神経振動（ニューラル・オシレーション）の基礎
ロシニ・ランデニヤ
更新日
2024/05/22
神経振動（ニューラル・オシレーション）の基礎
ロシニ・ランデニヤ
更新日
2024/05/22
神経振動（ニューラル・オシレーション）の基礎
ロシニ・ランデニヤ
更新日
2024/05/22
1. はじめに
ようこそ！このチュートリアルでは、脳波と、脳や行動を理解するために脳波をどのように活用できるかについて学びます。
ハンス・ベルガーは1929年、人の頭部に配置したセンサーを用いて記録された電位の変化を説明した際に「脳電図（electroencephalogram）」という用語を作りました。彼は2種類の脳波を特定し、単に記録した順番に基づいてそれらをアルファ波、ベータ波と名付けました。このような脳波は他の哺乳類でも記録されていましたが、ベルガーは人においてそれを初めて記述したのです！
それ以来、脳波測定（EEG）は神経科学において重要なツールとなり、脳波（研究者は神経振動と呼びます）に対する理解を進化させ、疲労や覚醒といった脳の状態を特徴付けるのに役立ってきました。
この短いチュートリアルでは、以下の内容をカバーします：
神経振動とは何か？
神経振動をどのように測定するのか？
神経振動で何ができるのか？
Emotivのデバイスおよびソフトウェアを使用した実践的な応用。
2. EEGとは何か？
脳波測定（EEG）とは、非侵襲的かつ受動的に脳の電気活動を測定する方法です。頭皮に電極／センサー／チャンネルを配置し、ニューロンと呼ばれる脳細胞の集団によって生成される電気活動を記録します。
図 1 – ニューロンは電気活動を生成し、これはEEGデバイスで検出できます [Siuly, et al. (2016)]。
2.1. EEGシステム
市場には、EEGの記録に使用できる多くのEEGデバイスがあります。EEGデバイスは、以下のように多岐にわたります：
シングルセンサーから最大256個の電極まで – 電極が多いほど、頭皮全体の情報の空間解像度が高くなります。
湿式電極または乾式電極 – 湿式電極は、頭皮とセンサーの間の導電性を高めるために電解ゲルまたは生理食塩水を使用します。乾式電極は金属や導電性ポリマーであり、頭皮と直接接触する必要があります。
能動電極または受動電極 – 受動電極システムは、信号を単にデバイスに伝送し、そこで増幅します。能動電極システムは、信号が増幅のためにデバイスに到達する前に、各電極で信号を増幅します。これにより、信号内の環境電気ノイズが低減します。
Bluetoothを介してデータを送信する有線または無線のデバイス。
図 2 – ワイヤレス、低密度のEEGシステム。
図 3 – 有線、高密度電極のEEGシステム。
2.2. EEGはいつ使用すべきか？
それぞれの神経イメージング手法は、異なる研究の問いに答えるのに役立ちます。
EEGの最大の強みは、ミリ秒単位で神経活動を測定できることであり、これにより前意識的なプロセスを測定することができます。
図 4 – さまざまな神経イメージングツールの空間解像度 vs 時間解像度。
「参加者は動画のどの部分に最も注意を払ったか？」といった問いに最適です。
EEGは主に脳の外層からの活動を記録します（すなわち、空間解像度が低いです）。シングルセンサーでは、活動の発生源を特定することは不可能です。多数のチャンネルで記録することで、数学的にソースを再構築できますが、深い発生源の特定には依然として限界があります。機能的磁気共鳴画像法（fMRI）は、「脳のどの部分が注意の変化に関連しているか？」といった問いに答えるのにより適しています。
2.3. センサーから生EEGデータへ
EEGデバイスを頭部に装着すると、そのセンサーと参照センサーの間の振幅の差として、シングルセンサーで脳活動が測定されます。多くのEEGシステムでは、これはコモンモードセンス（CMS）電極と呼ばれます。追加のセンサーである駆動右脚（DRL）は、CMSでの干渉を低減するのに役立ちます。
図 5 – EEG信号伝送の簡略化されたブロック図。
能動電極と受動電極の両方を備えたシステムでは、その後信号が増幅され、ローパスフィルターが適用されます。ローパスフィルタリングは、コンセントの電源など、環境からの電気的な干渉を信号から除去するステップです。
これらのステップは、生のEEG信号がコンピュータの画面に表示される前に、ハードウェア自体の中で行われます。
2.4. いくつかの基本用語
10-20国際標準命名規約
左側のセンサーは通常奇数番号、右側のセンサーは通常偶数番号になります。
注意 1: これらは単なる命名規約であり、EEGセンサーの場所の発生源は、活動の発生源を示すものではありません。
注意 2: シングルチャンネルにおける活動の発生源を決定するには、ソースの数学的再構築などの追加ステップを行う必要があります。
3. 神経振動とは何か？
脳波は、しばしば神経振動と呼ばれ、単一のニューロンまたはニューロンのクラスターによって生成される周期的なパターンです。
