[논문 리뷰] FBCNet: A Multi-view Convolutional Neural Network for Brain-Computer Interface

Ravikiran Mane, Effie Chew외 6명|arXiv (Cornell University)|2021. 03. 17.

EEG and Brain-Computer Interfaces참고 문헌 6인용 수 123

한 줄 요약

FBCNet은 모멘트-시각 다중 뷰 spectro-spatial CNN과 모터 이미징 EEG 분류를 위한 신규 Variance 레이어를 도입하여 BCIC-IV-2A에서 최첨단 성과를 달성하고 다른 데이터셋에서도 강력한 이득을 보여 뇌졸중 환자를 포함한 데이터에 대해서도 우수한 성능을 입증합니다. 소스 코드는 이용 가능합니다.

ABSTRACT

Lack of adequate training samples and noisy high-dimensional features are key challenges faced by Motor Imagery (MI) decoding algorithms for electroencephalogram (EEG) based Brain-Computer Interface (BCI). To address these challenges, inspired from neuro-physiological signatures of MI, this paper proposes a novel Filter-Bank Convolutional Network (FBCNet) for MI classification. FBCNet employs a multi-view data representation followed by spatial filtering to extract spectro-spatially discriminative features. This multistage approach enables efficient training of the network even when limited training data is available. More significantly, in FBCNet, we propose a novel Variance layer that effectively aggregates the EEG time-domain information. With this design, we compare FBCNet with state-of-the-art (SOTA) BCI algorithm on four MI datasets: The BCI competition IV dataset 2a (BCIC-IV-2a), the OpenBMI dataset, and two large datasets from chronic stroke patients. The results show that, by achieving 76.20% 4-class classification accuracy, FBCNet sets a new SOTA for BCIC-IV-2a dataset. On the other three datasets, FBCNet yields up to 8% higher binary classification accuracies. Additionally, using explainable AI techniques we present one of the first reports about the differences in discriminative EEG features between healthy subjects and stroke patients. Also, the FBCNet source code is available at https://github.com/ravikiran-mane/FBCNet.

연구 동기 및 목표

• 훈련 데이터가 제한되고 고차원 특징이 노이즈가 많아지는 MI-EEG 분류 과제를 동기화한다.
• Motor imagery의 신경생리학적 priors를 인코딩하는 컴팩트한 CNN 아키텍처를 제안한다.
• 시계열 EEG 정보를 효과적으로 추출하기 위한 Variance 레이어를 도입한다.
• 건강한 피험자와 뇌졵 환자에서 분류 정확도 향상을 보여준다.
• 설명 가능한 AI 기법을 통해 판별 가능한 EEG 특징에 대한 해석 가능한 인사이트를 제공한다.

제안 방법

• 원시 EEG를 9개의 좁은 대역(4-8 Hz부터 36-40 Hz까지)으로 스펙트럴 필터링하여 다중 뷰 EEG 표현을 개발한다.
• 고정된 대역당 공간 필터 수를 가진 spectro-spatial 패턴을 학습하기 위한 Depthwise Convolution 공간 블록을 적용한다.
• 연속 영역이 아닌 비중첩 윈도우(w)에서 시간적 분산을 계산하는 Variance 레이어를 도입하여 특징 차원을 축소하고 ERD/ERS 관련 변동을 강조한다.
• 마지막 클래스 확률을 위한 소프트맥스 활성화를 갖는 완전 연결 계층을 사용하고 정규화를 위한 가중치 정규화를 적용한다.
• Adam 옵티마이저로 엔드-투-엔드 학습을 두 단계(훈련+검증, 그다음 전체 학습)으로 수행하고 검증 성능 기반의 조기 중단을 적용한다.

실험 결과

연구 질문

• RQ1 제한된 훈련 데이터로도 신경생리학적으로 정보가 반영된 다중 뷰 CNN이 MI-EEG 분류를 개선할 수 있는가?
• RQ2 제안된 Variance 레이어가 표준 풀링에 비해 시계열 특징 추출에 우수한가?
• RQ3 건강한 피험자와 만성 뇌졸중 집단에서 FBCNet은 클래식 ML 및 다른 CNN 아키텍처에 비해 어떤 성능을 보이는가?
• RQ4 설명 가능한 AI를 사용하여 건강한 피험자와 뇌졸중 피험자 간의 판별 EEG 특징에 대한 인사이트를 얻을 수 있는가?
• RQ5 FBCNet은 소규모 훈련 데이터 및 피험자 간 변동성에 대해 견고한가?

주요 결과

Dataset	Test Configuration	FBCSP-SVM	Deep ConvNet	EEGNet-8,2	FBCNet
BCIC-IV-2A Data	10-fold cross validation	75.89	72.20	73.13	79.03
OpenBMI Data	10-fold cross validation	64.61	68.33	70.89	74.70
Stroke Data: A	10-fold cross validation	71.37	68.81	69.15	79.16
Stroke Data: B	10-fold cross validation	74.14	71.11	73.47	81.11
BCIC-IV-2A Data	Hold out test set	68.06	72.22	73.15	76.20
OpenBMI Data	Hold out test set	60.36	60.77	63.63	67.19

• FBCNet은 Hold-Out 테스트에서 BCIC-IV-2A에서 76.20% 4-class 정확도로 새로운 최첨단 성과를 달성한다.
• OpenBMI 데이터셋과 뇌졸중 데이터셋에서 경쟁 기반선보다 최대 8%p 높은 이진 정확도를 제공한다.
• 다양한 데이터셋에서 FBCNet은 CV 및 HO 분석에서 일관되게 FBCSP-SVM, Deep ConvNet, EEGNet-8,2를 능가한다.
• Variance 레이어가 모든 데이터셋에서 평균 풀링이나 최대 풀링에 비해 최고의 시계열 특징 추출을 제공한다.
• FBCNet은 기준 정확도가 낮은 피험자에게 더 큰 효과를 보이고 뇌졸중 환자에게도 사용성이 향상된다(70% 이상의 정확도를 얻는 피험자 수 증가).
• 설명 가능한 AI(DeepLIFT)는 건강한 피험자와 뇌졸중 피험자 간의 판별 EEG 특징 차이를 밝힌다.