[논문 리뷰] EXPLORING NEW TERRITORY: CALIBRATION-FREE DECODING FOR C-VEP BCI

Jordy Thielen, Jan Sosulski외 1명|arXiv (Cornell University)|2024. 03. 22.

Blind Source Separation Techniques인용 수 1

한 줄 요약

이 연구는 코딩된 시각 유도된 전위(c-VEP) 뇌-컴퓨터 인터페이스(BCI)를 위한 校正을 필요로 하지 않는 해석 방법인 비교교정 평균 최대화(UMM)를 제안하고, 0-훈련 설정에서 주로 캐논리컬 상관분석(CCA)과 비교한다. UMM은 7.35초 후 누적 분류에서 90% 이상의 정확도를 달성하여 校정 데이터 없이도 뛰어난 성능을 보이며, CCA는 약간 더 뛰어난 성능을 보이지만, 둘 다 실시간으로 校정이 없는 BCI 작동을 가능하게 한다.

ABSTRACT

This study explores two zero-training methods aimed at enhancing the usability of brain-computer interfaces (BCIs) by eliminating the need for a calibration session. We introduce a novel method rooted in the event-related potential (ERP) domain, unsupervised mean maximization (UMM), to the fast code-modulated visual evoked potential (c-VEP) stimulus protocol. We compare UMM to the state-of-the-art c-VEP zero-training method that uses canonical correlation analysis (CCA). The comparison includes instantaneous classification and classification with cumulative learning from previously classified trials for both CCA and UMM. Our study shows the effectiveness of both methods in navigating the complexities of a c-VEP dataset, highlighting their differences and distinct strengths. This research not only provides insights into the practical implementation of calibration-free BCI methods but also paves the way for further exploration and refinement. Ultimately, the fusion of CCA and UMM holds promise for enhancing the accessibility and usability of BCI systems across various application domains and a multitude of stimulus protocols.

연구 동기 및 목표

• c-VEP 기반 뇌-컴퓨터 인터페이스에서 校정 세션의 필요성을 제거하기 위해.
• UMM의 c-VEP 데이터에 대한 성능 평가를 위해, 이는 이 스타일의 자극 프로토콜에 대한 UMM의 새로운 응용이다.
• 순간적 및 누적 분류 설정 모두에서 최신 기술의 CCA 기반 0-훈련 해석과 UMM을 비교하기 위해.
• 비정적 뇌전도(EEG) 조건과 세션 간 변동성 하에서 두 방법의 강인성 평가를 위해.
• 표본 시퀀스 지식은 있지만 레이블이 없는 EEG 데이터에 의존하는 반감독 학습 파ip라인의 가능성 탐색을 위해.

제안 방법

• c-VEP BCI를 위한 校정이 없는 해석 방법으로 UMM을 제안하며, 이는 각 시험에서 목표 및 비목표 사건 관련 전위(ERP) 평균 간의 거리를 최대화한다.
• 각 시험을 하나의 기호 선택에 해당하는 에포크 세트로 간주하여 UMM을 c-VEP 데이터에 적용하고, 목표 및 비목표 ERP 간 평균 차이를 최대화하는 자극 시퀀스를 계산한다.
• 제한된 데이터에서 안정성과 성능을 향상시키기 위해, 수축과 블록-토플리츠 공분산 행렬 등의 도메인 특화 정규화 기법을 사용한다.
• 순간적 및 누적 UMM 해석을 모두 구현한다: 전자는 각 시험을 독립적으로 평가하는 반면, 후자는 이전 시험의 신뢰도 가중 피드백을 사용하여 ERP 평균 추정치를 업데이트한다.
• UMM을 CCA 기반 0-훈련 해석과 비교한다. CCA는 재컨볼루션과 캐논리컬 상관분석을 사용하여 레이블 없이도 EEG에서 자극 시퀀스를 추론한다.
• 레이블이 아닌 알려진 자극 타이밍과 시퀀스 정보(즉, 반감독)에 의존하며, 이는 두 방법이 반감독으로 분류됨을 의미한다.

실험 결과

연구 질문

• RQ1 UMM은 어떤 校정 데이터나 레이블이 없는 훈련 예제 없이도 c-VEP BCI에서 높은 분류 정확도를 달성할 수 있는가?
• RQ2 0-훈련 설정에서 비정적 EEG 조건 하에서 UMM과 CCA의 성능 및 강인성은 어떻게 비교되는가?
• RQ3 누적 학습은 시간이 지남에 따라 UMM의 성능을 향상시키는가? 또한 CCA의 누적 학습 전략과 비교해보면 어떠한가?
• RQ4 UMM과 CCA는 세션 간 및 세션 내 EEG 변동성 처리에서 각각 어떤 독특한 강점과 한계를 지니는가?
• RQ5 두 방법 모두 이전 데이터 없이 실시간으로 순간적 해석을 지원할 수 있으며, 최소한의 데이터 가용성 하에서 성능는 어떻게 되는가?

주요 결과

• UMM은 7.35초의 시험 데이터 이후 누적 분류에서 90% 이상의 정확도를 달성하여, c-VEP 데이터에 대한 강력한 0-훈련 성능를 입증하였다.
• 누적 분류에서 CCA는 UMM을 앞서 5.25초 만에 90% 이상의 정확도를 달성하여, CCA가 더 뛰어난 데이터 효율성을 지녔음을 시사한다.
• 순간적 분류에서 CCA는 14.70초에 90% 이상의 정확도를 달성하였고, UMM은 29.40초에 89%의 정확도를 기록하여, UMM의 느린 수렴 속도에 비해 뛰어난 안정성을 보였다.
• UMM은 고역통과 필터링 분석을 통해 ERP 잠재시간 및 진폭 이격과 같은 비정적 변화에 뛰어난 내성성을 보였으며, 느린 신호 변화에 대한 강인성을 시사한다.
• 두 방법 모두 반감독이며, 알려진 자극 시퀀스에 의존하지만 레이블은 필요로 하지 않아, 校정 없이 실시간 작동이 가능하다.
• 본 연구는 원래 전통적인 ERP BCI를 위한 것으로 설계된 UMM이 더 빠른 c-VEP 프로토콜으로도 효과적으로 일반화됨을 확인하였으며, 校정이 없는 BCI 설계를 위한 새로운 길을 열었다.