A Domain-Informed Multi-Objective Framework for EEG Channel Selection in Motor Imagery BCIs

技術的概要：運動イメージング BCI における EEG チャンネル選択のためのドメイン知識に基づく多目的フレームワーク

問題定義
運動イメージング（MI）に基づくブレイン・コンピュータ・インターフェース（BCI）は、外部機器を制御するために、感覚運動領域からの脳波（EEG）信号のデコーディングに依存している。効果的な MI-BCI を開発する上での重要なボトルネックは、最適な EEG チャンネルの選択である。従来の手法は、単一目的基準（例えば、分類精度の最大化のみ）への依存、局所最適解への陥りやすさ、空間的および機能的な目的を単一の集約スコアに統合する傾向といった制限にしばしば悩まされる。これらのアプローチは、ノイズの多いまたは神経生理学的に無関係なチャンネルを選択し、MI に関連するチャンネルを除外することで、ノイズ低減、解剖学的関連性、信号の弁別性との間の真のトレードオフを捉え損なう可能性がある。

手法
著者は、コンパクトで関連性の高い EEG チャンネルのサブセットを選択するために設計された、ドメイン知識に基づく多目的最適化（MOO）フレームワークを提案する。このフレームワークは、前処理、多目的チャンネル選択、特徴量抽出/選択、分類という 4 つの段階で動作する。

1. 問題定式化: チャンネル選択タスクは、2 つの競合する目的を同時に最大化することを目的とした制約付き多目的最適化問題として定式化される。

   • 空間的関連性（$f_{sp}$）: この目的は、感覚運動皮質の参照領域（C3 および C4）の近くにあるチャンネルを優先する。ガウスカーネルを用いて、空間的に近接した電極に高い重みを割り当て、遠方の電極を抑制する。
   • 機能的弁別性（$f_{ITTRD}$）: この目的は、個々の試行における活性化期間とベースライン期間との間のスペクトルパワーのパーセント変化（試行内タスク関連脱同期：Intratrial Task-Related Desynchronisation）を定量化する。試行全体で平均化する従来の ERD/ERS 手法とは異なり、この指標は試行固有の神経特性を保持する。

2. 最適化アルゴリズム: 定式化された MOO 問題を解決し、目的を単一のスコアに統合することなくパレート最適解（POS）を特定するために、このフレームワークは 3 つの集団ベースのグローバル最適化アルゴリズムを採用する。

   • NSGA-II（非支配ソート遺伝的アルゴリズム II）: エリート制と混雑距離を利用して、多様な解の集団を維持する。
   • MOPSO（多目的粒子群最適化）: 群知能を用いて、非支配解のレポジトリを維持しながら迅速に収束する。
   • MOEA/D（分解に基づく多目的進化アルゴリズム）: 問題をスカラー部分問題に分解し、近隣関係を通じて同時に解決する。

3. 特徴量抽出と分類: チャンネル選択に続いて、フレームワークは 9 つの周波数帯域（4–40 Hz）にわたってフィルタバンク共通空間パターン（FBCSP）を用いて空間的・スペクトル特徴を抽出する。さらに、19 の統計的および時間領域特徴が抽出される。次元削減は最小冗長最大関連性（mRMR）を用いて行われ、上位 10 の特徴量が保持され、その後サポートベクターマシン（SVM）を用いて分類される。

主要な貢献
本論文は、4 つの主要な貢献を概説している。

1. フレームワークの提案: 空間的関連性と機能的弁別性を独立した補完的な目的として扱い、NSGA-II、MOPSO、および MOEA/D を通じて解決する、MI 分類における EEG チャンネル選択のための多目的最適化フレームワーク。
2. 新規目的関数: C3/C4 の近接性を強調するガウスカーネルベースの空間的関連性指標と、タスク関連バンドパワー変化を定量化する ITTRD ベースの機能的弁別性指標の導入。
3. アルゴリズムの実装: 目的の独立性を保持し、局所最適解を効果的に回避して多様なパレート最適チャンネルサブセットを生成するための、3 つの高度な MOO アルゴリズムの実装。
4. ベンチマークの確立: 4 つの公開 EEG データセット（Physionet、OpenBMI、HighGamma、BCIIV-2A）全体でのベンチマークの確立。感覚運動領域に集中した効率的なチャンネルサブセットを特定し、分類精度と計算効率を向上させること。

結果
このフレームワークは、チャンネル数と被験者数が異なる 4 つのデータセットで評価された。

• Physionet（109 名、64 チャンネル）: MOPSO は、16 個の選択されたチャンネルを使用して最高精度の**87%**を達成した（全特徴量使用時の 76% から向上）。NSGA-II と MOEA/D はそれぞれ 83% および 80% を達成した。
• OpenBMI（54 名、62 チャンネル）: MOPSO は、選択された特徴量を用いて精度を 61% から**71%**に向上させた。
• HighGamma（14 名、128 チャンネル）: NSGA-II と MOPSO はそれぞれ**75%および74%**の精度を達成した。
• BCIIV-2A（9 名、22 チャンネル）: MOPSO と MOEA/D は**63%**の精度を達成し、NSGA-II は 61% に達した。

統計分析（一元配置分散分析および Tukey HSD）は、提案された多目的アプローチが、ドメイン知識を欠く貪欲なベースラインに対して、Physionet、OpenBMI、および BCIIV-2A データセットにおいて有意に優れていることを確認した（$p < 0.05$）。貪欲なベースラインは一部のデータセットで高い精度を達成した（例：Physionet で 93%）が、選択されたチャンネルは一貫した神経生理学的パターンを欠いていた。これに対し、MOO フレームワークはトポマップで可視化されたように、感覚運動皮質（C3/C4）の周辺に集中したチャンネルサブセットを一貫して特定した。

意義と主張
本論文は、この多目的最適化フレームワークが、従来の単一目的およびヒューリスティックなチャンネル選択手法の制限に対処すると主張している。空間的および機能的な目的の独立性を保持することにより、このフレームワークは、神経生理学的に意味があり、かつ弁別性のあるコンパクトなチャンネル構成を成功裏に特定する。

著者は、このアプローチが MI ベースの BCI の性能を向上させると同時に計算複雑性の低減を促進し、その結果として生じるシステムをウェアラブル、ポータブル、リアルタイムアプリケーションにより適したものとすると主張している。この研究は、ドメイン知識（運動皮質の事前知識）を最適化プロセスに統合することが、分類器固有の手がかりではなく生理学的信号に依存する可能性のある「ブラックボックス」的な電極選択を回避し、正確であるだけでなく解釈可能なチャンネルサブセットをもたらすことを示している。このフレームワークは、さまざまな BCI パラダイムにおける EEG チャンネル選択に関する将来の研究のための堅牢なベンチマークとして提示されている。