特開2023-181058経時的に変化する波形を有する信号を処理するシステム、方法、およびプログラム
(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】P2023181058
(43)【公開日】2023-12-21
(54)【発明の名称】経時的に変化する波形を有する信号を処理するシステム、方法、およびプログラム
(51)【国際特許分類】
A61B 5/374 20210101AFI20231214BHJP
G06N 20/00 20190101ALI20231214BHJP
【ＦＩ】
A61B5/374
G06N20/00
【審査請求】未請求
【請求項の数】19
【出願形態】ＯＬ
(21)【出願番号】P 2022192055
(22)【出願日】2022-11-30
(31)【優先権主張番号】P 2022093712
(32)【優先日】2022-06-09
(33)【優先権主張国・地域又は機関】JP
(71)【出願人】
【識別番号】514028042
【氏名又は名称】株式会社アラヤ
(74)【代理人】
【識別番号】100078282
【弁理士】
【氏名又は名称】山本 秀策
(74)【代理人】
【識別番号】100107489
【弁理士】
【氏名又は名称】大塩 竹志
(74)【代理人】
【識別番号】100113413
【弁理士】
【氏名又は名称】森下 夏樹
(74)【代理人】
【識別番号】100181674
【弁理士】
【氏名又は名称】飯田 貴敏
(74)【代理人】
【識別番号】100181641
【弁理士】
【氏名又は名称】石川 大輔
(74)【代理人】
【識別番号】230113332
【弁護士】
【氏名又は名称】山本 健策
(72)【発明者】
【氏名】能村 幸大郎
(72)【発明者】
【氏名】蓬田 幸人
(72)【発明者】
【氏名】リン イ シン
(72)【発明者】
【氏名】野辺 宣翔
(72)【発明者】
【氏名】金井 良太
(72)【発明者】
【氏名】笹井 俊太朗
【テーマコード（参考）】
4C127
【Ｆターム（参考）】
4C127AA03
4C127FF02
4C127GG01
4C127GG03
4C127GG11
(57)【要約】
【課題】経時的に変化する波形を有する信号を処理するシステム等を提供すること
【解決手段】本発明の経時的に変化する波形を有する信号を処理するシステムは、経時的に変化する波形を有する信号を受信する受信手段と、前記信号から所定の周波数成分の信号を抽出する抽出手段と、前記抽出された信号から、ローカルバーストを検出する検出手段とを備える。本発明の対象のパフォーマンスを推定するシステムは、対象の脳波信号を受信する受信手段と、前記脳波信号から所定の周波数成分の脳波信号を抽出する抽出手段と、前記抽出された脳波信号から、ローカルバーストを検出する検出手段と、前記検出されたローカルバーストのパラメータの値に基づいて、前記対象のパフォーマンスを推定する推定手段とを備える。
【選択図】図３
【解決手段】本発明の経時的に変化する波形を有する信号を処理するシステムは、経時的に変化する波形を有する信号を受信する受信手段と、前記信号から所定の周波数成分の信号を抽出する抽出手段と、前記抽出された信号から、ローカルバーストを検出する検出手段とを備える。本発明の対象のパフォーマンスを推定するシステムは、対象の脳波信号を受信する受信手段と、前記脳波信号から所定の周波数成分の脳波信号を抽出する抽出手段と、前記抽出された脳波信号から、ローカルバーストを検出する検出手段と、前記検出されたローカルバーストのパラメータの値に基づいて、前記対象のパフォーマンスを推定する推定手段とを備える。
【選択図】図３
【特許請求の範囲】
【請求項1】
経時的に変化する波形を有する信号を処理するシステムであって、
経時的に変化する波形を有する信号を受信する受信手段と、
前記信号から所定の周波数成分の信号を抽出する抽出手段と、
前記抽出された信号から、ローカルバーストを検出する検出手段と
を備えるシステム。
経時的に変化する波形を有する信号を受信する受信手段と、
前記信号から所定の周波数成分の信号を抽出する抽出手段と、
前記抽出された信号から、ローカルバーストを検出する検出手段と
を備えるシステム。
【請求項2】
前記検出手段は、
前記波形を有する信号の分布に基づいて、前記ローカルバーストの閾値Ｔを決定することと、
前記抽出された信号が前記閾値Ｔを超えたときに、前記ローカルバーストを検出することと
を行うように構成されている、請求項１に記載のシステム。
前記波形を有する信号の分布に基づいて、前記ローカルバーストの閾値Ｔを決定することと、
前記抽出された信号が前記閾値Ｔを超えたときに、前記ローカルバーストを検出することと
を行うように構成されている、請求項１に記載のシステム。
【請求項3】
前記閾値Ｔは、
Ｔ＝μ＋ｎσ
で表され、ここで、μは、前記所定の周波数成分の信号の分布から決定される代表値であり、σは、前記所定の周波数成分の信号の分布から決定されるばらつきを示す値であり、ｎは係数である、請求項２に記載のシステム。
Ｔ＝μ＋ｎσ
で表され、ここで、μは、前記所定の周波数成分の信号の分布から決定される代表値であり、σは、前記所定の周波数成分の信号の分布から決定されるばらつきを示す値であり、ｎは係数である、請求項２に記載のシステム。
【請求項4】
前記ｎは、前記所定の周波数成分に応じて変動する、請求項３に記載のシステム。
【請求項5】
前記波形を有する信号は、対象の脳波信号または対象の心拍信号である、請求項１に記載のシステム。
【請求項6】
前記波形を有する信号は、対象の脳波信号であり、前記システムは、
前記検出されたローカルバーストのパラメータの値に基づいて、前記対象のパフォーマンスを推定する推定手段
をさらに備える、請求項１に記載のシステム。
前記検出されたローカルバーストのパラメータの値に基づいて、前記対象のパフォーマンスを推定する推定手段
をさらに備える、請求項１に記載のシステム。
【請求項7】
前記推定手段は、学習済モデルを用いて、対象のパフォーマンスを推定し、
前記学習済モデルは、複数の被験体のパフォーマンスを示す値と複数の被験体のローカルバーストのパラメータの値との関係を学習しており、前記学習済モデルに前記検出されたローカルバーストのパラメータの値を入力すると、前記対象のパフォーマンスを示す値が出力される、
請求項６に記載のシステム。
前記学習済モデルは、複数の被験体のパフォーマンスを示す値と複数の被験体のローカルバーストのパラメータの値との関係を学習しており、前記学習済モデルに前記検出されたローカルバーストのパラメータの値を入力すると、前記対象のパフォーマンスを示す値が出力される、
請求項６に記載のシステム。
【請求項8】
前記推定手段は、
前記検出されたローカルバーストのパラメータの値に基づいて、将来のローカルバーストのパラメータの値を推定する第１の推定手段と、
前記推定されたローカルバーストのパラメータの値に基づいて、前記対象のパフォーマンスを推定する第２の推定手段と
を備える、請求項６に記載のシステム。
前記検出されたローカルバーストのパラメータの値に基づいて、将来のローカルバーストのパラメータの値を推定する第１の推定手段と、
前記推定されたローカルバーストのパラメータの値に基づいて、前記対象のパフォーマンスを推定する第２の推定手段と
を備える、請求項６に記載のシステム。
【請求項9】
前記第１の推定手段は、第１の学習済モデルを用いて、将来のローカルバーストのパラメータの値を推定し、
前記第２の推定手段は、第２の学習済モデルを用いて、対象のパフォーマンスを推定し、
前記第１の学習済モデルは、複数の被験体のローカルバーストのパラメータの値と所定時間経過後の複数の被験体のローカルバーストのパラメータの値との関係を学習しており、前記第１の学習済モデルに前記検出されたローカルバーストのパラメータの値を入力すると、前記所定時間経過後の前記対象のローカルバーストのパラメータの値が出力され、
前記第２の学習済モデルは、複数の被験体のパフォーマンスを示す値と複数の被験体のローカルバーストのパラメータの値との関係を学習しており、前記第２の学習済モデルに前記第１の学習済モデルから出力されたローカルバーストのパラメータの値を入力すると、前記対象のパフォーマンスを示す値が出力される、
請求項８に記載のシステム。
前記第２の推定手段は、第２の学習済モデルを用いて、対象のパフォーマンスを推定し、
前記第１の学習済モデルは、複数の被験体のローカルバーストのパラメータの値と所定時間経過後の複数の被験体のローカルバーストのパラメータの値との関係を学習しており、前記第１の学習済モデルに前記検出されたローカルバーストのパラメータの値を入力すると、前記所定時間経過後の前記対象のローカルバーストのパラメータの値が出力され、
前記第２の学習済モデルは、複数の被験体のパフォーマンスを示す値と複数の被験体のローカルバーストのパラメータの値との関係を学習しており、前記第２の学習済モデルに前記第１の学習済モデルから出力されたローカルバーストのパラメータの値を入力すると、前記対象のパフォーマンスを示す値が出力される、
請求項８に記載のシステム。
【請求項10】
前記ローカルバーストのパラメータは、所定期間内に前記ローカルバーストが検出された回数を含む、請求項６に記載のシステム。
【請求項11】
前記所定の周波数成分は、デルタ波成分、シータ波成分、アルファ波成分、ＳＭＲ波成分、ベータ波成分、ガンマ波成分のうちの少なくとも１つである、請求項６に記載のシステム。
【請求項12】
前記所定の周波数成分は、デルタ波成分およびシータ波成分のうちの一方または両方である、請求項１１に記載のシステム。
【請求項13】
経時的に変化する波形を有する信号を処理する方法であって、
経時的に変化する波形を有する信号を受信することと、
前記信号から所定の周波数成分の信号を抽出することと、
前記抽出された信号から、ローカルバーストを検出することと
を含む方法。
経時的に変化する波形を有する信号を受信することと、
前記信号から所定の周波数成分の信号を抽出することと、
前記抽出された信号から、ローカルバーストを検出することと
を含む方法。
【請求項14】
前記波形を有する信号は、対象の脳波信号であり、前記方法は、
前記検出されたローカルバーストのパラメータの値に基づいて、前記対象のパフォーマンスを推定すること
をさらに含む、請求項１３に記載の方法。
前記検出されたローカルバーストのパラメータの値に基づいて、前記対象のパフォーマンスを推定すること
をさらに含む、請求項１３に記載の方法。
【請求項15】
経時的に変化する波形を有する信号を処理するプログラムであって、前記プログラムは、プロセッサ部を備えるコンピュータシステムにおいて実行され、前記プログラムは、
経時的に変化する波形を有する信号を受信することと、
前記信号から所定の周波数成分の信号を抽出することと、
前記抽出された信号から、ローカルバーストを検出することと
を含む処理を前記プロセッサ部に行わせる、プログラム。
経時的に変化する波形を有する信号を受信することと、
前記信号から所定の周波数成分の信号を抽出することと、
前記抽出された信号から、ローカルバーストを検出することと
を含む処理を前記プロセッサ部に行わせる、プログラム。
【請求項16】
前記波形を有する信号は、対象の脳波信号であり、
前記処理は、
前記検出されたローカルバーストのパラメータの値に基づいて、前記対象のパフォーマンスを推定すること
をさらに含む、請求項１５に記載のプログラム。
前記処理は、
前記検出されたローカルバーストのパラメータの値に基づいて、前記対象のパフォーマンスを推定すること
をさらに含む、請求項１５に記載のプログラム。
【請求項17】
対象のパフォーマンスを推定するための学習済モデルを作成するシステムであって、
被験体の脳波信号と、そのときのパフォーマンスを示すデータを受信する受信手段と、
前記脳波信号から所定の周波数成分の脳波信号を抽出する抽出手段と、
前記抽出された脳波信号から、ローカルバーストを検出する検出手段と、
前記検出されたローカルバーストのパラメータの値と前記パフォーマンスとの間の関係を学習する学習手段と
を備えるシステム。
被験体の脳波信号と、そのときのパフォーマンスを示すデータを受信する受信手段と、
前記脳波信号から所定の周波数成分の脳波信号を抽出する抽出手段と、
前記抽出された脳波信号から、ローカルバーストを検出する検出手段と、
前記検出されたローカルバーストのパラメータの値と前記パフォーマンスとの間の関係を学習する学習手段と
を備えるシステム。
【請求項18】
対象のパフォーマンスを推定するための学習済モデルを作成する方法であって、
被験体の脳波信号と、そのときのパフォーマンスを示すデータを受信することと、
前記脳波信号から所定の周波数成分の脳波信号を抽出することと、
前記抽出された脳波信号から、ローカルバーストを検出することと、
前記検出されたローカルバーストのパラメータの値と前記パフォーマンスとの間の関係を学習することと
を含む方法。
被験体の脳波信号と、そのときのパフォーマンスを示すデータを受信することと、
前記脳波信号から所定の周波数成分の脳波信号を抽出することと、
前記抽出された脳波信号から、ローカルバーストを検出することと、
前記検出されたローカルバーストのパラメータの値と前記パフォーマンスとの間の関係を学習することと
を含む方法。
【請求項19】
対象のパフォーマンスを推定するための学習済モデルを作成するプログラムであって、前記プログラムは、プロセッサ部を備えるコンピュータシステムにおいて実行され、前記プログラムは、
被験体の脳波信号と、そのときのパフォーマンスを示すデータを受信することと、
前記脳波信号から所定の周波数成分の脳波信号を抽出することと、
前記抽出された脳波信号から、ローカルバーストを検出することと、
前記検出されたローカルバーストのパラメータの値と前記パフォーマンスとの間の関係を学習することと
を含む処理を前記プロセッサ部に行わせる、プログラム。
被験体の脳波信号と、そのときのパフォーマンスを示すデータを受信することと、
前記脳波信号から所定の周波数成分の脳波信号を抽出することと、
前記抽出された脳波信号から、ローカルバーストを検出することと、
前記検出されたローカルバーストのパラメータの値と前記パフォーマンスとの間の関係を学習することと
を含む処理を前記プロセッサ部に行わせる、プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、経時的に変化する波形を有する信号を処理するシステム、方法、およびプログラムに関し、より具体的には、ローカルバーストを検出するシステム等、および／または、検出されたローカルバーストに基づいて対象のパフォーマンスを推定するシステム等に関する。
【背景技術】
【0002】
脳が睡眠状態にあるとき、脳波には特徴的な低周波数帯の信号が観察されることが知られている（例えば、特許文献１）。近年、覚醒時でも、睡眠状態にあるときと同様の特徴的な低周波数帯の信号が見られることが分かってきた。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２００８－６８０１８号
【発明の概要】
【課題を解決するための手段】
【0004】
本発明の発明者は、鋭意研究の結果、脳波に見られる特徴的な成分と対象のパフォーマンスとの間に関係があることを見出した。本発明は、その関係を利用して対象のパフォーマンスを推定するシステム等を提供する。
【0005】
さらに、本発明の発明者は、特徴的な成分を検出することは、脳波信号のみならず、経時的に変化する波形を有する信号に適用できることも見出した。本発明は、経時的に変化する波形を有する信号から特徴的な成分を検出するシステム等も提供する。
【0006】
本発明は、例えば、以下の項目を提供する。
（項目１）
経時的に変化する波形を有する信号を処理するシステムであって、
経時的に変化する波形を有する信号を受信する受信手段と、
前記信号から所定の周波数成分の信号を抽出する抽出手段と、
前記抽出された信号から、ローカルバーストを検出する検出手段と
を備えるシステム。
（項目２）
前記検出手段は、
前記波形を有する信号の分布に基づいて、前記ローカルバーストの閾値Ｔを決定することと、
前記抽出された信号が前記閾値Ｔを超えたときに、前記ローカルバーストを検出することと
を行うように構成されている、上記項目に記載のシステム。
（項目３）
前記閾値Ｔは、
Ｔ＝μ＋ｎσ
で表され、ここで、μは、前記所定の周波数成分の信号の分布から決定される代表値であり、σは、前記所定の周波数成分の信号の分布から決定されるばらつきを示す値であり、ｎは係数である、上記項目のいずれか一項に記載のシステム。
（項目４）
前記ｎは、前記所定の周波数成分に応じて変動する、上記項目のいずれか一項に記載のシステム。
（項目５）
前記波形を有する信号は、対象の脳波信号または対象の心拍信号である、上記項目のいずれか一項に記載のシステム。
（項目６）
前記波形を有する信号は、対象の脳波信号であり、前記システムは、
前記検出されたローカルバーストのパラメータの値に基づいて、前記対象のパフォーマンスを推定する推定手段
