受講概要
このセミナーで解決できる課題
- 体動や電源雑音、基線変動などのアーチファクトが残り、生体信号の解析精度が安定しない
- 時間・周波数領域のどの特徴量を使えば機械学習モデルに有効か判断できない
- 深層学習モデルの判断根拠を説明できず、医療・ヘルスケア用途での説明可能性の検討が進まない
こんな方におすすめ
- ウェアラブル機器やセンサで生体計測を担当する研究開発技術者
- 生体信号へのAI・深層学習の適用を検討している信号処理エンジニア
- 医療機器・ヘルスケアサービスの開発に携わる研究者
よくある質問
- 受講にあたって信号処理やAIの予備知識は必要ですか？
- 特別な予備知識は不要とされています。生体信号の特徴やサンプリング、ディジタル信号処理の基礎から始まり、ノイズ除去、特徴抽出、機械学習、深層学習へと段階的に進む構成のため、各分野の基本を順に確認しながら学べます。
- どのような受講形式で、後から見直すことはできますか？
- Zoomを利用したWEB受講のみの形式です。ライブ配信に加えてアーカイブ配信があり、7日間は何度でも視聴できるとされています。当日の内容を後から復習したい場合にも活用できます。
- 最新のAI技術や応用事例はどこまで扱われますか？
- Transformer、Foundation Model、自己教師あり学習、転移学習、マルチモーダルAIなどの動向を紹介します。応用面では不整脈検出、睡眠解析、ストレス・感情推定、遠隔モニタリング、脳波による音声解読、ヘルスケア・デジタルツインなどの事例を取り上げます。
プログラム
1．生体信号処理の基礎
1.1 生体信号とは
1.2 ECG（心電図）
1.3 EEG（脳波）
1.4 EMG（筋電図）
1.5 PPG（光電容積脈波）
1.6 呼吸信号
1.7 サンプリングとディジタル信号処理
2．生体信号のノイズ・アーチファクト除去
2.1 電源雑音
2.2 基線変動
2.3 体動アーチファクト
2.4 筋電雑音
2.5 ディジタルフィルタ
2.6 Wavelet（ウェーブレット）
2.7 ICA（独立成分分析）
2.8 適応信号処理
3．特徴抽出と従来型機械学習
3.1 時間領域特徴
3.2 周波数領域特徴
3.3 時間周波数解析
3.4 PCA（主成分分析）
3.5 SVM（サポートベクターマシン）
3.6 Random Forest（ランダムフォレスト）
4．深層学習による生体信号解析
4.1 CNN（畳み込みニューラルネットワーク）
4.2 RNN / LSTM
4.3 Attention（注意機構）
4.4 Transformer
4.5 End-to-End学習
4.6 データ量が少ない場合の問題
5．AIの判断根拠を理解する
5.1 Explainable AI（説明可能なAI）とは
5.2 SHAP
5.3 Grad-CAM
5.4 Attention Visualization
5.5 医療・ヘルスケアAIで説明可能性が重要な理由
6．生体信号AIの最新動向
6.1 Foundation Model（基盤モデル）
6.2 Self-Supervised Learning（自己教師あり学習）
6.3 Transfer Learning（転移学習）
6.4 ECG・EEG Foundation Model
6.5 マルチモーダルAI
6.6 生体信号＋画像＋音声
7．応用事例と今後の展望
7.1 不整脈検出
7.2 睡眠解析
7.3 ストレス・感情推定
7.4 ウェアラブルデバイス
7.5 遠隔モニタリング
7.6 EEG Speech Decoding（脳波による音声解読）
7.7 Personalized Medicine（個別化医療）
7.8 Digital Twin Healthcare（ヘルスケア・デジタルツイン）
Q&A
受講形式
WEB受講のみ
※本セミナーは、Zoomシステムを利用したオンライン配信となります。
オンラインでご参加の方は、事前にこちらでZoomの接続環境をご確認ください。
スムーズな受講のため、カメラ・マイク・スピーカーの動作をご確認ください。
受講対象
医療・ヘルスケア、ウェアラブル、センサ、生体計測、信号処理、AI、医療機器等の研究開発に携わる技術者・研究者
予備知識
特別に必要なし。
習得知識
１）ECG・EEG・EMG・PPGなどの生体信号の特徴とディジタル信号処理の基礎知識
２）生体信号に含まれるノイズ・アーチファクトの種類と除去手法
３）時間・周波数領域の特徴抽出と従来型機械学習による解析手法
４）CNN・LSTM・Transformerなどの深層学習を用いた生体信号解析の基本と特徴
５）Explainable AIによるAIの判断根拠の可視化と説明可能性の考え方
６）Foundation Model・自己教師あり学習・マルチモーダルAIなどの最新技術動向
７）不整脈検出・睡眠解析・ウェアラブルデバイスなど、医療・ヘルスケア分野へのAI応用技術と今後の展望
講師の言葉
ウェアラブルデバイスや医療・ヘルスケアAIの発展に伴い、ECG（心電図）、EEG（脳波）、EMG（筋電図）、PPG（光電容積脈波）などの生体信号をAIによって解析する技術への関心が高まっています。
一方、生体信号にはさまざまなノイズやアーチファクトが含まれるため、AIによる解析精度を高めるには、適切な信号処理や特徴抽出が重要となります。
本セミナーでは、生体信号処理の基本から、ノイズ・アーチファクト除去、特徴抽出、機械学習、深層学習による解析手法まで、具体的な技術やその特徴を交えながら段階的に解説します。また、AIの判断根拠を理解するためのExplainable AI（説明可能なAI）についても取り上げます。
さらに、Transformer、Foundation Model、自己教師あり学習、マルチモーダルAIなど、生体信号解析における最新技術動向や、医療・ヘルスケア、ウェアラブルデバイス等への応用事例を紹介します。生体信号解析とAI技術の基礎から最新動向までを理解し、今後の研究開発や技術応用に役立つ知識を習得していただくことを目的としています。