[논문 리뷰] Features and Machine Learning for Correlating and Classifying between Brain Areas and Dyslexia

Alex Frid, Larry M. Manevitz|arXiv (Cornell University)|2018. 12. 27.

EEG and Brain-Computer Interfaces참고 문헌 33인용 수 37

한 줄 요약

이 논문은 인간 간섭 없이 뇌전도도법(EEG) 데이터에서 발생하는 사건 관련 전위(ERP)를 자동으로 분석하여 독독성 장애가 있는 독자와 숙련 독자를 분류하는 기계학습 프레임워크를 제시한다. 고역통과 필터링을 거친 신호(이전에는 잡음으로 간주되어 무시된)를 포함한 복잡한 특징을 추출함으로써 최신 기술 수준의 분류 정확도를 달성하고, 독독성 장애와 관련된 신경적 차이에서 왼쪽 대뇌반구의 지배적 역할을 확인한다.

ABSTRACT

We develop a method that is based on processing gathered Event Related Potentials (ERP) signals and the use of machine learning technique for multivariate analysis (i.e. classification) that we apply in order to analyze the differences between Dyslexic and Skilled readers. No human intervention is needed in the analysis process. This is the state of the art results for automatic identification of Dyslexic readers using a Lexical Decision Task. We use mathematical and machine learning based techniques to automatically discover novel complex features that (i) allow for reliable distinction between Dyslexic and Normal Control Skilled readers and (ii) to validate the assumption that the most of the differences between Dyslexic and Skilled readers located in the left hemisphere. Interestingly, these tools also pointed to the fact that High Pass signals (typically considered as "noise" during ERP/EEG analyses) in fact contains significant relevant information. Finally, the proposed scheme can be used for analysis of any ERP based studies.

연구 동기 및 목표

• EEG 기반 ERP 데이터를 이용해 독독성 장애 독자와 숙련 독자를 분별하는 데 인간 간섭 없이 자동화된 방법을 개발하는 것.
• 독독성 장애 독자와 대조군 독자를 신뢰성 있게 구분하는 데 유의미한 뇌 신호 특징을 특정하고 검증하는 것.
• 독독성 장애 독자와 숙련 독자 간의 뇌 신경적 차이가 주로 왼쪽 대뇌반구에 국한되어 있는지 조사하는 것.
• 일반적으로 잡음으로 간주되어 폐기되는 고역통과 필터링 ERP 성분이 의미 있는 뇌 활동 패턴을 탐지하는 데 유용한지 탐색하는 것.
• 모든 ERP 기반 신경인지 연구에 적용 가능한 일반화 가능한 프레임워크를 구축하는 것.

제안 방법

• 다양한 기계학습 기법을 활용해 어휘 결정 작업 동안 수집된 원시 ERP 신호를 처리하는 방법을 사용한다.
• 수학적 및 기계학습 기반 특징 추출 기법을 적용하여 데이터 내 복잡한 비선형 패턴을 식별한다.
• 고역통과 필터링을 적용해 이전에는 잡음으로 간주되던 성분을 추출하고, 이들이 예측 가능성에 기여하는지 평가한다.
• 유도된 특징을 바탕으로 독독성 장애 독자와 숙련 독자를 구분하기 위한 지도 학습 분류 모델을 학습시킨다.
• 수동적 레이블링이나 특징 공학 기법을 전혀 사용하지 않고, 전적으로 자동화된 데이터 기반 분석에 의존한다.
• 교차 검증과 독독성 연구 분야의 기존 분류 기준과의 비교를 통해 프레임워크의 유효성을 검증한다.

실험 결과

연구 질문

• RQ1 기계학습 기법을 활용해 ERP 데이터에서 독독성 장애 독자와 숙련 독자를 분별하는 데 신뢰할 수 있는 뇌 특징를 자동으로 식별할 수 있는가?
• RQ2 독독성 장애 독자와 숙련 독자 간의 주요 뇌 신경적 차이가 뇌의 왼쪽 대뇌반구에 국한되어 있는가?
• RQ3 일반적으로 잡음으로 간주되어 폐기되는 고역통과 필터링 ERP 성분이 독독성 장애를 분류하는 데 중요한 정보를 담고 있는가?
• RQ4 이 방법이 ERP 신호를 이용한 자동 독독성 장애 탐지에서 최신 기술 수준의 성능을 달성할 수 있는가?
• RQ5 제안된 프레임워크는 독독성 장애를 초월해 다른 ERP 기반 신경인지 연구에 일반화하여 적용할 수 있는가?

주요 결과

• 제안된 방법은 인간 간섭 없이 ERP 데이터에서 독독성 장애 독자를 식별하는 데 최신 기술 수준의 분류 정확도를 달성한다.
• 분석 결과, 독독성 장애 독자와 숙련 독자 간의 대부분의 뇌 신경적 차이가 왼쪽 대뇌반구에 위치해 있음이 확인된다.
• 이전에는 잡음으로 간주되어 폐기되었던 고역통과 필터링 ERP 신호가 독독성 장애 분류에 중요한 예측 정보를 담고 있음이 밝혀졌다.
• 이 방법은 자동 특징 추출을 통해 기존 접근 방식을 뛰어넘는 새로운 복잡한 특징을 성공적으로 발견하여 분류 성능을 향상시켰다.
• 이 프레임워크는 일반화 가능하며, 다변량 분석이 필요한 모든 ERP 기반 신경인지 연구에 적용할 수 있다.
• 결과적으로 고급 기계학습 기법을 활용해 EEG 데이터 내에서 미세하고 명백하지 않은 패턴을 발견할 수 있음을 확인하며, 임상 및 인지신경과학 분야의 응용에 유의미한 기여를 한다.