A Systematic Evaluation of Euclidean Alignment with Deep Learning for EEG Decoding

要約

脳波 (EEG) 信号は、さまざまなブレイン コンピューター インターフェイス (BCI) タスクに頻繁に使用されます。
ディープラーニング (DL) 技術は有望な結果を示していますが、大量のデータ要件によって妨げられています。
複数の被験者からのデータを活用することで、転移学習により DL モデルのより効果的なトレーニングが可能になります。
ユークリッド アライメント (EA) は、使いやすさ、計算の複雑さの低さ、深層学習モデルとの互換性により、人気が高まっている手法です。
ただし、共有および個別の DL モデルのトレーニング パフォーマンスへの影響を評価した研究はほとんどありません。
この研究では、BCI 信号をデコードするために DL と組み合わせた EA の効果を体系的に評価します。
EA を使用して複数の被験者からのデータを使用して共有モデルをトレーニングし、新しい被験者への移行可能性を評価しました。
私たちの実験結果は、対象被験者のデコードを 4.33% 改善し、収束時間を 70% 以上短縮することを示しています。
また、多数決アンサンブル分類器として使用するために、被験者ごとに個別のモデルをトレーニングしました。
このシナリオでは、EA を使用することで 3 モデルのアンサンブル精度が 3.7% 向上しました。
ただし、EA との共有モデルと比較すると、アンサンブル精度は 3.62% 低くなりました。

要約(オリジナル)

Electroencephalography (EEG) signals are frequently used for various Brain-Computer Interface (BCI) tasks. While Deep Learning (DL) techniques have shown promising results, they are hindered by the substantial data requirements. By leveraging data from multiple subjects, transfer learning enables more effective training of DL models. A technique that is gaining popularity is Euclidean Alignment (EA) due to its ease of use, low computational complexity, and compatibility with Deep Learning models. However, few studies evaluate its impact on the training performance of shared and individual DL models. In this work, we systematically evaluate the effect of EA combined with DL for decoding BCI signals. We used EA to train shared models with data from multiple subjects and evaluated its transferability to new subjects. Our experimental results show that it improves decoding in the target subject by 4.33% and decreases convergence time by more than 70%. We also trained individual models for each subject to use as a majority-voting ensemble classifier. In this scenario, using EA improved the 3-model ensemble accuracy by 3.7%. However, when compared to the shared model with EA, the ensemble accuracy was 3.62% lower.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google