In Silico

神経科学・BCI・生物

脳データのノイズとは？瞬きやドリフトが検出を狂わせる仕組み

2026/6/19 （更新: 2026/10/13）

🤖 AIを使用して執筆

  • 脳データ
  • 神経データ
  • EEG
  • アーティファクト
  • ノイズ
  • 交絡
  • 瞬き
  • ドリフト
  • ICA
  • マッチドフィルタ
  • 構造化ノイズ
  • 白色ノイズ
  • しきい値
  • デコーダ
  • SVM
  • EEG-BIDS
  • NWB
  • MNE-Python
  • ICLabel
  • OpenNeuro
  • 2光子イメージング
  • 電極アレイ
  • スパイクソート
  • 頑健統計
  • 中央値
目次
背景・問い・要点
背景

神経データの解析では、脳波（EEG）や2光子イメージング、電極アレイの記録にデコーダを当て、課題の条件や意図を読み取る。記録には目的の神経活動のほかに、瞬きや筋電、心拍由来の拍動、電極のドリフトが乗る。これらはランダムな揺らぎではなく、構造を持った別の信号である。被験者が課題中に瞬きの頻度を変えれば、瞬きが課題ラベルと相関し、デコーダはその相関も学習する。本稿は、合成した波形からマッチドフィルタでイベントを拾う、触れるデモを例に取る。

問い

神経データの復号で、出た精度が何を復号した結果なのかを決めるのは、モデルの表現力か、それとも何を測っているかの理解か。

要点

構造を持ったアーティファクトと課題ラベルの交絡は、モデルの表現力では防げない。効くのは、何を測っているかを詰める測定の仕事である。 合成デモでは、ゆっくりしたドリフトは頑健なしきい値まで押し上げて検出を崩し、瞬きのスパイクは検出率がまだ高いうちから偽の検出を生む。アーティファクト補正を 15 データセットで測った研究も、補正は復号精度をほとんど動かさないとしたうえで、交絡を除くために補正を推奨している1。

モデル・例示

白色ノイズは検出を埋もれさせ、構造化ノイズは偽の検出を湧かせる

※ この節の数値は説明のための仮定で、測定値ではありません。

言葉だけでなく、測って見せる。下の波形は、合成した生体信号もどきである。薄い縦帯が「本物のイベント＝意図」の位置、色のついた縦線が検出器（マッチドフィルタ）が見つけたと判断した位置。波形の下の数字は答え合わせの結果で、検出率（本物をどれだけ拾えたか）と誤検出（ノイズを意図と取り違えた数）を示す。

二つのスライダーを動かしてほしい。白色ノイズを上げると検出率は落ちていく。ただし誤検出はほぼゼロのままだ。ノイズが増えればしきい値も同じだけ上がり、しかも実装はしきい値をばらつきの約 4.5 倍に置いている。このため白色ノイズは信号を「埋もれさせる」ことはできても、無いものを「湧かせる」ことはまれにしかない（実装そのままで白色ノイズを 1.2〜1.8 にして測ると、誤検出は各 3000 試行に 1 件）。ところがアーティファクト（瞬きの大きなスパイクやゆっくりしたドリフト）を少し入れると、検出率が崩れるのと同時に、ありもしない意図が1試行あたり1〜2件、湧いてくる。しかも順番が示唆的だ。artifact を 0.1 まで上げた時点では検出率はまだ 97% あるのに、誤検出はもう 0.7 件／試行ある。つまり埋もれるより先に、取り違えが始まる。信号が埋もれるだけではない。瞬きという別の信号を意図と取り違える事故が、数字として目の前で起きる。

