[論文レビュー] Prediction of Brain States of Concentration and Relaxation in Real Time with Portable Electroencephalographs

Zhen Li, Jianjun Xu+1 more|arXiv (Cornell University)|Sep 25, 2015

EEG and Brain-Computer Interfaces参考文献 2被引用数 9

ひとこと要約

本研究では、ポータブルなMuse EEGヘッドバンドを用いて、集中状態とリラックス状態を分類するリアルタイム脳状態予測システムを開発した。F7およびF8のガンマ波チャネルを選択し、共通空間パターン（CSP）とサポートベクターマシン（SVM）に加え、フィードフォワードニューラルネットワークを用いた予測を適用することで、8.83/10のユーザー満足度を達成し、遅延を低減した。これにより、仮想機体のリアルタイム制御が可能になった。

ABSTRACT

In our research, we attempt to help people recognize their brain state of concentration or relaxation more conveniently and in real time. Considering the inconvenience of wearing traditional multiple electrode electroencephalographs, we choose Muse to collect data which is a portable headband launched lately with a number of useful functions and channels and it is much easier for the public to use. Besides, traditional online analysis did not focus on the synchronism between users and computers and the time delay problem did exist. To solve the problem, by building the Analytic Hierarchy Model, we choose the two gamma wave channels of F7 and F8 as the data source instead of using both beta and alpha channels traditionally.Using the Common Space Pattern algorithm and the Support Vector Machine model, the channels we choose have a higher recognition accuracy rate and smaller amount of data to be dealt with by the computer than the traditional ones. Furthermore, we make use of the Feedforward Neural Network Model to predict subjects'brain states in half a second. Finally, we design a plane program in Python where a plane can be controlled to go up or down when users concentrate or relax. The SVM model and the Feedforward Neural Network model have both been tested by 12 subjects and they give an evaluation ranging from 1 to 10 points. The former gets 7.58 points while the latter gets 8.83, which proves that the time delay problem is improved once more.

研究の動機と目的

• ポータブルEEGデバイスを用いて、集中状態やリラックス状態といった精神状態をリアルタイムで、使いやすい方法で検出すること。
• 従来のマルチエレクトロードEEGシステムの限界、すなわちユーザーの不快感や高コストのセットアップ手順を解消すること。
• 信号処理と予測モデルの最適化により、脳-コンピュータインターフェースにおける時間遅延を低減すること。
• 精神状態に基づく仮想環境の直感的で反応の良い制御を通じて、ユーザー体験を向上させること。
• 実際のインタラクティブタスクにおいて、実際のユーザーを対象にシステムの性能を検証すること。

提案手法

• 7チャンネル搭載のポータブルで消費者向けのEEGデバイス「Museヘッドバンド」を用い、リアルタイムの脳波データを収集した。
• 分類のためのガンマバンド活性を最優先するために、解析的階層的プロセスに基づきF7およびF8電極チャネルを選択した。
• 集中状態とリラックス状態の間の信号識別を向上させるために、共通空間パターン（CSP）アルゴリズムを適用した。
• 脳状態の初期分類にサポートベクターマシン（SVM）モデルを用いた。
• フィードフォワードニューラルネットワークを実装し、脳状態を最大0.5秒先ん予測することで、システムの遅延を低減した。
• 上向き／下向きの動きがそれぞれ集中状態・リラックス状態に対応するPythonベースの飛行機制御アプリケーションを開発した。

実験結果

リサーチクエスチョン

• RQ1 ポータブルEEGデバイスは、集中状態とリラックス状態のリアルタイム脳状態を正確に分類できるか？
• RQ2 F7およびF8の特定のガンマバンドチャネルを選択することで、従来のマルチバンドアプローチと比較して分類精度が向上し、計算負荷が低減するか？
• RQ3 ニューラルネットワークモデルは、リアルタイムBCIアプリケーションにおける最小限の遅延で、将来の脳状態を効果的に予測できるか？
• RQ4 SVMとニューラルネットワークベースの予測システムの間で、ユーザー体験と認識された応答性に差異があるか？
• RQ5 最適化された信号処理とポータブルEEG信号のみを用いて、仮想環境のリアルタイム制御を信頼性高く実現できるか？

主な発見

• フィードフォワードニューラルネットワークモデルは、ユーザー評価得点が10点中8.83と、SVMモデルの7.58を著しく上回った。
• システムは、仮想機体のリアルタイム制御を成功裏に実現し、移動方向がユーザーの集中状態またはリラックス状態に対応した。
• F7およびF8のガンマ波チャネルは、β帯とα帯を併用する場合と比較して、より高い認識精度と低いデータ処理負荷を達成した。
• 予測型ニューラルネットワークモデルの使用により、従来のオンラインEEG解析で一般的に見られる時間遅延問題が効果的に緩和された。
• 全体として、本システムはリアルタイムのヒューマンコンピュータインタラクションの文脈において、実用的で応答性の高い性能を示した。
• 結果から、最適化された信号処理と予測モデルを組み合わせたポータブルEEGデバイスが、効果的で低遅延な脳-コンピュータインターフェースを実現可能であることが確認された。