EEGアーチファクト

EEGアーティファクトの2つの根本的なカテゴリ

EEG記録におけるすべての不要な変動は、2つの原因のいずれかから発生します。被験者由来（または生理的）アーティファクトは、参加者自身の身体によって生成されます。これらには、瞬目（まばたき）、筋肉の緊張、心拍、汗腺の活動が含まれ、これらはすべて、頭皮電極が本物の脳活動とともに拾う電場を生成します。

技術的（または非生理的）アーティファクトは、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、および商用電源ノイズ（ハムノイズ）が、この2番目のグループに分類されます。

これら2つのカテゴリを区別することは、予防と除去の戦略が根本的に異なるため、最初に習得すべきスキルです。噛み締めた顎からの筋肉のバーストは、遮蔽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を必要とします。

被験者由来のアーティファクトを特定する方法

瞬目（まばたき）

目は小さな電気的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。被験者がまばたきをすると、まぶたがこの双極子を横切り、正の電界を上方に引きずり、目に最も近い前頭部電極において大きく正の電圧偏向を生成します。

時間領域のトレースでは、まばたきは高振幅で緩やかな波として現れ、Fp1やFp2などの前頭極チャネルで最大に達し、その後、中心部や後頭部の誘導に向かって急激に減衰します。波形が非常に定型的であるため、訓練された目であればほぼ瞬時に見つけることができます。

眼球運動とサッカードスパイク

まばたきをせずに目が側方に動くと、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、それが隣接するEEGチャネルに回り込むことがあります。

さらに、サッカード中の外眼筋の急速な収縮は、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を作り出します。生のトレースでは、これらのスパイクはてんかん様活動に酷似して見えることがあります。これらは通常、前頭部および側頭部電極に限定され、視線の変化と一致します。

これらを認識することで、誤った臨床診断を防ぎ、そうでなければクリーンな神経データの不要な破棄を避けることができます。スパイクが非常に短いこと、水平または垂直方向の眼球運動と相関していること、そして後続の緩徐波を伴わないことが、本物の皮質放電と区別するのに役立ちます。

筋肉活動（筋電）

頭皮、顔面、および頸部の筋肉は、高周波の電気ノイズを大量に発生させます。被験者が顎を噛み締めたり、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へと合算されます。

時間領域において、筋電アーティファクトは、EEGの上に重なる鋭く低振幅な偏向の急速なバーストのように見え、多くの場合、側頭部または前頭部電極の上で最も顕著になります。その周波数成分は主に20 Hz以上に位置し、多くの認知指標が存在するベータ帯域やガンマ帯域に深く入り込むため、メンタル状態のモニタリングやブレイン・コンピューター・インターフェース（BCI）応用において特に厄介な問題となります。

電極間隔の狭い高密度EEGセットアップは筋肉の発生源を特定するのに役立ちますが、第一の防衛策は被験者にリラックスするように指示し、頭部を物理的に支えることです。

発汗と皮膚電気シフト

発汗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、基線電圧に非常に緩やかでスムーズなドリフト（通常は1 Hz未満）が生じ、数秒間にわたってうねるように変化することがあります。

このアーティファクトは、スパイクや周期的なノイズとしては現れず、トレース全体が緩やかに波打つように現れます。長時間の記録、暖かい環境、または緊張している被験者の場合に最も一般的です。この低周波の混入は、室温を一定に保ち、良好な電極接触を確保することで管理できます。

心臓信号

心臓の電界は強力であるため、特に電極インピーダンスが高い場合や、乳突起や耳たぶの上にある血管の近くに基準電極が配置されている場合、頭皮にまで到達することがあります。

その結果生じる心電図アーティファクトは、心拍数に合わせて（約1秒に1回）繰り返される、規則的で鋭いQRS複合波として現れます。これは、一貫した時間オフセットを伴って同時に多くのチャネルに回り込むことが多く、広帯域のアーティファクト特徴で訓練された分類器は、他の混入物とともにこれを検出できます。

心臓の波形が見えてはいるものの圧倒的ではない場合、専用のECGチャネルを記録しておくことで、多くの場合、それを差し引くことができます。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。

