[論文レビュー] Brain Signal Classification via Learning Connectivity Structure.

Soobeom Jang, Seong-Eun Moon+1 more|arXiv (Cornell University)|May 28, 2019

EEG and Brain-Computer Interfaces参考文献 47被引用数 8

ひとこと要約

本稿では、脳信号分類のためのより良い性能を実現するために、生のEEGデータから最適な多層グラフ構造と信号特徴を同時に学習するエンドツーエンドのディープラーニングモデルを提案する。神経科学的に意味のある結合パターンを自動で発見することで、手動で設計された特徴量と結合構造を用いた従来の手法を上回り、高い精度と構造的一致性を示した。

ABSTRACT

Connectivity between different brain regions is one of the most important properties for classification of brain signals including electroencephalography (EEG). However, how to define the connectivity structure for a given task is still an open problem, because there is no ground truth about how the connectivity structure should be in order to maximize the performance. In this paper, we propose an end-to-end neural network model for EEG classification, which can extract an appropriate multi-layer graph structure and signal features directly from a set of raw EEG signals and perform classification. Experimental results demonstrate that our method yields improved performance in comparison to the existing approaches where manually defined connectivity structures and signal features are used. Furthermore, we show that the graph structure extraction process is reliable in terms of consistency, and the learned graph structures make much sense in the neuroscientific viewpoint.

研究の動機と目的

• EEG信号分類における脳結合構造を定義するためのグランドトゥルースの欠如に対処すること。
• EEG分類における手動で設計された結合パターンや信号特徴に依存しないこと。
• 生のEEG信号からグラフ構造と表現を同時に学習する統合的ディープラーニングフレームワークの構築。
• 学習されたグラフ構造が神経科学的観点から一貫性があり解釈可能であることを保証すること。

提案手法

• 本手法は、生のEEG信号を処理し、同時に信号レベルの表現と多層グラフ構造を学習するエンドツーエンドのニューラルネットワークを採用する。
• 脳結合をトレーニング中に分類性能を最大化するように最適化される微分可能グラフ構造として定式化する。
• 各層ごとに学習可能な隣接行列を用いて、脳領域間の動的で階層的な結合パターンを表現する。
• 時間的・空間的エンコーダーを用いて信号特徴を抽出し、局所的およびグローバルなEEGダイナミクスを捉える。
• グラフ構造学習を損失関数に統合することで、グラフトポロジーと分類精度の共同最適化を可能にする。
• 神経科学的に妥当な結果を得るために、最終的に学習されたグラフ構造の分析により解釈可能性を支援する。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、事前の仮定なしに生のEEG信号から最適な脳結合構造を自動で学習できるか？
• RQ2 手動で定義された結合構造と特徴量を用いた手法と比較して、提案手法の性能はどのように異なるか？
• RQ3 異なるトレーニング実行やデータ分割において、学習されたグラフ構造は一貫性を示すか？
• RQ4 抽出されたグラフ構造は、既知の脳結合の神経科学的原則と整合性を示すか？

主な発見

• 提案手法は、手作業による結合構造と特徴量設計に依存する最先端手法よりも高い分類精度を達成した。
• 複数回のトレーニング実行において、学習されたグラフ構造に高い一貫性が見られ、構造発見のロバスト性を示した。
• 抽出された結合パターンは、既知の機能的脳ネットワークと強く整合しており、神経科学的解釈可能性を裏付けた。
• グラフ構造と表現を同時に学習できる能力が、EEG分類タスクにおける一般化性能の向上に寄与した。