What Does EEG Preprocessing Contribute to Cross-Subject Decoding? A Subject-Level Ablation Study of High-Density EEG

技術要約：「EEGの前処理は被験者間デコーディングに何を寄与するか？ 高密度EEGにおける被験者レベルのアブレーション研究」

問題提起

脳波（EEG）デコーディングのパイプラインは、機械学習モデルに対して信号表現を形成するために、前処理ステップ（フィルタリング、アーチファクト処理、正規化、クリッピング、拡張）に大きく依存している。しかし、個々の前処理操作が持つ具体的な予測価値を、モデルのアーキテクチャやデータセットの特性から切り離して解明することはしばしば困難である。これは、未知の参加者への汎化を目的とする**被験者間デコーディング（cross-subject decoding）**において特に重要である。頭皮インピーダンス、生理学的特性、および記録環境の違いは、個人間の大幅な差異を生じさせる。近年の「マルチバース」研究（例：Kessler et al., 2025; Huang et al., 2025）は、前処理の選択がダウンストリームの結果に実質的な影響を与えることを確立しているが、大規模な被験者独立型の回帰タスクにおいて、どの特定の操作が不可欠であるかまでは特定していない。

手法

著者らは、NeurIPS 2025 EEG Foundation Challenge（コントラスト変化検出タスク）のデータを用いた制御されたアブレーション研究を実施した。本研究では、固定された高密度EEG表現（129チャンネル、100 Hz、2秒ウィンドウ）と、畳み込みアーキテクチャであるEEGNeXを使用した。

実験設計:

• データセット: 10,383個のトレーニングウィンドウ、1,717個の被験者内ホールドアウト・ウィンドウ、および26名のホールドアウト被験者を含む1,470個の被験者間テスト・ウィンドウ。
• プロトコル: 6つの段階的に構成された前処理条件を評価した。極めて重要な点として、入力ウィンドウ、被験者レベルの分割、モデルアーキテクチャ、最適化手順、および評価指標は、すべての条件で同一とした。変化したのは、ウィンドウごとの変換のみである。
• 条件:
  1. Raw Minimal（生データ最小構成）: 前処理なし。
  2. Per-sample Normalization（サンプルごとの正規化）: 時間軸方向のzスコア正規化（ウィンドウごと、チャンネルごとに平均と標準偏差を算出）。
  3. Filtering + Normalization（フィルタリング ＋ 正規化）: 0.5–35 Hzのバターワースフィルタ ＋ 正規化。
  4. Filtering + Normalization + Clipping（フィルタリング ＋ 正規化 ＋ クリッピング）: 振幅のクリッピング（$[-10, 10]$）を追加。
  5. Full Preprocessing（フル前処理）: チャンネルマスキング（平坦またはノイズの多いチャンネルをゼロにする）を追加。
  6. Full + Augmentation（フル ＋ データ拡張）: トレーニング時の拡張（時間シフト、ノイズ、スケーリング、チャンネルドロップアウト）を追加。
• 評価: 主要な指標は、被験者間テストセットにおける平方根平均二乗誤差（RMSE）とした。分析は、プールされたRMSE（全ウィンドウ）と、被験者レベルのRMSE（参加者を推論の単位として扱う）の2つのレベルで行われた。統計的有意性は、対応のあるウィルコクソンの符号付順位検定およびブートストラップ信頼区間（10,000回の再サンプリング）を用いて評価された。再現性は3つの固定されたトレーニングシードを用いて確認された。堅牢性は、評価時の摂動（perturbation）を通じて検証された。

主な貢献

1. 被験者レベルのアブレーション: 異なるデータセットやタスク間でパイプラインを変化させた従来の研究とは異なり、本研究は厳格な被験者ホールドアウト分割を用いた単一の固定された回帰問題内で、前処理操作の寄与を分離している。
2. 正規化の定量化: 本研究は、この特定の高密度かつ被験者独立型の設定において、サンプルごとの時間軸zスコア正規化が性能向上を駆動する支配的な要因であるという経験的証拠を提供している。
3. 複雑性の収穫逓減: 正規化されたパイプラインに対して、標準的なフィルタリング、クリッピング、チャンネルマスキング、およびトレーニング拡張を加えても、クリーンなデータに対する被験者間の予測精度に統計的に有意な改善は見られないことを示している。
4. 堅牢性と精度の区別: クリーンなデータの精度と、合成的な摂動に対する堅牢性の違いを区別しており、フルパイプライン（拡張を含む）は生データよりも堅牢であるが、クリーンなデータの精度に対するデータ拡張の具体的な寄与は無視できる程度であることを示している。

結果

• 正規化の影響: サンプルごとの正規化により、プールされた被験者間RMSEは0.7267（Raw）から0.3717へと減少した。これは約**48.9%**の減少である。
• 被験者レベルの一貫性: 正規化は、ホールドアウトされた被験者の76.9%（20/26名）において性能を向上させた。平均被験者レベルの改善は0.1274 RMSEであった（Wilcoxon $p = 0.0014$）。
• 増分的な利点の欠如:
  • 正規化にフィルタリングを加えると、エラーがわずかに増加したが、有意ではなかった（平均 $\Delta$RMSE = -0.0097, $p = 0.0669$）。
  • クリッピングとチャンネルマスキング（フル前処理）を加えた場合のRMSEは0.3736であり、正規化単独（0.3717）と統計的に区別がつかなかった。
  • トレーニング拡張を加えた場合のRMSEは0.3722であり、フル前処理条件との有意な差は認められなかった（$p = 0.7265$）。
• 再現性: 正規化条件は3つのトレーニングシード間で高い安定性を示したが（CV = 0.20%）、Raw条件は非常に不安定であった（CV = 21.4%）。
• 堅牢性: 統合された「Full + Augmentation」システムは、合成的な摂動（例：高周波成分の混入、低周波ドリフト）に対して、Rawのベースラインよりも有意に堅牢であった。ただし、本研究ではどのコンポーネント（正規化か拡張か）がこの堅牢性を駆動しているかは特定していない。
• 誤差分布: 正規化は、被験者レベルのエラーの上限（テール部分）を劇的に減少させた。Raw入力の下では、1人の被験者が全平方誤差の70.3%を占めていたが、正規化後には、誤差分布はタイトに集束し、極端な外れ値は存在しなくなった。

意義と主張

本論文は、抑制的な方法論的結論をもって締めくくられている。すなわち、この特定の高密度・被験者独立型EEG回帰設定においては、サンプルごとの正規化が、テストされた前処理パイプラインから得られる予測上の利益の大部分を占めている。

著者らは以下の点を強調している：

• 追加の前処理操作（フィルタリング、クリッピング、マスキング）は、正規化を適用した後では、測定可能な増分的な予測価値を提供しなかった。
• これは、フィルタリングやアーチファクト処理が望ましくないことを意味するのではなく、この特定の文脈においては、それらがさらなるクリーンデータの利点をもたらさなかったことを意味している。
• 結果は、前処理パイプラインを、単なる直感的な信号処理の正当性に基づいて「追加的なパッケージ」として受け入れるのではなく、増分的に評価すべきであることを示唆している。
• これらの知見は、CCDタスク、HBN-EEGデータセット、およびEEGNeXモデルに特有のものであり、あらゆるEEGタスクやモデルファミリーに対して普遍的な最適性を主張するものではない。

本研究は、具体的なパイプラインの経験的な特性化として機能しており、被験者間デコーディングにおいては、単純な正規化ステップがテストされた前処理パイプイルラインの中で最も重要なコンポーネントになり得る一方で、複雑さが必ずしも予測上の利益に直結するわけではないことを浮き彫りにしている。