脳情報出力装置、ロボット、および脳情報出力方法
【課題】脳活動データで種々の機器を制御する脳・機械インタフェース（ＢＭＩ）において、試験者の意図検出の精度を高める。
【解決手段】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、前記ユーザの脳から脳活動を示す時系列データである学習データを取得する学習データ取得部１１２と、学習データの一部のデータである部分学習データを１以上取得する部分学習データ取得部１１３と、１以上の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前記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いて正常学習データを取得する異常データ除去部１１４を有し、正常学習データを用いて意図判別を行う脳情報出力装置により、意図検出の精度を向上する。
【解決手段】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、前記ユーザの脳から脳活動を示す時系列データである学習データを取得する学習データ取得部１１２と、学習データの一部のデータである部分学習データを１以上取得する部分学習データ取得部１１３と、１以上の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前記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いて正常学習データを取得する異常データ除去部１１４を有し、正常学習データを用いて意図判別を行う脳情報出力装置により、意図検出の精度を向上する。
【発明の詳細な説明】
【技術分野】
【０００１】
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。
【０００２】
ＢＭＩにおいて、意図の検出には、意図検出アルゴリズムを用いる。そして、その意図検出アルゴリズムには、事前に調整すべき各種のパラメータ（後述する学習特徴量群）がある。このパラメータの調整は、事前に取得したユーザの脳活動データを使って行われる。ここで、脳活動データとは、通常、複数のトライアルデータから構成される。トライアルデータとは、ユーザがある動作（例えば、体を動かしたり、想像したりなど）を一度行った際（１トライアルと呼ぶ）に取得される脳活動の一連の時系列的なデータである。なお、トライアルデータとは、後述する学習データである。
【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、異常なセンサや異常なトライアルを含む脳活動データを使って、ＢＭＩの意図検出アルゴリズムのパラメータを調整した場合、ＢＭＩの性能が大幅に悪化する、という問題があった。
【０００５】
また、従来、手動で異常センサや異常トライアルを選び出して除去していた為に、非常に作業効率が悪かった。
【０００６】
さらに、手動で異常センサや異常トライアルを選び出して除去していた為に、主観等が混入するため、性能が安定しない等の問題があった。
【課題を解決するための手段】
【０００７】
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脳から取得された学習データから、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、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学習データを取得する学習データ群取得部と、前記学習データの一部のデータである部分学習データを、１以上取得する部分学習データ取得部と、前記１以上の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、前記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、前記学習データから除き、正常学習データを取得する異常データ除去部と、前記正常学習データから、１以上の特徴量である正常学習特徴量群を取得する学習特徴量群取得部と、前記正常学習特徴量群と、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、ユーザから脳活動のデータである脳活動データを取得する脳活動データ取得部と、前記脳活動データから、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。
【０００８】
かかる構成により、自動的に異常な学習データを除去できるため、意図検出の精度が向上する。
【０００９】
また、本第二の発明の脳情報出力装置は、第一の発明に対して、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。
【００１０】
かかる構成により、自動的に異常な学習データを除去できるため、意図検出の精度が向上する。
【００１１】
また、本第三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、前記学習データ群取得部は、複数のトライアルを行った際に、１以上のセンサを用いて、トライアルごと、およびセンサごとに、前記ユーザの脳から脳活動を示す時系列データである学習データを取得し、前記部分学習データ取得部は、前記学習データから、前記トライアルごとに、部分学習データを取得し、前記異常データ除去部は、前記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、前記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、前記学習データから除き、正常学習データを取得する異常トライアル除去手段を具備する脳情報出力装置である。
【００１２】
かかる構成により、自動的に異常なトライアルを検出し、当該トライアルの学習データを除去できるため、意図検出の精度が向上する。
【００１３】
また、本第四の発明の脳情報出力装置は、第三の発明に対して、前記部分学習データの特性値は、前記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算出される値であり、前記異常トライアル除去手段は、前記部分学習データの特性値から、前記部分学習データが、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、前記学習データから除き、正常学習データを取得する脳情報出力装置である。
【００１４】
かかる構成により、自動的に異常なトライアルを検出し、当該トライアルの学習データを除去できるため、意図検出の精度が向上する。
【００１５】
また、本第五の発明の脳情報出力装置は、第四の発明に対して、前記異常トライアル除去手段は、前記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、前記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場合に、当該部分学習データを、前記学習データから除き、正常学習データを取得する脳情報出力装置である。
【００１６】
かかる構成により、自動的に異常なトライアルを検出し、当該トライアルの学習データを除去できるため、意図検出の精度が向上する。
【００１７】
また、本第六の発明の脳情報出力装置は、第一から第五いずれかの発明に対して、前記部分学習データ取得部は、前記学習データから、前記センサごとに、部分学習データを取得し、前記異常データ除去部は、前記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、前記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、前記学習データから除き、正常学習データを取得する異常センサ除去手段を具備する脳情報出力装置である。
【００１８】
かかる構成により、自動的に異常なセンサを検出し、当該センサの学習データを除去できるため、意図検出の精度が向上する。
【００１９】
また、本第七の発明の脳情報出力装置は、第六の発明に対して、前記部分学習データの特性値は、前記センサごとの各部分学習データの平均値と標準偏差、または前記センサごとの各部分学習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算出される値であり、前記異常センサ除去手段は、前記部分学習データの特性値から、前記部分学習データが、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、前記学習データから除き、正常学習データを取得する脳情報出力装置である。
【００２０】
かかる構成により、自動的に異常なセンサを検出し、当該センサの学習データを除去できるため、意図検出の精度が向上する。
【００２１】
また、本第八の発明の脳情報出力装置は、第七の発明に対して、前記異常センサ除去手段は、前記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、前記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場合に、当該部分学習データを、前記学習データから除き、正常学習データを取得する脳情報出力装置である。
【００２２】
かかる構成により、自動的に異常なセンサを検出し、当該センサの学習データを除去できるため、意図検出の精度が向上する。
【発明の効果】
【００２３】
本発明による脳情報出力装置によれば、意図検出の精度を向上させることができる。
【図面の簡単な説明】
【００２４】
【図１】本実施の形態１におけるロボットシステムの概念図
【図２】同ロボットシステムのブロック図
【図３】同脳情報出力装置の動作について説明するフローチャート
【図４】同異常データ除去処理の動作について説明するフローチャート
【図５】同脳情報出力装置の動作について説明するフローチャート
【図６】同意図識別子取得処理の動作について説明するフローチャート
【図７】同ロボットの動作について説明するフローチャート
【図８】同脳情報出力装置の動作を説明する概要図
【図９】同学習データの例を示す図
【図１０】同異常データ除去処理の概念図
【図１１】同意図判別情報の例を示す図
【図１２】同実験結果を示す図
【図１３】同コンピュータシステムの概観図
【図１４】同コンピュータシステムのブロック図
【図１５】同確率算出アルゴリズムを説明するための図
【図１６】同確率算出アルゴリズムを説明するための図
【発明を実施するための形態】
【００２５】
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。
【００２６】
（実施の形態１）
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。
【００２７】
また、本実施の形態において、異常トライアルの学習データを除去したり、異常センサの学習データを除去したりすることにより、意図の検出精度を高めることができる脳情報出力装置について説明する。
【００２８】
さらに、かかる脳情報出力装置から出力された意図識別子を受け付け、当該意図識別子に応じた動作を行うロボットについて説明する。
【００２９】
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、脳活動計測装置によって脳情報を取得し、ユーザの意図を検出し、当該意図を識別する意図識別子をロボット１２に送付する。ロボット１２は、脳情報出力装置１１から意図識別子を受け付け、当該意図識別子に応じた動作を行う。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。
【００３０】
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、学習データ取得部１１２、部分学習データ取得部１１３、異常データ除去部１１４、学習特徴量群取得部１１５、意図判別情報蓄積部１１６、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。
【００３１】
異常データ除去部１１４は、異常トライアル除去手段１１４１、異常センサ除去手段１１４２を具備する。
【００３２】
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。
【００３３】
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。
【００３４】
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、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（トライアルという）を行った際に、ユーザの脳から取得された一のデータである学習データから抽出された１以上の特徴量である。
【００３５】
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、ユーザの脳活動を示すデータであり、時系列的なデータである。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。
【００３６】
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。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。
【００３７】
