A Domain-Informed Multi-Objective Framework for EEG Channel Selection in Motor Imagery BCIs

기술 요약: 운동 상상 BCI 를 위한 EEG 채널 선택을 위한 도메인 기반 다목적 프레임워크

문제 제기
운동 상상 (MI) 기반 뇌 - 컴퓨터 인터페이스 (BCI) 는 외부 장치를 제어하기 위해 감각운동 영역에서 뇌파 (EEG) 신호를 해독하는 데 의존합니다. 효과적인 MI-BCI 개발의 주요 병목 현상은 최적의 EEG 채널 선택입니다. 전통적인 방법들은 종종 단일 목적 기준 (예: 분류 정확도 극대화만 고려) 에 대한 의존성, 지역 최적점에 대한 취약성, 그리고 공간적 및 기능적 목적을 단일 집계 점수로 병합하는 경향과 같은 한계를 겪습니다. 이러한 접근 방식은 노이즈가 있거나 신경생리학적 관련성이 없는 채널을 선택하면서 MI 와 관련된 채널들을 배제하여, 노이즈 감소, 해부학적 관련성, 그리고 신호 판별력 사이의 진정한 상충 관계를 포착하지 못하게 할 수 있습니다.

방법론
저자들은 컴팩트하고 관련성 있는 EEG 채널 하위 집합을 선택하도록 설계된 도메인 기반 다목적 최적화 (MOO) 프레임워크를 제안합니다. 이 프레임워크는 전처리, 다목적 채널 선택, 특징 추출/선택, 그리고 분류의 네 단계로 운영됩니다.

1. 문제 정의: 채널 선택 작업은 두 가지 경쟁하는 목적을 동시에 극대화하도록 설계된 제약 조건이 있는 다목적 최적화 문제로 정의됩니다.

   • 공간적 관련성 ($f_{sp}$): 이 목적은 감각운동 피질 기준 영역 (C3 및 C4) 근처에 위치한 채널을 우선시합니다. 가우시안 커널을 사용하여 공간적으로 인접한 전극에는 더 높은 가중치를 부여하고 먼 전극은 억제합니다.
   • 기능적 판별력 ($f_{ITTRD}$): 이 목적은 개별 시도에 대해 활성화 기간과 기준선 기간 사이의 스펙트럼 전력 변화 백분율을 정량화합니다 (시내적 과제 관련 탈동기화). 시도에 걸쳐 평균을 내는 기존 ERD/ERS 접근법과 달리, 이 지표는 시도별 신경 특성을 보존합니다.

2. 최적화 알고리즘: 제안된 MOO 문제를 해결하고 목적을 단일 점수로 병합하지 않고 파레토 최적 해 (POS) 를 식별하기 위해, 이 프레임워크는 세 가지 집단 기반 전역 최적화 알고리즘을 사용합니다.

   • NSGA-II (비우세 정렬 유전 알고리즘 II): 엘리트주의와 혼잡 거리를 활용하여 다양한 해 집단을 유지합니다.
   • MOPSO (다목적 입자 군집 최적화): 군집 지능을 사용하여 비우세 해의 저장소를 유지하면서 빠르게 수렴합니다.
   • MOEA/D (분해 기반 다목적 진화 알고리즘): 문제를 스칼라 부분 문제로 분해하여 이웃 관계를 통해 동시에 해결합니다.

3. 특징 추출 및 분류: 채널 선택 후, 프레임워크는 9 개 주파수 대역 (4–40 Hz) 에 걸쳐 필터 뱅크 공통 공간 패턴 (FBCSP) 을 사용하여 공간 - 스펙트럼 특징을 추출합니다. 또한, 19 개의 통계 및 시간 영역 특징이 추출됩니다. 차원 축소는 최소 중복 최대 관련성 (mRMR) 을 사용하여 수행되며, 상위 10 개 특징을 유지한 후 서포트 벡터 머신 (SVM) 을 사용하여 분류합니다.

주요 기여
이 논문은 네 가지 주요 기여를 제시합니다.

