TL;DR
脳波は脳の中を直接示すものではありません。頭皮の混合電気パターンを測定します。これにより、EEG に強力な時間分解能が与えられますが、空間的位置特定は弱くぼやけます。そのため、Mind-Upload では、データ品質管理 (QC) と BIDS などの共有データ編成ルールを何よりも優先します。
誤読は早めにやめるべきです
- EEG は魔法の読心術ではありません: 観測された信号は混合されており、逆問題には厳しい制限があります。
- しかし、EEG は役に立たないわけではありません。 は一時的な変化と状態遷移の追跡に強力であるため、検証スタックの一部として役立ちます。
- ログは重要です: QC、同期、レコードの前処理がなければ、他の誰も同じ結果をチェックできません。
- マルチモーダルはエスケープハッチではありません: 同一セッションの融合、共有要素、および堅牢なバンドルの証拠には依然として個別の監査が必要です。
EEG、QC、BIDS、逆問題、ESI、DCM などの単語が個別に表示され続け、つながりがないと感じる場合は、まず 用語集 を読んでください。これにより、各用語がワークフローのどの段階に属しているかを簡単に確認できるようになります。
EEG の制限を理解し、公開データセットを検討するかどうかを決定したい場合は、「データセット」の L0 実践セクションに直接移動するか、最初に「検証」を読んでください。用語集 を参照してください。
検証、データセット、データセットの L0 実践セクション、および検証のケースワーク セクションの間でのみ決定したい場合は、用語集 を参照してください。
この EEG の導入から、データセットの選択、必要なアーティファクト、および最終的な L0 確認までの 1 つの直線ルートが必要な場合は、用語集 への 1 つの直線ルートを参照してください。
ESI または DCM が登場すると、話題は直接観察から仮定に基づく推論に移ります。この遷移を順問題、逆問題、因果等価クラスとともに整理したい場合は、用語集 を最初に読んでください。
信頼区間、信頼区間、推定幅、および信頼度が低い場合の棄権はすべて、誇張を避けるための手段です。そのための基本的な読書ガイドが必要な場合は、用語集 を参照してください。
EEG デコード番号の意味は、セッション内、クロスセッション、クロス被験者のいずれであるかによって異なります。同じ日の分離、日を越えた耐久性、他の人への一般化、および長期的な動作の安定性は別の問題です。実際の区別については、データセット: 一般化ファミリー および 用語集 を参照してください。
このサイトは以前、setup Effects よりも 件名 / セッション フィンガープリント で明確に停止していました。それはEEGにとって弱すぎるままでした。公式の EEG-BIDS 仕様 では、電極、チャネル、座標系、および参照スキームを表示メタデータとして扱うのではなく、すでに分離しています。 胡他。 (2018) は、参照モンタージュと電極の設定によって測定された頭皮電位自体が変化することを示しました。Melnik et al。 (2017) は、システム、被験者、およびセッションのそれぞれが EEG 記録に影響を与えることを示しました。Xu et al。 (2020) は、クロスデータセットの深層学習の結果がアンプ、キャップ、サンプリング レート、フィルタリングなどの環境変動に応じて変化することを示しました。 (2024)</a> は、クロスロケーション比較には、データセットが単に調和されているという漠然とした記述ではなく、明示的な REST ベースのオフライン変換 が必要であることを示しました。したがって、本サイトではサイト/デバイス/基準系/電極配置/座標ルート/プロトコルを測定条件の一部として扱います。 これらのソースからの推論: コモンチャネル交差、ターゲットモンタージュへの補間、およびRESTベースの変換は、異なるベンチマークオブジェクトと異なるクレーム上限を保持します。 `harmonized EEG` は、ここでは 1 つの生同等のオブジェクトとして読み取られません。元のチャネル マップ、座標ルート、生の参照と再参照ファミリー、省略/補間チャネル ポリシー、および調和ブランチを報告しないスコアは、ターゲットの神経変数のみが変化したという明確な証拠として読み取られません。
このサイトはスコアだけで基礎モデルの見出しを読み取ることはありません。 Kostas ら。 (2021) は、異なるハードウェア、主題、タスクにわたる転送を中心的な課題としてすでに枠組み化しています。Jiang et al. (2024) は、依然として開いている EEG 障壁として、電極の不一致、不等なサンプル長、多様なタスク設計、および低い SNR を明示的に列挙しました。 (2025)</a>、チェンら。 (2025)、El Ouahidi 他。 (2025) はその後、チャネル順列等分散、異種電極適応、セットアップに依存しない事前トレーニングを推進しました。 (2025)</a> は、微調整下でも従来の深いベースラインを超えるわずかな利益しか見つかりませんでした。 Ma et al. (2026) はさらに、追加の適応構造が追加されない限り、被験者レベルの監督が制限されている場合、EEG 基礎モデルの一般化が不十分になる可能性があることを示しました。 (2025)</a> は、一貫性のない評価プロトコルによりモデル間比較の信頼性が低くなると主張しました。Lahiri et al. (2026) は、狭いソースと多様なソースの事前トレーニングが線形プローブと微調整レジーム全体で場所を交換できることを示しました。 (2026)</a> は、線形プローブでは不十分な場合が多く、専門家が最初から作成したモデルが競争力を維持していることを示しました。