学習データ取得部１１２は、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、ユーザの脳から脳活動を示す時系列データである学習データを取得する。通常、学習データ取得部１１２は、複数のトライアルを行った際に、１以上のセンサを用いて、トライアルごと、およびセンサごとに、ユーザの脳から学習データを取得する。なお、学習データ取得部１１２は、例えば、近赤外線光計測装置である。また、学習データ取得部１１２は、例えば、脳波計測装置である。また、学習データ取得部１１２は、例えば、機能的ＭＲＩ（fMRI: functional Magnetic Resonance Imaging）や、ＰＥＴ(Positron Emission Tomography)なども良い。通常、学習データ取得部１１２と脳活動データ取得部１１７とは同じものである。また、学習データ取得部１１２は、通常、複数のセンサを有する。つまり、学習データは、脳活動計測装置に具備された複数のセンサからの時系列データで構成される。すなわち、通常、学習データは、（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。
【００３８】
部分学習データ取得部１１３は、学習データの一部のデータである部分学習データを、１以上取得する。部分学習データ取得部１１３は、例えば、学習データから、トライアルごとに、部分学習データを取得する。また、部分学習データ取得部１１３は、例えば、学習データから、センサごとに、部分学習データを取得する。つまり、部分学習データとは、例えば、一トライアルの時系列的な複数センサのデータ群である。また、部分学習データとは、例えば、一センサが取得した複数トライアルの時系列的なデータ群である。また、部分学習データとは、例えば、一トライアルの一センサのある区間のデータ群でも良い。ある区間とは、例えば、データ取得開始から３秒後までの区間である。また、ある区間とは、例えば、データ取得終了の３秒前から終了までの区間である。また、部分学習データとは、例えば、一サンプルデータでも良い。
【００３９】
部分学習データ取得部１１３は、通常、ＭＰＵやメモリ等から実現され得る。部分学習データ取得部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。
【００４０】
異常データ除去部１１４は、１以上の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。
【００４１】
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。
【００４２】
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。
【００４３】
また、異常データ除去部１１４は、後述する異常トライアル除去手段１１４１、異常センサ除去手段１１４２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１１４は、異常トライアル除去手段１１４１、異常センサ除去手段１１４２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。
【００４４】
異常データ除去部１１４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。
【００４５】
異常トライアル除去手段１１４１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。
【００４６】
異常トライアル除去手段１１４１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。
【００４７】
さらに具体的には、異常トライアル除去手段１１４１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。
【００４８】
異常トライアル除去手段１１４１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１１４１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。
【００４９】
異常センサ除去手段１１４２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。
【００５０】
異常センサ除去手段１１４２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。
【００５１】
さらに具体的には、異常センサ除去手段１１４２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。
【００５２】
異常センサ除去手段１１４２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１１４２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】
学習特徴量群取得部１１５は、異常データ除去部１１４が取得した正常学習データから、１以上の特徴量である正常学習特徴量群を取得する。学習特徴量群取得部１１５は、正常学習データに対して信号処理し、１以上の特徴量である正常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、正常学習特徴量群を構成する特徴量は、正常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１１５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。
【００５４】
学習特徴量群取得部１１５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。
【００５５】
意図判別情報蓄積部１１６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１１１に蓄積する。意図判別情報蓄積部１１６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１１１に蓄積する。
【００５６】
意図判別情報蓄積部１１６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１１６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。
【００５７】
脳活動データ取得部１１７は、ユーザから脳活動のデータである脳活動データを取得する。脳活動データとは、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。脳活動データは学習データと同じ種類のデータである。
【００５８】
脳活動データ取得部１１７は、例えば、近赤外線光計測装置、また脳波計測装置である。また、脳活動データ取得部１１７は、機能的ＭＲＩ（fMRI: functional Magnetic Resonance Imaging）、またはＰＥＴ(Positron Emission Tomography)などである。脳活動データ取得部１１７は、通常、学習データ取得部１１２と同じである。
【００５９】
特徴量群取得部１１８は、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。なお、特徴量群取得部１１８は、通常、学習特徴量群取得部１１５と同一の手段である。
【００６０】
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。
【００６１】
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正常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、距離が最も小さい正常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１１９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１１９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１１９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１１９における意図識別子の取得アルゴリズムは問わない。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。
【００６２】
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。
【００６３】
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、正常学習特徴量群から、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１５に示す。
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１６参照）。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。
【００６４】
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、正常学習特徴量群から、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。次に、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の確率を、「１−第一の意図識別子の確率」により算出する。
【００６５】
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、正常学習特徴量群から、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。次に、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の確率を、「１−第二の意図識別子の確率」により算出する。
【００６６】
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、正常学習特徴量群から、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。次に、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の確率を、「１−第三の意図識別子の確率」により算出する。
【００６７】
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、正常学習特徴量群から、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。次に、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の確率を、「１−第四の意図識別子の確率」により算出する。
【００６８】
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。
【００６９】
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。
【００７０】
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。
【００７１】
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。
【００７２】
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。意図識別子出力部１２０は、無線または有線の通信手段により実現され得る。
【００７３】
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。
【００７４】
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。
【００７５】
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。
【００７６】
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が、異常な学習データを取り除いて、意図判別情報を蓄積する動作（学習動作）について、図３のフローチャートを用いて説明する。
【００７７】
（ステップＳ３０１）学習データ取得部１１２は、学習データを取得するか否かを判断する。学習データを取得するのであればステップＳ３０２に行き、学習データを取得しないのであればステップＳ３０４に行く。なお、例えば、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）、学習データ取得部１１２は、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。
【００７８】
（ステップＳ３０２）学習データ取得部１１２は、学習データを取得する。
【００７９】
（ステップＳ３０３）学習データ取得部１１２は、ステップＳ３０２で取得した学習データを、記録媒体に、少なくとも一時的に蓄積する。なお、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、学習データを蓄積する。ステップＳ３０１に戻る。
【００８０】
（ステップＳ３０４）学習データ取得部１１２は、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Ｓ３０５に行き、終了しない場合はステップＳ３０１に戻る。なお、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学習データを取得した場合、学習データの取得処理を終了すると判断する。
