特開 2023-123033 生体情報計測システムおよび生体情報計測方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2023123033

(43)【公開日】2023-09-05

(54)【発明の名称】生体情報計測システムおよび生体情報計測方法

(51)【国際特許分類】

   A61B 5/248 20210101AFI20230829BHJP

【ＦＩ】

A61B5/248

【審査請求】未請求

【請求項の数】3

【出願形態】ＯＬ

(21)【出願番号】P 2022026861

(22)【出願日】2022-02-24

(71)【出願人】

【識別番号】000173795

【氏名又は名称】公益財団法人電磁材料研究所

(71)【出願人】

【識別番号】504157024

【氏名又は名称】国立大学法人東北大学

(74)【代理人】

【識別番号】110000800

【氏名又は名称】デロイトトーマツ弁理士法人

(72)【発明者】

【氏名】早坂 淳一

(72)【発明者】

【氏名】荒井 賢一

(72)【発明者】

【氏名】西野 誠司

(72)【発明者】

【氏名】金高 弘恭

【テーマコード（参考）】

4C127

【Ｆターム（参考）】

4C127AA10

4C127FF02

4C127FF07

4C127GG10

4C127GG13

(57)【要約】

【課題】磁気的計測手段を用いて生体における神経発火などの現象の発現の検知精度の向上を図りうる生体情報計測手法を提供する。
【解決手段】磁気センサ１の強磁性共鳴を励起するための高周波励磁信号に応答する同相成分ｉの第１出力信号ｉ－ｘおよび第２出力信号ｉ－ｙ、ならびに、当該高周波励磁信号に応答する直交成分ｑの第３出力信号ｑ－ｘおよび第４出力信号ｑ－ｙからなる出力信号のデータセットが生成される。参照信号に応答しうる第１信号区間Ｔ₁における出力信号の時系列からなる第１データセットと、参照信号に応答しえない第２信号区間Ｔ₂における出力信号の時系列からなる第２データセットと、が入力データとして機械学習された学習モデルが用いられて、磁気センサ１の出力信号から参照信号に応答した出力信号が識別され、被検査対象の状態が推定される。
【選択図】 図１

【特許請求の範囲】

【請求項1】

生体情報を計測するためのシステムであって、
磁気センサの強磁性共鳴を励起するための高周波励磁信号に応答する同相成分ｉであって、かつ検出磁界の同相成分ｘを有する第１出力信号ｉ－ｘ、当該高周波励磁信号に応答する同相成分ｉであって、かつ当該検出磁界の直交成分ｙを有する第２出力信号ｉ－ｙ、当該高周波励磁信号に応答する直交成分ｑであって、かつ当該検出磁界の同相成分ｘを有する第３出力信号ｑ－ｘ、および、当該高周波励磁信号に応答する直交成分ｑであって、かつ当該検出磁界の直交成分ｙを有する第４出力信号ｑ－ｙ、ならびに、前記第１出力信号ｉ－ｘ、前記第２出力信号ｉ－ｙ、前記第３出力信号ｑ－ｘおよび前記第４出力信号ｑ－ｙのそれぞれの時間微分値のうち少なくとも１つの出力信号の時系列からなるデータセットを生成する要素と、
参照信号に応答しうる第１信号区間Ｔ₁における前記出力信号の時系列からなる第１データセットと、参照信号に応答しえない第２信号区間Ｔ₂における前記出力信号の時系列からなる第２データセットと、を入力データとして機械学習された学習モデルを用いて、前記磁気センサの出力信号から参照信号に応答した出力信号を識別する要素を備え、
参照信号に応答した出力信号を識別し被検査対象の状態を推定する
生体情報計測システム。

【請求項2】

請求項１に記載の生体情報計測システムにおいて、
前記データセットを生成する要素が、前記第４出力信号ｑ－ｙの時間微分値の出力信号の時系列からなるデータセットを生成する
生体情報計測システム。

【請求項3】

生体情報を計測するための方法であって、
磁気センサの強磁性共鳴を励起するための高周波励磁信号に応答する同相成分ｉであって、かつ検出磁界の同相成分ｘを有する第１出力信号ｉ－ｘ、当該高周波励磁信号に応答する同相成分ｉであって、かつ当該検出磁界の直交成分ｙを有する第２出力信号ｉ－ｙ、当該高周波励磁信号に応答する直交成分ｑであって、かつ当該検出磁界の同相成分ｘを有する第３出力信号ｑ－ｘ、および、当該高周波励磁信号に応答する直交成分ｑであって、かつ当該検出磁界の直交成分ｙを有する第４出力信号ｑ－ｙ、ならびに、前記第１出力信号ｉ－ｘ、前記第２出力信号ｉ－ｙ、前記第３出力信号ｑ－ｘおよび前記第４出力信号ｑ－ｙのそれぞれの時間微分値のうち少なくとも１つの出力信号の時系列からなるデータセットを生成する工程と、
参照信号に応答しうる第１信号区間Ｔ₁における前記出力信号の時系列からなる第１データセットと、参照信号に応答しえない第２信号区間Ｔ₂における前記出力信号の時系列からなる第２データセットと、を入力データとして機械学習された学習モデルを用いて、前記磁気センサの出力信号から参照信号に応答した出力信号を識別する工程と、
参照信号に応答した出力信号を識別し被検査対象の状態を推定する工程と、
を含んでいる
生体情報計測方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、磁気的計測手段を用いて生体情報を計測するためのシステムに関する。

