メモリ制約下におけるEEGの継続学習のための適応的データ圧縮・再構成

Abstract

脳波（EEG）信号はミリ秒単位の時間分解能を提供しますが、その解析は顕著なノイズや被験者間のばらつきによって制限されており、限られた注釈のもとで頑健なパーソナライゼーションを行うことが難しくなっています。教師なし個別連続学習（UICL）は、この実務上の課題に対処するために提案されており、ラベル付きコホートで事前学習したモデルが、厳しいメモリ制約の下で、ラベルなしの被験者ストリームへとオンライン適応する必要があります。しかし、既存のUICL手法では典型的に過去の全サンプルを保存してしまい、再学習を避けることで「連続学習」を目標とすることを損なっています。EEG信号は、形態（モルフォロジー）に関して活用可能な、よく構造化されたモルフォロジーを示すことに着目すると、本研究ではUICLのための適応的データ圧縮・再構成（ADaCoRe）を提案します。これは、唾液度（サリエンシー）に基づくキーフレーム保護、合理的なポリフェーズ圧縮、保護されたインデックスに対する逐語的上書きを伴う随伴再構成、ならびに適応的なエクゼンプリャ保持のためのプロトタイプ確信度選択からなる、メモリ効率の高いパイプラインです。3つの代表的なベンチマークにおいて、ADaCoReは、限られたバッファ条件のもとで、近年の強力なベースラインを一貫して上回ります（例：ISRUCおよびFACEDデータセットで、それぞれ性能向上が少なくとも+2.7および+15.3 ACCです）。アブレーション研究では、圧縮と忠実度のトレードオフを定量化し、各設計要素の寄与を明らかにします。また可視化により、圧縮および再構成中に重要なEEGのモルフォロジーが保持されることが確認されます。