技術的サマリー：LRP による EEG 基盤トランスフォーマーの解釈

問題提起

深層学習に基づく診断やブレイン・コンピュータ・インターフェース（BCI）におけるデータ不足の解決策として、脳波（EEG）分野への基盤モデル（FMs）の導入が有望視されている。しかし、特にトランスフォーマーアーキテクチャに基づくこれらのモデルの「不透明な」性質は、その更なる普及と臨床的な信頼獲得を妨げている。層別関連性伝播（LRP）のような特徴量帰属手法は、EEG における畳み込みニューラルネットワーク（CNN）や多層パーセプトロン（MLP）には成功裏に適用されてきたが、現代のトランスフォーマーベースの EEG-FM への適用は未踏の領域である。核心的な課題は、すべてのタスクに対して正解ラベルに依存することなく、これらの複雑なモデルの意思決定プロセスを LRP が効果的に探り、その妥当性を検証するか、あるいは「クレバー・ハンス」効果のような誤った学習戦略を明らかにできるかどうかを判断することである。

手法

著者は、代表的な EEG 基盤モデルである LaBraM モデル [2] に対して、注意機構を考慮した LRP [8] の適用を提案する。この手法は主に 3 つの構成要素からなる。

1. モデル構成: 本研究は、事前学習の効果を分離するために、LaBraM を以下の 3 つの構成で評価する。

   • ファインチューニング: モデル全体を適応させる標準的なアプローチ。
   • フリーズ: 事前学習済みのバックボーンを固定し、学習可能な分類ヘッドのみを使用する。
   • スクラッチから: 事前学習なしでランダムに初期化する。
     各構成は、ドロップアウト、初期化、データサンプリングの変動を考慮し、5 回訓練される。

2. 帰属と可視化:

   • LRP を適用し、各分類決定に対してすべての入力要素（時間ステップとチャネル）の関連性スコアを生成する。
   • EEG データの高次元性（$n_{channels} \times t_{in}$）と生成されるスコアの量に対処するため、著者は集約戦略を採用する。空間的パターン（トポグラフィ）を分析するために時間軸全体で帰属を集約し、時間的パターンを分析するためにチャネル全体で集約する。
   • 空間的可視化には、電極のトポロジーを保持し、矩形のヒートマップによる歪みを避けるために、離散的なボロノイセル着色が用いられる。

3. 実験パラダイム:

   • R 波検出（検証）: 生 EEG における心臓由来のアーティファクト（CFA）を予測する二値分類タスク。生理学的な源（心臓）と期待される電極位置（Iz）が既知であるため、正解ラベルによる検証として機能する。
   • PhysioMI L/R（確立されたパラダイム）: PhysioNet データセットを使用した運動イメージング/実行タスク（左拳対右拳）。モデルの汎化能力をテストし、潜在的なショートカット学習を明らかにする。
   • AffectiveVR（探索的）: VR 体験中の主観的な覚醒度と快・不快（バレンス）を予測する自然主義的パラダイム。このタスクには明確な正解ラベルが存在しないため、探索的な仮説生成のテストベッドとして機能する。

主要な貢献

本論文は以下の 3 つの具体的な貢献を行う。

1. EEG-FM における LRP の検証: 注意機構を考慮した LRP が、基盤 EEG トランスフォーマーにおいて妥当な帰属を生成することを初めて実証する。これは、R 波検出タスクにおいて、関連性が心臓に最も近い電極である Iz に正しく集中することによって検証された。
2. 誤った挙動の検出: この手法は、運動イメージングモデルにおける「クレバー・ハンス」的な挙動を成功裏に特定する。汎化性能の低いモデルが、運動野の信号ではなく、実験デザインからの視覚的手がかりを利用している可能性が高い眼球運動（眼動）アーティファクトに強く依存していることを明らかにする。
3. 新規仮説の探索: 複雑な情動状態に対する確立された直観が存在しない状況において、LRP の独自の可能性と限界を特徴づける。覚醒度予測において、C2、Cz、FC2、CP2 といった中心電極の関連性という反復的で生物学的に妥当なパターンを特定し、快・不快とは区別される覚醒に特化した感覚運動シグネチャを提案する。

