XRベースのウェアラブルブレインコンピューターインターフェースにおけるSSVEP分類のための深層学習手法の採用
Adoption of Deep Learning Methods for SSVEP Classification in XR-Based Wearable Brain–Computer Interfaces
本論文は、ウェアラブルXRブレインコンピューターインターフェース(BCI)における定常視覚誘発電位(SSVEP)分類を対象としている。XR刺激下での深層学習(DL)ベースのSSVEP分類の有効性を調査し、測定基準に基づく性能評価を提案し、軽量XR-SSVEP実装に向けたEEGチャネル削減を分析する。代表的なSSVEP特化DLモデルであるSSVEP時間周波数融合ネットワーク(SSVEP-TFFNet)を、Microsoft HoloLens 2を使用して取得した30人の被験者と1200回の試行からなるオープンXRベンチマークデータセットで評価した。フィルターバンク正準相関分析(FBCCA)との被験者独立比較を行い、不確実性評価に被験者内および被験者間変動を組み込んだ。結果として、SSVEP-TFFNetはXR条件下でFBCCAを上回ることが示された。さらに、6チャンネルおよび4チャンネル構成でも、8チャンネルフルモンタージュに近い性能を維持した。これらの知見は、適切に選択されたDLモデルがXRベースのSSVEP分類に利用できる可能性を示し、不確実性を考慮した、電極数を削減したウェアラブル実装を支持するものである。
- SSVEP-TFFNetがXR条件下で従来手法FBCCAを上回る分類性能を示した
- 6チャンネルおよび4チャンネル構成でも8チャンネルフルモンタージュに近いSSVEP分類性能を維持
- Microsoft HoloLens 2を使用した30人の被験者と1200回の試行からなるオープンXRベンチマークデータセットで評価が行われた
本論文はXR用ウェアラブルBCIにおけるSSVEP分類に深層学習モデル(SSVEP-TFFNet)を適用し、従来のFBCCAを上回る性能を示した点が重要。特に8チャンネルから6〜4チャンネルへ電極数を削減しても性能を維持できることを実証しており、ウェアラブルBCI製品の実用化・小型化に向けた技術的裏付けとなる。Microsoft HoloLens 2を用いた30人・1200試行のオープンベンチマークでの評価結果は、XR-BCI領域の研究・製品開発における参照データとして価値がある。