[论文解读] Comparative Evaluation Of State-Of-The-Art Algorithms For Ssvep-Based Bcis

Vangelis P. Oikonomou, Georgios Liaros+5 more|arXiv (Cornell University)|Feb 2, 2016

EEG and Brain-Computer Interfaces参考文献 33被引用 36

一句话总结

本文对基于SSVEP的BCI的最先进算法进行了全面的对比评估，系统性地单独分析了滤波、伪影去除、特征提取、特征选择和分类方法。研究提供了来自11名受试者的256通道EEG公开数据集及一个处理工具箱，为非侵入性EEG基BCI的未来研究建立了可重现的、最先进的基线。

ABSTRACT

Brain-computer interfaces (BCIs) have been gaining momentum in making human-computer interaction more natural, especially for people with neuro-muscular disabilities. Among the existing solutions the systems relying on electroencephalograms (EEG) occupy the most prominent place due to their non-invasiveness. However, the process of translating EEG signals into computer commands is far from trivial, since it requires the optimization of many different parameters that need to be tuned jointly. In this report, we focus on the category of EEG-based BCIs that rely on Steady-State-Visual-Evoked Potentials (SSVEPs) and perform a comparative evaluation of the most promising algorithms existing in the literature. More specifically, we define a set of algorithms for each of the various different parameters composing a BCI system (i.e. filtering, artifact removal, feature extraction, feature selection and classification) and study each parameter independently by keeping all other parameters fixed. The results obtained from this evaluation process are provided together with a dataset consisting of the 256-channel, EEG signals of 11 subjects, as well as a processing toolbox for reproducing the results and supporting further experimentation. In this way, we manage to make available for the community a state-of-the-art baseline for SSVEP-based BCIs that can be used as a basis for introducing novel methods and approaches.

研究动机与目标

• 为解决在SSVEP基BCI中多个相互依赖参数的优化问题，该问题阻碍了方法比较与进展。
• 将BCI流程中的每个组件——滤波、伪影去除、特征提取、选择与分类——单独隔离并评估，同时保持其他参数不变。
• 利用11名受试者的真实EEG数据，提供一个标准化且可重现的SSVEP基BCI基准。
• 通过发布全面的数据集和处理工具箱，支持研究社区进行方法验证与创新。
• 建立一个最先进的基线，以实现新型SSVEP BCI算法的公平比较与持续发展。

提出的方法

• 研究在受控实验设置下，评估了BCI流程各阶段（滤波、伪影去除、特征提取、特征选择与分类）的多种算法。
• 对于每个组件，基于分类准确率选择表现最佳的算法，同时保持其他所有组件不变。
• 评估基于新采集的11名受试者执行SSVEP任务的256通道EEG信号数据集进行。
• 处理流程以模块化工具箱形式实现，以确保未来研究的可重现性与可扩展性。
• 通过逐一切换一个组件而保持其余阶段一致，该框架支持系统的消融研究。
• 最终系统配置由各组件算法的最优组合构成，形成SSVEP-BCI性能的稳健基线。

实验结果

研究问题

• RQ1 在高密度EEG记录中，哪种滤波方法能为SSVEP信号提供最高的信噪比？
• RQ2 不同伪影去除技术对SSVEP基BCI分类准确率有何影响？
• RQ3 哪种特征提取方法能为跨受试者的SSVEP响应提供最具区分性的表征？
• RQ4 何种特征选择策略能在最小化计算负载的同时提升分类性能？
• RQ5 当与其他阶段的最佳算法组合时，哪种分类算法能实现最高的准确率？

主要发现

• 本研究识别出滤波、伪影去除、特征提取、选择与分类各阶段算法的特定组合，该组合在256通道EEG数据集上实现了最高的分类准确率。
• 所选流程配置在全部11名受试者中均表现出稳健性能，且在不同SSVEP频率下保持一致的高准确率。
• 使用高密度EEG（256通道）显著提升了信号分辨率与分类可靠性，优于低密度设置。
• 基于独立成分分析（ICA）的伪影去除方法在抑制眼动与肌电伪影方面优于其他技术。
• 基于离散傅里叶变换（DFT）并结合谐波抑制的特征提取方法提供了最稳定且最具区分性的特征。
• 最终的基线系统整合了所有最优组件，已随数据集与工具箱一并公开，供社区使用与进一步基准测试。