[論文レビュー] Graph Neural Networks in EEG-based Emotion Recognition: A Survey

Chenyu Liu, Deng, Yuqiu+11 more|ArXiv.org|Feb 2, 2024

EEG and Brain-Computer Interfaces被引用数 11

ひとこと要約

この調査は、EEGに基づく感情認識のためのGNNアプローチを統合された三段階フレームワーク（ノード、エッジ、グラフ）内で包括的にカテゴリー化し、将来の方向性を概説します。

ABSTRACT

Compared to other modalities, EEG-based emotion recognition can intuitively respond to the emotional patterns in the human brain and, therefore, has become one of the most concerning tasks in the brain-computer interfaces field. Since dependencies within brain regions are closely related to emotion, a significant trend is to develop Graph Neural Networks (GNNs) for EEG-based emotion recognition. However, brain region dependencies in emotional EEG have physiological bases that distinguish GNNs in this field from those in other time series fields. Besides, there is neither a comprehensive review nor guidance for constructing GNNs in EEG-based emotion recognition. In the survey, our categorization reveals the commonalities and differences of existing approaches under a unified framework of graph construction. We analyze and categorize methods from three stages in the framework to provide clear guidance on constructing GNNs in EEG-based emotion recognition. In addition, we discuss several open challenges and future directions, such as Temporal full-connected graph and Graph condensation.

研究の動機と目的

• EEGベースの感情認識における既存のGNNの包括的かつ体系的なレビューを提供する。
• 統一された三段階フレームワーク（ノードレベル、エッジレベル、グラフレベル）の下で、GNNの新しい分類を提案する。
• EEG感情タスクのためのGNN構築に関する指針を提供し、未解決の課題と将来の方向性を明らかにする。

提案手法

• EEG-based emotion recognitionを、グラフGから感情ラベルYへのf(G)写像として定義する。
• 三つの構築段階（ノードレベルの特徴選択、エッジ計算、グラフ構造）で方法を分類する。
• ノード特徴のカテゴリ（Univariate対Hybrid）とエッジタイプ（Model-independent対Model-dependent）を導入する。
• グラフレベル構造を説明する：Multi-graph、Hierarchical graph、Time series graph、Sparse graph。
• 4つのマルチグラフ変種（Horizontal&Vertical、Temporal&Frequency、Local&Global）と2つの階層変種（DynamicとPredetermined）をレビューする。
• 時間的全連結グラフ、グラフ凝縮、異種グラフ、動的グラフを含む将来の方向性について論じる。

実験結果

リサーチクエスチョン

• RQ1 EEGベースの感情認識のためのGNNを、統一されたグラフ構築フレームワーク内で、いかに体系的に分類できるか？
• RQ2 共通のノード特徴、エッジ計算、グラフアーキテクチャは何か、そしてそれらは生理的な脳パターンとどう関連するか？
• RQ3 GNNベースのEEG感情認識を改善するための主な未解決課題と有望な方向性は何か？

主な発見

• 本調査は、EEGベースの感情認識におけるGNNの初の包括的レビューと統一された分類体系を提供する。
• ノードレベルの特徴、エッジ計算、グラフレベル構造で方法を分類し、共通の設計選択と差異を明らかにする。
• 4つのグラフレベル構造（Multi-graph、Hierarchical graph、Time series graph、Sparse graph）と各段階内の複数のサブタイプを特定する。
• 現在の制約に対処するため、時系列全結合グラフ、グラフ凝縮、およびヘテロジニアス/動的グラフなど、実際的な将来の方向性を強調する。