[論文レビュー] Evidence-Based Filters for Signal Detection: Application to Evoked Brain Responses

Malik Ahmed Mubeen, Kevin H. Knuth|arXiv (Cornell University)|Jul 6, 2011

EEG and Brain-Computer Interfaces参考文献 20被引用数 3

ひとこと要約

本論文では、ベイジアンモデル証拠を用いて、EEGデータにおける発現脳電位（特にP300イベント関連電位）を検出する、証拠に基づくフィルタリング手法を提案する。従来の相関に基づく手法に依存するのではなく、信号モデルの周辺尤度を計算することにより、単一試行検出の精度と速度が顕著に向上することが、BMIデータを用いた受信者操作特性（ROC）曲線分析により示された。

ABSTRACT

Template-based signal detection most often relies on computing a correlation, or a dot product, between an incoming data stream and a signal template. Such a correlation results in an ongoing estimate of the magnitude of the signal in the data stream. However, it does not directly indicate the presence or absence of the signal. The problem is really one of model-testing, and the relevant quantity is the Bayesian evidence (marginal likelihood) of the signal model. Given a signal template and an ongoing data stream, we have developed an evidence-based filter that computes the Bayesian evidence that a signal is present in the data. We demonstrate this algorithm by applying it to brain-machine interface (BMI) data obtained by recording human brain electrical activity, or electroencephalography (EEG). A very popular and effective paradigm in EEG-based BMI is based on the detection of the P300 evoked brain response which is generated in response to particular sensory stimuli. The goal is to detect the presence of a P300 signal in ongoing EEG activity as accurately and as fast as possible. Our algorithm uses a subject-specific P300 template to compute the Bayesian evidence that a applying window of EEG data contains the signal. The efficacy of this algorithm is demonstrated by comparing receiver operating characteristic (ROC) curves of the evidence-based filter to the usual correlation method. Our results show a significant improvement in single-trial P300 detection. The evidence-based filter promises to improve the accuracy and speed of the detection of evoked brain responses in BMI applications as well the detection of template signals in more general signal processing applications

研究の動機と目的

• 相関に基づく手法が、信号の存在を統計的信頼性で定量化できないという限界を解消すること。
• 周辺尤度（証拠）を用いて信号の存在を評価する、ベイジアンモデル比較に基づく信号検出フレームワークの構築。
• EEGベースのブレインマシンインターフェース（BMIs）における単一試行P300検出の精度と速度の向上。
• 神経科学を越えて、特にテンプレートベースの信号同定に適用可能な汎用的信号検出手法の提供。

提案手法

• 本手法は、データウィンドウと被験者固有のP300テンプレートが与えられたもとで、信号モデルのベイジアン証拠（周辺尤度）を計算する。
• データをノイズ成分と信号成分の混合モデルとしてモデル化し、信号は既知のテンプレートと未知の振幅で定義される。
• 共役事前分布を用いることで解析的に証拠を計算でき、時間ウィンドウにわたる再帰的計算が可能になる。
• アルゴリズムは到着するEEGデータをスライディングウィンドウで処理し、各ステップで証拠推定値を更新する。
• 閾値設定や振幅推定の必要を回避し、直接的にモデルの妥当性を評価する。
• 性能評価は、証拠ベースのフィルタリングと標準的な相関ベース検出法を比較する受信者操作特性（ROC）曲線を用いて行う。

実験結果

リサーチクエスチョン

• RQ1 ベイジアンモデル証拠は、反応脳電位の検出において、相関よりも信頼性の高い信号検出指標を提供できるか？
• RQ2 単一試行P300検出において、証拠ベースのフィルタリングは相関法と比較して、検出精度と速度で優れているか？
• RQ3 提案手法は、BMIアプリケーションにおけるリアルタイムEEG処理に効率的に実装可能か？
• RQ4 被験者固有のテンプレートの使用は、ベイジアン証拠を用いた検出性能を向上させるか？

主な発見

• 証拠ベースのフィルタは、受信者操作特性曲線下の面積（AUC）が優れていることから、相関法よりも単一試行P300反応の検出において顕著に優れていることが示された。
• 本手法は、信号の振幅を推定するのではなく、信号が存在する確率を直接的に定量化することで、より高速かつ高精度な検出を可能にした。
• ベイジアンアプローチにより、EEGデータに一般的に見られる低SNR条件下での誤検出を低減し、感度を向上させた。
• アルゴリズムは計算的に効率的であり、ブレインマシンインターフェースシステムにおけるリアルタイム実装に適している。