[論文レビュー] Towards an Integrated Approach to Simultaneously Estimating the Frequency and Amplitude Modulations of SSVEP Signals from Consumer-grade EEG

Phairot Autthasan, Xiangqian Du+6 more|arXiv (Cornell University)|Sep 19, 2018

EEG and Brain-Computer Interfaces被引用数 1

ひとこと要約

本研究では、フィルターバンク正規化相関分析（FBCCA）とサポートベクターレグRESSION（SVR）を統合した手法を提示し、低価格のEEGから、周波数およびコントラスト依存のアモジュレーションを同時に推定する。この手法は周波数認識において高い正確性を示し、明るさコントラストに起因するアモジュレーション変化の予測において優れた性能を発揮し、実用的BCI応用の前進をもたらす。

ABSTRACT

Brain-Computer interfaces (BCIs) play a significant role in easing neuromuscular patients on controlling computers and prosthetics. Due to their high signal-to-noise ratio, steady-state visually evoked potentials (SSVEPs) has been widely used to build BCIs. However, currently developed algorithms do not predict the modulation of SSVEP amplitude, which is known to change as a function of stimulus luminance contrast. In this study, we aim to develop an integrated approach to simultaneously estimate the frequency and contrast-related amplitude modulations of the SSVEP signal. To achieve that, we developed a behavioral task in which human participants focused on a visual flicking target which the luminance contrast can change through time in several ways. SSVEP signals from 16 subjects were then recorded from electrodes placed at the central occipital site using a low-cost, consumer-grade EEG. Our results demonstrate that the filter bank canonical correlation analysis (FBCCA) performed well in SSVEP frequency recognition, while the support vector regression (SVR) outperformed the other supervised machine learning algorithms in predicting the contrast-dependent amplitude modulations of the SSVEPs. These findings indicate the applicability and strong performance of our integrated method at simultaneously predicting both frequency and amplitude of visually evoked signals, and have proven to be useful for advancing SSVEP-based applications.

研究の動機と目的

• 既存のSSVEP BCIアルゴリズムが、変化する刺激の明るさコントラストに起因するアモジュレーションを予測できないというギャップを解消すること。
• 視覚刺激中に明るさコントラストを動的に変化させることで、変動するSSVEPアモジュレーション応答を誘発する行動タスクを開発すること。
• 機械学習モデルの性能を、SSVEP信号のコントラスト依存アモジュレーションを予測する能力について評価すること。
• 周波数推定とアモジュレーション予測を統合したフレームワークを構築し、低価格EEGを用いたBCI性能の向上を図ること。

提案手法

• 16名の参加者を対象に、明るさコントラストが時間とともに変化する点滅する視覚的ターゲットに注目する行動実験を実施した。
• 低価格の一般向けEEGシステムを用いて、頭頂部後頭部電極部位からSSVEP信号を記録した。
• 複数の周波数帯域にわたりSSVEP応答の支配的周波数を推定するために、フィルターバンク正規化相関分析（FBCCA）を適用した。
• 明るさコントラストの変化に基づいて、SSVEP信号のアモジュレーション変化を予測するために、サポートベクターレグRESSION（SVR）を用いた。
• アモジュレーション予測の性能を、他の教師あり機械学習アルゴリズムと比較した。
• FBCCAとSVRを統合し、周波数とアモジュレーションの同時推定を実現する統一パイプラインを構築した。

実験結果

リサーチクエスチョン

• RQ1 低価格EEGを用いた動的コントラスト変調下でも、FBCCAはSSVEP信号の周波数を正確に推定できるか？
• RQ2 SSVEP信号のコントラスト依存アモジュレーションを予測する際、どの機械学習モデルが最も優れた性能を示すか？
• RQ3 動的明るさコントラスト変化は、制御された行動タスクにおけるSSVEP応答のアモジュレーションにどのように影響するか？
• RQ4 統合手法により、低価格EEGから周波数とアモジュレーションを同時にかつ正確に推定できるか？

主な発見

• FBCCAは、さまざまな刺激周波数において、SSVEP信号の周波数を正確に認識する強力な性能を示した。
• サポートベクターレグRESSION（SVR）は、明るさコントラストの変化に起因するSSVEPのアモジュレーション変化を予測する際、他の教師あり機械学習アルゴリズムを上回る性能を発揮した。
• SSVEP信号のアモジュレーションは、刺激の明るさコントラストの変化に顕著に影響を受けることが確認され、アモジュレーションに配慮した推定の必要性が裏付けられた。
• 統合されたFBCCA-SVRアプローチにより、SSVEP周波数とコントラスト依存アモジュレーション変化の同時推定が成功裏に実現された。
• 提案手法は、低価格の一般向けEEGハードウェアを用いても効果的かつ実用的であり、現実世界におけるBCIの実現可能性を高めた。
• 結果は、統合手法がSSVEPベースの脳-コンピュータインターフェースのロバスト性と正確性を向上させる可能性を裏付けた。