[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被引用数 145

ひとこと要約

本論文は勾配ペナルティを用いた Wasserstein GAN を適用して単一チャネルの EEG 信号を生成し、時系列データにおけるアーキテクチャと学習選択を検討し、生成された EEG のリアリズムと多様性を評価するいくつかの指標を評価している。

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

• データ拡張と分析を可能にするために、GAN を用いた人工 EEG 信号の生成を促進する。
• 改善された Wasserstein GAN と勾配ペナルティを用いて、時系列 EEG データの GAN 学習を安定化させる。
• リアリズムを最大化するための時系列生成におけるアーキテクチャの選択（アップサンプリング/ダウンサンプリング、畳み込みサイズ）の検討。
• 実データと生成データの類似性を評価するために、複数の評価指標を比較する。
• EEG 拡張、スーパサンプリング、データ復元などの潜在的な応用について論じる。

提案手法

• 批評家の差分でスケーリングされた片側勾配ペナルティを用いた改良WGANの学習を採用して、学習を安定化させた。
• 時間系列の解像度を24サンプルから768サンプルへ6段階で増やすことで、GANの段階的成長を実装した。
• アップサンプリング/ダウンサンプリングブロックと9次のカーネルを用いた畳み込み生成器とクリティックのアーキテクチャを採用し、Leaky ReLU およびピクセル正規化を使用した。
• Progressive GAN の文献にある正則化技術（ミニバッチ標準偏差、学習率の等化、ピクセル正規化）を適用した。
• 事前学習済みの EEG 分類器を用いた Inception Score (IS)、Frechet Inception Distance (FID)、Euclidean distance (ED min)、Sliced Wasserstein Distance (SWD) など複数の指標で生成 EEG を評価した。
• アップサンプリング/ダウンサンプリング方式を比較した（AVG プーリング vs 畳み込みダウンサンプリング；最近傍補間 vs 線形補間 vs 立方補間）。

実験結果

リサーチクエスチョン

• RQ1 GAN は実データと比較して現実的な単一チャネル EEG 信号を生成できるか？
• RQ2 アーキテクチャと学習選択（サンプリング、カーネルサイズ、アップ/ダウンサンプリング）は EEG 信号生成の品質にどう影響するか？
• RQ3 どの評価指標が EEG 信号のリアリズムと多様性を信頼性高く反映するか？
• RQ4 GAN を用いた EEG 生成の学習は安定しているか、ニューラルモード崩壊が発生する条件は何か？
• RQ5 神経科学および臨床の文脈で EEG-GAN 出力の潜在的な応用は何か？

主な発見

• 修正された WGAN-GP は EEG 信号生成を安定化させ、特定のアーキテクチャで崩壊を回避できる。
• 異なるアーキテクチャは異なる指標で最適に機能し、単一の指標が品質を網羅するわけではない。
• IS は EEG の生成品質を信頼性高く示さない一方、SWD と EDmin は補完的な洞察を提供する；FID は空間/スペクトルのリアリズムと必ずしも一致しない。
• 総合的な空間-スペクトルのリアリズムは指標によって異なり、CONV-LIN は IS と SWD でしばしば良好、CONV-CUB はいくつかの指標で低性能だった。
• 彼らの片側の勾配ペナルティと距離スケール正則化を用いた WGAN-GP は、勾配を安定させ、実験で崩壊を回避した（ある設定では元の WGAN-GP とは異なる）。
• 最も自然に見える分布が必ずしも最低の FID を持つとは限らず、 EEG データの指標の限界を浮き彫りにしている。