論文の概要: Online Optimization of Stimulation Speed in an Auditory Brain-Computer
Interface under Time Constraints
- arxiv url: http://arxiv.org/abs/2109.06011v1
- Date: Thu, 26 Aug 2021 08:18:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-19 13:42:56.722088
- Title: Online Optimization of Stimulation Speed in an Auditory Brain-Computer
Interface under Time Constraints
- Title(参考訳): 時間制約下における聴覚脳-コンピュータインタフェースにおける刺激速度のオンライン最適化
- Authors: Jan Sosulski, David H\"ubner, Aaron Klein, Michael Tangermann
- Abstract要約: 本稿では,個別化実験プロトコルの利点を活かし,聴覚的BCIで評価する手法を提案する。
本研究は,個別化実験プロトコルの利点を活かし,聴覚的BCIで評価する手法を提案する。
- 参考スコア(独自算出の注目度): 5.695163312473305
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The decoding of brain signals recorded via, e.g., an electroencephalogram,
using machine learning is key to brain-computer interfaces (BCIs). Stimulation
parameters or other experimental settings of the BCI protocol typically are
chosen according to the literature. The decoding performance directly depends
on the choice of parameters, as they influence the elicited brain signals and
optimal parameters are subject-dependent. Thus a fast and automated selection
procedure for experimental parameters could greatly improve the usability of
BCIs.
We evaluate a standalone random search and a combined Bayesian optimization
with random search in a closed-loop auditory event-related potential protocol.
We aimed at finding the individually best stimulation speed -- also known as
stimulus onset asynchrony (SOA) -- that maximizes the classification
performance of a regularized linear discriminant analysis. To make the Bayesian
optimization feasible under noise and the time pressure posed by an online BCI
experiment, we first used offline simulations to initialize and constrain the
internal optimization model. Then we evaluated our approach online with 13
healthy subjects.
We could show that for 8 out of 13 subjects, the proposed approach using
Bayesian optimization succeeded to select the individually optimal SOA out of
multiple evaluated SOA values. Our data suggests, however, that subjects were
influenced to very different degrees by the SOA parameter. This makes the
automatic parameter selection infeasible for subjects where the influence is
limited.
Our work proposes an approach to exploit the benefits of individualized
experimental protocols and evaluated it in an auditory BCI. When applied to
other experimental parameters our approach could enhance the usability of BCI
for different target groups -- specifically if an individual disease progress
may prevent the use of standard parameters.
- Abstract(参考訳): 機械学習を用いた脳波による脳信号の復号は、脳-コンピュータインタフェース(BCI)の鍵となる。
BCIプロトコルの刺激パラメータやその他の実験的な設定は、典型的には文献によって選択される。
復号性能は、誘発された脳信号や最適なパラメータに影響を及ぼすため、パラメータの選択に直接依存する。
したがって、実験パラメータに対する高速かつ自動化された選択手順は、BCIのユーザビリティを大幅に向上させることができる。
閉鎖ループ聴覚事象関連電位プロトコルにおけるランダム探索とランダム探索を組み合わせたベイズ最適化の評価を行った。
我々は, 正規化線形判別分析の分類性能を最大化する, 個別に最適な刺激速度(刺激オンセット非同期(SOA)とも呼ばれる)を求める。
騒音下でのベイズ最適化とオンラインbci実験の時間的プレッシャーを実現するために,まずオフラインシミュレーションを用いて内部最適化モデルの初期化と制約を行った。
そして,健常者13名を対象にオンライン評価を行った。
13の主題のうち8つについて、ベイジアン最適化を用いた提案されたアプローチが、複数の評価されたSOAの値から、個々に最適なSOAを選択することに成功しました。
しかし、私たちのデータでは、主題はSOAパラメータによって非常に異なる程度に影響されたことを示唆しています。
これにより、影響が限定された被験者に対して自動パラメータ選択が実現不可能となる。
本研究は,個別化実験プロトコルの利点を活かし,聴覚的BCIで評価する手法を提案する。
