特許 7477309 生体信号が表す情報を識別するためのシステム

(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】2024-04-22

(45)【発行日】2024-05-01

(54)【発明の名称】生体信号が表す情報を識別するためのシステム

(51)【国際特許分類】

   A61F 2/72 20060101AFI20240423BHJP

   A61H 1/02 20060101ALI20240423BHJP

   G06F 3/01 20060101ALI20240423BHJP

   A61B 5/389 20210101ALI20240423BHJP

【ＦＩ】

A61F2/72

A61H1/02 G

G06F3/01 515

A61B5/389

【請求項の数】 12

(21)【出願番号】P 2020008620

(22)【出願日】2020-01-22

(62)【分割の表示】P 2019523894の分割

【原出願日】2018-11-30

(65)【公開番号】P2020096851

(43)【公開日】2020-06-25

【審査請求日】2021-11-29

(31)【優先権主張番号】P 2017231054

(32)【優先日】2017-11-30

(33)【優先権主張国・地域又は機関】JP

(73)【特許権者】

【識別番号】515300952

【氏名又は名称】株式会社メルティンＭＭＩ

(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】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】粕谷 昌宏

(72)【発明者】

【氏名】關 達也

【審査官】細川 翔多

(56)【参考文献】

【文献】特開２０１７－１４０１９８（ＪＰ，Ａ）

【文献】国際公開第２０１７／０７３７７０（ＷＯ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ａ６１Ｆ ２／７２

Ａ６１Ｂ ５／３８９

Ａ６１Ｈ １／０２

Ｇ０６Ｆ ３／０１

(57)【特許請求の範囲】

【請求項1】

生体信号が表す情報を識別するためのコンピュータ装置であって、前記コンピュータ装置は、
生体信号を受信する受信手段と、
前記受信された生体信号を解析して特徴データを出力する解析手段と、
前記特徴データと、複数の教示データのうちの各々との類似度を示す出力ベクトルを決定する第１の決定手段と、
前記出力ベクトルを時刻ごとに時系列に記憶する記憶手段と、
前記記憶手段に記憶された時系列の出力ベクトルにおける所定期間内の複数の出力ベクトルに基づいて、前記生体信号が表す情報を決定する第２の決定手段と
を備える、コンピュータ装置。

【請求項2】

前記第２の決定手段は、
前記所定期間内の複数の出力ベクトルに基づいて前記複数の教示データごとに演算値を算出することと、
前記演算値に基づいて、前記生体信号が表す情報を決定することと
を行う、請求項１に記載のコンピュータ装置。

【請求項3】

前記第２の決定手段は、前記演算値のうち最も高い演算値に対応する教示データを抽出し、抽出された前記教示データが示す情報を、前記生体信号が表す情報として決定する、請求項２に記載のコンピュータ装置。

【請求項4】

前記第２の決定手段は、前記演算値のうち所定の閾値を超える演算値に対応する少なくとも１つの教示データを抽出し、抽出された前記教示データが示す情報を、前記生体信号が表す情報として決定する、請求項２に記載のコンピュータ装置。

【請求項5】

前記第２の決定手段は、前記演算値のうち所定の閾値を超える演算値に対応する複数の教示データを抽出し、抽出された前記複数の教示データのそれぞれが示す情報を、前記生体信号が表す情報として決定する、請求項４に記載のコンピュータ装置。

【請求項6】

前記生体信号が表す情報は、複合動作が行われたことを示す、請求項５に記載のコンピュータ装置。

【請求項7】

前記演算値は、合計値である、請求項２～６のいずれか一項に記載のコンピュータ装置。

【請求項8】

前記記憶手段は、情報を一時的に記憶するバッファであり、前記出力ベクトルは前記バッファに一時的に記憶される、請求項１～７のいずれか一項に記載のコンピュータ装置。

【請求項9】

前記所定期間は、約１０～２００ｍｓである、請求項１～８のいずれか一項に記載のコンピュータ装置。

【請求項10】

手指リハビリ用、嚥下診断用、車椅子用、義手用、義腕用、義足用、ロボット用、上肢補助装置用、下肢補助装置用、または体幹補助装置用の、請求項１～９のいずれか一項に記載のコンピュータ装置。

【請求項11】

生体信号が表す情報を識別するための方法であって、
生体信号を受信することと、
前記受信された生体信号を解析して特徴データを出力することと、
前記特徴データと、複数の教示データのうちの各々との類似度を示す出力ベクトルを決定することと、
前記出力ベクトルを時刻ごとに時系列に記憶することと、
記憶された時系列の出力ベクトルにおける所定期間内の複数の出力ベクトルに基づいて、前記生体信号が表す情報を決定することと
を含む方法。

【請求項12】

生体信号が表す情報を識別するためのプログラムであって、前記プログラムは、プロセッサ部とメモリ部とを備えるコンピュータ装置において実行され、前記プログラムは、
生体信号を受信することと、
前記受信された生体信号を解析して特徴データを出力することと、
前記特徴データと、複数の教示データのうちの各々との類似度を示す出力ベクトルを決定することと、
前記出力ベクトルを時刻ごとに時系列に前記メモリ部に記憶することと、
前記メモリ部に記憶された時系列の出力ベクトルにおける所定期間内の複数の出力ベクトルに基づいて、前記生体信号が表す情報を決定することと
を含む処理を前記プロセッサ部に行わせる、プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、生体信号が表す情報を識別するためのシステムに関する。

【背景技術】

【0002】

従来から、筋電信号等の生体信号を、車椅子、義手、義足等の機器の制御に用いる試みがなされている（特許文献１）。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２００１－３３１２５０号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、筋電信号等の生体信号が表す動作が何の動作であるかを識別する精度は依然として十分ではない。特に、生体信号のレベルが低い場合または複数の動作の生体信号が混在する場合の識別精度は低い。

【0005】

本発明は、生体信号の識別精度を向上させることを可能にする、生体信号が表す情報を識別するためのシステムを提供することによって、上記課題を解決することを目的とする。また、生体信号が表す情報を識別するためのシステムをリハビリ分野または診断分野に適用した手指リハビリ装置および嚥下診断装置を提供することも目的とする。

【課題を解決するための手段】

【0006】

本発明は、例えば、以下の項目を提供する。

【0007】

（項目１）
生体信号が表す情報を識別するためのシステムであって、前記システムは、
生体信号を検出する検出手段と、
前記検出された生体信号を解析して特徴データを出力する解析手段と、
前記特徴データと、複数の教示データのうちの各々との類似度を決定する第１の決定手段と、
前記類似度を時刻ごとに時系列に記憶する記憶手段と、
前記記憶手段に記憶された時系列の類似度における所定期間内の複数の類似度に基づいて、前記生体信号が表す情報を決定する第２の決定手段と
を備える、システム。

【0008】

（項目２）
前記第２の決定手段は、
前記所定期間内の複数の類似度に基づいて前記複数の教示データごとに演算値を算出することと、
前記演算値のうち最も高い演算値に対応する教示データを抽出し、抽出された前記教示データが示す情報を、前記生体信号が表す情報として決定する、項目１に記載のシステム。

【0009】

（項目３）
前記第２の決定手段は、
前記所定期間内の複数の類似度に基づいて前記複数の教示データごとに演算値を算出することと、
前記演算値のうち所定の閾値を超える演算値に対応する少なくとも１つの教示データを抽出し、抽出された前記教示データが示す情報を、前記生体信号が表す情報として決定する、項目１に記載のシステム。

【0010】

（項目４）
前記第２の決定手段は、前記演算値のうち所定の閾値を超える演算値に対応する複数の教示データを抽出し、抽出された前記複数の教示データのそれぞれが示す情報を、前記生体信号が表す情報として決定する、項目３に記載のシステム。

