運動イメージ解読のための多特徴注意畳み込みニューラルネットワーク

2024-06-13 Thu
神経内科学工学医学検査電気工学情報科学人工知能自動化医学バイオエンジニアリング生命科学
多特徴注意畳み込みニューラルネットワーク運動イメージ脳-コンピュータインターフェース軽量モデル
脑機インターフェース（Brain-Computer Interface, BCI）は、神経系と外部環境を接続するコミュニケーション手段です。運動イメージ（Motor Imagery, MI）はBCI研究の基礎であり、運動実行前の内的リハーサル（Internal Rehearsal）を指します。非侵襲性技術である脳波（Electroencephalography, EEG）は、そのコスト効率と利便性のため、高い時間分解能で神経活動を記録することができます。被験者が特定の身体部位を移動することをイメージすると、大脳の特定領域でエネルギー変化（ERD/ERS）が発生し、これらの変化はEEGにより記録され運動意図を識別するために使用されます。MIに基づくBCIシステムは大きな進展を遂げており、外骨格やカーソルの制御が可能で、特に仮想現実技術と組み合わせた脳卒中リハビリの潜在能力が顕著です。
現在、高性能なMIデコード方法の開発はシステム成功の鍵となっています。しかし、外部刺激に依存する他のBCIパラダイム、例えば事象関連電位（Event-Related Potential, ERP）や定常状態視覚誘発電位（Steady-State Visual Evoked Potential, SSVEP）と比較して、自発MIの分類性能を向上させることは信号対雑音比が低いことや個体差が大きいことから非常に困難です。
研究の出所本研究はYiyang Qin、Banghua Yang、Sixiong Ke、Peng Liu、Fenqi RongおよびXinxing Xiaらによって執筆され、上海大学機械電気工学およびオートメーション学院その他の研究機関から発表されています。本研究は《IEEE Transactions on Neural Systems and Rehabilitation Engineering》2024年第32巻に掲載されました。また、中国国家重点研究開発計画など複数のプロジェクトから支援を受けております。
研究の流れ1. データセットと前処理研究では2つのデータセットを使用しました：2008年BCIコンペティションIV-2aデータセットおよび2019年世界ロボット大会コンペティション-BCIロボットコンペティションMIデータセット。全データの前処理はMNEライブラリを用いて行われ、0.5〜40Hzのバンドパスフィルタを通じて、眼電や筋電などの干渉を除去しました。
2. M-FANetアーキテクチャの設計本研究では、軽量な多特徴注意コンボリューションニューラルネットワーク（Multi-Feature Attention Neural Network, M-FANet）を提案しました。モデルは特徴抽出のための複数のコンボリューション層を含み、周波数ドメイン、局所的な空間および特徴マップの調整のために3つの異なる注意モジュールを設計しました：
- 周波数帯注意モジュール：Chebyshev Type IIフィルターを利用して多周波数帯EEGデータを抽出し、ポイントコンボリューションを介して多周波数帯情報を統合。
- 局所空間注意モジュール：小さなコンボリューションカーネルを用いてEEGデータの局所空間特徴を抽出し、MI関連の脳領域に焦点を当てる。
- 特徴マップ注意モジュール：グローバルアベレージプーリング層と全結合層を通じて特徴マップを計算し、Squeeze-and-Excitation Block（SEBlock）を使用して特徴マップを自動調整し、優先的に処理。
3. R-Dropトレーニング方法正則化したDropout（Regularized Dropout, R-Drop）というトレーニング手法を導入し、正則化項を追加することでサブモデル間の出力差を減少させ、モデルの汎化能力を強化しました。
研究結果1. パフォーマンス評価BCIコンペティションIV-2aデータセットにおいて、M-FANetは79.28%の4分類精度、Kappa：0.7259を達成し、WBCIC-MIデータセットにおいては77.86%の3分類精度、Kappa：0.6650を達成しました。実験により、M-FANetのパフォーマンスが最新のMIデコード方法よりも優れていることが示されました。
2. アブレーション実験一連のアブレーション実験を行い、M-FANetの多特徴注意モジュールが周波数帯注意、局所空間注意および特徴マップ注意において寄与していることを検証し、各モジュールの除去がパフォーマンスの低下を招くことから、これらのモジュールがモデルにおいて重要な役割を果たしていることが示されました。
結論と意義本研究で提案された軽量な多特徴注意コンボリューションニューラルネットワークM-FANetは、周波数帯特徴、局所空間特徴および注意機構の効果的な選択により、MIタスクの分類性能を大幅に向上させました。R-Dropトレーニング方法はサブモデル間の出力差を抑制し、モデルの過剰適合を減少させました。M-FANetは性能とメモリ要求のバランスを取ることに成功し、MI基盤のBCI研究および応用における潜在力を示しています。
ハイライトと価値革新的デザイン：多特徴注意モジュールを利用したデータの効率的な処理と特徴抽出。
優れたパフォーマンス：多くの実験を通じて、M-FANetの分類性能が現行の最先端MIデコード方法よりも優れていることが確認されました。
軽量アーキテクチャ：高精度を保ちながら、リソース消費が少ない。
幅広い応用性：特にリソースが限られたポータブルおよび埋め込み型デバイスに適しており、大きな応用潜在力を持っています。
次のステップ今後の課題として、M-FANetを他のBCIパラダイム（例えばERP）へ応用し、非固定帯域幅分割方法を探求して有用な情報を識別します。また転移学習の応用を検討し、異なるデータセットにおけるモデルのパフォーマンスをさらに向上させる計画です。