ホーム > 特許ランキング > 国立大学法人東海国立大学機構
知財求人 - 知財ポータルサイト「IP Force」
(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】P2024062112
(43)【公開日】2024-05-09
(54)【発明の名称】分類システム
(51)【国際特許分類】
G09B 19/00 20060101AFI20240430BHJP
G09B 9/04 20060101ALI20240430BHJP
G09B 9/05 20060101ALI20240430BHJP
G06N 20/00 20190101ALI20240430BHJP
A61B 5/18 20060101ALI20240430BHJP
【ＦＩ】
G09B19/00 G
G09B9/04 A
G09B9/05 A
G06N20/00
A61B5/18
【審査請求】未請求
【請求項の数】5
【出願形態】ＯＬ
(21)【出願番号】P 2022169896
(22)【出願日】2022-10-24
【国等の委託研究の成果に係る記載事項】（出願人による申告）令和３年度、国立研究開発法人日本医療研究開発機構、「医薬品等規制調和・評価研究事業」「医薬品が自動車運転技能に与える影響の評価手法の開発」委託研究開発、産業技術力強化法第１７条の適用を受ける特許出願
(71)【出願人】
【識別番号】504139662
【氏名又は名称】国立大学法人東海国立大学機構
(74)【代理人】
【識別番号】100105924
【弁理士】
【氏名又は名称】森下 賢樹
(72)【発明者】
【氏名】藤原 幸一
(72)【発明者】
【氏名】尾崎 紀夫
(72)【発明者】
【氏名】岩本 邦弘
(72)【発明者】
【氏名】宮田 聖子
(72)【発明者】
【氏名】角田 柊二
【テーマコード（参考）】
4C038
【Ｆターム（参考）】
4C038PQ03
4C038PR01
4C038PS07
(57)【要約】
【課題】精神疾患患者の自動車の運転技能を評価する技術を提供する。
【解決手段】第１取得部２２０は、健常者による第１運転データを取得する。第１抽出部２２２は、前記第１運転データから指標を抽出する。付与部２２４は、指標にラベルを付与する。第１生成部２２６は、指標を標準化することによって特徴量を生成する。学習部２３０は、ラベルと特徴量とを分類モデル２４０に入力することによって、分類モデル２４０を学習する。第２取得部２５０は、患者による第２運転データを取得する。第２抽出部２５２は、第２運転データから指標を抽出する。第２生成部２５４は、指標を標準化することによって特徴量を生成する。分類部２５６は、学習させた分類モデル２４０に、生成した特徴量を入力することによって、患者の運転技能が低下しているか、通常であるかを分類する。
【選択図】図３
【解決手段】第１取得部２２０は、健常者による第１運転データを取得する。第１抽出部２２２は、前記第１運転データから指標を抽出する。付与部２２４は、指標にラベルを付与する。第１生成部２２６は、指標を標準化することによって特徴量を生成する。学習部２３０は、ラベルと特徴量とを分類モデル２４０に入力することによって、分類モデル２４０を学習する。第２取得部２５０は、患者による第２運転データを取得する。第２抽出部２５２は、第２運転データから指標を抽出する。第２生成部２５４は、指標を標準化することによって特徴量を生成する。分類部２５６は、学習させた分類モデル２４０に、生成した特徴量を入力することによって、患者の運転技能が低下しているか、通常であるかを分類する。
【選択図】図３
【特許請求の範囲】
【請求項1】
ドライビングシミュレータを健常者が操作した場合の第１運転データであって、複数種類の血中アルコール濃度のそれぞれに対応した第１運転データを取得する第１取得部と、
前記第１取得部において取得した前記第１運転データから指標を血中アルコール濃度毎に抽出する第１抽出部と、
前記第１抽出部において抽出した前記指標がしきい値以上の血中アルコール濃度に対応する場合、前記指標に運転技能低下ラベルを付与し、前記第１抽出部において抽出した前記指標がしきい値より小さい血中アルコール濃度に対応する場合、前記指標に運転技能通常ラベルを付与する付与部と、
前記第１抽出部において抽出した前記指標を標準化することによって特徴量を血中アルコール濃度毎に生成する第１生成部と、
前記付与部において付与した前記運転技能低下ラベルと前記運転技能通常ラベルのうちの１つと、前記第１生成部において生成した前記特徴量とを分類モデルに入力することによって、前記分類モデルを学習する学習部と、
前記ドライビングシミュレータを患者が操作した場合の第２運転データを取得する第２取得部と、
前記第２取得部において取得した前記第２運転データから前記指標を抽出する第２抽出部と、
前記第２抽出部において抽出した前記指標を標準化することによって前記特徴量を生成する第２生成部と、
前記学習部において学習させた前記分類モデルに、前記第２生成部において生成した前記特徴量を入力することによって、前記患者の運転技能が低下しているか、通常であるかを分類する分類部と、
を備える分類システム。
前記第１取得部において取得した前記第１運転データから指標を血中アルコール濃度毎に抽出する第１抽出部と、
前記第１抽出部において抽出した前記指標がしきい値以上の血中アルコール濃度に対応する場合、前記指標に運転技能低下ラベルを付与し、前記第１抽出部において抽出した前記指標がしきい値より小さい血中アルコール濃度に対応する場合、前記指標に運転技能通常ラベルを付与する付与部と、
前記第１抽出部において抽出した前記指標を標準化することによって特徴量を血中アルコール濃度毎に生成する第１生成部と、
前記付与部において付与した前記運転技能低下ラベルと前記運転技能通常ラベルのうちの１つと、前記第１生成部において生成した前記特徴量とを分類モデルに入力することによって、前記分類モデルを学習する学習部と、
前記ドライビングシミュレータを患者が操作した場合の第２運転データを取得する第２取得部と、
前記第２取得部において取得した前記第２運転データから前記指標を抽出する第２抽出部と、
前記第２抽出部において抽出した前記指標を標準化することによって前記特徴量を生成する第２生成部と、
前記学習部において学習させた前記分類モデルに、前記第２生成部において生成した前記特徴量を入力することによって、前記患者の運転技能が低下しているか、通常であるかを分類する分類部と、
を備える分類システム。
【請求項2】
前記第１抽出部において抽出される前記指標は、ＳＤＬＰ（Ｓｔａｎｄａｒｄ Ｄｅｖｉａｔｉｏｎ ｏｆ Ｌａｔｅｒａｌ Ｐｏｓｉｔｉｏｎ）、ＬＳＲ（Ｌｉｇｈｔｍｏｓｔ Ｄｉｓｔａｎｃｅ）を少なくとも含み、
前記第２抽出部において抽出される前記指標は、ＳＤＬＰ、ＬＳＲを少なくとも含む請求項１に記載の分類システム。
前記第２抽出部において抽出される前記指標は、ＳＤＬＰ、ＬＳＲを少なくとも含む請求項１に記載の分類システム。
【請求項3】
前記第１抽出部において複数種類の前記指標が生成されており、変数重要度をもとに、前記複数種類の前記指標から、１種類以上の前記指標を選択する選択部をさらに備え、
前記学習部は、前記選択部において選択された前記１種類以上の前記指標を使用する請求項１に記載の分類システム。
前記学習部は、前記選択部において選択された前記１種類以上の前記指標を使用する請求項１に記載の分類システム。
【請求項4】
前記第１取得部と前記第１抽出部と前記付与部と前記第１生成部と前記学習部は、第１装置において実行され、前記第２取得部と前記第２抽出部と前記第２生成部と前記分類部は、前記第１装置とは異なる第２装置において実行される請求項１または２に記載の分類システム。
【請求項5】
前記第１取得部と前記第１抽出部と前記付与部と前記第１生成部と前記学習部と前記第２取得部と前記第２抽出部と前記第２生成部と前記分類部は、１つの装置において実行される請求項１または２に記載の分類システム。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、分類技術であり、特に運転技能を評価する技術に関する。
