論文の概要: Generating Ten BCI Commands Using Four Simple Motor Imageries
- arxiv url: http://arxiv.org/abs/2105.14493v1
- Date: Sun, 30 May 2021 10:34:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-01 16:48:53.378786
- Title: Generating Ten BCI Commands Using Four Simple Motor Imageries
- Title（参考訳）: 4つの単純なモータ画像を用いた10個のBCIコマンドの生成
- Authors: Nuri Korkan, Tamer Olmez, Zumray Dokur
- Abstract要約: 本研究は,小型ディープニューラルネットワーク(DNN)を実装することにより,4つのモータ画像から生成されたBCIコマンドの高分類性能を実現することを目的とする。
提案手法は,BCIコンペティションIII,IVの4クラスデータセットを用いて評価し,平均分類性能は10クラス81.8%である。
- 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: The brain computer interface (BCI) systems are utilized for transferring
information among humans and computers by analyzing electroencephalogram (EEG)
recordings.The process of mentally previewing a motor movement without
generating the corporal output can be described as motor imagery (MI).In this
emerging research field, the number of commands is also limited in relation to
the number of MI tasks; in the current literature, mostly two or four commands
(classes) are studied. As a solution to this problem, it is recommended to use
mental tasks as well as MI tasks. Unfortunately, the use of this approach
reduces the classification performance of MI EEG signals. The fMRI analyses
show that the resources in the brain associated with the motor imagery can be
activated independently. It is assumed that the brain activity induced by the
MI of the combination of body parts corresponds to the superposition of the
activities generated during each body parts's simple MI. In this study, in
order to create more than four BCI commands, we suggest to generate combined MI
EEG signals artificially by using left hand, right hand, tongue, and feet motor
imageries in pairs. A maximum of ten different BCI commands can be generated by
using four motor imageries in pairs.This study aims to achieve high
classification performances for BCI commands produced from four motor imageries
by implementing a small-sized deep neural network (DNN).The presented method is
evaluated on the four-class datasets of BCI Competitions III and IV, and an
average classification performance of 81.8% is achieved for ten classes. The
above assumption is also validated on a different dataset which consists of
simple and combined MI EEG signals acquired in real time. Trained with the
artificially generated combined MI EEG signals, DivFE resulted in an average of
76.5% success rate for the combined MI EEG signals acquired in real-time.
- Abstract（参考訳）: 脳コンピュータインタフェース(bci)システムは、脳波(eeg)記録を分析して人間とコンピュータの間での情報伝達に利用され、体外出力を発生せずに運動運動を精神的にプレビューする過程を運動画像(mi)と呼ぶことができる。この新興研究分野においては、miタスク数に関してもコマンド数も制限されており、現在の文献では、主に2つまたは4つのコマンド(クラス)が研究されている。
この問題の解決策として、心的タスクやMIタスクの使用が推奨されている。
残念ながら、このアプローチを用いることでMI EEG信号の分類性能が低下する。
fMRI解析により、運動画像に関連する脳の資源は独立して活性化できることが示された。
身体部位の組み合わせのMIによって引き起こされる脳活動は、各身体部位の単純なMIの間に生じる活動の重ね合わせに対応していると推定される。
本研究では, BCIコマンドを4つ以上作成するために, 左手, 右手, 舌, 足の運動画像を用いて, 人工的にMIEEG信号を生成することを提案する。
