[論文レビュー] Classification of Upper Arm Movements from EEG signals using Machine Learning with ICA Analysis

Pranali Kokate, Sidharth Pancholi+1 more|arXiv (Cornell University)|Jul 18, 2021

EEG and Brain-Computer Interfaces参考文献 42被引用数 16

ひとこと要約

本論文では、電気頭蓋内電位（EEG）信号からの左右上腕部運動想起の分類を目的として、アーティファクト除去のための独立成分分析（ICA）と、手作業で作成した時間領域および周波数領域特徴量を組み合わせた多層パーセプトロンニューラルネットワーク（MLP-NN）を用いた機械学習フレームワークを提案する。本手法は、全被験者で96.02%の正確性を達成し、被験者内での正確性は94.72%であった。深層学習ベースラインと比較して、トレーニング効率および分類性能の両面で優れている。

ABSTRACT

The Brain-Computer Interface system is a profoundly developing area of experimentation for Motor activities which plays vital role in decoding cognitive activities. Classification of Cognitive-Motor Imagery activities from EEG signals is a critical task. Hence proposed a unique algorithm for classifying left/right-hand movements by utilizing Multi-layer Perceptron Neural Network. Handcrafted statistical Time domain and Power spectral density frequency domain features were extracted and obtained a combined accuracy of 96.02%. Results were compared with the deep learning framework. In addition to accuracy, Precision, F1-Score, and recall was considered as the performance metrics. The intervention of unwanted signals contaminates the EEG signals which influence the performance of the algorithm. Therefore, a novel approach was approached to remove the artifacts using Independent Components Analysis which boosted the performance. Following the selection of appropriate feature vectors that provided acceptable accuracy. The same method was used on all nine subjects. As a result, intra-subject accuracy was obtained for 9 subjects 94.72%. The results show that the proposed approach would be useful to classify the upper limb movements accurately.

研究の動機と目的

• 左右上腕部運動想起の分類を目的とした、頑健なEEGベースの脳インターフェース（BCI）の開発。
• 分類性能を低下させる生理的および環境的アーティファクトによるEEG信号の汚染という課題に対処する。
• 機械学習分類器に手作業で作成した時間領域および周波数領域特徴量を統合することで、分類正確性の向上を図る。
• 本手法の性能を、正確性、トレーニング時間、モデル効率の観点から深層学習アーキテクチャと比較する。
• 9名の被験者を対象とした被験者内クロスバリデーション戦略を用いて、モデルの一般化能力を検証する。

提案手法

• 原始的なEEG信号からのアーティファクトを分解・除去するため、独立成分分析（ICA）を適用し、特徴抽出の前段階で信号品質を向上させる。
• 事前処理済みEEG信号から、平均、分散、歪度、尖度、曲線下の面積、パワースペクトル密度（PSD）といった手作業で作成した統計的特徴量を抽出する。
• 時間領域および周波数領域の特徴量を統合し、分類性能の向上に寄与する補完的情報を活用するための特徴量ベクトルを構築する。
• 二値分類および多クラス分類の運動想起タスクに、統合された特徴量ベクトルを用いて多層パーセプトロンニューラルネットワーク（MLP-NN）をトレーニングする。
• 90-10のトレーニング・バリデーション分割を採用し、バッチサイズ128を適用、データ正規化を実施し、最良の性能を示すモデルを保存するためのモデルチェックポイントを活用する。
• 同じデータセットを用いて、本手法と深層学習アーキテクチャ（CNN-LSTM）を比較し、正確性、適合率、再現率、F1スコアの観点から両者を評価する。

実験結果

リサーチクエスチョン

• RQ1 ICAはEEG信号内のアーティファクトを効果的に低減させ、運動想起分類の性能向上に寄与するか？
• RQ2 時間領域および周波数領域の特徴量を統合することで、上肢運動タスクの分類正確性が向上するか？
• RQ3 本手法のMLP-NNベースのアプローチは、正確性およびトレーニング効率の観点から深層学習モデルと比較してどうなるか？
• RQ4 複数名の被験者に本手法を適用した場合の被験者内分類正確性はどの程度か？
• RQ5 手作業で作成した特徴量と軽量なMLP-NNは、EEGベースのBCIシステムにおいて、複雑な深層学習モデルを上回る性能を発揮できるか？

主な発見

• 本手法は、時間領域および周波数領域特徴量を併用することで、左右手の運動想起の分類において、合計で96.02%の正確性を達成した。
• 全9名の被験者において被験者内分類正確性は94.72%に達し、個々の被騟能力および一般化性能の高さが裏付けられた。
• ICAを用いたアーティファクト除去ステップは信号品質を著しく向上させ、全体の性能向上に貢献したことが確認され、前処理段階におけるその重要性が裏付けられた。
• MLP-NNモデルは深層学習ベースライン（CNN-LSTM）を上回り、95.41%の正確性を達成したが、本手法は96.02%の正確性を示した。また、トレーニングはより高速で、計算時間も少なかった。
• 適合率、再現率、F1スコアは全クラスで一貫して高く、F1スコアは0.80から0.89の範囲に収まっており、分類性能の強固さとバランスの良さが示された。
• 本研究では、時間領域および周波数領域の両方の特徴量が不可欠であることが確認された。両領域の特徴量を統合することで、単独で使用する場合よりも優れた結果が得られた。