Skip to content

第1章: EEGの基礎

Python自体が初めてですか? まず第0章 — はじめにを読んでください。以下に出てくるコードの読み方を説明しています。

この章にはMNEのコードはほとんど登場しません。ここは、これ以降のすべての土台となる概念を扱う章です。読み終える頃には、EEGファイルのメタデータを見て、それが何を意味しているかわかるようになっているはずです。

この章で扱う内容: 1. EEGが実際に何を計測しているか 2. 10-20電極命名システム 3. 周波数帯域 4. よくあるアーティファクト(混入ノイズ) 5. 基準電極(リファレンス) 6. 安静状態記録とタスク/イベントベース記録の違い

1. EEGは実際に何を計測しているのか?

大脳皮質にある大量のニューロン集団が、同期して協調的に発火すると、微弱な電場が生じます。頭皮上の電極は、その結果生じる電位差を検出します。その大きさはマイクロボルト(100万分の1ボルト)のオーダーで、ECG(心電図)信号よりおよそ1,000分の1小さく、周囲のノイズ源(筋活動、商用電源など)よりもさらに小さいものです。

このことから、以降のすべてに影響するいくつかの結果が生まれます。

  • 頭蓋骨と頭皮が信号を空間的にぼかす・にじませるため、1つの電極はピンポイントの1「点」ではなく、かなり広い範囲の皮質の活動を反映します。
  • 信号が非常に小さいため、脳以外の電気活動(眼筋、顎の筋肉、記録機器そのものなど)に簡単にかき消されてしまいます。EEGパイプラインの大部分は、このノイズから脳の信号を切り分ける作業です。
  • EEGは時間分解能(ミリ秒スケール)には優れていますが、fMRIのようなものと比べると空間分解能は劣ります。だからこそEEGは、脳内のどこでではなくいつ何が起きたかを扱うERPにとって、まさにうってつけの手法なのです。

2. 10-20システム

電極の位置は、施設や機材が違っても結果を比較できるよう標準化されています。「10-20」システムは、頭部の基準点間(鼻根から後頭結節、耳から耳)を測定し、その距離の10%または20%の位置に電極を配置します。それぞれの電極名は、位置の情報を符号化しています。

  • 文字 = 脳の領域: Fp(前頭極)、F(前頭)、C(中心)、T(側頭)、P(頭頂)、O(後頭)
  • 数字 = 半球・正中線からの距離: 奇数 = 左、偶数 = 右、数字が大きいほど正中線から遠い
  • z の接尾辞(「ゼロ」の意味) = 正中線上、例: Cz、Pz、Oz

したがって C3 は中心部・左半球、O2 は後頭部・右半球、Fz は前頭部正中線を意味します。M1/M2(または A1/A2)は乳様突起(耳の後ろの骨)で、皮質を直接測るのではなく、基準点としてよく使われます。

図を言葉で説明する代わりに、MNEに組み込まれているモンタージュ(電極配置)機能を使って実物を生成してみましょう。これはまさに、あなた自身のファイルのチャンネル位置を修正するために使ったのと同じオブジェクトです。

10-20電極システム

import mne
import matplotlib.pyplot as plt

# 日本語の文字がグラフ内で正しく表示されるよう、フォントを設定する
plt.rcParams["font.sans-serif"] = ["Yu Gothic", "Meiryo", "MS Gothic", "DejaVu Sans"]
plt.rcParams["axes.unicode_minus"] = False

mne.set_log_level("WARNING")

montage = mne.channels.make_standard_montage("standard_1020")
montage.plot(kind="topomap", show_names=True)
plt.show()

png

これは頭部を真上から見た図です(鼻が上向き)。正中線に沿って Fz、Cz、Pz、Oz が並んでいるのを見つけ、奇数番号は左側に、偶数番号は右側にまとまっていることに注目してください。これは、あなた自身の記録にある32チャンネルが含まれる、まさにその配置です。

3. 周波数帯域

EEG信号は、いくつかの慣習的な周波数帯域に分解されることがよくあります。おおまかな関連づけは以下の通りです(これらは一般的な傾向であり、厳密な規則ではありません)。

帯域 範囲 よく関連づけられるもの
デルタ (δ) 1–4 Hz 深い睡眠
シータ (θ) 4–8 Hz 眠気、記憶に関する処理
アルファ (α) 8–13 Hz 安静覚醒、特に閉眼時に顕著。後頭部の電極で最も強い
ベータ (β) 13–30 Hz 能動的な思考、集中、運動活動
ガンマ (γ) 30 Hz以上 高次の認知的結びつき(binding)。筋アーティファクトの影響も受けやすい

ERP解析(あなたの目標そのもの)に限って言えば、こうした帯域への分解はほとんど行わず、フィルタ済みの生の電圧波形を直接扱うのが普通です。周波数帯域の解析は、安静状態研究や振動パワー研究でより重要になります。とはいえ、この語彙は知っておく価値があります。フィルタのカットオフをどう選ぶか(例えば「なぜ1–40 Hzなのか?」)は、たいていこれらの帯域を念頭に置いて決められているからです。1 Hzのハイパスフィルタはデルタ帯域より下の緩やかなドリフトを除去し、40 Hzのローパスフィルタは低ガンマ帯域まではそのまま残しつつ、筋活動が支配的な高周波成分を削り落とします。