【背景技術】

【0002】

本発明者らにより、脳卒中による片麻痺や脊髄損傷による四肢麻痺のために自発的運動が困難になった筋肉あるいは関節を、本人の意思と努力によってわずかでも動かし、その際に生じる動きの、部位、方向および強さに対応する信号をセンサで検知する技術が提案されている（特許文献１参照）。例えば、手の指などの人体の特定箇所に取り付けられた複数の反射器の位置が、複数のＣＣＤカメラを用いた光学的センサにより計測される。センサの信号レベルに応じて、強度および繰り返し回数が異なるパルス磁場を発生させ、磁気刺激によって筋収縮を生じさせる。この過程が繰り返されて、脳の可塑性が積極的に利用され、新たな神経ネットワークの構築が図られることにより、効果的なリハビリテーションが実施される。

【0003】

また、本発明者らにより、磁気的計測手段を用いて生体情報の計測精度の向上を図りうる生体情報計測システムが提案されている（特許文献２参照）。この生体情報計測システムの磁気センサは、誘電体の基板の上に積層された信号線路層と、接地導体層により構成されている伝送線路と、伝送線路の一端部より構成されている入出力端子と、伝送線路の他端部の一部に積層された軟磁性膜と、を備えている。入射信号が入出力端子を介して伝送線路に送信され、これに応じて伝送線路から入出力端子を介して受信された反射信号が解析されることにより、複数の磁気センサの配置様態に応じた、生体情報を表わす外部磁場の分布様態が高精度に検知される。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特許第５８９３３６７号

【特許文献2】特願２０１９－１５８１２０

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかし、生体における神経発火などの現象の発現に応じた磁気センサの出力信号は微弱であり、当該信号とノイズとの区別が困難である場合が多い。

【0006】

そこで、本発明は、磁気的計測手段を用いて生体における神経発火などの現象の発現の検知精度の向上を図りうる生体情報計測手法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】

本発明の生体情報計測システムは、
生体情報を計測するためのシステムであって、
磁気センサの強磁性共鳴を励起するための高周波励磁信号に応答する同相成分ｉであって、かつ検出磁界の同相成分ｘを有する第１出力信号ｉ－ｘ、当該高周波励磁信号に応答する同相成分ｉであって、かつ当該検出磁界の直交成分ｙを有する第２出力信号ｉ－ｙ、当該高周波励磁信号に応答する直交成分ｑであって、かつ当該検出磁界の同相成分ｘを有する第３出力信号ｑ－ｘ、および、当該高周波励磁信号に応答する直交成分ｑであって、かつ当該検出磁界の直交成分ｙを有する第４出力信号ｑ－ｙ、ならびに、前記第１出力信号ｉ－ｘ、前記第２出力信号ｉ－ｙ、前記第３出力信号ｑ－ｘおよび前記第４出力信号ｑ－ｙのそれぞれの時間微分値のうち少なくとも１つの出力信号の時系列からなるデータセットを生成する要素と、
参照信号に応答しうる第１信号区間Ｔ₁における前記出力信号の時系列からなる第１データセットと、参照信号に応答しえない第２信号区間Ｔ₂における前記出力信号の時系列からなる第２データセットと、を入力データとして深層学習された学習モデルを用いて、前記磁気センサの出力信号から参照信号に応答した出力信号を識別する要素を備え、
参照信号に応答した出力信号を識別し被検査対象の状態を推定する。

【0008】

本発明の生体情報計測システムによれば、深層学習により学習モデルが確立され、磁気的計測手段を用いて生体における神経発火などの発現の識別精度の向上が図られる。

【図面の簡単な説明】

【0009】

【図1】本発明の一実施形態の生体情報計測システムの構成に関する説明図。

【図2】本発明の一実施形態の磁気センサの構成に関する説明図。

【図3】信号線路層の近傍に発生する磁界分布に関する説明図。

【図4】生体情報計測システムを構成する信号処理装置のブロック図。

【図5】神経の興奮を表わす磁気信号の検出結果に関する説明図。

【図6】複数回の刺激に対する神経の興奮による磁気信号波形に関する説明図。

【図7】参照信号が生体に与えられた際の、当該生体の近傍に配置された磁気センサの出力信号の時系列データの加算平均に関する説明図。

【図8】第１信号区間Ｔ₁および第２信号区間Ｔ₂のそれぞれにおける磁気センサの出力信号の時系列データ（ｉ－ｘ，ｉ－ｙ，ｑ－ｘ，ｑ－ｙ）の時間波形に関する説明図。

【図9】ＣＮＮによる学習モデルの構築、および、学習モデルを用いた推定方法に関する概念図。

【図10】１２個のデータセット（Ｊ－０－０～Ｓ－０－５）に対する参照信号に応答する信号検出の正解率に関する説明図。

【図11】学習フェーズにおいて、１２個のデータセットの全てを教師データとして使用した場合の参照信号に応答する信号検出の正解率に関する説明図。

【図12】学習フェーズにおいて、信号区間の長さ、つまり入力データの信号サンプル数をパラメータとした教師データを用いた場合の参照信号に応答する信号検出の正解率に関する説明図。

