[論文レビュー] Light-Weight 1-D Convolutional Neural Network Architecture for Mental Task Identification and Classification Based on Single-Channel EEG

Manali Saini, Udit Satija+1 more|arXiv (Cornell University)|Dec 12, 2020

EEG and Brain-Computer Interfaces参考文献 42被引用数 5

ひとこと要約

本論文は、1チャネルEEGを用いたリアルタイムの精神的タスク分類のための軽量1D-CNNアーキテクチャを提案する。手動による特徴量抽出やアーチファクト抑制を不要とし、公開および自社内EEGデータセットで、被験者独立の精度が最大99.7％に達し、ノイズに対して高いロバスト性と被験者間での強力な一般化性能を示した。

ABSTRACT

Mental task identification and classification using single/limited channel(s) electroencephalogram (EEG) signals in real-time play an important role in the design of portable brain-computer interface (BCI) and neurofeedback (NFB) systems. However, the real-time recorded EEG signals are often contaminated with noises such as ocular artifacts (OAs) and muscle artifacts (MAs), which deteriorate the hand-crafted features extracted from EEG signal, resulting inadequate identification and classification of mental tasks. Therefore, we investigate the use of recent deep learning techniques which do not require any manual feature extraction or artifact suppression step. In this paper, we propose a light-weight one-dimensional convolutional neural network (1D-CNN) architecture for mental task identification and classification. The robustness of the proposed architecture is evaluated using artifact-free and artifact-contaminated EEG signals taken from two publicly available databases (i.e, Keirn and Aunon ($K$) database and EEGMAT ($E$) database) and in-house ($R$) database recorded using single-channel neurosky mindwave mobile 2 (MWM2) EEG headset in performing not only mental/non-mental binary task classification but also different mental/mental multi-tasks classification. Evaluation results demonstrate that the proposed architecture achieves the highest subject-independent classification accuracy of $99.7\%$ and $100\%$ for multi-class classification and pair-wise mental tasks classification respectively in database $K$. Further, the proposed architecture achieves subject-independent classification accuracy of $99\%$ and $98\%$ in database $E$ and the recorded database $R$ respectively. Comparative performance analysis demonstrates that the proposed architecture outperforms existing approaches not only in terms of classification accuracy but also in robustness against artifacts.

研究の動機と目的

• 1チャネルEEGを用いた精神的タスク同定のためのリアルタイムで持ち運び可能な脳-コンピュータインターフェース（BCI）システムの開発。
• EEG信号に生じる眼球運動および筋肉アーチファクトの存在下で、手作業で設計された特徴量の限界を克服すること。
• ディープラーニングを活用することで、手動による特徴量抽出およびアーチファクト抑制の必要性を排除すること。
• 異なるEEGデータベースおよび被験者間でのモデルのロバスト性と一般化性能を評価すること。
• リアルタイムのニューロフィードバックアプリケーションに適した低遅延・高精度分類を実現すること。

提案手法

• エンド・ツー・エンド分類を目的とした、2つの畳み込み層（Conv1D）、マックスプーリング、全結合層を備えた軽量1D-CNNアーキテクチャを設計。
• 前処理や手動による特徴量抽出を経ずに、生の1チャネルEEG信号を直接処理する。
• Conv1DおよびMaxPool1D層の特徴マップを可視化し、さまざまな精神的タスク間で学習された判別的パターンを解釈。
• マルチクラスおよびバイナリ分類の出力にソフトマックス関数を用い、確率的勾配降下法でエンド・ツー・エンドに訓練。
• 被験者適応性を検証するため、EEGMATで学習し、自社内データで評価することで、被験者間での一般化性能を検証。
• 3つのデータセット（Keirn & Aunon（K）、EEGMAT（E）、自社内（R））で性能を評価し、10秒のEEGセグメントを用いた。

実験結果

リサーチクエスチョン

• RQ1 手動による特徴量抽出やアーチファクト抑制なしで、軽量1D-CNNが精神的タスク分類で高い精度を達成できるか？
• RQ2 従来の手作業特徴量手法と比較して、提案モデルはアーチファクトが混入したEEG信号でどの程度の性能を示すか？
• RQ3 複数のEEGデータベースにわたる、提案アーキテクチャの被験者独立分類精度は何か？
• RQ4 ファインチューニングなしで、異なる被験者やデータセットに一般化できるか？
• RQ5 リアルタイムBCIシステムに適した短時間EEG信号セグメントで、モデルの性能はどの程度か？

主な発見

• 提案された1D-CNNは、Keirn & Aunon（K）データベースにおいて、すべてのバイナリタスクペア（BT-MT、BT-LT、BT-RT、MT-LT、MT-RT、LT-RT）で100％の被験者独立分類精度を達成した。
• Kデータベースでは、マルチクラス精神的タスク分類で平均99.7％の精度を達成した。
• EEGMAT（E）データベースでは、BT-ST分類で99％の被験者独立精度を達成した。
• 自社内（R）データベースでは、BT-ST分類で98％の被験者独立精度を達成した。
• モデルはアーチファクトに対して強く、精度とノイズ耐性の両面で従来手法を上回った。
• EEGMATで学習し、自社内データで評価した結果、97％の精度が得られ、被験者間での一般化性能が確認された。