Geometric Neural Network based on Phase Space for BCI-EEG decoding

要約

目的: 脳信号分析におけるディープラーニング (DL) アルゴリズムの統合は、コンピューター ビジョンなどの分野での成功に比べると、まだ初期段階にあります。
これは、筋肉の制御を必要とせずに脳の活動をデコードして外部デバイスを制御する BCI に特に当てはまります。
脳波検査 (EEG) は、非侵襲的でコスト効率が高く、時間分解能が優れているため、BCI システムの設計に広く採用されています。
それでも、トレーニングデータが限られ、信号対雑音比が低く、被験者間および被験者内での記録の大きなばらつきが犠牲になります。
最後に、多くの電極を備えた BCI システムのセットアップには長い時間がかかるため、研究室外の BCI で信頼性の高い DL アーキテクチャを広く採用することが妨げられています。
導入を改善するには、たとえば、少数の電極で動作する信頼性の高いアルゴリズムを使用して、ユーザーの快適性を向上させる必要があります。
アプローチ: 私たちの研究は、限られた数の電極で効果的な結果をもたらす DL アルゴリズムを開発することを目的としています。
拡張共分散法と SPDNet のフレームワークを利用して、Phase-SPDNet アーキテクチャを提案し、そのパフォーマンスと結果の解釈可能性を分析します。
評価は、運動皮質の上に配置された 3 つの電極のみを使用して、5 分割交差検証で実行されます。
この方法論は、Mother Of All BCI Benchmark (MOABB) フレームワークを使用して、いくつかのオープンソース データセットから約 100 人の被験者に対してテストされました。
主な結果: Phase-SPDNet の結果は、SPDNet と組み合わせた拡張アプローチが、MI デコードにおける現在のすべての最先端の DL アーキテクチャよりも大幅に優れていることを示しています。
重要性: この新しいアーキテクチャは説明可能であり、トレーニング可能なパラメータの数は少ないです。

要約(オリジナル)

Objective: The integration of Deep Learning (DL) algorithms on brain signal analysis is still in its nascent stages compared to their success in fields like Computer Vision. This is particularly true for BCI, where the brain activity is decoded to control external devices without requiring muscle control. Electroencephalography (EEG) is a widely adopted choice for designing BCI systems due to its non-invasive and cost-effective nature and excellent temporal resolution. Still, it comes at the expense of limited training data, poor signal-to-noise, and a large variability across and within-subject recordings. Finally, setting up a BCI system with many electrodes takes a long time, hindering the widespread adoption of reliable DL architectures in BCIs outside research laboratories. To improve adoption, we need to improve user comfort using, for instance, reliable algorithms that operate with few electrodes. Approach: Our research aims to develop a DL algorithm that delivers effective results with a limited number of electrodes. Taking advantage of the Augmented Covariance Method and the framework of SPDNet, we propose the Phase-SPDNet architecture and analyze its performance and the interpretability of the results. The evaluation is conducted on 5-fold cross-validation, using only three electrodes positioned above the Motor Cortex. The methodology was tested on nearly 100 subjects from several open-source datasets using the Mother Of All BCI Benchmark (MOABB) framework. Main results: The results of our Phase-SPDNet demonstrate that the augmented approach combined with the SPDNet significantly outperforms all the current state-of-the-art DL architecture in MI decoding. Significance: This new architecture is explainable and with a low number of trainable parameters.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google