[论文解读] 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 18

一句话总结

该论文提出了一种基于注意力机制的图残差网络（AG-RN），通过将脑电信号电极的拓扑结构建模为图，以提升从原始脑电信号中检测运动意图的性能。通过将图卷积网络与残差学习及自注意力机制相结合，该模型在个体水平上实现了98.08%的准确率，在20名受试者中的平均准确率达到94.28%，优于现有最先进方法，有效缓解了受试者间差异性问题，并充分利用了脑网络的连接特性。

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.

研究动机与目标

• 为解决基于脑电信号的运动想象（MI）分类中受试者间差异性的挑战。
• 建模脑电信号电极之间的内在拓扑关系，超越基于欧几里得距离的假设。
• 通过图结构化的深度学习方法，提升原始脑电信号在四分类运动想象任务中的分类准确率。
• 为神经科学研究和临床脑机接口（BCI）应用开发一个稳健且可泛化的框架。

提出的方法

• 使用皮尔逊相关系数的绝对值矩阵作为邻接矩阵，从脑电信号电极构建图，以表示功能连接性。
• 在归一化图拉普拉斯矩阵上通过切比雪夫多项式近似实现谱图卷积，以实现局部化图滤波。
• 通过跳跃连接集成残差学习，以缓解在原始脑电信号上训练深层网络时的性能退化问题。
• 引入全注意力机制，动态加权通道和层之间的特征重要性。
• 采用图粗化与平衡二叉树池化方法，降低空间维度的同时保留结构信息。
• 在统一架构中结合图卷积、残差模块与自注意力机制，以增强特征表示与泛化能力。

实验结果

研究问题

• RQ1 建模脑电信号电极的拓扑结构是否能提升从原始脑电信号中检测运动意图的性能？
• RQ2 与传统的基于欧几里得空间的方法相比，引入图卷积网络对性能有何影响？
• RQ3 残差学习与注意力机制在多大程度上能缓解原始脑电信号分类中的性能退化与受试者间差异性问题？
• RQ4 所提出的模型是否具备跨受试者的泛化能力，并在个体无关与个体相关设置下均达到最先进性能？
• RQ5 与传统的卷积神经网络（CNN）或循环神经网络（RNN）模型相比，基于图的方法在脑电信号运动想象分类中是否更具有效性？

主要发现

• 所提出的基于注意力机制的图残差网络（AG-RN）在个体水平上实现了98.08%的准确率，显著优于现有方法。
• 在20名受试者的组间交叉验证中，模型平均准确率达到94.28%，展现出强大的泛化能力。
• 单个受试者在F（脚部）任务中达到最高准确率98.09%，表明对复杂运动想象具有高度鲁棒性。
• 在脚部运动想象任务中，模型准确率高达99.88%，表明对对称性运动模式具有卓越性能。
• 宏平均F1分数达到94.17%，证实了各类别间的一致性表现。
• 结果表明，通过图结构建模脑电信号电极的拓扑关系，可有效增强特征表示与分类性能。