なぜ脳がこれらの異なるタイプの振動を生成するのかは、多くの理論があるものの、まだ明確には分かっていません。研究者は、これらの振動活動を特徴付けるためにさまざまなタスクを使用し、これらの周期的なパターンを用いて脳の謎を解き明かすことを目指しています。
3.1. 振動のいくつかの特性
この図は、規則的な電気信号の測定を示しています：
図 6 – さまざまな神経イメージングツールの空間解像度 vs 時間解像度。
左側（y軸）に電気的記録の振幅を、水平軸（x軸）に時間をプロットできます。信号の振幅は、中心点を基準にして規則的に大きさが変化します。1サイクルは振動とも呼ばれます。
1秒あたりのサイクル数は波の周波数と呼ばれ、単位はヘルツ（Hz）です。したがって、1秒間に1サイクル = 1 Hzです。振幅は通常、マイクロボルト（µV）で測定されます。
脳内では、0.2 Hz（非常に遅い波）から80 Hz以上（非常に速い波）の範囲の周波数の波が見られます。発作に関連する最大500 Hzの高速活動も脳内で記録されています。
異なるタイプの脳の振動は、その周波数に基づいて特徴付けられます。これらは周波数帯域として知られており、さまざまな脳の状態に関連付けることができます：
図 7 – 典型的なEEGにおける脳波。
3.2. なぜ異なる周波数帯域が重要なのですか？
正常な脳パターンと異常な脳パターンの識別
神経振動は、神経内科において発作の検出やてんかんの診断に重要です。ブレイン・コンピューター・インターフェース（BCI）
ベータ、ガンマ、およびミュー振動の量は、外部生命機器（例：思考で車椅子を動かす）のトレーニングによく使用されます。ニューロフィードバック
これは脳トレーニングの一種であり、自分の脳波（例：ガンマ振動）を確認し、脳内のガンマ振動を増やすための認知タスクに取り組むことができます。ニューロマーケティング
アルファおよびベータ周波数帯域を使用して、広告のどの部分がどれだけ関心を惹きつけているかを特定できます。
3.3. EEGデータ解析の種類
一般的に、研究者は時間領域または周波数領域のいずれかで解析を行います。
時間領域解析
通常、刺激の提示開始後の、関心のある時点における電圧振幅を測定します。これらは事象関連電位（ERP）と呼ばれます。
周波数領域解析
通常、定義された時間枠内、または事象の開始に関連する、さまざまな周波数帯域における神経振動の量を測定します。
次に、周波数領域解析の概要を説明します。
3.4. プロセッシング
EEGの記録を行ったら、通常は振動を解釈する前にデータをクレンジング（クリーニング）します。
フィルタリング
データ内の高周波および低周波の環境ノイズを除去する技術です。アーチファクト除去
身体を動かすこと、瞬きなどはすべて大きなアーチファクト（EEG内で50 µVを超えるピーク）を引き起こす可能性があります。これらを除去することで、結果に影響を与えないようにすることができます。データを保存するために、これらのアーチファクトを補正する高度な方法を使用する研究者もいます。
データが処理された後、各タイプの脳波の量を定量化できるように、信号を周波数領域に変換できるようになります。
図 8 – 生のEEGデータにおけるまばたきのアーチファクト。
3.5. 高速フーリエ変換（FFT）
フーリエ変換とは、EEG信号を「時間領域」（画像A）から「周波数領域（画像B）」へ数学的に変換することです。
周波数領域では、記録の中に各タイプの振動がどの程度含まれていたかを定量化できます。これは通常、周波数帯域の「パワー」であり、パワースペクトル（画像B）として表示できます。
図 9A – 時間領域における生のEEGデータ。
図 9B – FFT適用後のパワースペクトル（周波数領域）。
3.6. バンドパワー
フーリエ変換から得られる周波数帯域（例：アルファ帯域）のパワーは、各周波数帯域がどれだけ存在するかを示します。バンドパワーの単位は通常µV2/Hzです。多くの場合、FFTから得られる振幅スペクトルやパワースペクトルは、対数単位のデシベル（dB）で表示されます。デシベルは、以下のように、測定されたパワー（P）と基準パワー（Pr）の間の比率の単位です：
関心のある事象についてこの測定単位が得られたら、バンドパワーを比較して、脳波に対する実験効果を理解することができます。
4. 理論から実践へ
次に、アルファ抑制効果について見ていきます。
これはハンス・ベルガーによって初めて報告された現象であり、目を開けているときは、目を閉じているときと比較して、アルファ振動の量（アルファパワー）が著しく減少することが確認されています。
図 10 – 目を開けているときにアルファ振動の増加が見られます。
まず、EmotivPRO Builderを使用して簡単な実験を構築しました。この実験では、参加者は画面に集中しながら単に2分間目を開けた状態を維持し、その後2分間目を閉じます。2分間の終わりにベルの音が聞こえ、目を開ける合図となります。
以下の動画に従って、独自のアルファ抑制実験を作成するか、こちらのリンクから当社の実験を実行することができます：
4.1. デバイスの装着とEEGの品質
