| Project/Area Number |
20K19887
|
|---|
| Research Category |
Grant-in-Aid for Early-Career Scientists
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
Basic Section 61040:Soft computing-related
|
|---|
| Research Institution | Shiga University (2022-2023)
Institute of Physical and Chemical Research (2020-2021) |
|---|
Principal Investigator |
|
|---|
| Project Period (FY) |
2020-04-01 – 2024-03-31
|
| Project Status |
Completed (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,160,000 (Direct Cost: ¥3,200,000、Indirect Cost: ¥960,000)
Fiscal Year 2023: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
Fiscal Year 2022: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
Fiscal Year 2021: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
Fiscal Year 2020: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
|
|---|
| Keywords | 脳波 / 非線形振動子 / 位相応答曲線 / 深層学習 / カルマンフィルタ / 頭皮脳波 / ニューラルマスモデル / ニューラルネットワーク |
|---|
| Outline of Research at the Start |
人間の脳からは周期的な活動が観測されており，この脳活動が協調することで認知機能を実現していると考えられている．しかしながら，この脳活動がどのように協調しているのか，さらには，どのような力学的な過程によって生じる周期的な活動なのかに関しては明らかになっていない．本課題では，頭皮脳波として観測されるマクロな脳活動の力学的性質の解明を目指し，“生理学的なモデルを用いた脳波の位相応答に関する研究”と“脳波から振動子としての成分を抽出する手法の開発”を実施する．
|
| Outline of Final Research Achievements |
In this project, we developed two methods that combine Kalman filters and autoregressive models to extract periodic signals from EEG data, and a prediction method for analytic signals using deep neural networks. These methods have been validated with real EEG data and have demonstrated higher accuracy than conventional real-time prediction methods, enabling more precise EEG closed-loop experiments. We plan to extend these EEG state prediction methods by regarding the EEG as a nonlinear oscillator to estimate its state and predict the response function to inputs in future work.
|
| Academic Significance and Societal Importance of the Research Achievements |
本研究課題では脳波から周期的な信号をリアルタイムで抽出する手法を提案しており，この手法は脳波を用いたclosed-loop実験に用いることが可能である．これにより周期的な脳活動と認知機能との因果関係をより詳細に検証できる可能性がある．また，深層学習を用いた脳波の状態推定の枠組みは脳活動の解析やBrain Machine Interface（BMI）等の開発にも流用することが可能であり，脳神経科学における新たな実験手法の開発に貢献できると考えている．
|
