[論文レビュー] Recognition of Brain Waves of Left and Right Hand Movement Imagery with Portable Electroencephalographs

Zhen Li, Jianjun Xu+1 more|arXiv (Cornell University)|Sep 28, 2015

EEG and Brain-Computer Interfaces参考文献 4被引用数 9

ひとこと要約

本研究では、Museヘッドバンドを用いてF7およびF8電極におけるガンマ波活動を用いて、左・右の手の運動想起を分類する、携帯性があり非侵襲的な脳インターフェースを提案する。特徴抽出には共通空間パターン（CSP）を、分類にはサポートベクターマシン（SVM）を適用した結果、95.1%の正確性を達成し、従来のC3/C4ベースの手法を上回った。8名の被験者を用いた概念実証アプリケーションで、仮想機体のリアルタイム制御が可能となった。

ABSTRACT

With the development of the modern society, mind control applied to both the recovery of disabled individuals and auxiliary control of normal people has obtained great attention in numerous researches. In our research, we attempt to recognize the brain waves of left and right hand movement imagery with portable electroencephalographs. 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. Additionally, previous researches generally focused on discrimination of EEG of left and right hand movement imagery by using data from C3 and C4 electrodes which locate on the top of the head. However, we choose the gamma wave channels of F7 and F8 and obtain data when subjects imagine their left or right hand to move with their eyeballs rotated in the corresponding direction. With the help of the Common Space Pattern algorithm to extract features of brain waves between left and right hand movement imagery, we make use of the Support Vector Machine to classify different brain waves. Traditionally, the accuracy rate of classification was approximately 90% using the EEG data from C3 and C4 electrode poles; however, the accuracy rate reaches 95.1% by using the gamma wave data from F7 and F8 in our experiment. Finally, we design a plane program in Python where a plane can be controlled to go left or right when users imagine their left or right hand to move. 8 subjects are tested and all of them can control the plane flexibly which reveals that our model can be applied to control hardware which is useful for disabled individuals and normal people.

研究の動機と目的

• 消費者向けEEGデバイスを用いて、携帯性があり使いやすい脳インターフェースを開発し、運動想起分類を実現すること。
• Museヘッドバンドのような軽量で着用可能なデバイスを活用することで、従来の多電極EEGシステムの限界を克服すること。
• F7およびF8電極におけるガンマバンド活動を活用することで、従来のC3/C4電極ベースの手法を上回る分類正確性を実現すること。
• 想像された手の動きのみを用いて、仮想機体のリアルタイム制御を実現し、補助技術分野への実用可能性を検証すること。

提案手法

• 運動想起タスク中に脳波データを収集するために、ポータブルで7チャンネルのEEGデバイスであるMuseヘッドバンドを用いた。
• 運動計画に関連する前頭部に位置するF7およびF8電極からのガンマバンド（30–50 Hz）活動に注目した。
• 被験者に左または右の手を動かす想像をさせると同時に、対応する方向に目を回すよう指示し、神経信号の明確さを向上させた。
• EEG信号からの判別性の高い空間特徴を抽出するために、共通空間パターン（CSP）アルゴリズムを適用した。
• 抽出された特徴に基づき、左・右の手の運動想起を区別するため、サポートベクターマシン（SVM）分類器を用いた。
• 分類された脳波パターンを方向制御命令にマッピングするリアルタイムのPythonベースの機体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 Museのようなポータブルで消費者向けのEEGデバイスは、左・右の手の運動想起を正確に分類できるか？
• RQ2 F7およびF8電極におけるガンマバンド活動は、従来のC3/C4電極配置よりも高い分類正確性をもたらすか？
• RQ3 運動想起中に眼の動きを併用することで、ポータブルEEG環境における神経信号の検出可能性が向上するか？
• RQ4 低価格EEGデバイスと想像された手の動きのみを用いて、仮想機体のリアルタイムで信頼性のある制御が可能か？

主な発見

• 提案手法は、F7およびF8電極からのガンマ波データを用いて95.1%の分類正確性を達成し、C3/C4電極データで報告される一般的な90%を上回った。
• 8名の被験者全員がリアルタイムで仮想機体を制御でき、実用的なBCIアプリケーションにおけるシステムの頑健性と使いやすさを示した。
• 運動想起中に眼の動きを併用することで、信号の整合性と分類性能が顕著に向上した。
• Museヘッドバンドは、信頼性の高いEEG信号取得とリアルタイム処理に十分な性能を示し、臨床的でないBCIアプリケーションへの応用可能性を裏付けた。
• CSP特徴抽出とSVM分類の組み合わせにより、左・右の手の運動想起パターンを高精度で分離できた。
• 被験者間での一般化性能が強く、障害を持つ人々を対象とした補助技術分野への広範な展開可能性を示した。