Publicly Offered Research
Grant-in-Aid for Transformative Research Areas (A)
本研究の目的は，頭の外側のセンサで非侵襲に測定したノイズを含む観測信号から，脳内の活動を予測する逆問題を解くことである．この問題は脳内の散乱現象の透視化に関係しているといえる．活動源の推定は，人間の複雑な認知機能に関わる脳の領域の発見や，脳疾患や精神疾患によって変化した部分の発見に応用されることが期待される．本研究ではノイズを含む脳波の逆問題の解法として，Deep Priorを用いた機械学習に基づく手法を提案し有効性を確認する．
本研究の目的は，未学習のDeepニューラルネットワークにより表現される暗黙的な事前分布（Deep Prior）に着目し，頭の外側のセンサで非侵襲に測定したノイズを含む観測信号から，脳内電流源を予測する逆問題を解くことである．この問題は脳内の散乱現象の透視化に関係しているといえる．これまでの研究成果において，畳み込みネットワークが電流源の事前分布を表現可能であることを示してきた．しかし，多くのパラメータを持つ非線形なネットワークを含んだモデルの最適化によって推定される電流は一意ではなく，Deep Priorを用いた安定的な電流源の位置推定法が必要であった．そこで令和4年度ではDeep Priorを用いた電流源推定の安定性を向上させるための新たな損失関数として，自己正確推定損失を提案した．この損失は，Deep Priorの持つセンサ上のノイズを除去する性質と電流源の位置を正確に推定できる線形逆作用素を用いて，ネットワークが出力する電流分布に制約を与えることができる．また，Deep Priorを用いる場合，ノイズの少ないセンサ出力を得るため適切な回数でパラメータの更新を打ち切る必要がある．この課題への対応方法として，モデルのセンサ出力が観測ノイズに過適合するのを防ぐことができる新たな再構成損失も提案した．右側の1次聴覚野および1次体性感覚野にそれぞれ単一電流源を配置して脳活動データを合成し，提案手法を用いて電流分布を推定した結果，従来のDeep Priorを用いた手法よりも電流源の位置推定の安定性が向上し，よく用いられる線形の手法と同等の性能を示した．これらの結果は自己正確推定損失と再構成損失の有効性を示すものである．
令和4年度が最終年度であるため、記入しない。
All 2023 2022 2021 Other
All Presentation (9 results) (of which Int'l Joint Research: 4 results) Remarks (1 results)
http://www.me.cs.scitec.kobe-u.ac.jp/~takigu
