[论文解读] Understanding Brain Dynamics for Color Perception using Wearable EEG headband

Mahima Chaudhary, Sumona Mukhopadhyay+3 more|arXiv (Cornell University)|Aug 17, 2020

EEG and Brain-Computer Interfaces参考文献 26被引用 8

一句话总结

本研究提出了一种多类分类模型，利用可穿戴Muse 2头带采集的原始EEG信号中的频谱、统计和相关性特征，以区分大脑对红、绿、蓝颜色刺激的反应。通过应用前向特征选择和随机森林分类器，该方法在受试者内分类中达到了80.6%的准确率，表明消费级EEG设备能够有效分类颜色感知，适用于物联网环境中的脑机接口应用。

ABSTRACT

The perception of color is an important cognitive feature of the human brain. The variety of colors that impinge upon the human eye can trigger changes in brain activity which can be captured using electroencephalography (EEG). In this work, we have designed a multiclass classification model to detect the primary colors from the features of raw EEG signals. In contrast to previous research, our method employs spectral power features, statistical features as well as correlation features from the signal band power obtained from continuous Morlet wavelet transform instead of raw EEG, for the classification task. We have applied dimensionality reduction techniques such as Forward Feature Selection and Stacked Autoencoders to reduce the dimension of data eventually increasing the model's efficiency. Our proposed methodology using Forward Selection and Random Forest Classifier gave the best overall accuracy of 80.6\% for intra-subject classification. Our approach shows promise in developing techniques for cognitive tasks using color cues such as controlling Internet of Thing (IoT) devices by looking at primary colors for individuals with restricted motor abilities.

研究动机与目标

• 开发一种低成本、可穿戴的BCI系统，利用消费级EEG硬件对主要颜色的大脑反应进行分类。
• 研究基于小波变换EEG信号的频谱、统计和相关性特征是否能提高相对于原始信号的分类准确率。
• 评估降维技术（如前向特征选择和堆叠自编码器）在提升模型效率和性能方面的有效性。
• 比较机器学习模型在颜色感知中对受试者内和受试者间分类性能的差异。
• 实现实际应用，例如通过基于颜色的大脑信号控制物联网设备，为运动功能障碍者提供支持。

提出的方法

• 在受试者暴露于红、绿、蓝颜色刺激期间，从四通道Muse 2可穿戴头带中采集原始EEG信号。
• 使用连续Morlet小波变换对信号进行预处理，以提取α频段（8–13 Hz）和β频段（13–30 Hz）的带功率。
• 从经小波变换的带功率中提取频谱功率、功率方差、成对互相关特征以及统计特征（如均值、峰度）。
• 应用前向特征选择（有监督）和堆叠自编码器（无监督）进行降维，以提高模型效率。
• 在降维后的特征集上训练并评估多种机器学习模型，包括KNN、SVM、逻辑回归、随机森林、神经网络和梯度提升。
• 通过使用200ms时间窗隔离颜色刺激的瞬态反应，并最小化运动伪影，优化模型性能。

实验结果

研究问题

• RQ1 是否可以通过在EEG信号的统计、频谱和相关性特征上训练机器学习模型，从四通道可穿戴头带中区分出由RGB颜色刺激产生的EEG信号？
• RQ2 像前向特征选择和自编码器这样的特征降维技术能否使EEG分类的机器学习算法更高效？
• RQ3 机器学习算法在受试者内和受试者间分类中的性能是否存在差异？
• RQ4 消费级可穿戴EEG设备是否能通过高级特征工程和机器学习实现高颜色感知分类准确率？

主要发现

• 使用随机森林结合前向特征选择的所提模型在受试者内分类中达到了最高的80.6%准确率。
• 最佳受试者的ROC-AUC得分达到0.730，使用梯度提升模型并结合自编码器处理的特征，表明具有较强的判别性能。
• 受试者间分类准确率为39.8%，表明大脑对颜色刺激的EEG反应存在显著的个体间差异。
• 前向特征选择在提升模型准确率和效率方面优于堆叠自编码器，尤其在受试者内分类中表现更优。
• 随机森林模型结合前向选择在所有受试者上的平均F1-score为0.510，MCC为0.225，表明性能中等偏上。
• 本研究证明，四通道消费级EEG设备（Muse 2）可实现与高电极数医疗系统相当的性能，准确率达80.6%——超过以往四通道研究（58%），并接近14通道系统的结果（79.6%）