【０００１】[0001]
【産業上の利用分野】本発明は、香りや匂い等の刺激に
対する嗜好度をカオス理論に基づいて定量的に測定する
方法及び装置に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a method and apparatus for quantitatively measuring the degree of preference for stimuli such as scents and odors based on chaos theory.
【０００２】[0002]
【従来の技術】香水、芳香剤等の商品を開発する場合
に、消費者の好む香りや臭いを考慮し、商品に反映させ
ることが望ましい。つまり、消費者の香りに対する嗜好
度を測定してその測定結果を商品に反映させることによ
り、消費者の要求に応じた商品を開発することができ
る。2. Description of the Related Art When developing products such as perfumes and fragrances, it is desirable to consider the scents and odors that consumers prefer and to reflect them in the products. That is, it is possible to develop a product that meets the consumer's request by measuring the consumer's preference for the scent and reflecting the measurement result on the product.
【０００３】従来、香りに対する嗜好度を測定する方法
として、種々の香りを消費者に嗅いでもらうと共に、各
香りに対する印象をアンケート用紙に記載してもらう方
法、あるいは口頭で答えてもらう方法等が採られてい
る。しかし、これらの方法では、香りに対する印象は、
各消費者の価値観等の主観的要因に左右されるため、客
観的な精度及び信憑性が低いという問題がる。この問題
を解決するために、より多くの消費者の嗜好度を集計
し、統計処理を行うことが考えられるが、調査員、集計
者の負担が増加する上に、多大な時間を必要とする。[0003] Conventionally, as a method of measuring the preference for scents, a method of having a consumer sniff various scents and having an impression of each scent written on a questionnaire, or a method of verbally giving an answer, etc. Has been taken. However, with these methods, the impression of the scent is
Since it depends on subjective factors such as the value of each consumer, there is a problem that objective accuracy and credibility are low. In order to solve this problem, it is conceivable that more consumers' preference degrees are aggregated and statistical processing is performed, but the burden on investigators and aggregators is increased, and it takes a lot of time. .
【０００４】[0004]
【発明が解決しようとする課題】そこで、本発明は、前
記問題点に鑑みてなされたものであり、所定の刺激に対
する嗜好度を、カオス理論を用いて簡便に且つ定量的に
測定する方法及び装置を提供することを課題とする。Therefore, the present invention has been made in view of the above problems, and a method for easily and quantitatively measuring the degree of preference for a predetermined stimulus by using chaos theory. An object is to provide a device.
【０００５】[0005]
【課題を解決するための手段】本発明の発明者は、上記
課題を解決するために、第１に、所定の刺激を与える前
のステージ、刺激を与えた状態のステージ、刺激を与え
た後のステージの３つのステージにおける被験者の生理
現象を測定し、ステージ毎の生理現象の変化を評価する
ことにより刺激に対する嗜好度を測定する方法について
着眼した。この測定方法は、例えば、背景脳波及び皮膚
表面電位計測による覚醒水準の評価、誘発脳波計測によ
る興奮／沈静の評価、または心拍及び脈波計測によるス
トレスの評価に基づいて嗜好度の測定を行うが、これら
の生理現象と刺激に対する嗜好度との相関関係が究明さ
れず、定量的な測定結果は得られないことがわかった。In order to solve the above-mentioned problems, the inventor of the present invention firstly solves the above-mentioned problems. First, a stage before giving a predetermined stimulus, a stage in a state of giving a stimulus, and The present inventors focused on a method of measuring a physiological phenomenon of a subject in three stages, and measuring the degree of preference for a stimulus by evaluating changes in the physiological phenomenon in each stage. In this measuring method, for example, the preference level is measured based on evaluation of arousal level by measuring background EEG and skin surface potential, evaluation of excitement / sedation by measurement of evoked EEG, or evaluation of stress by measurement of heartbeat and pulse wave. It was found that the correlation between these physiological phenomena and preference for stimuli was not clarified, and quantitative measurement results could not be obtained.
【０００６】第２に、リラックス状態を脳波の揺らぎで
定性的に評価する方法について考察したが、脳波を測定
する際に被験者の頭部に電極を装着しなければならず、
被験者に心理的負担がかかるという問題が生じた。Secondly, the method of qualitatively evaluating the relaxed state by the fluctuation of the electroencephalogram was considered, but when measuring the electroencephalogram, an electrode must be attached to the head of the subject,
There was a problem that the subject was psychologically burdened.
【０００７】そこで、本発明者は、カオス理論と生理現
象との相関関係に着目し、生理現象をカオス解析するこ
とで所定の刺激に対する嗜好度を定量的に測定する方法
について検討した。Therefore, the present inventor has paid attention to the correlation between the chaos theory and the physiological phenomenon, and studied a method of quantitatively measuring the degree of preference for a predetermined stimulus by performing a chaotic analysis of the physiological phenomenon.
【０００８】ここで、カオスとは、一定の原理に基づい
て発生する非常に複雑に見える現象のことをいい、アト
ラクタと呼ばれるｎ次元状態空間において、自己相似
性、軌道不安定性、長期予測不能性の３つの特徴を
有する。これらの特徴は、下記の３つの解析方法により
判定できる。 （１）自己相似性 ；時系列データより再構成したア
トラクタのフラクタル次元数が非整数である （２）軌道不安定性 ；時系列データより再構成したア
トラクタのアプノフ指数が正の値である （３）長期予測不能性；時系列データより再構成したア
トラクタのＫＳエントロピーが正の値である 一方、人間の生理現象には、多数の要因が作用してお
り、つまり、生理現象は、本来ｎ次元状態空間において
その挙動を示すが、実際に観測できるのは心拍、脈波等
の経時変化を示す一次元時系列データである。この一次
元時系列データのカオス性を判定する場合、特に上記の
自己相似性を判定する場合には、元のｎ次元状態空間に
おけるアトラクタの軌道（ｎ次元ベクトルデータ）を再
構成する必要がある。Here, chaos refers to a phenomenon that appears to be very complicated based on a certain principle, and in an n-dimensional state space called an attractor, self-similarity, orbital instability, and long-term unpredictability. It has three characteristics. These characteristics can be determined by the following three analysis methods. (1) Self-similarity; The number of fractal dimensions of the attractor reconstructed from the time series data is a non-integer (2) Orbital instability; The Apnov index of the attractor reconstructed from the time series data is a positive value (3 ) Long-term unpredictability; KS entropy of attractors reconstructed from time series data is a positive value, on the other hand, many factors act on human physiological phenomena, that is, physiological phenomena are originally n-dimensional. The behavior is shown in the state space, but what can be actually observed is the one-dimensional time series data showing the temporal changes of the heartbeat, the pulse wave and the like. When determining the chaoticity of this one-dimensional time-series data, especially when determining the above-mentioned self-similarity, it is necessary to reconstruct the attractor trajectory (n-dimensional vector data) in the original n-dimensional state space. .
【０００９】ここで、１９８１年にＦ．Ｔａｋｅｎｓの
定理により、１変数の時系列データから力学系のアトラ
クタを再構成できることが証明されている。このＴａｋ
ｅｎｓの定理は、一次元時系列データの個々のデータに
関し、そのデータの一定時間後のデータ、例えば、時間
ｋにおける計測データｘkについて、このデータｘkの時
間ｔ後のデータｘk+t、さらにデータｘk+tの時間ｔ後の
データｘk+2t、以下同様の処理を繰り返し行うことによ
りｘkについて、ｎ個のベクトルデータ：（ｘk，
ｘk+t，・・・，ｘk+t(n-1)）（ｎ：自然数）を作成す
ることができる。この手法を応用することにより、一次
元時系列データ； ｛ｘ1、ｘ2、・・・、ｘt｝ に時間遅れ”ｔ”を埋め込み、ｎ次元の再構成状態空間
におけるｎ次元ベクトルデータ； Ｘ1＝（ｘ1、ｘ1+t、・・・、ｘ1+t/(n-1)） Ｘ2＝（ｘ2、ｘ2+t、・・・、ｘ2+t/(n-1)） ・ ・ Ｘt＝（ｘk、ｘk+t、・・・、ｘk+t/(n-1)） を再構成することができる。Here, in 1981, F. Takens' theorem proves that it is possible to reconstruct an attractor of a dynamical system from time series data of one variable. This Tak
The Ens theorem relates to individual data of one-dimensional time-series data, for data after a certain time of the data, for example, measurement data xk at time k, data xk + t after time t of this data xk. further data xk + data xk + 2t after time tt, the xk by repeating the same processing, n pieces of vector data: (xk,
xk + t , ..., Xk + t (n-1) ) (n: natural number) can be created. By applying this method, one-dimensional time series data; {x1 , x2 , ..., Xt } are embedded with a time delay “t”, and n-dimensional vector data in an n-dimensional reconstructed state space; X1 = (x1 , x1 + t , ..., x1 + t / (n-1) ) X2 = (x2 , x2 + t , ..., x2 + t / (n -1) ) ...Xt = (xk ,xk + t , ...,Xk + t / (n-1) ) can be reconstructed.
