[論文レビュー] Adversarial Feature Learning in Brain Interfacing: An Experimental Study on Eliminating Drowsiness Effects

Ozan Özdenizci, Barry Oken+3 more|arXiv (Cornell University)|Jul 22, 2019

EEG and Brain-Computer Interfaces参考文献 25被引用数 3

ひとこと要約

この論文では、EEGベースのBCIスパellerシステムにおける眠気由来のばらつきを低減するため、敵対的不変特徴学習を提案する。CNNを敵対的アプローチで訓練することで記録ブロック（眠気）の情報を抑制し、眠気に依存しないEEG特徴を学習する。その結果、統計的に有意なAUC向上（平均80.7% 対 78.6%）を達成し、BCIデコード性能が向上した。

ABSTRACT

Across- and within-recording variabilities in electroencephalographic (EEG) activity is a major limitation in EEG-based brain-computer interfaces (BCIs). Specifically, gradual changes in fatigue and vigilance levels during long EEG recording durations and BCI system usage bring along significant fluctuations in BCI performances even when these systems are calibrated daily. We address this in an experimental offline study from EEG-based BCI speller usage data acquired for one hour duration. As the main part of our methodological approach, we propose the concept of adversarial invariant feature learning for BCIs as a regularization approach on recently expanding EEG deep learning architectures, to learn nuisance-invariant discriminative features. We empirically demonstrate the feasibility of adversarial feature learning on eliminating drowsiness effects from event related EEG activity features, by using temporal recording block ordering as the source of drowsiness variability.

研究の動機と目的

• BCIシステムにおける眠気や警戒状態の変動に起因するセッション内EEGばらつきの課題に対処すること。
• 記録ブロック間での一般化を向上させるために、眠気に依存しないEEG特徴を学習する正則化手法を開発すること。
• 不要なばらつき（眠気）を除去する敵対的特徴学習の有効性を、EEGベースのERP検出において実証すること。
• 長時間のセッション中に再キャリブレーションを必要とせずに、BCIデコードのロバスト性を向上させること。

提案手法

• EEGデータにおける眠気レベルの離散的プロキシとして、時間的記録ブロックを用いる。
• ブロックID（不要変数）の情報を最小化するように、敵対的ヘッドを備えたCNNベースのEEG特徴抽出器を訓練する。
• 特徴を通じたブロックID情報の漏洩をペナルティとする損失関数を用いて、敵対的正則化を適用する。
• ハイパーパrameter λ を用いて、タスク識別（ERP 対 非ERP）と眠気不変性のトレードオフを最適化する。
• 敵対的ネットワークのバリデーションセット性能を用いて λ をチューニングし、眠気関連特徴の効果的抑制を保証する。
• テストデータからのROC曲線のAUCを用いてデコード性能を評価し、敵対的および非敵対的モデルを比較する。

実験結果

リサーチクエスチョン

• RQ1 敵対的特徴学習は、ERPベースのBCIスパellerデータから抽出されたEEG特徴における眠気関連ばらつきを効果的に抑制できるか？
• RQ2 警戒状態の変動が生じる状況下で、敵対的正則化はBCIデコード性能をどの程度向上させるか？
• RQ3 敵対的正則化の強さ（λ で制御）は、識別力と眠気不変性のバランスにどのように影響するか？
• RQ4 被験者や記録ブロックをまたいで、眠気レベルが時間経過で変化しても、学習された特徴表現はロバストか？

主な発見

• 敵対的特徴学習により、学習された特徴からブロックIDを分類する敵の能力が顕著に低下し、平均でブロックID正解率が λ=0 時の48.8% から λ=0.1 時の38.2% に低下した。
• 敵対的特徴を用いた場合、被験者平均でAUCが80.7%（λ=0.01）に達したのに対し、非敵対的モデルでは78.6%（λ=0）であった。有意差あり（p < 0.0002）。
• AUCの向上は個々の被験者において一貫しており、19名中18名が敵対的学習下でより高いAUCを示した。
• より強い敵対的正則化（λ を大きく）すると、利得が減少し、識別性能に悪影響を及ける可能性があることが示され、最適なバランスが存在することが示唆された。
• このアプローチにより、深層ニューラルネットワークがEEGに内在する眠気特有の時間的パターン（最大93%の漏洩）を効果的に抽出できることを実証した。敵対的訓練により、これらのパターンが効果的に抑制された。
• 本手法は一般化可能であり、眠気やセッション日といった不要変数に対して不変性を要する、任意のEEGベースのBCIまたは深層学習特徴抽出パイプラインに応用可能である。