講義2009 BNI

• ⬳䜘ㄖ䜆
⬳᝗ሒᏕ䠇䠌
䝚䝰䜨䝷䝑䝇䝌䝳䞀䜳䜨䝷䝃䝙䜫䞀䜽
ᕖெක⏠
ATR⬳᝗ሒ◂✪ᡜ
⬳䜘Ὡ䛑䛟
䚭䝏䝩䞀䝱䜬䜷䝒䝣䜳䜽䚮䝏䝩䞀䝱䝢䞀䜵䝊䜧䝷䜴䚮
䝏䝩䞀䝱䜶䝒䝣䜳䜽䚮䝏䝩䞀䝱䝡䝮䝊䜧䜳䜽
䚭ெ㛣䛴⢥♼䝿♣ఌὩິ䜘⏍∸ᏕⓏᇱ┑䛑䜏⌦よ䛝
ᚺ⏕䛟䜑
• ⬳䜘⦽䛖
䚭䝚䝰䜨䝷䝿䝢䜻䝷䝿䜨䝷䝃䝙䜫䞀䜽䚮䝚䝰䜨䝷䝿䜷䝷
䝘䝩䞀䝃䝿䜨䝷䝃䝙䜫䞀䜽䚮䝚䝰䜨䝷䝿䝑䝇䝌䝳䞀䜳䝿䜨
䝷䝃䝙䜫䞀䜽
䚭䜄䛩䛥䛕᩺䛝䛊䜷䝣䝩䝏䜵䞀䜻䝫䝷ᢇ⾙
• ⬳䛮♣ఌ䠍♼⤊೒⌦Ꮥ䟺Neuroethics䟻
䚭⬳⛁Ꮥ䛴ᚺ⏕䜘೒⌦䛑䜏⩻䛎䜑䚯
䚭೒⌦䜘⬳⛁Ꮥ䛑䜏⩻䛎䜑䚯⬳⛁Ꮥ䛴✪ᴗ䛴ᚺ⏕
“⬳䜘ㄖ䜆”䛴♣ఌⓏᚺ⏕
䝏䝩䞀䝱䜶䝒䝣䜳䜽
♼⤊⑄ᝀ䛱㛭䜕䜑㐿ఎᏄ䛴ྜྷᏽ
㐿ఎᏄኣᆵ䛱䜎䜑⬳Ὡິ䝕䝃䞀䝷䛴㐢䛊䠍಴ᛮ䛴⏍∸Ⓩᇱ┑
䝏䝩䞀䝱䜬䜷䝒䝣䜳䜽
ណᛦỬᏽ䝿⤊ῥ⾔ິ䛱㛭䜕䜑⬳Ὡິ䛴◂✪
䝏䝩䞀䝱䝢䞀䜵䝊䜧䝷䜴
⬳Ὡິ䛑䜏ᾐ㈕⩽䛴㉆㈑⾔ິ䜘஢ῼ
䚸䝞䝛䜻䛒ይ䛓䟾䜷䜯䝿䜷䞀䝭䛒ይ䛓䠑䚹
䝏䝩䞀䝱䝡䝮䝊䜧䜳䜽
⬳䛱㛭䜕䜑㐿ఎᏄኣᆵ䛮ᨳ἖Ⓩᛮྡྷ
ಕᏬ㻃㼙㼖㻑㻃㠁᩺䛮䜿䝱䝌䝏䝷䝌䝿䝌䝭䝷䜽䝡䞀䝃䞀ኣᆵ
䛮䛴┞㛭
ᨳ἖Ⓩᛮྡྷ䛱䜎䜑⬳Ὡິ䝕䝃䞀䝷䛴㐢䛊㻃䠍⡷䛴භ࿰ඨᨥᣚ⩽
䛮Ằ୹ඨᨥᣚ⩽䛴⬳Ὡິ䝕䝃䞀䝷䛴㐢䛊
䝏䝩䞀䝱䝢䞀䜵䝊䜧䝷䜴䛴ౚ
• 䝞䝛䜻䜷䞀䝭䛮䚮䜷䜯䜷䞀䝭䛴㐽ᢝ䛭䚮⬳䛴
␏䛰䜑㒂న䛒❿ྙ䚮䝚䝭䝷䝋䜧䝷䜴䛴⬳⛁
Ꮥ
• 䝟䝷䝄䛴䝙䜫䜨䜽䟺㢞ᆵ䝜䝇䝍䝭䜨䝌䟻䛴㛜Ⓠ
䛭䚮䠓䠦䠤䛴⬳Ὡິ䜨䝥䞀䜼䝷䜴䜿䝷䝃䞀䛴䠸
䠟䠤䠛䛒Ὡ㌅
• 䝋䜼䝃䝯㡚㡢ᶭჹ䛴㧏࿔ἴ䜯䝇䝌䛒⬳ᖷ䛴
Ὡິ఩ୖ䚮ඞ␷ງ఩ୖ䛰䛯䜘ᣅ䛕䠌ᨲ㏞㏳
ಘぞ᰹➴䛴⬳⛁ᏕⓏ䛰フ౮䛴ᚪさᛮ
♼⤊᭩㐲໩䟺♼ㆺ䚮⃕␂䚮ᮄᮟ䟻
䝋䜺䜨䝷䝕䝭䝥䞀䝃䜘ን໩䛛䛡䚮⬳Ὡິ䜘≁ᏽ䛴
“template”⬳Ὡິ䛱㎾䛫䛗䜑䛮䛯䛌䛰䜑䛑䠑
ᥞ♟
⬳Ὡິゝῼ
♼⤊᭩㐲໩ (Neuro-optimization)
澤畠、神谷
䝊䝷䝛䝰䞀䝌
“Template” ⬳Ὡິ
ᐣኃᒜ
ㄏᕣ䛒ᑚ䛛䛕
䛰䜑䜎䛌䛱䝋
䜺䜨䝷䝕䝭
䝥䞀䝃䜘ን໩
䛛䛡䜑
ิ᭿
䝋䜺䜨䝷
r1
r2
L3
L4
r3
r4
ཬ
ᚗ
L1
L2
α2
⬳Ὡິ
௥⾪Ⓩ➏㢞
α1
α3
䝋䜺䜨䝷䝕䝭䝥䞀䝃ౚ䟺㌬䛴ᙟ≟䟻
᭩㐲䝋䜺䜨䝷
ᐣኃᒜ䛴㞕ኬ䛛䜘
ങ䛎䛥䝋䜺䜨䝷䠑
↋⾪᝗
䜮䝷䝭䜨䝷⬳ゝῼ䛱
䜈䛮䛫䛕䝕䝭䝥䞀䝃
(┩䛴みᗐ, ཾ䛴᭜
➏㢞䠑
⋙䛰䛯)䛴᭞᩺
tim
e
䝊䝷䝛䝰䞀䝌⬳Ὡ
ິ䛮䛴ㄏᕣ䛒ᑚ䛛
䛕䛰䜑䜎䛌䛱ๆ⃥䛴
䝕䝭䝥䞀䝃䜘ን䛎䛬
䛊䛕䟺᭩㐲໩䟻
䝚䝰䜨䝷䝿䝢䜻䝷䝿
䜨䝷䝃䝙䜫䞀䜽
䝏䝩䞀䝱⚗➏䛊
澤畠、神谷
⬳䛴វて䝿୯ᯙ䝿㐘ິᶭ⬗䜘㞹ẴⓏெᕝᅂ㊪䛭
⿭⥓䝿්ᘋ䝿ቌ㐅
វて
ெᕝវてᆵBMI
•
ெᕝහ⪝䚭䚭䜷䜳䝰䜦♣䟺䜮䞀䜽䝌䝭䝮䜦䟻䚭䚭䚭
•
ெᕝ⥑⭯
•
ெᕝって䚭䚭䝍䞀䝝䝯◂✪ᡜ䟺䝡䝯䝌䜰䝯䟻
㐘ິ
䝚䝰䜨䝷䝿䝢䜻䝷䝿
