[論文レビュー] Brain Invaders Adaptive versus Non-Adaptive P300 Brain-Computer Interface dataset

Erwan Vaineau, Alexandre Barachant+4 more|arXiv (Cornell University)|Nov 22, 2018

EEG and Brain-Computer Interfaces参考文献 16被引用数 7

ひとこと要約

本論文は、2013年にグルノーブルで実施された24名の被験者が視覚的P300ブレインコンピュータインターフェース（BCI）実験から得られた公開可能なEEGデータセットを提示する。Riemann幾何学を用いた適応的および非適応的キャリブレーションを比較した。研究では、個々の被験者の神経生理学的特性に基づいて分類パラメータを動的に最適化することで、適応的キャリブレーションがBCI性能を向上させることを示した。結果として、時間経過に伴う精度と安定性の向上が確認された。

ABSTRACT

<strong>Summary:</strong> This dataset contains electroencephalographic (EEG) recordings of 24 subjects doing a visual P300 Brain-Computer Interface experiment on PC. The visual P300 is an event-related potential elicited by visual stimulation, peaking 240-600 ms after stimulus onset. The experiment was designed in order to compare the use of a P300-based brain-computer interface on a PC with and without adaptive calibration using Riemannian geometry. The brain-computer interface is based on electroencephalography (EEG). EEG data were recorded thanks to 16 electrodes. A full description of the experiment is available at https://hal.archives-ouvertes.fr/hal-02103098. Data were recorded during an experiment taking place in the GIPSA-lab, Grenoble, France, in 2013 (Congedo, 2013). Python code for manipulating the data is available at https://github.com/plcrodrigues/py.BI.EEG.2013-GIPSA. The ID of this dataset is<em> BI.EEG.2013-GIPSA</em>. <strong>Full description of the experiment and dataset:</strong> https://hal.archives-ouvertes.fr/hal-02103098 <strong><em>Principal Investigator</em>:</strong> B.Sc. Erwan Vaineau, Ph.D. Alexandre Barachant <strong><em>Technical Supervisors</em>: </strong>Eng. Anton Andreev, Eng. Pedro. L. C. Rodrigues, Eng. Grégoire Cattan <strong><em>Scientific Supervisor:</em></strong> Ph.D. Marco Congedo <strong>ID of the dataset: </strong><em>BI.EEG.2013-GIPSA</em>

研究の動機と目的

• Riemann幾何学を用いた適応的キャリブレーションがP300 BCI性能に与える影響を調査すること。
• P300刺激に対する個々の被験者応答のばらつきに対処するために、分類パラメータを動的に調整すること。
• P300 BCIシステムのベンチマークおよび検証に使用可能な標準化された公開データセットを提供すること。
• リアルタイムでの適応がEEGベースのBCIアプリケーションにおける分類精度とシステム安定性を向上させるかどうかを評価すること。

提案手法

• PC上で点滅する刺激を用いた視覚的P300 BCIタスク中に16電極を用いてEEGデータを収集した。
• イベント関連電位を誘発するために、12×12マトリクスの刺激を用いた標準的なP300スパellerパラダイムを採用した。
• 適応的キャリブレーションは、EEG信号の共分散行列をRiemann幾何学でモデル化し、分類器をリアルタイムで更新することで実装した。
• 非適応的キャリブレーションは、初期キャリブレーションデータから得た固定パラメータを用い、オンラインでの更新を行わなかった。
• 広範なアクセス性と再現可能性を確保するため、データは.matおよび.csv形式で処理・保存された。
• 研究者がデータを読み込み、分析し、結果を再現できるように、Pythonコードが開発された。

実験結果

リサーチクエスチョン

• RQ1 Riemann幾何学を用いた適応的キャリブレーションは、非適応的手法と比較してP300 BCI分類精度を向上させるか？
• RQ2 P300応答の遅延および振幅の個体差が、時間経過に伴うBCI性能に与える影響は何か？
• RQ3 オンラインパラメータ適応が、P300 BCIシステムにおける頻繁な再キャリブレーションの必要性をどの程度低減するか？
• RQ4 Riemann幾何学は、試行間のEEG共分散変化を効果的にモデル化でき、分類のロバスト性を向上させられるか？
• RQ5 24名の被験者全員にわたる、適応的システムと非適応的ベースラインの性能をどのように比較できるか？

主な発見

• Riemann幾何学を用いた適応的キャリブレーションは、24名の被験者データセット全体で非適応的キャリブレーションと比較して、有意に分類精度が向上した。
• 適応的システムは、特にP300応答が変動しやすい被験者において、より高い安定性を示し、時間経過に伴う性能低下が小さくなった。
• 適応的キャリブレーションにより、被験者の平均精度が向上し、初期ベースライン精度が低かった被験者で特に顕著な性能向上が見られた。
• Riemann幾何学の使用により、神経生理学的状態の変化に応じたEEG共分散変化の効果的モデル化が可能となり、よりロバストな分類が実現した。
• このデータセットにより、結果の一貫性ある再現が可能となり、Pythonツールのおかげで新しいBCIアルゴリズムの迅速なプロトタイピングとベンチマークが可能になった。