[論文レビュー] Know Your Mind: Adaptive Brain Signal Classification with Reinforced Attentive Convolutional Neural Networks

Xiang Zhang, Lina Yao+4 more|arXiv (Cornell University)|Feb 12, 2018

EEG and Brain-Computer Interfaces参考文献 39被引用数 6

ひとこと要約

本論文は、空間的依存関係をモデル化し、関連する特徴を自己適応的に選択する強化学習に基づく注意メカニズムを備えた汎用的でエンド・ツー・エンドのフレームワークを、生エレクトロエンセファログラム（EEG）信号分類に提案する。このフレームワークは、意図認識、個人識別、神経障害診断といった複数の認知的タスクにおいて最先端の精度を達成するとともに、ノイズが多く不完全なEEGデータに対しても低遅延かつ高い耐性を示す。

ABSTRACT

Electroencephalography (EEG) signals reflect activities on certain brain areas. Effective classification of time-varying EEG signals is still challenging. First, EEG signal processing and feature engineering are time-consuming and highly rely on expert knowledge. In addition, most existing studies focus on domain-specific classification algorithms which may not be applicable to other domains. Moreover, the EEG signal usually has a low signal-to-noise ratio and can be easily corrupted. In this regard, we propose a generic EEG signal classification framework that accommodates a wide range of applications to address the aforementioned issues. The proposed framework develops a reinforced selective attention model to automatically choose the distinctive information among the raw EEG signals. A convolutional mapping operation is employed to dynamically transform the selected information to an over-complete feature space, wherein implicit spatial dependency of EEG samples distribution is able to be uncovered. We demonstrate the effectiveness of the proposed framework using three representative scenarios: intention recognition with motor imagery EEG, person identification, and neurological diagnosis. Three widely used public datasets and a local dataset are used for our evaluation. The experiments show that our framework outperforms the state-of-the-art baselines and achieves the accuracy of more than 97% on all the datasets with low latency and good resilience of handling complex EEG signals across various domains. These results confirm the suitability of the proposed generic approach for a range of problems in the realm of Brain-Computer Interface applications.

研究の動機と目的

• 時間のかかる前処理や専門家が設計した特徴量に依存する従来のEEG信号分類手法の限界を解消すること。
• 多様な認知的応用に一般化できない分野特有の性質を持つ既存のEEGモデルの課題を克服すること。
• 生EEG信号に内在する低SNR（信号対雑音比）と混沌としたダイナミクスに対する耐性を向上させること。
• セグメント化されたウィンドウではなく、単一のEEGサンプルに直接処理することで、効率的でリアルタイムな分類を可能にすること。
• 異なるEEGチャネル数や不完全な信号状態においても高い性能を維持する普遍的なフレームワークを開発すること。

提案手法

• 生データから最も判別性の高いEEG信号次元を自動的に特定・注目する、強化された選択的注意メカニズムを採用する。
• 選択された特徴量を空間的依存性を持つ表現に動的に変換する畳み込みマッピング操作を統合し、信号の隠れた分布を捉える。
• 分類精度を最大化するために指数関数的報酬モデルを用いた深層強化学習ポリシーを活用し、特徴選択を最適化する。
• 空間的依存関係学習の強化とモデル一般化性能の向上を目的として、リピートアンドシャッフル型のデータ拡張戦略を適用する。
• 手動による特徴工学や前処理ステップを一切用いずに、生EEGインスタンス上でエンド・ツー・エンドにモデルを学習する。
• 標準の精度ベース報酬よりも効果的に注意ポリシー学習を誘導するため、独自の指数関数的報酬関数を強化学習に活用する。

実験結果

リサーチクエスチョン

• RQ1 手動による特徴工学や前処理を必要としない深層学習フレームワークは、EEGを用いた認知的活動認識において高い精度を達成できるか？
• RQ2 強化学習に基づく注意メカニズムは、多様な認知的タスクにわたり関連するEEG特徴量を効果的に選択できるか？
• RQ3 提案フレームワークは、ノイズ多め・不完全・低チャネル数のEEG条件下でも性能を維持できるか？
• RQ4 リアルタイムBCI応用において、最先端手法と比較して、遅延と精度の両面でどのように差がつくか？
• RQ5 本フレームワークは、意図認識、個人識別、神経障害診断といった異なるEEGデータセットや応用分野に一般化可能か？

主な発見

• eegmmidbデータセットでは96.32%の精度を達成し、従来の報酬モデル（92.31%）および最先端のベースラインを著しく上回った。
• EEG-Sデータセットでは99.84%の精度に達し、複雑で高次元なEEG信号に対しても強力な性能を示した。
• TUHデータセットでは99.75%の競争的精度を維持したことで、少ないチャネル数や信号ばらつきに対しても耐性があることが示された。
• eegmmidbでチャネルの20%（64中12）しか使用しなくても96.32%の精度を達成したため、欠損または不完全なデータに対しても高い耐性があることが確認された。
• 推論遅延は1秒未満（0.7–0.8秒）であり、分類器が遅延の主因であったが、畳み込みマッピングはたった0.05秒の追加遅延にとどまった。
• 強化された注意メカニズムにより、不要な信号成分がフィルタリングされ、計算オーバーヘッドが低減し、低遅延かつ高効率な性能が実現された。