Search

JP-2026077490-A - 痛みレベルを評価する解析システム、解析装置、解析方法および解析プログラム

JP2026077490AJP 2026077490 AJP2026077490 AJP 2026077490AJP-2026077490-A

Abstract

【課題】痛み推定値を、安定的かつ高精度に算出して表示することが可能なシステムを提供する． 【解決手段】被験者の感じる痛みのレベルを評価するための解析システム１００は、脳波計１０と、痛みのレベルの解析を行う痛み解析サーバ１０００と、脳波計からの信号を受けて、痛み解析サーバ１０００に伝送し、解析結果をユーザに提示するための表示画面２２を有する院内端末２０とを備える。痛み解析サーバ１０００は、脳波信号に含まれる筋電信号を、筋電レベルに応じて評価し、機械学習により生成された学習済みモデルにより痛みのレベルを算出する。学習済みモデルは、筋電レベルに応じた学習データセットに基づいて学習し、痛みのレベルの判別結果を出力する。 【選択図】図１

Inventors

  • アナーム アサード
  • 山▲崎▼ 健司
  • 石濱 遼平

Assignees

  • ＰａＭｅＬａ株式会社

Dates

Publication Date
20260513
Application Date
20241025

Claims (17)

  1. 被験者の感じる痛みのレベルを評価するための解析システムであって、 前記被験者の脳波信号を検知するための計測装置と、 前記計測装置からの信号に基づいて、前記痛みのレベルの解析を行う解析装置と、 前記計測装置からの信号を受けて、前記解析装置に伝送し、前記解析装置からの解析結果をユーザに提示するための表示部を有する情報提示装置とを備え、 前記解析装置は、 前記脳波信号に含まれる筋電信号を、筋電レベルに応じて評価する筋電レベル判定部と、 前記計測装置からの信号を受けて、機械学習により生成された学習済みモデルにより前記痛みのレベルを算出する判別処理部と、を含み、 前記学習済みモデルは、前記筋電レベルに応じた学習データセットに基づいて学習し、前記痛みのレベルの判別結果を出力する、解析システム。
  2. 前記学習済みモデルのうち、時間経過にともなって、前記痛みのレベルを算出する前記学習済みモデルを、前記筋電レベル判定部により判定された前記筋電レベルに応じて切り替えるモデル選択部をさらに含む、請求項１記載の解析システム。
  3. 前記計測装置は、脳波計であって、前記被験者の頭部の複数の所定の位置からの経時的な脳波信号を検知し、 前記筋電レベル判定部は、前記脳波計からの信号について、時間経過とともに、前記脳波信号に含まれる筋電信号を、複数の筋電レベルのランクとして評価し、 前記学習済みモデルは、前記筋電レベルの複数のランクごとの学習データセットに基づいて、アンサンブル学習により生成した前記ランクにそれぞれ対応する複数のアンサンブル学習済みモデルを含み、 各前記アンサンブル学習済みモデルは、互いに異なる機械学習アルゴリズムで学習した複数のサブモデルの判別結果を統合するものであり、 前記判別処理部は、前記複数の学習済みモデルのうち、前記時間経過にともなって、前記痛みのレベルを算出する前記学習済みモデルを、前記筋電レベル判定部により判定された前記筋電レベルのランクに応じて切り替えるモデル選択部をさらに含む、請求項１記載の解析システム。
  4. 前記脳波信号は、所定の時間間隔のセグメントに分割され、 前記筋電レベル判定部は、前記脳波信号の各セグメント中の所定の周波数帯域の信号のパワーに応じて、筋電レベルの判定を行う、請求項１～３のいずれか１項に記載の解析システム。
  5. 前記解析装置は、前記筋電レベル判定部の評価した筋電レベルを示す情報を経時的に出力し、 前記情報提示装置は、前記筋電レベルを示す情報を前記表示部に出力する、請求項４記載の解析システム。
  6. 前記脳波計は、前記被験者の頭部の複数の所定の位置にそれぞれ装着され、前記脳波信号を計測するための複数の電極のインピーダンスを計測したモニタリング信号を経時的に出力し、 前記解析装置は、前記モニタリング信号に応じて、信号の品質を判断し、所定の品質以下の信号を解析対象から除外する信号品質監視部をさらに含む、請求項３記載の解析システム。
  7. 前記互いに異なる機械学習アルゴリズムは、深層学習アルゴリズム、クロネットアルゴリズム、ＥＥＧインセプションネットワークアルゴリズム、ＥＥＧネットモデル、およびＥＥＧ ＬＳＴＭアルゴリズムのうちの少なくとも２つを含む、請求項３記載の解析システム。
