論文の概要: Transfer Learning and SpecAugment applied to SSVEP Based BCI Classification

• arxiv url: http://arxiv.org/abs/2010.06503v2
• Date: Thu, 18 Mar 2021 06:58:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 11:50:57.529687
• Title: Transfer Learning and SpecAugment applied to SSVEP Based BCI Classification
• Title（参考訳）: SSVEPに基づくBCI分類への応用
• Authors: Pedro R. A. S. Bassi, Willian Rampazzo and Romis Attux
• Abstract要約: 我々は、ディープ畳み込みニューラルネットワーク(DCNN)を使用して、単一チャネル脳-コンピュータインタフェース(BCI)で脳波信号を分類する。 脳波信号はスペクトログラムに変換され、転送学習技術を用いてDCNNを訓練するための入力として機能した。
• 参考スコア（独自算出の注目度）: 1.9336815376402716
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Objective: We used deep convolutional neural networks (DCNNs) to classify electroencephalography (EEG) signals in a steady-state visually evoked potentials (SSVEP) based single-channel brain-computer interface (BCI), which does not require calibration on the user. Methods: EEG signals were converted to spectrograms and served as input to train DCNNs using the transfer learning technique. We also modified and applied a data augmentation method, SpecAugment, generally employed for speech recognition. Furthermore, for comparison purposes, we classified the SSVEP dataset using Support-vector machines (SVMs) and Filter Bank canonical correlation analysis (FBCCA). Results: Excluding the evaluated user's data from the fine-tuning process, we reached 82.2% mean test accuracy and 0.825 mean F1-Score on 35 subjects from an open dataset, using a small data length (0.5 s), only one electrode (Oz) and the DCNN with transfer learning, window slicing (WS) and SpecAugment's time masks. Conclusion: The DCNN results surpassed SVM and FBCCA performances, using a single electrode and a small data length. Transfer learning provided minimal accuracy change, but made training faster. SpecAugment created a small performance improvement and was successfully combined with WS, yielding higher accuracies. Significance: We present a new methodology to solve the problem of SSVEP classification using DCNNs. We also modified a speech recognition data augmentation technique and applied it to the context of BCIs. The presented methodology surpassed performances obtained with FBCCA and SVMs (more traditional SSVEP classification methods) in BCIs with small data lengths and one electrode. This type of BCI can be used to develop small and fast systems.
• Abstract（参考訳）: 目的:我々はディープ畳み込みニューラルネットワーク(DCNN)を用いて脳波信号の定常的視覚誘発電位(SSVEP)に基づく単一チャネル脳-コンピュータインタフェース(BCI)の分類を行った。 方法:脳波信号はスペクトログラムに変換され、トランスファー学習技術を用いてdcnnの訓練のインプットとして機能する。 また,一般に音声認識に使用されるデータ拡張手法SpecAugmentを改良し,適用した。 さらに,ssvepデータセットをsvm(support-vector machine)とfbcca(filter bank canonical correlation analysis)を用いて分類した。 結果: 微調整工程から評価したユーザのデータを除くと, オープンデータセットから35項目中82.2%の平均テスト精度, 0.825平均f1-scoreとなり, 小さいデータ長 (0.5 s), 1つの電極 (oz) とdcnnに転送学習, ウィンドウスライシング (ws) とスペクタグメントのタイムマスクを装着した。 結論:DCNNの結果はSVMとFBCCAを上回り,単電極とデータ長が小さかった。 転送学習は、最小限の精度の変更を提供するが、トレーニングを高速化した。 SpecAugmentは小さなパフォーマンス改善を生み出し、WSと組み合わせることに成功した。 意義:DCNNを用いたSSVEP分類の課題を解決するための新しい手法を提案する。 また,音声認識データ拡張手法を改良し,BCIの文脈に適用した。 FBCCAおよびSVM(より伝統的なSSVEP分類法)を用いて,データ長が小さく,電極が1個あるBCIにおいて,提案手法が得られた。 このタイプのBCIは、小型で高速なシステムを開発するために使用できる。

関連論文リスト

• CNN-Transformer Rectified Collaborative Learning for Medical Image Segmentation [60.08541107831459]
  本稿では,医用画像セグメンテーションのための強力なCNNベースモデルとトランスフォーマーベースモデルを学習するための,CNN-Transformer修正協調学習フレームワークを提案する。 具体的には,学生ソフトラベルの誤り領域を適応的に選択・修正する基礎的真理を取り入れた修正ロジット・ワイド・コラボレーティブ・ラーニング(RLCL)戦略を提案する。 また,機能空間におけるCNNベースモデルとTransformerベースモデル間の効果的な知識伝達を実現するために,クラス認識型特徴量協調学習(CFCL)戦略を提案する。
  論文  参考訳（メタデータ） (2024-08-25T01:27:35Z)
• Evaluating Fast Adaptability of Neural Networks for Brain-Computer Interface [0.23020018305241333]
  我々は,CNN(Convolutional Neural Networks)に基づく分類器の入力として,運動運動と想像信号を用いる。 実験により,CNNを用いたEEG分類器の適応性は10段階未満で向上することが示された。
  論文  参考訳（メタデータ） (2024-04-14T22:36:53Z)
• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Deep comparisons of Neural Networks from the EEGNet family [0.0]
  我々は、BCIコンペティション42aデータセットの隣の多くの主題を持つオープンアクセスデータベースを用いて、よく知られた5つのニューラルネットワーク(Shallow ConvNet、Deep ConvNet、EEGNet、EEGNet、EEGNet Fusion、MI-EEGNet)を比較した。 当社のメトリクスによると、研究者はShallow ConvNetやDeep ConvNetを避けてはならない。
  論文  参考訳（メタデータ） (2023-02-17T10:39:09Z)
• Transfer Learning of an Ensemble of DNNs for SSVEP BCI Spellers without User-Specific Training [3.6144103736375857]
  現在の高性能SSVEP BCIスペルは、システム適応のために、新しいユーザごとに、初期的かつタイリングされたユーザ固有のトレーニングを必要とする。 実用性を確保するため,深層ニューラルネットワーク(DNN)のアンサンブルに基づく,高度に新しいターゲット同定手法を提案する。 我々は、すでに存在する文献データセットを利用して、以前に行われた脳波実験の参加者から、まずグローバルターゲット識別子DNNを訓練する。 我々は、この微調整されたDNNのアンサンブルを新しいユーザインスタンスに転送し、参加者の統計的類似性に応じて最も代表的なDNNkを判定し、重み付けされた組み合わせによってターゲットキャラクタを予測する。
  論文  参考訳（メタデータ） (2022-09-03T23:24:47Z)
• Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
  長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。 本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
  論文  参考訳（メタデータ） (2022-08-28T17:50:19Z)
• FBCNN: A Deep Neural Network Architecture for Portable and Fast Brain-Computer Interfaces [3.198144010381572]
  FBCNN-2DとFBCNN-3Dの2つのモデルを提案する。 FBCNNはシミュレーションBCIにおいて従来のSSVEP分類法を上回りました。
  論文  参考訳（メタデータ） (2021-09-05T20:34:15Z)
• Classification of Motor Imagery EEG Signals by Using a Divergence Based Convolutional Neural Network [0.0]
  増強過程はEEG信号の分類性能を高めるために適用されないことが観察される。 本研究では、MI EEG信号の分類性能に及ぼす増強過程の影響について検討した。
  論文  参考訳（メタデータ） (2021-03-19T18:27:28Z)
• 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)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。