認知機能障害危険度算出装置、認知機能障害危険度算出システム、及びプログラム
【課題】認知機能障害の危険度を精度良く算出することができるようにする。
【解決手段】特徴量選択部２２によって、音声データから抽出される複数種類の韻律特徴量と、音声データの発話者について求められたＨＤＳ−Ｒスコアとを含む複数の学習データに基づいて、複数種類の韻律特徴量から、ＨＤＳ−Ｒスコアとの相関が最も高くなる韻律特徴量の組み合わせを選択する。重み付け決定部２４によって、複数の学習データの各々の選択された韻律特徴量の組み合わせとＨＤＳ−Ｒスコアとに基づいて、選択された韻律特徴量の組み合わせの各々に対する重み付けを決定する。特徴量抽出部２８によって、入力された音声データから、複数種類の韻律特徴量を抽出する。危険度算出部３０によって、抽出された韻律特徴量のうちの選択された韻律特徴量の組み合わせと、重み付け決定部２４によって決定された重み付けとに基づいて、認知機能障害の危険度を算出する。
【解決手段】特徴量選択部２２によって、音声データから抽出される複数種類の韻律特徴量と、音声データの発話者について求められたＨＤＳ−Ｒスコアとを含む複数の学習データに基づいて、複数種類の韻律特徴量から、ＨＤＳ−Ｒスコアとの相関が最も高くなる韻律特徴量の組み合わせを選択する。重み付け決定部２４によって、複数の学習データの各々の選択された韻律特徴量の組み合わせとＨＤＳ−Ｒスコアとに基づいて、選択された韻律特徴量の組み合わせの各々に対する重み付けを決定する。特徴量抽出部２８によって、入力された音声データから、複数種類の韻律特徴量を抽出する。危険度算出部３０によって、抽出された韻律特徴量のうちの選択された韻律特徴量の組み合わせと、重み付け決定部２４によって決定された重み付けとに基づいて、認知機能障害の危険度を算出する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、認知機能障害危険度算出装置、認知機能障害危険度算出システム、及びプログラムに係り、特に、音声データに基づいて、認知機能障害の危険度を算出する認知機能障害危険度算出装置、認知機能障害危険度算出システム、及びプログラムに関する。
【背景技術】
【０００２】
従来より、認知症のスクリーニングは、ＨＤＳ−Ｒ（改訂長谷川式簡易知能評価スケール）、ＭＭＳＥ（Ｍｉｎｉ‐ＭｅｎｔａｌＳｔａｔｅ Ｅｘａｍｉｎａｔｉｏｎ）、ＣＤＲ（Ｃｌｉｎｉｃａｌ ＤｅｍｅｎｔｉａＲａｔｉｎｇ）などが、ｆＭＲＩ、ＦＤＧ‐ＰＥＴ、ＣＳＦバイオマーカーなどの神経生理学に基づくテストと同様に広く用いられている。これらは一定のトレーニングを受けた医師、あるいは臨床心理士などにより、主として医療機関において実施されている。
【０００３】
また、患者の認知症の症状レベルを特定してそれに応じた質問と正解を生成し、患者の回答と正解とを比較して正誤の判定を行う認知症診断支援システムが知られている（特許文献１）。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特開２００７−２８２９９２号公報
【発明の概要】
【発明が解決しようとする課題】
【０００５】
しかしながら、上記特許文献１に記載の技術では、繰り返し診断を行う場合、患者が質問に対する正解を覚えてしまう可能性があり、正しい判定ができなくなってしまう、という問題がある。
【０００６】
本発明は、上記の問題点を解決するためになされたもので、認知機能障害の危険度を精度良く算出することができる認知機能障害危険度算出装置、認知機能障害危険度算出システム、及びプログラムを提供することを目的とする。
【課題を解決するための手段】
【０００７】
上記の目的を達成するために第１の発明に係る認知機能障害危険度算出装置は、音声データから抽出される複数種類の韻律特徴量と、前記音声データの発話者について求められた認知機能障害の危険度とを含む複数の学習データに基づいて、前記複数種類の韻律特徴量から、前記危険度との相関が最も高くなる前記韻律特徴量の組み合わせを選択する特徴量選択手段と、前記複数の学習データの各々の前記選択された韻律特徴量の組み合わせと前記危険度とに基づいて、前記選択された韻律特徴量の組み合わせの各々に対する重み付けを決定する重み付け決定手段と、入力された音声データから、前記複数種類の韻律特徴量を抽出する特徴量抽出手段と、前記特徴量抽出手段によって抽出された前記韻律特徴量のうちの前記選択された韻律特徴量の組み合わせと、前記重み付け決定手段によって決定された重み付けとに基づいて、認知機能障害の危険度を算出する危険度算出手段と、を含んで構成されている。
【０００８】
第２の発明に係るプログラムは、コンピュータを、音声データから抽出される複数種類の韻律特徴量と、前記音声データの発話者について求められた認知機能障害の危険度とを含む複数の学習データに基づいて、前記複数種類の韻律特徴量から、前記危険度との相関が最も高くなる前記韻律特徴量の組み合わせを選択する特徴量選択手段、前記複数の学習データの各々の前記選択された韻律特徴量の組み合わせと前記危険度とに基づいて、前記選択された韻律特徴量の組み合わせの各々に対する重み付けを決定する重み付け決定手段、入力された音声データから、前記複数種類の韻律特徴量を抽出する特徴量抽出手段、及び前記特徴量抽出手段によって抽出された前記韻律特徴量のうちの前記選択された韻律特徴量の組み合わせと、前記重み付け決定手段によって決定された重み付けとに基づいて、認知機能障害の危険度を算出する危険度算出手段として機能させるためのプログラムである。
【０００９】
第１の発明及び第２の発明によれば、特徴量選択手段によって、音声データから抽出される複数種類の韻律特徴量と、音声データの発話者について求められた認知機能障害の危険度とを含む複数の学習データに基づいて、複数種類の韻律特徴量から、危険度との相関が最も高くなる韻律特徴量の組み合わせを選択する。重み付け決定手段によって、複数の学習データの各々の選択された韻律特徴量の組み合わせと危険度とに基づいて、選択された韻律特徴量の組み合わせの各々に対する重み付けを決定する。
【００１０】
そして、特徴量抽出手段によって、入力された音声データから、複数種類の韻律特徴量を抽出する。危険度算出手段によって、特徴量抽出手段によって抽出された韻律特徴量のうちの選択された韻律特徴量の組み合わせと、重み付け決定手段によって決定された重み付けとに基づいて、認知機能障害の危険度を算出する。
【００１１】
このように、認知機能障害の危険度との相関が最も高くなる韻律特徴量の組み合わせと、韻律特徴量の組み合わせの各々に対して決定された重み付けとに基づいて、認知機能障害の危険度を精度良く算出することができる。
【００１２】
第３の発明に係る認知機能障害危険度算出装置は、音声データから抽出される複数種類の韻律特徴量と、前記音声データの発話者について求められた認知機能障害の危険度とを含む複数の学習データの前記複数種類の韻律特徴量に対して分析処理を行って、前記複数種類の韻律特徴量を合成した合成変数を複数種類生成する合成変数生成手段と、前記複数の学習データと、前記生成された複数種類の合成変数とに基づいて、前記複数種類の合成変数から、前記危険度との相関が最も高くなる前記合成変数の組み合わせを選択する合成変数選択手段と、前記複数の学習データの各々について求められる前記合成変数の組み合わせと、前記複数の学習データの各々の前記危険度とに基づいて、前記選択された合成変数の組み合わせの各々に対する重み付けを決定する重み付け決定手段と、入力された音声データから、前記複数種類の韻律特徴量を抽出する特徴量抽出手段と、前記特徴量抽出手段によって抽出された前記韻律特徴量から求められる前記合成変数の組み合わせと、前記重み付け決定手段によって決定された重み付けとに基づいて、認知機能障害の危険度を算出する危険度算出手段と、を含んで構成されている。
【００１３】
第４の発明に係るプログラムは、コンピュータを、音声データから抽出される複数種類の韻律特徴量と、前記音声データの発話者について求められた認知機能障害の危険度とを含む複数の学習データの前記複数種類の韻律特徴量に対して分析処理を行って、前記複数種類の韻律特徴量を合成した合成変数を複数種類生成する合成変数生成手段、前記複数の学習データと、前記生成された複数種類の合成変数とに基づいて、前記複数種類の合成変数から、前記危険度との相関が最も高くなる前記合成変数の組み合わせを選択する合成変数選択手段、前記複数の学習データの各々について求められる前記合成変数の組み合わせと、前記複数の学習データの各々の前記危険度とに基づいて、前記選択された合成変数の組み合わせの各々に対する重み付けを決定する重み付け決定手段、入力された音声データから、前記複数種類の韻律特徴量を抽出する特徴量抽出手段、及び前記特徴量抽出手段によって抽出された前記韻律特徴量から求められる前記合成変数の組み合わせと、前記重み付け決定手段によって決定された重み付けとに基づいて、認知機能障害の危険度を算出する危険度算出手段として機能させるためのプログラムである。
【００１４】
第３の発明及び第４の発明によれば、合成変数生成手段によって、音声データから抽出される複数種類の韻律特徴量と、音声データの発話者について求められた認知機能障害の危険度とを含む複数の学習データの複数種類の韻律特徴量に対して分析処理を行って、複数種類の韻律特徴量を合成した合成変数を複数種類生成する。そして、合成変数選択手段によって、複数の学習データと、生成された複数種類の合成変数とに基づいて、複数種類の合成変数から、危険度との相関が最も高くなる合成変数の組み合わせを選択する。重み付け決定手段によって、複数の学習データの各々について求められる合成変数の組み合わせと、複数の学習データの各々の前記危険度とに基づいて、選択された合成変数の組み合わせの各々に対する重み付けを決定する。
【００１５】
そして、特徴量抽出手段によって、入力された音声データから、複数種類の韻律特徴量を抽出する。危険度算出手段によって、特徴量抽出手段によって抽出された韻律特徴量から求められる合成変数の組み合わせと、重み付け決定手段によって決定された重み付けとに基づいて、認知機能障害の危険度を算出する。
【００１６】
このように、認知機能障害の危険度との相関が最も高くなる、韻律特徴量の合成変数の組み合わせと、合成変数の組み合わせの各々に対して決定された重み付けとに基づいて、認知機能障害の危険度を精度良く算出することができる。
【００１７】
上記の複数種類の韻律特徴量は、音声の周波数成分に関する特徴量、音声のフォルマント構造に関する特徴量、音声の大きさに関する特徴量、発話速度に関する特徴量、及び質問に回答するまでの反応時間に関する特徴量の少なくとも１つを含むようにすることができる。
【００１８】
上記の学習データの認知機能障害の危険度を、発話者に対する長谷川式簡易知能評価スケールによって求められたものとすることができる。
【００１９】
上記の特徴量抽出手段は、質問に対する回答として入力された音声データから、複数種類の韻律特徴量を抽出するようにすることができる。
【００２０】
第５の発明に係る認知機能障害危険度算出システムは、音声データから抽出される複数種類の韻律特徴量と、前記音声データの発話者について求められた認知機能障害の危険度とを含む複数の学習データに基づいて、前記複数種類の韻律特徴量から、前記危険度との相関が最も高くなる前記韻律特徴量の組み合わせを選択する特徴量選択手段、及び前記複数の学習データの各々の前記選択された韻律特徴量の組み合わせと前記危険度とに基づいて、前記選択された韻律特徴量の組み合わせの各々に対する重み付けを決定する重み付け決定手段を含む特徴量選択装置と、入力された音声データから、前記複数種類の韻律特徴量を抽出する特徴量抽出手段、及び前記特徴量抽出手段によって抽出された前記韻律特徴量のうちの前記選択された韻律特徴量の組み合わせと、前記重み付け決定手段によって決定された重み付けとに基づいて、認知機能障害の危険度を算出する危険度算出手段を含む危険度算出装置と、を含んで構成されている。
【００２１】
第６の発明に係る認知機能障害危険度算出システムは、音声データから抽出される複数種類の韻律特徴量と、前記音声データの発話者について求められた認知機能障害の危険度とを含む複数の学習データの前記複数種類の韻律特徴量に対して主成分分析を行って、前記複数種類の韻律特徴量を合成した合成変数を複数種類生成する合成変数生成手段、前記複数の学習データと、前記生成された複数種類の合成変数とに基づいて、前記複数種類の合成変数から、前記危険度との相関が最も高くなる前記合成変数の組み合わせを選択する合成変数選択手段、及び前記複数の学習データの各々について求められる前記合成変数の組み合わせと、前記複数の学習データの各々の前記危険度とに基づいて、前記選択された合成変数の組み合わせの各々に対する重み付けを決定する重み付け決定手段を含む合成変数選択装置と、入力された音声データから、前記複数種類の韻律特徴量を抽出する特徴量抽出手段、及び前記特徴量抽出手段によって抽出された前記韻律特徴量から求められる前記合成変数の組み合わせと、前記重み付け決定手段によって決定された重み付けとに基づいて、認知機能障害の危険度を算出する危険度算出手段を含む危険度算出装置と、を含んで構成されている。
