舒适不舒适的判别的制作方法

本发明涉及使用脑电波来判别舒适不舒适的技术。更详细而言，本发明涉及基于不同环境中的同一刺激下的脑电波数据或其分析数据来判别舒适不舒适的技术，例如，在疼痛存在的情况下能够判别其是舒适的疼痛还是不舒适的疼痛。

背景技术：

各种感觉多通过单方向的向量表示，例如，当感觉到疼痛时，多是以疼痛还是不疼痛进行区分。然而，即使是疼痛的感觉，其也有针灸治疗中的疼痛那样舒适(舒服)的疼痛，或是不舒适的疼痛，不能够简单地区分。

技术实现要素：

用于解决课题的手段

本发明者们进行了潜心研究，结果发现了针对各种感觉能够判别其是舒适(舒服)的感觉还是并非如此的不舒适的感觉的判别技术。

本发明例如提供以下的技术。

(项目1)一种生成针对对象的压力或舒适不舒适进行判定的单元的方法，其包括：

a)针对对象在至少两个环境下赋予相同的刺激并获取各自的脑电波数据或其分析数据的工序；

b)将该至少两个环境下得到的该脑电波数据或其分析数据的差异和与该刺激相关的该对象的反应建立关联的工序；以及

c)基于该关联生成针对对象的压力或舒适不舒适进行判定的舒适不舒适判定单元的工序。

(项目2)一种针对对象的压力或舒适不舒适进行判定的方法，其包括：

a)针对对象在至少两个环境下赋予相同的刺激并获取各自的模型用的脑电波数据或其分析数据的工序；

b)将在该至少两个环境下得到的该模型用的脑电波数据或其分析数据的差异和与该刺激相关的该对象的反应建立关联的工序；

c)基于该关联生成针对对象的压力或舒适不舒适进行判定的舒适不舒适判定单元的工序；以及

d)从该对象获取试验用的脑电波数据或其分析数据并适用于该舒适不舒适判定单元，从而判定该对象的舒适不舒适的工序。

(项目3)一种针对对象的压力或舒适不舒适进行判定的方法，其包括：

c)提供舒适不舒适判定单元的工序，所述舒适不舒适判定单元基于根据至少两个环境下的试验进行的关联，针对对象的压力或舒适不舒适进行判定；以及

d)从该对象获取试验用的脑电波数据或其分析数据并适用于该舒适不舒适判定单元，从而判定该对象的舒适不舒适的工序。

(项目4)根据上述项目的任一项记载的方法，其中，还包括使所述模型用的脑电波数据或其分析数据进行自我复制从而使该脑电波数据或其分析数据的数目增加的工序。

(项目5)根据上述项目的任一项记载的方法，其中，所述自我复制基于分布特性来实施。

(项目6)根据上述项目的任一项记载的方法，其中，通过生成正态随机数或皮尔逊系统随机数，实施所述自我复制。

(项目6a)根据上述项目的任一项记载的方法，其中，通过生成正态随机数，实施所述自我复制。

(6b)根据上述项目的任一项记载的方法，其中，通过生成皮尔逊系统随机数，实施所述自我复制。

(项目7)根据上述项目的任一项记载的方法，其中，

所述关联包括基于所述环境及所述刺激设定舒适不舒适的差异并找到与该差异相关的特征量，以及

所述舒适不舒适判定单元的生成包括使用该特征量向该刺激的差异附加进行识别的标签。

(项目8)根据上述项目的任一项记载的方法，其中，所述舒适不舒适判定单元的生成通过sigmoid拟合或机械学习来实现。

(项目9)根据上述项目的任一项记载的方法，其中，关于所述压力或舒适不舒适，向所述对象赋予的刺激及所述环境这两方不同，或者虽然向所述对象赋予的刺激不同但是所述环境相同，或者虽然向所述对象赋予的刺激相同但是所述环境不同。

(项目10)根据上述项目的任一项记载的方法，其特征在于，所述压力或舒适不舒适是所述对象感觉到疼痛时的压力或舒适不舒适。

(项目11)根据上述项目的任一项记载的方法，其特征在于，所述舒适不舒适判定单元识别所述对象的疼痛的强度与所述对象的压力或舒适不舒适的等级。

(项目12)根据上述项目的任一项记载的方法，其中，所述脑电波数据或其分析数据包括以下的至少一个脑电波特征量：

电极位置：从额叶部向顶叶部进而至枕叶部的头皮上位置、依照国际10-20基准的位置、或以特定的均匀的距离放置的位置；

时间段：从0-100、100-200、200-300、300-400、400-500、500-600、600-700、700-800毫秒(ms)、或更细的时间区分(10毫秒等)、或更长的时间段的组合中选择。

(项目13)根据上述项目的任一项记载的方法，其中，所述脑电波特征量包括选自fp1、fp2、fpz、f3、f4、fz、c3、c4、cz、p3、p4及pz中的至少一个。

(项目14)根据上述项目的任一项记载的方法，其特征在于，所述舒适不舒适判定单元针对潜伏时的波形、根据与基准波形进行比较时的阴性电位等级来实现舒适不舒适的判定。

(项目15)根据上述项目的任一项记载的方法，其中，所述阴性电位等级以刺激后150毫秒之后的范围的波形为基准。

(项目16)根据上述项目的任一项记载的方法，其中，所述阴性电位等级以刺激后300毫秒之后的范围的波形为基准。

(项目17)根据上述项目的任一项记载的方法，其中，所述阴性电位等级以刺激后300毫秒～800毫秒的范围的波形为基准。

(项目18)根据上述项目的任一项记载的方法，其中，所述阴性电位等级以刺激后300毫秒～800毫秒的范围的阴性占有率为基准。

(项目19)根据上述项目的任一项记载的方法，其中，所述舒适不舒适判定单元判定心理压力。

(项目20)一种生成针对对象的压力或舒适不舒适进行判定的单元或值的装置，其包括：

a)数据获取部，针对对象在至少两个环境下赋予相同的刺激并获取各自的脑电波数据或其分析数据；

b)处理部，将在该至少两个环境下得到的该脑电波数据或其分析数据的差异和与该刺激相关的该对象的反应建立关联；以及

c)判定单元生成部，基于该关联生成针对对象的压力或舒适不舒适进行判定的舒适不舒适判定单元或值。

(项目20a)根据项目20记载的装置，其中，还包括上述项目的任一个或多个记载的特征。

(项目21)一种针对对象的压力或舒适不舒适进行判定的装置，其包括：

a)数据获取部，针对对象在至少两个环境下赋予相同的刺激并获取各自的模型用的脑电波数据或其分析数据；

b)处理部，将在该至少两个环境下得到的该模型用的脑电波数据或其分析数据的差异和与该刺激相关的该对象的反应建立关联；

c)判定单元提供部，基于该关联生成针对对象的压力或舒适不舒适进行判定的舒适不舒适判定单元或值；以及

d)判定部，从该对象获取试验用的脑电波数据或其分析数据并适用于该舒适不舒适判定单元或值，从而判定该对象的舒适不舒适。

(项目21a)根据项目21记载的装置，其中，还包括上述项目的任一个或多个记载的特征。

(项目22)一种针对对象的压力或舒适不舒适进行判定的装置，其包括：

c)判定单元提供部，提供舒适不舒适判定单元或值，该舒适不舒适判定单元或值基于根据至少两个环境下的试验进行的关联，针对对象的压力或舒适不舒适进行判定；以及

d)判定部，从该对象获取试验用的脑电波数据或其分析数据并适用于该舒适不舒适判定单元从而判定该对象的舒适不舒适。

(项目22a)根据项目22记载的装置，其中，还包括上述项目的任一个或多个记载的特征。

(项目23)一种将生成针对对象的压力或舒适不舒适进行判定的单元的方法安装于计算机的程序，其中，该方法包括：

a)针对对象在至少两个环境下赋予相同的刺激并获取各自的脑电波数据或其分析数据的工序；

b)将该至少两个环境下得到的该脑电波数据或其分析数据的差异和与该刺激相关的该对象的反应建立关联的工序；以及

c)基于该关联生成针对对象的压力或舒适不舒适进行判定的舒适不舒适判定单元的工序。

(项目23a)根据项目23记载的程序，其中，还包括上述项目的任一个或多个记载的特征。

(项目24)一种将针对对象的压力或舒适不舒适进行判定的方法安装于计算机的程序，其中，该方法包括：

a)针对对象在至少两个环境下赋予相同的刺激并获取各自的模型用的脑电波数据或其分析数据的工序；

b)将在该至少两个环境下得到的该模型用的脑电波数据或其分析数据的差异和与该刺激相关的该对象的反应建立关联的工序；

c)基于该关联生成针对对象的压力或舒适不舒适进行判定的舒适不舒适判定单元的工序；以及

d)从该对象获取试验用的脑电波数据或其分析数据并适用于该舒适不舒适判定单元，从而判定该对象的舒适不舒适的工序。

(项目24a)根据项目24记载的程序，其中，还包括上述项目的任一个或多个记载的特征。

(项目25)一种将针对对象的压力或舒适不舒适进行判定的方法安装于计算机的程序，其中，该方法包括：

c)提供舒适不舒适判定单元的工序，所述舒适不舒适判定单元基于根据至少两个环境下的试验进行的关联，针对对象的压力或舒适不舒适进行判定；以及

d)从该对象获取试验用的脑电波数据或其分析数据并适用于该舒适不舒适判定单元，从而判定该对象的舒适不舒适的工序。

(项目25a)根据项目25记载的程序，其中，还包括上述项目的任一个或多个记载的特征。

(项目26)一种记录介质，其保存有将生成针对对象的压力或舒适不舒适进行判定的单元的方法安装于计算机的程序，该方法包括：

a)针对对象在至少两个环境下赋予相同的刺激并获取各自的脑电波数据或其分析数据的工序；

b)将该至少两个环境下得到的该脑电波数据或其分析数据的差异和与该刺激相关的该对象的反应建立关联的工序；以及

c)基于该关联生成针对对象的压力或舒适不舒适进行判定的舒适不舒适判定单元的工序。

(项目26a)根据项目26记载的记录介质，其中，还包括上述项目的任一个或多个记载的特征。

(项目27)一种记录介质，其保存有将针对对象的压力或舒适不舒适进行判定的方法安装于计算机的程序，该方法包括：

a)针对对象在至少两个环境下赋予相同的刺激并获取各自的模型用的脑电波数据或其分析数据的工序；

b)将在该至少两个环境下得到的该模型用的脑电波数据或其分析数据的差异和与该刺激相关的该对象的反应建立关联的工序；

c)基于该关联生成针对对象的压力或舒适不舒适进行判定的舒适不舒适判定单元的工序；以及

d)从该对象获取试验用的脑电波数据或其分析数据并适用于该舒适不舒适判定单元，从而判定该对象的舒适不舒适的工序。

(项目27a)根据项目27记载的记录介质，其中，还包括上述项目的任一个或多个记载的特征。

(项目28)一种记录介质，其保存有将针对对象的压力或舒适不舒适进行判定的方法安装于计算机的程序，该方法包括：

c)提供舒适不舒适判定单元的工序，所述舒适不舒适判定单元基于根据至少两个环境下的试验进行的关联，针对对象的压力或舒适不舒适进行判定；以及

d)从该对象获取试验用的脑电波数据或其分析数据并适用于该舒适不舒适判定单元，从而判定该对象的舒适不舒适的工序。

(项目28a)根据项目28记载的记录介质，其中，还包括上述项目的任一个或多个记载的特征。

在本发明中，对于上述一个或多个特征，除了明示的组合之外，还可进一步组合来提供。对于本发明的其他实施方式及优点，如果根据需要阅读以下的详细说明而理解，则是本领域技术人员所知的。

发明效果

本发明能够判别舒适不舒适。另外，本发明针对疼痛进行观察时，能够判别舒适的疼痛和不舒适的疼痛，能够进行更细致且与主观一致的治疗、手术，在医疗关联产业中具有有用性。

附图说明

图1示出用于判别由不同的刺激类型引起的疼痛不舒适度的差异的实验范例。作为不舒适疼痛刺激，使用低温刺激(等级3)的-10℃，作为对应的没有不舒适的疼痛刺激，使用了按照各个人而统一控制了强度等级的电刺激(等级3)。各等级包含3刺激，持续了15秒。

图2示出不舒适疼痛的判别分析的过程。判别分析使用支持向量机进行。更详细而言，使用了svm-rfe(supportvectormachinerecursivefeatureelimination)。首先，进行24个脑电波特征量的排序，一边从上位开始使特征量一个个地增加，一边通过留一法交叉验证(leave-one-outcrossvalidation)研究了判别精度。最后，使用判别精度最高的特征量组，进行随机化测试，研究了偶然等级的判别精度。

