[論文レビュー] EEGsig: an open-source machine learning-based toolbox for EEG signal processing

Fardin Ghorbani, Javad Shabanpour+4 more|arXiv (Cornell University)|Oct 24, 2020

EEG and Brain-Computer Interfaces参考文献 37被引用数 4

ひとこと要約

EEGsig は、EEG信号の前処理、特徴抽出、機械学習分類を統合したオープンソースで MATLAB に基づくツールボックスであり、ユーザーフレンドリーな GUI を備えている。医師や非専門家がプログラミングを書かずに EEG データを分析できる。精神的タスクデータセットを用いた k-NN、SVM、ANN では 97.5% の分類精度を達成し、すべてのチャネルにおける処理ステージのリアルタイム可視化を実現している。

ABSTRACT

In the quest to realize a comprehensive EEG signal processing framework, in this paper, we demonstrate a toolbox and graphic user interface, EEGsig, for the full process of EEG signals. Our goal is to provide a comprehensive suite, free and open-source framework for EEG signal processing where the users especially physicians who do not have programming experience can focus on their practical requirements to speed up the medical projects. Developed on MATLAB software, we have aggregated all the three EEG signal processing steps, including preprocessing, feature extraction, and classification into EEGsig. In addition to a varied list of useful features, in EEGsig, we have implemented three popular classification algorithms (K-NN, SVM, and ANN) to assess the performance of the features. Our experimental results demonstrate that our novel framework for EEG signal processing attained excellent classification results and feature extraction robustness under different machine learning classifier algorithms. Besides, in EEGsig, for selecting the best feature extracted, all EEG signal channels can be visible simultaneously; thus, the effect of each task on the signal can be visible. We believe that our user-centered MATLAB package is an encouraging platform for novice users as well as offering the highest level of control to expert users

研究の動機と目的

• プログラミング経験のないユーザー、特に医師が利用可能な包括的でオープンソースの EEG 信号処理フレームワークを開発すること。
• EEG 処理の3段階（前処理、特徴抽出、分類）を統合した単一の統合ツールボックスにすること。
• 処理中にすべての EEG チャネルを同時に可視化し、タスク関連の信号変化を評価できること。
• 抽出された EEG 特徴に対して、複数の機械学習分類器（k-NN、SVM、ANN）の性能を評価すること。
• EEG 信号解析におけるプログラミングの障壁を低減することで、医学研究の加速を図ること。

提案手法

• ツールボックスは MATLAB で開発され、非プログラマーがコードを書かずに利用できるようにグラフィカルユーザーインターフェース（GUI）を備えている。
• 前処理には、ローパスフィルタおよび独立成分分析（ICA）を用いたノイズおよびアーチファクト除去が含まれる。
• 特徴抽出には、統計的パラメータ（平均、標準偏差、エントロピー）、FFT、および脳波リズム（デルタ、シータ、アルファ、ベータ、ガンマ）のパワースペクトル解析が含まれる。
• 分類モジュールには、k-Nearest Neighbors（k-NN）、Support Vector Machine（SVM）、Artificial Neural Network（ANN）の3つの機械学習アルゴリズムが実装されている。
• すべての処理ステップ（前処理、特徴抽出、分類）が GUI 上ですべての EEG チャネルにわたって同時に可視化されている。
• ラベル付き EEG データの読み込みが可能であり、分類のメトリクス（正確性、感度、特異度、混同行列など）が出力される。

実験結果

リサーチクエスチョン

• RQ1 統合的でオープンソースの、GUI を備えたツールボックスは、非専門家向けに EEG 信号処理パイプラインを簡素化できるか？
• RQ2 前処理、特徴抽出、分類を1つのフレームワークに統合することで、使いやすさと性能がどのように向上するか？
• RQ3 EEGsig が精神的タスクのベンチマークデータセットに適用された際の分類精度はどの程度か？
• RQ4 同時多チャンネル可視化は、タスク関連の信号変化を特定するのにどの程度効果的か？
• RQ5 EEGsig フレームワーク内での同じ EEG 特徴セットに対して、異なる機械学習分類器（k-NN、SVM、ANN）の性能はどのように異なるか？

主な発見

• EEGsig は、ニューラルネットワーク分類器を用いて、5つの精神的タスクから成るベンチマークデータセットで 97.5% の分類精度を達成した。
• ローパスフィルタおよび ICA を用いたことで、ノイズおよびアーチファクトが効果的に除去され、信号品質が向上した。
• 前処理、特徴抽出、分類の各段階ですべての EEG チャネルを同時に可視化することで、ユーザーはタスク固有の信号変化をリアルタイムで観察できた。
• 特徴抽出モジュールは、統計的、スペクトル的（FFT、パワースペクトル）、リズム特化型（アルファ、シータ）の広範な特徴をサポートした。
• GUI を通じて、ユーザーは MATLAB コードを書かずにシステムと対話でき、非プログラマーの利用障壁が著しく低減された。
• 混同行列および性能メトリクス（感度、特異度、正確性）がすべての分類器について自動的に生成され、可視化された。特に、MATLAB の Neural Network Toolbox を用いた ANN に対して顕著であった。