RepSPD: 동적 그래프를 활용한 뇌파(EEG) 데이터의 SPD 매니폴드 표현 강화

RepSPD: Enhancing SPD Manifold Representation in EEGs via Dynamic Graphs

뇌파(EEG) 데이터로부터 뇌 활동을 해독하는 것은 신경과학 및 임상 응용 분야에서 매우 중요합니다. 최근 뇌파 데이터 분석을 위한 딥러닝 기술 발전 중에서, 기하학적 학습은 대칭 양의 정부호(SPD) 행렬의 이론적 기반을 활용하여 물리적인 원리에 기반한 구조적 연결성 분석을 가능하게 한다는 점에서 두드러집니다. 그러나 현재의 SPD 기반 방법은 주로 뇌파 데이터의 통계적 집계에 초점을 맞추고 있으며, 주파수별 동기화 및 뇌 영역의 국소적인 위상 구조는 간과됩니다. 이러한 점을 고려하여, 본 연구에서는 새로운 기하학적 딥러닝(GDL) 모델인 RepSPD를 제안합니다. RepSPD는 리만 매니폴드 상에서 크로스-어텐션 메커니즘을 구현하여, 그래프에서 파생된 기능적 연결성 특징을 이용하여 SPD 행렬의 기하학적 속성을 조절합니다. 또한, 우리는 접공간 임베딩을 재구성하는 전역 양방향 정렬 전략을 도입하여 곡률로 인한 기하학적 왜곡을 완화하고, 기하학적 일관성을 향상시킵니다. 광범위한 실험 결과, 제안하는 프레임워크가 기존의 뇌파 데이터 표현 방법보다 성능이 우수하며, 더 높은 안정성과 일반화 능력을 갖는다는 것을 보여줍니다.

Decoding brain activity from electroencephalography (EEG) is crucial for neuroscience and clinical applications. Among recent advances in deep learning for EEG, geometric learning stands out as its theoretical underpinnings on symmetric positive definite (SPD) allows revealing structural connectivity analysis in a physics-grounded manner. However, current SPD-based methods focus predominantly on statistical aggregation of EEGs, with frequency-specific synchronization and local topological structures of brain regions neglected. Given this, we propose RepSPD, a novel geometric deep learning (GDL)-based model. RepSPD implements a cross-attention mechanism on the Riemannian manifold to modulate the geometric attributes of SPD with graph-derived functional connectivity features. On top of this, we introduce a global bidirectional alignment strategy to reshape tangent-space embeddings, mitigating geometric distortions caused by curvature and thereby enhancing geometric consistency. Extensive experiments demonstrate that our proposed framework significantly outperforms existing EEG representation methods, exhibiting superior robustness and generalization capabilities.