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ために脳波を分類するためにますます使用されるようになっている。GNNベースの分類器を設計するために、さまざまな手法が提案されている。したがって、これらのアプローチを系統的にレビューし、分類する必要がある。我々は、このトピックに関する発表文献を網羅的に検索し、比較のためにいくつかのカテゴリーを導き出した。これらのカテゴリーは、手法間の類似点と相違点を強調する。その結果、空間的なものよりもスペクトルグラフ畳み込み層が優勢であることが示唆された。さらに、ノード特徴の標準的な形式を特定し、最も一般的なものは生のEEG信号と微分エントロピーである。我々の結果は、脳波分類のためのGNNベースのアプローチにおける新たな傾向を要約するものである。最後に、伝達学習手法の可能性の探求や、交差周波数相互作用の適切なモデル化など、いくつかの有望な研究の方向性について議論する。

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, DeepL