論文の概要: Confidence-Aware Subject-to-Subject Transfer Learning for Brain-Computer
Interface
- arxiv url: http://arxiv.org/abs/2112.09243v1
- Date: Wed, 15 Dec 2021 15:23:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-20 13:59:11.599023
- Title: Confidence-Aware Subject-to-Subject Transfer Learning for Brain-Computer
Interface
- Title（参考訳）: 脳-コンピュータインタフェースのための信頼度を考慮した主語間伝達学習
- Authors: Dong-Kyun Han, Serkan Musellim, Dong-Young Kim
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.2550305883611244
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The inter/intra-subject variability of electroencephalography (EEG) makes the
practical use of the brain-computer interface (BCI) difficult. In general, the
BCI system requires a calibration procedure to tune the model every time the
system is used. This problem is recognized as a major obstacle to BCI, and to
overcome it, approaches based on transfer learning (TL) have recently emerged.
However, many BCI paradigms are limited in that they consist of a structure
that shows labels first and then measures "imagery", the negative effects of
source subjects containing data that do not contain control signals have been
ignored in many cases of the subject-to-subject TL process. The main purpose of
this paper is to propose a method of excluding subjects that are expected to
have a negative impact on subject-to-subject TL training, which generally uses
data from as many subjects as possible. In this paper, we proposed a BCI
framework using only high-confidence subjects for TL training. In our
framework, a deep neural network selects useful subjects for the TL process and
excludes noisy subjects, using a co-teaching algorithm based on the small-loss
trick. We experimented with leave-one-subject-out validation on two public
datasets (2020 international BCI competition track 4 and OpenBMI dataset). Our
experimental results showed that confidence-aware TL, which selects subjects
with small loss instances, improves the generalization performance of BCI.
- Abstract（参考訳）: 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。
一般に、BCIシステムは、システムが使用されるたびにモデルをチューニングするためにキャリブレーション手順を必要とする。
この問題はbciにとって大きな障害として認識されており、それを克服するために、転送学習(tl)に基づくアプローチが最近登場している。
しかし、多くのbciパラダイムはラベルを最初に示し、次に「画像」を測定する構造で構成されており、制御シグナルを含まないデータを含むソースサブジェクトの負の効果は、サブジェクトからサブジェクトへのtlプロセスにおいて無視されている。
本研究の目的は,被写体から被写体へのtlトレーニングに悪影響を与えると思われる被写体を,可能な限り多くの被写体のデータを用いて排除する方法を提案することである。
本稿では,tl訓練のための高信頼課題のみを用いたbciフレームワークを提案する。
本手法では,深層ニューラルネットワークがtlプロセスに有用な対象を選択し,小損失トリックに基づく共学習アルゴリズムを用いて雑音領域を除外する。
我々は,2つの公開データセット(2020年の国際BCIコンペティショントラック4とOpenBMIデータセット)上で,一括検証実験を行った。
実験の結果,BCI の一般化性能は,低損失の被験者を選別する自信認識型 TL により向上した。
関連論文リスト
- Revisiting Euclidean Alignment for Transfer Learning in EEG-Based Brain-Computer Interfaces [18.870033864947377]
伝達学習(TL)は脳波ベースの脳-コンピュータインタフェースの校正を高速化するために広く用いられている。
この課題に対処するため、2020年にエレクトロニックアライメント(EA)が提案された。
本稿では、EAの手順と正しい使用法を導入し、新たな研究の方向性を指摘し、EAを再考する。
