EEGベースのブレイン・コンピュータ・インターフェースの技術と応用

この記事は最初に Chen Rui のブログ ( 7988888.xyz ) に掲載され、この記事内のすべてのリンクはブログを通じてアクセスされます。

この記事のベースとなっている参考文献:

Roberto Portillo-Lara*、* Bogachan Tahirbegi、Christopher AR Chapman、Josef A. Goding、および Rylie A. Green、「ギャップに注意: EEG ベースの脳とコンピューターのインターフェイスのための最先端のテクノロジーとアプリケーション」、 APL バイオエンジニアリング 5、031507 (2021) https://doi.org/10.1063/5.0047237

ブレイン・コンピュータ・インターフェース技術に関しては、以前のツイートでも多くの記事を紹介しました、ポータル「BCI関連コンテンツ」、「ブレイン・コンピュータ・インターフェース」、「ブレイン・コンピュータ・インターフェース・ポピュラー・サイエンス」、「ブレイン・コンピュータ・インターフェース関連情報」

最近、関連文献を調べているときに、EEG 脳とコンピューターのインターフェイス技術に関するこのレビュー記事も見つけました。個人的には、これは素晴らしく、共有する価値があると思います。また、最初に記事が公開されたときに、記事内の写真を簡単に共有しました。週末の限られた時間を利用して、ブレイン・コンピュータ・インターフェース技術を再度整理して統合することも目的です。

BCI原則の導入については、上記ポータル記事を参照してください。

現実世界の BCI アプリケーションへの最も有望なアプローチは、電気活動を通じて脳を非侵襲的に監視する方法の 1 つである脳波検査 (EEG) を使用します。その強みは、比較的低コスト、使いやすさ、高い時間分解能、非侵襲的なモニタリングにあります。被験者が外部デバイスのEEG-BCIベースの操作をどのように経験したかを正確に理解することは困難ですが、いくつかのことは確かです。一方で、EEG-BCIは双方向通信が可能で、ユーザーの意図を機能に変換することで、被験者が電子機器を制御できるようになり、車椅子の制御に支援が必要な医療患者にとって特に有用です。ニューロテクノロジーは、私たち自身の人間の経験と自己認識のプロセスをゆっくりと形作ってきています。

1. EEGベースのブレイン・コンピュータ・インターフェースのアーキテクチャ

画像-20210828093149514

この概略図は、eBCI の運用に関係する主な段階を示しています。EEG センサー (電極キャップ) は、大脳皮質のニューロンによって生成される電気信号を収集するために使用されます。EEG 信号は、脳の自発的な内因性活動から取得されるか、外因性刺激によって誘発されます。生の信号を前処理し、特徴を抽出、選択、分類、変換して意図をデコードします。その後、デジタルコマンドは、義肢、外骨格、車両、支援ソフトウェアなどのさまざまな出力デバイスを駆動するために使用されます。

2. 侵襲性の程度

BCI の分類については、次のとおりです。

(1) 完全侵襲型ブレインコンピュータインターフェース

このような脳とコンピューターのインターフェイスは通常、脳の灰白質に直接埋め込まれるため、得られる神経信号の品質は比較的高くなっています。しかし、その欠点は、免疫反応やカルスを引き起こしやすく、信号品質の低下または消失につながることです。

侵襲的な脳とコンピューターのインターフェイスは、高速な情報転送速度と高い空間的および時間的解像度を提供する微小電極のメッシュアレイ電極の使用を特徴としています。皮質内電極は、単一電位活動 (SUA)、多電位活動 (MUA)、および局所電界電位 (LFP) という 3 種類の脳信号を記録できます。ただし、高精度で最高の信号忠実度にもかかわらず、手術に伴うリスクと比較すると、使用シナリオが大幅に制限されます。さらに、長期間の埋め込み後の電極周囲の結合組織の成長と瘢痕化は、多くの場合信号劣化を引き起こし、デバイスの故障につながる可能性があります。

