基于图神经网络的脑电信号分类:综述
通过开发图神经网络 (GNN) 在基于脑电图的情绪识别领域中的独特应用,研究综述了现有方法,并提供了构建 GNN 在基于脑电图情绪识别中的清晰指导,同时探讨了一些挑战和未来方向。
Feb, 2024
用于 EEG 信号基于图神经网络的建模的 GNN4EEG 是一个多功能且易于使用的工具包,并包括四个 EEG 分类任务的大型基准、各种先进的 GNN 基于 EEG 分类模型的易于使用的实现以及全面的实验设置和评价协议。
Sep, 2023
这篇论文介绍了 NeuroGNN,一个动态图神经网络框架,通过捕捉脑电极位置和对应脑区语义之间的动态相互作用,来优化癫痫的检测和分类,并在实际数据上的广泛实验证明其明显优于现有的先进模型。
May, 2024
该论文综述了图神经网络在数据挖掘和机器学习领域的广泛应用,提出了四种图神经网络的分类,并讨论了在各个领域中的应用以及图神经网络的开放源代码、基准数据集和模型评估,并提出了该领域的潜在研究方向。
Jan, 2019
本文总结了谱图神经网络的最新发展,包括模型、理论和应用等方面的内容,其中介绍了谱性 GNN 能够捕捉全局信息,并具有更好的可表达性和可解释性。通过对现有谱性 GNN 的分析,本文梳理了主要理论结果和应用,最后进行了定量实验来评估几种常见的谱性 GNN 模型,为未来的研究提出了一些方向。
Feb, 2023
本研究提出了一种基于 GNN 的自监督预训练模型,能够捕捉电极几何或动态脑连接的脑电图图形结构,提高罕见癫痫类型的检测和分类精度。此外,提出了一种定量的模型可解释性方法来评估模型在 EEGs 内定位癫痫的能力。实验证明,GNN 的自监督预训练方法在癫痫检测和分类上都优于以往的方法,能够精确定位约 25.4% 的局部癫痫,可以为临床医生提供直观的癫痫局部化信息。
Apr, 2021
使用 EEG-GCNN 模型对神经疾病的诊断进行改进,重点是区分由专家分类为 “正常” 的病人的异常头皮脑电波与健康人的头皮脑电波。在两个大型头皮脑电波数据库中的实验表明,EEG-GCNN 模型的 AUC 值达到 0.90,表现显著优于人工基准和传统机器学习基准。
Nov, 2020
探索人脑的复杂结构对于了解其功能和诊断脑部疾病至关重要。最近通过将人脑建模为具有图结构的模式来研究,其中不同的脑区表示为节点,这些区域之间的功能关系表示为边。此外,图神经网络(GNNs)在挖掘图结构数据方面显示出明显优势。近来,开发用于脑部疾病分析的 GNNs 进行脑图表示学习已引起越来越多的关注。然而,目前缺乏对该领域中当前研究方法的系统调查。本文旨在通过回顾利用 GNNs 进行脑图学习的研究工作来填补这一空白。我们首先介绍基于常见神经影像数据的脑图建模过程。随后,我们根据生成的脑图类型和目标研究问题对目前的工作进行系统分类。为了使这项研究能够为更广泛的研究人员群体所用,我们概述了代表性的方法和常用数据集,并提供其实施源。最后,我们对未来研究方向给出了我们的见解。该调查的存储库可访问 https://github.com/XuexiongLuoMQ/Awesome-Brain-Graph-Learning-with-GNNs。
Jun, 2024
本研究提出了一种使用自适应闸门图卷积网络病诊断的方法,基于脑功能连通性图结构和节点特征增强的卷积方法,实现了对阿尔茨海默病患者的较高精确度预测,并提供了说明预测的一致解释的可能,有助于进一步研究 AD 相关的大脑网络变化。
Apr, 2023