特許 7421703 分類プログラム、分類装置及び分類方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-01-17

(45)【発行日】2024-01-25

(54)【発明の名称】分類プログラム、分類装置及び分類方法

(51)【国際特許分類】

   G16H 50/50 20180101AFI20240118BHJP

   G16H 10/00 20180101ALI20240118BHJP

   G06V 30/19 20220101ALI20240118BHJP

   G06V 30/194 20220101ALI20240118BHJP

【ＦＩ】

G16H50/50

G16H10/00

G06V30/19 Z

G06V30/194

【請求項の数】 14

(21)【出願番号】P 2020028085

(22)【出願日】2020-02-21

(65)【公開番号】P2021131805

(43)【公開日】2021-09-09

【審査請求日】2022-12-26

(73)【特許権者】

【識別番号】506301140

【氏名又は名称】公立大学法人会津大学

(73)【特許権者】

【識別番号】509013703

【氏名又は名称】公立大学法人福島県立医科大学

(74)【代理人】

【識別番号】100094525

【弁理士】

【氏名又は名称】土井 健二

(74)【代理人】

【識別番号】100094514

【弁理士】

【氏名又は名称】林 恒徳

(72)【発明者】

【氏名】慎 重弼

(72)【発明者】

【氏名】小林 俊輔

【審査官】吉田 誠

(56)【参考文献】

【文献】米国特許出願公開第２０１１／０２１７６７９（ＵＳ，Ａ１）

【文献】米国特許出願公開第２００５／００５３２６９（ＵＳ，Ａ１）

【文献】中国特許出願公開第１０７４５１５５９（ＣＮ，Ａ）

【文献】特開２０１０－１３１２８０（ＪＰ，Ａ）

【文献】国際公開第２０１７／０６５２４１（ＷＯ，Ａ１）

【文献】特開２０１８－１１４２３２（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ１６Ｈ １０／００ － ８０／００

Ｇ０６Ｖ ３０／１９

Ｇ０６Ｖ ３０／１９４

(57)【特許請求の範囲】

【請求項1】

第１グループ及び第２グループに含まれる複数の対象者ごとに、各対象者による手書き文字についての複数の特徴のそれぞれを示す第１特徴値を取得し、
前記複数の対象者ごとに、各対象者に対応する前記第１特徴値と、基準文字についての前記複数の特徴のそれぞれを示す第２特徴値とのＤＰ（Ｄｙｎａｍｉｃ Ｐｒｏｇｒａｍｍｉｎｇ）マッチングを行い、
前記ＤＰマッチングの結果に基づいて、前記複数の特徴のうち、前記第１グループに含まれる複数の対象者と前記第２グループに含まれる複数の対象者との間において前記第１特徴値の傾向が異なる１以上の特徴を特定し、
前記第１グループ及び前記第２グループに含まれる複数の対象者ごとに、各対象者についての前記１以上の特徴のそれぞれを示す前記第１特徴値の少なくとも一部と、各対象者が前記第１グループ及び第２グループのうちのどちらに含まれるかを示す情報とを含む複数の学習データを生成し、
前記複数の学習データを用いることによって学習モデルを生成する、
処理をコンピュータに実行させることを特徴とする分類プログラム。

【請求項2】

請求項１において、
前記複数の特徴は、前記手書き文字の書字時における所定時間ごとのペンの先端部の筆圧及び座標と、前記ペンの後端部の高度角及び方位角とのうちの少なくとも１つを含む、
ことを特徴とする分類プログラム。

【請求項3】

請求項１において、
前記１以上の特徴を特定する処理では、
前記ＤＰマッチングの結果を示す値についてのｔ検定を行い、
前記複数の特徴のうち、前記ｔ検定によって算出されたｐ値が所定以下である特徴を特定する、
ことを特徴とする分類プログラム。

【請求項4】

請求項１において、
前記第１グループに含まれる複数の対象者は、所定の病気の罹患者でない対象者であり、
前記第２グループに含まれる複数の対象者は、前記所定の病気の罹患者である対象者である、
ことを特徴とする分類プログラム。

【請求項5】

請求項４において、さらに、
前記複数の特徴ごとに、各特徴を示す前記第１特徴値のうち、前記第１グループに含まれる複数の対象者に対応する特徴値の平均値を取得し、
前記平均値のそれぞれに対応する文字を前記基準文字として特定する、
処理をコンピュータに実行させることを特徴とする分類プログラム。

【請求項6】

請求項２において、さらに、
前記第１グループ及び前記第２グループに含まれる複数の対象者ごとに、前記第１特徴値を用いることによって、前記複数の特徴と異なる複数の他の特徴のそれぞれを示す第３特徴値を算出し、
前記第３特徴値を用いることにより、前記複数の他の特徴のうち、前記第１グループに含まれる複数の対象者と前記第２グループに含まれる複数の対象者との間において前記第３特徴値の傾向が異なる１以上の他の特徴を特定する、
処理をコンピュータに実行させ、
前記複数の学習データを生成する処理では、
前記第１グループ及び前記第２グループに含まれる複数の対象者ごとに、各対象者についての前記１以上の特徴のそれぞれを示す前記第１特徴値の少なくとも一部と、各対象者についての前記１以上の特徴のそれぞれを示す前記第３特徴値の少なくとも一部と、各対象者が前記第１グループ及び第２グループのうちのどちらに含まれるかを示す情報とを含む複数の学習データを生成する、
ことを特徴とする分類プログラム。

【請求項7】

請求項６において、
前記複数の他の特徴は、前記手書き文字の書字時における前記ペンの後端部の高度角の前記所定時間における第１変化率と、前記第１変化率の前記所定時間における第２変化率と、前記ペンの後端部の方位角の前記所定時間における第３変化率と、前記第３変化率の前記所定時間における第４変化率とのうちの少なくとも１つを含む、
ことを特徴とする分類プログラム。

【請求項8】

請求項６において、
前記複数の他の特徴は、前記手書き文字の書字時における前記所定時間ごとの前記座標のうち、第１座標と第２座標との間における距離と前記第２座標と第３座標との間における距離とが所定の長さである３点の座標における、前記第１座標と前記第２座標とを通る直線と前記第２座標と前記第３座標とを通る直線とのなす角を含む、
ことを特徴とする分類プログラム。

【請求項9】

請求項１において、さらに、
新たな対象者についての前記複数の特徴のそれぞれ示す新たな特徴値を受け付け、
前記学習モデルに対する前記新たな特徴値の入力に応じて出力される情報として、前記新たな対象者が前記第１グループ及び第２グループのうちのどちらに含まれるかを示す情報を出力する、
処理をコンピュータに実行させることを特徴とする分類プログラム。

【請求項10】

第１グループ及び第２グループに含まれる複数の対象者ごとに、各対象者による手書き文字についての複数の特徴のそれぞれを示す複数の第１特徴値を取得し、
前記第１グループ及び第２グループに含まれる複数の対象者ごとに、前記第１特徴値を用いることによって、前記複数の特徴と異なる複数の他の特徴のそれぞれを示す第３特徴値を算出し、
前記第３特徴値を用いることにより、前記複数の他の特徴のうち、前記第１グループに含まれる複数の対象者と前記第２グループに含まれる複数の対象者との間において前記第３特徴値の傾向が異なる１以上の他の特徴を特定し、
前記第１グループ及び前記第２グループに含まれる複数の対象者ごとに、各対象者についての前記１以上の他の特徴のそれぞれを示す前記第１特徴値の少なくとも一部と、各対象者が前記第１グループ及び第２グループのうちのどちらに含まれるかを示す情報とを含む複数の学習データを生成し、
前記複数の学習データを用いることによって学習モデルを生成する、
処理をコンピュータに実行させ、
前記複数の他の特徴は、前記手書き文字の書字時における所定時間ごとのペンの先端部の筆圧及び座標と、前記ペンの後端部の高度角及び方位角と、前記所定時間ごとの前記座標のうち、第１座標と第２座標との間における距離と前記第２座標と第３座標との間における距離とが所定の長さである３点の座標における、前記第１座標と前記第２座標とを通る直線と前記第２座標と前記第３座標とを通る直線とのなす角とのうちの少なくとも１つを含む、
ことを特徴とする分類プログラム。