【００１０】次に、再構成されたアトラクタのフラクタ
ル次元を求め、そのフラクタル次元数が非整数性を備え
ているか否かを判別しなければならない。ここで、１９
８３年に、Ｐ．ＧｒａｓｓｂｅｒｇｅｒとＩ．Ｐｒｏｃ
ａｃｃｉａは、フラクタル次元の一つの尺度である相関
次元を求める手法として相関積分法を発表した。この相
関積分法は、再構成されたアトラクタ上の一点をＸｉ、
相関積分をＣ（ｒ）とした場合に、と定義される。但し、Ｈ（ｓ）はヘビサイド関数、Ｎは
データ数、ｒは超球内の半径を表す距離である。Next, it is necessary to obtain the fractal dimension of the reconstructed attractor and determine whether or not the fractal dimension number has non-integerity. Where 19
In 1983, P. Grassberg and I.D. Proc
accia has announced the correlation integral method as a method for obtaining the correlation dimension which is one of the fractal dimension scales. In this correlation integration method, one point on the reconstructed attractor is Xi,
When the correlation integral is C (r), Is defined as However, H (s) is the Heaviside function, N is the number of data, and r is the distance showing the radius in the hypersphere.
【００１１】そして、前記距離ｒの適当な領域で相関積
分Ｃn（ｒ）とｒd(n)（ｄ（ｎ）：相関指数）とが比例
関係にあるようにスケーリングする。即ち、上記相関積
分式に基づいて相関積分Ｃn（ｒ）の対数と距離ｒの対
数との関係を、相関積分Ｃn（ｒ）の対数を縦軸、距離
ｒの対数を横軸とした二次元座標空間上に図示し、前記
図形が直線を形成する距離ｒの領域を求める。このと
き、前記直線の傾きは埋め込み次元ｎを変数とする関数
であり、この関数がｎの増加により飽和・漸近するとき
の相関指数値を前記高次元ベクトルデータのフラクタル
次元あるいは相関次元といい、この値が非整数であれば
前記一次元時系列データはカオス性を有し且つ前記相関
指数値を前記一次元時系列データのカオス量という。Then, the correlation integral Cn (r) and rd(n) (d (n): correlation index) are scaled so as to have a proportional relationship in an appropriate region of the distance r. That is, based on the above correlation integral formula, the relationship between the logarithm of the correlation integral Cn (r) and the logarithm of the distance r is represented by the logarithm of the correlation integral Cn (r) on the vertical axis and the logarithm of the distance r on the horizontal axis. An area having a distance r, which is shown in a two-dimensional coordinate space and forms a straight line, is obtained. At this time, the slope of the straight line is a function having the embedding dimension n as a variable, and the correlation index value when the function is saturated / asymptotic with an increase in n is called the fractal dimension or correlation dimension of the high-dimensional vector data. If this value is a non-integer, the one-dimensional time series data has chaoticity, and the correlation index value is called the chaos amount of the one-dimensional time series data.
【００１２】本発明者は、上記のカオス理論に基づいて
所定の刺激に対する生理信号のカオス量を算出し、且つ
カオス量と嗜好度との相関関係に基づいて前記カオス量
に対応する嗜好度を測定する手段を発明した。The inventor of the present invention calculates the chaos amount of a physiological signal for a predetermined stimulus based on the above chaos theory, and calculates the preference degree corresponding to the chaos amount based on the correlation between the chaos amount and the preference degree. Invented the means to measure.
【００１３】本発明は、所定の刺激に対する生理信号に
ついてカオス量を算出するカオス量算出規則１と、カオ
ス量及び嗜好度の相関関係を定めた嗜好度判定規則２と
を用い、前記刺激に対する嗜好度を測定するものであ
る。The present invention uses the chaos amount calculation rule 1 for calculating the chaos amount for a physiological signal for a predetermined stimulus and the preference degree determination rule 2 for defining the correlation between the chaos amount and the preference degree, and the preference for the stimulus. It measures the degree.
【００１４】以下、本発明の嗜好度測定方法及び嗜好度
測定装置について詳細に説明する。 （嗜好度測定方法）本発明の嗜好度測定方法について図
１の原理図に基づいて説明する。The preference measuring method and the preference measuring device of the present invention will be described in detail below. (Preference degree measuring method) The preference degree measuring method of the present invention will be described based on the principle diagram of FIG.
【００１５】本発明の嗜好度測定方法は、刺激を受けた
被験者から所定の生理信号を検出する生理信号検出ステ
ップ１０１、生理信号検出ステップ１０１により検出さ
れた生理信号からカオス量を算出するカオス量算出ステ
ップ１０２、カオス量算出ステップ１０２の算出したカ
オス量に対応する嗜好度を算出する嗜好度算出ステップ
１０３を備える。The preference measuring method of the present invention comprises a physiological signal detecting step 101 for detecting a predetermined physiological signal from a subject who has been stimulated, and a chaotic amount for calculating a chaotic amount from the physiological signal detected by the physiological signal detecting step 101. The calculation step 102 and the preference degree calculation step 103 for calculating the preference degree corresponding to the chaos amount calculated in the chaos amount calculation step 102 are provided.
【００１６】ここで、前記生理信号検出ステップ１０１
は、例えば、指尖容積脈波、心拍、脳波、血圧、身体表
面の微細振動（マイクロバイブレーション）、皮膚温、
皮膚電気抵抗、皮膚電位反応から選択される少なくとも
一つの生理信号を被験者から検出するものである。Here, the physiological signal detection step 101
Is, for example, finger plethysmography, heartbeat, EEG, blood pressure, microvibration of the body surface (microvibration), skin temperature,
At least one physiological signal selected from skin electric resistance and skin potential reaction is detected from a subject.
【００１７】前記カオス量算出ステップ１０２は、生理
信号検出ステップ１０１の検出した生理信号についてカ
オス量算出規則１に従ってカオス量を算出するものであ
り、生理信号を高次元ベクトルデータへ変換するデータ
変換ステップ１０２１、データ変換ステップ１０２１に
より変換された高次元ベクトルデータの相関積分量を算
出する相関積分量算出ステップ１０２２、相関積分量算
出ステップ１０２２の算出した相関積分量から高次元ベ
クトルデータのカオス量として相関次元数を算出する相
関次元数算出ステップ１０２３を備えるようにしてもよ
い。The chaos amount calculating step 102 calculates the chaos amount of the physiological signal detected by the physiological signal detecting step 101 in accordance with the chaos amount calculating rule 1, and the data converting step of converting the physiological signal into high-dimensional vector data. 1021, correlation correlation amount calculation step 1022 for calculating the correlation integration amount of the high-dimensional vector data converted in the data conversion step 1021, correlation as the chaos amount of high-dimensional vector data from the correlation integration amount calculated in the correlation integration amount calculation step 1022. A correlation dimension number calculation step 1023 for calculating the dimension number may be provided.
