論文の概要: On the utility of power spectral techniques with feature selection
techniques for effective mental task classification in noninvasive BCI
- arxiv url: http://arxiv.org/abs/2111.08154v1
- Date: Tue, 16 Nov 2021 00:27:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-17 16:16:29.911850
- Title: On the utility of power spectral techniques with feature selection
techniques for effective mental task classification in noninvasive BCI
- Title（参考訳）: 非侵襲的bciにおける効果的なメンタルタスク分類のための特徴選択技術を用いたパワースペクトル手法の有用性について
- Authors: Akshansh Gupta, Ramesh Kumar Agrawal, Jyoti Singh Kirar, Javier
Andreu-Perez, Wei-Ping Ding, Chin-Teng Lin, Mukesh Prasad
- Abstract要約: 本稿では,メンタルタスク分類において,関連性および非関連性のあるスペクトル特徴を選択する手法を提案する。
その結果,メンタルタスク分類のための学習モデルの性能は大幅に向上した。
- 参考スコア（独自算出の注目度）: 19.19039983741124
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this paper classification of mental task-root Brain-Computer Interfaces
(BCI) is being investigated, as those are a dominant area of investigations in
BCI and are of utmost interest as these systems can be augmented life of people
having severe disabilities. The BCI model's performance is primarily dependent
on the size of the feature vector, which is obtained through multiple channels.
In the case of mental task classification, the availability of training samples
to features are minimal. Very often, feature selection is used to increase the
ratio for the mental task classification by getting rid of irrelevant and
superfluous features. This paper proposes an approach to select relevant and
non-redundant spectral features for the mental task classification. This can be
done by using four very known multivariate feature selection methods viz,
Bhattacharya's Distance, Ratio of Scatter Matrices, Linear Regression and
Minimum Redundancy & Maximum Relevance. This work also deals with a comparative
analysis of multivariate and univariate feature selection for mental task
classification. After applying the above-stated method, the findings
demonstrate substantial improvements in the performance of the learning model
for mental task classification. Moreover, the efficacy of the proposed approach
is endorsed by carrying out a robust ranking algorithm and Friedman's
statistical test for finding the best combinations and comparing different
combinations of power spectral density and feature selection methods.
- Abstract（参考訳）: 本稿では,BCIにおける脳-コンピュータ・インタフェース(BCI)の分類について検討している。
BCIモデルの性能は、主に複数のチャネルを通して得られる特徴ベクトルのサイズに依存する。
メンタルタスク分類の場合、機能に対するトレーニングサンプルの可用性は最小限である。
機能選択は、無関係で余分な特徴を取り除き、メンタルタスク分類の比率を上げるためにしばしば用いられる。
本稿では,メンタルタスク分類のための関連スペクトル特徴と非冗長スペクトル特徴の選択手法を提案する。
これは、非常によく知られた4つの多変量特徴選択方法viz、Bhattacharya's Distance、Ratio of Scatter Matrices、Linear Regression、Minimum Redundancy & Maximum Relevanceを使って実現できる。
この研究は、メンタルタスク分類のための多変量および単変量特徴選択の比較分析も扱う。
以上の結果より,メンタルタスク分類における学習モデルの性能が大幅に向上したことが示された。
さらに,提案手法の有効性を,ロバストなランキングアルゴリズムとフリードマンの統計検定により検証し,最適の組み合わせを見いだし,パワースペクトル密度と特徴選択法の異なる組み合わせを比較することで検証した。
関連論文リスト
- Enhancing Classification Performance via Reinforcement Learning for