䜨䝷䝃䝙䜫䞀䜽
䝚䝰䜨䝷䝿䝢䜻䝷䝿
䜨䝷䝃䝙䜫䞀䜽
⬳䛴វて䝿୯ᯙ䝿㐘ິᶭ⬗䜘㞹ẴⓏெᕝᅂ㊪䛭
⿭⥓䝿්ᘋ䝿ቌ㐅
វて
㐘ິ
୯ᯙ௒ථᆵBMI
•
῕㒂⬳ๆ⃥䚭䚭䝥䝍䝌䝱䝏䜳♣䟺⡷ᅗ䟻䚭䚭䚭
䝚䝰䜨䝷䝿䝢䜻䝷䝿
䜨䝷䝃䝙䜫䞀䜽
⬳䛮᝗ሒ㏳ಘᶭჹ䜘├᥃⦽䛖ᢇ⾙
1. ኶䜕䜒䛥វて䛴්ᘋ
2. 㐘ິ䝿䜷䝣䝩䝏䜵䞀䜻䝫䝷ᶭ
⬗䛴්ᘋ
3. ㉰㧏㏷䛴䜷䝣䝩䝏䜵䞀䜻䝫
䝷䝿ᶭჹ᧧ష
4. 㟸ゕㄊ䚮ណㆉ໩䛴᝗ሒ䛴
䜷䝣䝩䝏䜵䞀䜻䝫䝷
5. ኬぞᶅ䛭々㞟䛰䜻䜽䝊䝤
䛴⬳Ὡິ䛱䜎䜑├᥃โᚒ
6. ♼⤊⛁Ꮥ䛴㐠ර
⬳䛴វて䝿୯ᯙ䝿㐘ິᶭ⬗䜘㞹ẴⓏெᕝᅂ㊪䛭
⿭⥓䝿්ᘋ䝿ቌ㐅
វて
㐘ິ
㐘ິ්ᘋᆵBMI
• ኣ㔔㞹ᴗ䟺䜹䜨䝔䞀䜱䝑䝊䜧䜳䜽♣䚭⡷ᅗ䟻䚭䚭䚭
• ◫⭯ୖ㞹ᴗ
• ⬳ἴ
• ㎾㉝አක
• 䝚䝰䜨䝷䝿䝑䝇䝌䝳䞀䜳䝿䜨䝷䝃䝙䜫䞀䜽䟺HONDA-ATR ᪝ᮇ)
⬳䜘⦽䛖䠅⛸㢦䛴䜨䝷䝃䝙䜫䞀䜽
• 䝚䝰䜨䝷䝿䝢䜻䝷䝿䜨䝷䝃䝙䜫䞀䜽
⬳හ䛱ๆථ䛝䛥ះᛮ㞹ᴗ䛑䜏䝏䝩䞀䝱䝷Ὡິ䜘
オ㘋䛝䚮㐘ິᣞ௦䛰䛯䜘᥆ᏽ
• 䝚䝰䜨䝷䝿䜷䝷䝘䝩䞀䝃䝿䜨䝷䝃䝙䜫䞀䜽
⬳⾪㟻䛑䜏⬳ἴ䟺㞹న䟻䜘オ㘋䛝䚮ಘྒฌ⌦䛮
䝪䞀䜺ゥ⦆䛴⤄䜅ྙ䜕䛡䛭ᛮ⬗ྡྷ୕
• 䝚䝰䜨䝷䝿䝑䝇䝌䝳䞀䜳䝿䜨䝷䝃䝙䜫䞀䜽
㟸౴ぉ⬳Ὡິゝῼ䛴⤄䜅ྙ䜕䛡䛰䛯䛭㏣ၡ㢗
䜘よ䛓䚮⬳Ὡິ䜘㧏᫤㛣䚮㧏✭㛣ฦよ⬗䛭᥆
ᏽ䛝䚮䝪䞀䜺ゥ⦆䜘ኬᖕ䛱఩΅
䠆䛪䛴⫴ᬊᢇ⾙
ブレイン・マシン・
インターフェース サルBMI
近赤外光
計測装置＋
脳波計測
可搬型
NIRS
ヒト脳内情報表現の復号化：
視覚刺激の傾き、手の形、音韻
䝚䝰䜨䝷䝿䝢䜻䝷䝿䜨䝷䝃䝙䜫䞀䜽
䜹䝯䝏䝩䞀䝱䝷オ㘋
腕を使ったカーソル追跡
脳に埋め込んだ電極から得られる
神経活動でカーソル追跡
復号化
階層ベイズ
非侵襲脳活動
高精度推定法
遠隔地の多自由度ロボットの制御にも成功
Miguel Nicolelis Duke University
⬳䛱ᇔ䜇㎲䜙䛦ኣ㔔㞹ᴗ䛱䜎䜑
䝚䝰䜨䝷䝿䝢䜻䝷䝿䜨䝷䝃䝙䜫䞀䜽
ኬ⬳⓮㈻୕䛱ᇔ䜇㎲䜄䜒䛥㞹ᴗ䛭
♼⤊⣵⬂䛴Ὡິ䜘ゝῼ
BMI成功ᶍᴥ要素
1. 神経科学ᶍ知識
– 運動野
– ᷿᷷ᷝ᳐ḅ発火頻度
– ᷹᷷ᷯᷦ᷾᳐᷉ḅ符号化
2. 機械学習᳖脳情報解読᳗
䜯䞀䝁䝯䜘ᕞ୕䛱
ິ䛑䛟䜎䛌䛱ᛍ䛞䜑
䝚䝭䜪䝷ኬᏕ䝍䝎䝖䝩䞀䠌㤫䛑䜏ୖ䛒㯖⑯䛝䛥⿍㥺⩽䟺C4䝰䝝䝯⬠᥾ᝀ⩽䟻䛱ᑊ䛝䛬䚮ୠ
⏲䛭ิ䜇䛬BMI䛴ះᛮ⮣ᗃモ㥺䜘㛜ጙ䛝䛥䚯
J. Donoghue, NatureNeuroscience 2002; Human implant 2004; Nature 2006
– 脳活動ᵪᶨ情報᳖運動Ჾ画像等᳗ᶗᶍᷰᷕᷩ
– ᷽᷷ᷝ᳐᷻ᷟᷕᷚᲾSVM, SLR, SR等
3. ᷸᳐᷈訓練᳖᷉ᷜᷩ᷋可塑性᳗
᮶ ா ኬ Ꮥ 㻋᝗㻌 ఫ ಲ
Ꮥ ◂✪ᶭᵋ ௿
⮤↓ ⛁
ఫ
⬳♼⤊೒⌦Ꮥ
䝋
䞀
䝃
⓮
㈻
⬳
ἴ
Ꮥ
ኬ
㜨 ᓙ
ኬ ྚ
