独立成分分析

独立成分分析（ICA）とは？

独立成分分析（ICA）は、混ざり合った一連の観測データから、そこに隠された要因や成分を抽出することに焦点を当てた、高度な統計・計算技術です。

多くの現実世界のシナリオにおいて、記録されるデータは、複数の音源や信号源が媒体を通じて同時に作用した結果であり、生のデータのままでは理解できない、複雑に重なり合った状態を作り出します。特定の代数変換を実装することにより、この手法はフィルターとして機能し、その混合プロセスを逆転させます。

コアコンセプト：混合信号の分離

この分野の根本的な前提は「カクテルパーティー問題」を中心に展開します。これは、部屋の中で複数の人が同時に話し、いくつかのマイクがその結果として生じる雑多な音を記録する、という状況です。

一般的な観察者には、声が混沌と入り混じった音にしか聞こえませんが、ICAは理論上、個々の話し手による信号を特定することができます。この機能により、研究者は全体的な流れから特定の波形を分離することができ、そうしなければ覆い隠されてしまう個々のデータチャネルを明確に見通すことが可能になります。

ICAの数学的基礎

数学的な目標は、ブラインド信号源分離を行うことであり、観測された変数を可能な限り独立させる線形変換を見つけることです。観測されたデータのベクトルが与えられると、アルゴリズムは逆混合行列を探索します。この行列を観測値に乗算することで、独立した統計分布を持つ、推定された信号源を得ることができます。

これを達成するには、信号が非ガウス分布に従っている必要があります。ガウス分布の数学的特性により、それらを一意に分離することは不可能だからです。現代の神経科学の文脈において、この厳密さは、微細な電気的変動が周囲の干渉という背景ノイズに埋もれてしまわないことを保証します。

独立成分分析はどのように機能するのか？

高次元のデータを上手く処理するこのプロセスは、非ガウス性を測定することにより、混合物をその構成要素に変換することに依存しています。中心極限定理により、混ざり合った信号はガウス分布に近づく傾向があるため、アルゴリズムはデータ内でガウス分布からできるだけ遠い方向を積極的に探索することで機能します。

その結果として得られる成分は、混合プロセスとは無関係に元の信号源を再構成する、実質的に「純粋な」信号となります。

ICAの前提条件

このアルゴリズムを正常に実行するためには、いくつかの重要な要件を満たしている必要があります。最も重要な前提条件は、各信号源が互いに統計的に独立していることです。ある信号源の値を知ることが、別の信号源に関する情報を一切提供しない場合、それらは分離の対象となります。

さらに、アルゴリズムは、観測された混合信号の数が、独立した信号源の数と少なくとも同等であることを前提とします。最後に、前述のように、信号源は非ガウス分布を示さなければなりません。この明確な構造が、アルゴリズムが分離処理を行うための足がかりとなるからです。

独立成分分析アルゴリズム：主な技術

この分離を達成するためにいくつかのアルゴリズム的アプローチが存在し、その中で最も著名な例としてFastICAやInfomaxが挙げられます。これらの手法は、出力の相互情報を最小化する、あるいは非ガウス性を最大化するように、逆混合行列を反復的に調整します。

最適化プロセスは計算負荷が高く、異なるデータセット間で一貫した収束を保証するためには慎重な実装が必要です。これらの重みを洗練させることで、システムは干渉の層を徐々に剥ぎ取り、それぞれの明確な信号がはっきりと現れるまで処理を続けます。

独立成分分析 vs. 主成分分析（ICA vs. PCA）

どちらの技術も次元削減や信号分析に使用されますが、その機能的目標は大きく異なります。研究者は、データセット内の分散を捉えたいのか、あるいは独立性を捉えたいのかに基づいて、これらを選択する必要があります。

適切なツールを選択できるかは、基礎となる分析の具体的な目標に依存します。PCAは主要なトレンドを維持することが重要なデータ圧縮に優れていますが、合計の観測値に寄与しているユニークで独立したプロセスを特定することが目標である場合は、ICAが勝っています。

独立成分分析が脳信号とノイズを分離する仕組み

独立成分分析は、PCAよりも厳格なアプローチを取ります。信号の相関を無くす（無相関化する）だけでなく、ICAは統計的に独立した成分を探索します。つまり、ある成分の値を知ることが、他のいかなる成分に関する情報も全く提供しないことを意味します。

