BCI 特徴空間における特徴選択のための積極的突然変異を用いた遺伝的アルゴリズム

Genetic algorithm with aggressive mutation for
feature selection in BCI feature space
Pattern Analysis and Applications, 2015, Vol.18, No.3, P.485-492
20170830_tishihara

この論文の目的は,攻撃的突然変異を有する遺伝的アルゴリズムと呼ばれる,特徴選択のための新しいアルゴリズムを提示することである.この論文では,アルゴリズムの理論的背景と,ブレイン-コンピュータインタフェース(BCI)領域における特徴選択のための応用の両方を提示している.アルゴリズムの可能性を十分に提示し,実用性を実証するために,BCI の研究で一般的に使用されている他の方法と比較する.提案されたアルゴリズムの実際の応用は,第2 回BCI コンペティション(データセットIII-モーターイメージ)に提出されたベンチマークセットであった.

BCI アプリケーションにおけるfNIRS の信号のLDA 分類による最適な特徴の組み合わせの決定

Determining Optimal Feature-Combination for LDA
Classi cation of Functional Near-Infrared Spectroscopy
Signals in Brain-Computer Interface Application
Frontiers in human neuroscience, 2016
20170519_sfujii

本研究では,2 クラスBCI の開発にとって,最も精度が良い機能的近赤外分光法信号の分類のために最適な特徴の組み合わせを決定する.多チャンネル連続波イメージングシステムを使用して,暗算時の信号は,7 人の健康な被験者の前頭前野皮質から得られる.生理学的ノイズを除去した後,平均、勾配、分散、ピーク、歪度および尖度の6 つの酸素化ヘモグロビンと脱酸素化ヘモグロビンの特徴が計算される.線形判別分析(LDA)を使用して
計算された特徴量のうち,2~3 の組み合わせの全ては暗算と安静で分類された.平均値およびピーク値を含む組
み合わせは,すべての被験者にわたって,酸素化ヘモグロビンおよび脱酸素化ヘモグロビンの両方について,他
のすべての組み合わせよりも有意に高い(p <0.05)分類精度をもたらしたことが見出されている.これらの結果 は,2 クラスBCI の暗算と休息の分類の特徴として,酸素化ヘモグロビンおよび脱酸素化ヘモグロビンの平均値 およびピーク値を用いて高い分類精度を達成する可能性を実証している.

脳卒中のためのEEG ベースの運動想起型BCI ロボットリハビリテーションのランダム化比較試験

A Randomized Controlled Trial of EEG-Based Motor Imagery Brain-Computer Interface Robotic Rehabilitation for Stroke

Clinical EEG and Neuroscience, pp.: 310-320, 46.4 (2015)
20170419_tishihara

EEG ベースの運動想起型BCI 技術は活動依存性の脳可塑性を誘導することによって運動機能を回復させる可能性がある.この研究の目的は,上肢麻痺を伴う慢性脳卒中の被験者について,MIT-Manus 肩肘ロボットフィードバック(BCI-Manus)と組み合わせたEEG ベースのMI-BCI システムの有効性を調べることであった.この一重盲検ランダム化試験では,MI-BCI を使用する能力を事前に選別した26 人の片麻痺被験者(Fugl-Meyer による脳卒中後の運動回復評価[FMMA] score、4-40; 16 人、平均年齢51.4 歳、平均発作期間297.4 日)を,BCI-ManusまたはManus 療法に無作為に割り当て,4 週間にわたって18 時間持続させた.有効性は,0 週目,2 週目,4 週目および12 週目の上肢FMMA スコアを用いて測定した.BCIManus に割り当てられた被験者からのElEG データを,修正された脳対称指数(rBSI)を用いて定量化し,FMMA スコアの改善との相関について分析した.11 人および15 人の被験者は,それぞれBCI-Manus およびManus 療法を受けた.マヌスグループのある被験者は脱落した.BCI-Manus では26.3 ± 10.3,27.4 ± 12.0,30.8 ± 13.8,および31.5 ± 13.5 であり,BCI-Manus では26.6 ± 18.9,29.9 ± 20.6,32.9 であった± 21.4,および33.9 ± 20.2 であり,群間の差はなかった(P = .51).BCI-Manus(11 例中7 例(63.6 %))がManus(14 例中5 例(35.7 %))より12 週目にFMMA スコアを上回った.rBSI スコアとFMMA スコアとの間には負の相関が見られた(P = .044).BCIManus 療法は良好な耐容性を示し,有害事象と関連していなかった.結論として,BCI-Manus 療法は重度の脳卒中後の片頭痛後の腕のリハビリに有効かつ安全である.EEG ベースのMI 誘発型ロボットフィードバック(136 回/セッション)を用いた腕運動繰り返しの減少にもかかわらず,集中的なロボット療法(1040 回/セッション)で達成された運動効果と同等であった.rBSI と運動改善との相関は,rBSI がBCI に基づく脳卒中リハビリテーションの予後指標として使用できることを示唆している.

