[論文レビュー] Bayesian Nonparametric Models for Synchronous Brain-Computer Interfaces

Jaime F. Delgado Saa, Müjdat Çetin|arXiv (Cornell University)|Dec 27, 2016

Bayesian Methods and Mixture Models参考文献 10被引用数 3

ひとこと要約

本稿では、同期型脳-コンピュータインターフェースを対象に、階層的ディリクレ過程を用いて隠れ状態数およびガウス・ミックスチャネル数をデータから事前に指定せずに推定する、スティッキー遷移を備えたベイジアン非パラメトリックな隠れマルコフモデル（HDP-HMM）を提案する。この手法は、周波数帯域におけるEEGパワーの時間的ダイナミクスをモデル化することで、標準的なHMMやBCIコンペティションIV優勝手法を上回り、EEGモータータスク分類において高いkappa値を達成した。

ABSTRACT

A brain-computer interface (BCI) is a system that aims for establishing a non-muscular communication path for subjects who had suffer from a neurodegenerative disease. Many BCI systems make use of the phenomena of event-related synchronization and de-synchronization of brain waves as a main feature for classification of different cognitive tasks. However, the temporal dynamics of the electroencephalographic (EEG) signals contain additional information that can be incorporated into the inference engine in order to improve the performance of the BCIs. This information about the dynamics of the signals have been exploited previously in BCIs by means of generative and discriminative methods. In particular, hidden Markov models (HMMs) have been used in previous works. These methods have the disadvantage that the model parameters such as the number of hidden states and the number of Gaussian mixtures need to be fix "a priori". In this work, we propose a Bayesian nonparametric model for brain signal classification that does not require "a priori" selection of the number of hidden states and the number of Gaussian mixtures of a HMM. The results show that the proposed model outperform other methods based on HMM as well as the winner algorithm of the BCI competition IV.

研究の動機と目的

• モータータスク中のEEG信号の時間的ダイナミクスをモデル化することで、同期型BCIの性能を向上させること。
• 従来のHMMが事前に指定された隠れ状態数およびガウス・ミックスチャネル数を必要とするという制限を克服すること。
• EEGデータから直接モデルの複雑さを推定するベイジアン非パラメトリック手法を開発すること。
• センサーモーターリズムタスクにおける時間周波数特徴量と状態ダイナミクスを活用して分類精度を向上させること。
• 固定パラメータHMMに対する堅牢でデータ駆動型の代替手法を提供すること。

提案手法

• 特徴抽出のため、EEG信号の時間周波数分布を自己回帰モデルで計算する。
• 信号対雑音比を向上させるために、共通空間パターン（CSP）を用いた空間フィルタリングを適用する。
• 無限個の隠れ状態およびガウス・ミックスチャネルを許容する階層的ディリクレ過程-隠れマルコフモデル（HDP-HMM）を採用する。
• 状態の持続性を促進し、時間的系列のモデリングを改善するため、スティッキー遷移事前分布を組み込む。
• 手動によるハイパーパrameterチューニングを回避するため、モデルの複雑さに関する事後分布をベイジアン推論で計算する。
• 各試行の終了時に、前向き後ろ向きアルゴリズムを用いてフィルタリングおよび分類を実行する。

実験結果

リサーチクエスチョン

• RQ1 ベイジアン非パラメトリックモデルは、EEGベースのBCI分類において、最適な隠れ状態数を自動で推定できるか？
• RQ2 状態分布および発生分布の両方に階層的ディリクレ過程を適用することで、固定パrameter HMMに比べ分類性能が向上するか？
• RQ3 同じEEGデータセット上で、スティッキーHDP-HMMはBCIコンペティションIV優勝手法と比較してkappaスコアでどの程度優れているか？
• RQ4 周波数帯域におけるEEGパワーの時間的ダイナミクスは、BCI性能の向上にどの程度寄与するか？
• RQ5 提案手法は、HMMパラメータの交差検証やエキスパートによるチューニングへの依存度を低下させられるか？

主な発見

• スティッキーHDP-HMMは、他のすべてのHMMベース手法およびBCIコンペティションIV優勝手法（最高kappa値0.60）を上回る平均kappa値を達成した。
• 固定パラメータHMM（HMM-FP）は3状態および各状態ごとに2つのガウス成分を用いたが、提案手法に劣った性能を示した。
• 交差検証を用いたHMM（HMM-CV）は最大3つの隠れ状態および3つのガウス成分を選択したが、依然としてスティッキーHDP-HMMに劣った。
• ベイジアン非パラメトリックアプローチは、状態数や混合成分数を事前に指定することなく、モデルの複雑さを適切に推定できた。
• 本手法は、モーターモニタリの際のアルファ帯およびベータ帯におけるEEGパワー変化の時間的ダイナミクスを効果的に捉えた。
• 線形回帰によるアーチファクト低減とCSPフィルタリングにより信号品質が向上し、全体の性能向上に寄与した。