n-back 課題時の精神的作業負荷 – fNIRS 装置を使用して前頭前野の定量化

Mental workload during n-back task ―quantified in the prefrontal cortex using fNIRS
frontiers in HUMAN NEUROSCIENCE, Volume 7, pp.1-9, 2014
20160116khanawa

技術システムと対話するとき,ユーザーは精神的な作業の負荷を経験する.特に,マルチタスクのシナリオ(例 えば,運転中のカーナビゲーションシステムと対話する)で,ユーザーは主要に行っているタスクから注意をそら さないことが望まれる.そのような目的のために,ヒューマンマシンインターフェース(HCIs)が連続的にユー ザの作業負荷を監視し,動的に計測された作業負荷にインターフェースの振る舞いを適合させることが望ましい. 記憶課題は複数の試行に渡って平均化する時,脳内の血流動態反応を誘発することが示されているが,単一試行 の分類では,そのユーザーの作業負荷に HCIs を動的に適応させる目的のために重要な前提条件である.前頭前野 (PFC)は,記憶の処理と関連した作業負荷に重要な役割を果たす.10 人の被験者のこの研究において,私たちは PFC の作業負荷の活性をサンプリングする機能的赤外分光法 (NIRS) である非侵襲的画像診断法を使用した.結 果は作業負荷の 3 つのレベルの単一試行を識別するために 78%の精度を示した.私たちは急速に変化するアイテ ムの現在から 1, 2, 3 番目を連続的に記憶することを強いる作業負荷のレベルが異なる(n = 1, 2, 3 ) n-back を使 用した.私たちの研究の結果は PFC の血流動態反応を計測する fNIRS 装置は精神的作業負荷を定量的及び分類 するために使用することができることを示している.単一試行の解析はまだ一般的な規格の不足に苦しんでいる 分野である.fNIRS の方法と結果の比較を向上させるために,この研究のためのデータの資料はオンラインで利 用可能である.

Deep Convolutional Generative Adversarial Networks を用いた教師なし表現学習

Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks
arXiv preprint arXiv:1511.06434, 2015
20160116_rtamura

近年,Convolutional Neural Networks(CNNs)による教師あり学習は,コンピュータビジョンのアプリケーショ ンで大きな注目を浴びた.それと比較して,CNNsによる教師なし学習は,あまり注目を浴びなかった.本研究で, 我々は教師あり学習と教師なし学習の CNNs の成果の間のギャップを埋めることの手助けになることを望む.我々 は,CNNs の一種である deep convolutional generative adversarial networks(DCGANs) を紹介する.DCGANs は特定の構造的制約を持つ.そして,DCGANs は強力な教師なし学習の候補であることを示す.さまざまな画像 のデータセットでトレーニングすることで,我々は,深層畳み込み敵対ペア (生成器と識別器) は,生成器と識別 器の両方で物体のパーツから場面まで表現の階層を学習するという納得のいく証拠を示す.また,我々は一般的な 画像表現として適用性を示すために,新しいタスクで学習された特徴量を使用した.

粒子群最適化:開発, アプリケーションとリソース

Particle Swarm Optimization: Developments, Applications and Resources
Evolutionary Computation, 2001. Proceedings of the 2001 Congress on. Vol. 1. IEEE, 2001
20160115_jnishida

本稿では粒子群最適化に関連する動向,アプリケーション,およびリソースの工学とコンピュータ科学の側面 に焦点を当てている.1995 年の粒子群アルゴリズムの起源以来,発展が検討されている.簡単なくびれ因子の議 論,慣性重量,およびトラッキング動的システムも含まれています.アプリケーションは,それら両方について 既に開発され,有望な将来の応用分野は,検討されている.最後に,粒子群最適化に関連したリソースは,書籍, ウェブサイト,およびソフトウェアを含め,記載されている.粒子群最適化の参考文献は,論文の最後にある

ヘルスケアサービスを向上させるためのオントロジー知識マップ:専門病院の緊急ユニットの場合

ONTOLOGY KNOWLEDGE MAP FOR ENHANCING HEALTH CARE SERVICES: A CASE OF EMERGENCY UNIT OF SPECIALIST HOSPITA
Journal of Theoretical & Applied Information Technology, pp196-209, Vol.70, No.1, 2014
20160115_kmishima

発展途上国において,ここ数十年でヘルスケアの支出が増加しており,統計分析を行うと,ヘルスケアシステム や看護の運営に多くのミスが生じていることを示している.そのため,病院の総合効率を改善するために,病院 内の特定のトランザクションを行うための新しくかつ革新的な方法を導入する必要性がある.これに対処するた めに,我々は,医療管理を向上に向けて,再設計を要する不必要なトランザクションを見つけるために,オント ロジー知識マップ基づく方法を提案する.病院の救急ユニット(EU)の一般的および動的な状況を,よりよく理 解することができるだけでなく,同時に,企業の設計との間の良好な整合を提供する傾向があるので,我々は慎重 に問題文に対処するためにこの方法を選択する.この方法で,いくつかのトランザクションを再設計し不必要なトランザクションを削除することができた,EU のステートスペシャリストホスピタルダマトルにてテストした.この方法は,参加者の実務家 のインタビューや観察を用いて評価した.その結果,不要なプロセスの多くは,我々が削除・再設計することが できた緊急ユニット内の多くの不必要なプロセスがあることを示し,マニュアルの記録のエラー削減と時間応答 を削減するために電子カルテ(EHR)を配置する必要があることが確認された.