当社のEQゲートの仕組みについての詳細は、こちらをご覧ください。お使いのヘッドセットに応じたデバイスの装着に関する詳細は、こちらをご覧ください：
EPOCタイプ
Insightタイプ
4.2. EEGデータの処理と変換
データを入手したら、Emotiv Analyzerを使用して周波数領域に変換できます。動画のステップに従ってください。
4.3. データの解釈
Analyzerの処理が完了したら、zipファイルをダウンロードします。各記録に対して、バンドパワーが含まれるcsvファイルと、独自の統計解析に使用できる画像ファイルが含まれています。
図 11 – バンドパワー。
出力結果を見ると、目を開けているとき（青）と比較して、目を閉じているとき（オレンジ）にアルファパワーが増加しているのが分かります。
これでチュートリアルは終了です！これで基礎知識が身につきました 🙂
リソースセクションより、さらに発展的な内容の資料へのリンクを確認できます。
5. リソース
発展的な内容の資料
Donoghue et al. 2022 Methodological considerations for studying neural oscillations
EEG用語集
Kane et al. 2017 (こちら)
オープンソースコード
Pythonコーディングに慣れている方向けに、開眼セグメントと閉眼セグメントでラベル付けされたアルファパワーの値を取得するために使用できるPythonスクリプトを公開しています。コードとサンプルアルファ抑制データファイルはこちらで見つかります: https://osf.io/9bvgh/
Emotiv マニュアル
EmotivPRO Builder マニュアル
EmotivPRO マニュアル
EmotivPRO Analyzer マニュアル
7. 参考文献
Donoghue, T., Schaworonkow, N. and Voytek, B., 2022. Methodological considerations for studying neural oscillations. European journal of neuroscience, 55(11-12), pp.3502-3527. doi: https://doi.org/10.1111/ejn.15361
Kane, N., Acharya, J., Beniczky, S., Caboclo, L., Finnigan, S., Kaplan, P.W., Shibasaki, H., Pressler, R. and van Putten, M.J., 2017. A revised glossary of terms most commonly used by clinical electroencephalographers and updated proposal for the report format of the EEG findings. Revision 2017. Clinical neurophysiology practice, 2, p.170. doi: 10.1016/j.cnp.2017.07.002
Siuly, S., Li, Y., Zhang, Y. (2016). Electroencephalogram (EEG) and Its Background. In: EEG Signal Analysis and Classification. Health Information Science. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1
1. はじめに
ようこそ！このチュートリアルでは、脳波と、脳や行動を理解するために脳波をどのように活用できるかについて学びます。
ハンス・ベルガーは1929年、人の頭部に配置したセンサーを用いて記録された電位の変化を説明した際に「脳電図（electroencephalogram）」という用語を作りました。彼は2種類の脳波を特定し、単に記録した順番に基づいてそれらをアルファ波、ベータ波と名付けました。このような脳波は他の哺乳類でも記録されていましたが、ベルガーは人においてそれを初めて記述したのです！
それ以来、脳波測定（EEG）は神経科学において重要なツールとなり、脳波（研究者は神経振動と呼びます）に対する理解を進化させ、疲労や覚醒といった脳の状態を特徴付けるのに役立ってきました。
この短いチュートリアルでは、以下の内容をカバーします：
神経振動とは何か？
神経振動をどのように測定するのか？
神経振動で何ができるのか？
Emotivのデバイスおよびソフトウェアを使用した実践的な応用。
2. EEGとは何か？
脳波測定（EEG）とは、非侵襲的かつ受動的に脳の電気活動を測定する方法です。頭皮に電極／センサー／チャンネルを配置し、ニューロンと呼ばれる脳細胞の集団によって生成される電気活動を記録します。
図 1 – ニューロンは電気活動を生成し、これはEEGデバイスで検出できます [Siuly, et al. (2016)]。
2.1. EEGシステム
