TAG

脳波

0.2秒の差が事故を左右する──ブレーキランプと脳の反応

皆さんは車間距離を十分に取って運転しているでしょうか?前の車のブレーキランプが光ったとき、とっさにブレーキを踏めるかどうか――その僅かなタイミングの差が追突事故を招くことがあります。 実は0.2秒程度の反応時間の違いが、高速道路では数メートルの制動距離差となり、事故を防げるかどうかを左右すると言われます。では、前の車のブレーキランプを目にしたとき、私たちの脳はどんな反応を示し、どうすればより素早くブレーキを踏めるのでしょうか? 最新の研究では、その問いに脳波(EEG)で迫りました。ブレーキランプを見たとき脳内で何が起こっているのかを直接測定することで、より安全なブレーキランプ設計につなげようという試みです。「脳科学×交通安全」というユニークなアプローチから、思わず「なるほど!」となる新事実が明らかになりました。 ブレーキランプを脳はいつ認識するのか? 自動車の追突事故原因の多くは、前車の減速に気付くのが遅れることにあります。従来、こうしたブレーキ反応時間 (Brake Reaction Time, BRT)は、ブレーキランプが点灯してからドライバーがブレーキペダルを踏むまでの時間として測られてきました。 しかし、人間の反応速度には、多くの要因が影響します。ドライバーの年齢や運転経験、集中力だけでなく、足の位置や靴の重さといった細かな条件まで差を生みます。さらに、ブレーキペダルを実際に踏む動作にも時間がかかるため、ブレーキランプに「気付く」までの時間と「足を動かす」までの時間が混ざった形で測定されてしまうのです。 そこで研究者たちは、脳波を活用し、ブレーキランプを『あ、光った!』と脳が認識した瞬間をとらえるアプローチに挑戦しました。脳波は脳の神経活動によって生じる微弱な電気信号で、刺激に対する脳の反応をミリ秒精度で捉えることができます。 P3成分で分かる脳の認知タイミング 特に注目されるのが『P3成分』と呼ばれる脳波の特徴です。これは、人が「重要だ」と感じる出来事を認識した直後、約0.3秒後に頭の中に現れる電気的なピークで、認知のタイミングを示すサインとして知られています。 たとえば、突然の音や光に対して「ハッ」と気付いた瞬間、頭の中ではP3という電位のピークが生じるのです。このP3は、単なる反射ではなく「気付いてから動くまで」の橋渡しをする過程を映し出します。言い換えれば、ブレーキランプを『あ、止まらなきゃ』と脳が認識したタイミングを教えてくれる指標なのです。 研究チームは、ブレーキランプが点灯してから脳がそれを認識するまでの時間を「認知反応時間」と定義し、この指標を脳波P3を使って測定しました。こうすることで、ペダルを踏む動作に要する時間を含めず、純粋に脳が気付く速さだけを比較できるのです。 過去の調査では、電球式のブレーキランプよりLEDランプの方がドライバーのブレーキ反応が平均0.17秒ほど速いことが報告されていました。しかし、それらは主にペダル操作の時間を測ったものです。今回の研究では脳の反応そのものに着目することで、ブレーキランプ設計が人間の認知に与える影響をダイレクトに評価しようとしました。 実験方法:ブレーキランプとシミュレーターを使った脳波計測 この実験では、実際のブレーキランプ部品を使い、できるだけ現実に近い状況でデータが集められました。まず様々な車種のブレーキランプ10種類を用意し(うち2種類は電球タイプ、8種類はLEDタイプ)、室内に再現した運転環境で被験者に運転してもらいます。 被験者は運転席に相当する椅子に座り、前方スクリーンには高速道路を走行する映像が映し出されます。足元にはアクセルとブレーキのペダルを設置しました。被験者は映像に合わせてアクセルを踏み続け、前方に設置された試験用のブレーキランプが光ったら、アクセルから足を離してブレーキを踏むよう指示されました。 しかし、被験者がいつランプが点くかを予測して身構えていては、現実の「不意のブレーキ」に対する反応とは異なってしまいます。そこで研究チームは、ランプをランダムなタイミングで点灯させる一方で、フェイントとしてランプ点灯とは関係のない黄色いリング状のライトも点滅させる工夫を取り入れました。 被験者にとっては、いつ本当のブレーキランプが光るかわからない状態にすることで、「注意はしているが不意に現れるブレーキ」に近い状況を再現したのです。この間、被験者の頭には8チャンネルの脳波計が装着されており、ブレーキランプ点灯の瞬間をマーカーとして脳波データが記録されました。 そして、測定した脳波データからP3成分を解析することで、認知反応時間を割り出しました。P3は頭頂部で最も大きく現れるため、解析には頭頂部に配置したPz電極の信号が用いられています。 具体的には、各試行(ランプ点灯ごと)の脳波を重ね合わせて平均化し、刺激から数百ミリ秒後に現れる陽性波(P3)のピーク時間を検出しました。このピークのタイミングこそが、脳がブレーキランプを認識した瞬間を示しているのです。 光の違いが脳を動かす:LED vs 電球 こうして得られた脳の認知反応時間には、興味深い傾向が表れました。最大のポイントは、電球タイプとLEDタイプで明確な差が見られたことです。 脳波P3の潜時(=認知までの時間)の平均を比べると、どの被験者でも電球式ランプはLED式より遅いことが統計的にも示されました。中でも最も遅かったのはFord車の電球式ランプで、最も速かったHonda車のLEDランプとは約0.13秒の差がありました。 同じ車種で電球とLEDを比べても、たとえばフォード・フォーカスの電球ランプは同型のLEDランプより平均0.17秒遅れて脳が反応しています。脳波の解析によって、LEDランプの方が電球式よりも素早く脳に認識されることが裏付けられたのです。 図1:脳波P3潜時の平均値(±標準偏差)による各ブレーキランプの比較(橙色は電球式ランプ2種、青色はLEDランプ8種)。電球式は全ての被験者でLED式より認知が遅く、特にFord車電球ランプ(左端)は最も遅い認知時間となった。一方、LED同士ではランプ形状の違いによる差は小さい。実験では被験者22名のデータを解析し、電球 vs LEDの差は統計的にも有意と報告されている。 なぜLEDは電球より早く脳に届くのか LEDが優れている理由のひとつは、光源そのものの性能差にあります。白熱電球の点灯には、電球の種類やフィラメントの構造によって数ミリ秒から数十ミリ秒程度の遅延が生じます。これに対し、LEDは瞬時に点灯するため、この遅延がほとんどありません。LEDは立ち上がりの速さにおいて白熱電球よりも優れているという点は事実です。 要するに「光り始めが遅い・ボンヤリ光る」のが電球、「パッと光ってハッキリ見える」のがLEDという違いがあるわけです。そのため視覚的な刺激強度の点でLEDランプは有利であり、結果として脳が気付くまでの時間が短縮されると考えられます。 実験では、LED同士でも形状や明るさの違いによるP3潜時の差が一部見られましたが、残念ながら統計的に有意とは言えませんでした。研究チームによると、被験者がブレーキを踏む足を動かした際のノイズ(筋電や体動によるアーティファクト)が脳波に混入し、微妙な差の検出を難しくした可能性があるといいます。 しかし、電球 vs LEDという大分類では明確な差が出たことで、車両の安全性を向上させる上で、LEDランプの採用が有効な選択肢であることを裏付けています。事実、近年の車はほぼ全てブレーキランプがLED化されつつありますが、もし古い電球タイプを使い続けている車があれば、安全のためにも早めに交換した方が良いかもしれませんね。 運転熟練度と脳の反応、その関係とは 脳波データをさらに分析すると、ドライバーの経験や熟練度による違いも一部で見えてきました。被験者は運転経験の豊富なグループ(平均13年)と初心者グループ(平均4年)に分けられていましたが、LEDランプに対するP3潜時は初心者の方がやや遅い傾向があったのです。 統計的にも、経験者の方がわずかに速いという結果が得られました。有意水準5%でかろうじて差が確認され、両グループ内で遅めの反応を示した人たちに注目すると、経験者では約0.50秒、初心者では約0.55秒という差がありました。 一方で、電球ランプでは運転経験による差はほとんど見られませんでした。著者らは「電球は誰にとっても反応が遅いため、経験の影響が表れにくい。しかしLEDなら、そのわずかな差が現れるのだろう」と推測しています。経験を積んだドライバーほど、不意のブレーキランプにも素早く気付ける可能性が示された点は興味深い発見です。 脳波は運転の未来をどう変えるのか? この研究は、ブレーキランプ設計と脳の認知メカニズムを結びつけた先駆的な試みですが、今後の展開次第では様々な分野への応用が考えられます。 たとえば車両設計だけでなく、ドライバー教育や運転支援システムへの応用も考えられます。脳波を活用すれば、ドライバーが重要な信号を見落としていないか、その注意喚起がどれほど効果的かを客観的に評価できるのです。 また、ブレーキ以外の警報(車間アラートや歩行者検知アラームなど)についても、音や光のデザインを脳反応の観点から最適化できるでしょう。企業にとっては「人間の脳に響くUI/UX」を開発するヒントになるかもしれません。 さらに研究チームは、今後実際の道路環境で脳波計測を行い、ブレーキランプ認知の脳内プロセスを詳細に調べたいと述べています。 今回のようなシミュレーション実験では、被験者も「失敗しても事故にはならない」と分かっているため若干気が緩む可能性があります。リアルな運転状況であれば、より慎重になる分だけ、脳の反応も変わるかもしれません。 そのような生の脳データを集めれば、ドライバーの注意散漫やヒヤリハットの兆候を脳波から検知してアラートを出す、といった未来のニューロテック安全システムも夢ではありません。 今回紹介した論文📖 Ramaswamy Palaniappan, Surej Mouli, Howard Bowman, Ian McLoughlin (2022). “Investigating the Cognitive Response of Brake Lights in Initiating Braking Action Using EEG.” IEEE Transactions on Intelligent Transportation Systems, 23(8), 13878-13883research.aston.ac.ukresearch.aston.ac.uk.(オープンアクセス)

