日本信息通信研究机构（NICT）与国际电气通信基础技术研究所（ATR），开发出了可使用脑部测量装置检测出用户指尖动作的BMI（brain machine interface，脑机界面）技术。能在20cm范围内以1.5cm的精度将手指动作在二维座标进行连续重构。数据的更新速度为每秒钟50次，与动态影像相当。尽管目前需要用户实际做出手指动作，但将来可在脑中想象手指动作，只靠意念即可推断其运动。目标用途为机器人的远程操作等。

　　此次BMI的成果在于，首次能够推断名为运动座标的连续参数。在此前不需要用户进行练习的非侵袭型BMI中，从事先确定好的数个运动模式中推断出正确答案的类型居多（表1）。“由于可流畅地快速重构动作，因此能给用户带来‘自己在亲手操作’的感觉””（NICT神户研究所生物ICT小组成员今水宽）。

结合使用两种脑部测量手段

　　ATR及NICT的BMI技术，此前多采用两种不同的脑部测量装置结合互补的方式。此次的BMI同样采用这种方式。具体方法是，结合使用了空间分辨力强的核磁共振测量装置（fMRI）与时间分辨力强的脑磁波仪（MEG）。



　　fMRI及近红外光脑部测量装置（光谱仪，NIRS）等是可观察脑内部神经细胞血流变化的装置，虽然一般具有较强的空间分辨能力，但延迟时间却长达7 秒钟左右，实时性较低，因此存在不适合用于用户界面的缺点。而MEG及脑电波仪（EEG）等电磁型测量装置，虽然空间分辨能力低，但具有实时性高的优点。通过将二者相结合，可提高BMI的实用性。ATR在2009年3月发布的操作本田机器人“ASIMO”的BMI技术中就采用了上述方式，结合使用了空间分辨力强的NIRS与时间分辨力强的EEG（表1）。

通过推断脑内电流源提高精度

　此次的BMI技术，在对脑部测量装置发出的信号进行特征提取及模式识别方面取得了巨大进步。具体进步之处为，不是将空间分辨率低的MEG信号直接用于识别，而是将其转换为磁场发生源——脑内的电流信号之后再进行识别注1）。

注1）转换为脑内电流信号之后，与操作ASIMO的BMI相同，采用了稀疏推断法“sparse logistic regression（SLR）”。由此，从1500个电流源中自动选出了与指尖运动相关的200个脑内电流源。

　　一般来说，采用MEG及EEG等电磁型脑部测量装置时，来自脑内各种神经细胞的磁场及电位会混杂在一起造成重叠观测。即使只想观测与指尖运动相关的神经细胞，MEG及EEG也没有足够的空间分辨能力。因此，此次的BMI技术除了MEG之外，还利用空间分辨率强的fMRI记录相同指尖的运动，并对照二者的数据。由此，便能根据MEG的信号，推断出与神经细胞活动接近的信息——脑内1500个点的电流。这称为反滤波器（图1）注2）。

注2）构筑反滤波器时，采用了分层变分贝叶斯法（Hierarchical Variational Bayes Approach）。

图1：以两步推断法提高精度
根据空间分辨能力强的fMRI的数据，构筑可由MEG信号还原1500个电流源电流的反滤波器。然后利用稀疏推断法，来推断指尖的二维位置。该图为NICT的资料。


　　反滤波器的好处是，只要能够使用fMRI等以离线方式构筑的滤波器，“实际运行BMI时，只需采用MEG及EEG等电磁型脑部测量工具即可满足需要（ATR脑信息分析研究所所长佐藤雅昭）。也就是说，通过fMRI及NIRS，以离线方式构筑反滤波器之后，只需采用EEG等时间分辨能力强的测量工具，便可构筑高精度BMI。将测量装置减为一种，对BMI的小型化较为有利。

　　关于以空间分辨力高的测量装置构筑反滤波器，并与时间分辨能力高的测量装置相结合的技术，ATR已于2006年到2008年申请了专利注3）。不过，操作本田ASIMO的BMI技术直接根据传感器信号进行模式识别，“并未使用此次的反滤波器”（ATR的佐藤），因此运行BMI时需要两个测量装置。假如构筑好反滤波器并分两步进行识别的话，可能只需使用小型轻量的EEG即可满足要求。 （记者：进藤 智则）

注3）专利号为“特开2008-178546”与“特开2006280806”。