論文の概要: Spatio-Temporal EEG Representation Learning on Riemannian Manifold and Euclidean Space

• arxiv url: http://arxiv.org/abs/2008.08633v2
• Date: Sun, 20 Feb 2022 11:42:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 08:58:32.517731
• Title: Spatio-Temporal EEG Representation Learning on Riemannian Manifold and Euclidean Space
• Title（参考訳）: リーマン多様体とユークリッド空間上の時空間eeg表現学習
• Authors: Guangyi Zhang and Ali Etemad
• Abstract要約: 脳波(EEG)を学習するための新しいディープニューラルネットワークアーキテクチャを提案する。 空間情報は接空間学習を通してユークリッド空間に投影する。 空間的情報と時間的情報を組み合わせるためには,効果的な融合戦略を用いる。
• 参考スコア（独自算出の注目度）: 23.40229188549055
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a novel deep neural architecture for learning Electroencephalogram (EEG). To learn the spatial information, our model first obtains the Riemannian mean and distance from Spatial Covariance Matrices (SCMs) on the Riemannian manifold. We then project the spatial information onto the Euclidean space via tangent space learning. Following, two fully connected layers are used to learn the spatial information embeddings. Moreover, our proposed method learns the temporal information via differential entropy and logarithm power spectrum density features extracted from EEG signals in Euclidean space using a deep long short-term memory network with a soft attention mechanism. To combine the spatial and temporal information, we use an effective fusion strategy, which learns attention weights applied to embedding-specific features for decision making. We evaluate our proposed framework on four public datasets across three popular EEG-related tasks, notably emotion recognition, vigilance estimation, and motor imagery classification, containing various types of tasks such as binary classification, multi-class classification, and regression. Our proposed architecture approaches the state-of-the-art on one dataset (SEED) and outperforms other methods on the other three datasets (SEED-VIG, BCI-IV 2A, and BCI-IV 2B), setting new state-of-the-art values and showing the robustness of our framework in EEG representation learning. The source code of our paper is publicly available at https://github.com/guangyizhangbci/EEG_Riemannian.
• Abstract（参考訳）: 脳波(EEG)を学習するための新しいディープラーニングアーキテクチャを提案する。 空間情報を学習するために、我々のモデルはまずリーマン多様体上の空間共分散行列(SCM)からリーマン平均と距離を求める。 次に空間情報を接空間学習によってユークリッド空間に投影する。 次に、2つの完全連結層を用いて空間情報埋め込みを学ぶ。 さらに,本手法では,ソフトアテンション機構を持つ深部長短期記憶ネットワークを用いて,ユークリッド空間の脳波信号から抽出した微分エントロピーと対数パワースペクトル密度特徴から時間情報を学習する。 時間的情報と時間的情報を組み合わせるために,組込み特有の特徴に適用される注意重みを学習し,意思決定を行う効果的な融合戦略を用いる。 提案手法は,感情認識,警戒度推定,運動画像分類,二分分類,多類分類,回帰といった様々なタスクを含む3つの脳波関連タスクにまたがる4つの公開データセットについて評価した。 提案したアーキテクチャは,1つのデータセット(SEED)上で最先端の手法にアプローチし,他の3つのデータセット(SEED-VIG,BCI-IV 2A,BCI-IV 2B)で他の手法よりも優れ,新しい最先端値を設定し,EEG表現学習におけるフレームワークの堅牢性を示す。 我々の論文のソースコードはhttps://github.com/guangyizhangbci/EEG_Riemannian.comで公開されている。

