ASIMO的下一步：NICT和ATR開發以腦部活動再現指尖動作的BMI技術

　　日本資訊通信研究機構（NICT）和國際電氣通信基礎技術研究所（ATR），開發出了通過對腦部活動的非侵襲性測量，連續推斷並再現用戶指尖動作的 BMI（Brain Machine Interface，腦機界面）技術。此前的非侵襲型BMI技術，多為由事先準備的數種模式的動作來推斷準確答案，而此次的技術則能夠以50張/秒（20ms）這一與動態影像相當的高幀率來連續推斷指尖的2D座標（20cm範圍內）。其空間精度為14.7mm。估計有望應用於機器人的遠端操作等領域。


　　ATR等於2009年3月發佈了以BMI技術操作本田人型機器人“ASIMO”的技術，此次的BMI技術可以說是上述技術的延伸。操作ASIMO的BMI技術只能事先設想好的4種模式（種類識別），而此次BMI技術的特點在於可連續推定指尖座標模式。“因其並非事先決定好的模式，而是可流暢地重構快速動作，所以能給BMI技術的用戶帶來‘自己在親手操作’的主體感”（NICT神戶研究所生物 ICT小組成員今水寬）。

組合使用多種腦波測量手段

　　操作ASIMO的BMI技術，結合使用了時間分辨能力強的腦電波儀（EEG）和空間分辨能力強的近紅外光腦電波計測裝置（NIRS，光譜儀）加以互補，此次也採用了多種不同的計測裝置結合的手段。

　　具體為，將時間分辨能力高的腦磁波儀（MEG）和空間分辨能力高的fMRI（核磁共振計測裝置）相結合。雖均是昂貴且大型的裝置，但今後將力爭與控制ASIMO的BMI技術一樣，使EEG和NIRS相結合也可利用此次的技術。

　　由於腦部活動存在個人差異，因此要利用此次的BMI技術，事先需令BMI系統進行學習。具體就是需要用戶向8個方向移動指尖，移動時用MEG和 fMRI分別測量腦部活動。然後將每位用戶200次的指尖移動當作學習數據。基於這些學習數據，為構築指尖推定用模型需要約一天的學習時間。在完成學習後，便可高速推斷指尖的運動。

　　此次是以離線形式操作，而可即時操作的系統也在研究之中，屆時延遲時間將只有0.5秒。據稱，延遲時間的大半，為MEG龐大時序計測數據在數台電腦間的傳輸所佔用。

推斷分兩步，後步利用Sparse Logistic Regression

　　指尖動作的推斷分兩步進行。首先（1）根據MEG的計測數據，推斷大腦皮質表面上虛擬且均等配備的1500個電流源的電流。然後（2）採用名為“稀疏推斷（SLR：Sparse Logistic Regression）”的維度壓縮方法，從1500個電流源中只提取與指尖動作關聯的有意義的電流源。由此自動挑選出運動皮質、頂葉聯合皮質、軀體感覺皮質等與指尖動作關聯的200個電流源。SLR的建模所需學習時間為數小時。另外，SLR是ATR自主開發的維度壓縮方法，操作ASIMO的BMI技術也採用了該方法。

　　MEG具有400個信道的磁場感測器，每個感測器上都混雜著來自腦內各部位的磁場，會造成重疊觀測。與計測的信道數量（400個）相比，未知電流源的數量（1500個）更多，會造成不適定問題。此次為消除這一問題，充分利用了fMRI的數據。具體為，基於fMRI的數據，構築用於從MEG計量數據中還原腦內1500個電流源的“反濾波器”。反濾波器的構築利用了空間分辨能力高的fMRI，實際利用BMI時將使用能夠以1kHz高速輸出數據的MEG。另外，反濾波器的學習，利用了“分層變分貝葉斯法（Hierarchical Variational Bayes Approach）”。

還可去除心電及眼電偽跡

　　MEG是計量腦內神經細胞的脈衝電流產生的微弱磁場的裝置。因此與腦電波儀（EEG）的計量一樣，會計入大腦以外的肌電產生的磁場。比如，由心跳產生的磁場以及由眼球運動產生的磁場等。“心跳產生的磁場要比大腦所產生的磁場強得多”（ATR腦資訊分析研究所所長佐藤雅昭）。為了去除由這些心電及眼電的偽跡，此次的BMI技術在利用反濾波器推定電流源時，還在眼球及心臟等腦外部位配置了10個左右的電流源。學習時會予以感測器實際計量到的眼電等數據作為學習信號，不過在利用BMI技術時，即使沒有這些感測器，也可去除心電及眼電偽跡。

　　此次的BMI技術雖然需要用戶實際做出手指動作，但據稱今後的目標是開發在腦中想像運動，只靠意念即可操作的BMI技術。將來還會考慮採用EEG與NIRS組合的手段。


技術在線 2010/10/22 進藤 智則