Subject-Adaptive Transfer Learning Using Resting State EEG Signals for Cross-Subject EEG Motor Imagery Classification

要約

脳波検査 (EEG) による運動イメージ (MI) の分類は、個人間の信号のばらつき、つまり被験者間のばらつきのため、基本的ではありますが、困難な作業です。
これまでのアプローチでは、トレーニング中の対象被験者からのタスク固有 (TS) EEG 信号を使用して、これを軽減しようとしました。
ただし、TS EEG 信号の記録には時間がかかり、さまざまな分野での適用が制限されます。
対照的に、安静状態 (RS) EEG 信号は、豊富な被験者情報を取得しやすいため、実行可能な代替手段となります。
この論文では、RS EEG信号を利用して目に見えない被験者データにモデルを適応させる、新しい被験者適応型転移学習戦略を提案します。
具体的には、抽出した特徴を課題依存の特徴と被験者依存の特徴に分解し、被験者の特徴を維持しながら課題情報を取得するための RS EEG 信号の校正に使用します。
次に、校正された信号を使用してモデルを対象被験者に適応させ、モデルが対象被験者の TS EEG 信号の処理をシミュレートできるようにします。
提案された方法は、3 つの公開ベンチマークで最先端の精度を達成し、被験者間の EEG MI 分類における私たちの方法の有効性を実証しています。
私たちの発見は、RS EEG信号を活用して実用的なブレインコンピューターインターフェースシステムを進歩させる可能性を浮き彫りにしています。
コードは https://github.com/SionAn/MICCAI2024-ResTL で入手できます。

要約(オリジナル)

Electroencephalography (EEG) motor imagery (MI) classification is a fundamental, yet challenging task due to the variation of signals between individuals i.e., inter-subject variability. Previous approaches try to mitigate this using task-specific (TS) EEG signals from the target subject in training. However, recording TS EEG signals requires time and limits its applicability in various fields. In contrast, resting state (RS) EEG signals are a viable alternative due to ease of acquisition with rich subject information. In this paper, we propose a novel subject-adaptive transfer learning strategy that utilizes RS EEG signals to adapt models on unseen subject data. Specifically, we disentangle extracted features into task- and subject-dependent features and use them to calibrate RS EEG signals for obtaining task information while preserving subject characteristics. The calibrated signals are then used to adapt the model to the target subject, enabling the model to simulate processing TS EEG signals of the target subject. The proposed method achieves state-of-the-art accuracy on three public benchmarks, demonstrating the effectiveness of our method in cross-subject EEG MI classification. Our findings highlight the potential of leveraging RS EEG signals to advance practical brain-computer interface systems. The code is available at https://github.com/SionAn/MICCAI2024-ResTL.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google