独立した低ランクマトリクス分析に基づく自動アーティファクト削減技術を3つのBCIパラダイムに適用した

Independent Low-Rank Matrix Analysis-Based Automatic Artifact Reduction Technique Applied to Three BCI Paradigms.

• Suguru Kanoga
• Takayuki Hoshino
• Hideki Asoh

抄録

脳波（EEG）ベースのブレイン・コンピュータ・インターフェース（BCI）は、脳活動を利用して非侵襲的に他人と直接コミュニケーションをとることを可能にする可能性がある。身体活動（アイリンクや歯ぎしりなど）から発生する人工物はしばしば脳波を汚染し、脳波ベースの分類/同定を困難にします。独立成分分析（ICA）は、このような汚染の影響を減衰させるための標準的な手法であるが、ICAは独立性の仮定にのみ依存しているため、推定された独立成分は依然としてアーチファクトやニューロン情報と混ざっている。また、ICAの拡張手法である独立ベクトル解析(IVA)を用いた場合も同様の問題が発生する。この問題を解決するために、独立性仮定と周波数領域での低ランク性質の下でオブザベーションからのソースを明確にモデル化する独立低ランク行列分析(ILRMA)をベースとした自動アーチファクト削減手法を設計した。自動アーチファクト低減のために、信号分離技術と独立成分分類器ICLabelを組み合わせた。提案手法の比較効率を評価するために、3つのBCIパラダイム[運動イメージ（MI）、事象関連電位（ERP）、定常状態視覚誘発電位（SSVEP）]を用いて得られた脳波データを含むOpenBMIというオープンアクセスの脳波データセットを用いて、ICA、IVA、およびILRMAを用いてアーチファクト低減された脳波の識別能力を決定した。これら3つのパラダイムを用いて、アーチファクト低減技術を適用した後にBCIの性能を求めたところ、我々が提案する手法は、BCIに対してICAやIVAよりも高い識別性を達成できる可能性があることが示唆された。さらに、ILRMAアプローチを用いたアーチファクト削減は、BCIコミュニティのほとんどのニーズに対して、アーチファクト削減されたデータを用いたBCIの平均性能を明らかに（70%以上）向上させた。ICAファミリを識別能力を残した教師付き分離に拡張すれば、アーティファクトが脳波を頻繁に汚染する実生活環境でのBCIの有用性がさらに向上するであろう。

Electroencephalogram (EEG)-based brain-computer interfaces (BCIs) can potentially enable people to non-invasively and directly communicate with others using brain activities. Artifacts generated from body activities (e.g., eyeblinks and teeth clenches) often contaminate EEGs and make EEG-based classification/identification hard. Although independent component analysis (ICA) is the gold-standard technique for attenuating the effects of such contamination, the estimated independent components are still mixed with artifactual and neuronal information because ICA relies only on the independence assumption. The same problem occurs when using independent vector analysis (IVA), an extended ICA method. To solve this problem, we designed an independent low-rank matrix analysis (ILRMA)-based automatic artifact reduction technique that clearly models sources from observations under the independence assumption and a low-rank nature in the frequency domain. For automatic artifact reduction, we combined the signal separation technique with an independent component classifier for EEGs named ICLabel. To assess the comparative efficiency of the proposed method, the discriminabilities of artifact-reduced EEGs using ICA, IVA, and ILRMA were determined using an open-access EEG dataset named OpenBMI, which contains EEG data obtained through three BCI paradigms [motor-imagery (MI), event-related potential (ERP), and steady-state visual evoked potential (SSVEP)]. BCI performances were obtained using these three paradigms after applying artifact reduction techniques, and the results suggested that our proposed method has the potential to achieve higher discriminability than ICA and IVA for BCIs. In addition, artifact reduction using the ILRMA approach clearly improved (by over 70%) the averaged BCI performances using artifact-reduced data sufficiently for most needs of the BCI community. The extension of ICA families to supervised separation that leaves the discriminative ability would further improve the usability of BCIs for real-life environments in which artifacts frequently contaminate EEGs.

Copyright © 2020 Kanoga, Hoshino and Asoh.