【図13】学習フェーズにおいて、データチャンネル数をパラメータとした入力データを教師データとして使用した場合の参照信号に応答する信号検出の正解率に関する説明図。

【図14】表１に記載の磁気センサ１の出力信号の時系列データ（ｉ－ｘ，ｉ－ｙ，ｑ－ｘ，ｑ－ｙ）の各信号系列の組合せからなる１５個のデータセットを教師データとして使用した場合の参照信号に応答する信号検出の正解率に関する説明図。

【図15】従来のＴＣＮと本実施形態のＴＣＮの概念的説明図。

【図16】従来のＴＣＮと本実施形態のＴＣＮによる学習モデルの参照信号に応答する信号検出の正解率の比較結果に関する説明図。

【図17】表１に記載の磁気センサ１の出力信号の時系列データ（ｉ－ｘ，ｉ－ｙ，ｑ－ｘ，ｑ－ｙ）の各信号系列の組合せからなる１５個のデータセットを教師データとして使用した場合の参照信号に応答する信号検出の正解率に関する第１実施形態のＣＮＮと本実施形態のＴＣＮの比較結果に関する説明図。

【図18】アンサンブル手法を用いた場合の参照信号に応答する信号検出の正解率に関する説明図。

【発明を実施するための形態】

【0010】

（第１実施形態）
図１に示されている本発明の一実施形態としての生体情報計測システムは、参照信号発生器２０、電極２０２、磁気センサ１、信号増幅器２４、混合器２６、濾過器２７、信号処理回路２８およびデータ解析装置２９を備えている。参照信号発生器２０、信号増幅器２４、混合器２６および濾過器２７は、後述する信号処理回路２００を構成する。ここで、磁気センサ１は、単一の磁気センサをアレイ状に配置した磁気センサアレイであってもよい。

【0011】

参照信号発生器２０は、動物の身体の指定箇所、例えば、人間の上皮において尺骨神経Ｎ_ｖが通っている第１指定箇所に配置された電極２０２を通じて電気刺激または磁気刺激を付与する。尺骨神経Ｎ_ｖが興奮（刺激によって神経細胞の膜電位が活動電位に達すること）し、その活動電位が軸索上を伝導したときに、尺骨神経Ｎ_ｖの近傍に磁界が生じる。また、この磁界の強度は、神経から離れるにつれて急激に減衰する。よって、磁界の分布様態は神経の解剖学的構造、配置および機能状態によって異なる。

【0012】

磁気センサ１は、尺骨神経Ｎ_ｖが通っている第２指定箇所の近傍に配置され、磁気信号を検出する。信号増幅器２４は、磁気信号を増幅する。混合器２６は、参照信号発生器２０の参照信号と、磁気センサ１により検出された磁気信号とを乗算する。濾過器２７は、混合器２６の出力信号から高周波帯のノイズ成分を除去する。信号処理回路２８は、磁気センサ１の強磁性共鳴を励起するための高周波励磁信号に応答する同相成分ｉであって、かつ検出磁界の同相成分ｘを有する第１出力信号ｉ－ｘと、当該高周波励磁信号に応答する同相成分ｉであって、かつ当該検出磁界の直交成分ｙを有する第２出力信号ｉ－ｙと、当該高周波励磁信号に応答する直交成分ｑであって、かつ当該検出磁界の同相成分ｘを有する第３出力信号ｑ－ｘと、当該高周波励磁信号に応答する直交成分ｑであって、かつ当該検出磁界の直交成分ｙを有する第４出力信号ｑ－ｙからなる４つの信号系列による出力信号を生成する。データ解析装置２９は、参照信号に応答しうる第１信号区間Ｔ₁における前記出力信号の時系列からなる第１データセットと、参照信号に応答しえない第２信号区間Ｔ₂における前記出力信号の時系列からなる第２データセットと、を入力データとして深層学習された学習モデルを用いて、前記磁気センサの出力信号から参照信号に応答した出力信号を識別し、神経または筋肉の解剖学的構造、配置および機能状態を表わす画像を生成する。

【0013】

図２に示されている磁気センサ１は、誘電体基板１００と、誘電体基板１００の上面に前後に延在する略矩形状に積層された信号線路層１１０と、誘電体基板１００の上面において信号線路層１１０から左右それぞれに離間して前後に延在する一対の略矩形状の接地導体層１２１および１２２と、誘電体基板１００の下面に形成された接地導体層１２４とより構成される伝送線路１２０の一端部に電気的に接続される入出力端子と、当該伝送線路１２０の他端部に部分的に積層された軟磁性薄膜１４０と、薄膜磁石１５０を備えている。接地導体層１２４は省略されてもよい。