をさらに備える、上記項目のいずれか一項に記載のシステム。
（項目７）
前記推定手段は、学習済モデルを用いて、対象のパフォーマンスを推定し、
前記学習済モデルは、複数の被験体のパフォーマンスを示す値と複数の被験体のローカルバーストのパラメータの値との関係を学習しており、前記学習済モデルに前記検出されたローカルバーストのパラメータの値を入力すると、前記対象のパフォーマンスを示す値が出力される、
上記項目のいずれか一項に記載のシステム。
（項目８）
前記推定手段は、
前記検出されたローカルバーストのパラメータの値に基づいて、将来のローカルバーストのパラメータの値を推定する第１の推定手段と、
前記推定されたローカルバーストのパラメータの値に基づいて、前記対象のパフォーマンスを推定する第２の推定手段と
を備える、上記項目のいずれか一項に記載のシステム。
（項目９）
前記第１の推定手段は、第１の学習済モデルを用いて、将来のローカルバーストのパラメータの値を推定し、
前記第２の推定手段は、第２の学習済モデルを用いて、対象のパフォーマンスを推定し、
前記第１の学習済モデルは、複数の被験体のローカルバーストのパラメータの値と所定時間経過後の複数の被験体のローカルバーストのパラメータの値との関係を学習しており、前記第１の学習済モデルに前記検出されたローカルバーストのパラメータの値を入力すると、前記所定時間経過後の前記対象のローカルバーストのパラメータの値が出力され、
前記第２の学習済モデルは、複数の被験体のパフォーマンスを示す値と複数の被験体のローカルバーストのパラメータの値との関係を学習しており、前記第２の学習済モデルに前記第１の学習済モデルから出力されたローカルバーストのパラメータの値を入力すると、前記対象のパフォーマンスを示す値が出力される、
上記項目のいずれか一項に記載のシステム。
（項目１０）
前記ローカルバーストのパラメータは、所定期間内に前記ローカルバーストが検出された回数を含む、上記項目のいずれか一項に記載のシステム。
（項目１１）
前記所定の周波数成分は、デルタ波成分、シータ波成分、アルファ波成分、ＳＭＲ波成分、ベータ波成分、ガンマ波成分のうちの少なくとも１つである、上記項目のいずれか一項に記載のシステム。
（項目１２）
前記所定の周波数成分は、デルタ波成分およびシータ波成分のうちの一方または両方である、上記項目のいずれか一項に記載のシステム。
（項目１３）
経時的に変化する波形を有する信号を処理する方法であって、
経時的に変化する波形を有する信号を受信することと、
前記信号から所定の周波数成分の信号を抽出することと、
前記抽出された信号から、ローカルバーストを検出することと
を含む方法。
（項目１４）
前記波形を有する信号は、対象の脳波信号であり、前記方法は、
前記検出されたローカルバーストのパラメータの値に基づいて、前記対象のパフォーマンスを推定すること
をさらに含む、上記項目のいずれか一項に記載の方法。
（項目１４Ａ）
上記項目の１または複数に記載の特徴を備える、項目１３または１４に記載の方法。
（項目１５）
経時的に変化する波形を有する信号を処理するプログラムであって、前記プログラムは、プロセッサ部を備えるコンピュータシステムにおいて実行され、前記プログラムは、
経時的に変化する波形を有する信号を受信することと、
前記信号から所定の周波数成分の信号を抽出することと、
前記抽出された信号から、ローカルバーストを検出することと
を含む処理を前記プロセッサ部に行わせる、プログラム。
（項目１６）
前記波形を有する信号は、対象の脳波信号であり、
前記処理は、
前記検出されたローカルバーストのパラメータの値に基づいて、前記対象のパフォーマンスを推定すること
をさらに含む、上記項目のいずれか一項に記載のプログラム。
（項目１６Ａ）
上記項目の１または複数に記載の特徴を備える、項目１５または１６に記載の方法。
（項目１７）
対象のパフォーマンスを推定するための学習済モデルを作成するシステムであって、
被験体の脳波信号と、そのときのパフォーマンスを示すデータを受信する受信手段と、
前記脳波信号から所定の周波数成分の脳波信号を抽出する抽出手段と、
前記抽出された脳波信号から、ローカルバーストを検出する検出手段と、
前記検出されたローカルバーストのパラメータの値と前記パフォーマンスとの間の関係を学習する学習手段と
を備えるシステム。
（項目１７Ａ）
上記項目の１または複数に記載の特徴を備える、項目１７に記載のシステム。
（項目１８）
対象のパフォーマンスを推定するための学習済モデルを作成する方法であって、
被験体の脳波信号と、そのときのパフォーマンスを示すデータを受信することと、
前記脳波信号から所定の周波数成分の脳波信号を抽出することと、
前記抽出された脳波信号から、ローカルバーストを検出することと、
前記検出されたローカルバーストのパラメータの値と前記パフォーマンスとの間の関係を学習することと
を含む方法。
（項目１８Ａ）
上記項目の１または複数に記載の特徴を備える、項目１８に記載の方法。
（項目１９）
対象のパフォーマンスを推定するための学習済モデルを作成するプログラムであって、前記プログラムは、プロセッサ部を備えるコンピュータシステムにおいて実行され、前記プログラムは、
被験体の脳波信号と、そのときのパフォーマンスを示すデータを受信することと、
前記脳波信号から所定の周波数成分の脳波信号を抽出することと、
前記抽出された脳波信号から、ローカルバーストを検出することと、
前記検出されたローカルバーストのパラメータの値と前記パフォーマンスとの間の関係を学習することと
を含む処理を前記プロセッサ部に行わせる、プログラム。
（項目１９Ａ）
上記項目の１または複数に記載の特徴を備える、項目１９に記載のプログラム。
（項目Ａ１）
対象のパフォーマンスを推定するシステムであって、
対象の脳波信号を受信する受信手段と、
前記脳波信号から所定の周波数成分の脳波信号を抽出する抽出手段と、
前記抽出された脳波信号から、ローカルバーストを検出する検出手段と、
前記検出されたローカルバーストのパラメータの値に基づいて、前記対象のパフォーマンスを推定する推定手段と
を備えるシステム。
（項目Ａ２）
前記推定手段は、学習済モデルを用いて、対象のパフォーマンスを推定し、
前記学習済モデルは、複数の被験体のパフォーマンスを示す値と複数の被験体のローカルバーストのパラメータの値との関係を学習しており、前記学習済モデルに前記検出されたローカルバーストのパラメータの値を入力すると、前記対象のパフォーマンスを示す値が出力される、
上記項目Ａに記載のシステム。
（項目Ａ３）
前記推定手段は、
前記検出されたローカルバーストのパラメータの値に基づいて、将来のローカルバーストのパラメータの値を推定する第１の推定手段と、
前記推定されたローカルバーストのパラメータの値に基づいて、前記対象のパフォーマンスを推定する第２の推定手段と
を備える、上記項目Ａのいずれか一項に記載のシステム。
（項目Ａ４）
前記第１の推定手段は、第１の学習済モデルを用いて、将来のローカルバーストのパラメータの値を推定し、
前記第２の推定手段は、第２の学習済モデルを用いて、対象のパフォーマンスを推定し、
前記第１の学習済モデルは、複数の被験体のローカルバーストのパラメータの値と所定時間経過後の複数の被験体のローカルバーストのパラメータの値との関係を学習しており、前記第１の学習済モデルに前記検出されたローカルバーストのパラメータの値を入力すると、前記所定時間経過後の前記対象のローカルバーストのパラメータの値が出力され、
前記第２の学習済モデルは、複数の被験体のパフォーマンスを示す値と複数の被験体のローカルバーストのパラメータの値との関係を学習しており、前記第２の学習済モデルに前記第１の学習済モデルから出力されたローカルバーストのパラメータの値を入力すると、前記対象のパフォーマンスを示す値が出力される、
上記項目Ａのいずれか一項に記載のシステム。
（項目Ａ５）
前記検出手段は、
前記対象の脳波信号の分布に基づいて、前記ローカルバーストの閾値を決定することと、
前記抽出された脳波信号が前記閾値を超えたときに、前記ローカルバーストを検出することと
を行うように構成されている、上記項目Ａのいずれか一項に記載のシステム。
（項目Ａ６）
前記閾値Ｔは、
Ｔ＝μ＋ｎσ
で表され、ここで、μは、前記対象の前記所定の周波数成分の脳波信号の分布から決定される代表値であり、σは、前記対象の前記所定の周波数成分の脳波信号の分布から決定されるばらつきを示す値であり、ｎは係数である、上記項目Ａのいずれか一項に記載のシステム。
（項目Ａ７）
前記ｎは、前記所定の周波数成分に応じて変動する、上記項目Ａのいずれか一項に記載のシステム。
（項目Ａ８）
前記ローカルバーストのパラメータは、所定期間内に前記ローカルバーストが検出された回数を含む、上記項目Ａのいずれか一項に記載のシステム。
（項目Ａ９）
前記所定の周波数成分は、デルタ波成分、シータ波成分、アルファ波成分、ＳＭＲ波成分、ベータ波成分、ガンマ波成分のうちの少なくとも１つである、上記項目Ａのいずれか一項に記載のシステム。
（項目Ａ１０）
前記所定の周波数成分は、デルタ波成分およびシータ波成分のうちの一方または両方である、上記項目Ａのいずれか一項に記載のシステム。
（項目Ａ１１）
対象のパフォーマンスを推定する方法であって、
対象の脳波信号を受信することと、
前記脳波信号から所定の周波数成分の脳波信号を抽出することと、
前記抽出された脳波信号から、ローカルバーストを検出することと、
前記検出されたローカルバーストのパラメータの値に基づいて、前記対象のパフォーマンスを推定することと
を含む方法。
（項目Ａ１１Ａ）
上記項目Ａの１または複数に記載の特徴を備える、項目Ａ１１に記載の方法。
（項目Ａ１２）
対象のパフォーマンスを推定するプログラムであって、前記プログラムは、プロセッサ部を備えるコンピュータシステムにおいて実行され、前記プログラムは、
対象の脳波信号を受信することと、
前記脳波信号から所定の周波数成分の脳波信号を抽出することと、
前記抽出された脳波信号から、ローカルバーストを検出することと、
前記検出されたローカルバーストのパラメータの値に基づいて、前記対象のパフォーマンスを推定することと
を含む処理を前記プロセッサ部に行わせる、プログラム。
（項目Ａ１２Ａ）
上記項目Ａの１または複数に記載の特徴を備える、項目Ａ１２に記載のプログラム。
（項目Ａ１３）
対象のパフォーマンスを推定するための学習済モデルを作成するシステムであって、
被験体の脳波信号と、そのときのパフォーマンスを示すデータを受信する受信手段と、
前記脳波信号から所定の周波数成分の脳波信号を抽出する抽出手段と、
前記抽出された脳波信号から、ローカルバーストを検出する検出手段と、
前記検出されたローカルバーストのパラメータの値と前記パフォーマンスとの間の関係を学習する学習手段と
を備えるシステム。
（項目Ａ１３Ａ）
上記項目Ａの１または複数に記載の特徴を備える、項目Ａ１３に記載のシステム。
（項目Ａ１４）
対象のパフォーマンスを推定するための学習済モデルを作成する方法であって、
被験体の脳波信号と、そのときのパフォーマンスを示すデータを受信することと、
前記脳波信号から所定の周波数成分の脳波信号を抽出することと、
前記抽出された脳波信号から、ローカルバーストを検出することと、
前記検出されたローカルバーストのパラメータの値と前記パフォーマンスとの間の関係を学習することと
を含む方法。
（項目Ａ１４Ａ）
上記項目Ａの１または複数に記載の特徴を備える、項目Ａ１４に記載の方法。
（項目Ａ１５）
対象のパフォーマンスを推定するための学習済モデルを作成するプログラムであって、前記プログラムは、プロセッサ部を備えるコンピュータシステムにおいて実行され、前記プログラムは、
被験体の脳波信号と、そのときのパフォーマンスを示すデータを受信することと、
前記脳波信号から所定の周波数成分の脳波信号を抽出することと、
前記抽出された脳波信号から、ローカルバーストを検出することと、
前記検出されたローカルバーストのパラメータの値と前記パフォーマンスとの間の関係を学習することと
を含む処理を前記プロセッサ部に行わせる、プログラム。
（項目Ａ１５Ａ）
上記項目Ａの１または複数に記載の特徴を備える、項目Ａ１５に記載のプログラム。
（項目１）
経時的に変化する波形を有する信号を処理するシステムであって、
経時的に変化する波形を有する信号を受信する受信手段と、
前記信号から所定の周波数成分の信号を抽出する抽出手段と、
前記抽出された信号から、ローカルバーストを検出する検出手段と
を備えるシステム。
（項目２）
前記検出手段は、
前記波形を有する信号の分布に基づいて、前記ローカルバーストの閾値Ｔを決定することと、
前記抽出された信号が前記閾値Ｔを超えたときに、前記ローカルバーストを検出することと
を行うように構成されている、上記項目に記載のシステム。
（項目３）
前記閾値Ｔは、
Ｔ＝μ＋ｎσ
で表され、ここで、μは、前記所定の周波数成分の信号の分布から決定される代表値であり、σは、前記所定の周波数成分の信号の分布から決定されるばらつきを示す値であり、ｎは係数である、上記項目のいずれか一項に記載のシステム。
（項目４）
前記ｎは、前記所定の周波数成分に応じて変動する、上記項目のいずれか一項に記載のシステム。
（項目５）
前記波形を有する信号は、対象の脳波信号または対象の心拍信号である、上記項目のいずれか一項に記載のシステム。
（項目６）
前記波形を有する信号は、対象の脳波信号であり、前記システムは、
前記検出されたローカルバーストのパラメータの値に基づいて、前記対象のパフォーマンスを推定する推定手段
をさらに備える、上記項目のいずれか一項に記載のシステム。
（項目７）
前記推定手段は、学習済モデルを用いて、対象のパフォーマンスを推定し、
前記学習済モデルは、複数の被験体のパフォーマンスを示す値と複数の被験体のローカルバーストのパラメータの値との関係を学習しており、前記学習済モデルに前記検出されたローカルバーストのパラメータの値を入力すると、前記対象のパフォーマンスを示す値が出力される、
上記項目のいずれか一項に記載のシステム。
（項目８）
前記推定手段は、
前記検出されたローカルバーストのパラメータの値に基づいて、将来のローカルバーストのパラメータの値を推定する第１の推定手段と、
前記推定されたローカルバーストのパラメータの値に基づいて、前記対象のパフォーマンスを推定する第２の推定手段と
を備える、上記項目のいずれか一項に記載のシステム。
（項目９）
前記第１の推定手段は、第１の学習済モデルを用いて、将来のローカルバーストのパラメータの値を推定し、
前記第２の推定手段は、第２の学習済モデルを用いて、対象のパフォーマンスを推定し、
前記第１の学習済モデルは、複数の被験体のローカルバーストのパラメータの値と所定時間経過後の複数の被験体のローカルバーストのパラメータの値との関係を学習しており、前記第１の学習済モデルに前記検出されたローカルバーストのパラメータの値を入力すると、前記所定時間経過後の前記対象のローカルバーストのパラメータの値が出力され、
前記第２の学習済モデルは、複数の被験体のパフォーマンスを示す値と複数の被験体のローカルバーストのパラメータの値との関係を学習しており、前記第２の学習済モデルに前記第１の学習済モデルから出力されたローカルバーストのパラメータの値を入力すると、前記対象のパフォーマンスを示す値が出力される、
上記項目のいずれか一項に記載のシステム。
（項目１０）
前記ローカルバーストのパラメータは、所定期間内に前記ローカルバーストが検出された回数を含む、上記項目のいずれか一項に記載のシステム。
（項目１１）
前記所定の周波数成分は、デルタ波成分、シータ波成分、アルファ波成分、ＳＭＲ波成分、ベータ波成分、ガンマ波成分のうちの少なくとも１つである、上記項目のいずれか一項に記載のシステム。
（項目１２）
前記所定の周波数成分は、デルタ波成分およびシータ波成分のうちの一方または両方である、上記項目のいずれか一項に記載のシステム。
（項目１３）
経時的に変化する波形を有する信号を処理する方法であって、
経時的に変化する波形を有する信号を受信することと、
前記信号から所定の周波数成分の信号を抽出することと、
前記抽出された信号から、ローカルバーストを検出することと
を含む方法。
（項目１４）
前記波形を有する信号は、対象の脳波信号であり、前記方法は、
前記検出されたローカルバーストのパラメータの値に基づいて、前記対象のパフォーマンスを推定すること
をさらに含む、上記項目のいずれか一項に記載の方法。
（項目１４Ａ）
上記項目の１または複数に記載の特徴を備える、項目１３または１４に記載の方法。
（項目１５）
経時的に変化する波形を有する信号を処理するプログラムであって、前記プログラムは、プロセッサ部を備えるコンピュータシステムにおいて実行され、前記プログラムは、
経時的に変化する波形を有する信号を受信することと、
前記信号から所定の周波数成分の信号を抽出することと、
前記抽出された信号から、ローカルバーストを検出することと
を含む処理を前記プロセッサ部に行わせる、プログラム。
（項目１６）
前記波形を有する信号は、対象の脳波信号であり、
前記処理は、