【００１８】さらに、上記のデータ変換ステップ１０２
１には、生理信号をサンプリングして一次元時系列デー
タを生成するサンプリングステップ１０２１ａ、及びサ
ンプリングステップ１０２１ａによりサンプリングされ
た一次元時系列データに一定の遅れ時間を埋め込んで高
次元ベクトルデータを生成する高次元ベクトルデータ生
成ステップ１０２１ｂを備えるようにしてもよい。Further, the above data conversion step 102
1, a sampling step 1021a for sampling a physiological signal to generate one-dimensional time series data, and a certain delay time embedded in the one-dimensional time series data sampled by the sampling step 1021a to generate high-dimensional vector data. The high-dimensional vector data generation step 1021b may be provided.
【００１９】詳細には、前記サンプリングステップ１０
２１ａは、生理信号検出ステップ１０１において検出さ
れた生理信号をサンプリングして一次元時系列データ ｛ｘ1、ｘ2、・・・、ｘk｝ （但し、ｘk：時刻ｋにおける生理信号の大きさ）を生
成する。In detail, the sampling step 10
21a is a one-dimensional time-series data {x1 , x2 , ..., Xk }obtained by sampling the physiological signal detected in the physiological signal detection step 101 (where xk is the magnitude of the physiological signal at time k). Is generated.
【００２０】一方、前記高次元ベクトルデータ生成ステ
ップ１０２１ｂは、前記サンプリングステップ１０２１
ａの生成した一次元時系列データ毎に一定の時間遅れを
埋め込み、下記の数式（Ｓ１）を満たす高次元ベクトル
データを生成する。On the other hand, the high-dimensional vector data generating step 1021b includes the sampling step 1021.
A certain time delay is embedded in each of the generated one-dimensional time-series data of a to generate high-dimensional vector data that satisfies the following mathematical expression (S1).
【００２１】 Ｘ1＝（ｘ1、ｘ1+t、・・・、ｘ1+t/(n-1)） Ｘ2＝（ｘ2、ｘ2+t、・・・、ｘ2+t/(n-1)） ・ ・ ・ Ｘk＝（ｘk、ｘk+t、・・・、ｘk+t/(n-1)） ・・(Ｓ１) （但しｋ：時刻、ｘk：時刻ｋにおける生理信号の振幅
値、Ｘ：高次元ベクトルデータ、ｔ：遅れ時間、ｎ：埋
め込み次元）次に、相関積分量算出ステップ１０２２
は、高次元ベクトルデータに対して下記の数式（Ｓ２）
を満たす相関積分量を算出する。X1 = (x1 , x1 + t , ..., X1 + t / (n-1) ) X2 = (x2 , x2 + t , ..., x2 + t / (n-1) ) ··· Xk = (xk , xk + t , ···, xk + t / (n-1) ) ·· (S1) (where k: time, xk : Amplitude value of physiological signal at time k, X: High-dimensional vector data, t: Delay time, n: Embedding dimension) Next, correlation integration amount calculation step 1022
Is the following formula (S2) for high-dimensional vector data.
The correlation integral amount that satisfies is calculated.
【００２２】（Ｈ（ｔ）：ヘビサイド関数、Ｎ：データ数、ｒ：超球
内の半径を表す距離）また、相関次元数算出ステップ１
０２３は、相関積分量算出ステップ１０２２の算出した
相関積分量の対数と前記距離の対数とが数式 ｌｏｇＣn（ｒ）＝ｄ・ｌｏｇｒ＋ａ・・・（Ｓ３） （但し、ｄ：変数ｎにより決定される相関指数、ａ：実
数）を満たす距離ｒの領域において、前記埋め込み次元
ｎと相関指数ｄとからなる二次元関数の漸近点の相関指
数値を前記高次元ベクトルデータの相関次元数として算
出するものである。[0022] (H (t): Heaviside function, N: number of data, r: distance representing radius in hypersphere) Correlation dimension number calculation step 1
In 023, the logarithm of the correlation integral amount calculated in the correlation integral amount calculating step 1022 and the logarithm of the distance are expressed by the following equation: logCn (r) = d · logr + a (S3) (where, d is determined by the variable n). The correlation index value of the asymptotic point of the two-dimensional function consisting of the embedding dimension n and the correlation index d is calculated as the correlation dimension number of the high-dimensional vector data in the region of the distance r satisfying the correlation index, a: a real number). It is a thing.
【００２３】（嗜好度測定装置）本発明の嗜好度測定装
置は、前述の嗜好度測定方法を実現する装置であり、こ
の構成を図２の原理図に基づいて説明する。(Preference degree measuring device) The preference degree measuring device of the present invention is a device for realizing the above-mentioned preference degree measuring method, and its configuration will be described based on the principle diagram of FIG.
【００２４】刺激を受けた被験者から所定の生理信号を
検出する生理信号検出手段３と、この生理信号検出手段
３の検出した生理信号についてカオス量を算出するカオ
ス量算出手段４、このカオス量算出手段４の算出したカ
オス量に対応する嗜好度を算出する嗜好度算出手段５を
備える。A physiological signal detecting means 3 for detecting a predetermined physiological signal from the subject who has been stimulated, a chaos amount calculating means 4 for calculating a chaos amount of the physiological signal detected by the physiological signal detecting means 3, and a chaos amount calculation. A preference degree calculation means 5 for calculating a preference degree corresponding to the chaos amount calculated by the means 4 is provided.
【００２５】ここで、生理信号検出手段３は、刺激を受
けた被験者から指尖容積脈波、心拍、脳波、血圧、身体
表面の微細振動（マイクロバイブレーション）、皮膚
温、皮膚電位反応、皮膚電気抵抗から選択される少なく
とも一つの生理信号を検出するようにしてもよい。Here, the physiological signal detecting means 3 is a fingertip plethysmogram, a heartbeat, an electroencephalogram, a blood pressure, a microvibration of the body surface (microvibration), a skin temperature, a skin potential reaction, and a skin electricity. At least one physiological signal selected from the resistors may be detected.
【００２６】カオス量算出手段４は、生理信号検出手段
３の検出した生理信号についてカオス量算出規則１に従
ってカオス量を算出するものであり、生理信号を高次元
ベクトルデータへ変換するデータ変換部４ａ、このデー
タ変換部４ａにより変換された高次元ベクトルデータに
対して相関積分量を算出する相関積分量算出部４ｂ、こ
の相関積分量算出部４ｂの算出した相関積分量から高次
元ベクトルデータのカオス量として相関次元数を算出す
る相関次元数算出部４ｃを備えるようにしてもよい。The chaos amount calculating means 4 calculates the chaos amount of the physiological signal detected by the physiological signal detecting means 3 in accordance with the chaos amount calculating rule 1, and the data converting portion 4a for converting the physiological signal into high-dimensional vector data. , A correlation integration amount calculation unit 4b that calculates a correlation integration amount for the high-dimensional vector data converted by the data conversion unit 4a, and chaos of high-dimensional vector data from the correlation integration amount calculated by the correlation integration amount calculation unit 4b. You may make it provide the correlation dimension number calculation part 4c which calculates the correlation dimension number as a quantity.
【００２７】さらに、データ変換部４ａは、生理信号検
出手段３の検出した生理信号をサンプリングして一次元
時系列データを生成するサンプリング部４０、及び前記
サンプリング部４０の生成した一次元時系列データに一
定の遅れ時間を埋め込んで高次元ベクトルデータを生成
する高次元ベクトルデータ生成部４１を備えるようにし
てもよい。Further, the data converting section 4a includes a sampling section 40 for sampling the physiological signal detected by the physiological signal detecting means 3 to generate one-dimensional time series data, and one-dimensional time series data generated by the sampling section 40. A high-dimensional vector data generation unit 41 that generates high-dimensional vector data by embedding a certain delay time in may be provided.
【００２８】詳細には、サンプリング部４０は、生理信
号検出手段３の検出した生理信号を特定時間間隔でサン
プリングして、一次元時系列データ ｛ｘ1、ｘ2、・・・、ｘk｝ （但し、ｘk：時刻ｋにおける生理信号の振幅値）を生
成するものである。Specifically, the sampling section 40 samples the physiological signal detected by the physiological signal detecting means 3 at a specific time interval, and produces one-dimensional time series data {x1 , x2 , ..., Xk }. (Where xk is the amplitude value of the physiological signal at time k).
