EEGアーチファクト

EEGアーチファクトの2つの基本カテゴリ

EEG記録におけるあらゆる不要な変動は、2つの原因のいずれかから生じます。被験者由来（生理学的）のアーチファクトは、参加者自身の身体によって生成されます。これらには、まばたき、筋肉の緊張、心拍、汗腺の活動が含まれ、いずれも本物の脳活動とともに頭皮電極が拾い上げる電場を生み出します。

技術的（非生理学的）なアーチファクトは、記録機器や環境に起因します。電極の緩み、ケーブルの揺れ、アンプの飽和、商用電源の電気的干渉などがこの2番目のグループに該当します。

予防および除去の戦略が根本的に異なるため、これら2つのカテゴリを区別することが最初に習得すべきスキルとなります。噛みしめた顎による筋バーストには、シールドが不十分なケーブルから侵入する周期的な60ヘルツのハムノイズとは異なる介入が必要です。

被験者由来アーチファクトの見分け方

まばたき

眼球は小さな電気バッテリーのように振る舞います。角膜は網膜に対して正の電荷を帯びており、角膜-網膜双極子を形成しています。参加者がまばたきをすると、まぶたがこの双極子の上を撫でるように動き、正の電場を上方に引き上げるため、目に最も近い前頭部電極で大きな正の電圧の偏向が生じます。

時間領域の波形では、まばたきはFp1やFp2などの前頭極チャネルで最大に達し、中央部や後頭部の誘導に向かうにつれて急激に減衰する高振幅の徐波として現れます。この波形は非常に定型的なため、訓練を受けた目であればほぼ瞬時に見分けることができます。

眼球運動とサッカードスパイク

まばたきを伴わずに目が横に動くと、角膜-網膜双極子は覆われるのではなく回転します。これにより眼電図信号に階段状のシフトが生じ、隣接するEEGチャネルに波及することがあります。

さらに、サッカード中の外眼筋の急速な収縮によって、サッカードスパイク電位として知られる短く鋭い電気的一過性変化が生じます。生波形上では、これらのスパイクはてんかん様活動と見紛うほど似ていることがあります。通常、これらは前頭部および側頭部電極に限局し、視線の変化と一致して発生します。

これらを認識することで、誤った臨床判断を防ぎ、本来はクリーンである神経データを不必要に破棄することを避けることができます。スパイクの短さ、水平または垂直方向の眼球運動との相関、およびそれに続く徐波の欠如は、本物の皮質放電と区別するのに役立ちます。

筋活動

頭皮、顔面、および首の筋肉は、高周波の電気ノイズを多量に発生させます。参加者が顎を噛みしめたり、眉をひそめたり、あるいは首に力を入れたりすると、運動単位活動電位が非同期に発火し、スパイク状の不規則な干渉パターンとして総和されます。

時間領域では、筋アーチファクトはEEG波形の上に重なる鋭く振幅の小さい偏向の急速なバーストのように見え、側頭部や前頭部の電極で最も顕著になることがよくあります。その周波数成分は主に20 Hzを超え、多くの認知的測定値が存在するベータ帯域やガンマ帯域にまで及ぶため、精神状態のモニタリングやブレイン・コンピュータ・インターフェース（BCI）アプリケーションにとって特に厄介な問題となります。

電極間隔が密な高密度EEGセットアップは筋活動源の特定に役立ちますが、最初の防御策は参加者にリラックスするよう指示し、頭部を物理的にサポートすることです。

発汗と皮膚電気シフト

汗腺の活動による皮膚コンダクタンスの変化は、電極と皮膚の界面を変化させます。これにより、ベースライン電圧の非常に緩やかで滑らかなドリフト（多くは1 Hz未満）が生じ、数秒間にわたって変動することがあります。

このアーチファクトは、スパイクやリズミカルなハムノイズとしてではなく、トレース全体の緩やかな波のようなうねりとして現れます。これは長時間の記録中、暖かい環境、または緊張した参加者において最もよく見られます。この低周波の交絡因子は、室温を一定に保ち、電極の良好な接触を確保することで管理できます。

