Multi-Level Gated U-NetによるTMRセンサーベースMCG信号のノイズ除去

背景と学術的系譜

起源と学術的系譜

心磁図（Magnetocardiography: MCG）は、心臓が生成する磁場を測定することで、その電気的活動を非侵襲的にマッピングする技術である。歴史的に、この分野の「ゴールドスタンダード」は超伝導量子干渉計（SQUID）であった。SQUIDは極めて高い感度を誇るが、液体ヘリウムによる冷却が必要であり、装置コストも約100万ドルに達するため、臨床現場での広範な利用は現実的ではない。光ポンピング磁力計（OPM）は比較的新しい代替技術であるが、複雑な光学系と厳格な磁気シールド要件を伴い、維持コストを押し上げる要因となっている。

トンネル磁気抵抗（TMR）センサーは、コスト効率に優れた室温動作可能な代替手段として登場した。しかし、TMRセンサーには「大きな課題」が存在する。それは、0.1–100 Hz帯域における高い $1/f$ 電気ノイズと、環境干渉に対する高い感受性である。デジタルフィルタや経験的モード分解（EMD）といった従来のノイズ除去手法では、非定常的なノイズを処理しつつ、心周期の微細で低振幅な特徴（P波やT波など）を保持することが困難であった。さらに、心電図（ECG）用に設計された既存の深層学習モデルは、MCGに対しては最適ではないことが多い。なぜなら、MCGのノイズプロファイル、特に $1/f$ ノイズは、ECGデータに見られる基線動揺や筋電図アーチファクトとは本質的に異なるからである。著者らは、心拍信号の周期性を活用して不規則なノイズを抑制することで、このギャップを埋めるためにMGU-Netを開発した。

直感的なドメイン用語

• トンネル磁気抵抗（TMR）センサー: 高感度な「磁気マイクロフォン」と捉えることができる。マイクロフォンが音波を拾うのと同様に、このセンサーは心臓の微小な磁気の「ささやき」を捉える。
• Gated Linear Unit (GLU): ビルにおけるスマートフィルタや「ゲートキーパー」を想像されたい。入力データを確認し、重要な部分（心拍リズム）と単なる背景雑音（ノイズ）を判別し、重要な信号のみを通過させる。
• QRS群: 心拍信号において最も顕著な「スパイク」である。心拍を山脈に例えるなら、QRS群は最も高く鋭い頂上であり、心臓の主要な電気的収縮を表す。
• $1/f$ ノイズ: 低周波で持続するハム音や「静電気」のようなものであり、観測時間が長くなるほど増大する。電子センサーにおける一般的な干渉の一種であり、生物学的信号の緩やかで周期的な性質を模倣するため、フィルタリングが特に困難である。

表記法一覧

数学的解釈

著者らは、冗長なパラメータを導入すると指摘される標準的な自己注意（Self-Attention: SA）メカニズムを、Gated Linear Unit (GLU) に置き換えることでノイズ除去の問題に対処している。

標準的な自己注意において、モデルは以下を計算する：
$$X_{\text{out}} = \text{softmax} \left( \frac{QK^\top}{\sqrt{d_k}} \right) V$$
これにはクエリ（$Q$）とキー（$K$）に対する個別の射影が必要であり、著者らはこれが周期的なMCG信号に対して最適ではない収束を招くと示唆している。代わりに、彼らはGLUベースのアプローチを提案する：
$$X_{\text{out}} = \sigma (f_1(X_{\text{in}}; \theta_W)) \odot f_2(X_{\text{in}}; \theta_V)$$

ここで、モデルは入力を処理するために2つの並列パイプライン（$f_1$ および $f_2$）を使用する。$\sigma$ によって制御されるゲーティングメカニズムは、適応型フィルタとして機能する。競合ゲーティング（Competitive Gating: CG）モジュール（$\sigma$ がソフトマックス関数の場合）を用いることで、モデルはシーケンス全体にわたってQRS群のようなグローバルな周期特徴をより重視するように学習する。また、ノイズゲーティング（Noise Gating: NG）モジュール（$\sigma$ がシグモイド関数の場合）を用いることで、モデルはランダムノイズの予備的な抑制を行う。この二重ゲーティングアプローチにより、ネットワークは周期的な心拍パターンを増幅しつつ、TMRセンサーデータを汚染する不規則で非周期的なノイズ成分を減衰させることで、信号を効果的に「洗浄」できる。モデルは平均二乗誤差（MSE）損失を用いて学習され、ノイズの多い入力と正解（Ground Truth）信号との差を最小化することで、ノイズの多い生データから「真の」心拍波形を再構築するようにネットワークを訓練する。その結果、センサーノイズによって以前は隠されていたP波やT波のような微細な特徴を回復する堅牢なシステムが実現された。

