[논문 리뷰] Embedding Decomposition for Artifacts Removal in EEG Signals

Junjie Yu, Chenyi Li외 3명|arXiv (Cornell University)|2021. 12. 02.

EEG and Brain-Computer Interfaces인용 수 5

한 줄 요약

이 논문은 인코더-디코더 아키텍처에 전용 분해 모듈을 통합한 임bedding 공간에서 학습하는 딥러닝 프레임워크인 DeepSeparator를 제안한다. 이는 EOG 및 EMG 아티팩트를 포함한 뇌전도 신호에서 신경 신호를 분리하는 데 성능이 뛰어나며, 명시적인 아티팩트 추출을 통해 더 높은 해석 가능성도 제공한다.

ABSTRACT

Electroencephalogram (EEG) recordings are often contaminated with artifacts. Various methods have been developed to eliminate or weaken the influence of artifacts. However, most of them rely on prior experience for analysis. Here, we propose an deep learning framework to separate neural signal and artifacts in the embedding space and reconstruct the denoised signal, which is called DeepSeparator. DeepSeparator employs an encoder to extract and amplify the features in the raw EEG, a module called decomposer to extract the trend, detect and suppress artifact and a decoder to reconstruct the denoised signal. Besides, DeepSeparator can extract the artifact, which largely increases the model interpretability. The proposed method is tested with a semi-synthetic EEG dataset and a real task-related EEG dataset, suggesting that DeepSeparator outperforms the conventional models in both EOG and EMG artifact removal. DeepSeparator can be extended to multi-channel EEG and data of any length. It may motivate future developments and application of deep learning-based EEG denoising. The code for DeepSeparator is available at https://github.com/ncclabsustech/DeepSeparator.

연구 동기 및 목표

• 뇌전도 신호의 아티팩트 오염 문제, 특히 EOG 및 EMG 아티팩트로 인한 신호 품질 저하와 분석 정확도 저하를 해결하기 위해.
• 사전 가정, 선형 변환 또는 외부 기준 신호에 의존하는 전통적 아티팩트 제거 방법의 한계를 극복하기 위해.
• 수동으로 아티팩트 전용 필터를 설계할 필요 없이 높은 해석 가능성과 일반화 능력을 갖춘 딥러닝 모델을 개발하기 위해.
• 다양한 신호 대 잡음 비율과 데이터 길이에서 신경 신호의 무결성을 유지하면서 종단간 자동 아티팩트 제거를 가능하게 하기 위해.
• 미래의 BCI 및 임상 신경과학 분야에서의 응용을 지원하기 위해 단일 채널 및 다중 채널 EEG에 모두 적용 가능한 확장성 있고 유연한 프레임워크를 제공하기 위해.

제안 방법

• DeepSeparator는 종단간 아키텍처를 채택하며, 원시 EEG에서 특징을 추출하고 강화하는 인코더, 임베딩 공간에서 아티팩트를 탐지하고 억제하는 분해 모듈, 노이즈 제거된 신호를 재구성하는 디코더로 구성된 세 가지 주요 구성 요소로 이루어져 있다.
• 모델은 원시 EEG, EOG, EMG 신호를 동시에 포함하는 새로운 전략을 사용하여 훈련되며, 이로 인해 외부 기준 신호가 필요 없이 아티팩트의 내재적 특징을 학습할 수 있다.
• 분해 모듈은 학습된 임베딩 공간에서 작동하므로, ICA와 같은 선형 방법보다 비선형적인 아티팩트와 신경 활동의 분리 성능이 향상된다.
• 프레임워크는 다중 채널 EEG에 확장 가능하며, 임의의 길이의 입력 신호를 지원하여 다양한 EEG 데이터셋에 적용할 수 있다.
• 모델의 해석 가능성은 잠재 공간에서 명시적으로 아티팩트 성분을 추출하고 분리함으로써 향상되며, 이는 잠재 공간에서의 시각화 및 분석을 가능하게 한다.
• 훈련 과정은 완전히 지도 학습이며, 수동 임계값 설정이나 아티팩트의 스펙트럼 또는 시간 프로필에 대한 사전 가정이 필요하지 않다.

실험 결과

연구 질문

• RQ1 사전 가정이나 기준 신호에 의존하지 않고도 딥러닝 모델이 EOG 및 EMG 아티팩트를 EEG에서 효과적으로 분리할 수 있는가?
• RQ2 제안된 DeepSeparator 프레임워크는 ICA, EMD, CCA와 같은 전통적 방법과 비교해 아티팩트 제거 작업에서 어떤 성능을 보이는가?
• RQ3 잠재 공간에서의 명시적 아티팩트 추출을 통해 표준 딥러닝 모델에 비해 모델의 해석 가능성은 어느 정도 향상되는가?
• RQ4 DeepSeparator는 다양한 신호 대 잡음 비율과 반가소적(semi-synthetic) 및 실제 작업 관련 데이터셋을 포함한 다양한 유형의 EEG 데이터에서 얼마나 견고한가?
• RQ5 다중 채널 EEG와 임의의 길이의 신호에 대해 확장 가능하면서도 높은 노이즈 제거 성능과 낮은 계산 비용을 유지할 수 있는가?

주요 결과

• DeepSeparator는 반가소적 및 실제 EEG 데이터셋에서 ICA, EMD, CCA와 같은 기존 방법보다 EOG 및 EMG 아티팩트 제거 성능이 뛰어나다.
• 다양한 신호 대 잡음 비율(SNR) 수준에서 뛰어난 노이즈 제거 성능를 달성하여, 잡음이 많은 조건에서도 견고함을 입증한다.
• 분해 모듈은 임베딩 공간에서 아티팩트를 성공적으로 탐지하고 억제하며, 시각적 분석을 통해 인코더가 관련 신호 특징을 강화하고 디코더가 깨끗한 신경 활동을 재구성함을 확인할 수 있다.
• 프레임워크는 아티팩트 성분을 명시적으로 추출할 수 있어, 블랙박스 딥러닝 모델에 비해 모델의 해석 가능성 향상에 기여한다.
• DeepSeparator는 단일 채널 EEG에서도 높은 성능를 유지하며, 다중 채널 데이터로의 확장성도 확보하고 있으며, 임의의 입력 길이를 지원한다.
• 비록 강점이 있지만, 모델은 특히 EMG로 오염된 신호에서 고주파 성분을 억제하는 경향을 보이며, 향후 고주파 성분 유지에 대한 개선이 필요하다.