心臓信号

心臓の電場は、特に電極インピーダンスが高い場合や、乳突起や耳朶の上にある血管の近くに参照電極がある場合、頭皮にまで到達するほど強力です。

結果として生じる心電図アーチファクトは、心拍数に合わせて繰り返される規則的で鋭いQRS群（およそ毎秒1回）として現れます。多くの場合、一定の時間差を伴って多数のチャネルに同時に混入し、広域スペクトルのアーチファクト特徴で訓練された分類器によって、他の混入物とともに検出することができます。

心臓の波形が見えていても過度でなければ、専用のECGチャネルを記録することで差し引くことができる場合がよくあります。そうでない場合は、影響を受けたセグメントを手動で破棄する必要があるかもしれません。

トレース内の技術的アーチファクトの認識

電極ポップと動き関連スパイク

ゲルの乾燥による架橋の切れ、ケーブルの引っ張り、または電極のズレによって引き起こされるインピーダンスの急激な変化は、「ポップ」と呼ばれる突発的で急峻な一過性変化を生成します。これは、ADJUSTなどの自動アルゴリズムがフラグを立てるよう設計されている「一般的な不連続点」カテゴリに該当します。

時間領域では、電極ポップは通常、極端な振幅の孤立したスパイクのように見え、アンプを飽和させて信号を一時的にフラットライン化させた後、ゆっくりと回復します。生物学的なスパイクとは異なり、進行中の生理学的活動を伴わず、通常は単一のチャネルにのみ現れるため、目視検査で容易に識別できます。

Hagmannらによる新生児EEG研究でも同様に、振幅統合トレースを変化させる頻繁な体動干渉が記録されており、わずかな物理的妨害であっても測定可能な混入を引き起こすことが強調されています。

商用電源の干渉

記録セットアップへの電源の容量結合は、商用電源周波数（ヨーロッパおよび世界の大部分では50 Hz、北米では60 Hz）で連続的かつリズミカルな「ハム音」を発生させます。

生のEEGトレース上では、この干渉はすべてのチャネルに重畳された太い正弦波として現れ、多くの場合、一定の振幅を示します。わずかなラインノイズであっても低振幅の脳リズムを覆い隠してしまう可能性があり、その存在は電極インピーダンス、シールド、または接地（アース）に問題があることを示しています。

これは例外なく技術的アーチファクトであり、神経振動ではないため、その固定された周波数により、目視や単純なスペクトルプロットで簡単に特定できます。

緩んだ電極とケーブルの動き

電極が頭皮にしっかりと取り付けられていない場合や、記録の途中でケーブルが揺れたりすると、機械的妨害によって不規則な低周波の変動が生じます。これらは、単一のチャネルにおけるゆっくりとした不規則なドリフトや、高振幅の不規則波のバーストのように見えることがあります。

その突発的な性質と単一の電極への局在性から、このアーチファクトは、まばたきや筋肉の緊張などの広範囲にわたる生理学的事象とは即座に区別されます。このような瞬間をリアルタイムで注記（アノテーション）しておくことで、後から不良データセグメントを探す手間が大幅に省けます。

記録中のアーチファクトの防止と記録

最も効果的なアーチファクト管理戦略は、最初のデータポイントが保存されるずっと前から始まります。

参加者がリラックスしていれば、筋肉や眼球運動によるアーチファクトは劇的に減少します。そのため、セッションについて説明する時間を十分に確保し、頭部を支える快適な椅子を用意し、自然なまばたきやサッカードを減らすために安定した注視点を与えてください。これらの手順はあまりにも基本的であるため研究論文で明記されることは稀ですが、クリーンなデータを報告するすべての研究が暗黙のうちにこれらに依存しています。

電極の装着は次の防御ラインです。入念な皮膚の前処理、適切な導電性ゲルの使用、および丁寧なケーブル配線により、環境からのノイズの混入と動きに関連するポップの両方を最小限に抑えることができます。