トレースにおける技術的アーティファクトの認識

電極ポップと運動関連スパイク

ゲルの乾燥によるブリッジ、ケーブルの引っ張り、または電極のずれによって引き起こされるインピーダンスの突然の変化は、しばしば「ポップ」と呼ばれる急激で急峻な一過性変化を生成します。これは、ADJUSTのような自動アルゴリズムがフラグを立てるように設計されている「一般的な不連続性」カテゴリに分類されます。

時間領域において、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、信号を一時的に平坦化（フラットライン）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、継続的な生理活動を伴わず、通常は単一のチャネルにのみ現れるため、目視検査で容易に特定できます。

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運動干渉が記録されており、一時的な物理的乱れであっても測定可能な汚染を引き起こすことが強調されています。

商用電源干渉

記録セットアップへの電源供給の容量結合は、商用電源周波数（ヨーロッパや世界の大部分では50 Hz、北米では60 Hz）で持続的かつ周期的な「ハム」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、一貫した振幅を示します。わずかなラインノイズであっても、低電圧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（グラウンディング）の問題を示しています。

これは常に技術的なアーティファクトであり、神経細胞の振動ではないため、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することができます。

電極の緩みとケーブルの動き

電極が頭皮にしっかりと固定されていない場合や、記録の途中でケーブルが揺れた場合、機械的な乱れによって不規則な低周波の変動が生じます。これらは、単一チャネル上の緩やかで不安定なドリフトや、高振幅で不規則な波のバーストのように見えることがあります。

散発的な性質であり、かつ1つの電極に限定されていることから、このアーティファクトは、まばたきや筋肉の緊張といった広範にわたる生理学的イベントから即座に区別されます。このような瞬間をリアルタイムで記録に残しておくことで、後から不良なデータセグメントを探す手間を大幅に削減できます。

記録中におけるアーティファクトの予防と記録

最も効果的なアーティ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はるか前に始まります。

リラックスした被験者は、筋肉や眼球運動によるアーティファクトを劇的に減少させます。したがって、時間をかけてセッションについて説明し、頭部を支える快適な椅子を用意し、自然発生的なまばたきやサッカードを減らすために安定した固視点を提供してください。これらのステップは非常に基本的であるため、研究論文で詳しく説明されることは滅多にありませんが、クリーンなデータを報告するすべての研究は、暗黙のうちにこれらに依存しています。

電極の装着は、次の防衛策です。入念な皮膚調整、十分な導電性ゲルの塗布、および慎重なケーブルの配線により、環境ノイズの拾い込みと運動関連のポップの両方を最小限に抑えることができます。

前述の乳幼児EEG研究では、電気的干渉と運動干渉が同様の頻度で発生することが判明しており、いかなる記録環境も技術的な問題と無縁ではないことが確認されています。セッションの前後で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、予防可能なアーティ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ティファクトの実行ログを記録しておきます。大きな動き、咳、または電極の調整があった時刻をメモしてください。このような手動のアノテーションは、自動分類器を訓練するために使用される専門家のラベル付けに似ており、評価者が機械学習アルゴリズムの教師データとしてセグメントをマーキングする作業と同じです。

手書きのタイムスタンプや記録ソフトウェア内のイベントマーカーといったシンプルな方法により、当て推量が再現可能な記録へと変わります。

手動除去と補間：計算処理前のクリーニング

連続トレースの目視検査

アーティファクトの除去を任意の信号処理アルゴリズムに委ねる前に、生のデータに目を通し、上述の波形の特徴を利用して汚染された区間を特定します。

まばたきに特徴的な前頭部の緩徐波、筋活動による高周波のざわめき（フィズ）、電極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、アーティファクトと本物の脳活動を区別する目を養い、一見アーティファクトに似ているものの、極めて稀な高振幅の神経イベントが自動的に除去されるのを防ぐことができます。

• 前頭部緩徐波：瞬目（まばたき）を示します

• 高周波のざわめき（フィズ）：筋活動を示します

• 極端な振幅の孤立したスパイク：電極ポップを示します

• 持続的な正弦波：商用電源干渉を示します

不良な時間セグメントのマーキングと除外

アーティファクトが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記録するか、EEG分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、最先端の自動化手法であっても基本となる基準です。例えば、ADJUSTアルゴリズムを構築した研究では、専門家が手動で640個のコンポーネントにラベルを付けてトレーニングセットを作成し、その後、この手動で定義された教師データに対して分類器の性能が測定されました。

