タスク条件付き潜在アライメントによる神経スパイクデータのセッション間デコーディング

TL;DR（結論）

侵襲的脳コンピュータインターフェースにおいて、記録セッション間の神経信号の非定常性はデコーダの精度を低下させる大きな課題であり、新しいセッションごとに大量の再学習データを収集することはユーザーの負担となっていた。 本研究が提案するTCLA（Task-Conditioned Latent Alignment）は、十分なデータを持つソースセッションから学習した神経力学を、タスク条件に基づいてターゲットセッションの潜在空間と整列させることで、少量のデータでも高精度な転移学習を可能にする。 マカクの運動および眼球運動データセットを用いた検証の結果、TCLAは既存手法を大幅に上回るデコーディング精度を達成し、特にデータが限られた条件下での脳信号解読の堅牢性を飛躍的に向上させることを示した。

なぜこの問題か

侵襲的な脳コンピュータインターフェース（BCI）の技術開発において、長年の大きな障壁となっているのが、埋め込み電極によって記録される神経活動の経時的な変化、すなわち「セッション間の非定常性」である。この現象は、特定の日に記録されたデータで最適化されたデコーディングモデルが、数日後や数週間後の新しいセッションではその性能を著しく低下させる原因となる。神経信号が変化する要因は多岐にわたり、電極の物理的な微小移動や、電極周囲の組織反応による信号品質の変化、さらには脳自体の内部状態や注意力の変動などが複雑に絡み合っている。このような変化があるため、従来のシステムでは新しいセッションを開始するたびに、ユーザーに特定の動作を繰り返させてキャリブレーションデータを収集し、モデルを再学習させたり適応させたりする必要があった。 しかし、実際の臨床応用や日常生活での利用を想定した場合、毎日のように長時間のデータ収集を強いることはユーザーにとって極めて大きな負担となり、BCIシステムの実用性を損なう決定的な要因となる。…

核心：何を提案したのか

本研究では、タスク条件付き潜在アライメント（Task-Conditioned Latent Alignment、略称：TCLA）という新しいフレームワークを提案している。このフレームワークの核心は、十分なデータが存在する「ソースセッション」で構築された高度な神経力学の知識を、データが不足している「ターゲットセッション」へと効果的に転移させる仕組みにある。TCLAは、先行研究であるLDNSのオートエンコーダ構造を基盤としつつ、複数のセッションを統合的に扱うための独自のアーキテクチャを採用している。具体的には、セッションごとに異なる記録チャンネル数やニューロン数に対応するため、セッション固有の「リードイン（Read-in）」層と「リードアウト（Read-out）」層を導入し、それらを全セッションで共有されるオートエンコーダモジュールと組み合わせている。…

続きはログイン/プランで閲覧できます。