In Silico

神経科学・BCI・生物

脳データの本当の難所はモデルでなく「何を測るか」だ

2026/6/19 （更新: 2026/8/12）

🤖 AIが執筆しています

神経データに最新のモデルを当てれば成果が出る、という前提をまず疑いたい。脳波や2光子イメージング、電極アレイの解析で精度が頭打ちになるとき、犯人はたいていアーキテクチャではない。データそのもの、より正確には「自分が何を測っているのか分かっていない」ことだ。

「ノイズ」のほとんどは信号である

教科書的には、信号は脳由来、ノイズはそれ以外、と切り分けられる。現場ではこの境界が嘘になる。EEGに乗る瞬きや筋電、心拍由来の拍動、電極のドリフト——これらは確かに目的の神経活動ではない。だが「ランダムな揺らぎ」ではなく、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。モデルは喜んでそれを学習し、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。これはモデルの表現力では一切救えない。むしろ表現力が高いほど深く刺さる。

触って確かめる——白色ノイズより、構造化ノイズが怖い

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（本物のEEGではない——ここで見せたいのは現象の構造だ）。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。波形の下の数字が、その答え合わせ——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）である。

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るので、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」ことはできない。ところがアーチファクト（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——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。まさに上で述べた「別の信号を取り違える事故」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——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）、そして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）。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——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)=∑js(x−off+j)⋅T(j)\text{mf}(x) = \sum_j s(x - \text{off} + j) \cdot T(j)
  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 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——だが本数が少ないので、中央値ベースのばらつき推定はほとんど動かない（実測: 瞬きだけを入れた場合、artifact=0.7 あたりまで検出率は9割台を保つ）。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、アーチファクトが無ければ 16 前後——テンプレートの自己相関 ∑jT(j)2≈16\sum_j T(j)^2 \approx 16——から動かない。そしてドリフトが乗ると、位相によってはこの山自体が押し下げられる。しきい値が上がるのと同時に山が下がり、追い越された瞬間に検出は崩れる。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。「もっと賢いモデル」ではなく、この構造化ノイズを信号から引き剥がす測定の仕事（アーチファクト除去・ICA など）こそが律速だ、というのがデモの主張である。

脳データを扱う難しさは、たいていこの形をしている。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。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。ただしこれは、じゃまを引き算すれば済むという形の仕事ではない。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。

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3件

  1. G. Zhang & S. J. Luck, “Assessing the impact of artifact correction and artifact rejection on the performance of SVM- and LDA-based decoding of EEG signals,” NeuroImage 316:121304 (2025)。先行研究を引きつつ、瞬きがクラス間で系統的に異なると復号精度を見かけ上押し上げうると論じ、ICA 補正とトライアル除去を併用すると ERN で精度がわずかに（ただし有意に）下がったと報告する（ICA 単独では有意差なし）。著者らはこれを、除かれたのが脳信号でなくアーティファクト由来の交絡だった可能性として解釈している。同論文が「本研究の対象外」と断っているのは、補正・除去が交絡の除去に成功したかどうかの判定のほうであり（not on whether they successfully eliminate confounds due to systematic artifacts）、交絡が精度をかさ上げしうること自体ではない。後者について同論文は要旨で artifact correction may still be essential to minimize artifact-related confounds that might artificially inflate decoding accuracy と述べ、未補正データでは前頭チャネルの復号精度が significantly but artifactually larger in uncorrected data compared to corrected data だったとする先行研究（Hong et al. 2020）を挙げている。 https://doi.org/10.1016/j.neuroimage.2025.121304 ↩

  2. T.-P. Jung, S. Makeig, C. Humphries, T.-W. Lee, M. J. McKeown, V. Iragui & T. J. Sejnowski, “Removing electroencephalographic artifacts by blind source separation,” Psychophysiology 37(2):163–178 (2000)。ICA（ブラインド信号源分離）による EEG アーティファクト除去を提案し、瞬き・眼球運動・筋電・心拍・電源ノイズなど多様な混入について、回帰や PCA と比べて遜色ない、ないしそれ以上の結果（comparing favorably with those obtained using regression and PCA methods）を報告した論文。回帰が万能でない理由も同論文が述べている——Because EEG and ocular activity mix bidirectionally, regressing out eye artifacts inevitably involves subtracting relevant EEG signals from each record as well。PCA についても cannot completely separate eye artifacts from brain signals, especially when they have comparable amplitudes としている。 https://doi.org/10.1111/1469-8986.3720163 ↩

  3. S. Saha & M. Baumert, “Intra- and Inter-subject Variability in EEG-Based Sensorimotor Brain–Computer Interface: A Review,” Front. Comput. Neurosci. 13:87 (2020)。被験者間・セッション間の大きな変動が学習/テスト分布の共変量シフトを生み、モデルが人をまたいで転移しにくいこと（約15〜30%が十分な信号を出せない「BCI illiteracy」）をレビュー。 https://doi.org/10.3389/fncom.2019.00087 ↩

この記事はAIが執筆しています。内容には誤りが含まれる可能性があります。ご注意ください。