[ Top ] [ English ] [ 研究 ] [ 応用 ] [ 装置 ] [ 講義 ] [ スタッフ ] [ 研究室専用 ] [ 連絡先 ]

【Research】 English
《研究》

人の研究は21世紀の最も重要な研究テーマです.

 人には認知や運動などの優れた能力があります.これらの能力は生まれたときから持っているものではなく,繰り返し学習することにより獲得されます.このため,ロボットができないようなことでも,人は簡単にやってのけるのです.

 この優れた情報処理能力を計算論的アプローチと心理物理的アプローチから解明することを目指しています.

【研究目標】
 私達の研究室では,人の優れた知能を解明するために,運動選択や運動学習のための「計算モデルの構築」を目指す計算論的アプローチ(計算論的神経科学),および人の認知と運動に関する「心理学的計測」による認知科学的アプローチを同時に進めることにより,身体性の観点から人の認知と運動に関する知能メカニズムを解明しています.


今後の展望「人に優しい知能システムを目指して」:
人の高度な知能,特に認知と運動に関する脳内情報処理メカニズムを理解することができれば,人工知能や知能ロボットの実現に貢献できるでしょう. さらに,人に優しい(人が操作しやすく,ヒューマン・フレンドリーな)知能システムにも貢献できるでしょう.

【研究テーマ】

【研究紹介】
運動選択メカニズム:人腕の運動生成(手先軌道と腕姿勢)を説明する計算モデル
コップで水を飲むときを考えてみてください.コップまで手を伸ばす運動は無数にあり,コップのつかみ方も無数にあります. このように,目的を達成するための運動は無数にあるため,無数にある運動の中から1つの運動を選択する必要があります(運動選択の問題). この運動選択の問題を脳内でどのように解いているかを明らかにするために,腕運動に関する拘束条件に基づいて最適な運動を選択するための計算モデルに関して研究されています.Flashら(1985)はジャーク最小モデルを提案し,人の手先軌道を見事に再現できることを示しました.しかし,ジャーク最小モデルにおける最適な運動は運動学的に決定されるため,腕の物理パラメータ(手の長さや質量など)が考慮されていません.この観点から,Unoら(1989)とNakanoら(1999)はトルク変化最小モデルを提案し,ジャーク最小モデルが再現できない運動も見事に再現することを示しました.これらは,関節トルクなどの時間変化を最小にする運動を選択するため,滑らか拘束に基づいた計算モデルに分類されます.一方,これらの計算モデルとは異なった観点から,Harrisら(1998)は分散最小モデルを提案し,トルク変化最小モデルと同様に様々な運動が再現できることを示しました.人腕の運動選択の問題は,このような計算論的アプローチによって研究が進められており,研究が成功している分野の1つになっています.
しかし,脳内での運動生成メカニズムとして考えた場合,腕の物理パラメータだけでなく,筋骨格系や筋の性質も考慮している可能性があります.この観点から,Dornayら(1996)は筋張力変化最小モデルを提案しており,Kawato(1992)は運動指令変化最小モデルを提案していますが,これらの計算モデルに関しては十分検証されていません. さらに,これらの研究では,手先軌道に関する議論が中心であり,運動中の腕姿勢選択の問題についてはほとんど議論されていません. 例えば,和田ら(2005)は,3次元空間内の2関節運動時の手先軌道と腕姿勢についてトルク変化最小モデルの妥当性を評価しています. しかし,3関節運動中の手先軌道と腕姿勢に関しては検証されていません.


以上の観点から,金谷&片山ら(2018)は,運動中の手先起動だけでなく腕姿勢に関して,関節角ジャーク最小モデル(Rosenbaum,1995),トルク変化最小モデル(Unoら(1989); Nakanoら(1999)),および筋骨格系を考慮した計算モデル(我々が提案している計算モデル)を比較した結果,我々が提案した筋骨格系を考慮した計算モデルが最も手先軌道と腕姿勢を再現しました.この結果は,脳内では,我々が提案した筋骨格系を考慮した計算モデルによって運動を選択していることを示唆しています.

   

     関節ジャーク最小モデル     トルク変化最小モデル       筋骨格系を考慮した計算モデル(我々の計算モデル)

      (青色:計測した腕運動赤色:計算モデルによって選択された最適運動





運動選択メカニズム:異なる課題要求を持つ把持課題における把持位置選択メカニズムの解明
コップで水を飲むときを考えてみてください.コップまで手を伸ばす運動は無数にあり,コップのつかみ方も無数にあります. このように,目的を達成するための運動は無数にあるため,無数にある運動の中から1つの運動を選択する必要があります(運動選択の問題). 本研究では,上記の計算論的アプローチとは異なった観点から,心理物理的アプローチによって運動選択の問題について調べています. 対象物をつかむ位置(把持位置)を調べることによって,把持位置選択の問題を脳内でどのように解いているかを明らかにしています.本研究では,下図のように,異なる課題要求を持つ3種類の把持課題を用いて調べています. 視覚課題は,目で見るだけでつかむ位置(把持位置)を答える課題です. 持ち上げ課題は対象物まで手を伸ばして把持して持ち上げますが,つまみ課題では対象物を把持するがテーブルから持ち上げません.