これは無相関化よりもはるかに高いハードルであり、周波数成分は共有しているものの、真に異なる物理的要因（ここでのまばたき、あそこでの顎の噛み締め、あるいは刺激に反応する視覚野の一部など）から発生している信号を、ICAが引き離して抽出することを可能にする理由です。

• Winklerらの研究では、信号の瞬時的な統計だけでなく、時間経過に伴う時間的相関を考慮に入れたICAのバージョンであるTDSEPを適用しています。

• Olaf Dimigenの研究では、広く使用されているICAアルゴリズムであるInfomaxを使用しています。

• Mognonの研究では、一般的なICAベースのパイプラインの上部に自動検出ツールを構築しています。

実装の違いはあるものの、これらすべてのアプローチは同じ基本原則に基づいています。混ざり合った電極信号を、互いに独立して動作する一連の成分に分解し、その後、どの成分が脳活動のように見え、どれがアーチファクト（ノイズ）に見えるかを判断します。

ICAの背後にある核となる前提：非ガウス性と線形混合

ICAが機能するのは、データに関する2つの特定の前提があるからであり、これらを理解することでその強みと弱点の両方が説明できます。

1. 第一の前提は、非ガウス性です。 本物の脳波（EEG）信号源は、脳の律動、まばたき、あるいは筋肉のバーストなど、いずれもガウス（正規）分布のベルカーブ形状から逸脱する振幅分布を持つ傾向があります。ICAアルゴリズムは、この非ガウス構造を探索して最大化するように構築されています。独立した信号の混合物は、個々の成分のどれよりもガウス分布に近い形に見える傾向があるためです（中心極限定理の帰結）。

2. 第二の前提は、線形混合です。 ICAは、電極が記録するものが、基礎となる信号源の瞬時かつ線形の組み合わせであると想定しています。この想定は、安定した記録条件下において、電気活動が組織や頭蓋骨をどのように伝わるか（体積伝導として知られるプロセス）に対して合理的に成り立ちます。この想定は、被験者が静止しているときに最も満たされやすくなります。

ICA前のハイパスフィルター処理がすべてを変える理由

ICAの分解能は、アルゴリズムが実行される前に信号がどのように処理されるかに大きく依存します。ハイパスフィルターの遮断周波数（設定された周波数以下の非常に緩やかなドリフトを除去するフィルター）の選択は、パイプライン全体において最も影響力のある決定の一つであることがわかっています。

2015年のWinklerらによる研究では、聴覚オドボール課題を行う21人の参加者から得られた、特定の刺激に同期した脳波パターンである事象関連電位（ERP）データを用いてこれを直接検証しました。1〜2 Hzのハイパスフィルター処理は、3つの異なる評価指標（SN比、シングル試行の分類精度、「ほぼ双極子」に見える成分の割合（複数のソースが混ざり合って不鮮明になったものではなく、単一の局所的な脳ソースと一致する空間パターンを持っていることを意味します））において、一貫して良好な結果をもたらしました。

さらに、2020年の研究でKlugらは、静止状態および移動状態の記録セットアップ全体にわたり、同様の問いを検証しました。64チャネルで0.5 Hzフィルターを使用する標準的な静止実験では結果は許容範囲内でした。しかし、移動実験において最適な分解能に達するには、最大2 Hzというより高い遮断周波数が必要であり、チャネル数が多いセットアップでは、それに対応してより高いフィルターが必要になりました。

Olaf Dimigenの研究は、特に眼球運動アーチファクトという文脈において、この考えをさらに推し進めました。ハイパスフィルター、ローパスフィルター、およびサッカードスパイク電位を含むトレーニングデータの割合を体系的に変化させることで、研究者は、これらのスパイク電位のウェイトを大幅に大きくしたデータでICAをトレーニングすると、補正品質が強力に向上することを発見しました。

これら3つの研究を合わせると、同じ結論に至ります。デフォルトのフィルター設定、特に一般的な0.5 Hzの遮断周波数は、多くのユースケースに対して許容度が高すぎる可能性があり、正しい選択は具体的なアーチファクトや記録条件に依存します。

機械学習によるアーチファクト成分選択の自動化

ICAが一連の独立成分を生成した後は、未だに人間または何らかのシステムが、どの成分が脳活動を表し、どれがアーチファクトを表すかを判断しなければなりません。訓練された専門家による手動のラベリングは時間がかかり、境界線上のケースにおいては専門家間でも意見が必ずしも一致しないため、主観性が入り込みます。