【００２２】
本発明のプログラムは、記録媒体に格納して提供することができる。
【発明の効果】
【００２３】
以上説明したように、本発明の認知機能障害危険度算出装置、認知機能障害危険度算出システム、及びプログラムによれば、認知機能障害の危険度との相関が最も高くなる韻律特徴量の組み合わせと、韻律特徴量の組み合わせの各々に対して決定された重み付けとに基づいて、又は、認知機能障害の危険度との相関が最も高くなる、韻律特徴量の合成変数の組み合わせと、合成変数の組み合わせの各々に対して決定された重み付けとに基づいて、認知機能障害の危険度を精度良く算出することができる、という効果が得られる。
【図面の簡単な説明】
【００２４】
【図１】本発明の第１の実施の形態に係る認知機能障害危険度算出装置の構成を示す概略図である。
【図２】（Ａ）音声データから抽出された周波数成分を示すグラフ、及び（Ｂ）フォルマント周波数を示すグラフである。
【図３】（Ａ）音声データから抽出された短時間パワーを示すグラフ、及び（Ｂ）音声データの振幅を示すグラフである。
【図４】本発明の第１の実施の形態に係るコンピュータの学習処理ルーチンの内容を示すフローチャートである。
【図５】本発明の第１の実施の形態に係るコンピュータの認知機能障害危険度算出処理ルーチンの内容を示すフローチャートである。
【図６】本発明の第２の実施の形態に係る認知機能障害危険度算出装置の構成を示す概略図である。
【図７】第１の実施の形態及び第２の実施の形態の手法で、選択された韻律特徴量又は合成変数のうちの有意な韻律特徴量又は合成変数の例を示す図である。
【図８】第１の実施の形態及び第２の実施の形態の手法において、算出された危険度とＨＤＳ−Ｒスコアとの相関を示す図である。
【図９】第１の実施の形態の手法で算出された危険度とＨＤＳ−Ｒスコアとの散布図である。
【図１０】第２の実施の形態の手法で算出された危険度とＨＤＳ−Ｒスコアとの散布図である。
【図１１】本発明の第３の実施の形態に係る認知機能障害危険度算出システムの構成を示す概略図である。
【図１２】本発明の第４の実施の形態に係る認知機能障害危険度算出システムの構成を示す概略図である。
【発明を実施するための形態】
【００２５】
以下、図面を参照して本発明の実施の形態を詳細に説明する。なお、本実施の形態では、危険度算出対象であるユーザの音声を入力して、認知機能障害の危険度を算出する認知機能障害危険度算出装置に、本発明を適用した場合を例に説明する。
【００２６】
図１に示すように、第１の発明の実施の形態に係る認知機能障害危険度算出装置１０は、ユーザからの音声を入力するための音声入力部１２と、音声を出力するスピーカ１３と、入力された音声データに基づいて、認知機能障害の危険度を算出して、表示装置１６に表示させるコンピュータ１４とを備えている。
【００２７】
音声入力部１２は、例えば、音声を入力するためのマイクロホンで構成されている。
【００２８】
コンピュータ１４は、ＣＰＵ、ＲＯＭ、ＲＡＭ、及びＨＤＤを備え、ＨＤＤには、後述する学習処理ルーチン及び認知機能障害危険度算出処理ルーチンに対するプログラムが記憶されている。
【００２９】
コンピュータ１４は、機能的には次に示すように構成されている。図１に示すように、コンピュータ１４は、学習データ記憶部２０、特徴量選択部２２、重み付け決定部２４、質問再生部２５と、音声取得部２６、特徴量抽出部２８、危険度算出部３０を備えている。
【００３０】
学習データ記憶部２０には、学習データとして、音声データから得られた複数種類の音声韻律特徴量と、当該音声データの発話者に対して求められた認知機能障害の危険度とからなるデータが予め記憶されており、多数の発話者に対する学習データが予め記憶されている。
【００３１】
本実施の形態では、学習データを得るために、口頭による質疑応答形式のテストとして改訂長谷川式簡易知能評価スケール（ＨＤＳ−Ｒ）を実施したときの音声会話を記録した音声データを用いている。例えば、質疑応答の中から「見当識」と「数字逆唱」についての２問の回答音声を収集し、これに追加して、出身地、子供のころの遊び、学生時代、の３つのテーマについて雑談したものから任意の発話音声の冒頭１フレーズについても収集して、音声データを収集した。このように得られた音声データから得られた複数種類の音声韻律特徴量と、テストによって得られた、認知機能障害の危険度を表わすＨＤＳ−Ｒスコアとを学習データとして収集して、学習データ記憶部２０に格納した。
【００３２】
複数種類の音声韻律特徴量として、例えば、以下に示す１３０種の音声韻律特徴量が用いられる。これらの特徴抽出の際には、量子化ビット数１６およびサンプリング周波数４４．１［ＫＨｚ］のデジタル音声を用い、短時間分析におけるフレーム長を２３［ｍｓｅｃ］、フレーム周期１１［ｍｓｅｃ］とし、窓関数としてＨａｍｍｉｎｇ窓（１０２４ポイント）を使用した。
【００３３】
まず、音声の高さに関係するピッチ構造を反映させるために、基本周波数と基本周波数のｎ倍の周波数を持つｎ次高調波成分から得られる、以下に示す５３種の音声韻律特徴量を用いた。ただし、基本周波数の時間変化の振幅とは、１事例の基本周波数のデータ列の上位２５％と下位２５％の値を無視したときの最大値と最小値の幅とする。
【００３４】
Ｆ１−７． 発音開始直後ｔ秒間の基本周波数の時間変化の振幅（ｔ＝０．０５，０．１０，・・・，０．３５）
Ｆ８． 周波数重心（各高調波成分のパワー値を重みとする周波数の重みつき平均）
Ｆ１０−４８． 全高調波成分のパワー値の合計に対する基音からｎ次までの高調波成分のパワー値の合計の割合（ｎ＝２，３， ・・・，４０）
Ｆ４９． 奇数次の高調波成分（基音含む）と偶数次の高調波成分とのパワー値の合計の比
Ｆ５０−５３． 基本周波数の標準偏差、平均、最大、最小値（図２（Ａ）参照）
【００３５】
また、音声の特徴を表すフォルマント構造を反映させるために、以下に示すフォルマント周波数（図２（Ｂ）参照）とフォルマント帯域幅を、音声韻律特徴量として５６種類用いる。
【００３６】
Ｆ５４−５７． 第ｎフォルマント周波数の標準偏差（ｎ＝１，・・・，４）
Ｆ５８−６１． 第ｎフォルマント周波数の平均値（ｎ＝１，・・・，４）
Ｆ６２−６５． 第ｎフォルマント周波数の最大値（ｎ＝１，・・・，４）
Ｆ６６−６９． 第ｎフォルマント周波数の最小値（ｎ＝１，・・・，４）
Ｆ７０−７３． 第ｎフォルマント周波数の中央値（ｎ＝１，・・・，４）
Ｆ７４−７７． 第ｎフォルマント周波数の最大値と最小値の差（ｎ＝１，・・・，４）
Ｆ７８−８１． 第ｎフォルマント周波数の線形近似直線の傾き（ｎ＝１，・・・，４）
Ｆ８２−８５． 第ｎフォルマント帯域幅の標準偏差（ｎ＝１，・・・，４）
Ｆ８６−８９． 第ｎフォルマント帯域幅の平均値（ｎ＝１，・・・，４）
Ｆ９０−９３． 第ｎフォルマント帯域幅の最大値（ｎ＝１，・・・，４）
Ｆ９４−９７． 第ｎフォルマント帯域幅の最小値（ｎ＝１，・・・，４）
Ｆ９８−１０１． 第ｎフォルマント帯域幅の中央値（ｎ＝１，・・・，４）
Ｆ１０２−１０５． 第ｎフォルマント帯域幅の最大値と最小値の差（ｎ＝１，・・・，４）
Ｆ１０６−１０９． 第ｎフォルマント帯域幅の線形近似直線の傾き（ｎ＝１，・・・，４）
【００３７】
更に、音声の大きさに関係する振幅構造を反映させるために、短時間パワーとその包絡線から得られる、以下に示す１０種類の音声韻律特徴量を用いる。
【００３８】
Ｆ１１０． パワー包絡線の線形最小二乗法による近似直線の傾き
Ｆ１１１−１１７． 発音開始直後t 秒間のパワー包絡線の微分係数の中央値（ｔ＝０．０５，０．１０，・・・，０．３５）
Ｆ１１８−１２４． 最大パワー値と発音開始からt 秒後のときのパワー値の比（ｔ＝０．０５，０．１０，・・・，０．３５）
Ｆ１２５−１２８． 短時間パワーの標準偏差、平均、最大、最小値（図３（Ａ）参照）
【００３９】
また、時間構造を反映させるために、２種類の韻律特徴量として、図３（Ｂ）に示すような、発話者が話す速さ、及び質問に回答するまでの反応時間を用いる。
【００４０】
Ｆ１２９． １モーラあたりの発話継続時間
Ｆ１３０． 返答までの反応時間
【００４１】
次に、韻律特徴量の組み合わせを選択する原理について説明する。
【００４２】
本実施の形態では、ユーザの音声データから音声韻律特徴を抽出し、解析することで認知機能障害（ＣＩ）と健常（ＮＬ）を判別することを目的としている。しかしながら、解析を行なう際に、音声データから抽出した韻律特徴量が多すぎると、その韻律特徴量の中には認知機能障害の判別に無関係な韻律特徴量が含まれる可能性があり、モデルの構築や判別の精度に悪影響を与えることが考えられる。また、韻律特徴量が多すぎるとモデルが複雑になりすぎたり、計算コストが高くなったりする短所もある。
【００４３】
そこで、本実施の形態では、上記の１３０種類の音声韻律特徴に対して、特徴選択を行なう。特徴選択の手法としては、科学的理論や事前の知識によって適当な変数を指定する変数指定法や、全ての変数の組合せを計算し、最良と思われるものを選択する総当たり法、一定の規則にしたがって変数を逐次選択していく逐次選択法などがあげられる。現在のところ、高齢者の認知機能障害と因果関係の高い音声特徴は特定されておらず、特徴選択として有用な理論や事前の知識は存在しない。また、抽出した韻律特徴量のすべての組合せを計算することは計算コストが高くなる。そのため、一般的に多用されている逐次選択法として例えばフォワードステップワイズ法（ＦＳＷ）を用いて特徴選択を行なう。なお、フォワードステップワイズ法は、より良い組み合わせとなるように、組み合わせを増減させて逐次選択していく方法であり、非特許文献（Ｄｒａｐｅｒ，Ｎ． ａｎｄ Ｓｍｉｔｈ， Ｈ．: Ａｐｐｌｉｅｄ Ｒｅｇｒｅｓｓｉｏｎ Ａｎａｌｙｓｉｓ （3ｒｄ ｅｄｉｔｉｏｎ）， Ｊｏｈｎ Ｗｉｌｅｙ ＆ Ｓｏｎｓ （１９９８））に記載の方法と同様であるため、詳細な説明を省略する。
【００４４】
本実施の形態では、特徴量選択部２２によって、学習データ記憶部２０に記憶された多数の学習データに基づいて、フォワードステップワイズ法に従って、認知機能障害の危険度（ＨＤＳ−Ｒスコア）との相関が最も高くなる音声韻律特徴量の組み合わせを探索し、探索された音声韻律特徴量の組み合わせを、選択する音声韻律特徴量の組み合わせとする。
【００４５】
また、重み付け決定部２４では、選択された韻律特徴量の組み合わせを入力とし、かつ、認知機能障害の危険度を出力する学習モデルを構築し、学習データ記憶部２０に記憶された多数の学習データにおける、選択された韻律特徴量の組み合わせと認知機能障害の危険度（ＨＤＳ−Ｒスコア）とに基づいて、例えば韻律特徴量の組み合わせを説明変数とし、かつ、ＨＤＳ−Ｒスコアを目標属性とした重回帰分析を行うことによって、選択された各韻律特徴量に対する重み付けを学習する。ここで構築された学習モデルを、音声韻律に基づく認知機能障害評定（ＳＰＣＩＲ: ｓｐｅｅｃｈ ｐｒｏｓｏｄｙ−ｂａｓｅｄ ｃｏｇｎｉｔｉｖｅ ｉｍｐａｉｒｍｅｎｔｒａｔｉｎｇ）のモデルと称することとする。
【００４６】
質問再生部２５では、予め設定された質問データをスピーカ２５から再生する。例えば、質問データとして、「出身地はどちらですか？」などの日常的な会話における質問を用いている。
【００４７】
音声取得部２６では、スピーカ２５から質問が再生されたときに、質問に対する回答として、音声入力部１２によって入力されたユーザの音声データを取得する。
【００４８】
特徴量抽出部２８は、取得したユーザの音声データから、上記の１３０種類の音声韻律特徴量を抽出する。
【００４９】
危険度算出部３０は、特徴量抽出部２８によって抽出された音声韻律特徴量のうち、特徴量選択部２２によって選択された韻律特徴量の組み合わせに対応するものを取り出し、重み付け決定部２４によって決定された重み付けを適用した学習モデルに、取り出した韻律特徴量の組み合わせを入力して、認知機能障害の危険度を算出する。
【００５０】
次に、本実施の形態に係る認知機能障害危険度算出装置１０の作用について説明する。
【００５１】
まず、オペレータが、学習用の音声データから得られた複数種類の音声韻律特徴量とＨＤＳ−Ｒを、学習データとしてコンピュータ１４に入力して、学習データ記憶部２０に多数格納させる。
【００５２】
そして、コンピュータ１４において、図４に示す学習処理ルーチンが実行される。
【００５３】
まず、ステップ１００で、学習データ記憶部２０から学習データを読み出し、ステップ１０２において、上記ステップ１００で読み出した学習データを用いて、フォワードステップワイズ法に従って、ＨＤＳ−Ｒスコアとの相関が最も高くなる音声韻律特徴量の組み合わせを探索し、探索された音声韻律特徴量の組み合わせを、選択する音声韻律特徴量の組み合わせとする。