(2) 半侵襲的ブレインコンピュータインターフェース

部分侵襲性 BCI デバイスは、頭蓋骨の内側に埋め込まれますが、灰白質内ではなく脳の外側に埋め込まれます。非侵襲性 BCI よりも解像度の高い信号が得られ、完全侵襲性 BCI よりも脳内でのカルス形成のリスクが低くなります。以下のような一般的な技術: ECoG (皮質脳波検査)

半侵襲性BCIは、皮質表面に配置された硬膜外電極または硬膜下電極を使用して皮質電位振動を記録できます。ただし、使用シナリオでは依然として開頭術が必要です。

(3) 非侵襲的なブレインコンピュータインターフェース

この方法は現在最も一般的なタイプで、頭皮の表面に当てて脳信号の活動の変化を観察します。この非侵襲的方法は非常に便利ですが、頭蓋骨による信号の減衰効果と、ニューロンが発する電磁波の分散とぼやけの影響により、記録された信号の解像度は高くありません。例えば、共通技術：EEG/ERP（脳波）、fNIRS（近赤外線脳画像）、fMRI（機能的核磁気共鳴）など。

最近のウェアラブル研究では、Ear-EEG の設計コンセプトに基づいた、新しいタイプの消費者グレードの BCI 製品 (写真) が開発されました。

画像-20210828094924458

Ear EEG は、ブレインコンピューターインターフェイス (BCI) の研究に基づいて構築されており、神経信号を検出し、Bluetooth 経由で情報を送信する、消費者に優しいウェアラブルテクノロジーです。画像出典：neurosciencenews

3. 脳波（EEG）の神経生理学的基礎

内容のこの部分は、EEG 研究者にとってはよく知られたものです。

画像-20210828095408529

(a) 大脳皮質の錐体ニューロン集団の同期活性化によって引き起こされる脳の電気活動を反映する EEG 信号。興奮性シナプス後電位 (EPSP) は、皮質表面に垂直な電荷分離を引き起こすことで双極子を生成します。(b) ニューロン間の通信はシナプスによって媒介されます。活動電位がシナプス前末端に到達すると、神経伝達物質 (NT) 小胞がシナプス間隙に放出され、拡散してシナプス後末端の膜受容体に到達し、EPSP を引き起こします。© 新皮質は、異なる細胞構築的特徴を持つ 6 つの層 (I ～ VI) に分かれています。ほとんどの EEG 信号は、主に第 III 層と第 V 層に位置する錐体ニューロンによって生成されます。これらのニューロンは空間的に皮質表面に対して垂直に整列しており、結果として頭皮表面に対して直交する双極子層が形成されます。EEG 活動は、頭皮上のさまざまな場所で記録された電位差として測定され、各記録電極付近の数千のニューロンのシナプス後電位の合計を構成します。(d) 頭皮電極に到達するために、EEG 信号は、異なる伝導特性を持つ複数の非神経組織層を通過し、信号が減衰します。(e) 電極は、監視される機能領域に応じて、定義された構成で頭皮に配置されます。

人間の脳には約 86 × 10^9 個の神経細胞が含まれていると推定されており、錐体ニューロンは大脳皮質の全ニューロンの約 3 分の 2 を占めます。さらに、各錐体ニューロンは平均 7000 のシナプス接続を形成します。シナプス伝達は、多数のニューロンを相互接続して応答を同期させるギャップ結合を介して電気シナプスで発生します。

4. eBCIの設計

eBCI の動作は、さまざまな刺激やタスクによって引き起こされる脳活動のパターンに依存しており、外部デバイスの制御が可能になります。

収集フェーズ:

脳信号は、定義された構成で頭皮に配置された電極を使用して記録されます。通常は 10-20 国際標準システムを使用します。記事「10-20 標準システム」を参照してください。

データの前処理:

信号品質を向上させ、システムの精度を向上させるために、前処理プロセスでは「EEG 解析のフィルタリング」および「EEG 解析のアーティファクト除去」を参照して、線形および非線形の方法を通じて不要なノイズ信号を除去できます。

機能の選択:

EEG 信号から識別可能な非冗長情報を特定して抽出し、分類可能な一連の特徴を生成します。一般的に使用される手法: 次元削減処理、周波数領域、時間-周波数領域、空間領域など。記事「独立成分分析」「機械学習によく使用される 17 のアルゴリズム」を参照してください。

