[論文レビュー] Embedding Decomposition for Artifacts Removal in EEG Signals

Junjie Yu, Chenyi Li+3 more|arXiv (Cornell University)|Dec 2, 2021

EEG and Brain-Computer Interfaces被引用数 5

ひとこと要約

本稿では、エンコーダ・デコーダアーキテクチャに専用のデコンポジションモジュールを備えた埋め込み空間での学習により、EEGからのアーティファクトを分離するためのディーブラーニングフレームワーク、DeepSeparatorを提案する。半合成および実際のEEGデータの両方において、EOGおよびEMGアーティファクトの除去において従来手法を上回り、明示的なアーティファクト抽出により解釈可能性が向上している。

ABSTRACT

Electroencephalogram (EEG) recordings are often contaminated with artifacts. Various methods have been developed to eliminate or weaken the influence of artifacts. However, most of them rely on prior experience for analysis. Here, we propose an deep learning framework to separate neural signal and artifacts in the embedding space and reconstruct the denoised signal, which is called DeepSeparator. DeepSeparator employs an encoder to extract and amplify the features in the raw EEG, a module called decomposer to extract the trend, detect and suppress artifact and a decoder to reconstruct the denoised signal. Besides, DeepSeparator can extract the artifact, which largely increases the model interpretability. The proposed method is tested with a semi-synthetic EEG dataset and a real task-related EEG dataset, suggesting that DeepSeparator outperforms the conventional models in both EOG and EMG artifact removal. DeepSeparator can be extended to multi-channel EEG and data of any length. It may motivate future developments and application of deep learning-based EEG denoising. The code for DeepSeparator is available at https://github.com/ncclabsustech/DeepSeparator.

研究の動機と目的

• EEGにおけるアーティファクト汚染、特にEOGおよびEMGアーティファクトによる信号品質の低下と解析精度の低下という課題に対処すること。
• 事前仮定や線形変換、外部リファレンス信号に依存する従来手法の限界を克服すること。
• 手動でのアーティファクト固有フィルタ設計を必要とせず、高い解釈可能性と一般化能力を備えたEEGノイズ除去のためのディープラーニングモデルを開発すること。
• 信号対ノイズ比やデータ長の変動に関係なく、神経信号の完全性を保ちながらエンドツーエンドで自動的にアーティファクトを除去できる仕組みを実現すること。
• 将来的なBCIや臨床神経科学分野への応用を想定し、単一チャネルおよびマルチチャネルEEGに応用可能でスケーラブルかつ柔軟なフレームワークを提供すること。

提案手法

• DeepSeparatorは、エンドツーエンドアーキテクチャを採用し、3つの主要なモジュールで構成される：原始EEG信号から特徴を抽出・強調するエンコーダ、埋め込み空間でアーティファクトを検出・抑制するデコンポジションモジュール、ノイズ除去済み信号を再構築するデコーダ。
• 本モデルは、外部リファレンス信号を必要とせず、原始EEG、EOG、EMG信号を同時に組み込むことで、ネットワークがアーティファクトの内在的特徴を学習できる、新規な訓練戦略を採用している。
• デコンポジションモジュールは学習された埋め込み空間で動作するため、ICAなどの線形手法に比べて非線形な分離が可能となり、性能が向上する。
• フレームワークはマルチチャネルEEGにスケーラブルであり、任意長の入力信号をサポートするため、多様なEEGデータセットへの応用が可能である。
• モデルの解釈可能性は、潜在空間における明示的なアーティファクト成分の抽出により向上しており、その成分は可視化および分析が可能である。
• 訓練プロセスは完全に教師ありであり、手動によるしきい値設定やアーティファクトのスペクトル的・時間的プロファイルに関する事前仮定を必要としない。

実験結果

リサーチクエスチョン

• RQ1 事前仮定やリファレンス信号に依存せずに、ディーブラーニングモデルがEEGにおけるEOGおよびEMGアーティファクトを神経信号から効果的に分離できるか。
• RQ2 提案されたDeepSeparatorフレームワークは、ICA、EMD、CCAといった従来手法と比較して、アーティファクト除去タスクでどの程度優れた性能を示すか。
• RQ3 潜在空間における明示的なアーティファクト抽出により、標準的なディープラーニングモデルと比較して、モデルの解釈性はどの程度向上するか。
• RQ4 DeepSeparatorは、信号対ノイズ比の変動や、半合成および実際のタスク関連EEGデータの種類にかかわらず、どの程度の耐障害性を示すか。
• RQ5 マルチチャネルEEGおよび任意長の信号に対しても、高いノイズ除去性能と低い計算コストを維持しながら、フレームワークを拡張可能か。

主な発見

• DeepSeparatorは、半合成および実際のEEGデータの両方において、ICA、EMD、CCAといった従来手法を著しく上回り、EOGおよびEMGアーティファクトの除去性能に優れている。
• 複数の信号対ノイズ比（SNR）レベルにおいて優れたノイズ除去性能を達成しており、ノイズの強い環境下でも耐障害性を示している。
• デコンポジションモジュールは、埋め込み空間でアーティファクトを効果的に検出し抑制しており、可視化分析によりエンコーダが関連する信号特徴を強調しているのに対し、デコーダがクリーンな神経活動を再構築していることが確認されている。
• フレームワークはアーティファクト成分の明示的抽出を可能としており、ブラックボックス型ディープラーニングモデルと比較してモデルの解釈性が向上している。
• DeepSeparatorは単一チャネルEEGでも高い性能を維持でき、マルチチャネルデータへのスケーラビリティも確保しており、任意長の入力に対応可能である。
• 一方で、本モデルは特にEMGに汚染された信号において高周波成分を抑制する傾向を示しており、将来的には高周波成分の保持を改善する必要がある。