图3示出svm-rfe的大体的过程(a)和更详细的内部过程(b)。

图4示出基于svm-rfe进行的判别分析中的特征量的排序结果。使用前5个特征量时，判别精度最高，表现出“56.098％”的判别精度。

图5示出通过使用前5个特征量的svm判别分析得到的随机化测试的结果。将判别标签进行1000次随机化，每次，通过留一法交叉验证将判别性进行了聚集。实际的“56.098％”的判别精度占据随机分布的前5％以内，表示实现了显著的判别精度。

图6示出同一高温刺激的疼痛情景效果(主观评价)。尽管是相同温度刺激(40℃)，但当疼痛的情景(环境)改变时，不舒适度(主观评价)也变化。即，与38℃的“不痛的”刺激一起出现的情况下，相比较于与48℃的“疼痛的”刺激一起出现的情况，在40℃的刺激下不舒适度升高。

图7示出同一高温刺激的疼痛情景效果(脑电波振幅)。尽管是相同温度刺激(40℃)，但疼痛的情景(环境)改变时，脑电波振幅也变化。相比较于与48℃的疼痛的刺激一起出现的情况，脑电波振幅减小。

图8示出不舒适疼痛判别器(sigmoid函数)。使用拐点的阈值将不舒适度的不同的疼痛分开。>1.0555判断为不舒适度低，≤1.0555判断为不舒适度高。整体的判别精度为64％。当观察明细时，不舒适度低的判别精度为68％，不舒适度高的判别精度为60％。

图9示出不舒适疼痛判别器(sigmoid函数)的应用例。前半部分保持疼痛监视初期的不舒适疼痛等级强状态，后半部分表示疼痛监视中/后期的不舒适疼痛等级弱状态。取得15秒以上的脑活动平均值组(a、b)并进行基于统计检验的特征量变化的比较，进行不舒适度缓和的客观性评价。当将相同物理量的刺激以不同的疼痛环境进行提示时，通过“情景依赖型参照检查手法”，实现更严格的不舒适疼痛评价。

图10是心理压力范例的实验。作为认知课题，给出彩色斯楚普课题(认知性竞合课题)，将字体颜色课题：回答“字体的颜色”进行3块(各50个试验)。图5的上部所示的是进行一致条件(无竞合，字体颜色与文字信息一致)、不一致条件(有竞合，困难，字体颜色与文字信息不一致)的实验的计划。

图11表示在心理压力范例中的行动数据(回答所需的反应时间)。左侧为无心理压力(基于第三者的课题中的监视不存在)，右侧为有心理压力(基于第三者的监视存在)。困难的不一致条件的情况回答时间变长。对于心理性压力有、无的反应时间，在任何条件间都未观察到显著性差异。因此，得到了压力的有无未产生明显影响的结论。

图12示出脑电波数据(现象关联电位：f3的左额叶)的结果。实线为不一致条件，虚线为一致条件(比较基准条件)。上(a)表示舒适条件(无心理压力)，下(b)表示不舒适条件(有心理压力)。在舒适条件(无心理压力)下，不一致条件的波形向阳性方向移动。在不舒适条件(有心理压力)下，不一致条件的波形向阴性方向继续移动。作为例子，计算至阴性电位的300～800毫秒为止的占有率并设为特征量。表示为占有率(％)＝阴性电位时间/整体时间×100。

图13是判别分析(sigmoid函数)。是对图12的结果进行了sigmoid拟合的结果。作为潜在心理不舒适判别器，求出其阈值，结果为阈值＝43.5。如果为其以下，则判断为无压力，如果超过其，则判断为有压力。无压力的判别精度：73.1％，有压力的判别精度：61.5％。整体：67.6％。

图14示出潜在心理不舒适度判别器(sigmoid函数)的应用例。研究额叶前皮质(prefrontalcortex)的持续性阴性活动的顺序。能够基于占有率进行潜在不舒适度的客观性评价。

图15是表示本发明的流程的流程图的一例。

图16是表示本发明的功能结构的框图的一例。

图17是表示本发明的功能结构的框图的一例。

图18是表示本发明的功能结构的框图的另一例。

图19示出实施例4的顺序的一例。

图20示出实施例4的判别模型制作以及泛化的顺序的一例。

图21示出针对与个人相符的舒适不舒适判别模型的制作、实施了基于样本放大的自我复制型特征量制作的例子、即1名受试者的热疼痛主观评价的例子。本实施例中使用的受试者(id185)在热刺激为40℃～46℃几乎未感到疼痛，但是在等级5的48℃下疼痛的不舒适度(无法耐受那样的不舒适)急剧上升，在等级6下，不舒适度达到刻度的顶点。因此，判别模型的制作使用等级1和等级6的最远的条件进行。

图22示出实际数据(热刺激等级1和6)的样本分布特性。左侧示出热刺激等级1(40℃)的样本分布(n＝30003)。右侧示出热刺激等级6(50℃)的样本分布(n＝30003)。可知热刺激等级6的分布特性以更宽的范围向右方向扩展。各坐标图中，y轴表示样本数，x轴表示平均电位(绝对值、z值化)。

图23表示自我复制型特征量的样本分布的例子(分布1；正态随机数放大)。产生具有等级1和6的实测样本的分布特性的正态随机数(n＝10000)，制成“自我复制型特征量”。该图示出fp1电极的热刺激等级1(40℃)的样本分布(n＝10003)为平均：-0.27，sd：0.54，y轴表示样本数，x轴表示平均电位(绝对值、z值化)。fp1电极的热刺激等级6(50℃)的样本分布(n＝10000)为平均：1.10，sd：1.74。重叠的区域越窄，对判别越有利。

图24示出个人判别模型的泛化例(泛化1；正态随机数放大)。进行个人(id185)判别模型用特征量系数的获取，判别模型的确定，进行了不同的受试者(n＝169)的等级1和等级6的疼痛判别估计。估计结果是整体的判别精度：70.4％(sd21.8)，判别精度70以上：78名(46.2％)，判别精度50以上：110名(65.1％)。

图25示出自我复制型特征量的样本分布的例子(样本分布2；皮尔逊系统随机数放大)。纵轴为样本数，横轴为平均电位(绝对值、z值化)。产生具有等级1和6的实测30,000个样本的分布特性的皮尔逊系统随机数(n＝10000)，制成了“自我复制型特征量”。为fp1电极的热刺激等级1(40℃)的样本分布(n＝10,000)。而且，平均：-0.27，sd：0.54，偏度：1.10，峰度：2.62。为fp1电极的热刺激等级6(50℃)的样本分布(n＝10,000)，平均：1.10，sd：1.74，偏度：1.77，峰度：6.35。重叠的区域越窄，则对判别越有利。

图26示出个人判别模型的泛化例(泛化2；皮尔逊系统随机数放大)。获取个人(id185)判别模型用特征量系数，确定判别模型，进行不同的受试者(n＝169)的等级1和等级6的疼痛判别估计。估计结果是整体的判别精度：71.7％(sd21.0)，判别精度70以上：78名(46.2％)，判别精度50以上：114名(67.5％)。

图27示出自我复制型特征量的样本分布的例子(样本分布3；皮尔逊系统随机数放大)。根据少的观测样本(各等级10个样本)的分布特性，产生皮尔逊系统随机数(n＝10000)，制成了“自我复制型特征量”。fp1电极的热刺激等级1(40℃)的样本分布(n＝10,000)是平均：-0.27，sd：0.7，偏度：1.90，峰度：6.22。fp1电极的热刺激等级6(50℃)的样本分布(n＝10,000)是平均：1.21，sd：3.15，偏度：3.44，峰度：15.97。重叠的区域越窄，则对判别有利。

图28示出个人判别模型的泛化的例子(泛化3；皮尔逊系统随机数放大)。获取个人(id185)判别模型用特征量系数，确定判别模型，进行了不同的受试者(n＝169)的等级1和等级6的疼痛判别估计。估计结果是整体的判别精度：72.1％(sd21.1)，判别精度70以上：84名(49.7％)，判别精度50以上：116名(68.6％)。

具体实施方式

以下，对本发明进行说明。在整个本说明书中，单数形式的表现只要没有特别提及，就应理解为也包含其复数形式的概念。因此，单数形的冠词(例如，在英语的情况下为“a”、“an”、“the”等)只要没有特别提及，就应理解为也包含其复数形式的概念。而且，在本说明书中使用的用语只要没有特别提及，就应理解为在该领域通常使用的意义下使用。因此，只要此外没有定义，本说明书中使用的全部的专门用语及科学技术用语就具有与通过本发明所属的领域的本领域技术人员通常理解的用语相同的意义。在矛盾的情况下，以本说明书(包含定义)优先。

(定义)

首先，说明在本发明中使用的用语及一般的技术。

在本说明书中，“对象”(在英文中为object)被用于与患者(patient)或受试者或受验者(subject)同义，称为疼痛测定及脑电波测定等本公开的技术设为对象的任意的生物体或动物。作为对象，优先为人，但不限定于此。在本说明书中，在进行疼痛的估计的情况下，有时称为“估计对象”，但这是与对象等相同的意思。

在本说明书中，“脑电波”是与该领域通常使用的脑电波同义，是指在头皮上放置一对电极并通过与脑的神经活动相伴的电位差而产生的电流。脑电波包含针对电流的时间变化进行导出记录的脑电图(electroencephalogram,eeg)。在安静时，振幅约50μv，频率10hz前后的波为主成分。将其称为α波。在精神活动时，α波被抑制而出现振幅小的17～30hz的速波，将其称为β波。在浅睡眠期间，α波逐渐减少而出现4～8hz的θ波。在深睡眠期间出现1～4hz的δ波。上述的脑电波能够以特定的振幅及频率记述，在本发明中，振幅的解析至关重要。

在本说明书中。“脑电波数据”是与脑电波相关的任意的数据(也称为“脑活动量”、“脑特征量”等)，包含振幅数据(eeg振幅、频率特性等)。对上述的脑电波数据进行了分析的“分析数据”可以与脑电波数据同样使用，因此在本说明书中，有时一并称为“脑电波数据或其分析数据”。作为分析数据，例如，可以列举脑电波数据的平均振幅或峰值振幅(例如，fz、cz、c3、c4)、频率功率(例如，fz(δ)、fz(θ)、fz(α)、fz(β)、fz(γ)、cz(δ)、cz(θ)、cz(α)、cz(β)、cz(γ)、c3(δ)、c3(θ)、c3(α)、c3(β)、c3(γ)、c4(δ)、c4(θ)、c4(α)、c4(β)、c4(γ)等)等。当然，并不排除作为脑电波数据或其解析数据通常使用的其他数据。

在本说明书中，“振幅数据”是“脑电波数据”的一种，称为脑电波的振幅的数据。有时也简称为“振幅”，还可以称为“eeg振幅”。这样的振幅数据是脑活动的指标，因此有时也称为“脑活动数据”“脑活动量”等。振幅数据通过测定脑电波的电信号能够得到，以电位(可由μv等表示)表示。作为振幅数据，能够使用平均振幅，但是并不限定于此。

在本说明书中，所谓“频率功率”，是将波形的频率成分表示作为能量，也称为功率谱。频率功率利用高速傅里叶变换(fft)(将离散傅里叶变换(dft)在计算机上高速计算的算法)，提取也埋入于时域的包含噪声的信号内的信号的频率成分，并对其进行计算从而能够算出。信号的fft例如使用matlab的函数周期图(periodgram)，将其输出进行标准化而能够算出功率谱密度(psd)、或成为功率的测定源的功率谱。psd是表示时间信号的功率关于频率而如何分布，单位为瓦特/赫兹(w/hz)。将psd的各点遍及定义了该点的频率范围(即，遍及psd的分辨率带域宽度)进行积分，计算功率谱。功率谱的单位为瓦特。功率的值可以不遍及频率范围积分，而是直接从功率谱读取。psd和功率谱都是实数，因此不包含任何相位信息。这样频率功率的计算可以通过matlab的标准功能来算出。

在本说明书中，“舒适”“不舒适”是用于理解行动的最基本的心理属性之一，是接近于带来舒适的刺激而要从带来不舒适的刺激远离的属性。动物进行行动，以接近能获得带来舒适的刺激而避免引起不舒适的刺激、或者摆脱维持不舒适的状态的刺激、或者得到消除不舒适的状态的刺激。上述的接近、避免、摆脱行动是适应于环境，用于提高生存概率的基本性行动的原理。

