MtReNIRS: A Self-Supervised Foundation Model for Transferable Neurovascular Representations
本論文は、12の多様なfNIRSデータセットを用いて事前学習された自己教師あり学習による基盤モデルであるMtReNIRSを紹介するものであり、これは異種的なモンタージュを共通の解剖学的参照へとマッピングすることで汎用的な神経血管表現を学習し、それによって既存の手法と比較して優れた被験者間性能および少数のデータによるキャリブレーションを実現している。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
人間の脳は複雑なエンジンであり、科学者たちは長い間、頭蓋骨を開けることなくその思考を読み取る方法を模索してきました。このための有望なツールの一つが、機能的近赤外分光法（fNIRS）です。病院で使用される大型で固定式の装置とは異なり、fNIRSは光センサーを備えたウェアラブルキャップを使用します。これらのセンサーは、頭皮を通して近赤外光を照射し、その下の血流によってどれだけの光が吸収されるかを測定します。活動中の脳細胞はより多くの酸素を必要とするため、人が思考したり、動いたり、何かを感じたりすると、血流に特定のパターンが生じます。これらの変化を追跡することで、研究者は脳のどの部分が働いているかを知ることができます。しかし、これらの光の読み取り値を明確な脳活動の図へと変換することは困難でした。研究室ごとに異なるキャップを使用し、センサーが配置される場所も異なり、捉えられる信号はしばしば乱雑で、装着者ごとに固有のものでした。このことが、あらゆる場所で、あらゆるデバイスを使用して、誰の脳信号をも理解できる単一のコンピュータープログラムを構築することを難しくしていました。
研究チームは、新しいタイプの人工知能モデルである「MtReNIRS」を開発することにより、この問題の解決に向けて大きな一歩を踏み出しました。このモデルは、単一の人物や特定の実験からのみ脳活動を認識するようにコンピューターに教えるのではなく、12の異なる研究から収集された膨大なデータのコレクションを用いて学習されました。このデータセットには、268人の異なる人々による、合計567時間を超える脳活動の記録が含まれていました。データは、数学の問題を解くことから、音声を聞くこと、手を動かすことまで、多岐にわたるタスクをカバーしていました。課題は、これらの記録が均一ではなかったことです。多くのセンサーを持つキャップを使用した研究もあれば、少ないものもあり、センサーの配置パターンも異なっていました。この混沌とした状況を整理するために、研究者たちは、あらゆるユニークなセンサー配置を共通の脳マップへと翻訳する方法を開発しました。彼らは脳を標準的なグリッドとして扱い、各々の異なるキャップのセンサーを、この共有マップの対応する場所に一致させました。これにより、コンピューターは、どの特定のキャップやデバイスが捉えたものであれ、脳の「前方」から来る信号は同じ意味を持つということを学習することができました。
このモデル自体は、「空白を埋める」ことを学習することで機能します。研究者たちは、コンピューターに数千もの短い脳活動のクリップを見せましたが、その際、周囲の情報に基づいて欠落している部分を推測させるために、データの小さな断片を意図的に隠しました。「自己教師あり学習」として知られるこのプロセスにより、コンピューターは単に特定の答えを暗記するのではなく、脳内での血流の基礎となるルールを理解することを強制されました。モデルは非常に多様な人々やタスクに基づいて訓練されたため、脳の仕組みに関する一般的な理解を学習しました。研究者が、一度も見たことのない新しい人々に対してこのモデルをテストしたところ、個々の人物に対して広範なトレーニングを必要とする従来の手法と同等、あるいはそれ以上の性能を発揮しました。このモデルは、利用可能な新しいデータが極めて少ない状況において、特に強力であることが証明されました。ユーザーが自身の脳活動の例をわずかしか提供できない状況においても、モデルは迅速かつ正確に適応し、従来の最先端のシステムを凌駕しました。
また、本研究は、センサーを脳にマッピングする方法がいかに重要であるかも明らかにしました。研究者がセンサーの位置をバラバラにしたバージョンのモデルをテストしたところ、新しい人々を理解する能力が大幅に低下しました。このことは、モデルが単に波形の形状を学習していたのではなく、センサーの物理的な位置と、それが監視している脳領域との関係を実際に学習していたことを裏付けています。さらに、センサーの数を減らしてもモデルは有効であり、将来的にはよりシンプルで快適なウェアラブルデバイスでも動作する可能性があることが示唆されました。研究者たちは、頭蓋骨の厚さや血管パターンの違いといった個人間の自然な差異については依然として課題があると指摘していますが、彼らの研究は、単一の柔軟なシステムが、異なる人々やデバイスを越えて脳の言語を読み取ることができることを示しています。このアプローチは、テクノロジーがユーザーに合わせるのではなく、ユーザーがテクノロジーに適応することを強いるのではなく、テクノロジーがユーザーに適応できる、よりアクセシブルなブレイン・コンピュータ・インターフェースへのスケーラブルな道筋を提示しています。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。