【００２９】一方、高次元ベクトルデータ生成部４１
は、サンプリング部４０により変換された一次元時系列
データに、各データから一定時間後のデータを埋め込
み、下記の数式（Ｓ１）を満たす高次元ベクトルデータ
を生成するものである。 Ｘ1＝（ｘ1、ｘ1+t、・・・、ｘ1+t/(n-1)） Ｘ2＝（ｘ2、ｘ2+t、・・・、ｘ2+t/(n-1)） ・ ・ ・ Ｘk＝（ｘk、ｘk+t、・・・、ｘk+t/(n-1)） ・・(Ｓ１) （但し、ｘk：一次元時系列データ、Ｘ：高次元ベクト
ルデータ、ｔ：遅れ時間、 ｎ：埋め込み次元）。On the other hand, the high-dimensional vector data generator 41
Is to embed the data after a fixed time from each data in the one-dimensional time-series data converted by the sampling unit 40 to generate high-dimensional vector data that satisfies the following mathematical expression (S1). X1 = (x1 , x1 + t , ..., x1 + t / (n-1) ) X2 = (x2 , x2 + t , ..., x2 + t / (n -1) ) ・ ・ ・ Xk = (xk , xk + t , ..., xk + t / (n-1) ) ・ ・ (S1) (where xk : one-dimensional time series data , X: high-dimensional vector data, t: delay time, n: embedding dimension).
【００３０】次に、相関積分量算出部４ｂは、高次元ベ
クトルデータに対して下記の数式（Ｓ２）を満たす相関
積分量を算出するものである。（但し、Ｈ（ｔ）：ヘビサイド関数、Ｎ：データ数、
ｒ：超球内の半径を表す距離）。また、相関次元数算出
部４ｃは、相関積分量算出部４ｂの算出した相関積分量
の対数と前記距離の対数とが数式 ｌｏｇＣn（ｒ）＝ｄ・ｌｏｇｒ＋ａ・・・（Ｓ３） （但し、ｄ：変数ｎにより決定される相関指数、ａ：実
数）を満たす距離ｒの領域において、前記埋め込み次元
ｎと相関指数ｄとからなる二次元関数の漸近点の相関指
数値を前記高次元ベクトルデータの相関次元数として算
出するものである。Next, the correlation integral amount calculation unit 4b calculates the correlation integral amount satisfying the following equation (S2) for the high-dimensional vector data. (However, H (t): Heaviside function, N: Number of data,
r: distance representing the radius within the hypersphere). In addition, the correlation dimension number calculation unit 4c calculates the logarithm of the correlation integration amount calculated by the correlation integration amount calculation unit 4b and the logarithm of the distance as follows: logCn (r) = d · logr + a (S3) (however, d: the correlation index determined by the variable n, a: a real number), in a region of the distance r, the correlation index value of the asymptotic point of the two-dimensional function consisting of the embedding dimension n and the correlation index d is the high-dimensional vector data. It is calculated as the number of correlation dimensions.
【００３１】さらに、上記の嗜好度測定方法及び嗜好度
測定装置において、遅れ時間を埋め込む際に、以下の３
つの時間あるいは時刻を基準に決定するようにしてもよ
い。 一次元時系列データの主要な周期の数分の一 一次元時系列データの自己相関関数が最初に「０」と
なる時刻 一次元時系列データの相互情報量が最初に極小値をと
る時刻 上記の３つの方法以外でも、本発明の特徴を満たす限り
いかような方法で遅れ時間を決定するようにしてもよ
い。Further, in the above preference measuring method and preference measuring apparatus, when embedding the delay time, the following 3
You may make it determine based on one time or time. Time at which the autocorrelation function of the one-dimensional time-series data first becomes "0", which is a fraction of the main period of the one-dimensional time-series data. Other than the above three methods, the delay time may be determined by any method as long as the characteristics of the present invention are satisfied.
【００３２】[0032]
【作用】本発明の嗜好度測定方法は、複数の被験者に対
して同一条件の環境で同一の刺激を与えて行う。即ち、
先ず刺激を受けた状態の各被験者から所定の生理信号を
検出する。The preference measuring method of the present invention is performed by applying the same stimulus to a plurality of subjects under the same conditions. That is,
First, a predetermined physiological signal is detected from each subject in the stimulated state.
【００３３】そして、カオス理論に基づいたカオス量算
出規則１に従って、前記被験者から検出した生理信号に
ついてカオス量を算出する。次に、前記カオス量につい
て嗜好度判定規則２に基づいて嗜好度を算出する。Then, according to the chaos amount calculation rule 1 based on the chaos theory, the chaos amount is calculated for the physiological signal detected from the subject. Next, the degree of preference is calculated for the amount of chaos based on the preference degree determination rule 2.
【００３４】詳細には、生理信号をサンプリングして一
次元時系列データへ変換し、さらに一次元時系列データ
に一定時間後のデータを埋め込み処理することにより、
高次元ベクトルデータを生成する。Specifically, the physiological signal is sampled, converted into one-dimensional time-series data, and the data after a predetermined time is embedded in the one-dimensional time-series data.
Generate high-dimensional vector data.
【００３５】次に、前記高次元ベクトルデータに対して
相関積分量を算出する。そして、相関積分量の対数と超
球内の半径を表す距離の対数との関係式から埋め込み次
元数を変数とする相関指数を求める。さらに前記相関指
数について埋め込み次元数を増加させていき相関指数が
飽和・漸近する点の相関指数値を算出する。この相関指
数が前記高次元ベクトルデータのカオス量となり、この
カオス量に対応する嗜好度を嗜好度判定規則２に基づい
て算出することができる。Next, the correlation integral amount is calculated for the high-dimensional vector data. Then, the correlation index with the embedding dimension as a variable is obtained from the relational expression between the logarithm of the correlation integral amount and the logarithm of the distance representing the radius in the hypersphere. Further, the number of embedding dimensions is increased with respect to the correlation index, and the correlation index value at the point where the correlation index is saturated / asymptotic is calculated. This correlation index becomes the chaos amount of the high-dimensional vector data, and the preference degree corresponding to this chaos amount can be calculated based on the preference degree determination rule 2.
【００３６】[0036]
【実施例】本実施例では、香りに対する嗜好度の測定方
法を例にとり、この測定方法を実現する嗜好度測定装置
について説明する。[Embodiment] In this embodiment, a method for measuring a preference degree for a scent will be described as an example, and a preference degree measuring apparatus for realizing this measurement method will be described.
【００３７】図３は、嗜好度測定装置の全体構成ブロッ
ク図である。本実施例の嗜好度測定装置は、生理信号と
して指尖容積脈波を検出する反射型光電式センサ６、こ
の反射型光電式センサ６の検出した指尖容積脈波の振幅
を増幅する波形増幅装置７、この波形増幅装置７により
増幅された指尖容積脈波を特定時間間隔でサンプリング
しアナログ信号形式の二次元データからデジタル信号形
式の一次元時系列データへ変換するサンプリング装置
８、このサンプリング装置８によりサンプリングされた
一次元時系列データのカオス量を算出すると共にこのカ
オス量に対応する嗜好度を算出するＣＰＵ１０、このＣ
ＰＵ１０の処理すべきカオス量算出処理の処理手順及び
嗜好度算出処理の処理手順に関するプログラムを格納す
るメモリ９、及び前記ＣＰＵ１０により算出された嗜好
度を画面表示するディスプレイ装置１１を備える。さら
に、反射型光電式センサ６の動作コマンド、被験者のデ
ータを入力するためのキーボード１２を備える。FIG. 3 is a block diagram of the overall configuration of the preference degree measuring apparatus. The preference degree measuring apparatus according to the present embodiment includes a reflective photoelectric sensor 6 that detects a fingertip volume pulse wave as a physiological signal, and a waveform amplification that amplifies the amplitude of the fingertip volume pulse wave detected by the reflective photoelectric sensor 6. Device 7, Sampling device 8 for sampling the fingertip plethysmogram amplified by the waveform amplifying device 7 at specific time intervals and converting from two-dimensional data in analog signal form into one-dimensional time series data in digital signal form, sampling The CPU 10, which calculates the chaos amount of the one-dimensional time-series data sampled by the device 8 and calculates the preference degree corresponding to this chaos amount, C
The PU 10 includes a memory 9 for storing a program relating to a processing procedure of a chaos amount calculation processing to be processed and a processing procedure of a preference degree calculation processing, and a display device 11 for displaying the preference degree calculated by the CPU 10 on a screen. Further, a keyboard 12 for inputting operation commands of the reflective photoelectric sensor 6 and data of a subject is provided.
