判別成分分析に基づく新しい次元圧縮型リカレント確率ニューラルネット

摘要

ニューラルネットワーク（Neural Networks: NN）は学習的に任意の非線形写像を獲得できることから，生体信号の識別をはじめとするさまざまなパターン識別問題に応用されている．特にTsujiらはデータが従う確率分布を学習的に推定可能なNNを提案している．例えばLog-Linearized Gaussian Mixture Network (LLGMN) やRecurrent Log-Linearized Gaussian Mixture Network (R-LLGNN)は，混合正規分布モデル（Gaussian Mixture Model: GMM）と隠れマルコフモデル（Hidden Markov Model: HMM）をそれぞれ導入しており，ネットワークに含まれるモデルのパラメータを学習的に推定可能である．これにより，筋電位（Electromyogram: EMG)）や脳波（Electroencephalogram: EEG）などの生体信号を高い精度で識別できることを示している．これらのNNでは，計測に用いる電極数を増加させたり，周波数スペクトルなどの高次元の特徴量を識別に用いると，入力が高次元化してしまう．NNへの入力が高次元化するとネットワークの構造が複雑化してパラメータの学習が困難となり，学習に莫大な時間が必要となる可能性がある．