#2025.05.15

脳でタイピング？Meta最新研究が示す非侵襲BCIの可能性

スマートフォンを操作せずに、考えたことがそのまま文字になるとしたら────まるでSFのような話ですが、近年この夢に一歩近づく研究が登場しています。Facebook改めMeta社では、2017年頃から「脳でタイピングする」技術開発に意欲を見せてきました1。 そしてついに2025年、Metaの研究チームは非侵襲型ブレイン・コンピュータ・インターフェース（BCI）で、脳活動からテキストを解読することに成功したと発表しました2。これは、脳に電極を埋め込むことなく、脳波などの信号を使って、頭の中で思い浮かべた文章を読み取ろうとする技術です。 この技術は、コミュニケーションが困難な人々への支援につながる可能性があるほか、将来的には誰もが使える「パーソナルBCI」としての応用も期待されています。この記事では、そんな注目の研究成果をわかりやすくご紹介します。 研究の概要：非侵襲BCIで脳活動から文字を入力 Meta社の研究論文『Brain-to-Text Decoding: A Non-invasive Approach via Typing』では、Brain2Qwertyと名付けられたAIモデルを使い、脳活動から直接テキストを生成する実験が報告されています。この方法の最大の特徴は「非侵襲的」であることです。 従来、BCIで高精度に脳信号を解読するには、脳に電極を埋め込む手術が必要でした。しかし本研究では、頭皮上の電極で脳の電気信号を計測するEEG（Electroencephalography、脳波計測）や、頭部を覆う装置で脳磁場を測定するMEG（Magnetoencephalography、脳磁気計測）といった、非侵襲的な計測だけで脳内の「タイピング信号」を読み取っています。 実験には35人の健康なボランティアが参加しました。被験者にはまず、画面に表示されたスペイン語の短い文（5〜8語程度）を覚えてもらい、その文をキーボードで入力してもらいます。ただし、入力中は画面に文字が表示されず、自分が何を打っているのかは見えない状態でした。この間の脳活動（EEGやMEG）を記録し、そのデータからAIが入力しようとしている文をどこまで正確に読み取れるかを検証しました。 MEGとEEGでの解読結果──「考えた文章」をどこまで再現できたか？ 実験の結果、脳磁気計測（MEG）を使った場合、AIモデル「Brain2Qwerty」は平均で文字の誤り率32％という結果になりました。つまり、全体の約68％の文字を正しく読み取ることができたのです。 さらに、誤り率が19％＝約8割の文字を正しく解読できた参加者もおり、そのレベルでは、AIが学習していない新しい文章でも、正確に再現できたと報告されています。 出典：Lévy, J., López-Cózar, C., Sharifian, F., et al. (2025). Brain-to-Text Decoding: A Non-invasive Approach via Typing. arXiv preprint. 一方で、脳波（EEG）だけを使った場合は正しく読み取れた文字が約3割にとどまり、MEGに比べて精度はかなり低い結果となりました。Meta社は「MEGを使えば、学習していない文章でも最大80％の文字を正確に解読できる。この精度はEEGの少なくとも2倍にあたる」と述べており、非侵襲のまま高い精度が実現可能であることを示す重要な成果となりました。 技術の仕組み：EEGとAIで「タイピングの意思」を読み解く どうやって脳波から文字を当てることができるのか？ 一見すると、どのような仕組みでそんなことができるのか、不思議に思う方もいるかもしれません。Brain2Qwertyのポイントは、脳が文字をタイプするときに生じるパターンをAIが学習し、それをもとに入力された文章を推測するしくみにあります。 人がキーボードで文を入力するとき、脳内では「次にどのキーを押すか」といった運動の指令や、思い浮かべた文章を整理し、言葉にするような認知的な処理が行われています。研究チームは、これらの脳信号のわずかな変化を捉えるため、前述のEEGやMEGで0.5秒ごとの脳活動を切り出して解析しました。