特許 7513988 テキスト入力タスクに基づいたタスク実行抑制機能の推定システム

(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】2024-07-02

(45)【発行日】2024-07-10

(54)【発明の名称】テキスト入力タスクに基づいたタスク実行抑制機能の推定システム

(51)【国際特許分類】

   A61B 10/00 20060101AFI20240703BHJP

【ＦＩ】

A61B10/00 H

【請求項の数】 5

(21)【出願番号】P 2021038574

(22)【出願日】2021-03-10

(65)【公開番号】P2022138603

(43)【公開日】2022-09-26

【審査請求日】2023-09-25

(73)【特許権者】

【識別番号】392026693

【氏名又は名称】株式会社ＮＴＴドコモ

(73)【特許権者】

【識別番号】598121341

【氏名又は名称】慶應義塾

(73)【特許権者】

【識別番号】504137912

【氏名又は名称】国立大学法人 東京大学

(74)【代理人】

【識別番号】100088155

【弁理士】

【氏名又は名称】長谷川 芳樹

(74)【代理人】

【識別番号】100113435

【弁理士】

【氏名又は名称】黒木 義樹

(74)【代理人】

【識別番号】100121980

【弁理士】

【氏名又は名称】沖山 隆

(74)【代理人】

【識別番号】100128107

【弁理士】

【氏名又は名称】深石 賢治

(74)【代理人】

【識別番号】100123995

【弁理士】

【氏名又は名称】野田 雅一

(72)【発明者】

【氏名】濱谷 尚志

(72)【発明者】

【氏名】山本 直樹

(72)【発明者】

【氏名】田中 茂樹

(72)【発明者】

【氏名】深澤 佑介

(72)【発明者】

【氏名】前田 貴記

(72)【発明者】

【氏名】寺澤 悠理

(72)【発明者】

【氏名】沖村 宰

(72)【発明者】

【氏名】太田 順

【審査官】蔵田 真彦

(56)【参考文献】

【文献】特開２０１７－１４４２５２（ＪＰ，Ａ）

【文献】特表２０１８－５１２２０２（ＪＰ，Ａ）

【文献】特開２０１７－１０７５５３（ＪＰ，Ａ）

【文献】国際公開第２０１３／１１１７４６（ＷＯ，Ａ１）

【文献】穴水幸子他，「ワープロ入力」認知リハビリテーション －脳血管障害後の適応障害が改善した１例－，認知リハビリテーション，2009年，Vol.14, No.1，41-50

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ａ６１Ｂ ５／０６－５／２２、１０／００－１０／０６

Ｇ０９Ｂ ３／００－３／１２

(57)【特許請求の範囲】

【請求項1】

表示されたテキストを入力するテキスト入力テストであって、入力すべきテキストとともに入力済みのテキストが表示される当該テキスト入力テスト、を複数回にわたりユーザに提示する提示部と、
前記提示部により提示された複数回にわたる前記テキスト入力テストに対する前記ユーザの反応度を示す反応度データを取得する取得部と、
前記取得部により取得された前記ユーザの反応度データに基づいて、前記ユーザのタスク実行機能およびタスク抑制機能を表す指標を予測する予測部と、
を備える機能推定装置。

【請求項2】

前記機能推定装置は、
前記取得部により取得された学習用ユーザの反応度データを説明変数とし、前記学習用ユーザにつき取得されたタスク実行機能およびタスク抑制機能を表す指標を目的変数とする、前記タスク実行機能およびタスク抑制機能を表す指標を予測するための予測モデルを学習する学習部、
をさらに備え、
前記予測部は、前記取得部により取得された対象ユーザの反応度データを、前記学習部による学習で得られた前記予測モデルに適用することで、前記対象ユーザの前記タスク実行機能およびタスク抑制機能を表す指標を予測する、
請求項１に記載の機能推定装置。

【請求項3】

前記取得部は、前記反応度データとして、
入力されたテキストの正確さ、入力所要時間、入力後に削除されたテキスト数を含んだ、総合的な処理能力を示すデータ、
を取得する、請求項１又は２に記載の機能推定装置。

【請求項4】

前記入力すべきテキストは、同音異義語を含み、
前記入力されたテキストの正確さは、日本語特有のひらがな－漢字変換の精度を含む、
請求項３に記載の機能推定装置。

【請求項5】

前記取得部は、所定数のテキストの入力所要時間と入力されたテキストの正確さとの相関関係を示す回帰モデルと、実際の前記所定数のテキストの入力所要時間から、前記入力されたテキストの正確さの期待値を導出し、得られた正確さの期待値と実際の正確さの実績値との差分を導出し、得られた差分を前記反応度データの１つとする、
請求項３又は４に記載の機能推定装置。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、機能推定装置に係り、とりわけ、脳の前頭前野のタスク実行機能およびタスク抑制機能を推定する機能推定装置に関する。

【背景技術】

【0002】

認知症か否かを判定するため、または認知症の進行度合いを検査するためには、認知症検査（長谷川式スケールなど）の実施が必要であることが知られている。また、認知症の原因疾患の１つであるアルツハイマー病で表れる傾向として、脳の前頭前野の機能のうちタスク実行機能およびタスク抑制機能の障害が知られている。タスク実行機能とは、タスクの遂行に際し、現在の状況に対処して適切な思考または行動を導き出し、当該思考または当該行動に関する意思決定を促進する能力であり、タスク抑制機能とは、タスクの遂行に際し、現在の状況において不適切な思考または行動を意識的に抑止する能力である。これらのタスク実行機能およびタスク抑制機能を推定するためには、心理学試験（例えば、go-nogoタスク、Stroop試験など）の実施が必要であった。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２００２－１４９３１５号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

ところが、実際に上記の心理学試験を実施するには、専門家の臨席、所定手順の実行、試験を受けるための十分な時間の確保などが必要であり、簡単に実施できるものではなかった。

