ取得部１１２は、ユーザの頭蓋外部から第一学習データを取得する。
【００７１】
（ステップＳ５０３）第一学習データ取得部１１２は、ステップＳ５０２で取得した第一学習データを、記録媒体に、少なくとも一時的に蓄積する。なお、第一学習データ取得部１１２は、通常、意図を識別する意図識別子と対にして、第一学習データを蓄積する。ステップＳ５０１に戻る。
【００７２】
（ステップＳ５０４）第一学習データ取得部１１２は、第一学習データを取得する処理を終了するか否かを判断する。終了する場合はステップＳ５０５に行き、終了しない場合はステップＳ５０１に戻る。なお、第一学習データ取得部１１２は、例えば、すべての意図識別子に対応する第一学習データを取得した場合、第一学習データの取得処理を終了すると判断する。
【００７３】
（ステップＳ５０５）第二学習データ取得部１１３は、取得されたすべての第一学習データに対して、変換処理を行い、第二学習データを取得する。変換処理とは、ユーザの頭蓋外部から取得された第一学習データを、脳内の脳活動のデータである第二学習データに変換する処理である。変換処理の例について、図６のフローチャートを用いて説明する。なお、第二学習データ取得部１１３は、通常、一つの第一学習データ（一つのトライアルにより、取得された時系列的なデータである第一学習データ）ごとに第二学習データに変換する。
【００７４】
（ステップＳ５０６）第二学習データ取得部１１３は、ステップＳ５０５で取得した第二学習データを、記録媒体に、少なくとも一時蓄積する。第二学習データ取得部１１３は、通常、一つの第二学習データごとに、第二学習データと意図識別子とを対応付けて、蓄積する。
【００７５】
（ステップＳ５０７）学習特徴量群取得部１１４は、ステップＳ５０６で蓄積された第二学習データから、１以上の特徴量である学習特徴量群を取得する。ここで、学習特徴量群取得部１１４は、通常、複数の学習特徴量群を取得する。
【００７６】
（ステップＳ５０８）意図判別情報蓄積部１１５は、学習特徴量群取得部１１４が取得した学習特徴量群と、一の意図を識別する意図識別子とを有する意図判別情報とから、意図判別情報を構成する。なお、通常、意図識別子は、第一学習データまたは第二学習データと対応付けて管理されている。また、意図判別情報蓄積部１１５は、通常、複数の意図判別情報を構成する。
【００７７】
（ステップＳ５０９）意図判別情報蓄積部１１５は、ステップＳ５０８で構成した１以上の意図判別情報を、意図判別情報格納部１１１に蓄積する。処理を終了する。
【００７８】
次に、ステップＳ５０５の変換処理について、図６のフローチャートを用いて説明する。 （ステップＳ６０１）第二学習データ取得部１１３は、電磁場解析技術を用いた順問題解析を行い、数式１に示すリードフィールド行列Ｇを計算する。
【００７９】
（ステップＳ６０２）第二学習データ取得部１１３は、数式４に示すように、電場Ｅを観測する前の電流分布Ｊの階層事前分布を計算する。
【００８０】
（ステップＳ６０３）第二学習データ取得部１１３は、数式５に示すように、電流分布を推定する。
【００８１】
（ステップＳ６０４）第二学習データ取得部１１３は、数式６に示すように、パラメータを更新する。
【００８２】
（ステップＳ６０５）第二学習データ取得部１１３は、数式７に示すように電流分散を推定する。
【００８３】
（ステップＳ６０６）第二学習データ取得部１１３は、数式８に示すように、パラメータを更新する。
【００８４】
（ステップＳ６０７）第二学習データ取得部１１３は、数式９に示すように、自由エネルギーＦを計算する。
【００８５】
（ステップＳ６０８）第二学習データ取得部１１３は、計算した自由エネルギーの変化が、事前に与えた閾値よりも小さいかどうかを判定する。もし、小さい場合はＳ６０９に進み、大きい場合はＳ６０３に戻る。
【００８６】
（ステップＳ６０９）第二学習データ取得部１１３は、現在のＪを第二学習データとして出力して、終了する。
【００８７】
次に、脳情報出力装置１１が、意図識別子を出力する動作について図７のフローチャートを用いて説明する。
【００８８】
（ステップＳ７０１）第一脳活動データ取得部１１６は、第一脳活動データを取得したか否かを判断する。第一脳活動データを取得すればステップＳ７０２に行き、第一脳活動データを取得しなければステップＳ７０１に戻る。
【００８９】
（ステップＳ７０２）第二脳活動データ取得部１１７は、ステップＳ７０１で取得された第一脳活動データに対して変換処理を行い、第二脳活動データを取得する。なお、変換処理について、図６のフローチャートを用いて説明した。
【００９０】
（ステップＳ７０３）特徴量群取得部１１８は、ステップＳ７０２で取得された第二脳活動データから、入力特徴量群を取得する。
【００９１】
（ステップＳ７０４）意図識別子取得部１１９は、ステップＳ７０３で取得された入力特徴量群を入力として、当該入力特徴量群に対応する意図識別子を取得する。かかる意図識別子取得処理について、図８のフローチャートを用いて説明する。
【００９２】
（ステップＳ７０５）意図識別子出力部１２０は、ステップＳ７０４で取得された意図識別子を、ロボット１２に出力する。ステップＳ７０１に戻る。
【００９３】
なお、図７のフローチャートにおいて、電源オフや処理終了の割り込みにより処理は終了する。
【００９４】
次に、ステップＳ７０４の意図識別子取得処理の例について図８のフローチャートを用いて説明する。
【００９５】
（ステップＳ８０１）意図識別子取得部１１９は、カウンタｉを１に設定する。
【００９６】
（ステップＳ８０２）意図識別子取得部１１９は、ｉ番目の意図識別子が存在するか否かを判断する。ｉ番目の意図識別子が存在すればステップＳ８０３に行き、ｉ番目の意図識別子が存在しなければステップＳ８０８に行く。
【００９７】
（ステップＳ８０３）意図識別子取得部１１９は、ｉ番目の意図識別子に対応する学習特徴量群（ベクトル）を取得する。
【００９８】
（ステップＳ８０４）意図識別子取得部１１９は、入力された特徴量群（ベクトル）を取得する。
【００９９】
（ステップＳ８０５）意図識別子取得部１１９は、ステップＳ８０３で取得された学習特徴量群（ベクトル）と、ステップＳ８０４で取得された特徴量群（ベクトル）の距離を算出する。
【０１００】
（ステップＳ８０６）意図識別子取得部１１９は、ステップＳ８０５で取得した距離と、ｉ番目の意図識別子とを対応付けて、少なくとも一時的に記録媒体に蓄積する。
【０１０１】
（ステップＳ８０７）意図識別子取得部１１９は、カウンタｉを１、インクリメントする。ステップＳ８０２に戻る。
【０１０２】
（ステップＳ８０８）意図識別子取得部１１９は、ステップＳ８０６で蓄積された距離を用いて、意図識別子を取得する。例えば、意図識別子取得部１１９は、最も小さい距離と対になる意図識別子を取得する。また、上述したように、意図識別子取得部１１９は、意図識別子ごとの確率を算出し、確率が最も大きい意図識別子を取得しても良い。上位処理にリターンする。
【０１０３】
なお、図８のフローチャートにおいて、ステップＳ８０４の動作は、ループ外に配置し、一度のみ行っても良い。
【０１０４】
次に、ロボット１２の動作について、図９のフローチャートを用いて説明する。
【０１０５】
（ステップＳ９０１）意図識別子受付部１２２は、脳情報出力装置１１から出力された意図識別子を受け付けたか否かを判断する。意図識別子を受け付ければステップＳ９０２に行き、意図識別子を受け付けなければステップＳ９０１に戻る。
【０１０６】
（ステップＳ９０２）実行部１２３は、ステップＳ９０１で受け付けられた意図識別子に対応する動作モジュールを、動作情報格納部１２１から読み出す。
【０１０７】
（ステップＳ９０３）実行部１２３は、ステップＳ９０２で読み出した動作モジュールを実行する。ステップＳ９０１に戻る。
【０１０８】
以上の処理により、ユーザが意図した行為（思考を含む）に対応する動作が、ロボット１２により行われる。
【０１０９】
なお、図９のフローチャートにおいて、電源オフや処理終了の割り込みにより処理は終了する。
【０１１０】
以上、本実施の形態によれば、頭蓋外部から取得された脳活動データを、脳内の脳活動データに変換し、利用することにより、精度の高い意図判別ができる。
【０１１１】
なお、本実施の形態において、具体的な実験例などは説明しなかった。かかる具体例について、実施の形態２で説明する。
【０１１２】
さらに、本実施の形態における処理は、ソフトウェアで実現しても良い。そして、このソフトウェアをソフトウェアダウンロード等により配布しても良い。また、このソフトウェアをＣＤ−ＲＯＭなどの記録媒体に記録して流布しても良い。なお、このことは、本明細書における他の実施の形態においても該当する。なお、本実施の形態における情報処理装置を実現するソフトウェアは、以下のようなプログラムである。つまり、このプログラムは、記憶媒体に、ユーザの意図を識別する情報である意図識別子と、当該意図識別子で識別される意図の元にユーザが一連の行為であるトライアルを行った際に当該ユーザの頭蓋外部から取得された脳活動のデータである第一学習データを、脳内の脳活動データに変換された第二学習データから、抽出された１以上の特徴量である学習特徴量群とを対に有する意図判別情報を、２以上格納しており、コンピュータを、ユーザの頭蓋外部から、脳活動のデータである第一脳活動データを取得する第一脳活動データ取得部と、前記ユーザの頭蓋外部から取得された第一脳活動データを、脳内の脳活動データに変換し、第二脳活動データを取得する第二脳活動データ取得部と、前記第二脳活動データから、１以上の特徴量である入力特徴量群を取得する特徴量群取得部と、前記入力特徴量群に対応する意図識別子を、前記記憶媒体に格納されている２以上の意図判別情報から取得する意図識別子取得部と、前記意図識別子取得部が取得した意図識別子を出力する意図識別子出力部として機能させるためのプログラム、である。
【０１１３】
また、上記プログラムにおいて、コンピュータを、一の意図の元にユーザが一連の行為であるトライアルを行った際に、１以上のセンサを用いて、当該センサごとに、前ユーザの頭蓋外部から脳活動を示す時系列データである第一学習データを取得する第一学習データ取得部と、前記ユーザの頭蓋外部から取得された第一学習データを、脳内の脳活動のデータに変換し、第二学習データを取得する第二学習データ取得部と、前記第二学習データから、１以上の特徴量である学習特徴量群を取得する学習特徴量群取得部と、前記第二学習特徴量群と、前記一の意図を識別する意図識別子とを有する意図判別情報を、前記記憶媒体に蓄積する意図判別情報蓄積部として、さらに機能させることは好適である。
【０１１４】
また、上記プログラムにおいて、前記第二脳活動データ取得部は、前記第一脳活動データに対して、階層変分ベイズ法を用いて第二脳活動データを取得するものとして、コンピュータを機能させることは好適である。
【０１１５】
また、上記プログラムにおいて、前記意図識別子取得部は、前記意図判別情報格納部の２以上の意図判別情報を用いて、前記特徴量群取得部が取得した入力特徴量群が、前記２以上の意図判別情報に含まれる２以上の意図識別子の各々に対応する確率を、前記２以上の意図識別子ごとに算出する確率算出手段と、前記確率算出手段が算出した意図識別子ごとの確率から、最も大きい確率に対応する意図識別子を取得する意図識別子取得手段とを具備するものとして、コンピュータを機能させることは好適である。
【０１１６】
（実施の形態２）
【０１１７】
本実施の形態において、頭蓋外部から取得した第一脳活動データを脳内上の第二脳活動データに変換し、当該第二脳活動データを用いて、意図検出を行う脳情報出力装置ついて説明する。
【０１１８】
そして、特に、本実施の形態において、複数の脳活動計測装置によって得られた複数の脳活動データから、ユーザの意図を決定する脳情報出力装置について説明する。
【０１１９】
また、本実施の形態において、１以上のセンサを有し、複数のトライアルにより複数の学習データを取得した場合、不適切な学習データを除去し、適切な学習データのみで、意図検出を行う脳情報出力装置について説明する。
【０１２０】
本実施の形態におけるロボットシステム２の概念図は、図１と同様である。ロボットシステム２は、脳情報出力装置２１、ロボット１２を具備する。図１０は、本実施の形態におけるロボットシステム２のブロック図である。ロボットシステム２を構成する脳情報出力装置２１は、意図判別情報格納部１０１１、第一学習データ取得部１０１２、異常データ除去部１０１１、第二学習データ取得部１０１３、学習特徴量群取得部１０１４、意図判別情報蓄積部１０１５、第一脳活動データ取得部１０１６、第二脳活動データ取得部１０１７、特徴量群取得部１０１８、意図識別子取得部１０１９、意図識別子出力部１２０を具備する。
【０１２１】
異常データ除去部１０１１は、異常トライアル除去手段１０１１１、異常センサ除去手段１０１１２を具備する。
【０１２２】
意図識別子取得部１０１９は、確率算出手段１０１９１、意図識別子取得手段１０１９２を具備する。
【０１２３】
意図判別情報格納部１０１１は、２種類以上の意図判別情報を格納し得る。２種類以上の意図判別情報とは、２種類以上の第一学習データから取得された２種類以上の学習特徴量群（後述する正常学習特徴量群）を含む。意図判別情報は、意図識別子と学習特徴量群とを対に有する情報である。意図判別情報格納部１０１１は、不揮発性の記録媒体が好適であるが、揮発性の記録媒体でも実現可能である。なお、２種類以上の学習データとは、例えば、ＮＩＲＳデータと脳波データである。
【０１２４】
第一学習データ取得部１０１２は、ユーザの頭蓋外部から、少なくとも２種類の第一学習データを取得する。２種類とは、例えば、２種類の異なる脳活動データであり、例えば、ＮＩＲＳデータと脳波データである。また、第一学習データ取得部１０１２は、３種類以上の脳活動データを取得しても良い。第一学習データ取得部１０１２は、例えば、近赤外線光計測装置と脳波計測装置である。近赤外線光計測装置とは、近赤外光を用いて頭皮上から非侵襲的に脳機能マッピングする、「光機能画像法」の原理を応用した装置である。また、脳波計測装置は、脳波を計測する装置である。脳波を計測する機能を有する装置として、例えば、ＢｉｏＳｅｍｉ社の装置（ＡｃｔｉｖｅＴｗｏシステム）等が存在する。また、第一学習データ取得部１０１２は、例えば、機能的ＭＲＩ（fMRI: functional Magnetic Resonance Imaging）や、ＰＥＴ(Positron Emission Tomography)などでも良い。
【０１２５】
異常データ除去部１０１１は、第一学習データから１以上の各部分学習データを取得し、当該各部分学習データの特性値を取得し、当該特性値を用いて、各部分学習データが正常であるか異常であるかを判断し、異常であると判断した部分学習データを、学習データから除き、正常学習データを取得する。特性値とは、部分学習データの値そのものでも良いし、平均値や標準偏差などでも良い。なお、正常学習データは、ユーザの頭蓋外部から取得されたデータそのままである。異常データ除去部１０１１は、２種類以上の第一学習データのそれぞれから、正常学習データを取得する。つまり、異常データ除去部１０１１は、２種類以上の正常学習データを取得する。
【０１２６】
また、特性値とは、例えば、学習データを構成する全データの平均値と標準偏差、または学習データを構成する全データの微分値の平均値と標準偏差のいずれか、または両方を用いて、一定以上のずれを有すると判断したセンサのデータの数である。
【０１２７】
また、特性値とは、例えば、学習データを構成する全データの平均値と標準偏差、または前記学習データを構成する全データの微分値の平均値と標準偏差のいずれか、または両方を用いて、一定以上のずれを有すると判断したトライアルの数である。
【０１２８】
また、異常データ除去部１０１１は、後述する異常トライアル除去手段１０１１１、異常センサ除去手段１０１１２の両方を有することが好適であるが、その一方を有しても良い。また、異常データ除去部１０１１は、異常トライアル除去手段１０１１１、異常センサ除去手段１０１１２の両方を有さず、学習データを構成する各データを検査し、例えば、学習データを構成する全データの平均値と標準偏差、または学習データを構成する全データの微分値の平均値と標準偏差のいずれか、または両方を用いて、一定以上のずれを有すると判断したデータを個別に除去しても良い。
【０１２９】
異常データ除去部１０１１は、通常、ＭＰＵやメモリ等から実現され得る。異常データ除去部１０１１の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【０１３０】
異常トライアル除去手段１０１１１は、トライアルごとの部分学習データの特性値を取得し、当該特性値を用いて、部分学習データが正常であるか異常であるかを判断し、異常であると判断した部分学習データ（トライアルを構成するデータ全部）を、学習データから除き、正常学習データを取得する。なお、ここで取得された正常学習データから、さらに不適切なデータを除き、最終的な正常学習データが取得される場合もあり得る。
【０１３１】
異常トライアル除去手段１０１１１は、トライアルごとの部分学習データの特性値から、部分学習データが、他のデータと比較して、一定以上のずれを有すると判断した場合、当該部分学習データを、学習データから除き、正常学習データを取得することは好適である。
【０１３２】
さらに具体的には、異常トライアル除去手段１０１１１は、部分学習データを構成する各センサのデータのうち、予め決められた以上の数のセンサのデータが、一定以上のずれを有すると判断した場合に、当該部分学習データを、学習データから除き、正常学習データを取得することは好適である。部分学習データを構成する各センサのデータが一定以上のずれを有するか否かは、学習データを構成する全データの平均値と標準偏差、または学習データを構成する全データの微分値の平均値と標準偏差のいずれか、または両方を用いて判断される。また、上記で除去される部分学習データは、異常であると判断されたトライアルの全データである。
【０１３３】
異常トライアル除去手段１０１１１は、通常、ＭＰＵやメモリ等から実現され得る。異常トライアル除去手段１０１１１の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【０１３４】
異常センサ除去手段１０１１２は、センサごとの部分学習データの特性値を取得し、当該特性値を用いて、部分学習データが正常であるか異常であるかを判断し、異常であると判断した部分学習データを、学習データから除き、正常学習データを取得する。
【０１３５】
異常センサ除去手段１０１１２は、センサごとの部分学習データの特性値から、部分学習データが、他のデータと比較して、一定以上のずれを有すると判断した場合、当該部分学習データを、学習データから除き、正常学習データを取得する。
【０１３６】
さらに具体的には、異常センサ除去手段１０１１２は、部分学習データを構成する各トライアルのデータのうち、予め決められた以上の数のトライアルのデータが、一定以上のずれを有すると判断した場合に、当該部分学習データを、学習データから除き、正常学習データを取得する。部分学習データを構成する各トライアルのデータが一定以上のずれを有するか否かは、学習データを構成する全データの平均値と標準偏差、または学習データを構成する全データの微分値の平均値と標準偏差のいずれか、または両方を用いて判断される。また、上記で除去される部分学習データは、異常であると判断されたセンサの全データを除去である。
【０１３７】
異常センサ除去手段１０１１２は、通常、ＭＰＵやメモリ等から実現され得る。異常センサ除去手段１０１１２の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【０１３８】
第二学習データ取得部１０１３は、ユーザの頭蓋外部から取得され、異常データ除去部１０１１がデータを除いて残ったデータである正常学習データを、脳内の脳活動のデータに変換し、第二学習データを取得する。第二学習データ取得部１０１３は、２種類以上の正常学習データを、それぞれ２種類の第二学習データに変換しても良い。第二学習データ取得部１０１３は、２種類以上の各正常学習データに対して、階層変分ベイズ法を用いて２種類以上の第二学習データを取得する。第二学習データ取得部１０１３が、一つの正常学習データに対して、第二学習データを取得する処理は、第二学習データ取得部１１３と同じである。
【０１３９】
第二学習データ取得部１０１３は、通常、ＭＰＵやメモリ等から実現され得る。第二学習データ取得部１０１３の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【０１４０】
学習特徴量群取得部１０１４は、第二学習データ取得部１０１３が取得した２種類以上の第二学習データのぞれぞれから、１以上の特徴量である２種類以上の学習特徴量群を取得する。学習特徴量群取得部１０１４は、第二学習データに対して信号処理し、１以上の特徴量である学習特徴量群を取得する。ここで、信号処理は、例えば、バイアス補正、ベースライン補正、トレンド除去、平均値計算、ハイパスフィルターによる処理、ローパスフィルターによる処理、FFTによる処理、PCAによる処理、ICAによる処理、Phase Locking 値の算出、移動平均の算出、センサ選択、時間選択、リファレンス補正、ダウンサンプリング、アップサンプリング、パワー計算、包絡線計算（ヒルベルト変換）、空間フィルターによる処理、逆問題フィルターによる処理、などである。そして、特徴量とは、例えば、上記の信号処理により、算出されるデータであり、例えば、平均値、分散、Phase Locking 値などである。なお、学習特徴量群を構成する特徴量は、第二学習データの特性を示すデータであれば、何でも良い。また、学習特徴量群取得部１０１４が行う信号処理の数は、複数でも良い。また、上記の各種の信号処理の例は、公知技術であるので詳細な説明を省略する。
【０１４１】
学習特徴量群取得部１０１４は、通常、ＭＰＵやメモリ等から実現され得る。学習特徴量群取得部１０１４の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【０１４２】
意図判別情報蓄積部１０１５は、正常学習特徴量群と、一の意図を識別する意図識別子とを有する意図判別情報を、意図判別情報格納部１０１１に蓄積する。意図判別情報蓄積部１０１５は、通常、少なくとも、すべての意図識別子に対応する意図判別情報を意図判別情報格納部１０１１に蓄積する。意図判別情報蓄積部１０１５は、２種類以上の意図判別情報を、意図判別情報格納部１０１１に蓄積する。
【０１４３】
意図判別情報蓄積部１０１５は、通常、ＭＰＵやメモリ等から実現され得る。意図判別情報蓄積部１０１５の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【０１４４】
