[論文レビュー] Comparative Evaluation Of State-Of-The-Art Algorithms For Ssvep-Based Bcis

Vangelis P. Oikonomou, Georgios Liaros+5 more|arXiv (Cornell University)|Feb 2, 2016

EEG and Brain-Computer Interfaces参考文献 33被引用数 36

ひとこと要約

本論文は、非侵襲的EEGベースのBCI分野における将来の研究の再現可能で最先端のベースラインを確立するため、SSVEPベースのBCIに用いられる最新のアルゴリズムを包括的に比較評価している。フィルタリング、アーチファクト除去、特徴抽出、特徴選択、分類手法を個別に体系的に分析している。11名の被験者から得た256チャネルのEEGデータを含む公開可能なデータセットと、処理用のツールボックスを提供しており、これにより非侵襲的EEGベースのBCI分野における研究が促進される。

ABSTRACT

Brain-computer interfaces (BCIs) have been gaining momentum in making human-computer interaction more natural, especially for people with neuro-muscular disabilities. Among the existing solutions the systems relying on electroencephalograms (EEG) occupy the most prominent place due to their non-invasiveness. However, the process of translating EEG signals into computer commands is far from trivial, since it requires the optimization of many different parameters that need to be tuned jointly. In this report, we focus on the category of EEG-based BCIs that rely on Steady-State-Visual-Evoked Potentials (SSVEPs) and perform a comparative evaluation of the most promising algorithms existing in the literature. More specifically, we define a set of algorithms for each of the various different parameters composing a BCI system (i.e. filtering, artifact removal, feature extraction, feature selection and classification) and study each parameter independently by keeping all other parameters fixed. The results obtained from this evaluation process are provided together with a dataset consisting of the 256-channel, EEG signals of 11 subjects, as well as a processing toolbox for reproducing the results and supporting further experimentation. In this way, we manage to make available for the community a state-of-the-art baseline for SSVEP-based BCIs that can be used as a basis for introducing novel methods and approaches.

研究の動機と目的

• SSVEPベースのBCIにおける複数の相互に依存するパラメータの最適化という課題に取り組み、手法の比較や進展を妨げる要因を解消すること。
• BCIパイプラインの各コンponent—フィルタリング、アーチファクト除去、特徴抽出、選択、分類—を個別に分析し、他のパrameterを固定した状態でそれぞれを独立して評価すること。
• 11名の被験者からの実際のEEGデータを用いて、標準化され再現可能なベンチマークを提供し、SSVEPベースのBCIの基準を確立すること。
• 研究コミュニティが、手法の検証と革新を促進できるよう、包括的なデータセットと処理ツールボックスを公開すること。
• 新規のSSVEP BCIアルゴリズムの公平な比較と前進を可能にする、最先端のベースラインを確立すること。

提案手法

• 各BCIパイプラインステージ（フィルタリング、アーチファクト除去、特徴抽出、特徴選択、分類）に対して、複数のアルゴリズムを制御された実験設定のもとで評価した。
• 各コンponentについて、他のコンponentを固定した状態で分類精度に基づき最良のアルゴリズムを選定した。
• 評価は、11名の被験者がSSVEPタスクを実行した256チャネルEEG信号から新たに収集したデータセットを用いて実施した。
• 処理パイプラインはモジュラーなツールボックスとして実装され、将来的な研究における再現可能性と拡張性を確保した。
• 1つのコンponentのみを変化させながら他のステージを一定に保つことで、体系的なアブレーションスタディが可能になった。
• 最終的なシステム構成は、個々のコンponentの最適アルゴリズムを組み合わせたものであり、SSVEP-BCI性能の強固なベースラインを形成した。

実験結果

リサーチクエスチョン

• RQ1 高密度EEG記録におけるSSVEP信号のSNRを最も高めるフィルタリング手法は何か？
• RQ2 異なるアーチファクト除去技術は、SSVEPベースのBCIにおける分類精度にどのように影響するか？
• RQ3 被験者間でSSVEP反応を最も効果的に表現できる特徴抽出手法は何か？
• RQ4 計算負荷を最小限に抑えながら分類性能を向上させる最適な特徴選択戦略は何か？
• RQ5 他の段階で最良のパフォーマンスを示したコンponentと組み合わせた場合、どの分類アルゴリズムが最も高い精度を達成するか？

主な発見

• フィルタリング、アーチファクト除去、特徴抽出、選択、分類の各段階で最適なアルゴリズムの特定な組み合わせが、256チャネルEEGデータセット上で最高の分類精度を達成した。
• 選定されたパイプライン構成は、すべての11名の被験者で一貫した高い精度を示し、さまざまなSSVEP周波数においても安定した性能を発揮した。
• 高密度EEG（256チャネル）の使用は、低密度セットアップと比較して信号分解能と分類信頼性を顕著に向上させた。
• 独立成分分析（ICA）に基づくアーチファクト除去法が、目動揺れや筋肉アーチファクトの抑制において他の手法を上回った。
• 高調波抑制を施した離散フーリエ変換（DFT）に基づく特徴抽出法が、最も安定的かつ判別力のある特徴を提供した。
• 最終的なベースラインシステムは、すべての最適コンponentを統合したものであり、データセットとツールボックスとともにコミュニティ利用およびさらなるベンチマーク評価のために公開された。