最もひどいアーティ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を軽減し、空間フィルタリングのステップでノイズが隣接するチャネルに拡散するのを防ぎます。

継続的にノイズの多いチャネルの補間

接触不良、ゲルの乾燥、または機械的な不安定さのために、記録全体を通して単一の電極の信頼性が低い場合、そのチャネルを取り除き、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、全体的なデータの次元数を維持できます。

補間は、頭皮全体の空間的な電圧分布を利用して、不良なチャネルが記録していたはずの値を推定し、アーティファクトを妥当でニュートラルな信号に効果的に置き換えます。このステップにより、トポグラフィー分析用のデータセットをそのまま維持し、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ぎます。

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、大きなアーティファクトが事前にクリーニングされたデータセットを使用する方が有利です。新生児研究において、アーティファクトが記録時間の12%を占め、臨床診断に影響を与えたという知見は、除去されなかった汚染がいかに容易に結論を歪めてしまうかを示しています。

したがって、手動での検査を行うことで、データが効果的な計算パイプラインに入る前に、最大かつ最も明らかなアーティファクトが除去されていることを保証できます。そうしないと、それらが分散を支配し、分解を誤らせる可能性があります。また、アルゴリズムでは再現できない、データセットに対する深い理解を培うことにもつながります。

自動除去が手動作業をサポートする方法

解剖ツールとしての独立成分分析（ICA）

最もひどいセグメントを手動で取り除いた後、ICAを利用して、残りのEEGを統計的に独立した信号源コンポーネントに分解できます。この技術は、頭皮電極が拾い上げた脳信号とアーティファクト信号の混合を「解きほぐし」、眼球運動、まばたき、および筋肉活動を、それぞれの固有の空間的・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。

前頭部に投影があり、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ティファクト源を処理できる能力にあり、これは、より単純な回帰ベースの補正が頻繁に過剰補正または過小補正してしまうタスクです。

現代の分類器の信頼性

自動化された手法は、現在、人間の専門家の判断に酷似するレベルの性能に達しています。

周波数、空間、および時間領域から抽出された6つの特徴で訓練された、ある被験者独立型の線形分類器は、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人の人間の専門家の間の不一致の範囲内です。

さらに、空間的および時間的なアーティ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%で手動の専門家によるラベル付けと一致し、そのアーティファクトコンポーネントの除去は事象関連電位のクリーンな再構成につながりました。

サポートベクターマシンと組み合わせた自己回帰モデルを使用する別の手法では、個人間で発生する複数タイプの被験者由来アーティファクトを、約94%の精度で分類しました。

特に眼球アーティファクトについては、関連するコンポーネントを客観的に特定するためにアイトラッカーの情報を取り入れたアルゴリズムが、コンポーネントのトポグラフィーのみに頼らざるを得なかった人間の専門家よりも約2倍効果的に機能し、受信者動作特性の曲線下面積（AUC）において0.99を超える数値を達成しました。

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、かつてすべて手作業で行われていた反復的で大量の特定作業を処理できる、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。

アーティファクト除去と信号保存のバランス

過度に積極的なアーティファクトの除去は、本物の神経情報を意図せず削ぎ落とし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・コンピューター・インターフェースのパラダイムにおいて、研究者は、最もアーティファクト的なICAコンポーネントの最大60%を安全に除去しつつ、BCIシステムがユーザーの意図をデコードするために使用する識別情報を保持できることを発見しました。

この発見は、アーティファクトの分散をいくらか含んでいるすべてのコンポーネントが、必ずしも神経信号を完全に欠いているわけではないという極めて重要な原則を強調しています。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し、除去のしきい値が有用な脳活動の領域にまで踏み込んでいないことを確認することが依然として推奨されます。

アーティファクトの意識がデータ品質を左右する理由

アーティファクトは、目視による解釈と定量的な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のりは、アーティファクトがどこから来るのか、生のトレース上でどのように見えるのか、そしてそれらを予防、記録、および手動でクリーニングする規律あるプロセスを明確に理解することを通るものです。

