ウェーブレットベースの時間-スペクトル-注意相関係数による運動想像EEG分類

2024-06-13 Thu
コンピューターサイエンス工学電気工学情報科学人工知能神経内科学医用画像学生命科学基礎医学医学バイオエンジニアリング
ブレイン・コンピュータ・インターフェース運動イメージング EEGチャネル注意時間-スペクトル注意ウェーブレット変換相関係数
脑機インターフェース（Brain-Computer Interface, BCI）技術は近年急速に発展しており、末梢神経や筋肉を介さず、大脳を直接制御する先端技術として注目されています。特に運動イメージ（Motor Imagery, MI）脳波（Electroencephalography, EEG）の応用において、BCI技術は大きな可能性を示しています。MI-EEG信号を分析することで、身体障害や神経筋退化の患者の生活の質を向上させる手助けが可能です。しかし、個人間の差異や大脳活動の安定性、低信号雑音比（Signal-to-Noise Ratio, SNR）などの要因により、複雑なEEG信号から有効な特徴を抽出し、MI-EEG分類システムの精度を向上させることは依然として大きな課題となっています。
MI-EEG分類において、特徴抽出および表現は分類性能を決定する鍵です。現在広く使用されている特徴抽出方法として、共空間パターン（Common Spatial Pattern, CSP）、サブバンド共空間パターン（Sub-band CSP, SBCSP）、フィルタバンク共空間パターン（Filter Bank CSP, FBCSP）などがありますが、これらは一般にEEGのエネルギー特徴を重視しており、元の信号から高識別力の特徴を抽出することはできません。さらに重要なのは、これらの方法がEEG信号の時間、周波数、空間領域における深層情報を考慮していないため、そのデコード性能が制限されている点です。
これらの課題を解決するために、本研究の研究者たちは、小波変換に基づいた時間-周波数-注意力相関係数（Wavelet-based Temporal-Spectral-Attention Correlation Coefficient, WTS-CC）アルゴリズムを提案しました。このアルゴリズムは、EEG信号の空間、チャネル、時間および周波数領域の特徴とその重み付けを同時に考慮することで、MI-EEG分類の精度を顕著に向上させます。
研究の出典この研究は、Wei-Yen Hsu（IEEEシニアメンバー）およびYa-Wen Chengによって行われ、論文はIEEE Transactions on Neural Systems and Rehabilitation Engineering, Vol. 31, 2023に掲載されました。報告の中の研究データおよび方法は、台湾科技部(MOST110-2221-E-194-027-MY3 および MOST111-2410-H-194-038-MY3)の資金提供を受けています。
研究方法とワークフロー研究ワークフロー本研究は、以下のモジュールから構成されています。
1. 初期時間特徴抽出モジュール（Initial Temporal Feature Extraction, ITFE）
2. 深部EEGチャネル注意力モジュール（Deep EEG-Channel-Attention, DEC）
3. 小波に基づく時間-周波数-注意力モジュール（Wavelet-based Temporal-Spectral-Attention, WTS）
4. 判別モジュール
初期時間特徴抽出モジュール（ITFE）MI-EEG分類において、多くの特徴情報をEEG信号から抽出することは、分類精度を向上させるために重要です。ITFEモジュールは異なるサイズの畳み込み操作を通じて、元のEEG信号から初期特徴を抽出します。特徴抽出性能を最大化するために、研究者たちは3つの異なるサイズ（1×3、1×5、1×11）の畳み込みカーネルを設計し、時間畳み込み操作を通じて豊富な特徴情報を抽出し、モデルが異なる時間スケールの特徴を捉えることを可能にしました。
深部EEGチャネル注意力モジュール（DEC）豊富な特徴を抽出することは、MIタスクの分類に役立ちますが、これらの特徴情報には多くの無関係または冗長な情報が混在しています。DECモジュールは、Squeeze-and-Excitation（SE）メカニズムに基づき、各EEGチャネルの重要性の重み付けを自動調整し、重要なチャネルを強調し、二次的なチャネルを抑制します。このプロセスを通じて、DECモジュールは特徴抽出の質を大幅に向上させ、識別力の高い特徴を強化するのに役立ちます。
