[논문 리뷰] Transfer Learning in Brain-Computer Interfaces

Vinay Jayaram, Morteza Alamgir외 3명|arXiv (Cornell University)|2015. 12. 01.

EEG and Brain-Computer Interfaces참고 문헌 41인용 수 118

한 줄 요약

이 논문은 뇌-컴퓨터 인터페이스(BCI)를 위한 새로운 전이 학습 프레임워크를 제안하며, 임의의 특징 공간에서 공유된 결정 경계 사전 분포를 학습함으로써 다양한 피실험자 및 세션 간 지식 전이를 가능하게 한다. 다중 작업 회귀 접근법과 융합된 희박성 정규화를 사용하여, 표준 데이터 풀링 및 사전 전이 방법보다도 운동 상상 및 ALS 환자 데이터에서 뛰어난 성능을 보이며, 뇌파 신호의 공유 구조를 활용해 최소한의 훈련 시도로 높은 정확도를 달성한다.

ABSTRACT

The performance of brain-computer interfaces (BCIs) improves with the amount of available training data, the statistical distribution of this data, however, varies across subjects as well as across sessions within individual subjects, limiting the transferability of training data or trained models between them. In this article, we review current transfer learning techniques in BCIs that exploit shared structure between training data of multiple subjects and/or sessions to increase performance. We then present a framework for transfer learning in the context of BCIs that can be applied to any arbitrary feature space, as well as a novel regression estimation method that is specifically designed for the structure of a system based on the electroencephalogram (EEG). We demonstrate the utility of our framework and method on subject-to-subject transfer in a motor-imagery paradigm as well as on session-to-session transfer in one patient diagnosed with amyotrophic lateral sclerosis (ALS), showing that it is able to outperform other comparable methods on an identical dataset.

연구 동기 및 목표

• 뇌파 신호 분포의 변동성으로 인한 BCI 성능 저하 문제를 해결하기 위해.
• 공간 필터링이나 도메인 적응에만 의존하지 않고 다양한 피실험자 및 세션 간 일반화가 가능한 전이 학습 방법을 개발하기 위해.
• 다양한 피실험자나 세션의 이전 데이터를 활용해 효율적이고 저지연의 BCI 캘리브레이션을 가능하게 하기 위해.
• 어떤 특징 공간이나 목적 함수와도 호환되는 융통성 있는 프레임워크를 제공해 새로운 BCI 파라다임에의 적응성을 높이기 위해.

제안 방법

• 다양한 피실험자나 세션 간에 공유되는 가중치 벡터의 사전 분포를 사용하여, 다중 작업 학습 프레임워크를 통해 결정 경계를 동시에 학습한다.
• 다양한 작업 간에 공유되는 공간적 및 주파수적 가중치 패턴을 유도하기 위해 융합된 희박성 유도 정규화(FD 회귀)를 도입한다.
• 계층적 베이지안 모델을 사용해 가중치 벡터의 사전 분포를 추론함으로써, 이전 피실험자로부터 새로운 피실험자로의 전이를 가능하게 한다.
• 반복 최적화 기법을 사용해 사전 분포와 작업별 특화된 가중치를 갱신하며, FD 정규화 덕분에 수렴 속도가 향상된다.
• 뇌파 특징에 대해 전극 선택에 제약이 없는 상태에서 운동 상상 및 새로운 인지적 BCI 파라다임에 모두 이 프레임워크를 적용한다.
• 결정 경계 공간에서의 공유된 구조를 모델링함으로써 피실험자 간 및 세션 간 전이 모두를 지원한다.

실험 결과

연구 질문

• RQ1 제한된 훈련 데이터로 인해 캘리브레이션 시간이 길어지는 상황에서, 전이 학습이 피실험자 및 세션 간 성능 향상에 기여할 수 있는가?
• RQ2 간단한 데이터 풀링 또는 도메인 적응과 비교해, 결정 경계 가중치에 대한 공유 사전 분포는 피실험자 간 및 세션 간 뇌파 변동성을 다루는 데 얼마나 효과적인가?
• RQ3 융합된 희박성 정규화를 갖춘 다중 작업 학습 프레임워크는 다양한 뇌파 특징 공간과 BCI 파라다임에 효과적으로 일반화될 수 있는가?
• RQ4 제안된 FD 회귀 방법은 고차원 뇌파 데이터에서 표준 다중 작업 학습보다 더 빠른 수렴 속도와 뛰어난 성능을 달성하는가?
• RQ5 이 프레임워크는 전체 피실험자 특화 캘리브레이션을 거치기 전에 새로운 BCI 파라다임을 신속하게 평가하는 데 얼마나 활용될 수 있는가?

주요 결과

• 제안된 프레임워크는 운동 상상 BCI에서 피실험자 간 전이 시 표준 데이터 풀링 및 사전 전이 방법보다 뛰어난 성능을 보였으며, 훨씬 적은 훈련 시도로도 유사하거나 높은 정확도를 달성했다.
• ALS 환자에서 세션 간 전이 시, 재훈련 최소화로도 높은 분류 정확도를 달성하여 장기적인 뇌파 신호 변동성에 대한 강건성을 입증했다.
• FD 회귀 변종은 추가 최적화 루프가 존재함에도 불구하고, 시도 수 대 대응 특징 수의 비율이 유리해 비-FD 대비 수십만 배 빠른 수렴 속도를 보였다.
• 고차원 뇌파 특징 공간에서도 뛰어난 성능을 보이며, 많은 특징이 분류에 기여하더라도 강건성을 유지함을 입증했다.
• 최적의 전극 위치나 신호 대역에 대한 사전 가정 없이도 효과적인 지식 전이가 가능해, 새로운 파라다임에의 적응성이 높아 보였다.
• 이 방법은 다른 목적 함수에도 확장 가능함이 입증되어, 테스트된 회귀 설정 외에도 넓은 적용 가능성을 보였다.