運動想起ベースのマルチクラスブレインコンピュータにおけるEEG ダイナミクスの変動の証拠

Evidence of Variabilities in EEG Dynamics during Motor Imagery-Based Multiclass Brain Computer
Simanto Saha, Khawza Ahmed, Raqibul Mostafa, Leontios Hadjileontiadis, Ahsan Khandoker
“IEEE Transactions on Neural Systems and Rehabilitation Engineering”, Vol.PP, Issue.99, 2017
20171220_tishihara

“被験者間およびセッション間の変動は,脳波図(脳波)ベースの脳コンピュータインタフェース(BCI)システムにおいて重大な課題を提起する.さらに高次元EEG モンタージュは,過剰な数のチャネルが関与するため,膨大な計算負荷を招く.2 つの実験的、すなわち、セッション間および被験者間のモーターイメージ(MI)の作業中のEEG 変動を本稿では調査する.特に、認知段階の脳波動態の日間変動に起因するBCI の性能への影響が探究される.さらにペアワイズパフォーマンス連想(PPA)における被験者対間の被験者間のBCI 実現可能性をさらに検討する.さらに脳の特定の領域からの異なる数のチャネルの空間的脳動態の統合によるこれらの2 つの状況への影響について議論する.提案されたアプローチは,3 つの異なる空間フィルタリング技術の前処理を受ける4 つのクラスのMI タスク,すなわち左手/右手,足および舌のEEG データを含む実際のBCI データセットで検証される.実験結果は被験者間実験の場合に約58 %の最大分類精度が達成されたが,セッション間実験の場合には2 つのセッションにわたって分類精度で31 %の偏差が認められた.結論としてBCI は,主題およびセッション特有の較正および使用されるチャネルの数がより少なく,プラグアンドプレイ用の一般的かつ効率的なフレームワークを促進する上で極めて重要な役割を果たす.”

運動想起に基づくブレイン-コンピュータ・インターフェースのスパース・フィルタ帯域による空間パターンの最適化

Optimizing spatial patterns with sparse filter bands for motor-imagery based brain-computer interface
運動想起に基づくブレイン-コンピュータ・インターフェースのスパース・フィルタ帯域による空間パターンの最適化
Yu Zhanga, Guoxu Zhoub, Jing Jin, Xingyu Wanga, Andrzej Cichockib
Journal of Neuroscience Methods, 2015, Volume.255, P.85-89
20171021_tishihara

背景:CSPは,ブレイン-コンピュータインターフェース(BCI)アプリケーションにおいて分類のための運動想起特徴抽出のために最も広く適用されている.CSPの成功した適用は,フィルタ帯域の選択に大きく依存する.しかし,最も適切なバンドは典型的には被験者固有であり,手動ではほとんど決定できない.新しい方法:本研究では,空間パターンを最適化するためのスパースなフィルタ帯域共通空間パターン(SFBCSP)を提案する.SFBCSPは,重複バンドのセットで生EEGデータからフィルタリングされた複数の信号上のCSP特徴を推定する.CSPの重要な特性をもたらすフィルタ帯域はスパース回帰を利用して監督された方法で選択されます.サポートベクトルマシン(SVM)は,MI分類のために選択された特徴上に実装される.結果:2つの公開EEGデータセット(BCI競技IIIデータセットIVaおよびBCIコンペティションIV IIb)を使用して,提案されたSFBCSP方法を検証する.実験結果は,SFBCSPがMIの分類性能を改善するのを助けることを実証する.既存の方法との比較:SFBCSPによる最適化された空間パターンは,いくつかの競合する方法と比較して全体的に優れたMI分類精度を与える.結論:提案されたSFBCSPは,MIベースのBCIの性能を改善するための潜在的な方法である.

遺伝的特徴選択を用いた運動イメージ脳波の分類精度の改善

Improving Classi cation Accuracy of Motor Imagery EEG Using Genetic Feature Selection
Clinical EEG and Neuroscience, 2014, Vol.45, No.3, P.163-168
20170927_tishihara

本研究では,運動像(MI)データの分類を強化するために,特徴選択と組み合わせた脳波(EEG)分析システムが提案されている.これは主に,特徴抽出,特徴選択,および分類を含む.最初に適応自己回帰(AAR)パラ
メータ,スペクトルパワー,アシンメトリ比,コヒーレンスおよびフェーロック値を含むいくつかの特徴が,その後の分類のために抽出される.遺伝的アルゴリズムを使用して,組み合わせから上記の特徴のうちの1 つ特徴を選択する.最後に,選択された特徴はサポートベクトルマシン(SVM)によって分類される.2 つのデータセットからのMI データの”特徴選択なし”およびバックプロパゲーションニューラルネットワーク(BPNN)と比較して,より良い分類精度を達成し,ブレイン-コンピュータインタフェース(BCI)のアプリケーションに適している.

