ᵝ䚻䛺㡿ᇦ䛻ர䜛 Brain Computer Interface 䠄 BCI 䠅䛾◊✲䛜 ┒䜣䛻⾜䜟䜜䛶䛔䜛䠊 BCI ◊✲䛿㐠ື㔝䛾ほ 䛛䜙ᶵჾ᧯స 䜢┠ᣦ䛩䜒䛾䛜ඛ⾜䛧䛶䛔䜛䛜 [1][2] 䠈㡢ኌゝㄒ䛻㛵䜟䜛 BCI ◊✲䜒䠈 fMRI 䜔 PET 䛷㘓䛥䜜䛯䝕䞊䝍䛾ほ 䛛䜙䠈ᴫᛕ ㉳ Æ ゝㄒ⾲⌧䝥䝷䞁䝙䞁䜾 Æ 㡢⠇䞉༢ㄒ䞉ᩥ⾲⌧ Æ Ⓨヰ㐠ື ⚄⤒⣔䛾άື䛻⮳䜛▱ぢ䛜✚䛥䜜䠈◊✲䛜άⓎ䛻䛺䛳䛶䛔 䜛 [3][4] 䠊䛣䛾ศ㔝䛷䛿 ECoG 䜢⏝䛔䛯◊㻌㻌㻌㻌㻌㻌㻌✲䛜ඛ⾜䛧 䛶䛔䜛䛜䠈㠀くⓗ䛻䛛䛴䝸䜰䝹䝍䜲䝮䛻ಙྕ䜢ほ 䛷䛝䜛 EEG 䜔 MEG 䛜ᐇ⏝䜢⪃䛘䜛䛸ᮃ䜎䛧䛔䠊 ሗ࿌⪅䜙䛿㡢ኌ㉳䛾 EEG ಙྕ䜢ᑐ㇟䛻䠈 ” ゝㄒ⾲㇟䛿 ▷㛫 tone-burst Ἴ⩌䛷䛒䜛 ” 䛸䛾௬ㄝ䜢❧䛶䠈⥺䝇䝨䜽䝖䝹≉ ᚩ㔞䜢ᢳฟ䛧䛯ᚋ䠈䝇䝨䜽䝖䝹䝟䝍䞊䞁䛛䜙┠ど䝷䝧䝸䞁䜾䛷 ㉳༊㛫䜢ྠᐃ䛩䜛䛸ඹ䛻䠈 0 䛛䜙 9 䛾 10 ᩘᏐ䛸ẕ㡢㡢⠇䛻ྵ䜎 䜜䜛 17 㡢⠇䜢ศ㢮䛩䜛◊✲䜢⾜䛳䛶䛝䛯 [5] 䠊ᮏሗ࿌䛷䛿䠈᭱ ึ䛻 17 㡢⠇䜢୕䛴䛾㡢⠇䜾䝹䞊䝥 ( ẕ㡢㡢⠇䠈᭷ኌ㡢⠇䠈↓ ኌ㡢⠇ ) 䛻ศ䛡䛶ㄆ㆑䛧䛯㝿䛾ᐇ㦂⤖ᯝ䜢㏙䜉䜛䠊䛣䛾ᐇ㦂䛷 䛿Ꮫ⩦䝕䞊䝍ᩘ䜢ቑ䜔䛩䛯䜑䠈 (i) ᩘᏐ㡢ኌ㉳ ( 䛾ྛ㡢⠇䝕 䞊䝍 ) 䛸ู䛻䠈㡢⠇⾜ (/ga- gi- gu- ge- go/) 䜢㉳䛧䛶᥇ྲྀ䛧䛯䝕 䞊䝍䜢Ꮫ⩦䛧䛯ሙྜ䠈 (ii) 㡢⣲䜢ྵ䜐㡢⠇ (/g/ = /ga, gi, gu, ge, go/, /o/ = /o, ko, so, to, no,…../) 䛛䜙㡢⣲䝕䞊䝍䜢Ꮫ⩦䛧䛯ሙྜ䠈 䛻䛴䛔䛶䜾䝹䞊䝥ෆ䛾㡢⠇䜢ㄆ㆑䛧䛯⤖ᯝ䜢ሗ࿌䛩䜛䠊 ⥆䛔䛶䠈ಶ䚻䛾㡢⠇㆑ู䜢┠ᶆ䛻䠈ከ㔞䝕䞊䝍䛾㞟䜢⾜䛖䠊 ⬻Ἴ㘓䛷䛿䠈⣧㡢䝖䝸䜺䞊䛾┤ᚋ䛻 1 ▷㡢⠇䛾㡢ኌ㉳䜢⾜ 䛖䛣䛸䛷䠈 1 ᅇ䛾㉳㘓㛫䜢▷䛟䛧䠈ከ㔞䝕䞊䝍䜢㘓䛷䛝 䜛䜘䛖䛻䛧䛯䠊䛣䜜䛻䜘䛳䛶䠈␚䜏㎸䜏䝙䝳䞊䝷䝹䝛䝑䝖䝽䞊䜽 (CNN) 䛺䛹䛾῝ᒙᏛ⩦ᑟධ䛜ྍ⬟䛻䛺䜛䠊ᮏᩥ䛷䛿䠊≉ᚩ㔞䛸 䛧䛶⬻ෆ✵㛫䛾 RMS ሗ䜢ᢳฟ䛧䠈 0 䛛䜙 9 䛻ྵ䜎䜜䜛 10 ಶ 䛾ᩘᏐ䛸ẕ㡢㡢⠇䛾 17 㡢⠇䜢䠈ḟඖ␚䜏㎸䜏䝙䝳䞊䝷䝹䝛 䝑䝖䝽䞊䜽䜢⏝䛔䛶㡢⠇ㄆ㆑䛩䜛䠊
