論文の概要: Improving EEG Decoding via Clustering-based Multi-task Feature Learning
- arxiv url: http://arxiv.org/abs/2012.06813v1
- Date: Sat, 12 Dec 2020 13:31:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-10 05:11:13.339478
- Title: Improving EEG Decoding via Clustering-based Multi-task Feature Learning
- Title（参考訳）: クラスタリングに基づくマルチタスク特徴学習による脳波デコードの改善
- Authors: Yu Zhang, Tao Zhou, Wei Wu, Hua Xie, Hongru Zhu, Guoxu Zhou, Andrzej
Cichocki
- Abstract要約: 機械学習は、EEGパターンをより良い復号精度に最適化する有望な技術を提供します。
既存のアルゴリズムは、真のEEGサンプル分布を捕捉する基礎となるデータ構造を効果的に探索しない。
クラスタリングに基づく脳波パターン復号のためのマルチタスク機能学習アルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 27.318646122939537
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate electroencephalogram (EEG) pattern decoding for specific mental
tasks is one of the key steps for the development of brain-computer interface
(BCI), which is quite challenging due to the considerably low signal-to-noise
ratio of EEG collected at the brain scalp. Machine learning provides a
promising technique to optimize EEG patterns toward better decoding accuracy.
However, existing algorithms do not effectively explore the underlying data
structure capturing the true EEG sample distribution, and hence can only yield
a suboptimal decoding accuracy. To uncover the intrinsic distribution structure
of EEG data, we propose a clustering-based multi-task feature learning
algorithm for improved EEG pattern decoding. Specifically, we perform affinity
propagation-based clustering to explore the subclasses (i.e., clusters) in each
of the original classes, and then assign each subclass a unique label based on
a one-versus-all encoding strategy. With the encoded label matrix, we devise a
novel multi-task learning algorithm by exploiting the subclass relationship to
jointly optimize the EEG pattern features from the uncovered subclasses. We
then train a linear support vector machine with the optimized features for EEG
pattern decoding. Extensive experimental studies are conducted on three EEG
datasets to validate the effectiveness of our algorithm in comparison with
other state-of-the-art approaches. The improved experimental results
demonstrate the outstanding superiority of our algorithm, suggesting its
prominent performance for EEG pattern decoding in BCI applications.
- Abstract（参考訳）: 脳脳波(EEG)パターンデコーディングは脳-コンピュータインターフェース(BCI)の開発における重要なステップの1つであり、脳頭皮で収集された脳波の信号-雑音比がかなり低いため、非常に難しい。
機械学習は、より正確な復号化のためにEEGパターンを最適化する有望な技術を提供する。
しかし、既存のアルゴリズムは、真の脳波サンプル分布をキャプチャする基盤となるデータ構造を効果的に探索しないため、最適なデコード精度しか得られない。
そこで本研究では,脳波データの固有分布構造を明らかにするために,クラスタリングに基づくマルチタスク特徴学習アルゴリズムを提案する。
具体的には、各サブクラス(すなわちクラスタ)を探索するためにアフィニティ伝播に基づくクラスタリングを行い、各サブクラスに1対1の符号化戦略に基づいてユニークなラベルを割り当てる。
符号化ラベルマトリクスを用いて,検出されたサブクラスから脳波パターン特徴を協調的に最適化するために,サブクラス関係を利用した新しいマルチタスク学習アルゴリズムを考案する。
次に、EEGパターンデコーディングに最適化された機能を備えた線形サポートベクトルマシンを訓練する。
このアルゴリズムの有効性を検証するために,3つの脳波データセットについて,他の最先端手法との比較実験を行った。
改良された実験結果から,BCIアプリケーションにおける脳波パターン復号化の顕著な性能が示唆された。
関連論文リスト