这样“舒适”和“不舒适”是成对的概念。

在本说明书中，所谓“压力”，是指由来自外部的各种各样的刺激(应激物)对心或身体造成负担、从而对身心产生不良影响的情况。压力会引起不眠或郁闷、胃痛、头痛、以及胃/十二指肠溃疡等，对心和身体造成不良情况。压力包括作为舒适的压力的舒适压力和作为不舒适的压力的不舒适压力。在本说明书中，压力与舒适不舒适以相同含义使用。压力可以分为“身体性压力”和“精神性压力”，“身体性压力”可以分为由来自外部的刺激引起的“外在压力”、和置身于特定环境时由自己本身的内部引起的“内在压力”，“精神性压力”可以分为从社会生活之中产生的“社会性压力”和从自己本身的心理要素产生的“心理性压力”。在本说明书中所说的心理学范例是：将对象置于特定的环境时，以根据自身具有的性格或心理状态而明显地或潜在地感觉到心理性压力的方式设定的检查方法。

在本说明书中“痛”及“疼痛”为同义，是指在身体部分存在伤害、炎症等一般而言强的侵害时，以其为刺激而产生的感觉。对人而言，作为伴有强的不舒适感的感觉也包含于一般感觉中。此外，皮肤痛觉等在某种程度上也具备外部接受度的性格，与其他的皮肤感觉或味觉协同有助于外物的硬度、锋利度、热度(热痛)、冷度(冷痛)、辣度等性质的判断。人的痛觉除了皮肤、粘膜以外，还可能产生于身体的几乎所有部分(例如，胸膜、腹膜、内脏(除了内脏痛觉、脑之外)、牙、眼及耳等)，都在脑中作为脑电波或其变动而被感知。此外，以内脏痛为代表的内部痛觉也包含于痛觉)。相对于内脏痛而将上述的痛觉称为躯体痛。除了躯体痛及内脏痛之外，也报告有与实际受到伤害的部位不同的部位的表面疼痛那样的现象即“牵涉痛”这样的痛觉，本发明能够将上述多样的疼痛类型以舒适不舒适这样的观点进行分类。

关于痛觉，感受性(疼痛阈值)存在个体差异，由于痛刺激的产生方式或受体部位的差异而存在质的差异，存在钝痛、锐利痛等分类，但是在本公开中，对任意种类的痛觉都能够进行测定、估计及分类。而且，也能够应对急性痛觉(a痛觉)及慢性痛觉(b痛觉)、(急性)局部疼痛及(慢性)弥漫性疼痛。本发明也能应对痛觉异常过敏等的痛觉异常症等。对于传递疼痛的末梢神经已知有“aδ纤维”和“c纤维”这2个神经纤维，例如拍手时一开始的疼痛通过aδ纤维的传导，传递定位清晰的锐利的疼痛(原发性疼痛；锐痛)。然后，通过c纤维的传导而感觉到定位不清晰的一阵一阵的疼痛(继发性疼痛；钝痛)。疼痛被分类成持续4～6周以内的“急性疼痛”和持续4～6周以上的“慢性疼痛”。疼痛是与脉搏、体温、血压、呼吸并列的重要的生命征象，但是难以以客观的数据来表示。代表性的疼痛评分vas(visualanaloguescale)或面部表情疼痛评分法(facespainratingscale)是主观性评价法，无法将患者间的疼痛进行比较。另一方面，本发明者推到出：作为疼痛的客观性评价用的指标，如果着眼于难以受到末梢循环系的影响的脑电波、观察其针对该疼痛刺激的振幅/潜伏时间的变化，则也能将疼痛的种类(舒适不舒适)进行分类。瞬间刺激和持续刺激都能够进行该分类。

在本发明中，与强度自身相比能够区别出是否为“需要治疗的”疼痛(不舒适的疼痛)是重点之一。因此，以“治疗”这样的概念为轴使“疼痛”的类别化明确也至关重要。

在本说明书中，“主观性疼痛感觉等级”是指对象具有的疼痛感觉的等级，可以由计算机化的视觉模拟评分法(covas)等惯用技术或其他公知技术，例如支持性团队测量量表(supportteamassesmentschedule(stas-j))、数字评分法(numericalratingscale(nrs))、面部表情疼痛评分法(facespainscale(fps))、abbey疼痛评估量表(abbeypainscale(abbey))、非言语疼痛评估量表(checkinlistofnonverbalpainindicators(cnpi))、交流障碍病人疼痛评估工具(non-communicativepatient‘spainassessmentinstrument(noppain))、doloplus2等表现。

在本说明书中，“条件”是指某事物成立或成为发生起源的事情中的虽然不是其原因但是对其进行制约的因素。在本说明书中，条件包括“刺激”及“环境”。

在本说明书中，“刺激”是使对象产生某些反应，在对象为生物时，是指给生物或其某部分的生理学活性带来暂时性变化的主要原因。虽然不希望受到理论的束缚，但是例示说明时，“环境”空间性地包含该对象，没有直接的集中的作用(例如，对身体部位的物理性刺激)，相对于此，“刺激”针对该对象具有这样的作用。

作为“刺激”的具体例而例示的痛觉相关的现象的情况，包括使痛觉产生的任意刺激。例如，包括电刺激、冷刺激、热刺激、物理性刺激、化学性刺激等。在本发明中，刺激可以是任意的刺激。刺激的评价可以使用例如计算机化的视觉模拟评分法(covas)等惯用技术或其他公知技术，例如，支持性团队测量量表、数字评分法、面部表情疼痛评分法、abbey疼痛评估量表、非言语疼痛评估量表、交流障碍病人疼痛评估工具、doloplus2等，能够与主观性疼痛感觉等级相对应。对于作为刺激的强度所采用的值，例如，可以列举侵害感受阈值(nociceptivethreshold；使侵害感受纤维产生神经冲动的阈值)、痛觉判别阈值(paindetectionthreshold；人能够感知作为疼痛的侵害刺激的强度)及痛觉容许限度阈值(paintolerancethreshold；人在实验上能够容许的侵害刺激之中最强的刺激强度)等。

在心理学条件的情况下，作为刺激，可以举出例如能够通过五感(视觉、听觉、味觉、触觉、嗅觉)等来感觉并在脑中作出信息处理的任意要素、和/或社会性压力等能够在精神上感知的任意要素等。

在本说明书中，“情景”(context)及“环境”(environment)以相同意思使用，是条件之一，是虽然对对象无直接的集中的作用但是包围该对象的任意条件，是指将刺激向对象提示时的周围的状况。例如，在提及放置对象的空间的情况下，是通过对温度、湿度、密度、亮度、广度、倾斜、高度等空间特性进行规定的多样参数所确定的三维空间。另外，在身体等级中，衣服或装饰品也可以理解为对身体空间进行规定的参数。也存在如为使用轮椅的人时所观察到的、身体空间向外在环境扩张的情况。在本发明中，首先，除了不同的刺激产生不舒适度的差异的基本状况之外，还明确了：由于对象所置的环境的差异或对象受到的刺激的提示情景的差异而不同地感知舒适不舒适、及能够将其提示作为信号解析结果。

在本说明书中，舒适不舒适的“分类”可以在各种观点(例如，除了痛觉之外，还有心理性的观点)下进行。作为代表性的例子，包括对象的疼痛分类成“舒适”还是“不舒适”，但是这也可想到分类成“能够忍受的”疼痛和“无法忍受的”疼痛的手法。

在本说明书中，“阴性效果”是指：与成为比较基准的条件的电位活动相比、成为关心对象的检查条件的电位活动向负方向移动。在本说明书中，是指与不存在成为基准的压力的状态相比，存在明显的或潜在的压力的情况下，电位向负的方向移动。另外，反之，不存在压力的状态是检查的关心情况时，阳性电位的增大成为指标，对于阴性效果与阳性效果，根据检查的基准条件的设定不同，提及的方式变化。

在本说明书中，“阴性占有率”或“占有率”通过阴性电位的总时间(或阴性电位数据点数)/整体时间(或总数据点数)×100来算出。可看出占有率是心理压力的指标。在此，作为时间，可以代表性地使用刺激后300～800毫秒，但是不限定于此，可以是指刺激后150毫秒之后的范围、刺激后300毫秒之后的范围、刺激后300毫秒～800毫秒的范围、刺激后300毫秒～600毫秒的范围等。占有率虽与电位效果的持续时间类似，但适用于在中途效果消失并立即恢复那样的情况下表现效果的时间特性。另外，对于上述的300～600毫秒，在有意识的判断等收敛的情况下，能观察到阳性电位的效果，但是在认知作业的负荷高的情况或抑制功能持续的情况下，可持续观察到阴性效果，对于用作心理压力的指标存在客观性根据(kingjw,kutasm.”whodidwhatandwhen？usingword-andclause-levelerpstomonitorworkingmemoryusageinreading.”j.cogn.neurosci.7(3)：376-395,1995)。

在本说明书中，所谓“自我复制”，是指针对某样本或数据、将该数据的样本数基于原本的数据进行复制。自我复制的结果样本数大幅增加。自我复制例如通过使用样本的分布特性(平均、sd)生成正态随机数或皮尔逊系统随机数放大等随机数而实现，例如，能够生成10000个样本的“自我复制型特征量”。复制量可使用10个样本、50个样本、100个样本、500个样本、1000个样本、5000个样本、10000个样本、20000个样本、50000个样本、100000个样本等任意倍数。因此，自我复制也称为“样本放大法”，“样本放大法”是在样本少的情况下使用其分布特性使样本数大幅增加的手法。例如，在实施例中使用的现象关联电位通常使用20、30、40、50或100次等比较少的刺激提示数，但是如果进行求和平均则每1电极仅限于1脑电波数据。然而，如果使用本发明的样本放大法，则针对通过20次的刺激提示得到的1电极的20个脑电波数据，可以基于其分布特性(平均、散布度、峰度、偏度)在原理上无限地进行样本放大。这通过机械学习(例如，本实施例中的lasso正则化或svm)来确定判别模型的超参数(λ、cost、γ)，能够确定特征量(例如，振幅5个)的加权系数和模型截距。

(优选的实施方式)

以下，说明本发明的优选的实施方式。以下提供的实施方式是为了更好地理解本发明而提供，可知本发明的范围不应限定为以下的记载。因此，可知本领域技术人员参照本说明书中的记载在本发明的范围内可以进行适当改变。而且，可知本发明的以下的实施方式可以单独使用或者将它们组合使用。

另外，以下说明的实施方式都表示包括性的或具体的例子。以下的实施方式中所示的数值、形状、材料、构成要素、构成要素的配置位置及连接方式、步骤、步骤的顺序等为一例，并不限定权利要求的范围。而且，关于以下的实施方式的构成要素中的、表示最上位概念的独立权利要求未记载的构成要素，作为任意的构成要素来说明。

(舒适不舒适分类法)

在一方案中，本发明提供一种生成针对对象的压力或舒适不舒适进行判定的单元或判定值(通过机械学习等制作判定器或分类器等时，是使用称为kernel的函数的数学式模型。向此投入分类标签和特征量，确定参数。将该模型生成的估计值通过阈值、即分类值进行范畴化(“1”、“0”等)，与实际的分类标签进行比对，算出判别精度。因此，可以说单元或数学式模型与分类值处于过程与结果的关系。)的方法，该方法包括：a)针对对象在至少2个环境下赋予相同或强度等为同程度的刺激并获取各自的脑电波数据或其分析数据的工序；b)将该至少2个环境下得到的该脑电波数据或其分析数据的差异和与该刺激相关的该对象的反应建立关联的工序；以及c)基于该关联生成针对对象的压力或舒适不舒适进行判定的舒适不舒适判定单元的工序。

在另一方案中，本发明还提供一种包括“判定值(单元)”生成～“实际的判定”这全部的步骤的方法。即，本发明提供一种针对对象的压力或舒适不舒适进行判定的方法，其包括：a)针对对象在至少2个环境下赋予相同、或强度等为同程度的刺激并获取各自的模型用的脑电波数据或其分析数据的工序；b)将在该至少2个环境下得到的该模型用的脑电波数据或其分析数据的差异和与该刺激相关的该对象的反应建立关联的工序；c)基于该关联生成针对对象的压力或舒适不舒适进行判定的舒适不舒适判定单元的工序；d)从该对象获取试验用的脑电波数据或其分析数据并适用于该舒适不舒适判定单元从而判定该对象的舒适不舒适的工序。

