2015 Fiscal Year Research-status Report
脳活動の近赤外分光計測データに対する経路長を考慮した実時間解析法の研究
| Project/Area Number |
25420385
|
|---|
| Research Institution | Tokyo Denki University |
|---|
Principal Investigator |
安達 雅春 東京電機大学, 工学部, 教授 (20312035)
|
|---|
| Project Period (FY) |
2013-04-01 – 2017-03-31
|
| Keywords | NIRS / 脳機能計測 / 非線形時系列解析 / リカレンスプロット |
|---|
| Outline of Annual Research Achievements |
本申請研究課題では、近赤外分光装置(NIRS)により測定した脳活動データの高速識別手法の確立とリハビリテーションの補助のためのNIRSデータの解析結果表示システムの構築を目指す。
平成27年度は、前年度に着手した非線形時系列解析手法の一種であるリカレンス・プロット（以下RPと表記）によるNIRSデータの解析について、従来は定性的な評価が行われたRPについて、RPを行列として表すことによって現れる距離行列の要素に関するヒストグラムを統計的に解析することによって定量的な評価を行った。ここで、統計解析は上記のヒストグラムに対して、平均、中央値、最頻値、最大値、歪度、尖度を検討対象とした。この手法を右手掌握運動の課題実行時のNIRSデータに適用して解析を行った。
その結果、掌握運動実行時には、平均、中央値、最頻値について、タスク前（レスト）とタスク期間のNIRSデータに有意差を認めた。
上記の解析法は、NIRS計測における光路長問題の影響を受けず、計算が容易でオンライン計測にも適用可能であるため、本課題が目指すNIRS計測データの実時間解析法として有効であると言える。
平成27年度には上記の他に、Hungらによって提案された機械学習手法である Extreme Learning Machine を用いてNIRS計測データのレスト・タスク識別についても検討した。予備的な数値実験の結果、従来のサポートベクターマシンによる識別に比べて、高速に時系列の学習が可能で、識別精度も比較的良好なモデル構築が可能であるとの見通しを得た。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
近赤外分光装置(NIRS)により測定した脳活動データの解析手法については、リカレンス・プロットの適用により手の掌握運動の検出は高速に実行可能であることが示された一方、掌握運動の想像タスクについては検討が不十分という結果となっており、当初の計画に対してやや遅れていると言える。
一方で、NIRSデータの学習に基づく識別については、 Extreme Learning Machine を適用することにより、当初計画より高速かつ高性能の学習の目処が立ったため、当初の計画通りに進展していると言える。
上記より、全体としての達成度は、やや遅れているが、課題実施期間の1年の延長申請が認められたため、この期間終了時に計画を達成することは可能であると考えられる。
|
| Strategy for Future Research Activity |
前年度までの成果で得られた光路長の影響を受けないリカレンスプロット（以下RPと表記）によるNIRSデータの解析手法を、運動想像時のタスク・レストの識別を行う手法に発展させる。
次に、RPで前処理を行ったデータを Extreme Learning Machine に学習させ、リアルタムなNIRSデータの識別とその結果の表示システムを構築する。
|
| Causes of Carryover |
本課題で得られた成果を学術論文誌に投稿したが、査読期間と査読意見への対応に当初の想定より長期間を要した。このため、年度内に掲載は決定したものの、掲載料の支出は次年度に行う必要が生じ、使用額に変動が生じた。
|
| Expenditure Plan for Carryover Budget |
平成28年度には、上記論文掲載料の支出を速やかに行う。また、国内外の学会への積極的な参加と論文投稿を行う予定である。
|
