論文の概要: Comparison of Attention-based Deep Learning Models for EEG Classification

• arxiv url: http://arxiv.org/abs/2012.01074v1
• Date: Wed, 2 Dec 2020 10:43:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-25 04:05:51.659492
• Title: Comparison of Attention-based Deep Learning Models for EEG Classification
• Title（参考訳）: 脳波分類のための注意に基づく深層学習モデルの比較
• Authors: Giulia Cisotto, Alessio Zanga, Joanna Chlebus, Italo Zoppis, Sara Manzoni, and Urszula Markowska-Kaczmar
• Abstract要約: 我々は,Deep Learning(DL)モデルにおける異なる種類の注意機構の脳波分類への影響を評価する。 これらのモデルを用いて、正常な脳波パターンと異常な脳波パターンを分類した。
• 参考スコア（独自算出の注目度）: 0.2770822269241974
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objective: To evaluate the impact on Electroencephalography (EEG) classification of different kinds of attention mechanisms in Deep Learning (DL) models. Methods: We compared three attention-enhanced DL models, the brand-new InstaGATs, an LSTM with attention and a CNN with attention. We used these models to classify normal and abnormal (i.e., artifactual or pathological) EEG patterns. Results: We achieved the state of the art in all classification problems, regardless the large variability of the datasets and the simple architecture of the attention-enhanced models. We could also prove that, depending on how the attention mechanism is applied and where the attention layer is located in the model, we can alternatively leverage the information contained in the time, frequency or space domain of the dataset. Conclusions: with this work, we shed light over the role of different attention mechanisms in the classification of normal and abnormal EEG patterns. Moreover, we discussed how they can exploit the intrinsic relationships in the temporal, frequency and spatial domains of our brain activity. Significance: Attention represents a promising strategy to evaluate the quality of the EEG information, and its relevance, in different real-world scenarios. Moreover, it can make it easier to parallelize the computation and, thus, to speed up the analysis of big electrophysiological (e.g., EEG) datasets.
• Abstract（参考訳）: 目的: 深層学習(DL)モデルにおける異なる種類の注意機構の脳波(EEG)分類への影響を評価する。 方法:注意力のあるdlモデル,新しいinstagats,注意力のあるlstm,注意力のあるcnnの3つを比較した。 これらのモデルを用いて、正常な脳波パターンと異常な脳波パターンを分類した。 結果:全ての分類問題において,データセットの多変量および注意喚起モデルの単純なアーキテクチャに関わらず,技術の現状を達成できた。 また、アテンションメカニズムがどのように適用され、アテンション層がモデル内にあるかによって、データセットの時間、周波数、空間領域に含まれる情報を活用することができることも証明できる。 結論:本研究では,正常脳波パターンと異常脳波パターンの分類において,注意機構の異なる役割について光を当てた。 さらに,脳活動の時間的,頻度的,空間的領域における内在的関係をいかに活用できるかを考察した。 意義: 注意は、様々な現実のシナリオにおいて、脳波情報の品質とその関連性を評価するための有望な戦略である。 さらに、計算を並列化しやすくすることで、大きな電気生理学的(EEG)データセットの分析を高速化することができる。

関連論文リスト

• Feature Estimation of Global Language Processing in EEG Using Attention Maps [5.173821279121835]
  本研究は,脳波の特徴推定に新たなアプローチを導入し,深層学習モデルの重みを利用してその関連を探索する。 視覚変換器とEEGNetから生成したアテンションマップは,従来の研究結果と一致した特徴を効果的に同定できることを実証する。 ViTsを用いたMel-Spectrogramの適用により、時間および周波数関連脳波特性の分解能が向上する。
  論文  参考訳（メタデータ） (2024-09-27T22:52:31Z)
• FoME: A Foundation Model for EEG using Adaptive Temporal-Lateral Attention Scaling [19.85701025524892]
  FoME (Foundation Model for EEG) は適応的側方アテンションスケーリングを用いた新しいアプローチである。 FoMEは1.7TBの頭皮と頭蓋内脳波記録のデータセットで事前訓練されており、1,096kのステップで745Mのパラメータが訓練されている。
  論文  参考訳（メタデータ） (2024-09-19T04:22:40Z)
• Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
  本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。 PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。 提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-09-27T14:39:41Z)
• Locally temporal-spatial pattern learning with graph attention mechanism for EEG-based emotion recognition [4.331986787747648]
  感情認識技術により、コンピュータは人間の感情状態を個別のカテゴリーに分類することができる。 感情は短時間でも安定した状態を維持する代わりに変動することがある。 また,3次元トポロジー構造のため,脳波空間分布のフル活用も困難である。
  論文  参考訳（メタデータ） (2022-08-19T12:15:10Z)
• GeoECG: Data Augmentation via Wasserstein Geodesic Perturbation for Robust Electrocardiogram Prediction [20.8603653664403]
  本稿では,心電図信号に基づく心疾患検出の堅牢性を高めるために,生理学的に着想を得たデータ拡張手法を提案する。 我々は、ワッサーシュタイン空間の測地線に沿った他のクラスに対してデータ分布を摂動することで、拡張されたサンプルを得る。 12個の心電図信号から学習し,心臓状態の5つのカテゴリを識別できる。
  論文  参考訳（メタデータ） (2022-08-02T03:14:13Z)
• A Deep Learning Approach for the Segmentation of Electroencephalography Data in Eye Tracking Applications [56.458448869572294]
  脳波データの時系列セグメンテーションのための新しいフレームワークDETRtimeを紹介する。 エンドツーエンドのディープラーニングベースのフレームワークは、コンピュータビジョンの進歩を前面に立たせています。 我々のモデルは脳波睡眠ステージセグメンテーションのタスクにおいてよく一般化される。
  論文  参考訳（メタデータ） (2022-06-17T10:17:24Z)
• Interpretable Convolutional Neural Networks for Subject-Independent Motor Imagery Classification [22.488536453952964]
  本稿では,脳コンピュータインタフェース(BCI)研究のための説明可能なディープラーニングモデルを提案する。 具体的には,運動画像(MI)タスクから得られる脳波信号を分類することを目的とする。 トポグラフィーでLRPの出力を示す熱マップを可視化し, 神経生理学的因子の同定を行った。
  論文  参考訳（メタデータ） (2021-12-14T07:35:52Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• How Knowledge Graph and Attention Help? A Quantitative Analysis into Bag-level Relation Extraction [66.09605613944201]
  バッグレベルの関係抽出(RE)における注意と知識グラフの効果を定量的に評価する。 その結果,(1)注目精度の向上は,エンティティ参照特徴を抽出するモデルの性能を損なう可能性があること,(2)注目性能は様々なノイズ分布パターンの影響が大きいこと,(3)KG強化された注目はRE性能を向上するが,その効果は注目度を向上させるだけでなく,先行するエンティティを組み込むことによっても改善することがわかった。
  論文  参考訳（メタデータ） (2021-07-26T09:38:28Z)
• A Novel Transferability Attention Neural Network Model for EEG Emotion Recognition [51.203579838210885]
  脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。 TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。 これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
  論文  参考訳（メタデータ） (2020-09-21T02:42:30Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)

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。