認知状態判定装置
【課題】 被験者がメタ認知状態またはメタメタ認知状態にあるか否かを客観的に判定することができる認知状態判定装置を提供する。
【解決手段】脳波差信号演算手段２は、被験者の脳の複数の領域のうち側頭葉を含む複数の領域から測定した複数の脳波信号から選択した複数組の２つの異なる脳波信号についてそれぞれ脳波差信号を求める。自己アフィンフラクタル次元演算手段３は、複数の脳波差信号のそれぞれから、自己アフィンフラクタル次元を求める。認知状態判定手段４が、安静状態、メタ認知状態またはメタメタ認知状態に意図的になることができる基準者から得た脳波信号をリファレンスデータとして用いて予め定めた判定基準に基づいて、自己アフィンフラクタル次元のデータを入力として、被験者が安静状態、メタ認知状態またはメタメタ認知状態のいずれにあるのかを判定する。
【解決手段】脳波差信号演算手段２は、被験者の脳の複数の領域のうち側頭葉を含む複数の領域から測定した複数の脳波信号から選択した複数組の２つの異なる脳波信号についてそれぞれ脳波差信号を求める。自己アフィンフラクタル次元演算手段３は、複数の脳波差信号のそれぞれから、自己アフィンフラクタル次元を求める。認知状態判定手段４が、安静状態、メタ認知状態またはメタメタ認知状態に意図的になることができる基準者から得た脳波信号をリファレンスデータとして用いて予め定めた判定基準に基づいて、自己アフィンフラクタル次元のデータを入力として、被験者が安静状態、メタ認知状態またはメタメタ認知状態のいずれにあるのかを判定する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、被験者がメタ認知状態またはメタメタ認知状態にあることを判定することができる認知状態判定装置に関するものである。
【背景技術】
【０００２】
ヒトの感性は、一般的に脳の活動によって特徴付けられていると考えられている。脳の活動状態は脳波などにより観測する事が可能であり、それによって現在さまざまな研究が行われている。脳波信号は、筋運動を必要とせず、ＭＥＧやｆＭＲＩなどに比べ、比較的容易に測定でき、脳の活動状態を反映しているという長所を持っているため、様々な分野への応用が注目されている。また、脳波がフラクタル性を持つ事が示され、脳波信号にフラクタル解析を施すことにより脳の活動状態を解明しようとする研究が行われてきた［非特許文献１：小河清隆及び中川匡弘が発表した”脳波におけるカオスとフラクタル性”，信学論，Ｖｏｌ． Ｊ７８−Ａ， Ｎｏ．２，ｐｐ． １６１−１６８，（１９９５）．］、［非特許文献２：小河清隆及び中川匡弘が発表した ”Ｏｎ ｔｈｅ Ｃｈａｏｓａｎｄ Ｆｒａｃｔａｌ Ｐｒｏｐｅｒｔｉｅｓ ｉｎ ＥＥＧ Ｄａｔａ”， Ｅｌｅｃｔｒｏｎｉｃｓ ａｎｄＣｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｊａｐａｎ Ｐａｒｔ ＩＩＩ−ＦｕｎｄａｍｅｎｔａｌｓＶｏｌ．７８−１０ ｐｐ２７−３６， （１９９５）．］、［非特許文献３：中川匡弘が発表した”Ｃｈａｏｓ ａｎｄ Ｆｒａｃｔａｌｓ ｉｎＥｎｇｉｎｅｅｒｉｎｇ”， Ｗｏｒｌｄ Ｓｃｉｅｎｔｉｆｉｃ， Ｉｎｃ （１９９９）．］。
【０００３】
また被験者が測定した帯域制限された複数の脳波信号から選択した２つの脳波信号の差や積をとることにより、それらの信号をフラクタル次元解析することにより得たフラクタル次元を特徴的に用いて、感性（「怒り」、「悲しみ」、「喜び」、「リラックス」）を定量的に評価する手法として、感性フラクタル次元解析手法が提案されている［非特許文献４：佐藤高弘及び中川匡弘が発表した”フラクタル次元解析を用いた感情の定量化手法”， 信学技報，ＨＩＰ２００２−１２，ｐｐ．１３−１８， ２００２．及び特許文献１：特開２００４−１９４９２４号公報］。感性フラクタル次元解析手法を利用した技術としては、光トポグラフィによる感性情報解析技術［非特許文献５：松下晋及び中川匡弘が発表した”光トポグラフィによる感性情報解析”，信学論，Ｖｏｌ．Ｊ８８−Ａ，Ｎｏ．８，ｐｐ．９９４−１００１．］やヒューマンインターフェースへの応用技術［非特許文献６：飯塚拓也及び中川匡弘が発表した”脳波のフラクタル次元解析を用いたヒューマンインターフェースへの応用”，信学技報，ＣＡＳ２００５−４２，ＮＬＰ２００５−５４，（２００５）．］などもある。
【非特許文献１】”脳波におけるカオスとフラクタル性”，信学論，Ｖｏｌ． Ｊ７８−Ａ， Ｎｏ．２，ｐｐ． １６１−１６８，（１９９５）．
【非特許文献２】”Ｏｎ ｔｈｅ Ｃｈａｏｓａｎｄ Ｆｒａｃｔａｌ Ｐｒｏｐｅｒｔｉｅｓ ｉｎ ＥＥＧ Ｄａｔａ”， Ｅｌｅｃｔｒｏｎｉｃｓ ａｎｄＣｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｊａｐａｎ Ｐａｒｔ ＩＩＩ−ＦｕｎｄａｍｅｎｔａｌｓＶｏｌ．７８−１０ ｐｐ２７−３６， （１９９５）
【非特許文献３】”Ｃｈａｏｓ ａｎｄ Ｆｒａｃｔａｌｓ ｉｎＥｎｇｉｎｅｅｒｉｎｇ”， Ｗｏｒｌｄ Ｓｃｉｅｎｔｉｆｉｃ， Ｉｎｃ （１９９９）．
【非特許文献４】”フラクタル次元解析を用いた感情の定量化手法”， 信学技報，ＨＩＰ２００２−１２，ｐｐ．１３−１８， ２００２．
【非特許文献５】”光トポグラフィによる感性情報解析”，信学論，Ｖｏｌ．Ｊ８８−Ａ，Ｎｏ．８，ｐｐ．９９４−１００１．
【非特許文献６】”脳波のフラクタル次元解析を用いたヒューマンインターフェースへの応用”，信学技報，ＣＡＳ２００５−４２，ＮＬＰ２００５−５４，（２００５）．
【特許文献１】特開２００４−１９４９２４号公報
【発明の開示】
【発明が解決しようとする課題】
【０００４】
近年、教育工学の分野でメタ認知［三宮真智子，”思考におけるメタ認知と注意”，東京大学出版会，ｐｐ１５７−１８０，（１９９６）．］活用の有効性が注目されている。
【０００５】
「メタ認知」は図１に示すように分類される。「メタ認知的モニタリング」活動は学習効果に大きな影響を与えるとされている。自己の思考・感情そのものを対象としてモニタリングすることが「メタ認知的モニタリング」であり、メタ認知をしている自分とそれを取り巻く世界を対象としてモニタリングすることが「メタメタ認知的モニタリング」である。「メタ認知的モニタリング」は、自己の思考の誤りに気付き修正を行う上で不可欠であり、自己学習能力に影響を与えると考えられている。なお本願明細書では、「メタ認知的モニタリング」を「メタ認知」、「メタメタ認知的モニタリング」を「メタメタ認知」と略称する。
【０００６】
しかしながら従来は、被験者がメタ認知状態またはメタメタ認知状態にあるか否かを客観的に判定する技術は全く提案されていない。発明者等が以前に特開２００４−１９４９２４号において提案した脳機能計測装置を用いて、被験者の感性（「怒り」、「悲しみ」、「喜び」、「リラックス」）を定量的に計測しても、その計測結果から被験者がメタ認知状態またはメタメタ認知状態にあるか否かを判定することはできなかった。
【０００７】
本発明の目的は、被験者がメタ認知状態またはメタメタ認知状態にあるか否かを客観的に判定することができる認知状態判定装置を提供することにある。
【課題を解決するための手段】
【０００８】
メタ認知活用の有効性が注目されてはいるものの、メタ認知をどのように判定するかについての研究は全くなされていない。そのためにメンタルトレーニングの指導者と呼ばれる人の中に、本来的にメタ認知状態またはメタメタ認知状態に任意になることができない人が含まれていることも、実際上は判定することができないのが実情である。そこで発明者は、前述の特開２００４−１９４９２４号において提案した脳機能計測装置を用いて、被験者の感性（「怒り」、「悲しみ」、「喜び」、「リラックス」）を定量的に計測して、その計測結果すなわち被験者が「怒り」、「悲しみ」、「喜び」または「リラックス」の状態にあることと、被験者がメタ認知状態またはメタメタ認知状態にあることとの間に、特定の関係があるか否かを試験してみた。しかしながら両者の間には、客観的な特定の関係を見出すことができなかった。これは感性に関しては、外部からの刺激情報に対して被験者が感性状態を自分自身で認知できるのに対して、メタ認知及びメタメタ認知は、外部からの刺激情報に対する認知ではなく、自己認知によるものであり、被験者がそれを自分自身で認知できないためである。そのためフラクタル次元解析を利用しても、メタ認知状態またはメタメタ認知状態を判定することは無理であると発明者は当初考えていた。
【０００９】
しかしながら研究を進めていくうちに、脳波の測定箇所を限定し、フラクタル次元解析の対象とする脳波信号の種類を限定し、さらに判定基準を工夫することによって、感性フラクタル次元解析を利用して被験者がメタ認知状態またはメタメタ認知状態にあることを判定できることを見出した。本発明は、この研究を基礎としてなされたものである。もし当初の試験結果だけを信じて研究を中止していたならば、メタ認知状態またはメタメタ認知状態の定量的な計測は、実現し得なかった。
【００１０】
発明者の継続研究によって案出された本発明の認知状態判定装置は、脳波差信号演算手段と、自己アフィンフラクタル次元演算手段と認知状態判定手段とを備える。脳波差信号演算手段は、被験者の脳の複数の領域のうち側頭葉を含む複数の領域から測定した複数の脳波信号から、順列組み合わせにより選択した複数組の２つの異なる脳波信号についてそれぞれ差信号を求め、これら差信号を複数の脳波差信号として出力する。自己アフィンフラクタル次元演算手段は、脳波差信号演算手段から出力される複数の脳波差信号のそれぞれから、自己アフィンフラクタル次元を求める。脳波差信号演算手段及び自己アフィンフラクタル次元演算手段は、微小時間間隔毎に差信号を求め、この微小時間間隔毎に求めた差信号について感性フラクタル次元解析を行って微小時間間隔毎の自己アフィンフラクタル次元を求める。特開２００４−１９４９２４号のように、帯域制限された複数の脳波信号から選択した２つの脳波信号の差をとり、帯域分離した複数の脳波信号の相互相関の信号を作って、この相互相関の信号をフラクタル次元解析しても、メタ認知またはメタメタ認知を判定するのに十分に役立つ情報が含まれていないことは研究により確認された。発明者の研究によると、側頭葉を含む複数の領域から測定した複数の脳波信号から、順列組み合わせにより選択した複数組の２つの異なる脳波信号についてそれぞれ求めた差信号を複数の脳波差信号として、その脳波差信号のそれぞれから求めた自己アフィンフラクタル次元には、メタ認知またはメタメタ認知を判定するのに十分に役立つ情報が含まれていることが確認された。脳の測定領域に側頭葉を含めない場合には、メタ認知またはメタメタ認知を判定することは難しい。最も少ない脳波信号に基づいて判定を行う場合には、脳の左右の側頭葉から得た２以上脳波信号だけを用いても良い。
【００１１】
そして本発明では、認知状態判定手段が、安静状態、メタ認知状態またはメタメタ認知状態に意図的になることができる基準者から得た安静状態、メタ認知状態及びメタメタ認知状態における複数の脳波信号をリファレンスデータとして用いて予め定めた判定基準に基づいて、自己アフィンフラクタル次元のデータを入力として、被験者が安静状態、メタ認知状態またはメタメタ認知状態のいずれにあるのかを判定する。ここで基準者は、メタ認知研究において、メタ認知及びメタメタ認知状態になるための訓練を指導することができるインストラクタと呼ばれる人である。本発明においては、この基準者から得た複数の脳波信号をリファレンスデータとして判定基準を定めているので、客観的な判定を行うことができる。
【００１２】
