Paired Comparison-based InteractiveDifferential Evolution for Cochlear ImplantFitting

全文

(1)

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

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:

(2)

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

‡‡

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

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

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

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(funaki@cig.ees.kyushu-u.ac.jp)

†† Hideyuki Takagi(takagi.hideyuki.457@m.kyushu- u.ac.jp)

†† Takashi Nakagawa(tnakagawa@fukuoka-u.ac.jp)

Rie Nagata(rien@fukuoka-u.ac.jp)

‡‡ Nozomu Matsumoto(matunozo@med.kyushu-u.ac.jp) 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

(3)

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 XR1XR2XR3をランダムに選択し,次式から

mutant vector

Uを 作 成 す る .XR1

base vector

と 呼 ば れ ,探 索 の 基 準 と な る 個 体 で あ る .

DE/rand

:

U

=

XR1

+

(

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

mutant vector

を交叉し,

trial vector

を 作 成 す る .

IDE

ユ ー ザ は

target vector

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

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

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

<

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

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)

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%

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

(4)

(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).

Updating...

参照

Updating...

関連した話題 :

Scan and read on 1LIB APP