【0014】

誘電体基板１００としては、例えば、半導体系の単結晶シリコン、ゲルマニウム、化合物半導体系のＧａＡｓ、ＧａＮ、ＳｉＣ、ＺｎＳｅ、ＣｄＳ、ＺｎＯ、ＩｎＰ、ＳｉＧｅおよび／または水晶、サファイヤ、ガラスの他、セラミックス系のアルミナ、窒化珪素、窒化アルミニウム、ジルコニア、炭化ケイ素、チタニア、イットリア、またはそれらの複合材料からなる基板が用いられてもよい。

【0015】

信号線路層１１０、接地導体層１２１、１２２、１２４としては、Ａｌ、Ｃｕ、Ａｕ、Ｐｔ、Ａｇ、Ｔｉ、あるいは、それらの積層薄膜が用いられてもよい。

【0016】

軟磁性薄膜１４０としては、Ｃｏ－Ｆｅ－Ｓｉ－Ｂ、Ｃｏ－Ｎｂ－Ｚｒ系のアモルファス薄膜、Ｆｅ－Ｓｉ、Ｆｅ－Ｚｒ－Ｎ系の微結晶薄膜、あるいは、それらの薄膜の間にＳｉＯなどの薄い絶縁層を挟んで積層した多層薄膜、Ｎｉ－Ｆｅ、Ｆｅ－Ｓｉ－Ａｌ系の結晶性薄膜、さらには、Ｆｅ－Ｓｉ合金、Ｆｅ－Ｃｏ－Ｎｉ合金、センダスト合金のバルク材料、Ｃｏ－Ｆｅ－Ｎｉ－Ｓｉ－Ｂ、Ｆｅ－Ｃｏ－Ｎｉ－Ｚｒ、Ｆｅ－Ｎｉ－Ｂ、Ｃｏ－Ｆｅ－Ｚｒ、Ｃｏ－Ｚｒ系のアモルファス合金薄帯、軟磁性フェライトからなる薄膜が用いられてもよい。

【0017】

薄膜磁石１５０としては、Ｐｔ－Ｆｅ系、ＳｍＣｏ系、Ｎｄ－Ｆｅ－Ｂ系、Ｓｍ－Ｆｅ－Ｎ系、Ｎｄ－Ｆｅ－Ｎ系のスパッタ薄膜、あるいはＭｎ－Ａｌ－Ｃｏ、Ｃｏ－Ｐｔ、Ｆｅ－Ｐｔ、Ｆｅ－Ａｌ－Ｎｉなどの金属系バルク磁石、酸化物系のフェライト磁石、希土類系のＳｍＣｏ、Ｎｄ－Ｆｅ－Ｂ磁石が用いられてもよい。

【0018】

軟磁性薄膜１４０は、信号線路層１３０の近傍に配置されることが望ましい。図３には、信号線路層１３０の近傍に発生する磁界分布が示されている。信号線路層１３０に高周波電流（角周波数ω）が流れると、図３に示されているように信号線路層１３０の周囲に磁界Ｂ（ω）が生じる。磁界Ｂ（ω）の強さは、信号線路層１３０から離れるにしたがって急減する。また、電界Ｅ（ω）は、信号線路層１３０と接地導体層１２１、１２２との間に強く分布する。伝送線路１２０の特性インピーダンスは、電界Ｅ（ω）および磁界Ｂ（ω）の比によって定義され、電界Ｅ（ω）および磁界Ｂ（ω）が分布する信号線路層１１０の近傍媒体の誘電率εおよび透磁率μに強く依存する。よって、信号線路層１１０の近傍に高透磁率の軟磁性薄膜１４０が配置されることにより、外部磁場に敏感な特性インピーダンスの変化が得られる。この特性インピーダンスの変化を、後述する信号処理を行うことによって、高感度な磁気センサ、あるいは磁気センサアレイが実現される。

【0019】

また、磁気センサは、信号線路層１３０および接地導体層１２１、１２２を有する伝送線路１２０の終端部が短絡され、当該終端部に薄膜磁石１５０および軟磁性薄膜１４０が積層された構造を有する。薄膜磁石１５０は、あらかじめ軟磁性薄膜１４０の長手方向に着磁されており、薄膜磁石１５０の磁界は、高透磁率を有する軟磁性薄膜１４０に誘導される。すなわち、薄膜磁石１５０および軟磁性薄膜１４０は閉磁路構造をなしている。よって、磁気バイアスが軟磁性薄膜１４０に対して効率よく付与される。

【0020】

磁気バイアスの強さは、軟磁性薄膜１４０の異方性磁界の大きさと同等であることが望ましい。この異方性磁界の大きさは、軟磁性薄膜１４０の組成、成膜条件、熱処理条件などで調整することが可能である。また、薄膜磁石１５０の強さを示す残留磁化も、組成、成膜条件、熱処理条件などで調整することが可能である。