この信号データを解読するAIモデルがBrain2Qwertyの正体なのです。 Brain2Qwertyの内部は、最新のディープラーニング技術を駆使した3つのモジュールから成ります: 畳み込みニューラルネットワーク（CNN）モジュール ：脳波の生データから特徴を抽出し、0.5秒（500ミリ秒）単位の短い時間窓で信号パターンを捉え、脳活動の微細な変化をとらえます。 トランスフォーマーモジュール ：タイピング中の脳活動の時間的な変化を分析し、「どの文字が入力されているか」を予測する役割を担います。前後の文脈も同時に捉えられるため、文章全体の流れをふまえた精度の高い予測が可能です。 言語モデルモジュール ：スペイン語の文章データで事前学習された文字レベルの言語モデルで、AIが予測した文字列を補正します。直近の9文字分の文脈から次の文字の確率を計算し、トランスフォーマーの予測結果と組み合わせて、自然な文章に整えま。いわば自動スペルチェックのような働きで、脳信号由来の誤認識を言語的な観点から修正してくれます。 このように脳信号処理＋深層学習＋言語の知識を統合することで、Brain2Qwertyは被験者が頭の中で思い浮かべ、タイピングしている文章を解読することができるのです。 出典：Lévy, J., López-Cózar, C., Sharifian, F., et al. (2025). Brain-to-Text Decoding: A Non-invasive Approach via Typing. arXiv preprint. 面白いことに、研究チームの分析によれば、解読は純粋に指の動き（運動信号）だけに依存しているわけではなく、キーボード配列の影響やタイピングミスといった、頭の中で考えていることや判断のクセも含まれている可能性もあることが分かりました。つまり、脳内で文章を組み立て、キーを押す一連のプロセス全体をモデルが学習しており、単なる運動読み取り以上のことが起きているようなのです。 非侵襲BCIがもたらすコミュニケーション支援 この研究が注目される理由の一つは、言葉や身体を失った人々の新たなコミュニケーション手段につながる可能性です。近年、脳卒中や神経変性疾患で話す力を失った人に対して、脳内に電極を埋め込む侵襲型BCIを使い、文字や音声でのコミュニケーションを取り戻す研究が進んでいます。 たとえば、2021年には脳にセンサーを埋め込んで、頭の中で思い描いた文字を読み取り、1分間に約90文字も入力できたという研究が報告されています3。また2023年には、脳の表面に埋め込んだ皮質電極を通じて、考えた言葉をそのまま音声に変換し、ほぼ普通に話せるレベルの精度で「声を出す」ことに成功した研究も発表されています4。 しかし、こうした最先端のコミュニケーション補助は、センサーや電極を脳に埋め込む手術が必要であり、大きなリスクとコストを伴います。 そこで期待されるのが、非侵襲BCIによるコミュニケーション支援です。今回のMetaの成果は、自動補完や反復による訂正ができれば、80%近い文字精度でも意味の通る文章を伝えることは可能です。実際、外科手術は難しい高齢のALS（筋萎縮性側索硬化症）患者や重度の麻痺患者にとって、脳に傷をつけないコミュニケーションBCIは、人生を変える可能性を秘めています。 今回のBrain2Qwertyはまだ研究段階ですが、将来的にこれを応用した装置が開発されれば、声や動きが失われた人々に再び言葉を取り戻す手段を提供できるかもしれません。 🧠 編集後記｜BrainTech Magazineより 脳からの信号を読み取り、言葉として再構成する──かつて困難とされてきた課題に、非侵襲の手法で挑んだ今回の研究は、今後のBCI開発に向けた貴重な一歩となりました。まだ実用化には距離があるものの、これまで見えにくかった脳とテクノロジーの接点が、確かに輪郭を持ちはじめています。 📝 本記事で紹介した研究論文 Lévy, J., López-Cózar, C., Sharifian, F., et al. (2025). Brain-to-Text Decoding: A Non-invasive Approach via Typing. arXiv preprint.

