绿色:一个轻量级的架构,使用可学习的波纹和里曼的几何学,用EEG信号来探索生物标记
Joseph Paillard1, Jörg F Hipp1, Denis A Engemann1
1Roche Pharma Research and Early Development, Neuroscience and Rare Diseases, Roche Innovation Center Basel, F. Hoffmann-La Roche Ltd., Basel, Switzerland.
Patterns (New York, N.Y.)
|April 4, 2025
概括
我们开发了GREEN,这是一个新型的神经网络,集成了波波变换和里曼的几何学,用于电脑图 (EEG) 分析. 与现有的方法相比,绿色为EEG生物标志物识别提供了更好的性能和可解释性.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 波形分析和里曼的几何是电脑电图 (EEG) 生物标志物识别的既定方法.
- 目前的EEG分析方法往往缺乏解释性或需要手动的特征工程.
- 深度学习 (DL) 模型在性能方面表现出色,但在解释性和领域知识集成方面存在困难.
研究的目的:
- 为了引入Gabor Riemann EEGNet (GREEN),一个轻量级的神经网络来处理原始的EEG数据.
- 在DL框架内整合波波变换和里曼几何,以进行增强的EEG分析.
- 在基于EEG的预测任务中实现性能,可解释性和计算效率之间的平衡.
主要方法:
- 开发了GREEN,一个结合加博波形变换和里曼几何的神经网络.
- 通过GREEN架构处理的原始EEG数据.
- 在四个数据集中的六个预测任务中,GREEN进行了基准测试,涉及超过5000名参与者.
主要成果:
- 在EEG预测任务中,GREEN的表现优于非DL最先进的模型.
- 绿色显示了与较大的DL型号相比具有较少参数的竞争性性能.
- 绿色方便学习稀疏表示,而不会降低性能.
结论:
- 绿色为EEG数据分析提供了一种强大而易于解释的方法.
- 域知识 (里曼几何) 的整合提高了DL模型的性能和可解释性.
- 绿色为EEG生物标志物发现提供了有利的复杂性-性能权衡.
