[論文レビュー] Minimizing inter-subject variability in fNIRS based Brain Computer Interfaces via multiple-kernel support vector learning

Berdakh Abibullaev, Jinung An+3 more|arXiv (Cornell University)|Sep 25, 2012

EEG and Brain-Computer Interfaces参考文献 12被引用数 20

ひとこと要約

本稿では、fNIRSベースの脳-コンピュータインターフェース（BCI）における被験者間およびセッション間のばらつきを最小化するためのマルチカーネルサポートベクターマシン（MK-SVM）フレームワークを提案する。長時間のキャリブレーションを必要とせず、堅牢な分類を実現する。被験者およびセッション固有の特徴空間を最適化された意思決定境界を有する統一的で洗練された特徴空間に統合することで、未学習の被験者およびセッションに対しても高い汎化性能を達成し、キャリブレーションの必要性を顕著に低減する一方で、オキシヘモグロビン信号においても優れた性能を維持する。

ABSTRACT

Brain signal variability in the measurements obtained from different subjects during different sessions significantly deteriorates the accuracy of most brain-computer interface (BCI) systems. Moreover these variabilities, also known as inter-subject or inter-session variabilities, require lengthy calibration sessions before the BCI system can be used. Furthermore, the calibration session has to be repeated for each subject independently and before use of the BCI due to the inter-session variability. In this study, we present an algorithm in order to minimize the above-mentioned variabilities and to overcome the time-consuming and usually error-prone calibration time. Our algorithm is based on linear programming support-vector machines and their extensions to a multiple kernel learning framework. We tackle the inter-subject or -session variability in the feature spaces of the classifiers. This is done by incorporating each subject- or session-specific feature spaces into much richer feature spaces with a set of optimal decision boundaries. Each decision boundary represents the subject- or a session specific spatio-temporal variabilities of neural signals. Consequently, a single classifier with multiple feature spaces will generalize well to new unseen test patterns even without the calibration steps. We demonstrate that classifiers maintain good performances even under the presence of a large degree of BCI variability. The present study analyzes BCI variability related to oxy-hemoglobin neural signals measured using a functional near-infrared spectroscopy.

研究の動機と目的

• fNIRSベースのBCIシステムにおける被験者間およびセッション間のばらつきという主な課題に対処し、一般化性能の向上を図るとともに、長時間にわたる被験者固有のキャリブレーションを回避する。
• 時間のかかる誤差の多いキャリブレーションセッションに依存するのを減らし、1つの分類器が多様な被験者およびセッションに一般化可能であるようにする。
• 被験者およびセッション固有の空間的・時間的神経信号ばらつきを特徴空間に捉え、モデル化する学習フレームワークを開発する。
• 複数の被験者およびセッション固有の特徴表現を統一的で最適化された意思決定境界に統合することで、BCIの性能を向上させる。
• 機能的近赤外分光法（fNIRS）で測定されたオキシヘモグロビン信号において、提案手法の有効性を実証する。

提案手法

• 本手法は、複数の特徴空間を扱えるように拡張された線形計画法サポートベクターマシン（LP-SVM）をマルチカーネル学習（MKL）フレームワークに組み合わせる。
• 各被験者またはセッションは、オキシヘモグロビン信号パターンから導出された固有の特徴空間で表現され、その特徴的な空間的・時間的ばらつきを捉える。
• MKLフレームワークは、最適化されたカーネル重みを用いて個々の特徴空間を統合し、1つの包括的で洗練された特徴空間とし、一様で頑健な意思決定境界を学習する。
• 最適化プロセスでは線形計画法を用い、分類誤差を最小化するとともに、被験者間およびセッション間のばらつきを考慮したカーネルの最適な組み合わせを特定する。
• その結果得られる分類器は、再トレーニングやキャリブレーションを必要とせず、新しい未学習の被験者およびセッションに対しても良好に一般化する。
• 本手法は、生信号空間ではなく特徴空間においてばらつきを明示的にモデル化することで、適応性と性能の両方を向上させる。

実験結果

リサーチクエスチョン

• RQ1 被験者固有のキャリブレーションを要せず、1つのfNIRS-BCI分類器が異なる被験者およびセッションに一般化可能か？
• RQ2 マルチカーネル学習は、fNIRSベースのBCIシステムにおける被験者間およびセッション間のばらつきをどの程度低減できるか？
• RQ3 被験者およびセッション固有の特徴空間を統合することで、fNIRS-BCIにおける分類精度および一般化性能はどの程度向上するか？
• RQ4 提案されたMK-SVMフレームワークは、神経信号の高いばらつき下でも高い性能を維持できるか？
• RQ5 複数の特徴空間にわたるカーネル重みの最適化が、分類器の頑健性およびキャリブレーション削減に与える影響は何か？

主な発見

• 提案されたマルチカーネル学習フレームワークは、fNIRSベースのBCIシステムにおける被験者間およびセッション間のばらつきを顕著に低減し、キャリブレーションなしで高精度な分類を実現する。
• 新しい未学習の被験者およびセッションに対しても、分類器は効果的に一般化され、多様な神経信号パターンに対しても強い頑健性を示す。
• BCIのばらつきが大きくても、この手法は高い分類精度を維持し、神経信号のフラクチュエーションに対して耐性があることが示された。
• 被験者およびセッション固有の特徴空間を統一的フレームワークに統合することで、個々の被験者に対して繰り返しキャリブレーションを実施する必要がなくなる。
• MK-SVMフレームワークにおける線形計画法の使用により、カーネル重みの効率的な最適化が可能となり、意思決定境界の質と一般化性能が向上する。
• このフレームワークはオキシヘモグロビン信号においても信頼性の高い性能を発揮し、実世界のfNIRS-BCIアプリケーションへの適性を確認した。