1. 프레임워크 제안: 공간적 관련성과 기능적 판별력을 구별되고 상호 보완적인 목적으로 취급하며, NSGA-II, MOPSO, MOEA/D 를 통해 해결되는 MI 분류를 위한 EEG 채널 선택을 위한 다목적 최적화 프레임워크.
2. 새로운 목적 함수: C3/C4 근접성을 강조하는 가우시안 커널 기반 공간적 관련성 지표와 과제 관련 대역 전력 변화를 정량화하는 ITTRD 기반 기능적 판별력 지표의 도입.
3. 알고리즘 구현: 목적의 독립성을 보존하고 지역 최적점을 효과적으로 피하며 다양한 파레토 최적 채널 하위 집합을 생성하기 위해 세 가지 고급 MOO 알고리즘의 구현.
4. 벤치마킹: 네 개의 공개 EEG 데이터셋 (Physionet, OpenBMI, HighGamma, BCIIV-2A) 에 걸쳐 벤치마크를 수립하여, 분류 정확도와 계산 효율성을 향상시키면서 감각운동 영역에 집중된 효율적인 채널 하위 집합을 식별함.

결과
이 프레임워크는 채널 수와 피험자 수가 다양한 네 개의 데이터셋에서 평가되었습니다.

• Physionet (109 명, 64 채널): MOPSO 는 16 개의 선택된 채널을 사용하여 **87%**의 최고 정확도를 달성했습니다 (전체 특징 사용 시 76% 에서 향상). NSGA-II 와 MOEA/D 는 각각 83% 와 80% 를 달성했습니다.
• OpenBMI (54 명, 62 채널): MOPSO 는 선택된 특징을 사용하여 정확도를 61% 에서 **71%**로 향상시켰습니다.
• HighGamma (14 명, 128 채널): NSGA-II 와 MOPSO 는 각각 **75%**와 **74%**의 정확도를 달성했습니다.
• BCIIV-2A (9 명, 22 채널): MOPSO 와 MOEA/D 는 **63%**의 정확도를 달성한 반면, NSGA-II 는 61% 에 도달했습니다.

통계 분석 (일원 분산 분석 및 Tukey HSD) 은 제안된 다목적 접근 방식이 Physionet, OpenBMI, BCIIV-2A 데이터셋에서 도메인 지식이 결여된 탐욕적 기준선보다 유의하게 우수함을 확인했습니다 ($p < 0.05$). 탐욕적 기준선은 일부 데이터셋에서 높은 정확도 (예: Physionet 에서 93%) 를 달성했지만, 선택된 채널들은 일관된 신경생리학적 패턴이 부족했습니다. 반면, MOO 프레임워크는 토포맵에서 시각화되었듯이 감각운동 피질 (C3/C4) 주변에 집중된 채널 하위 집합을 일관되게 식별했습니다.

의의 및 주장
이 논문은 이 다목적 최적화 프레임워크가 전통적인 단일 목적 및 휴리스틱 채널 선택 방법의 한계를 해결한다고 주장합니다. 공간적 및 기능적 목적의 독립성을 보존함으로써, 이 프레임워크는 신경생리학적 의미가 있고 판별력 있는 컴팩트한 채널 구성을 성공적으로 식별합니다.

저자들은 이 접근 방식이 MI 기반 BCI 성능을 향상시키면서도 계산 복잡성을 줄여, 결과적인 시스템을 웨어러블, 휴대용, 실시간 응용 프로그램에 더 적합하게 만든다고 주장합니다. 이 연구는 도메인 지식 (운동 피질 사전 지식) 을 최적화 과정에 통합함으로써 정확할 뿐만 아니라 해석 가능한 채널 하위 집합을 산출하며, 생리적 신호 대신 분류기 특정 단서에 의존할 수 있는 전극의 "블랙박스" 선택을 피한다고 보여줍니다. 이 프레임워크는 다양한 BCI 패러다임에 대한 EEG 채널 선택 분야의 향후 연구를 위한 견고한 벤치마크로 제시됩니다.