【請求項11】

第１グループ及び第２グループに含まれる複数の対象者ごとに、各対象者による手書き文字についての複数の特徴のそれぞれを示す第１特徴値を取得する特徴値取得部と、
前記複数の対象者ごとに、各対象者に対応する前記第１特徴値と、基準文字についての前記複数の特徴のそれぞれを示す第２特徴値とのＤＰマッチングを行うマッチング部と、
前記ＤＰマッチングの結果に基づいて、前記複数の特徴のうち、前記第１グループに含まれる複数の対象者と前記第２グループに含まれる複数の対象者との間において前記第１特徴値の傾向が異なる１以上の特徴を特定する特徴特定部と、
前記第１グループ及び前記第２グループに含まれる複数の対象者ごとに、各対象者についての前記１以上の特徴のそれぞれを示す前記第１特徴値の少なくとも一部と、各対象者が前記第１グループ及び第２グループのうちのどちらに含まれるかを示す情報とを含む複数の学習データを生成するデータ生成部と、
前記複数の学習データを用いることによって学習モデルを生成するモデル生成部と、を有する、
ことを特徴とする分類装置。

【請求項12】

第１グループ及び第２グループに含まれる複数の対象者ごとに、各対象者による手書き文字についての複数の特徴のそれぞれを示す複数の第１特徴値を取得する特徴値取得部と、
前記第１グループ及び第２グループに含まれる複数の対象者ごとに、前記第１特徴値を用いることによって、前記複数の特徴と異なる複数の他の特徴のそれぞれを示す第３特徴値を算出する特徴値算出部と、
前記第３特徴値を用いることにより、前記複数の他の特徴のうち、前記第１グループに含まれる複数の対象者と前記第２グループに含まれる複数の対象者との間において前記第３特徴値の傾向が異なる１以上の他の特徴を特定する特徴特定部と、
前記第１グループ及び前記第２グループに含まれる複数の対象者ごとに、各対象者についての前記１以上の他の特徴のそれぞれを示す前記第１特徴値の少なくとも一部と、各対象者が前記第１グループ及び第２グループのうちのどちらに含まれるかを示す情報とを含む複数の学習データを生成するデータ生成部と、
前記複数の学習データを用いることによって学習モデルを生成するモデル生成部と、を有し、
前記複数の他の特徴は、前記手書き文字の書字時における所定時間ごとのペンの先端部の筆圧及び座標と、前記ペンの後端部の高度角及び方位角と、前記所定時間ごとの前記座標のうち、第１座標と第２座標との間における距離と前記第２座標と第３座標との間における距離とが所定の長さである３点の座標における、前記第１座標と前記第２座標とを通る直線と前記第２座標と前記第３座標とを通る直線とのなす角とのうちの少なくとも１つを含む、
ことを特徴とする分類装置。

【請求項13】

第１グループ及び第２グループに含まれる複数の対象者ごとに、各対象者による手書き文字についての複数の特徴のそれぞれを示す第１特徴値を取得し、
前記複数の対象者ごとに、各対象者に対応する前記第１特徴値と、基準文字についての前記複数の特徴のそれぞれを示す第２特徴値とのＤＰマッチングを行い、
前記ＤＰマッチングの結果に基づいて、前記複数の特徴のうち、前記第１グループに含まれる複数の対象者と前記第２グループに含まれる複数の対象者との間において前記第１特徴値の傾向が異なる１以上の特徴を特定し、
前記第１グループ及び前記第２グループに含まれる複数の対象者ごとに、各対象者についての前記１以上の特徴のそれぞれを示す前記第１特徴値の少なくとも一部と、各対象者が前記第１グループ及び第２グループのうちのどちらに含まれるかを示す情報とを含む複数の学習データを生成し、
前記複数の学習データを用いることによって学習モデルを生成する、
処理をコンピュータに実行させることを特徴とする分類方法。

【請求項14】

第１グループ及び第２グループに含まれる複数の対象者ごとに、各対象者による手書き文字についての複数の特徴のそれぞれを示す複数の第１特徴値を取得し、
前記第１グループ及び第２グループに含まれる複数の対象者ごとに、前記第１特徴値を用いることによって、前記複数の特徴と異なる複数の他の特徴のそれぞれを示す第３特徴値を算出し、
前記第３特徴値を用いることにより、前記複数の他の特徴のうち、前記第１グループに含まれる複数の対象者と前記第２グループに含まれる複数の対象者との間において前記第３特徴値の傾向が異なる１以上の他の特徴を特定し、
前記第１グループ及び前記第２グループに含まれる複数の対象者ごとに、各対象者についての前記１以上の他の特徴のそれぞれを示す前記第１特徴値の少なくとも一部と、各対象者が前記第１グループ及び第２グループのうちのどちらに含まれるかを示す情報とを含む複数の学習データを生成し、
前記複数の学習データを用いることによって学習モデルを生成する、
処理をコンピュータに実行させ、
前記複数の他の特徴は、前記手書き文字の書字時における所定時間ごとのペンの先端部の筆圧及び座標と、前記ペンの後端部の高度角及び方位角と、前記所定時間ごとの前記座標のうち、第１座標と第２座標との間における距離と前記第２座標と第３座標との間における距離とが所定の長さである３点の座標における、前記第１座標と前記第２座標とを通る直線と前記第２座標と前記第３座標とを通る直線とのなす角とのうちの少なくとも１つを含む、
ことを特徴とする分類方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、分類プログラム、分類装置及び分類方法に関する。

【背景技術】

【0002】

パーキンソン病は、特徴的な症状を呈する神経難病であり、パーキンソン病の運動症状としては、例えば、振戦（ふるえ）、動作緩慢及び小字症等がある。そして、パーキンソン病は、一般的に、他の病気の区別することが困難な病気であり、医師による診断に時間や費用を要することが知られている。

【0003】

そのため、近年では、ペンタブレット等によって取得された手書き文字の解析結果からパーキンソン病の診断を行うための研究が行われている。具体的に、このような手書き文字を用いた研究では、ペンタブレット等によって取得された筆圧や書字速度等の情報に基づいて、振戦等の有無についての解析が行われる（特許文献１を参照）。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２０１０－１３１２８０号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかしながら、パーキンソン病には、例えば、上記のような運動症状の他にも多様な運動症状が存在する。そのため、上記のような筆圧や書字速度等を用いた解析では、パーキンソン病の進行具体等についての高精度な診断を行うことができない場合がある。したがって、医療現場では、パーキンソン病の診断をより高精度に行うことが可能な手法が求められている。

【0006】

そこで、本発明の目的は、パーキンソン病の診断をより高精度に行うことを可能とする分類プログラム、分類装置及び分類方法を提供することにある。

【課題を解決するための手段】

【0007】

上記目的を達成するための本発明における分類プログラムは、第１グループ及び第２グループに含まれる複数の対象者ごとに、各対象者による手書き文字についての複数の特徴のそれぞれを示す第１特徴値を取得し、前記複数の対象者ごとに、各対象者に対応する前記第１特徴値と、基準文字についての前記複数の特徴のそれぞれを示す第２特徴値とのＤＰ（Ｄｙｎａｍｉｃ Ｐｒｏｇｒａｍｍｉｎｇ）マッチングを行い、前記ＤＰマッチングの結果に基づいて、前記複数の特徴のうち、前記第１グループに含まれる複数の対象者と前記第２グループに含まれる複数の対象者との間において前記第１特徴値の傾向が異なる１以上の特徴を特定し、前記第１グループ及び前記第２グループに含まれる複数の対象者ごとに、各対象者についての前記１以上の特徴のそれぞれを示す前記第１特徴値の少なくとも一部と、各対象者が前記第１グループ及び第２グループのうちのどちらに含まれるかを示す情報とを含む複数の学習データを生成し、前記複数の学習データを用いることによって学習モデルを生成する、処理をコンピュータに実行させることを特徴とする。

【0008】

また、上記目的を達成するための本発明における分類プログラムは、一つの態様では、前記複数の特徴が、前記手書き文字の書字時における前記所定時間ごとのペンの先端部の筆圧及び座標と、前記ペンの後端部の高度角及び方位角とのうちの少なくとも１つを含む、ことを特徴とする。