【0005】

一方、上記の心理学試験（例えば、go-nogoタスク）により計測される指標として、タスクへの集中と切り替えの能力が知られており、このような能力は、テキスト入力処理、即ち、テキスト入力の操作、文字列の変換・削除、誤りの発見・修正など複合的なタスクを含んだ処理に関連し（特許文献１参照）、かかる能力の発揮には高度な脳機能を必要とする。上記のテキスト入力処理に係る能力を測るテスト（テキスト入力テスト）は、前述した心理学試験とは異なり、スマートフォン等の端末で実施可能であるため、スマートフォン等の端末で簡単なテストを実施するだけでユーザのタスク実行機能およびタスク抑制機能を推定することが待望される。

【0006】

そこで、本開示は、より簡易にユーザのタスク実行機能およびタスク抑制機能を推定することを目的とする。

【課題を解決するための手段】

【0007】

本開示に係る機能推定装置は、表示されたテキストを入力するテキスト入力テストであって、入力すべきテキストとともに入力済みのテキストが表示される当該テキスト入力テスト、を複数回にわたりユーザに提示する提示部と、前記提示部により提示された複数回にわたる前記テキスト入力テストに対する前記ユーザの反応度を示す反応度データを取得する取得部と、前記取得部により取得された前記ユーザの反応度データに基づいて、前記ユーザのタスク実行機能およびタスク抑制機能を表す指標を予測する予測部と、を備える。

【0008】

上記の機能推定装置において、提示部は、表示されたテキストを入力するテキスト入力テストであって、入力すべきテキストとともに入力済みのテキストが表示される当該テキスト入力テスト、を複数回にわたりユーザに提示し、取得部は、提示された複数回にわたるテキスト入力テストに対するユーザ（当該テキスト入力テストを受けたユーザ）の反応度を示す反応度データを取得する。そして、予測部は、取得されたユーザの反応度データに基づいて、当該ユーザのタスク実行機能およびタスク抑制機能を表す指標を予測する。このように、従来のような手間および時間を要する心理学試験に代わり、テキスト入力テストに対するユーザの反応度を示す反応度データに基づき、高度な脳機能を必要とする「タスクへの集中と切り替えの能力」に関連するタスク実行機能およびタスク抑制機能を表す指標を予測することで、より簡易にユーザのタスク実行機能およびタスク抑制機能を推定することができる。

【発明の効果】

【0009】

本開示によれば、より簡易にユーザのタスク実行機能およびタスク抑制機能を推定することができる。

【図面の簡単な説明】

【0010】

【図1】発明の実施形態に係る機能推定装置の機能ブロック構成図である。

【図2】（ａ）はテキスト入力テストの初期画面の一例を示す図であり、（ｂ）はテキスト入力テストの実施途中の画面の一例を示す図であり、（ｃ）はテキスト入力テストの終了時の画面の一例を示す図である。

【図3】反応度データの例を示す図である。

【図4】所定数のテキストの入力所要時間と正解率との相関関係を示すグラフである。

【図5】（ａ）は心理学試験の試験結果の例を示す図であり、（ｂ）は心理学試験の試験結果から導出されたタスク実行機能およびタスク抑制機能を表す指標を示す図である。

【図6】予測モデル構築処理を示すフロー図である。

【図7】反応度データの取得処理を示すフロー図である。

【図8】予測モデルを用いた対象ユーザのタスク実行機能およびタスク抑制機能の推定処理を示すフロー図である。

【図9】機能推定装置のハードウェア構成例を示す図である。

【発明を実施するための形態】

【0011】

添付図面を参照しながら本開示に係る実施形態を説明する。可能な場合には、同一の部分には同一の符号を付して、重複する説明を省略する。

【0012】

（機能推定装置１の構成について）
図１を参照して、一実施形態に係る機能推定装置１の構成を説明する。図１に示される機能推定装置１は、タスク実行機能およびタスク抑制機能を表す指標を予測するための予測モデルを構築し、ユーザのタスク実行機能およびタスク抑制機能を表す指標を予測する装置である。また、機能推定装置１は、ユーザによって操作可能な装置であり、例えば、スマートフォン、タブレット端末などが挙げられる。機能推定装置１には、例えば、ユーザが操作可能なアプリケーション（以下、「アプリ」という）がインストールされている。当該アプリの種類は、特に限定されず、例えば、ＳＮＳ（ソーシャルネットワークサービス）のアプリ、通信用アプリ、動画再生アプリ、カメラ機能アプリなどが挙げられる。

【0013】

機能推定装置１は、提示部１０と、取得部２０と、学習部３０と、予測部４０と、記憶部５０とを備えている。このうち記憶部５０は、情報を記憶する機能部であり、提示部１０により提示される後述のテキスト入力テストに関するデータ、取得部２０により取得された後述のデータなどを記憶するデータベースとして機能する。取得部２０、学習部３０および予測部４０は、記憶部５０から情報を取得可能であり且つ記憶部５０に情報を保存可能に構成されている。なお、記憶部５０は、機能推定装置１の外部に設けられてもよい。

【0014】

提示部１０は、表示されたテキストを入力するテキスト入力テストを複数回にわたりユーザに提示する機能部である。本実施形態に係るテキスト入力テストについては、テスト実施中に「入力すべきテキスト」とともに「入力済みのテキスト」を表示するという特徴を有する。例えば、図２（ａ）に示すように初期状態（テスト開始前）では、入力すべきテキストＡ、テキスト入力欄Ｂ、および、入力終了時に操作される入力終了ボタンＣが表示され、図２（ｂ）に示すようにテスト実施中には、入力すべきテキストＡと、テキスト入力欄Ｂに入力された入力済みのテキストＤとが同時に表示される。このように入力すべきテキストＡと入力済みのテキストＤとを同時に表示することで、入力すべきテキストＡと入力済みのテキストＤとをユーザが見比べる動作が生じるため、もし空間構成能力が低下している場合に、テキスト入力の正確さが低下し、後述する反応度データ（例えば、正解率（平仮名）、正解率（漢字））に反映され、アルツハイマー病の推定等に十分に活用できるという利点がある。図２（ｂ）の例では、ユーザは、入力済みのテキストＤの１行目における「付加」の文字が誤りであることに気付き、「付加」の２文字を削除して「負荷」の２文字を入力している。図２（ｃ）に示すように文字入力が完了した時点で入力終了ボタンＣが操作され、テキスト入力テストは終了する。なお、入力済みのテキストＤの３行目における「不可」の文字が誤りである（正しくは「付加」である）ことには気付かず、「不可」という誤記が残存している。このような誤記は文字入力誤りとして検知され、後述する正解率（漢字）に反映される。

