[논문 리뷰] EEG-Based User Reaction Time Estimation Using Riemannian Geometry Features

Dongrui Wu, Brent J. Lance외 4명|arXiv (Cornell University)|2017. 04. 27.

EEG and Brain-Computer Interfaces인용 수 3

한 줄 요약

이 논문은 뇌-컴퓨터 인터페이스(BCI) 회귀 문제를 위한 새로운 리만 기하학 기반 특징 추출 방법을 제안한다. 공간 필터링을 적용한 후 탄성 공간 매핑을 통해 반응 시간(RT) 추정 성능을 향상시킨다. 전통적인 파wr밴드 특징 대비 루트 평균 제곱 오차(RMSE)가 4.30–8.30% 감소하고 상관계수(CC)가 6.59–11.13% 향상되며, EEG 기반 BCI 회귀 문제에 리만 기하학을 적용한 최초의 사례이다.

ABSTRACT

Riemannian geometry has been successfully used in many brain-computer interface (BCI) classification problems and demonstrated superior performance. In this paper, for the first time, it is applied to BCI regression problems, an important category of BCI applications. More specifically, we propose a new feature extraction approach for Electroencephalogram (EEG) based BCI regression problems: a spatial filter is first used to increase the signal quality of the EEG trials and also to reduce the dimensionality of the covariance matrices, and then Riemannian tangent space features are extracted. We validate the performance of the proposed approach in reaction time estimation from EEG signals measured in a large-scale sustained-attention psychomotor vigilance task, and show that compared with the traditional powerband features, the tangent space features can reduce the root mean square estimation error by 4.30-8.30%, and increase the estimation correlation coefficient by 6.59-11.13%.

연구 동기 및 목표

• 분류 작업에 비해 미흡하게 다뤄지는 EEG 기반 BCI 회귀 문제에 효과적인 특징 추출 방법의 부족을 해결한다.
• 비선형적이고 정보적인 특징을 EEG 공분산 행렬에서 추출하기 위해 리만 기하학을 활용한다.
• 새로운 공간 필터링 및 리만 탄성 공간 특징 매핑 파이프라인을 통해 EEG 신호로부터 반응 시간 추정의 정확성과 강건성을 향상시킨다.
• 지속적 주의력 심리운동 경각심 작업(PVT)에서 리만 탄성 공간 특징가 전통적인 파워밴드 특징보다 뛰어난 성능을 보임을 입증한다.

제안 방법

• 공분산 행렬 추정 이전에 신호 대 잡음 비율을 향상시키고 차원을 감소시키기 위해 공간 필터(CSPR-OVR)를 적용한다.
• 대칭 양의 정부호(SPD) 행렬의 다양체 위에서 리만 평균을 계산하기 위해 리만 평균 알고리즘(알고리즘 2)을 사용한다.
• 각 시험의 공분산 행렬을 리만 평균에 대한 정규화된 유사도의 행렬 로그를 통해 리만 탄성 공간으로 매핑한다: $\mathrm{logm}(\bar{\mathbf{\Sigma}}^{-1/2} \mathbf{\Sigma}_n \bar{\mathbf{\Sigma}}^{-1/2})$.
• 최종 특징 벡터로 탄성 공간 행렬의 상부 삼각형 부분을 추출하여 기하학적 구조를 유지하면서도 표준 회귀 모델링이 가능하게 한다.
• 반응 시간을 KF개의 클래스로 그룹화하기 위해 퍼지 클래스 기반 접근법을 사용하며, 여기서 F는 각 클래스당 공간 필터의 수이다. 이는 연속적인 RT 분포를 모델링하기 위함이다.
• 유도된 탄성 공간 특징에 대해 회귀 모델(예: LASSO)을 훈련하고 기준 파워밴드 특징과 성능를 비교한다.

실험 결과

연구 질문

• RQ1 기존의 파워밴드 특징에 비해 리만 기하학 특징이 EEG 기반 반응 시간 추정의 정확성을 향상시킬 수 있는가?
• RQ2 지속적 주의력 작업에서 공간 필터링과 리만 탄성 공간 특징의 통합이 회귀 성능에 어떤 영향을 미치는가?
• RQ3 리만 특징이 연속적인 BCI 회귀 작업에서 추정 오차를 얼마나 줄이고 상관계수를 향상시키는가?
• RQ4 이러한 방법은 실시간 또는 실용적인 BCI 응용에 대해 계산적으로 실현 가능한가?
• RQ5 인지 저하의粗안적 지표로 사용되는 피로 상태는 반응 시간 예측에 충분한 예측력을 가지는가, 아니면 정확한 모델링을 위해 너무 해상도가 낮은가?

주요 결과

• 제안된 리만 탄성 공간 특징 추출 방법은 기존의 파워밴드 특징 대비 반응 시간 추정의 루트 평균 제곱 오차(RMSE)를 4.30–8.30% 감소시켰다.
• 모든 피험자와 세션에서 예측된 반응 시간과 실제 반응 시간 간 상관계수(CC)가 6.59–11.13% 향상되었다.
• 다양한 피험자와 실험 세션에서 일관된 향상이 관찰되어 강건성과 일반화 능력이 입증되었다.
• 특징 추출 파이프라인의 훈련 시간은 학습 샘플 수에 따라 선형적으로 증가하였으며, N개의 샘플에 대해 0.0261 + 0.0030N 초의 적합도를 보였고, 이는 실용적 실현 가능성임을 시사한다.
• 박스플롯 분석 결과, 높은 피로 상태는 평균 RT가 높고, 분산이 크며, 극단적인 값이 더 많다는 점을 보여, 피로는 관련 있지만 조잡한 예측자임을 시사한다.
• 피로 상태와 RT 간의 관계가 관찰되었음에도 불구하고, 정확한 RT 예측을 위해 충분히 해상도가 높지 않아 연구에서 피로 상태를 특징으로 포함하지 않았다.