[论文解读] Deep neural networks on graph signals for brain imaging analysis

Yiluan Guo, Hossein Nejati+1 more|arXiv (Cornell University)|May 13, 2017

Advanced Graph Neural Networks被引用 9

一句话总结

该论文提出了一种新颖的深度自编码器架构，将图卷积网络（GCNs）与全连接层相结合，从噪声大、高维度的MEG脑影像数据中学习低维、判别性表征。通过利用切比雪夫多项式近似进行图信号处理，并将脑连接性（格兰杰因果关系）作为先验结构信息，该模型在真实MEG数据集上实现了最先进的分类准确率，优于PCA、RPCA和标准自编码器。

ABSTRACT

Brain imaging data such as EEG or MEG are high-dimensional spatiotemporal data often degraded by complex, non-Gaussian noise. For reliable analysis of brain imaging data, it is important to extract discriminative, low-dimensional intrinsic representation of the recorded data. This work proposes a new method to learn the low-dimensional representations from the noise-degraded measurements. In particular, our work proposes a new deep neural network design that integrates graph information such as brain connectivity with fully-connected layers. Our work leverages efficient graph filter design using Chebyshev polynomial and recent work on convolutional nets on graph-structured data. Our approach exploits graph structure as the prior side information, localized graph filter for feature extraction and neural networks for high capacity learning. Experiments on real MEG datasets show that our approach can extract more discriminative representations, leading to improved accuracy in a supervised classification task.

研究动机与目标

• 为解决从位于不规则、由脑结构定义的图上的高维、噪声退化MEG信号中提取鲁棒、低维表征的挑战。
• 将脑连接性（特别是基于格兰杰因果关系推导的）作为图结构先验，整合进深度神经网络，以提升脑影像中的特征学习能力。
• 开发一种结合图卷积层与全连接层的深度自编码器框架，实现图结构信号的端到端、无监督表征学习。
• 评估图结构与非线性变换是否能增强基于MEG的分类任务中的判别能力。

提出的方法

• 该方法将MEG信号建模为基于格兰杰因果关系估计的脑连接图上的图信号，利用传感器位置与时间动态特性。
• 图卷积层通过一阶切比雪夫多项式近似实现，以高效计算在连接图上的局部图滤波。
• 架构采用自编码器结构，堆叠图卷积层后接全连接层，使用均方误差损失进行端到端训练。
• 在每个图卷积层后应用非线性激活函数（如ReLU），以实现非线性特征学习与分层表征提取。
• 将瓶颈层输出的低维表征作为线性SVM的输入，用于有监督分类。
• 模型以无监督方式训练，图结构作为归纳偏置，引导特征学习。

实验结果

研究问题

• RQ1 将脑连接性作为图先验，是否能提升MEG数据中学习表征的质量，超越标准降维技术？
• RQ2 在图卷积层中引入非线性激活函数，如何影响学习特征的判别能力？
• RQ3 所提方法是否在分类不同视觉刺激的MEG信号任务中，优于线性方法（如PCA与RPCA）以及标准自编码器？
• RQ4 性能对图结构选择的敏感性如何，特别是在用单位矩阵或随机对称矩阵替代真实连接图时？

主要发现

• 所提模型在三位受试者上平均分类准确率达到68.33%，显著优于PCA（65.29%）、RPCA（66.56%）与标准自编码器（66.93%）。
• 使用基于格兰杰因果关系的图（GCC）作为邻接矩阵时性能最佳，受试者特异性准确率分别为68.33%、64.14%与64.35%。
• 将GCC替换为单位矩阵后性能下降至66.16%，表明图结构提供了超越简单传感器级处理的有意义归纳偏置。
• 将图替换为随机对称矩阵后准确率急剧下降至59.41%，表明错误的图先验会损害性能，验证了准确连接建模的必要性。
• 在图卷积层中移除非线性激活函数后，准确率降至66.56%，表明非线性变换对于有效利用图结构至关重要。
• 包含图卷积层的四层自编码器优于两层与四层的标准自编码器，证实了图感知特征学习的优势。