医療データセットを用いた不均衡クラス問題に対する学習メソッド

A learning method for the class imbalance problem with medical data sets
20160115_tsato

医療データセットにおいて,データは圧倒的に多い正常なサンプルと数パーセントの異常サンプルで構成され, 不均衡問題を引き起こす.不均衡データ問題において,学習モデルを作成するために全てのデータを学習器に入れ ることはマジョリティクラスの方へ学習の偏りが生じる.この問題を扱うために,マイノリティクラスのオーバー サンプリングとマジョリティクラスのアンダーサンプリングを行いデータセットのバランスをとる戦略をとる.マ ジョリティクラスに対して,ガウシアン型ファジーメンバーシップファンクションとアルファーカットをデータサ イズの削減のために使用する.マイナークラスに対してはメガトレンドディフュージョンメンバーシップ関数をサ ンプルの作成のために使用する.さらに,クラスのデータサイズのバランスを整えた後に,識別精度を向上させる ためにデータの次元をより高い次元に写した.本稿ではインド人の糖尿病データセット,肝疾患のデータセットの 2つのデータセットを例に示す.結果提案手法では,SVM,C4.5 アルゴリズムとくらべて,よい識別率を得た.

曲線下面積の 2 つの計算手法による時間変化に依存するホルモンの総濃度の評価

Two formulas for computation of the area under the curve represent measures of total hormone concentration versus time-dependent change
Psychoneuroendocrinology, vol. 28, no. 7, pp. 916-931, 2003.
2015.0109.okamura

神経科学や内分泌の分野の研究において,内分泌もしくは生理的変動を記録するために時間毎に繰り返し測定 するプロトコールがよく用いられる.時間や期間による反応に関する個人や集団の変化を調査するために繰り返 し測定することが望ましいが,一方で収集されるデータは統計解析における問題を引き起こす.繰り返された測定 と他の変数の間の関係の可能性を調査するとき,曲線下面積(AUC)は複数の時系列点を取り入れるためによく 用いられる.しかし,AUC の計算方法について研究機関を超えて標準化されているものはなく,結果について議 論するときこの違いについては示されない.これらは研究グループ間での知見の不適合性や変動性を引き起こす. 本論文では,曲線下面積の計算のための 2 つの手法を示す.そしてそれは台形手法に由来する.これらの手法は Area under the curve with respect to increase(AUCI) と Area under the curve with respect to ground(AUCG) と呼ばれる.これらの 2 つの手法によって測定データから得られる異なるデータについて,最近の著者の研究デー タと人工データから検証を行った.その結果,どの手法を用いるかによって他の変数との異なる関係が得られる 可能性があることが示された.よって,繰り返し測定されたデータセットを解析するときは両方の手法を用いる ことが推奨される.

P300 と SSVEP によるハイブリッド型 BCI

A new hybrid BCI paradigm based on P300 and SSVEP
Journal of Neuroscience Methods, Volume 244, 15 April 2015, Pages 16-25
20160109 ktanaka

背景 P300 と SSVEP は BCI の研究で幅広く使用される手法である.しかしながら,どちらの手法も全ての被験者に対 して機能するわけではない.2 つ,またはそれ以上のアプローチを組み合わせたハイブリッド型 BCI は,より多 くのユーザーに対して BCI 機能への適応を可能にする.ハイブリッド P300/SSVEP 型 BCI は近年発展し,BCI パフォーマンスを改善する数少ない方法として,その有効性が示された.
提案手法 本論文では,色変化の代わりに形状の変化を起こす新しいパラダイムを取り入れたハイブリッド P300/SSVEP 型 BCI を構築し,SSVEP の発現を喚起しながらも P300 に適応した手法を提案する.
結果 本論文において新しいハイブリッド型パラジウムは旧パラダイムよりも格段に良い結果を示した.
既存手法との比較 通常のパラダイムと比較し,新しいパラダイムでは SSVEP の識別精度が 20%程度上昇した.通常のパラジウム を除いた,本論文で提案する全てのパラジウムは P300 の識別精度において 100%の結果を得た.
結論 色変化の代わりに形状変化を用いた新しいハイブリッド P300/SSVEP 型 BCI は従来の SSVEP パラダイムよりも 高い識別精度を得た.本論文では,新しいハイブリッドパラダイムを用いることで P300 は SSVEP の発現を阻害 せず,通常のハイブリッドパラダイムよりも高い識別結果となった.