技術的概要：EMAG – EEG 空間超解像のための微分可能な 4 次元ガウス混合スプラッティング

問題定義

高密度脳波（HD-EEG）は皮質活動の微細な測定を可能にするが、高価なハードウェアコスト、長いセットアップ時間、患者の不快感により、臨床および研究用途において実用的でないことが多い。**EEG 超解像（SR）**の問題は、低密度（LD）電極の稀疏な部分集合からこれらの高密度信号を再構成することを目指すものである。

既存の深層学習アプローチは、通常、SR を電極空間で直接動作するチャネル間マッピング問題（CNN、GAN、拡散モデルなどの使用）として扱う。これらの手法は、脳源が頭皮電極に投影される物理的な前方モデルを明示的に欠いており、再構成精度と解釈可能性を向上させる可能性のある物理的帰納バイアスを欠いている。さらに、以前のニューラルフィールドアプローチ（Neural Brain Fields など）は、明示的で解釈可能な源局在化を提供しないブラックボックスの MLP に依存することが多い。

手法：EMAG

著者は、EEG 超解像を潜在 4 次元源場のレンダリングとして再定式化する微分可能なフレームワーク**EMAG（EEG 異方性ガウス混合）**を提案する。

1. 問題定式化

LD 記録 $X_{LD} \in \mathbb{R}^{m \times T}$ が与えられたとき、HD 記録 $X_{HD} \in \mathbb{R}^{M \times T}$ へのマッピングを学習することを目的とする。このマッピングを電極空間で直接学習するのではなく、EMAG はそれを 2 つの段階に分解する：

1. 推論：LD 入力に基づいて潜在 4 次元源場 $S(x, t)$ を導出する。
2. レンダリング：微分可能な前方モデルを用いて $S$ を頭皮電極に投影し、$\hat{X}_{HD}$ を生成する。

2. 異方性 4 次元ガウス表現

「シーン（脳容積）」は、球状の脳グリッド $\mathcal{G}$ 上に配置された異方性 4 次元ガウスの混合としてモデル化される。

• グリッド：半径 90mm の球内の一様立方格子（デフォルト解像度 $R=12$、約 826 個のグリッド点）。
• 混合：各グリッド点に $G$ 個のガウス成分が配置される（デフォルト $G=3$）。
• パラメータ化：各成分は、正定値性を保証するためにチョレスキー分解（$L L^\top$）を介してパラメータ化された完全な4$\times$4 精度行列 $\Sigma^{-1}$ で定義される。これにより以下が可能となる：
  • 異方性空間拡がり：x、y、z 軸に沿った異なる分散。
  • 明示的な時空結合：精度行列の非対角項が空間次元と時間次元を結合し、源の空間的広がりが時間とともに進化することを可能にする。
• 振幅変調：各ガウスは固定された基本振幅 $w$ と、軽量な時間エンコーダおよび変調 MLP を介して LD 入力によって駆動される時間変動調整 $\Delta w(t)$ を持つ。

3. 微分可能な前方モデル（レンダリング）

電極 $j$ および時間 $t$ における予測信号は、すべてのガウス成分からの寄与の総和である：
$$\hat{X}_{j,t} = \sum_{n=1}^{N_{total}} a_n(t) \cdot \exp\left(-\frac{1}{2} d_{j,n,t}^\top \Sigma_n^{-1} d_{j,n,t}\right)$$
ここで、$d_{j,n,t}$ は電極とガウス中心間の 4 次元変位ベクトルである。この定式化はコンピュータビジョンにおけるガウススプラッティングを模倣するが、EEG 源投影の物理法則を取り入れている。

4. 学習

モデルは、レンダリングされた信号と真の HD-EEG の間の平均二乗誤差（MSE）を最小化することにより、エンドツーエンドで学習される。さらに、適切に条件付けられた精度行列を確保するために、共分散および振幅パラメータに対して小さな $L_2$ 正則化が加えられる。明示的な源局在化の教師信号は不要である。

