[논문 리뷰] GCNs-Net: A Graph Convolutional Neural Network Approach for Decoding Time-resolved EEG Motor Imagery Signals

Yimin Hou, Shuyue Jia외 6명|arXiv (Cornell University)|2020. 06. 16.

EEG and Brain-Computer Interfaces참고 문헌 55인용 수 26

한 줄 요약

이 논문은 시간 해상도가 높은 운동 상상(MI) 신호를 더 잘 복원하기 위해 뇌전도파장(EEG) 전극 간의 기능적 위상적 관계를 모델링하는 GCNs-Net이라는 그래프 컬러션 신경망을 제안한다. EEG 신호의 피어슨 상관계수 행렬에서 유도된 그래프 라플라스 행렬을 통해 특징 학습을 향상시키고, PhysioNet 데이터셋에서 주체 수준에서 93.06%의 최고 성능 및 그룹 수준에서 88.57%의 성능를 기록하여 개인 간 변동성에 강건하고 높은 재현성과 함께 우수한 성능을 입증한다.

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.

연구 동기 및 목표

• 기존의 EEG 해독 방법이 전극 간 기능적 위상적 관계를 忽시하는 한계를 해결하기 위해.
• EEG 기반 뇌-컴퓨터 인터페이스(BCI)에서 운동 상상(MI) 분류의 정확도와 강건성을 향상시키기 위해.
• 시간 해상도가 높은 EEG 신호를 더 잘 표현하기 위해 네트워크 수준의 뇌 동역학을 포착하는 딥 러닝 프레임워크를 개발하기 위해.
• 개인 맞춤형 및 그룹 기반 예측 설정 모두에서 방법의 성능을 평가하기 위해.

제안 방법

• 모든 전극에서 EEG 신호의 절대 피어슨 상관계수 행렬을 기반으로 그래프 라플라스 행렬을 구성한다.
• 전극 네트워크의 기능적 연결 구조를 활용하여 일반화된 공간-시간 특징을 학습하기 위해 그래프 컬러션 레이어를 적용한다.
• 풀링 레이어를 통해 특징 차원을 감소시키면서도 분류에 유용한 정보를 유지한다.
• 완전 연결 소프트맥스 레이어를 통해 4개 클래스의 운동 상상 작업에 대한 최종 분류 출력을 생성한다.
• 수작업 특징 공학 없이 원시 EEG 신호를 사용하여 엔드 투 엔드로 모델을 훈련시킨다.
• 10겹 교차검증을 통해 검증하고, 두 개의 공개 데이터셋인 PhysioNet 및 High Gamma에서 테스트한다.

실험 결과

연구 질문

• RQ1 EEG 전극 간의 기능적 위상적 관계를 모델링하면 유클리드 기반 방법 대비 운동 상상 해독 정확도가 향상되는가?
• RQ2 GCNs-Net은 개인 맞춤형과 그룹 기반 MI 분류 설정에서 각각 어떻게 성능을 내는가?
• RQ3 그래프 기반 접근 방식은 EEG 데이터의 이종 주체 및 이종 시험 간 변동성에 대해 강건성을 향상시키는가?
• RQ4 정확도와 안정성 측면에서 GCNs-Net은 최신 딥 러닝 모델들과 비교해 어떻게 성능를 내는가?

주요 결과

• GCNs-Net은 주체 수준에서 PhysioNet 데이터셋에서 평균 정확도 93.06%를 기록하여 기존 방법들을 능가했다.
• 그룹 수준에서 PhysioNet 데이터셋에서 평균 정확도 88.57%를 달성했으며, 20명의 주체에서는 89.39%, 100명의 주체에서는 88.14%의 정확도를 기록했다.
• High Gamma 데이터셋에서 주체 수준에서는 평균 정확도 96.24%, 그룹 수준에서는 80.89%의 정확도를 기록했다.
• 양발 운동 상상 작업은 99.42%의 최고 정확도로 분류되어 강력한 분류 능력을 보였다.
• 통계적 검정 결과, CNN 기반 모델보다 유의미한 성능 우위를 보였으며(p < 0.05), 가장 뛰어난 그래프 기반 모델들과 유의미한 차이가 없었다.
• 다양한 교차검증 런에 걸쳐 안정적이고 재현 가능한 결과를 보여, 신뢰성과 강건성을 확인했다.