Upgrade to Pro — share decks privately, control downloads, hide ads and more …

論文輪読会 第27回 "Trends in Machine Learning and Electroencephalogram (EEG): A Review for Undergraduate Researchers"

AcademiX
October 31, 2023
19

論文輪読会 第27回 "Trends in Machine Learning and Electroencephalogram (EEG): A Review for Undergraduate Researchers"

AcademiX が開催した 第27回 論文輪読会 資料

日時:2023/10/31
論文タイトル:Trends in Machine Learning and Electroencephalogram (EEG): A Review for Undergraduate Researchers

<概要>
Murungi, Nathan Koomeらは,学部生が機械学習の文脈におけるBrain Computer Interfaces(BCI)分野の概要を把握し有望な研究の道筋を示すという課題のため,タスク・アルゴリズム・データセットの網羅的なレビューを行い,BCI初学研究者は豊富なデータセットと高い分類率を誇る運動イメージ・てんかん検知・感情分類タスクを選択し,分類タスクで高い精度を保証されているCNN・SVM・Transformersのモデルを利用することが,BCI分野に確固たる基盤を築き自信を持って研究することができる.

AcademiX

October 31, 2023
Tweet

More Decks by AcademiX

Transcript

  1.  
    https://www.academix.jp/
    AcademiX
    論文輪読会
    Trends in Machine Learning and
    Electroencephalogram (EEG): A Review for
    Undergraduate Researchers
    東京医科歯科大学大学院
    Kobayashi Meguru
    2023/10/29

    View full-size slide

  2. 研究の概要
    引用元
    Murungi, N. K., Pham, M. V., Dai, X., & Qu, X. (2023). Trends in Machine Learning
    and Electroencephalogram (EEG): A Review for Undergraduate Researchers
    (arXiv:2307.02819). arXiv. https://doi.org/10.48550/arXiv.2307.02819
    以下,引用する図や表は,本論文から引用.
    要約
    Murungi, Nathan Koomeらは,学部生が機械学習の文脈におけるBrain-Computer
    Interfaces(BCIs)分野の概要を把握し有望な研究の道筋を示すという課題のため,タ
    スク・アルゴリズム・データセットの網羅的なレビューを行った.
    BCI初学研究者は豊富なデータセットと高い分類率を誇る運動イメージ・てんかん検知・
    感情分類タスクを選択し,分類タスクで高い精度を保証されている
    CNN・SVM・Transformersのモデルを利用することが,BCI分野に確固たる基盤を築
    き自信を持って研究することができる.

    View full-size slide

  3. 本論文の問題設定
    機械学習(Machine Learning: ML)の発展と脳波データの利用可能性に注目が集まり
    Brain Computer Interfaces(BCI)分野の盛り上がりを見せているが,それに伴った
    膨大な論文数と技術の急速な進化により,初学者にとって研究の参入障壁が高い分野
    になってしまっている.
    そこで,本論文は,脳波(Electroencephalography: EEG)研究を目指す初学者の学
    部生・院生研究者にとっての包括的な手引書として作成された.本論文を読むことで
    ,BCI研究における体系的な知見を獲得し,今後の研究に明るい道筋を見出すことを期
    待している.

    View full-size slide

  4. 核となる研究手法
    レビューする論文の選択基準
    ● データ
    ○ データを統一するため, EEGと被験者のみを対象.
    ● 発行年
    ○ 機械学習分野と脳波分野は変化の早い分野のため, 2020年以降に発表された最新論文のみを対
    象.
    ● ML/深層学習(Deep Learning: DL)
    ○ 研究手法としてML・DLアプローチに重点を置いている.
    ● 再現性
    ○ データの前処理・特徴量抽出・結果・コード・データソースを含む.
    ● 対象読者
    ○ コンピュータサイエンスを専攻する学部生
    ○ MLに興味を持つ学部生

