本田的研發子公司——Honda Research Institute Japan（HRI）與國際電氣通信基礎技術研究所（ATR）腦資訊研究所、島津製作所聯合開發出了利用非侵襲型腦活動測量裝置，高度辨別頭腦中想像的 BMI（Brain Machine Interface）技術。通過測量腦活動及分析測量結果，推測用戶想像的是事先規定的4種動作中的哪一個，判斷的正確率可達90.6％。原來在推測4種動作時的正確率曾達60％左右，但超過90％尚屬首次。正確率的提高是通過在組合兩種腦測量方法的基礎上，採用ATR自主開發的“SLR（Sparse Logistic Regression）”辨別方法實現的。
遠端操作ASIMO
三公司在發佈會上公開了利用此次的BMI技術操作本田“ASIMO”機器人的演示視訊。視訊內容為，頭部佩戴專用裝置的用戶在腦中想像使用“右手”、 “左手”、“足”和“舌”4個身體部位中的一個進行運動。然後利用BMI技術進行推測，通過ASIMO再現所推測的部位的運動（圖1）。例如，用戶想像利用“右手”運動，ASIMO就會抬起右手。
圖1：利用自主開發的辨別方法提高精度用戶在頭腦中想像4種動作中的一種，腦測量裝置檢測到該動作後，利用自主開發的方法辨別動作。
一般情況下，BMI技術只根據腦內資訊理解用戶的意圖。其好處是像現有用戶界面（UI）一樣，即使手、足和眼睛實際沒有運動或發出指令，也可構成 UI。該技術面向手腳等不便的殘障人的應用備受期待，HRI和ATR等認為該技術對於身體健康者的UI也有用處。例如，當人雙手拎著行李時，只需想像“打開”，就能夠開啟汽車的行李艙、在電車內等不能大聲說話的場所，只需在腦中默想就可與他人進行交流等。
不過，此次的BMI技術只能從4個動作指令中識別一種。ASIMO的動作也是提前輸入程式的。因此，ASIMO並不能直接模倣並再現用戶想像的任意動作。此外，UI要想達到實用化水準，測量和識別的延遲時間應該非常短，而且要有較高的即時性，但目前的延遲時間為7秒左右，作為UI上市還勉為其難。“目前尚處於基礎研究階段，近期沒有上市計劃”（HRI）注1）。
注1）腦的活動模式因人而異，所以此次的BMI技術在用戶利用前，需要獲得校準用數據。利用100次左右的試驗數據，訓練辨別器。只需辨別器進行學習，無需像在腦內嵌入電極的侵襲型BMI那樣，需要使用者進行訓練及熟悉作業。
採用自主開發的辨別方法
此次能夠大幅提高正確率是因為對兩方面進行了改進。第一，組合使用了特性各異的兩種腦測量方法。這兩種方法分別為，從頭皮周圍照射透過頭蓋骨的近紅外光，然後根據反射光測量腦內血流變化的“NIRS（Near-infrared Spectroscopy）”、以及測量頭皮上的電位變化的腦電圖“EEG（Electroencephalography）”。
其中NIRS方法不受電磁場干擾，因此空間解析度較高，可進行數～數十mm單位的測量。但延遲時間較長，時間解析度也比較低。而EEG具有高達數ms 的時間解析度，可用來測量電氣現象，但由於是用來測量頭皮上的電位，而不是直接測量大腦的內部，因此空間解析度較低。為了互補二者的缺點，三公司對其進行了組合（圖2）注2）。
注2）此次沒有公佈測量了腦內的哪個部分。不過，ATR的專利申請書（2008-178546）中記載了根據EEG等空間解析度較低的頭蓋骨外部的測量數據，構成推測腦內電流源時空分佈的濾波器的方法。構成該濾波器時，利用空間解析度較高的NIRS等測量的數據（2006-280806）。
圖2：組合使用兩種測量方法通過組合使用空間解析度較高的NIRS和時間解析度較高的EEG方法，提高了辨別精度（圖中的紅框部分）。圖為ATR的資料。
為提高正確率而進行的另一個改進是，分析測量數據的辨別方法。NIRS和EEG測量的數據，即使用戶想像的是“右手”等同一個動作，每次的波形也各不相同。因此需要在龐大的測量數據中，提取與右手運動相關的極少特徵。實際上，ATR于2008年發佈了用於分析fMRI數據的、名為SLR（稀疏 Logistic回歸）的新特徵篩選及辨別方法，此次的BMI技術就應用了該方法。
SLR是將普通的Logistic回歸擴展至貝葉斯估計框架的方法，特徵向量的維度壓縮與用於辨別的模型（重量）估計同時進行。SLR與腦測量一樣，數據的特徵向量維度數非常高，適合在含有很多沒用的特徵量時使用。對於那些沒用的特徵量，SLR將線形辨別分析中的重量參數設為零，只提取與辨別相關的極少數特徵量（稀疏性），因此容易提高BMI的精度。
*Logistic回歸＝線形辨別分析的一種，用於“有/無”等單層式儲存判斷。
一般情況下，辨別分析經常使用“SVM（Support Vector Machine）”方法，“SVM對於我們來說已經屬於舊技術。像此次這樣的情況下，從稀疏性方面來看，SVM沒有任何作用了”（ATR腦資訊研究所所長川人光男）。SVM並不針對特定的特徵量，只在提取特定的樣品時稀疏性才會起作用，因此SVM不像SLR一樣具有壓縮特徵向量維度的功能注3）。（記者：進藤 智則）
注3）當特徵向量的維度數非常高，而且測量數據中含有很多沒用的特徵量時，SVM針對未知的輸入數據的辨別性能，即泛化性能容易劣化。
技術在線 2009/05/14
沒有留言:
張貼留言