コンパクトな畳み込みニューラルネットワークを用いた皮質信号のデコードおよび解釈

目的。脳-コンピュータインターフェース（BCI）は神経活動から情報を解読し、外部デバイスに送信する。深層学習（Deep Learning）を用いた解読アプローチは、特定の解読タスク内で自動的な特徴工学（feature engineering）を可能にする。ネットワークパラメータの生理学的に妥当な解釈は、学習された意思決定ルールの堅牢性を確保するとともに、自動的な知識発見の有望な機会を提供する。手法。本研究では、皮質電位（ECoG）データを指の運動学に適応的に解読するためのコンパクトな畳み込みニューラルネットワーク（CNN）アーキテクチャを提案する。さらに、空間的・時間的両方向での適応を統合したアーキテクチャにおいて、空間的および時間的重みを理論的に正当化された方法で解釈する新たなアプローチを提示する。得られた空間的および周波数パターンは、特定の解読タスクにおいて中心的な役割を果たす神経集団の特性を特徴づけ、適切な空間的および動的モデルをフィッティングすることで、生理学的に意味のある解釈が可能となる。主要な成果。まず、現実的なモンテカルロシミュレーションを用いて提案手法の有効性を検証した。次に、ベルリンBCIコンペティションIVのECoGデータセットに適用した結果、明示的な特徴工学を必要とせずに、コンペティションの優勝者と同等の性能を達成した。提案した重み解釈アプローチにより、ECoGデータセットから指の運動学を成功裏に解読する背後にある神経過程の空間的およびスペクトル的パターンを解明できた。さらに、32チャンネルのEEG運動イメージングデータセットに対しても、同パイプラインを適用し、タスク固有の生理学的に妥当なパターンが観察された。意義。本研究は、神経電気生理学の分野における既存知識を統合し、基本原理に基づいたコンパクトかつ解釈可能なCNNアーキテクチャを提示した。特に、空間的・時間的処理を因子分解した多分岐アーキテクチャの文脈において、初めて理論的に正当化された重み解釈ルールを提示した。シミュレーションおよび実データを用いた検証により、提案手法が優れた解読器としての性能を発揮し、運動制御の神経機構を調査するための有効なツールであることを示した。