市場には、EEGの記録に使用できる多くのEEGデバイスがあります。EEGデバイスは、以下のように多岐にわたります：
シングルセンサーから最大256個の電極まで – 電極が多いほど、頭皮全体の情報の空間解像度が高くなります。
湿式電極または乾式電極 – 湿式電極は、頭皮とセンサーの間の導電性を高めるために電解ゲルまたは生理食塩水を使用します。乾式電極は金属や導電性ポリマーであり、頭皮と直接接触する必要があります。
能動電極または受動電極 – 受動電極システムは、信号を単にデバイスに伝送し、そこで増幅します。能動電極システムは、信号が増幅のためにデバイスに到達する前に、各電極で信号を増幅します。これにより、信号内の環境電気ノイズが低減します。
Bluetoothを介してデータを送信する有線または無線のデバイス。
図 2 – ワイヤレス、低密度のEEGシステム。
図 3 – 有線、高密度電極のEEGシステム。
2.2. EEGはいつ使用すべきか？
それぞれの神経イメージング手法は、異なる研究の問いに答えるのに役立ちます。
EEGの最大の強みは、ミリ秒単位で神経活動を測定できることであり、これにより前意識的なプロセスを測定することができます。
図 4 – さまざまな神経イメージングツールの空間解像度 vs 時間解像度。
「参加者は動画のどの部分に最も注意を払ったか？」といった問いに最適です。
EEGは主に脳の外層からの活動を記録します（すなわち、空間解像度が低いです）。シングルセンサーでは、活動の発生源を特定することは不可能です。多数のチャンネルで記録することで、数学的にソースを再構築できますが、深い発生源の特定には依然として限界があります。機能的磁気共鳴画像法（fMRI）は、「脳のどの部分が注意の変化に関連しているか？」といった問いに答えるのにより適しています。
2.3. センサーから生EEGデータへ
EEGデバイスを頭部に装着すると、そのセンサーと参照センサーの間の振幅の差として、シングルセンサーで脳活動が測定されます。多くのEEGシステムでは、これはコモンモードセンス（CMS）電極と呼ばれます。追加のセンサーである駆動右脚（DRL）は、CMSでの干渉を低減するのに役立ちます。
図 5 – EEG信号伝送の簡略化されたブロック図。
能動電極と受動電極の両方を備えたシステムでは、その後信号が増幅され、ローパスフィルターが適用されます。ローパスフィルタリングは、コンセントの電源など、環境からの電気的な干渉を信号から除去するステップです。
これらのステップは、生のEEG信号がコンピュータの画面に表示される前に、ハードウェア自体の中で行われます。
2.4. いくつかの基本用語
10-20国際標準命名規約
左側のセンサーは通常奇数番号、右側のセンサーは通常偶数番号になります。
注意 1: これらは単なる命名規約であり、EEGセンサーの場所の発生源は、活動の発生源を示すものではありません。
注意 2: シングルチャンネルにおける活動の発生源を決定するには、ソースの数学的再構築などの追加ステップを行う必要があります。
3. 神経振動とは何か？
脳波は、しばしば神経振動と呼ばれ、単一のニューロンまたはニューロンのクラスターによって生成される周期的なパターンです。
なぜ脳がこれらの異なるタイプの振動を生成するのかは、多くの理論があるものの、まだ明確には分かっていません。研究者は、これらの振動活動を特徴付けるためにさまざまなタスクを使用し、これらの周期的なパターンを用いて脳の謎を解き明かすことを目指しています。
3.1. 振動のいくつかの特性
この図は、規則的な電気信号の測定を示しています：
図 6 – さまざまな神経イメージングツールの空間解像度 vs 時間解像度。
左側（y軸）に電気的記録の振幅を、水平軸（x軸）に時間をプロットできます。信号の振幅は、中心点を基準にして規則的に大きさが変化します。1サイクルは振動とも呼ばれます。
1秒あたりのサイクル数は波の周波数と呼ばれ、単位はヘルツ（Hz）です。したがって、1秒間に1サイクル = 1 Hzです。振幅は通常、マイクロボルト（µV）で測定されます。
脳内では、0.2 Hz（非常に遅い波）から80 Hz以上（非常に速い波）の範囲の周波数の波が見られます。発作に関連する最大500 Hzの高速活動も脳内で記録されています。
異なるタイプの脳の振動は、その周波数に基づいて特徴付けられます。これらは周波数帯域として知られており、さまざまな脳の状態に関連付けることができます：
図 7 – 典型的なEEGにおける脳波。
3.2. なぜ異なる周波数帯域が重要なのですか？
正常な脳パターンと異常な脳パターンの識別
神経振動は、神経内科において発作の検出やてんかんの診断に重要です。ブレイン・コンピューター・インターフェース（BCI）
ベータ、ガンマ、およびミュー振動の量は、外部生命機器（例：思考で車椅子を動かす）のトレーニングによく使用されます。ニューロフィードバック
これは脳トレーニングの一種であり、自分の脳波（例：ガンマ振動）を確認し、脳内のガンマ振動を増やすための認知タスクに取り組むことができます。ニューロマーケティング
