[논문 리뷰] Data Augmentation for Brain-Computer Interfaces: Analysis on Event-Related Potentials Data

Mario Michael Krell, Anett Seeland외 1명|arXiv (Cornell University)|2018. 01. 09.

EEG and Brain-Computer Interfaces참고 문헌 2인용 수 20

한 줄 요약

이 논문은 P300 및 운동 관련 피질 임펄스(MRCP) 데이터에서 분류 성능을 향상시키기 위해 뇌-컴퓨터 인터페이스(BCI)에 시간적 및 공간/회전적 데이터 증강 기법을 제안한다. z축 기준 18°의 회전 왜곡과 ±40 ms의 시간 이동을 적용함으로써 과적합 없이 1–6%의 성능 향상을 달성하였으며, 실생활 BCI 응용 분야에서의 강건성과 실현 가능성을 입증한다.

ABSTRACT

On image data, data augmentation is becoming less relevant due to the large amount of available training data and regularization techniques. Common approaches are moving windows (cropping), scaling, affine distortions, random noise, and elastic deformations. For electroencephalographic data, the lack of sufficient training data is still a major issue. We suggest and evaluate different approaches to generate augmented data using temporal and spatial/rotational distortions. Our results on the perception of rare stimuli (P300 data) and movement prediction (MRCP data) show that these approaches are feasible and can significantly increase the performance of signal processing chains for brain-computer interfaces by 1% to 6%.

연구 동기 및 목표

• 희귀 자극 파라다임인 P300 및 뇌졸중 재활과 같은 피로 제한 작업에 특화된 실생활 BCI 응용 분야에서 레이블이 부여된 EEG 학습 데이터가 부족한 문제를 해결한다.
• 신호 변환을 통해 합성 학습 샘플을 생성하여 EEG 기반 BCI에서 데이터 부족과 모델 과적합 문제를 해결한다.
• 사건 관련 임펄스 분류를 위한 실제 EEG 데이터셋에서 새로운 공간(회전) 및 시간(시간 이동) 증강 전략의 효과를 평가한다.
• 데이터 증강이 BCI 시스템에서 피험자 간 및 기록 세션 간 일반화 능력과 강건성에 미치는 영향을 조사한다.
• 임상 및 임베디드 BCI 환경에서 EEG 신호 처리를 위한 딥 러닝 파ip라인에 데이터 증강을 통합하는 기초를 제공한다.

제안 방법

• 머리 모델을 z축 기준으로 (또는 x/y축 조합으로) 돌림으로써 EEG 전극 마운팅에 공간적 왜곡을 적용하여 다양한 캡 위치와 머리 형태를 시뮬레이션한다.
• 신호 세그먼트 추출 시 양음성 시간 오프셋(예: ±40 ms)을 도입하여 시간 이동을 수행함으로써 다양한 ERP 시작 시간에 대한 영향을 시뮬레이션한다.
• 원본 및 증강된 데이터를 기반으로 이진 또는 다중 클래스 분류기(SVM, RBF 등)를 학습하고 평가하여 다양한 증강 구성에 따른 성능을 비교한다.
• 증강 유형과 파rameter 설정 간 성능 차이의 통계적 유의성을 평가하기 위해 반복 측정 ANOVA를 수행한다.
• 교차 검증 및 피험자 간 전이 설정을 통해 세션 간 및 피험자 간 일반화 능력을 평가한다.
• 다양한 증강 유형의 조합(예: 회전 + 시간 이동)이 이루어진 경우의 성능을 기준선(증강 없음)과 비교하여 분석한다.

실험 결과

연구 질문

• RQ1 P300 및 MRCP 데이터에서 EEG 전극 마운팅의 공간적 회전이 모델 정확도를 저하시키지 않으면서 분류 성능을 향상시킬 수 있는가?
• RQ2 EEG 신호 세그먼트의 시간 이동이 BCI 시스템에서 변동하는 사건 관련 전위 시작 시간에 대한 강건성을 향상시킬 수 있는가?
• RQ3 특정 회전 각도와 시간 이동 크기는 피험자 및 데이터셋 간에 가장 일관된 성능 향상을 이끌어내는가?
• RQ4 기록 세션 또는 피험자 간 전이 시에 데이터 증강이 모델 일반화에 어떤 영향을 미치는가?
• RQ5 예: 회전 + 시간 이동과 같은 병합 증강 전략이 개별 방법보다 더 큰 성능 향상을 이끌 수 있는가?

주요 결과

• z축 기준 약 18°에서의 회전 증강이 P300 데이터에서 분류 성능을 유의미하게 향상시켰으며, z축 및 z/y축 비교에서 p값 < 0.001을 기록하였다.
• MRCP 데이터의 경우, 150 ms 오프셋을 가진 시간 이동 증강이 기준선 대비 통계적으로 유의미한 성능 향상을 보였으며(p < 0.05), 6%의 향상이 관찰되었다.
• 양음성 시간 이동(±40 ms)을 병합하면 학습 샘플 수는 증가했지만 평균 성능 향상은 없었으며, 더 큰 오프셋은 성능 저하를 초래하였다.
• 최적의 시간 이동 크기는 피험자 간에 달라져, 시간 증강이 효과적으로 작용하기 위해서는 피험자별 최적화가 필요할 수 있음을 시사한다.
• 시간 이동에 비해 공간적 회전 증강의 성능 향상이 더 일관되고 일반화 가능했으며, 특히 P300 검출에 있어 유의미하였다.
• 본 연구는 데이터 증강이 EEG 기반 BCI에 실현 가능하고 효과적이며, 파라다임 및 증강 유형에 따라 1%에서 6%까지 성능 향상이 가능하다고 확인하였다.