STFEEG-ツール:運動画像脳-コンピュータインターフェースのための空間・時間・周波数EEG解析ツール

サマリー

本研究は、運動画像EEG復号のための時空間周波数EEG解析ツール(STFEEG)を実装するための標準化かつ再現可能なプロトコルを提示し、設定可能な空間・時間周波数セグメンテーション、共通空間パターン(CSP)に基づく特徴抽出、複数分類アルゴリズム、可視化機能を組み込んでいます。

要約

運動イメージ・ブレイン・コンピュータ・インターフェース(MI-BCI)は、神経リハビリテーションおよび認知神経科学において大きな可能性を示しています。しかし、設定可能な空間・時間・周波数特徴解析のための標準化かつ再現可能なMI-EEGワークフローは依然として限られており、多くのパイプラインは解釈性に限られた複雑な設定やパラメータ調整を必要とし、実用的な展開や一般化を妨げています。これらの課題に対応するため、MIパラダイムにおけるEEGデコードのために、ユーザーフレンドリーで標準化され、解釈可能なワークフローを提供するSTFEEGツールが開発されました。STFEEG-Toolは、時間的、周波数帯域、空間的セグメンテーションを細かく構成し、マルチスケールMIの特徴抽出を可能にします。このツールボックスは、共通空間パターン(CSP)や発散ベースのCSP(div-CSP)を含む複数の特徴抽出アルゴリズム、さらにサポートベクトルマシン(SVM)、リッジ回帰分類器、ラッソ分類器などの分類器を統合しています。動的な時間-周波数スカルプのトポグラフィーマップを提供し、時間-周波数区間にわたる空間パターンを要約し、復号結果の解釈を支援します。総じて、STFEEG-Toolは細粒度MI-EEG解析のための再現性と拡張性のプラットフォームとして機能し、細かいデコーディングパイプラインを実用的でユーザー指向の応用へと変換することを可能にします。

概要

運動イメージ脳-コンピュータインターフェース(MI-BCI)は、末梢筋活動を必要とせずに人間の脳と外部機器間の直接的な通信を可能にします^。近年、MI-BCI技術は神経リハビリテーション²、補助制御³、ヒューマンコンピュータインタラクション⁴に広く応用されています。これらのアプリケーションは、プログラミングの専門知識が限られたユーザーを含む研究者や臨床医が確実に採用できるアクセスしやすく再現可能な分析ワークフローの必要性を強調しています。

従来のMI-EEG復号手法は、主に空間フィルタリングと線形分類の枠組みに基づいています。共通空間パターン⁵(CSP)や発散ベースCSP⁶(div-CSP)などの手法は、多チャンネルEEG信号から識別的な空間特徴を抽出するために広く用いられています。異なる周波数成分間で特徴をさらに抽出するために、フィルターバンクCSP⁷(FBCSP)およびサブバンドCSP ^8,9(SBCSP)が広く検討されています。さらに、各試行を複数の時間区間に分割することで時間的セグメンテーションが特徴抽出プロセスに統合されており、進化する識別パターンの捕捉や復号性能のさらなる向上が可能となっています(10,11,12)。抽出された特徴の識別可能性を高めるために、冗長性を減らし過学習を軽減するために様々な特徴選択戦略が導入されています。13,14,15。分類に関しては、サポートベクターマシン¹⁶や正則化回帰分類器17,18,19などの従来の機械学習モデルが、その解釈可能性と計算効率の高さから広く使われ続けています。

