EGNN-C+：可解释的演化粒状神经网络及其在弱监督脑电数据流分类中的应用

Feb, 2024

EGNN-C+：可解释的演化粒状神经网络及其在弱监督脑电数据流分类中的应用

EGNN-C+: Interpretable Evolving Granular Neural Network and Application in Classification of Weakly-Supervised EEG Data Streams

PDF

Daniel Leite, Alisson Silva, Gabriella Casalino, Arnab Sharma, Danielle Fortunato...

TL;DR我们介绍了一种改进的增量学习算法，用于进化颗粒神经网络分类器（eGNN-C+）。我们使用双边界超立方体来表示颗粒，并自定义适应过程以增强外部边界对数据覆盖和噪声抑制的鲁棒性，同时确保内部边界保持灵活以捕捉漂移。分类器从头开始进化，即时融入新的类别，并进行局部增量特征加权。作为应用，我们专注于对脑电图（EEG）信号中与情绪相关的模式的分类。情绪识别对于增强计算机系统的逼真性和交互性至关重要。我们从 28 个参与玩电脑游戏的个体获得的 EEG 信号的傅立叶频谱中提取特征 - 这是一个公共数据集。每个游戏引发不同的主导情绪：无聊、平静、恐惧或喜悦。我们分析个体电极、时间窗口长度和频带，以评估用户无关的神经模型的准确性和可解释性。研究结果表明，两个大脑半球都有助于分类，尤其是颞叶（T8）和顶叶（P7）区域的电极，并且前额叶和枕叶电极也对分类有贡献。虽然模式可能表现在任何频带上，但阿尔法波（8-13Hz）、δ（1-4Hz）波和 θ（4-8Hz）波以此顺序与情绪类别有更高的相关性。eGNN-C + 在学习 EEG 数据方面表现出有效性。即使在高度随机的时间变化的 4 类分类问题面前，它在 10 秒时间窗口内达到了 81.7% 的准确性和 0.0029 II 的可解释性。

Abstract

We introduce a modified incremental learning algorithm for evolving Granular Neural Network Classifiers (eGNN-C+). We use double-boundary hyper-boxes to represent granules, and customize the adaptation procedures to enhance the robustness of outer boxes for data coverage and noise suppression, while ensuring that inner boxes remain flexible to capture drifts

granular neural network classifiers eeg signals emotion recognition fourier spectrum classification problem

发现论文，激发创造

GNN4EEG：使用图神经网络进行脑电图分类的基准和工具包

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

基于动态图神经网络的精确脑电图癫痫检测与分类

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

基于图神经网络的脑电信号分类：综述

通过系统综述和分类论述了基于图神经网络的脑电分类方法，发现光谱图卷积层在空间上存在较大优势，常见的节点特征为原始脑电信号和差分熵，同时提出了探索迁移学习方法和适当建模跨频率交互的方向。

Oct, 2023

EEGSN: 基于图峰值神经网络的脑电解码高效低延迟实现

我们提出了一种基于图的神经脉冲网络结构来进行多通道脑电图分类的方法（Graph Spiking Neural Network architecture for multi-channel EEG classification）。相较于目前最先进的 SNN（Spiking Neural Network），我们的方法提高了计算效率，降低了计算复杂度，并在运动执行分类任务中取得了与当前方法相当的准确性。

Apr, 2023

基于脑电图的情绪识别中的图神经网络研究

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

基于连接不确定性的图卷积网络用于基于脑电波的情绪识别

基于多通道脑电图的自动情绪识别具有推进人机交互的巨大潜力，但现有算法情绪识别研究存在一些显著挑战，本研究通过引入基于图卷积网络体系结构的分布不确定性方法来解决这些挑战，实现了空间依赖性和时频相关性的表示，以及通过一种单向学习方式将不确定性学习方法与深层 GCN 权重相集成，结果表明我们的方法在情绪识别任务上优于之前的方法，取得了积极且显著的改进。

Oct, 2023

基于自适应门控图卷积网络的脑电数据可解释诊断阿尔茨海默病

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

基于域引导图卷积神经网络增强基于脑电图的神经疾病诊断

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

自监督图神经网络提高脑电图癫痫分析

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

半监督双流自注意对抗图对比学习用于跨主体基于脑电的情绪识别

本文提出了一种半监督的双流自我注意对抗性图对比学习框架 (DS-AGC)，用于解决跨受试者基于脑电图的情绪识别中标记数据不足的挑战，并通过多个实验表明该模型在不完整标签条件下优于现有方法，具有有效解决跨受试者基于脑电图的情绪识别中标签稀缺问题的效果。

Aug, 2023