第一脳活動データ取得部１０１６は、ユーザの頭蓋外部から、２種類以上の第一脳活動データを取得する。第一脳活動データは、例えば、ＮＩＲＳ（近赤外分光分析）、ｆＭＲＩ（機能的ＭＲＩ）、ＭＥＧ（脳磁計）、ＥＥＧ（脳波計）により取得されるデータのうちの２種類以上のデータである。第一脳活動データは正常学習データと同じ種類のデータである。
【０１４５】
第一脳活動データ取得部１０１６は、例えば、近赤外線光計測装置、および脳波計測装置である。また、第一脳活動データ取得部１０１６は、機能的ＭＲＩ（fMRI: functional Magnetic Resonance Imaging）、またはＰＥＴ(Positron Emission Tomography)なども有しても良い。第一脳活動データ取得部１０１６は、通常、第一学習データ取得部１０１２と同じである。
【０１４６】
第二脳活動データ取得部１０１７は、ユーザの頭蓋外部から取得された、２種類以上の第一脳活動データを、それぞれ、脳内の脳活動データに変換し、２種類以上の第二脳活動データを取得する。
【０１４７】
さらに具体的には、例えば、第二脳活動データ取得部１１７は、上記の数式１、数式２を用いて、２種類以上の第一脳活動データを、それぞれ変換し、２種類以上の第二脳活動データを得る。
【０１４８】
第二脳活動データ取得部１０１７は、通常、ＭＰＵやメモリ等から実現され得る。第二脳活動データ取得部１０１７の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【０１４９】
特徴量群取得部１０１８は、２種類以上の第二脳活動データ、ぞれぞれに対して信号処理し、１以上の特徴量である入力特徴量群を取得する。ここで、取得される入力特徴量群も２種類以上である。信号処理の方法は、上述した通りである。
【０１５０】
特徴量群取得部１０１８は、通常、ＭＰＵやメモリ等から実現され得る。特徴量群取得部１０１８の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【０１５１】
意図識別子取得部１０１９は、入力特徴量群に対応する意図識別子を、意図判別情報格納部１０１１に格納されている２以上の意図判別情報から取得する。意図識別子取得部１０１９が意図識別子を取得するアルゴリズムは問わない。意図識別子取得部１０１９は、例えば、入力特徴量群と、意図判別情報が有する学習特徴量群との距離を、意図識別子ごとに算出する。そして、意図識別子取得部１０１９は、距離が最も小さい学習特徴量群に対応する意図識別子を取得しても良い。また、意図識別子取得部１０１９は、２以上の意図判別情報を学習データとして、入力特徴量群を入力データとして、機械学習のアルゴリズムにより、意図識別子を取得することは好適である。意図識別子取得部１０１９は、例えば、Sparse Logistic Regressionと呼ばれる弁別器である。Sparse Logistic Regressionは、ＵＲＬ「https://www.autonlab.org/autonweb/10400.html」に記載されている公知の技術である。また、機械学習のアルゴリズムは問わない。意図識別子取得部１０１９は、例えば、ＳＶＭ（２つの分別の場合）、ＳＶＲ、決定木などの機械学習器などでも良い。意図識別子取得部１０１９における意図識別子の取得アルゴリズムは問わない。
【０１５２】
意図識別子取得部１０１９は、２種類以上の第二脳活動データのそれぞれを用いて、意図識別子を取得することは好適である。意図識別子取得部１０１９は、確率算出手段１０１９１、および意図識別子取得手段１０１９２により、意図識別子を取得することは好適である。
【０１５３】
意図識別子取得部１０１９は、通常、ＭＰＵやメモリ等から実現され得る。意図識別子取得部１０１９の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【０１５４】
確率算出手段１０１９１は、意図判別情報が有する学習特徴量群の種類ごとに、および意図識別子ごとに、対応する入力特徴量群の確率を算出する。例えば、第一脳活動データ取得部１０１６が近赤外線光計測装置および脳波計測装置である場合を考える。また、意図識別子は、左手「Ｌｅｆｔ」、右手「Ｒｉｇｈｔ」、舌「Ｔｏｎｇｕｅ」、足「Ｆｏｏｔ」の４種類である、とする。
【０１５５】
かかる場合、確率算出手段１０１９１は、ＮＩＲＳデータから取得された確率であり、意図識別子「Ｌｅｆｔ」である確率（ＰＮＩＲＳＬｅｆｔ）、ＮＩＲＳデータから取得された確率であり、意図識別子「Ｒｉｇｈｔ」である確率（ＰＮＩＲＳＲｉｇｈｔ）、ＮＩＲＳデータから取得された確率であり、意図識別子「Ｔｏｎｇｕｅ」である確率（ＰＮＩＲＳＴｏｎｇｕｅ）、ＮＩＲＳデータから取得された確率であり、意図識別子「Ｆｏｏｔ」である確率（ＰＮＩＲＳＦｏｏｔ）、脳波データから取得された確率であり、意図識別子「Ｌｅｆｔ」である確率（ＰＥＥＧＬｅｆｔ）、脳波データから取得された確率であり、意図識別子「Ｒｉｇｈｔ」である確率（ＰＥＥＧＲｉｇｈｔ）、脳波データから取得された確率であり、意図識別子「Ｔｏｎｇｕｅ」である確率（ＰＥＥＧＴｏｎｇｕｅ）、脳波データから取得された確率であり、意図識別子「Ｆｏｏｔ」である確率（ＰＥＥＧＦｏｏｔ）の８つの確率を取得する。確率算出手段１０１９１の確率算出方法は、例えば、確率算出手段１１９１と同じである。
【０１５６】
そして、次に、確率算出手段１０１９１は、数式１０を用いて、上記の８つの確率（２種類のデータから取得された意図識別子ごとの確率）を統合して、意図識別子ごとの最終的な確率を算出する。Ｐｔｏｔａｌｔｅｘｔが最終的な確率である。Ｐｔｏｔａｌｔｅｘｔは、意図識別子ＴＥＸＴ（Ｌｅｆｔ、Ｒｉｇｈｔ、Ｔｏｎｇｕｅ、またはＦｏｏｔ）の最終的な確率である。なお、確率算出手段１０１９１は、数式１０の情報を予め保持している。
【数１０】
【０１５７】
なお、数式１０において、ｗは重みを示す重みパラメータである。「ｗ＝１」の場合、第一確率（脳波データから取得された確率）も第二確率（ＮＩＲＳデータから取得された確率）も同じ重みで扱うことを示す。「ｗ＝２」の場合、第一確率より第二確率の方に重きを置いて扱うことを示す。
【０１５８】
また、数式１０において、ｉは、意図識別子「Ｌｅｆｔ、Ｒｉｇｈｔ、Ｔｏｎｇｕｅ、Ｆｏｏｔ」のいずれかである。さらに、ＰＮＩＲＳｉは近赤外線光計測装置（ＮＩＲＳデータ）から得られる確率、ＰＥＥＧｉは、脳波計測装置（脳波データ）から得られる確率である。
【０１５９】
また、確率算出手段１０１９１は、脳活動データの種類ごと（例えば、ＮＩＲＳデータや脳波データなどごと）に、それぞれ得意とする意図（例えば、ＮＩＲＳデータが左手「Ｌｅｆｔ」、右手「Ｒｉｇｈｔ」、脳波データが左手「Ｔｏｎｇｕｅ」、右手「Ｆｏｏｔ」）のみを使って、意図識別子ごとの最終的な確率を取得しても良い。かかる場合、確率算出手段１０１９１は、脳活動データの種類を識別する情報と、得意とする意図を識別する意図識別子を対応付けて保持している。
【０１６０】
確率算出手段１０１９１は、通常、ＭＰＵやメモリ等から実現され得る。確率算出手段１０１９１の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【０１６１】
意図識別子取得手段１０１９２は、意図識別子ごとの最終的な確率から、最も大きい確率に対応する意図識別子を取得する。意図識別子取得手段１０１９２は、通常、一の意図識別子のみを取得する。意図識別子取得手段１０１９２は、通常、ＭＰＵやメモリ等から実現され得る。意図識別子取得手段１０１９２の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【０１６２】
次に、ロボットシステム２の動作について説明する。まず、脳情報出力装置２１の動作について説明する。図１１は、脳情報出力装置２１が学習データを取得する動作を説明するフローチャートである。学習データとは、ここでは、意図判別情報である。なお、図１１のフローチャートにおいて、学習データの種類は、３以上でも対応可能なフローを示している。
【０１６３】
（ステップＳ１１０１）第一学習データ取得部１０１２は、第一学習データを取得するか否かを判断する。第一学習データを取得するのであればステップＳ１１０２に行き、第一学習データを取得しないのであればステップＳ１１０４に行く。なお、例えば、第一学習データを取得するために、図示しない出力手段が、ユーザに対して、意図に対応する動作（思考、想像なども含む）を行うことを示す指示を出力する。そして、かかる指示が出力された後、所定期間（例えば、１０秒など）、第一学習データ取得部１１２は、第一学習データを取得する、と判断する。また、意図に対応する動作を行うことを示す指示とは、「右手を１０秒間、振ってください。」「１５秒間、足をばたつかせてください。」などの情報である。
【０１６４】
（ステップＳ１１０２）第一学習データ取得部１０１２は、ユーザの頭蓋外部から、すべての種類の第一学習データを取得する。
【０１６５】
（ステップＳ１１０３）第一学習データ取得部１０１２は、ステップＳ１１０２で取得したすべての種類の第一学習データを、記録媒体に、少なくとも一時的に蓄積する。なお、第一学習データ取得部１０１２は、通常、意図を識別する意図識別子と対にして、各種類の第一学習データを蓄積する。ステップＳ１１０１に戻る。
【０１６６】
（ステップＳ１１０４）第一学習データ取得部１１２は、第一学習データを取得する処理を終了するか否かを判断する。終了する場合はステップＳ１１０５に行き、終了しない場合はステップＳ１１０１に戻る。なお、第一学習データ取得部１１２は、例えば、すべての意図識別子に対応する第一学習データを取得した場合、第一学習データの取得処理を終了すると判断する。
【０１６７】
（ステップＳ１１０５）異常データ除去部１０１１は、カウンタｉに１を代入する。
【０１６８】
（ステップＳ１１０６）異常データ除去部１０１１は、ｉ番目の種類の第一学習データが存在するか否かを判断する。ｉ番目の種類の第一学習データが存在すればステップＳ１１０７に行き、ｉ番目の種類の第一学習データが存在しなければ上位処理にリターンする。
【０１６９】
（ステップＳ１１０７）異常データ除去部１０１１は、ｉ番目の種類の第一学習データに対して、異常データ除去処理を行う。そして、異常データ除去部１０１１は、ｉ番目の種類の正常学習データを取得する。異常データ除去処理について、図１２のフローチャートを用いて説明する。
【０１７０】
（ステップＳ１１０８）第二学習データ取得部１０１３は、ｉ番目の種類の正常学習データに対して、変換処理を行い、第二学習データを取得する。変換処理とは、ユーザの頭蓋外部から取得された正常学習データを、脳内の脳活動のデータである第二学習データに変換する処理である。変換処理の例について、図６のフローチャートを用いて説明した。
【０１７１】
（ステップＳ１１０９）第二学習データ取得部１０１３は、ステップＳ１１０８で取得した第二学習データを、記録媒体に、少なくとも一時蓄積する。
【０１７２】
（ステップＳ１１１０）学習特徴量群取得部１０１４は、ステップＳ１１０９で蓄積された第二学習データから、１以上の特徴量である学習特徴量群を取得する。
【０１７３】
（ステップＳ１１１１）意図判別情報蓄積部１０１５は、学習特徴量群取得部１０１４が取得した学習特徴量群と、一の意図を識別する意図識別子とを有する意図判別情報とから、意図判別情報を構成する。なお、通常、意図識別子は、第一学習データまたは正常学習データまたは第二学習データと対応付けて管理されている。
【０１７４】
（ステップＳ１１１２）意図判別情報蓄積部１０１５は、ステップＳ１１０８で構成した意図判別情報を、意図判別情報格納部１０１１に蓄積する。処理を終了する。
【０１７５】
（ステップＳ１１１３）異常データ除去部１０１１は、カウンタｉを１、インクリメントする。ステップＳ１１０６に戻る。
【０１７６】
次に、ステップＳ１１０７の異常データ除去処理について、図１２のフローチャートを用いて説明する。
【０１７７】
（ステップＳ１２０１）異常データ除去部１０１１は、カウンタｉに１を代入する。
【０１７８】
（ステップＳ１２０２）異常データ除去部１０１１は、ｉ番目のセンサが存在するか否かを判断する。ｉ番目のセンサが存在すればステップＳ１２０３に行き、ｉ番目のセンサが存在しなければステップＳ１２１０に行く。
【０１７９】
（ステップＳ１２０３）異常データ除去部１０１１は、ｉ番目のセンサが取得した全トライアルの全データの平均値、および標準偏差を取得する。なお、かかる場合、異常データ除去部１０１１は、ｉ番目のセンサについての、全時系列データでの平均値を基準点として定め、基準補正を行なうことは好適である。また、補正後波形から１サンプルごとに振幅の絶対値を取り、値の大きいものからｘ％（例えば、「ｘ＝５」）のサンプルは信頼区間から外れて発生したものと仮定して破棄することは好適である。
【０１８０】
（ステップＳ１２０４）異常データ除去部１０１１は、カウンタｊに１を代入する。
【０１８１】
（ステップＳ１２０５）異常データ除去部１０１１は、ｊ番目のトライアルが存在するか否かを判断する。ｊ番目のトライアルが存在すればステップＳ１２０６に行き、ｊ番目のトライアルが存在しなければステップＳ１２０９に行く。
【０１８２】
（ステップＳ１２０６）異常データ除去部１０１１は、ｉ番目のセンサのｊ番目のトライアルの全サンプル（全データ）を取得する。
【０１８３】
（ステップＳ１２０７）異常データ除去部１０１１は、ステップＳ１２０６で取得された各サンプル（データ）に対して、一定以上のずれが存在するか否かを判断する。そして、異常データ除去部１０１１は、一定以上のずれが存在するサンプルに対しては、不適切データとして登録する。なお、異常データ除去部１０１１は、例えば、１サンプルごとに、絶対値が標準偏差の何倍であるかを調べる。そして、異常データ除去部１０１１は、例えば、絶対値が標準偏差の９倍以上のサンプルを不適切データと判断する。
【０１８４】
（ステップＳ１２０８）異常データ除去部１０１１は、カウンタｊを１、インクリメントする。ステップＳ１２０５に戻る。
【０１８５】
（ステップＳ１２０９）異常データ除去部１０１１は、カウンタｉを１、インクリメントする。ステップＳ１２０２に戻る。
【０１８６】
（ステップＳ１２１０）異常センサ除去手段１０１１２は、カウンタｉに１を代入する。
【０１８７】
（ステップＳ１２１１）異常センサ除去手段１０１１２は、ｉ番目のセンサが存在するか否かを判断する。ｉ番目のセンサが存在すればステップＳ１２１１に行き、ｉ番目のセンサが存在しなければステップＳ１２１６に行く。
【０１８８】
（ステップＳ１２１２）異常センサ除去手段１０１１２は、ｉ番目のセンサが取得したデータの中で、不適切なデータの数を取得する。
【０１８９】
（ステップＳ１２１３）異常センサ除去手段１０１１２は、ステップＳ１２１２で算出した不適切なデータの数が、予め決められた数（割合でも良い）以上であるか否かを判断する。予め決められた数以上であればステップＳ１２１４に行き、予め決められた数以上でなければステップＳ１２１６に行く。
【０１９０】
（ステップＳ１２１４）異常センサ除去手段１０１１２は、ｉ番目のセンサはＢａｄ Ｓｅｎｓｏｒであるとし、ｉ番目のセンサが取得したデータを消去する。
【０１９１】
（ステップＳ１２１５）異常センサ除去手段１０１１２は、カウンタｉを１、インクリメントする。ステップＳ１２１１に戻る。
【０１９２】
（ステップＳ１２１６）異常トライアル除去手段１０１１１は、カウンタｊに１を代入する。
【０１９３】
（ステップＳ１２１７）異常トライアル除去手段１０１１１は、ｊ番目のトライアルが存在するか否かを判断する。ｊ番目のトライアルが存在すればステップＳ１２１８に行き、ｊ番目のトライアルが存在しなければ上位処理にリターンする。
【０１９４】
（ステップＳ１２１８）異常トライアル除去手段１０１１１は、ｊ番目のトライアルに含まれるデータの中で、不適切なデータの数を取得する。
【０１９５】
（ステップＳ１２１９）異常トライアル除去手段１０１１１は、ステップＳ１２１８で算出した不適切なデータの数が、予め決められた数（割合でも良い）以上であるか否かを判断する。予め決められた数以上であればステップＳ１２２０に行き、予め決められた数以上でなければステップＳ１２２１に行く
【０１９６】
（ステップＳ１２２０）異常トライアル除去手段１０１１１は、ｊ番目のトライアルはＢａｄ Ｔｒｉａｌであるとし、ｊ番目のトライアルの際に取得されたデータを消去する。
【０１９７】
（ステップＳ１２２１）異常トライアル除去手段１０１１１は、カウンタｊを１、インクリメントする。ステップＳ１２１７に戻る。
【０１９８】
なお、図１２のフローチャートにおいて、異常トライアル、および異常センサのデータを除去するアルゴリズムは、上記に限られない。
【０１９９】
また、図１２のフローチャートにおいて、異常トライアルの除去のみ、異常センサの除去のみでも良い。
【０２００】
さらに、図１２のフローチャートにおいて、異常トライアルの除去と異常センサの除去の順序は問わない。
【０２０１】
次に、脳情報出力装置２１が、２以上の意図判別情報を用いて、意図識別子を取得する動作を、図１３のフローチャートを用いて説明する。
【０２０２】
（ステップＳ１３０１）第一脳活動データ取得部１０１６は、第一脳活動データを取得したか否かを判断する。脳活動データを取得すればステップＳ１３０２に行き、脳活動データを取得しなければステップＳ１３０１に戻る。
【０２０３】
（ステップＳ１３０２）第一脳活動データ取得部１０１６は、ステップＳ１３０１で取得した第一脳活動データを、少なくとも一時、記録媒体に蓄積する。
【０２０４】
（ステップＳ１３０３）第一脳活動データ取得部１０１６は、すべての種類の脳活動データを取得できたか否かを判断する。すべての種類の脳活動データを取得できていればステップＳ１３０４に行き、取得できていなければステップＳ１３０１に戻る。なお、第一脳活動データ取得部１０１６は、取得するべき、すべての種類の脳活動データを識別する情報（例えば、「ＮＩＲＳ」「ＥＥＧ」など）を保持している。
【０２０５】
（ステップＳ１３０４）第二脳活動データ取得部１０１７は、カウンタｉに１を代入する。
【０２０６】
（ステップＳ１３０５）第二脳活動データ取得部１０１７は、ステップＳ１３０２で蓄積された第一脳活動データのうち、ｉ番目の種類の第一脳活動データが存在するか否かを判断する。ｉ番目の種類の第一脳活動データが存在すればステップＳ１３０６に行き、ｉ番目の種類の第一脳活動データが存在しなければステップＳ１３１０に行く。
【０２０７】
（ステップＳ１３０６）第二脳活動データ取得部１０１７は、ｉ番目の種類の第一脳活動データを変換し、ｉ番目の種類の第二脳活動データを得る。かかる変換処理については、図６のフローチャートを用いて説明した。なお、ここで変換処理を行う対象の第一脳活動データは、すべての種類の第一脳活動データでなく、例えば、一つの種類の第一脳活動データ（例えば、脳波データ）だけでも良い。
【０２０８】
（ステップＳ１３０７）特徴量群取得部１０１８は、ｉ番目の種類の第二脳活動データから、ｉ番目の特徴量群を取得する。
【０２０９】
（ステップＳ１３０８）確率算出手段１０１９１は、ｉ番目の意図判別情報（対応する意図判別情報格納部に存在する）を用いて、意図識別子ごとのｉ番目の確率を算出する。
【０２１０】
（ステップＳ１３０９）第二脳活動データ取得部１０１７は、カウンタｉを１、インクリメントする。ステップＳ１３０５に戻る。
【０２１１】
（ステップＳ１３１０）確率算出手段１０１９１は、意図識別子ごとに、１番目の確率（第一確率とも言う）から（ｉ−１）番目の確率（第（ｉ−１）確率とも言う）を用いて、最終的な確率を算出する。かかる算出式は、例えば、数式１０である。
【０２１２】
（ステップＳ１３１１）意図識別子取得手段１０１９２は、ステップＳ１３１０で算出した意図識別子ごとの最終的な確率から、最も大きい確率に対応する意図識別子を取得する。
【０２１３】
（ステップＳ１３１２）意図識別子出力部１２０は、ステップＳ１３１１で取得された意図識別子を出力する。処理を終了する。
【０２１４】
以下、本実施の形態におけるロボットシステム２の具体的な動作について説明する。ロボットシステム２の概念図は図１である。この具体的な動作は、一の実験に基づいている。また、ロボットシステム１の動作は、ロボットシステム２の動作に含まれる。
【０２１５】
今、脳情報出力装置１１は、いわゆる脳・機械インタフェース（左手・右手の実運動）として機能する電子機器である。そして、脳情報出力装置１１から出力される意図識別子は、ロボット１２に送付され、ロボット１２は意図識別子に対応した動作を行う、とする。
【０２１６】
そして、この実験には成人男性２名（Ｓｕｂｊｅｃｔ１、およびＳｕｂｊｅｃｔ２）が参加した。Ｓｕｂｊｅｃｔ１はＢＭＩの慣れている被験者である。また、もう一人のＳｕｂｊｅｃｔ２は、今までに本格的なＢＭＩ実験は体験したことのない被験者である。それぞれの被験者には左手（ＬＥＦＴ ＨＡＮＤ）・右手（ＲＩＧＨＴ ＨＡＮＤ）・舌（ＴＯＮＧＵＥ）・足（ＦＯＯＴ）の４つにそれぞれ関連する運動イメージをしてもらい、その際の脳波と脳血流量変化を脳波計・ＮＩＲＳ計測装置の同時計測によって計測を行う、とする。本実験ではＥＥＧからの電流源の推定に焦点を当て、ＮＩＲＳに対する解析は行わない、とする。つまり、ＮＩＲＳデータに対して、第二学習データ取得部１０１３、および第二脳活動データ取得部１０１７の変換処理は行わない。また、第一学習データ取得部１０１２、および第一脳活動データ取得部１０１６は、脳波計、およびＮＩＲＳ計測装置である。さらに、意図識別子は、右手・左手・舌・足の４つである。
【０２１７】
ここで、それぞれの被験者が行うタスクを、図１４に示す。
【０２１８】
脳波計はＢｉｏｓｅｍｉ社の高性能デジタルＥＥＧ、ＡｃｔｉｖｅＴｗｏシステムを使用し、６４チャンネルで２５６Ｈｚのサンプリングで計測する。ただし、電流源推定にはＥＥＧの正確な計測位置が必要となるため、実験日ごとにＰＯＬＨＥＭＵＳ社製のＦａｓｔＳＣＡＮとＭＲＩによる構造画像を合わせることで、センサと大脳皮質との位置関係の情報を得られるようにした。
【０２１９】
脳血流量変化の計測には、島津製作所製のＮＩＲＳ計測装置、研究用光脳機能イメージング装置ＦＯＩＲＥ−３０００を使用し、頭頂を中心に４８チャンネルセンサを用いて７．７ＨｚのサンプリングレートでＯｘｙ−Ｈｂ（酸素化ヘモグロビン）の変化量を記録した。
【０２２０】
また、脳波と脳血流量変化の同時計測を行うために島津製作所製の同時計測キャップを用いた。
【０２２１】
