生体センサーのデータは、人間の行動を予測するモデル構築の基盤となります。アイトラッキング、皮膚電気反応（EDA）、脳波（EEG）、顔面分析といった複数の信号を組み合わせることで、機械学習は関与度、感情、認知的負荷におけるパターンを解明します。研究者は生体センサーのデータを「グラウンドトゥルース」として活用し、広告効果や運転者の安全性といった実世界での応用に向けたモデルの検証を行っています。これにより、複雑な生理学的データを具体的な知見へと変換する、人間中心のAIの実現が可能となります。
Table of Contents
iMotionsでは、人間の行動研究に向けたバイオセンサーデータの収集と分析を専門としています。特に、バイオセンサーデータを活用して人間の行動を予測するモデルの構築について、多くのお客様から関心を寄せていただいています。
予測モデルは、人工知能（AI）の基盤となるものです。多くの場合、機械学習の手法（これについては後ほど詳しく説明します）に基づいており、データに含まれるパターンを用いて、将来のデータがどのようなものになるかを予測します。これにより、機械は世界について予測を行うことができ、人工知能を持つことになるのです。
これらのモデルは、オンラインマーケティングキャンペーンの成功予測から、次世代の人間中心型車両のための感情認識アルゴリズムの開発に至るまで、多くの産業に影響を与える可能性があります。「データは新たな石油」と言われる時代において、バイオセンサーから得られる情報は、その活用法を知っている人々にとって大きな可能性を秘めています。
この記事では、より人間中心のAIの進化が、バイオセンサーのデータによってどのように促進されるかを探っていきます。しかし、その結論に至るには、まずデータに何が起きているのかを理解する必要があります。
機械学習
データサイエンティストは、データから知見やパターンを抽出するために多種多様な機械学習アルゴリズムを使用しますが、一般的に、これらのアルゴリズムは「教師あり学習」と「教師なし学習」の2つのカテゴリーに分類されます。
教師あり学習は、一連の正しいサンプル（学習データ）を用いて、「生徒」（アルゴリズム）に特定の関連付けを教える「家庭教師」（データサイエンティスト）に例えるのが最も適切でしょう。
例えば、指導者は、正しくラベル付けされた動物の写真と、その動物に斑点や縞模様、あるいは翼があるかどうかといった特徴を提供することができます。これらの情報を学習した後、生徒に未知の動物の写真を見せれば、すでに学習した情報に基づいて、それがどの動物かを推測できるようになるはずです。教師あり学習アルゴリズムの例としては、回帰分析やサポートベクターマシンなどが挙げられます。
一方、教師なし学習には、このような教師と生徒の関係は存在しません。この場合、アルゴリズムには解答のないデータセットが与えられ、自ら特徴的なパターンを探し出さなければなりません。
この例では、学生はラベル付きの動物の写真セットを与えられ、誰の助けも借りずに、私たちがこれまで考えもしなかったような類似点や分類基準を自ら見つけ出します。斑点や縞模様で分類するのも確かに有効ですが、動物は色や脚の数、あるいは陸生か海生かといった点でも分類できるでしょう（なんて賢いアルゴリズムでしょう！）。 その後、アルゴリズムは確立したルールに基づいて、未知の画像が提示された際に推測を行うことができます。教師なし学習アルゴリズムの例としては、k-meansクラスタリングや主成分分析などが挙げられます。
機械学習
データマイニング
アルゴリズム
分類
ニューラルネットワーク
ディープラーニング
AI
自律型
人間の行動や感情といった複雑な事象にこれらのアルゴリズムを適用することは、一見すると困難な課題のように思えるかもしれません。しかし、その利点は明らかです。機械学習を用いれば、複数の変数や次元を含む膨大なデータセットの中からパターンを検出し、活用することが可能になります。これは、人間の脳だけでは処理しきれないほどの情報量に相当するものです。
バイオセンサーは特に膨大なデータセットを生成する能力に優れており、そのデータに含まれるパターンは、人間の行動を理解する上で大きな可能性を秘めている。
しかし、バイオセンサーは人間の行動研究における課題の解決に、具体的にどのように役立つのでしょうか。以下に2つの例を挙げて説明します。
人間の行動の特徴
人間の感情や行動は、単純なものから複雑なものまで多岐にわたります。人間の行動の複雑な側面を解明することは容易なことではありませんが、バイオセンサーと機械学習が大きな助けとなります。広告におけるバイオセンサーの活用を例に考えてみましょう：
