Geometric Machine Learning on EEG Signals

要約

Brain-Computer Interfaces（BCIS）は変革の可能性を提供しますが、神経信号を解読することは重要な課題をもたらします。
この論文の中核的な前提は、下流のBCI関連ニューラル分類タスクを支援するために、高次元の脳波データに存在する基礎となる低次元の幾何学的構造を解明する方法の実証方法を中心に構築されています。
脳波（EEG）信号処理に関連する2つのパイプラインを示します。（1）個々のEEGチャネルからノイズを除去する予備パイプライン、および（2）EEGチャネルのネットワーク全体で幾何学的構造を発見する下流のマニホールド学習パイプライン。
2つのEEGデータセットを使用して予備検証を実施し、BCI関連の想像上の桁デコード問題のコンテキストでデモンストレーションを配置します。
予備のパイプラインは、注意ベースのEEGろ過ネットワークを使用して、個々のEEGチャネルからクリーン信号を抽出します。
私たちの主要なパイプラインは、高速フーリエ変換、ラプラシアン固有マップ、リッチーの曲率のオリビエの概念によるリッチの流れの離散類似体、および正規化可能なダウンストリーム分類のために高次元マルチチャンネルEEGデータの次元削減を実行するグ​​ラフ畳み込みネットワークを使用します。
当社のシステムは、既存の信号処理と分類ベンチマークで競争力のあるパフォーマンスを実現します。
半合成ニューラル除去で2 dBで0.95を> 0.95の平均検定相関係数と、Digit-and disit-inding-indigit-entingの識別で0.97の下流のEEGベースの分類精度を示します。
結果は予備的であり、幾何学的な機械学習パイプラインは、より広範なフォローアップ研究によって検証されるべきです。
これらの結果をより大きな被験者間サンプルサイズ、異なるハードウェアシステム、およびより広範なユースケースに一般化することが重要です。

要約(オリジナル)

Brain-computer interfaces (BCIs) offer transformative potential, but decoding neural signals presents significant challenges. The core premise of this paper is built around demonstrating methods to elucidate the underlying low-dimensional geometric structure present in high-dimensional brainwave data in order to assist in downstream BCI-related neural classification tasks. We demonstrate two pipelines related to electroencephalography (EEG) signal processing: (1) a preliminary pipeline removing noise from individual EEG channels, and (2) a downstream manifold learning pipeline uncovering geometric structure across networks of EEG channels. We conduct preliminary validation using two EEG datasets and situate our demonstration in the context of the BCI-relevant imagined digit decoding problem. Our preliminary pipeline uses an attention-based EEG filtration network to extract clean signal from individual EEG channels. Our primary pipeline uses a fast Fourier transform, a Laplacian eigenmap, a discrete analog of Ricci flow via Ollivier’s notion of Ricci curvature, and a graph convolutional network to perform dimensionality reduction on high-dimensional multi-channel EEG data in order to enable regularizable downstream classification. Our system achieves competitive performance with existing signal processing and classification benchmarks; we demonstrate a mean test correlation coefficient of >0.95 at 2 dB on semi-synthetic neural denoising and a downstream EEG-based classification accuracy of 0.97 on distinguishing digit- versus non-digit- thoughts. Results are preliminary and our geometric machine learning pipeline should be validated by more extensive follow-up studies; generalizing these results to larger inter-subject sample sizes, different hardware systems, and broader use cases will be crucial.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google