[論文レビュー] Dynamic Ensemble Modeling Approach to Nonstationary Neural Decoding in Brain-Computer Interfaces

Yu Qi, Bin Liu+2 more|arXiv (Cornell University)|Nov 2, 2019

EEG and Brain-Computer Interfaces参考文献 28被引用数 8

ひとこと要約

本稿では、非定常な神経信号に対応するため、ベイズ更新を用いて多様な候補モデルを動的に組み合わせることで、脳-コンピュータインターフェースにおけるニューラルデコーディングを向上させる動的アンサンブルモデリング手法DyEnsembleを提案する。ノイズが多い状況下でも、カルマンフィルターやディープラーニングベースラインを上回り、神経活動の変化やノイズに伴いモデルを動的に切り替えることで、性能を維持する。

ABSTRACT

Brain-computer interfaces (BCIs) have enabled prosthetic device control by decoding motor movements from neural activities. Neural signals recorded from cortex exhibit nonstationary property due to abrupt noises and neuroplastic changes in brain activities during motor control. Current state-of-the-art neural signal decoders such as Kalman filter assume fixed relationship between neural activities and motor movements, thus will fail if this assumption is not satisfied. We propose a dynamic ensemble modeling (DyEnsemble) approach that is capable of adapting to changes in neural signals by employing a proper combination of decoding functions. The DyEnsemble method firstly learns a set of diverse candidate models. Then, it dynamically selects and combines these models online according to Bayesian updating mechanism. Our method can mitigate the effect of noises and cope with different task behaviors by automatic model switching, thus gives more accurate predictions. Experiments with neural data demonstrate that the DyEnsemble method outperforms Kalman filters remarkably, and its advantage is more obvious with noisy signals.

研究の動機と目的

• 神経活動がノイズや神経可塑性の影響を受けて変化する脳-コンピュータインターフェースにおける非定常な神経信号の課題に対処すること。
• 神経活動と運動の間の関係が固定であると仮定するカルマンフィルターのような静的デコーダーの限界を克服すること。
• 信号のドリフトや一時的なノイズが生じる中でも、精度を維持できる強固で適応的なデコーディングフレームワークを開発すること。
• 定期的な再キャリブレーションや真値の運動データを必要とせずに、リアルタイムでオンラインで適応できる仕組みを実現すること。

提案手法

• 本手法は、入力となる神経信号を用いて、各候補モデルの事後確率を逐次的に推定するため、パーティクルフィルタを採用する。
• 異なる機能的マッピングを表現するために、ニューロンドロップアウトと重みの摂動を用いて多様な候補モデルを生成する。
• ベイズ推論により更新される重みを用いて、候補モデルを組み合わせた動的アンサンブル測定関数を構築する。
• 忘却係数がモデルの慣性を制御し、時間経過に伴う神経信号特性の変化に適応可能にする。
• 尤度に基づいて現在のデータに適合するモデルを優先するベイズ更新メカニズムを用いて、オンラインでモデル選択と組み合わせを実行する。
• 状態空間フレームワーク内に本手法を統合し、測定モデルを動的に変化させる仕組みを導入することで、カルマンフィルターのロバスト性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 固定モデルデコーダーと比較して、非定常な神経信号の存在下でも、動的アンサンブルアプローチがデコーディング精度を向上させられるか？
• RQ2 本手法は、オンラインデコーディング中に一時的なノイズや神経活動の機能的変化をどのように処理するか？
• RQ3 モデルの多様性と適応的組み合わせが、ノイズが多いまたは変化する神経状態下でどれほどロバスト性を高めるか？
• RQ4 実世界の神経デコーディングにおいて、モデルサイズ、候補数、忘却係数、重み摂動の最適なハイパーパrameterは何か？

主な発見

• ノイズのない元の神経信号を用いた場合、DyEnsemble-2はRat1で相関係数（CC）0.799を達成し、カルマンフィルター（0.777）をわずかに上回り、最良の二重デコーダー（0.779）と同等の性能を示した。
• 4つのノイズの強いニューロンを含む状況下で、DyEnsemble-5はRat1でCC 0.671を達成し、カルマンフィルター（0.559）より19.8%高く、LSTM（0.617）より8.8%高く、二重デコーダー（0.575）より16.7%高い性能を示した。
• Rat2では、4つのノイズの強いニューロンを含む状況下で、DyEnsemble-5がCC 0.792を達成し、カルマンフィルター（0.723）、LSTM（0.734）、二重デコーダー（0.730）を大きく上回った。
• 忘却係数は強い影響を示した。α = 0.1のような小さな値がより良い性能を示し、非定常な信号に高い適応性が求められることが示された。
• 重み摂動係数（p）は最適範囲が存在した。p = 0.1で性能がピークに達し、p > 0.2になると急激に低下した。これは、適応性と精度のトレードオフを示している。
• モデルサイズは、ある点までは性能に正の影響を与えた。Rat2では10から18に増加させたことでCCが向上したが、20にさらに増加させるとわずかに性能が低下した。これは、情報量とノイズ感受性のトレードオフを示している。