論文の概要: Classification of Upper Arm Movements from EEG signals using Machine Learning with ICA Analysis

• arxiv url: http://arxiv.org/abs/2107.08514v1
• Date: Sun, 18 Jul 2021 18:56:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-21 02:14:56.976967
• Title: Classification of Upper Arm Movements from EEG signals using Machine Learning with ICA Analysis
• Title（参考訳）: ICA解析を用いた機械学習を用いた脳波信号からの上腕運動の分類
• Authors: Pranali Kokate, Sidharth Pancholi, Amit M. Joshi
• Abstract要約: 本稿では,多層パーセプトロンニューラルネットワークを用いて,左右の動作を識別する独自のアルゴリズムを提案する。 不要信号の干渉は、アルゴリズムの性能に影響を与える脳波信号を汚染する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Brain-Computer Interface system is a profoundly developing area of experimentation for Motor activities which plays vital role in decoding cognitive activities. Classification of Cognitive-Motor Imagery activities from EEG signals is a critical task. Hence proposed a unique algorithm for classifying left/right-hand movements by utilizing Multi-layer Perceptron Neural Network. Handcrafted statistical Time domain and Power spectral density frequency domain features were extracted and obtained a combined accuracy of 96.02%. Results were compared with the deep learning framework. In addition to accuracy, Precision, F1-Score, and recall was considered as the performance metrics. The intervention of unwanted signals contaminates the EEG signals which influence the performance of the algorithm. Therefore, a novel approach was approached to remove the artifacts using Independent Components Analysis which boosted the performance. Following the selection of appropriate feature vectors that provided acceptable accuracy. The same method was used on all nine subjects. As a result, intra-subject accuracy was obtained for 9 subjects 94.72%. The results show that the proposed approach would be useful to classify the upper limb movements accurately.
• Abstract（参考訳）: Brain-Computer Interface Systemは、認知活動の復号に重要な役割を果たす運動活動の実験領域として、大きく発展している。 脳波信号からの認知運動画像活動の分類は重要な課題である。 そこで,多層パーセプトロンニューラルネットワークを用いて左右動作を分類する一意アルゴリズムを提案した。 手作り統計時間領域とパワースペクトル密度周波数領域の特徴を抽出し、96.02%の精度を得た。 結果はディープラーニングフレームワークと比較された。 精度に加えて、精度、F1スコア、リコールがパフォーマンス指標とされた。 望ましくない信号の干渉は、アルゴリズムの性能に影響を与える脳波信号を汚染する。 そこで, 独立成分分析を駆使して成果物を除去する新しい手法が提案され, 性能が向上した。 適切な特徴ベクトルの選択に従えば、許容できる精度が得られる。 同じ手法が全9科目で使用された。 その結果,9被験者94.72%に対して物体内精度が得られた。 その結果,提案手法は上肢運動を正確に分類するのに有用であることが示唆された。

関連論文リスト

• EMG-Based Hand Gesture Recognition through Diverse Domain Feature Enhancement and Machine Learning-Based Approach [1.8796659304823702]
  表面筋電図(EMG)は手の動き認識と人間とコンピュータの相互作用において重要なツールである。 本研究では,EMG信号を用いた手動作の分類手法を提案する。
  論文  参考訳（メタデータ） (2024-08-25T04:55:42Z)
• Bayesian Functional Connectivity and Graph Convolutional Network for Working Memory Load Classification [0.0]
  本研究では,センサ空間における脳波の機能的接続を学習するためのベイズ構造学習アルゴリズムを提案する。 その結果,6種類の言語作業記憶負荷の被験者154名に対して対象内(対象別)分類を行ったところ,96%の判定精度が得られた。 また,αバンドとthetaバンドの分類精度はβバンドよりも良好であった。
  論文  参考訳（メタデータ） (2024-04-30T11:31:07Z)
• A Comparative Study of Conventional and Tripolar EEG for High-Performance Reach-to-Grasp BCI Systems [0.14999444543328289]
  本研究の目的は、三極性脳波(tEEG)と従来の脳波(tEEG)の有効性を比較することで、運動障害のある個人に対するBCI応用を強化することである。 目標は、どの脳波技術が関連する神経信号を処理し、翻訳するのにより効果的かを決定することである。
  論文  参考訳（メタデータ） (2024-01-31T23:35:44Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• Multi-scale Promoted Self-adjusting Correlation Learning for Facial Action Unit Detection [37.841035367349434]
  AU(Facial Action Unit)検出は、感情コンピューティングと社会ロボティクスにおいて重要なタスクである。 以前の方法では、専門家の経験や特定のベンチマークの統計規則に基づいて、固定されたAU相関を用いた。 本稿では,自己調整型AU相関学習(SACL)手法を提案する。
  論文  参考訳（メタデータ） (2023-08-15T13:43:48Z)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)
• Improved Speech Emotion Recognition using Transfer Learning and Spectrogram Augmentation [56.264157127549446]
  音声感情認識(SER)は、人間とコンピュータの相互作用において重要な役割を果たす課題である。 SERの主な課題の1つは、データの不足である。 本稿では,スペクトログラム拡張と併用した移動学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-05T10:39:39Z)
• Domain Adaptive Robotic Gesture Recognition with Unsupervised Kinematic-Visual Data Alignment [60.31418655784291]
  本稿では,マルチモダリティ知識,すなわちキネマティックデータとビジュアルデータを同時にシミュレータから実ロボットに伝達できる,教師なしドメイン適応フレームワークを提案する。 ビデオの時間的手がかりと、ジェスチャー認識に対するマルチモーダル固有の相関を用いて、トランスファー可能な機能を強化したドメインギャップを修復する。 その結果, 本手法は, ACCでは最大12.91%, F1scoreでは20.16%と, 実際のロボットではアノテーションを使わずに性能を回復する。
  論文  参考訳（メタデータ） (2021-03-06T09:10:03Z)
• Physical Action Categorization using Signal Analysis and Machine Learning [2.430361444826172]
  本稿では,4つの物理行動の分類のための機械学習に基づくフレームワークを提案する。 表面筋電図 (SEMG) は, 物理的運動を信号に変換して分類し, 使用するための非侵襲的なメカニズムを示す。
  論文  参考訳（メタデータ） (2020-08-16T18:43:00Z)
• SEKD: Self-Evolving Keypoint Detection and Description [42.114065439674036]
  ラベルのない自然画像から高度な局所特徴モデルを学ぶための自己教師型フレームワークを提案する。 提案手法は, ホモグラフィー推定, 相対的なポーズ推定, および動きからの構造的タスクについてベンチマークする。 トレーニングされたモデルとともに、コードを公開します。
  論文  参考訳（メタデータ） (2020-06-09T06:56:50Z)
• Effect of Analysis Window and Feature Selection on Classification of Hand Movements Using EMG Signal [0.20999222360659603]
  近年,パターン認識(PR)に基づく筋電制御の研究は,機械学習分類器の助けを借りて有望な結果を示した。 複数のクラスの動きと直感的な制御を提供することで、日常的な生活運動を行うために切断対象に電力を供給することができる。 我々は,手の動きの分類精度を向上させるために,効率的なデータ前処理と最適な特徴選択が有効であることを示す。
  論文  参考訳（メタデータ） (2020-02-02T19:03:23Z)

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。