Fusion hidden Markov modeling reveals a dominant backbone state and transient alternatives in simultaneous resting-state EEG-fMRI

本研究は、同時記録された EEG-fMRI データに対して融合隠れマルコフモデルを適用し、脳活動の基盤となる支配的な状態と、一時的な代替状態の 2 種類が存在し、それぞれで脳波と血流動態のネットワーク表現が異なることを明らかにした。

要約

この論文は、人間の脳が「休んでいる時（安静時）」に何をしているのかを、2 つの異なるカメラで同時に撮影して分析した面白い研究です。

専門用語を避け、わかりやすい比喩を使って説明しましょう。

🧠 脳の「休んでいる時」も、実は忙しく動いている

私たちが「何もしないで座っている」と思っている時でも、脳は決して静止していません。まるで**「静かな湖」**のように見えても、実は水面下で波が絶えず立ち、形を変えています。

これまでの研究では、この「波」を平均化して「1 つの大きな姿」として捉えることが多かったのですが、この論文は**「脳は時間とともに形を変えながら、いくつかの決まったパターン（状態）を繰り返している」**と指摘しています。

📷 2 つのカメラ：EEG と fMRI

この研究では、脳の活動を捉えるために 2 つの異なるカメラを使いました。

1. EEG（脳波計）: 脳内の電気信号を捉えるカメラ。非常に速いですが、どこで起きているか（場所）を特定するのが少し苦手です。
2. fMRI（脳機能画像）: 血流の変化を捉えるカメラ。場所を詳しく特定できますが、反応はゆっくりです。

これら 2 つのカメラを同時に使うのは、「速いカメラ」と「遅いカメラ」の映像を完璧に重ね合わせるような難しい作業です。ズレがあると、意味のない画像になってしまいます。

🔗 この研究のすごいところ：「融合（フュージョン）」の魔法

著者の Georgina さんは、この 2 つのカメラの映像を、**「1 つのストーリー」**として見事に統合する新しい方法を開発しました。

• 従来の方法: 2 つのデータを別々に見て、「たぶん関係あるかな？」と推測する。
• この研究の方法: 2 つのデータを**「同じ時間軸、同じ場所」**で厳密に合わせ込み、脳が今「どの状態」にあるかを、2 つのカメラの情報を組み合わせて推測する。

まるで、「速いカメラの動き」と「遅いカメラの風景」を、1 つの映画のフレームに完璧に合成するような作業です。

🎭 発見された「3 つの脳の状態」

この新しい方法でデータを分析したところ、脳は実は**「3 つの決まった状態」**を行き来していることがわかりました。

1. 🏰 主役の「背骨状態（バックボーン）」

   • 特徴: 最もよく現れる状態。脳が**「安定した通常モード」**で動いている時です。
   • イメージ: 街の中心にある**「広場」**。多くの人が集まり、いつものように穏やかに活動しています。これが脳の「基本の形」です。

2. 🌫️ 影の「薄まった状態」

   • 特徴: 主役の状態が**「少し弱まった」**ような状態です。
   • イメージ: 広場の人が一時的に減り、**「薄暗い霧」**がかかったような状態。脳の活動が全体的に少し静かになっています。

3. 🎨 色が変わった「再配置状態」

   • 特徴: 単に弱まるのではなく、**「特定の部分だけ強調され、他の部分が弱まる」**状態です。
   • イメージ: 広場の人が一時的に**「特定のグループ」**（例えば、感情に関わるエリア）に集まり、他のエリアは空っぽになるような状態。脳の使い方が一時的に切り替わっています。

💡 この研究が教えてくれること

• 脳はランダムではない: 休んでいる時でも、脳は「安定した基本形」をベースに、一時的に「薄まった状態」や「切り替わった状態」を行き来しています。
• 電気と血流のダンス: 電気信号（EEG）と血流（fMRI）の関係は、状態によって変わります。
  • 「基本状態」では、電気と血流の関係は少し曖昧かもしれません。
  • しかし、「一時的な状態」では、電気と血流が**「より強く、鮮明にリンク」**している瞬間があることがわかりました。

