[論文レビュー] An Ensemble Learning Based Classification of Individual Finger Movement from EEG

Sutanu Bera, Rinku Roy+2 more|arXiv (Cornell University)|Mar 25, 2019

EEG and Brain-Computer Interfaces参考文献 38被引用数 5

ひとこと要約

本研究では、非侵襲的EEGから個々の指の運動（親指、人差し指、中指）を解読するために、共通空間パターン（CSP）とエラー補正出力符号（ECOC）を用いたアンサンブル学習手法を提案する。単一の指の運動を安静状態から区別する平均分類精度は74%を達成し、多クラス解読では最大CohenのKappa係数0.36を記録した。これは神経義肢や神経リハビリテーション分野における高多能性BCIの実現可能性を示している。

ABSTRACT

Brain computer interface based assistive technology are currently promoted for motor rehabilitation of the neuromuscular ailed individuals. Recent studies indicate a high potential of utilising electroencephalography (EEG) to extract motor related intentions. Limbic movement intentions are already exhaustively studied by the researchers with high accuracy rate. But, capturing movement of fingers from EEG is still in nascent stage. In this study, we have proposed an ensemble learning based approach for EEG in distinguishing between movements of different fingers, namely, thumb, index, and middle. Six healthy subjects participated in this study. Common spatial patterns (CSP) were extracted as features to classify with the extra tree or extremely randomized tree binary classifier. The average classification accuracy of decoding a finger from rest condition was found to be $74\%$, wheres in discriminating of movement of pair of fingers average accuracy was $60\%$. Furthermore, error correcting output coding (ECOC) was added to the binary classifier to use it in multiclass classification. The proposed algorithm achieved a maximum kappa value of 0.36 among the subjects.

研究の動機と目的

• 非侵襲的EEG信号から個々の指の運動を解読するための多クラス分類フレームワークの構築。
• EEGにおける低SNRの課題に対処するため、特徴抽出に共通空間パターン（CSP）を適用。
• アンサンブル学習を用いてエキストラツリー分類器とECOCを組み合わせ、微細運動タスクの分類性能を向上。
• 指の運動に対する主観的困難度が高くなると、それに対応する精神的準備が強まるため、その指の分類精度が向上するかを検証。
• 22チャネルEEGを用いて、個々の指の運動と2本指の運動を区別する可能性を評価。

提案手法

• 信号対雑音比を向上させるとともにクラス間分散を最大化するため、空間フィルタリングされたEEG特徴を抽出するために共通空間パターン（CSP）を適用。
• ペアド指運動対安静状態の二値分類を、エキストラツリー分類器を用いて実施。
• 3つの指運動を多クラス分類するため、二値のエキストラツリー分類器をエラー補正出力符号（ECOC）によって拡張。
• ECOC戦略では、ハミング距離が最大3のコードブックを用い、最大2つの誤った二値予測を是正可能にした。
• EEGデータは2 Hzの周波数帯に分割され、運動意図の指標としてアルファ帯（8–12 Hz）およびベータ帯（13–30 Hz）のイベント関連脱感作（ERD）が分析された。
• 分類性能は、6名の健康被験者を対象に、精度とCohenのKappa統計量を用いて評価された。

実験結果

リサーチクエスチョン

• RQ1 アンサンブル学習手法を用いることで、非侵襲的EEGは個々の指の運動（親指、人差し指、中指）を信頼性高く解読可能か？
• RQ2 安静状態からの単一指運動の分類精度は、2本指運動の分類精度と比較してどう異なるか？
• RQ3 指の運動に対する主観的困難度と分類精度に相関があるか。これは精神的準備が信号強度に与える影響を示唆するか？
• RQ4 ECOC拡張型エキストラツリー分類器は、限られたEEGチャネル数において、指運動の多クラス解読をどの程度向上させるか？
• RQ5 運動皮質における指の表象の空間的重複度が、22チャネルEEGを用いた分類精度の制限要因となっているか？

主な発見

• 安静状態からの個々の指運動を区別する平均分類精度は74%に達し、非侵襲的EEGによる微細運動解読の強力な実現可能性を示した。
• 2本指運動の区別における平均精度は60%であった。これは多クラス分類の複雑さが高まっていることを示している。
• 多クラス解読で得られたCohenのKappa係数の最大値は0.36であり、偶然を超えた中程度から顕著な一致を示している。
• 特定の指を上げることがより困難だと感じた被験者は、その指の分類精度が高かった。これは精神的努力と信号振幅の間に関連がある可能性を示唆している。
• 精神的準備が強まると（強いERDが観察される）、特に運動障害を有する被験者において、EEG信号の検出可能性が向上する可能性がある。
• 指の表象が運動皮質で高密度に重複していることから、電極密度の増加が分類精度を顕著に向上させると示唆された。