安静時におけるfMRIの機能的接続性:ビッグデータの前処理パイプラインと形態的データ解析

Resting-State fMRI Functional Connectivity: Big Data Preprocessing Pipelines and Topological Data Analysis
Angkoon Phinyomark, Esther Ibanez-Marcelo, Giovanni Petri
IEEE Transactions on Big Data vol.3, Issue: 4, pp.415-428, Dec. 1, 2017
20180113knakamura

安静時の機能的磁気共鳴イメージング(rfMRI)を使用して,機能的な接続性を測定し,脳ネットワークおよび関連する脳障害および疾患を同定することが可能である.しかし,これらの複雑なネットワークを探索するには,膨大な量のデータが必要である.近年,神経イメージング技術の進歩とrfMRIのユニークな方法論的アプローチにより,Biomedical Big Dataの時代が実現した.本稿では,大規模なデータ共有プロジェクトの進捗状況について議論する.この増加するニューロイメージングデータは,大規模データセットを扱う際の前処理パイプラインと高度な分析テクニックの開発の重要性を大幅に高めた. rfMRIデータに解析メソッドを適用する前に,不要なエフェクトをすべて減らすためのいくつかの前処理ステップを適用する必要がある.最小限の前処理パイプラインを含む,前処理済みrfMRIビッグデータにアクセスするための3つの代替方法が示されており,機能的な接続性を調べるために用いられる方法がいくつか存在する.しかし,ビッグデータの分析には限界があり,そのようなデータを探索するための新しいツールが必要である.我々は,代数的トポロジーに根ざした多数の方法を提案し,まとめてrfMRI機能的接続に対するトポロジカルデータ分析と呼ぶ.また,ビッグデータ分析のためのそれらの特性についても議論する.

Turbo-Satori:リアルタイム機能的近赤外分光法のためのニューロフィードバックと脳コンピューターインターフェースツールボックス

Turbo-Satori: a neurofeedback and brain-computer interface toolbox for real-time functional near-infrared spectroscopy
Luhrs, Michael and Goebel, Rainer
Neurophotonics, vol.4, No.4, pp. 041504, 2017
20171107_sfujii

“Turbo-Satoriは,リアルタイム機能的近赤外分光法(fNIRS)のための神経フィードバックと脳コンピュータインタフェース(BCI)ツールボックスである.リアルタイムの前処理および分析から神経フィードバックおよびBCIアプリケーションまでの複数のパイプラインが組み込まれている.ツールボックスは有用性に重点を置いて設計されており,リアルタイム実験のセットアップと実行を迅速に実行することができる. Turbo-Satoriは,リアルタイムの一般的な線形モデル計算に高度な再帰最小二乗法を使用し,高度なBCIアプリケーション用のSVM教師あり学習を使用している.これは,一般的なNIRx fNIRSハードウェアと直接通信し,最大6時間の録音実験中に,すべてのサンプリング間隔の計算時間を大幅に変更することなく,計算をリアルタイムで実行できるように幅広くテストされた.高度な処理機能に即座にアクセスできるようにすることで,fNIRSのデータ収集と処理の分野で,学生や非専門家にもこのツールボックスを使用可能である.柔軟なネットワークインターフェースにより,第三者の刺激アプリケーションは,処理されたデータおよび計算された統計にリアルタイムでアクセスし,この情報を神経フィードバックまたはBCIプレゼンテーションに容易に組み込むことが可能である.”

リーマン幾何学によるマルチクラスブレイン- コンピュータインタフェースの分類

Multiclass Brain-Computer Interface Classi cation by
Riemannian Geometry
IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, VOL. 59, NO. 4, P.920-928, APRIL 2012
20170510_tishihara

本稿では運動想起に基づくBrain Computer Interface の新しい分類フレームワークを紹介する.この枠組は共
分散行列の多様体におけるリーマン幾何学の概念を含む.主な考え方は,EEG 信号記述子として空間共分散行列
を使用し,対称および正定値(SPD)行列の多様体のトポロジを使用してこれらの行列を直接分類するリーマン
幾何学に依存することである.このフレームワークは空間フィルタリングを使用せずにEEG 信号に含まれる空間
情報を抽出することを可能にする.2 つの方法が提案され,BCI コンペティションIV からのマルチクラスデータ
セットIIa に関する参照方法[マルチクラス共通空間パターン(CSP)および線形判別分析(LDA)] と比較され
る.リーマン平均距離(MDRM)までの最小距離と呼ばれる第1 の方法は,リーマン距離およびリーマン平均を
用いた最小距離- 平均(MDM)分類アルゴリズムの実装である.この単純な方法は,参照方法と同等の結果を示
す.第2 の方法は,接線空間LDA(TSLDA)と呼ばれ,共分散行列をベクトル化してユークリッド物体として扱
うことができるリーマン正接空間上に行列を置く.次に,次元を減少させるために可変選択手順が適用され,LDA
による分類が実行される.この後者の方法は平均分類を増加させる参照方法より優れている.精度は65.1 %から
70.2 %になる.