論文の概要: GNN4EEG: A Benchmark and Toolkit for Electroencephalography
Classification with Graph Neural Network
- arxiv url: http://arxiv.org/abs/2309.15515v1
- Date: Wed, 27 Sep 2023 09:31:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-28 14:34:18.312446
- Title: GNN4EEG: A Benchmark and Toolkit for Electroencephalography
Classification with Graph Neural Network
- Title（参考訳）: GNN4EEG:グラフニューラルネットワークを用いた脳波分類のためのベンチマークとツールキット
- Authors: Kaiyuan Zhang, Ziyi Ye, Qingyao Ai, Xiaohui Xie, Yiqun Liu
- Abstract要約: 我々は,GNNに基づく脳波信号モデリングのための汎用的でユーザフレンドリなツールキットであるGNN4EEGを紹介する。
GNN4EEGは、(i)123人の参加者から収集された脳波データに基づいて、4つの脳波分類タスクで構築された大規模なベンチマークである。
様々な最先端GNNベースのEEG分類モデルに対する使い易い実装。
- 参考スコア（独自算出の注目度）: 22.378511778098854
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electroencephalography(EEG) classification is a crucial task in neuroscience,
neural engineering, and several commercial applications. Traditional EEG
classification models, however, have often overlooked or inadequately leveraged
the brain's topological information. Recognizing this shortfall, there has been
a burgeoning interest in recent years in harnessing the potential of Graph
Neural Networks (GNN) to exploit the topological information by modeling
features selected from each EEG channel in a graph structure. To further
facilitate research in this direction, we introduce GNN4EEG, a versatile and
user-friendly toolkit for GNN-based modeling of EEG signals. GNN4EEG comprises
three components: (i)A large benchmark constructed with four EEG classification
tasks based on EEG data collected from 123 participants. (ii)Easy-to-use
implementations on various state-of-the-art GNN-based EEG classification
models, e.g., DGCNN, RGNN, etc. (iii)Implementations of comprehensive
experimental settings and evaluation protocols, e.g., data splitting protocols,
and cross-validation protocols. GNN4EEG is publicly released at
https://github.com/Miracle-2001/GNN4EEG.
- Abstract（参考訳）: 脳波(EEG)分類は神経科学、神経工学、およびいくつかの商業的応用において重要な課題である。
しかし、伝統的な脳波分類モデルは、しばしば脳の位相情報を見過ごしたり、不十分に活用している。
この欠点を認識したグラフニューラルネットワーク(gnn)の可能性を利用して、グラフ構造内の各脳波チャネルから選択された特徴をモデル化することで、トポロジカルな情報を活用するという近年の関心が高まっている。
この方向の研究をさらに促進するために,脳波信号のgnnベースモデリングのための汎用かつユーザフレンドリーなツールキットであるgnn4eegを紹介する。
GNN4EEGは3つのコンポーネントから構成される。
(i)123名から収集した脳波データに基づく4つの脳波分類タスクからなる大規模ベンチマーク。
(II)DGCNN、RGNNなど、最先端のGNNベースのEEG分類モデルに対する使いやすさの実装。
(iii)データ分割プロトコルや相互評価プロトコルなど、総合的な実験的な設定及び評価プロトコルの実装。
GNN4EEGはhttps://github.com/Miracle-2001/GNN4EEGで公開されている。
関連論文リスト
- hvEEGNet: exploiting hierarchical VAEs on EEG data for neuroscience
applications [3.031375888004876]
脳波の既存のDLベースのモデリング手法に2つの課題がある。
被験者間の高いばらつきと低信号対雑音比は、脳波データの良好な品質を確保するのを困難にしている。
本稿では,高忠実度脳波再構成問題を対象とした2つの変分オートエンコーダモデル,すなわちvEEGNet-ver3とhvEEGNetを提案する。
