論文の概要: Domain Adaptation for Robust Workload Level Alignment Between Sessions and Subjects using fNIRS

• arxiv url: http://arxiv.org/abs/2007.06706v2
• Date: Mon, 30 Nov 2020 01:52:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 14:09:45.858852
• Title: Domain Adaptation for Robust Workload Level Alignment Between Sessions and Subjects using fNIRS
• Title（参考訳）: fNIRSを用いたセッションと課題間のロバストなワークロードレベルアライメントのためのドメイン適応
• Authors: Boyang Lyu, Thao Pham, Giles Blaney, Zachary Haga, Angelo Sassaroli, Sergio Fantini, Shuchin Aeron
• Abstract要約: 機能的近赤外分光法(fNIRS)データに領域適応を応用し、作業記憶に関わる様々なレベルのn-backタスクを分類する可能性を実証した。 Gromov-Wasserstein (G-W) とFused Gromov-Wasserstein (FG-W) の2つのドメイン適応手法が用いられた。 G-WとFG-Wのアライメント精度は、SVM、CNN、RNNのアライメント精度よりもかなり大きい。
• 参考スコア（独自算出の注目度）: 6.609950457847242
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Significance: We demonstrated the potential of using domain adaptation on functional Near-Infrared Spectroscopy (fNIRS) data to classify different levels of n-back tasks that involve working memory. Aim: Domain shift in fNIRS data is a challenge in the workload level alignment across different experiment sessions and subjects. In order to address this problem, two domain adaptation approaches -- Gromov-Wasserstein (G-W) and Fused Gromov-Wasserstein (FG-W) were used. Approach: Specifically, we used labeled data from one session or one subject to classify trials in another session (within the same subject) or another subject. We applied G-W for session-by-session alignment and FG-W for subject-by-subject alignment to fNIRS data acquired during different n-back task levels. We compared these approaches with three supervised methods: multi-class Support Vector Machine (SVM), Convolutional Neural Network (CNN), and Recurrent Neural Network (RNN). Results: In a sample of six subjects, G-W resulted in an alignment accuracy of 68 $\pm$ 4 % (weighted mean $\pm$ standard error) for session-by-session alignment, FG-W resulted in an alignment accuracy of 55 $\pm$ 2 % for subject-by-subject alignment. In each of these cases, 25 % accuracy represents chance. Alignment accuracy results from both G-W and FG-W are significantly greater than those from SVM, CNN and RNN. We also showed that removal of motion artifacts from the fNIRS data plays an important role in improving alignment performance. Conclusions: Domain adaptation has potential for session-by-session and subject-by-subject alignment of mental workload by using fNIRS data.
• Abstract（参考訳）: 意義: 機能的近赤外分光法(fNIRS)データに領域適応を応用し, 作業記憶に関わる様々なn-backタスクを分類する可能性を実証した。 目的: fnirsデータのドメインシフトは、さまざまな実験セッションと課題にわたるワークロードレベルのアライメントにおける課題である。 この問題に対処するために、Gromov-Wasserstein (G-W) とFused Gromov-Wasserstein (FG-W) という2つのドメイン適応手法が用いられた。 アプローチ: 1つのセッションまたは1つのセッションのラベル付きデータを用いて、別のセッション(同じテーマ)または別のテーマのトライアルを分類した。 我々はセッション・バイ・セッション・アライメントにG-Wを適用し,異なるn-backタスクレベルで取得したfNIRSデータに対して主観的アライメントにFG-Wを適用した。 我々はこれらの手法を,マルチクラスサポートベクトルマシン(SVM),畳み込みニューラルネットワーク(CNN),リカレントニューラルネットワーク(RNN)の3つの教師付き手法と比較した。 結果: 6名の被験者のサンプルでは、g-w はセッション毎アライメントのアライメント精度が68$\pm$ 4 %(強調平均$\pm$ standard error)となり、fg-w はサブジェクト・バイ・サブジェクトアライメントのアライメント精度が55$\pm$ 2 %となった。 それぞれのケースでは、25%の精度がチャンスを表す。 G-WとFG-Wのアライメント精度は、SVM、CNN、RNNのアライメント精度よりもかなり大きい。 また,fNIRSデータからの運動アーティファクトの除去がアライメント性能向上に重要な役割を果たすことを示した。 結論: ドメイン適応は、fNIRSデータを用いて、メンタルワークロードのセッション・バイ・セッションとサブジェクト・バイ・オブジェクトアライメントの可能性を秘めている。

