[논문 리뷰] Functional connectivity ensemble method to enhance BCI performance (FUCONE)

Marie‐Constance Corsi, Sylvain Chevallier외 2명|arXiv (Cornell University)|2021. 11. 04.

EEG and Brain-Computer InterfacesNeuroscience참고 문헌 79인용 수 19

한 줄 요약

FUCONE는 다수의 기능적 연결성 추정기와 리emann 기하학 기반 분류를 조합하는 새로운 앙상블 학습 프레임워크를 제안하여 운동 상상 기반 BCI 성능을 향상시킨다. 각 FC 추정기의 특징 공간에서 별도로 리emann 분류기를 훈련하고 그 결정을 앙상블함으로써 FUCONE는 다양한 데이터셋에서 유의미한 성능 향상을 달성하며, 기능적 특징 공간의 다양성 향상과 피험자 간 및 피험자 내 변동성에 대한 강건성 덕분에 최신 기술들을 능가한다.

ABSTRACT

Functional connectivity is a key approach to investigate oscillatory activities of the brain that provides important insights on the underlying dynamic of neuronal interactions and that is mostly applied for brain activity analysis. Building on the advances in information geometry for brain-computer interface, we propose a novel framework that combines functional connectivity estimators and covariance-based pipelines to classify mental states, such as motor imagery. A Riemannian classifier is trained for each estimator and an ensemble classifier combines the decisions in each feature space. A thorough assessment of the functional connectivity estimators is provided and the best performing pipeline, called FUCONE, is evaluated on different conditions and datasets. Using a meta-analysis to aggregate results across datasets, FUCONE performed significantly better than all state-of-the-art methods. The performance gain is mostly imputable to the improved diversity of the feature spaces, increasing the robustness of the ensemble classifier with respect to the inter- and intra-subject variability.

연구 동기 및 목표

• 30%에 이르는 사용자가 높은 피험자 간 및 피험자 내 변동성으로 인해 BCI 제어를 습득하지 못하는 'BCI 비효율성 문제'를 해결한다.
• 운동 상상 기반 BCI에서 정신 상태를 분류하는 데 있어 기능적 연결성(FC) 추정기가 상호 보완적이고 강건한 특징을 제공할 수 있는지 탐색한다.
• 다수의 FC 추정기와 리emann 분류기를 조합하는 앙상블 학습 프레임워크를 개발하고 최적화하여 분류 정확도를 향상시킨다.
• 다양한 채널 수, 작업 설계 및 세션 구성이 있는 다양한 데이터셋에 대해 메서드의 강건성을 확보한다.
• 다양한 FC 추정기의 기여도를 분석함으로써 BCI 성능의 신경 기제에 대한 통찰을 제공한다.

제안 방법

• EEG 신호에 스펙트럼 공명도, 위상 고정 값, 위상 지연 인덱스, 진폭 에너지 결합 등 다양한 기능적 연결성 추정기를 적용하여 연결성 특징을 추출한다.
• 각 FC 특징 행렬을 리emann 기하학 기반 분류에 적합한 대칭 양의 정부호(SPD) 행렬로 변환한다.
• 각 FC 추정기의 특징 공간에서 별도로 리emann 분류기(Riemannian MDM 또는 K-최근접 이웃 등)를 훈련한다.
• 개별 분류기의 결정을 앙상블 평균 전략을 사용하여 조합하여 최종 예측을 도출한다.
• 평가를 위해 8개의 독립된 MI 데이터셋을 사용하기 전에 기준 데이터셋을 활용해 주파수 대역 및 FC 추정기와 같은 핵심 파라미터를 최적화한다.
• 차원 축소를 적용하여 높은 성능을 유지하면서도 최소한의 전극 조합을 식별함으로써 임상 적용 가능성을 향상시킨다.

실험 결과

연구 질문

• RQ1 앙상블 학습을 통해 다수의 기능적 연결성 추정기를 조합할 경우 단일 추정기 접근법에 비해 BCI 분류 성능이 유의미하게 향상되는가?
• RQ2 기능적 연결성 추정기 중에서 리emann 기반 분류에 가장 효과적으로 기여하는 것은 무엇인가?
• RQ3 다양한 EEG 채널 수, 작업 파라다임 및 세션 구성이 있는 다양한 데이터셋에서 FUCONE 프레임워크의 강건성은 어떠한가?
• RQ4 다양한 FC 기반 특징 공간의 앙상블은 BCI 성능의 피험자 간 및 피험자 내 변동성에 대한 민감도를 감소시키는가?
• RQ5 차원 축소 단계를 통해 높은 분류 정확도를 유지하면서도 임상적으로 관련성이 있는 최소 전극 조합을 식별할 수 있는가?

주요 결과

• FUCONE는 8개의 다양한 운동 상상 데이터셋에 대한 메타분석에서 모든 최신 기술들을 능가하여 뛰어난 일반화 능력과 강건성을 입증했다.
• 전통적인 CSP 기반 및 단일 리emann 공분산 기반 분류기보다 높은 정확도를 달성했으며, 이는 기능적 특징 공간의 다양성 향상 덕분으로 기인한다.
• 세션 내 및 세션 간 평가 프로토콜 모두에서 효과적인 성능를 유지하여 실제 BCI 구현 환경에 대한 높은 적응성을 보였다.
• 차원 축소 단계를 통해 주로 감각운동 및 연관 피질 영역에 위치한 전극 조합이 높은 정확도를 유지하는 데 충분함을 규명하여 임상 타당성을 뒷받침했다.
• 분석 결과 위상 기반 추정기인 wPLI2-d와 PLI가 앙상블 성능 향상에 가장 크게 기여하는 것으로 나타났으며, 이는 작업 관련 뇌 네트워크 다이내믹스를 포착하는 데의 중요성을 시사한다.
• 1초 간격의 에포크 처리 지연 시간은 약 100ms로 측정되어 온라인 BCI 구현 가능성과 겹침 에포크 처리에 적합함을 확인했다.