[論文レビュー] FBCNet: A Multi-view Convolutional Neural Network for Brain-Computer Interface

Ravikiran Mane, Effie Chew+6 more|arXiv (Cornell University)|Mar 17, 2021

EEG and Brain-Computer Interfaces参考文献 6被引用数 123

ひとこと要約

FBCNet は motor-imagery EEG 分類のための多視点スペクトロ-空間 CNN と新規 Variance レイヤーを導入し、BCIC-IV-2A で最先端の結果を達成し、他データセット（脳卒中患者を含む）でも顕著な改善を示す。ソースコードは利用可能。

ABSTRACT

Lack of adequate training samples and noisy high-dimensional features are key challenges faced by Motor Imagery (MI) decoding algorithms for electroencephalogram (EEG) based Brain-Computer Interface (BCI). To address these challenges, inspired from neuro-physiological signatures of MI, this paper proposes a novel Filter-Bank Convolutional Network (FBCNet) for MI classification. FBCNet employs a multi-view data representation followed by spatial filtering to extract spectro-spatially discriminative features. This multistage approach enables efficient training of the network even when limited training data is available. More significantly, in FBCNet, we propose a novel Variance layer that effectively aggregates the EEG time-domain information. With this design, we compare FBCNet with state-of-the-art (SOTA) BCI algorithm on four MI datasets: The BCI competition IV dataset 2a (BCIC-IV-2a), the OpenBMI dataset, and two large datasets from chronic stroke patients. The results show that, by achieving 76.20% 4-class classification accuracy, FBCNet sets a new SOTA for BCIC-IV-2a dataset. On the other three datasets, FBCNet yields up to 8% higher binary classification accuracies. Additionally, using explainable AI techniques we present one of the first reports about the differences in discriminative EEG features between healthy subjects and stroke patients. Also, the FBCNet source code is available at https://github.com/ravikiran-mane/FBCNet.

研究の動機と目的

• 訓練データが限られている場合のMI-EEG分類課題と高次元特徴のノイズを動機づける。
• 運動想起の神経生理学的事前知識をエンコードするコンパクトなCNNアーキテクチャを提案する。
• 時系列EEG情報を効果的に抽出するためのVarianceレイヤーを導入する。
• 健常者と脳卒中患者の両方で分類精度の向上を実証する。
• 解釈可能なAI技術を用いて discriminative EEG特徴に関する解釈可能性を提供する。

提案手法

• 生のEEGを 9つのナローバンド（4-8 Hz から 36-40 Hz）にスペクトルフィルタリングして多視点EEG表現を開発する。
• 各バンドにつき一定数の空間フィルタを学習する Depthwise Convolution 空間ブロックを適用してスペクトロ-空間パターンを学習する。
• 非重複ウィンドウ(w) 上の時間的分散を計算する Varianceレイヤーを導入し、特徴次元を削減し ERD/ERS 関連の変動を強調する。
• 最終クラス確率のためにソフトマックス活性化を持つ全結合層を使用し、正則化のために重み正規化を行う。
• Adamオプティマイザーでエンドツーエンドに訓練し、二段階方式（訓練+検証、次に全訓練）と検証性能に基づく早期停止を採用する。

実験結果

リサーチクエスチョン

• RQ1 神経生理学的に情報を取り入れた多視点CNNは限られた訓練データで MI-EEG 分類を改善できるか？
• RQ2 提案された Variance レイヤーは標準的プーリングと比べて時間的特徴抽出能力が優れているか？
• RQ3 FBCNet は健常者と慢性脳卒中集団で、古典的MLおよび他のCNNアーキテクチャと比較してどう機能するか？
• RQ4 Explainable AI を用いて健常者と脳卒中被験者の discriminative EEG特徴にどんな洞察が得られるか？
• RQ5 FBCNetは小規模訓練データセットや被験者間変動に対して頑健か？

主な発見

Dataset	Test Configuration	FBCSP-SVM	Deep ConvNet	EEGNet-8,2	FBCNet
BCIC-IV-2A Data	10-fold cross validation	75.89	72.20	73.13	79.03
OpenBMI Data	10-fold cross validation	64.61	68.33	70.89	74.70
Stroke Data: A	10-fold cross validation	71.37	68.81	69.15	79.16
Stroke Data: B	10-fold cross validation	74.14	71.11	73.47	81.11
BCIC-IV-2A Data	Hold out test set	68.06	72.22	73.15	76.20
OpenBMI Data	Hold out test set	60.36	60.77	63.63	67.19

• FBCNet は BCIC-IV-2A で Hold-Out テスト時に 76.20% の 4 クラス精度を達成し、新しい最先端を設定した。
• OpenBMI データセットおよび脳卒中データセットで、競合ベースラインよりも最大で 8% 高い二値分類精度を提供する。
• データセット全体で、FBCNet は CV および HO 分析において一貫して FBCSP-SVM、Deep ConvNet、EEGNet-8,2 を上回っている。
• Variance レイヤーは、全データセットを通じて平均プーリングまたは最大プーリングよりも最良の時間的特徴抽出を示す。
• FBCNet はベースライン精度が低い被験者に対してより有用性を示し、脳卒中患者の利便性を向上させ（70% 以上の精度を達成する被験者が増加）、使いやすさを高めている。
• Explainable AI（DeepLIFT）は、健常者と脳卒中集団間の discriminative EEG特徴に差異があることを示す。