1是表示对第一组~第=组分别在最终训练中进行事后的静息态的脑活动测 量而得到的结果的图。
[0301] 根据图21可知，关于进行了解码连接神经反馈的第一组，得分非偶然地提高。
[0302] 图22是表示通过图17所示的事前的静息态的脑活动测量得到的脑活动的相关性 W及通过事后的静息态的脑活动测量得到的事后的相关性的图。
[0303] 可知，在事前具有负的相关性的区域的相关性在事后变化成具有正的相关性。
[0304] 此外，通过实验还确认出运种相关性的变化在2个月后也被保持。
[0305] (应用于被诊断为自闭症的受验者的应用例）
[0306] 下面，示出在医师的指导监督下实际对被诊断为自闭症的受验者进行了解码连接 神经反馈的情况下的例子。
[0307] 图23是表示对被诊断为自闭症的受验者进行了解码连接神经反馈时的得分的变 化的图。
[030引如图23所示，在进行神经反馈时，首先，在进行神经反馈（略记为NFB)之前，对被 诊断为自闭症的受验者测定静息态功能连接MRI(rs-fcMRI)，利用上述的生物标记物，进行 与自闭症有关的得分的计算。此外，在图23中，圆圈标记表示当日的得分的平均值，方块表 示解码连接神经反馈中的得分的值。
[0309] 接着，在即将进行解码连接神经反馈之前的第零天，再次通过rs-fCMRI确认得分 的值。
[0310] 在第零天，受验者的得分SC为0,即，处于W下状态：作为生物标记物的输出，判别 为是自闭症。
[0311] W后，在第一天~第四天，按照上述的过程来实施解码连接神经反馈。
[0312] 当在神经反馈的事后经过规定期间之后通过再次测定rs-fcMRI来计算得分时， 得分的值几乎为100,即，该受验者在规定期间后达到了W下状态：生物标记物输出相当于 "没有疾病"运样的判别。
[0313] 虽然为了临床应用而还需要进一步探讨，但是该结果启示了解码连接神经反馈法 应用于自闭症的治疗的可能性。
[0314] 如W上所说明的那样，如果使用本实施方式的解码连接神经反馈法，则能够将通 过实时fMRI测量的脑区之间的连接的相关性利用于反馈信息，通过训练来改变脑区之间 的连接的相关性。
[0315] 此外，在W上的说明中，设作为用于通过脑功能成像法按时间序列测量脑活动的 脑活动检测装置使用实时fMRI来进行了说明。但是，作为脑活动检测装置，能够使用上述 的fMRI、脑磁图仪、近红外光测量装置（NIR巧、脑电图仪或它们的组合。例如，在使用它们 的组合的情况下，fMRI和NIRS检测与脑内的血流变化相关联的信号，具有高空间分辨率。 另一方面，脑磁图仪和脑电图仪具有W下特征：具有高时间分辨率，用于检测伴随脑活动的 电磁场的变化。因而，例如若将fMRI与脑磁图仪相组合，则能够在空间上和时间上均W高 分辨率测量脑活动。或者，若将NIRS与脑电图仪组合，则还能够将也同样地在空间上和时 间上均W高分辨率测量脑活动的系统构成为小型、能够携带的大小。
[0316] 通过如W上那样的结构，能够实现将通过脑功能成像法测量的脑区之间的连接的 相关性利用于反馈信息来改变脑区之间的连接的相关性的脑活动训练装置。
[0317] 另外，在W上的说明中，说明了在作为受验者的属性包括"疾病的判别标签"的情 况下通过利用机器学习生成判别器来使该判别器作为生物标记物而发挥功能的例子，但是 本发明并不一定限定于运种情况，只要能够事前通过客观的方法将得到作为机器学习的对 象的测定结果的对象受验者组分为多个类别，测定受验者的脑区域间（关注区域间）的活 动度的相关性（连接），通过对测定结果的机器学习来生成对于类别的判别器，则也可W用 于其它判别。
[031引因而，例如，事前客观地评价利用脑活动训练装置进行的特定的"训练模式"是否 有助于增进受验者的健康，利用它来能够实现用于运种健康增进的脑活动训练装置。另外， 即使处于实际上未达到疾病的状态（"未病"），也事前客观地评价利用脑活动训练装置进 行的特定的"训练模式"是否有助于受验者成为更健康的状态，利用它来能够实现用于接近 健康状态的脑活动训练装置。
