従来の機械学習は、コンシューマーグレードEEGの感情認識においてEEGNetを上回る：クロスデータセット検証による包括的な評価
Carlos Rodrigo Paredes Ocaranza1, Bensheng Yun1, Enrique Daniel Paredes Ocaranza1
1School of Artificial Intelligence and Information Engineering, Zhejiang University of Science and Technology, Hangzhou 310023, China.
Sensors (Basel, Switzerland)
|December 11, 2025
まとめ
特徴量エンジニアリングを伴う従来の機械学習（ML）は、コンシューマーグレードの感情認識においてEEGNetのような複雑なディープラーニングモデルを大幅に上回りました。このアプローチは、ノイズの多い実世界のブレインコンピューターインターフェースアプリケーションにおいて、優れた精度、安定性、効率性を提供します。
科学分野:
- 神経科学; コンピュータサイエンス; 生体医工学
背景:
- コンシューマーグレードEEGデバイスは、広範なブレインコンピューターインターフェース（BCI）展開の可能性を提供します。課題には、空間分解能の低下、制御されていない環境での信号品質のばらつき、ディープラーニングの有効性と一般化可能性の限定的な調査が含まれます。
研究 の 目的:
- コンシューマーグレードEEGを使用した感情認識において、特徴量エンジニアリングを伴う従来の機械学習（ML）と、EEGNetディープラーニングアーキテクチャを体系的に比較すること。リソースが制約されたシナリオにおいて、特徴量エンジニアリングがエンドツーエンド学習を上回る場合と理由を判断すること。
主な方法:
- DREAMERデータセットを使用したデータセット内評価と、クロスデータセット検証（DREAMER→SEED-VII）。従来のMLは、ランダムフォレスト分類器を使用して、統計的、周波数領域、および接続性特徴量を利用しました。ディープラーニングは、最適化されたEEGNetアーキテクチャを採用しました。クロスデータセット検証では、段階的ドメイン適応（解剖学的マッピング、CORAL、TCA）を使用しました。
主要な成果:
- 従来のMLは、データセット内パフォーマンス（F1=0.945対0.567、p<0.000001）とクロスデータセットパフォーマンス（F1=0.619対0.007）の両方で優れた結果を達成しました。チャネル間接続性は61%の識別力を貢献しました。従来のMLは、トレーニングで95%、推論で10倍高速でした。ディープラーニングはノイズ下でより劣化しましたが（17%対<1%）、従来のMLは堅牢性を維持しました。
結論:
- アーキテクチャの複雑さが、コンシューマーグレードEEGの生体信号処理を普遍的に強化するわけではありません。ドメイン固有の特徴量エンジニアリングと軽量な適応は、EEG感情認識において優れた精度、安定性、および実用的な展開を提供します。この結果は、他の複雑なアーキテクチャにも原則が拡張され、堅牢なクロスシステムBCIアプリケーションを可能にすることを示唆しています。
