[论文解读] Graph Neural Networks in EEG-based Emotion Recognition: A Survey

Chenyu Liu, Deng, Yuqiu+11 more|ArXiv.org|Feb 2, 2024

EEG and Brain-Computer Interfaces被引用 11

一句话总结

本综述在统一的三阶段框架（节点、边、图）内全面分类基于GNN的EEG情感识别方法，并概述未来方向。

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.

研究动机与目标

• 提供对现有基于EEG的情感识别中的GNN的全面且系统的综述。
• 提出在统一的三阶段框架下（节点级、边级、图级）的新型GNN分类。
• 为EEG情感任务构建GNN提供指导，并突出未解决的挑战和未来方向。

提出的方法

• 将基于EEG的情感识别框架为从图G到情感标签Y的f(G)映射。
• 按三个构建阶段分类方法：节点级特征选择、边的计算和图结构。
• 引入节点特征类别（单变量 vs 混合）和边类型（模型无关 vs 模型相关）。
• 描述图级结构：多图、层级图、时间序列图，以及稀疏图。
• 回顾四种多图变体（水平&垂直、时序&频率、局部&全局）以及两种层级变体（动态图和预定的）。
• 讨论未来方向，包括时序全连通图、图压缩/凝缩、异构图与动态图。

实验结果

研究问题

• RQ1 如何在统一的图构建框架内对基于EEG的情感识别的GNNs进行系统分类？
• RQ2 常用的节点特征、边的构造和图架构有哪些，它们与生理脑模式有何关联？
• RQ3 提高基于GNN的EEG情感识别的主要开放挑战与有前景的方向是什么？

主要发现

• 该综述提供了关于基于EEG的情感识别中GNN的首个全面综述与统一的分类框架。
• 它按节点级特征、边计算和图级结构对方法进行分类，揭示常见的设计选择和差异。
• 它识别出四种图级结构（多图、层级图、时间序列图、稀疏图）以及每阶段内的多种亚型。
• 它强调了实际的未来方向，如时序全连通图、图凝缩，以及异构/动态图以解决当前局限。