[论文解读] Improved EEG Classification by factoring in sensor topography.

Lubna Shibly Mokatren, Rashid Ansari+5 more|arXiv (Cornell University)|May 22, 2019

EEG and Brain-Computer Interfaces被引用 3

一句话总结

本文提出了一种新颖的EEG分类方法，通过插值建模电极的空间配置来整合传感器拓扑结构，显著提升了分类准确率。通过将EEG数据表示为二维空间图并使用卷积神经网络（CNN），该方法在社交焦虑障碍和情绪识别任务中相比忽略空间布局的传统方法，准确率提高了5–8%。

ABSTRACT

Electroencephalography (EEG) serves as an effective diagnostic tool for mental disorders and neurological abnormalities. Enhanced analysis and classification of EEG signals can help improve detection performance. This work presents a new approach that seeks to exploit the knowledge of EEG sensor spatial configuration to achieve higher detection accuracy. Two classification models, one which ignores the configuration (model 1) and one that exploits it with different interpolation methods (model 2), are studied. The analysis is based on the information content of these signals represented in two different ways: concatenation of the channels of the frequency bands and an image-like 2D representation of the EEG channel locations. Performance of these models is examined on two tasks, social anxiety disorder (SAD) detection, and emotion recognition using DEAP dataset. Validity of our hypothesis that model 2 will significantly outperform model 1 is borne out in the results, with accuracy $5$--$8\%$ higher for model 2 for each machine learning algorithm we investigated. Convolutional Neural Networks (CNN) were found to provide much better performance than SVM and kNNs.

研究动机与目标

• 通过利用EEG传感器的空间排列来提高EEG分类准确率。
• 探究在心理状态分类中整合传感器拓扑结构是否能带来更好的性能。
• 比较在EEG信号分析中忽略与利用空间传感器配置的模型表现。
• 评估不同插值技术在空间表示EEG数据方面的有效性。
• 确定在包含空间信息的情况下，不同机器学习模型（SVM、kNN、CNN）的相对性能。

提出的方法

• 该方法基于EEG电极的解剖学位置，将EEG信号建模为类似二维图像的表示形式。
• 应用空间插值技术以估算未测量位置的信号值，从而提升空间分辨率。
• 比较两种模型：一种忽略传感器配置（模型1），另一种通过插值空间图来整合空间配置（模型2）。
• 频带信号可跨通道连接，或转换为二维空间特征图输入分类器。
• 使用卷积神经网络（CNN）来挖掘二维表示中的空间模式，其性能优于SVM和kNN。
• 在两个数据集上评估性能：社交焦虑障碍（SAD）和用于情绪识别的DEAP数据集。

实验结果

研究问题

• RQ1 在心理状态检测中，整合EEG传感器拓扑结构是否能显著提高分类准确率？
• RQ2 不同插值方法如何影响空间EEG模式的表示？
• RQ3 与传统分类器相比，CNN是否能有效从EEG信号的二维空间表示中学习？
• RQ4 空间建模带来的性能提升是否在不同机器学习算法中保持一致？
• RQ5 空间信息在多大程度上增强了对社交焦虑障碍和情绪状态的检测能力？

主要发现

• 通过空间插值整合传感器拓扑结构的模型2，在所有测试的机器学习算法中均比模型1提高了5–8%的分类准确率。
• 卷积神经网络（CNN）优于SVM和kNN，展现出更强的挖掘EEG数据中空间模式的能力。
• 与简单连接频带信号相比，EEG电极的二维空间表示显著增强了信息含量。
• 在SAD和DEAP数据集中，包含空间配置的性能增益保持一致。
• 插值方法的使用提高了EEG信号表示的空间保真度，从而生成更具判别性的分类特征。
• 结果验证了假设：空间传感器配置是EEG分类中的关键因素，不应被忽略。