前述の乳児EEG研究では、電気的干渉と運動干渉が同等の頻度で発生することが確認されており、技術的な問題に対して本質的に無縁な記録環境など存在しないことが裏付けられています。セッションの前後にインピーダンスをチェックし、ケーブルを衣服や椅子に固定することで、予防可能なアーチファクトの大部分を取り除くことができます。

最後に、記録中に目に見えるアーチファクトのログを継続して記録してください。大きな体動、咳、電極の調整などの時間を記録します。この種の手動アノテーションは、人間の評価者がセグメントをマークして機械学習アルゴリズムのグラウンドトゥルース（正解データ）として機能させる、自動分類器のトレーニングに使用される専門家のラベリングと同様の役割を果たします。

手書きのシンプルなタイムスタンプや収集ソフトウェア内のイベントマーカーを使用することで、当て推量が再現可能なドキュメントに変わります。

手動での除去と補間：計算処理前のクリーニング

連続トレースの目視検査

アーチファクトの除去を信号処理アルゴリズムに任せる前に、生データをスクロールし、上述した波形の特徴を利用して汚染された区間を特定します。

まばたき特有の前頭部徐波、筋活動の高周波ノイズ、ポップの孤立したスパイク、あるいは商用電源ノイズの持続的な正弦波を探すことが推奨されます。このステップにより、アーチファクトと本物の脳活動を区別する目が養われ、一見するとアーチファクトに似ている稀な高振幅の神経イベントが誤って自動除去されるのを防ぐことができます。

• 前頭部徐波：まばたきを示す

• 高周波ノイズ：筋活動を示す

• 極端な振幅の孤立したスパイク：電極ポップを示す

• 持続的な正弦波：商用電源の干渉を示す

不良タイムセグメントのマーキングと除外

アーチファクトが多く含まれるデータの区間を特定したら、除外対象としてマークします。これには、開始時間と終了時間をログに記録するか、EEG解析ソフトウェアに組み込まれているマーキングツールを使用します。

最もひどく汚染されたセグメントを手動で除去することは、最新の自動化手法であってもその基盤としている標準的な手法です。たとえば、ADJUSTアルゴリズムを生み出した研究では、トレーニングセットを作成するために専門家が640個のコンポーネントを手動でラベル付けし、この手動で定義されたグラウンドトゥルースに対して分類器のパフォーマンスが測定されました。

最も顕著なアーチファクトを手動で取り除くことで、後続のアルゴリズムへの負担が軽減され、空間フィルタリングのステップで隣接するチャネルにノイズが拡散するのを防ぐことができます。

一貫してノイズの多いチャネルの補間

接触不良、ゲルの乾燥、機械的不安定性などの理由により、記録全体を通して単一の電極の信頼性が低い場合、そのチャネルを削除し、隣接するクリーンな電極からそのデータを再構成することで、データ全体の次元性を維持できます。

補間では、頭皮全体の空間的な電圧分布を利用して、不良チャネルが記録していたはずの値を推定し、アーチファクトを妥当で中立的な信号に効果的に置き換えます。このステップにより、トポグラフィ解析のためのデータセットが損なわれず維持され、チャネルを完全に破棄することによるデータの損失を防ぐことができます。

手動クリーニングが不可欠であり続ける理由

最も高度な自動分類器であっても、大きなアーチファクトが事前に除去されたデータセットの恩恵を受けます。新生児の研究において、アーチファクトが記録時間の12%を占め、臨床的解釈に影響を与えたという発見は、除去されなかった混入物が結論をいかに容易に歪めてしまうかを示しています。

したがって、目視検査によって最大かつ最も明白なアーチファクトが事前に対処されていることを確認してから、データを効果的な計算パイプラインに入力する必要があります。そうしないと、アーチファクトが分散を支配し、信号分解を誤らせる可能性があります。また、これによってどのようなアルゴリズムも再現できないデータセットへの深い理解が得られます。

