論文の概要: Improving the performance of EEG decoding using anchored-STFT in
conjunction with gradient norm adversarial augmentation
- arxiv url: http://arxiv.org/abs/2011.14694v2
- Date: Fri, 23 Apr 2021 15:30:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-07 03:07:04.710495
- Title: Improving the performance of EEG decoding using anchored-STFT in
conjunction with gradient norm adversarial augmentation
- Title（参考訳）: 勾配標準逆数増大を伴うアンカー付きSTFTを用いた脳波復号法の性能向上
- Authors: Omair Ali, Muhammad Saif-ur-Rehman, Susanne Dyck, Tobias Glasmachers,
Ioannis Iossifidis and Christian Klaes
- Abstract要約: EEG信号は空間分解能が低く、しばしばノイズやアーティファクトで歪められる。
ディープラーニングアルゴリズムは、隠れた意味のあるパターンを学習するのに非常に効率的であることが証明されている。
本研究では,新しい深層学習モデルと組み合わせた入力生成(機能抽出)手法を提案する。
- 参考スコア（独自算出の注目度）: 0.22835610890984162
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Brain-computer interfaces (BCIs) enable direct communication between humans
and machines by translating brain activity into control commands. EEG is one of
the most common sources of neural signals because of its inexpensive and
non-invasive nature. However, interpretation of EEG signals is non-trivial
because EEG signals have a low spatial resolution and are often distorted with
noise and artifacts. Therefore, it is possible that meaningful patterns for
classifying EEG signals are deeply hidden. Nowadays, state-of-the-art
deep-learning algorithms have proven to be quite efficient in learning hidden,
meaningful patterns. However, the performance of the deep learning algorithms
depends upon the quality and the amount of the provided training data. Hence, a
better input formation (feature extraction) technique and a generative model to
produce high-quality data can enable the deep learning algorithms to adapt high
generalization quality. In this study, we proposed a novel input formation
(feature extraction) method in conjunction with a novel deep learning based
generative model to harness new training examples. The feature vectors are
extracted using a modified Short Time Fourier Transform (STFT) called
anchored-STFT. Anchored-STFT, inspired by wavelet transform, tries to minimize
the tradeoff between time and frequency resolution. As a result, it extracts
the inputs (feature vectors) with better time and frequency resolution compared
to the standard STFT. Secondly, we introduced a novel generative adversarial
data augmentation technique called gradient norm adversarial augmentation
(GNAA) for generating more training data. Thirdly, we investigated the
existence and significance of adversarial inputs in EEG data. Our approach
obtained the kappa value of 0.814 for BCI competition II dataset III and 0.755
for BCI competition IV dataset 2b for session-to-session transfer on test data.
- Abstract（参考訳）: 脳コンピュータインタフェース(BCI)は、脳の活動を制御コマンドに変換することによって、人間と機械間の直接通信を可能にする。
eegはその安価で非侵襲的な性質から、最も一般的な神経信号源の1つである。
しかし、脳波信号の解釈は空間分解能が低く、しばしばノイズやアーティファクトで歪んでいるため、簡単ではない。
したがって、脳波信号を分類するための有意義なパターンが深く隠れている可能性がある。
現在最先端のディープラーニングアルゴリズムは、隠された意味のあるパターンを学ぶのに非常に効率的であることが証明されている。
しかし、ディープラーニングアルゴリズムの性能は、提供されたトレーニングデータの品質と量に依存する。
したがって、より良い入力生成(特徴抽出)技術と高品質なデータを生成する生成モデルにより、ディープラーニングアルゴリズムは高い一般化品質を適応させることができる。
本研究では,新しい学習例を活用すべく,新しいディープラーニングに基づく生成モデルとともに,新しい入力生成(特徴抽出)法を提案する。
