[논문 리뷰] Classification of Upper Arm Movements from EEG signals using Machine Learning with ICA Analysis

Pranali Kokate, Sidharth Pancholi외 1명|arXiv (Cornell University)|2021. 07. 18.

EEG and Brain-Computer Interfaces참고 문헌 42인용 수 16

한 줄 요약

이 논문은 뇌전도(EEG) 신호에서 왼쪽/오른쪽 상지 운동 상상 운동을 분류하기 위해 예측 가능한 성능을 내기 위해 독립성분분석(ICA)을 활용한 아티팩트 제거와 수작업으로 만든 시간영역 및 주파수영역 특징을 결합한 기계학습 프레임워크를 제안한다. 이 방법은 모든 피험자에서 96.02%의 정확도와 피험자 내 정확도 94.72%를 달성하였으며, 학습 효율성과 분류 성능 면에서 딥러닝 기반 모델들을 능가하였다.

ABSTRACT

The Brain-Computer Interface system is a profoundly developing area of experimentation for Motor activities which plays vital role in decoding cognitive activities. Classification of Cognitive-Motor Imagery activities from EEG signals is a critical task. Hence proposed a unique algorithm for classifying left/right-hand movements by utilizing Multi-layer Perceptron Neural Network. Handcrafted statistical Time domain and Power spectral density frequency domain features were extracted and obtained a combined accuracy of 96.02%. Results were compared with the deep learning framework. In addition to accuracy, Precision, F1-Score, and recall was considered as the performance metrics. The intervention of unwanted signals contaminates the EEG signals which influence the performance of the algorithm. Therefore, a novel approach was approached to remove the artifacts using Independent Components Analysis which boosted the performance. Following the selection of appropriate feature vectors that provided acceptable accuracy. The same method was used on all nine subjects. As a result, intra-subject accuracy was obtained for 9 subjects 94.72%. The results show that the proposed approach would be useful to classify the upper limb movements accurately.

연구 동기 및 목표

• 왼쪽 및 오른쪽 상지 운동 상상 운동을 분류하기 위한 강건한 EEG 기반 뇌-컴퓨터 인터페이스(BCI)를 개발하기 위해.
• 분류 성능을 떨어뜨리는 생리적 및 환경적 아티팩트로 인한 EEG 신호 오염 문제를 해결하기 위해.
• 기계학습 분류기와 수작업으로 만든 시간영역 및 주파수영역 특징을 통합하여 분류 정확도를 향상시키기 위해.
• 정확도, 학습 시간, 모델 효율성 측면에서 제안된 방법의 성능을 딥러닝 아키텍처와 비교하기 위해.
• 9명의 피험자에 대해 피험자 내 교차검증 전략을 적용하여 모델의 일반화 능력을 신뢰성 있게 검증하기 위해.

제안 방법

• 원시 EEG 신호에서 아티팩트를 분해하고 제거하기 위해 독립성분분석(ICA)을 적용하여 특징 추출 이전에 신호 품질을 향상시켰다.
• 사전 처리된 EEG 신호에서 평균, 분산, 왜도, 첨도, 곡선 아래 면적, 파wer 스펙트럼 밀도(PSD) 등 수작업 특징을 추출하였다.
• 시간영역 및 주파수영역 특징을 하나의 특징 벡터로 통합하여 분류 성능 향상을 위한 보완 정보를 활용하였다.
• 이중 및 다중 클래스 분류를 위한 운동 상상 작업을 위해 복합 특징 벡터에 기반한 다층퍼셉트론 신경망(MLP-NN)을 훈련시켰다.
• 90-10 훈련-검증 분할을 사용하고 배치 크기를 128로 설정하였으며, 데이터 정규화를 적용하고 최고 성능 모델을 저장하기 위해 모델 체크포인팅을 활용하였다.
• 동일한 데이터셋을 사용하여 제안된 방법과 딥러닝 아키텍처(CNN-LSTM)를 비교하였으며, 정확도, 정밀도, 재현율 및 F1-스코어를 평가하였다.

실험 결과

연구 질문

• RQ1 ICA는 EEG 신호의 아티팩트를 효과적으로 줄여 운동 상상 분류 성능을 향상시킬 수 있는가?
• RQ2 시간영역 및 주파수영역 특징을 통합하면 상지 운동 작업의 분류 정확도를 향상시킬 수 있는가?
• RQ3 제안된 MLP-NN 기반 방법은 정확도 및 학습 효율성 측면에서 딥러닝 모델과 비교해 어떻게 성능을 내는가?
• RQ4 제안된 방법을 여러 피험자에 대해 적용했을 때 피험자 내 분류 정확도는 얼마인가?
• RQ5 수작업 특징과 경량 MLP-NN는 EEG 기반 BCI 시스템에서 복잡한 딥러닝 모델을 능가할 수 있는가?

주요 결과

• 제안된 방법은 시간영역 및 주파수영역 특징을 모두 활용하여 왼쪽 및 오른쪽 손 운동 상상 운동을 분류할 때 총 정확도 96.02%를 달성하였다.
• 9명의 모든 피험자에서 피험자 내 분류 정확도가 94.72%에 도달하여 개인별 성능과 일반화 능력이 뛰어나다는 것을 입증하였다.
• ICA 기반 아티팩트 제거 단계는 신호 품질을 크게 향상시켜 전반적인 성능 향상에 기여하였으며, 이는 사전처리 단계에서의 핵심적 역할을 확인시켰다.
• MLP-NN 모델은 딥러닝 베이스라인(CNN-LSTM)을 능가하여 95.41%의 정확도를 기록한 반면, 제안된 방법은 96.02%의 정확도를 달성하였고, 학습 속도가 더 빠르며 더 적은 계산 시간을 요구하였다.
• 모든 클래스에서 정밀도, 재현율 및 F1-스코어가 높게 유지되었으며, F1-스코어 범위는 0.80에서 0.89 사이로 안정적이고 균형 잡힌 분류 성능을 보였다.
• 연구는 시간영역 및 주파수영역 특징이 모두 필수적임을 확인하였으며, 둘을 통합할 경우 단일 영역만 사용하는 것보다 훨씬 우수한 성능을 얻을 수 있음을 입증하였다.