AIブレークスルーにより、複雑な脳信号を解読することで脳コンピュータインターフェースが改善される

日本の千葉大学の研究者は、複雑な脳活動を大幅に高精度で解読できる新しい人工知能フレームワークを開発しました。これは、より信頼性の高い脳コンピュータインターフェース（BCI）の開発に向けた重要なステップです。このブレークスルーは、神経学的疾患を持つ人々が、考えだけでプロテジック肢体、車椅子、リハビリテーションロボットなどのデバイスを制御できる支援技術の開発を促進する可能性があります。

千葉大学大学院工学研究科のPh.D.学生のChaowen Shenと教授のAkio Namikiが率いる研究では、Embedding-Driven Graph Convolutional Network（EDGCN）と呼ばれる新しい深層学習アーキテクチャが導入されています。このシステムは、人物が四肢を動かすことを想像する際に脳で生成される複雑な電気信号を解釈するように設計されています。これは、運動イメージと呼ばれるプロセスです。

脳コンピュータインターフェースと運動イメージ

脳コンピュータインターフェースは、人間の脳と外部マシン間のコミュニケーションチャネルを作成することを目的としています。筋肉の動きに頼るのではなく、BCIは神経信号を解釈し、デジタルシステムまたは物理デバイスのコマンドに変換します。

BCI研究で最も広く研究されているアプローチの1つは、運動イメージ電気生理学（MI-EEG）です。このシステムでは、ユーザーは手や物体を持ち上げたり、歩いたりするなどの動きを想像します。実際の動きは発生しませんが、脳は想像された動きに関連する独特の電気活動パターンを生成します。

これらの信号は、電気生理学（EEG）を使用して捉えることができます。EEGは、頭皮に置かれた電極を使用して脳活動を記録する非侵襲的な技術です。EEGは、脳のさまざまな領域における神経活動を表すマルチチャンネル時系列データを提供します。

これらの信号を正確に解読することで、コンピューターは神経活動を実行可能なコマンドに翻訳できます。実践では、これにより、麻痺または重度の運動障害を持つ個人が、動きを想像するだけで支援技術を制御できるようになります。

しかし、MI-EEG信号の信頼性の高い解読を達成することは、神経技術で最も困難な課題の1つです。

脳信号が解読しづらい理由

脳コンピュータインターフェースの開発における主な障害は、EEG信号の固有の複雑さにあります。

運動イメージ信号は、高い空間時間変動性を示します。つまり、脳のさまざまな領域や時間の経過とともに変化します。また、個人間や同じ人物のセッション間でも大きく異なります。

従来の機械学習モデルは、これらの変動に苦労することがよくあります。多くの既存のシステムは、脳信号が一貫したパターンで動作するという前提に基づいて、事前に定義されたグラフ構造または固定パラメータに依存しています。実際、神経信号ははるかにダイナミックでヘテロジニアスです。

以前の方法では、共通空間パターン分析または従来の畳み込みニューラルネットワークなどの手法を使用して、EEG信号から特徴を抽出していました。これらのアプローチは、神経活動のいくつかのパターンを識別できますが、時間の経過とともに発展するパターンや脳領域間の深い相互作用を捉えることができないことがよくあります。

結果として、多くのBCIシステムは、個々のユーザーに対して有効に機能する前に、広範なカリブレーションとトレーニングを必要とします。

新しいアプローチ：埋め込み駆動グラフ畳み込みネットワーク

千葉大学の研究チームは、これらの課題に対処するために、脳活動の複雑さをよりよく捉えるように設計された新しい深層学習フレームワークを開発しました。

彼らの解決策であるEDGCNは、EEG信号の空間構造と時間構造を同時にモデル化するために、複数の高度なテクニックを組み合わせます。

フレームワークの核心は、神経信号の解読に使用されるパラメータを動的に生成できる埋め込み駆動の融合メカニズムです。固定アーキテクチャに頼るのではなく、EDGCNは内部表現を変化させて、主題間や時間の経過とともにある変化をよりよく捉えるようにします。

アーキテクチャには、複数の専門化されたコンポーネントが統合されています：

マルチ解像度時系列埋め込み（MRTE）

このモジュールは、さまざまな時間スケールでEEG信号を分析します。神経信号は急速に進化するため、重要な情報は異なる時間解像度で発生する可能性があります。MRTEは、マルチ解像度パワースペクトルパターンから特徴を抽出することで、他の方法では見逃される可能性のある有意義な神経活動を識別できます。

構造認識空間埋め込み（SASE）

脳信号は孤立していません。さまざまな脳領域が継続的に相互作用しています。SASEメカニズムは、EEG電極間のローカルおよびグローバルな接続構造を組み込むことで、これらの相互作用をモデル化します。これにより、AIは脳を独立した信号チャンネルではなく、ネットワークとして表現できます。

