論文の概要: Motor-Imagery-Based Brain Computer Interface using Signal Derivation and Aggregation Functions

• arxiv url: http://arxiv.org/abs/2101.06968v1
• Date: Mon, 18 Jan 2021 10:14:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-27 14:06:21.579279
• Title: Motor-Imagery-Based Brain Computer Interface using Signal Derivation and Aggregation Functions
• Title（参考訳）: 信号導出と凝集関数を用いた運動画像に基づく脳コンピューターインタフェース
• Authors: Javier Fumanal-Idocin, Yu-Kai Wang, Chin-Teng Lin, Javier Fern\'andez, Jose Antonio Sanz, Humberto Bustince
• Abstract要約: 既存のMIベースのBCIフレームワークを改善するために,拡張融合フレームワークと呼ばれるBCIフレームワークを提案する。 まず、信号の追加の前処理ステップ、すなわち時間不変にする脳波信号の分化が含まれます。 次に、システムの特徴として追加の周波数帯域を追加し、システムのパフォーマンスにその効果を示します。 この新しいシステムは、運動画像ベースの脳-コンピュータインタフェース実験を行う20人のボランティアのデータセット上でテストしました。
• 参考スコア（独自算出の注目度）: 23.995027642929756
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain Computer Interface technologies are popular methods of communication between the human brain and external devices. One of the most popular approaches to BCI is Motor Imagery. In BCI applications, the ElectroEncephaloGraphy is a very popular measurement for brain dynamics because of its non-invasive nature. Although there is a high interest in the BCI topic, the performance of existing systems is still far from ideal, due to the difficulty of performing pattern recognition tasks in EEG signals. BCI systems are composed of a wide range of components that perform signal pre-processing, feature extraction and decision making. In this paper, we define a BCI Framework, named Enhanced Fusion Framework, where we propose three different ideas to improve the existing MI-based BCI frameworks. Firstly, we include aan additional pre-processing step of the signal: a differentiation of the EEG signal that makes it time-invariant. Secondly, we add an additional frequency band as feature for the system and we show its effect on the performance of the system. Finally, we make a profound study of how to make the final decision in the system. We propose the usage of both up to six types of different classifiers and a wide range of aggregation functions (including classical aggregations, Choquet and Sugeno integrals and their extensions and overlap functions) to fuse the information given by the considered classifiers. We have tested this new system on a dataset of 20 volunteers performing motor imagery-based brain-computer interface experiments. On this dataset, the new system achieved a 88.80% of accuracy. We also propose an optimized version of our system that is able to obtain up to 90,76%. Furthermore, we find that the pair Choquet/Sugeno integrals and overlap functions are the ones providing the best results.
• Abstract（参考訳）: 脳コンピュータインタフェース技術は、人間の脳と外部デバイスの間のコミュニケーションの一般的な方法である。 BCIの最も一般的なアプローチの1つは、Motor Imageryである。 BCIの応用において、脳波グラフは非侵襲的な性質のため、脳力学の非常に一般的な測定方法である。 bciの話題には高い関心が寄せられているが、脳波信号におけるパターン認識タスクの実行が困難であるため、既存のシステムの性能はいまだに理想的ではない。 BCIシステムは、信号前処理、特徴抽出、意思決定を行う幅広いコンポーネントで構成されている。 本稿では,既存のMIベースのBCIフレームワークを改善するための3つの異なるアイデアを提案する。 まず、信号のさらなる前処理ステップ:時間を不変にする脳波信号の微分を含む。 第2に,システムの機能として周波数帯域を追加し,システムの性能にその効果を示す。 最後に,システムにおける最終決定の方法に関する深い考察を行う。 本研究では,最大6種類の異なる分類器と広範囲の集約関数(古典集約,チョケ,スゲノ積分およびそれらの拡張および重なり関数を含む)を用いて,分類器が与える情報を融合する手法を提案する。 本システムでは,20名のボランティアのデータセットを用いて,運動画像を用いた脳-コンピュータインタフェース実験を行った。 このデータセットでは、新しいシステムは88.80%の精度を達成した。 また,最大90,76%を達成できる最適化版も提案する。 さらに、ペアのChoquet/Sugeno積分と重なり関数が最良の結果を提供するものであることが分かる。