【0009】

また、上記目的を達成するための本発明における分類プログラムは、一つの態様では、前記ＤＰマッチングの結果を示す値についてのｔ検定を行い、前記複数の特徴のうち、前記ｔ検定によって算出されたｐ値が所定以下である特徴を特定する、ことを特徴とする。

【0010】

また、上記目的を達成するための本発明における分類プログラムは、一つの態様では、前記第１グループに含まれる複数の対象者が、所定の病気の罹患者でない対象者であり、前記第２グループに含まれる複数の対象者が、前記所定の病気の罹患者である対象者である、ことを特徴とする。

【0011】

また、上記目的を達成するための本発明における分類プログラムは、一つの態様では、前記複数の特徴ごとに、各特徴を示す前記第１特徴値のうち、前記第１グループに含まれる複数の対象者に対応する特徴値の平均値を取得し、前記平均値のそれぞれに対応する文字を前記基準文字として特定する、処理をコンピュータに実行させることを特徴とする。

【0012】

また、上記目的を達成するための本発明における分類プログラムは、一つの態様では、前記第１グループ及び前記第２グループに含まれる複数の対象者ごとに、前記第１特徴値を用いることによって、前記複数の特徴と異なる複数の他の特徴のそれぞれを示す第３特徴値を算出し、前記複数の第３特徴値を用いることにより、前記複数の他の特徴のうち、前記第１グループに含まれる複数の対象者と前記第２グループに含まれる複数の対象者との間において前記第３特徴値の傾向が異なる１以上の他の特徴を特定し、前記第１グループ及び前記第２グループに含まれる複数の対象者ごとに、各対象者についての前記１以上の特徴のそれぞれを示す前記第１特徴値の少なくとも一部と、各対象者についての前記１以上の特徴のそれぞれを示す前記第３特徴値の少なくとも一部と、各対象者が前記第１グループ及び第２グループのうちのどちらに含まれるかを示す情報とを含む複数の学習データを生成する、ことを特徴とする。

【0013】

また、上記目的を達成するための本発明における分類プログラムは、一つの態様では、前記複数の他の特徴が、前記手書き文字の書字時における前記ペンの後端部の高度角の前記所定時間における第１変化率と、前記第１変化率の前記所定時間における第２変化率と、前記ペンの後端部の方位角の前記所定時間における第３変化率と、前記第３変化率の前記所定時間における第４変化率とのうちの少なくとも１つを含む、ことを特徴とする。

【0014】

また、上記目的を達成するための本発明における分類プログラムは、一つの態様では、前記複数の他の特徴が、前記手書き文字の書字時における前記所定時間ごとの前記座標のうち、第１座標と第２座標との間における距離と前記第２座標と第３座標との間における距離とが所定の長さである３点の座標における、前記第１座標と前記第２座標とを通る直線と前記第２座標と前記第３座標とを通る直線とのなす角を含む、ことを特徴とする。

【0015】

また、上記目的を達成するための本発明における分類プログラムは、一つの態様では、新たな対象者についての前記複数の特徴のそれぞれ示す新たな特徴値を受け付け、前記学習モデルに対する前記新たな特徴値の入力に応じて出力される情報として、前記新たな対象者が前記第１グループ及び第２グループのうちのどちらに含まれるかを示す情報を出力する、処理をコンピュータに実行させることを特徴とする。

【0016】

また、上記目的を達成するための本発明における分類プログラムは、第１グループ及び第２グループに含まれる複数の対象者ごとに、各対象者による手書き文字についての複数の特徴のそれぞれを示す複数の第１特徴値を取得し、前記第１グループ及び第２グループに含まれる複数の対象者ごとに、前記第１特徴値を用いることによって、前記複数の特徴と異なる複数の他の特徴のそれぞれを示す第３特徴値を算出し、前記複数の第３特徴値を用いることにより、前記複数の他の特徴のうち、前記第１グループに含まれる複数の対象者と前記第２グループに含まれる複数の対象者との間において前記第３特徴値の傾向が異なる１以上の他の特徴を特定し、前記第１グループ及び前記第２グループに含まれる複数の対象者ごとに、各対象者についての前記１以上の特徴のそれぞれを示す前記第１特徴値の少なくとも一部と、各対象者が前記第１グループ及び第２グループのうちのどちらに含まれるかを示す情報とを含む複数の学習データを生成し、前記複数の学習データを用いることによって学習モデルを生成し、前記複数の他の特徴が、前記手書き文字の書字時における所定時間ごとのペンの先端部の筆圧及び座標と、前記ペンの後端部の高度角及び方位角と、前記所定時間ごとの前記座標のうち、第１座標と第２座標との間における距離と前記第２座標と第３座標との間における距離とが所定の長さである３点の座標における、前記第１座標と前記第２座標とを通る直線と前記第２座標と前記第３座標とを通る直線とのなす角とのうちの少なくとも１つを含む、ことを特徴とする。

【0017】

また、上記目的を達成するための本発明における分類装置は、第１グループ及び第２グループに含まれる複数の対象者ごとに、各対象者による手書き文字についての複数の特徴のそれぞれを示す第１特徴値を取得する特徴値取得部と、前記複数の対象者ごとに、各対象者に対応する前記第１特徴値と、基準文字についての前記複数の特徴のそれぞれを示す第２特徴値とのＤＰマッチングを行うマッチング部と、前記ＤＰマッチングの結果に基づいて、前記複数の特徴のうち、前記第１グループに含まれる複数の対象者と前記第２グループに含まれる複数の対象者との間において前記第１特徴値の傾向が異なる１以上の特徴を特定する特徴特定部と、前記第１グループ及び前記第２グループに含まれる複数の対象者ごとに、各対象者についての前記１以上の特徴のそれぞれを示す前記第１特徴値の少なくとも一部と、各対象者が前記第１グループ及び第２グループのうちのどちらに含まれるかを示す情報とを含む複数の学習データを生成するデータ生成部と、前記複数の学習データを用いることによって学習モデルを生成するモデル生成部と、を有する、ことを特徴とする。

【0018】

また、上記目的を達成するための本発明における分類装置は、第１グループ及び第２グループに含まれる複数の対象者ごとに、各対象者による手書き文字についての複数の特徴のそれぞれを示す複数の第１特徴値を取得する特徴値取得部と、前記第１グループ及び第２グループに含まれる複数の対象者ごとに、前記第１特徴値を用いることによって、前記複数の特徴と異なる複数の他の特徴のそれぞれを示す第３特徴値を算出する特徴値算出部と、前記複数の第３特徴値を用いることにより、前記複数の他の特徴のうち、前記第１グループに含まれる複数の対象者と前記第２グループに含まれる複数の対象者との間において前記第３特徴値の傾向が異なる１以上の他の特徴を特定する特徴特定部と、前記第１グループ及び前記第２グループに含まれる複数の対象者ごとに、各対象者についての前記１以上の特徴のそれぞれを示す前記第１特徴値の少なくとも一部と、各対象者が前記第１グループ及び第２グループのうちのどちらに含まれるかを示す情報とを含む複数の学習データを生成するデータ生成部と、前記複数の学習データを用いることによって学習モデルを生成するモデル生成部と、を有し、前記複数の他の特徴が、前記手書き文字の書字時における所定時間ごとのペンの先端部の筆圧及び座標と、前記ペンの後端部の高度角及び方位角と、前記所定時間ごとの前記座標のうち、第１座標と第２座標との間における距離と前記第２座標と第３座標との間における距離とが所定の長さである３点の座標における、前記第１座標と前記第２座標とを通る直線と前記第２座標と前記第３座標とを通る直線とのなす角とのうちの少なくとも１つを含む、ことを特徴とする。

【0019】

また、上記目的を達成するための本発明における分類方法は、第１グループ及び第２グループに含まれる複数の対象者ごとに、各対象者による手書き文字についての複数の特徴のそれぞれを示す第１特徴値を取得し、前記複数の対象者ごとに、各対象者に対応する前記第１特徴値と、基準文字についての前記複数の特徴のそれぞれを示す第２特徴値とのＤＰマッチングを行い、前記ＤＰマッチングの結果に基づいて、前記複数の特徴のうち、前記第１グループに含まれる複数の対象者と前記第２グループに含まれる複数の対象者との間において前記第１特徴値の傾向が異なる１以上の特徴を特定し、前記第１グループ及び前記第２グループに含まれる複数の対象者ごとに、各対象者についての前記１以上の特徴のそれぞれを示す前記第１特徴値の少なくとも一部と、各対象者が前記第１グループ及び第２グループのうちのどちらに含まれるかを示す情報とを含む複数の学習データを生成し、前記複数の学習データを用いることによって学習モデルを生成する、処理をコンピュータに実行させることを特徴とする。

