BCI-sift: An automated feature selection toolbox for Brain Computer Interface applications

기술 요약: 뇌-컴퓨터 인터페이스 특징 선택을 위한 BCI-sift 툴박스

문제 제기
임상 응용을 위한 뇌-컴퓨터 인터페이스 (BCI) 의 발전은 정밀한 신호 해석에 달려 있습니다. 그러나 이식형 (예: 고밀도 ECoG, 미세전극 어레이) 과 비이식형 (예: 고밀도 EEG) 시스템 모두에서 얻은 신경 데이터는 본질적으로 차원이 높고 노이즈가 많습니다. 이러한 복잡성은 많은 추출된 특징이 중복되거나 목표 정신 상태와 무관할 수 있으므로 상당한 분석적 어려움을 초래합니다. 정교한 필터링이 없으면 분류기는 계산 요구 사항이 증가하고 (특히 제한된 훈련 데이터의 경우) 과적합 위험이 높아지며 해석 가능성이 감소합니다. 다양한 특징 선택 기법이 존재하지만, 현재 상황은 파편화되어 있습니다. 대부분의 방법은 특정 기록 양식이나 단일 참가자에게 맞춤화되어 있으며, 다양한 맥락과 차원에 걸쳐 특징 선택을 수행할 수 있는 통합적이고 사용하기 쉬운 도구가 부족합니다.

방법론
이러한 도전을 해결하기 위해 저자들은 scikit-learn 생태계와 호환되는 Python 기반 툴박스인 BCI-sift(BCI 체계적이고 해석 가능한 특징 튜닝)를 소개합니다. 이 툴박스는 다양한 고급 최적화 알고리즘을 통합하여 특징 선택을 간소화합니다.

• 작업 흐름: 시스템은 뇌 데이터, 레이블, 사용자 정의 매개변수 (특징 차원, 알고리즘, 모델, 지표) 를 입력받습니다. 그런 다음 선택된 특징 하위 집합으로 모델을 반복적으로 훈련시키고 성능 지표를 기록하여 최적 구성을 식별합니다.
• 알고리즘적 접근법:
  • 연속 검색: 전극 그리드, 시간 창과 같은 고유한 공간적 또는 시간적 구조를 가진 데이터를 위해 설계되었습니다. 여기에는 가능한 모든 연속 창 또는 직사각형 서브그리드를 테스트하는 연속 완전 검색과 탐색/활용 전략을 사용하여 최소 영역을 반복적으로 확장하는 확률적 언덕 오르기가 포함됩니다.
  • 일반 특징 선택: 인접성이 필요 없는 모든 특징 차원에 적용 가능합니다.
    • 재귀적 특징 제거 (RFE): 중요도 가중치 (예: SVM 계수) 가 가장 낮은 특징을 반복적으로 제거합니다.
    • 진화 알고리즘: DEAP 를 통해 구현된 솔루션 군집에 돌연변이, 교차, 선택을 적용합니다.
    • 시뮬레이션 어닐링: 지역 최적점에서 벗어나기 위해 온도에 의존하는 수용 확률로 무작위 수정을 제안합니다.
    • 입자 군집 최적화 (PSO): 최적 하위 집합으로 수렴하도록 입자 군집을 조정합니다 (PySwarms 를 통해 구현됨).
    • 무작위 검색: 벤치마킹을 위한 기준선으로 작용합니다.
• 검증 설정: 이 툴박스는 단어 반복 작업 (네덜란드어 단어 12 개, 각 10 회 반복) 을 수행한 8 명의 건강한 참가자 (간질 환자 7 명, 종양 절제술 중 1 명) 의 HD ECoG 데이터를 사용하여 검증되었습니다. 데이터는 감각운동 피질의 60~128 개 전극에서 기록되었습니다. 전처리 파이프라인에는 MinMax 스케일링이 포함되었으며, 특정 분석의 경우 동적 공통 평균 참조가 포함되었습니다. 분류는 선형 서포트 벡터 머신 (SVM) 을 사용하여 수행되었습니다.

