論文の概要: Siamese Neural Networks for EEG-based Brain-computer Interfaces
- arxiv url: http://arxiv.org/abs/2002.00904v1
- Date: Mon, 3 Feb 2020 17:31:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-04 09:35:11.808834
- Title: Siamese Neural Networks for EEG-based Brain-computer Interfaces
- Title（参考訳）: 脳波を用いた脳-コンピュータインタフェースのためのシームズニューラルネットワーク
- Authors: Soroosh Shahtalebi, Amir Asif, Arash Mohammadi
- Abstract要約: 我々は,シームズニューラルネットワークに基づく新しい脳波処理と特徴抽出パラダイムを提案する。
Siameseアーキテクチャは畳み込みニューラルネットワーク(CNN)に基づいて開発され、2つの入力の類似性に基づいたバイナリ出力を提供する。
このアーキテクチャの有効性は、Brain-Computer Interfaces (BCI) Competition IV-2aの4クラスのMotor Imageryデータセットで評価される。
- 参考スコア（独自算出の注目度）: 18.472950822801362
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Motivated by the inconceivable capability of the human brain in
simultaneously processing multi-modal signals and its real-time feedback to the
outer world events, there has been a surge of interest in establishing a
communication bridge between the human brain and a computer, which are referred
to as Brain-computer Interfaces (BCI). To this aim, monitoring the electrical
activity of brain through Electroencephalogram (EEG) has emerged as the prime
choice for BCI systems. To discover the underlying and specific features of
brain signals for different mental tasks, a considerable number of research
works are developed based on statistical and data-driven techniques. However, a
major bottleneck in the development of practical and commercial BCI systems is
their limited performance when the number of mental tasks for classification is
increased. In this work, we propose a new EEG processing and feature extraction
paradigm based on Siamese neural networks, which can be conveniently merged and
scaled up for multi-class problems. The idea of Siamese networks is to train a
double-input neural network based on a contrastive loss-function, which
provides the capability of verifying if two input EEG trials are from the same
class or not. In this work, a Siamese architecture, which is developed based on
Convolutional Neural Networks (CNN) and provides a binary output on the
similarity of two inputs, is combined with OVR and OVO techniques to scale up
for multi-class problems. The efficacy of this architecture is evaluated on a
4-class Motor Imagery (MI) dataset from BCI Competition IV-2a and the results
suggest a promising performance compared to its counterparts.
- Abstract（参考訳）: マルチモーダル信号とその外界イベントへのリアルタイムフィードバックを同時に処理する人間の脳の想像不能な能力に動機づけられ、脳-コンピュータインタフェース(bci)と呼ばれる人間の脳とコンピュータの間のコミュニケーションブリッジを確立することへの関心が高まっている。
この目的のために、脳波(EEG)による脳の電気活動のモニタリングが、BCIシステムの主要な選択肢となっている。
異なるメンタルタスクのための脳信号の基礎的および特定の特徴を発見するために、統計学的およびデータ駆動技術に基づいて、かなりの数の研究が開発されている。
しかしながら、実用的なbciシステムや商用bciシステムの開発における大きなボトルネックは、分類のためのメンタルタスク数の増加によるパフォーマンスの制限である。
本稿では,多クラス問題に対して簡便にマージ・スケールアップ可能な,シアムニューラルネットに基づく新しい脳波処理・特徴抽出パラダイムを提案する。
