[論文レビュー] Improved EEG Classification by factoring in sensor topography.

Lubna Shibly Mokatren, Rashid Ansari+5 more|arXiv (Cornell University)|May 22, 2019

EEG and Brain-Computer Interfaces被引用数 3

ひとこと要約

本稿では、空間的電極配置を補間によってモデル化することで、被検体の頭部解剖的配置を組み込んだ新規なEEG分類手法を提案する。EEGデータを2次元空間的マップとして表現し、CNNを用いることで、空間的配置を無視する従来手法に比べて5–8%高い分類精度を達成した。特に、社会不安障害（SAD）および感情認識タスクにおいて顕著な向上が見られた。

ABSTRACT

Electroencephalography (EEG) serves as an effective diagnostic tool for mental disorders and neurological abnormalities. Enhanced analysis and classification of EEG signals can help improve detection performance. This work presents a new approach that seeks to exploit the knowledge of EEG sensor spatial configuration to achieve higher detection accuracy. Two classification models, one which ignores the configuration (model 1) and one that exploits it with different interpolation methods (model 2), are studied. The analysis is based on the information content of these signals represented in two different ways: concatenation of the channels of the frequency bands and an image-like 2D representation of the EEG channel locations. Performance of these models is examined on two tasks, social anxiety disorder (SAD) detection, and emotion recognition using DEAP dataset. Validity of our hypothesis that model 2 will significantly outperform model 1 is borne out in the results, with accuracy $5$--$8\%$ higher for model 2 for each machine learning algorithm we investigated. Convolutional Neural Networks (CNN) were found to provide much better performance than SVM and kNNs.

研究の動機と目的

• EEGセンサーの空間的配置を活用することで、EEG分類の精度を向上させること。
• センサー配置の統合が、精神状態分類のパフォーマンスに良い影響を及えるかどうかを調査すること。
• EEG信号解析において、空間的センサー構成を無視するか、活用するかの両方のモデルを比較すること。
• 空間的EEGデータ表現に適した異なる補間技術の有効性を評価すること。
• 空間情報が含まれる場合における機械学習モデル（SVM、kNN、CNN）の相対的パフォーマンスを特定すること。

提案手法

• 本手法は、EEG電極の解剖学的配置に基づいた2次元画像に類似した表現を用いてEEG信号をモデル化する。
• 空間補間技術を用いて、測定されていない位置の信号値を推定し、空間的分解能を向上させる。
• 2つのモデルを比較する：1つはセンサー構成を無視する（モデル1）、もう1つは補間された空間的マップを介してそれを統合する（モデル2）。
• 周波数帯信号は、チャンネルごとに連結されるか、2次元空間的特徴マップに変換され、分類器への入力として使用される。
• 畳み込みニューラルネットワーク（CNN）を用いて、2次元表現内の空間的パターンを活用し、SVMおよびkNNを上回る性能を発揮する。
• 性能評価は、社会不安障害（SAD）および感情認識のためのDEAPの2つのデータセットを用いて実施する。

実験結果

リサーチクエスチョン

• RQ1 EEGセンサー配置を統合することで、精神状態検出における分類精度が顕著に向上するか？
• RQ2 異なる補間手法が、空間的EEGパターンの表現にどのように影響を与えるか？
• RQ3 従来の分類器と比較して、CNNは2次元空間的表現からの学習を効果的に行えるか？
• RQ4 空間モデリングによるパフォーマンス向上は、異なる機械学習アルゴリズム全体に一貫して見られるか？
• RQ5 空間情報は、社会不安障害および感情状態の検出にどの程度向上効果をもたらすか？

主な発見

• 補間を用いてセンサー配置を統合するモデル2は、全テスト機械学習アルゴリズムにおいて、モデル1に比べて5–8%高い分類精度を達成した。
• 畳み込みニューラルネットワーク（CNN）は、SVMおよびkNNを上回り、EEGデータ内の空間的パターンを効果的に活用できる能力を示した。
• 2次元空間的表現は、周波数帯の単純な連結に比べ、情報量を顕著に増加させた。
• 空間的構成を含めた結果の向上は、SADおよびDEAPの両データセットで一貫して観察された。
• 補間手法の使用により、EEG信号表現の空間的忠実度が向上し、分類に向けたより判別性の高い特徴が得られた。
• 結果は、空間的センサー構成がEEG分類において重要な要因であり、無視してはならないという仮説を裏付けた。