論文の概要: CNN-based Approaches For Cross-Subject Classification in Motor Imagery:
From The State-of-The-Art to DynamicNet
- arxiv url: http://arxiv.org/abs/2105.07917v1
- Date: Mon, 17 May 2021 14:57:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-18 14:53:56.405044
- Title: CNN-based Approaches For Cross-Subject Classification in Motor Imagery:
From The State-of-The-Art to DynamicNet
- Title（参考訳）: 運動画像におけるクロスサブジェクト分類のcnnに基づくアプローチ--最新技術からdynamicnetへ
- Authors: Alberto Zancanaro, Giulia Cisotto, Jo\~ao Ruivo Paulo, Gabriel Pires,
and Urbano J. Nunes
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.2936007114555107
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Motor imagery (MI)-based brain-computer interface (BCI) systems are being
increasingly employed to provide alternative means of communication and control
for people suffering from neuro-motor impairments, with a special effort to
bring these systems out of the controlled lab environments. Hence, accurately
classifying MI from brain signals, e.g., from electroencephalography (EEG), is
essential to obtain reliable BCI systems. However, MI classification is still a
challenging task, because the signals are characterized by poor SNR, high
intra-subject and cross-subject variability. Deep learning approaches have
started to emerge as valid alternatives to standard machine learning
techniques, e.g., filter bank common spatial pattern (FBCSP), to extract
subject-independent features and to increase the cross-subject classification
performance of MI BCI systems. In this paper, we first present a review of the
most recent studies using deep learning for MI classification, with particular
attention to their cross-subject performance. Second, we propose DynamicNet, a
Python-based tool for quick and flexible implementations of deep learning
models based on convolutional neural networks. We show-case the potentiality of
DynamicNet by implementing EEGNet, a well-established architecture for
effective EEG classification. Finally, we compare its performance with FBCSP in
a 4-class MI classification over public datasets. To explore its cross-subject
classification ability, we applied three different cross-validation schemes.
From our results, we demonstrate that DynamicNet-implemented EEGNet outperforms
FBCSP by about 25%, with a statistically significant difference when
cross-subject validation schemes are applied.
- 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)システムは、神経運動障害に悩む人々のためのコミュニケーションと制御の代替手段として、これらのシステムを制御されたラボ環境から外すための特別な取り組みとして、ますます採用されている。
したがって、脳波(EEG)などの脳信号からMIを正確に分類することは、信頼できるBCIシステムを得るためには不可欠である。
しかし、信号はSNRが乏しく、高いオブジェクト内およびクロスオブジェクトのばらつきが特徴であるため、MI分類は依然として難しい課題である。
深層学習アプローチは、例えばフィルタバンク共通空間パターン(FBCSP)のような標準機械学習技術の有効な代替手段として現れ始めており、被写体に依存しない特徴を抽出し、MI BCIシステムのクロスオブジェクト分類性能を高める。
本稿では,MI分類におけるディープラーニングを用いた最近の研究について,特にクロスオブジェクト性能に着目して概説する。
第2に,畳み込みニューラルネットワークに基づくディープラーニングモデルの実装を迅速かつ柔軟なPythonベースのツールであるDynamicNetを提案する。
我々は、効果的なEEG分類のための確立されたアーキテクチャであるEEGNetを実装することで、DynamicNetの可能性を示す。
最後に、その性能をFBCSPと比較し、公開データセット上の4クラスMI分類を行う。
そのクロスサブジェクト分類能力を調べるために、3つの異なるクロスバリデーションスキームを適用した。
この結果から,動的に実装されたEEGNetはFBCSPを約25%上回り,クロスオブジェクト検証方式を適用すると統計的に有意な差が生じることを示した。
関連論文リスト
- CNN-Transformer Rectified Collaborative Learning for Medical Image Segmentation [60.08541107831459]
本稿では,医用画像セグメンテーションのための強力なCNNベースモデルとトランスフォーマーベースモデルを学習するための,CNN-Transformer修正協調学習フレームワークを提案する。
具体的には,学生ソフトラベルの誤り領域を適応的に選択・修正する基礎的真理を取り入れた修正ロジット・ワイド・コラボレーティブ・ラーニング(RLCL)戦略を提案する。
また,機能空間におけるCNNベースモデルとTransformerベースモデル間の効果的な知識伝達を実現するために,クラス認識型特徴量協調学習(CFCL)戦略を提案する。
論文 参考訳（メタデータ） (2024-08-25T01:27:35Z) - Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
脳波信号物理を利用した教師なし手法を提案する。
脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。
提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
論文 参考訳（メタデータ） (2024-03-07T16:17:33Z) - Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。
PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。
提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2023-09-27T14:39:41Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - EEG-NeXt: A Modernized ConvNet for The Classification of Cognitive
Activity from EEG [0.0]
脳波(EEG)に基づく脳-コンピュータインタフェース(BCI)システムにおける大きな課題の1つは、認知活動の分類のために主題/セッション不変の特徴を学習することである。
転送学習を容易にする新しいエンドツーエンド機械学習パイプラインであるEEG-NeXtを提案する。
論文 参考訳（メタデータ） (2022-12-08T10:15:52Z) - EEG-BBNet: a Hybrid Framework for Brain Biometric using Graph
Connectivity [1.1498015270151059]
我々は、畳み込みニューラルネットワーク(CNN)とグラフ畳み込みニューラルネットワーク(GCNN)を統合するハイブリッドネットワークであるEEG-BBNetを提案する。
我々のモデルは、イベント関連電位(ERP)タスクにおけるすべてのベースラインを、セッション内データを用いて平均99.26%の正確な認識率で上回ります。
論文 参考訳（メタデータ） (2022-08-17T10:18:22Z) - An intertwined neural network model for EEG classification in
brain-computer interfaces [0.6696153817334769]
脳コンピュータインタフェース(BCI)は、脳とコンピュータまたは外部装置との間の非刺激的直接的、時折双方向通信リンクである。
マルチクラスモータ画像分類における最先端性能を実現するために特別に設計されたディープニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-08-04T09:00:34Z) - 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) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - 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) - 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。