前記検出されたローカルバーストのパラメータの値に基づいて、前記対象のパフォーマンスを推定すること
をさらに含む、上記項目のいずれか一項に記載のプログラム。
（項目１６Ａ）
上記項目の１または複数に記載の特徴を備える、項目１５または１６に記載の方法。
（項目１７）
対象のパフォーマンスを推定するための学習済モデルを作成するシステムであって、
被験体の脳波信号と、そのときのパフォーマンスを示すデータを受信する受信手段と、
前記脳波信号から所定の周波数成分の脳波信号を抽出する抽出手段と、
前記抽出された脳波信号から、ローカルバーストを検出する検出手段と、
前記検出されたローカルバーストのパラメータの値と前記パフォーマンスとの間の関係を学習する学習手段と
を備えるシステム。
（項目１７Ａ）
上記項目の１または複数に記載の特徴を備える、項目１７に記載のシステム。
（項目１８）
対象のパフォーマンスを推定するための学習済モデルを作成する方法であって、
被験体の脳波信号と、そのときのパフォーマンスを示すデータを受信することと、
前記脳波信号から所定の周波数成分の脳波信号を抽出することと、
前記抽出された脳波信号から、ローカルバーストを検出することと、
前記検出されたローカルバーストのパラメータの値と前記パフォーマンスとの間の関係を学習することと
を含む方法。
（項目１８Ａ）
上記項目の１または複数に記載の特徴を備える、項目１８に記載の方法。
（項目１９）
対象のパフォーマンスを推定するための学習済モデルを作成するプログラムであって、前記プログラムは、プロセッサ部を備えるコンピュータシステムにおいて実行され、前記プログラムは、
被験体の脳波信号と、そのときのパフォーマンスを示すデータを受信することと、
前記脳波信号から所定の周波数成分の脳波信号を抽出することと、
前記抽出された脳波信号から、ローカルバーストを検出することと、
前記検出されたローカルバーストのパラメータの値と前記パフォーマンスとの間の関係を学習することと
を含む処理を前記プロセッサ部に行わせる、プログラム。
（項目１９Ａ）
上記項目の１または複数に記載の特徴を備える、項目１９に記載のプログラム。
（項目Ａ１）
対象のパフォーマンスを推定するシステムであって、
対象の脳波信号を受信する受信手段と、
前記脳波信号から所定の周波数成分の脳波信号を抽出する抽出手段と、
前記抽出された脳波信号から、ローカルバーストを検出する検出手段と、
前記検出されたローカルバーストのパラメータの値に基づいて、前記対象のパフォーマンスを推定する推定手段と
を備えるシステム。
（項目Ａ２）
前記推定手段は、学習済モデルを用いて、対象のパフォーマンスを推定し、
前記学習済モデルは、複数の被験体のパフォーマンスを示す値と複数の被験体のローカルバーストのパラメータの値との関係を学習しており、前記学習済モデルに前記検出されたローカルバーストのパラメータの値を入力すると、前記対象のパフォーマンスを示す値が出力される、
上記項目Ａに記載のシステム。
（項目Ａ３）
前記推定手段は、
前記検出されたローカルバーストのパラメータの値に基づいて、将来のローカルバーストのパラメータの値を推定する第１の推定手段と、
前記推定されたローカルバーストのパラメータの値に基づいて、前記対象のパフォーマンスを推定する第２の推定手段と
を備える、上記項目Ａのいずれか一項に記載のシステム。
（項目Ａ４）
前記第１の推定手段は、第１の学習済モデルを用いて、将来のローカルバーストのパラメータの値を推定し、
前記第２の推定手段は、第２の学習済モデルを用いて、対象のパフォーマンスを推定し、
前記第１の学習済モデルは、複数の被験体のローカルバーストのパラメータの値と所定時間経過後の複数の被験体のローカルバーストのパラメータの値との関係を学習しており、前記第１の学習済モデルに前記検出されたローカルバーストのパラメータの値を入力すると、前記所定時間経過後の前記対象のローカルバーストのパラメータの値が出力され、
前記第２の学習済モデルは、複数の被験体のパフォーマンスを示す値と複数の被験体のローカルバーストのパラメータの値との関係を学習しており、前記第２の学習済モデルに前記第１の学習済モデルから出力されたローカルバーストのパラメータの値を入力すると、前記対象のパフォーマンスを示す値が出力される、
上記項目Ａのいずれか一項に記載のシステム。
（項目Ａ５）
前記検出手段は、
前記対象の脳波信号の分布に基づいて、前記ローカルバーストの閾値を決定することと、
前記抽出された脳波信号が前記閾値を超えたときに、前記ローカルバーストを検出することと
を行うように構成されている、上記項目Ａのいずれか一項に記載のシステム。
（項目Ａ６）
前記閾値Ｔは、
Ｔ＝μ＋ｎσ
で表され、ここで、μは、前記対象の前記所定の周波数成分の脳波信号の分布から決定される代表値であり、σは、前記対象の前記所定の周波数成分の脳波信号の分布から決定されるばらつきを示す値であり、ｎは係数である、上記項目Ａのいずれか一項に記載のシステム。
（項目Ａ７）
前記ｎは、前記所定の周波数成分に応じて変動する、上記項目Ａのいずれか一項に記載のシステム。
（項目Ａ８）
前記ローカルバーストのパラメータは、所定期間内に前記ローカルバーストが検出された回数を含む、上記項目Ａのいずれか一項に記載のシステム。
（項目Ａ９）
前記所定の周波数成分は、デルタ波成分、シータ波成分、アルファ波成分、ＳＭＲ波成分、ベータ波成分、ガンマ波成分のうちの少なくとも１つである、上記項目Ａのいずれか一項に記載のシステム。
（項目Ａ１０）
前記所定の周波数成分は、デルタ波成分およびシータ波成分のうちの一方または両方である、上記項目Ａのいずれか一項に記載のシステム。
（項目Ａ１１）
対象のパフォーマンスを推定する方法であって、
対象の脳波信号を受信することと、
前記脳波信号から所定の周波数成分の脳波信号を抽出することと、
前記抽出された脳波信号から、ローカルバーストを検出することと、
前記検出されたローカルバーストのパラメータの値に基づいて、前記対象のパフォーマンスを推定することと
を含む方法。
（項目Ａ１１Ａ）
上記項目Ａの１または複数に記載の特徴を備える、項目Ａ１１に記載の方法。
（項目Ａ１２）
対象のパフォーマンスを推定するプログラムであって、前記プログラムは、プロセッサ部を備えるコンピュータシステムにおいて実行され、前記プログラムは、
対象の脳波信号を受信することと、
前記脳波信号から所定の周波数成分の脳波信号を抽出することと、
前記抽出された脳波信号から、ローカルバーストを検出することと、
前記検出されたローカルバーストのパラメータの値に基づいて、前記対象のパフォーマンスを推定することと
を含む処理を前記プロセッサ部に行わせる、プログラム。
（項目Ａ１２Ａ）
上記項目Ａの１または複数に記載の特徴を備える、項目Ａ１２に記載のプログラム。
（項目Ａ１３）
対象のパフォーマンスを推定するための学習済モデルを作成するシステムであって、
被験体の脳波信号と、そのときのパフォーマンスを示すデータを受信する受信手段と、
前記脳波信号から所定の周波数成分の脳波信号を抽出する抽出手段と、
前記抽出された脳波信号から、ローカルバーストを検出する検出手段と、
前記検出されたローカルバーストのパラメータの値と前記パフォーマンスとの間の関係を学習する学習手段と
を備えるシステム。
（項目Ａ１３Ａ）
上記項目Ａの１または複数に記載の特徴を備える、項目Ａ１３に記載のシステム。
（項目Ａ１４）
対象のパフォーマンスを推定するための学習済モデルを作成する方法であって、
被験体の脳波信号と、そのときのパフォーマンスを示すデータを受信することと、
前記脳波信号から所定の周波数成分の脳波信号を抽出することと、
前記抽出された脳波信号から、ローカルバーストを検出することと、
前記検出されたローカルバーストのパラメータの値と前記パフォーマンスとの間の関係を学習することと
を含む方法。
（項目Ａ１４Ａ）
上記項目Ａの１または複数に記載の特徴を備える、項目Ａ１４に記載の方法。
（項目Ａ１５）
対象のパフォーマンスを推定するための学習済モデルを作成するプログラムであって、前記プログラムは、プロセッサ部を備えるコンピュータシステムにおいて実行され、前記プログラムは、
被験体の脳波信号と、そのときのパフォーマンスを示すデータを受信することと、
前記脳波信号から所定の周波数成分の脳波信号を抽出することと、
前記抽出された脳波信号から、ローカルバーストを検出することと、
前記検出されたローカルバーストのパラメータの値と前記パフォーマンスとの間の関係を学習することと
を含む処理を前記プロセッサ部に行わせる、プログラム。
（項目Ａ１５Ａ）
上記項目Ａの１または複数に記載の特徴を備える、項目Ａ１５に記載のプログラム。
【発明の効果】
【0007】
本発明によれば、対象のパフォーマンスを推定するシステム等を提供することを可能にする。このシステム等により、例えば、対象の現在のパフォーマンスまたは将来のパフォーマンスを推定することができ、パフォーマンスの低下を防止するための対策を講じることを可能にし得る。
【0008】
さらに、本発明によれば、ローカルバーストを検出するシステム等も提供することを可能にする。このシステム等によって検出されたローカルバーストは、種々の用途に利用されることが期待される。
【図面の簡単な説明】
【0009】
【図1A】対象から測定された脳波信号から特徴的な低周波数帯の信号（すなわち、「ローカルスリープ」における信号）を検出するフローを概略的に示す図
【図1B】ローカルスリープの回数と、ドライビングコースの中央線からの距離との相関係数を導出した実験の結果を示す図
【図1C】対象の心拍信号からローカルバーストを検出するフローを概略的に示す図
【図2A】ローデルタ波成分（約１．０Ｈｚ～約１．５Ｈｚ）の相関係数ｒ＞０となるｎのカウントを示すグラフ（上側）および３２個の電極のそれぞれのｎ対ｒのグラフ（下側）を示す図
【図2B】ミドルデルタ波成分（約２．５Ｈｚ～約３．０Ｈｚ）の相関係数ｒ＞０となるｎのカウントを示すグラフ（上側）および３２個の電極のそれぞれのｎ対ｒのグラフ（下側）を示す図
【図2C】ハイデルタ波成分（約３．５Ｈｚ～約４．０Ｈｚ）の相関係数ｒ＞０となるｎのカウントを示すグラフ（上側）および３２個の電極のそれぞれのｎ対ｒのグラフ（下側）を示す図
【図2D】デルタ波成分（約１．０Ｈｚ～約３．０Ｈｚ）の相関係数ｒ＞０となるｎのカウントを示すグラフ（上側）および３２個の電極のそれぞれのｎ対ｒのグラフ（下側）を示す図
【図2E】シータ波成分（約４．０Ｈｚ～約７．０Ｈｚ）の相関係数ｒ＞０となるｎのカウントを示すグラフ（上側）および３２個の電極のそれぞれのｎ対ｒのグラフ（下側）を示す図
【図2F】アルファ波成分（約８．０～約１２Ｈｚ）の相関係数ｒ＞０となるｎのカウントを示すグラフ（上側）および３２個の電極のそれぞれのｎ対ｒのグラフ（下側）を示す図
【図2G】ＳＭＲ波成分（約１２～約１５Ｈｚ）の相関係数ｒ＞０となるｎのカウントを示すグラフ（上側）および３２個の電極のそれぞれのｎ対ｒのグラフ（下側）を示す図
【図2H】ローベータ波成分（約１５Ｈｚ～約１８Ｈｚ）の相関係数ｒ＞０となるｎのカウントを示すグラフ（上側）および３２個の電極のそれぞれのｎ対ｒのグラフ（下側）を示す図
【図2I】ミドルベータ波成分（約１９Ｈｚ～約２２Ｈｚ）の相関係数ｒ＞０となるｎのカウントを示すグラフ（上側）および３２個の電極のそれぞれのｎ対ｒのグラフ（下側）を示す図
【図2J】ハイベータ波成分（約２３Ｈｚ～約３６Ｈｚ）の相関係数ｒ＞０となるｎのカウントを示すグラフ（上側）および３２個の電極のそれぞれのｎ対ｒのグラフ（下側）を示す図
【図2K】ガンマ波成分（約３６～約４８Ｈｚ）の相関係数ｒ＞０となるｎのカウントを示すグラフ（上側）および３２個の電極のそれぞれのｎ対ｒのグラフ（下側）を示す図
【図3】ローカルバーストに基づいて対象のパフォーマンスを推定することフローの一例を示す図
【図4】対象のパフォーマンスを推定するシステム１００の構成の一例を示す図
【図5A】プロセッサ部１２０の構成の一例を示す図
【図5B】プロセッサ部１２０の代替実施形態であるプロセッサ部１２０Ａの構成の一例を示す図
【図5C】プロセッサ部１２０の代替実施形態であるプロセッサ部１２０Ｃの構成の一例を示す図
【図6】少なくとも１つの学習済モデルを構築し得るニューラルネットワークモデル６００の構造の一例を示す図
【図7A】本発明の対象のパフォーマンスを推定するためのシステム１００における処理７００の一例を示すフローチャート
【図7B】ステップＳ７０４で、推定手段１２４Ａが将来の対象のパフォーマンスを推定する処理の一例を示すフローチャート
【図7C】本発明のシステム１００における処理８００の一例を示すフローチャート
【図8】実施例１の結果を示す図
【図9】実施例２の結果を示す図
【図10】実施例３の結果を示す図
【発明を実施するための形態】
【0010】
（定義）
本明細書において、「経時的に変化する波形を有する信号」とは、時間と共に振幅が変化することにより、振幅を表す波形が変化する時系列信号をいう。本明細書および特許請求の範囲では、別様に指定されない限り、単に「信号」ともいう。「信号」には、任意の信号が含まれる。典型的には、「信号」は、生体から取得される信号である生体信号であり、具体的には、「信号」は、脳波信号または心拍信号である。「信号」は、任意の時系列データの信号を含み、時系列データは、様々なセンサーから取得されたデータを含み、例えば、脳について取得されるEEG（electroencephalogram）、ECoG（electrocorticogram）、もしくはNIRS（near-infraredspectroscopy）、筋肉について取得されるEMG（Electromyogram）、眼について取得されるEOG(electrooculogram)もしくはERG(electroretinogram)、心臓について取得されるECG（electrocardiogram）、末梢において取得されるPPG（photoplethysmogram）、または、血圧、体温、ホルモン濃度、もしくは加速度データ等の時系列データを含む。
本明細書において、「経時的に変化する波形を有する信号」とは、時間と共に振幅が変化することにより、振幅を表す波形が変化する時系列信号をいう。本明細書および特許請求の範囲では、別様に指定されない限り、単に「信号」ともいう。「信号」には、任意の信号が含まれる。典型的には、「信号」は、生体から取得される信号である生体信号であり、具体的には、「信号」は、脳波信号または心拍信号である。「信号」は、任意の時系列データの信号を含み、時系列データは、様々なセンサーから取得されたデータを含み、例えば、脳について取得されるEEG（electroencephalogram）、ECoG（electrocorticogram）、もしくはNIRS（near-infraredspectroscopy）、筋肉について取得されるEMG（Electromyogram）、眼について取得されるEOG(electrooculogram)もしくはERG(electroretinogram)、心臓について取得されるECG（electrocardiogram）、末梢において取得されるPPG（photoplethysmogram）、または、血圧、体温、ホルモン濃度、もしくは加速度データ等の時系列データを含む。
【0011】
本明細書において、「ローカルバースト」とは、所定の周波数成分の信号の振幅が外れ値を取る現象のことをいう。
【0012】
本明細書において、脳波信号に関する「ローカルバースト」とは、所定の周波数成分の脳波信号の振幅が外れ値を取る現象のことをいう。脳波信号に関するローカルバーストは、覚醒時の脳波信号において発生し得る。
【0013】
本明細書において、「ローカルスリープ」とは、脳波信号に関する「ローカルバースト」の一種であり、デルタ波成分またはシータ波成分の脳波信号の振幅が外れ値をとる現象のことをいう。
【0014】
本明細書において、「外れ値」とは、信号の分布に基づいて決定される閾値を超えた値のことをいう。信号の分布は、予め取得された信号の分布であってもよいし、ローカルバーストを検出するために用いられる所定期間内の信号の分布であってもよいし、任意の開始点から直前の時点までの信号の分布であってもよい。
閾値Ｔは、Ｔ＝μ＋ｎσ
で表されることができ、ここで、μは、信号の分布から決定される代表値であり、σは、信号の分布から決定されるばらつきを示す値であり、ｎは係数である。一例では、μは平均値であり、σは標準偏差である。別の例では、μは中央値であり、σは中央絶対偏差である。典型的には、ｎ≧０．３３である。ｎは、固定値であってもよいし、変動値であってもよい。ｎが変動値である場合、ｎは、ローカルバーストが検出される周波数成分に応じて変動し得る。例えば、脳波信号において、デルタ波成分のローカルバースト（すなわち、ローカルスリープ）が検出されるとき、ｎ＝０．７０であり得る。
閾値Ｔは、Ｔ＝μ＋ｎσ
