[논문 리뷰] Toward reliable signals decoding for electroencephalogram: A benchmark study to EEGNeX

Xia Chen, Xiangbin Teng외 3명|arXiv (Cornell University)|2022. 07. 15.

EEG and Brain-Computer Interfaces참고 문헌 46인용 수 6

한 줄 요약

이 연구는 다양한 BCI 파라다임에서 견고한 EEG 신호 복원을 위한 새로운 1D ConvNet 기반 딥러닝 아키텍처인 EEGNeX를 소개한다. 11개의 운동 상상 데이터셋에서 평가한 결과, 최신 기술 모델 대비 분류 정확도에서 통계적으로 유의미한 향상(2.1–8.5%)을 달성하여 원시 EEG 데이터로부터 우수한 표현 학습 능력을 입증한다.

ABSTRACT

This study examines the efficacy of various neural network (NN) models in interpreting mental constructs via electroencephalogram (EEG) signals. Through the assessment of 16 prevalent NN models and their variants across four brain-computer interface (BCI) paradigms, we gauged their information representation capability. Rooted in comprehensive literature review findings, we proposed EEGNeX, a novel, purely ConvNet-based architecture. We pitted it against both existing cutting-edge strategies and the Mother of All BCI Benchmarks (MOABB) involving 11 distinct EEG motor imagination (MI) classification tasks and revealed that EEGNeX surpasses other state-of-the-art methods. Notably, it shows up to 2.1%-8.5% improvement in the classification accuracy in different scenarios with statistical significance (p < 0.05) compared to its competitors. This study not only provides deeper insights into designing efficient NN models for EEG data but also lays groundwork for future explorations into the relationship between bioelectric brain signals and NN architectures. For the benefit of broader scientific collaboration, we have made all benchmark models, including EEGNeX, publicly available at (https://github.com/chenxiachan/EEGNeX).

연구 동기 및 목표

• 다양한 EEG 기반 BCI 작업에서 16종의 신경망 아키텍처의 일반화 성능을 평가하여 그 표현 학습 능력을 이해하기 위해.
• EEG 복원 분야에서 표준화된 벤치마킹의 부족을 해결하기 위해 다양한 데이터셋과 파라다임 간 일관된 평가 프레임워크를 구축하기 위해.
• 원시 EEG 신호에서 공간적, 시간적, 채널 간 표현 학습 능력을 향상시키기 위해 순수하게 ConvNet 기반의 새로운 아키텍처인 EEGNeX를 개발하기 위해.
• EEG 복원 연구를 위한 공개 가능하고 오픈소스 기반의 테스트베드를 제공하여 BCI 공동체 내에서의 구현 장벽을 낮추기 위해.
• 11개의 운동 상상 데이터셋에서 기존 최신 기술 모델과 MOABB 벤치마크에 비해 EEGNeX의 우수성을 통계적으로 유의미하게 검증하기 위해.

제안 방법

• ERP, MI, SMR, ERN의 4개 BCI 파라다임에서 16종의 주요 신경망 모델(1D 및 2D CNN, RNN(LSTM, GRU), 하이브리드 아키텍처)을 평가하였다.
• EEGNet을 영감으로 삼아 깊이 있는 순수 ConvNet 기반 아키텍처인 EEGNeX를 설계하였으며, 스택된 딥웨이즈 분리형 1D 컨볼루션과 잔차 유사 연결을 통해 공간적 및 시간적 모델링 능력을 향상시켰다.
• 인과적 패딩과 확장형 컨볼루션을 적용하여 EEG 시계열 데이터의 시간 해상도를 유지하고 장거리 의존성을 포착하였다.
• 학습 안정성 향상과 과적합 방지를 위해 배치 정규화, ELU 활성화 함수, 드롭아웃(비율=0.5)을 사용하였다.
• 모든 모델에 동일한 훈련 프rotocol를 적용하였으며, 데이터 전처리(50Hz 노치 필터링, 63Hz 저역통과 필터링, 초기 250ms 제거), 일관성을 확보하기 위해 128Hz로 다운샘플링을 수행하였다.
• MOABB의 11개 운동 상상 데이터셋을 대상으로 10겹 교차검증을 통해 성능를 검증하였으며, EEGNeX를 최신 기술 모델 및 베이스라인 아키텍처와 비교하였다.

실험 결과

연구 질문

• RQ1 다양한 BCI 작업에서 원시 EEG 신호를 복원하는 데 있어 다양한 신경망 아키텍처의 일반화 능력은 어느 정도인가?
• RQ2 순수하게 ConvNet 기반 아키텍처인 EEGNeX는 하이브리드 RNN-CNN 모델에 비해 EEG 신호 동역학을 얼마나 잘 표현하는가?
• RQ3 확장형 컨볼루션과 깊이 분리형 컨볼루션과 같은 아키텍처 혁신이 EEG 복원 정확도를 크게 향상시킬 수 있는가?
• RQ4 EEGNeX는 다양한 EEG 데이터셋에서 기존 최신 기술 모델보다 통계적으로 유의미한 성능 향상을 달성하는가?
• RQ5 제안된 벤치마크 프레임워크는 EEG 복원 모델의 공정하고 재현 가능한 평가를 어떻게 가능하게 하는가?

주요 결과

• EEGNeX는 11개의 운동 상상 데이터셋에서 기존 최신 기술 모델 대비 평균 분류 정확도 향상(2.1–8.5%)을 달성하였으며, 모든 향상이 통계적으로 유의미함(p < 0.05).
• 1D ConvNet 기반 아키텍처가 CNN-LSTM1D 및 CNN-GRU1D와 같은 하이브리드 RNN-CNN 모델보다 우수한 성능을 보여, 순수 컨볼루션 설계가 EEG 표현 학습에 더 효과적임을 시사한다.
• EEGNeX의 확장형 컨볼루션은 모델 파라미터 수를 증가시키지 않으면서도 장거리 시간적 의존성을 더 잘 포착하여, 장시간 EEG 시퀀스에서 성능 향상을 이끌어냈다.
• EEGNeX의 깊이 분리형 컨볼루션은 파라미터 효율성과 일반화 능력을 향상시켰으며, 특히 공간적 및 채널 간 EEG 패턴 모델링에 유리하였다.
• 벤치마크 분석 결과, 수동적인 특징 엔지니어링이나 작업별 전처리에 의존하는 모델은 데이터셋 간 성능이 일관되지 않음을 확인하여, 엔드 투 엔드 표현 학습의 가치를 입증하였다.
• EEGNeX는 MI, ERP, SMR, ERN 작업을 포함한 다양한 EEG 데이터셋에서 강력한 일반화 능력을 보였으며, EEG 신호 특성의 도메인 이동에 대한 견고함을 확인하였다.