EEG2GAIT: 階層的グラフ畳み込みネットワークを用いたEEGベースの歩行デコーディング

科学分野:

• 神経科学
• 生体医工学
• 機械学習

背景:

• 複雑な運動プロセスと高品質データセットの制限により、脳波（EEG）信号からの歩行ダイナミクスのデコーディングは困難です。
• 正確な時間的およびスペクトル的特徴抽出は、信頼性の高い歩行デコーディングに不可欠です。

研究 の 目的:

• EEGベースの歩行デコーディングを強化するための新しい階層的グラフベースモデルであるEEG2GAITを導入すること。
• ハイブリッド時間スペクトル報酬（HTSR）損失関数を通じてデコーディングパフォーマンスを向上させること。
• この分野の研究を推進するための新しい歩行-EEGデータセット（GED）に貢献すること。

主な方法:

• EEGチャンネルのマルチレベル空間埋め込みをキャプチャするために、階層的グラフ畳み込みネットワーク（GCN）ピラミッドを利用しました。
• 時間領域、周波数領域、および報酬ベースのコンポーネントを統合したハイブリッド時間スペクトル報酬（HTSR）損失関数を開発しました。
• 50人の参加者からの下肢関節角度データを同期させた新しい歩行-EEGデータセット（GED）を収集しました。

主要な成果:

• EEG2GAITとHTSRは、GEDデータセットで高いパフォーマンスを達成しました（r=0.959、R²=0.914、MAE=0.193）。
• MoBIデータセットで既存の方法を上回りました（r=0.779、R²=0.597、MAE=4.384）。
• アブレーションおよび顕示性研究により、モデルのコンポーネントが検証され、運動関連脳領域の関与が強調されました。

結論:

• EEG2GAITとHTSRは、EEG信号からの歩行ダイナミクスのデコーディングにおいて優れたパフォーマンスを示しています。
• このモデルは、特に下肢のリハビリテーションにおけるブレイン・コンピューター・インターフェースアプリケーションの推進に大きな可能性を示しています。
• 開発されたデータセットとモデルは、歩行分析とBCIの将来の研究に貴重なリソースを提供します。