[論文レビュー] Mental Task Classification Using Electroencephalogram Signal

Zeyu Bai, Ruizhi Yang+1 more|arXiv (Cornell University)|Oct 2, 2019

EEG and Brain-Computer Interfaces参考文献 26被引用数 38

ひとこと要約

本論文は EEG ベースの精神課題分類における CNN、LSTM、GRU アーキテクチャを比較し、CNN デコーダを備えた混合 LSTM モデルを導入しており、混合モデルの検証精度とテスト精度がより高いことを報告する。

ABSTRACT

This paper studies the classification problem on electroencephalogram (EEG) data of mental tasks, using standard architecture of three-layer CNN, stacked LSTM, stacked GRU. We further propose a novel classifier - a mixed LSTM model with a CNN decoder. A hyperparameter optimization on CNN shows validation accuracy of 72% and testing accuracy of 62%. The stacked LSTM and GRU models with FFT preprocessing and downsampling on data achieve 55% and 51% testing accuracy respectively. As for the mixed LSTM model with CNN decoder, validation accuracy of 75% and testing accuracy of 70% are obtained. We believe the mixed model is more robust and accurate than both CNN and LSTM individually, by using the CNN layer as a decoder for following LSTM layers. The code is completed in the framework of Pytorch and Keras. Results and code can be found at https://github.com/theyou21/BigProject.

研究の動機と目的

• 標準的な深層学習アーキテクチャを用いた EEG ベースの精神課題分類を調査する。
• EEGデータ上での CNN、スタック型 LSTM、スタック型 GRU の性能を比較する。
• 精度向上を目的として、CNNデコーダを備えた新規の混合 LSTM モデルを提案する。

提案手法

• EEGデータに標準の3層 CNN、スタック型 LSTM、スタック型 GRU アーキテクチャを適用する。
• EEG信号に対してFFT前処理とダウンサンプリングを適用する。
• CNNデコーダを備えた混合 LSTM モデルを提案し、性能を評価する。
• CNN コンポーネントのハイパーパラメータ最適化を行う。

実験結果

リサーチクエスチョン

• RQ1 EEGベースの精神課題分類において、最も高い精度をもたらす深層学習アーキテクチャはどれか（CNN、LSTM、GRU）？
• RQ2 CNNデコーダを備えた混合LSTMモデルは、単独モデルと比べて検証・テストの性能を向上させるか？
• RQ3 FFTやダウンサンプリングといった前処理が、EEGの精神課題分類におけるモデルの性能にどのように影響するか？

主な発見

モデル	検証精度	テスト精度
CNN (with hyperparameter optimization)	72%	62%
Stacked LSTM (FFT + downsampling)	—	55%
Stacked GRU (FFT + downsampling)	—	51%
Mixed LSTM with CNN decoder	75%	70%

• ハイパーパラメータ最適化を行った CNN は、72% の検証精度と 62% のテスト精度を達成。
• FFT 前処理とダウンサンプリングを用いたスタック型 LSTM は 55% のテスト精度を達成。
• FFT 前処理とダウンサンプリングを用いたスタック型 GRU は 51% のテスト精度を達成。
• CNNデコーダを備えた混合LSTMモデルは 75% の検証精度と 70% のテスト精度を達成。
• 混合 LSTM モデルは、個別の CNN または LSTM モデルよりも堅牢かつ高精度であると報告されている。