[论文解读] Divergence Framework for EEG based Multiclass Motor Imagery Brain Computer Interface

Satyam Kumar, Tharun Kumar Reddy+1 more|arXiv (Cornell University)|Jan 12, 2019

EEG and Brain-Computer Interfaces参考文献 19被引用 3

一句话总结

该论文提出了一种新颖的信息论分歧框架 DivOVR-WS 和 DivJAD-WS，通过在正交流形上进行梯度下降，联合优化多类运动想象 EEG 基 BCI 中的可分性和平稳性。该方法在 BCI 竞赛 IV 数据集 IIa 上显著提升了基线 OVR-CSP 和 JAD 的平均分类准确率，有效缓解了会话内非平稳性问题。

ABSTRACT

Similar to most of the real world data, the ubiquitous presence of non-stationarities in the EEG signals significantly perturb the feature distribution thus deteriorating the performance of Brain Computer Interface. In this letter, a novel method is proposed based on Joint Approximate Diagonalization (JAD) to optimize stationarity for multiclass motor imagery Brain Computer Interface (BCI) in an information theoretic framework. Specifically, in the proposed method, we estimate the subspace which optimizes the discriminability between the classes and simultaneously preserve stationarity within the motor imagery classes. We determine the subspace for the proposed approach through optimization using gradient descent on an orthogonal manifold. The performance of the proposed stationarity enforcing algorithm is compared to that of baseline One-Versus-Rest (OVR)-CSP and JAD on publicly available BCI competition IV dataset IIa. Results show that an improvement in average classification accuracies across the subjects over the baseline algorithms and thus essence of alleviating within session non-stationarities.

研究动机与目标

• 为解决 EEG 基多类运动想象 BCI 中的会话内非平稳性问题，该问题会降低分类性能。
• 开发一种监督式、基于信息论的框架，同时增强类别可分性和信号平稳性。
• 通过引入一种新型目标函数，将平稳性优化整合到现有 JAD 和 OVR-CSP 方法中，实现多类设置下的扩展。
• 通过最小化交叉验证与测试集结果之间的性能差距，提升 BCI 系统在会话间的鲁棒性和泛化能力。

提出的方法

• 提出一种新目标函数，利用信息论分歧度量联合结合类别可分性和信号平稳性。
• 采用联合近似对角化（JAD）和一对一（OVR）策略作为多类空间滤波的基础框架。
• 通过在正交流形上进行梯度下降优化空间滤波子空间，以保持正交性并提升收敛性。
• 使用与受试者和数据相关的正则化参数 λ 进行正则化，以防止过拟合并提升泛化能力。
• 使用 OVR-CSP 或 JAD 解作为优化初始化以加速收敛，同时以单位矩阵初始化作为基线。
• 应用逐次运行的交叉验证，以确保性能估计的可靠性并减少过拟合。

实验结果

研究问题

• RQ1 是否存在一种统一的信息论框架，能够联合优化多类运动想象 BCI 中的可分性和平稳性？
• RQ2 与基线 CSP 和 JAD 方法相比，所提出的在正交流形上的分歧优化方法在分类准确率方面有何提升？
• RQ3 所提出的方法在多大程度上减少了交叉验证与测试集评估之间的性能下降？
• RQ4 初始化策略如何影响所提框架中的收敛速度和分类准确率？
• RQ5 所提出的方法能否有效扩展以结合基于黎曼几何的会话间漂移校正？

主要发现

• 所提出的 DivOVR-WS 和 DivJAD-WS 框架在 BCI 竞赛 IV 数据集 IIa 上的平均分类准确率显著高于各自的基线方法（OVR-CSP 和 JAD）。
• 交叉验证与测试集准确率之间的性能差距极小（约 1.5%–3%），表明具有强泛化能力且过拟合程度低。
• 使用 OVR-CSP 解进行初始化可显著加速 DivOVR-WS 的收敛，而基于 JAD 的初始化则提升了 DivJAD-WS 的收敛速度但未提高准确率。
• 当从相同源初始化时，DivOVR-WS 的收敛速度优于 DivJAD-WS，原因在于前者需求解 K 个独立的 OVR 问题，而后者仅需求解一个复合的 JAD 问题。
• 由于采用 K 折优化，DivOVR-WS 的训练阶段计算成本高于 DivJAD-WS，但所有算法的推理时间保持一致。
• 结果表明，将所提出的会话内平稳性框架与未来的会话间校正方法（如黎曼流形上的仿射变换）结合，可进一步提升 BCI 系统的鲁棒性。