[論文レビュー] Understanding Brain Dynamics for Color Perception using Wearable EEG headband

Mahima Chaudhary, Sumona Mukhopadhyay+3 more|arXiv (Cornell University)|Aug 17, 2020

EEG and Brain-Computer Interfaces参考文献 26被引用数 8

ひとこと要約

本研究では、ウェアラブルなMuse 2ヘッドバンドによって収集された生のEEG信号からスペクトル特徴、統計特徴、相関特徴を抽出し、赤、緑、青の色刺激に対する脳の反応を識別するマルチクラス分類モデルを提案する。前方特徴選択とランダムフォレスト分類器を適用することで、被験者内分類精度が80.6％に達した。これは、消費者向けEEGデバイスがIoT環境における脳-コンピュータインターフェース応用において、色覚覚を効果的に分類可能であることを示している。

ABSTRACT

The perception of color is an important cognitive feature of the human brain. The variety of colors that impinge upon the human eye can trigger changes in brain activity which can be captured using electroencephalography (EEG). In this work, we have designed a multiclass classification model to detect the primary colors from the features of raw EEG signals. In contrast to previous research, our method employs spectral power features, statistical features as well as correlation features from the signal band power obtained from continuous Morlet wavelet transform instead of raw EEG, for the classification task. We have applied dimensionality reduction techniques such as Forward Feature Selection and Stacked Autoencoders to reduce the dimension of data eventually increasing the model's efficiency. Our proposed methodology using Forward Selection and Random Forest Classifier gave the best overall accuracy of 80.6\% for intra-subject classification. Our approach shows promise in developing techniques for cognitive tasks using color cues such as controlling Internet of Thing (IoT) devices by looking at primary colors for individuals with restricted motor abilities.

研究の動機と目的

• 消費者向けEEGハードウェアを用いて、主な色に対する脳の反応を分類する低コストでウェアラブルなBCIシステムを開発すること。
• ウェーブレット変換されたEEG信号からのスペクトル的、統計的、相関的特徴が、生の信号に比べて分類精度を向上させるかを調査すること。
• 次元削減技術（例えば、前方特徴選択とスタックドオートエンコーダー）が、モデルの効率性と性能を向上させる有効性を評価すること。
• 機械学習モデルを用いて、被験者内分類と被験者間分類の性能を比較すること。
• 運動麻痺を有する人々が色ベースの脳信号を用いて、IoTデバイスを制御する実用的応用を可能にすること。

提案手法

• 赤、緑、青の色刺激にさらされた際の、4チャンネルのMuse 2ウェアラブルヘッドバンドから生のEEG信号を収集した。
• 連続モーレットウェーブレット変換を用いて信号を前処理し、アルファ帯域（8–13 Hz）およびベータ帯域（13–30 Hz）のバンドパワーを抽出した。
• ウェーブレット変換されたバンドパワーから、スペクトルパワー、パワーの分散、ペアワイズ相互相関特徴、および統計的特徴（例：平均、尖度）を抽出した。
• モデル効率の向上を目的として、前方特徴選択（教師あり）とスタックドオートエンコーダー（非教師あり）を用いた次元削減を実施した。
• 次元削減された特徴集合を用いて、KNN、SVM、ロジスティック回帰、ランダムフォレスト、ニューラルネットワーク、勾配ブースティングなどの複数の機械学習モデルを訓練・評価した。
• 一時的反応を特定し、運動アーチファクトの影響を最小限に抑えるために、200msの時間窓を最適化してモデル性能を向上させた。

実験結果

リサーチクエスチョン

• RQ1 生のEEG信号から、RGB色刺激によって誘発される4チャンネルのウェアラブルヘッドバンドによるEEG信号を、統計的・スペクトル的・相関的特性を考慮した特徴を用いて機械学習モデルで区別することは可能か？
• RQ2 前方特徴選択やオートエンコーダーのような特徴削減技術は、EEG分類のための機械学習アルゴリズムの効率性を向上させられるか？
• RQ3 被験者内分類と被験者間分類において、機械学習アルゴリズムの性能に差異があるか？
• RQ4 消費者向けウェアラブルEEGデバイスを用いて、高度な特徴工学と機械学習を組み合わせることで、色覚覚の分類精度を高めることができるか？

主な発見

• 前方特徴選択を適用したランダムフォレストモデルが、被験者内分類で最高の精度80.6％を達成した。
• 最良の被験者では、オートエンコーダー処理済み特徴を用いた勾配ブースティングモデルでAUCスコアが0.730に達し、優れた識別性能を示した。
• 被験者間分類精度は39.8％にとどまり、色刺激に対するEEG反応に顕著な被験者間差が存在することが示された。
• 被験者内分類においては、前方特徴選択がスタックドオートエンコーダーを上回り、精度と効率性の両面で優れた性能を発揮した。
• 前方特徴選択を用いたランダムフォレストモデルは、被験者平均でF1スコア0.510、MCC 0.225を達成し、中程度から良好な性能を示した。
• 本研究では、4チャンネルの消費者向けEEGデバイス（Muse 2）が、高電極数の医療用システムと同等の性能（80.6％の精度）を達成できることを示した。これは、過去の4チャンネル研究（58％）を上回り、14チャンネルシステムの結果（79.6％）に近い水準に達した。