[논문 리뷰] Single-trial P300 Classification using PCA with LDA, QDA and Neural Networks

Nand Lal Sharma|arXiv (Cornell University)|2017. 12. 06.

EEG and Brain-Computer Interfaces인용 수 9

한 줄 요약

이 연구는 뇌-컴퓨터 인터페이스에서 정확도를 향상시키기 위해 주성분 분석(PCA)을 결합한 선형 판별 분석(LDA), 이차 판별 분석(QDA), 신경망(NLR)을 사용한 단일 시험 P300 분류 프레임워크를 제안한다. 차원 감소를 3~4개 주성분으로 제한함으로써 전통적인 평균 처리 방식보다 최대 13%의 정확도 향상을 달성하며, 다양한 피실험자 및 데이터 수집 조건에서도 높은 분류 성능을 유지하면서 통신 속도를 크게 향상시킨다.

ABSTRACT

The P300 event-related potential (ERP), evoked in scalp-recorded electroencephalography (EEG) by external stimuli, has proven to be a reliable response for controlling a BCI. The P300 component of an event related potential is thus widely used in brain-computer interfaces to translate the subjects' intent by mere thoughts into commands to control artificial devices. The main challenge in the classification of P300 trials in electroencephalographic (EEG) data is the low signal-to-noise ratio (SNR) of the P300 response. To overcome the low SNR of individual trials, it is common practice to average together many consecutive trials, which effectively diminishes the random noise. Unfortunately, when more repeated trials are required for applications such as the P300 speller, the communication rate is greatly reduced. This has resulted in a need for better methods to improve single-trial classification accuracy of P300 response. In this work, we use Principal Component Analysis (PCA) as a preprocessing method and use Linear Discriminant Analysis (LDA)and neural networks for classification. The results show that a combination of PCA with these methods provided as high as 13\% accuracy gain for single-trial classification while using only 3 to 4 principal components.

연구 동기 및 목표

• 뇌-컴퓨터 인터페이스에서 통신 속도를 제한하는 단일 시험 EEG P300 반응의 낮은 신호 대 잡음비(SNR)를 해결한다.
• P300 스펠러 시스템에서 통신 속도를 떨어뜨리는 시험 평균 처리의 필요성을 극복한다.
• 다중 반복 시험에 의존하지 않고도 단일 시험 분류 정확도를 향상시키는 차원 감소 및 분류 파ipeline을 개발한다.
• 실제 다수의 피실험자로부터 확보한 EEG 데이터에 대해 PCA와 선형 및 비선형 분류기(LDA, QDA, NLR)의 유효성을 평가한다.
• 데이터 수집 파rameter(예: 자극 간 간격)가 분류기 성능에 미치는 영향과 선형 모델 대 비선형 모델의 적합성에 대해 조사한다.

제안 방법

• 8개 전극에서의 EEG 데이터 차원을 감소시키기 위해 주성분 분석(PCA)을 적용하여 P300 신호와 관련된 분산을 반영하는 핵심 성분을 추출한다.
• 상위 3~4개 주성분을 분류의 입력 특징으로 사용하여 데이터 차원을 최소화하면서도 분류에 유의미한 정보를 유지한다.
• 감소된 특징 공간에서 선형 판별 분석(LDA), 이차 판별 분석(QDA), 비선형 로지스틱 회귀(NLR)의 세 분류기를 훈련 및 평가한다.
• 주성분 수를 5개 이하로 제한하는 제한된 특징 선택(FS) 방법을 구현하여 일반화 성능 향상과 계산 부담 감소를 도모한다.
• 각 채널-시행을 별개의 데이터 포인트로 간주하여 전극 간 시공간적 P300 패턴을 더 잘 표현한다.
• 자극 간 간격(ISI)이 다른 피실험자(sub1, sub2: 1000ms; sub3, sub4: 175ms) 간 결과를 비교하여, 다양한 신호 겹침 조건에서 모델의 강건성 평가를 수행한다.

실험 결과

연구 질문

• RQ1 PCA 기반의 차원 감소가 시험 평균 처리에 의존하지 않고도 단일 시험 P300 분류 정확도를 향상시킬 수 있는가?
• RQ2 PCA로 감소된 EEG 데이터에 적용했을 때 선형(LDA, QDA)과 비선형(NLR) 분류기의 성능는 어떻게 비교되는가?
• RQ3 자극 간 간격(ISI)이 P300 신호 분리의 선형성에 영향을 미치며, 만약 그렇다면 이는 분류기 선택에 어떤 영향을 미치는가?
• RQ4 주성분 수를 4개 이하로 제한하는 제한된 특징 선택 방법이 전체 PCA나 시각적 선택보다 더 높은 정확도와 효율성을 달성할 수 있는가?
• RQ5 피실험자별로 변동성이 큰 데이터가 분류기 성능에 미치는 영향은 어느 정도이며, 통합된 방법이 다양한 피실험자 간에 일반화 가능한가?

주요 결과

• PCA와 NLR, 제한된 특징 선택을 조합한 결과, 피실험자 sub3에서 최고의 정확도 63.05%를 기록하여 모든 다른 방법을 능가했다.
• 피실험자 sub1의 경우, PCA + LDA가 단지 2개의 주성분만으로도 55.0%의 정확도를 달성하여 기준 방법보다 뚜렷한 향상을 보였다.
• 이 방법은 데이터 차원을 최대 4개 성분으로 감소시키면서도 정확도 향상을 이룩하여 계산 효율성과 실시간 적용 가능성 향상에 기여했다.
• 짧은 ISI(175ms)를 가진 피실험자들은 더 높은 P300 반응 겹침을 보였으며, 이는 선형 모델로는 분류가 어려웠다. 따라서 QDA 및 NLR와 같은 비선형 모델이 더 우수한 성능을 보였다.
• 제한된 특징 선택 방법은 표준 특징 선택보다 뛰어난 성능을 보였으며, 훨씬 적은 성분을 사용함에도 불구하고 시각적 선택과 동등하거나 이를 초월하는 정확도를 달성했다.
• PCA는 채널 간 분산을 효과적으로 포착하여 분류 성능을 향상시켰으며, 특히 첫 번째 주성분이 채널 전반의 분산을 차지한 sub1 및 sub2에서 유의미한 기여를 했다.