2022 Fiscal Year Research-status Report
安静時脳波の時空間特徴学習に基づく脳状態や個性の定量化
| Project/Area Number |
21K12055
|
|---|
| Research Institution | National Institute of Advanced Industrial Science and Technology |
|---|
Principal Investigator |
平山 淳一郎 国立研究開発法人産業技術総合研究所, 情報・人間工学領域, 主任研究員 (80512269)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
川鍋 一晃 株式会社国際電気通信基礎技術研究所, 脳情報通信総合研究所, 研究室長 (30272389)
|
|---|
| Project Period (FY) |
2021-04-01 – 2024-03-31
|
| Keywords | 機械学習 / 脳波 / 機能的結合 / 筋電図 |
|---|
| Outline of Annual Research Achievements |
機能的な脳ネットワークと関連した人の状態や個人特性を、脳波(EEG)および関連する脳・生体データに基づいて定量化する機械学習の技術開発を目的とし、今年度は主に以下のように研究を進めた。第一に、前年度に引き続き、共分散行列のリーマン幾何構造を考慮したEEGの特徴学習手法について検討した。脳-機械インターフェイス等に関連するEEG解析においては、近年、EEGデータの（短時間）共分散行列を入力データとしてパターン判別やそれに伴う特徴学習を行うアプローチが盛んに用いられている。特に、共分散行列のリーマン幾何構造を考慮し、代表点まわりでのリーマン接空間にデータを移すことで、線形モデルなど比較的単純な手法でも、潜在的に信号源パワーの変動と関連する特徴量がうまく捉えられ、判別性能も向上しうることが知られている。一方で、共分散行列の計算前に利用される各種の古典的な時間・空間フィルタについては何らかの事前知識に基づいて固定してしまうことが多く、得られたデータに対する最適性や、状態・個人間での異質性への対処には問題があった。そこで、我々は前段としてこれらの時間・空間フィルタ、後段として共分散行列に対するリーマン幾何的な判別器を用いた多段のEEG時空間特徴学習・判別法を開発した。開発した時空間特徴学習法は、リーマン接空間を被験者毎に異なる代表点でとるアイデアと組み合わせることで、運動想像課題に関する各種のベンチマーク脳波データについて高い判別性能をもつことが示された（Kobler et al. 2022)。第二に、新たに脳だけでなく身体を含めた脳・生体ネットワークの特徴解析へと展開した。本年度は公開されている歩行中のEEGと筋電図(EMG)データの同時測定データについて予備的な解析を行った。コヒーレンスを定量指標とし、８つの脳領域と16筋のEMG信号との間で特徴的な機能的ネットワークが得られることが確認された。
|
| Current Status of Research Progress |
Current Status of Research Progress
1: Research has progressed more than it was originally planned.
Reason
昨年度に、当初予定した安静時データから定量評価のための課題時データへと方針変更はあったものの、目標とした多被験者での時空間特徴解析について今年度中に成果を得た。これは当初計画では最終年度末までに完了するとしており、その点で計画以上に進展した。
|
| Strategy for Future Research Activity |
開発してきたデータ解析の方法論を、引き続き脳波やその他の脳・生体データへと適用していく。特に脳波解析では得られたパターンの解釈性等がしばしば問題となるため、当初計画にあったEEG-fMRI同時計測データや、本年度新たに展開したEEG-EMG同時計測データなど、他モダリティとの関連付けによる方法論を探っていく。
|
| Causes of Carryover |
引き続きコロナ等の理由により旅費等の支出が少なく、計算機等についても想定より計算コストがかからず、既存のもので対応可能であったため。次年度は対面会議等の開催が増えているため旅費等に支出する等、また本年度得た新たな展開のさらなる深掘りのため、期間延長についても検討する。
|
Research Products
(1 results)