  8. 被験者の頭部の複数の所定の位置からの脳波信号を検知するための計測装置からの信号に基づいて、前記被験者の感じる痛みのレベルを評価するための解析装置であって、 前記脳波信号に含まれる筋電信号を、筋電レベルに応じて評価する筋電レベル判定部と、 前記計測装置からの信号を受けて、機械学習により生成された学習済みモデルにより前記痛みのレベルを算出する判別処理部と、を含み、 前記学習済みモデルは、前記筋電レベルに応じた学習データセットに基づいて学習し、前記痛みのレベルの判別結果を出力する、解析装置。
  9. 前記学習済みモデルのうち、時間経過にともなって、前記痛みのレベルを算出する前記学習済みモデルを、前記筋電レベル判定部により判定された前記筋電レベルに応じて切り替えるモデル選択部をさらに含む、請求項８記載の解析装置。
  10. 前記計測装置は、脳波計であって、前記被験者の頭部の複数の所定の位置からの経時的な脳波信号を検知し、 前記筋電レベル判定部は、前記脳波計からの信号について、時間経過とともに、前記脳波信号に含まれる筋電信号を、複数の筋電レベルのランクとして評価し、 前記学習済みモデルは、前記筋電レベルの複数のランクごとの学習データセットに基づいて、アンサンブル学習により生成した前記ランクにそれぞれ対応する複数のアンサンブル学習済みモデルを含み、 各前記アンサンブル学習済みモデルは、互いに異なる機械学習アルゴリズムで学習した複数のサブモデルの判別結果を統合するものであり、 前記判別処理部は、前記複数の学習済みモデルのうち、前記時間経過にともなって、前記痛みのレベルを算出する前記学習済みモデルを、前記筋電レベル判定部により判定された前記筋電レベルのランクに応じて切り替えるモデル選択部をさらに含む、請求項８記載の解析装置。
  11. 前記脳波信号は、所定の時間間隔のセグメントに分割され、 前記筋電レベル判定部は、前記脳波信号の各セグメント中の所定の周波数帯域の信号のパワーに応じて、筋電レベルの判定を行う、請求項８～１０のずれか１項に記載の解析装置。
  12. 前記脳波計は、前記被験者の頭部の複数の所定の位置にそれぞれ装着され、前記脳波信号を計測するための複数の電極のインピーダンスを計測したモニタリング信号を経時的に出力し、 前記解析装置は、前記モニタリング信号に応じて、信号の品質を判断し、所定の品質以下の信号を解析対象から除外する信号品質監視部をさらに含む、請求項１０記載の解析装置。
  13. 前記互いに異なる機械学習アルゴリズムは、深層学習アルゴリズム、クロネットアルゴリズム、ＥＥＧインセプションネットワークアルゴリズム、ＥＥＧネットモデル、およびＥＥＧ ＬＳＴＭアルゴリズムのうちの少なくとも２つを含む、請求項１０記載の解析装置。
  14. 前記解析装置は、前記痛みのレベルの情報と、前記筋電レベル判定部の評価した筋電レベルのランクを示すための情報とを、前記脳波計からの信号を受けて前記解析装置に伝送するための情報提示装置が、ユーザに提示するためのフォーマットで送信する、請求項１０記載の解析装置。
  15. 前記解析装置は、前記筋電レベル判定部の評価した筋電レベルのランクを示す情報を、前記情報提示装置の表示部に表示されるように経時的に出力する、請求項１４記載の解析装置。
  16. 被験者の感じる痛みのレベルをコンピュータにより評価するための解析方法であって、 前記コンピュータは、演算装置と記憶装置とを含み、 前記演算装置が、前記被験者の脳波信号を検知するための計測装置からの脳波信号データを前記記憶装置に格納するステップと、 前記演算装置が、前記脳波信号データに含まれる筋電信号の成分を、筋電レベルに応じて評価するステップと、 前記演算装置が、前記脳波信号データを受けて、機械学習により生成された学習済みモデルにより前記痛みのレベルを算出するステップとを備え、 前記学習済みモデルは、前記筋電レベルに応じた学習データセットに基づいて学習し、前記痛みのレベルの判別結果を出力するものであり、 前記痛みのレベルの解析結果をユーザに提示するステップとを備える、解析方法。
  17. 被験者の感じる痛みのレベルの評価をコンピュータに実行させる解析プログラムであって、 前記コンピュータは、演算装置と記憶装置とを含み、 前記解析プログラムは、前記コンピュータに、 前記演算装置が、前記被験者の脳波信号を検知するための計測装置からの脳波信号データを前記記憶装置に格納するステップと、 前記演算装置が、前記脳波信号データに含まれる筋電信号の成分を、筋電レベルに応じて評価するステップと、 前記演算装置が、前記脳波信号データを受けて、機械学習により生成された学習済みモデルにより前記痛みのレベルを算出するステップと、 前記痛みのレベルの解析結果をユーザに提示するステップとを実行させるものであり、 前記学習済みモデルは、前記筋電レベルに応じた学習データセットに基づいて学習し、前記痛みのレベルの判別結果を出力するものである、解析プログラム。