検出率（本物を拾えた割合）—
誤検出（1試行あたり）—
状態—
仕組みを数式で書くとどうなるか（クリックで展開）

合成も検出も、上のデモの実装そのままである。やっていることは四段だ。

  1. 信号をつくる。 おおよそ150サンプル間隔（±30 のゆらぎ付き）に置いた「本物のイベント」は、幅 w=9w=9 のガウス型の山 TT で表す。そこへ三種のじゃまを足す。白色ノイズ（強さ nn の正規乱数）、ゆっくりしたドリフト（振幅が artifact に比例する正弦波）、瞬きを模した大きなスパイク（本物の 3〜6 倍の振幅、本数が artifact に比例）の三つである。スライダー nn が動かすのは一つめ、artifact が動かすのは後者二つである。
T(i)=exp⁡ ⁣(−i22w2),w=9T(i) = \exp\!\left(-\frac{i^2}{2w^2}\right), \quad w = 9s(x)=∑kT(x−ck)+n ξ(x)+drift(x)+∑blinksスパイクs(x) = \sum_k T(x - c_k) + n\,\xi(x) + \text{drift}(x) + \sum_{\text{blinks}} \text{スパイク}
  1. マッチドフィルタで探す。 信号 ss に、探したい形 TT そのものを相関（畳み込み）させる。形が一致した場所で出力 mf\text{mf} が大きく跳ねる。マッチドフィルタは、既知の波形を白色ノイズの中から拾う検出の最適解である。
mf(x)=∑j=−offoffs(x+j)⋅T(j),off=2w=18\text{mf}(x) = \sum_{j=-\text{off}}^{\text{off}} s(x + j) \cdot T(j), \quad \text{off} = 2w = 18
  1. 頑健なしきい値で山を拾う。 標準偏差ではなく ∣mf∣\lvert\text{mf}\rvert の中央値でばらつきを測り、しきい値 =k⋅median(∣mf∣)⋅1.4826= k \cdot \mathrm{median}(\lvert\text{mf}\rvert) \cdot 1.4826（k=4.5k=4.5）とする。平均・分散は瞬きのような巨大な外れ値に引きずられるが、中央値ベースの推定は引きずられにくい（1.4826 は正規分布の σ\sigma に換算する係数）。このしきい値を超える極大点を「検出」とする。
thr=k⋅median(∣mf∣)⋅1.4826,k=4.5\text{thr} = k \cdot \mathrm{median}(\lvert\text{mf}\rvert) \cdot 1.4826, \quad k = 4.5
  1. 答え合わせ。 検出した山が本物のイベントの ±off（18 サンプル）以内なら成功（hit）、本物に対応しない山は誤検出（false alarm）。検出率 = hits / 本物の数、誤検出 = 余った山の数。波形の下の数字はこれを直近12試行で平均している。

ポイントは三段目だ。しきい値はばらつきの推定値に比例するので、じゃまが増えれば上がる。上げ方が二種類あるのが肝心なところだ。瞬きスパイクは mf に本物より高い偽ピークを作り、そのまま誤検出になる。ただし本数が少ないので、中央値ベースのばらつき推定はほとんど動かない（デモのスライダーはドリフトと瞬きを同時に動かす。実装からドリフトだけを外して測ると、瞬きは artifact=0.7 でも検出率を9割台に保つ）。厄介なのはゆっくりしたドリフトのほうで、これは外れ値ではなく波形全体の底上げなので、中央値ごと押し上げてしまう。

実測すると（noise=0.3、300 シードの平均）、しきい値は artifact=0 の 8.3 から artifact=0.3 で 22.2、artifact=1.0 では 69.2 まで跳ね上がる。一方、本物のイベントにおける mf の山は、アーティファクトが無ければ、テンプレートの自己相関 ∑jT(j)2≈16\sum_j T(j)^2 \approx 16 と同じ 16 前後から動かない。ドリフトは山の平均を動かさない。位相に応じて上下に散らすだけで、300 シードの平均は artifact=1.0 でも 16 前後のままである。平均で見て動くのはしきい値だけであり、そのしきい値が山の分布に食い込むにつれて検出は崩れていく（ドリフトだけで測ると、artifact=0.2 では平均しきい値が 14.9 と 16 に届いていないのに、検出率はもう 65% まで落ちている）。しきい値を artifact=0 の 8.3 に固定して同じドリフトを入れると、artifact=0.3 でも検出率は 100% に戻る。

頑健統計は「まれな巨大外れ値」には効くが、「常時乗っている構造」には効かない。デモが示すのは、構造化ノイズが固定した検出器の誤検出と検出率をどう動かすかまでである。

「ノイズ」のほとんどは信号である

EEGに乗る瞬きや筋電、心拍由来の拍動、電極のドリフトは、目的の神経活動ではない。だが「ランダムな揺らぎ」でもなく、構造を持った別の信号だ。だから厄介になる。

ここに落とし穴がある。被験者が課題中に瞬きの頻度を変えれば、瞬きアーティファクトが課題ラベルと相関する。モデルはその相関も学習し、検証精度は見かけ上かさ上げされる1。あなたは「脳の意図」をデコードしたつもりで、実際には瞬きの癖を分類している。信号とノイズの混同ではなく、別の信号を取り違える事故だ。この事故はモデルの表現力では防げない。SVM のような比較的単純なデコーダでも、瞬きの交絡は精度をかさ上げしうる1。

