NICT和ATR開發可檢測出指尖動作的BMI技術

下一目標是只靠意念即可操作設備

日本資訊通信研究機構（NICT）與國際電氣通信基礎技術研究所（ATR），開發出了可使用腦部測量裝置檢測出用戶指尖動作的BMI（brain machine interface，腦機界面）技術。能在20cm範圍內以1.5cm的精度將手指動作在2D座標進行連續重構。數據的更新速度為每秒鐘50次，與動態影像相當。儘管目前需要用戶實際做出手指動作，但將來可在腦中想像手指動作，只靠意念即可推斷其運動。目標用途為機器人的遠端操作等。

此次BMI的成果在於，首次能夠推斷名為運動座標的連續參數。在此前不需要用戶進行練習的非侵襲型BMI中，從事先確定好的數個運動模式中推斷出正確答案的類型居多。「由於可流暢地快速重構動作，因此能給用戶帶來『自己在親手操作』的感覺」」。

結合使用兩種腦部測量手段

ATR及NICT的BMI技術，此前多採用兩種不同的腦部測量裝置結合互補的方式。此次的BMI同樣採用這種方式。具體方法是，結合使用了空間分辨力強的核磁共振測量裝置（fMRI）與時間分辨力強的腦磁波儀（MEG）。

fMRI及近紅外光腦部測量裝置（光譜儀，NIRS）等是可觀察腦內部神經細胞血流變化的裝置，雖然一般具有較強的空間分辨能力，但延遲時間卻長達7 秒鐘左右，即時性較低，因此存在不適合用於用戶界面的缺點。而MEG及腦電波儀（EEG）等電磁型測量裝置，雖然空間分辨能力低，但具有即時性高的優點。通過將二者相結合，可提高BMI的實用性。ATR在2009年3月發佈的操作本田機器人「ASIMO」的BMI技術中就採用了上述方式，結合使用了空間分辨力強的NIRS與時間分辨力強的EEG。

通過推斷腦內電流源提高精度

此次的BMI技術，在對腦部測量裝置發出的信號進行特徵提取及模式識別方面取得了巨大進步。具體進步之處為，不是將空間解析度低的MEG信號直接用於識別，而是將其轉換為磁場發生源——腦內的電流信號之後再進行識別，注1）。

一般來說，採用MEG及EEG等電磁型腦部測量裝置時，來自腦內各種神經細胞的磁場及電位會混雜在一起造成重疊觀測。即使只想觀測與指尖運動相關的神經細胞，MEG及EEG也沒有足夠的空間分辨能力。因此，此次的BMI技術除了MEG之外，還利用空間解析度強的fMRI記錄影同指尖的運動，並對照二者的數據。由此，便能根據MEG的信號，推斷出與神經細胞活動接近的資訊——腦內1500個點的電流。這稱為反濾波器，注2）。

反濾波器的好處是，只要能夠使用fMRI等以離線方式構築的濾波器，「實際運行BMI時，只需採用MEG及EEG等電磁型腦部測量工具即可滿足需要（ATR腦資訊分析研究所所長佐藤雅昭）。也就是說，通過fMRI及NIRS，以離線方式構築反濾波器之後，只需採用EEG等時間分辨能力強的測量工具，便可構築高精度BMI。將測量裝置減為一種，對BMI的小型化較為有利。

關於以空間分辨力高的測量裝置構築反濾波器，並與時間分辨能力高的測量裝置相結合的技術，ATR已于2006年到2008年申請了專利，注3）。不過，操作本田ASIMO的BMI技術直接根據感測器信號進行模式識別，「並未使用此次的反濾波器」（ATR的佐藤），因此運行BMI時需要兩個測量裝置。假如構築好反濾波器並分兩步進行識別的話，可能只需使用小型輕量的EEG即可滿足要求。

注1）轉換為腦內電流信號之後，與操作ASIMO的BMI相同，採用了稀疏推斷法「sparse logistic regression（SLR）」。由此，從1500個電流源中自動選出了與指尖運動相關的200個腦內電流源。
注2）構築反濾波器時，採用了分層變分貝葉斯法（Hierarchical Variational Bayes Approach）。注3）專利號為「特開2008-178546」與「特開2006280806」。

技術在線 2010/11/18 進藤 智則

相關連結：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