論文の概要: Electroencephalography signal processing based on textural features for monitoring the driver's state by a Brain-Computer Interface

• arxiv url: http://arxiv.org/abs/2010.06412v2
• Date: Sat, 17 Oct 2020 14:46:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-08 00:04:27.389576
• Title: Electroencephalography signal processing based on textural features for monitoring the driver's state by a Brain-Computer Interface
• Title（参考訳）: 脳-コンピューターインタフェースによる運転状態監視のためのテクスチャ特徴に基づく脳波信号処理
• Authors: Giulia Orr\`u, Marco Micheletto, Fabio Terranova, Gian Luca Marcialis
• Abstract要約: 仮想脳-コンピュータインタフェース(BCI)システムにおいて,運転者の警戒度を推定する指標としてテキスト処理手法を検討する。 提案手法の新規性は、前処理された脳波データからの特徴抽出に1次元局所バイナリパターン (1D-LBP) アルゴリズムを用いることに依存する。 分析の結果,1D-LBPの採用により性能が大幅に向上したことが明らかとなった。
• 参考スコア（独自算出の注目度）: 3.613072342189595
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this study we investigate a textural processing method of electroencephalography (EEG) signal as an indicator to estimate the driver's vigilance in a hypothetical Brain-Computer Interface (BCI) system. The novelty of the solution proposed relies on employing the one-dimensional Local Binary Pattern (1D-LBP) algorithm for feature extraction from pre-processed EEG data. From the resulting feature vector, the classification is done according to three vigilance classes: awake, tired and drowsy. The claim is that the class transitions can be detected by describing the variations of the micro-patterns' occurrences along the EEG signal. The 1D-LBP is able to describe them by detecting mutual variations of the signal temporarily "close" as a short bit-code. Our analysis allows to conclude that the 1D-LBP adoption has led to significant performance improvement. Moreover, capturing the class transitions from the EEG signal is effective, although the overall performance is not yet good enough to develop a BCI for assessing the driver's vigilance in real environments.
• Abstract（参考訳）: 本研究では,脳波信号のテキスト処理手法について,脳-コンピュータインタフェース(BCI)システムにおける運転者の警戒度を推定する指標として検討した。 提案する解の新規性は,前処理された脳波データから特徴抽出に1次元局所二分パターン(1d-lbp)アルゴリズムを用いる。 得られた特徴ベクトルから、その分類は覚醒、疲れ、眠気の3つの警戒クラスに従って行われる。 その主張は、脳波信号に沿ったマイクロパターンの変動を記述することでクラス遷移を検出できるということである。 1d-lbpは、一時的に「閉じ」信号の相互変動を短いビットコードとして検出することでそれらを記述することができる。 分析の結果,1D-LBPの採用により性能が大幅に向上したことが明らかとなった。 さらに、脳波信号からクラス遷移を捉えることは効果的であるが、運転者の実際の環境における警戒を評価するためのBCIを開発するのに、全体的な性能はまだ不十分である。

関連論文リスト

• Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
  本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。 プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-11T15:46:00Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
  本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。 推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
  論文  参考訳（メタデータ） (2022-07-03T06:57:07Z)
• Grasp-and-Lift Detection from EEG Signal Using Convolutional Neural Network [1.869097450593631]
  本稿では,32チャネル脳波信号から手動動作ビズGALを検出する手法を自動化した。 提案したパイプラインは、基本的には前処理とエンドツーエンド検出ステップを組み合わせたもので、手作りの機能エンジニアリングの必要性を排除している。
  論文  参考訳（メタデータ） (2022-02-12T19:27:06Z)
• Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
  ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。 生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
  論文  参考訳（メタデータ） (2021-04-22T12:47:37Z)
• EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
  本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。 提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
  論文  参考訳（メタデータ） (2021-01-24T19:03:10Z)
• Automatic detection of abnormal EEG signals using wavelet feature extraction and gradient boosting decision tree [2.924868086534434]
  多チャンネル脳波記録における脳信号の自動二分分類フレームワークを提案する。 本稿では,抽出した特徴量の品質を損なうことなく,特徴空間の次元を小さくする手法を提案する。 CatBoostは87.68%のバイナリ分類精度を達成し、同じデータセットの最先端の技術を上回る。
  論文  参考訳（メタデータ） (2020-12-18T03:36:52Z)
• Learning Patterns in Imaginary Vowels for an Intelligent Brain Computer Interface (BCI) Design [0.0]
  本稿では,脳コンピュータインタフェースシステムにおいて,母音をAI部分として認識するためのモジュラーフレームワークを提案する。 生の脳波信号から英語の母音を識別するモジュールを慎重に設計した。 提案するフレームワークのアルゴリズムは、将来の研究者や、同じワークフローに従いたい開発者にとって容易なものです。
  論文  参考訳（メタデータ） (2020-10-17T06:10:10Z)
• 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)
• Mu-suppression detection in motor imagery electroencephalographic signals using the generalized extreme value distribution [0.2062593640149623]
  本稿では脳-コンピュータインタフェース(BCI)における脳波信号からのミュー抑制の検出について述べる。 統計モデルと線形分類器に基づいて効率的なアルゴリズムを提案する。 予備的な結果から, 提案した統計モデルを用いて, ミュープレッションを正確に検出し, 異なる脳波事象を識別できることが示唆された。
  論文  参考訳（メタデータ） (2020-05-22T15:51:25Z)
• Motor Imagery Classification of Single-Arm Tasks Using Convolutional Neural Network based on Feature Refining [5.620334754517149]
  運動画像(MI)は、信号の発端から運動機能の回復や回復に一般的に用いられる。 本研究では,BFR-CNN(Band-power Feature Refining Convolutional Neural Network)を提案する。
  論文  参考訳（メタデータ） (2020-02-04T04:36:09Z)

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。