[논문 리뷰] ART: Artifact Removal Transformer for Reconstructing Noise-Free Multichannel Electroencephalographic Signals

Chun‐Hsiang Chuang, Kong-Yi Chang외 2명|arXiv (Cornell University)|2024. 09. 11.

EEG and Brain-Computer InterfacesNeuroscience인용 수 3

한 줄 요약

ART는 다중채널 뇌파 신호의 엔드 투 엔드 노이즈 제거를 위한 새로운 트랜스포머 기반 딥 러닝 모델을 제안한다. 이 모델은 다양한 아티팩트를 효과적으로 제거하면서 밀리초 수준의 신경 동역학을 유지한다. 독립성 성분 분석(ICA)을 활용한 노이즈가 섞인-정제된 뇌파 데이터 쌍과 BCI 데이터셋을 통한 종합적인 평가를 통해 ART는 신호 대 노이즈 비율과 재구성 정확도에서 최신 기술 수준의 성능을 달성하였으며, 뇌파 아티팩트 제거 분야의 새로운 기준을 설정하였다.

ABSTRACT

Artifact removal in electroencephalography (EEG) is a longstanding challenge that significantly impacts neuroscientific analysis and brain-computer interface (BCI) performance. Tackling this problem demands advanced algorithms, extensive noisy-clean training data, and thorough evaluation strategies. This study presents the Artifact Removal Transformer (ART), an innovative EEG denoising model employing transformer architecture to adeptly capture the transient millisecond-scale dynamics characteristic of EEG signals. Our approach offers a holistic, end-to-end denoising solution for diverse artifact types in multichannel EEG data. We enhanced the generation of noisy-clean EEG data pairs using an independent component analysis, thus fortifying the training scenarios critical for effective supervised learning. We performed comprehensive validations using a wide range of open datasets from various BCI applications, employing metrics like mean squared error and signal-to-noise ratio, as well as sophisticated techniques such as source localization and EEG component classification. Our evaluations confirm that ART surpasses other deep-learning-based artifact removal methods, setting a new benchmark in EEG signal processing. This advancement not only boosts the accuracy and reliability of artifact removal but also promises to catalyze further innovations in the field, facilitating the study of brain dynamics in naturalistic environments.

연구 동기 및 목표

• 뇌파 신호의 장기적인 아티팩트 오염 문제로 인한 신경과학 분석 및 BCI 성능 저하를 해결하기 위해.
• 다양한 아티팩트 유형을 처리할 수 있는 엔드 투 엔드 딥 러닝 프레임워크를 개발하기 위해.
• 독립성 성분 분석(ICA)을 활용해 합성된 노이즈-정제된 뇌파 쌍을 생성함으로써 훈련 데이터 품질을 향상시키기 위해.
• 다양한 BCI 관련 데이터셋을 기반으로 다수의 정량적 및 신경생리학적으로 의미 있는 지표를 사용해 모델을 검증하기 위해.
• 기존의 딥 러닝 기반 아티팩트 제거 방법들을 능가하는 성능을 통해 뇌파 노이즈 제거 분야의 새로운 기준을 설정하기 위해.

제안 방법

• ART 모델은 다중채널 뇌파 신호의 장거리 시간적 의존성과 일시적인 동역학을 모델링하기 위해 트랜스포머 아키텍처를 활용한다.
• 실제 아티팩트 오염을 시뮬레이션하기 위해 독립성 성분 분석(ICA)을 통해 생성된 합성된 노이즈-정제된 뇌파 쌍을 사용해 지도 학습 방식으로 훈련된다.
• 모델은 원시 다중채널 뇌파 입력을 처리하고, 순서에서 순서로의 노이즈 제거 메커니즘을 통해 정제된 신호를 재구성한다.
• 재구성 오차를 최소화하기 위해 예측된 신호와 정제된 신호 간의 평균 제곱오차 손실을 최적화하여 훈련된다.
• 다양한 뇌파 측정 설정과 아티팩트 유형에 일반화될 수 있도록 설계되었다.
• 평가에는 신호 수준 지표(MSE, SNR), 소스 국소화 정확도, 그리고 뇌파 성분 분류가 포함되어 생리학적으로 타당한지 검증된다.

실험 결과

연구 질문

• RQ1 트랜스포머 기반 아키텍처는 다양한 아티팩트를 제거하면서도 뇌파 신호의 밀리초 수준의 동역학을 효과적으로 포착할 수 있는가?
• RQ2 ART의 성능은 다양한 BCI 관련 데이터셋에서 기존의 딥 러닝 기반 뇌파 노이즈 제거 방법들과 비교해 어떻게 나타나는가?
• RQ3 ICA를 활용한 합성 데이터는 노이즈 제거 모델의 일반화 능력과 강인성에 얼마나 기여하는가?
• RQ4 재구성된 뇌파 신호는 신경생리학적으로 의미 있는 소스 국소화와 성분 구조를 유지하는가?
• RQ5 ART는 임상 및 BCI 적용 분야에서 뇌파 아티팩트 제거의 새로운 기준이 될 수 있는가?

주요 결과

• ART는 여러 개방형 뇌파 데이터셋에서 신호 대 노이즈 비율(SNR)과 평균 제곱오차(MSE)에서 최신 기술 수준의 성능을 달성하였다.
• 기본적인 노이즈 제거 방법들과 비교해 소스 국소화 정확도가 뚜렷이 향상되어 신경 소스 활동이 더 잘 유지됨을 시사한다.
• ART는 뇌파 성분 분류에서 뛰어난 성능을 보이며, 정제된 신호가 생물학적으로 관련 있는 특징을 유지하고 있음을 확인한다.
• ICA를 활용한 노이즈-정제된 데이터 쌍의 사용은 모델의 일반화 능력과 예측 불가능한 아티팩트 유형에 대한 강인성을 향상시킨다.
• 정량적 지표와 신경생리학적 검증 모두에서 기존의 딥 러닝 기반 아티팩트 제거 방법들을 능가하며, 뇌파 신호 재구성 분야에서 새로운 기준을 설정하였다.