したがって、このサイトでは、`supports arbitrary layouts` は、宣言された座標ルート、参照ファミリー、および省略チャネル ポリシー</strong> に基づく レコーディング フレームの互換性としてのみ解釈され、異なるモンタージュが 1 つの生理機能を保持する表現を既に共有していることの証拠としては解釈されません。大規模モデルの EEG 結果は、用語集 および 検証: 事前トレーニング カード を通じて読み取られます。ダウンストリームの主張が単なるベンチマーク転送ではなくニューラル変数に関するものである場合は、Specificity および Specificity も渡す必要があります。ショートカット カード。`works across setups` はまだ `stopped reading identity / setup shortcuts` と同じではありません。
</p>
</div>
公式 EEG Challenge 2025 ホームページ は、この分割を明示しています。Challenge 1 は CCD 試行から反応時間を予測する課題であり、Challenge 2 は 複数パラダイムの EEG から外在化スコアを予測する課題です。公式ルールでは、Challenge 1 は試行ごとに採点され、提出は推論のみで、モデルは20 GB メモリの単一 GPUで実行できる必要があることも示されています。Lee et al. (2025) は記憶課題と睡眠段階分類を扱い、Liu et al. (2026) は1 被験者抜きの被験者間評価と被験者内 few-shot 校正を対比し、Lahiri et al. (2026) は、ベンチマーク不一致によって同一データセット上の順位が最大 24 パーセントポイント反転し得ることを示しています。したがって、このサイトでは、基盤モデルの結果を読むときに、ベンチマーク名だけでなく、予測対象、独立した予測単位、グループ化ホールドアウト単位、適応レジーム、運用予算を併記することを求めます。この区別がない場合、「タスク間で転移した」という表現は粗すぎ、1 つの汎用デコーダが成立したかのように過読しやすくなります。
公式 EEG Challenge 2025 ホームページ には、実行フェーズの変更に関して、チャレンジの文書はすでに古くなっていると記載されています。公式の 提出ページ では、このイベントを 推論のみのコード コンテスト として修正していますが、ルール ページ では、追加の事前トレーニング データセット、事前トレーニングされたチェックポイント、微調整方法、および シングル GPU 20 の開示が求められています。 GB 推論段階の予算。その後、最終的な リーダーボード では、チャレンジ 2 のサンプルがランダム化されていなかったため、一部のチームが連続トライアルの同一被験者構造を悪用することができ、主催者が賞を分割することになったことが明らかになりました。このサイトでは、ベンチマークの出自が証拠の一部 であることを意味します。分割構築、非表示のグループ化、チェックポイント ポリシー、正規化、推論バジェット、およびその後の事後検証はすべて、リーダーボード スコアが意味できる内容を変更します。
このページはすでに 分割設計、ベンチマーク来歴、校正 を分離していましたが、暗黙的すぎる弱いショートカットが 1 つ残されていました: タスクを要約するために許可されるスコア。一次文献ではそのショートカットはサポートされていません。 斉藤＆amp; Rehmsmeier (2015) は、クラスの不均衡が強い場合には、precision-recall ビューのほうが ROC サマリーよりも有益であることが多いことを示しました。発作課題では、Roy et al. (2021)、Scheuer et al. (2021)、Segal 他。 (2023) は、実用的な値が 感度、誤報、イベント重複ルール、遅延、および場合によってはオンになることを示します。 しきい値/キャリブレーション制御 は、1 つの見出し番号ではありません。睡眠ステージングでは、Sun et al. (2017)、ヴァラット＆amp;ウォーカー (2021)、デイ・ロッシ他。 (2026) は、コーエンのカッパ、マクロ-F1、ステージごとのパフォーマンス、およびバイアス/ドメイン外スライスの答えが異なることを示します。質問。したがって、このサイトでは、クラスバランス、イベントコスト、またはステージ構造が重要な場合、accuracy または AUROC のみを一般的な脳波ヘッドラインとして受け入れません。
EEG は、頭皮に配置された電極を使用して電圧の違いを記録します。観察されるものは、多くの神経活動が混合され、組織、頭蓋骨、頭皮を通して濾過された結果です。 EEG はミリ秒スケールで迅速に測定できますが、信号は空間的にぼやけているため、制限を無視すると簡単に過大解釈されます。
QC ログとメタデータが存在する場合、EEG はミリ秒スケールで状態変化を追跡できるため、実用的に価値があります。記録条件が欠けていると、一見もっともらしいモデルであっても再現性が失われます。
参照スキーム を変更すると、見かけの頭皮分布が変わります。 電極の位置またはチャネル レイアウトを変更すると、どのフィールド パターンがサンプリングされるかさえ変わります。 フィルター設定 または デバイス側チェーン を変更すると、どのコンポーネントが低速か高速かが変わります。 アーティファクト除去 を締めると、保存したい神経信号も除去される可能性があります。そのため、取得条件や処理経路も結果と一緒に記録しておかないと結果を比較することができません。
