[論文レビュー] M3D: Manifold-based Domain Adaptation with Dynamic Distribution for Non-Deep Transfer Learning in Cross-subject and Cross-session EEG-based Emotion Recognition

Ting Luo, Jing Zhang+5 more|arXiv (Cornell University)|Apr 24, 2024

Emotion and Mood Recognition被引用数 4

ひとこと要約

本稿では、多様体に基づくドメイン適応と動的分布整合を用いてドメインシフトを低減する、非ディープな転移学習フレームワークMDDDを提案する。EEGデータをグラスマン多様体にマッピングし、反復的に周辺分布と条件付き分布を整合させることで、被験者間およびセッション間のEEGに基づく感情認識における一般化性能を向上させる。非ディープ手法よりも平均3.54%の精度向上を達成し、ディープラーニングモデルと同等の性能を発揮する。

ABSTRACT

Emotion decoding using Electroencephalography (EEG)-based affective brain-computer interfaces (aBCIs) plays a crucial role in affective computing but is limited by challenges such as EEG's non-stationarity, individual variability, and the high cost of large labeled datasets. While deep learning methods are effective, they require extensive computational resources and large data volumes, limiting their practical application. To overcome these issues, we propose Manifold-based Domain Adaptation with Dynamic Distribution (M3D), a lightweight, non-deep transfer learning framework. M3D consists of four key modules: manifold feature transformation, dynamic distribution alignment, classifier learning, and ensemble learning. The data is mapped to an optimal Grassmann manifold space, enabling dynamic alignment of source and target domains. This alignment is designed to prioritize both marginal and conditional distributions, improving adaptation efficiency across diverse datasets. In classifier learning, the principle of structural risk minimization is applied to build robust classification models. Additionally, dynamic distribution alignment iteratively refines the classifier. The ensemble learning module aggregates classifiers from different optimization stages to leverage diversity and enhance prediction accuracy. M3D is evaluated on two EEG emotion recognition datasets using two validation protocols (cross-subject single-session and cross-subject cross-session) and a clinical EEG dataset for Major Depressive Disorder (MDD). Experimental results show that M3D outperforms traditional non-deep learning methods with a 4.47% average improvement and achieves deep learning-level performance with reduced data and computational requirements, demonstrating its potential for real-world aBCI applications.

研究の動機と目的

• EEGに基づく感情認識における非定常性と個人差の課題に対処し、被験者およびセッション間でのモデル一般化を向上させること。
• i.i.d.データを仮定する従来の非ディープ学習手法の限界を克服し、ラベル付けが困難で少量のEEGデータが得られるドメイン間設定でも有効に機能すること。
• ディープラーニング手法に比べ、大規模なラベル付きデータセットや高コストな計算リソースに依存しない軽量な非ディープ転移学習フレームワークの開発。
• 多様体幾何学を用いて、ソースドメインとターゲットドメイン間の周辺分布と条件付き分布を動的に整合させることで、モデルのロバスト性と性能を向上させること。
• 最適化ステージを跨ぐモデルの集合による学習を統合することで、分類の信頼性を高めること。

提案手法

• EEG信号を最適なグラスマン多様体空間にマッピングし、内在するデータ構造をよりよく捉え、ドメインシフトを低減すること。
• データの特性に応じて、周辺分布と条件付き分布の重みを動的に調整する動的分布整合を実装すること。
• 構造的リスク最小化を分類器学習に統合し、分布シフトに強い、一般化性能の高いモデルを構築すること。
• 動的分布整合を用いて分類器を反復的に最適化することで、段階的に予測性能を向上させること。
• 複数の最適化ステップからの分類器を統合するため、LinkCLuEを用いたアンサンブル学習を採用し、多様性と予測安定性を向上させること。
• 多様体変換、分布整合、分類器学習、アンサンブル学習を段階的に適用するマルチステージ最適化プロセスを採用すること。

実験結果

リサーチクエスチョン

• RQ1 非ディープな転移学習フレームワークは、被験者間およびセッション間のEEGに基づく感情認識において、ドメインシフトを効果的に低減できるか？
• RQ2 グラスマン多様体上での周辺分布と条件付き分布の動的整合は、静的または単一分布整合と比較して、モデルの一般化性能をどのように向上させるか？
• RQ3 構造的リスク最小化を用いた反復的分類器学習は、データが少ない環境下で分類のロバスト性をどの程度向上させるか？
• RQ4 複数の最適化ステージに跨る予測を統合するアンサンブル学習は、全体の精度と安定性を向上させるためにどの程度効果的か？
• RQ5 提案されたMDDDフレームワークは、ラベル付きデータが少なく、計算コストも低い条件下で、ディープラーニングモデルと同等の性能を達成できるか？

主な発見

• MDDDは、被験者間およびセッション間のEEG感情認識タスクにおいて、従来の非ディープ学習手法よりも平均3.54%の精度向上を達成した。
• モデルの性能は10回以上の最適化反復を過ぎても安定しており、以降の分類精度は最小限に変動する。
• 学習過程におけるμパラメータの動的調整は、周辺分布と条件付き分布の重み付けを適応的に行うことを示し、データ表現と整合性の向上に寄与している。
• LinkCLuE法を用いたアンサンブル学習は、平均化や投票戦略を上回る性能を示し、複数の反復ステージに跨る分類結果の統合能力に優れている。
• 反復的精錬を伴う分類器学習は、評価指標（例：誤差率）を顕著に低減し、モデルのロバスト性に与える影響を裏付けている。
• MDDDは、小規模なラベル付きデータセットと低い計算リソース制約下でも、ディープラーニング手法と同等の性能を達成しており、実世界のaBCIアプリケーションに適している。