[논문 리뷰] Light-Weight 1-D Convolutional Neural Network Architecture for Mental Task Identification and Classification Based on Single-Channel EEG

Manali Saini, Udit Satija외 1명|arXiv (Cornell University)|2020. 12. 12.

EEG and Brain-Computer Interfaces참고 문헌 42인용 수 5

한 줄 요약

이 논문은 단일 채널 뇌파(EEG)를 사용한 실시간 정신 작업 분류를 위한 경량 1D-CNN 아키텍처를 제안한다. 수작업 특징 추출 및 잡음 제거를 제거하였으며, 공개 및 소속 내부 EEG 데이터셋에서 주관 독립 정확도가 최대 99.7%에 이를 정도로 노이즈에 강건하고 다양한 주관 간 일반화 능력이 뛰어나다.

ABSTRACT

Mental task identification and classification using single/limited channel(s) electroencephalogram (EEG) signals in real-time play an important role in the design of portable brain-computer interface (BCI) and neurofeedback (NFB) systems. However, the real-time recorded EEG signals are often contaminated with noises such as ocular artifacts (OAs) and muscle artifacts (MAs), which deteriorate the hand-crafted features extracted from EEG signal, resulting inadequate identification and classification of mental tasks. Therefore, we investigate the use of recent deep learning techniques which do not require any manual feature extraction or artifact suppression step. In this paper, we propose a light-weight one-dimensional convolutional neural network (1D-CNN) architecture for mental task identification and classification. The robustness of the proposed architecture is evaluated using artifact-free and artifact-contaminated EEG signals taken from two publicly available databases (i.e, Keirn and Aunon ($K$) database and EEGMAT ($E$) database) and in-house ($R$) database recorded using single-channel neurosky mindwave mobile 2 (MWM2) EEG headset in performing not only mental/non-mental binary task classification but also different mental/mental multi-tasks classification. Evaluation results demonstrate that the proposed architecture achieves the highest subject-independent classification accuracy of $99.7\%$ and $100\%$ for multi-class classification and pair-wise mental tasks classification respectively in database $K$. Further, the proposed architecture achieves subject-independent classification accuracy of $99\%$ and $98\%$ in database $E$ and the recorded database $R$ respectively. Comparative performance analysis demonstrates that the proposed architecture outperforms existing approaches not only in terms of classification accuracy but also in robustness against artifacts.

연구 동기 및 목표

• 단일 채널 EEG를 사용한 실시간, 이식 가능한 뇌-컴퓨터 인터페이스(BCI) 시스템을 개발하여 정신 작업을 식별한다.
• EEG 신호에서 안구 및 근육 잡음의 영향을 받는 상황에서 수작업으로 설계된 특징의 한계를 극복한다.
• 딥 러닝을 활용하여 수작업 특징 추출 및 잡음 제거의 필요성을 제거한다.
• 모델의 노이즈에 대한 강건성과 다양한 EEG 데이터베이스 및 주관 간 일반화 능력을 평가한다.
• 실시간 신경 피드백 응용에 적합한 저지연, 고정확도 분류를 가능하게 한다.

제안 방법

• 엔드 투 엔드 분류를 위해 두 개의 컨볼루션 레이어(Conv1D), 맥스 풀링, 완전 연결 레이어를 포함한 경량 1D-CNN 아키텍처를 설계한다.
• 모델은 사전 처리나 수작업 특징 추출 없이 원시 단일 채널 EEG 신호를 직접 처리한다.
• Conv1D 및 MaxPool1D 레이어의 특징 맵을 시각화하여 다양한 정신 작업 간에 학습된 분류 가능한 패턴을 해석한다.
• 다중 클래스 및 이진 분류를 위해 소프트맥스 출력을 사용하여 확률적 경사 하강법을 활용해 엔드 투 엔드로 학습한다.
• EEGMAT에서 학습하고 소속 내부 데이터에서 평가하여 주관 적응 능력을 테스트함으로써 주관 간 일반화 능력을 입증한다.
• 10초 분량의 EEG 세그먼트를 사용하여 세 개의 데이터셋(K, E, R)에서 성능을 평가한다.

실험 결과

연구 질문

• RQ1 경량 1D-CNN이 수작업 특징 추출이나 잡음 제거 없이도 높은 정확도로 정신 작업 분류를 달성할 수 있는가?
• RQ2 기존 수작업 특징 방법과 비교해 볼 때 제안된 모델은 잡음이 포함된 EEG 신호에서 어떻게 성능을 내는가?
• RQ3 다양한 EEG 데이터베이스에서 제안된 아키텍처의 주관 독립 분류 정확도는 얼마인가?
• RQ4 세부 조정 없이 다양한 주관과 데이터셋 간에 일반화가 가능한가?
• RQ5 실시간 BCI 시스템에 적합한 짧은 EEG 신호 세그먼트에서 모델의 성능은 어떠한가?

주요 결과

• 제안된 1D-CNN은 Keirn & Aunon (K) 데이터베이스에서 모든 이진 작업 쌍(BT-MT, BT-LT, BT-RT, MT-LT, MT-RT, LT-RT)에 대해 100%의 주관 독립 정확도를 달성하였다.
• K 데이터베이스에서 다중 클래스 정신 작업 분류에 대해 평균 99.7%의 정확도를 기록하였다.
• EEGMAT (E) 데이터베이스에서는 BT-ST 분류에서 99%의 주관 독립 정확도를 달성하였다.
• 소속 내부(R) 데이터베이스에서는 BT-ST 분류에서 98%의 주관 독립 정확도를 달성하였다.
• 모델는 잡음에 강건한 것으로 입증되었으며, 정확도와 노이즈 내성 면에서 기존 방법을 능가하였다.
• EEGMAT에서 학습하고 소속 내부 데이터에서 평가한 결과 97%의 정확도를 기록하여 주관 간 일반화 능력이 뛰어나다는 점이 검증되었다.