[논문 리뷰] Multiclass Common Spatial Pattern for EEG based Brain Computer Interface with Adaptive Learning Classifier

Hardik Meisheri, Nagraj Ramrao외 1명|arXiv (Cornell University)|2018. 02. 25.

EEG and Brain-Computer Interfaces참고 문헌 50인용 수 20

한 줄 요약

이 논문은 EEG 기반 BCI를 위한 다중분류 Common Spatial Pattern (mCSP) 프레임워크를 제안하며, 잡음으로 오염된 시도를 사전 처리하여 제거함으로써 특징 추출을 향상시키고, 비정상성과 과적합을 다루기 위해 Self-Regulated Interval Type-2 Neuro-Fuzzy Inference System (SRIT2NFIS)를 활용한다. 이 방법은 BCI 경쟁 IV 데이터셋 2a에서 평균 정확도 54.63%를 기록하여 기존 최고 성능 기준 8–13% 높은 성능을 달성하였다.

ABSTRACT

In Brain Computer Interface (BCI), data generated from Electroencephalogram (EEG) is non-stationary with low signal to noise ratio and contaminated with artifacts. Common Spatial Pattern (CSP) algorithm has been proved to be effective in BCI for extracting features in motor imagery tasks, but it is prone to overfitting. Many algorithms have been devised to regularize CSP for two class problem, however they have not been effective when applied to multiclass CSP. Outliers present in data affect extracted CSP features and reduces performance of the system. In addition to this non-stationarity present in the features extracted from the CSP present a challenge in classification. We propose a method to identify and remove artifact present in the data during pre-processing stage, this helps in calculating eigenvectors which in turn generates better CSP features. To handle the non-stationarity, Self-Regulated Interval Type-2 Neuro-Fuzzy Inference System (SRIT2NFIS) was proposed in the literature for two class EEG classification problem. This paper extends the SRIT2NFIS to multiclass using Joint Approximate Diagonalization (JAD). The results on standard data set from BCI competition IV shows significant increase in the accuracies from the current state of the art methods for multiclass classification.

연구 동기 및 목표

• EEG 신호의 비정상성, 낮은 SNR, 잡음 문제를 다중분류 BCI 환경에서 해결하기 위해.
• 사전 처리 단계에서 잡음이 있는 시도를 제거하여 다중분류 상황에서 Common Spatial Pattern (CSP)의 일반화 성능을 향상시키기 위해.
• 원래 이분류 문제에 대해 설계된 SRIT2NFIS 분류기의 다중분류 EEG 분류에 대한 확장을 위해 Joint Approximate Diagonalization (JAD)를 활용하기 위해.
• 잡음 제거와 적응형 학습을 조합하여 다중분류 EEG 분류에서 과적합을 줄이고 정확도를 향상시키기 위해.
• 공개된 다중분류 EEG-BCI 데이터셋에서 기존 최고 성능 기준보다 더 높은 분류 정확도를 달성하기 위해.

제안 방법

• 사전 처리는 신호 품질 평가를 통해 잡음으로 오염된 EEG 시도를 식별하고 제거하여 CSP 공분산 행렬의 신뢰성 향상에 기여한다.
• 다중분류 CSP는 다중 운동 상상 분류 간 분산 비율을 최대화하는 공간 필터를 추출하기 위해 Joint Approximate Diagonalization (JAD)를 활용하여 구현된다.
• SRIT2NFIS 분류기는 비정상성을 다룰 수 있도록 동적으로 소속 함수와 규칙를 조정하는 자기 조절 학습 메커니즘을 활용하여 다중분류에 적합하게 변형된다.
• 각 주제별로 성능을 최적화하기 위해 Particle Swarm Optimization (PSO)를 사용하여 SRIT2NFIS의 핵심 파라미터(예: 추가 임계값, 업데이트 임계값, 신규성, 클래스 간 겹침)를 조정한다.
• 특징 추출은 m=3개 성분을 사용한 mCSP를 활용하며, 처리 이전에 신호에 밴드패스 필터링(8–40 Hz)을 적용한다. 이는 기존의 EEG-BCI 프로토콜을 따르는 것이다.
• 분류 성능 평가는 BCI 경쟁 IV의 독립된 테스트 세트에서 평가되며, 9명의 주제와 4개의 운동 상상 분류 클래스를 포함한다.

실험 결과

연구 질문

• RQ1 잡음으로 오염된 시도를 사전 처리하여 제거하는 것이 다중분류 CSP의 일반화 성능 향상에 기여하는가?
• RQ2 원래 이분류 문제에 대해 설계된 SRIT2NFIS 분류기가 JAD를 활용하여 다중분류 EEG 분류에 효과적으로 확장될 수 있는가?
• RQ3 잡음 제거와 적응형 SRIT2NFIS 학습의 조합이 다중분류 EEG-BCI에서 과적합을 현저히 줄이고 정확도를 향상시키는가?
• RQ4 다양한 신호 품질을 가진 주제들 간의 성능을 고려할 때, 제안된 방법은 기존 최고 성능 기준 평균 정확도와 정교성 측면에서 어떻게 비교되는가?
• RQ5 본질적으로 잡음이 많은 EEG 데이터를 가진 주제들에 대해서는 이 방법이 얼마나 성능 향상에 기여하는가?

주요 결과

• 제안된 방법은 BCI 경쟁 IV 데이터셋 2a에서 9명의 주제에 대해 평균 분류 정확도 54.63%를 달성하여 기존 최고 성능를 뛰어넘었다.
• 최고의 베이스라인(Grosse-Wentrup과 Buss, 2008) 대비 8.62%포인트 향상(46.01%에서 54.63%로), 주제 9에서는 최대 13.0% 향상 기록.
• 이전에 잡음으로 인해 성능이 열악했던 주제 2는 정확도가 32.1%에서 45.48%로 상승하여 상대적 향상률 42.9% 기록.
• 저초기 정확도를 보였던 주제 4, 5, 6와 같이 성능 향상이 두드러진 주제들에 대해 본 방법이 뛰어난 정교성과 안정성을 보였다.
• 잡음 제거를 통해 CSP 공분산 행렬의 품질이 향상되어 더 구분력 있는 특징 추출과 과적합 감소 효과를 보였다.
• Particle Swarm Optimization (PSO)는 주제별로 SRIT2NFIS 파라미터를 성공적으로 최적화하여 다중분류 EEG-BCI에서 주제별 적응의 필요성을 확인했다.