Fugu-MT 論文翻訳(概要): Emotion-robust EEG Classification for Motor Imagery

論文の概要: Emotion-robust EEG Classification for Motor Imagery

arxiv url: http://arxiv.org/abs/2005.13523v1
Date: Sat, 23 May 2020 17:31:07 GMT
ステータス: 処理完了
システム内更新日: 2022-11-30 03:27:01.488358
Title: Emotion-robust EEG Classification for Motor Imagery
Title（参考訳）: 運動画像の感情障害脳波分類
Authors: Abdul Moeed
Abstract要約: 脳コンピュータインタフェース(BCI)の開発は、補助システムでの使用を通じて、重度の物理的不安を持つ人々に権限を与えている。これを達成するための一般的な方法は、脳信号を特定のコマンドのコードにマッピングするMotor Imagery (MI) である。脳波は、非侵襲性を理由に脳信号を記録するのに好まれる。この研究は、MI-BCIシステムをこのような感情的な摂動に耐性を持たせることを目的としている。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Developments in Brain Computer Interfaces (BCIs) are empowering those with severe physical afflictions through their use in assistive systems. Common methods of achieving this is via Motor Imagery (MI), which maps brain signals to code for certain commands. Electroencephalogram (EEG) is preferred for recording brain signal data on account of it being non-invasive. Despite their potential utility, MI-BCI systems are yet confined to research labs. A major cause for this is lack of robustness of such systems. As hypothesized by two teams during Cybathlon 2016, a particular source of the system's vulnerability is the sharp change in the subject's state of emotional arousal. This work aims towards making MI-BCI systems resilient to such emotional perturbations. To do so, subjects are exposed to high and low arousal-inducing virtual reality (VR) environments before recording EEG data. The advent of COVID-19 compelled us to modify our methodology. Instead of training machine learning algorithms to classify emotional arousal, we opt for classifying subjects that serve as proxy for each state. Additionally, MI models are trained for each subject instead of each arousal state. As training subjects to use MI-BCI can be an arduous and time-consuming process, reducing this variability and increasing robustness can considerably accelerate the acceptance and adoption of assistive technologies powered by BCI.
Abstract（参考訳）: 脳コンピュータインタフェース(BCI)の開発は、補助システムでの使用を通じて、重度の物理的不安を持つ人々に権限を与えている。これを達成するための一般的な方法は、脳信号を特定のコマンドのコードにマッピングするMotor Imagery (MI) である。脳波(eeg)は、その非侵襲性を考慮して脳信号を記録するのに好ましい。実用性はあるものの、MI-BCIシステムはまだ研究所に限られている。主な原因は、そのようなシステムの堅牢性の欠如である。 cybathlon 2016の2つのチームによって仮定されたように、システムの脆弱性の特定の原因は、被験者の感情的な覚醒状態の急激な変化である。この研究は、MI-BCIシステムをこのような感情的な摂動に耐性を持たせることを目的としている。そのため、脳波データを記録する前に、被験者は高低刺激のバーチャルリアリティ(VR)環境に晒される。新型コロナウイルス(COVID-19)の出現により、方法論の変更を余儀なくされました。感情的な覚醒を分類するために機械学習アルゴリズムを訓練する代わりに、各状態のプロキシとして機能する対象を分類する。さらに、MIモデルは各覚醒状態の代わりに各主題に対して訓練される。 MI-BCIを使用するためのトレーニング対象は困難で時間のかかるプロセスであるため、このばらつきを低減し、ロバスト性を高めることは、BCIを利用した補助技術の受容と採用を著しく加速させる。

関連論文リスト

Guess What I Think: Streamlined EEG-to-Image Generation with Latent Diffusion Models [4.933734706786783]
EEGは低コストで非侵襲的でポータブルなニューロイメージング技術である。 EEGは、空間分解能が低く、ノイズやアーティファクトへの感受性が低いため、固有の課題を提示している。脳波信号による潜伏拡散モデルの条件付けのための制御ネットアダプタに基づくフレームワークを提案する。
論文参考訳（メタデータ） (2024-09-17T19:07:13Z)
PHemoNet: A Multimodal Network for Physiological Signals [9.54382727022316]
生理的信号からのマルチモーダル感情認識のための完全超複雑ネットワークであるPHemoNetを紹介する。アーキテクチャは、モダリティ特異的エンコーダと融合モジュールとから構成される。提案手法は,MAHNOB-HCIデータセットの最先端モデルより優れている。
論文参考訳（メタデータ） (2024-09-13T21:14:27Z)
Robotic Navigation Autonomy for Subretinal Injection via Intelligent Real-Time Virtual iOCT Volume Slicing [88.99939660183881]
網膜下注射のための自律型ロボットナビゲーションの枠組みを提案する。提案手法は,機器のポーズ推定方法,ロボットとi OCTシステム間のオンライン登録,およびインジェクションターゲットへのナビゲーションに適した軌道計画から構成される。ブタ前眼の精度と再現性について実験を行った。
論文参考訳（メタデータ） (2023-01-17T21:41:21Z)
Motor imagery classification using EEG spectrograms [9.05607520128194]
手足の動きの想像力(MI)は脳-コンピュータインタフェース(BCI)システムにとって重要である。脳波(EEG)によるMI検出により,ユーザの動きの想像力を認識できる。本稿では,前訓練した深層学習アルゴリズムを用いて上肢運動の分類を行う。
論文参考訳（メタデータ） (2022-11-15T17:57:17Z)
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)
Are Brain-Computer Interfaces Feasible with Integrated Photonic Chips? [0.0]
本稿では,脳-コンピュータインタフェース(BCI)の根本的に新しいアイデアの実現可能性について検討する。 BCIは、生きた脳と外部機械との間の一方的または双方向のコミュニケーションを可能にするコンピュータベースのシステムである。
論文参考訳（メタデータ） (2021-11-22T04:06:28Z)
Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks [81.74442855155843]
CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
論文参考訳（メタデータ） (2021-01-18T13:28:08Z)
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)
A Novel Transferability Attention Neural Network Model for EEG Emotion Recognition [51.203579838210885]
脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。 TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
論文参考訳（メタデータ） (2020-09-21T02:42:30Z)
DeepBrain: Towards Personalized EEG Interaction through Attentional and Embedded LSTM Learning [20.300051894095173]
本稿では,低コストデバイスであるDeepBrainからの粗い脳波信号の組込み学習を通じて,脳-ロボット間相互作用(BRI)を実現するエンド・ツー・エンドのソリューションを提案する。 1)脳波信号の時間依存性とその分類を扱うための特定の前処理技術を備えた長期記憶(拡張LSTM)構造を提案する。我々の実世界の実験は、低コストで提案されたエンドツーエンドのソリューションが、良好な実行速度、精度、エネルギー効率を実現することを実証している。
論文参考訳（メタデータ） (2020-02-06T03:34:08Z)
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。