🌟 まとめ

この研究は、**「脳という複雑な楽器が、休んでいる時でも、3 つの決まったメロディ（状態）を繰り返しながら演奏している」**ことを発見しました。

そして、そのメロディを聴くために、**「2 つの異なる楽器（EEG と fMRI）の音を、完璧に重ね合わせる新しい楽譜（分析方法）」**を作ったのです。

これにより、私たちはこれまでにない視点で、脳がどのように「休んでいる時」の準備をしているのか、そして電気と血流がどう協力して脳を動かしているのかを理解できるようになりました。

技術概要

この論文は、同時記録された脳波（EEG）と機能的磁気共鳴画像法（fMRI）のデータを統合し、休息状態における脳ダイナミクスを解析するための新しい融合モデル化フレームワークを提案した研究です。著者の Georgina E. Cruz 氏は、両モダリティの時間軸の違いや前処理の複雑さを克服し、再現性に基づいたモデル選択を行うことで、脳の状態を記述する隠れマルコフモデル（HMM）を構築しました。

以下に、論文の技術的概要を問題設定、手法、主要な貢献、結果、意義の観点から詳細にまとめます。

1. 問題設定 (Problem)

• マルチモーダル統合の難しさ: 同時 EEG-fMRI は、高速な電気的活動（EEG）と全脳的な空間組織（fMRI）を同時に捉える強力な手段ですが、両者の時間スケールが異なり、前処理過程で EEG の時間軸が変化するため、共通の全脳モデルで統合することが技術的に困難です。
• 既存手法の限界: 多くの研究では、一方のモダリティを他方の予測変数として扱うか、単一の平均的な結合パターンを仮定しています。しかし、脳活動は静的ではなく、時間とともに再編成される動的プロセスであり、これを捉えるには「共有された脳状態」としての両モダリティの結合観察が必要です。
• モデル選択の課題: 潜在状態（脳の状態）の数を適切に決定することが難しく、過剰適合や前処理の選択に依存した不安定な解が導かれるリスクがあります。

2. 手法 (Methodology)

著者は、以下のステップを含む厳密な融合モデル化フレームワークを構築しました。

• データセット: 公開データセット（Telesford et al.）から、12 名の健康な成人による 15 回の「目を開けた休息状態」の同時 EEG-fMRI 記録を使用しました。
• 前処理と特徴量抽出:
  • EEG: 標準的なグラデントアーチファクトとバリストカルジオグラム（BCG）除去済みデータを使用。ICLabel を用いた保守的な独立成分除去を行い、Brainstorm 上で手動で不良区間を除外。MNI 空間へのソース定位を行い、Schaefer 2018 アトラス（200 パーセル、7 大ネットワーク）に基づいてボリュームグリッド上で特徴量を抽出しました（主成分分析 PC1 を使用）。
  • fMRI: fMRIPrep 派生データを使用。ノイズ回帰（運動、白質、脳脊髄液など）を施し、同じ Schaefer アトラスに基づいてパーセル時系列を抽出しました。
• 時間軸の整合と融合データセットの構築:
  • EEG の前処理により有効な時間軸が変化するため、生データと前処理済みデータのタイムスタンプを照合し、TR（2.1 秒）レベルで両モダリティを厳密に整合させました。
  • TR 保持ルール: 1 TR 内で 70% 以上（または 50% 以上かつ連続）の EEG が利用可能で、かつサンプル数が 50 以上ある場合のみ TR を保持。
  • 最終的に、ラグなし（no-lag）、最小 15 TR の連続区間のみを抽出し、400 次元（BOLD 200 + EEG パワー 200）の観測ベクトルからなる融合データセットを作成しました（合計 3550 TR、124.25 分）。
• モデル選択（Leave-One-Subject-Out Cross-Validation）:
  • 潜在状態数 $K$（2〜12）を掃引し、ホールドアウトされた被験者データに対する自由エネルギー（free energy）を評価。
  • 1-SE ルール（標準誤差の範囲内で最小のモデルを選択）と、状態の再現性（状態シグネチャの相関、遷移構造の類似性）に基づき、最適なモデル数を決定しました。
• 最終モデル: 選択されたモデル（$K=3$）を全データにフィットさせ、状態の時間的・空間的・クロスモーダルな構造を解析しました。

