[论文解读] An Ensemble Learning Based Classification of Individual Finger Movement from EEG

Sutanu Bera, Rinku Roy+2 more|arXiv (Cornell University)|Mar 25, 2019

EEG and Brain-Computer Interfaces参考文献 38被引用 5

一句话总结

本研究提出一种集成学习方法，结合通用空间模式（CSP）与误差校正输出编码（ECOC）扩展的额外树分类器，从非侵入性脑电图（EEG）中解码单个手指运动（拇指、食指、中指）。该方法在区分单指运动与静息状态时平均分类准确率达74%，在多类解码中最大Cohen's kappa值为0.36，证明了其在神经假体和康复领域高灵巧度脑机接口应用中的可行性。

ABSTRACT

Brain computer interface based assistive technology are currently promoted for motor rehabilitation of the neuromuscular ailed individuals. Recent studies indicate a high potential of utilising electroencephalography (EEG) to extract motor related intentions. Limbic movement intentions are already exhaustively studied by the researchers with high accuracy rate. But, capturing movement of fingers from EEG is still in nascent stage. In this study, we have proposed an ensemble learning based approach for EEG in distinguishing between movements of different fingers, namely, thumb, index, and middle. Six healthy subjects participated in this study. Common spatial patterns (CSP) were extracted as features to classify with the extra tree or extremely randomized tree binary classifier. The average classification accuracy of decoding a finger from rest condition was found to be $74\%$, wheres in discriminating of movement of pair of fingers average accuracy was $60\%$. Furthermore, error correcting output coding (ECOC) was added to the binary classifier to use it in multiclass classification. The proposed algorithm achieved a maximum kappa value of 0.36 among the subjects.

研究动机与目标

• 开发一种多类分类框架，用于从非侵入性EEG信号中解码单个手指运动。
• 通过应用通用空间模式（CSP）进行特征提取，解决EEG中信噪比低的挑战。
• 利用集成学习结合额外树分类器与ECOC技术，提升精细运动任务的分类性能，实现多类解码。
• 探究受试者在感知手指运动难度较高时是否表现出更高的解码准确率，以验证心理准备在信号强度中的作用。
• 评估使用22通道EEG区分单个手指运动与手指对运动的可行性。

提出的方法

• 应用通用空间模式（CSP）提取空间滤波的EEG特征，以提高信噪比并最大化类间方差。
• 在配对手指运动与静息状态条件下，使用额外树分类器进行二分类。
• 采用误差校正输出编码（ECOC）将二分类额外树分类器扩展为三指运动的多类分类。
• ECOC策略使用最大汉明距离为3的码书，可纠正最多两个错误的二分类预测。
• 将EEG数据分段为2 Hz频率带，并分析α波段（8–12 Hz）和β波段（13–30 Hz）的事件相关去同步化（ERD），作为运动意图的指标。
• 通过六名健康受试者的准确率和Cohen's kappa统计量评估分类性能。

实验结果

研究问题

• RQ1 能否利用集成学习技术可靠地从非侵入性EEG中解码单个手指运动（拇指、食指、中指）？
• RQ2 单指运动与静息状态的分类准确率与指对运动相比如何？
• RQ3 手指运动感知难度是否与解码准确率相关，提示心理准备在信号强度中的作用？
• RQ4 ECOC增强的额外树分类器在有限EEG导联条件下，能在多大程度上提升手指运动的多类解码性能？
• RQ5 运动皮层中手指表征的空间重叠是否构成使用22通道EEG解码准确率的限制因素？

主要发现

• 区分单个手指运动与静息状态的平均分类准确率为74%，表明非侵入性EEG在精细运动解码中具有很强的可行性。
• 区分手指对运动的平均准确率为60%，表明多类区分任务复杂度更高。
• 多类解码中达到的最大Cohen's kappa值为0.36，表明存在中等到显著的分类一致性，超出随机水平。
• 报告特定手指抬起更困难的受试者，其对应手指的解码准确率更高，提示心理努力与信号振幅之间存在关联。
• 研究发现，更强的事件相关去同步化（ERD）——反映更强的心理准备——可能增强EEG信号的可检测性，尤其在运动障碍个体中更为显著。
• 结果表明，由于运动皮层中手指表征存在高度空间重叠，增加电极密度可显著提升分类准确率。