【００５４】
そして、ステップ１０４で、上記ステップ１００で読み出した学習データを用いて、学習モデルにおける、上記ステップ１０２で選択された音声韻律特徴量の各々に対する重み付けを学習して、決定する。
【００５５】
次のステップ１０６では、上記ステップ１０２で選択された音声韻律特徴量の組み合わせと、上記ステップ１０４で学習された重み付けとを、メモリ（図示省略）に記憶させて、学習処理ルーチンを終了する。
【００５６】
学習データが追加されるなど、学習データ記憶部２０の学習データが更新されるたびに、コンピュータ１４において、上記の学習処理ルーチンが再度実行される。
【００５７】
そして、操作部（図示省略）によって危険度の算出指示が入力されると、コンピュータ１４において、図５に示す認知機能障害危険度算出処理ルーチンが実行される。
【００５８】
まず、ステップ１１８において、スピーカ１３から質問データを再生し、ステップ１２０において、音声入力部１２を介して質問の回答として入力された音声データを取得し、ステップ１２２で、取得した音声データから、１３０種類の音声韻律特徴量を抽出する。
【００５９】
そして、ステップ１２４において、上記ステップ１２２で抽出した音声韻律特徴量から、上記学習処理ルーチンで選択された音声韻律特徴量の組み合わせに対応する音声韻律特徴量を選択する。次のステップ１２６では、上記学習処理ルーチンで学習された重み付けを適用した学習モデルに、上記ステップ１２４で選択した音声韻律特徴量の組み合わせを入力して、認知機能障害の危険度を算出し、ステップ１２８において、表示装置１６に算出結果を表示させて、認知機能障害危険度算出処理ルーチンを終了する。
【００６０】
以上説明したように、第１の発明の実施の形態に係る認知機能障害危険度算出装置によれば、ＨＤＳ−Ｒスコアとの相関が最も高くなる音声韻律特徴量の組み合わせと、音声韻律特徴量の組み合わせの各々に対して学習された重み付けとに基づいて、認知機能障害の危険度を精度良く算出することができる。
【００６１】
また、従来の改訂長谷川式簡易知能評価スケールを用いた判定方法と比較した場合に、質問に対する回答の正しさや発音の正しさなど、言語の内容を考慮する必要がないため、客観的に、認知機能障害の危険度を判定することができる。また、繰り返し、認知機能障害の危険度を算出する場合であっても、認知機能障害の危険度を精度良く算出することができる。
【００６２】
次に、第２の実施の形態について説明する。なお、第１の実施の形態と同様の構成となる部分については、同一符号を付して説明を省略する。
【００６３】
第２の実施の形態では、複数種類の韻律特徴量から主成分分析によって得られた合成変数を用いて、認知機能障害の危険度を算出している点が、第１の実施の形態と主に異なっている。
【００６４】
図６に示すように、第２の実施の形態に係る認知機能障害危険度算出装置２１０のコンピュータ２１４は、学習データ記憶部２０、変数合成部２２１、合成変数選択部２２２、重み付け決定部２２４、質問再生部２５、音声取得部２６、特徴量抽出部２８、合成変数算出部２２９、危険度算出部２３０を備えている。
【００６５】
変数合成部２２１は、学習データ記憶部２０に記憶された学習データの例えば１３０種類の音声韻律特徴量に基づいて、主成分分析（ＰＣＡ）による変数合成を行って、例えば１３０種類の主成分（合成変数）を生成する。また、変数合成部２２１は、各学習データについて、１３０種類の音声韻律特徴量から１３０種類の合成変数に変換する。
【００６６】
合成変数選択部２２２は、学習データ記憶部２０に記憶された多数の学習データの合成変数及び認知機能障害の危険度（ＨＤＳ−Ｒスコア）に基づいて、フォワードステップワイズ法に従って、認知機能障害の危険度との相関が最も高くなる合成変数の組み合わせを探索し、探索された合成変数の組み合わせを、選択する合成変数の組み合わせとする。
【００６７】
また、重み付け決定部２２４では、選択された合成変数の組み合わせを入力として、認知機能障害の危険度を出力する学習モデルを構築し、学習データ記憶部２０に記憶された多数の学習データにおける、選択された合成変数の組み合わせと認知機能障害の危険度（ＨＤＳ−Ｒスコア）とに基づいて、例えば合成変数の組み合わせを説明変数とし、かつ、ＨＤＳ−Ｒスコアを目標属性とした重回帰分析を行うことによって、学習モデルにおける、各合成変数に対する重み付けを学習する。
【００６８】
合成変数算出部２２９は、特徴量抽出部２８によって抽出された１３０種類の音声韻律特徴量に基づいて、変数合成部２２１で生成された１３０種類の合成変数を算出する。
【００６９】
危険度算出部２３０は、合成変数算出部２２９によって算出された合成変数のうち、合成変数選択部２２２によって選択された合成変数の組み合わせに対応するものを取り出し、重み付け決定部２４によって重み付けが決定された学習モデルに、取り出した合成変数の組み合わせを入力して、認知機能障害の危険度を算出する。
【００７０】
次に、第２の実施の形態に係る学習処理ルーチンについて説明する。
【００７１】
まず、学習データ記憶部２０から学習データを読み出し、学習データの音声韻律特徴量に基づいて、主成分分析を行って、合成変数を生成するとともに、各学習データの音声韻律特徴量を合成変数に変換する。そして、学習データを用いて、フォワードステップワイズ法に従って、ＨＤＳ−Ｒスコアとの相関が最も高くなる合成変数の組み合わせを探索し、探索された合成変数の組み合わせを、選択する合成変数の組み合わせとする。
【００７２】
そして、学習データを用いて、学習モデルにおける、上記で選択された合成変数の各々に対する重み付けを学習して、決定する。次に、上記で選択された合成変数の組み合わせと、上記で学習された重み付けとを、メモリ（図示省略）に記憶させて、学習処理ルーチンを終了する。
【００７３】
学習データが追加されるなど、学習データ記憶部２０の学習データが更新されるたびに、コンピュータ１４において、上記の学習処理ルーチンが再度実行される。
【００７４】
また、第２の実施の形態に係る認知機能障害危険度算出処理ルーチンについて説明する。
【００７５】
まず、スピーカ１３から質問データを再生し、音声入力部１２を介して質問の回答として入力された音声データを取得し、取得した音声データから、１３０種類の音声韻律特徴量を抽出する。そして、抽出した１３０種類の音声韻律特徴量から、学習処理ルーチンで生成された１３０種類の合成変数を算出する。
【００７６】
そして、上記で算出した合成変数から、上記学習処理ルーチンで選択された合成変数の組み合わせに対応する合成変数を選択する。次に、上記学習処理ルーチンで学習された重み付けを適用した学習モデルに、上記で選択した合成変数の組み合わせを入力して、認知機能障害の危険度を算出し、表示装置１６に算出結果を表示させて、認知機能障害危険度算出処理ルーチンを終了する。
【００７７】
次に、上記の第１の実施の形態及び第２の実施の形態の手法を用いて認知機能障害の危険度を算出した結果について説明する。
【００７８】
ここで、１１５名の高齢者（年齢３８−９９歳、男性３２名、女性８３名）から、総数３１９の音声データを収集して、認知機能障害の危険度を算出し、ＨＤＳ−Ｒスコアとの相関性を求めた。図７〜図１０では、第１の実施の形態で説明した認知機能障害危険度の算出方法による算出結果をＳＰＣＩＲＦＳＷ−ＡＩＣと表わし、第２の実施の形態で説明した認知機能障害危険度の算出方法による算出結果をＳＰＣＩＲＰＣＡ−ＦＳＷ−ＡＩＣと表わす。
【００７９】
図７、図８に示すように、第１の実施の形態の手法では、１９個の韻律特徴量が選択され、そのうち、Ｆ１２９、Ｆ１２８、Ｆ１１８、Ｆ１３０、Ｆ５７、Ｆ８、Ｆ１０１、Ｆ５９、Ｆ１１０、Ｆ７２、Ｆ６９、Ｆ７３が、有意な韻律特徴量であると判断された。このように、ＡＩＣ規準を用いた特徴量選択により、有意な韻律特徴量が選択されていることがわかった。
【００８０】
また、ＨＤＳ−Ｒスコアとの相関Ｒが、０．６７であり、補正済み決定係数（信頼度）がＲ２＝０．４１であった。図９に示すように、算出された認知機能障害の危険度とＨＤＳ−Ｒスコアとの間に、比較的有意な相関を持つことが分かった。
【００８１】
また、第２の実施の形態の手法では、１３０種類の全特徴を適切に合成した５５個の主成分（合成変数）が選択され、多くの合成変数が、有意であると判断された。高い固有値を持つ主成分（例えばＰＣ２、ＰＣ７、ＰＣ４）のみならず、ＰＣ７７、ＰＣ１１５、ＰＣ１０３などの低い固有値を持つ主成分も、ＨＤＳ−Ｒスコアの推定に有用であることが示された。
【００８２】
また、ＨＤＳ−Ｒスコアとの相関Ｒが、０．７７であり、図１０に示すように、算出された認知機能障害の危険度とＨＤＳ−Ｒスコアとの間に強い相関を持つことが示唆された。また、補正済み決定係数Ｒ２＝０．５０であり、韻律特徴に基づく高齢者の発話音声解析の認知機能障害のスクリーニングへの応用可能性として有意義な結果となった。
【００８３】
以上説明したように、第２の実施の形態に係る認知機能障害危険度算出装置によれば、ＨＤＳ−Ｒスコアとの相関が最も高くなる、音声韻律特徴量の合成変数の組み合わせと、合成変数の組み合わせの各々に対して学習された重み付けとに基づいて、認知機能障害の危険度を精度良く算出することができる。
なお、上記の実施の形態では、主成分分析を行って、音声韻律特徴量の合成変数を生成する場合を例に説明したが、これに限定されるものではなく、例えば、因子分析を行って、音声韻律特徴量の合成変数を生成するようにしてもよい。
【００８４】
次に、第３の実施の形態について説明する。なお、第１の実施の形態と同様の構成となる部分については、同一符号を付して説明を省略する。
【００８５】
第３の実施の形態では、学習データから韻律特徴量の選択及び重み付けの学習を行う装置と、認知機能障害の危険度を算出する装置とがネットワークを介して接続されている点が、第１の実施の形態と主に異なっている。
【００８６】
図１１に示すように、第３の実施の形態に係る認知機能障害危険度算出システム３１０は、学習データから韻律特徴量の選択及び重み付けの学習を行う特徴量学習装置３１１と、入力された音声データから、認知機能障害の危険度を算出する複数の認知機能障害危険度算出装置３１２とを備えており、特徴量学習装置３１１と、複数の認知機能障害危険度算出装置３１２とは、インターネットなどのネットワーク３１３で接続されている。
【００８７】
特徴量学習装置３１１は、例えばコンピュータサーバで構成され、機能的には次に示すように構成されている。上記図１１に示すように、特徴量学習装置３１１は、学習データ記憶部２０、特徴量選択部２２、重み付け決定部２４、及びパラメータ送信部３２４を備えている。
【００８８】
パラメータ送信部３２４は、特徴量選択部２２によって選択された韻律特徴量の組み合わせ、及び重み付け決定部２４によって決定された学習モデルの重み付けを示すパラメータを、ネットワーク３１３を介して複数の認知機能障害危険度算出装置３１２に送信する。
【００８９】
認知機能障害危険度算出装置３１２は、音声入力部１２、スピーカ１３、コンピュータ３１４、及び表示装置１６を備えている。
【００９０】
コンピュータ３１４は、パラメータ受信部３２５、質問再生部２５、音声取得部２６、特徴量抽出部２８、及び危険度算出部３０を備えている。
【００９１】
パラメータ受信部３２５は、特徴量学習装置３１１から送信されたパラメータを受信し、メモリ（図示省略）に格納しておく。
【００９２】
危険度算出部３０は、特徴量抽出部２８によって抽出された音声韻律特徴量のうち、メモリに格納されたパラメータが示す韻律特徴量の組み合わせに対応するものを取り出し、メモリに格納されたパラメータが示す重み付けを適用した学習モデルに、取り出した韻律特徴量の組み合わせを入力して、認知機能障害の危険度を算出する。
【００９３】
次に、本実施の形態に係る認知機能障害危険度算出システム３１０の作用について説明する。
【００９４】
オペレータが、学習用の音声データから得られた複数種類の音声韻律特徴量とＨＤＳ−Ｒを、学習データとして特徴量学習装置３１１に入力して、学習データ記憶部２０に記憶される学習データが追加される度に、上記の第１の実施の形態で説明した学習処理ルーチンが実行される。そして、特徴量学習装置３１１は、選択された音声韻律特徴量の組み合わせと、学習された重み付けとを示すパラメータを、ネットワーク３１３を介して認知機能障害危険度算出装置３１２に送信する。
【００９５】
そして、認知機能障害危険度算出装置３１２では、上記のパラメータを受信して、メモリ（図示省略）に格納する。
【００９６】
また、認知機能障害危険度算出装置３１２において、危険度の算出指示が入力されると、コンピュータ３１４において、上記の第１の実施の形態で説明した認知機能障害危険度算出処理ルーチンが実行される。
【００９７】