論文 参考訳（メタデータ） (2023-11-20T15:36:31Z) - GNNEvaluator: Evaluating GNN Performance On Unseen Graphs Without Labels [81.93520935479984]
本稿では,ラベル付きおよび観測されたグラフに基づいて学習した特定のGNNモデルの性能を評価することを目的とした,新しい問題であるGNNモデル評価について検討する。
本稿では,(1) DiscGraph セット構築と(2) GNNEvaluator トレーニングと推論を含む2段階の GNN モデル評価フレームワークを提案する。
DiscGraphセットからの効果的なトレーニング監督の下で、GNNEvaluatorは、評価対象であるGNNモデルのノード分類精度を正確に推定することを学ぶ。
論文 参考訳（メタデータ） (2023-10-23T05:51:59Z) - Graph Neural Network-based EEG Classification: A Survey [10.683106842552657]
グラフニューラルネットワーク(GNN)は、感情認識などのタスクの脳波の分類にますます使われている。
この話題に関する論文を網羅的に検索し、比較のためのいくつかのカテゴリを導出する。
以上の結果から,脳波分類に対するGNNベースのアプローチの出現傾向を要約した。
論文 参考訳（メタデータ） (2023-10-03T15:40:03Z) - DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。
GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。
また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
論文 参考訳（メタデータ） (2023-05-22T10:29:52Z) - Learnable Filters for Geometric Scattering Modules [64.03877398967282]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。
我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文 参考訳（メタデータ） (2022-08-15T22:30:07Z) - EEG-GNN: Graph Neural Networks for Classification of
Electroencephalogram (EEG) Signals [20.991468018187362]
畳み込みニューラルネットワーク(CNN)は脳波(EEG)から主観的不変の特徴を抽出するために頻繁に用いられる。
電極部位の機能的ネットワークに対する2次元グリッド型入力に適用される畳み込みとプーリングの概念を調整することにより、この制限を克服する。
我々は,グラフのノードに電極を投影する様々なグラフニューラルネットワーク(GNN)モデルを開発し,ノードの特徴を試行錯誤時に収集したEEGチャネルのサンプルとして表現し,ノードを重み付き/非重み付きエッジで接続する。
論文 参考訳（メタデータ） (2021-06-16T21:19:12Z) - EEG-Inception: An Accurate and Robust End-to-End Neural Network for
EEG-based Motor Imagery Classification [123.93460670568554]
本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。
提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
論文 参考訳（メタデータ） (2021-01-24T19:03:10Z) - EEG-GCNN: Augmenting Electroencephalogram-based Neurological Disease
Diagnosis using a Domain-guided Graph Convolutional Neural Network [0.21756081703275995]
本稿では,頭皮電気脳波(EEG)を用いた神経疾患の診断を改善するための新しいグラフ畳み込みニューラルネットワーク(GCNN)を提案する。
脳波データのための新しいGCNNモデルであるEEG-GCNNを提案し、頭皮電極間の空間的および機能的接続を捉える。
我々は、EEG-GCNNが人間のベースラインと古典的機械学習(ML)ベースラインを大幅に上回っており、AUCは0.90であることを示した。
論文 参考訳（メタデータ） (2020-11-17T20:25:28Z) - A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習表現において顕著に普及している。
本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。
UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
論文 参考訳（メタデータ） (2020-10-05T04:57:18Z) - Attention-based Graph ResNet for Motor Intent Detection from Raw EEG
signals [8.775745069873558]
前回の研究では、脳波(EEG)信号は脳波電極のトポロジカルな関係を考慮していない。
グラフ畳み込みニューラルネットワーク(GCN: Graph Convolutional Neural Network)の新たな構造である、注意に基づくグラフ残差ネットワークが、人間の運動意図を検出するために提示された。
生の脳波運動画像における深部ネットワークに関する劣化問題に対処するために, フルアテンションアーキテクチャによる深部学習を導入した。
論文 参考訳（メタデータ） (2020-06-25T09:29:48Z) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳（メタデータ） (2020-04-19T09:43:14Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。