Fugu-MT 論文翻訳(概要): Uncertainty Detection in EEG Neural Decoding Models

論文の概要: Uncertainty Detection in EEG Neural Decoding Models

arxiv url: http://arxiv.org/abs/2201.00627v1
Date: Tue, 28 Dec 2021 08:14:11 GMT
ステータス: 処理完了
システム内更新日: 2022-01-09 12:58:10.188565
Title: Uncertainty Detection in EEG Neural Decoding Models
Title（参考訳）: 脳波神経復号モデルにおける不確かさ検出
Authors: Tiehang Duan, Zhenyi Wang, Sheng Liu, Sargur N. Srihari, Hui Yang
Abstract要約: ディープニューラルネットワークに基づく脳波復号システムは脳コンピュータインタフェース(BCI)の意思決定に広く利用されている。しかし、その予測は、脳波信号における大きなばらつきとノイズを考えると信頼性が低い。脳波復号過程における不確実性を探るための不確実性推定モデル(UE-EEG)を提案する。
参考スコア（独自算出の注目度）: 10.533776581789606
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: EEG decoding systems based on deep neural networks have been widely used in decision making of brain computer interfaces (BCI). Their predictions, however, can be unreliable given the significant variance and noise in EEG signals. Previous works on EEG analysis mainly focus on the exploration of noise pattern in the source signal, while the uncertainty during the decoding process is largely unexplored. Automatically detecting and quantifying such decoding uncertainty is important for BCI motor imagery applications such as robotic arm control etc. In this work, we proposed an uncertainty estimation model (UE-EEG) to explore the uncertainty during the EEG decoding process, which considers both the uncertainty in the input signal and the uncertainty in the model. The model utilized dropout oriented method for model uncertainty estimation, and Bayesian neural network is adopted for modeling the uncertainty of input data. The model can be integrated into current widely used deep learning classifiers without change of architecture. We performed extensive experiments for uncertainty estimation in both intra-subject EEG decoding and cross-subject EEG decoding on two public motor imagery datasets, where the proposed model achieves significant improvement on the quality of estimated uncertainty and demonstrates the proposed UE-EEG is a useful tool for BCI applications.
Abstract（参考訳）: ディープニューラルネットワークに基づく脳波復号システムは脳コンピュータインタフェース(BCI)の意思決定に広く利用されている。しかしながら、脳波信号の有意なばらつきとノイズを考えると、それらの予測は信頼できない。 eeg分析に関する以前の研究は、主に音源信号のノイズパターンの探索に焦点を当てているが、復号過程における不確かさはほとんど未解明である。ロボットアーム制御などのBCIモータ画像応用においては,このようなデコード不確実性を自動検出・定量化することが重要である。本研究では,入力信号の不確かさとモデルの不確かさの両方を考慮し,脳波復号過程における不確かさを探索する不確実性推定モデル(UE-EEG)を提案する。このモデルを用いてモデル不確実性推定を行い,入力データの不確かさをモデル化するためにベイジアンニューラルネットワークを採用した。このモデルは、アーキテクチャを変更することなく、現在広く使われているディープラーニング分類器に統合することができる。提案手法により推定不確実性の品質が大幅に向上し,提案するue-eegがbci応用に有用であることを示す2つの公開運動画像データセット上で,サブジェクト内脳波復号とクロスサブジェクト脳波復号の両方における不確実性推定の広範な実験を行った。

関連論文リスト

Uncertainty Quantification for Bird's Eye View Semantic Segmentation: Methods and Benchmarks [10.193504550494486]
本稿では,BEVセグメンテーションにおける予測不確実性定量化のためのベンチマークを提案する。誤分類および非分布画素の識別における予測不確実性の有効性と校正に焦点が当てられている。本研究では,不均衡なデータに対する不確実性-局所-クロス-エントロピー損失を提案し,セグメンテーションの品質とキャリブレーションを継続的に改善する。
論文参考訳（メタデータ） (2024-05-31T16:32:46Z)
EEG decoding with conditional identification information [7.873458431535408]
脳波信号を復号することは、人間の脳を解き放ち、脳とコンピュータのインターフェースを進化させるのに不可欠である。従来の機械学習アルゴリズムは、高ノイズレベルと脳波信号の個人間変動によって妨げられている。ディープニューラルネットワーク(DNN)の最近の進歩は、その高度な非線形モデリング能力のために、将来性を示している。
論文参考訳（メタデータ） (2024-03-21T13:38:59Z)
Neural State-Space Models: Empirical Evaluation of Uncertainty Quantification [0.0]
本稿では,ニューラル状態空間モデルを用いたシステム同定のための不確実性定量化に関する予備的結果を示す。ベイズ確率的設定で学習問題をフレーム化し、ニューラルネットワークの重みと出力の後方分布を求める。後部に基づいて,出力の信頼区間を構築し,潜在的に危険なアウト・オブ・ディストリビューション体制下でモデルの使用を効果的に診断できるサプライズ指標を定義する。
論文参考訳（メタデータ） (2023-04-13T08:57:33Z)
Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
論文参考訳（メタデータ） (2023-03-03T16:12:59Z)
Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
不確実性推定は統計的に正確な予測を提供する効果的なツールである。本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
論文参考訳（メタデータ） (2023-02-12T14:30:03Z)
IB-UQ: Information bottleneck based uncertainty quantification for neural function regression and neural operator learning [11.5992081385106]
本稿では,科学的機械学習タスクのための情報ボトルネック(IB-UQ)による不確実性定量化のための新しいフレームワークを提案する。我々は,入力データの信頼度に応じて,入力を潜在表現に符号化する信頼認識エンコーダによってボトルネックを埋め込む。また,外挿不確かさの質を高めるために,データ拡張に基づく情報ボトルネック目標を提案する。
論文参考訳（メタデータ） (2023-02-07T05:56:42Z)
Diffusion Denoising Process for Perceptron Bias in Out-of-distribution Detection [67.49587673594276]
我々は、識別器モデルが入力の特定の特徴に対してより敏感であることを示唆する新しいパーセプトロンバイアスの仮定を導入し、過度な問題を引き起こした。 DMの拡散分解過程 (DDP) が非対称の新たな形態として機能し, 入力を高め, 過信問題を緩和するのに適していることを示す。 CIFAR10, CIFAR100, ImageNetによる実験により, 提案手法がSOTA手法より優れていることが示された。
論文参考訳（メタデータ） (2022-11-21T08:45:08Z)
Bayesian autoencoders with uncertainty quantification: Towards trustworthy anomaly detection [78.24964622317634]
本研究では, ベイズオートエンコーダ (BAEs) の定式化により, 全体の異常不確かさを定量化する。不確実性の質を評価するために,不確実性の予測を拒否するオプションを追加して,異常を分類する作業を検討する。本実験は,BAEと総異常不確かさが,ベンチマークデータセットと製造用実データセットのセットに与える影響を実証するものである。
論文参考訳（メタデータ） (2022-02-25T12:20:04Z)
EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
論文参考訳（メタデータ） (2021-01-24T19:03:10Z)
Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文参考訳（メタデータ） (2020-06-26T13:50:19Z)
Classification and Recognition of Encrypted EEG Data Neural Network [10.171935814743678]
ニューラルネットワークに基づく暗号化脳波データの分類と認識手法を提案する。 EEGデータを暗号化するためにPaillier暗号化アルゴリズムを採用し、浮動小数点演算の問題を解決する。我々の提案は、他のソリューションと比較して十分な精度、効率、実現可能性を持っている。
論文参考訳（メタデータ） (2020-06-15T04:21:23Z)

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。