論文の概要: Minimizing subject-dependent calibration for BCI with Riemannian
transfer learning
- arxiv url: http://arxiv.org/abs/2111.12071v1
- Date: Tue, 23 Nov 2021 18:37:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-24 17:29:58.513382
- Title: Minimizing subject-dependent calibration for BCI with Riemannian
transfer learning
- Title(参考訳): リーマン変換学習によるBCIの主観依存校正の最小化
- Authors: Salim Khazem and Sylvain Chevallier and Quentin Barth\'elemy and Karim
Haroun and Camille No\^us
- Abstract要約: 異なる被験者から記録されたデータに基づいて分類器を訓練し、良好な性能を保ちながら校正を減らそうとする手法を提案する。
このアプローチの堅牢性を示すために,3つのBCIパラダイムに対して,複数のデータセットのメタ分析を行った。
- 参考スコア(独自算出の注目度): 0.8399688944263843
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Calibration is still an important issue for user experience in Brain-Computer
Interfaces (BCI). Common experimental designs often involve a lengthy training
period that raises the cognitive fatigue, before even starting to use the BCI.
Reducing or suppressing this subject-dependent calibration is possible by
relying on advanced machine learning techniques, such as transfer learning.
Building on Riemannian BCI, we present a simple and effective scheme to train a
classifier on data recorded from different subjects, to reduce the calibration
while preserving good performances. The main novelty of this paper is to
propose a unique approach that could be applied on very different paradigms. To
demonstrate the robustness of this approach, we conducted a meta-analysis on
multiple datasets for three BCI paradigms: event-related potentials (P300),
motor imagery and SSVEP. Relying on the MOABB open source framework to ensure
the reproducibility of the experiments and the statistical analysis, the
results clearly show that the proposed approach could be applied on any kind of
BCI paradigm and in most of the cases to significantly improve the classifier
reliability. We point out some key features to further improve transfer
learning methods.
- Abstract(参考訳): キャリブレーションは、BCI(Brain-Computer Interfaces)において、ユーザエクスペリエンスにとって依然として重要な問題である。
一般的な実験的な設計は、bciを使い始める前に認知疲労を増大させる長い訓練期間を含むことが多い。
この主題に依存した校正の削減や抑制は、トランスファーラーニングのような高度な機械学習技術に頼ることで可能である。
リーマンBCIに基づいて,異なる被験者から記録されたデータに基づいて分類器を訓練し,良好な性能を維持しつつ校正を減らし,簡便かつ効果的な手法を提案する。
この論文の主な目新しさは、非常に異なるパラダイムに適用可能なユニークなアプローチを提案することである。
このアプローチのロバスト性を示すために,イベント関連電位(p300),運動画像,ssvepの3つのbciパラダイムについて,複数のデータセットのメタ分析を行った。
実験の再現性と統計解析の信頼性を確保するためMOABBオープンソースフレームワークを用いて,提案手法が任意の種類のBCIパラダイムに適用可能であることを示し,ほとんどの場合,分類器の信頼性を著しく向上させる。
転送学習法をさらに改善するための重要な特徴を指摘する。
関連論文リスト
- A Bayesian Approach to Data Point Selection [24.98069363998565]
データポイントの選択(DPS)は、ディープラーニングにおいて重要なトピックになりつつある。
既存のDPSへのアプローチは、主にバイレベル最適化(BLO)の定式化に基づいている。
DPSに対する新しいベイズ的アプローチを提案する。
論文 参考訳(メタデータ) (2024-11-06T09:04:13Z) - Exploring new territory: Calibration-free decoding for c-VEP BCI [0.0]
本研究では,脳-コンピュータインタフェース(BCI)のユーザビリティ向上を目的とした2つのゼロトレーニング手法について検討する。
事象関連電位(ERP)領域に根ざした新しい手法,unsupervised mean(UMM)を導入する。
正準相関解析(CCA)を用いた最先端のC-VEPゼロトレーニング法と比較する。
論文 参考訳(メタデータ) (2024-03-22T13:20:33Z) - On Task Performance and Model Calibration with Supervised and
Self-Ensembled In-Context Learning [71.44986275228747]
In-context Learning (ICL) は、近年の大規模言語モデル(LLM)の進歩により、効率的なアプローチとなっている。
しかし、両方のパラダイムは、過信の批判的な問題(すなわち、誤校正)に苦しむ傾向にある。
論文 参考訳(メタデータ) (2023-12-21T11:55:10Z) - Majorization-Minimization for sparse SVMs [46.99165837639182]
サポートベクタマシン(SVM)は、数十年前に教師付きフレームワークの下でバイナリ分類タスクを実行するために導入された。
それらはしばしば他の教師付き手法よりも優れており、マシンラーニング分野において最も一般的なアプローチの1つである。
本研究では,スムーズなスパースプロモーティング型正方形ヒンジ損失最小化によるSVMのトレーニングについて検討する。
論文 参考訳(メタデータ) (2023-08-31T17:03:16Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳(メタデータ) (2023-05-25T10:58:46Z) - A Novel Semi-supervised Meta Learning Method for Subject-transfer
Brain-computer Interface [7.372748737217638]
本稿では,BCIにおけるサブジェクトトランスファー学習のための半教師付きメタラーニング(S)手法を提案する。
提案したSは,まず既存の被験者のメタモデルを学習し,その後,半教師付き学習方式でモデルを微調整する。
ラベル付きデータが不足したり高価であったり、ラベルなしデータが手軽に利用可能であったりするBCIアプリケーションにとって、これは重要である。
論文 参考訳(メタデータ) (2022-09-07T15:38:57Z) - Confidence-Aware Subject-to-Subject Transfer Learning for Brain-Computer
Interface [3.2550305883611244]
脳波(EEG)のイントラオブジェクト間変動は脳-コンピュータインターフェース(BCI)の実用化を困難にしている。
TLトレーニングのための高信頼度対象のみを用いたBCIフレームワークを提案する。
本フレームワークでは,低損失トリックに基づく協調学習アルゴリズムを用いて,TLプロセスの有用な対象を選択し,ノイズのある対象を除外する。
論文 参考訳(メタデータ) (2021-12-15T15:23:23Z) - Learning with Multiclass AUC: Theory and Algorithms [141.63211412386283]
ROC曲線 (AUC) の下の領域は、不均衡学習やレコメンダシステムといった問題に対するよく知られたランキング基準である。
本稿では,マルチクラスAUCメトリクスを最適化することで,多クラススコアリング関数を学習する問題について検討する。
論文 参考訳(メタデータ) (2021-07-28T05:18:10Z) - Accurate and Robust Feature Importance Estimation under Distribution
Shifts [49.58991359544005]
PRoFILEは、新しい特徴重要度推定法である。
忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
論文 参考訳(メタデータ) (2020-09-30T05:29:01Z) - Learning Diverse Representations for Fast Adaptation to Distribution
Shift [78.83747601814669]
本稿では,複数のモデルを学習する手法を提案する。
分散シフトへの迅速な適応を促進するフレームワークの能力を実証する。
論文 参考訳(メタデータ) (2020-06-12T12:23:50Z)
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。