で表されることができ、ここで、μは、信号の分布から決定される代表値であり、σは、信号の分布から決定されるばらつきを示す値であり、ｎは係数である。一例では、μは平均値であり、σは標準偏差である。別の例では、μは中央値であり、σは中央絶対偏差である。典型的には、ｎ≧０．３３である。ｎは、固定値であってもよいし、変動値であってもよい。ｎが変動値である場合、ｎは、ローカルバーストが検出される周波数成分に応じて変動し得る。例えば、脳波信号において、デルタ波成分のローカルバースト（すなわち、ローカルスリープ）が検出されるとき、ｎ＝０．７０であり得る。
【0015】
本明細書において、「～を推定する」とは、現在の～を推定することに加えて、将来の～を推定する（すなわち、予測する）ことも含む概念である。
【0016】
本明細書において、「対象」とは、ローカルバーストを検出する対象となる人物もしくは動物、または、パフォーマンスを推定する対象となる任意の人物もしくは動物のことをいう。
【0017】
本明細書において、「被験体」とは、パフォーマンスを推定するために利用される少なくとも１つの学習済モデルを構築するための学習処理において利用される教師データを取得する対象となる任意の人物または動物のことをいう。
【0018】
本明細書において、「パフォーマンス」とは、脳の特定の神経回路における情報処理によって実現される性質または能力のことをいい、例えば、認知機能を含む。「パフォーマンス」は、例えば、注意能力、ワーキングメモリー、反応速度、実行機能、時・空間認知機能、抑制制御機能、記憶能力、情動制御機能を含む。
【0019】
本明細書において、「約」とは、後に続く数値の±１０％を意味する。
【0020】
（１．脳波信号に関するローカルバーストの検出）
上述したように、覚醒時でも、睡眠状態にあるときと同様の特徴的な低周波数帯の脳波信号が見られることが分かってきた。本発明の発明者は、この脳波信号が、脳の情報処理の一時停止状態において発生するものであり、パフォーマンスと相関し得るのではないかと考えた。
上述したように、覚醒時でも、睡眠状態にあるときと同様の特徴的な低周波数帯の脳波信号が見られることが分かってきた。本発明の発明者は、この脳波信号が、脳の情報処理の一時停止状態において発生するものであり、パフォーマンスと相関し得るのではないかと考えた。
【0021】
本発明の発明者は、低周波数帯の脳波信号がパフォーマンスと相関し得るかを調べるために、対象から測定された低周波数帯（デルタ波帯）の脳波信号と、対象がドライビングゲームを行ったときのパフォーマンスとの関係を解析した。対象には、中央線に沿ってドライブするよう指示が与えられた。対象がドライビングゲームを行ったときのパフォーマンスを示す指標として、ドライビングコースの中央線からの距離を利用した。ドライビングコースの中央線からの距離が小さいほど、うまくドライブできている（すなわち、パフォーマンスが高い）ことを示し、ドライビングコースの中央線からの距離が大きいほど、うまくドライブできていない（すなわち、パフォーマンスが低い）ことを示している。
【0022】
図１Ａは、対象から測定された脳波信号から特徴的な低周波数帯の脳波信号（すなわち、「ローカルスリープ」における脳波信号）を検出するフローを概略的に示す。
【0023】
第一に、対象から測定された脳波信号に対して、バンドパスフィルタをかけることにより、デルタ波成分の脳波信号を抽出する。
【0024】
第二に、所定期間内で、デルタ波成分の脳波信号が閾値を超えたときを検出する。検出されたものが「ローカルスリープ」である。ここで、閾値は、μ＋２σまたはμ＋３σとした。μは中央値であり、σは中央絶対偏差である。
【0025】
第三に、所定期間のウインドウを移動させながら、各所定期間内のローカルスリープの数を計数し、ローカルスリープの回数を決定する。
【0026】
このようにして決定されたローカルスリープの回数と、ドライビングコースの中央線からの距離との相関係数を導出した。１１人の対象（Ｓ１～Ｓ１１）において実験を行い、相関係数を導出した。
【0027】
図１Ｂは、その結果を示す。相関係数が０より大きいことは、正の相関があることを示している。図１Ｂから分かるように、１１人中１０人の結果において、対象から検出されたローカルスリープの回数と、対象のパフォーマンスとには強い相関があることが見られた。特に、高い者では、約０．９の高い相関係数を示した。このことから、ローカルスリープが検出されると、対象のパフォーマンスが低下し得ることが示唆された。
【0028】
さらに、本発明の発明者は、低周波数帯の脳波信号だけではなく、あらゆる周波数帯において、同様にパフォーマンスと相関し得る脳波信号が発生しているのではないかと考えた。
【0029】
本発明の発明者は、あらゆる周波数帯において、パフォーマンスと相関し得る脳波信号を検出するために、閾値を変動させて、上記と同様の実験を行った。
【0030】
実験は２名の対象に対して行った。閾値は、μ＋ｎσ（μは中央値であり、σは中央絶対偏差である）とし、ｎの値を変動させた。１０－１０法（例えば、Valer Jurcak, Daisuke Tsuzuki, Ippeita Dan, "10/20, 10/10, and 10/5 systems revisited: Their validity as relative head-surface-based positioning systems", NeuroImage, Elsevier, 15 February 2007 を参照）に従って頭部に装着された３２個の電極のそれぞれから取得された脳波信号について、閾値を超えた回数とドライビングコースの中央線からの距離との相関係数を算出した。ローデルタ波成分（約１．０Ｈｚ～約１．５Ｈｚ）、ミドルデルタ波成分（約２．５Ｈｚ～約３．０Ｈｚ）、ハイデルタ波成分（約３．５Ｈｚ～約４．０Ｈｚ）、デルタ波成分（約１．０Ｈｚ～約３．０Ｈｚ）、シータ波成分（約４．０Ｈｚ～約７．０Ｈｚ）、アルファ波成分（約８．０～約１２Ｈｚ）、ＳＭＲ波成分（約１２～約１５Ｈｚ）、ローベータ波成分（約１５Ｈｚ～約１８Ｈｚ）、ミドルベータ波成分（約１９Ｈｚ～約２２Ｈｚ）、ハイベータ波成分（約２３Ｈｚ～約３６Ｈｚ）、ガンマ波成分（約３６～約４８Ｈｚ）の各周波数成分において、相関係数ｒ＞０となるｎをカウントして分布を描いた。
【0031】
図２Ａは、ローデルタ波成分（約１．０Ｈｚ～約１．５Ｈｚ）の相関係数ｒ＞０となるｎのカウントを示すグラフ（上側）および３２個の電極のそれぞれのｎ対ｒのグラフ（下側）を示す。図２Ｂは、ミドルデルタ波成分（約２．５Ｈｚ～約３．０Ｈｚ）の相関係数ｒ＞０となるｎのカウントを示すグラフ（上側）および３２個の電極のそれぞれのｎ対ｒのグラフ（下側）を示す。図２Ｃは、ハイデルタ波成分（約３．５Ｈｚ～約４．０Ｈｚ）の相関係数ｒ＞０となるｎのカウントを示すグラフ（上側）および３２個の電極のそれぞれのｎ対ｒのグラフ（下側）を示す。図２Ｄは、デルタ波成分（約１．０Ｈｚ～約３．０Ｈｚ）の相関係数ｒ＞０となるｎのカウントを示すグラフ（上側）および３２個の電極のそれぞれのｎ対ｒのグラフ（下側）を示す。図２Ｅは、シータ波成分（約４．０Ｈｚ～約７．０Ｈｚ）の相関係数ｒ＞０となるｎのカウントを示すグラフ（上側）および３２個の電極のそれぞれのｎ対ｒのグラフ（下側）を示す。図２Ｆは、アルファ波成分（約８．０～約１２Ｈｚ）の相関係数ｒ＞０となるｎのカウントを示すグラフ（上側）および３２個の電極のそれぞれのｎ対ｒのグラフ（下側）を示す。図２Ｇは、ＳＭＲ波成分（約１２～約１５Ｈｚ）の相関係数ｒ＞０となるｎのカウントを示すグラフ（上側）および３２個の電極のそれぞれのｎ対ｒのグラフ（下側）を示す。図２Ｈは、ローベータ波成分（約１５Ｈｚ～約１８Ｈｚ）の相関係数ｒ＞０となるｎのカウントを示すグラフ（上側）および３２個の電極のそれぞれのｎ対ｒのグラフ（下側）を示す。図２Ｉは、ミドルベータ波成分（約１９Ｈｚ～約２２Ｈｚ）の相関係数ｒ＞０となるｎのカウントを示すグラフ（上側）および３２個の電極のそれぞれのｎ対ｒのグラフ（下側）を示す。図２Ｊは、ハイベータ波成分（約２３Ｈｚ～約３６Ｈｚ）の相関係数ｒ＞０となるｎのカウントを示すグラフ（上側）および３２個の電極のそれぞれのｎ対ｒのグラフ（下側）を示す。図２Ｋは、ガンマ波成分（約３６～約４８Ｈｚ）の相関係数ｒ＞０となるｎのカウントを示すグラフ（上側）および３２個の電極のそれぞれのｎ対ｒのグラフ（下側）を示す。
【0032】
各周波数において、最頻値のｎは、表１に示されるとおりとなった。ｎの平均値は、０．３３となった。
【表1】
【0033】
この結果から、ドライビングにおけるパフォーマンスではｎ≧０．３３とすることで、パフォーマンスと相関し得る脳波信号を検出することができることが見いだされた。同様の方法でデータ収集・解析を行うことで、任意のパフォーマンスに対応する閾値を定義することができる。本発明の発明者は、パフォーマンスと相関し得る脳波信号を発生させるときの事象を（脳波信号に関する）「ローカルバースト」と命名した。ここで、「ローカル」は、空間的に局所的なことと、時間的に局所的なこととの両方を意味し得る。すなわち、「ローカルバースト」で特異的な脳波信号を発生させているのが、脳の局所的な部位であること、および、局所的な時間であることの両方を意味し得る。
【0034】
本発明の発明者は、脳波信号に関するローカルバーストを検出することを、対象のパフォーマンスを推定することに応用することができると考えた。
【0035】
図３は、ローカルバーストに基づいて対象のパフォーマンスを推定することフローの一例を示す。図３（ａ）は、対象Ｕ１がデスクワークをしているときにパフォーマンスを予測することの例を示し、図３（ｂ）は、対象Ｕ２が自動車を運転しているときにパフォーマンスを推定することの例を示す。本例では、本発明のシステム１００が対象のパフォーマンスを推定することができる。
【0036】
ステップＳ１では、対象Ｕ１がデスクワークをしているときの脳波信号が取得され、取得された脳波信号が、本発明のシステム１００に入力される。このとき、脳波信号がシステム１００に入力される態様は問わない。例えば、対象Ｕ１の端末装置からネットワーク（例えば、インターネット、ＬＡＮ）を介してシステム１００に入力されることができる。
【0037】
システム１００は、入力された脳波信号からローカルバーストを検出し、検出されたローカルバーストに基づいて、対象Ｕ１のパフォーマンスを推定することができる。例えば、システム１００は、デルタ波成分のローカルバーストが検出されたことに基づいて、対象Ｕ１のパフォーマンスが低下していることを推定することができる。例えば、システム１００は、ベータ波成分のローカルバーストが検出されたことに基づいて、対象Ｕ１のパフォーマンスが向上していることを推定することができる。
【0038】
ステップＳ２では、システム１００によって推定されたパフォーマンスが対象Ｕ１に通知される。推定されたパフォーマンスは、例えば、対象Ｕ１の端末装置のディスプレイを介して対象Ｕ１に通知されてもよいし、対象Ｕ１の端末装置のスピーカを介して対象Ｕ１に通知されてもよい。
【0039】
例えば、対象Ｕ１は、自身のパフォーマンスが低下していることを通知されることで、パフォーマンスを改善するための対策（例えば、デスクワークを中断して休憩をとる、ストレッチをする、糖分を摂取する等）を講じることができる。例えば、対象Ｕ１は、自身のパフォーマンスが向上していることを通知されることで、より一層仕事に励むためのモチベーションを得ることができる。
【0040】
このように、システム１００は、対象の脳波信号に基づいて、対象の現在のパフォーマンスを推定することができる。システム１００は、対象の脳波信号に基づいて、対象の将来のパフォーマンスを推定することもできる。
【0041】
ステップＳ３では、対象Ｕ２が自動車の運転をしているときの脳波信号が取得され、取得された脳波信号が、本発明のシステム１００に入力される。このとき、脳波信号がシステム１００に入力される態様は問わない。例えば、対象Ｕ１の端末装置からネットワーク（例えば、インターネット、ＬＡＮ）を介してシステム１００に入力されることができる。
【0042】
システム１００は、入力された脳波信号からローカルバーストを検出し、検出されたローカルバーストに基づいて、対象Ｕ２の将来のパフォーマンスを推定することができる。例えば、システム１００は、シータ波成分のローカルバーストが検出されることを推定したことに基づいて、対象Ｕ２の将来のパフォーマンスが低下し得ることを推定することができる。例えば、システム１００は、ガンマ波成分のローカルバーストが検出されることを推定したこと基づいて、対象Ｕ２の将来のパフォーマンスが向上し得ることを推定することができる。
【0043】
ステップＳ４では、システム１００によって推定された将来のパフォーマンスが対象Ｕ２に通知される。推定された将来のパフォーマンスは、例えば、対象Ｕ２の端末装置（例えば、カーナビ）のディスプレイを介して対象Ｕ２に通知されてもよいし、対象Ｕ２の端末装置のスピーカを介して対象Ｕ２に通知されてもよい。
【0044】
例えば、対象Ｕ２は、自身の将来のパフォーマンスが低下し得ることを通知されることで、パフォーマンスを改善するための対策（例えば、運転を中断して休憩をとる、ストレッチをする、コーヒーまたはガムを摂取する等）を予め講じることができる。
【0045】
このように、システム１００は、対象の脳波信号に基づいて、対象の将来のパフォーマンスを推定することができる。
【0046】
上述した例では、対象の脳波信号からローカルバーストを検出することを説明したが、本発明は、これに限定されない。システム１００は、脳波信号以外の信号からでもローカルバーストを検出することができる。信号は、経時的に変化する波形を有する信号であり、例えば、生体信号であり得、具体的には、心拍信号であり得る。すなわち、システム１００は、経時的に変化する波形を有する信号を処理するシステムと称され得る。
【0047】
図１Ｃは、対象の心拍信号からローカルバーストを検出するフローを概略的に示す。本例では、８秒間に取得された心拍信号からローカルバーストを検出した。
【0048】
第一に、システム１００は、対象から測定された心拍信号に対して、バンドパスフィルタをかけることにより、所定の周波数成分の心拍信号を抽出する。
【0049】
第二に、システム１００は、所定期間（８秒間）内で、所定の周波数成分の心拍信号が閾値を超えたときを検出する。検出されたものが心拍信号に関する「ローカルバースト」である。ここで、閾値は、μ＋３σとした。μは中央値であり、σは中央絶対偏差である。
【0050】
第三に、システム１００は、所定期間（８秒間）内のローカルバーストの数を計数し、ローカルバーストの回数を決定する。
【0051】
このようにして検出されたローカルバーストのパラメータの値（例えば、ローカルバーストの回数）は、任意の用途に利用されることが期待される。例えば、心拍信号から検出されたローカルバーストのパラメータの値は、心拍信号が取得された対象の状態を推定するために利用されることができる。
【0052】
上記の手法は、心拍信号のみならず、他の任意の信号に対しても同様に適用されることができる。他の任意の信号に対して、バンドパスフィルタ等を適用することにより所定の周波数成分の信号を抽出し、抽出された信号のうち振幅が外れ値をとったとき、すなわち、閾値を超えたときを検出することで、その信号に関するローカルバーストを検出することができる。
【0053】
上述したシステム１００は、例えば、後述する構成を有することができる。
【0054】
（２．経時的に変化する波形を有する信号を処理するシステムの構成）
図４は、本発明の経時的に変化する波形を有する信号を処理するシステム１００の構成の一例を示す。一実施形態において、システム１００は、ローカルバーストを検出するための構成を有する。別の実施形態において、システム１００は、対象のパフォーマンスを推定するための構成をさらに有する。
図４は、本発明の経時的に変化する波形を有する信号を処理するシステム１００の構成の一例を示す。一実施形態において、システム１００は、ローカルバーストを検出するための構成を有する。別の実施形態において、システム１００は、対象のパフォーマンスを推定するための構成をさらに有する。
【0055】
システム１００は、インターフェース部１１０と、プロセッサ部１２０と、メモリ部１３０とを備える。システム１００は、データベース部２００に接続されている。
【0056】
インターフェース部１１０は、システム１００の外部と情報のやり取りを行う。システム１００のプロセッサ部１２０は、インターフェース部１１０を介して、システム１００の外部から情報を受信することが可能であり、システム１００の外部に情報を送信することが可能である。インターフェース部１１０は、任意の形式で情報のやり取りを行うことができる。例えば、ユーザ装置（例えば、スマートフォン、タブレット、スマートウォッチ、スマートグラス、ラップトップコンピュータ、デスクトップコンピュータ等）、または脳波測定装置は、インターフェース部１１０を介して、システム１００と通信することができる。
【0057】
