第6章: ソース推定¶
第5章 — センサーレベルの解析からの続きです。
Brainstormが最もよく知られているのが、この解析です。頭皮上のセンサーが何を拾ったかだけでなく、記録された信号が脳のどこに由来するのかを推定します。
処理の流れ¶
- 頭部モデル — 皮質から電気的・磁気的な活動がセンサーまでどのように伝わるかを表す物理モデルです。EEGでは通常、Brainstormに組み込まれたOpenMEEGツールボックスで計算する境界要素法(BEM)モデルが使われます。より単純な「重なり合う球体」モデルも利用可能で、MEGではよく使われます。
- ノイズ共分散 — 記録のベースライン区間、または別に取得した空室記録・安静時記録から計算する、センサーの背景ノイズの推定値です。次のステップで各センサーをどの程度信頼するかを決める材料になります。
- 逆モデル — 頭部モデルとノイズ共分散を組み合わせ、「逆問題」を解きます。すなわち、皮質上のどのような活動パターンがセンサーのデータを最もよく説明するか、という問題です。Brainstormは複数の標準的な手法(最小ノルム推定、dSPM、sLORETA)を処理として提供しています。
- ソース推定結果 — 最終的な出力です。皮質表面の各点における活動の時間変化の推定値で、3Dで表示しスクロールして確認できます。
実行方法¶
3つの計算ステップ(頭部モデル、ノイズ共分散、逆モデル)は、それぞれが独立した処理であり、このトラックのこれまでの処理とまったく同じ方法で実行します。関連するファイルを選択し、Process1へドラッグし、処理を選び、パラメータを設定し、Runをクリックします。あらかじめ内部のパラメータ名を知っておく必要はなく、Brainstormが案内付きダイアログで各ステップを進めてくれます。
結果を見る¶
ソース推定ファイルをダブルクリックすると、Brainstormの3D皮質ビューアが開きます。折りたたまれた脳表面が推定活動量によって色分けされ、タイムスライダーで時間を送りながら、活動が皮質上を移動する様子を確認できます。表示を回転させたり、膨張表示と折りたたみ表示を切り替えたり、静止画やアニメーションとして書き出したりすることもできます。
この流れに見覚えがあれば、それは正しい感覚です。これはMNE-Pythonのmne.make_bem_model、mne.compute_covariance、mne.minimum_normが行っていることと、数学的にはまったく同じです。ここではコードの引数の代わりにGUIのダイアログを使っているだけです。