……Zoomオンライン受講
★脳波解析に必要な信号処理からAI・Deep Learning、Transformer、Foundation Modelまでを体系的に解説。
★「AIに脳波を入力すればよい」では終わらない、前処理・特徴抽出とAIの融合、BCI・EEG Speech Decodingまで学ぶ。
講師
埼玉大学 大学院理工学研究科 教授 工学博士島村 徹也 氏
講師紹介
■主経歴等
埼玉大学にて、ディジタル信号処理、音声・音響信号処理、画像信号処理、生体信号処理、AI・機械学習を中心とした教育・研究に従事。
特に、雑音除去、特徴抽出、適応信号処理等の信号処理技術と、機械学習・深層学習を融合した解析技術について幅広く研究を行っている。
■専門および得意な分野・研究
・ディジタル信号処理、適応信号処理、雑音除去・信号強調
・脳波（EEG）等の生体信号処理・解析
・機械学習・深層学習を用いた時系列信号解析、異常検知・状態推定
・音声・音響信号処理、画像信号処理、AIによる品質評価
■本テーマ関連の公的委員及び専門学協会等での委員会活動（歴含む）
1986年慶應義塾大学理工学部電気工学科卒、1988年同修士課程修了、1991年同博士課程修了、工学博士。同年、埼玉大学工学部助手、現在、同大学学術院(大学院理工学研究科)教授。この間、1995年ラフバラ大学(英国)客員研究員、1996年ベルファースト・クイーンズ大学(英国)客員研究員。2026年より、アイルランガ大学(インドネシア)のAdjunct Professorに就任し、EEG信号を利用するリハビリテーションロボットの開発に取り組んでいる。また同年から、埼玉県立大学との共同研究がスタートし、EEG信号に含まれるアーチファクトの除去に取り組んでいる。さらに、本年より、慈恵医科大学とEEG関連の共同研究に取り組む予定である。現在、IEEE Senior Memberであり、IEEE Trans. Consumer ElectronicsのAssociate Editorを務めている。
＜その他関連商品＞
エレクトロニクス・デバイス技術 一覧はこちら
日時・受講料・お申込みフォーム
●日時：2026年12月16日(水) 13:00-16:30 ＊途中、小休憩を挟みます。
●受講料：
【オンライン受講】：1名45,100円(税込（消費税10％）、資料付)
＊1社2名以上同時申込の場合、1名につき34,100円
各種割引について
＊5名以上でのお申込の場合、更なる割引制度もございます。
ご希望の方は、以下より別途お問い合わせ・お申込みください。
req@*********（*********にはjohokiko.co.jpを入れてください）
＊学校法人割引：学生、教員のご参加は受講料50％割引。→「セミナー申込要領・手順」を確認ください。
お申込みはこちらから
商品コード：AF2612P6
配布資料・講師への質問など
●配布資料はPDFなどのデータで配布いたします。ダウンロード方法などはメールでご案内いたします。
・配布資料に関するご案内は、開催1週前～前日を目安にご連絡いたします。
・準備の都合上、開催1営業日前の12:00までにお申込みをお願いいたします。
（土、日、祝日は営業日としてカウントしません。）
・セミナー資料の再配布は対応できかねます。必ず期限内にダウンロードください。
●当日、可能な範囲でご質問にお答えします。（全ての質問にお答えできない可能性もございます。何卒ご了承ください。）
●ご受講に際しご質問・要望などございましたら、下記メールアドレス宛にお問い合わせください。
req@*********（*********にはjohokiko.co.jpを入れてください）
オンラインセミナーご受講に関する各種案内（必ずご確認の上、お申込みください。）
※メールアドレスの記載誤りについては、以下へご連絡お願いいたします。
req@*********（*********にはjohokiko.co.jpを入れてください）
→Skype／Teams／LINEなど別のミーティングアプリが起動していると、Zoomで音声が聞こえない、カメラ・マイクが使えないなどの事象が起きる可能性がございます。お手数ですが、これらのアプリは閉じた状態にてZoomにご参加ください。
→音声が聞こえない場合の対処例
→一部のブラウザは音声が聞こえないなどの不具合が起きる可能性があります。
対応ブラウザをご確認の上、必ず事前のテストミーティング をお願いします。
（iOSやAndroidOS ご利用の場合は、アプリインストールが必須となります）
セミナーポイント
■講座のポイント
脳波（EEG）は、睡眠・認知状態の解析、脳疾患の診断支援、Brain-Computer Interface（BCI）など幅広い応用が期待される一方、振幅が小さく、眼電・筋電・体動・電源雑音などの影響を受けやすいため、AIを適用する前の適切な信号処理が極めて重要です。
本講座では、EEGの基礎から、フィルタリング、周波数解析、時間周波数解析、アーチファクト除去、特徴抽出を解説し、さらに機械学習、CNN・LSTM・Transformer、Self-Supervised Learningへと展開します。加えて、EEG Foundation Model、説明可能AI、BCI、EEG Speech Decodingなど最新の研究動向を紹介し、脳波×AIの研究開発に必要な考え方を体系的に学びます。
■受講後、習得できること
・脳波（EEG）の基本的な性質、周波数帯域、計測・解析上の注意点を理解できる
・EEGに対するフィルタリング、周波数解析、時間周波数解析、アーチファクト除去、特徴抽出の考え方を習得できる
・機械学習、CNN、LSTM、Transformer等をEEG解析へ適用する際の特徴と使い分けを理解できる
・EEG Foundation Model、Self-Supervised Learning、Explainable AIなど最新技術の位置づけを理解できる
・BCI、睡眠・認知状態推定、EEG Speech Decoding等の最新応用と今後の研究開発方向を把握できる
セミナー内容
■講演プログラム
1.脳波（EEG）解析の基礎
1.1 脳波とは何を計測しているのか
1.2 EEG計測の基本と電極配置
1.3 δ・θ・α・β・γ波と周波数帯域
1.4 睡眠・認知状態・医療・BCIへの応用
1.5 AIによるEEG解析の現状と課題
2.AIの前に必要となるEEG信号処理
2.1 EEGに混入するノイズとアーチファクト
2.2 フィルタリングと雑音除去
2.3 FFT・スペクトル解析
2.4 時間周波数解析・ウェーブレット解析
2.5 ICA等によるアーチファクト除去
2.6 EEGの特徴量抽出
2.7 前処理がAI認識性能に与える影響
3.機械学習・Deep LearningによるEEG解析
3.1 SVM・Random Forest・XGBoostによる解析
3.2 CNNによるEEG解析
3.3 RNN・LSTMによる時系列解析
3.4 TransformerによるEEG解析
3.5 Self-Supervised Learning
3.6 少量データ・被験者間差への対応
3.7 特徴抽出＋機械学習とEnd-to-End学習の比較
（休憩 10分）
4.EEG×Foundation Model・説明可能AI
4.1 EEG Foundation Modelとは
4.2 事前学習とFine-tuning
4.3 Multimodal AI：EEG＋音声・画像・他生体信号
4.4 Explainable AI（XAI）と医療AIの信頼性
4.5 SHAP・Attention可視化等による説明
5.EEG×AIの最新応用と今後の展望
5.1 睡眠状態・睡眠障害の解析
5.2 脳疾患診断支援、認知・注意状態推定
5.3 Brain-Computer Interface（BCI）
5.4 運動イメージ・意思推定
5.5 EEG Speech Decoding ― 脳波から発話・言語情報を推定する研究
5.6 ウェアラブルEEGとMultimodal AI
5.7 今後の研究開発の方向性
（質疑応答）
お申込みはこちらから
