論文の概要: Reconstructing ERP Signals Using Generative Adversarial Networks for
Mobile Brain-Machine Interface
- arxiv url: http://arxiv.org/abs/2005.08430v1
- Date: Mon, 18 May 2020 02:39:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 00:42:01.124020
- Title: Reconstructing ERP Signals Using Generative Adversarial Networks for
Mobile Brain-Machine Interface
- Title（参考訳）: 移動脳-機械インタフェースのための生成逆ネットワークを用いたERP信号の再構成
- Authors: Young-Eun Lee and Minji Lee and Seong-Whan Lee
- Abstract要約: 歩行中の事象関連電位(ERP)を用いた生成的敵ネットワークに基づく再構築フレームワークを提案する。
再建脳波の精度は歩行時の生雑音脳波信号と類似していた。
提案手法は,移動環境においても脳と機械のインタフェースに基づいて人間の意図を認識するのに役立つ。
- 参考スコア（独自算出の注目度）: 21.646490546361935
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Practical brain-machine interfaces have been widely studied to accurately
detect human intentions using brain signals in the real world. However, the
electroencephalography (EEG) signals are distorted owing to the artifacts such
as walking and head movement, so brain signals may be large in amplitude rather
than desired EEG signals. Due to these artifacts, detecting accurately human
intention in the mobile environment is challenging. In this paper, we proposed
the reconstruction framework based on generative adversarial networks using the
event-related potentials (ERP) during walking. We used a pre-trained
convolutional encoder to represent latent variables and reconstructed ERP
through the generative model which shape similar to the opposite of encoder.
Finally, the ERP was classified using the discriminative model to demonstrate
the validity of our proposed framework. As a result, the reconstructed signals
had important components such as N200 and P300 similar to ERP during standing.
The accuracy of reconstructed EEG was similar to raw noisy EEG signals during
walking. The signal-to-noise ratio of reconstructed EEG was significantly
increased as 1.3. The loss of the generative model was 0.6301, which is
comparatively low, which means training generative model had high performance.
The reconstructed ERP consequentially showed an improvement in classification
performance during walking through the effects of noise reduction. The proposed
framework could help recognize human intention based on the brain-machine
interface even in the mobile environment.
- Abstract（参考訳）: 脳と機械のインターフェイスは、現実世界の脳信号を用いて人間の意図を正確に検出するために広く研究されている。
しかし、脳波(EEG)信号は歩行や頭部運動などの人工物によって歪められているため、脳信号は所望の脳波信号よりも振幅が大きい可能性がある。
これらの人工物により、移動環境における人間の意図を正確に検出することは困難である。
本稿では,歩行中の事象関連電位(ERP)を用いた生成的敵ネットワークに基づく再構築フレームワークを提案する。
我々は,事前学習した畳み込みエンコーダを用いて潜伏変数を表現し,エンコーダの反対の形状の生成モデルを用いてERPを再構成した。
最後に,ERPを識別モデルを用いて分類し,提案手法の有効性を実証した。
その結果、再構成された信号は立位時のerpに類似したn200やp300といった重要な成分を持っていた。
再建脳波の精度は歩行時の生雑音脳波信号と類似していた。
再建脳波の信号-雑音比は1.3。
生成モデルの損失は0.6301であり、これは比較的低いため、生成モデルの訓練は高性能であった。
再建ERPは,騒音低減効果により歩行時の分類性能が向上した。
