VRトレッドミル：歩行時のデータ取得とその可能性

研究背景

近年、ヒトの歩行と脳活動の関連性を解明するための研究が世界中で進められています。特に、トレッドミル上での歩行中に脳波（EEG）データを取得し、その情報を分析することで、これまで明らかにされていなかった脳と身体の相互作用について新たな知見が得られています。

研究の意義

歩行中の脳活動データを取得することには、以下のような重要な意義があります

静止状態では得られない神経活動パターンの解明
静止状態と比較して、歩行中の脳活動には特有のパターンが存在します。これらのパターンを解析することで、運動制御に関わる脳内メカニズムの理解が深まります。

リハビリテーション医療への応用可能性
脳卒中や神経疾患による歩行障害のリハビリテーションにおいて、脳活動データに基づいたフィードバックを提供することで、より効果的な治療法の開発が期待されています。

脳-コンピュータインターフェース（BCI）の発展
歩行中の脳波を利用したBCIシステムは、将来的に下肢麻痺患者の歩行支援技術につながる可能性があります。

最新の研究成果

ヒューストン大学の研究グループは、トレッドミル歩行中の被験者から脳波データを取得し、それをリアルタイムで仮想アバターの制御に利用する実験を行いました。この研究では、BCIによるアバター制御を行った際の脳活動と、通常のトレッドミル歩行時の脳活動を比較しています。

結果として、BCIを使用した歩行時には特定の脳領域（後頭頂皮質や下頭頂小葉など）の活動が増加することが明らかになりました。これは、BCIを用いた歩行訓練が、単なるトレッドミル歩行よりも脳の関与を高め、エラーモニタリングや運動学習に関わる神経回路を活性化させる可能性を示しています。

脳波以外の歩行関連生体データの活用

歩行時に得られる生体データとして、脳波（EEG）は特に注目されていますが、近年のセンシング技術の進歩により、他にも様々な生体データが取得・活用されています。

産業技術総合研究所（AIST）では、モーションキャプチャシステムと床反力計を用いた大規模な歩行データベースを構築しており、健常者の歩行パターンについての詳細な解析を可能にしています。このようなデータは、歩行障害の評価や治療効果の判定に役立てられています。

また、ウェアラブルセンサーの発展により、日常生活における連続的な歩行データの収集が可能になりました。これらのデータは医療分野だけでなく、健康管理やスポーツ科学、介護・福祉分野など幅広い領域で活用されています。特に高齢者の見守りや転倒予防、リハビリテーションの効果測定など、社会的課題の解決に貢献することが期待されています。

最近では、歩行データと人工知能（AI）技術を組み合わせることで、個人の歩行パターンの変化から健康状態の変化を早期に検出する試みも進められています。これにより、疾患の早期発見や予防医療への応用が期待されています。

今後の展望

歩行時の脳活動データ取得技術の向上により、今後は以下のような研究の進展が期待されます

個人に最適化されたリハビリテーションプロトコルの開発

脳活動パターンに基づいて、個々の患者に最適なリハビリテーション方法を提案するシステム

直感的な義肢制御システムの構築

脳波から歩行意図を正確に読み取り、下肢義肢やロボットスーツをよりスムーズに制御する技術

脳の可塑性を最大限に活用した回復促進法の確立

VRトレッドミルの最大の利点は、制御された環境でデータを取得できると同時に、現実世界に近い多様な環境での歩行を安全に評価できる点です。
例えば、交通量の多い道路横断や混雑した空間での歩行など、通常の臨床評価では安全上実施困難な状況での行動評価が可能になります。
また、取得したデータに機械学習やAI技術を適用することで、個人の歩行特性の微細な変化を検出したり、将来的な機能低下を予測したりする可能性も広がっています。こうした技術革新により、予防医療や早期介入の新たなアプローチが実現するでしょう。

VRトレッドミルによる行動データ取得は、基礎研究のみならず、個別化された評価・介入プログラムの開発や、日常生活での歩行能力の向上に直結する応用研究まで、幅広い分野での活用が期待されています。

参考文献
Luu, T. P., Nakagome, S., He, Y., & Contreras-Vidal, J. L. (2017). Real-time EEG-based brain-computer interface to a virtual avatar enhances cortical involvement in human treadmill walking. Scientific Reports, 7(1), 8895. https://doi.org/10.1038/s41598-017-09187-0
He, Y., Nathan, K., Venkatakrishnan, A., Rovekamp, R., Beck, C., Ozdemir, R., ... & Contreras-Vidal, J. L. (2018). A mobile brain-body imaging dataset recorded during treadmill walking with a brain-computer interface. Scientific Data, 5, 180074. https://doi.org/10.1038/sdata.2018.74
Wieser, M., Haefeli, J., Bütler, L., Jäncke, L., Riener, R., & Koeneke, S. (2010). Temporal and spatial patterns of cortical activation during assisted lower limb movement. Experimental Brain Research, 203(1), 181-191. https://doi.org/10.1007/s00221-010-2223-5
Bulea, T. C., Kim, J., Damiano, D. L., Stanley, C. J., & Park, H. S. (2015). User-driven control increases cortical activity during treadmill walking: an EEG study. Frontiers in Human Neuroscience, 9, 247. https://doi.org/10.3389/fnhum.2015.00247
Wagner, J., Makeig, S., Gola, M., Neuper, C., & Müller-Putz, G. (2016). Distinct β band oscillatory networks subserving motor and cognitive control during gait adaptation. Journal of Neuroscience, 36(7), 2212-2226. https://doi.org/10.1523/JNEUROSCI.3543-15.2016
産業技術総合研究所. (2019). AIST歩行データベース2019. https://unit.aist.go.jp/harc/ExPART/GDB2019.html