BRAIN and NERVE－神経研究の進歩63巻3号

2011年03月発行

総説

Brain-Machine Interfaceの現状と将来の展望

著者： 間島慶¹² 神谷之康¹²

所属機関： ¹ATR脳情報研究所 ²奈良先端科学技術大学院大学　情報科学研究科

ページ範囲：P.241 - P.246

文献概要

はじめに

　『マトリックス』，『攻殻機動隊』といったSF作品の世界では，脳とコンピュータ・ネットワークが接続され，身体を介さない直接的な情報のやりとりが行われる。また『機動戦士ガンダム』，『新世紀エヴァンゲリオン』では，考えただけでロボットを動かす技術が登場する。このような技術は「ブレイン－マシン・インターフェース（brain-machine interface：BMI）」と呼ばれ現在盛んに研究が進められている^1，2）。実際の研究例では，計測された神経細胞の活動を使ってサルにロボットアームをコントロールさせること（Fig.1)^3）や，機能的核磁気共鳴画像法（functional magnetic resonance imaging：fMRI）で計測されたヒトの脳活動を使って被験者の手の運動を推測し，ロボットにまねさせることなどが可能になっている（Fig.2)^4）。

　現在この技術は医療面で大きな期待を担っている。BMIを使えば，脊髄損傷や筋萎縮性側索硬化症などによって身体を動かすことができなくなった患者が，脳活動から直接義肢を操作したり，意思を伝達したりすることができるようになるだろう。

　応用は医療面のみにとどまらない。BMIは健常者に対しても通常の経路を介さないダイレクトな情報伝達を可能にするため，他人に伝えることが難しい主観的なイメージなどをやりとりすることも将来可能になるかもしれない。

　BMIの分類法には，情報の流れる向きによる分け方（出力型・入力型）と，計測手法による分け方（侵襲型・非侵襲型）がある。

　出力型BMIは，脳から計測された信号を利用するBMIである。計測された脳信号によってロボットや画面上のカーソルなどの外部装置を制御する，あるいは知覚内容や意思を読み取るなど，脳から情報を読み出すBMIがこれにあたる。入力型BMIは，脳を刺激し信号を直接送り込むBMIである。脳を刺激することで感覚を生起させるBMIや，機械からのフィードバック信号を脳に直接伝達するBMIがこれに含まれる。

　もう1つの分類法は計測手法に基づく分け方である。侵襲型BMIは脳内，脳表面に電極を設置し，計測された電気信号を利用する方法である。非侵襲型BMIは，脳波（electroencephalogram：EEG），近赤外線分光法（near-infrared spectroscopy：NIRS），fMRIなどを用いて，脳の組織を傷つけずに脳活動を計測し，利用する方法である。侵襲型は，高精度な信号が計測できるが，感染症などのリスクがある。一方，非侵襲型は，安全性が高い反面，高精度な信号を得るためには，大がかりな計測装置が必要となる。

　本稿では出力型BMI，その要素技術である脳情報デコーディングの具体的な研究例を挙げ解説する。そしてBMIが長期間の使用に耐え得るかという安定性の問題とそれに対するアプローチを紹介する。

参考文献

1) Lebedev MA, Nicolelis MA: Brain-machine interfaces: past, present and future. Trends Neurosci 29: 536-546, 2006

2) Schwartz AB, Cui XT, Weber DJ, Moran DW: Brain-controlled interfaces: movement restoration with neural prosthetics. Neuron 52: 205-220, 2006

3) Velliste M, Perel S, Spalding MC, Whitford AS, Schwartz AB: Cortical control of a prosthetic arm for self-feeding. Nature 453: 1098-1101, 2008

4) 木村真弘, 今水　寛, 島田育廣, Oztop E, Harner A, 他: オンラインfMRIデコーディング. 第2回ブレインコミュニケーション研究会：29-32, 2007

5) Chapin JK, Moxon KA, Markowitz RS, Nicolelis MA: Real-time control of a robot arm using simultaneously recorded neurons in the motor cortex. Nat Neurosci 2: 664-670, 1999

6) Wessberg J, Stambaugh CR, Kralik JD, Beck PD, Laubach M, et al: Real-time prediction of hand trajectory by ensembles of cortical neurons in primates. Nature 408: 361-365, 2000

7) Taylor DM, Tillery SI, Schwartz AB: Direct cortical control of 3D neuroprosthetic devices. Science 296: 1829-1832, 2002

8) Hochberg LR, Serruya MD, Friehs GM, Mukand JA, Saleh M, et al: Neuronal ensemble control of prosthetic devices by a human with tetraplegia. Nature 442: 164-171, 2006

9) Kamitani Y, Tong F: Decoding the visual and subjective contents of the human brain. Nat Neurosci 8: 679-685, 2005

10) Miyawaki Y, Uchida H, Yamashita O, Sato MA, Morito Y, et al: Visual image reconstruction from human brain activity using a combination of multiscale local image decoders. Neuron 60: 915-929, 2008

11) Wolpaw JR: Brain-computer interfaces as new brain output pathways. J Physiol 579: 613-619, 2007

12) Takeuchi S, Suzuki T, Mabuchi K, Fujita H: 3D flexible multichannel neural probe array. J Micromech Microeng 14: 104-107, 2004

13) 「脳を活かす」研究会: ブレイン・マシン・インターフェース－脳と機械をつなぐ. オーム社, 日本, 2007, pp66-81

14) Chin CM, Popovic MR, Thrasher A, Cameron T, Lozano A, et al: Identification of arm movements using correlation of electrocorticographic spectral components and kinematic recordings. J Neural Eng 4: 146-158, 2007

15) Yanagisawa T, Hirata M, Saitoh Y, Kato A, Shibuya D, et al: Neural decoding using gyral and intrasulcal electrocorticograms. Neuroimage 45: 1099-1106, 2009

16) Chao ZC, Nagasaka Y, Fujii N: Long-term asynchronous decoding of arm motion using electrocorticographic signals in monkeys. Front Neuroengineering 3: 3, 2010

17) Toda H, Suzuki T, Sawahata H, Majima K, Kamitani Y, et al: Simultaneous recording of ECoG and intracortical neuronal activity using a flexible multichannel electrode-mesh in visual cortex. Neuroimage 54: 203-212, 2011