【００８１】
（ステップＳ３０５）部分学習データ取得部１１３、および異常データ除去部１１４は、異常データ除去処理を行う。異常データ除去処理について、図４のフローチャートを用いて説明する。
【００８２】
（ステップＳ３０６）異常データ除去部１１４は、ステップＳ３０５において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。一時蓄積する場所は、揮発性または不揮発性の記録媒体である。
【００８３】
（ステップＳ３０７）学習特徴量群取得部１１５は、ステップＳ３０６で取得された正常学習データから、１以上の特徴量である正常学習特徴量群を取得する。
【００８４】
（ステップＳ３０８）意図判別情報蓄積部１１６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構成する。なお、通常、意図識別子は、正常学習データと対応付けて管理されている。
【００８５】
（ステップＳ３０９）意図判別情報蓄積部１１６は、ステップＳ３０８で構成した意図判別情報を、意図判別情報格納部１１１に蓄積する。処理を終了する。
【００８６】
次に、ステップＳ３０５の異常データ除去処理について、図４のフローチャートを用いて説明する。
【００８７】
（ステップＳ４０１）部分学習データ取得部１１３は、カウンタｉに１を代入する。
【００８８】
（ステップＳ４０２）部分学習データ取得部１１３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Ｓ４０３に行き、ｉ番目のセンサが存在しなければステップＳ４１０に行く。
【００８９】
（ステップＳ４０３）異常データ除去部１１４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１１４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。
【００９０】
（ステップＳ４０４）部分学習データ取得部１１３は、カウンタｊに１を代入する。
【００９１】
（ステップＳ４０５）部分学習データ取得部１１３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Ｓ４０６に行き、ｊ番目のトライアルが存在しなければステップＳ４０９に行く。
【００９２】
（ステップＳ４０６）部分学習データ取得部１１３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。
【００９３】
（ステップＳ４０７）異常データ除去部１１４は、ステップＳ４０６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１１４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１１４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１１４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。
【００９４】
（ステップＳ４０８）異常データ除去部１１４は、カウンタｊを１、インクリメントする。ステップＳ４０５に戻る。
【００９５】
（ステップＳ４０９）異常データ除去部１１４は、カウンタｉを１、インクリメントする。ステップＳ４０２に戻る。
【００９６】
（ステップＳ４１０）異常センサ除去手段１１４２は、カウンタｉに１を代入する。
【００９７】
（ステップＳ４１１）異常センサ除去手段１１４２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Ｓ４１１に行き、ｉ番目のセンサが存在しなければステップＳ４１６に行く。
【００９８】
（ステップＳ４１２）異常センサ除去手段１１４２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。
【００９９】
（ステップＳ４１３）異常センサ除去手段１１４２は、ステップＳ４１２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Ｓ４１４に行き、予め決められた数以上でなければステップＳ４１６に行く。
【０１００】
（ステップＳ４１４）異常センサ除去手段１１４２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。
【０１０１】
（ステップＳ４１５）異常センサ除去手段１１４２は、カウンタｉを１、インクリメントする。ステップＳ４１１に戻る。
【０１０２】
（ステップＳ４１６）異常トライアル除去手段１１４１は、カウンタｊに１を代入する。
【０１０３】
（ステップＳ４１７）異常トライアル除去手段１１４１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Ｓ４１８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。
【０１０４】
（ステップＳ４１８）異常トライアル除去手段１１４１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。
【０１０５】
（ステップＳ４１９）異常トライアル除去手段１１４１は、ステップＳ４１８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Ｓ４２０に行き、予め決められた数以上でなければステップＳ４２１に行く
【０１０６】
（ステップＳ４２０）異常トライアル除去手段１１４１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。
【０１０７】
（ステップＳ４２１）異常トライアル除去手段１１４１は、カウンタｊを１、インクリメントする。ステップＳ４１７に戻る。
【０１０８】
なお、図４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。
【０１０９】
また、図４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。
【０１１０】
さらに、図４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。
【０１１１】
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５のフローチャートを用いて説明する。
【０１１２】
（ステップＳ５０１）脳活動データ取得部１１７は、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Ｓ５０２に行き、脳活動データを取得しなければステップＳ５０１に戻る。
【０１１３】
（ステップＳ５０２）特徴量群取得部１１８は、ステップＳ５０１で取得された脳活動データから、入力特徴量群を取得する。
【０１１４】
（ステップＳ５０３）意図識別子取得部１１９は、ステップＳ５０２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６のフローチャートを用いて説明する。
【０１１５】
（ステップＳ５０４）意図識別子出力部１２０は、ステップＳ５０３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Ｓ５０１に戻る。
【０１１６】
なお、図５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。
【０１１７】
次に、ステップＳ５０３の意図識別子取得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。
【０１１８】
（ステップＳ６０１）意図識別子取得部１１９は、カウンタｉを１に設定する。
【０１１９】
（ステップＳ６０２）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Ｓ６０３に行き、ｉ番目の意図識別子が存在しなければステップＳ６０８に行く。
【０１２０】
（ステップＳ６０３）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。
【０１２１】
（ステップＳ６０４）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。
【０１２２】
（ステップＳ６０５）意図識別子取得部１１９は、ステップＳ６０３で取得された学習特徴量群（ベクトル）と、ステップＳ６０４で取得された特徴量群（ベクトル）の距離を算出する。
【０１２３】
（ステップＳ６０６）意図識別子取得部１１９は、ステップＳ６０５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。
【０１２４】
（ステップＳ６０７）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Ｓ６０２に戻る。
【０１２５】
（ステップＳ６０８）意図識別子取得部１１９は、ステップＳ６０６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。
【０１２６】
なお、図６のフローチャートにおいて、ステップＳ６０４の動作は、ループ外に配置し、一度のみ行っても良い。
【０１２７】
次に、ロボット１２の動作について、図７のフローチャートを用いて説明する。
【０１２８】
（ステップＳ７０１）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Ｓ７０２に行き、意図識別子を受け付けなければステップＳ７０１に戻る。
【０１２９】
（ステップＳ７０２）実行部１２３は、ステップＳ７０１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。
【０１３０】
（ステップＳ７０３）実行部１２３は、ステップＳ７０２で読み出した動作モジュールを実行する。ステップＳ７０１に戻る。
【０１３１】
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。
【０１３２】
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。
【０１３３】
以下、本実施の形態におけるロボットシステム１の具体的な動作について説明する。ロボットシステム１の概念図は図１である。
【０１３４】
まず、脳情報出力装置１１の動作の概要について説明する。図８は、脳情報出力装置１１の動作を説明する概要図である。
【０１３５】
まず、脳情報出力装置１１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、学習データ取得部１１２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１１４２である。
【０１３６】
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１１４１である。
【０１３７】
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。
【０１３８】
脳情報出力装置１１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１１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１１９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。
【０１３９】
今、学習データ取得部１１２は、複数のセンサを具備し、脳波データを、ユーザの脳から取得する、とする。つまり、学習データ取得部１１２は、脳波計測装置である。
【０１４０】
そして、学習データ取得部１１２は、図９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、学習データ取得部１１２は、取得した学習データ（図９）を、記録媒体に一時的に蓄積する。
【０１４１】
次に、脳情報出力装置１１は、図９の学習データから、異常データの除去処理を行う。つまり、部分学習データ取得部１１３、および異常データ除去部１１４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１０の概念図を用いて説明する。
（１）部分学習データ取得部１１３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１１４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１１４は、各センサと各トライアルデータ（図１０（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１０（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１１４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１０（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１１４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１１４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１０（ｄ）のマトリクスを求める。