WBE のコンテキスト内に EEG を配置するには、テクノロジーによって改善される可能性がある制約と、物理学や数学からより根本的に従う制限を区別することが役立ちます。
早期に中止すべきもう 1 つの弱い解釈は、すべての重要な神経イベントがすでに頭皮に存在しており、ソース イメージングによってそれらをアルゴリズム的に回復するだけでよいと考えることです。一次文献ではそのショートカットはサポートされていません。 Ahlfors ら。 (2010) は、現実的な境界を使用して音源方向の感度を定量化し、最も感度の低い方向と最も感度の高い方向の間の中央値比が、EEG</strong> では 0.63 であるのに対し、MEG では 0.06 にすぎないことを発見しました。 Ahlfors et al. (2010) は、拡張および分散されたソースが地表で実質的にキャンセルできることも示しました。 ゴールデンホルツら。 (2009) は、その後、音源の範囲と解剖学的構造が検出可能性にとって非常に重要であることを示しました。内側側頭葉では、約 3 cm2 対 8 cm2 の音源パッチをシミュレートしました。 SNR ではおよそ 10 dB の差があり、モダリティの好みは固定されたままではなく皮質全体で変化しました。 Piastra et al. (2021) は、詳細な FEM モデルを使用して、CSF コンパートメント を無視すると、EEG SNR が過大評価され、皮質/皮質下の感度が深さと方向に共同して依存することを示しました。したがって、頭皮に到達するものはすでに、幾何学および組織でフィルタリングされた脳活動のサブセットです。より多くのチャネルやより高度な逆ソルバーを使用しても、場の形成によってセンサーに配信されなかったソースの詳細を再現することはできません。
</p>
</div>
EEG の役割は、脳のダイナミクスに巨視的な制約 を与えることです。具体的には、次のものが含まれます。
ターゲットが WBE の場合、EEG は侵襲的記録、電子顕微鏡、分子プロファイリング、その他のより豊富な測定を補完する 1 つの巨視的モダリティに属します。
また、「深部のソースは完全に目に見えない」と言うのも不正確です。高密度EEG（256チャンネル）、個別のMRI、リアルな頭部モデル、および同時頭蓋内記録を組み合わせた研究では、頭皮EEGソース画像と視床または側坐核付近の信号との間に有意な一致があることが報告されている（Seeber et al., 2019）。 アフナンら。 (2024) はさらに、深度加重 cMEM が、5400 件の現実的なシミュレーション とてんかん患者データ全体で、深部発生源、特に近心側時間源の位置特定を改善することを示しました。しかし、頭蓋内電気刺激をグランドトゥルースとして使用した直接検証では、37電極の頭皮EEGでも、信号源の深さと頭蓋骨伝導率の最適化に応じて、10.3-26 mmの平均位置推定誤差が依然として示されました（Unnwongse et al.、2023）。したがって、正しい要約は「不可能」ではなく、「厳密に固定された条件下では限定的な推論が可能であり、誤差は音源クラス、音源深さ、SNR、および導電率の仮定に大きく依存する」ということになります。
ソースイメージングの改善は、単にチャンネル数を増やすだけでは確立されません。少なくとも、個々の MRI または同等のジオメトリから構築された前方モデル、深さ/方向/範囲/キャンセル プロファイルを考慮してターゲットのソース クラスが頭皮に到達すると予想される可視性の議論、事後分布または信頼区間、前方および前方の感度分析を示す必要があります。組織モデル、およびシミュレーション/ファントム、頭蓋内刺激、同時侵襲的記録、または術後結果などの名前付き検証クラスに対する検証。改善とは、「深い構造が見えるようになった」ということではなく、「どのソースクラスの、どのベンチマークファミリーで、どの条件下でエラーがどの程度減少したかをサードパーティが監査できるようになった」ことを意味します。
この種の検証には、個々の MRI、電極座標、および外部のグラウンド トゥルースが必要です。そのため、EEG Motor Movement/Imagery、CHB-MIT、Sleep-EDF、TUH EEG などのスターター データセットは、L0-L1 の練習とベンチマークには役立ちますが、直接のソース イメージング ベンチマークとしては役立ちません。ユースケースの分割については、データセット: スターター データセット監査 を参照してください。
私たちが改善する必要があった主な弱点は、単一のスコアまたは単一のソース マップから脳波の進行状況を読み取りたいという誘惑でした。一次文献を並べると、少なくとも observability、specity、identifiability、deployability は個別の監査になります。 頭皮信号に何らかの情報が存在するという事実、その情報がターゲット神経変数から来ているという事実、内部ソースまたはネットワークが独自のソリューションに向けて絞り込まれていること、パフォーマンスが数日間または閉ループ内で持続するという事実同じ証拠によって裏付けられていません。
可観測性を通過した結果は、「信号には情報が含まれています」 としてのみ記述されます。特異性の証拠が追加されて初めて、「情報はターゲットの神経変数に比較的特異的である」 と書くことができます。識別可能性の証拠が追加された後でのみ、「ソース/ネットワークが推定された」 と記述します。導入可能性の証拠が追加されて初めて、「このメソッドは数日間、長期間の使用、または閉ループで存続する可能性があります。」 これが、Hämäläinen & によって引かれた境界線のしくみです。 Ilmoniemi (1994)、Mostert et al. (2018)、Musall et al。 (2019)、Ma et al. (2022)、およびウィルソンら。 (2025)を本サイトの運用上の閲覧ルールとしています。