᮶ாኬᏕ(ᕝ)
ᶋ஬
䟺䠃䟻⓮㈻⬳ἴ㻋㻨㻦㼒㻪㻌䛱䜎䜑
㻃㻥㻰㻬䛴㛜Ⓠ䛮⮣ᗃᐁ㥺
ິ
䝮
∸
䝓
䝗
䝮
៖
䝊
᠍
䞀
㔓 ⩇ሺ
䜻
Ꮻ
䝫䝷
㥺
ᐁ
⩇ᡥ
䝕䝳䞀䜽䞀䝈
䜽
䞀
䝝
ኬ㜨ኬᏕ䚮᮶ாኬᏕ䚮⮤↓⛁Ꮥ◂✪ᶭᵋ䚮㻤㻷㻵
୯ᚨ‹හ㞹ᴗ⏻⨠䛮䛊䛌≺⮤䛴ᢇ⾙䜘ᣚ
䛪ኬ㜨ኬᏕ䛒୯ᚨ䛮䛰䜐䚮ᝀ⩽䜘ᑊ㇗䛮䛝
䛬⓮㈻⬳ἴ㻋㻨㻦㼒㻪㻌䜘⏕䛊䛬䚮㻥㻰㻬䛱䜎䜑㐘
ິ䝿ゕㄊᶭ⬗䛴්ᘋ䜘⾔䛌䚯㻤㻷㻵䛒⬳හ᝗
ሒよㄖ䛮⩇ᡥ䛴㐘ິโᚒ䝦䝋䝯䜘ᢰᙔ䛟
䜑䚯᮶ாኬᏕᶋ஬䠙䛵䚮䝓䝷䝍㒂䛱᧧䜐ᶭ
⬗䜘ᣚ䛪㉰ኣ⮤⏜ᗐ䛴⩇ᡥ䜘㛜Ⓠ䛟䜑䚯
᮶ாኬᏕ㕝ᮄ䠙䛵㉰⷟ᆵ䛭᯺㌶䛰ኣ䝅䝧
䝷䝑䝯㻨㻦㼒㻪㞹ᴗ䜘㛜Ⓠ䛝䚮⮤↓⛁Ꮥ◂✪
ᶭᵋ䛵ິ∸ᐁ㥺䛱䜎䛩䛬㞹ᴗ㛜Ⓠ䜘ᨥᥴ
䛟䜑䚯⮤↓⛁Ꮥ◂✪ᶭᵋ䛵ྜྷ᫤䛱䚮㏣ၡ
㢗䛴ḿよ䜘ᥞ౩䛝䛬䠓䠦䠤䛴⬳᝗ሒ᢫ฝ䜦
䝯䜸䝮䜾䝤㛜Ⓠ䜘ຐ䛗䜑䚯ኬ㜨ኬᏕ䚮᮶ா
ኬᏕ㕝ᮄ䠙䛵භྜྷ䛭䚮↋⥲ᶭ⬗䛮㟸᥃り
㞹ງ౩⤝⬗ງ䜘ᣚ䛪ᐁ⏕ᆵ㻨㻦㼒㻪㻐㻥㻰㻬䜻
䜽䝊䝤䜘Ᏸᠺ䛛䛡䜑䚯
㻤㻷㻵䝿ᕖெ
よㄖ䛮โᚒ
᮶
䟺᝗ ா
ሒ ኬᏕ
⌦
䝢
䝋 䝯 㕝ᮄ ᕝ)
䞀 䝅
ᡜ
ష
⿿
὘ ⏛
ᓞ ྡྷ
㻬
㻥㻰
ぉ
౴
㟸
∸
ິ
⮤↓ ⛁
Ꮥ
ᐁ
㥺
䝃
䞀
䝋
䝃䝝 㞹
䞀ᴗ
䜽
䝝䞀
䜽
ఫ
◂✪ ᶭᵋ ௿
⓮㈻⬳ἴ䜘⏕䛊䛥brain mapping䛮neural decoding
ኬ㜨ኬᏕ䝿ATRභྜྷ◂✪
ECoG 䟺⓮㈻⬳ἴ䟻䛱䜎䜑㧏⢥ᗐᚗྒ໩ᢇ⾙
ᖲ⏛㻃㞖஄䚮ᰏ⃕㻃㷰ྍ䚮₽ㆺ㻃ኬ㍔䚮㰳⸠㻃Ὂୌ䚮ຊ⸠㻃ኮ⨶䚮♼ㆺ㻃 ஄ᗛ䚮ྚᓙ㻃ಆᶖ
䚭(㜨ኬ䟻䚭䚭
(㜨ኬ/䠓䠦䠤䟻 䟺䠓䠦䠤/ዄⰃ඙❻ኬ䟻 䟺㜨ኬ䟻䚭䚭
䟺㎾␝ኬ䟻䚭䚭
䟺䠓䠦䠤䟻䚭䚭
䚭䚭䚭䚭䚭䚭䚭ಘᏕᢇሒ䟾vol.107, no.263, NC2007-52, pp.105-108 (2007ᖳ10᭮䟻
䟺㜨ኬ䟻
ばᣞ䜘᭜䛘䜑
◂✪┘Ⓩ
◫⭯ୖ㞹ᴗ䛑䜏ῼᏽ䛛䜒䜑⬳Ὡິ䜘䝋䞀䜷䞀䝋䜧䝷䜴䛝䚮䛣䛴⤎ᯕ䜘⏕䛊䛬ᶭ᲌䜘䝌䝰䞀䝏䝷䜴
䛰䛝䛱ິ䛑䛟䚭䋲䚭ALS䜊Locked-In⑍ು⩄ᝀ⩽䛴䜷䝣䝩䝏䜵䞀䜻䝫䝷䝈䞀䝯䛮䛝䛬᭿ᙽ
ᕞኬ⬳⓮㈻◫⭯ୖ㞹ᴗ
ECoG
㢄⵱䛱䜎䜑ಘྒ΅⾮
㢄⓮
୯ᚨ‹හ㞹ᴗ
ኬ㜨ኬᏕ䛱䛬≺⮤㛜Ⓠ
⬳⾪㞹ᴗ
ᡥ䜘ᥩ䜑
⫕䜘᭜䛘䜑
⓮㈻
⬳㧂ᾦ
◫⭯
⬳ಘྒ䛑䜏㐘ິ䝕䝃䞀䝷䜘よㄖ䟺ᚗྒ໩䟻
㢄⵱
≁ᚡ
䖟䛚⣺௒䛟䜑⤎ᯕ䛵䚮἖⒢┘Ⓩ䛴䛥䜇䛱ECoG⏻⨠䛛䜒䛥ᝀ⩽䛴୯䛭䚮ᐁ㥺┘Ⓩ䝿හᐖ䛰䛯
䛱䛚㈰ྜྷ䜘㡤䛊䛥᪁䛴䛚༝ງ䜘ᚋ䛬䚮ᐁ㥺䜘⾔䛩䛥䜈䛴䛭䛟䟺䜨䝷䝙䜭䞀䝤䝍䜷䝷䜿䝷䝌䜘⤊䛬䟻䚯
䝒䜨䜾䛒ᑛ䛰䛊
ಘྒ䛒ᙁ䛊䟺EEG䛱Ẓ䛿䛬䟻
EOG, ECG, EMG䛰䛯䛴ಘྒ䛒ථ䜏䛰䛊
䜳䝱䜽䝌䞀䜳䛒ᑛ䛰䛊
ᇔ䜇㎲䜅䛴䛥䜇䛴ᡥ⾙䛒ᚪさ
PC䛾ฝງ
⬳⾪㞹ᴗ(20ᴗ):
ḿ➽⋙80%
୯ᚨ‹හ㞹ᴗ(4ᴗ): ḿ➽⋙88%
⬳⾪䟽୯ᚨ‹හ㞹ᴗ: ḿ➽⋙90%
Brain Computer Interface䛾䛴ᚺ⏕
