[論文レビュー] Data Augmentation for Brain-Computer Interfaces: Analysis on Event-Related Potentials Data

Mario Michael Krell, Anett Seeland+1 more|arXiv (Cornell University)|Jan 9, 2018

EEG and Brain-Computer Interfaces参考文献 2被引用数 20

ひとこと要約

本稿では、P300および運動関連皮質電位（MRCP）データの分類性能を向上させるために、EEGベースの脳-コンピュータインターフェース（BCI）における時間的および空間的／回転的データ拡張技術を提案する。z軸まわりの回転歪み（18°）と時間シフト（±40 ms）を適用することで、過学習を引き起こさずに1–6%の性能向上を達成し、実世界のBCI応用に向けた堅牢性と実用性を示した。

ABSTRACT

On image data, data augmentation is becoming less relevant due to the large amount of available training data and regularization techniques. Common approaches are moving windows (cropping), scaling, affine distortions, random noise, and elastic deformations. For electroencephalographic data, the lack of sufficient training data is still a major issue. We suggest and evaluate different approaches to generate augmented data using temporal and spatial/rotational distortions. Our results on the perception of rare stimuli (P300 data) and movement prediction (MRCP data) show that these approaches are feasible and can significantly increase the performance of signal processing chains for brain-computer interfaces by 1% to 6%.

研究の動機と目的

• P300や疲労制限付きタスク（例：ストロークリハビリテーション）のようなレア・スティミュリスムパラダイムにおいて、実世界のBCI応用で一般的に見られるラベル付きEEG学習データの不足に取り組む。
• 信号変換による合成学習サンプルの生成によって、EEGベースのBCIにおけるデータ不足とモデルの過学習を克服する。
• イベント関連電位分類のための実際のEEGデータセットを用いて、新しい空間的（回転）および時間的（時間シフト）拡張戦略の有効性を評価する。
• データ拡張が、BCIシステムにおける被験者や記録セッション間での一般化性と耐障害性を向上させるかどうかを調査する。
• 臨床的および埋め込み型BCI環境におけるEEG信号処理のディープラーニングパイプラインにデータ拡張を統合する基盤を提供する。

提案手法

• 頭部モデルをz軸まわり（およびx/y軸の組み合わせ）に回転させることで、EEG電極マップへの回転歪みを適用し、異なるキャップ位置や頭部形状を模擬する。
• 信号セグメント抽出時に正負の時間オフセット（例：±40 ms）を導入することで、時間シフトを実施し、イベント関連電位の発現タイミングのばらつきを模擬する。
• オリジナルデータおよび拡張済みデータ上で二値または多値分類器（例：SVM、RBF）を学習・評価し、さまざまな拡張設定における性能を比較する。
• 反復測定分散分析（repeated measures ANOVA）を用いて、拡張タイプおよびパrameter設定間の性能差の統計的有意性を評価する。
• 交差検証および被験者間移行設定を用いて、セッションおよび被験者間での一般化性を評価する。
• 複数の拡張タイプの組み合わせ（例：回転＋時間シフト）がもたらす影響を、ベースライン（拡張なし）と比較して分析する。

実験結果

リサーチクエスチョン

• RQ1 EEG電極マップの空間的回転は、P300およびMRCPデータの分類性能を向上させつつ、モデルの精度を低下させないか？
• RQ2 EEG信号セグメントの時間シフトは、BCIシステムにおける変動するイベント関連電位発現タイミングに対する耐障害性を向上させるか？
• RQ3 どの特定の回転角度と時間シフト量が、被験者およびデータセット全体で一貫した性能向上をもたらすか？
• RQ4 記録セッションや被験者間での移行を想定した場合、データ拡張はモデルの一般化性能にどのように影響するか？
• RQ5 複合拡張戦略（例：回転＋時間シフト）は、個別の手法よりも顕著な性能向上をもたらすか？

主な発見

• z軸まわりの約18°の回転拡張により、P300データの分類性能が顕著に向上し、z軸およびz/y軸比較においてp値 < 0.001の有意差が得られた。
• MRCPデータでは、150 msのオフセットを用いた時間シフト拡張により、ベースラインと比較して統計的に有意な性能向上（p < 0.05）が確認され、6%の向上が観察された。
• 正負の時間シフト（±40 ms）を組み合わせることで訓練サンプル数は増加したが、平均性能の向上は認められず、より大きなオフセットでは性能が劣化した。
• 最適な時間シフトは被騟能動者ごとに異なり、時間シフト拡張を有効に活用するには被験者別チューニングが必要である可能性が示唆された。
• 空間的回転による性能向上は、時間シフトに比べてより一貫性があり、一般化性に優れており、特にP300検出において顕著であった。
• 本研究は、データ拡張がEEGベースのBCIにおいて実用的かつ有効であることを確認した。パラダイムや拡張タイプに応じて、性能向上は1%から6%の範囲で変動した。