論文の概要: BRAIN2DEPTH: Lightweight CNN Model for Classification of Cognitive
States from EEG Recordings
- arxiv url: http://arxiv.org/abs/2106.06688v1
- Date: Sat, 12 Jun 2021 05:06:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-19 22:41:13.225028
- Title: BRAIN2DEPTH: Lightweight CNN Model for Classification of Cognitive
States from EEG Recordings
- Title（参考訳）: BRAIN2DEPTH:脳波記録からの認知状態の分類のための軽量CNNモデル
- Authors: Pankaj Pandey and Krishna Prasad Miyapuram
- Abstract要約: 本稿では,脳波記録から認知状態を分類するための簡易軽量CNNモデルを提案する。
そこで我々は,2段階からなる認知表現を学習するための新しいパイプラインを開発した。
他のモデルのパラメータの4%未満を活用して、同等のパフォーマンスを実現しました。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Several Convolutional Deep Learning models have been proposed to classify the
cognitive states utilizing several neuro-imaging domains. These models have
achieved significant results, but they are heavily designed with millions of
parameters, which increases train and test time, making the model complex and
less suitable for real-time analysis. This paper proposes a simple, lightweight
CNN model to classify cognitive states from Electroencephalograph (EEG)
recordings. We develop a novel pipeline to learn distinct cognitive
representation consisting of two stages. The first stage is to generate the 2D
spectral images from neural time series signals in a particular frequency band.
Images are generated to preserve the relationship between the neighboring
electrodes and the spectral property of the cognitive events. The second is to
develop a time-efficient, computationally less loaded, and high-performing
model. We design a network containing 4 blocks and major components include
standard and depth-wise convolution for increasing the performance and followed
by separable convolution to decrease the number of parameters which maintains
the tradeoff between time and performance. We experiment on open access EEG
meditation dataset comprising expert, nonexpert meditative, and control states.
We compare performance with six commonly used machine learning classifiers and
four state of the art deep learning models. We attain comparable performance
utilizing less than 4\% of the parameters of other models. This model can be
employed in a real-time computation environment such as neurofeedback.
- Abstract（参考訳）: いくつかの畳み込み深層学習モデルが、いくつかの神経画像領域を用いて認知状態を分類するために提案されている。
これらのモデルは大きな成果を上げているが、数百万のパラメータで設計されているため、トレーニングやテスト時間が長くなり、モデルが複雑になり、リアルタイム分析にはあまり適さない。
本稿では,脳波記録から認知状態を分類するための,簡便で軽量なCNNモデルを提案する。
2段階からなる異なる認知表現を学ぶための新しいパイプラインを開発した。
第1段階は、特定の周波数帯域におけるニューラル時系列信号から2次元スペクトル画像を生成することである。
画像は、隣接する電極と認知事象のスペクトル特性との関係を保存するために生成される。
2つ目は、時間効率、計算量が少なく、高性能なモデルを開発することである。
本研究では,4ブロックからなるネットワークを設計し,性能向上のための標準および深度に関する畳み込みと,時間と性能のトレードオフを維持するパラメータの数を減少させる分離可能な畳み込みを行う。
専門家,非専門家,制御状態からなるオープンアクセス脳波想起データセットについて実験を行った。
6つの機械学習分類器と4つの最先端ディープラーニングモデルとの比較を行った。
他のモデルのパラメータの4\%未満を利用すれば、同等のパフォーマンスを達成できます。
このモデルはneurofeedbackのようなリアルタイム計算環境でも利用できる。
関連論文リスト
- Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。
EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。
粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
論文 参考訳（メタデータ） (2024-01-19T21:50:32Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - Characterizing and Understanding the Behavior of Quantized Models for
Reliable Deployment [32.01355605506855]
量子化対応トレーニングは、標準、逆数、ミックスアップトレーニングよりも安定したモデルを生成することができる。
診断は、しばしばトップ1とトップ2の出力確率に近づき、$Margin$は、相違点を区別する他の不確実性指標よりも優れた指標である。
我々は、量子化されたモデルをさらに研究するための新しいベンチマークとして、コードとモデルをオープンソース化した。
論文 参考訳（メタデータ） (2022-04-08T11:19:16Z) - Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。
本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
論文 参考訳（メタデータ） (2022-03-23T12:52:49Z) - Classification of diffraction patterns using a convolutional neural
network in single particle imaging experiments performed at X-ray
free-electron lasers [53.65540150901678]
X線自由電子レーザー(XFEL)における単一粒子イメージング(SPI)は、その自然環境における粒子の3次元構造を決定するのに特に適している。
再建を成功させるためには、単一のヒットに由来する回折パターンを多数の取得パターンから分離する必要がある。
本稿では,この課題を画像分類問題として定式化し,畳み込みニューラルネットワーク(CNN)アーキテクチャを用いて解決することを提案する。
論文 参考訳（メタデータ） (2021-12-16T17:03:14Z) - Time-Frequency Localization Using Deep Convolutional Maxout Neural
Network in Persian Speech Recognition [0.0]
一部の哺乳類の聴覚ニューロン系における時間周波数の柔軟性は、認識性能を向上させる。
本稿では,ASR音響モデルにおける音声信号情報の時間的局所化のためのCNNに基づく構造を提案する。
TFCMNNモデルの平均認識スコアは、従来のモデルの平均よりも約1.6%高い。
論文 参考訳（メタデータ） (2021-08-09T05:46:58Z) - STAR: Sparse Transformer-based Action Recognition [61.490243467748314]
本研究は,空間的次元と時間的次元に細かな注意を払っている新しいスケルトンに基づく人間行動認識モデルを提案する。
実験により、トレーニング可能なパラメータをはるかに少なくし、トレーニングや推論の高速化を図りながら、モデルが同等のパフォーマンスを達成できることが示されている。
論文 参考訳（メタデータ） (2021-07-15T02:53:11Z) - Combining Deep Transfer Learning with Signal-image Encoding for
Multi-Modal Mental Wellbeing Classification [2.513785998932353]
本稿では,複数のマルチモーダルデータセット上で感情状態認識を行う際の限界に対処する枠組みを提案する。
5-point Likertスケールで評価された実世界の幸福度を推定する際のモデル性能は,我々のフレームワークを用いて向上できることを示す。
論文 参考訳（メタデータ） (2020-11-20T13:37:23Z) - Deep learning-based classification of fine hand movements from low
frequency EEG [5.414308305392762]
脳波信号から異なる手の動きの分類は、関連する研究課題である。
我々は新たに提案された畳み込みニューラルネットワーク(CNN)を訓練し、テストした。
CNNは両方のデータセットで優れたパフォーマンスを達成し、ベースラインモデルと似ているか優れている。
論文 参考訳（メタデータ） (2020-11-13T07:16:06Z) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2020-02-21T05:00:01Z)
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。