主な貢献

1. EEG 用の微分可能な 4 次元レンダリング：本論文は、EEG 超解像を、球状の脳グリッド上の異方性ガウスの混合である「シーン」の 4 次元源場の微分可能なレンダリングとして定式化する。
2. 異方性 4 次元パラメータ化：著者は、各ガウスに対して（チョレスキー分解を介した）完全な 4$\times$4 精度行列パラメータ化を導入し、標準的な等方性または空間のみのモデルでは捉えられない異方性空間拡がりおよび明示的な時空結合を可能にする。
3. 解釈可能な源表現：ブラックボックスの深層学習モデルとは異なり、EMAG は明示的な源構成（3 次元位置、異方性形状、時間プロファイル）を生成する。これにより、明示的な局在化教師なしでも事後分析を通じて源マップを回復することが可能となる。
4. 体系的な評価：このフレームワークは、2$\times$から 16$\times$までの超解像係数で 3 つの公開ベンチマーク（Localize-MI、SEED、SEED-IV）において評価され、ほとんどの設定で現在の最先端手法を上回った。

実験結果

著者は、3 つのデータセットにおいて、7 つの確立されたベースライン（現在の SOTA である SRGDiff を含む）に対して EMAG を評価した：

• Localize-MI（256 チャンネル）：EMAG はすべての超解像係数（2$\times$から 16$\times$）で最良の性能を達成した。16$\times$において、最も強力なベースラインと比較して NMSE を 41–62% 削減し、SNR を 2.5–4.4 dB 改善しながら、ピアソン相関係数（PCC）を 0.88 以上で維持した。
• SEED および SEED-IV（62 チャンネル）：EMAG はすべての指標において 2$\times$および 4$\times$の係数で優位であった。8$\times$では NMSE/SNR でわずかに劣ったが、PCC では情報理論的限界と一致し、2 番目に良い結果を維持した。
• 効率性：EMAG は被験者あたり約 76k パラメータを使用し（SRGDiff の 30 分の 1）、単一 GPU で 30 分未満で学習する。
• アブレーション研究：4 次元異方性、球状グリッド制約、または空間分解された条件付けを除去すると性能が大幅に低下し、各設計選択の必要性が実証された。
• チャネル選択：この研究では、解剖学的に動機付けられたサブセット（前頭部またはリムクラスターなど）よりも、LD チャネルの一様ランダムサンプリングが優れていることが判明し、超解像の逆問題には均一な空間カバレッジが最適であることを示唆している。

意義と主張

本論文は、EMAG がコンピュータビジョンのレンダリング技術と不適切な EEG 逆問題をつなぎ合わせ、EEG 超解像のための実用的で解釈可能な道筋を提供すると主張する。

• 解釈可能性：明示的なガウスパラメータ化により、学習された脳源構成の直接視覚化が可能である。Localize-MI データセットでは、高振幅のガウスが既知の刺激部位の近くにクラスター化しており、異方性形状は点状、細長い、またはシート状として分類可能であった。これは明示的な教師なしでも神経源幾何学に関する洞察を提供する。
• 物理情報に基づく学習：データ駆動型の補間だけに依存するのではなく、物理情報に基づく前方モデル（ガウスレンダリング）を埋め込むことで、EMAG は特に空間勾配が急峻な焦点性誘発応答において、より高い忠実度を達成する。
• パーソナライゼーション：著者は EMAG を軽量なパーソナライズされた SR モジュールとして位置づける。個々の皮質配置を捉えるために被験者ごとの学習が必要であるが、アーキテクチャ自体は再利用可能な幾何学的事前分布を符号化しており、ゼロショットの被験者間設定では古典的な補間手法（球状スプラインなど）よりも汎化性能が高い。

著者は、このアプローチが希少な臨床ハードウェアから HD の洞察を解き放ち、源局在化やバイオマーカー発見に寄与する可能性があると結論づける一方、再構成された信号はモデルに基づく外挿であり、さらなる検証なしに単独の診断証拠として使用すべきではないと警告している。