これらの手法は効果的であるにもかかわらず、通常はカスタマイズされたデータセット固有のコードベースで実装されるため、体系的な再利用や独立した検証が複雑になります。EEG解析やBCI研究を支援するために、いくつかのグラフィカルユーザーインターフェース(GUI)ベースのソフトウェアプラットフォームが開発されています。例えば、EEGLAB²⁰ はEEG前処理、時周数解析、特徴抽出、分類、高度な可視化のための包括的な機能群を提供します。その高度にモジュール化され拡張性の高いアーキテクチャにより、EEG研究分野での広範な採用が可能となっています。BCILAB²¹はEEGLABと統合され、前処理から分類までの全デコードパイプラインに100以上の信号処理および機械学習アルゴリズムを組み込んでいます。同様に、OpenViBE²² はリアルタイムBCIワークフロー設計のための視覚的プログラミング環境を提供し、ユーザーはモジュール化されたコンポーネントをグラフィカルにリンクして信号処理パイプラインを組み立てることができます。このプラットフォームは特にオンラインEEG習得やリアルタイム刺激応答パラダイムに適しており、インタラクティブBCIアプリケーションの開発およびテストに広く利用されています。さらに、ノーコードEEGの脳コンピュータインターフェース開発のためのモジュラーPythonフレームワークPyNoeticは、統合されたGUIを通じてデータ取得、前処理、特徴抽出、分類をサポートするエンドツーエンドのBCIワークフロー構築^{を可能にします。}従来のツールが大量の手動設定やスクリプトを必要とするのに対し、PyNoeticはパイプライン設計においてより高度な抽象化を提供し、低レベルのプログラミングなしで柔軟なプロセッシング段階の組み立てや再構成を可能にします。多くのMI-EEG研究では、これらのプラットフォームはすでにルーチンな前処理、従来型の特徴抽出、ベースラインの復号および評価をサポートできます。

いくつかのGUIベースのプラットフォームは、標準化された前処理、特徴抽出、ベースラインデコードを通じてMI-EEG解析をサポートしています(表1参照)。しかし、ユーザー定義の空間分割やクロスドメイン可視化を含む細かな空間周波数時間分解の最適化は不足しています。これらの方法論的ニーズに対応するため、MI-EEG²⁴ の細かい空間・時間・周波数復号フレームワークが以前に提案されており、空間電極群、周波数サブバンド、時間セグメントを共同でモデリングして復号性能を向上させ、多領域解釈性を強化しています。このフレームワークを基に、空間・時間・周波数EEG解析ツール(STFEEG-Tool)が、グラフィカルユーザーインターフェース(GUI)ベースのツールボックスとして開発され、細かなMI-EEG復号を設定可能かつ再現可能なワークフロー内で標準化しつつ、既存のEEGツールチェーンとも互換性を保っています。

STFEEG-Toolは、データ準備、前処理、時空間周波数セグメンテーション、特徴抽出、ラッパーベースの特徴選択、分類、可視化を統合し、統一されたパイプラインに統合します。既存のEEGツールボックスを置き換えるのではなく、透明なパラメータ仕様、一貫したパイプライン実行、モデルに基づいた可視化を通じて、細かい解析をサポートします。

この著作の主な貢献は三つあります。まず、STFEEG-Toolは、細かいMI-EEG復号のための標準化されたパラメータ構成を備えたユーザーフレンドリーなエンドツーエンドのGUIワークフローを提供します。第二に、汎用プラットフォームでは一貫して利用できないユーザー定義空間分解を含むマルチスケールの時空間周波数セグメンテーションを可能にします。第三に、時間周波数のトポグラフィカルマップや電極群有意マップを通じて解釈性を高め、識別的寄与を要約し、ドメイン間で被験者固有のMI関連パターンを明らかにします。

このツールボックスはオープンソースで、以下の https://github.com/CissyZR/Spatial-Frequency-Temporal_EEG_Analysis_Tool で入手可能です。

プロトコル

このプロトコルで使用されたデータは、公開されている非特定化されたデータセットから取得されました。当初のデータ収集手順は、それぞれの機関の倫理基準に従って実施されました。したがって、この二次分析に対して追加の機関承認は必要ありませんでした。

図1 は、時空間周波数脳波解析ツールの全体的なワークフローを示しています。以下の手順に従って各モジュールを設定し、細かい空間周波数時間復号プロトコルを再現してください。本研究で使用されるソフトウェアは 材料表に記載されています。