[0319] 本次公开的实施方式是用于具体实施本发明的结构的例示，并不限制本发明的技 术范围。本发明的技术范围不是由实施方式的说明来表示，而是由权利要求书来表示，意图 包括权利要求书的语句上的范围及等同的含义的范围内的变更。 阳320] 附图梳巧说巧
[0321] 2 :雙验者；6 :显不器；10 :MRI装置；11 :磁场施加机构；12 :静磁场发生线圈；14 : 倾斜磁场发生线圈；16 :RF照射部；18 :床；20 :接收线圈；21 :驱动部；22 :静磁场电源；24 : 倾斜磁场电源；26 :信号发送部；28 :信号接收部；30 :床驱动部；32 :数据处理部；36 :存储 部；38 :显示部；40 :输入部；42 :控制部；44 :接口部；46 :数据收集部；48 :图像处理部；50 : 网络接口。
【主权项】
1. 一种脑活动训练装置，具备： 脑活动探测装置，其用于按时间序列探测表示第一受验者的脑内的多个规定区域中的 脑活动的信号； 存储装置，其存储用于确定判别器的信息，该判别器是根据按时间序列预先测定表示 与上述第一受验者不同的多个第二受验者各自的脑内的上述多个规定区域中的脑活动的 信号而得到的信号来生成的，其中，上述判别器对于上述多个规定区域中的脑活动的相关 关系中的至少在上述多个第二受验者的属性上共通而被提取出的缩略表达，执行针对上述 第二受验者的属性中的作为目标的属性的判别； 呈现装置；以及 运算装置，其中，上述运算装置构成为： i) 根据由上述脑活动探测装置探测出的信号来计算上述多个规定区域间的脑活动的 相关关系， ii) 基于计算出的上述相关关系，通过根据上述存储装置中存储的信息来确定的上述 判别器，根据计算出的上述相关关系相对于与上述作为目标的属性对应的目标相关关系的 近似度，来计算报酬值， iii) 通过上述呈现装置对上述受验者呈现表示上述报酬值的大小的信息。2. 根据权利要求1所述的脑活动训练装置，其特征在于， 对上述多个第二受验者预先测定出的信号是通过多个脑活动测定装置来测定出的， 上述判别器中的上述缩略表达是从上述多个规定区域中的脑活动的相关关系中通过 变量选择来提取出的、在上述多个脑活动测定装置的测定条件和上述多个受验者的属性上 共通的缩略表达。3. 根据权利要求1或2所述的脑活动训练装置，其特征在于， 上述判别器是通过对提取出的上述缩略表达进一步进行变量选择的回归来生成的。4. 根据权利要求1所述的脑活动训练装置，其特征在于， 上述判别器是对基于通过上述第二受验者的上述多个规定区域间的脑活动的相关矩 阵的非对角元素与上述第二受验者的上述属性之间的正则化典型相关分析而得到的结果 进行稀疏化后的上述非对角元素和上述第二受验者的作为目标的属性进行稀疏逻辑回归 而生成的判别器， 向上述判别器的输入是与上述正则化典型相关分析的结果对应的上述第一受验者的 上述非对角元素的线性加权和。5. 根据权利要求2所述的脑活动训练装置，其特征在于， 上述判别器是对基于通过上述第二受验者的上述多个规定区域间的脑活动的相关矩 阵的非对角元素与上述第二受验者的上述属性之间的正则化典型相关分析而得到的结果 进行稀疏化后的上述非对角元素和上述第二受验者的作为目标的属性进行稀疏逻辑回归 而生成的判别器， 向上述判别器的输入是基于上述正则化典型相关分析的结果从上述非对角元素中作 为与上述作为目标的属性相关联的非对角元素而选择出的非对角元素。6. 根据权利要求1所述的脑活动训练装置，其特征在于， 上述脑活动探测装置包括拍摄静息态功能连接核磁共振影像的脑活动检测装置。7. 根据权利要求4或5所述的脑活动训练装置，其特征在于， 上述正则化典型相关分析是基于Ll正则化的典型相关分析。