自動除去が手動作業をどのように支援するか

分解ツールとしての独立成分分析（ICA）

最悪のセグメントを手動で取り除いた後、ICAによって残りのEEGを統計的に独立した信号源成分に分解することができます。この手法は、頭皮電極によって拾い上げられた脳信号とアーチファクト信号の混合状態を解きほぐし、眼球運動、まばたき、および筋活動を固有の空間的・時間的パターンに基づいて個別のコンポーネントに分離します。

前頭部への投射を持ち、まばたき信号と密接に一致する波形を持つコンポーネントを特定して差し引くことで、残りのデータを神経生理学的に損なうことなく残すことができます。ICAの強みは、同時に発生する複数のアーチファクト源に対処できる点にあり、これはより単純な回帰ベースの補正では過補正や補正不足になりがちなタスクです。

最新分類器の信頼性

自動化手法は現在、専門家である人間の判断と極めて近いレベルのパフォーマンスを達成しています。

周波数領域、空間領域、時間領域から抽出された6つの特徴量で訓練された、ある被験者非依存の線形分類器は、反応時間データセットにおいて10%未満の平均二乗誤差を達成しました。これは、2人の人間の専門家間の意見の相違の範囲内に収まっています。

さらに、空間的および時間的なアーチファクト固有の特徴を組み合わせたADJUSTアルゴリズムは、完全に独立したデータセットでテストされた際、データの分散の95.2%において手動の専門家ラベリングと一致し、アーチファクト成分の除去により事象関連電位のクリーンな再構成につながりました。

自己回帰モデルとサポートベクターマシンを組み合わせた別のアプローチでは、個人間における複数種類の被験者生成アーチファクトを約94%の精度で分類しました。

特に眼球アーチファクトについては、アイトラッカー情報を組み込んで関連コンポーネントを客観的に特定するアルゴリズムが、コンポーネントのトポグラフィのみに頼らざるを得なかった人間の専門家のほぼ2倍の効果を発揮し、受信者動作特性の曲線下面積（AUC）で0.99超を達成しました。

これらの数値は手動クリーニングに取って代わるものではありませんが、かつては完全に手作業で行われていた反復的で大量の識別作業を処理できる信頼性の高い計算アシスタントを、この分野が手に入れたことを示しています。

アーチファクト除去と信号保存のバランス

過度に攻撃的なアーチファクト除去は、本物の神経情報を誤って奪ってしまう可能性があります。運動イメージを用いたブレイン・コンピュータ・インターフェースのパラダイムにおいて、研究者たちは、BCIシステムがユーザーの意図を解読するために使用する識別情報を保持したまま、最もアーチファクトの強いICAコンポーネントの最大60%を安全に除去できることを発見しました。

この発見は、アーチファクトの分散をある程度含んでいるすべてのコンポーネントに神経信号が全く含まれていないわけではないという重要な原則を浮き彫りにしています。除去の閾値が有用な脳活動の領域に踏み込まないことを確認するために、自動分類器によって選択されたコンポーネントを手動で確認することは依然として賢明な選択です。

畳み込みニューラルネットワークによる自動EEGアーチファクト同定

EEGアーチファクト同定に対する自動化アプローチは大幅に進歩しており、上記の識別技術を補完するものとなっています。研究の1つの流れは、専門家による特徴抽出や生信号の前処理を必要とせずにアーチファクトを検出・分類できる畳み込みニューラルネットワーク（CNN）に焦点を当てています。

連続多チャネルEEGデータを調べる研究者による研究では、EEGアーチファクトのバイナリ検出のためのCNNアーキテクチャが提案され、その後、複数のアーチファクトタイプを分類できるように拡張されました。著者らは、最適化されたネットワークが17人の患者と9つのアーチファクトクラス全体で平均94.17%の分類精度を達成したと報告しています。元のCNNベースのアーキテクチャと比較して、最適化バージョンはパラメータ数が4.2倍少なく、計算量が2.7倍削減されたと同時に、精度が17.5%向上しました。研究者らはまた、14チャネルのEmotiv Epoc X headsetを使用して自らの研究室で収集したデータセットでモデルを評価し、まばたきアーチファクトの検出において93.5%の精度を達成しました。

