Fugu-MT 論文翻訳(概要): Tensor-CSPNet: A Novel Geometric Deep Learning Framework for Motor Imagery Classification

論文の概要: Tensor-CSPNet: A Novel Geometric Deep Learning Framework for Motor Imagery Classification

arxiv url: http://arxiv.org/abs/2202.02472v1
Date: Sat, 5 Feb 2022 02:52:23 GMT
ステータス: 処理完了
システム内更新日: 2022-02-08 15:34:03.005702
Title: Tensor-CSPNet: A Novel Geometric Deep Learning Framework for Motor Imagery Classification
Title（参考訳）: Tensor-CSPNet: 運動画像分類のための新しい幾何学的ディープラーニングフレームワーク
Authors: Ce Ju and Cuntai Guan
Abstract要約: 対称正定値(SPD)上での脳波信号を特徴付ける幾何学的深層学習フレームワークCSPNetを提案する。 CSPNetは、2つのMI-EEGデータセットのクロスバリデーションとホールドアウトシナリオにおいて、現在の最先端のパフォーマンスを達成またはわずかに上回る。
参考スコア（独自算出の注目度）: 14.95694356964053
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep learning (DL) has been widely investigated in a vast majority of applications in electroencephalography (EEG)-based brain-computer interfaces (BCIs), especially for motor imagery (MI) classification in the past five years. The mainstream DL methodology for the MI-EEG classification exploits the temporospatial patterns of EEG signals using convolutional neural networks (CNNs), which have been particularly successful in visual images. However, since the statistical characteristics of visual images may not benefit EEG signals, a natural question that arises is whether there exists an alternative network architecture despite CNNs to extract features for the MI-EEG classification. To address this question, we propose a novel geometric deep learning (GDL) framework called Tensor-CSPNet to characterize EEG signals on symmetric positive definite (SPD) manifolds and exploit the temporo-spatio-frequential patterns using deep neural networks on SPD manifolds. Meanwhile, many experiences of successful MI-EEG classifiers have been integrated into the Tensor-CSPNet framework to make it more efficient. In the experiments, Tensor-CSPNet attains or slightly outperforms the current state-of-the-art performance on the cross-validation and holdout scenarios of two MI-EEG datasets. The visualization and interpretability analyses also exhibit its validity for the MI-EEG classification. To conclude, we provide a feasible answer to the question by generalizing the previous DL methodologies on SPD manifolds, which indicates the start of a specific class from the GDL methodology for the MI-EEG classification.
Abstract（参考訳）: 深層学習(DL)は、脳波(EEG)ベースの脳-コンピュータインターフェース(BCI)において、特に過去5年間の運動画像(MI)分類の分野で広く研究されている。 MI-EEG分類のための主流のDL手法は、特に視覚画像において成功した畳み込みニューラルネットワーク(CNN)を用いて脳波信号の時間空間パターンを利用する。しかし、視覚画像の統計的特徴は脳波信号に寄与しない可能性があるため、CNNがMI-EEG分類の特徴を抽出するために、代替のネットワークアーキテクチャが存在するかどうかが自然に疑問視される。そこで本研究では,対称正定値(SPD)多様体上での脳波信号を特徴付け,SPD多様体上での深層ニューラルネットワークを用いた時間-空間-周波数パターンを活用するための,Tensor-CSPNetと呼ばれる新しい幾何学的ディープラーニング(GDL)フレームワークを提案する。一方、成功したMI-EEG分類器の多くの経験は、より効率的にするためにTensor-CSPNetフレームワークに統合されている。実験では、2つのMI-EEGデータセットのクロスバリデーションとホールドアウトシナリオにおいて、Tensor-CSPNetが現在の最先端のパフォーマンスを達成またはわずかに上回っている。可視化と解釈可能性分析はMI-EEG分類の妥当性を示す。結論として、SPD多様体上の従来のDL方法論を一般化することにより、MI-EEG分類のためのGDL手法から特定のクラスの開始を示すことができる。

関連論文リスト

DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
論文参考訳（メタデータ） (2023-09-07T13:43:46Z)
Riemannian Multinomial Logistics Regression for SPD Neural Networks [60.11063972538648]
本稿では,Symmetric Positive Definite (SPD) 行列のための新しいタイプのディープニューラルネットワークを提案する。我々のフレームワークは、既存のSPDネットワークで最も人気のあるLogEig分類器について、斬新な説明を提供する。本手法の有効性は,レーダ認識,人行動認識,脳波分類(EEG)の3つの応用で実証された。
論文参考訳（メタデータ） (2023-05-18T20:12:22Z)
Graph Neural Networks on SPD Manifolds for Motor Imagery Classification: A Perspective from the Time-Frequency Analysis [11.285449381629107]
運動画像(MI)分類は脳脳波(EEG)に基づく脳-コンピュータインタフェースにおける顕著な研究課題である。本研究では,時間周波数解析の観点から,深層学習に基づく幾何学的MI-EEG分類器を増幅する。 Graph-CSPNetは、時間周波数領域における脳波の特徴を捉えるために、新しい多様体評価技術を利用している。
論文参考訳（メタデータ） (2022-10-25T04:48:11Z)
MAtt: A Manifold Attention Network for EEG Decoding [0.966840768820136]
多様体注意ネットワーク(mAtt)を特徴とする脳波復号のための新しい幾何学的学習(GDL)モデルを提案する。時間同期EEGデータセットと非同期EEGデータセットの両方におけるMAttの評価は、一般的なEEGデコーディングのための他の主要なDLメソッドよりも優れていることを示唆している。
論文参考訳（メタデータ） (2022-10-05T02:26:31Z)
EEG-ITNet: An Explainable Inception Temporal Convolutional Network for Motor Imagery Classification [0.5616884466478884]
我々はEEG-ITNetと呼ばれるエンドツーエンドのディープラーニングアーキテクチャを提案する。本モデルでは,多チャンネル脳波信号からスペクトル,空間,時間情報を抽出することができる。 EEG-ITNetは、異なるシナリオにおける分類精度を最大5.9%改善する。
論文参考訳（メタデータ） (2022-04-14T13:18:43Z)
CNN-based Approaches For Cross-Subject Classification in Motor Imagery: From The State-of-The-Art to DynamicNet [0.2936007114555107]
運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)システムは、コミュニケーションと制御の代替手段を提供するためにますます採用されています。信頼できるBCIシステムを得るには、脳信号からMIを正確に分類することが不可欠です。ディープラーニングアプローチは、標準的な機械学習技術の有効な代替手段として現れ始めている。
論文参考訳（メタデータ） (2021-05-17T14:57:13Z)
Classification of Motor Imagery EEG Signals by Using a Divergence Based Convolutional Neural Network [0.0]
増強過程はEEG信号の分類性能を高めるために適用されないことが観察される。本研究では、MI EEG信号の分類性能に及ぼす増強過程の影響について検討した。
論文参考訳（メタデータ） (2021-03-19T18:27:28Z)
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)
Video-based Facial Expression Recognition using Graph Convolutional Networks [57.980827038988735]
我々は、ビデオベースの表情認識のための共通のCNN-RNNモデルに、GCN(Graph Convolutional Network)層を導入する。我々は、CK+、Oulu-CASIA、MMIの3つの広く使われているデータセットと、AFEW8.0の挑戦的なワイルドデータセットについて、本手法の評価を行った。
論文参考訳（メタデータ） (2020-10-26T07:31:51Z)
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)
Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。