（６）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ａと前記のマトリクスを比較し、ａよりも大きいｍａｍｐにチェックをする。定数ａとしては、「９」が好適である。また、図１０（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１１４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１０（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１１４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。この数を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１０（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１１４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、異常センサとして除去する。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除去する。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。
なお、異常データ除去部１１４は、異常センサを除去後に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。
また、異常データ除去部１１４は、部分学習データ取得部１１３から得られたデータの微分値に対して前記の処理をしても良い。これは、突発のノイズ、すなわち微分値が非常に大きい値がある場合に異常データとみなすことに等しい。
【０１４２】
以上の処理により、異常データ除去部１１４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１１４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１１４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。
【０１４３】
次に、学習特徴量群取得部１１５は、取得された正常学習データから、１以上の特徴量である正常学習特徴量群を取得する。正常学習特徴量群は、例えば、平均値、分散値、ｐｈａｓｅ ｌｏｃｋｉｎｇ値などである。
【０１４４】
次に、意図判別情報蓄積部１１６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構成し、意図判別情報格納部１１１に蓄積する。
【０１４５】
そして、上記の処理をすべての意図識別子に対して行い、意図判別情報蓄積部１１６は、図１１に示す意図判別情報を意図判別情報格納部１１１に蓄積した、とする。なお、ここでは、意図識別子は、「右手」、「左手」、「舌」、「足」の４種類である、とする。
【０１４６】
次に、ユーザが、例えば、意図識別子「足」に対応する動作をロボット１２に行わそうとして、ユーザが足を動かしたことを想像する、とする。
【０１４７】
そして、脳活動データ取得部１１７は、ユーザが足を動かした際の脳活動データを取得する。
【０１４８】
次に、特徴量群取得部１１８は、取得された脳活動データから、入力特徴量群を取得する。入力特徴量群は、例えば、平均値、分散値、ｐｈａｓｅ ｌｏｃｋｉｎｇ値などである。
【０１４９】
つまり、確率算出手段１１９１は、意図識別子（「左手」「右手」「舌」「足」）ごとに、入力特徴量群が各意図識別子に対応する確率を算出する。算出アルゴリズムの例は、上述した通りである。
【０１５０】
そして、意図識別子取得手段１１９２は、算出された確率の中で、最も大きい確率に対応する意図識別子（例えば、「足」）を取得する。
【０１５１】
次に、意図識別子出力部１２０は、取得された意図識別子（例えば、「足」）をロボット１２に出力する。
【０１５２】
そして、ロボット１２の意図識別子受付部１２２は、意図識別子（例えば、「足」）を受け付ける。次に、実行部１２３は、意図識別子「足」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。次に、実行部１２３は、読み出した動作モジュールを実行する。
【０１５３】
以上のように処理により、実験日Ａから実験日Ｈの８日間において、実験を行った。この実験結果を図１２に示す。図１２において、異常なセンサや異常なトライアルを除去したデータで意図検出アルゴリズムのパラメータを調整すると、除去しない場合より平均性能で３％程度上昇したことが分かる。また、図１２によると、異常なセンサや異常なトライアルを除去した場合と、除去しない場合により、標準偏差で１％程度の減少が観察された。これは、本発明により、脳・機械インタフェースの性能向上が図られたことを意味する。
【０１５４】
以上、本実施の形態によれば、不適切なデータを除去した学習データを用いて、意図判別を行うことにより、精度高く、意図判別ができる。
【０１５５】
なお、本実施の形態によれば、異常センサの除去、異常トライアルの除去を行った。しかし、異常センサの除去、異常トライアルの除去のどちらか一方のみを行っても良い。また、本実施の形態において、異常センサの除去、異常トライアルの除去のアルゴリズムは問わない。なお、異常センサの除去とは、異常なセンサが取得したサンプルの除去である。また、異常トライアルの除去とは、異常なトライアルの際に取得されたサンプルの除去である。
【０１５６】
また、本実施の形態によれば、平均値と標準偏差を用いて、異常なデータを除去した。しかし、平均値のみを用いて、異常なデータを除去するなどしても良い。
【０１５７】
また、本実施の形態によれば、得られたデータの微分値を用いて異常データを除去するなどしても良い。
【０１５８】
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、〜。
【０１５９】
また、図１３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１３は、このコンピュータシステム３４０の概観図であり、図１４は、コンピュータシステム３４０のブロック図である。
【０１６０】
図１３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。
【０１６１】
図１４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。
【０１６２】
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。
【０１６３】
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。
【０１６４】
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。
【０１６５】
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。
【０１６６】
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。
【０１６７】
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】
【０１６８】
以上のように、本発明にかかる脳情報出力装置は、意図検出の精度を向上させることができる、という効果を有し、脳・機械インタフェース等として有用である。
【符号の説明】
【０１６９】
１ ロボットシステム
１１ 脳情報出力装置
１２ ロボット
１１１ 意図判別情報格納部
１１２ 学習データ取得部
１１３ 部分学習データ取得部
１１４ 異常データ除去部
１１５ 学習特徴量群取得部
１１６ 意図判別情報蓄積部
１１７ 脳活動データ取得部
１１８ 特徴量群取得部
１１９ 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
１１４１ 異常トライアル除去手段
１１４２ 異常センサ除去手段
１１９１ 確率算出手段
１１９２ 意図識別子取得手段
【技術分野】
【０００１】
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。
【０００２】
ＢＭＩにおいて、意図の検出には、意図検出アルゴリズムを用いる。そして、その意図検出アルゴリズムには、事前に調整すべき各種のパラメータ（後述する学習特徴量群）がある。このパラメータの調整は、事前に取得したユーザの脳活動データを使って行われる。ここで、脳活動データとは、通常、複数のトライアルデータから構成される。トライアルデータとは、ユーザがある動作（例えば、体を動かしたり、想像したりなど）を一度行った際（１トライアルと呼ぶ）に取得される脳活動の一連の時系列的なデータである。なお、トライアルデータとは、後述する学習データである。
【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、異常なセンサや異常なトライアルを含む脳活動データを使って、ＢＭＩの意図検出アルゴリズムのパラメータを調整した場合、ＢＭＩの性能が大幅に悪化する、という問題があった。
【０００５】
また、従来、手動で異常センサや異常トライアルを選び出して除去していた為に、非常に作業効率が悪かった。
【０００６】
さらに、手動で異常センサや異常トライアルを選び出して除去していた為に、主観等が混入するため、性能が安定しない等の問題があった。
【課題を解決するための手段】
【０００７】
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脳から取得された学習データから、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、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学習データを取得する学習データ群取得部と、前記学習データの一部のデータである部分学習データを、１以上取得する部分学習データ取得部と、前記１以上の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、前記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、前記学習データから除き、正常学習データを取得する異常データ除去部と、前記正常学習データから、１以上の特徴量である正常学習特徴量群を取得する学習特徴量群取得部と、前記正常学習特徴量群と、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、ユーザから脳活動のデータである脳活動データを取得する脳活動データ取得部と、前記脳活動データから、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。
【０００８】
かかる構成により、自動的に異常な学習データを除去できるため、意図検出の精度が向上する。
【０００９】
また、本第二の発明の脳情報出力装置は、第一の発明に対して、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。
【００１０】
かかる構成により、自動的に異常な学習データを除去できるため、意図検出の精度が向上する。
【００１１】
また、本第三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、前記学習データ群取得部は、複数のトライアルを行った際に、１以上のセンサを用いて、トライアルごと、およびセンサごとに、前記ユーザの脳から脳活動を示す時系列データである学習データを取得し、前記部分学習データ取得部は、前記学習データから、前記トライアルごとに、部分学習データを取得し、前記異常データ除去部は、前記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、前記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、前記学習データから除き、正常学習データを取得する異常トライアル除去手段を具備する脳情報出力装置である。
【００１２】
かかる構成により、自動的に異常なトライアルを検出し、当該トライアルの学習データを除去できるため、意図検出の精度が向上する。
【００１３】
また、本第四の発明の脳情報出力装置は、第三の発明に対して、前記部分学習データの特性値は、前記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算出される値であり、前記異常トライアル除去手段は、前記部分学習データの特性値から、前記部分学習データが、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、前記学習データから除き、正常学習データを取得する脳情報出力装置である。
【００１４】
かかる構成により、自動的に異常なトライアルを検出し、当該トライアルの学習データを除去できるため、意図検出の精度が向上する。
【００１５】
また、本第五の発明の脳情報出力装置は、第四の発明に対して、前記異常トライアル除去手段は、前記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、前記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場合に、当該部分学習データを、前記学習データから除き、正常学習データを取得する脳情報出力装置である。
【００１６】
かかる構成により、自動的に異常なトライアルを検出し、当該トライアルの学習データを除去できるため、意図検出の精度が向上する。
【００１７】
