[논문 리뷰] Improved EEG Classification by factoring in sensor topography.

Lubna Shibly Mokatren, Rashid Ansari외 5명|arXiv (Cornell University)|2019. 05. 22.

EEG and Brain-Computer Interfaces인용 수 3

한 줄 요약

이 논문은 공간 전극 구성 방식을 통한 센서 토포그래피를 통합함으로써 분류 정확도를 크게 향상시키는 새로운 EEG 분류 방법을 제안한다. EEG 데이터를 2차원 공간 맵으로 표현하고 CNN을 사용함으로써, 공간 레이아웃을 忽시하는 전통적 방법보다 5–8% 높은 정확도를 달성한다. 특히 사회성 불안 장애 및 정서 인식 작업에서 두드러진 성능 향상을 보인다.

ABSTRACT

Electroencephalography (EEG) serves as an effective diagnostic tool for mental disorders and neurological abnormalities. Enhanced analysis and classification of EEG signals can help improve detection performance. This work presents a new approach that seeks to exploit the knowledge of EEG sensor spatial configuration to achieve higher detection accuracy. Two classification models, one which ignores the configuration (model 1) and one that exploits it with different interpolation methods (model 2), are studied. The analysis is based on the information content of these signals represented in two different ways: concatenation of the channels of the frequency bands and an image-like 2D representation of the EEG channel locations. Performance of these models is examined on two tasks, social anxiety disorder (SAD) detection, and emotion recognition using DEAP dataset. Validity of our hypothesis that model 2 will significantly outperform model 1 is borne out in the results, with accuracy $5$--$8\%$ higher for model 2 for each machine learning algorithm we investigated. Convolutional Neural Networks (CNN) were found to provide much better performance than SVM and kNNs.

연구 동기 및 목표

• EEG 전극의 공간 배치를 활용하여 EEG 분류 정확도를 향상시키기 위해.
• 센서 토포그래피를 통합할 경우 정신 상태 분류 성능이 향상되는지 조사하기 위해.
• EEG 신호 분석에서 공간 전극 구성 정보를 忽시하는지 또는 활용하는지에 따라 모델을 비교하기 위해.
• 공간적으로 EEG 데이터를 표현하기 위한 다양한 보간 기법의 효과를 평가하기 위해.
• 공간 정보가 포함되었을 때 기계 학습 모델(SVM, kNN, CNN)의 상대적 성능을 결정하기 위해.

제안 방법

• 방법은 EEG 전극의 해부학적 위치를 기반으로 2차원 이미지 유사 표현을 사용하여 EEG 신호를 모델링한다.
• 공간 보간 기법을 적용하여 측정되지 않은 위치의 신호 값을 추정함으로써 공간 해상도를 향상시킨다.
• 두 모델을 비교한다: 하나는 전극 구성 정보를 忽시하는 모델(모델 1)이고, 다른 하나는 보간된 공간 맵을 통해 이를 통합하는 모델(모델 2)이다.
• 주파수 대역 신호를 채널 간으로 연결하거나 2차원 공간 특징 맵으로 변환하여 분류기의 입력으로 사용한다.
• 컨볼루션 신경망(CNN)은 2차원 표현에서 공간 패턴을 효과적으로 활용하여 SVM 및 kNN보다 뛰어난 성능을 보였다.
• 성능 평가는 사회성 불안 장애(SAD) 및 정서 인식을 위한 DEAP 데이터셋 두 개에서 수행되었다.

실험 결과

연구 질문

• RQ1 EEG 센서 토포그래피를 통합할 경우 정신 상태 탐지에서 분류 정확도가 유의미하게 향상되는가?
• RQ2 다양한 보간 기법이 공간 EEG 패턴 표현에 어떤 영향을 미치는가?
• RQ3 전통적 분류기와 비교해 CNN이 2차원 공간 표현에서 EEG 신호를 효과적으로 학습할 수 있는가?
• RQ4 공간 모델링에서 발생하는 성능 향상은 다양한 기계 학습 알고리즘 간 일관된가?
• RQ5 공간 정보는 사회성 불안 장애 및 정서 상태 탐지에 얼마나 기여하는가?

주요 결과

• 모델 2는 공간 보간을 통해 센서 토포그래피를 통합하여, 테스트된 모든 기계 학습 알고리즘에서 모델 1보다 5–8% 높은 분류 정확도를 달성했다.
• 컨볼루션 신경망(CNN)은 SVM 및 kNN을 모두 능가하여 EEG 데이터의 공간 패턴을 효과적으로 활용할 수 있음을 입증했다.
• 2차원 공간 표현은 주파수 대역의 단순 연결보다 정보량이著しく 향상되었다.
• 공간 구성 정보를 포함시킬 경우의 성능 향상은 SAD 및 DEAP 데이터셋 양쪽에서 일관되게 관찰되었다.
• 보간 기법의 사용은 EEG 신호 표현의 공간 정밀도를 향상시켜 분류에 더 구분 가능한 특징을 제공했다.
• 결과는 공간 전극 구성이 EEG 분류에서 핵심적인 요소이며 忽시되어서는 안 된다는 가설을 검증했다.