頭皮脳波から深部脳活動を非侵襲的に再構築：NeuroFlowNetの可能性

10月 30, 2026 · 論文解説

🎧 この記事を音声で聴く（AI生成Podcast）

解説対象論文: Non-Invasive reconstruction of intracranial EEG across the deep temporal lobe from scalp EEG based on conditional normalizing flow
Biomedical Signal Processing and Control｜被引用数: 0（2026年10月30日時点）

脳の奥深くで何が起きているのか、それを体に負担をかけずに知ることは長年の夢でした。外科手術を伴う頭蓋内脳波（iEEG）は非常に精密な情報を提供しますが、その侵襲性は使用を制限します。一方で、非侵襲的な頭皮脳波（EEG）は手軽な反面、深部の情報が捉えにくいという課題がありました。このジレンマを解決するため、最新のAI技術である「条件付き正規化フロー」を用いた新しいフレームワーク「NeuroFlowNet」が登場しました。この画期的なアプローチが、どのようにして頭皮脳波から深部脳活動を高精度に、かつ多様な特性を保ちながら再構築するのか、その驚くべき成果に迫ります。

研究サマリー（FINER & PICO）

Feasible実施可能性	公開データセットと既存の技術（CNF、深層学習）を組み合わせることで、実現可能性が高い研究です。
Ethical倫理面	本研究は既存の公開データセットを使用しており、対象者への新たな侵襲を伴わないため倫理的配慮は適切です。
Interesting面白さ	頭皮脳波から深部脳活動を高忠実度で非侵襲的に再構築する試みは、神経科学と臨床応用の両面で非常に興味深いです。
Novel新規性	条件付き正規化フローに基づき、深部側頭葉の複数サブ領域にわたるiEEG信号再構築を初めて試みた点が新規性を持っています。
Relevant切実さ	非侵襲的な深部脳活動のモニタリングは、疾患の診断、治療法の開発、脳機能理解に極めて関連性が高いです。
Measurable測定可能性	時間領域波形、パワースペクトル密度、チャネル間相関など、多角的な定量評価指標で性能が測定されています。
Modifiable派生・改善	提案されたNeuroFlowNetのアーキテクチャは、マルチスケールや自己注意メカニズムなど、柔軟に改善・拡張が可能です。
Structured文章構造	データセット、前処理、モデルアーキテクチャ、評価プロトコルが明確に記述されており、研究は構造化されています。
PICO / PECO対象・介入・比較・結果	P: 深部側頭葉iEEG信号、I: NeuroFlowNet、C: 頭皮EEG、O: 深部iEEG信号の非侵襲的再構築

はじめに：深部脳活動の謎を解き明かす

どうも、Beyond the Pixelです。脳の活動をリアルタイムで追跡する技術として、脳波（EEG）は脳とコンピューターのインターフェース、臨床診断、認知神経科学研究において重要な役割を担っています。特に、頭皮脳波（Scalp EEG）は非侵襲的で手軽に利用できる利点がありますが、頭蓋骨の体積伝導効果により空間分解能が低く、深部脳活動の複雑なダイナミクスを正確に把握することが難しいという課題があります。一方、頭蓋内脳波（iEEG）は、脳皮質や深部核から直接神経活動信号を得ることができ、高精度の時空間分解能と高い信号対雑音比を誇ります。これは脳関連疾患の病変特定や高精度な神経デコーディング（脳活動の解読）においてゴールデンスタンダードとされていますが、外科手術に伴う高額な費用や感染症のリスクがその実用化を大きく制限しています。このような背景から、非侵襲的にiEEGに匹敵する脳信号を得る「脳電図逆問題」の解決が、長らく研究のホットスポットとなってきました。しかし、従来の信号処理やソース局所化（信号源の特定）手法、あるいは初期の深層学習モデルは、iEEGの複雑な波形やランダムな特性、さらにはチャネル間の依存関係を十分に捉えることができず、その効果は限定的でした。この課題を克服するため、新たなアプローチが求められています。

NeuroFlowNet：条件付き正規化フローを用いた画期的な生成フレームワーク

この研究では、頭皮脳波から深部側頭葉（MTL）の複数の領域にわたるiEEG信号を非侵襲的に再構築するための新しいクロスモーダル生成フレームワーク「NeuroFlowNet」が提案されました。NeuroFlowNetは、条件付き正規化フロー（CNF）という技術を基盤としています。CNFは、可逆変換と潜在変数サンプリングを通じて複雑な条件付き確率分布をモデル化し、iEEG信号の時空間的な多様性とランダム性を捉えることができます。従来の確定的なマッピングを行うモデル（例：GANやVAEの一部）とは異なり、正規化フローモデルは、スカルプEEGによって一意に決定されないiEEGの残余の変動を表現するための直接的なメカニズムを提供します。