また、本第六の発明の脳情報出力装置は、第一から第五いずれかの発明に対して、前記部分学習データ取得部は、前記学習データから、前記センサごとに、部分学習データを取得し、前記異常データ除去部は、前記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、前記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、前記学習データから除き、正常学習データを取得する異常センサ除去手段を具備する脳情報出力装置である。
【００１８】
かかる構成により、自動的に異常なセンサを検出し、当該センサの学習データを除去できるため、意図検出の精度が向上する。
【００１９】
また、本第七の発明の脳情報出力装置は、第六の発明に対して、前記部分学習データの特性値は、前記センサごとの各部分学習データの平均値と標準偏差、または前記センサごとの各部分学習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算出される値であり、前記異常センサ除去手段は、前記部分学習データの特性値から、前記部分学習データが、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、前記学習データから除き、正常学習データを取得する脳情報出力装置である。
【００２０】
かかる構成により、自動的に異常なセンサを検出し、当該センサの学習データを除去できるため、意図検出の精度が向上する。
【００２１】
また、本第八の発明の脳情報出力装置は、第七の発明に対して、前記異常センサ除去手段は、前記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、前記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場合に、当該部分学習データを、前記学習データから除き、正常学習データを取得する脳情報出力装置である。
【００２２】
かかる構成により、自動的に異常なセンサを検出し、当該センサの学習データを除去できるため、意図検出の精度が向上する。
【発明の効果】
【００２３】
本発明による脳情報出力装置によれば、意図検出の精度を向上させることができる。
【図面の簡単な説明】
【００２４】
【図１】本実施の形態１におけるロボットシステムの概念図
【図２】同ロボットシステムのブロック図
【図３】同脳情報出力装置の動作について説明するフローチャート
【図４】同異常データ除去処理の動作について説明するフローチャート
【図５】同脳情報出力装置の動作について説明するフローチャート
【図６】同意図識別子取得処理の動作について説明するフローチャート
【図７】同ロボットの動作について説明するフローチャート
【図８】同脳情報出力装置の動作を説明する概要図
【図９】同学習データの例を示す図
【図１０】同異常データ除去処理の概念図
【図１１】同意図判別情報の例を示す図
【図１２】同実験結果を示す図
【図１３】同コンピュータシステムの概観図
【図１４】同コンピュータシステムのブロック図
【図１５】同確率算出アルゴリズムを説明するための図
【図１６】同確率算出アルゴリズムを説明するための図
【発明を実施するための形態】
【００２５】
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。
【００２６】
（実施の形態１）
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。
【００２７】
また、本実施の形態において、異常トライアルの学習データを除去したり、異常センサの学習データを除去したりすることにより、意図の検出精度を高めることができる脳情報出力装置について説明する。
【００２８】
さらに、かかる脳情報出力装置から出力された意図識別子を受け付け、当該意図識別子に応じた動作を行うロボットについて説明する。
【００２９】
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、脳活動計測装置によって脳情報を取得し、ユーザの意図を検出し、当該意図を識別する意図識別子をロボット１２に送付する。ロボット１２は、脳情報出力装置１１から意図識別子を受け付け、当該意図識別子に応じた動作を行う。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。
【００３０】
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、学習データ取得部１１２、部分学習データ取得部１１３、異常データ除去部１１４、学習特徴量群取得部１１５、意図判別情報蓄積部１１６、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。
【００３１】
異常データ除去部１１４は、異常トライアル除去手段１１４１、異常センサ除去手段１１４２を具備する。
【００３２】
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。
【００３３】
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。
【００３４】
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、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（トライアルという）を行った際に、ユーザの脳から取得された一のデータである学習データから抽出された１以上の特徴量である。
【００３５】
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、ユーザの脳活動を示すデータであり、時系列的なデータである。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。
【００３６】
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。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。
【００３７】
学習データ取得部１１２は、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、ユーザの脳から脳活動を示す時系列データである学習データを取得する。通常、学習データ取得部１１２は、複数のトライアルを行った際に、１以上のセンサを用いて、トライアルごと、およびセンサごとに、ユーザの脳から学習データを取得する。なお、学習データ取得部１１２は、例えば、近赤外線光計測装置である。また、学習データ取得部１１２は、例えば、脳波計測装置である。また、学習データ取得部１１２は、例えば、機能的ＭＲＩ（fMRI: functional Magnetic Resonance Imaging）や、ＰＥＴ(Positron Emission Tomography)なども良い。通常、学習データ取得部１１２と脳活動データ取得部１１７とは同じものである。また、学習データ取得部１１２は、通常、複数のセンサを有する。つまり、学習データは、脳活動計測装置に具備された複数のセンサからの時系列データで構成される。すなわち、通常、学習データは、（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。
【００３８】
部分学習データ取得部１１３は、学習データの一部のデータである部分学習データを、１以上取得する。部分学習データ取得部１１３は、例えば、学習データから、トライアルごとに、部分学習データを取得する。また、部分学習データ取得部１１３は、例えば、学習データから、センサごとに、部分学習データを取得する。つまり、部分学習データとは、例えば、一トライアルの時系列的な複数センサのデータ群である。また、部分学習データとは、例えば、一センサが取得した複数トライアルの時系列的なデータ群である。また、部分学習データとは、例えば、一トライアルの一センサのある区間のデータ群でも良い。ある区間とは、例えば、データ取得開始から３秒後までの区間である。また、ある区間とは、例えば、データ取得終了の３秒前から終了までの区間である。また、部分学習データとは、例えば、一サンプルデータでも良い。
【００３９】
部分学習データ取得部１１３は、通常、ＭＰＵやメモリ等から実現され得る。部分学習データ取得部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。
【００４０】
異常データ除去部１１４は、１以上の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。
【００４１】
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。
【００４２】
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。
【００４３】
また、異常データ除去部１１４は、後述する異常トライアル除去手段１１４１、異常センサ除去手段１１４２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１１４は、異常トライアル除去手段１１４１、異常センサ除去手段１１４２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。
【００４４】
異常データ除去部１１４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。
【００４５】
異常トライアル除去手段１１４１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。
【００４６】
異常トライアル除去手段１１４１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。
【００４７】
さらに具体的には、異常トライアル除去手段１１４１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。
【００４８】
異常トライアル除去手段１１４１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１１４１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。
【００４９】
異常センサ除去手段１１４２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。
【００５０】
異常センサ除去手段１１４２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。
【００５１】
さらに具体的には、異常センサ除去手段１１４２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。
【００５２】
異常センサ除去手段１１４２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１１４２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】
学習特徴量群取得部１１５は、異常データ除去部１１４が取得した正常学習データから、１以上の特徴量である正常学習特徴量群を取得する。学習特徴量群取得部１１５は、正常学習データに対して信号処理し、１以上の特徴量である正常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、正常学習特徴量群を構成する特徴量は、正常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１１５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。
【００５４】
学習特徴量群取得部１１５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。
【００５５】
意図判別情報蓄積部１１６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１１１に蓄積する。意図判別情報蓄積部１１６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１１１に蓄積する。
【００５６】
意図判別情報蓄積部１１６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１１６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。
【００５７】
脳活動データ取得部１１７は、ユーザから脳活動のデータである脳活動データを取得する。脳活動データとは、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。脳活動データは学習データと同じ種類のデータである。
【００５８】
脳活動データ取得部１１７は、例えば、近赤外線光計測装置、また脳波計測装置である。また、脳活動データ取得部１１７は、機能的ＭＲＩ（fMRI: functional Magnetic Resonance Imaging）、またはＰＥＴ(Positron Emission Tomography)などである。脳活動データ取得部１１７は、通常、学習データ取得部１１２と同じである。
【００５９】
特徴量群取得部１１８は、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。なお、特徴量群取得部１１８は、通常、学習特徴量群取得部１１５と同一の手段である。
【００６０】
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。
【００６１】
