[論文レビュー] Multiclass Common Spatial Pattern for EEG based Brain Computer Interface with Adaptive Learning Classifier

Hardik Meisheri, Nagraj Ramrao+1 more|arXiv (Cornell University)|Feb 25, 2018

EEG and Brain-Computer Interfaces参考文献 50被引用数 20

ひとこと要約

本稿では、アーティファクト汚染された試行を事前処理で除去することで特徴抽出を向上させる、EEGベースのBCI向けのマルチクラス共通空間パターン（mCSP）フレームワークを提案する。非定常性と過学習を扱うために自己調整型タイプ2ニューロファジィ推論システム（SRIT2NFIS）を採用し、BCIコンペティションIVデータセット2aで平均正解率54.63％を達成した。これは、最新の手法よりも8–13％顕著に優れている。

ABSTRACT

In Brain Computer Interface (BCI), data generated from Electroencephalogram (EEG) is non-stationary with low signal to noise ratio and contaminated with artifacts. Common Spatial Pattern (CSP) algorithm has been proved to be effective in BCI for extracting features in motor imagery tasks, but it is prone to overfitting. Many algorithms have been devised to regularize CSP for two class problem, however they have not been effective when applied to multiclass CSP. Outliers present in data affect extracted CSP features and reduces performance of the system. In addition to this non-stationarity present in the features extracted from the CSP present a challenge in classification. We propose a method to identify and remove artifact present in the data during pre-processing stage, this helps in calculating eigenvectors which in turn generates better CSP features. To handle the non-stationarity, Self-Regulated Interval Type-2 Neuro-Fuzzy Inference System (SRIT2NFIS) was proposed in the literature for two class EEG classification problem. This paper extends the SRIT2NFIS to multiclass using Joint Approximate Diagonalization (JAD). The results on standard data set from BCI competition IV shows significant increase in the accuracies from the current state of the art methods for multiclass classification.

研究の動機と目的

• マルチクラスBCIにおけるEEG信号の非定常性、低SNR、アーティファクトの課題に対処すること。
• 事前処理段階でノイズの高い試行を除去することで、マルチクラスCSPの一般化性能を向上させること。
• 元来二クラス問題向けに設計されたSRIT2NFIS分類器を、共通近似対角化（JAD）を用いてマルチクラスEEG分類に拡張すること。
• アーティファクト除去と適応的学習の組み合わせにより、マルチクラスEEG分類における過学習を低減し、耐性を高めること。
• 公開マルチクラスEEG-BCIデータセットにおいて、既存の最新手法を上回る分類精度を達成すること。

提案手法

• 事前処理では、信号品質評価を用いてアーティファクト汚染されたEEG試行を特定・除去し、CSP共分散行列の信頼性を向上させる。
• マルチクラスCSPは、複数の運動想起クラス間の分散比を最大化する空間フィルタを抽出するために、共通近似対角化（JAD）を用いて実装する。
• SRIT2NFIS分類器は、非定常性に対応するため、動的かつ自己調整的にメンバーシップ関数とルールを調整する学習メカニズムを用いてマルチクラス分類に適応させる。
• 各被験者ごとにパラメータ最適化のため、粒子群最適化（PSO）を用いてSRIT2NFISの重要なパラメータ（例：追加閾値、更新閾値、新規性、クラス間重複度）を調整する。
• 特徴抽出にはm=3の成分を用いたmCSPを採用し、処理前に帯域通過フィルタ（8–40 Hz）を適用する。これは、EEG-BCIの標準的手順に従う。
• 分類性能は、BCIコンペティションIVの独立テストセット（被験者9名、4つの運動想起クラス）を用いて全体正解率で評価する。

実験結果

リサーチクエスチョン

• RQ1 アーティファクト汚染された試行を除去する事前処理は、EEGベースBCIにおけるマルチクラスCSPの一般化性能を向上させることができるか？
• RQ2 元来二クラス問題向けに設計されたSRIT2NFIS分類器は、JADを用いて効果的にマルチクラスEEG分類に拡張可能か？
• RQ3 アーティファクト除去と適応的SRIT2NFIS学習の組み合わせは、マルチクラスEEG-BCIにおける過学習を顕著に低減し、正解率を向上させるか？
• RQ4 信号品質がばらつきのある被験者を対象とした場合、本手法は最新手法と比較して、平均正解率および耐性面で優れているか？
• RQ5 本手法は、本質的にノイズの高いEEGデータを示す被験者において、どの程度性能向上を達成できるか？

主な発見

• 提案手法は、BCIコンペティションIVデータセット2aの9名の被験者に対して平均分類正解率54.63％を達成し、前例の最新手法を顕著に上回った。
• 最高のベースライン（Grosse-WentrupとBuss, 2008）との差は8.62ポイント（46.01％から54.63％）であり、被験者9では最大13.0％の向上を示した。
• 元々ノイズの高いデータで成績が悪かった被験者2では、正解率が32.1％から45.48％に上昇し、相対的に42.9％の改善を達成した。
• 低初期正解率を示す被験者（被験者4、5、6）に対しても本手法は耐性を示し、改善が顕著に見られた。
• アーティファクト除去によりCSP共分散行列の品質が向上し、より判別性の高い特徴量が得られ、過学習が低減した。
• 粒子群最適化（PSO）により、被験者ごとのSRIT2NFISパラメータが効果的に最適化された。これは、マルチクラスEEG-BCIにおいて被験者特有の適応が不可欠であることを裏付けた。