このように、ＨＤＳ−Ｒスコアとの相関が最も高くなる音声韻律特徴量の組み合わせと、音声韻律特徴量の組み合わせの各々に対して学習された重み付けとを、特徴量学習装置で学習し、ネットワークを介して、学習結果を、複数の認知機能障害危険度算出装置に配布することにより、各認知機能障害危険度算出装置では、最新の学習結果を用いて、認知機能障害の危険度を算出することができる。
【００９８】
なお、上記の第２の実施の形態の構成に、上記の実施の形態を適用するようにしてもよい。この場合には、認知機能障害危険度算出システムは、ネットワーク３１３で接続された、学習データから合成変数の選択及び重み付けの学習を行う合成変数学習装置と、複数の認知機能障害危険度算出装置とを備えており、合成変数学習装置は、学習データ記憶部２０、変数合成部２２１、合成変数選択部２２２、重み付け決定部２２４、及びパラメータ送信部３２４を備える。また、認知機能障害危険度算出装置のコンピュータは、パラメータ受信部３２５、質問再生部２５、音声取得部２６、特徴量抽出部２８、合成変数算出部２２９、及び危険度算出部３０を備える。
【００９９】
次に、第４の実施の形態について説明する。なお、第１の実施の形態及び第３の実施の形態と同様の構成となる部分については、同一符号を付して説明を省略する。
【０１００】
第４の実施の形態では、入出力端末と、認知機能障害危険度算出装置とがネットワークを介して接続されている点が、第３の実施の形態と主に異なっている。
【０１０１】
図１２に示すように、第４の実施の形態に係る認知機能障害危険度算出システム４１０では、複数の入出力端末４１２と認知機能障害危険度算出装置４１４とを備えており、複数の入出力端末４１２と、認知機能障害危険度算出装置４１４とは、ネットワーク３１３で接続されている。
【０１０２】
入出力端末４１２は、音声入力部１２、スピーカ１３、表示装置１６、質問再生部２５、音声取得部２６、及び通信部４２５を備えており、スピーカ１３から再生された質問に対する回答として、音声入力部１２を介してユーザから音声データが入力されると、通信部４２５によって、ネットワーク３１３を介して音声データを認知機能障害危険度算出装置４１４へ送信する。
【０１０３】
認知機能障害危険度算出装置４１４は、通信部４２４によって音声データを受信すると、音声データに基づいて、認知機能障害の危険度を算出して、通信部４２４によって、算出結果を、ネットワーク３１３を介して入出力端末４１２へ送信する。
【０１０４】
入出力端末４１２は、通信部４２５によって、算出結果を受信すると、表示装置１６に、算出された認知機能障害の危険度を表示する。
【０１０５】
なお、認知機能障害危険度算出装置４１４の他の構成及び作用については、第１の実施の形態と同様であるため、説明を省略する。
【０１０６】
このように、複数の入出力端末と、認知機能障害危険度算出装置とをネットワークで接続し、音声データ及び算出結果を送受信することにより、各入出力端末で、認知機能障害の危険度を判定することができる。
【０１０７】
なお、上記の第２の実施の形態の構成に、上記の実施の形態を適用するようにしてもよい。この場合には、認知機能障害危険度算出システムは、ネットワーク３１３で接続された、各入出力端末４１２と、認知機能障害危険度算出装置２１０と同様の機能を有する装置とを備えるようにすればよい。
【０１０８】
また、上記の第１の実施の形態〜第４の実施の形態では、１３０種類の音声韻律特徴量を用いる場合を例に説明したが、これに限定されるものではなく、他の種類の音声韻律特徴量を用いてもよく、また、より少ない又はより多い種類の音声韻律特徴量を用いてもよい。
【０１０９】
また、フォワードステップワイズ法（変数増減法）を用いて、最適な音声韻律特徴量又は合成変数の組み合わせを探索する場合を例に説明したが、これに限定されるものではなく、他の逐次選択法を用いて、最適な音声韻律特徴量又は合成変数の組み合わせを探索するようにしてもよい。例えば、変数増加法、変数減少法などを用いて、最適な音声韻律特徴量又は合成変数の組み合わせを探索するようにしてもよい。また、ＥＭアルゴリズム、遺伝的アルゴリズム（ＧＡ）、粒子群最適化（Ｐａｒｔｉｃｌｅ Ｓｗａｒｍ Ｏｐｔｉｍｉｚａｔｉｏｎ、ＰＳＯ）などの同時選択法を用いて、最適な音声韻律特徴量又は合成変数の組み合わせを探索するようにしてもよい。
【０１１０】
また、重回帰分析を用いて、当該学習モデルで用いる、各音声韻律特徴量又は各合成変数の重み付けを学習する場合を例に説明したが、これに限定されるものではなく、例えば、リッジ回帰、サポートベクトル回帰（ＳＶ回帰）、カーネル回帰などの手法を用いて、各音声韻律特徴量又は各合成変数の重み付けを学習するようにしてもよい。
また、上記の実施の形態では、長谷川式スコアなど認知機能テストの点数（０〜３０）に相当する数値を、認知機能障害の危険度として算出する場合を例に説明したが、これに限定されるものではなく、例えば，健常（ＮＬ）、認知症疑い（ＭＣＩ）、認知症（ＡＤ）の３分類で表わされる認知機能障害の危険度を求めるようにしてもよい。この場合には、ベイジアンネットワーク、正準判別分析、線形判別分析、ニューラルネットワーク、ナイーブベイズ法、サポートベクトルマシン（ＳＶＭ）などの学習モデルを用いて、認知機能障害の危険度を算出するようにすればよい。また、当該学習モデルで用いる、各音声韻律特徴量又は各合成変数の重み付けを学習により決定するようにすればよい。
【０１１１】
また、質問をスピーカから再生する場合を例に説明したが、これに限定されるものではなく、表示装置によって質問を表示するようにしてもよい。
また、質問に対する回答として入力された音声データに基づいて、認知機能障害の危険度を算出する場合を例に説明したが、これに限定されるものではなく、音声モニタリングにより入力された音声データに基づいて、認知機能障害の危険度を算出するようにしてもよい。
【符号の説明】
【０１１２】
１０、２１０、３１２、４１４ 認知機能障害危険度算出装置
１２ 音声入力部
１４、２１４、３１４ コンピュータ
２０ 学習データ記憶部
２２ 特徴量選択部
２４、２２４ 重み付け決定部
２５ 質問再生部
２８ 特徴量抽出部
３０、２３０ 危険度算出部
２２１ 変数合成部
２２２ 合成変数選択部
２２９ 合成変数算出部
３１０、４１０ 認知機能障害危険度算出システム
３１１ 特徴量学習装置
【技術分野】
【０００１】
本発明は、認知機能障害危険度算出装置、認知機能障害危険度算出システム、及びプログラムに係り、特に、音声データに基づいて、認知機能障害の危険度を算出する認知機能障害危険度算出装置、認知機能障害危険度算出システム、及びプログラムに関する。
【背景技術】
【０００２】
従来より、認知症のスクリーニングは、ＨＤＳ−Ｒ（改訂長谷川式簡易知能評価スケール）、ＭＭＳＥ（Ｍｉｎｉ‐ＭｅｎｔａｌＳｔａｔｅ Ｅｘａｍｉｎａｔｉｏｎ）、ＣＤＲ（Ｃｌｉｎｉｃａｌ ＤｅｍｅｎｔｉａＲａｔｉｎｇ）などが、ｆＭＲＩ、ＦＤＧ‐ＰＥＴ、ＣＳＦバイオマーカーなどの神経生理学に基づくテストと同様に広く用いられている。これらは一定のトレーニングを受けた医師、あるいは臨床心理士などにより、主として医療機関において実施されている。
【０００３】
また、患者の認知症の症状レベルを特定してそれに応じた質問と正解を生成し、患者の回答と正解とを比較して正誤の判定を行う認知症診断支援システムが知られている（特許文献１）。
【先行技術文献】
【特許文献】
【０００４】
【特許文献１】特開２００７−２８２９９２号公報
【発明の概要】
【発明が解決しようとする課題】
【０００５】
しかしながら、上記特許文献１に記載の技術では、繰り返し診断を行う場合、患者が質問に対する正解を覚えてしまう可能性があり、正しい判定ができなくなってしまう、という問題がある。
【０００６】
本発明は、上記の問題点を解決するためになされたもので、認知機能障害の危険度を精度良く算出することができる認知機能障害危険度算出装置、認知機能障害危険度算出システム、及びプログラムを提供することを目的とする。
【課題を解決するための手段】
【０００７】
上記の目的を達成するために第１の発明に係る認知機能障害危険度算出装置は、音声データから抽出される複数種類の韻律特徴量と、前記音声データの発話者について求められた認知機能障害の危険度とを含む複数の学習データに基づいて、前記複数種類の韻律特徴量から、前記危険度との相関が最も高くなる前記韻律特徴量の組み合わせを選択する特徴量選択手段と、前記複数の学習データの各々の前記選択された韻律特徴量の組み合わせと前記危険度とに基づいて、前記選択された韻律特徴量の組み合わせの各々に対する重み付けを決定する重み付け決定手段と、入力された音声データから、前記複数種類の韻律特徴量を抽出する特徴量抽出手段と、前記特徴量抽出手段によって抽出された前記韻律特徴量のうちの前記選択された韻律特徴量の組み合わせと、前記重み付け決定手段によって決定された重み付けとに基づいて、認知機能障害の危険度を算出する危険度算出手段と、を含んで構成されている。
【０００８】
第２の発明に係るプログラムは、コンピュータを、音声データから抽出される複数種類の韻律特徴量と、前記音声データの発話者について求められた認知機能障害の危険度とを含む複数の学習データに基づいて、前記複数種類の韻律特徴量から、前記危険度との相関が最も高くなる前記韻律特徴量の組み合わせを選択する特徴量選択手段、前記複数の学習データの各々の前記選択された韻律特徴量の組み合わせと前記危険度とに基づいて、前記選択された韻律特徴量の組み合わせの各々に対する重み付けを決定する重み付け決定手段、入力された音声データから、前記複数種類の韻律特徴量を抽出する特徴量抽出手段、及び前記特徴量抽出手段によって抽出された前記韻律特徴量のうちの前記選択された韻律特徴量の組み合わせと、前記重み付け決定手段によって決定された重み付けとに基づいて、認知機能障害の危険度を算出する危険度算出手段として機能させるためのプログラムである。
【０００９】
第１の発明及び第２の発明によれば、特徴量選択手段によって、音声データから抽出される複数種類の韻律特徴量と、音声データの発話者について求められた認知機能障害の危険度とを含む複数の学習データに基づいて、複数種類の韻律特徴量から、危険度との相関が最も高くなる韻律特徴量の組み合わせを選択する。重み付け決定手段によって、複数の学習データの各々の選択された韻律特徴量の組み合わせと危険度とに基づいて、選択された韻律特徴量の組み合わせの各々に対する重み付けを決定する。
【００１０】
そして、特徴量抽出手段によって、入力された音声データから、複数種類の韻律特徴量を抽出する。危険度算出手段によって、特徴量抽出手段によって抽出された韻律特徴量のうちの選択された韻律特徴量の組み合わせと、重み付け決定手段によって決定された重み付けとに基づいて、認知機能障害の危険度を算出する。
【００１１】
このように、認知機能障害の危険度との相関が最も高くなる韻律特徴量の組み合わせと、韻律特徴量の組み合わせの各々に対して決定された重み付けとに基づいて、認知機能障害の危険度を精度良く算出することができる。
【００１２】
第３の発明に係る認知機能障害危険度算出装置は、音声データから抽出される複数種類の韻律特徴量と、前記音声データの発話者について求められた認知機能障害の危険度とを含む複数の学習データの前記複数種類の韻律特徴量に対して分析処理を行って、前記複数種類の韻律特徴量を合成した合成変数を複数種類生成する合成変数生成手段と、前記複数の学習データと、前記生成された複数種類の合成変数とに基づいて、前記複数種類の合成変数から、前記危険度との相関が最も高くなる前記合成変数の組み合わせを選択する合成変数選択手段と、前記複数の学習データの各々について求められる前記合成変数の組み合わせと、前記複数の学習データの各々の前記危険度とに基づいて、前記選択された合成変数の組み合わせの各々に対する重み付けを決定する重み付け決定手段と、入力された音声データから、前記複数種類の韻律特徴量を抽出する特徴量抽出手段と、前記特徴量抽出手段によって抽出された前記韻律特徴量から求められる前記合成変数の組み合わせと、前記重み付け決定手段によって決定された重み付けとに基づいて、認知機能障害の危険度を算出する危険度算出手段と、を含んで構成されている。
【００１３】
第４の発明に係るプログラムは、コンピュータを、音声データから抽出される複数種類の韻律特徴量と、前記音声データの発話者について求められた認知機能障害の危険度とを含む複数の学習データの前記複数種類の韻律特徴量に対して分析処理を行って、前記複数種類の韻律特徴量を合成した合成変数を複数種類生成する合成変数生成手段、前記複数の学習データと、前記生成された複数種類の合成変数とに基づいて、前記複数種類の合成変数から、前記危険度との相関が最も高くなる前記合成変数の組み合わせを選択する合成変数選択手段、前記複数の学習データの各々について求められる前記合成変数の組み合わせと、前記複数の学習データの各々の前記危険度とに基づいて、前記選択された合成変数の組み合わせの各々に対する重み付けを決定する重み付け決定手段、入力された音声データから、前記複数種類の韻律特徴量を抽出する特徴量抽出手段、及び前記特徴量抽出手段によって抽出された前記韻律特徴量から求められる前記合成変数の組み合わせと、前記重み付け決定手段によって決定された重み付けとに基づいて、認知機能障害の危険度を算出する危険度算出手段として機能させるためのプログラムである。