感覚運動リズムを用いた脳コンピュータインタフェース:現状と今後の展望

Brain-Computer Interfaces Using Sensorimotor Rhythms: Current State and Future Perspectives
IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, VOL. 61, NO. 5, P.1425-1435, MAY 2014
20170531_tishihara

過去20 年にわたる多くの研究により,人々は脳信号を使用してブレインコンピュータインターフェース(BCI)
を使用してその意図をコンピュータに伝えることができることが示されている.BCI システムは,脳活動の特定
の特徴を抽出しその出力を駆動する制御信号に翻訳する.近年,脳波記録(EEG)などの非侵襲的な神経記録を
用いたBCI の中で,感覚運動皮質すなわち感覚運動リズム(SMR)に記録されたリズム活動に基づいたBCI の
カテゴリーが注目されており多次元プロテーゼ制御の能力が実証された.本稿では.SMR ベースのBCI とその臨
床応用の現状と今後の展望,特にEEG-SMR に焦点を当てて検討する.ヒトの脳からのSMR の特徴的な特徴が
記述され,その基礎となる神経源が議論される.SMR ベースのBCI の機能的成分は,現在の臨床応用とともにレ
ビューされている.最後に、SMR-BCI の限界と今後の展望についても議論する.

正規化されたセンサ共分散行列の分類:CSP の代替

Classifying Regularized Sensor Covariance Matrices: An Alternative to CSP
IEEE TRANSACTIONS ON NEURAL SYSTEMS AND REHABILITATION ENGINEERING,VOL. 24, NO. 8, AUGUST 2016
20161222_tishihara

一般的な空間パターン(CSP)は, 運送想起タイプのブレインコンピュータインタフェース(BCI)データセッ トを分類するために一般的に使用される技術である. 基本的なテクニックについて多くの拡張と改良を加えてきた により, 多方面で利用されている. しかしながら,CSP の欠点は, 信号処理パイプラインが,2 つの教師付き学習段階 を含むことである. 第 1 はクラス別の空間フィルタが学習され, 第 2 は分類器がフィルタリングされた分散を分類 するためである. これにより潜在的なオーバーフィット問題が発生する可能性があります. これは CSP をほんの数 のフィルタに限定することで一般的に回避可能である. この研究では, 監督された学習段階を 1 つだけ必要とする 代替アプローチが必要であると主張している. この手法の重要なステップは, 白色化された空間共分散行列を特徴 として使用し, 線形分類器を使用して空間フィルタと分類器の重みを同時に学習することである. しかし不幸なこ とに, このアプローチは過適合問題にもつながる. 私たちは白色化計算を適切に正則化することによって, これ らの問題に対処する方法を示す. リッジ正則共分散は, 白色化空間共分散,CSP、および 2 つの正規化 CSP 分類法 より, 正則化法の BCI の有用性を示す運動想起データセットにおいて優れている. トレースノルムの正則化は、結 果の解釈可能性に役立つ.

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.

キュー型BCI における有効な特徴量・識別器を見出す比較手法

A comparison approach toward nding the best feature and classi er in cue-based BCI

Medical Biological Engineering Computing, April 2007, Volume 45, Issue 4, pp 403-412

20151029 ktanaka

本件では,5名の被験者を採用し,運動想起型BCI(左右手運動想起)のパフォーマンス向上するために画期的な特徴量抽出法と識別方法を比較評価を行う.有益な特徴量抽出選択の為にサポートベクターマシン,アダブースト,そしてフィッシャー識別分析器に加えて帯域パワー,適応自動回帰率,そしてフラクタル次元に関して評価した.単一の特徴量と識別器の組み合わせにおいてはフィッシャー線形識別分析の帯域パワーが三名の被験者において最も良い結果を得た.そしてフラクタル次元,フィッシャー線形識別分析,サポートベクターマシンは他2名において最も良い結果を導いた.遺伝的アルゴリズムが先の識別器と共に特徴量の最も有効な組み合わせを見つけるために用いられ,そして4名の被験者において識別エラー率を劇的に低下させ,最も良い結果を得た.遺伝的特徴量の組み合わせ結果は遺伝的アルゴリズムのパフォーマンスを示すために単純な特徴量結合を用いて比較した.

