[論文レビュー] Divergence Framework for EEG based Multiclass Motor Imagery Brain Computer Interface

Satyam Kumar, Tharun Kumar Reddy+1 more|arXiv (Cornell University)|Jan 12, 2019

EEG and Brain-Computer Interfaces参考文献 19被引用数 3

ひとこと要約

本論文は、直交多様体上の勾配降下法を活用して、多クラスの運動想起EEGベースBCIにおける識別可能性と定常性を共同最適化する、情報理論的発散フレームワークであるDivOVR-WSおよびDivJAD-WSを提案する。BCIコンペティションIVデータセットIIaにおいて、ベースラインのOVR-CSPおよびJADよりも顕著に平均分類精度を向上させ、セッション内非定常性の有効な緩和を示している。

ABSTRACT

Similar to most of the real world data, the ubiquitous presence of non-stationarities in the EEG signals significantly perturb the feature distribution thus deteriorating the performance of Brain Computer Interface. In this letter, a novel method is proposed based on Joint Approximate Diagonalization (JAD) to optimize stationarity for multiclass motor imagery Brain Computer Interface (BCI) in an information theoretic framework. Specifically, in the proposed method, we estimate the subspace which optimizes the discriminability between the classes and simultaneously preserve stationarity within the motor imagery classes. We determine the subspace for the proposed approach through optimization using gradient descent on an orthogonal manifold. The performance of the proposed stationarity enforcing algorithm is compared to that of baseline One-Versus-Rest (OVR)-CSP and JAD on publicly available BCI competition IV dataset IIa. Results show that an improvement in average classification accuracies across the subjects over the baseline algorithms and thus essence of alleviating within session non-stationarities.

研究の動機と目的

• EEGベースの多クラス運動想起BCIにおけるセッション内非定常性の課題に取り組み、分類性能の低下を是正すること。
• 同時に識別可能性と信号定常性を向上させる教師ありの情報理論的フレームワークを構築すること。
• 既存のJADおよびOVR-CSP手法を、新たな目的関数を用いて多クラス設定に拡張し、定常性最適化を統合すること。
• クロスバリデーションとテストセットの結果の性能ギャップを最小限に抑えることで、BCIシステムのセッション間でのロバスト性と一般化性能を向上させること。

提案手法

• 情報理論的発散測度を用いて識別可能性と定常性を統合した新しい目的関数を提案する。
• 多クラス空間フィルタリングのベースフレームワークとして、共同近似対角化（JAD）およびワン・ヴァースス・レスト（OVR）戦略を採用する。
• 直交多様体上での勾配降下法を用いて空間フィルタ部分空間を最適化し、直交性を維持するとともに収束性を向上させる。
• 過学習を防ぎ、一般化性能を向上させるために、被験者およびデータに依存するパrameter λ を用いた正則化を実施する。
• 収束を加速させるために、最適化をOVR-CSPまたはJADの解を初期値として用いる。また、アイデンティティ初期化をベースラインとして用いる。
• 信頼性の高い性能推定と過学習の低減を目的に、ラン単位のクロスバリデーションを適用する。

実験結果

リサーチクエスチョン

• RQ1 統一された情報理論的フレームワークは、多クラス運動想起BCIにおいて識別可能性と定常性を同時に最適化できるか？
• RQ2 直交多様体上での発散ベース最適化は、ベースラインのCSPおよびJAD手法と比較して、分類精度をどのように向上させるか？
• RQ3 提案手法は、クロスバリデーションとテストセット評価の間の性能低下をどの程度低減できるか？
• RQ4 初期化戦略は、提案フレームワークにおける収束速度および分類精度にどのように影響を与えるか？
• RQ5 提案手法は、リーマン幾何学を用いたセッション間ドリフト補正を効果的に統合できるか？

主な発見

• 提案されたDivOVR-WSおよびDivJAD-WSフレームワークは、BCIコンペティションIVデータセットIIaにおいて、それぞれのベースライン（OVR-CSPおよびJAD）よりも高い平均分類精度を達成した。
• クロスバリデーションとテストセットの精度ギャップは最小限に抑えられ（約1.5%〜3%）、良好な一般化性能と低い過学習傾向を示した。
• OVR-CSPの解を初期値として用いることで、DivOVR-WSの収束が顕著に高速化されたが、JADベース初期化はDivJAD-WSの収束を改善したものの、精度の向上にはつながらなかった。
• 同じ初期値から開始した場合、DivOVR-WSはK個の別個のOVR問題を解くのに対し、DivJAD-WSは1つの合成JAD問題を解くため、収束が速かった。
• トレーニングフェーズの計算コストは、DivOVR-WSがDivJAD-WSよりも高かったが、推論時間はすべてのアルゴリズムで同一であった。
• 結果から、提案されたセッション内定常性フレームワークを、将来のセッション間補正手法（例えば、リーマン多様体上のアフィン変換）と組み合わせることで、BCIのロバスト性をさらに向上できる可能性がある。