[論文レビュー] GCNs-Net: A Graph Convolutional Neural Network Approach for Decoding Time-resolved EEG Motor Imagery Signals

Yimin Hou, Shuyue Jia+6 more|arXiv (Cornell University)|Jun 16, 2020

EEG and Brain-Computer Interfaces参考文献 55被引用数 26

ひとこと要約

本稿では、EEG電極間の機能的トポロジカル関係をモデル化することで、時間分解能のある運動想起（MI）信号のデコードを向上させるGCNs-Netと呼ばれるグラフ畳み込みニューラルネットワークを提案する。EEG信号のピアソン相関行列からグラフラプラシアンを構築することで、特徴の学習を強化し、PhysioNetデータセットにおいて、被験者レベルで93.06%、グループレベルで88.57%の最先端の正確性を達成した。これは、個人差への耐性と高い再現性を示している。

ABSTRACT

Towards developing effective and efficient brain-computer interface (BCI) systems, precise decoding of brain activity measured by electroencephalogram (EEG), is highly demanded. Traditional works classify EEG signals without considering the topological relationship among electrodes. However, neuroscience research has increasingly emphasized network patterns of brain dynamics. Thus, the Euclidean structure of electrodes might not adequately reflect the interaction between signals. To fill the gap, a novel deep learning framework based on the graph convolutional neural networks (GCNs) is presented to enhance the decoding performance of raw EEG signals during different types of motor imagery (MI) tasks while cooperating with the functional topological relationship of electrodes. Based on the absolute Pearson's matrix of overall signals, the graph Laplacian of EEG electrodes is built up. The GCNs-Net constructed by graph convolutional layers learns the generalized features. The followed pooling layers reduce dimensionality, and the fully-connected softmax layer derives the final prediction. The introduced approach has been shown to converge for both personalized and group-wise predictions. It has achieved the highest averaged accuracy, 93.06% and 88.57% (PhysioNet Dataset), 96.24% and 80.89% (High Gamma Dataset), at the subject and group level, respectively, compared with existing studies, which suggests adaptability and robustness to individual variability. Moreover, the performance is stably reproducible among repetitive experiments for cross-validation. The excellent performance of our method has shown that it is an important step towards better BCI approaches. To conclude, the GCNs-Net filters EEG signals based on the functional topological relationship, which manages to decode relevant features for brain motor imagery.

研究の動機と目的

• 従来のEEGデコード手法が電極間の機能的トポロジカル関係を無視するという限界を解消すること。
• EEGベースの脳-コンピュータインターフェース（BCI）における運動想起（MI）分類の正確性と耐性を向上させること。
• 時間分解能のあるEEG信号のより良い表現を可能にする、ネットワークレベルの脳動態を捉える深層学習フレームワークを開発すること。
• 個人別およびグループ別予測設定の両方で、手法の性能を評価すること。

提案手法

• 本手法は、全電極におけるEEG信号の絶対値ピアソン相関行列に基づいて、グラフラプラシアンを構築する。
• グラフ畳み込み層を用いて、電極ネットワークの機能的結合構造を活用し、一般化された空間的・時間的特徴を学習する。
• プーリング層により特徴次元を低減しつつ、判別情報を保持する。
• 全結合のソフトマックス層が、4クラスの運動想起タスクの最終分類出力を生成する。
• 手動による特徴工学を一切行わず、原始的なEEG信号を用いてエンドツーエンドでモデルを学習する。
• 10分割交差検証を用いて検証を行い、2つの公開データセット（PhysioNetおよびHigh Gamma）でテストした。

実験結果

リサーチクエスチョン

• RQ1 EEG電極間の機能的トポロジカル関係をモデル化することで、ユークリッド構造に基づく手法と比較して、運動想起デコードの正確性が向上するか？
• RQ2 GCNs-Netは、個人別とグループ別MI分類設定の両方でどのように性能を発揮するか？
• RQ3 グラフベースのアプローチは、EEGデータにおける被験者間および試行間の変動に対して、耐性を高めるか？
• RQ4 正確性と安定性の観点から、GCNs-Netは最先端の深層学習モデルと比較してどのように評価されるか？

主な発見

• GCNs-Netは、被験者レベルでPhysioNetデータセットで平均93.06%の正確性を達成し、既存手法を上回った。
• グループレベルでは、PhysioNetデータセットで平均88.57%の正確性を達成し、20名の被験者では89.39%、100名の被験者では88.14%の正確性を示した。
• High Gammaデータセットでは、被験者レベルで平均96.24%、グループレベルで80.89%の正確性を達成した。
• 2本の足の運動想起タスクは、99.42%の最高正確性で分類され、強力な判別能力を示した。
• 統計的検定の結果、CNNベースのモデルよりも顕著な性能優位性（p < 0.05）を示したが、最高性能を示したグラフベースのモデルと比較して有意差は認められなかった。
• 複数回の交差検証ランで安定的かつ再現可能な結果を示し、信頼性と耐性を確認した。