【背景技術】
【0002】
薬品間での運転技能へ与える影響の比較、薬品が運転技能に与える影響の検証が行われている（例えば、非特許文献１参照）。
【先行技術文献】
【非特許文献】
【0003】
【非特許文献1】Sasada, K., Iwamoto, K., Kawano, N., Kohmura, K., Yamamoto, M., Aleksic, B., Ebe, K., Noda, Y., Ozaki, N.、「Effects of repeated dosing with mirtazapine, trazodone, or placebo on driving performance and cognitive function in healthy volunteers」、 Human psychopharmacology、2013、28 、3、ｐ．２８１－２８６
【発明の概要】
【発明が解決しようとする課題】
【0004】
統合失調症及びその治療薬は、自動車運転技能に影響を与える可能性がある。道路交通法により統合失調症患者のような精神疾患患者は運転免許の取得や更新の際、主治医による診断書の提出が必要となる場合があるが、本疾患そのものとその治療薬が運転技能に与える影響について十分に検証されていないので、臨床現場において精神疾患患者の自動車の運転技能を評価することは困難である。
【0005】
本開示はこうした状況に鑑みてなされており、精神疾患患者の自動車の運転技能を評価する技術を提供することにある。
【課題を解決するための手段】
【0006】
上記課題を解決するために、本開示のある態様の分類システムは、ドライビングシミュレータを健常者が操作した場合の第１運転データであって、複数種類の血中アルコール濃度のそれぞれに対応した第１運転データを取得する第１取得部と、第１取得部において取得した第１運転データから指標を血中アルコール濃度毎に抽出する第１抽出部と、第１抽出部において抽出した指標がしきい値以上の血中アルコール濃度に対応する場合、指標に運転技能低下ラベルを付与し、第１抽出部において抽出した指標がしきい値より小さい血中アルコール濃度に対応する場合、指標に運転技能通常ラベルを付与する付与部と、第１抽出部において抽出した指標を標準化することによって特徴量を血中アルコール濃度毎に生成する第１生成部と、付与部において付与した運転技能低下ラベルと運転技能通常ラベルのうちの１つと、第１生成部において生成した特徴量とを分類モデルに入力することによって、分類モデルを学習する学習部と、ドライビングシミュレータを患者が操作した場合の第２運転データを取得する第２取得部と、第２取得部において取得した第２運転データから指標を抽出する第２抽出部と、第２抽出部において抽出した指標を標準化することによって特徴量を生成する第２生成部と、学習部において学習させた分類モデルに、第２生成部において生成した特徴量を入力することによって、患者の運転技能が低下しているか、通常であるかを分類する分類部と、を備える。
【0007】
なお、以上の構成要素の任意の組合せ、本開示の表現を方法、装置、システム、記録媒体、コンピュータプログラムなどの間で変換したものもまた、本開示の態様として有効である。
【発明の効果】
【0008】
本開示によれば、精神疾患患者の自動車の運転技能を評価できる。
【図面の簡単な説明】
【0009】
【発明を実施するための形態】
【0010】
以下では、本実施例を（１）概要、（２）分類手法、（３）ドライビングシミュレータ、（４）運転データ、（５）学習処理、（６）分類処理の順に説明する。
（１）概要
統合失調症は、妄想、幻覚といった陽性症状に加えて、本来有していた表情や言語を介したコミュニケーション能力の減弱等の陰性症状、さらに記憶、注意などの認知機能の低下など、様々な症状により社会的な機能を損なうことを特徴し、多くの場合慢性的な経過をとる精神疾患である。道路交通法第９０条第１項によると、幻覚症状を伴う精神病であって政令で定めるものの患者に運転免許を与えない、または半年を超えない範囲内において運転免許を保留する、としている。統合失調症は政令で定められる免許取得を制限される幻覚症状を伴う精神病の一つである。また、同法１０３条第１項において、免許取得後に統合失調症に罹ったことが判明したとき、免許を取り消す、または免許の効力を停止すると定めている。なお、これらの対象となるのは自動車の安全な運転に必要な認知、予測、判断または操作のいずれかに係る能力を欠くこととなる恐れがある症状を呈する場合のみであり、そうでない場合は健常者と同様に免許を取得することが可能である。具体的には、運転免許取得及び更新の際に義務化されている質問票に１つ以上当てはまる項目がある場合に免許取得が制限される。その際、主治医の診断書の提出が必要となり、診断書をもとに公安委員会が免許取得の可否を判断することとなる。
（１）概要
統合失調症は、妄想、幻覚といった陽性症状に加えて、本来有していた表情や言語を介したコミュニケーション能力の減弱等の陰性症状、さらに記憶、注意などの認知機能の低下など、様々な症状により社会的な機能を損なうことを特徴し、多くの場合慢性的な経過をとる精神疾患である。道路交通法第９０条第１項によると、幻覚症状を伴う精神病であって政令で定めるものの患者に運転免許を与えない、または半年を超えない範囲内において運転免許を保留する、としている。統合失調症は政令で定められる免許取得を制限される幻覚症状を伴う精神病の一つである。また、同法１０３条第１項において、免許取得後に統合失調症に罹ったことが判明したとき、免許を取り消す、または免許の効力を停止すると定めている。なお、これらの対象となるのは自動車の安全な運転に必要な認知、予測、判断または操作のいずれかに係る能力を欠くこととなる恐れがある症状を呈する場合のみであり、そうでない場合は健常者と同様に免許を取得することが可能である。具体的には、運転免許取得及び更新の際に義務化されている質問票に１つ以上当てはまる項目がある場合に免許取得が制限される。その際、主治医の診断書の提出が必要となり、診断書をもとに公安委員会が免許取得の可否を判断することとなる。
【0011】
日本の統合失調症治療薬の添付文書は、一律に服薬中の運転を禁じているが、精神疾患患者の治療薬の服用が運転技能に与える影響は、エビデンス不足であるため不明瞭であるとも報告されている。また、米国、英国、豪、加においては、運転を明確に禁じている治療薬はないと報告されている。自動車運転は生活における移動手段として不可欠である点を鑑みると、精神疾患患者が治療により症状が軽快して社会的な機能を発揮するためには、当該患者に関する運転技能評価に資するエビデンスが、患者の日常生活を保証する上で必要である。しかしながら、統合失調症及び治療薬が運転技能に与える影響は十分に検証されておらず、臨床現場での精神疾患患者の運転技能の評価は困難である。
【0012】
以上を踏まえると、機械学習により運転データから運転技能を評価できるモデルを構築することで、臨床現場での精神疾患患者の運転技能評価方法を提供することが望まれる。そこで本実施例では、法律において定量的に定義されている運転技能低下の指標である血中アルコール濃度（Ｂｌｏｏｄ Ａｌｃｏｈｏｌ Ｃｏｎｃｅｎｔｒａｔｉｏｎ； ＢＡＣ）に着目し、精神疾患患者の幻覚を含む精神症状の重症度、服薬を含めた総合的な運転技能が相当するＢＡＣを予測することで、運転技能を評価する。精神疾患患者の運転技能をＢＡＣに基づき定量的に評価できれば、臨床現場において運転技能評価に資するエビデンスの提供が可能になる。また、精神疾患患者への適切な運転のリスク評価の診断情報を提供できると期待される。本実施例では、ドライビングシミュレータ（Ｄｒｉｖｉｎｇ Ｓｉｍｕｌａｔｏｒ； ＤＳ）を用いて精神疾患患者及び飲酒させた健常者から運転データを取得し、健常者の飲酒運転データと精神疾患患者の運転データをマッチングさせることで、患者のＢＡＣを参照し、運転技能を評価することを目指す。
【0013】