論文 参考訳（メタデータ） (2025-02-13T11:43:43Z) - Enhancing Information Maximization with Distance-Aware Contrastive
Learning for Source-Free Cross-Domain Few-Shot Learning [55.715623885418815]
クロスドメインのFew-Shot Learningメソッドは、トレーニング前のフェーズでモデルをトレーニングするために、ソースドメインデータにアクセスする必要がある。
データプライバシやデータ送信やトレーニングコストの削減に対する懸念が高まっているため,ソースデータにアクセスせずにCDFSLソリューションを開発する必要がある。
本稿では,これらの課題に対処するための距離対応コントラスト学習手法を提案する。
論文 参考訳（メタデータ） (2024-03-04T12:10:24Z) - Semi-Federated Learning: Convergence Analysis and Optimization of A
Hybrid Learning Framework [70.83511997272457]
本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。
我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
論文 参考訳（メタデータ） (2023-10-04T03:32:39Z) - 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) - 2021 BEETL Competition: Advancing Transfer Learning for Subject
Independence & Heterogenous EEG Data Sets [89.84774119537087]
我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。
第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。
タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
論文 参考訳（メタデータ） (2022-02-14T12:12:20Z) - Minimizing subject-dependent calibration for BCI with Riemannian
transfer learning [0.8399688944263843]
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。
論文 参考訳（メタデータ） (2021-11-23T18:37:58Z) - Toward Real-World BCI: CCSPNet, A Compact Subject-Independent Motor
Imagery Framework [2.0741711594051377]
従来の脳-コンピュータインタフェース(BCI)は、使用前に各ユーザーに対して完全なデータ収集、トレーニング、校正フェーズを必要とする。
大規模脳波信号データベースの運動画像(MI)パラダイムを学習するCCSPNetという,新規な主体に依存しないBCIフレームワークを提案する。
提案手法は,ウェーブレット核畳み込みニューラルネットワーク(wkcnn)と時間畳み込みニューラルネットワーク(tcnn)を適用し,脳波信号の多様なスペクトル特性を表現・抽出する。
論文 参考訳（メタデータ） (2020-12-25T12:00:47Z) - Towards Accurate Knowledge Transfer via Target-awareness Representation
Disentanglement [56.40587594647692]
本稿では,TRED(Target-Awareness Representation Disentanglement)の概念を取り入れた新しいトランスファー学習アルゴリズムを提案する。
TREDは、対象のタスクに関する関連する知識を元のソースモデルから切り離し、ターゲットモデルを微調整する際、レギュレータとして使用する。
各種実世界のデータセットを用いた実験により,本手法は標準微調整を平均2%以上安定的に改善することが示された。
論文 参考訳（メタデータ） (2020-10-16T17:45:08Z) - A Simple but Tough-to-Beat Data Augmentation Approach for Natural
Language Understanding and Generation [53.8171136907856]
カットオフと呼ばれる、シンプルで効果的なデータ拡張戦略のセットを紹介します。
カットオフはサンプリング一貫性に依存しているため、計算オーバーヘッドが少なくなる。
cutoffは、敵のトレーニングを一貫して上回り、IWSLT2014 German- English データセットで最先端の結果を達成する。
論文 参考訳（メタデータ） (2020-09-29T07:08:35Z) - Transfer Learning for Motor Imagery Based Brain-Computer Interfaces: A
Complete Pipeline [54.73337667795997]
移動学習(TL)は、新しい被験者の校正作業を減らすために、運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)に広く用いられている。
本稿では,MIベースのBCIの3つのコンポーネント(空間フィルタリング,特徴工学,分類)すべてにおいてTLが考慮できることを示す。
論文 参考訳（メタデータ） (2020-07-03T23:44:21Z) - Transfer Learning for EEG-Based Brain-Computer Interfaces: A Review of
Progress Made Since 2016 [35.68916211292525]
脳コンピュータインタフェース(BCI)は、脳信号を用いてコンピュータと直接通信することができる。
EEGはノイズ/アーティファクトに敏感で、オブジェクト間/オブジェクト間非定常性に悩まされる。
脳波に基づくBCIシステムでは,様々な被験者に最適なパターン認識モデルを構築することは困難である。
論文 参考訳（メタデータ） (2020-04-13T16:44:55Z)
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。