これに対処するため、Winklerのチームは、各成分の周波数、空間、および時間的特徴から抽出されたわずか6つの特徴量を使用して、被験者に依存しない線形分類器を構築しました。反応時間研究における12人の参加者から得られた、手動でラベル付けされた640個のTDSEP成分でトレーニングされたこの分類器は、新しいデータでテストされた際に10%未満の平均二乗誤差（MSE）を達成しました。これは、人間の専門家間の自然な意見の不一致率と同等のパフォーマンスレベルです。

再トレーニングを行うことなく、完全に異なる聴覚ERPパラダイムに適用した場合、同じ分類器は15%のMSEに達しました。これは妥当な結果ではありますが、パラダイムを超えて一般化することの難しさを反映して、明らかにパフォーマンスが低下しています。運動イメージブレイン・コンピューター・インターフェース（BCI）タスクにおいて研究者らは、最もアーチファクトらしい成分を最大60%除去しても、BCIが機能するために必要な判別情報が維持されることを実証しました。

さらに、Mognonのチームは、まばたき、眼球運動、および一般的な不連続性を検出するために特別に調整された空間的および時間的特徴を組み合わせた、完全自動アルゴリズムであるADJUSTを導入しました。独立したデータセットで検証されたADJUSTの成分分類は、手動の専門家によるラベリングとデータ分散の95.2%で一致しました。ADJUSTがアーチファクトとしてフラグを立てた成分を除去することで、アーチファクトが激しいデータから視覚および聴覚の事象関連電位が綺麗に再構成されたと、その研究では説明されています。

両方のツールとも、EEGクリーニングの手動の負担を軽減する上での真の進歩を示していますが、報告されている性能は特定のデータセットおよびパラダイムから得られたものであり、新しい条件への一般化が保証されているわけではありません。

ICAを用いたEEGデータクリーニングの実践的な指針

独立成分分析が機能するのは、PCAのような手法が依存している無相関化という弱い特性ではなく、真の統計的独立性をターゲットにしているためです。この違いにより、周波数成分が重複している場合でも脳信号とアーチファクトを分離することができます。これは周波数領域フィルターでは不可能であり、回帰ベースのEOG補正でも直接検証で達成できなかったことです。

しかし、その成功は条件付きです。静止状態のERP研究においては、1〜2 Hzの範囲でのハイパスフィルター処理が一貫して優れた分解能をもたらすことが示されている一方、移動記録では最大2 Hzのフィルターが有利であり、チャネル数も影響を与えます。自由視認中のサッカードスパイク電位のような特に困難なアーチファクトに対しては、デフォルト設定を使用するのではなく、トレーニング中にアーチファクトのウェイトを意図的に高くすることで、不十分だった補正を、脳活動の歪みを最小限に抑えつつ、ほぼすべての混入を除去するものへと変えることができます。

さらに、前述の研究における6特徴量線形モデルやADJUSTアルゴリズムを含む自動成分分類器は、手動ラベリングに伴う時間と主観性を大幅に削減できます。どちらも検証データにおいて専門家の判断と強い一致を示しました。しかし、記録パラダイムや機器の違いによってパフォーマンスがどのように変化するかを意識せずに、どちらかを万能の解決策として扱うべきではありません。

ICAベースのアーチファクト除去は、EEGデータのクリーニングにおいて現在利用可能なアプローチの中で最も強力に支持されているものの一つであり、その背後にある神経科学は一貫した統計的論理に基づいています。しかし、その実際のパフォーマンスは、アルゴリズムを実行するはるか前に行われる選択（フィルター設定、トレーニングデータの構成、および対象となる具体的なアーチファクト）に依存します。これを適用する際は、単一の構成がどこでも機能すると仮定するのではなく、客観的な指標で結果を検証すべきです。

なぜ前処理の選択がEEGにおけるICAの成功を決定づけるのか

クリーンな脳データは、思考によって制御されるデバイスから、綿密な記憶研究に至るまで、あらゆるものの基盤となります。独立成分分析は、単純なフィルタリングのような簡単な方法では不十分な場合でも、混ざり合った神経活動と身体ノイズを解きほぐすための数学的に健全な方法を提供します。真の統計的独立性をターゲットにすることで、同じ周波数帯域で発生するまばたきと本物の脳の律動の、それぞれ異なる電気的フィンガープリントを明らかにすることができます。