問題定義と制約

中核となる問題設定とジレンマ

出発点と目標:
入力は、TMRセンサーによって取得されたノイズの多い長シーケンスの心磁図（MCG）信号である。これらの信号は、$1/f$ 電気ノイズ（$0.1-100$ Hz）や熱雑音によって激しく汚染されている。望まれる出力は、QRS群の完全性を維持しつつ、臨床的に重要なP波およびT波といった微細な特徴がノイズフロアから明確に回復された、クリーンな信号である。

ジレンマ:
根本的なトレードオフは、ノイズ抑制と特徴保持の間の対立にある。従来の信号処理手法（デジタルフィルタや経験的モード分解など）は、非定常ノイズの処理に苦慮することが多い。ノイズを効果的に除去できないか、あるいは平滑化の過程で、心臓疾患の診断に不可欠な低振幅のP波やT波を意図せず「消し去って」しまう。さらに、深層学習モデルはECGノイズ除去には成功しているが、それらは異なるノイズプロファイル（基線動揺や電極の動きなど）に最適化されている。これらをTMRベースのMCG信号に適用しても、ノイズ特性やセンサー固有のアーチファクトが根本的に異なるため、最適とは言えない性能しか得られない。

厳しい制約:
1. 非定常ノイズ: ノイズは一定ではなく、不規則な振幅と周波数の変動を示すため、単純な閾値処理や静的なフィルタリングは無効である。
2. 特徴のデータスパース性: 生のTMRベースMCGでは、P波やT波はノイズによって完全に隠蔽され、Rピークのみが見えることが多い。モデルは単に入力をフィルタリングするだけでなく、学習した周期パターンに基づいてこれらの特徴を「幻視」または再構築しなければならない。
3. 計算複雑性: 長シーケンス信号（複数の心周期を含む）の処理は、膨大な計算負荷を生む。著者らは、高解像度な特徴抽出の必要性と、リアルタイム推論（RTX 4090でサンプルあたり $5.06$ ms）という実用的な要件とのバランスを取る必要があった。
4. アーキテクチャの不一致: 標準的な自己注意メカニズムは、長距離依存関係には強力であるが、心拍信号の特定の周期性を扱う際に収束を悪化させる可能性のある冗長なパラメータ（個別のクエリおよびキー射影など）を導入してしまう。

ソリューションの数学的解釈

著者らは、標準的な自己注意メカニズムを Gated Linear Unit (GLU) に置き換えることで、ノイズの多い入力とクリーンな信号の間のギャップを埋めている。

標準的な自己注意メカニズムにおいて、出力は以下のように計算される：
$$X_{\text{out}} = \text{softmax} \left( \frac{QK^\top}{\sqrt{d_k}} \right) V$$
ここで $Q, K, V$ は入力 $X_{\text{in}}$ の射影である。著者らは、これが周期的なMCG信号に対しては非効率であると主張する。代わりに、彼らは2つの線形射影の要素ごとの積によってゲーティングを行うGLUを利用する：
$$X_{\text{out}} = \sigma (f_1(X_{\text{in}}; \theta_W)) \odot f_2(X_{\text{in}}; \theta_V)$$

ここで、$\sigma$ はゲーティング関数として機能する。競合ゲーティング（CG）モジュール（$\sigma$ がソフトマックス関数の場合）を用いることで、モデルはグローバルな周期特徴に重み付けを行い、ネットワークが繰り返されるQRS群を優先できるようにする。ノイズゲーティング（NG）モジュール（$\sigma$ がシグモイド関数の場合）を用いることで、モデルはランダムノイズの予備的な抑制を行う。