#2025.05.14

変化する国内外のウェルビーイング市場環境

働き方や価値観の多様化を背景に、ウェルビーイング市場は世界的に成長を加速させています。従来、心と体の健康を指す概念だったウェルビーイングは、いまや経営戦略や産業創出の中心的テーマとなりつつあります。その背景には、メンタルヘルス問題の深刻化や高齢化社会の進行、そして脳科学やニューロテクノロジーの進展があります。 本稿では、ウェルビーイング市場の変化と今後の展望について、ブレインテックに着目した視点からご紹介します。 脳科学×メンタルヘルス──「見える化」から始まるウェルビーイング支援 パンデミックを契機に、世界中でメンタルヘルスケアの重要性が改めて注目されるようになりました。働き方の変化や社会不安の高まりにより、孤独感の増加、ストレスの蓄積、意欲の低下といった問題が表面化し、ビジネスパーソンの生産性や企業の持続可能性にも影響を及ぼしています。こうした背景のもと、ウェルビーイングを支援する市場は国内外で急速に拡大しており、なかでも注目されているのが、脳科学の知見を活用した新しいアプローチです。 たとえば、脳波をリアルタイムで計測し、ストレスや集中度を可視化する技術は、近年急速に実用化が進んでいます。こうした脳波計測デバイスは、瞑想やマインドフルネスの効果測定や、集中状態の分析などに活用され、企業の健康経営の一環としても導入が進んでいます。さらに、AIを用いた脳波解析により、「どのような環境でパフォーマンスが上がるか」や「どの音楽がリラックスに貢献するか」といった個別最適化のアプローチも登場しています。こうした科学的アプローチは、従業員の主観に頼らずに、こころの状態を客観的に把握できる手段として期待されています。 認知機能ケアが日常へ──生活に溶け込む脳科学 また、近年では、認知機能を維持・改善するための技術にも脳科学が応用されるようになり、その広がりが注目されています。特に高齢化が進む日本においては、認知症予防や脳の健康管理が社会的な課題となっており、その解決手段としてニューロテクノロジーが注目されています。 その代表例が、ニューロフィードバックやデジタルセラピー（DTx）といった分野です。ニューロフィードバックは、脳波をフィードバックしながらトレーニングを行うことで、集中力や記憶力の改善、さらにはADHDやうつ病の緩和にも効果があるとされ、米国ではすでに一部がFDA認可を受けています。これに追随する形で、日本国内でも医療機関との連携や、保険適用を見据えた研究開発が活発化しています。 また、近年ではVRやAR、AI技術と連携した認知リハビリテーションも登場し、没入感のある環境で脳を刺激する手法が注目されています。このように、脳科学を活用したウェルビーイング支援の取り組みは、医療・介護の分野にとどまらず、教育現場や職場での学習支援、さらにはスポーツのパフォーマンス向上など、さまざまな領域へと広がりを見せています。 成長を続けるウェルビーイング市場と今後のビジネス機会 ウェルビーイング市場は、グローバルで見ても高成長を続ける分野です。Global Wellness Instituteの2024年の報告によると、世界のウェルビーイング関連市場は、2023年時点で6.3兆ドルに達しており、2028年には9兆ドルに拡大する見通しです（年平均成長率7.3%）1。なかでも、脳科学やAIとの融合によるソリューションは、他分野への波及効果も大きく、業界横断的な広がりを見せています。 出典：Global Wellness Institute たとえば、GoogleやAppleといったテック企業では、すでにウェルビーイング関連機能の開発に注力しており、スマートウォッチやヘルスケアアプリを通じて、ストレス、睡眠、集中度といった「脳と心」に関わる指標を、日常的に収集・分析できる時代が訪れています。 企業にとっては、こうしたデータを活用し、従業員のパフォーマンスを最大化する職場環境や、カスタマイズされた健康支援プログラムの設計が可能となります。実際に一部のグローバル企業では、眼電位や身体動作センサー、心拍データなどを活用して、「集中できる会議の時間帯の把握」や「リラックスできる空間デザイン」の実証が進んでおり、これは日本企業にとっても新たな競争力強化のヒントになるでしょう。 まとめ：ウェルビーイングを経営と社会の中心に ウェルビーイング市場は今後も、脳科学とテクノロジーを軸とした「見える化」と「最適化」によって進化を遂げていくことが予想されます。特に「脳」にアプローチすることは、私たちの行動・感情・判断の源に直接働きかける方法であり、医療だけでなく教育、働き方、まちづくりなど、あらゆる領域に影響を与える可能性を秘めています。 企業としては、単なる福利厚生やストレス対策ではなく、「科学に基づくウェルビーイング経営」をいかに早期に取り入れられるかが、これからの差別化要因となるでしょう。 ウェルビーイングと脳科学の接点を理解し、次の一手を見据えること、それこそが、持続可能で創造的な未来を築く第一歩になるのではないでしょうか。