在再一方案中，本发明提供一种包括在“判定值”已经出现的状态下安装至医疗设备的步骤的方法。即，本发明提供一种针对对象的压力或舒适不舒适进行判定的方法，其包括：c)提供舒适不舒适判定单元的工序，该舒适不舒适判定单元基于根据至少2个环境下的试验进行的关联、针对对象的压力或舒适不舒适进行判定；以及d)从该对象获取试验用的脑电波数据或其分析数据并适用于该舒适不舒适判定单元从而判定该对象的舒适不舒适的工序。

在又一方案中，本发明提供一种生成针对对象的压力或舒适不舒适进行判定的单元或值的装置，该装置包括：a)数据获取部，针对对象在至少2个环境下赋予相同、或强度等为同程度的刺激，并获取各自的脑电波数据或其分析数据；b)处理部，将在该至少2个环境下得到的该脑电波数据或其分析数据的差异和与该刺激相关的该对象的反应建立关联；以及c)判定单元生成部，基于该关联生成针对对象的压力或舒适不舒适进行判定的舒适不舒适判定单元或值。本发明的a)、b)及c)构成为能够分别实现工序a)、b)及c)。

在又一方案中，本发明提供一种针对对象的压力或舒适不舒适进行判定的装置，该装置包括：a)数据获取部，针对对象在至少2个环境下赋予相同、或强度等为同程度的刺激并获取各自的模型用的脑电波数据或其分析数据；b)处理部，将在该至少2个环境下得到的该模型用的脑电波数据或其分析数据的差异和与该刺激相关的该对象的反应建立关联；c)判定单元提供部，基于该关联生成针对对象的压力或舒适不舒适进行判定的舒适不舒适判定单元或值；以及d)判定部，从该对象获取试验用的脑电波数据或其分析数据并适用于该舒适不舒适判定单元或值从而判定该对象的舒适不舒适。本发明的a)、b)、c)及d)构成为能够分别实现工序a)、b)、c)及d)。

在又一方案中，本发明提供一种针对对象的压力或舒适不舒适进行判定的装置，该装置包括：c)判定单元提供部，提供舒适不舒适判定单元或值，该舒适不舒适判定单元或值基于根据至少2个环境下的试验进行的关联、针对对象的压力或舒适不舒适进行判定；以及d)判定部，从该对象获取试验用的脑电波数据或其分析数据并适用于该舒适不舒适判定单元从而判定该对象的舒适不舒适。本发明的c)及d)构成为能分别实现工序c)及d)。

a)中包含的刺激功能，可以具有能够提供多种刺激强度的手段或功能。并且，能够向对象赋予这样的刺激。a)包含的脑电波数据(例如，振幅数据)的取得功能取得对象的脑电波数据。a)可以将这2个功能通过不同的部分实现，也可以通过一体的部分实现。而且，也可以具有除此以外的功能。

b)具有如下功能：针对sigmoid曲线的拟合等任意的函数拟合及2个以上的情景(环境)的差异与测定结果之间的关联进行解析。

c)具有生成舒适不舒适判定单元或值的功能。

d)具有如下功能：获取测定用的脑电波等，将其适用于通过c)得到的舒适不舒适判定单元或值从而判定舒适不舒适。

a)、b)、c)及d)的至少2个功能可以通过不同的装置、设备、cpu或终端等实现，也可以通过1个部分实现。通常，在1个cpu或计算装置中，成为已经装入或能装入实现上述计算的程序的结构。

以下说明各工序。

以下，使用方案图来说明舒适不舒适手法(图15)。

关于a)针对对象在至少2个环境下赋予相同、或强度等为同程度的刺激并获取各自的模型用的脑电波数据或其分析数据的工序(s100～s200)：

在该工序中，针对对象在至少2个环境(优选为不同的环境)下赋予多次相同(或同一种类)、或同程度的刺激(例如，疼痛刺激)，测定或获取各自的模型用的脑电波数据或其分析数据。或者，在以多个等级的刺激强度来刺激该估计对象的工序(s100)中，从多个等级(强度或大小)的多个刺激(例如，冷热刺激、电刺激等)中选择而刺激估计对象，取得与该刺激强度对应的该估计对象的脑电波数据(也称为脑活动数据、脑活动量等(s100)。例如，包括振幅数据(eeg振幅)、频率特性等)(s200)。这样的脑电波数据可以使用该领域中周知的任意手法取得。脑电波数据通过测定脑电波的电信号能够得到，作为振幅数据等能够以电位(以μv等表示)表示。频率特性能够以功率谱密度等表示。

在优选的实施方式中，为了实施本发明，脑电波数据优选通过1)以尽可能少的电极(2个左右)、2)极力避开有毛发的头皮、3)即使在睡着的状态下也能够记录那样的简便的方法实施，但是也可以根据需要增加电极的个数(例如，可以是3个、4个、5个等)。

或者，可以使模型用的脑电波数据或其分析数据(例如，本实施例的现象关联电位、感应电位)自我复制，使该脑电波数据或其分析数据的数目增加。自我复制可基于分布特性实施。另外，自我复制可通过产生正态随机数、皮尔逊系统随机数放大等随机数来实施。或者，自我复制可以使用样本的分布特性(平均，标准偏差(sd))产生正态随机数，放大制成适当的数目的样本(例如，1万、2万等)的“自我复制型特征量”。“样本放大法”可以说是即使在样本少的情况下也可以使用其分布特性大幅地使样本数增加的手法。

关于b)将在该至少2个环境下得到的该模型用的脑电波数据或其分析数据的差异和与该刺激相关的该对象的反应建立关联的工序(s300)：

对于如a)那样得到的脑电波数据或其分析数据，基于适当的手法，将差异点与包含刺激类型、刺激呈现环境等与刺激及环境相关的参数的条件参数(例如，疼痛刺激不舒适度等)建立关联。

s300是基于条件(或刺激)的差异、环境(或情景)的差异来设定舒适不舒适的差异、找到与之相关联的特征量的工序。

s400是使用该特征量对条件的差异加上标签、进行sigmoid拟合或机械学习等的工序。更详细而言如以下所述。

s300中的与不舒适度相关的手续、及将环境的差异与脑电波特征量建立关联的手续，例如可如下进行。在日常环境下，存在不舒适度不同的类似的环境a和b的情况下，尽可能地一一列举与环境结构相关的要因。将该要因在环境a与b之间统计性地比较，研讨是否存在显著差异。如果发现了显著差异，则作为与环境a和b的不舒适度的差异相关的有力候补。脑电波特征量具有振幅、潜伏时间、效果的持续时间、分布、频率功率等由时间的、空间的或两者的相互作用构成的复杂特性。因此，无法保证能直观地发现与环境a和b的差异相关联的特征量。因此，通过时间地、空间地分析而局部地分解，将与环境a和b相关的特征量统计性地比较(t检验或分散分析)或研究连续性的关系(相关关系或回归)，来确定刺激或环境条件与特征量的关系。

在该工序中，针对工序a得到的脑电波数据进行了滤波处理、眼动修正、伪信号去除等基本的信号处理之后，与条件参数相关联地提取该部分的信号，制成脑电波特征量(s300)。其包含平均值(算术平均、几何平均)、其他的代表值(中位数、众数)、熵、频率功率、小波、平均、以及单一尝试的现象关联电位的成分等。

关于c)基于该关联生成针对对象的压力或舒适不舒适进行判定的舒适不舒适判定单元的工序(s400)：

该工序使用b)算出的与环境及刺激相关的条件参数相关联的脑电波特征量，在通过拟合而得到的模型曲线中，设定阈值或判定指数。通过阈值电位或(阴性)占有率等数值来设定阈值，将其作为判定指数。

在s400中，使用s300中的相关联地确定的特征量，创建对现有的或未知的刺激或环境进行判别、估计的模型。例如，在上述的特征量的统计检验中，如果样本数增加，则即使环境a与b的差异减小或消失或反转那样的样本数增加，判断为“条件间存在显著性差异”的可能性也上升。然而，不包含该特征量能够何种程度地判别样本这样的观点。然而，在疼痛或心理压力的判别中，能够尽可能高精度地区分个人感到的疼痛或压力至关重要，需要并预期与统计学显著性差异的检测不同的有效性。

使用脑电波特征量，对应于条件参数进行2、3或3分类以上从而作成判别/估计模型，作为一个方法，作成绘制图，适用(拟合)至sigmoid函数图案等适当的拟合函数。适用可以使用该领域公知的任意的手法进行。作为这样的具体的拟合函数，可以列举玻尔兹曼函数、双玻尔兹曼函数、hill函数、逻辑用量响应、sigmoidrichards函数、sigmoidweibull函数等，但是并不限定于此。在它们之中，标准逻辑函数称为sigmoid函数，标准函数或变形为常见且优选。

根据需要，在向该sigmoid函数图案等适当的函数图案的适用的回归系数为规定以上时，基于该sigmoid曲线等，能够设定用于判定舒适不舒适的阈值。在此，在sigmoid曲线的情况下，基于拐点(调制点)能够生成，但是不限定于此。可以根据需要，以舒适不舒适的等级的分类成为最大限度的方式对疼痛分类值进行校正(校准)。阈值能够用于舒适不舒适等级的算出或分类，能够用于治疗的效果的判定。

因此，在1个具体的实施方式中，所述关联包括基于条件、例如所述环境及所述刺激来设定舒适不舒适的差异，从而找到与该差异相关的特征量，并且，所述舒适不舒适判定单元的生成包括使用该特征量向该刺激的差异附加识别标签。在特定的实施方式中，通过sigmoid拟合或机械学习实现所述舒适不舒适判定单元的生成。

在1个实施方式中，对于所述压力或舒适不舒适，1)向所述对象赋予的刺激及所述环境这两方不同，2)向所述对象赋予的刺激不同但所述环境相同，或是3)向所述对象赋予的刺激相同但所述环境不同。更具体而言，1)例如呈现刺激的类型和刺激呈现的空间都不同，其差异基于与不舒适度关联的特性，2)例如呈现刺激类型或刺激的强度不同，但呈现的情景(环境)不同，其与不舒适度的差异相关联，3)例如虽然刺激的呈现方法或课题内容完全相同但配置对象的空间特性不同，其与不舒适度的差异相关联。

对于实际的医疗装置，以可进行a)～c)的方式构成，但是也可以预先设定该判定器或判定值，在该情况下，c)工序可以是c’)工序，即，提供舒适不舒适判定单元的工序，该舒适不舒适判定单元基于根据在至少2个环境下的试验进行的关联、针对对象的压力或舒适不舒适进行判定。

在同一受验者成为对象者的情况下，可以包括使用以前的舒适不舒适判定单元(值等)、对判定器或判定值进行继承或更新那样的工序。

关于d)从该对象获取试验用的与未知状态相关的脑电波数据或其分析数据(s450)、适用于该舒适不舒适判定单元，判定该对象的舒适不舒适的工序(s500)：

在该工序中，以判定器或阈值为基础，根据实际测定的与对象的未知状态相关的测定值、例如脑电波数据或分析数据，算出与该判定器或阈值对应的数值，将其与判定器或阈值进行比较来确定舒适不舒适的有无或其等级。

是得到该对象的脑电波数据(例如振幅数据)的工序(s450)。该工序是无论受到何种刺激或者是否被处置，都根据想要测定的对象，得到对象的状态未知的脑电波数据的工序，只要是能够取得脑电波数据的手法即可，可以是任意的手法。可以使用与a)工序中使用的脑电波数据取得相同的手法，通常使用同一手法。并且，如s500那样，适用于舒适不舒适判定器或判定值，判定该对象的舒适不舒适。对于规定的舒适不舒适判定单元或值，与针对对象进行判别估计的等级相关联，称为“不舒适度(舒适不舒适)判定器”或“不舒适度(舒适不舒适)判定预测器”。对于比阈值靠不舒适侧的数值，判定或预测为不舒适，对于舒适侧的数值，判定或预测为舒适。

在1个实施方式中，对于脑电波数据(例如，振幅数据)的向所述舒适不舒适判定单元或值的适用，可以通过平均值进行。这样的平均值在遍及15秒～200秒进而几小时的数据记录的情况下，可以是超过200秒(例如，300秒、500秒、600秒、900秒、1200秒等)的平均值。在与短时间(例如，1秒以下)的外在或内在事件同步的现象关联脑活动的情况下，在事件发生之后，可以是1秒以内的平均值或代表值或时序变化数据等。而且，在判别器或判定值中使用的数据优选标准化或正规化的数据。另外，在将不同的日期时间的数据进行比较的情况下，优选设定共通的基线环境或刺激类型，算出相对于此的变动或效果从而与判别器或判定值建立关联。在1个实施方式中，所述关联通过使用所述的sigmoid函数作为判别器而实现。

