安静時脳波の時空間特徴学習に基づく脳状態や個性の定量化

機能的な脳ネットワークと関連した人の状態や個人特性を、脳波(EEG)および関連する脳・生体データに基づいて定量化する機械学習の技術開発を目的とし、今年度は主に以下のように研究を進めた。第一に、前年度に引き続き、共分散行列のリーマン幾何構造を考慮したEEGの特徴学習手法について検討した。脳-機械インターフェイス等に関連するEEG解析においては、近年、EEGデータの（短時間）共分散行列を入力データとしてパターン判別やそれに伴う特徴学習を行うアプローチが盛んに用いられている。特に、共分散行列のリーマン幾何構造を考慮し、代表点まわりでのリーマン接空間にデータを移すことで、線形モデルなど比較的単純な手法でも、潜在的に信号源パワーの変動と関連する特徴量がうまく捉えられ、判別性能も向上しうることが知られている。一方で、共分散行列の計算前に利用される各種の古典的な時間・空間フィルタについては何らかの事前知識に基づいて固定してしまうことが多く、得られたデータに対する最適性や、状態・個人間での異質性への対処には問題があった。そこで、我々は前段としてこれらの時間・空間フィルタ、後段として共分散行列に対するリーマン幾何的な判別器を用いた多段のEEG時空間特徴学習・判別法を開発した。開発した時空間特徴学習法は、リーマン接空間を被験者毎に異なる代表点でとるアイデアと組み合わせることで、運動想像課題に関する各種のベンチマーク脳波データについて高い判別性能をもつことが示された（Kobler et al. 2022)。第二に、新たに脳だけでなく身体を含めた脳・生体ネットワークの特徴解析へと展開した。本年度は公開されている歩行中のEEGと筋電図(EMG)データの同時測定データについて予備的な解析を行った。コヒーレンスを定量指標とし、８つの脳領域と16筋のEMG信号との間で特徴的な機能的ネットワークが得られることが確認された。

機能的な脳ネットワークと関連した人の状態や個人特性を、脳波(EEG)および関連する脳・生体データに基づいて定量化する機械学習の技術開発を目的とし、今年度は主に以下のように研究を進めた。第一に、前年度に引き続き、共分散行列のリーマン幾何構造を考慮したEEGの特徴学習手法について検討した。脳-機械インターフェイス等に関連するEEG解析においては、近年、EEGデータの（短時間）共分散行列を入力データとしてパターン判別やそれに伴う特徴学習を行うアプローチが盛んに用いられている。特に、共分散行列のリーマン幾何構造を考慮し、代表点まわりでのリーマン接空間にデータを移すことで、線形モデルなど比較的単純な手法でも、潜在的に信号源パワーの変動と関連する特徴量がうまく捉えられ、判別性能も向上しうることが知られている。一方で、共分散行列の計算前に利用される各種の古典的な時間・空間フィルタについては何らかの事前知識に基づいて固定してしまうことが多く、得られたデータに対する最適性や、状態・個人間での異質性への対処には問題があった。そこで、我々は前段としてこれらの時間・空間フィルタ、後段として共分散行列に対するリーマン幾何的な判別器を用いた多段のEEG時空間特徴学習・判別法を開発した。開発した時空間特徴学習法は、リーマン接空間を被験者毎に異なる代表点でとるアイデアと組み合わせることで、運動想像課題に関する各種のベンチマーク脳波データについて高い判別性能をもつことが示された（Kobler et al. 2022)。第二に、新たに脳だけでなく身体を含めた脳・生体ネットワークの特徴解析へと展開した。本年度は公開されている歩行中のEEGと筋電図(EMG)データの同時測定データについて予備的な解析を行った。コヒーレンスを定量指標とし、８つの脳領域と16筋のEMG信号との間で特徴的な機能的ネットワークが得られることが確認された。