[논문 리뷰] Divergence Framework for EEG based Multiclass Motor Imagery Brain Computer Interface

Satyam Kumar, Tharun Kumar Reddy외 1명|arXiv (Cornell University)|2019. 01. 12.

EEG and Brain-Computer Interfaces참고 문헌 19인용 수 3

한 줄 요약

이 논문은 다중클래스 운동의상 EEG 기반 BCI에서 분류성과 정상성(Stationarity)을 동시에 최적화하기 위해 수직 다각형 다각형에서의 경사 하강법을 활용한 정보 이론적 산란 프레임워크인 DivOVR-WS 및 DivJAD-WS를 제안한다. BCI 경쟁 대회 IV 데이터셋 IIa에서 기준 OVR-CSP 및 JAD 대비 평균 분류 정확도가 유의미하게 향상되어 세션 내 비정상성의 효과적인 완화를 입증한다.

ABSTRACT

Similar to most of the real world data, the ubiquitous presence of non-stationarities in the EEG signals significantly perturb the feature distribution thus deteriorating the performance of Brain Computer Interface. In this letter, a novel method is proposed based on Joint Approximate Diagonalization (JAD) to optimize stationarity for multiclass motor imagery Brain Computer Interface (BCI) in an information theoretic framework. Specifically, in the proposed method, we estimate the subspace which optimizes the discriminability between the classes and simultaneously preserve stationarity within the motor imagery classes. We determine the subspace for the proposed approach through optimization using gradient descent on an orthogonal manifold. The performance of the proposed stationarity enforcing algorithm is compared to that of baseline One-Versus-Rest (OVR)-CSP and JAD on publicly available BCI competition IV dataset IIa. Results show that an improvement in average classification accuracies across the subjects over the baseline algorithms and thus essence of alleviating within session non-stationarities.

연구 동기 및 목표

• EEG 기반 다중클래스 운동의상 BCI에서 발생하는 세션 내 비정상성 문제를 해결함으로써 분류 성능 저하를 완화한다.
• 동시에 클래스 분류성과 신호 정상성을 향상시키는 감독형 정보 이론적 프레임워크를 개발한다.
• 기존의 JAD 및 OVR-CSP 방법을 다중클래스 설정으로 확장하기 위해 새로운 목적 함수를 통해 정상성 최적화를 통합한다.
• 교차 검증 결과와 테스트 세트 결과 간 성능 격차를 최소화하여 BCI 시스템의 세션 간 강인성과 일반화 능력을 향상시킨다.

제안 방법

• 정보 이론적 산란 측정을 사용하여 클래스 분류성과 신호 정상성을 조합한 새로운 목적 함수를 제안한다.
• 다중클래스 공간 필터링을 위한 기본 프레임워크로 연합 근사 대각화(JAD) 및 한 대 다수(OVR) 전략을 활용한다.
• 수직 다각형에서의 경사 하강법을 통해 공간 필터 부분공간을 최적화하여 수직성을 유지하고 수렴성을 향상시킨다.
• 과적합 방지를 위해 주체 및 데이터에 따라 달라지는 파rameter λ를 사용한 정규화를 적용하여 일반화 능력을 향상시킨다.
• 수렴 속도 향상을 위해 OVR-CSP 또는 JAD 해를 초기화로 사용하며, 기준으로는 항등 행렬 초기화를 사용한다.
• 신뢰할 수 있는 성능 평가 및 과적합 감소를 위해 런 단위 교차 검증을 적용한다.

실험 결과

연구 질문

• RQ1 통합된 정보 이론적 프레임워크가 다중클래스 운동의상 BCI에서 분류성과 정상성을 동시에 최적화할 수 있는가?
• RQ2 수직 다각형에서의 기여 기반 최적화가 기준 CSP 및 JAD 방법 대비 분류 정확도를 어떻게 향상시키는가?
• RQ3 제안된 방법이 교차 검증과 테스트 세트 평가 간 성능 저하를 어느 정도 감소시키는가?
• RQ4 초기화 전략이 제안된 프레임워크에서 수렴 속도와 분류 정확도에 어떤 영향을 미치는가?
• RQ5 제안된 방법이 리만 기하학을 활용하여 세션 간 이동 보정을 효과적으로 확장할 수 있는가?

주요 결과

• 제안된 DivOVR-WS 및 DivJAD-WS 프레임워크는 BCI 경쟁 대회 IV 데이터셋 IIa에서 각각의 기준(OVR-CSP 및 JAD)보다 높은 평균 분류 정확도를 달성했다.
• 교차 검증 정확도와 테스트 세트 정확도 간 격차가 극히 작았으며(~1.5%–3%), 강력한 일반화 능력과 낮은 과적합을 시사했다.
• OVR-CSP 해를 초기화로 사용할 경우 DivOVR-WS의 수렴 속도가 크게 향상되었으며, JAD 기반 초기화도 DivJAD-WS의 수렴을 향상시켰지만 정확도 향상에는 기여하지 않았다.
• 동일한 원천에서 초기화된 경우 DivOVR-WS는 DivJAD-WS보다 더 빠른 수렴 속도를 보였는데, 이는 K개의 별도 OVR 문제를 푸는 데 비해 하나의 복합 JAD 문제를 푸는 데서 기인한다.
• 학습 단계의 계산 비용은 DivOVR-WS가 DivJAD-WS보다 높았지만, 추론 시간은 모든 알고리즘에서 동일했다.
• 결과적으로 제안된 세션 내 정상성 프레임워크를 향후 세션 간 보정 방법(예: 리만 다각형 상의 애핀 변환)과 조합하면 BCI의 강인성 향상에 기여할 수 있을 것으로 보인다.