課題における記憶作業負荷の評価のためのワイヤレスEEG 信号の使用

Using Wireless EEG Signals to Assess Memory Workload in the n-Back Task n-back
Jacek Gwizdka, and W. Art Chaovalitwongse
IEEE,Volume 46, Issue 3, Pages 424-435, June 2016

生理学的尺度である脳波記録(EEG)信号を用いた精神的な作業負荷の評価は活発な分野である.近年,EEGや他の生理学的信号を計測できる多数の無線取得システムが利用可能になった.このような無線システムを応用して認知的作業負荷を評価したりその性能を評価する研究はほとんど存在しない.本稿はよく知られているN-back課題において記憶の作業負荷レベルを評価するための一般的な無線システム(Emotiv EPOC ヘッドセット)の可能性を調べるための最初のステップである.我々は自動アーチファクト除去アルゴリズム,広範囲の特徴抽出技術,個人ごとの特徴スケーリング法,情報理論に基づく特徴選択法,および近位サポートベクターマシンに基づく分類モデルを統合した信号処理と分類のフレームワークを開発した.実験の結果として無線で収集されたEEG 信号は9 人の被験者の異なる記憶作業負荷レベルの分類に用いることができることが示された.最低の作業負荷レベル(0-back)と活発な作業負荷レベル(1,2,3-back)の間の分類精度は100%に近かった.1-back と2-back の最良な分類精度は80%,1-back と3-back は84%であった.この研究は無線取得システムと先進的なデータ分析及びパターン認識技術は現代社会における多種多様な認知活動に従事する人間の精神的作業負荷レベルのリアルタイムモニタリング及び識別を達成していることを示唆する.

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.