1. ソフトウェアおよびSTFEEGツールパッケージの準備

1. MATファイル処理とGUI実行をサポートする数値計算環境(材料表参照)をインストールしてください。
2. オンラインリポジトリから STFEEG - Tool をダウンロードし、ローカルフォルダに解凍し、インストーラーファイルSTFEEG-Tool.mlappinstallを探してください。
3. STFEEG - Tool.mlappinstallをダブルクリックし、画面上の指示に従ってインストールを完了してください。
4. アプリタブを開き、STFEEG-Toolがインストール済みアプリリストに表示されているか確認(図2)、それをクリックしてGUIを起動します(図3)。

2. 入力データMATファイルの準備

1. TrainData、TrainLabel、TestData、TestLabelという4つの変数を含むMATファイル(.mat)を作成します。
   1. TrainDataとTestDataは、Nの_試行数×Nチャネル×_{Nのタイムポイント}を持つ3次元配列として保存します。
   2. TrainLabelとTestLabelを整数クラスラベルの1列ベクトルをN個の_試行×保存し、訓練セットとテストセット間で一貫したエンコーディングを用います。
      注意:情報漏洩を防ぐために、 TrainData および TestData は重複しないセッションや記録ブロックから構成してください。
2. TrainDataとTestDataが同じチャネル順序とサンプリング周波数(Hz)を共有していることを確認しましょう。
3. (任意)BCI Competition IV 2aに基づく提供されたMATファイル(Data.mat)のサンプルを公開リポジトリからダウンロードして、ソフトウェアを迅速にテストしてください。

3. GUIの起動と経路の設定

1. STFEEG - ツールGUIを起動してMI-EEG解析ウィンドウ(図3)を開きます。
2. データロードパネルで、データパスの横にあるブラウザをクリックし、準備済みMATファイルを含むフォルダを選択します。
3. GUIに表示されるサンプリング周波数 F がデータセットのサンプリング周波数(Hz)と一致しているか確認してください。
4. 「Save Path」の「Browser」をクリックし、結果を保存する出力フォルダを選択します(例:設定ファイル、モデルファイル、予測ラベルなど)。
5. (任意)意図された用途に基づいて モデルパス を指定します。
   1. トレーニング中にモデルを保存するには、モデルパスの横にあるブラウザをクリックし、宛先フォルダを選択してください。モデルパスが空のままの場合、ソフトウェアは自動的にモデルを保存パスに保存します。
   2. テスト用に事前学習済みモデルを読み込むには、モデルパスの横にあるブラウザをクリックし、保存されたモデルファイルが入っているフォルダを選択してください。
6. データロードパネルの「ロード」をクリックしてMAT-ファイルをインポートしてください。ソフトウェアは必要な変数と選択したパスを自動的にチェックし、エラーが報告されなければデータセットを読み込みます。

4. 前処理の設定(バンドパスフィルタリング)

1. 異なる前処理構成が必要でない限り、GUIに示されているデフォルトのバンドパスフィルター設定(オーダー =5、 Fc1 =5Hz、 Fc2 =35Hz、フィルタータイプ= IIR)を使用してください。
2. (任意)デフォルト値を上書きするために フィルターの順序 を入力してください。
3. (任意)デフォルト値を上書きするために、下限と上限のカットオフ周波数(Fc1 と Fc2)をHzで入力します。
4. (任意)ドロップダウンメニューからフィルタータイプを選択してデフォルトオプションを上書きしてください。
5. 「OK」をクリックして前処理の設定を確認してください。変更がなければ、ソフトウェアはパネルに表示されたデフォルト設定を適用します。