在另一实施方式中，进行判别估计的未知的压力或舒适不舒适是所述对象感到疼痛时的值。

在又一实施方式中，“疼痛”的物理性强度和“压力(舒适不舒适)”可以通过不同参数显示。在该实施方式中，可以进行二维参数化。详细进行说明时，所述舒适不舒适判定单元针对所述对象的疼痛的强度、和与所述对象的压力或舒适不舒适的物理性强度无关的等级进行识别。在此，发现存在作为感觉疼痛的痛觉或感觉颜色的色觉的与物理量不同的、表示压力或舒适不舒适的等级的参数。作为物理性的参数强度以外的指数，将刺激控制为相同或尽可能相同，但是通过改变对压力和不舒适度造成影响的环境参数，能够算出这样的舒适不舒适或压力指数。上述的指数可以列举例如心理范例中的阴性电位活动的特定的时间范围内的占有率等，但是作为其前提，阴性脑电波活动依据如下性质，即，由于认知的负荷(例如，作业存储负荷)或抑制功能的增大而振幅增大、效果时间持续。

在1个实施方式中，对于所述脑电波数据或其分析数据，作为数据记录位置，包含从以国际10-20基准或其扩张基准为基准的f3、f4、c3、c4、p3、p4等的从额叶部至顶叶部进而枕叶部的头皮上位置作为电极位置，或者可以网罗以特定的均匀的距离(例如，2.5cm等)放置的位置，记录以及解析的时间段在短时间的现象关联电位活动的情况下，可以是0-100、100-200、200-300、300-400、400-500、500-600、600-700、700-800毫秒(ms)、或更细的时间段(10毫秒等)，或更长的时间段(有时扩及到几秒钟)。所述脑电波数据或其分析数据包括从上述的组合选择的至少1个脑电波特征量。

此外，在另一实施方式中，所述脑电波特征量包括从由fp1、fp2、fpz、f3、f4、fz、c3、c4、cz、p3、p4及pz构成的组中选择的至少1个，例如，包括平均振幅fz、c3及c4；以及频率fz(δ)、fz(β)、cz(δ)、c3(θ)及c4(β)。优选包括cz(振幅)、c3(α)、cz(β)、fz(δ)、cz(γ)，但是不限定于此。

在图16记载有本发明的装置的示意图。其中，在生成舒适不舒适判定器(单元)的情况下，该实施方式涉及1000～3000。刺激呈现部1000对应于a)，这是呈现刺激的环境或与刺激类型相关的信息与脑电波数据取得部2000及舒适不舒适判定值生成部3000相联系。在脑电波数据取得部2000中，为了得到与从刺激呈现部向对象(1500)发出的刺激同步的脑电波数据，而构成为具备已连结或能连结至对象(1500)的脑电波计或连结于该脑电波计(2500)。

图17是表示1个实施方式的舒适不舒适判定系统5100的功能结构的框图(需要说明的是，应留意的是该构成图的一些部分为任意构成部分，可省略)。系统5100具备脑电波测定部5200，该脑电波测定部在内部具备或在外部连接脑电波记录传感器5250及根据需要的脑电波放大部5270，利用舒适不舒适判定装置5300进行舒适不舒适的信号处理及判别/估计。在舒适不舒适判定装置5300中，通过脑电波信号处理部5400对脑电波信号进行处理，(在所需的情况下，通过脑电波特征量提取部5500提取脑电波特征量，有时进行样本放大)通过舒适不舒适判定部5600针对舒适不舒适或不舒适度进行判别/估计，(根据需要)通过判别等级可视化部5800对不舒适度进行可视化。另外，在内部或外部具备刺激装置部5900，该刺激装置部5900为了对象的舒适不舒适及不舒适判别器的制作和实际的未知的不舒适度等级的判别而发送刺激信息(刺激类型或环境信息等)。刺激装置部5900可以根据刺激呈现部5920的其他需要而具备刺激信息可视化部5960，显示刺激或环境涉及的图像或数字等信息。另外，舒适不舒适判定系统可以在装置5300的外部或内部具备生成判别器或判定值的生成部5700。

这样舒适不舒适判定系统5100具备脑电波测定部5200和舒适不舒适判定装置5300，根据需要而具备刺激装置部5900。舒适不舒适判定装置5300通过例如具备处理器及存储器的计算机实现。在该情况下，舒适不舒适判定装置5300在通过处理器执行存储器保存的程序时，使处理器根据需要作为脑电波放大部5270、脑电波信号处理部5400、(根据需要)舒适不舒适判定部5600、(根据需要)判别等级可视化部5800等发挥功能。根据需要也实现刺激或环境信息的可视化。而且，本发明的系统5100或舒适不舒适判定装置5300例如可以通过专用电子电路实现。专用电子电路可以是1个集成电路，也可以是多个电子电路。脑电波数据取得部及舒适不舒适判定值生成部可以采取与该舒适不舒适判定装置同样的结构。

脑电波测定部5200经由脑电波计(脑电波记录传感器5250)从估计对象通过进行多次脑电波测定而取得多个脑电波数据。估计对象是根据刺激或环境而使脑电波产生变化的生物体，无需限定为人。

舒适不舒适判定部5600使用判定值来判别/估计不舒适度。判别器或判定值在外部或内部未预先生成的情况下，也进行生成。生成判别器或判定值的部门可以作为舒适不舒适判定值生成部5700而设置在装置5300的外部或内部。不舒适度判定值是根据多个脑电波数据的振幅、对不舒适度进行估计或分类用的值。即，舒适不舒适判定部5600或舒适不舒适判定值生成部5700能够生成用于根据脑电波数据针对对象的不舒适度进行估计或分类的判定值。

脑电波记录传感器5250通过头皮上的电极计测在估计对象的脑内产生的电活动。并且，脑电波记录传感器5250输出作为计测结果的脑电波数据。脑电波数据根据需要可以放大。

基于图16进一步进行说明。说明具备至判定部为止的方案。在图16中，除了舒适不舒适判定部4000之外，还参照脑电波数据取得部2000。虚线表示判别模型制作的顺序，实线表示进行实际的疼痛等级的判别/估计的顺序。在该情况下，如(舒适不舒适判定值生成)一节中说明那样，脑电波数据可以从对象1500经由脑电波计取得。即，脑电波数据取得部2000连结于对象1500，在脑电波数据取得部2000中，为了取得从对象(1500)得到的脑电波数据而具备已连结或能连结于对象(1500)的脑电波计、或连结于该脑电波计(2500)。在舒适不舒适判定部4000中，预先保存有舒适不舒适判定值，或收容另外生成的数据，并根据需要能够参照。这样的连结结构可以为有线也可以为无线。预先保存的舒适不舒适判定值在舒适不舒适判定值生成部3000中例如基于特征量的判别器(sigmoid函数拟合等)生成。

图17是表示1个实施方式的舒适不舒适判定系统5100的功能结构的框图。系统5100具备脑电波测定部5200，该脑电波测定部在内部具备或在外部连接脑电波记录传感器5250及根据需要的脑电波放大部5270，利用舒适不舒适判定装置5300进行疼痛的信号处理及判别/估计。在舒适不舒适判定装置5300中，在脑电波信号处理部5400处理脑电波信号，(根据需要)在舒适不舒适判定部5600估计/判别疼痛，(根据需要)在判别等级可视化部5800将疼痛进行可视化。另外，在内部或外部具备刺激装置部5900，该刺激装置部5900有助于对象的不舒适度判别器的制作。判定值也可以由舒适不舒适判定值生成部5700预先制成。

这样舒适不舒适判定系统5100具备脑电波测定部5200和舒适不舒适判定装置5300。舒适不舒适判定装置5300例如通过具备处理器及存储器的计算机实现。在该情况下，舒适不舒适判定装置5300在通过处理器执行存储器保存的程序时，使处理器根据需要作为脑电波放大部5270、脑电波信号处理部5400、(根据需要)舒适不舒适判定部5600、(根据需要)判别等级可视化部5800等发挥功能。根据需要也进行参照刺激产生及可视化。而且，本发明的系统5100或装置5300例如可以通过专用电子电路实现。专用电子电路可以是1个集成电路，也可以是多个电子电路。脑电波数据测定部及舒适不舒适判定值生成部3000(参照图16)可以采取与该疼痛估计装置同样的结构，也可以设置于外部。

脑电波测定部5200通过经由脑电波计(脑电波记录传感器5250)从估计对象进行多次的脑电波测定来取得多个脑电波数据。估计对象是因疼痛而脑电波产生变化的生物体，无需限定为人。

舒适不舒适判定部5600基于通过舒适不舒适判定值生成部3000(参照图16)生成的疼痛分类值，根据多个脑电波数据的振幅，对疼痛的大小进行估计或分类。即，舒适不舒适判定部5600基于判定值，根据脑电波数据将对象的疼痛进行估计或分类。

脑电波记录传感器5250通过头皮上的电极计测在估计对象的脑内产生的电活动。并且，脑电波记录传感器5250输出作为计测结果的脑电波数据。脑电波数据根据需要可以放大。

接下来，说明如以上所述构成的装置的处理或方法。图15是表示一系列的处理的流程图。在该方案中，可涉及s400～s600。在s400中，是使用刺激或环境信息(条件参数)生成了不舒适度判定值(也称为不舒适度判定器/不舒适度判定器)之后的工序。或者，是另行能够获得舒适不舒适度判定值的情况(以前取得并预先保存的情况等)。

该不舒适度判定值可以在制成后预先保存于舒适不舒适判定部4000(参照图16)，另外，也可以构成舒适不舒适判定部4000从而能够对值数据进行收纳。或者在附属有舒适不舒适判定值生成部3000的情况下，可以保存在该生成部，也可以另行配置记录介质。通过通信也能够收纳该值。

接下来，从对象取得脑电波数据(s450)(参照图15)。该脑电波数据的取得可以使用与s200中说明的技术同样的技术，可以采用同样的实施方式，但是不需要使用与s200相同的装置或设备，可以不同，也可以相同。

接下来，将在s450中得到的脑电波数据(例如，振幅数据)适用于不舒适度判定值，进行与该脑电波数据对应的不舒适度的判别/估计(s500)(参照图15)。这样的不舒适度判定可以在预先规定的值出现的情况下显示或发声特定的语句(喜欢、讨厌等)，也可以将实际的值与不舒适度判定值并列显示从而使用者(临床医生)能够研讨。

图18是在图17的框图中包含判别器生成(例如，sigmoid函数拟合)的过程地扩张、并记入有作业内容的舒适不舒适判定系统5100的图。系统5100具备脑电波测定部5200，连结于脑电波计5220，从收集的脑电波数据中通过特征量提取部5500根据需要得到平均值等脑电波特征量，或进行样本放大。在预先生成不舒适度判定值的情况下，在处于舒适不舒适判定装置5300的外部或内部的舒适不舒适判定值生成部3000，通过判别器、例如sigmoid函数拟合，来生成不舒适度判定值，传送并保存至舒适不舒适判定部5600。在实际的未知的刺激类型或环境的不舒适度判定中，在与刺激呈现部5920的刺激呈现或显示同步的脑电波数据从脑电波计5220向测定部5200传送之后，通过特征量提取部5500制成脑电波特征量，传送至舒适不舒适判定部5600，使用不舒适度判定值，判别/估计未知的刺激或环境的不舒适度。(根据需要)在判别等级可视化部5800将不舒适度进行可视化。这样的一系列的过程可以通过具备处理器及存储器的计算机或便携终端实现，或者通过专用电子电路实现。专用电子电路可以是1个集成电路，也可以是多个电子电路。另外，可以通过软件实现，也可以通过控制所需的硬件实现。

(心理压力特征量)

在1个方案中，本发明提供一种针对潜伏时的波形通过与基准波形进行比较时的阴性等级来判定舒适不舒适的方法。

在1个实施方式中，所述阴性等级依赖于对象处理的刺激或环境，但有利的是以刺激后150毫秒之后的范围的波形为基准、优选以刺激后300毫秒之后的范围的波形为基准、以刺激后300毫秒～800毫秒的范围的波形为基准，或者以刺激后300毫秒～600毫秒的范围的波形为基准，优选以刺激后300毫秒～800毫秒的范围的(阴性)占有率为基准。而且，除了占有率之外，作为追加或代替，也可以使用包含特定的时间范围的平均振幅、振幅的积分值、峰值振幅、峰值潜伏时间、效果的持续时间、频率功率的特征量。

使用以该阴性等级规定的所述舒适不舒适判定单元，能够判定心理压力。

(其他的实施方式)

