[논문 리뷰] Improving EEG Decoding via Clustering-based Multi-task Feature Learning

Yu Zhang, Tao Zhou외 5명|arXiv (Cornell University)|2020. 12. 12.

EEG and Brain-Computer Interfaces참고 문헌 69인용 수 6

한 줄 요약

이 논문은 뇌-computer 인터페이스(Brain-Computer Interface, BCI)에서 EEG 디코딩 정확도를 향상시키기 위해 클러스터링 기반의 다중 작업 특징 학습 프레임워크를 제안한다. 유사도 전파(affinity propagation)를 사용하여 EEG 데이터 내 잠재적인 하위클래스를 탐지하고, one-vs-all 레이블링을 통해 이를 인코딩함으로써, 다중 작업 학습 공식을 통해 하위클래스 간 특징을 공동 최적화한다. 이로 인해 기존 최고 수준의 방법들보다 세 개의 EEG 데이터셋에서 선형 SVM 기반 분류 성능이 크게 향상된다.

ABSTRACT

Accurate electroencephalogram (EEG) pattern decoding for specific mental tasks is one of the key steps for the development of brain-computer interface (BCI), which is quite challenging due to the considerably low signal-to-noise ratio of EEG collected at the brain scalp. Machine learning provides a promising technique to optimize EEG patterns toward better decoding accuracy. However, existing algorithms do not effectively explore the underlying data structure capturing the true EEG sample distribution, and hence can only yield a suboptimal decoding accuracy. To uncover the intrinsic distribution structure of EEG data, we propose a clustering-based multi-task feature learning algorithm for improved EEG pattern decoding. Specifically, we perform affinity propagation-based clustering to explore the subclasses (i.e., clusters) in each of the original classes, and then assign each subclass a unique label based on a one-versus-all encoding strategy. With the encoded label matrix, we devise a novel multi-task learning algorithm by exploiting the subclass relationship to jointly optimize the EEG pattern features from the uncovered subclasses. We then train a linear support vector machine with the optimized features for EEG pattern decoding. Extensive experimental studies are conducted on three EEG datasets to validate the effectiveness of our algorithm in comparison with other state-of-the-art approaches. The improved experimental results demonstrate the outstanding superiority of our algorithm, suggesting its prominent performance for EEG pattern decoding in BCI applications.

연구 동기 및 목표

• 두피 EEG 신호의 낮은 신호 대 잡음 비율 문제를 해결함으로써, BCI 시스템에서 뇌 활동 패턴의 정확한 디코딩을 방해하는 요소를 극복한다.
• 기존의 기계 학습 방법들이 EEG 샘플의 잠재적 데이터 구조를 효과적으로 모델링하지 못하는 한계를 극복한다.
• 클러스터링을 통해 원래 EEG 클래스 내에 숨겨진 하위클래스 구조를 밝혀내어 EEG 패턴 디코딩 정확도를 향상시킨다.
• 하위클래스 간 관계를 활용하여 공통적으로 최적화되는 분류 가능한 EEG 특징을 공동으로 최적화하는 다중 작업 학습 프레임워크를 개발한다.
• 운동 상상 기반 BCI 애플리케이션을 위한 실제 EEG 데이터셋에서 제안된 방법의 유효성을 입증한다.

제안 방법

• 각 원래 EEG 클래스 내에 하위클래스를 식별하기 위해 유사도 전파(AP) 클러스터링을 적용하여 데이터의 보다 세분화된 구조를 포착한다.
• 발견된 하위클래스를 one-vs-all 레이블링 전략을 사용하여 인코딩하여 다중 작업 학습을 위한 구조화된 레이블 행렬을 생성한다.
• 하위클래스 간 공유된 특징 학습을 강제하면서도 각 하위클래스의 고유한 정체성을 유지하는 새로운 다중 작업 학습 알고리즘을 설계한다.
• 하위클래스 간 관계를 구조화된 정규화 항을 통해 통합하는 정규화 최적화 문제로 특징 학습을 공식화한다.
• 최종 EEG 패턴 분류를 위해 최적화된 특징에 선형 서포트 벡터 머신(SVM)을 훈련시킨다.
• 내부 루프 교차 검증을 사용하여 하이퍼파rameter를 튜닝하고 다양한 데이터셋 간의 강건성을 확보한다.

실험 결과

연구 질문

• RQ1 EEG 데이터 내 숨겨진 하위클래스를 클러스터링 기반으로 탐지하는 것이 BCI 디코딩을 위한 특징 표현을 향상시킬 수 있는가?
• RQ2 다중 작업 학습을 통해 하위클래스 간 관계를 통합하면 기존 방법과 비교해 EEG 패턴 분류 정확도가 어떻게 향상되는가?
• RQ3 제안된 방법은 노이즈와 피험자 변동성이 다양한 다양한 EEG 데이터셋에 일반화되는가?
• RQ4 제안된 프레임워크는 기존 최고 수준의 EEG 디코딩 알고리즘에 비해 분류 정확도 측면에서 어느 정도 뛰어나게 성능을 발휘하는가?
• RQ5 클러스터링과 다중 작업 학습의 통합이 하위클래스 구조에 대한 사전 지식 없이도 EEG 샘플의 내재된 분포를 효과적으로 모델링할 수 있는가?

주요 결과

• 제안된 알고리즘이 세 개의 독립적인 EEG 데이터셋에서 비교된 모든 최고 수준의 방법들보다 유의미하게 높은 EEG 디코딩 정확도를 달성했다.
• 성능 향상이 일관되게 나타나 데이터셋 특성에 따른 변동성과 노이즈에 대해 강건함을 보였다.
• 하위클래스 탐지에 유사도 전파를 사용함으로써 데이터의 잠재적 구조를 효과적으로 포착하여 더 분류 가능한 특징 표현을 이끌어냈다.
• 하위클래스 정규화를 포함한 다중 작업 학습 프레임워크는 상위 클래스 간 및 하위클래스 내 관계를 활용하여 특징 최적화를 향상시켰다.
• 클러스터링과 다중 작업 학습을 통한 내재된 데이터 구조 모델링은 BCI 시스템의 발전을 위한 유망한 방향임을 시사한다.
• 알고리즘의 성능 향상은 통계적으로 유의미하여 실제 BCI 응용 분야에서의 잠재력을 입증한다.