※本記事は以下の研究内容をもとに解説しています
タイトル：Graph Adapter of EEG Foundation Models for Parameter Efficient Fine Tuning
著者：Toyotaro Suzumura ほか
論文 DOI：https://doi.org/10.48550/arXiv.2411.16155
はじめに
本記事では、EEG（脳波）解析における最新のAI研究について、できるだけ分かりやすく解説します。
近年、脳波（EEG）データを活用した精神疾患の診断や異常検知の分野で、AI技術の導入が急速に進んでいます。特にTransformerなどの大規模モデルは高い精度を示す一方で、計算コストやデータ不足といった課題も存在します。
こうした背景の中で、より少ない計算資源で高精度を実現する手法への関心が高まっています。
本記事では、最新研究をもとに、EEG解析における精度向上と効率化を両立する新たなアプローチについて解説します。従来の手法では難しかった「少量データでの高精度化」という課題に対し、本研究は実用的な解決策を提示しています。
本研究に関する重要事項
本研究は、公開されている脳波データセット（TUAB: Temple University Hospital EEG Corpus）を用いて解析を行ったものです。
使用データは匿名化されたオープンデータであり、特定の患者個人を識別できる情報は含まれていません。また、実際の患者への介入や臨床試験は行っていません。
本研究に関連して、特定の企業・団体との利益相反はなく、中立的な立場で実施されています。
本記事は研究内容の解説を目的としたものであり、個別の診断や治療を行うものではありません。
Transformerとは
Transformerは、文章や時系列データを処理するために開発されたAIモデルです。
例えばChatGPTのような大規模AIもこの仕組みをベースにしており、数百億〜数千億のパラメータを持つことで高い精度を実現しています。
ただし、このようなモデルは大量のデータがあることを前提としており、医療分野のようにデータが限られる環境では、そのまま適用することが難しいという課題があります。
EEGとは
EEG（脳波）は、脳の電気的な活動をリアルタイムで測定する技術です。脳の状態は電気信号として現れるため、そのパターンを解析することで、認知機能、注意状態、感情の変化、睡眠状態などを読み取ることができます。
医療分野では、うつ病の診断補助や異常脳波の検知、てんかんのモニタリングなどに活用されています。
TUABデータセットとは
TUAB（Temple University Hospital Abnormal EEG Corpus）は、米国テンプル大学病院で収集された脳波データをもとに構築された、公開型のEEGデータセットです。
もともと大規模な脳波データベース（TUH EEG Corpus）の一部として整備されており、数万件規模の臨床データを含む世界最大級のオープンEEGデータ基盤の中から、特に「正常か異常か」を判別するタスクに特化して作られています。
データの特徴
TUABの大きな特徴は、実際の医療現場で取得された脳波データに対して、専門の神経内科医による評価をもとに、以下のようなラベルが付与されている点です。
- 正常（normal）
- 異常（abnormal）
このラベルは、医師の診断レポートに基づいて付けられており、機械学習モデルの学習や評価に適した信頼性の高い教師データとなっています。
データの規模と内容
TUABには、およそ3,000件前後のEEG記録が含まれており、年齢・性別・疾患背景が異なる多様な被験者のデータで構成されています。
- 記録時間：1件あたり約20分程度
- チャンネル数：20チャネル以上（多点電極）
- サンプリング周波数：主に約250Hz
- 対象：新生児〜高齢者まで幅広い
このように、実臨床に近い「ばらつきのあるデータ」であることが、研究用途としての価値を高めています。
なぜTUABが重要なのか
医療AIの研究では、
「信頼できるラベル付きデータが少ない」
という問題が常に存在します。
その中でTUABは、
- 医師による評価付き
- 実際の臨床データ
- 公開されている
という3つの条件を満たしており、
EEG解析における標準的なベンチマークデータセットとして広く利用されています。
実際、多くの研究で
「正常 vs 異常の自動判定」
の性能評価に用いられており、AIモデルの比較基準として機能しています。
TUABデータセットは、医療データでありながら公開されている点が特徴で、研究用途で広く利用されています。
従来の課題
EEG解析にAIを活用する際には、大きく2つの課題があります。
1つ目は計算コストです。大規模モデルは高い計算資源を必要とします。
2つ目はデータ不足です。医療データは個人情報保護の観点から利用できる範囲が限られており、十分な量を確保することが難しいのが現状です。
このため、「少ないデータで高精度なモデルを作る」という大きな課題があります。
EEG-GraphAdapter（EGA）とは
本研究では、EEG-GraphAdapter（EGA）という新しい手法が提案されています。
これは、すべてのパラメータを学習し直すのではなく、一部の重要な部分だけを調整することで性能を向上させる方法です。
イメージとしては、「大きなAIモデルをそのまま使いながら、必要な部分だけを微調整する」ような仕組みです。
これにより、少ないデータでも効率よく学習でき、計算コストも抑えることができます。
モデルの仕組み
EGAは時間情報と空間情報を分離して処理する構造を持っています。
時間情報は事前学習済みモデルであるBENDRを活用し、空間情報はGraph Neural Network（GNN）で処理します。
グラフ構造の重要性
EEGは複数の電極から得られるデータであり、電極間の関係性が重要です。
脳はネットワークとして機能しており、接続パターンの違いが疾患の特徴として現れることがあります。
Graph Neural Networkはこうした関係性を扱うことに優れており、従来手法では捉えにくかった情報の抽出が可能になります。
実験結果
本研究では、うつ病分類や脳波異常検知において性能評価が行われました。
うつ病分類ではF1スコアが大きく向上し、TUABデータセットにおいても正常・異常の分類精度が改善されました。
計算コストの削減
本手法は、全体のパラメータ数を抑えながら性能を向上させています。
これにより、計算資源の削減だけでなく、過学習リスクの低減にもつながります。
研究の意義（患者・利用者へのメリット）
本研究は、脳波データとAIを組み合わせることで、精神状態をより客観的に評価する可能性を示しています。
将来的には、精神疾患の早期発見の精度向上や診断補助などへの応用が期待されます。
まとめ
本研究は、少量データ環境におけるEEG解析の実用性を大きく前進させる手法として、今後の医療AIにおいて重要な役割を果たす可能性があります。
今後は、より少ないデータで高精度な診断支援を実現する技術として、臨床応用が期待されています。
監修
本記事は、東京大学大学院情報理工系研究科教授 鈴村豊太郎氏の監修のもと作成されています。
Graph Neural Networkを中心とした解析手法について技術的観点から内容の妥当性・正確性の確認を行っています。