[논문 리뷰] Transfer Learning for Brain-Computer Interfaces: A Euclidean Space Data Alignment Approach

He He, Dongrui Wu|arXiv (Cornell University)|2018. 08. 08.

EEG and Brain-Computer Interfaces참고 문헌 43인용 수 6

한 줄 요약

이 논문은 뇌-컴퓨터 인터페이스(BCI)에서 에이전시 기반 EEG 기반 전이 학습을 위한 새로운 유클리드 공간 데이터 정렬(EA) 방법을 제안한다. 이 방법은 유클리드 공간에서 피험자 간의 원시 EEG 시험을 직접 정렬하여 피험자 간 변동성을 감소시킨다. 이 접근법은 정렬 이후 표준 신호 처리 및 기계 학습 파이프라인을 적용할 수 있으며, 리만 공간 방법보다 훨씬 빠른 계산 속도를 달성하고, 새로운 피험자로부터 레이블이 없는 데이터가 있어도 작동하여, 운동 상상 및 사건 관련 잠재적 작업에서 오프라인 및 시뮬레이티드 온라인 실험 모두에서 최신 기술보다 뛰어난 성능을 보인다.

ABSTRACT

Objective: This paper targets a major challenge in developing practical EEG-based brain-computer interfaces (BCIs): how to cope with individual differences so that better learning performance can be obtained for a new subject, with minimum or even no subject-specific data? Methods: We propose a novel approach to align EEG trials from different subjects in the Euclidean space to make them more similar, and hence improve the learning performance for a new subject. Our approach has three desirable properties: 1) it aligns the EEG trials directly in the Euclidean space, and any signal processing, feature extraction and machine learning algorithms can then be applied to the aligned trials; 2) its computational cost is very low; and, 3) it is unsupervised and does not need any label information from the new subject. Results: Both offline and simulated online experiments on motor imagery classification and event-related potential classification verified that our proposed approach outperformed a state-of-the-art Riemannian space data alignment approach, and several approaches without data alignment. Conclusion: The proposed Euclidean space EEG data alignment approach can greatly facilitate transfer learning in BCIs. Significance: Our proposed approach is effective, efficient, and easy to implement. It could be an essential pre-processing step for EEG-based BCIs.

연구 동기 및 목표

• EEG 기반 BCI 시스템에서 피험자 간 변동성 문제를 해결함으로써 전이 학습을 방해하고, 피험자 특화 校정 데이터를 다량 필요로 하는 문제를 해결한다.
• 기존 리만 공간 데이터 정렬 방법의 한계를 극복함: 높은 계산 비용과 새로운 피험자로부터의 레이블 데이터 의존성.
• 모든 EEG 신호 처리 및 기계 학습 파이프라인에 적용 가능한 일반적인 목적의 효율적이고 비지도 기반 데이터 정렬 기법을 개발한다.
• EEG 시험을 유클리드 공간에서 직접 정렬하여 BCI에서 효과적인 전이 학습을 가능하게 하고, 최소한의 또는 레이블이 없는 신규 사용자 데이터로도 분류 정확도를 향상시킨다.

제안 방법

• 다양한 피험자로부터의 EEG 시험을 공통 기준 공간으로 변환하는 유클리드 공간 데이터 정렬(EA) 방법을 제안하며, 이는 피험자 간 데이터를 통합하여 유도한 기준 행렬을 사용한다.
• 여러 원천 피험자로부터의 공분산 행렬의 평균으로 기준 행렬 $\bar{R}$ 을 구성하며, 이는 새로운 피험자 시험 정렬을 위한 공통 기준이 된다.
• 기준 행렬 $\bar{R}$ 의 제곱근의 역행렬을 사용하여 선형 변환을 적용함으로써, 새로운 피험자의 EEG 시험의 공분산 구조를 기준에 맞춘다.
• 정렬된 시험 데이터를 xDAWN 및 SVM과 같은 표준 기계 학습 모델, 또는 MDRM 기반 분류기의 입력으로 사용함으로써 기존 BCI 파이프라인과의 광범위한 호환성을 확보한다.
• 원천 피험자로부터의 레이블이 없는 데이터만을 기반으로 하여 비지도 기반으로 작동함으로써, 대상 피험자로부터의 레이블이 있는 시험 데이터가 필요 없도록 한다.
• 운동 상상 및 사건 관련 잠재적 데이터셋에 대한 오프라인 및 시뮬레이티드 온라인 실험을 통해 방법의 유효성을 검증하며, 리만 정렬(RA) 및 기준 방법과의 성능 비교를 수행한다.

실험 결과

연구 질문

• RQ1 새로운 피험자로부터의 레이블이 없는 데이터가 없더라도 유클리드 공간 데이터 정렬 방법이 EEG 기반 BCI에서 전이 학습 성능을 향상시킬 수 있는가?
• RQ2 최신 기술인 리만 공간 정렬(RA) 방법과 비교해 볼 때, 제안된 EA 방법은 성능과 계산 효율성 면에서 어떻게 비교되는가?
• RQ3 유클리드 공간에서 EEG 시험을 직접 정렬하면, 공간적(MI) 및 시간적(ERP) EEG 패턴에 대한 분류 정보를 유지하거나 향상시키는가?
• RQ4 EA는 EEG 데이터의 피험자 간 변동성을 어느 정도 감소시키며, 전이 학습에서의 악성 전이 현상을 완화하는가?

주요 결과

• 제안된 EA 방법은 운동 상상 및 ERP 데이터셋에 대한 오프라인 및 시뮬레이티드 온라인 분류 작업에서 모두 리만 공간 정렬(RA) 방법보다 뚜렷이 뛰어난 성능을 보였다.
• 모든 11명의 피험자에서 시뮬레이티드 온라인 ERP 분류 작업에서 EA는 RA-MDRM 및 xDAWN-SVM보다 높은 평균 BCA(Balanced Classification Accuracy)를 달성하였으며, 통계적으로 유의미한 향상(지표 < 0.01)을 보였다.
• 시뮬레이티드 온라인 ERP 분류 작업에서 EA-xDAWN-SVM은 평균 AUC 0.92를 기록하여, RA-MDRM(p = 0.0000) 및 xDAWN-SVM(p = 0.0191)보다 유의미하게 뛰어났다.
• EA 방법은 RA보다 수 차례 더 빠른 계산 속도를 보이며, 실시간 BCI 응용에 적합한 높은 계산 효율성을 입증하였다.
• 이 방법은 다양한 EEG 작업에서 효과적이었으며, MI 및 ERP 기반 BCI 파라다임 모두에서 일관된 성능 향상을 보였다.
• 강력한 전체 성능에도 불구하고 EA는 모든 피험자에서 분류 성능 향상을 보이지 않아, 개념 이동 또는 이질적 시험 데이터 등 잔여 과제가 존재함을 시사한다.