[논문 리뷰] CNN-based Approaches For Cross-Subject Classification in Motor Imagery: From The State-of-The-Art to DynamicNet

Alberto Zancanaro, Giulia Cisotto외 3명|arXiv (Cornell University)|2021. 01. 01.

EEG and Brain-Computer Interfaces참고 문헌 25인용 수 31

한 줄 요약

이 논문은 운동의상 BCI 시스템에서 뇌파 신호 분류를 위한 CNN 기반 딥러닝 모델을 빠르게 구현할 수 있도록 돕는 파이썬 기반 도구상자인 DynamicNet을 제안한다. DynamicNet를 통해 구현한 EEGNet 모델은 4개 클래스의 운동의상 데이터셋에서 표준 FBCSP 방법 대비 약 25% 높은 교차 주체 분류 정확도(59.35%)를 달성하며, 교차 주체 검증 설계에서 FBCSP를 크게 앞서며 성능을 뛰어나게 한다.

ABSTRACT

Motor imagery (MI)-based brain-computer interface (BCI) systems are being increasingly employed to provide alternative means of communication and control for people suffering from neuro-motor impairments, with a special effort to bring these systems out of the controlled lab environments. Hence, accurately classifying MI from brain signals, e.g., from electroencephalography (EEG), is essential to obtain reliable BCI systems. However, MI classification is still a challenging task, because the signals are characterized by poor SNR, high intra-subject and cross-subject variability. Deep learning approaches have started to emerge as valid alternatives to standard machine learning techniques, e.g., filter bank common spatial pattern (FBCSP), to extract subject-independent features and to increase the cross-subject classification performance of MI BCI systems. In this paper, we first present a review of the most recent studies using deep learning for MI classification, with particular attention to their cross-subject performance. Second, we propose DynamicNet, a Python-based tool for quick and flexible implementations of deep learning models based on convolutional neural networks. We show-case the potentiality of DynamicNet by implementing EEGNet, a well-established architecture for effective EEG classification. Finally, we compare its performance with FBCSP in a 4-class MI classification over public datasets. To explore its cross-subject classification ability, we applied three different cross-validation schemes. From our results, we demonstrate that DynamicNet-implemented EEGNet outperforms FBCSP by about 25%, with a statistically significant difference when cross-subject validation schemes are applied.

연구 동기 및 목표

• 최근의 교차 주체 운동의상 뇌파 분류를 위한 딥러닝 접근법을 조사하기 위해.
• EEG 기반 BCI에서 유연하고 신속한 딥러닝 모델 구현을 위한 오픈소스 파이썬 도구상자인 DynamicNet을 소개하기 위해.
• DynamicNet를 통해 구현한 EEGNet 모델의 성능을 4개 클래스 운동의상 분류에서 표준 FBCSP 방법과 비교 평가하기 위해.
• 실제 BCI 응용 분야에서 딥러닝 모델의 교차 주체 일반화 능력을 탐구하기 위해.

제안 방법

• DynamicNet는 EEG 데이터를 위한 CNN 기반 딥러닝 모델을 신속하게 구현하도록 설계된 모듈식이고 오픈소스인 파이썬 도구상자이다.
• 이 도구상자는 EEG 신호 분류에 최적화된 경량 CNN 아키텍처인 EEGNet을 구현하는 데 사용되었다.
• 세 가지 학습 전략이 적용되었다: 주체별 의존 학습, 믹스업(모든 주체의 데이터를 통합해 학습), 교차 주체 학습(모든 주제를 제외한 한 주제를 제외하고 학습, 나머지 주제로 테스트).
• 연구는 BCI 경쟁 IV 데이터셋 2a를 사용하였으며, 9명의 주체가 22채널 뇌파 기록을 통해 4개 클래스의 운동의상 작업을 수행하였다.
• 사전처리로는 0.5–100 Hz의 대역통과 필터링과 50 Hz에서의 노치 필터링을 수행하여 선 잡음을 제거하였다.
• 각 전략 하에서 10겹 교차검증을 수행하였으며, 정확도와 표준편차를 보고하였다.

실험 결과

연구 질문

• RQ1 최근의 딥러닝 모델은 전통적인 FBCSP에 비해 교차 주체 운동의상 뇌파 분류에서 어떻게 성능을 내는가?
• RQ2 유연한 딥러닝 도구상자인 DynamicNet은 뇌파 분류 모델의 신속한 프로토타이핑을 효과적으로 지원할 수 있는가?
• RQ3 EEGNet과 같은 CNN 기반 모델은 4개 클래스의 교차 주체 운동의상 분류에서 FBCSP를 능가하는가?
• RQ4 데이터 사전처리가 MI-BCI 시스템에서 주체 간 일반화에 어떻게 영향을 미치는가?

주요 결과

• DynamicNet로 구현한 EEGNet은 모든 주체에 대해 평균 교차 주체 분류 정확도 59.35%를 기록하였으며, 이는 FBCSP의 34.01%에 비해 유의미하게 높은 성능을 보였다.
• 주체별 학습 전략 하에서 EEGNet은 67.88%의 정확도를 달성하였고, FBCSP는 62.56%를 기록하였다.
• 믹스업 학습 전략은 EEGNet의 정확도를 72.50%로 끌어올렸지만, FBCSP는 45.85%로 하락하여 데이터 다양성이 딥러닝 일반화 능력을 향상시킨다는 점을 시사하였다.
• 연구에서 사전처리(필터링 및 정규화)가 주체 간 특징을 감소시켜 교차 주체 성능에 악영향을 줄 수 있음을 발견하였으며, 동일한 전략 하에서 원시 데이터가 사전처리된 데이터보다 더 높은 정확도를 기록하였다.
• EEGNet의 성능는 교차 주체 상황에서 FBCSP보다 통계적으로 유의미하게 높았다(p < 0.005), 이는 실생활 구현에 대한 강건성을 확인시켰다.
• 결과적으로, EEGNet과 같은 딥러닝 모델은 교차 주체 운동의상 분류에서 상당한 향상을 이룰 수 있으며, 특히 도전적인 교차 주체 검증 조건에서 FBCSP 대비 약 25%의 성능 향상을 기록하였다.