脳活動の複雑な動きと復元の難しさ
脳の神経活動を記録する局所電場電位（LFP）は、非常に多くの情報を含んでいます。しかし、これらのデータは高解像度であり、多チャンネルにわたります。さらに、その動きは一時的で、被験者ごとに大きく異なる特徴を持つため、長時間の記録を正確に復元することは極めて難しい課題です。従来のデータ解析手法では、このような複雑な脳活動の動き（ダイナミクス）を捉えきれないことが多く、より汎用性があり、大規模なデータにも対応できる新しい分析の仕組みが求められていました。正確な復元は、脳の機能理解や、脳と機械をつなぐ技術（ブレイン・マシン・インターフェース）の開発において不可欠な基盤となります。
PCA-DMDの革新的な仕組み
今回発表された「PCA-DMD」は、この難題を解決するために開発された新しい分析の仕組みです。この仕組みは、まずLFP記録データを重なり合う複数の短い区間に分割します。次に、主成分分析（PCA）という統計的手法を用いて、これらの高次元データをよりコンパクトな潜在空間に投影します。潜在空間とは、データを圧縮した仮想的な場所のことです。この圧縮された潜在空間内で、クープマン理論という数学的な考え方に基づき、データの線形的な変化の法則を学習します。クープマン理論は、非線形なシステムであっても、より高次元の空間で線形システムとして扱うことを可能にする強力なツールです。最後に、学習した法則を使って、逆投影と重ね合わせ加算というプロセスを経て、元の連続した信号を高精度に再構築します。この多段階のプロセスにより、複雑な脳活動の動きを効率的かつ高い精度で復元することが可能になります。
圧倒的な性能と事前学習なしの適用能力
PCA-DMDは、その性能において既存の手法を大きく上回ります。20万サンプルの海馬記録データを用いた検証では、従来のDMD（Dynamic Mode Decomposition）をベースとした様々な手法（Classical DMD、SpDMD、MrDMD、HODMD）と比較し、KLD値0.0761、HD値0.0847という優れた結果を達成しました。KLDとHDは、データの分布や距離を示す評価指標です。さらに特筆すべきは、事前学習なしの適用（ゼロショット）における汎用性の高さです。30万サンプルのデータを用いた被験者間のゼロショット検証では、0.9504から0.9800という非常に高い相関関係を示しました。これは、ターゲットとなる被験者のデータで微調整（ファインチューニング）することなく、未知の被験者データに対しても優れた復元能力を発揮できることを意味します。この汎用性は、実用化において極めて重要な特性です。また、未知の期間のLFPデータに対しても、正確な予測が可能であることも確認されており、時間的に離れたデータに対しても高い精度で対応できることが示されました。
大規模データへの対応と深い解釈
この仕組みは、大規模なデータに対しても高いスケーラビリティ（規模への対応能力）を発揮します。40万から90万サンプルのデータで規模への対応能力を分析した結果、平均相関は0.965から0.968と非常に安定しており、計算コストは予測通りに増加しました。計算コストとは、処理にかかる計算量のことです。これは、データ量が増えても性能が大きく劣化せず、効率的に処理できることを示しています。さらに、独立した93チャンネルのNeuropixels記録データを用いた外部検証でも、平均0.7427、中央値0.7990という高いチャンネルごとの相関が示されました。クープマン理論に基づくスペクトル解析とモード解析からは、この仕組みが脳活動の主要な固有値が単位円付近に集中していることを捉えており、脳活動のダイナミクスにおける支配的なパターンを解釈可能であることが示唆されています。私の経験上、このような解釈可能性は、単なる性能だけでなく、なぜその結果が得られたのかを理解するために不可欠です。PCA-DMDは、解釈可能で汎用性があり、大規模データにも対応できる枠組みとして、高次元の脳活動の動きを復元する上で重要な進歩であり、今後の脳科学研究や関連技術開発の進展に大きく貢献すると考えます。
PR
文賢 →
脳の複雑な動きを事前学習なしで復元できる汎用性は、実用化の最重要課題です。未知のデータに対応できる仕組みこそ、最速でプロダクトに組み込むべきです。この技術を最速で実証し、次のプロダクト開発に活かします。
