[논문 리뷰] Minimizing inter-subject variability in fNIRS based Brain Computer Interfaces via multiple-kernel support vector learning

Berdakh Abibullaev, Jinung An외 3명|arXiv (Cornell University)|2012. 09. 25.

EEG and Brain-Computer Interfaces참고 문헌 12인용 수 20

한 줄 요약

이 논문은 fNIRS 기반 뇌-컴퓨터 인터페이스(BCI)에서 이면적 주체 간 및 이면적 세션 간 변동성을 최소화하기 위해 다중 커널 서포트 벡터 머신(MK-SVM) 프레임워크를 제안한다. 이는 긴 校정이 필요 없이 강건한 분류를 가능하게 한다. 주체 및 세션별 특징 공간을 최적화된 결정 경계를 가진 통합된 더 풍부한 특징 공간에 통합함으로써, 새로운 주체와 세션에 대해 높은 일반화 성능를 달성하며, 校정 필요성을 크게 줄이고 산소화합혈색소 신호에서 뛰어난 성능을 유지한다.

ABSTRACT

Brain signal variability in the measurements obtained from different subjects during different sessions significantly deteriorates the accuracy of most brain-computer interface (BCI) systems. Moreover these variabilities, also known as inter-subject or inter-session variabilities, require lengthy calibration sessions before the BCI system can be used. Furthermore, the calibration session has to be repeated for each subject independently and before use of the BCI due to the inter-session variability. In this study, we present an algorithm in order to minimize the above-mentioned variabilities and to overcome the time-consuming and usually error-prone calibration time. Our algorithm is based on linear programming support-vector machines and their extensions to a multiple kernel learning framework. We tackle the inter-subject or -session variability in the feature spaces of the classifiers. This is done by incorporating each subject- or session-specific feature spaces into much richer feature spaces with a set of optimal decision boundaries. Each decision boundary represents the subject- or a session specific spatio-temporal variabilities of neural signals. Consequently, a single classifier with multiple feature spaces will generalize well to new unseen test patterns even without the calibration steps. We demonstrate that classifiers maintain good performances even under the presence of a large degree of BCI variability. The present study analyzes BCI variability related to oxy-hemoglobin neural signals measured using a functional near-infrared spectroscopy.

연구 동기 및 목표

• fNIRS 기반 BCI 시스템에서 일반화를 방해하고 장시간의 주체별 校정이 필요로 하는 주요 과제인 주체 간 및 세션 간 변동성을 해결하기 위해.
• 시간이 오래 걸리고 오류가 발생하기 쉬운 校정 세션에 대한 의존도를 줄이기 위해, 하나의 분류기가 다양한 주체와 세션 간에 일반화할 수 있도록 하기 위해.
• 특징 공간에서 주체 및 세션별로 고유한 시공간 신경 신호 변동성을 포착하고 모델링하는 학습 프레임워크를 개발하기 위해.
• 다양한 주체 및 세션별 특징 표현을 통합하여 통합된 최적화된 결정 경계를 생성함으로써 BCI 성능을 향상시키기 위해.
• 기능 근적외선 스펙트로스코피(fNIRS)를 통해 측정된 산소화합혈색소 신호에서 제안된 방법의 효과성을 입증하기 위해.

제안 방법

• 이 방법은 선형 프로그래밍 서포트 벡터 머신(LP-SVM)을 다중 커널 학습(MKL) 프레임워크로 확장하여 다수의 특징 공간을 처리한다.
• 각 주체 또는 세션은 산소화합혈색소 신호 패턴에서 유도된 고유한 특징 공간으로 표현되며, 이는 그들의 고유한 시공간 변동성을 반영한다.
• MKL 프레임워크는 이러한 개별 특징 공간을 최적화된 커널 가중치를 사용하여 통합된 더 풍부한 특징 공간으로 조합함으로써 단일이고 강력한 결정 경계를 학습한다.
• 최적화 과정은 선형 프로그래밍을 사용하여 분류 오차를 최소화하면서 주체 간 및 세션 간 변동성을 고려한 최적의 커널 조합을 결정한다.
• 결과적으로 생성된 분류기는 재학습이나 校정 없이도 새로운, 알려지지 않은 주체와 세션에 대해 잘 일반화된다.
• 이 접근법은 원시 신호 공간이 아닌 특징 공간에서 변동성을 명시적으로 모델링함으로써 적응성과 성능을 향상시킨다.

실험 결과

연구 질문

• RQ1 주체별 校정이 필요 없이 하나의 fNIRS-BCI 분류기가 다양한 주체와 세션 간에 일반화될 수 있는가?
• RQ2 다중 커널 학습이 fNIRS 기반 BCI 시스템에서 주체 간 및 세션 간 변동성을 얼마나 효과적으로 줄일 수 있는가?
• RQ3 주체 및 세션별 특징 공간을 통합함으로써 fNIRS-BCI에서 분류 정확도와 일반화 능력이 얼마나 향상되는가?
• RQ4 제안된 MK-SVM 프레임워크는 높은 수준의 뇌 신호 변동성 하에서도 높은 성능을 유지할 수 있는가?
• RQ5 다양한 특징 공간에서 커널 가중치를 최적화함으로써 분류기의 강건성과 校정 감소에 어떤 영향을 미치는가?

주요 결과

• 제안된 다중 커널 학습 프레임워크는 fNIRS 기반 BCI 시스템에서 주체 간 및 세션 간 변동성을 크게 줄이며, 校정 없이도 높은 성능의 분류를 가능하게 한다.
• 새로운, 알려지지 않은 주체와 세션에 대해 분류기가 효과적으로 일반화되며, 다양한 뇌 신호 패턴 간 강력한 강건성을 보여준다.
• 큰 수준의 BCI 변동성 하에서도 높은 분류 정확도를 유지함으로써 뇌 신호 변동성에 대한 내성성을 입증한다.
• 주체 및 세션별 특징 공간을 통합된 프레임워크로 통합함으로써, 각 개인에 대해 반복적인 校정이 필요 없어진다.
• MK-SVM 프레임워크에서 선형 프로그래밍의 사용은 커널 가중치의 효율적인 최적화를 가능하게 하여 결정 경계의 품질과 일반화 능력을 향상시킨다.
• 프레임워크는 산소화합혈색소 신호에서 신뢰할 수 있는 성능를 달성하며, 실세계 fNIRS-BCI 응용에 적합함을 확인한다.