論文の概要: Revisiting the Application of Feature Selection Methods to Speech Imagery BCI Datasets

• arxiv url: http://arxiv.org/abs/2008.07660v1
• Date: Mon, 17 Aug 2020 22:48:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-10-28 04:27:17.300699
• Title: Revisiting the Application of Feature Selection Methods to Speech Imagery BCI Datasets
• Title（参考訳）: 特徴選択法の音声画像BCIデータセットへの適用再検討
• Authors: Javad Rahimipour Anaraki, Jae Moon, Tom Chau
• Abstract要約: 音声画像データセットに対して,機能選択/ランク付け手法がいかにシンプルで強力かを示す。 我々の第一の目的は、サポートベクターマシン、$k$-nearest近辺、決定木、線形判別分析、長期記憶リカレントニューラルネットワーク分類器から得られる分類精度を改善することである。
• 参考スコア（独自算出の注目度）: 1.7403133838762446
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brain-computer interface (BCI) aims to establish and improve human and computer interactions. There has been an increasing interest in designing new hardware devices to facilitate the collection of brain signals through various technologies, such as wet and dry electroencephalogram (EEG) and functional near-infrared spectroscopy (fNIRS) devices. The promising results of machine learning methods have attracted researchers to apply these methods to their data. However, some methods can be overlooked simply due to their inferior performance against a particular dataset. This paper shows how relatively simple yet powerful feature selection/ranking methods can be applied to speech imagery datasets and generate significant results. To do so, we introduce two approaches, horizontal and vertical settings, to use any feature selection and ranking methods to speech imagery BCI datasets. Our primary goal is to improve the resulting classification accuracies from support vector machines, $k$-nearest neighbour, decision tree, linear discriminant analysis and long short-term memory recurrent neural network classifiers. Our experimental results show that using a small subset of channels, we can retain and, in most cases, improve the resulting classification accuracies regardless of the classifier.
• Abstract（参考訳）: 脳コンピュータインタフェース(BCI)は、人間とコンピュータの相互作用を確立し改善することを目的としている。 湿式脳波(EEG)や機能的近赤外分光(fNIRS)デバイスなど、様々な技術を通じて脳信号の収集を容易にする新しいハードウェアデバイスの設計への関心が高まっている。 機械学習手法の有望な結果が研究者を惹きつけ、これらの手法をデータに適用した。 しかし、一部のメソッドは、特定のデータセットに対する性能が劣っているため、単に見過ごせる。 本稿では,音声画像データセットに対して,比較的単純かつ強力な特徴選択/ランク付け手法が適用可能であることを示す。 そこで本稿では,水平と垂直の2つの手法を導入し,特徴選択とランキング手法を用いてBCIデータセットの音声化を行う。 我々の第一の目的は、サポートベクターマシン、$k$-nearest近辺、決定木、線形判別分析、長期記憶リカレントニューラルネットワーク分類器から得られる分類精度を改善することである。 実験の結果,チャネルの小さなサブセットを使用すれば,ほとんどの場合,分類器によらず,その結果の分類精度を向上できることがわかった。

関連論文リスト

• SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
  単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。 赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
  論文  参考訳（メタデータ） (2024-03-08T16:14:54Z)
• Understanding learning from EEG data: Combining machine learning and feature engineering based on hidden Markov models and mixed models [0.0]
  前頭蓋振動は空間ナビゲーションや記憶において重要な役割を担っていると考えられている。 EEGデータセットは非常に複雑で、神経信号の変化を解釈しにくくする。 本稿では,脳波データから特徴を抽出するために隠れマルコフと線形混合効果モデルを提案する。
  論文  参考訳（メタデータ） (2023-11-14T12:24:12Z)
• A Performance-Driven Benchmark for Feature Selection in Tabular Deep Learning [131.2910403490434]
  データサイエンティストは通常、データセットにできるだけ多くの機能を集め、既存の機能から新しい機能を設計する。 既存のタブ形式の特徴選択のためのベンチマークでは、古典的な下流モデル、おもちゃの合成データセット、あるいは下流のパフォーマンスに基づいて特徴セレクタを評価していない。 変換器を含む下流ニューラルネットワーク上で評価された課題のある特徴選択ベンチマークを構築した。 また,従来の特徴選択法よりも高い性能を有するニューラルネットワークのための,Lassoのインプット・グラディエント・ベース・アナログも提案する。
  論文  参考訳（メタデータ） (2023-11-10T05:26:10Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Inducing Gaussian Process Networks [80.40892394020797]
  本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。 特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。 実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
  論文  参考訳（メタデータ） (2022-04-21T05:27:09Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• 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)
• Motor-Imagery-Based Brain Computer Interface using Signal Derivation and Aggregation Functions [23.995027642929756]
  既存のMIベースのBCIフレームワークを改善するために,拡張融合フレームワークと呼ばれるBCIフレームワークを提案する。 まず、信号の追加の前処理ステップ、すなわち時間不変にする脳波信号の分化が含まれます。 次に、システムの特徴として追加の周波数帯域を追加し、システムのパフォーマンスにその効果を示します。 この新しいシステムは、運動画像ベースの脳-コンピュータインタフェース実験を行う20人のボランティアのデータセット上でテストしました。
  論文  参考訳（メタデータ） (2021-01-18T10:14:01Z)
• A Deep Learning Based Ternary Task Classification System Using Gramian Angular Summation Field in fNIRS Neuroimaging Data [0.15229257192293197]
  機能近赤外分光法(FNIRS)は、血流パターンを研究するために用いられる非侵襲的、経済的手法である。 提案手法は,生のfNIRS時系列データをGramian Angular Summation Fieldを用いた画像に変換する。 深層畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)ベースのアーキテクチャは、メンタル算術、運動画像、アイドル状態などのタスク分類に使用される。
  論文  参考訳（メタデータ） (2021-01-14T22:09:35Z)
• Transfer Learning for Motor Imagery Based Brain-Computer Interfaces: A Complete Pipeline [54.73337667795997]
  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。
  論文  参考訳（メタデータ） (2020-07-03T23:44:21Z)
• Few-Shot Relation Learning with Attention for EEG-based Motor Imagery Classification [11.873435088539459]
  脳波(EEG)信号に基づく脳-コンピュータインタフェース(BCI)が注目されている。 運動画像(MI)データは、リハビリテーションや自律運転のシナリオに使用することができる。 脳波に基づくBCIシステムにはMI信号の分類が不可欠である。
  論文  参考訳（メタデータ） (2020-03-03T02:34:44Z)

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。