[论文解读] Improving EEG Decoding via Clustering-based Multi-task Feature Learning

Yu Zhang, Tao Zhou+5 more|arXiv (Cornell University)|Dec 12, 2020

EEG and Brain-Computer Interfaces参考文献 69被引用 6

一句话总结

本文提出了一种基于聚类的多任务特征学习框架，以提升脑-计算机接口（BCI）中EEG解码的准确性。通过使用亲和传播（affinity propagation）发现EEG数据中的内在子类，并采用一对多（one-vs-all）标签编码方式，该方法通过多任务学习公式联合优化子类间的特征，显著提升了在三个EEG数据集上基于线性SVM的分类性能，优于当前最先进的方法。

ABSTRACT

Accurate electroencephalogram (EEG) pattern decoding for specific mental tasks is one of the key steps for the development of brain-computer interface (BCI), which is quite challenging due to the considerably low signal-to-noise ratio of EEG collected at the brain scalp. Machine learning provides a promising technique to optimize EEG patterns toward better decoding accuracy. However, existing algorithms do not effectively explore the underlying data structure capturing the true EEG sample distribution, and hence can only yield a suboptimal decoding accuracy. To uncover the intrinsic distribution structure of EEG data, we propose a clustering-based multi-task feature learning algorithm for improved EEG pattern decoding. Specifically, we perform affinity propagation-based clustering to explore the subclasses (i.e., clusters) in each of the original classes, and then assign each subclass a unique label based on a one-versus-all encoding strategy. With the encoded label matrix, we devise a novel multi-task learning algorithm by exploiting the subclass relationship to jointly optimize the EEG pattern features from the uncovered subclasses. We then train a linear support vector machine with the optimized features for EEG pattern decoding. Extensive experimental studies are conducted on three EEG datasets to validate the effectiveness of our algorithm in comparison with other state-of-the-art approaches. The improved experimental results demonstrate the outstanding superiority of our algorithm, suggesting its prominent performance for EEG pattern decoding in BCI applications.

研究动机与目标

• 解决头皮EEG信号信噪比低的问题，该问题阻碍了BCI系统中脑活动模式的准确解码。
• 克服现有机器学习方法无法有效建模EEG样本潜在数据结构的局限性。
• 通过聚类方法揭示原始EEG类别内部的隐藏子类结构，以提高EEG模式解码的准确性。
• 设计一种多任务学习框架，利用子类关系联合优化判别性EEG特征。
• 在基于运动想象的BCI应用中，验证所提方法在真实EEG数据集上的有效性。

提出的方法

• 应用亲和传播（AP）聚类方法，识别每个原始EEG类别内的子类，以捕捉数据中更细粒度的结构。
• 采用一对多（one-vs-all）标签编码策略对发现的子类进行编码，构建用于多任务学习的结构化标签矩阵。
• 设计一种新型多任务学习算法，在保持子类独立身份的同时，强制实现子类间共享的特征学习。
• 将特征学习表述为一种带结构化正则化项的正则化优化问题，通过子类关系引入结构化约束。
• 在优化后的特征上训练线性支持向量机（SVM），以完成最终的EEG模式分类。
• 使用内层交叉验证调优超参数，确保在不同数据集上的鲁棒性。

实验结果

研究问题

• RQ1 基于聚类的EEG数据隐藏子类发现，能否提升BCI解码的特征表示？
• RQ2 通过多任务学习整合子类关系，相较于传统方法，能否显著提升EEG模式分类的准确性？
• RQ3 所提方法在具有不同噪声水平和受试者差异的多样化EEG数据集上是否具备泛化能力？
• RQ4 在分类准确性方面，该框架相较于现有最先进的EEG解码算法，优势程度如何？
• RQ5 聚类与多任务学习的结合，能否在不依赖子类结构先验知识的前提下，有效建模EEG样本的内在分布？

主要发现

• 所提算法在三个独立EEG数据集上，解码准确率显著高于所有对比的最先进方法。
• 该方法在分类性能上表现出一致的优越性，表明其对数据集特异性差异和噪声具有鲁棒性。
• 使用亲和传播进行子类发现，有效捕捉了数据的潜在结构，从而生成更具判别性的特征表示。
• 结合子类正则化的多任务学习框架，通过利用类间与类内关系，显著提升了特征优化效果。
• 结果表明，通过聚类与多任务学习建模内在数据结构，是推动BCI系统发展的有前景方向。
• 该算法的性能提升具有统计显著性，凸显其在真实BCI应用中的潜力。