㉳⬻Ἴ䛿Ⓨヰ⬻Ἴ䛸䛿␗䛺䜚䠈ṇ☜䛺㉳้䛜 ᫂░䛷䛒䜛䛸䛔䛖ၥ㢟䛜䛒䜛䠊䛭䛣䛷䠈ᅗ 2 䛾㘓䝥䝻䝖䝁䝹䛻䛚 䛔䛶䠈⿕㦂⪅䛿⣧㡢䛜㬆䜚⤊䜟䛳䛯┤ᚋ䛻㉳䜢㛤ጞ䛧䛶䛔䜛 䛸௬ᐃ䛧䠈 1 ༢ㄒ䛾㉳㛫䜢 400ms 䛸⪃䛘䠈 0-400ms( ⣧㡢┤ ᚋ :0ms) 䜢ゎᯒ༊㛫䛸䛩䜛䠊 3.2 ⠇䛷ㄝ᫂䛧䛯 6 䛴䛾≉ᚩ㔞䛩䜉 䛶䜢⏝䛔䛯䛯䜑䠈ධຊḟඖᩘ䛿䠈 ( ⥺䝇䝨䜽䝖䝹௨እ䛾 5 䛴䛾≉ ᚩ㔞㽢 21ch 䠇⥺䝇䝨䜽䝖䝹 25 ḟඖ ) 㽢 2( ᖹᆒ䛸ᶆ‽೫ᕪ ) 䛾 260 ḟඖ䛷䛒䜛䠊 10 ྡ䛾⿕㦂⪅䛾ᖹᆒṇゎ⋡䜢ᅗ 6 䛾䛂 0- 400ms ༊㛫䛃䛻♧䛩䠊ᅗ 6 䜘䜚䠈ṇゎ⋡䛿 20% 䜋䛹䛷䛒䜚䠈ㄆ㆑ 䛷䛝䛶䛔䛺䛔䛣䛸䛜䜟䛛䜛䠊 ṇゎ⋡䛜ప䛔ཎᅉ䛾୍䛴䛸䛧䛶䠈ṇ☜䛺㉳༊㛫䛜≉ᐃ䛷 䛝䛶䛔䛺䛔Ⅼ䛜ᣲ䛢䜙䜛䠊䛭䛣䛷䠈㉳⬻Ἴ䛸ྠ䛨䝥䝻䝖䝁䝹 䛷㘓䛧䛯Ⓨヰ⬻Ἴ䛻╔┠䛧䛯䠊ྠ䛨䝥䝻䝖䝁䝹䛷㘓䛧䛶 䛔䜛䛣䛸䛛䜙䠈Ⓨヰ䛸㉳䛾㛤ጞ้䜔⥅⥆㛫䛿ᴫ䛽୍⮴䛩 䜛䛸௬ᐃ䛧䛯䠊䛭䛧䛶Ⓨヰ㛫䜢䜒䛸䛻ゎᯒ༊㛫䜢Ỵᐃ䛩䜜䜀䠈 ㉳༊㛫䛷䛾ㄆ㆑ᐇ㦂䛜⾜䛺䛘䜛䛿䛪䛷䛒䜛䠊௨ୖ䛾䛣䛸䛛䜙䠈 Ⓨヰ⬻Ἴ䜢㘓䛧䛯㝿䛻㘓㡢䛧䛯㡢ኌ䝕䞊䝍䛛䜙ྛ⿕㦂⪅ 䛾ᩘᏐ䛤䛸䛾Ⓨヰ㛫䜢⟬ฟ䛩䜛䠊 ⿕㦂⪅䛤䛸䛾Ⓨヰ㛤ጞ㛫䛾ᖹᆒ䜢ぢ䛶䜏䜛䛸䠈䛹䛾⿕㦂⪅ 䜒 250ms ௨㝆䛻Ⓨヰ䜢㛤ጞ䛧䛶䛚䜚䠈⣧㡢䛾㬆䜚⤊䜟䜚┤ᚋ䛻 Ⓨヰ䜢㛤ጞ䛧䛶䛔䜛⿕㦂⪅䛿䛔䛺䛛䛳䛯䠊䜎䛯䠈⿕㦂⪅䛻䜘䛳 䛶㛤ጞ㛫䛿␗䛺䛳䛶䛔䛯䠊䛥䜙䛻䠈ྠ䛨ᩘᏐ䛻䛚䛡䜛⿕㦂⪅ 䛤䛸䛾Ⓨヰ⥅⥆㛫䛾ᖹᆒ䜢ぢ䛶䜏䜛䛸䠈䛣䛱䜙䜒⿕㦂⪅䛻䜘䛳 䛶␗䛺䜛䛣䛸䛜䜟䛛䛳䛯䠊䛣䛾⤖ᯝ䛛䜙䠈ゎᯒ༊㛫䛸䛧䛶䛔䛯 0- 400ms 䛿ᐇ㝿䛾㉳༊㛫䛸䛝䛟␗䛺䛳䛶䛔䜛ྍ⬟ᛶ䛜㧗䛔䠊 䜘䛳䛶䠈㉳䛾ゎᯒ༊㛫䜢ྛ⿕㦂⪅䛾༢ㄒ䛤䛸䛾Ⓨヰ㛤ጞ 㛫䛸⤊㛫䜢䜒䛸䛻ኚ᭦䛧䠈ᨵ䜑䛶㡢ኌ㉳༢ㄒㄆ㆑ᐇ㦂 䜢⾜䛖䠊
图4显示了使用20倍交叉验证估计每个受试者的回忆间隔的结果。在图 4 中,横轴是时间,纵轴是来自 5 个受试者的 200 个样本(总共 1000 个样本)的准确率。红框内是语音回忆部分。前文研究 [2] 中的方法(图 4 中的蓝线)的准确率在语音回忆片段之间下降到 0.2,而本文提出的方法(图 4 中的橙线)则达到了 0.8 的稳定准确率。 从这些结果可以看出,可以说所提出的方法对于估计回忆间隔是有效的。然而,当我们观察所提出的方法在语音回忆部分之外的准确度时,我们发现与以前的研究相比,该方法将语音回忆部分之外的部分估计为回忆率的情况更为常见。