脳活動の共通パターンを探る──最新研究が見せた幾何学的アプローチ

「脳はどんな風に動いているのか」という問いに対して、これまで私たちは波形や数値で説明してきました。脳波計で測定すれば、ゆらめく線がモニターに映し出され、それをアルファ波やベータ波といったリズムで分類する方法が一般的でした。 しかし2024年9月に発表された研究が示したのは、もっと直感的で視覚的な答えです。脳の活動を多次元空間にマッピングすると、そこには共通して現れる基本の「型」が浮かび上がってきました。研究者たちはこれを「脳の動きを支える幾何学的な土台」と呼んでいます。 脳の活動を立体的に映し出す「スペクトルアトラクタ」 脳波には、アルファ波やベータ波などの周期的なリズム成分と、特定の周波数を持たない非周期的な背景成分(いわゆる1/fゆらぎ)が含まれています。従来の脳波研究では、これら周波数ごとの強さ(パワー)やリズムの同期性を分析し、脳の状態を探ってきました。 しかし、今回の研究チームは発想を転換し、脳波データの「形そのもの」を追いかけました。具体的には、まず脳波を周波数ごとに分け、それぞれの強さが時間とともにどう変化するかを取り出し、その動きを多次元空間に写し込みました。すると、点が集まって軌跡を描くようにまとまりが現れます。このまとまりは「アトラクタ」と呼ばれ、脳の活動を単なる波形ではなく立体的な形として表すことができるのです。 アトラクタとは、時間が経つにつれてシステムの動きが収束していく軌道のパターンのことを指します。たとえば振り子は最後に止まって一点に落ち着きますし、気象のような複雑な現象では蝶が羽ばたくような軌跡(ローレンツ・アトラクタ)が現れることがあります。では、脳波をアトラクタとして描くと、どのような形になるのでしょうか。図1がその結果です。 図1:EEGスペクトル・アトラクタの例(論文Figure 1より)(A) 若年層(黒)と高齢層(灰色)の平均脳波スペクトル。太い線は背景的な非周期成分を示す。 (B) 各周波数帯の強さ(色付き)と背景成分(緑)。 (C) 周波数ごとの強さの時間変化。 (D) 従来法で再構成した高次元アトラクタ(黒い軌跡)。 (E) 新手法(ETD)で主要成分に投影したアトラクタ。アルファ波や非周期成分はシンプルな軌道を描く一方、デルタ波やガンマ波は複雑でねじれた形になる。 このように脳波信号を「軌道=形」として表現することで、脳の状態を幾何学的に分析できるようになります。研究チームは、各アトラクタの形の複雑さ(次元数)を「幾何学的複雑度」と定義し、さらに異なるアトラクタ同士の形の類似性・予測関係を解析しました。 この解析には、収束的相互マッピングと呼ばれる手法が用いられています。難しい名前の手法ですが、簡単に言えば「ある軌道の動きから別の軌道をどの程度予測できるか」を調べるものです。こうした新しいアプローチによって、脳波の奥には共通する「型」のような動きが潜んでいることが見えてきました。 脳波の土台をつくるアルファ波と1/fゆらぎ 脳波と聞いて多くの人が真っ先に思い浮かべるのは「アルファ波」ではないでしょうか。リラックス時に優勢になる8〜12Hz程度の波で、「閉眼時に現れるα波」は昔から知られています。参考:脳波で変わる日常生活!アルファ波(α波)の科学的効果とは 一方で、近年注目されているのが、1/fに近い傾きを持つ非周期的な背景成分です。このゆらぎは、脳の興奮度や覚醒度といった状態と関連している可能性が指摘されており、新たな脳活動の指標として研究が進められています。 今回の研究では、この非周期成分とアルファ波が、脳波ダイナミクスを支える中心的な役割を担っていることが明らかになりました。 解析の結果、アルファ波と非周期的なゆらぎから描かれるアトラクタは、とてもシンプルな形をしていました。さらに、その基本的な形は他のすべての周波数帯にも共通して見られたのです。つまり、複雑に見える脳波の動きの奥には、アルファ波と非周期成分がつくる共通の「型」があり、それが全体を支えていることが分かってきました。 研究チームは、アルファ波と非周期成分を脳活動の中心的なダイナミクスと位置づけました。これらは常に揺らぎながら全体をまとめる土台のような存在で、その上に他の複雑な活動が積み重なっていくと考えられます。例えるなら、オーケストラで常に響いている低音のベースのようなもので、派手に主張するわけではないけれど、全体の調和とリズムを支えている存在です。 興味深いことに、従来の線形解析では周波数帯同士の相関はごく一部(例:アルファとベータ間)でしか強くありませんでした。しかしこの幾何学的アプローチでは、アルファ波と非周期成分が全ての周波数帯と強い結びつきを示すことが分かりました。 脳内の信号同士がどのように影響し合っているかを見る新たな指標として、この「幾何学的クロスパラメータ結合(異なる周波数帯同士の結合)」は非常に有望と言えるでしょう。 加齢がもたらす脳のシンプル化 では、この幾何学的コアは年齢によって変化するのでしょうか。研究では、20代前後の若年成人138名と、60代前後の高齢成人63名を対象に、安静時の脳波データが比較されました。 その結果、高齢者では若年者に比べてアトラクタの幾何学的複雑度が全体的に低下していることが明らかになりました。つまり、脳波の軌跡を表現するために必要な次元の数が減り、全体として脳の動きがよりシンプルになる傾向が見られたのです。 一方で、異なる周波数帯同士の結びつき(クロスパラメータ結合)は、高齢者の方が強まる傾向にあることも分かりました。その背景には、加齢に伴い、脳の機能的な専門性(分化)が低下することが示唆されています。 今回の研究で観察された、ガンマ波の活動パターンが他の周波数帯と似通ってくる傾向は、この加齢に伴う脳の機能変化の一端を捉えているのかもしれません。 この発見は、脳の加齢に伴う機能変化を新たな視点で捉えるものです。高齢になると情報処理が遅くなったり柔軟性が低下したりすると言われますが、その一因として脳のダイナミクスの多様性(複雑さ)が減少し、柔軟性が失われることが示唆されています。 一方で、アルファ波や非周期成分といったコアの影響力が相対的に強まることは、脳が安定性を保とうとする一種の適応かもしれません。研究者たちは、この結果を「動的コア仮説」と呼ばれる考え方と関連づけています。これは、脳には統合と分化を同時に支える中心的な仕組みがあるという理論です。 今回の研究は、この理論を踏まえ、脳が発達や加齢に応じて、大きな枠組みから細かな構造へと形作られていく過程を説明する新しいモデルとして位置づけられました。 脳波の軌跡から見える意識のパターン では、この幾何学的コアと私たちの意識状態や思考の内容には、どのような関係があるのでしょうか。脳波の複雑さは、昔から意識の深さや種類と関わっていると考えられてきました。たとえば、覚醒しているときと眠っているときでは、脳信号の複雑さが大きく異なります。今回の研究でも、このつながりを裏付けるような興味深い結果が示されています。 被験者は別日に実施したfMRIセッションで、「ニューヨーク認知質問票」というアンケートに回答しており、自分の心が安静時にどんな内容(過去や未来のこと、ポジティブなこと・ネガティブなことなど)や形式(映像的か言語的か、曖昧かはっきりしているか)をさまよっているかを自己評価しました。 そのデータとEEGアトラクタの複雑度を照らし合わせたところ、ある周波数帯の複雑さだけが特定の思考内容と有意に関連していたのです。それはガンマ帯のアトラクタの複雑さで、これが高い人ほど「ネガティブな反すう的思考」傾向が強いことが示されました。 ガンマ波は集中や認知負荷と関係が深いとされますが、確かに悩み事などで頭がぐるぐるしているとき、脳は高速で複雑な活動をしているのかもしれません。逆に、マインドフルネス瞑想などで心が静まっている状態では、ガンマ活動が抑えられ、より低周波側が優勢になるという報告もあり、この結果は直感的にも頷けるものになっています。 他にも興味深い傾向として、高齢者では非周期成分アトラクタの複雑さが高い人ほど、ポジティブな内容や映像的な思考をしている傾向が見られました。一方、若年者ではそういった相関は明確でなく、年齢による違いも示唆されています。 これらの結果はまだ探索的な段階ですが、脳波の描く形からその人の内的な思考の傾向が読み取れる可能性を示しており、非常に興味深いポイントです。 まとめ:脳波の形に隠されたメッセージ 今回の研究は、脳波を「形」として読み解く新しい視点を示しました。アルファ波と1/fゆらぎが全体を支えるコアとして働き、加齢によりそのダイナミクスがシンプルになること、さらに脳波の形が思考の内容と結びつく可能性があること。どれも脳の奥深さを改めて感じさせる発見と言えるでしょう。 脳科学の世界ではしばしば、「意識とは脳内の統合と分化の産物だ」と語られますが、本研究はその考えを裏付ける幾何学的な証拠を提示したとも言えます。 もちろん、今回の成果は安静時のデータに基づいたものであり、因果関係や細かな仕組みについては今後の研究に委ねられます。それでも、古くから使われてきた脳波という手法に新しい視点を与え、脳の動きを形として「見る」試みに挑んだこと自体に大きな価値があります。 脳のリズムを単なる波としてではなく、奥に潜む形や構造として捉える発想は、これからの脳科学やニューロテックの可能性を広げていくきっかけになるかもしれません。 この技術は、将来的には意識レベルの評価や神経疾患の診断などに応用できる可能性も秘めており、ニューロテック分野に新たなインスピレーションを与える研究と言えそうです。 今回紹介した論文📖 Parham Pourdavood, Michael Jacob (2024). EEG spectral attractors identify a geometric core of brain dynamics. Patterns, 5(9): 101025. https://www.cell.com/patterns/fulltext/S2666-3899%2824%2900158-2