ICAベースの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、訓練された人間の目によってすで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%の汚染率は高く聞こえないかもしれませんが、そのわずかな割合が医療上の決定を変更したり、微妙な認知的バイオマーカーを覆い隠したりする可能性がある場合、アーティ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アーティファクトの2つの主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アーティファクトは、まばたき、筋肉の緊張、心拍、発汗など、被験者の身体によって生成される被験者由来（生理的）アーティファクトと、電極の緩み、ケーブルの揺れ、商用電源ノイズなど、機器や環境に起因する技術的（非生理的）アーティファクトの2つのカテゴリに分類されます。それぞれのカテゴリで異なる予防および除去の戦略が必要となるため、この区別は重要です。例えば、筋肉のバーストは、60 Hzのラインハムノイズとは異なる介入が必要です。

EEGトレース上で瞬目（まばたき）アーティファクトを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、中心部や後頭部チャネルに向かって急速に減衰する、大きくて正の緩やかな波として現れます。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を横切ることで、訓練を受ければ容易に特定できる定型的で高振幅の偏向が生じます。

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

顎の噛み締め、眉のひそめ、または首の緊張による筋活動アーティファクトは、高周波のスパイク状の干渉を生成し、これが認知測定や精神状態のモニタリングが機能するベータおよびガンマ脳波帯域としばしば重複します。この汚染はアルゴリズムによる分析を破損し、ブレイン・コンピューター・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ティファクトの1つとなっています。

商用電源干渉アーティファクトはどのように見え、何が原因で発生しますか。

商用電源干渉は、通常、地域の電力供給に応じて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規則的な正弦波の「ハム（ブーンというノイズ）」として現れます。これは、電極インピーダンスの不良、不適切なシールド、または接地（アース）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ティファクトです。

記録中にアーティファクトを手動で記録（アノテーション）することが重要なのはなぜですか。

セッション中に発生した大きな動き、咳、または電極の調整の実行ログを記録しておくことは、後で不良データセグメントを絞り込むのに役立ち、当て推量を再現可能な記録へと変えます。この手動のアノテーションは、自動分類器を訓練するために使用される専門家のラベル付けを反映したものでもあり、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教師データを提供します。

継続的にノイズの多いEEGチャネルを補間する目的は何ですか。

接触の緩みやゲルの乾燥により、記録全体を通して単一の電極の信頼性が低い場合、補間によって、頭皮全体の空間的な電圧分布を利用し、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、トポグラフィー分析用のデータセット全体の次元数が維持され、チャネル全体を破棄した場合に発生するデータの損失を回避できます。

独立成分分析（ICA）はアーティファクトの除去にどのように役立ちますか。

ICAは、混合されたEEG信号を統計的に独立したソース成分に分解し、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、筋肉活動、およびその他のアーティファクトを分離します。特定されたアーティファクト成分（まばたきに一致する前頭投影を持つものなど）を差し引くことで、基礎となる神経信号を大部分損なうことなく残し、単純な回帰法よりも効果的に複数の同時発生アーティファクト源を処理できます。

自動化されたアーティファクト除去において、過度に積極的になることのリスクは何ですか。

一部の成分はアーティファクトの分散と有用な脳活動の両方を引き受けているため、過度な除去は本物の神経情報を意図せず削ぎ落としてしまうリスクがあります。自動分類器が多くの成分にフラグを立てたとしても、除去する成分を手動で確認し、除去のしきい値がユーザーの意図のデコードや認知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にすることが推奨されます。

なぜアーティファクトへの配慮がEEG記録の科学的完全性に直接影響を与えるのですか。

アーティファクトは病的な波形を装ったり、目視による解釈と定量的な分析の両方を歪める分散を導入したりして、臨床分類を変更したり、微妙な認知信号を覆い隠したりする可能性があります。いかなる計算処理を行う前にも、アーティファクトの予防、記録、および手動によるクリーニングという規律あるプロセスが不可欠であり、データから導き出される結論が汚染によって破損しておらず、信頼できるものであることを保証します。