【００３８】以下、前記各部の機能について詳細に説明
する。上記の反射型光電式センサ６と、波形増幅装置７
と、サンプリング装置８とは本発明の検出手段の具体例
であり、反射型光電式センサ６は被験者の指先に装着さ
れ（図７参照）、指尖静脈の容積の経時変化を容積と時
間との二次元データとして計測するものである。The functions of the respective units will be described in detail below. The reflective photoelectric sensor 6 and the waveform amplifier 7 described above.
The sampling device 8 is a specific example of the detection means of the present invention, and the reflective photoelectric sensor 6 is attached to the fingertip of the subject (see FIG. 7), and changes in the volume of the fingertip vein with time and volume are measured. It is measured as two-dimensional data of.
【００３９】波形増幅装置７は、反射型光電式センサ６
の入力した指尖容積脈波の振幅値、即ち指尖容積脈波の
容積値を増幅するものである（図８参照）。サンプリン
グ装置８は、二次元データで表されるアナログ信号形式
の指尖容積脈波を特定時間間隔でサンプリングし、デジ
タル信号形式の一次元時系列データへ変換するものであ
る。本実施例ではサンプリング時間間隔を２０ｍｓｅｃ
とする（図９、図１０参照）。The waveform amplifying device 7 is a reflection type photoelectric sensor 6
It amplifies the amplitude value of the fingertip plethysmogram input by, ie, the volume value of the fingertip plethysmogram (see FIG. 8). The sampling device 8 samples the fingertip plethysmogram in the analog signal format represented by two-dimensional data at specific time intervals and converts it into one-dimensional time series data in digital signal format. In this embodiment, the sampling time interval is 20 msec.
(See FIGS. 9 and 10).
【００４０】ＣＰＵ１０は、サンプリング装置８により
生成された一次元時系列データからメモリ９の処理プロ
グラムに基づいてカオス量の算出処理とカオス量に対応
する嗜好度の算出処理とを行うものであり、この具体的
な説明は後述する。The CPU 10 performs a chaos amount calculation process and a preference degree corresponding to the chaos amount calculation process based on the processing program of the memory 9 from the one-dimensional time series data generated by the sampling device 8. This specific description will be described later.
【００４１】メモリ９は、ＣＰＵ１０の処理すべき処理
プログラムとして、サンプリング装置８により生成され
た一次元時系列データについてカオス量の算出手順を定
めたカオス量算出処理プログラム９ａ、香りに対する嗜
好度とカオス量との相関関係に基づいて嗜好度の算出手
順を定めた嗜好度算出処理プログラム９ｂを格納する
（図４参照）。The memory 9 is a processing program to be processed by the CPU 10, and is a chaos amount calculation processing program 9a defining a chaos amount calculation procedure for the one-dimensional time-series data generated by the sampling device 8, a fragrance preference and chaos. The preference degree calculation processing program 9b, which defines the procedure for calculating the preference degree based on the correlation with the amount, is stored (see FIG. 4).
【００４２】図５は、ＣＰＵ１０の内部構成ブロック図
である。本実施例におけるＣＰＵ１０は、一次元時系列
データの自己相関関数から一次元時系列データへ埋め込
むべき時間遅れの大きさを算出する自己相関処理部１０
ａ、この自己相関処理部１０ａの算出した時間遅れを一
次元時系列データへ埋め込んで高次元ベクトルデータを
生成する埋め込み処理部１０ｂ、この埋め込み処理部１
０ｂの生成した高次元ベクトルデータの相関積分量を算
出する相関積分量算出部１０ｃ、この相関積分量算出部
１０ｃの算出した相関積分量からカオス量としての相関
次元数即ち相関指数を算出する相関指数算出部１０ｄ、
この相関指数算出部１０ｄの算出したカオス量に対応す
る嗜好度を算出する嗜好度算出部１０ｅ、及び前記各部
の動作を制御する制御部１０ｆを備えている。FIG. 5 is a block diagram of the internal configuration of the CPU 10. The CPU 10 in this embodiment calculates the magnitude of the time delay to be embedded in the one-dimensional time-series data from the auto-correlation function of the one-dimensional time-series data.
a, an embedding processing unit 10b that embeds the time delay calculated by the autocorrelation processing unit 10a into one-dimensional time-series data to generate high-dimensional vector data, and the embedding processing unit 1
Correlation integration amount calculation unit 10c that calculates the correlation integration amount of the high-dimensional vector data generated by 0b, and correlation that calculates the correlation dimension number as a chaos amount, that is, the correlation index, from the correlation integration amount calculated by this correlation integration amount calculation unit 10c. Index calculator 10d,
The correlation index calculation unit 10d includes a preference degree calculation unit 10e that calculates a preference degree corresponding to the calculated chaos amount, and a control unit 10f that controls the operation of each unit.
【００４３】ここで、自己相関処理部１０ａは、サンプ
リング装置８の生成した一次元時系列データに埋め込む
べき時間遅れｔの大きさを決定するものである。詳細に
は、時刻ｋにおける指尖容積脈波の振幅値ｘkとする一
次元時系列データ ｛ｘ1、ｘ2、・・・、ｘk｝ の自己相関関数Ｒ（ｋ’）を下記の数式に基づいて算出
する。Here, the autocorrelation processing unit 10a determines the magnitude of the time delay t to be embedded in the one-dimensional time series data generated by the sampling device 8. In particular, one-dimensional time series data to the amplitude value xk of the volume pulse wave fingertip at timek {x 1, x 2, ···, x k} autocorrelation function R a (k ') below Calculate based on a mathematical formula.
【００４４】そして、上記自己相関関数Ｒ（ｋ’）が最初に”０”と
なる時刻に基づいて時間遅れｔを算出する（図１１参
照）。[0044] Then, the time delay t is calculated based on the time when the autocorrelation function R (k ') first becomes "0" (see FIG. 11).
【００４５】埋め込み処理部１０ｂは、上記の一次元時
系列データをｎ次元ベクトルデータへ変換するものであ
り、自己相関処理部１０ａの算出した時間遅れｔに基づ
いて、一次元時系列データに各データの特定時間後の振
幅値を埋め込み、以下の数式（Ｓ１）を満たすｎ次元ベ
クトルデータを生成する（図１２参照）。但し、上記の数式（Ｓ１）において、ｘkは時刻ｋにお
ける指尖静脈容積値、Ｘkはｘkの高次元ベクトルデータ
とする。The embedding processing unit 10b converts the above-mentioned one-dimensional time-series data into n-dimensional vector data, and converts each one-dimensional time-series data into one-dimensional time-series data based on the time delay t calculated by the autocorrelation processing unit 10a. The amplitude value of the data after a specific time is embedded to generate n-dimensional vector data that satisfies the following mathematical expression (S1) (see FIG. 12). However, in the above formula (S1), xk is the finger vein volume value at time k, and Xk is high-dimensional vector data of xk .
【００４６】相関積分量算出部１０ｃは、埋め込み処理
部１０ｂの生成した高次元ベクトルデータに対する相関
積分量を算出するものである。具体的には、上記数式
（Ｓ１）を満たす高次元ベクトルデータに対して、以下
の数式（Ｓ２）を満たす相関積分量を算出する。但し、上記の数式（Ｓ２）において、Ｈ（ｔ）はヘビサ
イド関数、Ｎはデータ数、ｒは超球内の半径を表す距離
とする。The correlation integral amount calculator 10c calculates the correlation integral amount for the high-dimensional vector data generated by the embedding processor 10b. Specifically, for high-dimensional vector data that satisfies the above mathematical expression (S1), the correlation integral amount that satisfies the following mathematical expression (S2) is calculated. However, in the above formula (S2), H (t) is a Heaviside function, N is the number of data, and r is a distance representing the radius in the hypersphere.