EEG特徴空間における特徴選択のための遺伝的アルゴリズムと前進的選択法

Genetic algorithm and forward method for feature selection in EEG feature space
Journal of Theoretical and Applied Computer Science, 2013, Volume 7, No.2, P.72-82
20161123_tishihara

脳波信号(EEG)に基づいたブレインコンピュータインターフェースを構築するプロセスには多くの問題が生じる.実施可能な実験の数と特徴空間のサイズとの間に大きな不均衡があり,記録された信号から抽出された特徴はそれらの1つに含む.この不均衡を減少させるために,特徴選択のための方法を適用することが必要である.機能選択のアプローチの1つは,しばしばブレインコンピュータインタフェースの研究で行われる,各個人のすべての機能をコード化する古典的な遺伝的アルゴリズムである.この研では,このアプローチは高度な分類精度の特徴の集合を得ることができるが,フォワード選択法を用いて選択された特徴の集合または与えられた(非常に小さい)個の遺伝子の個体を備えた遺伝的アルゴリズムと比較して高度に冗長な特徴集合にもつながることを示す.

ガウス分布とベイジアンネットワークに基づいた運動イメージEEG 信号解析

Motor imagery EEG signals analysis based on Bayesian network with Gaussian distribution
Neurocomputing, Volume 188, 5 May 2016, Pages 217-224
160907_tishihara

脳から機械への新しいコミュニケーションチャンネルとして, Brain Machine Interface が近年注目を集めている. 本稿での提案手法はベイジアンネットワークに基づいたマルチモーターイメージタスクを解析することである.一方でチャンネルの物理的な位置と運動イメージのクラス情報はベイジアンネットワーク構造の構築において制約として採用された. 一方で連続的なガウス分布モデルは, EEG 信号の真の性質を反映する伝統的な方法で変数を離散化以外の, ベイジアンネットワークノードをモデル化するために使用される. 最後にネットワーク構造およびエッジ推論スコアはSVM 分類器を構築するために使用される.BCI の競争データセットBCI IIIa および当社独自のラボ収集したデータセットの実験結果は, 2 つの実験の平均精度はエッジの選択に基づいて,93 %および88 %でありより良い現在の方法と比較して良かったことを示す.

