論文の概要: Geometric feature performance under downsampling for EEG classification tasks

• arxiv url: http://arxiv.org/abs/2102.07669v1
• Date: Mon, 15 Feb 2021 16:56:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-16 15:18:04.131145
• Title: Geometric feature performance under downsampling for EEG classification tasks
• Title（参考訳）: EEG分類タスクのダウンサンプリングにおける幾何学的特徴性能
• Authors: Bryan Bischof, Eric Bunch
• Abstract要約: 本稿では,幾何学的特徴による時系列分類と,劣化した解像度のデータに対する時系列のcnnの対応について明らかにすることを目的とした。 我々は,Bonデータセットから脳波(EEG)時系列から眼開眼または眼閉眼を分類するためのCNNを用いた機能工学パイプラインのコレクションを実験的に検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We experimentally investigate a collection of feature engineering pipelines for use with a CNN for classifying eyes-open or eyes-closed from electroencephalogram (EEG) time-series from the Bonn dataset. Using the Takens' embedding--a geometric representation of time-series--we construct simplicial complexes from EEG data. We then compare $\epsilon$-series of Betti-numbers and $\epsilon$-series of graph spectra (a novel construction)--two topological invariants of the latent geometry from these complexes--to raw time series of the EEG to fill in a gap in the literature for benchmarking. These methods, inspired by Topological Data Analysis, are used for feature engineering to capture local geometry of the time-series. Additionally, we test these feature pipelines' robustness to downsampling and data reduction. This paper seeks to establish clearer expectations for both time-series classification via geometric features, and how CNNs for time-series respond to data of degraded resolution.
• Abstract（参考訳）: 我々は,Bonデータセットから脳波(EEG)時系列から眼開眼または眼閉眼を分類するためのCNNを用いた機能工学パイプラインのコレクションを実験的に検討した。 Takensの埋め込み--時系列の幾何学的表現--を用いて、脳波データから単純複体を構築する。 次に、ベッチ数の$\epsilon$-seriesと$\epsilon$-series of graph spectra(新しい構成)を比較する。 これらの手法はトポロジカルデータ分析に触発され、時系列の局所幾何学をキャプチャするために特徴工学に用いられる。 さらに、これらの機能パイプラインのダウンサンプリングとデータ削減に対する堅牢性をテストする。 本稿では,幾何学的特徴による時系列分類と,劣化した解像度のデータに対する時系列のcnnの対応について明らかにすることを目的とした。

関連論文リスト

• GeoGaussian: Geometry-aware Gaussian Splatting for Scene Rendering [83.19049705653072]
  ガウススプレイティング最適化の過程で、その構造が意図的に保存されていない場合、シーンの幾何学は徐々に悪化する。 我々はこの問題を緩和するためにGeoGaussianと呼ばれる新しいアプローチを提案する。 提案するパイプラインは、新しいビュー合成と幾何再構成において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-03-17T20:06:41Z)
• A Survey of Geometric Graph Neural Networks: Data Structures, Models and Applications [67.33002207179923]
  本稿では、幾何学的GNNに関するデータ構造、モデル、および応用について調査する。 幾何学的メッセージパッシングの観点から既存のモデルの統一的なビューを提供する。 また、方法論開発と実験評価の後の研究を促進するために、アプリケーションと関連するデータセットを要約する。
  論文  参考訳（メタデータ） (2024-03-01T12:13:04Z)
• Information-Theoretic Thresholds for Planted Dense Cycles [52.076657911275525]
  本研究では,社会科学や生物科学においてユビキタスな小世界ネットワークのランダムグラフモデルについて検討する。 植え込み高密度サイクルの検出と回復の両面において、情報理論の閾値を$n$, $tau$、エッジワイド信号対雑音比$lambda$で特徴づける。
  論文  参考訳（メタデータ） (2024-02-01T03:39:01Z)
• Shape-Graph Matching Network (SGM-net): Registration for Statistical Shape Analysis [20.58923754314197]
  本稿では,形状グラフと呼ばれるデータオブジェクトの形状の統計的解析に着目する。 ここでの重要なニーズは、オブジェクト間のポイント(ノードからノード、エッジからエッジ)の制限された登録である。 本稿では,ニューラルネットアーキテクチャを用いて,この登録問題に対処する。
  論文  参考訳（メタデータ） (2023-08-14T00:42:03Z)
• Importance attribution in neural networks by means of persistence landscapes of time series [0.5156484100374058]
  分類タスクにおいて最も関連性の高いランドスケープレベルを識別できるネットワークアーキテクチャにゲーティング層を含める。 我々は、分類決定に関する洞察を与える時系列の近似形状を再構成する。
  論文  参考訳（メタデータ） (2023-02-06T21:43:39Z)
• Study of Manifold Geometry using Multiscale Non-Negative Kernel Graphs [32.40622753355266]
  データの幾何学的構造を研究するための枠組みを提案する。 我々は最近導入された非負のカーネル回帰グラフを用いて、点密度、固有次元、およびデータ多様体(曲率)の線型性を推定する。
  論文  参考訳（メタデータ） (2022-10-31T17:01:17Z)
• Graph Neural Networks on SPD Manifolds for Motor Imagery Classification: A Perspective from the Time-Frequency Analysis [11.285449381629107]
  運動画像(MI)分類は脳脳波(EEG)に基づく脳-コンピュータインタフェースにおける顕著な研究課題である。 本研究では,時間周波数解析の観点から,深層学習に基づく幾何学的MI-EEG分類器を増幅する。 Graph-CSPNetは、時間周波数領域における脳波の特徴を捉えるために、新しい多様体評価技術を利用している。
  論文  参考訳（メタデータ） (2022-10-25T04:48:11Z)
• Geodesic Properties of a Generalized Wasserstein Embedding for Time Series Analysis [8.111947517189641]
  輸送に基づくメトリクスと関連する埋め込み(変換)は、最近、非線形構造や変動が存在する信号クラスをモデル化するために使われてきた。 一般化されたワッサーシュタイン計量を用いた時系列データの測地特性と,その埋め込み空間における符号付き累積分布変換に関する幾何学について検討する。
  論文  参考訳（メタデータ） (2022-06-04T13:03:35Z)
• Towards Generating Real-World Time Series Data [52.51620668470388]
  時系列データ生成のための新しい生成フレームワーク - RTSGANを提案する。 RTSGANは、時系列インスタンスと固定次元潜在ベクトルの間のマッピングを提供するエンコーダデコーダモジュールを学習する。 不足した値の時系列を生成するために、RTSGANに観測埋め込み層と決定・生成デコーダを更に装備する。
  論文  参考訳（メタデータ） (2021-11-16T11:31:37Z)
• Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
  時系列データは、気候、経済、医療などいくつかの領域で広く使われている。 最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。 ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2021-10-11T13:46:28Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)

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。