認知状態判定手段は、判定基準を記憶する記憶部と、判定基準と自己アフィンフラクタル次元のデータとに基づいて被験者が安静状態、メタ認知状態またはメタメタ認知状態のいずれにあるかを判定する判定部とを備えている。記憶部に記憶されている判定基準は、基準者から得た安静状態、メタ認知状態及びメタメタ認知状態における複数の脳波信号から複数の脳波差信号を演算し、該複数の脳波差信号のそれぞれから自己アフィンフラクタル次元を求め、安静状態、メタ認知状態及びメタメタ認知状態における自己アフィンフラクタル次元が判定部にそれぞれ入力されたときに、判定部が入力された自己アフィンフラクタル次元に対応する認知状態を正しく判定するように定められている。したがって本発明によれば、基準者から得た客観的な基準データに基づいて定めた判定基準を用いるので、被験者から得た自己アフィンフラクタル次元を判定部に入力することにより、被験者のメタ認知状態またはメタメタ認知状態を定量的に判定することが可能になった。
【００１３】
なお判定部は、線形写像判別法により下記の判定式を用いて判定するように構成することができる。
【数１】
【００１４】
上記式において
【数２】
【００１５】
は線形写像である状態分離マトリックスであり、
【数３】
【００１６】
は入力信号ベクトルであり、
【数４】
【００１７】
は定数ベクトルであり、
【数５】
【００１８】
は安静状態、メタ認知状態及びメタメタ認知状態を判定するための感性の状態を示す演算結果である。
【００１９】
そして前述の状態分離マトリックスが判定基準となる。したがって状態分離マトリックス及び定数ベクトルを定めるには、まず任意に安静状態、メタ認知状態及びメタメタ認知状態を作ることができる判定基準となり得る者（基準者）の脳の複数の領域のうち側頭葉を含む複数の領域から測定した複数の脳波信号から、順列組み合わせにより選択した複数組の２つの異なる脳波信号についてそれぞれ脳波差信号を脳波差信号演算手段により求める。次に自己アフィンフラクタル次元演算手段により複数の脳波差信号のそれぞれから自己アフィンフラクタル次元を求める。そして判定式の入力信号ベクトルとして入力し、基準者が安静状態にあるとき、メタ認知状態にあるとき及びメタメタ認知状態にあるときに、それぞれ判定式の演算結果がそれらの状態を正しく示すように状態分離マトリックス及び定数ベクトルを設定する。
【００２０】
また認知状態判定手段は、判定基準としてニューラルネットを用いて認知状態を判定するように構成することができる。この場合、ニューラルネットは、その内部状態を次のように決定する。まず基準者から得た安静状態、メタ認知状態及びメタメタ認知状態における複数の脳波信号から複数の脳波差信号を演算し、該複数の脳波差信号のそれぞれから自己アフィンフラクタル次元を求める。そして安静状態、メタ認知状態及びメタメタ認知状態における自己アフィンフラクタル次元を３種類の学習用入力パターンと定め、３種類の学習用入力パターンから所定時間幅間隔で規則正しくまたは不規則に選択した学習入力パターンのデータを順次入力として学習を行ってニューラルネットの内部状態を決定する。判断基準として、このようなニューラルネットを用いると、線形写像の状態分離マトリックスを判断基準として用いる場合よりも、判定精度を高めることができる。特に、ニューラルネットの内部状態を学習により決定する場合に、安静状態、メタ認知状態及びメタメタ認知状態における自己アフィンフラクタル次元を３種類の学習用入力パターンと定めて、これら３種類の学習用入力パターンから所定時間幅間隔で規則正しくまたは不規則に選択した学習入力パターンのデータを順次入力として学習を行ってニューラルネットの内部状態を決定すると、短い学習時間で内部状態を精度の高い判定をするのに必要なレベルまで高めることができる。
【発明の効果】
【００２１】
本発明によれば、従来できなかった被験者のメタ認知またはメタメタ認知を定量的に判定することができる。
【発明を実施するための最良の形態】
【００２２】
以下図面を参照して本発明の実施の形態の一例を詳細に説明する。図２は、本発明の認知状態判定装置の実施の形態の一例の構成を概略的に示すブロック図である。この実施の形態では、側頭葉を含む１６ヶ所の脳の領域から測定した１６Ｃｈの脳波信号を用いる。そしてフラクタル次元解析法を用いた信号処理と判定処理によって、人間（被験者）のメタ認知状態またはメタメタ認知状態を定量的に評価する。図２に示した認知状態判定装置は、基本的な構成手段として、測定手段１と、脳波差信号演算手段２と、自己アフィンフラクタル次元演算手段３と、認知状態判定手段４とを備えている。認知状態判定手段４は、記憶部５と判定部６とから構成される。なおこの実施の形態においては、後に説明する判定基準としての状態分離マトリックスを決定する状態分離マトリックス決定手段７をさらに備えている。
【００２３】
測定手段１は、図３に示す１６ヶ所の脳の領域に電極を配置して１６Ｃｈの脳波信号を測定する公知の脳波測定器によって構成されている。したがって測定手段１からは、１６Ｃｈの脳波信号が脳波差信号演算手段２に出力される。図３の特に、７番、８番、９番及び１０番の位置が脳の側頭葉の位置である。
【００２４】
脳波差信号演算手段２は、１６Ｃｈの脳波信号から、順列組み合わせにより選択した複数組の２つの異なる脳波信号についてそれぞれ差信号（１２０組の差信号）を求め、これら差信号を１２０組の脳波差信号として出力するように構成されている。脳波差信号演算手段２は、微小時間間隔毎（例えば０．１〜０．２５ｓｅｃ毎）に差信号を求めている。また自己アフィンフラクタル次元演算手段３は、脳波差信号演算手段２から出力される１２０組の脳波差信号のそれぞれから、自己アフィンフラクタル次元を求めるように構成されている。自己アフィンフラクタル次元の求め方については後に説明する。なお自己アフィンフラクタル次元演算手段３でも、微小時間間隔毎に求めた差信号について感性フラクタル次元解析を行って微小時間間隔毎のフラクタル次元を求めている。
【００２５】
そして認知状態判定手段４は、安静状態、メタ認知状態またはメタメタ認知状態に意図的になることができる基準者から得た安静状態、メタ認知状態及びメタメタ認知状態における複数の脳波信号をリファレンスデータとして用いて予め定めた判定基準を状態分離マトリックスとして記憶部５に記憶している。そして判定部６においては、自己アフィンフラクタル次元演算手段３で演算した自己アフィンフラクタル次元のデータを入力として、被験者が安静状態、メタ認知状態またはメタメタ認知状態のいずれにあるのかを判定する。記憶部５に記憶されている判定基準は、状態分離マトリックス決定手段７によって決定されている。状態分離マトリックス決定手段７で状態分離マトリックスを決定するためには次のようにする。まず基準者から得た安静状態、メタ認知状態及びメタメタ認知状態における複数の脳波信号（リファレンスデータ）から複数の脳波差信号を脳波差信号御演算手段２で演算する。該複数の脳波差信号のそれぞれから自己アフィンフラクタル次元を自己アフィンフラクタル次元演算手段３で求める。そして安静状態、メタ認知状態及びメタメタ認知状態における自己アフィンフラクタル次元が判定部６にそれぞれ入力されたときに、判定部６が入力された自己アフィンフラクタル次元に対応する認知状態を正しく判定するように、状態分離マトリックスを決定する。最後に記憶部５に状態分離マトリックスを記憶させる。
【００２６】
なお判定部６は、線形写像判別法により下記の判定式を用いて判定するように構成することができる。
【数６】
【００２７】
上記式において
【数７】
【００２８】
は線形写像である状態分離マトリックスである。
【数８】
【００２９】
は入力信号ベクトルであり、
【数９】
【００３０】
は定数ベクトルであり、
【数１０】
【００３１】
は安静状態、メタ認知状態及びメタメタ認知状態を判定するための感性の状態を示す演算結果である。
【００３２】
すなわち上記式の［Ｃ１，１・・・Ｃ１，１２０］は、基準者の脳波差信号（リファレンスデータ）に基づいて得られたフラクタル次元の線形写像（状態分離マトリックス）である。この状態分離マトリックスが、記憶部５に記憶されている判定基準である。前述のように、状態分離マトリックスを得るためには、具体的には、任意に安静状態、メタ認知状態及び前記メタメタ認知状態を作ることができる判定基準となり得る者（基準者）の脳の複数の領域のうち側頭葉を含む複数の領域から１６Ｃｈの脳波信号（リファレンスデータ）を得る。そして１６Ｃｈの脳波信号から、順列組み合わせにより選択した複数組の２つの異なる脳波信号についてそれぞれ差信号を脳波差信号演算手段２により求める。そして自己アフィンフラクタル次元演算手段３により複数の脳波差信号のそれぞれから自己アフィンフラクタル次元を求める。次にこれら自己アフィンフラクタル次元を上記判定式の入力信号ベクトルとして入力し、基準者が安静状態にあるとき、メタ認知状態にあるとき及びメタメタ認知状態にあるときに、それぞれ判定式の演算結果［Ｚ１，Ｚ２，Ｚ３］がそれらの状態を示すように状態分離マトリックスを設定する。安静状態では、出力が［Ｚ１，Ｚ２，Ｚ３］＝［＋１，−１，−１］となり、メタ状態では、出力が［Ｚ１，Ｚ２，Ｚ３］＝［−１，＋１，−１］となり、メタメタ状態では、出力が［Ｚ１，Ｚ２，Ｚ３］＝［−１，−１，＋１］となるように、状態分離マトリックスを決定することが、状態分離マトリックス決定手段７が実行する判定条件の決定作業である。
【００３３】
本実施の形態の認識状態判定手段４で用いる判定法を、自己アフィンフラクタル次元演算手段３における演算方法を含めて、さらに詳細に説明する。脳波信号のフラクタル次元を推定する方法として、分散のスケーリング特性に基づいたフラクタル次元推定法が知られている。自己アフィンフラクタル次元がＤである時系列データｆ（ｔ）と時刻τだけ離れたデータｆ（ｔ＋τ）のα次のモーメントは、次のように表される。
【数１１】
【００３４】
もし、解析データが一様なフラクタル性を有するならばＨｕｒｓｔ指数Ｈはモーメントの次数αに依存しない。このとき、Ｈｕｒｓｔ指数Ｈは、
【数１２】
【００３５】
によって求められる。α＝２の場合、［数１１］の式において時系列データの分散のスケーリング特性が求められる。この分散のスケーリング特性から自己アフィンフラクタル次元を推定する。自己アフィンフラクタル次元の推定値
【数１３】
【００３６】
は、［数１２］より求められるＨｕｒｓｔ指数Ｈを用いて、下記の式で演算することができる。
【数１４】
【００３７】
感性フラクタル次元解析手法では、脳波測定によって得られる１６Ｃｈのデータを用いて、４種類程度の感性（本実施の形態では認知状態）を識別することができる。フラクタル次元解析を行う前処理として、１６個の電極から得られる１６Ｃｈの脳波信号間の差分信号が、前述の通り脳波差信号演算手段２により作成される。この処理により、１２０組（＝１６Ｃ２）の差分信号が作成される。電極間の差分信号ｙｉｊ（ｔ）は、サンプリング間隔を単位とした時間をｔ、ｉ番目の電極からの入力値をｘｉ（ｔ）、ｊ番目の電極からの入力値をｘｊ（ｔ）とすると、
【数１５】
【００３８】
で与えられる。これら１６Ｃｈのデータに対して得られる１２０個の電極間電位差信号ｙｉｊ（ｔ）を、時間領域で窓幅ｔＷ＝４［ｓｅｃ］の矩形窓で切り出し、ｔＷ点の差分信号を得る。窓の移動幅をｔｓｔｅｐ、窓の位置をｎとすると、切り出された信号ｙｉｊｎはベクトルを用いて次のように表される。
【数１６】
【００３９】
ここで、窓の移動幅ｔｓｔｅｐは、０．２５［ｓｅｃ］である。切り出された差分信号
【数１７】
【００４０】
それぞれに対して、分散のスケーリング特性に基づいたフラクタル次元解析を行い、１６Ｃ２次元の入力信号ベクトル
【数１８】
【００４１】
を作成する。フラクタル次元を求める処理をＦｒａｃｔ（・）とすると、入力信号ベクトル［数１８］は以下のように表される。
【数１９】
【００４２】