一方、これまで、向精神薬による運転技能の低下は、横揺れに関する指標を除き十分に検証された運転指標はないと報告されている。運転技能の評価指標として横揺れの標準偏差（Ｓｔａｎｄａｒｄ Ｄｅｖｉａｔｉｏｎ ｏｆ Ｌａｔｅｒａｌ Ｐｏｓｉｔｉｏｎ；ＳＤＬＰ）が開発されており、ＳＤＬＰは、ベンゾジアゼピン受容体作動薬等の影響を受けることが検証されている。また、アルコールも同様にＳＤＬＰを増加させることが検証されており、再検査信頼性も検証されている。ＳＤＬＰは、ＢＡＣに依存的に増加し、任意のＢＡＣｘｍｇ／ｍＬにおけるＳＤＬＰ（ＳＤＬＰｘ）と飲酒していない状態でのＳＤＬＰ（ＳＤＬＰ０）の差ΔＳＤＬＰを用いた線形モデルによりＢＡＣ０．５ｍｇ／ｍＬ以上の飲酒状態を検出可能であるとしている。
【0014】
これより、本実施例では、健常者の運転技能低下の度合いがＢＡＣで定量的にラベリングされている飲酒運転データから、運転データが相当するＢＡＣを予測する機械学習モデルを構築する。運転技能低下とみなすＢＡＣのしきい値として、世界的な基準である０．５ｍｇ／ｍＬ（０．０５％）を採用する。また、分類モデルの構築にはＲＵＳＢｏｏｓｔを使用する。
【0015】
（２）分類手法
１つのクラスのサンプル数が他のクラスのサンプル数を大幅に上回ると、ランダムフォレスト（Ｒａｎｄｏｍ Ｆｏｒｅｓｔ）またはサポートベクターマシン（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ ｍａｃｈｉｎｅ）などの不均衡データに対応できないアルゴリズムでは多数のサンプルを有するクラスに有利な分類傾向を有する。この問題に対応する手法として、多数、少数クラス間のサンプル数を均衡させるため、多数サンプルからランダムに少数サンプルと同数のサンプルを抽出し、残りを破棄するランダムアンダーサンプリング（Ｒａｎｄｏｍ Ｕｎｄｅｒ Ｓａｍｐｌｉｎｇ：ＲＵＳ）、また弱学習器を誤分類に焦点を当てて改善と弱学習器の重み付けを行い複数個の弱学習器を追加し、正確な分類を行うことのできる分類器を生成するブースティングなどの手法が存在する。さらに、ＲＵＳとブースティングとを組み合わせたハイブリッドアルゴリズムとして、ＲＵＳＢｏｏｓｔが提案されている。
１つのクラスのサンプル数が他のクラスのサンプル数を大幅に上回ると、ランダムフォレスト（Ｒａｎｄｏｍ Ｆｏｒｅｓｔ）またはサポートベクターマシン（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ ｍａｃｈｉｎｅ）などの不均衡データに対応できないアルゴリズムでは多数のサンプルを有するクラスに有利な分類傾向を有する。この問題に対応する手法として、多数、少数クラス間のサンプル数を均衡させるため、多数サンプルからランダムに少数サンプルと同数のサンプルを抽出し、残りを破棄するランダムアンダーサンプリング（Ｒａｎｄｏｍ Ｕｎｄｅｒ Ｓａｍｐｌｉｎｇ：ＲＵＳ）、また弱学習器を誤分類に焦点を当てて改善と弱学習器の重み付けを行い複数個の弱学習器を追加し、正確な分類を行うことのできる分類器を生成するブースティングなどの手法が存在する。さらに、ＲＵＳとブースティングとを組み合わせたハイブリッドアルゴリズムとして、ＲＵＳＢｏｏｓｔが提案されている。
【0016】
本実施例では、弱学習器として決定木を採用する。ＲＵＳＢｏｏｓｔではまず、入力したデータの説明変数の数をｍとし、各説明変数の重みＤが１／ｍに初期化される。
以下の操作をｔ＝１、２、・・・、Ｔまで繰り返す。多数クラスのランダムアンダーサンプリングによってクラス数が均一になるようサンプリングし、新たな重み付け分布Ｄｔ’を持つ一時的な学習用データセットＳｔ’を生成、Ｓｔ’を決定木に渡しＧｉｎｉ不純度を最小化する説明変数ｘｉ、ｋ∈ｘｉのしきい値ｃｋ
ｔ（ｑｋ）を設定し、決定木を構築する。決定木のあるノードＤにおけるサンプル数Ｎの左右の子ノードにおけるｙ∈[－１，１]の正解率πを計算し、説明変数ｘｉの弱仮説ｈｔを生成する。ｈｔはｔ回目における弱学習器の予測の信頼性を表す。
【数1】
【数2】
【数3】
【0017】
元の学習データセットＳとＳの重み分布Ｄｔに基づく疑似損失であるεｔを計算する。
重みを更新するパラメータαｔを計算し、重み分布Ｄ’ｔ＋１（ｉ）を求める。
更新した重み分布Ｄ’ｔ＋１（ｉ）を正規化する。
この操作をｔ＝Ｔまで繰り返し、最終仮説Ｈ（ｘ）は弱仮説の重み付き投票として返される。
未知のデータに対してはＴ本の弱学習器である決定木の予測から、最終的な重み付け分布ＤＴを用いた重み付け多数決によって分類予測を決定する。
【数4】
【数5】
【数6】
【数7】
【数8】
【0018】
決定木における変数重要度とは、ある説明変数で枝ノードを分岐させたとき、Ｇｉｎｉ不純度をどれほど下げられるかを定量的に示した指標である。具体的に、以下の式で定義される。
ここで、Ｆ（ｊ）は説明変数ｊが枝ノードであるノードの集合、Ｎ（ｉ）はあるノードｉにおけるサンプル数、Ｇ（ｉ）はあるノードｉにおけるＧｉｎｉ不純度、ｒｉｇｈｔ、ｌｅｆｔ（子ノード）はノードｉにおいて左右に分割されたそれぞれのサンプル数であり、ｐａｒｅｎｔ（親ノード）は子ノードの和である。
【数9】
【0019】
（３）ドライビングシミュレータ
図１は、ドライビングシミュレータ１００の構成を示す。ドライビングシミュレータ１００は、コンピュータ１１０、プロジェクタ１２０、スクリーン１３０、椅子１４０、ハンドル１５０、アクセル・ブレーキ１６０を含む。コンピュータ１１０は、ドライビングシミュレータ１００のソフトウエアプログラムを実行する。プロジェクタ１２０は、コンピュータ１１０に接続され、コンピュータ１１０においてソフトウエアプログラムの実行により生成された映像を、プロジェクタ１２０から例えば２．５ｍ離れたスクリーン１３０に投影する。スクリーン１３０は、例えば８０インチのサイズを有する。
図１は、ドライビングシミュレータ１００の構成を示す。ドライビングシミュレータ１００は、コンピュータ１１０、プロジェクタ１２０、スクリーン１３０、椅子１４０、ハンドル１５０、アクセル・ブレーキ１６０を含む。コンピュータ１１０は、ドライビングシミュレータ１００のソフトウエアプログラムを実行する。プロジェクタ１２０は、コンピュータ１１０に接続され、コンピュータ１１０においてソフトウエアプログラムの実行により生成された映像を、プロジェクタ１２０から例えば２．５ｍ離れたスクリーン１３０に投影する。スクリーン１３０は、例えば８０インチのサイズを有する。
【0020】
スクリーン１３０から例えば３．５ｍ離れた位置には椅子１４０が設置される。ユーザ１０は、椅子１４０に座って、スクリーン１３０に表示された映像を見ながら、ハンドル１５０とアクセル・ブレーキ１６０とを操作する。ハンドル１５０とアクセル・ブレーキ１６０はコンピュータ１１０に接続され、コンピュータ１１０は、ハンドル１５０とアクセル・ブレーキ１６０に対してなされて動作を運転データとしてサンプリング周期２０ｍｓで記録する。
【0021】
ドライビングシミュレータ１００における運転課題は、車線維持課題（Ｔｈｅ Ｒｏａｄ Ｔｒａｃｋｉｎｇ Ｔｅｓｔ）、追走課題（Ｔｈｅ Ｃａｒ Ｆｏｌｌｏｗｉｎｇ Ｔｅｓｔ）、急ブレーキ課題（Ｔｈｅ Ｈａｒｓｈ Ｂｒａｋｉｎｇ Ｔｅｓｔ）である。図２（ａ）－（ｃ）は、スクリーン１３０に表示される画面を示す。図２（ａ）は、車線維持課題での画面を示す。車線維持課題では、左右の緩やかなカーブを繰り返し、車線の中心を目標速度１００ｋｍ／ｈで走行する。また、健常者は１時間走行し、患者は５分間走行する。
【0022】
図２（ｂ）は、追走課題での画面を示す。追走課題では、４０－６０ｋｍ／ｈで５ｓ毎に定速、加速、定速、減速を周期的に繰り返して直線に走行する前走行車に、車間距離を維持しつつ追走する。健常者、患者共に５分間走行する。図２（ｃ）は、急ブレーキ課題での画面を示す。急ブレーキ課題では、目標速度５０ｋｍ／ｈで走行しながら、ランダムに飛び出す遠方から視認可能な障害物に対して、飛び出した直後に急停止する。健常者、患者共に障害物が７回飛び出すまで、約５分走行する。
【0023】
（４）運転データ
