運動想像を用いたBCIにおける分布外検出の課題

要旨：機械学習分類器は、ブレイン-コンピュータ・インタフェースにおいて、訓練時に用いられたデータの分布に基づいて分類を行います。分布の外にあるサンプルについて推論を行う必要がある場合、盲目的な推測しかできません。ランダムな推測を許す代わりに、これらの分布外サンプル（Out-of-Distribution: OOD）は検出されて拒否されるべきです。私たちは、運動想像（Motor Imagery）BCI におけるOOD検出を、いくつかのクラスでモデルを訓練し、未知のクラスが不確実性の増大に基づいて検出できるかを観察することで研究します。七つの異なるOOD検出手法を検証し、OOD検出の質を高めると主張されるもう1つの手法を追加で検証します。私たちの知見は、EEG信号を分類する際に本質的に高い不確実性があるため、ブレイン-コンピュータ・インタフェースにおけるOOD検出は他の機械学習分野よりも難しいことを示しています。多くの被験者については、分布内クラスの不確実性が分布外クラスよりも依然として高い場合があります。その結果、多くのOOD検出手法は効果がないと判定される一方で、MCドロップアウトが最も良い性能を示しました。さらに、分布内での高い分類性能は、OOD検出性能の高さを予測することを示しており、精度の改善がロバスト性の向上にもつながる可能性を示唆します。私たちの研究は、未知のEEGデータに対してモデルがどのように対処するかを研究する設定を実証し、これらの未知の入力に対して頑健な方法を評価します。OOD検出は、BCI の全体的な安全性と信頼性を向上させることができます。