インターフェース部１１０は、例えば、システム１００に情報を入力することを可能にする入力部を備える。入力部が、どのような態様でシステム１００に情報を入力することを可能にするかは問わない。例えば、入力部がデータ読み取り装置である場合には、システム１００に接続された記憶媒体から情報を読み取ることによって情報を入力するようにしてもよい。あるいは、入力部が受信器である場合、受信器がネットワークを介してシステム１００の外部から情報を受信することにより入力してもよい。この場合、ネットワークの種類は問わない。例えば、受信器は、インターネットを介して情報を受信してもよいし、ＬＡＮを介して情報を受信してもよい。インターフェース部１１０に入力された情報は、プロセッサ部１２０に渡され、プロセッサ部１２０は、これを受信する。
【0058】
インターフェース部１１０は、例えば、信号をシステム１００の外部から受信することができる。インターフェース部１１０は、例えば、システム１００と通信し得る信号測定装置から信号を受信することができる。インターフェース部１１０は、例えば、データベース部２００から信号を受信することができる。
【0059】
インターフェース部１１０は、例えば、脳波信号をシステム１００の外部から受信することができる。インターフェース部１１０は、例えば、システム１００と通信し得る脳波測定装置（例えば、脳波計（Ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｐｈ：ＥＥＧ））から脳波信号を受信することができる。本明細書では、脳波信号は、脳磁計（Ｍａｇｎｅｔｏｅｎｃｅｐｈａｌｏｇｒａｐｈｙ：ＭＥＧ）による脳磁計測から取得可能な信号を含む。インターフェース部１１０は、例えば、データベース部２００から脳波信号を受信することができる。インターフェース部１１０は、例えば、対象の脳波信号を推定することが可能なシステムから脳波信号を受信することもできる。
【0060】
インターフェース部１１０は、例えば、心拍信号をシステム１００の外部から受信することができる。インターフェース部１１０は、例えば、システム１００と通信し得る心拍計から心拍信号を受信することができる。インターフェース部１１０は、例えば、データベース部２００から心拍信号を受信することができる。
【0061】
インターフェース部１１０は、例えば、心拍が取得されたときの対象の状態を示す情報をシステム１００の外部から受信することができる。インターフェース部１１０は、例えば、システム１００と通信し得る状態測定装置またはユーザ装置から対象の状態を示す情報を受信することができる。インターフェース部１１０は、例えば、データベース部２００から対象の状態を示す値を受信することができる。
【0062】
インターフェース部１１０は、例えば、脳波が取得されたときの被験体のパフォーマンスを示す情報をシステム１００の外部から受信することができる。インターフェース部１１０は、例えば、システム１００と通信し得るパフォーマンス測定装置またはユーザ装置から被験体のパフォーマンスを示す情報を受信することができる。インターフェース部１１０は、例えば、データベース部２００から被験体のパフォーマンスを示す値を受信することができる。
【0063】
被験体のパフォーマンスを示す値は、例えば、所与の課題を被験体に行わせているときに測定される値であり得る。被験体のパフォーマンスを示す値は、連続値であってもよいし、離散値であってもよい。機械学習におけるラベルとして利用することができる限り、任意の態様の値であり得る。所定の課題は、任意の課題であり得、例えば、乗り物（例えば、自動車、二輪車、電車、航空機等）を運転すること、スポーツをすること、ゲームをすること、勉強をすること、試験を受けること、頭脳労働をすること等を含む。被験体のパフォーマンスを示す値は、例えば、集中度、敏捷性、記憶力、判断力、学習能力、言語能力、空間把握能力、自己抑制能力、感情制御力、社会性等を含むがこれらに限定されない。
【0064】
インターフェース部１１０は、例えば、システム１００から情報を出力することを可能にする出力部を備える。出力部が、どのような態様でシステム１００から情報を出力することを可能にするかは問わない。例えば、出力部がデータ書き込み装置である場合、システム１００に接続された記憶媒体に情報を書き込むことによって情報を出力するようにしてもよい。あるいは、出力部が送信器である場合、送信器がネットワークを介してシステム１００の外部に情報を送信することにより出力してもよい。この場合、ネットワークの種類は問わない。例えば、送信器は、インターネットを介して情報を送信してもよいし、ＬＡＮを介して情報を送信してもよい。例えば、出力部がスピーカである場合、外部に音を出力するようにしてもよい。例えば、出力部がディスプレイである場合、ディスプレイに画面を表示することで情報を出力するようにしてもよい。
【0065】
インターフェース部１１０は、例えば、推定された対象のパフォーマンスを示す情報をシステム１００の外部に出力することができる。インターフェース部１１０は、例えば、システム１００と通信し得るユーザ装置に、推定された対象のパフォーマンスを示す情報を提供することができる。インターフェース部１１０は、例えば、データベース部２００に、推定された対象のパフォーマンスを示す情報を提供することができる。インターフェース部１１０は、例えば、システム１００と通信し得る発報装置に、推定された対象のパフォーマンスを示す情報を提供することができる。
【0066】
推定された対象のパフォーマンスを示す情報は、例えば、対象のパフォーマンスを示す値、対象のパフォーマンスが向上または低下していることを示す値、対象のパフォーマンスが所定の閾値以上または以下であることを示す情報を含むが、これらに限定されない。推定された対象のパフォーマンスを示す情報は、例えば、対象の将来のパフォーマンスを示す値、対象のパフォーマンスが将来向上することを示す値、対象のパフォーマンスが将来低下することを示す値、対象のパフォーマンスが将来所定の閾値以上になることを示す情報、または対象のパフォーマンスが将来所定の閾値以下になることを示す情報も含むが、これらに限定されない。
【0067】
インターフェース部１１０は、例えば、検出されたローカルバーストのパラメータの値をシステム１００の外部に出力することができる。インターフェース部１１０は、例えば、システム１００と通信し得るユーザ装置に、検出されたローカルバーストのパラメータの値を提供することができる。インターフェース部１１０は、例えば、データベース部２００に、検出されたローカルバーストのパラメータの値を提供することができる。検出されたローカルバーストのパラメータの値は、任意の用途に利用されることができる。
【0068】
プロセッサ部１２０は、システム１００の処理を実行し、かつ、システム１００全体の動作を制御する。プロセッサ部１２０は、メモリ部１３０に格納されているプログラムを読み出し、そのプログラムを実行する。これにより、システム１００を所望のステップを実行するシステムとして機能させることが可能である。プロセッサ部１２０は、単一のプロセッサによって実装されてもよいし、複数のプロセッサによって実装されてもよい。
【0069】
メモリ部１３０は、システム１００の処理を実行するために必要とされるプログラムやそのプログラムの実行に必要とされるデータ等を格納する。メモリ部１３０は、対象のパフォーマンスを推定するための処理をプロセッサ部に行わせるためのプログラム（例えば、後述する図７Ａまたは図７Ｂに示される処理を実現するプログラム）を格納してもよいし、ローカルバーストを検出するための処理をプロセッサ部に行わせるためのプログラム（例えば、図７Ｃに示される処理を実現するプログラム）を格納してもよい。ここで、プログラムをどのようにしてメモリ部１３０に格納するかは問わない。例えば、プログラムは、メモリ部１３０にプリインストールされていてもよい。あるいは、プログラムは、ネットワークを経由してダウンロードされることによってメモリ部１３０にインストールされるようにしてもよい。あるいは、プログラムは、非一過性のコンピュータ読み取り可能な記憶媒体に格納されていてもよい。メモリ部１３０は、任意の記憶手段によって実装され得る。
【0070】
データベース部２００には、予め被験体から取得された脳波信号およびそのときのパフォーマンスを示す情報が記憶されることができる。また、データベース部２００には、少なくとも１つの学習済モデルを実装するためのデータが格納され得る。
【0071】
図４に示される例では、データベース部２００は、システム１００の外部に設けられているが、本発明はこれに限定されない。データベース部２００をシステム１００の内部に設けることも可能である。このとき、データベース部２００は、メモリ部１３０を実装する記憶手段と同一の記憶手段によって実装されてもよいし、メモリ部１３０を実装する記憶手段とは別の記憶手段によって実装されてもよい。いずれにせよ、データベース部２００は、システム１００のための格納部として構成される。データベース部２００の構成は、特定のハードウェア構成に限定されない。例えば、データベース部２００は、単一のハードウェア部品で構成されてもよいし、複数のハードウェア部品で構成されてもよい。例えば、データベース部２００は、システム１００の外付けハードディスク装置として構成されてもよいし、ネットワークを介して接続されるクラウド上のストレージとして構成されてもよい。
【0072】
図５Ａは、プロセッサ部１２０の構成の一例を示す。本例では、プロセッサ部１２０は、対象のパフォーマンスを推定するための構成を有する。
【0073】
プロセッサ部１２０は、受信手段１２１と、抽出手段１２２と、検出手段１２３と、推定手段１２４とを備える。
【0074】
受信手段１２１は、対象の脳波信号を受信するように構成されている。対象の脳波信号が対象から取得される態様は問わない。例えば、対象の脳波信号は、脳波計または脳磁計によって対象から測定されることができる。例えば、対象の脳波信号は、対象の画像から推定されることができる。例えば、対象の脳波信号は、対象の脳波以外の生体信号から推定されることができる。対象の脳波信号は、例えば、対象の頭部に装着された単一の電極によって測定される単一チャネルの信号（すなわち、一次元の信号）であってもよいし、対象の頭部に受信された複数の電極によって測定される複数チャネルの信号（すなわち、２次元以上の信号）であってもよい。好ましくは、対象の脳波信号は、複数チャネルの信号であり得る。電極を装着した位置の情報も含めた複合的な解析を行うことができるからである。
【0075】
受信手段１２１は、所定期間の脳波信号を受信することができる。所定期間は、長いほど推定に利用可能な情報量が多くなるが、リアルタイム性が損なわれ得る。所定期間は、例えば、約１０秒間～約１０００秒間であり、好ましくは、約３０秒間～約３００秒間であり、より好ましくは、約３００秒間である。
【0076】
対象の脳波信号は、抽出手段１２２に渡される。
【0077】
抽出手段１２２は、所定の周波数成分を抽出するように構成されている。抽出手段１２２は、当該技術分野において公知の技術を用いて、脳波信号から所定の周波数成分を抽出することができる。抽出手段１２２は、例えば、バンドパスフィルタを用いて、所定の周波数成分を抽出するようにしてもよいし、ローパスフィルタ、ハイパスフィルタ、またはこれらの組み合わせを用いて、所定の周波数成分を抽出するようにしてもよい。
【0078】
所定の周波数成分は、ローデルタ波成分（約１．０Ｈｚ～約１．５Ｈｚ）、ミドルデルタ波成分（約２．５Ｈｚ～約３．０Ｈｚ）、ハイデルタ波成分（約３．５Ｈｚ～約４．０Ｈｚ）、デルタ波成分（約１．０Ｈｚ～約３．０Ｈｚ）、シータ波成分（約４．０Ｈｚ～約７．０Ｈｚ）、アルファ波成分（約８．０～約１２Ｈｚ）、ＳＭＲ波成分（約１２～約１５Ｈｚ）、ローベータ波成分（約１５Ｈｚ～約１８Ｈｚ）、ミドルベータ波成分（約１９Ｈｚ～約２２Ｈｚ）、ハイベータ波成分（約２３Ｈｚ～約３６Ｈｚ）、ガンマ波成分（約３６～約４８Ｈｚ）のうちの１つまたは複数であり得る。好ましくは、所定の周波数成分は、デルタ波成分、シータ波成分、アルファ波成分、ＳＭＲ波成分、ベータ波成分、ガンマ波成分のうちの１つであり得る。より好ましくは、所定の周波数成分は、デルタ波成分またはシータ波成分のうちの一方または両方であり得る。
【0079】
抽出手段１２２によって抽出された所定の周波数成分の脳波信号は、検出手段１２３に渡される。
【0080】
検出手段１２３は、ローカルバーストを検出するように構成されている。検出手段１２３は、所定の周波数成分の脳波信号の振幅が閾値を超えたときにローカルバーストを検出する。検出手段１２３は、例えば、閾値を超えた瞬間を特定するようにしてもよいし、閾値を超えている期間を特定するようにしてもよい。
【0081】
検出手段１２３は、対象の脳波信号の分布に基づいて閾値を決定することができる。閾値を決定するために用いられる脳波信号は、例えば、予め取得された脳波信号（例えば、安静時または課題を行っていないときに測定された脳波信号）であってもよいし、受信手段１２１によって受信された所定期間内の脳波信号であってもよいし、受信手段１２１によって受信されて蓄積された脳波信号であってもよい。
【0082】
例えば、対象のパフォーマンスを推定するセッションをＴ０に開始して継続的に行うとき、所定期間の長さをΔＴとすると、第１のセッションでは、受信手段１２１は、Ｔ０～Ｔ１（Ｔ１＝Ｔ０＋ΔＴ）の間の脳波信号を受信することになり、第２のセッションでは、受信手段１２１は、Ｔ１～Ｔ２（Ｔ２＝Ｔ１＋ΔＴ）の間の脳波信号を受信することになり、第３のセッションでは、受信手段１２１は、Ｔ２～Ｔ３（Ｔ３＝Ｔ２＋ΔＴ）の間の脳波信号を受信することになり、・・・第ｍのセッションでは、受信手段１２１は、Ｔｍ－１～Ｔｍ（Ｔｍ＝Ｔｍ－１＋ΔＴ）の間の脳波信号を受信することになる。例えば、第１のセッションでは、検出手段１２３は、Ｔ０の前に取得された脳波信号に基づいて閾値を決定することができる。例えば、第２のセッションでは、検出手段１２３は、Ｔ０の前に取得された脳波信号に基づいて閾値を決定するようにしてもよいし、Ｔ０～Ｔ１で取得された脳波信号に基づいて閾値を決定するようにしてもよい。例えば、第３のセッションでは、検出手段１２３は、Ｔ０の前に取得された脳波信号に基づいて閾値を決定するようにしてもよいし、Ｔ１～Ｔ２で取得された脳波信号に基づいて閾値を決定するようにしてもよいし、Ｔ０～Ｔ２で取得された脳波信号に基づいて閾値を決定するようにしてもよい。例えば、第ｍのセッションでは、検出手段１２３は、Ｔ０の前に取得された脳波信号に基づいて閾値を決定するようにしてもよいし、Ｔｍ－１～Ｔｍで取得された脳波信号に基づいて閾値を決定するようにしてもよいし、Ｔｋ～Ｔｌで取得された脳波信号に基づいて閾値を決定するようにしてもよい（０≦ｋ＜ｌ≦ｍ）。
【0083】
閾値Ｔは、
Ｔ＝μ＋ｎσ
で表される。従って、第ｍのセッションでは、μは、Ｔ０の前に取得された脳波信号の分布から算出される代表値（例えば、平均値、中央値）であってもよいし、Ｔｋ～Ｔｌで取得された脳波信号の分布から算出される代表値（例えば、平均値、中央値）であってもよい。同様に、σは、Ｔ０の前に取得された脳波信号の分布から算出されるばらつきを示す値（例えば、標準偏差、中央絶対偏差）であってもよいし、Ｔｋ～Ｔｌで取得された脳波信号の分布から算出されるばらつきを示す値（例えば、標準偏差、中央絶対偏差）であってもよい。
Ｔ＝μ＋ｎσ
で表される。従って、第ｍのセッションでは、μは、Ｔ０の前に取得された脳波信号の分布から算出される代表値（例えば、平均値、中央値）であってもよいし、Ｔｋ～Ｔｌで取得された脳波信号の分布から算出される代表値（例えば、平均値、中央値）であってもよい。同様に、σは、Ｔ０の前に取得された脳波信号の分布から算出されるばらつきを示す値（例えば、標準偏差、中央絶対偏差）であってもよいし、Ｔｋ～Ｔｌで取得された脳波信号の分布から算出されるばらつきを示す値（例えば、標準偏差、中央絶対偏差）であってもよい。
【0084】
ｎは、所定の周波数成分に応じて変動し得る。従って、検出手段１２３は、抽出手段１２２で抽出される周波数成分に応じて、ｎを決定するようにしてもよい。例えば、抽出手段１２２で抽出される周波数成分がデルタ波成分である場合、検出手段１２３は、ｎ＝０．７０とすることができる。
【0085】
検出手段１２３は、検出されたローカルバーストからローカルバーストのパラメータの値を決定することができる。
ローカルバーストのパラメータは、所定期間内にローカルバーストが検出された回数、所定期間内に検出されたローカルバーストの時空間パターンを含む。ローカルバーストのパラメータは、所定期間を、例えば、約３０秒、約１５０秒、約３００秒、約６００秒、約１２００秒等に変動させたものであってもよい。例えば、ローカルバーストが検出された回数について、約３０秒間でローカルバーストが検出された回数、約１５０秒間でローカルバーストが検出された回数、約３００秒間でローカルバーストが検出された回数、約６００秒間でローカルバーストが検出された回数、約１２００秒間でローカルバーストが検出された回数等としてもよい。例えば、ローカルバーストの時空間パターンについて、約３０秒間で検出されたローカルバーストの時空間パターン、約１５０秒間で検出されたローカルバーストの時空間パターン、約３００秒間で検出されたローカルバーストの時空間パターン、約６００秒間で検出されたローカルバーストの時空間パターン、約１２００秒間で検出されたローカルバーストの時空間パターンとしてもよい。
