[論文レビュー] EEG-Based User Reaction Time Estimation Using Riemannian Geometry Features

Dongrui Wu, Brent J. Lance+4 more|arXiv (Cornell University)|Apr 27, 2017

EEG and Brain-Computer Interfaces被引用数 3

ひとこと要約

本稿は、EEGに基づく脳-コンピュータインターフェース（BCI）回帰問題に、リーマン幾何学に基づく特徴抽出手法を初めて適用した。空間フィルタリング followed トゥルースペースマッピングにより反応時間（RT）推定の精度を向上させた。従来のパワーバンド特徴量と比較して、平均二乗誤差（RMSE）が4.30–8.30%低減され、相関係数（CC）が6.59–11.13%向上した。

ABSTRACT

Riemannian geometry has been successfully used in many brain-computer interface (BCI) classification problems and demonstrated superior performance. In this paper, for the first time, it is applied to BCI regression problems, an important category of BCI applications. More specifically, we propose a new feature extraction approach for Electroencephalogram (EEG) based BCI regression problems: a spatial filter is first used to increase the signal quality of the EEG trials and also to reduce the dimensionality of the covariance matrices, and then Riemannian tangent space features are extracted. We validate the performance of the proposed approach in reaction time estimation from EEG signals measured in a large-scale sustained-attention psychomotor vigilance task, and show that compared with the traditional powerband features, the tangent space features can reduce the root mean square estimation error by 4.30-8.30%, and increase the estimation correlation coefficient by 6.59-11.13%.

研究の動機と目的

• 分類タスクと比較して未だ十分に検討が進んでいないEEGベースBCI回帰問題における、有効な特徴抽出手法の欠如に応える。
• 非線形的で情報量の多い特徴をEEG共分散行列から抽出するため、リーマン幾何学を活用する。
• 空間フィルタリングとリーマン接空間への特徴マッピングを組み合わせたパイプラインを用いて、EEG信号からの反応時間推定の精度と頑健性を向上させる。
• 大規模な持続的注意課題（PVT）において、従来のパワーバンド特徴量と比較して、リーマン接空間特徴量の優位性を実証する。

提案手法

• 共分散行列推定の前段階として、信号対雑音比を向上させるとともに次元を低減するため、空間フィルタ（CSPR-OVR）を適用する。
• 対称正定値（SPD）行列の多様体上でのリーマン平均を、アルゴリズム2（Riemann平均化アルゴリズム）を用いて計算する。
• 各試行の共分散行列を、リーマン平均との正規化類似度の行列対数を用いてリーマン接空間にマップする：$\mathrm{logm}(\bar{\mathbf{\Sigma}}^{-1/2} \mathbf{\Sigma}_n \bar{\mathbf{\Sigma}}^{-1/2})$。
• 最終的な特徴ベクトルとして、接空間行列の上三角部分を抽出することで、幾何的構造を保持しつつ、標準的な回帰モデリングを可能にする。
• 反応時間の連続的分布をモデル化するため、F個の空間フィルタを有するKFクラスに基づくファジィクラスベースのアプローチを採用する。
• 得られた接空間特徴量上で回帰モデル（例：LASSO）を学習し、ベースラインのパワーバンド特徴量と性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 従来のパワーバンド特徴量と比較して、リーマン幾何学的特徴量はEEGベース反応時間推定の精度を向上させるか？
• RQ2 空間フィルタリングとリーマン接空間特徴量の統合は、持続的注意課題における回帰性能にどのように影響を与えるか？
• RQ3 リーマン特徴量は、連続的BCI回帰タスクにおいて推定誤差をどれほど低減し、相関を向上させるか？
• RQ4 本手法は、リアルタイムまたは実用的BCIアプリケーションにおいて計算的に実行可能か？
• RQ5 認知機能低下の粗い代理指標としての疲労状態は、反応時間の予測に十分な予測力を持つのか、それとも過剰に粗いため正確なモデリングに不十分か？

主な発見

• 提案されたリーマン接空間特徴抽出手法により、従来のパワーバンド特徴量と比較して、反応時間推定における平均二乗誤差（RMSE）が4.30–8.30%低減された。
• 被験者およびセッションをまたいで、予測値と実測値の間の相関係数（CC）が6.59–11.13%向上した。
• 複数名の被験者および複数回の実験セッションにわたり一貫した改善が得られ、本手法の頑健性と一般化能力が示された。
• 特徴抽出パイプラインの学習時間は、訓練サンプル数に比例して線形に増加し、N個のサンプルに対して0.0261 + 0.0030N秒の適合関数を得た。これは実用的実装可能性を示している。
• ボックスプロット分析から、高レベルの疲労状態は平均RTの上昇、分散の増大、極端値の増加に関連しており、疲労は関連性はあるが粗い予測子であると示された。
• 疲労状態とRTの関連性は観察されたが、正確なRT予測に不十分な粒度であるため、本研究では疲労状態を特徴量として含めなかった。