Brain Computer Interface䛾䛴ᚺ⏕
ᩐⓊ䝣䝮⛂๑䛑䜏஢ῼྊ⬗
䟺䠄䟻㟸౴ぉᆵ㻥㻰㻬䜘Ὡ⏕䛝䛥䝮䝓䝗䝮䝊䞀䜻䝫䝷ᡥ
ᢇ䝿ᶭჹ䛴㛜Ⓠ䛮⮣ᗃᐁ㥺
៖᠍⩇ሺ䚮ᓞ὘⿿షᡜ䚮᮶ாኬᏕ䚮⮤↓⛁Ꮥ◂✪ᶭᵋ䚮㻤㻷㻵
៖᠍⩇ሺ䛒㛜Ⓠ䛝䛥㻨㻨㻪㻐㻥㻰㻬䛱䛪䛓䚮
᝷ᏽུ─⩽䛭䛈䜑⬠㧂᥾ഭ䚮♼⤊㞬
⑋䚮⬳༛୯䛰䛯䛴⑄ᝀ⩄䛭ᐁッᐁ㥺
䜘⾔䛌䚯䛣䛴⤎ᯕ䜘䚮㻤㻷㻵㻐ᓞ὘⿿షᡜ
䛴㻱㻬㻵㻶㻐㻨㻨㻪々ྙྊᦑᆵ⬳Ὡິゝῼ
䜻䜽䝊䝤䛴㛜Ⓠ䛱Ὡ⏕䛝䚮䝮䝓䝗䝮
䝊䞀䜻䝫䝷䛱ᚺ⏕䛟䜑䚯⬳Ὡິ䝋䞀䝃
䝝䞀䜽䛵䚮⤣ྙ䝋䞀䝃䝝䞀䜽䝛䝭䝇䝌
䝙䜭䞀䝤䛭ྊ⬗䛰㝀䜐ප㛜䛟䜑䚯䜄䛥
㻥㻰㻬䝮䝓䝗䝮䝊䞀䜻䝫䝷䛱䜎䜑୯ᯙ♼⤊
䛴ྊሣᛮ䛱䛪䛊䛬䚮⮤↓⛁Ꮥ◂✪ᶭ
ᵋ䛒䜹䝯䜘⏕䛊䛥ິ∸ᐁ㥺䜘ᢰᙔ䛟
䜑䚯᮶ாኬᏕᶋ஬䠙䛵㻥㻰㻬䝮䝓䝗䝮
䝊䞀䜻䝫䝷⏕䛴㞹ິ⿞ර䜘㛜Ⓠ䛟䜑䚯
(Yanagiswa, Hirata, Shibuya, Kishima, Saitoh, Kato,
Kamitani, Yoshimine, submitted)
ኬぞᶅ⿞⨠
fMRI䟺㧏✭㛣ฦよ⬗䟻
䚭䚭䚭䚭䚭䟽
MEG䟺㧏᫤㛣ฦよ⬗䟻
⬳䜨䝷䝃䝙䜫䞀䜽䛴◂✪ິྡྷ
•䚭౴ぉ䛑䜏㟸౴ぉ䛾
•䚭ゥ⦆䛑䜏⮤↓䛰⬳Ὡິ䛾
•䚭䜮䝙䝭䜨䝷䛑䜏ᐁ᫤㛣䛾
•䚭㔔ཉ㛏ኬ䛑䜏㍇㔖䝿Ꮽ౮䝿ᦘᖈ䛾
•䚭ᇱ♇◂✪䛑䜏ᚺ⏕䝿㛜Ⓠ䛾
•䚭⬳䛴ゝ⟤䝦䝋䝯䜘Ὡ⏕
•䚭㏣ၡ㢗᥆ᏽ䜘ᇱ♇䛱
䚭䚭䚭䚭MRI / fMRI
ATR⬳Ὡິ䜨䝥䞀䜼䝷䜴䜿䝷䝃
✭㛣ฦよ⬗
᫤㛣ฦよ⬗
○
ྊᦑᆵゝῼ⿞⨠
⬳ἴ䟺EEG)
㎾㉝አකゝῼ(NIRS)
ᓞ὘⿿షᡜ䚮䝠䝔䞀䜽オᛍ⑋㝌
ALSᝀ⩽䛾䛴⬳ἴBCI䛴⮣ᗃᐁ᪃
Ꮽධᛮ
Birbaumer et al., (1999) Nature
fMRI
NIRS
MEG
EEG
䟺☚Ẵභ㫾䟻
䟺㎾㉝አක䟻
䟺⬳☚ᅒ䟻
䟺⬳ἴ䟻
◎
○
？
？
△
△
◎
◎
䕸
△
◎
䕸
◎
◎
ᦘᖈᛮ
○
PET、fMRI、NIRS：空間分解能が高い
MEG、EEG：時間分解能が高い
？：不良設定問題の解き方に依存
㝭ᒒ䝝䜨䜾Ἢ䛱䜎䜑
㧏⢥ᗐ⬳Ὡິ᥆ᏽ
NIRS䟺㧏✭㛣ฦよ⬗䟻
䚭䚭䚭䚭䚭䟽
EEG䟺㧏᫤㛣ฦよ⬗䟻
㟸౴ぉ⬳Ὡິゝῼ
PET
⬳☚ゝ(MEG)
ᕖெ㻃ᣲ⮾ㄢᩒ㈕䛭
ᓞ὘⿿షᡜ䛮භྜྷ㛜Ⓠ
高精度大規模装置
fMRI ＋ MEG
簡便可搬型装置
NIRS ＋ EEG
• ⬳ἴ䛭䜯䞀䝁䝯䜘ິ䛑䛟
– 㢄⓮୕䛴䠄䜯ᡜ䛴㞹ᴗ(A, B)䛴㞹న䜘ゝῼ
– 㞹న䛮䜯䞀䝁䝯䛴ິ䛓䛴㛭౿
電位
プラス マイナス
電極A 右 左
電極B 上 下
PC ↓
患者
– ᦘᖈ㞹リ䛱జ䛥ᩝᏊථງ䝁䝙䝌䛮⤄䜅ྙ䜕䛡䟾
䚭ධ㌗㯖⑯䛴ெ䛒㛏ᩝ䜘᭡䛕䛙䛮䛱ᠺຉ
㸪㸥᪝㛣ࠉ㸪୒ᅂゥ⦆ࡊ࡙ࠉḿ➽⋙㸬㸪㸚
⬳ἴ䝮䜦䝯䝃䜨䝤BCIฦᩋ䜻䜽䝊䝤
Proc Natl Acad Sci U S A. 2004 Dec