주요 기여

1. 통합 프레임워크: BCI-sift 는 다중 차원 (전극, 시간, 주파수) 과 양식에 걸쳐 특징 선택을 위한 단일 접근 가능한 플랫폼을 제공하여 파편화된 양식별 방법 간의 격차를 해소합니다.
2. 알고리즘적 다양성: 신경 데이터의 공간적/시간적 연속성을 해석하는 데 필수적인 연속 검색 방법과 모든 예측 모델과 호환되는 일반 최적화 전략을 모두 제공합니다.
3. 해석 가능성과 자동화: 이 툴박스는 분류 정확도를 향상시킬 뿐만 아니라 가장 정보성이 높은 특징을 자동으로 식별하여 모델 투명성을 높이는 시각화 (예: MNI 공간의 전극 선택 비율) 를 생성합니다.
4. 견고성: 음성 시작 시간과 같은 외부 작업 정보가 없는 시나리오에서도 자동 데이터 노이즈 제거 및 특징 선택 기능을 포함합니다.

결과
HD ECoG 데이터셋에 대한 검증은 다음을 보여주었습니다:

• 성능 향상: 특징 선택은 모든 차원에서 해독 정확도를 크게 향상시켰습니다.
  • 전극 - 주파수: 정확도가 19±4% 에서 67±19% 로 증가했습니다.
  • 전극 (HFB 만): 정확도가 66±13% 에서 75±19% 로 증가했습니다.
  • 시간: 정확도가 66±13% 에서 71±11% 로 증가했습니다.
• 생리학적 일관성:
  • 주파수: 고주파수 대역 (HFB, 70~170 Hz) 이 일관되게 가장 정보성이 높은 것으로 식별되었으며, 이어 베타 대역이 뒤를 이었고, 하위 대역 (델타, 세타, 알파) 은 초기에 제거되었습니다.
  • 공간: 선택된 전극은 일관되게 중앙 고랑 근처에 위치하여 감각운동 피질의 기능적 조직과 일치했습니다.
  • 시간: 정보성 있는 시간 점은 음성 시작 직전과 직후 (약 시작 전 150ms 에서 시작 후 330ms) 에 군집하여 준비 및 조음 활동을 반영했습니다.
• 제약 조건에 대한 견고성:
  • 음성 시작 시간이 알려지지 않은 경우 (단서 정렬만 사용), 툴박스는 여전히 관련 시간 창을 식별하고 정확도를 향상시켰으며 (50±8% 에서 58±13%), 시작 정렬 분석과 비교 가능한 성능을 보였습니다.
  • 노이즈 제거: 툴박스는 노이즈가 있는 전극을 성공적으로 식별하고 제외했습니다. 노이즈가 있는 전극이 다시 도입되었을 때, RFE 는 최종 선택에서의 포함을 4.1% 로 줄였으며 (깨끗한 전극의 22.6% 대비), 수동 제외와 비교 가능한 정확도를 달성했습니다.
• 알고리즘 비교: 이 특정 데이터셋에서 RFE 가 가장 높은 성능을 보였지만, 다른 알고리즘 (예: PSO, 시뮬레이션 어닐링) 은 광범위하게 비교 가능한 전극 선택 패턴을 생성하여 다양한 데이터 특성을 위한 툴박스의 유연성을 시사했습니다.

의의
저자들은 BCI-sift 가 다목적, 확장 가능, 해석 가능한 플랫폼을 제공함으로써 BCI 특징 선택의 파편화된 성격을 해결한다고 주장합니다. 그 의의는 다음과 같습니다:

• 향상된 정확도: 체계적인 최적화는 분류 성능을 일관되게 향상시킵니다.
• 해석 가능성: 중앙 고랑 근처의 HFB 와 같은 생리학적 의미 있는 특징을 식별함으로써 이 도구는 말 및 운동 활동의 신경 상관관계를 이해하는 데 도움이 됩니다.
• 접근성: scikit-learn 호환성과 모듈식 설계로 인해 연구자들은 기존 워크플로우에 고급 최적화를 쉽게 통합하고, 다양한 분류기 (비선형 모델 포함) 에 적용하며, 새로운 방법으로 툴박스를 확장할 수 있습니다.
• 광범위한 적용성: HD ECoG 에서 검증되었지만, 기본 원칙은 다른 이식형 및 비이식형 BCI 데이터에 적용 가능하여 임상 사용을 위한 효율적이고 투명한 BCI 시스템 개발을 가속화할 수 있습니다.

저자들은 현재 검증이 단일 데이터셋에 초점을 맞추고 주로 RFE 를 활용했지만, 툴박스는 광범위한 최적화 전략을 지원하도록 설계되었으며 커뮤니티 자원으로 성장할 것으로 의도되었다고 강조합니다.