論文の概要: Few-Shot Relation Learning with Attention for EEG-based Motor Imagery Classification

• arxiv url: http://arxiv.org/abs/2003.01300v2
• Date: Wed, 19 Aug 2020 06:15:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 23:28:23.756823
• Title: Few-Shot Relation Learning with Attention for EEG-based Motor Imagery Classification
• Title（参考訳）: 脳波に基づく運動画像分類のための注意点付きマイトショット関係学習
• Authors: Sion An, Soopil Kim, Philip Chikontwe and Sang Hyun Park
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 11.873435088539459
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brain-Computer Interfaces (BCI) based on Electroencephalography (EEG) signals, in particular motor imagery (MI) data have received a lot of attention and show the potential towards the design of key technologies both in healthcare and other industries. MI data is generated when a subject imagines movement of limbs and can be used to aid rehabilitation as well as in autonomous driving scenarios. Thus, classification of MI signals is vital for EEG-based BCI systems. Recently, MI EEG classification techniques using deep learning have shown improved performance over conventional techniques. However, due to inter-subject variability, the scarcity of unseen subject data, and low signal-to-noise ratio, extracting robust features and improving accuracy is still challenging. In this context, we propose a novel two-way few shot network that is able to efficiently learn how to learn representative features of unseen subject categories and how to classify them with limited MI EEG data. The pipeline includes an embedding module that learns feature representations from a set of samples, an attention mechanism for key signal feature discovery, and a relation module for final classification based on relation scores between a support set and a query signal. In addition to the unified learning of feature similarity and a few shot classifier, our method leads to emphasize informative features in support data relevant to the query data, which generalizes better on unseen subjects. For evaluation, we used the BCI competition IV 2b dataset and achieved an 9.3% accuracy improvement in the 20-shot classification task with state-of-the-art performance. Experimental results demonstrate the effectiveness of employing attention and the overall generality of our method.
• Abstract（参考訳）: 脳波(EEG)信号に基づくBCI(Brain-Computer Interfaces)は、特に運動画像(MI)データに大きな注目を集めており、医療や他の産業において重要な技術の設計への可能性を示している。 MIデータは、被験者が手足の動きを想像したときに生成され、自律運転のシナリオと同様にリハビリテーションを助けるために使用できる。 したがって、脳波に基づくbciシステムではmi信号の分類が不可欠である。 近年,深層学習を用いたMI EEG分類技術では,従来の手法よりも性能が向上している。 しかし, サブジェクト間変動, 被写体データ不足, 信号対雑音比の低さなどにより, 頑健な特徴抽出と精度向上はいまだに困難である。 そこで本研究では,未確認対象カテゴリの代表的特徴の学習方法と,限られたMIEEGデータで分類する方法について,効果的に学習できる2方向スプリットショットネットワークを提案する。 このパイプラインは、一連のサンプルから特徴表現を学習する埋め込みモジュールと、キー信号特徴発見のための注意機構と、サポートセットとクエリ信号との間の関係スコアに基づいて最終分類を行う関係モジュールとを含む。 特徴類似性の統一学習といくつかのショット分類器に加えて,提案手法は,クエリデータに関連するサポートデータにおいて,情報的特徴を強調し,不明瞭な対象を一般化する。 評価にはbci competition iv 2bデータセットを用い,最新性能の20ショット分類タスクにおいて9.3%の精度向上を達成した。 実験の結果,注意力の利用の有効性と手法の全体的な一般化が示された。

関連論文リスト

• Quantifying Spatial Domain Explanations in BCI using Earth Mover's Distance [6.038190786160174]
  BCIは、人間とコンピュータの独特なコミュニケーションを促進し、障害のある個人に利益をもたらす。 BCIのパフォーマンスを評価し、説明することが不可欠で、潜在的ユーザに対して、期待通り動作しない場合にフラストレーションを避けるための明確な説明を提供する。
  論文  参考訳（メタデータ） (2024-05-02T13:35:15Z)
• 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)
• The Overlooked Classifier in Human-Object Interaction Recognition [82.20671129356037]
  クラス間の意味的相関を分類ヘッドにエンコードし,重みをHOIの言語埋め込みで初期化する。 我々は,LSE-Sign という新しい損失を,長い尾を持つデータセット上でのマルチラベル学習を強化するために提案する。 我々は,物体検出と人間のポーズを明確なマージンで求める最先端技術よりも優れた,検出不要なHOI分類を可能にする。
  論文  参考訳（メタデータ） (2022-03-10T23:35:00Z)
• 2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets [89.84774119537087]
  我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。 第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。 タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
  論文  参考訳（メタデータ） (2022-02-14T12:12:20Z)
• How Knowledge Graph and Attention Help? A Quantitative Analysis into Bag-level Relation Extraction [66.09605613944201]
  バッグレベルの関係抽出(RE)における注意と知識グラフの効果を定量的に評価する。 その結果,(1)注目精度の向上は,エンティティ参照特徴を抽出するモデルの性能を損なう可能性があること,(2)注目性能は様々なノイズ分布パターンの影響が大きいこと,(3)KG強化された注目はRE性能を向上するが,その効果は注目度を向上させるだけでなく,先行するエンティティを組み込むことによっても改善することがわかった。
  論文  参考訳（メタデータ） (2021-07-26T09:38:28Z)
• Subject Independent Emotion Recognition using EEG Signals Employing Attention Driven Neural Networks [2.76240219662896]
  主観非依存の感情認識が可能な新しいディープラーニングフレームワークを提案する。 タスクを実行するために、アテンションフレームワークを備えた畳み込みニューラルネットワーク(CNN)を提示する。 提案手法は、公開データセットを使用して検証されている。
  論文  参考訳（メタデータ） (2021-06-07T09:41:15Z)
• 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)
• 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)
• 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)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• 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)

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。