この階層的なU-Netアーキテクチャにより、モデルはマルチスケール表現を学習し、信号を効果的に圧縮して高レベルの特徴を抽出し、その後再構築して微細な心拍波形を復元することが可能となる。これらのゲーティングメカニズムの組み合わせにより、モデルは周期的な心拍シグネチャを体系的に増幅しつつ不規則なノイズを減衰させることができ、標準的な畳み込みや注意ベースのアプローチの限界を回避する巧妙な手法となっている。

なぜこのアプローチか

本論文の著者らは、既存の深層学習ソリューションとTMRセンサーの特定のノイズ特性との間の根本的な不一致に直面した。Transformerや拡散モデル（DeScoDなど）のような標準的な手法は、基線動揺や筋電図アーチファクトを扱うECGのノイズ除去には優れているが、TMRベースの心磁図（MCG）に固有の $1/f$ 電気ノイズや不均一なスペクトル減衰には苦戦する。

アプローチの論理

著者らは、従来の「SOTA」手法が、信号のノイズ除去を汎用的なシーケンス・ツー・シーケンスのタスクとして扱い、心拍QRS群の強力で固有の周期性を活用できていないために不十分であると特定した。彼らが気づいた「決定的な瞬間」は、標準的な自己注意（SA）メカニズムが（個別のクエリおよびキー射影を通じて）冗長なパラメータを導入しており、MCG信号の特定の反復構造に適用した際に収束が最適化されないことを観察した時であった。

比較優位性と構造的利点

MGU-Netは、いくつかの理由から従来のゴールドスタンダードよりも質的に優れている：

• ゲーティング vs. 注意: 標準的なSAメカニズムをGLUに置き換えることで、著者らは計算コストが高くパラメータの多い注意モデルから、より効率的なゲーティングメカニズムへと移行した。$X_{\text{out}} = \sigma (f_1(X_{\text{in}}; \theta_W)) \odot f_2(X_{\text{in}}; \theta_V)$ と定義されるGLUは、要素ごとの積を使用して適応型フィルタとして機能する。これにより、モデルは不規則なノイズを「ゲートアウト」しつつ、周期的な心拍シグネチャを増幅できる。
• 階層的特徴抽出: U-Netアーキテクチャは、マルチスケールな特徴学習を可能にすることで構造的な利点を提供する。標準的なTransformerのフルシーケンス自己注意に伴う $O(N^2)$ のメモリ複雑性のボトルネックなしに、局所的な波形の詳細（微細なP波やT波など）とグローバルな文脈パターン（QRS群のリズム）の両方を捉える。
• 相乗的な設計: 問題と解決策の「結婚」は、2つの特定のゲーティング変異体の統合にある：
  • ノイズゲーティング（NG）: シグモイド活性化を使用して、ランダムな高周波ノイズの予備的な抑制を行う。
  • 競合ゲーティング（CG）: ソフトマックス活性化を使用して信号をグローバルに重み付けし、周期的な心拍特徴がシーケンス全体で優先されることを保証する。

代替案が失敗した理由

著者らは、SAにおける冗長な $Q/K$ 射影が、これほど強力な自己相関を持つ信号には不要であるため、標準的なTransformerベースのアプローチを明示的に否定している。高ノイズ条件下でP波やT波の繊細な形態を維持するのに苦労する可能性のあるGANや基本的なCNNとは異なり、MGU-NetのゲーティングメカニズムはMCG信号の周期性に特化して調整されている。これにより、DeScoDやAPR-CNNを凌駕することが可能となり、著者らはそれらが複数の心周期においてQRS群を復元できていないことを実証している。

要約すると、MGU-Netは単なる「より大きな」モデルではなく、その数学的演算（特に線形射影のゲーティング）をTMRセンサーノイズの物理的現実に適合させた専門的なアーキテクチャである。このアプローチは、計算負荷を効果的に低減しつつ、実際のデータセットにおいて信号対雑音比（SNR）を約3.9 dBから14.5 dBへと大幅に向上させており、専門的な生物医学工学タスクにおいては、汎用的で高容量なモデルよりも、調整された帰納バイアスの方がしばしば効果的であることを証明している。

数学的・論理的メカニズム

MGU-Net（Multi-Level Gated U-Net）は、TMRセンサーを介して取得された心磁図（MCG）信号のノイズ除去という重要な課題に対処する。SQUIDベースのシステムとは異なり、TMRセンサーはコスト効率が良いが、高周波ノイズや $1/f$ ノイズに悩まされており、P波やT波といった微細な心拍特徴が隠蔽されてしまう。

