EEG-GNN: Graph Neural Networks for Classification of Electroencephalogram (EEG) Signals
원문 초록
Convolutional neural networks (CNN) have been frequently used to extract subject-invariant features from electroencephalogram (EEG) for classification tasks. This approach holds the underlying assumption that electrodes are equidistant analogous to pixels of an image and hence fails to explore/exploit the complex functional neural connectivity between different electrode sites. We overcome this limitation by tailoring the concepts of convolution and pooling applied to 2D grid-like inputs for the functional network of electrode sites. Furthermore, we develop various graph neural network (GNN) models that project electrodes onto the nodes of a graph, where the node features are represented as EEG channel samples collected over a trial, and nodes can be connected by weighted/unweighted edges according to a flexible policy formulated by a neuroscientist. The empirical evaluations show that our proposed GNN-based framework outperforms standard CNN classifiers across ErrP, and RSVP datasets, as well as allowing neuroscientific interpretability and explainability to deep learning methods tailored to EEG related classification problems. Another practical advantage of our GNN-based framework is that it can be used in EEG channel selection, which is critical for reducing computational cost, and designing portable EEG headsets.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
SPERA: 기하학 및 주파수 인식 잠재 예측을 적용한 구면 사전분포 기반 뇌파 파운데이션 모델
SPERA: Spherical Prior EEG Foundation Model with Geometry- and Frequency-Aware Latent Prediction
뇌전도(EEG)는 진행 중인 신경 활동을 비침습적으로 측정하지만, 피험자, 장치, 전극 배치의 이질성 때문에 범용 EEG 모델을 구축하는 일은 여전히 어렵다. 기존 EEG 파운데이션 모델은 신경 성분과 비신경 성분을 모두 포함하는 관측 신호에 정의된 복원 기반 목적 함수에 주로 의존한다. 본 연구는 잠재 공간에서 예측하기 위해 결합 임베딩 예측 아키텍처(JEPA)를 채택한 EEG 파운데이션 모델인 구면 사전 분포 EEG 표현 아키텍처(Spherical Prior EEG Representation Architecture, SPERA)를 소개한다. SPERA는 다양한 두피 전극 기하 구조를 인코딩하기 위해 어텐션에 통합된 르장드르 다항식 공간 사전 분포를 도입한다. 모델을 EEG에 맞추는 두 가지 추가 구성요소로, 주기적인 전체 어텐션 블록과 교차 배치된 시간·공간 분해 어텐션, 그리고 잠재 유사도 구조를 스펙트럼 뷰와 정렬하는 관계형 스펙트럼 정규화기가 있다. 106개 데이터셋, 29,048명의 피험자로부터 얻은 약 80,000시간의 EEG로 사전 학습한 SPERA는 임상, 인지, BCI 응용에 걸친 9개 다운스트림 과제에서 가장 높은 평균 균형 정확도를 달성한다. 또한 SPERA는 선형 프로빙에서 강한 파라미터 효율성을, 다양한 녹화 조건에서 강건성을 보여, 다양한 EEG 분석을 위한 범용 백본으로서의 잠재력을 시사한다.
DyssomniaNN: 인간 수면 장애 및 인지된 피로 회복도에 대한 다중 스케일 스파이킹 신경 모델링
DyssomniaNN: Multi-Scale Spiking Neural Modeling of Human Sleep Disorders and Perceived Restedness
임상 수면 의학에서는 객관적인 수면 시간과 주관적인 주간 기능 장애 사이의 심각한 불일치가 반복적으로 보고되며, 이는 역설적 불면증의 수면 상태 오인과 제1형 기면증의 경계 불안정성에서 두드러지게 나타납니다. 본 논문에서는 수면 항상성과 일주기성 추동(circadian drive)에 대한 Borbély의 2과정 조절 모델, Saper의 시상하부 상호 플립플롭 회로, 그리고 순환 피질시상 누적-발화(LIF, leaky integrate-and-fire) 스파이킹 신경망(neural network)을 결합한 다중 스케일 생물물리학적 계산 프레임워크인 DyssomniaNN을 제시합니다. 연구진은 동일한 72시간 광주기 하에서 건강한 대조군, 일주기 리듬 수면-각성 장애(지연 위상형), 만성 불면증, 역설적 불면증, 제1형 기면증 등 5개 임상 코호트를 공식화합니다. 합성 국소 장전위(local field potential)는 모든 표준 주파수 대역에서 PhysioNet Sleep-EDF 데이터베이스의 실제 인간 뇌파(EEG) 스펙트럼과 밀접하게 일치합니다(스펙트럼 평균 절대 오차 0.33--0.35). 나아가 회복 효능을 정량화하기 위해 휴식 지수(Well-Rested Index)를 도입합니다. 시뮬레이션 결과 수면 시간은 피로 회복을 예측하지 못하는 것으로 나타났습니다. 역설적 불면증은 정상적인 총 수면 시간(21.15시간)을 보이지만 억제되지 않은 피질 베타 대역의 침투로 인해 낮은 회복률(37.6%)을 보였으며, 반면 기면증의 히포크레틴 결핍은 심각한 야간 분절(수면 개시 후 각성 시간 781분)과 35회의 입면 시 렘수면(SOREMP)을 초래합니다. DyssomniaNN은 기전적 수면 연구 및 가상 신경약리학을 위한 인 실리코(in silico) 플랫폼을 제공합니다.
