論文の概要: Effective Correlates of Motor Imagery Performance based on Default Mode Network in Resting-State

• arxiv url: http://arxiv.org/abs/2002.08468v1
• Date: Tue, 11 Feb 2020 04:22:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 02:23:30.398445
• Title: Effective Correlates of Motor Imagery Performance based on Default Mode Network in Resting-State
• Title（参考訳）: 安静状態におけるデフォルトモードネットワークに基づく運動画像性能の有効相関
• Authors: Jae-Geun Yoon and Minji Lee
• Abstract要約: 運動画像に基づく脳-コンピュータインタフェース(MI-BCI)は、様々な筋肉の動きを想像してデバイスとコミュニケーションを制御できる。 多くの研究では、MI-BCIを使用するのに十分な性能を持たない「BCIリテラシー」の問題が報告されている。
• 参考スコア（独自算出の注目度）: 1.713291434132985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motor imagery based brain-computer interfaces (MI-BCIs) allow the control of devices and communication by imagining different muscle movements. However, most studies have reported a problem of "BCI-illiteracy" that does not have enough performance to use MI-BCI. Therefore, understanding subjects with poor performance and finding the cause of performance variation is still an important challenge. In this study, we proposed predictors of MI performance using effective connectivity in resting-state EEG. As a result, the high and low MI performance groups had a significant difference as 23% MI performance difference. We also found that connection from right lateral parietal to left lateral parietal in resting-state EEG was correlated significantly with MI performance (r = -0.37). These findings could help to understand BCI-illiteracy and to consider alternatives that are appropriate for the subject.
• Abstract（参考訳）: 運動画像に基づく脳-コンピュータインタフェース(MI-BCI)は、様々な筋肉の動きを想像してデバイスとコミュニケーションを制御できる。 しかし、ほとんどの研究では、MI-BCIを使用するのに十分な性能を持たない「BCIリテラシー」の問題が報告されている。 したがって、パフォーマンスの低い課題を理解し、パフォーマンスの変動の原因を見つけることは依然として重要な課題である。 本研究では,安静時脳波の有効接続を用いたMI性能予測器を提案する。 その結果,miパフォーマンス群とmiパフォーマンス群では,23%のmiパフォーマンス差がみられた。 また, 安静時脳波における右側頭頂側から左側頭頂側への接続はMI性能と有意に相関していた(r=-0.37。 これらの知見は、BCIの識字性を理解し、対象に適する選択肢を検討するのに役立つ。

関連論文リスト

• Feature Selection via Dynamic Graph-based Attention Block in MI-based EEG Signals [0.0]
  脳-コンピュータインタフェース(BCI)技術は、脳信号を分析して人間とコンピュータの直接的な相互作用を可能にする。 脳波信号は、しばしば低信号対雑音比、生理的アーティファクト、および個々の変数の影響を受けており、異なる特徴を抽出する際の課題を表している。 また、運動画像(MI)に基づく脳波信号には、MI特性との相関が低い特徴が含まれており、深部モデルの重みがそれらの特徴に偏っている可能性がある。
  論文  参考訳（メタデータ） (2024-10-31T00:53:29Z)
• Mirror contrastive loss based sliding window transformer for subject-independent motor imagery based EEG signal recognition [11.478425413519897]
  左右運動の精神像は、脳の対側感覚運動野における事象関連脱同期を誘導する。 本研究では,MCL-SWT(Miror Contrastive Loss based Sliding Window Transformer)を提案する。
  論文  参考訳（メタデータ） (2024-08-29T06:38:36Z)
• FactorLLM: Factorizing Knowledge via Mixture of Experts for Large Language Models [50.331708897857574]
  本稿では,高度に訓練された高密度FFNを余分なサブネットワークに分解する新しいアプローチであるFacterLLMを紹介する。 FactorLLMは、最大85%のモデル性能を確保しながら、推論速度を30%以上増加させながら、ソースモデルに匹敵するパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-08-15T16:45:16Z)
• LGL-BCI: A Lightweight Geometric Learning Framework for Motor Imagery-Based Brain-Computer Interfaces [14.913592381049552]
  Brain-Computer Interfaces (BCI) は、脳信号を使って外部デバイスと対話する基盤技術である。 EEGベースの運動画像(MI)タスクは振幅や位相変動、複雑な空間相関といった課題に直面している。 本研究では,非ユークリッド距離空間における脳波処理にGeometric Deep Learning Frameworkを用いたLGL-BCIフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-12T05:52:54Z)
• Improving Vision Anomaly Detection with the Guidance of Language Modality [64.53005837237754]
  本稿では,マルチモーダルの観点から視覚モダリティの課題に取り組む。 本稿では,冗長な情報問題とスパース空間問題に対処するために,クロスモーダルガイダンス(CMG)を提案する。 視覚異常検出のためのよりコンパクトな潜在空間を学習するために、CMLEは言語モダリティから相関構造行列を学習する。
  論文  参考訳（メタデータ） (2023-10-04T13:44:56Z)
• Multiagent Reinforcement Learning with an Attention Mechanism for Improving Energy Efficiency in LoRa Networks [52.96907334080273]
  ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。 マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。 シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
  論文  参考訳（メタデータ） (2023-09-16T11:37:23Z)
• Relationship Quantification of Image Degradations [72.98190570967937]
  劣化関係指数(DRI)は,2モデル間の検証損失の平均ドロップレート差として定義される。 DRIは常に、特定の劣化を列車モデルの補助として利用することで、性能改善を予測します。 得られた劣化組合せがアンカー劣化性能を向上させることができるかどうかを簡易かつ効果的に推定する手法を提案する。
  論文  参考訳（メタデータ） (2022-12-08T09:05:19Z)
• MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning [92.91544082745196]
  フェデレートラーニング(FL)は医用画像解析に広く用いられている。 FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。 2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-03T14:06:03Z)
• MIN2Net: End-to-End Multi-Task Learning for Subject-Independent Motor Imagery EEG Classification [10.773708402778025]
  脳波のリズムは被験者に特有のものであり、時間とともに様々な変化が起こる。 本稿では,この課題に対処するための新しいエンドツーエンドマルチタスク学習であるMIN2Netを提案する。 深層学習をマルチタスクオートエンコーダに統合し,脳波からコンパクトかつ識別可能な潜在表現を学習する。
  論文  参考訳（メタデータ） (2021-02-07T15:20:23Z)
• Performance of Dual-Augmented Lagrangian Method and Common Spatial Patterns applied in classification of Motor-Imagery BCI [68.8204255655161]
  運動画像に基づく脳-コンピュータインタフェース(MI-BCI)は、神経リハビリテーションのための画期的な技術になる可能性がある。 使用する脳波信号のノイズの性質のため、信頼性の高いBCIシステムは特徴の最適化と抽出のために特別な手順を必要とする。
  論文  参考訳（メタデータ） (2020-10-13T20:50:13Z)
• 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)

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。