Mostert ら。 (2018) は、視覚作業記憶のデコーディングが眼球運動の交絡を保持する可能性があることを示しました。 (2005)</a> は、EMG が初期の BCI セッションのパフォーマンスを向上させることができることを示しました。 (2024)</a> は、発症後の聴覚フィードバックがオフライン音声復号化スコアを上昇させる可能性があることを示しました。さらに、Chaibub Neto ら。 (2019) は、反復測定が参加者間で共通でない場合に、診断モデルが同一性交絡シグナルを学習できることを示しました。 (2020)</a> および Di ら。 (2021) は、安静状態の脳波が時間堅牢な個人識別をサポートできることを示しました。そのため、このサイトのデコード/バイオマーカーの結果は、Verification: Specificity & と組み合わせられています。 Shortcut Card なので、ターゲット パスとショートカット パスは個別に監査されます。
最も一般的な EEG の誤読の 1 つは、同日/同じ被験者の分離 を取り上げ、日数にわたって安定している、他の人に一般化している、または 長期展開可能 と暗黙的に言い換えることです。 MOABB ドキュメント自体は、`WithinSessionEvaluation`、`CrossSessionEvaluation`、および `CrossSubjectEvaluation` を分離しています。これらは異なる科学的な質問であるためです。
Ma らの 5 日間の MI データセットでは、 (2022) によると、被験者固有の平均精度は、セッション内の 68.8% からセッション間では 53.7% に低下し、その後、少量の対象セッション データを使用した適応により 78.9% に上昇しました。したがって、同日のスコアと日をまたいだ耐久性は同じ成果ではありません。ムサルら。 (2019) さらに、課題中の神経力学は指示されていない動きによって強く形成される可能性があることを示しました。 (2025) は、活動パターン自体が時間の経過とともに変動するため、長期的な BCI 運用には 頻繁な再校正 が必要であることを示しました。
EEG スコアが高い場合は、少なくとも (1) 何が提示されたか、(2) 目の動き、筋肉の活動、および指示されていない動作がどのように監査されたか, (3) 対象日または対象者のデータが使用されたかどうか, (4) 何日間固定デコーダが保持されました、および(5) セットアップの多様性がクレームの一部である場合、レイアウトまたはサイト間で記録フレームがどのように調整されたか。これらが欠落している場合、このサイトは結果を WBE 関連の状態の再構築や展開可能なループとしてではなく、 修飾されたデコード としてのみ読み取ります。
インピーダンス、ノイズフロア、遅延、ジッター、ドリフトなどの同期動作をログ形式で記録し、後の分析で使用できるようにします。 フィルター、リファレンス スキーム、まばたき、筋肉活動、ライン ノイズのアーティファクト処理に加え、クロスセットアップ調和を適用しながら、座標ルート、リファレンス ファミリ、省略/補間チャネル ポリシー、および比較で共通チャネル リダクション、補間、REST、または別の明示的な変換を使用したかどうかを記録します。 スペクトル、位相同期、複雑さの測定、状態遷移、および同様の記述子を計算し、1 つのヘッドライン スコアの代わりにタスクに一致するメトリクス バンドルを選択します。 頭部モデルまたは MRI を使用して皮質活動を推測しますが、これは逆問題であるため、不確実性は結果の一部として扱います。 相関ベースのデコードに止まらないでください。変化した刺激または課題条件下での介入予測と反事実的行動をテストします。 Mind-Upload は、QC ログの存在をベンチマークに参加するための最低の下限として扱います。
たとえきれいに見える波形であっても、刺激や応答のタイミングがあいまいであれば、信頼性が低くなります。イベント マーカー、スティミュラス ログ、不良セグメント レコードなどの最小限の測定ログが必要な場合は、用語集 を参照してください。
EEG の時間分解能は閉ループにとって魅力的ですが、エンドツーエンドの遅延、ジッター、および安全停止ロジックが重要になります。位相ターゲット ループの場合、サイトでは、結果を 1 つのタイミング数値で要約する代わりに、発振推定性、ターゲット精度、ダウンストリーム効果、および位相安定性も分離するようになりました。この精度とオフライン精度の違いについては、用語集 を参照してください。
これは、EEG 導入における残りの最前線の弱点でした。エントリ ページでは依然として位相ターゲット EEG を一般的な リアルタイム または 低遅延 言語に圧縮できます。一次文献ではそのショートカットはサポートされていません。 マンスーリら。 (2018) および Zrenner et al. (2018) は、リアルタイム位相トリガーが実現可能であることを確立しましたが、Zrenner et al. (2020) は、振動振幅と信号対雑音比が低い場合、意味のある位相推定自体が低下することを示しました。 ゴードンら。 (2021) その後、ポストホック ベンチマークとともに低シータとフェーズ リセットの除外を追加した後にのみ、前頭前野シータ ターゲティングが改善されました。 キムら。 (2023) は、11 件の公開データセット および 484 人の参加者 にわたって、より良い予測は一般的な認知状態の問題ではなく、主に電力/SNR の問題であることを示しました。 Vigué-Guix et al. (2022) は、一貫した行動上の利点を持たずに、信頼性の高い試験間のアルファ位相ロックを達成しました。 (2025)</a> は、最適な感覚運動μ相がセッション内で変動し、テストと再テストの信頼性が低いことを示しました。したがって、このサイトでは、位相をターゲットとした EEG 結果は、平均位相誤差 だけでは要約されません。
