運動想起型BCIシステムにおける脳波信号の分類における信号分解法の比較

Comparison of signal decomposition methods in classification of EEG signals for motor-imagery BCI system
Jasmin Kevrica, Abdulhamit Subasib
Biomedical Signal Processing and Control, 2017,Volume.31,P.398-406
20171122_tishihara

“この研究では,分類タスクのためのブレインコンピュータインタフェース(BCI)システムにおける脳波(EEG)信号の分解について,3つの一般的な信号処理技術(経験的モード分解,離散ウェーブレット変換,およびウェーブレットパケット分解)を調査した.この目的のために,マルチチャンネル2クラスの運動想起データセットであるデータセットIVaを使用した.雑音除去の目的でマルチスケール主成分分析法を適用した.さらに,特定の機能グループの効果を調べるために,異なる機能セットが形成された.信号分解法のパラメータ選択プロセスも完全に説明された.我々の結果は,ウェーブレットパケット分解サブバンドから抽出されたマルチスケール主成分分析ノンノイズ統計と高次統計フィーチャの組み合わせが,92.8%の最高平均分類精度をもたらしたことを示している.我々の研究は,BCI信号の分類における高次統計と組み合わせた信号分解法の包括的な比較を提供する非常に少数のものの中の一つである.
加えて,Brain Computer Interface Systemsにおける脳波信号の分類作業の改善において,より高い周波数範囲の重要性を強調した.得られた結果は,提案されたモデルが運動想起時の脳波信号の信頼できる分類を得る可能性を有し,したがって車椅子を制御するための実用的なシステムとして使用できることを示している.また,個人が正しい動作を実行すると,適切なフィードバックが配信される現在のリハビリテーションをさらに強化することができます.このようにして,運動リハビリの成果は時間とともに改善されるかもしれない.”

P300 と運動想起データセットのチャンネル選択手法としての多目的遺伝的アルゴリズム

Multi-objective genetic algorithm as channel selection method for P300 and motor imagery data set
Neurocomputing, Volume 161, Pages 120-131.2015
170704_snakamura

脳の異なる領域が異なる精神活動と関連しているように,チャネルの選択はタスクとは無関係と冗長チャネルを
除去することで,多電極脳波(EEG)システムの性能を向上させるためによく使用される.様々なチャネル選択
方法が以前の研究者による脳活動のいずれかのタイプを使用したブレインコンピュータインターフェース(BCI)
システムに実装成功されている.従来のBCI システムの限界を認識すると,ハイブリッドBCI システムの数が増
加している.これらのハイブリッドシステムは2 つの脳活動パターンの組み合わせを使用して,システムの機能性
を高める.この論文では,三目的遺伝的アルゴリズム(GAs)が選択されたチャンネル数とシステム精度を最適
化するために提案されている.本研究の目的は,BCI システムの分類精度と選択されたチャネルの数との間の最
適なトレードオフを調査することである.異なるBCI アプリケーションの優先順位が異なるため,このトレード
オフは重要である.いくつかの実施態様では最小数のチャネルを優先し,他の実施態様では分類精度を優先する.
本研究の第2 の目的は,異なる脳活動に基づくBCI システムのチャネル選択方法として採用されたGA の有効性
を調査することである.3 つのBCI 競合データセットを使用して,提案されたGA のパフォーマンスを評価する.
ノンパラメトリックフリードマン検定(p 値= 0.635)も行われ,チャンネル数の大幅な減少は評価データの分類
精度に大きな影響を与えないことが明らかになった.これはP300 および運動画像データの両方に対するチャネル
選択方法として遺伝的アルゴリズムの妥当性を確認する.

Brain computer interfaces におけるリーマンのアプローチ:そのレビュー

Riemannian approaches in Brain-Computer Interfaces: a review
IEEE Transactions on Neural Systems and  Rehabilitation Engineering
20170130_tishihara

多数のアプリケーションから期待されているが, 現在のBrain-Computer Interface(BCI)には依然として多く
の制限がある. 特に, ノイズ, 外れ値,ElectroEphalogalographic(EEG)信号の非定常性に敏感であり, 長い較正時
間を必要とし, 信頼性がない. したがって, これらの限界に対処するために, 特にEEG 信号処理および分類レベルに
おける新しいアプローチおよびツールが必要である. 共分散行列の使用によって先導されたリーマンアプローチは,
ますます多くの研究者によって徐々に採用されている非常に有望なツールである. この記事では, リーマンジオメ
トリの概要とBCI 関連マニホールドのプレゼンテーションの後, これらのアプローチがEEG ベースのBCI, 特に
特徴の表現と学習, 識別器の設計と較正時間の短縮にどのように使用されたかをレビューする. 最後に, マニフォー
ルドまたはマルチタスク学習における特徴追跡など,BCI における脳波信号分類の関連する課題および有望な研究
方向が特定される.

