論文の概要: FBCNet: A Multi-view Convolutional Neural Network for Brain-Computer Interface

• arxiv url: http://arxiv.org/abs/2104.01233v1
• Date: Wed, 17 Mar 2021 08:27:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-07 20:52:29.706944
• Title: FBCNet: A Multi-view Convolutional Neural Network for Brain-Computer Interface
• Title（参考訳）: FBCNet:脳-コンピュータインタフェースのための多視点畳み込みニューラルネットワーク
• Authors: Ravikiran Mane, Effie Chew, Karen Chua, Kai Keng Ang, Neethu Robinson, A. P. Vinod, Seong-Whan Lee, Cuntai Guan
• Abstract要約: 本稿では,MI分類のための新しいフィルタバンク畳み込みネットワーク(FBCNet)を提案する。 FBCNetは76.20%の4クラス分類精度を達成し、BCIC-IV-2aデータセットのための新しいSOTAを設定した。 また、説明可能なAI技術を用いて、健常者と脳卒中患者の識別脳波の特徴の違いを初めて報告する。
• 参考スコア（独自算出の注目度）: 21.84939367611849
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Lack of adequate training samples and noisy high-dimensional features are key challenges faced by Motor Imagery (MI) decoding algorithms for electroencephalogram (EEG) based Brain-Computer Interface (BCI). To address these challenges, inspired from neuro-physiological signatures of MI, this paper proposes a novel Filter-Bank Convolutional Network (FBCNet) for MI classification. FBCNet employs a multi-view data representation followed by spatial filtering to extract spectro-spatially discriminative features. This multistage approach enables efficient training of the network even when limited training data is available. More significantly, in FBCNet, we propose a novel Variance layer that effectively aggregates the EEG time-domain information. With this design, we compare FBCNet with state-of-the-art (SOTA) BCI algorithm on four MI datasets: The BCI competition IV dataset 2a (BCIC-IV-2a), the OpenBMI dataset, and two large datasets from chronic stroke patients. The results show that, by achieving 76.20% 4-class classification accuracy, FBCNet sets a new SOTA for BCIC-IV-2a dataset. On the other three datasets, FBCNet yields up to 8% higher binary classification accuracies. Additionally, using explainable AI techniques we present one of the first reports about the differences in discriminative EEG features between healthy subjects and stroke patients. Also, the FBCNet source code is available at https://github.com/ravikiran-mane/FBCNet.
• Abstract（参考訳）: 脳波(EEG)に基づく脳-コンピュータインタフェース(BCI)のための運動画像(MI)復号アルゴリズムが直面する、適切なトレーニングサンプルやノイズの多い高次元特徴の欠如が重要な課題である。 そこで本稿では,miの神経生理的特徴に着想を得て,mi分類のための新しいフィルタバンク畳み込みネットワーク(fbcnet)を提案する。 FBCNetは、マルチビューデータ表現に続き、空間フィルタリングを用いてスペクトロ・スパティカル・差別的特徴を抽出する。 このマルチステージアプローチは、限られたトレーニングデータが利用可能であっても、ネットワークの効率的なトレーニングを可能にする。 さらに,fbcnetでは,脳波時間領域情報を効果的に集約する新しい分散層を提案する。 この設計では、FBCNetと最先端(SOTA)のBCIアルゴリズムを比較し、BCIコンペティションIVデータセット2a(BCIC-IV-2a)、OpenBMIデータセット、慢性脳卒中患者の2つの大きなデータセットを比較した。 その結果、FBCNetは76.20%の4クラス分類精度を達成し、BCIC-IV-2aデータセットの新しいSOTAを設定した。 他の3つのデータセットでは、FBCNetは最大8%高いバイナリ分類精度が得られる。 さらに、説明可能なAI技術を用いて、健常者と脳卒中患者の差別的脳波特徴の違いに関する最初の報告の1つを提示する。 また、FBCNetのソースコードはhttps://github.com/ravikiran-mane/FBCNetで入手できる。