【0020】

また、上記目的を達成するための本発明における分類方法は、第１グループ及び第２グループに含まれる複数の対象者ごとに、各対象者による手書き文字についての複数の特徴のそれぞれを示す複数の第１特徴値を取得し、前記第１グループ及び第２グループに含まれる複数の対象者ごとに、前記第１特徴値を用いることによって、前記複数の特徴と異なる複数の他の特徴のそれぞれを示す第３特徴値を算出し、前記複数の第３特徴値を用いることにより、前記複数の他の特徴のうち、前記第１グループに含まれる複数の対象者と前記第２グループに含まれる複数の対象者との間において前記第３特徴値の傾向が異なる１以上の他の特徴を特定し、前記第１グループ及び前記第２グループに含まれる複数の対象者ごとに、各対象者についての前記１以上の特徴のそれぞれを示す前記第１特徴値の少なくとも一部と、各対象者が前記第１グループ及び第２グループのうちのどちらに含まれるかを示す情報とを含む複数の学習データを生成し、前記複数の学習データを用いることによって学習モデルを生成し、前記複数の他の特徴が、前記手書き文字の書字時における所定時間ごとのペンの先端部の筆圧及び座標と、前記ペンの後端部の高度角及び方位角と、前記所定時間ごとの前記座標のうち、第１座標と第２座標との間における距離と前記第２座標と第３座標との間における距離とが所定の長さである３点の座標における、前記第１座標と前記第２座標とを通る直線と前記第２座標と前記第３座標とを通る直線とのなす角とのうちの少なくとも１つを含む、ことを特徴とする。

【発明の効果】

【0021】

本発明における分類プログラム、分類装置及び分類方法によれば、パーキンソン病の診断をより高精度に行うことが可能になる。

【図面の簡単な説明】

【0022】

【図1】図１は、本発明の実施の形態における分類装置１の構成例を示す図である。

【図2】図２は、第１の実施の形態の概略における分類処理を説明する図である。

【図3】図３は、第１の実施の形態における分類処理の詳細を説明するフローチャート図である。

【図4】図４は、第１の実施の形態における分類処理の詳細を説明するフローチャート図である。

【図5】図５は、被験者が書字を行う手書き文字の具体例である。

【図6】図６は、被験者が書字を行う手書き文字の具体例である。

【図7】図７は、手書き文字から取得される各特徴を示す第１特徴値の具体例について説明する図である。

【図8】図８は、手書き文字から取得される各特徴を示す第１特徴値の具体例について説明する図である。

【図9】図９は、手書き文字から取得される各特徴を示す第１特徴値の具体例について説明する図である。

【図10】図１０は、手書き文字から取得される各特徴を示す第１特徴値の具体例について説明する図である。

【図11】図１１は、ＤＰマッチングの結果の具体例について説明する図である。

【図12】図１２は、「Ａｎｇｌｅ １ｍｍ」を説明する図である。

【図13】図１３は、ｔ検定の結果の具体例について説明する図である。

【図14】図１４は、ｔ検定の結果の具体例について説明する図である。

【図15】図１５は、ｔ検定の結果の具体例について説明する図である。

【図16】図１６は、Ｓ２５の処理で生成した学習モデルの分類精度について説明する図である。

【図17】図１７は、Ｓ２５の処理で生成した学習モデルの分類精度について説明する図である。

【発明を実施するための形態】

【0023】

以下、図面を参照して本発明の実施の形態について説明する。しかしながら、かかる実施の形態例が、本発明の技術的範囲を限定するものではない。

【0024】

図１は、本発明の実施の形態における分類装置１の構成例を示す図である。分類装置１は、コンピュータ装置であって、例えば、汎用的なＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）であってよい。また、分類装置１は、据置型、ノードブック型、タブレット型等の形態を問わない。

【0025】

分類装置１は、汎用的なコンピュータ装置のハードウエア構成を有し、例えば、図１に示すように、プロセッサであるＣＰＵ１０１と、メモリ１０２と、ネットワークインタフェース１０３と、記憶媒体１０４とを有する。各部は、バス１０５を介して互いに接続される。

【0026】

記憶媒体１０４は、例えば、パーキンソン病患者と健常者との分類を行う処理（以下、分類処理とも呼ぶ）を行うためのプログラム（図示しない）を記憶するプログラム格納領域（図示しない）を有する。また、記憶媒体１０４は、例えば、分類処理を行う際に用いられる情報を記憶する記憶領域１１０を有する。なお、記憶媒体１０４は、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）やＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）であってよい。

【0027】

ＣＰＵ１０１は、記憶媒体１０４（記憶領域１１０）からメモリ１０２にロードされたプログラムを実行して分類処理を行う。

【0028】

また、ネットワークインタフェース１０３は、例えば、パーキンソン病の診断を行う医師等が操作を行う操作端末５と通信を行う。

【0029】

［第１の実施の形態における概略］
次に、第１の実施の形態の概略について説明する。図２は、第１の実施の形態の概略における分類処理を説明する図である。

【0030】

初めに、分類装置１の特徴値取得部１１は、図２に示すように、パーキンソン病患者と健常者とを含む複数の被験者（以下、単に複数の被験者とも呼ぶ）ごとに、各被験者が書字した手書き文字についての複数の特徴のそれぞれを示す特徴値（以下、第１特徴値とも呼ぶ）を取得する。

【0031】

そして、マッチング部１２は、複数の被験者ごとに、各対象者に対応する第１特徴値と、各被験者が書字した手書き文字の基準となる文字（以下、基準文字とも呼ぶ）についての複数の特徴のそれぞれを示す特徴値（以下、第２特徴値とも呼ぶ）とのＤＰマッチングを行う。

【0032】

続いて、特徴特定部１３は、ＤＰマッチングの結果に基づいて、複数の特徴のうち、パーキンソン病患者と健常者との間において第１特徴値の傾向が異なる１以上の特徴を特定する。具体的に、特徴特定部１３は、例えば、ｔ検定を用いることにより、パーキンソン病患者と健常者の間において第１特徴値の傾向が異なる１以上の特徴の特定を行う。

【0033】

その後、データ生成部１４は、複数の被験者ごとに、各被験者についての１以上の特徴（特徴特定部１３が特定した１以上の特徴）のそれぞれを示す第１特徴値の少なくとも一部と、各被験者がパーキンソン病患者であるか否か（健常者であるか否か）を示す情報とを含む複数の学習データを生成する。

【0034】

そして、モデル生成部１５は、複数の学習データを用いることによって学習モデルを生成する。具体的に、モデル生成部１５は、パーキンソン病患者と健常者との分類を行うことが可能な学習モデルの生成を行う。

【0035】

なお、マッチング部１２がＤＰマッチングを行う際に用いる基準文字は、例えば、図２に示すように、文字特定部１６によって取得（特定）される。

【0036】

すなわち、本実施の形態における分類装置１は、ＤＰマッチングを用いることにより、学習データの一部として含めることが有効であると判断できる特徴を特定する。そして、分類装置１は、特定した特徴に対応する特徴値（第１特徴値）を含む複数の学習データを用いることによって学習モデルの生成を行う。

【0037】

これにより、分類装置１は、パーキンソン病患者と健常者との分類を高精度で行うことが可能な学習モデルを生成することが可能になる。そのため、パーキンソン病の診断を行う医師は、生成した学習モデルを用いることで、パーキンソン病の診断をより高精度に行うことが可能になる。

【0038】

［第１の実施の形態の詳細］
次に、第１の実施の形態の詳細について説明する。図３及び図４は、第１の実施の形態における分類処理の詳細を説明するフローチャート図である。また、図５から図１７は、第１の実施の形態における分類処理の詳細を説明する図である。

【0039】

特徴値取得部１１は、図３に示すように、複数の被験者ごとに、各被験者が書字した手書き文字についての複数の特徴を示す第１特徴値を取得する（Ｓ１１）。以下、手書き文字の具体例について説明を行う。

