聴覚空間的注意検出のための脳波を使用した脳トポロジーモデリング

目的：最近の進歩にもかかわらず、脳信号からの聴覚の注意の解読は依然として課題です。重要な解決策は、マルチチャネル脳波（EEG）などの高次元データからの識別機能の抽出です。しかし、私たちの知る限り、個々のチャネル間のトポロジー的な関係は、どの研究でもまだ考慮されていません。この作業では、EEG信号から聴覚空間的注意検出（ASAD）を実行するために、人間の脳のトポロジーを活用する新しいアーキテクチャを導入しました。 方法：神経注意メカニズムを採用するEEGグラフ畳み込みネットワークであるEEG-Graph Netを提案します。このメカニズムは、グラフとしてのEEG信号の空間パターンの観点から、人間の脳のトポロジーをモデル化します。EEGグラフでは、各EEGチャネルはノードで表され、2つのEEGチャネル間の関係はそれぞれのノード間のエッジで表されます。畳み込みネットワークは、マルチチャネルEEGシグナルをEEGグラフの時系列として取り、ASADタスクへのEEG信号の寄与からノードとエッジの重みを学習します。提案されたアーキテクチャは、データの視覚化による実験結果の解釈をサポートしています。 結果：2つの公開されているデータベースで実験を実施しました。実験結果は、EEGグラフネットがデコードパフォーマンスの観点から最先端の方法を大幅に上回ることを示しました。さらに、学習した体重パターンの分析は、脳内の継続的な音声の処理に関する洞察を提供し、神経科学的研究からの発見を確認します。 結論：EEGグラフを使用した脳トポロジーのモデリングは、聴覚空間的注意検出のために非常に競争力のある結果をもたらすことを示しました。 重要性：提案されているEEGグラフネットは、競合するベースラインよりも軽量で正確であり、結果の説明を提供します。また、アーキテクチャは、他の脳コンピューターインターフェイス（BCI）タスクに簡単に転送できます。

OBJECTIVE: Despite recent advances, the decoding of auditory attention from brain signals remains a challenge. A key solution is the extraction of discriminative features from high-dimensional data, such as multi-channel electroencephalography (EEG). However, to our knowledge, topological relationships between individual channels have not yet been considered in any study. In this work, we introduced a novel architecture that exploits the topology of the human brain to perform auditory spatial attention detection (ASAD) from EEG signals. METHODS: We propose EEG-Graph Net, an EEG-graph convolutional network, which employs a neural attention mechanism. This mechanism models the topology of the human brain in terms of the spatial pattern of EEG signals as a graph. In the EEG-Graph, each EEG channel is represented by a node, while the relationship between two EEG channels is represented by an edge between the respective nodes. The convolutional network takes the multi-channel EEG signals as a time series of EEG-graphs and learns the node and edge weights from the contribution of the EEG signals to the ASAD task. The proposed architecture supports the interpretation of the experimental results by data visualization. RESULTS: We conducted experiments on two publicly available databases. The experimental results showed that EEG-Graph Net significantly outperforms the state-of-the-art methods in terms of decoding performance. In addition, the analysis of the learned weight patterns provides insights into the processing of continuous speech in the brain and confirms findings from neuroscientific studies. CONCLUSION: We showed that modeling brain topology with EEG-graphs yields highly competitive results for auditory spatial attention detection. SIGNIFICANCE: The proposed EEG-Graph Net is more lightweight and accurate than competing baselines and provides explanations for the results. Also, the architecture can be easily transferred to other brain-computer interface (BCI) tasks.