[論文レビュー] EEGdenoiseNet: A benchmark dataset for end-to-end deep learning solutions of EEG denoising

Haoming Zhang, Mingqi Zhao+4 more|arXiv (Cornell University)|Sep 24, 2020

EEG and Brain-Computer Interfaces参考文献 5被引用数 7

ひとこと要約

本稿では、4,514個のクリアなEEGセグメント、3,400個の眼動作アーティファクト、5,598個の筋肉アーティファクトを含む、公開可能なベンチマークデータセットであるEEGdenoiseNetを紹介する。このデータセットにより、EEGノイズ除去のためのディープラーニングモデルのエンドツーエンド訓練と評価が可能になる。研究では、ディープラーニング手法が、高いノイズ混入状態下でも、眼動作および筋原性アーティファクトの両方を強力に除去できることを示しており、実世界の応用における頑健なEEG信号クリーニングの可能性を示している。

ABSTRACT

Deep learning networks are increasingly attracting attention in various fields, including electroencephalography (EEG) signal processing. These models provided comparable performance with that of traditional techniques. At present, however, lacks of well-structured and standardized datasets with specific benchmark limit the development of deep learning solutions for EEG denoising. Here, we present EEGdenoiseNet, a benchmark EEG dataset that is suited for training and testing deep learning-based denoising models, as well as for performance comparisons across models. EEGdenoiseNet contains 4514 clean EEG segments, 3400 ocular artifact segments and 5598 muscular artifact segments, allowing users to synthesize contaminated EEG segments with the ground-truth clean EEG. We used EEGdenoiseNet to evaluate denoising performance of four classical networks (a fully-connected network, a simple and a complex convolution network, and a recurrent neural network). Our analysis suggested that deep learning methods have great potential for EEG denoising even under high noise contamination. Through EEGdenoiseNet, we hope to accelerate the development of the emerging field of deep learning-based EEG denoising.

研究の動機と目的

• ディープラーニングベースのEEGノイズ除去モデルの訓練および評価に適した、標準化され、大規模な、真のクリアなEEGを備えたデータセットの不足に対処すること。
• 異なるディープラーニングアーキテクチャにおけるベンチマークを支援する、構造的で公開可能なデータセットを提供すること。
• さまざまなノイズ条件下で、完全結合ネットワーク（FCNN）、畳み込みニューラルネットワーク（CNN）、複雑なCNN、再帰ニューラルネットワーク（RNN）の複数のディープニューラルネットワークのエンドツーエンドEEGノイズ除去におけるパフォーマンスを評価すること。
• 再現可能でオープンアクセスのベンチマークを提供することで、EEGアーティファクト除去におけるディープラーニング研究の加速を図ること。

提案手法

• データセットは、複数の公開リポジトリから収集・前処理されたEEG、EOG、EMG信号を用いて構築され、倫理的遵守と信号品質を確保した。
• リラクゼーション状態およびタスク関連記録からクリアなEEGセグメントが抽出された一方、純粋な眼動作および筋原性アーティファクトは、同じ記録から分離された。
• 信号対ノイズ比（SNR）を変化させながら、クリアなEEGセグメントにEOGおよびEMGアーティファクトを追加することで、汚染されたEEG信号を合成し、制御された評価を可能にした。
• 完全結合ネットワーク、シンプルなCNN、複雑なCNN、再帰ニューラルネットワークの4つのディープラーニングモデルを、合成データを用いて教師ありエンドツーエンドで訓練した。
• 複数のSNRレベルにおいて、SNR、RMSE、および予測値と真のクリアEEGとの相関係数といった標準的指標を用いて、モデルの評価を実施した。
• ベンチマークには、GitHubにホスティングされた複数形式のコードとデータが含まれており、再現性の確保および今後の研究への統合の容易さを図った。

実験結果

リサーチクエスチョン

• RQ1 教師ありエンドツーエンド訓練フレームワークを用いて、ディープラーニングモデルは、眼動作および筋原性アーティファクトで汚染されたEEG信号を効果的にノイズ除去できるか？
• RQ2 特に高いノイズ混入状態下で、信号対ノイズ比（SNR）の低下に伴い、モデルのパフォーマンスはどのように変化するか？
• RQ3 畳み込みニューラルネットワーク（CNN）と再帰ニューラルネットワーク（RNN）などの異なるディープラーニングアーキテクチャは、アーティファクト混在EEGからのクリアなEEG回復能力において、どのように比較されるか？
• RQ4 タスク固有またはチャンネル固有の適応を必要とせずに、異なるEEGタイプおよびアーティファクト特性に一般化できる程度はどの程度か？
• RQ5 提案されたベンチマークデータセットは、多様な臨床的および研究的応用分野において、より頑健で一般化可能なEEGノイズ除去モデルの開発を支援できるか？

主な発見

• ディープラーニングモデルは、低SNRレベル下でも強力なノイズ除去性能を示し、ベースライン手法と比較してSNRおよびRMSE指標で顕著な向上を示した。
• 複雑なCNNおよびRNNアーキテクチャは、単純なモデルを上回り、特に高周波数の筋肉アーティファクトや非定常的ノイズパターンの処理において優れた性能を発揮した。
• SNRが低下するにつれてパフォーマンスは低下するが、ディープネットワークは依然として意味のある神経活動を回復できており、高いノイズ混入状態下でも頑健であることが示された。
• ニューラルネットワークのF-原理が観察された傾向を説明している：低周波成分は早期に学習され、高周波数アーティファクト（例：EMG）は除去がより困難である。
• ベンチマークデータセットにより、モデル間で一貫性があり再現可能な評価が可能となり、教師ありディープラーニングがEEGノイズ除去に極めて有効であることが結果として示された。
• 本研究は、ディープラーニングが、従来の線形手法が困難な複雑で非線形なアーティファクトを処理する上で、EEGタイプやアーティファクトの混合に一般化できる可能性を浮き彫りにした。