[논문 리뷰] Bayesian Nonparametric Models for Synchronous Brain-Computer Interfaces

Jaime F. Delgado Saa, Müjdat Çetin|arXiv (Cornell University)|2016. 12. 27.

Bayesian Methods and Mixture Models참고 문헌 10인용 수 3

한 줄 요약

이 논문은 동기식 뇌-컴퓨터 인터페이스를 위한 스틱키 전이를 갖춘 베이지안 비모수 은닉 마르코프 모델(HDP-HMM)을 제안한다. 계층적 딜레트 분포를 사용하여 사전 지정 없이 데이터로부터 은닉 상태 수와 가우시안 혼합 성분 수를 추론한다. 이 방법은 표준 HMM과 BCI 경연 대회 IV 수상자보다 뛰어난 성능을 보이며, 주파수 대역에서의 뇌전도파워의 시간적 동역학을 모델링하여 EEG 운동 과제 분류에서 더 높은 캄파 값(κ)을 달성한다.

ABSTRACT

A brain-computer interface (BCI) is a system that aims for establishing a non-muscular communication path for subjects who had suffer from a neurodegenerative disease. Many BCI systems make use of the phenomena of event-related synchronization and de-synchronization of brain waves as a main feature for classification of different cognitive tasks. However, the temporal dynamics of the electroencephalographic (EEG) signals contain additional information that can be incorporated into the inference engine in order to improve the performance of the BCIs. This information about the dynamics of the signals have been exploited previously in BCIs by means of generative and discriminative methods. In particular, hidden Markov models (HMMs) have been used in previous works. These methods have the disadvantage that the model parameters such as the number of hidden states and the number of Gaussian mixtures need to be fix "a priori". In this work, we propose a Bayesian nonparametric model for brain signal classification that does not require "a priori" selection of the number of hidden states and the number of Gaussian mixtures of a HMM. The results show that the proposed model outperform other methods based on HMM as well as the winner algorithm of the BCI competition IV.

연구 동기 및 목표

• 운동 과제 동안 EEG 신호의 시간적 동역학을 모델링하여 동기식 BCI 성능을 향상시키기 위해.
• 기존 HMM이 사전에 지정된 은닉 상태 수와 가우시안 혼합 성분 수가 필요로 하는 한계를 극복하기 위해.
• EEG 데이터로부터 직접 모델 복잡도를 추론하는 베이지안 비모수적 접근법을 개발하기 위해.
• 시간-주파수 특징과 감각운동 리듬 과제에서의 상태 동역학을 활용하여 분류 정확도를 향상시키기 위해.
• 고정된 파rameter를 갖는 HMM에 대한 강건하고 데이터 기반의 대안을 제공하기 위해.

제안 방법

• 특징 추출을 위해 EEG 신호의 시간-주파수 분포를 자동 회귀 모델링으로 계산한다.
• 신호 대 잡음 비율을 향상시키기 위해 일반화된 공간 패턴(CSP)을 사용하여 공간 필터링을 적용한다.
• 무한한 수의 은닉 상태와 가우시안 혼합 성분을 允허하는 계층적 딜레트 분포-은닉 마르코프 모델(HDP-HMM)을 사용한다.
• 상태 유지성을 장려하고 시간적 순서의 모델링을 향상시키기 위해 스틱키 전이 사전 확률을 통합한다.
• 수동적인 초모수 조정을 피하기 위해 모델 복잡도에 대한 사후 분포를 베이지안 추론으로 계산한다.
• 각 시험의 끝에서 필터링 및 분류를 위해 전진-뒤집기 알고리즘을 적용한다.

실험 결과

연구 질문

• RQ1 베이지안 비모수 모델은 EEG 기반 BCI 분류에서 최적의 은닉 상태 수를 자동으로 추론할 수 있는가?
• RQ2 은닉 상태 및 방출 분포에 계층적 딜레트 분포를 적용함으로써 고정된 파rameter를 갖는 HMM보다 분류 성능이 향상되는가?
• RQ3 동일한 EEG 데이터셋에서 스틱키 HDP-HMM은 BCI 경연 대회 IV 수상자와 비교해 캄파 점수(κ)에서 어떤 수준의 성능 차이를 보이는가?
• RQ4 주파수 대역에서의 EEG 파wer 변화의 시간적 동역학은 BCI 성능 향상에 얼마나 기여하는가?
• RQ5 제안된 모델은 HMM 파rameter에 대한 교차 검증 또는 전문가 조정에 얼마나 덜 의존하는가?

주요 결과

• 스티키 HDP-HMM은 모든 다른 HMM 기반 방법과 BCI 경연 대회 IV 수상자보다 더 높은 평균 캄파 값(κ)을 달성하였으며, BCI 경연 대회 IV 수상자는 최대 κ = 0.60를 기록하였다.
• 고정된 파rameter를 갖는 HMM(HMM-FP)은 세 개의 상태와 각 상태당 두 개의 가우시안 성분을 사용하였지만, 여전히 스틱키 HDP-HMM에 뒤지지 않았다.
• 교차 검증을 적용한 HMM(HMM-CV)는 최대 세 개의 은닉 상태와 세 개의 가우시안 성분을 선택했지만, 여전히 스틱키 HDP-HMM에 뒤지지 않았다.
• 베이지안 비모수적 접근법은 은닉 상태 수나 혼합 성분 수를 사전 지정할 필요 없이 모델 복잡도를 성공적으로 추론하였다.
• 이 방법은 운동 상상 과제 동안 알파 및 베타 대역에서의 EEG 파워 변화의 시간적 동역학을 효과적으로 포착하였다.
• 선형 회귀를 통한 아티팩트 감소와 CSP 필터링을 통해 신호 품질이 향상되었으며, 이는 전체 성능 향상에 기여하였다.