以上，关于本发明的1个或多个方案的疼痛估计装置，基于实施方式进行了说明，但是本发明并不限定于该实施方式。只要不脱离本发明的主旨，则本领域技术人员可想到的各种变形对本实施方式实施，或将不同的实施方式中的构成要素组合而构筑的方式也可以包含于本发明的1个或多个方案的范围内。

例如，在上述各实施方式中，使用峰峰值作为脑电波数据的振幅值，但是不限定于此。例如，作为振幅值，可以仅使用峰值。

需要说明的是，在上述实施方式中，以与脑电波振幅的上限值amax对应的不舒适度的大小的值pmax成为1、且与脑电波振幅的上限值amin对应的疼痛的大小的值pmin成为0的方式，设定了不舒适度的大小的值的范围，但是不限定于此。例如，可以通过0～100来表示疼痛的大小。在该情况下，舒适不舒适判定部5600只要通过以下的式子来估计不舒适度的大小的值px即可。

px＝pmax×(ax-amin)/(amax-amin)

另外，在上述中，作为通过分析多个脑电波数据来生成舒适不舒适判定值的生成例，说明了曲线拟合(curvefitting)，但是不限定于此。而且，脑电波振幅的上限值可以使用预先确定的值。例如，预先确定的值为例如50μv～100μv，只要实验性地或经验性地确定即可。这样在通常的解析中，作为伪信号去除方法，将从正负50μv～100μv左右的数据排除，但是在本发明中也可以根据需要实施这样的伪信号去除。

另外，关于刺激呈现部5920(参照图17)向估计对象5099赋予的刺激，只要根据刺激类型或呈现环境而估计对象5099感觉的不舒适度的大小变化，则可以赋予任意的种类的刺激，但是在判定根据刺激的物理性的强度而分离的不舒适度的情况下，特别优选相同刺激或极其类似的刺激在不同的环境或条件下呈现。将其称为“情景依赖型不舒适度检测方法”或“情景依赖型参照检查手法”。例如，如本发明的实施例所示，存在1)将相同高温刺激(例如，40℃)以不同的刺激呈现情景(38℃情景或48℃情景)呈现，检测不同的不舒适度的手法，2)将相同认知处理在不同的状况(例如，监视有、无)下进行，检测潜在的不舒适度的方法等。

另外，上述各实施方式中的舒适不舒适判定装置具备的构成要素的一部分或全部，可以由1个系统lsi(largescaleintegration：大规模集成电路)构成。例如，如图17所示，舒适不舒适判定装置5300可以由系统lsi构成，该系统lsi具有根据需要的测定部5200和根据需要的刺激呈现部5920。

系统lsi是将多个构成部集成在1个芯片上而制造的超多功能lsi，具体而言，是包含微型处理器、rom(readonlymemory)、ram(randomaccessmemory)等而构成的计算机系统。在rom存储有计算机程序。所述微型处理器按照计算机程序进行动作，由此系统lsi实现其功能。

需要说明的是，在此，虽设为系统lsi，但是基于集成度的差异，有时也称为ic、lsi、超大lsi、大规模lsi。另外，集成电路化的手法并不限于lsi，可以通过专用电路或通用处理器实现。可以利用在lsi制造后能够编程的fpga(fieldprogrammablegatearray)、或者能够对lsi内部的电路单元的连接或设定进行再配置的可重构处理器。

此外，如果由于半导体技术的进步或派生的其他技术而出现了可替换lsi的集成电路化的技术，则当然可以使用该技术进行功能块的集成化。生物技术的适用等也是有可能的。

另外，本发明的一方案也可以不仅是这样的舒适不舒适判定值生成、舒适不舒适判定装置，而且是将疼痛估计装置所包含的特征性构成部作为步骤的疼痛分类值生成、疼痛判别分类方法。另外，本发明的一方案可以是使计算机执行舒适不舒适判定值生成、舒适不舒适判定方法所包含的特征性各步骤的计算机程序。另外，本发明的一方案可以是记录有这样的计算机程序的、计算机可读取的非易失性暂时性的记录介质。

需要说明的是，在上述各实施方式中，各构成要素可以由专用的硬件构成，或者通过执行与各构成要素相适的软件程序而实现。各构成要素也可以通过cpu或处理器等程序执行部读出并执行硬盘或半导体存储器等记录介质中记录的软件程序来实现。在此，实现上述各实施方式的疼痛估计装置等的软件，可以是在本说明书中上述的程序。

在本说明书中，“或者”在采用文章中列举的事项的“至少1个以上”时使用。“或”也同样。在本说明书中明确记载为“2个值的范围内”的情况下，该范围也包含2个值自身。

对于在本说明书中引用的科学文献、专利、专利申请等参考文献，其整体在本说明书中作为参考而援引与各自具体记载的情况为相同程度。

以上，为了便于理解而示出优选的实施方式说明了本发明。以下，基于实施例说明本发明，但是上述说明及以下的实施例仅为了例示的目的而提供，目的不是限定本发明。因此，本发明的范围既不限定为本说明书具体记载的实施方式也不限定为实施例，仅由权利要求书限定。

实施例

以下记载实施例。在必要的情况下，关于在以下的实施例中使用的对象的处理，遵守大阪大学所规定的基准，在关系到临床研究的情况下以赫尔辛基宣言和ich-gcp为准而进行。

(实施例1：具有不同的不舒适度且具有相同程度的疼痛强度的刺激类型的判别)

在本实施例中，通过机械学习(svm-rfe)进行不舒适度不同的2个类型的疼痛刺激的判别。2个类型的刺激使用了不会不舒适的在按摩中使用那样的电刺激、和不舒适度高的低温刺激。两者通过主观报告对刺激强度进行了统一控制。

(方法)

(参加者)

从20多岁至70多岁的41名健全的成人受验者的相同组参加低温刺激范例和电刺激范例的实验中。参加者们在实验前作出了知情同意。全部参加者自己报告了没有患过神经性及/或精神性疾病、或没有经历过临床药物治疗条件下的急性及/或慢性疼痛。本实施例在大阪大学医学部附属医院的伦理委员会以及赫尔辛基宣言的认可下实施。

(实验刺激以及手续)

图1示出实验方法的概要。使用温度刺激系统(pathway：medocco.,ltd.,ramatyishai,israel)，向参加者的右前臂给与低温刺激。低温刺激包含3个等级的温度强度(10℃，0℃，-10℃)。各温度等级由3次的刺激构成，刺激间间隔(isi)为20秒。各刺激具有持续5秒钟的停滞期，从基准温度(35℃)的上升及下降等待时间为约10秒。各等级下的3次的刺激之后，块间间隔持续了100秒。参加者在计算机化的视觉模拟评分法(covas)上，以0～100的范围(0：“无痛”；100：“无法忍耐的疼痛”)连续地评价了疼痛强度。与刺激强度的变更同时地记录了covas数据。在电刺激范例中，最先按照各个人，使用知觉/痛觉定量分析装置(painvisionco.,ltd.,osaka,japan)确定了与低温刺激10℃、0℃、-10℃对应的电刺激强度。然后，将电刺激的弱/中/强这3个等级、各3个刺激通过与低温刺激相同的呈现方法呈现。参加者使用covas与刺激呈现并行地进行了疼痛等级的主观评价。

(eeg分析)

(振幅的特征量提取)

对于低温及电刺激条件下的连续的eeg数据，为了使眼动噪声(eog)减衰而适用了以下的回归过滤器：

[数学式1]

原始eeg＝β×eog+c

估计eeg＝原始eeg-β×eog

β：回归系数

c：截距

估计eeg：估计的eeg

fp1最接近左眼且受到眼动的较强影响，因此使用了fp1数据作为eog数据。在eog校正后，按照各等级的刺激截取从刺激呈现前5秒～刺激呈现后15秒的epoch波形。在使用刺激呈现前的平均电位进行基线校正之后，以±100μv进行了伪信号去除。在将电位进行了绝对化之后，以最大振幅进行标准化，按各等级求出刺激呈现后15秒钟的平均振幅，成为振幅的特征量(4个：fz、cz、c3、c4)。作为舒适不舒适的特征量，与低温刺激、电刺激一起只使用了可靠地作出了“疼痛”这样的主观报告的强度等级3。

(频率功率的特征量提取)

在频率解析中，在对于整体eeg数据进行了eog校正处理之后，按各等级的刺激，截取从刺激开始至刺激呈现后15秒之间的脑电波数据。在进行了傅里叶变换之后，算出了频率功率(实数部的log10变换数据)。按照各δ(1-3hz)、θ(4-7hz)、α(8-13hz)、β(14-30hz)、γ(31-100hz)，按各等级算出功率的平均值，使用全部等级的数据按各个人以最大值进行标准化，成为频率特征量(20个：4电极×5带域)。作为舒适不舒适的特征量，与低温和电刺激一起只使用了可靠地作出了“疼痛”这样的主观报告的等级3。

(舒适不舒适判别分析)

使用supportvectormachinerecursivefeatureelimination(svm-rfe)进行了参加者41名的不舒适刺激(低温刺激)和舒适刺激(电刺激)的判别(guyoni,westonj,barnhills,&vapnikv.geneselectionforcancerclassificationusingsupportvectormachine.machinelearning46,389-422,2002)(图2)。如图2所示，特征量利用“24个”(在个人内已经标准化)，不舒适等级设定为“2个等级(不舒适/没有不舒适)”。作为特征的排序，进行了24个脑电波特征量的排序。对于判别算法的确定，通过使用支持向量机(svm)对数据进行“留一法交叉验证”、找到判别精度最高的特征的组合从而进行。对于随机化测试(1000次)，通过使用判别精度最高的特征量数、对不舒适度的标签进行随机化、算出偶然等级的判别精度从而进行(占据前95％以上的情况下，设为显著的判别精度)。数据解析使用了统计软件包的r以及svm-rfe的r-code(http：//github.com/johncolby/svm-rfe)。如图3所示，svm-rfe的大致的流程包括下述过程，即，将1)使用训练数据对判别器进行训练、2)将特征量排序、3)除去贡献度最低的特征量这样的过程反复进行至最后的特征量消失为止，详细的流程如图3b所示，具体而言，如下所示。

用语

a)训练数据：sample＝[x1,x2,...,xk,...,x]

b)分类标签：class＝[1,0,1,0,...,yk,...,y]

c)通过rfe而留存的特征量的集合：sfeature＝[1、2、...、n]

d)特征量的排序：rank＝[]

顺序

·限定为留存有训练数据的特征量：x＝sample(：,sfeature)

·对判别器进行训练(svm)：classifier＝svm(x,class)

·计算特征量的加权系数：weight＝σαkykxk

·在全部的特征量中计算排序基准：criterioni＝(weighti)²,foralli

·找到最小的排序基准的特征量：f＝argmain(criteion)

·刷新所留存的特征量的排序列表：rank＝[sfeature(f),rank]

·除去最小的排序基准的特征量：sfeature＝sfeature(1：f-1,f+1：length(sfeature))

·输出特征量排序列表：featurerankedlistr。

在本实施例中，使用舒适41标签、不舒适41标签的82样本和24个特征量，进行判别分析。使用径向基(高斯)函数作为kernel，数据被正规化。

[数学式2]

径向基函数(radialbasisfunction)：

g(x1,x2)＝exp(-|x1-x2|²)

g＝高斯函数

x＝数据点

exp＝指数函数。

(结果和考察)

图4示出了24个特征量的排序列表、和从前位特征量顺次1个个地增加时的82样本的舒适不舒适判别精度。头皮上中央部附近的电极中的振幅和频率的特征量在前10个特征量中占据8成，从前位开始为cz(振幅)、c3(α)、cz(β)、fz(δ)、cz(γ)、c4(β)、c3(δ)、cz(α)、fz(α)、c3(θ)。判别精度最高的判别器使用了前5个特征即cz(振幅)、c3(α)、cz(β)、fz(δ)、cz(γ)，判别精度为“56.098％”。针对该判别精度，为了确认不是偶然等级而是具有统计学意义，将舒适不舒适的判别标签进行1000次随机化，使用前5个特征进行训练。图5示出判别精度的随机化分布。“56.098％”的实际的判别精度包含于随机分布的前95％，表明有统计学意义。

根据以上的结果，使用脑电波特征量制成判别器，在判别舒适不舒适不同的刺激类型方面存在意义，此外，暗示了如果找到贡献度高的特征量并投入，则在判别器的精度进一步提高方面尚有余地。

(实施例2：具有不同的不舒适度的、相同高温刺激的判别)

