論文の概要: Decoding ECoG signal into 3D hand translation using deep learning

• arxiv url: http://arxiv.org/abs/2110.03528v1
• Date: Tue, 5 Oct 2021 15:41:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-08 15:24:22.421432
• Title: Decoding ECoG signal into 3D hand translation using deep learning
• Title（参考訳）: 深層学習を用いた3次元手話翻訳へのECoG信号のデコード
• Authors: Maciej \'Sliwowski, Matthieu Martin, Antoine Souloumiac, Pierre Blanchart, Tetiana Aksenova
• Abstract要約: 運動脳-コンピュータインターフェース(Motor Brain-Computer Interface、BCI)は、運動障害者が環境と対話できる技術である。 連続手の動きを予測するために使用されるほとんどのECoG信号デコーダは線形モデルである。 多くの問題において最先端のディープラーニングモデルは、この関係をよりよく捉えるための解決策になり得る。
• 参考スコア（独自算出の注目度）: 3.20238141000059
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motor brain-computer interfaces (BCIs) are a promising technology that may enable motor-impaired people to interact with their environment. Designing real-time and accurate BCI is crucial to make such devices useful, safe, and easy to use by patients in a real-life environment. Electrocorticography (ECoG)-based BCIs emerge as a good compromise between invasiveness of the recording device and good spatial and temporal resolution of the recorded signal. However, most ECoG signal decoders used to predict continuous hand movements are linear models. These models have a limited representational capacity and may fail to capture the relationship between ECoG signal and continuous hand movements. Deep learning (DL) models, which are state-of-the-art in many problems, could be a solution to better capture this relationship. In this study, we tested several DL-based architectures to predict imagined 3D continuous hand translation using time-frequency features extracted from ECoG signals. The dataset used in the analysis is a part of a long-term clinical trial (ClinicalTrials.gov identifier: NCT02550522) and was acquired during a closed-loop experiment with a tetraplegic subject. The proposed architectures include multilayer perceptron (MLP), convolutional neural networks (CNN), and long short-term memory networks (LSTM). The accuracy of the DL-based and multilinear models was compared offline using cosine similarity. Our results show that CNN-based architectures outperform the current state-of-the-art multilinear model. The best architecture exploited the spatial correlation between neighboring electrodes with CNN and benefited from the sequential character of the desired hand trajectory by using LSTMs. Overall, DL increased the average cosine similarity, compared to the multilinear model, by up to 60%, from 0.189 to 0.302 and from 0.157 to 0.249 for the left and right hand, respectively.
• Abstract（参考訳）: 運動脳-コンピュータインターフェース(Motor Brain-Computer Interface、BCI)は、運動障害者が自分の環境と対話できる、有望な技術である。 リアルタイムで正確なbciを設計することは、現実の環境で患者が使用しやすく、安全で、簡単に使えるようにするために不可欠である。 エレクトロコルチコグラフィー(ECoG)に基づくBCIは、記録装置の侵入性と記録信号の空間的・時間的分解能の良好な相違として出現する。 しかし、連続手の動きを予測するために使用されるほとんどのECoG信号デコーダは線形モデルである。 これらのモデルは限られた表現能力を持ち、ECoG信号と連続手の動きの関係を捉えることができない。 ディープラーニング(DL)モデルは、多くの問題において最先端のモデルであり、この関係をよりよく捉えるための解決策になり得る。 本研究では,ECoG信号から抽出した時間周波数特徴を用いた3次元連続手話翻訳の予測法について検討した。 分析に使用されるデータセットは、長期臨床試験(clinicaltrials.gov identifier: nct02550522)の一部であり、四麻痺患者によるクローズドループ実験中に取得された。 提案アーキテクチャには、多層パーセプトロン(MLP)、畳み込みニューラルネットワーク(CNN)、長期記憶ネットワーク(LSTM)などがある。 DLモデルとマルチ線形モデルの精度をコサイン類似度を用いてオフラインで比較した。 以上の結果から,CNNアーキテクチャは現状のマルチリニアモデルよりも優れていることがわかった。 最良構造は、隣り合う電極とCNNとの空間的相関を利用しており、LSTMを用いて所望のハンドトラジェクトリのシーケンシャル特性から恩恵を受けている。 総じて、DLは左手では0.189から0.302、左手では0.157から0.249まで、マルチリニアモデルと比較して平均コサイン類似度を60%向上させた。

関連論文リスト

• 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)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Online Transformers with Spiking Neurons for Fast Prosthetic Hand Control [1.6114012813668934]
  本稿では,自己注意機構の代わりにスライディングウィンドウアテンション機構を用いる。 この機構は、入力とターゲット間の有限範囲依存性を持つ連続的な信号に対してより効率的であることを示す。 本研究の結果は,スムーズな義手制御のためのsEMG信号の正確かつ高速なオンライン処理を約束するものである。
  論文  参考訳（メタデータ） (2023-03-21T13:59:35Z)
• Deep learning for ECoG brain-computer interface: end-to-end vs. hand-crafted features [4.7773230870500605]
  脳信号は時間的データであり、低信号対雑音比、不確実なラベル、非定常データである。 これらの要因はトレーニングプロセスに影響を与え、モデルのパフォーマンス改善を遅くする可能性がある。 本稿では,BCIモータ画像復号における生のECoG信号と時間周波数特徴を用いたモデルを比較した。
  論文  参考訳（メタデータ） (2022-10-05T20:18:30Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• An intertwined neural network model for EEG classification in brain-computer interfaces [0.6696153817334769]
  脳コンピュータインタフェース(BCI)は、脳とコンピュータまたは外部装置との間の非刺激的直接的、時折双方向通信リンクである。 マルチクラスモータ画像分類における最先端性能を実現するために特別に設計されたディープニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-08-04T09:00:34Z)
• Learning A 3D-CNN and Transformer Prior for Hyperspectral Image Super-Resolution [80.93870349019332]
  本稿では,CNN の代わりに Transformer を用いて HSI の事前学習を行う新しい HSISR 手法を提案する。 具体的には、まず勾配アルゴリズムを用いてHSISRモデルを解き、次に展開ネットワークを用いて反復解過程をシミュレートする。
  論文  参考訳（メタデータ） (2021-11-27T15:38:57Z)
• Multiscale Spatio-Temporal Graph Neural Networks for 3D Skeleton-Based Motion Prediction [92.16318571149553]
  本稿では,次世代の3次元骨格型人間のポーズを予測するため,マルチスケール・テンポラルグラフニューラルネットワーク(MST-GNN)を提案する。 MST-GNNは、短期および長期の動作予測において最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-08-25T14:05:37Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• 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)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。