[论文解读] MutualGraphNet: A novel model for motor imagery classification

Yan Li, Na Zhong+2 more|arXiv (Cornell University)|Sep 2, 2021

EEG and Brain-Computer Interfaces参考文献 29被引用 7

一句话总结

本文提出MutualGraphNet，一种新颖的图神经网络，通过利用脑电信号（EEG）通道间的互信息作为时空图卷积网络（ST-GCN）的邻接矩阵，以提升运动想象分类性能。通过利用互信息建模脑功能连接，该模型在EEG数据集上实现了最先进性能，展示了无需依赖解剖学先验假设的鲁棒且可解释的特征学习能力。

ABSTRACT

Motor imagery classification is of great significance to humans with mobility impairments, and how to extract and utilize the effective features from motor imagery electroencephalogram(EEG) channels has always been the focus of attention. There are many different methods for the motor imagery classification, but the limited understanding on human brain requires more effective methods for extracting the features of EEG data. Graph neural networks(GNNs) have demonstrated its effectiveness in classifying graph structures; and the use of GNN provides new possibilities for brain structure connection feature extraction. In this paper we propose a novel graph neural network based on the mutual information of the raw EEG channels called MutualGraphNet. We use the mutual information as the adjacency matrix combined with the spatial temporal graph convolution network(ST-GCN) could extract the transition rules of the motor imagery electroencephalogram(EEG) channels data more effectively. Experiments are conducted on motor imagery EEG data set and we compare our model with the current state-of-the-art approaches and the results suggest that MutualGraphNet is robust enough to learn the interpretable features and outperforms the current state-of-the-art methods.

研究动机与目标

• 为解决在运动想象EEG数据中有效建模时空关系以提升分类准确率的挑战。
• 克服图神经网络中预定义或启发式脑连接图的局限性，这些图通常依赖于不完整或不准确的脑结构假设。
• 开发一种端到端深度学习框架，通过互信息作为数据驱动的功能连接度量，自动从原始EEG数据中学习有意义的通道关系。
• 评估互信息作为图卷积网络中邻接矩阵在基于EEG的脑机接口应用中的有效性。

提出的方法

• 该模型采用时空图卷积网络（ST-GCN）以捕捉EEG信号中的时间动态性和空间依赖性。
• 计算原始EEG通道之间的互信息（MI），并将其用作邻接矩阵以定义图连接，替代手工设计或解剖学先验。
• ST-GCN层基于MI导出的邻接矩阵聚合邻近通道的特征，使模型能够学习动态、数据驱动的功能连接模式。
• 使用微分熵（DE）作为EEG数据的输入特征表示，随后通过MutualGraphNet架构进行处理。
• 采用4折交叉验证对模型进行端到端训练，超参数在EEG运动想象数据集上进行调优以实现最佳性能。
• 评估了替代邻接矩阵（KNN、欧氏距离、随机连接及MI基变体）以消融互信息的贡献。

实验结果

研究问题

• RQ1 EEG通道间的互信息能否作为图神经网络中预定义邻接矩阵的有效且稳健的替代方案，用于运动想象分类？
• RQ2 与传统方法（如KNN、欧氏距离）相比，基于MI的图连接在分类准确率和特征可解释性方面表现如何？
• RQ3 所提出的MutualGraphNet模型是否在基于EEG的运动想象分类任务中优于现有最先进方法？
• RQ4 不同EEG特征表示（如PSD、DE、DCAU）在基于图的模型中对性能的影响程度如何？

主要发现

• MutualGraphNet在使用微分熵（DE）特征时取得了51.90%的最高分类准确率，显著优于其他特征类型。
• 基于MI的邻接矩阵在所有测试图构建方法中表现最佳，较标准KNN提升5.5%，较随机连接提升7.2%。
• 采用MI邻接矩阵的模型获得了0.5175的F1得分和0.5208的精确率，表明在各项指标上均表现出稳健且一致的性能。
• 在替代特征中，DCAU（额顶微分熵）达到41.62%的准确率，而PSD和DSAM特征表现较差，表明与不对称性相关的特征携带了判别性信息。
• 消融实验证实，基于MI的连接（Mul_KNN和Mul_ED）优于其非MI对应方法，证明互信息可增强图学习能力。
• 该模型在不同ST-GCN层配置下表现稳定，4层结构时达到最优结果，表明其具备可扩展性和架构鲁棒性。