图形神经网络(GNN)越来越多地用于将脑电图分类为情感识别,运动图像和神经系统疾病和疾病等任务。已经提出了广泛的方法来设计基于GNN的分类器。因此,需要对这些方法进行系统的审查和分类。我们详尽地搜索了有关该主题的文献,并得出了几类以进行比较。这些类别突出了这些方法之间的相似性和差异。结果表明,光谱图卷积层的流行率超过了空间。此外,我们确定了节点特征的标准形式,其中最流行的是原始脑电图和差分熵。我们的结果总结了基于GNN的脑电图分类方法的新兴趋势。最后,我们讨论了几个有前途的研究方向,例如探索转移学习方法的潜力和跨频相互作用的适当建模。关键字:图形神经网络,分类,脑电图,神经科学,深度学习
主要关键词
![arxiv:2310.02152v2 [q-bio.nc] 2023年12月20日PDF文件第1页](/bimg/6/6188f74f3ceb3ecf1734fa6e3a4f1b2c3ba73306.webp)
![arxiv:2310.02152v2 [q-bio.nc] 2023年12月20日PDF文件第2页](/bimg/1/1c6f6a1aebb9e8222f62cc77b140c63a594fefe8.webp)
![arxiv:2310.02152v2 [q-bio.nc] 2023年12月20日PDF文件第3页](/bimg/0/0015a1e2ae298bc8d0b8a5f15b4a7bf869200b6a.webp)
![arxiv:2310.02152v2 [q-bio.nc] 2023年12月20日PDF文件第4页](/bimg/2/235058ea86ebba04b64c2bbb18b2f21011a95694.webp)
![arxiv:2310.02152v2 [q-bio.nc] 2023年12月20日PDF文件第5页](/bimg/9/972166b9492ef4276eb029ccc10568e1fa251c80.webp)