アルファおよびベータ周波数帯域を使用して、広告のどの部分がどれだけ関心を惹きつけているかを特定できます。
3.3. EEGデータ解析の種類
一般的に、研究者は時間領域または周波数領域のいずれかで解析を行います。
時間領域解析
通常、刺激の提示開始後の、関心のある時点における電圧振幅を測定します。これらは事象関連電位（ERP）と呼ばれます。
周波数領域解析
通常、定義された時間枠内、または事象の開始に関連する、さまざまな周波数帯域における神経振動の量を測定します。
次に、周波数領域解析の概要を説明します。
3.4. プロセッシング
EEGの記録を行ったら、通常は振動を解釈する前にデータをクレンジング（クリーニング）します。
フィルタリング
データ内の高周波および低周波の環境ノイズを除去する技術です。アーチファクト除去
身体を動かすこと、瞬きなどはすべて大きなアーチファクト（EEG内で50 µVを超えるピーク）を引き起こす可能性があります。これらを除去することで、結果に影響を与えないようにすることができます。データを保存するために、これらのアーチファクトを補正する高度な方法を使用する研究者もいます。
データが処理された後、各タイプの脳波の量を定量化できるように、信号を周波数領域に変換できるようになります。
図 8 – 生のEEGデータにおけるまばたきのアーチファクト。
3.5. 高速フーリエ変換（FFT）
フーリエ変換とは、EEG信号を「時間領域」（画像A）から「周波数領域（画像B）」へ数学的に変換することです。
周波数領域では、記録の中に各タイプの振動がどの程度含まれていたかを定量化できます。これは通常、周波数帯域の「パワー」であり、パワースペクトル（画像B）として表示できます。
図 9A – 時間領域における生のEEGデータ。
図 9B – FFT適用後のパワースペクトル（周波数領域）。
3.6. バンドパワー
フーリエ変換から得られる周波数帯域（例：アルファ帯域）のパワーは、各周波数帯域がどれだけ存在するかを示します。バンドパワーの単位は通常µV2/Hzです。多くの場合、FFTから得られる振幅スペクトルやパワースペクトルは、対数単位のデシベル（dB）で表示されます。デシベルは、以下のように、測定されたパワー（P）と基準パワー（Pr）の間の比率の単位です：
関心のある事象についてこの測定単位が得られたら、バンドパワーを比較して、脳波に対する実験効果を理解することができます。
4. 理論から実践へ
次に、アルファ抑制効果について見ていきます。
これはハンス・ベルガーによって初めて報告された現象であり、目を開けているときは、目を閉じているときと比較して、アルファ振動の量（アルファパワー）が著しく減少することが確認されています。
図 10 – 目を開けているときにアルファ振動の増加が見られます。
まず、EmotivPRO Builderを使用して簡単な実験を構築しました。この実験では、参加者は画面に集中しながら単に2分間目を開けた状態を維持し、その後2分間目を閉じます。2分間の終わりにベルの音が聞こえ、目を開ける合図となります。
以下の動画に従って、独自のアルファ抑制実験を作成するか、こちらのリンクから当社の実験を実行することができます：
4.1. デバイスの装着とEEGの品質
当社のEQゲートの仕組みについての詳細は、こちらをご覧ください。お使いのヘッドセットに応じたデバイスの装着に関する詳細は、こちらをご覧ください：
EPOCタイプ
Insightタイプ
4.2. EEGデータの処理と変換
データを入手したら、Emotiv Analyzerを使用して周波数領域に変換できます。動画のステップに従ってください。
4.3. データの解釈
Analyzerの処理が完了したら、zipファイルをダウンロードします。各記録に対して、バンドパワーが含まれるcsvファイルと、独自の統計解析に使用できる画像ファイルが含まれています。
図 11 – バンドパワー。
出力結果を見ると、目を開けているとき（青）と比較して、目を閉じているとき（オレンジ）にアルファパワーが増加しているのが分かります。
これでチュートリアルは終了です！これで基礎知識が身につきました 🙂
リソースセクションより、さらに発展的な内容の資料へのリンクを確認できます。
5. リソース
発展的な内容の資料
Donoghue et al. 2022 Methodological considerations for studying neural oscillations
EEG用語集
Kane et al. 2017 (こちら)
オープンソースコード
Pythonコーディングに慣れている方向けに、開眼セグメントと閉眼セグメントでラベル付けされたアルファパワーの値を取得するために使用できるPythonスクリプトを公開しています。コードとサンプルアルファ抑制データファイルはこちらで見つかります: https://osf.io/9bvgh/
Emotiv マニュアル
EmotivPRO Builder マニュアル
EmotivPRO マニュアル
EmotivPRO Analyzer マニュアル
7. 参考文献