【0021】

図４は、本発明の生体情報計測システムの信号処理回路のブロック図である。信号処理回路２００は、高周波信号発生器２１０、増幅器２１２、２１４、２１６、２１８、２４１、２４２、サーキュレータ２２０、分配器２２２、２２４、２２６、２５１、２５２、混合器２３１、２３２、２６１、２６２、２６３、２６４、参照信号を生成する参照信号発生器２０、および低域通過フィルタ２７１、２７２、２７３、２７４を備えている。低域通過フィルタ２７１、２７２、２７３、２７４の出力端より、磁気センサの強磁性共鳴を励起するための高周波励磁信号に応答する同相成分ｉであって、かつ検出磁界の同相成分ｘを有する第１出力信号ｉ－ｘと、当該高周波励磁信号に応答する同相成分ｉであって、かつ当該検出磁界の直交成分ｙを有する第２出力信号ｉ－ｙと、当該高周波励磁信号に応答する直交成分ｑであって、かつ当該検出磁界の同相成分ｘを有する第３出力信号ｑ－ｘと、当該高周波励磁信号に応答する直交成分ｑであって、かつ当該検出磁界の直交成分ｑを有する第４出力信号の時系列からなる４つの信号系列による出力信号が得られる。

【0022】

参照信号発生器２０は、図１の参照信号発生器２０により構成され、電極２０２を介して人体に付与される参照信号を同等の参照信号を生成するように構成されている。第３増幅器２１６は、図１の信号増幅器２４を構成する。第１混合器２３１、第２混合器２３２は、図１の混合器２６を構成する。第１低域通過フィルタ２７１、第２低域通過フィルタ２７２、第３低域通過フィルタ２７３および第４低域通過フィルタ２７４は、図１の濾過器２７を構成する。

【0023】

高周波信号発生器２１０により発生された高周波信号は、第１増幅器２１２より増幅され、第１分配器２２２を介してサーキュレータ２２０ならびに第４増幅器２１８の二方向に同位相で分配される。サーキュレータ２２０に供給される高周波信号は、第２増幅器２１４により増幅され、サーキュレータ２２０のポートｐ０からポートｐ１を経由して磁気センサ１、あるいは磁気センサアレイを構成する磁気センサ１の入出力端子に供給される。磁気センサ１によって、高周波信号が（検知対象物が発する）磁気信号で変調された高周波変調信号は、サーキュレータ２２０のポートｐ１からポートｐ２を経由し、第３増幅器２１６により増幅され、第２分配器２２４を介して第１混合器２３１および第２混合器２３２の二方向に同位相で分配される。

【0024】

一方、第１分配器２２２から第１混合器２３１および第２混合器２３２に供給される高周波信号は、第４増幅器２１８により増幅され、第３分配器２２６を介して第１混合器２３１および第２混合器２３２の二方向に同相ならびに直交で分配される。第１混合器２３１の出力信号は、第５増幅器２４１により増幅され、第４分配器２５１を介して、第３混合器２６１および第４混合器２６２の方向に直交成分および同相成分のそれぞれが分配される。第２混合器２３２の出力信号は、第６増幅器２４２により増幅され、第５分配器２５２を介して、第５混合器２６３および第６混合器２６４の方向に直交成分および同相成分のそれぞれが分配される。

【0025】

第３混合器２６１において、参照信号発生器２０が生成する参照信号と混合された第４分配器２５１の出力信号は、第１低域通過フィルタ２７１を介して不要なノイズが除去された後、高周波信号の同相成分であり、かつ、参照信号の直交成分を有する信号（第１出力信号）として出力される。第４混合器２６２において、参照信号発生器２０が生成する参照信号と混合された第４分配器２５１の出力信号は、第２低域通過フィルタ２７２を介し、高周波信号の同相成分であり、かつ、参照信号の同相成分を有する信号（第２出力信号）をとして出力される。第５混合器２６３において、参照信号発生器２０が生成する参照信号と混合された第５分配器２５２の出力信号は、第３低域通過フィルタ２７３を介し、高周波信号の直交成分であり、かつ、磁気信号の同相成分を有する信号（第３出力信号）として出力される。第６混合器２６４において、参照信号発生器２０が生成する参照信号と混合された第５分配器２５２の出力信号は、第４低域通過フィルタ２７４を介し、高周波信号の直交成分であり、かつ、磁気信号の直交成分を有する信号（第４出力信号）として出力される。

【0026】

図５には、参照信号発生器２０により上肢の第１指定箇所に対して与えられた参照信号に応じて、第２指定箇所において磁気センサ１により検出された、神経Ｎ_vの興奮または筋活動を表わす磁気信号が示されている。刺激期間Ｔ₁ ^’においては、数Ｈｚ～３ｋＨｚの周波数の指定強度Ｂ_ｐの参照信号Ｓ₁が第１指定箇所に与えられる。例えば、参照信号Ｓ₁の強度は１～２５ｍＡの範囲で調節される。また、参照信号Ｓ₁の周波数ｆ_oが１ｋＨｚであり、刺激回数ｎが１００である場合、刺激期間Ｔ₁ ^’は０．１秒となる。参照信号Ｓ₁に対する神経Ｎ_ｖの興奮または筋活動に伴う磁気信号Ｓ₂は、参照信号Ｓ₁の付与開始から僅かに遅れた時点から徐々に増加し、一定の大きさＡ_pで飽和する。その後、参照信号２１１の付与が停止されると刺激停止期間Ｔ₂ ^’において磁気信号Ｓ₂は徐々に減少してほぼゼロとなる。