結果

• 性能:
  • R 波検出: ファインチューニングされた LaBraM は約 75% のバランス精度（BAC）を達成し、モデルが正しい生理学的信号を学習していることを確認した。
  • PhysioMI L/R: 性能はばらついていた。5 回のファインチューニング実行のうち 2 回が 70% 超の BAC を達成したが、他の実行はランダム推測に近い結果であった。重要なのは、帰属マップがこれら 2 つのグループを区別した点である。成功した実行では側方化された側頭前頭のパターンを示したが、不成功な実行では眼動領域に焦点を当てていた。
  • AffectiveVR: すべてのモデル（ファインチューニング、スクラッチから、フリーズ）と CSP-LDA ベースラインは同様に機能し、BAC は約 55%（中央値分割による二値分類における 50% のランダムベースラインをわずかに上回る）であった。
• 帰属パターン:
  • 符号反転: パターンは空間構造において一貫していたが、時折符号が反転（着色の反転）していた。これは関連性の大きさには影響しない。
  • 運動イメージング: 成功したモデルは側方化されたパターンを示したが、これらでさえも手運動領域よりも眼動領域に近い側頭電極に焦点を当てており、純粋な神経運動シグネチャではなく、タスク相関の眼動への依存を示唆している。
  • 覚醒度対快・不快: 覚醒度予測は一貫して中心電極クラスター（感覚運動野）を強調し、これは情動的文脈によって調節される準備電位と関連している可能性がある。このパターンは快・不快予測には見られず、それが一般的な運動デコーディングのアーティファクトではなく、覚醒に特化したシグネチャであるという仮説を支持する。
  • 快・不快予測: パターンは確立された文献と一貫性が少なく、曖昧さを示した。これは、筋電図（EMG）のような顔面筋肉からのアーティファクトなど、誤ったアーティファクトを神経信号と区別することが困難な、直観が乏しい領域におけるヒートマップの解釈の難しさを浮き彫りにしている。

意義と主張

本論文は、LRP を EEG-FM に対する検証と探索の二重目的ツールとして位置づける。

• 検証: LRP は、モデルが意図した生理学的信号を学習していることを検証し（R 波検出で確認されたように）、過学習やショートカット学習を暴露する（失敗した運動イメージングモデルにおける眼動依存で確認されたように）。EEG において信号は直接解釈可能ではなく、ショートカット学習が歴史的に研究の方向性を無効化してきたことを考慮すると、これは極めて重要である。
• 探索: 学習された表現を神経科学的仮説に変換することにより、LRP は、覚醒における中心的な感覚運動シグネチャなど、新規かつ生物学的に妥当な関係性を表面化させることができる。著者は、これにより EEG-FM 研究が純粋な予測性能の追求を超え、脳と行動の関係の理解へと進むと主張する。

限界と謙虚さ:
著者は明示的に以下の 3 つの留保事項を認めている。

1. 解釈可能性: EEG におけるヒートマップの解釈は依然として主観的であり、専門知識を必要とする。自然画像に比べて、無意味な戦略の特定は困難である。
2. 方法的基盤: LRP の選択は、トランスフォーマー以外のモデルで行われた比較に基づいている。EEG-FM における更なる忠実度測定（例：AOPC）が必要である。
3. モデル能力: 「スクラッチから」や CSP-LDA などの専門モデルに対する一貫した性能向上の欠如は、現在の EEG-FM が EEG の「潜在的な理解」を十分に活用していないことを示唆している。したがって、LRP の発見可能性は、現在のところ基盤モデル自体の能力によって制約されている。

本論文は、LRP が EEG-FM 開発の軌道にとって強力なツールではあるが、その臨床展開や決定的な発見への有用性は、現時点では基盤モデル自体の成熟度によって制限されていると結論づけている。