EEG-Conformer for EEG Decoding: A Participant-Wise Evaluation and Ablation Study Across Three Datasets

人間の脳は、ニューロンの広大なネットワークを通じて微細な信号を放ち続ける、絶え間なく脈動する電気的なエンジンのようなものです。頭蓋を開けることなくこの会話に耳を傾けるために、科学者たちは脳波計（EEG）と呼ばれる手法を用います。彼らは頭皮にセンサー付きのキャップを装着し、これらの微かな電気的な波紋を捉えます。その目的は、これらのパターンを読み取ることで、脳が何を考えているか、あるいは何をしているかを解読することであり、これはブレイン・コンピューター・インターフェースとして知られる分野です。長年、研究者たちは、標準的なコンピュータープログラム、多くの場合畳み込みニューラルネットワークに基づいたものに頼ってきました。これらのプログラムは、頭の特定の場所に現れる特定の律動のような、局所的なパターンを見つけるのが得意です。しかし、脳はまた、ある領域の活動が遠く離れた別の領域に影響を与えるような、長距離の接続が存在する場所でもあります。これを捉えるために、「Transformer」と呼ばれる新しいタイプのコンピューターモデルが導入されました。これは、全体像を一度に見るように設計されており、遠く離れた信号を関連付けて、より大きな文脈を理解します。科学者にとっての大きな疑問は、この複雑な長距離思考を、より単純な局所的パターンマッチングに加えることが、実際に役立つのか、それとも単にシステムに不要な重みを加えるだけなのかという点です。

高陽大学の研究チームは、慎重かつ基礎的な調査によってこの問いに答えるべく取り組みました。彼らは新しい機械を発明したのではなく、代わりに、局所的なパターンマッチングと長距離思考を組み合わせた「EEG-Conformer」と呼ばれる既存のモデルを取り上げ、厳格なストレス・テストを行いました。彼らは、追加された複雑さが脳の読み取り能力を本当に向上させたのか、それとも単純で古い手法でも十分に通用するのかを確認したかったのです。また、小型のモーションセンサーである加速度計からのデータを追加することが、コンピューターによる脳の理解を助けるのか、それともその追加情報は単なるノイズに過ぎないのかもテストしました。これを行うために、彼らは48人の健康なボランティアから得られた新鮮な記録を集めました。各参加者は、頭皮に19個のセンサー、体に3個のモーションセンサーを備えたヘッドセットを装着しました。ボランティアは、目を開けて座る、目をつぶって座る、そして腕を一定時間上げたままにするという、3つの単純なタスクを行いました。研究者たちは、これらの脳波を非常に高い速度で記録し、1秒間に500回の電気活動のスナップショットを捉えました。

研究者たちはその後、このデータをコンピューターモデルに投入し、その人がどのタスクを行っているかをどれだけ正確に推測できるかを検証しました。一度限りの単発のテストでは、長距離思考を持つ複雑なモデルは、古い単純なモデルよりもわずかに優れた性能を示し、約67パーセントの精度に達しました。これは新技術の小さな勝利のように見えました。しかし、研究者たちは、単一のテストは、たった一度の試合だけで選手のスキルを判断するのと同様に、誤解を招く可能性があることを知っていました。真実を知るために、彼らは参加者を異なるグループにシャッフルし、コンピューターの学習プロセスを異なるランダムな設定で開始することで、実験を何度も繰り返しました。そうして実験を繰り返すと、景色が変わりました。最初のテストで見られた複雑なモデルの小さな優位性は消失するか、あるいは極めて小さくなりました。実際、多くの異なるグループ分けにわたってデータを精査したところ、複雑なモデルの精度は単純なモデルよりもわずか0.7パーセント高いだけであり、その差は、個々の人間の脳の自然な差異に対して、ほとんど気づかないほど微々たるものでした。

この研究は、モーションセンサーの役割についても調査しました。最初の単発テストでは、モーションセンサーを取り除くと驚いたことにコンピューターの性能が向上したため、モーションデータがシステムを混乱させていることが示唆されました。しかし、研究者が繰り返しテストを行ったところ、結果は逆転しました。モーションセンサーを取り除くことで、コンピューターの精度は実際には約1.2パーセント低下したのです。この逆転現象は、最初の結果が、その時たまたまデータがどのように分割されたかによって生じた、偶然の産物であったことを示しています。モーションセンサーには動きに関する有用な情報が含まれていましたが、その恩恵は小さく、テストを何度も実行して平均化したときに初めて現れるものでした。研究者たちはまた、1秒間に500スナップショットという高い記録速度が必要かどうかについてもテストしました。データを1秒間に125スナップショットまで減速させたところ、コンピューターの脳の読み取り能力は著しく低下しないことが分かりました。これは、これらのタスクにおける脳の電気信号を理解するために、これほど高い速度でのキャプチャは必要ではなく、高速記録による微細なディテールが成功の鍵ではなかったことを示唆しています。

おそらく最も示唆に富む部分は、コンピューターが異なるタスクをどのように処理したかという点でした。モデルは「目を開けている状態」と「目を閉じている状態」の区別には非常に優れており、約91パーセントの確率で正しく識別しました。これは、目を閉じる動作が、脳の後部において識別しやすい、強力でよく知られた律動を生み出すためです。しかし、モデルは「目を開けている状態」と「腕を上げたタスク」の区別に苦戦しました。これら2つの状態を約40パーセントの割合で混同したのです。研究者たちは、腕を上げる動作には筋肉の動きが伴い、それが脳活動に酷似した電気的なノイズを生み出すことに気づきました。この研究では、筋肉の信号を別途記録したり、筋肉のノイズを除去するための特別な手法を用いたりしていなかったため、コンピューターはタスク特有の脳信号ではなく、腕や肩の筋肉の動きを拾っていた可能性が高いのです。これは、コンピューターが腕の動きの「心を読んで」いたのではなく、物理的な動きに反応していたことを意味します。

この研究は、脳を読み取るコンピューターに複雑な長距離思考を加えることへの期待は、これらの特定のタスクにおいては誇張されている可能性があると結論付けました。より単純で古いモデルは、複雑なモデルとほぼ同等の性能を示し、追加されたコンポーネントがもたらす恩恵は、テストの方法に大きく依存する、極めて小さく一貫性のないものに過ぎませんでした。研究者たちは、データの分割方法が極めて重要であることを強調しました。もし、ある人物の試行の一部を学習用とし、同じ人物の他の試行を予測用としてテストする場合、コンピューターはその人物の脳パターンをすでに目にしているため、非常に賢く見えます。しかし、全く見たことのない新しい人物に対してテストを行うと、性能は低下し、モデル間の差は縮まります。この研究は、人間の脳を解読しようとする探求において、最も高度なツールが必ずしも最善であるとは限らず、慎重で繰り返しのテストを行うことこそが、新しいアイデアが真の画期的な進歩なのか、それとも単なる幸運な推測なのかを見極める唯一の方法であることを思い出させてくれます。