ブレイン・コンピュータ・インタフェースのためのニューロフィードバックベースの運動イメージトレーニング

Neurofeedback-based motor imagery training for brain-computer interface (BCI)
Han-Jeong Hwang, Kiwoon Kwon, Chang-Hwang Im
Journal of Neuroscience Methods, Volume 179, Issue 1, 30 April 2009, Pages 150-156
160314_tishihara
本研究では,EEGを用いたBCIのためのニューロフィードバックベースの運動イメージトレーニングシステムを提案する.提案システムは,個人が自分の皮質にリアルタイムで脳の活性化マップを提示することにより,運動イメージの感覚を得ることに貢献する.10人の健常な被験者が我々の実験に参加し,半数が提案した訓練システムによって訓練され,他の半数はどんな訓練も行わなかった.訓練されたグループ内のすべての被験者は,一連の実験後,自分の手足のいずれかの物理的な動きをすることなく,運動野を活性化するための運動イメージを実行することに成功した.提案したシステムの効果を確認するために,訓練を受けたグループでは訓練前と訓練後で我々の実験デザインに応じて左または右の手いずれかの動きを想像中の感覚運動皮質の周りのEEG信号を記録した.対照群では,訓練をせずに2回EEG信号を記録した.参加者のイメージは,時間-周波数解析手法を用いて分類し,訓練を受けたグループの結果は,訓練前および訓練後に記録された信号との間で感覚運動リズムに有意差が認められた.分類精度は,訓練前の精度と比較し,訓練後ですべての被験者で大きく向上した.一方、対照群のEEGデータセットの分析結果から意味のある時間-周波数の組み合わせの数と分類精度の両方で一貫した改善が見られず,提案システムはBCIアプリケーションにおける運動イメージタスクを訓練するためのツールとして使用することができることが実証された.さらに,我々は提案システムは,BCIのアプリケーションのためだけでなく,同様に運動イメージのタスクを利用する脳機能マッピング研究のためにも有用であろうことを期待している.

左右手首の運動イメージにおける2 ステージ4 クラスBCI の検討

pdf

Medical Engineering & Physics, Volume 34, Issue 7, September 2012, Pages 964-971
A two-stage four-class BCI based on imaginary movements of the left and the right wrist

本件では,左右手首の運動イメージを元に2 ステージ4 クラス識別のブレイン・マシーン・インターフェイス(BCI)の概念について述べる.本研究における非侵襲BCI は,左右の腕の運動識別と共に,それぞれの手首の屈伸運動の識別も行う.実験には,右利き健常者10 名を起用した.実験に参加した被験者には,実験前に実際に腕の運動練習をすることは控えるよう指示した.異なる4 クラスの平均識別率は63 ± 10%となった.また,2 ステージ4 クラスの識別率は手首単体の屈伸運動における4 クラス識別に比べてかなり良い識別結果(p = 0.014)となった.識別器としてElman のニューラルネットワークを用い,EEG の時系列データの独立成分から算出したガボール係数の絶対値を特徴量として選択した.左右の腕運動の識別としてα-β波帯域から特徴量を抽出し,同様に,各腕の手首における運動においてはδ-γ波帯域から特徴量を抽出した.結果として,左右の手首における運動の識別の精度には大きな違いは見られなかった.

Movement imagery, Brain-computer interface, Four-class classi er, Two-stage classi er

適応的回帰パラメータを使用した左右の運動イメージ中における脳波信号の分離可能性

pdf

Separability of EEG signals recorded during right and
left motor imagery using adaptive autoregressive
parameters

IEEE TRANSACTIONS ON REHABILITATION ENGINEERING, Vol. 6, No. 3, pp.316-325, 1998

左右の運動イメージ中における脳波信号はコンピュータスクリーン上のターゲットに向けてカーソルを移動さ
せることが可能になり得る.そのような脳波ベースのBCI は運動機能障害に取って代わるための新しいコミュニ
ケーションチャンネルを提供することができる.そのシステムは,例えばALS 患者により特定の質問に答えるた
めの簡単な二値反応を見つけるために使用され得る.4 名の被験者が脳波ベースのカーソル操作に関するオンライ
ンセッションに参加した.左右の運動イメージ中の脳波が感覚運動野付近の皮質上に設置された電極から記録さ
れた.脳波信号は被験者に特化した周波数で解析され,ニューラルネットワークによりオンラインで識別された.
オンラインエラー(100%は完璧は識別) は10.0%から38.1%の間であった.さらに単一試行データはオーダ6 の
適応的回帰モデルを使うことによりオフラインでも解析された.線形判別分析を用いて,左右の運動イメージの
推定パラメータが分離された.誤差率は5.8%から32.8%の間が得られ,その値はオンラインの結果よりも良かっ
た.オンライン識別のためにAAR モデルを使うことによって,誤差率の改善が期待されるが識別に約1 秒の遅れ
が生じる.