【0027】

図６には、複数回の刺激に対する神経の興奮、あるいは筋活動による磁気信号波形が示されている。評価期間Ｔ₃ ^’における複数回の刺激に対する磁気信号波形Ｍ｛ｍ₁，ｍ₂，ｍ₃，‥、ｍ_p-1，ｍ_p｝の信号振幅Ａ｛Ａ₁，Ａ₂，Ａ₃，‥、Ａ_p-1，Ａ_p｝が得られ、平均、標準偏差などの統計量を求めることができる。また、あらかじめ閾値Ａ_sを設定し、単一の刺激ｍ_pに対する磁気信号振幅Ａ_pの大きさから、神経の興奮、あるいは筋活動の有無を判定することもできる。評価期間Ｔ₃ ^’における磁気信号波形Ｍの平均の大きさから、神経の興奮、あるいは筋活動の有無を判定してもよい。評価期間Ｔ₃ ^’は、例えば、刺激期間Ｔ₁ ^’（０．１秒（刺激周波数ｆ₀＝１ｋＨｚ、刺激回数ｎ＝１００））、刺激停止期間Ｔ₂ ^’（１秒）の周期１．１秒を１０回繰り返す場合は１１秒となる。

【0028】

図７には、参照信号（刺激期間（または刺激時間）Ｔ₁ ^’：０．１秒）が生体（例えば、ヒトなどの脊椎動物の肢体）に与えられた際の、当該生体の近傍に配置された磁気センサ１の出力信号の時系列データの加算平均（加算回数ｚ＝９９）が示されている。この結果からは、参照信号に対する磁気センサ１の明確な応答信号を確認することはできない。

【0029】

磁気センサ１の出力信号の時系列データは、磁気センサ１の励磁周波数の同相成分であり、かつ検出磁場の同相成分である第１出力信号ｉ－ｘ、励磁周波数の同相成分であり、かつ検出磁場の直交成分である第２出力信号ｉ－ｙ、励磁周波数の直交成分であり、かつ検出磁場の同相成分である第３出力信号ｑ－ｘ、励磁周波数の直交成分であり、かつ検出磁場の直交成分である第４出力信号ｑ－ｙの４つの信号系列から構成されている。

【0030】

図８には、第１信号区間Ｔ₁および第２信号区間Ｔ₂のそれぞれにおける磁気センサ１の出力信号の時系列データ（ｉ－ｘ，ｉ－ｙ，ｑ－ｘ，ｑ－ｙ）の時間波形が示されている。「第１信号区間Ｔ₁」は、生体において参照信号に応じた神経発火現象の発生に由来する応答信号が磁気センサ１によって検出されうると推定される期間として定義されている。「第２信号区間Ｔ₂」は、生体において参照信号に応じた神経発火現象の発生に由来する信号が検出されえないと推定される期間として定義されている。例えば、第１信号区間Ｔ₁および第２信号区間Ｔ₂のそれぞれは、刺激期間Ｔ₁ ^’＝０．１秒の４倍の０．４秒に設定される。第１信号区間Ｔ₁は、刺激開始時から０．４秒の期間とし、第２信号区間Ｔ₂は、第１信号区間Ｔ₁の終了時から０．４秒の期間とする。また、第１信号区間Ｔ₁または第２信号区間Ｔ₂に含まれるデータ数を信号サンプル数とする。さらに、複数回の参照信号を与えるときの繰り返し回数Ｍをデータチャネル数とする。

【0031】

図９上段に概念的に示されているように、学習フェーズでは、第１信号区間Ｔ₁における磁気センサ１の出力信号の時系列データ（ｉ－ｘ₁，ｉ－ｙ₁，ｑ－ｘ₁，ｑ－ｙ₁）および第２信号区間Ｔ₂における磁気センサ１の出力信号の時系列データ（ｉ－ｘ₂，ｉ－ｙ₂，ｑ－ｘ₂，ｑ－ｙ₂）を入力データとして深層学習、具体的にはＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）により学習モデルを構築している。ＣＮＮは、磁気センサ１からの時系列データを入力するための入力層、中間層（複数（例えば４層）の畳み込み層、プーリング層と複数（例えば３層）の全結合層）、神経刺激に伴う磁気センサ１の応答信号の識別結果を出力するための出力層から構成されている。中間層のネットワークは、非線形な活性化関数（例えばＲｅＬＵ関数）を介して結ばれる。また過学習抑制のため、学習時にのみランダムにノードを遮断する（ｄｒｏｐ ｏｕｔ）。入力層のノード数は、例えば、磁気センサ１の信号系列数４（ｉ－ｘ，ｉ－ｙ，ｑ－ｘ，ｑ－ｙ）、信号サンプル数４０００、データチャンネル数２０の場合で３２万ノードとなり、中間層のノード数は、畳み込み層のフィルタサイズ、プーリング間隔、ストライド数、全結合数などのハイパーパラメータで調整している。畳み込み層では、４つの信号系列の各々の時系列データに対して独立に畳み込みフィルタ（例えば、ストライド４）を適用し、活性化関数（例えば、ＲｅＬＵ）を経て出力される。プーリング層では、時系列データに対する最大値抽出（例えば、ストライド３）を行っている。全結合層では、前段の出力（４つの時系列データ）を全結合し、磁気センサ１の時系列データ（ｉ－ｘ，ｉ－ｙ，ｑ－ｘ，ｑ－ｙ）の情報を統合している。出力層では、中間層の出力をｓｏｆｔｍａｘ関数により第1信号区間Ｔ₁である確率と第2信号区間Ｔ_２である確率に変換し、確率の高いほうを最終的な識別結果として出力する。

