EEG-GNN：用于脑电(EEG)信号分类的图神经网络
机器学习
2021-06-18 v1 信号处理
摘要
卷积神经网络(CNN)常被用于从脑电(EEG)中提取与受试者无关的特征以完成分类任务。该方法隐含假设电极等距如同图像像素，因而未能探索/利用不同电极位点间复杂的功功能神经连接。我们通过将应用于二维网格输入的卷积与池化概念改造用于电极位点功能网络，克服了此局限。此外，我们开发了多种图神经网络(GNN)模型，将电极投影至图的节点，其中节点特征表示为一次试验中采集的EEG通道样本，节点可按神经科学家制定的灵活策略以加权/未加权边相连。实证评估表明，我们所提基于GNN的框架在ErrP与RSVP数据集上优于标准CNN分类器，且为面向EEG相关分类问题的深度学习方法提供了神经科学可解释性与可说明性。我们基于GNN框架的另一实际优势是可应用于EEG通道选择，这对降低计算成本与设计便携式EEG头戴设备至关重要。
引用
@article{arxiv.2106.09135,
title = {EEG-GNN: Graph Neural Networks for Classification of Electroencephalogram (EEG) Signals},
author = {Andac Demir and Toshiaki Koike-Akino and Ye Wang and Masaki Haruna and Deniz Erdogmus},
journal= {arXiv preprint arXiv:2106.09135},
year = {2021}
}
备注
8 pages, 8 figures, under review in EMBC conference