脳とストレス軸:ストレス応答におけるコルチゾール統制の神経相関

The brain and the stress axis: The neural correlates of cortisol regulation in response to stress
Neuroimage, vol. 47, no. 3, pp. 864-871, 2009.
2015.1029.okamura

本件では,5名の被験者を採用し,運動想起型BCI(左右手運動想起)のパフォーマンス向上するために画期的な特徴量抽出法と識別方法を比較評価を行う.有益な特徴量抽出選択の為にサポートベクターマシン,アダブースト,そしてフィッシャー識別分析器に加えて帯域パワー,適応自動回帰率,そしてフラクタル次元に関して評価した.単一の特徴量と識別器の組み合わせにおいてはフィッシャー線形識別分析の帯域パワーが三名の被験者において最も良い結果を得た.そしてフラクタル次元,フィッシャー線形識別分析,サポートベクターマシンは他2名において最も良い結果を導いた.遺伝的アルゴリズムが先の識別器と共に特徴量の最も有効な組み合わせを見つけるために用いられ,そして4名の被験者において識別エラー率を劇的に低下させ,最も良い結果を得た.遺伝的特徴量の組み合わせ結果は遺伝的アルゴリズムのパフォーマンスを示すために単純な特徴量結合を用いて比較した.

運動想起における運動野活性を検知するEEG-fMRI 同時計測型リアルタイムフィードバック

Real-time EEG feedback during simultaneous EEG-fMRI identi es the cortical signature of motor imagery

NeuroImage, Volume 114, 1 July 2015, Pages 438-447

20150817 ktanaka

EEG(electroencephalogram)のリアルタイムフィードバックを用いた運動想起はブレインマシーン・インターフェイスの研究を進める上でよく用いられる手法である.運動想起型BCIは脳機能損傷後に運動野修復を担う治療方法として将来性のある訓練だと考えられている.しかし,EEGのみで運動野活性パターンを特定し,適切なフィードバックが出来ているかどうか判断することは不確かである.そこで我々はfMRI(functionalmagneticresonanceimaging)とEEGを組み合わせることで同時計測し,運動感覚野の活性と運動想起におけるEEGフィードバック間に存在する関係を特定することを試みた.そのため,MRI勾配と心弾動アーチファクトの干渉によってEEG信号は修正され,リアルタイムEEGフィードバックを可能とした.フィードバック時とそうでない時におけるタスク特有の脳活動の違いがEEGとfMRIの計測結果に表れた.また,感覚野における脳波リズムの振幅が減少したときの対側性運動想起は対側感覚野におけるfMRIの活性と相関がみられた.それとは反対に同側fMRIパターンは同側のEEGパターンと必ずしも一致しなかった.同時にEEGフィードバックによる調節によって運動想起時のEEG信号と感覚運動野活動の複雑な関係性を発見した.この発見は運動機能リハビリの為の運動想起EEGニューロフィードバックの可能性を広げ,また運動想起型BCIにおける個々の違いを理解する上で非常に役立つと考えれられる.

Brain computer interface (BCI), BCI illiteracy, Concurrent EEG, fMRI, Motor imagery

fNIRS とEEG により計測された運動イメージに基づいたBCI におけるトレーニングユーザに対する皮質効果

pdf

Cortical effects of user training in a motor imagery based
brain-computer interface measured by fNIRS and EEG

NeuroImage, Vol.85, No.1, 432-444, 2014

現在の研究は,感覚運動皮質の活性パターンに関して運動イメージ(MI)に基づいたBCI を用いたトレーニン
グの影響の洞察を得ることを目的としている.我々は,2 クラス(右手と右足)MI に基づいたBCI を用いた10
個のセッション全体で長期のトレーニング効果を調査するためにfNIRS 及びEEG を使用した.トレーニングの
間に活性パターンの重要な増強が発生し,fNIRS におけるOxy-Hb の増加,また,EEG におけるβ-周波数帯上の
強い事象関連脱同期によって表された.これらの効果は比較的低いBCI パフォーマンス(平均70 %以下)の参加
者のみで見えた.我々はMI に基づいたBCI を用いたトレーニングが特に低いBCI パフォーマンスのユーザにお
いて皮質活性パターンに影響を及ぼすことを発見した.これらの結果は,BCI 研究の分野へ貴重な貢献として用
いられ,MI に基づいたBCI を用いたトレーニングが持つ皮質活性パターンへの影響に関する情報を提供するかも
しれない.これは,神経可塑性を促進し,導くことを目指すBCI の臨床アプリケーションに役立つかもしれない.