[論文レビュー] Comparison of the P300 detection accuracy related to the BCI speller and image recognition scenarios

Sarvnaz Karimi, Amirmohammad Mijani+2 more|arXiv (Cornell University)|Dec 24, 2019

EEG and Brain-Computer Interfaces参考文献 22被引用数 4

ひとこと要約

本研究では、EEG信号を用いた脳-コンピュータインターフェース（BCI）スパellerと画像認識の状況において、P300検出精度を比較した。P300パターンは、BCIスパellerパラダイムと比較して、画像認識タスクにおいてより分離可能であることが示され、SVM、ベイズLDA、スパースロジスティック回帰の3つの分類器を用いて、4、8、16のチャンネル数および試行回数の変動において、高い分類精度が達成された。

ABSTRACT

There are several protocols in the Electroencephalography (EEG) recording scenarios which produce various types of event-related potentials (ERP). P300 pattern is a well-known ERP which produced by auditory and visual oddball paradigm and BCI speller system. In this study, P300 and non-P300 separability are investigated in two scenarios including image recognition paradigm and BCI speller. Image recognition scenario is an experiment that examines the participants, knowledge about an image that shown to them before by analyzing the EEG signal recorded during the observing of that image as visual stimulation. To do this, three types of famous classifiers (SVM, Bayes LDA, and sparse logistic regression) were used to classify EEG recordings in six classes problem. Filtered and down-sampled (temporal samples) of EEG recording were considered as features in classification P300 pattern. Also, different sets of EEG recording including 4, 8 and 16 channels and different trial numbers were used to considering various situations in comparison. The accuracy was increased by increasing the number of trials and channels. The results prove that better accuracy is observed in the case of the image recognition scenario for the different sets of channels and by using the different number of trials. So it can be concluded that P300 pattern which produced in image recognition paradigm is more separable than BCI (matrix speller).

研究の動機と目的

• BCIスパellerと画像認識の2つの異なるEEGベースの状況におけるP300イベント関連電位の検出可能性を評価・比較すること。
• EEGチャンネル数と試行回数が両パラダイムにおけるP300分類精度に与える影響を調査すること。
• SVM、ベイズLDA、スパースロジスティック回帰という3つの広く用いられる分類器が、これらの2つの実験設定におけるP300検出に与える性能を評価すること。

提案手法

• 視覚刺激下でのEEG信号収録を、BCIスパellerマトリクスの活性化と、事前に提示された画像の認識の2つの状況で実施した。
• 信号前処理にはフィルタリングと時間的ダウンサンプリングを実施し、分類に適した特徴を抽出した。
• P300対非P300反応を分類するために、サポートベクターマシン（SVM）、ベイズ推定を用いた線形判別分析（LDA）、スパースロジスティック回帰の3つの分類器を適用した。
• 4、8、16のEEGチャンネル数と、試行回数の変動を含む複数の構成で性能を評価した。
• 両状況において、分類精度を主な性能指標として測定した。
• 分析は、分類器がP300イベントと非P300イベントをどれだけ明確に分離できるかというP300パターンの分離性に焦点を当てた。

実験結果

リサーチクエスチョン

• RQ1 BCIスパellerと画像認識のEEGパラダイムにおけるP300検出精度は、どのように異なるか？
• RQ2 EEGチャンネル数を増加させることで、両状況におけるP300分類精度はどの程度向上するか？
• RQ3 試行回数の増加が、2つの実験的文脈におけるP300反応の分離性にどのように影響するか？
• RQ4 SVM、ベイズLDA、スパースロジスティック回帰のうち、どの分類器が両パラダイムにおいてP300と非P300イベントを最も効果的に区別できるか？
• RQ5 従来のBCIスパellerシステムと比較して、画像認識タスクにおけるP300応答は、より信頼性高く検出可能か？

主な発見

• 4、8、16のチャンネル数すべてにおいて、画像認識状況でのP300検出精度が、BCIスパellerパラダイムよりも一貫して高かった。
• 両状況において、EEGチャンネル数の増加に伴い精度が向上したが、画像認識状況での向上幅が顕著に大きかった。
• 試行回数の増加により分類性能が顕著に向上し、特に画像認識状況では、より多くの試行回数が使用された際、最高の精度が得られた。
• SVM、ベイズLDA、スパースロジスティック回帰の組み合わせにより、強固な分類結果が得られたが、すべての条件下で一貫して優れた性能を示す分類器は存在しなかった。
• 画像認識中に誘発されたP300パターンは、BCIスパeller状況におけるP300と比較して、非P300応答からより明確に分離可能であり、より強固な神経的サインであることが示された。
• 結果から、画像認識タスクは、P300ベースの脳-コンピュータインタラクションに適した、より良好な信号対雑音比環境を提供する可能性があると示唆された。