そして、被験者はスクリーンに向かって座り、リラックスした状態で実験は行う。指示はスクリーンとスピーカから与えられ、１０秒間のレストの後、ビープ音と同時にタスクの指示を行い、その２秒後にイメージを開始してもらい、イメージは１０秒間、一定のリズムで継続して行なってもらう。この指示の際には、レスト時はスクリーンには格子点を、タスク指示には上下左右方向の矢印を、タスク時には注視点をそれぞれ提示した。このレスト、指示、タスクの流れを各タスク７回ずつの合計２８回で１ｒｕｎとし、１Ｓｅｓｓｉｏｎ＝５ｒｕｎとしてＳｅｓｓｉｏｎごとに３０分ほどの休憩を挟んだ。ただし、計測準備等の理由から１ｒｕｎごとにも実質１分ほどの休憩を挟んでいる。１日で合計３Ｓｅｓｓｉｏｎ、各タスク１０５回ずつ、合計４２０回分のトライアルデータを計測した。ここまでの実験の流れは、図１５に示すとおりである。
【０２２２】
脳の機能局在論を考慮すると、活動領域を含めた情報が脳活動の弁別性能の向上に繋がることが期待される。そこで、頭皮上で計測される情報から脳表上（脳内）での活動を推定するために、前述の階層変分ベイズ法を適用し、脳活動の弁別性能向上につなげることとした。階層変分ベイズ法に関しては、前述の数式１から数式９の通りである。
【０２２３】
前述の数式１において、脳波（ＥＥＧ）のセンサは６４からせいぜい１２８程度である。すなわち、数式１において観測される電場Ｅは（６４×１）から（１２８×１）程度のベクトルとなる。しかし、脳内電流分布の点数は数万点を想定しており、すなわち、数式１において脳内電流Ｊは（数万×１）程度のベクトルとなり、解析的に数式１を解くことは一般的に不可能であり、不良設定問題と呼ばれる。それに対して、階層変分ベイズ法をつかって、電流分布Ｊの推定の後、電流分散αの推定を行い、求まった電流分散αから再び電流分布Ｊを推定するように、電流分布と電流分散の推定を交互におこなうことで、適切なＪとαを求める。
【０２２４】
また、電流分散の推定の際は、「ｆＭＲＩによる活動情報」「脳が局所的に活動しがちな点から、物理的に近い双極子間での電流強度の相関が大きい」「脳の裏側への推定は行なわない」といった情報をα−１に対する事前確率として与えることで、これらの双極子での電流強度を０にする確率を高めておき、α−１の値が大きくなった電流源に対しては、適宜スパース化を行っている。本実験では、その結果、数万点の電流源から２２３３点にまでスパース化した電流源に対して推定電流を求めている。なお、事前確率にｆＭＲＩの活動情報が含まれているが、仮に誤ったｆＭＲＩの情報を含んでいても観測データによって適切な電流源の推定ができる。
【０２２５】
被験者のうち１名（以降、Ｓｕｂｊｅｃｔ１）は１０月から１２月にかけて９実験日分、もう一人（以降、Ｓｕｂｊｅｃｔ２）に関しては１２月以降の４実験日分を解析に用いた。Ｓｕｂｊｅｃｔ１の解析には１１月までに行なわれた実験日のデータから特徴量の選択のための解析パラメータを決定し、Ｓｕｂｊｅｃｔ２に関しては、傾向からパラメータの選択をするだけのデータ数がないために、異常データ除去部１０１１が行う異常データ除去処理以外は、Ｓｕｂｊｅｃｔ１のパラメータを適用させることにした。
【０２２６】
また、電流源推定のための空間フィルターは実験日の１〜１０ｒｕｎ分を用いて計算し、１１〜１５ｒｕｎのテストに用いるデータも、１〜１０ｒｕｎのデータを基に作られた空間フィルターを用いて、脳表上の推定電流を計算した上で、学習と弁別を行った。ただし、電流源の推定の際は先述のとおり空間フィルターを求める際に脳波以外の信号が多く含まれると推定に悪影響を及ぼすことが考えられるため、ノイズやアーティファクトが含まれていると考えられるデータは予め破棄している。このデータを破棄する異常データ除去は、異常データ除去部１０１１は行う。
【０２２７】
ここで、異常データ除去部１０１１が行う、異常データ除去処理の概念を説明する（図１６）。まず、脳情報出力装置２１において、ユーザ（Ｓ１１）の脳活動データを、複数のセンサ（Ｓ１２）を具備した脳活動計測装置（Ｓ１３）で計測し、生の脳活動データ１（計測データ１）を得る。ここで、脳活動計測装置（Ｓ１３）は、第一学習データ取得部１０１２である。なお、計測データ１は、ある動作（例えば、体を動かしたり、想像したりなど）を一度行った際の一連のトライアルデータの複数から構成される。また、脳活動データ１（計測データ１）は、例えば、脳波データである。また、トライアルデータは、脳活動計測装置Ｓ１３に具備された複数センサ（Ｓ１２）からの時系列データで構成される。その脳活動データ１のうち、外部ノイズや異常なノイズが入っているセンサを異常センサ除去装置（Ｓ１４）で除去する。ここで、異常センサ除去装置（Ｓ１４）は、異常センサ除去手段１０１１２である。
【０２２８】
また、異常なノイズが複数入っているトライアルデータに関しては、異常トライアル除去装置（Ｓ１５）で除去する。ここで、異常トライアル除去装置（Ｓ１５）は、異常トライアル除去手段１０１１１である。
【０２２９】
異常センサ除去装置（Ｓ１４）と異常トライアル除去装置（Ｓ１５）によって、異常なデータが除去され、正常な脳活動データ（正常データ３）を得る。正常データ３とは、正常学習データである。
【０２３０】
脳情報出力装置２１において、正常データ３を意図検出用アルゴリズム（Ｓ１６）に入れることで、意図検出アルゴリズム内の各種パラメータ（Ｓ１７）を調整する。脳情報出力装置２１では、調整したパラメータ（Ｓ１７）と意図検出アルゴリズムＳ１６により非常に性能の高い脳・機械インタフェースを提供する。なお、意図検出アルゴリズムとは、意図識別子取得部１０１９に該当する。また、パラメータ（Ｓ１７）は、学習特徴量群に該当する。
【０２３１】
今、第一学習データ取得部１０１２は、複数のセンサを具備し、脳波データおよびＮＩＲＳデータを、ユーザの脳から取得する、とする。つまり、第一学習データ取得部１０１２は、脳波計測装置およびＮＩＲＳ計測装置である。ただし、ここでは、脳波データから、異常データを除去する処理について説明する。
【０２３２】
そして、第一学習データ取得部１０１２は、図１７に示す脳波データを取得した、とする。この脳波データは、６つのセンサから取得された脳波の時系列データである。そして、第一学習データ取得部１０１２は、取得した学習データ（図１７）を、記録媒体に一時的に蓄積する。
【０２３３】
次に、脳情報出力装置２１は、図１７の第一学習データから、異常データの除去処理を行う。つまり、異常データ除去部１０１１は、例えば、以下のステップ（（１）から（８））で、異常データの除去処理を行う。ここで、異常データ除去処理について、図１８の概念図を用いて説明する。
（１）異常データ除去部１０１１は、センサごとに、全時系列データを取得する。そして、異常データ除去部１０１１は、センサごとに、全時系列データの平均値と標準偏差σを算出する。ここで、全時系列データとは、全てのトライアルにまたがるデータのことを言う。
（２）異常データ除去部１０１１は、各センサと各トライアルデータ（図１８（ａ））に関して、その平均値を基準点として定め、脳波の時系列データに対して、基準補正を行い、全時系列データを２乗することで信号のパワーを計算する（図１８（ｂ））。取得されるデータは、（複数センサ×時系列×複数トライアル）の３次元データである。
（３）異常データ除去部１０１１は、前記の信号のパワーに対して分布を計算する。なお、この分布は一般的にはχ二乗分布に従う。そして、値の大きいものから５％のサンプルを破棄する（図１８（ｃ））。値の大きい５％のサンプルは、通常の状態でも起こりえるノイズと仮定して破棄したものである。
（４）異常データ除去部１０１１は、５％のサンプルを破棄し、残された各データの絶対値を用いて、最大のパワーＰ９５を求める。
（５）異常データ除去部１０１１は、各センサの各トライアルごとに、前記のＰ９５を前記の標準偏差σで割ったｍａｍｐを計算し、図１８（ｄ）のマトリクスを求める。
（６）異常データ除去部１０１１は、事前に与えられた異常データ除去用の定数ａと前記のマトリクスを比較し、ａよりも大きいｍａｍｐをチェックする。定数ａとしては、「９」が好適である。また、図１８（ｄ）において、マトリクス上に斜めの線が入ったデータが、不適切なデータとして除かれたサンプルである。
（７）異常データ除去部１０１１は、各センサに対してトライアル方向に対して不適切データがいくつあるかを数える。この数をｂｓｅｎｓｏｒとする。ここで、各センサに対してトライアル方向に対して数えるとは、図１８（ｄ）において、横方向に斜めの線が入っている不適切データがいくつあるかを各センサごとに数えることである。また、異常データ除去部１０１１は、各トライアルに対してセンサ方向に対して不適切データがいくつあるかを数えるｂｔｒｉａｌとする。ここで、各トライアルに対してセンサ方向に対して数えるとは、図１８（ｄ）において、縦方向に斜めの線が入っている不適切データがいくつあるかを各トライアルごとに数えることである。
（８）異常データ除去部１０１１は、事前に与えられた異常データ除去用の定数ｃｓｅｎｓｏｒと前記のｂｓｅｎｓｏｒを比較し、ｂｓｅｎｓｏｒがｃｓｅｎｓｏｒよりも大きい場合、そのセンサは異常があると判断し、異常センサとして、当該センサが取得したデータを除去する（「異常センサ除去」という）。ここで、事前に与える定数ｃｓｅｎｓｏｒは、全トライアル数の５％程度が好適である。また、異常データ除去部１１４は、事前に与えられた異常データ除去用の定数ｃｔｒｉａｌと前記のｂｔｒｉａｌを比較し、ｂｔｒｉａｌが ｃｔｒｉａｌよりも大きい場合、そのトライアルは異常があると判断し、異常トライアルとして、当該トライアルの際に取得されたデータを除去する（「異常トライアル除去」という）。ここで、事前に与える定数ｃｔｒｉａｌは、全センサ数の５％程度が好適である。
【０２３４】
なお、異常データ除去部１０１１は、異常センサ除去後にｂｔｒｉａｌを数えなおしたり、異常トライアル除去後にｂｓｅｎｓｏｒを数えなおしたりしても良い。その際、異常センサ除去と異常トライアル除去のどちらを先に行っても良いし、異常センサ除去と異常トライアル除去を複数回繰り返しても良い。
【０２３５】
以上の処理により、異常データ除去部１０１１は、学習データから異常なデータを除き、正常学習データを取得することができる。つまり、異常データ除去部１０１１は、１以上の各部分学習データ（一センサのサンプルの集合や、一トライアルのサンプルの集合）の特性値（標準偏差のｍａｍｐ倍を越えたサンプルの個数や、標準偏差のｍｄｉｆｆ倍（境界値）を越えたサンプルの個数など）を取得し、当該特性値を用いて、各部分学習データが正常であるか異常であるかを判断し、異常であると判断した部分学習データを、学習データから除き、正常学習データを取得できた。次に、異常データ除去部１０１１は、異常データ除去処理を行った結果である、正常学習データを一時蓄積する。
【０２３６】
また、本実験において、以下のように特徴量を決定した。つまり、本実験では６４ｃｈのＥＥＧから２２３３点の電流源での活動を推定した。また、弁別に用いる特徴量には、推定電流における周波数帯のパワーから学習・判別を行うことにした。しかし、仮に推定された電流源２２３３点と複数の周波数帯との組み合わせとなると、特徴量の数は膨大なものとなる。これだけの特徴量を全て用いて学習を行なってしまうと、弁別器にも依存するが、過学習による汎化性能の低下が起こる可能性があり、計算コストの観点からも実用は難しい。
【０２３７】
従って、これらの問題を防ぐためにも予め有効な特徴量だけを抽出する必要がある。本実験では、その特徴量の抽出方法として、まず多重検定を行い、タスク間で差の大きい電流源と周波数帯域を選んだ後、学習器には、上述した異常データ除去部１０１１（Ｓｐａｒｓｅ Ｌｏｇｉｓｔｉｃ Ｒｅｇｒｅｓｓｉｏｎ）を用いて、さらなる特徴量の絞込みを行なっている。
【０２３８】
特徴量は周波数成分のパワーを用いることにした。ただし、今回の実験デザインではイメージに対して明確なオンセット位置がわかないため、タスク中の全区間でのパワーの平均を用いた。
【０２３９】
次に多重検定の手順について述べる。多重検定を行うために、次の変数を定義した。
ｎ ：電流源の番号
Ｎ ：電流源の総数
ｌ ：タスクラベル番号
Ｌ ：タスクラベルの種類
ｆ ：周波数帯域［Ｈｚ］
ｍｌ ：タスクラベルｌの付けられたトライアル番号
Ｍｌ ：タスクラベルｌの付けられたトライアルの総数
【０２４０】
これらの変数から、Ｐ（ｆ，ｎ，ｌ，ｍｌ）を定義する。Ｐ（ｆ，ｎ，ｌ，ｍｌ）は、次の手順で求められる（図１９参照）。
（１）ｎ番目の電流源での推定電流に対して、タスクラベルｌ：ｌ∈｛１，２，３，４｝が付けられたｍｌ番目のタスク区間の信号を抽出する。
（２）抽出した信号に対して周波数変換を行い、パワーを計算する。
（３）その中のｆ［Ｈｚ］帯域のパワーをＰ（ｆ，ｎ，ｌ，ｍｌ）と定義する。
【０２４１】
こうして求まったＰ（ｆ，ｎ，ｌ，ｍｌ）に対して、次の手順で多重検定を行う。なお、この手順の概略図は図２０に示す。
（４）Ｐ（ｆ，ｎ，ｌ，ｍｌ）に対して、全トライアルの平均値Ｐバー（ｆ，ｎ，ｌ）を求める。なお、Ｐバーとは、Ｐの上部に「−」が存在する記号である。
（５）それぞれのタスクｌｉ，ｌｊの組み合わせ（総数４Ｃ２＝６通り）に対してそれぞれの分散を考慮したｔ検定を行う（数式１１参照）。
【数１１】
【０２４２】
ここで、Ｖｗは誤差分散であり、Ｐ（ｆ，ｎ，ｌ，ｍｌ）の同タスク内の分散σ（Ｐ（ｆ，ｎ，ｌ，ｍｌ））２を用いて数式１２のように表される。
【数１２】
（６）次に、同じ組み合わせで求まった統計量ｔｌｉ，ｌｊ同士の全ての周波数帯での和ｔ'ｌｉ，ｌｊを求める（数式１３参照）。
【数１３】
（７）全ての電流源において、ｔ'ｌｉ，ｌｊを求め、ｉ，ｊの組み合わせごとに値が大きいものからｎｓｅｌｅｃｔ個ずつを特徴量として選び出す。
【０２４３】
この多重検定からの電流源選択によって、特定のタスク同士の組み合わせに対して、全周波数帯で平均して差が出やすい電流源が選ばれたことになる。ここまでの一連の流れの概略を図２０に示す。
【０２４４】
さらに、先ほどは全周波数帯域の和から求めたｔ'n(ｌｉ，ｌｊ)に対して、今度は同様に全電流源に対する和を取ったｔ'ｆ（ｌｉ，ｌｊ）を求める。ｔ'ｆ（ｌｉ，ｌｊ）は、同じ電流源からの推定電流でもタスクごとに違いの出やすい周波数帯域ほど大きな値している。こちらからも同様に値の大きなものからｎｓｅｌｅｃｔ点を、違いの出やすい周波数帯域として選び出す。
多重検定による選定に必要なパラメータｎｓｅｌｅｃｔについては、今回、テストにも学習にも使用しないＳｕｂｊｅｃｔ１の９月に計測した８日分のデータを用いて検証を行い、ｎｓｅｌｅｃｔ＝２０とし、さらにそれを全休左右半球ごとに選択することにした。
【０２４５】
こうして定めた電流源と周波数帯域の組み合わせを特徴量として、Ｓｐａｒｓｅ Ｌｏｇｉｓｔｉｃ Ｒｅｇｒｅｓｓｉｏｎを用いて学習と弁別を行なった。
（実験結果）
【０２４６】
実験日ごとに脳表上にマッピングした上で弁別を行なった結果と、比較のため、頭皮で計測された脳波に対して推定電流と同様の方法で多重検定を行って、有効と思われるセンサと周波数帯域を特徴量として選出し、センサレベルで弁別を行った結果を示す。
（１）Ｓｕｂｊｅｃｔ１
【０２４７】
Ｓｕｂｊｅｃｔ１に対して９日間での弁別の結果を図２１、図２２に示す。この実験結果から帰無仮説として両者に正答率の差がないとしたときのｔ検定を行った結果、この帰無仮説は有意水準５％では破棄され、一般的には、電流源の推定を行なうことは、弁別において効果があり、弁別性能が向上したとすることができる。また、正解率に関しても、Ｋａｐｐａ統計量では０．５〜０．８で、これも、一般的に高い一致率であるということができる。
（２）Ｓｕｂｊｅｃｔ２
【０２４８】
Ｓｕｂｊｅｃｔ２に対して、同様のパラメータでの解析を行ったところ、そのほとんどがノイズやアーティファクトを含む、Ｂａｄ Ｓｅｎｓｏｒとして破棄されてしまった。これは、比較的安定して実験を行えるＳｕｂｊｅｃｔ１の基準が、まだほとんど被験者の経験のないＳｕｂｊｅｃｔ２に対しては厳しすぎた可能性が考えられる。
【０２４９】
そこで、大きな体の揺れからくるアーティファクトを取り除くため、１Ｈｚのハイパスフィルタを適用し、除去なしでもある程度の推定結果が得られていたことから、センサ・トライアル、共に除去なしでの推定と学習を行った。
【０２５０】
Ｓｕｂｊｅｃｔ１と同様にＥＥＧのセンサレベルでのデータに対しても多重比較を行った結果と併せて、図２３、図２４に示す。
【０２５１】
同様にｔ検定を行った結果、有意水準５％で、差があることは証明できた。ＢＭＩの被験者として経験の浅いＳｕｂｊｅｃｔ２の方がＳｕｂｊｅｃｔ１に比べてＥＥＧとの差が大きいことがわかった。
【０２５２】
以上、本実施の形態によれば、階層ベイズにより電流源推定を行なった結果、運動イメージ判別の性能が上がることを示せた。また、考察として、判別に寄与した電流源の分布と、学習数の増減による、性能の比較を行った。なお、以降の考察においては、データ数の関係からＳｕｂｊｅｃｔ１について考察を行う。
（判定に寄与した電流源の分布）
【０２５３】
本実験では、特徴量は先に述べたとおり、ある電流源での推定電流の特定周波数帯のパワーを用いており、多重解析やスパース化の結果、最終的に重みとして残る電流源は、１日あたり６０個前後にまで絞り込まれる。
【０２５４】
今回の解析の結果、重みとして最終的に残った電流源を示したのが、図２５である。Ｓｐａｒｓｅ Ｌｏｇｉｓｔｉｃ Ｒｅｇｒｅｓｓｉｏｎでは、１つのタスク対他のタスクでの２値判別を４つのタスクに対してそれぞれ行い、その過程で判別にあまり寄与しないものをスパース化している。つまり、図２５によってブロードマンの地図のどの領域がタスクによって異なる傾向があったかを見ることができる。図２５によると、３野、５野、７野の領域にある電流源が判別に寄与していることが伺える。ここで３野、５野、７野がどのような機能を持つのかについて言及しておく。１〜３野は一次体性感覚野に分類され、機能としては、皮膚や関節からの情報を受容すると言われている。また、１〜３野は運動野と同様にホムンクルスモデルが成立しているため、活動の位置情報によってその分類が可能になることは十分に考えられる。５野・７野は共に頭頂連合野で、特に７野は視覚と関連して空間認識を行う領域とされている。こういった感覚による情報を受容する感覚野やその受容した情報をほかの機能を持つ領域と遣り取りする際に機能する頭頂連合野は運動には必要不可欠なものであり、サルを用いた実験からも、これらの領域と、運動学習との関連性は指摘されている。
【０２５５】
今回の実験では、タスクと関連の高そうな領域に推定された信号が判別に強く寄与し、比較的、関連のなさそうな領域での推定電流が判別には関わってこないとしてスパース化されている、ことが分かる。
【０２５６】
また、さらに厳密に、電流源１つ１つに対して９実験日で選ばれる頻度について調べた。図２６は９実験日で判定に寄与した特徴量の電流源、全２９６点のうち、複数の実験日に渡って選ばれた電流源を、ヒストグラム形式で表したものである。２２３３点の電流源のうち、半分を超える実験日で選ばれたのは１箇所の電流源だけで、７０％以上の電流源が９実験日のうちに１度しか残されていない。ここから、今回の推定の結果、領域という比較的大きい分類からは複数実験日でも共通の傾向が見られるものの、細かな、１点１点の推定された電流源のレベルでは傾向が見られないことがわかった。
（学習数と弁別性能の関係）
【０２５７】
学習数と弁別性能の関係は、一般的にはある程度の学習数が揃ってからは学習数に増えるに従って弁別性能は向上し、逆に今度はある程度まで弁別性能が上がってくるとデータ数に対する成績向上の割合は徐々にゼロに近づいていく。本実験ではここまで学習数が、本実験内での実験パラダイム１０ｒｕｎにあたる、各タスク７０トライアル、合計２８０トライアルでの議論を行ってきたが、学習数を変えることで弁別の成績がどう推移するかを調べた。
【０２５８】
先に示した、１０ｒｕｎ分の２８０トライアルのデータでの学習に対して、実験日に計測した順に１〜５ｒｕｎの合計１４０トライアル、１〜８ｒｕｎの合計２２４トライアルでそれぞれ学習し、いずれのパターンも１１〜１５ｒｕｎでテストを行った。なお、ここでの学習とは電流源推定のための変換行列を計算する際の学習データも兼ねているため、例えば学習データ１４０トライアルの条件では、電流源推定も１４０トライアルのデータから行なっている。また、Ｂａｄ Ｓｅｎｓｏｒの閾値は学習データに比例した値をそれぞれで定めた。
【０２５９】
それぞれの学習データ数での判別結果を図２７、図２８に示す。学習数を増やすに伴って、弁別の正解率、標準偏差ともに向上が見られた。今回、検証を行った、最も少ない学習数である５ｒｕｎ、１４０トライアル（各タスク３５トライアル）でのテスト結果でも６６％以上の成績を示すことができた。
（結論）
【０２６０】
２名の被験者に対して、右手・左手・舌・足の運動イメージ実験を行い、そのときに計測された脳波と脳波から推定された電流とを、同じ手法で弁別を行なった結果、両被験者で有意に弁別性能の向上がみられた。また、その弁別率も被験者平均で７２．８５％、６８．４４％、Ｋａｐｐａ統計量も一般的に見て０．６３、０．５８で統計量Ｓｕｂｊｅｃｔ１に関しては十分に一致する、Ｓｕｂｊｅｃｔ２に関しては十分とは言えないが、高い水準での一致が見られた。また、この弁別成績は、現在のＢＭＩにおいては、世界的に見ても最高水準の正解率といえる。
【０２６１】
また、図２９は、本明細書で述べたプログラムを実行して、上述した実施の形態の脳情報出力装置等を実現するコンピュータの外観を示す。上述の実施の形態は、コンピュータハードウェア及びその上で実行されるコンピュータプログラムで実現され得る。図２９は、このコンピュータシステム３４０の概観図であり、図３０は、コンピュータシステム３４０のブロック図である。
【０２６２】
図２９において、コンピュータシステム３４０は、ＦＤドライブ、ＣＤ−ＲＯＭドライブを含むコンピュータ３４１と、キーボード３４２と、マウス３４３と、モニタ３４４とを含む。
【０２６３】
図３０において、コンピュータ３４１は、ＦＤドライブ３４１１、ＣＤ−ＲＯＭドライブ３４１２に加えて、ＭＰＵ３４１３と、ＣＤ−ＲＯＭドライブ３４１２及びＦＤドライブ３４１１に接続されたバス３４１４と、ブートアッププログラム等のプログラムを記憶するためのＲＯＭ３４１５とに接続され、アプリケーションプログラムの命令を一時的に記憶するとともに一時記憶空間を提供するためのＲＡＭ３４１６と、アプリケーションプログラム、システムプログラム、及びデータを記憶するためのハードディスク３４１７とを含む。ここでは、図示しないが、コンピュータ３４１は、さらに、ＬＡＮへの接続を提供するネットワークカードを含んでも良い。
【０２６４】