マスター方程式

標準的な自己注意メカニズムを置き換え、周期的な心拍パターンをより良く捉えるためのGated Linear Unit (GLU) モジュールの核心的な論理は、以下のように定義される：

$$X_{\text{out}} = \sigma (f_1(X_{\text{in}}; \theta_W)) \odot f_2(X_{\text{in}}; \theta_V)$$

方程式の分解:

1. $X_{\text{in}}$: 次元 $T \times D$（タイムステップ $\times$ 特徴次元）の入力MCG特徴量シーケンス。これは生のノイズの多い信号セグメントを表す。
2. $f_1(\cdot; \theta_W)$ および $f_2(\cdot; \theta_V)$: これらは学習可能な線形写像（畳み込み層を介して実装）である。これらは入力を2つの異なる特徴空間に変換する。
3. $\sigma(\cdot)$: 活性化関数。「ノイズゲーティング（NG）」モジュールでは、ランダムノイズを抑制するためにシグモイド関数が使用される。「競合ゲーティング（CG）」モジュールでは、グローバルなゲーティング重みを計算するためにソフトマックス関数が使用される。
4. $\odot$: 要素ごとの（アダマール）積。これが「ゲート」である。これは、$f_1$ の出力が $f_2$ によって生成される特徴の「重要度」や「ゲイン」を決定する動的なフィルタとして機能する。

ステップ・バイ・ステップの流れ

1. 入力: ノイズの多い10秒間のMCG信号がネットワークに入力される。
2. ノイズゲーティング（NG）: 信号はまずNGモジュールを通過する。これはチャネル次元を拡張し、シグモイドゲートパイプラインを使用してランダムで非周期的なノイズの予備的な抑制を行う。
3. 階層的エンコーディング: 信号は4つのダウンサンプリングステージを通過する。各ステージはResBlockを使用して局所的な特徴を抽出し、CGモジュールを使用してグローバルな周期依存関係を学習する。
4. ボトルネック: 最深部で、モデルは高レベルの表現を集約し、心周期のグローバルなリズムを捉える。
5. デコーディング: 3つのアップサンプリングステージが信号の解像度を復元する。エンコーダーからの特徴は、微細な時間的詳細（P波など）を保持するためにスキップ接続を介して連結される。
6. 出力: 最終的な $1 \times 1$ 畳み込みがチャネルを圧縮し、単一のクリーンなノイズ除去済みMCG信号を生成する。

最適化のダイナミクス

モデルは、ノイズ除去後の出力と正解信号との間の平均二乗誤差（MSE）を最小化することで学習する。最適化はAdamオプティマイザによって駆動される。「学習」は、ネットワークがGLUモジュール内のパラメータ $\theta_W$ および $\theta_V$ を調整する際に発生する。MCG信号は高度に周期的であるため、勾配は誤差信号をゲーティングブランチを通じて効果的に逆伝播させ、モデルに内部の「ゲート」を心周期のタイミングと一致させるよう強制する。これにより、モデルは確率的で非周期的なノイズ（抑制される）と、構造化された周期的な心拍信号（保持される）を区別できるようになる。

結果、限界、および結論

TMRセンサーベースMCG信号のノイズ除去のためのMulti-Level Gated U-Netの分析

著者らは Multi-Level Gated U-Net (MGU-Net) を提案する。このアーキテクチャは、主に2つの革新を活用している：
1. 階層的U-Netバックボーン: これにより、モデルはグローバルなリズムパターンと局所的な波形の詳細の両方を捉えるマルチスケール表現を学習できる。
2. Gated Linear Unit (GLU) モジュール: 標準的な自己注意の代わりに、以下のように定義されるGLUモジュールを使用する：
$$X_{\text{out}} = \sigma (f_1(X_{\text{in}}; \theta_W)) \odot f_2(X_{\text{in}}; \theta_V)$$
このゲーティングメカニズムは、不規則なノイズを抑制しつつ周期的な心拍シグネチャを増幅する適応型フィルタとして効果的に機能する。