この入力信号ベクトル［数１７］を線形写像などの認識部にて学習及び認識することにより感性フラクタル次元解析が可能となる。線形写像を用いる場合、入力信号ベクトル［数１８］に線形写像である状態分離マトリックス
【数２０】
【００４３】
を用いて、
【数２１】
【００４４】
に線形変換を行う。ここで、Ｔは転置を表す。これらの大きさが認知の状態に相当する特徴量となる。これは、以下のように表される。以下の式は、上記［数１］及び［数６］と同じものである。
【数２２】
【００４５】
ここで
【数２３】
【００４６】
は定数ベクトルである。
【００４７】
解析を行うにあたり、学習に用いるリファレンスデータとなる脳波信号を基準者から測定する必要がある。まず、基準者に「安静」、「メタ認知」、「メタメタ認知」、を想起してもらい、１６Ｃｈの脳波信号を測定する。状態分離マトリックスの値は、それぞれの認知状態が
【数２４】
【００４８】
となるように最小自乗法を用いて決定する。
【数２５】
【００４９】
の各構成要素を、それぞれ関連付けられた認知状態の指標とし、大きさをその認知の発現レベルとみなす。これにより、認知状態を定量的に解析することが可能となる。
【００５０】
すなわち、例えば上記［数２４］中の例であれば、（１，−１，−１）の中の数字が発現レベルを示している。この発現レベルによって認知状態の定量化が実現されている。実際に被験者の認知状態を判定する場合には、被験者から測定した１６Ｃｈの脳波信号に基づく入力信号ベクトル［数１８］を入力することにより、被験者の認知状態を判定することができる。
【００５１】
次に、本発明の実施の形態により、安静状態と、メタ認知状態と、メタメタ認知状態とを定量的に判定することができることを試験した結果について説明する。
【００５２】
［試験内容］
まず、脳波計により得た「安静状態」と「メタ認知状態」での脳波にフラクタル次元解析を行い、思考状態によって違いに差異が見られることを確認した。その後、「安静」、「メタ認知」、「メタメタ認知」の３種類の思考状態を維持し、その脳波信号のフラクタル次元推定値を特徴量として、前述の感性フラクタル次元解析手法と同様の方法で認識処理を行い、それぞれの思考状態を識別できるか評価を行った。意図した思考状態を識別することできたことを確認後、ストループ試験を行い、思考状態が学習効果（試験の得点）に与える影響を評価した。ここで用いたストループ試験とは、様々な色で書かれた文字を見て、色に惑わされず色を示す漢字の意味を答える試験である。この試験は簡単な試験だが、色と意味が混同して出題されるため脳の中で葛藤が生じる。さらにこの試験は、慣れによって葛藤が生じにくくなるため、試験を繰り返すことにより成績が向上する学習効果を判断できる最適な試験である。
【００５３】
［測定条件］
脳波測定装置は日本光電社製ＭＥＧ−６１１６Ｍを使用した。測定データはＡ／Ｄ変換ボード（ＣｏｍｐｕｔｅｒＢｏａｒｄｓ社製ＰＣＭ−ＤＡＳ１６Ｓ／１６、Ａ／Ｄ変換分解能１６ｂｉｔｓ、チャンネル数１６Ｃｈ）を通し、パーソナルコンピュータで記録を行った。測定時のサンプリング周波数を５１２Ｈｚとし、１．５Ｈｚのローカットフィルタおよび、１００Ｈｚのハイカットフィルタを設定した。また、商用電源に対するＨＵＭフィルタを脳波測定時に使用した。測定部位は国際１０−２０電極法に基づき、１Ｃｈ〜１６Ｃｈの単極測定とし、右耳朶Ａ２を基準電極とした（図３）。測定は通常環境下での測定を行った。被験者は心身共に健康な４４歳の男性で、メタ認知・メタメタ認知を修得し、脳波測定に関する基礎的な知識と被験者としの経験を持っている者である。
【００５４】
［思考想起試験］
タスク中は「安静状態」、「メタ認知状態」、「メタメタ認知状態」の３種類の思考状態を維持する。試験は以下の手順で行う。
【００５５】
１．最初の６０秒間は閉眼安静とする。
【００５６】
２．実験者の合図と共にランダムに思考状態を指示し、意図した思考状態を１２０秒保持する。
【００５７】
３．休息をとり、その後、１．に戻り、次の思考ついて同様に測定を行う。
【００５８】
という手順で測定を行った。リファレンスデータと評価用データは同様の実験であり、各思考を数回繰り返し測定する。測定の流れを図４に示す。
【００５９】
［ストループ試験］
ストループ試験には「赤」、「青」、「緑」、「黄」４種類の色を用い、文字の色に関係なく文字の意味をコントローラを用いて答えていく方法である。１問あたりの回答時間は１秒、全１６問を１セットとして各思考状態１０回測定を繰り返す。１０セット通じて意図した思考状態を維持し続けながら試験を行う。試験は以下の手順で行う。
【００６０】
１．最初の１０秒間は開眼安静とする。
【００６１】
２．実験者の合図と共に試験を開始し、１６問回答終了後、任意の思考を維持したまま待機する。
【００６２】
３．その後、１．に戻り、次の思考について同様に測定を行う。
【００６３】
４．以上を１０回１セットとし、３種類の思考状態に対して繰り返し行う。
【００６４】
ストループ試験の測定の流れを図５に示す。
【００６５】
［解析結果］
フラクタル次元解析結果
脳波測定によって得られる１６Ｃｈの脳波信号のうち、側頭葉に対応する７〜１０Ｃｈの信号にフラクタル次元解析を施した結果の一例を図６に示す。なお、示す波形は、６０秒間の安静の後、継続して１２０秒間安静状態を維持したもの（Ａ）と、メタ認知状態へ思考を移行した結果（Ｂ）である。結果より、安静状態を維持している結果では、７〜１０Ｃｈすべてのチャンネルで次元の変化が少ない。しかし安静状態からメタ認知へ思考を移行し始めてからフラクタル次元推定値が一様に下がり変化している。このことから、安静状態とメタ認知時の脳の変化をフラクタル次元解析により抽出できることが確認できる。このようにして得られたフラクタル次元推定値を特徴量として感性フラクタル次元解析を行い思考想起試験や、ストループ試験を行った。
【００６６】
［思考想起試験解析結果］
リファレンスデータに対する解析結果
脳波測定によって得られる１６Ｃｈ脳波信号の差分信号を求め、図６に示すようなフラクタル次元解析した１２０組（＝１６Ｃ２）の入力ベクトルを入力とし、３種類の思考状態（安静、メタ認知、メタメタ認知）について解析を行った。学習に用いたリファレンスデータを再入力した際の、時々刻々の割合を算出した結果を図７に示す。図７の結果は、（ａ）に安静、（ｂ）にメタ認知、（ｃ）にメタメタ認知の思考状態を行った時のそれぞれの思考状態対する出力の割合を示したものである。その結果、３つの思考状態に対し識別できていることが確認でき、状態分離マトリックスが正確に決定されていることが確認できる。（ａ）の安静状態では、安静（relax）の出力が＋１に近く、（ｂ）のメタ認知状態では、メタ認知(meta-cognition)の出力が＋１に近く、（ｃ）のメタメタ認知状態では、メタメタ認知（meta-meta-congnition）の出力が＋１に近い状態になっている。なお一部でもマイナス方向の出力が出ている場合には、発現レベルを−１と考えることとする。
【００６７】
評価用データに対する解析結果
状態分離マトリックスを決定する際に用いていない、評価用データを入力データとしたとき時々刻々の出力に対する割合を図８に示す。図８の結果は、（ａ）に安静、（ｂ）にメタ認知、（ｃ）にメタメタ認知の思考状態を行ったときのそれぞれの思考に対する出力を示したものである。その結果６０秒まで安静をした後、思考状態に安静を選択した際には、引き続き安静の出力が高く出ている事が確認できる。また、メタ認知、メタメタ認知状態へ変化させた際には６０秒からそれぞれ意図した思考状態の出力が大きくなっていくことが確認できる。
【００６８】
［ストループ試験解析結果］
思考状態に対する解析結果
実際に２種類の思考状態を保ちながらストループ試験を行った際に、学習効果に与える影響を検討した。思考想起試験と同様な解析を１０回行った。そのとき同様な解析をした思考状態ごとの平均出力と、標準偏差の結果を図９に示す。この結果より、被験者は任意の思考状態を十分再現して保ちながらストループ試験を行えると言える。結果より、各思考状態で１０回ずつ実験を行った際に十分に意図した思考状態で試験ができたといえる。
【００６９】
［思考状態とストループ試験得点の関係の検討］
安静状態とメタ認知状態をそれぞれ保ち、５２セットずつストループ試験を行った結果を図１０に示す。図１０（Ａ）は安静状態における試験結果であり、図１０（Ｂ）はメタ認知状態における試験結果である。図１０の結果より、ストループ試験中の思考をメタ認知状態で行ったほうが得点のばらつきが少なく、且つ、より高得点側に分布している事が分かる。これにより、単純作業を繰り返して、慣れによって脳内の混乱が起きにくくなるようなストループ試験を行う場合、自己の行動をモニタリングし、修正していく事が学習効果に影響を及ぼす事が確認できた。
【００７０】
上記試験では、思考状態が学習効果に与える影響について検討を行った。まず、３種類の思考状態の脳波からそれぞれの思考を判別することを行った。脳波信号の差分信号に対しフラクタル次元解析を行うことにより脳波信号の特徴量を抽出し、被験者がどの思考状態にあるか識別できるか検討した。学習に用いていない未知のデータを入力した結果、１つの思考時に、その思考に対応する出力の割合が大きいことから、着目している思考を識別できることが確認された。このことから、意図した思考を識別することが可能であり、メタ認知、メタメタ認知の修得度を評価する際に有効だと言える。またメタ認知を行いながらストループ試験をすることでも、安静状態とメタ認知状態の状態を認識できる事を確認した。さらに単純作業を繰り返すストループ試験において、安静状態で繰り返し試験を行うよりも、メタ認知状態で行うことで、より安定した結果を出せることが確認できた。
【００７１】
［ニューラルネットを利用した判定］
次に判定基準としてニューラルネットを利用した本発明の認知状態判定装置の他の実施の形態について説明する。図１１はこの実施の形態の構成を示す図である。この実施の形態では、ニューラルネットＮＮの内部状態を決定する学習作業を事前に行って、ニューラルネットＮＮを構築する。図１１に示したニューラルネットワークＮＮは、入力層１１と、１以上の中間層１２と、出力層１３とを備えている。なおこの例では中間層１２は１層である。入力層１１は、ｒ個（ｒ前述の脳波差信号の組み合わせの数すなわち１６Ｃ２＝１２０）の自己アフィンフラクタル次元がそれぞれ入力される１２０個のニューロンｎ１〜ｎ１２０からなる第１のニューロン群Ｎ１を含んでいる。また中間層１２は、ｑ（２×１６Ｃ２＝２４０）個のニューロンｎ２０１〜ｎ４４０からなる第２のニューロン群Ｎ２を備えている。そして出力層１３は、３個のニューロンｎ５０１〜ｎ５０３からなる第３のニューロン群Ｎ３を備えている。第１のニューロン群Ｎ１を構成する１２０個のニューロンｎ１〜ｎ１２０には入力パターン切り替え手段１４の端子Ｔ１〜Ｔ１２０を介して後述する３種類の学習用入力パターンＰ１〜Ｐ３と入力信号ベクトルとが入力される。
【００７２】
