EEG_GLT-Net: Optimising EEG Graphs for Real-time Motor Imagery Signals Classification

脑机接口将大脑连接到外部控制设备，需要准确地将脑信号（如来自脑电图（EEG）的信号）转化为可执行命令。图神经网络（GCN）越来越多地应用于分类EEG运动想象信号，主要是因为它们包含EEG通道之间的空间关系，从而比传统的卷积方法具有更高的准确性。GCNs-Net在实时EEG MI信号分类方面的最新进展利用Pearson系数相关性（PCC）构建邻接矩阵，在PhysioNet数据集上取得了显著的结果。本文介绍了EEG Graph Lottery Ticket（EEG_GLT）算法，这是一种创新的构建EEG通道邻接矩阵的技术。它不需要预先了解通道之间的关系，可以根据个体和GCN模型架构进行调整。我们的研究结果表明，PCC方法的平均准确率比测地线方法高9.65％，而我们的EEG_GLT矩阵的平均准确率始终超过PCC方法13.39％。此外，我们发现邻接矩阵的构建显着影响准确性，比GCN模型配置的影响更大。使用我们的EEG_GLT矩阵的基本GCN配置在平均准确率上甚至超过了使用PCC矩阵的最复杂GCN设置。我们的EEG_GLT方法还将MACs与PCC方法相比降低了高达97％，同时保持或提高了准确性。总之，EEG_GLT算法标志着最优邻接矩阵开发的突破，有效提高了计算准确性和效率，非常适合需要大量计算资源的实时EEG MI信号分类。

论文旨在解决将脑电信号转化为可执行命令的问题，通过提出一种新的构建邻接矩阵的算法来提高分类准确性和计算效率。

论文提出了一种名为EEG_GLT的算法，用于构建邻接矩阵，该算法不需要先前的通道间关系知识，并且可以根据个体受试者和GCN模型架构进行调整。EEG_GLT方法的性能优于传统的PCC方法和Geodesic方法，并且可以在保持或提高准确性的同时，将MACs降低了高达97%。

论文使用了PhysioNet数据集进行实验，并比较了PCC方法和Geodesic方法。结果表明，EEG_GLT方法的平均准确性比PCC方法高13.39％，比Geodesic方法高9.65％。此外，EEG_GLT方法的构建邻接矩阵的方式对准确性的影响比GCN模型配置更大。论文提出的EEG_GLT算法具有很高的实用性和可扩展性，可以在实时分类EEG MI信号时提高计算准确性和效率。

近期在这个领域的相关研究包括：'A Deep Learning Framework for Robust and Accurate Classification of EEG Signal'，'Graph Convolutional Networks for EEG Signal Classification: A Review'，'EEG Signal Classification Based on Improved Deep Convolutional Neural Network with Batch Normalization'等。