[논문 리뷰] Attention-based Graph ResNet for Motor Intent Detection from Raw EEG signals

Shuyue Jia, Yimin Hou외 2명|arXiv (Cornell University)|2020. 06. 25.

EEG and Brain-Computer Interfaces참고 문헌 20인용 수 18

한 줄 요약

이 논문은 원시 EEG 신호로부터 운동 의도 탐지 성능을 향상시키기 위해 EEG 전극의 위상적 구조를 그래프로 모델링하는 어텐션 기반 그래프 잔차 신경망(AG-RN)을 제안한다. 그래프 컨볼루션 네트워크와 잔차 학습, 자기 어텐션 메커니즘을 통합함으로써, 모델은 피험자 수준에서 98.08%의 정확도와 20명의 피험자 평균으로 94.28%의 정확도를 달성하여 최신 기술보다 뛰어나며, 피험자 간 변동성을 해결하고 뇌 네트워크 연결성을 활용한다.

ABSTRACT

In previous studies, decoding electroencephalography (EEG) signals has not considered the topological relationship of EEG electrodes. However, the latest neuroscience has suggested brain network connectivity. Thus, the exhibited interaction between EEG channels might not be appropriately measured via Euclidean distance. To fill the gap, an attention-based graph residual network, a novel structure of Graph Convolutional Neural Network (GCN), was presented to detect human motor intents from raw EEG signals, where the topological structure of EEG electrodes was built as a graph. Meanwhile, deep residual learning with a full-attention architecture was introduced to address the degradation problem concerning deeper networks in raw EEG motor imagery (MI) data. Individual variability, the critical and longstanding challenge underlying EEG signals, has been successfully handled with the state-of-the-art performance, 98.08% accuracy at the subject level, 94.28% for 20 subjects. Numerical results were promising that the implementation of the graph-structured topology was superior to decode raw EEG data. The innovative deep learning approach was expected to entail a universal method towards both neuroscience research and real-world EEG-based practical applications, e.g., seizure prediction.

연구 동기 및 목표

• EEG 기반 운동 상상(MI) 분류에서의 피험자 간 변동성 문제를 해결하기 위해.
• 유럽거리 기반 가정을 초월하여 EEG 전극 간 내재된 위상적 관계를 모델링하기 위해.
• 그래프 기반 구조적 딥 러닝을 통해 원시 EEG 신호의 4클래스 운동 상상 작업 분류 정확도를 향상시키기 위해.
• 신경과학 연구 및 임상 BCI 적용을 위한 강건하고 일반화 가능한 프레임워크 개발하기 위해.

제안 방법

• 기능적 연결성을 표현하기 위해 인접 행렬로 절대 피어슨 상관계수 행렬을 사용하여 EEG 전극으로부터 그래프를 구축하였다.
• 정규화된 그래프 라플라시안에 기반한 체비셰프 다항식 근사법을 통해 스펙트럼 그래프 컨볼루션을 적용하여 국소적 그래프 필터링을 수행하였다.
• 원시 EEG 데이터에서의 훈련 중 깊이 있는 네트워크의 열화 문제를 완화하기 위해 잔차 학습과 스킵 연결을 통합하였다.
• 채널과 레이어 전반에서 특징 중요도를 동적으로 가중하기 위해 전면 어텐션 메커니즘을 통합하였다.
• 공간 차원을 줄이면서도 구조적 정보를 유지하기 위해 그래프 군집화와 균형 잡힌 이진 트리 풀링을 사용하였다.
• 그래프 컨볼루션, 잔차 블록, 자기 어텐션을 통합된 아키텍처로 조합하여 특징 표현력과 일반화 능력을 향상시켰다.

실험 결과

연구 질문

• RQ1 EEG 전극의 위상적 구조를 모델링함으로써 원시 EEG 신호로부터의 운동 의도 탐지 성능을 향상시킬 수 있는가?
• RQ2 전통적인 유클리드 기반 방법과 비교했을 때 그래프 컨볼루션 네트워크를 통합함으로써 성능에 어떤 영향을 미치는가?
• RQ3 잔차 학습과 어텐션 메커니즘이 원시 EEG 분류에서 성능 저하와 피험자 간 변동성을 어느 정도 완화할 수 있는가?
• RQ4 제안된 모델은 피험자 간 일반화가 가능하며, 피험자 독립 및 피험자 특정 설정에서 최신 기술 수준의 성능을 달성할 수 있는가?
• RQ5 EEG 기반 운동 상상 분류에 있어 기존의 CNN 또는 RNN 모델보다 그래프 기반 접근 방식이 더 효과적인가?

주요 결과

• 제안된 어텐션 기반 그래프 잔차 신경망은 피험자 수준에서 98.08%의 정확도를 달성하여 기존 방법보다 뚜렷이 뛰어나다.
• 그룹별 교차검증에서 20명의 피험자 평균 정확도가 94.28%에 도달하여 강력한 일반화 능력을 보였다.
• 개별 피험자 중 가장 높은 정확도는 발(Feet) 작업에서 98.09%였으며, 복잡한 운동 상상에 대한 높은 강건성을 시사한다.
• 발 상상 작업에서 99.88%의 정확도를 기록하여 대칭적인 운동 패턴에 대해 뛰어난 성능을 보였다.
• 마크로 평균 F1 스코어는 94.17%에 도달하여 모든 클래스에서 균일한 성능을 확인하였다.
• 결과는 EEG 전극의 위상적 구조를 그래프 구조로 모델링함으로써 특징 표현력과 분류 성능 향상이 가능하다는 점을 확인한다.