[論文レビュー] Graph Convolutional Neural Networks for analysis of EEG signals, BCI application

Mirfarid Musavian Ghazani, Anh Huy Phan|arXiv (Cornell University)|Jun 16, 2020

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

ひとこと要約

本稿では、運動想起BCIアプリケーションにおける生EEG信号に対するグラフ畳み込みニューラルネットワーク（GCNs）のエンドツーエンド学習のための新しい損失関数として、微分可能で非線形な共通空間パターン（CSP）の拡張であるDeepCSPを提案する。微分可能かつ線形分離可能な空間フィルタを学習することで、EEGデータセットにおける分類精度が向上し、GCNベースのモデルがBCIコンペティションIV-2aや運動想起データセットといったベンチマークデータセットで最先端の性能を達成した。

ABSTRACT

Decoding brain signals has gained many attention and has found much applications in recent years such as Brain Computer Interfaces, communicating with controlling external devices using the user's intentions, occupies an emerging field with the potential of changing the world, with diverse applications from rehabilitation to human augmentation. This being said brain signal analysis, EEG brain signal analysis in particular, is a challenging task. With the advances and achievements in the field of deep learning in problem solving with using only raw data, few attempts has been carried in recent years, to apply deep learning to tackle EEG among other types of brain signals. In this study, we propose a novel loss function, called DeepCSP to extend the classical Common Spatial Patterns to a non linear, differentiable module to serve as the loss function to enforce linearly separable latent representations of EEG signals belonging to different classes in an end to end manner on raw signals without the need to perform extensive feature engineering. With recent generalizations of deep learning methods to work on arbitrarily structured graphs and the introduced loss we have proposed two light weight models to decode EEG signals and carried experiments to show their performance.

研究の動機と目的

• BCIアプリケーションにおけるEEG信号分類の分野で、手作業による特徴工学の課題に対処すること。
• 古典的CSP手法の微分可能で非線形な拡張を考案し、深層ニューラルネットワークとのエンドツーエンド学習を可能にすること。
• グラフ畳み込みネットワークと新規損失関数を統合することで、EEG信号の分類性能を向上させること。
• EEG信号をグラフとして表現することで、運動想起タスクにおける特徴学習の向上を検討すること。
• スケーラブルで学習可能な空間フィルタリングにより、被験者に依存しないBCIアプリケーションを実現すること。

提案手法

• エンドツーエンド学習に適した非線形で学習可能なモジュールに一般化された古典的CSPを拡張した微分可能な損失関数であるDeepCSPを提案。
• 位相ロックイン値（PLV）から導出される接続行列を用いて、EEG信号を電極間の関係をモデル化するグラフとして表現。
• 空間的・時間的特徴をグラフ構造のEEGデータから抽出するために、GraphSAGEをGCNのバックボーンとして採用。
• 軽量なCNN-GCNアーキテクチャを、CNN/GCN用に0.01、分類器ヘッド用に0.1の別々の学習率で訓練。
• DeepCSPで学習された空間フィルタを用いて、脳の活性化パターンを解釈可能なトポグラフィックマップ（トポマップ）を生成。
• 2段階の訓練プロセスを採用：まず、全訓練セット上でDeepCSPによる空間フィルタの最適化を実施し、一般化性能を向上。

実験結果

リサーチクエスチョン

• RQ1 微分可能で非線形なCSPの拡張は、EEGベースのBCIシステムにおけるエンドツーエンド学習を改善できるか？
• RQ2 EEG信号をグラフとして表現することで、運動想起タスクにおける分類性能が向上するか？
• RQ3 接続性推定法（例：PLV）の違いが、GCNベースのEEG分類に与える影響は何か？
• RQ4 DeepCSPは、既知の神経生理学的パターン（例：運動皮質の活性化）と整合する空間フィルタを学習できるか？
• RQ5 提案手法は、特に被験者に依存しない設定において、どのように一般化するか？

主な発見

• BCIコンペティションIV-2aデータセットにおいて、提案されたDeepCSP損失はベースライン手法と比較して顕著に分類精度を向上させた。
• 運動想起データセットでは、DeepCSPとGCNベースの特徴抽出を組み合わせたモデルが、標準的なCSPおよび従来手法を上回る高い精度を達成した。
• PLVを用いた接続行列推定が他の手法よりも優れた性能を示し、EEGグラフモデリングに適していることが確認された。
• DeepCSPで学習された空間フィルタは、右利き・左利きの運動想起タスクにおいて、C3およびC4電極上に明確な活性化パターンを示す解釈可能なトポグラフィックマップを生成した。
• 空間フィルタ層に4つの成分を用いたモデルが最適な性能を示し、複雑さと一般化性能のバランスが取れていることを示した。
• 動的グラフ畳み込みネットワークは、パrameter数が多く、EEGデータのノイズが強いことから、急速に過学習を起こし、結果として性能が悪化した。