Description

本発明は、被験者から得られる脳波信号を分析し、痛みレベルを解析して指標化する技術に関する。 痛みは、本質的には主観的なものである。しかし、治療を行う上では客観的に評価されることが望まれる。疼痛が過小評価されることにより、患者が不利益を被る場面が多くみられる。そこで、脳波を用いて疼痛を客観的に推定する方法が提案されている（例えば、特許文献１を参照）。 しかし、疼痛の強さは主観的なものであり、客観的な評価が難しい。また、疼痛の時間的変化を効果的にモニタリングする手法は、必ずしも確立されている状態とはいえない。 たとえば、コンピュータ化された可視化アナログスケール（ＣＯＶＡＳ：Ｃｏｍｐｕｔｅｒｉｚｅｄ Ｖｉｓｕａｌ Ａｎａｌｏｇ Ｓｃａｌｅ）上で、０から１００の範囲（０：「無痛」；１００：「耐えられない疼痛」）で疼痛強度を連続的に評価した。ＣＯＶＡＳデータを刺激強度の変更と同時に記録などの方法がとられることもある。 そして、特許文献１では、ＣＯＶＡＳデータと脳波データの特徴量との相関の解析が実施されている。また、脳波図から集められた脳波データを分析することで痛みを検出する装置及び方法が提案されている例もある（例えば、特許文献２を参照）。 さらに、脳波を用いて、痛みを評価しようとする技術については、他の報告もある（例えば、非特許文献１、非特許文献２を参照）。 しかし、脳波信号はぶれが大きく、主観と、常時、対応しているとは必ずしもいえない。 ただし、人の痛みのレベルの客観的な評価は、病院治療やヘルスケア領域など、特に鎮痛薬の管理の目的でその活用が大変注目されている。 医療現場でのさまざまなモダリティ機器と比較して、痛みのレベルを定量的に評価するために、脳波を使用することは、その安全性／非侵襲性から臨床現場での使用に適しているといえる。 特開２０２０－２０３１２１号公報明細書特許第５６４２５３６号明細書 Ｍｏｒｉｔｚ Ｍ． Ｎｉｃｋｅｌ他，“Ｂｒａｉｎ ｏｓｃｉｌｌａｔｉｏｎｓ ｄｉｆｆｅｒｅｎｔｉａｌｌｙ ｅｎｃｏｄｅ ｎｏｘｉｏｕｓ ｓｔｉｍｕｌｕｓ ｉｎｔｅｎｓｉｔｙ ａｎｄ ｐａｉｎ ｉｎｔｅｎｓｉｔｙ”， ＮｅｕｒｏＩｍａｇｅ １４８ （２０１７） １４１―１４７Ｄｕｏ Ｃｈｅｎ 他，“Ｓｃａｌｐ ＥＥＧ－Ｂａｓｅｄ Ｐａｉｎ Ｄｅｔｅｃｔｉｏｎ Ｕｓｉｎｇ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ”，ＩＥＥＥ ＴＲＡＮＳＡＣＴＩＯＮＳ ＯＮ ＮＥＵＲＡＬ ＳＹＳＴＥＭＳ ＡＮＤ ＲＥＨＡＢＩＬＩＴＡＴＩＯＮ ＥＮＧＩＮＥＥＲＩＮＧ， ＶＯＬ． ３０， ２０２２，ｐ．２７４－２８５ 本実施の形態の痛み解析システム１００の動作する全体構成を説明するための概念図である。被験者１に装着される電極の配置を説明するための概念図である。脳波計１０および院内端末２０の構成を説明するための機能ブロック図である。痛みレベル解析サーバ５０の構成を説明するための機能ブロック図である。痛み解析サーバ１０００のハードウェア構成を説明するためのブロック図である。痛み解析サーバ１０００における痛みスコアＰＳの算出に用いる人工知能モデルの学習過程と予測過程とを示す概念図である。被験者に与えられる熱刺激の例を示す図である。痛み領域／無痛領域をＣｏＶＡＳ平均値により選択した例を示す図である。学習に用いる学習データセットを示す概念図である。１つめの機械学習アルゴリズムに対応する学習モデルであるクロノネットモデルのモデル構成を説明するための図である。２つめの機械学習アルゴリズムに対応する学習モデルであるインセプションネットワークモデルを示す図である。３つめの機械学習アルゴリズムに対応する学習モデルであるＥＥＧネットモデルを示す図である。４つめの機械学習アルゴリズムに対応する学習モデルであるＥＥＧＬＳＴＭモデル示す図である。