siamese networkのアイデアは、コントラスト損失関数に基づいた二重入力ニューラルネットワークをトレーニングすることであり、2つの入力eeg試行が同じクラスであるかどうかを検証する機能を提供する。
本研究では、畳み込みニューラルネットワーク(CNN)に基づいて開発され、2つの入力の類似性に関するバイナリ出力を提供するシームズアーキテクチャとOVRおよびOVO技術を組み合わせて、マルチクラス問題にスケールアップする。
このアーキテクチャの有効性は,BCIコンペティションIV-2aの4クラスモータ画像(MI)データセットで評価され,その性能はそれと比較して有望であることが示唆された。
関連論文リスト
- Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
ニューロモルフィックコンピューティングでは、スパイクニューラルネットワーク(SNN)が推論タスクを実行し、シーケンシャルデータを含むワークロードの大幅な効率向上を提供する。
ハードウェアとソフトウェアの最近の進歩は、スパイクニューロン間で交換された各スパイクに数ビットのペイロードを埋め込むことにより、推論精度をさらに高めることを示した。
本稿では,マルチレベルSNNを用いた無線ニューロモルフィック分割計算アーキテクチャについて検討する。
論文 参考訳（メタデータ） (2024-11-07T14:08:35Z) - Unsupervised representation learning with Hebbian synaptic and structural plasticity in brain-like feedforward neural networks [0.0]
教師なし表現学習が可能な脳様ニューラルネットワークモデルを導入,評価する。
このモデルは、一般的な機械学習ベンチマークのさまざまなセットでテストされた。
論文 参考訳（メタデータ） (2024-06-07T08:32:30Z) - Sparse Multitask Learning for Efficient Neural Representation of Motor
Imagery and Execution [30.186917337606477]
運動画像(MI)と運動実行(ME)タスクのためのスパースマルチタスク学習フレームワークを提案する。
MI-ME分類のためのデュアルタスクCNNモデルが与えられた場合、過渡的な接続に対して、サリエンシに基づくスペーシフィケーションアプローチを適用する。
以上の結果から, この調整された疎水性は, 過度に適合する問題を緩和し, 少ないデータ量でテスト性能を向上させることが示唆された。
論文 参考訳（メタデータ） (2023-12-10T09:06:16Z) - A Knowledge-Driven Cross-view Contrastive Learning for EEG
Representation [48.85731427874065]
本稿では,限られたラベルを持つ脳波から効果的な表現を抽出する知識駆動型クロスビューコントラスト学習フレームワーク(KDC2)を提案する。
KDC2法は脳波信号の頭皮と神経のビューを生成し、脳活動の内部および外部の表現をシミュレートする。
ニューラル情報整合性理論に基づく事前のニューラル知識をモデル化することにより、提案手法は不変かつ相補的なニューラル知識を抽出し、複合表現を生成する。
論文 参考訳（メタデータ） (2023-09-21T08:53:51Z) - 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) - Functional2Structural: Cross-Modality Brain Networks Representation
Learning [55.24969686433101]
脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。
本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。
臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
論文 参考訳（メタデータ） (2022-05-06T03:45:36Z) - POPPINS : A Population-Based Digital Spiking Neuromorphic Processor with
Integer Quadratic Integrate-and-Fire Neurons [50.591267188664666]
2つの階層構造を持つ180nmプロセス技術において,集団に基づくディジタルスパイキングニューロモルフィックプロセッサを提案する。
提案手法は,生体模倣型ニューロモルフィックシステム,低消費電力,低遅延推論処理アプリケーションの開発を可能にする。
論文 参考訳（メタデータ） (2022-01-19T09:26:34Z) - 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) - 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) - Inference with Artificial Neural Networks on Analog Neuromorphic
Hardware [0.0]
BrainScaleS-2 ASICは混合信号ニューロンとシナプス回路から構成される。
システムは、人工ニューラルネットワークのベクトル行列乗算と累積モードでも動作する。
論文 参考訳（メタデータ） (2020-06-23T17:25:06Z) - EEG-based Brain-Computer Interfaces (BCIs): A Survey of Recent Studies
on Signal Sensing Technologies and Computational Intelligence Approaches and
their Applications [65.32004302942218]
Brain-Computer Interface (BCI) はユーザとシステム間の強力なコミュニケーションツールである。
近年の技術進歩は、脳波(EEG)に基づく翻訳医療用BCIへの関心が高まっている。
論文 参考訳（メタデータ） (2020-01-28T10:36:26Z)
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。