前述の３つの課題から運転データが取得される。運転データに含まれるデータは次の通りである。車線維持課題におけるデータには、走行速度［ｋｍ／ｈ］、アクセルペダル踏量［－］（範囲（０－１））、ブレーキペダル踏量［－］（範囲（０－１））、ハンドル操舵角［－］（範囲（－１－１））、中央線.車体右側面間距離［ｍｇ／ｍＬ］、中央線はみ出しフラグ、左車線はみ出しフラグが主に含まれる。追走課題における生データには、走行速度［ｋｍ／ｈ］、アクセルペダル踏量［－］（範囲（０－１））、ブレーキペダル踏量［－］（範囲（０－１））、車間距離［ｍ］、先行車の走行速度［ｋｍ／ｈ］、先行車の速度状態が主に含まれる。急ブレーキ課題におけるデータには、走行速度［ｋｍ／ｈ］、アクセルペダル踏量［－］（範囲（０－１））、ブレーキペダル踏量［－］、範囲（０－１）、障害物飛び出しフラグ［－］、障害物衝突フラグ［－］が主に含まれる。
前述の３つの課題から運転データが取得される。運転データに含まれるデータは次の通りである。車線維持課題におけるデータには、走行速度［ｋｍ／ｈ］、アクセルペダル踏量［－］（範囲（０－１））、ブレーキペダル踏量［－］（範囲（０－１））、ハンドル操舵角［－］（範囲（－１－１））、中央線.車体右側面間距離［ｍｇ／ｍＬ］、中央線はみ出しフラグ、左車線はみ出しフラグが主に含まれる。追走課題における生データには、走行速度［ｋｍ／ｈ］、アクセルペダル踏量［－］（範囲（０－１））、ブレーキペダル踏量［－］（範囲（０－１））、車間距離［ｍ］、先行車の走行速度［ｋｍ／ｈ］、先行車の速度状態が主に含まれる。急ブレーキ課題におけるデータには、走行速度［ｋｍ／ｈ］、アクセルペダル踏量［－］（範囲（０－１））、ブレーキペダル踏量［－］、範囲（０－１）、障害物飛び出しフラグ［－］、障害物衝突フラグ［－］が主に含まれる。
【0024】
本実施例では、図１のユーザ１０として精神疾患患者（以下、「患者」という）の４３名から運転データを取得し、健常者の２５名（運転歴３年以上）から運転データを取得している。特に健常者に対しては、目標ＢＡＣ４点(０％、０．０２５％、０．０５％、０．０９％)を設定した無作為化二重盲検交差試験によって別日に４度飲酒させ、各ＢＡＣにおいて運転データを取得している。
【0025】
（５）学習処理
図３は、分類装置２００の構成を示す。分類装置２００は、第１処理部２１０、第２処理部２１２を含む。第１処理部２１０は、第１取得部２２０、第１抽出部２２２、付与部２２４、第１生成部２２６、選択部２２８、学習部２３０、分類モデル２４０を含む。第２処理部２１２は、分類モデル２４０、第２取得部２５０、第２抽出部２５２、第２生成部２５４、分類部２５６を含む。ここでは、第１処理部２１０と第２処理部２１２は、１つの装置である分類装置２００に含まれる。しかしながら、第１処理部２１０と第２処理部２１２とが別の装置に含まれてもよい。例えば、第１処理部２１０が第１装置に含まれ、第２処理部２１２が第２装置に含まれてもよい。
図３は、分類装置２００の構成を示す。分類装置２００は、第１処理部２１０、第２処理部２１２を含む。第１処理部２１０は、第１取得部２２０、第１抽出部２２２、付与部２２４、第１生成部２２６、選択部２２８、学習部２３０、分類モデル２４０を含む。第２処理部２１２は、分類モデル２４０、第２取得部２５０、第２抽出部２５２、第２生成部２５４、分類部２５６を含む。ここでは、第１処理部２１０と第２処理部２１２は、１つの装置である分類装置２００に含まれる。しかしながら、第１処理部２１０と第２処理部２１２とが別の装置に含まれてもよい。例えば、第１処理部２１０が第１装置に含まれ、第２処理部２１２が第２装置に含まれてもよい。
【0026】
第１取得部２２０は、ドライビングシミュレータ１００を健常者が操作した場合の運転データ（以下、「第１運転データ」という）を取得する。第１運転データは、前述の各データを含む。また、１人の健常者に対して、４種類のＢＡＣのそれぞれに対応したデータを含む。
【0027】
第１抽出部２２２は、第１取得部２２０において取得した第１運転データから指標を抽出する。指標は、１人の健常者に対して、ＢＡＣ毎に抽出される。車線維持課題の第１運転データからは、（ア）から（ソ）の指標が抽出可能である。
【0028】
（ア） Ｓｔｅｅｒｉｎｇ Ｅｎｔｒｏｐｙ（ＳＥ）
これは、ハンドルのステアリング動作の滑らかさを表現する指標であり、集中力の欠如等によるステアリング動作の不連続性を定量化する。また、これは、ハンドル操舵角の時系列履歴から取得される。
（イ） Ｓｔａｎｄａｒｄ Ｄｅｖｉａｔｉｏｎ ｏｆ Ｌａｔｅｒａｌ Ｐｏｓｉｔｉｏｎ（ＳＤＬＰ）
これは、中央線.車体右側面間距離の標準偏差であり、運転技能の評価が十分に検証されている指標である。
（ウ）Ｓｔａｎｄａｒｄ Ｄｅｖｉａｔｉｏｎ ｏｆ Ｓｐｅｅｄ（ＳＤＳ）
これは、走行速度の標準偏差を示す。
（エ） ｔｏｔａｌ ｎｕｍｂｅｒ ｏｆ ｔｉｍｅｓ ｔｈｅ ｃａｒ ｂｏｄｙ ｃｒｏｓｓｅｓ ｔｈｅ Ｒｉｇｈｔ Ｌａｎｅ(Ｉｎａｐｐｒｏｐｒｉａｔｅ Ｒｉｇｈｔ Ｌｉｎｅ Ｃｒｏｓｓｉｎｇ； ＩＲＬＣ)
これは、中央線を踏んだ合計回数を示す。
（オ） Ｔｏｔａｌ ｔｉｍｅ ｔｏ Ｉｎａｐｐｒｏｐｒｉａｔｅ Ｒｉｇｈｔ Ｌｉｎｅ Ｃｒｏｓｓｉｎｇ（ＴＩＲＬＣ）
これは、中央線を踏みながら、または踏み越えて走行した総合時間を示す。
これは、ハンドルのステアリング動作の滑らかさを表現する指標であり、集中力の欠如等によるステアリング動作の不連続性を定量化する。また、これは、ハンドル操舵角の時系列履歴から取得される。
（イ） Ｓｔａｎｄａｒｄ Ｄｅｖｉａｔｉｏｎ ｏｆ Ｌａｔｅｒａｌ Ｐｏｓｉｔｉｏｎ（ＳＤＬＰ）
これは、中央線.車体右側面間距離の標準偏差であり、運転技能の評価が十分に検証されている指標である。
（ウ）Ｓｔａｎｄａｒｄ Ｄｅｖｉａｔｉｏｎ ｏｆ Ｓｐｅｅｄ（ＳＤＳ）
これは、走行速度の標準偏差を示す。
（エ） ｔｏｔａｌ ｎｕｍｂｅｒ ｏｆ ｔｉｍｅｓ ｔｈｅ ｃａｒ ｂｏｄｙ ｃｒｏｓｓｅｓ ｔｈｅ Ｒｉｇｈｔ Ｌａｎｅ(Ｉｎａｐｐｒｏｐｒｉａｔｅ Ｒｉｇｈｔ Ｌｉｎｅ Ｃｒｏｓｓｉｎｇ； ＩＲＬＣ)
これは、中央線を踏んだ合計回数を示す。
（オ） Ｔｏｔａｌ ｔｉｍｅ ｔｏ Ｉｎａｐｐｒｏｐｒｉａｔｅ Ｒｉｇｈｔ Ｌｉｎｅ Ｃｒｏｓｓｉｎｇ（ＴＩＲＬＣ）
これは、中央線を踏みながら、または踏み越えて走行した総合時間を示す。
【0029】
（カ） Ｍｅａｎ Ｔｉｍｅ ｔｏ Ｉｎａｐｐｒｏｐｒｉａｔｅ Ｒｉｇｈｔ Ｌｉｎｅ Ｃｒｏｓｓｉｎｇ（ＭＩＲＬＣ）
これは、中央線を踏みながら、または踏み越えて走行した一回あたりの平均時間を示す。
（キ） Ｒｉｇｈｔｍｏｓｔ Ｄｉｓｔａｎｃｅ（ＲＤ）
これは、走行課題の中で最も右に横揺れしたときの中央線－車体側面間距離を示す。
（ク） ｔｏｔａｌ ｎｕｍｂｅｒ ｏｆ ｔｉｍｅｓ ｔｈｅ ｃａｒ ｂｏｄｙ ｃｒｏｓｓｅｓ ｔｈｅ Ｌｅｆｔ Ｌａｎｅ（Ｉｎａｐｐｒｏｐｒｉａｔｅ Ｒｉｇｈｔ Ｌｉｎｅ Ｃｒｏｓｓｉｎｇ； ＩＬＬＣ）
これは、路側帯を踏んだ合計回数を示す。
（ケ） Ｔｏｔａｌ ｔｉｍｅ ｔｏ Ｉｎａｐｐｒｏｐｒｉａｔｅ Ｌｅｆｔ Ｌｉｎｅ Ｃｒｏｓｓｉｎｇ（ＴＩＬＬＣ）
これは、路側帯を踏みながら、または踏み越えて走行した総合時間を示す。
（コ） Ｍｅａｎ Ｔｉｍｅ ｔｏ Ｉｎａｐｐｒｏｐｒｉａｔｅ Ｌｅｆｔ Ｌｉｎｅ Ｃｒｏｓｓｉｎｇ（ＭＩＬＬＣ）
これは、路側帯を踏みながら、または踏み越えて走行した一回あたりの平均時間を示す。
これは、中央線を踏みながら、または踏み越えて走行した一回あたりの平均時間を示す。
（キ） Ｒｉｇｈｔｍｏｓｔ Ｄｉｓｔａｎｃｅ（ＲＤ）
これは、走行課題の中で最も右に横揺れしたときの中央線－車体側面間距離を示す。
（ク） ｔｏｔａｌ ｎｕｍｂｅｒ ｏｆ ｔｉｍｅｓ ｔｈｅ ｃａｒ ｂｏｄｙ ｃｒｏｓｓｅｓ ｔｈｅ Ｌｅｆｔ Ｌａｎｅ（Ｉｎａｐｐｒｏｐｒｉａｔｅ Ｒｉｇｈｔ Ｌｉｎｅ Ｃｒｏｓｓｉｎｇ； ＩＬＬＣ）
これは、路側帯を踏んだ合計回数を示す。
（ケ） Ｔｏｔａｌ ｔｉｍｅ ｔｏ Ｉｎａｐｐｒｏｐｒｉａｔｅ Ｌｅｆｔ Ｌｉｎｅ Ｃｒｏｓｓｉｎｇ（ＴＩＬＬＣ）
