Fugu-MT 論文翻訳(概要): Classification of High-Dimensional Motor Imagery Tasks based on An End-to-end role assigned convolutional neural network

論文の概要: Classification of High-Dimensional Motor Imagery Tasks based on An End-to-end role assigned convolutional neural network

arxiv url: http://arxiv.org/abs/2002.00210v2
Date: Tue, 4 Feb 2020 04:48:44 GMT
ステータス: 処理完了
システム内更新日: 2023-01-05 01:12:21.439544
Title: Classification of High-Dimensional Motor Imagery Tasks based on An End-to-end role assigned convolutional neural network
Title（参考訳）: 畳み込みニューラルネットワークを用いた高次元モータ画像タスクの分類
Authors: Byeong-Hoo Lee, Ji-Hoon Jeong, Kyung-Hwan Shim, Seong-Whan Lee
Abstract要約: 本稿では,各上肢領域の識別的特徴を考慮した終端から終端までの畳み込みニューラルネットワーク(ERA-CNN)を提案する。 ERA-CNNを用いて脳波信号のみを用いてユーザの意図を復号する可能性を実証する。
参考スコア（独自算出の注目度）: 21.984302611206537
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A brain-computer interface (BCI) provides a direct communication pathway between user and external devices. Electroencephalogram (EEG) motor imagery (MI) paradigm is widely used in non-invasive BCI to obtain encoded signals contained user intention of movement execution. However, EEG has intricate and non-stationary properties resulting in insufficient decoding performance. By imagining numerous movements of a single-arm, decoding performance can be improved without artificial command matching. In this study, we collected intuitive EEG data contained the nine different types of movements of a single-arm from 9 subjects. We propose an end-to-end role assigned convolutional neural network (ERA-CNN) which considers discriminative features of each upper limb region by adopting the principle of a hierarchical CNN architecture. The proposed model outperforms previous methods on 3-class, 5-class and two different types of 7-class classification tasks. Hence, we demonstrate the possibility of decoding user intention by using only EEG signals with robust performance using an ERA-CNN.
Abstract（参考訳）: 脳コンピュータインタフェース(BCI)は、ユーザと外部デバイス間の直接通信経路を提供する。エレクトロ脳波(EEG)運動画像(MI)パラダイムは、非侵襲的BCIにおいて、ユーザの動作実行意図を含む符号化信号を得るために広く用いられている。しかし、EEGは複雑な非定常特性を持ち、デコード性能は不十分である。シングルアームの多数の動作を想像することにより、人工的なコマンドマッチングなしで復号性能を向上させることができる。そこで本研究では,片腕の9種類の動作を含む直感的脳波データを9名の被験者から収集した。階層型CNNアーキテクチャの原理を応用して,各上肢領域の識別的特徴を考慮した終端から終端までの畳み込みニューラルネットワーク(ERA-CNN)を提案する。提案手法は,従来の3-class,5-class,および2種類の7-class分類タスクよりも優れている。そこで本研究では,eare-cnnを用いたロバストな性能を有する脳波信号のみを用いて,ユーザの意図を復号する可能性を示す。

関連論文リスト

Dynamic Perceiver for Efficient Visual Recognition [87.08210214417309]
特徴抽出手順と早期分類タスクを分離する動的知覚器(Dyn-Perceiver)を提案する。特徴ブランチは画像の特徴を抽出し、分類ブランチは分類タスクに割り当てられた遅延コードを処理する。早期出口は分類枝に限られており、低レベルの特徴において線形分離性は不要である。
論文参考訳（メタデータ） (2023-06-20T03:00:22Z)
Learning from partially labeled data for multi-organ and tumor segmentation [102.55303521877933]
本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
論文参考訳（メタデータ） (2022-11-13T13:03:09Z)
An intertwined neural network model for EEG classification in brain-computer interfaces [0.6696153817334769]
脳コンピュータインタフェース(BCI)は、脳とコンピュータまたは外部装置との間の非刺激的直接的、時折双方向通信リンクである。マルチクラスモータ画像分類における最先端性能を実現するために特別に設計されたディープニューラルネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2022-08-04T09:00:34Z)
EEG-ITNet: An Explainable Inception Temporal Convolutional Network for Motor Imagery Classification [0.5616884466478884]
我々はEEG-ITNetと呼ばれるエンドツーエンドのディープラーニングアーキテクチャを提案する。本モデルでは,多チャンネル脳波信号からスペクトル,空間,時間情報を抽出することができる。 EEG-ITNetは、異なるシナリオにおける分類精度を最大5.9%改善する。
論文参考訳（メタデータ） (2022-04-14T13:18:43Z)
Discrete-Valued Neural Communication [85.3675647398994]
コンポーネント間で伝達される情報を離散表現に制限することは、有益なボトルネックであることを示す。個人は「猫」が特定の経験に基づいて何であるかについて異なる理解を持っているが、共有された離散トークンは、個人間のコミュニケーションが内部表現の個人差によって切り離されることを可能にする。我々は、量子化機構をベクトル量子化変分オートコーダから共有符号ブックによる多頭部離散化に拡張し、離散値ニューラル通信に利用する。
論文参考訳（メタデータ） (2021-07-06T03:09:25Z)
CNN-based Approaches For Cross-Subject Classification in Motor Imagery: From The State-of-The-Art to DynamicNet [0.2936007114555107]
運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)システムは、コミュニケーションと制御の代替手段を提供するためにますます採用されています。信頼できるBCIシステムを得るには、脳信号からMIを正確に分類することが不可欠です。ディープラーニングアプローチは、標準的な機械学習技術の有効な代替手段として現れ始めている。
論文参考訳（メタデータ） (2021-05-17T14:57:13Z)
BENDR: using transformers and a contrastive self-supervised learning task to learn from massive amounts of EEG data [15.71234837305808]
言語モデリング(LM)の手法とアーキテクチャを脳波モデリング(EM)に適用する方法を検討する。 1つの事前学習モデルが、異なるハードウェアで記録された全く新しい生の脳波シーケンスをモデル化できることがわかった。このモデルの内部表現とアーキテクチャ全体は、さまざまな下流のBCIおよびEEG分類タスクに微調整することができる。
論文参考訳（メタデータ） (2021-01-28T14:54:01Z)
EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
論文参考訳（メタデータ） (2021-01-24T19:03:10Z)
Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks [81.74442855155843]
CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
論文参考訳（メタデータ） (2021-01-18T13:28:08Z)
Dynamic Hierarchical Mimicking Towards Consistent Optimization Objectives [73.15276998621582]
一般化能力を高めたCNN訓練を推進するための汎用的特徴学習機構を提案する。 DSNに部分的にインスパイアされた私たちは、ニューラルネットワークの中間層から微妙に設計されたサイドブランチをフォークしました。カテゴリ認識タスクとインスタンス認識タスクの両方の実験により,提案手法の大幅な改善が示された。
論文参考訳（メタデータ） (2020-03-24T09:56:13Z)
Motor Imagery Classification of Single-Arm Tasks Using Convolutional Neural Network based on Feature Refining [5.620334754517149]
運動画像(MI)は、信号の発端から運動機能の回復や回復に一般的に用いられる。本研究では,BFR-CNN(Band-power Feature Refining Convolutional Neural Network)を提案する。
論文参考訳（メタデータ） (2020-02-04T04:36:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。