[논문 리뷰] Dynamic Ensemble Modeling Approach to Nonstationary Neural Decoding in Brain-Computer Interfaces

Yu Qi, Bin Liu외 2명|arXiv (Cornell University)|2019. 11. 02.

EEG and Brain-Computer Interfaces참고 문헌 28인용 수 8

한 줄 요약

이 논문은 뇌-컴퓨터 인터페이스에서 비정상적인 신경 신호를 다루기 위해 베이지안 업데이트를 사용해 다양한 후보 모델을 적응적으로 조합하는 동적 앙상블 모델링 방법인 DyEnsemble를 제안한다. 비정상적인 신경 신호에 대응하기 위해 동적으로 모델을 전환함으로써 노이즈와 기능적 변화를 완화함으로써 칼만 필터와 딥 러닝 기반 모델을 능가한다. 특히 노이즈가 많은 조건에서 뛰어난 성능을 발휘한다.

ABSTRACT

Brain-computer interfaces (BCIs) have enabled prosthetic device control by decoding motor movements from neural activities. Neural signals recorded from cortex exhibit nonstationary property due to abrupt noises and neuroplastic changes in brain activities during motor control. Current state-of-the-art neural signal decoders such as Kalman filter assume fixed relationship between neural activities and motor movements, thus will fail if this assumption is not satisfied. We propose a dynamic ensemble modeling (DyEnsemble) approach that is capable of adapting to changes in neural signals by employing a proper combination of decoding functions. The DyEnsemble method firstly learns a set of diverse candidate models. Then, it dynamically selects and combines these models online according to Bayesian updating mechanism. Our method can mitigate the effect of noises and cope with different task behaviors by automatic model switching, thus gives more accurate predictions. Experiments with neural data demonstrate that the DyEnsemble method outperforms Kalman filters remarkably, and its advantage is more obvious with noisy signals.

연구 동기 및 목표

• 신경 활동이 노이즈와 신경가소성로 인해 변하는 뇌-컴퓨터 인터페이스에서 비정상적인 신경 신호에 대응하기 위해.
• 신경 활동과 운동 간의 고정된 관계를 가정하는 칼만 필터와 같은 정적 디코더의 한계를 극복하기 위해.
• 신호의 드리프트와 일시적인 노이즈 동안 정확도를 유지할 수 있는 강건하고 적응형 디코딩 프레임워크를 개발하기 위해.
• 주기적인 재교정이나 기준 운동 데이터가 필요 없이 실시간으로 온라인 적응이 가능하도록 하기 위해.

제안 방법

• 이 방법은 들어오는 신경 신호를 사용해 각 후보 모델의 사후 확률을 반복적으로 추정하기 위해 입자 필터를 사용한다.
• 다양한 기능적 매핑을 표현하기 위해 뉴런 드롭아웃과 가중치 편향을 통해 다양한 후보 모델을 생성한다.
• 베이지안 추론을 통해 갱신된 가중치로 후보 모델을 조합하여 동적 앙상블 측정 함수를 구성한다.
• 기억 상실 인자는 모델 관성 제어를 통해 시간이 지남에 따라 신경 신호 특성의 변화에 적응할 수 있도록 한다.
• 모델 선택 및 조합은 현재 데이터에 대한 적합도를 기반으로 우선순위를 정하는 베이지안 업데이트 메커니즘을 사용해 온라인으로 수행된다.
• 이 방법은 상태공간 프레임워크 내에 통합되어 칼만 필터를 확장하며, 동적 측정 모델을 도입해 강건성을 향상시킨다.

실험 결과

연구 질문

• RQ1 고정 모델 디코더와 비교해 비정상적인 신경 신호가 존재하는 상황에서 동적 앙상블 접근법이 디코딩 정확도를 향상시킬 수 있는가?
• RQ2 제안된 방법은 온라인 디코딩 중 일시적인 노이즈와 신경 활동의 기능적 변화를 어떻게 다루는가?
• RQ3 모델의 다양성과 적응형 조합이 노이즈가 많거나 변화하는 신경 조건에서 얼마나 강건성을 향상시키는가?
• RQ4 실세계 신경 디코딩에서 모델 크기, 후보 수, 기억 상실 인자, 가중치 편향의 최적 하이퍼파라미터는 무엇인가?

주요 결과

• 원본(노이즈 없음) 신경 신호에서 DyEnsemble-2는 Rat1에 대해 상관계수(CC) 0.799를 기록했으며, 칼만 필터(0.777)를 약간 앞서고 가장 성능이 좋은 双디코더(0.779)와 유사한 성능을 보였다.
• 4개의 노이즈 있는 뉴런 조건에서 DyEnsemble-5는 Rat1에 대해 CC 0.671을 기록했으며, 칼만 필터(0.559)보다 19.8% 높고, LSTM(0.617)보다 8.8% 높고, 双디코더(0.575)보다 16.7% 높았다.
• Rat2의 경우, 4개의 노이즈 있는 뉴런 조건에서 DyEnsemble-5는 CC 0.792를 기록했으며, 칼만 필터(0.723), LSTM(0.734), 双디코더(0.730)를 모두 뛰어넘었다.
• 기억 상실 인자(α)는 강한 영향을 미쳤다: 더 작은 값(예: α = 0.1)이 더 높은 성능을 보였으며, 이는 비정상적인 신호에 높은 적응성이 필요함을 반영한다.
• 가중치 편향 인자(p)는 최적 범위를 보였다: p = 0.1일 때 성능이 최고에 도달했고, p > 0.2가 되자 급격히 감소했다. 이는 적응성과 정확도 사이의 트레이드오프를 보여준다.
• 모델 크기는 일정 수준까지 성능 향상에 기여했다: 10에서 18로 증가시킬 경우 CC가 향상되었지만, 더 증가시켜(예: 20으로)도 성능이 약간 감소했다. 이는 정보와 노이즈 민감도 사이의 트레이드오프를 시사한다.