覚醒期間の作業記憶のパフォーマンスを予測するN-バックタスクのEEGデータにコンボリューションニューラルネットワークを適用することによって:パイロット研究

Masaya Shigemoto¹, Soma Shimizu¹, Kiyohisa Natsume²

¹Information Science and Technology Department, National Institute of Technology (KOSEN), Oshima College, Yamaguchi 742-2193, Japan.

|February 13, 2026

まとめ

電気脳波 (EEG) は,日中の記憶の変化を予測することができます. EEGの相対的なパワーを利用したコンボリューションニューラルネットワーク (CNN) は高い精度を示し,パーソナライズされたシステムが実用的なアプリケーションの鍵であることを示唆しました.

科学分野:

神経科学は神経科学である.
クロノバイオロジーはクロノバイオロジーを用います.
人工知能 (AI) とは,人工知能 (AI) のことです.

背景:

シルカディアンリズムは,メモリパフォーマンスに大きく影響します.
電気脳波 (EEG) は,記憶と昼夜パターンに関連する脳活動を記録します.
EEGは,記憶機能の昼間変動を検出する可能性を秘めています.

研究の目的:

EEG信号に基づいてメモリタスクのパフォーマンスを予測するコンヴォルションニューラルネットワーク (CNN) の有効性を調査する.
昼間の記憶の変化に対するEEG相対電力と原始波形データの予測力を評価する.
クロノタイプベースの記憶予測のためのCNNモデルのパフォーマンスに対するパーソナライズされたデータの影響を調査する.

主な方法:

午前 (8時~9時) と午後 (3時~4時) のセッションで,N-バックタスクを行う参加者のEEG信号を記録した.
相対的なパワーと原始波形のEEGデータの両方を用いてCNNモデルを訓練した.
タスクの時間を予測するCNNモデルの正確性と,参加者固有のトレーニングデータの効果を評価した.

主要な成果:

朝のセッションと午後のセッションの間では,メモリタスクのパフォーマンスの有意な違いは観察されなかった.
2つの時間点の間に,EEGの相対的な力の有意な差異が検出されました.
相対電力データを利用したCNNモデルは,原始波形モデルと比較して,タスク時間を予測する上でより高い精度を達成しました.
トレーニングセットに含まれていない参加者のデータでテストされたとき,モデルの性能は低下しました.

結論:

EEG信号,特に相対的なパワーは,CNNで分析されたとき,昼間の記憶の変動に関する重要な予測可能性を秘めています.
EEGベースの記憶予測の有効性は,個々のクロノタイプを考慮したパーソナライズされたモデルによって強化されています.
将来のアプリケーションは,実際のクロノタイプ特異的な記憶強化戦略のために,カスタマイズされた分類システムから利益を得ることができます.

キーワード:

さらに関連する動画