脳データを扱う難しさは、たいてい、構造を持つ別の信号を目的の信号と取り違える形をしている。デコーダの前に、解釈のギャップがある。

解釈のギャップは測定の段階で決まる

生データから意味へ至る距離の大半は、解析より前、計測の設計で確定している。参照電極の取り方、サンプリング、被験者間の解剖学的差異、そして「この発火率は何を表すのか」という根本的な解釈の選択。スパイクが増えたとき、それが情報の符号化なのか、覚醒度の変化なのか、単に記録由来のアーティファクト(電極ドリフトや別ユニットの混入、イメージングなら血流由来の信号)なのかは、モデルが教えてくれることではない。

だから本稿は、この分野で効くのは新しいモデルより測定そのものを詰める作業だと考える。独立成分分析で生理的アーティファクトを潰す2、対照条件を設計してラベルとの交絡を断つ、被験者をまたいで汎化するか確かめる3。つまり「測っているものを知る」労力である。ただし、効くといっても精度の話ではない。ICA 補正とトライアル除去を 15 データセットで測った研究は、復号精度に little or no impact だったと報告している1。同じ研究はそれでも補正を推奨する。理由は精度ではなく交絡の除去にあり、the elimination of confounds is a clear upside と書いている1。また、じゃまを引き算すれば済むという形の仕事でもない。眼球活動と EEG は双方向に混ざるので、回帰で眼のアーティファクトを引けば脳信号も一緒に引かれる。ICA が使われるのは、その「引きすぎ」を避けるためでもある。

測定から解析までの工程には、本稿が引かない標準・道具・公開データがある。本稿はこれらの道具を比べない。道具を当てる前に「何を測っているか」が決まってしまう、という一点だけを扱う。

機械学習はここで万能薬ではなく、増幅器として働く。良い測定を良い結論に、悪い測定を説得力のある誤りに変える。脳データを扱う人にとって本当に希少なスキルは、最新の損失関数ではなく、自分のデータを疑い続ける規律のほうだ。

出典8件

  1. Zhang ほか「Assessing the impact of artifact correction and artifact rejection on the performance of SVM- and LDA-based decoding of EEG signals」NeuroImage, 2025. https://doi.org/10.1016/j.neuroimage.2025.121304 ↩ ↩2 ↩3 ↩4 ↩5

  2. Jung ほか「Removing electroencephalographic artifacts by blind source separation」Psychophysiology, 2000. https://doi.org/10.1111/1469-8986.3720163 — ICA でアーティファクトを分離して除く。眼と脳の信号は双方向に混ざり、回帰で引くと脳信号も引かれる。 ↩

  3. Saha & Baumert「Intra- and Inter-subject Variability in EEG-Based Sensorimotor Brain–Computer Interface: A Review」Front. Comput. Neurosci., 2020. https://doi.org/10.3389/fncom.2019.00087 — 被験者間の変動が転移を妨げる。 ↩

  4. C. R. Pernet ほか「EEG-BIDS, an extension to the brain imaging data structure for electroencephalography」Scientific Data 6:103, 2019. https://doi.org/10.1038/s41597-019-0104-8 — 脳イメージングの共同体標準 BIDS を EEG へ拡張する。 ↩

  5. Rübel ほか「The Neurodata Without Borders ecosystem for neurophysiological data science」eLife, 2022. https://doi.org/10.7554/eLife.78362 — 電気生理・光学計測の記録を種と手法をまたいで記述し、スパイクソートや CaImAn などと連携する。 ↩ ↩2

  6. A. Gramfort ほか「MEG and EEG data analysis with MNE-Python」Frontiers in Neuroscience 7:267, 2013. https://doi.org/10.3389/fnins.2013.00267 — 前処理・信号源推定・統計・機能的結合の解析を Python で提供する。 ↩

  7. Pion-Tonachini ほか「ICLabel: An automated electroencephalographic independent component classifier, dataset, and website」NeuroImage, 2019. https://doi.org/10.1016/j.neuroimage.2019.05.026 — 成分 20 万超、うちラベル付き 6,000 超。 ↩

  8. C. J. Markiewicz ほか「The OpenNeuro resource for sharing of neuroscience data」eLife 10:e71774, 2021. https://doi.org/10.7554/eLife.71774 — BIDS 形式のデータを共有する保管庫で、2021 年の掲載時点で 600 超のデータセットを載せる。 ↩

この記事はAIを使用して執筆されました。内容には誤りが含まれる可能性があります。事実や数字の出典は脚注から確かめられます。