【0040】

［手書き文字の具体例］
図５及び図６は、被験者が書字を行う手書き文字の具体例である。具体的に、図５及び図６は、被験者が手書き文字を書字した場合におけるタブレット上の状態を示す具体例である。

【0041】

図５（Ａ）及び図５（Ｂ）は、アルキメデスの螺旋のなぞり書き（内側から外側に向かうなぞり書き）による手書き文字であり、図５（Ｃ）及び図５（Ｄ）は、サインカーブのなぞり書き（左側から右側に向かうなぞり書き）による手書き文字であり、図５（Ｅ）及び図５（Ｆ）は、三重丸の模倣書き（左側の三重丸の模様書き）による手書き文字である。

【0042】

また、図６（Ａ）及び図６（Ｂ）は、三本線のなぞり書きによる手書き文字であり、図６（Ｃ）及び図６（Ｄ）は、カタカナの「ク」のフリーライディング（左側の見本と大きさが同じになるように行うフリーライディング）による手書き文字であり、図６（Ｅ）及び図６（Ｆ）は、カタカナの「セ」のフリーライディングによる手書き文字である。

【0043】

そして、図５及び図６に示す例において、図５（Ａ）、図５（Ｃ）、図５（Ｅ）、図６（Ａ）、図６（Ｃ）及び図６（Ｅ）における手書き文字は、パーキンソン病患者によって書字されたものであり、図５（Ｂ）、図５（Ｄ）、図５（Ｆ）、図６（Ｂ）、図６（Ｄ）及び図６（Ｆ）における手書き文字は、健常者によって書字されたものである。

【0044】

［手書き文字についての特徴の具体例］
次に、図５及び図６で説明した各手書き文字から取得される各特徴の第１特徴値の具体例について説明を行う。図７から図１０は、手書き文字から取得される各特徴の第１特徴値の具体例について説明する図である。すなわち、図７から図１０は、被験者が手書き文字の書字を行う際にタブレットを介して取得される各種情報について説明する図である。

【0045】

以下、手書き文字から取得される特徴には、手書き文字の書字時におけるペンの先端部の筆圧（以下、単に筆圧とも呼ぶ）と、タブレット上におけるペンの先端部のＸ座標（以下、単にＸ座標とも呼ぶ）と、タブレット上におけるペンの先端部のＹ座標（以下、単にＹ座標とも呼ぶ）と、ペンの後端部の方位角（以下、単に方位角とも呼ぶ）と、ペンの後端部の高度角（以下、単に高度角とも呼ぶ）とが含まれるものとして説明を行う。

【0046】

なお、ここでの方位角は、例えば、図７に示すように、タブレットＴＢの水平方向のうちの基準となる一方向（以下、基準方向とも呼ぶ）に対するペンＰＮの後端部の水平方向における傾きＡＺが示す値である。また、ここでの高度角は、例えば、図８に示すように、タブレットＴＢの鉛直方向についてのペンＰＮの後端部の傾きＡＬを示す値である。

【0047】

そして、図９（Ａ）、図９（Ｃ）、図９（Ｅ）、図１０（Ａ）及び図１０（Ｃ）のそれぞれは、図５（Ａ）で説明したアルキメデスの螺旋のなぞり書きによる手書き文字の書字時における筆圧、Ｘ座標、Ｙ座標、方位角及び高度角に対応する第１特徴値の時系列データを示すグラフである。また、図９（Ｂ）、図９（Ｄ）、図９（Ｆ）、図１０（Ｂ）及び図１０（Ｄ）のそれぞれは、図５（Ｂ）で説明したアルキメデスの螺旋のなぞり書きによる手書き文字の書字時における筆圧、Ｘ座標、Ｙ座標、方位角及び高度角に対応する第１特徴値の時系列データを示すグラフである。なお、図９及び図１０に示す各グラフでは、横軸が時間を示しており、縦軸が筆圧等を示している。

【0048】

図３に戻り、文字特定部１６は、複数の特徴ごとに、各特徴を示す第１特徴値のうち、健常者に対応する特徴値の平均値を特定する（Ｓ１２）。

【0049】

そして、文字特定部１６は、Ｓ１２の処理で取得した平均値のそれぞれに対応する文字を基準文字として特定する（Ｓ１３）。すなわち、文字特定部１６は、各健常者によって書字された各手書き文字を平均させるによって基準文字を特定する。

【0050】

続いて、マッチング部１２は、複数の被験者ごとに、Ｓ１１の処理で取得した第１特徴値と、Ｓ１３の処理で特定した基準文字についての複数の特徴のそれぞれを示す特第２特徴値とのＤＰマッチングを行う（Ｓ１４）。

【0051】

具体的に、マッチング部１２は、例えば、Ｓ１１の処理で取得した筆圧、Ｘ座標、Ｙ座標、方位角及び高度角のそれぞれについてＤＰマッチングを行う。また、マッチング部１２は、例えば、Ｓ１１の処理で取得したＸ座標及びＹ座標に対応する位置についてＤＰマッチングを行う。以下、ＤＰマッチングを行う際の処理について説明を行う。

【0052】

［ＤＰマッチングを行う際の処理の具体例]
例えば、手書き文字から取得した筆圧の時系列データＴ＝ｔ_１、ｔ_２、…、ｔ_ｎであり、基準文字から取得した筆圧の時系列データＲ＝ｒ_１、ｒ_２、…、ｒ_ｍである場合、マッチング部１２は、初めに、ワーキングパスＷ＝ｗ_１、ｗ_２、…、ｗ_ｌを用いることによって各時系列データにおけるずれの最適化（各時系列データに含まれる要素数の差の吸収）を行う。ワーキングパスＷに含まれるｗのそれぞれは、ｔ_ｉ及びｒ_ｊに対応するデータであり、「ｗ＝（ｉ，ｊ）」と表現することが可能である。

【0053】

そして、この場合、ｔ_ｉとｒ_ｊとの間の距離ｄ（ｉ，ｊ）は、以下の式（１）によって定義され、ＤＰマッチングの結果は、以下の式（２）によって定義される。

【0054】

【数1】

【0055】

【数2】

【0056】

また、各要素における累積最小距離ｇ（ｉ，ｊ）は、以下の式（３）によって表現される。

【0057】

【数3】

【0058】

そして、ＤＰマッチングの結果は、時系列データＴと時系列データＲとが類似しているほど低くなる。以下、ＤＰマッチングの結果の具体例について説明を行う。

【0059】

［ＤＰマッチングの結果の具体例]
図１１は、ＤＰマッチングの結果の具体例について説明する図である。具体的に、図１１は、手書き文字から取得した筆圧の時系列データＴと基準文字から取得した筆圧の時系列データＲとのＤＰマッチングの結果の具体例について説明する図である。

【0060】

図１１（Ａ）に示す例では、文字ＷＤ１ａが時系列データＴに対応し、文字ＷＤ１ｂが時系列データＲに対応する。また、図１１（Ａ）に示す例は、ＤＰマッチングの結果が「３．８」である場合の例である。

【0061】

また、図１１（Ｂ）に示す例では、文字ＷＤ２ａが時系列データＴに対応し、文字ＷＤ２ｂが時系列データＲに対応する。また、図１１（Ｂ）に示す例は、ＤＰマッチングの結果が「３２．３」である場合の例である。

【0062】

すなわち、図１１（Ａ）に示す例における時系列データＴと時系列データＲとの差異部分（図１１（Ａ）における色付部分）の大きさは、図１１（Ｂ）に示す例における差異部分（図１１（Ｂ）における色付部分）の大きさよりも小さい。そのため、図１１（Ａ）の例におけるＤＰマッチングの結果は、図１１（Ｂ）の例におけるＤＰマッチングの結果よりも小さくなる。

【0063】

図３に戻り、特徴特定部１３は、Ｓ１４の処理の結果を示す値のそれぞれについてｔ検定を行う（Ｓ１５）。

【0064】

そして、特徴特定部１３は、手書き文字についての複数の特徴から、Ｓ１５の処理で算出されたｐ値が所定以下である特徴を特定する（Ｓ１６）。

【0065】

続いて、特徴値取得部１１は、図４に示すように、複数の被験者ごとに、Ｓ１１の処理で取得した第１特徴値を用いることによって、複数の他の特徴のそれぞれを示す特徴値（以下、第３特徴値とも呼ぶ）を算出する（Ｓ２１）。以下、Ｓ２１の処理の具体例について説明を行う。

