slide1 n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
脳活動計測で 「指先の動きを再現する」技術 PowerPoint Presentation
Download Presentation
脳活動計測で 「指先の動きを再現する」技術

Loading in 2 Seconds...

play fullscreen
1 / 23

脳活動計測で 「指先の動きを再現する」技術 - PowerPoint PPT Presentation


  • 125 Views
  • Uploaded on

脳活動計測で 「指先の動きを再現する」技術. ATR 脳情報解析研究所 所長 佐藤雅昭. 運動再構成の要素技術. 階層 変分ベイズ法による 高精度な脳活動推定 スパース推定による 効率的な特徴抽出. ATR における NICT 委託研究「複数モダリティー 統合による脳活動計測技術の研究開発」の成果. 脳活動から運動を再現する要素技術 (I) 階層変分ベイズ法による 高精度な脳活動推定. 複数の計測データを組み合わせて高い時空間解像度を実現. 人間の脳機能を測る. ダメージを与えず(非侵襲)に計測できることが必要. SIEMENS 、提供 ATR-Promotions.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about '脳活動計測で 「指先の動きを再現する」技術' - maximus


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
slide1

脳活動計測で「指先の動きを再現する」技術

ATR脳情報解析研究所

所長 佐藤雅昭

slide2
運動再構成の要素技術
  • 階層変分ベイズ法による高精度な脳活動推定
  • スパース推定による効率的な特徴抽出

ATRにおけるNICT委託研究「複数モダリティー

統合による脳活動計測技術の研究開発」の成果

slide3

脳活動から運動を再現する要素技術(I)階層変分ベイズ法による高精度な脳活動推定脳活動から運動を再現する要素技術(I)階層変分ベイズ法による高精度な脳活動推定

slide4

複数の計測データを組み合わせて高い時空間解像度を実現複数の計測データを組み合わせて高い時空間解像度を実現

人間の脳機能を測る

ダメージを与えず(非侵襲)に計測できることが必要

SIEMENS、提供ATR-Promotions

横河電機(株)

fMRIの普及により脳機能地図の解明は飛躍的に進歩

slide5

MEGセンサ信号には

様々な領野の

脳活動が混じっている

脳活動推定により

機能的に分かれた

元の信号に戻す

MEGセンサ信号

MEGセンサ信号

逆フィルタ

皮質電流

脳活動

未知電流源の数がセンサ数よりも多い

不良設定性・大きなノイズの混入

slide6

階層変分ベイズ脳活動推定

MEGによる頭蓋外観測磁場

fMRIによる脳機能地図

横河電機(株)

SIEMENS、提供ATR-Promotions

階層変分ベイズ脳活動推定法

脳活動時空間情報の統合

不良設定性を回避

ミリ秒単位の

脳活動情報

ミリメートル単位の

脳活動情報

時空間的に高精度な

脳活動の活動パターン

slide7
効果的に不良設定性を低減
  • 空間分解能の高いfMRI情報の利用により電流源候補領域を絞り込む
  • 階層変分ベイズ法により、有意に活動がある

 電流源のみを推定し、活動位置をさらに限局

SIEMENS、提供ATR-Promotions

未知電流源の数を実質的に減らし

不良設定性を解決

slide9
アーチファクトの影響とその除去

筋肉活動は電気活動

眼球運動や心拍が

磁気的擾乱を引き起こす

心拍アーチファクト

心拍

slide10
アーチファクトの影響とその除去

筋肉活動は電気活動

心拍アーチファクト

眼球運動や心拍が

磁気的擾乱を引き起こす

心拍アーチファクト

心拍

slide11

脳活動から運動を再現する要素技術(II)スパース推定による効率的な特徴抽出脳活動から運動を再現する要素技術(II)スパース推定による効率的な特徴抽出

slide12
顔予測を例に(1)

誰でしょう?

2010.10.20

12

slide13
顔予測を例に(2)

誰でしょう?

2010.10.20

13

slide14
特徴抽出

データの特徴的な部分を抜き出せば

正しく推定することができる

Albert Einstein (1879–1955)

slide15
一般の特徴抽出は困難

顔は目元や口元が

特徴量として有効

脳の様々な部位の電気活動のうち

どれをどのように使えば

指先位置を知ることができるか?

運動前野

電流強度

感覚野

時間

Albert Einstein (1879–1955)

slide16
従来手法 : 線形回帰法

指先位置

y

すべての電流を重み付けして

指先位置を推定

+

wD

w1

wD-1

w2

wn

x2

xn

xD

xD-1

多数の

脳電流

x1

slide17
スパース推定法

指先位置を知るのに特徴的な

電流を自動的・効率的に選択

指先位置

y

不必要な電流はカット

+

wD

w1

wD-1

w2

wn

xD-1

x2

xn

xD

多数の

脳電流

x1

slide18
自動選択された電流位置

自動的・効率的に選択された

指先位置推定に重要な部位と重みマップ

各部位が果たす役割の

神経科学的な知見と一致

頭頂連合野

運動を

計画する部位

運動野

運動をコントロール

する部位

体性感覚野

感覚入力を

受け取る部位

slide19
スパース推定ライブラリを公開

公開1年で

アクセス数2400以上、

ダウンロード数1500以上、

Google, Yahoo検索トップ

http://www.cns.atr.jp/cbi/sparse_estimation/index_j.html

slide20
階層変分ベイズ法ソフト
  • 一般ユーザーがグラフィカルなメニューを選んでいくGUIにより使用できる階層変分ベイズ法ソフトVBMEG をATRのウェブサイトで今年度中に一般公開予定
slide21

将来展望

マルチモーダル

脳活動推定法

ブレイン・マシン・

インタフェース

ニューロ

モニタリング

脳がコンピュータ・ロボットとダイレクトに通信し制御

脳の働きをリアルタイムにモニタリングしながら、イメージトレーニングや心的状態の通信

神経科学の発展

脳内全体の時空間的活動パターンの解析により、情報処理過程の解明

イメージトレーニング

2010.10.20

21

slide22
共同研究者、関係論文
  • 川人光男、外山敬介、吉岡琢、山下宙人、藤原祐介(ATR)
  • Sato M, Yoshioka T, Kajiwara S, Toyama K, Goda N, Doya K, & Kawato M: Hierarchical Bayesian estimation for MEG inverse problem. NeuroImage, 23, 806-826 (2004)
  • Yoshioka T, Toyama K, Kawato M, Yamashita O, Nishina S, Yamagishi N, & Sato M: Evaluation of hierarchical bayesian method through retinotopic signal reconstruction from MEG measurement. NeuroImage, 42, 1397-1413 (2008)
  • Sato M: Online Model Selection Based on the Variational Bayes. Neural Computation, 13, 1649-1681 (2001)
  • Yamashita O, Sato M, Yoshioka T, Tong F, Kamitani Y: Sparse estimation automatically selects voxels relevant for the decoding of fMRI activity patterns. NeuroImage, 42(4), 1414-1429 (2008)