这被认为是由于大脑中噪音的影响。因此,我们旨在通过将增加的 10 个样本应用于所提出的方法来减少这种噪音。结果就是图4中的绿线。在保持回忆部分的准确度的同时,非回忆部分的准确度得到了提高。基于这些结果,我们研究了所提出方法的最佳添加次数。结果如图5所示。图 5 显示了所有受试者对每个加法数字的准确率。蓝线表示整个时间内的平均准确率,橙线表示回忆期间的最大准确率。横轴是添加的样本数量,纵轴是准确率。通过添加 sigma,回忆部分的准确率得到了提高,达到了约 90%。另外,10 次添加等于 1 个样本。
脑机接口 (BCI) 研究已开始用于从脑电图 (EEG) 中识别语音想象过程中的回忆音节。目前,很难从 EEG 数据中识别出真实的回忆持续时间。因此,通常使用不准确的回忆数据(包括非回忆持续时间或通过视觉确定频谱轮廓标记的回忆部分)来识别回忆的音节。由于视觉音节标记耗时费力,因此希望区分正确的语音想象片段的过程能够自动化。在本文中,我们构建了由语音想象片段和非回忆片段组成的每个模型以获得真正的音节片段。我们通过视觉判断从带有音节标记的语音想象/非回忆数据中提取复倒谱,并使用这些特征识别语音想象/非回忆片段。最后,我们报告了通过 10 倍交叉验证的分类结果。
摘要 - 在输入非字母语言的字母时,有两种输入界面:罗马输入或输入语言字母。当输入日文字母时,日文五十字母类型界面比字母界面更有效。在使用 EEG 输入字母的界面中,使用视觉诱发电位之一的稳态视觉诱发电位 (SSVEP) 的界面称为 SSVEP-脑机接口 (BCI)。本研究的目的是设计和评估使用日文五十字母类型的 SSVEP-BCI,它比使用字母表的罗马字母输入更有效。为了处理 SSVEP-BCI 中的 50 种不同输入类型,我们提出了刺激频率设计和显示空间融合和分析算法等方法。特别是,使用显示空间中的位置关系对 SSVEP-BCI 的分析方法包含许多新颖之处。结果,我们实现了 77.10% 的准确率和 75.08 位/分钟的 ITR。这相当于每分钟输入15.42个50字的日文字母。我们还评估了显示空间中输入和输出对象的位置关系。研究表明,由于选择了显示空间中水平相邻的对象,因此存在许多误判。
山内信介 传播中心负责人 在个人销售部门工作后,作为产品、运营和销售规划部的集团经理,负责规划和开发招聘材料、销售培训、数字营销等。自 2020 年 4 月以来的当前职位