【0066】

［Ｓ２１の処理の具体例]
特徴値取得部１１は、複数の他の特徴として、手書き文字から取得された位置（手書き文字から取得されたＸ座標とＹ座標に対応する位置）を用いることによって、タブレット上におけるペンの先端部の位置の単位時間あたりの変化率（移動速度）を示す「Ｗｒｉｔｉｎｇ Ｖｅｌｏｃｉｔｙ」と、「Ｗｒｉｔｉｎｇ Ｖｅｌｏｃｉｔｙ」の単位時間あたりの変化率を示す「Ｗｒｉｔｉｎｇ Ａｃｃｅｌｅｒａｔｉｏｎ」と、「Ｗｒｉｔｉｎｇ Ａｃｃｅｌｅｒａｔｉｏｎ」の単位時間あたりの変化率を示す「Ｗｒｉｔｉｎｇ Ｊｅｒｋ」とを単位時間ごとに算出して、「Ｗｒｉｔｉｎｇ Ｖｅｌｏｃｉｔｙ」、「Ｗｒｉｔｉｎｇ Ａｃｃｅｌｅｒａｔｉｏｎ」及び「Ｗｒｉｔｉｎｇ Ｊｅｒｋ」の時系列データをそれぞれ取得する。

【0067】

具体的に、特徴値取得部１１は、以下の式（４）から式（６）のそれぞれに従うことによって、単位時間ごとの「Ｗｒｉｔｉｎｇ Ｖｅｌｏｃｉｔｙ」、「Ｗｒｉｔｉｎｇ Ａｃｃｅｌｅｒａｔｉｏｎ」及び「Ｗｒｉｔｉｎｇ Ｊｅｒｋ」を算出する。なお、式（４）から（６）において、ｘ_ｉは、時間ｔ_ｉにおけるペンの先端部のＸ座標を示し、ｙ_ｉは、時間ｔ_ｉにおけるペンの先端部のＹ座標を示し、ｄ_ｉは、時間ｔ_ｉから時間ｔ_ｉ＋１までの間におけるペンの先端部の移動距離を示し、ｖ_ｉは、時間ｔ_ｉから時間ｔ_ｉ＋１までの間におけるペンの先端部の移動速度（すなわち、「Ｗｒｉｔｉｎｇ Ｖｅｌｏｃｉｔｙ」）を示し、ａ_ｉは、時間ｔ_ｉから時間ｔ_ｉ＋１までの間におけるｖ_ｉの変化率（すなわち、「Ｗｒｉｔｉｎｇ Ａｃｃｅｌｅｒａｔｉｏｎ」）を示し、ｊ_ｉは、時間ｔ_ｉから時間ｔ_ｉ＋１までの間におけるａ_ｉの変化率（すなわち、「Ｗｒｉｔｉｎｇ Ｊｅｒｋ」）を示している。

【0068】

【数4】

【0069】

【数5】

【0070】

【数6】

【0071】

また、特徴値取得部１１は、複数の他の特徴として、手書き文字から取得された筆圧を用いることによって、筆圧の１次微分値を示す「Ｐｒｅｓｓｕｒｅ １ｓｔ Ｄｅｒｉｖａｔｉｖｅ」と、筆圧の２次微分値を示す「Ｐｒｅｓｓｕｒｅ ２ｎｄ Ｄｅｒｉｖａｔｉｖｅ」とを単位時間ごとに算出して、「Ｐｒｅｓｓｕｒｅ １ｓｔ Ｄｅｒｉｖａｔｉｖｅ」及び「Ｐｒｅｓｓｕｒｅ ２ｎｄ Ｄｅｒｉｖａｔｉｖｅ」の時系列データをそれぞれ取得する。

【0072】

具体的に、特徴値取得部１１は、以下の式（７）及び式（８）のそれぞれに従うことによって、「Ｐｒｅｓｓｕｒｅ １ｓｔ Ｄｅｒｉｖａｔｉｖｅ」及び「Ｐｒｅｓｓｕｒｅ ２ｎｄ Ｄｅｒｉｖａｔｉｖｅ」を算出する。なお、式（７）及び式（８）において、ｐ_ｉは、時間ｔ_ｉにおけるペンの先端部における筆圧を示し、ｐ１_ｉは、時間ｔ_ｉから時間ｔ_ｉ＋１までの間におけるｐ_ｉの微分値（すなわち、「Ｐｒｅｓｓｕｒｅ １ｓｔ Ｄｅｒｉｖａｔｉｖｅ」）を示し、ｐ２_ｉは、時間ｔ_ｉから時間ｔ_ｉ＋１までの間におけるｐ１_ｉの微分値（すなわち、「Ｐｒｅｓｓｕｒｅ ２ｎｄ Ｄｅｒｉｖａｔｉｖｅ」）を示している。

【0073】

【数7】

【0074】

【数8】

【0075】

また、特徴値取得部１１は、複数の他の特徴として、手書き文字から取得された方位角を用いることによって、方位角の１次微分値を示す「Ａｚｉｍｕｔｈ １ｓｔ Ｄｅｒｉｖａｔｉｖｅ」と、方位角の２次微分値を示す「Ａｚｉｍｕｔｈ ２ｎｄ Ｄｅｒｉｖａｔｉｖｅ」とを単位時間ごとに算出して、「Ａｚｉｍｕｔｈ １ｓｔ Ｄｅｒｉｖａｔｉｖｅ」及び「Ａｚｉｍｕｔｈ ２ｎｄ Ｄｅｒｉｖａｔｉｖｅ」の時系列データをそれぞれ取得する。

【0076】

具体的に、特徴値取得部１１は、以下の式（９）及び式（１０）のそれぞれに従うことによって、「Ａｚｉｍｕｔｈ １ｓｔ Ｄｅｒｉｖａｔｉｖｅ」及び「Ａｚｉｍｕｔｈ ２ｎｄ Ｄｅｒｉｖａｔｉｖｅ」を算出する。なお、式（９）及び（１０）において、ａｚ_ｉは、時間ｔ_ｉにおけるペンの先端部における方位角を示し、ａｚ１_ｉは、時間ｔ_ｉから時間ｔ_ｉ＋１までの間におけるペンの先端部における方位角の微分値（すなわち、「Ａｚｉｍｕｔｈ １ｓｔ Ｄｅｒｉｖａｔｉｖｅ」）を示し、ａｚ２_ｉは、時間ｔ_ｉから時間ｔ_ｉ＋１までの間におけるａｚ１_ｉの微分値（すなわち、「Ａｚｉｍｕｔｈ ２ｎｄ Ｄｅｒｉｖａｔｉｖｅ」）を示している。

【0077】

【数9】

【0078】

【数10】

【0079】

また、特徴値取得部１１は、複数の他の特徴として、手書き文字から取得された高度角を用いることによって、高度角の１次微分値を示す「Ａｌｔｉｔｕｄｅ １ｓｔ Ｄｅｒｉｖａｔｉｖｅ」と、高度角の２次微分値を示す「Ａｌｔｉｔｕｄｅ ２ｎｄ Ｄｅｒｉｖａｔｉｖｅ」とを単位時間ごとに算出して、「Ａｌｔｉｔｕｄｅ １ｓｔ Ｄｅｒｉｖａｔｉｖｅ」及び「Ａｌｔｉｔｕｄｅ ２ｎｄ Ｄｅｒｉｖａｔｉｖｅ」の時系列データをそれぞれ取得する。

【0080】

具体的に、特徴値取得部１１は、以下の式（１１）及び式（１２）のそれぞれに従うことによって、「Ａｌｔｉｔｕｄｅ １ｓｔ Ｄｅｒｉｖａｔｉｖｅ」及び「Ａｌｔｉｔｕｄｅ ２ｎｄ Ｄｅｒｉｖａｔｉｖｅ」を算出する。なお、式（１１）及び（１２）において、ａｌ_ｉは、時間ｔ_ｉにおけるペンの先端部における高度角を示し、ａｌ１_ｉは、時間ｔ_ｉから時間ｔ_ｉ＋１までの間におけるペンの先端部における高度角の微分値（すなわち、「Ａｌｔｉｔｕｄｅ １ｓｔ Ｄｅｒｉｖａｔｉｖｅ」）を示し、ａｌ２_ｉは、時間ｔ_ｉから時間ｔ_ｉ＋１までの間におけるａｌ１_ｉの微分値（すなわち、「Ａｌｔｉｔｕｄｅ ２ｎｄ Ｄｅｒｉｖａｔｉｖｅ」）を示している。