５つめの機械学習アルゴリズムに対応する学習モデルである機能ベースモデル示す図である。学習されたアンサンブル機械学習モデルによる痛みスコアＰＳの予測処理を説明するためのフローチャートである。院内端末２０と痛みレベル解析サーバ５０との連携処理を説明するための図である。リアルタイム計測中に、院内端末２０の表示画面２２に表示される内容の一例を示す図である。カプセル化された個別モデルとアンサンブルモデルの予測パフォーマンスの評価結果を示す図である。 以下、本発明の実施形態について、本発明の脳画像解析データ利用システムについて説明する。 本実施形態では、痛み解析装置（または、痛み解析サーバ）は、被験者からの脳波のデータを受けて、これを解析する装置として機能する。この痛み解析装置は、被験者の客観的な痛みのスコアを評価する装置である。 そして、以下の説明では、クラウド上で、痛み解析サーバが痛みスコアを評価する構成として説明するが、実施の形態としては、このような構成に限定されるものではない。たとえば、病院などの施設内で、オンプレミスのシステムとして、痛み解析システム（施設内のローカルネットワーク上で動作する痛み解析サーバ）として動作するものであってもよい。あるいは、単体のコンピュータシステムとして、痛み解析装置として構成されるものであってもよい。 本明細書では、上記のようなシステムの構成を総称する場合は、「痛み解析システム」と呼ぶものとする。 図１は、本実施の形態の痛み解析システム１００の動作する全体構成を説明するための概念図である。 以下では、被験者の脳波を計測する施設としては、一例として、病院であるものとして説明する。 図１を参照して、病院内では、被験者１の頭部、より特定的には、前額部に脳波（ＥＥＧ：Ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｍ）を取得するための複数の電極２が装着される。 装着された複数の電極２からの信号は、脳波計１０により、増幅され、所定のアナログフィルタリング処理がされて、信号をサンプリングするＡＤ変換器によりデジタル信号に変換される。 デジタル信号に変換された脳波信号は、院内端末２０において、所定の処理がされた後に、ネットワーク１を介して、痛みレベル解析サーバ５０に送信される。 なお、後述するように、院内端末２０の表示画面には、測定中の情報が、院内において本システムを操作する操作者に提示される。「操作者」の典型としては、医師であるが、医師の監督の下で、本装置を操作する者も含まれる。 痛みレベル解析サーバ５０は、後述するように、被験者１の脳波信号から、痛みのレベルを表す「痛みスコアＰＳ（Ｐａｉｎ Ｓｃｏｒｅ）」を算出する痛み解析サーバ１０００と、痛みレベル解析サーバ５０に送信されてくる脳波データを、被験者１の属性（たとえば、患者ＩＤ、氏名、性別、年齢、医師の診察所見など）と関連付けて格納するデータベースサーバ２０００とを含む。 なお、「被験者１の属性」のデータの構成や対応するセキュリティ上の仕様としては、例示したものに限られず、システムの構成や要求仕様（たとえば、セキュリティ仕様）に応じて、適宜、変更したデータの構成とすることが可能である。 痛み解析サーバ１０００からは、院内端末２０に対して、「痛みスコアＰＳ」の他に、脳波信号中の筋電信号の成分の強度の情報などが合わせて、返信される。 以下で説明するように、痛み解析サーバ１０００が実行する処理は、アンサンブル学習による人工知能を用いて、脳波信号に基づく痛みスコアＰＳの予測性能を高精度化並びに高速化するためにモデル選択アルゴリズムを実行することにより実現される。 このような構成により、信頼性の高い痛みスコアＰＳを予測する。そして、顔面の筋肉や骨格筋の信号干渉が存在する状況において、痛みスコアＰＳの予測を最適化するために、筋電図（ＥＭＧ：Ｅｌｅｃｔｒｏｍｙｏｇｒａｐｈｙ）成分のレベルを定期的にチェックし、事前にそれぞれのレベルに対応して学習されたアンサンブル学習モデル内の「弱学習器（ｗｅａｋ ｌｅａｒｎｅｒ）」が選択される構成となっている。 