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

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。

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。