[논문 리뷰] Color-based classification of EEG Signals for people with the severe locomotive disorder

Ankit Shrestha, Bikram Adhikari|arXiv (Cornell University)|2023. 04. 12.

EEG and Brain-Computer InterfacesNeuroscience인용 수 3

한 줄 요약

이 연구는 심한 운동기능 장애를 가진 환자를 대상으로 단일 채널 NeuroSky Mindwave 헤드셋에서 얻은 원시 뇌파 신호를 분류하기 위해 주의 기반 LSTM 딥러닝 모델을 제안한다. 빨간색, 파란색, 검은색, 노란색 등의 색상 자극을 사용하여 고유한 뇌파 패턴을 유도하고, 이 모델은 이원 분류에서 93.5%의 정확도와 사원 분류에서 65.75%의 정확도를 기록하여 비침습적 뇌-기계 인터페이스(BCI) 기반의 보조 기구(예: 휠체어) 제어 잠재력을 입증한다.

ABSTRACT

The neurons in the brain produces electric signals and a collective firing of these electric signals gives rise to brainwaves. These brainwave signals are captured using EEG (Electroencephalogram) devices as micro voltages. These sequence of signals captured by EEG sensors have embedded features in them that can be used for classification. The signals can be used as an alternative input for people suffering from severe locomotive disorder.Classification of different colors can be mapped for many functions like directional movement. In this paper, raw EEG signals from NeuroSky Mindwave headset (a single electrode EEG sensor) have been classified with an attention based Deep Learning Network. Attention based LSTM Networks have been implemented for classification of two different colors and four different colors. An accuracy of 93.5\% was obtained for classification of two colors and an accuracy of 65.75\% was obtained for classifcation of four signals using the mentioned attention based LSTM network.

연구 동기 및 목표

• 심한 운동기능 장애를 가진 환자를 대상으로 저비용, 비침습적 뇌-기계 인터페이스(BCI)를 개발하기 위해 단일 채널 EEG를 활용한다.
• 색상 기반 시각 자극을 사용하여 구분 가능한 EEG 패턴을 유도할 수 있는지 탐색한다.
• 소비자용 EEG 헤드셋에서 얻은 원시 EEG 신호를 분류하기 위해 주의 기반 LSTM 네트워크의 성능을 평가한다.
• 운동 기능이 제한된 환자를 위한 실용적인 BCI 응용, 예를 들어 스마트 휠체어의 방향 제어나 통신 시스템을 가능하게 한다.

제안 방법

• 저소음 조건에서 제어된 환경에서 단일 전극 NeuroSky Mindwave 헤드셋을 사용해 512 Hz로 원시 EEG 신호를 측정하였다.
• 휠체어 제어를 위한 방향 명령(좌측, 우측, 상향, 하향)에 대응하는 네 가지 색상 자극(빨강, 파랑, 검정, 노랑)을 사용하였다.
• 이상치 및 비정상적인 신호를 제거하여 노이즈를 줄이고 신호 품질을 향상시키기 위해 데이터를 사전 처리하였다.
• 이(sequence)를 이원 또는 사원 분류할 수 있도록 주의 기반 장기 단기 기억(LSTM) 신경망을 구현하였다.
• 검증 손실과 정확도를 기반으로 조기 정지 기법을 적용하여 100 에포크 동안 모델을 훈련하였으며, 훈련/검증 데이터를 50% 비율로 분할하였다.
• EEG 신호 시퀀스의 관련 시간적 특징에 집중할 수 있도록 주의 메커니즘을 통합하였다.

실험 결과

연구 질문

• RQ1 NeuroSky Mindwave와 같은 단일 채널 EEG 장치가 다양한 색상 자극에 대해 신뢰성 있게 구분 가능한 뇌파 패턴을 캡처할 수 있는가?
• RQ2 주의 기반 LSTM 네트워크는 이원 및 사원 분류 작업에 대해 원시 EEG 신호를 얼마나 효과적으로 분류할 수 있는가?
• RQ3 저비용 BCI 환경에서 클래스 불균형과 신호 복잡도가 분류 정확도에 미치는 영향은 무엇인가?
• RQ4 제안된 모델을 통해 스마트 휠체어와 같은 보조 기구를 사고 기반 색상 선택을 통해 실시간으로 제어할 수 있는가?

주요 결과

• 주의 기반 LSTM 모델은 이원 분류 작업(예: 빨강 대 노랑)에서 93.5%의 분류 정확도를 기록하여 이진 분류의 50% 기준선을 크게 초월하였다.
• 사원 분류 작업에서는 65.75%의 정확도를 기록하여 무작위 사원 분류의 25% 기준선을 초월하였다.
• 사원 분류 작업의 경우 약 50~65 에포크가 수렴에 소요되었으며, 빨강 대 노랑 및 파랑 대 노랑 쌍에서 최고의 성능가를 기록하였다.
• 사원 분류기에서 검정색은 54%의 낮은 정확도를 보였고, 더 높은 오분류 비율을 보였으며, 이는 일부 색상 조합이 신경생리학적으로 더 구분하기 어려운 것으로 나타났다.
• 모델은 미리 보지 않은 데이터에 대해 높은 강건성을 보였으며, 빨강 및 노랑 시험에서 96%의 정확도를 기록하여 이원 분류 시나리오에서 강력한 일반화 능력을 입증하였다.
• 시스템은 블루투스 기반 휠체어 프로토타입과 성공적으로 통합되었으며, 높은 주의 수준이 감지되었을 때에만 이동 명령이 실행되어 오진 동작을 줄였다.