論文の概要: Motor Imagery Classification of Single-Arm Tasks Using Convolutional
Neural Network based on Feature Refining
- arxiv url: http://arxiv.org/abs/2002.01122v1
- Date: Tue, 4 Feb 2020 04:36:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-04 03:44:44.306525
- Title: Motor Imagery Classification of Single-Arm Tasks Using Convolutional
Neural Network based on Feature Refining
- Title(参考訳): 特徴精製に基づく畳み込みニューラルネットワークを用いた単一タスクの運動画像分類
- Authors: Byeong-Hoo Lee, Ji-Hoon Jeong, Kyung-Hwan Shim, Dong-Joo Kim
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 5.620334754517149
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Brain-computer interface (BCI) decodes brain signals to understand user
intention and status. Because of its simple and safe data acquisition process,
electroencephalogram (EEG) is commonly used in non-invasive BCI. One of EEG
paradigms, motor imagery (MI) is commonly used for recovery or rehabilitation
of motor functions due to its signal origin. However, the EEG signals are an
oscillatory and non-stationary signal that makes it difficult to collect and
classify MI accurately. In this study, we proposed a band-power feature
refining convolutional neural network (BFR-CNN) which is composed of two
convolution blocks to achieve high classification accuracy. We collected EEG
signals to create MI dataset contained the movement imagination of a
single-arm. The proposed model outperforms conventional approaches in 4-class
MI tasks classification. Hence, we demonstrate that the decoding of user
intention is possible by using only EEG signals with robust performance using
BFR-CNN.
- Abstract(参考訳): 脳コンピュータインタフェース(BCI)は、ユーザの意図とステータスを理解するために脳信号をデコードする。
単純で安全なデータ取得プロセスのため、脳波(EEG)は非侵襲的BCIで一般的に用いられる。
eegパラダイムの一つであるmotor image (mi) は、信号起源による運動機能の回復やリハビリによく用いられる。
しかし、脳波信号は振動・非定常信号であり、MIを正確に収集・分類することが困難である。
本研究では,2つの畳み込みブロックからなるbfr-cnn(band-power feature refining convolutional neural network)を提案する。
脳波信号を収集し、単一アームの運動想像力を含むMIデータセットを作成しました。
提案手法は従来の4クラスmiタスク分類よりも優れている。
そこで我々は,BFR-CNNを用いた脳波信号のみを用いて,ユーザ意図の復号化が可能であることを実証した。
関連論文リスト
- 3D-CLMI: A Motor Imagery EEG Classification Model via Fusion of 3D-CNN
and LSTM with Attention [0.174048653626208]
本稿では,3次元畳み込みニューラルネットワーク(CNN)と長期記憶ネットワーク(LSTM)を組み合わせて運動画像(MI)信号を分類するモデルを提案する。
実験の結果、このモデルは、BCIコンペティションIVデータセット2aの分類精度92.7%、F1スコア0.91に達した。
このモデルにより、ユーザの運動像意図の分類精度が大幅に向上し、自律走行車や医療リハビリテーションといった新興分野における脳-コンピュータインタフェースの応用可能性が改善された。
論文 参考訳(メタデータ) (2023-12-20T03:38:24Z) - DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial
Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。
現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。
本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文 参考訳(メタデータ) (2023-09-07T13:43:46Z) - Decision Forest Based EMG Signal Classification with Low Volume Dataset
Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。
信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文 参考訳(メタデータ) (2022-06-29T23:22:18Z) - Classification of EEG Motor Imagery Using Deep Learning for
Brain-Computer Interface Systems [79.58173794910631]
トレーニングされたT1クラス畳み込みニューラルネットワーク(CNN)モデルを使用して、運動画像の識別を成功させる能力を調べる。
理論的には、モデルが正確にトレーニングされた場合、クラスを特定し、それに従ってラベル付けすることが可能になる。
CNNモデルは復元され、より小さなサンプルデータを使用して同じ種類の運動画像データを特定するために使用される。
論文 参考訳(メタデータ) (2022-05-31T17:09:46Z) - 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) - Electroencephalography signal processing based on textural features for
monitoring the driver's state by a Brain-Computer Interface [3.613072342189595]
仮想脳-コンピュータインタフェース(BCI)システムにおいて,運転者の警戒度を推定する指標としてテキスト処理手法を検討する。
提案手法の新規性は、前処理された脳波データからの特徴抽出に1次元局所バイナリパターン (1D-LBP) アルゴリズムを用いることに依存する。
分析の結果,1D-LBPの採用により性能が大幅に向上したことが明らかとなった。
論文 参考訳(メタデータ) (2020-10-13T14:16:00Z) - Deep Feature Mining via Attention-based BiLSTM-GCN for Human Motor
Imagery Recognition [9.039355687614076]
本稿では,頭皮脳波に基づく極めて高精度かつ応答性の高い運動画像(MI)認識を目的とした,新しい深層学習手法を提案する。
注意機構を持つBiLSTMは、生の脳波信号から関連する特徴を導出する。
0.4秒検出フレームワークは、それぞれ98.81%と94.64%の精度で、個人およびグループレベルのトレーニングに基づいて効率的かつ効率的な予測を行っている。
論文 参考訳(メタデータ) (2020-05-02T10:03:40Z) - Few-Shot Relation Learning with Attention for EEG-based Motor Imagery
Classification [11.873435088539459]
脳波(EEG)信号に基づく脳-コンピュータインタフェース(BCI)が注目されている。
運動画像(MI)データは、リハビリテーションや自律運転のシナリオに使用することができる。
脳波に基づくBCIシステムにはMI信号の分類が不可欠である。
論文 参考訳(メタデータ) (2020-03-03T02:34:44Z) - Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。
このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。
提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
論文 参考訳(メタデータ) (2020-02-14T06:58:27Z) - Classification of High-Dimensional Motor Imagery Tasks based on An
End-to-end role assigned convolutional neural network [21.984302611206537]
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。
論文 参考訳(メタデータ) (2020-02-01T14:06:16Z)
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。