3. 主要な貢献 (Key Contributions)

• 実用的な融合ワークフローの確立: 時間軸の整合、共通のアトラス空間、厳格な TR 保持ルール、再現性重視のモデル選択を組み合わせた、解釈可能な全脳 EEG-fMRI 融合解析パイプラインを提示しました。
• 生物学的に解釈可能な状態構造の発見: 単なる統計的な結果ではなく、生物学的な意味を持つ「支配的なバックボーン状態」と「一時的な代替状態」という明確な構造を同定しました。
• クロスモーダル構造の記述: 脳の状態によって、電気生理学的活動（EEG）と血流動態反応（BOLD）の対応関係がどのように変化するかを初めて定量的に記述しました。

4. 結果 (Results)

• 最適なモデル数: クロスバリデーションと安定性解析の結果、**3 状態モデル（$K=3$）**が最もパースニピエント（簡潔かつ再現性が高い）な解として選ばれました。5 状態以上のモデルは、自由エネルギーがわずかに改善するものの、状態の再現性が低く、実質的に 1 つの状態に収束する（オーバーパーティショニング）傾向がありました。
• 3 つの脳状態の特性:
  1. 状態 S2（支配的なバックボーン状態）:
     • 最も高い占有時間（Fractional Occupancy）と持続性を持ちました。
     • 視覚、体性感覚運動、サルience/腹側注意、背側注意、デフォルトモードネットワークなど、主要な大規模ネットワークの構造的な結合が最も明確でした。
     • クロスモーダル（BOLD-EEG）構造は比較的平坦（ニュートラル）でした。
  2. 状態 S1（一時的な代替状態：広範な減衰）:
     • 占有時間は低く、S2 から S1 へ移行しやすく、再び S2 へ戻る傾向がありました。
     • BOLD 結合は S2 と同様のパターンを示しつつも、全体的に**減衰（弱体化）**していました。
     • 一方、クロスモーダル構造では、視覚ネットワークと EEG の間で広範な正の相関シフトが見られ、電気的・血流動態的表現の整合性が強まっている状態でした。
  3. 状態 S3（一時的な代替状態：選択的再重み付け）:
     • 占有時間は低く、S2 への回帰が主でした。
     • BOLD 結合は単純な減衰ではなく、リムピック系の組織化が相対的に強く、デフォルトモードや制御系ネットワークが弱まるなど、選択的な再構成を示しました。
     • クロスモーダル構造も S1 と異なり、視覚・体性感覚・サルience系では正のシフト、背側注意系などでは負のシフトなど、選択的な再配分が見られました。

5. 意義と結論 (Significance)

• 脳ダイナミクスへの新たな視点: 休息状態の脳活動は、単一の静的な結合パターンではなく、1 つの安定した「バックボーン状態（S2）」を基盤とし、その周りで「減衰状態（S1）」や「再構成状態（S3）」といった一時的な代替状態が遷移する低次数の動的アーキテクチャとして組織化されていることを示しました。
• マルチモーダル整合性の可変性: 重要な発見として、EEG と fMRI の対応関係（クロスモーダル構造）は脳の状態によって変化することが示されました。特に、S2（支配状態）では BOLD 構造が明確ですがクロスモーダル相関は弱く、S1 や S3（一時的状態）では電気生理学的・血流動態的表現がより強く整合している可能性があります。これは、脳の状態によって「電気信号と血流反応がどの程度共変するか」が変化する可能性を示唆しています。
• 将来的展望: この研究は、因果関係の解明というよりは、記述的な状態モデルの構築に重点を置いています。しかし、このフレームワークは、大規模コホートへの拡張、疾患群との比較、ラグを考慮したモデルへの発展など、今後の研究の基盤となるものです。

総じて、この論文は、技術的に厳密な融合手法を用いることで、休息状態の脳活動が持つ単純だが再現性のある低次数の動的構造を明らかにし、電気生理学的および血流動態的ネットワークの表現が脳の状態に応じてどのように変化するかを生物学的に解釈可能な形で提示した点で画期的です。