[論文レビュー] Improving brain computer interface performance by data augmentation with conditional Deep Convolutional Generative Adversarial Networks

Qiqi Zhang, Ying Liu|arXiv (Cornell University)|Jun 19, 2018

EEG and Brain-Computer Interfaces参考文献 20被引用数 59

ひとこと要約

この論文は、データ拡張のための条件付きDCGAN（cDCGAN）を提案し、訓練データが限られた状態でのCNNベースのBCIの性能を向上させることを目的としている。生成データはテスト精度に匹敵・向上させ、データが不足している場合の分類を強化する。

ABSTRACT

One of the big restrictions in brain computer interface field is the very limited training samples, it is difficult to build a reliable and usable system with such limited data. Inspired by generative adversarial networks, we propose a conditional Deep Convolutional Generative Adversarial (cDCGAN) Networks method to generate more artificial EEG signal automatically for data augmentation to improve the performance of convolutional neural networks in brain computer interface field and overcome the small training dataset problems. We evaluate the proposed cDCGAN method on BCI competition dataset of motor imagery. The results show that the generated artificial EEG data from Gaussian noise can learn the features from raw EEG data and has no less than the classification accuracy of raw EEG data in the testing dataset. Also by using generated artificial data can effectively improve classification accuracy at the same model with limited training data.

研究の動機と目的

• 脳-コンピュータインターフェースにおける極めて限られた訓練サンプルの課題に対処する。
• 拡張のために人工EEGデータを生成する条件付きDeep Convolutional GANを導入する。
• GAN生成データが意味のあるEEG特徴を学習できるか評価する。
• 運動想起データを用いたCNNベースBCI性能に対する拡張データの影響を評価する。

提案手法

• 人工EEG信号を生成する条件付きDeep Convolutional Generative Adversarial Network (cDCGAN)を採用する。
• クラスラベルで条件付けられたGaussianノイズから人工EEGデータを生成する。
• 生成データをCNNベースBCI分類器の訓練セットの拡張に使用する。
• 運動想起のBCI競技データセットで性能を評価する。
• 実データのみと拡張データセットを用いた分類精度を比較する。
• 生成データが生データから特徴を学習でき、テスト精度で同等の成果を達成できることを示す。

実験結果

リサーチクエスチョン

• RQ1 訓練データが限られている場合に、cDCGAN生成の人工EEGデータはCNNベースのBCI分類を改善できるか？
• RQ2 生成されたEEGサンプルは実際のEEGデータを代表する特徴を学習し、識別情報を保持するか？
• RQ3 テストで実データのみで達成した精度と同等か、それを上回る拡張は可能か？

主な発見

• Gaussianノイズから生成した人工EEGデータは生データから特徴を学習できる。
• 生成データはテストデータセットにおいて生データと同等以上の分類精度を達成する。
• 生成人工データを使用すると、訓練データが限られている場合でも分類精度を効果的に向上させる。
• このアプローチは運動想起のBCI競技データセットで評価されている。
• cDCGANベースの拡張はCNN分類器を用いたBCIにおける小サンプル問題を解決する。