Can a Computer Read Your Mind? I Tried Using AI to Decode Brainwaves.
「コンピュータは人の思考を読めるのか？」
医学生の僕が、実際の脳波データとAIを使って実験してみました。 高校生にもわかるように、できるだけ噛み砕いて解説します。
What Is BCI? (BCIって何？)
BCI（Brain-Computer Interface） とは、脳とコンピュータを直接つなぐ技術のこと。
SF映画の話ではありません。すでに医療現場では、手足が動かせない患者さんが「考えるだけ」でカーソルを動かしたり、文字を入力したりする技術が実用化されつつあります。
今回の実験では、こんな疑問に挑戦しました：
「脳波を測定して、その人が画面上のどこを見ていたかをAIに当てさせることはできるか？」
The Equipment: How Do You Measure Brainwaves?（どうやって脳波を測るの？）
今回使ったのは OpenBCI Ganglion という、4つの電極を持つ脳波計です。
上の図は、頭を上から見たイメージです。4つの丸い点が電極の位置を表しています：
- TP9 / TP10（耳の後ろ付近）→ 視覚や聴覚に関わる領域
- AF7 / AF8（おでこ付近）→ 前頭葉、注意・集中に関わる領域
色が濃いほど信号が強いことを意味します。脳波計は 1秒間に200回 のペースで脳の電気信号を記録しています。
What Does Raw Brain Data Look Like?（生の脳波データってどんなもの？）
まずは、コンピュータが記録した「生」の脳波を見てみましょう。
これは 5秒間 の脳波記録です。4つの色は4つの電極それぞれの信号を表しています。
一見すると「ただの波のグチャグチャ」に見えますよね。でもこの中に、その人が何を見ていたかの手がかり が隠れています。人間の目には見えなくても、AIには見つけられるかもしれない。それが今回の実験です。
Hidden Rhythms in the Brain（脳波に隠されたリズム）
脳波は実は、いくつかの 周波数帯（リズム） に分解できます。音楽で言えば、低音・中音・高音のようなもの。
| 周波数帯 | 周波数 | 関連する状態 | |----------|--------|-------------| | Delta（デルタ） | 0.5-4 Hz | 深い睡眠 | | Theta（シータ） | 4-8 Hz | うとうと、リラックス | | Alpha（アルファ） | 8-13 Hz | 目を閉じてリラックス | | Beta（ベータ） | 13-30 Hz | 集中、活発な思考 |
上のグラフの色付きの帯がそれぞれの周波数帯です。ターゲットを見ている時と見ていない時で、これらのパワーに違いが出る はずです。
The Experiment: "Guess What I'm Looking At"（実験：「僕が何を見ているか当てて」）
実験の仕組み
- 画面上にいくつかの アイコン が表示される
- アイコンが 高速に点滅 する（1秒間に何十回も）
- 被検者は 1つのアイコンだけをじっと見つめる
- 見つめたアイコンが点滅した瞬間、脳は「おっ」と反応する
- この脳の反応パターンを AIが学習 する
これが noisetag方式 と呼ばれるBCIの仕組みです。
ターゲット vs 非ターゲット
脳波を「刺激の瞬間」で切り出すと、以下のようになります：
- 赤い線 = ターゲット（見つめていたアイコンが光った瞬間）
- 青い線 = 非ターゲット（他のアイコンが光った瞬間）
数十万回分の脳波を平均すると、赤と青で微妙だけど確実に違いが見える のがわかりますか？これが 誘発電位（ERP: Event-Related Potential） と呼ばれるもので、BCIの原理の核心です。
Looking at 544,019 Brain Responses（54万回の脳反応を一覧する）
1つ1つのエポック（脳の反応）を画像にしてみました。
左が「ターゲット」、右が「非ターゲット」。横軸が時間、縦軸がエポック番号、色が振幅です。
人間の目で見ても違いがわかりにくい。 だからこそ、AIの出番です。
Teaching AI to Read Brainwaves（AIに脳波の読み方を教える）
Step 1: 特徴量を抽出する
AIは「生の波形」をそのまま理解できません。まず脳波から 96種類の特徴 を数値として取り出しました：