21;101(51):17849-54.
㻃㻲㼓㻦㼒㼑㼗㼕㼒㼏㻃㼒㼉㻃㼄㻃㼗㼚㼒㻐㼇㼌㼐㼈㼑㼖㼌㼒㼑㼄㼏㻃㼐㼒㼙㼈㼐㼈㼑㼗㻃㼖㼌㼊㼑㼄㼏㻃㼅㼜㻃㼄㻃㼑㼒㼑㼌㼑㼙㼄㼖㼌㼙㼈
㼅㼕㼄㼌㼑㻐㼆㼒㼐㼓㼘㼗㼈㼕㻃㼌㼑㼗㼈㼕㼉㼄㼆㼈㻃㼌㼑㻃㼋㼘㼐㼄㼑㼖㻑
㻋㻃㼅㼕㼄㼌㼑㻐㼐㼄㼆㼋㼌㼑㼈㻃㼌㼑㼗㼈㼕㼉㼄㼆㼈㻒㻃㼈㼏㼈㼆㼗㼕㼒㼈㼑㼆㼈㼓㼋㼄㼏㼒㼊㼕㼄㼓㼋㼜㻃㻌
㻭㼒㼑㼄㼗㼋㼄㼑㻃㻵㻑㻃㻺㼒㼏㼓㼄㼚㻃㼄㼑㼇㻃㻧㼈㼑㼑㼌㼖㻃㻭㻑㻃㻰㼆㻩㼄㼕㼏㼄㼑㼇
The user has sometimes the feeling that Pacman
moves in the correct direction though the user
was consciously not aware of his decision,
sometimes consciously not even ready for a
decision.
ᚺ⏕ౚ䠌䜶䞀䝤䟺䝕䝇䜳䝢䝷䟻
• real time processing of 128-channels EEG data by
parallel computer
• Fisher’s Discriminant; classifier with minimum
probability of misclassifications
• move packman forward or backward by EEG
Krepki et al. Klaus-Robert Muller, DMS ’03
⬳䠁ᚨ䛴よㄖ䟺䝋䜷䞀䝋䜧䝷䜴䟻
エンコーディング
刺激
⬳⏤ാ䛴䝕䝃䞀䝷ヾㆉ䛱䜎䜑ってๆ⃥䛴஢ῼ
デコーディング
脳活動
刺激の予測
஢ῼ
⬳⏤ാ䛑䜏
஢ῼ䛛䜒䛥ല䛓
V1 activity
0
ᅒᙟ䛴ല䛓
(modified from http://whatisthematrix.warnerbros.com/) ♼ㆺ஄ᗛ䚭䠓䠦䠤⬳᝗ሒ◂✪ᡜ
Scientific American 50 (2004-2005) 受賞
100%
୹ふⓏ▩てහᐖ䛴よㄖ䟺ᚨ䜘ㄖ䜆䟻
視覚像再構成（宮脇、・・・、神谷）
Presented image
fMRI scanner
fMRI signal
decoder
Reconstructed image
(Miyawaki
, Uchida,
Yamashit
a, Sato,
Tanabe,
Sadato,
Kamitani)
Brain activity
Presented images
1.0
0.5
0
Presented images
(
Kamitani Y., Tong F. Decoding the perceptual
and subjective contents of the human brain.
Nature Neuroscience 8, 679-685 (2005).
