論文の概要: Deep learning-based classification of fine hand movements from low frequency EEG

• arxiv url: http://arxiv.org/abs/2011.06791v2
• Date: Thu, 26 Nov 2020 08:45:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-25 23:52:35.116332
• Title: Deep learning-based classification of fine hand movements from low frequency EEG
• Title（参考訳）: 低周波脳波による手の動きの深層学習に基づく分類
• Authors: Giulia Bressan, Selina C. Wriessnegger, Giulia Cisotto
• Abstract要約: 脳波信号から異なる手の動きの分類は、関連する研究課題である。 我々は新たに提案された畳み込みニューラルネットワーク(CNN)を訓練し、テストした。 CNNは両方のデータセットで優れたパフォーマンスを達成し、ベースラインモデルと似ているか優れている。
• 参考スコア（独自算出の注目度）: 5.414308305392762
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The classification of different fine hand movements from EEG signals represents a relevant research challenge, e.g., in brain-computer interface applications for motor rehabilitation. Here, we analyzed two different datasets where fine hand movements (touch, grasp, palmar and lateral grasp) were performed in a self-paced modality. We trained and tested a newly proposed convolutional neural network (CNN), and we compared its classification performance into respect to two well-established machine learning models, namely, a shrinked-LDA and a Random Forest. Compared to previous literature, we took advantage of the knowledge of the neuroscience field, and we trained our CNN model on the so-called Movement Related Cortical Potentials (MRCPs)s. They are EEG amplitude modulations at low frequencies, i.e., (0.3, 3) Hz, that have been proved to encode several properties of the movements, e.g., type of grasp, force level and speed. We showed that CNN achieved good performance in both datasets and they were similar or superior to the baseline models. Also, compared to the baseline, our CNN requires a lighter and faster pre-processing procedure, paving the way for its possible use in an online modality, e.g., for many brain-computer interface applications.
• Abstract（参考訳）: 脳波信号から異なる手の動きの分類は、脳-コンピュータインタフェースの運動再生への応用など、関連する研究課題を表している。 そこで我々は,手の動き(触覚,握力,手のひら,横方向のつかみ)を自覚的モーダルで行う2つの異なるデータセットを解析した。 提案する畳み込みニューラルネットワーク(convolutional neural network, cnn)のトレーニングとテストを行い,その分類性能を,確立された2つの機械学習モデル,すなわち縮小ldaとランダムフォレストと比較した。 従来の文献と比較して神経科学分野の知識を生かし,いわゆる運動関連皮質電位(MRCP)に基づいてCNNモデルを訓練した。 低周波数での脳波振幅変調、すなわち (0.3, 3) Hz は、運動のいくつかの特性、例えば、つかみの種類、力レベル、速度を符号化することが証明されている。 我々はCNNが両方のデータセットで優れた性能を示し、ベースラインモデルと似ているか優れていることを示した。 また、ベースラインと比較して、我々のCNNはより軽量でより高速な前処理手順を必要としており、例えば多くの脳-コンピュータインタフェースアプリケーションにおいて、オンラインモダリティで使用するための道を開いた。

関連論文リスト

• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• A Convolutional Network Adaptation for Cortical Classification During Mobile Brain Imaging [0.0]
  脳波(EEG)信号から認知事象を分類するためにEEGNetを使用し、被験者はトレッドミル上を同時に歩いた。 基礎となるEEGNetは、以前報告されたP300結果と同等のパフォーマンスで、偶然よりもはるかに高いレベルに達することがわかりました。 これまでに報告されたP300タスクの技量レベルと同様,95%以上の分類精度を達成した。
  論文  参考訳（メタデータ） (2023-10-11T23:29:56Z)
• Contrastive-Signal-Dependent Plasticity: Forward-Forward Learning of Spiking Neural Systems [73.18020682258606]
  我々は、ニューロンの個々の層が並列に機能する、スパイキングニューロンユニットからなる神経模倣アーキテクチャを開発する。 コントラスト信号依存塑性(CSDP)と呼ばれるイベントベース前方学習の一般化を提案する。 いくつかのパターンデータセットに対する実験結果から,CSDPプロセスは分類と再構成の両方が可能な動的再帰スパイクネットワークのトレーニングに有効であることが示された。
  論文  参考訳（メタデータ） (2023-03-30T02:40:28Z)
• ETLP: Event-based Three-factor Local Plasticity for online learning with neuromorphic hardware [105.54048699217668]
  イベントベース3要素局所塑性(ETLP)の計算複雑性に明らかな優位性を有する精度の競争性能を示す。 また, 局所的可塑性を用いた場合, スパイキングニューロンの閾値適応, 繰り返しトポロジーは, 時間的構造が豊富な時間的パターンを学習するために必要であることを示した。
  論文  参考訳（メタデータ） (2023-01-19T19:45:42Z)
• Mental arithmetic task classification with convolutional neural network based on spectral-temporal features from EEG [0.47248250311484113]
  ディープニューラルネットワーク(DNN)は、コンピュータビジョンアプリケーションにおいて大きな優位性を示している。 ここでは、主に2つの畳み込みニューラルネットワーク層を使用し、比較的少ないパラメータと高速で脳波からスペクトル時間的特徴を学習する浅層ニューラルネットワークを提案する。 実験の結果、浅いCNNモデルは他の全てのモデルより優れており、最高分類精度は90.68%に達した。
  論文  参考訳（メタデータ） (2022-09-26T02:15:22Z)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• Novel EEG based Schizophrenia Detection with IoMT Framework for Smart Healthcare [0.0]
  統合失調症(Sz)は、世界中の人々の思考、行動、感情に深刻な影響を及ぼす脳障害である。 EEGは非線形時系列信号であり、その非線形構造のために調査に利用することがかなり重要である。 本稿では,深層学習を用いた脳波を用いたSz検出の性能向上を目的とする。
  論文  参考訳（メタデータ） (2021-11-19T18:21:20Z)
• BRAIN2DEPTH: Lightweight CNN Model for Classification of Cognitive States from EEG Recordings [0.0]
  本稿では,脳波記録から認知状態を分類するための簡易軽量CNNモデルを提案する。 そこで我々は,2段階からなる認知表現を学習するための新しいパイプラインを開発した。 他のモデルのパラメータの4%未満を活用して、同等のパフォーマンスを実現しました。
  論文  参考訳（メタデータ） (2021-06-12T05:06:20Z)
• CNN-based Approaches For Cross-Subject Classification in Motor Imagery: From The State-of-The-Art to DynamicNet [0.2936007114555107]
  運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)システムは、コミュニケーションと制御の代替手段を提供するためにますます採用されています。 信頼できるBCIシステムを得るには、脳信号からMIを正確に分類することが不可欠です。 ディープラーニングアプローチは、標準的な機械学習技術の有効な代替手段として現れ始めている。
  論文  参考訳（メタデータ） (2021-05-17T14:57:13Z)
• Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks [81.74442855155843]
  CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。 対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
  論文  参考訳（メタデータ） (2021-01-18T13:28:08Z)
• Neural Additive Models: Interpretable Machine Learning with Neural Nets [77.66871378302774]
  ディープニューラルネットワーク(DNN)は、さまざまなタスクにおいて優れたパフォーマンスを達成した強力なブラックボックス予測器である。 本稿では、DNNの表現性と一般化した加法モデルの固有知性を組み合わせたニューラル付加モデル(NAM)を提案する。 NAMは、ニューラルネットワークの線形結合を学び、それぞれが単一の入力機能に付随する。
  論文  参考訳（メタデータ） (2020-04-29T01:28:32Z)

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。