- 各チャンネルの平均・分散・尖度
- 50ミリ秒ごとの平均振幅
- デルタ/シータ/アルファ/ベータのパワー
- ゼロ交差数（波が何回基準線を横切ったか）
Step 2: 3つのAIモデルで分類
抽出した特徴量を3つの異なるAIに渡して、「これはターゲット？非ターゲット？」と判定させました。
| AIモデル | 正解率 | 説明 | |---------|--------|------| | Linear SVM | 50.9% | 直線で2グループを分ける | | Random Forest | 58.2% | 大量の決定木の多数決 | | MLP (Neural Net) | 56.6% | 脳のニューロンを模したネットワーク |
「50%ってコイン投げと同じじゃない？」 と思うかもしれません。
確かにその通り。でも 54万回 も試行がある場合、50.9%ですら統計的に「偶然」とは言い切れません。そしてRandom Forestの 58.2% は、脳波から確実に意図を読み取れている ことを意味します。
Visualizing What AI Learned（AIが学んだことを可視化する）
特徴空間の3D可視化
96次元の特徴量を PCA（主成分分析） で3次元に圧縮し、3Dプロットしました。
- 赤い点 = ターゲット
- 青い点 = 非ターゲット
かなり重なっている のがわかりますね。これが「58%の正解率」の視覚的な意味です。完全に分離していれば100%になりますが、現実の脳波はこれくらいノイジーです。
どの特徴が重要だったか？
Random Forestは「どの特徴をよく使ったか」を教えてくれます。
上位にランクインしているのは主に 時間窓ごとの平均振幅。つまりAIは「刺激後のどのタイミングで脳波が変化するか」に注目していたことがわかります。
周波数帯の違い
ターゲットを見ている時と見ていない時の、各周波数帯のパワーの違いです。小さいですが、全チャンネル・全周波数帯で一貫した差 が確認できます。
ROC Curve and Learning Curve（性能評価の詳細）
ROC曲線：どれくらい正確に検出できているか
斜めの点線が「ランダムに予測した場合（AUC=0.5）」。各AIモデルの曲線がこれより上にあることが、偶然以上の検出能力 を持っている証拠です。
学習曲線：データが増えると精度は上がるか
横軸がデータ量、縦軸が正解率です。データが増えるにつれて精度が上がっていくのがわかります。もっとデータを集めれば、さらに精度が向上する可能性 があります。
So, Can a Computer Read Your Mind?（結局、コンピュータは思考を読めるのか？）
今回わかったこと
- YES、ある程度は読める。 たった4つの電極でも、被検者が「何を見ていたか」を58%の精度で当てられた
- 完璧にはほど遠い。 1回の脳波だけでは判断が難しく、実用的なBCIは何十回分を累積して判定する
- AIはパターンを見つけている。 人間の目にはノイズにしか見えない脳波の中から、統計的に有意な特徴を抽出できた
今後の可能性
- 電極数を増やす（医療用は64〜256チャンネル）→ 大幅な精度向上
- 深層学習（EEGNet等） → より高度なパターン認識
- リアルタイムBCI → 考えるだけで文字入力、車椅子操作
- 感情認識 → 脳波からストレスや集中度を推定
BCIは、医学とテクノロジーが交差する最前線です。まだ発展途上ですが、将来的には 「考えるだけで世界と対話する」 時代が来るかもしれません。
Technical Details（技術的な補足）
使用した技術スタック：
- データ: mindaffectBCI noisetag dataset (Kaggle)
- 脳波計: OpenBCI Ganglion (4ch, 200Hz)
- 言語: Python 3
- ML: scikit-learn (Random Forest, Linear SVM, MLP)
- 可視化: matplotlib, scipy
- エポック数: 544,019（8セッション分）
- 特徴量: 96次元（時間領域 + 周波数領域）
コード全文は GitHub で公開予定です。
Written by Yuichi — a medical student exploring the intersection of medicine and technology in Bulgaria.