[論文レビュー] Improving EEG Decoding via Clustering-based Multi-task Feature Learning

Yu Zhang, Tao Zhou+5 more|arXiv (Cornell University)|Dec 12, 2020

EEG and Brain-Computer Interfaces参考文献 69被引用数 6

ひとこと要約

本稿では、脳-コンピュータインターフェース（BCI）におけるEEGデコード精度の向上を目的として、クラスタリングに基づくマルチタスク特徴学習フレームワークを提案する。アフィニティプロパゲーションを用いてEEGデータ内の内在的サブクラスを同定し、ワン・ビズ・オールラベル化によりそれらを符号化することで、マルチタスク学習の枠組みでサブクラス間を統合最適化する。この手法により、3つのEEGデータセットにおいて、最先端の手法と比較して線形SVMベースの分類性能が顕著に向上した。

ABSTRACT

Accurate electroencephalogram (EEG) pattern decoding for specific mental tasks is one of the key steps for the development of brain-computer interface (BCI), which is quite challenging due to the considerably low signal-to-noise ratio of EEG collected at the brain scalp. Machine learning provides a promising technique to optimize EEG patterns toward better decoding accuracy. However, existing algorithms do not effectively explore the underlying data structure capturing the true EEG sample distribution, and hence can only yield a suboptimal decoding accuracy. To uncover the intrinsic distribution structure of EEG data, we propose a clustering-based multi-task feature learning algorithm for improved EEG pattern decoding. Specifically, we perform affinity propagation-based clustering to explore the subclasses (i.e., clusters) in each of the original classes, and then assign each subclass a unique label based on a one-versus-all encoding strategy. With the encoded label matrix, we devise a novel multi-task learning algorithm by exploiting the subclass relationship to jointly optimize the EEG pattern features from the uncovered subclasses. We then train a linear support vector machine with the optimized features for EEG pattern decoding. Extensive experimental studies are conducted on three EEG datasets to validate the effectiveness of our algorithm in comparison with other state-of-the-art approaches. The improved experimental results demonstrate the outstanding superiority of our algorithm, suggesting its prominent performance for EEG pattern decoding in BCI applications.

研究の動機と目的

• スカラップEEG信号における低SNRという課題に取り組み、BCIシステムにおける脳活動パターンの正確なデコードを妨げる要因を克服すること。
• 従来の機械学習手法がEEGサンプルの内在的データ構造を効果的にモデル化できないという制限を克服すること。
• クラスタリングを用いて元のEEGクラス内に隠れたサブクラス構造を同定することで、EEGパターンのデコード精度を向上させること。
• サブクラス間の関係を活用し、識別的EEG特徴を統合最適化するマルチタスク学習フレームワークを構築すること。
• 運動想起ベースのBCIアプリケーションにおける実世界のEEGデータセット上で、提案手法の有効性を示すこと。

提案手法

• 各元のEEGクラス内にサブクラスを同定するためにアフィニティプロパゲーション（AP）クラスタリングを適用し、データのより細分化された構造を捉える。
• 発見されたサブクラスをワン・ビズ・オールラベル戦略で符号化し、マルチタスク学習に適した構造化ラベル行列を作成する。
• サブクラス間で共有される特徴学習を強制しつつ、それらの固有のアイデンティティを保持する新しいマルチタスク学習アルゴリズムを設計する。
• サブクラス関係を構造化正則化項として組み込むことで、特徴学習を正則化された最適化問題として定式化する。
• 最適化された特徴に対して線形サポートベクターマシン（SVM）を訓練し、最終的なEEGパターン分類を実行する。
• ハイパーパramータのチューニングと、異なるデータセットにわたるロバストネスの確保のため、内側ループ交差検証を用いる。

実験結果

リサーチクエスチョン

• RQ1 EEGデータ内に隠れたサブクラスをクラスタリングベースで同定することで、BCIデコードのための特徴表現が向上するか？
• RQ2 マルチタスク学習によるサブクラス関係の統合は、従来の手法と比較してEEGパターン分類精度をどのように向上させるか？
• RQ3 提案手法は、ノイズや被験者差が異なる多様なEEGデータセットに一般化可能か？
• RQ4 分類精度の観点から、提案フレームワークは、既存の最先端のEEGデコードアルゴリズムをどの程度上回るか？
• RQ5 クラスタリングとマルチタスク学習の統合は、サブクラス構造の事前知識がなくても、EEGサンプルの内在的分布を効果的にモデル化できるか？

主な発見

• 提案アルゴリズムは、3つの独立したEEGデータセットにおいて、比較対象のすべての最先端手法を上回る顕著なEEGデコード精度を達成した。
• 分類性能における一貫した優位性は、データセット固有のばらつきやノイズに対してロバストであることを示している。
• サブクラス発見にアフィニティプロパゲーションを用いることで、データの内在的構造が効果的に捉えられ、より識別性の高い特徴表現が得られた。
• サブクラス正則化を施したマルチタスク学習フレームワークは、クラス間およびクラス内関係を活用することで、特徴最適化を向上させた。
• クラスタリングとマルチタスク学習による内在的データ構造のモデル化は、BCIシステムの発展にとって有望な方向性であると示唆された。
• アルゴリズムの性能向上は統計的に有意であり、実世界のBCIアプリケーションへの応用可能性が浮き彫りになった。