[논문 리뷰] Comparison of the P300 detection accuracy related to the BCI speller and image recognition scenarios

Sarvnaz Karimi, Amirmohammad Mijani외 2명|arXiv (Cornell University)|2019. 12. 24.

EEG and Brain-Computer Interfaces참고 문헌 22인용 수 4

한 줄 요약

이 연구는 뇌-컴퓨터 인터페이스(BCI) 스퍼블러 및 이미지 인식 시나리오에서 뇌전도(EEG) 신호를 사용하여 P300 탐지 정확도를 비교한다. P300 패턴이 BCI 스퍼블러 파라다임보다 이미지 인식 작업에서 더 잘 분리됨을 보여주며, SVM, 베이지안 LDA, 희소 로지스틱 회귀를 사용한 분류 정확도가 다양한 채널 수(4, 8, 16)와 시도 수에서 높게 달성된다.

ABSTRACT

There are several protocols in the Electroencephalography (EEG) recording scenarios which produce various types of event-related potentials (ERP). P300 pattern is a well-known ERP which produced by auditory and visual oddball paradigm and BCI speller system. In this study, P300 and non-P300 separability are investigated in two scenarios including image recognition paradigm and BCI speller. Image recognition scenario is an experiment that examines the participants, knowledge about an image that shown to them before by analyzing the EEG signal recorded during the observing of that image as visual stimulation. To do this, three types of famous classifiers (SVM, Bayes LDA, and sparse logistic regression) were used to classify EEG recordings in six classes problem. Filtered and down-sampled (temporal samples) of EEG recording were considered as features in classification P300 pattern. Also, different sets of EEG recording including 4, 8 and 16 channels and different trial numbers were used to considering various situations in comparison. The accuracy was increased by increasing the number of trials and channels. The results prove that better accuracy is observed in the case of the image recognition scenario for the different sets of channels and by using the different number of trials. So it can be concluded that P300 pattern which produced in image recognition paradigm is more separable than BCI (matrix speller).

연구 동기 및 목표

• 두 가지 다른 EEG 기반 시나리오인 BCI 스퍼블러 및 이미지 인식에서 P300 사건 관련 전위의 탐지 가능성 평가 및 비교.
• EEG 채널 수와 시도 수가 양 파라다임에서 P300 분류 정확도에 미치는 영향을 조사.
• SVM, 베이지안 LDA, 희소 로지스틱 회귀의 세 가지 널리 사용되는 분류기의 성능을 이 두 실험 설정에서 P300 탐지에 대해 평가.

제안 방법

• 두 시나리오에서 시각 자극을 통해 EEG 신호를 기록함: BCI 스퍼블러 매트릭스 활성화 및 사전 노출된 이미지의 인식.
• 신호 전처리로는 필터링 및 시간적 다운샘플링을 수행하여 분류에 적합한 특징을 추출.
• P300 대 비P300 반응을 분류하기 위해 서포트 벡터 머신(SVM), 베이지안 추정을 사용한 선형 판별 분석(LDA), 희소 로지스틱 회귀를 적용.
• 4, 8, 16개의 EEG 채널과 다양한 시도 수를 포함한 여러 구성에서 성능을 평가.
• 양 시나리오에서 주요 성능 지표로 분류 정확도를 측정.
• 분석은 분류기가 P300를 비P300 사건에서 구분할 수 있는 능력으로 정의된 P300 패턴의 분리성에 집중.

실험 결과

연구 질문

• RQ1 BCI 스퍼블러 및 이미지 인식 EEG 파라다임 간 P300 탐지 정확도는 어떻게 다를까?
• RQ2 EEG 채널 수를 늘릴수록 두 시나리오에서 P300 분류 정확도가 얼마나 향상되는가?
• RQ3 시도 수가 두 실험적 맥락에서 P300 반응의 분리성에 어떤 영향을 미치는가?
• RQ4 SVM, 베이지안 LDA, 또는 희소 로지스틱 회귀 중 어느 분류기가 두 파라다임에서 P300와 비P300 사건을 가장 잘 구분하는가?
• RQ5 전통적인 BCI 스퍼블러 시스템에 비해 이미지 인식 작업에서 P300 반응이 더 신뢰성 있게 탐지될 수 있는가?

주요 결과

• 모든 테스트된 채널 수에서 이미지 인식 시나리오의 P300 탐지 정확도가 BCI 스퍼블러 파라다임보다 일관되게 높았다.
• 양 시나리오에서 EEG 채널 수가 증가함에 따라 정확도가 향상되었지만, 이미지 인식에서의 향상 폭이 더 뚜렷했다.
• 시도 수를 늘일수록 분류 성능이 유의미하게 향상되었으며, 더 많은 시도를 사용할수록 이미지 인식에서 가장 높은 정확도를 기록했다.
• SVM, 베이지안 LDA, 희소 로지스틱 회귀의 조합은 강력한 분류 결과를 도출했으며, 모든 조건에서 한 분류기가 다른 분류기들보다 항상 뛰어나지 않았다.
• 이미지 인식 동안 유도된 P300 패턴은 BCI 스퍼블러 맥락에서의 P300보다 비P300 반응과 더 잘 분리되었으며, 더 견고한 신경 신호를 나타냈다.
• 결과는 이미지 인식 작업이 P300 기반 뇌-컴퓨터 상호작용에 더 유리한 신호 대 잡음 환경을 제공할 수 있음을 시사한다.