まずニューラルネットＮＮの内部状態を学習により決定するために、前述の基準者から得た安静状態、メタ認知状態及びメタメタ認知状態における複数の脳波信号から複数の脳波差信号を微小時間間隔毎に演算し、該複数の脳波差信号のそれぞれから自己アフィンフラクタル次元を微小時間間隔毎に求める［例えば図６（Ａ）及び（Ｂ）に示す波形］。そして安静状態、メタ認知状態及びメタメタ認知状態における自己アフィンフラクタル次元を３種類の学習用入力パターンＰ１〜Ｐ３と定める。１種類の学習入力パターンには、それぞれ１２０組の自己アフィンフラクタル次元が含まれる。すなわち第１の学習用入力パターンＰ１には、基準者の脳波信号から求めた１２０組の安静時の自己アフィンフラクタル次元（安静時入力信号ベクトル）が含まれ、第２の学習用入力パターンＰ２には、基準者の脳波信号から求めた１２０組のメタ認知時の自己アフィンフラクタル次元（メタ認知時入力信号ベクトル）が含まれ、第３の学習用入力パターンＰ３には、基準者の脳波信号から求めた１２０組のメタメタ認知時の自己アフィンフラクタル次元（メタメタ認知時入力信号ベクトル）が含まれる。入力パターン切り替え手段１４は、入力基準者から得た３種類の学習用入力パターンＰ１〜Ｐ３から所定時間幅間隔（０．２５ｓ）で規則正しくまたは不規則に選択して、選択した学習入力パターンの１２０組のデータを順次第１のニューロン群Ｎ１を構成する１２０個のニューロンｎ１〜ｎ１２０に入力する。ニューロンｎ１〜ｎ１２０には、３種類の学習用パターンＰ１〜Ｐ３に対応した３種類のメモリがそれぞれ装備されている。規則正しく選択する場合には、パターンＰ１→パターンＰ２→パターンＰ３の順に、時間幅間隔（０．２５ｓ）毎に各パターンから１２０組のデータを取得して、１２０個のニューロンｎ１〜ｎ１２０に入力することになる。また不規則に選択する場合には、パターンＰ１→パターンＰ１→パターンＰ３→パターン２→パターン３・・・のように、不規則にパターンが選択される。規則正しくパターンを選択する場合と、不規則にパターンを選択する場合と比べて、不規則にパターンを選択するほうが、短い時間で学習が完了することが試験により確認されている。
【００７３】
学習時には、入力層１１の第１のニューロン群Ｎ１に学習用入力パターン１が入力されているときには、出力層３の第３のニューロン群Ｎ３を構成する３個のニューロン５０１〜５０３の出力に安静状態であることを示す出力が出力され、入力層１１の第１のニューロン群Ｎ１に学習用入力パターン２が入力されているときには、出力層３の第３のニューロン群Ｎ３を構成する３個のニューロン５０１〜５０３の出力にメタ状態であることを示す出力が出力され、入力層１１の第１のニューロン群Ｎ１に学習用入力パターン３が入力されているときには、出力層３の第３のニューロン群Ｎ３を構成する３個のニューロン５０１〜５０３の出力にメタメタ状態であることを示す出力が出力されるようにニューロンｎ１乃至ｎ１２０、ｎ２０１乃至ｎ４４０、ｎ５０１乃至ｎ５０３の内部状態と、各ニューロン群Ｎ１乃至Ｎ３間の結合荷重が定められる。
【００７４】
このニューラルネットＮＮでは、シグモイド関数を用いており、そのダイナミクスは、離散時間ｔに対して以下のように定式化することができる。
【数２６】
【００７５】
上記式において、
【数２７】
【００７６】
は、入力層１１から出力層１３が、Ｌ層のニューロン群で構成されていると考えた場合における、Ｌ層のｉ番目のニューロンの入力パターンｐ（３種類の入力パターンＰ１〜Ｐ３に対応）に対する内部状態を示す。本例では、Ｌ層とは出力層１３であり、Ｌ−１層とは中間層１３であり、入力層はＬ０層となる。そして
【数２８】
【００７７】
は、Ｌ−１層のニューロンｊとＬ層のニューロンｉとの間の結合荷重である。この例の場合には、入力層１１のニューロンｎ１〜ｎ１２０と中間層１２のニューロンｎ２０１〜ｎ４４０との間の結合荷重と、中間層１２のニューロンｎ２０１〜ｎ４４０と出力層１３のニューロンｎ５０１〜ｎ５０３との間の結合荷重である。またＮ（Ｌ―１）は、Ｌ−１層のニューロンの総数を表している。また
【数２９】
【００７８】
は、Ｌ−１層のｊ番目のニューロンのｐ番目のパターンに対する出力であり、
【数３０】
【００７９】
は、閾値である。
【００８０】
またこの例では入力層には、線形ニューロンを用い、中間層１２と、出力層１３で用いられる各ニューロンの活性化関数には、下記に示す活性化関数を用いている。
【数３１】
【００８１】
上記各式において、εは温度パラメータである。そして出力層１３の出力は、以下のように表される。
【数３２】
【００８２】
学習時には、下記の評価関数Ｅ（ｔ）がなるべく小さくなるように、各ニューロンの内部状態を決定する。
【数３３】
【００８３】
上記式において、Ｐはパターンの数であり、Ｎ（Ｌ０）は出力層１３のニューロンの数であり、ｔｐｉは出力層のi番目のニューロンに対するp番目のパターンの教師信号であり、
【数３４】
【００８４】
は、出力層のi番目のニューロンのp番目に対するパターンに対する出力である。
【００８５】
上記のように３種類の学習用入力パターンＰ１〜Ｐ３に基づいて、ニューラルネットＮＮの各ニューロンの内部状態を決定した後、入力パターン切り替え手段１４が入力として被験者の入力信号ベクトル（１２０組）を所定の時間幅でニューラルネットＮＮの入力層１１のニューロンｎ１〜ｎ１２０に入力すると、ニューラルネットＮＮの出力層１３のニューロンｎ５０１〜ｎ５０３からは、判定結果が出力される。
【００８６】
図１２には、ニューラルネットＮＮを判定基準として用いて、前述の線形写像を用いる場合と同様にストループ試験を行った結果を示している。試験の条件は、すべて前述の条件と同じものとした。図１２（Ａ）は安静状態における試験結果であり、図１２（Ｂ）はメタ認知状態における試験結果であり、図１２（Ｃ）はメタメタ認知状態における試験結果である。図１２の結果より、ストループ試験中の思考をメタ認知状態で行ったほうが得点のばらつきが少なく、且つ、より高得点側に分布していることが分かる。これにより、単純作業を繰り返して、慣れによって脳内の混乱が起きにくくなるようなストループ試験を行う場合、自己の行動をモニタリングし、修正していくことが学習効果に影響を及ぼすことが確認できた。また前述の図１０の試験結果と比べると判るように、ニューラルネットＮＮを用いた場合のほうが、線形写像を用いる場合と比べて、ばらつきが少ない。
【００８７】
図１３は、前の実施の形態のように線形写像を用いた線形解析でメタ認知を判定した場合の認識率と、ニューラルネットを用いた非線形解析によりメタ認知を判定した場合の認識率をそれぞれ示している。図１３から、安静時及びメタ認知時のいずれにおいても、ニューラルネットを用いた非線形解析のほうが、認識率が高くなることが判る。
【００８８】
非線形解析または線形解析のいずれを用いる場合でも、本発明では、被験者ではなく、安静状態、メタ認知状態またはメタメタ認知状態に意図的になることができる基準者から得たリファレンスデータを用いて、判定基準（状態分離マトリックス、ニューラルネット等）を定めているので、メタ状態及びメタメタ状態を客観的に判定することができる。
【図面の簡単な説明】
【００８９】
【図１】メタ認知の分類を示す図である。
【図２】本発明の認知状態判定装置の実施の形態の一例の構成を概略的に示すブロック図である。
【図３】１６Ｃｈの電極の配置図である。
【図４】思考想起実験測定の流れを示す図である。
【図５】ストループ試験測定の流れを示す図である。
【図６】（Ａ）及び（Ｂ）は、安静時及びメタ認知時のフラクタル次元推定値の例を示す図である。
【図７】リファレンス再入力時の解析結果を示す図である。
【図８】評価用データ入力時の解析結果を示す図である。
【図９】ストループ試験中の状態出力を示す図である。
【図１０】（Ａ）及び（Ｂ）は、安静時とメタ認知時のストループ試験得点分布を示す図である。
【図１１】ニューラルネットを利用した本発明の認知状態判定装置の他の実施の形態の構成を示す図である。
【図１２】（Ａ）乃至（Ｃ）は、ニューラルネットＮＮを判定基準として用いて、前述の線形写像を用いる場合と同様にストループ試験を行った結果を示す図である。
【図１３】線形写像を用いた線形解析でメタ認知を判定した場合の認識率と、ニューラルネットを用いた非線形解析によりメタ認知を判定した場合の認識率をそれぞれ比較した図である。
【符号の説明】
【００９０】
１ 測定手段
２ 脳波差信号演算手段
３ 自己アフィンフラクタル次元演算手段
４ 認知状態判定手段
５ 記憶部
６ 判定部
７ 状態分離マトリックス決定手段
１１ 入力層
１２ 中間層
１３ 出力層
ＮＮ ニューラルネット
【技術分野】
【０００１】
本発明は、被験者がメタ認知状態またはメタメタ認知状態にあることを判定することができる認知状態判定装置に関するものである。
【背景技術】
【０００２】
ヒトの感性は、一般的に脳の活動によって特徴付けられていると考えられている。脳の活動状態は脳波などにより観測する事が可能であり、それによって現在さまざまな研究が行われている。脳波信号は、筋運動を必要とせず、ＭＥＧやｆＭＲＩなどに比べ、比較的容易に測定でき、脳の活動状態を反映しているという長所を持っているため、様々な分野への応用が注目されている。また、脳波がフラクタル性を持つ事が示され、脳波信号にフラクタル解析を施すことにより脳の活動状態を解明しようとする研究が行われてきた［非特許文献１：小河清隆及び中川匡弘が発表した”脳波におけるカオスとフラクタル性”，信学論，Ｖｏｌ． Ｊ７８−Ａ， Ｎｏ．２，ｐｐ． １６１−１６８，（１９９５）．］、［非特許文献２：小河清隆及び中川匡弘が発表した ”Ｏｎ ｔｈｅ Ｃｈａｏｓａｎｄ Ｆｒａｃｔａｌ Ｐｒｏｐｅｒｔｉｅｓ ｉｎ ＥＥＧ Ｄａｔａ”， Ｅｌｅｃｔｒｏｎｉｃｓ ａｎｄＣｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｊａｐａｎ Ｐａｒｔ ＩＩＩ−ＦｕｎｄａｍｅｎｔａｌｓＶｏｌ．７８−１０ ｐｐ２７−３６， （１９９５）．］、［非特許文献３：中川匡弘が発表した”Ｃｈａｏｓ ａｎｄ Ｆｒａｃｔａｌｓ ｉｎＥｎｇｉｎｅｅｒｉｎｇ”， Ｗｏｒｌｄ Ｓｃｉｅｎｔｉｆｉｃ， Ｉｎｃ （１９９９）．］。
【０００３】
また被験者が測定した帯域制限された複数の脳波信号から選択した２つの脳波信号の差や積をとることにより、それらの信号をフラクタル次元解析することにより得たフラクタル次元を特徴的に用いて、感性（「怒り」、「悲しみ」、「喜び」、「リラックス」）を定量的に評価する手法として、感性フラクタル次元解析手法が提案されている［非特許文献４：佐藤高弘及び中川匡弘が発表した”フラクタル次元解析を用いた感情の定量化手法”， 信学技報，ＨＩＰ２００２−１２，ｐｐ．１３−１８， ２００２．及び特許文献１：特開２００４−１９４９２４号公報］。感性フラクタル次元解析手法を利用した技術としては、光トポグラフィによる感性情報解析技術［非特許文献５：松下晋及び中川匡弘が発表した”光トポグラフィによる感性情報解析”，信学論，Ｖｏｌ．Ｊ８８−Ａ，Ｎｏ．８，ｐｐ．９９４−１００１．］やヒューマンインターフェースへの応用技術［非特許文献６：飯塚拓也及び中川匡弘が発表した”脳波のフラクタル次元解析を用いたヒューマンインターフェースへの応用”，信学技報，ＣＡＳ２００５−４２，ＮＬＰ２００５−５４，（２００５）．］などもある。
【非特許文献１】”脳波におけるカオスとフラクタル性”，信学論，Ｖｏｌ． Ｊ７８−Ａ， Ｎｏ．２，ｐｐ． １６１−１６８，（１９９５）．
【非特許文献２】”Ｏｎ ｔｈｅ Ｃｈａｏｓａｎｄ Ｆｒａｃｔａｌ Ｐｒｏｐｅｒｔｉｅｓ ｉｎ ＥＥＧ Ｄａｔａ”， Ｅｌｅｃｔｒｏｎｉｃｓ ａｎｄＣｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｊａｐａｎ Ｐａｒｔ ＩＩＩ−ＦｕｎｄａｍｅｎｔａｌｓＶｏｌ．７８−１０ ｐｐ２７−３６， （１９９５）
【非特許文献３】”Ｃｈａｏｓ ａｎｄ Ｆｒａｃｔａｌｓ ｉｎＥｎｇｉｎｅｅｒｉｎｇ”， Ｗｏｒｌｄ Ｓｃｉｅｎｔｉｆｉｃ， Ｉｎｃ （１９９９）．
【非特許文献４】”フラクタル次元解析を用いた感情の定量化手法”， 信学技報，ＨＩＰ２００２−１２，ｐｐ．１３−１８， ２００２．
【非特許文献５】”光トポグラフィによる感性情報解析”，信学論，Ｖｏｌ．Ｊ８８−Ａ，Ｎｏ．８，ｐｐ．９９４−１００１．
【非特許文献６】”脳波のフラクタル次元解析を用いたヒューマンインターフェースへの応用”，信学技報，ＣＡＳ２００５−４２，ＮＬＰ２００５−５４，（２００５）．
