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.”

カーネルマシンの動的時間伸縮に関する研究

A Study on the Dynamic Time Warping in Kernel Machines
Signal-Image Technologies and Internet-Based System,2007.SITIS’07.Third International IEEE Conference on

動的時間伸縮(DTW)は広く,順次パターンマッチングに使用される最先端の距離尺度であり,そのマッチングは,弾性と堅実であるため,ほとんどの場合,ユークリッド距離よりも優れている.これはガウスRBFカーネルにユークリッド距離のためのDTW距離を代入し,最先端の分類器のサポートベクターマシン(SVM)のシーケンス分類のためにそれをプラグインする魅力によるものである.しかし,DTWは,カーネルマシンに対してユークリッド距離よりも性能が優れているとは言い難い.反例として数値DTWはSVMによる許容可能な正定値対称(PDS)ではないことを証明することはできるが,ほとんどの場合,理論的にPDSにすることはできないことが知られている.本稿ではDTWカーネルを分析し,PDSのカーネルと再生核ヒルベルト空間(RKHS)との間の接続を介しての理論的証明を完了する.本実験の分析では,その逆は真ではないが,すべてのHilbertianメトリックは,ガウス形でPDSカーネルに変換することができるためより良い理解につながる.証明として,弾性マッチング距離がPDSのカーネル(例えば、編集距離)を構築する資格はないと結論するように拡張することができる.実験は,SVM分類ではRBFカーネルとDTWカーネルを比較するために実施し,その結果,単純なユークリッド距離がカーネルマシンにDTWよりも優れていることを示している.

20150724_jnishida

カノニカル相関を用いたfMRI データの教師なし分類処理

Unsupervised analysis of fMRI data using kernel canonical correlation
NeuroImage, Volume 37, Issue 4, October 2007, Pages 1250-1259

fMRIデータ分析で使用されるようになってきた教師あり学習法(例:サポートベクタマシン)のクラスと異なるカノニカル相関分析に基づいた,新しい教師なしfMRI分析法を紹介する.SVMは単純な特定の分類ラベルに撮像データの特徴を関連付けさせるが,KCCAはこれらの単純なラベルをその刺激の特徴の詳細を含んでいる各刺激のラベル・ベクトルに置換する.我々は,情動刺激に対する反応に関するfMRIデータセットを用いてKCCAとSVMの分析を比較した.最初にfMRIデータの部分集合上のアルゴリズム(SVM、KCCA)と,対応するラベル/ラベル・ベクトル(快と不快の)を訓練し,次にオリジナルのトレーニング過程に与えないでおいたデータ上のアルゴリズムをテストした.SVMとKCCAの識別率は,非常に類似した.しかし,この研究から生じる最も重要な結果は,KCCAは,タスクの分類において最も重要であるとSVMが識別した領域を抽出することができたことである.また,その領域は主に視覚野であった.KCCAの結果は明確なタスクラベルのブラインドを得た.代わりに,刺激の種類は撮像データの特徴のベクトルから有効に得られる.

Machine learning methods, Kernel canonical correlation analysis, Support vector machines, Classi ers, Functional magnetic resonance imaging data analysis

pdf