【0011】

（項目５）
前記生体信号が表す情報は、複合動作が行われたことを示す、項目４に記載のシステム。

【0012】

（項目６）
前記演算値は、合計値である、項目２～５のいずれか一項に記載のシステム。

【0013】

（項目７）
前記記憶手段は、情報を一時的に記憶するバッファであり、前記類似度は前記バッファに一時的に記憶される、項目１～６のいずれか一項に記載のシステム。

【0014】

（項目８）
前記所定期間は、約８０～２００ｍｓである、項目１～７のいずれか一項に記載のシステム。

【0015】

（項目９）
前記検出手段を対象の身体に装着するための装着手段をさらに備える、項目１～８のいずれか一項に記載のシステム。

【0016】

（項目１０）
前記身体が、前記対象の上肢、腹部、首部、下肢、または背中である、項目９に記載のシステム。

【0017】

（項目１１）
手指リハビリ用、嚥下診断用、車椅子用、義手用、義腕用、義足用、ロボット用、上肢補助装置用、下肢補助装置用、または、体幹補助装置用の、項目１～１０のいずれか一項に記載のシステム。

【0018】

（項目１２）
項目１～１１のいずれか一項に記載のシステムと、
手指運動アシスト装置と
を備える手指リハビリ装置。

【0019】

（項目１３）
項目１～１１のいずれか１項に記載のシステムを備える嚥下診断装置。

【発明の効果】

【0020】

本発明によれば、生体信号の識別精度を向上させることを可能にする、生体信号が表す情報を識別するためのシステムを提供することができる。また、生体信号が表す情報を識別するためのシステムをリハビリ分野または診断分野にも適用した手指リハビリ装置および嚥下診断装置を提供することができる。

【図面の簡単な説明】

【0021】

【図1】本発明の生体信号が表す情報を識別するためのシステム１０の構成の一例を示す図。

【図2】コンピュータ装置２００の構成の一例を示す図。

【図3】第１の決定手段２２２によって用いられるニューラルネットワーク３００の構造の一例を示す図。

【図4】メモリ部２３０のバッファに記憶されている類似度のデータ構成の一例を示す図。

【図5】本発明の生体信号が表す情報を識別するため処理の一例を示すフローチャート。

【図6A】メモリ部２３０のバッファに記憶されている類似度の一例を示す図。

【図6B】第２の決定手段２２３が、バッファに記憶された時系列の類似度における所定期間内の複数の類似度を教示データごとに合計することにより、合計値を得ることを説明する図。

【図6C】第２の決定手段２２３が、バッファに記憶された時系列の類似度における所定期間内の複数の類似度を教示データごとに合計することにより、合計値を得ることを説明する図。

【図6D】メモリ部２３０のバッファに記憶されている類似度の別の例を示す図。

【図6E】第２の決定手段２２３が、バッファに記憶された時系列の類似度における所定期間内の複数の類似度を教示データごとに合計することにより、合計値を得ることを説明する図。

【図6F】第２の決定手段２２３が、バッファに記憶された時系列の類似度における所定期間内の複数の類似度を教示データごとに合計することにより、合計値を得ることを説明する図。

【図7A】手指運動アシスト装置７００の外観を示す図。

【図7B】手指運動アシスト装置７００を使用者の手指に装着した状態を示す図。

【図8】被験者の上肢の皮膚に装着された筋電センサから検出された筋電信号が表す動作を識別する実験の結果を示すグラフ。

【図9】図８のグラフの破線部分を拡大したグラフ。

【図10】筋電信号のレベルが低い被験者の上肢の皮膚に装着された筋電センサから検出された筋電信号が表す動作を識別する試験の結果を示すグラフ。

【図11】図１０のグラフの破線部分を拡大したグラフ。

【発明を実施するための形態】

【0022】

以下、本発明を説明する。本明細書において使用される用語は、特に言及しない限り、当該分野で通常用いられる意味で用いられることが理解されるべきである。したがって、他に定義されない限り、本明細書中で使用される全ての専門用語および科学技術用語は、本発明の属する分野の当業者によって一般的に理解されるのと同じ意味を有する。矛盾する場合、本明細書（定義を含めて）が優先する。

【0023】

（１．用語の定義）
本明細書において、「生体信号」とは、生体が発する信号のことをいう。生体信号は、例えば、生体の筋肉の活動を示す筋電信号、生体の心臓の活動を示す心電信号、生体の脳の活動を示す脳波、神経細胞において伝達される神経信号等を含むがこれらに限定されない。本明細書で扱う生体信号は、計測された広義の生体信号から抽出されたスカラー量を指す。スカラー量の生体信号を扱うことにより、座標依存性がなくなり、極めて高い汎用性と利便性を実現することができる。本明細書では生体信号の特定の値は、特定の情報（例えば、生体の特定の動作（例えば、手を握る動作、手を開く動作、笑う動作等）、生体の特定の状態（例えば、筋疲労の程度、種類等））と関連付けられ得る。

【0024】

本明細書において、「特徴データ」とは、スカラー量の生体信号に解析処理を施して得られた多次元データのことをいう。

【0025】

本明細書において、「教示信号」とは、生体信号の特定の値が特定の情報を表すことを教示するための信号のことをいう。例えば、教示信号により、生体信号の特定の値が、生体の特定の動作を表すことを教示することができる。例えば、教示信号により、生体信号の特定の値が、生体の特定の状態を表すことを教示することができる。

【0026】

本明細書において、「教示データ」とは、教示信号に対応する多次元データのことをいう。教示データの次元数は、識別すべき情報の数に対応する。例えば、５つの情報を教示する場合、少なくとも教示データの次元数は５であり、教示データは、（ａ、ｂ、ｃ、ｄ、ｅ）によって表される（０≦ａ、ｂ、ｃ、ｄ、ｅ≦１）。例えば、第１の情報であることを教示する教示信号「１」に対応する教示データ１は、（１．０、０．０、０．０、０．０、０．０）となり、第２の情報であることを教示する教示信号「２」に対応する教示データ２は、（０．０、１．０、０．０、０．０、０．０）となり、第３の情報であることを教示する教示信号「３」に対応する教示データ３は、（０．０、０．０、１．０、０．０、０．０）となり、第４の情報であることを教示する教示信号「４」に対応する教示データ４は、（０．０、０．０、０．０、１．０、０．０）となり、第５の情報であることを教示する教示信号「５」に対応する教示データ５は、（０．０、０．０、０．０、０．０、１．０）となり得る。

【0027】

本明細書において、「約」とは、後に続く数値の±１０％を意味する。

【0028】

以下、図面を参照しながら、本発明の実施の形態を説明する。

【0029】

（２．本発明の生体信号が表す情報を識別するためのシステムの構成）
図１は、本発明の生体信号が表す情報を識別するためのシステム１０の構成の一例を示す。システム１０は、生体信号検出手段１００とコンピュータ装置２００とを備える。生体信号検出手段１００は、生体信号を検出して、検出された生体信号を出力するように構成されている任意の手段であり得る。例えば、生体信号検出手段１００は、生体の筋電信号を検出可能な筋電センサを備える筋電デバイス、生体の心電信号を検出可能な心電センサを備える心電計、生体の脳波を検出可能な脳波センサを備える脳波計等であり得る。生体信号検出手段１００は、検出された生体信号が座標依存性を有する生体信号である場合（例えば、検出された脳波が（計測部位の座標，強度）のベクトル量である場合、または、フィルム上の電極で検出された筋電信号が（計測部位の座標，強度）のベクトル量である場合等）に、検出された生体信号からスカラー量を抽出して出力するように構成され得る。コンピュータ装置２００には、データベース部２５０が接続されている。生体信号検出手段１００とコンピュータ装置２００とは、任意の態様で接続される。例えば、生体信号検出手段１００とコンピュータ装置２００とは、有線で接続されてもよいし、無線で接続されてもよい。例えば、生体信号検出手段１００とコンピュータ装置２００とは、ネットワーク（例えば、インターネット、ＬＡＮ等）を介して接続されてもよい。コンピュータ装置２００は、例えば、生体信号検出手段１００と共に使用されるコンピュータ装置であってもよいし、例えば、生体信号検出手段１００とは離れた位置にある遠隔サーバ装置であってもよい。

