九州大学学術情報リポジトリ
Kyushu University Institutional Repository
Paired Comparison-based Interactive
Differential Evolution for Cochlear Implant Fitting
船木, 亮平
九州大学大学院システム情報科学府
高木, 英行
九州大学大学院芸術工学研究院
中川, 尚志
福岡大学医学部
永田, 里恵
福岡大学医学部
他
http://hdl.handle.net/2324/1434438
出版情報：進化計算研究会. 第6回, pp.179-181, 2014-03. The Japanese Society for Evolutionary Computation
バージョン：
権利関係：
人工内耳パラメータフィッティングへの対比較ベース対話型差分進化の適用
船木亮平
†, 高木英行††, 中川尚志 ‡, 永田里恵 ‡ 松本希
‡‡
, 永田里恵 ‡ 松本希
‡‡
九州大学大学院システム情報科学府†
,
九州大学大学院芸術工学研究院††,
福岡大学医学部‡九州大 学大学院医学研究院‡‡1
はじめに対話型進化計算（
IEC
）は人間の主観的評価を 適合度として最適化を行う進化計算手法である．IEC
を用いることで，定量的な基準を持たず適合 度の計算が困難な対象の最適化を行うことが可能 となる．例えば，人間の味の好み，デザインの良 し 悪 し ，音 の 聞 こ え な ど の 最 適 化 で は ，適 合 度 は人間の主観的な評価基準でしか与えられない．更に，探索データを解析することで人間の好み や 感 性 ，身 体 的 な 特 性 な ど の 解 明 が 期 待 で き ， アート，デザイン，信号処理，ロボット，データ ベース検索など多くの分野で応用されている1) ．
代表的な
IEC
として，対話型遺伝的アルゴリズ ム（IGA)
，対話型遺伝的プログラミング（IGP)
， 対話型差分進化（IDE)
などが挙げられる．IGA
やIGP
は遺伝的アルゴリズムの演算をベースとして おり，全個体の適合度を基に選択演算を行う．そ のため，これらのユーザは提示された全個体を比 較 し 各々の 個 体 に 評 価 点 を 与 え な け れ ば な ら な い．しかし，同時比較ができない動画や音へIGA
やIGP
を 応 用 す る 場 合 ，記 憶 を 頼 り に 全 個 体 を 比較評価点せねばならず，ユーザ疲労は大きい．対比較ベース
IDE
2, 3)は，差分進化演算（DE)
4, 5) の対比較特性を積極的に用いるIEC
である．IDE
ユーザは提示された2
個体の比較を繰り返すこと で探索を行うことができるので，全個体比較が 困難な動画や音の最適化では，IGA
やIGP
に比べ て ユ ー ザ 疲 労 が 格 段 に 軽 減 さ れ る ．Paired Comparison-based Interactive Differential Evolution for Cochlear Implant Fitting
† Ryohei Funaki([email protected])
†† Hideyuki Takagi([email protected] u.ac.jp)
†† Takashi Nakagawa([email protected])
‡ Rie Nagata([email protected])
‡‡ Nozomu Matsumoto([email protected]) Graduate School of Information Science and Electrical Engi- neering, Kyushu University (†)
Faculty of Design, Kyushu University (††) Faculty of Medicine, Fukuoka University (‡) Faculty of Medical Sciences, Kyushu University (‡‡)
本 研 究 で は ，こ の 対 比 較 ベ ー ス
IDE
を 人 工 内 耳フィッティングに適用し，その実用性を評価す る．これまでIGA
を用いた人工内耳フィッティン グ6) はあったが，上述の疲労問題のため8
個体で の 探 索 を 行 わ ざ る を 得 ず，そ れ で も 疲 労 が 大 き かった で あ ろ う と 推 察 さ れ る ．IDE
