End-to-End Deep Transfer Learning for Calibration-free Motor Imagery Brain Computer Interfaces

要約

Motor Imagery Brain-Computer Interfaces (MI-BCI) の主な問題は、分類精度が低く、被験者固有のキャリブレーションに必要なデータが大量にあることです。
これにより、一般ユーザーがラボ外のアプリケーションで BCI にアクセスしにくくなります。
この研究では、キャリブレーション不要の被験者に依存しない MI-BCI 分類器の開発に深層転移学習を採用しました。
転移学習に信号前処理と特徴量エンジニアリングのステップを適用した以前の研究とは異なり、この研究では、生の EEG 信号に対するエンドツーエンドの深層学習アプローチが採用されました。
3 つの深層学習モデル (MIN2Net、EEGNet、DeepConvNet) が、公開されているデータセットを使用してトレーニングされ、比較されました。
データセットには、左手と右手の運動イメージタスクを実施した 55 人の被験者からの EEG 信号が含まれていました。
各モデルのパフォーマンスを評価するために、1 つの被験者を除外した相互検証が使用されました。
モデルの結果は大きく異なりました。
MIN2Net は、新規ユーザーの右利きと左利きの運動画像を区別できず、中央値の精度は 51.7% でした。
他の 2 つのモデルはより優れたパフォーマンスを示し、精度中央値は EEGNet で 62.5%、DeepConvNet で 59.2% でした。
これらの精度は、重要な制御に必要なしきい値である 70% には達していませんが、転移学習を行わずに他のデータセットでテストした場合、これらのモデルの精度と同等になります。

要約(オリジナル)

A major issue in Motor Imagery Brain-Computer Interfaces (MI-BCIs) is their poor classification accuracy and the large amount of data that is required for subject-specific calibration. This makes BCIs less accessible to general users in out-of-the-lab applications. This study employed deep transfer learning for development of calibration-free subject-independent MI-BCI classifiers. Unlike earlier works that applied signal preprocessing and feature engineering steps in transfer learning, this study adopted an end-to-end deep learning approach on raw EEG signals. Three deep learning models (MIN2Net, EEGNet and DeepConvNet) were trained and compared using an openly available dataset. The dataset contained EEG signals from 55 subjects who conducted a left- vs. right-hand motor imagery task. To evaluate the performance of each model, a leave-one-subject-out cross validation was used. The results of the models differed significantly. MIN2Net was not able to differentiate right- vs. left-hand motor imagery of new users, with a median accuracy of 51.7%. The other two models performed better, with median accuracies of 62.5% for EEGNet and 59.2% for DeepConvNet. These accuracies do not reach the required threshold of 70% needed for significant control, however, they are similar to the accuracies of these models when tested on other datasets without transfer learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google