コンピュータシステム３４０に、上述した実施の形態の脳情報出力装置等の機能を実行させるプログラムは、ＣＤ−ＲＯＭ３５０１、またはＦＤ３５０２に記憶されて、ＣＤ−ＲＯＭドライブ３４１２またはＦＤドライブ３４１１に挿入され、さらにハードディスク３４１７に転送されても良い。これに代えて、プログラムは、図示しないネットワークを介してコンピュータ３４１に送信され、ハードディスク３４１７に記憶されても良い。プログラムは実行の際にＲＡＭ３４１６にロードされる。プログラムは、ＣＤ−ＲＯＭ３５０１、ＦＤ３５０２またはネットワークから直接、ロードされても良い。
【０２６５】
プログラムは、コンピュータ３４１に、上述した実施の形態の脳情報出力装置等の機能を実行させるオペレーティングシステム（ＯＳ）、またはサードパーティープログラム等は、必ずしも含まなくても良い。プログラムは、制御された態様で適切な機能（モジュール）を呼び出し、所望の結果が得られるようにする命令の部分のみを含んでいれば良い。コンピュータシステム３４０がどのように動作するかは周知であり、詳細な説明は省略する。
【０２６６】
なお、上記プログラムにおいて、ハードウェアによって行われる処理、例えば、モデムやインターフェースカードなどで行われる処理（ハードウェアでしか行われない処理）は含まれない。
【０２６７】
また、上記プログラムを実行するコンピュータは、単数であってもよく、複数であってもよい。すなわち、集中処理を行ってもよく、あるいは分散処理を行ってもよい。
【０２６８】
また、上記各実施の形態において、各処理（各機能）は、単一の装置（システム）によって集中処理されることによって実現されてもよく、あるいは、複数の装置によって分散処理されることによって実現されてもよい。
【０２６９】
本発明は、以上の実施の形態に限定されることなく、種々の変更が可能であり、それらも本発明の範囲内に包含されるものであることは言うまでもない。
【産業上の利用可能性】
【０２７０】
以上のように、本発明にかかる脳情報出力装置は、精度の高い意図検出ができ、ＢＭＩ等として有用である。
【符号の説明】
【０２７１】
１、２ ロボットシステム
１１、２１ 脳情報出力装置
１２ ロボット
１１１、１０１１ 意図判別情報格納部
１１２、１０１２ 第一学習データ取得部
１１３、１０１３ 第二学習データ取得部
１１４、１０１４ 学習特徴量群取得部
１１５、１０１５ 意図判別情報蓄積部
１１６、１０１６ 第一脳活動データ取得部
１１７、１０１７ 第二脳活動データ取得部
１１８、１０１８ 特徴量群取得部
１１９、１０１９ 意図識別子取得部
１２０ 意図識別子出力部
１２１ 動作情報格納部
１２２ 意図識別子受付部
１２３ 実行部
１０１１ 異常データ除去部
１０１１１ 異常トライアル除去手段
１０１１２ 異常センサ除去手段
１１９１、１０１９１ 確率算出手段
１１９２、１０１９２ 意図識別子取得手段
【技術分野】
【０００１】
本発明は、脳の情報を出力する脳情報出力装置等に関するものである。
【背景技術】
【０００２】
近年、脳に対する生理学的な知見の充実、脳計測機器の発展、高性能なコンピュータのコストダウン、および機械学習の分野の進歩等に伴い、脳・機械インタフェース（Brain Machine Interface:ＢＭＩ）に関する研究が注目を浴びてきている（非特許文献１）。ＢＭＩは、脳と機械をつなぐインタフェースである。ＢＭＩは、人が考えた時や、何らかの行動した際に生ずる脳活動の信号を計測し、その計測データに信号処理技術を施すことにより、ユーザの意図を汲み出すものである。
【先行技術文献】
【非特許文献】
【０００３】
【非特許文献１】Toward Brain-Computer Interfacing (Neural Information Processing)、 MIT Press、 ISBN 978-0262042444
【発明の概要】
【発明が解決しようとする課題】
【０００４】
しかしながら、従来のＢＭＩにおいて、頭蓋外部から取得された脳活動データをそのまま用いて、意図判別を行っていたので、精度の高い意図判別が困難であった。
【０００５】
つまり、頭皮で計測された脳波は脳電位が短絡・減衰して伝わってきたものであるため、信号の発信源や、その発信源においてどのような脳活動が行われているのかをセンサ位置の情報だけでみることは難しい。したがって、頭皮で計測された脳波をそのまま用いた場合、精度の高い意図判別を行うことは容易ではなかった。
【課題を解決するための手段】
【０００６】
本第一の発明の脳情報出力装置は、ユーザの意図を識別する情報である意図識別子と、当該意図識別子で識別される意図の元にユーザが一連の行為であるトライアルを行った際に当該ユーザの頭蓋外部から取得された脳活動のデータである第一学習データを、脳内の脳活動データに変換された第二学習データから、抽出された１以上の特徴量である学習特徴量群とを対に有する意図判別情報を、２以上格納し得る意図判別情報格納部と、ユーザの頭蓋外部から、脳活動のデータである第一脳活動データを取得する第一脳活動データ取得部と、前記ユーザの頭蓋外部から取得された第一脳活動データを、脳内の脳活動データに変換し、第二脳活動データを取得する第二脳活動データ取得部と、前記第二脳活動データから、１以上の特徴量である入力特徴量群を取得する特徴量群取得部と、前記入力特徴量群に対応する意図識別子を、前記意図判別情報格納部に格納されている２以上の意図判別情報から取得する意図識別子取得部と、前記意図識別子取得部が取得した意図識別子を出力する意図識別子出力部とを具備する脳情報出力装置である。
【０００７】
かかる構成により、頭蓋外部から取得された脳活動データを、脳内の脳活動データに変換し、利用することにより、精度の高い意図判別ができる。
【０００８】
また、本第二の発明の脳情報出力装置は、一の意図の元にユーザが一連の行為であるトライアルを行った際に、１以上のセンサを用いて、当該センサごとに、前記ユーザの脳から脳活動を示す時系列データである第一学習データを取得する第一学習データ取得部と、前記ユーザの頭蓋外部から取得された第一学習データを、脳内の脳活動のデータに変換し、第二学習データを取得する第二学習データ取得部と、前記第二学習データから、１以上の特徴量である学習特徴量群を取得する学習特徴量群取得部と、前記第二学習特徴量群と、前記一の意図を識別する意図識別子とを有する意図判別情報を、前記意図判別情報格納部に蓄積する意図判別情報蓄積部とをさらに具備する脳情報出力装置である。
【０００９】
かかる構成により、頭蓋外部から取得された脳活動データを、脳内の脳活動データに変換し、利用することにより、精度の高い意図判別ができる。また、学習データを自動的に取得できる。
【００１０】
また、本第三の発明の脳情報出力装置は、第一の発明に対して、前記第二脳活動データ取得部は、前記第一脳活動データに対して、階層変分ベイズ法を用いて第二脳活動データを取得する脳情報出力装置である。
【００１１】
かかる構成により、頭蓋外部から取得された脳活動データを、脳内の脳活動データに変換し、利用することにより、精度の高い意図判別ができる。
【００１２】
また、本第四の発明の脳情報出力装置は、第一、第二いずれかの発明に対して、前記意図識別子取得部は、前記意図判別情報格納部の２以上の意図判別情報を用いて、前記特徴量群取得部が取得した入力特徴量群が、前記２以上の意図判別情報に含まれる２以上の意図識別子の各々に対応する確率を、前記２以上の意図識別子ごとに算出する確率算出手段と、前記確率算出手段が算出した意図識別子ごとの確率から、最も大きい確率に対応する意図識別子を取得する意図識別子取得手段とを具備する脳情報出力装置である。
【００１３】
かかる構成により、頭蓋外部から取得された脳活動データを、脳内の脳活動データに変換し、利用することにより、精度の高い意図判別ができる。
【発明の効果】
【００１４】
本発明による脳情報出力装置によれば、精度の高い意図判別ができる。
【図面の簡単な説明】
【００１５】
【図１】本実施の形態１におけるロボットシステム１の概念図
【図２】同ロボットシステム１のブロック図
【図３】同確率算出アルゴリズムを説明するための図
【図４】同確率算出アルゴリズムを説明するための図
【図５】同脳情報出力装置１１の動作について説明するフローチャート
【図６】同脳情報出力装置１１の変換処理について説明するフローチャート
【図７】同脳情報出力装置１１の意図識別子出力処理について説明するフローチャート
【図８】同脳情報出力装置１１の意図識別子取得処理について説明するフローチャート
【図９】同ロボット１２の動作について説明するフローチャート
【図１０】本実施の形態２におけるロボットシステム２のブロック図
【図１１】同脳情報出力装置２１の動作について説明するフローチャート
【図１２】同脳情報出力装置２１の異常データ除去処理を説明するフローチャート
【図１３】同脳情報出力装置２１の意図識別子出力処理を説明するフローチャート
【図１４】同被験者が行うタスクを説明する図
【図１５】同実験の流れを説明する図
【図１６】同異常データ除去処理の概念を説明する図
【図１７】同脳波データの例を示す図
【図１８】同異常データ除去処理の概念図
【図１９】同電流源での電流推定の手順の概略図
【図２０】同電流源での電流推定の手順の概略図
【図２１】同Ｓｕｂｊｅｃｔ１に対する実験結果を示す図
【図２２】同Ｓｕｂｊｅｃｔ１に対する実験結果を示す図
【図２３】同Ｓｕｂｊｅｃｔ２に対する実験結果を示す図
【図２４】同Ｓｕｂｊｅｃｔ２に対する実験結果を示す図
【図２５】同最終的に残った電流源を示す図
【図２６】同判定に寄与した特徴量の電流源を示す図
【図２７】同判別結果を示す図
【図２８】同判別結果を示す図
【図２９】同コンピュータシステムの概観図
【図３０】同コンピュータシステムのブロック図
【発明を実施するための形態】
【００１６】
以下、脳情報出力装置等の実施形態について図面を参照して説明する。なお、実施の形態において同じ符号を付した構成要素は同様の動作を行うので、再度の説明を省略する場合がある。
【００１７】
（実施の形態１）
【００１８】
本実施の形態において、頭蓋外部から取得した第一脳活動データを脳内上の第二脳活動データに変換し、当該第二脳活動データを用いて、意図検出を行う脳情報出力装置ついて説明する。
【００１９】
さらに、本実施の形態において、脳情報出力装置の出力を受けて動作するロボットを含むロボットシステムについても説明する。
【００２０】
図１は、本実施の形態におけるロボットシステム１の概念図である。ロボットシステム１は、脳情報出力装置１１、ロボット１２を具備する。脳情報出力装置１１は、ユーザからの脳情報を取得し、ユーザの意図を検出し、当該意図を示す意図識別子をロボット１２に出力する装置である。また、ロボット１２は、脳情報出力装置１１から意図識別子を受け取り、当該意図識別子に対応する動作を行う電子機器である。ロボット１２は、いわゆる人型の形状を有する電子機器でも良いが、他の形状を有する電子機器でも良い。ロボット１２は、例えば、四輪車、二輪車、航空機、電車などの移動体でも良い。
【００２１】
図２は、本実施の形態におけるロボットシステム１のブロック図である。ロボットシステム１を構成する脳情報出力装置１１は、意図判別情報格納部１１１、第一学習データ取得部１１２、第二学習データ取得部１１３、学習特徴量群取得部１１４、意図判別情報蓄積部１１５、第一脳活動データ取得部１１６、第二脳活動データ取得部１１７、特徴量群取得部１１８、意図識別子取得部１１９、意図識別子出力部１２０を具備する。
【００２２】
意図識別子取得部１１９は、確率算出手段１１９１、意図識別子取得手段１１９２を具備する。
【００２３】
ロボット１２は、動作情報格納部１２１、意図識別子受付部１２２、実行部１２３を具備する。
【００２４】
意図判別情報格納部１１１は、２以上の意図判別情報を格納し得る。意図判別情報は、意図識別子と学習特徴量群を有する。意図識別子は、ユーザの意図を識別する情報である。学習特徴量群は、第二学習データから、抽出された１以上の特徴量である。第二学習データは、意図識別子で識別される意図の元にユーザが一連の行為であるトライアルを行った際に、当該ユーザの頭蓋外部から取得された脳活動のデータである第一学習データを、脳内の脳活動データに変換されたデータである。ここで、意図とは、体の一部（例えば、右手、左手、舌、足など）を動かす行為や、特定のこと（例えば、右手を動かしていること、舌を出したこと、走っていることなど）を想像することなど、ユーザの脳の活動に反映されることである。また、意図識別子は、例えば、ユーザが動かす体の部分であり、例えば、「右手」「左手」「舌」「足」の４つである。また、意図識別子は、例えば、「右手」「左手」の２つであっても良い。意図識別子の数は問わないが、意図識別子の数は少ない方が、通常、脳情報出力装置１１が出力する意図識別子がユーザの意図と合致している可能性は高い、と考えられる。学習特徴量群とは、学習データから抽出された１以上の特徴量の情報である。学習データとは、意図識別子で識別される意図の元にユーザが一連の行為を行った際に当該ユーザの脳から取得されたデータである。学習データは、ＮＩＲＳ（近赤外分光分析）、ｆＭＲＩ（機能的ＭＲＩ）、ＭＥＧ（脳磁計）、ＥＥＧ（脳波計）により取得されるデータなど、脳から取得される脳活動を示すデータであれば何でもよい。また、ここで、脳内とは、脳表面も含む意味である。
【００２５】
意図判別情報格納部１１１は、不揮発性の記録媒体が好適であるが、揮発性の記録媒体でも実現可能である。
【００２６】
意図判別情報格納部１１１に意図判別情報が記憶される過程は問わない。例えば、記録媒体を介して意図判別情報が意図判別情報格納部１１１で記憶されるようになってもよく、通信回線等を介して送信された意図判別情報が意図判別情報格納部１１１で記憶されるようになってもよく、あるいは、入力デバイスを介して入力された意図判別情報が意図判別情報格納部１１１で記憶されるようになってもよい。
【００２７】
第一学習データ取得部１１２は、ユーザの頭蓋外部から第一学習データを取得する。第一学習データは、一の意図の元にユーザが一連の行為であるトライアルを行った際に、１以上のセンサを用いて、当該センサごとに、ユーザの頭蓋外部から取得された、脳活動を示す時系列データである。第一学習データ取得部１１２は、通常、脳波計測装置である。つまり、第一学習データは、脳波データである。
【００２８】
第二学習データ取得部１１３は、ユーザの頭蓋外部から取得された第一学習データを、脳内の脳活動のデータに変換し、第二学習データを取得する。第二学習データ取得部１１３は、第一学習データに対して、階層変分ベイズ法を用いて第二学習データを取得する。具体的には、第二学習データ取得部１１３は、脳内に存する電流源の時空間分布を第１の分解能で推定する第１領域と第１の分解能より低い第２の分解能で推定する第２領域とを設定し、設定した第１及び第２領域での電流源の時空間分布を、ユーザの頭蓋外部にて観測した電気現象に基づいて推定するようにしており、高精度に推定したい領域に重点的にパラメータを分配することによってパラメータの増大に伴う推定精度の劣化を防止することができる。
【００２９】
さらに具体的には、例えば、第二学習データ取得部１１３は、以下の数式１から数式９
の手順を経て、第一学習データを変換し、第二学習データを得る。
【数１】
【００３０】
ここで、Ｇはリードフィールド行列、Ｊは脳内の電流分布、ξはノイズである。Ｅは頭皮上のセンサで計測される電場である。リードフィールド行列Ｇは、後述の電磁場解析技術で計算され、Ｇ・Ｊは脳内の電流分布Ｊが頭皮上のセンサ位置で作る電場をあらわす。数式１は、原因の脳内電流分布Ｊから結果の電場Ｅを計算している式であり、順問題と呼ばれる。しかし、計測されるのは電場Ｅであり、計算で推定しなければならないのが脳内電流分布Ｊであるため、結果から原因を追究しなければならないので、一般的に逆問題と呼ばれる。第二学習データ取得部１１３は、第一学習データ（すなわちＥ）から第二学習データ（すなわちＪ）の逆問題を解く処理を行う。
【００３１】
以下、第二学習データ取得部１１３の具体的な計算フローについて説明する。
【００３２】
電流分布Ｊが与えられたときに観測される電場がＥである確率（モデル確率）を数式２により設定する。
【数２】
【００３３】
ここで、σは各センサで計測されるノイズをガウスノイズとした際の標準偏差である。すなわち、数式２は電流分布Ｊとノイズの標準偏差σが与えられたときの電場Ｅの確率を示すことになる。また、ＮＤは正規分布を示しており、任意のパラメータＸとそのパラメータに対する期待値をＸバー、今日分散行列をΣ−１とした場合、数式３により表すことができる。
【数３】
【００３４】
このような準備の下、電場Ｅを観測する前の電流分布Ｊに関して、数式４で表される階層事前分布を設定する。ここで、αＪは電流分布Ｊの分散を表すパラメータであり、αＺは活動電流Ｚの分散を表すパラメータである。また、Γはガンマ分布、γＪは電流分布Ｊに関するガンマ分布の自由度、γＺは活動電流Ｚに関するガンマ分布の自由度を表す。
【数４】
【００３５】
前述の確率モデル（数式２）と階層事前分布（数式４）が与えられた場合、モデルの周辺尤度を解析的に求めることは一般的に出来ないので、モデル周辺尤度を、階層変分ベイズ法を用いて近似的に計算を行う。そして、電流分布とその分散の各々について試験事後分布を導入する。なお、第二学習データ取得部１１３は、電流分布の推定と電流分散の推定を交互に繰り返し、後述の自由エネルギーＦが収束するまでそれを行う。ここで、収束とは自由エネルギーＦの変化が予め与えられた値よりも小さくなった場合に収束したとする。
【００３６】
電流分布についての試験事後分布Ｑ（Ｊ，Ｚ）は、数式５のようにして算出することが可能であり、数式５中の各パラメータは数式６のようにして更新を行う。
【数５】
【数６】
【００３７】
電流分布の分散に対する試験事後分布Ｑ（αＪ，αＺ，σ）は、数式７のようにして算出が可能である。また、数式７中の各パラメータは数式８のようにして更新を行う。
【数７】
【数８】
【００３８】
前述の自由エネルギーＦは数式９のように計算を行う。
【数９】
【００３９】
前述のように、第二学習データ取得部１１３は、上記の数式５で示す電流分布の推定と、上記の数式７で示す電流分散の推定を、数式９に記載の自由エネルギーが収束するまで繰り返すことで、第二学習データを取得する。
【００４０】
また、第二学習データ取得部１１３は、電磁場解析技術と数式１から数式９を用いて計算される逆問題解法技術を用いて、第一学習データから第二学習データを取得する。なお、電磁場解析とは、マクスウェルの方程式を解くことにより、対象物と電磁場の相互作用を解析することである。また、電磁場解析には、静的解析、準静的解析、動的解析なども含まれる。
【００４１】
第二学習データ取得部１１３は、通常、ＭＰＵやメモリ等から実現され得る。第二学習データ取得部１１３の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００４２】
学習特徴量群取得部１１４は、第二学習データから、１以上の特徴量である学習特徴量群を取得する。学習特徴量群取得部１１４は、第二学習データに対して信号処理し、１以上の特徴量である学習特徴量群を取得する。ここで、信号処理は、例えば、バイアス補正、ベースライン補正、トレンド除去、平均値計算、ハイパスフィルターによる処理、ローパスフィルターによる処理、FFTによる処理、PCAによる処理、ICAによる処理、Phase Locking 値の算出、移動平均の算出、センサ選択、時間選択、リファレンス補正、ダウンサンプリング、アップサンプリング、パワー計算、包絡線計算（ヒルベルト変換）、空間フィルターによる処理、逆問題フィルターによる処理、などである。そして、特徴量とは、例えば、上記の信号処理により、算出されるデータであり、例えば、平均値、分散、Phase Locking 値などである。なお、学習特徴量群を構成する特徴量は、学習データの特性を示すデータであれば、何でも良い。また、学習特徴量群取得部１１４が行う信号処理の数は、複数でも良い。また、上記の各種の信号処理の例は、公知技術であるので詳細な説明を省略する。
【００４３】
学習特徴量群取得部１１４は、通常、ＭＰＵやメモリ等から実現され得る。学習特徴量群取得部１１４の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００４４】
意図判別情報蓄積部１１５は、学習特徴量群取得部１１４が取得した第二学習特徴量群と、一の意図を識別する意図識別子とを有する意図判別情報を、意図判別情報格納部１１１に蓄積する。
【００４５】
意図判別情報蓄積部１１５は、通常、ＭＰＵやメモリ等から実現され得る。意図判別情報蓄積部１１５の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００４６】
第一脳活動データ取得部１１６は、ユーザの頭蓋外部から、脳活動のデータである第一脳活動データを取得する。第一脳活動データ取得部１１６は、通常、第一学習データ取得部１１２と同じ構成である。第一脳活動データ取得部１１６は、通常、脳波計測装置である。
【００４７】
第二脳活動データ取得部１１７は、ユーザの頭蓋外部から取得された第一脳活動データを、脳内の脳活動データに変換し、第二脳活動データを取得する。第二脳活動データ取得部１１７は、第一脳活動データに対して、階層変分ベイズ法を用いて第二脳活動データを取得する。
【００４８】
さらに具体的には、例えば、第二脳活動データ取得部１１７は、上記の数式１、数式２を用いて、第一脳活動データを変換し、第二脳活動データを得る。第二脳活動データ取得部１１７は、通常、第二学習データ取得部１１３と同じ構成である。
【００４９】
第二脳活動データ取得部１１７は、通常、ＭＰＵやメモリ等から実現され得る。第二脳活動データ取得部１１７の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００５０】
特徴量群取得部１１８は、第二脳活動データに対して信号処理し、１以上の特徴量である入力特徴量群を取得する。ここで、信号処理は、例えば、バイアス補正、ベースライン補正、トレンド除去、平均値計算、ハイパスフィルターによる処理、ローパスフィルターによる処理、FFTによる処理、PCAによる処理、ICAによる処理、Phase Locking 値の算出、移動平均の算出、センサ選択、時間選択、リファレンス補正、ダウンサンプリング、アップサンプリング、パワー計算、包絡線計算（ヒルベルト変換）、空間フィルターによる処理、逆問題フィルターによる処理、などである。そして、特徴量とは、例えば、上記の信号処理により、算出されるデータであり、例えば、平均値、分散、Phase Locking 値などである。なお、入力特徴量群を構成する特徴量は、脳活動データの特性を示すデータであれば、何でも良い。また、特徴量群取得部１１８が行う信号処理の数は、複数でも良い。また、上記の各種の信号処理の例は、公知技術であるので詳細な説明を省略する。特徴量群取得部１１８は、通常、学習特徴量群取得部１１４と同じ構成である。
【００５１】