で人工内耳フィッティングを行う利点とし て，（1
）言語聴覚士が経験に基づいて病院等でパ ラ メ ー タ を マ ニュア ル 調 整 す る 従 来 法 に 対 し ， 装用者の日常音環境下で手軽にフィッティングす ることができるようになる．ただし，フィッティ ン グ は 医 療 行 為 で あ る た め 現 状 で は 言 語 聴 覚 士の同伴が必要であるが，原理上は装用者自ら フィッティングすることも可能となる．（2
）探索 データを解析することで，装用者の聞こえの特 性を解析できる可能性がある．（3
）全個体比較を 強 い ら れ る 他 のIEC
手 法 よ り も 装 用 者 の 疲 労 軽 減 が 期 待 で き る ．等 が あ げ ら れ る ．こ れ ら の 点 を 基 に 考 察 し ，そ の 実 用 性 を 評 価 す る ．2
従来技術2.1 対比較ベース対話型差分進化
差 分 進 化 は ，個 体 間 差 分 ベ ク ト ル か ら 得 ら れ る 個 体 の 分 布 情 報 を 用 い て 探 索 を 行 う．個 体 集 団が探索領域に広く分布している場合は，個体 間差分ベクトルは大きくなり大域的探索を行う．
一 方 ，集 団 の 収 束 に 従って ，個 体 間 差 分 ベ ク ト ル は 小 さ く な り 局 所 的 探 索 に 移 行 し て い く．次 世 代 候 補 個 体 で あ る
trial vector
は 主 に こ の 差 分 ベ ク ト ル に よ る 集 団 分 布 情 報 を 指 標 に 作 成 し ，GA
の よ う に 適 合 度 を 指 標 と し な い ．差 分 進 化 の選択演算は，親個体（target vector
）と子個体（
trial vector
）の 対 比 較 に よって 優 良 個 体 を 次 世 代に継承するという操作のみであり，1
つの親個 体 か ら1
つ の 子 個 体 を 生 成 す る ．対 比 較 ベ ー スIDE
2, 3) は こ の 対 比 較 評 価 を 人 間 が 行 う 手 法 で あり，ユーザ疲労や記憶の観点からこれまでIEC
の適用が難しいとされた動画や音などの最適化問 題 で あって も 適 用 可 能 と な る ．
対 比 較 ベ ー ス
IDE
の 全 体 の ア ル ゴ リ ズ ム を 示 す．まず，進化の対象となる個体をtarget vector
と す る ．次 に ，target vector
と は 異 な る3
個 体 XR1，XR2，XR3をランダムに選択し，次式からmutant vector
Uを 作 成 す る ．XR1はbase vector
と 呼 ば れ ，探 索 の 基 準 と な る 個 体 で あ る ．DE/rand
:
U=
XR1+
F×(
XR2−XR3)
Fは ，個 体XR2と 個 体XR3の 差 分 ベ ク ト ル の 大 き さ を 調 整 す る
0
よ り 大 き な 定 数 で あ る ．そ し て，target vector
とmutant vector
を交叉し，trial vector
を 作 成 す る ．IDE
ユ ー ザ はtarget vector
とtrial vector
を 比 較 し ，評 価 値 の 高 い 方 をtarget
vector
に上書きする．以上の操作を全ての個体に対して行うことで
1
世代とし，目的解が見つかる か 指 定 世 代 数 と な る ま で 繰 り 返 す．2.2 Opposition-based Learning
Opposition-based learning (OBL)
7) は ，探 索 領 域中心を対称点とした鏡面座標に個体を作成し，集団に加える手法である．
IEC
では探索領域の大 きさに対し非常に少ない個体数で探索を行わざ るを得ないことが多々あり，そのような条件下で ランダム生成された初期個体の分布は偏る恐れ がある．本論文では，初期化直後の1
世代目にお けるtrial vector
をOBL
によって作成されたtarget
vector
の鏡面座標個体とすることで，初期化個体の偏りを軽減する．
2
世代目以降は通常通りIDE
の 進 化 演 算 に よってtrial vector
の 作 成 を 行 う．3
実験 3.1 実験条件本研究では，対比較ベース
IDE
を22
チャンネル のコクレア社の人工内耳フィッティングに適用す る．IDE
フィッティングは各チャネルパラメータ レンジの下限（T