【００１４】
第３の発明及び第４の発明によれば、合成変数生成手段によって、音声データから抽出される複数種類の韻律特徴量と、音声データの発話者について求められた認知機能障害の危険度とを含む複数の学習データの複数種類の韻律特徴量に対して分析処理を行って、複数種類の韻律特徴量を合成した合成変数を複数種類生成する。そして、合成変数選択手段によって、複数の学習データと、生成された複数種類の合成変数とに基づいて、複数種類の合成変数から、危険度との相関が最も高くなる合成変数の組み合わせを選択する。重み付け決定手段によって、複数の学習データの各々について求められる合成変数の組み合わせと、複数の学習データの各々の前記危険度とに基づいて、選択された合成変数の組み合わせの各々に対する重み付けを決定する。
【００１５】
そして、特徴量抽出手段によって、入力された音声データから、複数種類の韻律特徴量を抽出する。危険度算出手段によって、特徴量抽出手段によって抽出された韻律特徴量から求められる合成変数の組み合わせと、重み付け決定手段によって決定された重み付けとに基づいて、認知機能障害の危険度を算出する。
【００１６】
このように、認知機能障害の危険度との相関が最も高くなる、韻律特徴量の合成変数の組み合わせと、合成変数の組み合わせの各々に対して決定された重み付けとに基づいて、認知機能障害の危険度を精度良く算出することができる。
【００１７】
上記の複数種類の韻律特徴量は、音声の周波数成分に関する特徴量、音声のフォルマント構造に関する特徴量、音声の大きさに関する特徴量、発話速度に関する特徴量、及び質問に回答するまでの反応時間に関する特徴量の少なくとも１つを含むようにすることができる。
【００１８】
上記の学習データの認知機能障害の危険度を、発話者に対する長谷川式簡易知能評価スケールによって求められたものとすることができる。
【００１９】
上記の特徴量抽出手段は、質問に対する回答として入力された音声データから、複数種類の韻律特徴量を抽出するようにすることができる。
【００２０】
第５の発明に係る認知機能障害危険度算出システムは、音声データから抽出される複数種類の韻律特徴量と、前記音声データの発話者について求められた認知機能障害の危険度とを含む複数の学習データに基づいて、前記複数種類の韻律特徴量から、前記危険度との相関が最も高くなる前記韻律特徴量の組み合わせを選択する特徴量選択手段、及び前記複数の学習データの各々の前記選択された韻律特徴量の組み合わせと前記危険度とに基づいて、前記選択された韻律特徴量の組み合わせの各々に対する重み付けを決定する重み付け決定手段を含む特徴量選択装置と、入力された音声データから、前記複数種類の韻律特徴量を抽出する特徴量抽出手段、及び前記特徴量抽出手段によって抽出された前記韻律特徴量のうちの前記選択された韻律特徴量の組み合わせと、前記重み付け決定手段によって決定された重み付けとに基づいて、認知機能障害の危険度を算出する危険度算出手段を含む危険度算出装置と、を含んで構成されている。
【００２１】
第６の発明に係る認知機能障害危険度算出システムは、音声データから抽出される複数種類の韻律特徴量と、前記音声データの発話者について求められた認知機能障害の危険度とを含む複数の学習データの前記複数種類の韻律特徴量に対して主成分分析を行って、前記複数種類の韻律特徴量を合成した合成変数を複数種類生成する合成変数生成手段、前記複数の学習データと、前記生成された複数種類の合成変数とに基づいて、前記複数種類の合成変数から、前記危険度との相関が最も高くなる前記合成変数の組み合わせを選択する合成変数選択手段、及び前記複数の学習データの各々について求められる前記合成変数の組み合わせと、前記複数の学習データの各々の前記危険度とに基づいて、前記選択された合成変数の組み合わせの各々に対する重み付けを決定する重み付け決定手段を含む合成変数選択装置と、入力された音声データから、前記複数種類の韻律特徴量を抽出する特徴量抽出手段、及び前記特徴量抽出手段によって抽出された前記韻律特徴量から求められる前記合成変数の組み合わせと、前記重み付け決定手段によって決定された重み付けとに基づいて、認知機能障害の危険度を算出する危険度算出手段を含む危険度算出装置と、を含んで構成されている。
【００２２】
本発明のプログラムは、記録媒体に格納して提供することができる。
【発明の効果】
【００２３】
以上説明したように、本発明の認知機能障害危険度算出装置、認知機能障害危険度算出システム、及びプログラムによれば、認知機能障害の危険度との相関が最も高くなる韻律特徴量の組み合わせと、韻律特徴量の組み合わせの各々に対して決定された重み付けとに基づいて、又は、認知機能障害の危険度との相関が最も高くなる、韻律特徴量の合成変数の組み合わせと、合成変数の組み合わせの各々に対して決定された重み付けとに基づいて、認知機能障害の危険度を精度良く算出することができる、という効果が得られる。
【図面の簡単な説明】
【００２４】
【図１】本発明の第１の実施の形態に係る認知機能障害危険度算出装置の構成を示す概略図である。
【図２】（Ａ）音声データから抽出された周波数成分を示すグラフ、及び（Ｂ）フォルマント周波数を示すグラフである。
【図３】（Ａ）音声データから抽出された短時間パワーを示すグラフ、及び（Ｂ）音声データの振幅を示すグラフである。
【図４】本発明の第１の実施の形態に係るコンピュータの学習処理ルーチンの内容を示すフローチャートである。
【図５】本発明の第１の実施の形態に係るコンピュータの認知機能障害危険度算出処理ルーチンの内容を示すフローチャートである。
【図６】本発明の第２の実施の形態に係る認知機能障害危険度算出装置の構成を示す概略図である。
【図７】第１の実施の形態及び第２の実施の形態の手法で、選択された韻律特徴量又は合成変数のうちの有意な韻律特徴量又は合成変数の例を示す図である。
【図８】第１の実施の形態及び第２の実施の形態の手法において、算出された危険度とＨＤＳ−Ｒスコアとの相関を示す図である。
【図９】第１の実施の形態の手法で算出された危険度とＨＤＳ−Ｒスコアとの散布図である。
【図１０】第２の実施の形態の手法で算出された危険度とＨＤＳ−Ｒスコアとの散布図である。
【図１１】本発明の第３の実施の形態に係る認知機能障害危険度算出システムの構成を示す概略図である。
【図１２】本発明の第４の実施の形態に係る認知機能障害危険度算出システムの構成を示す概略図である。
【発明を実施するための形態】
【００２５】
以下、図面を参照して本発明の実施の形態を詳細に説明する。なお、本実施の形態では、危険度算出対象であるユーザの音声を入力して、認知機能障害の危険度を算出する認知機能障害危険度算出装置に、本発明を適用した場合を例に説明する。
【００２６】
図１に示すように、第１の発明の実施の形態に係る認知機能障害危険度算出装置１０は、ユーザからの音声を入力するための音声入力部１２と、音声を出力するスピーカ１３と、入力された音声データに基づいて、認知機能障害の危険度を算出して、表示装置１６に表示させるコンピュータ１４とを備えている。
【００２７】
音声入力部１２は、例えば、音声を入力するためのマイクロホンで構成されている。
【００２８】
コンピュータ１４は、ＣＰＵ、ＲＯＭ、ＲＡＭ、及びＨＤＤを備え、ＨＤＤには、後述する学習処理ルーチン及び認知機能障害危険度算出処理ルーチンに対するプログラムが記憶されている。
【００２９】
コンピュータ１４は、機能的には次に示すように構成されている。図１に示すように、コンピュータ１４は、学習データ記憶部２０、特徴量選択部２２、重み付け決定部２４、質問再生部２５と、音声取得部２６、特徴量抽出部２８、危険度算出部３０を備えている。
【００３０】
学習データ記憶部２０には、学習データとして、音声データから得られた複数種類の音声韻律特徴量と、当該音声データの発話者に対して求められた認知機能障害の危険度とからなるデータが予め記憶されており、多数の発話者に対する学習データが予め記憶されている。
【００３１】
本実施の形態では、学習データを得るために、口頭による質疑応答形式のテストとして改訂長谷川式簡易知能評価スケール（ＨＤＳ−Ｒ）を実施したときの音声会話を記録した音声データを用いている。例えば、質疑応答の中から「見当識」と「数字逆唱」についての２問の回答音声を収集し、これに追加して、出身地、子供のころの遊び、学生時代、の３つのテーマについて雑談したものから任意の発話音声の冒頭１フレーズについても収集して、音声データを収集した。このように得られた音声データから得られた複数種類の音声韻律特徴量と、テストによって得られた、認知機能障害の危険度を表わすＨＤＳ−Ｒスコアとを学習データとして収集して、学習データ記憶部２０に格納した。
【００３２】
複数種類の音声韻律特徴量として、例えば、以下に示す１３０種の音声韻律特徴量が用いられる。これらの特徴抽出の際には、量子化ビット数１６およびサンプリング周波数４４．１［ＫＨｚ］のデジタル音声を用い、短時間分析におけるフレーム長を２３［ｍｓｅｃ］、フレーム周期１１［ｍｓｅｃ］とし、窓関数としてＨａｍｍｉｎｇ窓（１０２４ポイント）を使用した。
【００３３】
まず、音声の高さに関係するピッチ構造を反映させるために、基本周波数と基本周波数のｎ倍の周波数を持つｎ次高調波成分から得られる、以下に示す５３種の音声韻律特徴量を用いた。ただし、基本周波数の時間変化の振幅とは、１事例の基本周波数のデータ列の上位２５％と下位２５％の値を無視したときの最大値と最小値の幅とする。
【００３４】
Ｆ１−７． 発音開始直後ｔ秒間の基本周波数の時間変化の振幅（ｔ＝０．０５，０．１０，・・・，０．３５）
Ｆ８． 周波数重心（各高調波成分のパワー値を重みとする周波数の重みつき平均）
Ｆ１０−４８． 全高調波成分のパワー値の合計に対する基音からｎ次までの高調波成分のパワー値の合計の割合（ｎ＝２，３， ・・・，４０）
Ｆ４９． 奇数次の高調波成分（基音含む）と偶数次の高調波成分とのパワー値の合計の比
Ｆ５０−５３． 基本周波数の標準偏差、平均、最大、最小値（図２（Ａ）参照）
【００３５】
また、音声の特徴を表すフォルマント構造を反映させるために、以下に示すフォルマント周波数（図２（Ｂ）参照）とフォルマント帯域幅を、音声韻律特徴量として５６種類用いる。
【００３６】
Ｆ５４−５７． 第ｎフォルマント周波数の標準偏差（ｎ＝１，・・・，４）
Ｆ５８−６１． 第ｎフォルマント周波数の平均値（ｎ＝１，・・・，４）
Ｆ６２−６５． 第ｎフォルマント周波数の最大値（ｎ＝１，・・・，４）
Ｆ６６−６９． 第ｎフォルマント周波数の最小値（ｎ＝１，・・・，４）
Ｆ７０−７３． 第ｎフォルマント周波数の中央値（ｎ＝１，・・・，４）
Ｆ７４−７７． 第ｎフォルマント周波数の最大値と最小値の差（ｎ＝１，・・・，４）
Ｆ７８−８１． 第ｎフォルマント周波数の線形近似直線の傾き（ｎ＝１，・・・，４）
Ｆ８２−８５． 第ｎフォルマント帯域幅の標準偏差（ｎ＝１，・・・，４）
Ｆ８６−８９． 第ｎフォルマント帯域幅の平均値（ｎ＝１，・・・，４）
Ｆ９０−９３． 第ｎフォルマント帯域幅の最大値（ｎ＝１，・・・，４）
Ｆ９４−９７． 第ｎフォルマント帯域幅の最小値（ｎ＝１，・・・，４）
Ｆ９８−１０１． 第ｎフォルマント帯域幅の中央値（ｎ＝１，・・・，４）
Ｆ１０２−１０５． 第ｎフォルマント帯域幅の最大値と最小値の差（ｎ＝１，・・・，４）
Ｆ１０６−１０９． 第ｎフォルマント帯域幅の線形近似直線の傾き（ｎ＝１，・・・，４）
【００３７】
更に、音声の大きさに関係する振幅構造を反映させるために、短時間パワーとその包絡線から得られる、以下に示す１０種類の音声韻律特徴量を用いる。
【００３８】
Ｆ１１０． パワー包絡線の線形最小二乗法による近似直線の傾き
Ｆ１１１−１１７． 発音開始直後t 秒間のパワー包絡線の微分係数の中央値（ｔ＝０．０５，０．１０，・・・，０．３５）
Ｆ１１８−１２４． 最大パワー値と発音開始からt 秒後のときのパワー値の比（ｔ＝０．０５，０．１０，・・・，０．３５）
Ｆ１２５−１２８． 短時間パワーの標準偏差、平均、最大、最小値（図３（Ａ）参照）
【００３９】
また、時間構造を反映させるために、２種類の韻律特徴量として、図３（Ｂ）に示すような、発話者が話す速さ、及び質問に回答するまでの反応時間を用いる。
【００４０】
Ｆ１２９． １モーラあたりの発話継続時間
Ｆ１３０． 返答までの反応時間
【００４１】
次に、韻律特徴量の組み合わせを選択する原理について説明する。
【００４２】
本実施の形態では、ユーザの音声データから音声韻律特徴を抽出し、解析することで認知機能障害（ＣＩ）と健常（ＮＬ）を判別することを目的としている。しかしながら、解析を行なう際に、音声データから抽出した韻律特徴量が多すぎると、その韻律特徴量の中には認知機能障害の判別に無関係な韻律特徴量が含まれる可能性があり、モデルの構築や判別の精度に悪影響を与えることが考えられる。また、韻律特徴量が多すぎるとモデルが複雑になりすぎたり、計算コストが高くなったりする短所もある。