小波に基づく時間-周波数-注意力モジュール（WTS）EEG信号は時系列特性を持ち、その周波数成分は時間とともに変化します。WTSモジュールは、小波変換および独立サンプルt統計量を導入し、時間-周波数グラフ間の特徴加重を通じて、より顕著な識別特徴を捉えます。このプロセスでは、EEG信号を連続小波変換（Continuous Wavelet Transform, CWT）によって時間-周波数表現に変換し、次に独立サンプルt統計量を通じて異なるMIタスク間の特徴差異の顕著性を評価します。WTSモジュールは、異なるMIタスク間の顕著に異なる時間-周波数特徴を効果的に強化します。
判別モジュール研究は、相関係数をMI-EEGの判別の基準として採用しています。テストサンプルとトレーニングセット内の異なるMIタスクの平均時間-周波数特徴図（TTSFMs）の相関性を評価することで、判別モジュールは効率的かつ正確なMIタスク分類を実現します。従来の深層学習モデルと比べ、相関係数方法はより簡便で過度な適合が生じにくいです。
研究結果データセットの説明研究は、以下の3つの公開BCI競技データセットを用いて提案方法の有効性を検証しました：
1. BCI Competition IV dataset 2a、9人の被験者のEEG信号を含み、4種類のMIタスク（左手、右手、両足、舌）をカバー。
2. BCI Competition IV dataset 2b、9人の被験者のEEG信号を含み、2種類のMIタスク（左手と右手）をカバー。
3. 2020 International BCI Competition dataset Track#1、20人の被験者のEEG信号を含み、2種類のMIタスク（左手と右手）をカバー。
評価指標研究は、10折交差検証法を使用して各データセットをテストし、分類精度（Accuracy）、Cohen’s kappa係数（Kappa）、F1スコア（F1 Score）、ROC曲線下の面積（AUC）の4つの指標を使用して方法の性能を評価しました。実験結果は、WTS-CCが3つのデータセット上で全ての評価指標において現在最先端の方法を上回ることを示しました。
既存方法との比較他の12種の最新EEG分類方法（Shallow ConvNet、Deep ConvNet、CP-MixedNet、TS-SEFFNetなどを含む）と比較して、WTS-CCはBCI Competition IV dataset 2aデータセット上で最高の平均分類精度（81.45%）、Kappa係数（0.752）、F1スコアおよびAUCを達成し、顕著な優位性を示しました。
BCI Competition IV dataset 2bデータセット上でも、WTS-CCは最高の平均分類精度を示し、MI-EEGの判別における高い効率性と実用性を更に証明しました。
さらに、WTS-CCは2020 International BCI Competition dataset Track#1データセット上でも平均分類精度83.31%を示し、少数サンプル学習環境でも優れた性能を発揮しました。
モジュール性能評価とアブレーション実験DECモジュールおよびWTSモジュールがシステム全体の性能に与える影響をさらに研究した結果、研究者たちはDECモジュールが注意力メカニズムを通じて分類性能を効果的に向上させることができること、またWTSモジュールが時間-周波数特徴の加重を通じて分類精度を顕著に向上させることを発見しました。アブレーション実験の結果は、DECモジュールが欠ける場合、平均分類精度が55.49%に低下することを示し、モジュールの重要性を裏付けています。
結論本研究で提案されたWTS-CC方法を通じて、研究チームは多様な公開データセット上で顕著なMI-EEG分類性能の向上を実現し、従来方法に存在する多くの問題を解決しました。WTS-CCは、空間、チャネル、時間および周波数領域の特徴とその重み付けを組み合わせることで、識別特徴を効果的に抽出および強調するため、MI-EEG分類精度向上の大きな可能性を秘めています。
将来、研究チームはWTS-CCモデルを改良および拡張し、適応型判別に応用することを計画しています。また、Transfer Learning技術を適用することで、実際のBCIシステムにおける適用性と汎化能力のさらなる向上も見込まれます。