他の実験パラメータに適用すると、我々のアプローチは異なる対象グループに対するBCIの使用性を高めることができる。
関連論文リスト
- Online Sensitivity Optimization in Differentially Private Learning [8.12606646175019]
クリッピング閾値を動的に最適化する新しい手法を提案する。
我々は、このしきい値を学習可能なパラメータとして扱い、しきい値とコスト関数のクリーンな関係を確立する。
提案手法は, 多様なデータセット, タスク, モデル次元, プライバシレベルにまたがる代替的かつ適応的な戦略に対して, 徹底的に評価される。
論文 参考訳(メタデータ) (2023-10-02T00:30:49Z) - Self-Correcting Bayesian Optimization through Bayesian Active Learning [46.235017111395344]
ハイパーパラメータ学習を明示的に優先する2つの獲得関数を提案する。
次に、SALを拡張してベイズ最適化とアクティブラーニングを同時に行う自己補正ベイズ最適化(SCoreBO)を導入する。
論文 参考訳(メタデータ) (2023-04-21T14:50:53Z) - Clinical BioBERT Hyperparameter Optimization using Genetic Algorithm
Clinical BioBERT Hyperparameter Optimization using Genetic Algorithm [0.15229257192293197]
社会的健康決定因子(Social Determinants of Health, SDoH)は、社会決定因子(Social Determinants of Health, SDoH)と呼ばれる。
SDoHデータの大部分は、医師や開業医による構造化されていない臨床ノートに記録されている。
本研究は,臨床ノートから文章を抽出し,適切な概念を提供する。
論文 参考訳(メタデータ) (2023-02-08T01:11:59Z) - The Role of Adaptive Optimizers for Honest Private Hyperparameter
Selection [12.38071940409141]
標準合成ツールは、多くの設定において、より高度な技術よりも優れていることを示す。
我々は、新しいより効率的なツールを設計するために、DP設定におけるAdamの制限的な振る舞いを描きます。
論文 参考訳(メタデータ) (2021-11-09T01:56:56Z) - Automatic prior selection for meta Bayesian optimization with a case
study on tuning deep neural network optimizers [47.013395100497775]
このような高価なハイパーパラメータチューニング問題を効率的に解くための原理的アプローチを提案する。
BOの性能の鍵となるのは関数上の分布を指定および精製することであり、これは基礎となる関数の最適化を推論するために使われる。
我々は、一般的な画像やテキストデータセット上で、最先端に近いモデルの何万もの設定をトレーニングすることで、現実的なモデルトレーニング設定におけるアプローチを検証する。
論文 参考訳(メタデータ) (2021-09-16T20:46:26Z) - Resource Planning for Hospitals Under Special Consideration of the
COVID-19 Pandemic: Optimization and Sensitivity Analysis [87.31348761201716]
新型コロナウイルス(covid-19)パンデミックのような危機は、医療機関にとって深刻な課題となる。
BaBSim.Hospitalは離散イベントシミュレーションに基づく容量計画ツールである。
BaBSim.Hospitalを改善するためにこれらのパラメータを調査し最適化することを目指しています。
論文 参考訳(メタデータ) (2021-05-16T12:38:35Z) - How much progress have we made in neural network training? A New
Evaluation Protocol for Benchmarking Optimizers [86.36020260204302]
本稿では、エンドツーエンドの効率とデータ付加訓練の効率を評価するための新しいベンチマークプロトコルを提案する。
評価プロトコルは, ランダム探索よりも, 人間のチューニング行動とよく一致していることを示すために, 人間の実験を行った。
次に,提案したベンチマークフレームワークをコンピュータビジョン,自然言語処理,強化学習,グラフマイニングなどのタスクに適用する。
論文 参考訳(メタデータ) (2020-10-19T21:46:39Z) - An Asymptotically Optimal Multi-Armed Bandit Algorithm and
Hyperparameter Optimization [48.5614138038673]
本稿では,高パラメータ探索評価のシナリオにおいて,SS (Sub-Sampling) と呼ばれる効率的で堅牢な帯域幅に基づくアルゴリズムを提案する。
また,BOSSと呼ばれる新しいパラメータ最適化アルゴリズムを開発した。
実験的な研究は、SSの理論的議論を検証し、多くのアプリケーションにおけるBOSSの優れた性能を実証する。
論文 参考訳(メタデータ) (2020-07-11T03:15:21Z) - DTR Bandit: Learning to Make Response-Adaptive Decisions With Low Regret [59.81290762273153]
動的治療体制 (DTR) はパーソナライズされ適応された多段階の治療計画であり、治療決定を個人の初期特徴に適応させ、その後の各段階における中間結果と特徴に適応させる。
本稿では,探索と搾取を慎重にバランスさせることで,遷移モデルと報酬モデルが線形である場合に,速度-最適後悔を実現する新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-05-06T13:03:42Z) - Optimization of Genomic Classifiers for Clinical Deployment: Evaluation
of Bayesian Optimization to Select Predictive Models of Acute Infection and
In-Hospital Mortality [0.0]
血液から特定の遺伝子の発現レベルを定量化することにより、患者の免疫反応を特徴づけることにより、両方のタスクを遂行する潜在的によりタイムリーで正確な手段を示す。
機械学習手法は、デプロイ対応の分類モデルの開発にこの‘ホスト応答’を活用するプラットフォームを提供する。
急性感染症の診断分類器の開発におけるHO法と29の診断マーカーの遺伝子発現による院内死亡率の比較を行った。
論文 参考訳(メタデータ) (2020-03-27T10:22:02Z)
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。