関連論文リスト

• FingerFlex: Inferring Finger Trajectories from ECoG signals [68.8204255655161]
  FingerFlexモデル(FingerFlex model)は、脳波(ECoG)データに対する指の動きの回帰に適応した畳み込みエンコーダ・デコーダアーキテクチャである。 実測軌道と予測軌道の相関係数が最大0.74であるBCIコンペティションIVデータセット4で最先端の性能が達成された。
  論文  参考訳（メタデータ） (2022-10-23T16:26:01Z)
• Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
  本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。 推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
  論文  参考訳（メタデータ） (2022-07-03T06:57:07Z)
• Factorization Approach for Sparse Spatio-Temporal Brain-Computer Interface [17.85507707727557]
  脳波信号の分解により,スパース条件下での豊かで決定的な特徴を抽出できることを示す。 単腕運動画像データセットを用いて評価を行った。
  論文  参考訳（メタデータ） (2022-06-17T00:30:43Z)
• A Performance-Consistent and Computation-Efficient CNN System for High-Quality Automated Brain Tumor Segmentation [1.2183405753834562]
  CNNをベースとした完全自動脳-運動-隔離システムの開発研究は急速に進展している。 実際に適用可能なシステムには、優れた処理品質と信頼性が不可欠です。 提案方式のCNNは2つの特徴を持つユニークな構造を持つ。
  論文  参考訳（メタデータ） (2022-05-02T22:10:36Z)
• Revisiting the Application of Feature Selection Methods to Speech Imagery BCI Datasets [1.7403133838762446]
  音声画像データセットに対して,機能選択/ランク付け手法がいかにシンプルで強力かを示す。 我々の第一の目的は、サポートベクターマシン、$k$-nearest近辺、決定木、線形判別分析、長期記憶リカレントニューラルネットワーク分類器から得られる分類精度を改善することである。
  論文  参考訳（メタデータ） (2020-08-17T22:48:52Z)
• Transfer Learning for Motor Imagery Based Brain-Computer Interfaces: A Complete Pipeline [54.73337667795997]
  移動学習(TL)は、新しい被験者の校正作業を減らすために、運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)に広く用いられている。 本稿では,MIベースのBCIの3つのコンポーネント(空間フィルタリング,特徴工学,分類)すべてにおいてTLが考慮できることを示す。
  論文  参考訳（メタデータ） (2020-07-03T23:44:21Z)
• ASFD: Automatic and Scalable Face Detector [129.82350993748258]
  ASFD(Automatic and Scalable Face Detector)を提案する。 ASFDはニューラルアーキテクチャ検索技術の組み合わせと新たな損失設計に基づいている。 ASFD-D0は120FPS以上で動作し、MobilenetはVGA解像度の画像を撮影しています。
  論文  参考訳（メタデータ） (2020-03-25T06:00:47Z)
• Few-Shot Relation Learning with Attention for EEG-based Motor Imagery Classification [11.873435088539459]
  脳波(EEG)信号に基づく脳-コンピュータインタフェース(BCI)が注目されている。 運動画像(MI)データは、リハビリテーションや自律運転のシナリオに使用することができる。 脳波に基づくBCIシステムにはMI信号の分類が不可欠である。
  論文  参考訳（メタデータ） (2020-03-03T02:34:44Z)
• Multilinear Compressive Learning with Prior Knowledge [106.12874293597754]
  マルチリニア圧縮学習(MCL)フレームワークは、マルチリニア圧縮センシングと機械学習をエンドツーエンドシステムに統合する。 MCLの背後にある主要なアイデアは、下流学習タスクの信号から重要な特徴を捉えることのできるテンソル部分空間の存在を仮定することである。 本稿では、上記の要件、すなわち、関心の信号が分離可能なテンソル部分空間をどうやって見つけるかという、2つの要件に対処する新しい解決策を提案する。
  論文  参考訳（メタデータ） (2020-02-17T19:06:05Z)
• Classification of High-Dimensional Motor Imagery Tasks based on An End-to-end role assigned convolutional neural network [21.984302611206537]
  本稿では,各上肢領域の識別的特徴を考慮した終端から終端までの畳み込みニューラルネットワーク(ERA-CNN)を提案する。 ERA-CNNを用いて脳波信号のみを用いてユーザの意図を復号する可能性を実証する。
  論文  参考訳（メタデータ） (2020-02-01T14:06:16Z)
• EEG-based Brain-Computer Interfaces (BCIs): A Survey of Recent Studies on Signal Sensing Technologies and Computational Intelligence Approaches and their Applications [65.32004302942218]
  Brain-Computer Interface (BCI) はユーザとシステム間の強力なコミュニケーションツールである。 近年の技術進歩は、脳波(EEG)に基づく翻訳医療用BCIへの関心が高まっている。
  論文  参考訳（メタデータ） (2020-01-28T10:36:26Z)

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。