これらの周波数が実際に波形としてどう見えるか、簡単に確認してみましょう。

import numpy as np

t = np.linspace(0, 2, 1000)
bands = {"delta (2 Hz)": 2, "theta (6 Hz)": 6, "alpha (10 Hz)": 10, "beta (20 Hz)": 20, "gamma (40 Hz)": 40}

fig, axes = plt.subplots(len(bands), 1, figsize=(9, 7), sharex=True)
for ax, (label, freq) in zip(axes, bands.items()):
    ax.plot(t, np.sin(2 * np.pi * freq * t))
    ax.set_ylabel(label, rotation=0, ha="right", va="center")
    ax.set_yticks([])
axes[-1].set_xlabel("時間 (秒)")
fig.suptitle("各周波数帯域が波形として実際にどう見えるか")
plt.tight_layout()
plt.show()

png

4. よくあるアーティファクト

脳由来ではない電気信号の発生源で、EEG記録を汚染するものです。

  • まばたき (EOG) — 大きく、緩やかな変位で、前頭部の電極(Fp1、Fp2)で最も強く現れます。開眼状態での記録において、圧倒的に最もよく見られるアーティファクトです。
  • 眼球運動 — まばたきより小さいものの似た性質を持ちます。眼球(それ自体が電気双極子です)が回転する際に生じる、系統的な電位のシフトです。
  • 筋活動 (EMG) — 食いしばり、しかめ面、嚥下など。高周波でとげとげしいノイズとして現れ、側頭部・前頭部の電極でよく見られます。
  • 心拍 (ECG) — 微妙で鋭い、リズミカルな拍動です。首や乳様突起付近の電極でより問題になります。
  • 電源ノイズ — その国の商用電源周波数(50 Hzまたは60 Hz)とその高調波にあたる、一定の正弦波です。近くの電源線や機器から拾われます。ノッチフィルタで除去します。
  • 体動・電極アーティファクト — 電極の接着が不十分だったり、ケーブルが動いたり、発汗によってインピーダンスが変化したりすることで生じる、突発的な跳躍や緩やかなドリフトです。

フィルタリングはこのうちの一部(電源ノイズ、緩やかなドリフト)に対処します。眼球や筋のアーティファクトには通常、狙いを定めた除去が必要です。それが第5章で扱うICAの役目です。

5. 基準電極(リファレンス)

EEGは電位差を計測するものであり、1つの電極における「絶対的な」計測値というものは存在しません。すべてのチャンネルの値は、暗黙のうちに「この電極 マイナス 何らかの基準点」を表しています。どの基準を選ぶかによって、目にする具体的な数値は変わりますが、その背後にある脳活動そのものが変わるわけではありません。

よく使われる選択肢:

  • 単一の物理電極、例えば Cz や CPz(これがあなた自身の記録で使われているものです。Fp1-CPz のようなチャンネル名を思い出してください)。
  • 連結乳様突起リファレンス、M1 + M2(または A1 + A2)の平均を基準とするもの。ほとんどの頭皮部位からおおよそ等距離にあるため、ERP研究でよく使われます。
  • 平均基準(average reference)、すべての電極の平均を基準として使うもの。高密度アレイEEGでよく使われ、一部の解析手法では必須です。

記録の後からでも、元の記録時の基準さえわかっていれば、常に基準を変更(re-reference)できます(MNEの set_eeg_reference()。第4章で扱います)。基準を持たない「真の」信号を復元することはできません。そもそもそんなものは存在しないからです。しかし、基準方式の間で数学的に変換することは可能です。

リファレンス(基準電極)が意味すること

6. 安静状態記録 対 タスク/イベントベース記録

  • 安静状態記録: 被験者はただ座っているだけ(開眼または閉眼)で、刺激は提示されません。主に周波数帯域のパワーを通じて解析されます(第3章の表がここで大きく関わってきます)。
  • タスク/イベントベース記録(あなたのケース): 記録には、何かが起きた瞬間にタイムスタンプを付けるマーカー(「イベント」「トリガー」「アノテーション」)が含まれます。刺激が提示された、音が鳴った、ボタンが押された、といった具合です。これによりERP(事象関連電位)を計算できます。連続記録を各イベントの前後の短いエポックに切り出し、同じ種類のイベントを何度も繰り返した分を平均するのです。この平均化こそが決定的なステップです。単一試行の脳反応は、たいていノイズに埋もれて見えませんが、多数の試行を平均するとランダムなノイズが打ち消し合い、一貫した、時間的に固定された反応が浮かび上がります。第7章で、まさにこの直感を実際に体感します。

次へ: 第2章 — MNEのコアとなる概念。ここから実際にMNEのコードを書き始め、このチュートリアル全体を通して使われる語彙(Raw、Epochs、Evoked、Info)を学びます。