【0081】

【数11】

【0082】

【数12】

【0083】

また、特徴値取得部１１は、複数の他の特徴として、手書き文字から取得された位置を用いることによって、単位時間ごとに取得された位置（以下、第２位置とも呼ぶ）のそれぞれについて、第２位置との距離が「１（ｍｍ）」である位置であって第２距離よりも前に取得された位置（以下、第１位置とも呼ぶ）と、第２位置との距離が「１（ｍｍ）」である位置であって第２距離よりも後に取得された位置（以下、第３位置とも呼ぶ）とを特定し、第１位置と第２位置とを通る直線と第２位置と第３位置とを通る直線とのなす角を示す「Ａｎｇｌｅ １ｍｍ」を単位時間ごとに算出して、「Ａｎｇｌｅ １ｍｍ」の時系列データを取得する。

【0084】

具体的に、特徴値取得部１１は、例えば、図１２に示すように、手書き文字ＷＤの書字時におけるペンの先端部の位置（図中の網掛け部分）のうち、位置Ｐ_ｋを第１位置として特定し、位置Ｐ_ｉを第２位置として特定し、Ｐ_ｊを第３位置として特定する。そして、特徴値取得部１１は、位置Ｐ_ｋと位置Ｐ_ｉとを通る直線と位置Ｐ_ｉと位置Ｐ_ｊとを通る直線とのなす角であるＡＮを特定する。

【0085】

また、特徴値取得部１１は、複数の他の特徴として、手書き文字から取得された位置を用いることによって、単位時間ごとに取得された第２位置のそれぞれについて、第２位置との距離が「３（ｍｍ）」である位置であって第２距離よりも前に取得された第１位置と、第２位置との距離が「３（ｍｍ）」である位置であって第２距離よりも後に取得された第３位置とを特定し、第１位置と第２位置とを通る直線と第２位置と第３位置とを通る直線とのなす角を示す「Ａｎｇｌｅ ３ｍｍ」を単位時間ごとに算出して、「Ａｎｇｌｅ ３ｍｍ」の時系列データを取得する。

【0086】

さらに、特徴値取得部１１は、複数の他の特徴として、手書き文字から取得された位置を用いることによって、単位時間ごとに取得された第２位置のそれぞれについて、第２位置との距離が「５（ｍｍ）」である位置であって第２距離よりも前に取得された第１位置と、第２位置との距離が「５（ｍｍ）」である位置であって第２距離よりも後に取得された第３位置とを特定し、第１位置と第２位置とを通る直線と第２位置と第３位置とを通る直線とのなす角を示す「Ａｎｇｌｅ ５ｍｍ」を単位時間ごとに算出して、「Ａｎｇｌｅ ５ｍｍ」の時系列データを取得する。

【0087】

具体的に、特徴値取得部１１は、以下の式（１３）に従うことによって、「Ａｎｇｌｅ １ｍｍ」、「Ａｎｇｌｅ ３ｍｍ」及び「Ａｎｇｌｅ ５ｍｍ」を算出する。

【0088】

【数13】

【0089】

ここで、式（１３）において、ｉ、ｊ及びｋは、以下の式（１４）に従うことによって算出（特定）される。

【0090】

【数14】

【0091】

さらに、累積距離ｌは、以下の式（１５）に従うことによって算出される。

【0092】

【数15】

【0093】

すなわち、手書き文字に含まれる真っ直ぐな線が書字される場合、通常、「Ａｎｇｌｅ １ｍｍ」、「Ａｎｇｌｅ ３ｍｍ」及び「Ａｎｇｌｅ ５ｍｍ」の値は、それぞれ「１８０」に近づく。そのため、例えば、「Ａｎｇｌｅ １ｍｍ」等の値が「１８０」から離れている場合、その手書き文字を書字した被験者がアルツハイマー病である可能性があると判断できる。

【0094】

したがって、分類装置１は、後述するように、上記の「Ａｎｇｌｅ １ｍｍ」、「Ａｎｇｌｅ ３ｍｍ」及び「Ａｎｇｌｅ ５ｍｍ」を算出して学習データに含めることによって、アルツハイマー病患者と健常者との分類を高精度に行うことが可能な学習モデルを生成することが可能になる。

【0095】

図４に戻り、特徴特定部１３は、Ｓ２１の処理で算出した第３特徴値についてｔ検定を行う（Ｓ２２）。

【0096】

そして、特徴特定部１３は、複数の他の特徴から、Ｓ１５の処理で算出されたｐ値が所定以下である特徴を特定する（Ｓ２３）。以下、Ｓ１５及びＳ２２の処理で行われるｔ検定の結果の具体例について説明を行う。

【0097】

［ｔ検定の結果の具体例]
図１３から図１５は、ｔ検定の結果の具体例について説明する図である。具体的に、図１３及び図１４は、Ｓ２２の処理で行われるｔ検定の具体例について説明する図であり、図１５は、１５の処理で行われるｔ検定の具体例について説明する図である。

【0098】

図１３等に示すテーブルには、テーブルに含まれる各データを識別する「項番」と、ｔ検定の対象を示す「特徴値」と、アルキメデスの螺旋のなぞり書きの手書き文字についてのｔ検定を行うことによって算出されたｐ値を示す「Ｔａｓｋ１」と、サインカーブのなぞり書きの手書き文字についてのｔ検定を行うことによって算出されたｐ値を示す「Ｔａｓｋ２」と、三重丸の模倣書きの手書き文字についてのｔ検定を行うことによって算出されたｐ値を示す「Ｔａｓｋ３」と、三本線のなぞり書きの手書き文字についてのｔ検定を行うことによって算出されたｐ値を示す「Ｔａｓｋ４」と、カタカナの「ク」のフリーライディングの手書き文字についてのｔ検定を行うことによって算出されたｐ値を示す「Ｔａｓｋ５」と、カタカナの「セ」のフリーライディングの手書き文字についてのｔ検定を行うことによって算出されたｐ値を示す「Ｔａｓｋ６」とを項目として有する。

【0099】

なお、「特徴値」には、「Ｗｒｉｔｉｎｇ Ｖｅｌｏｃｉｔｙ」、「Ｗｒｉｔｉｎｇ Ａｃｃｅｌｅｒａｔｉｏｎ」及び「Ｗｒｉｔｉｎｇ Ｊｅｒｋ」の被験者ごとの平均値である「Ｗｒｉｔｉｎｇ Ｖｅｌｏｃｉｔｙ Ｍｅａｎ」、「Ｗｒｉｔｉｎｇ Ａｃｃｅｌｅｒａｔｉｏｎ Ｍｅａｎ」及び「Ｗｒｉｔｉｎｇ Ｊｅｒｋ Ｍｅａｎ」が設定される。

【0100】

また、「特徴値」には、「Ｗｒｉｔｉｎｇ Ｖｅｌｏｃｉｔｙ」、「Ｗｒｉｔｉｎｇ Ａｃｃｅｌｅｒａｔｉｏｎ」及び「Ｗｒｉｔｉｎｇ Ｊｅｒｋ」の被験者ごとの標準偏差である「Ｗｒｉｔｉｎｇ Ｖｅｌｏｃｉｔｙ Ｓｔｄ」、「Ｗｒｉｔｉｎｇ Ａｃｃｅｌｅｒａｔｉｏｎ Ｓｔｄ」及び「Ｗｒｉｔｉｎｇ Ｊｅｒｋ Ｓｔｄ」が設定される。

