論文の概要: MIN2Net: End-to-End Multi-Task Learning for Subject-Independent Motor
Imagery EEG Classification
- arxiv url: http://arxiv.org/abs/2102.03814v1
- Date: Sun, 7 Feb 2021 15:20:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-09 16:11:31.975613
- Title: MIN2Net: End-to-End Multi-Task Learning for Subject-Independent Motor
Imagery EEG Classification
- Title(参考訳): MIN2Net: 主観非依存運動画像脳波分類のためのエンドツーエンドマルチタスク学習
- Authors: Phairot Autthasan, Rattanaphon Chaisaen, Thapanun Sudhawiyangkul,
Phurin Rangpong, Suktipol Kiatthaveephong, Nat Dilokthanakul, Gun
Bhakdisongkhram, Huy Phan, Cuntai Guan and Theerawit Wilaiprasitporn
- Abstract要約: 脳波のリズムは被験者に特有のものであり、時間とともに様々な変化が起こる。
本稿では,この課題に対処するための新しいエンドツーエンドマルチタスク学習であるMIN2Netを提案する。
深層学習をマルチタスクオートエンコーダに統合し,脳波からコンパクトかつ識別可能な潜在表現を学習する。
- 参考スコア(独自算出の注目度): 10.773708402778025
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Advances in the motor imagery (MI)-based brain-computer interfaces (BCIs)
allow control of several applications by decoding neurophysiological phenomena,
which are usually recorded by electroencephalography (EEG) using a non-invasive
technique. Despite great advances in MI-based BCI, EEG rhythms are specific to
a subject and various changes over time. These issues point to significant
challenges to enhance the classification performance, especially in a
subject-independent manner. To overcome these challenges, we propose MIN2Net, a
novel end-to-end multi-task learning to tackle this task. We integrate deep
metric learning into a multi-task autoencoder to learn a compact and
discriminative latent representation from EEG and perform classification
simultaneously. This approach reduces the complexity in pre-processing, results
in significant performance improvement on EEG classification. Experimental
results in a subject-independent manner show that MIN2Net outperforms the
state-of-the-art techniques, achieving an accuracy improvement of 11.65%,
1.03%, and 10.53% on the BCI competition IV 2a, SMR-BCI, and OpenBMI datasets,
respectively. We demonstrate that MIN2Net improves discriminative information
in the latent representation. This study indicates the possibility and
practicality of using this model to develop MI-based BCI applications for new
users without the need for calibration.
- Abstract(参考訳): 運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)の進歩は、神経生理学的現象をデコードすることでいくつかの応用を制御し、通常は非侵襲的手法を用いて脳波(EEG)によって記録される。
MIベースのBCIの大幅な進歩にもかかわらず、脳波のリズムは主題に特有であり、時間とともに様々な変化が生じる。
これらの問題は、特に主題に依存しない方法で分類性能を向上させるための重要な課題を示している。
これらの課題を克服するために,この課題に対処するための新しいエンドツーエンドマルチタスク学習であるMIN2Netを提案する。
ディープメトリック学習をマルチタスクオートエンコーダに統合し,脳波からコンパクトかつ識別可能な潜在表現を学習し,同時に分類を行う。
このアプローチにより、前処理の複雑さが減少し、EEG分類のパフォーマンスが大幅に向上します。
被験者に依存しない方法での実験結果は、MIN2Netが最新技術を上回ることを示し、それぞれBCIコンペティションIV 2a、SMR-BCI、OpenBMIデータセットで11.65%、1.03%、および10.53%の精度向上を達成した。
MIN2Netが潜在表現における識別情報を改善することを実証する。
本研究は, キャリブレーションを必要とせず, 新規ユーザ向けにMIベースのBCIアプリケーションを開発できる可能性と実用性を示す。
関連論文リスト
- Intuition-aware Mixture-of-Rank-1-Experts for Parameter Efficient Finetuning [50.73666458313015]
大規模言語モデル(LLM)はマルチメディアアプリケーションで複数のタスクを実行する上で大きな可能性を証明している。