**Figure 1.** Figure 1: Overview of NeuroFlowNet architecture. The model consists of multiple scales, each containing a series of flow steps that transform the iEEG data conditioned on the EEG data. The final latent variable Z is obtained by concatenating the outputs from all scales.解説: NeuroFlowNetアーキテクチャの概要を示しています。モデルは複数のスケールで構成されており、各スケールは一連のフローステップを含んでいます。これらのフローステップは、EEGデータを条件としてiEEGデータを変換します。学習フェーズではiEEGデータから潜在変数Zを生成し、生成フェーズでは潜在変数ZとEEGデータからiEEGデータを生成する流れが示されています。

このモデルはさらに、マルチスケールアーキテクチャと自己注意メカニズム（self-attention mechanism）を統合しています。これにより、きめ細かい時間的詳細と長距離の依存関係をロバストに（頑健に）捉えることが可能となり、iEEG波形の再構築の精度と頑健性が向上しています。著者らは、公開されている同期EEG-iEEGデータセットを用いて、クロス試行（同じセッション内の未見試行）とクロスセッション（同じ対象者の未見セッション）の両方のプロトコルでNeuroFlowNetの有効性を検証しました。

NeuroFlowNetのアーキテクチャ

NeuroFlowNetは、与えられたEEG信号XcからiEEG信号Xtの条件付き確率分布を学習することで、iEEG信号を生成するように設計されています。モデルの核となるのは「条件付きアフィンカップリング層」と「可逆的な1×1畳み込み」を組み合わせた「フローステップ」です。

**Figure 2.** Figure 2: Flow step composition in NeuroFlowNet. Each flow step consists of an invertible 1 × 1 convolution followed by a conditional affine coupling layer, which transforms the input data while conditioning on the EEG data Xc.解説: NeuroFlowNetにおけるフローステップの構成を示しています。各フローステップは、可逆的な1×1畳み込み層と条件付きアフィンカップリング層で構成されており、EEGデータXcを条件として入力データを変換します。学習フェーズと生成フェーズのそれぞれにおけるデータの流れと変換プロセスが詳細に図示されています。

条件付きアフィンカップリング層は、入力データを半分に分割し、一方の半分はそのままにし、もう一方の半分を条件付きニューラルネットワークgcondによって変換します。このgcondネットワークは、畳み込み層とマルチヘッド自己注意メカニズム（MHSA）で構成されており、iEEGとEEG間の複雑な関係性を捉え、データにおける長距離の依存関係をモデル化するのに役立ちます。また、マルチスケールアーキテクチャを採用することで、iEEG信号内の異なる解像度での特徴や依存関係を効果的にモデル化します。各スケールで特徴が抽出され、最終的な潜在変数Zが構築されます。学習は、最大尤度推定アプローチを用いて行われ、iEEGデータの尤度を最大化するようにモデルのパラメーターが最適化されます。推論（iEEGの生成）時には、まず標準ガウス分布からサンプルを抽出し、その逆変換を適用することで、条件付けられたEEG信号からiEEGサンプルを生成します。

研究方法：データセットと評価プロトコル

この研究では、発作性疾患の対象者9名から記録された電気生理学的データセットが使用されました。このデータセットには、言語ワーキングメモリ課題中の頭皮EEGと、深部側頭葉（MTL）に埋め込まれた深部微小電極から得られたiEEGが同期して含まれています。対象者は18歳から56歳で、右利き、病状は海馬硬化症、グリオーシス、黄色星状細胞腫、脳挫傷、焦点性皮質異形成など様々です。

**Table 1.** Table 1: Subject Characteristics

電極の埋め込み位置や記録されたユニット数には対象者間で大きなばらつきがあるため、この研究では、主要なMTLサブ領域を広範囲にカバーし、十分な数の単一ユニットが分離され、アーチファクトが少なく一貫した課題遂行を示す対象者S1、S6、S9の3名に焦点を当てました。