脳波に出会って見えた未来:研究者・R.I.さんの研究に活かされたインターンでの日々

今回は、慶応義塾大学で「簡易型脳波測定器を用いた意図画像探索」について研究されているR.I.さんにお話を伺いました。インタビューの前半では、R.I.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。 前半記事 ▶脳波による画像生成:慶應義塾大学・R.I.さんが語る「想起イメージの再現」 今回のインタビューの後半では、R.I.さんのパーソナルストーリーに焦点を当て、大学での生活や現在の趣味、研究活動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:R.I.所属:慶應義塾大学大学院 政策メディア研究科研究室:中澤・大越研究室研究分野:EEG、ニューロアダプティブ、画像生成 インターンでの経験が研究方針を決めた 前半の記事で「インターンがきっかけで脳に興味をもった」と述べられていましたが、インターンではどのようなことをしていたのでしょうか? 当初は主に脳科学の研究論文をまとめる業務を担当していました。4年目の現在は、脳波実験環境のプログラミングを始めとした技術的な仕事を任せてもらっています。 普段からプログラミングはされているのですか? はい。普段は、主に研究に利用するモデルの構築と、競技プログラミングへの参加を通してプログラミングには触れています。 業務以外で何かアプリケーションを開発した経験はありますか? 過去にシステム開発の手順を学ぶために、フリーライドシェアの予約を行うアプリケーションを開発しました。他にもエアホッケーゲームなどのちょっとしたアプリケーションの開発は何度か経験しています。 R.I.さんが制作したエアホッケーゲーム 脳波に興味をもつようになった具体的なエピソードはありますか? インターンでは脳科学の知見を用いたコンサルティングも行っています。そこでの活動を通じて脳科学、および脳波計測による実験を通してクライアントの要望を解決する様子を目の当たりにして、その応用可能性と社会貢献性の高さに強く惹かれました。 趣味は読書、科学に留まらない幅広い知的好奇心 研究以外で現在ハマっている趣味はありますか? 読書にハマっています。小学校から高校までオランダで過ごしていたため、文学を多く読む教育を受けていたこともあり、小さい頃から日常的に本を読んでいました。もともとは科学系の本を中心に読んでいたのですが、現在は文学や哲学といった幅広いジャンルの本を読んでいます。 長い間海外で過ごされていたのですね。最近読んだおもしろい本はありますか? 最近読んだおすすめの本は、ミラン・クンデラさんが書かれた「存在の耐えられない軽さ」です。この本では、プラハの春というチェコスロヴァキアで起きた民主化運動の中での人間関係の話が綴られています。 一般的な文学では愛や責任といった人間関係の重さに着目しているものが多いのですが、この本はその逆で、政治体制が変わってしまったことで、自分がそれまでに積み上げてきたものが一瞬で崩れ去ってしまう虚しさや、誠実に生きてこなかったために、人生の中盤でミッドライフ・クライシスを感じて人間関係が崩れてしまうといった、人間という存在の軽さが描かれていて、とても興味深い内容でした。 オランダに住み始めた当初はどのような気持ちで過ごしていたのですか? 初めは言語がわからない中で面識のない外国人に囲まれて過ごしていたため、非常に心細かったです。人間関係を構築することも困難であったため、住み始めてからしばらくはひたすら耐え忍ぶ日々が続き、その間すがる思いで本を読んでいました。 現地での生活に慣れ始めたのは、引っ越してからおよそ2年後でした。拙いながらも自分からコミュニケーションを取れるようになった瞬間から、当初あった不安な思いはなくなりました。それからは、毎日が学びの連続でした。日本と異なる言語や文化に触れた経験は自分の価値観の形成に大きく影響しており、現在の活動や意思決定の根底に深く根付いていると感じています。 海外生活で得た学びが、現在のご自身を形作っているのですね。 データサイエンスで国を代表する人間を目指して 将来の夢や目標はありますか? 大学で学んだことを活かして、データサイエンスの分野で日本を代表するような人間になりたいと考えています。長い間海外で生活してきたことで、世界で活躍することに強い関心をもっているので、自身の専門性を活かしてこの国の技術を底上げするような存在になりたいです。 その夢を達成するために、これからどのようなことに取り組んでいきたいと考えていますか? データに関する技術、運用、ガバナンス戦略など、あらゆる側面において深い知識を身につけていきたいと考えています。そのためには、キャリアの中で様々な立場を経験しながら、データに対して幅広く向き合っていくことが重要だと思っています。 また、最先端技術の動向を常に把握する必要があるため、将来的には海外での経験を積む機会を持ちたいと考えています。 それでは最後に、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。 脳波を扱う研究は常にノイズとの闘いであり、非常にチャレンジングな分野だと考えています。それゆえに、まだまだ発展途上の領域でもあります。そんな可能性に満ちた脳科学に興味を抱き、日々研究に取り組んでいます。もしそういった思いをお持ちでしたら、ぜひ挑戦してみてほしいと思います。 NeuroTech 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

