EEG_RL-Net: Enhancing EEG MI Classification through Reinforcement Learning-Optimised Graph Neural Networks

📄 arXiv: 2405.00723v1 📥 PDF

作者: Htoo Wai Aung, Jiao Jiao Li, Yang An, Steven W. Su

分类: eess.SP, cs.AI, cs.LG

发布日期: 2024-04-26

💡 一句话要点

提出EEG_RL-Net以提升脑机接口中EEG运动想象信号分类精度

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱七：动作重定向 (Motion Retargeting)

关键词: 脑机接口 脑电图 运动想象 图神经网络 强化学习 信号分类 深度学习

📋 核心要点

  1. 现有的EEG MI信号分类方法在准确性和对不明显数据点的识别能力上存在不足。
  2. 本研究提出EEG_RL-Net，通过强化学习优化图神经网络，提升EEG MI信号的分类精度。
  3. 实验结果显示，EEG_RL-Net在20名受试者中实现了96.40%的平均准确率，较传统方法有显著提升。

📝 摘要（中文）

脑机接口（BCI）依赖于准确解码脑电图（EEG）运动想象（MI）信号以实现有效的设备控制。图神经网络（GNN）通过利用EEG电极之间的空间关系，超越了卷积神经网络（CNN）。本研究提出了EEG_RL-Net框架，通过强化学习（RL）方法进一步提升EEG MI信号分类精度，平均准确率达到96.40%，显著高于现有方法的76.10%。

🔬 方法详解

问题定义：本论文旨在解决脑机接口中EEG运动想象信号分类的准确性不足问题，现有方法在处理不明显数据点时效果欠佳。

核心思路：通过引入强化学习（RL）方法，增强分类器的能力，使其不仅能提高分类准确性，还能有效识别不明显的EEG MI数据点。

技术框架：EEG_RL-Net框架结合了EEG_GLT-Net的图卷积网络（GCN）模块和基于RL的Dueling Deep Q Network（Dueling DQN）模块，整体架构优化了EEG信号的分类流程。

关键创新：本研究的主要创新在于将强化学习应用于EEG MI信号分类，显著提升了分类性能，与传统方法相比，准确率提升了20%以上。

关键设计：在设计中，EEG GCN模块的邻接矩阵密度设定为13.39%，并采用了适应性损失函数以优化分类效果。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，EEG_RL-Net在20名受试者中实现了96.40%的平均准确率，相较于使用皮尔逊相关系数（PCC）方法的76.10%有显著提升，展示了强化学习在EEG MI信号分类中的变革性影响。

🎯 应用场景

该研究的潜在应用领域包括医疗康复、脑机接口控制的智能设备以及神经科学研究等。通过提高EEG MI信号分类的准确性，能够更好地支持残疾人和运动障碍患者的辅助设备控制，具有重要的社会价值和实际意义。

📄 摘要（原文）

Brain-Computer Interfaces (BCIs) rely on accurately decoding electroencephalography (EEG) motor imagery (MI) signals for effective device control. Graph Neural Networks (GNNs) outperform Convolutional Neural Networks (CNNs) in this regard, by leveraging the spatial relationships between EEG electrodes through adjacency matrices. The EEG_GLT-Net framework, featuring the state-of-the-art EEG_GLT adjacency matrix method, has notably enhanced EEG MI signal classification, evidenced by an average accuracy of 83.95% across 20 subjects on the PhysioNet dataset. This significantly exceeds the 76.10% accuracy rate achieved using the Pearson Correlation Coefficient (PCC) method within the same framework. In this research, we advance the field by applying a Reinforcement Learning (RL) approach to the classification of EEG MI signals. Our innovative method empowers the RL agent, enabling not only the classification of EEG MI data points with higher accuracy, but effective identification of EEG MI data points that are less distinct. We present the EEG_RL-Net, an enhancement of the EEG_GLT-Net framework, which incorporates the trained EEG GCN Block from EEG_GLT-Net at an adjacency matrix density of 13.39% alongside the RL-centric Dueling Deep Q Network (Dueling DQN) block. The EEG_RL-Net model showcases exceptional classification performance, achieving an unprecedented average accuracy of 96.40% across 20 subjects within 25 milliseconds. This model illustrates the transformative effect of the RL in EEG MI time point classification.