Fugu-MT 論文翻訳(概要): Classification of Motor Imagery EEG Signals by Using a Divergence Based Convolutional Neural Network

論文の概要: Classification of Motor Imagery EEG Signals by Using a Divergence Based Convolutional Neural Network

arxiv url: http://arxiv.org/abs/2103.10977v1
Date: Fri, 19 Mar 2021 18:27:28 GMT
ステータス: 処理完了
システム内更新日: 2021-03-23 14:16:45.535188
Title: Classification of Motor Imagery EEG Signals by Using a Divergence Based Convolutional Neural Network
Title（参考訳）: ダイバージェンスに基づく畳み込みニューラルネットワークを用いた運動画像脳波信号の分類
Authors: Zumray Dokur, Tamer Olmez
Abstract要約: 増強過程はEEG信号の分類性能を高めるために適用されないことが観察される。本研究では、MI EEG信号の分類性能に及ぼす増強過程の影響について検討した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Deep neural networks (DNNs) are observed to be successful in pattern classification. However, high classification performances of DNNs are related to their large training sets. Unfortunately, in the literature, the datasets used to classify motor imagery (MI) electroencephalogram (EEG) signals contain a small number of samples. To achieve high performances with small-sized datasets, most of the studies have employed a transformation such as common spatial patterns (CSP) before the classification process. However, CSP is dependent on subjects and introduces computational load in real-time applications. It is observed in the literature that the augmentation process is not applied for increasing the classification performance of EEG signals. In this study, we have investigated the effect of the augmentation process on the classification performance of MI EEG signals instead of using a preceding transformation such as the CSP, and we have demonstrated that by resulting in high success rates for the classification of MI EEGs, the augmentation process is able to compete with the CSP. In addition to the augmentation process, we modified the DNN structure to increase the classification performance, to decrease the number of nodes in the structure, and to be used with less number of hyper parameters. A minimum distance network (MDN) following the last layer of the convolutional neural network (CNN) was used as the classifier instead of a fully connected neural network (FCNN). By augmenting the EEG dataset and focusing solely on CNN's training, the training algorithm of the proposed structure is strengthened without applying any transformation. We tested these improvements on brain-computer interface (BCI) competitions 2005 and 2008 databases with two and four classes, and the high impact of the augmentation on the average performances are demonstrated.
Abstract（参考訳）: ディープニューラルネットワーク(DNN)はパターン分類に成功している。しかし、DNNの高い分類性能は、彼らの大規模なトレーニングセットと関連している。残念ながら、文献では、運動画像(MI)脳波(EEG)信号の分類に用いられるデータセットには、少数のサンプルが含まれている。小規模データセットによる高性能化を実現するために,ほとんどの研究は,分類処理前に共通空間パターン (csp) などの変換を用いてきた。しかし、CSPは主題に依存し、リアルタイムアプリケーションに計算負荷を導入する。脳波信号の分類性能の向上には増補法が適用されないことが文献に示されている。本研究では,cspのような先行する変換を用いるのではなく,mi eeg信号の分類性能に及ぼす増強過程の影響を調査し,mi eegの分類に高い成功率をもたらすことで,cspと競合できることを示した。拡張処理に加えて,dnn構造を改良して分類性能を高め,ノード数を削減し,ハイパーパラメータを少なくした。完全連結ニューラルネットワーク(FCNN)の代わりに,畳み込みニューラルネットワーク(CNN)の最終層に続く最小距離ネットワーク(MDN)を分類器として使用した。脳波データセットを増強し、cnnのトレーニングのみに焦点を当てることで、提案構造のトレーニングアルゴリズムは変換を施すことなく強化される。 2005年と2008年の2クラスと4クラスからなる脳-コンピュータ・インタフェース(BCI)コンペティションにおいて,これらの改善が平均性能に与える影響を実証した。

関連論文リスト

Subgraph Clustering and Atom Learning for Improved Image Classification [4.499833362998488]
本稿では,特徴抽出のための畳み込みニューラルネットワーク(CNN)と構造モデリングのためのグラフニューラルネットワーク(GNN)の長所を融合した,新しいハイブリッド画像分類モデルであるグラフサブグラフネットワーク(GSN)を提案する。 GSNはk平均クラスタリングを使用してグラフノードをクラスタにグループ化し、サブグラフの作成を容易にする。これらの部分グラフを使用して、辞書学習のための代表原子を学習し、スパースでクラス区別可能な特徴の識別を可能にする。
論文参考訳（メタデータ） (2024-07-20T06:32:00Z)
SA-CNN: Application to text categorization issues using simulated annealing-based convolutional neural network optimization [0.0]
畳み込みニューラルネットワーク(CNN)は、ディープラーニングアルゴリズムの代表クラスである。テキストCNNニューラルネットワークに基づくテキスト分類タスクのためのSA-CNNニューラルネットワークを提案する。
論文参考訳（メタデータ） (2023-03-13T14:27:34Z)
Data augmentation for learning predictive models on EEG: a systematic comparison [79.84079335042456]
脳波(EEG)分類タスクの深層学習は、ここ数年急速に増加している。 EEG分類タスクのディープラーニングは、比較的小さなEEGデータセットによって制限されている。データ拡張は、コンピュータビジョンや音声などのアプリケーションにまたがる最先端のパフォーマンスを得るために重要な要素となっている。
論文参考訳（メタデータ） (2022-06-29T09:18:15Z)
Tensor-CSPNet: A Novel Geometric Deep Learning Framework for Motor Imagery Classification [14.95694356964053]
対称正定値(SPD)上での脳波信号を特徴付ける幾何学的深層学習フレームワークCSPNetを提案する。 CSPNetは、2つのMI-EEGデータセットのクロスバリデーションとホールドアウトシナリオにおいて、現在の最先端のパフォーマンスを達成またはわずかに上回る。
論文参考訳（メタデータ） (2022-02-05T02:52:23Z)
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)
Hyperspectral Classification Based on Lightweight 3-D-CNN With Transfer Learning [67.40866334083941]
限定サンプルに基づくHSI分類のためのエンドツーエンドの3次元軽量畳み込みニューラルネットワーク(CNN)を提案する。従来の3D-CNNモデルと比較して,提案した3D-LWNetはネットワーク構造が深く,パラメータが小さく,計算コストも低い。本モデルでは,HSI分類の競合性能を,いくつかの最先端手法と比較した。
論文参考訳（メタデータ） (2020-12-07T03:44:35Z)
Temporal Attention-Augmented Graph Convolutional Network for Efficient Skeleton-Based Human Action Recognition [97.14064057840089]
グラフネットワーク(GCN)はユークリッド以外のデータ構造をモデル化するのに非常に成功した。ほとんどのGCNベースのアクション認識手法は、計算量の多いディープフィードフォワードネットワークを使用して、全てのスケルトンをアクションで処理する。本稿では,骨格に基づく行動認識の効率を高めるための時間的アテンションモジュール(TAM)を提案する。
論文参考訳（メタデータ） (2020-10-23T08:01:55Z)
Transfer Learning and SpecAugment applied to SSVEP Based BCI Classification [1.9336815376402716]
我々は、ディープ畳み込みニューラルネットワーク(DCNN)を使用して、単一チャネル脳-コンピュータインタフェース(BCI)で脳波信号を分類する。脳波信号はスペクトログラムに変換され、転送学習技術を用いてDCNNを訓練するための入力として機能した。
論文参考訳（メタデータ） (2020-10-08T00:30:12Z)
Progressive Tandem Learning for Pattern Recognition with Deep Spiking Neural Networks [80.15411508088522]
スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-07-02T15:38:44Z)
Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。