[論文レビュー] CNN-based Approaches For Cross-Subject Classification in Motor Imagery: From The State-of-The-Art to DynamicNet

Alberto Zancanaro, Giulia Cisotto+3 more|arXiv (Cornell University)|Jan 1, 2021

EEG and Brain-Computer Interfaces参考文献 25被引用数 31

ひとこと要約

本稿では、運動イメージネーション（MI）BCIシステムにおけるEEG信号分類のためのCNNベースの深層学習モデルを素早く実装できるPythonベースのツールボックス、DynamicNetを提案する。DynamicNetを用いて実装したEEGNetモデルは、4クラスMIデータセットにおいて、標準的なFBCSP手法（34.01%）と比較して約25%高い交差被験者分類精度（59.35%）を達成しており、交差被験者検証スキームにおいてFBCSPを顕著に上回っている。

ABSTRACT

Motor imagery (MI)-based brain-computer interface (BCI) systems are being increasingly employed to provide alternative means of communication and control for people suffering from neuro-motor impairments, with a special effort to bring these systems out of the controlled lab environments. Hence, accurately classifying MI from brain signals, e.g., from electroencephalography (EEG), is essential to obtain reliable BCI systems. However, MI classification is still a challenging task, because the signals are characterized by poor SNR, high intra-subject and cross-subject variability. Deep learning approaches have started to emerge as valid alternatives to standard machine learning techniques, e.g., filter bank common spatial pattern (FBCSP), to extract subject-independent features and to increase the cross-subject classification performance of MI BCI systems. In this paper, we first present a review of the most recent studies using deep learning for MI classification, with particular attention to their cross-subject performance. Second, we propose DynamicNet, a Python-based tool for quick and flexible implementations of deep learning models based on convolutional neural networks. We show-case the potentiality of DynamicNet by implementing EEGNet, a well-established architecture for effective EEG classification. Finally, we compare its performance with FBCSP in a 4-class MI classification over public datasets. To explore its cross-subject classification ability, we applied three different cross-validation schemes. From our results, we demonstrate that DynamicNet-implemented EEGNet outperforms FBCSP by about 25%, with a statistically significant difference when cross-subject validation schemes are applied.

研究の動機と目的

• 交差被験者における運動イメージネーションEEG分類のための最近の深層学習手法を調査すること。
• EEGベースのBCIにおける深層学習モデルの柔軟かつ迅速な実装を可能にするオープンソースPythonツールボックス、DynamicNetを紹介すること。
• 4クラス運動イメージネーション分類において、DynamicNetで実装されたEEGNetモデルの性能を標準的なFBCSP手法と比較すること。
• 実世界のBCI応用における深層学習モデルの交差被験者一般化能力を調査すること。

提案手法

• DynamicNetは、EEGデータ向けのCNNベースの深層学習モデルの迅速実装を目的としたモジュラーでオープンソースのPythonツールボックスである。
• このツールボックスを用いて、EEG信号分類に最適化された軽量CNNアーキテクチャであるEEGNetを実装した。
• 3つの訓練戦略を適用した：被験者依存、ミックスアップ（全被験者のデータを訓練に使用）、交差被験者（全被験者から1人を除いた被験者で訓練し、残りの1人でテスト）。
• 本研究では、BCIコンペティションIVデータセット2aを用い、9名の被験者から得られた22チャネルのEEG記録を用いて4クラスの運動イメージネーションタスクを実施した。
• 前処理にはバンドパスフィルタリング（0.5–100 Hz）と50 Hzでラインノイズを除去するノッチフィルタリングを実施した。
• 各戦略において10-fold交差検証を実施し、分類性能を評価した。精度と標準偏差を報告した。

実験結果

リサーチクエスチョン

• RQ1 最近の深層学習モデルは、従来のFBCSPと比較して、交差被験者における運動イメージネーションEEG分類でどの程度の性能を示すか？
• RQ2 FBCSPとは異なり、柔軟な深層学習ツールボックス（例：DynamicNet）は、EEG分類モデルの迅速プロトタイピングを効果的に支援できるか？
• RQ3 EEGNetのようなCNNベースのモデルは、4クラス交差被験者運動イメージネーション分類においてFBCSPを上回る性能を示すか？
• RQ4 データ前処理は、MI-BCIシステムにおける被験者間一般化性能にどのように影響するか？

主な発見

• DynamicNetで実装されたEEGNetは、全被験者で平均59.35%の交差被験者分類精度を達成し、FBCSPの34.01%を顕著に上回った。
• 被験者依存訓練では、EEGNetは67.88%の精度を達成し、FBCSPの62.56%を上回った。
• ミックスアップ訓練戦略により、EEGNetの精度は72.50%に上昇したが、FBCSPは45.85%に低下した。これは、データの多様性が深層学習の一般化性能を向上させることを示している。
• 本研究では、前処理（フィルタリングと正規化）が被験者独立特徴を減少させる可能性があるため、交差被験者性能に悪影響を及げる可能性があることが判明した。同じ戦略下で、生データの方が前処理済みデータよりも高い精度を示した。
• EEGNetの性能は、交差被験者状況においてFBCSPよりも統計的に有意に優れていた（p < 0.005）。これは、実世界への展開に耐える堅牢性を示している。
• 結果から、EEGNetのような深層学習モデルは、交差被験者MI分類において顕著な性能向上を達成でき、特に困難な交差被験者検証条件下でFBCSP比約25%の性能向上が見込まれる。