論文の概要: Classification and Recognition of Encrypted EEG Data Neural Network
- arxiv url: http://arxiv.org/abs/2006.08122v1
- Date: Mon, 15 Jun 2020 04:21:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 05:13:49.362181
- Title: Classification and Recognition of Encrypted EEG Data Neural Network
- Title（参考訳）: 暗号化脳波データニューラルネットワークの分類と認識
- Authors: Yongshuang Liu, Haiping Huang, Fu Xiao, Reza Malekian, Wenming Wang
- Abstract要約: ニューラルネットワークに基づく暗号化脳波データの分類と認識手法を提案する。
EEGデータを暗号化するためにPaillier暗号化アルゴリズムを採用し、浮動小数点演算の問題を解決する。
我々の提案は、他のソリューションと比較して十分な精度、効率、実現可能性を持っている。
- 参考スコア（独自算出の注目度）: 10.171935814743678
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the rapid development of Machine Learning technology applied in
electroencephalography (EEG) signals, Brain-Computer Interface (BCI) has
emerged as a novel and convenient human-computer interaction for smart home,
intelligent medical and other Internet of Things (IoT) scenarios. However,
security issues such as sensitive information disclosure and unauthorized
operations have not received sufficient concerns. There are still some defects
with the existing solutions to encrypted EEG data such as low accuracy, high
time complexity or slow processing speed. For this reason, a classification and
recognition method of encrypted EEG data based on neural network is proposed,
which adopts Paillier encryption algorithm to encrypt EEG data and meanwhile
resolves the problem of floating point operations. In addition, it improves
traditional feed-forward neural network (FNN) by using the approximate function
instead of activation function and realizes multi-classification of encrypted
EEG data. Extensive experiments are conducted to explore the effect of several
metrics (such as the hidden neuron size and the learning rate updated by
improved simulated annealing algorithm) on the recognition results. Followed by
security and time cost analysis, the proposed model and approach are validated
and evaluated on public EEG datasets provided by PhysioNet, BCI Competition IV
and EPILEPSIAE. The experimental results show that our proposal has the
satisfactory accuracy, efficiency and feasibility compared with other
solutions.
- Abstract（参考訳）: 脳波(EEG)信号に適用される機械学習技術の急速な発展に伴い、BCI(Brain-Computer Interface)は、スマートホーム、インテリジェント医療、その他のIoT(Internet of Things)シナリオのための、新しく便利なヒューマンコンピュータインタラクションとして登場した。
しかし、機密情報開示や不正操作などのセキュリティ問題は十分な懸念を受けていない。
暗号化されたEEGデータに対する既存のソリューションには、低い正確性、高速な複雑性、遅い処理速度など、いくつかの欠陥がある。
このため、ニューラルネットワークに基づく暗号化された脳波データの分類と認識法が提案され、Paillier暗号化アルゴリズムを用いて脳波データを暗号化し、浮動小数点演算の問題を解く。
さらに、アクティベーション関数の代わりに近似関数を用いて従来のフィードフォワードニューラルネットワーク(FNN)を改善し、暗号化されたEEGデータの多重分類を実現する。
複数の指標(隠れニューロンのサイズや改良されたシミュレーションアニーリングアルゴリズムによって更新された学習率など)が認識結果に与える影響を調べるために、広範囲な実験を行った。
セキュリティと時間的コスト分析により,PhyloNet,BCI Competition IV,EPILEPSIAEなどの公開EEGデータセットを用いて,提案手法の有効性を検証・評価した。
実験の結果,提案手法の精度,効率,実現性は,他のソリューションと比較して良好であった。
関連論文リスト
- EEG decoding with conditional identification information [7.873458431535408]
脳波信号を復号することは、人間の脳を解き放ち、脳とコンピュータのインターフェースを進化させるのに不可欠である。
従来の機械学習アルゴリズムは、高ノイズレベルと脳波信号の個人間変動によって妨げられている。
ディープニューラルネットワーク(DNN)の最近の進歩は、その高度な非線形モデリング能力のために、将来性を示している。
論文 参考訳（メタデータ） (2024-03-21T13:38:59Z) - MAtt: A Manifold Attention Network for EEG Decoding [0.966840768820136]
多様体注意ネットワーク(mAtt)を特徴とする脳波復号のための新しい幾何学的学習(GDL)モデルを提案する。
時間同期EEGデータセットと非同期EEGデータセットの両方におけるMAttの評価は、一般的なEEGデコーディングのための他の主要なDLメソッドよりも優れていることを示唆している。
論文 参考訳（メタデータ） (2022-10-05T02:26:31Z) - EEG-ITNet: An Explainable Inception Temporal Convolutional Network for
Motor Imagery Classification [0.5616884466478884]
我々はEEG-ITNetと呼ばれるエンドツーエンドのディープラーニングアーキテクチャを提案する。
本モデルでは,多チャンネル脳波信号からスペクトル,空間,時間情報を抽出することができる。
EEG-ITNetは、異なるシナリオにおける分類精度を最大5.9%改善する。
論文 参考訳（メタデータ） (2022-04-14T13:18:43Z) - Effective classification of ecg signals using enhanced convolutional
neural network in iot [0.0]
本稿では、動的ソースルーティング(DSR)とエネルギーリンク品質(REL)に基づくIoTヘルスケアプラットフォームのためのルーティングシステムを提案する。
Deep-ECGは、重要な特徴を抽出するためにディープCNNを使用し、単純かつ高速な距離関数を用いて比較する。
その結果,提案手法は分類精度において他よりも優れていることがわかった。
論文 参考訳（メタデータ） (2022-02-08T13:37:23Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - 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) - 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) - 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) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳（メタデータ） (2020-03-26T11:13:07Z) - 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。