Donoghue, T., Schaworonkow, N. and Voytek, B., 2022. Methodological considerations for studying neural oscillations. European journal of neuroscience, 55(11-12), pp.3502-3527. doi: https://doi.org/10.1111/ejn.15361
Kane, N., Acharya, J., Beniczky, S., Caboclo, L., Finnigan, S., Kaplan, P.W., Shibasaki, H., Pressler, R. and van Putten, M.J., 2017. A revised glossary of terms most commonly used by clinical electroencephalographers and updated proposal for the report format of the EEG findings. Revision 2017. Clinical neurophysiology practice, 2, p.170. doi: 10.1016/j.cnp.2017.07.002
Siuly, S., Li, Y., Zhang, Y. (2016). Electroencephalogram (EEG) and Its Background. In: EEG Signal Analysis and Classification. Health Information Science. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1
1. はじめに
ようこそ！このチュートリアルでは、脳波と、脳や行動を理解するために脳波をどのように活用できるかについて学びます。
ハンス・ベルガーは1929年、人の頭部に配置したセンサーを用いて記録された電位の変化を説明した際に「脳電図（electroencephalogram）」という用語を作りました。彼は2種類の脳波を特定し、単に記録した順番に基づいてそれらをアルファ波、ベータ波と名付けました。このような脳波は他の哺乳類でも記録されていましたが、ベルガーは人においてそれを初めて記述したのです！
それ以来、脳波測定（EEG）は神経科学において重要なツールとなり、脳波（研究者は神経振動と呼びます）に対する理解を進化させ、疲労や覚醒といった脳の状態を特徴付けるのに役立ってきました。
この短いチュートリアルでは、以下の内容をカバーします：
神経振動とは何か？
神経振動をどのように測定するのか？
神経振動で何ができるのか？
Emotivのデバイスおよびソフトウェアを使用した実践的な応用。
2. EEGとは何か？
脳波測定（EEG）とは、非侵襲的かつ受動的に脳の電気活動を測定する方法です。頭皮に電極／センサー／チャンネルを配置し、ニューロンと呼ばれる脳細胞の集団によって生成される電気活動を記録します。
図 1 – ニューロンは電気活動を生成し、これはEEGデバイスで検出できます [Siuly, et al. (2016)]。
2.1. EEGシステム
市場には、EEGの記録に使用できる多くのEEGデバイスがあります。EEGデバイスは、以下のように多岐にわたります：
シングルセンサーから最大256個の電極まで – 電極が多いほど、頭皮全体の情報の空間解像度が高くなります。
湿式電極または乾式電極 – 湿式電極は、頭皮とセンサーの間の導電性を高めるために電解ゲルまたは生理食塩水を使用します。乾式電極は金属や導電性ポリマーであり、頭皮と直接接触する必要があります。
能動電極または受動電極 – 受動電極システムは、信号を単にデバイスに伝送し、そこで増幅します。能動電極システムは、信号が増幅のためにデバイスに到達する前に、各電極で信号を増幅します。これにより、信号内の環境電気ノイズが低減します。
Bluetoothを介してデータを送信する有線または無線のデバイス。
図 2 – ワイヤレス、低密度のEEGシステム。
図 3 – 有線、高密度電極のEEGシステム。
2.2. EEGはいつ使用すべきか？
それぞれの神経イメージング手法は、異なる研究の問いに答えるのに役立ちます。
EEGの最大の強みは、ミリ秒単位で神経活動を測定できることであり、これにより前意識的なプロセスを測定することができます。
図 4 – さまざまな神経イメージングツールの空間解像度 vs 時間解像度。
「参加者は動画のどの部分に最も注意を払ったか？」といった問いに最適です。
EEGは主に脳の外層からの活動を記録します（すなわち、空間解像度が低いです）。シングルセンサーでは、活動の発生源を特定することは不可能です。多数のチャンネルで記録することで、数学的にソースを再構築できますが、深い発生源の特定には依然として限界があります。機能的磁気共鳴画像法（fMRI）は、「脳のどの部分が注意の変化に関連しているか？」といった問いに答えるのにより適しています。
2.3. センサーから生EEGデータへ