**Figure 3.** Figure 3: Medial temporal lobe (MTL) depth electrode locations for subjects used in this study (S1, S6 and S9). Each panel shows coronal, sagittal, and axial views of depth electrode trajectories within MTL subregions. Colors indicate anatomical targets: anterior hippocampus (AHL/AHR, red/light red), amygdala (AL/AR, orange/yellow), entorhinal cortex (ECL/ECR, green/light green), parahippocampal gyrus (PHL/PHR, pur- ple/magenta), and lateral rhinal area (LR, blue). Each trajectory consists of eight electrode contacts positioned along a single stereotactic path.解説: 本研究で使用された対象者（S1, S6, S9）の深部側頭葉（MTL）における深部電極の位置を3Dスキーマで示しています。各パネルは、MTLサブ領域内での深部電極の軌道の冠状、矢状、軸方向のビューを示しており、異なる色は前海馬、扁桃体、内嗅皮質、傍海馬回、側頭葉ライナル領域といった解剖学的ターゲットを示しています。

iEEG信号は、前海馬（AHL/AHR）、扁桃体（AL/AR）、内嗅皮質（ECL/ECR）、傍海馬回（PHL/PHR）、側頭葉ライナル領域（LR）など、複数のMTLサブ領域から記録されました。データは、ウェーブレットノイズ除去、ダウンサンプリング、データ分割、Zスコア正規化などの前処理が施されました。評価プロトコルとしては、モデルが同じ対象者の未見データに対してどれだけ頑健であるかを評価するために、「クロス試行設定」と「クロスセッション設定」の2種類が採用されました。また、NeuroFlowNetがチャネル間の相関構造を決定論的な回帰モデルよりも効果的に保持するかを評価するため、線形マッピング、浅い1D CNN、1D U-Net、およびTINY Transformerなどの代表的な決定論的回帰ベースラインと比較されました。モデルのハイパーパラメータ（スケール数NS、スケールあたりのフローステップ数Nsteps、条件付きニューラルネットワークの隠れ層のチャネル数Ch）は、OFAT（一要因変更法）アプローチにより最適化されました。

**Figure 4.** Figure 4: Hyperparameter selection results for NeuroFlowNet. The performance of the model is evaluated on the validation set and averaged across all subjects and electrodes. The hyperparameters include NS , the number of scales (a); Nsteps, the number of flow steps per scale (b); and Ch, the number of channels in the hidden layers of the conditional neural network (c). The results indicate that the model achieves optimal performance with NS = 2, Nsteps = 6, and Ch = 128.解説: NeuroFlowNetのハイパーパラメータ選択の結果を示しています。モデルの性能は検証セットで評価され、全ての対象者と電極で平均されています。ハイパーパラメータには、スケール数NS (a)、スケールあたりのフローステップ数Nsteps (b)、条件付きニューラルネットワークの隠れ層のチャネル数Ch (c) が含まれます。図はNS=2、Nsteps=6、Ch=128で最適な性能が得られることを示唆しています。

この分析により、NS=2、Nsteps=6、Ch=128が最適な設定として選択されました。また、条件付きネットワークgcond内のMHSAモジュールを削除したアブレーション研究では、MHSAを組み込むことで、再構築の一貫性が向上し、振幅誤差がわずかに減少することが示され、MHSAがクロスモーダル生成において有益な設計要素であることが裏付けられました。

**Figure 5.** Figure 5: Ablation of the MHSA module in the conditional network gcond. Correlation (higher is better) and MAE (lower is better) are reported on the validation set. Bars indicate the mean across subjects and electrodes, and error bars denote the standard deviation across subjects解説: 条件付きネットワークgcondにおけるMHSA（マルチヘッド自己注意）モジュールのアブレーション（除去）研究の結果を示しています。検証セットにおける相関（高いほど良い）とMAE（低いほど良い）が報告されています。MHSAを組み込むことで、相関が向上し、MAEがわずかに減少することが示されています。

結果：時間領域から機能的結合まで

NeuroFlowNetの性能は、時間領域波形、パワースペクトル密度（PSD）波形、アルファPSD波形、および機能的結合パターン（チャネル間相関）の観点から評価されました。結果は、モデルの強みと現在の限界の両方を反映した、領域および対象者固有の変動パターンを明らかにしています。

時間領域波形の高い忠実度

定性的な評価では、生成されたiEEG波形（オレンジ色）が、実際のiEEG信号（青色）に高い忠実度を示し、主要な形態学的特性と時間的ダイナミクスを捉えていることが視覚的に確認されました。

