論文の概要: ExBrainable: An Open-Source GUI for CNN-based EEG Decoding and Model
Interpretation
- arxiv url: http://arxiv.org/abs/2201.04065v1
- Date: Mon, 10 Jan 2022 15:21:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-12 15:03:30.405168
- Title: ExBrainable: An Open-Source GUI for CNN-based EEG Decoding and Model
Interpretation
- Title(参考訳): ExBrainable: CNNベースのEEGデコーディングとモデル解釈のためのオープンソースGUI
- Authors: Ya-Lin Huang, Chia-Ying Hsieh, Jian-Xue Huang, Chun-Shu Wei
- Abstract要約: ExBrainableは、脳波デコーディング(EEG)における畳み込みニューラルネットワーク(CNN)モデルのトレーニングと可視化に特化している。
利用可能な機能には、時間的および空間的表現の観点からのモデルトレーニング、評価、パラメータ可視化が含まれる。
- 参考スコア(独自算出の注目度): 1.7778609937758327
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We have developed a graphic user interface (GUI), ExBrainable, dedicated to
convolutional neural networks (CNN) model training and visualization in
electroencephalography (EEG) decoding. Available functions include model
training, evaluation, and parameter visualization in terms of temporal and
spatial representations. We demonstrate these functions using a well-studied
public dataset of motor-imagery EEG and compare the results with existing
knowledge of neuroscience. The primary objective of ExBrainable is to provide a
fast, simplified, and user-friendly solution of EEG decoding for investigators
across disciplines to leverage cutting-edge methods in brain/neuroscience
research.
- Abstract(参考訳): 我々は,脳波デコーディングにおける畳み込みニューラルネットワーク(CNN)モデルトレーニングと可視化に特化したグラフィックユーザインタフェースであるExBrainableを開発した。
利用可能な機能には、時間的および空間的表現の観点からのモデルトレーニング、評価、パラメータ可視化が含まれる。
運動画像脳波の公開データセットを用いてこれらの機能を実証し,既存の神経科学知識と比較した。
exbrainableの主な目的は、脳/神経科学研究において最先端の方法を活用するために、研究員に脳波デコーディングの高速でシンプルでユーザフレンドリーなソリューションを提供することである。
関連論文リスト
- WaLiN-GUI: a graphical and auditory tool for neuron-based encoding [73.88751967207419]
ニューロモルフィックコンピューティングはスパイクベースのエネルギー効率の高い通信に依存している。
本研究では, スパイクトレインへのサンプルベースデータの符号化に適した構成を同定するツールを開発した。
WaLiN-GUIはオープンソースとドキュメントが提供されている。
論文 参考訳(メタデータ) (2023-10-25T20:34:08Z) - Decoding visual brain representations from electroencephalography
through Knowledge Distillation and latent diffusion models [0.12289361708127873]
本稿では,脳波(EEG)データを用いて,ImageNetデータセットから画像の分類と再構成を行う革新的な手法を提案する。
我々は6人の被験者の脳波記録を分析し、それぞれ40のユニークな意味カテゴリーにまたがる50の画像に暴露した。
我々は,事前学習した潜伏拡散モデルに基づく画像再構成機構を導入し,脳波を誘発した画像の推定を可能とした。
論文 参考訳(メタデータ) (2023-09-08T09:13:50Z) - Brain informed transfer learning for categorizing construction hazards [0.0]
この研究は、市販の脳-コンピュータインターフェースを通じて記録された人間の脳信号から学習することで、機械学習アルゴリズムを改善するためのステップである。
より一般化された視覚認識システムは、この「ループ内の人間」のアプローチに基づいて効果的に開発することができる。
論文 参考訳(メタデータ) (2022-11-17T19:41:04Z) - Explainable fMRI-based Brain Decoding via Spatial Temporal-pyramid Graph
Convolutional Network [0.8399688944263843]
既存のfMRIベースの脳デコードのための機械学習手法は、分類性能が低いか、説明性が悪いかのいずれかに悩まされている。
本稿では,機能的脳活動の時空間グラフ表現を捉えるために,生物学的にインスパイアされたアーキテクチャである時空間ピラミドグラフ畳み込みネットワーク(STpGCN)を提案する。
我々は,Human Connectome Project (HCP) S1200から23の認知タスク下でのfMRIデータに関する広範な実験を行った。
論文 参考訳(メタデータ) (2022-10-08T12:14:33Z) - Adapting Brain-Like Neural Networks for Modeling Cortical Visual
Prostheses [68.96380145211093]
皮質補綴は視覚野に移植された装置で、電気的にニューロンを刺激することで失った視力を回復しようとする。
現在、これらのデバイスが提供する視覚は限られており、刺激による視覚知覚を正確に予測することはオープンな課題である。
我々は、視覚システムの有望なモデルとして登場した「脳様」畳み込みニューラルネットワーク(CNN)を活用することで、この問題に対処することを提案する。
論文 参考訳(メタデータ) (2022-09-27T17:33:19Z) - DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data
via Dynamic Graph Structure Learning [58.94034282469377]
下流予測タスクによって誘導されるfMRIデータの最適時間変化依存性構造を学習する新しい手法であるDynDepNetを提案する。
実世界のfMRIデータセットの実験は、性別分類のタスクにおいて、DynDepNetが最先端の結果を達成することを実証している。
論文 参考訳(メタデータ) (2022-09-27T16:32:11Z) - Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling
Model [64.29487107585665]
脳機能ネットワーク上のグラフ表現学習技術は、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を容易にする。
本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。
また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
論文 参考訳(メタデータ) (2022-07-14T20:03:52Z) - FBNETGEN: Task-aware GNN-based fMRI Analysis via Functional Brain
Network Generation [11.434951542977515]
我々は,脳深部ネットワーク生成によるタスク認識・解釈可能なfMRI解析フレームワークFBNETGENを開発した。
このプロセスとともに、重要な新しいコンポーネントは、生の時系列機能をタスク指向の脳ネットワークに変換することを学ぶグラフジェネレータである。
学習可能なグラフはまた、予測関連脳領域を強調することで独自の解釈を提供する。
論文 参考訳(メタデータ) (2022-05-25T03:26:50Z) - Deep Reinforcement Learning Guided Graph Neural Networks for Brain
Network Analysis [61.53545734991802]
本稿では,各脳ネットワークに最適なGNNアーキテクチャを探索する新しい脳ネットワーク表現フレームワークBN-GNNを提案する。
提案するBN-GNNは,脳ネットワーク解析タスクにおける従来のGNNの性能を向上させる。
論文 参考訳(メタデータ) (2022-03-18T07:05:27Z) - LGGNet: Learning from Local-Global-Graph Representations for
Brain-Computer Interface [9.825158483198113]
我々は,脳波から局所的グローバルグラフ表現を学ぶために,神経学的にインスパイアされたグラフニューラルネットワークlggを提案する。
脳波の時間的ダイナミクスを学習するために, 複数スケールの1次元畳み込み核とカーネルレベルの注目融合を有する時間的畳み込み層を提案する。
論文 参考訳(メタデータ) (2021-05-05T12:06:34Z) - Emotional EEG Classification using Connectivity Features and
Convolutional Neural Networks [81.74442855155843]
CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。
対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
論文 参考訳(メタデータ) (2021-01-18T13:28:08Z)
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。