論文の概要: Towards Natural Brain-Machine Interaction using Endogenous Potentials
based on Deep Neural Networks
- arxiv url: http://arxiv.org/abs/2107.07335v1
- Date: Fri, 25 Jun 2021 05:34:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-18 12:21:15.364620
- Title: Towards Natural Brain-Machine Interaction using Endogenous Potentials
based on Deep Neural Networks
- Title（参考訳）: 深部ニューラルネットワークを用いた内因性電位を用いた自然脳と機械の相互作用
- Authors: Hyung-Ju Ahn, Dae-Hyeok Lee, Ji-Hoon Jeong, Seong-Whan Lee
- Abstract要約: 脳機械インタフェース(BMI)はロボットと協調する上で望ましい技術である。
EEGの精度は低く、信号対雑音比が低いため、自由度は制限されている。
本研究では,複数の内因性BMIパラダイムのパラダイム間分類の可能性を検討した。
- 参考スコア（独自算出の注目度）: 20.598972933619198
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Human-robot collaboration has the potential to maximize the efficiency of the
operation of autonomous robots. Brain-machine interface (BMI) would be a
desirable technology to collaborate with robots since the intention or state of
users can be translated from the neural activities. However, the
electroencephalogram (EEG), which is one of the most popularly used
non-invasive BMI modalities, has low accuracy and a limited degree of freedom
(DoF) due to a low signal-to-noise ratio. Thus, improving the performance of
multi-class EEG classification is crucial to develop more flexible BMI-based
human-robot collaboration. In this study, we investigated the possibility for
inter-paradigm classification of multiple endogenous BMI paradigms, such as
motor imagery (MI), visual imagery (VI), and speech imagery (SI), to enhance
the limited DoF while maintaining robust accuracy. We conducted the statistical
and neurophysiological analyses on MI, VI, and SI and classified three
paradigms using the proposed temporal information-based neural network (TINN).
We confirmed that statistically significant features could be extracted on
different brain regions when classifying three endogenous paradigms. Moreover,
our proposed TINN showed the highest accuracy of 0.93 compared to the previous
methods for classifying three different types of mental imagery tasks (MI, VI,
and SI).
- Abstract（参考訳）: 人間とロボットのコラボレーションは、自律ロボットの操作効率を最大化する可能性がある。
脳機械インタフェース(BMI)は、ユーザーの意図や状態が神経活動から翻訳できるため、ロボットと協調する上で望ましい技術である。
しかし、最も一般的な非侵襲的BMIモダリティの1つである脳波図(EEG)は、信号対雑音比が低いため、精度が低く、自由度(DoF)が制限されている。
したがって、より柔軟なBMIベースの人間ロボットコラボレーションを開発するためには、マルチクラス脳波分類の性能向上が不可欠である。
本研究では,運動画像 (MI) や視覚画像 (VI) ,音声画像 (SI) などの複数の内因性BMIパラダイムのパラダイム間分類の可能性を検討した。
MI, VI, SIの統計的, 神経生理学的解析を行い, 提案した時間情報ベースニューラルネットワーク(TINN)を用いて3つのパラダイムを分類した。
3つの内在的パラダイムを分類すると, 統計的に有意な特徴が異なる脳領域で抽出できることを確認した。
さらに,提案したTINNは,従来の3種類の精神イメージタスク(MI, VI, SI)の分類法と比較して0.93の精度を示した。
関連論文リスト
- Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。
現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。
我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文 参考訳（メタデータ） (2024-04-11T15:46:42Z) - Single Neuromorphic Memristor closely Emulates Multiple Synaptic
Mechanisms for Energy Efficient Neural Networks [71.79257685917058]
我々はこれらのシナプス機能を本質的にエミュレートするSrTiO3に基づく膜状ナノデバイスを実証する。
これらのメムリスタは、安定かつエネルギー効率の良い運転を可能にする非定常低導電系で機能する。
論文 参考訳（メタデータ） (2024-02-26T15:01:54Z) - Predicting Infant Brain Connectivity with Federated Multi-Trajectory
GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。
我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。
フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文 参考訳（メタデータ） (2024-01-01T10:20:01Z) - 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) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z) - Mental arithmetic task classification with convolutional neural network
based on spectral-temporal features from EEG [0.47248250311484113]
ディープニューラルネットワーク(DNN)は、コンピュータビジョンアプリケーションにおいて大きな優位性を示している。
ここでは、主に2つの畳み込みニューラルネットワーク層を使用し、比較的少ないパラメータと高速で脳波からスペクトル時間的特徴を学習する浅層ニューラルネットワークを提案する。
実験の結果、浅いCNNモデルは他の全てのモデルより優れており、最高分類精度は90.68%に達した。
論文 参考訳（メタデータ） (2022-09-26T02:15:22Z) - Overcoming the Domain Gap in Neural Action Representations [60.47807856873544]
3Dポーズデータは、手動で介入することなく、マルチビュービデオシーケンスから確実に抽出できる。
本稿では,ニューラルアクション表現の符号化を,ニューラルアクションと行動拡張のセットと共に導くために使用することを提案する。
ドメインギャップを減らすために、トレーニングの間、同様の行動をしているように見える動物間で神経と行動のデータを取り替える。
論文 参考訳（メタデータ） (2021-12-02T12:45:46Z) - Increasing Liquid State Machine Performance with Edge-of-Chaos Dynamics
Organized by Astrocyte-modulated Plasticity [0.0]
液体状態機械(LSM)は勾配のバックプロパゲーションなしで内部重量を調整する。
近年の知見は、アストロサイトがシナプスの可塑性と脳のダイナミクスを調節していることを示唆している。
本稿では, 自己組織的近接臨界力学を用いて, 性能の低いニューロン-アストロサイト液状状態機械 (NALSM) を提案する。
論文 参考訳（メタデータ） (2021-10-26T23:04:40Z) - Ensemble manifold based regularized multi-modal graph convolutional
network for cognitive ability prediction [33.03449099154264]
マルチモーダル機能磁気共鳴イメージング(fMRI)を使用して、脳の接続ネットワークに基づいて個々の行動特性および認知特性を予測することができます。
本稿では,fMRI時系列と各脳領域間の機能接続(FC)を組み込んだ,解釈可能な多モードグラフ畳み込みネットワーク(MGCN)モデルを提案する。
我々は、フィラデルフィア神経開発コホート上のMGCNモデルを検証し、個々の広範囲達成テスト(WRAT)スコアを予測します。
論文 参考訳（メタデータ） (2021-01-20T20:53:07Z) - Going deeper with brain morphometry using neural networks [18.851541271793085]
深部畳み込みニューラルネットワークは数秒で形態計測を推測できる。
我々はHerstonNetという名の脳形態計測のためのより正確で効率的なニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2020-09-07T07:57:13Z)
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。