஢ῼ
(䛯䛧䜏䛴⦜䛱Ἰណ
䜘ྡྷ䛗䛬䛊䜑䛑)
㐘ິโᚒ䛾䛴ᚗྒ໩䛴ᣉᘿ
1. じゃんけんぽんのパターン認識
大脳皮質第１次運動野
2. 音韻のパターン認識
母音：小脳
子音：大脳皮質第１次運動野
Contrast value
Reconstructed images
(single trial)
=
Reconstructed images
(single trial)
侵襲型ᶇ非侵襲ᴭᴸᴴ
侵襲型
• 高時間空間分解能
• ᷿᷷ᷝ᳐ḅ活動
• 高性能
非侵襲型
• 低ᴾᴹ
• 脳波Ჾ近赤外光計測Ჾ脳磁
図ᲾfMRI
• 低ᵣ性能
• 過度ᶉ᷸᳐᷈訓練
ATR䛴᩺䛝䛊っⅤ
• 多点観測Ჾ機械学習
• 高性能
• 自然ᶉ脳活動
• ᷸᳐᷈訓練ᶉᵶ
)
方法
BMI
㧏᫤✭㛣ฦよ⬗
⬳Ὡິゝῼ䜻䜽䝊䝤
BCI
長所
神経活動測定
非侵襲的
短所
侵襲的なため
適用範囲限定
神経活動はブラッ
クボックスのため
機能限定
㉰ኣ䝅䝧䝷䝑䝯MEG䜻䜽䝊䝤
⬳Ὡິ᫤㛣᝗ሒ
fMRI䛱䜎䜑⬳ᶭ⬗ᆀᅒ
㝭ᒒ䝝䜨䜾⬳Ὡິ᥆ᏽἪ
⬳Ὡິ᫤✭㛣᝗ሒ䛴⤣ྙ
⬳Ὡິ✭㛣᝗ሒ
New Technology
非侵襲計測による高精度神経活動推定
階層変分ベイズ法に基づく脳磁図逆問題
⬳හ㞹Ὦ″䛴㝭ᒒ䝝䜨䜾᥆ᏽ
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).
㞹Ὦ
高時間分解能(ミリ秒)と
高空間分解能(ミリメートル)で
脳神経活動推定
階層ベイズ
逆フィルタ
MEG/EEGデータ
⬳Ὡິ䛴᫤✭㛣Ὡິ䝕䝃䞀䝷
᫤㛣
推定電流
Inflated
Map
of
Cerebral
Cortex
推定電流を用いて
活動領域にフォーカス
fMRI/NIRSデータに
よる柔らかな拘束条件
Visual
Areas
㞹Ὦ
脳内電流源
᫤㛣
fMRI/NIRSによる脳活動時間平均情報
ってᐁ㥺ㄚ㢗㐑⾔᫤䛴
㧏᫤✭㛣ฦよ⬗⬳Ὡິ᥆ᏽ
⿍㥺⩽䛵ᅖっⅤ䟺㉝䟻䜘Ἰっ䛝䚮
䛣䛴㛣䛱Ẓ㍉Ⓩ▯䛊᫤㛣㛣㝰䛭
ってๆ⃥䜘㏻⤾Ⓩ䛱ᥞ♟䛟䜑䚯
ってๆ⃥᫤⣌า䝕䝃䞀䝷
0ms
400ms
800ms
1200ms
ᄿ༖っ㔕ๆ⃥䜘㏻⤾䛝䛬⿍㥺⩽䛱ᥞ♟䛝䛥䛮䛓䛴⬳☚ᅒ䛑䜏
ิ᭿って㔕䛴⬳Ὡິ䜘᥆ᏽ䛟䜑䚯
っ㔕䛮ิ᭿って㔕䛴న┞᝗
ሒ䛴ᑊᚺ䟺䝰䝅䝒䝌䝘䞀䟻
ฝ඼䠌Kandel ER, Schwarz JH,
Jessell TM, Principles of
Neural Science, 3rd ed.
脳情報解読ᶍ新手法
㟸౴ぉ㧏ᶭ⬗䠔䠟䠛䛴௘ᵕ
• Ꮽ౮䟺ᡥ⾙䚮fMRI, PET, MEG➴䜘౐⏕䛝䛰
䛊䟻䠏⬳ἴ䚮ක䝌䝡䛱䜈䛮䛫䛕
• Ꮽධᛮ䟺ᬸ㉦䛝䛰䛊䟻䠏ỏ໩ᛮ⬗䠏㝀ᑻ䛝䛥
⬳Ὡິ䜘ゝῼ䛟䜑ᚪさ
• ౐⏕វ䟺Ꮥ⩞䛝䜊䛟䛛䟻䠏ᮇᮮ䛴⬳᝗ሒ䛴⾪
⌟䜘ฺ⏕䛟䜑䠏㝀ᑻ䚮♼⤊⛁Ꮥ
• 㧏ᶭ⬗䟺㧏䛊᧧షᛮ䟻䠏ኣ⮤⏜ᗐ䚮㧏ḿ➽⋙
䠏⤣ゝᡥἪ䚮㝀ᑻ
ᷨ᷾ᶶḅᷟᷕᷚḁ᳐᷁ᶶḅ᷑ᷧᶹ᳐᷋
•ᙁງ䛰よㄖᡥἪ䛴䛥䜇䛱䛵䚮⬳Ὡິ䝋䞀䝃䛴ḗඔ
䚭䛒㧏䛕䛰䛕䛬䛰䜏䛰䛊
•⬳ἴ䚮㎾㉝አ䚮⬳☚ᅒ䛭䛵䛥䛑䛦䛑ᩐ༎䛑䜏ᩐⓊ
•㏣ၡ㢗䜘よ䛊䛬⬳හ䛴ᩐ༐䛑䜏ᩐ୒䛴᰹ᏄⅤ䛭䛴
䚭㞹Ὦ䜘᥆ᏽ
•㝭ᒒ䝝䜨䜾᥆ᏽἪ䟺VBἪ䟻䛭䛵䚮々ᩐ䛴㟸౴ぉ
䚭ゝῼἪ䜘⤄䜅ྙ䜕䛡䛬䚮㏣ၡ㢗䜘⢥ᗐⰃ䛕よ䛕
•䛙䛴䜄䜄䛭ᶭ᲌Ꮥ⩞䜦䝯䜸䝮䜾䝤䜘౐䛌䛮䝕䝭
䚭䝥䞀䝃䛒ኣ䛟䛔䛬䜮䞀䝔䞀䝙䜧䝇䝌䛝ỏ໩䛝䛰䛊
•ᵕ䚱䛰᪁Ἢ䛭≁ᚡ䝝䜳䝌䝯䛴⤘䜐㎲䜅䜘⾔䛊ỏ໩
䚭ᛮ⬗䜘୕䛘䜑䟺ATR⬳◂䛑䜏䠇䛪䛴ㄵᩝ䟻
ᡥ඙㐘ິ䛴vbMEG䛱䜎䜑්ᵋᠺ
ᐁ㥺䝃䜽䜳䟺MEG䟾fMRIᐁ㥺䟻
ᡖ⏛䚮௑Ề䚮ఫ⸠䚮࿰⏛䚮ᕖெ
㝭ᒒ䝝䜨䜾䛱䜎䜑㞹Ὦ″᥆ᏽ
current density
䝖䝌㐘ິ୯䛴⬳Ὡິゝῼ
MEG topography
Averaging MEG signal
㐘ິ๑㔕
MEG䝋䝩䝳䞀
న⨠ゝῼ⏕䝢䞀䜯䞀
វて㔕
ྎᡥ㤫䜘ୌᏽ䛴㏷ᗐ䛭
8᪁ྡྷ䛱㐘ິ䛛䛡䜑
Time
㐘ິ㛜ጙ᫤็
᥆ᏽ㞹Ὦ䛑䜏䛴ᡥ඙㐘ິ䛴්ᵋᠺ
Time
㐘ິ୯䛴ᡥ඙䛴న⨠䛮
⬳Ὡິ(MEG䟾fMRI)䜘オ㘋
MEG䝝䝇䝍
MEG䜻䜽䝊䝤㻃䠌㻃MEGvision PQ1400R, 208channel,
MaxSamplingRate 2kHz
