2010 Fiscal Year Annual Research Report
ブレイン・コンタクトによる予測協調制御に向けた適応型BMIの展開
| Project/Area Number |
21240013
|
|---|
| Research Institution | Nagaoka University of Technology |
|---|
Principal Investigator |
和田 安弘 長岡技術科学大学, 工学部, 教授 (70293248)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
大石 潔 長岡技術科学大学, 工学部, 教授 (40185187)
小池 康晴 東京工業大学, 精密工学研究所, 教授 (10302978)
松崎 周一 長岡技術科学大学, 工学部, 助教 (60455706)
|
|---|
| Keywords | BMI / 力方向 / 適応 / 強化学習 |
|---|
| Research Abstract |
平成22年度は、力に関する情報表現に関する研究と、強化信号の推定に関する研究を継続実施した。
(1)力に関する情報表現
等尺性運動における4方向の力発生時のデータの実験・解析を継続した。実験では、被験者が右腕による等尺性筋伸縮運動を、4方向(前、右、後、左方向)について行い、左半球一次運動野周辺のfNIRS信号を測定した。fNIRS信号に対する、空間的、時間的な特徴選択手法を提案し、運動方向に寄与する特徴量の抽出を試みた。結果として、SVMの適用で約70-90%の推定精度が得られた。また、NIRS-SPM解析を得られたfNIRS信号に対して行うことで統計的に有意な特徴を示し、推定に寄与した特徴量とNIRS-SPM解析の結果に関連があることを示した。また、本研究でfNIRS信号に対する一般的な処理であるフィルタ処理、加算平均処理、主成分分析(PCA)、独立成分分析(ICA)により得られた信号が神経情報を反映しているかを検討した。検討した結果は、PCAをfNIRS信号に対し適用し、得られた主成分を選択的に特徴量へと採用することで、4力方向を90[%]以上の精度で分類できることを示し、fNIRS信号から抽出された特徴量は神経情報を反映しており、適切な処理により高い精度でのデコーディングが実現できる可能性を示した。
(2)適応学習アルゴリズム:強化信号の推定
BMIを実用化するためには利用者個々に適応した制御則が必要である。本研究ではシステムの出力結果とユーザの意図が異なった際に発生する事象関連電位を強化学習の報酬信号としたBMIシステムについて検討した。P300 spellerをBMIの一例として、発生した事象関連電位を識別するための分類アルゴリズムを提案し、9人の被験者で事象関連電位を強化学習の報酬に利用可能であり、事象関連電位を報酬信号とした適応的BMI実現の可能性を示した。
|