EEGデバイスを頭部に装着すると、そのセンサーと参照センサーの間の振幅の差として、シングルセンサーで脳活動が測定されます。多くのEEGシステムでは、これはコモンモードセンス（CMS）電極と呼ばれます。追加のセンサーである駆動右脚（DRL）は、CMSでの干渉を低減するのに役立ちます。
図 5 – EEG信号伝送の簡略化されたブロック図。
能動電極と受動電極の両方を備えたシステムでは、その後信号が増幅され、ローパスフィルターが適用されます。ローパスフィルタリングは、コンセントの電源など、環境からの電気的な干渉を信号から除去するステップです。
これらのステップは、生のEEG信号がコンピュータの画面に表示される前に、ハードウェア自体の中で行われます。
2.4. いくつかの基本用語
10-20国際標準命名規約
左側のセンサーは通常奇数番号、右側のセンサーは通常偶数番号になります。
注意 1: これらは単なる命名規約であり、EEGセンサーの場所の発生源は、活動の発生源を示すものではありません。
注意 2: シングルチャンネルにおける活動の発生源を決定するには、ソースの数学的再構築などの追加ステップを行う必要があります。
3. 神経振動とは何か？
脳波は、しばしば神経振動と呼ばれ、単一のニューロンまたはニューロンのクラスターによって生成される周期的なパターンです。
なぜ脳がこれらの異なるタイプの振動を生成するのかは、多くの理論があるものの、まだ明確には分かっていません。研究者は、これらの振動活動を特徴付けるためにさまざまなタスクを使用し、これらの周期的なパターンを用いて脳の謎を解き明かすことを目指しています。
3.1. 振動のいくつかの特性
この図は、規則的な電気信号の測定を示しています：
図 6 – さまざまな神経イメージングツールの空間解像度 vs 時間解像度。
左側（y軸）に電気的記録の振幅を、水平軸（x軸）に時間をプロットできます。信号の振幅は、中心点を基準にして規則的に大きさが変化します。1サイクルは振動とも呼ばれます。
1秒あたりのサイクル数は波の周波数と呼ばれ、単位はヘルツ（Hz）です。したがって、1秒間に1サイクル = 1 Hzです。振幅は通常、マイクロボルト（µV）で測定されます。
脳内では、0.2 Hz（非常に遅い波）から80 Hz以上（非常に速い波）の範囲の周波数の波が見られます。発作に関連する最大500 Hzの高速活動も脳内で記録されています。
異なるタイプの脳の振動は、その周波数に基づいて特徴付けられます。これらは周波数帯域として知られており、さまざまな脳の状態に関連付けることができます：
図 7 – 典型的なEEGにおける脳波。
3.2. なぜ異なる周波数帯域が重要なのですか？
正常な脳パターンと異常な脳パターンの識別
神経振動は、神経内科において発作の検出やてんかんの診断に重要です。ブレイン・コンピューター・インターフェース（BCI）
ベータ、ガンマ、およびミュー振動の量は、外部生命機器（例：思考で車椅子を動かす）のトレーニングによく使用されます。ニューロフィードバック
これは脳トレーニングの一種であり、自分の脳波（例：ガンマ振動）を確認し、脳内のガンマ振動を増やすための認知タスクに取り組むことができます。ニューロマーケティング
アルファおよびベータ周波数帯域を使用して、広告のどの部分がどれだけ関心を惹きつけているかを特定できます。
3.3. EEGデータ解析の種類
一般的に、研究者は時間領域または周波数領域のいずれかで解析を行います。
時間領域解析
通常、刺激の提示開始後の、関心のある時点における電圧振幅を測定します。これらは事象関連電位（ERP）と呼ばれます。
周波数領域解析
通常、定義された時間枠内、または事象の開始に関連する、さまざまな周波数帯域における神経振動の量を測定します。
次に、周波数領域解析の概要を説明します。
3.4. プロセッシング
EEGの記録を行ったら、通常は振動を解釈する前にデータをクレンジング（クリーニング）します。
フィルタリング
データ内の高周波および低周波の環境ノイズを除去する技術です。アーチファクト除去
身体を動かすこと、瞬きなどはすべて大きなアーチファクト（EEG内で50 µVを超えるピーク）を引き起こす可能性があります。これらを除去することで、結果に影響を与えないようにすることができます。データを保存するために、これらのアーチファクトを補正する高度な方法を使用する研究者もいます。
データが処理された後、各タイプの脳波の量を定量化できるように、信号を周波数領域に変換できるようになります。
図 8 – 生のEEGデータにおけるまばたきのアーチファクト。
3.5. 高速フーリエ変換（FFT）
フーリエ変換とは、EEG信号を「時間領域」（画像A）から「周波数領域（画像B）」へ数学的に変換することです。
周波数領域では、記録の中に各タイプの振動がどの程度含まれていたかを定量化できます。これは通常、周波数帯域の「パワー」であり、パワースペクトル（画像B）として表示できます。
図 9A – 時間領域における生のEEGデータ。
図 9B – FFT適用後のパワースペクトル（周波数領域）。
3.6. バンドパワー
