人工知能によるてんかんモデル動物の行動パターン解析

利用人工智能对癫痫模型动物进行行为模式分析

• 批准号: 20J23075
• 负责人: 折田 健
• 金额: $ 2.18万
• 依托单位: The University of Tokyo
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for JSPS Fellows
• 财政年份: 2020
• 资助国家: 日本
• 起止时间: 2020-04-24 至 2023-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-20J23075/
• 关键词: 人工知能; てんかん; 行動解析; 機械学習; 深層学習

採用2年目において、感覚運動皮質に電極を埋め込んだてんかん患者から皮質脳波（ECoG）を記録し、EEGNetと呼ばれる深層学習モデルを適用することで、約90％の正解率で行動を解読できることを明らかにした。採用3年目においては、ECoGよりも低侵襲性の脳活動を記録することができる脳磁図（MEG）でも同様の手法を適用可能であるか検証した。「グー、チョキ、パー」の3種類の動作をランダムに行うというタスクを、てんかんや運動疾患などをもたない被験者1名を対象に実施し、1000Hzで306チャンネルのMEG記録を行った。運動開始前後の2秒間をEEGNetに学習させて4分割交差検証を行ったところ、約78％の正解率で行動の解読に成功した。また、解読するのに必要な時間長を調べるため500, 300, 100ミリ秒の時間窓を100ミリ秒ずつずらしながら学習させた。それぞれの正解率の最大値は約73％, 64％, 65％であり、分類のチャンスレベルである33％よりも有意に分類が行えていた。つまり、運動の情報が少なくとも100ミリ秒以内に表現されていることが明らかとなった。最も正解率が高かった瞬間の脳活動を解析するため、100ミリ秒の時間窓を1ミリ秒ずつずらしながら学習をさせたところ、運動開始直後（0.344s）と運動開始直前（-0.173s）に正解率のピークが見られた（それぞれ69％,61％）。両者で同様の正解率が得られた理由として、脳内表現が類似しているという可能性が考えられる。この場合、その時の重みを用いて学習させたモデルは同様の分類性能を示すと考えられる。そこで、両者の重みを用いて学習させて他のタイムポイントを分類させたところ、それぞれ異なる正解率の推移を示した。つまり、運動開始後と運動開始直前で、「グー、チョキ、パー」という同じ運動情報を意味しているにも関わらず、脳内表現の方法が異なるということを示した。

2 years of EEGNet, sensory cortex electrode, patient cortical wave (ECoG) recording, EEGNet, deep learning, application, approximately 90% correct rate of action 3-year-old, ECoG, and low-invasive activity records are used. The same techniques may be applied. 3 types of motion: " EEGNet learning was performed within 2 seconds before and after the start of the exercise, and the correct solution rate was approximately 78%. The time required for learning is adjusted to 500, 300, 100 seconds and 100 seconds. The maximum values of correct solution rate of all categories are about 73%, 64%, 65% and 33% respectively.つまり、运动の信息が少なくとも100ミリ秒以内に表现されていることが明らかとなった。The highest rate of correct solution is 100 seconds, the highest rate of correct solution is 100 seconds. The reason for the similarity and the probability of the correct solution are given. The internal performance is similar. In this case, the importance of time is studied and the classification performance of the same is shown. For example, if you want to learn more about the difference between the two groups, you can use it to classify them. After the start of the exercise, before the start of the exercise, the same movement information means that the method of performance in the exercise is different.