特徴量群取得部１１８は、通常、ＭＰＵやメモリ等から実現され得る。特徴量群取得部１１８の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００５２】
意図識別子取得部１１９は、入力特徴量群に対応する意図識別子を、意図判別情報格納部１１１に格納されている２以上の意図判別情報から取得する。意図識別子取得部１１９が意図識別子を取得するアルゴリズムは問わない。意図識別子取得部１１９は、例えば、入力特徴量群と、意図判別情報が有する学習特徴量群との距離を、意図識別子ごとに算出する。そして、意図識別子取得部１１９は、距離が最も小さい学習特徴量群に対応する意図識別子を取得しても良い。意図識別子取得部１１９は、通常、ＭＰＵやメモリ等から実現され得る。意図識別子取得部１１９の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００５３】
確率算出手段１１９１は、意図判別情報格納部１１１の２以上の意図判別情報を用いて、特徴量群取得部１１８が取得した入力特徴量群が、２以上の意図判別情報に含まれる２以上の意図識別子の各々に対応する確率を、２以上の意図識別子ごとに算出する。
【００５４】
意図識別子が２つ（２種類）の場合、例えば、確率算出手段１１９１は、以下のように意図識別子ごとの確率を算出する。つまり、確率算出手段１１９１は、第二学習特徴量群（ベクトル）から、２つのクラス（クラス１［第一の意図識別子］、またはクラス２［第二の意図識別子］）に分けるための境界面の情報を得る。かかる概念を図３に示す。
【００５５】
次に、確率算出手段１１９１は、境界面からの入力特徴量群の距離を算出する（図４参照）。そして、確率算出手段１１９１は、当該距離をロジスティック関数（シグモイド関数）に入力し、０〜１の値（０以上１以下の値）に変換する。そして、確率算出手段１１９１は、当該変換した値（０〜１）を、第一の意図識別子の確率とする。そして、確率算出手段１１９１は、第二の意図識別子の確率を、「１−第一の意図識別子の確率」により算出する。
【００５６】
また、意図識別子が４つ（４種類）の場合、例えば、確率算出手段１１９１は、以下のように意図識別子ごとの確率を算出する。つまり、上記２つの意図識別子の場合の処理を拡張する。まず、第一の意図識別子と他の意図識別子との２つのクラスが存在すると考え、確率算出手段１１９１は、第二学習特徴量群（ベクトル）から、２つのクラス（クラス１［第一の意図識別子］、またはクラス２［第二の意図識別子または第三の意図識別子または第四の意図識別子）に分けるための境界面の情報を得る。次に、確率算出手段１１９１は、境界面からの入力特徴量群の距離を算出する。そして、確率算出手段１１９１は、当該距離をロジスティック関数（シグモイド関数）に入力し、０〜１の値（０以上１以下の値）に変換する。そして、確率算出手段１１９１は、当該変換した値（０〜１）を、第一の意図識別子の確率とする。次に、確率算出手段１１９１は、第二の意図識別子または第三の意図識別子または第四の意図識別子に対応する第二学習特徴量群（ベクトル）との距離を、「１−第一の意図識別子の確率」により算出する。
【００５７】
そして、次に、第二の意図識別子と他の意図識別子との２つのクラスが存在すると考え、確率算出手段１１９１は、第二学習特徴量群（ベクトル）から、２つのクラス（クラス１［第二の意図識別子］、またはクラス２［第一の意図識別子または第三の意図識別子または第四の意図識別子）に分けるための境界面の情報を得る。次に、確率算出手段１１９１は、境界面からの入力特徴量群の距離を算出する。そして、確率算出手段１１９１は、当該距離をロジスティック関数（シグモイド関数）に入力し、０〜１の値（０以上１以下の値）に変換する。そして、確率算出手段１１９１は、当該変換した値（０〜１）を、第二の意図識別子の確率とする。次に、確率算出手段１１９１は、第一の意図識別子または第三の意図識別子または第四の意図識別子に対応する第二学習特徴量群（ベクトル）との距離を、「１−第二の意図識別子の確率」により算出する。
【００５８】
そして、次に、第三の意図識別子と他の意図識別子との２つのクラスが存在すると考え、確率算出手段１１９１は、第二学習特徴量群（ベクトル）から、２つのクラス（クラス１［第三の意図識別子］、またはクラス２［第一の意図識別子または第二の意図識別子または第四の意図識別子）に分けるための境界面の情報を得る。次に、確率算出手段１１９１は、境界面からの入力特徴量群の距離を算出する。そして、確率算出手段１１９１は、当該距離をロジスティック関数（シグモイド関数）に入力し、０〜１の値（０以上１以下の値）に変換する。そして、確率算出手段１１９１は、当該変換した値（０〜１）を、第三の意図識別子の確率とする。次に、確率算出手段１１９１は、第一の意図識別子または第二の意図識別子または第四の意図識別子に対応する第二学習特徴量群（ベクトル）との距離を、「１−第三の意図識別子の確率」により算出する。
【００５９】
そして、次に、第四の意図識別子と他の意図識別子との２つのクラスが存在すると考え、確率算出手段１１９１は、第二学習特徴量群（ベクトル）から、２つのクラス（クラス１［第四の意図識別子］、またはクラス２［第一の意図識別子または第二の意図識別子または第三の意図識別子）に分けるための境界面の情報を得る。次に、確率算出手段１１９１は、境界面からの入力特徴量群の距離を算出する。そして、確率算出手段１１９１は、当該距離をロジスティック関数（シグモイド関数）に入力し、０〜１の値（０以上１以下の値）に変換する。そして、確率算出手段１１９１は、当該変換した値（０〜１）を、第四の意図識別子の確率とする。次に、確率算出手段１１９１は、第一の意図識別子または第二の意図識別子または第三の意図識別子に対応する第二学習特徴量群（ベクトル）との距離を、「１−第四の意図識別子の確率」により算出する。
【００６０】
そして、確率算出手段１１９１は、上記で取得した確率をマージすることにより、第一の意図識別子から第四の意図識別子の確率を取得する。ここで、マージとは、前記の第一の意図識別子の確率（Ｐ１）、前記の第一以外の意図識別子の確率（Ｐ２３４）、前記の第二の意図識別子の確率（Ｐ２）、前記の第二以外の意図識別子の確率（Ｐ１３４）、前記の第三の意図識別子の確率（Ｐ３）、前記の第三以外の意図識別子の確率（Ｐ１２４）、前記の第四の意図識別子の確率（Ｐ４）、前記の第四以外の意図識別子の確率（Ｐ１２３）の８つの確率から求める操作のことを言う。マージした第一の意図識別子の確率はＰ１×Ｐ１３４×Ｐ１２４×Ｐ１２３、マージした第二の意図識別子の確率はＰ２３４×Ｐ２×Ｐ１２４×Ｐ１２３、マージした第三の意図識別子の確率はＰ２３４×Ｐ１３４×Ｐ３×Ｐ１２３、マージした第四の意図識別子はＰ２３４×Ｐ１３４×Ｐ１２４×Ｐ４のように求めることが好適である。なお、確率を正規化する操作を加えても良い。ここで、正規化とは、マージした第一の意図識別子の確率から第四の意図識別子の確率までを足した値でそれぞれの確率を割ることで、全てを足した確率が１になるようにする操作である。
【００６１】
確率算出手段１１９１は、通常、ＭＰＵやメモリ等から実現され得る。確率算出手段１１９１の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００６２】
意図識別子取得手段１１９２は、確率算出手段１１９１が算出した意図識別子ごとの確率から、最も大きい確率に対応する意図識別子を取得する。
【００６３】
意図識別子取得手段１１９２は、通常、ＭＰＵやメモリ等から実現され得る。意図識別子取得手段１１９２の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００６４】
意図識別子出力部１２０は、意図識別子取得部１１９が取得した意図識別子を出力する。ここで、出力とは、ロボット１２への出力が好適であるが、ディスプレイへの表示や、音声出力などでも良い。である。意図識別子出力部１２０は、例えば、ロボット１２へ意図識別子を送付する通信手段で実現され得る。
【００６５】
動作情報格納部１２１は、２以上の動作情報を格納し得る。動作情報とは、意図識別子と当該意図識別子に対応する動作を行わせる動作モジュールとの組である。動作モジュールとは、ハードウェアで実現されていても良いし、ソフトウェアで実現されていても良いし、ハードウェアとソフトウェアで実現されていても良い。動作情報格納部１２１は、不揮発性の記録媒体が好適であるが、揮発性の記録媒体でも実現可能である。動作情報格納部１２１に動作情報が記憶される過程は問わない。例えば、記録媒体を介して動作情報が動作情報格納部１２１で記憶されるようになってもよく、通信回線等を介して送信された動作情報が動作情報格納部１２１で記憶されるようになってもよく、あるいは、入力デバイスを介して入力された動作情報が動作情報格納部１２１で記憶されるようになってもよい。
【００６６】
意図識別子受付部１２２は、脳情報出力装置１１から出力された意図識別子を受け付ける。受け付けとは、通信手段を用いた受信や、ソフトウェアによる情報（意図識別子）の引き渡し等である。
【００６７】
実行部１２３は、意図識別子受付部１２２が受け付けた意図識別子に対応する動作モジュールを実行する。動作モジュールが実現する動作内容は何でも良い。実行部１２３は、通常、ＭＰＵやメモリ等から実現され得る。実行部１２３の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【００６８】
次に、ロボットシステム１の動作について説明する。まず、脳情報出力装置１１の動作について説明する。図５は、脳情報出力装置１１が学習データを取得する動作を説明するフローチャートである。学習データとは、ここでは、意図判別情報である。
【００６９】
（ステップＳ５０１）第一学習データ取得部１１２は、第一学習データを取得するか否かを判断する。第一学習データを取得するのであればステップＳ５０２に行き、第一学習データを取得しないのであればステップＳ５０４に行く。なお、例えば、第一学習データを取得するために、図示しない出力手段が、ユーザに対して、意図に対応する動作（思考、想像なども含む）を行うことを示す指示を出力する。そして、かかる指示が出力された後、所定期間（例えば、１０秒など）、第一学習データ取得部１１２は、第一学習データを取得する、と判断する。また、意図に対応する動作を行うことを示す指示とは、「右手を１０秒間、振ってください。」「１５秒間、足をばたつかせてください。」などの情報である。
【００７０】
（ステップＳ５０２）第一学習データ取得部１１２は、ユーザの頭蓋外部から第一学習データを取得する。
【００７１】
（ステップＳ５０３）第一学習データ取得部１１２は、ステップＳ５０２で取得した第一学習データを、記録媒体に、少なくとも一時的に蓄積する。なお、第一学習データ取得部１１２は、通常、意図を識別する意図識別子と対にして、第一学習データを蓄積する。ステップＳ５０１に戻る。
【００７２】
（ステップＳ５０４）第一学習データ取得部１１２は、第一学習データを取得する処理を終了するか否かを判断する。終了する場合はステップＳ５０５に行き、終了しない場合はステップＳ５０１に戻る。なお、第一学習データ取得部１１２は、例えば、すべての意図識別子に対応する第一学習データを取得した場合、第一学習データの取得処理を終了すると判断する。
【００７３】
（ステップＳ５０５）第二学習データ取得部１１３は、取得されたすべての第一学習データに対して、変換処理を行い、第二学習データを取得する。変換処理とは、ユーザの頭蓋外部から取得された第一学習データを、脳内の脳活動のデータである第二学習データに変換する処理である。変換処理の例について、図６のフローチャートを用いて説明する。なお、第二学習データ取得部１１３は、通常、一つの第一学習データ（一つのトライアルにより、取得された時系列的なデータである第一学習データ）ごとに第二学習データに変換する。
【００７４】
（ステップＳ５０６）第二学習データ取得部１１３は、ステップＳ５０５で取得した第二学習データを、記録媒体に、少なくとも一時蓄積する。第二学習データ取得部１１３は、通常、一つの第二学習データごとに、第二学習データと意図識別子とを対応付けて、蓄積する。
【００７５】
（ステップＳ５０７）学習特徴量群取得部１１４は、ステップＳ５０６で蓄積された第二学習データから、１以上の特徴量である学習特徴量群を取得する。ここで、学習特徴量群取得部１１４は、通常、複数の学習特徴量群を取得する。
【００７６】
（ステップＳ５０８）意図判別情報蓄積部１１５は、学習特徴量群取得部１１４が取得した学習特徴量群と、一の意図を識別する意図識別子とを有する意図判別情報とから、意図判別情報を構成する。なお、通常、意図識別子は、第一学習データまたは第二学習データと対応付けて管理されている。また、意図判別情報蓄積部１１５は、通常、複数の意図判別情報を構成する。
【００７７】
（ステップＳ５０９）意図判別情報蓄積部１１５は、ステップＳ５０８で構成した１以上の意図判別情報を、意図判別情報格納部１１１に蓄積する。処理を終了する。
【００７８】
次に、ステップＳ５０５の変換処理について、図６のフローチャートを用いて説明する。 （ステップＳ６０１）第二学習データ取得部１１３は、電磁場解析技術を用いた順問題解析を行い、数式１に示すリードフィールド行列Ｇを計算する。
【００７９】
（ステップＳ６０２）第二学習データ取得部１１３は、数式４に示すように、電場Ｅを観測する前の電流分布Ｊの階層事前分布を計算する。
【００８０】
（ステップＳ６０３）第二学習データ取得部１１３は、数式５に示すように、電流分布を推定する。
【００８１】
（ステップＳ６０４）第二学習データ取得部１１３は、数式６に示すように、パラメータを更新する。
【００８２】
（ステップＳ６０５）第二学習データ取得部１１３は、数式７に示すように電流分散を推定する。
【００８３】
（ステップＳ６０６）第二学習データ取得部１１３は、数式８に示すように、パラメータを更新する。
【００８４】
（ステップＳ６０７）第二学習データ取得部１１３は、数式９に示すように、自由エネルギーＦを計算する。
【００８５】
（ステップＳ６０８）第二学習データ取得部１１３は、計算した自由エネルギーの変化が、事前に与えた閾値よりも小さいかどうかを判定する。もし、小さい場合はＳ６０９に進み、大きい場合はＳ６０３に戻る。
【００８６】
（ステップＳ６０９）第二学習データ取得部１１３は、現在のＪを第二学習データとして出力して、終了する。
【００８７】
次に、脳情報出力装置１１が、意図識別子を出力する動作について図７のフローチャートを用いて説明する。
【００８８】
（ステップＳ７０１）第一脳活動データ取得部１１６は、第一脳活動データを取得したか否かを判断する。第一脳活動データを取得すればステップＳ７０２に行き、第一脳活動データを取得しなければステップＳ７０１に戻る。
【００８９】
（ステップＳ７０２）第二脳活動データ取得部１１７は、ステップＳ７０１で取得された第一脳活動データに対して変換処理を行い、第二脳活動データを取得する。なお、変換処理について、図６のフローチャートを用いて説明した。
【００９０】
（ステップＳ７０３）特徴量群取得部１１８は、ステップＳ７０２で取得された第二脳活動データから、入力特徴量群を取得する。
【００９１】
（ステップＳ７０４）意図識別子取得部１１９は、ステップＳ７０３で取得された入力特徴量群を入力として、当該入力特徴量群に対応する意図識別子を取得する。かかる意図識別子取得処理について、図８のフローチャートを用いて説明する。
【００９２】
（ステップＳ７０５）意図識別子出力部１２０は、ステップＳ７０４で取得された意図識別子を、ロボット１２に出力する。ステップＳ７０１に戻る。
【００９３】
なお、図７のフローチャートにおいて、電源オフや処理終了の割り込みにより処理は終了する。
【００９４】
次に、ステップＳ７０４の意図識別子取得処理の例について図８のフローチャートを用いて説明する。
【００９５】
（ステップＳ８０１）意図識別子取得部１１９は、カウンタｉを１に設定する。
【００９６】
（ステップＳ８０２）意図識別子取得部１１９は、ｉ番目の意図識別子が存在するか否かを判断する。ｉ番目の意図識別子が存在すればステップＳ８０３に行き、ｉ番目の意図識別子が存在しなければステップＳ８０８に行く。
【００９７】
（ステップＳ８０３）意図識別子取得部１１９は、ｉ番目の意図識別子に対応する学習特徴量群（ベクトル）を取得する。
【００９８】
（ステップＳ８０４）意図識別子取得部１１９は、入力された特徴量群（ベクトル）を取得する。
【００９９】
（ステップＳ８０５）意図識別子取得部１１９は、ステップＳ８０３で取得された学習特徴量群（ベクトル）と、ステップＳ８０４で取得された特徴量群（ベクトル）の距離を算出する。
【０１００】
（ステップＳ８０６）意図識別子取得部１１９は、ステップＳ８０５で取得した距離と、ｉ番目の意図識別子とを対応付けて、少なくとも一時的に記録媒体に蓄積する。
【０１０１】
（ステップＳ８０７）意図識別子取得部１１９は、カウンタｉを１、インクリメントする。ステップＳ８０２に戻る。
【０１０２】
（ステップＳ８０８）意図識別子取得部１１９は、ステップＳ８０６で蓄積された距離を用いて、意図識別子を取得する。例えば、意図識別子取得部１１９は、最も小さい距離と対になる意図識別子を取得する。また、上述したように、意図識別子取得部１１９は、意図識別子ごとの確率を算出し、確率が最も大きい意図識別子を取得しても良い。上位処理にリターンする。
【０１０３】
なお、図８のフローチャートにおいて、ステップＳ８０４の動作は、ループ外に配置し、一度のみ行っても良い。
【０１０４】
次に、ロボット１２の動作について、図９のフローチャートを用いて説明する。
【０１０５】
（ステップＳ９０１）意図識別子受付部１２２は、脳情報出力装置１１から出力された意図識別子を受け付けたか否かを判断する。意図識別子を受け付ければステップＳ９０２に行き、意図識別子を受け付けなければステップＳ９０１に戻る。
【０１０６】
（ステップＳ９０２）実行部１２３は、ステップＳ９０１で受け付けられた意図識別子に対応する動作モジュールを、動作情報格納部１２１から読み出す。
【０１０７】
（ステップＳ９０３）実行部１２３は、ステップＳ９０２で読み出した動作モジュールを実行する。ステップＳ９０１に戻る。
【０１０８】
以上の処理により、ユーザが意図した行為（思考を含む）に対応する動作が、ロボット１２により行われる。
【０１０９】
なお、図９のフローチャートにおいて、電源オフや処理終了の割り込みにより処理は終了する。
【０１１０】
以上、本実施の形態によれば、頭蓋外部から取得された脳活動データを、脳内の脳活動データに変換し、利用することにより、精度の高い意図判別ができる。
【０１１１】
なお、本実施の形態において、具体的な実験例などは説明しなかった。かかる具体例について、実施の形態２で説明する。
【０１１２】
さらに、本実施の形態における処理は、ソフトウェアで実現しても良い。そして、このソフトウェアをソフトウェアダウンロード等により配布しても良い。また、このソフトウェアをＣＤ−ＲＯＭなどの記録媒体に記録して流布しても良い。なお、このことは、本明細書における他の実施の形態においても該当する。なお、本実施の形態における情報処理装置を実現するソフトウェアは、以下のようなプログラムである。つまり、このプログラムは、記憶媒体に、ユーザの意図を識別する情報である意図識別子と、当該意図識別子で識別される意図の元にユーザが一連の行為であるトライアルを行った際に当該ユーザの頭蓋外部から取得された脳活動のデータである第一学習データを、脳内の脳活動データに変換された第二学習データから、抽出された１以上の特徴量である学習特徴量群とを対に有する意図判別情報を、２以上格納しており、コンピュータを、ユーザの頭蓋外部から、脳活動のデータである第一脳活動データを取得する第一脳活動データ取得部と、前記ユーザの頭蓋外部から取得された第一脳活動データを、脳内の脳活動データに変換し、第二脳活動データを取得する第二脳活動データ取得部と、前記第二脳活動データから、１以上の特徴量である入力特徴量群を取得する特徴量群取得部と、前記入力特徴量群に対応する意図識別子を、前記記憶媒体に格納されている２以上の意図判別情報から取得する意図識別子取得部と、前記意図識別子取得部が取得した意図識別子を出力する意図識別子出力部として機能させるためのプログラム、である。
【０１１３】
また、上記プログラムにおいて、コンピュータを、一の意図の元にユーザが一連の行為であるトライアルを行った際に、１以上のセンサを用いて、当該センサごとに、前ユーザの頭蓋外部から脳活動を示す時系列データである第一学習データを取得する第一学習データ取得部と、前記ユーザの頭蓋外部から取得された第一学習データを、脳内の脳活動のデータに変換し、第二学習データを取得する第二学習データ取得部と、前記第二学習データから、１以上の特徴量である学習特徴量群を取得する学習特徴量群取得部と、前記第二学習特徴量群と、前記一の意図を識別する意図識別子とを有する意図判別情報を、前記記憶媒体に蓄積する意図判別情報蓄積部として、さらに機能させることは好適である。
【０１１４】
また、上記プログラムにおいて、前記第二脳活動データ取得部は、前記第一脳活動データに対して、階層変分ベイズ法を用いて第二脳活動データを取得するものとして、コンピュータを機能させることは好適である。
【０１１５】
また、上記プログラムにおいて、前記意図識別子取得部は、前記意図判別情報格納部の２以上の意図判別情報を用いて、前記特徴量群取得部が取得した入力特徴量群が、前記２以上の意図判別情報に含まれる２以上の意図識別子の各々に対応する確率を、前記２以上の意図識別子ごとに算出する確率算出手段と、前記確率算出手段が算出した意図識別子ごとの確率から、最も大きい確率に対応する意図識別子を取得する意図識別子取得手段とを具備するものとして、コンピュータを機能させることは好適である。
【０１１６】
（実施の形態２）
【０１１７】
本実施の形態において、頭蓋外部から取得した第一脳活動データを脳内上の第二脳活動データに変換し、当該第二脳活動データを用いて、意図検出を行う脳情報出力装置ついて説明する。
【０１１８】
そして、特に、本実施の形態において、複数の脳活動計測装置によって得られた複数の脳活動データから、ユーザの意図を決定する脳情報出力装置について説明する。
【０１１９】
また、本実施の形態において、１以上のセンサを有し、複数のトライアルにより複数の学習データを取得した場合、不適切な学習データを除去し、適切な学習データのみで、意図検出を行う脳情報出力装置について説明する。
【０１２０】
