論文の概要: Introducing Block-Toeplitz Covariance Matrices to Remaster Linear Discriminant Analysis for Event-related Potential Brain-computer Interfaces

• arxiv url: http://arxiv.org/abs/2202.02001v1
• Date: Fri, 4 Feb 2022 07:18:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-07 16:08:28.018993
• Title: Introducing Block-Toeplitz Covariance Matrices to Remaster Linear Discriminant Analysis for Event-related Potential Brain-computer Interfaces
• Title（参考訳）: 事象関連電位脳-コンピュータインタフェースの線形判別解析をリマスターするブロック-トエプリッツ共分散行列の導入
• Authors: Jan Sosulski and Michael Tangermann
• Abstract要約: ToeplitzLDAは、各チャネルのショートタイムウィンドウにおける信号定常性の仮定を実装している。 結果:ToeplitzLDAは縮小正規化LDAに比べてバイナリ分類性能が有意に向上した。 また、ToeplitzLDAは20倍の時間次元拡大に対してもほとんど不変である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Covariance matrices of noisy multichannel electroencephalogram time series data are hard to estimate due to high dimensionality. In brain-computer interfaces (BCI) based on event-related potentials and a linear discriminant analysis (LDA) for classification, the state of the art to address this problem is by shrinkage regularization. We propose a novel idea to tackle this problem by enforcing a block-Toeplitz structure for the covariance matrix of the LDA, which implements an assumption of signal stationarity in short time windows for each channel. On data of 213 subjects collected under 13 event-related potential BCI protocols, the resulting 'ToeplitzLDA' significantly increases the binary classification performance compared to shrinkage regularized LDA (up to 6 AUC points) and Riemannian classification approaches (up to 2 AUC points). This translates to greatly improved application level performances, as exemplified on data recorded during an unsupervised visual speller application, where spelling errors could be reduced by 81% on average for 25 subjects. Aside from lower memory and time complexity for LDA training, ToeplitzLDA proved to be almost invariant even to a twenty-fold time dimensionality enlargement, which reduces the need of expert knowledge regarding feature extraction.
• Abstract（参考訳）: ノイズ多チャンネル脳波時系列データの共分散行列は高次元のため推定が困難である。 事象関連電位に基づく脳-コンピュータインタフェース(BCI)と分類のための線形判別分析(LDA)では、この問題に対処する技術の現状は縮小正規化によるものである。 本稿では,ldaの共分散行列に対してブロック-トエプリッツ構造を適用し,各チャネルの短時間窓における信号定常性の仮定を実装した新しい手法を提案する。 13の事象関連BCIプロトコルに基づいて収集された213人の被験者のデータから、結果として得られる「ToeplitzLDA」は、縮小正規化LDA(最大6AUCポイント)とリーマン分類アプローチ(最大2AUCポイント)と比較してバイナリ分類性能を著しく向上させた。 これは、教師なしのビジュアルスペルアプリケーションで記録されたデータに例示されるように、アプリケーションレベルのパフォーマンスを大幅に改善することを意味します。 LDAトレーニングの低メモリ化と時間的複雑さに加えて、ToeplitzLDAは20倍の時間次元拡張であってもほとんど不変であることが判明し、特徴抽出に関する専門知識の必要性が軽減された。