そして、本実施の形態の痛み解析サーバ１０００で実行されるアルゴリズムでは、アンサンブル学習と筋電レベルに基づくモデル切り替えとが組み合わされる。これにより、ロバストな脳波信号の基づく、リアルタイムの痛み推定値システムが実現される。 図２は、被験者１に装着される電極の配置を説明するための概念図である。 脳波計の電極配置に関しては、例えば、従来技術として、国際脳波・臨床神経生理学会連合（現・国際臨床神経生理学会連合）が国際標準として推奨し、多チャンネル記録に対応するために１９９１年に規定された「１０％法（拡張１０－２０法）」がある。 図２（ｃ）は、このような拡張１０－２０法の電極配置を示す。拡張１０－２０法の電極配置のメリットとしては、以下のものがある。 ・ルールに基づいて配置する為、位置の再現性が高く、繰り返し測定しやすい。 ・大脳をカバーしている。 ・各電極間の距離を等しくなるように設計されている。 ・解剖学的部位に基づいて配置されている。 ただし、本実施の形態では、計測の簡便さのために、電極を、主として、被験者１の前額部に配置して計測を実施している。 図２（ｂ）は、本実施の形態で配置される電極の名称を、「１０％法（拡張１０－２０法）」と対比して示している。 一方で、図２（ａ）は、以下で、本実施の形態において説明上使用する電極のチャネル名を示している。図２（ａ）のチャネル名は、図２（ｂ）に示した電極配置と対応している。なお、レファレンス電極（ＲＥＦ）は、一例として、被験者１の左の耳たぶ付近に装着されている。また、額の正中線の電極Ｚに接地される。 たとえば、計測中において、脳波信号は、１ｋＨｚでサンプリングされ、電極のインピーダンス値は、２０ｋΩ未満に維持される。学習データの取得時には、後述するように、連続的な痛みの評価（ＣｏＶＡＳ信号）と刺激の強度（たとえば、温度）は、脳波の取得と同じサンプリング周波数で追加のチャネルとして同時に記録される。 図３は、脳波計１０および院内端末２０の構成を説明するための機能ブロック図である。 なお、図３に示す脳波計１０や院内端末２０の実行する機能については、一例であって、これに限定されるものではない。また、いずれの機能が、脳波計１０や院内端末２０で実施されるかについても、システムの構成に応じて、適宜変更することが可能である。 図３を参照して、脳波計１０は、被験者１の頭部に起こる電位の経時的な変化を、図２で説明したように配置される電極２．１～２．Ｎ（Ｎ：自然数）で計測して脳波信号として取得し、この脳波信号のデータを出力する。なお、厳密には、電極２．１～２．Ｎで取得される信号は、生体の電位の変化であって、脳からの脳波信号の他に、筋肉の活動によって生じる筋電信号も含んでおり、微弱な電位（数十マイクロボルト～数十ミリボルト）の変化である。 そこで、より一般的に生体信号を取得するという意味では、脳波計１０は、「生体信号計測装置」と呼ぶ。なお、このような計測装置としては、脳波以外にも、脳磁計など脳活動を非侵襲に計測できる装置であれば、脳波計以外のものを使用することも可能である。 脳波計１０は、増幅器１００、バンドパスフィルタ（ＢＰＦ）１１０、Ａ／Ｄ変換器１２０、デジタルフィルタ処理部１３０、インタフェース部１４０を含む。 各電極２．１～２．Ｎによる電位の計測によって取得された脳波信号は、個別の伝送路（チャネル）で増幅器１００．１～１００．Ｎにより増幅され、Ａ／Ｄ変換器１２０を経て、フィルタ処理部１３０で所定のデジタルフィルタ処理が施され、インタフェース１４０を介して、院内端末２０に出力される。なお、これらの電極の中には１個以上の基準電極と１個以上の計測電極とが含まれ、脳波信号は、各計測電極と当該計測電極に対応する基準電極との間の電位差を