【0101】

同様に、「特徴値」には、「Ｐｒｅｓｓｕｒｅ １ｓｔ Ｄｅｒｉｖａｔｉｖｅ Ｍｅａｎ」、「Ｐｒｅｓｓｕｒｅ ２ｎｄ Ｄｅｒｉｖａｔｉｖｅ Ｍｅａｎ」、「Ｐｒｅｓｓｕｒｅ １ｓｔ Ｄｅｒｉｖａｔｉｖｅ Ｓｔｄ」、「Ｐｒｅｓｓｕｒｅ ２ｎｄ Ｄｅｒｉｖａｔｉｖｅ Ｓｔｄ」、「Ａｚｉｍｕｔｈ １ｓｔ Ｄｅｒｉｖａｔｉｖｅ Ｍｅａｎ」、「Ａｚｉｍｕｔｈ ２ｎｄ Ｄｅｒｉｖａｔｉｖｅ Ｍｅａｎ」、「Ａｚｉｍｕｔｈ １ｓｔ Ｄｅｒｉｖａｔｉｖｅ Ｓｔｄ」、「Ａｚｉｍｕｔｈ ２ｎｄ Ｄｅｒｉｖａｔｉｖｅ Ｓｔｄ」、「Ａｌｔｉｔｕｄｅ １ｓｔ Ｄｅｒｉｖａｔｉｖｅ Ｍｅａｎ」、「Ａｌｔｉｔｕｄｅ ２ｎｄ Ｄｅｒｉｖａｔｉｖｅ Ｍｅａｎ」、「Ａｌｔｉｔｕｄｅ １ｓｔ Ｄｅｒｉｖａｔｉｖｅ Ｓｔｄ」、「Ａｌｔｉｔｕｄｅ ２ｎｄ Ｄｅｒｉｖａｔｉｖｅ Ｓｔｄ」、「Ａｎｇｌｅ １ｍｍ Ｍｅａｎ」、「Ａｎｇｌｅ ３ｍｍ Ｍｅａｎ」、「Ａｎｇｌｅ ５ｍｍ Ｍｅａｎ」、「Ａｎｇｌｅ １ｍｍ Ｓｔｄ」、「Ａｎｇｌｅ ３ｍｍ Ｓｔｄ」及び「Ａｎｇｌｅ ５ｍｍ Ｓｔｄ」が設定される。

【0102】

また、「特徴値」には、Ｓ１４の処理において行われたＸ座標、Ｙ座標、筆圧、方位角、高度角及び位置（Ｘ座標及びＹ座標に対応する位置）のそれぞれについてのマッチングの結果に対応する「ＤＰ Ｍａｔｃｈｉｎｇ（Ｘ ｃｏｏｒｄｉｎａｔｅ）」、「ＤＰ Ｍａｔｃｈｉｎｇ（Ｙ ｃｏｏｒｄｉｎａｔｅ）」、「ＤＰ Ｍａｔｃｈｉｎｇ（Ｐｒｅｓｓｕｒｅ）」、「ＤＰ Ｍａｔｃｈｉｎｇ（Ａｚｉｍｕｔｈ）」、「ＤＰ Ｍａｔｃｈｉｎｇ（Ａｌｔｉｔｕｄｅ）」及び「ＤＰ Ｍａｔｃｈｉｎｇ（ＸＹ ｃｏｏｒｄｉｎａｔｅ）」が設定される。

【0103】

具体的に、図１３に示すテーブルにおいて、「項番」が「１」であるデータには、「特徴値」として「Ｗｒｉｔｉｎｇ Ｖｅｌｏｃｉｔｙ Ｍｅａｎ」が設定され、「Ｔａｓｋ１」として「０．１０５６０」が設定され、「Ｔａｓｋ２」として「０．０５７０３」が設定され、「Ｔａｓｋ３」として「０．０００９２」が設定され、「Ｔａｓｋ４」として「０．０９３７９」が設定され、「Ｔａｓｋ５」として「０．００００１」が設定され、「Ｔａｓｋ６」として「０．００００１」が設定されている。

【0104】

また、図１３に示すテーブルにおいて、「項番」が「２」であるデータには、「特徴値」として「Ｗｒｉｔｉｎｇ Ｖｅｌｏｃｉｔｙ Ｓｔｄ」が設定され、「Ｔａｓｋ１」として「０．３５０７９」が設定され、「Ｔａｓｋ２」として「０．２４７７３」が設定され、「Ｔａｓｋ３」として「０．０１３１０」が設定され、「Ｔａｓｋ４」として「０．５１０００」が設定され、「Ｔａｓｋ５」として「０．００００２」が設定され、「Ｔａｓｋ６」として「０．００１５０」が設定されている。図１３から図１５に含まれる他のデータについての説明は省略する。

【0105】

そして、特徴特定部１３は、Ｓ１６及びＳ２３の処理において、例えば、「Ｔａｓｋ１」、「Ｔａｓｋ２」、「Ｔａｓｋ３」、「Ｔａｓｋ４」、「Ｔａｓｋ５」及び「Ｔａｓｋ６」に設定された値の全てが所定値以下であるデータの「特徴値」に対応する特徴を特定する。

【0106】

図４に戻り、データ生成部１４は、複数の被験者ごとに、Ｓ１６の処理で特定した特徴を示す第１特徴値と、Ｓ２３の処理で特定した特徴と示す第３特徴値と、各被験者がパーキンソン病患者と健常者とのうちのどちらであるかを示す情報とを含む複数の学習データを生成する（Ｓ２４）。

【0107】

具体的に、データ生成部１４は、例えば、複数の被験者ごとであって手書き文字の種類ごとに、学習データの生成を行う。

【0108】

そして、モデル生成部１５は、Ｓ２４の処理で生成した複数の学習データを用いることによって学習モデルを生成する（Ｓ２５）。

【0109】

具体的に、モデル生成部１５は、例えば、手書き文字の種類ごとに生成した学習データを用いることにより、手書き文字の種類毎の学習モデルをそれぞれ生成する。

【0110】

その後、分類装置１は、例えば、新たな被験者によって手書き文字の書字が行われた場合、書字された手書き文字に対応する第１特徴値と第３特徴値とを特定する。そして、分類装置１は、特定した第１特徴値と第３特徴値を学習モデル（Ｓ２５の処理で生成された学習モデル）に入力し、新たな被験者がパーキンソン病患者であるか否かを示す出力値（例えば、パーキンソン病である確率を示す出力値）を取得する。

【0111】

これにより、パーキンソン病の診断を行う医師は、学習モデルからの出力値を参照することで、新たな被験者がパーキンソン病患者であるか否かの診断を容易に行うことが可能になる。以下、Ｓ２５の処理で生成された学習モデルにおける分類精度について説明を行う。

【0112】

［学習モデルの分類精度]
図１６及び図１７は、Ｓ２５の処理で生成した学習モデルの分類精度について説明する図である。図１６は、Ｓ２５の処理で生成した学習モデルの分類精度を説明する図である。これに対し、図１７は、Ｓ１６の処理で特定した特徴を示す第１特徴値を含まない学習データ（Ｓ２３の処理で特定した特徴と示す第３特徴値と、各被験者がパーキンソン病患者と健常者とのうちのどちらであるかを示す情報とを含む学習データ）によって生成した学習モデルの分類精度を説明する図である。

【0113】

具体的に、図１６に示す例は、「Ｔａｓｋ１」、「Ｔａｓｋ２」、「Ｔａｓｋ３」、「Ｔａｓｋ４」、「Ｔａｓｋ５」及び「Ｔａｓｋ６」のそれぞれについての分類精度が「９２．８３（％）」、「９７．１７（％）」、「９９．５０（％）」、「９９．７５（％）」、「９５．９２（％）」及び「９４．１７（％）」であることを示しており、図１７に示す例における各分類精度よりも高い数値になっている。

【0114】

すなわち、図１６及び図１７は、Ｓ１６の処理で特定した特徴を示す第１特徴値を含む学習データによって生成された学習モデルの方が、Ｓ１６の処理で特定した特徴を示す第１特徴値を含まない学習データによって生成された学習モデルの方よりも、パーキンソン病患者と健常者との分類を高精度に行うことができることを示している。

【0115】

これにより、パーキンソン病の診断を行う医師は、生成した学習モデルを用いることで、パーキンソン病の診断をより高精度に行うことが可能になる。

【符号の説明】

【0116】

１：分類装置
５：操作端末
１０１：ＣＰＵ
１０２：メモリ
１０３：ネットワークインタフェース
１０４：記憶媒体
１０５：バス

【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】