[논문 리뷰] A GA-based feature selection of the EEG signals by classification evaluation: Application in BCI systems

Samira Vafay Eslahi, Nader Jafarnia Dabanloo외 1명|arXiv (Cornell University)|2019. 01. 16.

EEG and Brain-Computer Interfaces참고 문헌 18인용 수 15

한 줄 요약

이 연구는 뇌-컴퓨터 인터페이스(Brain-Computer Interface, BCI) 시스템에서 에이전시 신호 분류를 최적화하기 위해 유전 알고리즘(Genetic Algorithm, GA) 기반의 특성 선택 프레임워크를 제안한다. 이는 파인만 특성 추출 방법(Katz, Higuchi, Petrosian, Sevcik, BCD)과 분류기(LDA, SVM, FKNN, ANFIS)의 조합을 웨이브렛 하위대역과 원본 신호에서 평가한다. 주요 결과로는 Katz 분수 특성과 LDA 분류기가 정확도와 계산 시간을 균형 잡은 피트니스 함수를 최소화하여 가장 높은 성능을 달성한다.

ABSTRACT

In electroencephalogram (EEG) signal processing, finding the appropriate information from a dataset has been a big challenge for successful signal classification. The feature selection methods make it possible to solve this problem; however, the method selection is still under investigation to find out which feature can perform the best to extract the most proper features of the signal to improve the classification performance. In this study, we use the genetic algorithm (GA), a heuristic searching algorithm, to find the optimum combination of the feature extraction methods and the classifiers, in the brain-computer interface (BCI) applications. A BCI system can be practical if and only if it performs with high accuracy and high speed alongside each other. In the proposed method, GA performs as a searching engine to find the best combination of the features and classifications. The features used here are Katz, Higuchi, Petrosian, Sevcik, and box-counting dimension (BCD) feature extraction methods. These features are applied to the wavelet subbands and are classified with four classifiers such as adaptive neuro-fuzzy inference system (ANFIS), fuzzy k-nearest neighbors (FKNN), support vector machine (SVM) and linear discriminant analysis (LDA). Due to the huge number of features, the GA optimization is used to find the features with the optimum fitness value (FV). Results reveal that Katz fractal feature estimation method with LDA classification has the best FV. Consequently, due to the low computation time of the first Daubechies wavelet transformation in comparison to the original signal, the final selected methods contain the fractal features of the first coefficient of the detail subbands.

연구 동기 및 목표

• 고정밀도, 저지연 BCI 시스템을 위한 최적의 EEG 특성 선택 과제를 해결하기 위해.
• 다양한 분수 차원 방법과 웨이브렛 하위대역에서 유도된 큰 특성 공간의 차원을 감소시키기 위해.
• 분류 정확도와 계산 시간의 피트니스 함수를 최소화하는 특성 추출 방법과 분류기의 최적 조합을 규명하기 위해.
• 실제 BCI 경쟁 데이터를 사용한 10겹 교차검증을 통해 이 GA 최적화 방법의 성능을 평가하기 위해.

제안 방법

• BCI 경쟁 2003, 데이터셋 III의 EEG 신호는 밴드패스 필터링(0.5–30 Hz)을 거쳐 첫 번째 수준의 다우벡스 웨이브렛 변환을 통해 근사 및 세부 하위대역으로 분해되었다.
• 원본 신호와 웨이브렛 하위대역에 대해 다섯 가지 분수 차원 추정 방법—Katz, Higuchi, Petrosian, Sevcik 및 박스-카운팅 차원(BCD)—을 적용하여 기하학적 특성을 추출하였다.
• 오른손과 왼손의 운동 상상 작업을 분류하기 위해 네 가지 분류기—선형 판별 분석(LDA), 서포트 벡터 머신(SVM), 퍼지 k-최근접 이웃(FKNN), 적응형 신경-퍼지 추론 시스템(ANFIS)—을 사용하였다.
• 피트니스가 분류 정확도를 계산 시간으로 나눈 비율로 정의된 유전 알고리즘(GA)을 사용하여 특성 추출 방법과 분류기의 최적 조합을 찾는 전역 최적화 기법을 적용하였다.
• GA는 다수의 세대에 걸쳐 개체군을 진화시키며, 피트니스 기반으로 부모를 선택하고 교차 및 변이를 통해 자손을 생성하여 최고 성능을 내는 설정으로 수렴시켰다.
• 최종 평가에서는 10겹 교차검증을 사용하였으며, 9개의 폴드는 훈련용, 1개의 폴드는 테스트용으로 활용하여 안정적인 성능 추정을 확보하였다.

실험 결과

연구 질문

• RQ1 BCI 시스템에서 운동 상상 작업의 분류 정확도를 높이는 데 가장 효과적인 분수 특성 추출 방법과 분류기의 조합은 무엇인가?
• RQ2 웨이브렛 하위대역 분해는 EEG 신호 분류에서 분수 특성의 성능에 어떤 영향을 미치는가?
• RQ3 유전 알고리즘이 EEG 기반 BCI 시스템에서 분류 정확도와 계산 시간 간의 트레이드오프를 효과적으로 최적화할 수 있는가?
• RQ4 원본 EEG 신호보다 웨이브렛 하위대역에서 유도된 분수 특성이 분류 성능 측면에서 뛰어나게 되는가?
• RQ5 정확도와 속도의 복합 피트니스 함수를 최소화하는 특성 추출 및 분류의 최적 구성은 무엇인가?

주요 결과

• Katz 분수 특성 추정 방법과 선형 판별 분석(LDA) 분류기의 조합가 가장 낮은 피트니스 값을 기록하여 정확도와 계산 시간 간의 최적 균형을 이룬다.
• 최적의 특성 집합은 다우벡스 웨이브렛 변환의 첫 번째 세부 하위대역(D1)에서 추출된 분수 특성으로, 원본 신호를 처리하는 것보다 계산 비용이 훨씬 낮다.
• 다양한 런에 걸쳐 GA는 항상 동일한 최적 구성—Katz + LDA—를 선택하여 솔루션의 강건성과 신뢰성을 입증한다.
• 첫 번째 수준의 다우벡스 웨이브렛 변환의 계산 시간은 고수준 분해보다 현저히 낮아, 실시간 BCI 응용에 적합함을 뒷받침한다.
• 피트니스 함수는 계산 시간을 분류 정확도로 나눈 값으로 정의되며, Katz + LDA 조합이 이를 최소화하여 속도와 정확도 간의 트레이드오프에서 뛰어난 성능을 보임을 확인하였다.
• 10겹 교차검증 결과는 높은 일반화 성능을 확인하였으며, 선택된 방법은 높은 정확도를 달성하면서도 실시간 BCI 시스템에 적합한 저지연을 유지하였다.