論文の概要: Cross-Correlation Based Discriminant Criterion for Channel Selection in
Motor Imagery BCI Systems
- arxiv url: http://arxiv.org/abs/2012.01749v5
- Date: Wed, 3 Mar 2021 06:59:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-23 14:42:12.224514
- Title: Cross-Correlation Based Discriminant Criterion for Channel Selection in
Motor Imagery BCI Systems
- Title（参考訳）: モータ画像BCIシステムにおけるチャネル選択のためのクロスコリレーションに基づく識別基準
- Authors: Jianli Yu and Zhuliang Yu
- Abstract要約: 本稿では,異なる運動画像(MI)タスクの精神状態を識別するチャネルの重要性を評価する,相互相関に基づく識別基準(XCDC)を提案する。
XCDCは、全チャネルセットアップと比較して分類精度を損なうことなく、チャネルの量を著しく削減する。
- 参考スコア（独自算出の注目度）: 1.240096657086732
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objective. Many electroencephalogram (EEG)-based brain-computer interface
(BCI) systems use a large amount of channels for higher performance, which is
time-consuming to set up and inconvenient for practical applications. Finding
an optimal subset of channels without compromising the performance is a
necessary and challenging task. Approach. In this article, we proposed a
cross-correlation based discriminant criterion (XCDC) which assesses the
importance of a channel for discriminating the mental states of different motor
imagery (MI) tasks. Channels are ranked and selected according to the proposed
criterion. The efficacy of XCDC is evaluated on two motor imagery EEG datasets.
Main results. In both datasets, XCDC significantly reduces the amount of
channels without compromising classification accuracy compared to the
all-channel setups. Under the same constraint of accuracy, the proposed method
requires fewer channels than existing channel selection methods based on
Pearson's correlation coefficient and common spatial pattern. Visualization of
XCDC shows consistent results with neurophysiological principles. Significance.
This work proposes a quantitative criterion for assessing and ranking the
importance of EEG channels in MI tasks and provides a practical method for
selecting the ranked channels in the calibration phase of MI BCI systems, which
alleviates the computational complexity and configuration difficulty in the
subsequent steps, leading to real-time and more convenient BCI systems.
- Abstract（参考訳）: 目的。
多くの脳波(EEG)ベースの脳-コンピュータインタフェース(BCI)システムは、高い性能を得るために大量のチャネルを使用する。
パフォーマンスを損なうことなくチャネルの最適なサブセットを見つけることは、必要かつ困難なタスクです。
アプローチ。
本稿では、異なる運動画像(MI)タスクの精神状態を識別するためのチャンネルの重要性を評価する、相互相関に基づく識別基準(XCDC)を提案する。
チャンネルは、提案された基準に従ってランク付けされ、選択される。
XCDCの有効性を2つの運動画像脳波データセットで評価した。
主な結果。
どちらのデータセットでも、XCDCは全チャネルセットアップと比較して分類精度を損なうことなく、チャネルの量を著しく削減する。
同じ精度の制約の下で、提案手法はピアソンの相関係数と共通空間パターンに基づく既存のチャネル選択法よりも少ないチャネルを必要とする。
XCDCの可視化は神経生理学的原理と一貫した結果を示す。
重要。
本稿では,miタスクにおける脳波チャネルの重要性を評価・ランク付けするための定量的基準を提案し,mi bciシステムのキャリブレーションフェーズにおけるランク付けチャネルを選択する実用的な方法を提案する。
関連論文リスト
- Contrastive random lead coding for channel-agnostic self-supervision of biosignals [3.101600812051321]
本稿では, チャネルに依存しない生体信号の自己超越に対して, CRLC(Contrative random lead coding)を導入する。
脳波と心電図のデータに基づいてモデルを事前学習し、下流のタスクのためにそれらを微調整することで、我々のアプローチを検証する。
論文 参考訳（メタデータ） (2024-10-21T09:33:45Z) - Optimizing Brain-Computer Interface Performance: Advancing EEG Signals Channel Selection through Regularized CSP and SPEA II Multi-Objective Optimization [13.981941979747305]
RCSPは脳波信号の識別と分類に有効である。
我々は、MIタスクを持つマルチチャネル脳波信号からチャネルのサブセットを選択する際に、最先端のアプローチを採用する。
論文 参考訳（メタデータ） (2024-04-26T00:04:41Z) - 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) - Model-based Deep Learning Receiver Design for Rate-Splitting Multiple
Access [65.21117658030235]
本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。
MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。
その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
論文 参考訳（メタデータ） (2022-05-02T12:23:55Z) - Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase
Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。
チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文 参考訳（メタデータ） (2021-12-18T14:17:49Z) - Learning to Perform Downlink Channel Estimation in Massive MIMO Systems [72.76968022465469]
大規模マルチインプット・マルチアウトプット(MIMO)システムにおけるダウンリンク(DL)チャネル推定について検討する。
一般的なアプローチは、チャネル硬化によって動機付けられた推定値として平均値を使用することである。
本稿では2つの新しい推定法を提案する。
論文 参考訳（メタデータ） (2021-09-06T13:42:32Z) - Learning Signal Representations for EEG Cross-Subject Channel Selection
and Trial Classification [0.3553493344868413]
脳波記録の主観非依存チャネル選択のためのアルゴリズムを提案する。
チャネル固有の1D-畳み込みニューラルネットワーク(1D-CNN)を教師付き方法で特徴抽出器として利用し、クラス分離性を最大化する。
トレーニング後、選択されたチャネル固有の1D-CNNのパラメータ化されたサブグループのみを新しい被験者からの新たな信号に転送することで、アルゴリズムを活用できる。
論文 参考訳（メタデータ） (2021-06-20T06:22:16Z) - End-to-end learnable EEG channel selection with deep neural networks [72.21556656008156]
本稿では,脳波チャネル選択をニューラルネットワーク自体に組み込む枠組みを提案する。
我々は、離散チャネル選択パラメータの連続緩和を用いて、この新しい最適化問題の離散的性質を扱う。
この一般的なアプローチは、2つの異なるEEGタスクで評価される。
論文 参考訳（メタデータ） (2021-02-11T13:44:07Z) - Channel Estimation for RIS-Empowered Multi-User MISO Wireless
Communications [35.207416803526876]
基地局とRIS間のチャネルに対する2つの反復推定アルゴリズムを提案する。
1つは交互最小二乗法(ALS)に基づいており、もう1つはベクトル近似メッセージを使って2つの未知のチャネルを反復的に再構築する。
また、推定チャネルと基地局の異なるプリコーディング方式を用いて、ダウンリンク達成可能な総和率についても論じる。
論文 参考訳（メタデータ） (2020-08-04T10:53:51Z) - DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO
Detection [98.43451011898212]
複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。
本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。
DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
論文 参考訳（メタデータ） (2020-02-08T18:31:00Z)
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。