本実施の形態におけるロボットシステム２の概念図は、図１と同様である。ロボットシステム２は、脳情報出力装置２１、ロボット１２を具備する。図１０は、本実施の形態におけるロボットシステム２のブロック図である。ロボットシステム２を構成する脳情報出力装置２１は、意図判別情報格納部１０１１、第一学習データ取得部１０１２、異常データ除去部１０１１、第二学習データ取得部１０１３、学習特徴量群取得部１０１４、意図判別情報蓄積部１０１５、第一脳活動データ取得部１０１６、第二脳活動データ取得部１０１７、特徴量群取得部１０１８、意図識別子取得部１０１９、意図識別子出力部１２０を具備する。
【０１２１】
異常データ除去部１０１１は、異常トライアル除去手段１０１１１、異常センサ除去手段１０１１２を具備する。
【０１２２】
意図識別子取得部１０１９は、確率算出手段１０１９１、意図識別子取得手段１０１９２を具備する。
【０１２３】
意図判別情報格納部１０１１は、２種類以上の意図判別情報を格納し得る。２種類以上の意図判別情報とは、２種類以上の第一学習データから取得された２種類以上の学習特徴量群（後述する正常学習特徴量群）を含む。意図判別情報は、意図識別子と学習特徴量群とを対に有する情報である。意図判別情報格納部１０１１は、不揮発性の記録媒体が好適であるが、揮発性の記録媒体でも実現可能である。なお、２種類以上の学習データとは、例えば、ＮＩＲＳデータと脳波データである。
【０１２４】
第一学習データ取得部１０１２は、ユーザの頭蓋外部から、少なくとも２種類の第一学習データを取得する。２種類とは、例えば、２種類の異なる脳活動データであり、例えば、ＮＩＲＳデータと脳波データである。また、第一学習データ取得部１０１２は、３種類以上の脳活動データを取得しても良い。第一学習データ取得部１０１２は、例えば、近赤外線光計測装置と脳波計測装置である。近赤外線光計測装置とは、近赤外光を用いて頭皮上から非侵襲的に脳機能マッピングする、「光機能画像法」の原理を応用した装置である。また、脳波計測装置は、脳波を計測する装置である。脳波を計測する機能を有する装置として、例えば、ＢｉｏＳｅｍｉ社の装置（ＡｃｔｉｖｅＴｗｏシステム）等が存在する。また、第一学習データ取得部１０１２は、例えば、機能的ＭＲＩ（fMRI: functional Magnetic Resonance Imaging）や、ＰＥＴ(Positron Emission Tomography)などでも良い。
【０１２５】
異常データ除去部１０１１は、第一学習データから１以上の各部分学習データを取得し、当該各部分学習データの特性値を取得し、当該特性値を用いて、各部分学習データが正常であるか異常であるかを判断し、異常であると判断した部分学習データを、学習データから除き、正常学習データを取得する。特性値とは、部分学習データの値そのものでも良いし、平均値や標準偏差などでも良い。なお、正常学習データは、ユーザの頭蓋外部から取得されたデータそのままである。異常データ除去部１０１１は、２種類以上の第一学習データのそれぞれから、正常学習データを取得する。つまり、異常データ除去部１０１１は、２種類以上の正常学習データを取得する。
【０１２６】
また、特性値とは、例えば、学習データを構成する全データの平均値と標準偏差、または学習データを構成する全データの微分値の平均値と標準偏差のいずれか、または両方を用いて、一定以上のずれを有すると判断したセンサのデータの数である。
【０１２７】
また、特性値とは、例えば、学習データを構成する全データの平均値と標準偏差、または前記学習データを構成する全データの微分値の平均値と標準偏差のいずれか、または両方を用いて、一定以上のずれを有すると判断したトライアルの数である。
【０１２８】
また、異常データ除去部１０１１は、後述する異常トライアル除去手段１０１１１、異常センサ除去手段１０１１２の両方を有することが好適であるが、その一方を有しても良い。また、異常データ除去部１０１１は、異常トライアル除去手段１０１１１、異常センサ除去手段１０１１２の両方を有さず、学習データを構成する各データを検査し、例えば、学習データを構成する全データの平均値と標準偏差、または学習データを構成する全データの微分値の平均値と標準偏差のいずれか、または両方を用いて、一定以上のずれを有すると判断したデータを個別に除去しても良い。
【０１２９】
異常データ除去部１０１１は、通常、ＭＰＵやメモリ等から実現され得る。異常データ除去部１０１１の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【０１３０】
異常トライアル除去手段１０１１１は、トライアルごとの部分学習データの特性値を取得し、当該特性値を用いて、部分学習データが正常であるか異常であるかを判断し、異常であると判断した部分学習データ（トライアルを構成するデータ全部）を、学習データから除き、正常学習データを取得する。なお、ここで取得された正常学習データから、さらに不適切なデータを除き、最終的な正常学習データが取得される場合もあり得る。
【０１３１】
異常トライアル除去手段１０１１１は、トライアルごとの部分学習データの特性値から、部分学習データが、他のデータと比較して、一定以上のずれを有すると判断した場合、当該部分学習データを、学習データから除き、正常学習データを取得することは好適である。
【０１３２】
さらに具体的には、異常トライアル除去手段１０１１１は、部分学習データを構成する各センサのデータのうち、予め決められた以上の数のセンサのデータが、一定以上のずれを有すると判断した場合に、当該部分学習データを、学習データから除き、正常学習データを取得することは好適である。部分学習データを構成する各センサのデータが一定以上のずれを有するか否かは、学習データを構成する全データの平均値と標準偏差、または学習データを構成する全データの微分値の平均値と標準偏差のいずれか、または両方を用いて判断される。また、上記で除去される部分学習データは、異常であると判断されたトライアルの全データである。
【０１３３】
異常トライアル除去手段１０１１１は、通常、ＭＰＵやメモリ等から実現され得る。異常トライアル除去手段１０１１１の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【０１３４】
異常センサ除去手段１０１１２は、センサごとの部分学習データの特性値を取得し、当該特性値を用いて、部分学習データが正常であるか異常であるかを判断し、異常であると判断した部分学習データを、学習データから除き、正常学習データを取得する。
【０１３５】
異常センサ除去手段１０１１２は、センサごとの部分学習データの特性値から、部分学習データが、他のデータと比較して、一定以上のずれを有すると判断した場合、当該部分学習データを、学習データから除き、正常学習データを取得する。
【０１３６】
さらに具体的には、異常センサ除去手段１０１１２は、部分学習データを構成する各トライアルのデータのうち、予め決められた以上の数のトライアルのデータが、一定以上のずれを有すると判断した場合に、当該部分学習データを、学習データから除き、正常学習データを取得する。部分学習データを構成する各トライアルのデータが一定以上のずれを有するか否かは、学習データを構成する全データの平均値と標準偏差、または学習データを構成する全データの微分値の平均値と標準偏差のいずれか、または両方を用いて判断される。また、上記で除去される部分学習データは、異常であると判断されたセンサの全データを除去である。
【０１３７】
異常センサ除去手段１０１１２は、通常、ＭＰＵやメモリ等から実現され得る。異常センサ除去手段１０１１２の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【０１３８】
第二学習データ取得部１０１３は、ユーザの頭蓋外部から取得され、異常データ除去部１０１１がデータを除いて残ったデータである正常学習データを、脳内の脳活動のデータに変換し、第二学習データを取得する。第二学習データ取得部１０１３は、２種類以上の正常学習データを、それぞれ２種類の第二学習データに変換しても良い。第二学習データ取得部１０１３は、２種類以上の各正常学習データに対して、階層変分ベイズ法を用いて２種類以上の第二学習データを取得する。第二学習データ取得部１０１３が、一つの正常学習データに対して、第二学習データを取得する処理は、第二学習データ取得部１１３と同じである。
【０１３９】
第二学習データ取得部１０１３は、通常、ＭＰＵやメモリ等から実現され得る。第二学習データ取得部１０１３の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【０１４０】
学習特徴量群取得部１０１４は、第二学習データ取得部１０１３が取得した２種類以上の第二学習データのぞれぞれから、１以上の特徴量である２種類以上の学習特徴量群を取得する。学習特徴量群取得部１０１４は、第二学習データに対して信号処理し、１以上の特徴量である学習特徴量群を取得する。ここで、信号処理は、例えば、バイアス補正、ベースライン補正、トレンド除去、平均値計算、ハイパスフィルターによる処理、ローパスフィルターによる処理、FFTによる処理、PCAによる処理、ICAによる処理、Phase Locking 値の算出、移動平均の算出、センサ選択、時間選択、リファレンス補正、ダウンサンプリング、アップサンプリング、パワー計算、包絡線計算（ヒルベルト変換）、空間フィルターによる処理、逆問題フィルターによる処理、などである。そして、特徴量とは、例えば、上記の信号処理により、算出されるデータであり、例えば、平均値、分散、Phase Locking 値などである。なお、学習特徴量群を構成する特徴量は、第二学習データの特性を示すデータであれば、何でも良い。また、学習特徴量群取得部１０１４が行う信号処理の数は、複数でも良い。また、上記の各種の信号処理の例は、公知技術であるので詳細な説明を省略する。
【０１４１】
学習特徴量群取得部１０１４は、通常、ＭＰＵやメモリ等から実現され得る。学習特徴量群取得部１０１４の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【０１４２】
意図判別情報蓄積部１０１５は、正常学習特徴量群と、一の意図を識別する意図識別子とを有する意図判別情報を、意図判別情報格納部１０１１に蓄積する。意図判別情報蓄積部１０１５は、通常、少なくとも、すべての意図識別子に対応する意図判別情報を意図判別情報格納部１０１１に蓄積する。意図判別情報蓄積部１０１５は、２種類以上の意図判別情報を、意図判別情報格納部１０１１に蓄積する。
【０１４３】
意図判別情報蓄積部１０１５は、通常、ＭＰＵやメモリ等から実現され得る。意図判別情報蓄積部１０１５の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【０１４４】
第一脳活動データ取得部１０１６は、ユーザの頭蓋外部から、２種類以上の第一脳活動データを取得する。第一脳活動データは、例えば、ＮＩＲＳ（近赤外分光分析）、ｆＭＲＩ（機能的ＭＲＩ）、ＭＥＧ（脳磁計）、ＥＥＧ（脳波計）により取得されるデータのうちの２種類以上のデータである。第一脳活動データは正常学習データと同じ種類のデータである。
【０１４５】
第一脳活動データ取得部１０１６は、例えば、近赤外線光計測装置、および脳波計測装置である。また、第一脳活動データ取得部１０１６は、機能的ＭＲＩ（fMRI: functional Magnetic Resonance Imaging）、またはＰＥＴ(Positron Emission Tomography)なども有しても良い。第一脳活動データ取得部１０１６は、通常、第一学習データ取得部１０１２と同じである。
【０１４６】
第二脳活動データ取得部１０１７は、ユーザの頭蓋外部から取得された、２種類以上の第一脳活動データを、それぞれ、脳内の脳活動データに変換し、２種類以上の第二脳活動データを取得する。
【０１４７】
さらに具体的には、例えば、第二脳活動データ取得部１１７は、上記の数式１、数式２を用いて、２種類以上の第一脳活動データを、それぞれ変換し、２種類以上の第二脳活動データを得る。
【０１４８】
第二脳活動データ取得部１０１７は、通常、ＭＰＵやメモリ等から実現され得る。第二脳活動データ取得部１０１７の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【０１４９】
特徴量群取得部１０１８は、２種類以上の第二脳活動データ、ぞれぞれに対して信号処理し、１以上の特徴量である入力特徴量群を取得する。ここで、取得される入力特徴量群も２種類以上である。信号処理の方法は、上述した通りである。
【０１５０】
特徴量群取得部１０１８は、通常、ＭＰＵやメモリ等から実現され得る。特徴量群取得部１０１８の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【０１５１】
意図識別子取得部１０１９は、入力特徴量群に対応する意図識別子を、意図判別情報格納部１０１１に格納されている２以上の意図判別情報から取得する。意図識別子取得部１０１９が意図識別子を取得するアルゴリズムは問わない。意図識別子取得部１０１９は、例えば、入力特徴量群と、意図判別情報が有する学習特徴量群との距離を、意図識別子ごとに算出する。そして、意図識別子取得部１０１９は、距離が最も小さい学習特徴量群に対応する意図識別子を取得しても良い。また、意図識別子取得部１０１９は、２以上の意図判別情報を学習データとして、入力特徴量群を入力データとして、機械学習のアルゴリズムにより、意図識別子を取得することは好適である。意図識別子取得部１０１９は、例えば、Sparse Logistic Regressionと呼ばれる弁別器である。Sparse Logistic Regressionは、ＵＲＬ「https://www.autonlab.org/autonweb/10400.html」に記載されている公知の技術である。また、機械学習のアルゴリズムは問わない。意図識別子取得部１０１９は、例えば、ＳＶＭ（２つの分別の場合）、ＳＶＲ、決定木などの機械学習器などでも良い。意図識別子取得部１０１９における意図識別子の取得アルゴリズムは問わない。
【０１５２】
意図識別子取得部１０１９は、２種類以上の第二脳活動データのそれぞれを用いて、意図識別子を取得することは好適である。意図識別子取得部１０１９は、確率算出手段１０１９１、および意図識別子取得手段１０１９２により、意図識別子を取得することは好適である。
【０１５３】
意図識別子取得部１０１９は、通常、ＭＰＵやメモリ等から実現され得る。意図識別子取得部１０１９の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【０１５４】
確率算出手段１０１９１は、意図判別情報が有する学習特徴量群の種類ごとに、および意図識別子ごとに、対応する入力特徴量群の確率を算出する。例えば、第一脳活動データ取得部１０１６が近赤外線光計測装置および脳波計測装置である場合を考える。また、意図識別子は、左手「Ｌｅｆｔ」、右手「Ｒｉｇｈｔ」、舌「Ｔｏｎｇｕｅ」、足「Ｆｏｏｔ」の４種類である、とする。
【０１５５】
かかる場合、確率算出手段１０１９１は、ＮＩＲＳデータから取得された確率であり、意図識別子「Ｌｅｆｔ」である確率（ＰＮＩＲＳＬｅｆｔ）、ＮＩＲＳデータから取得された確率であり、意図識別子「Ｒｉｇｈｔ」である確率（ＰＮＩＲＳＲｉｇｈｔ）、ＮＩＲＳデータから取得された確率であり、意図識別子「Ｔｏｎｇｕｅ」である確率（ＰＮＩＲＳＴｏｎｇｕｅ）、ＮＩＲＳデータから取得された確率であり、意図識別子「Ｆｏｏｔ」である確率（ＰＮＩＲＳＦｏｏｔ）、脳波データから取得された確率であり、意図識別子「Ｌｅｆｔ」である確率（ＰＥＥＧＬｅｆｔ）、脳波データから取得された確率であり、意図識別子「Ｒｉｇｈｔ」である確率（ＰＥＥＧＲｉｇｈｔ）、脳波データから取得された確率であり、意図識別子「Ｔｏｎｇｕｅ」である確率（ＰＥＥＧＴｏｎｇｕｅ）、脳波データから取得された確率であり、意図識別子「Ｆｏｏｔ」である確率（ＰＥＥＧＦｏｏｔ）の８つの確率を取得する。確率算出手段１０１９１の確率算出方法は、例えば、確率算出手段１１９１と同じである。
【０１５６】
そして、次に、確率算出手段１０１９１は、数式１０を用いて、上記の８つの確率（２種類のデータから取得された意図識別子ごとの確率）を統合して、意図識別子ごとの最終的な確率を算出する。Ｐｔｏｔａｌｔｅｘｔが最終的な確率である。Ｐｔｏｔａｌｔｅｘｔは、意図識別子ＴＥＸＴ（Ｌｅｆｔ、Ｒｉｇｈｔ、Ｔｏｎｇｕｅ、またはＦｏｏｔ）の最終的な確率である。なお、確率算出手段１０１９１は、数式１０の情報を予め保持している。
【数１０】
【０１５７】
なお、数式１０において、ｗは重みを示す重みパラメータである。「ｗ＝１」の場合、第一確率（脳波データから取得された確率）も第二確率（ＮＩＲＳデータから取得された確率）も同じ重みで扱うことを示す。「ｗ＝２」の場合、第一確率より第二確率の方に重きを置いて扱うことを示す。
【０１５８】
また、数式１０において、ｉは、意図識別子「Ｌｅｆｔ、Ｒｉｇｈｔ、Ｔｏｎｇｕｅ、Ｆｏｏｔ」のいずれかである。さらに、ＰＮＩＲＳｉは近赤外線光計測装置（ＮＩＲＳデータ）から得られる確率、ＰＥＥＧｉは、脳波計測装置（脳波データ）から得られる確率である。
【０１５９】
また、確率算出手段１０１９１は、脳活動データの種類ごと（例えば、ＮＩＲＳデータや脳波データなどごと）に、それぞれ得意とする意図（例えば、ＮＩＲＳデータが左手「Ｌｅｆｔ」、右手「Ｒｉｇｈｔ」、脳波データが左手「Ｔｏｎｇｕｅ」、右手「Ｆｏｏｔ」）のみを使って、意図識別子ごとの最終的な確率を取得しても良い。かかる場合、確率算出手段１０１９１は、脳活動データの種類を識別する情報と、得意とする意図を識別する意図識別子を対応付けて保持している。
【０１６０】
確率算出手段１０１９１は、通常、ＭＰＵやメモリ等から実現され得る。確率算出手段１０１９１の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【０１６１】
意図識別子取得手段１０１９２は、意図識別子ごとの最終的な確率から、最も大きい確率に対応する意図識別子を取得する。意図識別子取得手段１０１９２は、通常、一の意図識別子のみを取得する。意図識別子取得手段１０１９２は、通常、ＭＰＵやメモリ等から実現され得る。意図識別子取得手段１０１９２の処理手順は、通常、ソフトウェアで実現され、当該ソフトウェアはＲＯＭ等の記録媒体に記録されている。但し、ハードウェア（専用回路）で実現しても良い。
【０１６２】
次に、ロボットシステム２の動作について説明する。まず、脳情報出力装置２１の動作について説明する。図１１は、脳情報出力装置２１が学習データを取得する動作を説明するフローチャートである。学習データとは、ここでは、意図判別情報である。なお、図１１のフローチャートにおいて、学習データの種類は、３以上でも対応可能なフローを示している。
【０１６３】
（ステップＳ１１０１）第一学習データ取得部１０１２は、第一学習データを取得するか否かを判断する。第一学習データを取得するのであればステップＳ１１０２に行き、第一学習データを取得しないのであればステップＳ１１０４に行く。なお、例えば、第一学習データを取得するために、図示しない出力手段が、ユーザに対して、意図に対応する動作（思考、想像なども含む）を行うことを示す指示を出力する。そして、かかる指示が出力された後、所定期間（例えば、１０秒など）、第一学習データ取得部１１２は、第一学習データを取得する、と判断する。また、意図に対応する動作を行うことを示す指示とは、「右手を１０秒間、振ってください。」「１５秒間、足をばたつかせてください。」などの情報である。
【０１６４】
（ステップＳ１１０２）第一学習データ取得部１０１２は、ユーザの頭蓋外部から、すべての種類の第一学習データを取得する。
【０１６５】
（ステップＳ１１０３）第一学習データ取得部１０１２は、ステップＳ１１０２で取得したすべての種類の第一学習データを、記録媒体に、少なくとも一時的に蓄積する。なお、第一学習データ取得部１０１２は、通常、意図を識別する意図識別子と対にして、各種類の第一学習データを蓄積する。ステップＳ１１０１に戻る。
【０１６６】
（ステップＳ１１０４）第一学習データ取得部１１２は、第一学習データを取得する処理を終了するか否かを判断する。終了する場合はステップＳ１１０５に行き、終了しない場合はステップＳ１１０１に戻る。なお、第一学習データ取得部１１２は、例えば、すべての意図識別子に対応する第一学習データを取得した場合、第一学習データの取得処理を終了すると判断する。
【０１６７】
（ステップＳ１１０５）異常データ除去部１０１１は、カウンタｉに１を代入する。
【０１６８】
（ステップＳ１１０６）異常データ除去部１０１１は、ｉ番目の種類の第一学習データが存在するか否かを判断する。ｉ番目の種類の第一学習データが存在すればステップＳ１１０７に行き、ｉ番目の種類の第一学習データが存在しなければ上位処理にリターンする。
【０１６９】
（ステップＳ１１０７）異常データ除去部１０１１は、ｉ番目の種類の第一学習データに対して、異常データ除去処理を行う。そして、異常データ除去部１０１１は、ｉ番目の種類の正常学習データを取得する。異常データ除去処理について、図１２のフローチャートを用いて説明する。
【０１７０】
（ステップＳ１１０８）第二学習データ取得部１０１３は、ｉ番目の種類の正常学習データに対して、変換処理を行い、第二学習データを取得する。変換処理とは、ユーザの頭蓋外部から取得された正常学習データを、脳内の脳活動のデータである第二学習データに変換する処理である。変換処理の例について、図６のフローチャートを用いて説明した。
【０１７１】
（ステップＳ１１０９）第二学習データ取得部１０１３は、ステップＳ１１０８で取得した第二学習データを、記録媒体に、少なくとも一時蓄積する。
【０１７２】
（ステップＳ１１１０）学習特徴量群取得部１０１４は、ステップＳ１１０９で蓄積された第二学習データから、１以上の特徴量である学習特徴量群を取得する。
【０１７３】
（ステップＳ１１１１）意図判別情報蓄積部１０１５は、学習特徴量群取得部１０１４が取得した学習特徴量群と、一の意図を識別する意図識別子とを有する意図判別情報とから、意図判別情報を構成する。なお、通常、意図識別子は、第一学習データまたは正常学習データまたは第二学習データと対応付けて管理されている。
【０１７４】
（ステップＳ１１１２）意図判別情報蓄積部１０１５は、ステップＳ１１０８で構成した意図判別情報を、意図判別情報格納部１０１１に蓄積する。処理を終了する。
【０１７５】
（ステップＳ１１１３）異常データ除去部１０１１は、カウンタｉを１、インクリメントする。ステップＳ１１０６に戻る。
【０１７６】
次に、ステップＳ１１０７の異常データ除去処理について、図１２のフローチャートを用いて説明する。
【０１７７】
（ステップＳ１２０１）異常データ除去部１０１１は、カウンタｉに１を代入する。
【０１７８】
（ステップＳ１２０２）異常データ除去部１０１１は、ｉ番目のセンサが存在するか否かを判断する。ｉ番目のセンサが存在すればステップＳ１２０３に行き、ｉ番目のセンサが存在しなければステップＳ１２１０に行く。