関連論文リスト

• DACB-Net: Dual Attention Guided Compact Bilinear Convolution Neural Network for Skin Disease Classification [3.3891365992104605]
  本稿では,DACB-Netを用いた3分岐デュアルアテンションガイド型コンパクトバイリニアCNNについて紹介する。 グローバルブランチは、失った識別的特徴を補償し、関連する収穫地に対する注意熱マップ(AHM)を生成する。 このフレームワークはデータ強化、転送学習、微調整を統合し、データの不均衡に対処し、分類性能を改善し、計算コストを削減する。
  論文  参考訳（メタデータ） (2024-07-03T18:32:54Z)
• Minimally Informed Linear Discriminant Analysis: training an LDA model with unlabelled data [51.673443581397954]
  本研究では,LDAモデルからの正確な射影ベクトルを,ラベルのないデータに基づいて計算可能であることを示す。 MILDA投影ベクトルはLDAに匹敵する計算コストで閉じた形で計算可能であることを示す。
  論文  参考訳（メタデータ） (2023-10-17T09:50:31Z)
• Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
  本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。 機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。 提案手法は,画像分類における既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-02T07:31:39Z)
• Accurate Discharge Coefficient Prediction of Streamlined Weirs by Coupling Linear Regression and Deep Convolutional Gated Recurrent Unit [2.4475596711637433]
  本研究では,CFDシミュレーションに代わるデータ駆動モデリング手法を提案する。 提案した3層階層型DLアルゴリズムは,後続の2つのGRUレベルを結合した畳み込み層で構成されており,LR法とハイブリダイゼーションすることで,誤差の低減につながることがわかった。
  論文  参考訳（メタデータ） (2022-04-12T01:59:36Z)
• Covariance-Free Sparse Bayesian Learning [62.24008859844098]
  共分散行列の明示的な反転を回避する新しいSBL推論アルゴリズムを導入する。 私たちの手法は、既存のベースラインよりも数千倍も高速です。 我々は,SBLが高次元信号回復問題に難なく対処できる新しいアルゴリズムについて紹介する。
  論文  参考訳（メタデータ） (2021-05-21T16:20:07Z)
• Regularized Deep Linear Discriminant Analysis [26.08062442399418]
  古典的な線形判別解析(LDA)の非線形拡張として、Deep Linear Discriminant Analysis(DLDA)は元のCategorical Cross Entropy(CCE)損失関数を置き換える。 各次元の識別能力を高めるために, クラス内散乱行列の正則化法を提案する。
  論文  参考訳（メタデータ） (2021-05-15T03:54:32Z)
• Federated Deep AUC Maximization for Heterogeneous Data with a Constant Communication Complexity [77.78624443410216]
  異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。 本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。 FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
  論文  参考訳（メタデータ） (2021-02-09T04:05:19Z)
• Self-Weighted Robust LDA for Multiclass Classification with Edge Classes [111.5515086563592]
  SWRLDAと呼ばれる,l21ノルムを基準とした新しい自己重み付き頑健なLDAを提案する。 提案するSWRLDAは実装が容易で,実際に高速に収束する。
  論文  参考訳（メタデータ） (2020-09-24T12:32:55Z)
• Dimensionality Reduction via Diffusion Map Improved with Supervised Linear Projection [1.7513645771137178]
  本稿では、データサンプルが1つの基礎となる滑らかな多様体上に存在すると仮定する。 ペアワイズローカルカーネル距離を用いてクラス内およびクラス間類似性を定義する。 クラス内類似度を最大化し、クラス間類似度を同時に最小化する線形射影を求める。
  論文  参考訳（メタデータ） (2020-08-08T04:26:07Z)
• A Doubly Regularized Linear Discriminant Analysis Classifier with Automatic Parameter Selection [24.027886914804775]
  線形判別分析(LDA)に基づく分類器は、訓練データのサイズが特徴数よりも小さい、あるいは同等であるような多くの実践的な設定で混乱する傾向にある。 R2LDAと表す2つの正規化LDA分類器を提案する。 合成データと実データの両方から得られた結果は,提案したR2LDA手法の一貫性と有効性を示す。
  論文  参考訳（メタデータ） (2020-04-28T07:09:22Z)
• Detached Error Feedback for Distributed SGD with Random Sparsification [98.98236187442258]
  コミュニケーションのボトルネックは、大規模なディープラーニングにおいて重要な問題である。 非効率な分散問題に対する誤りフィードバックよりも優れた収束性を示す分散誤差フィードバック(DEF)アルゴリズムを提案する。 また、DEFよりも優れた境界を示すDEFの一般化を加速するDEFAを提案する。
  論文  参考訳（メタデータ） (2020-04-11T03:50:59Z)

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。