[논문 리뷰] Improving brain computer interface performance by data augmentation with conditional Deep Convolutional Generative Adversarial Networks

Qiqi Zhang, Ying Liu|arXiv (Cornell University)|2018. 06. 19.

EEG and Brain-Computer Interfaces참고 문헌 20인용 수 59

한 줄 요약

이 논문은 데이터 보강을 위해 조건부 DCGAN (cDCGAN)을 제안하여 한정된 학습 데이터로 모터 이미저리에서 CNN 기반 BCI 성능을 향상시키는 것을 목표로 한다. 생성된 데이터는 테스트 정확도와 일치하거나 향상시킬 수 있으며 데이터가 부족할 때 분류를 강화한다.

ABSTRACT

One of the big restrictions in brain computer interface field is the very limited training samples, it is difficult to build a reliable and usable system with such limited data. Inspired by generative adversarial networks, we propose a conditional Deep Convolutional Generative Adversarial (cDCGAN) Networks method to generate more artificial EEG signal automatically for data augmentation to improve the performance of convolutional neural networks in brain computer interface field and overcome the small training dataset problems. We evaluate the proposed cDCGAN method on BCI competition dataset of motor imagery. The results show that the generated artificial EEG data from Gaussian noise can learn the features from raw EEG data and has no less than the classification accuracy of raw EEG data in the testing dataset. Also by using generated artificial data can effectively improve classification accuracy at the same model with limited training data.

연구 동기 및 목표

• 뇌-컴퓨터 인터페이스에서 매우 제한된 학습 샘플의 문제를 다룬다.
• 증강을 위한 인공 EEG 데이터를 생성하기 위해 조건부 심층 합성곱 GAN을 도입한다.
• GAN으로 생성된 데이터가 의미 있는 EEG 특징을 학습할 수 있는지 평가한다.
• 모터 이미저리 데이터를 사용하여 CNN 기반 BCI 성능에 대한 보강 데이터의 영향을 평가한다.

제안 방법

• 인공 EEG 신호를 생성하기 위해 조건부 심층 합성곱 GAN(cDCGAN)을 채택한다.
• 클래스 라벨에 조건부로 가우시안 노이즈로부터 인공 EEG 데이터를 생성한다.
• 생성된 데이터를 CNN 기반 BCI 분류기의 학습 세트를 보강하는 데 사용한다.
• 모터 이미저리에 대한 BCI 대회 데이터셋에서 성능을 평가한다.
• 실데이터만 사용한 경우와 보강 데이터세트를 사용한 경우의 분류 정확도를 비교한다.
• 생성된 데이터가 원시 EEG로부터 특징을 학습하고 테스트 정확도가 비슷하게 달성될 수 있음을 입증한다.

실험 결과

연구 질문

• RQ1 학습 데이터가 제한될 때 cDCGAN으로 생성된 인공 EEG 데이터가 CNN 기반 BCI 분류를 향상시킬 수 있는가?
• RQ2 생성된 EEG 샘플이 실제 EEG 데이터의 특징을 대표하고 판별 정보를 보존하는가?
• RQ3 cDCGAN 데이터로의 보강이 테스트에서 실데이터만으로 달성한 정확도와 일치하거나 이를 능가하는가?

주요 결과

• 가우시안 노이즈로부터 생성된 인공 EEG 데이터가 원시 EEG 데이터로부터 특징을 학습할 수 있다.
• 생성된 데이터가 테스트 데이터셋에서 원시 EEG 데이터와 동등한 분류 정확도를 달성한다.
• 생성된 인공 데이터를 사용하면 학습 데이터가 제한될 때 분류 정확도를 효과적으로 향상시킬 수 있다.
• 이 방법은 모터 이미저리의 BCI 대회 데이터셋에서 평가되었다.
• cDCGAN 기반 보강은 CNN 분류기를 사용하는 BCI에서 소표본 문제를 다룬다.