これは、路側帯を踏みながら、または踏み越えて走行した総合時間を示す。
（コ） Ｍｅａｎ Ｔｉｍｅ ｔｏ Ｉｎａｐｐｒｏｐｒｉａｔｅ Ｌｅｆｔ Ｌｉｎｅ Ｃｒｏｓｓｉｎｇ（ＭＩＬＬＣ）
これは、路側帯を踏みながら、または踏み越えて走行した一回あたりの平均時間を示す。
【0030】
（サ） Ｌｉｇｈｔｍｏｓｔ Ｄｉｓｔａｎｃｅ（ＬＤ）
これは、走行課題の中で最も左に横揺れしたときの中央線.車体側面間距離を示す。
（シ） Ｌａｔｅｒａｌ Ｓｗａｙｉｎｇ Ｒａｎｇｅ（ＬＳＲ）
これは、Ｌｅｆｔｍｏｓｔ ＤｉｓｔａｎｃｅとＲｉｇｈｔｍｏｓｔ Ｄｉｓｔａｎｃｅの差を示す。
（ス） ｔｏｔａｌ ｎｕｍｂｅｒ ｏｆ ｔｉｍｅｓ ｔｈｅ ｃａｒ ｂｏｄｙ ｃｒｏｓｓｅｓ ｔｈｅ Ｌａｎｅ(Ｉｎａｐｐｒｏｐｒｉａｔｅ Ｌｉｎｅ Ｃｒｏｓｓｉｎｇ； ＩＬＣ)
これは、中央線または路側帯を踏んだ合計回数を示す。
（セ） Ｔｏｔａｌ Ｔｉｍｅ ｔｏ Ｉｎａｐｐｒｏｐｒｉａｔｅ Ｌｉｎｅ Ｃｒｏｓｓｉｎｇ（ＴＩＬＣ)
これは、中央線または路側帯を踏みながら、または踏み越えて走行した総合時間を示す。
（ソ） ミーン Ｔｉｍｅ ｔｏ Ｉｎａｐｐｒｏｐｒｉａｔｅ Ｌｉｎｅ Ｃｒｏｓｓｉｎｇ（ＭＩＬＣ)
これは、中央線または路側帯を踏みながら、または踏み越えて走行した一回あたりの平均時間を示す。
これは、走行課題の中で最も左に横揺れしたときの中央線.車体側面間距離を示す。
（シ） Ｌａｔｅｒａｌ Ｓｗａｙｉｎｇ Ｒａｎｇｅ（ＬＳＲ）
これは、Ｌｅｆｔｍｏｓｔ ＤｉｓｔａｎｃｅとＲｉｇｈｔｍｏｓｔ Ｄｉｓｔａｎｃｅの差を示す。
（ス） ｔｏｔａｌ ｎｕｍｂｅｒ ｏｆ ｔｉｍｅｓ ｔｈｅ ｃａｒ ｂｏｄｙ ｃｒｏｓｓｅｓ ｔｈｅ Ｌａｎｅ(Ｉｎａｐｐｒｏｐｒｉａｔｅ Ｌｉｎｅ Ｃｒｏｓｓｉｎｇ； ＩＬＣ)
これは、中央線または路側帯を踏んだ合計回数を示す。
（セ） Ｔｏｔａｌ Ｔｉｍｅ ｔｏ Ｉｎａｐｐｒｏｐｒｉａｔｅ Ｌｉｎｅ Ｃｒｏｓｓｉｎｇ（ＴＩＬＣ)
これは、中央線または路側帯を踏みながら、または踏み越えて走行した総合時間を示す。
（ソ） ミーン Ｔｉｍｅ ｔｏ Ｉｎａｐｐｒｏｐｒｉａｔｅ Ｌｉｎｅ Ｃｒｏｓｓｉｎｇ（ＭＩＬＣ)
これは、中央線または路側帯を踏みながら、または踏み越えて走行した一回あたりの平均時間を示す。
【0031】
ＳＤＬＰのほか、ＩＬＣ、ＳＤＳは飲酒が運転技能に与える影響の評価の際に用いられてきた指標である。ＩＬＣは、先行研究において十分に飲酒や服薬による影響が検証されてきた指標ではないが、飲酒による有意な影響が報告されている指標である。ＩＬＣは横揺れと関する指標であるため、独自の横揺れの指標としてＩＬＣを中央線、路側帯に分けた指標ＩＲＬＣとＩＬＬＣが採用される。また、ＩＬＣ、ＩＲＬＣ、ＩＬＬＣにおいて、車線を踏んでいることを素早く認知し、対応できるかを測る独自の指標であるＴＩＬＣ、ＭＩＬＣ、ＴＩＲＬＣ、ＭＩＲＬＣ、ＴＩＬＬＣ、ＭＩＬＬＣが採用される。ＬＳＲは独自に追加した指標で、ＳＤＬＰでは表現できない急性的に現れる運転技能、集中力の低下を表現する指標である。一度の操作の誤りにより大きく値が変化する指標となっているが、実車での運転では、急性的な集中力の低下は事故に直結し得るため、十分適切な指標であるといえる。
【0032】
追走課題の第１運転データからは、（タ）から（ハ）の指標が抽出可能である。
（タ） Ｓｔａｎｄａｒｄ Ｄｅｖｉａｔｉｏｎ ｏｆ Ｓｐｅｅｄ Ｄｉｆｆｅｒｅｎｃｅ（ＳＤＳＤ)
これは、前走行車の走行速度と自車の追走速度の差の標準偏差を示す。
（チ） Ｓｔａｎｄａｒｄ Ｄｅｖｉａｔｉｏｎ ｏｆ Ｓｐｅｅｄ Ｄｉｆｆｅｒｅｎｃｅ ａｔ ａ ｃｏｎｓｔａｎｔ ｓｐｅｅｄ ｏｆ ４０ｋｍ／ｈ（ＳＤＳＤ－４０)
これは、前走行車が定速４０ｋｍ／ｈで走行中のＳＤＳＤを示す。
（ツ） Ｓｔａｎｄａｒｄ Ｄｅｖｉａｔｉｏｎ ｏｆ Ｓｐｅｅｄ Ｄｉｆｆｅｒｅｎｃｅ ｕｎｄｅｒ Ａｃｃｅｌｅｒａｔｉｏｎ（ＳＤＳＤ－Ａｃｃｅｌ)
これは、前走行車が加速中のＳＤＳＤを示す。
（テ） Ｓｔａｎｄａｒｄ Ｄｅｖｉａｔｉｏｎ ｏｆ Ｓｐｅｅｄ Ｄｉｆｆｅｒｅｎｃｅ ａｔ ａ ｃｏｎｓｔａｎｔ ｓｐｅｅｄ ｏｆ ６０ｋｍ／ｈ（ＳＤＳＤ－６０)
これは、前走行車が定速６０ｋｍ／ｈで走行中のＳＤＳＤを示す。
（ト） Ｓｔａｎｄａｒｄ Ｄｅｖｉａｔｉｏｎ ｏｆ Ｓｐｅｅｄ Ｄｉｆｆｅｒｅｎｃｅ ｕｎｄｅｒ Ｄｅｃｅｌｅｒａｔｉｏｎ（ＳＤＳＤ－Ｄｅｃｅｌ)
これは、前走行車が減速中のＳＤＳＤを示す。
（タ） Ｓｔａｎｄａｒｄ Ｄｅｖｉａｔｉｏｎ ｏｆ Ｓｐｅｅｄ Ｄｉｆｆｅｒｅｎｃｅ（ＳＤＳＤ)
これは、前走行車の走行速度と自車の追走速度の差の標準偏差を示す。
（チ） Ｓｔａｎｄａｒｄ Ｄｅｖｉａｔｉｏｎ ｏｆ Ｓｐｅｅｄ Ｄｉｆｆｅｒｅｎｃｅ ａｔ ａ ｃｏｎｓｔａｎｔ ｓｐｅｅｄ ｏｆ ４０ｋｍ／ｈ（ＳＤＳＤ－４０)
これは、前走行車が定速４０ｋｍ／ｈで走行中のＳＤＳＤを示す。
（ツ） Ｓｔａｎｄａｒｄ Ｄｅｖｉａｔｉｏｎ ｏｆ Ｓｐｅｅｄ Ｄｉｆｆｅｒｅｎｃｅ ｕｎｄｅｒ Ａｃｃｅｌｅｒａｔｉｏｎ（ＳＤＳＤ－Ａｃｃｅｌ)
これは、前走行車が加速中のＳＤＳＤを示す。
（テ） Ｓｔａｎｄａｒｄ Ｄｅｖｉａｔｉｏｎ ｏｆ Ｓｐｅｅｄ Ｄｉｆｆｅｒｅｎｃｅ ａｔ ａ ｃｏｎｓｔａｎｔ ｓｐｅｅｄ ｏｆ ６０ｋｍ／ｈ（ＳＤＳＤ－６０)
これは、前走行車が定速６０ｋｍ／ｈで走行中のＳＤＳＤを示す。
（ト） Ｓｔａｎｄａｒｄ Ｄｅｖｉａｔｉｏｎ ｏｆ Ｓｐｅｅｄ Ｄｉｆｆｅｒｅｎｃｅ ｕｎｄｅｒ Ｄｅｃｅｌｅｒａｔｉｏｎ（ＳＤＳＤ－Ｄｅｃｅｌ)
これは、前走行車が減速中のＳＤＳＤを示す。
【0033】
（ナ） Ｃｏｅｆｆｉｃｉｅｎｔ ｏｆ Ｖａｒｉａｔｉｏｎ ｏｆ ｔｈｅ Ｄｉｓｔａｎｃｅ ｔｏ ｔｈｅ ｐｒｅｃｅｄｉｎｇ ｖｅｈｉｃｌｅ（ＤＣＶ）
これは、前走行車との車間距離の変動係数を示し、運転中の注意や感覚機能を反映する指標である。
（ニ） Ｃｏｅｆｆｉｃｉｅｎｔ ｏｆ Ｖａｒｉａｔｉｏｎ ｏｆ ｔｈｅ Ｄｉｓｔａｎｃｅ ｔｏ ｔｈｅ ｐｒｅｃｅｄｉｎｇ ｖｅｈｉｃｌｅ ａｔ ａ ｃｏｎｓｔａｎｔ ｓｐｅｅｄ ｏｆ ４０ｋｍ／ｈ（ＤＣＶ－４０）
これは、前走行車が定速４０ｋｍ／ｈで走行中のＤＣＶを示す。
（ヌ） Ｃｏｅｆｆｉｃｉｅｎｔ ｏｆ Ｖａｒｉａｔｉｏｎ ｏｆ ｔｈｅ Ｄｉｓｔａｎｃｅ ｔｏ ｔｈｅ ｐｒｅｃｅｄｉｎｇ ｖｅｈｉｃｌｅ ｕｎｄｅｒ Ａｃｃｅｌｅｒａｔｉｏｎ（ＤＣＶ－Ａｃｃｅｌ）
これは、前走行車が加速中のＤＣＶを示す。
（ネ） Ｃｏｅｆｆｉｃｉｅｎｔ ｏｆ Ｖａｒｉａｔｉｏｎ ｏｆ ｔｈｅ Ｄｉｓｔａｎｃｅ ｔｏ ｔｈｅ ｐｒｅｃｅｄｉｎｇ ｖｅｈｉｃｌｅ ａｔ ａ ｃｏｎｓｔａｎｔ ｓｐｅｅｄ ｏｆ ６０ｋｍ／ｈ（ＤＣＶ－６０）
これは、定速６０ｋｍ／ｈで走行中のＤＣＶを示す。
（ノ） Ｃｏｅｆｆｉｃｉｅｎｔ ｏｆ Ｖａｒｉａｔｉｏｎ ｏｆ ｔｈｅ Ｄｉｓｔａｎｃｅ ｔｏ ｔｈｅ ｐｒｅｃｅｄｉｎｇ ｖｅｈｉｃｌｅ ｕｎｄｅｒ Ｄｅｃｅｌｅｒａｔｉｏｎ（ＤＣＶ－Ｄｅｃｅｌ）
これは、前走行車の減速中におけるＤＣＶを示す。
（ハ） Ｍｅａｎ Ｔｉｍｅ ｔｏ Ｓｐｅｅｄ Ａｄａｐｔａｔｉｏｎ（ＭＴＳＡ）
これは、前走行車の減速に対する速度の適応時間（Ｔｉｍｅ ｔｏ Ｓｐｅｅｄ Ａｄａｐｔａｔｉｏｎ； ＴＳＡ）の平均を示す。
これは、前走行車との車間距離の変動係数を示し、運転中の注意や感覚機能を反映する指標である。
（ニ） Ｃｏｅｆｆｉｃｉｅｎｔ ｏｆ Ｖａｒｉａｔｉｏｎ ｏｆ ｔｈｅ Ｄｉｓｔａｎｃｅ ｔｏ ｔｈｅ ｐｒｅｃｅｄｉｎｇ ｖｅｈｉｃｌｅ ａｔ ａ ｃｏｎｓｔａｎｔ ｓｐｅｅｄ ｏｆ ４０ｋｍ／ｈ（ＤＣＶ－４０）
これは、前走行車が定速４０ｋｍ／ｈで走行中のＤＣＶを示す。
（ヌ） Ｃｏｅｆｆｉｃｉｅｎｔ ｏｆ Ｖａｒｉａｔｉｏｎ ｏｆ ｔｈｅ Ｄｉｓｔａｎｃｅ ｔｏ ｔｈｅ ｐｒｅｃｅｄｉｎｇ ｖｅｈｉｃｌｅ ｕｎｄｅｒ Ａｃｃｅｌｅｒａｔｉｏｎ（ＤＣＶ－Ａｃｃｅｌ）
これは、前走行車が加速中のＤＣＶを示す。