計測した結果,視覚課題と持ち上げ課題のそれぞれの把持位置が異なった.この結果は,把持して持ち上げたとき,目で見て判断した把持位置を把持していないことになります.これは,視覚と運動の乖離を意味しており,大変興味深い結果です. さらに,持ち上げ課題とつまみ課題のそれぞれの把持位置が異なっており,つまみ課題の把持位置は視覚課題と一致していた. これは,同じように対象物まで手を伸ばして把持する持ち上げ課題とつまみ課題のそれぞれの把持位置が異なることを意味しています. 従って,これらの結果は,3種類の把持課題において,2種類の把持位置選択が存在していることを示しています. これらの結果は,我々のグループで初めて発見した現象ですが, なぜ,把持位置に差が生じるのでしょうか?


各把持課題の課題要求について考えてみると,持ち上げ課題では実際に持ち上げるために重心付近を把持することが要求されます. しかし,視覚課題とつまみ課題は実際に持ち上げないので,重心付近を把持することが要求されません. つまり,脳内では,各把持課題の課題要求によって把持位置選択を切り替えていることを意味しています. 従って,これらの結果は,人の運動選択の脳内メカニズムを解明するための糸口になるものと期待しています. Goodaleらの仮説に基づいて考えてみる.Mishkinらは,脳内の腹側視覚経路(下側頭葉)の役割が「形態視」であり,背側視覚経路(頭頂葉)の役割が「空間視」であると考えていた.これを発展させて,Goodaleらは,腹側視覚経路の役割が「知覚のための視覚」であり,背側視覚経路の役割が「行動のための視覚」であると考える仮説を提案しています. この仮説に基づいて考えれば,視覚課題の把持位置計算には腹側視覚経路が関与し,持ち上げ課題には背側視覚経路が関与することになります.つまみ課題では,運動課題であるために背側視覚経路が関与するものと考えられますが,つまみ課題の把持位置は視覚課題と一致していたことから,つまみ課題は腹側視覚経路が関与しているものと考えられます(我々の仮説).


腹側視覚経路には主に中心視が関与し,背側視覚経路には主に周辺視が関与することが知られています. この観点から,視野を中心視野または周辺視野に制限して持ち上げ課題とつまみ課題を行うことによって,我々の仮説の妥当性を検証しました. 我々の仮説が正しいなら,中心視野に制限したときには持ち上げ課題の把持位置がつまみ課題の把持位置の方に切り替えられ,逆に周辺視野に制限したときにはつまみ課題の把持位置が持ち上げ課題の把持位置の方に切り替えられることになります. 計測した結果は予測した結果と同様の傾向となりました.このため,得られた結果は我々の仮説の妥当性を支持しています. 以上より,対象物の把持位置について調べた結果,把持位置は各課題の課題要求におよって選択され,さらに脳内では異なる視覚経路が選択されていることを明らかにすることができました.



身体モデルに基づいた道具の認知:道具の認知過程を説明する脳内シミュレーション仮説の検証
我々は,見たこともないコップであっても,すぐに”コップ”であると分かります.この対象物認知に関して古くから様々な研究が成されており,道具の概念との照合によって対象物認知が可能になっています. しかし,下図のように,対象部認知には身体が密接に関与しています.つまり,自身の手と比較して,小さすぎるコップは「コップ」とは見なさないでしょう. また,小さな手の子供と大きな手の成人では「コップらしい」と判断するサイズが異なるのではないだろうか.


この観点から,我々は「手で使用する道具の認知過程において,手の身体モデル(身体の脳内表現)を用いた把持運動の脳内シミュレーションによって得られた把持可能性が寄与している」の仮説を提案しています. この仮説では,コップを把持して水を飲むことができれば「コップ」であると判断する.しかし,小さすぎたり,大きすぎたり,つかみにくい,水を飲みにくいときには「コップ」とは見なさない,と言うことになります.

