[論文レビュー] A GA-based feature selection of the EEG signals by classification evaluation: Application in BCI systems

Samira Vafay Eslahi, Nader Jafarnia Dabanloo+1 more|arXiv (Cornell University)|Jan 16, 2019

EEG and Brain-Computer Interfaces参考文献 18被引用数 15

ひとこと要約

本研究では、脳-コンピュータインターフェース（BCI）システムにおけるEEG信号分類を最適化するため、遺伝的アルゴリズム（GA）に基づく特徴選択フレームワークを提案する。本研究では、フラクタル特徴抽出法（Katz、Higuchi、Petrosian、Sevcik、BCD）と分類器（LDA、SVM、FKNN、ANFIS）の組み合わせをウェーブレット帯域と元の信号で評価する。主な結果として、Katzのフラクタル特徴とLDA分類が、精度と計算時間のバランスを取る適合度関数を最小化する最高のパフォーマンスを達成した。

ABSTRACT

In electroencephalogram (EEG) signal processing, finding the appropriate information from a dataset has been a big challenge for successful signal classification. The feature selection methods make it possible to solve this problem; however, the method selection is still under investigation to find out which feature can perform the best to extract the most proper features of the signal to improve the classification performance. In this study, we use the genetic algorithm (GA), a heuristic searching algorithm, to find the optimum combination of the feature extraction methods and the classifiers, in the brain-computer interface (BCI) applications. A BCI system can be practical if and only if it performs with high accuracy and high speed alongside each other. In the proposed method, GA performs as a searching engine to find the best combination of the features and classifications. The features used here are Katz, Higuchi, Petrosian, Sevcik, and box-counting dimension (BCD) feature extraction methods. These features are applied to the wavelet subbands and are classified with four classifiers such as adaptive neuro-fuzzy inference system (ANFIS), fuzzy k-nearest neighbors (FKNN), support vector machine (SVM) and linear discriminant analysis (LDA). Due to the huge number of features, the GA optimization is used to find the features with the optimum fitness value (FV). Results reveal that Katz fractal feature estimation method with LDA classification has the best FV. Consequently, due to the low computation time of the first Daubechies wavelet transformation in comparison to the original signal, the final selected methods contain the fractal features of the first coefficient of the detail subbands.

研究の動機と目的

• 高精度・低遅延のBCIシステムにおける最適なEEG特徴選択の課題を解決すること。
• 複数のフラクタル次元法とウェーブレット帯域から得られる大きな特徴空間の次元削減を行うこと。
• 分類精度と計算時間の適合度関数を最小化する、特徴抽出法と分類器の最良の組み合わせを特定すること。
• 10-fold交差検証を用いて、GA最適化手法のパフォーマンスをBCIコンペティションの実データ上で評価すること。

提案手法

• BCIコンペティション2003、データセットIIIのEEG信号を、バンドパスフィルタリング（0.5–30 Hz）で前処理し、1レベル目のダウーベシュウェーブレット変換を用いて近似帯域と詳細帯域に分解した。
• 元の信号およびウェーブレット帯域に対して、5つのフラクタル次元推定法（Katz、Higuchi、Petrosian、Sevcik、ボックスカウント次元（BCD））を適用し、幾何的特徴を抽出した。
• 右利き・左利きの運動想起タスクを分類するために、4つの分類器（線形判別分析（LDA）、サポートベクターマシン（SVM）、ファジーグレーデッドk-近傍法（FKNN）、適応的ニューロファジィ推論システム（ANFIS））を用いた。
• 適合度を分類精度に対する計算時間の比として定義し、グローバルサーチ最適化手法として遺伝的アルゴリズム（GA）を用いて、特徴抽出法と分類器の最適な組み合わせを探索した。
• GAは複数の世代にわたり集団を進化させ、適合度に基づいて親を選択し、交差と変異を用いて子孫を生成することで、最良の性能を示す構成に収束させた。
• 最終評価では10-fold交差検証を実施し、9つのfoldを訓練用、1つのfoldをテスト用として使用することで、信頼性の高いパフォーマンス推定を確保した。

実験結果

リサーチクエスチョン

• RQ1 BCIシステムにおける運動想起タスクの分類精度を最も高める、フラクタル特徴抽出法と分類器の組み合わせは何か？
• RQ2 ウェーブレット帯域分解は、EEG信号分類におけるフラクタル特徴のパフォーマンスにどのように影響を与えるか？
• RQ3 遺伝的アルゴリズムは、EEGベースのBCIシステムにおいて、分類精度と計算時間のトレードオフを効果的に最適化できるか？
• RQ4 元のEEG信号からのフラクタル特徴と比較して、ウェーブレット帯域からのフラクタル特徴は分類パフォーマンスで優れているか？
• RQ5 精度と速度の複合適合度関数を最小化する、特徴抽出と分類の最適な構成は何か？

主な発見

• Katzのフラクタル特徴推定法と線形判別分析（LDA）分類の組み合わせが、最小の適合度値を達成し、精度と計算時間のバランスが最も優れていた。
• 最適な特徴セットは、ダウーベシュウェーブレット変換の1レベル目の詳細帯域（D1）から抽出されたフラクタル特徴であった。元の信号を処理するよりも計算量が少なかった。
• 複数回の実行において、GAは一貫して同じ最適構成（Katz + LDA）を選択しており、この解決策の堅牢性と信頼性を示している。
• 1レベル目のダウーベシュウェーブレット変換の計算時間は、高レベルの分解よりも顕著に短く、リアルタイムBCIアプリケーションへの適用に適していることを裏付けた。
• 適合度関数（計算時間 ÷ 分類精度）がKatz + LDAの組み合わせで最小化され、速度と精度のトレードオフにおいて優位であることが確認された。
• 10-fold交差検証の結果、高い汎化性能が確認され、選択された手法は高い精度を維持しながら、リアルタイムBCIシステムに適した低遅延を実現した。