（12/16）AI時代の脳波（EEG）信号処理と機械学習・深層学習～ノイズ除去・特徴抽出からTransformer、Foundation Model、BCI・EEG Speech Decodingまで～

埼玉大学 大学院理工学研究科 教授 工学博士島村 徹也 氏

セミナーポイント

■講座のポイント
　脳波（EEG）は、睡眠・認知状態の解析、脳疾患の診断支援、Brain-Computer Interface（BCI）など幅広い応用が期待される一方、振幅が小さく、眼電・筋電・体動・電源雑音などの影響を受けやすいため、AIを適用する前の適切な信号処理が極めて重要です。
　本講座では、EEGの基礎から、フィルタリング、周波数解析、時間周波数解析、アーチファクト除去、特徴抽出を解説し、さらに機械学習、CNN・LSTM・Transformer、Self-Supervised Learningへと展開します。加えて、EEG Foundation Model、説明可能AI、BCI、EEG Speech Decodingなど最新の研究動向を紹介し、脳波×AIの研究開発に必要な考え方を体系的に学びます。

■受講後、習得できること
・脳波（EEG）の基本的な性質、周波数帯域、計測・解析上の注意点を理解できる
・EEGに対するフィルタリング、周波数解析、時間周波数解析、アーチファクト除去、特徴抽出の考え方を習得できる
・機械学習、CNN、LSTM、Transformer等をEEG解析へ適用する際の特徴と使い分けを理解できる
・EEG Foundation Model、Self-Supervised Learning、Explainable AIなど最新技術の位置づけを理解できる
・BCI、睡眠・認知状態推定、EEG Speech Decoding等の最新応用と今後の研究開発方向を把握できる

セミナー内容

■講演プログラム
1.脳波（EEG）解析の基礎
　1.1　脳波とは何を計測しているのか
　1.2　EEG計測の基本と電極配置
　1.3　δ・θ・α・β・γ波と周波数帯域
　1.4　睡眠・認知状態・医療・BCIへの応用
　1.5　AIによるEEG解析の現状と課題
2.AIの前に必要となるEEG信号処理
　2.1　EEGに混入するノイズとアーチファクト
　2.2　フィルタリングと雑音除去
　2.3　FFT・スペクトル解析
　2.4　時間周波数解析・ウェーブレット解析
　2.5　ICA等によるアーチファクト除去
　2.6　EEGの特徴量抽出
　2.7　前処理がAI認識性能に与える影響
3.機械学習・Deep LearningによるEEG解析
　3.1　SVM・Random Forest・XGBoostによる解析
　3.2　CNNによるEEG解析
　3.3　RNN・LSTMによる時系列解析
　3.4　TransformerによるEEG解析
　3.5　Self-Supervised Learning
　3.6　少量データ・被験者間差への対応
　3.7　特徴抽出＋機械学習とEnd-to-End学習の比較

（休憩 10分）

4.EEG×Foundation Model・説明可能AI
　4.1　EEG Foundation Modelとは
　4.2　事前学習とFine-tuning
　4.3　Multimodal AI：EEG＋音声・画像・他生体信号
　4.4　Explainable AI（XAI）と医療AIの信頼性
　4.5　SHAP・Attention可視化等による説明
5.EEG×AIの最新応用と今後の展望
　5.1　睡眠状態・睡眠障害の解析
　5.2　脳疾患診断支援、認知・注意状態推定
　5.3　Brain-Computer Interface（BCI）
　5.4　運動イメージ・意思推定
　5.5　EEG Speech Decoding ― 脳波から発話・言語情報を推定する研究
　5.6　ウェアラブルEEGとMultimodal AI
　5.7　今後の研究開発の方向性

（質疑応答）

出典：株式会社情報機構（https://johokiko.co.jp/seminar_medical/AF2612P6.php）。掲載は情報機構との提携によります。