[論文レビュー] Adversarial Domain Adaptation for Stable Brain-Machine Interfaces

Ali Farshchiansadegh, Juan Álvaro Gallego+4 more|arXiv (Cornell University)|Sep 28, 2018

EEG and Brain-Computer Interfaces参考文献 34被引用数 28

ひとこと要約

本稿では、神経信号の残差の確率分布を複数日間にわたり一致させることで、長期的な脳機械インターフェース（BMI）の安定化を図る敵対的ドメイン適応ネットワーク（ADAN）を提案する。この手法により、毎日のキャリブレーションの必要性が低減され、最小限のデータでBMI性能の安定化が達成される。ADANは、主成分分析やKullback-Leibler発散最小化と比較して、特に1分間の適応データで十分な性能を発揮し、16日目のEMG予測精度で統計的に有意な6%の向上を達成した。

ABSTRACT

Brain-Machine Interfaces (BMIs) have recently emerged as a clinically viable option to restore voluntary movements after paralysis. These devices are based on the ability to extract information about movement intent from neural signals recorded using multi-electrode arrays chronically implanted in the motor cortices of the brain. However, the inherent loss and turnover of recorded neurons requires repeated recalibrations of the interface, which can potentially alter the day-to-day user experience. The resulting need for continued user adaptation interferes with the natural, subconscious use of the BMI. Here, we introduce a new computational approach that decodes movement intent from a low-dimensional latent representation of the neural data. We implement various domain adaptation methods to stabilize the interface over significantly long times. This includes Canonical Correlation Analysis used to align the latent variables across days; this method requires prior point-to-point correspondence of the time series across domains. Alternatively, we match the empirical probability distributions of the latent variables across days through the minimization of their Kullback-Leibler divergence. These two methods provide a significant and comparable improvement in the performance of the interface. However, implementation of an Adversarial Domain Adaptation Network trained to match the empirical probability distribution of the residuals of the reconstructed neural signals outperforms the two methods based on latent variables, while requiring remarkably few data points to solve the domain adaptation problem.

研究の動機と目的

• インプラントされた電極におけるニューロンの喪失や入れ替わりによって引き起こされる慢性脳機械インターフェース（BMI）の不安定性を解消すること。
• BMIの毎日のキャリブレーションや再トレーニングの必要性を減らすことで、ユーザーの認知的負担を軽減すること。
• タスク固有のチューニングなしに長期間にわたり一貫した性能を維持するドメイン適応手法を開発すること。
• 残差に敵対的ドメイン適応を適用することで、潜在変数に基づくドメイン適応手法（例：CCA や KLDM）よりもBMIデコードの安定性が向上するかを評価すること。

提案手法

• 深層オートエンコーダーをエンドツーエンドで訓練し、運動皮質の神経活動の低次元の潜在表現を抽出するとともに、運動意図を予測する。
• 敵対的ドメイン適応ネットワーク（ADAN）は、生成的敵対的フレームワークを用いて、異なる日付間での再構築神経信号残差の経験的確率分布を一致させる。
• ADANは、日付0の残差分布とその後の日付の残差分布の間のKullback-Leibler発散を最小化することで、潜在表現の安定化を図る。
• 識別器を用いて、初期日からの残差と後続日からの残差を区別させ、生成器が参照分布に類似した残差を生成するよう強制する。
• 潜在変数ではなく残差にドメイン適応を適用することで、不一致を強調し、より効果的な一致を可能にする。
• EMG予測精度を複数日間で評価するオフライン評価により、CCA、KLDM、固定インターフェースベースラインと比較する。

実験結果

リサーチクエスチョン

• RQ1 神経信号の残差に敵対的ドメイン適応を適用することで、長期的慢性記録におけるBMIの安定性が向上するか？
• RQ2 ADANは、CCA や KLDM といった潜在変数統計に基づく従来のドメイン適応手法を上回るか？
• RQ3 ADANがBMIのドメイン適応において顕著な性能向上を達成するのに必要なデータ量はどの程度か？
• RQ4 ADANはタスク固有の適応なしに、制約のない運動に対しても一般化可能か？
• RQ5 ADANは、長期にわたり高いデコード精度を維持しながら、毎日のキャリブレーションの必要性を低減できるか？

主な発見

• ADANは、16日目にベースライン手法と比較して、EMG予測精度が統計的に有意に6%向上した（一元配置分散分析とTukey検定でp < 0.01）。
• ADANによる性能向上は、わずか1分間の適応データで達成されたことから、高いデータ効率性が示された。
• ADANはCCAおよびKLDMを上回り、両手法は同等の低い性能を示した。これは、残差に基づく適応が潜在変数に基づく一致よりも効果的であることを示している。
• ユーザーの再トレーニングを必要とせず、BMIデコーダーの安定化が達成された。これは、認知的負担の低減と長期的な使いやすさの向上を示唆している。
• ADANフレームワークは、日ごとの神経残差の確率分布を効果的に一致させ、一貫した潜在表現と安定したデコードを実現した。
• オフラインの結果から、ADANにより固定されたBMIデコーダーが時間経過にわたり高い性能を維持できることを示し、今後の研究でオンライン閉ループ性能の向上が期待される。