[논문 리뷰] Towards an Integrated Approach to Simultaneously Estimating the Frequency and Amplitude Modulations of SSVEP Signals from Consumer-grade EEG

Phairot Autthasan, Xiangqian Du외 6명|arXiv (Cornell University)|2018. 09. 19.

EEG and Brain-Computer Interfaces인용 수 1

한 줄 요약

이 연구는 소비자용 EEG에서 주파수 및 대trast에 따라 변하는 진폭 변조를 동시에 추정하기 위해 필터 백 캐논리컬 상관 분석(FBCCA)과 서포트 벡터 회귀(SVR)를 통합한 방법을 제안한다. 이 방법은 주파수 인식에서 높은 정확도를 달성하고 밝기 대비 변화에 따른 진폭 변화 예측에서 뛰어난 성능을 보이며, 실용적인 BCI 응용을 발전시킨다.

ABSTRACT

Brain-Computer interfaces (BCIs) play a significant role in easing neuromuscular patients on controlling computers and prosthetics. Due to their high signal-to-noise ratio, steady-state visually evoked potentials (SSVEPs) has been widely used to build BCIs. However, currently developed algorithms do not predict the modulation of SSVEP amplitude, which is known to change as a function of stimulus luminance contrast. In this study, we aim to develop an integrated approach to simultaneously estimate the frequency and contrast-related amplitude modulations of the SSVEP signal. To achieve that, we developed a behavioral task in which human participants focused on a visual flicking target which the luminance contrast can change through time in several ways. SSVEP signals from 16 subjects were then recorded from electrodes placed at the central occipital site using a low-cost, consumer-grade EEG. Our results demonstrate that the filter bank canonical correlation analysis (FBCCA) performed well in SSVEP frequency recognition, while the support vector regression (SVR) outperformed the other supervised machine learning algorithms in predicting the contrast-dependent amplitude modulations of the SSVEPs. These findings indicate the applicability and strong performance of our integrated method at simultaneously predicting both frequency and amplitude of visually evoked signals, and have proven to be useful for advancing SSVEP-based applications.

연구 동기 및 목표

• 기존의 SSVEP BCI 알고리즘이 자극의 밝기 대비 변화에 따라 발생하는 진폭 변조를 예측하지 못하는 격차를 보완하기 위해.
• 시각 자극 중에 동적으로 밝기 대비를 변화시켜 다양한 SSVEP 진폭 반응을 유도하기 위한 행동 과제를 개발하기 위해.
• 기계 학습 모델이 SSVEP 신호의 대비에 따라 변하는 진폭 변조를 예측하는 데 성능을 평가하기 위해.
• 소비자용 EEG를 사용하여 주파수 추정과 진폭 예측을 통합된 프레임워크로 통합하여 BCI 성능을 향상시키기 위해.

제안 방법

• 자극의 밝기 대비가 시간에 따라 변화하는 펄서링 시각적 목표를 집중하는 16명의 참가자로 행동 실험을 수행하였다.
• 저비용 소비자용 EEG 시스템을 사용하여 중심 후두부 전극 부위에서 SSVEP 신호를 기록하였다.
• 다양한 주파수 대역에서 SSVEP 반응의 주요 주파수를 추정하기 위해 필터 백 캐논리컬 상관 분석(FBCCA)을 적용하였다.
• 밝기 대비 변화에 기반하여 SSVEP 신호의 진폭 변조를 예측하기 위해 서포트 벡터 회귀(SVR)를 사용하였다.
• 진폭 예측을 위한 다른 지도 학습 기계 학습 알고리즘과 SVR의 성능을 비교하였다.
• FBCCA와 SVR을 통합하여 동시에 주파수 및 진폭 추정을 위한 유일한 파이프라인을 구축하였다.

실험 결과

연구 질문

• RQ1 소비자용 EEG를 사용할 때, 동적 대비 조절 조건에서 FBCCA는 SSVEP 신호의 주파수를 정확하게 추정할 수 있는가?
• RQ2 SSVEP 신호의 대비에 따라 변하는 진폭 변조를 예측하는 데 가장 우수한 성능를 보이는 기계 학습 모델은 무엇인가?
• RQ3 동적 밝기 대비 변화는 제어된 행동 과제에서 SSVEP 반응의 진폭에 어떤 영향을 미치는가?
• RQ4 통합된 접근법은 저비용 EEG에서 동시에 정확하게 SSVEP 주파수와 진폭을 추정할 수 있는가?

주요 결과

• FBCCA는 다양한 자극 주파수에서 SSVEP 신호의 주파수를 정확하게 인식하는 데 강력한 성능를 보였다.
• 서포트 벡터 회귀(SVR)는 밝기 대비 변화에 따른 SSVEP의 진폭 변조를 예측하는 데 다른 지도 학습 기계 학습 알고리즘보다 뛰어난 성능를 보였다.
• SSVEP 신호의 진폭은 자극의 밝기 대비 변화에 따라 유의미하게 변하였으며, 이는 진폭 인식이 필요한 이유를 확인시켰다.
• 통합된 FBCCA-SVR 접근법은 동시에 SSVEP 주파수와 대비에 따라 변하는 진폭 변조를 성공적으로 추정하는 데 기여하였다.
• 제안된 방법은 저비용 소비자용 EEG 하드웨어를 사용하여 효과적이고 적용 가능하며, 실생활에서의 BCI 실현 가능성을 높였다.
• 결과는 통합된 방법이 SSVEP 기반 뇌-컴퓨터 인터페이스의 강인성과 정확도를 향상시킬 잠재력을 입증하였다.