[論文レビュー] Mental State Recognition via Wearable EEG

Pouya Bashivan, Irina Rish+1 more|arXiv (Cornell University)|Feb 2, 2016

EEG and Brain-Computer Interfaces参考文献 10被引用数 47

ひとこと要約

本研究では、教育的（論理的）な刺激とレクリエーション的（感情的）な刺激によって誘発される異なる精神状態を認識するために、低価格のウェアラブルEEGヘッドセットを用いる可能性を検討する。SVM、スパースロジスティック回帰、ディープベルーフネットワークを用いて、著者らはウェアラブルEEGがこれらの認知状態を顕著に区別できることを示し、警戒状態、精神的健康、生産性の監視など、実世界の応用における可能性を示唆している。

ABSTRACT

The increasing quality and affordability of consumer electroencephalogram (EEG) headsets make them attractive for situations where medical grade devices are impractical. Predicting and tracking cognitive states is possible for tasks that were previously not conducive to EEG monitoring. For instance, monitoring operators for states inappropriate to the task (e.g. drowsy drivers), tracking mental health (e.g. anxiety) and productivity (e.g. tiredness) are among possible applications for the technology. Consumer grade EEG headsets are affordable and relatively easy to use, but they lack the resolution and quality of signal that can be achieved using medical grade EEG devices. Thus, the key questions remain: to what extent are wearable EEG devices capable of mental state recognition, and what kind of mental states can be accurately recognized with these devices? In this work, we examined responses to two different types of input: instructional (logical) versus recreational (emotional) videos, using a range of machine-learning methods. We tried SVMs, sparse logistic regression, and Deep Belief Networks, to discriminate between the states of mind induced by different types of video input, that can be roughly labeled as logical vs. emotional. Our results demonstrate a significant potential of wearable EEG devices in differentiating cognitive states between situations with large contextual but subtle apparent differences.

研究の動機と目的

• 消費者向けウェアラブルEEGデバイスが、微細な認知状態の違いを認識できる能力を評価すること。
• ウェアラブルEEGが、教育的（論理的）な動画とレクリエーション的（感情的）な動画コンテンツによって誘発される精神状態を効果的に区別できるかどうかを調査すること。
• SVM、スパースロジスティック回帰、ディープベルーフネットワークといった複数の機械学習モデルの性能を、これらの精神状態の分類において評価すること。
• 非臨床的環境における認知状態のリアルタイム監視に、ウェアラブルEEGが実用的に可能かどうかを特定すること。
• 日常生活の場面で、眠気や不安、疲労の検出といった応用において、低価格EEGシステムの可能性を検討すること。

提案手法

• 被験者が教育的（論理的）な動画とレクリエーション的（感情的）な動画刺激を視聴する際、消費者向けEEGヘッドセットを装着した。
• EEG信号は前処理され、動画刺激に対応する時間固定エポックに分割された。
• 認知状態に関連する神経パターンを捉えるために、EEGデータから特徴抽出が行われた。
• SVM、スパースロジスティック回帰、ディープベルーフネットワークの3つの機械学習モデルを用いて、EEG特徴に基づく精神状態の分類が訓練された。
• 分類精度と統計的有意性の検定を用いて、モデルの性能が評価された。
• 本研究では、主に2つの広範な精神状態、すなわち論理的（推論、集中）と感情的（関与、感情的反応）の区別に焦点を当てた。

実験結果

リサーチクエスチョン

• RQ1 消費者向けウェアラブルEEGデバイスは、論理的に構成された動画と感情的に魅力的な動画コンテンツによって誘発される精神状態を検出し、区別できるか？
• RQ2 SVM、スパースロジスティック回帰、ディープベルーフネットワークといった異なる機械学習モデルは、低品質なEEG信号を用いて、これらの認知状態をどの程度効果的に分類できるか？
• RQ3 刺激における微細な文脈的差異が、ウェアラブルデバイスを用いたEEGパターンに測定可能で分類可能な変化を引き起こす程度はどの程度か？
• RQ4 非医療的、実世界のシナリオにおいて、低価格EEGシステムを用いたリアルタイムの精神状態監視が実用的かどうか？
• RQ5 論理的状態と感情的状態の間のシフトを、ウェアラブルEEGデータにおいて一貫して相関するEEG信号特徴は存在するか？

主な発見

• 本研究では、ウェアラブルEEGデバイスが教育的動画とレクリエーション的動画によって誘発される精神状態を成功裏に区別できることを示した。
• SVM、スパースロジスティック回帰、ディープベルーフネットワークの3つの機械学習モデルすべてが、統計的に有意な分類性能を達成した。
• 結果から、低い信号品質であっても、ウェアラブルEEGシステムが顕著な認知状態に関連する意味のある神経パターンを検出できることを示している。
• 分類性能の結果から、わずかではあるが文脈的に意味のある精神的関与の違いが、消費者向けEEGハードウェアを用いて捉えられることを示唆している。
• 本研究の結果は、日常環境における眠気、感情的ストレス、認知的疲労の監視など、ウェアラブルEEGの応用可能性を支持している。
• 本研究では、機械学習がノイズが多く、解像度が低いEEGデータからも、信頼性の高い分類が可能な判別特徴を効果的に抽出できることを確認した。