【0015】

取得部２０は、複数回にわたるテキスト入力テストに対するユーザの反応度を示す反応度データを取得する機能部であり、タイマ２１、文字カウンタ２２、算出部２３および回帰モデル２４を含んでいる。取得部２０は、後に例示する反応度データとして、入力されたテキストの正確さ、入力所要時間、入力後に削除されたテキスト数を含んだ総合的な処理能力を示すデータを取得する。その際、入力所要時間は上記タイマ２１により取得し、入力後に削除されたテキスト数は上記文字カウンタ２２により取得し、入力されたテキストの正確さを表す後述するさまざまなパラメータは、上記算出部２３により取得する。また、テキスト入力テストにおいて課される「入力すべきテキスト」は、同音異義語を含んでおり、上記「入力されたテキストの正確さ」は、後に例示する日本語特有のひらがな－漢字変換の精度を含んでいる。例えば、前述した図２（ａ）に示す入力すべきテキストＡは、同音異義語として「負荷」および「付加」を含んでいる。

【0016】

また、回帰モデル２４は、予め学習により得られた、所定数のテキストの入力所要時間と入力されたテキストの正確さとの相関関係を示す回帰モデルである。図４に示すように、所定数のテキストの入力所要時間と入力されたテキストの正確さとは一定の相関関係を有することが知られており、かかる相関関係を学習によって得て構築されたものが回帰モデル２４である。なお、本実施形態では、入力されたテキストの正確さを表すデータとして、入力されたテキストのうち、正しく入力されたテキストが占める比率として算出される正解率が用いられ、具体的には、文字を漢字変換する前の平仮名レベルでの正解率である「正解率（平仮名）」と、漢字変換した後の漢字レベルでの正解率である「正解率（漢字）」とが用いられる。取得部２０は、回帰モデル２４と実際の所定数のテキストの入力所要時間から、入力されたテキストの「正確さの期待値」を導出し、得られた「正確さの期待値」と実際の「正確さの実績値」との差分を、反応度データの１つである「操作効率」として導出する。

【0017】

上記の反応度データとしては、例えば、図３に示す各課題における課題文字数（入力すべき総文字数）の文字を入力完了するのに要した「入力所要時間」、入力完了するまでに挿入した文字数である「挿入文字数」、入力完了するまでに削除した文字数である「削除文字数」、文字を漢字変換する前の平仮名レベルでの正解率である「正解率（平仮名）」、漢字変換した後の漢字レベルでの正解率である「正解率（漢字）」、上記入力所要時間を課題文字数で除算することで得られる「１文字毎入力所要時間」、回帰モデル２４を参照して得られる上記１文字毎入力所要時間から期待できる正解率である「正解率期待値」、および、前述した図４に示す「正解率期待値」と正解率実績値である「正解率（平仮名）」との差分（ここでは「正解率（平仮名）－正解率期待値」）として導出される「操作効率」が挙げられる。

【0018】

なお、図４では、正解率実績値として正解率（平仮名）（即ち、平仮名レベルでの正解率）を採用した例を示したが、これに代わり、正解率（漢字）（即ち、漢字レベルでの正解率）を採用して、操作効率を導出してもよい。また、正解率実績値として正解率（平仮名）を採用して導出された操作効率と、正解率実績値として正解率（漢字）を採用して導出された操作効率の両方を反応度データとして用いてもよい。

【0019】

また、一般的には、１文字毎の入力所要時間が増加するほど正確に文字を入力でき、正解率が高まると予想される。したがって、正解率実績値が、１文字毎の入力所要時間から期待される正解率期待値を下回っている場合（即ち、「正解率実績値－正解率期待値」の差分により得られる操作効率が負の値となる場合）、タスク実行抑制機能の低下が疑われる。

【0020】

次に、図１へ戻り、学習部３０は、タスク実行機能およびタスク抑制機能を表す指標を予測するための予測モデル３１を学習する機能部である。予測モデル３１は、取得部２０により取得された学習用ユーザの反応度データを説明変数とし、学習用ユーザにつき取得されたタスク実行機能およびタスク抑制機能を表す指標である機能指標を目的変数とする。上記の「学習用ユーザ」とは、例えば、学習部３０において予測モデル３１の学習に用いられる反応度データが抽出される被験者（ユーザ）である。一方、後述する「対象ユーザ」とは、学習により得られた予測モデル３１を用いてタスク実行機能およびタスク抑制機能を表す指標を予測する予測対象となる被験者（ユーザ）である。本実施形態において単に「ユーザ」と記載した場合には、学習用ユーザと対象ユーザとを含む場合がある。

【0021】

上記の「機能指標」は心理学試験により得られ、当該心理学試験は、専門家の臨席の下、試験を受けるための十分な時間が確保されたうえで所定手順で実行される。心理学試験の一例として、図５に示されるような「go-nogoタスク」が挙げられる。go-nogoタスクは、例えば、ユーザが、スマートフォンのような画面およびユーザ入力部（例えばタップ動作の受付部）を備える試験端末を使用することで行われる。

【0022】

図５（ａ）に示されるように、go-nogoタスクにおいて、試験端末の画面上には、ユーザが反応すべきシンボル（ＧＯシンボル）とユーザが反応すべきでないシンボル（ＮＯＧＯシンボル）とがシンボル情報として所定の試行回数だけ次々に提示される。ユーザは各シンボル情報に適した対処をする。例えば、ユーザは、ＧＯシンボルにおいては素早く反応して試験端末へのタップを実施し、ＮＯＧＯシンボルでは試験端末に対して何も操作せず見送る。

