[논문 리뷰] SYNTHESIZING EEG SIGNALS FROM EVENT-RELATED POTENTIAL PARADIGMS WITH CONDITIONAL DIFFUSION MODELS

Guido Klein, Pierre Guetschel외 2명|arXiv (Cornell University)|2024. 03. 27.

Neural Networks and Applications인용 수 2

한 줄 요약

이 논문은 이벤트 관련 전위(ERP) 파라다임에서 주체, 세션, 클래스별로 특화된 뇌전도 신호를 생성하기 위해 분류기 없음 가이던스를 사용하는 조건부 확산 모델을 제안한다. 원시 EEG 데이터를 직접 모델링하고 도메인 특화 평가 지표를 도입함으로써, 진폭, 잠재시간, 다양성 측면에서 실제 데이터와 유사한 고해상도 ERP 파형을 생성한다. 이는 세션 간 변동성 기반 모델을 능가한다.

ABSTRACT

Data scarcity in the brain-computer interface field can be alleviated through the use of generative models, specifically diffusion models. While diffusion models have previously been successfully applied to electroencephalogram (EEG) data, existing models lack flexibility w.r.t.~sampling or require alternative representations of the EEG data. To overcome these limitations, we introduce a novel approach to conditional diffusion models that utilizes classifier-free guidance to directly generate subject-, session-, and class-specific EEG data. In addition to commonly used metrics, domain-specific metrics are employed to evaluate the specificity of the generated samples. The results indicate that the proposed model can generate EEG data that resembles real data for each subject, session, and class.

연구 동기 및 목표

• 뇌-컴퓨터 인터페이스(BCI)에서의 데이터 부족 문제를 해결하기 위해, 제한된 레이블링 데이터셋을 보완하기 위해 합성 EEG 데이터를 생성한다.
• 기존 EEG 생성 모델의 한계를 극복하기 위해, 샘플링의 유연성 부족이나 간접적 데이터 표현에 의존하는 모델을 개선한다.
• 별도의 분류기 없이 주체, 세션, 클래스별로 특화된 EEG 신호를 생성할 수 있는 조건부 확산 모델을 개발한다.
• 피크 진폭 및 잠재시간과 같은 생성된 ERP 특징의 정밀도를 평가하기 위해 도메인 특화 평가 지표를 도입한다.
• 고품질의 조건별 합성 EEG 데이터를 활용하여 ERP 기반 BCI의 데이터 증강 및 전이 학습을 가능하게 한다.

제안 방법

• 이론적 시각 ERP 데이터셋(Lee 2019)의 원시 EEG 데이터를 기반으로 조건부 확산 모델을 훈련하고, 조건부 샘플링을 위해 분류기 없음 가이던스를 적용한다.
• 주체 신원, 세션 번호, 자극 클래스를 조건으로 하여 각 조합에 맞는 데이터를 생성하도록 모델을 조건화한다.
• 시간 단계 조건을 갖춘 노이즈 예측 U-Net 아키텍처를 사용하여 샘플링 과정에서 데이터를 점진적으로 노이즈 제거한다.
• 분류기 없음 가이던스를 적용하기 위해, 조건부 및 무조건적 입력에 대한 노이즈 예측을 동시에 훈련시켜 샘플링의灵活性를 확보한다.
• 샘플 품질 평가에 도메인 불변 지표(FID, IS)와 새로운 도메인 특화 지표(PAD, PLD, SD-MD)를 활용한다.
• EEG 데이터 전처리로 고역반사 필터링(1–40 Hz), 128 Hz로 다운샘플링, 1초 윈도우로 에포크화, 피크-피크 기각(150 µV 임계값)을 수행한다.

실험 결과

연구 질문

• RQ1 분류기 없음 가이던스를 사용하는 조건부 확산 모델은 실제 ERP 데이터와 유사한 주체, 세션, 클래스별로 특화된 EEG 신호를 생성할 수 있는가?
• RQ2 생성된 샘플이 진폭, 잠재시간, 다양성 측면에서 실제 데이터와 얼마나 유사한가?
• RQ3 표준 지표에 비해 도메인 특화 지표가 생성된 ERP 파형의 품질 평가에 효과적으로 기여하는가?
• RQ4 모델은 실제 ERP 특징을 포괄하는 데 있어 기존의 세션 내 및 세션 간 변동성 기반 모델을 능가하는가?
• RQ5 BCI 응용 분야에서 데이터 부족 및 클래스 불균형 문제를 어느 정도 완화할 수 있는가?

주요 결과

• 모델은 주체, 세션, 클래스 전반에 걸쳐 실제 데이터와 시각적·정량적으로 유사한 EEG 신호를 생성하며, 진폭과 잠재시간 측면에서 높은 정밀도를 보인다.
• 실제 데이터와 생성된 데이터 간 피크 진폭 차이(PAD)는 세션 간 변동성 기반 모델보다 낮아, 정확한 진폭 모델링을 확인한다.
• 채널 O1에서의 피크 잠재시간 차이(PLD)는 세션 간 변동성보다 유의미하게 낮아 정확한 잠재시간 재현 능력을 보여준다.
• 생성된 샘플의 평균 거리 표준편차(SD-MD)는 세션 간 변동성 기반 모델을 초월하여 생성된 데이터의 충분한 다양성을 나타낸다.
• 생성된 데이터와 실제 데이터 간의 프리에시히 인셉션 거리(FID)는 세션 간 FID(125×10⁻⁴ vs. 1611×10⁻⁴)보다 낮지만, 세션 내 실제 데이터의 FID(6.90×10⁻⁴)만큼 낮지는 않다.
• 실제 데이터와 생성된 데이터에 대한 분류기 성능은 유사하여, 생성 샘플 내 핵심 ERP 특징이 잘 유지되었음을 확인한다.