EEG-ReMinD: Enhancing Neurodegenerative EEG Decoding through Self-Supervised State Reconstruction-Primed Riemannian Dynamics

要約

EEG デコード アルゴリズムの開発は、データの希薄性、被験者のばらつき、正確な注釈の必要性などの課題に直面しています。これらの課題はすべて、脳とコンピューターのインターフェイスを進歩させ、病気の診断を強化するために不可欠です。
これらの問題に対処するために、私たちは、教師あり学習への依存を軽減し、固有の幾何学的特徴を統合する、自己教師あり状態再構成プライムリーマンダイナミクス (EEG-ReMinD) と呼ばれる新しい 2 段階のアプローチを提案します。
このアプローチは、EEG データの破損を効率的に処理し、ラベルへの依存を軽減します。
EEG-ReMinD は、自己教師あり幾何学学習技術と注意メカニズムを利用して、リーマン力学と呼ばれるリーマン幾何学の枠組み内で EEG 特徴の時間的力学を分析します。
2 つの異なる神経変性疾患からの無傷のデータセットと破損したデータセットの両方の比較分析により、EEG-ReMinD のパフォーマンスが向上していることが強調されます。

要約(オリジナル)

The development of EEG decoding algorithms confronts challenges such as data sparsity, subject variability, and the need for precise annotations, all of which are vital for advancing brain-computer interfaces and enhancing the diagnosis of diseases. To address these issues, we propose a novel two-stage approach named Self-Supervised State Reconstruction-Primed Riemannian Dynamics (EEG-ReMinD) , which mitigates reliance on supervised learning and integrates inherent geometric features. This approach efficiently handles EEG data corruptions and reduces the dependency on labels. EEG-ReMinD utilizes self-supervised and geometric learning techniques, along with an attention mechanism, to analyze the temporal dynamics of EEG features within the framework of Riemannian geometry, referred to as Riemannian dynamics. Comparative analyses on both intact and corrupted datasets from two different neurodegenerative disorders underscore the enhanced performance of EEG-ReMinD.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google