[論文レビュー] Classification of auditory stimuli from EEG signals with a regulated recurrent neural network reservoir

Marc-Antoine Moinnereau, Thomas Brienne+4 more|arXiv (Cornell University)|Apr 26, 2018

EEG and Brain-Computer Interfaces被引用数 9

ひとこと要約

本研究では、最小限の事前処理を施したEEG信号から聞いた英語の母音（a, i, u）を分類するため、制御された再帰的ニューラルネットワーク（RNN）リザボアを提案する。全64電極を用いた8名の被験者を対象とした平均分類率は83.2%に達した。この手法は深層ニューラルネットワーク（DNN）を上回り、10電極のみで81.7%の高い正確性を維持するなど、最小限の事前処理で生EEGにエンドツーエンド学習を適用する有効性を示している。

ABSTRACT

The use of electroencephalogram (EEG) as the main input signal in brain-machine interfaces has been widely proposed due to the non-invasive nature of the EEG. Here we are specifically interested in interfaces that extract information from the auditory system and more specifically in the task of classifying heard speech from EEGs. To do so, we propose to limit the preprocessing of the EEGs and use machine learning approaches to automatically extract their meaningful characteristics. More specifically, we use a regulated recurrent neural network (RNN) reservoir, which has been shown to outperform classic machine learning approaches when applied to several different bio-signals, and we compare it with a deep neural network approach. Moreover, we also investigate the classification performance as a function of the number of EEG electrodes. A set of 8 subjects were presented randomly with 3 different auditory stimuli (English vowels a, i and u). We obtained an excellent classification rate of 83.2% with the RNN when considering all 64 electrodes. A rate of 81.7% was achieved with only 10 electrodes.

研究の動機と目的

• 制御されたRNNリザボアが、最小限の事前処理を施したEEG信号から聴取された聴覚刺激を効果的に分類できるかどうかを調査すること。
• EEGを用いた聞いた母音の分類において、RNNリザボアと深層ニューラルネットワーク（DNN）の性能を比較すること。
• 使用するEEG電極数の変化が分類正確性に与える影響を評価すること。
• 将来の想起された言語の復元の基盤となるように、聞いた言語をEEGから分類するためのベースラインを確立すること。

提案手法

• 10-20システムに従って配置された64電極からのEEG信号を、母音a, i, uの聴覚刺激下で記録した。
• 信号は標準的な0.1–45 Hz帯域通過フィルタで事前処理されたが、それ以上の特徴工学的手法は施さなかった。
• RNNリザボアを用いてEEGデータからの時間的ダイナミクスを学習し、読み出し層は線形回帰で訓練した。
• リザボアの内部状態を分類のための表現として用い、読み出し層が母音クラスラベル（a, i, u）にマッピングした。
• 比較ベースラインとして、3層の畳み込み層とマックスプーリングを有するDNNを用い、Adam最適化法で訓練した。
• 分類性能は5分割交差検証を用いて評価され、正確性は正しく分類された母音試行の割合として測定された。

実験結果

リサーチクエスチョン

• RQ1 制御されたRNNリザボアは、最小限のEEG事前処理で聞いた母音を高い正確性で分類できるか？
• RQ2 同じEEGベースの母音分類タスクにおいて、RNNリザボアの性能は深層ニューラルネットワーク（DNN）と比べてどうか？
• RQ3 EEG電極数の削減が分類正確性に与える影響は何か？また、高い性能を得るために必要な電極数はどの程度か？
• RQ4 RNNリザボアは、皮質における聴覚処理に関連する神経ダイナミクスを効果的に捉えているか？

主な発見

• 全64電極を用いた場合、RNNリザボアは全8名の被験者で平均83.2%の分類率を達成した。
• RNNはDNNを著しく上回り、平均正確度83.2%（DNNは48.6%）を記録した。
• 10電極での分類正確度は81.7%に達し、少ない電極数でも高い性能が達成可能であることを示した。
• 最高の被験者ではRNNで90.4%の正確度を記録した一方、最低は67.7%であり、被験者間のばらつきはあったが全体として優れた性能を示した。
• 母音「i」が最も高い分類率（87.0%）を示し、次いで「u」（81.3%）、「a」（81.1%）であった。これは、神経的表現や検出可能性に差がある可能性を示唆している。
• 最小限の事前処理で高い分類正確度が達成可能であることが示された。これは、EEGベースの聴覚分類にエンドツーエンド学習を適用する有効性を支持する。