Toda A, Imamizu H, Sato M, Wada Y, Kawato M: Reconstruction of temporal movement from single-trial non-invasive brain activity: A hierarchical Bayesian
method. Proceedings of 14th International Conference on Neural Information Processing (ICONIP 2007). WED-4, p.131 (2007)
᥆ᏽ㞹Ὦἴᙟ
㡷ᇡ䛚䛮䛴᥆ᏽ㞹Ὦᙁᗐ᫤㛣ἴᙟ
fMRI activity
᥆ᏽ㞹Ὦ䝢䝇䝛
-100䠌-50 [msec] 50䠌100 [msec] 150䠌200 [msec] (uncorrected p < 0.01)
×10^-4
4
0
-400
0
400
Time [msec]
㡷ᇡ䝢䝇䝛
800
current density
current density
Brodmann6 (pre motor)
8
0
1.0
0.0
-400
-200
0
200
400
Time [msec]
600
800
1000
ALL vertex
2521
constrained vertex
NaN
spatial filter
6 [mm]
confidence coefficient
upper
0
lower
0
0
400
Time [msec]
800
4
0
-400
0
400
Time [msec]
Brodmann17 (V1)
800
Brodmann123 (S1)
8
×10^-4
4
0
-400
0
400
Time [msec]
800
current density
2.0
8
-400
×10^-4
current density
VB parameter
current density
current density
×10^-4
Brodmann7
4
Brodmann4 (M1)
3.0
×10^-4
8
8
×10^-4
4
0
-400
0
400
Time [msec]
800
⬳හ䛴᥆ᏽ㞹Ὦ䛑䜏䛴ᅂᖉ
㐘ິㄚ㢗䛮ᅂᖉ
single trial reconstruction by linear spatio-temopral filter
real
predict
䕹㻃Analysis
velocity (0.66)
Predict hand position (and velocity, acceleration)
from brain activity apply to below liner regression equation.
N
M
Re g (t ) = a + !! bij Si (t " j )
acceleration (0.66)
i =1 j = 0
S i (t ) 䠌 MEG signal or current was subsampling 20[msec]
M=10 , 200[msec] time window
fNIRS䛮EEG䛴々ྙᶭ
1
Estimated
temporal filter
SMA
M1
position (0.60)
Estimated weight (absolute mean)
䕹㻃Task
Brain activity was measured by MEG
while subject move right hand. Also hand position.
䟺hand movement is extension and flection , each 100trial䟻
4
8
Time [sec]
10
pre motor
0
-40
-80 -120 -160
pos
vel
acc
S1
0
-40
-80 -120 -160
Delay time [msec]
โᚒ⬳⛁Ꮥ䛴᩺䛝䛊Ὦ䜒
1. 理論と実験データの時間相関を超える
新しいパラダイムの必要性
2. 脳からの情報抽出とフィードバック
3. 理論に基づいたフィードバックの操作
4. 抽出された脳情報の変更と、脳全体の