【0023】

ＧＯシンボルに対してタップを実施した場合、または、ＮＯＧＯシンボルに対して何も操作せず見送った場合、実行結果は「成功」となる。ＧＯシンボルに対して所定の時間以上何も操作せず見送った場合、または、ＮＯＧＯシンボルに対して誤ってタップを実施した場合、実行結果は「失敗」となる。試験端末は、上記の「成功」と「失敗」との情報を実行結果として取得する。また、試験端末は、ＧＯシンボルが表示されてからユーザがタップ操作するまでの時間である反応時間を実行結果として取得する。

【0024】

図５（ｂ）に示されるように、試験端末は、実行結果として得られた各データに基づいて機能指標を算出する。機能指標は、例えば、すべての心理学試験の成功率の平均値である全体成功率、ＧＯシンボルに対する成功率であるＧＯ成功率、ＮＯＧＯシンボルに対する成功率であるＮＯＧＯ成功率、および反応平均時間のうち少なくとも１つのデータである。試験端末は、得られた機能指標を記憶部５０に保管する。例えば、全体成功率が所定の閾値より低い場合は、タスク実行機能およびタスク抑制機能の少なくともいずれかの機能が正常な状態より弱まっていることが示唆される。ＧＯ成功率が所定の閾値より低い場合は、タスク実行機能が正常な状態より弱まっていることが示唆される。ＮＯＧＯ成功率が所定の閾値より低い場合は、タスク抑制機能が正常な状態より弱まっていることが示唆される。反応平均時間が所定の閾値より大きい場合は、タスク実行機能が正常な状態より弱まっていることが示唆される。上記の各閾値は、実施されるgo-nogoタスクに対して専門家等により事前に設定される。

【0025】

学習用ユーザが提示部１０により提示されたタスクを実行すると共に試験端末における心理学試験を実行することで、反応度データおよび機能指標が予測モデル３１の学習用データとして得られる。取得部２０において所定の期間の記憶部５０内のデータに基づいて反応度データが算出された場合、当該所定の期間または当該所定の期間の直前若しくは直後に測定された機能指標と、当該反応度データとが、学習部３０において予測モデル３１の学習に用いられる。例えば、ある期間において、学習用ユーザが実行し、記憶部５０内に記憶された複数のタスクによるデータに基づいて算出された反応度データと、上記期間と同じ期間において学習用ユーザが試験端末を利用して１回または複数回の心理学試験を実行することで取得された機能指標とが、予測モデル３１の学習に用いられる。

【0026】

取得部２０は、所定の人数以上の複数の学習用ユーザの機能指標を取得する。学習部３０は、取得部２０により取得された所定の人数以上の複数の学習用ユーザの反応度データおよび機能指標を予測モデル３１に学習させる。所定の人数とは、例えば数十人または数百人である。テキスト入力テストにおいて導出された反応度データと、心理学試験において導出された機能指標とは、タスク実行機能およびタスク抑制機能の低下を示唆するデータとして相関関係があると推定される。これにより、予測モデル３１は、反応度データに含まれる各指標に対する機能指標を推定する機能を獲得する。

【0027】

次に、図１へ戻り、予測部４０は、対象ユーザのタスク実行機能およびタスク抑制機能を表す指標を予測する機能部であり、具体的には、取得部２０により取得された対象ユーザの反応度データを、学習部３０による学習で得られた予測モデル３１に適用することで、対象ユーザのタスク実行機能およびタスク抑制機能を表す指標を予測する。例えば、予測部４０は、取得部２０により所定の期間ごとに取得された対象ユーザの反応度データを予測モデル３１に適用することで、当該所定の期間ごとの機能指標を予測する。また、予測部４０は、取得部２０によりテキスト入力テストの所定の提示回数ごとに取得された対象ユーザの反応度データを予測モデル３１に適用することで、当該所定の提示回数ごとの機能指標を予測してもよい。

【0028】

また、予測部４０は、予測された対象ユーザの機能指標、または、推定されたタスク実行機能およびタスク抑制機能を、対象ユーザが確認可能なように出力する機能（例えば、表示出力する、印刷出力する、データとして出力するなどの機能）を有してもよい。

【0029】

さらに、予測部４０は、予測された機能指標を用いて対象ユーザのタスク実行機能およびタスク抑制機能を診断してもよい。ここでのタスク実行機能およびタスク抑制機能の診断とは、対象ユーザの当該機能に異常があるか否か、弱まっている兆候があるか否か、従前若しくは他の同年齢のユーザと比べて弱まっているか否かなどを含む対象ユーザの脳の状態を、機能指標に基づいて診断することを指す。

【0030】

この場合、例えば、取得部２０が、機能指標に対する専門家が定めた閾値を取得して、予測部４０が、予測されたユーザの機能指標と、専門家が定めた閾値とに基づいて、ユーザのタスク実行機能およびタスク抑制機能を診断してもよい。例えば、予測されたユーザの機能指標が当該閾値より低い場合、予測部４０は、当該ユーザのタスク実行機能およびタスク抑制機能が低下している可能性があると診断することができる。

【0031】

また、例えば、取得部２０が、学習用ユーザの機能指標と、学習用ユーザのタスク実行機能およびタスク抑制機能の診断結果とを取得し、さらに、予測部４０が、予測された対象ユーザの機能指標に加え、上記の取得された学習用ユーザの機能指標、並びに学習用ユーザのタスク実行機能およびタスク抑制機能の診断結果に基づいて、対象ユーザのタスク実行機能およびタスク抑制機能を診断してもよい。この場合、学習用ユーザのタスク実行機能およびタスク抑制機能が低下している可能性があるとの診断結果が得られている場合、当該学習用ユーザの機能指標を閾値とすることができる。当該学習用ユーザが複数存在する場合は、機能指標の平均値などの特徴量を閾値としてもよい。例えば、予測された対象ユーザの機能指標が当該閾値より低い場合、予測部４０は、当該対象ユーザのタスク実行機能およびタスク抑制機能が低下している可能性があると診断することができる。