【0030】

生体信号検出手段１００は、検出部１１０と、送信部１２０とを備える。

【0031】

検出部１１０は、生体信号を検出するように構成されている任意の手段であり得る。例えば、検出部１１０は、生体の筋電信号を検出可能な筋電センサ、生体の心電信号を検出可能な心電センサ、生体の脳波を検出可能な脳波センサ等であり得る。例えば、検出部１１０が筋電センサである場合は、筋電信号の検出のために、１次アンプと、ハイパスフィルタと、ローパスフィルタと、ノッチフィルタと、２次アンプとを備えてもよい。１次アンプおよび２次アンプは、信号を増幅するために使用される。ハイパスフィルタは、所定の周波数より低い周波数の信号、例えば、１０Ｈｚより低い周波数の信号を減衰させるために使用される。ローパスフィルタは、所定の周波数より高い周波数の信号、例えば、５００Ｈｚより高い周波数の信号を減衰させるために使用される。ノッチフィルタは、所定の範囲の周波数の信号、例えば、代表的な電気ノイズである５０～６０ＨｚのＡＣノイズを減衰させるために使用される。ノッチフィルタに代えて、バンドエリミネーションフィルタを使用することも可能である。

【0032】

送信部１２０は、生体信号検出手段１００の外部に信号を送信することが可能であるように構成されている。送信部１２０は、生体信号検出手段１００の外部に無線または有線で信号を送信する。送信部１２０は、例えば、Ｗｉ－ｆｉ等の無線ＬＡＮを利用して信号を送信してもよい。送信部１２０は、Ｂｌｕｅｔｏｏｔｈ（登録商標）等の近距離無線通信等を利用して信号を送信してもよい。送信部１２０、例えば、検出部１１０によって検出された生体信号をコンピュータ装置２００に送信する。

【0033】

データベース部２５０には、例えば、学習段階において入力された教示信号に対応する教示データと、入力された特徴データとが関連付けて格納され得る。また、データベース部２５０には、例えば、使用段階において教示信号が使用者から入力された場合に、入力された教示信号に対応する教示データと、そのときの特徴データとが関連付けられて格納され得る。

【0034】

図２は、コンピュータ装置２００の構成の一例を示す。

【0035】

コンピュータ装置２００は、受信部２１０と、プロセッサ部２２０と、メモリ部２３０と、出力部２４０とを備える。

【0036】

受信部２１０は、コンピュータ装置２００の外部から信号を受信することが可能であるように構成されている。受信部２１０は、コンピュータ装置２００の外部から無線または有線で信号を受信する。受信部２１０は、例えば、Ｗｉ－ｆｉ等の無線ＬＡＮを利用して信号を受信してもよい。受信部２１０は、Ｂｌｕｅｔｏｏｔｈ（登録商標）等の近距離無線通信等を利用して信号を受信してもよい。受信部２１０、例えば、生体信号検出手段１００によって検出された生体信号を生体信号検出手段１００から受信する。受信部２１０は、例えば、データベース部２５０に格納されている情報をデータベース部２５０から受信する。受信部２１０は、例えば、各種情報の教示信号を受信する。

【0037】

プロセッサ部２２０は、コンピュータ装置２００全体の動作を制御する。プロセッサ部２２０は、メモリ部２３０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、コンピュータ装置２００を所望のステップを実行する装置として機能させることが可能である。

【0038】

メモリ部２３０には、処理の実行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が格納されている。例えば、メモリ部２３０には、生体信号が表す情報を識別するための処理（例えば、図５で後述する処理）を実現するためのプログラムが格納されていてもよい。ここで、プログラムをどのようにしてメモリ部２３０に格納するかは問わない。例えば、プログラムは、メモリ部２３０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２３０にインストールされるようにしてもよいし、光ディスクやＵＳＢ等の記憶媒体を介してメモリ部２３０にインストールされるようにしてもよい。

【0039】

出力部２４０は、コンピュータ装置２００の外部に信号を出力することが可能であるように構成されている。出力部２４０が信号を出力する先は問わない。出力部２４０は、任意のハードウェアまたはソフトウェアに信号を出力することができる。また、出力部２４０が信号をどのように出力するかは問わない。例えば、出力部２４０は、コンピュータ装置２００の外部に有線で信号を送信してもよいし、無線で送信してもよい。例えば、出力部２４０は、信号の出力先のハードウェアまたはソフトウェアによって取り扱い可能な形式に変換して、または、信号の出力先のハードウェアまたはソフトウェアによって取り扱い可能な応答速度に調整して信号を送信するようにしてもよい。

【0040】

プロセッサ部２２０は、解析手段２２１と、第１の決定手段２２２と、第２の決定手段２２２とを備える。

【0041】

解析手段２２１は、受信部２１０によって受信された生体信号を解析して特徴データを出力するように構成されている。生体信号は電位等のスカラー量であるため、絶対的な情報量が乏しい。生体信号を解析手段２２１によって解析して多次元データである特徴データとすることによって、多数の情報を識別することが可能となる。解析手段２２１は、例えば、生体信号に平滑化処理、周波数解析処理等の数学的解析処理、または、パラメータ設定処理を含む解析処理を行うことができる。

【0042】

第１の決定手段２２２は、解析手段２２１によって出力された特徴データと、複数の教示データのうちの各々との類似度を決定するように構成されている。複数の教示データは、データベース部２５０に格納されている。第１の決定手段２２２は、例えば、ニューラルネットワークの出力から、特徴データと、複数の教示データのうちの各々との類似度を決定する。ニューラルネットワークは、例えば、図３に示されるような、フィードフォワード型であり得る。

【0043】

図３は、第１の決定手段２２２によって用いられるニューラルネットワーク３００の構造の一例を示す。ニューラルネットワーク３００は、入力層と、隠れ層と、出力層とを有する。図３に示される例では、ニューラルネットワーク３００が１層の隠れ層を有する３層フィードフォワード型として示されているが、隠れ層の数はこれに限定されない。ニューラルネットワーク３００は、１以上の隠れ層を備えることができる。ニューラルネットワーク３００の入力層のノード数は、特徴データの次元数に対応する。ニューラルネットワーク３００の出力層のノード数は、教示データの次元数に対応し、すなわち、識別すべき情報の数に対応する。ニューラルネットワーク３００の隠れ層は、任意の数のノードを含むことができる。ニューラルネットワーク３００の隠れ層の各ノードの重み係数は、データベース部２５０に格納されている教示データと特徴データとの組み合わせに基づいて計算され得る。例えば、入力層に特徴データを入力した場合の出力層の値が、その特徴データと関連付けられた教示データの値となるように、各ノードの重み係数が計算され得る。これは、例えば、バックプロパゲーション（誤差逆伝播法）によって行われてもよい。

【0044】

このように各ノードの重み係数が計算されたニューラルネットワーク３００の出力層の各ノードは、各教示データに対応する情報に関連付けられることになる。例えば、識別すべき情報が生体の動作である場合、第１の動作を行ったときの生体信号から得られた特徴データと第１の動作であることを教示する教示信号「１」に対応する教示データ１（１．０、０．０、０．０、０．０、０．０）との組み合わせと、第２の動作を行ったときの生体信号から得られた特徴データと第２の動作であることを教示する教示信号「２」に対応する教示データ２（０．０、１．０、０．０、０．０、０．０）との組み合わせと、第３の動作を行ったときの生体信号から得られた特徴データと第３の動作であることを教示する教示信号「３」に対応する教示データ３（０．０、０．０、１．０、０．０、０．０）との組み合わせと、第４の動作を行ったときの生体信号から得られた特徴データと第４の動作であることを教示する教示信号「４」に対応する教示データ４（０．０、０．０、０．０、１．０、０．０）との組み合わせと、第５の動作を行ったときの生体信号から得られた特徴データと第５の動作であることを教示する教示信号「５」に対応する教示データ５（０．０、０．０、０．０、０．０、１．０）との組み合わせとを用いて、各ノードの重み係数が計算された場合、ニューラルネットワーク３００の出力層の第１のノードが第１の動作に関連付けられ、第２のノードが第２の動作に関連付けられ、第３のノードが第３の動作に関連付けられ、第４のノードが第４の動作に関連付けられ、第５のノードが第５の動作に関連付けられることになる。このように各ノードの重み係数が計算されたニューラルネットワーク３００の理想の出力は、例えば、第１の動作を行った時の生体信号から得られた特徴データを入力したときに出力層の第１のノードが１を出力し、その他のノードが０を出力することである。しかしながら、実際は、生体信号に混在するノイズ等の影響により、理想の出力が得られることはまずない。実際は、出力層の１つ以上のノードが０～１の範囲の値を出力することになる。出力層の各ノードの値は、入力された特徴データと、それぞれのノードが関連付けられた動作に対応するそれぞれの教示データとの類似度に相当する。例えば、出力が（０．０、０．２、０．０、０．８、０．０）であった場合、入力された特徴データは、第２のノードに関連付けられた第２の動作に対応する教示データにわずかに類似しており、第４のノードに関連付けられた第４の動作に対応する教示データにより類似しており、その他のノードに関連付けられた動作に対応する教示データには類似していないことを示す。例えば、出力が（０．０、０．０、０．６、０．０、０．６）であった場合、入力された特徴データは、第３のノードに関連付けられた第３の動作に対応する教示データおよび第５のノードに関連付けられた第５の動作に対応する教示データの両方に類似しており、その他のノードに関連付けられた動作に対応する教示データには類似していないことを示す。

