論文の概要: Efficacy of Transformer Networks for Classification of Raw EEG Data
- arxiv url: http://arxiv.org/abs/2202.05170v1
- Date: Tue, 8 Feb 2022 17:12:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-13 13:20:41.318385
- Title: Efficacy of Transformer Networks for Classification of Raw EEG Data
- Title（参考訳）: 原生脳波データの分類におけるトランスフォーマーネットワークの有効性
- Authors: Gourav Siddhad, Anmol Gupta, Debi Prosad Dogra, Partha Pratim Roy
- Abstract要約: 脳波(EEG)データの分類は困難である。
脳波の深層学習はまだ行われていない。
以上の結果から,トランスフォーマーに基づくディープラーニングモデルにより,脳波データの過剰な特徴抽出の必要性を回避できることが示唆された。
- 参考スコア（独自算出の注目度）: 21.156545825932405
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the unprecedented success of transformer networks in natural language
processing (NLP), recently, they have been successfully adapted to areas like
computer vision, generative adversarial networks (GAN), and reinforcement
learning. Classifying electroencephalogram (EEG) data has been challenging and
researchers have been overly dependent on pre-processing and hand-crafted
feature extraction. Despite having achieved automated feature extraction in
several other domains, deep learning has not yet been accomplished for EEG. In
this paper, the efficacy of the transformer network for the classification of
raw EEG data (cleaned and pre-processed) is explored. The performance of
transformer networks was evaluated on a local (age and gender data) and a
public dataset (STEW). First, a classifier using a transformer network is built
to classify the age and gender of a person with raw resting-state EEG data.
Second, the classifier is tuned for mental workload classification with open
access raw multi-tasking mental workload EEG data (STEW). The network achieves
an accuracy comparable to state-of-the-art accuracy on both the local (Age and
Gender dataset; 94.53% (gender) and 87.79% (age)) and the public (STEW dataset;
95.28% (two workload levels) and 88.72% (three workload levels)) dataset. The
accuracy values have been achieved using raw EEG data without feature
extraction. Results indicate that the transformer-based deep learning models
can successfully abate the need for heavy feature-extraction of EEG data for
successful classification.
- Abstract（参考訳）: 近年、自然言語処理(nlp)におけるトランスフォーマーネットワークの先例のない成功により、コンピュータビジョンやgan(generative adversarial networks)、強化学習といった分野にうまく適用されている。
脳波(EEG)データの分類は困難であり、研究者は前処理や手作りの特徴抽出に過度に依存している。
他のいくつかのドメインで自動機能抽出を達成したにもかかわらず、ディープラーニングはまだEEGでは達成されていない。
本稿では,原脳波データ(クリーニングおよび前処理)の分類におけるトランスフォーマネットワークの有効性について検討する。
変圧器ネットワークの性能は,地域(年齢・性別データ)と公共データセット(stew)を用いて評価した。
まず、トランスネットワークを用いた分類器を構築し、生の安静時脳波データを持つ人の年齢と性別を分類する。
第2に、オープンアクセス生のマルチタスク脳波データ(STEW)を用いたメンタルワークロード分類のために、分類器をチューニングする。
ネットワークは、ローカルデータセット(AgeとGender)、94.53%(性別)、87.79%(年齢)、パブリックデータセット(STEW)、95.28%(ワークロードレベル2つ)、88.72%(ワークロードレベル3つ)の両方で最先端の精度に匹敵する精度を達成する。