5. 細かいセグメンテーション戦略の設定

1. メインGUIの セグメンテーション 戦略パネルで、「 編集 」をクリックして セグメンテーション 設定ウィンドウを開きます。
2. 時間ウィンドウを設定しましょう。
   1. 「 Temporal Windows 」タブを選択してください。
   2. 表に示された既存のウィンドウリスト(図4)を確認してください。
   3. (任意)ウィンドウを追加するには、 Start、 End、 Interval の値を入力し、「 追加 」をクリックして生成されたウィンドウをリストに追加します。
   4. (任意)既存のウィンドウを削除するには、テーブル内の対応する行を右クリックして 「削除」を選択してください。
3. フィルターバンクの周波数帯を設定してください。
   1. 周波数 帯 タブを選択してください(図5)。
   2. 表に示されている既存の周波数帯リストを確認してください。
   3. (任意)バンドを追加するには、 開始 (Hz)、 終了 (Hz)、 インターバル の各値を入力し、「 追加 」をクリックして生成されたバンドをリストに追加してください。
   4. (任意)既存のバンドを削除するには、テーブル内の対応する行を右クリックして 「削除」を選択してください。
4. チャネルグループごとに空間的分割を設定してください(図6)。
   1. 空間 セグメンテーション タブを選択してください。
   2. チャンネル 番号のグループ 一覧でチャンネルグループ割り当てを確認してください。
   3. (任意)現在のチャンネルグループ構成を置き換えるには、チャンネルグループの横にあるブラウザをクリックして、チャネルグループ定義のMATファイルを選択してください。
   4. (任意)スカルプの可視化を有効にするには、チャネルロケーションの横にあるブラウザをクリックして、データセットのチャネルのチャンネル-ロケーションファイルを選択します。
      注:公開リポジトリでは savedChCell.mat (チャンネルグループ定義)および channel_locations_22ch.txt (BCI Competition IV 2aの22チャンネルスカルプ座標)を提供しており、含まれている例データと直接使用できます。
   5. (任意)選択したチャンネルグループファイルを読み込み、チャンネル番号のグループリストを更新するには「置換」をクリックしてください。チャネルロケーションでチャネルロケーションファイルを選択している場合、ツールはその後のスカルプ可視化のためにもロードします(図7)。
5. セグメンテーション設定を適用し、確認してください。
   1. すべてのタブで設定を完了した後、セグメンテーションウィンドウの一番下のOKをクリックして、更新された時間ウィンドウ、周波数帯、空間セグメンテーションを適用してください。
   2. メインGUIに戻り、更新されたタイムバンド、周波数帯、チャネルグループがセ グメンテーション戦略 パネルに反映されているか確認してください。

6. 特徴抽出、分類器、交差検証の設定

1. 分類設定パネルで、ドロップダウンメニューから特徴抽出方法を選択します。
   注:CSPおよびdiv-CSPの詳細な説明は 補足ファイル1に記載されています。
2. nCSPを設定して特徴ベクトルの両端からCSP特徴を選択します。ツールは最初のnCSPと最後のnCSPコンポーネント(合計2×つのnCSP機能)を保持しています。
3. 分類器は対応するボックス(SVM、リッジ最適、ラッソ最適)にチェックを入れて選択します。
   注:3つの分類器の説明は 補足ファイル2に記載されています。
4. 選択 帯番号 を設定して、ラッパーベースの選択で保持する細かなセグメントや特徴の数を指定します。
5. TrainData/TrainLabel上で、k重クロス検証のフォールド数を指定するためにCross-Validationを設定します。
6. (任意)十分な計算資源が利用可能な場合、複数のセグメントや分類器を評価する際に計算を加速するために並列を有効にします。
7. Cross - ValidationをクリックしてTrainData/TrainLabelでk分割クロス検証を行い、最終モデルを訓練し、その後TestData/TestLabelで最終モデルをテストします。
   注意:複数の分類器を選択した場合、ツールは最も高いクロスバリデーション精度を持つモデルを自動的に選択・保存し、テストセット評価に使用します。