この研究では、提案されたモデルはEEGデータの特徴抽出や前処理に関する専門知識を必要とせず、アーキテクチャがモバイルデバイスに実装できるほど効率的であることが観察されました。これは、実用的でリソースの限られた環境におけるリアルタイムのアーチファクト検出の可能性を示唆しています。

この一連の研究がまだ解明していないのは、実際の記録で遭遇する全範囲のアーチファクトタイプにわたってこのような自動分類器がどのように機能するか、あるいは多様な集団や記録環境における目視検査とどのように比較されるかです。これらの知見は、効率的で自動化されたEEGアーチファクト同定が実現可能であることを示唆していますが、より幅広い条件下でのさらなる検証は依然として未解決の探求領域です。

アーチファクトへの意識がデータ品質を決定づける理由

アーチファクトは、目視による解釈と定量的測定の両方に直接影響を与えます。目標が臨床診断であれ、神経科学の発見であれ、あるいはコンシューマー向けウェルネスアプリケーションであれ、信頼できる結果への道筋は、アーチファクトがどこから生じるのか、生のトレース上でどのように見えるのかを明確に理解し、それらを予防、記録、および手動で除去する規律あるプロセスを経ることにかかっています。

ICAに基づく自動化はクリーニングのワークフローを加速させることができますが、訓練を受けた人間の目によって既に検査されたデータに対して最も効果的に機能します。12%の混入率と聞くと高くないように思えるかもしれませんが、その割合が医療上の判断を変えたり、繊細な認知的バイオマーカーを覆い隠してしまったりする可能性がある場合、アーチファクト管理への投資は記録の科学的完全性と不可分なものとなります。

参考文献

1. Plöchl, M., Ossandón, J. P., & König, P. (2012). Combining EEG and eye tracking: identification, characterization, and correction of eye movement artifacts in electroencephalographic data. Frontiers in human neuroscience, 6, 278. https://doi.org/10.3389/fnhum.2012.00278

2. Mognon, A., Jovicich, J., Bruzzone, L., & Buiatti, M. (2011). ADJUST: An automatic EEG artifact detector based on the joint use of spatial and temporal features. Psychophysiology, 48(2), 229-240. https://doi.org/10.1111/j.1469-8986.2010.01061.x

3. Hagmann, C. F., Robertson, N. J., & Azzopardi, D. (2006). Artifacts on electroencephalograms may influence the amplitude-integrated EEG classification: a qualitative analysis in neonatal encephalopathy. Pediatrics, 118(6), 2552–2554. https://doi.org/10.1542/peds.2006-2519

4. Winkler, I., Haufe, S., & Tangermann, M. (2011). Automatic classification of artifactual ICA-components for artifact removal in EEG signals. Behavioral and brain functions, 7(1), 30. https://doi.org/10.1186/1744-9081-7-30

5. Lawhern, V., Hairston, W. D., McDowell, K., Westerfield, M., & Robbins, K. (2012). Detection and classification of subject-generated artifacts in EEG signals using autoregressive models. Journal of neuroscience methods, 208(2), 181-189. https://doi.org/10.1016/j.jneumeth.2012.05.017

よくある質問

EEGアーチファクトの2つの主要なカテゴリは何ですか、またそれらはどのように異なりますか？

EEGアーチファクトは2つのカテゴリに分類されます。まばたき、筋肉の緊張、心拍、汗など、参加者の身体によって生成される被験者由来（生理学的）アーチファクトと、電極の緩み、ケーブルの揺れ、商用電源の干渉など、機器や環境に起因する技術的（非生理学的）アーチファクトです。それぞれのカテゴリで異なる予防および除去戦略が必要となるため、この区別は重要です。たとえば、筋バーストには60 Hzのラインハムとは異なる介入が必要です。