脳波による画像生成:慶應義塾大学・R.I.さんが語る「想起イメージの再現」

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行っています。 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、慶應義塾大学で「簡易型脳波測定器を用いた意図画像探索」について研究されているR.I.さんにお話を伺いました。インタビューの後半では、R.I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。 研究者プロフィール 氏名:R.I.所属:慶應義塾大学大学院 政策メディア研究科研究室:中澤・大越研究室研究分野:EEG、ニューロアダプティブ、画像生成 脳波から頭で想像した景色を読み解く試み 現在取り組まれている研究について教えてください。 私の研究テーマは、簡易型脳波測定機を用いた意図画像探索です。具体的には、VIEのイヤホン型脳波計を使って、人が頭で思い浮かべた画像(イメージ)を脳波から読み取り、それを認識・再構成する技術の研究に取り組んでいます。 このテーマを選んだきっかけや理由を教えてください。 学部1年生のときに、友人の紹介で参加したインターン先で、偶然脳科学に携わる機会を得たことが脳波に関心を抱いたことがきっかけです。そこで脳波を使った技術の可能性の広さを感じ、自分もその研究に携わりたいと考えるようになりました。 また 加えて、インターン先でVIEのイヤホン型脳波計を使った実験を行っていたため、このような簡易型 的な脳波計が人間の脳活動をどこまで読み解けるのか試してみたいと興味を持つようになり、いう思いから、現在のテーマに取り組むことを決めました。 R.I.さんが研究で使用されている脳波計画像引用元:VIE Zone/Chill - Neuro Earphones どのような実験を通して画像の認識・再構成を行っているのですか? 以前に私が取り組んでいた研究では、まず被験者に対して10秒ほど画像を表示した後に、目を閉じてその画像を思い出すタスクに取り組んでもらい、その際のEEG(脳波)を計測していました。 その脳波データをもとに、機械学習の分類モデルを用いて被験者がどの画像を見ていたのかを識別する研究に取り組んでいました。 現在は、ある刺激に反応して約300ミリ秒後に発生する「P300」と呼ばれる脳波と、生成される画像との関連性を最適化することで、被験者が思い浮かべたイメージを画像として再構成する研究に取り組んでいます。 実験の中で注力している部分について教えてください。 実験では、特にEEGの特徴量を抽出する前処理の工程に重きを置いています。具体的には、EEGの記録を7.5ミリ秒ごとの小さな時間ウィンドウに区切り、各ウィンドウごとに標準偏差を始めとする統計的な特徴量を計算して、分類モデルへの入力データとして使用しています。 このような前処理を施すことで、データの細かな時間的変化や重要な特徴量を捉えやすくなるという利点があります。詳細な特徴を捉えることで、分類の精度を高めることができるのです。 実験フローの概要図 簡易脳波計でどこまで脳活動を読み解けるのか 研究プロセスを進める上で、困難に感じたことはありますか? 現在直面している課題は、簡易型脳波計を使用しているため、空間分解能(spatial resolution)が限定的である点です。そのため、脳内のどの部位からの活動なのかを高い精度で識別することが難しく、脳波の詳細な情報を十分に取得できないことがあります。また、EEGは脳の微弱な電気活動であるため、ノイズの影響を考慮しなければならない点も困難だと感じています。 文字に囚われない自由なコミュニケーションを目指して ご自身の研究成果は社会にどのような影響を与えると考えますか? 簡易型脳波計測装置でも画像認識が可能になれば、肢体不自由な方の支援や、デジタル空間における手軽なコミュニケーション手段の一つとして、広く普及する可能性があると考えています。 たとえば、現在は体に麻痺症状を抱えていて、発話が困難な人のコミュニケーション手段としては眼球運動による文字入力(スペリング)が主流となっています。しかし、伝達媒体が文字である特性上、言語化できないものは表現できないという課題があります。それに対して、私が目指しているものは脳活動に対応する画像を探索して最適化することです。この研究が実現すれば、肢体不自由な方のより自由なコミュニケーションに貢献できるのではないかと考えています。 脳活動から画像を生成できれば、より自由で快適な意思伝達が実現できそうですね。それでは、ご自身の研究が社会に影響を与えるために必要だと考えていることはありますか? 研究を進める際に、脳波計測・特徴量抽出・分類・画像再構成といった各プロセスが異なるツールや環境に分散してしまっているので、これら一連の処理を一貫して行えるEnd-to-Endのアプリケーションがあれば、作業効率が大幅に向上し、再現性の高い研究がしやすくなると感じています。 そのようなパッケージ化された環境が整えば、よりこの分野の研究も広がるのではないかと考えています。 技術を社会に実装するためには研究内容そのものだけでなく、環境を整えることも重要なのですね。最後に、今後の研究活動の方針を教えてください。 現段階では画像をイメージする際にP300が生じることの検証まで完了しているため、ここからは実験環境を整備し、実際に多くの人の脳波を計測してモデルを訓練する過程に入ります。これまで取り組んでいた理論の構築や方針の決定といった作業よりも、忍耐力を必要とする段階に突入するため、粘り強く頑張りたいと考えています。 インタビューの後半では、R.I.さんのパーソナルストーリーや現在の研究に取り組むきっかけとなった出来事について伺いました。特に、現在進路決定に悩んでいる学生さんは必見の内容となっています。ぜひ併せてご覧ください。 後半記事 ▶脳波に出会って見えた未来:研究者・R.I.さんの研究に活かされたインターンでの日々