これらのログが欠落している場合、このサイトでは、検証済みのフェーズ固有の制御ではなく、探索的状態依存タイミング証拠 で結果を保持します。より長い運用ルールは、用語集 および Verification: Mind Uploading Verification Commons にあります。
EEG の前処理は、後の数値を単に見栄えを良くするだけの段階ではありません。これは、信号のどの部分をニューラルとして扱うか、どのクレームを停止する必要があるかを決定する監査ステップです。 COBIDAS-MEEG および EEG-BIDS は、具体的なレポートフロアを定義します。 PREP パイプラインは、不良チャネルの処理と再参照をきれいに分離できないことを示し、Widmann らはフィルタ設計が波形形状とレイテンシを歪める可能性があることを示し、最近のデコード作業はアーチファクト補正が常にパフォーマンスを向上させるわけではないことを示しています。そのため、このサイトでは、前処理をプリファレンス調整としてではなく、受け入れゲートとして扱います。
少なくとも、生の参照、再参照スキーム、フィルター、不良チャネルと不良セグメント、削除されたコンポーネントの数、またはエポック、保持されたトライアルとチャネルの数、主要な生クリーンメトリクスデルタ、および可能であれば1つの代替パイプラインに対する感度分析。実際の詳細は、用語集 に集中されています。
ASR や ZapLine などのアーティファクト クリーニング ツールやライン ノイズ ツールは、再現可能なクリーンアップには役立ちますが、体積伝導、ソース漏洩、方向性は解決しません。識別可能性。 ヴィンクら。 (2011) は、ゼロラグ混合に対してコヒーレンスや PLV よりも wPLI を安全にしましたが、Haufe et al. (2013) は、センサーと空間の接続が体積伝導によって依然として厳しく制限されていることを示しました。Palva et al. (2018) は、漏れの影響を受けにくいソース空間測定でもゴースト相互作用が生じる可能性があることを示しました。 (2020)</a> は、観察だけでは因果関係を特定することが難しいため、TMS の下で STE を評価しました。したがって、このサイトでは、wPLI、ソース空間接続、および STE は、命名規則による漏れ防止または因果関係の読み出しとしてではなく、明示的な上限を持つ監査可能な推定量 として読み取られます。
実際には、出力はノイズ、個人差、トレーニングデータのバイアス、および言語モデルの事前分布に依存する可能性があります。本当に EEG から得られたものを区別するには、依然として反事実テストが必要です。 結果は、前処理、参照の選択、および記録フレームの調和ブランチによって変わります。 Mind-Upload が最初に QC、メタデータ、複製手順を修正するのはそのためです。 セッション内、セッション間、主題間、およびクローズドループは異なる質問です。同じスコアであっても、異なるホールドアウト条件と再校正負担により、異なる強度の主張がサポートされます。
このセクションの重要な点は、どのアルゴリズム名が使用されたかではなく、エラーを監査するためにどのような一連の証拠が使用されたかです。将来の約束と現在必要とされる最小限の証拠が混同されると、脳波ソースイメージングは過大評価されやすくなります。
残りの弱点は、ソリューション セット全体の代わりに 1 つのクリーンなソース マップを使用することでした。 Mahjoory ら。 (2017) は、逆法とソフトウェア パッケージの選択により、EEG 音源位置特定、特に下流接続が大きく変化する可能性があることを示し、複数の音源イメージング手順で結果を検証することを明示的に推奨しました。 ミクランら。 (2020) は、既知の頭蓋内刺激部位を使用し、テストされたすべてのパラメーターの組み合わせを考慮した場合、ベンチマークの定位距離は 1 つの安定した答えに集約されるのではなく、通常約 2 mm から 50 mm の範囲であることを示しました。 Vorwerk ら。 (2024) はさらに、組織の導電性、特に頭蓋骨の導電性が不確実であると、再構成された深さと位置が変化する可能性があることを示しました。したがって、このサイトでは、論文がクロスソルバー/クロスパラメータースプレッドまたは事後/アンサンブル不確かさ幅も示していない限り、単一の最も見栄えの良い逆マップは安定した解剖学的証拠とはみなされません。
阻止するための次の近道は、最近のすべてのディープソース論文を「パイプラインが十分に注意していればディープリカバリは基本的に解決される」という 1 つの印象に圧縮することです。一次文献はその解釈を裏付けていません。 アフナンら。 (2024) は、5400 件の現実的なシミュレーション とてんかん患者データにわたって、深部発生源の位置特定、特に近心側頭音源を改善しましたが、その論文は依然として、脳全体の深部回復可能性の一般的な証明ではなく、条件付き深部てんかんルート です。 ハオら。 (2025) は、その後、29 件の同時 HD-EEG/SEEG 症例 で、発作時 ESI が 14.07 ± に留まったことを示しました。 4.62 mm 対 17.38 +発作間欠期 ESI では 4.16 mm、ソース深度 およびスパイク電力 が依然として精度に重大な影響を与えています。 Vorwerk ら。 (2026) はさらに、個別化された頭蓋骨伝導率推定により、ほとんどのシミュレートされた音源について音源位置の不確実性が 数センチメートルから 1 センチメートル未満に減少する可能性があることを示しました 一方で、脳底部の音源はあまり改善されていない こと、および点推定がまだ残留を隠していることが明らかになりました。不確実性。したがって、このサイトでは、これらの論文は、頭皮脳波が任意の深層ジェネレーターを観察しているという一般的な証拠としてではなく、ソースクラスおよびベンチマーク条件付きエラー削減として解釈されます。
