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.

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.

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.

運動イメージ分類のための単一試行コネクティビティ推定

Single-trial connectivity estimation for classification of motor imagery data
Journal of Neural Engineering, Volume 10, Number 4, 11 June 2013
20160624_tishihara

目的:多くの脳とコンピュータのインターフェイス(BCI)は,異なる運動イメージ(MI)のパターンを区別する ために脳波のバンドパワー(BP)の変化を使用している.近年のほとんどのアプローチは,アカウントに分け脳 領域のコネクティビティを取ることはない.私たちの目的は単一試行コネクティビティ特徴量を導入し,BCI デー タにこれらの特徴量を適用することである.アプローチ:私たちは,BCI 環境においてベクトル自己回帰(VAR) の独立成分のモデルからの単一試行コネクティビティの推定値を抽出するための手順を紹介する.主な結果:シ ミュレートされた BCI では,我々はフル周波数で正規化した有効性伝達関数(DTF)と直接的 DTF が BP と似 た結果を与えることを実証した.一方で,その他の部分有効性コヒーレンスなど他の尺度で大幅に分類精度が落 ちたことも実証した.意義:我々は,単一試行 MI の分類が VAR モデルから抽出したコネクティビティ尺度で可 能であり,BCI は,潜在的に,このような尺度を利用することが可能であることを示す.

EEG ベースの EEG におけるチャンネル選択と識別率の最適化

Optimizing the Channel Selection and Classification Accuracy in EEG-Based BCI
IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, VOL. 58, NO.6, JUNE 2011
160527_tishihara

マルチチャンネル EEG は,ブレインコンピュータインタフェース(BCI)で使用されており,EEG チャネル選 択によって,1)無関係またはノイズの多いチャネルを除去することにより,BCI の性能を向上させ,2)より少な いチャネルの使用でユーザの利便性を向上させることが可能である.本稿では EEG チャネル選択のための Sparse Common Spatial Pattern(SCSP)アルゴリズムを提案する.提案 SCSP アルゴリズムは,分類精度の制約内で チャネルの最小数を選択する最適化問題として定式化される.このように,提案されたアプローチは,ノイズと 無関係のチャネルを除去することにより,最高の分類精度を得る,またはすべてのチャネルを使用して得られた分 類精度を損なうことなく,チャネルの最小数を保持するようにカスタマイズすることができる.提案された SCSP アルゴリズムは 2 運動イメージデータセット,適度なチャンネル数の EEG と多チャンネルの EEG を使用して評 価した.両方のデータセットでは,提案された SCSP チャネル選択は著しくチャネルの数を減少させ,識別率に おいては既存のフィッシャーの線形判別法,相互情報量,SVM,CSP,正規化 CSP 基づいた手法を上回った.提 案 SCSP アルゴリズムは,3 つのチャネル(C3、C4、および CZ)の使用と比較して分類精度は平均 10 %の改善 が得られた.

Brain-computer interface(BCI), EEG channel selection, motor imagery, sparse common spatial pattern (SCSP)

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.

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

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.

ウェーブレット変換を用いた運動イメージにおける脳波のパターン認識

Pattern Recognition of Motor Imagery EEG using Wavelet Transform
Journal of Biomedical Science and Engineering, Volume 1, pp. 64-67, 2008

として用いられる.この論文では単一試行時のBCI のための運動イメージにおける特徴量抽出の結果を報告する.
運動イメージ時の脳波ウェーブレット係数とAR モデルパラメータを使用し特徴量を抽出し,マハラノビス距離を
基にした線形判別を用いて左右の手の運動イメージのパターンを識別した.パフォーマンスはGraz のデータセッ
トを用いてテストを行い,エラー率が10%未満という満足のいく結果が得られた.

pdf