提案手法は, 移動環境においてもブレイン・マシン・インタフェースに基づく人間の意図認識を支援する。
関連論文リスト
- Flexible framework for generating synthetic electrocardiograms and photoplethysmograms [1.023858929087312]
心電図 (ECG) と光麻痺 (mography) の2つの信号モダリティのための合成生体信号モデルを開発した。
このモデルは、呼吸調節や身体的ストレスによる心拍の変化などの生理的効果を考慮に入れた現実的な信号を生成する。
我々は,MIT-BIH arrythmia セットと新しいジェネレータの実際の心電図信号を用いて,心電図Rピークを検出するLSTMを訓練した。
論文 参考訳（メタデータ） (2024-08-29T06:48:07Z) - A Contrastive Learning Based Convolutional Neural Network for ERP Brain-Computer Interfaces [3.8300351196425146]
クロスオブジェクトERP信号検出は、ERP信号成分の複雑さのために困難である。
本稿では,マルチスケールの時間的特徴と空間的特徴を抽出するインセプション・モジュールを提案する。
論文 参考訳（メタデータ） (2024-07-02T08:20:52Z) - REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。
グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。
本モデルは,発作検出と分類作業において高い精度を示す。
論文 参考訳（メタデータ） (2024-06-03T16:30:19Z) - Efficient and accurate neural field reconstruction using resistive memory [52.68088466453264]
デジタルコンピュータにおける従来の信号再構成手法は、ソフトウェアとハードウェアの両方の課題に直面している。
本稿では,スパース入力からの信号再構成のためのソフトウェア・ハードウェア協調最適化を用いた体系的アプローチを提案する。
この研究は、AI駆動の信号復元技術を進歩させ、将来の効率的で堅牢な医療AIと3Dビジョンアプリケーションへの道を開く。
論文 参考訳（メタデータ） (2024-04-15T09:33:09Z) - vEEGNet: learning latent representations to reconstruct EEG raw data via
variational autoencoders [3.031375888004876]
本稿では,2つのモジュールを持つDLアーキテクチャであるvEEGNetを提案する。つまり,データの潜在表現を抽出する変分オートエンコーダに基づく教師なしモジュールと,フィードフォワードニューラルネットワークに基づく教師付きモジュールにより異なる動作を分類する。
我々は最先端の分類性能を示し、生の脳波の低周波成分と中周波成分の両方を再構成する能力を示した。
論文 参考訳（メタデータ） (2023-11-16T19:24:40Z) - 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) - ETLP: Event-based Three-factor Local Plasticity for online learning with
neuromorphic hardware [105.54048699217668]
イベントベース3要素局所塑性(ETLP)の計算複雑性に明らかな優位性を有する精度の競争性能を示す。
また, 局所的可塑性を用いた場合, スパイキングニューロンの閾値適応, 繰り返しトポロジーは, 時間的構造が豊富な時間的パターンを学習するために必要であることを示した。
論文 参考訳（メタデータ） (2023-01-19T19:45:42Z) - The Predictive Forward-Forward Algorithm [79.07468367923619]
本稿では,ニューラルネットワークにおける信頼割当を行うための予測フォワード(PFF)アルゴリズムを提案する。
我々は,有向生成回路と表現回路を同時に同時に学習する,新しい動的リカレントニューラルネットワークを設計する。
PFFは効率よく学習し、学習信号を伝達し、フォワードパスのみでシナプスを更新する。
論文 参考訳（メタデータ） (2023-01-04T05:34:48Z) - Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
自律運転システムには2つの主要なアルゴリズムアプローチがある。
ディープラーニングだけでは、多くの分野で最先端の結果が得られています。
しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
論文 参考訳（メタデータ） (2022-03-28T20:29:50Z) - Decoding Event-related Potential from Ear-EEG Signals based on Ensemble
Convolutional Neural Networks in Ambulatory Environment [25.21795777074951]
歩行環境におけるアンサンブル型畳み込みニューラルネットワークを提案し,頭皮と耳の視覚事象関連電位応答の解析を行った。
脳-コンピュータインタフェースの性能は1.6m/sで速く歩くと3-14%低下した。
提案手法は観測環境や不均衡データにも頑健であることを示す。
論文 参考訳（メタデータ） (2021-03-03T06:04:59Z) - A Generative Adversarial Approach To ECG Synthesis And Denoising [0.0]
本稿では,GANを用いて現実的なECG信号を生成する手法を提案する。
我々はこれらを利用してECG信号の最先端のフィルタリング品質を実現するデノナイズオートエンコーダを訓練し評価する。
論文 参考訳（メタデータ） (2020-09-06T10:17:33Z)
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。