論文の概要: Transfer Learning for EEG-Based Brain-Computer Interfaces: A Review of
Progress Made Since 2016
- arxiv url: http://arxiv.org/abs/2004.06286v4
- Date: Fri, 3 Jul 2020 23:34:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-14 00:36:36.164504
- Title: Transfer Learning for EEG-Based Brain-Computer Interfaces: A Review of
Progress Made Since 2016
- Title（参考訳）: 脳-コンピューターインタフェースにおけるトランスファーラーニング:2016年以降の進歩を振り返って
- Authors: Dongrui Wu and Yifan Xu and Bao-Liang Lu
- Abstract要約: 脳コンピュータインタフェース(BCI)は、脳信号を用いてコンピュータと直接通信することができる。
EEGはノイズ/アーティファクトに敏感で、オブジェクト間/オブジェクト間非定常性に悩まされる。
脳波に基づくBCIシステムでは,様々な被験者に最適なパターン認識モデルを構築することは困難である。
- 参考スコア（独自算出の注目度）: 35.68916211292525
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A brain-computer interface (BCI) enables a user to communicate with a
computer directly using brain signals. The most common non-invasive BCI
modality, electroencephalogram (EEG), is sensitive to noise/artifact and
suffers between-subject/within-subject non-stationarity. Therefore, it is
difficult to build a generic pattern recognition model in an EEG-based BCI
system that is optimal for different subjects, during different sessions, for
different devices and tasks. Usually, a calibration session is needed to
collect some training data for a new subject, which is time-consuming and user
unfriendly. Transfer learning (TL), which utilizes data or knowledge from
similar or relevant subjects/sessions/devices/tasks to facilitate learning for
a new subject/session/device/task, is frequently used to reduce the amount of
calibration effort. This paper reviews journal publications on TL approaches in
EEG-based BCIs in the last few years, i.e., since 2016. Six paradigms and
applications -- motor imagery, event-related potentials, steady-state visual
evoked potentials, affective BCIs, regression problems, and adversarial attacks
-- are considered. For each paradigm/application, we group the TL approaches
into cross-subject/session, cross-device, and cross-task settings and review
them separately. Observations and conclusions are made at the end of the paper,
which may point to future research directions.
- Abstract（参考訳）: 脳コンピュータインタフェース(BCI)は、脳信号を用いてコンピュータと直接通信することができる。
最も一般的な非侵襲的bciモダリティであるeeg(electroencephalogram)はノイズ/アーティファクトに敏感であり、サブジェクト/非サブジェクト間の非定常性に苦しむ。
したがって,脳波をベースとしたBCIシステムにおいて,異なるセッションにおいて異なる対象に対して最適なパターン認識モデルを構築することは困難である。
通常、キャリブレーションセッションは、新しい被験者のためのトレーニングデータを集めるために必要です。
トランスファーラーニング(TL)は、類似または関連する主題/セッション/デバイス/タスクからのデータや知識を利用して、新しい主題/セッション/デバイス/タスクの学習を容易にする。
本稿は,過去数年間の脳波を用いたBCIにおけるTLアプローチに関する雑誌のレビューである。
運動画像、事象関連電位、定常視覚誘発電位、情動性bcis、回帰問題、逆境攻撃の6つのパラダイムと応用が検討されている。
各パラダイム/アプリケーションに対して、TLアプローチをクロスオブジェクト/セッション、クロスデバイス、クロスタスク設定にグループ化し、個別にレビューする。
観察と結論は論文の最後に行われ、将来の研究の方向性を示す可能性がある。
関連論文リスト
- Modeling User Preferences via Brain-Computer Interfacing [54.3727087164445]
我々はBrain-Computer Interface技術を用いてユーザの好みを推測し、その注意力は視覚的コンテンツと感情的体験との関連性に相関する。
我々はこれらを,情報検索,生成モデルのパーソナライズされたステアリング,感情経験のクラウドソーシング人口推定など,関連するアプリケーションにリンクする。
論文 参考訳（メタデータ） (2024-05-15T20:41:46Z) - Sequential Best-Arm Identification with Application to Brain-Computer
Interface [34.87975833920409]
脳コンピュータインタフェース(BCI)は、脳と外部デバイスまたはコンピュータシステムとの直接通信を可能にする技術である。
脳波(EEG)と事象関連電位(ERP)に基づくスペルシステム(ERP)は、物理キーボードを使わずに単語をスペルできるBCIの一種である。
本稿では,固定信頼度設定と固定予算設定の下での逐次トップ2トンプソンサンプリング(STTS)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-05-17T18:49:44Z) - An embedding for EEG signals learned using a triplet loss [0.0]
脳-コンピュータインタフェース(BCI)では、デコードされた脳状態情報を最小の時間遅延で使用することができる。
このようなデコードタスクの課題は、小さなデータセットサイズによって引き起こされる。
神経生理学的データのための新しいドメイン特異的埋め込みを提案する。
論文 参考訳（メタデータ） (2023-03-23T09:05:20Z) - A Deep Learning Approach for the Segmentation of Electroencephalography
Data in Eye Tracking Applications [56.458448869572294]
脳波データの時系列セグメンテーションのための新しいフレームワークDETRtimeを紹介する。
エンドツーエンドのディープラーニングベースのフレームワークは、コンピュータビジョンの進歩を前面に立たせています。
我々のモデルは脳波睡眠ステージセグメンテーションのタスクにおいてよく一般化される。
論文 参考訳（メタデータ） (2022-06-17T10:17:24Z) - Spatio-Temporal Analysis of Transformer based Architecture for Attention
Estimation from EEG [2.7076510056452654]
脳波信号から特定のタスクに与えられた注意状態、すなわち注意度を復元できる新しいフレームワークを提案する。
従来は電極による脳波の空間的関係をよく検討していたが, トランスフォーマネットワークを用いた空間的・時間的情報の利用も提案する。
提案したネットワークは、2つの公開データセットでトレーニングされ、検証され、最先端のモデルよりも高い結果が得られる。
論文 参考訳（メタデータ） (2022-04-04T08:05:33Z) - 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) - Confidence-Aware Subject-to-Subject Transfer Learning for Brain-Computer
Interface [3.2550305883611244]
脳波(EEG)のイントラオブジェクト間変動は脳-コンピュータインターフェース(BCI)の実用化を困難にしている。
TLトレーニングのための高信頼度対象のみを用いたBCIフレームワークを提案する。
本フレームワークでは,低損失トリックに基づく協調学習アルゴリズムを用いて,TLプロセスの有用な対象を選択し,ノイズのある対象を除外する。
論文 参考訳（メタデータ） (2021-12-15T15:23:23Z) - EEG-Based Brain-Computer Interfaces Are Vulnerable to Backdoor Attacks [68.01125081367428]
近年の研究では、機械学習アルゴリズムは敵攻撃に弱いことが示されている。
本稿では,脳波をベースとしたBCIの毒殺攻撃に狭周期パルスを用いることを提案する。
論文 参考訳（メタデータ） (2020-10-30T20:49:42Z) - 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。