【００４３】
そこで、本実施の形態では、上記の１３０種類の音声韻律特徴に対して、特徴選択を行なう。特徴選択の手法としては、科学的理論や事前の知識によって適当な変数を指定する変数指定法や、全ての変数の組合せを計算し、最良と思われるものを選択する総当たり法、一定の規則にしたがって変数を逐次選択していく逐次選択法などがあげられる。現在のところ、高齢者の認知機能障害と因果関係の高い音声特徴は特定されておらず、特徴選択として有用な理論や事前の知識は存在しない。また、抽出した韻律特徴量のすべての組合せを計算することは計算コストが高くなる。そのため、一般的に多用されている逐次選択法として例えばフォワードステップワイズ法（ＦＳＷ）を用いて特徴選択を行なう。なお、フォワードステップワイズ法は、より良い組み合わせとなるように、組み合わせを増減させて逐次選択していく方法であり、非特許文献（Ｄｒａｐｅｒ，Ｎ． ａｎｄ Ｓｍｉｔｈ， Ｈ．: Ａｐｐｌｉｅｄ Ｒｅｇｒｅｓｓｉｏｎ Ａｎａｌｙｓｉｓ （3ｒｄ ｅｄｉｔｉｏｎ）， Ｊｏｈｎ Ｗｉｌｅｙ ＆ Ｓｏｎｓ （１９９８））に記載の方法と同様であるため、詳細な説明を省略する。
【００４４】
本実施の形態では、特徴量選択部２２によって、学習データ記憶部２０に記憶された多数の学習データに基づいて、フォワードステップワイズ法に従って、認知機能障害の危険度（ＨＤＳ−Ｒスコア）との相関が最も高くなる音声韻律特徴量の組み合わせを探索し、探索された音声韻律特徴量の組み合わせを、選択する音声韻律特徴量の組み合わせとする。
【００４５】
また、重み付け決定部２４では、選択された韻律特徴量の組み合わせを入力とし、かつ、認知機能障害の危険度を出力する学習モデルを構築し、学習データ記憶部２０に記憶された多数の学習データにおける、選択された韻律特徴量の組み合わせと認知機能障害の危険度（ＨＤＳ−Ｒスコア）とに基づいて、例えば韻律特徴量の組み合わせを説明変数とし、かつ、ＨＤＳ−Ｒスコアを目標属性とした重回帰分析を行うことによって、選択された各韻律特徴量に対する重み付けを学習する。ここで構築された学習モデルを、音声韻律に基づく認知機能障害評定（ＳＰＣＩＲ: ｓｐｅｅｃｈ ｐｒｏｓｏｄｙ−ｂａｓｅｄ ｃｏｇｎｉｔｉｖｅ ｉｍｐａｉｒｍｅｎｔｒａｔｉｎｇ）のモデルと称することとする。
【００４６】
質問再生部２５では、予め設定された質問データをスピーカ２５から再生する。例えば、質問データとして、「出身地はどちらですか？」などの日常的な会話における質問を用いている。
【００４７】
音声取得部２６では、スピーカ２５から質問が再生されたときに、質問に対する回答として、音声入力部１２によって入力されたユーザの音声データを取得する。
【００４８】
特徴量抽出部２８は、取得したユーザの音声データから、上記の１３０種類の音声韻律特徴量を抽出する。
【００４９】
危険度算出部３０は、特徴量抽出部２８によって抽出された音声韻律特徴量のうち、特徴量選択部２２によって選択された韻律特徴量の組み合わせに対応するものを取り出し、重み付け決定部２４によって決定された重み付けを適用した学習モデルに、取り出した韻律特徴量の組み合わせを入力して、認知機能障害の危険度を算出する。
【００５０】
次に、本実施の形態に係る認知機能障害危険度算出装置１０の作用について説明する。
【００５１】
まず、オペレータが、学習用の音声データから得られた複数種類の音声韻律特徴量とＨＤＳ−Ｒを、学習データとしてコンピュータ１４に入力して、学習データ記憶部２０に多数格納させる。
【００５２】
そして、コンピュータ１４において、図４に示す学習処理ルーチンが実行される。
【００５３】
まず、ステップ１００で、学習データ記憶部２０から学習データを読み出し、ステップ１０２において、上記ステップ１００で読み出した学習データを用いて、フォワードステップワイズ法に従って、ＨＤＳ−Ｒスコアとの相関が最も高くなる音声韻律特徴量の組み合わせを探索し、探索された音声韻律特徴量の組み合わせを、選択する音声韻律特徴量の組み合わせとする。
【００５４】
そして、ステップ１０４で、上記ステップ１００で読み出した学習データを用いて、学習モデルにおける、上記ステップ１０２で選択された音声韻律特徴量の各々に対する重み付けを学習して、決定する。
【００５５】
次のステップ１０６では、上記ステップ１０２で選択された音声韻律特徴量の組み合わせと、上記ステップ１０４で学習された重み付けとを、メモリ（図示省略）に記憶させて、学習処理ルーチンを終了する。
【００５６】
学習データが追加されるなど、学習データ記憶部２０の学習データが更新されるたびに、コンピュータ１４において、上記の学習処理ルーチンが再度実行される。
【００５７】
そして、操作部（図示省略）によって危険度の算出指示が入力されると、コンピュータ１４において、図５に示す認知機能障害危険度算出処理ルーチンが実行される。
【００５８】
まず、ステップ１１８において、スピーカ１３から質問データを再生し、ステップ１２０において、音声入力部１２を介して質問の回答として入力された音声データを取得し、ステップ１２２で、取得した音声データから、１３０種類の音声韻律特徴量を抽出する。
【００５９】
そして、ステップ１２４において、上記ステップ１２２で抽出した音声韻律特徴量から、上記学習処理ルーチンで選択された音声韻律特徴量の組み合わせに対応する音声韻律特徴量を選択する。次のステップ１２６では、上記学習処理ルーチンで学習された重み付けを適用した学習モデルに、上記ステップ１２４で選択した音声韻律特徴量の組み合わせを入力して、認知機能障害の危険度を算出し、ステップ１２８において、表示装置１６に算出結果を表示させて、認知機能障害危険度算出処理ルーチンを終了する。
【００６０】
以上説明したように、第１の発明の実施の形態に係る認知機能障害危険度算出装置によれば、ＨＤＳ−Ｒスコアとの相関が最も高くなる音声韻律特徴量の組み合わせと、音声韻律特徴量の組み合わせの各々に対して学習された重み付けとに基づいて、認知機能障害の危険度を精度良く算出することができる。
【００６１】
また、従来の改訂長谷川式簡易知能評価スケールを用いた判定方法と比較した場合に、質問に対する回答の正しさや発音の正しさなど、言語の内容を考慮する必要がないため、客観的に、認知機能障害の危険度を判定することができる。また、繰り返し、認知機能障害の危険度を算出する場合であっても、認知機能障害の危険度を精度良く算出することができる。
【００６２】
次に、第２の実施の形態について説明する。なお、第１の実施の形態と同様の構成となる部分については、同一符号を付して説明を省略する。
【００６３】
第２の実施の形態では、複数種類の韻律特徴量から主成分分析によって得られた合成変数を用いて、認知機能障害の危険度を算出している点が、第１の実施の形態と主に異なっている。
【００６４】
図６に示すように、第２の実施の形態に係る認知機能障害危険度算出装置２１０のコンピュータ２１４は、学習データ記憶部２０、変数合成部２２１、合成変数選択部２２２、重み付け決定部２２４、質問再生部２５、音声取得部２６、特徴量抽出部２８、合成変数算出部２２９、危険度算出部２３０を備えている。
【００６５】
変数合成部２２１は、学習データ記憶部２０に記憶された学習データの例えば１３０種類の音声韻律特徴量に基づいて、主成分分析（ＰＣＡ）による変数合成を行って、例えば１３０種類の主成分（合成変数）を生成する。また、変数合成部２２１は、各学習データについて、１３０種類の音声韻律特徴量から１３０種類の合成変数に変換する。
【００６６】
合成変数選択部２２２は、学習データ記憶部２０に記憶された多数の学習データの合成変数及び認知機能障害の危険度（ＨＤＳ−Ｒスコア）に基づいて、フォワードステップワイズ法に従って、認知機能障害の危険度との相関が最も高くなる合成変数の組み合わせを探索し、探索された合成変数の組み合わせを、選択する合成変数の組み合わせとする。
【００６７】
また、重み付け決定部２２４では、選択された合成変数の組み合わせを入力として、認知機能障害の危険度を出力する学習モデルを構築し、学習データ記憶部２０に記憶された多数の学習データにおける、選択された合成変数の組み合わせと認知機能障害の危険度（ＨＤＳ−Ｒスコア）とに基づいて、例えば合成変数の組み合わせを説明変数とし、かつ、ＨＤＳ−Ｒスコアを目標属性とした重回帰分析を行うことによって、学習モデルにおける、各合成変数に対する重み付けを学習する。
【００６８】
合成変数算出部２２９は、特徴量抽出部２８によって抽出された１３０種類の音声韻律特徴量に基づいて、変数合成部２２１で生成された１３０種類の合成変数を算出する。
【００６９】
危険度算出部２３０は、合成変数算出部２２９によって算出された合成変数のうち、合成変数選択部２２２によって選択された合成変数の組み合わせに対応するものを取り出し、重み付け決定部２４によって重み付けが決定された学習モデルに、取り出した合成変数の組み合わせを入力して、認知機能障害の危険度を算出する。
【００７０】
次に、第２の実施の形態に係る学習処理ルーチンについて説明する。
【００７１】
まず、学習データ記憶部２０から学習データを読み出し、学習データの音声韻律特徴量に基づいて、主成分分析を行って、合成変数を生成するとともに、各学習データの音声韻律特徴量を合成変数に変換する。そして、学習データを用いて、フォワードステップワイズ法に従って、ＨＤＳ−Ｒスコアとの相関が最も高くなる合成変数の組み合わせを探索し、探索された合成変数の組み合わせを、選択する合成変数の組み合わせとする。
【００７２】
そして、学習データを用いて、学習モデルにおける、上記で選択された合成変数の各々に対する重み付けを学習して、決定する。次に、上記で選択された合成変数の組み合わせと、上記で学習された重み付けとを、メモリ（図示省略）に記憶させて、学習処理ルーチンを終了する。
【００７３】
学習データが追加されるなど、学習データ記憶部２０の学習データが更新されるたびに、コンピュータ１４において、上記の学習処理ルーチンが再度実行される。
【００７４】
また、第２の実施の形態に係る認知機能障害危険度算出処理ルーチンについて説明する。
【００７５】
まず、スピーカ１３から質問データを再生し、音声入力部１２を介して質問の回答として入力された音声データを取得し、取得した音声データから、１３０種類の音声韻律特徴量を抽出する。そして、抽出した１３０種類の音声韻律特徴量から、学習処理ルーチンで生成された１３０種類の合成変数を算出する。
【００７６】
そして、上記で算出した合成変数から、上記学習処理ルーチンで選択された合成変数の組み合わせに対応する合成変数を選択する。次に、上記学習処理ルーチンで学習された重み付けを適用した学習モデルに、上記で選択した合成変数の組み合わせを入力して、認知機能障害の危険度を算出し、表示装置１６に算出結果を表示させて、認知機能障害危険度算出処理ルーチンを終了する。
【００７７】
次に、上記の第１の実施の形態及び第２の実施の形態の手法を用いて認知機能障害の危険度を算出した結果について説明する。
【００７８】
ここで、１１５名の高齢者（年齢３８−９９歳、男性３２名、女性８３名）から、総数３１９の音声データを収集して、認知機能障害の危険度を算出し、ＨＤＳ−Ｒスコアとの相関性を求めた。図７〜図１０では、第１の実施の形態で説明した認知機能障害危険度の算出方法による算出結果をＳＰＣＩＲＦＳＷ−ＡＩＣと表わし、第２の実施の形態で説明した認知機能障害危険度の算出方法による算出結果をＳＰＣＩＲＰＣＡ−ＦＳＷ−ＡＩＣと表わす。
【００７９】
図７、図８に示すように、第１の実施の形態の手法では、１９個の韻律特徴量が選択され、そのうち、Ｆ１２９、Ｆ１２８、Ｆ１１８、Ｆ１３０、Ｆ５７、Ｆ８、Ｆ１０１、Ｆ５９、Ｆ１１０、Ｆ７２、Ｆ６９、Ｆ７３が、有意な韻律特徴量であると判断された。このように、ＡＩＣ規準を用いた特徴量選択により、有意な韻律特徴量が選択されていることがわかった。
【００８０】
また、ＨＤＳ−Ｒスコアとの相関Ｒが、０．６７であり、補正済み決定係数（信頼度）がＲ２＝０．４１であった。図９に示すように、算出された認知機能障害の危険度とＨＤＳ−Ｒスコアとの間に、比較的有意な相関を持つことが分かった。
【００８１】
また、第２の実施の形態の手法では、１３０種類の全特徴を適切に合成した５５個の主成分（合成変数）が選択され、多くの合成変数が、有意であると判断された。高い固有値を持つ主成分（例えばＰＣ２、ＰＣ７、ＰＣ４）のみならず、ＰＣ７７、ＰＣ１１５、ＰＣ１０３などの低い固有値を持つ主成分も、ＨＤＳ−Ｒスコアの推定に有用であることが示された。
【００８２】
また、ＨＤＳ−Ｒスコアとの相関Ｒが、０．７７であり、図１０に示すように、算出された認知機能障害の危険度とＨＤＳ−Ｒスコアとの間に強い相関を持つことが示唆された。また、補正済み決定係数Ｒ２＝０．５０であり、韻律特徴に基づく高齢者の発話音声解析の認知機能障害のスクリーニングへの応用可能性として有意義な結果となった。
