6.1 ニューラルネットワークを用いた生体情報処理
生体情報は多くの場合に、規則的な振動パターンの中にカオス的揺らぎを含む時系列データである。 生体系に何らかの異常事態が生じた場合、生体情報にも少なからず異常が発生すると考えられる。 したがって、様々な生体情報の変化を捉え、それらを総合的に判断することにより、 生体情報から生体系の異常を診断することが原理的に可能であると考えられる。
このような考え方は、流量や圧力の変動データを元にプラントの異常診断を行なう過程と 大きな共通点を有する。しかし、両者には大きな相違点が存在する。 第１は、生体情報には個体差が極めて大きいという点である。 第２に、生体系はプラントと比べて非常に複雑なメカニズムを有しており、 多様な生体情報の変化を総合的に判断することが必要である。 このために、医師や看護婦等の専門技術者による診断が不可欠となっている。
そこで、生体情報の診断法として、ニューラルネットワークを用いた次のようなモデルを提案する。
- ステップ１：正常状態において、i番目の生体情報の時系列データをi番目の 階層型ニューラルネットワークに学習させる。その学習方法については次節で述べる。
- ステップ２：ステップ１で正常状態の信号を学習したネットワークを元に、 i番目の生体情報に対する異常状態の信号を定量的に検知するデータ処理プロセスを構築する。 ステップ３：ステップ２で得られるすべての生体情報に対する異常状態を 検知した信号を入力として、それを総合的に判断して、健康状態の正常、 異常を判定するためのニューラルネットワークを構築する。
ステップ３のプロセスには、既開発のニューロ非線形多変量解析システムn-DESIGNを用いることができる。
* 生体情報の時系列データの学習
3章で述べたステップ１の研究の第一段階として、不規則な振動を有する時系列信号を対象として、 それを階層型ニューラルネットワークに学習させることを試みる。 具体的には、異なる周波数を有する正弦波を組み合わせたFig.2 に示すような時系列データを対象として、次の手順で行なう。
- 時系列データをu[1], u[2], ..., u[t],...のように時間方向に離散化する。
- {u[t-n+1],..., u[t-1], u[t]}のn個の連続する離散値を入力データとし、 u[t+1]を教師データとしてニューラルネットワークに学習させる。