[논문 리뷰] Mental Task Classification Using Electroencephalogram Signal

Zeyu Bai, Ruizhi Yang외 1명|arXiv (Cornell University)|2019. 10. 02.

EEG and Brain-Computer Interfaces참고 문헌 26인용 수 38

한 줄 요약

본 논문은 EEG 기반 정신 작업 분류를 위한 CNN, LSTM, GRU 아키텍처를 비교하고 CNN 디코더를 갖춘 혼합 LSTM 모델을 도입하여 혼합 모델의 검증 및 테스트 정확도가 더 높음을 보고한다.

ABSTRACT

This paper studies the classification problem on electroencephalogram (EEG) data of mental tasks, using standard architecture of three-layer CNN, stacked LSTM, stacked GRU. We further propose a novel classifier - a mixed LSTM model with a CNN decoder. A hyperparameter optimization on CNN shows validation accuracy of 72% and testing accuracy of 62%. The stacked LSTM and GRU models with FFT preprocessing and downsampling on data achieve 55% and 51% testing accuracy respectively. As for the mixed LSTM model with CNN decoder, validation accuracy of 75% and testing accuracy of 70% are obtained. We believe the mixed model is more robust and accurate than both CNN and LSTM individually, by using the CNN layer as a decoder for following LSTM layers. The code is completed in the framework of Pytorch and Keras. Results and code can be found at https://github.com/theyou21/BigProject.

연구 동기 및 목표

• 표준 딥 러닝 아키텍처를 이용한 EEG 기반 정신 작업 분류 조사.
• EEG 데이터에서 CNN, 적층 LSTM, 적층 GRU의 성능 비교.
• 정확도 향상을 위해 CNN 디코더를 갖춘 새로운 혼합 LSTM 모델 제안.

제안 방법

• EEG 데이터에 표준 3-층 CNN, 적층 LSTM, 적층 GRU 아키텍처를 사용한다.
• EEG 신호에 대해 FFT 전처리 및 다운샘플링을 적용한다.
• CNN 디코더를 갖춘 혼합 LSTM 모델을 제안하고 성능을 평가한다.
• CNN 구성요소에 대한 하이퍼파라미터 최적화를 수행한다.

실험 결과

연구 질문

• RQ1 EEG 기반 정신 작업 분류에서 어떤 딥 러닝 아키텍처(CNN, LSTM, GRU)가 최고 정확도를 보이는가?
• RQ2 CNN 디코더를 갖춘 혼합 LSTM 모델이 단독 모델에 비해 검증 및 테스트 성능을 향상시키는가?
• RQ3 FFT 및 다운샘플링과 같은 전처리 단계가 EEG 정신 작업 분류에서 모델 성능에 어떤 영향을 미치는가?

주요 결과

• 하이퍼파라미터 최적화를 통한 CNN은 72%의 검증 정확도와 62%의 테스트 정확도를 달성했다.
• FFT 전처리 및 다운샘플링을 적용한 적층 LSTM은 55%의 테스트 정확도를 달성했다.
• FFT 전처리 및 다운샘플링을 적용한 적층 GRU는 51%의 테스트 정확도를 달성했다.
• CNN 디코더를 갖춘 혼합 LSTM 모델은 75%의 검증 정확도와 70%의 테스트 정확도를 달성했다.
• 혼합 LSTM 모델이 개별 CNN 또는 LSTM 모델보다 더 견고하고 정확하다고 보고된다.