EEGに基づく視覚認知復元のための構造ガイド付き拡散モデル

要旨: 目的: 脳波（EEG）から視覚情報を復号することは、神経科学およびブレイン・コンピュータ・インタフェース（BCI）研究における重要な課題である。既存手法は主として自然画像およびカテゴリ表現に限定されており、構造的特徴を捉える能力や、客観的知覚と主観的認知を区別する能力が十分ではない。そこで本研究では、EEG に基づく視覚再構成のための明示的な構造情報を取り入れた Structure-Guided Diffusion Model（SGDM）を提案する。 アプローチ: SGDM は、二段階の生成メカニズムを用いて、キログラムの抽象視覚オブジェクトデータセットおよび THINGS の自然画像データセットで評価される。この枠組みは、構造的に教師ありの変分オートエンコーダ（VAE）と、コントラスト学習によって視覚埋め込み空間に整合させた時空間 EEG エンコーダを組み合わせる。構造情報は ControlNet を通じて拡散モデルに統合され、EEG 特徴からの画像生成を導く。 結果: SGDM は、抽象画像データセットおよび自然画像データセットの両方において既存手法を上回る。再構成画像は、低レベルの視覚特徴および意味表現においてより高い忠実度を達成し、復号精度の向上と、さまざまな視覚領域にわたる強い汎化性を示す。EEG 信号の時空間解析はさらに、視覚認知の神経ダイナミクスと整合する階層的な構造エンコーディングのパターンを明らかにする。 意義: これらの結果は、SGDM が明示的な構造幾何を捉え、個々の認知表現に対して高い忠実度で画像を生成することの有効性を裏付ける。EEG 信号から複雑な視覚コンテンツを復号可能にすることで、本枠組みは神経復号を低次元またはカテゴリ出力を超えて拡張する。これにより、意図の復号のための自由度が増した BCI と、より柔軟なブレイン・トゥ・マシン通信が可能になる。