    View full-size slide

  5. 核となる研究手法
    本論文で推奨されている9つの論文の選定方法はFig. 1の流れである.
    1. データベースでの論文検索
    1. Google Scholar, Paperwithcode, arXiv, PubMedの各データベースでキーワード検索.
    2. keywords: (’Machine Learning’ OR ’LSTM’ OR ’Deep Learning’ OR ’CNN’ OR ’RNN’ OR
    ’Classification’ OR ’DNN’ OR ’Autoencoder’ OR ’GAN’ OR ’ Transformer’ AND ’Brain Computer
    Interface’ OR ’Motor Imagery Classification’ OR ’seizure’ OR ’EEG Review’ OR ’Speech’ OR ’Emotion’
    OR ’Parkinson’s’ OR ’Alzheimer’s’ OR ’Depression’ OR ’Rehabilitation’ OR ’Gender Classification’ OR
    ’Stroke’ OR ’Person Identification’ OR ’Age Classification’ OR ’Task classification’) AND (’EEG’ OR
    ’Electroencephalography’ AND ’Survey’ or ’Review’ ).
    2. 重複論文の削除
    1. 10本の論文を除外.
    3. 論文のスクリーニング
    1. 57本の論文を除外.
    4. 基準の評価
    1. 44本の論文を除外
    5. 統計に使用された論文
    1. 76本の論文を選定.
    6. 推奨される論文
    1. 6本(9本?)の論文を選定.

    View full-size slide

  6. BCIタスク
    Table 2は,BCIタスクで分類した論文数.上位から
    1. 運動イメージ
    1. リハビリと支援技術に応用
    2. 将来的にカーソルの移動・ロボット
    アームの操作・ビデオゲームの操作
    などが実用化
    2. 感情認識・てんかん検知
    1. 感情認識で人の精神状態や情動状態
    が明らかになる
    →メンタルヘルスの文脈で感情検出
    は応用される.
    2. てんかん検知は,罹患者の生活を
    向上させるために,役立つ.
    データ駆動型の計算論的神経科学.

    View full-size slide

  7. アルゴリズム
    Table 3は,アルゴリズムで分類した論文数.上位から
    1. CNN
    2. RNN
    3. Transformer
    ※著者らは深層信念ネット
    ワーク
    (Deep Belief Network: DBN)
    の開発に邁進していたらしい.

    View full-size slide

  8. データセット
    Table 4. はデータセットで分類した論文数.代表的なものを簡単に紹介すると,
    ● DEAP
    ○ 感情状態の分析
    ● BCI Competition Ⅳ
    ○ 信号処理と分類法の検証
    ● SEED
    ○ 様々な使用用途のあるEEGデータ
    セット
    ● EEGEyeNet
    ○ 眼球運動予測とベンチマーク
    表には無いがそのほかにも
    ● Thinking out loud:内言語認識
    のためのEEGベースのBCIデータ
    セット
    ● Feeling Emotions:感情認識のための
    EEG脳波のデータセット
    などが利用可能.

    View full-size slide

  9. Discusstion
    EEGのデータセットは少数の被験者のみから採取しているので,そのデータセットを使
    用して学習したモデルは限られたロバスト性しか無いのが課題である. →GANsなどの
    生成モデルを使用して,データセットの拡張をすることでこの問題を回避できる可能性が
    ある.
    EEGデータセットは特定の実験環境で採取されることが多く,EEGを用いた研究結果を
    実社会に実装することは困難である.
    →BCIの設計段階から実験環境と実社会における包括的な理解と評価が必要である.
    特定の1つのタスクに対して,複数のモデルを試すことで最適な計算効率と精度を調査・
    同定することが研究において不可欠である.

    View full-size slide

  10. 関連研究
    Table 5. で紹介されていた論文ら.
    Roy, Y., Banville, H., Albuquerque, I., Gramfort, A., Falk, T. H., & Faubert, J.
    (2019). Deep learning-based electroencephalography analysis: A systematic
    review. Journal of Neural Engineering, 16(5), 051001.
    https://doi.org/10.1088/1741-2552/ab260c
    DLとEEGに関する別のレビュー論文.
    Craik, A., He, Y., & Contreras-Vidal, J. L. (2019). Deep learning for
    electroencephalogram (EEG) classification tasks: A review. Journal of Neural
    Engineering, 16(3), 031001. https://doi.org/10.1088/1741-2552/ab0ab5
    深層学習を用いた脳波の分類タスクについてのレビュー論文.
    Govindan, B., Pickett, S., & Riggs, B. (2020). Fear of the CURE: A Beginner’s
    Guide to Overcoming Barriers in Creating a Course-Based Undergraduate
    Research Experience. Journal of Microbiology & Biology Education, 21(2), 50.
    https://doi.org/10.1128/jmbe.v21i2.2109
    学部課程での研究についての論文.

    View full-size slide