【特許文献１】特開２００４−１９４９２４号公報
【発明の開示】
【発明が解決しようとする課題】
【０００４】
近年、教育工学の分野でメタ認知［三宮真智子，”思考におけるメタ認知と注意”，東京大学出版会，ｐｐ１５７−１８０，（１９９６）．］活用の有効性が注目されている。
【０００５】
「メタ認知」は図１に示すように分類される。「メタ認知的モニタリング」活動は学習効果に大きな影響を与えるとされている。自己の思考・感情そのものを対象としてモニタリングすることが「メタ認知的モニタリング」であり、メタ認知をしている自分とそれを取り巻く世界を対象としてモニタリングすることが「メタメタ認知的モニタリング」である。「メタ認知的モニタリング」は、自己の思考の誤りに気付き修正を行う上で不可欠であり、自己学習能力に影響を与えると考えられている。なお本願明細書では、「メタ認知的モニタリング」を「メタ認知」、「メタメタ認知的モニタリング」を「メタメタ認知」と略称する。
【０００６】
しかしながら従来は、被験者がメタ認知状態またはメタメタ認知状態にあるか否かを客観的に判定する技術は全く提案されていない。発明者等が以前に特開２００４−１９４９２４号において提案した脳機能計測装置を用いて、被験者の感性（「怒り」、「悲しみ」、「喜び」、「リラックス」）を定量的に計測しても、その計測結果から被験者がメタ認知状態またはメタメタ認知状態にあるか否かを判定することはできなかった。
【０００７】
本発明の目的は、被験者がメタ認知状態またはメタメタ認知状態にあるか否かを客観的に判定することができる認知状態判定装置を提供することにある。
【課題を解決するための手段】
【０００８】
メタ認知活用の有効性が注目されてはいるものの、メタ認知をどのように判定するかについての研究は全くなされていない。そのためにメンタルトレーニングの指導者と呼ばれる人の中に、本来的にメタ認知状態またはメタメタ認知状態に任意になることができない人が含まれていることも、実際上は判定することができないのが実情である。そこで発明者は、前述の特開２００４−１９４９２４号において提案した脳機能計測装置を用いて、被験者の感性（「怒り」、「悲しみ」、「喜び」、「リラックス」）を定量的に計測して、その計測結果すなわち被験者が「怒り」、「悲しみ」、「喜び」または「リラックス」の状態にあることと、被験者がメタ認知状態またはメタメタ認知状態にあることとの間に、特定の関係があるか否かを試験してみた。しかしながら両者の間には、客観的な特定の関係を見出すことができなかった。これは感性に関しては、外部からの刺激情報に対して被験者が感性状態を自分自身で認知できるのに対して、メタ認知及びメタメタ認知は、外部からの刺激情報に対する認知ではなく、自己認知によるものであり、被験者がそれを自分自身で認知できないためである。そのためフラクタル次元解析を利用しても、メタ認知状態またはメタメタ認知状態を判定することは無理であると発明者は当初考えていた。
【０００９】
しかしながら研究を進めていくうちに、脳波の測定箇所を限定し、フラクタル次元解析の対象とする脳波信号の種類を限定し、さらに判定基準を工夫することによって、感性フラクタル次元解析を利用して被験者がメタ認知状態またはメタメタ認知状態にあることを判定できることを見出した。本発明は、この研究を基礎としてなされたものである。もし当初の試験結果だけを信じて研究を中止していたならば、メタ認知状態またはメタメタ認知状態の定量的な計測は、実現し得なかった。
【００１０】
発明者の継続研究によって案出された本発明の認知状態判定装置は、脳波差信号演算手段と、自己アフィンフラクタル次元演算手段と認知状態判定手段とを備える。脳波差信号演算手段は、被験者の脳の複数の領域のうち側頭葉を含む複数の領域から測定した複数の脳波信号から、順列組み合わせにより選択した複数組の２つの異なる脳波信号についてそれぞれ差信号を求め、これら差信号を複数の脳波差信号として出力する。自己アフィンフラクタル次元演算手段は、脳波差信号演算手段から出力される複数の脳波差信号のそれぞれから、自己アフィンフラクタル次元を求める。脳波差信号演算手段及び自己アフィンフラクタル次元演算手段は、微小時間間隔毎に差信号を求め、この微小時間間隔毎に求めた差信号について感性フラクタル次元解析を行って微小時間間隔毎の自己アフィンフラクタル次元を求める。特開２００４−１９４９２４号のように、帯域制限された複数の脳波信号から選択した２つの脳波信号の差をとり、帯域分離した複数の脳波信号の相互相関の信号を作って、この相互相関の信号をフラクタル次元解析しても、メタ認知またはメタメタ認知を判定するのに十分に役立つ情報が含まれていないことは研究により確認された。発明者の研究によると、側頭葉を含む複数の領域から測定した複数の脳波信号から、順列組み合わせにより選択した複数組の２つの異なる脳波信号についてそれぞれ求めた差信号を複数の脳波差信号として、その脳波差信号のそれぞれから求めた自己アフィンフラクタル次元には、メタ認知またはメタメタ認知を判定するのに十分に役立つ情報が含まれていることが確認された。脳の測定領域に側頭葉を含めない場合には、メタ認知またはメタメタ認知を判定することは難しい。最も少ない脳波信号に基づいて判定を行う場合には、脳の左右の側頭葉から得た２以上脳波信号だけを用いても良い。
【００１１】
そして本発明では、認知状態判定手段が、安静状態、メタ認知状態またはメタメタ認知状態に意図的になることができる基準者から得た安静状態、メタ認知状態及びメタメタ認知状態における複数の脳波信号をリファレンスデータとして用いて予め定めた判定基準に基づいて、自己アフィンフラクタル次元のデータを入力として、被験者が安静状態、メタ認知状態またはメタメタ認知状態のいずれにあるのかを判定する。ここで基準者は、メタ認知研究において、メタ認知及びメタメタ認知状態になるための訓練を指導することができるインストラクタと呼ばれる人である。本発明においては、この基準者から得た複数の脳波信号をリファレンスデータとして判定基準を定めているので、客観的な判定を行うことができる。
【００１２】
認知状態判定手段は、判定基準を記憶する記憶部と、判定基準と自己アフィンフラクタル次元のデータとに基づいて被験者が安静状態、メタ認知状態またはメタメタ認知状態のいずれにあるかを判定する判定部とを備えている。記憶部に記憶されている判定基準は、基準者から得た安静状態、メタ認知状態及びメタメタ認知状態における複数の脳波信号から複数の脳波差信号を演算し、該複数の脳波差信号のそれぞれから自己アフィンフラクタル次元を求め、安静状態、メタ認知状態及びメタメタ認知状態における自己アフィンフラクタル次元が判定部にそれぞれ入力されたときに、判定部が入力された自己アフィンフラクタル次元に対応する認知状態を正しく判定するように定められている。したがって本発明によれば、基準者から得た客観的な基準データに基づいて定めた判定基準を用いるので、被験者から得た自己アフィンフラクタル次元を判定部に入力することにより、被験者のメタ認知状態またはメタメタ認知状態を定量的に判定することが可能になった。
【００１３】
なお判定部は、線形写像判別法により下記の判定式を用いて判定するように構成することができる。
【数１】
【００１４】
上記式において
【数２】
【００１５】
は線形写像である状態分離マトリックスであり、
【数３】
【００１６】
は入力信号ベクトルであり、
【数４】
【００１７】
は定数ベクトルであり、
【数５】
【００１８】
は安静状態、メタ認知状態及びメタメタ認知状態を判定するための感性の状態を示す演算結果である。
【００１９】
そして前述の状態分離マトリックスが判定基準となる。したがって状態分離マトリックス及び定数ベクトルを定めるには、まず任意に安静状態、メタ認知状態及びメタメタ認知状態を作ることができる判定基準となり得る者（基準者）の脳の複数の領域のうち側頭葉を含む複数の領域から測定した複数の脳波信号から、順列組み合わせにより選択した複数組の２つの異なる脳波信号についてそれぞれ脳波差信号を脳波差信号演算手段により求める。次に自己アフィンフラクタル次元演算手段により複数の脳波差信号のそれぞれから自己アフィンフラクタル次元を求める。そして判定式の入力信号ベクトルとして入力し、基準者が安静状態にあるとき、メタ認知状態にあるとき及びメタメタ認知状態にあるときに、それぞれ判定式の演算結果がそれらの状態を正しく示すように状態分離マトリックス及び定数ベクトルを設定する。
【００２０】
また認知状態判定手段は、判定基準としてニューラルネットを用いて認知状態を判定するように構成することができる。この場合、ニューラルネットは、その内部状態を次のように決定する。まず基準者から得た安静状態、メタ認知状態及びメタメタ認知状態における複数の脳波信号から複数の脳波差信号を演算し、該複数の脳波差信号のそれぞれから自己アフィンフラクタル次元を求める。そして安静状態、メタ認知状態及びメタメタ認知状態における自己アフィンフラクタル次元を３種類の学習用入力パターンと定め、３種類の学習用入力パターンから所定時間幅間隔で規則正しくまたは不規則に選択した学習入力パターンのデータを順次入力として学習を行ってニューラルネットの内部状態を決定する。判断基準として、このようなニューラルネットを用いると、線形写像の状態分離マトリックスを判断基準として用いる場合よりも、判定精度を高めることができる。特に、ニューラルネットの内部状態を学習により決定する場合に、安静状態、メタ認知状態及びメタメタ認知状態における自己アフィンフラクタル次元を３種類の学習用入力パターンと定めて、これら３種類の学習用入力パターンから所定時間幅間隔で規則正しくまたは不規則に選択した学習入力パターンのデータを順次入力として学習を行ってニューラルネットの内部状態を決定すると、短い学習時間で内部状態を精度の高い判定をするのに必要なレベルまで高めることができる。
【発明の効果】
【００２１】
本発明によれば、従来できなかった被験者のメタ認知またはメタメタ認知を定量的に判定することができる。
【発明を実施するための最良の形態】
【００２２】
以下図面を参照して本発明の実施の形態の一例を詳細に説明する。図２は、本発明の認知状態判定装置の実施の形態の一例の構成を概略的に示すブロック図である。この実施の形態では、側頭葉を含む１６ヶ所の脳の領域から測定した１６Ｃｈの脳波信号を用いる。そしてフラクタル次元解析法を用いた信号処理と判定処理によって、人間（被験者）のメタ認知状態またはメタメタ認知状態を定量的に評価する。図２に示した認知状態判定装置は、基本的な構成手段として、測定手段１と、脳波差信号演算手段２と、自己アフィンフラクタル次元演算手段３と、認知状態判定手段４とを備えている。認知状態判定手段４は、記憶部５と判定部６とから構成される。なおこの実施の形態においては、後に説明する判定基準としての状態分離マトリックスを決定する状態分離マトリックス決定手段７をさらに備えている。
【００２３】
測定手段１は、図３に示す１６ヶ所の脳の領域に電極を配置して１６Ｃｈの脳波信号を測定する公知の脳波測定器によって構成されている。したがって測定手段１からは、１６Ｃｈの脳波信号が脳波差信号演算手段２に出力される。図３の特に、７番、８番、９番及び１０番の位置が脳の側頭葉の位置である。
【００２４】
脳波差信号演算手段２は、１６Ｃｈの脳波信号から、順列組み合わせにより選択した複数組の２つの異なる脳波信号についてそれぞれ差信号（１２０組の差信号）を求め、これら差信号を１２０組の脳波差信号として出力するように構成されている。脳波差信号演算手段２は、微小時間間隔毎（例えば０．１〜０．２５ｓｅｃ毎）に差信号を求めている。また自己アフィンフラクタル次元演算手段３は、脳波差信号演算手段２から出力される１２０組の脳波差信号のそれぞれから、自己アフィンフラクタル次元を求めるように構成されている。自己アフィンフラクタル次元の求め方については後に説明する。なお自己アフィンフラクタル次元演算手段３でも、微小時間間隔毎に求めた差信号について感性フラクタル次元解析を行って微小時間間隔毎のフラクタル次元を求めている。