共通のコミュニティが脳をつなげる?──脳波から紐解く集団意識

スポーツ観戦中、自分と同じチームを応援する相手とプレーの見え方や盛り上がるタイミングがぴったり合って「気が合うな」と感じた経験はありませんか? その「気が合う感覚」は、単なる気のせいではないかもしれません。2025年に発表された最新研究によって、同じ集団に属している人同士では、脳波の活動が同期する可能性が示されたのです。 今回は、『EEG synchronisation reveals the impact of group identity and membership duration on social cognitive bias』という論文をもとに、「集団意識(group identity)」が、私たちの脳と認知にどのように影響するのかを解き明かしていきます。 「同じ集団」の人とは、脳活動も似る? 人は、自分がどの集団に属しているかによって、出来事の受け止め方や感情の動きが変わる傾向があります。これを「社会的アイデンティティ」と呼び、自分が所属する「内集団」には肯定的な感情を抱きやすく、対立する「外集団」に対しては否定的になりがちです。 たとえば、同じプレーでも、自分の応援するチームが得点したときは喜び、ライバルチームなら「運が良かっただけ」と感じるような現象がこれにあたります。 こうした主観の偏り、つまり「認知バイアス」は、近年の神経科学の研究により、感情や報酬の処理に関わる脳活動にも表れることがわかってきました。しかし、これまでの多くの実験は、短く単純な映像や課題を用いたものが中心で、実際のスポーツ観戦のように複雑で変化の多い社会的な状況で、脳がどう反応するかは、十分に解明されていませんでした。 このような背景のもと、今回の研究は「集団意識」や「ファン歴」が、現実に近い状況での脳活動にどう影響するのかを探るために行われました。 実験:脳波から読み取る「ファンの一体感」 野球ゲーム観戦中の脳波をリアルタイムで測定 研究の対象となったのは、阪神タイガースとオリックス・バファローズ、それぞれの熱心なファンたちです。研究チームは、各チームから16名ずつ、合計32名を招き、プロ野球スピリッツ2019というゲームを用いて自動生成された試合映像を視聴してもらいました。実際の試合映像ではない理由は、すでに見たことがある映像に対する既知効果を排除するためであり、ゲーム映像であっても、リアルなグラフィックや実況、歓声などによって、十分に臨場感のある観戦体験が再現されました。 映像は、阪神が勝つ試合、オリックスが勝つ試合、そして引き分けの試合の3パターンが用意されており、それぞれが約26〜33分の長さです。試合の内容は6回表から始まる構成で、その前半の流れは冒頭に30秒間の静止画像で要約されました。参加者は、4メートル先の大型スクリーンを一人ずつ観戦し、その間の脳波を測定しました。 視聴自体は個別に行われましたが、分析では、同じチームを応援する者同士のペア(内集団ペア)と、異なるチームのファンのペア(外集団ペア)を比較し、それぞれの脳波の類似度が検討されました。また、各参加者のファン歴も記録され、そのうち短い方の年数をペアの「所属歴」として設定し、ファン歴の長さが脳活動に与える影響についても分析が行われました。 Fig. 1. 参加者は、没入感のある体験が得られるよう、大型スクリーンで野球の試合映像を観賞しました。この図に示されたスクリーンは、複数の画像を合成したものです。図中では実験室の様子をわかりやすくするために明るい照明が使われていますが、実際の実験中は映像を見やすくするために部屋を暗くして行われました。 脳波の同期を測る2つの指標 本研究では、人と人の脳波がどれほど同じように反応しているかを調べるために、PLV(位相ロッキング値)とr(パワー相関)という2つの指標が使われました。 PLVは、映像や音といった刺激に対して、脳波のタイミング(=位相)がどれだけそろっているかを示すもので、注意や知覚など外部刺激への反応の一致をとらえます。 一方、rは脳波の強さの変化が他の人とどれだけ似ているかを示し、感情の動きや興奮度などの内面の状態の共通性を反映します。 この2つを組み合わせることで、外的な刺激に対する脳の反応と、内的な感情や覚醒の同期の両方をとらえることができ、より立体的に脳のつながりを理解することが可能になります。 Fig. 2. EEG同期指標を算出するためのプロセスを表す。まず、2人の被験者の脳波からバンドパスフィルタを通して特定の周波数の信号(アルファ波、デルタ波、シータ波)を抽出する。抽出した信号から周波数の特徴と、大まかな波形情報を分離して抽出し、被験者同士のそれぞれの信号の同期度をPLVとrで表す。 結果:同じチーム同士の脳波はより深く「共鳴」する 内集団では中心頭頂部におけるアルファ波の位相が同期 脳波の解析によって、同じチームのファン同士では、脳波の一種であるアルファ波(8~13Hz)の位相が高く同期していることが明らかになりました。この結果は、ファン歴の長さとは無関係に確認されました。アルファ波の位相は、注意や知覚の処理に関わるリズムとされており、特に外部刺激に対する初期の視覚処理や空間認識に関係があると言われています。 つまり、この結果から集団への所属歴に関係なく、「自分はこの集団の一員だ」という意識(社会的アイデンティティ)はどこに注目するか、何を見るかといった認知の向け方に影響を与えていると考えられます。 内集団のアルファ波の強さは所属歴の影響を受ける 興味深いことに、内集団では、ファン歴が長いほどアルファ波の強さが同期していることが明らかになりました。 今回の実験で見られたアルファ波の強さは、脳がどれくらい「目を覚ましているか」や「落ち着いているか」といった状態を表していると考えられます。特に、自分の意志で注意を集中させたり、感情に反応したりするときに、アルファ波の出方が変わることが知られています。したがって、この結果は集団への「帰属感」が、場面ごとの興奮状態や感情的な反応の一致に関係していることを示しています。つまり、長く同じチームを応援してきた人同士は、試合のどこで盛り上がるか、どこに注目するかが自然と似てくるのです。 所属歴が長くなるとデルタ波とシータ波の類似度が減少 一方で、アルファ波とは対照的に、より低周波であるデルタ波やシータ波の位相同期は、ファン歴が長くなるほど弱まる傾向が見られました。これらの周波数帯は、P300と呼ばれるより深い注意処理に関わる脳波成分に関連しているとされています。 この結果は、グループの違いにかかわらず、ファン歴が長くなると「注意が向くきっかけ」が人それぞれに多様化することを示唆しています。たとえば、経験豊富な野球ファンは、ホームランのような誰もが注目する場面だけでなく、選手の細かな動きや表情といったより繊細な要素にも目を向けるようになり、その違いがデルタ波やシータ波の位相同期に影響を与えているということが考えられます。 同じチームのファンでも、ライトなファン同士は感情の盛り上がりがそろいやすく、脳波の同期も高くなる一方で、コアなファン同士では、それぞれが独自の視点を持つために脳波の動きが多様化し、同期はやや弱まるという、まさに「人間らしい認知のクセ」が可視化された結果といえます。 所属歴が長くなると視野が広がる? さらに、前頭部のアルファ波の位相同期では、内集団・外集団の区別に関係なく、ファン歴が長い人ほど実況音声などの聴覚情報に注意を向けていた可能性が示唆されました。 脳の前頭部では、「聴覚N1」という聞いた音に対して脳が反応するときに出る信号が現れます。この信号は、アルファ波に近い周波数帯で観測されるため、前頭部のアルファ波の位相同期は、被験者の聴覚刺激に対する反応に関連していると考えられます。 したがって、この結果からファン歴の短い参加者は、主に映像に注意を向けていたと考えられるのに対し、ファン歴が長い参加者は、映像と実況の両方に注意を向けていた可能性があります。 その結果、実況に対する脳の反応がより似通い、聴覚に関係する脳波(前頭部アルファ波)の同期が強くなったと考えられます。 Fig. 5.(a) 散布図は、3つの電極位置(Fz、Cz、Pz)および3つの周波数帯域(デルタ、シータ、アルファ)ごとに整理されています。統計的に有意な効果はアスタリスク(* p < .05)で示されています。(b) アルファ帯域におけるCzおよびPz電極でのPLV(位相ロッキング値)の分布を示しており、ペアの種類(内集団と外集団)の違いが分かりやすくなるように設計されています。赤線と青線は、それぞれin-groupおよびout-groupの中央値を表しています。 Fig. 6. 強さの同期度の結果を表す。散布図は、3つの電極位置(Fz、Cz、Pz)および3つの周波数帯域(デルタ、シータ、アルファ)ごとに整理されています。統計的に有意な効果はアスタリスク(* p < .05)で示されています。"pair cat."および"fan hist."は、それぞれ「ペアの種類(内集団/外集団)」と「ファン歴(fan history)」を表す略語です。 「つながっている」と感じる感覚の正体 この研究は、スポーツ観戦というリアルな状況の中で、私たちが人と人との間に生まれる一体感や共通の関心が、実際に脳波の同期という形で裏づけられることを示しました。同じ出来事を見ていても、人は自分が属している集団や、そこにどれだけの時間関わってきたかによって、脳の処理の仕方そのものが変わってしまうのです。 このような「脳の共鳴」は、スポーツに限らず、日常のさまざまなコミュニケーションや集団行動のなかで起きている可能性があります。今後、社会的アイデンティティや認知バイアスに関する神経科学的な理解を深める上で、大きな手がかりとなる研究だといえるでしょう。 🧠 編集後記|BrainTech Magazineより 自分と同じチームを応援する人と「わかる!」「それな!」と感じる瞬間。その共鳴感覚は、どうやら「脳活動レベル」でも起きていたようです。 ただの気のせいではなく、脳波が共鳴することで「つながっている」と感じる。 この研究は、私たちの「好き」や「所属意識」が、感情だけでなく脳の働きそのものを通して人と人をつなぐという、見えないけれど確かな「共感の回路」を示してくれました。 📝 本記事で紹介した研究論文 Sanada, M., Naruse, Y. EEG synchronisation reveals the impact of group identity and membership duration on social cognitive bias. Sci Rep 15, 23719 (2025). https://doi.org/10.1038/s41598-025-08191-z