EEGトレース上のまばたきアーチファクトはどのように認識できますか？

まばたきは、Fp1やFp2などの前頭部電極で最も強く現れ、中央部や後頭部のチャネルに向かって急速に減衰する、大きな正の徐波として現れます。角膜は網膜に対して正の電荷を帯びているため、まぶたがこの双極子の上を撫でることで定型的な高振幅の偏向が生じ、訓練を受ければ簡単に見分けることができます。

なぜ筋活動はブレイン・コンピュータ・インターフェースにとって特に問題となるのですか？

顎の噛みしめ、眉のひそめ、首の緊張による筋アーチファクトは、認知測定や精神状態モニタリングが機能するベータ波やガンマ波の脳波帯域と重複することが多い、高周波のスパイク状干渉を引き起こします。この混入はアルゴリズムによる解析を狂わせ、ブレイン・コンピュータ・インターフェースモデルの性能を低下させる可能性があるため、管理が最も厄介な生理学的アーチファクトの1つとなっています。

商用電源の干渉アーチファクトはどのように見え、何が原因で発生しますか？

商用電源の干渉は、地域の電力供給に応じて通常50 Hzまたは60 Hzで、すべてのEEGチャネルに重畳された連続的でリズミカルな正弦波の「ハム音」として現れます。これは、電極インピーダンスの不良、不十分なシールド、または接地の問題により、電源が記録セットアップに容量結合することによって発生し、神経信号ではなく明らかに技術的なアーチファクトです。

記録中にアーチファクトを手動でアノテーションすることが重要なのはなぜですか？

セッション中に大きな動き、咳、または電極の調整などのログを記録し続けることは、後で不良データセグメントを絞り込むのに役立ち、推測を再現可能なドキュメントへと変換します。この手動アノテーションは、自動分類器のトレーニングに使用される専門家のラベリングにも反映され、手動および計算によるクリーニングの両方の信頼性を向上させるグラウンドトゥルースを提供します。

一貫してノイズの多いEEGチャネルを補間する目的は何ですか？

接触不良やゲルの乾燥により、記録全体を通じて単一の電極の信頼性が低い場合、補間は頭皮全体の空間的な電圧分布を利用して、隣接するクリーンな電極からそのチャネルのデータを再構成します。これにより、トポグラフィ解析のためのデータセット全体の次元性が維持され、チャネル全体を破棄した場合に生じるデータ損失を回避できます。

独立成分分析（ICA）はアーチファクトの除去にどのように役立ちますか？

ICAは、混ざり合ったEEG信号を統計的に独立した信号源成分に分解し、固有の空間的および時間的パターンに基づいて、まばたき、筋活動、その他のアーチファクトを分離します。特定されたアーチファクト成分（まばたきに一致する前頭部投射を持つものなど）を差し引くことで、基礎となる神経信号をほぼ損なわずに残すことができ、単純な回帰法よりも効果的に同時に発生する複数のアーチファクト源に対処できます。

自動アーチファクト除去を攻撃的に行いすぎることのリスクは何ですか？

過度に攻撃的な除去は、一部のコンポーネントがアーチファクトの分散と有用な脳活動の両方を保持しているため、本物の神経情報を誤って奪ってしまう可能性があります。自動分類器が多数のコンポーネントにフラグを立てた場合でも、除去の閾値がユーザーの意図の解読や認知的バイオマーカーの検出に不可欠な信号を排除してしまわないよう、除去するコンポーネントを手動で確認することをお勧めします。

アーチファクトへの意識がEEG記録の科学的完全性に直接影響を与えるのはなぜですか？

アーチファクトは病的な波形に見せかけたり、目視による解釈と定量的分析の両方を歪める分散をもたらしたりして、臨床分類を変化させたり繊細な認知信号を覆い隠したりする可能性があります。計算処理を行う前に、アーチファクトを防止、記録、および手動でクリーニングする規律あるプロセスが不可欠であり、これによりデータから導き出される結論が信頼でき、混入物によって損なわれていないことが保証されます。