[論文レビュー] Robust and highly adaptable brain-computer interface with convolutional net architecture based on a generative model of neuromagnetic measurements.

Ivan Zubarev, Rasmus Zetter+2 more|arXiv (Cornell University)|May 28, 2018

EEG and Brain-Computer Interfaces被引用数 3

ひとこと要約

本論文は、神経生理学的解釈可能性を確保するため、神経信号の生成モデルにインspiredされた、非侵襲的脳-コンピュータインターフェース（BCI）のための畳み込みニューラルネットワーク（CNN）アーキテクチャを提案する。このモデルは、イベント関連応答および周期的活動のデコードにおいて高い精度を達成し、キャリブレーションを伴わずにユーザー間で一般化可能であり、段階的アップデートによりリアルタイム性能が17.0%向上する。

ABSTRACT

Deep Neural Networks have been applied very successfully in image recognition and natural language processing. Recently these powerful methods have received attention also in the brain-computer interface (BCI) community. Here, we introduce a convolutional neural network (CNN) architecture optimized for classification of brain states from non-invasive magnetoencephalographic (MEG) measurements. The model structure is motivated by a state-of-the-art generative model of the MEG signal and is thus readily interpretable in neurophysiological terms. We demonstrate that the proposed model is highly accurate in decoding event-related responses as well as modulations of oscillatory brain activity, and is robust with respect to inter-individual differences. Importantly, the model generalizes well across users: when trained on data pooled from previous users, it can successfully perform on new users. Thus, the time-consuming BCI calibration can be omitted. Moreover, the model can be incrementally updated, resulting in +8.9% average accuracy improvement in offline experiments and +17.0% in a real-time BCI. We argue that this model can be used in practical BCIs and basic neuroscience research.

研究の動機と目的

• 非侵襲的BCIシステムにおける高い被験者間変動の課題に対処するため、ユーザー間で一般化可能なモデルを開発すること。
• 集約データからの転送可能表現を活用することで、時間のかかる被験者特異的キャリブレーションの必要を低減または排除すること。
• 最新のMEG信号の生成モデルに根ざしたことで、神経生理学的用語で解釈可能な深層学習アーキテクチャを設計すること。
• 再トレーニングを再び全データから行うことなく、新しいデータでモデルを更新する段階的アップデート戦略により、リアルタイムBCIアプリケーションを可能にすること。

提案手法

• 生成モデルの構造的および機能的原則を模倣する畳み込みニューラルネットワーク（CNN）アーキテクチャを設計し、神経生理学的解釈可能性を保証すること。
• 複数被験者のプールされたMEGデータを用いてCNNを訓練することで、ユーザー間一般化を可能にし、個別キャリブレーションを不要にする。
• 過去の全データを再トレーニングせずに、新しい被験者からの新規データでモデルを更新する段階的学習戦略を実装すること。
• 空間的および時間的畳み込み層を用いて、MEGセンサーの時系列データから特徴を抽出し、イベント関連応答および周期的変調を捉える。
• バイナリまたはマルチクラス分類のための交差エントロピー損失関数を用いて、バックプロパゲーションによるネットワーク最適化を行う。
• オフライン解析とリアルタイムBCI実験の両方を用いて、精度と適応性を評価するためのモデル妥当性評価を実施する。

実験結果

リサーチクエスチョン

• RQ1 生成MEG信号モデルに基づく深層学習モデルは、非侵襲的MEGデータにおけるイベント関連応答および周期的活動のデコードにおいて高い精度を達成できるか？
• RQ2 提案されたCNNは、被験者特異的キャリブレーションなしに、どの程度ユーザー間で一般化できるか？
• RQ3 最小限のデータで段階的モデルアップデートが、BCI性能の向上にどの程度効果的か？
• RQ4 神経生理学的にインスパイアされたアーキテクチャは、分類精度を維持または向上させながら、解釈可能性を向上させることができるか？

主な発見

• 提案されたCNNは、MEG信号からイベント関連応答および周期的脳活動の変調を両方とも高い精度でデコードした。
• モデルは被験者間で効果的に一般化された：過去の被験者のプールされたデータで訓練したモデルは、個別キャリブレーションなしに新しい被験者の脳状態を的確にデコードできた。
• 段階的モデルアップデートにより、オフライン分類精度が平均8.9%向上した。
• リアルタイムBCI実験では、段階的アップデートにより分類精度が平均17.0%向上した。
• 生成MEGモデルに根ざしたモデルのアーキテクチャは、脳活動の神経生理学的に解釈可能な表現を提供した。
• 本システムは、MEG信号パターンにおける被験者間変動に対して強く頑健であることが示された。