この仮説の妥当性を検証するための実験パラダイムを構築しました.この実験パラダイムでは,VR内に表示した仮想手を幾何学的に変形し,この手を見ながら動かすことによって,この変形に対応した身体モデルを学習させることができます.この仮説が正しいなら,より大きな物が把持できるように指の長さを変形した場合,通常より大きなサイズのコップを「コップ」と見なすように変化するはずです. 実験を行った結果,予想通りに,より大きな物が把持できるように手を変形したとき,より大きなコップを「コップ」と見なすように変化しました.この結果は我々の仮説の妥当性を支持しています.

  


さらに,この仮説が正しいなら,より大きな物が把持できるように変形した右手の身体モデルを学習したとき,右手で使用する道具では,より大きな物をその道具と見なすように変化しますが,左手で使用する道具では変化しないはずです. 一方,変形した左手の身体モデルを学習したときには逆の傾向になるはずです.この観点から,仮説の妥当性を検証したところ,上記の予測通りの結果となった.この結果は,我々の仮説の妥当性を支持しています(Katayama,Akimaru,2017).

  




身体モデルの学習と身体意識の関係
上記の研究から,身体所有感が身体モデルの学習に関与している可能性があります. そこで,この観点から身体モデルの学習と身体所有感との関係を詳細に調べています.
まず,身体モデルの学習を評価するための指標について説明します.手形状を変形しているため,学習される身体モデルは逆運動学モデルと順運動学モデルになります.逆運動学モデルは指先位置から手の関節角に変換するモデルであり,順運動学モデルは手の関節角から指先位置に変換するモデルです.逆運動学モデルは把持運動の実行系で使用されるため,対象物の把持運動における最大指先幅(MGA)によって逆運動学モデルの学習の指標としました.MGAは対象物のサイズにほぼ比例していることが知られているため,変形した手に対応した逆運動学モデルを学習したときにはMGAが変化することになります.順運動学モデルは,脳内での行為の脳内シミュレーションに用いられるため,把持できる思う最大のサイズ(最大把持サイズ)によって評価しました.最大把持サイズ(MGS)は,仮想手を見ないで対象物のみを見て判断するため,把持運動の脳内シミュレーションによって判断されることになります.
まず最初の実験では,VR内の仮想手を被験者の手と異なる方向に表示したとき,この角度差が大きくなるにつれて,仮想手に対する身体所有感が低下しました.身体所有感が高い場合には,MGAとMGSは手の変形に対応して変化しましたが,身体所有感が低い場合には変化しなかった. また,道具と見なすサイズに関しても,身体所有感が高い場合には変化したが,身体所有感が低い場合には変化しなかった.


2つめの実験では,上記の実験では,被験者は自らの意思で手を動かして学習課題を実行していたが(能動条件),これに加えて力覚提示装置(PHANToM)によって指を動かすことによって学習課題を実行した(受動条件).受動条件では,自ら動かそうとしなくても力覚提示装置によって手指を動かしてくれる. この結果,受動条件では運動主体感が低下した. 運動主体感は,MGA,MGS,道具と見なすサイズには関与していないことが明らかになった.

力覚提示装置(PHANToM)による受動的運動


以上より,身体所有感は身体モデル(逆運動学モデルと順運動学モデル)の学習に関与するが,運動主体感は関与しないことが明らかになった. これは,自身の手だと感じているときには変形した手に対応した身体モデルが再学習されるが,自分の手だと感じていないときには再学習されないことを示唆しています. さらに,身体所有感は道具と見なすサイズにも影響するが,運動主体感は影響しないことが明らかになった.




がん陽子線治療の治療計画支援:CT画像を用いたディープラーニングによる臓器検出
がんは世界で最も死亡者数の多い病気ですが,医療技術や検査技術が進歩してきたことにより,早期に発見できれば治療可能な病気になりつつあります.がんの陽子線治療では,病巣部に線量を集中して照射し,周囲正常臓器への被曝を減らすことができます.現状では,主にCT画像を利用して臓器の位置を検出していますが,CT画像では骨盤内の臓器領域が明瞭に撮影されないため,従来の画像処理方法に基づいた臓器領域の自動検出ソフト(Atlas-Based-Segmentation法)では正確に検出することができません.このため,医師らが手作業で臓器領域を検出しているため,医師らの負担が大きくなっています.最近注目されている画像認識などのディープラーニングによる学習方法を用いて,医療用画像の臓器領域を検出する手法が数多く提案されています.
本研究では,陽子線治療の治療計画を支援することを目的として,U-Netを用いて骨盤腔内の4種類の臓器(膀胱,精嚢,前立腺,直腸)の領域を高精度にセグメンテーションするための手法を開発している.本研究は,福井県立病院陽子線がん治療センターとの共同研究により実施しています.

福井県立病院陽子線がん治療センター(加速器と治療室の写真は同センターのWEBより引用)



臓器領域の検出結果