関連論文リスト

• Fixed-budget online adaptive mesh learning for physics-informed neural networks. Towards parameterized problem inference [0.0]
  本稿では,PDE 残差の局所最大値と局所最小値に基づくコロケーションポイントのトレーニングのための固定予算オンライン適応メッシュ学習(FBOAML)手法を提案する。 FBOAMLは、高次位置を識別でき、古典的なPINNよりも物理分野の予測が優れている。
  論文  参考訳（メタデータ） (2022-12-22T15:12:29Z)
• Explaining Cross-Domain Recognition with Interpretable Deep Classifier [100.63114424262234]
  解釈可能なDeep(IDC)は、ターゲットサンプルの最も近いソースサンプルを、分類器が決定を下す証拠として学習する。 我々のIDCは、精度の劣化がほとんどなく、最適なリジェクションオプションの分類を効果的に調整する、より説明可能なモデルに導かれる。
  論文  参考訳（メタデータ） (2022-11-15T15:58:56Z)
• Domain-Invariant Proposals based on a Balanced Domain Classifier for Object Detection [8.583307102907295]
  画像からのオブジェクト認識は、興味のあるオブジェクトを自動的に見つけ、カテゴリと位置情報を返すことを意味する。 畳み込みニューラルネットワーク(CNN)や生成的敵ネットワークといった深層学習の研究により、この分野のパフォーマンスは大幅に改善された。 分布のミスマッチ、すなわちドメインシフトは、大幅なパフォーマンス低下につながります。
  論文  参考訳（メタデータ） (2022-02-12T00:21:27Z)
• Amplitude Spectrum Transformation for Open Compound Domain Adaptive Semantic Segmentation [62.68759523116924]
  オープン化合物ドメイン適応(OCDA)は、実用的な適応セットとして現れている。 我々は、新しい特徴空間振幅スペクトル変換(AST)を提案する。
  論文  参考訳（メタデータ） (2022-02-09T05:40:34Z)
• Frequency Spectrum Augmentation Consistency for Domain Adaptive Object Detection [107.52026281057343]
  周波数スペクトル拡張整合(FSAC)フレームワークを4種類の低周波フィルタで構成する。 最初の段階では、オリジナルおよび拡張されたソースデータを全て利用して、オブジェクト検出器を訓練する。 第2段階では、予測一貫性のための自己学習を行うために、擬似ラベル付き拡張現実とターゲットデータを採用する。
  論文  参考訳（メタデータ） (2021-12-16T04:07:01Z)
• Adversarial Domain Adaptation with Paired Examples for Acoustic Scene Classification on Different Recording Devices [10.447270433913134]
  ドメイン適応(DA)に対する複数の逆モデルとその音響シーン分類課題への影響について検討する。 実験はDCASE20チャレンジタスク1Aデータセット上で行われ、異なるデバイスで記録されたデータのペア例を利用することができる。 その結果, 目標領域装置の精度を66%向上させるサイクルGANを用いて, 最適なドメイン適応が得られることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T19:34:12Z)
• Exploring Sequence Feature Alignment for Domain Adaptive Detection Transformers [141.70707071815653]
  本稿では,検出変圧器の適応に特化して設計された新しいシーケンス特徴アライメント(SFA)法を提案する。 SFAはドメインクエリベースの機能アライメント(DQFA)モジュールとトークンワイド機能アライメント(TDA)モジュールで構成される。 3つの挑戦的なベンチマーク実験により、SFAは最先端のドメイン適応オブジェクト検出方法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-07-27T07:17:12Z)
• ASFGNN: Automated Separated-Federated Graph Neural Network [17.817867271722093]
  本稿では,ASFGNN学習パラダイムを提案する。 我々は,ベンチマークデータセットの実験を行い,ASFGNNが有望なフェデレーションGNNよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-06T09:21:34Z)
• Collaborative Training between Region Proposal Localization and Classification for Domain Adaptive Object Detection [121.28769542994664]
  オブジェクト検出のためのドメイン適応は、ラベル付きデータセットからラベル付きデータセットへの検出を適応させようとする。 本稿では,地域提案ネットワーク (RPN) と地域提案分類器 (RPC) が,大きなドメインギャップに直面した場合の転送可能性が大きく異なることを初めて明らかにする。
  論文  参考訳（メタデータ） (2020-09-17T07:39:52Z)
• Unsupervised Domain Adaptation via CycleGAN for White Matter Hyperintensity Segmentation in Multicenter MR Images [2.627822659948232]
  磁気共鳴画像における白色物質の過強度の定量化は、脳卒中、認知症、死亡のリスクを予測する指標となる。 過去数年間、バイオメディカルなイメージセグメンテーションに適した畳み込みニューラルネットワーク(CNN)は、このタスクにおけるこれまでのすべての技術より優れている。 本研究では,脳病変を有するマルチセンターMR画像に対して,非教師なし領域適応を行うために,CycleGAN (CycleGAN) を用いた方法について検討する。
  論文  参考訳（メタデータ） (2020-09-10T16:48:19Z)
• Cross-domain Detection via Graph-induced Prototype Alignment [114.8952035552862]
  カテゴリレベルのドメインアライメントを求めるグラフ誘発プロトタイプアライメント(GPA)フレームワークを提案する。 さらに,クラス不均衡がドメイン適応に与える影響を軽減するために,クラス重み付きコントラスト損失を設計する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2020-03-28T17:46:55Z)

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。