RPA: EEG 및 MEG 기반 이미지 검색을 위한 잔차 패치-토큰 어댑터
RPA: Residual Patch-Token Adapter for Image Retrieval from EEG and MEG
기존의 대다수 MEG 및 EEG(M/EEG) 시각 디코딩 방식은 뇌 신호를 사전학습된 시각 인코더에서 추출한 단일 글로벌 임베딩과 정렬(alignment)하므로, 더 풍부하고 세분화된 시각 정보를 보존하는 중간 패치 표현이 표현 학습(representation learning)을 향상시킬 수 있는지는 미지의 영역으로 남아 있었습니다. 이러한 의문을 해결하기 위해, 본 논문에서는 정렬을 위해 ViT 시각 인코더 중간 층의 모든 패치 토큰을 활용하는 경량 모듈형 어댑터인 RPA(Residual Patch Adapter)를 제안합니다. 광범위한 소거 연구(ablation study)를 통해, 먼저 패치 토큰을 풀링하거나 마스킹하면 학습된 표현의 성능이 저하됨을 확인하였으며, 이는 패치 토큰 전체를 유지하는 것이 EEG 정렬에 중요하고 CLS 토큰은 고유한 정보를 거의 제공하지 못함을 보여줍니다. 이어서 일련의 6가지 정량적 특징 분석을 통해, 색상 및 질감을 포함한 저수준 시각 특징과 고수준 의미론적 정보 모두가 이러한 EEG-이미지 정렬에 필수적임을 밝힙니다. 현재의 프로토콜 기준, 본 시스템은 THINGS-EEG2 데이터셋에서 피험자 내(within-subject) 95.4%, 피험자 간(cross-subject) 35.5%의 Top-1 정확도를 기록하고, THINGS-MEG 데이터셋에서는 각각 65.2%와 6.7%를 기록하여 두 데이터셋 모두에서 최고 성능(SOTA)을 달성했습니다. 사전학습된 EEG 파운데이션 모델을 비롯한 대안적 뇌 인코더를 활용한 평가는 본 접근법이 단순 투영 기반 EEG 인코더를 넘어 확장될 수 있음을 보여줍니다. 나아가, RPA를 합성곱, 어텐션 또는 ConvNeXt 대안 구조로 교체할 수 있는 플러그 앤 플레이 인터페이스를 제공합니다. 종합적으로 이러한 결과는 시각 인코더의 잠재 공간(latent space)을 활용하기 위한 설계 원칙을 정립함으로써 M/EEG-이미지 표현 학습에 대한 중요한 통찰을 제시하며, 뇌-이미지 정렬 및 비침습적 뇌-컴퓨터 인터페이스(BCI)를 위한 새로운 방향을 제시합니다.
NeuroGRIP: 지식 기반 EEG 발작 진단을 위한 검색-증강 그래프 정제
NeuroGRIP: Retrieval-Augmented Graph Refinement for Knowledge-Grounded EEG Seizure Diagnosis
EEG 신호를 이용한 발작 진단은 복잡한 신경 역학과 채널 간 모델링에서의 허위 연결로 인해 중요하면서도 지속적으로 어려운 과제이다. 공간-시간 그래프 신경망(spatial-temporal graph neural networks, STGNN)은 EEG 뇌 네트워크 표현 학습(representation learning)을 발전시켰지만, 순전히 데이터 기반 특성으로 인해 결과 그래프 구조는 임상적 타당성이 낮고 해석 가능성(interpretability)이 제한적이다. 이를 위해 우리는 외부 의학 지식을 통합하여 노이즈가 있는 EEG 그래프를 보정하는 검색-증강 그래프 정제(retrieval-augmented graph refinement) 프레임워크인 NeuroGRIP을 제안한다. 먼저 권위 있는 임상 가이드라인에서 파생된 대규모 도메인 특화 지식 베이스(knowledge base)를 구축한다. 대규모 언어 모델(LLM)을 활용하여 구조화된 생의학적 개체와 관계를 추출해 텍스트 지식 그래프(KG)를 형성하며, 이는 임상적 사전(prior)의 외부 지식 원천으로 작용한다. 본 프레임워크는 STGNN이 생성한 EEG 노드 임베딩(embedding)을 KG의 의미 공간(semantic space)으로 투영함으로써 정렬 인식(alignment-aware) 쿼리 구성을 수행한다. 의미적 쿼리는 FAISS 기반 유사도 검색(similarity search)을 통해 지식 삼원조(triplets) 위에서 실행되어 관계 증거(relation evidence)를 검색한다. 각 예측 엣지(edge)에는 검색된 유사도, 관계 유형, 출처 신뢰도(source reliability)에 기반한 신뢰도 점수(confidence score)가 부여되어, 원래 예측 그래프에서 의학적으로 타당하지 않은 엣지를 제거(prune)할 수 있다. TUSZ와 CHB-MIT에 대한 광범위한 실험은 NeuroGRIP이 발작 검출 정확도를 향상시킬 뿐만 아니라, 각 예측을 임상적으로 검증된 지식에 그라운딩(grounding)함으로써 해석 가능성을 높인다는 것을 보여준다. 본 연구는 검색-증강 추론(retrieval-augmented reasoning)을 통해 뇌 역학과 외부 의학 전문 지식을 긴밀히 결합한 최초의 통합 프레임워크를 제공하며, 지식 강화형 설명 가능한 임상 진단의 길을 연다. 코드는 https://github.com/LincanLi-X/NeuroGRIP 에서 이용할 수 있다.
