特許ウォッチ

公開番号2025016273
公報種別公開特許公報(A)
公開日2025-01-31
出願番号2023119437
出願日2023-07-21
発明の名称認知機能評価システム
出願人国立大学法人大阪大学
代理人個人,個人
主分類A61B 10/00 20060101AFI20250124BHJP(医学または獣医学;衛生学)
要約【課題】評価対象者の認知機能を精度よく評価できる認知機能評価システムを提供する。
【解決手段】システム100は、動作検出部20、第1動作特徴抽出部2a、第2動作特徴抽出部2b、及び出力部4を含む。動作検出部20は、運動タスクとデュアルタスクとを遂行する評価対象者SJを撮像し、撮像結果から取得される評価対象者SJの複数の関節の三次元座標を示す複数のフレームを時系列に沿って生成する。第1動作特徴抽出部2aは、運動タスクに対応するフレーム群に基づいて、撮像された複数の関節の空間的な位置関係の特徴と、撮像された複数の関節の時間的な変動の特徴とを示す第1動作特徴hsを抽出する。同様に、第2動作特徴抽出部2bは、デュアルタスクに対応するフレーム群に基づいて、第2動作特徴hdを抽出する。出力部4は、第1動作特徴hs及び第2動作特徴hdに基づいて、評価対象者SJの認知機能を示す評価データを出力する。
【選択図】図5
特許請求の範囲【請求項１】
評価対象者の認知機能を評価する認知機能評価システムであって、
運動タスクとデュアルタスクとを遂行する前記評価対象者を撮像し、撮像結果から取得される前記評価対象者の複数の関節の三次元座標を示す複数のフレームを時系列に沿って生成する動作検出部と、
前記複数のフレームに基づいて前記評価対象者の認知機能を評価する評価部と
を備え、
前記評価部は、ニューラルネットワークを構築する機械学習モデルを有し、
前記ニューラルネットワークは、
前記複数のフレームのうち、前記運動タスクに対応する複数のフレームである運動タスクフレーム群に基づいて、前記複数の関節の空間的な位置関係の特徴と、前記複数の関節の時間的な変動の特徴とを示す第１動作特徴を抽出する第１動作特徴抽出部と、
前記複数のフレームのうち、前記デュアルタスクに対応する複数のフレームであるデュアルタスクフレーム群に基づいて、前記複数の関節の空間的な位置関係の特徴と、前記複数の関節の時間的な変動の特徴とを示す第２動作特徴を抽出する第２動作特徴抽出部と、
前記第１動作特徴及び前記第２動作特徴に基づいて、前記評価対象者の認知機能を示す評価データを出力する出力部と
を含み、
前記運動タスクは、第１運動を前記評価対象者に課すタスクを示し、
前記デュアルタスクは、第２運動と知能問題に対する回答とを同時に前記評価対象者に課すタスクを示す、認知機能評価システム。
続きを表示（約 1,100 文字）【請求項２】
前記出力部は、前記評価データとして、前記評価対象者を陽性又は陰性に分類するデータを出力する、請求項１に記載の認知機能評価システム。
【請求項３】
前記出力部は、前記評価データとして、前記評価対象者を、認知症のクラス、又は軽度認知障害と非認知症とを含むクラスに分類するデータを出力するか、あるいは、前記評価対象者を、認知症と軽度認知障害とを含むクラス、又は非認知症のクラスに分類するデータを出力する、請求項２に記載の認知機能評価システム。
【請求項４】
前記ニューラルネットワークのパラメータ値は、陽性を正しく認識できる割合を示す感度と、陰性を正しく認識できる割合を示す特異度との和を最適化する第１損失関数に基づいて決定されている、請求項２又は請求項３に記載の認知機能評価システム。
【請求項５】
前記出力部は、前記第１動作特徴と前記第２動作特徴との差を示す特徴差を取得する取得部を含み、前記第１動作特徴、前記第２動作特徴、及び前記特徴差に基づいて前記評価データを出力する、請求項１から請求項３のいずれか１項に記載の認知機能評価システム。
【請求項６】
前記出力部は、前記第１動作特徴と前記第２動作特徴との差を示す特徴差を取得する取得部を含み、前記第１動作特徴、前記第２動作特徴、及び前記特徴差に基づいて前記評価データを出力し、
前記ニューラルネットワークのパラメータ値は、前記第１損失関数と、前記特徴差を最大化する第２損失関数とに基づいて決定されている、請求項４に記載の認知機能評価システム。
【請求項７】
前記第１動作特徴抽出部は、前記複数の関節の空間的な位置関係を示す空間グラフを前記フレームごとに生成して、前記空間グラフを畳み込むとともに、隣り合う前記フレーム間における同一の前記関節の変動を示す時間グラフを生成して、前記時間グラフを畳み込むことにより、前記第１動作特徴を抽出し、
前記第２動作特徴抽出部は、前記複数の関節の空間的な位置関係を示す空間グラフを前記フレームごとに生成して、前記空間グラフを畳み込むとともに、隣り合う前記フレーム間における同一の前記関節の変動を示す時間グラフを生成して、前記時間グラフを畳み込むことにより、前記第２動作特徴を抽出する、請求項１から請求項３のいずれか１項に記載の認知機能評価システム。
【請求項８】
前記第１運動と前記第２運動とは、互いに同じ運動を含む、請求項１から請求項３のいずれか１項に記載の認知機能評価システム。