ローカルバーストのパラメータは、所定期間内にローカルバーストが検出された回数、所定期間内に検出されたローカルバーストの時空間パターンを含む。ローカルバーストのパラメータは、所定期間を、例えば、約３０秒、約１５０秒、約３００秒、約６００秒、約１２００秒等に変動させたものであってもよい。例えば、ローカルバーストが検出された回数について、約３０秒間でローカルバーストが検出された回数、約１５０秒間でローカルバーストが検出された回数、約３００秒間でローカルバーストが検出された回数、約６００秒間でローカルバーストが検出された回数、約１２００秒間でローカルバーストが検出された回数等としてもよい。例えば、ローカルバーストの時空間パターンについて、約３０秒間で検出されたローカルバーストの時空間パターン、約１５０秒間で検出されたローカルバーストの時空間パターン、約３００秒間で検出されたローカルバーストの時空間パターン、約６００秒間で検出されたローカルバーストの時空間パターン、約１２００秒間で検出されたローカルバーストの時空間パターンとしてもよい。
【0086】
決定されたローカルバーストのパラメータの値は、推定手段１２４に渡される。
【0087】
推定手段１２４は、ローカルバーストのパラメータの値に基づいて、対象のパフォーマンスを推定するように構成されている。
【0088】
推定手段１２４は、少なくとも１つの学習済モデルを備えており、その少なくとも１つの学習済モデルを用いて、対象のパフォーマンスを推定することができる。
【0089】
少なくとも１つの学習済モデルは、ローカルバーストのパラメータの値と、パフォーマンスを示す値との関係を学習している。言い換えると、少なくとも１つの学習済モデルは、ローカルバーストのパラメータの値を入力されると、対応するパフォーマンスを示す値を出力するように訓練されている。これにより、例えば、検出手段１２３によって抽出されたローカルバーストのパラメータの値が少なくとも１つの学習済モデルに入力されると、対応するパフォーマンスを示す値が出力されることができる。
【0090】
推定手段１２４が備える少なくとも１つの学習済モデルは、当該技術分野において公知の手法で構築された機械学習モデルを用いて構築されることができる。機械学習モデルは、例えば、ニューラルネットワークモデルであり得る。
【0091】
図６は、少なくとも１つの学習済モデルを構築し得るニューラルネットワークモデル６００の構造の一例を示す。
【0092】
ニューラルネットワークモデル６００は、入力層と、中間層と、出力層とを有する。ニューラルネットワークモデル６００の入力層のノード数は、入力されるデータの次元数（例えば、検出手段１２３によって抽出されたローカルバーストのパラメータの値の次元数に対応する。ニューラルネットワークモデルの出力層のノード数は、出力されるデータの次元数に対応する。出力される対象のパフォーマンスを示す値は、１次元であってもよいし、多次元であってもよい。ニューラルネットワークの中間層は、任意のアーキテクチャを有し得る。好ましい実施形態では、中間層は、少なくとも１つのＬＳＴＭ層によって構築され得る。少なくとも１つのＬＳＴＭ層の各層は、任意の数のノードを有し得る。
【0093】
ニューラルネットワークモデル６００は、複数の被験体から取得された脳波信号から検出されたローカルバーストのパラメータの値と、そのときの被験体から測定されたパフォーマンスを示す値とを用いて予め学習処理がなされ得る。学習処理は、複数の被験体から取得された脳波信号から検出されたローカルバーストのパラメータの値と、パフォーマンスを示す値とを使用して、ニューラルネットワークモデルの中間層の各ノードの重み係数を計算する処理である。
【0094】
学習処理は、例えば、教師あり学習である。教師あり学習では、例えば、被験体から取得された脳波信号から検出されたローカルバーストのパラメータの値を入力用教師データとし、脳波信号が取得されたときのその被験体から測定されたパフォーマンスを示す値を出力用教師データとして、複数の被験体のデータを使用してニューラルネットワークモデルの中間層の各ノードの重み係数を計算することにより、被験体の脳波信号から検出されたローカルバーストのパラメータの値とパフォーマンスを示す値とを相関させることが可能な学習済モデルを構築することができる。
【0095】
例えば、教師あり学習のための（入力用教師データ，出力用教師データ）の組は、（第１の時刻に取得された第１の被験体の脳波信号から検出されたローカルバーストのパラメータの値，第１の時刻の第１の被験体のパフォーマンスを示す値）、（第２の時刻に取得された第１の被験体の脳波信号から検出されたローカルバーストのパラメータの値，第２の時刻の第１の被験体のパフォーマンスを示す値）、・・・（第ｉの時刻に取得された第１の被験体の脳波信号から検出されたローカルバーストのパラメータの値，第ｉの時刻の第１の被験体のパフォーマンスを示す値）、・・・等であり得る。このように、単一の被験体から教師データが取得され得る。あるいは、例えば、教師あり学習のための（入力用教師データ，出力用教師データ）の組は、（第１の被験体の脳波信号から検出されたローカルバーストのパラメータの値，脳波信号が取得されたときの第１の被験体のパフォーマンスを示す値）、（第２の被験体の脳波信号から検出されたローカルバーストのパラメータの値，脳波信号が取得されたときの第２の被験体のパフォーマンスを示す値）、・・・（第ｉの被験体の脳波信号から検出されたローカルバーストのパラメータの値，脳波信号が取得されたときの第ｉの被験体のパフォーマンスを示す値）、・・・等であり得る。このように、複数の被験体から教師データが取得され得る。このような学習済のニューラルネットワークモデルの入力層に、対象から取得された脳波信号から検出されたローカルバーストのパラメータの値を入力すると、その対象のパフォーマンスを示す値が出力層に出力される。
【0096】
推定手段１２４によって推定されたパフォーマンスを示す情報は、システム１００の外部へと出力され、任意の用途に利用されることができる。
【0097】
例えば、パフォーマンスが低下していることを対象またはその周囲の人物に報知することができる。報知のために、例えば、アラームを発報することができる。アラームは、例えば、光、音、またはこれらの組み合わせによるものであり得る。これにより、例えば、自動車を運転中の対象は、パフォーマンスが低下していることを自覚することができ、休憩をとったり、ガムやコーヒー等を摂取したりすることができる。
【0098】
例えば、パフォーマンスが向上していることを対象またはその周囲の人物に報知することができる。例えば、アスリートまたはそのコーチの端末装置にパフォーマンスが向上していることを報知することで、アスリートは、いわゆる「ゾーン」に入っていることを自覚することができ、あるいは、「ゾーン」に入るためのきっかけを知ることができる。例えば、プログラマーのパフォーマンスが向上していることを周囲の人物に報知することで、周囲の人物がプログラマーの集中を妨げることを防ぐことができる。あるいは、プログラマーのパフォーマンスが向上していることをプログラマーの端末装置に報知することで、端末装置からの通知（例えば、メール通知）をオフにする「集中モード」に端末装置を自動で切り替えることができる。
【0099】
上述した例では、システム１００は、脳波信号が取得されたときの対象のパフォーマンスを推定することができる。システム１００は、将来の対象のパフォーマンスを推定することもできる。本願明細書において、「将来の」とは、脳波信号が取得されたときから所定時間経過後のことをいう。所定時間は、任意の時間であり得、例えば、１０秒、３０秒、１分、３分、５分、１０分、１５分、３０分、４５分、６０分、９０分、２時間、３時間、６時間、１２時間、２４時間等であり得る。
【0100】
図５Ｂは、プロセッサ部１２０の代替実施形態であるプロセッサ部１２０Ａの構成の一例を示す。プロセッサ部１２０Ａは、推定手段１２４の代わりに推定手段１２４Ａを備える点を除いて、プロセッサ部１２０と同様の構成を有する。ここでは、図５Ａを参照して上述した構成と同一の構成には、同一の参照番号を付し、詳細な説明は省略する。本例では、プロセッサ部１２０Ａは、対象の将来のパフォーマンスを推定するための構成を有する。
【0101】
プロセッサ部１２０Ａは、受信手段１２１と、抽出手段１２２と、検出手段１２３と、推定手段１２４Ａとを備える。
【0102】
推定手段１２４Ａは、第１の推定手段１２４１と、第２の推定手段１２４２とを備える。
【0103】
第１の推定手段１２４１は、検出手段１２３によって検出されたローカルバーストのパラメータの値に基づいて、将来のローカルバーストのパラメータの値を推定するように構成されている。
【0104】
第１の推定手段１２４１は、第１の学習済モデルを備えており、第１の学習済モデルを用いて、将来のローカルバーストのパラメータの値を推定することができる。
【0105】
第１の学習済モデルは、ローカルバーストのパラメータの値と、所定時間経過後のローカルバーストのパラメータの値との関係を学習している。言い換えると、第１の学習済モデルには、ローカルバーストのパラメータの値を入力されると、対応する所定時間経過後のローカルバーストのパラメータの値を出力するように訓練されている。これにより、例えば、検出手段１２３によって抽出されたローカルバーストのパラメータの値が第１の学習済モデルに入力されると、所定時間経過後のローカルバーストのパラメータの値が出力されることができる。
【0106】
第１の推定手段１２４１が備える第１の学習済モデルは、当該技術分野において公知の手法で構築された機械学習モデルを用いて構築されることができる。機械学習モデルは、例えば、図６に示されるような構造を有するニューラルネットワークモデルであり得る。
【0107】
第１の学習済モデルを構築するための学習処理は、例えば、教師あり学習である。教師あり学習では、例えば、被験体から取得された脳波信号から検出されたローカルバーストのパラメータの値を入力用教師データとし、所定時間経過後にその被験体から取得された脳波信号から検出されたローカルバーストのパラメータの値を出力用教師データとして、複数の被験体のデータを使用してニューラルネットワークモデルの中間層の各ノードの重み係数を計算することにより、被験体の脳波信号から検出されたローカルバーストのパラメータの値と所定時間経過後のローカルバーストのパラメータの値とを相関させることが可能な学習済モデルを構築することができる。
【0108】
例えば、教師あり学習のための（入力用教師データ，出力用教師データ）の組は、（第１の時刻に取得された第１の被験体の脳波信号から検出されたローカルバーストのパラメータの値，第１の時刻から所定時間経過後に取得された第１の被験体の脳波信号から検出されたローカルバーストのパラメータの値）、（第２の時刻に取得された第１の被験体の脳波信号から検出されたローカルバーストのパラメータの値，第２の時刻から所定時間経過後に取得された第１の被験体の脳波信号から検出されたローカルバーストのパラメータの値）、・・・（第ｉの時刻に取得された第１の被験体の脳波信号から検出されたローカルバーストのパラメータの値，第ｉの時刻から所定時間経過後に取得された第１の被験体の脳波信号から検出されたローカルバーストのパラメータの値）、・・・等であり得る。このように、単一の被験体から教師データが取得され得る。あるいは、例えば、教師あり学習のための（入力用教師データ，出力用教師データ）の組は、（第１の被験体の脳波信号から検出されたローカルバーストのパラメータの値，所定時間経過後に第１の被験体の脳波信号から検出されたローカルバーストのパラメータの値）、（第２の被験体の脳波信号から検出されたローカルバーストのパラメータの値，所定時間経過後に第２の被験体の脳波信号から検出されたローカルバーストのパラメータの値）、・・・（第ｉの被験体の脳波信号から検出されたローカルバーストのパラメータの値，所定時間経過後に第ｉの被験体の脳波信号から検出されたローカルバーストのパラメータの値）、・・・等であり得る。このように、複数の被験体から教師データが取得され得る。このような学習済のニューラルネットワークモデルの入力層に、対象から取得された脳波信号から検出されたローカルバーストのパラメータの値を入力すると、所定時間経過後のその対象のローカルバーストのパラメータの値が出力層に出力される。
【0109】
第１の推定手段１２４１によって推定された所定時間経過後のローカルバーストのパラメータの値は、第２の推定手段１２４２に渡される。
【0110】
第２の推定手段１２４２は、第１の推定手段１２４１によって推定されたローカルバーストのパラメータの値に基づいて、対象のパフォーマンスを推定するように構成されている。
【0111】
第２の推定手段１２４２は、第２の学習済モデルを備えており、第２の学習済モデルを用いて、対象のパフォーマンスを推定することができる。
【0112】
第２の学習済モデルは、図５Ａを参照して上述した例における少なくとも１つの学習済モデルと同様の学習済モデルであり得る。すなわち、第２の学習済モデルは、ローカルバーストのパラメータの値と、パフォーマンスを示す値との関係を学習している。言い換えると、第２の学習済モデルは、ローカルバーストのパラメータの値を入力されると、対応するパフォーマンスを示す値を出力するように訓練されている。これにより、例えば、第１の推定手段１２４１によって推定されたローカルバーストのパラメータの値が第２の学習済モデルに入力されると、対応するパフォーマンスを示す値が出力されることができる。
【0113】
このようにして、推定手段１２４Ａは、対象の将来のパフォーマンスを推定することができる。推定手段１２４Ａによって推定された将来のパフォーマンスを示す情報は、システム１００の外部へと出力され、任意の用途に利用されることができる。
【0114】
例えば、所定時間経過後にパフォーマンスが低下し得ることを対象またはその周囲の人物に報知することができる。報知のために、例えば、アラームを発報することができる。アラームは、例えば、光、音、またはこれらの組み合わせによるものであり得る。これにより、例えば、自動車を運転中の対象は、パフォーマンスが低下し得ることを自覚することができ、休憩をとったり、ガムやコーヒー等を摂取したりして、パフォーマンスの低下を予防することができる。
【0115】
例えば、所定時間経過後にパフォーマンスが向上し得ることを対象またはその周囲の人物に報知することができる。例えば、アスリートまたはそのコーチの端末装置にパフォーマンスが所定時間経過後に向上し得ることを報知することで、アスリートは、いわゆる「ゾーン」にいつ入るかを知ることができ、本番で最大限の能力が発揮できるように調整することが可能になる。例えば、所定時間経過後にプログラマーのパフォーマンスが向上し得ることを周囲の人物に報知することで、周囲の人物がプログラマーの集中を妨げることを事前に防ぐことができる。あるいは、所定時間経過後にプログラマーのパフォーマンスが向上し得ることをプログラマーの端末装置に報知することがで、端末装置からの通知（例えば、メール通知）をオフにする「集中モード」に端末装置を自動で切り替えることができる。また、パフォーマンスが向上し始めるタイミングで仕事にとりかかる習慣および／またはシステムを採用することで、効率の最大化が可能になる。
【0116】
図５Ｃは、プロセッサ部１２０の代替実施形態であるプロセッサ部１２０Ｃの構成の一例を示す。本例では、プロセッサ部１２０Ｃは、経時的に変化する波形を有する信号からローカルバーストを検出するための構成を有する。
【0117】
プロセッサ部１２０Ｃは、受信手段１２１Ｃと、抽出手段１２２Ｃと、検出手段１２３Ｃとを備える。
【0118】
受信手段１２１Ｃは、経時的に変化する波形を有する信号を受信するように構成されている。経時的に変化する波形を有する信号は、例えば、生体信号であり得、対象に装着された計測器から測定されることができる。典型的には、経時的に変化する波形を有する信号は、心拍信号であり得、対象に装着された心拍計から測定されることができる。
【0119】
受信手段１２１Ｃは、所定期間の信号を受信することができる。所定期間は、長いほど推定に利用可能な情報量が多くなるが、リアルタイム性が損なわれ得る。所定期間は、例えば、約５秒間～約１０００秒間であり得る。
【0120】
受信された信号は、抽出手段１２２Ｃに渡される。
【0121】
抽出手段１２２Ｃは、所定の周波数成分を抽出するように構成されている。抽出手段１２２Ｃは、当該技術分野において公知の技術を用いて、信号から所定の周波数成分を抽出することができる。抽出手段１２２Ｃは、例えば、バンドパスフィルタを用いて、所定の周波数成分を抽出するようにしてもよいし、ローパスフィルタ、ハイパスフィルタ、またはこれらの組み合わせを用いて、所定の周波数成分を抽出するようにしてもよい。
【0122】