ESI の改善を主張したい場合、最初の質問は「どの方法を使用したか?」ではありません。しかし、どのベンチマークで、どのエラーについて、そのエラーはどのくらい減少しましたか? ソース イメージングに関する主張は、公開されているスターター データセット内だけで閉じるべきではありません。これらは、Datasets: ソース イメージング検証ラダー と一緒に読み取る必要があります。
EEG だけでは不十分であるため、他のモダリティを追加すると問題は自動的に解決されると言うのは十分ではありません。統合は便利ですが、各モダリティ独自のエラー ソース も追加します。
このページでは、まだ 1 つのマルチモーダル ショートカットが開いたままになっています。現在の一次文献は、 ではなく、「動きに耐える」ということが自動的に遮蔽光、校正光、MRI 不要、および自然主義的光源有効測定を同時に意味するかのように、ウェアラブル OPM-MEG の読み取りをサポートしています。 ボトら。 (2018) はウェアラブルの実現可能性を確立しましたが、背景フィールド制御なしで頭部を動かすとセンサーが飽和することも明らかにしました。 レアら。 (2021) および Mellor et al. (2022) は、精密フィールド モデリングとヌリングが依然として中核的なエンジニアリング要件であることを示しています。Holmes et al. (2025) は、シールドの軽量化は、通常の部屋での可搬性ではなく、依然としてアクティブ補償と tSSS に依存することを示しています。Rhodes et al. (2025) は、個人の MRI をゴールドスタンダードとして扱いながら、擬似 MRI がグループ研究に役立つことを示しています。 (2025)</a> は、アレイのクロストークが依然として実用的な設計限界であることを示し、Spedden らは、 (2025) は、狭い感覚運動ベータパラダイムの下で、わずか 3 人の健康な参加者において全身ステッピングの実現可能性を示しました。したがって、このサイトでは、ウェアラブル OPM-MEG は、ポータブルで制約のない脳の読み出しや状態観察性の一般的なアップグレードとしてではなく、開示されたシールド、フィールド制御、校正 / 位置合わせ、解剖学的ルート、クロストーク、およびタスク レジームの下での 運動耐性マクロ電気生理学 として解釈されます。
このページの古い短いルールは、simultaneous または multimodal を主な文献でサポートされているものよりも自己検証に近いものにしていたため、依然として弱すぎました。 コーテら。 (2025) は、LSL をデバイス側の遅延の真実ではなく、同期インフラストラクチャとして説明しています。Wei et al. (2020) は、EEG-fMRI 融合をモデル条件付き推論問題として扱います。Vafaii et al. (2024) は、同時マルチモーダル記録が共通の組織と発散的な組織の両方を保持していることを示し、Chen et al. (2025) は、覚醒時とノンレム睡眠時の同時 EEG-PET-MRI におけるモダリティおよびネットワーク固有の構造と結合したグローバル ダイナミクスを示しています。したがって、同じセッションのマルチモーダル EEG 結果であっても、最も強いユニモーダルまたは事前条件付けされた天井を超えて読み取られる前に、Fusion Card が必要です。
論文で強力な共通コンポーネントが報告されている場合でも、そのコンポーネントはまだ自動的にターゲットの神経変数にはなりません。 ゴールドら。 (2024) は、EEG-fMRI と自律神経の同時記録において、警戒が低下するにつれて fMRI と自律神経の共分散が増大することを示しています。 (2019)</a> は、EEG でマークされた覚醒イベント中に交感神経活動が fMRI 信号に寄与することを示しました。 (2025)</a> は、大幅な BOLD の変更が、タスク応答性皮質ボクセルの約 40% にわたる酸素代謝の変化に対抗する可能性があることを示しています。したがって、このサイトでは、共有 EEG-fMRI または EEG-PET-MRI 因子は、1 つの解決済み状態変数に直接プロモートされるのではなく、共有神経候補、生理学関連グローバル因子、または 混合/未解決 としてラベル付けする必要があります。
バンドル レベルのパフォーマンスの向上は確実ですが、それでも独自の停止ラインが必要です。 Rohaut ら。 (2024) は、多峰性評価により重度の脳損傷における不確実な症例を減らしながら神経予後を改善できることを示しています。しかし、Amiri et al. (2023) は、直接同一サンプルのマルチモーダル予測を急性 DoC コホート内の別個の分析として扱いました。 (2026)</a> は、臨床的に困難なグループにおける欠損値置換およびより高いモダリティ間の不一致を伴うセンター間評価を報告しています。したがって、このサイトでは、バンドルがすでに可用性を問わない、転送が安定している、または最も困難な状況において一貫性があるかのように「モダリティが増えるとパフォーマンスが向上する」とは書かれていません。
