[논문 리뷰] Data augmentation for learning predictive models on EEG: a systematic comparison

Cédric Rommel, Joseph Paillard외 2명|arXiv (Cornell University)|2022. 06. 29.

EEG and Brain-Computer Interfaces참고 문헌 38인용 수 96

한 줄 요약

이 논문은 수면 단계 분류 및 운동 상상 BCI 작업에서 EEG 기반 예측 모델링을 위한 13가지 데이터 증강 기법을 체계적으로 평가한다. 적절한 증강 기법은 저자료 환경에서 정확도를 최대 45% 향상시킬 수 있으며, 성능 향상 폭은 과제와 데이터 유형에 따라 크게 달라지므로, 한꺼번에 적용 가능한 전략이 아닌 과제별 최적화된 증강 전략이 필요하다는 점을 시사한다.

ABSTRACT

Objective: The use of deep learning for electroencephalography (EEG) classification tasks has been rapidly growing in the last years, yet its application has been limited by the relatively small size of EEG datasets. Data augmentation, which consists in artificially increasing the size of the dataset during training, can be employed to alleviate this problem. While a few augmentation transformations for EEG data have been proposed in the literature, their positive impact on performance is often evaluated on a single dataset and compared to one or two competing augmentation methods. This work proposes to better validate the existing data augmentation approaches through a unified and exhaustive analysis. Approach: We compare quantitatively 13 different augmentations with two different predictive tasks, datasets and models, using three different types of experiments. Main results: We demonstrate that employing the adequate data augmentations can bring up to 45% accuracy improvements in low data regimes compared to the same model trained without any augmentation. Our experiments also show that there is no single best augmentation strategy, as the good augmentations differ on each task. Significance: Our results highlight the best data augmentations to consider for sleep stage classification and motor imagery brain-computer interfaces. More broadly, it demonstrates that EEG classification tasks benefit from adequate data augmentation

연구 동기 및 목표

• 깊은 학습의 일반화를 방해하는 소규모이고 고변동성이 큰 EEG 데이터셋 문제를 해결하기 위해.
• 다양한 데이터 증강 기법이 여러 EEG 과제와 모델에서 얼마나 효과적인지 평가하기 위해.
• 저자료 조건에서 가장 큰 성능 향상을 이끌어내는 증강 기법을 특정하기 위해.
• 증강 기법의 이점이 다양한 데이터 클래스와 트레이닝 세트 크기 간에 일관된지 확인하기 위해.
• 향후 모델 개발을 안내할 수 있는 통합된 기준을 제공하기 위해.

제안 방법

• 이 연구는 수면 단계 분류(수면Physionet 데이터셋)와 운동 상상 BCI(BNCI-2014-1 데이터셋)의 두 가지 EEG 과제에 대해 통일된 실험 프rotocol을 적용한다.
• 시간(예: GaussianNoise, TimeReverse), 주파수(예: FTSurrogate, FrequencyShift), 공간(예: ChannelsSymmetry, SignFlip)의 세 영역에서 13가지 증강 방법을 평가한다.
• 각 증강 기법은 다양한 크기로 적용되며, 클래스 분포를 유지하기 위해 전략적 분할을 사용한 교차 검증을 통해 평가된다.
• 모델은 일관된 초모수를 가진 깊이 학습 컨볼루션 신경망 아키텍처를 사용하여 훈련되며, 증강의 영향을 고립시키기 위해 설계된다.
• 정확도를 성능 측정 지표로 사용하며, 다양한 트레이닝 세트 크기와 데이터 클래스 간 비교를 통해 강인성과 일반화 능력을 평가한다.
• 증강 기법의 크기와 클래스별 영향을 분석하기 위해 아블레이션 스터디를 포함한다.

실험 결과

연구 질문

• RQ1 저자료 환경에서 EEG 분류 과제에 있어 가장 뚜렷한 정확도 향상을 이끌어내는 데이터 증강 기법은 무엇인가?
• RQ2 다양한 EEG 과제(예: 수면 단계 분류 대비 운동 상상 BCI) 간 데이터 증강의 이점은 어떻게 달라지는가?
• RQ3 증강 기법의 효과는 적용된 변환의 크기에 따라 달라지는가?
• RQ4 불균형 데이터셋에서 증강 효과는 데이터 클래스 간 어떻게 다를까?
• RQ5 단일 최적의 증강 전략이 존재하는가, 아니면 성능은 특정 과제와 데이터 특성에 따라 달라지는가?

주요 결과

• 저자료 환경에서 증강 기법을 적용한 모델은 증강 없이 훈련된 모델 대비 정확도를 최대 45% 향상시킬 수 있다.
• 가장 효과적인 증강 기법은 과제에 따라 크게 달라진다: 수면 단계 분류 과제에서는 FTSurrogate와 FrequencyShift가 가장 유익했고, 운동 상상 BCI 과제에서는 TimeReverse와 SignFlip이 다른 기법들보다 뛰어났다.
• 증강 기법의 성능 향상은 변환의 크기에 매우 의존하며, 중간 정도의 변형이 가장 좋은 결과를 낳는다.
• 스펙트럼 또는 시간 구조를 유지하는 증강 기법(예: FTSurrogate, FrequencyShift)이 신호의 정합성을 해치는 기법보다 더 효과적이었다.
• 단일 최적의 증강 전략은 존재하지 않으며, 최적의 방법은 특정 EEG 과제, 데이터 모odal리티, 클래스 분포에 따라 달라진다.
• 이 연구는 저자료 상황에서 적절한 데이터 증강이 EEG 분류 과제에 상당한 이점을 제공함을 확인하였다.