値）と上限（C
値）の計44
パラ メータ値を[0, 255]
の整数値で調整することであ る（T
値<C
値）．実際のIDE
探索は実数値空間で 行い，小数点以下切り捨てることで整数値のT
値 とC
値 を 得 る ．個 体 数 は
16
，差 分 ベ ク ト ル の 大 き さ を 調 整 す るscale factor
Fは0.7
，交叉は交叉率0.5
の一様交 差 と す る ．被 験 者 は 実 際 に 治 療 を 行って い る 装 用 者1
名 で あ る ．3.2 実験結果と考察
本実験の被験者
1
名が普段使用していたマップ データの語音明瞭度は80%
であったが，本実験のIDE
フィッティングの11
世代目での語音明瞭度は90%
に到達した．このことより，言語聴覚士の経 験に基づく従来法でなくてもIDE
フィッティング に よって 高 い 語 音 明 瞭 度 を 得 る 可 能 性 が 示 さ れ た（ た だ し 実 験 者 は 言 語 聴 覚 士 で あ る ）．しかし，
16
個体で11
世代まで探索を行うには176
回の音比較が必要であり，対比較といえども ユ ー ザ へ の 負 担 が 大 き く，語 音 明 瞭 度 試 験 を 行 う場合は1
世代／日，行わない場合は2
〜3
世代／日 を か け て 最 適 化 を 行 う 必 要 が あった ．現 状 で はユーザの音環境下で簡単にフィッティングを行 うにはまだ実用上の課題が大きく，
IDE
探索の高 速 化 な ど の 工 夫 が 必 要 で あ る ．例 え ば ，従 来 手 法 に よって 言 語 聴 覚 士 が 作 成 し た マップ デ ー タ を 初 期 個 体 に 混 ぜ た 状 態 で 探 索 を 開 始 し た り，周辺環境による微調整の場合は現在使用してい る マップ デ ー タ を
base vector
と し て 周 辺 探 索 し た り す る な ど の 対 策 が 考 え ら れ る ．Fig. 1(a)
に，11
世代目におけるチャンネル毎の パ ラ メ ー タ と 言 語 聴 覚 士 に よ る マ ニュア ル マッ ピ ン グ に よって 作 成 さ れ た パ ラ メ ー タ 比 較 を 示 す．横軸はチャンネル数，縦軸はT
値，C
値であ る ．言 語 聴 覚 士 は 隣 接 チャネ ル 間 の 連 続 性 を 考 慮したフィッティングを行っているが，IDE
探索 ではこの制約を入れていないため，得られたT
値 やC
値は様々である．チャンネル間のパラメータ 値 に 大 き な 差 が あ る こ と が 語 音 明 瞭 度 を10%
向 上させた本質なのか，それともある程度の連続 性の制約を導入することで更なる向上を見込ま れ る か な ど は ，今 後 の 実 験 を 待 つ 必 要 が あ る ． しかし，実験結果は，マニュアルマッピングでは 実 現 で き な かった 複 雑 で よ り 良 い マップ デ ー タ 発 見 の 可 能 性 を 示 し て い る ．Fig. 1(b)
とFig. 1(c)
は ，第5
世 代 と 第6
世 代 ， お よ び ，第10
世 代 と 第11
世 代 の 最 優 良 個 体 の マップデータの比較である．第5
世代と第6
世代 の6
チャンネルのT
値や15
チャンネルのT
値，C
値 の 幅 が 大 き く 異 なって い る が ，語 音 明 瞭 度 は 共 に70%
で あ る ．一 方 ，第10
世 代 と 第11
世 代 の 最 優 良 個 体 の マップ デ ー タ は チャン ネ ル3
，8
，11
，13
，15
に 微々た る 差 で あ る が ，両 者 の 語 音 明 瞭 度はそれぞれ80%
と90%
と大きな差がある．これ ら の こ と か ら ，語 音 明 瞭 度 に 影 響 を 及 ぼ す チャ(a)
マニュアルマッピングと11
世代におけるマッ プ デ ー タ の 比 較 ．(b) 5
世 代 目 と6
世 代 の マップ デ ー タ の 比 較 ．(c) 10
世 代 目 と11
世 代 の マップ デ ー タ の 比 較 ．Fig. 1
マップデータの比較．コクレア社のチャネル番号は高域から低域にかけて付与されてい る た め ，チャネ ル 軸 の 右 か ら 左 方 向 に 周 波 数 帯 域 が 高 く な る ．
ンネルの感度は大きく異なることが推測される．
4
結論本研究では，対比較ベース