【００４７】相関指数算出部１０ｄは、上記の高次元ベ
クトルデータのカオス量として、相関指数値を算出する
ものである。具体的には、上記数式（Ｓ２）により算出
される相関積分量Ｃn（ｒ）の対数と前記距離ｒの対数
とが下記の数式（Ｓ３）を満たす距離ｒの領域を求める
（図１３参照）。 ｌｏｇＣn（ｒ）＝ｄ・ｌｏｇｒ＋ａ・・・（Ｓ３） 但し、上記数式（Ｓ３）において、ｄは変数ｎにより決
定される相関指数、ａは実数である。The correlation index calculation unit 10d calculates a correlation index value as the chaos amount of the above high-dimensional vector data. Specifically, the region of the distance r in which the logarithm of the correlation integration amount Cn (r) calculated by the above formula (S2) and the logarithm of the distance r satisfy the following formula (S3) is obtained (see FIG. 13). ).logC n (r) = d · logr + a ··· (S3) where, in the formula (S3), d is the correlation index is determined by the variable n, a is a real number.
【００４８】さらに、前記距離ｒの領域において、埋め
込み次元ｎと相関指数ｄとからなる二次元関数の漸近点
の相関指数値を算出し、この値を前記高次元ベクトルデ
ータのカオス量として出力する（図１４参照）。Further, in the area of the distance r, the correlation index value of the asymptotic point of the two-dimensional function consisting of the embedding dimension n and the correlation index d is calculated, and this value is output as the chaos amount of the high-dimensional vector data. (See Figure 14).
【００４９】嗜好度算出部１０ｅは、前記相関指数算出
部１０ｄの算出したカオス量から嗜好度算出処理プログ
ラム９ｂに基づいて嗜好度を算出するものである。以下
に、嗜好度測定装置の動作過程について図６のフローチ
ャートに基づいて説明する。The preference degree calculation unit 10e calculates the preference degree based on the preference degree calculation processing program 9b from the chaos amount calculated by the correlation index calculation unit 10d. The operation process of the preference degree measuring device will be described below with reference to the flowchart of FIG.
【００５０】試験官は、被験者の指先に反射型光電式セ
ンサ６を装着し、キーボード１２から反射型光電式セン
サ６の動作コマンドを入力する。反射型光電式センサ６
は、動作コマンドを受けて指尖容積脈波を検出し、指尖
静脈容積値ｘと時間ｋとからなる二次元データ：ｘ＝ｆ
（ｋ）を計測する（ステップ６０１）。The examiner mounts the reflective photoelectric sensor 6 on the fingertip of the subject and inputs an operation command of the reflective photoelectric sensor 6 from the keyboard 12. Reflective photoelectric sensor 6
Receives a motion command to detect a finger plethysmogram, and two-dimensional data consisting of finger venous volume x and time k: x = f
(K) is measured (step 601).
【００５１】二次元データ：ｘ＝ｆ（ｋ）は波形増幅装
置７へ入力され、波形増幅装置７では、当該二次元デー
タの波形、即ち指尖静脈容積値ｘの値を増幅させる（ス
テップ６０２）。さらに、当該二次元データは、サンプ
リング装置８において、特定時間間隔でサンプリングさ
れ、アナログ信号形式の二次元データからデジタル信号
形式の一次元時系列データ：｛ｘ1、ｘ2、・・、ｘk｝
に変換され（ステップ６０３）、ＣＰＵ１０へ出力され
る。The two-dimensional data: x = f (k) is input to the waveform amplifying device 7, and the waveform amplifying device 7 amplifies the waveform of the two-dimensional data, that is, the value of the fingertip vein volume value x (step 602). ). Further, the two-dimensional data is sampled by the sampling device 8 at specific time intervals, and the two-dimensional data in the analog signal format to the one-dimensional time series data in the digital signal format: {x1 , x2 , ..., Xk }
(Step 603) and output to the CPU 10.
【００５２】ここで、ＣＰＵ１０では、制御部１０ｆが
メモリ９へアクセスし、カオス量算出処理プログラム９
ａに基づいて自己相関処理部１０ａ、埋め込み処理部１
０ｂ、相関積分量算出部１０ｃ、及び相関指数算出部１
０ｄの動作を制御する。Here, in the CPU 10, the control unit 10f accesses the memory 9 to execute the chaos amount calculation processing program 9
Based on a, the autocorrelation processing unit 10a and the embedding processing unit 1
0b, a correlation integral amount calculation unit 10c, and a correlation index calculation unit 1
Control the operation of 0d.
【００５３】つまり、先ず自己相関処理部１０ａを起動
し、一次元時系列データ:｛ｘ1、ｘ2、・・ｘk｝の自己相関
関数を算出する（ステップ６０４）。そして、この自己
相関関数が最初に”０”になる時刻を算出し、時間遅
れ”ｔ”の大きさを決定する（ステップ６０５）。That is, first, the autocorrelation processing unit 10a is activated to calculate the autocorrelation function of the one-dimensional time series data: {x1 , x2 , ... Xk } (step 604). Then, the time when the autocorrelation function first becomes "0" is calculated, and the magnitude of the time delay "t" is determined (step 605).
【００５４】次に、制御部１０ｆは、埋め込み処理部１
０ｂを起動する。埋め込み処理部１０ｂは、前記時間遅
れ”ｔ”を元に各データの一定遅れ時間後の振幅値を当
該一次元時系列データ:｛ｘ1、ｘ2、・・、ｘk｝に埋め込
み、数式（Ｓ１）を満たすｎ次元ベクトルデータを生成
する（ステップ６０６）。Next, the control unit 10f controls the embedding processing unit 1
Start 0b. The embedding processing unit 10b embeds the amplitude value of each data after a certain delay time into the one-dimensional time series data: {x1 , x2 , ..., Xk } based on the time delay “t”, The n-dimensional vector data satisfying (S1) is generated (step 606).
【００５５】そして、制御部１０ｆは、相関積分量算出
部１０ｃを起動し、ｎ次元ベクトルデータの相関積分
量:Ｃn（r）を算出する（数式（Ｓ２）参照）（ステッ
プ６０７）。Then, the control unit 10f activates the correlation integration amount calculation unit 10c to calculate the correlation integration amount: Cn (r) of the n-dimensional vector data (see the mathematical expression (S2)) (step 607).
【００５６】次に、制御部１０ｆは相関指数算出部１０
ｄを起動し、相関積分量:Ｃn（r）とｒd(n)との対数を
とり、数式（Ｓ３）を満たす距離ｒの領域を求める。そ
して、前記距離ｒの領域において、埋め込み次元ｎを変
数とする相関指数ｄ（ｎ）の漸近点を求め、この漸近点
における相関指数ｄ（ｎ）の値をカオス量：Ｄとして出
力する（ステップ６０８）。Next, the controller 10f controls the correlation index calculator 10
d is started, the logarithm of the correlation integral amount: Cn (r) and rd(n) is taken, and the area of the distance r satisfying the formula (S3) is obtained. Then, in the region of the distance r, the asymptotic point of the correlation index d (n) with the embedding dimension n as a variable is obtained, and the value of the correlation index d (n) at this asymptotic point is output as the chaos amount: D (step 608).
【００５７】ここで、制御部１０ｆは、再度メモリ９へ
アクセスし、嗜好度算出処理プログラム９ｂに基づいて
嗜好度算出部１０ｅを起動する。嗜好度算出部１０ｅ
は、上記カオス量：Ｄに対応する嗜好度を算出する。制
御部１０ｆは、この嗜好度をディスプレイ装置１１から
画面表示する（ステップ６１０）。Here, the control unit 10f accesses the memory 9 again and activates the preference degree calculation unit 10e based on the preference degree calculation processing program 9b. Preference degree calculation unit 10e
Calculates the preference degree corresponding to the chaos amount: D. The controller 10f displays the degree of preference on the screen of the display device 11 (step 610).
