[論文レビュー] Enhancing Mind Controlled Smart Living Through Recurrent Neural Networks.

Xiang Zhang, Lina Yao+3 more|arXiv (Cornell University)|Feb 20, 2017

EEG and Brain-Computer Interfaces被引用数 4

ひとこと要約

本稿では、手動による特徴抽出を回避する直接的な原始EEG信号分類を可能にする7層の深層学習モデルを提案する。2つのLSTM層を含むこのモデルは、モーターディスアビリティを持つ人々のためのマインドコントロールドスマートライフを実現する。超パrameterチューニングには直交配列実験を用い、PhysioNetのEEGデータセット上で95.05％の精度を達成し、補助ロボティクスおよびホームオートメーション分野での実現可能性を示している。

ABSTRACT

While smart living based on the controls of voices, gestures, mobile phones or the Web has gained momentum from both academia and industries, most of existing methods are not effective in helping the elderly or people with muscle disordered or motor disabilities. Recently, the Electroencephalography (EEG) signal based mind control has attracted much attentions, due to the fact that it enables users to control devices and to communicate to outer world with little participation of their muscle systems. However, the use of EEG signals face challenges such as low accuracy, arduous and time-consuming feature extraction. This paper proposes a 7-layer deep learning model that includes two layers of Long-Short Term Memory (LSTM) cells to directly classify raw EEG signals, avoiding the time-consuming pre-processing and feature extraction. The hyper-parameters are selected by an Orthogonal Array experiment method to improve the efficiency. Our model is applied to an open EEG dataset released by PhysioNet and achieves 95.05% accuracy over 5 categorical EEG raw data. The applicability of our proposed model is further demonstrated by two use cases of smart living in terms of assisted living with robotics and home automation.

研究の動機と目的

• 高齢者や運動機能障害を有する人々に対する従来の音声、ジェスチャー、モバイルベースのスマートライフシステムの限界を是正すること。
• EEGベースのマインドコントロールにおける低精度や特徴抽出に要する時間の問題を克服すること。
• 前処理や手動による特徴工学を必要とせず、原始EEG信号を直接分類するエンドツーエンドの深層学習モデルの開発。
• 超パrameterを効率的に最適化するため、直交配列実験法を用いてモデルの学習効率を向上させること。
• ロボティクス支援生活やホームオートメーションを含む、実世界のスマートライフシナリオにおける実用的応用を実証すること。

提案手法

• 原始EEG信号内の時間的依存性をモデル化するため、2つの長短期記憶（LSTM）層を組み込んだ7層の深層ニューラルネットワークアーキテクチャを設計する。
• 前処理や特徴抽出のステップを排除するため、原始的で処理されていないEEGデータを直接モデルに入力する。
• 超パrameterの最適選択を体系的に行い、学習効率とモデル性能を向上させるために直交配列実験法を適用する。
• オープンソースのEEGデータセット（PhysioNet）を用いて学習を行い、主なタスクとして5クラスのEEG信号分類を実施する。
• LSTMのシーケンスモデリング機能を活用し、EEG信号内の長期的な時間的パターンを捉えることで分類精度を向上させる。
• 標準的な分類指標（特にテストセットの精度）を用いてモデルの性能を検証する。

実験結果

リサーチクエスチョン

• RQ1 手動による特徴抽出を不要とする深層学習モデルは、原始EEG信号を高精度で分類できるか？
• RQ2 直交配列実験法は、EEG信号分類モデルの超パrameter最適化においてどの程度効果的か？
• RQ3 公開データセットの原始EEGデータに対して、7層のLSTMベースアーキテクチャでどの程度の分類精度が達成できるか？
• RQ4 提案されたモデルは、ホームオートメーションやロボティクス支援といった実世界のスマートライフアプリケーションに有効に応用できるか？
• RQ5 運動機能障害を有する人々や高齢者ユーザーのEEG信号を、支援的文脈で分類する際、このモデルはどの程度の性能を示すか？

主な発見

• 提案された深層学習モデルは、PhysioNetの5カテゴリの原始EEGデータセットで95.05％の分類精度を達成した。
• モデルは、原始EEG信号を直接入力することで、従来の前処理や特徴抽出ステップを完全に回避した。
• 直交配列実験法により超パrameterが効果的に最適化され、学習効率とモデル収束性が向上した。
• 複数の被験者にわたる多様なEEG信号パターンの分類において、モデルは優れた汎化性能とロバストネスを示した。
• ロボティクス支援生活とホームオートメーションの2つの実世界のユースケースが、スマートライフ環境におけるモデルの実用的応用を成功裏に示した。
• 結果から、LSTMを用いたエンドツーエンドの深層学習は、マインドコントロールドスマートライフシステムにおいて実現可能で高精度なアプローチであると示唆された。