【0032】

図９下段に概念的に示されているように、推論フェーズでは、磁気センサ１からの新規の出力信号の時系列データ（ｉ－ｘ，ｉ－ｙ，ｑ－ｘ，ｑ－ｙ）を入力データとして、学習フェーズで構築された学習モデルを用いて、生体における神経発火の現象の発現に由来する応答信号の有無の推定を行う。

【0033】

図１０には、１２個のデータセット（Ｊ－０－０～Ｓ－０－５）に対する参照信号に応答する信号検出の正解率（正解数／テスト数）が示されている。磁気センサ１からの出力信号の時系列データ（ｉ－ｘ，ｉ－ｙ，ｑ－ｘ，ｑ－ｙ）そのものを入力データとした場合の正解率は４８.４±７.０％であり、該時系列データ（ｉ－ｘ，ｉ－ｙ，ｑ－ｘ，ｑ－ｙ）の各信号系列の標準偏差と平均値の比率を入力データとした場合の信号検出の正解率は４８.９±８.５％である。一方、該時系列データ（ｉ－ｘ，ｉ－ｙ，ｑ－ｘ，ｑ－ｙ）の各信号系列の時間変動率を入力データとした場合の信号検出の正解率は６４.５±１０.５％と比較的高い値が示されている。

【0034】

図１１には、学習フェーズにおいて、１２個のデータセットの全てを教師データとして使用した場合の参照信号に応答する信号検出の正解率が示されている。全てのデータセット使用した場合の正解率は８３.４±６.０％であり、個々のデータセットのみを教師データとして使用した場合に比べ１８.９％高いことが示されている。ここで、入力データとしては、磁気センサ１の出力信号の時系列データ（ｉ－ｘ，ｉ－ｙ，ｑ－ｘ，ｑ－ｙ）の各信号系列の時間変動率を用いている。

【0035】

図１２には、学習フェーズにおいて、第１信号区間Ｔ₁および第２信号区間Ｔ₂のそれぞれの長さ、つまり入力データの信号サンプル数をパラメータとした教師データを用いた場合の参照信号に応答する信号検出の正解率が示されている。信号区間が１５０～１６０ｍｓにおいて極大を示し、そのときの正解率は９１％である。この結果より、参照信号の継続時間（１００ｍｓ）の約１．５倍の信号区間に、応答信号の有無を認識するための最も有益な情報が含まれていることがわかる。また、ここで、ＣＮＮのハイパーパラメータ（例えば、中間層の数、ノード数、フィルタサイズ、ｄｒｏｐ ｏｕｔ率、学習率など）の調整している。

【0036】

図１３には、学習フェーズにおいて、データチャンネル数をパラメータとした入力データを教師データとして使用した場合の参照信号に応答する信号検出の正解率が示されている。データチャンネル数Ｍが１の場合に比べ、Ｍ＝２０では９０．５±２．１％と正解率は大幅に改善している。ここで、各入力データの信号区間の長さは１５０ｍｓとしている。

【0037】

表１には、磁気センサ１の出力信号の時系列データ（ｉ－ｘ，ｉ－ｙ，ｑ－ｘ，ｑ－ｙ）の各信号系列の組合せからなる１５個のデータセットが示されている。

【0038】

【表1】

【0039】

図１４には、表１に示す１５個のデータセットを教師データとして使用した場合の参照信号に応答する信号検出の正解率が示されている。この結果より、信号系列の第４出力信号ｑ－ｙを含むデータセットの場合、その正解率は９０．０±３．０％であり、第４出力信号ｑ－ｙを含まないデータセットに比べ約３６％高いことがわかる。

【0040】

（第２実施形態）
次に、ＴＣＮ（Ｔｅｍｐｏｒａｌ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋ）により学習モデルを構築し、生体における神経発火の現象の発現に由来する応答信号の有無の推定について説明する。

