[論文レビュー] Reconstructing ERP Signals Using Generative Adversarial Networks for Mobile Brain-Machine Interface

Young Eun Lee, Minji Lee+1 more|arXiv (Cornell University)|May 18, 2020

EEG and Brain-Computer Interfaces参考文献 34被引用数 7

ひとこと要約

本稿では、歩行中に収集されたノイズの多いEEGデータから、事前学習済みの畳み込みエンコーダーと、ERPに類似した波形を学習して生成する生成対抗ネットワーク（GAN）ベースのフレームワークを提案する。この手法は、信号対ノイズ比（SNR）と分類精度を顕著に向上させ、移動状態でもN200およびP300という重要なERP成分を回復する。

ABSTRACT

Practical brain-machine interfaces have been widely studied to accurately detect human intentions using brain signals in the real world. However, the electroencephalography (EEG) signals are distorted owing to the artifacts such as walking and head movement, so brain signals may be large in amplitude rather than desired EEG signals. Due to these artifacts, detecting accurately human intention in the mobile environment is challenging. In this paper, we proposed the reconstruction framework based on generative adversarial networks using the event-related potentials (ERP) during walking. We used a pre-trained convolutional encoder to represent latent variables and reconstructed ERP through the generative model which shape similar to the opposite of encoder. Finally, the ERP was classified using the discriminative model to demonstrate the validity of our proposed framework. As a result, the reconstructed signals had important components such as N200 and P300 similar to ERP during standing. The accuracy of reconstructed EEG was similar to raw noisy EEG signals during walking. The signal-to-noise ratio of reconstructed EEG was significantly increased as 1.3. The loss of the generative model was 0.6301, which is comparatively low, which means training generative model had high performance. The reconstructed ERP consequentially showed an improvement in classification performance during walking through the effects of noise reduction. The proposed framework could help recognize human intention based on the brain-machine interface even in the mobile environment.

研究の動機と目的

• モバイル脳インターフェース（BMI）における運動アーティファクトがEEG信号品質を劣化させるという課題に対処すること。
• 動的条件下でも重要なERP成分（N200およびP300）を保持する、耐障害性の高い信号再構築フレームワークを開発すること。
• 生のEEGがアーティファクトで著しく汚染される歩行環境において、ERP信号の分類性能を向上させること。
• GANをデータ生成の目的にとどめず、EEGにおけるエンドツーエンドのノイズ低減および信号再構築に応用すること。
• 奇数パラダイムを用いた実世界の歩行EEGデータを用いて、フレームワークの有効性を検証すること。

提案手法

• 歩行中のノイズの多いEEG信号から潜在表現を抽出するために、事前学習済みの畳み込みエンコーダーを採用した。
• エンコーダーの潜在空間の逆写像を学習することで、ERPに類似した波形を再構築する生成モデルを設計した。
• 再構築信号の真正性を検証するために、識別モデルを用い、それが立位状態でのERP信号に類似していることを保証した。
• 訓練の安定化と再構築の正確性向上を図るため、敵対的損失と平均二乗誤差（MSE）損失を組み合わせてGANフレームワークを訓練した。
• 奇数パラダイムを用いて、1.6 m/sのトレッドミル歩行中に収集した32チャネルのEEGデータにフレームワークを適用した。
• 生成モデルの最適化において、MSE損失が0.6301にまで低く抑えられ、高品質な再構築性能を示した。

実験結果

リサーチクエスチョン

• RQ1 GANベースの信号再構築は、歩行中に収集されたノイズの多いEEG信号から、N200およびP300成分を効果的に回復できるか？
• RQ2 提案されたGANフレームワークは、移動環境におけるERP信号の信号対ノイズ比（SNR）をどの程度向上させるか？
• RQ3 再構築されたEEG信号は、歩行BMIシステムにおけるユーザーの意思分類に十分な品質を維持しているか？
• RQ4 再構築信号の分類性能は、生のノイズの多い信号とクリアな立位状態の信号と比べてどうなるか？
• RQ5 生成モデルは、多様でありながら生理的に妥当なERP波形を生成でき、重要な神経的特徴を保持しているか？

主な発見

• 再構築されたEEG信号は、N200およびP300成分を効果的に保持しており、立位状態で記録されたERP波形に類似していた。
• 再構築されたEEGの信号対ノイズ比（SNR）は、生の歩行EEGよりも顕著に高く（p < 0.01）、立位状態の信号のSNRを上回った。
• 再構築信号の分類精度（AUC）は、クリアな立位状態EEGと同等の水準に達しており、ノイズの多い歩行データから導出されたにもかかわらず優れた性能を示した。
• 生成モデルはMSE損失が0.6301にまで低く抑えられ、高い再構築忠実度と安定した訓練を示した。
• 視覚的検査により、再構築信号が本物のERP応答の時間的構造と振幅特性を保持していることが確認された。
• フレームワークは生成サンプルの多様性を示しており、異なるノイズの多い入力信号からも多様で現実的なERP波形を学習して生成していることが示された。