実験的検証

著者らは、従来の信号処理手法（FIR/IIRフィルタ、EMD、VMD）や最先端の深層学習ベースライン（APR-CNN、TCDAE、DeScoD）を含む一連の「犠牲者」に対して、モデルを容赦なくテストした。彼らの成功の証拠は、大幅なSNRの向上に見られる。実世界のデータセットにおいて、彼らは $14.514$ dBのSNRを達成し、次点の競合相手（DeScoD）の $8.3049$ dBを大きく上回った。アブレーション研究は「決定的な」証拠を提供している。ノイズゲーティング（NG）モジュールと競合ゲーティング（CG）モジュールを分離することで、これら2つのコンポーネント間の相乗効果こそが性能を牽引していることを証明した。

考察と今後の展望

本論文は、ゲーティングのような専門的なアーキテクチャの帰納バイアスが、専門的なハードウェアドメインにおいて汎用的な深層学習モデルを凌駕できることを成功裏に実証している。これらの知見を発展させるために、以下の議論トピックを提案する：

• 病理学的信号への汎化: 現在の研究は健康なボランティアに依存している。QRS群の「周期的な」性質が根本的に変化する不整脈や心筋虚血の患者に対して、MGU-Netはどのように機能するか。
• ハードウェア・アルゴリズムの協調設計: ノイズプロファイルはTMRセンサーに固有のものであるため、物理的なセンサーノイズモデルを損失関数に直接組み込むことで、性能をさらに向上させることができるか。
• リアルタイム臨床統合: 推論速度は印象的（5.06 ms）であるが、臨床展開にはモデルの不確実性の厳格な検証が必要である。

他分野との同型性（Isomorphisms）

TMRセンサーベースMCG信号のノイズ除去のためのMulti-Level Gated U-Netの分析

背景知識

心磁図（MCG）は、心臓の電気的活動によって生成される磁場を記録する非侵襲的な技術である。SQUIDベースのシステムはゴールドスタンダードであるが、極低温冷却の必要性から（多くの場合約100万ドルの）法外なコストがかかる。トンネル磁気抵抗（TMR）センサーは、コスト効率の良い室温動作可能な代替手段を提供するが、P波やT波といった重要な心拍特徴を隠蔽する $1/f$ ノイズなどの大幅に高いノイズレベルに悩まされている。課題は、これらの微細で周期的な生物学的信号を、TMRハードウェアに固有の高振幅で非定常なノイズから分離することにある。

動機と制約

主な動機は、手頃な価格のTMRハードウェアを使用して臨床グレードのMCG診断を可能にすることである。著者らは2つの大きな制約に直面した：
1. 信号の複雑性: MCG信号は複数の心周期を含む長いシーケンスであり、直接的な処理は計算コストが高い。
2. ノイズ特性: ECGノイズ（多くの場合、基線動揺や筋電図アーチファクト）とは異なり、TMRベースのMCGノイズは不均一なスペクトル減衰を伴う $1/f$ 電気ノイズによって支配されており、標準的なフィルタリング技術は無効である。

数学的解釈

著者らは、U-Netアーキテクチャを使用して、ノイズの多い入力信号 $X_{\text{in}} \in \mathbb{R}^{T \times D}$ をクリーンな出力信号 $X_{\text{out}}$ にマッピングすることで、ノイズ除去の問題を解決する。核心的な革新は、心拍信号の固有の周期性を活用するために、標準的な自己注意メカニズムをGated Linear Unit (GLU) に置き換えたことである。GLUは以下のように定義される：
$$X_{\text{out}} = \sigma (f_1(X_{\text{in}}; \theta_W)) \odot f_2(X_{\text{in}}; \theta_V)$$
ここで、$f_1$ と $f_2$ は学習可能な線形射影、$\sigma$ は活性化関数（ノイズゲーティングにはシグモイド、競合ゲーティングにはソフトマックス）、$\odot$ は要素ごとの積を示す。このゲーティングメカニズムを使用することで、ネットワークは信号を動的に重み付けし、非周期的なノイズを抑制しながら周期的な心拍シグネチャを増幅するように学習する。このアプローチは、自己注意のパラメータ冗長性を回避しつつ、長距離依存関係を効果的に捉える。

構造的骨格

信号の根底にある時間的周期性を活用することで、要素ごとの変調を使用して信号から非周期的なノイズをフィルタリングする階層的なゲーティングメカニズム。