[論文レビュー] Functional Connectivity Methods for EEG-based Biometrics on a Large, Heterogeneous Dataset

Pradeep G. Kumar, Utsav Dutta+2 more|arXiv (Cornell University)|Jun 3, 2022

EEG and Brain-Computer Interfaces被引用数 4

ひとこと要約

本研究は、ガンマ帯（30–45 Hz）における位相ロック値（PLV）を用いた機能的結合（FC）ベースのEEGバイオメトリクス手法を提案する。3つの異なるEEGシステムおよびプロトコルで構成される多様なデータセット（184名の被験者）を用いて、56チャンネルで97.4%の識別精度を達成した。21チャンネルに削減しても精度が2.4%低下するにとどまり、さまざまな記録条件においても高い耐性と優れた識別能を示した。

ABSTRACT

This study examines the utility of functional connectivity (FC) and graph-based (GB) measures with a support vector machine classifier for use in electroencephalogram (EEG) based biometrics. Although FC-based features have been used in biometric applications, studies assessing the identification algorithms on heterogeneous and large datasets are scarce. This work investigates the performance of FC and GB metrics on a dataset of 184 subjects formed by pooling three datasets recorded under different protocols and acquisition systems. The results demonstrate the higher discriminatory power of FC than GB metrics. The identification accuracy increases with higher frequency EEG bands, indicating the enhanced uniqueness of the neural signatures in beta and gamma bands. Using all the 56 EEG channels common to the three databases, the best identification accuracy of 97.4% is obtained using phase-locking value (PLV) based measures extracted from the gamma frequency band. Further, we investigate the effect of the length of the analysis epoch to determine the data acquisition time required to obtain satisfactory identification accuracy. When the number of channels is reduced to 21 from 56, there is a marginal reduction of 2.4% only in the identification accuracy using PLV features in the gamma band. Additional experiments have been conducted to study the effect of the cognitive state of the subject and mismatched train/test conditions on the performance of the system.

研究の動機と目的

• 大規模で多様なデータセットを用いたEEGバイオメトリクス識別における機能的結合（FC）およびグラフベース（GB）指標の性能を評価すること。
• 特に高周波帯（ベータおよびガンマ帯）に注目し、EEG周波数帯域が識別精度に与える影響を評価すること。
• エポック長およびEEGチャンネル数がシステム性能に与える影響を調査すること。
• 訓練／テスト条件の不一致および異なる認知状態下でのシステムの耐性を検証すること。
• 従来の単変量特徴（AR係数やパワースペクトル密度など）と比較して、FCベースの特徴がバイオメトリクス識別タスクにおいてどのように優れているかを検討すること。

提案手法

• すべてのEEG電極ペア間で、機能的結合（FC）指標として位相ロック値（PLV）、アモルティッドエンベロープ相関、重み付き位相遅延インデックスを計算した。
• SVM分類器（径路基底関数（RBF）カーネルを用いて）を用いて、FC特徴ベクトルに基づく被験者識別を実施した。
• 異なる収集システムおよびプロトコルで記録された3つの異なるデータセットから得られた184名の被験者データを統合して分析を行った。
• データ収集時間の要件を評価するため、1秒から10秒までのさまざまな長さのエポックに分割して特徴抽出を実施した。
• スケーラビリティおよび実用的導入可能性の評価を目的に、チャンネル数を56から21に段階的に削減した。
• 現実世界の導入状況を想定し、認知状態の変化および訓練／テスト条件の不一致を模擬して耐性を評価した。

実験結果

リサーチクエスチョン

• RQ1 多様なデータセットにおいて、EEGベースのバイオメトリクス識別において、機能的結合指標はグラフベース指標と比べてどのように異なるか？
• RQ2 δ、θ、α、β、γの各EEG周波数帯の中で、FCベースの特徴を用いた場合、どの帯域が最も高い識別精度を示すか？
• RQ3 最小限のデータ収集時間で高い識別精度を達成するための最適なエポック長は何か？
• RQ4 EEGチャンネル数を減らすと、特に実用的導入環境において識別性能にどのように影響を与えるか？
• RQ5 認知状態や記録プロトコルの変化を伴う訓練／テスト条件の不一致下でも、FCベースのバイオメトリクスシステムはどれほど耐性を示すか？

主な発見

• ガンマ帯（30–45 Hz）における位相ロック値（PLV）が、全56チャンネルを用いて97.4%の最高識別精度を達成した。
• 周波数帯域が高いほど識別精度が向上し、特にガンマ帯およびベータ帯が低周波帯と比較して優れた識別能を示した。
• チャンネル数を56から21に削減しても、精度は97.4%から95.0%に2.4%低下するにとどまり、強力なスケーラビリティと実用的妥当性を示した。
• 訓練／テスト条件の不一致および認知状態の変化下でも、高い性能を維持したため、多様な記録環境においても耐性があることが示された。
• 従来の単変量特徴（AR係数やパワースペクトル密度など）よりも、FCベースの特徴が識別精度で優れていた。
• 同様のデータセットにおいて、深層学習モデル（GSLT-CNN）が生のEEGデータで96.3%の精度を達成したのと比較して、本研究の結果は同等または優れた水準であった。