関連論文リスト

• Geometry-Aware Generative Autoencoders for Warped Riemannian Metric Learning and Generative Modeling on Data Manifolds [18.156807299614503]
  本稿では,多様体学習と生成モデルを組み合わせた新しいフレームワークであるGeometry-Aware Generative Autoencoder (GAGA)を紹介する。 GAGAは、シミュレーションおよび実世界のデータセットにおける競合性能を示し、単一セルの集団レベルの軌道推定における最先端の手法よりも30%改善されている。
  論文  参考訳（メタデータ） (2024-10-16T17:53:26Z)
• A Dynamic Domain Adaptation Deep Learning Network for EEG-based Motor Imagery Classification [1.7465786776629872]
  動的ドメイン適応型ディープラーニングネットワーク(DADL-Net)を提案する。 まず、脳波データを3次元幾何学空間にマッピングし、その時空間的特徴を3次元畳み込みモジュールを通して学習する。 精度は70.42%と73.91%で、OpenBMIとBCIC IV 2aデータセットで達成された。
  論文  参考訳（メタデータ） (2023-09-21T01:34:00Z)
• Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
  HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。 従来の手法は手作りの機能と機械学習技術に依存している。 HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-08-02T12:04:28Z)
• A Heat Diffusion Perspective on Geodesic Preserving Dimensionality Reduction [66.21060114843202]
  熱測地線埋め込みと呼ばれるより一般的な熱カーネルベースの多様体埋め込み法を提案する。 その結果,本手法は,地中真理多様体距離の保存において,既存の技術よりも優れていることがわかった。 また,連続体とクラスタ構造を併用した単一セルRNAシークエンシングデータセットに本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-30T13:58:50Z)
• Incorporating Texture Information into Dimensionality Reduction for High-Dimensional Images [65.74185962364211]
  距離ベース次元削減手法に周辺情報を組み込む手法を提案する。 画像パッチを比較する異なる手法の分類に基づいて,様々なアプローチを探索する。
  論文  参考訳（メタデータ） (2022-02-18T13:17:43Z)
• MSHCNet: Multi-Stream Hybridized Convolutional Networks with Mixed Statistics in Euclidean/Non-Euclidean Spaces and Its Application to Hyperspectral Image Classification [0.35932002706017546]
  ハイパースペクトル画像(HSI)は、豊富な空間スペクトルコンテキスト情報を含む。 HSI分類のためのDNNを用いたスペクトル情報と空間情報を効果的に組み合わせることが、新しい研究ホットスポットとなっている。 本稿では,HSIをセグメント化するための多視点補完情報を学習・融合するための,新しいマルチストリームハイブリッド畳み込みネットワーク(MSHCNet)を提案する。
  論文  参考訳（メタデータ） (2021-10-07T11:35:40Z)
• Spatio-Temporal Representation Factorization for Video-based Person Re-Identification [55.01276167336187]
  本稿では、re-IDのための時空間表現分解モジュール(STRF)を提案する。 STRFはフレキシブルな新しい計算ユニットであり、re-IDのための既存のほとんどの3D畳み込みニューラルネットワークアーキテクチャと併用することができる。 実験により、STRFは様々なベースラインアーキテクチャの性能を向上し、新しい最先端の成果を示す。
  論文  参考訳（メタデータ） (2021-07-25T19:29:37Z)
• Spatial-Temporal Correlation and Topology Learning for Person Re-Identification in Videos [78.45050529204701]
  クロススケール空間時空間相関をモデル化し, 識別的, 堅牢な表現を追求する新しい枠組みを提案する。 CTLはCNNバックボーンとキーポイント推定器を使用して人体から意味的局所的特徴を抽出する。 グローバルな文脈情報と人体の物理的接続の両方を考慮して、多スケールグラフを構築するためのコンテキスト強化トポロジーを探求する。
  論文  参考訳（メタデータ） (2021-04-15T14:32:12Z)
• SFE-Net: EEG-based Emotion Recognition with Symmetrical Spatial Feature Extraction [1.8047694351309205]
  脳波の特徴抽出と感情認識のための空間的折り畳みアンサンブルネットワーク(SFENet)を提案する。 ヒト脳の空間対称性のメカニズムによって、入力された脳波チャンネルデータを5つの異なる対称戦略で折り畳む。 このネットワークにより、異なる対称折り畳み記号の空間的特徴を同時に抽出することができ、特徴認識の堅牢性と精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-04-09T12:59:38Z)
• Decoupled Spatial-Temporal Attention Network for Skeleton-Based Action Recognition [46.836815779215456]
  本稿では,骨格に基づく行動認識のための空間的注意ネットワーク(DSTA-Net)を提案する。 注意ブロックの構築には,空間的時間的注意分離,非結合位置符号化,空間的大域正規化という3つの手法が提案されている。 提案手法の有効性を検証するため,骨格に基づくジェスチャーと行動認識のための4つの挑戦的データセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2020-07-07T07:58:56Z)
• Spatial-Spectral Residual Network for Hyperspectral Image Super-Resolution [82.1739023587565]
  ハイパースペクトル画像超解像のための新しいスペクトル空間残差ネットワーク(SSRNet)を提案する。 提案手法は,2次元畳み込みではなく3次元畳み込みを用いて空間スペクトル情報の探索を効果的に行うことができる。 各ユニットでは空間的・時間的分離可能な3次元畳み込みを用いて空間的・スペクトル的な情報を抽出する。
  論文  参考訳（メタデータ） (2020-01-14T03:34:55Z)

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。