【００８３】
以上説明したように、第２の実施の形態に係る認知機能障害危険度算出装置によれば、ＨＤＳ−Ｒスコアとの相関が最も高くなる、音声韻律特徴量の合成変数の組み合わせと、合成変数の組み合わせの各々に対して学習された重み付けとに基づいて、認知機能障害の危険度を精度良く算出することができる。
なお、上記の実施の形態では、主成分分析を行って、音声韻律特徴量の合成変数を生成する場合を例に説明したが、これに限定されるものではなく、例えば、因子分析を行って、音声韻律特徴量の合成変数を生成するようにしてもよい。
【００８４】
次に、第３の実施の形態について説明する。なお、第１の実施の形態と同様の構成となる部分については、同一符号を付して説明を省略する。
【００８５】
第３の実施の形態では、学習データから韻律特徴量の選択及び重み付けの学習を行う装置と、認知機能障害の危険度を算出する装置とがネットワークを介して接続されている点が、第１の実施の形態と主に異なっている。
【００８６】
図１１に示すように、第３の実施の形態に係る認知機能障害危険度算出システム３１０は、学習データから韻律特徴量の選択及び重み付けの学習を行う特徴量学習装置３１１と、入力された音声データから、認知機能障害の危険度を算出する複数の認知機能障害危険度算出装置３１２とを備えており、特徴量学習装置３１１と、複数の認知機能障害危険度算出装置３１２とは、インターネットなどのネットワーク３１３で接続されている。
【００８７】
特徴量学習装置３１１は、例えばコンピュータサーバで構成され、機能的には次に示すように構成されている。上記図１１に示すように、特徴量学習装置３１１は、学習データ記憶部２０、特徴量選択部２２、重み付け決定部２４、及びパラメータ送信部３２４を備えている。
【００８８】
パラメータ送信部３２４は、特徴量選択部２２によって選択された韻律特徴量の組み合わせ、及び重み付け決定部２４によって決定された学習モデルの重み付けを示すパラメータを、ネットワーク３１３を介して複数の認知機能障害危険度算出装置３１２に送信する。
【００８９】
認知機能障害危険度算出装置３１２は、音声入力部１２、スピーカ１３、コンピュータ３１４、及び表示装置１６を備えている。
【００９０】
コンピュータ３１４は、パラメータ受信部３２５、質問再生部２５、音声取得部２６、特徴量抽出部２８、及び危険度算出部３０を備えている。
【００９１】
パラメータ受信部３２５は、特徴量学習装置３１１から送信されたパラメータを受信し、メモリ（図示省略）に格納しておく。
【００９２】
危険度算出部３０は、特徴量抽出部２８によって抽出された音声韻律特徴量のうち、メモリに格納されたパラメータが示す韻律特徴量の組み合わせに対応するものを取り出し、メモリに格納されたパラメータが示す重み付けを適用した学習モデルに、取り出した韻律特徴量の組み合わせを入力して、認知機能障害の危険度を算出する。
【００９３】
次に、本実施の形態に係る認知機能障害危険度算出システム３１０の作用について説明する。
【００９４】
オペレータが、学習用の音声データから得られた複数種類の音声韻律特徴量とＨＤＳ−Ｒを、学習データとして特徴量学習装置３１１に入力して、学習データ記憶部２０に記憶される学習データが追加される度に、上記の第１の実施の形態で説明した学習処理ルーチンが実行される。そして、特徴量学習装置３１１は、選択された音声韻律特徴量の組み合わせと、学習された重み付けとを示すパラメータを、ネットワーク３１３を介して認知機能障害危険度算出装置３１２に送信する。
【００９５】
そして、認知機能障害危険度算出装置３１２では、上記のパラメータを受信して、メモリ（図示省略）に格納する。
【００９６】
また、認知機能障害危険度算出装置３１２において、危険度の算出指示が入力されると、コンピュータ３１４において、上記の第１の実施の形態で説明した認知機能障害危険度算出処理ルーチンが実行される。
【００９７】
このように、ＨＤＳ−Ｒスコアとの相関が最も高くなる音声韻律特徴量の組み合わせと、音声韻律特徴量の組み合わせの各々に対して学習された重み付けとを、特徴量学習装置で学習し、ネットワークを介して、学習結果を、複数の認知機能障害危険度算出装置に配布することにより、各認知機能障害危険度算出装置では、最新の学習結果を用いて、認知機能障害の危険度を算出することができる。
【００９８】
なお、上記の第２の実施の形態の構成に、上記の実施の形態を適用するようにしてもよい。この場合には、認知機能障害危険度算出システムは、ネットワーク３１３で接続された、学習データから合成変数の選択及び重み付けの学習を行う合成変数学習装置と、複数の認知機能障害危険度算出装置とを備えており、合成変数学習装置は、学習データ記憶部２０、変数合成部２２１、合成変数選択部２２２、重み付け決定部２２４、及びパラメータ送信部３２４を備える。また、認知機能障害危険度算出装置のコンピュータは、パラメータ受信部３２５、質問再生部２５、音声取得部２６、特徴量抽出部２８、合成変数算出部２２９、及び危険度算出部３０を備える。
【００９９】
次に、第４の実施の形態について説明する。なお、第１の実施の形態及び第３の実施の形態と同様の構成となる部分については、同一符号を付して説明を省略する。
【０１００】
第４の実施の形態では、入出力端末と、認知機能障害危険度算出装置とがネットワークを介して接続されている点が、第３の実施の形態と主に異なっている。
【０１０１】
図１２に示すように、第４の実施の形態に係る認知機能障害危険度算出システム４１０では、複数の入出力端末４１２と認知機能障害危険度算出装置４１４とを備えており、複数の入出力端末４１２と、認知機能障害危険度算出装置４１４とは、ネットワーク３１３で接続されている。
【０１０２】
入出力端末４１２は、音声入力部１２、スピーカ１３、表示装置１６、質問再生部２５、音声取得部２６、及び通信部４２５を備えており、スピーカ１３から再生された質問に対する回答として、音声入力部１２を介してユーザから音声データが入力されると、通信部４２５によって、ネットワーク３１３を介して音声データを認知機能障害危険度算出装置４１４へ送信する。
【０１０３】
認知機能障害危険度算出装置４１４は、通信部４２４によって音声データを受信すると、音声データに基づいて、認知機能障害の危険度を算出して、通信部４２４によって、算出結果を、ネットワーク３１３を介して入出力端末４１２へ送信する。
【０１０４】
入出力端末４１２は、通信部４２５によって、算出結果を受信すると、表示装置１６に、算出された認知機能障害の危険度を表示する。
【０１０５】
なお、認知機能障害危険度算出装置４１４の他の構成及び作用については、第１の実施の形態と同様であるため、説明を省略する。
【０１０６】
このように、複数の入出力端末と、認知機能障害危険度算出装置とをネットワークで接続し、音声データ及び算出結果を送受信することにより、各入出力端末で、認知機能障害の危険度を判定することができる。
【０１０７】
なお、上記の第２の実施の形態の構成に、上記の実施の形態を適用するようにしてもよい。この場合には、認知機能障害危険度算出システムは、ネットワーク３１３で接続された、各入出力端末４１２と、認知機能障害危険度算出装置２１０と同様の機能を有する装置とを備えるようにすればよい。
【０１０８】
また、上記の第１の実施の形態〜第４の実施の形態では、１３０種類の音声韻律特徴量を用いる場合を例に説明したが、これに限定されるものではなく、他の種類の音声韻律特徴量を用いてもよく、また、より少ない又はより多い種類の音声韻律特徴量を用いてもよい。
【０１０９】
また、フォワードステップワイズ法（変数増減法）を用いて、最適な音声韻律特徴量又は合成変数の組み合わせを探索する場合を例に説明したが、これに限定されるものではなく、他の逐次選択法を用いて、最適な音声韻律特徴量又は合成変数の組み合わせを探索するようにしてもよい。例えば、変数増加法、変数減少法などを用いて、最適な音声韻律特徴量又は合成変数の組み合わせを探索するようにしてもよい。また、ＥＭアルゴリズム、遺伝的アルゴリズム（ＧＡ）、粒子群最適化（Ｐａｒｔｉｃｌｅ Ｓｗａｒｍ Ｏｐｔｉｍｉｚａｔｉｏｎ、ＰＳＯ）などの同時選択法を用いて、最適な音声韻律特徴量又は合成変数の組み合わせを探索するようにしてもよい。
【０１１０】
また、重回帰分析を用いて、当該学習モデルで用いる、各音声韻律特徴量又は各合成変数の重み付けを学習する場合を例に説明したが、これに限定されるものではなく、例えば、リッジ回帰、サポートベクトル回帰（ＳＶ回帰）、カーネル回帰などの手法を用いて、各音声韻律特徴量又は各合成変数の重み付けを学習するようにしてもよい。
また、上記の実施の形態では、長谷川式スコアなど認知機能テストの点数（０〜３０）に相当する数値を、認知機能障害の危険度として算出する場合を例に説明したが、これに限定されるものではなく、例えば，健常（ＮＬ）、認知症疑い（ＭＣＩ）、認知症（ＡＤ）の３分類で表わされる認知機能障害の危険度を求めるようにしてもよい。この場合には、ベイジアンネットワーク、正準判別分析、線形判別分析、ニューラルネットワーク、ナイーブベイズ法、サポートベクトルマシン（ＳＶＭ）などの学習モデルを用いて、認知機能障害の危険度を算出するようにすればよい。また、当該学習モデルで用いる、各音声韻律特徴量又は各合成変数の重み付けを学習により決定するようにすればよい。
【０１１１】
また、質問をスピーカから再生する場合を例に説明したが、これに限定されるものではなく、表示装置によって質問を表示するようにしてもよい。
また、質問に対する回答として入力された音声データに基づいて、認知機能障害の危険度を算出する場合を例に説明したが、これに限定されるものではなく、音声モニタリングにより入力された音声データに基づいて、認知機能障害の危険度を算出するようにしてもよい。
【符号の説明】
【０１１２】
１０、２１０、３１２、４１４ 認知機能障害危険度算出装置
１２ 音声入力部
１４、２１４、３１４ コンピュータ
２０ 学習データ記憶部
２２ 特徴量選択部
２４、２２４ 重み付け決定部
２５ 質問再生部
２８ 特徴量抽出部
３０、２３０ 危険度算出部
２２１ 変数合成部
２２２ 合成変数選択部
２２９ 合成変数算出部
３１０、４１０ 認知機能障害危険度算出システム
３１１ 特徴量学習装置
【特許請求の範囲】
【請求項１】
音声データから抽出される複数種類の韻律特徴量と、前記音声データの発話者について求められた認知機能障害の危険度とを含む複数の学習データに基づいて、前記複数種類の韻律特徴量から、前記危険度との相関が最も高くなる前記韻律特徴量の組み合わせを選択する特徴量選択手段と、
前記複数の学習データの各々の前記選択された韻律特徴量の組み合わせと前記危険度とに基づいて、前記選択された韻律特徴量の組み合わせの各々に対する重み付けを決定する重み付け決定手段と、
入力された音声データから、前記複数種類の韻律特徴量を抽出する特徴量抽出手段と、
前記特徴量抽出手段によって抽出された前記韻律特徴量のうちの前記選択された韻律特徴量の組み合わせと、前記重み付け決定手段によって決定された重み付けとに基づいて、認知機能障害の危険度を算出する危険度算出手段と、
を含む認知機能障害危険度算出装置。
【請求項２】
音声データから抽出される複数種類の韻律特徴量と、前記音声データの発話者について求められた認知機能障害の危険度とを含む複数の学習データの前記複数種類の韻律特徴量に対して分析処理を行って、前記複数種類の韻律特徴量を合成した合成変数を複数種類生成する合成変数生成手段と、
前記複数の学習データと、前記生成された複数種類の合成変数とに基づいて、前記複数種類の合成変数から、前記危険度との相関が最も高くなる前記合成変数の組み合わせを選択する合成変数選択手段と、
前記複数の学習データの各々について求められる前記合成変数の組み合わせと、前記複数の学習データの各々の前記危険度とに基づいて、前記選択された合成変数の組み合わせの各々に対する重み付けを決定する重み付け決定手段と、
入力された音声データから、前記複数種類の韻律特徴量を抽出する特徴量抽出手段と、
前記特徴量抽出手段によって抽出された前記韻律特徴量から求められる前記合成変数の組み合わせと、前記重み付け決定手段によって決定された重み付けとに基づいて、認知機能障害の危険度を算出する危険度算出手段と、
を含む認知機能障害危険度算出装置。
【請求項３】
前記複数種類の韻律特徴量は、音声の周波数成分に関する特徴量、音声のフォルマント構造に関する特徴量、音声の大きさに関する特徴量、発話速度に関する特徴量、及び質問に回答するまでの反応時間に関する特徴量の少なくとも１つを含む請求項１又は２記載の認知機能障害危険度算出装置。
【請求項４】
前記学習データの認知機能障害の危険度を、前記発話者に対する長谷川式簡易知能評価スケールによって求められたものとした請求項１〜請求項３の何れか１項記載の認知機能障害危険度算出装置。