#2025.05.13

脳科学でわかる睡眠改善のコツ──脳とメンタルの深い関係

皆さんは最近、しっかりと眠れていますか？忙しい現代人は、つい睡眠時間を削りがちです。しかし、最新の脳科学の研究により、睡眠が私たちの脳や心の健康（メンタルヘルス）、そして日々の生活バランスに、決定的な役割を果たすことが明らかになってきました。 ここでは、2021年以降の睡眠改善に関する最新の脳科学的知見をもとに、睡眠とウェルビーイングの関係や、日常生活で活かせる改善ポイントを解説します。 最新の研究が示す、睡眠と脳の関係 2024年の研究では、睡眠中に脳内の神経ネットワークがポンプのように働き、脳組織にリズミカルな波を起こして、老廃物を洗い流す仕組みが確認されました1。このプロセスのおかげで、朝には頭がスッキリし、長期的にも脳の健康維持に役立つと考えられています。 また、睡眠は脳の老化や学習能力にも影響します。例えばMRIを用いた研究では、24時間の徹夜で脳の老化が1～2歳進んだ状態になると報告されています2。さらに慢性的な睡眠不足は、脳内に小さな損傷を蓄積し、将来的な脳卒中や認知症リスクの上昇とも関連するため、適切な睡眠を確保することが脳の健康には欠かせないのです。 学習や記憶の面でも、睡眠の重要性は再確認されています。慢性的な寝不足は新しい課題の習得能力を低下させることが分かっており、これは睡眠中に行われる記憶の定着（脳が情報を整理して保存する作業）が妨げられるためと考えられます。試験勉強や仕事のトレーニングでも、夜更かしで詰め込むよりしっかり寝たほうが効率よく成果が出るでしょう。 睡眠とメンタルヘルス、ライフバランスの深い関係 良質な睡眠は心の安定に直結しています。2023年末の大規模分析では、わずか数時間の睡眠不足でもポジティブな感情が減り、不安感が増すことが示されました3。寝不足の翌日に「なんだか気分が晴れない」「イライラしやすい」と感じた経験がある人も多いでしょう。 さらに慢性的な寝不足や不眠は、うつ病や不安障害のリスクを大幅に高めます4。逆に睡眠を改善すれば、こうした精神的ストレスが和らぐことも研究で示されています5。よく眠れるようになると気持ちが前向きになり、日常の小さなトラブルにも柔軟に対処できるようになるでしょう。 しかし残念ながら、日本では慢性的な睡眠不足が蔓延しています。厚生労働省の調査では、働き盛り世代の4割以上が1日6時間未満しか眠れていません6。睡眠不足は作業能力の低下や重大事故につながることも指摘されています。しっかり眠ることは、心の健康を保つだけでなく、仕事で力を発揮し、毎日を気持ちよく過ごすための基本になります。 今日からできる睡眠改善のポイント 最後に、脳科学の知見を踏まえた、日常生活で実践しやすい睡眠改善のヒントを紹介します。できるものから取り入れてみてください。 生活リズムを整える 平日も休日も毎日なるべく同じ時間に就寝・起床し、体内時計を安定させましょう。朝起きたら太陽の光を浴びて脳に朝を知らせ、睡眠リズムを整える習慣も効果的です。 寝る前のリラックスタイム 就寝前1時間はスマホやパソコンなど光るスクリーンを見るのを控え、心身をリラックスさせましょう。明るい光は脳を覚醒させて眠気を妨げます。照明を落とし、読書やストレッチなど静かに過ごすのがおすすめです。 睡眠環境を快適に 寝室は静かで暗く、室温も快適に整えましょう。自分に合った寝具を使うことも大切です。音や光が気になる場合は耳栓やアイマスクも有効です。 日中の適度な運動 日中に適度に体を動かして程よく疲れておくと、夜はぐっすり眠れます。有酸素運動やストレッチは、ストレス解消にもなり一石二鳥です。ただし就寝直前の激しい運動は避け、寝る２～３時間前までに済ませましょう。短い昼寝（20分程度）は効果的ですが、長すぎる昼寝は夜の睡眠を妨げるので注意です。 カフェインとアルコール 夕方以降はコーヒーや緑茶などカフェインを含む飲み物は避けましょう。アルコールは一時的に寝つきをよくしますが、眠りを浅くするため、寝酒も控えるのが無難です。 これらのポイントを意識すれば、睡眠の質と量は少しずつ改善していくでしょう。十分な睡眠が確保できれば脳の働きが高まり心も安定します。その結果、日中のパフォーマンスが向上し、人生全体の満足度（ウェルビーイング）も上がっていくはずです。毎日の睡眠を大切にして、心身ともに健やかな生活を送りましょう。