【０１７９】
（ステップＳ１２０３）異常データ除去部１０１１は、ｉ番目のセンサが取得した全トライアルの全データの平均値、および標準偏差を取得する。なお、かかる場合、異常データ除去部１０１１は、ｉ番目のセンサについての、全時系列データでの平均値を基準点として定め、基準補正を行なうことは好適である。また、補正後波形から１サンプルごとに振幅の絶対値を取り、値の大きいものからｘ％（例えば、「ｘ＝５」）のサンプルは信頼区間から外れて発生したものと仮定して破棄することは好適である。
【０１８０】
（ステップＳ１２０４）異常データ除去部１０１１は、カウンタｊに１を代入する。
【０１８１】
（ステップＳ１２０５）異常データ除去部１０１１は、ｊ番目のトライアルが存在するか否かを判断する。ｊ番目のトライアルが存在すればステップＳ１２０６に行き、ｊ番目のトライアルが存在しなければステップＳ１２０９に行く。
【０１８２】
（ステップＳ１２０６）異常データ除去部１０１１は、ｉ番目のセンサのｊ番目のトライアルの全サンプル（全データ）を取得する。
【０１８３】
（ステップＳ１２０７）異常データ除去部１０１１は、ステップＳ１２０６で取得された各サンプル（データ）に対して、一定以上のずれが存在するか否かを判断する。そして、異常データ除去部１０１１は、一定以上のずれが存在するサンプルに対しては、不適切データとして登録する。なお、異常データ除去部１０１１は、例えば、１サンプルごとに、絶対値が標準偏差の何倍であるかを調べる。そして、異常データ除去部１０１１は、例えば、絶対値が標準偏差の９倍以上のサンプルを不適切データと判断する。
【０１８４】
（ステップＳ１２０８）異常データ除去部１０１１は、カウンタｊを１、インクリメントする。ステップＳ１２０５に戻る。
【０１８５】
（ステップＳ１２０９）異常データ除去部１０１１は、カウンタｉを１、インクリメントする。ステップＳ１２０２に戻る。
【０１８６】
（ステップＳ１２１０）異常センサ除去手段１０１１２は、カウンタｉに１を代入する。
【０１８７】
（ステップＳ１２１１）異常センサ除去手段１０１１２は、ｉ番目のセンサが存在するか否かを判断する。ｉ番目のセンサが存在すればステップＳ１２１１に行き、ｉ番目のセンサが存在しなければステップＳ１２１６に行く。
【０１８８】
（ステップＳ１２１２）異常センサ除去手段１０１１２は、ｉ番目のセンサが取得したデータの中で、不適切なデータの数を取得する。
【０１８９】
（ステップＳ１２１３）異常センサ除去手段１０１１２は、ステップＳ１２１２で算出した不適切なデータの数が、予め決められた数（割合でも良い）以上であるか否かを判断する。予め決められた数以上であればステップＳ１２１４に行き、予め決められた数以上でなければステップＳ１２１６に行く。
【０１９０】
（ステップＳ１２１４）異常センサ除去手段１０１１２は、ｉ番目のセンサはＢａｄ Ｓｅｎｓｏｒであるとし、ｉ番目のセンサが取得したデータを消去する。
【０１９１】
（ステップＳ１２１５）異常センサ除去手段１０１１２は、カウンタｉを１、インクリメントする。ステップＳ１２１１に戻る。
【０１９２】
（ステップＳ１２１６）異常トライアル除去手段１０１１１は、カウンタｊに１を代入する。
【０１９３】
（ステップＳ１２１７）異常トライアル除去手段１０１１１は、ｊ番目のトライアルが存在するか否かを判断する。ｊ番目のトライアルが存在すればステップＳ１２１８に行き、ｊ番目のトライアルが存在しなければ上位処理にリターンする。
【０１９４】
（ステップＳ１２１８）異常トライアル除去手段１０１１１は、ｊ番目のトライアルに含まれるデータの中で、不適切なデータの数を取得する。
【０１９５】
（ステップＳ１２１９）異常トライアル除去手段１０１１１は、ステップＳ１２１８で算出した不適切なデータの数が、予め決められた数（割合でも良い）以上であるか否かを判断する。予め決められた数以上であればステップＳ１２２０に行き、予め決められた数以上でなければステップＳ１２２１に行く
【０１９６】
（ステップＳ１２２０）異常トライアル除去手段１０１１１は、ｊ番目のトライアルはＢａｄ Ｔｒｉａｌであるとし、ｊ番目のトライアルの際に取得されたデータを消去する。
【０１９７】
（ステップＳ１２２１）異常トライアル除去手段１０１１１は、カウンタｊを１、インクリメントする。ステップＳ１２１７に戻る。
【０１９８】
なお、図１２のフローチャートにおいて、異常トライアル、および異常センサのデータを除去するアルゴリズムは、上記に限られない。
【０１９９】
また、図１２のフローチャートにおいて、異常トライアルの除去のみ、異常センサの除去のみでも良い。
【０２００】
さらに、図１２のフローチャートにおいて、異常トライアルの除去と異常センサの除去の順序は問わない。
【０２０１】
次に、脳情報出力装置２１が、２以上の意図判別情報を用いて、意図識別子を取得する動作を、図１３のフローチャートを用いて説明する。
【０２０２】
（ステップＳ１３０１）第一脳活動データ取得部１０１６は、第一脳活動データを取得したか否かを判断する。脳活動データを取得すればステップＳ１３０２に行き、脳活動データを取得しなければステップＳ１３０１に戻る。
【０２０３】
（ステップＳ１３０２）第一脳活動データ取得部１０１６は、ステップＳ１３０１で取得した第一脳活動データを、少なくとも一時、記録媒体に蓄積する。
【０２０４】
（ステップＳ１３０３）第一脳活動データ取得部１０１６は、すべての種類の脳活動データを取得できたか否かを判断する。すべての種類の脳活動データを取得できていればステップＳ１３０４に行き、取得できていなければステップＳ１３０１に戻る。なお、第一脳活動データ取得部１０１６は、取得するべき、すべての種類の脳活動データを識別する情報（例えば、「ＮＩＲＳ」「ＥＥＧ」など）を保持している。
【０２０５】
（ステップＳ１３０４）第二脳活動データ取得部１０１７は、カウンタｉに１を代入する。
【０２０６】
（ステップＳ１３０５）第二脳活動データ取得部１０１７は、ステップＳ１３０２で蓄積された第一脳活動データのうち、ｉ番目の種類の第一脳活動データが存在するか否かを判断する。ｉ番目の種類の第一脳活動データが存在すればステップＳ１３０６に行き、ｉ番目の種類の第一脳活動データが存在しなければステップＳ１３１０に行く。
【０２０７】
（ステップＳ１３０６）第二脳活動データ取得部１０１７は、ｉ番目の種類の第一脳活動データを変換し、ｉ番目の種類の第二脳活動データを得る。かかる変換処理については、図６のフローチャートを用いて説明した。なお、ここで変換処理を行う対象の第一脳活動データは、すべての種類の第一脳活動データでなく、例えば、一つの種類の第一脳活動データ（例えば、脳波データ）だけでも良い。
【０２０８】
（ステップＳ１３０７）特徴量群取得部１０１８は、ｉ番目の種類の第二脳活動データから、ｉ番目の特徴量群を取得する。
【０２０９】
（ステップＳ１３０８）確率算出手段１０１９１は、ｉ番目の意図判別情報（対応する意図判別情報格納部に存在する）を用いて、意図識別子ごとのｉ番目の確率を算出する。
【０２１０】
（ステップＳ１３０９）第二脳活動データ取得部１０１７は、カウンタｉを１、インクリメントする。ステップＳ１３０５に戻る。
【０２１１】
（ステップＳ１３１０）確率算出手段１０１９１は、意図識別子ごとに、１番目の確率（第一確率とも言う）から（ｉ−１）番目の確率（第（ｉ−１）確率とも言う）を用いて、最終的な確率を算出する。かかる算出式は、例えば、数式１０である。
【０２１２】
（ステップＳ１３１１）意図識別子取得手段１０１９２は、ステップＳ１３１０で算出した意図識別子ごとの最終的な確率から、最も大きい確率に対応する意図識別子を取得する。
【０２１３】
（ステップＳ１３１２）意図識別子出力部１２０は、ステップＳ１３１１で取得された意図識別子を出力する。処理を終了する。
【０２１４】
以下、本実施の形態におけるロボットシステム２の具体的な動作について説明する。ロボットシステム２の概念図は図１である。この具体的な動作は、一の実験に基づいている。また、ロボットシステム１の動作は、ロボットシステム２の動作に含まれる。
【０２１５】
今、脳情報出力装置１１は、いわゆる脳・機械インタフェース（左手・右手の実運動）として機能する電子機器である。そして、脳情報出力装置１１から出力される意図識別子は、ロボット１２に送付され、ロボット１２は意図識別子に対応した動作を行う、とする。
【０２１６】
そして、この実験には成人男性２名（Ｓｕｂｊｅｃｔ１、およびＳｕｂｊｅｃｔ２）が参加した。Ｓｕｂｊｅｃｔ１はＢＭＩの慣れている被験者である。また、もう一人のＳｕｂｊｅｃｔ２は、今までに本格的なＢＭＩ実験は体験したことのない被験者である。それぞれの被験者には左手（ＬＥＦＴ ＨＡＮＤ）・右手（ＲＩＧＨＴ ＨＡＮＤ）・舌（ＴＯＮＧＵＥ）・足（ＦＯＯＴ）の４つにそれぞれ関連する運動イメージをしてもらい、その際の脳波と脳血流量変化を脳波計・ＮＩＲＳ計測装置の同時計測によって計測を行う、とする。本実験ではＥＥＧからの電流源の推定に焦点を当て、ＮＩＲＳに対する解析は行わない、とする。つまり、ＮＩＲＳデータに対して、第二学習データ取得部１０１３、および第二脳活動データ取得部１０１７の変換処理は行わない。また、第一学習データ取得部１０１２、および第一脳活動データ取得部１０１６は、脳波計、およびＮＩＲＳ計測装置である。さらに、意図識別子は、右手・左手・舌・足の４つである。
【０２１７】
ここで、それぞれの被験者が行うタスクを、図１４に示す。
【０２１８】
脳波計はＢｉｏｓｅｍｉ社の高性能デジタルＥＥＧ、ＡｃｔｉｖｅＴｗｏシステムを使用し、６４チャンネルで２５６Ｈｚのサンプリングで計測する。ただし、電流源推定にはＥＥＧの正確な計測位置が必要となるため、実験日ごとにＰＯＬＨＥＭＵＳ社製のＦａｓｔＳＣＡＮとＭＲＩによる構造画像を合わせることで、センサと大脳皮質との位置関係の情報を得られるようにした。
【０２１９】
脳血流量変化の計測には、島津製作所製のＮＩＲＳ計測装置、研究用光脳機能イメージング装置ＦＯＩＲＥ−３０００を使用し、頭頂を中心に４８チャンネルセンサを用いて７．７ＨｚのサンプリングレートでＯｘｙ−Ｈｂ（酸素化ヘモグロビン）の変化量を記録した。
【０２２０】
また、脳波と脳血流量変化の同時計測を行うために島津製作所製の同時計測キャップを用いた。
【０２２１】
そして、被験者はスクリーンに向かって座り、リラックスした状態で実験は行う。指示はスクリーンとスピーカから与えられ、１０秒間のレストの後、ビープ音と同時にタスクの指示を行い、その２秒後にイメージを開始してもらい、イメージは１０秒間、一定のリズムで継続して行なってもらう。この指示の際には、レスト時はスクリーンには格子点を、タスク指示には上下左右方向の矢印を、タスク時には注視点をそれぞれ提示した。このレスト、指示、タスクの流れを各タスク７回ずつの合計２８回で１ｒｕｎとし、１Ｓｅｓｓｉｏｎ＝５ｒｕｎとしてＳｅｓｓｉｏｎごとに３０分ほどの休憩を挟んだ。ただし、計測準備等の理由から１ｒｕｎごとにも実質１分ほどの休憩を挟んでいる。１日で合計３Ｓｅｓｓｉｏｎ、各タスク１０５回ずつ、合計４２０回分のトライアルデータを計測した。ここまでの実験の流れは、図１５に示すとおりである。
【０２２２】
脳の機能局在論を考慮すると、活動領域を含めた情報が脳活動の弁別性能の向上に繋がることが期待される。そこで、頭皮上で計測される情報から脳表上（脳内）での活動を推定するために、前述の階層変分ベイズ法を適用し、脳活動の弁別性能向上につなげることとした。階層変分ベイズ法に関しては、前述の数式１から数式９の通りである。
【０２２３】
前述の数式１において、脳波（ＥＥＧ）のセンサは６４からせいぜい１２８程度である。すなわち、数式１において観測される電場Ｅは（６４×１）から（１２８×１）程度のベクトルとなる。しかし、脳内電流分布の点数は数万点を想定しており、すなわち、数式１において脳内電流Ｊは（数万×１）程度のベクトルとなり、解析的に数式１を解くことは一般的に不可能であり、不良設定問題と呼ばれる。それに対して、階層変分ベイズ法をつかって、電流分布Ｊの推定の後、電流分散αの推定を行い、求まった電流分散αから再び電流分布Ｊを推定するように、電流分布と電流分散の推定を交互におこなうことで、適切なＪとαを求める。
【０２２４】
また、電流分散の推定の際は、「ｆＭＲＩによる活動情報」「脳が局所的に活動しがちな点から、物理的に近い双極子間での電流強度の相関が大きい」「脳の裏側への推定は行なわない」といった情報をα−１に対する事前確率として与えることで、これらの双極子での電流強度を０にする確率を高めておき、α−１の値が大きくなった電流源に対しては、適宜スパース化を行っている。本実験では、その結果、数万点の電流源から２２３３点にまでスパース化した電流源に対して推定電流を求めている。なお、事前確率にｆＭＲＩの活動情報が含まれているが、仮に誤ったｆＭＲＩの情報を含んでいても観測データによって適切な電流源の推定ができる。
【０２２５】
被験者のうち１名（以降、Ｓｕｂｊｅｃｔ１）は１０月から１２月にかけて９実験日分、もう一人（以降、Ｓｕｂｊｅｃｔ２）に関しては１２月以降の４実験日分を解析に用いた。Ｓｕｂｊｅｃｔ１の解析には１１月までに行なわれた実験日のデータから特徴量の選択のための解析パラメータを決定し、Ｓｕｂｊｅｃｔ２に関しては、傾向からパラメータの選択をするだけのデータ数がないために、異常データ除去部１０１１が行う異常データ除去処理以外は、Ｓｕｂｊｅｃｔ１のパラメータを適用させることにした。
【０２２６】
また、電流源推定のための空間フィルターは実験日の１〜１０ｒｕｎ分を用いて計算し、１１〜１５ｒｕｎのテストに用いるデータも、１〜１０ｒｕｎのデータを基に作られた空間フィルターを用いて、脳表上の推定電流を計算した上で、学習と弁別を行った。ただし、電流源の推定の際は先述のとおり空間フィルターを求める際に脳波以外の信号が多く含まれると推定に悪影響を及ぼすことが考えられるため、ノイズやアーティファクトが含まれていると考えられるデータは予め破棄している。このデータを破棄する異常データ除去は、異常データ除去部１０１１は行う。
【０２２７】
ここで、異常データ除去部１０１１が行う、異常データ除去処理の概念を説明する（図１６）。まず、脳情報出力装置２１において、ユーザ（Ｓ１１）の脳活動データを、複数のセンサ（Ｓ１２）を具備した脳活動計測装置（Ｓ１３）で計測し、生の脳活動データ１（計測データ１）を得る。ここで、脳活動計測装置（Ｓ１３）は、第一学習データ取得部１０１２である。なお、計測データ１は、ある動作（例えば、体を動かしたり、想像したりなど）を一度行った際の一連のトライアルデータの複数から構成される。また、脳活動データ１（計測データ１）は、例えば、脳波データである。また、トライアルデータは、脳活動計測装置Ｓ１３に具備された複数センサ（Ｓ１２）からの時系列データで構成される。その脳活動データ１のうち、外部ノイズや異常なノイズが入っているセンサを異常センサ除去装置（Ｓ１４）で除去する。ここで、異常センサ除去装置（Ｓ１４）は、異常センサ除去手段１０１１２である。
【０２２８】
また、異常なノイズが複数入っているトライアルデータに関しては、異常トライアル除去装置（Ｓ１５）で除去する。ここで、異常トライアル除去装置（Ｓ１５）は、異常トライアル除去手段１０１１１である。
【０２２９】
異常センサ除去装置（Ｓ１４）と異常トライアル除去装置（Ｓ１５）によって、異常なデータが除去され、正常な脳活動データ（正常データ３）を得る。正常データ３とは、正常学習データである。
【０２３０】
脳情報出力装置２１において、正常データ３を意図検出用アルゴリズム（Ｓ１６）に入れることで、意図検出アルゴリズム内の各種パラメータ（Ｓ１７）を調整する。脳情報出力装置２１では、調整したパラメータ（Ｓ１７）と意図検出アルゴリズムＳ１６により非常に性能の高い脳・機械インタフェースを提供する。なお、意図検出アルゴリズムとは、意図識別子取得部１０１９に該当する。また、パラメータ（Ｓ１７）は、学習特徴量群に該当する。
【０２３１】
今、第一学習データ取得部１０１２は、複数のセンサを具備し、脳波データおよびＮＩＲＳデータを、ユーザの脳から取得する、とする。つまり、第一学習データ取得部１０１２は、脳波計測装置およびＮＩＲＳ計測装置である。ただし、ここでは、脳波データから、異常データを除去する処理について説明する。
【０２３２】
そして、第一学習データ取得部１０１２は、図１７に示す脳波データを取得した、とする。この脳波データは、６つのセンサから取得された脳波の時系列データである。そして、第一学習データ取得部１０１２は、取得した学習データ（図１７）を、記録媒体に一時的に蓄積する。
【０２３３】
次に、脳情報出力装置２１は、図１７の第一学習データから、異常データの除去処理を行う。つまり、異常データ除去部１０１１は、例えば、以下のステップ（（１）から（８））で、異常データの除去処理を行う。ここで、異常データ除去処理について、図１８の概念図を用いて説明する。
（１）異常データ除去部１０１１は、センサごとに、全時系列データを取得する。そして、異常データ除去部１０１１は、センサごとに、全時系列データの平均値と標準偏差σを算出する。ここで、全時系列データとは、全てのトライアルにまたがるデータのことを言う。
（２）異常データ除去部１０１１は、各センサと各トライアルデータ（図１８（ａ））に関して、その平均値を基準点として定め、脳波の時系列データに対して、基準補正を行い、全時系列データを２乗することで信号のパワーを計算する（図１８（ｂ））。取得されるデータは、（複数センサ×時系列×複数トライアル）の３次元データである。
（３）異常データ除去部１０１１は、前記の信号のパワーに対して分布を計算する。なお、この分布は一般的にはχ二乗分布に従う。そして、値の大きいものから５％のサンプルを破棄する（図１８（ｃ））。値の大きい５％のサンプルは、通常の状態でも起こりえるノイズと仮定して破棄したものである。
（４）異常データ除去部１０１１は、５％のサンプルを破棄し、残された各データの絶対値を用いて、最大のパワーＰ９５を求める。
（５）異常データ除去部１０１１は、各センサの各トライアルごとに、前記のＰ９５を前記の標準偏差σで割ったｍａｍｐを計算し、図１８（ｄ）のマトリクスを求める。
（６）異常データ除去部１０１１は、事前に与えられた異常データ除去用の定数ａと前記のマトリクスを比較し、ａよりも大きいｍａｍｐをチェックする。定数ａとしては、「９」が好適である。また、図１８（ｄ）において、マトリクス上に斜めの線が入ったデータが、不適切なデータとして除かれたサンプルである。
（７）異常データ除去部１０１１は、各センサに対してトライアル方向に対して不適切データがいくつあるかを数える。この数をｂｓｅｎｓｏｒとする。ここで、各センサに対してトライアル方向に対して数えるとは、図１８（ｄ）において、横方向に斜めの線が入っている不適切データがいくつあるかを各センサごとに数えることである。また、異常データ除去部１０１１は、各トライアルに対してセンサ方向に対して不適切データがいくつあるかを数えるｂｔｒｉａｌとする。ここで、各トライアルに対してセンサ方向に対して数えるとは、図１８（ｄ）において、縦方向に斜めの線が入っている不適切データがいくつあるかを各トライアルごとに数えることである。
（８）異常データ除去部１０１１は、事前に与えられた異常データ除去用の定数ｃｓｅｎｓｏｒと前記のｂｓｅｎｓｏｒを比較し、ｂｓｅｎｓｏｒがｃｓｅｎｓｏｒよりも大きい場合、そのセンサは異常があると判断し、異常センサとして、当該センサが取得したデータを除去する（「異常センサ除去」という）。ここで、事前に与える定数ｃｓｅｎｓｏｒは、全トライアル数の５％程度が好適である。また、異常データ除去部１１４は、事前に与えられた異常データ除去用の定数ｃｔｒｉａｌと前記のｂｔｒｉａｌを比較し、ｂｔｒｉａｌが ｃｔｒｉａｌよりも大きい場合、そのトライアルは異常があると判断し、異常トライアルとして、当該トライアルの際に取得されたデータを除去する（「異常トライアル除去」という）。ここで、事前に与える定数ｃｔｒｉａｌは、全センサ数の５％程度が好適である。
【０２３４】
なお、異常データ除去部１０１１は、異常センサ除去後にｂｔｒｉａｌを数えなおしたり、異常トライアル除去後にｂｓｅｎｓｏｒを数えなおしたりしても良い。その際、異常センサ除去と異常トライアル除去のどちらを先に行っても良いし、異常センサ除去と異常トライアル除去を複数回繰り返しても良い。
【０２３５】
以上の処理により、異常データ除去部１０１１は、学習データから異常なデータを除き、正常学習データを取得することができる。つまり、異常データ除去部１０１１は、１以上の各部分学習データ（一センサのサンプルの集合や、一トライアルのサンプルの集合）の特性値（標準偏差のｍａｍｐ倍を越えたサンプルの個数や、標準偏差のｍｄｉｆｆ倍（境界値）を越えたサンプルの個数など）を取得し、当該特性値を用いて、各部分学習データが正常であるか異常であるかを判断し、異常であると判断した部分学習データを、学習データから除き、正常学習データを取得できた。次に、異常データ除去部１０１１は、異常データ除去処理を行った結果である、正常学習データを一時蓄積する。
【０２３６】
また、本実験において、以下のように特徴量を決定した。つまり、本実験では６４ｃｈのＥＥＧから２２３３点の電流源での活動を推定した。また、弁別に用いる特徴量には、推定電流における周波数帯のパワーから学習・判別を行うことにした。しかし、仮に推定された電流源２２３３点と複数の周波数帯との組み合わせとなると、特徴量の数は膨大なものとなる。これだけの特徴量を全て用いて学習を行なってしまうと、弁別器にも依存するが、過学習による汎化性能の低下が起こる可能性があり、計算コストの観点からも実用は難しい。
【０２３７】
従って、これらの問題を防ぐためにも予め有効な特徴量だけを抽出する必要がある。本実験では、その特徴量の抽出方法として、まず多重検定を行い、タスク間で差の大きい電流源と周波数帯域を選んだ後、学習器には、上述した異常データ除去部１０１１（Ｓｐａｒｓｅ Ｌｏｇｉｓｔｉｃ Ｒｅｇｒｅｓｓｉｏｎ）を用いて、さらなる特徴量の絞込みを行なっている。
【０２３８】
特徴量は周波数成分のパワーを用いることにした。ただし、今回の実験デザインではイメージに対して明確なオンセット位置がわかないため、タスク中の全区間でのパワーの平均を用いた。
【０２３９】
次に多重検定の手順について述べる。多重検定を行うために、次の変数を定義した。
ｎ ：電流源の番号
Ｎ ：電流源の総数
ｌ ：タスクラベル番号
Ｌ ：タスクラベルの種類
ｆ ：周波数帯域［Ｈｚ］
ｍｌ ：タスクラベルｌの付けられたトライアル番号
Ｍｌ ：タスクラベルｌの付けられたトライアルの総数
【０２４０】
これらの変数から、Ｐ（ｆ，ｎ，ｌ，ｍｌ）を定義する。Ｐ（ｆ，ｎ，ｌ，ｍｌ）は、次の手順で求められる（図１９参照）。