【請求項５】
前記特徴量抽出手段は、質問に対する回答として入力された音声データから、前記複数種類の韻律特徴量を抽出する請求項１〜請求項４の何れか１項記載の認知機能障害危険度算出装置。
【請求項６】
音声データから抽出される複数種類の韻律特徴量と、前記音声データの発話者について求められた認知機能障害の危険度とを含む複数の学習データに基づいて、前記複数種類の韻律特徴量から、前記危険度との相関が最も高くなる前記韻律特徴量の組み合わせを選択する特徴量選択手段、及び
前記複数の学習データの各々の前記選択された韻律特徴量の組み合わせと前記危険度とに基づいて、前記選択された韻律特徴量の組み合わせの各々に対する重み付けを決定する重み付け決定手段
を含む特徴量選択装置と、
入力された音声データから、前記複数種類の韻律特徴量を抽出する特徴量抽出手段、及び
前記特徴量抽出手段によって抽出された前記韻律特徴量のうちの前記選択された韻律特徴量の組み合わせと、前記重み付け決定手段によって決定された重み付けとに基づいて、認知機能障害の危険度を算出する危険度算出手段
を含む危険度算出装置と、
を含む認知機能障害危険度算出システム。
【請求項７】
音声データから抽出される複数種類の韻律特徴量と、前記音声データの発話者について求められた認知機能障害の危険度とを含む複数の学習データの前記複数種類の韻律特徴量に対して分析処理を行って、前記複数種類の韻律特徴量を合成した合成変数を複数種類生成する合成変数生成手段、
前記複数の学習データと、前記生成された複数種類の合成変数とに基づいて、前記複数種類の合成変数から、前記危険度との相関が最も高くなる前記合成変数の組み合わせを選択する合成変数選択手段、及び
前記複数の学習データの各々について求められる前記合成変数の組み合わせと、前記複数の学習データの各々の前記危険度とに基づいて、前記選択された合成変数の組み合わせの各々に対する重み付けを決定する重み付け決定手段
を含む合成変数選択装置と、
入力された音声データから、前記複数種類の韻律特徴量を抽出する特徴量抽出手段、及び
前記特徴量抽出手段によって抽出された前記韻律特徴量から求められる前記合成変数の組み合わせと、前記重み付け決定手段によって決定された重み付けとに基づいて、認知機能障害の危険度を算出する危険度算出手段
を含む危険度算出装置と、
を含む認知機能障害危険度算出システム。
【請求項８】
コンピュータを、
音声データから抽出される複数種類の韻律特徴量と、前記音声データの発話者について求められた認知機能障害の危険度とを含む複数の学習データに基づいて、前記複数種類の韻律特徴量から、前記危険度との相関が最も高くなる前記韻律特徴量の組み合わせを選択する特徴量選択手段、
前記複数の学習データの各々の前記選択された韻律特徴量の組み合わせと前記危険度とに基づいて、前記選択された韻律特徴量の組み合わせの各々に対する重み付けを決定する重み付け決定手段、
入力された音声データから、前記複数種類の韻律特徴量を抽出する特徴量抽出手段、及び
前記特徴量抽出手段によって抽出された前記韻律特徴量のうちの前記選択された韻律特徴量の組み合わせと、前記重み付け決定手段によって決定された重み付けとに基づいて、認知機能障害の危険度を算出する危険度算出手段
として機能させるためのプログラム。
【請求項９】
コンピュータを、
音声データから抽出される複数種類の韻律特徴量と、前記音声データの発話者について求められた認知機能障害の危険度とを含む複数の学習データの前記複数種類の韻律特徴量に対して分析処理を行って、前記複数種類の韻律特徴量を合成した合成変数を複数種類生成する合成変数生成手段、
前記複数の学習データと、前記生成された複数種類の合成変数とに基づいて、前記複数種類の合成変数から、前記危険度との相関が最も高くなる前記合成変数の組み合わせを選択する合成変数選択手段、
前記複数の学習データの各々について求められる前記合成変数の組み合わせと、前記複数の学習データの各々の前記危険度とに基づいて、前記選択された合成変数の組み合わせの各々に対する重み付けを決定する重み付け決定手段、
入力された音声データから、前記複数種類の韻律特徴量を抽出する特徴量抽出手段、及び
前記特徴量抽出手段によって抽出された前記韻律特徴量から求められる前記合成変数の組み合わせと、前記重み付け決定手段によって決定された重み付けとに基づいて、認知機能障害の危険度を算出する危険度算出手段
として機能させるためのプログラム。
【請求項１】
音声データから抽出される複数種類の韻律特徴量と、前記音声データの発話者について求められた認知機能障害の危険度とを含む複数の学習データに基づいて、前記複数種類の韻律特徴量から、前記危険度との相関が最も高くなる前記韻律特徴量の組み合わせを選択する特徴量選択手段と、
前記複数の学習データの各々の前記選択された韻律特徴量の組み合わせと前記危険度とに基づいて、前記選択された韻律特徴量の組み合わせの各々に対する重み付けを決定する重み付け決定手段と、
入力された音声データから、前記複数種類の韻律特徴量を抽出する特徴量抽出手段と、
前記特徴量抽出手段によって抽出された前記韻律特徴量のうちの前記選択された韻律特徴量の組み合わせと、前記重み付け決定手段によって決定された重み付けとに基づいて、認知機能障害の危険度を算出する危険度算出手段と、
を含む認知機能障害危険度算出装置。
【請求項２】
音声データから抽出される複数種類の韻律特徴量と、前記音声データの発話者について求められた認知機能障害の危険度とを含む複数の学習データの前記複数種類の韻律特徴量に対して分析処理を行って、前記複数種類の韻律特徴量を合成した合成変数を複数種類生成する合成変数生成手段と、
前記複数の学習データと、前記生成された複数種類の合成変数とに基づいて、前記複数種類の合成変数から、前記危険度との相関が最も高くなる前記合成変数の組み合わせを選択する合成変数選択手段と、
前記複数の学習データの各々について求められる前記合成変数の組み合わせと、前記複数の学習データの各々の前記危険度とに基づいて、前記選択された合成変数の組み合わせの各々に対する重み付けを決定する重み付け決定手段と、
入力された音声データから、前記複数種類の韻律特徴量を抽出する特徴量抽出手段と、
前記特徴量抽出手段によって抽出された前記韻律特徴量から求められる前記合成変数の組み合わせと、前記重み付け決定手段によって決定された重み付けとに基づいて、認知機能障害の危険度を算出する危険度算出手段と、
を含む認知機能障害危険度算出装置。
【請求項３】
前記複数種類の韻律特徴量は、音声の周波数成分に関する特徴量、音声のフォルマント構造に関する特徴量、音声の大きさに関する特徴量、発話速度に関する特徴量、及び質問に回答するまでの反応時間に関する特徴量の少なくとも１つを含む請求項１又は２記載の認知機能障害危険度算出装置。
【請求項４】
前記学習データの認知機能障害の危険度を、前記発話者に対する長谷川式簡易知能評価スケールによって求められたものとした請求項１〜請求項３の何れか１項記載の認知機能障害危険度算出装置。
【請求項５】
前記特徴量抽出手段は、質問に対する回答として入力された音声データから、前記複数種類の韻律特徴量を抽出する請求項１〜請求項４の何れか１項記載の認知機能障害危険度算出装置。
【請求項６】
音声データから抽出される複数種類の韻律特徴量と、前記音声データの発話者について求められた認知機能障害の危険度とを含む複数の学習データに基づいて、前記複数種類の韻律特徴量から、前記危険度との相関が最も高くなる前記韻律特徴量の組み合わせを選択する特徴量選択手段、及び
前記複数の学習データの各々の前記選択された韻律特徴量の組み合わせと前記危険度とに基づいて、前記選択された韻律特徴量の組み合わせの各々に対する重み付けを決定する重み付け決定手段
を含む特徴量選択装置と、
入力された音声データから、前記複数種類の韻律特徴量を抽出する特徴量抽出手段、及び
前記特徴量抽出手段によって抽出された前記韻律特徴量のうちの前記選択された韻律特徴量の組み合わせと、前記重み付け決定手段によって決定された重み付けとに基づいて、認知機能障害の危険度を算出する危険度算出手段
を含む危険度算出装置と、
を含む認知機能障害危険度算出システム。
【請求項７】
音声データから抽出される複数種類の韻律特徴量と、前記音声データの発話者について求められた認知機能障害の危険度とを含む複数の学習データの前記複数種類の韻律特徴量に対して分析処理を行って、前記複数種類の韻律特徴量を合成した合成変数を複数種類生成する合成変数生成手段、
前記複数の学習データと、前記生成された複数種類の合成変数とに基づいて、前記複数種類の合成変数から、前記危険度との相関が最も高くなる前記合成変数の組み合わせを選択する合成変数選択手段、及び
前記複数の学習データの各々について求められる前記合成変数の組み合わせと、前記複数の学習データの各々の前記危険度とに基づいて、前記選択された合成変数の組み合わせの各々に対する重み付けを決定する重み付け決定手段
を含む合成変数選択装置と、
入力された音声データから、前記複数種類の韻律特徴量を抽出する特徴量抽出手段、及び
前記特徴量抽出手段によって抽出された前記韻律特徴量から求められる前記合成変数の組み合わせと、前記重み付け決定手段によって決定された重み付けとに基づいて、認知機能障害の危険度を算出する危険度算出手段
を含む危険度算出装置と、
を含む認知機能障害危険度算出システム。
【請求項８】
コンピュータを、
音声データから抽出される複数種類の韻律特徴量と、前記音声データの発話者について求められた認知機能障害の危険度とを含む複数の学習データに基づいて、前記複数種類の韻律特徴量から、前記危険度との相関が最も高くなる前記韻律特徴量の組み合わせを選択する特徴量選択手段、
前記複数の学習データの各々の前記選択された韻律特徴量の組み合わせと前記危険度とに基づいて、前記選択された韻律特徴量の組み合わせの各々に対する重み付けを決定する重み付け決定手段、
入力された音声データから、前記複数種類の韻律特徴量を抽出する特徴量抽出手段、及び
前記特徴量抽出手段によって抽出された前記韻律特徴量のうちの前記選択された韻律特徴量の組み合わせと、前記重み付け決定手段によって決定された重み付けとに基づいて、認知機能障害の危険度を算出する危険度算出手段
として機能させるためのプログラム。
【請求項９】
コンピュータを、
音声データから抽出される複数種類の韻律特徴量と、前記音声データの発話者について求められた認知機能障害の危険度とを含む複数の学習データの前記複数種類の韻律特徴量に対して分析処理を行って、前記複数種類の韻律特徴量を合成した合成変数を複数種類生成する合成変数生成手段、
前記複数の学習データと、前記生成された複数種類の合成変数とに基づいて、前記複数種類の合成変数から、前記危険度との相関が最も高くなる前記合成変数の組み合わせを選択する合成変数選択手段、
前記複数の学習データの各々について求められる前記合成変数の組み合わせと、前記複数の学習データの各々の前記危険度とに基づいて、前記選択された合成変数の組み合わせの各々に対する重み付けを決定する重み付け決定手段、
入力された音声データから、前記複数種類の韻律特徴量を抽出する特徴量抽出手段、及び
前記特徴量抽出手段によって抽出された前記韻律特徴量から求められる前記合成変数の組み合わせと、前記重み付け決定手段によって決定された重み付けとに基づいて、認知機能障害の危険度を算出する危険度算出手段
として機能させるためのプログラム。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【公開番号】特開２０１１−２５５１０６（Ｐ２０１１−２５５１０６Ａ）
【公開日】平成２３年１２月２２日（２０１１．１２．２２）
【国際特許分類】
【出願番号】特願２０１０−１３４４０３（Ｐ２０１０−１３４４０３）
【出願日】平成２２年６月１１日（２０１０．６．１１）
【新規性喪失の例外の表示】特許法第３０条第１項適用申請有り 平成２１年１２月１１日〜１２日 国際複合医工学学会（ＩＣＭＥ）、日本学術振興会（ＪＳＰＳ）、岡山大学主催の２００９年認知症早期診断・リハビリ技術国際シンポジウムにて発表
【出願人】（３０４０２１２７７）国立大学法人 名古屋工業大学 (784)
【出願人】（５１０１６４５９９）株式会社イフコム (1)
【出願人】（５１０１６４０５０）
【Ｆターム（参考）】
【公開日】平成２３年１２月２２日（２０１１．１２．２２）
【国際特許分類】
【出願日】平成２２年６月１１日（２０１０．６．１１）
【新規性喪失の例外の表示】特許法第３０条第１項適用申請有り 平成２１年１２月１１日〜１２日 国際複合医工学学会（ＩＣＭＥ）、日本学術振興会（ＪＳＰＳ）、岡山大学主催の２００９年認知症早期診断・リハビリ技術国際シンポジウムにて発表
【出願人】（３０４０２１２７７）国立大学法人 名古屋工業大学 (784)
【出願人】（５１０１６４５９９）株式会社イフコム (1)
【出願人】（５１０１６４０５０）
【Ｆターム（参考）】
[ Back to top ]