[論文レビュー] Attention-based Graph ResNet for Motor Intent Detection from Raw EEG signals

Shuyue Jia, Yimin Hou+2 more|arXiv (Cornell University)|Jun 25, 2020

EEG and Brain-Computer InterfacesNeuroscience参考文献 20被引用数 18

ひとこと要約

本稿では、EEG電極のトポロジカル構造をグラフとしてモデル化することで、生EEG信号からの運動意図検出を向上させる注目メカニズムを備えたグラフ残差ネットワーク（AG-RN）を提案する。グラフ畳み込みニューラルネットワークと残差学習、自己注意メカニズムを統合することで、被験者レベルで98.08%の正確さ、20名の被験者全体で94.28%の正確さを達成し、被験者間ばらつきに対処するとともに脳ネットワークの結合性を活用することで、最先端の手法を上回る性能を発揮した。

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.

研究の動機と目的

• EEGに基づく運動想起（MI）分類における被験者間ばらつきの課題に対処すること。
• ユークリッド距離に基づく仮定を越えて、EEG電極間の内在的トポロジカル関係をモデル化すること。
• グラフ構造を用いた深層学習を用いて、4クラスの運動想起タスクにおける生EEG信号の分類正確さを向上させること。
• 神経科学研究および臨床用BCIアプリケーションに向けた、堅牢で一般化可能なフレームワークの開発すること。

提案手法

• 機能的結合性を表現するために、絶対値のピアソン相関行列を隣接行列として用いてEEG電極からグラフを構築した。
• 正規化されたグラフラプラシアンを用いたチェビシェフ多項式近似によるスペクトルグラフ畳み込みを実装し、局所的グラフフィルタリングを実現した。
• 生EEGデータの学習における深層ネットワークの劣化を軽減するため、スキップ接続を備えた残差学習を統合した。
• チャネルおよび層全体で特徴量の重要度を動的に重みづけるために、フルアテンションメカニズムを組み込んだ。
• 空間次元を削減しながら構造的情報を保持するため、グラフの粗化とバランスの取れた二分木プーリングを用いた。
• グラフ畳み込み、残差ブロック、自己注意を統合したアーキテクチャにより、特徴表現と一般化性能を向上させた。

実験結果

リサーチクエスチョン

• RQ1 EEG電極のトポロジカル構造をモデル化することで、生EEG信号からの運動意図検出が向上するか？
• RQ2 従来のユークリッドベースの手法と比較して、グラフ畳み込みニューラルネットワークを組み込むことで性能にどのような影響を与えるか？
• RQ3 残差学習とアテンションメカニズムは、生EEG分類における性能劣化と被験者間ばらつきをどの程度軽減できるか？
• RQ4 提案手法は被験者間で一般化可能であり、被験者固有および被験者独立の設定において最先端の性能を達成できるか？
• RQ5 EEGに基づく運動想起分類において、グラフベースのアプローチは従来のCNNやRNNモデルよりも効果的か？

主な発見

• 提案された注目メカニズム付きグラフ残差ネットワーク（AG-RN）は、被験者レベルで98.08%の正確さを達成し、既存手法を顕著に上回った。
• 20名の被験者を対象としたグループワイドな交差検証において、平均94.28%の正確さを達成し、優れた一般化性能を示した。
• 最高の個別被験者正確さは、F（足）タスクで98.09%を記録し、複雑な運動想起に対して高いロバストネスを示した。
• 足の運動想起タスクでは99.88%の正確さを達成し、対称的な運動パターンに対して優れた性能を示した。
• マクロ平均F1スコアは94.17%に達し、全クラスにわたる一貫性ある性能を確認した。
• 結果から、グラフ構造によるEEG電極のトポロジーのモデル化が、特徴表現と分類性能の両方を向上させることを確認した。