しかし、真の力は、研究者がプラグアンドプレイのデフォルト設定を超えたときにのみ発揮されます。一連の研究は、特定の記録状況に合わせてハイパスフィルターを微調整し、アーチファクト検出器用のトレーニングサンプルを慎重に準備することが、ICAを有望な実験から一貫して信頼できるツールへと変えるものであることを示しています。このように個別の状況に配慮することで、科学者たちはノイズの多い記録の中に脳のメッセージをスクランブルされたままにすることなく、自信を持って回収することができるようになります。

参考文献

1. 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

2. Dimigen, O. (2020). Optimizing the ICA-based removal of ocular EEG artifacts from free viewing experiments. NeuroImage, 207, 116117. https://doi.org/10.1016/j.neuroimage.2019.116117

3. 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

4. Winkler, I., Debener, S., Müller, K. R., & Tangermann, M. (2015). On the influence of high-pass filtering on ICA-based artifact reduction in EEG-ERP. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference, 2015, 4101–4105. https://doi.org/10.1109/EMBC.2015.7319296

5. Klug, M., & Gramann, K. (2021). Identifying key factors for improving ICA‐based decomposition of EEG data in mobile and stationary experiments. European Journal of Neuroscience, 54(12), 8406-8420. https://doi.org/10.1111/ejn.14992

よくある質問

なぜ単純な周波数フィルタリングでは、まばたきや筋肉活動などのEEGアーチファクトを除去できないのですか？

筋肉活動と前頭部のシータリズムなどのように、アーチファクトと脳信号が同じ周波数帯域を共有していることが多いため、周波数フィルタリングでは一方を除去すると他方も除去されてしまい機能しません。振動が重なり合っている場合、フィルターでそれらを分離することはできません。

脳信号とノイズを分離する際の、PCAとICAの主な違いは何ですか？

PCAは信号の相関を無くす（線形に相関しないようにする）だけであり、統計的独立性は要求しません。ICAはさらに進んで、完全に統計的に独立している成分、つまり一方を知っても他方については何も明らかにならない成分を探索するため、混ざり合った脳とアーチファクトの信号源をより良く分離できます。

ICAは実際にどのようにして脳信号とアーチファクトを分離しているのですか？

ICAは、電極で混ざり合った信号が、独立した非ガウス分布の信号源の線形結合であると想定します。そして、得られる成分の独立性を最大化する変換を見つけ、周波数が重なり合っている場合でも、まばたきと脳の律動のような異なる物理的要因を効果的に分離します。

なぜICAが機能するために非ガウス性が重要なのですか？

実際の脳波源は非ガウス型の振幅分布を持つ傾向がありますが、独立した信号が混ざり合うと、よりガウス分布に近い形になります。最もガウス分布から遠い投影を見つけることで独立した成分が復元されるため、ICAアルゴリズムはこの非ガウス構造を探索して最大化し、元の信号源を引き離します。

なぜICAの前のEEGデータのハイパスフィルター処理がそれほど重要なのですか？

ハイパスフィルターは、ICAの分解能を損なう可能性のある非常に緩やかなドリフトを除去します。複数の研究において、特に移動記録時や特定のアーチファクトをターゲットにする場合、1〜2 Hz付近の遮断周波数は、0.5 Hzなどの低いデフォルト設定と比較して、よりクリーンで脳活動に近い独立成分を一貫して生成することがわかっています。

機械学習はどのようにしてICA成分を脳活動かアーチファクトかに自動分類するのに役立ちますか？

自動分類器は、各成分の周波数、空間、時間パターンのいくつかの特徴量を使用して、専門家の合意に近い精度でラベル付けを行います。これにより、除去すべき成分を選択する手動の主観的な作業負荷が軽減されますが、新しい実験パラダイムに適用した場合に性能が低下することがあります。

参加者が動き回るモバイルEEG記録中、ICAのパフォーマンスはどうなりますか？

動きによって線形混合の前提が完全に崩れるわけではないため、ICAは依然として機能しますが、復元できるクリーンで解釈可能な脳成分の数は減少します。移動セットアップでは、静止記録と比較して、最適な分解能を維持するためにより高いハイパスフィルターの遮断周波数が必要になることがよくあります。

ICAを非線形混合に適用することはできますか？

標準的なアルゴリズムは線形混合を前提としているため、複雑な非線形の組み合わせに適用するには、通常、モデルに対する専門的な修正や拡張が必要になります。