【0045】

再び図２を参照すると、第２の決定手段２２３は、メモリ部２３０のバッファに記憶されている類似度における所定期間内の複数の類似度に基づいて、生体信号が表す情報を決定するように構成されている。第２の決定手段２２３は、例えば、メモリ部２３０のバッファに時系列に記憶されている類似度における所定期間内の複数の類似度から、出現強度の高いものを「それらしい出力」として決定し、その類似度に対応する教示データが示す情報を、特徴データが由来する生体信号が表す情報として決定する。

【0046】

メモリ部２３０は、一時的に情報を記憶するバッファを備える。バッファには、例えば、第１の決定手段２２２によって決定された類似度が時刻ごとに時系列に一時的に記憶され得る。バッファは、例えば、一定量のデータが記憶されると古いデータを削除するようにしてもよいし、記憶されてから一定時間が経過したデータを削除するようにしてもよい。

【0047】

図４は、メモリ部２３０のバッファに記憶されている各教示データとの類似度を示す出力ベクトルのデータ構成の一例を示す。出力ベクトルの各成分の値が、対応する教示データとの類似度を示す。

【0048】

メモリ２３０のバッファは、時刻ごとに時系列に出力ベクトルを格納している。例えば、第１の決定手段２２２によって、時刻１において、各教示データ０～９との類似度が（０．０、０．０、０．２、０．０、０．５、０．７、０．０、０．０、０．０、０．０）であると決定されると、この結果を時刻１における各教示データとの類似度を示す出力ベクトルとして記憶し、また時刻２において、各教示データ０～９との類似度が（０．０、０．０、０．２、０．０、０．０、０．７、０．９、０．０、０．０、０．０）であると決定されると、この結果を時刻２における各教示データとの類似度を示す出力ベクトルとして記憶し、・・・第１の決定手段２２２によって類似度が決定されるごとにその時刻と出力ベクトルとを記憶する（例えば、図４を参照）。

【0049】

図１に示される例では、生体信号検出手段１００とコンピュータ装置２００とは、別の構成要素であるように示されているが、本発明はこれに限定されない。生体信号検出手段１００とコンピュータ装置２００とを１つの構成要素として構成することも可能である。

【0050】

図１に示される例では、データベース部２５０は、コンピュータ装置２００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２５０をコンピュータ装置２００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２５０は、メモリ部２３０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２３０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２５０は、コンピュータ装置２００のための記憶部として構成される。データベース部２５０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２５０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２５０は、コンピュータ装置２００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。

【0051】

図２に示される例では、コンピュータ装置２００の各構成要素がコンピュータ装置２００内に設けられているが、本発明はこれに限定されない。コンピュータ装置２００の各構成要素のいずれかがコンピュータ装置２００の外部に設けられることも可能である。例えば、プロセッサ部２２０、メモリ部２３０のそれぞれが別々のハードウェア部品で構成されている場合には、各ハードウェア部品が任意のネットワークを介して接続されてもよい。このとき、ネットワークの種類は問わない。各ハードウェア部品は、例えば、ＬＡＮを介して接続されてもよいし、無線接続されてもよいし、有線接続されてもよい。
上述した例では、生体信号検出手段１００が、検出された生体信号が座標依存性を有する生体信号である場合に、検出された生体信号からスカラー量を抽出して出力することを説明したが、コンピュータ装置２００が、生体信号検出手段１００から受信された生体信号からスカラー量を抽出するようにすることも本発明の範囲内である。

【0052】

（３．本発明の生体信号が表す情報を識別するため処理）
図５は、本発明の生体信号が表す情報を識別するため処理の一例を示す。この処理は、システム１０において実行される。

【0053】

データベース部２５０には、学習段階において入力された教示信号に対応する教示データと、入力された特徴データとが関連付けて格納されているものとし、図３において示されるニューラルネットワーク３００の隠れ層の各ノードの重み係数は、データベース部２５０に格納されている教示データと特徴データとの組み合わせに基づいて計算されているものとする。

【0054】

ステップＳ５０１において、生体信号検出手段１００の検出部１１０が生体信号を検出する。検出部１１０は、例えば、生体の筋電信号、生体の心電信号、または、生体の脳波を検出する。検出部１１０が生体信号を検出すると、生体信号検出手段１００の送信部１２０が、検出された生体信号をコンピュータ装置２００に送信する。

【0055】

コンピュータ装置２００の受信部２１０が生体信号検出手段１００から生体信号を受信すると、受信部２１０は、受信された生体信号をプロセッサ部２２０に提供する。このとき、受信部２１０は、例えば、生体信号を受信する度にプロセッサ部２２０に逐次的に提供するようにしてもよいし、受信された生体信号をいったんメモリ部２３０に格納しておき、一定量のデータが蓄積された後にまとめてプロセッサ部２２０に提供するようにしてもよい。プロセッサ部２２０が生体信号を提供されると、ステップＳ５０２に進む。

【0056】

ステップＳ５０２において、コンピュータ装置２００のプロセッサ部２２０の解析手段２２１が、検出された生体信号を解析して特徴データを出力する。解析手段２２１は、平滑化処理、周波数解析処理等の数学的解析処理、または、パラメータ設定処理を含む解析処理を行うことにより、特徴データを出力する。このとき、解析手段２２１は、例えば、出力された特徴データの時系列または周波数帯域に重み係数をかけることによって特徴データを加工するようにしてもよい。

【0057】

ステップＳ５０３において、コンピュータ装置２００のプロセッサ部２２０の第１の決定手段２２２が、ステップＳ５０２で出力された特徴データと、複数の教示データのうちの各々との類似度を決定する。第１の決定手段２２２は、例えば、ステップＳ５０２で出力された特徴データを図３に示されるニューラルネットワーク３００に入力し、ニューラルネットワーク３００の出力から、特徴データと、複数の教示データのうちの各々との類似度を決定する。

【0058】

第１の決定手段２２２は、例えば、ステップＳ５０２で出力された特徴データのうちのすべてをニューラルネットワーク３００に入力する代わりに、ステップＳ５０２で出力された特徴データのうちの一部を抽出し、抽出された特徴データのみをニューラルネットワーク３００に入力するようにしてもよい。これにより、後段の処理での演算量を低減し、後段の処理での動作速度の低下を防止することができる。このとき、第１の決定手段２２２は、均一に特徴データを抽出してもよいし、非均一に特徴データを抽出してもよい。非均一に特徴データを抽出する場合は、着目すべき特徴データの部分を中心に抽出するように傾斜配分で特徴データを抽出することが好ましい。これにより、抽出による後段での処理の精度の低下を防止することができる。このような特徴データの抽出は、後段での処置の動作速度と精度との両立を可能にする。

【0059】

第１の決定手段２２２が類似度を決定すると、ステップＳ５０４に進む。

【0060】

ステップＳ５０４において、コンピュータ装置２００のメモリ部２３０のバッファが、ステップＳ５０３で決定された類似度を時刻ごとに時系列に記憶する。メモリ部２３０のバッファは、例えば、図４に示されるように類似度を示す出力ベクトルを時刻ごとに時系列に記憶する。プロセッサ部２２０は、所定量のデータがバッファに記憶されるまで、ステップＳ５０１～ステップＳ５０４を繰り返すようにすることが好ましい。これにより、後段の処理で十分なデータ量の類似度を利用することができ、後段の処理の精度を向上させることができる。バッファが類似度を記憶すると、ステップＳ５０５に進む。