- A Comparative Study of Conventional and Tripolar EEG for
High-Performance Reach-to-Grasp BCI Systems [0.14999444543328289]
本研究の目的は、三極性脳波(tEEG)と従来の脳波(tEEG)の有効性を比較することで、運動障害のある個人に対するBCI応用を強化することである。
目標は、どの脳波技術が関連する神経信号を処理し、翻訳するのにより効果的かを決定することである。
論文 参考訳（メタデータ） (2024-01-31T23:35:44Z) - Understanding learning from EEG data: Combining machine learning and
feature engineering based on hidden Markov models and mixed models [0.0]
前頭蓋振動は空間ナビゲーションや記憶において重要な役割を担っていると考えられている。
EEGデータセットは非常に複雑で、神経信号の変化を解釈しにくくする。
本稿では,脳波データから特徴を抽出するために隠れマルコフと線形混合効果モデルを提案する。
論文 参考訳（メタデータ） (2023-11-14T12:24:12Z) - DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial
Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。
現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。
本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文 参考訳（メタデータ） (2023-09-07T13:43:46Z) - Attribute Graph Clustering via Learnable Augmentation [71.36827095487294]
対照的なディープグラフクラスタリング(CDGC)は、異なるクラスタにノードをグループ化するために対照的な学習を利用する。
本稿では,高品質な増分サンプルのための学習可能な増分器を導入するための,Learningable Augmentation (textbfAGCLA) を用いた属性グラフクラスタリング手法を提案する。
論文 参考訳（メタデータ） (2022-12-07T10:19:39Z) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳（メタデータ） (2022-10-02T05:03:38Z) - Towards Automated Imbalanced Learning with Deep Hierarchical
Reinforcement Learning [57.163525407022966]
不均衡学習はデータマイニングにおいて基本的な課題であり、各クラスにトレーニングサンプルの不均等な比率が存在する。
オーバーサンプリングは、少数民族のための合成サンプルを生成することによって、不均衡な学習に取り組む効果的な手法である。
我々は,異なるレベルの意思決定を共同で最適化できる自動オーバーサンプリングアルゴリズムであるAutoSMOTEを提案する。
論文 参考訳（メタデータ） (2022-08-26T04:28:01Z) - Towards Robust and Accurate Myoelectric Controller Design based on
Multi-objective Optimization using Evolutionary Computation [0.22835610890984162]
我々は、カーネル化されたSVM分類器を考慮し、エネルギー効率の良いEMGベースのコントローラを設計する手法を提案している。
EMGをベースとした制御器の最適化性能を達成するため,分類器設計の主な戦略は,システム全体の誤動作を低減することである。
エリート的多目的進化アルゴリズムの$-$は、非支配的なソート遺伝的アルゴリズムNSGA-II (Non-dominated sorting genetic algorithm II) であり、SVMのハイパーパラメータをチューニングするために使われている。
論文 参考訳（メタデータ） (2022-04-02T06:13:01Z) - Bioinspired Cortex-based Fast Codebook Generation [0.09449650062296822]
脳内の知覚皮質ネットワークにインスパイアされた特徴抽出法を提案する。
バイオインスパイアされた大脳皮質と呼ばれるこのアルゴリズムは、より優れた計算効率を持つストリーミング信号の特徴に収束する。
ここでは、クラスタリングおよびベクトル量子化における大脳皮質モデルの優れた性能を示す。
論文 参考訳（メタデータ） (2022-01-28T18:37:43Z) - Optimization of Residual Convolutional Neural Network for
Electrocardiogram Classification [0.9281671380673306]
本稿では,2段階のリカレント1次元畳み込みニューラルネットワークモデル(R-1D-CNN)を提案する。
第1段階では、残留畳み込み層と1次元畳み込みニューラルネットワーク層をトレーニングし、患者固有の心電図の特徴を学習する。
2番目のレベルは自動であり、提案アルゴリズムに基づくBOに基づいている。
論文 参考訳（メタデータ） (2021-12-11T16:52:23Z) - ES-Based Jacobian Enables Faster Bilevel Optimization [53.675623215542515]
バイレベル最適化(BO)は多くの現代の機械学習問題を解決する強力なツールとして生まれてきた。
既存の勾配法では、ヤコビアンあるいはヘッセンベクトル計算による二階微分近似が必要となる。
本稿では,進化戦略(ES)に基づく新しいBOアルゴリズムを提案し,BOの過勾配における応答ヤコビ行列を近似する。
論文 参考訳（メタデータ） (2021-10-13T19:36:50Z) - Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
バイレベル最適化は多くの機械学習問題に対するツールである。
Stoc-BiO という新しい確率効率勾配推定器を提案する。
論文 参考訳（メタデータ） (2020-10-15T18:09:48Z)
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。