【００２５】
そして認知状態判定手段４は、安静状態、メタ認知状態またはメタメタ認知状態に意図的になることができる基準者から得た安静状態、メタ認知状態及びメタメタ認知状態における複数の脳波信号をリファレンスデータとして用いて予め定めた判定基準を状態分離マトリックスとして記憶部５に記憶している。そして判定部６においては、自己アフィンフラクタル次元演算手段３で演算した自己アフィンフラクタル次元のデータを入力として、被験者が安静状態、メタ認知状態またはメタメタ認知状態のいずれにあるのかを判定する。記憶部５に記憶されている判定基準は、状態分離マトリックス決定手段７によって決定されている。状態分離マトリックス決定手段７で状態分離マトリックスを決定するためには次のようにする。まず基準者から得た安静状態、メタ認知状態及びメタメタ認知状態における複数の脳波信号（リファレンスデータ）から複数の脳波差信号を脳波差信号御演算手段２で演算する。該複数の脳波差信号のそれぞれから自己アフィンフラクタル次元を自己アフィンフラクタル次元演算手段３で求める。そして安静状態、メタ認知状態及びメタメタ認知状態における自己アフィンフラクタル次元が判定部６にそれぞれ入力されたときに、判定部６が入力された自己アフィンフラクタル次元に対応する認知状態を正しく判定するように、状態分離マトリックスを決定する。最後に記憶部５に状態分離マトリックスを記憶させる。
【００２６】
なお判定部６は、線形写像判別法により下記の判定式を用いて判定するように構成することができる。
【数６】
【００２７】
上記式において
【数７】
【００２８】
は線形写像である状態分離マトリックスである。
【数８】
【００２９】
は入力信号ベクトルであり、
【数９】
【００３０】
は定数ベクトルであり、
【数１０】
【００３１】
は安静状態、メタ認知状態及びメタメタ認知状態を判定するための感性の状態を示す演算結果である。
【００３２】
すなわち上記式の［Ｃ１，１・・・Ｃ１，１２０］は、基準者の脳波差信号（リファレンスデータ）に基づいて得られたフラクタル次元の線形写像（状態分離マトリックス）である。この状態分離マトリックスが、記憶部５に記憶されている判定基準である。前述のように、状態分離マトリックスを得るためには、具体的には、任意に安静状態、メタ認知状態及び前記メタメタ認知状態を作ることができる判定基準となり得る者（基準者）の脳の複数の領域のうち側頭葉を含む複数の領域から１６Ｃｈの脳波信号（リファレンスデータ）を得る。そして１６Ｃｈの脳波信号から、順列組み合わせにより選択した複数組の２つの異なる脳波信号についてそれぞれ差信号を脳波差信号演算手段２により求める。そして自己アフィンフラクタル次元演算手段３により複数の脳波差信号のそれぞれから自己アフィンフラクタル次元を求める。次にこれら自己アフィンフラクタル次元を上記判定式の入力信号ベクトルとして入力し、基準者が安静状態にあるとき、メタ認知状態にあるとき及びメタメタ認知状態にあるときに、それぞれ判定式の演算結果［Ｚ１，Ｚ２，Ｚ３］がそれらの状態を示すように状態分離マトリックスを設定する。安静状態では、出力が［Ｚ１，Ｚ２，Ｚ３］＝［＋１，−１，−１］となり、メタ状態では、出力が［Ｚ１，Ｚ２，Ｚ３］＝［−１，＋１，−１］となり、メタメタ状態では、出力が［Ｚ１，Ｚ２，Ｚ３］＝［−１，−１，＋１］となるように、状態分離マトリックスを決定することが、状態分離マトリックス決定手段７が実行する判定条件の決定作業である。
【００３３】
本実施の形態の認識状態判定手段４で用いる判定法を、自己アフィンフラクタル次元演算手段３における演算方法を含めて、さらに詳細に説明する。脳波信号のフラクタル次元を推定する方法として、分散のスケーリング特性に基づいたフラクタル次元推定法が知られている。自己アフィンフラクタル次元がＤである時系列データｆ（ｔ）と時刻τだけ離れたデータｆ（ｔ＋τ）のα次のモーメントは、次のように表される。
【数１１】
【００３４】
もし、解析データが一様なフラクタル性を有するならばＨｕｒｓｔ指数Ｈはモーメントの次数αに依存しない。このとき、Ｈｕｒｓｔ指数Ｈは、
【数１２】
【００３５】
によって求められる。α＝２の場合、［数１１］の式において時系列データの分散のスケーリング特性が求められる。この分散のスケーリング特性から自己アフィンフラクタル次元を推定する。自己アフィンフラクタル次元の推定値
【数１３】
【００３６】
は、［数１２］より求められるＨｕｒｓｔ指数Ｈを用いて、下記の式で演算することができる。
【数１４】
【００３７】
感性フラクタル次元解析手法では、脳波測定によって得られる１６Ｃｈのデータを用いて、４種類程度の感性（本実施の形態では認知状態）を識別することができる。フラクタル次元解析を行う前処理として、１６個の電極から得られる１６Ｃｈの脳波信号間の差分信号が、前述の通り脳波差信号演算手段２により作成される。この処理により、１２０組（＝１６Ｃ２）の差分信号が作成される。電極間の差分信号ｙｉｊ（ｔ）は、サンプリング間隔を単位とした時間をｔ、ｉ番目の電極からの入力値をｘｉ（ｔ）、ｊ番目の電極からの入力値をｘｊ（ｔ）とすると、
【数１５】
【００３８】
で与えられる。これら１６Ｃｈのデータに対して得られる１２０個の電極間電位差信号ｙｉｊ（ｔ）を、時間領域で窓幅ｔＷ＝４［ｓｅｃ］の矩形窓で切り出し、ｔＷ点の差分信号を得る。窓の移動幅をｔｓｔｅｐ、窓の位置をｎとすると、切り出された信号ｙｉｊｎはベクトルを用いて次のように表される。
【数１６】
【００３９】
ここで、窓の移動幅ｔｓｔｅｐは、０．２５［ｓｅｃ］である。切り出された差分信号
【数１７】
【００４０】
それぞれに対して、分散のスケーリング特性に基づいたフラクタル次元解析を行い、１６Ｃ２次元の入力信号ベクトル
【数１８】
【００４１】
を作成する。フラクタル次元を求める処理をＦｒａｃｔ（・）とすると、入力信号ベクトル［数１８］は以下のように表される。
【数１９】
【００４２】
この入力信号ベクトル［数１７］を線形写像などの認識部にて学習及び認識することにより感性フラクタル次元解析が可能となる。線形写像を用いる場合、入力信号ベクトル［数１８］に線形写像である状態分離マトリックス
【数２０】
【００４３】
を用いて、
【数２１】
【００４４】
に線形変換を行う。ここで、Ｔは転置を表す。これらの大きさが認知の状態に相当する特徴量となる。これは、以下のように表される。以下の式は、上記［数１］及び［数６］と同じものである。
【数２２】
【００４５】
ここで
【数２３】
【００４６】
は定数ベクトルである。
【００４７】
解析を行うにあたり、学習に用いるリファレンスデータとなる脳波信号を基準者から測定する必要がある。まず、基準者に「安静」、「メタ認知」、「メタメタ認知」、を想起してもらい、１６Ｃｈの脳波信号を測定する。状態分離マトリックスの値は、それぞれの認知状態が
【数２４】
【００４８】
となるように最小自乗法を用いて決定する。
【数２５】
【００４９】
の各構成要素を、それぞれ関連付けられた認知状態の指標とし、大きさをその認知の発現レベルとみなす。これにより、認知状態を定量的に解析することが可能となる。
【００５０】
すなわち、例えば上記［数２４］中の例であれば、（１，−１，−１）の中の数字が発現レベルを示している。この発現レベルによって認知状態の定量化が実現されている。実際に被験者の認知状態を判定する場合には、被験者から測定した１６Ｃｈの脳波信号に基づく入力信号ベクトル［数１８］を入力することにより、被験者の認知状態を判定することができる。
【００５１】
次に、本発明の実施の形態により、安静状態と、メタ認知状態と、メタメタ認知状態とを定量的に判定することができることを試験した結果について説明する。
【００５２】
［試験内容］
まず、脳波計により得た「安静状態」と「メタ認知状態」での脳波にフラクタル次元解析を行い、思考状態によって違いに差異が見られることを確認した。その後、「安静」、「メタ認知」、「メタメタ認知」の３種類の思考状態を維持し、その脳波信号のフラクタル次元推定値を特徴量として、前述の感性フラクタル次元解析手法と同様の方法で認識処理を行い、それぞれの思考状態を識別できるか評価を行った。意図した思考状態を識別することできたことを確認後、ストループ試験を行い、思考状態が学習効果（試験の得点）に与える影響を評価した。ここで用いたストループ試験とは、様々な色で書かれた文字を見て、色に惑わされず色を示す漢字の意味を答える試験である。この試験は簡単な試験だが、色と意味が混同して出題されるため脳の中で葛藤が生じる。さらにこの試験は、慣れによって葛藤が生じにくくなるため、試験を繰り返すことにより成績が向上する学習効果を判断できる最適な試験である。
【００５３】
［測定条件］
脳波測定装置は日本光電社製ＭＥＧ−６１１６Ｍを使用した。測定データはＡ／Ｄ変換ボード（ＣｏｍｐｕｔｅｒＢｏａｒｄｓ社製ＰＣＭ−ＤＡＳ１６Ｓ／１６、Ａ／Ｄ変換分解能１６ｂｉｔｓ、チャンネル数１６Ｃｈ）を通し、パーソナルコンピュータで記録を行った。測定時のサンプリング周波数を５１２Ｈｚとし、１．５Ｈｚのローカットフィルタおよび、１００Ｈｚのハイカットフィルタを設定した。また、商用電源に対するＨＵＭフィルタを脳波測定時に使用した。測定部位は国際１０−２０電極法に基づき、１Ｃｈ〜１６Ｃｈの単極測定とし、右耳朶Ａ２を基準電極とした（図３）。測定は通常環境下での測定を行った。被験者は心身共に健康な４４歳の男性で、メタ認知・メタメタ認知を修得し、脳波測定に関する基礎的な知識と被験者としの経験を持っている者である。
【００５４】
［思考想起試験］
タスク中は「安静状態」、「メタ認知状態」、「メタメタ認知状態」の３種類の思考状態を維持する。試験は以下の手順で行う。
【００５５】
１．最初の６０秒間は閉眼安静とする。
【００５６】
２．実験者の合図と共にランダムに思考状態を指示し、意図した思考状態を１２０秒保持する。
【００５７】
３．休息をとり、その後、１．に戻り、次の思考ついて同様に測定を行う。
【００５８】
という手順で測定を行った。リファレンスデータと評価用データは同様の実験であり、各思考を数回繰り返し測定する。測定の流れを図４に示す。
【００５９】
［ストループ試験］
ストループ試験には「赤」、「青」、「緑」、「黄」４種類の色を用い、文字の色に関係なく文字の意味をコントローラを用いて答えていく方法である。１問あたりの回答時間は１秒、全１６問を１セットとして各思考状態１０回測定を繰り返す。１０セット通じて意図した思考状態を維持し続けながら試験を行う。試験は以下の手順で行う。
【００６０】
１．最初の１０秒間は開眼安静とする。
【００６１】
２．実験者の合図と共に試験を開始し、１６問回答終了後、任意の思考を維持したまま待機する。
【００６２】
３．その後、１．に戻り、次の思考について同様に測定を行う。
【００６３】
４．以上を１０回１セットとし、３種類の思考状態に対して繰り返し行う。
【００６４】
ストループ試験の測定の流れを図５に示す。
【００６５】
［解析結果］
フラクタル次元解析結果
脳波測定によって得られる１６Ｃｈの脳波信号のうち、側頭葉に対応する７〜１０Ｃｈの信号にフラクタル次元解析を施した結果の一例を図６に示す。なお、示す波形は、６０秒間の安静の後、継続して１２０秒間安静状態を維持したもの（Ａ）と、メタ認知状態へ思考を移行した結果（Ｂ）である。結果より、安静状態を維持している結果では、７〜１０Ｃｈすべてのチャンネルで次元の変化が少ない。しかし安静状態からメタ認知へ思考を移行し始めてからフラクタル次元推定値が一様に下がり変化している。このことから、安静状態とメタ認知時の脳の変化をフラクタル次元解析により抽出できることが確認できる。このようにして得られたフラクタル次元推定値を特徴量として感性フラクタル次元解析を行い思考想起試験や、ストループ試験を行った。