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正常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、距離が最も小さい正常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１１９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１１９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１１９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１１９における意図識別子の取得アルゴリズムは問わない。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。
【００６２】
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。
【００６３】
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、正常学習特徴量群から、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１５に示す。
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１６参照）。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。
【００６４】
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、正常学習特徴量群から、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。次に、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の確率を、「１−第一の意図識別子の確率」により算出する。
【００６５】
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、正常学習特徴量群から、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。次に、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の確率を、「１−第二の意図識別子の確率」により算出する。
【００６６】
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、正常学習特徴量群から、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。次に、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の確率を、「１−第三の意図識別子の確率」により算出する。
【００６７】
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、正常学習特徴量群から、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。次に、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の確率を、「１−第四の意図識別子の確率」により算出する。
【００６８】
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。
【００６９】
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。
【００７０】
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。
【００７１】
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。
【００７２】
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。意図識別子出力部１２０は、無線または有線の通信手段により実現され得る。
【００７３】
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。
【００７４】
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。
【００７５】
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。
【００７６】
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が、異常な学習データを取り除いて、意図判別情報を蓄積する動作（学習動作）について、図３のフローチャートを用いて説明する。
【００７７】
（ステップＳ３０１）学習データ取得部１１２は、学習データを取得するか否かを判断する。学習データを取得するのであればステップＳ３０２に行き、学習データを取得しないのであればステップＳ３０４に行く。なお、例えば、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）、学習データ取得部１１２は、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。
【００７８】
（ステップＳ３０２）学習データ取得部１１２は、学習データを取得する。
【００７９】
（ステップＳ３０３）学習データ取得部１１２は、ステップＳ３０２で取得した学習データを、記録媒体に、少なくとも一時的に蓄積する。なお、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、学習データを蓄積する。ステップＳ３０１に戻る。
【００８０】
（ステップＳ３０４）学習データ取得部１１２は、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Ｓ３０５に行き、終了しない場合はステップＳ３０１に戻る。なお、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学習データを取得した場合、学習データの取得処理を終了すると判断する。
【００８１】
（ステップＳ３０５）部分学習データ取得部１１３、および異常データ除去部１１４は、異常データ除去処理を行う。異常データ除去処理について、図４のフローチャートを用いて説明する。
【００８２】
（ステップＳ３０６）異常データ除去部１１４は、ステップＳ３０５において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。一時蓄積する場所は、揮発性または不揮発性の記録媒体である。
【００８３】
（ステップＳ３０７）学習特徴量群取得部１１５は、ステップＳ３０６で取得された正常学習データから、１以上の特徴量である正常学習特徴量群を取得する。
【００８４】
（ステップＳ３０８）意図判別情報蓄積部１１６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構成する。なお、通常、意図識別子は、正常学習データと対応付けて管理されている。
【００８５】
（ステップＳ３０９）意図判別情報蓄積部１１６は、ステップＳ３０８で構成した意図判別情報を、意図判別情報格納部１１１に蓄積する。処理を終了する。
【００８６】
次に、ステップＳ３０５の異常データ除去処理について、図４のフローチャートを用いて説明する。
【００８７】
（ステップＳ４０１）部分学習データ取得部１１３は、カウンタｉに１を代入する。
【００８８】
（ステップＳ４０２）部分学習データ取得部１１３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Ｓ４０３に行き、ｉ番目のセンサが存在しなければステップＳ４１０に行く。
【００８９】
（ステップＳ４０３）異常データ除去部１１４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１１４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。
【００９０】
（ステップＳ４０４）部分学習データ取得部１１３は、カウンタｊに１を代入する。
【００９１】
（ステップＳ４０５）部分学習データ取得部１１３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Ｓ４０６に行き、ｊ番目のトライアルが存在しなければステップＳ４０９に行く。
【００９２】
（ステップＳ４０６）部分学習データ取得部１１３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。
【００９３】
（ステップＳ４０７）異常データ除去部１１４は、ステップＳ４０６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１１４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１１４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１１４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。
【００９４】
（ステップＳ４０８）異常データ除去部１１４は、カウンタｊを１、インクリメントする。ステップＳ４０５に戻る。
【００９５】
（ステップＳ４０９）異常データ除去部１１４は、カウンタｉを１、インクリメントする。ステップＳ４０２に戻る。
【００９６】
（ステップＳ４１０）異常センサ除去手段１１４２は、カウンタｉに１を代入する。
【００９７】
（ステップＳ４１１）異常センサ除去手段１１４２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Ｓ４１１に行き、ｉ番目のセンサが存在しなければステップＳ４１６に行く。
【００９８】
（ステップＳ４１２）異常センサ除去手段１１４２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。
【００９９】
（ステップＳ４１３）異常センサ除去手段１１４２は、ステップＳ４１２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Ｓ４１４に行き、予め決められた数以上でなければステップＳ４１６に行く。
【０１００】
（ステップＳ４１４）異常センサ除去手段１１４２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。
【０１０１】
（ステップＳ４１５）異常センサ除去手段１１４２は、カウンタｉを１、インクリメントする。ステップＳ４１１に戻る。
【０１０２】
（ステップＳ４１６）異常トライアル除去手段１１４１は、カウンタｊに１を代入する。
【０１０３】
（ステップＳ４１７）異常トライアル除去手段１１４１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Ｓ４１８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。
【０１０４】
（ステップＳ４１８）異常トライアル除去手段１１４１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。
【０１０５】
（ステップＳ４１９）異常トライアル除去手段１１４１は、ステップＳ４１８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Ｓ４２０に行き、予め決められた数以上でなければステップＳ４２１に行く
【０１０６】
（ステップＳ４２０）異常トライアル除去手段１１４１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。
【０１０７】
（ステップＳ４２１）異常トライアル除去手段１１４１は、カウンタｊを１、インクリメントする。ステップＳ４１７に戻る。
【０１０８】
なお、図４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。
【０１０９】
また、図４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。
【０１１０】
さらに、図４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。
【０１１１】
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５のフローチャートを用いて説明する。
【０１１２】
（ステップＳ５０１）脳活動データ取得部１１７は、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Ｓ５０２に行き、脳活動データを取得しなければステップＳ５０１に戻る。
【０１１３】
（ステップＳ５０２）特徴量群取得部１１８は、ステップＳ５０１で取得された脳活動データから、入力特徴量群を取得する。
【０１１４】
（ステップＳ５０３）意図識別子取得部１１９は、ステップＳ５０２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６のフローチャートを用いて説明する。
【０１１５】
（ステップＳ５０４）意図識別子出力部１２０は、ステップＳ５０３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Ｓ５０１に戻る。
【０１１６】
なお、図５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。
【０１１７】