統合の価値は、「より多くのモダリティが使用された」ということではありません。価値は、座標調整エラー、遅延不一致、ノイズ構造の違い、共有コンポーネント ロジックと特定コンポーネント ロジック、可用性/完全ケース スライス、および不確実性の伝播を個別に記録し、どの特定のエラーが削減されたかを示すことにあります。統合後でも、各モダリティの生データとメタデータは個別に監査可能である必要があります。バンドルに PET、MRSI、サポート状態ルートなどの生きた人間のプロキシ クラスも混在している場合、このページでは、マルチモーダル という単語に暗黙的にその負担を負わせるのではなく、バンドルを 人間プロキシ構成カード にルーティングします。
EEG、MEG、fMRI、ECoG、および MRI がそもそも結合される理由の基本的な説明が必要な場合は、まず 用語集 を読んでから、このセクションに戻ってください。
一般的な EEG タスク ファミリ
このエントリ レベルの最小メトリック バンドル
オーバーリードはここで停止しました
キューロック分類/状態デコード
バランスの取れた精度またはマクロ F1、混同行列、被験者ごとの集計、および確率が出力される場合の校正/棄権。
堅牢なニューラル デコーディングを主張するには、1 つの精度数値で十分です。
発作検出/予測
イベントの感度またはリコール、時間または日ごとの誤警報、イベントの重複/開始ルール、遅延、およびしきい値または調整ポリシー。
AUROC または精度だけが、臨床的に使用可能なアラーム動作を意味します。
睡眠ステージング
コーエンのカッパ、マクロ F1、ステージごとのリコール / 特に N1 の F1、混同行列、展開または臨床的主張が行われた場合のサブグループ スライス。
プールされた精度は、睡眠段階と患者グループ全体で病期分類の信頼性が同等であることを意味します。
EEG とは大まかに言うと
脳波が強いところと弱いところ
脳波の得意分野
脳波の弱点
状態遷移、フェーズ、短い応答などの時間的変化の追跡
閉ループ 制御への自然な接続
特に深いソースの場合、 アクティビティが発生した正確な場所を記述します
「思考の内容」を直接読む、古典的なオーバークレーム
比較的安価で拡張が容易
繰り返し測定や縦方向の追跡に最適
まばたき、筋肉活動、ラインノイズ、動きなどのノイズやアーチファクトに対して非常に脆弱
参照の選択と前処理により、結果が大きく変わる可能性があります
質問
EEG だけで比較的適切にサポートできること
追加のモダリティまたは条件が必要なもの
脳の状態は現在どのように変化しているか
覚醒、睡眠、麻酔、または課題への反応の時間的変化は比較的アクセスしやすいです。
どの深部構造または細胞集団がそのパターンを引き起こしたかについての強力な主張には、追加の構造情報または多峰性情報が必要です。
脳のどこで活動が起こったか
幅広い頭皮パターンと大まかな分布が観察できます。
解剖学的または深い情報源に関する強力な主張には、MRI、MEG、侵襲的記録、または同様の証拠による裏付けが必要です。
思考の内容そのもの
タスク制約のある分類と状態推定がターゲットになる可能性があります。
制約のない思考の読み取りに関する主張は、モデルの完成と容易に混合するため、反事実テストが必要です。
その情報が WBE にとって十分かどうか
EEG は、状態追跡のための巨視的な制約と足場を提供できます。
シナプスまたは局所回路スケールでの詳細な再構成はEEGのみからは不可能であり、マルチモーダル統合が前提となります。
EEG の情報理論上の限界と、それが WBE に与える影響
空間解像度のギャップ
帯域幅の制約
基本的な物理的および数学的制約
検証クラス
実際にチェックする内容
このサイトの安全な読み方
まだ言えないこと
シミュレーション / ファントム
既知の生成条件下でのソルバーの動作、ジオメトリ感度、およびパイプライン回帰。
ジオメトリ、カバレッジ、導電率、またはノイズが変化したときにエラーが正常に増大するかどうかを確認するのに役立ちます。
これは生きた脳のグラウンドトゥルースではなく、それ自体では自然発生的または臨床的ソースの回復を検証しません。
頭蓋内刺激のグラウンドトゥルース
固定ジオメトリ下での既知の刺激部位および時間に対する位置特定エラー。ミクランらを参照。 （2020）およびUnnwongse et al。 (2023).
導電率の仮定、電極数、ソースの深さによって誤差がどのように変化するかを調べるのに役立ちます。
それ自体では、自発的な病理学的動態や普遍的な深部ソースの回復を検証するものではありません。
同時侵襲的記録
特定のコホートおよびイベント体制における同時実行の SEEG/ECoG との一致。ハオら。 (2025) は一例です。
頭皮から発生源への推論が同じイベントの下で侵入活動を追跡する場合の監査に役立ちます。
逆問題を固有にするものではなく、コホート、モンタージュ、または病理学を超えて自動的に一般化するものでもありません。
術後の転帰/臨床的一致
ESI が臨床的に関連する組織または切除ゾーンを指すかどうか。ビロットら。 (2014) はその一例です。
術前ワークフローにおける意思決定支援の証拠として役立ちます。
これは、真の発生源の位置や完全な内部状態の直接的なグラウンドトゥルース測定ではありません。
2026-03 文献監査: EEG の主張は 4 つのゲートで削減
ゲート
ここで質問があります
最低限の証拠が必要
この門がまだ主張できないもの
可観測性
ターゲットの状態またはタスクの状態に関する情報は実際に頭皮脳波に存在しますか?
