A Large-Scale Computer-Vision Mapping of the Geometric Structures of Stroboscopically-Induced Visual Hallucinations

本研究では、ストロボ光刺激によって誘発された視覚幻覚の描画データ 1 万 598 件を自己教師あり深層学習を用いたコンピュータビジョン手法で解析し、既知の幾何学模様に加え、同心正方形や双曲線パターンなどの新規な幾何学構造を大規模に同定・分類することで、幻覚のメカニズム解明に向けた新たな制約と実験的基盤を提供しました。

要約

🌟 物語の舞台：「ドリームマシーン」という巨大な美術館

まず、イギリスで「ドリームマシーン」という大きなイベントがありました。
これは、**「目を閉じて、天井からチカチカと光るストロボを見つめる」**という体験型アートです。

• 参加者： 4 万人以上もの一般の人々が集まりました。
• 体験： 光を浴びた後、人々は「今、目の中にどんな模様が見えた？」と、色鉛筆やパステルで自由に絵を描きました。
• 結果： 集まった絵はなんと1 万 598 枚！これは過去に例がないほどの巨大なデータです。

🔍 研究者の役割：AI 探偵が絵を分類する

この 1 万枚の絵を人間が一つずつ見て分類するのは、もはや不可能です。そこで研究者たちは、**「AI（人工知能）」**という優秀な探偵を雇いました。

1. AI の目： 最新の AI（DINOv2 という名前です）に、すべての絵を見せました。AI は人間の目では気づかない「形やパターンの共通点」を瞬時に見つけます。
2. グループ分け： AI は「似ている絵」を自動的にグループ（クラスター）に分けました。
   • 「渦巻きグループ」
   • 「格子状（チェック柄）グループ」
   • 「同心円グループ」
   • などなど。

🗺️ 発見された「幻覚の地図」

AI が分類した結果、面白いことがわかりました。

1. 昔から知られていた「定番の模様」

昔から「幻覚には 4 つの定番パターンがある」と言われてきました（クラバーの法則）。

• トンネル（奥へ続く穴）
• 螺旋（らせん）
• 網目（クモの巣）
• 格子（チェック柄）

今回の研究でも、**「多くの人がこれらの定番模様を描いていた」**ことが確認されました。AI はこれを「クラバー型」と呼びました。

2. 驚きの「新しい模様」が見つかった！

しかし、ここが最大の発見です。AI は**「昔の分類にはなかった、新しい模様」**もたくさん見つけ出しました。

• 四角い同心円（丸い同心円はよくあるけど、四角いのは珍しい！）
• クロス（＋）の形
• 星型やダイヤモンドの模様

これらは、これまでの「脳科学の理論」では説明しきれない、**「新しい種類の幻覚」だったのです。まるで、「これまで知らなかった新しい国の地図」**を発見したようなものです。

🧠 なぜこれが重要なのか？（おまけの解説）

これまでは、脳科学の先生たちは**「脳内の神経の動きは、渦巻きやトンネルのような『回転する模様』しか作れない」**と考えていました。まるで、脳が「回転する円盤」しか持っていないと思っていたようなものです。

でも、今回の研究で**「四角いクロスや格子」が大量に見つかったことは、「脳はもっと多様な模様（回転だけでなく、四角い形など）も作れるんだ！」**ということを証明しました。

これは、「脳がどうやって世界を見ているか」という謎を解くための、新しい重要な手がかりになります。

🎨 まとめ：この研究が伝えたかったこと

• 大規模なデータ： 1 万枚以上の絵を AI で分析することで、これまで見逃されていた「幻覚の多様性」を明らかにしました。
• 新しい地図： 幻覚の模様は、昔言われていた 4 つの定番だけでなく、もっと豊かで複雑な「幾何学模様」で溢れています。
• 未来への架け橋： この発見は、脳科学の理論をアップデートし、幻覚だけでなく、私たちが普段「どう見ているか」を理解する助けになります。

一言で言えば：
「みんなが描いた 1 万枚の絵を AI に見せて、『幻覚の模様』の新しい地図を描き直したら、昔の教科書には載っていない『四角い渦巻き』や『クロス』がたくさん見つかったよ！脳ってすごいね！」というお話です。

技術概要

この論文「A Large-Scale Computer-Vision Mapping of the Geometric Structures of Stroboscopically-Induced Visual Hallucinations（ストロボ光誘発視覚幻覚の幾何学的構造の大規模コンピュータビジョン・マッピング）」の技術的サマリーを以下に示します。

1. 研究の背景と課題 (Problem)

• 視覚幻覚（VH）の現象学的特徴の定量化の難しさ: 幻覚は精神疾患、神経疾患、またはサイケデリック物質の摂取など多様な文脈で発生するが、その現象学的特徴（特に単純な幾何学的パターン）を体系的に記述し、大規模なデータセットとして収集することは困難であった。
• 既存理論の限界: 1920 年代に Klüver が提唱した「形態定数（Form Constants：格子、蜘蛛の巣、トンネル、螺旋の 4 種類）」や、それを説明する神経場モデル（Neural-field models）は、視覚野（V1）の対称性に基づいた回転対称なパターンを予測するが、これらでは説明できない幾何学的構造が存在する可能性が示唆されていた。
• データ不足: 従来の研究はサンプル数が少なく、報告形式が不均一であり、定量的な幾何学的特徴の分析が不十分であった。

