[論文レビュー] Transfer Learning in Brain-Computer Interfaces

Vinay Jayaram, Morteza Alamgir+3 more|arXiv (Cornell University)|Dec 1, 2015

EEG and Brain-Computer Interfaces参考文献 41被引用数 118

ひとこと要約

本稿では、任意の特徴空間において共有意思決定境界事前分布を学習することで、被験者間およびセッション間の知識移行を可能にする、脳-コンピュータインターフェース（BCI）のための新規トランスファーラーニングフレームワークを提案する。マルチタスク回帰アプローチと融合スパarsityを用い、モーターリマジネーションおよびALS患者データの両方で、標準的なデータプールリングや事前分布移行手法を上回り、EEG信号の共有構造を活用することで、最小限のトレーニング試行数で高い精度を達成する。

ABSTRACT

The performance of brain-computer interfaces (BCIs) improves with the amount of available training data, the statistical distribution of this data, however, varies across subjects as well as across sessions within individual subjects, limiting the transferability of training data or trained models between them. In this article, we review current transfer learning techniques in BCIs that exploit shared structure between training data of multiple subjects and/or sessions to increase performance. We then present a framework for transfer learning in the context of BCIs that can be applied to any arbitrary feature space, as well as a novel regression estimation method that is specifically designed for the structure of a system based on the electroencephalogram (EEG). We demonstrate the utility of our framework and method on subject-to-subject transfer in a motor-imagery paradigm as well as on session-to-session transfer in one patient diagnosed with amyotrophic lateral sclerosis (ALS), showing that it is able to outperform other comparable methods on an identical dataset.

研究の動機と目的

• 被験者およびセッション間でのEEG信号分布のばらつきに起因するBCI性能の低下という課題に対処すること。
• 空間フィルタリングやドメイン適応に依存せず、被験者およびセッション間で一般化可能なトランスファーラーニング手法を開発すること。
• 複数名の被験者やセッションからの事前データを活用することで、効率的かつ低遅延なBCIキャリブレーションを実現すること。
• 任意の特徴空間および目的関数と互換性がある柔軟なフレームワークを提供し、新しいBCIパラダイムへの適応性を高めること。

提案手法

• 複数名の被験者またはセッション間で意思決定境界を同時に学習するマルチタスク学習フレームワークを提案し、重みベクトルの共有事前分布を用いる。
• タスク間で共有される空間的および周波数的重みパターンを促進する、融合スパarsity誘導正則化（FD回帰）を導入する。
• 重みベクトルの事前分布を推論するために階層ベイズモデルを採用し、事前被験者からの知識を新しい被験者に移転可能にする。
• 反復的最適化スキームを用いて事前分布とタスク固有の重みを更新し、FD正則化のおかげで収束を加速する。
• EEG特徴量に電極選択の制限を課さずに、モーターリマジネーションおよび新しい認知的BCIパラダイムの両方の応用にフレームワークを適用する。
• 意思決定境界空間における共有構造をモデル化することで、被験者間およびセッション間の両方の移行を可能にする。

実験結果

リサーチクエスチョン

• RQ1 トレーニングデータが限られる状況で、キャリブレーション時間を短縮することを目的としたトランスファーラーニングが、被験者およびセッション間のBCI性能を向上させられるか？
• RQ2 単純なデータプールリングやドメイン適応と比較して、意思決定境界重みに共有事前分布を用いることで、被験者間およびセッション間のEEG信号ばらつきに対処できるか？
• RQ3 融合スパarsityを備えたマルチタスク学習フレームワークは、多様なEEG特徴空間およびBCIパラダイムに効果的に一般化できるか？
• RQ4 提案されたFD回帰法は、高次元EEGデータにおいて、標準的なマルチタスク学習と比較してより高速な収束と優れた性能を達成できるか？
• RQ5 このフレームワークは、完全な被験者固有のキャリブレーションを実施する前段階で、新しいBCIパラダイムを迅速に評価するために使用できるか？

主な発見

• 提案フレームワークは、モーターリマジネーションBCIにおける被験者間移行において、標準的なデータプールリングおよび事前分布移行手法を上回り、顕著に少ないトレーニング試行数で同等または高い精度を達成した。
• ALS患者におけるセッション間移行において、再トレーニングを最小限に抑えながらも高い分類精度を達成し、長期的なEEG信号ばらつきに対しても頑健であることを示した。
• FD回帰バージョンは、追加の最適化ループがあるにもかかわらず、試行数と特徴量の比がより良好なため、非FD対応手法と比較して、10倍以上も高速に収束した。
• 高次元EEG特徴空間においても優れた性能を示し、多くの特徴量が分類に寄与する状況でも頑健であることを確認した。
• 最適な電極位置や信号帯域に関する事前仮定を必要としないため、新しいパラダイムへの適応が可能であることを示した。
• 目的関数の拡張性が示されたことから、テストされた回帰設定を超えて、広範な応用可能性を有することが示唆された。