在本实施例中，分析了在高温疼痛刺激下的舒适不舒适。特别是通过改变刺激呈现的情景，使相同高温刺激的舒适不舒适评价变化，使用关联的脑电波特征量和sigmoid函数，进行了舒适不舒适的判别。由此，证明了通过控制疼痛下的刺激强度可以判定舒适不舒适，这是采用以往的简单的数据关联难以实现的。

(方法)

(参加者)

从20多岁至30多岁的25名的健全成人受验者，在不同的日子参加了2次使用高温刺激的疼痛实验。参加者们在实验前作出了知情同意。全部参加者自己报告了没有患过神经性及/或精神性的疾病、或没有经历过临床药物治疗条件下的急性及/或慢性疼痛。本实施例在基于大阪大学医学部附属医院的伦理委员会以及赫尔辛基宣言的认可下实施。

(顺序)

使用温度刺激系统(pathway：medocco.,ltd.,ramatyishai,israel)，向参加者的右前臂给与高温刺激。准备2个刺激提示条件。条件1是弱疼痛情景条件，包括36℃(基础温度)、40℃、38℃。首先存在1分钟的36℃基础区间，40℃、38℃的刺激区间随机地产生各3次。40℃和38℃的刺激区间将15秒的刺激(上升、下降5秒)连续呈现5次。强疼痛情景条件包括36℃(基础温度)、40℃、48℃。通过将38℃刺激块置换成48℃块，而使刺激提示情景变化。与弱疼痛情景条件同样，首先存在1分钟的36℃基础区间，40℃、48℃的刺激区间随机地产生了各3次。40℃和48℃的刺激区间将15秒的刺激(上升、下降5秒)连续呈现5次。参加者在计算机化的视觉模拟评分法(covas)上，以0～100的范围(0：“无痛”；100：“无法忍受的疼痛”)连续地评价了疼痛强度。与刺激强度的变更同时地记录了covas数据。

(eeg数据记录)

使用市售的bio-amplifier(eeg1200；nihonkoden)，从7个头皮ag/agcl电极(fp1、fp2、f3、f4、c3、c4、pz)记录了eeg。为了眼球电位(eog)校正而使用最前部电极fp1和fp2。将脑电波导出用的基准电极戴在两方的耳垂，将接地电极放置在额头的中央部。采样率为1,000hz，在0.3～120hz的范围的带域进行了放大。全部电极的阻抗小于15kω。

(eeg分析)

关于连续的eeg数据，为了使eog噪声减衰，将以下的回归过滤器适用于原始的eeg数据：

[数学式3]

原始eeg＝β×(fp1+fp2)+c

估计eeg＝原始eeg-β×(fp1+fp2)

β：回归系数

c：截距

估计eeg：估计的eeg

fp1和fp2数据为了将垂直眼球运动或眨眼活动的电位放大而相加使用。在veog校正后，为了去除hum杂音(60hz)而对全部eeg数据施加了陷波滤波。针对36℃(疼痛弱、强情景：1epoch)，40℃(疼痛弱、强情景：5epoch×2块)，38℃(疼痛弱情景：5epoch×2块)，48℃(疼痛强情景：5epoch×2块)的各刺激，提取了从刺激开始起15秒钟内的脑电波数据。将振幅进行绝对值化之后，将超过100μv的电位进行伪信号去除，使用最大振幅进行标准化。按照各刺激在时间方向上求出振幅(绝对值化以及标准化完成)的平均值，进而，在各温度刺激下求出了整体平均振幅。

(主观评价的分析)

与脑电波数据同样，针对36℃(疼痛弱、强情景：1epoch)，40℃(疼痛弱、强情景：5epoch×2块)，38℃(疼痛弱情景：5epoch×2块)，48℃(疼痛强情景：5epoch×2块)的各刺激进行了提取。由于主观评价在疼痛刺激提示后延迟并变化，因此提取的时间宽度为从刺激提示后10秒至下一刺激提示为止，将该区间的最大值设为评价得分，在各温度条件下算出了整体平均得分。

(统计解析)

在进行统计检验之前，为了将弱疼痛情景与强疼痛情景的比较基线对齐，以36℃的脑电波振幅以及主观评价得分为基础对其他的温度条件的数值进行基线校正。为了研究主观评价的情景效果，将温度强度相同、即40℃条件的评价得分在弱与强情景间使用t检验进行了比较。同样，脑电波振幅求出f3与f4的平均值，将40℃条件的平均振幅在弱与强情景间使用t检验进行了比较。

(判别模型)

将基于脑电波振幅的不舒适度判别器通过sigmoid函数拟合而制成之后，算出拐点的数值，作为不舒适度判定值。基于该判定值，进行了不同的情景下的40℃刺激的判别。

(结果)

图6示出主观评价的结果。即使在相同40℃刺激下，在38℃的弱疼痛情景和48℃的强疼痛情景下，将36℃作为共通基线的情况下，主观评价的程度也显著不同。即，40℃刺激以与38℃的弱疼痛刺激相同的呈现情景下呈现时，观察到能感觉到与48℃的强疼痛情景相比不舒适度更高。

另外，在弱情景和强情景下，额电极的40℃刺激的脑电波振幅也存在显著性差异，强情景时表现出高振幅(图7)。48℃条件的高的脑活动性通过情景效果而引发40℃条件下的高活动性，该高活动性对评价基准造成影响，暗示了相对性地降低了主观评价。

图8示出使用了sigmoid函数的、不舒适刺激25样本和舒适刺激25样本的判别分析的结果。通过拟合，得到了下述的判别器(sigmoid函数)。

[数学式4]

y＝0.92+0.2774/(1+10^{(19.67-x)×88.12})

拐点的阈值为“1.0555”，在特征量比阈值高的情况下判别为“不舒适度低”，在比阈值低的情况下判别为“不舒适度高”。基于该判别基准，判别了全部50个样本，结果整体的错误率为“36％”，判别精度在60～70％的范围。本发明的显著结果为：基于简单的二值判别函数，与物理量相同的刺激相关的不舒适度的差异表现出超过了偶然等级的判别结果，通过情景依赖型参照检查手法(即，在不同的呈现情景下呈现相同物理量的刺激)，能够实现更严格的不舒适疼痛评价。由此表明，不舒适度评价能够精确地判断从脑电波振幅未读取的实际的受验者的不舒适度。

图9示出本实施例的应用例。在临床现场，监视持续的不舒适疼痛并进行镇静化的情况下，如图所示，能够预测到从不舒适度强状态向不舒适度弱状态逐渐转移。对于本发明的不舒适度判别器，为了判别/估计该不舒适度的推移而使用如下过程进行。

1.以一定的强度、间隔将侵袭性低的刺激(电刺激或热刺激)背景性地用于患者。2.将一定的时间段(例如，15秒)的平均振幅(绝对值化、使用最初的刺激的振幅等进行标准化)根据时间变化而持续算出，进行趋势显示。3.将多个平均振幅分成时间上的前后组(两组10个等)，通过t检验等进行比较，找到显著性变化图案时点。

这样的未知的不舒适疼痛等级的推移的客观的评价方法是利用了刺激呈现情景的手法，因此可称为“情景依赖型参照检查手法”。

(实施例3：不同情景的认知课题尝试中的潜在压力的判别)

在本实施例中，作为心理压力范例，设定不同的课题实施情景进行认知性竞合课题(史楚普课题)实验。

(方法)

(参加者)

从20多岁至30多岁的26名的健全成人受验者在不同的日子参加了2次史楚普课题的实验。参加者们在实验前作出了知情同意。全部参加者自己报告了未患过神经性及/或精神性的疾病、或未经历过临床药物治疗条件下的急性及/或慢性疼痛。本实施例在基于大阪大学医学部附属医院的伦理委员会以及赫尔辛基宣言的认可下实施。

(方法)

图10示出实施的史楚普课题的概要。在本实施例中，参加者使用了回答字体颜色的“字体颜色课题”。在认知性负荷低的一致条件下，文字的意思(例如，“红色”)与字体颜色相同。在认知性负荷高且回答时产生竞合的不一致条件下，文字的意思与字体颜色不同。课题全部由3个块构成，各块包含50个试验(各条件25个试验)。受试者被要求尽可能早地回答，在作出了错误回答的情况下，给出蜂鸣器鸣叫的错误反馈。在无压力条件下，在课题试验中没有监视者，而且实验实施者也未进入视野，单独地进行了实验。在有压力条件下，不知名的男性监视者就座于对角线左1米以内，戴着口罩始终未说话，监视参加者。

(eeg数据记录)

使用市售的bio-amplifier(eeg1200；nihonkoden)，从7个头皮ag/agcl电极(fp1、fp2、f3、f4、c3、c4、pz)记录了eeg。为了eog校正而使用最前部电极fp1和fp2。将脑电波导出用的基准电极戴于两方的耳垂，将接地电极放置在额头的中央部。采样率为1,000hz，在0.3～120hz的范围的带域进行了放大。全部电极的阻抗小于15kω。

(eeg分析)

关于连续的eeg数据，为了使eog噪声减衰而将以下的回归过滤器适用于原始的eeg数据：

[数学式5]

原始eeg＝β×(fp1+fp2)+c

估计eeg＝原始eeg-β×(fp1+fp2)

β：回归系数

c：截距

估计eeg：估计的eeg

fp1与fp2数据为了将垂直眼球运动或眨眼活动的电位放大而相加使用。在veog校正后，为了去除低频率和高频率成分而施加了0.3hz～40hz的带域频率滤波。按各条件截取了从文字呈现前200毫秒至呈现后800毫秒的脑电波数据epoch(50epoch×2条件×2情景条件)。使用刺激呈现前的平均振幅进行基线校正，观察到±50μv以上的振幅的epoch从之后的解析中除去。将留存的epoch按各个人进行了平均之后，使用包含2个条件(一致、不一致)和全部电极(f3、f4、c3、c4、pz)的全部数据的最大振幅绝对值进行了标准化。

(判别分析)

通过sigmoid函数拟合，制成心理压力情景的不舒适度判别器。作为特征量，如结果所示，情景的差异明显地表示为阴性电位效果的持续性，因此可考虑使用特定的时间范围的阴性效果的占有率(阴性电位的总时间(或阴性电位数据点数)/整体时间(或总数据点数)×体时间)。算出拟合函数中的拐点的数值，作为不舒适度判定值。基于判定值，进行不同情景中的压力程度即不舒适度的判别。

(结果)

(行动数据)

图11示出无心理压力情景和有心理压力情景中的、一致、不一致条件的回答所需的反应时间的比较结果。无论在哪个情景中，都是与一致条件相比不一致条件的回答所需的反应时间变长，能够确认到不一致条件的认知性负荷高。另一方面，情景间的反应时间未观察到显著性差异，在反应时间上未出现明显的压力的差异。这是与下述情况一致的结果，即，与参加者的课题中的压力相关的主观报告在情景间几乎未见差异。

然而，在图12的额叶部的现象关联电位的一致条件与不一致条件的比较中，在情景间观察到明显的差异。在课题试验中的没有监视的无压力情景中，观察到不一致条件的波形与一致条件的波形相比向下方向、即阳性电位方向移动的情况(刺激呈现后每300毫秒起)。另一方面，在存在监视的有压力条件下，未观察到这样的向阳性电位方向的移动，反之观察到向阴性方向的移动。该向阴性方向的移动从刺激呈现后200毫秒后持续。

将该阴性电位效果的持续性表现为称为占有率的特征量，进行了无压力26个样本、有压力26个样本的判别分析(图13)。使用sigmoid近似函数作为判别器，表现为如下数学式。

[数学式6]

y＝30.779+25.908/(1+10^{(27.003-x)×0.123})

基于拐点的心理性不舒适度判定值为“43.5”。特别值得一提的是，对于该不舒适度判定值，由于本次判别的压力虽然在回答时间或主观评价中未出现，但是产生出额叶部优越的抑制功能关联的脑活动变动，因此是判别潜在的心理性不舒适度的阈值。将判定值43.5以上设为“有压力”，将小于43.5设为“无压力”，判别了52个样本，结果整体的判别精度为“68％”，表现出比机会等级(50％)高20％左右的数值。

图14示出本实施例的应用例。重要的问题是：在职场或教育环境等下设定何种环境能减轻难以察觉的潜在压力，或者引起适度的压力并提高作业效率，或者提高动机性。因此，如图所示，准备实际的或模拟的多个环境条件，进行在本实施例中使用的认知课题等，使用振幅、频率或本发明中的占有率，将持续性阴性电位活动的出现图案进行条件间比较或排序。通过算出个人或团体的排序，能够客观地进行职场或教育现场中的实际的环境设定，在产业上、环境评价或商品评价等中能够期待应用展开。