**Figure 6.** Figure 6: Exemplar generated iEEG signals (orange) overlaid with ground truth iEEG signals (blue) for various MTL subregions, specifically showing a 200ms segment from Subject S6. The figure illustrates the performance of NeuroFlowNet in generating iEEG signals from EEG data across different anatomical targets, including anterior hippocampus (AHL/AHR), amygdala (AL/AR), entorhinal cortex (ECL/ECR), and parahippocampal gyrus (PHL/PHR).解説: 対象者S6の様々なMTLサブ領域（前海馬、扁桃体、内嗅皮質、傍海馬回）について、生成されたiEEG信号（オレンジ色）と実際のiEEG信号（青色）を重ねて示す200msの代表的なセグメントです。NeuroFlowNetがEEGデータからiEEG信号を生成する性能を異なる解剖学的ターゲットにわたって視覚的に比較しています。

特に扁桃体や傍海馬回のような領域では、生成された信号が実際の波形の位相や相対的な振幅の輪郭を密接に追跡していました。前海馬や内嗅皮質のようなより構造が複雑な領域でも、信号の一般的な傾向は捉えられていましたが、ピーク振幅や正確な時間的アライメントにわずかな差異が見られることもありました。定量的な評価として、平均絶対誤差（MAE）、ピアソン相関係数（Corr）、コサイン類似度で性能が示されました。クロス試行設定とクロスセッション設定の両方で、時間領域の指標は同程度の範囲にとどまり、NeuroFlowNetが単一の記録セッションに限定されない対象者固有のEEG-iEEGマッピングを学習していることが示唆されました。

**Table 2.** Table 2: Cross-trial performance of NeuroFlowNet on iEEG signal generation.

また、

**Table 3.** Table 3: Cross-session performance of NeuroFlowNet on iEEG signal generation.

に示されるように、MAEは相関ベースの指標よりもセッションレベルの振幅シフトに敏感であり、波形形状の回復と比較して振幅キャリブレーションの安定性がより脆弱である可能性が示唆されました。

パワースペクトル密度の正確な再現

周波数再現能力の評価では、NeuroFlowNetがネイティブiEEG信号の顕著なスペクトル特性を成功裏に捉えていることが明らかになりました。

**Figure 7.** Figure 7: Comparison of power spectral density (PSD) between ground truth iEEG signals (blue) and generated iEEG signals (orange) for a 200 ms segment from Subject S6. The figure shows the average PSD across all electrodes within each MTL subregion, including anterior hippocampus (AHL/AHR), amygdala (AL/AR), entorhinal cortex (ECL/ECR), and parahippocampal gyrus (PHL/PHR).解説: 対象者S6の200msセグメントにおける、実際のiEEG信号（青色）と生成されたiEEG信号（オレンジ色）のパワースペクトル密度（PSD）の比較を示しています。図は、前海馬、扁桃体、内嗅皮質、傍海馬回を含む各MTLサブ領域内の全ての電極で平均されたPSDを示しており、モデルがスペクトル特性をよく再現していることを示しています。

特に、アルファ帯域（8-13 Hz）とシータ帯域（4-8 Hz）における顕著なパワーピークを再現し、背景となる神経活動の一般的な特徴である高周波数での1/fのようなパワー減衰も正確に再現しました。これは、主要な振動成分を超えて、モデルが頑健な汎化能力を持っていることを示しています。さらに、機能的に重要なアルファ帯域のパワーに関する詳細な分析では、生成されたアルファパワーと実際のアルファパワーの間に強い正の相関が認められ、モデルがアルファパワーの相対的な変化を確実に捉えていることが示されました。平均差は非常に低く（0.01）、モデルの予測に系統的なバイアスがないことを示しています。

**Figure 8.** Figure 8: (a) Scatter plot of normalized true alpha power versus normalized generated alpha power. The red dashed line represents the ideal line (y = x), while the green solid line indicates the linear fit (y = 0.67x + 0.13). (b) Bland-Altman plot showing the difference in alpha power against the mean alpha power. The red dashed line indicates the mean difference (0.01), and the green and blue dashed lines represent the upper (95% CI, 0.28) and lower (95% CI, -0.27) limits of agreement, respectively.

クロス試行とクロスセッションの両設定で、0.5-50 HzのPSD波形メトリクスと8-13 HzのαPSD波形メトリクスが提示されました。クロスセッションでのスペクトル指標はクロス試行とほぼ同程度に保たれており、NeuroFlowNetが学習した低・中周波数帯のスペクトル指紋が、未見の試行だけでなく未見のセッションに対しても安定していることが示されました。

チャネル間相関構造の保持

単一チャネルの波形をリアルに生成するだけでなく、NeuroFlowNetは異なる神経集団間の複雑な機能的関係を捉える能力も示しました。これはiEEG信号のチャネル間相関構造に反映されます。グラウンドトゥルースと生成されたiEEG信号のチャネル間相関パターンを比較したところ、両者の間に密接な対応が認められました。

**Figure 9.** Figure 9: Comparison of inter-channel correlation. Circular graphs show the connectivity patterns of (a) the original iEEG signals and (b) the generated iEEG signals. Both plots illustrate a 200 ms segment from Subject S6. Pairwise Pearson correlation coefficients are computed between all channels, and only the top 50 strongest absolute correlations are visualized for clarity.

