[论文解读] Adversarial Feature Learning in Brain Interfacing: An Experimental Study on Eliminating Drowsiness Effects

Ozan Özdenizci, Barry Oken+3 more|arXiv (Cornell University)|Jul 22, 2019

EEG and Brain-Computer Interfaces参考文献 25被引用 3

一句话总结

本文提出对抗性不变特征学习方法，以减少基于EEG的BCI拼写器系统中由困倦引起的变异性。通过使用对抗性网络训练CNN以抑制记录时段（困倦）信息，该方法实现了对困倦不敏感的EEG特征，从而在BCI解码性能上取得统计显著的AUC提升（平均80.7% vs. 非对抗性模型的78.6%）。

ABSTRACT

Across- and within-recording variabilities in electroencephalographic (EEG) activity is a major limitation in EEG-based brain-computer interfaces (BCIs). Specifically, gradual changes in fatigue and vigilance levels during long EEG recording durations and BCI system usage bring along significant fluctuations in BCI performances even when these systems are calibrated daily. We address this in an experimental offline study from EEG-based BCI speller usage data acquired for one hour duration. As the main part of our methodological approach, we propose the concept of adversarial invariant feature learning for BCIs as a regularization approach on recently expanding EEG deep learning architectures, to learn nuisance-invariant discriminative features. We empirically demonstrate the feasibility of adversarial feature learning on eliminating drowsiness effects from event related EEG activity features, by using temporal recording block ordering as the source of drowsiness variability.

研究动机与目标

• 解决BCI系统中因困倦和警觉性波动导致的会话内EEG变异性问题。
• 开发一种正则化方法，以学习对困倦不敏感的EEG特征，提升跨记录时段的泛化能力。
• 证明对抗性特征学习在消除EEG基事件相关电位检测中干扰变异性方面的可行性。
• 在长时间会话中无需重新校准的情况下，提升BCI解码的鲁棒性。

提出的方法

• 将时间记录时段用作EEG数据中困倦水平的离散化代理。
• 使用对抗性头训练基于CNN的EEG特征提取器，以最小化关于时段ID（干扰变量）的信息。
• 通过损失函数施加对抗性正则化，惩罚模型通过特征泄露时段ID信息的行为。
• 使用超参数λ优化任务判别能力（ERP vs. 非ERP）与困倦不变性之间的权衡。
• 利用判别器网络在验证集上的性能来调整λ，确保有效抑制与困倦相关的特征。
• 使用测试数据的ROC曲线下面积（AUC）评估解码性能，并对比对抗性与非对抗性模型。

实验结果

研究问题

• RQ1 对抗性特征学习能否有效抑制从ERP基BCI拼写器数据中提取的EEG特征中的困倦相关变异性？
• RQ2 在警觉状态波动存在的情况下，对抗性正则化在多大程度上提升了BCI解码性能？
• RQ3 对抗性正则化强度（由λ控制）如何影响判别能力与困倦不变性之间的平衡？
• RQ4 即使困倦水平随时间变化，所学习的特征表示在不同受试者和记录时段之间是否仍具鲁棒性？

主要发现

• 对抗性特征学习显著降低了判别器从学习特征中解码时段ID的能力，时段ID准确率从λ=0时的48.8%降至λ=0.1时的38.2%（平均）。
• 使用对抗性特征（λ=0.01）时，跨受试者的AUC平均达到80.7%，而非对抗性模型（λ=0）为78.6%，且具有统计显著性（p < 0.0002）。
• AUC的提升在个体受试者中保持一致，19名受试者中有18名在对抗性训练下表现出更高的AUC。
• 更强的对抗性正则化（更高的λ）导致收益递减，并可能在判别性能上产生权衡，表明存在最优平衡点。
• 该方法表明深度神经网络可利用EEG中与困倦相关的时序模式（最高达93%的信息泄漏），而对抗性训练能有效抑制这些模式。
• 该方法具有可泛化性，适用于任何需要对困倦或会话日期等干扰变量保持不变的EEG基BCI或深度学习特征提取流程。