【0061】

ステップＳ５０５において、コンピュータ装置２００のプロセッサ部２２０の第２の決定手段２２３が、バッファに記憶された時系列の類似度における所定期間内の複数の類似度に基づいて、生体信号が表す情報を決定する。所定期間は、バッファに類似度が記憶された最後の時刻を終点とする任意の期間である。所定期間は、例えば、約１０ｍｓ～約２２０ｍｓの範囲内の任意の時間であり、所定期間は、例えば、約８０ｍｓ～約２２０ｍｓである。ヒトの単純反応時間が約２２０ｍｓであり、この時間以下であると、実行中の動作を他の動作に変更することが困難であるからである。所定期間は、例えば、約８０ｍｓ、約２００ｍｓなどであり得る。所定期間を大きくするほど出力の安定性が向上する一方で、遅延が大きくなり応答性が低下し、遅延が２００ｍｓより大きくなると、自己身体認識における時間的整合性が取れなくなるからである。所定期間は、出力の安定性とヒトの反応時間とのトレードオフを考慮して、例えば、用途、用いられるアプリケーションプログラム、ユーザニーズ等に応じて当業者が適切に決定し得る。例えば、後述する手指リハビリ用途に使用される場合は、所定期間を２２０ｍｓよりも大きく（例えば、約２２０～約４００ｍｓ、例えば、約３００ｍｓ、約３５０ｍｓ、約４００ｍｓ等）するようにしてもよい。麻痺患者では、実行中の動作を他の動作に変更するまでの時間が健常者に比べて長いからである。

【0062】

第２の決定手段２２３は、例えば、所定期間内の複数の類似度に基づいて、複数の教示データごとに演算値を算出しし、その演算値に基づいて、生体信号が表す情報を決定するようにしてもよい。例えば、第２の決定手段２２３は、得られた演算値の中から最も高い演算値に対応する教示データを抽出し、抽出された教示データが示す情報を、生体信号が表す情報として決定するようにしてもよい。演算値は、公知の演算法または当業者が想定し得る演算法によって算出される値であり得、演算値は、例えば、合計値であり得る。なお、本明細書において、生体信号が表す情報の決定における「合計値」は、当然に「平均値」をも含む概念であることが当業者には理解される。すなわち、複数の教示データごとの合計値を算出し、その中から最も高い合計値に対応する教示データを抽出することは、複数の教示データごとに平均値を算出し、その中から最も高い平均値に対応する教示データを抽出することも包含する。演算値は、例えば、特定の類似度の発生確率または発生頻度であり得る。特定の類似度の発生確率は、所定期間内に特定の類似度がどのくらいの確率で発生したかを示す値であり、特定の類似度の発生頻度は、所定期間内に特定の類似度がどのくらい発生したかを示す値であり得る。ここで、特定の類似度は、例えば、出力ベクトル中の最高類似度であってもよいし、出力ベクトル中の或る閾値以上の類似度であってもよい。例えば、所定期間内に５個の出力ベクトルが出力された場合に、或る教示データについて、５個の出力ベクトルのうち３個の出力ベクトルで最高類似度であった場合には、発生頻度は３であり、発生確率は、３／５となる。

【0063】

なお、演算値（例えば、合計値（平均値））の算出において、複数の教示データごとに一定の数（例えば１つ）の最も低い数値を計算対象から除外してもよい。このとき、最も低い数値は、０以外の数値のうちの最も低い数値であってもよい。

【0064】

あるいは、第２の決定手段２２３は、所定の閾値を超える演算値に対応する教示データが示す情報を、生体信号が表す情報として決定してもよい。このとき、所定の閾値を超える演算値が存在しない場合、識別不能となる。所定の閾値を超える複数の演算値が存在する場合も識別不能としてもよい。あるいは、所定の閾値を超える複数の演算値が存在する場合、所定の閾値を超える複数の演算値に対応するそれぞれの教示データが示すそれぞれの情報を、生体信号が表す情報として決定してもよい。これは、例えば、識別すべき複数の動作を同時に行っている場合、識別すべき複数の状態が同時に生じている場合等である。例えば、所定の閾値を超える２つの演算値に対応するそれぞれの教示データが示すそれぞれの動作が、「手首曲げ動作」および「手を握る動作」であった場合、手を握りながら手首を曲げるという複合動作を行っているとみなし、「手首曲げ動作」および「手を握る動作」を生体信号が表す動作として決定してもよい。例えば、所定の閾値を超える２つの合計値に対応するそれぞれの教示データが示すそれぞれの動作が、「手を握る動作」および「手首を回す動作」であった場合、手を握りしながら手首を回すという複合動作（例えば、ドアノブを握って回している動作）を行っているとみなし、「手を握る動作」および「手首を回す動作」を生体信号が表す動作として決定してもよい。第２の決定手段２２３は、検出する生体信号に応じて、全身の動作中の任意の複合動作を識別することができる。なお、複数の動作のうちの少なくとも２つが互いに矛盾する動作（例えば、「手を開く動作」および「手を握る動作」）である場合には、識別不能としてもよいし、筋肉が拮抗し関節の剛性が上がったような制御を行ってもよい。

【0065】

所定の閾値は、任意の値に設定することができる。所定の閾値を高くするほど精度および安定性が高くなるが、識別不能となる割合も高くなり、応答性が悪くなる。所定の閾値は、例えば、固定値であってもよいし、変動値であってもよい。所定の閾値が変動値である場合には、所定の閾値は、例えば、合計値の最大値に対する所定の割合（例えば、９０％～６０％、８０％～６０％、７０～６０％、例えば、６５％等）の値であり得る。所定の閾値は、例えば、合計される所定期間内の複数の類似度のデータ数に応じで決定されるようにしてもよい。例えば、所定の閾値を超える合計値が存在しない場合に、所定の閾値を超える合計値が少なくとも１つ存在するまで、所定の閾値を低くまたは高くするようにしてもよいし、例えば、所定の閾値を超える合計値が複数存在する場合、所定の閾値を超える合計値が１つとなるまで、所定の閾値を高くするようにしてもよい。

【0066】

所定の閾値は、例えば、検出する生体信号に応じて決定されるようにしてもよい。所定の閾値は、例えば、生体信号を検出する部位に応じて決定されるようにしてもよい。例えば、手の動作を識別するために腕から生体信号を検出する場合に用いられる所定の閾値と、歩行動作を識別するために脚から生体信号を検出する場合に用いられる所定の閾値とを同じ値にしてもよいし、異なる値にしてもよい。

【0067】

上述した処理によって識別された生体信号が表す情報の精度は、ステップＳ５０３で出力された類似度から直接、生体信号が表す情報を識別した場合の精度よりも著しく向上した。ステップＳ５０３で出力された類似度から直接、生体信号が表す情報を識別した場合の精度は８割程度であったが、上述した処理によって識別された生体信号が表す情報の精度は、９割台後半に届く極めて高いものとなった。

【0068】

ここで、一例として、使用者が、教示データ０～９に対応する動作のうちの教示データ５に対応する動作を行った場合のシステム１０の処理について、図６Ａ～図６Ｃを参照して説明する。使用者は、時刻１から時刻５まで教示データ５に対応する動作を行っているものとする。ここでは、時刻５における処理を説明する。各時刻の間隔は、２０ｍｓであり、所定期間は１００ｍｓであるとする。メモリ部２３０のバッファには、図６Ａに示されるように、時刻１～時刻４の出力ベクトルがすでに記憶されているとする。

【0069】

ステップＳ５０１において、生体信号検出手段１００の検出部１１０が、使用者が行った動作に由来する生体信号を検出する。

【0070】

ステップＳ５０２において、コンピュータ装置２００のプロセッサ部２２０の解析手段２２１が、検出された生体信号を解析して特徴データを出力する。

【0071】

ステップＳ５０３において、コンピュータ装置２００のプロセッサ部２２０の第１の決定手段２２２が、ステップＳ５０２で出力された特徴データと、教示データ０～９のうちの各々との類似度を決定する。ステップＳ５０２で出力された特徴データをニューラルネットワーク３００に入力すると、出力として、教示データ０～９のうちの各々との類似度（０．０、０．９、０．２、０．０、０．０、０．７、０．０、０．０、０．０、０．０）が得られた。

