Index

技術提案（統合本文）

Issue対応・実装方針・根拠リンクを1ページで追跡

Mind Uploading Research Project

Open Access Last Updated: 2026-02-10 Integrated Compendium

Purpose

このページは、Technical Proposal 群（Issue #46/#47/#48/#56/#58/#61/#62）を「一覧」ではなく本文として統合したページです。 各提案の主張、対応状況、実装影響、根拠節へのリンクを1か所にまとめ、検証と更新を容易にします。

読み方（根拠ベース）

Rule

  • 要約だけで判断しない： 各項目の「根拠」リンクから原文節に戻って確認してください。
  • 主張レベルを分離： 「提案」「実装済み」「外部依存」を混同せずに読む運用にしています。
  • 更新点を追う： `last_updated` が新しい順に、変更理由を `issue.html` でも確認できます。

Issue対応マトリクス（統合版）

Issue 状態 主眼 根拠（原文節）
#46 提案公開 計測QA・同期・モーション除去・BIDS/Motion-BIDS #qa / #sync / #bids
#47 提案受理 BIDS標準化、ASR/ZapLine、wPLI/STE、LSL同期 #bids / #preprocessing / #connectivity / #multimodal
#48 審査中提案 OPM-MEG、転移学習、Team Flow因果、IIT実装拡張 #measurement / #teamflow / #iit-implementation
#56 提案公開 反実仮想の識別不能性に対する介入設計（PCI + do演算） #problem-statement / #proposal
#58 提案公開 NESS散逸・反実仮想識別可能性・IIT近似計算 #thermo / #counterfactual / #iit
#61 実装方針反映（提案文書） Unfolding論点、熱力学コスト2層化、SCM厳密化、多モデル推論 #causal-structure / #thermodynamics / #scm-identifiability / #multi-model-inference
#62 #58応答として実装計画化 NESS・同値類警告・IIT近似（ヒューリスティクス） #thermodynamics / #identifiability / #complexity

統合本文（技術ストリーム別）

A

計測品質・同期・標準化ストリーム

計測品質の定量化・同期誤差（遅延/ジッタ/ドリフト）補正・BIDS準拠を再現可能性の最低条件として固定し、Issue #46/#47 共通の計測品質・同期・標準化ストリームとして扱います。

QALSLBIDSMotion-BIDS

根拠: #46: 計測QA / #46: 同期補正 / #47: BIDS標準化

B

信号前処理・接続性解析ストリーム

ASR/ZapLine 系の適応的デノイジングと、体積伝導に頑健な接続性指標（wPLI/STE）を組み合わせ、比較可能な解析パイプラインを構成します。

ASRZapLine-pluswPLISTE

根拠: #47: 前処理 / #47: 接続性

適応的前処理の拡張要件（Issue #64–#70）： ASR のパラメータ選択においては、静的閾値ではなく Riemannian geometry に基づく外れ値検出（Riemannian Potato; Barachant et al., 2013）を採用し、共分散行列のリーマン距離を用いたデータ駆動型の適応閾値を標準とします。 周波数追従型デノイジングには ZapLine-plus（Klug & Kloosterman, 2022）を標準パイプラインに組み込み、線スペクトルノイズの自動検出・除去を行います。 また、ICA/ASR 等で除去されたコンポーネントのトポグラフィは、再現性・監査可能性の観点から BIDS 監査ログ（derivatives 内 audit/ ディレクトリ）に必ず記録する運用とします。

C

WBE同一性検証（因果介入）ストリーム

Issue #56/#58/#61/#62 の統合論点です。観測一致だけでなく、介入に対する分岐構造一致を検証し、識別可能性の限界を明示します。

Counterfactualdo-calculusSCMIdentifiability

根拠: #56: 介入提案 / #58: 識別可能性 / #61: 厳密化 / #62: 同値類警告

定量的因果メトリクスの導入（Issue #64–#70）： WBE 同一性検証の形式要件として、Effective Information（EI）および Causal Density を定量的検証指標に採用します。EI はシステムの因果的影響力を情報量として測定し、Causal Density は接続パターン全体の因果的豊かさを評価します。 DCM モデル空間の効率的探索には Bayesian Model Reduction（BMR; Frässle et al., 2021）を適用し、フルモデルの事後分布から縮約モデル群のエビデンスを解析的に近似することで、計算コストを大幅に低減します。 さらに、接続性推定値が安定した個人特性であることを確認するため Causal Fingerprinting（テスト−リテスト間の因果的接続プロファイルの個人識別精度）を検証基準に組み込みます。

