論文の概要: Learning Patterns in Imaginary Vowels for an Intelligent Brain Computer
Interface (BCI) Design
- arxiv url: http://arxiv.org/abs/2010.12066v2
- Date: Fri, 18 Feb 2022 18:50:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 12:34:09.190518
- Title: Learning Patterns in Imaginary Vowels for an Intelligent Brain Computer
Interface (BCI) Design
- Title(参考訳): 知的脳コンピュータインタフェース(bci)設計のための虚母音の学習パターン
- Authors: Parisa Ghane and Gahangir Hossain
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Technology advancements made it easy to measure non-invasive and high-quality
electroencephalograph (EEG) signals from human's brain. Hence, development of
robust and high-performance AI algorithms becomes crucial to properly process
the EEG signals and recognize the patterns, which lead to an appropriate
control signal. Despite the advancements in processing the motor imagery EEG
signals, the healthcare applications, such as emotion detection, are still in
the early stages of AI design. In this paper, we propose a modular framework
for the recognition of vowels as the AI part of a brain computer interface
system. We carefully designed the modules to discriminate the English vowels
given the raw EEG signals, and meanwhile avoid the typical issued with the
data-poor environments like most of the healthcare applications. The proposed
framework consists of appropriate signal segmentation, filtering, extraction of
spectral features, reducing the dimensions by means of principle component
analysis, and finally a multi-class classification by decision-tree-based
support vector machine (DT-SVM). The performance of our framework was evaluated
by a combination of test-set and resubstitution (also known as apparent) error
rates. We provide the algorithms of the proposed framework to make it easy for
future researchers and developers who want to follow the same workflow.
- Abstract(参考訳): 技術進歩により、脳からの非侵襲的かつ高品質な脳波(eeg)信号の測定が容易になった。
したがって、ロバストで高性能なAIアルゴリズムの開発は、脳波信号を適切に処理し、パターンを認識することが重要となり、適切な制御信号が導かれる。
運動画像脳波信号の処理の進歩にもかかわらず、感情検出などの医療応用はまだAI設計の初期段階にある。
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。
我々は、生の脳波信号が与えられた英語の母音を識別するモジュールを慎重に設計し、一方、ほとんどの医療アプリケーションのようなデータ貧弱な環境で発行される典型は避けた。
提案手法は, 適切な信号分割, フィルタリング, スペクトル特徴の抽出, 主成分分析による寸法の削減, そして決定木ベースサポートベクターマシン(dt-svm)による多種分類からなる。
フレームワークの性能は、テストセットと再置換(明らかな)エラー率の組み合わせによって評価されました。
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。
関連論文リスト
- Towards Linguistic Neural Representation Learning and Sentence Retrieval from Electroencephalogram Recordings [27.418738450536047]
脳波信号を文に変換するための2ステップパイプラインを提案する。
まず,自然読解中に記録された脳波データから単語レベルの意味情報を学習できることを確認する。
脳波エンコーダからの予測に基づいて文章を検索するために,学習不要な検索手法を用いる。
論文 参考訳(メタデータ) (2024-08-08T03:40:25Z) - EEG decoding with conditional identification information [7.873458431535408]
脳波信号を復号することは、人間の脳を解き放ち、脳とコンピュータのインターフェースを進化させるのに不可欠である。
従来の機械学習アルゴリズムは、高ノイズレベルと脳波信号の個人間変動によって妨げられている。
ディープニューラルネットワーク(DNN)の最近の進歩は、その高度な非線形モデリング能力のために、将来性を示している。
論文 参考訳(メタデータ) (2024-03-21T13:38:59Z) - Enhancing EEG-to-Text Decoding through Transferable Representations from Pre-trained Contrastive EEG-Text Masked Autoencoder [69.7813498468116]
コントラスト型脳波テキストマスケード自動エンコーダ(CET-MAE)を提案する。
また、E2T-PTR(Pretrained Transferable Representationsを用いたEEG-to-Text decoding)と呼ばれるフレームワークを開発し、EEGシーケンスからテキストをデコードする。
論文 参考訳(メタデータ) (2024-02-27T11:45:21Z) - CSLP-AE: A Contrastive Split-Latent Permutation Autoencoder Framework
for Zero-Shot Electroencephalography Signal Conversion [49.1574468325115]
脳波分析の鍵となる目的は、基礎となる神経活動(コンテンツ)を抽出し、個体の変動(スタイル)を考慮することである。
近年の音声変換技術の発展に触発されて,脳波変換を直接最適化するCSLP-AEフレームワークを提案する。
論文 参考訳(メタデータ) (2023-11-13T22:46:43Z) - 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) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳(メタデータ) (2020-12-25T07:08:50Z) - Improving EEG Decoding via Clustering-based Multi-task Feature Learning [27.318646122939537]
機械学習は、EEGパターンをより良い復号精度に最適化する有望な技術を提供します。
既存のアルゴリズムは、真のEEGサンプル分布を捕捉する基礎となるデータ構造を効果的に探索しない。
クラスタリングに基づく脳波パターン復号のためのマルチタスク機能学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-12-12T13:31:53Z) - Electroencephalography signal processing based on textural features for
monitoring the driver's state by a Brain-Computer Interface [3.613072342189595]
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。
論文 参考訳(メタデータ) (2020-10-13T14:16:00Z) - 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) - 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。