Graph Neural Networks on SPD Manifolds for Motor Imagery Classification: A Perspective from the Time-Frequency Analysis

要約

運動イメージ (MI) 分類は、脳波検査 (EEG) に基づく脳とコンピューターのインターフェイスにおける顕著な研究トピックです。
過去数十年にわたり、MI-EEG 分類器のパフォーマンスは徐々に向上してきました。
この研究では、Graph-CSPNetと呼ばれる新しいアーキテクチャを導入し、時間周波数分析の観点からMI-EEG分類のための幾何学的深層学習分類器を強化します。
信号共分散行列によって引き起こされる微分幾何学における豊富な背景を強調して、このカテゴリの分類器を幾何学的手法と呼びます。
Graph-CSPNet は、新しい SPD 行列値グラフ畳み込み技術を利用して時間周波数領域で EEG 特徴を捕捉し、信号セグメンテーションの柔軟性を高め、局所的な変動を捕捉します。
Graph-CSPNet の有効性を評価するために、一般的に使用されている 5 つの公的に利用可能な MI-EEG データセットを採用し、11 シナリオ中 9 シナリオで最適に近い分類精度を達成しました。
Python リポジトリは、https://github.com/GeometricBCI/Tensor-CSPNet-and-Graph-CSPNet にあります。

要約(オリジナル)

The motor imagery (MI) classification has been a prominent research topic in brain-computer interfaces based on electroencephalography (EEG). Over the past few decades, the performance of MI-EEG classifiers has gradually improved. In this study, we enhance the geometric deep learning classifier for MI-EEG classification from the perspective of time-frequency analysis, introducing a new architecture called Graph-CSPNet. We refer to this category of classifiers as geometric methods, emphasizing their rich background in differential geometry induced by signal covariance matrices. Graph-CSPNet utilizes a novel SPD matrix-valued graph convolutional techniques to capture the EEG features in the time-frequency domain, providing greater flexibility in signal segmentation and capturing localized fluctuations. To evaluate the effectiveness of Graph-CSPNet, we employ five commonly-used publicly available MI-EEG datasets, achieving near-optimal classification accuracies in nine out of eleven scenarios. The Python repository can be found at https://github.com/GeometricBCI/Tensor-CSPNet-and-Graph-CSPNet

arxiv情報

提供元, 利用サービス

arxiv.jp, Google