【００６６】
［思考想起試験解析結果］
リファレンスデータに対する解析結果
脳波測定によって得られる１６Ｃｈ脳波信号の差分信号を求め、図６に示すようなフラクタル次元解析した１２０組（＝１６Ｃ２）の入力ベクトルを入力とし、３種類の思考状態（安静、メタ認知、メタメタ認知）について解析を行った。学習に用いたリファレンスデータを再入力した際の、時々刻々の割合を算出した結果を図７に示す。図７の結果は、（ａ）に安静、（ｂ）にメタ認知、（ｃ）にメタメタ認知の思考状態を行った時のそれぞれの思考状態対する出力の割合を示したものである。その結果、３つの思考状態に対し識別できていることが確認でき、状態分離マトリックスが正確に決定されていることが確認できる。（ａ）の安静状態では、安静（relax）の出力が＋１に近く、（ｂ）のメタ認知状態では、メタ認知(meta-cognition)の出力が＋１に近く、（ｃ）のメタメタ認知状態では、メタメタ認知（meta-meta-congnition）の出力が＋１に近い状態になっている。なお一部でもマイナス方向の出力が出ている場合には、発現レベルを−１と考えることとする。
【００６７】
評価用データに対する解析結果
状態分離マトリックスを決定する際に用いていない、評価用データを入力データとしたとき時々刻々の出力に対する割合を図８に示す。図８の結果は、（ａ）に安静、（ｂ）にメタ認知、（ｃ）にメタメタ認知の思考状態を行ったときのそれぞれの思考に対する出力を示したものである。その結果６０秒まで安静をした後、思考状態に安静を選択した際には、引き続き安静の出力が高く出ている事が確認できる。また、メタ認知、メタメタ認知状態へ変化させた際には６０秒からそれぞれ意図した思考状態の出力が大きくなっていくことが確認できる。
【００６８】
［ストループ試験解析結果］
思考状態に対する解析結果
実際に２種類の思考状態を保ちながらストループ試験を行った際に、学習効果に与える影響を検討した。思考想起試験と同様な解析を１０回行った。そのとき同様な解析をした思考状態ごとの平均出力と、標準偏差の結果を図９に示す。この結果より、被験者は任意の思考状態を十分再現して保ちながらストループ試験を行えると言える。結果より、各思考状態で１０回ずつ実験を行った際に十分に意図した思考状態で試験ができたといえる。
【００６９】
［思考状態とストループ試験得点の関係の検討］
安静状態とメタ認知状態をそれぞれ保ち、５２セットずつストループ試験を行った結果を図１０に示す。図１０（Ａ）は安静状態における試験結果であり、図１０（Ｂ）はメタ認知状態における試験結果である。図１０の結果より、ストループ試験中の思考をメタ認知状態で行ったほうが得点のばらつきが少なく、且つ、より高得点側に分布している事が分かる。これにより、単純作業を繰り返して、慣れによって脳内の混乱が起きにくくなるようなストループ試験を行う場合、自己の行動をモニタリングし、修正していく事が学習効果に影響を及ぼす事が確認できた。
【００７０】
上記試験では、思考状態が学習効果に与える影響について検討を行った。まず、３種類の思考状態の脳波からそれぞれの思考を判別することを行った。脳波信号の差分信号に対しフラクタル次元解析を行うことにより脳波信号の特徴量を抽出し、被験者がどの思考状態にあるか識別できるか検討した。学習に用いていない未知のデータを入力した結果、１つの思考時に、その思考に対応する出力の割合が大きいことから、着目している思考を識別できることが確認された。このことから、意図した思考を識別することが可能であり、メタ認知、メタメタ認知の修得度を評価する際に有効だと言える。またメタ認知を行いながらストループ試験をすることでも、安静状態とメタ認知状態の状態を認識できる事を確認した。さらに単純作業を繰り返すストループ試験において、安静状態で繰り返し試験を行うよりも、メタ認知状態で行うことで、より安定した結果を出せることが確認できた。
【００７１】
［ニューラルネットを利用した判定］
次に判定基準としてニューラルネットを利用した本発明の認知状態判定装置の他の実施の形態について説明する。図１１はこの実施の形態の構成を示す図である。この実施の形態では、ニューラルネットＮＮの内部状態を決定する学習作業を事前に行って、ニューラルネットＮＮを構築する。図１１に示したニューラルネットワークＮＮは、入力層１１と、１以上の中間層１２と、出力層１３とを備えている。なおこの例では中間層１２は１層である。入力層１１は、ｒ個（ｒ前述の脳波差信号の組み合わせの数すなわち１６Ｃ２＝１２０）の自己アフィンフラクタル次元がそれぞれ入力される１２０個のニューロンｎ１〜ｎ１２０からなる第１のニューロン群Ｎ１を含んでいる。また中間層１２は、ｑ（２×１６Ｃ２＝２４０）個のニューロンｎ２０１〜ｎ４４０からなる第２のニューロン群Ｎ２を備えている。そして出力層１３は、３個のニューロンｎ５０１〜ｎ５０３からなる第３のニューロン群Ｎ３を備えている。第１のニューロン群Ｎ１を構成する１２０個のニューロンｎ１〜ｎ１２０には入力パターン切り替え手段１４の端子Ｔ１〜Ｔ１２０を介して後述する３種類の学習用入力パターンＰ１〜Ｐ３と入力信号ベクトルとが入力される。
【００７２】
まずニューラルネットＮＮの内部状態を学習により決定するために、前述の基準者から得た安静状態、メタ認知状態及びメタメタ認知状態における複数の脳波信号から複数の脳波差信号を微小時間間隔毎に演算し、該複数の脳波差信号のそれぞれから自己アフィンフラクタル次元を微小時間間隔毎に求める［例えば図６（Ａ）及び（Ｂ）に示す波形］。そして安静状態、メタ認知状態及びメタメタ認知状態における自己アフィンフラクタル次元を３種類の学習用入力パターンＰ１〜Ｐ３と定める。１種類の学習入力パターンには、それぞれ１２０組の自己アフィンフラクタル次元が含まれる。すなわち第１の学習用入力パターンＰ１には、基準者の脳波信号から求めた１２０組の安静時の自己アフィンフラクタル次元（安静時入力信号ベクトル）が含まれ、第２の学習用入力パターンＰ２には、基準者の脳波信号から求めた１２０組のメタ認知時の自己アフィンフラクタル次元（メタ認知時入力信号ベクトル）が含まれ、第３の学習用入力パターンＰ３には、基準者の脳波信号から求めた１２０組のメタメタ認知時の自己アフィンフラクタル次元（メタメタ認知時入力信号ベクトル）が含まれる。入力パターン切り替え手段１４は、入力基準者から得た３種類の学習用入力パターンＰ１〜Ｐ３から所定時間幅間隔（０．２５ｓ）で規則正しくまたは不規則に選択して、選択した学習入力パターンの１２０組のデータを順次第１のニューロン群Ｎ１を構成する１２０個のニューロンｎ１〜ｎ１２０に入力する。ニューロンｎ１〜ｎ１２０には、３種類の学習用パターンＰ１〜Ｐ３に対応した３種類のメモリがそれぞれ装備されている。規則正しく選択する場合には、パターンＰ１→パターンＰ２→パターンＰ３の順に、時間幅間隔（０．２５ｓ）毎に各パターンから１２０組のデータを取得して、１２０個のニューロンｎ１〜ｎ１２０に入力することになる。また不規則に選択する場合には、パターンＰ１→パターンＰ１→パターンＰ３→パターン２→パターン３・・・のように、不規則にパターンが選択される。規則正しくパターンを選択する場合と、不規則にパターンを選択する場合と比べて、不規則にパターンを選択するほうが、短い時間で学習が完了することが試験により確認されている。
【００７３】
学習時には、入力層１１の第１のニューロン群Ｎ１に学習用入力パターン１が入力されているときには、出力層３の第３のニューロン群Ｎ３を構成する３個のニューロン５０１〜５０３の出力に安静状態であることを示す出力が出力され、入力層１１の第１のニューロン群Ｎ１に学習用入力パターン２が入力されているときには、出力層３の第３のニューロン群Ｎ３を構成する３個のニューロン５０１〜５０３の出力にメタ状態であることを示す出力が出力され、入力層１１の第１のニューロン群Ｎ１に学習用入力パターン３が入力されているときには、出力層３の第３のニューロン群Ｎ３を構成する３個のニューロン５０１〜５０３の出力にメタメタ状態であることを示す出力が出力されるようにニューロンｎ１乃至ｎ１２０、ｎ２０１乃至ｎ４４０、ｎ５０１乃至ｎ５０３の内部状態と、各ニューロン群Ｎ１乃至Ｎ３間の結合荷重が定められる。
【００７４】
このニューラルネットＮＮでは、シグモイド関数を用いており、そのダイナミクスは、離散時間ｔに対して以下のように定式化することができる。
【数２６】
【００７５】
上記式において、
【数２７】
【００７６】
は、入力層１１から出力層１３が、Ｌ層のニューロン群で構成されていると考えた場合における、Ｌ層のｉ番目のニューロンの入力パターンｐ（３種類の入力パターンＰ１〜Ｐ３に対応）に対する内部状態を示す。本例では、Ｌ層とは出力層１３であり、Ｌ−１層とは中間層１３であり、入力層はＬ０層となる。そして
【数２８】
【００７７】
は、Ｌ−１層のニューロンｊとＬ層のニューロンｉとの間の結合荷重である。この例の場合には、入力層１１のニューロンｎ１〜ｎ１２０と中間層１２のニューロンｎ２０１〜ｎ４４０との間の結合荷重と、中間層１２のニューロンｎ２０１〜ｎ４４０と出力層１３のニューロンｎ５０１〜ｎ５０３との間の結合荷重である。またＮ（Ｌ―１）は、Ｌ−１層のニューロンの総数を表している。また
【数２９】
【００７８】
は、Ｌ−１層のｊ番目のニューロンのｐ番目のパターンに対する出力であり、
【数３０】
【００７９】
は、閾値である。
【００８０】
またこの例では入力層には、線形ニューロンを用い、中間層１２と、出力層１３で用いられる各ニューロンの活性化関数には、下記に示す活性化関数を用いている。
【数３１】
【００８１】
上記各式において、εは温度パラメータである。そして出力層１３の出力は、以下のように表される。
【数３２】
【００８２】
学習時には、下記の評価関数Ｅ（ｔ）がなるべく小さくなるように、各ニューロンの内部状態を決定する。
【数３３】
【００８３】
上記式において、Ｐはパターンの数であり、Ｎ（Ｌ０）は出力層１３のニューロンの数であり、ｔｐｉは出力層のi番目のニューロンに対するp番目のパターンの教師信号であり、
【数３４】
【００８４】
は、出力層のi番目のニューロンのp番目に対するパターンに対する出力である。
【００８５】
上記のように３種類の学習用入力パターンＰ１〜Ｐ３に基づいて、ニューラルネットＮＮの各ニューロンの内部状態を決定した後、入力パターン切り替え手段１４が入力として被験者の入力信号ベクトル（１２０組）を所定の時間幅でニューラルネットＮＮの入力層１１のニューロンｎ１〜ｎ１２０に入力すると、ニューラルネットＮＮの出力層１３のニューロンｎ５０１〜ｎ５０３からは、判定結果が出力される。
【００８６】
図１２には、ニューラルネットＮＮを判定基準として用いて、前述の線形写像を用いる場合と同様にストループ試験を行った結果を示している。試験の条件は、すべて前述の条件と同じものとした。図１２（Ａ）は安静状態における試験結果であり、図１２（Ｂ）はメタ認知状態における試験結果であり、図１２（Ｃ）はメタメタ認知状態における試験結果である。図１２の結果より、ストループ試験中の思考をメタ認知状態で行ったほうが得点のばらつきが少なく、且つ、より高得点側に分布していることが分かる。これにより、単純作業を繰り返して、慣れによって脳内の混乱が起きにくくなるようなストループ試験を行う場合、自己の行動をモニタリングし、修正していくことが学習効果に影響を及ぼすことが確認できた。また前述の図１０の試験結果と比べると判るように、ニューラルネットＮＮを用いた場合のほうが、線形写像を用いる場合と比べて、ばらつきが少ない。