次に、ステップＳ５０３の意図識別子取得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。
【０１１８】
（ステップＳ６０１）意図識別子取得部１１９は、カウンタｉを１に設定する。
【０１１９】
（ステップＳ６０２）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Ｓ６０３に行き、ｉ番目の意図識別子が存在しなければステップＳ６０８に行く。
【０１２０】
（ステップＳ６０３）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。
【０１２１】
（ステップＳ６０４）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。
【０１２２】
（ステップＳ６０５）意図識別子取得部１１９は、ステップＳ６０３で取得された学習特徴量群（ベクトル）と、ステップＳ６０４で取得された特徴量群（ベクトル）の距離を算出する。
【０１２３】
（ステップＳ６０６）意図識別子取得部１１９は、ステップＳ６０５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。
【０１２４】
（ステップＳ６０７）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Ｓ６０２に戻る。
【０１２５】
（ステップＳ６０８）意図識別子取得部１１９は、ステップＳ６０６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。
【０１２６】
なお、図６のフローチャートにおいて、ステップＳ６０４の動作は、ループ外に配置し、一度のみ行っても良い。
【０１２７】
次に、ロボット１２の動作について、図７のフローチャートを用いて説明する。
【０１２８】
（ステップＳ７０１）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Ｓ７０２に行き、意図識別子を受け付けなければステップＳ７０１に戻る。
【０１２９】
（ステップＳ７０２）実行部１２３は、ステップＳ７０１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。
【０１３０】
（ステップＳ７０３）実行部１２３は、ステップＳ７０２で読み出した動作モジュールを実行する。ステップＳ７０１に戻る。
【０１３１】
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。
【０１３２】
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。
【０１３３】
以下、本実施の形態におけるロボットシステム１の具体的な動作について説明する。ロボットシステム１の概念図は図１である。
【０１３４】
まず、脳情報出力装置１１の動作の概要について説明する。図８は、脳情報出力装置１１の動作を説明する概要図である。
【０１３５】
まず、脳情報出力装置１１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、学習データ取得部１１２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１１４２である。
【０１３６】
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１１４１である。
【０１３７】
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。
【０１３８】
脳情報出力装置１１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１１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１１９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。
【０１３９】
今、学習データ取得部１１２は、複数のセンサを具備し、脳波データを、ユーザの脳から取得する、とする。つまり、学習データ取得部１１２は、脳波計測装置である。
【０１４０】
そして、学習データ取得部１１２は、図９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、学習データ取得部１１２は、取得した学習データ（図９）を、記録媒体に一時的に蓄積する。
【０１４１】
次に、脳情報出力装置１１は、図９の学習データから、異常データの除去処理を行う。つまり、部分学習データ取得部１１３、および異常データ除去部１１４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１０の概念図を用いて説明する。
（１）部分学習データ取得部１１３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１１４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１１４は、各センサと各トライアルデータ（図１０（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１０（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１１４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１０（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１１４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１１４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１０（ｄ）のマトリクスを求める。
（６）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ａと前記のマトリクスを比較し、ａよりも大きいｍａｍｐにチェックをする。定数ａとしては、「９」が好適である。また、図１０（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１１４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１０（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１１４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。この数を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１０（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１１４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、異常センサとして除去する。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除去する。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。
なお、異常データ除去部１１４は、異常センサを除去後に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。
また、異常データ除去部１１４は、部分学習データ取得部１１３から得られたデータの微分値に対して前記の処理をしても良い。これは、突発のノイズ、すなわち微分値が非常に大きい値がある場合に異常データとみなすことに等しい。
【０１４２】
以上の処理により、異常データ除去部１１４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１１４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１１４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。
【０１４３】
次に、学習特徴量群取得部１１５は、取得された正常学習データから、１以上の特徴量である正常学習特徴量群を取得する。正常学習特徴量群は、例えば、平均値、分散値、ｐｈａｓｅ ｌｏｃｋｉｎｇ値などである。
【０１４４】
次に、意図判別情報蓄積部１１６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構成し、意図判別情報格納部１１１に蓄積する。
【０１４５】
そして、上記の処理をすべての意図識別子に対して行い、意図判別情報蓄積部１１６は、図１１に示す意図判別情報を意図判別情報格納部１１１に蓄積した、とする。なお、ここでは、意図識別子は、「右手」、「左手」、「舌」、「足」の４種類である、とする。
【０１４６】
次に、ユーザが、例えば、意図識別子「足」に対応する動作をロボット１２に行わそうとして、ユーザが足を動かしたことを想像する、とする。
【０１４７】
そして、脳活動データ取得部１１７は、ユーザが足を動かした際の脳活動データを取得する。
【０１４８】
次に、特徴量群取得部１１８は、取得された脳活動データから、入力特徴量群を取得する。入力特徴量群は、例えば、平均値、分散値、ｐｈａｓｅ ｌｏｃｋｉｎｇ値などである。
【０１４９】
つまり、確率算出手段１１９１は、意図識別子（「左手」「右手」「舌」「足」）ごとに、入力特徴量群が各意図識別子に対応する確率を算出する。算出アルゴリズムの例は、上述した通りである。
【０１５０】
そして、意図識別子取得手段１１９２は、算出された確率の中で、最も大きい確率に対応する意図識別子（例えば、「足」）を取得する。
【０１５１】
次に、意図識別子出力部１２０は、取得された意図識別子（例えば、「足」）をロボット１２に出力する。
【０１５２】
そして、ロボット１２の意図識別子受付部１２２は、意図識別子（例えば、「足」）を受け付ける。次に、実行部１２３は、意図識別子「足」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。次に、実行部１２３は、読み出した動作モジュールを実行する。
【０１５３】
以上のように処理により、実験日Ａから実験日Ｈの８日間において、実験を行った。この実験結果を図１２に示す。図１２において、異常なセンサや異常なトライアルを除去したデータで意図検出アルゴリズムのパラメータを調整すると、除去しない場合より平均性能で３％程度上昇したことが分かる。また、図１２によると、異常なセンサや異常なトライアルを除去した場合と、除去しない場合により、標準偏差で１％程度の減少が観察された。これは、本発明により、脳・機械インタフェースの性能向上が図られたことを意味する。
【０１５４】
以上、本実施の形態によれば、不適切なデータを除去した学習データを用いて、意図判別を行うことにより、精度高く、意図判別ができる。
【０１５５】
なお、本実施の形態によれば、異常センサの除去、異常トライアルの除去を行った。しかし、異常センサの除去、異常トライアルの除去のどちらか一方のみを行っても良い。また、本実施の形態において、異常センサの除去、異常トライアルの除去のアルゴリズムは問わない。なお、異常センサの除去とは、異常なセンサが取得したサンプルの除去である。また、異常トライアルの除去とは、異常なトライアルの際に取得されたサンプルの除去である。
【０１５６】
また、本実施の形態によれば、平均値と標準偏差を用いて、異常なデータを除去した。しかし、平均値のみを用いて、異常なデータを除去するなどしても良い。
【０１５７】
また、本実施の形態によれば、得られたデータの微分値を用いて異常データを除去するなどしても良い。
【０１５８】
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、〜。
【０１５９】
また、図１３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１３は、このコンピュータシステム３４０の概観図であり、図１４は、コンピュータシステム３４０のブロック図である。
【０１６０】
図１３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。
【０１６１】
図１４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。
【０１６２】
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。
【０１６３】
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。
【０１６４】
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。
【０１６５】
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。
【０１６６】
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。
【０１６７】
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】
【０１６８】
以上のように、本発明にかかる脳情報出力装置は、意図検出の精度を向上させることができる、という効果を有し、脳・機械インタフェース等として有用である。
【符号の説明】
【０１６９】
１ ロボットシステム
１１ 脳情報出力装置
１２ ロボット
１１１ 意図判別情報格納部
１１２ 学習データ取得部
１１３ 部分学習データ取得部
１１４ 異常データ除去部
１１５ 学習特徴量群取得部
１１６ 意図判別情報蓄積部
