Графовые нейронные сети для анализа пространственно-временной структуры сигналов ЭЭГ
Журнал: Труды Московского физико-технического института @trudy-mipt
Рубрика: Математика
Статья в выпуске: 3 (71) т.18, 2026 года.
Бесплатный доступ
В работе решается задача классификации активности головного мозга с учетом пространственной структуры сигнала. Активность мозга регистрируется системой электродов в виде многомерного временного ряда электроэнцефалограммы. Поскольку структура расположения электродов не образует регулярную решетку, применение классических сверточных нейронных сетей для учета ковариаций компонент сигнала не является уместным. Для описания взаимосвязей между областями мозговой активности предлагается использовать пространственно-временное представление данных в виде динамической карты связности функциональных групп головного мозга. Это представление используется в качестве входных данных в модели на основе композиции графовых и рекуррентных нейронных сетей. Преимущества такой модели по сравнению с существующими подходами демонстрируются в вычислительном эксперименте по решению задачи классификации эмоциональных состояний.
Короткий адрес: https://sciup.org/142248886
IDS: 142248886 | УДК: 519.25, 519.7
Graph neural networks for spatio-temporal analysis of EEG signals
This paper considers the problem of modeling brain activity while accounting for the spatial structure of the signal. The brain activity data is recorded by a system of electrodes as multichannel electroencephalogram time series. Since the electrode arrangement does not form a regular grid, conventional convolutional neural networks are not well suited for capturing the covariance structure of the signal components. To describe interactions between brain activity regions, a spatio-temporal representation is proposed in the form of a dynamic connectivity map of functional groups of the human brain. This representation is used as input for a model based on a combination of graph and recurrent neural networks. The advantages of the model relatively to existing approaches are demonstrated through a computational experiment on the emotional states classification task.
