Spatial Sampling Density Matters: High-Density Frontal EEG for Emotion Decoding

技術要約：空間サンプリング密度が重要であること：感情デコーディングのための高密度前頭部EEG

問題提起
フルスキャルプ（全頭部）システムを用いたラボ環境におけるEEGベースの感情認識は成熟している一方で、多チャンネル構成の煩雑さから、ウェアラブルデバイスへの応用は依然として課題となっている。前頭部は、毛髪がなく平坦な表面であり、感情の価（バレンス）との確立された神経生理学的関連性を持つことから、臨床および消費者向けアプリケーションにおいて有望なターゲットである。しかし、既存の前頭部EEGアプローチは、通常、疎な電極レイアウトに依存している。本研究は、既存の疎な前頭部システムにおける限定的な性能が、前頭皮質自体に情報が欠如しているためなのか、それとも単に不適切なサンプリング密度によって十分な局所的空間情報を捉えきれていないためなのかという、文献における重要な空白を扱うものである。核心となる問いは、前頭領域内における空間サンプリング密度を高めることで、感情デコーディングの性能を向上させ、フルスキャルプシステムとの差を縮めることができるか否かである。

手法
本研究では、高密度前頭部EEG（HF-EEG）の有効性を検証するために、15名の健康な被験者を対象とした厳格な実験デザインを採用した。

• データ取得: 2つの柔軟な電極パッチ（3×8アレイ）を額の対称的な位置（サブリージョンAF7, FP1, FPz, FP2, AF8をカバー）に配置し、48チャンネルのHF-EEGデータセットを収集した。システムにはSAGA 64+アンププリアンプを使用し、サンプリングレートは2000 Hzとした。
• 実験パラダイム: 被験者は、SEEDデータセットの刺激から選定された12個のビデオクリップ（ポジティブ4、ネガティブ4、ニュートラル4）を視聴した。主観的評価により、感情状態が効果的に誘導されたことが確認された。
• 比較フレームワーク: 文脈を提供するため、本研究では以下の3つの条件を利用した。
  1. 新たに収集された48チャンネルのHF-EEGデータセット。
  2. フルスキャルプ62チャンネルのSEEDデータセット（公開ベンチマーク）。
  3. SEEDデータから抽出された14チャンネルの「Forehead SEED」サブセット。
• 前処理: すべてのデータセットに対し、リサンプリング（250 Hz）、共通平均参照（CAR）、50 Hzノッチフィルタリング、および0.5–50 Hzのバンドパスフィルタリングを含む、最小限かつ再現可能なパイプラインを適用した。主観的なバイアスを避けるため、独立成分分析（ICA）は明示的に除外した。
• 特徴抽出: 2つのスキームを用いた。
  • 統計的/DE特徴量: 従来の分類器のための時間領域統計量（平均、分散、RMS、ピーク・ツー・ピーク）および5つの周波数帯域（デルタからローガンマ）における微分エントロピー（DE）。
  • STFTベースのDE特徴量: ディープラーニングモデルのための、短時間フーリエ変換（STFT）によって構築された時間-周波数表現。
• モデル: SVM（サポートベクターマシン）、RF（ランダムフォレスト）、LDA（線形判別分析）、およびTransformerベースのディープラーニングモデルの4つの分類器を評価した。
• 評価プロトコル: データ漏洩を防ぐため、被験者内でのleave-one-trial-out戦略を用いた。試行はビデオクリップ単位で分割され、同一の試行からなる重複するウィンドウが訓練セットとテストセットの両方に現れないようにした。

主な貢献

1. 48チャンネルHF-EEGフレームワークの開発: 著者らは、15名の被験者からなる高密度前頭部取得システムと、厳格な検証を保証するための試行レベルのパーティショニングを用いた、対応する3クラス感情データセットを構築した。
2. チャンネル密度の系統的分析: 48チャンネルのHF-EEGデータを40、30、20、10チャンネルの構成へと段階的にサブサンプリングすることにより、本研究は、前頭部のチャンネル数と分類性能の関係を経験的に調査した。
3. コンテキスト・ベンチマーキング: 高密度前頭部サンプリング、疎な前頭部サンプリング（SEEDの14チャンネル・サブセット）、およびフルスキャルプ記録（62チャンネルのSEED）を直接比較することで、携帯性と精度のトレードオフに関する包括的な視点を提供した。

結果

• ベースライン性能: 48チャンネルのHF-EEGデータセットにおいて、Transformer分類器が最高精度66.08%（Macro-F1: 63.65%）を達成し、LDA（62.04%）、SVM（60.65%）、RF（58.51%）を上回った。
• チャンネル削減の影響: チャンネル数が減少するにつれて、性能の単調な低下が観察された。
  • 48チャンネル: 66.08%
  • 40チャンネル: 65.37%
  • 30チャンネル: 65.00%
  • 20チャンネル: 63.98%
  • 10チャンネル: 63.05%
  • 統計的有意性: ボンフェローニ補正を用いたウィルコクソンの符号付き順位検定の結果、48チャンネルと20チャンネルを比較した場合にのみ、性能の低下が統計的に有意であった（$p_{adj} = 0.0068$）。48チャンネルと10チャンネルの比較は、有意性に近づいた（$p_{adj} = 0.0537$）。
• ベンチマーク比較: フルスキャルプのSEEDデータセットは**67.02%の精度を達成し、疎な14チャンネルのForehead SEEDサブセットは53.33%**を達成した。48チャンネルのHF-EEG（66.08%）は、疎な14チャンネルのForehead SEEDよりも高い精度を示し、フルスキャルプシステムと同等の規模であったが、論文内ではこれらは統計的テストを行わずに文脈的なベンチマークとして報告されている。

意義と主張
本論文は、高密度前頭部サンプリングが、ウェアラブルデバイスに必要な携帯性と、臨床および実用的なアプリケーションに必要なデコーディング精度を効果的に両立させていると主張している。これらの知見は、従来の疎な前頭部EEGシステムが最適ではない性能を示すのは、前頭皮質における感情情報の欠如によるものではなく、不十分な空間サンプリングに起因している可能性が高いことを示唆している。48チャンネルの前頭部セットアップが、フルスキャルプシステム（66.08% vs 67.02%）に近い性能を実現し、かつ疎な前頭部サブセットよりも大幅に高い精度を実現することを検証することで、本研究は、高性能なウェアラブル情動ブレイン・コンピュータ・インターフェース（aBCI）の開発を支持する経験的な証拠を提供している。著者らは、前頭領域内における局所的な電極密度を高めることは、煩雑なフルスキャルプシステムに頼ることなく、感情認識を向上させるための実用的かつ効果的な戦略であると結論付けている。