[論文レビュー] Integrating EEG and MEG signals to improve motor imagery classification in brain-computer interfaces

Marie‐Constance Corsi, Mario Chávez+5 more|arXiv (Cornell University)|Nov 20, 2017

EEG and Brain-Computer Interfaces参考文献 51被引用数 3

ひとこと要約

本研究では、非侵襲的脳インターフェース（BCI）における運動イメージネーション分類を向上させるために、同時に記録されたEEGおよびMEG信号を統合するフレームワークを提案する。特徴量の適応的統合を可能にする重み付きマッチングスコア統合手法を用いることで、特にアルファ帯域およびベータ帯域において分類精度が著しく向上し、15名の被験者のうち13名で単一モダリティのEEGまたはMEGのみを用いた場合よりも性能が向上した。

ABSTRACT

We propose a fusion approach that combines features from simultaneously recorded electroencephalographic (EEG) and magnetoencephalographic (MEG) signals to improve classification performances in motor imagery-based brain-computer interfaces (BCIs). We applied our approach to a group of 15 healthy subjects and found a significant classification performance enhancement as compared to standard single-modality approaches in the alpha and beta bands. Taken together, our findings demonstrate the advantage of considering multimodal approaches as complementary tools for improving the impact of non-invasive BCIs.

研究の動機と目的

• 運動イメージネーションベースのBCIにおける低分類性能の課題、特にBCI非応答者に対する課題を解決すること。
• EEGおよびMEGという2つの補完的神経画像法を統合することで、単一モダリティのアプローチを上回るBCI性能を向上させられるかどうかを調査すること。
• 個々の被験者の信号品質および神経動態に基づき、EEGとMEGの寄与度を動的に重みづける、堅牢で適応的な統合戦略を開発・評価すること。
• BCI初心者を想定した現実的で最適化されていない環境下でも、このようなマルチモーダル統合が実用的BCI展開に適しているかどうかを評価すること。

提案手法

• 15名の健康で右利きの被験者に対して、運動イメージネーションタスク中に高密度EEG（74チャンネル）およびMEG（306チャンネル）を同時に記録した。
• イベント関連脱同期（ERD）に注目し、アルファ帯域（8–13 Hz）およびベータ帯域（13–30 Hz）におけるEEGおよびMEG信号から時間周波数特徴量を抽出した。
• 重み付きマッチングスコア統合手法を適用し、個々の信号信頼性に基づいて学習可能な重みパラメータλiを用いて各モダリティの寄与度を動的に調整した。
• ベース分類器として線形判別分析（LDA）を用い、分類スコアレベルでの統合により、モダリティ固有の分類出力を統合した。
• 500-msエポックを用いてオフラインでフレームワークを訓練および評価し、計算遅延は1エポックあたり約20 msと推定された。これはリアルタイムBCIフィードバックサイクルと互換性がある。
• 被験者固有の特徴量重み（λi）を分析し、モダリティ優位性および被験者間の信号寄与度のばらつきを評価した。

実験結果

リサーチクエスチョン

• RQ1 EEGとMEG信号の統合は、単一モダリティのアプローチと比較して、運動イメージネーション分類性能を向上させることができるか？
• RQ2 被験者間でEEGとMEGの相対的寄与度はどのように変動し、その変動要因は何か？
• RQ3 提案された統合フレームワークは、BCI初心者を対象とし、信号品質が最適化されていない現実的条件下でも、性能向上を維持できるか？
• RQ4 この統合手法はリアルタイムBCIアプリケーションに十分な計算効率を有しているか？
• RQ5 EEGとMEGの両方でアルファ帯域およびベータ帯域のERDを統合することで、分類精度向上に果たす役割は何か？

主な発見

• EEGとMEG信号の統合により、15名中13名の被験者で分類性能が著しく向上し、特にアルファ帯域およびベータ帯域で顕著であった。
• 受容者作動特性曲線（AUC）の平均値が統合によって向上し、被騟能力の向上に顕著な被験者間ばらつきが認められた。
• 統合フレームワークはモダリティ重み（λi）を適応的に調整しており、EEGとMEGの相対的寄与度に顕著な被験者間ばらつきが認められ、神経信号検出可能性における個体差が示唆された。
• 統合パイプラインの計算遅延は、500-msエポックあたり約20 msと推定され、リアルタイムBCIフィードバックシステムと互換性がある。
• 前処理を施さず、BCI初心者を対象とし、信号品質が最適化されていない状況下でも、本手法は高いロバスト性を示した。
• ガンマ帯域の活動には有意な向上が認められなかった。これは、頭皮記録信号における信号対雑音比の低さおよび体積導電効果によるものと推定された。