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: 2026/7/26）

🤖 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、検証精度は跳ね上がる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。右の数字が、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、検出率はなだらかに落ちる——マッチドフィルタはランダムなノイズには強い。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）を少し入れるだけで、検出は一気に崩れる。瞬き一発は本物のイベントより桁違いに大きく、本物を覆い隠し、同時に偽の検出を生む。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—

白色ノイズ：0.30 アーチファクト（瞬き・ドリフト）：0.0

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。

信号をつくる。 等間隔（おおよそ150サンプルごと）に置いた「本物のイベント」は、幅 $w=9$ のガウス型の山 $T$ で表す。そこへ三種のじゃまを足す——白色ノイズ（強さ $n$ 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 $n$ （白色ノイズ）と artifact（構造化ノイズ）が動かすのは、この後者二つの量である。

T(i) = \exp\!\left(-\frac{i^2}{2w^2}\right), \quad w = 9

s(x) = \sum_k T(x - c_k) + n\,\xi(x) + \text{drift}(x) + \sum_{\text{blinks}} \text{スパイク}

マッチドフィルタで探す。 信号 $s$ に、探したい形 $T$ 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 $\text{mf}$ 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。

\text{mf}(x) = \sum_j s(x - \text{off} + j) \cdot T(j)

頑健なしきい値で山を拾う。 標準偏差ではなく MAD（中央絶対偏差）でばらつきを測り、しきい値 $= k \cdot \text{MAD} \cdot 1.4826$ （ $k=4.5$ ）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 MAD は引きずられにくい（1.4826 は MAD を正規分布の $\sigma$ 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。

\text{thr} = k \cdot \text{MAD}(\lvert\text{mf}\rvert) \cdot 1.4826, \quad k = 4.5

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。右の数字はこれを直近の試行で平均している。

ポイントは三段目だ。白色ノイズは MAD をなだらかに押し上げるだけなので、しきい値も素直に上がり、検出は緩やかにしか劣化しない。ところが瞬きスパイクは mf 自体に本物より大きな偽ピークを作る——しきい値をいくら頑健にしても、本物より高い偽の山は拾われ、しかも近接する本物は隠れる。「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。

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

G. Zhang & S. J. Luck, “Assessing the impact of artifact correction and artifact rejection on the performance of SVM-based decoding of EEG signals,” bioRxiv (2025, NeuroImage 掲載)。眼球・瞬きなどの生理的アーティファクトがクラスと系統的に相関すると復号精度を見かけ上押し上げうることを示し、ICA 補正がかえって精度を下げた事例（ERN）を報告——分類器が脳信号でなくアーティファクト＝ラベル相関を突いていた証拠。 https://doi.org/10.1101/2025.02.22.639684 ↩
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）で瞬き・眼球運動・筋電・心拍・電源ノイズなど多様な EEG アーティファクトを分離・除去できることを確立（回帰や PCA より優れると報告）。 https://doi.org/10.1111/1469-8986.3720163 ↩
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。