時間-周波数領域へのアーティファクト表現の融合によるEEGアーティファクト除去の強化

人工知能 神経内科学 情報科学 医学
脳波 アーティファクト表現 EEGノイズ除去 周波数領域表現

学術的背景

脳波（Electroencephalogram, EEG）は、脳活動を研究するための重要なツールであり、神経科学、臨床診断、脳-コンピュータインタフェースなどの分野で広く使用されています。しかし、EEG信号は収集プロセス中にさまざまなアーティファクト（artifacts）の影響を受けやすく、例えば眼電図アーティファクト（Electrooculography, EOG）や筋電図アーティファクト（Electromyography, EMG）などがあります。これらのアーティファクトはEEG信号の品質を著しく低下させ、その後の分析や応用に影響を及ぼします。既存の方法は単一のアーティファクトを除去するために開発されていますが、複数のアーティファクトが同時に存在する場合、これらの方法は十分な性能を発揮しません。したがって、複数のアーティファクトを統一的に除去できるモデルの開発が現在の研究における重要な課題となっています。

Haoran Liらはこの問題に対処するため、アーティファクト表現に基づくEEGノイズ除去モデル、A2DM（Artifact-Aware Denoising Model）を提案しました。このモデルは、アーティファクト表現を時間-周波数領域に融合させることで、複数のアーティファクトを効果的に除去し、EEG信号の品質を大幅に向上させました。

論文の出典

この論文は、Haoran Li、Fan Feng、Jiarong Kang、Jin Zhang、Xiaoli Gong、Tingjuan Lu、Shuang Li、Zhe Sun、およびJordi Solé-Casalsによって共同執筆され、それぞれ南開大学、清華大学、中国人民解放軍第903医院、濰坊市中医院、および日本順天堂大学などの機関に所属しています。論文は2025年3月11日に『Cognitive Computation』ジャーナルに受理され、同年に発表されました。

研究のプロセス

1. モデル設計

A2DMモデルの核心的なアイデアは、アーティファクト表現（Artifact Representation, AR）を使用してノイズ除去プロセスを導くことです。具体的なプロセスは以下の通りです： - アーティファクト感知モジュール（Artifact-Aware Module, AAM）：まず、AAMは事前に訓練されたアーティファクト分類モデルからアーティファクト表現を抽出し、事前知識として使用します。AAMは6つのブロックで構成され、各ブロックは2つの1D畳み込み層と1つのグローバル平均プーリング層を含み、最後に全結合層を通じてアーティファクト表現を出力します。 - 周波数強化モジュール（Frequency Enhancement Module, FEM）：FEMはハードアテンション機構（hard attention）を使用して、周波数領域で特定のタイプのアーティファクトを選択的に除去します。具体的には、EEG信号は高速フーリエ変換（FFT）を使用して周波数領域に変換され、アーティファクト表現に基づいて生成されたバイナリマスクを使用して、保持または除去する周波数成分を選択します。 - 時間領域補償モジュール（Time-Domain Compensation Module, TCM）：TCMは、ハードアテンション機構によって失われる可能性のあるグローバル情報を時間領域で補償します。TCMは、深度方向の畳み込みと1×3畳み込みを使用してEEG信号を再構築し、ノイズ除去後の信号が重要な時間領域の特徴を保持することを保証します。

2. データセット

研究では以下の2つのデータセットを使用しました： - EEGDenoiseNet：これは半合成データセットで、4514のクリーンなEEGセグメント、3400の眼電図アーティファクトセグメント、および5598の筋電図アーティファクトセグメントを含みます。線形混合を使用して、複数のアーティファクトを含むノイズEEG信号を生成しました。 - BCI Competition IV 2A：これは実際のEEGデータセットで、9名の被験者が運動イメージタスクを実行中のEEGデータを含みます。研究では、ノイズを追加してトレーニングセットとテストセットを生成し、モデルの実践的な有効性を検証しました。

3. 実験と評価

研究では以下の手順でA2DMの性能を検証しました： - ノイズ除去効果の評価：二乗平均平方根誤差（RRMSE）や相関係数（CC）などの指標を使用して、異なるSNR（信号対雑音比）におけるモデルのノイズ除去効果を評価しました。その結果、A2DMは複数のアーティファクトを除去する際に既存の方法を大幅に上回り、相関係数が12%向上しました。 - モジュールの有効性分析：アブレーション実験を通じて、FEMとTCMの役割を検証しました。その結果、いずれかのモジュールを除去すると性能が低下し、これら2つのモジュールがノイズ除去プロセスにおいて補完的な役割を果たしていることが示されました。 - アーティファクト表現の可視化：t-SNEおよびUMAP技術を使用してアーティファクト表現を可視化し、AAMが異なるタイプのアーティファクトの特徴を効果的に捉えられることを示しました。

主な結果

1. ノイズ除去性能

A2DMは、EEGDenoiseNetデータセットにおいて、すべての比較モデルを上回る性能を示しました。特に、複数のアーティファクトが同時に存在する場合において、A2DMのRRMSE_tとRRMSE_fはそれぞれ0.6869と0.5314であり、相関係数は0.7248に達し、他の方法を大幅に上回りました。

2. モジュール分析

  • FEMの役割：FEMはハードアテンション機構を使用して周波数領域でアーティファクトを除去し、特に筋電図アーティファクトの処理において優れた性能を示しました。実験結果から、FEMは20-30 Hzの周波数範囲に分布するアーティファクトを効果的に識別し、除去できることが示されました。
  • TCMの役割：TCMは、ハードアテンション機構によって失われる可能性のあるEEG情報を時間領域で補償し、ノイズ除去効果をさらに向上させました。

3. アーティファクト表現

アーティファクト表現の可視化を通じて、AAMが異なるタイプのアーティファクトを効果的に区別し、ノイズ除去モデルに重要な事前知識を提供できることが証明されました。

結論と意義

A2DMモデルは、アーティファクト表現をEEGノイズ除去タスクに初めて導入し、複数のアーティファクトを統一的に除去することに成功しました。このモデルは、ノイズ除去性能において既存の方法を大幅に上回るだけでなく、EEG信号処理分野に新しいアプローチを提供しました。今後の研究では、自己教師あり学習手法をさらに探求し、より細かいアーティファクト表現を生成し、イベント関連同期（ERS）やイベント関連非同期（ERD）などのタスクへのモデルの応用を拡大する予定です。

研究のハイライト

  1. アーティファクト表現の導入：A2DMは、アーティファクト表現を事前知識としてノイズ除去プロセスに導入し、モデルの適応性とノイズ除去効果を大幅に向上させました。
  2. ハードアテンション機構の適用：FEMはハードアテンション機構を使用して周波数領域でアーティファクトを選択的に除去し、ソフトアテンション機構（soft attention）よりも優れた性能を示しました。
  3. 時間領域と周波数領域の補完：TCMとFEMの組み合わせにより、ノイズ除去後の信号が時間領域と周波数領域の両方で重要な情報を保持することが保証されました。
  4. 広範なデータ検証：研究は複数のデータセットでA2DMの有効性を検証し、実践的な応用における可能性を証明しました。

その他の価値ある情報

研究チームはまた、浅い畳み込みニューラルネットワーク（CNN）のノイズ除去タスクにおける性能についても検討し、浅いモデルは高SNR信号の処理において優れた性能を示すが、低SNRの場合には性能が著しく低下することを発見しました。この発見は、今後のEEGノイズ除去モデルの最適化に重要な示唆を提供します。

本研究を通じて、A2DMモデルはEEG信号処理における重要な課題を解決するだけでなく、関連分野の研究に新しいツールと方法を提供しました。