A deep learning approach for EEG classification using multi-scale gaussian connectivity and Alpha-Rényi entropy-based regularization
Cargando...
Autores
Tipo de contenido
Editor
Document language:
Inglés
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
La clasificación de señales de electroencefalografía (EEG) constituye un elemento fundamental para el desarrollo de interfaces cerebro–computador (BCI) avanzadas y de diagnósticos clínicos objetivos. Sin embargo, los enfoques actuales basados en aprendizaje profundo suelen verse limitados por la alta variabilidad intersujeto, la no estacionariedad de las señales y la falta de interpretabilidad, lo que frecuentemente da lugar a modelos sobreajustados de tipo “caja negra” que no logran generalizar adecuadamente en poblaciones diversas. Esta tesis propone un marco de aprendizaje profundo para la clasificación de EEG que integra modelado de conectividad funcional gaussiana multiescala con regularización matricial basada en α-Rényi para abordar estos desafíos. El marco está compuesto por dos arquitecturas estratégicas: (i) GMRRNet (Gaussian Mixture Connectivity Network with α-Rényi Regularization), que emplea un bloque paralelo de mezcla gaussiana para capturar interacciones espaciales localizadas y globales, mientras utiliza una pérdida de información mutua α-Rényi para minimizar la redundancia entre las escalas aprendidas; y (ii) T-GARNet (Transformer-based Multi-Scale Gaussian Kernel Connectivity Network with α-Rényi Regularization), que integra atención temporal basada en Transformers con una combinación convexa aprendible de kernels para extraer dependencias de largo alcance y patrones neurofisiológicos estables. El marco propuesto se valida en dos conjuntos de datos de referencia—GigaScience MI-EEG e IEEE DataPort ADHD—mediante protocolos de evaluación adecuados para cada tarea. Específicamente, GMRRNet se evalúa bajo validación
dependiente del sujeto para la clasificación de imaginación motora, mientras que T-GARNet se evalúa mediante esquemas rigurosos independientes del sujeto, incluyendo leave-one-subject-out (LOSO) y validación cruzada estratificada por grupos k-fold (SGKF-CV), para la detección de TDAH. Además, se implementa un protocolo de interpretabilidad multicapa que emplea Grad-CAM++, mapas de atención y diagramas de conectividad tipo chord para confirmar que las representaciones aprendidas están fundamentadas en patrones neurofisiológicos significativos, tales como ritmos sensoriomotores para imaginación motora y circuitos de control frontoparietales para TDAH. Los resultados experimentales demuestran que el marco alcanza un desempeño competitivo, con una exactitud del 71.7% en imaginación motora, 95.53% bajo LOSO y 79.70% bajo SGKF-CV en la detección de TDAH, al tiempo que mejora significativamente la estabilidad y transparencia de la clasificación. Este trabajo contribuye al campo de la neurociencia computacional al proporcionar un enfoque explicable y eficiente en parámetros para sistemas de diagnóstico y control basados en EEG (Texto tomado de la fuente).
Abstract
The classification of electroencephalography (EEG) signals is a cornerstone for the development of advanced brain–computer interfaces (BCIs) and objective clinical diagnostics. However, current deep learning approaches are often hindered by high inter-subject variability, signal non-stationarity, and a lack of interpretability, which frequently results in overfitted “black-box” models that fail to generalize across diverse populations. This thesis proposes a deep learning framework for EEG classification that integrates multiscale Gaussian functional connectivity modeling with matrix-based α-Rényi regularization to address these challenges. The framework is composed of two strategic architectures: (i) GMRRNet (Gaussian Mixture Connectivity Network with α-Rényi Regularization), which employs a parallel Gaussian mixture block to capture localized and global spatial interactions while utilizing an α-Rényi mutual information loss to minimize redundancy between learned scales; and (ii) T-GARNet (Transformer-based Multi-Scale Gaussian Kernel Connectivity Network with α-Rényi Regularization), which integrates Transformer-based temporal attention with a learnable convex combination of kernels to extract long-range dependencies and stable neurophysiological patterns. We validate the proposed framework on two benchmark datasets—GigaScience MI-EEG and IEEE DataPort ADHD—using task-appropriate evaluation protocols. Specifically, GMRRNet is assessed under subject-dependent validation for motor imagery classification, while T-GARNet is evaluated using rigorous subject-independent schemes, including leave-one-subject-out (LOSO) and stratified group k-fold cross-validation (SGKF-CV), for ADHD detection. Furthermore, we implement a multi-layer interpretability protocol employing Grad-CAM++, attention maps, and connectivity chord diagrams to confirm that the learned representations are grounded in meaningful neurophysiological patterns, such as sensorimotor rhythms for MI and fronto-parietal control circuits for ADHD. Experimental results demonstrate that the framework achieves competitive performance, reaching 71.7% accuracy in MI, 95.53% under LOSO, and 79.70% under SGKF-CV in ADHD detection, while significantly enhancing classification stability and transparency. This work advances the field of computational neuroscience by providing an explainable and parameter-efficient approach for EEG-based diagnostic and control systems
Descripción
ilustraciones, graficas, tablas