論文の概要: Multi-Scale Neural network for EEG Representation Learning in BCI
- arxiv url: http://arxiv.org/abs/2003.02657v1
- Date: Mon, 2 Mar 2020 04:06:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 04:59:27.141185
- Title: Multi-Scale Neural network for EEG Representation Learning in BCI
- Title（参考訳）: BCIにおける脳波表現学習のためのマルチスケールニューラルネットワーク
- Authors: Wonjun Ko, Eunjin Jeon, Seungwoo Jeong, and Heung-Il Suk
- Abstract要約: 本稿では,複数の周波数/時間範囲における特徴表現を探索する深層多スケールニューラルネットワークを提案する。
スペクトル時間情報を用いた脳波信号の表現により,提案手法を多種多様なパラダイムに応用することができる。
- 参考スコア（独自算出の注目度）: 2.105172041656126
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in deep learning have had a methodological and practical
impact on brain-computer interface research. Among the various deep network
architectures, convolutional neural networks have been well suited for
spatio-spectral-temporal electroencephalogram signal representation learning.
Most of the existing CNN-based methods described in the literature extract
features at a sequential level of abstraction with repetitive nonlinear
operations and involve densely connected layers for classification. However,
studies in neurophysiology have revealed that EEG signals carry information in
different ranges of frequency components. To better reflect these
multi-frequency properties in EEGs, we propose a novel deep multi-scale neural
network that discovers feature representations in multiple frequency/time
ranges and extracts relationships among electrodes, i.e., spatial
representations, for subject intention/condition identification. Furthermore,
by completely representing EEG signals with spatio-spectral-temporal
information, the proposed method can be utilized for diverse paradigms in both
active and passive BCIs, contrary to existing methods that are primarily
focused on single-paradigm BCIs. To demonstrate the validity of our proposed
method, we conducted experiments on various paradigms of active/passive BCI
datasets. Our experimental results demonstrated that the proposed method
achieved performance improvements when judged against comparable
state-of-the-art methods. Additionally, we analyzed the proposed method using
different techniques, such as PSD curves and relevance score inspection to
validate the multi-scale EEG signal information capturing ability, activation
pattern maps for investigating the learned spatial filters, and t-SNE plotting
for visualizing represented features. Finally, we also demonstrated our
method's application to real-world problems.
- Abstract（参考訳）: 近年のディープラーニングの進歩は、脳-コンピュータインタフェースの研究に方法論的および実践的な影響を与えた。
様々な深層ネットワークアーキテクチャの中で、畳み込みニューラルネットワークは時空間脳波信号表現学習に適している。
文献に記載されている既存のCNNベースの手法のほとんどは、繰り返し非線形演算を伴う逐次的な抽象レベルでの特徴を抽出し、分類のための密結合層を含む。
しかし、神経生理学の研究により、脳波信号が様々な周波数成分の情報を伝達していることが判明した。
脳波におけるこれらの多重周波数特性をよりよく反映するために,複数の周波数/時間領域で特徴表現を発見し,電極,すなわち空間表現間の関係を抽出し,対象意図/条件識別を行う,新しい深層マルチスケールニューラルネットワークを提案する。
さらに,脳波信号を完全に時空間情報で表現することにより,単一パラダイムのBCIに主眼を置いている既存の手法とは対照的に,能動BCIと受動BCIの両方において多様なパラダイムに利用することができる。
提案手法の有効性を示すため,BCIデータセットの様々なパラダイムについて実験を行った。
実験の結果,提案手法は同等の最先端手法に対して評価した場合に性能改善が得られた。
さらに,PSD曲線や関連スコア検査などの異なる手法を用いて,マルチスケールの脳波情報取得能力,学習空間フィルタを探索するアクティベーションパターンマップ,表現された特徴を可視化するt-SNEプロットなどを用いて,提案手法を解析した。
最後に,実世界問題に対する本手法の適用を実証した。
関連論文リスト
- Dilated Convolution with Learnable Spacings [1.8130068086063336]
この論文は、Dilated Convolution with Learnable Spacings (DCLS)法を提示し、評価する。
コンピュータビジョン、音声、音声処理の分野における様々な教師あり学習実験を通じて、DCLS法は、標準および高度な畳み込み技術よりも優れていることを証明した。
論文 参考訳（メタデータ） (2024-08-10T12:12:39Z) - Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
脳波信号物理を利用した教師なし手法を提案する。
脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。
提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
論文 参考訳（メタデータ） (2024-03-07T16:17:33Z) - Graph Convolutional Network with Connectivity Uncertainty for EEG-based
Emotion Recognition [20.655367200006076]
本研究では,脳波信号の空間依存性と時間スペクトルの相対性を表す分布に基づく不確実性手法を提案する。
グラフ混合手法は、遅延接続エッジを強化し、ノイズラベル問題を緩和するために用いられる。
感情認識タスクにおいて、SEEDとSEEDIVという2つの広く使われているデータセットに対するアプローチを評価した。
論文 参考訳（メタデータ） (2023-10-22T03:47:11Z) - 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) - 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) - Improving EEG-based Emotion Recognition by Fusing Time-frequency And
Spatial Representations [29.962519978925236]
クロスドメイン特徴融合法に基づく分類ネットワークを提案する。
また,2段階融合法を提案し,これらの手法を脳波感情認識ネットワークに適用する。
実験結果から,時間周波数領域と空間領域の複数の表現を結合したネットワークが,公開データセット上で従来の手法より優れていたことが示唆された。
論文 参考訳（メタデータ） (2023-03-14T07:26:51Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z) - DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG
Signals [62.997667081978825]
我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。
我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。
標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
論文 参考訳（メタデータ） (2021-12-08T13:07:21Z) - EEG-based Cross-Subject Driver Drowsiness Recognition with an
Interpretable Convolutional Neural Network [0.0]
我々は,新しい畳み込みニューラルネットワークと解釈手法を組み合わせることで,分類の重要な特徴のサンプルワイズ分析を可能にする。
その結果,11名の被験者に対して平均78.35%の精度が得られた。
論文 参考訳（メタデータ） (2021-05-30T14:47:20Z)
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。