IDE
を実際に人工内 耳フィッティングに適用し，その実用性を考察し た．第1
に，被験者実験ができる範囲のIDE
試行 回数内で，従来手法である言語聴覚士のマニュア ル マッピ ン グ の 語 音 明 瞭 度 を 上 回 る 性 能 の マッ プ デ ー タ を 得 る こ と が で き 得 る こ と を 示 し た ． し か し ，実 用 性 の 観 点 か ら は ，高 速 化 の 工 夫 が必要であることも明らかになった．第
2
に，実験 で得られたデータから以下の2
つの知見が得られ た．まず従来のマッピングでは隣接チャンネル間 で劇的に変化するようなフィッティングは考えに くかったが，チャンネル毎にT
値とC
値が大きく 異 な る マップ デ ー タ で も よ り 良 い 語 音 明 瞭 度 を 示 し 得 る こ と が 明 ら か に な り，こ れ ま で の フィ ティン グ 方 法 を 見 直 す 知 見 に 成 り 得 る こ と ，ま た，語音明瞭度感度はチャネルパラメータによっ て 大 き く 異 な り 得 る こ と ，が 明 ら か に なった ．今後も更に解析を進めることで装用者の聴覚 特 性 を 理 解 し ，よ り 効 果 的 な マップ デ ー タ の 発 見や効率的な探索を行うことができるようにな る か も し れ な い ．
謝辞
本研究は
JSPS
科学研究費（課題番号23592503
お よ び23500279
）の 助 成 を 受 け た も の で あ る ．参考文献
1) Hideyuki Takagi, “Interactive Evolutionary Compu- tation: Fusion of the Capabilities of EC Optimiza- tion and Human Evaluation,” Proceedings of the IEEE, vol.89, no.9, pp.1275–1296 (2001).
2) H. Takagi and D. Pallez, “Paired Comparison- based Interactive Differential Evolution,” 1st World Congress on Nature and Biologically Inspired Com- puting (NaBIC2009), Coimbatore, India, pp.375–
480 (Dec., 2009).
3) 高木英行, D. Pallez,「対比較ベース対話型差分進 化」第3回進化計算シンポジウム，那覇，pp.245–251 (2009年12月 ）.
4) R. Storn and K. Price, “Minimizing the real func- tions of the ICEC’96 contest by differential evo- lution,” Int. Conf. on Evolutionary Computation (ICEC1996), Nagoya, Japan, pp.842–844 (May, 1996).
5) R. Storn and K. Price, “Differential evolution — a simple and efficient heuristic for global optimiza- tion over continuous spaces,” Journal of Global Op- timization, vol. 11, pp.341–359 (1997).
6) P. Legrand, C. Bourgeois-Republique, V. P´ean, et al., “ Interactive evolution for cochlear implants fit- ting,” J. of Genetic Programming and Evolvable Machines, vol. 8, no.4, pp.319–354 (2007).
7) H. R. Tizhoosh, “Opposition-Based Learning: A New Scheme for Machine Intelligence,” Computa- tional Intelligence for Modelling, Control and Au- tomation, vo. 1, pp.695–701 (2005).