【００８７】
図１３は、前の実施の形態のように線形写像を用いた線形解析でメタ認知を判定した場合の認識率と、ニューラルネットを用いた非線形解析によりメタ認知を判定した場合の認識率をそれぞれ示している。図１３から、安静時及びメタ認知時のいずれにおいても、ニューラルネットを用いた非線形解析のほうが、認識率が高くなることが判る。
【００８８】
非線形解析または線形解析のいずれを用いる場合でも、本発明では、被験者ではなく、安静状態、メタ認知状態またはメタメタ認知状態に意図的になることができる基準者から得たリファレンスデータを用いて、判定基準（状態分離マトリックス、ニューラルネット等）を定めているので、メタ状態及びメタメタ状態を客観的に判定することができる。
【図面の簡単な説明】
【００８９】
【図１】メタ認知の分類を示す図である。
【図２】本発明の認知状態判定装置の実施の形態の一例の構成を概略的に示すブロック図である。
【図３】１６Ｃｈの電極の配置図である。
【図４】思考想起実験測定の流れを示す図である。
【図５】ストループ試験測定の流れを示す図である。
【図６】（Ａ）及び（Ｂ）は、安静時及びメタ認知時のフラクタル次元推定値の例を示す図である。
【図７】リファレンス再入力時の解析結果を示す図である。
【図８】評価用データ入力時の解析結果を示す図である。
【図９】ストループ試験中の状態出力を示す図である。
【図１０】（Ａ）及び（Ｂ）は、安静時とメタ認知時のストループ試験得点分布を示す図である。
【図１１】ニューラルネットを利用した本発明の認知状態判定装置の他の実施の形態の構成を示す図である。
【図１２】（Ａ）乃至（Ｃ）は、ニューラルネットＮＮを判定基準として用いて、前述の線形写像を用いる場合と同様にストループ試験を行った結果を示す図である。
【図１３】線形写像を用いた線形解析でメタ認知を判定した場合の認識率と、ニューラルネットを用いた非線形解析によりメタ認知を判定した場合の認識率をそれぞれ比較した図である。
【符号の説明】
【００９０】
１ 測定手段
２ 脳波差信号演算手段
３ 自己アフィンフラクタル次元演算手段
４ 認知状態判定手段
５ 記憶部
６ 判定部
７ 状態分離マトリックス決定手段
１１ 入力層
１２ 中間層
１３ 出力層
ＮＮ ニューラルネット
【特許請求の範囲】
【請求項１】
被験者の脳の複数の領域のうち側頭葉を含む複数の領域から測定した複数の脳波信号から、順列組み合わせにより選択した複数組の２つの異なる前記脳波信号についてそれぞれ差信号を求め、これら差信号を複数の脳波差信号として出力する脳波差信号演算手段と、
前記脳波差信号演算手段から出力される前記複数の脳波差信号のそれぞれから、自己アフィンフラクタル次元を求める自己アフィンフラクタル次元演算手段と、
安静状態、メタ認知状態またはメタメタ認知状態に意図的になることができる基準者から得た前記安静状態、前記メタ認知状態及び前記メタメタ認知状態における前記複数の脳波信号をリファレンスデータとして用いて予め定めた判定基準に基づいて、前記自己アフィンフラクタル次元のデータを入力として、前記被験者が安静状態、メタ認知状態またはメタメタ認知状態のいずれにあるのかを判定する認知状態判定手段とを備えていることを特徴とする認知状態判定装置。
【請求項２】
前記認知状態判定手段は、前記判定基準を記憶する記憶部と、前記判定基準と前記自己アフィンフラクタル次元のデータとに基づいて前記被験者が安静状態、メタ認知状態またはメタメタ認知状態のいずれにあるかを判定する判定部とを備え、
前記記憶部に記憶されている前記判定基準は、前記基準者から得た前記安静状態、前記メタ認知状態及び前記メタメタ認知状態における前記リファレンスデータとしての前記複数の脳波信号から前記複数の脳波差信号を演算し、該複数の脳波差信号のそれぞれから自己アフィンフラクタル次元を求め、前記安静状態、前記メタ認知状態及び前記メタメタ認知状態における前記自己アフィンフラクタル次元が前記判定部にそれぞれ入力されたときに、入力された前記自己アフィンフラクタル次元に対応する認知状態を前記判定部が正しく判定するように定められている請求項１に記載の認知状態判定装置。
【請求項３】
前記判定部は、線形写像判別法により下記の判定式を用いて判定するように構成され、
【数１】
前記式において
【数２】
は線形写像である状態分離であり、
【数３】
は入力信号ベクトルであり、
【数４】
は定数ベクトルであり、
【数５】
は前記安静状態、前記メタ認知状態及び前記メタメタ認知状態を判定するための感性の状態を示す演算結果である請求項２に記載の認知状態判定装置。
【請求項４】
前記状態分離マトリックス及び前記定数ベクトルは、任意に前記安静状態、前記メタ認知状態及び前記メタメタ認知状態を作ることができる前記基準者の脳の複数の領域のうち側頭葉を含む複数の領域から測定した複数の脳波信号から、順列組み合わせにより選択した複数組の２つの異なる前記脳波信号について、それぞれ脳波差信号を脳波差信号演算手段により求め、前記自己アフィンフラクタル次元演算手段により前記複数の脳波差信号のそれぞれから自己アフィンフラクタル次元を求めて、前記判定式の入力信号ベクトルとして入力し、前記基準者が前記安静状態にあるとき、前記メタ認知状態にあるとき及び前記メタメタ認知状態にあるときに、それぞれ前記判定式の前記演算結果がそれらの状態を示すように事前に設定されたものである請求項３に記載の認知状態判定装置。
【請求項５】
前記認知状態判定手段は、判定基準としてニューラルネットを用いて認知状態を判定するように構成されており、
前記ニューラルネットはその内部状態が、前記基準者から得た前記安静状態、前記メタ認知状態及び前記メタメタ認知状態における前記複数の脳波信号から前記複数の脳波差信号を演算し、該複数の脳波差信号のそれぞれから自己アフィンフラクタル次元を求め、前記安静状態、前記メタ認知状態及び前記メタメタ認知状態における前記自己アフィンフラクタル次元を３種類の学習用入力パターンと定め、前記３種類の学習用入力パターンから所定時間幅間隔で規則正しくまたは不規則に選択した前記学習入力パターンのデータを順次入力として学習を行って決定されたものである請求項１に記載の認知状態判定装置。
【請求項１】
被験者の脳の複数の領域のうち側頭葉を含む複数の領域から測定した複数の脳波信号から、順列組み合わせにより選択した複数組の２つの異なる前記脳波信号についてそれぞれ差信号を求め、これら差信号を複数の脳波差信号として出力する脳波差信号演算手段と、
前記脳波差信号演算手段から出力される前記複数の脳波差信号のそれぞれから、自己アフィンフラクタル次元を求める自己アフィンフラクタル次元演算手段と、
安静状態、メタ認知状態またはメタメタ認知状態に意図的になることができる基準者から得た前記安静状態、前記メタ認知状態及び前記メタメタ認知状態における前記複数の脳波信号をリファレンスデータとして用いて予め定めた判定基準に基づいて、前記自己アフィンフラクタル次元のデータを入力として、前記被験者が安静状態、メタ認知状態またはメタメタ認知状態のいずれにあるのかを判定する認知状態判定手段とを備えていることを特徴とする認知状態判定装置。
【請求項２】
前記認知状態判定手段は、前記判定基準を記憶する記憶部と、前記判定基準と前記自己アフィンフラクタル次元のデータとに基づいて前記被験者が安静状態、メタ認知状態またはメタメタ認知状態のいずれにあるかを判定する判定部とを備え、
前記記憶部に記憶されている前記判定基準は、前記基準者から得た前記安静状態、前記メタ認知状態及び前記メタメタ認知状態における前記リファレンスデータとしての前記複数の脳波信号から前記複数の脳波差信号を演算し、該複数の脳波差信号のそれぞれから自己アフィンフラクタル次元を求め、前記安静状態、前記メタ認知状態及び前記メタメタ認知状態における前記自己アフィンフラクタル次元が前記判定部にそれぞれ入力されたときに、入力された前記自己アフィンフラクタル次元に対応する認知状態を前記判定部が正しく判定するように定められている請求項１に記載の認知状態判定装置。
【請求項３】
前記判定部は、線形写像判別法により下記の判定式を用いて判定するように構成され、
【数１】
前記式において
【数２】
は線形写像である状態分離であり、
【数３】
は入力信号ベクトルであり、
【数４】
は定数ベクトルであり、
【数５】
は前記安静状態、前記メタ認知状態及び前記メタメタ認知状態を判定するための感性の状態を示す演算結果である請求項２に記載の認知状態判定装置。
【請求項４】
前記状態分離マトリックス及び前記定数ベクトルは、任意に前記安静状態、前記メタ認知状態及び前記メタメタ認知状態を作ることができる前記基準者の脳の複数の領域のうち側頭葉を含む複数の領域から測定した複数の脳波信号から、順列組み合わせにより選択した複数組の２つの異なる前記脳波信号について、それぞれ脳波差信号を脳波差信号演算手段により求め、前記自己アフィンフラクタル次元演算手段により前記複数の脳波差信号のそれぞれから自己アフィンフラクタル次元を求めて、前記判定式の入力信号ベクトルとして入力し、前記基準者が前記安静状態にあるとき、前記メタ認知状態にあるとき及び前記メタメタ認知状態にあるときに、それぞれ前記判定式の前記演算結果がそれらの状態を示すように事前に設定されたものである請求項３に記載の認知状態判定装置。
【請求項５】
前記認知状態判定手段は、判定基準としてニューラルネットを用いて認知状態を判定するように構成されており、
前記ニューラルネットはその内部状態が、前記基準者から得た前記安静状態、前記メタ認知状態及び前記メタメタ認知状態における前記複数の脳波信号から前記複数の脳波差信号を演算し、該複数の脳波差信号のそれぞれから自己アフィンフラクタル次元を求め、前記安静状態、前記メタ認知状態及び前記メタメタ認知状態における前記自己アフィンフラクタル次元を３種類の学習用入力パターンと定め、前記３種類の学習用入力パターンから所定時間幅間隔で規則正しくまたは不規則に選択した前記学習入力パターンのデータを順次入力として学習を行って決定されたものである請求項１に記載の認知状態判定装置。
【図１】
【図２】
【図３】
【図４】
【図５】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図６】
【図２】
【図３】
【図４】
【図５】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図６】
【公開番号】特開２００９−５６２３１（Ｐ２００９−５６２３１Ａ）
【公開日】平成２１年３月１９日（２００９．３．１９）
【国際特許分類】
【出願番号】特願２００７−２２８０５８（Ｐ２００７−２２８０５８）
【出願日】平成１９年９月３日（２００７．９．３）
【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 ２００７年３月６日 社団法人 電子情報通信学会発行の「電子情報通信学会技術研究報告（ＩＥＩＣＥ Ｔｅｃｈｎｉｃａｌ Ｒｅｐｏｒｔ）」に発表
【出願人】（３０４０２１２８８）国立大学法人長岡技術科学大学 (458)
【出願人】（３９９１２４４７３）株式会社 ジェック (1)
【Ｆターム（参考）】
【公開日】平成２１年３月１９日（２００９．３．１９）
【国際特許分類】
【出願日】平成１９年９月３日（２００７．９．３）
【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 ２００７年３月６日 社団法人 電子情報通信学会発行の「電子情報通信学会技術研究報告（ＩＥＩＣＥ Ｔｅｃｈｎｉｃａｌ Ｒｅｐｏｒｔ）」に発表
【出願人】（３０４０２１２８８）国立大学法人長岡技術科学大学 (458)
【出願人】（３９９１２４４７３）株式会社 ジェック (1)
【Ｆターム（参考）】
[ Back to top ]