【００５８】以下に、カオス量と嗜好度との相関関係の
一例を示す。本実施例では、嗜好度測定装置の起動前
に、予め９０人の健康な女性を対象に、レモン、トリエ
チルアミン、アンドロステノールの各々の香りを嗅いで
もらい、カオス量の測定及び嗜好度の評価を行った。An example of the correlation between the amount of chaos and the degree of preference will be shown below. In this example, before starting the preference measuring device, 90 healthy women were made to smell in advance the scents of lemon, triethylamine and androstenol, and the chaos amount was measured and the preference was evaluated. went.
【００５９】カオス量の測定には、本嗜好度測定装置と
同様に、反射型光電式センサを用いて指尖容積脈波を計
測し、この指尖容積脈波のカオス量を算出した。カオス
量の算出処理には、本装置と同様のアルゴリズムを用い
た。For the measurement of the chaos amount, the fingertip plethysmogram was measured using a reflection type photoelectric sensor, and the chaos amount of the fingertip plethysmogram was calculated, as in the present preference degree measuring apparatus. The same algorithm as this device was used for the calculation process of the amount of chaos.
【００６０】以下、測定条件及び評価条件を示す。 １ 指尖容積脈波の計測条件 ａ：指尖容積脈波は、被験者の左手中指から計測する ｂ：計測場所は、室温を摂氏２３度〜２４度に保つシー
ルドルームとする ｃ：計測時間は、３分間とする ２ カオス量算出処理の条件 ａ：３分間計測した指尖容積脈波のうち、１０秒〜７０
秒の間に計測された指尖容積脈波をカオス量算出の対象
とする ｂ：サンプリング間隔は２０ミリ秒間とし、この間の一
次元データ数をＮ＝３，０００とする ３ 嗜好度評価条件 ａ：アンケート用紙に各香り毎に１０段階の評価値を記
載し、これらの評価値から適当と思われる評価値を選択
するものとする尚、評価値は高い程好感度が高いものと
する ｂ：香りは、前述１のｂ及びｃと同様の条件で嗅いでも
らうこととする 以上の条件に従って測定及び評価した結果を図１５に示
す。同図は、被験者毎の各香りに対する値、例えばＡさ
んのレモンに対するカオス量Ｄと評価値Ｉとを、縦軸を
評価値とし且つ横軸をカオス量とした二次元座標軸上の
座標位置情報（Ｄ、Ｉ）として集計し、これら全ての値
（Ｄ、Ｉ）を通過する近似直線である。この近似直線か
ら、嗜好度Ｉとカオス量Ｄとの相関関係は、数式 Ｉ＝４．７５＊Ｄ−５．０１ ・・・（Ｓ４） を満たす直線回帰で示される。The measurement conditions and evaluation conditions are shown below. 1 Measurement conditions of fingertip plethysmogram a: Fingertip plethysmogram is measured from the middle finger of the subject's left hand b: Measurement place is a shield room that keeps room temperature at 23 to 24 degrees Celsius c: Measurement time Condition of 2 chaos amount calculation processing for 3 minutes a: 10 seconds to 70 out of finger plethysmogram measured for 3 minutes
The fingertip plethysmogram measured during the second is the target of chaos amount calculation. B: The sampling interval is 20 milliseconds, and the number of one-dimensional data during this period is N = 3,000. 3 Preference evaluation condition a : A 10-level evaluation value for each scent is written on the questionnaire sheet, and an evaluation value considered to be appropriate is selected from these evaluation values. The higher the evaluation value, the higher the likability. B: The scent is to be sniffed under the same conditions as in b and c of the above-mentioned 1. The results of measurement and evaluation under the above conditions are shown in FIG. This figure shows coordinate position information on a two-dimensional coordinate axis in which a value for each scent for each subject, for example, a chaos amount D and an evaluation value I for Mr. A's lemon is an evaluation value on the vertical axis and a chaos amount on the horizontal axis. It is an approximate straight line that is aggregated as (D, I) and passes through all these values (D, I). From this approximate straight line, the correlation between the preference degree I and the chaos amount D is represented by linear regression that satisfies the mathematical formula I = 4.75 * D-5.01 (S4).
【００６１】従って、嗜好度算出部１０ｅは、上記数式
（Ｓ４）に基づいて相関指数算出部１０ｄの算出したカ
オス量に対応する嗜好度を算出することができる。尚、
嗜好度とカオス量との相関関係式は、被験者を測定する
毎に、その測定結果に基づいて更新するようにしてもよ
い。Therefore, the preference degree calculation unit 10e can calculate the preference degree corresponding to the chaos amount calculated by the correlation index calculation unit 10d based on the mathematical expression (S4). still,
The correlation expression between the degree of preference and the amount of chaos may be updated every time the subject is measured, based on the measurement result.
【００６２】以下に、本実施例における嗜好度測定装置
による嗜好度測定実験例について説明する。本実験は香
りの異なる３種類の香水商品に対する嗜好度を一般モニ
タ１５人を対象に行った。この実験では、本実施例にお
ける嗜好度測定装置による各香水商品に対する嗜好度の
測定と並行して、問診による嗜好度測定を行い、測定終
了後に各モニタに好きな商品を選択してもらった。Hereinafter, an example of a preference degree measurement experiment by the preference degree measuring apparatus in this embodiment will be described. This experiment was conducted on 15 general monitors for the degree of preference for three types of perfume products with different scents. In this experiment, in parallel with the measurement of the degree of preference for each perfume product by the preference degree measuring device in the present example, the preference degree was measured by an interview, and each monitor was asked to select a favorite item after the measurement.
【００６３】問診は１０段階の評点から適当と思われる
評点を選択する方式で行った。本嗜好度測定装置により
測定した嗜好度及び問診により測定した評点が特定値以
上を示したモニタの合計人数と、各商品を選択したモニ
タの合計人数との集計結果を下記の表１に示す。The inquiry was conducted by a method of selecting an appropriate score from 10 grades. Table 1 below shows the tabulated results of the total number of monitors whose preference degree measured by the present preference degree measuring device and the score measured by the inquiry showed a specific value or more and the total number of monitors selecting each product.
【００６４】[0064]
【表１】[Table 1]
【００６５】また、上記表１に基づいて嗜好度と商品選
択との順位相関、嗜好度と評点との順位相関、商品選択
と評点との順位相関を下記の表２に示す。Table 2 below shows the rank correlation between the preference and the product selection, the rank correlation between the preference and the score, and the rank correlation between the product selection and the score based on Table 1 above.
【００６６】[0066]
【表２】[Table 2]
【００６７】上記の表１及び表２から特定の商品につい
て高い嗜好度を示したモニタは必ずその商品を選択する
していると同時に、特定の商品について高い評点を示し
たモニタは必ずしもその商品を選択していないことがわ
かる。つまり、実際の商品購入等においては、香りに対
する好きあるいは嫌いの要素以外に、意識下あるいは無
意識下の快、不快、感動等の要因が作用していることが
示された。From Tables 1 and 2 above, the monitor showing a high degree of preference for a particular product always selects that product, and at the same time, the monitor showing a high score for a particular product does not necessarily select that product. You can see that it is not selected. In other words, it was shown that in actual product purchases, factors such as consciousness or unconsciousness, pleasantness, discomfort, and excitement act in addition to factors such as likes or dislikes of scents.
【００６８】以上、本実施例では香りに対する嗜好度の
測定を行ったが、マッサージ箇所、温度、湿度、音楽、
映像等の刺激に対する測定を行うようにしてもよい。As described above, in the present embodiment, the degree of preference for the scent was measured, but the massage location, temperature, humidity, music,
You may make it measure with respect to stimuli, such as a video.
【００６９】[0069]
【発明の効果】本発明によれば、香り等の刺激に対する
嗜好度を簡略且つ定量的に測定することができる。According to the present invention, the degree of preference for a stimulus such as a scent can be simply and quantitatively measured.
【００７０】さらに、本発明により測定した嗜好度に基
づいて、効率的な商品開発、あるいは消費者の要求に応
じた商品、情報等を提供することができる。Furthermore, it is possible to efficiently develop products or provide products, information, etc. that meet consumer demands, based on the degree of preference measured by the present invention.
【図１】本発明の原理図FIG. 1 is a principle diagram of the present invention.
