脳データの解釈は難しい。機械学習がどう役立つか
適切な機器があれば、脳データを取得するのは比較的簡単です。頭皮にセンサーを取り付けて脳の活動を測定するだけです。しかし、そのデータを解釈するのはそれほど簡単ではありません。実際、これは現在脳の研究者が直面している最大の課題の 1 つです。しかし、Museデータと機械学習モデルに関する最近の画期的な進歩により、この状況が変わる可能性があります。
脳内データダンプ
脳データに関する課題は、データが少なすぎることではなく、多すぎることです。また、それをレビューする人材も不足しています。脳波 (EEG) は、脳の活動を測定するテストです。EEG データ ポイントにラベルを付けるには時間がかかり、需要の高い少数の人材、つまり神経科医と睡眠の専門家の専門知識が必要です。そのため、コストも高くなります。
研究室に神経科医が 2 人しかいないと想像してみてください。彼らはコンピューターの前にかがみ込み、上記のような何十万もの EEG チャートを分析しようとしています。データの量が膨大であるため、すべてを手動で確認したりラベル付けしたりすることは不可能です。その結果、世界中の研究室のコンピューターには、ラベル付けされず、ほとんど使われないまま、多くの EEG データが残っているはずです。
そのため、EEG の解釈を拡大し、睡眠追跡や瞑想など、医学的緊急事態ではないものにアクセスできるようにするには、人間ではなくコンピューターで確認できるようにする=AIを活用する必要があります。
研究室での発見
ユベール・バンビルは、Interaxon (別名 Muse) や Inria、パリ・サクレー大学の研究室で脳研究に多くの時間を費やしている研究者です。彼は、ラベル付けされていない大量のデータを基にアルゴリズムを開発しています。
機械学習 (コンピューターにパターンを認識させるトレーニング) では、これらのアルゴリズムを使用して、データをコンピューターが理解、読み取り、学習した内容に基づいて決定を下せる言語に変換します。最近、バンビルと彼のチームは、基本的にこれらの大量のデータのふるい分けをはるかに簡単にする興味深い発見をしました。
彼らは、さまざまな自己教師型機械学習技術 (1) を使用して、ラベルなしデータから情報を抽出できることを発見しました。自己教師型とは、ラベルなしデータを見て、それについて予測し、次のステップである予測に役立つ可能性のある特徴を学習することを意味します。
彼らの自己教師型アプローチは、睡眠段階や生理学的障害を予測するのに役立つ可能性のある EEG の要素、つまり年齢やその他の生理学的現象と相関する情報を拾い上げました。バンビルは、彼らの発見の 1 つを共有しています。
「例えば、私たちのアプローチの 1 つは、EEG データが近い時間に記録されたのか、それとも記録の異なる部分から来たのかを識別することを学習しました。この単純なタスクをうまく解決できれば、人がどの睡眠段階にいるのかを識別するのもかなりうまくできることがわかりました。」 – ヒューバート バンヴィル
以前の睡眠段階研究で見つかったデータセットに対する自己教師あり学習機能と方法 (時間的シャッフル) の視覚化では、上記の散布図のように 5 つの睡眠段階の分布が示されています。睡眠段階に関連する明確な構造があります (トレーニング中にラベルが利用できなかった場合でも)。それらはラベル付けされた睡眠段階に対応しているだけでなく、睡眠サイクルの一方の端からもう一方の端まで (W、N1、N2、N3 の順に) 順番に配置されています。
また、大量のラベルなしデータがあると、機械学習アルゴリズムがそのデータ内のパターンを理解し、限られた量のラベル付きデータを使用する場合よりも優れた予測を行えることも発見しました。実際、何千もの EEG 記録からのラベルなしデータを使用すると、少量のラベル付きデータのみを使用した場合よりも精度が最大 20% 向上しました。これは、夜間の記録における睡眠段階の特定と EEG 病状の検出という 2 つの異なる EEG 問題で発生しました (1)。
これがあなたにとって（そして脳研究にとって）何を意味するか
この発見は、 Muse S のような消費者向け睡眠および健康サポートツールから神経疾患の診断まで、あらゆるものを強化する可能性があります。Muse テクノロジーで生成された EEG データセット (世界最大級) により、新しい機械学習アプローチの適用が可能になりました。これは、より信頼性の高い自動化を意味し、コストを削減し、Muse および世界中の神経科学コミュニティにとって EEG からの洞察へのアクセスを向上させることができます。
Hubert Banville 氏は、パリ・サクレー大学 Inria のコンピュータサイエンスの博士課程の学生であり、InteraXon Inc. の研究員でもあります。バイオメディカルエンジニアリング (モントリオール工科大学) のバックグラウンドを持つ同氏は、以前は MuSAE ラボ (INRS、ケベック大学) で機能的神経画像とハイブリッド脳コンピューターインターフェースに関する研究を行っていました。同氏の現在の研究は、自己教師あり学習を使用して EEG やその他の生体信号から表現を学習することに焦点を当てており、特に消費者向けニューロテクノロジーのアプリケーションに重点を置いています。
参考文献:
Hubert の研究「自己教師学習による臨床 EEG 信号の構造の解明」の詳細については、こちらをご覧ください。
PR Newswireの記事「新たなディープラーニングの発見が脳波データのAI解釈への道を開く」をこちらでお読みください。
本投稿は、ZONEが日本正規代理店として扱っている脳波デバイスMuseシリーズの販売元Museが発行しているメールマガジンやブログを承諾の下、日本語翻訳した内容になります。
https://choosemuse.com/blogs/news/interpreting-data-machine-learning
この記事はnoteでも公開されています
noteで読む →