Graph Neural Network-based EEG Classification: A Survey

要約

グラフ ニューラル ネットワーク (GNN) は、感情認識、運動イメージ、神経疾患や障害などのタスクの EEG を分類するために使用されることが増えています。
GNN ベースの分類器を設計するために、幅広い方法が提案されています。
したがって、これらのアプローチを体系的にレビューし、分類する必要があります。
このトピックに関する出版文献を徹底的に検索し、比較のためにいくつかのカテゴリを導き出します。
これらのカテゴリは、メソッド間の類似点と相違点を強調表示します。
結果は、空間グラフよりもスペクトル グラフの畳み込み層が普及していることを示唆しています。
さらに、ノード特徴の標準形式を特定します。最も一般的なのは、生の EEG 信号と微分エントロピーです。
私たちの結果は、EEG 分類のための GNN ベースのアプローチにおける新たな傾向を要約しています。
最後に、転移学習法の可能性の探求や周波数間相互作用の適切なモデリングなど、いくつかの有望な研究の方向性について説明します。

要約(オリジナル)

Graph neural networks (GNN) are increasingly used to classify EEG for tasks such as emotion recognition, motor imagery and neurological diseases and disorders. A wide range of methods have been proposed to design GNN-based classifiers. Therefore, there is a need for a systematic review and categorisation of these approaches. We exhaustively search the published literature on this topic and derive several categories for comparison. These categories highlight the similarities and differences among the methods. The results suggest a prevalence of spectral graph convolutional layers over spatial. Additionally, we identify standard forms of node features, with the most popular being the raw EEG signal and differential entropy. Our results summarise the emerging trends in GNN-based approaches for EEG classification. Finally, we discuss several promising research directions, such as exploring the potential of transfer learning methods and appropriate modelling of cross-frequency interactions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google