HEEGNet: EEG 데이터에 대한 쌍곡선 임베딩

HEEGNet: Hyperbolic Embeddings for EEG

뇌파(EEG) 기반 뇌-컴퓨터 인터페이스는 컴퓨터와의 직접적인 통신을 가능하게 하여 인간-컴퓨터 상호작용 분야에서 유망한 응용 가능성을 제시합니다. 그러나 EEG 디코딩은 종종 도메인 간의 분포 변화로 인해 일반화 성능이 좋지 않아 활용이 제한됩니다. 뇌파 데이터에 내재된 작업 관련 정보를 포착하는 강력한 표현 방식을 학습하면 이러한 변화를 완화하고 일반화 성능을 향상시킬 수 있습니다. 유망한 접근 방식 중 하나는 EEG 데이터에 내재된 계층적 구조를 활용하는 것입니다. 최근 연구에 따르면 시각 처리와 같은 계층적 인지 과정은 EEG 데이터에 인코딩될 수 있습니다. 많은 디코딩 방법이 여전히 유클리드 임베딩에 의존하는 반면, 최근 연구에서는 EEG 데이터에 대한 쌍곡선 기하학의 활용을 탐구하기 시작했습니다. 트리 구조의 연속적인 표현으로 간주되는 쌍곡선 공간은 계층적 데이터를 표현하기에 자연스러운 기하 구조를 제공합니다. 본 연구에서는 먼저 EEG 데이터가 쌍곡선 특성을 나타냄을 경험적으로 입증하고, 쌍곡선 임베딩이 일반화 성능을 향상시킴을 보였습니다. 이러한 결과를 바탕으로, EEG 데이터의 계층적 구조를 포착하고 도메인 불변의 쌍곡선 임베딩을 학습하기 위한 하이브리드 쌍곡선 네트워크 아키텍처인 HEEGNet을 제안합니다. 이를 위해 HEEGNet은 유클리드 및 쌍곡선 인코더를 결합하고, 새로운 거친-부터-세밀-까지의 도메인 적응 전략을 사용합니다. 시각 유발 전위, 감정 인식 및 뇌내 EEG 데이터를 포함하는 여러 공개 EEG 데이터 세트에 대한 광범위한 실험 결과, HEEGNet이 최첨단 성능을 달성함을 보여줍니다. 코드는 https://github.com/fightlesliefigt/HEEGNet 에서 확인할 수 있습니다.

Electroencephalography (EEG)-based brain-computer interfaces facilitate direct communication with a computer, enabling promising applications in human-computer interactions. However, their utility is currently limited because EEG decoding often suffers from poor generalization due to distribution shifts across domains (e.g., subjects). Learning robust representations that capture underlying task-relevant information would mitigate these shifts and improve generalization. One promising approach is to exploit the underlying hierarchical structure in EEG, as recent studies suggest that hierarchical cognitive processes, such as visual processing, can be encoded in EEG. While many decoding methods still rely on Euclidean embeddings, recent work has begun exploring hyperbolic geometry for EEG. Hyperbolic spaces, regarded as the continuous analogue of tree structures, provide a natural geometry for representing hierarchical data. In this study, we first empirically demonstrate that EEG data exhibit hyperbolicity and show that hyperbolic embeddings improve generalization. Motivated by these findings, we propose HEEGNet, a hybrid hyperbolic network architecture to capture the hierarchical structure in EEG and learn domain-invariant hyperbolic embeddings. To this end, HEEGNet combines both Euclidean and hyperbolic encoders and employs a novel coarse-to-fine domain adaptation strategy. Extensive experiments on multiple public EEG datasets, covering visual evoked potentials, emotion recognition, and intracranial EEG, demonstrate that HEEGNet achieves state-of-the-art performance. The code is available at https://github.com/fightlesliefigt/HEEGNet