活動の変化
5. 理論とデータの因果関係の保証
6. 制御に基づいた理論の展開
᥆ᏽ䛝䛥⬳Ὡິ䛑䜏᝗ሒ䜘᢫ฝ䛝䚮
⬳䛱䝙䜧䞀䝍䝔䝇䜳䛟䜑
• EEG䟾MEG䛰䛯䛑䜏䠄ḗඔ䜯䞀䜹䞀䛴ິ䛓䜘โᚒ䛭䛓䜑
䜎䛌䛱ゥ⦆䛟䜑
• 䝭䝷䝄䝤䛱ິ䛕ᵾⓏ䛴㏛㊟ㄚ㢗
• ⬳Ὡິ䛮䜯䞀䜹䞀䛴ິ䛓䛴㛣䛱௴ណ䛴ንᥦ䟺ౚ䛎䛶ᅂ
㌹䚮䝄䜨䝎䝣䜳䜽䚮䝒䜨䜾䟻䜘᣼ථ
• Ꮥ⩞䛱ఔ䛌⬳Ὡິ䛴ን໩䜘ゝῼ
• ⬳Ὡິ䛮ㄚ㢗㐑⾔䛴ᅄᯕ㛭౿䛵ಕッ䛛䜒䛬䛊䜑
• ᝗ሒ᢫ฝ䛟䜑⬳㒂న䜘⣌⤣Ⓩ䛱᳠⣬
• ௑Ềᐁ㥺䛴䝚䝰䜨䝷䝿䝑䝇䝌䝳䞀䜳䝿䜨䝷䝃䝙䜫䞀䜽∟
⾔ິ≟ឺ౮ೋ㛭ᩐ䛱ᇱ䛫䛊䛬
ណᚷỬᏽ䜘᧧ష䛟䜑
• 䝚䝰䜨䝷䝿䝑䝇䝌䝳䞀䜳䝿䜨䝷䝃䝙䜫䞀䜽䛱䜎䜐ᐁ㝷䛴ណᚷỬᏽ䜊㐘ິ㛜ጙ๑䛴ᐁ⾔
ྊ⬗ (Andersen 2004, Muller 2003)
• ⾔ິ≟ឺ౮ೋ㛭ᩐ䜘♼⤊Ⓠℾ䚮BOLDಘྒ䛮䛝䛬⾪⌟ྊ⬗䟺㩢ᓞ䚮᫋㔕䟻
• ᕞྎ䛴⾔ິ≟ឺ౮ೋ㛭ᩐ䛴ᕣ䛭ណᚷỬᏽ
• ᕞྎ䛴Q㛭ᩐ䛑䜏ᚃ䛴⾔ິỬᏽ䜘ᚗྒ໩䛮ಞḿᘟ䛭ಞ㣥
• ណᚷỬᏽᘟ䛴ን᭞䛱ఔ䛌⾔ິᏕ⩞䛮⬳Ὡິ䛴ን໩䜘ゝῼ
• ⬳Ὡິ䛮⾔ິᏕ⩞䛴ᅄᯕᚂ䛵ಕッ䛛䜒䛬䛊䜑
• ⬳හ䛴྘㒂న䛑䜏Ὡິ䜘䛮䜐ណᚷỬᏽ䛱䛪䛰䛘䜑
ATR䝚䝰䜨䝷䝿䝑䝇䝌䝳䞀䜳䝿䜨䝷䝃
䝙䜫䞀䜽䛴≁㛏䛮ᑑᮮ
1. 々ᩐ䛴㟸౴ぉゝῼᡥἪ䛴⤄䜅ྙ䜕䛡
2. ㏣ၡ㢗䜘ንฦ㝭ᒒ䝝䜨䜾᥆ᏽἪ䛭よ䛊䛬
⬳䛴✭㛣䛭≁ᚡ᢫ฝ
3. 㧏ᗐ䛰ᶭ᲌Ꮥ⩞䛭䝪䞀䜺ゥ⦆䜘᭩ᑚ໩
4. ♼⤊⛁Ꮥ䛴▩ㆉ䜘⬳✭㛣䛭⏕䛊䜑
5. 㐘ິโᚒゝ⟤䝦䝋䝯䛱䜎䜑㝭ᒒโᚒ
6. ⬳䛴㡨䝦䝋䝯䜘⏕䛊䛥㏣ၡ㢗よἪ䛮ኣ⛸
᝗ሒ䛴ྜྷ᫤᥆ᏽ
᷷ᷤ᳐ᷰᷠᶶ᷿ᷛᷮᷕᷚᴮᴭ- i
An ATR/SARCOS development with ICORP/JST funding
♼⤊Ὡິ䛱䜎䛩䛬䝱䝠䝇䝌䜘โᚒ䛟䜑䛙䛮䜘
㏳䛞䛬㝭ᒒⓏ䛰⬳䛴វて㐘ິโᚒ䜘⌦よ䛟䜑
Human
ROBOT
Decision
Prefrontal decoding
Parietal decoding
CBL decoding
M1 decoding
͌
ெ㛣࡞ࡻࡽ㎾࠷
ࣃ࣭࣏ࣖࢿ࢕ࢺࣞ
࣍ࢴࢹྜྷ⛤ᗐࡡ㏷ࡈ
࡛ງ
͌
⮤ᚂᆵ
͌
HPFQI0J
͌
᯺ࡼ࠾࠷
Intention
Internal model
Muscle activity
SARCOS, ATR, CMU, NiCT
ゝ⟤⬳䝛䝱䜼䜫䜳䝌䛴ሒ㐠Ⓠ⾪
䜹䝯䛴ኬ⬳⓮㈻䛴䝏䝩䞀䝱䝷Ὡິ᝗ሒ䜘䝑䝇䝌䝳䞀䜳䜘௒䛝䛬ఎ㏞
䟺⡷ᅗ䡐᪝ᮇ㛣䟻䛝䚮䝮䜦䝯䝃䜨䝤䛭䝖䝩䞀䝢䝒䜨䝍䝱䝠䝇䝌䜘Ṅ⾔䛛䛡
䜑
䟺Cheng䝿᲻ᮇ䝿ᕖெ,Nicolelis䟻
SONY
䛧䛧䜙䛽䛊䛽䛊
⬳䛴Ṅ⾔โᚒ䝥䜯䝏䜾䝤䛴⌦よ䠌
䜹䝯⬳Ὡິ䛱䜎䜑䝱䝠䝇䝌โᚒ
䝱䝠䝇䝌䛴᫆ാ䛴䝮䜦䝯䝃䜨䝤㏞ಘ
䟺JST(᪝ᮇ)䊲㻧ukeኬᏕ(⡷ᅗ)䟻
CB-i䛭䛴Ṅ⾔䝕
䜹䝯䛴Ṅ⾔୯䛴⬳Ὡິゝῼ
䝃䞀䝷
䛴්⌟
ንᥦ䛛䜒䛥⬳Ὡິ䝋䞀䝃䛴䜨䝷䝃䞀䝑䝇䝌䜘௒
䛝䛥䝮䜦䝯䝃䜨䝤㏞ಘ
䟺DukeኬᏕ(⡷ᅗ)䊲㻭ST(᪝ᮇ)䟻
Proto-type
Cheng G, Fitzsimmons N, Morimoto J, Lebedev M, Kawato M, Nicolelis M: Bipedal locomotion with a humanoid robot controlled by cortical
ensemble activity, Society for Neuroscience 37th Annual Meeting, 517.22 (2007)
⬳䛴Ṅ⾔โᚒ䝥䜯䝏䜾䝤䛴⌦よ䠌
䜹䝯⬳Ὡິ䛱䜎䜑䝱䝠䝇䝌โᚒ
ブレイン・ネットワーク・インタフェース、
脳計算モデルとヒューマノイドによる情報通信
●脳のモデル
●見まね制御
●ブレイン・ネット
ワーク・インタフェース
●ブレイン・ネット
ワーク・インタフェース
●脳のモデル
●見まね制御
●時間遅れ
Neuroethics (♼⤊೒⌦)
• ⬳ゝῼ䛮⬳ๆ⃥䛴㐅Ṅ䊲༱㝜ᛮ䛴⌟ᐁ໩
– 䛌䛣Ⓠぜჹ䛰䛯䝛䝭䜨䝔䜻䞀౴ᐐ
– ⬳䛴ᙟឺ䝿Ὡິ䛑䜏₧ᅹⓏ♼⤊⑋⌦䜘஢ῼ
– ಴ெ䛴ណᚷỬᏽ䝥䜯䝏䜾䝤䛱௒ථ
– オ᠀䛴᧧ష䝿᭡䛓ᥦ䛎
• ⡷ኬ⤣㡷䛴⏍࿤೒⌦ᐼ㆗ఌ
– 䜳䝱䞀䝷䜊⮒ჹ⛛᳔䛮୩䛼ᐼ㆗㡧┘䛱