論文の概要: MutualGraphNet: A novel model for motor imagery classification
- arxiv url: http://arxiv.org/abs/2109.04361v1
- Date: Thu, 2 Sep 2021 17:52:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-12 10:55:48.120713
- Title: MutualGraphNet: A novel model for motor imagery classification
- Title（参考訳）: mutualgraphnet:運動画像分類のための新しいモデル
- Authors: Yan Li, Ning Zhong, David Taniar, Haolan Zhang
- Abstract要約: 我々はMutualGraphNetと呼ばれる生の脳波チャネルの相互情報に基づく新しいグラフニューラルネットワークを提案する。
この相互情報を,空間時間グラフ畳み込みネットワーク(ST-GCN)と組み合わせることで,運動画像脳波(EEG)チャネルデータの遷移規則をより効率的に抽出することができる。
- 参考スコア（独自算出の注目度）: 3.9843010039456774
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Motor imagery classification is of great significance to humans with mobility
impairments, and how to extract and utilize the effective features from motor
imagery electroencephalogram(EEG) channels has always been the focus of
attention. There are many different methods for the motor imagery
classification, but the limited understanding on human brain requires more
effective methods for extracting the features of EEG data. Graph neural
networks(GNNs) have demonstrated its effectiveness in classifying graph
structures; and the use of GNN provides new possibilities for brain structure
connection feature extraction. In this paper we propose a novel graph neural
network based on the mutual information of the raw EEG channels called
MutualGraphNet. We use the mutual information as the adjacency matrix combined
with the spatial temporal graph convolution network(ST-GCN) could extract the
transition rules of the motor imagery electroencephalogram(EEG) channels data
more effectively. Experiments are conducted on motor imagery EEG data set and
we compare our model with the current state-of-the-art approaches and the
results suggest that MutualGraphNet is robust enough to learn the interpretable
features and outperforms the current state-of-the-art methods.
- Abstract（参考訳）: 運動画像分類は、運動障害を持つヒトにとって非常に重要であり、運動画像脳波(EEG)チャネルから効果的特徴を抽出し、活用する方法が常に注目されている。
運動画像分類には様々な方法があるが、人間の脳に対する限られた理解は脳波データの特徴を抽出するより効果的な方法を必要とする。
グラフニューラルネットワーク(gnns)は、グラフ構造の分類においてその効果を実証しており、gnnの使用は、脳構造接続特徴抽出に新たな可能性を提供する。
本稿では,MutualGraphNetと呼ばれる生の脳波チャネルの相互情報に基づく新しいグラフニューラルネットワークを提案する。
この相互情報を,空間時間グラフ畳み込みネットワーク(ST-GCN)と組み合わせることで,運動画像脳波(EEG)チャネルデータの遷移規則をより効率的に抽出することができる。
運動画像脳波データセットを用いて実験を行い、現在の最先端手法と比較し、MutualGraphNetは解釈可能な特徴を学習し、現在の最先端手法よりも優れていることを示す。
関連論文リスト
- Compact & Capable: Harnessing Graph Neural Networks and Edge Convolution
for Medical Image Classification [0.0]
本稿では,重要なグラフノード間の接続を強く表現するために,RGBチャネルの特徴値の相互接続性を活用し,GNNとエッジ畳み込みを組み合わせた新しいモデルを提案する。
提案モデルでは,最新のDeep Neural Networks (DNN) と同等に動作するが,1000倍のパラメータが減少し,トレーニング時間とデータ要求が短縮される。
論文 参考訳（メタデータ） (2023-07-24T13:39:21Z) - Spiking Variational Graph Auto-Encoders for Efficient Graph
Representation Learning [10.65760757021534]
本稿では,効率的なグラフ表現学習のためのSNNに基づく深層生成手法,すなわちSpking Variational Graph Auto-Encoders (S-VGAE)を提案する。
我々は,複数のベンチマークグラフデータセット上でリンク予測実験を行い,この結果から,グラフ表現学習における他のANNやSNNに匹敵する性能で,より少ないエネルギーを消費することを示した。
論文 参考訳（メタデータ） (2022-10-24T12:54:41Z) - DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data
via Dynamic Graph Structure Learning [58.94034282469377]
下流予測タスクによって誘導されるfMRIデータの最適時間変化依存性構造を学習する新しい手法であるDynDepNetを提案する。
実世界のfMRIデータセットの実験は、性別分類のタスクにおいて、DynDepNetが最先端の結果を達成することを実証している。
論文 参考訳（メタデータ） (2022-09-27T16:32:11Z) - Relation Embedding based Graph Neural Networks for Handling
Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。
具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文 参考訳（メタデータ） (2022-09-23T05:24:18Z) - EEG-BBNet: a Hybrid Framework for Brain Biometric using Graph
Connectivity [1.1498015270151059]
我々は、畳み込みニューラルネットワーク(CNN)とグラフ畳み込みニューラルネットワーク(GCNN)を統合するハイブリッドネットワークであるEEG-BBNetを提案する。
我々のモデルは、イベント関連電位(ERP)タスクにおけるすべてのベースラインを、セッション内データを用いて平均99.26%の正確な認識率で上回ります。
論文 参考訳（メタデータ） (2022-08-17T10:18:22Z) - Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling
Model [64.29487107585665]
脳機能ネットワーク上のグラフ表現学習技術は、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を容易にする。
本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。
また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
論文 参考訳（メタデータ） (2022-07-14T20:03:52Z) - Classification of EEG Motor Imagery Using Deep Learning for
Brain-Computer Interface Systems [79.58173794910631]
トレーニングされたT1クラス畳み込みニューラルネットワーク(CNN)モデルを使用して、運動画像の識別を成功させる能力を調べる。
理論的には、モデルが正確にトレーニングされた場合、クラスを特定し、それに従ってラベル付けすることが可能になる。
CNNモデルは復元され、より小さなサンプルデータを使用して同じ種類の運動画像データを特定するために使用される。
論文 参考訳（メタデータ） (2022-05-31T17:09:46Z) - Spiking Graph Convolutional Networks [19.36064180392385]
SpikingGCNは、GCNの埋め込みとSNNの生体忠実性特性を統合することを目的としたエンドツーエンドフレームワークである。
ニューロモルフィックチップ上でのスパイキングGCNは、グラフデータ解析にエネルギー効率の明確な利点をもたらすことを示す。
論文 参考訳（メタデータ） (2022-05-05T16:44:36Z) - Emotional EEG Classification using Connectivity Features and
Convolutional Neural Networks [81.74442855155843]
CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。
対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
論文 参考訳（メタデータ） (2021-01-18T13:28:08Z) - GCNs-Net: A Graph Convolutional Neural Network Approach for Decoding
Time-resolved EEG Motor Imagery Signals [8.19994663278877]
グラフ畳み込みニューラルネットワーク(GCN)に基づく新しいディープラーニングフレームワークを提案し,生の脳波信号の復号性能を向上させる。
導入されたアプローチは、パーソナライズされた予測とグループ的な予測の両方に収束することが示されている。
論文 参考訳（メタデータ） (2020-06-16T04:57:12Z) - Understanding Graph Isomorphism Network for rs-fMRI Functional
Connectivity Analysis [49.05541693243502]
グラフ同型ネットワーク(GIN)を用いてfMRIデータを解析するフレームワークを開発する。
本稿では,GINがグラフ空間における畳み込みニューラルネットワーク(CNN)の二重表現であることを示す。
我々は,提案したGINをワンホット符号化で調整するGNNに対して,CNNベースのサリエンシマップ技術を利用する。
論文 参考訳（メタデータ） (2020-01-10T23:40:09Z)
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。