所定の周波数成分は、任意の周波数帯であり得る。所定の周波数成分は、例えば、任意の幅の周波数窓によって切り取られた成分であり得る。周波数窓の幅は、例えば、０．１Ｈｚ、０．５Ｈｚ、１Ｈｚ、２Ｈｚ、３Ｈｚ、５Ｈｚ、１０Ｈｚ等の任意の幅であり得る。
【0123】
複数の周波数成分について、ローカルバーストを検出する場合、抽出手段１２２Ｃは、複数の周波数成分を抽出することができる。複数の周波数成分は、周波数窓の幅、周波数窓のずらし幅、周波数窓をずらす範囲によって決定され得る。例えば、周波数窓の幅：１Ｈｚ、周波数窓のずらし幅：１Ｈｚ、周波数窓をずらす範囲：０．５Ｈｚ～２０．５Ｈｚとすると、０．５～１．５Ｈｚの周波数帯、１．５～２．５Ｈｚの周波数帯、２．５～３．５Ｈｚの周波数帯、・・・１８．５～１９．５Ｈｚの周波数帯、１９．５～２０．５Ｈｚの周波数帯の２０個の周波数帯が抽出され得る。周波数窓のずらし幅は、ローカルバーストを探索する細かさに対応しており、ローカルバーストを検出したい周波数帯の解像度に関連し得る。周波数窓をずらす範囲は、ローカルバーストを検出したい周波数帯に対応しており、脳波信号について上述した周波数帯（ローデルタ波成分（約１．０Ｈｚ～約１．５Ｈｚ）、ミドルデルタ波成分（約２．５Ｈｚ～約３．０Ｈｚ）、ハイデルタ波成分（約３．５Ｈｚ～約４．０Ｈｚ）、デルタ波成分（約１．０Ｈｚ～約３．０Ｈｚ）、シータ波成分（約４．０Ｈｚ～約７．０Ｈｚ）、アルファ波成分（約８．０～約１２Ｈｚ）、ＳＭＲ波成分（約１２～約１５Ｈｚ）、ローベータ波成分（約１５Ｈｚ～約１８Ｈｚ）、ミドルベータ波成分（約１９Ｈｚ～約２２Ｈｚ）、ハイベータ波成分（約２３Ｈｚ～約３６Ｈｚ）、ガンマ波成分（約３６～約４８Ｈｚ））に相当し得る。
【0124】
抽出手段１２２Ｃによって抽出された所定の周波数成分の信号は、検出手段１２３Ｃに渡される。
【0125】
検出手段１２３Ｃは、ローカルバーストを検出するように構成されている。検出手段１２３は、所定の周波数成分の信号の振幅が閾値を超えたときにローカルバーストを検出する。検出手段１２３Ｃは、例えば、閾値を超えた瞬間を特定するようにしてもよいし、閾値を超えている期間を特定するようにしてもよい。
【0126】
検出手段１２３Ｃは、経時的に変化する波形を有する信号の分布に基づいて閾値を決定することができる。閾値を決定するために用いられる信号は、例えば、予め取得された信号（例えば、安静時または課題を行っていないときに測定された信号）であってもよいし、受信手段１２１Ｃによって受信された所定期間内の信号であってもよいし、受信手段１２１Ｃによって受信されて蓄積された信号であってもよい。
【0127】
例えば、ローカルバーストを検出するセッションをＴ０に開始して継続的に行うとき、所定期間の長さをΔＴとすると、第１のセッションでは、受信手段１２１Ｃは、Ｔ０～Ｔ１（Ｔ１＝Ｔ０＋ΔＴ）の間の信号を受信することになり、第２のセッションでは、受信手段１２１Ｃは、Ｔ１～Ｔ２（Ｔ２＝Ｔ１＋ΔＴ）の間の信号を受信することになり、第３のセッションでは、受信手段１２１Ｃは、Ｔ２～Ｔ３（Ｔ３＝Ｔ２＋ΔＴ）の間の信号を受信することになり、・・・第ｍのセッションでは、受信手段１２１Ｃは、Ｔｍ－１～Ｔｍ（Ｔｍ＝Ｔｍ－１＋ΔＴ）の間の信号を受信することになる。例えば、第１のセッションでは、検出手段１２３Ｃは、Ｔ０の前に取得された信号に基づいて閾値を決定することができる。例えば、第２のセッションでは、検出手段１２３Ｃは、Ｔ０の前に取得された信号に基づいて閾値を決定するようにしてもよいし、Ｔ０～Ｔ１で取得された信号に基づいて閾値を決定するようにしてもよい。例えば、第３のセッションでは、検出手段１２３Ｃは、Ｔ０の前に取得された信号に基づいて閾値を決定するようにしてもよいし、Ｔ１～Ｔ２で取得された信号に基づいて閾値を決定するようにしてもよいし、Ｔ０～Ｔ２で取得された信号に基づいて閾値を決定するようにしてもよい。例えば、第ｍのセッションでは、検出手段１２３Ｃは、Ｔ０の前に取得された信号に基づいて閾値を決定するようにしてもよいし、Ｔｍ－１～Ｔｍで取得された信号に基づいて閾値を決定するようにしてもよいし、Ｔｋ～Ｔｌで取得された信号に基づいて閾値を決定するようにしてもよい（０≦ｋ＜ｌ≦ｍ）。
【0128】
閾値Ｔは、
Ｔ＝μ＋ｎσ
で表される。従って、第ｍのセッションでは、μは、Ｔ０の前に取得された信号の分布から算出される代表値（例えば、平均値、中央値）であってもよいし、Ｔｋ～Ｔｌで取得された信号の分布から算出される代表値（例えば、平均値、中央値）であってもよい。同様に、σは、Ｔ０の前に取得された信号の分布から算出されるばらつきを示す値（例えば、標準偏差、中央絶対偏差）であってもよいし、Ｔｋ～Ｔｌで取得された信号の分布から算出されるばらつきを示す値（例えば、標準偏差、中央絶対偏差）であってもよい。
Ｔ＝μ＋ｎσ
で表される。従って、第ｍのセッションでは、μは、Ｔ０の前に取得された信号の分布から算出される代表値（例えば、平均値、中央値）であってもよいし、Ｔｋ～Ｔｌで取得された信号の分布から算出される代表値（例えば、平均値、中央値）であってもよい。同様に、σは、Ｔ０の前に取得された信号の分布から算出されるばらつきを示す値（例えば、標準偏差、中央絶対偏差）であってもよいし、Ｔｋ～Ｔｌで取得された信号の分布から算出されるばらつきを示す値（例えば、標準偏差、中央絶対偏差）であってもよい。
【0129】
ｎは、所定の周波数成分に応じて変動し得る。従って、検出手段１２３Ｃは、抽出手段１２２Ｃで抽出される周波数成分に応じて、ｎを決定するようにしてもよい。また、ｎは、経時的に変化する波形を有する信号の種類に応じても変動し得る。従って、検出手段１２３Ｃは、受信手段１２１Ｃによって受信された信号に応じて、ｎを決定するようにしてもよい。例えば、心拍信号の場合、ｎ＝３と決定することができる。
【0130】
検出手段１２３Ｃは、検出されたローカルバーストからローカルバーストのパラメータの値を決定することができる。
【0131】
ローカルバーストのパラメータは、所定期間内にローカルバーストが検出された回数、所定期間内に検出されたローカルバーストの時空間パターンを含む。ローカルバーストのパラメータは、所定期間を、例えば、約３０秒、約１５０秒、約３００秒、約６００秒、約１２００秒等に変動させたものであってもよい。例えば、ローカルバーストが検出された回数について、約３０秒間でローカルバーストが検出された回数、約１５０秒間でローカルバーストが検出された回数、約３００秒間でローカルバーストが検出された回数、約６００秒間でローカルバーストが検出された回数、約１２００秒間でローカルバーストが検出された回数等としてもよい。例えば、ローカルバーストの時空間パターンについて、約３０秒間で検出されたローカルバーストの時空間パターン、約１５０秒間で検出されたローカルバーストの時空間パターン、約３００秒間で検出されたローカルバーストの時空間パターン、約６００秒間で検出されたローカルバーストの時空間パターン、約１２００秒間で検出されたローカルバーストの時空間パターンとしてもよい。
【0132】
決定されたローカルバーストのパラメータの値は、正規化されることができる。正規化により、異なる周波数帯のローカルバーストのパラメータの値同士を比較できるようになる。例えば、基準となるベースラインのイベント（例えば、振幅がピークをとるイベント）の数で、ローカルバーストのパラメータの値を除算することによって正規化することができる。これにより、ローカルバーストのパラメータの正規化値は、０～１で表され得、１により近ければ、ローカルバーストの検出数が、多いことを示し、０により近ければ、ローカルバーストの検出数が、少ないことを示すことになる。
【0133】
なお、上述したシステム１００の各構成要素は、単一のハードウェア部品で構成されていてもよいし、複数のハードウェア部品で構成されていてもよい。複数のハードウェア部品で構成される場合は、各ハードウェア部品が接続される態様は問わない。各ハードウェア部品は、無線で接続されてもよいし、有線で接続されてもよい。本発明のシステム１００は、特定のハードウェア構成には限定されない。プロセッサ部１２０または１２０Ａまたは１２０Ｃをデジタル回路ではなくアナログ回路によって構成することも本発明の範囲内である。本発明のシステム１００の構成は、その機能を実現できる限りにおいて上述したものに限定されない。
【0134】
（３．経時的に変化する波形を有する信号を処理するシステムにおける処理）
図７Ａは、本発明の経時的に変化する波形を有する信号を処理するシステム１００における処理７００の一例を示す。処理７００は、対象のパフォーマンスを推定するための処理である。処理７００は、プロセッサ部１２０が、メモリ部１３０に格納されたプログラムを実行することによって行われ得る。なお、処理７００は、プロセッサ部１２０Ａにおいても同様に行われることができる。
図７Ａは、本発明の経時的に変化する波形を有する信号を処理するシステム１００における処理７００の一例を示す。処理７００は、対象のパフォーマンスを推定するための処理である。処理７００は、プロセッサ部１２０が、メモリ部１３０に格納されたプログラムを実行することによって行われ得る。なお、処理７００は、プロセッサ部１２０Ａにおいても同様に行われることができる。
【0135】
ステップＳ７０１では、プロセッサ部１２０の受信手段１２１が、対象の脳波信号を受信する。受信手段１２１は、システム１００の外部からインターフェース部１１０を介して取得された脳波信号を受信することができる。対象の脳波信号が対象から取得される態様は問わない。例えば、対象の脳波信号は、脳波計または脳磁計によって対象から測定されることができる。例えば、対象の脳波信号は、対象の画像から推定されることができる。例えば、対象の脳波信号は、対象の脳波以外の生体信号から推定されることができる。
【0136】
ステップＳ７０２では、プロセッサ部１２０の抽出手段１２２が、ステップＳ７０１で受信された脳波信号から所定の周波数成分の脳波信号を抽出する。抽出手段１２２は、当該技術分野において公知の技術を用いて、脳波信号から所定の周波数成分を抽出することができる。抽出手段１２２は、例えば、バンドパスフィルタを用いて、所定の周波数成分を抽出することができる。
【0137】
好ましくは、所定の周波数成分は、デルタ波成分、シータ波成分、アルファ波成分、ＳＭＲ波成分、ベータ波成分、ガンマ波成分のうちの１つであり得、より好ましくは、所定の周波数成分は、デルタ波成分またはシータ波成分のうちの一方または両方であり得る。
【0138】
例えば、ステップＳ７０１で受信された脳波信号が、既に所定の周波数成分しか有していないときは、ステップＳ７０２を省略することができる。
【0139】
ステップＳ７０３では、プロセッサ部１２０の検出手段１２３が、ステップＳ７０２で抽出された所定の周波数成分の脳波信号から、ローカルバーストを検出する。検出手段１２３は、所定の周波数成分の脳波信号の振幅が閾値を超えたときにローカルバーストを検出することができる。このとき、閾値は、検出手段１２３によって、対象の脳波信号の分布に基づいて決定される値であり得る。検出手段１２３は、処理７００を行う前に閾値を決定するようにしてもよいし、処理７００を行っている間に閾値を決定するようにしてもよい。
検出手段１２３は、検出されたローカルバーストからローカルバーストのパラメータの値を決定することができる。例えば、検出手段１２３は、所定期間内に検出されたローカルバーストの数を計数することにより、ローカルバーストのパラメータの値として、所定期間内にローカルバーストが検出された回数、または、所定期間内に検出されたローカルバーストの時空間パターンを決定することができる。
検出手段１２３は、検出されたローカルバーストからローカルバーストのパラメータの値を決定することができる。例えば、検出手段１２３は、所定期間内に検出されたローカルバーストの数を計数することにより、ローカルバーストのパラメータの値として、所定期間内にローカルバーストが検出された回数、または、所定期間内に検出されたローカルバーストの時空間パターンを決定することができる。
【0140】
ステップＳ７０４では、プロセッサ部１２０の推定手段１２４が、ステップＳ７０３で検出されたローカルバーストのパラメータの値に基づいて、対象のパフォーマンスを推定する。推定手段１２４は、少なくとも１つの学習済モデルを備えており、その少なくとも１つの学習済モデルを用いて、対象のパフォーマンスを推定することができる。少なくとも１つの学習済モデルは、ローカルバーストのパラメータの値と、パフォーマンスを示す値との関係を学習しており、ステップＳ７０３で検出されたローカルバーストのパラメータの値が少なくとも１つの学習済モデルに入力されると、対応するパフォーマンスを示す値が出力される。
【0141】
このようにして、処理７００により、対象のパフォーマンスが推定される。推定されたパフォーマンスを示す情報は、システム１００の外部へと出力され、任意の用途に利用されることができる。
【0142】
例えば、パフォーマンスが低下していることを対象またはその周囲の人物に報知することができる。報知のために、例えば、アラームを発報することができる。アラームは、例えば、光、音、またはこれらの組み合わせによるものであり得る。これにより、例えば、自動車を運転中の対象は、パフォーマンスが低下していることを自覚することができ、休憩をとったり、ガムやコーヒー等を摂取したりすることができる。
【0143】
例えば、パフォーマンスが向上していることを対象またはその周囲の人物に報知することができる。例えば、アスリートまたはそのコーチの端末装置にパフォーマンスが向上していることを報知することで、アスリートは、いわゆる「ゾーン」に入っていることを自覚することができ、あるいは、「ゾーン」に入るためのきっかけを知ることができる。例えば、プログラマーのパフォーマンスが向上していることを周囲の人物に報知することで、周囲の人物がプログラマーの集中を妨げることを防ぐことができる。あるいは、プログラマーのパフォーマンスが向上していることをプログラマーの端末装置に報知することで、端末装置からの通知（例えば、メール通知）をオフにする「集中モード」に端末装置を自動で切り替えることができる。
【0144】
処理７００がプロセッサ部１２０Ａにおいて行われる場合、ステップＳ７０４では、プロセッサ部１２０の推定手段１２４Ａは、将来の対象のパフォーマンスを推定することができる。
【0145】
図７Ｂは、ステップＳ７０４で、推定手段１２４Ａが将来の対象のパフォーマンスを推定する処理の一例を示す。
【0146】
ステップＳ７０４１では、第１の推定手段１２４１が、ステップＳ７０３で検出されたローカルバーストのパラメータの値に基づいて、将来のローカルバーストのパラメータの値を推定する。第１の推定手段１２４１は、第１の学習済モデルを備えており、第１の学習済モデルを用いて、将来のローカルバーストのパラメータの値を推定することができる。第１の学習済モデルは、ローカルバーストのパラメータの値と、将来のローカルバーストのパラメータの値との関係を学習しており、ステップＳ７０３で検出されたローカルバーストのパラメータの値が第１の学習済モデルに入力されると、将来のローカルバーストのパラメータの値が出力されることができる。
【0147】
ステップＳ７０４２では、第２の推定手段１２４２が、ステップＳ７０４１で推定されたローカルバーストのパラメータの値に基づいて、対象のパフォーマンスを推定する。第２の推定手段１２４２は、第２の学習済モデルを備えており、第２の学習済モデルを用いて、対象のパフォーマンスを推定することができる。第２の学習済モデルは、ローカルバーストのパラメータの値と、パフォーマンスを示す値との関係を学習しており、ステップＳ７０４２で検出されたローカルバーストのパラメータの値が第２の学習済モデルに入力されると、対応するパフォーマンスを示す値が出力される。ステップＳ７０４２で検出されたローカルバーストのパラメータの値は、将来のローカルバーストのパラメータの値であるため、推定されるパフォーマンスも、将来のパフォーマンスとなる。
【0148】
このようにして、プロセッサ部１２０Ａによる処理７００により、対象の将来のパフォーマンスが推定される。推定された将来のパフォーマンスを示す情報は、システム１００の外部へと出力され、任意の用途に利用されることができる。
【0149】
例えば、所定時間経過後にパフォーマンスが低下し得ることを対象またはその周囲の人物に報知することができる。報知のために、例えば、アラームを発報することができる。アラームは、例えば、光、音、またはこれらの組み合わせによるものであり得る。これにより、例えば、自動車を運転中の対象は、パフォーマンスが低下し得ることを自覚することができ、休憩をとったり、ガムやコーヒー等を摂取したりして、パフォーマンスの低下を予防することができる。
【0150】
