論文の概要: Cross-Subject Domain Adaptation for Multi-Frame EEG Images

• arxiv url: http://arxiv.org/abs/2106.06769v1
• Date: Sat, 12 Jun 2021 13:04:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-15 16:09:35.321423
• Title: Cross-Subject Domain Adaptation for Multi-Frame EEG Images
• Title（参考訳）: 多フレーム脳波画像に対するクロスオブジェクト領域適応
• Authors: Junfu Chen, Yang Chen, Bi Wang
• Abstract要約: 本研究では,空間的注意(CS-DASA)を考慮したクロスオブジェクト深層適応モデルを提案する。 13の被験者を含むパブリックなWM EEGデータセットで行った実験は、提案モデルが既存の最先端技術よりも優れた性能を達成可能であることを示している。
• 参考スコア（独自算出の注目度）: 7.685326453558987
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Working memory (WM) is a basic part of human cognition, which plays an important role in the study of human cognitive load. Among various brain imaging techniques, electroencephalography has shown its advantage on easy access and reliability. However, one of the critical challenges is that individual difference may cause the ineffective results, especially when the established model meets an unfamiliar subject. In this work, we propose a cross-subject deep adaptation model with spatial attention (CS-DASA) to generalize the workload classifications across subjects. First, we transform time-series EEG data into multi-frame EEG images incorporating more spatio-temporal information. First, the subject-shared module in CS-DASA receives multi-frame EEG image data from both source and target subjects and learns the common feature representations. Then, in subject-specific module, the maximum mean discrepancy is implemented to measure the domain distribution divergence in a reproducing kernel Hilbert space, which can add an effective penalty loss for domain adaptation. Additionally, the subject-to-subject spatial attention mechanism is employed to focus on the most discriminative spatial feature in EEG image data. Experiments conducted on a public WM EEG dataset containing 13 subjects show that the proposed model is capable of achieve better performance than existing state-of-the art methods.
• Abstract（参考訳）: ワーキングメモリ(WM)は、人間の認知の基本的な部分であり、人間の認知負荷の研究において重要な役割を果たす。 様々な脳波イメージング技術の中で、脳波検査は容易なアクセスと信頼性の利点を示している。 しかし、重要な課題の1つは、特に確立されたモデルが不慣れな主題に合う場合、個人差が非効率な結果を引き起こす可能性があることである。 本研究では,空間的注意(cs-dasa)を用いた作業負荷分類を一般化するクロスサブジェクト型深層適応モデルを提案する。 まず,時系列脳波データを時空間情報を含む多フレーム脳波画像に変換する。 まず、CS-DASAの被写体共有モジュールは、ソースとターゲットの両方から多フレーム脳波画像データを受け取り、共通の特徴表現を学習する。 そして、被写体固有のモジュールにおいて、再生されたカーネルヒルベルト空間における領域分布のばらつきを測定するために、最大平均誤差を実装し、ドメイン適応に効果的なペナルティ損失を与える。 さらに、脳波画像データにおける最も識別性の高い空間特徴に焦点をあてるために、主観的対象空間注意機構を用いる。 13の被験者を含むパブリックなWM EEGデータセットで行った実験は、提案モデルが既存の最先端技術よりも優れた性能が得られることを示している。

関連論文リスト

• Do Vision Foundation Models Enhance Domain Generalization in Medical Image Segmentation? [10.20366295974822]
  本稿では,2つの最先端デコーダヘッドであるHSAMとHQSAMの要素を統合し,セグメンテーション性能を向上させる新しいデコーダヘッドアーキテクチャであるHQHSAMを紹介する。 種々の解剖学やモダリティを含む複数のデータセットに対する実験により,FM,特にHQHSAMデコードヘッドを用いて,医用画像分割のための領域一般化が向上したことが明らかとなった。
  論文  参考訳（メタデータ） (2024-09-12T11:41:35Z)
• ShapeMamba-EM: Fine-Tuning Foundation Model with Local Shape Descriptors and Mamba Blocks for 3D EM Image Segmentation [49.42525661521625]
  本稿では3次元EMセグメンテーションのための特殊微調整法であるShapeMamba-EMを提案する。 5つのセグメンテーションタスクと10のデータセットをカバーする、幅広いEMイメージでテストされている。
  論文  参考訳（メタデータ） (2024-08-26T08:59:22Z)
• Probing Fine-Grained Action Understanding and Cross-View Generalization of Foundation Models [13.972809192907931]
  ファンデーションモデル(FM)は、広いデータセットでトレーニングされた大規模なニューラルネットワークである。 ビデオにおける人間の活動認識は、異なるアーキテクチャ間の競争によって駆動されるFMによって進歩している。 本稿では,視線変化が人体活動認識の微粒化における異なるFMに与える影響を実験的に評価する。
  論文  参考訳（メタデータ） (2024-07-22T12:59:57Z)
• Coupled generator decomposition for fusion of electro- and magnetoencephalography data [1.7102695043811291]
  データ融合モデリングは、ソース固有の変数を考慮に入れながら、多様なデータソースにまたがる共通の特徴を識別することができる。 本稿では、テキスト結合型ジェネレータ分解の概念を導入し、データ融合のためのスパース主成分分析をいかに一般化するかを示す。
  論文  参考訳（メタデータ） (2024-03-02T12:09:16Z)
• Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
  Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。 従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。 本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
  論文  参考訳（メタデータ） (2023-12-19T08:14:14Z)
• Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement Learning [53.00683059396803]
  マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。 本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。 本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
  論文  参考訳（メタデータ） (2023-10-06T10:40:46Z)
• Motor Imagery Decoding Using Ensemble Curriculum Learning and Collaborative Training [11.157243900163376]
  マルチオブジェクトEEGデータセットは、いくつかの種類のドメインシフトを示す。 これらの領域シフトは、堅牢なクロスオブジェクトの一般化を妨げる。 複数の特徴抽出器を組み込んだ2段階モデルアンサンブルアーキテクチャを提案する。 我々のモデルアンサンブルアプローチはカリキュラム学習と協調学習の力を組み合わせたものであることを実証する。
  論文  参考訳（メタデータ） (2022-11-21T13:45:44Z)
• AF$_2$: Adaptive Focus Framework for Aerial Imagery Segmentation [86.44683367028914]
  航空画像のセグメンテーションにはいくつかの独特な課題があり、中でも最も重要なものは前景と背景のアンバランスにある。 本稿では,階層的なセグメンテーション手法を採用し,マルチスケール表現を適応的に活用するAdaptive Focus Framework (AF$)を提案する。 AF$は、広く使われている3つの航空ベンチマークの精度を大幅に改善した。
  論文  参考訳（メタデータ） (2022-02-18T10:14:45Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)
• Unsupervised Instance Segmentation in Microscopy Images via Panoptic Domain Adaptation and Task Re-weighting [86.33696045574692]
  病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。 まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。 第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
  論文  参考訳（メタデータ） (2020-05-05T11:08:26Z)

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。