[論文レビュー] ART: Artifact Removal Transformer for Reconstructing Noise-Free Multichannel Electroencephalographic Signals

Chun‐Hsiang Chuang, Kong-Yi Chang+2 more|arXiv (Cornell University)|Sep 11, 2024

EEG and Brain-Computer InterfacesNeuroscience被引用数 3

ひとこと要約

ARTは、多チャネルEEG信号のエンドツーエンドのノイズ除去のための新しいトランスフォーマー基盤の深層学習モデルを提案する。このモデルは、多様なアーティファクトを効果的に除去しながら、ミリ秒スケールの神経動態を保持する。ICAを用いて拡張されたノイズあり・ノイズなしEEGデータペアを活用し、BCI関連データセットを横断的に評価することで、SNRと再構成精度の面で最先端の性能を達成し、EEGアーティファクト除去分野における新たな基準を確立した。

ABSTRACT

Artifact removal in electroencephalography (EEG) is a longstanding challenge that significantly impacts neuroscientific analysis and brain-computer interface (BCI) performance. Tackling this problem demands advanced algorithms, extensive noisy-clean training data, and thorough evaluation strategies. This study presents the Artifact Removal Transformer (ART), an innovative EEG denoising model employing transformer architecture to adeptly capture the transient millisecond-scale dynamics characteristic of EEG signals. Our approach offers a holistic, end-to-end denoising solution for diverse artifact types in multichannel EEG data. We enhanced the generation of noisy-clean EEG data pairs using an independent component analysis, thus fortifying the training scenarios critical for effective supervised learning. We performed comprehensive validations using a wide range of open datasets from various BCI applications, employing metrics like mean squared error and signal-to-noise ratio, as well as sophisticated techniques such as source localization and EEG component classification. Our evaluations confirm that ART surpasses other deep-learning-based artifact removal methods, setting a new benchmark in EEG signal processing. This advancement not only boosts the accuracy and reliability of artifact removal but also promises to catalyze further innovations in the field, facilitating the study of brain dynamics in naturalistic environments.

研究の動機と目的

• 多チャネルEEG信号における長年の課題であるアーティファクト汚染が神経科学的解析やBCI性能を低下させることに対処すること。
• EEGデータにおける多様なアーティファクトタイプを処理できるエンドツーエンドの深層学習フレームワークの開発。
• 独立成分分析（ICA）を用いて合成されたノイズあり・ノイズなしEEGペアを生成することで、学習データの品質を向上させること。
• 複数の定量的および神経生理学的に意味のある指標を用いて、さまざまなBCI関連データセット上でモデルを検証すること。
• 既存の深層学習ベースのアーティファクト除去手法を上回る性能を示すことで、EEGノイズ除去分野における新たな基準を確立すること。

提案手法

• ARTモデルは、多チャネルEEG信号における長距離の時間的依存性と一時的ダイナミクスをモデル化するためにトランスフォーマー・アーキテクチャを採用する。
• 実際のアーティファクト汚染を模擬するために、独立成分分析（ICA）を用いて生成された合成されたノイズあり・ノイズなしEEGペアを教師あり学習で訓練する。
• モデルは生の多チャネルEEG入力を処理し、シーケンス・ツー・シーケンスのノイズ除去メカニズムを通じてノイズのない信号を再構成する。
• 予測された信号とクリーンな信号との再構成誤差を最小化するために、平均二乗誤差損失を最適化して訓練する。
• 異なるEEG取得設定やアーティファクトタイプに対しても汎用的に適用可能であるように設計されている。
• 評価には信号レベルの指標（MSE、SNR）、ソース局在化の正確さ、EEGコンポーネント分類が含まれ、生理学的妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 トランスフォーマー基盤のアーキテクチャは、多様なアーティファクトを除去しつつ、EEG信号のミリ秒スケールのダイナミクスを効果的に捉えることができるか？
• RQ2 ARTの性能は、複数のBCI関連データセットにおいて、既存の深層学習ベースのEEGノイズ除去手法と比較してどのように異なるか？
• RQ3 ICAを用いて拡張された合成データは、ノイズ除去モデルの汎用性とロバストネスをどの程度向上させるか？
• RQ4 再構成されたEEG信号は、神経生理学的に意味のあるソース局在化とコンポーネント構造を保持しているか？
• RQ5 ARTは、臨床的およびBCIアプリケーションの両方におけるEEGアーティファクト除去の新たな基準として機能できるか？

主な発見

• ARTは、複数のオープンなEEGデータセットにおいて、信号対ノイズ比（SNR）と平均二乗誤差（MSE）の両面で最先端の性能を達成した。
• ベースラインのノイズ除去手法と比較して、ソース局在化の正確さが顕著に向上し、神経源活動のより良い保持を示している。
• ARTはEEGコンポーネント分類において優れた性能を示し、ノイズ除去された信号が生物学的に関連する特徴を保持していることを確認した。
• ICAを用いて生成されたノイズあり・ノイズなしデータペアの使用により、モデルの汎用性と未観測のアーティファクトタイプに対するロバストネスが向上した。
• 定量的指標および神経生理学的検証の両面で、既存の深層学習ベースのアーティファクト除去手法を上回り、EEG信号再構成分野における新たな基準を確立した。