特に、左半球と右半球の同種領域間（例：AHLとAHRのチャネル間）の強い相関など、相関トポロジーの顕著な特徴が再現されていました。この結果は、NeuroFlowNetが単に独立したリアルな時系列の集合を生成するだけでなく、再構築された信号において観察可能なチャネル間共分散パターンも保持していることを示唆しています。これは、機能的結合性分析がチャネル間共分散/相関パターンに依存しているため、特に重要な成果です。決定論的な回帰ベースラインとの比較では、NeuroFlowNetはチャネル間相関行列において一貫して低いエラーを示し、帯域制限されたチャネル間依存構造のより良い保持を示しました。

**Table 5.** Table 5: Functional connectivity fidelity (inter-channel correlation structure) comparison between NeuroFlowNet and regression baselines.

さらに、条件付きサンプリングと不確実性解析は、同じEEG入力に対して繰り返し潜在変数をサンプリングしても非退化（多様性のある）確率的出力が得られることを示しました。

**Table 4.** Table 4: Conditional sampling and uncertainty metrics on the validation set.

予測分散は、検証セグメント全体での再構築誤差と強く関連しており、モデルが再構築の不確実性を定量化できる能力があることを示しています。

結論と今後の展望

この研究は、条件付き正規化フローをベースとしたNeuroFlowNetが、頭皮脳波から深部側頭葉のiEEG信号を非侵襲的に再構築する可能性を強力に支持するものです。NeuroFlowNetは、iEEG信号の時系列波形、パワースペクトル密度、およびチャネル間相関構造を忠実に再現する能力を示しました。特に、クロスセッションでの評価においても、モデルの再構築性能が安定していることは、実臨床への応用において重要な頑健性を示唆しています。この技術は、深部脳ダイナミクスを非侵襲的な頭皮脳波から研究するための実用的な道筋を提供し、てんかん焦点の精密な特定、脳機能メカニズムの分析、神経リハビリテーション介入など、幅広い臨床応用への期待を高めるものです。今後の展望としては、今回の研究では直接評価されなかった一時的な波形形態に対するノイズ除去プロシージャの影響の評価や、振幅キャリブレーションの安定性向上などが挙げられます。

補足図表

Figure 10

用語集

脳波（EEG）: 頭皮上から測定される脳の電気活動の記録。非侵襲的だが空間分解能が低い。
頭蓋内脳波（iEEG）: 脳の内部に電極を直接埋め込んで測定される脳の電気活動。高精度だが侵襲的。
深部側頭葉（MTL）: 記憶形成などに関わる脳の深い領域。海馬、扁桃体などが含まれる。
脳電図逆問題: 頭皮上の脳波信号から、脳内の電気活動源の位置や活動を推定する課題。
条件付き正規化フロー（CNF）: 複雑なデータ分布を単純な分布に変換する生成モデルの一種。可逆変換が特徴。
マルチスケールアーキテクチャ: 複数の異なる解像度や粒度で情報を処理するモデル構造。
自己注意メカニズム（Self-attention mechanism）: 入力データ内で、どの部分が他の部分と関連が深いかを学習し、信号の重要な部分に焦点を当てる仕組み。
クロスモーダル生成: 異なる種類のデータ（例：EEGとiEEG）間で情報を変換・生成すること。
ゴールデンスタンダード: 特定の評価や診断において、最も信頼性が高く、標準とされている手法や基準。
パワースペクトル密度（PSD）: 信号が持つパワーが、どの周波数帯域にどれだけ分布しているかを示す指標。
平均絶対誤差（MAE）: 予測値と実測値の差の絶対値を平均したもので、誤差の大きさを示す。
ピアソン相関係数（Corr）: 二つの変数の線形な関係の強さと方向を示す指標。-1から1の値を取る。
コサイン類似度: 二つのベクトルの向きの類似性を示す指標。0から1の値を取り、1に近いほど似ている。
マルチヘッド自己注意（MHSA）: 複数の自己注意メカニズムを並行して適用し、異なる表現を学習することで、モデルの能力を高める仕組み。