7. 結果と可視化の閲覧

1. ステップ6の 「クロス検証」をクリックした後、 結果 パネルに表示されるパフォーマンス概要を確認します。検証 精度/カッパ、 テスト精度/カッパ、 そしてフォールドごとのトレーニング時間 およびフォー ルドあたりのテスト時間が含まれます。これらの値を記録して報告してください。
   注:検証精度/Kappaは、TrainData/TrainLabel上で計算された平均kフォールクロス検証精度/kappa²⁵として報告されます。テスト精度/カッパは、TestData/TestLabelの各フォールドから最適なモデルを評価し、フォールドをまたいで平均したテストセットの平均精度/カッパ²⁵として報告されます。
2. 結果パネルに表示される可視化出力を確認してください。
   1. 時間・周波数の地形図を確認し、時間、周波数、頭皮領域における識別パターンを特定しましょう。
   2. 電極群有意性マップを確認し、復号に最も貢献するチャネルグループを特定してください。
      注:両地図の詳細な定義、建設手順、解釈ガイドラインは 補足ファイル3に記載されています。
3. (任意)事前に訓練済みのモデルを使ってテストのみの評価を実行します。
   1. Test Load Modelをクリックすると、 Model Path から事前学習済みモデルを読み込み、現在の入力TestData/TestLabelで評価します。
   2. トレーニング中に保存された Model Path フォルダ(ステップ3.5)を選択し、そのディレクトリ構造は変更せずに保ちます。 model.mat が選択したフォルダに、param.matが親フォルダにあることを確認してください。モデルを読み込み可視化を再現するために両方が必要です。
   3. このモードで、GUIが読み込み済みモデルの テスト精度 と フォールドあたりのテスト時間を 報告し、可視化パネルがそれに応じて更新されているかを確認してください。
   4. (任意)エクスポートされた結果は、予測ラベルや真のラベルを含むセーブディレクトリで見つけてください。さらなる統計的検証に用いられます。

結果

STFEEG-ToolはBCIコンペティションIV 2a²⁶ およびBCI Competition III 3a²⁷の両方で検証され、両者とも完全なデコードパイプラインを成功裏に実行しました。BCI競技IV 2aの固定クロスセッションプロトコルに従い、セッション1のトレーニングと実施されたセッション2の評価を行い、それぞれ2日間に分けて記録されました。先に報告された細かい空間・時間周波数フレームワーク²⁴で使用された同じ構成の下で、STFEEG-ToolはBCI Competition IV 2aで元の性能を再現し、平均テスト精度83.68^%を達成しました。

図8右の結果パネルに示されているように、検証およびテストの精度、カッパはモデル性能の定量的な要約を提供するため...

ディスカッション

STFEEG-Toolは、EEGLAB²⁰、BCILAB²¹、OpenViBE²²、PyNoetic²³などの確立されたEEGエコシステムを補完する、MI-EEG専用のツールボックスとして設計されています。これらのプラットフォームはMI復号のための柔軟なコンポーネントを提供しますが、細かな空間・時間・周波数構成やモデルに応じた解釈には、処理ステップを超えた追加の統合が必要となる場合があります。これは明示的な電極基分解を含む場合に特に重要です。したがって、STFEEG-Toolは標準化された出力と統合された可視化を備えた統一されたGUIワークフローを提供し、細かく多スケールのMI-EEGデコードを実現します。

有効なオフライン結果を得るためには、いくつかの重要なステップが必要です。まず、入力MATファイルが必要なデータ形式に準拠...

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
MATLAB	マスワークス	バージョンR2024a	数値計算、信号処理、GUI開発のためのソフトウェア環境。
信号処理ツールボックス	マスワークス	https://ww2.mathworks.cn/en/products/signal.html	デジタルフィルタリングおよび時間周波数解析のためのツールボックス
統計と機械学習ツールボックス	マスワークス	https://ww2.mathworks.cn/en/products/statistics.html	モデルトレーニングおよび統計解析のためのツールボックス