그래프 임베디드 EEG 신호의 시간적 주의 단서를 통한 운동 이미징 분류

EEG 신호로부터 운동 이미징 분류는 뇌-컴퓨터 인터페이스(BCI)를 통한 운동 재활에 필수적입니다. 현재 이 문제에 대한 대부분의 연구는 새로운 사용자에게 적용하기 전에 특정 피험자에 대한 적응 단계를 요구합니다. 따라서 사전 훈련된 모델을 새로운 사용자에게 직접 확장하는 연구는 특히 바람직하며 필수적입니다. 뇌의 동역학이 서로 다른 피험자 간에 상당히 변화하므로, 이전 지식을 기반으로 실용적인 수작업 특징을 설계하는 것은 도전적입니다. 이러한 격차를 해결하기 위해, 본 논문은 운동 이미징 분류를 위해 다른 피험자 간의 EEG 특징을 탐구하는 그래프 기반 컨벌루션 순환 주의 모델(G-CRAM)을 제안합니다. 먼저 EEG 노드의 위치 정보를 나타내기 위해 그래프 구조가 개발됩니다. 그런 다음 컨벌루션 순환 주의 모델이 공간 및 시간 차원 모두에서 EEG 특징을 학습하고 가장 구별되는 시간 기간에 강조점을 둡니다. 우리는 피험자 독립 테스트에서 운동 이미징 분류의 두 벤치마크 EEG 데이터 세트에서 제안된 접근 방식을 평가합니다. 결과는 G-CRAM이 인식 정확도 및 ROC-AUC 측면에서 최첨단 방법보다 우수한 성능을 달성함을 보여줍니다. 또한, 모델 해석 연구는 서로 다른 신경망 구성 요소의 학습 과정을 밝히고 제안된 모델이 세부적인 특징을 효율적으로 추출할 수 있음을 입증합니다.