【図２】本発明の原理図FIG. 2 is a principle diagram of the present invention.
【図３】本実施例における嗜好度測定装置の全体構成ブ
ロック図FIG. 3 is an overall configuration block diagram of the preference degree measuring device according to the present embodiment.
【図４】本実施例におけるメモリの内部構成ブロック図FIG. 4 is a block diagram of an internal configuration of a memory according to the present embodiment.
【図５】本実施例におけるＣＰＵの内部構成ブロック図FIG. 5 is a block diagram of the internal configuration of the CPU in this embodiment.
【図６】本実施例における嗜好度測定装置の動作フロー
チャート図FIG. 6 is an operation flowchart of the preference measuring device according to the present embodiment.
【図７】反射型光電式センサの装着例FIG. 7: Mounting example of reflective photoelectric sensor
【図８】本実施例における波形増幅処理のイメージ図FIG. 8 is an image diagram of waveform amplification processing in this embodiment.
【図９】本実施例におけるサンプリング処理のイメージ
図FIG. 9 is an image diagram of sampling processing in the present embodiment.
【図10】本実施例における一次元時系列データのイメー
ジ図FIG. 10 is an image diagram of one-dimensional time series data according to the present embodiment.
【図11】自己相関関数のイメージ図[Figure 11] Image diagram of autocorrelation function
【図12】埋め込み処理のイメージ図[Figure 12] Image diagram of embedding processing
【図13】相関積分量と超球内の半径を表す距離との関係
を示すグラフFIG. 13 is a graph showing a relationship between a correlation integral amount and a distance representing a radius inside the hypersphere.
【図14】相関指数ｄ（ｎ）と埋め込み次元ｎとの関係を
示すグラフFIG. 14 is a graph showing the relationship between correlation index d (n) and embedding dimension n.
【図15】嗜好度評価値とカオス量との相関関係を示すグ
ラフFIG. 15 is a graph showing the correlation between preference evaluation value and chaos amount.
１・・カオス量算出規則 ２・・嗜好度判定規則 ３・・生理信号検出手段 ４・・カオス量算出手段 ４ａ・・データ変換部 ４ｂ・・相関積分量算出部 ４ｃ・・相関次元数算出部 ５・・嗜好度算出手段 ６・・反射型光電式センサ ７・・波形増幅装置 ８・・サンプリング装置 ９・・メモリ ９ａ・・カオス量算出処理プログラム ９ｂ・・嗜好度算出処理プログラム １０・・ＣＰＵ １０ａ・・自己相関処理部 １０ｂ・・埋め込み処理部 １０ｃ・・相関積分量算出部 １０ｄ・・相関指数算出部 １０ｅ・・嗜好度算出部 １０ｆ・・制御部 １１・・ディスプレイ装置 １２・・キーボード ４０・・サンプリング部 ４１・・高次元ベクトルデータ生成部 1. Chaotic amount calculation rule 2. Preference degree determination rule 3. Physiologic signal detection means 4. Chaos amount calculation means 4a. Data conversion unit 4b. Correlation integral amount calculation unit 4c .. Correlation dimension number calculation unit 5. Preference degree calculation means 6 ... Reflective photoelectric sensor 7 ... Waveform amplification device 8 ... Sampling device 9 ... Memory 9a ... Chaos amount calculation processing program 9b ... Preference calculation processing program 10. 10a ... Autocorrelation processing unit 10b ... Embedding processing unit 10c ... Correlation integral amount calculation unit 10d ... Correlation index calculation unit 10e ... Preference degree calculation unit 10f ... Control unit 11 ... Display device 12 ... Keyboard 40 ..Sampling unit 41..High-dimensional vector data generation unit
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP14409193AJPH0721145A (en) | 1993-06-15 | 1993-06-15 | Method and device for measuring extent of fancy |
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP14409193AJPH0721145A (en) | 1993-06-15 | 1993-06-15 | Method and device for measuring extent of fancy |
| Publication Number | Publication Date |
|---|---|
| JPH0721145Atrue JPH0721145A (en) | 1995-01-24 |
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP14409193APendingJPH0721145A (en) | 1993-06-15 | 1993-06-15 | Method and device for measuring extent of fancy |
| Country | Link |
|---|---|
| JP (1) | JPH0721145A (en) |
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001059742A (en)* | 1999-08-25 | 2001-03-06 | Sharp Corp | Walking data measuring instrument |
| JP2010067255A (en)* | 2008-08-11 | 2010-03-25 | Chaos Technical Research Laboratory | Apparatus or method for determining degree of buying intention |
| JP2015060488A (en)* | 2013-09-20 | 2015-03-30 | 株式会社 資生堂 | Preference evaluation method, preference evaluation device, and preference evaluation program |
| JP2023532323A (en)* | 2020-06-30 | 2023-07-27 | ロレアル | A system for generating product recommendations using biometric data |
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001059742A (en)* | 1999-08-25 | 2001-03-06 | Sharp Corp | Walking data measuring instrument |
| JP2010067255A (en)* | 2008-08-11 | 2010-03-25 | Chaos Technical Research Laboratory | Apparatus or method for determining degree of buying intention |
| JP2015060488A (en)* | 2013-09-20 | 2015-03-30 | 株式会社 資生堂 | Preference evaluation method, preference evaluation device, and preference evaluation program |
| JP2023532323A (en)* | 2020-06-30 | 2023-07-27 | ロレアル | A system for generating product recommendations using biometric data |
| US12417478B2 (en) | 2020-06-30 | 2025-09-16 | L'oreal | System for generating product recommendations using biometric data |
| Publication | Publication Date | Title |
|---|---|---|
| RU2602797C2 (en) | Method and device for measuring stress | |
| US10299735B2 (en) | Automated diagnosis based at least in part on pulse waveforms | |
| US9398873B2 (en) | Method of obtaining a desired state in a subject | |
| JP6190466B2 (en) | Biological signal measuring instrument and contact state estimation method | |
| JP5327458B2 (en) | Mental stress evaluation, device using it and its program | |
| JP6513005B2 (en) | Fatigue meter | |
| JP7336755B2 (en) | DATA GENERATION DEVICE, BIOLOGICAL DATA MEASUREMENT SYSTEM, CLASSIFIER GENERATION DEVICE, DATA GENERATION METHOD, CLASSIFIER GENERATION METHOD, AND PROGRAM | |
| CN116013470B (en) | Method, system and device for dynamically adjusting sleep behavior activity level | |
| JP2015109964A (en) | Emotion estimation device, emotion estimation processing system, emotion estimation method, and emotion estimation program | |
| KR20230021106A (en) | System for generating product recommendations using biometric data | |
| JP3053455B2 (en) | Comfort evaluation system and comfort evaluation / control system | |
| Grundlehner et al. | The design and analysis of a real-time, continuous arousal monitor | |
| Tiwari et al. | Classification of physiological signals for emotion recognition using IoT | |
| Rathod et al. | Bio-signal based emotion detection device | |
| van den Broek et al. | Unobtrusive sensing of emotions (USE) | |
| JPH0721145A (en) | Method and device for measuring extent of fancy | |
| Sharma et al. | Intelligent data analysis algorithms on biofeedback signals for estimating emotions | |
| JP7557773B2 (en) | HEART RATE VARIABILITY INDEX ESTIMATION DEVICE, HEART RATE VARIABILITY INDEX ESTIMATION METHOD, AND HEART RATE VARIABILITY INDEX ESTIMATION PROGRAM | |
| Sindhu et al. | Emotion driven mood enhancing multimedia recommendation system using physiological signal | |
| JPH0721146A (en) | Method and device for measuring congeniality | |
| Singh et al. | Multi-scale fractal dimension to quantify heart rate variability and systolic blood pressure variability: A postural stress analysis | |
| Engin | Spectral and wavelet based assessment of congestive heart failure patients | |
| Labat et al. | Wearable Blood Pressure Monitoring System-Case Study of Multiplatform Applications for Medical Use | |
| Mohammadi et al. | Blood Pressure Estimation through Photoplethysmography and Machine Learning Models | |
| JPWO2020065081A5 (en) |