Neues Modell RepSPD verbessert EEG-Analyse durch dynamische Graphen

Die Entschlüsselung von Hirnaktivitäten mittels Elektroenzephalographie (EEG) ist ein zentrales Thema in der Neurowissenschaft und in klinischen Anwendungen. In den letzten Jahren haben sich tiefe Lernmethoden, die auf geometrischen Prinzipien basieren, als besonders vielversprechend erwiesen, weil sie die Struktur von Daten auf der Riemannschen Mannigfaltigkeit der symmetrisch positiven definiten (SPD) Matrizen nutzen.

Aktuelle SPD-basierte Ansätze konzentrieren sich jedoch überwiegend auf statistische Aggregationen von EEG-Signalen und vernachlässigen dabei frequenzspezifische Synchronisationen sowie lokale topologische Strukturen der Gehirnregionen. Diese Einschränkung führt zu einer unvollständigen Darstellung der funktionellen Konnektivität.

Das neue Modell RepSPD adressiert diese Lücken, indem es einen Cross‑Attention-Mechanismus auf der Riemannschen Mannigfaltigkeit einsetzt, um die geometrischen Eigenschaften von SPD-Matrizen mit graphbasierten funktionellen Konnektivitätsmerkmalen zu modulieren. Zusätzlich wird eine globale bidirektionale Ausrichtungsstrategie eingeführt, die Tangentialraum‑Einbettungen neu formt und dadurch geometrische Verzerrungen durch die Krümmung reduziert. Das Ergebnis ist eine deutlich konsistentere geometrische Repräsentation.

Umfangreiche Experimente zeigen, dass RepSPD bestehende EEG‑Repräsentationsmethoden deutlich übertrifft. Das Modell demonstriert eine höhere Robustheit gegenüber Rauschen und eine verbesserte Generalisierbarkeit auf verschiedenen Datensätzen, was es zu einem wichtigen Fortschritt für die Analyse von Gehirnaktivitäten macht.