[논문 리뷰] Adversarial Feature Learning in Brain Interfacing: An Experimental Study on Eliminating Drowsiness Effects

Ozan Özdenizci, Barry Oken외 3명|arXiv (Cornell University)|2019. 07. 22.

EEG and Brain-Computer Interfaces참고 문헌 25인용 수 3

한 줄 요약

이 논문은 EEG 기반 BCI 스펠러 시스템에서 수면 유도 변동성을 줄이기 위해 적대적 불변 특징 학습을 제안한다. 적대적 기반으로 CNN을 훈련시어 기록 블록(수면) 정보를 억제함으로써, 수면에 강인한 EEG 특징을 얻었으며, 통계적으로 유의미한 AUC 향상(비적대적 모델 대비 평균 80.7% 대비 78.6%)을 통해 BCI 디코딩 성능을 향상시켰다.

ABSTRACT

Across- and within-recording variabilities in electroencephalographic (EEG) activity is a major limitation in EEG-based brain-computer interfaces (BCIs). Specifically, gradual changes in fatigue and vigilance levels during long EEG recording durations and BCI system usage bring along significant fluctuations in BCI performances even when these systems are calibrated daily. We address this in an experimental offline study from EEG-based BCI speller usage data acquired for one hour duration. As the main part of our methodological approach, we propose the concept of adversarial invariant feature learning for BCIs as a regularization approach on recently expanding EEG deep learning architectures, to learn nuisance-invariant discriminative features. We empirically demonstrate the feasibility of adversarial feature learning on eliminating drowsiness effects from event related EEG activity features, by using temporal recording block ordering as the source of drowsiness variability.

연구 동기 및 목표

• BCI 시스템에서 수면 및 경각심 변동으로 인한 세션 내 EEG 변동성 문제를 해결한다.
• 기록 블록 간 일반화를 향상시키기 위해 수면에 강인한 EEG 특징을 학습하기 위한 정규화 방법을 개발한다.
• 노이즈 변수인 수면 유도 변동성을 제거하는 데 있어 적대적 특징 학습의 가능성을 입증한다.
• 긴 세션 동안 재교정이 필요 없이 BCI 디코딩의 강인성을 향상시킨다.

제안 방법

• EEG 데이터에서 수면 수준의 이산화된 대리 변수로 시간적 기록 블록을 사용한다.
• 블록 ID 정보(노이즈 변수)를 최소화하도록 적대적 헤드를 갖춘 CNN 기반 EEG 특징 추출기를 훈련시킨다.
• 특징을 통해 블록 ID 정보가 泄露되는 것을 방지하기 위해 손실 함수를 통해 적대적 정규화를 적용한다.
• 초파rameter λ를 통해 작업 분류(ERP 대비 비-ERP)와 수면 간 불변성 사이의 트레이드오프를 최적화한다.
• 적대적 네트워크의 검증 세트 성능을 사용해 λ를 튜닝하고, 수면 관련 특징의 효과적인 억제를 확보한다.
• 테스트 데이터에서 ROC 곡선의 AUC를 사용해 디코딩 성능을 평가하고, 적대적 및 비적대적 모델을 비교한다.

실험 결과

연구 질문

• RQ1 적대적 특징 학습은 ERP 기반 BCI 스펠러 데이터에서 추출한 EEG 특징의 수면 관련 변동성을 효과적으로 억제할 수 있는가?
• RQ2 경각심 상태 변동이 존재할 때, 적대적 정규화는 BCI 디코딩 성능을 어느 정도 향상시키는가?
• RQ3 적대적 정규화 강도(λ로 제어)는 분류 능력과 수면 간 불변성 사이의 균형에 어떤 영향을 미치는가?
• RQ4 수면 수준이 시간에 따라 변화하더라도, 학습된 특징 표현은 참가자 및 기록 블록 간에 강인한가?

주요 결과

• 적대적 특징 학습은 학습된 특징에서 블록 ID를 복원하는 데에 효과적으로 기여하지 못하게 하였으며, 블록 ID 정확도는 λ=0일 때 평균 48.8%에서 λ=0.1일 때 38.2%로 감소하였다.
• 적대적 특징을 사용할 경우 참가자 평균 AUC는 80.7%였고, 비적대적 모델(λ=0)은 78.6%였으며, 통계적으로 유의미한 향상이 있었다(p < 0.0002).
• AUC 향상은 개별 참가자 간 일관되게 관찰되었으며, 19명 중 18명이 적대적 훈련에서 더 높은 AUC를 기록하였다.
• 더 강한 적대적 정규화(높은 λ)는 성능 향상의 감소를 초래하고 분류 성능에 잠재적 트레이드오프를 유도하였으며, 최적의 균형이 존재함을 시사하였다.
• 이 방법은 딥 네트워크가 EEG에서 수면 특유의 시간 패턴(최대 93% 泄露)을 효과적으로 활용할 수 있음을 입증하였고, 적대적 훈련이 이를 효과적으로 억제함을 보였다.
• 이 방법은 일반화 가능하며, 수면 또는 세션 일자와 같은 노이즈 변수에 강인한 EEG 기반 BCI 또는 딥 러닝 특징 추출 파이프라인에 적용 가능하다.