論文の概要: Selection of Proper EEG Channels for Subject Intention Classification Using Deep Learning

• arxiv url: http://arxiv.org/abs/2007.12764v2
• Date: Sun, 23 May 2021 19:27:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 07:15:16.620041
• Title: Selection of Proper EEG Channels for Subject Intention Classification Using Deep Learning
• Title（参考訳）: 深層学習を用いた被験者意図分類のための適切な脳波チャネルの選択
• Authors: Ghazale Ghorbanzade, Zahra Nabizadeh-ShahreBabak, Shadrokh Samavi, Nader Karimi, Ali Emami, Pejman Khadivi
• Abstract要約: 脳信号は、障害を持つ個人を補助するデバイスを制御するために用いられる。 異なるアプローチは、それらを分類器に送る前にチャネル数を減らそうとしている。 分類精度の高いチャネルの情報サブセットを選択するための深層学習方式を提案する。
• 参考スコア（独自算出の注目度）: 12.497603617622906
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brain signals could be used to control devices to assist individuals with disabilities. Signals such as electroencephalograms are complicated and hard to interpret. A set of signals are collected and should be classified to identify the intention of the subject. Different approaches have tried to reduce the number of channels before sending them to a classifier. We are proposing a deep learning-based method for selecting an informative subset of channels that produce high classification accuracy. The proposed network could be trained for an individual subject for the selection of an appropriate set of channels. Reduction of the number of channels could reduce the complexity of brain-computer-interface devices. Our method could find a subset of channels. The accuracy of our approach is comparable with a model trained on all channels. Hence, our model's temporal and power costs are low, while its accuracy is kept high.
• Abstract（参考訳）: 脳信号は、障害のある個人を支援するデバイスを制御するために使用できる。 脳波などの信号は複雑で解釈が難しい。 一連の信号は収集され、対象の意図を特定するために分類されるべきである。 異なるアプローチは、チャネルを分類器に送る前にチャネル数を減らすことを試みた。 我々は,高い分類精度を持つチャネルの有用なサブセットを選択するための深層学習に基づく手法を提案する。 提案するネットワークは、適切なチャネルセットを選択するために、個々の対象に対してトレーニングすることができる。 チャネル数の減少は、脳-コンピュータ-インターフェースデバイスの複雑さを減少させる可能性がある。 この手法はチャネルのサブセットを見つけることができる。 このアプローチの精度は、すべてのチャネルでトレーニングされたモデルと同等です。 したがって、我々のモデルの時間的・電力コストは低く、精度は高く保たれている。

関連論文リスト

• Learning Signal Representations for EEG Cross-Subject Channel Selection and Trial Classification [0.3553493344868413]
  脳波記録の主観非依存チャネル選択のためのアルゴリズムを提案する。 チャネル固有の1D-畳み込みニューラルネットワーク(1D-CNN)を教師付き方法で特徴抽出器として利用し、クラス分離性を最大化する。 トレーニング後、選択されたチャネル固有の1D-CNNのパラメータ化されたサブグループのみを新しい被験者からの新たな信号に転送することで、アルゴリズムを活用できる。
  論文  参考訳（メタデータ） (2021-06-20T06:22:16Z)
• End-to-end learnable EEG channel selection with deep neural networks [72.21556656008156]
  本稿では,脳波チャネル選択をニューラルネットワーク自体に組み込む枠組みを提案する。 我々は、離散チャネル選択パラメータの連続緩和を用いて、この新しい最適化問題の離散的性質を扱う。 この一般的なアプローチは、2つの異なるEEGタスクで評価される。
  論文  参考訳（メタデータ） (2021-02-11T13:44:07Z)
• Cross-Correlation Based Discriminant Criterion for Channel Selection in Motor Imagery BCI Systems [1.240096657086732]
  本稿では,異なる運動画像(MI)タスクの精神状態を識別するチャネルの重要性を評価する,相互相関に基づく識別基準(XCDC)を提案する。 XCDCは、全チャネルセットアップと比較して分類精度を損なうことなく、チャネルの量を著しく削減する。
  論文  参考訳（メタデータ） (2020-12-03T08:32:47Z)
• FedRec: Federated Learning of Universal Receivers over Fading Channels [92.15358738530037]
  本稿では,ダウンリンクフェージングチャネルに対するニューラルネットワークを用いたシンボル検出手法を提案する。 複数のユーザが協力して、普遍的なデータ駆動型検出器を学習する。 得られた受信機の性能は、フェーディング統計の知識を必要とせずに、様々なチャネル条件下でMAP性能に近づくことを示す。
  論文  参考訳（メタデータ） (2020-11-14T11:29:55Z)
• Learning from Heterogeneous EEG Signals with Differentiable Channel Reordering [51.633889765162685]
  CHARMは、一貫性のない入力チャネルをまたいだ単一のニューラルネットワークのトレーニング方法である。 我々は4つの脳波分類データセットの実験を行い、CHARMの有効性を実証した。
  論文  参考訳（メタデータ） (2020-10-21T12:32:34Z)
• Ensemble Wrapper Subsampling for Deep Modulation Classification [70.91089216571035]
  受信した無線信号のサブサンプリングは、ハードウェア要件と信号処理アルゴリズムの計算コストを緩和するために重要である。 本稿では,無線通信システムにおけるディープラーニングを用いた自動変調分類のためのサブサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2020-05-10T06:11:13Z)
• Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
  機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。 このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。 提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-02-14T06:58:27Z)
• DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO Detection [98.43451011898212]
  複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。 本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。 DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
  論文  参考訳（メタデータ） (2020-02-08T18:31:00Z)

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。