[論文レビュー] EEG-based Brain-Computer Interfaces (BCIs): A Survey of Recent Studies on Signal Sensing Technologies and Computational Intelligence Approaches and their Applications

Xiaotong Gu, Zehong Cao+5 more|arXiv (Cornell University)|Jan 28, 2020

EEG and Brain-Computer Interfaces被引用数 26

ひとこと要約

本稿は2015–2019年の間のEEGベースの脳インターフェース（BCI）に関する包括的サーベイを提供しており、ドライセンサ技術、ウェアラブルデバイス、信号強化、およびディープラーニング、トランスファーラーニング、解釈可能なファジーモデルなどのコンピュータインテリジェンス手法の進展をレビューしている。これらの技術が認知状態のモニタリングおよびパフォーマンストラッキングをどのように向上させるかを示しており、特に左側頭部および右側頭部のEEGデータを用いた抑うつ状態と正常な状態を分類する際の正確性が93.5%および96.0%に達したという重要な結果を示している。

ABSTRACT

Brain-Computer Interface (BCI) is a powerful communication tool between users and systems, which enhances the capability of the human brain in communicating and interacting with the environment directly. Advances in neuroscience and computer science in the past decades have led to exciting developments in BCI, thereby making BCI a top interdisciplinary research area in computational neuroscience and intelligence. Recent technological advances such as wearable sensing devices, real-time data streaming, machine learning, and deep learning approaches have increased interest in electroencephalographic (EEG) based BCI for translational and healthcare applications. Many people benefit from EEG-based BCIs, which facilitate continuous monitoring of fluctuations in cognitive states under monotonous tasks in the workplace or at home. In this study, we survey the recent literature of EEG signal sensing technologies and computational intelligence approaches in BCI applications, compensated for the gaps in the systematic summary of the past five years (2015-2019). In specific, we first review the current status of BCI and its significant obstacles. Then, we present advanced signal sensing and enhancement technologies to collect and clean EEG signals, respectively. Furthermore, we demonstrate state-of-art computational intelligence techniques, including interpretable fuzzy models, transfer learning, deep learning, and combinations, to monitor, maintain, or track human cognitive states and operating performance in prevalent applications. Finally, we deliver a couple of innovative BCI-inspired healthcare applications and discuss some future research directions in EEG-based BCIs.

研究の動機と目的

• 2015年から2019年までのEEG信号センシング技術およびBCIにおけるコンピュータインテリジェンス手法の最近の進展を体系的に要約すること。
• 信号の安定性、分類精度、複雑な環境下での耐性といった点で、実世界でのBCIの実用性を制限する主な課題を特定すること。
• ウェアラブルドライセンサ、トランスファーラーニング、ディープラーニングなどの新興技術の統合が、BCI性能をどのように向上させるかを検討すること。
• 特に精神的健康状態の監視および補助技術分野におけるEEGベースのBCIの革新的な医療応用を強調すること。
• ハイブリッドBCIシステム、敵対的耐性、AR統合型BCIを含む今後の研究方向性を提示すること。

提案手法

• 2015年から2019年にかけて発表された150件以上の研究を対象とした体系的文献レビューを実施し、EEGベースのBCIの信号センシングおよびコンピュータインテリジェンスに焦点を当てた。
• 信号品質とユーザー快適性の向上を目的として、ポリマー系マルチチャネル電極およびワイヤ埋込シリコンベースドライ接触センサ（WSBDSs）を含むドライセンサ技術をレビューした。
• 特に実環境下での条件下でも有効なアーチファクト除去およびEEG品質向上のための信号強化技術を評価した。
• 畳み込みニューラルネットワーク（CNNs）、再帰ニューラルネットワーク（RNNs）などのディープラーニング、トランスファーラーニング（TL）、ドメイン適応、解釈可能なファジーモデルを含むコンピュータインテリジェンス手法を分析し、認知状態分類に用いた。
• EEGに他の生理的信号やARインターフェースを統合したハイブリッドBCIシステムを検討し、分類精度と実用性の向上を図った。
• EEG-BCIにおけるディープラーニングモデルが敵対的攻撃に対して脆弱であることが判明し、臨床的およびリアルタイム応用において堅牢な防御機構の必要性を提起した。

実験結果

リサーチクエスチョン

• RQ1 ドライセンサおよびウェアラブルEEGデバイス技術は、実世界のBCI応用において信号品質とユーザー快適性をどのように向上させてきたか？
• RQ2 認知状態分類に用いる際、ディープラーニング、トランスファーラーニング、解釈可能なファジーモデルなどの効果的なコンピュータインテリジェンス手法は何か？
• RQ3 EEGに他の信号やARインターフェースを統合したハイブリッドBCIシステムは、性能および実用性をどのように向上させるか？
• RQ4 信号の安定性、精度、耐性の観点から、実世界でのEEGベースのBCIの展開を制限する主な課題は何か？
• RQ5 EEG-BCIにおけるディープラーニングモデルに対する新たな脅威、たとえば敵対的攻撃は、どのように緩和できるか？

主な発見

• ポリマー系マルチチャネル電極およびワイヤ埋込シリコンベースドライ接触センサ（WSBDSs）を含むドライセンサ技術は、EEG信号品質とユーザー快適性を顕著に向上させた。接触圧力および加圧力が記録の忠実性に影響することが示された。
• 柔軟性、柔ららかさ、可撓性に優れたセンサ設計（例：アセリカルWBSDSsに埋め込まれた銅線を用いたもの）は、毛髪のある頭皮領域への応用において強く実現可能性を示した。
• 左側頭部および右側頭部のEEG信号を用いた抑うつ状態と正常状態の分類において、93.5%および96.0%の分類正確性が達成された。これは、抑うつ状態における右側頭部の過活動理論を支持する結果であった。
• トランスファーラーニングおよびディープトランスファーラーニング（DTL）手法により、被験者やタスク間で特徴量やモデルを転送することで、モデルの汎化性能と学習効率が向上した。
• EEGに他の生理的信号やARインターフェース（例：SSVEP刺激を備えたスマートグラス）を統合したハイブリッドBCIシステムは、実世界のシナリオにおいて分類正確性と実用性の両方を向上させた。
• EEG-BCIにおけるディープラーニングモデルは敵対的攻撃に対して脆弱であることが判明し、臨床的およびリアルタイム応用において堅牢な防御戦略の構築が急務であることが示された。