例えば、所定時間経過後にパフォーマンスが向上し得ることを対象またはその周囲の人物に報知することができる。例えば、アスリートまたはそのコーチの端末装置にパフォーマンスが所定時間経過後に向上し得ることを報知することで、アスリートは、いわゆる「ゾーン」にいつ入るかを知ることができ、本番で最大限の能力が発揮できるように調整することが可能になる。例えば、所定時間経過後にプログラマーのパフォーマンスが向上し得ることを周囲の人物に報知することで、周囲の人物がプログラマーの集中を妨げることを事前に防ぐことができる。あるいは、所定時間経過後にプログラマーのパフォーマンスが向上し得ることをプログラマーの端末装置に報知することがで、端末装置からの通知（例えば、メール通知）をオフにする「集中モード」に端末装置を自動で切り替えることができる。また、パフォーマンスが向上し始めるタイミングで仕事にとりかかる習慣および／またはシステムを採用することで、効率の最大化が可能になる。
【0151】
図７Ｃは、本発明の経時的に変化する波形を有する信号を処理するシステム１００における処理８００の一例を示す。処理８００は、ローカルバーストを検出するための処理である。処理８００は、プロセッサ部１２０Ｃが、メモリ部１３０に格納されたプログラムを実行することによって行われ得る。
【0152】
ステップＳ８０１では、プロセッサ部１２０Ｃの受信手段１２１Ｃが、経時的に変化する波形を有する信号を受信する。受信手段１２１Ｃは、システム１００の外部からインターフェース部１１０を介して、取得された信号を受信することができる。経時的に変化する波形を有する信号は、例えば、生体信号であり得、対象に装着された計測器から測定されることができる。典型的には、経時的に変化する波形を有する信号は、心拍信号であり得、対象に装着された心拍計から測定されることができる。
【0153】
ステップＳ８０２では、プロセッサ部１２０Ｃの抽出手段１２２Ｃが、ステップＳ８０１で受信された信号から所定の周波数成分の信号を抽出する。抽出手段１２２は、当該技術分野において公知の技術を用いて、信号から所定の周波数成分を抽出することができる。抽出手段１２２は、例えば、バンドパスフィルタを用いて、所定の周波数成分を抽出することができる。
【0154】
例えば、ステップＳ８０１で受信された信号が、既に所定の周波数成分しか有していないときは、ステップＳ８０２を省略することができる。
【0155】
ステップＳ８０３では、プロセッサ部１２０Ｃの検出手段１２３Ｃが、ステップＳ８０２で抽出された所定の周波数成分の信号から、ローカルバーストを検出する。検出手段１２３Ｃは、所定の周波数成分の信号の振幅が閾値を超えたときにローカルバーストを検出することができる。このとき、閾値は、検出手段１２３Ｃによって、経時的に変化する波形を有する信号の分布に基づいて決定される値であり得る。検出手段１２３Ｃは、処理８００を行う前に閾値を決定するようにしてもよいし、処理８００を行っている間に閾値を決定するようにしてもよい。
【0156】
検出手段１２３Ｃは、検出されたローカルバーストからローカルバーストのパラメータの値を決定することができる。例えば、検出手段１２３Ｃは、所定期間内に検出されたローカルバーストの数を計数することにより、ローカルバーストのパラメータの値として、所定期間内にローカルバーストが検出された回数、または、所定期間内に検出されたローカルバーストの時空間パターンを決定することができる。
【0157】
決定されたローカルバーストのパラメータの値は、正規化されることができる。正規化により、異なる周波数帯のローカルバーストのパラメータの値同士を比較できるようになる。例えば、基準となるベースラインのイベント（例えば、振幅がピークをとるイベント）の数で、ローカルバーストのパラメータの値を除算することによって正規化することができる。これにより、ローカルバーストのパラメータの正規化値は、０～１で表され得、１により近ければ、ローカルバーストの検出数が、多いことを示し、０により近ければ、ローカルバーストの検出数が、少ないことを示すことになる。
【0158】
検出されたローカルバーストまたはローカルバーストのパラメータの値は、任意の用途に利用されることができる。例えば、心拍信号から検出されたローカルバーストのパラメータの値は、心拍信号が取得された対象の状態を推定するために利用されることができる。
【0159】
なお、上述した例では、特定の順序で各ステップが行われることを説明したが、各ステップが行われる順序は示されるものに限定されない。各ステップは、論理的に可能な任意の順序で行われることができる。
【0160】
図７Ａ、図７Ｂ、図７Ｃを参照して上述した例では、図７Ａ、図７Ｂ、図７Ｃに示される各ステップの処理は、プロセッサ部１２０または１２０Ａまたは１２０Ｃとメモリ部１３０に格納されたプログラムとによって実現することが説明されたが、本発明はこれに限定されない。図７Ａ、図７Ｂ、図７Ｃ示される各ステップの処理のうちの少なくとも１つは、制御回路などのハードウェア構成によって実現されてもよい。
【0161】
システム１００は、サーバ装置として実装されてもよいし、端末装置として実装されてもよい。システム１００は、任意の情報処理装置によって実装されることができる。
【0162】
本発明は、上述した実施形態に限定されるものではない。本発明は、特許請求の範囲によってのみその範囲が解釈されるべきであることが理解される。当業者は、本発明の具体的な好ましい実施形態の記載から、本発明の記載および技術常識に基づいて等価な範囲を実施することができることが理解される。
【実施例0163】
【0164】
学習済モデルは、１層のｂｉ－ＬＳＴＭであった。脳波信号から得られる特徴量：３０×３２（sequence×channel）次元を入力とし、対象のある瞬間でのパフォーマンスを反
映する値（本実施例では、ある瞬間のドライビングコースの中央線からの逸脱距離を対象ごとに固有な平均逸脱度で補正した値（正規化距離））をラベルとして学習処理を行った。対象から得られた４セッション分の各データと、全セッションのデータとを使用して５つのモデルを作成した。
映する値（本実施例では、ある瞬間のドライビングコースの中央線からの逸脱距離を対象ごとに固有な平均逸脱度で補正した値（正規化距離））をラベルとして学習処理を行った。対象から得られた４セッション分の各データと、全セッションのデータとを使用して５つのモデルを作成した。
【0165】
ここで、正規化距離は、以下の手順によって得られた。
ドライビングゲームのプレイヤーの現在位置がｘｙ座標で与えられたとき（すなわち、現在位置が（ｘ，ｙ）で表されるとき）、現在位置から近傍にある中央線のｘｙ座標は、（ｎｘ，ｎｙ）で与えられた。
ドライビングゲームのコース全体のｘ座標を－５０～１５０の範囲で、かつ、ｙ座標を－１００～５０の範囲で、０．１刻みのメッシュのグリッドを作成した。中央線の座標が１つのグリッドのセルに入るように、（ｎｘ，ｎｙ）をグリッド上の値に丸め込んだ（これを、（ｒｎｘ，ｒｎｙ）とした）。
（ｒｎｘ，ｒｎｙ）のインデックスの位置を記憶すると、（ｒｎｘ，ｒｎｙ）のインデックスは、中央線上にあるので、その位置は一意に特定された。
中央線上のある１点のインデックスと対応するｘｙ座標の点群は、中央線と直交する直線上にあると考えられるので、それらの点群を全て平均化した。これを中央線上のインデックスに対して繰り返し、プレイヤーの位置の平均的な軌跡を得た（これを（ｍｅａｎｘ，ｍｅａｎｙ）とした）。
平均的な軌跡位置（ｍｅａｎｘ，ｍｅａｎｙ）とそれに対応する全ての現在位置（ｘ，ｙ）との間のユークリッド距離（＞０）を求め、現在位置のインデックスに対応する点の全てに代入する操作を、全ての中央線のグリッドに対して繰り返した
これにより、全ての現在位置に対する、平均的な軌跡位置と現在位置との間の逸脱距離が求まった（これを正規化距離とした）。
ドライビングゲームのプレイヤーの現在位置がｘｙ座標で与えられたとき（すなわち、現在位置が（ｘ，ｙ）で表されるとき）、現在位置から近傍にある中央線のｘｙ座標は、（ｎｘ，ｎｙ）で与えられた。
ドライビングゲームのコース全体のｘ座標を－５０～１５０の範囲で、かつ、ｙ座標を－１００～５０の範囲で、０．１刻みのメッシュのグリッドを作成した。中央線の座標が１つのグリッドのセルに入るように、（ｎｘ，ｎｙ）をグリッド上の値に丸め込んだ（これを、（ｒｎｘ，ｒｎｙ）とした）。
（ｒｎｘ，ｒｎｙ）のインデックスの位置を記憶すると、（ｒｎｘ，ｒｎｙ）のインデックスは、中央線上にあるので、その位置は一意に特定された。
中央線上のある１点のインデックスと対応するｘｙ座標の点群は、中央線と直交する直線上にあると考えられるので、それらの点群を全て平均化した。これを中央線上のインデックスに対して繰り返し、プレイヤーの位置の平均的な軌跡を得た（これを（ｍｅａｎｘ，ｍｅａｎｙ）とした）。
平均的な軌跡位置（ｍｅａｎｘ，ｍｅａｎｙ）とそれに対応する全ての現在位置（ｘ，ｙ）との間のユークリッド距離（＞０）を求め、現在位置のインデックスに対応する点の全てに代入する操作を、全ての中央線のグリッドに対して繰り返した
これにより、全ての現在位置に対する、平均的な軌跡位置と現在位置との間の逸脱距離が求まった（これを正規化距離とした）。
【0166】
テストは異なる対象のデータを用いて行った。
【0167】
図８は、実施例１の結果を示す。
【0168】
上から１番目のグラフが、全セッションのデータを使用した作成されたモデルによる結果であり、上から２番目のグラフが、セッション０１のデータを使用した作成されたモデルによる結果であり、上から３番目のグラフが、セッション０２のデータを使用した作成されたモデルによる結果であり、上から４番目のグラフが、セッション０３のデータを使用した作成されたモデルによる結果であり、上から５番目のグラフが、セッション０４のデータを使用した作成されたモデルによる結果である。横軸が時間を示し、縦軸がドライビングコースの中央線からの距離の正規化値を示す。薄い線が実際の測定データであり、濃い線がモデルからの推定データである。
図８から、推定データは、ある程度測定データに追随していることが分かる。特に、全てのデータを用いて学習したモデルでは、実際の測定データと推定データの間の相関係数が０．７３であった。相関係数が０．５以上であることから、実際の測定データと推定データの間に強い相関がみられていると言え、本実施例では精度高く推定ができていると考えられる。
図８から、推定データは、ある程度測定データに追随していることが分かる。特に、全てのデータを用いて学習したモデルでは、実際の測定データと推定データの間の相関係数が０．７３であった。相関係数が０．５以上であることから、実際の測定データと推定データの間に強い相関がみられていると言え、本実施例では精度高く推定ができていると考えられる。
【0169】
（実施例２）
図１Ａおよび図１Ｂを参照して上述した例と同じ対象のうちの１人から得られたデータを用いて、その対象の将来のパフォーマンスを推定した。２つの学習済モデルを利用して推定した。ローカルバーストが検出された回数の将来の値を推定するために第１の学習済モデルを使用し、ローカルバーストの将来の値からパフォーマンスを推定するために第２の学習済モデルを使用した。
図１Ａおよび図１Ｂを参照して上述した例と同じ対象のうちの１人から得られたデータを用いて、その対象の将来のパフォーマンスを推定した。２つの学習済モデルを利用して推定した。ローカルバーストが検出された回数の将来の値を推定するために第１の学習済モデルを使用し、ローカルバーストの将来の値からパフォーマンスを推定するために第２の学習済モデルを使用した。
【0170】
第１の学習済モデルは、１層のＬＳＴＭであった。脳波信号から検出されたローカルバーストの数：３２（channel）次元を入力とし、１サンプル後のローカルバーストの特徴
量をラベルとして学習処理を行った。
量をラベルとして学習処理を行った。
【0171】
第２の学習済モデルは、１層のｂｉ－ＬＳＴＭであった。脳波信号から得られる特徴量：３０×３２（sequence×channel）次元を入力とし、対象のある瞬間でのパフォーマンスを反映する値（本実施例では、ドライビングコースの中央線からの逸脱距離を対象ごとに固有な平均逸脱度で補正した値（正規化距離））をラベルとして学習処理を行った。正規化距離は、実施例１と同一の手順によって得られた。
【0172】
対象から得られた４セッション分の各データと、全セッションのデータとを使用して、第１の学習済モデルおよび第２の学習済モデルとから構成される学習済モデルを５つ作成した。
【0173】
テストは異なる対象の２つのセッションのデータを用いて行った。
【0174】
図９は、実施例２の結果を示す。
【0175】
上から１番目のグラフが、全セッションのデータを使用した作成されたモデルによる結果であり、上から２番目のグラフが、セッション０１のデータを使用した作成されたモデルによる結果であり、上から３番目のグラフが、セッション０２のデータを使用した作成されたモデルによる結果であり、上から４番目のグラフが、セッション０３のデータを使用した作成されたモデルによる結果であり、上から５番目のグラフが、セッション０４のデータを使用した作成されたモデルによる結果である。横軸が時間を示し、縦軸がドライビングコースの中央線からの距離の正規化値を示す。濃い実線が実際の測定データであり、淡い実線が実施例１で作成されたモデルからの推定データであり、破線が本実施例で作成されたモデルからの将来の推定データである。
図９から、将来の推定データは、ある程度測定データに追随していることが分かる。特に、全てのデータを用いて学習したモデルでは、実際の測定データと推定データの間の相関係数が０．５８であった。相関係数が０．５以上であることから、実際の測定データと推定データの間に強い相関がみられていると言え、本実施例では精度高く推定ができていると考えられる。
図９から、将来の推定データは、ある程度測定データに追随していることが分かる。特に、全てのデータを用いて学習したモデルでは、実際の測定データと推定データの間の相関係数が０．５８であった。相関係数が０．５以上であることから、実際の測定データと推定データの間に強い相関がみられていると言え、本実施例では精度高く推定ができていると考えられる。
【0176】
（実施例３）
心拍信号に対してローカルバーストを検出する処理を行った。
心拍信号に対してローカルバーストを検出する処理を行った。
【0177】
心拍信号のデータは、Ｍｅｈｒｇａｒｄｔ， Ｐ．， Ｋｈｕｓｈｉ， Ｍ．， Ｐｏｏｎ， Ｓ．， ＆ Ｗｉｔｈａｎａ， Ａ． （２０２２）． Ｐｕｌｓｅ Ｔｒａｎｓｉｔ Ｔｉｍｅ ＰＰＧ Ｄａｔａｓｅｔ （ｖｅｒｓｉｏｎ １．１．０）． ＰｈｙｓｉｏＮｅｔ．（https://doi.org/10.13026/jpan-6n92）において公開されているデータセットを使用した。心拍信号のデータは、対象が「座っているとき」の心拍信号のデータと、対象が「走っているとき」の心拍信号のデータであった。
【0178】
心拍信号のデータに対して、閾値μ＋３σとして、ローカルバーストを検出した。μは中央値であり、σは中央絶対偏差である。
【0179】
周波数窓の幅＝１Ｈｚ、周波数窓のずらし幅＝１Ｈｚ、周波数窓をずらす範囲＝［０．５Ｈｚ，２０．５Ｈｚ］として、以下の２０個の全ての周波数帯について、ローカルバーストを検出した。
１：［０．５，１．５］、２：［１．５，２．５］、３：［２．５，３．５］、４：［３．５，４．５］ ．．． １９：［１８．５， １９．５］、２０：［１９．５， ２０．５］
１：［０．５，１．５］、２：［１．５，２．５］、３：［２．５，３．５］、４：［３．５，４．５］ ．．． １９：［１８．５， １９．５］、２０：［１９．５， ２０．５］
【0180】
図１０は、本実施例の結果を示す。図１０（ａ）が、対象が「座っているとき」の心拍信号の生データを示し、図１０（ｂ）が、対象が「走っているとき」の心拍信号の生データを示す。横軸が時間を表し、縦軸が振幅を表している。図１０（ｃ）が、図１０（ａ）に示される心拍信号から検出されたローカルバーストの時間周波数パターンを示し、図１０（ｄ）が、図１０（ｂ）に示される心拍信号から検出されたローカルバーストの時間周波数パターンを示す。横軸が時間を表し、縦軸が周波数を表し、色の明暗がローカルバーストの正規化された検出数を表しいている。色が明るいほどローカルバーストの検出数が多いことを表し、色が暗いほどローカルバーストの検出数が少ないことを表している。
【0181】
【産業上の利用可能性】
【0182】
本発明は、経時的に変化する波形を有する信号を処理するシステム、方法、および、プログラム（例えば、対象のパフォーマンスを推定するシステムまたはローカルバーストを検出するシステム等）を提供するものとして有用である。
【符号の説明】
【0183】
１００ システム
１１０ インターフェース部
１２０ プロセッサ部
１２１ 受信手段
１２２ 抽出手段
１２３ 検出手段
１２４ 推定手段
１３０ メモリ部
１１０ インターフェース部
１２０ プロセッサ部
１２１ 受信手段
１２２ 抽出手段
１２３ 検出手段
１２４ 推定手段
１３０ メモリ部
【図1A】
【図1B】
【図1C】
【図2A】
【図2B】
【図2C】
【図2D】
【図2E】
【図2F】
【図2G】
【図2H】
【図2I】
【図2J】
【図2K】
【図3】
【図4】
【図5A】
【図5B】
【図5C】
【図6】
【図7A】
【図7B】
【図7C】
【図8】
【図9】
【図10】
