[논문 리뷰] EEGsig: an open-source machine learning-based toolbox for EEG signal processing

Fardin Ghorbani, Javad Shabanpour외 4명|arXiv (Cornell University)|2020. 10. 24.

EEG and Brain-Computer Interfaces참고 문헌 37인용 수 4

한 줄 요약

EEGsig는 EEG 신호의 전처리, 특징 추출, 기계 학습 분류를 하나의 사용자 친화적인 GUI로 통합한 오픈소스 MATLAB 기반 툴박스입니다. 의료진과 전문가가 아닌 사용자가 프로그래밍 없이 EEG 데이터를 분석할 수 있도록 하며, 정신 작업 데이터셋에서 k-NN, SVM, ANN을 사용해 97.5%의 분류 정확도를 달성합니다. 모든 처리 단계가 채널별 실시간으로 시각화됩니다.

ABSTRACT

In the quest to realize a comprehensive EEG signal processing framework, in this paper, we demonstrate a toolbox and graphic user interface, EEGsig, for the full process of EEG signals. Our goal is to provide a comprehensive suite, free and open-source framework for EEG signal processing where the users especially physicians who do not have programming experience can focus on their practical requirements to speed up the medical projects. Developed on MATLAB software, we have aggregated all the three EEG signal processing steps, including preprocessing, feature extraction, and classification into EEGsig. In addition to a varied list of useful features, in EEGsig, we have implemented three popular classification algorithms (K-NN, SVM, and ANN) to assess the performance of the features. Our experimental results demonstrate that our novel framework for EEG signal processing attained excellent classification results and feature extraction robustness under different machine learning classifier algorithms. Besides, in EEGsig, for selecting the best feature extracted, all EEG signal channels can be visible simultaneously; thus, the effect of each task on the signal can be visible. We believe that our user-centered MATLAB package is an encouraging platform for novice users as well as offering the highest level of control to expert users

연구 동기 및 목표

• 프로그래밍 경험이 없는 사용자, 특히 의료진이 접근할 수 있는 종합적인 오픈소스 EEG 신호 처리 프레임워크를 개발하는 것.
• EEG 처리의 세 단계—전처리, 특징 추출, 분류—를 하나의 통합 툴박스로 통합하는 것.
• 모든 EEG 채널에서 동시에 처리 과정을 시각화하여 작업 관련 신호 변화를 평가할 수 있도록 하는 것.
• 추출된 EEG 특징에 대해 여러 기계 학습 분류기(k-NN, SVM, ANN)의 성능을 평가하는 것.
• EEG 신호 분석에서 프로그래밍 장벽을 줄여 의료 연구의 가속화를 도모하는 것.

제안 방법

• 툴박스는 MATLAB 기반으로 제작되었으며, 비프로그래머 사용자가 코드를 작성하지 않고도 시스템을 사용할 수 있도록 그래픽 사용자 인터페이스(GUI)를 제공합니다.
• 전처리 단계는 저역통과 필터와 독립성 분석(ICA)을 사용해 잡음 및 아티팩트를 제거합니다.
• 특징 추출은 통계적 파라미터(평균, 표준편차, 엔트로피), FFT, 뇌파 라이듬(델타, 테타, 알파, 베타, 감마)의 파wer 스펙트럼 분석을 포함합니다.
• 분류 모듈은 세 가지 기계 학습 알고리즘을 구현합니다: k-최근접 이웃(k-NN), 서포트 벡터 머신(SVM), 인공 신경망(ANN).
• 모든 처리 단계—전처리, 특징 추출, 분류—가 GUI 내에서 모든 EEG 채널에 대해 동시에 시각화됩니다.
• 시스템은 레이블이 부여된 EEG 데이터를 로드할 수 있으며, 정확도, 민감도, 특이도, 혼동 행렬과 같은 분류 성능 지표를 출력합니다.

실험 결과

연구 질문

• RQ1 통합된 오픈소스 GUI 기반 툴박스가 비전문가 사용자를 위한 전체 EEG 신호 처리 파이프라인을 단순화할 수 있는가?
• RQ2 전처리, 특징 추출, 분류를 하나의 프레임워크에 통합함으로써 사용성과 성능이 어떻게 향상되는가?
• RQ3 EEGsig가 정신 작업 기반 벤치마크 데이터셋에 적용되었을 때의 분류 정확도는 얼마인가?
• RQ4 동시 다중 채널 시각화 기능이 작업 관련 신호 변화를 식별하는 데 얼마나 효과적인가?
• RQ5 EEGsig 프레임워크 내에서 동일한 EEG 특징 세트에 대해 다양한 기계 학습 분류기(k-NN, SVM, ANN)의 성능은 어떻게 다른가?

주요 결과

• EEGsig는 신경망 분류기를 사용해 정신 작업 벤치마크 데이터셋에서 97.5%의 분류 정확도를 달성했습니다.
• 저역통과 필터와 ICA를 통해 노이즈와 아티팩트를 성공적으로 제거하여 신호 품질을 향상시켰습니다.
• 전처리, 특징 추출, 분류 단계에서 모든 EEG 채널을 동시에 시각화함으로써 사용자가 작업에 따른 신호 변화를 실시간으로 관찰할 수 있었습니다.
• 특징 추출 모듈은 통계적, 스펙트럼(FFT, 파워 스펙트럼), 라이듬 특화(알파, 테타) 기능을 포함해 광범위한 특징을 지원했습니다.
• GUI를 통해 사용자가 MATLAB 코드를 작성하지 않고도 시스템과 상호작용할 수 있어 비프로그래머 사용자의 접근 장벽이 크게 낮아졌습니다.
• 혼동 행렬 및 성능 지표(민감도, 특이도, 정확도)가 모든 분류기용으로 자동 생성되고 시각화되었으며, 특히 MATLAB의 신경망 툴박스를 통해 ANN에 대해 강력하게 지원되었습니다.