[論文レビュー] Transfer Learning for Brain-Computer Interfaces: A Euclidean Space Data Alignment Approach

He He, Dongrui Wu|arXiv (Cornell University)|Aug 8, 2018

EEG and Brain-Computer Interfaces参考文献 43被引用数 6

ひとこと要約

本稿は、EEGベースの脳-コンピュータインターフェース（BCI）における転移学習のための新しいユークリッド空間データアライメント（EA）手法を提案する。この手法は、被験者間の変動を低減するために、被験者間で直接ユークリッド空間内に原始的なEEG試行をアライメントする。このアプローチにより、標準的な信号処理および機械学習パイプラインをアライメント後に適用可能となり、リーマン空間手法と比較して著しく高速な計算を実現する。また、新しい被験者からのラベル付きデータを必要とせず、オフラインおよびシミュレートオンライン実験の両方で最先端の手法を上回る性能を示した。対象は運動想起およびイベント関連電位タスクである。

ABSTRACT

Objective: This paper targets a major challenge in developing practical EEG-based brain-computer interfaces (BCIs): how to cope with individual differences so that better learning performance can be obtained for a new subject, with minimum or even no subject-specific data? Methods: We propose a novel approach to align EEG trials from different subjects in the Euclidean space to make them more similar, and hence improve the learning performance for a new subject. Our approach has three desirable properties: 1) it aligns the EEG trials directly in the Euclidean space, and any signal processing, feature extraction and machine learning algorithms can then be applied to the aligned trials; 2) its computational cost is very low; and, 3) it is unsupervised and does not need any label information from the new subject. Results: Both offline and simulated online experiments on motor imagery classification and event-related potential classification verified that our proposed approach outperformed a state-of-the-art Riemannian space data alignment approach, and several approaches without data alignment. Conclusion: The proposed Euclidean space EEG data alignment approach can greatly facilitate transfer learning in BCIs. Significance: Our proposed approach is effective, efficient, and easy to implement. It could be an essential pre-processing step for EEG-based BCIs.

研究の動機と目的

• EEGベースBCIシステムにおける被験者間変動の課題に対処し、転移学習を妨げる大規模な被験者固有のキャリブレーションデータの必要性を軽減する。
• 既存のリーマン空間データアライメント手法の限界、特に高い計算コストと新しい被験者からのラベル付きデータに依存する点を克服する。
• あらゆるEEG信号処理および機械学習パイプラインに適用可能な汎用的で効率的かつ自己教師ありのデータアライメント技術を開発する。
• EEG試行をユークリッド空間内で直接アライメントすることで、BCIにおける効果的な転移学習を実現し、新しいユーザーからの最小限またはラベルなしデータで分類精度を向上させる。

提案手法

• 複数の被験者からのデータを統合して得られる共分散行列の平均を用いて、共通の基準となる参照行列を構築し、それを用いて異なる被験者のEEG試行を共有の参照空間に変換するユークリッド空間データアライメント（EA）アプローチを提案する。
• 複数のソース被験者からの共分散行列の平均として、参照行列 $\bar{R}$ を構築し、これを新しい被験者試行のアライメントの共通基準とする。
• 新しい被験者のEEG試行に対して、$\bar{R}$ の平方根の逆行列を用いた線形変換を適用し、試行の共分散構造を参照基準に一致させる。
• アライメント済み試行を、xDawn や SVM などの標準機械学習モデル、または MDRM を用いた分類器に入力として使用可能にし、既存のBCIパイプラインとの広範な互換性を確保する。
• ソース被験者からのラベルなしデータのみに依存することで、ターゲット被験者からのラベル付き試行の必要性を排除し、自己教師ありの性質を保証する。
• 運動想起およびイベント関連電位データセットを用いたオフラインおよびシミュレートオンライン実験を通じて、本手法の有効性を検証し、リーマン空間アライメント（RA）およびベースライン手法と性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 新しい被験者からのラベル付きデータを必要としないユークリッド空間データアライメント手法は、EEGベースBCIにおける転移学習性能を向上させ得るか？
• RQ2 最先端のリーマン空間アライメント（RA）手法と比較して、提案手法EAの性能および計算効率はどのように異なるか？
• RQ3 ユークリッド空間内でEEG試行を直接アライメントすることで、空間的（MI）および時間的（ERP）EEGパターンのための判別情報を保持または向上させ得るか？
• RQ4 EAは被験者間変動をどの程度低減させ、転移学習における悪影響（負の転移）を緩和するか？

主な発見

• 提案手法EAは、運動想起およびERPデータセットにおけるオフラインおよびシミュレートオンライン分類タスクにおいて、リーマン空間アライメント（RA）手法を著しく上回った。
• シミュレートオンラインERP分類において、EAは11名の被験者全員でRA-MDRMおよびxDawn-SVMを上回る平均BCA（バランス分類精度）を達成し、統計的に有意な改善（p < 0.01）を示した。
• シミュレートオンラインERP分類において、EA-xDAWN-SVMは平均AUC 0.92を達成し、RA-MDRM（p = 0.0000）およびxDawn-SVM（p = 0.0191）を著しく上回った。
• EA手法はRAよりも数倍速く計算可能であり、リアルタイムBCIアプリケーションに適した高い計算効率を示した。
• 本手法は多様なEEGタスクにわたり有効であり、MIおよびERPベースBCIパラダイムの両方で一貫した性能向上を示した。
• 強力な全体的な性能にもかかわらず、EAはすべての被験者で分類性能を向上させたわけではなく、概念シフトや外れ試行に起因する残存課題が示唆された。