D

熱力学・計算量制約ストリーム

「論理コストだけで十分」という誤解を避け、非平衡散逸（NESS）と IIT 近似計算の制約を実装要件として分離します。

NESSEPRMetabolic FluxIIT Approximation

根拠: #58: 散逸制約 / #61: 2層コスト / #62: 計算量対応

原本（全文）インデックス

提案 Issue 更新日 リンク
計測品質・同期・BIDS統合強化#462026-02-01Open
標準化と計算論的拡張#472026-01-25Open
神経工学的・計算論的枠組み拡張#482026-01-25Open
識別可能性と因果介入#562026-01-30Open
熱力学・因果整合性#582026-02-01Open
因果モデリング論理ギャップ対応#612026-02-01Open
#58批判への補強提案#62（#58応答）2026-02-01Open

Issue対応の確認

Issueごとの対応状況は `issue.html` に集約しています。

Issue対応ページを見る →

エビデンスギャップ（未解決課題）

各提案ストリームについて、文献的裏付けが不足している領域を明示します。

Stream A: 計測品質

  • ASR のパラメータ選択根拠：ASR（Artifact Subspace Reconstruction）の閾値設定は経験的であり、WBE用途での最適パラメータの理論的根拠は未確立。
  • OPM-MEGとの統合：OPM-MEG（Optically Pumped Magnetometer）は動き耐性を改善するが、EEGとのマルチモーダル統合プロトコルは標準化されていない（Boto et al., 2018）。

Stream C: WBE同一性検証

  • do-calculusの実装可能性：Pearl のdo-calculusは理論的に強力だが、神経データに対する観測変数の選択と介入変数の特定が実験設計上の最大のボトルネック。
  • SCMのサイクル問題：脳の再帰的接続ではDAG仮定が成り立たず、cyclic SCM（動的因果モデルとの接続）の理論的整備が必要。

Stream D: 熱力学

  • NESS測定の実現性：非平衡定常状態のエントロピー生成速度を神経系で直接測定する手法は確立されていない。代理指標（代謝率、ATP消費量等）との対応関係の検証が必要。

参考文献（横断）

  1. Chang, C.-Y., et al. (2018). ASR evaluation. doi:10.1109/EMBC.2018.8512547
  2. de Cheveigne, A. (2020). ZapLine. doi:10.1016/j.neuroimage.2019.116356
  3. Vinck, M., et al. (2011). wPLI. doi:10.1016/j.neuroimage.2011.01.055
  4. Staniek, M., & Lehnertz, K. (2008). Symbolic Transfer Entropy. doi:10.1103/PhysRevLett.100.158101
  5. Correa, J. D., Lee, S., & Bareinboim, E. (2021). Nested Counterfactual Identification. arXiv:2107.03190
  6. Seifert, U. (2012). Stochastic thermodynamics. doi:10.1088/0034-4885/75/12/126001
  7. Kitazono, J., Kanai, R., & Oizumi, M. (2018). Efficient MIP search in IIT. doi:10.3390/e20030173
  8. Kothe, C., et al. (2025). Lab Streaming Layer. doi:10.1162/IMAG.a.136
  9. Boto, E., et al. (2018). Moving magnetoencephalography towards real-world applications with wearable OPM-MEG. doi:10.1038/nature26147
  10. Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2nd ed.). Cambridge University Press.
  11. Friston, K. J., Harrison, L., & Penny, W. (2003). Dynamic causal modelling. doi:10.1016/S1053-8119(03)00202-7
  12. Barachant, A., et al. (2013). Classification of covariance matrices using a Riemannian-based kernel for BCI applications. doi:10.1016/j.neucom.2013.04.027
  13. Klug, M. & Kloosterman, N. A. (2022). ZapLine-plus: A flexible and accurate removal of line noise. doi:10.1016/j.neuroimage.2022.119265
  14. Frässle, S., et al. (2021). Regression DCMs for group studies. doi:10.1016/j.neuroimage.2020.117566