関連論文リスト

• BiDense: Binarization for Dense Prediction [62.70804353158387]
  BiDenseは、効率よく正確な密度予測タスクのために設計された一般化されたバイナリニューラルネットワーク(BNN)である。 BiDenseは2つの重要なテクニックを取り入れている: 分散適応バイナリー (DAB) とチャネル適応完全精度バイパス (CFB) である。
  論文  参考訳（メタデータ） (2024-11-15T16:46:04Z)
• 3D-CLMI: A Motor Imagery EEG Classification Model via Fusion of 3D-CNN and LSTM with Attention [0.174048653626208]
  本稿では,3次元畳み込みニューラルネットワーク(CNN)と長期記憶ネットワーク(LSTM)を組み合わせて運動画像(MI)信号を分類するモデルを提案する。 実験の結果、このモデルは、BCIコンペティションIVデータセット2aの分類精度92.7%、F1スコア0.91に達した。 このモデルにより、ユーザの運動像意図の分類精度が大幅に向上し、自律走行車や医療リハビリテーションといった新興分野における脳-コンピュータインタフェースの応用可能性が改善された。
  論文  参考訳（メタデータ） (2023-12-20T03:38:24Z)
• Enhancing Motor Imagery Decoding in Brain Computer Interfaces using Riemann Tangent Space Mapping and Cross Frequency Coupling [5.860347939369221]
  運動画像(MI)は脳コンピュータインタフェース(BCI)の領域における重要な実験パラダイムである 本稿では,MI特徴量に関する表現品質と復号化能力を向上させるための新しい手法を提案する。 さらに特徴抽出と分類のために軽量畳み込みニューラルネットワークが使用され、クロスエントロピーとセンターロスの共同管理の下で動作している。
  論文  参考訳（メタデータ） (2023-10-29T23:37:47Z)
• Deep comparisons of Neural Networks from the EEGNet family [0.0]
  我々は、BCIコンペティション42aデータセットの隣の多くの主題を持つオープンアクセスデータベースを用いて、よく知られた5つのニューラルネットワーク(Shallow ConvNet、Deep ConvNet、EEGNet、EEGNet、EEGNet Fusion、MI-EEGNet)を比較した。 当社のメトリクスによると、研究者はShallow ConvNetやDeep ConvNetを避けてはならない。
  論文  参考訳（メタデータ） (2023-02-17T10:39:09Z)
• Basic Binary Convolution Unit for Binarized Image Restoration Network [146.0988597062618]
  本研究では,画像復元作業における残差接続,BatchNorm,アクティベーション機能,構造などのバイナリ畳み込みのコンポーネントを再検討する。 本研究の成果と分析に基づいて, 単純で効率的な基本二元畳み込みユニット (BBCU) を設計した。 我々のBBCUは、他のBNNや軽量モデルよりも大幅に優れており、BBCUがバイナライズされたIRネットワークの基本ユニットとして機能することを示しています。
  論文  参考訳（メタデータ） (2022-10-02T01:54:40Z)
• 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)
• Inter-subject Deep Transfer Learning for Motor Imagery EEG Decoding [1.933681537640272]
  畳み込みニューラルネットワーク(CNN)は脳波を復号する強力な技術となっている。 個々のパフォーマンスを低下させることなく、複数の被験者の脳波でCNNを訓練することは依然として困難です。 本稿では,ネットワークの特徴抽出器を分割したマルチブランチディープ転送ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-03-09T11:01:02Z)
• 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)
• A Computationally Efficient Multiclass Time-Frequency Common Spatial Pattern Analysis on EEG Motor Imagery [164.93739293097605]
  共通空間パターン(CSP)は脳波(EEG)運動画像(MI)の一般的な特徴抽出法である 本研究では,従来のCSPアルゴリズムを改良し,マルチクラスMI分類精度を改善し,計算処理の効率化を図る。
  論文  参考訳（メタデータ） (2020-08-25T18:23:50Z)
• Binarizing MobileNet via Evolution-based Searching [66.94247681870125]
  そこで本稿では,MobileNet をバイナライズする際の構築と訓練を容易にするための進化的探索手法を提案する。 ワンショットアーキテクチャ検索フレームワークに着想を得て、グループ畳み込みのアイデアを操り、効率的な1ビット畳み込みニューラルネットワーク(CNN)を設計する。 我々の目標は、グループ畳み込みの最良の候補を探索することで、小さなが効率的なバイナリニューラルアーキテクチャを考案することである。
  論文  参考訳（メタデータ） (2020-05-13T13:25:51Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。