脳波×AI解析のすべてがわかる!測定方法・最新技術・将来性まで詳しく紹介

人の感情や集中状態を、リアルタイムに「見える化」できたら──。脳内で生じる微弱な電気信号をAIが解析することで、医療やヘルスケア、エンターテインメントまで幅広い分野で活用が進んでいます。すでに診断支援やストレス可視化、VRゲームでの応用も始まり、日常生活への実装も射程圏内です。 本記事では、脳波AI解析の基本から最新事例、導入の実務ポイント、そして未来の可能性までをわかりやすく解説します。 脳波とAIの関係とは?その仕組みと最新技術を解説 人間の脳内では、思考や感情、行動のたびに微弱な電気信号が発生しています。これらの信号は「脳波」として記録され、長年にわたり医療や神経科学の分野で活用されてきました。近年では、人工知能(AI)技術の進化により、こうした脳波の解析にも革新が起きています。 AIを用いることで、従来の手法では読み取れなかった微細なパターンや傾向を抽出できるようになり、医療診断やメンタルケア、さらにはエンターテインメントや教育の分野まで応用が広がっています。本章では、脳波の基本的な知識と、AIによる解析の特長について紹介します。 脳波の種類や各帯域(アルファ波、ベータ波など)の詳しい働きについては、以下の記事で詳しく解説されています: https://mag.viestyle.co.jp/eeg-business/ 脳波は何を表しているのか? 脳波とは、脳内で発生する電気信号を計測したもので、周波数帯によって「デルタ波」「シータ波」「アルファ波」「ベータ波」「ガンマ波」などに分類されます。これらは、睡眠、集中、リラックス、認知活動といった精神状態や行動と密接に関係しています。 たとえば、リラックス時にはアルファ波、集中しているときにはベータ波が優位になるなど、脳の状態を客観的に把握する指標として利用されています。こうした波形の変化を読み解くことで、精神的・認知的な状態を可視化することが可能になります。 AIによる脳波解析では、人間が事前にラベル付けした大量の脳波データ(教師データ)を学習することで、これらの波形の中から特定のパターンや傾向を自動的に抽出し、高精度に分類したり、状態を検出・予測したりする技術が重要です。これにより、従来の統計的手法では難しかった微細な変化も捉えることが可能になります。 なぜAIで脳波解析が進化するのか? これまでの脳波解析は、特定の時間帯の波形を人の目や統計的な手法で分析するのが一般的でした。しかしこの方法では、複雑な脳の活動パターンを正確に捉えるのが難しく、解析にも時間と専門知識が必要でした。 近年は、AI、特にディープラーニング(深層学習)の技術を使うことで、こうした課題が大きく改善されています。AIは大量の脳波データを学習しながら、わずかなパターンの違いや時間の変化、波形に含まれるノイズ(不要な信号)なども自動で判別することができます。 たとえば、AIは「この脳波パターンは集中している状態」「この動きは睡眠の兆候」といった分類や予測が得意です。これにより、医療現場での診断補助や、リアルタイムでメンタル状態を把握するようなシステムにも活用されるようになっています。 人が判断するよりも早く、しかもブレなく客観的な解析ができる――それが、AIが脳波解析において注目されている大きな理由です。 こちらの記事もチェック: https://mag.viestyle.co.jp/mi-eeg-analysis/ 脳波AI解析の仕組みと技術的アプローチ 脳波をAIで解析するには、データをただ集めるだけではなく、測定前の準備から取得後の処理まで、いくつかの工程を踏む必要があります。具体的には、データの取得、前処理、特徴量の抽出、そしてAIによる学習・推論といった一連のステップが重要な役割を果たします。 ここでは、脳波解析において実際に使われている代表的な技術や手法を、工程ごとにわかりやすく解説します。 脳波データの取得方法と環境整備 脳波の測定には、「EEG(Electroencephalogram/脳波計)」と呼ばれる機器が使われます。EEGは、頭皮に取り付けた複数の電極から脳の電気的な活動を検出し、それをリアルタイムで記録する非侵襲的な方法です。従来は医療や研究の場での利用が主でしたが、近年では一般向けの簡易EEGデバイス(例:Emotiv、VIE Zoneなど)も登場し、個人レベルでの利用も広がりつつあります。 精度の高い脳波データを得るには、測定環境の整備も重要なポイントです。たとえば、外部の電磁波ノイズを避けるために静かな部屋を選び、電極を正確に装着し、被験者の体の動きをできるだけ抑えるといった配慮が必要です。こうした工夫によって、解析に適したクリーンなデータを収集することが可能になります。 脳波データの前処理と特徴抽出の方法 EEGで取得した脳波データには、筋肉の動きや瞬き、周囲の電子機器からのノイズなど、さまざまな外的要因による干渉が含まれています。そのままの状態では、正確な解析やAIによる学習に適していません。 そのため、まず「前処理(Preprocessing)」という工程が必要になります。ここでは、特定の周波数帯だけを通すバンドパスフィルタや、まばたき・体動によるアーチファクト(人工的な信号)の除去、さらには不要なノイズの排除などが行われます。 前処理を終えた後は、「特徴量抽出(Feature Extraction)」の段階に進みます。この工程では、周波数帯ごとの電力(スペクトル解析)や、時間の経過による信号の変化(時間領域解析)といった数値的な特徴を取り出します。これらの特徴量は、AIが学習・解析を行うための基礎データとなり、脳波のパターン分類や状態の予測に活用されます。 脳波解析に使われるAIアルゴリズムの種類 脳波のように時間とともに変化する「時系列データ」を扱う場合には、適切なAIアルゴリズムの選定が重要になります。現在、脳波解析でよく使われているAIモデルには、以下のようなものがあります。 CNN(畳み込みニューラルネットワーク)  画像認識に優れるモデルで、脳波の周波数成分や空間的な電極分布をとらえるのに適しています。EEG信号をスペクトログラム(時間×周波数の画像)として変換し、CNNに入力する手法が広く活用されています。 RNN(再帰型ニューラルネットワーク)・LSTM(長短期記憶)  時系列の流れをモデル化できるのが特長で、脳波のように連続して変化するデータの解析に向いています。中でもLSTMは、過去の情報を長期間保持しやすいため、脳波状態の予測や分類タスクによく使われています。 強化学習  環境からのフィードバック(例えば、デバイスが意図通りに動いたかどうか)を基に学習を進める手法で、ユーザーの脳波から得られる信号を操作コマンドとして、最適な動作を導き出すといった応用が可能です。特に、ブレインマシンインターフェース(BMI)領域では、ユーザーが思考によってロボットアームを動かしたり、カーソルを操作したりするようなリアルタイム制御への応用が進んでいます。 これらのモデルは、それぞれ異なる特性を持つため、目的や対象とするタスクに応じて単独で使われたり、組み合わせて使われたりします。