（ネ） Ｃｏｅｆｆｉｃｉｅｎｔ ｏｆ Ｖａｒｉａｔｉｏｎ ｏｆ ｔｈｅ Ｄｉｓｔａｎｃｅ ｔｏ ｔｈｅ ｐｒｅｃｅｄｉｎｇ ｖｅｈｉｃｌｅ ａｔ ａ ｃｏｎｓｔａｎｔ ｓｐｅｅｄ ｏｆ ６０ｋｍ／ｈ（ＤＣＶ－６０）
これは、定速６０ｋｍ／ｈで走行中のＤＣＶを示す。
（ノ） Ｃｏｅｆｆｉｃｉｅｎｔ ｏｆ Ｖａｒｉａｔｉｏｎ ｏｆ ｔｈｅ Ｄｉｓｔａｎｃｅ ｔｏ ｔｈｅ ｐｒｅｃｅｄｉｎｇ ｖｅｈｉｃｌｅ ｕｎｄｅｒ Ｄｅｃｅｌｅｒａｔｉｏｎ（ＤＣＶ－Ｄｅｃｅｌ）
これは、前走行車の減速中におけるＤＣＶを示す。
（ハ） Ｍｅａｎ Ｔｉｍｅ ｔｏ Ｓｐｅｅｄ Ａｄａｐｔａｔｉｏｎ（ＭＴＳＡ）
これは、前走行車の減速に対する速度の適応時間（Ｔｉｍｅ ｔｏ Ｓｐｅｅｄ Ａｄａｐｔａｔｉｏｎ； ＴＳＡ）の平均を示す。
【0034】
ＤＣＶは、車間距離の観点から安定して前走行車を追走できているか評価する指標であるが、速度の観点から安定して追走できているか評価する指標として独自の指標ＳＤＳＤが採用される。追走課題は、前走行車が５秒周期で４０ｋｍ／ｈ定速走行、６０ｋｍ／ｈまで加速、６０ｋｍ／ｈ定速走行、４０ｋｍ／ｈまで減速を繰り返す。そのため、これまで用いられているＤＣＶ、独自に追加したＳＤＳＤについて、運転データから指標を取得するとともに、前走行車の各速度状態で分割して指標が抽出される。
【0035】
急ブレーキ課題の第１運転データからは、（ヒ）の指標が抽出可能である。
（ヒ） Ｍｅａｎ Ｂｒａｋｅ Ｒｅａｃｔｉｏｎ Ｔｉｍｅ（ＭＢＲＴ）
これは、障害物飛び出しに対するブレーキ操作の反応時間（Ｂｒａｋｅ Ｒｅａｃｔｉｏｎ Ｔｉｍｅ；ＢＲＴ）の平均を示す。
ＢＲＴは運転中の注意や認知・行動機能を反映する指標であるが、飲酒や服薬がＢＲＴに与える影響の妥当性は十分に確認されていないため、副次的な指標として抽出される。
（ヒ） Ｍｅａｎ Ｂｒａｋｅ Ｒｅａｃｔｉｏｎ Ｔｉｍｅ（ＭＢＲＴ）
これは、障害物飛び出しに対するブレーキ操作の反応時間（Ｂｒａｋｅ Ｒｅａｃｔｉｏｎ Ｔｉｍｅ；ＢＲＴ）の平均を示す。
ＢＲＴは運転中の注意や認知・行動機能を反映する指標であるが、飲酒や服薬がＢＲＴに与える影響の妥当性は十分に確認されていないため、副次的な指標として抽出される。
【0036】
付与部２２４は、第１抽出部２２２において抽出した指標のそれぞれに対してラベルを付与する。実測ＢＡＣは運転試験直前及び直後に計測される。本実施例では、試験前後の実測ＢＡＣの平均をＢＡＣラベルとして用いる。本実施例で扱うＢＡＣのしきい値は世界的な基準である０．５ｍｇ／ｍＬである。ＢＡＣ０．４ｍｇ／ｍＬ以下では交通事故リスクはわずかに増加するだけであるが、ＢＡＣ０．５ｍｇ／ｍＬ前後では約２倍となることが報告されていることから、特にＢＡＣしきい値０．５ｍｇ／ｍＬでの予測に対し着目する。
【0037】
図４は、付与部２２４に保持されるテーブルのデータ構造を示す。指標がしきい値（例えば０．５ｍｇ／ｍＬ）以上のＢＡＣに対応する場合、付与部２２４は、当該指標に運転技能低下ラベルを付与する。一方、指標がしきい値（例えば０．５ｍｇ／ｍＬ）より小さいＢＡＣに対応する場合、付与部２２４は、当該指標に運転技能通常ラベルを付与する。図３に戻る。運転技能低下のＢＡＣのしきい値を０．５ｍｇ／ｍＬとしたとき、運転技能低下のラベルは２１個、運転技能通常のラベルは７９個の不均衡データとなる。そこで、しきい値０．５ｍｇ／ｍＬにおいては不均衡データの分類に対応したアルゴリズムであるＲＵＳＢｏｏｓｔを用いて運転技能評価モデルを構築する。
【0038】
健常者の運転指標に行うスケーリングと同様のスケーリングを、患者の運転指標に対して行うことができる処理が必要である。そこで、第１生成部２２６は、抽出した各指標に対して、個人内の標準化の処理を行うことによって、特徴量をＢＡＣ毎に生成する。図５は、第１生成部２２６における処理概要を示す。個人内の標準化では、１人の健常者、つまり１つのＩＤに対する４つのデータが処理される。図３に戻る。ＩＤ「Ｎ」の健常者において、生成するＢＡＣ「ｎ」ｍｇ／ｍＬにおける特徴量ｘ’Ｎ，ｎは、ＩＤ「Ｎ」の健常者のＢＡＣ「ｎ」ｍｇ／ｍＬ時の指標ｘＮ，ｎと同一健常者内の目標ＢＡＣ４点における４つの各運転指標ｘの平均μＮと標準偏差σＮから次のように計算される。
【数10】
【0039】
選択部２２８は、第１抽出部２２２において複数種類の指標が生成されており、変数重要度をもとに、複数種類の指標から、１種類以上の指標を選択する。具体的に説明すると、学習用データをランダムに２０回入れ替えた全特徴量を用いたモデル構築における変数重要度の平均値が高い上位５つの特徴量が選択される。図６は、選択部２２８における処理概要を示す。これは、ＲＵＳＢｏｏｓｔモデルにより算出された変数重要度の平均値を、平均値の大きい上位１０個の特徴量に対して示した棒グラフである。これより、ＬＳＲ、ＳＤＬＰ、ＬＤ、ＴＩＲＬＣ、ＳＥが選択される。図３に戻る。
【0040】
学習部２３０は、付与部２２４において付与した運転技能低下ラベルと運転技能通常ラベルのうちの１つと、第１生成部２２６において生成した特徴量とを分類モデル２４０に入力することによって、分類モデル２４０を学習する。特に、ここで、特徴量は、選択部２２８において選択された１種類以上の指標に対応する。
【0041】
（６）分類処理
第２取得部２５０は、ドライビングシミュレータ１００を患者が操作した場合の運転データ（以下、「第２運転データ」という）を取得する。第２運転データも、第１運転データと同様に、前述の各データを含む。第２抽出部２５２は、取得した第２運転データから指標を抽出する。第２抽出部２５２において抽出される指標は、選択部２２８において選択される指標と同一である。そのため、第２抽出部２５２において抽出される指標は、ＬＳＲ、ＳＤＬＰ、ＬＤ、ＴＩＲＬＣ、ＳＥである。
第２取得部２５０は、ドライビングシミュレータ１００を患者が操作した場合の運転データ（以下、「第２運転データ」という）を取得する。第２運転データも、第１運転データと同様に、前述の各データを含む。第２抽出部２５２は、取得した第２運転データから指標を抽出する。第２抽出部２５２において抽出される指標は、選択部２２８において選択される指標と同一である。そのため、第２抽出部２５２において抽出される指標は、ＬＳＲ、ＳＤＬＰ、ＬＤ、ＴＩＲＬＣ、ＳＥである。
【0042】
第２生成部２５４は、第２抽出部２５２において抽出した指標を標準化することによって特徴量を生成する。例えば、健常者の上述の標準化を行う前の第１運転データから取得した平均と標準偏差を用いて標準化を行うことによって、特徴量が生成される。ＩＤ「Ｍ」の患者において、生成する特徴量ｘ’Ｍは、患者の各指標ｘＭ、ＢＡＣ≧０．２５ｍｇ／ｍＬの条件を満たす健常者から取得した上述の標準化を行う前の第１運転データにおける平均μ≧０．２５と標準偏差σ≧０．２５から次のように計算される。
【数11】
【0043】
前述の学習処理において、健常者の飲酒運転データから患者の運転技能を評価する分類モデル２４０を構築する。そのため、健常者の運転技能に飲酒が与える影響と、患者の運転技能に精神症状や服薬などが与える影響が異なる特徴量を用いた場合、構築した分類モデル２４０は患者に対し適当な評価を行うことができない可能性がある。そこで、運転技能が低下した健常者群と、ＳＤＬＰの観点から運転技能が低下していると見られる患者に対し、有意水準５％のｔ検定を行うことで特徴量の妥当性を確認する。ｔ検定とは、２つのグループの平均値を比較するために用いられる統計検定の一種である。ｔ検定は確率変数の確率分布を定義し、その分布のパラメータについて推論を行うパラメトリック法の一種であり、ｔ検定を行う標本は等分散性、正規性を満たす必要がある。運転技能が低下していると見られる患者は、式（１２）を満たす者とする。ここで、Ｐは患者、Ｈは健常者を表し、μは条件に合致する健常者のＳＤＬＰの平均、σは条件に合致する健常者のＳＤＬＰの標準偏差を表す。
【数12】
【0044】