MoEは、効率的なタスクデカップリングのためのスパースアーキテクチャによる有望なソリューションとして登場した。
Intuition-MoR1Eは14のパブリックデータセットで優れた効率と2.15%の全体的な精度向上を実現している。
論文 参考訳(メタデータ) (2024-04-13T12:14:58Z) - RLEEGNet: Integrating Brain-Computer Interfaces with Adaptive AI for
Intuitive Responsiveness and High-Accuracy Motor Imagery Classification [0.0]
本稿では,Deep Q-Networks (DQN) を用いた強化学習を分類タスクに活用するフレームワークを提案する。
本稿では,OVR(One-Versus-The-Rest)方式で,マルチクラス運動画像(MI)分類のための前処理手法を提案する。
DQNと1D-CNN-LSTMアーキテクチャの統合は意思決定プロセスをリアルタイムで最適化する。
論文 参考訳(メタデータ) (2024-02-09T02:03:13Z) - A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical
Computation Offloading [62.34538208323411]
共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。
MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
論文 参考訳(メタデータ) (2023-09-02T11:01:16Z) - Pre-training Language Model as a Multi-perspective Course Learner [103.17674402415582]
本研究では,サンプル効率のよい事前学習のためのマルチパースペクティブ・コース・ラーニング(MCL)手法を提案する。
本研究では,3つの自己超越コースが,「綱引き」力学の固有の欠陥を軽減するように設計されている。
本手法は,GLUEおよびSQuAD 2.0ベンチマークにおいて,ELECTRAの平均性能をそれぞれ2.8%,絶対点を3.2%向上させる。
論文 参考訳(メタデータ) (2023-05-06T09:02:10Z) - 2021 BEETL Competition: Advancing Transfer Learning for Subject
Independence & Heterogenous EEG Data Sets [89.84774119537087]
我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。
第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。
タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
論文 参考訳(メタデータ) (2022-02-14T12:12:20Z) - CNN-based Approaches For Cross-Subject Classification in Motor Imagery:
From The State-of-The-Art to DynamicNet [0.2936007114555107]
運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)システムは、コミュニケーションと制御の代替手段を提供するためにますます採用されています。
信頼できるBCIシステムを得るには、脳信号からMIを正確に分類することが不可欠です。
ディープラーニングアプローチは、標準的な機械学習技術の有効な代替手段として現れ始めている。
論文 参考訳(メタデータ) (2021-05-17T14:57:13Z) - EEG-Inception: An Accurate and Robust End-to-End Neural Network for
EEG-based Motor Imagery Classification [123.93460670568554]
本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。
提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
論文 参考訳(メタデータ) (2021-01-24T19:03:10Z) - Toward Real-World BCI: CCSPNet, A Compact Subject-Independent Motor
Imagery Framework [2.0741711594051377]
従来の脳-コンピュータインタフェース(BCI)は、使用前に各ユーザーに対して完全なデータ収集、トレーニング、校正フェーズを必要とする。
大規模脳波信号データベースの運動画像(MI)パラダイムを学習するCCSPNetという,新規な主体に依存しないBCIフレームワークを提案する。
提案手法は,ウェーブレット核畳み込みニューラルネットワーク(wkcnn)と時間畳み込みニューラルネットワーク(tcnn)を適用し,脳波信号の多様なスペクトル特性を表現・抽出する。
論文 参考訳(メタデータ) (2020-12-25T12:00:47Z) - Deep Multi-Task Learning for Cooperative NOMA: System Design and
Principles [52.79089414630366]
我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。
我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
論文 参考訳(メタデータ) (2020-07-27T12:38:37Z) - EEG-TCNet: An Accurate Temporal Convolutional Network for Embedded
Motor-Imagery Brain-Machine Interfaces [15.07343602952606]
本稿では、トレーニング可能なパラメータをほとんど必要とせず、優れた精度を実現する新しい時間畳み込みネットワーク(TCN)であるEEG-TCNetを提案する。
メモリフットプリントが低く、推論の計算量も少ないため、エッジのリソース制限されたデバイスの組み込み分類に適している。
論文 参考訳(メタデータ) (2020-05-31T21:45:45Z) - 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)
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。