[論文レビュー] Brain Computer Interfaces for Mobile Apps: State-of-the-art and Future Directions

Sumit Soman, Siddharth Srivastava+2 more|arXiv (Cornell University)|Sep 4, 2015

EEG and Brain-Computer Interfaces被引用数 3

ひとこと要約

この論文は、脳-コンピュータインターフェース（BCI）のモバイルデバイス応用における最新技術を調査し、P300スパellerやSSVEPといったEEGベースの制御パラダイムを用いた直感的で手を使わないインタラクションに焦点を当てる。信号処理、デバイスの携帯性、ユーザーの疲労といった主な課題を特定し、BCIをモバイルセンサーや機械学習と統合する今後の方向性を提起することで、補助技術および一般向けアプリケーションにおける正確性と使いやすさを向上させることを目的としている。

ABSTRACT

In recent times, there have been significant advancements in utilizing the sensing capabilities of mobile devices for developing applications. The primary objective has been to enhance the way a user interacts with the application by making it effortless and convenient. This paper explores the capabilities of using Brain Computer Interfaces (BCI), an evolving subset of Human Computer Interaction (HCI) paradigms, to control mobile devices. We present a comprehensive survey of the state-of-the-art in this area, discussing the challenges and limitations in using BCI for mobile applications. Further we propose possible modalities that in future can benefit with BCI applications. This paper consolidates research directions being pursued in this domain, and draws conclusions on feasibility and benefits of using BCI systems effectively augmented to the mobile application development domain.

研究の動機と目的

• 最近のBCIベースのモバイルアプリケーションに関する研究を統合すること。特にEEG駆動のインタラクションに焦点を当てる。
• モバイルプラットフォームにBCIシステムを展開するにあたり、信号処理の制約やデバイスのポータビリティといった主な技術的・ユーザビリティ上の課題を特定・分析すること。
• P300スパellerやSSVEPといった既存のBCIモダリティの実装可能性と性能を評価すること。これらは、点滅する刺激に注目することで選択を行うもので、信号処理には正準相関分析とバンドパワー・フィルタリングが用いられる。
• BCIをモバイルデバイスのセンサーや機械学習と統合することで、正確性を向上させ、ユーザーの疲労を軽減する今後の研究方向性を検討すること。
• BCIの補助技術および一般向けモバイルアプリケーションにおける可能性を評価すること。特に運動機能障害を有するユーザーに焦点を当てる。

提案手法

• Google ScholarおよびScopusを用いた体系的文献レビューを実施。過去3年間以内に発表された、'mobile'、'BCI'、'EEG'、'HCI'、'assistive technology'といったキーワードを含む論文に焦点を当てる。
• モバイル用途に適したEEG取得システムの評価を実施。ポータビリティ、電極数の削減、ユーザー設定の簡素化（例：導電ゲルの不要）を重視する。
• P300スパellerやSSVEPを含む制御パラダイムの分析。ユーザーは点滅する刺激に注目することで選択を行う。信号処理には正準相関分析とバンドパワー・フィルタリングが用いられる。
• モバイルBCIアプリケーション（例：モバイルダイヤラー、ジェスチャー制御装置、ホームオートメーションシステム）のレビュー。EEGまたはs-EMG信号を用いる。
• BCIをモバイルセンサーやユーザー行動データ（例：通話履歴）と統合することで、誤検出を低減するマルチモーダル統合の提案。
• 複数のEEGデバイスをサポートし、モバイルプラットフォーム上で低遅延処理を可能にする、プラットフォームに依存しないBCI開発フレームワークの議論。

実験結果

リサーチクエスチョン

• RQ1 モバイルデバイスとのインタラクションに適した最新のBCI制御パラダイムは何か。情報伝送速度（ITR）およびユーザビリティの観点から、それらの性能はいかがなものか？
• RQ2 従来のEEGベースのBCIシステムをモバイルプラットフォームに適応させるにあたり、主な技術的およびユーザビリティ上の課題は何か。特に信号処理とデバイスのポータビリティに焦点を当てる。
• RQ3 モバイルデバイスのセンサーや（例：加速度計、カメラ、マイク）をBCIシステムと統合することで、信頼性を向上させ、誤検出を低減できるか？
• RQ4 ユーザー固有の行動データ（例：通話履歴、アプリ使用履歴）は、BCI駆動のモバイルアプリケーションの向上にどのような役割を果たすか？
• RQ5 実用的で現実世界での展開が可能なBCIをモバイルアプリケーションに実装するために、最も有望な今後の研究方向性は何か？

主な発見

• 9名の被験者を対象とした研究で、SSVEPベースのBCIシステムは平均33.53ビット/分の情報伝送速度（ITR）を達成し、メニュー型のモバイルインターフェースに高い実現可能性を示した。
• SSVEPを用いたモバイル電話ダイヤラーのアプリケーションは、平均26.46ビット/分のITRを達成し、リアルタイムのモバイルインタラクションにおいて実用的であることが示された。
• SSVEPシステムにおける周波数帯選択に正準相関分析を用いることで、ユーザーごとの周波数スクリーニングが可能になり、分類精度が向上した。
• s-EMG信号を用いたモバイルBCIアプリケーション（例：ジェスチャー制御装置）は、最小限のユーザー負荷と低遅延で効果的な制御が可能であった。
• BCIをモバイルセンサーやユーザー行動データ（例：通話履歴）と統合することで、誤検出を顕著に低減でき、システムの頑丈さが向上した。
• 研究動向として、過去10年間でモバイルBCI関連の論文発表数が着実に増加しており、特に過去6年間で急激に増加している。これは、関心の高まりと実現可能性の向上を示している。