[논문 리뷰] EEGdenoiseNet: A benchmark dataset for end-to-end deep learning solutions of EEG denoising

Haoming Zhang, Mingqi Zhao외 4명|arXiv (Cornell University)|2020. 09. 24.

EEG and Brain-Computer Interfaces참고 문헌 5인용 수 7

한 줄 요약

이 논문은 4,514개의 청소된 뇌파 신호 세그먼트, 3,400개의 안구 운동 아티팩트, 5,598개의 근육 아티팩트를 포함하는 공개된 기준 데이터셋인 EEGdenoiseNet을 소개한다. 이는 뇌파 신호 정제를 위한 딥러닝 모델의 엔드 투 엔드 훈련 및 평가를 가능하게 한다. 연구 결과, 딥러닝 방법은 고도로 노이즈가 오염된 상황에서도 안구 및 근육 아티팩트를 효과적으로 제거하는 데 강력한 성능을 보이며, 실제 응용에서 견고한 뇌파 신호 정제의 잠재력을 입증한다.

ABSTRACT

Deep learning networks are increasingly attracting attention in various fields, including electroencephalography (EEG) signal processing. These models provided comparable performance with that of traditional techniques. At present, however, lacks of well-structured and standardized datasets with specific benchmark limit the development of deep learning solutions for EEG denoising. Here, we present EEGdenoiseNet, a benchmark EEG dataset that is suited for training and testing deep learning-based denoising models, as well as for performance comparisons across models. EEGdenoiseNet contains 4514 clean EEG segments, 3400 ocular artifact segments and 5598 muscular artifact segments, allowing users to synthesize contaminated EEG segments with the ground-truth clean EEG. We used EEGdenoiseNet to evaluate denoising performance of four classical networks (a fully-connected network, a simple and a complex convolution network, and a recurrent neural network). Our analysis suggested that deep learning methods have great potential for EEG denoising even under high noise contamination. Through EEGdenoiseNet, we hope to accelerate the development of the emerging field of deep learning-based EEG denoising.

연구 동기 및 목표

• 딥러닝 기반 뇌파 정제 모델을 훈련하고 평가하기 위한 표준화되고 대규모의 지상 진실 청소된 뇌파 데이터셋이 부족한 문제를 해결하기 위해.
• 다양한 딥러닝 아키텍처 간의 기준 측정을 지원하는 체계적이고 공개 가능한 데이터셋을 제공하기 위해.
• 다양한 노이즈 조건에서 엔드 투 엔드 뇌파 정제 성능을 평가하기 위해 여러 딥 네트워크(FCNN, CNN, 복합 CNN, RNN)의 성능을 평가하기 위해.
• 재현 가능하고 공개된 기준을 제공함으로써 뇌파 아티팩트 제거를 위한 딥러닝 연구를 가속화하기 위해.

제안 방법

• 윤리적 준수와 신호 품질 확보를 위해 여러 공개된 리포지터리에서 수집한 EEG, EOG, EMG 신호를 전처리하여 데이터셋을 구축하였다.
• 휴식 상태 및 과제 기반 기록에서 청소된 뇌파 세그먼트를 추출하였고, 동일한 기록에서 순수한 안구 운동 및 근육 아티팩트를 분리하였다.
• 제어된 평가를 가능하게 하기 위해 다양한 신호 대 잡음비(SNR)에서 청소된 뇌파 세그먼트에 EOG 및 EMG 아티팩트를 추가하여 노이즈가 오염된 뇌파 신호를 합성하였다.
• 합성된 데이터를 사용하여 완전 연결, 단순 CNN, 복합 CNN, 순환 신경망의 네 가지 딥러닝 모델을 감독 학습 방식으로 엔드 투 엔드로 훈련하였다.
• 다양한 SNR 수준에서 예측된 청소된 뇌파와 지상 진실 청소된 뇌파 간의 신호 대 잡음비(SNR), 평균 제곱근 오차(RMSE), 상관계수 등의 표준 지표를 사용하여 모델 평가를 수행하였다.
• 기준 측정을 위해 GitHub에 호스팅된 다양한 형식의 코드와 데이터를 포함하여 재현 가능성과 향후 연구에의 통합 용이성을 확보하였다.

실험 결과

연구 질문

• RQ1 감독 학습 및 엔드 투 엔드 훈련 프레임워크를 사용하여 딥러닝 모델이 안구 및 근육 아티팩트에 오염된 뇌파 신호를 효과적으로 정제할 수 있는가?
• RQ2 특히 고도로 노이즈가 오염된 상황에서 신호 대 잡음비(SNR)가 감소함에 따라 모델 성능은 어떻게 변화하는가?
• RQ3 다양한 딥러닝 아키텍처(예: CNN 대 RNN)는 아티팩트 오염된 신호에서 청소된 뇌파를 복원하는 데 얼마나 효과적인가?
• RQ4 특정 과제나 채널에 맞춘 보정 없이도 딥러닝 모델이 다양한 뇌파 유형과 아티팩트 특성에 대해 일반화할 수 있는 정도는 어느 정도인가?
• RQ5 제안된 기준 데이터셋은 다양한 임상 및 연구 응용 분야에서 더 견고하고 일반화 능력이 뛰어난 뇌파 정제 모델 개발을 지원할 수 있는가?

주요 결과

• 딥러닝 모델은 낮은 SNR 수준에서도 강력한 정제 성능을 보이며, 기준 방법 대비 신호 대 잡음비(SNR) 및 평균 제곱근 오차(RMSE) 지표에서 뚜렷한 향상을 보였다.
• 복합 CNN 및 RNN 아키텍처가 단순 모델보다 우수한 성능을 보였으며, 특히 고주파 근육 아티팩트와 비정상적인 노이즈 패tern을 처리하는 데 유리했다.
• SNR가 감소함에 따라 성능은 저하되었지만, 딥 네트워크는 여전히 의미 있는 신경 활동을 회복할 수 있었으며, 고도로 노이즈가 오염된 환경에서도 견고함을 입증했다.
• 신경망의 F-원칙은 관측된 경향을 설명한다: 저주파 성분은 먼저 학습되며, 고주파 아티팩트인 EMG는 더 제거하기 어려운 편이다.
• 기준 데이터셋은 다양한 모델 간 일관되고 재현 가능한 평가를 가능하게 하였으며, 감독 학습 기반 딥러닝이 뇌파 정제에 매우 효과적임을 입증하였다.
• 연구는 딥러닝이 다양한 뇌파 유형과 아티팩트 혼합에 대해 일반화 가능하며, 복잡한 비선형 아티팩트를 다루는 데 전통적인 선형 방법보다 뛰어난 성능을 보일 잠재력을 드러냈다.