#2025.05.13

自分の“好き”に従い研究の道へ：『恋愛の脳科学』研究者・藤崎健二さんの背景と原点

今回は、京都大学大学院で「恋愛の脳科学」の研究に取り組まれている藤崎さんにお話を伺いました。インタビューの前半では、藤崎さんの研究に至るまでの背景やこれまでの研究成果などについて詳しくご紹介していますので、ぜひあわせてご覧ください。 https://mag.viestyle.co.jp/interview05/ インタビューの後半では、藤崎さんのパーソナルストーリーに焦点を当て、幼少期の生活や現在の趣味、研究に関するエピソードなどについて伺いました。 研究者プロフィール 氏名：藤崎 健二（ふじさき けんじ）所属：京都大学大学院 文学研究科 博士後期課程研究室：阿部研究室研究分野：恋愛、対人認知、fMRI 就職か進学かーー背中を押したのは自身の経験と一冊の本 ── まずは改めて簡単に自己紹介をお願いします。 現在は京都大学大学院文学研究科に所属し、研究に取り組んでいます。学部時代は慶應義塾大学理工学部で、脳波や心拍などの生理指標の解析に取り組んでいました。その後、恋愛関係の維持や構築を支える脳の仕組みについて深く研究したいと思い、大学院から京都大学に進学しました。 ── 大学院への進学はいつから考え始めましたか？ 大学3回生の冬頃から、大学院への進学を考え始めました。元々は大学卒業後に就職するつもりでしたが、就職活動を進める中で、自分の心の声に従って好きなことや楽しいと思えることを仕事にしたいと思うようになりました。そんなとき、学部時代に図書館で偶然手に取ったのが『人はなぜ恋に落ちるのか?: 恋と愛情と性欲の脳科学』という一冊でした。恋愛の脳研究を専門にする第一人者の研究に触れたことで、昔から関心のあった「恋愛のしくみ」について本格的に研究したいという気持ちが強まり、大学院進学を決めました。 ── 始めは研究者になることは考えていなかったのですね。研究テーマの根幹となる、恋愛のメカニズムへの関心はどういった経緯でもつようになったのでしょうか。 自分自身の恋愛経験が大きかったと思います。これまでの人生の中で、特定の相手に強く惹かれる経験を通じて、恋愛がもたらす多幸感や心の揺れ動きは、日常で経験する感情とは質的に異なる、非常に特別なものだと実感しました。そうした体験から、なぜ恋愛はこれほどまでに人の感情や行動に強く影響を与えるのか、その背景にある脳の働きについて関心を持つようになりました。 ── ご自身の経験が研究へのモチベーションだったのですね。元々考えていた進路を変更する上で、苦労されたことはありますか？ 周りの友人のほとんどが大手企業の就職を目指す中で、別の道を選ぶのは不安もあり、勇気が要る決断でした。そんな中、幸いにも同じように研究の道を志す先輩方が身近にいて、その存在が自分の背中を押してくれました。 人生のモットーはイチロー選手への憧れから ── 子供のころは脳科学以外にどのようなことに興味を持っていましたか？ 小さい頃から、生き物に強い興味がありました。幼稚園の頃は昆虫が好きで、「昆虫博士」と呼ばれていたこともあります。小学生になると犬を家に迎え、高校時代には海外の爬虫類などを飼育していました。今でもいろんな動物が好きですが、犬が1番愛おしいです。 ── 様々な生き物に関心をもち続けた半生だったのですね。子供のころからの興味が現在まで続いているとのことですが、他にも今の自分に影響を与えた出来事や影響を受けた人物はいますか？ はい、元メジャーリーガーのイチロー選手から大きな影響を受けました。小学校から中学3年生まで野球を続けていたこともあり、当時からイチロー選手は馴染みのある存在でした。あるとき、読書感想文のために彼に関する本を読んだことをきっかけに、その生き方や考え方に深く共感し、自分も彼のように信念を持って道を切り開いていける人になりたいと思うようになりました。 ── 具体的にはイチロー選手のどのような姿に影響を受けたのでしょうか？ 好きなことを徹底して追求する姿勢に、強く影響を受けました。イチロー選手が野球という好きなことに出会い、誰よりも打ち込んできたからこそ、あれだけの成果を残せたのだと思っています。その姿勢は、「好きなことや楽しいと感じられることを大切にしたい」という、私自身の価値観の原点となっており、大学院進学を決める上でも大きな指針になりました。 また、直面する課題に対して原因の仮説を立て、検証し、改善へとつなげていくというイチロー選手の姿勢にも強く惹かれました。単に努力するのではなく、常に思考を巡らせながら自分を高めていくその在り方に、深い知性と探究心を感じました。 とはいえ、「修学旅行でも握力トレーニングを終えるまでは友達と遊ばなかった」という彼のストイックさについては尊敬しつつも、自分にはまだ難しいと思ってしまいます（笑） 研究は楽しい！ーーこれからの研究者に伝えたいこと ── 普段はどのように過ごされているのですか？ 研究活動が生活のほとんどを占めています。その他には、研究室のリサーチアシスタント業務や、学部時代にアルバイトとして勤めていた会社からの委託業務などに取り組んでいます。 ── 研究やその関連活動が生活の一部となっているのですね。息抜きとして何か取り組んでいることはありますか？ 今は料理にハマっています。昔から美味しい料理が好きで、学部時代は服と食べ物にバイト代を費やしていました。しかし、3年前に東京から京都に引っ越したことで美味しいお店と出会う頻度が減ってしまったので、節約も兼ねて自分で料理をするようになりました。最近はお肉やチーズの燻製料理にハマっています。 ── 最後に、これから同じ領域に挑戦してみたい学生や若い研究者に向けて、メッセージをお願いします。 研究に興味がある方には、「研究は楽しい！」ということをお伝えしたいです。アカデミアには自分の興味関心を探究できる世界が広がっており、大変なことも多いですが、この道を選んで本当に良かったと思っています。 少しでも関心がある方は、ぜひ勇気を出して、実際に研究をしている方の話を聞いてみることをおすすめします。近い分野でご活躍されている研究者の方々とは、研究に関する議論を深めたり、将来的に共同研究を行うなどのかたちでつながりを持てれば幸いです。 BrainTech Magazineでは、ブレインテック関連の記事を中心にウェルビーイングや若手研究者へのインタビュー記事を投稿しています。また、インタビューに協力していただける研究者を随時募集しています。 応募はこちらから → info@vie.style

