マインドフルネスが脳に与える影響を分析!?(ニュージーランド)【AI論文】

人間の心の問題は、経済的にもマイナスの影響を与えている。一説によると、うつ病による経済損失は国内だけでも約2兆円とも言われている。

「うつ」や「不安障害」の症状は、働き手としての人間に次のような行動を促す。

  • 休職
  • 非就業状態
  • 労働生産性の低下
  • 自殺
  • 医療費の増加

では、うつ病を代表とした心の問題への対応策としてはどのようなものがあるだろうか?

一つにはセラピスト等の認知療法、もう一つにはマインドフルネスの実践が謳われている。

マインドフルネスとは「いま、ここ」に集中して、何らの判断も加えずにいることで生じる気づきをいう。座ったまま呼吸を行う瞑想を中心として、マインドフルネスを育むための取り組みは日夜研究されている。
マインドフルネスが体内の炎症を抑える可能性すら示唆されており、Googleなどのテック企業も社内カリキュラムに組み込んでいるほど効果の実証が進んでいる。

大学院生によるマインドフルネスの講義

しかしいまだにマインドフルネスと脳の直接的作用関係性は明らかになっていない。マインドフルネスを実践することが万人に効くと言ってはいけない理由は、人間の脳は千差万別であるためだ。どんな薬も、個性に適した処方が必要である。

マインドフルネスが脳に与える影響を分析!?(ニュージーランド)

そんな中、ニュージーランドのオークランド工科大学のZohreh Doborjehら研究者は、マインドフルネスの効果に大きな関心が寄せられているという状況において、脳機能の測定がマインドフルネスに反応する可能性の高い個人を特定するために使用できるかどうかは不明であるという課題に注目し、EEGデータ*をSNN*で分析した。

*EEGデータとは:Electroencephalogramの略。脳波形データを意味する。

*SNNとは:Spiking Neural Networkの略。より生体のニューロンに近いニューラルネットワークモデル。

その研究のポイントはこうだ。

✔️課題
マインドフルネスが効きやすい個人の特定に脳機能の測定が使えるかは不明である。

✔️解決手法
EEGデータをSNNで分析した。

✔️結果
マインドフルネス後の脳の活性化の特徴がわかり、その影響の予測ができた。

では研究の詳細を見てみよう。

マインドフルネスが効きやすい個人の特定に脳機能の測定が使えるかは不明である。

マインドフルネス訓練(MT)が健康な個人だけでなく、広範囲にわたる人々にどのように利益をもたらすかを理解するためにかなりの関心が寄せられている。
脳機能の関連する変化を明らかにする研究が始まっている。
しかし、脳機能の測定がMTに反応する可能性の高い個人を特定するために使用できるかどうかは不明である

EEGデータをSNNで分析した。

本研究は、最近開発された脳を参考とするSpiking Neural Network(SNN)モデルを脳波記録(EEG)データに適用し、1) 欝病時の脳機能 2) MTがうつ病患者および非うつ病患者に及ぼす影響 3) マインドフルネスに反応するうつ病患者の神経生物学的特性への新しい洞察を提供する。
18人の参加者の6週間にわたるMTプログラムの前後から安静状態EEGを記録した。
自己報告に基づいて3グループが形成された。
非うつグループ(ND)、MT前に抑うつがあったがMT後にはなかったグループ(応答性,D+)、MTの前後どちらでもに抑うつがあったグループ(無応答性、D−)。
標準脳テンプレートを利用する提案したSNNを用いて、頭皮領域(前頭部、前頭中央部、側頭葉、頭頂中心および頭頂葉)の活性化レベルで示されるようにEEGデータをモデル化し、ベースラインと追跡研究時に接続性を評価した。

提案した方法のブロック図。
EEGデータをスパイク列に符号化。脳にヒントを得たデータマッピング用の3D SNN構造、学習、3D SNNでの表示、パターンの出力分類。

MT後の脳の活性化の特徴がわかり、MTの影響の予測ができた。

結果は、MT後の活性化増加が群の機能として部位特異的であることを示唆する。
最初の活性化レベルは、うつ病群と比較してND群でより高く、この差はMT後の前頭および後頭頂領域で維持された。
ベースラインでは、D+はD-よりも活性化が大きかった。MT後、前頭中心と側頭葉の活性化はD+でNDレベルに達したが、D-では低いままであった。
その結果、抑うつとMT反応性に関連する脳の状態を識別する際にSNNアプローチを支持する知見が得られた。
また、このSNNによるアプローチはマインドフルネスが個人に与える影響を個人ベースで、マインドフルネスを行う前に予測することさけ可能であることが実証された。

特徴量相互作用ネットワーク(FN)は、(a) 非うつ(ND)、(b) 反応性うつ(D+)、(c) 無反応性うつ状態(D−)のSTDP学習中に入力ニューロンとして62のEEGチャンネルを表すSNNモデルにおける領域間の全スパイク相互作用を捕捉した。。FINノードは、SNNモデルの入力ニューロン領域を表し、線は入力ニューロン(EEGチャンネル)に対応するニューロンのこれらの領域(クラスター)間のスパイク伝達の量を表す。
四つのEEG周波数サブバンド(別々にモデル化される)を用いて実施した。T1(クラス1)とT2(クラス2)での六人のD+参加者からの120のEEG試料(参加者当たり10サンプル)の分類精度。
表の対角線上にあるものは、正しく分類されたサンプルを表している。
最も高い分類精度は、アルファ(91%)およびベータ(85%)について見られる。
T1(参加者当たり10サンプル)からの110個のEEGサンプルを二つのクラスD+及びD−への分類する精度。クラス1には6人のD+被験者が、クラス2には5人のD−被験者がいた。これは、SNNモデルがT1からのEEGデータによってのみ訓練されたとき、時間T2(トレーニング後)でどの被験者がMTに反応する可能性が高いかを予測するためである。
表の対角線上にあるものは、正確に予測されたサンプルを表している。
(a) 非うつ(ND)グループ、(b) 応答性うつ(D+)グループ(c) 非応答性うつ(D−)グループにおけるT1(MT前)とT2(事後訓練)の訓練したSNNモデルにおける接続性の違い。
各神経クラスタにおける結合は、MT後のEEGデータにおける主要な変化の領域を表す。
反復測定値ANOVA。*p<0.05,前頭 (F),前頭中心(FC),側頭 (T),頭頂中心(CP)および後頭頭頂(OP)非うつグループ(ND)、反応性うつグループの被験者(D+)、非反応性うつグループの被験者(D−)。
トレーニング前(T1)とトレーニング後(T2)。

効果があるかどうかが事前にわかることで、マインドフルネスがさらに流行するかもしれない。

参照論文

Z. Doborjeh, M. Doborjeh, T. Taylor, N. Kasabov, G. Y. Wang, R. Siegert & A. Sumich, “Spiking Neural Network Modelling Approach Reveals How Mindfulness Training Rewires the Brain”, Scientific Reports, 9, 6367 (2019)

DOI

◎ライター募集◎

AIの最新論文を読んで、要約記事を書いてみませんか?

アイブンでは、一緒に記事を作ってくださるライターさんを募集しています(有償)。アイブンは、日本最大のAI論文要約データベースを目指しています。今後データベースを充実させていくには、多くのライターさんのご協力が必要です。

AIや情報系・工学系のバックグラウンドをお持ちの方、AI関連のお仕事をされている方、AIを学習中の方など、AIに関心がおありの方なら、どなたでもウェルカムです!

少しでも興味を持たれましたら、お気軽にご連絡ください。お待ちしております!

詳細はこちら。

PAGE TOP