【0032】

なお、図１には、取得部２０が回帰モデル２４を、学習部３０が予測モデル３１を、それぞれ内蔵する例を示したが、回帰モデル２４と予測モデル３１のうち一方又は両方は記憶部５０に保管されてもよい。

【0033】

（機能推定装置１で実行される処理について）
次に、図６～図８のフローチャートを用いて、本実施形態に係る機能推定装置１で実行される処理（機能推定装置１が行う推定方法）を説明する。まず、図６に示される機能推定装置１において予測モデル３１を構築する処理を説明する。

【0034】

機能推定装置１によって、学習用ユーザの反応度データの取得処理が実行される（ステップＳ１）。ステップＳ１は、図７に示される以下の複数のステップにより構成されている。まず、提示部１０によって、所定のタイミングで、テキスト入力テストが提示される（ステップＳ１１）。続いて、取得部２０の文字カウンタ２２によって、テキスト入力テストにおける挿入文字数および削除文字数が監視され、監視結果が記憶部５０に記憶される（ステップＳ１２）。

【0035】

続いて、取得部２０によって、入力終了ボタンＣへの操作が行われたか否かが判定される（ステップＳ１３）。入力終了ボタンＣへの操作が行われたと判定された場合（ステップＳ１３：ＹＥＳ）、機能推定装置１は次のステップＳ１４に移行する。一方、入力終了ボタンＣへの操作が行われていないと判定された場合（ステップＳ１３：ＮＯ）、ステップＳ１２へ戻る。

【0036】

ステップＳ１４では、取得部２０は、タイマ２１により入力所要時間を取得し（ステップＳ１４）、算出部２３により、平仮名レベルでの正解率、漢字レベルでの正解率、および１文字毎の入力所要時間を算出し（ステップＳ１５）、そして、回帰モデル２４を用いて１文字毎の入力所要時間から「正解率期待値」を得て、得られた「正解率期待値」と、正解率の実績値に相当する「平仮名レベルでの正解率」との差分から「操作効率」を算出する（ステップＳ１６）。即ち、「平仮名レベルでの正解率」から「正解率期待値」を引いて得た差分を「操作効率」として算出する。

【0037】

続いて、取得部２０によって、所定回数だけテキスト入力テストが実施されたか否かが判定される（ステップＳ１７）。テキスト入力テストの実施回数は、記憶部５０内に保管された各テキスト入力テストで得られた挿入文字数のデータ数又は削除文字数のデータ数に相当するため、取得部２０はこれらのデータ数を所定回数と比較することで、ステップＳ１７の判定を行う。ここで、テキスト入力テストの実施回数が所定回数に達していない（実施回数が所定回数未満）と判定された場合（ステップＳ１７：ＮＯ）、ステップＳ１１へ戻り、新たなテキスト入力テストに係るステップＳ１１～Ｓ１６の処理を繰り返す。一方、テキスト入力テストの実施回数が所定回数に達した（実施回数が所定回数以上）と判定された場合（ステップＳ１７：ＹＥＳ）、ステップＳ１８に移行し、取得部２０によって、所定回数にわたるテキスト入力テストの結果に基づく反応度データが取得される（ステップＳ１８）。これにより、図７に示される反応度データ取得処理が完了する。

【0038】

図６へ戻り、続いて、取得部２０によって、反応度データが取得された学習用ユーザのタスク実行機能およびタスク抑制機能を表す機能指標が取得される（ステップＳ２）。続いて、学習部３０によって、ステップＳ１で取得された反応度データを説明変数とし、ステップＳ２で取得された機能指標を目的変数とする予測モデル３１が学習される（ステップＳ３）。以上の処理により、図６に示される予測モデルの構築処理が完了する。

【0039】

次に、図８を参照して、機能推定装置１における予測モデル３１を用いて対象ユーザの機能指標を予測する処理を説明する。まず、取得部２０によって、対象ユーザの反応度データが取得される（ステップＳ４）。ステップＳ４における処理は、例えば、図７に示されるステップＳ１内の各処理と同一の処理で進められる。上述のステップＳ１１～Ｓ１８の処理手順における「学習用ユーザ」を「対象ユーザ」に置き換えた処理手順でステップＳ４は実現される。続いて、予測部４０によって、対象ユーザの反応度データが予測モデル３１に適用されることで、対象ユーザのタスク実行機能およびタスク抑制機能を表す機能指標が予測される（ステップＳ５）。これにより、図８に示される対象ユーザの機能指標を予測する処理が完了する。

【0040】

なお、ステップＳ５の後に、予測部４０によって、予測された対象ユーザの機能指標と、予め定められた閾値とに基づいて、対象ユーザのタスク実行機能およびタスク抑制機能が診断されてもよい。また、予測部４０は、予測された対象ユーザの機能指標、又は、診断された対象ユーザのタスク実行機能およびタスク抑制機能の診断結果を出力（表示出力、印刷出力など）してもよい。また、予測部４０は、予測された対象ユーザの機能指標を表すデータ、又は、診断された対象ユーザのタスク実行機能およびタスク抑制機能の診断結果を表すデータを記憶部５０に出力し、保管してもよい。

【0041】

（本実施形態の効果について）
以上のように、本実施形態の機能推定装置１によって、従来のような手間および時間を要する心理学試験に代わり、テキスト入力テストに対するユーザの反応度を示す反応度データに基づき、高度な脳機能を必要とする「タスクへの集中と切り替えの能力」に関連するタスク実行機能およびタスク抑制機能を表す指標を予測することで、より簡易にユーザのタスク実行機能およびタスク抑制機能を推定することができる。具体的には、テキスト入力テストを通じて、入力すべきテキストを正しく認識する能力、入力済みのテキストと入力すべきテキストとを照合して入力済みのテキストに誤りが有れば訂正する能力などに相関する前頭前野の働き（注意力の持続、切り替えなど）を確認し、アルツハイマー病で機能低下する上記の前頭前野の働きを反映したタスク実行機能およびタスク抑制機能をより簡易に推定することができる。

