Subject Representation Learning from EEG using Graph Convolutional Variational Autoencoders

📄 arXiv: 2501.16626v1 📥 PDF

作者: Aditya Mishra, Ahnaf Mozib Samin, Ali Etemad, Javad Hashemi

分类: eess.SP, cs.LG

发布日期: 2025-01-13

备注: Accepted to 2025 International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2025)

💡 一句话要点

提出基于图卷积变分自编码器的GC-VASE模型，用于脑电信号的个体表征学习。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 脑电信号 个体表征学习 图卷积网络 变分自编码器 对比学习 适配器网络 脑机接口

📋 核心要点

  1. 现有脑电信号个体表征学习方法泛化性不足，对新个体适应性差，需要大量重新训练。
  2. 提出GC-VASE模型，利用图卷积变分自编码器和对比学习，学习鲁棒的个体特定潜在表征。
  3. 引入基于注意力的适配器网络进行微调，显著降低了模型适应新个体的计算成本，并提升了准确率。

📝 摘要（中文）

本文提出了一种基于图卷积的变分自编码器GC-VASE，它利用对比学习从脑电数据中学习个体表征。我们的方法成功地学习了鲁棒的、特定于个体的潜在表征，使用了专为个体识别定制的分割潜在空间架构。为了增强模型对未见个体的适应性，而无需大量重新训练，我们引入了一个基于注意力的适配器网络进行微调，从而降低了模型适应新个体的计算成本。我们的方法显著优于其他深度学习方法，在ERP-Core数据集上实现了89.81%的个体平衡准确率，在SleepEDFx-20数据集上实现了70.85%的个体平衡准确率，达到了最先进的水平。在使用适配器和注意力层进行个体自适应微调后，GC-VASE在ERP-Core上的个体平衡准确率进一步提高到90.31%。此外，我们进行了详细的消融研究，以突出我们方法关键组成部分的影响。

🔬 方法详解

问题定义：现有脑电信号处理方法在个体表征学习方面存在泛化性问题，即模型在训练集上表现良好，但在未见过的个体数据上表现不佳。重新训练成本高昂，限制了其在实际场景中的应用。因此，需要一种能够有效学习个体特征，并能快速适应新个体的方法。

核心思路：论文的核心思路是利用图卷积变分自编码器（GC-VAE）学习脑电信号的个体特定潜在表征，并结合对比学习增强表征的区分性。通过分割潜在空间，一部分用于个体识别，另一部分用于共享特征学习。此外，引入基于注意力的适配器网络，实现对新个体的快速微调和适应。

技术框架：GC-VASE模型主要包含以下几个模块：1) 图卷积编码器：将脑电信号转换为图结构数据，并利用图卷积网络提取特征。2) 分割潜在空间：将潜在空间分为个体特定部分和共享部分。3) 对比学习：通过对比损失函数，增强个体表征的区分性。4) 变分自编码器：利用变分推理学习潜在空间的分布。5) 基于注意力的适配器网络：用于对新个体进行微调，快速适应新数据。

关键创新：该方法的主要创新点在于：1) 结合图卷积和变分自编码器，有效处理脑电信号的图结构特征。2) 提出分割潜在空间架构，区分个体特定特征和共享特征。3) 引入基于注意力的适配器网络，实现对新个体的快速适应，降低了重新训练的成本。

关键设计：在网络结构方面，使用了多层图卷积网络提取脑电信号的特征。对比学习采用了InfoNCE损失函数，鼓励相似个体在潜在空间中更接近，不同个体更远离。适配器网络使用了注意力机制，选择性地调整模型参数，以适应新个体的数据分布。具体参数设置和损失函数权重需要根据实验结果进行调整。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

GC-VASE模型在ERP-Core数据集上实现了89.81%的个体平衡准确率，在SleepEDFx-20数据集上实现了70.85%的个体平衡准确率，显著优于其他深度学习方法，达到了最先进的水平。通过适配器和注意力层进行个体自适应微调后，GC-VASE在ERP-Core上的个体平衡准确率进一步提高到90.31%。消融实验验证了各个关键组件的有效性。

🎯 应用场景

该研究成果可应用于脑机接口、神经疾病诊断、个性化医疗等领域。通过学习个体脑电信号的独特表征，可以实现更精准的个体识别、疾病预测和治疗方案定制。未来，该方法有望应用于开发更智能、更个性化的脑电信号分析系统。

📄 摘要（原文）

We propose GC-VASE, a graph convolutional-based variational autoencoder that leverages contrastive learning for subject representation learning from EEG data. Our method successfully learns robust subject-specific latent representations using the split-latent space architecture tailored for subject identification. To enhance the model's adaptability to unseen subjects without extensive retraining, we introduce an attention-based adapter network for fine-tuning, which reduces the computational cost of adapting the model to new subjects. Our method significantly outperforms other deep learning approaches, achieving state-of-the-art results with a subject balanced accuracy of 89.81% on the ERP-Core dataset and 70.85% on the SleepEDFx-20 dataset. After subject adaptive fine-tuning using adapters and attention layers, GC-VASE further improves the subject balanced accuracy to 90.31% on ERP-Core. Additionally, we perform a detailed ablation study to highlight the impact of the key components of our method.