多課題異種アンサンブル学習に基づく脳卒中患者における被験者間EEG分類

神経内科学 医学検査 情報科学 人工知能 医学
脳卒中 脳波 運動想像 被験者間トレーニング 多課題異種アンサンブル学習

研究流程示意图

背景紹介

運動イメージ（Motor Imagery, MI）は、実際の筋肉運動を行わずに想像によって活動を行うことを指します。このパラダイムは脳-コンピュータ・インターフェース（Brain-Computer Interface, BCI）に広く応用され、脳活動を外部装置の制御指令にデコードするために使用されます。特に、脳波（Electroencephalography, EEG）は相対的に安価で、携帯が容易であり、他の神経画像ツールより時間分解能が高いため、BCIに広く使用されています。さらに、このパラダイムは脳卒中患者の神経リハビリテーションに役立ちます。研究によると、ロボット支援の脳-コンピュータ・インターフェース訓練が脳卒中患者の運動リハビリ効果を向上させることができます（論文[5]および[6]参照）。これは、MI中に活性化される神経経路が実際の運動実行（Motor Execution, ME）の神経経路と類似しているため、想像を通じて感覚運動領域の神経経路の活性化を促し、脳卒中後の運動リハビリに役立つ可能性があるためです。

研究の起源

この記事は、韓国カトリック大学、ソンギョン韓国国立大学、アブダビニューヨーク大学、ハンリム大学、およびミョンジ春溪リハビリ病院の機関に所属するMinji Leeらによって執筆されました。本論文はIEEE Transactions on Neural Systems and Rehabilitation Engineering, Vol. 32, 2024号に掲載されました。研究はChungbuk National University BrainKorea21 Program（2023）および韓国政府[科学技術情報通信部（MSIT）]の支援を受けました（NRF grant RS-2023-00252624）。

研究の詳細

a) 研究手順

研究の主な手順には、データ収集、実験プロトコル、データ前処理、多タスク異種統合法（MEEG-HEL）フレームワークおよび性能評価が含まれます。具体的な手順は以下の通りです：

  1. 参加者

    • 慢性虚血性脳卒中患者9名が本研究に参加しました。参加者の平均年齢は55歳（±5.36）であり、うち3名は女性です。すべての患者は、認知機能評価（MMSE）および上肢運動機能評価（FMA_UL）を受け、実験への適性が確認されました。

  2. 実験プロトコル

    • 被験者は両手の順次タッピングタスクを実行します。タスクはMEとMIのパラダイムに分かれます。タスクはブロックデザインであり、各タスクには20ブロックが含まれます。各ブロックでは、画面に点（プロンプト）が表示されたとき、患者は指を順次タッピングします。

  3. データ収集と前処理

    • NeuroPraX EEGシステム（NeuroConn GmbH, Germany）を使用して4000 HzのサンプリングレートでEEGデータを測定します。信号はAg/AgCl表面電極を通じて取得し、EEGLABツールボックスを使用して前処理を行います。最終的に27チャンネルを選択し、EEGデータを分割します。

  4. MEEG-HELフレームワーク設計

    • 共通空間パターン（CSP）を使用して特徴を抽出し、逐次前進浮動選択（SFFS）メソッドを用いて特徴を選択し、7つの基準モデルを使用して異種統合法を構築します。これらの基準モデルには、浅層ニューラルネットワーク（SNN）、カーネルサポートベクターマシン（KSVM）、サブスペース判別分類器（SDC）などが含まれています。最終的に加重法を使用して分類を行います。

b) 主な結果

  1. 方向認識タスク（DR）

    • MEおよびMIパラダイムでの分類性能は、MEパラダイムでは0.7061（±0.1270）、MIパラダイムでは0.7419（±0.0811）でした。混同行列の結果は、MIパラダイムの方が特に右手（RT）と左手（LT）の区別において正確度が高いことを示しています。

  2. 運動評価タスク（MA）

    • MEおよびMIパラダイムでの分類性能は、それぞれ0.6791（±0.1253）および0.7457（±0.1317）でした。MIパラダイムの処理では、TPとFNの値が高く、モデルが健康な手をより正確に予測できることを示しています。

  3. 専門ベクトルパターン（CSP）結果

    • 分類タスクでは、CSPパターンの経験は、MIパラダイムにおける活動領域が主に感覚運動皮質に集中していることを示しており、MEパラダイムでは右手の活動が左感覚運動皮質を活性化しています。

c) 研究結論

本研究は、MEEG-HELフレームワークが脳卒中患者の多タスク分類において優れた性能を発揮し、他の基準モデルを大幅に上回ることを示しています。方向認識および運動評価タスクの分類により、脳卒中患者のリハビリ訓練の有効な支援を提供できます。このフレームワークは分類精度を向上させるだけでなく、新しい患者へのモデルの適用性も高め、臨床環境での神経リハビリ技術の普及に寄与します。

d) 研究のハイライト

  1. 多タスク学習の方法を採用し、方向認識と運動評価タスクを組み合わせることで、モデルの分類性能を向上させました。
  2. 異種統合学習方法を提案し、小規模なサンプルの場合でも良好な分類結果を得ることができました。
  3. CSP特徴抽出およびSFFS特徴選択方法により、モデルの汎化能力と精度を大幅に向上させました。

まとめ

本研究は、脳卒中患者のEEG分類において多タスク異種統合学習の方法を採用し、分類性能を効果的に向上させました。このフレームワークは神経リハビリの潜在力を示し、方向認識および運動評価タスクの識別によって、脳卒中患者により精度の高いリハビリ訓練プログラムを提供し、生活の質を向上させることができます。本研究のイノベーションポイントは、脳卒中患者の特性と実際のニーズを考慮し、将来の臨床応用で大きなブレークスルーを期待できる点にあります。