感情・ストレス・嗜好性を「見える化」する生体信号解析技術。脳波（EEG）、心電図（ECG）、筋電図（EMG）、光電容積脈波（PPG）などの生体情報を対象に、信号処理の基礎からAI・機械学習による解析手法までをわかりやすく解説します。食品の官能評価や商品開発、ヘルスケア分野での最新活用事例も紹介し、生体信号とAIを活用した新たな評価・研究開発アプローチを体系的に学べる講座です。

生体信号解析の基礎とAI・機械学習の活用

― EEG・ECG・EMG・PPGから感情・ストレス・嗜好性評価まで ―

埼玉大学大学院 理工学研究科 工学部 情報工学科 教授 島村 徹也先生

慶應義塾大学理工学部電気工学科を卒業後、同大学院理工学研究科博士前期課程および後期課程を1991年に修了(工学博士取得)後、同年より埼玉大学工学部助手。助教授を経て、現在、埼玉大学大学院理工学研究科教授。この間、1995年ラフバラ大学(英国)客員研究員、1996年ベルファースト・クイーンズ大学(英国)客員研究員。信号処理、音声・画像処理、生体信号処理、機械学習・AIおよびその応用に関する研究に長年従事。脳波（EEG）、心電図（ECG）、筋電図（EMG）、光電容積脈波（PPG）、呼吸信号等の解析を含む生体信号処理の研究を進めるとともに、企業技術者向けの信号処理、AI、生体信号解析等に関する講習・セミナーを多数担当している。これまでに、25社以上の企業との共同研究の実績がある。

＜対象＞
・食品メーカーの研究開発、商品開発、品質評価、官能評価等に携わる技術者・研究者
・生体信号を利用した感情・ストレス・嗜好性評価に関心のある方
・医療機器、ヘルスケア、ウェアラブル機器等の研究開発に携わる技術者
・生体信号解析にAI・機械学習を導入したい方
・生体信号解析を基礎から体系的に学びたい方


＜目的・ゴール＞
受講後には、代表的な生体信号の特徴、生体信号解析の基本的な処理手順、AI・機械学習を適用する際の考え方を理解し、自社の研究開発や評価業務において「どの生体信号を計測し、どのように処理し、どのようなAI解析を行えばよいか」を検討できることを目標とします。


＜習得知識＞
・脳波（EEG）、心電図（ECG）、筋電図（EMG）、光電容積脈波（PPG）、皮膚電気活動（EDA）など、代表的な生体信号の特徴と計測・解析の基礎を理解できる。
・生体信号に含まれるノイズやアーチファクトへの対処、フィルタリング、周波数解析、時間周波数解析、特徴抽出など、生体信号解析に必要な基本技術を体系的に理解できる。
・機械学習・Deep Learningを生体信号解析へ適用する際の基本的な考え方と、学習・評価における注意点を理解できる。
・感情、ストレス、嗜好性、食行動などの推定を含め、食品・ヘルスケア分野における生体信号とAIの活用方法および今後の可能性を理解できる。


＜前提知識＞
生体信号処理、AI・機械学習に関する専門的な知識は前提としません。
大学初年度程度の数学に関する基礎知識があれば理解できる内容とし、信号処理やAIを専門としない技術者にもできるだけわかりやすく解説します。


＜プログラム＞
1．生体信号解析の基礎と全体像
　1.1 生体信号とは何か
　1.2 生体信号から何がわかるのか
　1.3 生体信号の時間的・周波数的特徴
　1.4 生体信号解析の基本的な流れ
　　・計測 → 前処理 → 特徴抽出 → 識別・推定
　1.5 生体信号解析とAI・機械学習の関係

2．代表的な生体信号とその特徴
　2.1 脳波（EEG）の基礎と特徴
　　・周波数帯域と脳活動
　2.2 心電図（ECG）と心拍変動（HRV）
　　・心拍数、R-R間隔、HRV解析
　2.3 筋電図（EMG）の基礎と特徴
　2.4 光電容積脈波（PPG）の基礎と特徴
　2.5 皮膚電気活動（EDA/GSR）の基礎と特徴
　2.6 呼吸などその他の生体信号
　2.7 複数の生体信号を組み合わせるマルチモーダル解析

3．生体信号処理の基礎技術
　3.1 生体信号に含まれるノイズとアーチファクト
　3.2 デジタルフィルタリングによるノイズ除去
　　・低域通過、高域通過、帯域通過、ノッチフィルタ
　3.3 フーリエ変換と周波数解析
　3.4 パワースペクトルと周波数帯域別解析
　3.5 時間周波数解析の考え方
　3.6 生体信号からの特徴抽出
　　・時間領域特徴量
　　・周波数領域特徴量
　3.7 個人差・計測条件の違いへの対応

4．機械学習・Deep Learningによる生体信号解析
　4.1 生体信号解析におけるAI・機械学習の役割
　4.2 教師あり学習と教師なし学習
　4.3 分類と回帰
　4.4 生体信号解析で用いられる代表的な機械学習法
　　・SVM、決定木、Random Forestなど
　4.5 Deep Learningによる生体信号解析
　　・CNN、RNN/LSTM、Transformerの基本的な考え方
　4.6 特徴量を用いる方法とEnd-to-End学習
　4.7 学習データの作成とデータ拡張
　4.8 学習・検証・テストデータの分割
　4.9 Accuracy、Precision、Recall、F1-scoreなどによる性能評価
　4.10 過学習、データリーケージ、個人差など実用化で注意すべき問題

5．食品・感情・ストレス・嗜好性評価への応用
　5.1 生体信号による人の状態推定
　5.2 感情・覚醒度・ストレスの推定
　5.3 EEG・ECG・PPG・EDAを利用した感情認識
　5.4 食品の官能評価と生体信号
　5.5 嗜好性・満足度評価への生体信号の利用可能性
　5.6 摂食時・飲食時の生体反応の解析
　5.7 アンケート・主観評価と生体信号の組み合わせ
　5.8 複数生体信号を利用したマルチモーダルAI
　5.9 食品開発・商品評価への応用可能性と課題

6．生体信号解析における最新AI技術と今後の展望
　6.1 Deep LearningからTransformerへ
　6.2 自己教師あり学習と生体信号解析
　6.3 少量データへの対応と転移学習
　6.4 説明可能AI（XAI）と解析結果の解釈
　6.5 マルチモーダルAIによる生体情報の統合
　6.6 生体信号AIの信頼性と実用化上の課題
　6.7 食品・ヘルスケア分野における今後の可能性

質疑応答