論文の概要: A SPA-based Manifold Learning Framework for Motor Imagery EEG Data Classification

• arxiv url: http://arxiv.org/abs/2108.00865v1
• Date: Fri, 30 Jul 2021 06:18:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-05 06:48:30.728170
• Title: A SPA-based Manifold Learning Framework for Motor Imagery EEG Data Classification
• Title（参考訳）: 運動画像脳波データ分類のためのSPAに基づくマニフォールド学習フレームワーク
• Authors: Xiangyun Li, Peng Chen, Zhanpeng Bao
• Abstract要約: 本稿では,運動画像(MI)タスクから2種類の脳波データを分類するための多様体学習フレームワークを提案する。 特徴抽出のために、前処理された脳波信号から共通空間パターン(CSP)によって実装される。 分類のための特徴の近傍では、データの支持に対する局所近似が得られ、次に最も近い支持を持つクラスに特徴が割り当てられる。
• 参考スコア（独自算出の注目度）: 2.4727719996518487
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The electroencephalography (EEG) signal is a non-stationary, stochastic, and highly non-linear bioelectric signal for which achieving high classification accuracy is challenging, especially when the number of subjects is limited. As frequently used solution, classifiers based on multilayer neural networks has to be implemented without large training data sets and careful tuning. This paper proposes a manifold learning framework to classify two types of EEG data from motor imagery (MI) tasks by discovering lower dimensional geometric structures. For feature extraction, it is implemented by Common Spatial Pattern (CSP) from the preprocessed EEG signals. In the neighborhoods of the features for classification, the local approximation to the support of the data is obtained, and then the features are assigned to the classes with the closest support. A spherical approximation (SPA) classifier is created using spherelets for local approximation, and the extracted features are classified with this manifold-based method. The SPA classifier achieves high accuracy in the 2008 BCI competition data, and the analysis shows that this method can significantly improve the decoding accuracy of MI tasks and exhibit strong robustness for small sample datasets. It would be simple and efficient to tune the two-parameters classifier for the online brain-computer interface(BCI)system.
• Abstract（参考訳）: 脳波信号(EEG)は、特に被検体の数が限られている場合に高い分類精度を達成する非定常的、確率的、高非線形の生体電気信号である。 頻繁なソリューションとして、多層ニューラルネットワークに基づく分類器は、大きなトレーニングデータセットと注意深いチューニングなしで実装する必要がある。 本稿では,低次元幾何学的構造を発見し,運動画像(MI)タスクから2種類の脳波データを分類するための多様体学習フレームワークを提案する。 特徴抽出のために、前処理された脳波信号から共通空間パターン(csp)によって実装される。 分類のための特徴の近傍では、データの支持に対する局所近似が得られ、次に最も近い支持を持つクラスに特徴が割り当てられる。 局所近似のために球面を用いて球面近似(SPA)分類器を作成し、この多様体法により抽出した特徴を分類する。 本手法は,2008年のbciコンペティションデータにおいて高い精度を実現し,miタスクの復号精度を著しく向上し,小規模サンプルデータセットに対して強い堅牢性を示すことを示す。 オンライン脳コンピュータインタフェース(BCI)システムのための2パラメータ分類器のチューニングはシンプルで効率的である。

関連論文リスト

• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• Few-Shot Specific Emitter Identification via Deep Metric Ensemble Learning [26.581059299453663]
  本稿では,自動監視ブロードキャスト(ADS-B)信号を用いた航空機識別のための新しいFS-SEIを提案する。 特に,提案手法は特徴埋め込みと分類から成り立っている。 シミュレーションの結果,カテゴリごとのサンプル数が5以上であれば,提案手法の平均精度は98%以上であることがわかった。
  論文  参考訳（メタデータ） (2022-07-14T01:09:22Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Inducing Gaussian Process Networks [80.40892394020797]
  本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。 特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。 実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
  論文  参考訳（メタデータ） (2022-04-21T05:27:09Z)
• Adaptive Template Enhancement for Improved Person Recognition using Small Datasets [0.9668407688201358]
  本稿では,脳波(EEG)信号の新たな分類法を提案し,評価した。 提案した適応テンプレート拡張機構は,各特徴次元を別々に扱うことで特徴レベルのインスタンスを変換する。 提案手法は,識別シナリオと検証シナリオの両方において,分類精度が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2022-01-03T10:14:38Z)
• An Efficient Epileptic Seizure Detection Technique using Discrete Wavelet Transform and Machine Learning Classifiers [0.0]
  本稿では,離散ウェーブレット変換(DWT)と機械学習分類器を用いたてんかん検出手法を提案する。 DWTは、周波数帯域の異なる信号のより良い分解を提供するため、特徴抽出に使われてきた。
  論文  参考訳（メタデータ） (2021-09-26T18:30:04Z)
• Motor Imagery Classification based on CNN-GRU Network with Spatio-Temporal Feature Representation [22.488536453952964]
  近年、脳波(EEG)信号に様々なディープニューラルネットワークが応用されている。 脳波は非侵襲的に取得できる脳信号であり、時間分解能が高い。 脳波信号は高次元の分類特徴空間を持つため,性能向上には適切な特徴抽出法が必要である。
  論文  参考訳（メタデータ） (2021-07-15T01:05:38Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
  本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。 提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
  論文  参考訳（メタデータ） (2021-01-24T19:03:10Z)

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。