運動想起型 BCI システムのための分離可能な一般的な空間スペクトルパターン

Separable Common Spatio-Spectral Patterns for Motor Imagery BCI Systems
IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, VOL. 63, NO. 1
161010_tishihara

目的:特徴抽出は任意のブレイン・マシン・インタフェース(BCI)システムにおいて最も重要なものの 1 つで ある. 具体的には, 運動想起型 BCIS(MI-BCI)のための空間スペクトル特徴抽出は, 過去 10 年間にいくつかの研 究で注目されている. 本論文では, 分離可能な共通の空間スペクトルパターン(SCSSP)と呼ばれる,MI-BCIS で 判別空間スペクトル EEG 特徴量の抽出のための新規な方法を提案している. 方法;バイナリ分類問題と仮定する と,SCSSP は, マルチバンド脳波リズムのための異分散行列変量ガウスモデルを使用し, そのある分散の脳のタス クに対して最大および最小化されている空間スペクトル特徴を求めている. したがって,SCSSP は従来の一般的な 空間パターン(CSP)アルゴリズムの空間スペクトル一般化として考えることができる. 結果:公的に利用可能な BCI コンクールデータセットから得た 2 クラス、および複数クラス運動想起データにより, 計算上効率的な提案方 法は, フィルタバンク CSP(FBCSP)と密接に競合し, 十分なトレーニングデータがある場合でも、FBCSP の結 果をしのぐことを示す. さらに,SCSSP は FBCSP では不可能である抽出された空間スペクトル特徴の判別力をラ ンク付けするための単純な尺度を提供してくれる. 結論:マトリックス変量ガウス仮定は SCSSP 法が共同で空間 およびスペクトルドメイン両方における EEG データを処理することができる. 結果として,FBCSP のような文献 にある似たソリューションに比べて, 提案 SCSSP 方法は有意に低い計算を必要とする. 意義:提案された計算効率 のよい空間スペクトル特徴抽出は, ウェアラブルモバイル BCI システムのような計算能力が制限される用途に特に 適している.

EEG ベースの EEG におけるチャンネル選択と識別率の最適化

Optimizing the Channel Selection and Classification Accuracy in EEG-Based BCI
IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, VOL. 58, NO.6, JUNE 2011
160527_tishihara

マルチチャンネル EEG は,ブレインコンピュータインタフェース(BCI)で使用されており,EEG チャネル選 択によって,1)無関係またはノイズの多いチャネルを除去することにより,BCI の性能を向上させ,2)より少な いチャネルの使用でユーザの利便性を向上させることが可能である.本稿では EEG チャネル選択のための Sparse Common Spatial Pattern(SCSP)アルゴリズムを提案する.提案 SCSP アルゴリズムは,分類精度の制約内で チャネルの最小数を選択する最適化問題として定式化される.このように,提案されたアプローチは,ノイズと 無関係のチャネルを除去することにより,最高の分類精度を得る,またはすべてのチャネルを使用して得られた分 類精度を損なうことなく,チャネルの最小数を保持するようにカスタマイズすることができる.提案された SCSP アルゴリズムは 2 運動イメージデータセット,適度なチャンネル数の EEG と多チャンネルの EEG を使用して評 価した.両方のデータセットでは,提案された SCSP チャネル選択は著しくチャネルの数を減少させ,識別率に おいては既存のフィッシャーの線形判別法,相互情報量,SVM,CSP,正規化 CSP 基づいた手法を上回った.提 案 SCSP アルゴリズムは,3 つのチャネル(C3、C4、および CZ)の使用と比較して分類精度は平均 10 %の改善 が得られた.

Brain-computer interface(BCI), EEG channel selection, motor imagery, sparse common spatial pattern (SCSP)