SSVEP分類のための自己学習に基づく被験者間ドメイン適応の再考

TL;DR（結論）

定常状態視覚誘発電位（SSVEP）を用いた脳コンピュータインターフェース（BCI）において、被験者間の信号変動とラベル付けの負担を解消するため、フィルタバンク情報を活用したユークリッド整列（FBEA）と、敵対的学習およびデュアルアンサンブルを統合した自己学習フレームワーク（CSST）が提案された。 提案手法は、敵対的学習によるドメイン間の分布整合と、時間的・複数ビューのアンサンブルによる高品質な擬似ラベル生成を組み合わせ、さらに時空間拡張コントラスティブ学習（TFA-CL）を導入することで、ラベルのないターゲット被験者のデータから効率的に学習し、ノイズ耐性と特徴の識別性を大幅に向上させている。 BenchmarkおよびBETAという二つの大規模データセットを用いた実験の結果、すべての信号長において従来の最高水準（SOTA）を上回る分類精度と情報伝達率（ITR）を達成し、被験者ごとの個別トレーニングを必要としない実用的なBCIシステムの実現可能性を、統計的に有意な差をもって証明した。

なぜこの問題か

脳コンピュータインターフェース（BCI）は、脳信号を解析することで外部機器との直接的な通信を可能にする技術であり、特に定常状態視覚誘発電位（SSVEP）は、高い信号対雑音比（SNR）と使いやすさから、文字入力やロボット制御などの分野で広く利用されている。しかし、実用化における最大の障壁は、SSVEP信号が被験者間で大きく変動するという非定常性と個人差にある。個々のユーザーに合わせて高精度なデコードモデルを構築するには、大量のラベル付きデータを収集する必要があるが、このプロセスはユーザーにとって大きな負担となり、システムの普及を妨げる要因となっている。 従来の正準相関分析（CCA）やフィルタバンク正準相関分析（FBCCA）といった学習不要な手法は、あらかじめ定義された固定の参照信号に依存しているため、被験者固有の信号特性やノイズに対応しきれず、汎用性に欠けるという課題があった。また、既存のドメイン汎化手法は、ソース被験者のデータのみを利用してモデルを構築するため、ターゲット被験者の固有の情報を十分に活用できないという限界がある。…

核心：何を提案したのか

本研究では、SSVEP分類の精度を飛躍的に向上させるため、自己学習パラダイムを基盤とした新しい被験者間ドメイン適応手法を提案している。この提案の核心は、SSVEP信号の特性を最大限に引き出すための「フィルタバンク情報を活用したユークリッド整列（FBEA）」と、二段階のプロセスで構成される「被験者間自己学習（CSST）」フレームワーク、そして「時空間拡張コントラスティブ学習（TFA-CL）」の三つの要素にある。これらは、データの幾何学的整列、ドメイン間の分布整合、そして擬似ラベルの精緻化という異なる側面から、被験者間の差異という難題にアプローチしている。…

続きはログイン/プランで閲覧できます。