[論文レビュー] EEG-GAN: Generative adversarial networks for electroencephalograhic (EEG) brain signals

Kay Gregor Hartmann, Robin Tibor Schirrmeister+1 more|arXiv (Cornell University)|Jun 5, 2018

Neural dynamics and brain function参考文献 5被引用数 103

ひとこと要約

本論文は改善された Wasserstein GAN の訓練を適用して単一チャネルの EEG 信号を生成し、時系列生成のアーキテクチャ選択を検討し、リアリズムと神経科学への潜在的応用を示す複数の指標で評価する。

ABSTRACT

Generative adversarial networks (GANs) are recently highly successful in generative applications involving images and start being applied to time series data. Here we describe EEG-GAN as a framework to generate electroencephalographic (EEG) brain signals. We introduce a modification to the improved training of Wasserstein GANs to stabilize training and investigate a range of architectural choices critical for time series generation (most notably up- and down-sampling). For evaluation we consider and compare different metrics such as Inception score, Frechet inception distance and sliced Wasserstein distance, together showing that our EEG-GAN framework generated naturalistic EEG examples. It thus opens up a range of new generative application scenarios in the neuroscientific and neurological context, such as data augmentation in brain-computer interfacing tasks, EEG super-sampling, or restoration of corrupted data segments. The possibility to generate signals of a certain class and/or with specific properties may also open a new avenue for research into the underlying structure of brain signals.

研究の動機と目的

• GANを用いて人工EEG信号の生成を動機付け、実証する。
• 勾配ペナルティを伴う改善された Wasserstein GAN によって時系列EEGデータのGAN訓練を安定化させる。
• アップサンプリング/ダウンサンプリングおよびネットワーク設計のアーキテクチャ的選択を評価する。
• 生成EEG信号の現実感と多様性を理解するため、複数の評価指標を評価する。

提案手法

• 24から768の時系列サンプルへと段階的に成長させるCNNベースのGANアーキテクチャを使用する。
• 現在のクリティック差に基づく一方向の勾配ペナルティでスケールされた改善されたWGAN-GPを採用する。
• 6つの解像度ステップと各ステージ2000エポック＋フェードインエポックを用いた段階的訓練を適用する。
• ミニバッチ標準偏差、等化学習率、ピクセル正規化を組み込む。
• アップサンプリング手法（最近傍補間、線形、三次）を比較し、平均プーリングまたはストライド畳み込みによるダウンサンプリングを利用する。
• プリトレイン済みEEG分類器を用いたInceptionスコア、Frechet Inception Distance、ユークリッド距離、Slice Wasserstein Distance で評価する。

実験結果

リサーチクエスチョン

• RQ1 GANを用いて時系列領域および周波数領域で real EEG に似た自然な単一チャネル EEG 信号を生成できるか。
• RQ2 どのアーキテクチャおよび訓練選択（アップサンプリング/ダウンサンプリング、損失項）が最も現実的な EEG サンプルを生むか。
• RQ3 異なる評価指標が生成 EEG 信号の現実感と多様性とどのように関連するか。
• RQ4 EEG データにおける IS、FID の既存指標の制約と、信頼性の高い指針を提供する組み合わせは何か。
• RQ5 神経科学および臨床文脈における EEG 信号生成の潜在的応用は何か。

主な発見

モデル	IS	FID	ED min	SWD
1 AVG-NN	1.361	9.523	-0.056	0.102
2 CONV-NN	1.297	16.755	-0.121	0.084
3 CONV-LIN	1.363	11.854	-0.252	0.086
4 CONV-CUB	1.292	33.765	-0.375	0.078
5 WGAN-GP | CONV-CUB	1.281	120.854	+0.034	0.309
Real	1.555	0.	4.653	0.
Noise	1.049	614.782	+1.061	0.155

• 勾配ペナルティをスケールさせた改良WGAN-GPはEEGデータの訓練安定性を向上させる。
• さまざまなアーキテクチャが異なる強みを示し、CONV-LINおよび CONV-CUB は時系列と周波数領域の現実性に近い一致を示す一方、SWD は CONV-CUB を有利にする。
• WGAN-GP は彼らの設定下で訓練中に崩壊したのに対し、彼らの方法はアーキテクチャを問わず安定していた。
• 空間/スペクトル分布の最良の信号が常に最良のFIDスコアを持つわけではなく、指標の不一致を示した。
• SWD は自然な空間的・スペクトル分布と相関した一方、ISとFIDだけでは EEG の現実性を十分に表せなかった。
• 単一の指標だけでは十分でなく、FID、SWD、ED の組み合わせが生成物の品質をより広く示す。