MSGM：EEG感情認識のためのマルチスケール時空間グラフマンバ

科学分野:

• 神経科学
• コンピュータサイエンス
• 人工知能

背景:

• 脳波（EEG）ベースの感情認識は、モバイルヘルスと感情コンピューティングにとって重要です。
• 既存の方法では、複雑な脳ダイナミクスのモデリングとエッジ展開のための計算効率との間のトレードオフに苦労しています。
• 現在のアプローチでは、マルチスケール時間ダイナミクスと階層的な空間脳接続性がしばしば見過ごされています。

研究 の 目的:

• 効率的で堅牢なEEGベースの感情認識のためのマルチスケール時空間グラフマンバ（MSGM）を導入すること。
• 既存の方法における複雑な時空間脳活動のモデリングと計算オーバーヘッドの限界に対処すること。
• リアルタイムの臨床モニタリングと感情的相互作用をエッジで展開可能なAIを通じて促進すること。

主な方法:

• 提案されたMSGMは、相対電力スペクトル密度（rPSD）特徴抽出のためにマルチウィンドウ時間セグメンテーションを利用します。
• 階層的な脳接続性をモデル化するために、マルチデプスグラフ畳み込みネットワーク（GCN）によって洗練された双峰性グローバルおよびローカルグラフを採用します。
• 線形計算複雑性と効率的な状態空間モデリングのために、単一レイヤーのMSST-Mambaモジュールを統合します。

主要な成果:

• MSGMは、被験者非依存プロトコル（例：SEEDで83.43％の精度）において、SEED、THU-EP、FACEDデータセット全体で競争力のある精度とF1スコアを達成しました。
• NVIDIA Jetson Xavier NXエッジデバイスでのミリ秒レベルの推論（151 ms）を実証し、リアルタイムでの適合性を確認しました。
• 単一のMSST-Mambaレイヤーアーキテクチャによる堅牢な汎化性能と効率を示しました。

結論:

• MSGMは、リアルタイムアプリケーションに適した、計算オーバーヘッドの少ない複雑な時空間脳ダイナミクスを効果的に捉えます。
• このフレームワークは、神経解剖学的プライオアを状態空間モデリングに統合し、精度と解釈可能性を向上させます。
• 将来の研究では、マルチモーダル統合と、被験者間変動のための階層的空間モデリングの最適化に焦点を当てます。