どのモデルを使うかの選定は、精度や処理速度、解釈性などとのバランスが求められます。 従来手法との違い:AIによる精度とスピードの向上 これまでの脳波解析では、統計的な手法やフーリエ変換など、決まった分析手順に基づいた定量的な処理が主流でした。これらの方法は、構造が明確で信頼性も高く、医療や研究の現場で広く使われてきました。 しかし、こうした従来手法では、脳波の波形に含まれる複雑な変化や個人差を十分に捉えるのが難しいという課題がありました。特に、曖昧で微細な変動に対する感度には限界があり、解釈にも熟練が必要とされます。 一方、AIを活用した解析では、過去に蓄積された膨大な脳波データを学習することで、従来手法では見逃されがちな特徴も自動的に抽出できるようになります。これにより、より高精度な分類や状態推定が可能となり、異常検知や個別最適化といった応用の幅も広がっています。 さらに、AIの導入によって解析作業の自動化が進み、処理にかかる時間が大幅に短縮されるのも大きな利点です。リアルタイムで脳の状態を評価したり、即座にフィードバックを返すようなシステムの実現にもつながっています。 最新事例紹介:脳波×AI解析の最前線 脳波解析とAI技術の進化により、医療診断やウェアラブル製品、ビジネス向け導入、エンタメ分野まで活動が広がっています。本章では、信頼性の高い事例を取り上げ、応用分野ごとに進展内容を整理します。 医療応用:疾患診断支援への活用 医療の現場では、AIを使った脳波解析が、てんかんの発作や認知症、うつ病といった脳の病気の診断を助ける手段として注目されています。 たとえば、アメリカの大手医療機関「メイヨー・クリニック」では、10年にわたり約1万人以上の患者から集めた膨大な脳波データ(EEG)を、AIに学習させて解析する取り組みを進めています。AIはそのデータをもとに、認知症の兆候とされる特定の脳波パターン(後頭部のアルファ波の乱れや、デルタ波・シータ波の異常など)を自動で見つけ出すことに成功しました。 この技術により、アルツハイマー病とレビー小体型認知症といった、似た症状を持つ病気を見分けることも可能になると期待されています。 従来、脳波の判読には専門的な知識と経験が必要で、医師によって判断に差が出ることもありました。AIを使うことで、より客観的で精度の高い解析ができ、さらにMRIやCTなどの高額な画像検査に頼らずに、早期に異常を発見できる可能性が広がっています。 参考:Li, W., Varatharajah, Y., Dicks, E., Barnard, L., Brinkmann, B. H., Crepeau, D., Worrell, G., Fan, W., Kremers, W., Boeve, B., Botha, H., Gogineni, V., & Jones, D. T. (2024). Data-driven retrieval of population-level EEG features and their role in neurodegenerative diseases. Brain Communications, 6(4),  fcae227. https://pmc.carenet.com/?pmid=39086629 日常で使える脳波計:集中力とリラックスを可視化 近年では、イヤホン型の脳波計を用いて、日常生活の中で手軽に脳波を測定し、自分の集中度やリラックス度をリアルタイムで確認できるツールが登場しています。 代表的な製品が、脳波イヤホン「VIE ZONE」と連携するアプリケーション 「VIE Tunes Pro」 です。VIE ZONEは、音楽を聴きながら脳波の計測が可能なイヤホン型デバイスで、頭部に装着するだけで脳波データを取得できます。 このデータは、VIE Tunes Proアプリを通じてAIが解析し、ユーザーの集中度やリラックス度としてフィードバックされます。仕事、勉強、瞑想、サウナなど、さまざまなシーンで自分の状態を「見える化」できるのが特長です。 また、「ニューロミュージック」と呼ばれる脳科学に基づいた音楽コンテンツも搭載されており、ユーザーは自身の目的に合わせて選択することで、集中力やリラックス状態をサポートすることが可能です。 さらに、より詳細な解析を行いたい専門家や開発者向けには、専用アプリケーション 「VIE Streamer」 が提供されており、フーリエ変換による周波数帯解析や、独自のAIアルゴリズムによる状態分類なども可能です。 参考:VIE Streamer公式サイト エンタメ&VR分野:脳波でゲームをコントロール AIと脳波を組み合わせたエンタメ分野の活用も、近年注目を集めています。なかでも、2025年開催の大阪・関西万博「大阪ヘルスケアパビリオン」では、森永乳業とVIE株式会社が技術協力した「VR腸内クエスト〜手×声×脳波で戦う未来型シューティングゲーム〜」が話題です。 このゲームは、プレイヤー自身の腸内を舞台に、手の動作・声・脳波を使って「悪玉菌」と戦う没入型のVRコンテンツです。来場者のパーソナルヘルスレコード(PHR)に基づいて約1億通りの腸内環境ステージが生成される仕組みで、「ビフィズス菌!」と発声することで「ビフィズス菌爆弾」が発動し、腸内バトルを展開していきます。 この体験には、VIEが開発した有線型イヤホン型脳波計が活用されており、リアルタイムで取得した脳波がゲームに反映される仕組みとなっています。また、脳波の状態に応じてニューロミュージックが演出に組み込まれ、没入感を高めています。 参考:PR TIMES「VIE、森永乳業が大阪・関西万博「大阪ヘルスケアパビリオン」で出展する未来型シューティングゲーム「VR腸内クエスト」 で技術協力」 脳波解析を実用化するための機器選定と開発準備 脳波とAIを組み合わせた解析を業務や研究に導入する際には、目的に応じた適切な機器選定と、AIモデル・開発環境の整備、さらにデータの取り扱いフローを明確に設計することが重要です。この章では、実際に脳波×AI解析を導入するために押さえておくべき基本ポイントを3つに分けて解説します。 脳波計の選び方:精度・用途・装着性のバランス 脳波解析に使用する機器には、医療グレードの多チャンネルEEG装置から、一般向けの簡易型EEGデバイスまで多種多様な製品があります。選定時には以下のような要素を考慮することが大切です。 電極数と位置:解析精度に直結。特定部位の信号が必要な場合は、対応チャンネルが多い装置が有効。 装着性と携帯性:長時間の着用が必要な場合や、移動環境での使用には、軽量・ワイヤレス型が適しています。 目的との整合性:医療用途か、リサーチか、一般消費者向けかで最適な機器は異なります。 たとえば、簡易な状態可視化やエンタメ応用にはVIE ZONEのようなウェアラブル型が便利で、詳細な波形分析には多チャンネルの研究用EEGが適しています。 脳波計について詳しく知りたい方は、こちらの記事も参考にしてください。 