発明の詳細な説明【技術分野】
【０００１】
本発明は、認知機能評価システムに関する。
続きを表示（約 2,000 文字）【背景技術】
【０００２】
認知機能の低下を早期に発見することは、認知症の進行を遅らせるために重要である。例えば、非特許文献１には、デュアルタスクを利用して認知機能の低下を早期に発見するシステムが開示されている。具体的には、非特許文献１のシステムは、シングルタスクとデュアルタスクとを被験者に遂行させて収集したデータから、認知症に関する１２種類の特徴を算出し、機械学習を用いてＭＭＳＥ（Ｍｉｎｉ－ＭｅｎｔａｌＳｔａｔｅＥｘａｍｉｎａｔｉｏｎ）スコアを推定する。
【０００３】
詳しくは、非特許文献１のシステムにおいて、シングルタスクは運動タスクであり、足踏みを被験者に課す。デュアルタスクは、運動タスクと認知タスクとを同時に遂行することを被験者に課すタスクである。デュアルタスクの運動タスクは、シングルタスクと同様に、足踏みを被験者に課す。デュアルタスクの認知タスクは、計算問題又は「じゃんけん」に対する回答を被験者に課す。非特許文献１のシステムは、シングルタスクデータ及びデュアルタスクデータのそれぞれから、以下の６種類の特徴を算出する（合計１２種類）。
（１）足踏み平均速度
（２）足踏み速度標準偏差
（３）膝角度平均
（４）膝角度標準偏差
（５）認知タスク正答率
（６）認知タスク解答回数平均
【先行技術文献】
【非特許文献】
【０００４】
松浦拓他６名、「デュアルタスク歩行解析に基づく高齢者の認知機能スコア推定」、電子情報通信学会、技術研究報告、川崎、Ｖｏｌ．１１９、Ｎｏ．ＨＣＳ２０１９－９９、ｐｐ．８３－８８、Ｍａｒ．２０２０
【発明の概要】
【発明が解決しようとする課題】
【０００５】
しかしながら、非特許文献１のシステムでは、限られた特徴に基づいて認知機能スコアを推定しているため、精度が低い。したがって、改善の余地がある。
【０００６】
本発明は上記課題に鑑みてなされたものであり、その目的は、評価対象者の認知機能をより精度よく評価することができる認知機能評価システムを提供することにある。
【課題を解決するための手段】
【０００７】
本発明に係る認知機能評価システムは、評価対象者の認知機能を評価する。当該認知機能評価システムは、動作検出部と、評価部とを備える。前記動作検出部は、運動タスクとデュアルタスクとを遂行する前記評価対象者を撮像し、撮像結果から取得される前記評価対象者の複数の関節の三次元座標を示す複数のフレームを時系列に沿って生成する。前記評価部は、前記複数のフレームに基づいて前記評価対象者の認知機能を評価する。前記評価部は、ニューラルネットワークを構築する機械学習モデルを有する。前記ニューラルネットワークは、第１動作特徴抽出部と、第２動作特徴抽出部と、出力部とを含む。前記第１動作特徴抽出部は、前記複数のフレームのうち、前記運動タスクに対応する複数のフレームである運動タスクフレーム群に基づいて、前記複数の関節の空間的な位置関係の特徴と、前記複数の関節の時間的な変動の特徴とを示す第１動作特徴を抽出する。前記第２動作特徴抽出部は、前記複数のフレームのうち、前記デュアルタスクに対応する複数のフレームであるデュアルタスクフレーム群に基づいて、前記複数の関節の空間的な位置関係の特徴と、前記複数の関節の時間的な変動の特徴とを示す第２動作特徴を抽出する。前記出力部は、前記第１動作特徴及び前記第２動作特徴に基づいて、前記評価対象者の認知機能を示す評価データを出力する。前記運動タスクは、第１運動を前記評価対象者に課すタスクを示す。前記デュアルタスクは、第２運動と知能問題（認知問題）に対する回答とを同時に前記評価対象者に課すタスクを示す。
【０００８】
ある実施形態において、前記出力部は、前記評価データとして、前記評価対象者を陽性又は陰性に分類するデータを出力する。
【０００９】
ある実施形態において、前記出力部は、前記評価データとして、前記評価対象者を、認知症のクラス、又は軽度認知障害と非認知症とを含むクラスに分類するデータを出力するか、あるいは、前記評価対象者を、認知症と軽度認知障害とを含むクラス、又は非認知症のクラスに分類するデータを出力する。
【００１０】
ある実施形態において、前記ニューラルネットワークのパラメータ値は、陽性を正しく認識できる割合を示す感度と、陰性を正しく認識できる割合を示す特異度との和を最適化する第１損失関数に基づいて決定されている。
（【００１１】以降は省略されています）

関連特許