【0041】

図１５に概念的に示されているように、従来のＴＣＮは、畳み込みに固定間隔をあけて行う畳み込み、つまりＤｉｌａｔｅｄ Ｃｏｎｖｏｌｕｔｉｏｎｓを採用しているが、本実施形態のＴＣＮでは、通常の畳み込みを行った後にプーリングを行う。

【0042】

第１実施形態のＣＮＮと第２実施形態のＴＣＮで異なる点は、中間層に残差ブロック層を取り入れている点であり、残差ブロック層は、畳み込み層－ウェイト正則化層－畳み込み層－ウェイト正規化層からなる。本実施形態のＴＣＮは、入力層、中間層（複数（例えば４層）の残差ブロック層、プーリング層と複数（例えば３層）の全結合層）、出力層から構成されている。

【0043】

図１６は、従来のＴＣＮと本実施形態のＴＣＮによる学習モデルの参照信号に応答する信号検出の正解率の比較結果である。本実施形態のＴＣＮの正解率は９２．７±３．０％であり、従来のＴＣＮによる正解率に比べ約４１．７％高い値が示されている。

【0044】

図１７には、表１に示す１５個のデータセットを教師データとして使用した場合の参照信号に応答する信号検出の正解率に関する第１実施形態のＣＮＮと本実施形態のＴＣＮの比較結果が示されている。図１４の結果と同様に、本実施形態のＴＣＮにおいても、信号系列の第４出力信号ｑ－ｙを含むデータセットの場合、その正解率は９１．０±５．０％と高い値を示しており、第４出力信号ｑ－ｙを含まないデータセットについては５２．０±１１．０％と低い値が示されている。

【0045】

（第３実施形態）
また、ＴＣＮによるアンサンブル学習モデルによる、生体における神経発火の現象の発現に由来する応答信号の有無の推定について説明する。

【0046】

第２実施形態のＴＣＮによる学習モデルの判定結果について、アンサンブル手法で重み付けを行い、最終的な識別判定を行っている。具体的には、Ｎ個の入力データセットに対する学習モデルの判定結果が、信号があり得る場合と、信号があり得ない場合について確率として評価され、その評価結果に対する調和平均と幾何平均を計算し、最終的に判定している。判定に必要な参照信号が含まれるイベント数は、入力データセットの数Ｎ（例えば３）と１つの入力データセットに含まれるイベント数（例えば５）から１を引いた値（４）の和（７）となる。

【0047】

図１８には、アンサンブル手法を用いた場合の参照信号に応答する信号検出の正解率が示されている。調和平均、あるいは幾何平均のいずれかのアンサンブル手法を適用することで、判定に使用するイベント数に対する安定性が、アンサンブル手法を適用しない場合に比べ改善していることがわかる。

【0048】

前記実施形態では、データセットが第１出力信号ｉ－ｘ、第２出力信号ｉ－ｙ、第３出力信号ｑ－ｘおよび第４出力信号ｑ－ｙのそれぞれの時系列により構成されていたが、他の実施形態として、第１出力信号ｉ－ｘ、第２出力信号ｉ－ｙ、第３出力信号ｑ－ｘおよび第４出力信号ｑ－ｙ、ならびに、第１出力信号ｉ－ｘ、第２出力信号ｉ－ｙ、第３出力信号ｑ－ｘおよび第４出力信号ｑ－ｙの時間微分値ｄｉ－ｘ／ｄｔ、ｄ²ｉ－ｘ／ｄｔ²、‥ｄⁿｉ－ｘ／ｄｔⁿ、ｄｉ－ｙ／ｄｔ、ｄ²ｉ－ｙ／ｄｔ²、‥ｄⁿｉ－ｙ／ｄｔⁿ、ｄｑ－ｘ／ｄｔ、ｄ²ｑ－ｘ／ｄｔ²、‥ｄⁿｑ－ｘ／ｄｔⁿ、ｄｑ－ｙ／ｄｔ、ｄ²ｑ－ｙ／ｄｔ²、‥ｄⁿｑ－ｙ／ｄｔⁿのうち、任意の少なくとも１つの出力信号の時系列によりデータセットが構成されていてもよい。例えば、（ｉ－ｘ、ｄｉ－ｘ／ｄｔ、ｑ－ｘ、ｄｑ－ｘ／ｄｔ）、（ｉ－ｘ、ｄ²ｉ－ｙ／ｄｔ²、ｑ－ｘ、ｄ²ｑ－ｙ／ｄｔ²）、（ｉ－ｘ、ｄｉ－ｘ／ｄｔ、ｉ－ｙ、ｄｉ－ｙ／ｄｔ）などの４つの出力信号のそれぞれの時系列により構成されているデータセットが採用されてもよい。

【符号の説明】

【0049】

１‥磁気センサ、１００‥誘電体基板、１１０‥信号線路層、１２０‥伝送線路、１２１、１２２、１２４‥接地導体層、１４０‥軟磁性薄膜、２０‥参照信号発生器、２４‥信号増幅器、２６‥混合器、２７…濾過器、２８‥信号処理回路、２９‥データ解析装置、２００‥信号処理回路、２０２‥電極。

【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13】

【図14】

【図15】

【図16】

【図17】

【図18】