[論文レビュー] Data augmentation for learning predictive models on EEG: a systematic comparison

Cédric Rommel, Joseph Paillard+2 more|arXiv (Cornell University)|Jun 29, 2022

EEG and Brain-Computer Interfaces参考文献 38被引用数 96

ひとこと要約

本稿は、睡眠ステージ分類とモーターイメージェーションBCIタスクの両方において、EEGベースの予測モデリングのための13種類のデータ拡張技術を体系的に評価している。適切な拡張は、低データ環境下で正解率を最大45%向上させることを示しており、タスクやデータタイプによって性能向上の度合いが顕著に異なることから、一様なアプローチではなく、タスクに特化した拡張戦略の必要性が浮き彫りになる。

ABSTRACT

Objective: The use of deep learning for electroencephalography (EEG) classification tasks has been rapidly growing in the last years, yet its application has been limited by the relatively small size of EEG datasets. Data augmentation, which consists in artificially increasing the size of the dataset during training, can be employed to alleviate this problem. While a few augmentation transformations for EEG data have been proposed in the literature, their positive impact on performance is often evaluated on a single dataset and compared to one or two competing augmentation methods. This work proposes to better validate the existing data augmentation approaches through a unified and exhaustive analysis. Approach: We compare quantitatively 13 different augmentations with two different predictive tasks, datasets and models, using three different types of experiments. Main results: We demonstrate that employing the adequate data augmentations can bring up to 45% accuracy improvements in low data regimes compared to the same model trained without any augmentation. Our experiments also show that there is no single best augmentation strategy, as the good augmentations differ on each task. Significance: Our results highlight the best data augmentations to consider for sleep stage classification and motor imagery brain-computer interfaces. More broadly, it demonstrates that EEG classification tasks benefit from adequate data augmentation

研究の動機と目的

• 深層学習の一般化を妨げる小規模で高ばらつきの大きなEEGデータセットの課題に対処すること。
• 複数のEEGタスクおよびモデルを対象に、多様なデータ拡張技術の有効性を評価すること。
• 低データ条件下で最も顕著な性能向上をもたらす拡張法を同定すること。
• 拡張の恩恵が、異なるデータクラスおよびトレーニングデータセットサイズにおいて一貫しているかどうかを特定すること。
• 今後のモデル開発を支援する統一されたベンチマークを提供すること。

提案手法

• 本研究では、2つのEEGタスク（睡眠ステージ分類（SleepPhysionetデータセット）およびモーターイメージェーションBCI（BNCI-2014-1データセット））に対して、統一された実験プロトコルを採用している。
• 時間領域（例：GaussianNoise、TimeReverse）、周波数領域（例：FTSurrogate、FrequencyShift）、空間領域（例：ChannelsSymmetry、SignFlip）の3分野にわたり、13種類の拡張法を評価している。
• 各拡張法は異なる強度で適用され、クラス分布を保持するためのストラティファイド分割を用いた交差検証によって評価されている。
• モデルは、すべての実験で一貫したハイパーパrameterを有する深層畳み込みニューラルネットワーク（CNN）アーキテクチャを用いて訓練されている。これにより、拡張の影響を明確に分離できる。
• 正解率を指標として性能を測定し、異なるトレーニングデータセットサイズおよびデータクラスを用いて、ロバストネスと一般化性能を評価している。
• 拡張の強度およびクラス別効果の影響を評価するためのアブレーションスタディを実施している。

実験結果

リサーチクエスチョン

• RQ1 EEG分類の低データ環境下で、どのデータ拡張技術が最も顕著な正解率向上をもたらすか？
• RQ2 データ拡張の恩恵は、異なるEEGタスク（例：睡眠ステージ分類対モーターアイメージェーションBCI）においてどのように変化するか？
• RQ3 ある拡張の有効性は、適用された変換の強度に依存するか？
• RQ4 特にクラスが不均衡なデータセットにおいて、拡張効果はどのように異なるか？
• RQ5 単一の最適な拡張戦略が存在するのか、それとも性能は特定のタスクおよびデータ特性に依存するのか？

主な発見

• 低データ環境下では、拡張を適用しないモデルと比較して、データ拡張により正解率が最大45%向上することが確認された。
• 最も効果的な拡張法はタスクによって顕著に異なり、睡眠ステージ分類ではFTSurrogateとFrequencyShiftが最も効果的であった一方、モーターアイメージェーションBCIではTimeReverseとSignFlipが他の手法を上回った。
• 拡張による性能向上は、変換の強度に強く依存しており、中程度の摂動が最も良い結果をもたらした。
• スペクトル的または時間的構造を保持する拡張法（例：FTSurrogate、FrequencyShift）は、信号の整合性を損なう手法よりも効果的であった。
• 単一の最適な拡張戦略は存在せず、最良の手法は特定のEEGタスク、データモodalitiy、およびクラス分布に依存する。
• 本研究は、特にトレーニングデータが限られた場合に、適切なデータ拡張がEEG分類タスクに顕著な利益をもたらすことを確認した。