P300 と運動想起データセットのチャンネル選択手法としての多目的遺伝的アルゴリズム

Multi-objective genetic algorithm as channel selection method for P300 and motor imagery data set
Neurocomputing, Volume 161, Pages 120-131.2015
170704_snakamura

脳の異なる領域が異なる精神活動と関連しているように,チャネルの選択はタスクとは無関係と冗長チャネルを
除去することで,多電極脳波(EEG)システムの性能を向上させるためによく使用される.様々なチャネル選択
方法が以前の研究者による脳活動のいずれかのタイプを使用したブレインコンピュータインターフェース(BCI)
システムに実装成功されている.従来のBCI システムの限界を認識すると,ハイブリッドBCI システムの数が増
加している.これらのハイブリッドシステムは2 つの脳活動パターンの組み合わせを使用して,システムの機能性
を高める.この論文では,三目的遺伝的アルゴリズム(GAs)が選択されたチャンネル数とシステム精度を最適
化するために提案されている.本研究の目的は,BCI システムの分類精度と選択されたチャネルの数との間の最
適なトレードオフを調査することである.異なるBCI アプリケーションの優先順位が異なるため,このトレード
オフは重要である.いくつかの実施態様では最小数のチャネルを優先し,他の実施態様では分類精度を優先する.
本研究の第2 の目的は,異なる脳活動に基づくBCI システムのチャネル選択方法として採用されたGA の有効性
を調査することである.3 つのBCI 競合データセットを使用して,提案されたGA のパフォーマンスを評価する.
ノンパラメトリックフリードマン検定(p 値= 0.635)も行われ,チャンネル数の大幅な減少は評価データの分類
精度に大きな影響を与えないことが明らかになった.これはP300 および運動画像データの両方に対するチャネル
選択方法として遺伝的アルゴリズムの妥当性を確認する.

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.

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.

回帰型ネットワーク設計のための遺伝的アルゴリズムと粒子群最適化のハイブリッド

A Hybrid of Genetic Algorithm and Particle Swarm Optimization for Recurrent Network Design
IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS-PART B: CYBERNETICS, VOL. 34, NO. 2, 2004
20151015_jnishida

新しい進化学習アルゴリズムを用いた回帰ニューラル/ファジー・ネットワークのデザインを自動化する進化的回帰ネットワークを,本稿で提案する.この新しい進化的学習アルゴリズムは遺伝的アルゴリズム(GA)と粒子群最適化(PSO)の混成に基づいて,HGAPSOと呼ばれている.HGAPSOでは,GAの場合のように交叉と突然変異によってだけでなく,PSOによっても,新世代の個体が,つくられる.エリート戦略の概念は,HGAPSOでは集団の最も実行している個体の上半分がエリート集団と考えられているという考えのもとで採用される.しかし,次世代に直接再生する代わりに,これらのエリート集団は,最初に強化される.エリート集団によって設立されるグループは群れと考えられており,各々のエリートはその中で粒子とする.この点において,エリートは自然の中で成熟現象を模倣操作しているPSOによって強化される.残りの半分は,これらの強化されたエリートに交叉と突然変異の操作を実行することによって生成される.これに対し強化されたエリートは,新しい世代の集団の半分を構成する.次のようにHGAPSOを回帰ニューラル/ファジーネットワークの設計に適用する.回帰ニューラルネットワークでは,完全に接続された回帰ニューラルネットワークが設計され,時系列の製造上の問題に適用される.回帰ファジィネットワークの設計では,高木・菅野・カン型回帰ファジィネットワークが設計されており,動的なプラント制御に適用される.HGAPSOの性能は,その優位性を実証し,これらの回帰ネットワーク設計問題でGAとPSOの両方とを比較する.