[논문 리뷰] Comparative Evaluation Of State-Of-The-Art Algorithms For Ssvep-Based Bcis

Vangelis P. Oikonomou, Georgios Liaros외 5명|arXiv (Cornell University)|2016. 02. 02.

EEG and Brain-Computer Interfaces참고 문헌 33인용 수 36

한 줄 요약

이 논문은 비침습적 EEG 기반 BCI 분야에서 최신 알고리즘에 대한 종합적인 비교 평가를 제시하며, 필터링, 아티팩트 제거, 특징 추출, 선택 및 분류 방법을 개별적으로 체계적으로 분석한다. 11명의 피실험자로부터 수집한 256채널 EEG 데이터셋과 처리 툴박스를 공개하여 향후 연구를 위한 재현 가능하고 최신 기준의 기반을 마련한다.

ABSTRACT

Brain-computer interfaces (BCIs) have been gaining momentum in making human-computer interaction more natural, especially for people with neuro-muscular disabilities. Among the existing solutions the systems relying on electroencephalograms (EEG) occupy the most prominent place due to their non-invasiveness. However, the process of translating EEG signals into computer commands is far from trivial, since it requires the optimization of many different parameters that need to be tuned jointly. In this report, we focus on the category of EEG-based BCIs that rely on Steady-State-Visual-Evoked Potentials (SSVEPs) and perform a comparative evaluation of the most promising algorithms existing in the literature. More specifically, we define a set of algorithms for each of the various different parameters composing a BCI system (i.e. filtering, artifact removal, feature extraction, feature selection and classification) and study each parameter independently by keeping all other parameters fixed. The results obtained from this evaluation process are provided together with a dataset consisting of the 256-channel, EEG signals of 11 subjects, as well as a processing toolbox for reproducing the results and supporting further experimentation. In this way, we manage to make available for the community a state-of-the-art baseline for SSVEP-based BCIs that can be used as a basis for introducing novel methods and approaches.

연구 동기 및 목표

• SSVEP 기반 BCI에서 상호 의존적인 다수의 파rameter 최적화 문제를 해결하여, 방법 간 비교와 발전을 저해하는 문제를 해결한다.
• 필터링, 아티팩트 제거, 특징 추출, 선택, 분류 등의 BCI 파이프라인 각 구성 요소를 별도로 고립하여 평가하며, 다른 파rameter는 일정하게 유지한다.
• 실제 11명의 피실험자로부터의 EEG 데이터를 사용하여 표준화되고 재현 가능한 SSVEP 기반 BCI의 기준을 제공한다.
• 연구 공동체를 지원하기 위해 종합적인 데이터셋과 처리 툴박스를 공개하여 방법 검증 및 혁신을 지원한다.
• 공정한 비교와 새로운 SSVEP BCI 알고리즘의 발전을 가능하게 하는 최신 기준을 수립한다.

제안 방법

• 제어된 실험 환경에서 필터링, 아티팩트 제거, 특징 추출, 특징 선택, 분류 등의 각 BCI 파이프라인 단계에 대해 다수의 알고리즘을 평가한다.
• 각 구성 요소에 대해 다른 요소는 일정하게 유지하면서 분류 정확도를 기준으로 최고 성능을 보인 알고리즘을 선정한다.
• 11명의 피실험자가 SSVEP 작업을 수행한 256채널 EEG 신호로 새로 수집한 데이터셋을 사용하여 평가를 수행한다.
• 모듈식 툴박스로 파이프라인을 구현하여 향후 연구를 위한 재현 가능성과 확장성을 확보한다.
• 모든 단계에서 일관성을 유지하면서 하나의 구성 요소만 변화시켜 체계적인 아블레이션 연구를 가능하게 한다.
• 최종 시스템 설정은 개별 구성 요소 알고리즘의 최적 조합을 통해 유도되며, SSVEP-BCI 성능에 대한 견고한 기준을 형성한다.

실험 결과

연구 질문

• RQ1 고밀도 EEG 기록에서 SSVEP 신호의 신호 대 잡음비를 높이는 데 가장 효과적인 필터링 방법은 무엇인가?
• RQ2 다양한 아티팩트 제거 기법은 SSVEP 기반 BCI의 분류 정확도에 어떤 영향을 미치는가?
• RQ3 다양한 피실험자 간 SSVEP 반응을 가장 잘 구분하는 특징 추출 방법은 무엇인가?
• RQ4 계산 부담을 최소화하면서도 분류 성능을 향상시키는 데 최적의 특징 선택 전략은 무엇인가?
• RQ5 다른 단계에서 최고 성능을 보인 구성 요소들과 조합했을 때 가장 높은 정확도를 달성하는 분류 알고리즘은 무엇인가?

주요 결과

• 필터링, 아티팩트 제거, 특징 추출, 선택, 분류 단계에서 최적의 알고리즘 조합을 특정하여 256채널 EEG 데이터셋에서 가장 높은 분류 정확도를 달성하였다.
• 선택된 파이프라인 설정은 모든 11명의 피실험자에서 뛰어난 일관성 있는 고정확도 성능을 보였다.
• 고밀도 EEG(256채널)의 사용은 저밀도 설정 대비 신호 해상도 향상과 분류 신뢰도 향상에 기여하였다.
• 독립성 성분 분석(ICA) 기반 아티팩트 제거 방법이 눈동자 움직임과 근육 아티팩트 억제에서 다른 기법들보다 뛰어난 성능을 보였다.
• 조화분석을 통한 이산 푸리에 변환(DFT) 기반 특징 추출 방법이 가장 안정적이고 구분력 있는 특징을 제공하였다.
• 최종 기준 시스템은 모든 최적 구성 요소를 조합하여 공개되었으며, 공동체의 사용과 향후 벤치마킹을 위해 데이터셋 및 툴박스와 함께 제공된다.