【0072】

ステップＳ５０４において、コンピュータ装置２００のメモリ部２３０のバッファが、ステップＳ５０３で決定された類似度を時系列に記憶する。メモリ部２３０のバッファは、図６Ｂに示されるように、時刻１～時刻５の出力ベクトルを時刻ごとに時系列に記憶することになる。

【0073】

ステップＳ５０５において、コンピュータ装置２００のプロセッサ部２２０の第２の決定手段２２３が、バッファに記憶された時系列の類似度における所定期間内の複数の類似度に基づいて、使用者が行った動作に由来する生体信号が表す動作を決定する。まず、第２の決定手段２２３は、図６Ｂに示されるように、所定期間に相当する時刻１～時刻５の類似度を教示データごとに合計することにより、合計値を得る。次いで、第２の決定手段２２３は、最も高い合計値に対応する「５」の教示データが示す動作を、時刻５で検出された生体信号が表す動作として決定する。代替として、所定の閾値を２．５とした場合、第２の決定手段２２３は、所定の閾値を超える合計値に対応する「５」の教示データが示す動作を、時刻５で検出された生体信号が表す動作として決定する。このようにして、本発明のシステム１０は、使用者が行った動作を適切に識別することが可能である。

【0074】

例えば、ステップＳ５０３で得られた類似度から直接、生体信号が表す動作を識別しようとすると、最も高い類似度に対応する教示データは教示データ「１」であることから、教示データ「１」に対応する動作であると誤って識別してしまう。これに対し、本発明のシステム１０は、バッファに記憶された時系列の類似度における所定期間内の複数の類似度に基づいて、生体信号が表す動作を決定するため、極めて高精度で生体信号が表す動作を識別することが可能である。

【0075】

使用者が時刻６で教示データ５に対応する動作を行った場合の処理も同様である。

【0076】

ステップＳ５０１において、生体信号検出手段１００の検出部１１０が、使用者が行った動作に由来する生体信号を検出し、ステップＳ５０２において、コンピュータ装置２００のプロセッサ部２２０の解析手段２２１が、検出された生体信号を解析して特徴データを出力し、ステップＳ５０３において、コンピュータ装置２００のプロセッサ部２２０の第１の決定手段２２２が、ステップＳ５０２で出力された特徴データと、教示データ０～９のうちの各々との類似度を決定する。ステップＳ５０２で出力された特徴データをニューラルネットワーク３００に入力すると、出力として、教示データ０～９のうちの各々との類似度（０．０、０．０、０．２、０．０、０．０、０．７、０．９、０．０、０．０、０．０）が得られた。

【0077】

ステップＳ５０４において、コンピュータ装置２００のメモリ部２３０のバッファが、ステップＳ５０３で決定された類似度を時系列に記憶する。メモリ部２３０のバッファは、図６Ｃに示されるように、時刻１～時刻６の出力ベクトルを時刻ごとに時系列に記憶することになる。

【0078】

ステップＳ５０５において、コンピュータ装置２００のプロセッサ部２２０の第２の決定手段２２３が、バッファに記憶された時系列の類似度における所定期間内の複数の類似度に基づいて、使用者が行った動作に由来する生体信号が表す動作を決定する。まず、第２の決定手段２２３は、図６Ｃに示されるように、所定期間に相当する時刻２～時刻６の類似度を教示データごとに合計することにより、合計値を得る。次いで、第２の決定手段２２３は、最も高い合計値に対応する「５」の教示データを抽出し、抽出された「５」の教示データが示す動作を、時刻５で検出された生体信号が表す動作として決定する。代替として、所定の閾値を２．５とした場合、第２の決定手段２２３は、所定の閾値を超える合計値に対応する「５」の教示データが示す動作を、時刻５で検出された生体信号が表す動作として決定する。このようにして、本発明のシステム１０は、使用者が行った動作を適切に識別することが可能である。

【0079】

例えば、ステップＳ５０３で得られた類似度から直接、生体信号が表す動作を識別しようとすると、最も高い類似度に対応する教示データは教示データ６であることから、教示データ６に対応する動作であると誤って識別してしまう。これに対し、本発明のシステム１０は、バッファに記憶された時系列の類似度における所定期間内の複数の類似度に基づいて、生体信号が表す動作を決定するため、時刻６においても同様に、極めて高精度で生体信号が表す動作を識別することが可能である。

【0080】

ここで、さらなる例として、使用者が、教示データ０～９に対応する動作のうちの教示データ３に対応する動作および教示データ７に対応する動作の複合動作を行った場合のシステム１０の処理について、図６Ｄ～図６Ｆを参照して説明する。使用者は、時刻１から時刻５まで教示データ３に対応する動作および教示データ７に対応する動作を行っているものとする。ここでは、時刻５における処理を説明する。各時刻の間隔は、２０ｍｓであり、所定期間は１００ｍｓであるとする。メモリ部２３０のバッファには、図６Ｄに示されるように、時刻１～時刻４の出力ベクトルがすでに記憶されているとする。

【0081】

ステップＳ５０１において、生体信号検出手段１００の検出部１１０が、使用者が行った動作に由来する生体信号を検出する。

【0082】

ステップＳ５０２において、コンピュータ装置２００のプロセッサ部２２０の解析手段２２１が、検出された生体信号を解析して特徴データを出力する。

【0083】

ステップＳ５０３において、コンピュータ装置２００のプロセッサ部２２０の第１の決定手段２２２が、ステップＳ５０２で出力された特徴データと、教示データ０～９のうちの各々との類似度を決定する。ステップＳ５０２で出力された特徴データをニューラルネットワーク３００に入力すると、出力として、教示データ０～９のうちの各々との類似度（０．０、０．０、０．２、０．９、０．２、０．１、０．０、０．８、０．０、０．９）が得られた。

【0084】

ステップＳ５０４において、コンピュータ装置２００のメモリ部２３０のバッファが、ステップＳ５０３で決定された類似度を時系列に記憶する。メモリ部２３０のバッファは、図６Ｅに示されるように、時刻１～時刻５の出力ベクトルを時刻ごとに時系列に記憶することになる。

【0085】

ステップＳ５０５において、コンピュータ装置２００のプロセッサ部２２０の第２の決定手段２２３が、バッファに記憶された時系列の類似度における所定期間内の複数の類似度に基づいて、使用者が行った動作に由来する生体信号が表す動作を決定する。まず、第２の決定手段２２３は、図６Ｅに示されるように、所定期間に相当する時刻１～時刻５の類似度を教示データごとに合計することにより、合計値を得る。次いで、第２の決定手段２２３は、所定の閾値を超える教示データが示す動作を、時刻５で検出された生体信号が表す動作として決定する。例えば、所定の閾値を固定値３．５とした場合、第２の決定手段２２３は、所定の閾値を超える合計値に対応する教示データ「３」が示す動作および教示データ「７」が示す動作を、時刻５で検出された生体信号が表す動作として決定する。このようにして、本発明のシステム１０は、使用者が行った複合動作を適切にかつ同時に識別することが可能である。

【0086】

例えば、ステップＳ５０３で得られた類似度から直接、生体信号が表す動作を識別しようとすると、最も高い類似度に対応する教示データは教示データ「９」であることから、教示データ「９」に対応する動作であると誤って識別してしまう。これに対し、本発明のシステム１０は、バッファに記憶された時系列の類似度における所定期間内の複数の類似度に基づいて、生体信号が表す動作を決定するため、複合動作であっても、極めて高精度で生体信号が表す動作を識別することが可能である。

