論文の概要: Decoding Event-related Potential from Ear-EEG Signals based on Ensemble
Convolutional Neural Networks in Ambulatory Environment
- arxiv url: http://arxiv.org/abs/2103.02197v1
- Date: Wed, 3 Mar 2021 06:04:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-04 14:53:16.828975
- Title: Decoding Event-related Potential from Ear-EEG Signals based on Ensemble
Convolutional Neural Networks in Ambulatory Environment
- Title（参考訳）: 共振環境におけるアンサンブル畳み込みニューラルネットワークに基づく耳EEG信号からの事象関連電位の復号
- Authors: Young-Eun Lee, Seong-Whan Lee
- Abstract要約: 歩行環境におけるアンサンブル型畳み込みニューラルネットワークを提案し,頭皮と耳の視覚事象関連電位応答の解析を行った。
脳-コンピュータインタフェースの性能は1.6m/sで速く歩くと3-14%低下した。
提案手法は観測環境や不均衡データにも頑健であることを示す。
- 参考スコア（独自算出の注目度）: 25.21795777074951
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, practical brain-computer interface is actively carried out,
especially, in an ambulatory environment. However, the electroencephalography
(EEG) signals are distorted by movement artifacts and electromyography signals
when users are moving, which make hard to recognize human intention. In
addition, as hardware issues are also challenging, ear-EEG has been developed
for practical brain-computer interface and has been widely used. In this paper,
we proposed ensemble-based convolutional neural networks in ambulatory
environment and analyzed the visual event-related potential responses in scalp-
and ear-EEG in terms of statistical analysis and brain-computer interface
performance. The brain-computer interface performance deteriorated as 3-14%
when walking fast at 1.6 m/s. The proposed methods showed 0.728 in average of
the area under the curve. The proposed method shows robust to the ambulatory
environment and imbalanced data as well.
- Abstract（参考訳）: 近年,実用的な脳-コンピュータインタフェースが,特に遊走環境において活発に行われている。
しかし、脳波(EEG)信号は、移動中の運動人工物や筋電図信号によって歪められ、人間の意図を認識することは困難である。
さらに、ハードウェアの問題も困難なため、実践的な脳-コンピュータインタフェースのための耳-EEGが開発され、広く利用されている。
本論文では,アンサンブルに基づく脳内畳み込みニューラルネットワークを提案し,頭皮および耳脳における視覚イベント関連電位応答を統計解析と脳-コンピュータインタフェース性能の観点から解析した。
脳-コンピュータインタフェースの性能は1.6m/sで速く歩くと3-14%低下した。
提案手法は曲線下の面積の平均0.728であった。
提案手法は観測環境や不均衡データにも頑健であることを示す。
関連論文リスト
- CEReBrO: Compact Encoder for Representations of Brain Oscillations Using Efficient Alternating Attention [53.539020807256904]
交互注意(CEReBrO)を用いた脳振動の表現のための圧縮法について紹介する。
トークン化方式は、チャネルごとのパッチで脳波信号を表現します。
本研究では,チャネル内時間的ダイナミックスとチャネル間空間的相関を共同でモデル化し,通常の自己アテンションに比べて6倍少ないメモリで2倍の速度向上を実現するための注意機構を提案する。
論文 参考訳（メタデータ） (2025-01-18T21:44:38Z) - EEGDiR: Electroencephalogram denoising network for temporal information storage and global modeling through Retentive Network [11.491355463353731]
我々はRetnetを自然言語処理から脳波分解まで導入する。
Retnetの脳波への直接的適用は脳波信号の1次元の性質のため不可能である。
本稿では,1次元の脳波信号を2次元に変換してネットワーク入力として用いる信号埋め込み手法を提案する。
論文 参考訳（メタデータ） (2024-03-20T15:04:21Z) - 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) - A Convolutional Spiking Network for Gesture Recognition in
Brain-Computer Interfaces [0.8122270502556371]
脳信号に基づく手振り分類の例題問題に対して,簡単な機械学習に基づくアプローチを提案する。
本手法は脳波データとECoGデータの両方で異なる対象に一般化し,92.74-97.07%の範囲で精度が向上することを示した。
論文 参考訳（メタデータ） (2023-04-21T16:23:40Z) - Optimized EEG based mood detection with signal processing and deep
neural networks for brain-computer interface [0.0]
本研究の目的は,脳波と被験者の気分との関係を識別するスマート意思決定モデルを確立することである。
健康な28人の被験者の脳波は同意を得て観測され、気分を研究・認識する試みがなされている。
これらの技術を用いて、96.01%の検出精度が得られた。
論文 参考訳（メタデータ） (2023-03-30T15:23:24Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z) - Upper Limb Movement Recognition utilising EEG and EMG Signals for
Rehabilitative Robotics [0.0]
上肢運動分類のための新しい決定レベル多センサ融合手法を提案する。
システムは脳波信号をEMG信号と統合し、両方の情報源から効果的な情報を取得し、ユーザの欲求を理解し予測する。
論文 参考訳（メタデータ） (2022-07-18T14:51:23Z) - Emotional EEG Classification using Connectivity Features and
Convolutional Neural Networks [81.74442855155843]
CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。
対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
論文 参考訳（メタデータ） (2021-01-18T13:28:08Z) - A Novel Transferability Attention Neural Network Model for EEG Emotion
Recognition [51.203579838210885]
脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。
TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。
これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
論文 参考訳（メタデータ） (2020-09-21T02:42:30Z) - Reconstructing ERP Signals Using Generative Adversarial Networks for
Mobile Brain-Machine Interface [21.646490546361935]
歩行中の事象関連電位(ERP)を用いた生成的敵ネットワークに基づく再構築フレームワークを提案する。
再建脳波の精度は歩行時の生雑音脳波信号と類似していた。
提案手法は,移動環境においても脳と機械のインタフェースに基づいて人間の意図を認識するのに役立つ。
論文 参考訳（メタデータ） (2020-05-18T02:39:16Z) - 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。