[논문 리뷰] Brain Signal Classification via Learning Connectivity Structure.

Soobeom Jang, Seong-Eun Moon외 1명|arXiv (Cornell University)|2019. 05. 28.

EEG and Brain-Computer Interfaces참고 문헌 47인용 수 8

한 줄 요약

이 논문은 뇌 신호 분류 성능을 향상시키기 위해 원시 EEG 데이터로부터 최적의 다층 그래프 구조와 신호 특징을 동시에 학습하는 엔드 투 엔드 딥 러닝 모델을 제안한다. 신경과학적으로 의미 있는 연결 패턴을 자동으로 발견함으로써, 수작업으로 설계된 특징과 연결성에 기반한 기존 방법들을 능가하며 더 높은 정확도와 구조적 일관성을 보여준다.

ABSTRACT

Connectivity between different brain regions is one of the most important properties for classification of brain signals including electroencephalography (EEG). However, how to define the connectivity structure for a given task is still an open problem, because there is no ground truth about how the connectivity structure should be in order to maximize the performance. In this paper, we propose an end-to-end neural network model for EEG classification, which can extract an appropriate multi-layer graph structure and signal features directly from a set of raw EEG signals and perform classification. Experimental results demonstrate that our method yields improved performance in comparison to the existing approaches where manually defined connectivity structures and signal features are used. Furthermore, we show that the graph structure extraction process is reliable in terms of consistency, and the learned graph structures make much sense in the neuroscientific viewpoint.

연구 동기 및 목표

• EEG 신호 분류를 위한 뇌 연결성 구조에 대한 지표가 부족한 문제를 해결하기 위해.
• EEG 분류에서 수작업으로 설계된 연결 패턴과 신호 특징에 의존하는 것을 제거하기 위해.
• 원시 EEG 신호로부터 그래프 구조와 표현을 동시에 학습하는 통합적인 딥 러닝 프레임워크를 개발하기 위해.
• 학습된 그래프 구조가 신경과학적 관점에서 일관성 있고 해석 가능하도록 보장하기 위해.

제안 방법

• 이 방법은 원시 EEG 신호를 처리하여 신호 수준의 표현과 다층 그래프 구조를 동시에 학습하는 엔드 투 엔드 신경망을 활용한다.
• 뇌 연결성을 학습 가능한 그래프 구조로 정의하며, 이는 분류 성능을 최대화하도록 훈련 중 최적화된다.
• 각 층마다 가중치를 학습하는 인접 행렬을 사용하여 뇌 영역 간의 동적이고 계층적인 연결 패턴을 표현한다.
• 시간-공간 인코더를 통해 국소적이고 전역적인 EEG 동역학을 모두 캡처함으로써 신호 특징을 추출한다.
• 그래프 구조 학습이 손실 함수에 통합되어 그래프 구조의 최적화와 분류 정확도 향상이 동시에 이루어지도록 한다.
• 최종적으로 학습된 그래프 구조를 분석함으로써 신경과학적으로 타당한 결과를 도출할 수 있도록 해석 가능성도 지원한다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 사전 가정 없이 원시 EEG 신호로부터 최적의 뇌 연결성 구조를 자동으로 학습할 수 있는가?
• RQ2 수작업으로 정의된 연결성과 특징을 사용하는 방법과 비교해 본 모델의 성능은 어떠한가?
• RQ3 다양한 훈련 실행과 데이터 분할 간에 학습된 그래프 구조는 일관성이 있는가?
• RQ4 추출된 그래프 구조는 뇌 연결성의 알려진 신경과학 원칙과 일치하는가?

주요 결과

• 제안된 방법은 수작업으로 연결성과 특징을 설계하는 최신 기술보다 더 높은 분류 정확도를 달성한다.
• 다양한 훈련 실행 동안 학습된 그래프 구조가 높은 일관성을 보이며, 구조 탐색의 강건성을 나타낸다.
• 추출된 연결 패턴은 알려진 기능적 뇌 네트워크와 강력한 일치를 보이며, 신경과학적 해석 가능성을 뒷받침한다.
• 모델이 그래프 구조와 표현을 동시에 학습함으로써 EEG 분류 작업에서 더 나은 일반화 성능을 발휘한다.