特徴抽出を伴わない生脳波データを用いて精度値が得られた。
その結果,トランスフォーマーに基づくディープラーニングモデルにより,脳波データの高機能抽出の必要性を解消し,分類を成功させる可能性が示唆された。
関連論文リスト
- Importance-Aware Adaptive Dataset Distillation [53.79746115426363]
ディープラーニングモデルの開発は、大規模データセットの可用性によって実現されている。
データセットの蒸留は、大きな元のデータセットから必須情報を保持するコンパクトなデータセットを合成することを目的としている。
本稿では, 蒸留性能を向上する重要適応型データセット蒸留(IADD)法を提案する。
論文 参考訳（メタデータ） (2024-01-29T03:29:39Z) - Amplifying Pathological Detection in EEG Signaling Pathways through
Cross-Dataset Transfer Learning [10.212217551908525]
実世界の病理分類課題におけるデータとモデルスケーリングとデータセット間の知識伝達の有効性について検討する。
ネガティブトランスファーの可能性の課題を特定し、いくつかの重要なコンポーネントの重要性を強調する。
以上の結果から,小規模で汎用的なモデル(ShallowNetなど)は単一データセット上では良好に動作するが,大規模なモデル(TCNなど)では,大規模かつ多様なデータセットからの転送や学習がより優れていることが示唆された。
論文 参考訳（メタデータ） (2023-09-19T20:09:15Z) - Towards Data-Efficient Detection Transformers [77.43470797296906]
我々は、ほとんどの検出トランスフォーマーが、小さなデータセットで大きなパフォーマンス低下に悩まされていることを示す。
我々はデータ効率に影響を与える要因を、データ効率のRCNNから代表DETRへのステップバイステップ遷移によって実証的に分析する。
本稿では,よりリッチな監視とデータ効率向上を目的とした,シンプルながら効果的なラベル拡張手法を提案する。
論文 参考訳（メタデータ） (2022-03-17T17:56:34Z) - GANSER: A Self-supervised Data Augmentation Framework for EEG-based
Emotion Recognition [15.812231441367022]
本稿では,GANSER(Generative Adversarial Network-based Self-supervised Data Augmentation)という新しいデータ拡張フレームワークを提案する。
脳波に基づく感情認識のための自己教師型学習と対人訓練を併用する最初の試みとして、提案フレームワークは高品質な模擬脳波サンプルを生成することができる。
変換関数は、脳波信号の一部を隠蔽し、生成元に残りの部分に基づいて潜在的な脳波信号を合成させる。
論文 参考訳（メタデータ） (2021-09-07T14:42:55Z) - Transformer Networks for Data Augmentation of Human Physical Activity
Recognition [61.303828551910634]
Recurrent Generative Adrial Networks (RGAN)のような最先端技術モデルは、リアルな合成データを生成するために使用される。
本稿では,データにグローバルな注意を払っているトランスフォーマーベースの生成敵ネットワークを,PAMAP2とリアルワールドヒューマンアクティビティ認識データセットでRGANと比較する。
論文 参考訳（メタデータ） (2021-09-02T16:47:29Z) - Deep Transformer Networks for Time Series Classification: The NPP Safety
Case [59.20947681019466]
時間依存nppシミュレーションデータをモデル化するために、教師付き学習方法でトランスフォーマと呼ばれる高度なテンポラルニューラルネットワークを使用する。
トランスはシーケンシャルデータの特性を学習し、テストデータセット上で約99%の分類精度で有望な性能が得られる。
論文 参考訳（メタデータ） (2021-04-09T14:26:25Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳（メタデータ） (2021-02-25T14:24:49Z) - ScalingNet: extracting features from raw EEG data for emotion
recognition [4.047737925426405]
生の脳波信号から効果的なデータ駆動スペクトログラムのような特徴を適応的に抽出できる新しい畳み込み層を提案する。
スケーリング層に基づくニューラルネットワークアーキテクチャであるScalingNetは、確立されたDEAPベンチマークデータセット全体で最先端の結果を達成した。
論文 参考訳（メタデータ） (2021-02-07T08:54:27Z) - 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) - Data Augmentation for Enhancing EEG-based Emotion Recognition with Deep
Generative Models [13.56090099952884]
本稿では、感情認識モデルの性能を高めるために、脳波トレーニングデータを増強する3つの方法を提案する。
フル利用戦略では、生成されたすべてのデータが、生成されたデータの品質を判断することなく、トレーニングデータセットに拡張される。
実験結果から,脳波を用いた感情認識モデルの性能向上を図った。
論文 参考訳（メタデータ） (2020-06-04T21:23:09Z)
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。