簡単な質問：CMの中で、誰かがうちの会社のブランドに気づいてくれるだろうか？ 考えられる解決策：アイトラッキング。
中程度の難易度の質問：私のCMは視聴者にとってどれほど魅力的か？ 考えられる解決策：アイトラッキング、表情分析、皮膚電気活動（EDA）。
複雑な問い：私の会社のブランドアイデンティティやブランドロイヤルティは、視聴者がCMを視聴する際の体験にどのような影響を与えるのか？ 考えられる解決策：アイトラッキング、表情分析、EDA、EEG、自己報告、暗黙的連想テスト。
一般的に、行動が複雑で抽象的であればあるほど、より多くのバイオセンサー（およびデータソース）を用意すべきです。しかし、それによりデータの解釈はますます困難になります。そこで、機械学習が役立つのです。
複素変数の優れた例の一つが「精神的負荷」であり、これは人間工学研究における重要な概念です（精神的負荷とその測定方法についてはこちらをご覧ください）。要約すると、精神的負荷には単一の操作的定義は存在しません。負荷という概念は多面的かつ微妙なニュアンスを持ち、タスクの客観的な性質と、そのタスクを行う人間の主観的な体験との相互作用が関わっています。
さらに、精神的負荷を定義するために用いられる指標は、タスクの性質や、過去の研究を通じて適切であることが示されている指標によって異なることがよくあります。このため、バイオセンサーを用いた認知的負荷の測定は、とりわけ厄介な問題となります。しかし、まさにこれらの理由から、認知的負荷は機械学習アルゴリズムの活用に最適な対象なのです。 特に教師なし学習アルゴリズムは、一見無関係に見えるデータセットの中からパターンや関連性を見出す可能性が最も高い。したがって、特定のユースケースのために既に収集したデータがあれば、メンタルワークロードに関する独自の運用上の定義を作成することが可能となる。
グラウンドトゥルースデータ
人間の脳は「実生活」において測定するのが困難です。そのため、生理学的プロセスの指標として、行動を代用せざるを得ない場合が多くあります。幸いなことに、バイオセンサーデータは「グラウンドトゥルースデータ」として広く活用されています。
「グラウンド・トゥルース・データ」とは、事柄の実際の事実を示すデータを指します。人間の場合、これは単にその人が口にする言葉（偏見が混入しやすい）ではなく、実際に疲れているか、不安を感じているか、あるいは気が散っているか（など）といった状態を指します。
これは、間接的な手法を用いて人間の行動をモデル化するために機械学習を活用しようとしている研究者にとって、特に適しています。
これは、自動車業界における注意力と眠気の測定を通じて明らかになっています。自動車メーカー（OEM）は、運転中のドライバーの注意力や眠気を測定する新しい技術に関心を寄せていますが、車内に脳波測定用ヘッドセットのような機器を設置することは非常に困難です。
その代替手段として、いくつかのメーカーは、車両自体から得られる行動データに基づいてドライバーの注意力状態を分析する試みを行っている。データのソースとしては、気象条件、運転時間が長いかどうか、車線内での車両の位置などが挙げられる。
これらの指標はいずれも、眠気の直接的な指標ではありません。しかし、データへのアクセスが容易で入手も簡単であるため、それによって交通事故件数の減少につながる可能性があるならば、運転者の眠気の代用指標として検討する価値があります。
こうした間接的な行動モデルについては、常に「グラウンド・トゥルース変数」――例えば、眠気の確実かつ生理学的な指標――を用いて検証を行うことが望ましい。そうすることで、そのモデルがドライバーの精神状態を真に反映していること、そして眠気の評価が正確であることを確認できる。
現在、眠気を「グラウンドトゥルース」データとして定量化できるバイオセンサーは数多く存在します。皮膚電気活動（EDA）や心拍数は生理的な覚醒度を反映する指標となり、表情分析は眼瞼閉鎖の度合いを測定し、脳波検査（EEG）は、眠気や睡眠に関連するシータ波やデルタ波がEEGパワースペクトルにおいてどの程度優勢であるかを定量化するのに利用できます。 バイオセンサーを用いてアルゴリズムの検証を行うことは、モデルの精度に対する信頼性を高め、科学的信頼性も向上させます。さらに、バイオセンサーは、人間の判断や意思決定における文脈の把握を助け、第I種誤りや第II種誤りといった誤りを減らすことができます。また、データ品質管理を徹底することで、人間の行動に関する研究から信頼性の高い結果を得る方法についても学びましょう。