심리학적 기반 레이블 구조를 활용한 EEG 기반 감정 인식을 위한 그래프 정규화 심층 학습
Graph-Regularized Deep Learning for EEG-Based Emotion Recognition with Psychologically-Grounded Label Structure
EEG 기반 감정 인식은 정신 건강 모니터링 및 감성 뇌-컴퓨터 인터페이스(BCI)에 있어 매우 중요하지만, 기존 심층 학습(deep learning) 접근법은 감정 클래스를 독립된 레이블로 취급하여 심리적 상호 의존성을 무시하는 경우가 많다. 본 논문에서는 감정을 그래프의 노드로 개념화하고, 에지(edge)가 차원적 감정 이론에 기반한 근접성을 인코딩하는 그래프 정규화(graph-regularized) 학습 프레임워크를 제안한다. 우리는 계산 복잡도 증가 순으로 세 가지 상호 보완적인 정규화(regularization) 전략을 적용한다: 그래프 레이블 스무딩(Graph Label Smoothing, 직관적 소프트 레이블링), 그래프 라플라시안을 통한 그래프 상의 교환 거리(Commuting distance on graph via Graph Laplacian, 스펙트럴 그래프 이론), 슬라이스드 와서스타인 거리(Sliced Wasserstein Distance, 그래프 상의 최적 수송). 이 전략들은 확립된 감정 위상 구조에서 벗어난 모델(model) 예측에 패널티를 부과한다. 제안된 프레임워크는 세 가지 대표적인 백본 아키텍처, 즉 AudioTransformer(순수 트랜스포머(transformer)), Conformer(CNN-트랜스포머 하이브리드), DCGNN(인과 그래프 신경망(causal graph neural network))에 걸쳐 평가되어 아키텍처에 독립적인 이점을 입증한다. SEED-IV(4개 클래스) 및 SEED-V(5개 클래스) 데이터셋에서의 실험 결과 일관된 성능 향상이 나타났으며, 최선의 경우 정확도 최대 +5.42% 향상 및 심리적으로 타당하지 않은 오분류 39% 감소를 달성하였다. 궁극적으로, 본 프레임워크는 표준 접근법으로 달성 가능한 성능의 상한선을 높이는 데 기여한다. 코드는 추후 공개될 예정이다.
sEMG 신호 기반 실시간 제스처 인식을 위한 그래프 신경망 모델
A Graph Neural Network Model for Real-Time Gesture Recognition Based on sEMG Signals
고급 손 의수 및 증강 현실의 원활한 제어를 위해서는 정확하고 즉각적인 손 제스처 인식이 필수적이다. 이를 위해 전완부에서 획득한 표면 근전도(sEMG) 신호가 일반적으로 활용된다. 본 논문에서는 전완부의 근육 활성화 패턴에 대한 정보를 담은 그래프 네트워크를 활용한 새로운 sEMG 표현 방법을 제안한다. 이 그래프 네트워크를 기반으로, 그래프 신경망(graph neural network)을 사용하여 실시간 손 제스처 인식이 가능한 머신러닝 알고리즘을 개발하였다. 알고리즘의 성능은 전완부 주위에 8개의 전극이 배치된 myoband로부터 획득한 sEMG 신호를 사용하여 8명의 건강한 피험자를 대상으로 평가하였다. 제안된 방법은 평균 분류 정확도 99%를 달성하여 최신 기법들의 성능을 능가하였다. 그래프 구성 및 예측에 소요되는 평균 시간은 M1 Pro CPU를 활용하여 48ms로, 이 방법이 실시간 애플리케이션에 적합함을 보여준다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.