Feature Selection [0.0]
本研究では,分類モデルの性能向上における効果的な特徴選択の重要性について検討する。
本稿では、強化学習(RL)アルゴリズム、特にQ-learning(QL)とSARSA学習を用いることで、特徴選択の課題に対処する。
論文 参考訳（メタデータ） (2024-03-09T18:34:59Z) - Greedy feature selection: Classifier-dependent feature selection via
greedy methods [2.4374097382908477]
本研究の目的は, グリージーな特徴選択に追随する特徴選択と呼ばれる, 分類タスクにおける特徴ランク付けのための新しいアプローチを導入することである。
このようなスキームの利点は、Vapnik-Chervonenkis(VC)次元やカーネルアライメントといったモデルキャパシティインジケータの観点から理論的に研究されている。
論文 参考訳（メタデータ） (2024-03-08T08:12:05Z) - Feature Selection as Deep Sequential Generative Learning [50.00973409680637]
本研究では, 逐次再構成, 変分, 性能評価器の損失を伴って, 深部変分変圧器モデルを構築した。
提案モデルでは,特徴選択の知識を抽出し,連続的な埋め込み空間を学習し,特徴選択決定シーケンスをユーティリティスコアに関連付けられた埋め込みベクトルにマッピングする。
論文 参考訳（メタデータ） (2024-03-06T16:31:56Z) - A Contrast Based Feature Selection Algorithm for High-dimensional Data
set in Machine Learning [9.596923373834093]
本稿では,異なるクラス間で示される相違点に基づいて識別的特徴を抽出する新しいフィルタ特徴選択手法であるContrastFSを提案する。
提案手法の有効性と有効性について検証し,提案手法が無視可能な計算で良好に動作することを示す。
論文 参考訳（メタデータ） (2024-01-15T05:32:35Z) - Graph-Based Automatic Feature Selection for Multi-Class Classification
via Mean Simplified Silhouette [4.786337974720721]
本稿では,自動特徴選択のためのグラフベースの新しいフィルタ手法を提案する(略してGB-AFS)。
予測性能を維持するために必要な特徴の最小の組み合わせを決定する。
選択する機能の数など、ユーザ定義パラメータを一切必要としない。
論文 参考訳（メタデータ） (2023-09-05T14:37:31Z) - Compactness Score: A Fast Filter Method for Unsupervised Feature
Selection [66.84571085643928]
本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。
提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
論文 参考訳（メタデータ） (2022-01-31T13:01:37Z) - Multivariate feature ranking of gene expression data [62.997667081978825]
ペアワイズ相関とペアワイズ整合性に基づく2つの新しい多変量特徴ランキング手法を提案する。
提案手法は, クラスタリング変動, チ・スクエアド, 相関, 情報ゲイン, ReliefF および Significance の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-11-03T17:19:53Z) - MCDAL: Maximum Classifier Discrepancy for Active Learning [74.73133545019877]
近年の最先端のアクティブラーニング手法は, 主にGAN(Generative Adversarial Networks)をサンプル取得に活用している。
本稿では,MCDAL(Maximum Discrepancy for Active Learning)と呼ぶ新しいアクティブラーニングフレームワークを提案する。
特に,両者の差分を最大化することにより,より厳密な決定境界を学習する2つの補助的分類層を利用する。
論文 参考訳（メタデータ） (2021-07-23T06:57:08Z) - Channel DropBlock: An Improved Regularization Method for Fine-Grained
Visual Classification [58.07257910065007]
既存のアプローチは主に、識別的部分を見つけるための注意機構や、高度にパラメータ化された特徴を弱教師付きで抽出する特徴符号化アプローチを導入することでこの問題に対処している。
本研究では,CDB(Channel DropBlock)と呼ばれる軽量で効果的な正規化手法を提案する。
論文 参考訳（メタデータ） (2021-06-07T09:03:02Z) - Towards Efficient Processing and Learning with Spikes: New Approaches
for Multi-Spike Learning [59.249322621035056]
各種タスクにおける他のベースラインよりも優れた性能を示すための2つの新しいマルチスパイク学習ルールを提案する。
特徴検出タスクでは、教師なしSTDPの能力と、その制限を提示する能力を再検討する。
提案した学習ルールは,特定の制約を適用せずに,幅広い条件で確実にタスクを解くことができる。
論文 参考訳（メタデータ） (2020-05-02T06:41:20Z) - A novel embedded min-max approach for feature selection in nonlinear
support vector machine classification [0.0]
min-max最適化問題に基づく組込み特徴選択法を提案する。
双対性理論を活用することにより、min-max問題を等価に修正し、それ以上のアドを伴わずに解決する。
提案手法の効率性と有用性は,いくつかのベンチマークデータセットで検証される。
論文 参考訳（メタデータ） (2020-04-21T09:40:38Z)
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。