論文の概要: An algorithm for onset detection of linguistic segments in continuous
electroencephalogram signals
- arxiv url: http://arxiv.org/abs/2012.06075v1
- Date: Fri, 11 Dec 2020 01:38:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-11 03:08:31.027116
- Title: An algorithm for onset detection of linguistic segments in continuous
electroencephalogram signals
- Title(参考訳): 連続脳波信号における言語セグメントのオンセット検出アルゴリズム
- Authors: Tonatiuh Hern\'andez-Del-Toro, Carlos A. Reyes-Garc\'ia
- Abstract要約: 想像された単語に基づく脳コンピュータインタフェースは、被験者が脳信号を介して考えている単語をデコードして外部デバイスを制御できます。
本稿では,統計学,情報理論,カオス理論から得られる値を用いて,連続的な信号における単語の出現を正確に識別する手法を提案する。
- 参考スコア(独自算出の注目度): 0.27071541526963805
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A Brain Computer Interface based on imagined words can decode the word a
subject is thinking on through brain signals to control an external device. In
order to build a fully asynchronous Brain Computer Interface based on imagined
words in electroencephalogram signals as source, we need to solve the problem
of detecting the onset of the imagined words. Although there has been some
research in this field, the problem has not been fully solved. In this paper we
present an approach to solve this problem by using values from statistics,
information theory and chaos theory as features to correctly identify the onset
of imagined words in a continuous signal. On detecting the onsets of imagined
words, the highest True Positive Rate achieved by our approach was obtained
using features based on the generalized Hurst exponent, this True Positive Rate
was 0.69 and 0.77 with a timing error tolerance region of 3 and 4 seconds
respectively.
- Abstract(参考訳): 想像された単語に基づく脳コンピュータインタフェースは、被験者が脳信号を通して考えている単語をデコードして、外部デバイスを制御する。
脳波信号中の想像語を源とする完全に非同期な脳神経インタフェースを構築するためには,その単語の発端を検出するという問題を解決する必要がある。
この分野ではいくつかの研究がなされているが、問題が完全に解決されていない。
本稿では,統計,情報理論,カオス理論の値を特徴として用いて,連続信号における単語の発声を正確に識別する手法を提案する。
予測した単語の出現検出において,一般化ハースト指数に基づく特徴量を用いて,本手法が達成した最大正の正の確率は0.69と0.77であり,タイミング誤差許容領域は3秒と4秒であった。
関連論文リスト
- Data Contamination Issues in Brain-to-Text Decoding [37.863706557699146]
非侵襲的な認知信号を自然言語にデコードすることは、長い間、実用的な脳-コンピュータインターフェース(BCI)の構築の目標であった。
最近の大きなマイルストーンは、機能的磁気共鳴イメージング(fMRI)や脳波(EEG)といった認知信号を、オープンな語彙設定の下でテキストに復号することに成功している。
認知信号復号タスクにおいて、トレーニング、検証、テストのためのデータセットを分割する方法はまだ議論の余地がある。
論文 参考訳(メタデータ) (2023-12-18T07:22:39Z) - Subject-Independent Classification of Brain Signals using Skip
Connections [1.7969777786551426]
脳-コンピュータインタフェースシステムは脳波信号を用いて実装することができる。
脳-コンピュータインタフェースシステムにおける最も興味深いタスクの1つは、生の脳波信号から単語を復号することである。
論文 参考訳(メタデータ) (2023-01-19T07:04:11Z) - Decoding speech perception from non-invasive brain recordings [48.46819575538446]
非侵襲的な記録から知覚音声の自己教師付き表現をデコードするために、コントラスト学習で訓練されたモデルを導入する。
我々のモデルでは、3秒のMEG信号から、1,000以上の異なる可能性から最大41%の精度で対応する音声セグメントを識別できる。
論文 参考訳(メタデータ) (2022-08-25T10:01:43Z) - Toward a realistic model of speech processing in the brain with
self-supervised learning [67.7130239674153]
生波形で訓練された自己教師型アルゴリズムは有望な候補である。
We show that Wav2Vec 2.0 learns brain-like representations with little as 600 hours of unlabelled speech。
論文 参考訳(メタデータ) (2022-06-03T17:01:46Z) - Deep Learning for Hate Speech Detection: A Comparative Study [54.42226495344908]
ここでは, ディープ・ヘイト・音声検出法と浅いヘイト・音声検出法を大規模に比較した。
私たちの目標は、この地域の進歩を照らし、現在の最先端の強みと弱点を特定することです。
そこで我々は,ヘイトスピーチ検出の実践的利用に関するガイダンスの提供,最先端の定量化,今後の研究方向の特定を目的としている。
論文 参考訳(メタデータ) (2022-02-19T03:48:20Z) - Open Vocabulary Electroencephalography-To-Text Decoding and Zero-shot
Sentiment Classification [78.120927891455]
最先端のブレイン・トゥ・テキストシステムは、ニューラルネットワークを使用して脳信号から直接言語を復号することに成功した。
本稿では,自然読解課題における語彙的脳波(EEG)-テキスト列列列復号化とゼロショット文感性分類に問題を拡張する。
脳波-テキストデコーディングで40.1%のBLEU-1スコア、ゼロショット脳波に基づく3次感情分類で55.6%のF1スコアを達成し、教師付きベースラインを著しく上回る結果となった。
論文 参考訳(メタデータ) (2021-12-05T21:57:22Z) - Speaker Embedding-aware Neural Diarization for Flexible Number of
Speakers with Textual Information [55.75018546938499]
本稿では,話者埋め込み認識型ニューラルダイアリゼーション(SEND)手法を提案する。
本手法は,ターゲット話者の音声活動検出よりも低いダイアリゼーション誤差率を実現する。
論文 参考訳(メタデータ) (2021-11-28T12:51:04Z) - Toward asynchronous EEG-based BCI: Detecting imagined words segments in
continuous EEG signals [0.16058099298620418]
仮想音声に基づく非同期Brain-Computer Interface (BCI) は、ユーザーが望んだ時点で、ユーザーが予測された音声の脳波信号を復号することで、外部デバイスを制御したり、メッセージを発信することができるツールである。
本研究では, ウェーブレット分解, 経験的モード分解, 周波数エネルギー, フラクタル次元, カオス理論特徴量に基づく特徴抽出の5つの手法を提案し, 連続脳波信号から想像された単語セグメントを検出するタスクを解く。
論文 参考訳(メタデータ) (2021-04-13T00:13:42Z) - Interpreting Imagined Speech Waves with Machine Learning techniques [1.776746672434207]
本研究は,Human-Computer Interface (HCI) の新たな設計に使用可能なImagined Speech (IS)信号の復号化の可能性を探る。
脳波信号を生成するプロセスは未知であるため、様々な特徴抽出法と異なるニューラルネットワーク(NN)モデルを用いて、データの分布を近似し、IS信号を分類する。
論文 参考訳(メタデータ) (2020-10-07T12:13:39Z) - Detection of gravitational-wave signals from binary neutron star mergers
using machine learning [52.77024349608834]
本稿では,重力波検出器の時系列ひずみデータを用いたニューラルネットワークに基づく機械学習アルゴリズムを提案する。
信号対雑音比が25未満の信号に対する感度は6因子改善した。
保守的な推定は、我々のアルゴリズムが信号の到着からアラート発生までの平均10.2秒の遅延を発生させることを示している。
論文 参考訳(メタデータ) (2020-06-02T10:20:11Z)
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。