LPGGNet: モーターイメージングEEG認識のためのローカルパーティショングローバルグラフ表現からの学習

科学分野:

• 神経科学
• 機械学習
• 生体医工学

背景:

• 既存のモーターイメージング脳波（MI-EEG）デコーディング方法は、限定的なグラフ表現、マルチスケール情報の活用不足、および適応性の低さに苦労しています。
• 現在の方法は、脳ダイナミクスの包括的な分析を妨げる単一の接続性グラフ表現に依存することがよくあります。

研究 の 目的:

• 既存のMI-EEGデコーディング技術の限界を克服するために、新しいローカルパーティショングローバルグラフ学習ネットワーク（LPGGNet）を開発すること。
• マルチビュー脳接続性と動的に構築されたグラフ構造を統合することにより、MI-EEGデコーディングを強化すること。

主な方法:

• 提案されたLPGGNetは、局所的な機能的隣接行列の偏向指向性コヒーレンス（PDC）と特徴抽出のための時間的畳み込みを使用します。
• パーティション内特徴の一貫性のためのガウス中央値距離とグラフフィルタリングを備えたパーティション学習モジュールを採用しました。
• タスク関連表現のための動的に計算された隣接行列と残差グラフ畳み込みを備えたグローバル学習モジュールを統合しました。

主要な成果:

• LPGGNetは、BCIコンペティションIV-2aデータセットで82.9％、実験室データセットで87.5％の高い分類精度を達成しました。
• 提案されたモデルは、いくつかの最先端のMI-EEGデコーディング方法を上回りました。
• アブレーション研究により、LPGGNetアーキテクチャ内の各モジュールの重要な貢献が確認されました。

結論:

• マルチビュー脳接続性と動的に構築されたグラフ構造を統合することにより、MI-EEGデコーディングパフォーマンスが大幅に向上します。
• LPGGNetモデルは、脳波（EEG）信号のデコーディングのための新しく効率的で優れたソリューションを提供します。
• この研究は、EEG信号解析の強化を通じて、ブレインコンピュータインターフェースの分野を進歩させます。