[논문 리뷰] Graph Neural Networks in EEG-based Emotion Recognition: A Survey

Chenyu Liu, Deng, Yuqiu외 11명|ArXiv.org|2024. 02. 02.

EEG and Brain-Computer Interfaces인용 수 11

한 줄 요약

본 고찰은 EEG 기반 정서 인식을 위한 GNN 접근법을 통일된 세 단계 프레임워크(노드, 엣지, 그래프) 내에서 포괄적으로 분류하고 향후 방향을 제시한다.

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.

연구 동기 및 목표

• EEG 기반 정서 인식에서 기존 GNN에 대한 포괄적이고 체계적인 검토를 제공한다.
• 단일의 세 단계 프레임워크(노드-레벨, 엣지-레벨, 그래프-레벨) 아래에서 GNN의 새로운 분류 체계를 제안한다.
• EEG-감정 과제를 위한 GNN 구성에 대한 지침을 제공하고 남아 있는 도전 과제와 향후 방향을 조명한다.

제안 방법

• EEG 기반 정서 인식을 그래프 G에서 감정 라벨 Y로의 f(G) 매핑으로 프레임화한다.
• 세 가지 구성 단계로 방법을 분류한다: 노드-레벨 특징 선택, 엣지 계산, 그리고 그래프 구조.
• 노드-특성 카테고리(Univariate vs Hybrid)와 엣지 유형(Model-independent vs Model-dependent)을 도입한다.
• 그래프-레벨 구조를 설명한다: Multi-graph, Hierarchical graph, Time series graph, 및 Sparse graph.
• 네 가지 다중 그래프 변형(Horizontal&Vertical, Temporal&Frequency, Local&Global)과 두 가지 계층적 변형(Dynamic 및 Predetermined)을 검토한다.
• Temporal full-connected graphs, graph condensation, heterogeneous graphs, 및 dynamic graphs를 포함한 미래 방향을 논의한다.

실험 결과

연구 질문

• RQ1 EEG 기반 정서 인식을 위한 GNN을 어떻게 일관된 그래프 구성 프레임워크 내에서 체계적으로 분류할 수 있는가?
• RQ2 공통 노드 특징, 엣지 구성 및 그래프 아키텍처는 무엇이며, 이것들이 생리적 뇌 패턴과 어떻게 관련되는가?
• RQ3 GNN 기반 EEG 정서 인식의 주요 남은 도전 과제와 유망한 방향은 무엇인가?

주요 결과

• 본 고찰은 EEG 기반 정서 인식에서 GNN에 대한 최초의 포괄적 검토 및 통일된 분류 체계(통합 분류 체계)를 제공한다.
• 노드-레벨 특징, 엣지 계산, 그래프-레벨 구조로 방법을 분류하여 공통 설계 선택과 차이점을 드러낸다.
• 4가지 그래프-레벨 구조(Multi-graph, Hierarchical graph, Time series graph, Sparse graph)와 각 단계 내의 다수의 하위 유형을 식별한다.
• 현재의 한계를 해결하기 위한 시계열 전체 연결 그래프, 그래프 응축, 이종/동적 그래프와 같은 실용적 미래 방향을 강조한다.