日本信息通信研究机构（NICT）和国际电气通信基础技术研究所（ATR），开发出了通过对脑部活动的非侵袭性测量，连续推断并再现用户指尖动作的 BMI（Brain Machine Interface，脑机接口）技术。此前的非侵袭型BMI技术，多为由事先准备的数种模式的动作来推断准确答案，而此次的技术则能够以50帧/秒 （20ms）这一与动态影像相当的高帧率来连续推断指尖的二维座标（20cm范围内）。其空间精度为14.7mm。估计有望应用于机器人的远程操作等领 域。 

　　ATR等于2009年3月发布了以BMI技术操作本田人型机器人“ASIMO”的技术， 可以说此次的BMI技术是上述技术的延伸。操作ASIMO的BMI技术只能事先设想好的4中模式（种类识别），而此次BMI技术的特点在于可推定指尖座标 这一连续性的模式。“因其并非事先决定好的模式，而是可顺畅地重构快速动作，所以能给BMI技术的用户带来‘自己在亲手操作’的主体感”（NICT神户研 究所生物ICT小组成员今水宽）。

组合使用多种脑波测量手段

　　操作ASIMO的BMI技术，结合使用了互补的时间分辨能力高的脑电波仪（EEG）和空间分辨能力高的近红外光脑电波计测装置（NIRS，光谱仪），此次也采用了多种不同的计测装置结合的手段。

　　具体为，将时间分辨能力高的脑磁波仪（MEG）和空间分辨能力高的fMRI（核磁共振计测装置）相结合。虽均是昂贵且大型的装置，但今后将力争与控制ASIMO的BMI技术一样，使EEG和NIRS相结合也可利用此次的技术。

　　由于脑部活动存在个人差异，因此要利用此次的BMI技术，事先需令BMI系统进行学习。具体就是需要用户向8个方向移动指尖，移动时用MEG和 fMRI分别测量脑部活动。然后将每位用户200次的指尖移动当作学习数据。基于这些学习数据，为构筑指尖推定用模型需要约一天的学习时间。在完成学习 后，便可高速推断指尖的运动。

　　此次是以离线形式操作，而可实时操作的系统也在研究之中，届时延迟时间将只有0.5秒。据称，延迟时间的大半，为MEG庞大时序计测数据在数台计算机间的传输所占用。

推断分两步，后步利用Sparse Logistic Regression

　　指尖动作的推断分两步进行。首先（1）根据MEG的计测数据，推断大脑皮质表面上虚拟且均等配备的1500个电流源的电流。然后（2）采用名为“稀疏 推断（SLR：Sparse Logistic Regression）”的维度压缩方法，从1500个电流源中只提取与指尖动作关联的有意义的电流源。由此自动挑选出运动皮质、顶叶联合皮质、躯体感觉 皮质等与指尖动作关联的200个电流源。SLR的建模所需学习时间为数小时。另外，SLR是ATR自主开发的维度压缩方法，操作ASIMO的BMI技术也 采用了该方法。

　　MEG具有400个信道的磁场传感器，每个传感器上都混杂着来自脑内各部位的磁场，会造成重叠观测。与计测的信道数量（400个）相比，未知电流源的 数量（1500个）更多，会造成不适定问题。此次为消除这一问题，充分利用了fMRI的数据。具体为，基于fMRI的数据，构筑用于从MEG计量数据中还 原脑内1500个电流源的“反滤波器”。反滤波器的构筑利用了空间分辨能力高的fMRI，实际利用BMI时将使用能够以1kHz高速输出数据的MEG。另 外，反滤波器的学习，利用了“分层变分贝叶斯法（Hierarchical Variational Bayes Approach）”。

还去除心电及眼电伪迹

　　MEG是计量脑内神经细胞的脉冲电流产生的微弱磁场的装置。因此与脑电波仪（EEG）的计量一样，会计入大脑以外的肌电产生的磁场。比如，由心跳产生 的磁场以及由眼球运动产生的磁场等。“心跳产生的磁场要比大脑所产生的磁场强得多”（ATR脑信息分析研究所所长佐藤雅昭）。为了去除由这些心电及眼电的 伪迹，此次的BMI技术在利用反滤波器推定电流源时，还在眼球及心脏等脑外部位配置了10个左右的电流源。学习时会予以传感器实际计量到的眼电等数据作为 学习信号，不过在利用BMI技术时，即使没有这些传感器，也可去除心电及眼电伪迹。

　　此次的BMI技术虽然需要用户实际做出手指动作，但据称今后的目标是开发在脑中想象运动，只靠意念即可操作的BMI技术。将来还会考虑采用EEG与NIRS组合的手段。（记者：进藤 智则）