ヘテロジニアス認識パラメータ生成

EDGCNフレームワークの最も革新的な側面の1つは、埋め込み駆動パラメータバンクからグラフ畳み込みパラメータを動的に生成する能力です。これにより、モデルは各主題の脳信号の独自の特性に適応できます。

このプロセスをサポートするために、研究者は、Chebyshevグラフ畳み込みを使用しました。これは、複雑なネットワーク内の関係を効率的にモデル化するテクニックです。

直交性制約カーネル

さらに、モデルはカーネル内に直交性制約を導入して堅牢性を向上させます。これにより、学習された特徴の多様性が促進され、冗長性が減り、EEG信号からより豊富な表現が抽出されます。

これらのコンポーネントを組み合わせることで、EDGCNは、局所的な神経活動パターンと大規模な脳領域間の相互作用の両方を捉えることができ、運動イメージ信号の解読精度が向上します。

パフォーマンス結果

研究者は、BCI研究の分野で標準的な評価データセットであるBCI Competition IVのベンチマークデータセットを使用してEDGCNをテストしました。

モデルは、次の結果を達成しました：

• 90.14%の分類精度をBCIC-IV-2bデータセットで達成
• 86.50%の分類精度をBCIC-IV-2aデータセットで達成

これらの結果は、複数の既存の最先端の解読方法を上回り、さまざまな主題間での強力な汎化を示しています。

重要な点は、システムがクロス主題シナリオで適応性が向上したことです。これは、実用的なBCI展開の重要な要件です。多くの既存のモデルは、単一のトレーニングユーザーに対してはよく機能しますが、新しい個人に適用されると失敗します。EDGCNの埋め込み駆動アーキテクチャは、個々の変動をよりよくモデル化することで、この限界を克服します。

リハビリテーションと支援技術への影響

脳信号をより正確に解読できる能力は、支援技術に深い影響を及ぼす可能性があります。

運動イメージベースのBCIは、以下のようなアプリケーションに既に使用されています：

• 思考制御車椅子
• 神経プロセッサ
• ロボットリハビリテーションデバイス
• 麻痺患者向けコミュニケーションシステム

解読精度の向上により、これらの技術がより信頼性が高く、使いやすくなります。

研究者は、EDGCNのようなシステムが、以下のような状態にある患者に役立つ可能性があると考えています：

• 脳卒中
• 脊髄損傷
• 筋萎縮性側索硬化症（ALS）
• その他の神経筋骨骼障害

信号解釈がより信頼性が高まれば、患者は神経リハビリテーションデバイスを単純な想像された動きで制御できるようになり、支援システムとのより自然な相互作用が可能になります。

Namiki教授によると、運動イメージ信号の解読は、技術的な課題だけではなく、脳が動きや神経接続をどのように組織化するかをよりよく理解する機会でもあります。

消費者向け脳コンピュータインターフェースへの道

数十年の研究にもかかわらず、ほとんどの脳コンピュータインターフェースシステムは、研究室または専門の臨床環境に留まっています。信頼性、適応性、使いやすさは、より広範な採用の重要な障壁です。

EDGCNのような進歩は、BCIを消費者向けの神経技術に近づける可能性があります。

システムがヘテロジニアスな脳信号を処理する能力を向上させることで、モデルは、広範なカリブレーションや専門家による調整の必要性を減らします。これは、BCIシステムを研究環境の外で使用できるようにするための重要なステップです。

将来的には、研究はこれらのAIモデルを携帯用EEGシステムやウェアラブルデバイスに統合することに焦点を当てる可能性があります。センサーテクノロジーとコンピューティングパワーの向上と組み合わせて、これらのシステムはよりアクセスしやすく拡張可能な脳マシンインターフェースを可能にする可能性があります。

人間とマシンの統合の深化への一歩

EDGCNの開発は、人工知能と神経科学におけるより広範な趨勢を反映しています。つまり、グラフベースのニューラルネットワークを使用して生物システムをモデル化することが増えています。

脳自体が複雑なネットワークとして機能するため、グラフニューラルネットワークはその構造とダイナミクスを表現するための自然な方法を提供します。これらのAIモデルがより洗練されると、神経活動と認知に関するより深い洞察が得られる可能性があります。

最終的に、脳信号の解読精度の向上は、人間がマシンとよりシームレスに相互作用できる新しい技術の道を開く可能性があります。

進歩が現在のペースで続く場合、脳コンピュータインターフェースは、実験研究ツールから、世界中の数百万の人々の独立性とモビリティを回復できる日常の支援技術に移行する可能性があります。