2. 研究方法論 (Methodology)

本研究は、英国で開催された大規模な公共アート・サイエンス・インスタレーション「Dreamachine」で収集されたデータを分析した。

• データ収集:

  • 対象: 2022 年に開催された Dreamachine への参加者 4 万人以上。
  • 刺激: 閉眼状態でのストロボ光刺激（SLS）による視覚幻覚（SIVH）の誘発。
  • データセット: 参加者がセッション後に描いた絵画 10,598 点のデジタルスキャン画像。
  • 前処理: 破損画像、重複、テキストのみの画像、不適切に切り取られた画像を除去し、最終的に 9,700 点の画像を分析対象とした。画像は中央切り出し、リサイズ（448x448px）、ヒストグラム均等化、ガウスブラーを適用。

• コンピュータビジョン・パイプライン:

  • 特徴抽出: 事前学習済みの自己教師ありビジョントランスフォーマーモデル「DINOv2 (ViT-L/14)」を使用して、各描画から 1,024 次元の特徴ベクトルを抽出。
  • テスト時拡張（TTA）: 色反転、回転、フリップ、明るさ・コントラストの揺らぎなどの 16 種類の拡張を 3 回適用し、計 48 枚の拡張画像から得られた特徴ベクトルを平均化することで、特徴表現の頑健性を向上させた。
  • 次元削減:
    1. PCA（主成分分析）で分散の 90% 以上を保持する 253 次元に圧縮。
    2. UMAP（Uniform Manifold Approximation and Projection）で 6 次元の埋め込み空間へ変換。
  • クラスタリング: 密度ベースのアルゴリズム「HDBSCAN」を適用。ノイズ（クラスタに属さないデータ）を除外しつつ、視覚的に類似した描画群を特定。

• 定性的分析:

  • 生成された 15 のクラスタを人間が視覚的に検証し、Klüver の形態定数に基づく分類（Klüverian）と、それ以外の体系的に繰り返される幾何学模様（Non-Klüverian）、および非幾何学的な内容（Non-Geometric）に分類した。

3. 主要な結果 (Results)

• クラスタリングの成果:

  • 全画像の約 59.1%（5,736 点）が 15 のクラスタに分類され、残りはノイズとして扱われた。
  • 分類された描画の大部分（85.9%）は幾何学的パターンを含んでいた。

• Klüver 的パターン（Klüverian）の確認:

  • Klüver の 4 つの形態定数（格子、蜘蛛の巣、トンネル、螺旋）に対応する 6 つのクラスタが特定された（例：放射状線、同心円、螺旋、格子状パターン）。これらは既存の理論と一致する結果を示した。

• 新規・未報告パターンの発見（Non-Klüverian）:

  • Klüver の分類には含まれないが、体系的に繰り返される 6 つの新しい幾何学クラスタが特定された。
  • 代表的な発見:
    • 四重回転対称性: 同心の菱形/正方形、十字形（クロス）。
    • 他の幾何学: 三角形/菱形の格子、波状/ジグザグの縞模様、交差する曲線。
    • 特に「アストロイド（星型）」や「四重対称の十字」は、従来の神経場モデル（対数極座標変換に基づく回転対称性の予測）では説明が困難なパターンである。

• 非幾何学的コンテンツ:

  • 拡散した色場、意味的な画像（複雑な幻覚）、テキストや落書きなど、幾何学的でない内容もクラスタ化された。

4. 主要な貢献 (Key Contributions)

1. 大規模な現象学データセットの構築と分析: 1 万点を超える視覚幻覚の描画を分析対象とした史上最大規模のデータの体系的な分析を行った。
2. データ駆動型の分類体系の提案: 既存の理論（Klüver 分類）に依存せず、自己教師あり学習とクラスタリングを用いて、視覚幻覚の幾何学的構造をデータドリブンにマッピングした。
3. 既存理論への新たな制約: 発見された「四重回転対称性」や「正方形/菱形の同心パターン」は、現在の神経場モデル（主に回転対称なパターンを生成する）では説明しきれないことを示し、モデルの拡張や修正を迫る実証的証拠を提供した。
4. 手法の確立: 大規模な参加型データとコンピュータビジョンを組み合わせ、定量的な現象学（Quantitative Phenomenology）を研究する新しいパイプラインを確立した。

5. 意義と結論 (Significance)

• 理論的意義: 視覚幻覚の幾何学的構造は、Klüver の古典的な分類よりもはるかに多様で複雑であることを実証した。特に、早期視覚野のアーキテクチャとダイナミクスが、回転対称性だけでなく、並進対称性や四重対称性など、より多様な幾何学的パターンを生成する可能性を示唆している。
• 将来的な展望: この研究は、ストロボ光刺激のパラメータ（周波数、明るさなど）と神経ダイナミクス、そして具体的な幻覚の幾何学構造を結びつける、ターゲットを絞った実験的研究を促す。
• 方法論的意義: 大規模な参加型アート・サイエンス・プロジェクトから得られる「ノイズの多い」自然主義的データであっても、現代の AI 技術を用いれば、科学的に価値のある知見を抽出できることを示した。

総じて、本研究は視覚幻覚のメカニズム理解を深めるための重要な実証的基盤を提供し、神経科学と現象学の架け橋となる新しいアプローチを示唆している。