[論文レビュー] Domain Generalization for Session-Independent Brain-Computer Interface

Dong‐Kyun Han, Ji-Hoon Jeong|arXiv (Cornell University)|Dec 7, 2020

EEG and Brain-Computer Interfaces参考文献 35被引用数 6

ひとこと要約

本稿では、キャリブレーションを伴わないマルチサブジェクト/セッションEEGデータを用いて、深層学習を用いてセッションに依存しない脳-コンピュータインターフェース（BCI）性能を達成するドメイン一般化（DG）手法を提案する。深層モデルであるResNet1D-18が他のモデルを上回ることを発見したが、驚くべきことに、明示的なDGアルゴリズムを上回るのは標準的な経験的リスク最小化（ERM）であった。一方、被験者固有のファインチューニングは、セッション間のばらつきのため、一般化性能を損なうことが判明した。

ABSTRACT

The inter/intra-subject variability of electroencephalography (EEG) makes the practical use of the brain-computer interface (BCI) difficult. In general, the BCI system requires a calibration procedure to acquire subject/session-specific data to tune the model every time the system is used. This problem is recognized as a major obstacle to BCI, and to overcome it, an approach based on domain generalization (DG) has recently emerged. The main purpose of this paper is to reconsider how the zero-calibration problem of BCI for a realistic situation can be overcome from the perspective of DG tasks. In terms of the realistic situation, we have focused on creating an EEG classification framework that can be applied directly in unseen sessions, using only multi-subject/-session data acquired previously. Therefore, in this paper, we tested four deep learning models and four DG algorithms through leave-one-session-out validation. Our experiment showed that deeper and larger models were effective in cross-session generalization performance. Furthermore, we found that none of the explicit DG algorithms outperformed empirical risk minimization. Finally, by comparing the results of fine-tuning using subject-specific data, we found that subject-specific data may deteriorate unseen session classification performance due to inter-session variability.

研究の動機と目的

• BCIにおける主な実用的障壁であるセッション固有のキャリブレーションを克服し、ドメイン一般化を用いてゼロキャリブレーション性能を実現すること。
• ドメイン一般化アルゴリズムが、標準的な経験的リスク最小化（ERM）を上回って、セッション間EEG分類性能を向上させることを評価すること。
• EEGを用いたモーター・イメージレーション分類において、被験者固有のファインチューニングが未学習セッションの性能に与える影響を調査すること。
• 被験者間・被験者内変動に起因するドメインシフト下で、セッションに依存しないEEG分類に最適な深層学習アーキテクチャを特定すること。

提案手法

• 各セッションを別個のドメインとして扱い、1人を除いた全セッションを訓練データとして使用する「1人を除いたセッションの交差検証（LOSO）」プロトコルを採用する。
• マルチサブジェクト/セッションEEGデータ上で、4つの深層学習モデル（DeepConvNet、EEGNet、ResNet1D-8、ResNet1D-18）を訓練・比較する。
• 未学習セッションへの一般化能力を評価するため、4つのドメイン一般化（DG）アルゴリズム（DANN、GroupDRO、Mixup、ERM）を評価する。
• 学習率、バッチサイズ、適応パラメータのハイパーパramーターサーチをランダムサーチで実施し、各実験に対して3つのランダムシードを用いる。
• 被験者ごとの最初のセッションデータを用いてファインチューニングを実施し、未学習セッション性能への影響を評価する。
• データ漏洩を避けるために、DGの文脈に従い、ソースドメインから抽出したバリデーションセットを用いてモデル選択を行う。

実験結果

リサーチクエスチョン

• RQ1 ドメイン一般化技術は、標準的な経験的リスク最小化（ERM）を上回って、BCIにおけるセッションに依存しないEEG分類性能を向上させることができるか？
• RQ2 マルチサブジェクト/セッションEEGデータを学習に用いる際、モデルの深さと容量を増加させることで、セッション間一般化性能が向上するか？
• RQ3 セッション間のばらつきのため、被験者固有のデータでファインチューニングを実施すると、未学習セッションの性能がどの程度低下するか？
• RQ4 ドメイン一般化の文脈において、どの深層学習アーキテクチャがセッションに依存しないEEG分類で最も優れた性能を示すか？

主な発見

• ResNet1D-18は、全被験者平均で62.58%の最高精度を達成し、EEGNet（58.61%）、DeepConvNet（57.51%）、ResNet1D-8（59.11%）を上回った。
• 経験的リスク最小化（ERM）は、DANN、GroupDRO、Mixupと比較してすべての明示的DGアルゴリズムを上回り、それぞれ0.89%、2.43%、1.76%の性能低下を示した。
• 被験者固有の最初のセッションデータを用いたファインチューニングは、平均精度の低下を引き起こした。これは、セッション間のばらつきのため、このようなデータが一般化性能を悪化させる可能性があることを示唆している。
• 十分なマルチセッションデータが利用可能な状況では、より深く、より大きなモデルがセッション間一般化に有効であった。これは、データ豊富なDG設定において、モデル容量が有益であることを示している。