【0087】

使用者が時刻６で教示データ５に対応する動作を行った場合の処理も同様である。

【0088】

ステップＳ５０１において、生体信号検出手段１００の検出部１１０が、使用者が行った動作に由来する生体信号を検出し、ステップＳ５０２において、コンピュータ装置２００のプロセッサ部２２０の解析手段２２１が、検出された生体信号を解析して特徴データを出力し、ステップＳ５０３において、コンピュータ装置２００のプロセッサ部２２０の第１の決定手段２２２が、ステップＳ５０２で出力された特徴データと、教示データ０～９のうちの各々との類似度を決定する。ステップＳ５０２で出力された特徴データをニューラルネットワーク３００に入力すると、出力として、教示データ０～９のうちの各々との類似度（０．２、０．９、０．２、０．７、０．３、０．１、０．０、０．７、０．０、０．１）が得られた。

【0089】

ステップＳ５０４において、コンピュータ装置２００のメモリ部２３０のバッファが、ステップＳ５０３で決定された類似度を時系列に記憶する。メモリ部２３０のバッファは、図６Ｆに示されるように、時刻１～時刻６の出力ベクトルを時刻ごとに時系列に記憶することになる。

【0090】

ステップＳ５０５において、コンピュータ装置２００のプロセッサ部２２０の第２の決定手段２２３が、バッファに記憶された時系列の類似度における所定期間内の複数の類似度に基づいて、使用者が行った動作に由来する生体信号が表す動作を決定する。まず、第２の決定手段２２３は、図６Ｆに示されるように、所定期間に相当する時刻２～時刻６の類似度を教示データごとに合計することにより、合計値を得る。次いで、第２の決定手段２２３は、所定の閾値を超える教示データが示す動作を、時刻５で検出された生体信号が表す動作として決定する。例えば、所定の閾値を固定値３．５とした場合、第２の決定手段２２３は、所定の閾値を超える合計値に対応する教示データ「３」が示す動作および教示データ「７」が示す動作を、時刻５で検出された生体信号が表す動作として決定する。このようにして、本発明のシステム１０は、使用者が行った複合動作を適切にかつ同時に識別することが可能である。

【0091】

例えば、ステップＳ５０３で得られた類似度から直接、生体信号が表す動作を識別しようとすると、最も高い類似度に対応する教示データは教示データ「１」であることから、教示データ「１」に対応する動作であると誤って識別してしまう。これに対し、本発明のシステム１０は、バッファに記憶された時系列の類似度における所定期間内の複数の類似度に基づいて、生体信号が表す動作を決定するため、時刻６においても同様に、複合動作であっても、極めて高精度で生体信号が表す動作を識別することが可能である。

【0092】

（４．適用例）
本発明のシステム１０は、生体信号を検出し、それによって何等かの出力を行うことが有用である任意の用途に使用され得るが、好ましくは手指リハビリ用、嚥下診断用、車椅子用、義手用、義腕用、義足用、またはロボット用、上肢補助装置用、下肢補助装置用、体幹補助装置用であり得るがこれらに限定されない。例えば、ロボット用である場合、例えば、ロボット全体に適用されてもよいし、ロボットアーム、ロボットハンド等のロボットの一部に適用されてもよい。

【0093】

本発明のシステム１０は、用途に応じて、生体信号を解析する対象の身体の一部に装着するための装着手段を備え得る。そのような身体の一部は、生体信号対象の上肢、腹部、首部、下肢、背中であり得るがこれらに限定されない。身体の一部は、身体のあらゆる部位であり得る。装着手段は、例えば、対象の身体の一部に装着するためのベルト、シール等の任意の装着手段であり得る。例えば、本発明のシステム１０がロボットアーム用である場合、上肢の筋肉の筋電信号を検出し、検出された筋電信号が表す情報に基づいてロボットアームを動かすようにしてもよい。この場合、例えば、ユーザは、本発明のシステム１０を用いて、自身が意図した動作をロボットアームに真似させることができる。本発明のシステム１０は、単純動作のみならず複合動作も識別することができるため、複合動作であっても精度よくロボットアームに真似させることができる。あるいは、本発明のシステム１０がロボットアーム用である場合、前腕以外の筋肉（例えば表情筋）の筋電信号を検出し、検出された筋電信号が表す情報に基づいてロボットアームを動かすようにしてもよい。この場合、例えば、ユーザは、本発明のシステム１０を用いて、自身の所定の動作をコマンドとして、ロボットアームを操作することができる。これにより、例えば、上肢麻痺の患者であっても、ロボットアームを操作することができるようになる。本発明のシステム１０は、単純動作のみならず複合動作も識別することができるため、単純動作をコマンドとする操作に比べて、操作のためのコマンドの数を増やすことができる。すなわち、複合動作をコマンドに使用することにより、より少ない種類のユーザ動作でより多くの動作をロボットアームにさせることが可能になる。

【0094】

好ましい実施形態において、本発明のシステム１０は、例えば、手指リハビリ装置に適用することが可能である。

【0095】

手指が麻痺し、手指のリハビリが必要な患者（例えば脳卒中患者）の場合、生体信号のレベルが低いため、生体信号が表す動作の識別精度は、健常者の場合に比べて低くなる。しかしながら、本発明のシステム１０によると、極めて高精度で生体信号が表す動作を識別することが可能であるため、生体信号のレベルが低い場合であっても、リハビリに使用可能なレベルまで識別精度を向上させることが可能である。また、本発明のシステム１０によると、手指の単純動作のみならず、手指の複合動作も精度よくかつ同時に識別することも可能である。これにより、患者が意図する動作を正確かつ高速に識別し、意図する動作を的確かつ即座に支援することにより、手指のリハビリの効率および効果が著しく向上する。例えば、患者が意図した動作を実現し、それを反復することによって、脳の可塑性が促進され、麻痺した機能の回復が促進されることが知られている。

【0096】

本発明のシステム１０を備える手指リハビリ装置は、生体信号検出手段１００を使用者の上肢の皮膚に装着することを可能にする装着手段を備える。装着手段は、例えば、生体信号検出手段１００の検出部１１１を使用者の上肢（例えば、上腕、または前腕）の皮膚に装着するためのベルト、シール等の任意の手段であり得る。

【0097】

例えば、手指のリハビリ装置からの出力は、ディスプレイ等の表示手段に表示され、リハビリトレーナーに提示され得る。リハビリトレーナーは、手指リハビリ装置からの出力に基づいて、的確なリハビリ指導を行うことができ、効率的かつ効果的なリハビリにつながる。

【0098】

本発明のシステム１０を備える手指リハビリ装置は、使用者の手指に装着される手指運動アシスト装置を備え得る。手指運動アシスト装置は、使用者の手指の運動をアシストするように、使用者の手指に作用するように構成されている。手指運動アシスト装置は、例えば、空気圧アクチュエータにより指関節を駆動するように構成されてもよいし、例えば、モータのトルクにより指関節を駆動するように構成されてもよい。

【0099】

手指運動アシスト装置は、例えば、図７Ａおよび図７Ｂに示される手指運動アシスト装置７００であってもよい。

【0100】

図７Ａは、手指運動アシスト装置７００の外観を示し、図７Ｂは、手指運動アシスト装置７００を使用者の手指に装着した状態を示す。

【0101】

手指運動アシスト装置７００は、本体部７１０と、本体部７１０から延びている掌用ボルト７２０と、アーム７３０と、アーム７３０から延びている指用ボルト７４０とを備えている。アーム７３０は、本体部７１０に対して枢動可能に構成されている。アーム７３０は、例えば、モータによって枢動させられるように構成されてもよいし、空気圧アクチュエータによって枢動させられるように構成されてもよいし、ワイヤによって枢動させられるようにしてもよい。

【0102】

例えば、本発明のシステム１０を備える手指リハビリ装置では、本発明のシステム１０からの出力は、手指運動アシスト装置に提供され得る。手指運動アシスト装置は、手指リハビリ装置からの出力に基づいて、患者の意図する動作をアシストするように作用する。例えば、本発明のシステム１０からの出力は手指運動アシスト装置７００に提供され得る。図７Ｂに示されるように手指運動アシスト装置７００を手指に装着したとき、アーム７３０の枢動により指用ボルト７４０が指の動作をアシストする。例えば。アーム７３０の枢動により指用ボルト７４０が指を押し上げ、これにより、使用者の手を開く動作をアシストすることができる。このようにして、患者は、自分の意思でリハビリを行うことが可能となり、効率的かつ効果的なリハビリにつながる。