また、ＢＡＣ≧０．５ｍｇ／ｍＬである健常者を運転技能低下の健常者とする。運転技能低下健常群と運転技能低下候補患者群の２群における、入力とする特徴量の箱ひげ図を図７（ａ）－（ｅ）に示す。図７（ａ）－（ｅ）は、特徴量の箱ひげ図である。この結果から、変数重要度によって選択した特徴量は全て運転技能低下と見られる患者群、運転技能が低下した健常者群の２群に有意差がなく、これらの特徴量は妥当であるといえる。
【0045】
ここでは、構築した分類モデル２４０の評価を説明する。構築した分類モデル２４０の評価のため、健常者１０名分の運転データ４０個をテスト用データとして分類モデル２４０の構築から除外し、健常者１５名の目標ＢＡＣ４点での運転データ６０個を学習用データとして用いて分類モデル２４０を構築する。その際、データ数が十分に多くないので、学習用データ１５人分とテスト用データ１０人分をランダムに２０回入れ替え分類モデル２４０を構築及び評価し、評価指標の平均と標準偏差でモデルの性能とロバスト性を評価する。
【0046】
分類モデル２４０におけるテスト用データの予測結果の評価指標として以下を用いる。
正解率（Ａｃｃｕｒａｃｙ）は予測した分類が正しく分類できた割合、適合率(Ｐｒｅｃｉｓｉｏｎ)は陽性と予測したものが実際に陽性である割合、感度（Ｓｅｎｓｉｔｉｖｉｔｙ）は実際に陽性であるものが陽性であると正しく予測できた割合、特異度（Ｓｐｅｃｉｆｉｃｉｔｙ）は実際に陰性であるものが陰性であると正しく予測できた割合を表す。Ｆ値（Ｆ－ｍｅａｓｕｒｅ）は適合率と感度の調和平均である。正解率が高くとも、感度もしくは適合率が低くＦ値が小さい場合には、予測が偏っている、テスト用データが偏っているなど、適切な評価を行うことができていない可能性が考えられる。そこで、Ｆ値が必要となる。Ｇ－ｍｅａｎは感度と特異度の幾何平均である。本実施例では、運転技能低下のＢＡＣのしきい値を０．５ｍｇ／ｍＬとした場合、不均衡データとなるためにこの指標を用いる。特に、Ｐｏｓｉｔｉｖｅラベル（ＢＡＣ０．５ｍｇ／ｍＬ以上）が少数クラスとなる。この場合の不均衡データにおいて、感度と特異度が高くとも適合率が低くなりやすい。したがってＦ値も低くなりやすいが、分類モデルとしては高い性能を持つことがある。そこで、感度と特異度のバランスとその大きさを表す評価指標であるＧ－ｍｅａｎを用いる。
【数13】
【0047】
図８は、分類モデル２４０の評価の平均と標準偏差を示す。前述のごとく、学習用データとテスト用データをランダムに変更し２０回モデルを構築し、モデルの性能とロバスト性を評価した。学習用データとして健常者１５名、テスト用データとして健常者１０名の運転データを用いた。ＢＡＣに対するしきい値を０．５ｍｇ／ｍＬとした場合のＲＵＳＢｏｏｓｔの評価は高いといえる。図３に戻る。
【0048】
分類部２５６は、学習部２３０において学習させた分類モデル２４０に、第２生成部２５４において生成した特徴量を入力することによって、患者の運転技能が低下しているか、通常であるかを分類する。図９は、分類部２５６における分類結果を示す。ＩＤは患者の識別情報であり、運転技能低下であると分類された患者のＩＤに対して丸印が示される。ここでは、ＢＡＣのしきい値０．５ｍｇ／ｍＬにおいて運転技能が低下していると判断された患者はＩＤ４、６、１０、１３、１５、２５、２６、２８、３４の９名である。
【0049】
この結果の妥当性を、（ｉ）収集した服薬情報や服薬における副作用の大きさ、（ｉｉ）精神症状の重症度、（ｉｉｉ）運転歴から考察する。ここでは、考察する定量指標ｘが、平均μから標準偏差σの２倍を超えている（ｘ>μ+２σ）患者に着目し考察を行う。なお、ＢＡＣ０．５ｍｇ／ｍＬは事故の危険性が約２倍と報告されており、十分に運転技能低下であるといえる。
【0050】
（ｉ）服薬量と副作用
本実施例の被験者である患者４３名が服薬している医薬品は多岐に渡り、これらの医薬品の影響を個別に評価することは難しい。そこで、服薬量を等価に比較する換算値を用いる。等価換算には、向精神薬の等価換算であるクロルプロマジン換算（ＣＰ換算）、催眠鎮静薬の等価換算であるジアゼパム換算（ＤＺＰ換算）、抗うつ薬の等価換算であるイミプラミン換算（ＩＭ換算）を用いる。ＣＰ換算では８８３ｍｇが対象であり、この値を超えて向精神薬を服用している患者はＩＤ６のみであった。本モデルはＩＤ６に対し運転技能低下の判定をしており、服薬状態から運転技能に影響があると考えられる患者を運転技能低下と判定できているといえる。ＤＺＰ換算では、１３．３ｍｇが対象であるが、この値を超えて催眠鎮静薬を服用している患者はいなかった。ＤＺＰ換算対象であるベンゾジアゼピン系の抗不安薬の慢性的な服薬や服薬量の増加は、心理的、身体的症状の漸増により転倒や骨折、交通事故の危険性を高めるとされているが、本モデルではベンゾジアゼピン系の医薬品を服薬している患者に対して運転技能低下と判定しなかった。このことから、ベンゾジアゼピン系の服薬をしていても多量でなければ運転に支障はないことが示唆された。
本実施例の被験者である患者４３名が服薬している医薬品は多岐に渡り、これらの医薬品の影響を個別に評価することは難しい。そこで、服薬量を等価に比較する換算値を用いる。等価換算には、向精神薬の等価換算であるクロルプロマジン換算（ＣＰ換算）、催眠鎮静薬の等価換算であるジアゼパム換算（ＤＺＰ換算）、抗うつ薬の等価換算であるイミプラミン換算（ＩＭ換算）を用いる。ＣＰ換算では８８３ｍｇが対象であり、この値を超えて向精神薬を服用している患者はＩＤ６のみであった。本モデルはＩＤ６に対し運転技能低下の判定をしており、服薬状態から運転技能に影響があると考えられる患者を運転技能低下と判定できているといえる。ＤＺＰ換算では、１３．３ｍｇが対象であるが、この値を超えて催眠鎮静薬を服用している患者はいなかった。ＤＺＰ換算対象であるベンゾジアゼピン系の抗不安薬の慢性的な服薬や服薬量の増加は、心理的、身体的症状の漸増により転倒や骨折、交通事故の危険性を高めるとされているが、本モデルではベンゾジアゼピン系の医薬品を服薬している患者に対して運転技能低下と判定しなかった。このことから、ベンゾジアゼピン系の服薬をしていても多量でなければ運転に支障はないことが示唆された。
【0051】
服薬における副作用の大きさを評価する指標として、全９項目を０－４の５段階で評価する薬原性錐体外路症状評価尺度（Ｄｒｕｇ－ｉｎｄｕｃｅｄ Ｅｘｔｒａｐｙｒａｍｉｄａｌ ＳｙｍｐｔｏｍｓＳｃａｌｅ；ＤＩＥＰＳＳ）を用いる。ＤＩＥＰＳＳは３．３７を越える患者を対象としており、対象となる患者はＩＤ２６、２８の２名であった。この２名はＣＰ換算値、ＤＺＰ換算値がμ＋２σを超えてはないが、ＣＰ換算が両名８００ｍｇを超えており、多量服薬しているといえる。また、ＩＤ２６は全患者の中で最もＤＺＰ換算値が高い。本モデルは、この２名に運転技能低下の判定をしており、副作用及び服薬の観点から、本モデルは運転技能に影響があると考えられる患者を運転技能低下と判定できている。
【0052】
（ｉｉ）精神症状の重症度
簡易精神症状評価尺度（Ｂｒｉｅｆ ＰｓｙｃｈｉａｔｒｙＲａｔｉｎｇ Ｓｃａｌｅ；ＢＰＲＳ）は、統合失調症に生じる幻覚を含む精神症状の重症度を全１８項目の評価項目でそれぞれ７段階の評価を行う評価項目である。ＢＰＲＳにおいて、４６．６を越えるスコアを持つ患者を対象とし、ＩＤ２５、２６、２７、２８の４名が対象となる。ＩＤ２７は運転技能低下の判定をされていないが、ＩＤ２５、２６、２８の３名は運転技能低下の判定をされており、本モデルは精神症状の重症度から運転技能への影響があると考えられる患者を運転技能低下と判定できている。
簡易精神症状評価尺度（Ｂｒｉｅｆ ＰｓｙｃｈｉａｔｒｙＲａｔｉｎｇ Ｓｃａｌｅ；ＢＰＲＳ）は、統合失調症に生じる幻覚を含む精神症状の重症度を全１８項目の評価項目でそれぞれ７段階の評価を行う評価項目である。ＢＰＲＳにおいて、４６．６を越えるスコアを持つ患者を対象とし、ＩＤ２５、２６、２７、２８の４名が対象となる。ＩＤ２７は運転技能低下の判定をされていないが、ＩＤ２５、２６、２８の３名は運転技能低下の判定をされており、本モデルは精神症状の重症度から運転技能への影響があると考えられる患者を運転技能低下と判定できている。
【0053】
（ｉｉｉ）運転習慣
