東洋医学の診察は，四診（望診，聞診，問診および切診）と呼ばれる4種類の診察法で構成されている．この中で望診は，患者の顔色，表情，皮膚，爪，頭髪，舌などを注意深く観察する診察法であるが，これらのうちでも舌を見る舌診が特に重要とされている．舌診とは，舌の色・乾燥度・舌の苔（舌苔）などを診ることにより，五臓六腑の状態を診断する手法である．本研究では，東洋医学の舌診に基づき，人工知能技術を活用して，舌表面状態の画像識別による裂紋舌の自動診断法を提案する．裂紋舌は舌の肉部分（舌質）の表面が割れている状態にある舌であり，体が虚している病理状態（運動不足や栄養不足）を示している．また，裂紋舌の亀裂にはその深さと位置によって症状の度合いと病気のある臓器が異なる．なお，亀裂が深ければ深いほど，より深刻な酷い症状を示し，浅い亀裂はより軽い症状を示している．本研究で提案する診断法は，まず与えられた画像から人工知能の画像認識技術の一種であるMask R-CNN手法を用いて舌の部分を認識・抽出する．次に，抽出した画像を裂紋舌画像と非裂紋舌画像の2種類に分類する．最後に，裂紋舌画像から症状の度合いを診断する．本論文では，まず深層学習を用いた裂紋舌の自動診断の処理手順について説明する．次に，5つの画像認識モデル（LeNet，ResNet50，ResNet101，DenseNet169，ConvNeXt-Tiny）を用いて，裂紋舌の自動認識学習と裂紋舌の裂紋状態判定学習に対する画像分類の精度を調べ，これらのモデルに関する評価を行う．さらに，各々の学習で判定する正解率を高めるために，5つの画像認識モデルを融合するアンサンブル学習を行う．実験結果より，アンサンブル学習は5つの個別の画像認識モデルによる学習の正解率よりも優れており，どれも85%以上に達している．これらの結果から，本研究で活用した5つの画像認識モデルによるアンサンブル学習は裂紋舌の自動診断に効果的である．

近年の計算機の性能向上やフレームワークの発展により、深層学習が手軽に行えるようになってきた。従来、計算コストの問題や数値化するのが難しかった事象でも、高い精度で回帰や分類などが行えるようになってきている。本稿では、筋電位に注目し手の動作の識別について、深層学習で分類する。実験初期段階では手動で分類していたが、現段階では精度に問題はあるが、リアルタイムで分類することも可能となった。データ取得方法として、ワンボードマイコンの一種であるArduino Unoと簡易筋電センサーのMyo Ware筋電センサーを用いる。 このように、生体信号の一つである筋電位を用いて動作する義手を筋電義手と言い、多方面に渡る応用が期待される分野の一つである。また、筋電位を詳しく理解することによって心拍、脳波、脈拍などの他の信号の理解の助けになると考えられる。

In this study, we present a new method for estimating input coefficient matrix with deep learning. We use the data of prefectures of Japan as the training data. However, the data is small and is likely to cause overfitting. Therefore, we attempt to avoid the over-fitting by creating new data of virtual areas aggregating multiple prefectures. The approach is based on the concept of data augmentation. As a result of predicting the input coefficient matrix of Yamaguchi prefecture and Gujo city, we showed that the method using deep learning can estimate the matrix with more stable accuracy than RAS method for these areas.