（１）ｎ番目の電流源での推定電流に対して、タスクラベルｌ：ｌ∈｛１，２，３，４｝が付けられたｍｌ番目のタスク区間の信号を抽出する。
（２）抽出した信号に対して周波数変換を行い、パワーを計算する。
（３）その中のｆ［Ｈｚ］帯域のパワーをＰ（ｆ，ｎ，ｌ，ｍｌ）と定義する。
【０２４１】
こうして求まったＰ（ｆ，ｎ，ｌ，ｍｌ）に対して、次の手順で多重検定を行う。なお、この手順の概略図は図２０に示す。
（４）Ｐ（ｆ，ｎ，ｌ，ｍｌ）に対して、全トライアルの平均値Ｐバー（ｆ，ｎ，ｌ）を求める。なお、Ｐバーとは、Ｐの上部に「−」が存在する記号である。
（５）それぞれのタスクｌｉ，ｌｊの組み合わせ（総数４Ｃ２＝６通り）に対してそれぞれの分散を考慮したｔ検定を行う（数式１１参照）。
【数１１】
【０２４２】
ここで、Ｖｗは誤差分散であり、Ｐ（ｆ，ｎ，ｌ，ｍｌ）の同タスク内の分散σ（Ｐ（ｆ，ｎ，ｌ，ｍｌ））２を用いて数式１２のように表される。
【数１２】
（６）次に、同じ組み合わせで求まった統計量ｔｌｉ，ｌｊ同士の全ての周波数帯での和ｔ'ｌｉ，ｌｊを求める（数式１３参照）。
【数１３】
（７）全ての電流源において、ｔ'ｌｉ，ｌｊを求め、ｉ，ｊの組み合わせごとに値が大きいものからｎｓｅｌｅｃｔ個ずつを特徴量として選び出す。
【０２４３】
この多重検定からの電流源選択によって、特定のタスク同士の組み合わせに対して、全周波数帯で平均して差が出やすい電流源が選ばれたことになる。ここまでの一連の流れの概略を図２０に示す。
【０２４４】
さらに、先ほどは全周波数帯域の和から求めたｔ'n(ｌｉ，ｌｊ)に対して、今度は同様に全電流源に対する和を取ったｔ'ｆ（ｌｉ，ｌｊ）を求める。ｔ'ｆ（ｌｉ，ｌｊ）は、同じ電流源からの推定電流でもタスクごとに違いの出やすい周波数帯域ほど大きな値している。こちらからも同様に値の大きなものからｎｓｅｌｅｃｔ点を、違いの出やすい周波数帯域として選び出す。
多重検定による選定に必要なパラメータｎｓｅｌｅｃｔについては、今回、テストにも学習にも使用しないＳｕｂｊｅｃｔ１の９月に計測した８日分のデータを用いて検証を行い、ｎｓｅｌｅｃｔ＝２０とし、さらにそれを全休左右半球ごとに選択することにした。
【０２４５】
こうして定めた電流源と周波数帯域の組み合わせを特徴量として、Ｓｐａｒｓｅ Ｌｏｇｉｓｔｉｃ Ｒｅｇｒｅｓｓｉｏｎを用いて学習と弁別を行なった。
（実験結果）
【０２４６】
実験日ごとに脳表上にマッピングした上で弁別を行なった結果と、比較のため、頭皮で計測された脳波に対して推定電流と同様の方法で多重検定を行って、有効と思われるセンサと周波数帯域を特徴量として選出し、センサレベルで弁別を行った結果を示す。
（１）Ｓｕｂｊｅｃｔ１
【０２４７】
Ｓｕｂｊｅｃｔ１に対して９日間での弁別の結果を図２１、図２２に示す。この実験結果から帰無仮説として両者に正答率の差がないとしたときのｔ検定を行った結果、この帰無仮説は有意水準５％では破棄され、一般的には、電流源の推定を行なうことは、弁別において効果があり、弁別性能が向上したとすることができる。また、正解率に関しても、Ｋａｐｐａ統計量では０．５〜０．８で、これも、一般的に高い一致率であるということができる。
（２）Ｓｕｂｊｅｃｔ２
【０２４８】
Ｓｕｂｊｅｃｔ２に対して、同様のパラメータでの解析を行ったところ、そのほとんどがノイズやアーティファクトを含む、Ｂａｄ Ｓｅｎｓｏｒとして破棄されてしまった。これは、比較的安定して実験を行えるＳｕｂｊｅｃｔ１の基準が、まだほとんど被験者の経験のないＳｕｂｊｅｃｔ２に対しては厳しすぎた可能性が考えられる。
【０２４９】
そこで、大きな体の揺れからくるアーティファクトを取り除くため、１Ｈｚのハイパスフィルタを適用し、除去なしでもある程度の推定結果が得られていたことから、センサ・トライアル、共に除去なしでの推定と学習を行った。
【０２５０】
Ｓｕｂｊｅｃｔ１と同様にＥＥＧのセンサレベルでのデータに対しても多重比較を行った結果と併せて、図２３、図２４に示す。
【０２５１】
同様にｔ検定を行った結果、有意水準５％で、差があることは証明できた。ＢＭＩの被験者として経験の浅いＳｕｂｊｅｃｔ２の方がＳｕｂｊｅｃｔ１に比べてＥＥＧとの差が大きいことがわかった。
【０２５２】
以上、本実施の形態によれば、階層ベイズにより電流源推定を行なった結果、運動イメージ判別の性能が上がることを示せた。また、考察として、判別に寄与した電流源の分布と、学習数の増減による、性能の比較を行った。なお、以降の考察においては、データ数の関係からＳｕｂｊｅｃｔ１について考察を行う。
（判定に寄与した電流源の分布）
【０２５３】
本実験では、特徴量は先に述べたとおり、ある電流源での推定電流の特定周波数帯のパワーを用いており、多重解析やスパース化の結果、最終的に重みとして残る電流源は、１日あたり６０個前後にまで絞り込まれる。
【０２５４】
今回の解析の結果、重みとして最終的に残った電流源を示したのが、図２５である。Ｓｐａｒｓｅ Ｌｏｇｉｓｔｉｃ Ｒｅｇｒｅｓｓｉｏｎでは、１つのタスク対他のタスクでの２値判別を４つのタスクに対してそれぞれ行い、その過程で判別にあまり寄与しないものをスパース化している。つまり、図２５によってブロードマンの地図のどの領域がタスクによって異なる傾向があったかを見ることができる。図２５によると、３野、５野、７野の領域にある電流源が判別に寄与していることが伺える。ここで３野、５野、７野がどのような機能を持つのかについて言及しておく。１〜３野は一次体性感覚野に分類され、機能としては、皮膚や関節からの情報を受容すると言われている。また、１〜３野は運動野と同様にホムンクルスモデルが成立しているため、活動の位置情報によってその分類が可能になることは十分に考えられる。５野・７野は共に頭頂連合野で、特に７野は視覚と関連して空間認識を行う領域とされている。こういった感覚による情報を受容する感覚野やその受容した情報をほかの機能を持つ領域と遣り取りする際に機能する頭頂連合野は運動には必要不可欠なものであり、サルを用いた実験からも、これらの領域と、運動学習との関連性は指摘されている。
【０２５５】
今回の実験では、タスクと関連の高そうな領域に推定された信号が判別に強く寄与し、比較的、関連のなさそうな領域での推定電流が判別には関わってこないとしてスパース化されている、ことが分かる。
【０２５６】
また、さらに厳密に、電流源１つ１つに対して９実験日で選ばれる頻度について調べた。図２６は９実験日で判定に寄与した特徴量の電流源、全２９６点のうち、複数の実験日に渡って選ばれた電流源を、ヒストグラム形式で表したものである。２２３３点の電流源のうち、半分を超える実験日で選ばれたのは１箇所の電流源だけで、７０％以上の電流源が９実験日のうちに１度しか残されていない。ここから、今回の推定の結果、領域という比較的大きい分類からは複数実験日でも共通の傾向が見られるものの、細かな、１点１点の推定された電流源のレベルでは傾向が見られないことがわかった。
（学習数と弁別性能の関係）
【０２５７】
学習数と弁別性能の関係は、一般的にはある程度の学習数が揃ってからは学習数に増えるに従って弁別性能は向上し、逆に今度はある程度まで弁別性能が上がってくるとデータ数に対する成績向上の割合は徐々にゼロに近づいていく。本実験ではここまで学習数が、本実験内での実験パラダイム１０ｒｕｎにあたる、各タスク７０トライアル、合計２８０トライアルでの議論を行ってきたが、学習数を変えることで弁別の成績がどう推移するかを調べた。
【０２５８】
先に示した、１０ｒｕｎ分の２８０トライアルのデータでの学習に対して、実験日に計測した順に１〜５ｒｕｎの合計１４０トライアル、１〜８ｒｕｎの合計２２４トライアルでそれぞれ学習し、いずれのパターンも１１〜１５ｒｕｎでテストを行った。なお、ここでの学習とは電流源推定のための変換行列を計算する際の学習データも兼ねているため、例えば学習データ１４０トライアルの条件では、電流源推定も１４０トライアルのデータから行なっている。また、Ｂａｄ Ｓｅｎｓｏｒの閾値は学習データに比例した値をそれぞれで定めた。
【０２５９】
それぞれの学習データ数での判別結果を図２７、図２８に示す。学習数を増やすに伴って、弁別の正解率、標準偏差ともに向上が見られた。今回、検証を行った、最も少ない学習数である５ｒｕｎ、１４０トライアル（各タスク３５トライアル）でのテスト結果でも６６％以上の成績を示すことができた。
（結論）
【０２６０】
２名の被験者に対して、右手・左手・舌・足の運動イメージ実験を行い、そのときに計測された脳波と脳波から推定された電流とを、同じ手法で弁別を行なった結果、両被験者で有意に弁別性能の向上がみられた。また、その弁別率も被験者平均で７２．８５％、６８．４４％、Ｋａｐｐａ統計量も一般的に見て０．６３、０．５８で統計量Ｓｕｂｊｅｃｔ１に関しては十分に一致する、Ｓｕｂｊｅｃｔ２に関しては十分とは言えないが、高い水準での一致が見られた。また、この弁別成績は、現在のＢＭＩにおいては、世界的に見ても最高水準の正解率といえる。
【０２６１】
また、図２９は、本明細書で述べたプログラムを実行して、上述した実施の形態の脳情報出力装置等を実現するコンピュータの外観を示す。上述の実施の形態は、コンピュータハードウェア及びその上で実行されるコンピュータプログラムで実現され得る。図２９は、このコンピュータシステム３４０の概観図であり、図３０は、コンピュータシステム３４０のブロック図である。
【０２６２】
図２９において、コンピュータシステム３４０は、ＦＤドライブ、ＣＤ−ＲＯＭドライブを含むコンピュータ３４１と、キーボード３４２と、マウス３４３と、モニタ３４４とを含む。
【０２６３】
図３０において、コンピュータ３４１は、ＦＤドライブ３４１１、ＣＤ−ＲＯＭドライブ３４１２に加えて、ＭＰＵ３４１３と、ＣＤ−ＲＯＭドライブ３４１２及びＦＤドライブ３４１１に接続されたバス３４１４と、ブートアッププログラム等のプログラムを記憶するためのＲＯＭ３４１５とに接続され、アプリケーションプログラムの命令を一時的に記憶するとともに一時記憶空間を提供するためのＲＡＭ３４１６と、アプリケーションプログラム、システムプログラム、及びデータを記憶するためのハードディスク３４１７とを含む。ここでは、図示しないが、コンピュータ３４１は、さらに、ＬＡＮへの接続を提供するネットワークカードを含んでも良い。
【０２６４】
コンピュータシステム３４０に、上述した実施の形態の脳情報出力装置等の機能を実行させるプログラムは、ＣＤ−ＲＯＭ３５０１、またはＦＤ３５０２に記憶されて、ＣＤ−ＲＯＭドライブ３４１２またはＦＤドライブ３４１１に挿入され、さらにハードディスク３４１７に転送されても良い。これに代えて、プログラムは、図示しないネットワークを介してコンピュータ３４１に送信され、ハードディスク３４１７に記憶されても良い。プログラムは実行の際にＲＡＭ３４１６にロードされる。プログラムは、ＣＤ−ＲＯＭ３５０１、ＦＤ３５０２またはネットワークから直接、ロードされても良い。
【０２６５】
プログラムは、コンピュータ３４１に、上述した実施の形態の脳情報出力装置等の機能を実行させるオペレーティングシステム（ＯＳ）、またはサードパーティープログラム等は、必ずしも含まなくても良い。プログラムは、制御された態様で適切な機能（モジュール）を呼び出し、所望の結果が得られるようにする命令の部分のみを含んでいれば良い。コンピュータシステム３４０がどのように動作するかは周知であり、詳細な説明は省略する。
【０２６６】
なお、上記プログラムにおいて、ハードウェアによって行われる処理、例えば、モデムやインターフェースカードなどで行われる処理（ハードウェアでしか行われない処理）は含まれない。
【０２６７】
また、上記プログラムを実行するコンピュータは、単数であってもよく、複数であってもよい。すなわち、集中処理を行ってもよく、あるいは分散処理を行ってもよい。
【０２６８】
また、上記各実施の形態において、各処理（各機能）は、単一の装置（システム）によって集中処理されることによって実現されてもよく、あるいは、複数の装置によって分散処理されることによって実現されてもよい。
【０２６９】
本発明は、以上の実施の形態に限定されることなく、種々の変更が可能であり、それらも本発明の範囲内に包含されるものであることは言うまでもない。
【産業上の利用可能性】
【０２７０】
以上のように、本発明にかかる脳情報出力装置は、精度の高い意図検出ができ、ＢＭＩ等として有用である。
【符号の説明】
【０２７１】
１、２ ロボットシステム
１１、２１ 脳情報出力装置
１２ ロボット
１１１、１０１１ 意図判別情報格納部
１１２、１０１２ 第一学習データ取得部
１１３、１０１３ 第二学習データ取得部
１１４、１０１４ 学習特徴量群取得部
１１５、１０１５ 意図判別情報蓄積部
１１６、１０１６ 第一脳活動データ取得部
１１７、１０１７ 第二脳活動データ取得部
１１８、１０１８ 特徴量群取得部
１１９、１０１９ 意図識別子取得部
１２０ 意図識別子出力部
１２１ 動作情報格納部
１２２ 意図識別子受付部
１２３ 実行部
１０１１ 異常データ除去部
１０１１１ 異常トライアル除去手段
１０１１２ 異常センサ除去手段
１１９１、１０１９１ 確率算出手段
１１９２、１０１９２ 意図識別子取得手段
【特許請求の範囲】
【請求項１】
ユーザの意図を識別する情報である意図識別子と、当該意図識別子で識別される意図の元にユーザが一連の行為であるトライアルを行った際に当該ユーザの頭蓋外部から取得された脳活動のデータである第一学習データを、脳内の脳活動データに変換された第二学習データから、抽出された１以上の特徴量である学習特徴量群とを対に有する意図判別情報を、２以上格納し得る意図判別情報格納部と、
ユーザの頭蓋外部から、脳活動のデータである第一脳活動データを取得する第一脳活動データ取得部と、
前記ユーザの頭蓋外部から取得された第一脳活動データを、脳内の脳活動データに変換し、第二脳活動データを取得する第二脳活動データ取得部と、
前記第二脳活動データから、１以上の特徴量である入力特徴量群を取得する特徴量群取得部と、
前記入力特徴量群に対応する意図識別子を、前記意図判別情報格納部に格納されている２以上の意図判別情報から取得する意図識別子取得部と、
前記意図識別子取得部が取得した意図識別子を出力する意図識別子出力部とを具備する脳情報出力装置。
【請求項２】
一の意図の元にユーザが一連の行為であるトライアルを行った際に、１以上のセンサを用いて、当該センサごとに、前ユーザの頭蓋外部から脳活動を示す時系列データである第一学習データを取得する第一学習データ取得部と、
前記ユーザの頭蓋外部から取得された第一学習データを、脳内の脳活動のデータに変換し、第二学習データを取得する第二学習データ取得部と、
前記第二学習データから、１以上の特徴量である学習特徴量群を取得する学習特徴量群取得部と、
前記第二学習特徴量群と、前記一の意図を識別する意図識別子とを有する意図判別情報を、前記意図判別情報格納部に蓄積する意図判別情報蓄積部とをさらに具備する脳情報出力装置。
【請求項３】
前記第二脳活動データ取得部は、
前記第一脳活動データに対して、階層変分ベイズ法を用いて第二脳活動データを取得する請求項１または請求項２記載の脳情報出力装置。
【請求項４】
前記意図識別子取得部は、
前記意図判別情報格納部の２以上の意図判別情報を用いて、前記特徴量群取得部が取得した入力特徴量群が、前記２以上の意図判別情報に含まれる２以上の意図識別子の各々に対応する確率を、前記２以上の意図識別子ごとに算出する確率算出手段と、
前記確率算出手段が算出した意図識別子ごとの確率から、最も大きい確率に対応する意図識別子を取得する意図識別子取得手段とを具備する請求項１から請求項３いずれか記載の脳情報出力装置。
【請求項５】
前記第一学習データおよび前記第一脳活動データは、脳波データである請求項１から請求項４いずれか記載の脳情報出力装置。
【請求項６】
意図識別子と当該意図識別子に対応する動作を行わせる動作モジュールとの組である動作情報を２以上格納し得る動作情報格納部と、
請求項１から請求項５いずれか記載の脳情報出力装置から出力された意図識別子を受け付ける意図識別子受付部と、
前記意図識別子受付部が受け付けた意図識別子に対応する動作モジュールを実行する実行部とを具備するロボット。
【請求項７】
記憶媒体に、ユーザの意図を識別する情報である意図識別子と、当該意図識別子で識別される意図の元にユーザが一連の行為であるトライアルを行った際に当該ユーザの頭蓋外部から取得された脳活動のデータである第一学習データを、脳内の脳活動データに変換された第二学習データから、抽出された１以上の特徴量である学習特徴量群とを対に有する意図判別情報を、２以上格納しており、
ユーザの頭蓋外部から、脳活動のデータである第一脳活動データを取得する第一脳活動データ取得ステップと、
前記ユーザの頭蓋外部から取得された第一脳活動データを、脳内の脳活動データに変換し、第二脳活動データを取得する第二脳活動データ取得ステップと、
前記第二脳活動データから、１以上の特徴量である入力特徴量群を取得する特徴量群取得ステップと、
前記入力特徴量群に対応する意図識別子を、前記記憶媒体に格納されている２以上の意図判別情報から取得する意図識別子取得ステップと、
前記意図識別子取得ステップで取得された意図識別子を出力する意図識別子出力ステップとを具備する脳情報出力方法。
【請求項１】
ユーザの意図を識別する情報である意図識別子と、当該意図識別子で識別される意図の元にユーザが一連の行為であるトライアルを行った際に当該ユーザの頭蓋外部から取得された脳活動のデータである第一学習データを、脳内の脳活動データに変換された第二学習データから、抽出された１以上の特徴量である学習特徴量群とを対に有する意図判別情報を、２以上格納し得る意図判別情報格納部と、
ユーザの頭蓋外部から、脳活動のデータである第一脳活動データを取得する第一脳活動データ取得部と、
前記ユーザの頭蓋外部から取得された第一脳活動データを、脳内の脳活動データに変換し、第二脳活動データを取得する第二脳活動データ取得部と、
前記第二脳活動データから、１以上の特徴量である入力特徴量群を取得する特徴量群取得部と、
前記入力特徴量群に対応する意図識別子を、前記意図判別情報格納部に格納されている２以上の意図判別情報から取得する意図識別子取得部と、
前記意図識別子取得部が取得した意図識別子を出力する意図識別子出力部とを具備する脳情報出力装置。
【請求項２】
一の意図の元にユーザが一連の行為であるトライアルを行った際に、１以上のセンサを用いて、当該センサごとに、前ユーザの頭蓋外部から脳活動を示す時系列データである第一学習データを取得する第一学習データ取得部と、
前記ユーザの頭蓋外部から取得された第一学習データを、脳内の脳活動のデータに変換し、第二学習データを取得する第二学習データ取得部と、
前記第二学習データから、１以上の特徴量である学習特徴量群を取得する学習特徴量群取得部と、
前記第二学習特徴量群と、前記一の意図を識別する意図識別子とを有する意図判別情報を、前記意図判別情報格納部に蓄積する意図判別情報蓄積部とをさらに具備する脳情報出力装置。
【請求項３】
前記第二脳活動データ取得部は、
前記第一脳活動データに対して、階層変分ベイズ法を用いて第二脳活動データを取得する請求項１または請求項２記載の脳情報出力装置。
【請求項４】
前記意図識別子取得部は、
前記意図判別情報格納部の２以上の意図判別情報を用いて、前記特徴量群取得部が取得した入力特徴量群が、前記２以上の意図判別情報に含まれる２以上の意図識別子の各々に対応する確率を、前記２以上の意図識別子ごとに算出する確率算出手段と、
前記確率算出手段が算出した意図識別子ごとの確率から、最も大きい確率に対応する意図識別子を取得する意図識別子取得手段とを具備する請求項１から請求項３いずれか記載の脳情報出力装置。
【請求項５】
前記第一学習データおよび前記第一脳活動データは、脳波データである請求項１から請求項４いずれか記載の脳情報出力装置。
【請求項６】
意図識別子と当該意図識別子に対応する動作を行わせる動作モジュールとの組である動作情報を２以上格納し得る動作情報格納部と、
請求項１から請求項５いずれか記載の脳情報出力装置から出力された意図識別子を受け付ける意図識別子受付部と、
前記意図識別子受付部が受け付けた意図識別子に対応する動作モジュールを実行する実行部とを具備するロボット。
【請求項７】
記憶媒体に、ユーザの意図を識別する情報である意図識別子と、当該意図識別子で識別される意図の元にユーザが一連の行為であるトライアルを行った際に当該ユーザの頭蓋外部から取得された脳活動のデータである第一学習データを、脳内の脳活動データに変換された第二学習データから、抽出された１以上の特徴量である学習特徴量群とを対に有する意図判別情報を、２以上格納しており、
ユーザの頭蓋外部から、脳活動のデータである第一脳活動データを取得する第一脳活動データ取得ステップと、
前記ユーザの頭蓋外部から取得された第一脳活動データを、脳内の脳活動データに変換し、第二脳活動データを取得する第二脳活動データ取得ステップと、
前記第二脳活動データから、１以上の特徴量である入力特徴量群を取得する特徴量群取得ステップと、
前記入力特徴量群に対応する意図識別子を、前記記憶媒体に格納されている２以上の意図判別情報から取得する意図識別子取得ステップと、
前記意図識別子取得ステップで取得された意図識別子を出力する意図識別子出力ステップとを具備する脳情報出力方法。
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図２９】
【図３０】
【図１】
【図１５】
【図１６】
【図１７】
【図１８】
【図１９】
【図２０】
【図２１】
【図２２】
【図２３】
【図２４】
【図２５】
【図２６】
【図２７】
【図２８】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図２９】
【図３０】
【図１】
【図１５】
【図１６】
【図１７】
【図１８】
【図１９】
【図２０】
【図２１】
【図２２】
【図２３】
【図２４】
【図２５】
【図２６】
【図２７】
【図２８】
【公開番号】特開２０１０−１９８２３４（Ｐ２０１０−１９８２３４Ａ）
【公開日】平成２２年９月９日（２０１０．９．９）
【国際特許分類】
【出願番号】特願２００９−４１３３８（Ｐ２００９−４１３３８）
【出願日】平成２１年２月２４日（２００９．２．２４）
【出願人】（０００００５３２６）本田技研工業株式会社 (23,863)
【出願人】（３９３０３１５８６）株式会社国際電気通信基礎技術研究所 (905)
【Ｆターム（参考）】
【公開日】平成２２年９月９日（２０１０．９．９）
【国際特許分類】
【出願日】平成２１年２月２４日（２００９．２．２４）
【出願人】（０００００５３２６）本田技研工業株式会社 (23,863)
【出願人】（３９３０３１５８６）株式会社国際電気通信基礎技術研究所 (905)
【Ｆターム（参考）】
[ Back to top ]