[論文レビュー] A New Generation of Brain-Computer Interface Based on Riemannian Geometry

Marco Congedo, Alexandre Barachant+1 more|arXiv (Cornell University)|Oct 30, 2013

EEG and Brain-Computer Interfaces参考文献 33被引用数 65

ひとこと要約

本論文は、EEG信号の分類を素早く、強固かつ一般化可能に行える、訓練不要の新しい脳-コンピュータインターフェース（BCI）フレームワークを、リーマン幾何学に基づいて提案する。EEGデータからの共分散行列の内在的リーマン構造を活用することで、最小限のキャリブレーションデータで高い性能を達成し、ERP、ムーリズム、SSEPを用いた次世代BCIの強力なベンチマークとなる。

ABSTRACT

Based on the cumulated experience over the past 25 years in the field of Brain-Computer Interface (BCI) we can now envision a new generation of BCI. Such BCIs will not require training; instead they will be smartly initialized using remote massive databases and will adapt to the user fast and effectively in the first minute of use. They will be reliable, robust and will maintain good performances within and across sessions. A general classification framework based on recent advances in Riemannian geometry and possessing these characteristics is presented. It applies equally well to BCI based on event-related potentials (ERP), sensorimotor (mu) rhythms and steady-state evoked potential (SSEP). The framework is very simple, both algorithmically and computationally. Due to its simplicity, its ability to learn rapidly (with little training data) and its good across-subject and across-session generalization, this strategy a very good candidate for building a new generation of BCIs, thus we hereby propose it as a benchmark method for the field.

研究の動機と目的

• BCIシステムにおける長年の課題である被験者間およびセッション間のばらつきに対処すること。
• 広範なユーザー固有のキャリブレーションを必要としないBCIフレームワークを開発すること。
• 使用開始後1分以内に、迅速かつ信頼性が高く一般化可能な性能を実現すること。
• ERP、ムーリズム、SSEPといった複数のBCIパラダイムに適用可能な統一的で数学的に根拠のある分類手法を提供すること。
• 計算の単純さと優れた一般化性能に基づき、BCI分野におけるベンチマーク手法を確立すること。

提案手法

• EEG信号を対称正定値（SPD）共分散行列として表現し、自然にリーマン多様体を形成する。
• アフィン不変リーマン計量を含むリーマン幾何学的手法を用いて、SPD多様体上での距離および平均を計算する。
• クラス条件付き共分散行列のリーマン平均を分類器の意思決定ルールとして使用する。
• 最小限のトレーニング戦略を実装：各クラスの初期化には数秒間のEEGデータのみが必要。
• 被験者に依存しないテンプレートを事前に用意されたデータベースからリモートで取得し、システムの初期化に活用する。
• 閉形式解と低次元多様体演算を活用して、計算効率を確保する。

実験結果

リサーチクエスチョン

• RQ1 BCIシステムが被験者固有のキャリブレーションなしに高い性能を達成できるか。
• RQ2 リーマン幾何学に基づくフレームワークは、異なる被験者やセッション間でどれほど一般化できるか。
• RQ3 BCI応用において、トレーニングデータの必要量をどの程度削減できるか。
• RQ4 同じフレームワークがERP、ムーリズム、SSEPといった多様なBCIパラダイムに効果的に適用可能か。
• RQ5 リーマンアプローチは、次世代BCI開発のベンチマークとして計算的に実行可能で十分に頑健か。

主な発見

• 提案されたリーマンフレームワークは、極めて少ないトレーニングデータで高い分類精度を達成し、被験者とのインタラクション開始後数秒で性能を発揮する。
• 被騟能力の高い一般化性能を示し、新しい被験者に適用しても再トレーニングなしで高い性能を維持する。
• セッション間での頑健性が顕著に向上し、再キャリブレーションなしで長期間にわたり一貫した性能を発揮する。
• 解析的単純性のおかげで、計算効率が高く、リアルタイムBCI応用に適している。
• 特にデータが少ない状況下で、従来の手法に比べて一般化性能と適応速度の両面で優れている。
• ERP、感覚運動、SSEPベースのBCIシステムに普遍的に適用可能であり、その広範な有用性を確認した。