[論文レビュー] Single-trial P300 Classification using PCA with LDA, QDA and Neural Networks

Nand Lal Sharma|arXiv (Cornell University)|Dec 6, 2017

EEG and Brain-Computer Interfaces被引用数 9

ひとこと要約

本研究は、主成分分析（PCA）と線形判別分析（LDA）、二次判別分析（QDA）、ニューラルネットワーク（NLR）を組み合わせた単一試行P300分類フレームワークを提案する。次に、次元削減を3〜4個の主成分に制限することで、従来の平均化手法に比べて最大13%の精度向上を達成し、多様な被験者およびデータ収集条件においても高い分類性能を維持しながら、通信速度を著しく向上させる。

ABSTRACT

The P300 event-related potential (ERP), evoked in scalp-recorded electroencephalography (EEG) by external stimuli, has proven to be a reliable response for controlling a BCI. The P300 component of an event related potential is thus widely used in brain-computer interfaces to translate the subjects' intent by mere thoughts into commands to control artificial devices. The main challenge in the classification of P300 trials in electroencephalographic (EEG) data is the low signal-to-noise ratio (SNR) of the P300 response. To overcome the low SNR of individual trials, it is common practice to average together many consecutive trials, which effectively diminishes the random noise. Unfortunately, when more repeated trials are required for applications such as the P300 speller, the communication rate is greatly reduced. This has resulted in a need for better methods to improve single-trial classification accuracy of P300 response. In this work, we use Principal Component Analysis (PCA) as a preprocessing method and use Linear Discriminant Analysis (LDA)and neural networks for classification. The results show that a combination of PCA with these methods provided as high as 13\% accuracy gain for single-trial classification while using only 3 to 4 principal components.

研究の動機と目的

• 脳インターフェースにおける通信速度を制限する単一試行EEG P300反応の低SNRに対処する。
• P300スパellerシステムにおける通信速度を低下させる試行平均化の必要性を克服する。
• 複数回の繰り返し試行に依存せずに、単一試行分類精度を向上させる次元削減と分類パイプラインを開発する。
• 実際の複数被験者からのEEGデータを用いて、PCAと線形および非線形分類器（LDA、QDA、NLR）の組み合わせの有効性を評価する。
• データ収集パrameter（例：刺激間隔）が分類器性能に与える影響、および線形モデルと非線形モデルの適切さを調査する。

提案手法

• 8電極のEEGデータの次元削減のために主成分分析（PCA）を適用し、P300信号に関連する分散を捉える主要成分を抽出する。
• 上位3〜4個の主成分を分類の入力特徴として使用し、データ次元を最小限に抑えながら判別情報の保持を図る。
• 削減された特徴空間上で、線形判別分析（LDA）、二次判別分析（QDA）、非線形ロジスティック回帰（NLR）の3つの分類器を訓練および評価する。
• 主成分の数を5個以下に制限する制限付き特徴選択（FS）手法を実装し、汎化性能の向上と計算負荷の低減を図る。
• 各チャネル・サブトライアルを個別のデータポイントとして扱い、電極間での空間的・時間的P300パターンの表現を強化する。
• 被験者間で異なる刺激間隔（ISI）：1000ms（sub1, sub2）と175ms（sub3, sub4）を用いて、信号の重なり具合に応じたモデルの頑健性を評価する。

実験結果

リサーチクエスチョン

• RQ1 PCAに基づく次元削減は、試行平均化に依存せずに単一試行P300分類精度を向上させることができるか？
• RQ2 PCAで次元削減されたEEGデータに適用した線形（LDA、QDA）と非線形（NLR）分類器の性能は、どのように比較できるか？
• RQ3 刺激間隔（ISI）がP300信号分離の線形性に影響を与え、その結果分類器選択にどのように影響するか？
• RQ4 主成分数を4個以下に制限する制限付き特徴選択手法は、完全PCAや視覚的選択に比べて、より高い精度と効率を達成できるか？
• RQ5 被験者固有のデータ変動が分類器性能に与える影響はどの程度か？ また、統一された手法が被験者間で一般化可能か？

主な発見

• PCAとNLR、制限付き特徴選択を組み合わせた手法が、被験者sub3で最高の63.05%の精度を達成し、他のすべての手法を上回った。
• 被験者sub1では、PCA + LDAがわずか2個の主成分で55.0%の精度を達成し、ベースライン手法に比べ顕著な改善が見られた。
• 本手法は、最大4個の主成分に次元削減しながら精度を向上させたため、計算効率の向上とリアルタイム応用への適性が向上した。
• ISIが短い被験者（175ms）では、P300反応の重なりが顕著で、線形モデルでは分類が難しくなった。その結果、QDAやNLRのような非線形モデルが優れた性能を示した。
• 制限付き特徴選択手法は、標準的特徴選択を上回り、視覚的選択と同等またはそれを上回る精度を達成したが、はるかに少ない主成分数で実現した。
• PCAは、特にsub1およびsub2において、チャネル全体の分散を効果的に捉え、判別に寄与しない成分を分離することで分類精度を向上させた。