[논문 리뷰] EEG-based Brain-Computer Interfaces (BCIs): A Survey of Recent Studies on Signal Sensing Technologies and Computational Intelligence Approaches and their Applications

Xiaotong Gu, Zehong Cao외 5명|arXiv (Cornell University)|2020. 01. 28.

EEG and Brain-Computer Interfaces인용 수 26

한 줄 요약

이 논문은 2015–2019년 기간 동안 뇌-컴퓨터 인터페이스(BCI)에 기반한 뇌파(EEG) 기술에 대한 종합적인 조사 보고서를 제공한다. 간접 측정 센서 기술, 착용형 장치, 신호 향상 기법, 그리고 딥 러닝, 전이 학습, 해석 가능한 퍼지 모델과 같은 계산 지능 기법의 발전을 검토한다. 이러한 기술들이 인지 상태 모니터링 및 성능 추적 향상에 어떻게 기여하는지 보여주며, 주요 결과로는 좌측 및 우측 대뇌 반구 데이터를 사용하여 우울증 환자와 정상군의 EEG 신호를 분류할 때 각각 93.5% 및 96.0%의 정확도를 기록하였다.

ABSTRACT

Brain-Computer Interface (BCI) is a powerful communication tool between users and systems, which enhances the capability of the human brain in communicating and interacting with the environment directly. Advances in neuroscience and computer science in the past decades have led to exciting developments in BCI, thereby making BCI a top interdisciplinary research area in computational neuroscience and intelligence. Recent technological advances such as wearable sensing devices, real-time data streaming, machine learning, and deep learning approaches have increased interest in electroencephalographic (EEG) based BCI for translational and healthcare applications. Many people benefit from EEG-based BCIs, which facilitate continuous monitoring of fluctuations in cognitive states under monotonous tasks in the workplace or at home. In this study, we survey the recent literature of EEG signal sensing technologies and computational intelligence approaches in BCI applications, compensated for the gaps in the systematic summary of the past five years (2015-2019). In specific, we first review the current status of BCI and its significant obstacles. Then, we present advanced signal sensing and enhancement technologies to collect and clean EEG signals, respectively. Furthermore, we demonstrate state-of-art computational intelligence techniques, including interpretable fuzzy models, transfer learning, deep learning, and combinations, to monitor, maintain, or track human cognitive states and operating performance in prevalent applications. Finally, we deliver a couple of innovative BCI-inspired healthcare applications and discuss some future research directions in EEG-based BCIs.

연구 동기 및 목표

• 2015년에서 2019년 사이에 발표된 EEG 신호 측정 기술 및 BCI를 위한 계산 지능 접근법의 최근 발전을 체계적으로 요약하는 것.
• 실세계 BCI 사용성에서의 핵심 과제, 즉 신호 안정성, 분류 정확도, 복잡한 환경에서의 강인성 등을 규명하는 것.
• 착용형 간접 센서, 전이 학습, 딥 러닝과 같은 신규 기술의 통합이 BCI 성능 향상에 어떻게 기여하는지 탐색하는 것.
• 정신 건강 모니터링 및 보조 기술 분야에서 EEG 기반 BCI의 혁신적 응용 사례를 부각하는 것.
• 하이브리드 BCI 시스템, 적대적 강인성, AR 통합 BCI와 같은 향후 연구 방향을 제시하는 것.

제안 방법

• 2015년에서 2019년 사이에 발표된 EEG 기반 BCI의 신호 측정 및 계산 지능에 중점을 둔 150건 이상의 논문을 대상으로 체계적 문헌 조사 수행.
• 신호 품질 향상과 사용자 편안함 향상을 위해 폴리머 기반 다중채널 전극 및 와이어 내장 실리콘 기반 간접 접촉 센서(WSBDS)를 포함한 간접 센서 기술 검토.
• 실세계 조건에서의 아티팩트 제거 및 EEG 품질 향상 기법 평가, 특히 실생활 환경에서의 적용 고려.
• 딥 러닝(CNN, RNN 등), 전이 학습(TL), 도메인 적응, 해석 가능한 퍼지 모델을 포함한 계산 지능 기법 분석을 통한 인지 상태 분류.
• EEG와 다른 생리적 신호 또는 AR 인터페이스를 통합한 하이브리드 BCI 시스템을 분석하여 분류 정확도 및 사용성 향상 검토.
• EEG-BCI에서의 딥 러닝 모델이 적대적 공격에 취약하다는 점을 평가하고 임상 및 실시간 응용 분야에서 강인한 방어 기법의 필요성을 제안.

실험 결과

연구 질문

• RQ1 실세계 BCI 응용에서 EEG 신호 품질 향상과 사용자 편안함 향상을 위해 간접 센서 및 착용형 EEG 장치 기술은 어떻게 발전해 왔는가?
• RQ2 딥 러닝, 전이 학습, 해석 가능한 퍼지 모델과 같은 최적의 계산 지능 기법은 EEG 신호에서 인지 상태를 분류하는 데 얼마나 효과적인가?
• RQ3 EEG와 다른 신호 또는 AR 인터페이스를 통합한 하이브리드 BCI 시스템은 성능 향상과 사용성 향상에 어떤 방식으로 기여하는가?
• RQ4 신호 안정성, 정확도, 복잡한 환경에서의 강인성 측면에서 실세계에의 BCI 배치를 제한하는 핵심 과제는 무엇인가?
• RQ5 EEG-BCI에서의 딥 러닝 모델에 대한 적대적 공격라는 새로운 위협은 어떻게 완화할 수 있는가?

주요 결과

• 폴리머 기반 다중채널 전극 및 와이어 내장 실리콘 기반 간접 접촉 센서(WSBDS)를 포함한 간접 센서 기술은 EEG 신호 품질 향상과 사용자 편안함 향상에 크게 기여하였으며, 접촉 압력과 적용력이 기록 품질에 영향을 미친다는 것이 입증되었다.
• 유연하고 부드럽고 유연한 센서 설계, 예를 들어 바늘 모양 WSBDS에서 구리 와이어를 사용한 설계는 털이 많은 두피 부위에 적용 가능한 높은 실현 가능성 보여줌.
• 좌측 대뇌 반구 EEG 신호를 사용하여 우울증 환자와 정상군을 분류할 때 93.5%의 정확도를, 우측 대뇌 반구 데이터를 사용할 경우 96.0%의 정확도를 기록한 연구가 있었으며, 이는 우울증에서 우측 대뇌 반구의 과활성화 이론을 뒷받침한다.
• 전이 학습 및 딥 전이 학습(DTL) 기법은 피험자 간 및 작업 간 특징 및 모델 공유를 통해 모델 일반화 능력 향상과 학습 효율성 향상을 개선하였다.
• EEG와 다른 생리적 신호 또는 AR 인터페이스(예: SSVEP 자극이 내장된 스마트 안경)를 통합한 하이브리드 BCI 시스템은 실세계 시나리오에서 분류 정확도 향상과 실용적 사용성 향상을 보였다.
• EEG-BCI에서의 딥 러닝 모델은 적대적 공격에 취약하다는 점이 확인되어 임상 및 실시간 응용 분야에서 강인한 방어 전략의 긴급한 필요성을 시사한다.