8. -种脑活动训练系统，具备： 脑活动探测装置，其用于按时间序列探测表示第一受验者的脑内的多个规定区域中的 脑活动的信号； 判别器生成单元，其用于根据通过上述脑活动探测装置按时间序列预先测定表示与上 述第一受验者不同的多个第二受验者各自的脑内的上述多个规定区域中的脑活动的信号 而得到的信号来生成判别器，其中，上述判别器生成单元提取上述多个规定区域中的脑活 动的相关关系中的至少在上述多个第二受验者的属性上共通的缩略表达，对于提取出的缩 略表达，生成针对上述第二受验者的属性中的作为目标的属性的判别器； 存储装置，其用于存储用于确定上述判别器的信息； 呈现装置；以及 运算装置，上述运算装置构成为： i) 根据由上述脑活动探测装置探测出的信号来计算上述多个规定区域间的脑活动的 相关关系， ii) 基于计算出的上述相关关系，通过根据上述存储装置中存储的信息来确定的上述 判别器的判别处理，根据计算出的上述相关关系相对于与上述作为目标的属性对应的目标 相关关系的近似度，来计算报酬值， iii) 通过上述呈现装置对上述受验者呈现表示上述报酬值的大小的信息。9. 根据权利要求8所述的脑活动训练系统，其特征在于， 上述脑活动探测装置包括多个脑活动测定装置， 上述判别器生成单元包括提取单元，该提取单元从上述多个规定区域中的脑活动的相 关关系中通过变量选择来提取在上述多个脑活动测定装置的测定条件和上述多个受验者 的属性上共通的上述缩略表达。10. 根据权利要求8或9所述的脑活动训练系统，其特征在于， 上述判别器生成单元包括回归单元，该回归单元通过对提取出的上述缩略表达进一步 进行变量选择的回归来生成上述判别器。11. 根据权利要求9所述的脑活动训练系统，其特征在于， 上述提取单元包括相关分析单元，该相关分析单元用于根据由上述脑活动探测装置探 测出的信号来计算上述多个规定区域间的活动的相关矩阵，在上述受验者的属性与上述相 关矩阵的非对角元素之间执行正则化典型相关分析来提取上述缩略表达。12. 根据权利要求10所述的脑活动训练系统，其特征在于， 上述回归单元包括回归分析单元，该回归分析单元通过对上述正则化典型相关分析的 结果和上述受验者的属性进行稀疏逻辑回归来生成判别器。13. 根据权利要求9所述的脑活动训练系统，其特征在于， 上述多个脑活动测定装置是分别设置于多个不同的场所的、用于通过脑功能成像法来 按时间序列测量脑活动的装置。14. 根据权利要求8所述的脑活动训练系统，其特征在于， 上述判别处理是疾病的判别标签的判别，该疾病的判别标签表示上述第一受验者患有 还是不患有神经/精神疾病。15. 根据权利要求9所述的脑活动训练系统，其特征在于， 上述受验者的属性包括表示患有还是不患有神经/精神疾病的疾病的判别标签、表示 上述受验者的个人特性的标签、以及对利用上述脑活动检测装置进行的测定赋予特征的信 息， 上述判别处理是疾病的判别标签的判别，该疾病的判别标签表示上述第一受验者患有 还是不患有神经/精神疾病。16. 根据权利要求11所述的脑活动训练系统，其特征在于， 上述正则化典型相关分析是基于Ll正则化的典型相关分析。17. 根据权利要求9所述的脑活动训练系统，其特征在于， 上述脑活动测定装置拍摄静息态功能连接核磁共振影像。
【专利摘要】提供一种用于将测量的脑区之间的连接的相关性利用于反馈信息来进行改变脑区之间的连接的相关性的训练的脑活动训练装置。根据在健康组、患者组中测定出的静息态功能连接MRI的数据(S102)，针对各个受验者导出规定的脑区域间的活动度的相关矩阵。通过正则化典型相关分析对包括受验者的疾病/健康标签在内的受验者的属性以及相关矩阵进行特征提取(S104)。基于正则化典型相关分析的结果，通过利用稀疏逻辑回归的判别分析(S106)来生成判别器(S108)。脑活动训练装置基于判别器对关于该受验者的功能连接MRI的数据的结果来向受验者反馈报酬值。
【IPC分类】A61B5/055
【公开号】CN105188528
【申请号】CN201480024911
【发明人】川人光男, 森本淳, 八幡宪明, 桥本龙一郎, 福田恵, 柴田和久, 今水宽, 渡边武郎, 佐佐木由香, 加藤进昌, 笠井清登
【申请人】株式会社国际电气通信基础技术研究所
【公开日】2015年12月23日
【申请日】2014年4月24日
【公告号】EP2992823A1, US20150294074, WO2014178322A1