本研究は,bciコンペティションiiiとivの4つのクラスデータセット上で,小型深層ニューラルネットワーク(dnn)を実装して,4つのモータイメージから生成されたbciコマンドに対して,最大10個の異なるbciコマンドを生成し,平均81.8%の分類性能を10クラスで達成することを目的としている。
上記の仮定は、リアルタイムに取得した単純なmi eeg信号と組み合わせた別のデータセットでも検証される。
人工的に生成されたMI EEG信号で訓練した結果、DivFEはリアルタイムで取得したMI EEG信号の76.5%の成功率を得た。
関連論文リスト
- MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。
このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。
実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
論文 参考訳（メタデータ） (2024-05-28T00:36:25Z) - NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。
様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
論文 参考訳（メタデータ） (2024-03-27T02:42:52Z) - 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) - Joint fMRI Decoding and Encoding with Latent Embedding Alignment [77.66508125297754]
我々はfMRIデコーディングと符号化の両方に対処する統合フレームワークを導入する。
本モデルでは、fMRI信号から視覚刺激を同時に回復し、統合された枠組み内の画像から脳活動を予測する。
論文 参考訳（メタデータ） (2023-03-26T14:14:58Z) - BrainCLIP: Bridging Brain and Visual-Linguistic Representation Via CLIP
for Generic Natural Visual Stimulus Decoding [51.911473457195555]
BrainCLIPはタスクに依存しないfMRIベースの脳復号モデルである。
脳の活動、画像、およびテキストの間のモダリティギャップを埋める。
BrainCLIPは、高い意味的忠実度で視覚刺激を再構築することができる。
論文 参考訳（メタデータ） (2023-02-25T03:28:54Z) - FingerFlex: Inferring Finger Trajectories from ECoG signals [68.8204255655161]
FingerFlexモデル(FingerFlex model)は、脳波(ECoG)データに対する指の動きの回帰に適応した畳み込みエンコーダ・デコーダアーキテクチャである。
実測軌道と予測軌道の相関係数が最大0.74であるBCIコンペティションIVデータセット4で最先端の性能が達成された。
論文 参考訳（メタデータ） (2022-10-23T16:26:01Z) - 2021 BEETL Competition: Advancing Transfer Learning for Subject
Independence & Heterogenous EEG Data Sets [89.84774119537087]
我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。
第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。
タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
論文 参考訳（メタデータ） (2022-02-14T12:12:20Z) - MIN2Net: End-to-End Multi-Task Learning for Subject-Independent Motor
Imagery EEG Classification [10.773708402778025]
脳波のリズムは被験者に特有のものであり、時間とともに様々な変化が起こる。
本稿では,この課題に対処するための新しいエンドツーエンドマルチタスク学習であるMIN2Netを提案する。
深層学習をマルチタスクオートエンコーダに統合し,脳波からコンパクトかつ識別可能な潜在表現を学習する。
論文 参考訳（メタデータ） (2021-02-07T15:20:23Z) - EEG to fMRI Synthesis: Is Deep Learning a candidate? [0.913755431537592]
この研究は、脳波(EEG)ビューデータからfMRIデータを合成するために、Neural Processingから最先端の原理を使用する方法について、初めて包括的な情報を提供する。
オートエンコーダ,ジェネレータネットワーク,ペアワイズラーニングなど,最先端の合成手法の比較を行った。
結果は、fMRI脳画像マッピングに対する脳波の実現可能性を強調し、機械学習における現在の進歩の役割を指摘し、パフォーマンスをさらに向上するために、今後のコントリビューションの関連性を示す。
論文 参考訳（メタデータ） (2020-09-29T16:29:20Z) - Motor Imagery Classification of Single-Arm Tasks Using Convolutional
Neural Network based on Feature Refining [5.620334754517149]
運動画像(MI)は、信号の発端から運動機能の回復や回復に一般的に用いられる。
本研究では,BFR-CNN(Band-power Feature Refining Convolutional Neural Network)を提案する。
論文 参考訳（メタデータ） (2020-02-04T04:36:09Z) - Siamese Neural Networks for EEG-based Brain-computer Interfaces [18.472950822801362]
我々は,シームズニューラルネットワークに基づく新しい脳波処理と特徴抽出パラダイムを提案する。
Siameseアーキテクチャは畳み込みニューラルネットワーク(CNN)に基づいて開発され、2つの入力の類似性に基づいたバイナリ出力を提供する。
このアーキテクチャの有効性は、Brain-Computer Interfaces (BCI) Competition IV-2aの4クラスのMotor Imageryデータセットで評価される。
論文 参考訳（メタデータ） (2020-02-03T17:31:39Z)
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。