１１７ 脳活動データ取得部
１１８ 特徴量群取得部
１１９ 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
１１４１ 異常トライアル除去手段
１１４２ 異常センサ除去手段
１１９１ 確率算出手段
１１９２ 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脳から取得された学習データから、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、
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学習データを取得する学習データ群取得部と、
前記学習データの一部のデータである部分学習データを、１以上取得する部分学習データ取得部と、
前記１以上の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、前記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、前記学習データから除き、正常学習データを取得する異常データ除去部と、
前記正常学習データから、１以上の特徴量である正常学習特徴量群を取得する学習特徴量群取得部と、
前記正常学習特徴量群と、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、
ユーザから脳活動のデータである脳活動データを取得する脳活動データ取得部と、
前記脳活動データから、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】
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記載の脳情報出力装置。
【請求項３】
前記学習データ群取得部は、
複数のトライアルを行った際に、１以上のセンサを用いて、トライアルごと、およびセンサごとに、前記ユーザの脳から脳活動を示す時系列データである学習データを取得し、
前記部分学習データ取得部は、
前記学習データから、前記トライアルごとに、部分学習データを取得し、
前記異常データ除去部は、
前記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、前記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、前記学習データから除き、正常学習データを取得する異常トライアル除去手段を具備する請求項１または請求項２記載の脳情報出力装置。
【請求項４】
前記部分学習データの特性値は、
前記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算出される値であり、
前記異常トライアル除去手段は、
前記部分学習データの特性値から、前記部分学習データが、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、前記学習データから除き、正常学習データを取得する請求項３記載の脳情報出力装置。
【請求項５】
前記異常トライアル除去手段は、
前記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、前記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場合に、当該部分学習データを、前記学習データから除き、正常学習データを取得する請求項４記載の脳情報出力装置。
【請求項６】
前記部分学習データ取得部は、
前記学習データから、前記センサごとに、部分学習データを取得し、
前記異常データ除去部は、
前記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、前記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、前記学習データから除き、正常学習データを取得する異常センサ除去手段を具備する請求項１から請求項５いずれか記載の脳情報出力装置。
【請求項７】
前記部分学習データの特性値は、
前記センサごとの各部分学習データの平均値と標準偏差、または前記センサごとの各部分学習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算出される値であり、
前記異常センサ除去手段は、
前記部分学習データの特性値から、前記部分学習データが、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、前記学習データから除き、正常学習データを取得する請求項６記載の脳情報出力装置。
【請求項８】
前記異常センサ除去手段は、
前記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、前記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場合に、当該部分学習データを、前記学習データから除き、正常学習データを取得する請求項７記載の脳情報出力装置。
【請求項９】
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７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１０】
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学習データを取得する学習データ群取得ステップと、
前記学習データの一部のデータである部分学習データを、１以上取得する部分学習データ取得ステップと、
前記１以上の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、前記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、前記学習データから除き、正常学習データを取得する異常データ除去ステップと、
正常学習データから、１以上の特徴量である正常学習特徴量群を取得する学習特徴量群取得ステップと、
前記正常学習特徴量群と、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、記憶媒体に蓄積する意図判別情報蓄積ステップと、
ユーザから脳活動のデータである脳活動データを取得する脳活動データ取得ステップと、
前記脳活動データから、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し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脳から取得された学習データから、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、
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学習データを取得する学習データ群取得部と、
前記学習データの一部のデータである部分学習データを、１以上取得する部分学習データ取得部と、
前記１以上の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、前記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、前記学習データから除き、正常学習データを取得する異常データ除去部と、
前記正常学習データから、１以上の特徴量である正常学習特徴量群を取得する学習特徴量群取得部と、
前記正常学習特徴量群と、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、
ユーザから脳活動のデータである脳活動データを取得する脳活動データ取得部と、
前記脳活動データから、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】
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記載の脳情報出力装置。
【請求項３】
前記学習データ群取得部は、
複数のトライアルを行った際に、１以上のセンサを用いて、トライアルごと、およびセンサごとに、前記ユーザの脳から脳活動を示す時系列データである学習データを取得し、
前記部分学習データ取得部は、
前記学習データから、前記トライアルごとに、部分学習データを取得し、
前記異常データ除去部は、
前記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、前記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、前記学習データから除き、正常学習データを取得する異常トライアル除去手段を具備する請求項１または請求項２記載の脳情報出力装置。
【請求項４】
前記部分学習データの特性値は、
前記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算出される値であり、
前記異常トライアル除去手段は、
前記部分学習データの特性値から、前記部分学習データが、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、前記学習データから除き、正常学習データを取得する請求項３記載の脳情報出力装置。
【請求項５】
前記異常トライアル除去手段は、
前記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、前記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場合に、当該部分学習データを、前記学習データから除き、正常学習データを取得する請求項４記載の脳情報出力装置。
【請求項６】
前記部分学習データ取得部は、
前記学習データから、前記センサごとに、部分学習データを取得し、
前記異常データ除去部は、
前記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、前記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、前記学習データから除き、正常学習データを取得する異常センサ除去手段を具備する請求項１から請求項５いずれか記載の脳情報出力装置。
【請求項７】
前記部分学習データの特性値は、
前記センサごとの各部分学習データの平均値と標準偏差、または前記センサごとの各部分学習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算出される値であり、
前記異常センサ除去手段は、
前記部分学習データの特性値から、前記部分学習データが、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、前記学習データから除き、正常学習データを取得する請求項６記載の脳情報出力装置。
【請求項８】
前記異常センサ除去手段は、
前記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、前記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場合に、当該部分学習データを、前記学習データから除き、正常学習データを取得する請求項７記載の脳情報出力装置。
【請求項９】
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７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１０】
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学習データを取得する学習データ群取得ステップと、
前記学習データの一部のデータである部分学習データを、１以上取得する部分学習データ取得ステップと、
前記１以上の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、前記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、前記学習データから除き、正常学習データを取得する異常データ除去ステップと、
正常学習データから、１以上の特徴量である正常学習特徴量群を取得する学習特徴量群取得ステップと、
前記正常学習特徴量群と、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、記憶媒体に蓄積する意図判別情報蓄積ステップと、
ユーザから脳活動のデータである脳活動データを取得する脳活動データ取得ステップと、
前記脳活動データから、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し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１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図１】
【図８】
【図９】
【図１０】
【図３】
【図４】
【図５】
【図６】
【図７】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図１】
【図８】
【図９】
【図１０】
【公開番号】特開２０１０−１９８２３６（Ｐ２０１０−１９８２３６Ａ）
【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２００９−４１３４０（Ｐ２００９−４１３４０）
【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)
【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)
[ Back to top ]