論文の概要: Transfer Learning for Motor Imagery Based Brain-Computer Interfaces: A Complete Pipeline

• arxiv url: http://arxiv.org/abs/2007.03746v3
• Date: Fri, 22 Jan 2021 20:37:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 05:11:08.197091
• Title: Transfer Learning for Motor Imagery Based Brain-Computer Interfaces: A Complete Pipeline
• Title（参考訳）: 運動画像に基づく脳-コンピュータインタフェースのためのトランスファー学習:完全パイプライン
• Authors: Dongrui Wu and Xue Jiang and Ruimin Peng and Wanzeng Kong and Jian Huang and Zhigang Zeng
• Abstract要約: 移動学習(TL)は、新しい被験者の校正作業を減らすために、運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)に広く用いられている。 本稿では,MIベースのBCIの3つのコンポーネント(空間フィルタリング,特徴工学,分類)すべてにおいてTLが考慮できることを示す。
• 参考スコア（独自算出の注目度）: 54.73337667795997
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Transfer learning (TL) has been widely used in motor imagery (MI) based brain-computer interfaces (BCIs) to reduce the calibration effort for a new subject, and demonstrated promising performance. While a closed-loop MI-based BCI system, after electroencephalogram (EEG) signal acquisition and temporal filtering, includes spatial filtering, feature engineering, and classification blocks before sending out the control signal to an external device, previous approaches only considered TL in one or two such components. This paper proposes that TL could be considered in all three components (spatial filtering, feature engineering, and classification) of MI-based BCIs. Furthermore, it is also very important to specifically add a data alignment component before spatial filtering to make the data from different subjects more consistent, and hence to facilitate subsequential TL. Offline calibration experiments on two MI datasets verified our proposal. Especially, integrating data alignment and sophisticated TL approaches can significantly improve the classification performance, and hence greatly reduces the calibration effort.
• Abstract（参考訳）: 移動学習(TL)は、運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)において、新しい被験者の校正作業を減らすために広く使われ、有望な性能を示した。 閉ループMIベースのBCIシステムは、脳波信号の取得と時間的フィルタリングの後、外部デバイスに制御信号を送信する前に空間フィルタリング、特徴工学、分類ブロックを含むが、以前のアプローチではTLは1つか2つのコンポーネントでのみ考慮されていた。 本稿では,MIベースのBCIの3成分(空間フィルタリング,特徴工学,分類)すべてにおいてTLが考慮できることを示す。 さらに、空間的フィルタリングの前にデータアライメントコンポーネントを特に追加して、異なる対象からのデータをより一貫性を持たせることで、後続TLを容易にすることも重要である。 2つのmiデータセットにおけるオフラインキャリブレーション実験により本提案を検証した。 特にデータアライメントと高度なtlアプローチを統合することで、分類性能が大幅に向上し、校正作業が大幅に削減される。

関連論文リスト

• A Temporal-Spectral Fusion Transformer with Subject-Specific Adapter for Enhancing RSVP-BCI Decoding [15.000487099591776]
  RSVP-based Brain-Computer Interface (BCI) は脳波(EEG)信号を用いた標的探索のための効率的な技術である。 従来の復号法は、新しい被験者からのかなりの量のトレーニングデータに依存している。 そこで本研究では,既存の対象データから学習したモデルの知識を高速に伝達し,新たな対象データからデコードする対象特化アダプタを提案する。
  論文  参考訳（メタデータ） (2024-01-12T03:18:51Z)
• Semi-Federated Learning: Convergence Analysis and Optimization of A Hybrid Learning Framework [70.83511997272457]
  本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。 我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
  論文  参考訳（メタデータ） (2023-10-04T03:32:39Z)
• Phase Synchrony Component Self-Organization in Brain Computer Interface [3.2116198597240846]
  相同期情報は、機能的な脳の接続を分析し、脳の活動を特定する上で重要な役割を担っている。 本稿では、データ依存空間フィルタの適応学習を可能にする位相同期成分自己組織化の概念を提案する。 この概念に基づいて、生の脳波信号から位相同期に基づく特徴を直接抽出する、最初のディープラーニングエンドツーエンドネットワークが開発された。
  論文  参考訳（メタデータ） (2023-09-21T09:42:16Z)
• Salient Object Detection in Optical Remote Sensing Images Driven by Transformer [69.22039680783124]
  光リモートセンシング画像(ORSI-SOD)のためのGlobal extract Local Exploration Network(GeleNet)を提案する。 具体的には、GeleNetはまずトランスフォーマーバックボーンを採用し、グローバルな長距離依存関係を持つ4レベルの機能埋め込みを生成する。 3つの公開データセットに関する大規模な実験は、提案されたGeleNetが関連する最先端メソッドより優れていることを示している。
  論文  参考訳（メタデータ） (2023-09-15T07:14:43Z)
• Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
  我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。 まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。 次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
  論文  参考訳（メタデータ） (2021-12-31T10:03:47Z)
• 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)
• A SPA-based Manifold Learning Framework for Motor Imagery EEG Data Classification [2.4727719996518487]
  本稿では,運動画像(MI)タスクから2種類の脳波データを分類するための多様体学習フレームワークを提案する。 特徴抽出のために、前処理された脳波信号から共通空間パターン(CSP)によって実装される。 分類のための特徴の近傍では、データの支持に対する局所近似が得られ、次に最も近い支持を持つクラスに特徴が割り当てられる。
  論文  参考訳（メタデータ） (2021-07-30T06:18:05Z)
• End-to-End Object Detection with Fully Convolutional Network [71.56728221604158]
  エンドツーエンド検出を実現するために,分類のための予測対応ワン・ツー・ワン (POTO) ラベルの割り当てを導入する。 局所領域における畳み込みの判別性を向上させるために, 簡易な3次元maxフィルタ(3dmf)を提案する。 エンドツーエンドのフレームワークは,COCOおよびCrowdHumanデータセット上のNMSを用いて,最先端の多くの検出器と競合する性能を実現する。
  論文  参考訳（メタデータ） (2020-12-07T09:14:55Z)
• Multilinear Compressive Learning with Prior Knowledge [106.12874293597754]
  マルチリニア圧縮学習(MCL)フレームワークは、マルチリニア圧縮センシングと機械学習をエンドツーエンドシステムに統合する。 MCLの背後にある主要なアイデアは、下流学習タスクの信号から重要な特徴を捉えることのできるテンソル部分空間の存在を仮定することである。 本稿では、上記の要件、すなわち、関心の信号が分離可能なテンソル部分空間をどうやって見つけるかという、2つの要件に対処する新しい解決策を提案する。
  論文  参考訳（メタデータ） (2020-02-17T19:06:05Z)

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。