カテゴリの選択:

選択された特徴に応じて、異なる分類アルゴリズムを使用して、被験者が実行した精神的タスクの種類に対して解読プロセスが実行されました。一般的に使用される手法: K 平均法、サポートベクターマシン (SVM)、人工ニューラルネットワーク、クラスター分類器、ベイズ分類器など。

(1) LDA分類器

LDA 分類器 (線形判別分析、LDA) は、データを低次元の方向に投影するシンプルで効率的な線形分類器です。その結果、投影されたデータは最小のクラス内分散と最大のクラス間分散の特性を持ちます。。つまり、同じカテゴリのデータは投影後に可能な限り近くなり、異なるカテゴリのデータは可能な限り分離されます。最後に、簡単なしきい値設定によって最も分離可能なデータに対して分類が実行されます。LDA は、モーターイメージシステムで最も一般的に使用される分類器です。

**(2)SVM **

サポートベクターマシン (SVM) は機械学習における典型的な分類器であり、最適なセグメンテーション超平面を構築することで 2 種類のデータを可能な限り分離します。

(3) ベイズ分類器

ベイズ分類器は、ベイズの公式を使用して、サンプルが各カテゴリに属する事後確率を計算し、最大の事後確率に対応するカテゴリがサンプルのカテゴリになります。

(4) 人工ニューラルネットワーク

人工ニューラルネットワークは、脳のニューロン構造と情報伝達機構を利用して、自己適応能力を備えた大規模ネットワークシステムを構築するものであり、トポロジカル接続により大規模並列に配置されている。人工ニューラルネットワークは非線形解析問題に適しており、学習能力や帰納能力、適応力が強い。人工ニューラルネットワークには多くのモデルがあり、一般的に使用される人工ニューラルネットワークは、パーセプトロン、多層パーセプトロン、BP ニューラルネットワーク、RBF ニューラルネットワークなどです。

(5) クラスタリング分類器

クラスター分析は、探索的なパターン分類法であり、分類に関する事前知識に依存せず、類似性測定の方法を使用して、同じまたは類似の特性を持つサンプルを分類します。EEG 信号の分類における欠点は、EEG 信号の特性に対する要求が高く、複雑な分類問題に対処することが難しく、解像度が低くなりやすいことです。

— このコンテンツはネットワーク情報に基づいたものであり、参照のみを目的としています

信号変換フェーズ:

分類された特徴は変換アルゴリズムに渡されて、命令に変換されます。一般的なコマンドは、文字の選択やカーソル制御から、ロボット車両や義肢を操作するためのコマンドまで多岐にわたります。

5. eBCIの共通パラダイム

デバイス制御に使用される脳信号の種類に応じて、誘発信号または自発信号があります。

誘発信号 (EP): 外部イベントの提示に応じて発生する、時間にロックされた脳活動の不随意な偏向です。たとえば、P300 と SSVEP は、一般的に使用される 2 つのパラダイムです。P300 シグナルは、視覚、聴覚、または体性感覚刺激の提示によって誘発され、中央領域および頭頂領域で記録できます。皮質の潜在的な活動は、連続的かつ刺激周波数依存性の活動を生成するように調節されます。基本周波数または刺激周波数のオクターブ）応答。視覚刺激と同様の周期的なリズムを持ちます。SSVEP は通常の注意力と眼球運動機能に依存していますが、重度の神経疾患患者ではこれらの機能が損なわれていることがよくあります。視覚刺激装置を使用して SSVEP 信号を取得する場合、大脳皮質の後頭葉視覚野に関連する主に 6 つの EEG チャネル (P03、P0Z、P04、01、0Z、02) があります。

自発的シグナル伝達パラダイムは、外部刺激を必要とせずに制御アクションシグナルを生成します。EEG 活動は、信号の主周波数 (f) に従って、デルタ (f < 4 Hz)、シータ (4 Hz < ƒ < 7 Hz)、アルファ (8 Hz < ƒ < 12 Hz)、ベータ (12 Hz) に分類できます。 < ƒ < 30 Hz) およびガンマ (f >30 Hz) 帯域。

画像-20210828103347733