https://mag.viestyle.co.jp/brainwave_electrode/ AIモデルと開発環境の整備:柔軟性と処理性能の両立 脳波データは、時間の経過によって常に変化する「時系列データ」であり、微弱な信号が多く含まれるため、解析には専門的なAIモデルと適切な開発環境が必要です。 まず、脳波解析に使われる代表的なAI開発フレームワークには、以下のようなものがあります: TensorFlow / Keras  Googleが開発した機械学習フレームワークで、世界中の教育機関や企業、研究者に広く使われています。特にKerasはシンプルな記述でAIモデルが作れるため、初心者にも扱いやすく、応用範囲も広いのが特長です。 PyTorch  Meta(旧Facebook)が開発したフレームワークで、柔軟なコードが書きやすく、実験的な開発やカスタムモデルの設計に適しています。モデルの動作をリアルタイムで確認しながら試行錯誤できるため、研究者や上級開発者に人気があります。 Edge AI(ONNX Runtimeなど)  小型のデバイスやウェアラブル機器の中でAIモデルを動かす「エッジ処理」に対応した環境です。脳波をその場で解析し、即座にフィードバックを返すようなリアルタイム用途で活用されます。 これらのAIフレームワークは、いずれもPythonというプログラミング言語で動作します。Pythonは文法がわかりやすく、AI開発のスタンダードとされており、学習コストも比較的低めです。 さらに、脳波データの処理には専用のPythonライブラリも併用されます。たとえば: MNE:脳波データの読み込み、可視化、前処理などを行えるオープンソースライブラリ NeuroKit2:心拍や脳波などの生体信号を扱う総合ライブラリで、特徴量の抽出にも便利です こうしたツールを組み合わせることで、AIモデルの開発と脳波解析の精度を両立しつつ、効率よく実装を進めることができます。 データの収集からAI学習まで:実務的な流れ 脳波AI解析を正確に行うためには、AIモデルを動かす前段階として、データの取得・整理・加工といった一連の「データフロー」をしっかり設計することが重要です。以下は、一般的な脳波解析プロジェクトで採用される標準的な流れです。 1. データ取得 最初のステップは、対象者の脳波データを記録することです。脳波計(EEG)を使ってリアルタイムに信号を取得し、その情報に加えて「いつ、どんな状況で記録されたか」といったタイムスタンプや被験者の属性情報(メタデータ)も一緒に保存しておく必要があります。これにより、後の解析や比較がしやすくなります。 2. ラベリング(データの意味づけ) 次に、取得した脳波データに「この時は集中していた」「これはリラックス状態だった」などの状態ラベルをつけます。この作業は、AIに正しい学習をさせるための「教師データ(正解データ)」を作る工程です。人の観察結果や、同時に記録された行動・環境情報をもとに、正確なラベリングを行うことが求められます。 3. 前処理と特徴量抽出 生の脳波データにはノイズ(まばたき、筋肉の動き、電磁干渉など)が多く含まれており、そのままでは使いづらいため、「前処理」が必要になります。具体的には以下のような処理が行われます: バンドパスフィルタ処理(特定の周波数帯だけ通す) アーチファクト除去(不要な信号を取り除く) データの正規化や分割 その後、AIが学習できるように、周波数情報(スペクトル解析)や時間変化の情報(時間領域解析)などを数値として取り出す「特徴量抽出」が行われます。 4. AIモデルによる学習と推論 準備が整ったデータを使って、AIモデルに学習させます。学習済みのモデルは、新しい脳波データを入力すると「これは集中状態」「これはリラックス」といった推論(分類・予測)を自動的に行えるようになります。目的に応じて、分類(状態の切り分け)や回帰(数値予測)、可視化(グラフ表示など)など、さまざまな応用が可能です。 このように、脳波AI解析は、ただデータを集めるだけではなく、ラベリングの精度や特徴量の質、学習データの量とバランスなど、いくつものポイントに注意を払うことで、ようやく信頼性の高い結果を得ることができます。 今後の展望と将来予測:脳波×AIの広がる可能性 脳波とAIの組み合わせは、現在すでに医療やヘルスケア、エンタメ領域での応用が進んでいますが、今後はさらに社会全体を変えるインフラ技術へと発展する可能性を秘めています。特に注目されているのが、脳と機械をつなぐ「ブレイン・マシン・インターフェース(BMI)」との融合や、医療・教育・ビジネス分野での長期的な活用です。 以下では、今後期待される技術連携や、社会に与える影響について具体的に見ていきます。 脳波とBMIの連携で広がる操作の自由度 ブレイン・マシン・インターフェース(Brain-Machine Interface:BMI)は、脳波などの神経信号を利用して、外部デバイスやコンピューターを直接操作する技術です。近年では、AIの進化により脳波からの信号解読精度が向上し、BMIの実用化が加速しています。 たとえば、重度障害を持つ人が、言葉を使わずにコンピューターを操作したり、義手や車いすを脳で制御する研究が進んでいます。今後は、ウェアラブル型脳波計とAIを組み合わせることで、医療・介護現場やスマートホームにおける非接触操作の標準技術としての導入が期待されています。 ブレイン・マシン・インターフェースについてより詳しく知りたい方は、以下の記事も参考にしてください。 https://mag.viestyle.co.jp/brain-machine-interface/ 社会への影響:医療コスト削減と人間能力の拡張 脳波×AI技術は、長期的には社会構造そのものに影響を及ぼす可能性があります。特に医療分野では、早期診断やメンタルヘルス支援の効率化により、医療費の削減や慢性疾患の重症化予防に貢献するとされています。 さらに、教育や働き方改革の文脈でも注目されています。たとえば、集中力やストレス状態をリアルタイムに可視化することで、学習環境や職場環境の最適化に役立てられる可能性があります。これは「人間の知的生産性を拡張する技術」として、ニューロテクノロジーの次のステージを示唆しています。 このように、脳波×AI解析は医療や技術の枠を超え、社会全体の在り方を変えていくインパクトを持つと考えられています。 脳波×AIが切り拓く未来と可能性 本記事では、脳波とAIを組み合わせた解析技術の基本から、最新事例、導入方法、将来展望までを解説しました。脳波は「見えない脳の状態」を可視化する手段として、医療・ヘルスケア・エンタメ・産業分野での応用が広がっています。 導入を検討している方は、まず小規模なツールや簡易機器での計測・可視化から始め、実際のデータ運用を体験してみることをおすすめします。

1 2 3 9

Ready to work together?

CONTACT

ニューロテクノロジーで新たな可能性を
一緒に探求しませんか?

ウェアラブル脳波計測デバイスや、
ニューロミュージックに関心をお持ちの方、
そして共同研究や事業提携にご興味のある
企業様、研究機関様からの
お問い合わせをお待ちしております。