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) の分類は、脳波 (EEG) ベースのブレイン コンピューター インターフェイス (BCI) の分野で非常に人気のある研究トピックであり、莫大な商業的価値があります。
過去 20 年間で、MI-EEG 分類子の傾向に根本的な変化があり、その結果、パフォーマンスが徐々に向上しました。
BCI 研究における最初の幾何学的深層学習 (GDL) フレームワークである Tensor-CSPNet の出現は、信号の非ユークリッドな性質を特徴付けることが不可欠であることに起因しています。
基本的に、Tensor-CSPNet は、EEG の二次統計を利用するディープ ラーニング ベースの分類器です。
ＥＥＧ信号に対して一次統計を利用する従来のアプローチとは対照的に、これらの二次統計の利用は古典的な治療を表す。
これらの統計は、適切な識別情報を提供し、MI-EEG 分類に適したものにします。
この研究では、MI-EEG 分類のために、Graph-CSPNet と呼ばれる別の GDL 分類子を導入します。
Graph-CSPNet は、グラフベースの手法を利用して、時間ドメインと周波数ドメインの両方で EEG 信号を特徴付け、時間-周波数分析の基本的な視点を実現します。
Graph-CSPNet のアーキテクチャはさらに簡素化されており、信号のセグメンテーションと局所的な変動の捕捉のための可変の時間-周波数分解能に対処する柔軟性が向上しています。
Tensor-CSPNet とは対照的に、このアプローチにより、Graph-CSPNet は MI-EEG 分類でより良い結果を達成できます。
Graph-CSPNet の有効性を評価するために、5 つの一般的に使用されている公開されている MI-EEG データセットを利用し、最適に近い分類精度を生成し、11 の被験者固有のシナリオのうち 9 つを獲得しました。
Graph-CSPNet の Python 実装は、GitHub リポジトリ https://github.com/GeometricBCI/Tensor-CSPNet-and-Graph-CSPNet で入手できます。

要約(オリジナル)

The classification of motor imagery (MI) is a highly sought-after research topic in the field of Electroencephalography (EEG)-based brain-computer interfaces (BCIs), with immense commercial value. Over the past two decades, there has been a fundamental shift in the trend of MI-EEG classifiers, resulting in a gradual increase in their performance. The emergence of Tensor-CSPNet, the first geometric deep learning (GDL) framework in BCI research, is attributed to the imperative of characterizing the non-Euclidean nature of signals. Fundamentally, Tensor-CSPNet is a deep learning-based classifier that capitalizes on the second-order statistics of EEGs. In contrast to the conventional approach of utilizing first-order statistics for EEG signals, the utilization of these second-order statistics represents the classical treatment. These statistics provide adequate discriminative information, rendering them suitable for MI-EEG classification. In this study, we introduce another GDL classifier, called Graph-CSPNet, for MI-EEG classification. Graph-CSPNet utilizes graph-based techniques to characterize EEG signals in both the time and frequency domains, realizing the fundamental perspective of time-frequency analysis. The architecture of Graph-CSPNet is further simplified, offering greater flexibility to cope with variable time-frequency resolution for signal segmentation and capturing localized fluctuations. In contrast to Tensor-CSPNet, this approach enables Graph-CSPNet to achieve better results in MI-EEG classification. To evaluate the efficacy of Graph-CSPNet, we utilize five commonly-used publicly available MI-EEG datasets, and it produces near-optimal classification accuracies, winning nine out of eleven subject-specific scenarios. The Python implementation of Graph-CSPNet is available on a GitHub repository https://github.com/GeometricBCI/Tensor-CSPNet-and-Graph-CSPNet.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google