[논문 리뷰] Understanding Brain Dynamics for Color Perception using Wearable EEG headband

Mahima Chaudhary, Sumona Mukhopadhyay외 3명|arXiv (Cornell University)|2020. 08. 17.

EEG and Brain-Computer Interfaces참고 문헌 26인용 수 8

한 줄 요약

이 연구는 웨어러블 Muse 2 헤드밴드로 촬영한 원시 EEG 신호에서 스펙트럼, 통계 및 상관 특징을 사용하여 빨간색, 초록색, 파란색 색소자극에 대한 뇌 반응을 구분하는 다중분류 모델을 제안한다. 전방 특징 선택과 랜덤 포레스트 분류기를 적용하여, 피험자 내 정확도가 80.6%에 도달하였으며, 이는 소비자용 EEG 기기로도 IoT 환경에서 뇌-컴퓨터 인터페이스 응용을 위한 색채 인식을 효과적으로 분류할 수 있음을 시사한다.

ABSTRACT

The perception of color is an important cognitive feature of the human brain. The variety of colors that impinge upon the human eye can trigger changes in brain activity which can be captured using electroencephalography (EEG). In this work, we have designed a multiclass classification model to detect the primary colors from the features of raw EEG signals. In contrast to previous research, our method employs spectral power features, statistical features as well as correlation features from the signal band power obtained from continuous Morlet wavelet transform instead of raw EEG, for the classification task. We have applied dimensionality reduction techniques such as Forward Feature Selection and Stacked Autoencoders to reduce the dimension of data eventually increasing the model's efficiency. Our proposed methodology using Forward Selection and Random Forest Classifier gave the best overall accuracy of 80.6\% for intra-subject classification. Our approach shows promise in developing techniques for cognitive tasks using color cues such as controlling Internet of Thing (IoT) devices by looking at primary colors for individuals with restricted motor abilities.

연구 동기 및 목표

• 소비자용 EEG 하드웨어를 사용하여 주요 색상에 대한 뇌 반응을 분류하는 저비용 웨어러블 BCI 시스템을 개발하기 위해.
• 웨이브릿 변환된 EEG 신호의 스펙트럼, 통계 및 상관 특징이 원시 신호에 비해 분류 정확도를 향상시키는지 조사하기 위해.
• 차원 축소 기법인 전방 특징 선택 및 스택드 오토인코더가 모델 효율성과 성능 향상에 얼마나 효과적인지 평가하기 위해.
• 기계 학습 모델을 사용하여 색채 인식에 대한 피험자 간 및 피험자 내 분류 성능을 비교하기 위해.
• 운동 장애가 있는 개인이 색상 기반 뇌 신호를 사용하여 IoT 제어를 실현할 수 있도록 실용적 응용을 가능하게 하기 위해.

제안 방법

• 빨간색, 초록색, 파란색 색소자극 노출 중에 네 채널의 Muse 2 웨어러블 헤드밴드로부터 원시 EEG 신호를 촬영하였다.
• 연속 모레트 웨이브릿 변환을 사용하여 알파(8–13 Hz) 및 베타(13–30 Hz) 주파수 대역의 밴드 파wer를 추출하기 위해 신호를 사전 처리하였다.
• 웨이브릿 변환된 밴드 파워에서 스펙트럼 파wer, 파워의 분산, 쌍별 상관관계 특징 및 통계 특징(예: 평균, 첨도)을 추출하였다.
• 모델 효율성을 향상시키기 위해 차원 축소를 위해 전방 특징 선택(감독형)과 스택드 오토인코더(비감독형)를 적용하였다.
• 차원 축소된 특징 집합에서 KNN, SVM, 로지스틱 회귀, 랜덤 포레스트, 신경망, 기울기 부스팅 등 다양한 기계 학습 모델을 훈련 및 평가하였다.
• 운동 아티팩트를 최소화하고 색소자극에 대한 임시 반응을 고립하기 위해 200ms 시간 창을 최적화하여 모델 성능을 향상시켰다.

실험 결과

연구 질문

• RQ1 RGB 색소자극에 의해 유도된 네 채널 웨어러블 헤드밴드의 EEG 신호를, EEG의 통계적, 스펙트럼적 및 상관적 성질을 고려한 특징에 기반해 기계 학습 모델을 훈련시켜 구분할 수 있는가?
• RQ2 전방 특징 선택 및 오토인코더와 같은 특징 축소 기법이 EEG 분류를 위한 기계 학습 알고리즘의 효율성을 향상시킬 수 있는가?
• RQ3 기계 학습 알고리즘의 성능이 피험자 간 및 피험자 내 분류에서 다를 수 있는가?
• RQ4 고급 특징 엔지니어링과 기계 학습을 활용해 소비자용 웨어러블 EEG 기기로 색채 인식에 대해 높은 분류 정확도를 달성할 수 있는가?

주요 결과

• 전방 특징 선택을 적용한 랜덤 포레스트 모델이 가장 높은 피험자 내 분류 정확도 80.6%를 기록하였다.
• 최고의 피험자에서 스택드 오토인코더 처리된 특징을 사용한 기울기 부스팅 모델의 AUC-ROC 스코어는 0.730에 도달하여 강력한 분류 성능을 보였다.
• 피험자 간 분류 정확도는 39.8%로 낮아져 색소자극에 대한 EEG 반응에서 상당한 개인 간 변동성이 있음을 시사한다.
• 특히 피험자 내 분류에서 전방 특징 선택이 스택드 오토인코더보다 모델 정확도 및 효율성 향상에서 뛰어난 성능을 보였다.
• 전방 특징 선택을 적용한 랜덤 포레스트 모델은 평균적으로 F1 스코어 0.510과 MCC 0.225를 기록하여 중간에서 양호한 성능을 보였다.
• 본 연구는 네 채널 소비자용 EEG 기기(Muse 2)가 고전압 전극 의료 기기와 유사한 성능을 내며, 80.6%의 정확도로 높은 성능을 달성할 수 있음을 입증하였다. 이는 이전의 네 채널 연구(58%)를 뛰어넘고, 14채널 시스템의 결과(79.6%)에 가까워지고 있다.