[論文レビュー] MutualGraphNet: A novel model for motor imagery classification

Yan Li, Na Zhong+2 more|arXiv (Cornell University)|Sep 2, 2021

EEG and Brain-Computer Interfaces参考文献 29被引用数 7

ひとこと要約

本稿では、運動想起分類のための空間時系列グラフ畳み込みネットワーク（ST-GCN）の隣接行列として、EEGチャネル間の相互情報量を用いる新しいグラフニューラルネットワーク、MutualGraphNetを提案する。相互情報量を用いて脳の結合性をモデル化することで、解釈可能で事前解剖的仮定に依存しない、エンドツーエンドの特徴抽出が可能となり、EEGデータセットにおいて最先端の性能を達成した。

ABSTRACT

Motor imagery classification is of great significance to humans with mobility impairments, and how to extract and utilize the effective features from motor imagery electroencephalogram(EEG) channels has always been the focus of attention. There are many different methods for the motor imagery classification, but the limited understanding on human brain requires more effective methods for extracting the features of EEG data. Graph neural networks(GNNs) have demonstrated its effectiveness in classifying graph structures; and the use of GNN provides new possibilities for brain structure connection feature extraction. In this paper we propose a novel graph neural network based on the mutual information of the raw EEG channels called MutualGraphNet. We use the mutual information as the adjacency matrix combined with the spatial temporal graph convolution network(ST-GCN) could extract the transition rules of the motor imagery electroencephalogram(EEG) channels data more effectively. Experiments are conducted on motor imagery EEG data set and we compare our model with the current state-of-the-art approaches and the results suggest that MutualGraphNet is robust enough to learn the interpretable features and outperforms the current state-of-the-art methods.

研究の動機と目的

• 運動想起EEGデータにおける空間的・時系列的関係を効果的にモデル化し、分類精度を向上させる挑戦に取り組む。
• 脳構造に関する不完全または不正確な仮定に依存する、事前に定義されたまたはヒューリスティックな脳結合性グラフの限界を克服する。
• 相互情報量をデータ駆動的な機能的結合性の指標として用いることで、生EEGデータから意味のあるチャネル関係を自動で学習するエンドツーエンドのディープラーニングフレームワークを構築する。
• 相互情報量を隣接行列として用いることが、EEGベースのBCI応用におけるグラフ畳み込みネットワークにおいて有効であるかを評価する。

提案手法

• モデルは、EEG信号の時間的ダイナミクスと空間的依存性を捉えるために、空間的・時系列的グラフ畳み込みネットワーク（ST-GCN）を採用する。
• 生EEGチャネル間の相互情報量（MI）を計算し、それをグラフ接続を定義する隣接行列として用いることで、手作業で作成したまたは解剖学的事前知識に基づく代替手段を置き換える。
• ST-GCN層は、MIに基づく隣接行列に従って隣接チャネルからの特徴を集約し、動的でデータ駆動的な機能的結合性パターンの学習を可能にする。
• 入力特徴表現として微分エントロピー（DE）が用いられ、それがMutualGraphNetアーキテクチャを経て処理される。
• モデルは4分割交差検証を用いてエンドツーエンドで訓練され、EEG運動想起データセットにおける最適な性能を得るためにハイパーパrameterが調整される。
• 代替の隣接行列（KNN、ユークリッド距離、ランダム、およびMIベースの変種）を評価し、相互情報量の貢献度をアブレーションする。

実験結果

リサーチクエスチョン

• RQ1 EEGチャネル間の相互情報量は、運動想起分類のためのグラフニューラルネットワークにおける事前に定義された隣接行列の有効的で頑健な代替手段として機能するか？
• RQ2 KNN やユークリッド距離などの従来手法と比較して、MIベースのグラフ接続は分類精度および特徴の解釈可能性においてどのように異なるか？
• RQ3 提案されたMutualGraphNetモデルは、EEGベースの運動想起分類タスクにおいて、既存の最先端手法を上回る性能を示すか？
• RQ4 周波数特徴（例：PSD、DE、DCAU）などの異なるEEG特徴表現は、グラフベースのモデルの性能にどの程度影響を与えるか？

主な発見

• 微分エントロピー（DE）特徴を用いたMutualGraphNetは、51.90%の最高分類精度を達成し、他の特徴タイプを著しく上回った。
• MIベースの隣接行列は、全テスト手法の中で最高の性能を示し、標準KNNに比べ5.5%、ランダム接続に比べ7.2%の向上を達成した。
• MIベースの隣接行列を用いたモデルは、F1スコア0.5175および精度0.5208を達成し、メトリクス全体にわたり頑健で一貫性のある性能を示した。
• 他の特徴の中では、DCAU（前頭側・後頭側微分エントロピー）が41.62%の精度を達成したが、PSDおよびDSAM特徴は低性能にとどまり、非対称性関連特徴が識別に有用であることを示唆した。
• アブレーションスタディにより、MIベースの接続（Mul_KNNおよびMul_ED）が非MI対応のものよりも優れた性能を示し、相互情報量がグラフ学習を強化することを裏付けた。
• ST-GCN層の構成が異なる場合でもモデルの性能は安定しており、4層が最適な結果をもたらした。これはスケーラビリティおよびアーキテクチャの頑健性を示している。