#2025.05.13

脳の働きから恋愛のメカニズムを探求する：京都大学・藤崎健二さんが語る「恋愛の脳科学」

脳の仕組みを解明し、人類の可能性を広げる研究分野として注目を集める「脳科学」。私たちVIEでは、この魅力的なテーマに挑む若手研究者に焦点を当て、彼らの研究内容や情熱に迫るインタビュー企画をスタートしました。 本企画は、さまざまな視点から脳科学の最新研究を紹介することで、読者の皆さまに脳の神秘や研究の楽しさをお届けするとともに、新しい視点で脳について考えるきっかけとなることを目指しています。 今回のインタビューでは、京都大学大学院で「恋愛の脳科学」の研究に取り組まれている藤崎健二さんにお話を伺いました。インタビューの後半では、藤崎さんのパーソナルストーリーをたっぷりご紹介していますので、ぜひあわせてご覧ください。 https://mag.viestyle.co.jp/interview06/ 研究者プロフィール 氏名：藤崎 健二（ふじさき けんじ）所属：京都大学大学院 文学研究科 博士後期課程研究室：阿部研究室研究分野：恋愛、対人認知、fMRI 始まりは身近な感情への興味ーー恋愛感情への関心から脳科学の研究へ ── 現在取り組まれている研究について教えてください。 私は、いわゆる「恋愛の脳科学」というテーマについて研究しています。具体的には、fMRIによって得られた脳活動のデータを解析することで「恋愛関係の構築や維持を支える認知神経メカニズム」の解明を目指して研究を進めています。 ── どのようなきっかけで恋愛と脳の関係に関する研究を始めたのですか？ きっかけは、好きな人や恋人に対して抱くときめきや安心感といった特別な情動が、どのような仕組みによって生まれるのかを純粋に知りたいと思ったことでした。また、私は昔から人の行動や認知、感情、そして人格の基盤となる脳に強い関心を抱いてきました。恋愛における特別な思いも、脳の働きによって生み出されていると考え、脳神経科学の視点から恋愛を捉える研究に興味をもちました。そして、恋心や愛情のメカニズムを解明することが、人々のより良い関係を築く手助けになると考え、この研究に取り組むことになりました。 ── 一般的に恋愛感情や恋愛関係の在り方は個人によって異なると考えられますが、研究に取り組まれる上で「恋愛」はどのような感情として定義していますか？ 私は、恋愛関係を「他者との親密で排他性を伴う関係」と定義しています。同性の親しい友人関係とは異なり、恋愛関係には親密さに加え、相手と特別なつながりを共有し、注意や感情、時間を相互に優先的に分かち合うという特徴があります。さらに、このような高いコミットメントを伴う関係は、他者との親密・性的な関係を制限する排他性を備えており、それが恋愛関係を規定する重要な要素の一つとされています。 「男女の友情」は脳科学的に実在するのか？ ── 具体的に、どのように研究を進められているのか教えてください。 fMRI（機能的磁気共鳴画像法）という脳活動を可視化する技術を用いて、恋人に関する脳内での情報処理について研究しています。特に、報酬や快感に関与する「側坐核」と呼ばれる脳部位の活動に注目して、研究を進めています。 恋愛と脳の関連については、ドーパミンやオキシトシンという脳内伝達物質の話が有名ですが、これらの知見の多くはプレーリーハタネズミという一夫一妻の動物モデルの研究から生まれています。プレーリーハタネズミの研究では、側坐核でのドーパミンやオキシトシンの伝達や、関係の成熟に伴う側坐核の可塑的な変化が、パートナーとのいわゆる一途な絆の形成・維持に重要であることが示されています。同様に、ヒトでも側坐核において、パートナーに関する特別な処理が行われていることを示唆する研究はいくつかありますが、恋人と異性の友人を比較した際の側坐核活動の違いに関する知見は、これまで一貫していませんでした。 従来のfMRI研究では、脳を立体的に分割した「ボクセル」ごとに活動を測定し、特定の領域の平均的な活動の強さを評価する方法が主に用いられてきました。これに対して私の研究では、側坐核内の空間的な活動パターンそのものに着目し、情報処理の特徴をより詳細に捉える解析を行っています。 ── 人間のパートナーへの絆も側坐核で行われていると考え、従来よりも応用的な手法で側坐核の活動を測定したのですね。測定からはどのような結果が得られましたか？ 測定と解析の結果から、脳活動パターン上では、異性の友人は恋人よりも同性の友人に類似していること、恋人と異性の友人の脳活動パターンは識別可能なことが判明しました。さらに、恋人に関する情報処理の特別さは交際期間に応じて失われ、次第に異性の友人に近いパターンへと変化する傾向が見られました。 ── では、失恋してしまったときの脳はどのような状態になるのでしょうか？ 失恋後の脳は、渇望・苦痛・自己制御がせめぎ合う複雑な状態にあると考えられています。具体的には、報酬系が活性化し、拒絶された相手への強い渇望が持続します。同時に、身体的・情動的な痛みに関わる領域や、感情のコントロールを担う前頭前野も活動を示します。 こうした脳の反応は、薬物依存の離脱症状と非常によく似ているとされます。また、失恋後には抑うつ症状などが現れることもありますが、時間の経過とともに徐々に和らぎ、回復へと向かうことが知られています。 ── 脳活動と実際の恋愛活動は互いに深く影響し合っているのですね。 今後の展望と課題 ── 恋愛関係の科学的な理解は、様々な人間関係の問題に対して影響を与えると考えられますが、藤崎さんはこの成果が社会にどのような影響を与えると考えますか？ 恋愛関係の複雑さはこれまで「感覚的」に語られてきた側面が大きいと思いますが、この研究の成果により、なぜパートナーは特別な存在なのか、なぜ時間が経つにつれてパートナーへの思いは移り行くのか、その一端を脳科学的に捉えることができると考えています。 上記の発見は学術分野においては、心理学・社会学・進化心理学といった幅広い分野での議論に新たな証拠を与えますし、社会的には、カップルセラピーなどを通した応用、将来的には恋愛関係に関する一般的理解の推進にもつながるのではないかと期待しています。また、恋愛や結婚は、多くの人の人生に深く関わるテーマであり、関係性の質は心の健康や幸福にも大きく影響します。とりわけ、夫婦関係のあり方は、夫婦自身の幸福だけでなく、子どもの発達にも密接に関係しています。私の研究は、こうした関係の仕組みを脳と心の両面から理解することで、より良い関係づくりを後押しし、人々の豊かな人生に貢献することを目指しています。 ── 今後の研究の方針について教えてください。 恋愛関係のあり方や恋愛スタイルには大きな個人差がありますが、脳の観点からこうした違いに迫る研究はまだ限られています。例えば、恋人との親密な関係を避けがちな人や、過度に不安になって相手を強く求めてしまう人といった愛着スタイルの違いが、脳のどのような働きの違いに由来しているのかを今後明らかにしたいと考えています。 さらに、「恋人に対して何かをしてあげるときと、友人に対して同じことをする場合では、異なる心理的メカニズムが働いているはずだ」という仮説に基づき、恋人への利他的な行動を支える脳のメカニズムの解明についても取り組む予定です。 ── どちらも人々の良好な恋愛関係を支える素敵な研究ですね。 インタビューの後半では、藤崎さんの研究者を目指すまでの経緯や学生に向けたメッセージについて伺いました。特に、これから研究の道に進もうと考えている学生さんには必見の内容となっています。ぜひ併せてご覧ください。 https://mag.viestyle.co.jp/interview06/

