[논문 리뷰] An Ensemble Learning Based Classification of Individual Finger Movement from EEG

Sutanu Bera, Rinku Roy외 2명|arXiv (Cornell University)|2019. 03. 25.

EEG and Brain-Computer Interfaces참고 문헌 38인용 수 5

한 줄 요약

이 연구는 비침습적 뇌전도측정(EEG)에서 개별 손가락 움직임(엄지, 검지, 중지)을 복합 학습 기반으로 해석하기 위해 공통 공간 패턴(CSP)과 오류 수정 출력 부호화(ECOC)를 적용한 엔세임 학습 접근법을 제안한다. 단일 손가락 움직임과 휴식 상태를 구분하는 데 평균 분류 정확도가 74%에 달하며, 다중 클래스 해석에서는 최대 코HEN의 Kappa 값이 0.36에 도달하여 신경의료보조기기 및 재활 분야에서 고정도 뇌-기계 인터페이스(BCI) 응용의 가능성을 입증한다.

ABSTRACT

Brain computer interface based assistive technology are currently promoted for motor rehabilitation of the neuromuscular ailed individuals. Recent studies indicate a high potential of utilising electroencephalography (EEG) to extract motor related intentions. Limbic movement intentions are already exhaustively studied by the researchers with high accuracy rate. But, capturing movement of fingers from EEG is still in nascent stage. In this study, we have proposed an ensemble learning based approach for EEG in distinguishing between movements of different fingers, namely, thumb, index, and middle. Six healthy subjects participated in this study. Common spatial patterns (CSP) were extracted as features to classify with the extra tree or extremely randomized tree binary classifier. The average classification accuracy of decoding a finger from rest condition was found to be $74\%$, wheres in discriminating of movement of pair of fingers average accuracy was $60\%$. Furthermore, error correcting output coding (ECOC) was added to the binary classifier to use it in multiclass classification. The proposed algorithm achieved a maximum kappa value of 0.36 among the subjects.

연구 동기 및 목표

• 비침습적 EEG 신호로부터 개별 손가락 움직임을 해석하기 위한 다중 클래스 분류 프레임워크를 개발하는 것.
• 공통 공간 패턴(CSP)을 적용하여 EEG에서 낮은 신호 대 잡음비(SNR) 문제를 해결하고 특징을 추출하는 것.
• 에ksen트리 분류기와 ECOC를 활용한 앙상블 학습을 통해 미세 운동 작업의 분류 성능을 향상시키는 것.
• 특정 손가락 움직임을 수행하는 데 더 높은 인지적 어려움을 느끼는 참가자가 더 높은 해석 정확도를 보일지 여부를 조사하는 것.
• 22채널 EEG를 사용하여 개별 손가락 움직임과 이중 손가락 조합을 구분할 수 있는지의 가능성을 평가하는 것.

제안 방법

• 신호 대 잡음비를 향상시키고 클래스 간 분산을 극대화하기 위해 공간 필터링된 EEG 특징을 추출하기 위해 공통 공간 패턴(CSP)을 적용하였다.
• 이중 손가락 움직임 대비 휴식 상태 조건에서 에ksen트리 분류기를 사용해 이진 분류를 수행하였다.
• 세 가지 손가락 움직임의 다중 클래스 분류를 위해 이진 에ksen트리 분류기를 확장하기 위해 오류 수정 출력 부호화(ECOC)를 활용하였다.
• ECOC 전략은 최대 해밍 거리가 3인 코드북을 사용하여 최대 두 개의 잘못된 이진 예측을 수정할 수 있도록 하였다.
• EEG 데이터는 2 Hz 주파수 대역으로 분할되었으며, 운동 의도의 지표로 삼기 위해 알파(8–12 Hz) 및 베타(13–30 Hz) 대역의 사건 관련 감소(ERD)가 분석되었다.
• 분류 성능는 여섯 명의 건강한 참가자 대상으로 정확도와 코HEN의 Kappa 통계량을 사용하여 평가되었다.

실험 결과

연구 질문

• RQ1 비침습적 EEG를 사용하여 앙상블 학습 기법을 통해 엄지, 검지, 중지와 같은 개별 손가락 움직임을 신뢰성 있게 해석할 수 있는가?
• RQ2 단일 손가락 움직임의 분류 정확도는 휴식 상태에서의 이중 손가락 움직임과 비교해 어떻게 다른가?
• RQ3 손가락 움직임의 인지적 어려움 수준이 해석 정확도와 상관이 있는가? 이는 정신적 준비가 신호 강도에 영향을 준다는 것을 시사하는가?
• RQ4 ECOC 기반의 엔세임 에ksen트리 분류기는 제한된 EEG 채널 수에서 손가락 움직임의 다중 클래스 해석 성능을 얼마나 향상시킬 수 있는가?
• RQ5 22채널 EEG로 사용할 경우, 운동 피질 내 손가락 표현의 공간적 중첩이 해석 정확도에 제한 요소가 되는가?

주요 결과

• 휴식 상태와의 구분에서 개별 손가락 움직임을 분류하는 데 평균 정확도가 74%에 달하여 비침습적 EEG를 통한 미세 운동 해석의 높은 가능성을 입증하였다.
• 이중 손가락 간의 구분에서 평균 정확도는 60%였으며, 이는 다중 클래스 분류의 복잡도가 더 높음을 시사한다.
• 다중 클래스 해석에서 얻은 최대 코HEN의 Kappa 값은 0.36였으며, 이는 우연을 넘어서 중간 정도에서 상당한 일致를 의미한다.
• 특정 손가락을 들어 올리는 데 더 큰 어려움을 느낀 참가자들이 그 손가락에 대해 더 높은 해석 정확도를 보였으며, 이는 정신적 노력과 신호 진폭 사이의 연관성을 시사한다.
• 연구에서 정신적 준비가 증가함에 따라 강한 ERD가 관찰되었고, 이는 특히 운동 능력에 어려움을 느끼는 개인에서 EEG 신호의 탐지 가능성 향상에 기여할 수 있음을 시사한다.
• 결과적으로 손가락 표현의 높은 공간적 중첩을 고려할 때, 전극 밀도를 높이면 분류 정확도가 상당히 향상될 수 있음을 시사한다.