論文の概要: Adaptive Template Enhancement for Improved Person Recognition using Small Datasets

• arxiv url: http://arxiv.org/abs/2201.01218v1
• Date: Mon, 3 Jan 2022 10:14:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-05 22:53:03.539152
• Title: Adaptive Template Enhancement for Improved Person Recognition using Small Datasets
• Title（参考訳）: 小型データセットを用いた人物認識改善のための適応型テンプレート拡張
• Authors: Su Yang, Sanaul Hoque and Farzin Deravi
• Abstract要約: 本稿では,脳波(EEG)信号の新たな分類法を提案し,評価した。 提案した適応テンプレート拡張機構は,各特徴次元を別々に扱うことで特徴レベルのインスタンスを変換する。 提案手法は,識別シナリオと検証シナリオの両方において,分類精度が大幅に向上したことを示す。
• 参考スコア（独自算出の注目度）: 0.9668407688201358
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A novel instance-based method for the classification of electroencephalography (EEG) signals is presented and evaluated in this paper. The non-stationary nature of the EEG signals, coupled with the demanding task of pattern recognition with limited training data as well as the potentially noisy signal acquisition conditions, have motivated the work reported in this study. The proposed adaptive template enhancement mechanism transforms the feature-level instances by treating each feature dimension separately, hence resulting in improved class separation and better query-class matching. The proposed new instance-based learning algorithm is compared with a few related algorithms in a number of scenarios. A clinical grade 64-electrode EEG database, as well as a low-quality (high-noise level) EEG database obtained with a low-cost system using a single dry sensor have been used for evaluations in biometric person recognition. The proposed approach demonstrates significantly improved classification accuracy in both identification and verification scenarios. In particular, this new method is seen to provide a good classification performance for noisy EEG data, indicating its potential suitability for a wide range of applications.
• Abstract（参考訳）: そこで本論文では,脳電図(eeg)信号の新たなインスタンスベース分類法を提案し,その評価を行った。 本研究は、脳波信号の非定常的性質と、限られたトレーニングデータによるパターン認識の要求課題と、潜在的にノイズの多い信号取得条件とを組み合わせることで、研究の動機となった。 提案した適応テンプレート拡張機構は,各特徴次元を別々に扱うことで特徴レベルのインスタンスを変換し,クラス分離の改善とクエリクラスマッチングの改善を実現する。 提案するインスタンスベース学習アルゴリズムは,いくつかのシナリオで関連するアルゴリズムと比較される。 単乾式センサを用いた低コストシステムを用いて得られた低品質(高雑音レベル)脳波データベースとともに,臨床グレード64電極脳波データベースを用いて生体認証の評価を行った。 提案手法は,識別シナリオと検証シナリオの両方において,分類精度を大幅に向上させる。 特に, この手法は, ノイズの多い脳波データに対して優れた分類性能を提供し, 幅広いアプリケーションに適用可能な可能性を示している。

関連論文リスト

• EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
  心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。 本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
  論文  参考訳（メタデータ） (2023-10-24T02:37:49Z)
• SleepEGAN: A GAN-enhanced Ensemble Deep Learning Model for Imbalanced Classification of Sleep Stages [4.649202082648198]
  本研究では,睡眠段階の非バランスな分類のために,GAN(Generative Adversarial Network)を用いたアンサンブル深層学習モデルであるSleepEGANを開発した。 提案手法は,3つの睡眠データセットを用いた既存手法と比較して,分類精度を向上できることを示す。
  論文  参考訳（メタデータ） (2023-07-04T01:56:00Z)
• Optimized preprocessing and Tiny ML for Attention State Classification [2.7810511835091427]
  信号処理技術と機械学習アルゴリズムを組み合わせた脳波信号から精神状態の分類手法を提案する。 認知負荷作業中に収集した脳波記録のデータセット上で,提案手法の性能を評価する。
  論文  参考訳（メタデータ） (2023-03-20T18:17:35Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• An Adaptive Task-Related Component Analysis Method for SSVEP recognition [0.913755431537592]
  定常視覚誘発電位(SSVEP)認識法は、被験者の校正データから学習する。 本研究では,限られたキャリブレーションデータから学習する新しい手法を開発した。
  論文  参考訳（メタデータ） (2022-04-17T15:12:40Z)
• Adaptive Spike-Like Representation of EEG Signals for Sleep Stages Scoring [6.644008481573341]
  信号強度の半ガウス的確率によって入力信号と重み特徴を符号化し,フィルタリングし,蓄積する適応的手法を提案する。 提案手法の有効性を検証し,将来有望な方向性を明らかにするため,最先端手法に対する最大の公開データセットの実験を行った。
  論文  参考訳（メタデータ） (2022-04-02T11:21:49Z)
• A SPA-based Manifold Learning Framework for Motor Imagery EEG Data Classification [2.4727719996518487]
  本稿では,運動画像(MI)タスクから2種類の脳波データを分類するための多様体学習フレームワークを提案する。 特徴抽出のために、前処理された脳波信号から共通空間パターン(CSP)によって実装される。 分類のための特徴の近傍では、データの支持に対する局所近似が得られ、次に最も近い支持を持つクラスに特徴が割り当てられる。
  論文  参考訳（メタデータ） (2021-07-30T06:18:05Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• Discriminative Singular Spectrum Classifier with Applications on Bioacoustic Signal Recognition [67.4171845020675]
  分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。 タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。 提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
  論文  参考訳（メタデータ） (2021-03-18T11:01:21Z)
• 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)
• 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。