本実施例の精神疾患患者の被験者には、運転免許を持っているが運転習慣が一切ない患者が含まれる。運転習慣が全くない患者はＩＤ４、１２、２５、２６、２８、３７、３９、４１の９名である。これらの患者は、精神症状の重症度や服薬などに特筆すべき点がない場合でも、運転技能の低さから運転技能低下であると判定される可能性がある。この９名のうち、運転技能低下であると判定されたのはＩＤ４、２５、２６、２８の４名であった。この４名のうち、ＩＤ４は服薬のＣＰ換算値が大きく、ＩＤ２５、２６、２８の３名は、ＢＰＲＳの評価が大きい患者であった。このことから、本モデルは、運転習慣がない患者であって、服薬量が多い、重症度の高いなど他の要因を持つ患者に運転技能低下と判定する可能性が示唆された。
本実施例の精神疾患患者の被験者には、運転免許を持っているが運転習慣が一切ない患者が含まれる。運転習慣が全くない患者はＩＤ４、１２、２５、２６、２８、３７、３９、４１の９名である。これらの患者は、精神症状の重症度や服薬などに特筆すべき点がない場合でも、運転技能の低さから運転技能低下であると判定される可能性がある。この９名のうち、運転技能低下であると判定されたのはＩＤ４、２５、２６、２８の４名であった。この４名のうち、ＩＤ４は服薬のＣＰ換算値が大きく、ＩＤ２５、２６、２８の３名は、ＢＰＲＳの評価が大きい患者であった。このことから、本モデルは、運転習慣がない患者であって、服薬量が多い、重症度の高いなど他の要因を持つ患者に運転技能低下と判定する可能性が示唆された。
【0054】
この構成は、ハードウエア的には、任意のコンピュータのＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、メモリ、その他のＬＳＩ（Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ）で実現でき、ソフトウエア的にはメモリにロードされたプログラムなどによって実現されるが、ここではそれらの連携によって実現される機能ブロックを描いている。したがって、これらの機能ブロックがハードウエアのみ、ハードウエアとソフトウエアの組合せによっていろいろな形で実現できることは、当業者には理解されるところである。
【0055】
以上の構成による分類装置２００の動作を説明する。図１０は、分類装置２００による学習手順を示すフローチャートである。第１取得部２２０は、健常者がドライビングシミュレータ１００を操作することによって第１運転データを取得する（Ｓ１０）。第１生成部２２６は、第１運転データを処理することによって特徴量を生成する（Ｓ１２）。学習部２３０は、特徴量を使用して分類モデル２４０を学習する（Ｓ１４）。
【0056】
図１１は、分類装置２００による分類手順を示すフローチャートである。第２取得部２５０は、患者がドライビングシミュレータ１００を操作することによって第２運転データを取得する（Ｓ５０）。第２生成部２５４は、第２運転データを処理することによって特徴量を生成する（Ｓ５２）。分類部２５６は、特徴量を分類モデル２４０に入力することによって患者の運転を分類する（Ｓ５４）。
【0057】
本実施例によれば、ＢＡＣを変えながら健常者から取得した第１運転データをもとに生成した特徴量により分類モデルを学習させ、患者から取得した第２運転データをもとに生成した特徴量に対して分類モデルを使用するので、精神疾患患者の運転を分類できる。また、ＢＡＣを変えながら健常者から取得した第１運転データをもとに生成した特徴量により分類モデルを学習させるので、患者の運転を分類するための分類モデルを学習できる。また、ＢＡＣに対するしきい値０．５ｍｇ／ｍＬを設定して分類モデルを学習するので、運転技能低下を正確に判定できる。また、変数重要度の高い指標を使用するので、分類の精度を向上できる。また、変数重要度をもとに指標を選択するので、処理量を低減できる。また、学習処理を実行する第１装置と、分類処理を実行する第２装置とが別であるので、構成の自由度を向上できる。また、学習処理と分類処理を１つの装置において実行するので、構成の自由度を向上できる。
【0058】
本開示の一態様の概要は、次の通りである。本開示のある態様の分類システムは、ドライビングシミュレータを健常者が操作した場合の第１運転データであって、複数種類の血中アルコール濃度のそれぞれに対応した第１運転データを取得する第１取得部と、第１取得部において取得した第１運転データから指標を血中アルコール濃度毎に抽出する第１抽出部と、第１抽出部において抽出した指標がしきい値以上の血中アルコール濃度に対応する場合、指標に運転技能低下ラベルを付与し、第１抽出部において抽出した指標がしきい値より小さい血中アルコール濃度に対応する場合、指標に運転技能通常ラベルを付与する付与部と、第１抽出部において抽出した指標を標準化することによって特徴量を血中アルコール濃度毎に生成する第１生成部と、付与部において付与した運転技能低下ラベルと運転技能通常ラベルのうちの１つと、第１生成部において生成した特徴量とを分類モデルに入力することによって、分類モデルを学習する学習部と、ドライビングシミュレータを患者が操作した場合の第２運転データを取得する第２取得部と、第２取得部において取得した第２運転データから指標を抽出する第２抽出部と、第２抽出部において抽出した指標を標準化することによって特徴量を生成する第２生成部と、学習部において学習させた分類モデルに、第２生成部において生成した特徴量を入力することによって、患者の運転技能が低下しているか、通常であるかを分類する分類部と、を備える。
【0059】
この態様によると、血中アルコール濃度を変えながら健常者から取得した第１運転データをもとに分類モデルを学習させ、患者から取得した第２運転データに対して分類モデルを使用するので、精神疾患患者の自動車の運転技能を評価できる。
【0060】
第１抽出部において抽出される指標は、ＳＤＬＰ（Ｓｔａｎｄａｒｄ Ｄｅｖｉａｔｉｏｎ ｏｆ Ｌａｔｅｒａｌ Ｐｏｓｉｔｉｏｎ）、ＬＳＲ（Ｌｉｇｈｔｍｏｓｔ Ｄｉｓｔａｎｃｅ）を少なくとも含んでもよい。第２抽出部において抽出される指標は、ＳＤＬＰ、ＬＳＲを少なくとも含んでもよい。この場合、変数重要度の高い指標を使用するので、分類の精度を向上できる。
【0061】
第１抽出部において複数種類の指標が生成されており、変数重要度をもとに、複数種類の指標から、１種類以上の指標を選択する選択部をさらに備えてもよい。学習部は、選択部において選択された１種類以上の指標を使用してもよい。この場合、変数重要度をもとに指標を選択するので、処理量を低減できる。
【0062】
第１取得部と第１抽出部と付与部と第１生成部と学習部は、第１装置において実行され、第２取得部と第２抽出部と第２生成部と分類部は、第１装置とは異なる第２装置において実行されてもよい。この場合、学習処理を実行する第１装置と、分類処理を実行する第２装置とが別であるので、構成の自由度を向上できる。
【0063】
第１取得部と第１抽出部と付与部と第１生成部と学習部と第２取得部と第２抽出部と第２生成部と分類部は、１つの装置において実行されてもよい。この場合、学習処理と分類処理を１つの装置において実行するので、構成の自由度を向上できる。
【0064】
以上、本開示を実施例をもとに説明した。この実施例は例示であり、それらの各構成要素や各処理プロセスの組合せにいろいろな変形例が可能なこと、またそうした変形例も本開示の範囲にあることは当業者に理解されるところである。
【符号の説明】
【0065】
１０ ユーザ、 １００ ドライビングシミュレータ、 １１０ コンピュータ、 １２０ プロジェクタ、 １３０ スクリーン、 １４０ 椅子、 １５０ ハンドル、 １６０ アクセル・ブレーキ、 ２００ 分類装置、 ２１０ 第１処理部、 ２１２ 第２処理部、 ２２０ 第１取得部、 ２２２ 第１抽出部、 ２２４ 付与部、 ２２６ 第１生成部、 ２２８ 選択部、 ２３０ 学習部、 ２４０ 分類モデル、 ２５０ 第２取得部、 ２５２ 第２抽出部、 ２５４ 第２生成部、 ２５６ 分類部。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】