[论文解读] Multiclass Common Spatial Pattern for EEG based Brain Computer Interface with Adaptive Learning Classifier

Hardik Meisheri, Nagraj Ramrao+1 more|arXiv (Cornell University)|Feb 25, 2018

EEG and Brain-Computer Interfaces参考文献 50被引用 20

一句话总结

本文提出了一种用于基于EEG的脑-机接口（BCI）的多类通用空间模式（mCSP）框架，通过预处理去除受伪影污染的试验来增强特征提取，并采用自调节型区间2型神经模糊推理系统（SRIT2NFIS）来处理非平稳性和过拟合问题。该方法在BCI竞赛IV数据集2a上实现了54.63%的平均准确率，显著优于现有最先进方法8–13%的准确率提升，适用于多类分类任务。

ABSTRACT

In Brain Computer Interface (BCI), data generated from Electroencephalogram (EEG) is non-stationary with low signal to noise ratio and contaminated with artifacts. Common Spatial Pattern (CSP) algorithm has been proved to be effective in BCI for extracting features in motor imagery tasks, but it is prone to overfitting. Many algorithms have been devised to regularize CSP for two class problem, however they have not been effective when applied to multiclass CSP. Outliers present in data affect extracted CSP features and reduces performance of the system. In addition to this non-stationarity present in the features extracted from the CSP present a challenge in classification. We propose a method to identify and remove artifact present in the data during pre-processing stage, this helps in calculating eigenvectors which in turn generates better CSP features. To handle the non-stationarity, Self-Regulated Interval Type-2 Neuro-Fuzzy Inference System (SRIT2NFIS) was proposed in the literature for two class EEG classification problem. This paper extends the SRIT2NFIS to multiclass using Joint Approximate Diagonalization (JAD). The results on standard data set from BCI competition IV shows significant increase in the accuracies from the current state of the art methods for multiclass classification.

研究动机与目标

• 解决EEG信号中非平稳性、信噪比低和伪影干扰对多类BCI带来的挑战。
• 通过在预处理阶段去除噪声试验，提升通用空间模式（CSP）在多类设置下的泛化能力。
• 利用联合近似对角化（JAD）方法，将原本专为二分类问题设计的SRIT2NFIS分类器扩展至多类EEG分类任务。
• 通过结合伪影去除与自适应学习，降低过拟合风险并提升多类EEG分类的鲁棒性。
• 在公开的多类EEG-BCI数据集上，实现高于现有最先进方法的分类准确率。

提出的方法

• 预处理阶段通过信号质量评估识别并剔除受伪影污染的EEG试验，以提高CSP协方差矩阵的可靠性。
• 采用联合近似对角化（JAD）实现多类CSP，提取能最大化多个运动想象类别间方差比的空间滤波器。
• 通过自调节学习机制对SRIT2NFIS分类器进行多类分类适配，动态调整隶属函数和规则，以应对非平稳性问题。
• 使用粒子群优化（PSO）对每位受试者的关键SRIT2NFIS参数（如添加阈值、更新阈值、新颖性、类间重叠度）进行调优，以优化性能。
• 特征提取采用m=3个分量的mCSP，且在处理前对信号进行带通滤波（8–40 Hz），符合既定的EEG-BCI协议。
• 分类性能通过BCI竞赛IV数据集2a的独立测试集进行评估，包含9名受试者和4种运动想象类别。

实验结果

研究问题

• RQ1 通过去除受伪影污染的试验进行预处理，能否提升多类CSP在EEG-BCI中的泛化能力？
• RQ2 原本专为二分类问题设计的SRIT2NFIS分类器，能否通过JAD方法有效扩展至多类EEG分类？
• RQ3 结合伪影去除与自适应SRIT2NFIS学习是否能显著降低过拟合并提升多类EEG-BCI的准确率？
• RQ4 与现有最先进方法相比，该方法在不同信号质量受试者中的平均准确率和鲁棒性表现如何？
• RQ5 该方法在本征EEG数据噪声较高的受试者中，性能提升程度如何？

主要发现

• 所提方法在BCI竞赛IV数据集2a的9名受试者中实现了54.63%的平均分类准确率，显著优于现有最先进方法。
• 与最佳基线方法（Grosse-Wentrup和Buss，2008）相比，准确率提升了8.62个百分点（从46.01%提升至54.63%），在受试者9上最高提升达13.0%。
• 受试者2（此前因数据噪声大而表现差）的准确率从32.1%提升至45.48%，相对提升达42.9%。
• 该方法在初始准确率较低的受试者（如受试者4、5、6）中表现出显著改进，显示出良好的鲁棒性。
• 伪影去除有效提升了CSP协方差矩阵的质量，从而生成更具判别性的特征并减少过拟合。
• 粒子群优化（PSO）成功实现了对每位受试者SRIT2NFIS参数的调优，证实了在多类EEG-BCI中进行受试者个性化适配的必要性。