【0042】

また、学習部３０において、学習用ユーザの反応度データを説明変数とし、学習用ユーザの機能指標を目的変数とすることで、機能指標を予測するための予測モデル３１を構築することができる。また、対象ユーザの反応度データを説明変数として予測モデル３１に適用することで、対象ユーザの機能指標を予測することができる。このように機能指標を予測するための予測モデル３１を構築し、当該予測モデル３１を対象ユーザの機能指標の予測に用いることで、より精度良くタスク実行機能およびタスク抑制機能を推定することができる。

【0043】

また、取得部２０は、反応度データとして、入力されたテキストの正確さ、入力所要時間、入力後に削除されたテキスト数を含んだ総合的な処理能力を示すデータを取得するため、文字入力の正確さだけではなく、入力の所要時間・削除数を取得することで総合的な処理能力を表す機能指標を予測することができる。このとき、入力すべきテキストが同音異義語を含んでおり、入力されたテキストの正確さは、日本語特有のひらがな－漢字変換の精度を含むため、より多面的にタスク実行機能およびタスク抑制機能を推定することができる。

【0044】

さらに、取得部２０は、文字入力速度に相関する所定数のテキストの入力所要時間と、入力されたテキストの正確さとの相関関係を示す回帰モデル２４と、実際の所定数のテキストの入力所要時間から、入力されたテキストの正確さの期待値を導出し、得られた正確さの期待値と実際の正確さの実績値との差分を導出し、得られた差分を反応度データの１つとする。このように、文字入力速度に相関する所定数のテキストの入力所要時間から期待される正確さの期待値と実際の正確さ（実績値）との差分を反応度データの１つとすることで、文字入力の正確さだけではなく、文字入力速度をさらに加味した実質的な文字入力精度を示す指標を予測し、より精度良くタスク実行機能およびタスク抑制機能を推定することができる。

【0045】

なお、機能推定装置１において学習部３０は必須構成要件ではない。機能推定装置１が学習部３０を備えない場合、予測部４０は、機能推定装置１の外部で生成された推定モデルを取得し、当該推定モデルを用いて対象ユーザの機能指標を予測してもよい。また、機能推定装置１は、機械学習によって生成された推定モデルを用いることなく、例えば、図３に示す正解率（平仮名）、正解率（漢字）、１文字毎入力所要時間、操作効率などについてそれぞれ予め定められた基準に基づいて、対象ユーザの機能指標を予測してもよい。また、予測部４０は、例えば、記憶部５０に記憶された過去の反応度データを読み出し、新たに取得された最新の操作データを過去の反応度データと相対的に比較することで、タスク実行機能およびタスク抑制機能における低下などにつき診断してもよい。

【0046】

なお、上記実施形態の説明に用いられたブロック図は、機能単位のブロックを示している。これらの機能ブロック（構成部）は、ハードウェアおよびソフトウェアの少なくとも一方の任意の組み合わせによって実現される。各機能ブロックの実現方法は特に限定されない。すなわち、各機能ブロックは、物理的または論理的に結合した１つの装置を用いて実現されてもよいし、物理的または論理的に分離した２つ以上の装置を直接的または間接的に（例えば、有線、無線などを用いて）接続し、これら複数の装置を用いて実現されてもよい。機能ブロックは、上記１つの装置または上記複数の装置にソフトウェアを組み合わせて実現されてもよい。

【0047】

機能には、判断、決定、判定、計算、算出、処理、導出、調査、探索、確認、受信、送信、出力、アクセス、解決、選択、選定、確立、比較、想定、期待、見做し、報知（broadcasting）、通知（notifying）、通信（communicating）、転送（forwarding）、構成（configuring）、再構成（reconfiguring）、割り当て（allocating、mapping）、および割り振り（assigning）などがあるが、これらの機能に限られない。例えば、送信を機能させる機能ブロック（構成部）は、送信部（transmitting unit）または送信機（transmitter）と呼称される。いずれも、上述したとおり、実現方法は特に限定されない。

【0048】

例えば、本開示の一実施形態における機能推定装置１は、本開示の処理を行うコンピュータとして機能してもよい。図９に示されるように、上述の機能推定装置１は、物理的には、プロセッサ１００１、メモリ１００２、ストレージ１００３、通信装置１００４、入力装置１００５、出力装置１００６、およびバス１００７などを含むコンピュータ装置として構成されてもよい。

【0049】

なお、以下の説明では、「装置」という文言は、回路、デバイス、およびユニットなどに読み替えることができる。機能推定装置１のハードウェア構成は、図に示された各装置を１つまたは複数含むように構成されてもよいし、一部の装置を含まずに構成されてもよい。

【0050】

機能推定装置１における各機能は、プロセッサ１００１およびメモリ１００２などのハードウェア上に所定のソフトウェア（プログラム）を読み込ませることによって、プロセッサ１００１が演算を行い、通信装置１００４による通信を制御したり、メモリ１００２およびストレージ１００３におけるデータの読み出しおよび書き込みの少なくとも一方を制御したりすることによって実現される。

【0051】

プロセッサ１００１は、例えば、オペレーティングシステムを動作させてコンピュータ全体を制御する。プロセッサ１００１は、周辺装置とのインターフェース、制御装置、演算装置、およびレジスタなどを含む中央処理装置（ＣＰＵ：Central Processing Unit）によって構成されてもよい。例えば、上述の機能推定装置１の各機能は、プロセッサ１００１によって実現されてもよい。