(实施例4：基于个人模型的舒适不舒适疼痛的判别估计：基于样本放大法的自我复制型特征量的利用)

(方法)

(参加者)

从20多岁至70多岁的170名的健全成人受验者参加了高温刺激范例的实验。参加者们在实验前作出了知情同意。全部参加者自己报告了未患过神经性及/或精神性的疾病、或未经历过临床药物治疗条件下的急性及/或慢性疼痛。本实施例在基于大阪大学医学部附属医院的伦理委员会以及赫尔辛基宣言的认可下实施。

(实验刺激以及手续)

使用温度刺激系统(pathway：medocco.,ltd.,ramatyishai,israel)，向参加者的右前臂给与高温刺激。高温刺激包括6个等级的温度强度(40℃～50℃的每次上升2℃)。各温度等级由3次的刺激构成，具有持续5秒钟的停滞期，从基准温度(35℃)的上升及下降等待时间为约10秒。各等级下的3次刺激之后，块间间隔持续了100秒钟。参加者在计算机化的视觉模拟评分法(covas)上以0～100的范围(0＝“无痛”；100＝“无法忍受的疼痛”)连续地评价了疼痛强度。与刺激强度的变更同时地记录了covas数据。

(eeg数据记录)

在实验中连续地通过脑电波计测装置(neurofax，日本光电)从额叶部4电极记录了脑电波。导出电极设为左右耳垂，并连结于同侧的头皮上电极。接地电极设置在前额中央。采样频率为1000hz，以0.3～120hz进行了放大。阻抗保持为15kω以下。

(eeg分析)

(振幅的特征量提取用的前驱处理)

分析顺序如图19所示。具体如下所述。

·特征量提取

1.电极提取：向fp1、fp2、f3、f4这4个电极施加虚拟eog电极(主成分分析)。

2.眨眼(eog)除去：通过主成分分析提取eog成分(第一成分)→对源数据施加回归过滤器。

3.肌电图(emg)减衰：施加30hz的高切滤波器。

4.在等级1(40℃)和等级6(50℃)下，截取刺激呈现后5秒～15秒的脑电波，进行“绝对值化”(2×3刺激＝6epoch)。

5.使用休止区间(刺激呈现前30秒钟)进行“z值化”。

·特征量的放大/复制

1.实测样本1：

一边每一个点错开5秒区间一边进行“移动平均”。

关于各等级，作成“30,003样本(10,001样本×3刺激)”。

2.实测样本2：

2.1针对各等级，作成“30个样本”，且使1秒区间没有点的重叠，

2.2使用各电极的实测样本的分布特性，生成正态随机数或皮尔逊系统随机数，将10,000个样本的“自我复制型特征量”进行放大、制作。

*“样本放大法”是即使在样本少的情况下使用其分布特性也能大幅地使样本数增加的方法。

·判别模型作成&评价

1.通过机械学习，制作个人的判别模型(基于lasso和贝叶斯最优化来确定系数)。

2.使用其他样本，确认模型的泛化能力。

·判别模型制作的实际

将1名参加者(id185)的eeg数据用于判别模型制作。需要说明的是，可以通过170名全员来制作个人判别模型，但在本实施例中仅用1名即制作了个别模型，由此表示仅通过1名制作成的判别模型以何种程度有效地发挥功能且也能够泛化至其他受试者。首先降低眼动噪声(eog)。使用4个电极的数据进行主成分分析，提取eog的第一成分之后，为了仅突显并保留eog成分，而施加了0.5～30hz的带通滤波器。然后，使用回归过滤器除去了eog成分。在eog除去后，施加30hz的高域截止滤波器，减轻了肌电噪声。最后，为了进行“噪声反向利用”，追加通过主成分分析得到的eog成分的虚拟通道，放大成5个电极。对于刺激呈现后5秒至15秒为止的epoch，针对“无疼痛”的等级1(40℃)和“无法忍受的不舒适的疼痛”的等级6(50℃)每3刺激进行截取，将振幅进行了绝对值化。

(自我复制型特征量的样本放大)

从上述噪声处理后的epoch数据，如图19的顺序所示，通过2种方法得到了样本放大用的实测值样本。第一，对于各epoch，使用5秒的区间单位，施加每1个点错开的移动平均，对于各刺激得到了10001个样本(对于等级1和6，各为30003样本)。第二，是真正的意义下的从小的实测样本得到大的复制型样本的方法，以每1秒不重复的方式截取相同的10秒刺激区间，得到了10个样本的平均值。对于这些样本，进行2种类的样本放大法。第一个是使用等级1和6的平均值和标准偏差、产生“正态随机数”(在本实施例中为10000次)、得到20000个样本的“自我复制型特征量”的方法。第二个是使用平均值、标准偏差、峰度、偏度的分布特性值、产生“皮尔逊系统随机数”而得到放大特征量的方法。处于样本放大法的背景的理由是，1)观测数据有时表现出随机产生的噪声或粗糙的分布，因此对于模型制作而言不是理想的情况，2)在实际的疼痛监视时，大多情况下没有得到充分数目(例如，1000或10000)的样本的时间，对于从少的样本自我复制出大量样本的技术，是为了制作与个人相符的判别模型而重要的模型制作技术的一模块。

(个人判别模型制作及泛化测试)

如图19记载那样，使用上述自我复制型特征量，从一人的样本通过机械学习制作个人判别模型，进行了其他的169名的无疼痛和不舒适的疼痛的判别。具体的方法如图20所示。

·模型制作

1.使用个人(id185)的复制型20,000个样本作为学习数据，通过lasso和贝叶斯最优化，确定逻辑回归模型的超参数(λ)，确定特征量(振幅5个)的加权系数和模型截距。

*对于20,000个样本，利用了使用正态随机数和皮尔逊系统随机数进行了放大的样本。

·模型评价

2.使用已确定的个人模型，进行其他169名的测试数据的判别估计。

*对于测试数据，使用对相同实验设计的脑电波数据施加刺激后5～15秒的绝对平均振幅(休止，z值化)(3刺激×2等级×169名)。

3.将169名的平均正确回答率作为模型的判别精度。

·模型制作/评价的实际

即，将1名受试者(id185)的放大后的20000个样本作为学习数据，使用l1正则化和贝叶斯最优化，确定超参数(λ)，确定了逻辑回归模型的5特征量系数。需要说明的是，在超参数确定中，也可以使用其他的方法，例如，网格搜索。对于两者的差异，在方法上存在较大差异，即，在确定作为判别模型的目标函数时进行的超参数确定过程中，贝叶斯最优化是避免向局部解(例如，特定区域的参数值周边或其组合)的偏向并高效地找到全局解(在整个区域中增益最大的参数设定)的方法，相对于此，网格搜索网罗性地研究全部组合(例如，支持向量机的cost与γ的组合)或设定范围(本实施例的λ的范围)、并通过交叉检验进行验证。使用得到的个人判别模型，对于其余169名的无疼痛和不舒适的疼痛的样本，每个人地进行了判别估计。如图20记载那样，为了降低噪声等级，算出各等级的各刺激的呈现后5秒～15秒整体的平均振幅，每个人使用了6个样本(3刺激×2等级)作为测试数据。首先，得到基于20000的实测样本的分布特性、使用通过正态随机数(平均、sd的利用)和皮尔逊系统随机数(平均、sd、峰度、偏度的利用)的产生法而放大的复制样本的结果。接下来，使用判别精度高的随机数产生法，尝试从30个样本向20000个样本的如文字那样“从少数向多数的样本放大法”，研讨使用了个人判别模型的疼痛判别估计的可能性。

(结果和考察)

为了研究制作个人判别模型的受试者(id185)对于实验使用的热刺激是否感觉到不舒适，算出了covas的得分。以各等级各刺激算出刺激呈现时间中的最大值并绘制成的图为图21。从40℃至44℃，得分接近于0，几乎未感觉到疼痛，但是当为48℃时疼痛的不舒适度急剧增加，在等级6的50℃下，不舒适度终于到达顶点。因此，在个人判别模型制作中，使用等级1和6的实测样本，进行了样本放大。各等级30003样本(3刺激×10001样本)的分布如图22所示，通过观察可知等级6的平均值和sd都大，扩展也大。

因此，首先使用正态随机数，将两等级的分布特性进行自我复制，在各电极中将样本放大至10000的结果为图23。通过该放大法，得到具有正态分布的特性的复制样本，以个人等级能够进行判别模型制作。使用逻辑回归模型，通过贝叶斯最优化确定超参数而得到的个人判别模型如图24所示。5个电极特征量的加权系数为“fp1＝0.79”、“fp2＝1.23”、“f3＝0.47”、“f4＝2.89”、“eog＝3.01”，模型截距为“-1.36”。使用该逻辑回归模型，将其余169名的疼痛不舒适度使用等级1和等级6的样本(2等级×3样本)进行判别估计，结果平均判别精度达到了“70％”。正确回答率为70％以上的受试者达到约一半，机会等级以上达到约7成。

接下来，使用相同的各等级的30003样本，使用皮尔逊系统随机数产生法进行了样本放大。这是除了平均和sd之外还使用峰度和偏度的信息、进行样本放大的方法。图25示出在各等级下放大的样本(各10000)的分布特性。两等级的分布中，等级6下部更宽，良好地观察到未重叠的区域。由该复制样本制作的判别模型如图26所示。5个特征量的系数为“fp1＝1.84”、“fp2＝1.61”、“f3＝4.71”、“f4＝2.53”、“eog＝5.22”，模型截距为“-3.33”。使用该模型的169名的平均判别精度为“72％”，与正态随机数的情况相比提高了约2％。正确回答率为70％以上的受试者达到约5成，机会等级以上增加4名左右为114名，达到约7成。

最后，使用判别精度比较高的皮尔逊系统随机数产生法，尝试了将如文字那样从少的样本至多数样本放大的方法。在此，将刺激呈现后5～15秒间分割10部分，算出每1秒的绝对平均振幅，各等级、各电极的样本数仅止于30个。算出各30个样本的分布特性(平均、sd、峰度、偏度)，在各等级、各电极将10000个样本进行了复制、放大。其结果如图27所示。与图25的多样本的情况相比，倒是表现出具有自然地平滑的曲线的分布特性。使用该样本制作逻辑回归模型时，得到了图28那样的模型(“fp1＝0.85”、“fp2＝0.62”、“f3＝1.54”、“f4＝1.09”、“eog＝0.81”，模型截距为“-0.93”)。169名的判别精度稍微上升，达到“72％”。正确回答率70％的受试者增加了6名，有助于精度提高。

本实施例是一个实验，解决了如下课题，即，在设想存在各种制约的疼痛监视状况下，如何以短时间从对象者高效地收集样本，制作个人特殊化的不舒适痛判别模型。本实验中各等级的疼痛刺激采用了仅3次、且15秒钟的短的呈现条件。在临床现场，需要当场即兴地制作疼痛判别模型，即使将无疼痛、有疼痛的参照刺激以与本实施例相同的条件用于临床组，也仅需要2分钟左右的时间。值得提出的是，即使在该有限的样本中，如果使用本实施例的样本放大法，生成自我复制型特征量，则也能够制作成个人特殊化的判别模型，可以说成为疼痛判别装置中的重要的要素技术之一。另外，在实施例2、3中提取的数目比较少的现象关联电位的特征量中，在有效使用的意义上，本实施例的样本放大也可以称为扩张性高的技术。

(注释)

如以上所述，使用本发明的优选实施方式而例示了本发明，但是可知本发明应仅通过权利要求书来解释其范围。可知在本说明书中引用的专利、专利申请及文献与其内容自身具体地记载于本说明书的情况同样，其内容作为对于本说明书的参考而援引其中。本申请对于日本专利申请特愿2017-146553(2017年7月28日)进行优先权主张，它们的内容整体在本说明书中作为参照而援引。

产业上的可利用性

本发明能够判定舒适不舒适，能够更细致地进行与舒适不舒适相关的诊断、治疗。

附图标记说明

1000：刺激呈现部

1500：对象

2000：脑电波数据取得部

2500：脑电波计

3000：舒适不舒适判定值生成部

4000：舒适不舒适判定部

5099：对象

5100：舒适不舒适判定系统

5200：脑电波测定部

5220：脑电波计

5250：脑电波记录传感器

5270：脑电波放大部

5300：舒适不舒适判定装置

5400：脑电波信号处理部

5500：脑电波特征量提取部

5600：舒适不舒适判定部

5700：舒适不舒适判定值生成部

5800：判定等级可视化部

5900：刺激装置部

5920：刺激呈现部

5960：刺激信息可视化部