論文の概要: Cross-Subject Domain Adaptation for Classifying Working Memory Load with Multi-Frame EEG Images
- arxiv url: http://arxiv.org/abs/2106.06769v5
- Date: Sat, 30 Nov 2024 13:19:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-03 16:55:36.798426
- Title: Cross-Subject Domain Adaptation for Classifying Working Memory Load with Multi-Frame EEG Images
- Title(参考訳): 多フレーム脳波画像を用いた作業記憶負荷の分類のためのクロスオブジェクト領域適応
- Authors: Junfu Chen, Sirui Li, Dechang Pi,
- 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。
まず,脳波時系列を空間情報,スペクトル情報,時間情報を含む多フレーム脳波画像に変換する。
最後に、対象画像データからの識別的空間的特徴に焦点を合わせるために、主観的空間的注意機構を用いる。
- 参考スコア(独自算出の注目度): 23.88791823748776
- License:
- Abstract: Working memory (WM), denoting the information temporally stored in the mind, is a fundamental research topic in the field of human cognition. Electroencephalograph (EEG), which can monitor the electrical activity of the brain, has been widely used in measuring the level of WM. However, one of the critical challenges is that individual differences may cause 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 EEG time series into multi-frame EEG images incorporating spatial, spectral, and 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 the 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 discriminative spatial features from the target image data. Experiments conducted on a public WM EEG dataset containing 13 subjects show that the proposed model is capable of achieving better performance than existing state-of-the-art methods.
- Abstract(参考訳): ワーキングメモリ(WM)とは、人間の認知の分野における基本的な研究課題である。
脳波計(EEG)は、脳の電気活動を監視し、WMのレベルを測定するのに広く用いられている。
しかし、重要な課題の1つは、個人差が、特に確立されたモデルが馴染みの無い主題に合う場合、効果的でない結果をもたらす可能性があることである。
本研究では,空間的注意(CS-DASA)を用いたクロスオブジェクト深層適応モデルを提案する。
まず,脳波時系列を空間情報,スペクトル情報,時間情報を含む多フレーム脳波画像に変換する。
まず、CS-DASAのサブジェクト共有モジュールは、ソースとターゲットの両方からマルチ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ことができる。
また、対象画像データからの識別的空間特徴に焦点を合わせるために、主観的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手法よりも優れた性能を達成可能であることを示している。
関連論文リスト
- PhysAug: A Physical-guided and Frequency-based Data Augmentation for Single-Domain Generalized Object Detection [4.592579302639643]
Single-Domain Generalized Object Detection (S-DGOD) は、オブジェクト検出器を利用することで、さまざまな未確認対象領域にわたる堅牢なパフォーマンスのために、単一のソースドメイン上でトレーニングすることを目的としている。
既存のS-DGODアプローチは、検出器の一般化能力を高めるために、視覚変換の合成を含むデータ拡張戦略に依存することが多い。
本稿では,S-DGODタスクの適応性を高めるために,新しい物理モデルに基づく非理想的撮像条件データ拡張法であるPhysAugを提案する。
論文 参考訳(メタデータ) (2024-12-16T14:18:01Z) - 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) - 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) - Improving Vision Anomaly Detection with the Guidance of Language
Modality [64.53005837237754]
本稿では,マルチモーダルの観点から視覚モダリティの課題に取り組む。
本稿では,冗長な情報問題とスパース空間問題に対処するために,クロスモーダルガイダンス(CMG)を提案する。
視覚異常検出のためのよりコンパクトな潜在空間を学習するために、CMLEは言語モダリティから相関構造行列を学習する。
論文 参考訳(メタデータ) (2023-10-04T13:44:56Z) - A Dynamic Domain Adaptation Deep Learning Network for EEG-based Motor
Imagery Classification [1.7465786776629872]
動的ドメイン適応型ディープラーニングネットワーク(DADL-Net)を提案する。
まず、脳波データを3次元幾何学空間にマッピングし、その時空間的特徴を3次元畳み込みモジュールを通して学習する。
精度は70.42%と73.91%で、OpenBMIとBCIC IV 2aデータセットで達成された。
論文 参考訳(メタデータ) (2023-09-21T01:34:00Z) - Prototype-based Domain Generalization Framework for Subject-Independent
Brain-Computer Interfaces [17.60434807901964]
脳-コンピュータインターフェース(BCI)は脳波の経時的変動により実際に使用することが困難である
本稿では,ソースデータセットから主題固有のスタイル特徴を学習する補助タスクとして,オープンセット認識技術を用いたフレームワークを提案する。
論文 参考訳(メタデータ) (2022-04-15T07:35:46Z) - 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) - 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。