[論文レビュー] Fusion of Spatio-Temporal and Multi-Scale Frequency Features for Dry Electrodes MI-EEG Decoding

Tianyi Gong, Can Han+2 more|arXiv (Cornell University)|Jan 26, 2026

EEG and Brain-Computer Interfaces被引用数 0

ひとこと要約

STGMFMは、二重順序の時空グラフを組み合わせ、ドライ電極MI-EEGデコードのための多スケール周波数エンベロープミキサを備えた三分岐アーキテクチャを導入し、セッション間/被験者間で最先端の結果を達成します。

ABSTRACT

Dry-electrode Motor Imagery Electroencephalography (MI-EEG) enables fast, comfortable, real-world Brain Computer Interface by eliminating gels and shortening setup for at-home and wearable use.However, dry recordings pose three main issues: lower Signal-to-Noise Ratio with more baseline drift and sudden transients; weaker and noisier data with poor phase alignment across trials; and bigger variances between sessions. These drawbacks lead to larger data distribution shift, making features less stable for MI-EEG tasks.To address these problems, we introduce STGMFM, a tri-branch framework tailored for dry-electrode MI-EEG, which models complementary spatio-temporal dependencies via dual graph orders, and captures robust envelope dynamics with a multi-scale frequency mixing branch, motivated by the observation that amplitude envelopes are less sensitive to contact variability than instantaneous waveforms. Physiologically meaningful connectivity priors guide learning, and decision-level fusion consolidates a noise-tolerant consensus. On our collected dry-electrode MI-EEG, STGMFM consistently surpasses competitive CNN/Transformer/graph baselines. Codes are available at https://github.com/Tianyi-325/STGMFM.

研究の動機と目的

• ドライ電極での堅牢なMI-EEGデコードを動機づけ、低SNR、ベースラインドリフト、被験者/セッション間のばらつきに対処する。
• 時空グラフ推論とエンベロープベース周波数特徴を組み合わせた三分岐ネットワークを提案する。
• 生理学的に意味のあるプリオリ（PLV）とシンプルな決定レベルフュージョンを活用して堅牢な一般化を図る。
• ドライ電極MI-EEGデータセットにおいてCNN/Transformer/GCNベースラインより優れていることを示す。
• 各コンポーネントの寄与に関するアブレーションから洞察を提供する。

提案手法

• 機能接続をプリオリとして符号化するPLV初期化チャンネルグラフ（A）を構築する。
• 二つのデュアルオーダー時空分岐を実装する：CCG → TSG および TSG → CCG、補完的な証拠を得る。
• 振幅エンベロープに作用するMulti-Scale Frequency Mixer（C）を追加し、多段スケールでERD/ERS様のダイナミクスを捉える。
• 意思決定レベルでブランチのロジットを軽量な線形ヘッド（ゲーティングなし）で統合し、頑健な最終予測を形成する。
• グラフモジュール上でのL1/L2正則化とコサインアニーリング学習率を用いたクロスエントロピーで訓練する。
• 窓付きスライディングセグメントを用いてウィンドウごとの入力を作成し、トライアル間比較を安定化する。

実験結果

リサーチクエスチョン

• RQ1 PLV誘導の学習可能な隣接行列はセッション/被験者間でドライ電極MI-EEGデコードを改善するか？
• RQ2 デュアルオーダーの時空グラフはドライ電極ノイズ経路に対して補完的な頑健性を提供するか？
• RQ3 エンベロープダイナミクスを捉えるMulti-Scale Frequency Mixerは接触変動に対する頑健性を高めるか？
• RQ4 小規模なEEGデータセットで過剰適合を避け、多ブランチ表現を活用するのに意思決定レベルのフュージョンは十分か？

主な発見

• STGMFMは23チャネルのドライEEG MI-EEGデータセットで、3つの評価プロトコルすべてにおいてCNN/Transformer/GCNベースラインを上回る。
• アブレーションにより、完全なモデル（デュアルグラフ順序 + MFM + 正則化付きPLV初期化）が最も良い被験者間性能（ACC 57.26%, kappa 0.3592, F1 56.52%）を示すことが分かった。
• デュアルグラフ順序は補完的な帰納的バイアスを提供し、ドライEEGでのノイズ伝播を低減する。
• Multi-Scale Frequency Mixerはドライ電極条件下でERD/ERS様のエンベロープパターンを効果的に回復する。
• 正則化とコサインアニーリング訓練は過剰適合を防ぎ、被験者/セッション間の一般化を促進する。