特徴ベクトルは、アンカー付きSTFTと呼ばれる修正されたショートタイムフーリエ変換(STFT)を用いて抽出される。
ウェーブレット変換にインスパイアされたAnchored-STFTは、時間と周波数分解能のトレードオフを最小化しようとする。
その結果、標準STFTよりも時間と周波数の解像度が良い入力(機能ベクトル)を抽出する。
第2に、より訓練データを生成するために、GNAA(グラディショナル・ノルム・アジュメンテーション)と呼ばれる新しい生成的アジュメンテーション手法を導入した。
第3に,脳波データにおける逆入力の存在と意義について検討した。
BCIコンペティションIIデータセットは0.814、BCIコンペティションIVデータセットは0.755、テストデータではセッション・ツー・セッション転送は0.755である。
関連論文リスト
- Dual-TSST: A Dual-Branch Temporal-Spectral-Spatial Transformer Model for EEG Decoding [2.0721229324537833]
デュアルブランチ時間スペクトル空間変換器(Dual-TSST)を用いた新しいデコードアーキテクチャネットワークを提案する。
提案するDual-TSSTは様々なタスクにおいて優れており,平均精度80.67%の脳波分類性能が期待できる。
本研究は,高性能脳波デコーディングへの新たなアプローチを提供するとともに,将来のCNN-Transformerベースのアプリケーションにも大きな可能性を秘めている。
論文 参考訳（メタデータ） (2024-09-05T05:08:43Z) - EEG-Deformer: A Dense Convolutional Transformer for Brain-computer Interfaces [17.524441950422627]
本稿では,CNN-Transformerに2つの新しいコンポーネントを組み込んだEEG-Deformerを紹介する。
EEG-Deformerは神経生理学的に意味のある脳領域から学習し、対応する認知タスクを学習する。
論文 参考訳（メタデータ） (2024-04-25T18:00:46Z) - A Temporal-Spectral Fusion Transformer with Subject-Specific Adapter for Enhancing RSVP-BCI Decoding [15.000487099591776]
RSVP-based Brain-Computer Interface (BCI) は脳波(EEG)信号を用いた標的探索のための効率的な技術である。
従来の復号法は、新しい被験者からのかなりの量のトレーニングデータに依存している。
そこで本研究では,既存の対象データから学習したモデルの知識を高速に伝達し,新たな対象データからデコードする対象特化アダプタを提案する。
論文 参考訳（メタデータ） (2024-01-12T03:18:51Z) - Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。
この研究は、単一変換による周波数領域学習のための青写真を導入している。
論文 参考訳（メタデータ） (2022-11-26T01:56:05Z) - Decision Forest Based EMG Signal Classification with Low Volume Dataset
Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。
信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文 参考訳（メタデータ） (2022-06-29T23:22:18Z) - Improved Speech Emotion Recognition using Transfer Learning and
Spectrogram Augmentation [56.264157127549446]
音声感情認識(SER)は、人間とコンピュータの相互作用において重要な役割を果たす課題である。
SERの主な課題の1つは、データの不足である。
本稿では,スペクトログラム拡張と併用した移動学習戦略を提案する。
論文 参考訳（メタデータ） (2021-08-05T10:39:39Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - A Novel Anomaly Detection Algorithm for Hybrid Production Systems based
on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。
深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。
このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文 参考訳（メタデータ） (2020-10-29T08:27:43Z) - Unsupervised Multi-Modal Representation Learning for Affective Computing
with Multi-Corpus Wearable Data [16.457778420360537]
我々は、人間の監督への依存を減らすために、教師なしの枠組みを提案する。
提案フレームワークは2つの畳み込み自己エンコーダを用いて、ウェアラブル心電図(ECG)と電磁気放射能(EDA)信号から潜時表現を学習する。
提案手法は, 同一のデータセット上での覚醒検出を行ない, 現状の成果よりも優れていた。
論文 参考訳（メタデータ） (2020-08-24T22:01:55Z) - Data Augmentation for Enhancing EEG-based Emotion Recognition with Deep
Generative Models [13.56090099952884]
本稿では、感情認識モデルの性能を高めるために、脳波トレーニングデータを増強する3つの方法を提案する。
フル利用戦略では、生成されたすべてのデータが、生成されたデータの品質を判断することなく、トレーニングデータセットに拡張される。
実験結果から,脳波を用いた感情認識モデルの性能向上を図った。
論文 参考訳（メタデータ） (2020-06-04T21:23:09Z) - Reinforcement Learning with Augmented Data [97.42819506719191]
本稿では,ほとんどのRLアルゴリズムを拡張可能なシンプルなプラグイン・アンド・プレイモジュールであるReinforcement Learning with Augmented Data (RAD)を提案する。
本稿では,RLアルゴリズムが複雑な最先端手法より優れていることを示すために,ランダム翻訳,作物,カラージッタ,パッチカットアウト,ランダム畳み込み,振幅スケールなどの拡張法を提案する。
論文 参考訳（メタデータ） (2020-04-30T17:35:32Z)
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。