EEG-GNN：脳波（EEG）シグナルの分類のためのグラフニューラルネットワーク

分類タスクのために、脳波（EEG）から被験者の不変の特徴を抽出するために、畳み込みニューラルネットワーク（CNN）が頻繁に使用されてきました。このアプローチは、電極が画像のピクセルに類似している等距離であり、したがって異なる電極部位間の複雑な機能的神経接続性を調査/悪用することに失敗するという根本的な仮定を保持しています。電極部位の機能的ネットワークに2Dグリッドのような入力に適用される畳み込みとプーリングの概念を調整することにより、この制限を克服します。さらに、グラフのノードに電極を投影するさまざまなグラフニューラルネットワーク（GNN）モデルを開発します。ここで、ノード機能は試行で収集されたEEGチャネルサンプルとして表され、ノードは加重/非加重エッジによって接続できます。神経科学者によって策定された柔軟なポリシー。経験的評価は、提案されているGNNベースのフレームワークが、ERRPおよびRSVPデータセット全体の標準CNN分類器よりも優れていることを示しており、EEG関連分類問題に合わせた深い学習方法に神経科学的解釈性と説明可能性を可能にします。GNNベースのフレームワークのもう1つの実際的な利点は、EEGチャネル選択に使用できることです。これは、計算コストの削減とポータブルEEGヘッドセットの設計に重要です。

Convolutional neural networks (CNN) have been frequently used to extract subject-invariant features from electroencephalogram (EEG) for classification tasks. This approach holds the underlying assumption that electrodes are equidistant analogous to pixels of an image and hence fails to explore/exploit the complex functional neural connectivity between different electrode sites. We overcome this limitation by tailoring the concepts of convolution and pooling applied to 2D grid-like inputs for the functional network of electrode sites. Furthermore, we develop various graph neural network (GNN) models that project electrodes onto the nodes of a graph, where the node features are represented as EEG channel samples collected over a trial, and nodes can be connected by weighted/unweighted edges according to a flexible policy formulated by a neuroscientist. The empirical evaluations show that our proposed GNN-based framework outperforms standard CNN classifiers across ErrP, and RSVP datasets, as well as allowing neuroscientific interpretability and explainability to deep learning methods tailored to EEG related classification problems. Another practical advantage of our GNN-based framework is that it can be used in EEG channel selection, which is critical for reducing computational cost, and designing portable EEG headsets.