【0052】

プロセッサ１００１は、プログラム（プログラムコード）、ソフトウェアモジュール、およびデータなどを、ストレージ１００３および通信装置１００４の少なくとも一方からメモリ１００２に読み出し、これらに従って各種の処理を実行する。プログラムとしては、上述の実施形態において説明された動作の少なくとも一部をコンピュータに実行させるプログラムが用いられる。例えば、機能推定装置１の各機能は、メモリ１００２に格納され、プロセッサ１００１において動作する制御プログラムによって実現されてもよい。上述の各種処理は、１つのプロセッサ１００１によって実行される旨を説明してきたが、２以上のプロセッサ１００１により同時または逐次に実行されてもよい。プロセッサ１００１は、１以上のチップによって実装されてもよい。なお、プログラムは、電気通信回線を介してネットワークから送信されてもよい。

【0053】

メモリ１００２は、コンピュータ読み取り可能な記録媒体であり、例えば、ＲＯＭ（Read Only Memory）、ＥＰＲＯＭ（Erasable Programmable ＲＯＭ）、ＥＥＰＲＯＭ（Electrically Erasable Programmable ＲＯＭ）、およびＲＡＭ（Random Access Memory）などの少なくとも１つによって構成されてもよい。メモリ１００２は、レジスタ、キャッシュ、またはメインメモリ（主記憶装置）などと呼ばれてもよい。メモリ１００２は、本開示の一実施形態に係る情報提供方法を実施するために実行可能なプログラム（プログラムコード）、ソフトウェアモジュールなどを保存することができる。

【0054】

ストレージ１００３は、コンピュータ読み取り可能な記録媒体であり、例えば、ＣＤ－ＲＯＭ（Compact Disc ＲＯＭ）などの光ディスク、ハードディスクドライブ、フレキシブルディスク、光磁気ディスク（例えば、コンパクトディスク、デジタル多用途ディスク、Ｂｌｕ－ｒａｙ（登録商標）ディスク）、スマートカード、フラッシュメモリ（例えば、カード、スティック、キードライブ）、フロッピー（登録商標）ディスク、および磁気ストリップなどの少なくとも１つによって構成されてもよい。ストレージ１００３は、補助記憶装置と呼ばれてもよい。上述の記憶媒体は、例えば、メモリ１００２およびストレージ１００３の少なくとも一方を含むデータベース、サーバ、その他の適切な媒体であってもよい。

【0055】

通信装置１００４は、有線ネットワークおよび無線ネットワークの少なくとも一方を介してコンピュータ間の通信を行うためのハードウェア（送受信デバイス）であり、例えばネットワークデバイス、ネットワークコントローラ、ネットワークカード、または通信モジュールなどともいう。通信装置１００４は、例えば周波数分割複信（ＦＤＤ：Frequency Division Duplex）および時分割複信（ＴＤＤ：Time Division Duplex）の少なくとも一方を実現するために、高周波スイッチ、デュプレクサ、フィルタ、周波数シンセサイザなどを含んで構成されてもよい。例えば、上述の取得部２０などは、通信装置１００４によって実現されてもよい。

【0056】

入力装置１００５は、外部からの入力を受け付ける入力デバイス（例えば、キーボード、マウス、マイクロフォン、スイッチ、ボタン、センサなど）である。出力装置１００６は、外部への出力を実施する出力デバイス（例えば、ディスプレイ、スピーカー、ＬＥＤランプなど）である。なお、入力装置１００５および出力装置１００６は、一体となった構成（例えば、タッチパネル）であってもよい。

【0057】

プロセッサ１００１およびメモリ１００２などの各装置は、情報を通信するためのバス１００７によって接続される。バス１００７は、単一のバスを用いて構成されてもよいし、装置間ごとに異なるバスを用いて構成されてもよい。

【0058】

機能推定装置１は、マイクロプロセッサ、デジタル信号プロセッサ（ＤＳＰ：Digital Signal Processor）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＰＬＤ（Programmable Logic Device）、ＦＰＧＡ（Field Programmable Gate Array）などのハードウェアを含んで構成されてもよく、当該ハードウェアにより、各機能ブロックの一部または全てが実現されてもよい。例えば、プロセッサ１００１は、これらのハードウェアの少なくとも１つを用いて実装されてもよい。

【0059】

情報の通知は、本開示において説明された態様／実施形態に限られず、他の方法を用いて行われてもよい。

【0060】

本開示において説明された各態様／実施形態の処理手順、シーケンス、フローチャートなどは、矛盾の無い限り、順序を入れ替えてもよい。例えば、本開示において説明された方法については、例示的な順序を用いて様々なステップの要素を提示しており、提示された特定の順序に限定されない。

【0061】

情報等は、上位レイヤから下位レイヤへ、または下位レイヤから上位レイヤへ出力され得る。情報等は、複数のネットワークノードを介して入出力されてもよい。

【0062】

入出力された情報等は特定の場所（例えば、メモリ）に保存されてもよいし、管理テーブルを用いて管理されてもよい。入出力される情報等は、上書き、更新、または追記され得る。出力された情報等は削除されてもよい。入力された情報等は他の装置へ送信されてもよい。

【0063】

判定は、１ビットで表される値（０か１か）によって行われてもよいし、真偽値（Boolean：trueまたはfalse）によって行われてもよいし、数値の比較（例えば、所定の値との比較）によって行われてもよい。

【0064】

本開示において説明された各態様／実施形態は単独で用いられてもよいし、組み合わせて用いられてもよいし、実行に伴って切り替えて用いられてもよい。所定の情報の通知（例えば、「Ｘであること」の通知）は、明示的な通知に限られず、暗黙的に（例えば、当該所定の情報の通知を行わないことによって）行われてもよい。

【0065】

以上、本開示について詳細に説明したが、当業者にとっては、本開示が本開示中に説明された実施形態に限定されないということは明らかである。本開示は、請求の範囲の記載により定まる本開示の趣旨および範囲を逸脱することなく修正および変更態様として実施することができる。したがって、本開示の記載は、例示説明を目的とし、本開示に対して何ら制限的な意味を有しない。

