深層学習に基づく運動想像EEG分類における皮質源イメージングの機能的結合の活用

研究背景と動機

脳-機械インターフェース（BCI）は、関連する神経経路や筋肉に依存せずに脳活動情報を直接デコードし、外部デバイスとの通信や制御を実現するシステムです。BCIシステムにおいて、よく使われる信号には脳波（EEG）、脳磁図（MEG）、および機能的磁気共鳴画像（fMRI）が含まれます。その中でも、EEGは非侵襲、実施の容易さ、低コスト、倫理的チャレンジがないなどの利点から最も一般的に使用されます。

運動想像（Motor Imagery, MI）はBCIの重要なパラダイムで、刺激条件がない場合でも、運動想像タスク中に運動想像EEG信号（MI-EEG）が自発的に生成されます。MI-EEG信号には、運動意図期間中の運動皮質の神経活動パターンが埋め込まれている可能性があります。したがって、MI-EEG信号のデコードは、BCIシステムを通じて外部デバイスの精神的制御を実現するためのホットな研究課題となっています。

既存のMI-EEG分類方法は、さまざまな特徴抽出と機械学習の手法を含みます。しかし、これらの方法は分類精度と個人間のモデル適応性の点でまだ改善の余地があります。本論文では、これらの問題を解決するために、新しい源領域MI-EEG分類アルゴリズムを提案します。

研究出典

この論文は「Deep-learning-based motor imagery EEG classification by exploiting the functional connectivity of cortical source imaging」というタイトルで、Bian Doudou、Ma Yue、Huang Jiayin、Xu Dongyang、Wang Zhi、Cai Shengsheng、Wang Jiajun、そしてHu Nanなどが執筆しました。論文は2024年2月10日に「Signal, Image and Video Processing」誌にオンラインで発表されました。この研究はSpringer-Verlag London Ltd.の独占ライセンスにより提供され、Springer Natureの一部です。

研究詳細紹介

研究フロー

本研究のワークフローは以下のステップを含みます：

1. 高空間分解能の除去された電生理源イメージング（ESI）：ノイズ自己学習を持つChampagneアルゴリズムを使用して、高空間分解能の皮質源イメージングを生成します。
2. 機能的結合度量：運動皮質内で仮想コヒーレンス（ICoh）を計算し、この指標を使用してMI期間中の運動皮質源空間のグラフ構造を形成します。
3. グラフ畳み込みネットワーク（GCN）：ICohで構築されたグラフ構造を使用して、GCNを構築し空間特徴を抽出します。
4. 時間畳み込みネットワーク（TCN）：TCNとマルチヘッドアテンションメカニズムを使用して多スケールの時間特徴を抽出し、GCNに基づく空間アテンションメカニズムは空間と時間特徴の相互作用を促進します。
5. 特徴の結合と分類：抽出された全ての特徴を結合し、最終的な分類結果を得ます。

研究対象とサンプル

研究はPhysioNet EEG Motor Movement/Imageryデータセットを使用し、このデータセットには109名の被験者を含みます。各被験者が14ラウンドのMIタスクを実行します。各ラウンドで、被験者は複数回のMI