[論文レビュー] Toward reliable signals decoding for electroencephalogram: A benchmark study to EEGNeX

Xia Chen, Xiangbin Teng+3 more|arXiv (Cornell University)|Jul 15, 2022

EEG and Brain-Computer Interfaces参考文献 46被引用数 6

ひとこと要約

本研究では、多様なBCIパラダイムにわたり、強力なEEG信号の復号を実現するための新しい1次元ConvNetベースの深層学習アーキテクチャ、EEGNeXを紹介する。11のモーターリマジネーションデータセット上で評価した結果、最先端モデルに対して分類精度で2.1–8.5%の統計的に有意な向上を達成し、生EEGデータからの表現学習の優位性を示した。

ABSTRACT

This study examines the efficacy of various neural network (NN) models in interpreting mental constructs via electroencephalogram (EEG) signals. Through the assessment of 16 prevalent NN models and their variants across four brain-computer interface (BCI) paradigms, we gauged their information representation capability. Rooted in comprehensive literature review findings, we proposed EEGNeX, a novel, purely ConvNet-based architecture. We pitted it against both existing cutting-edge strategies and the Mother of All BCI Benchmarks (MOABB) involving 11 distinct EEG motor imagination (MI) classification tasks and revealed that EEGNeX surpasses other state-of-the-art methods. Notably, it shows up to 2.1%-8.5% improvement in the classification accuracy in different scenarios with statistical significance (p < 0.05) compared to its competitors. This study not only provides deeper insights into designing efficient NN models for EEG data but also lays groundwork for future explorations into the relationship between bioelectric brain signals and NN architectures. For the benefit of broader scientific collaboration, we have made all benchmark models, including EEGNeX, publicly available at (https://github.com/chenxiachan/EEGNeX).

研究の動機と目的

• 複数のEEGベースのBCIタスクにおいて、16種類のニューラルネットワークアーキテクチャの汎化性能を評価し、その表現学習能力を理解すること。
• EEG復号における標準化されたベンチマークの欠如に応じ、多様なデータセットとパラダイムにわたる一貫した評価フレームワークを確立すること。
• 生EEG信号における空間的・時間的・クロスチャネル表現学習を向上させる、完全にConvNetベースの新アーキテクチャであるEEGNeXを構築すること。
• EEG復号研究のための公開可能でオープンソースのテストベッドを提供し、BCIコミュニティにおける実装の障壁を低減すること。
• EEGNeXが、11のモーターリマジネーションデータセットにおいて、既存の最先端モデルおよびMOABBベンチマークに対して統計的に有意な優位性を示すかを検証すること。

提案手法

• ERP、MI、SMR、ERNの4つのBCIパラダイムにおいて、1Dおよび2D CNN、RNN（LSTM、GRU）、ハイブリッドアーキテクチャを含む16の代表的なニューラルネットワークモデルをベンチマーク化した。
• EEGNetをインspiredとして、スタックドされたディープラーブ・セパラブル1次元畳み込みとリサイクル的接続を備えた、完全にConvNetベースのアーキテクチャであるEEGNeXを設計した。
• 因果的パディングと拡張畳み込みを適用し、EEG時系列データにおける時間分解能の保持と長距離依存性の捉え込みを可能にした。
• 訓練の安定化と過学習の防止のため、バッチ正規化、ELU活性化関数、ドロップアウト（率=0.5）を採用した。
• すべてのモデルに共通する標準化されたトレーニングプロトコルを採用し、データ前処理（50Hzでノッチフィルタリング、63Hzでローパassフィルタリング、初期250msのトリミング）および128Hzへのダウンサンプリングを統一した。
• MOABBの11のモーターリマジネーションデータセットを用い、10-fold交差検証により性能を検証し、EEGNeXを最先端モデルおよびベースラインアーキテクチャと比較した。

実験結果

リサーチクエスチョン

• RQ1 異なるニューラルネットワークアーキテクチャは、多様なBCIタスクにおける生EEG信号の復号において、どの程度汎化性能を示すか？
• RQ2 EEGNeXのような完全にConvNetベースのアーキテクチャは、ハイブリッドRNN-CNNモデルと比較して、EEG信号ダイナミクスをどの程度効果的に表現できるか？
• RQ3 拡張畳み込みやディープラーブ・セパラブル畳み込みといったアーキテクチャ的イノベーションは、EEG復号精度を顕著に向上させることができるか？
• RQ4 EEGNeXは、複数のEEGデータセットにおいて、既存の最先端モデルに対して統計的に有意な性能向上を達成できるか？
• RQ5 提案されたベンチマークフレームワークは、EEG復号モデルの公平かつ再現可能な評価をどのように可能にするか？

主な発見

• EEGNeXは、11のモーターリマジネーションデータセットにおいて、既存の最先端モデルに対して平均で2.1–8.5%の分類精度向上を達成し、すべての向上が統計的に有意であった（p < 0.05）。
• 1次元ConvNetベースのアーキテクチャは、CNN-LSTM1D や CNN-GRU1D といったハイブリッドRNN-CNNモデルを上回った。これは、純粋な畳み込み設計がEEG表現学習により効果的であることを示している。
• EEGNeXにおける拡張畳み込みにより、モデルパラメータ数の増加なしに長距離時間的依存性をよりよく捉えることができ、長時間EEGシーケンスでの性能向上が実現した。
• EEGNeXにおけるディープラーブ・セパラブル畳み込みは、パラメータ効率性と一般化性能を向上させ、特に空間的およびクロスチャネルEEGパターンのモデリングにおいて顕著な効果を示した。
• ベンチマークにより、手動による特徴工学やタスク固有の前処理に依存するモデルは、データセット間で一貫性のない性能を示すことが判明し、エンドツーエンドの表現学習の価値が強調された。
• EEGNeXは、MI、ERP、SMR、ERNタスクを含む多様なEEGデータセットにおいて、強力な汎化性能を示し、EEG信号特性におけるドメインシフトに対しても耐性があることが確認された。