#2025.05.08

機械学習で進化するMI-EEG解析──脳波×AIの最新研究まとめ

頭の中で手を握る動作を思い描く──それだけでも、脳は小さな信号を発しています。その微細な脳波を正しく読み取ることで、人は「考え」を機械に伝えることができるかもしれません。 このような仕組みはMotor Imagery EEG（MI-EEG）と呼ばれ、いま世界中の研究者たちが開発競争を繰り広げている分野です。 今回は、MI-EEGの技術の広がりと、その歩みを追った2024年発表の論文 「Enhancing motor imagery EEG signal decoding through machine learning: A systematic review of recent progress」をもとに、近年注目されている機械学習と脳波技術の融合によって、どのように「考えるだけで伝わる世界」が実現に近づいているのかを、わかりやすくお届けします。 MI-EEGの仕組みと課題 MI-EEGとは、ある特定の運動を思い浮かべたときに脳波に現れる、特有の変化＝パターンを読み取り、「右手を動かそうとしている」「足を動かそうとしている」といった想像内容を解読する技術です。 この脳波のパターンは、脳の運動をつかさどる領域（運動野）の活動によって生じます。たとえば右手の動きを想像すると、左脳の特定のエリアが反応し、そこに特徴的な脳波の変化が表れます。この変化を検出することで、思い描いた動作を推定し、機器の操作などに応用することができるのです。 ところが、こうしたEEG信号は非常に微弱で、まばたきや筋肉の動きなどのノイズに埋もれやすく、個人差も大きいという厄介な性質があります。そのため、従来の非侵襲的なBCI（Brain-Computer Interface）では、せいぜい「はい・いいえ」といった単純な意思しか読み取れないという限界がありました。 さらに、脳波の出方には人それぞれ違いがあるため、脳波を判別するモデルは利用者ごとに一から調整し直す必要があり、これも実用化における大きな壁のひとつとなっていました。 加えて、脳波は波の強さ（振幅）やリズム（周波数）といった特徴が、時間や体調によって変化する非定常な信号です。必要な脳の信号よりもノイズが目立ってしまうことも多く、信号対雑音比（SNR）が低いという特性も、安定した解析を難しくしていました。 MI-EEG解析における機械学習・深層学習の進化 こうした課題を打破しつつあるのが、近年の機械学習（ML）、とりわけ深層学習（ディープラーニング, DL）の技術です。実は、BCI分野では以前から機械学習によって脳波のパターンを分類する研究が行われてきました。しかしその多くは、EEGデータをモデルで扱うために、「どの周波数帯に注目すべきか」「どの脳の部位が反応しているか」といった特徴を見極めて選び出す作業（特徴抽出）や、それをもとに分類モデルを動かすための細かなパラメータ設定が欠かせませんでした。 これらの工程には、豊富な知識と経験が必要で、システム構築には多くの時間と手間がかかっていたのです。 しかし2017年頃から、状況が大きく変わり始めました。BCI Competition IVやPhysioNetなど、複数の被験者による運動想起タスクの脳波を収録した、大規模なオープンデータセットが次々と公開され、これを活用して高性能な深層学習モデルが脳波解析に本格的に導入されるようになったのです¹。 深層学習の強みは、生の時系列データから自動で意味のある特徴を学習できることにあります。従来は専門家が行っていた周波数帯の選択や空間フィルタの調整といった作業を、モデルが自ら学びながら処理してくれるようになりました。 この技術によって、MI-EEGのように複雑でノイズの多い信号でも、より柔軟かつ高精度に脳波を読み取ることが可能になってきました。 ¹ Hossain, K. M., Islam, M. A., Hossain, S., Nijholt, A., & Ahad, M. A. R. (2023). Status of deep learning for EEG-based brain–computer interface applications. Heliyon, 9(3), e14029. 主な深層学習モデルとMI-EEGへの応用 具体的に、近年のMI-EEGデコーディングで活躍している深層学習モデルや手法には、以下のようなものがあります。 CNN（Convolutional Neural Network：畳み込みニューラルネットワーク） 脳波には、「どの場所の電極で信号が強く出ているか」といった空間的な分布や、「どの周波数の信号が目立つか」といった周波数の特徴が含まれています。こうした情報を自動で見つけ出せるのが、CNNという深層学習モデルです。 このモデルは、もともとは画像認識の分野で活躍してきたモデルで、画像の中から形や模様を見分けるのと同じように、脳波の形や波のリズムを見つけ出せるのが特徴です。 実際、従来用いられていたCSP（共通空間パターン）＋LDA（線形判別分析）といった機械学習アプローチに比べ、 CNNベースのモデルは、より柔軟に複雑な脳波パターンを扱うことができ、特にうまく脳波で意思を伝えられなかった被験者でも、分類精度が向上したという報告もあります²。 ² Hameed, I., Khan, D. M., Ahmed, S. M., Aftab, S. S., & Fazal, H. (2022). Classification of motor imagery EEG using deep learning increases performance in inefficient BCI users. PLOS ONE, 17(7), e0268880. RNN（Recurrent Neural Network：再帰型ニューラルネットワーク） 脳波のように「時間とともに変化するデータ」を扱う場面では、RNNという深層学習モデルが使われます。RNNは、過去の情報を記憶しながら現在の情報を処理できるのが特徴です。 たとえば、ある動作を思い描いたとき、脳波には一瞬だけでなく、時間の流れに沿って特徴的な変化が現れます。RNNはこのような時系列のパターンを捉えるのが得意で、「いつ、どんな変化があったか」といった情報を生かして分類を行うことができます。 このおかげで、静止画のような断片ではなく、時間の流れに沿った変化として信号を読み取れるようになり、より安定した分類が可能になりました。 転移学習（Transfer Learning） 転移学習では、あらかじめ多くの脳波データを使って学習させたモデル（ベースモデル）を使い、それを新しい利用者やタスクに合わせて、少ないデータで効率よく調整することができます。 たとえば、「右手を動かす想像」といった共通の脳波パターンをすでに学習済みのモデルがあれば、新しい人の脳波を少しだけ読み込むだけで、その人専用のモデルをすばやく作ることができるのです。 これにより、大量のデータを用意したり、毎回ゼロから学習し直したりする負担を大幅に減らすことができ、特にデータが取りにくい医療・福祉現場などでの活用にも期待が高まっています。 このように機械学習、とりわけ深層学習の導入によって、MI-EEG信号の解読精度は飛躍的に向上しました。実験室レベルでは、頭に装着した電極から得られる脳波だけで「右手」「左手」「両足」など複数種類の運動想像をかなりの精度で分類できるようになってきています。 たとえば、EEGNetというモデルは、とてもコンパクトな構造のCNNとして設計されており、データ量が限られている場面でも、高い精度で動作することが特徴です³。少ない学習データでも安定して使えるように工夫されていて、実際に多くの研究で活用が広がっています。 ³Lawhern, V. J., Solon, A. J., Waytowich, N. R., Gordon, S. M., Hung, C. P., & Lance, B. J. (2018). EEGNet: A Compact Convolutional Network for EEG-based Brain-Computer Interfaces. Journal of Neural Engineering, 15(5), 056013. MI-EEG技術を社会に届けるために乗り越えるべきこと 深層学習によってMI-EEGの解析精度は大きく向上しましたが、それを活用した応用システム（MI-BCI）として実用化するには、まだ乗り越えるべき課題も残されています。 たとえば、装着が簡便な簡易EEGデバイスでは、高性能な研究用システムと比べると信号品質が高くないため、日常利用にはノイズ対策が重要になってきます。またアルゴリズム面では、ユーザーが長時間使っても都度再学習しなくて済むような、高い汎用性や継続的学習の仕組みが求められています。 幸いなことに、こうした課題に対しても研究は進んでおり、脳波データを増強するデータ拡張手法や、異なる個人間でモデルを融通するドメイン適応技術、他の生体信号と組み合わせたハイブリッドBCIなど、様々なアプローチが提案されています。まさに人間の脳と機械をつなぐ架け橋として、MI-EEG技術は機械学習との融合によって日々アップデートされているのです。 近い将来、例えばリハビリテーションの現場で患者さんが頭で思い描くだけでロボットスーツを動かし、運動機能回復を助ける――そんな光景が当たり前になるかもしれません。ブレインテック最前線のMI-EEG×機械学習の進化から、これからも目が離せません。 🧠 編集後記｜BrainTech Magazineより MI-EEGと深層学習の組み合わせは、これまで読み取りが難しかった脳の信号をより正確に扱える技術へと押し上げています。 実用化にはまだいくつかのハードルがありますが、個人ごとの違いやノイズの多さを乗り越えるための工夫も進み、MI-EEGは実際に使える技術へと着実に近づいています。 BrainTech Magazineでは、こうした研究の進展とその社会実装への動きを、これからも丁寧に伝えていきます。 📝本記事で紹介した研究論文 Hameed, I., Khan, D. M., Ahmed, S. M., Aftab, S. S., & Fazal, H. (2023). Enhancing motor imagery EEG signal decoding through machine learning: A systematic review of recent progress. Biomedical Signal Processing and Control, 84, 104960.