[論文レビュー] A novel convolutional neural network model to remove muscle artifacts from EEG

Haoming Zhang, Wei Chen+3 more|arXiv (Cornell University)|Oct 22, 2020

EEG and Brain-Computer Interfaces参考文献 20被引用数 9

ひとこと要約

本論文は、特徴マップを段階的に増加させるとともに時間的ダウンサンプリングを施す、新規の1次元畳み込みニューラルネットワーク（CNN）を提案し、EEG信号からの筋電アーチファクトを効果的に除去することを目的としている。階層的特徴学習と平均プーリングによる過学習の低減により、EEGdenoiseNetデータセットにおいて4つのベンチマークネットワークを大きく上回り、特に高ノイズ条件下において、最小のRRMSEと最大の相関を達成した。

ABSTRACT

The recorded electroencephalography (EEG) signals are usually contaminated by many artifacts. In recent years, deep learning models have been used for denoising of electroencephalography (EEG) data and provided comparable performance with that of traditional techniques. However, the performance of the existing networks in electromyograph (EMG) artifact removal was limited and suffered from the over-fitting problem. Here we introduce a novel convolutional neural network (CNN) with gradually ascending feature dimensions and downsampling in time series for removing muscle artifacts in EEG data. Compared with other types of convolutional networks, this model largely eliminates the over-fitting and significantly outperforms four benchmark networks in EEGdenoiseNet. Our study suggested that the deep network architecture might help avoid overfitting and better remove EMG artifacts in EEG.

研究の動機と目的

• 従来の深層学習手法でも依然として困難である、EEG信号における筋アーチファクト除去という継続的な課題に取り組むこと。
• 特に筋電図（EMG）アーチファクトに対して顕著な過学習と一般化性能の低さを示す、過去のEEGノイズ除去用CNNアーキテクチャの問題を克服すること。
• 時間領域における段階的特徴マップの拡大とダウンサンプリングを組み合わせることで、特徴抽出能力と一般化性能を向上させる深層CNNアーキテクチャを設計すること。
• EEGdenoiseNetデータセットを用いて、提案モデルの性能を既存のベンチマークと比較し、筋原性アーチファクト除去に焦点を当てる。
• CNNのアーキテクチャ的革新が、特にEMG汚染が深刻な状況においてもEEGノイズ除去性能を顕著に向上させられることを示すこと。

提案手法

• 1×3カーネルを用いた1次元畳み込み層の7段階スタック構造を採用。活性化関数にはReLUを、プーリングには1次元平均プーリング（カーネルサイズ2）を用い、信号のダウンサンプリングとパrameter数の削減を実現。
• 特徴マップ数をブロックごとに指数関数的に増加（32 → 2048）させることで、階層的特徴学習と表現能力の向上を実現。
• 最終ブロックにはフラット化層と、1024ユニットを有する全結合層を配置し、入力EEG信号の次元と一致させることで信号再構成を可能にした。
• 訓練データは、-7 dB から 2 dB の間でランダムに選択されたSNRで、クリアEEGとEMGエポックを線形混合（y = x + λ·n）により合成。SNRはRMS比を用いて計算。
• 予測値と真値のクリアEEG信号間の平均二乗誤差（MSE）を最小化する損失関数を用いてネットワークを学習。
• 10分割交差検証を採用：学習用80%（4478ペア）、検証用10%（560ペア）、テスト用10%（560ペア）を設定。各セットのデータを5600エポック分に拡張。

実験結果

リサーチクエスチョン

• RQ1 特徴マップを段階的に増加させるとともに時間的ダウンサンプリングを施す深層CNNは、既存のCNNと比較してEEG信号からの筋アーチファクト除去性能を上回ることができるか？
• RQ2 特徴次元を段階的に増大させるとともに平均プーリングを適用するアーキテクチャ設計は、EEGノイズ除去において過学習を低減し、一般化性能を向上させるか？
• RQ3 提案モデルは、さまざまな信号対雑音比（SNR）条件下で、FcNN、シンプルCNN、複雑CNN、RNNといったベンチマークネットワークと比較して、ノイズ除去精度に優れているか？
• RQ4 特に従来手法が失敗する高ノイズ条件下でも、本モデルは優れた性能を維持するか？
• RQ5 スペクトルの重複が見られる状況下でも、本アーキテクチャは神経信号と筋原性アーチファクトを効果的に分離できるか？

主な発見

• 新規CNNは平均RRMSE_t（0.448）とRRMSE_f（0.442）が最小であり、平均相関係数（CC = 0.863）が最大となり、4つのベンチマークネットワークを顕著に上回った。
• 高ノイズ（SNR ≤ 0 dB）および中程度ノイズ（SNR ≤ 0 dB）条件下では、3つの指標すべてで新規CNNが最良の性能を示した。
• 低ノイズ条件下（SNR = 2 dB）では、FcNNとRNNがRRMSE_tおよびRRMSE_fでわずかに新規CNNを上回ったが、新規CNNは依然として最高のCC（0.863）を維持した。
• 訓練損失とテスト損失の推移から、新規CNNは最小のテスト損失と、訓練損失とテスト損失の差が最小であり、優れた一般化性能と最小限の過学習を示した。
• モデルの損失はエポックを経て安定して減少し、テスト損失が最小値に達した。これは、安定的かつ効果的な学習が行われたことを裏付けた。
• 特徴マップの段階的増加と平均プーリングを組み合わせたアーキテクチャ設計により、過学習が効果的に抑制された。これは、過去のCNNとは異なり、深刻な一般化問題を抱えることなく、成功した。