【0103】

別の好ましい実施形態において、本発明のシステム１０は、例えば、嚥下診断装置に適用することが可能である。

【0104】

喉の周囲で筋電信号取得しようとする場合、複数の筋肉の筋活動を示す複数の筋電信号が混在するため、どのような動作に由来する筋電信号であるかを識別することが困難であり、識別精度が低下する。しかしながら、本発明のシステム１０によると、極めて高精度で生体信号が表す動作を識別することが可能であるため、筋電信号が混在する場合であっても、嚥下障害を診断することができるレベルまで識別精度を向上させることができる。また、本発明のシステム１０によると、顎口腔運動の単純動作のみならず、顎口腔運動の複合動作も精度よく識別することも可能である。これにより例えば、嚥下障害があるときの嚥下動作であるか、嚥下障害のない健常な状態の嚥下動作であるかを識別することにより、筋電信号に基づいて的確に嚥下診断を行うことが可能になる。

【0105】

本発明のシステム１０を備える嚥下診断装置は、生体信号検出手段１００を使用者の首の皮膚に装着することを可能にする装着手段を備える。装着手段は、例えば、生体信号検出手段１００の検出部１１１を使用者の首の皮膚に装着するためのベルト、シール等の任意の手段であり得る。本発明のシステム１０を備える嚥下診断装置は、装着手段に加えてまたは、装着手段に代えて、生体信号検出手段１００を使用者の首の皮膚に固定することなく接触させることを可能にする手段を備えるようにしてもよい。このような手段は、例えば、聴診器のように患者に押し当て、患者の生体信号を検出することができる。

【0106】

例えば、嚥下診断装置からの出力は、ディスプレイ等の表示手段に表示され、医師に提示され得る。医師は、嚥下診断装置からの出力に基づいて、的確な診断を行うことができる。あるいは、嚥下診断装置からの出力は、ディスプレイ等に表示され、使用者自身に提示され得る。これにより使用者は、嚥下診断装置からの出力に基づいて、嚥下障害の自己診断を的確に行うことができる。

【実施例】

【0107】

実施例１．上肢の皮膚における筋電信号の識別
被験体（２０代健常男性）の上肢に筋電センサを装着し、被験体にしっかりと力を入れて動作をさせ、筋電信号の識別と動作との対応関係を試験した。筋電センサは、アンプ部と、５００Ｈｚのローパスフィルタ、１０Ｈｚのハイパスフィルタ、５０Ｈｚのノッチフィルタを備えるものであり、所定時間として８０ｍｓで実験を行った。

【0108】

試験結果を図８および図９に示す。図８（ａ）および図９（ａ）が、本発明のシステム１０による処理の結果のグラフであり、図８（ｂ）および図９（ｂ）が、ステップＳ５０３で得られた類似度、すなわち、ニューラルネットワーク３００の出力から直接識別した結果のグラフである。図９（ａ）～図９（ｂ）は、図８（ａ）～図８（ｂ）に示される破線部の拡大図である。

【0109】

グラフの縦軸は、動作ＩＤを表し、０が「何もしない動作」であり、１が「手首回外動作」であり、３が「手首曲げ動作」であり、４が「手首伸ばし動作」であり、５が「グー動作」であり、７が「親指曲げ動作」であり、９が「薬指、小指曲げ動作」である。ニューラルネットワーク３００は、出力層の各ノードが動作ＩＤに対応する動作に関連付けられるように、各ノードの重み係数が計算されているものとする。グラフの横軸は実行ステップ数である。１秒当たり５０ステップ行った。すなわち、ステップ間隔は２０ｍｓである。

【0110】

被験者は、「手首回外動作」（動作ＩＤ：１）、「薬指、小指曲げ動作」（動作ＩＤ：９）、「親指曲げ動作」（動作ＩＤ：７）、「手首伸ばし動作」（動作ＩＤ：４）、「手首曲げ動作」（動作ＩＤ：３）、「グー動作」（動作ＩＤ：５）の順に動作を行った。

【0111】

各グラフにおける点線は、識別率１００％の理想の状態を示している。

【0112】

図８からわかるように、図８（ａ）は、概ね点線に従ったグラフとなっており、本発明のシステム１０による処理では、良好な識別率が得られたことがわかる。

【0113】

また、図９からわかるように、識別に迷いやすい「手首伸ばし動作」（動作ＩＤ：４）であっても、図９（ａ）は、図９（ｂ）よりも点線に沿ったグラフとなっており、本発明のシステム１０が、筋電信号が表す動作を正確に識別していることがわかる。

【0114】

各グラフから識別率を算出すると、図８（ａ）および図９（ａ）の識別率は、９８．８％であり、図８（ｂ）および図９（ｂ）の識別率は、７９．９％であった。

【0115】

このように、本発明のシステム１０によると、極めて高精度で生体信号が表す動作を識別することが可能であることが実証された。

【0116】

実施例２．筋電信号のレベルが低い被験体の上肢の皮膚における筋電信号の識別
被験体（２０代健常男性）の上肢に筋電センサを装着し、被験体に最小限の力で動作をさせること以外は実施例１と同様に、筋電信号の識別と動作との対応関係を試験した。

【0117】

試験結果を図１０および図１１に示す。図１０（ａ）および図１１（ａ）が、本発明のシステム１０による処理の結果のグラフであり、図１０（ｂ）および図１１（ｂ）が、後述するアルゴリズムを用いた処理の結果のグラフであり、図１０（ｃ）および図１１（ｃ）が、ステップＳ５０３で得られた類似度、すなわち、ニューラルネットワーク３００の出力から直接識別した結果のグラフである。図１１（ａ）～図１１（ｃ）は、図１０（ａ）～図１０（ｃ）に示される破線部の拡大図である。

【0118】

図１０（ｂ）および図１１（ｂ）に用いたアルゴリズムは、ステップＳ５０３で得られた類似度、すなわち、ニューラルネットワーク３００の出力から直接識別した結果を時刻ごとに時系列にバッファに格納し、バッファ内の占有率が閾値以上の識別結果を、筋電信号が表す動作として決定するアルゴリズムである。

【0119】

グラフの縦軸は、動作ＩＤを表し、０が「何もしない動作」であり、１が「手首回外動作」であり、３が「手首曲げ動作」であり、４が「手首伸ばし動作」であり、５が「グー動作」であり、７が「親指曲げ動作」であり、９が「薬指、小指曲げ動作」である。ニューラルネットワーク３００は、出力層の各ノードが動作ＩＤに対応する動作に関連付けられるように、各ノードの重み係数が計算されているものとする。グラフの横軸は実行ステップ数である。１秒当たり５０ステップ行った。すなわち、ステップ間隔は２０ｍｓである。

【0120】

被験者は、「グー動作」（動作ＩＤ：５）、「手首曲げ動作」（動作ＩＤ：３）、「手首伸ばし動作」（動作ＩＤ：４）、「親指曲げ動作」（動作ＩＤ：７）、「薬指、小指曲げ動作」（動作ＩＤ：９）、「手首回外動作」（動作ＩＤ：１）の順に動作を行った。

【0121】

各グラフにおける点線は、識別率１００％の理想の状態を示している。

【0122】

特に、図１１からわかるように、筋電信号レベルが低い場合に識別に迷いやすい「親指曲げ動作」（動作ＩＤ：７）であっても、図１１（ａ）は、図１１（ｂ）よりも点線に沿ったグラフとなっており、本発明のシステム１０が、筋電信号が表す動作を正確に識別していることがわかる。

【0123】

このように、本発明のシステム１０によると、生体信号のレベルが低い場合であっても、極めて高精度で生体信号が表す動作を識別することが可能であることが実証された。

【0124】

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。

【産業上の利用可能性】

【0125】

本発明は、生体信号の識別精度を向上させることを可能にする、生体信号が表す情報を識別するためのシステムならびにそれを備える手指リハビリ装置および嚥下診断装置を提供するものとして有用である。

【符号の説明】

【0126】

１０ システム
１００ 生体信号検出手段
２００ コンピュータ装置
２５０ データベース部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6A】

【図6B】

【図6C】

【図6D】

【図6E】

【図6F】

【図7A】

【図7B】

【図8】

【図9】

【図10】

【図11】