フーリエ変換から得られる周波数帯域（例：アルファ帯域）のパワーは、各周波数帯域がどれだけ存在するかを示します。バンドパワーの単位は通常µV2/Hzです。多くの場合、FFTから得られる振幅スペクトルやパワースペクトルは、対数単位のデシベル（dB）で表示されます。デシベルは、以下のように、測定されたパワー（P）と基準パワー（Pr）の間の比率の単位です：
関心のある事象についてこの測定単位が得られたら、バンドパワーを比較して、脳波に対する実験効果を理解することができます。
4. 理論から実践へ
次に、アルファ抑制効果について見ていきます。
これはハンス・ベルガーによって初めて報告された現象であり、目を開けているときは、目を閉じているときと比較して、アルファ振動の量（アルファパワー）が著しく減少することが確認されています。
図 10 – 目を開けているときにアルファ振動の増加が見られます。
まず、EmotivPRO Builderを使用して簡単な実験を構築しました。この実験では、参加者は画面に集中しながら単に2分間目を開けた状態を維持し、その後2分間目を閉じます。2分間の終わりにベルの音が聞こえ、目を開ける合図となります。
以下の動画に従って、独自のアルファ抑制実験を作成するか、こちらのリンクから当社の実験を実行することができます：
4.1. デバイスの装着とEEGの品質
当社のEQゲートの仕組みについての詳細は、こちらをご覧ください。お使いのヘッドセットに応じたデバイスの装着に関する詳細は、こちらをご覧ください：
EPOCタイプ
Insightタイプ
4.2. EEGデータの処理と変換
データを入手したら、Emotiv Analyzerを使用して周波数領域に変換できます。動画のステップに従ってください。
4.3. データの解釈
Analyzerの処理が完了したら、zipファイルをダウンロードします。各記録に対して、バンドパワーが含まれるcsvファイルと、独自の統計解析に使用できる画像ファイルが含まれています。
図 11 – バンドパワー。
出力結果を見ると、目を開けているとき（青）と比較して、目を閉じているとき（オレンジ）にアルファパワーが増加しているのが分かります。
これでチュートリアルは終了です！これで基礎知識が身につきました 🙂
リソースセクションより、さらに発展的な内容の資料へのリンクを確認できます。
5. リソース
発展的な内容の資料
Donoghue et al. 2022 Methodological considerations for studying neural oscillations
EEG用語集
Kane et al. 2017 (こちら)
オープンソースコード
Pythonコーディングに慣れている方向けに、開眼セグメントと閉眼セグメントでラベル付けされたアルファパワーの値を取得するために使用できるPythonスクリプトを公開しています。コードとサンプルアルファ抑制データファイルはこちらで見つかります: https://osf.io/9bvgh/
Emotiv マニュアル
EmotivPRO Builder マニュアル
EmotivPRO マニュアル
EmotivPRO Analyzer マニュアル
7. 参考文献
Donoghue, T., Schaworonkow, N. and Voytek, B., 2022. Methodological considerations for studying neural oscillations. European journal of neuroscience, 55(11-12), pp.3502-3527. doi: https://doi.org/10.1111/ejn.15361
Kane, N., Acharya, J., Beniczky, S., Caboclo, L., Finnigan, S., Kaplan, P.W., Shibasaki, H., Pressler, R. and van Putten, M.J., 2017. A revised glossary of terms most commonly used by clinical electroencephalographers and updated proposal for the report format of the EEG findings. Revision 2017. Clinical neurophysiology practice, 2, p.170. doi: 10.1016/j.cnp.2017.07.002
Siuly, S., Li, Y., Zhang, Y. (2016). Electroencephalogram (EEG) and Its Background. In: EEG Signal Analysis and Classification. Health Information Science. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-47653-7%5F1
読むのを続ける