同期されたイベント ログ、適切なホールドアウト、同時記録または外部参照、およびアーティファクト監査によるデコード/追跡。
ソースの一意性、一般的な深部構造の回復、因果関係のあるネットワーク構造、または長期的な運用可能性を主張することはまだできません。
特異性
スコアはターゲットの神経変数を読み取りますか、それとも目の動き、筋電図、指示なしの動き、フィードバック、被験者の指紋などのショートカットを読み取りますか?
EOG / EMG / 行動ログ、迷惑のみのベースライン、固定視線やフィードバックオフなどの対策、スライスごとのホールドアウト。
「スコアが高いのでニューラル読み出しである」または「クラスが出現したので内部状態が理解できた」と書くことはまだできません。
識別性
内部ソースまたはネットワークをどの程度狭く、一意に観測から制限できますか?
個々の MRI、測定された電極座標、フォワード モデル、導電率の仮定、不確実性の表示、およびファントム、頭蓋内刺激、または同時侵襲記録による外部検証。
「目に見えるソースが真にユニークなソリューションである」または「ネットワーク図は回路図である」と書くことはまだできません。
展開可能性
数日間、再接続、長期のドリフト、閉ループの使用を経ても、パフォーマンスはどの程度持続しますか?
クロスセッション/クロス被験者評価、固定デコーダ間隔、再キャリブレーション負担、開示されたレイテンシー、ジッター、棄権動作に加え、位相ロック制御が要求されている場合の位相ターゲットログ。
高い同日スコアを現実世界の安定性または WBE 関連の持続的な制約と言い換えることはまだできません。
同じデコード スコアでも非常に異なる主張をサポートできる
評価ファミリー
主にテストする内容
まだ言えないこと
セッション内
同じ日にタスクとクラスをどのように分離してセットアップするか。
日をまたぐ安定性、再付着に対する耐性、長期ドリフトの堅牢性は確立されていません。
クロスセッション
状態の変化や設定の変更にもかかわらず、同じ人に対して機能が日を超えてどの程度存続するか。
被験者に依存しない一般化や再調整要件の欠如を確立するものではありません。
複数の主題
ある構造が人々の間で一般化され、コールドスタート ルートをサポートできるかどうか。
これは、1 人の個人に適用されたデコーダーや個人の長期コントローラーと同じ強度の主張を確立するものではありません。
縦/閉ループ
固定デコーダが存続する日数、および再キャリブレーション負荷、レイテンシ、沈黙/棄権動作、および関連する場合の位相ターゲット ログ。
オフラインの精度だけでは、展開可能なループと呼ぶには十分ではありません。
Mind-Uploadが想定する分析フロー
測定とQC
前処理
機能とメトリクスのバンドル
ソース見積もり (必要な場合)
モデリングと検証
最低限の QC: それがないと比較は失敗します
最低 QC
2026-03 文献監査: 前処理は表面的なものではなく、承認ゲートです
ゲート
2026-03 時点での読み方
このページで申し立ては停止されました
メタデータ / レポート ゲート
比較を意味のあるものにする前に、リファレンス、グランド、フィルター、不良チャネル、電極座標、およびイベント タイミングを記録する必要があります。
「きれいな脳波が利用できるため、結果は再現可能です。」とだけ書いてください。
基準ゲート
参照の選択は実装の小さな詳細ではありません。それはセンサー空間パターンと接続性測定の意味を変えます。
参照スキームを隠しながら、地形やネットワークの測定から強力な結論を引き出します。
フィルター ゲート
カットオフだけでなく、順序、タイプ、因果関係と非因果関係の設計によっても、オンセットと波形形状を変更できます。
フィルター設計を省略しながら、ERP 遅延または高周波数の増加について強く主張します。
アーティファクト ゲート
ICA、ICLabel、Autoreject、PREP が有力な候補ですが、精度を最大化することは、神経特異性を最大化することと同じではありません。
デコード スコアが最も高いパイプラインを自動的に最良のパイプラインとして扱います。
リテンション/高周波ゲート
EMG は高ベータおよびガンマと重複しますが、積極的な洗浄は神経信号も除去する可能性があります。保持率とロークリーンの差分は数値で報告する必要があります。
EMG 検査を行わずにガンマ出力を神経利得として読み取る。
EEG が現実的な方法で WBE に貢献できる場所
現実的な貢献
よくある誤解はここまで
「脳波は思考を直接読み取ることができます」
「前処理は細かい部分なので、待つことができます」
「精度が高いので他の日や他の人でも使えるはずです」
ESI について厳密に述べなければならないこと
開示すべき 5 段階の証拠
SamplingFrequency、SoftwareFilters、不良セグメント、前処理条件、電極座標、および座標系を公開します。 BIDS は必要ですが、それ自体がグラウンド トゥルースではありません。必要なものと有望なものを分離する
現在測定された証拠によって示される上限
マルチモーダル統合は近道ではありません。それは別の監査の問題です
統合タイプ別の役割と制約