[論文レビュー] Autoreject: Automated artifact rejection for MEG and EEG data

Mainak Jas, Denis A. Engemann+3 more|arXiv (Cornell University)|Dec 24, 2016

EEG and Brain-Computer Interfaces被引用数 6

ひとこと要約

Autoreject は、被験者およびセンサーごとのピーク・ツー・ピーク閾値を最適化するために交差検証を用いる、データ駆動型で自動化された MEG や EEG データにおける悪影響を及ぼす試行およびセンサーの検出・修復手法です。手動によるアーチファクト除去に代わって、物理的根拠に基づいた、完全に自動化されたパイプラインを採用することで、再現性とスケーラビリティを向上させ、データを保持し、人為的バイアスを低減します。

ABSTRACT

We present an automated algorithm for unified rejection and repair of bad trials in magnetoencephalography (MEG) and electroencephalography (EEG) signals. Our method capitalizes on cross-validation in conjunction with a robust evaluation metric to estimate the optimal peak-to-peak threshold -- a quantity commonly used for identifying bad trials in M/EEG. This approach is then extended to a more sophisticated algorithm which estimates this threshold for each sensor yielding trial-wise bad sensors. Depending on the number of bad sensors, the trial is then repaired by interpolation or by excluding it from subsequent analysis. All steps of the algorithm are fully automated thus lending itself to the name Autoreject. In order to assess the practical significance of the algorithm, we conducted extensive validation and comparison with state-of-the-art methods on four public datasets containing MEG and EEG recordings from more than 200 subjects. Comparison include purely qualitative efforts as well as quantitatively benchmarking against human supervised and semi-automated preprocessing pipelines. The algorithm allowed us to automate the preprocessing of MEG data from the Human Connectome Project (HCP) going up to the computation of the evoked responses. The automated nature of our method minimizes the burden of human inspection, hence supporting scalability and reliability demanded by data analysis in modern neuroscience.

研究の動機と目的

• アーチファクト除去に起因する合意形成の欠如と高い手作業負荷の問題に対処すること。
• 主観的で専門家依存の試行およびセンサーの除外を置き換える、自動化されデータ駆動型の手法を開発すること。
• 除外ではなく補間による悪影響を及ぼす試行の修復を通じて、収集にコストがかかるデータの損失を最小限に抑えること。
• 既存の解析パイプライン（ノイズ正規化やソース局在化を含む）と互換性を持たせ、アルゴリズムの変更なしに統合できること。
• Human Connectome Project のような大規模データセットにおける、スケーラブルで再現可能かつバイアスのない前処理を可能にすること。

提案手法

• 被験者ごとに最適なグローバルピーク・ツー・ピーク閾値を推定するために、訓練平均と検証中央値の間の RMSE を評価指標とする、頑健な交差検証を用いる。
• グローバル閾値手法を拡張し、センサー固有の閾値を導入することで、各試行における不良センサーの検出を可能にする。
• 2段階の修復戦略を適用：不良センサーの数が閾値未満であればセンサーを補間し、それ以上であれば全試行を除外する。
• すべてのパラメータを、外れ値に強く、過剰適合を回避するデータ駆動型の交差検証フレームワークでキャリブレーションする。
• ノイズ正規化の共分散推定を必要とする標準的な M/EEG パイプラインとシームレスに統合され、下流処理を変更することなく利用可能。
• 最適なデータ保持とノイズ抑制のバランスを確保するため、ベイジアンハイパーパramータ最適化を用いて、試行除外のトリガーとなる不良センサー数をチューニングする。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型で自動化された手法は、MEG や EEG データにおける人間によるアノテーションによるアーチファクト除去と同等またはそれ以上の性能を達成できるか？
• RQ2 グローバル閾値と比較して、センサー固有の閾値は、悪影響を及ぼす試行の検出において感度と特異度の観点でどのように異なるか？
• RQ3 大規模な MEG/EEG 研究において、専門家の干渉を最小限に抑えつつ、データ品質をどの程度維持できるか？
• RQ4 ソース局在化やノイズ正規化などの下流ステップを変更することなく、標準的な M/EEG パイプラインに統合可能か？
• RQ5 異なる取得設定やアーチファクトプロファイルを有する多様なデータセットにおいて、Autoreject の性能はどのように変動するか？

主な発見

• Autoreject は、200名以上の被験者を含む4つの公開データセットにおいて、最先端の手法と同等またはそれ以上の性能を達成した。
• Human Connectome Project (HCP) の MEG データの前処理を自動化し、手動での検査なしに、反応の発現をエンド・ツー・エンドで計算可能にした。
• センサー固有の閾値は、被験者およびデータセット間での最適閾値の経験的ばらつきが裏付けられており、グローバル閾値と比較して検出精度を顕著に向上させた。
• 試行を破棄するのではなく補間することで、従来の排除戦略と比較して、一部のデータセットではデータ損失を最大30％まで削減した。
• 外れ値や取得設定のばらつきに対して頑健であることが実証され、マルチサイトおよびマルチスキャナーのデータ統合に適していることが示された。
• 交差検証によるパラメータキャリブレーションにより、人為的バイアスが低減され、再現性が向上し、異なるデータセットおよび解析パイプラインで一貫した結果が得られた。