Tensor-CSPNet: A Novel Geometric Deep Learning Framework for Motor Imagery Classification

要約

ディープ ラーニング (DL) は、脳波 (EEG) ベースのブレイン コンピューター インターフェース (BCI) のアプリケーションの大部分で、特に運動イメージ (MI) の分類において、過去 5 年間で広く研究されてきました。
MI-EEG 分類の主流の DL 方法論は、畳み込みニューラル ネットワーク (CNN) を使用して EEG 信号の時間空間パターンを利用します。これは、視覚画像で著しく成功しています。
ただし、視覚画像の統計的特性は EEG 信号とは根本的に異なるため、CNN とは別に別のネットワーク アーキテクチャが存在するかどうかという当然の疑問が生じます。
この問題に対処するために、Tensor-CSPNet と呼ばれる新しい幾何学的深層学習 (GDL) フレームワークを提案します。これは、対称正定 (SPD) 多様体上の EEG 信号から導出された空間共分散行列を特徴付け、既存の深層ニューラル ネットワークを使用して時間空間周波数パターンを完全にキャプチャします。
SPD マニホールドは、多くの成功した MI-EEG 分類子からの経験と統合して、フレームワークを最適化します。
実験では、Tensor-CSPNet は、2 つの一般的に使用される MI-EEG データセットのクロス検証およびホールドアウト シナリオで、現在の最先端のパフォーマンスを達成するか、わずかに上回っています。
さらに、視覚化と解釈可能性の分析は、MI-EEG 分類に対する Tensor-CSPNet の有効性も示しています。
結論として、この研究では、MI-EEG 分類のための特定の GDL 方法論の開始を示す SPD マニホールドで DL 方法論を一般化することにより、質問に対する実行可能な答えを提供します。

要約(オリジナル)

Deep learning (DL) has been widely investigated in a vast majority of applications in electroencephalography (EEG)-based brain-computer interfaces (BCIs), especially for motor imagery (MI) classification in the past five years. The mainstream DL methodology for the MI-EEG classification exploits the temporospatial patterns of EEG signals using convolutional neural networks (CNNs), which have remarkably succeeded in visual images. However, since the statistical characteristics of visual images depart radically from EEG signals, a natural question arises whether an alternative network architecture exists apart from CNNs. To address this question, we propose a novel geometric deep learning (GDL) framework called Tensor-CSPNet, which characterizes spatial covariance matrices derived from EEG signals on symmetric positive definite (SPD) manifolds and fully captures the temporospatiofrequency patterns using existing deep neural networks on SPD manifolds, integrating with experiences from many successful MI-EEG classifiers to optimize the framework. In the experiments, Tensor-CSPNet attains or slightly outperforms the current state-of-the-art performance on the cross-validation and holdout scenarios in two commonly-used MI-EEG datasets. Moreover, the visualization and interpretability analyses also exhibit the validity of Tensor-CSPNet for the MI-EEG classification. To conclude, in this study, we provide a feasible answer to the question by generalizing the DL methodologies on SPD manifolds, which indicates the start of a specific GDL methodology for the MI-EEG classification.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google