【0066】

ソフトウェアは、ソフトウェア、ファームウェア、ミドルウェア、マイクロコード、ハードウェア記述言語と呼ばれるか、他の名称で呼ばれるかを問わず、命令、命令セット、コード、コードセグメント、プログラムコード、プログラム、サブプログラム、ソフトウェアモジュール、アプリケーション、ソフトウェアアプリケーション、ソフトウェアパッケージ、ルーチン、サブルーチン、オブジェクト、実行可能ファイル、実行スレッド、手順、機能などを意味するよう広く解釈されるべきである。

【0067】

ソフトウェア、命令、および情報などは、伝送媒体を介して送受信されてもよい。例えば、ソフトウェアが、有線技術（同軸ケーブル、光ファイバケーブル、ツイストペア、デジタル加入者回線（ＤＳＬ：Digital Subscriber Line）など）および無線技術（赤外線、マイクロ波など）の少なくとも一方を使用してウェブサイト、サーバ、または他のリモートソースから送信される場合、これらの有線技術および無線技術の少なくとも一方は、伝送媒体の定義内に含まれる。

【0068】

本開示において説明された情報、および信号などは、様々な異なる技術のいずれかを使用して表されてもよい。例えば、上記の説明全体に渡って言及され得るデータ、命令、コマンド、情報、信号、ビット、シンボル、およびチップなどは、電圧、電流、電磁波、磁界若しくは磁性粒子、光場若しくは光子、またはこれらの任意の組み合わせによって表されてもよい。

【0069】

なお、本開示において説明された用語および本開示の理解に必要な用語については、同一のまたは類似する意味を有する用語と置き換えられてもよい。

【0070】

本開示において使用される「システム」および「ネットワーク」という用語は、互換的に使用される。

【0071】

本開示において説明された情報、およびパラメータなどは、絶対値を用いて表されてもよいし、所定の値からの相対値を用いて表されてもよいし、対応する別の情報を用いて表されてもよい。

【0072】

上述したパラメータに使用される名称はいかなる点においても限定的な名称ではない。さらに、これらのパラメータを使用する数式等は、本開示で明示的に開示した数式等と異なる場合もある。

【0073】

本開示で使用される「判断（determining）」、および「決定（determining）」という用語は、多種多様な動作を包含する場合がある。「判断」、「決定」は、例えば、判定（judging）、計算（calculating）、算出（computing）、処理（processing）、導出（deriving）、調査（investigating）、探索（looking up、search、inquiry）（例えば、テーブル、データベースまたは別のデータ構造での探索）、確認（ascertaining）した事を「判断」「決定」したとみなす事などを含み得る。「判断」、「決定」は、受信（receiving）（例えば、情報を受信すること）、送信（transmitting）（例えば、情報を送信すること）、入力（input）、出力（output）、アクセス（accessing）（例えば、メモリ中のデータにアクセスすること）した事を「判断」「決定」したとみなす事などを含み得る。「判断」、「決定」は、解決（resolving）、選択（selecting）、選定（choosing）、確立（establishing）、比較（comparing）などした事を「判断」「決定」したとみなす事を含み得る。つまり、「判断」「決定」は、何らかの動作を「判断」「決定」したとみなす事を含み得る。「判断（決定）」は、「想定する（assuming）」、「期待する（expecting）」、または「みなす（considering）」などで読み替えられてもよい。

【0074】

「接続された（connected）」、「結合された（coupled）」という用語、またはこれらのあらゆる変形は、２またはそれ以上の要素間の直接的または間接的なあらゆる接続または結合を意味し、互いに「接続」または「結合」された２つの要素間に１またはそれ以上の中間要素が存在することを含むことができる。要素間の結合または接続は、物理的に行われてもよく、論理的に行われてもよく、或いはこれらの組み合わせで実現されてもよい。例えば、「接続」は「アクセス」で読み替えられてもよい。本開示で使用される場合、２つの要素は、１またはそれ以上の電線、ケーブルおよびプリント電気接続の少なくとも一つを用いて、並びにいくつかの非限定的かつ非包括的な例として、無線周波数領域、マイクロ波領域および光（可視および不可視の両方）領域の波長を有する電磁エネルギーなどを用いて、互いに「接続」または「結合」されると考えることができる。

【0075】

本開示において使用される「に基づいて」という記載は、別段に明記されていない限り、「のみに基づいて」を意味しない。言い換えれば、「に基づいて」という記載は、「のみに基づいて」と「に少なくとも基づいて」の両方を意味する。

【0076】

本開示において使用される「第１の」、および「第２の」などの呼称を使用した要素へのいかなる参照も、それらの要素の量または順序を全般的に限定しない。これらの呼称は、２つ以上の要素間を区別する便利な方法として本開示において使用され得る。したがって、第１および第２の要素への参照は、２つの要素のみが採用され得ること、および何らかの形で第１の要素が第２の要素に先行しなければならないことのいずれも意味しない。

【0077】

上記の各装置の構成における「部」は、「回路」、または「デバイス」等に置き換えられてもよい。

【0078】

本開示において、「含む（include）」、「含んでいる（including）」およびそれらの変形が使用されている場合、これらの用語は、用語「備える（comprising）」と同様に、包括的であることが意図される。さらに、本開示において使用されている用語「または（or）」は、排他的論理和ではないことが意図される。

【0079】

本開示において、例えば、英語での「a」,「an」および「the」のように、翻訳により冠詞が追加された場合、本開示は、これらの冠詞の後に続く名詞が複数形であることを含んでもよい。

【0080】

本開示において、「ＡとＢが異なる」という用語は、「ＡとＢが互いに異なる」ことを意味してもよい。なお、当該用語は、「ＡとＢがそれぞれＣと異なる」ことを意味してもよい。「離れる」、および「結合される」などの用語も、「異なる」と同様に解釈されてもよい。

【符号の説明】

【0081】

１…機能推定装置、１０…提示部、２０…取得部、２１…タイマ、２２…文字カウンタ、２３…算出部、２４…回帰モデル、３０…学習部、３１…予測モデル、４０…予測部、５０…記憶部、１００１…プロセッサ、１００２…メモリ、１００３…ストレージ、１００４…通信装置、１００５…入力装置、１００６…出力装置、１００７…バス。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】