論文の概要: Priming Cross-Session Motor Imagery Classification with A Universal Deep Domain Adaptation Framework

• arxiv url: http://arxiv.org/abs/2202.09559v2
• Date: Wed, 26 Jul 2023 01:36:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-27 16:42:01.652985
• Title: Priming Cross-Session Motor Imagery Classification with A Universal Deep Domain Adaptation Framework
• Title（参考訳）: Universal Deep Domain Adaptation Frameworkを用いたクロスセッションモータ画像のプライミング
• Authors: Zhengqing Miao, Xin Zhang, Carlo Menon, Yelong Zheng, Meirong Zhao, Dong Ming
• Abstract要約: 運動画像(英: Motor image、MI)は、脳のコンピュータインタフェース(BCI)のパラダイムである。 本稿では,領域適応理論の数学的モデルに基づくクロスセッションMI分類のための,シームズ深部ドメイン適応(SDDA)フレームワークを提案する。 提案するフレームワークは、ネットワーク構造を変更することなく、既存のほとんどのニューラルネットワークに容易に適用することができる。
• 参考スコア（独自算出の注目度）: 3.6824205556465834
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motor imagery (MI) is a common brain computer interface (BCI) paradigm. EEG is non-stationary with low signal-to-noise, classifying motor imagery tasks of the same participant from different EEG recording sessions is generally challenging, as EEG data distribution may vary tremendously among different acquisition sessions. Although it is intuitive to consider the cross-session MI classification as a domain adaptation problem, the rationale and feasible approach is not elucidated. In this paper, we propose a Siamese deep domain adaptation (SDDA) framework for cross-session MI classification based on mathematical models in domain adaptation theory. The proposed framework can be easily applied to most existing artificial neural networks without altering the network structure, which facilitates our method with great flexibility and transferability. In the proposed framework, domain invariants were firstly constructed jointly with channel normalization and Euclidean alignment. Then, embedding features from source and target domain were mapped into the Reproducing Kernel Hilbert Space (RKHS) and aligned accordingly. A cosine-based center loss was also integrated into the framework to improve the generalizability of the SDDA. The proposed framework was validated with two classic and popular convolutional neural networks from BCI research field (EEGNet and ConvNet) in two MI-EEG public datasets (BCI Competition IV IIA, IIB). Compared to the vanilla EEGNet and ConvNet, the proposed SDDA framework was able to boost the MI classification accuracy by 15.2%, 10.2% respectively in IIA dataset, and 5.5%, 4.2% in IIB dataset. The final MI classification accuracy reached 82.01% in IIA dataset and 87.52% in IIB, which outperformed the state-of-the-art methods in the literature.
• Abstract（参考訳）: 運動画像(英: Motor image、MI)は、脳のコンピュータインタフェース(BCI)のパラダイムである。 脳波は信号と雑音の少ない非定常的であり、異なる脳波記録セッションから同じ参加者の運動画像タスクを分類することは一般的に困難である。 クロスセッションMI分類をドメイン適応問題と考えるのは直感的であるが、合理的かつ実現可能なアプローチは解明されていない。 本稿では,領域適応理論の数学的モデルに基づくクロスセッションMI分類のための,シームズ深部ドメイン適応(SDDA)フレームワークを提案する。 提案手法は,既存のニューラルネットワークの多くに対して,ネットワーク構造を変更せずに容易に適用することができる。 提案手法では,まずチャネル正規化とユークリッドアライメントを併用してドメイン不変量を構築した。 次に、ソースとターゲットドメインからの埋め込み機能を再生カーネルヒルベルト空間(RKHS)にマッピングし、それに従って整列する。 SDDAの一般化性を改善するために,コサインに基づく中心損失もフレームワークに統合された。 提案フレームワークは、2つのMI-EEG公開データセット(BCI Competition IIA, IIB)において、BCI研究分野(EEGNetとConvNet)から古典的で一般的な畳み込みニューラルネットワークを用いて検証された。 バニラのEEGNetとConvNetと比較して、提案されたSDDAフレームワークは、IIAデータセットでそれぞれ10.2%、IIBデータセットで5.5%、4.2%のMI分類精度を15.2%向上することができた。 最終MI分類精度はIIAデータセットで82.01%、IIBで87.52%に達した。

関連論文リスト

• Enhancing Motor Imagery Decoding in Brain Computer Interfaces using Riemann Tangent Space Mapping and Cross Frequency Coupling [5.860347939369221]
  運動画像(MI)は脳コンピュータインタフェース(BCI)の領域における重要な実験パラダイムである 本稿では,MI特徴量に関する表現品質と復号化能力を向上させるための新しい手法を提案する。 さらに特徴抽出と分類のために軽量畳み込みニューラルネットワークが使用され、クロスエントロピーとセンターロスの共同管理の下で動作している。
  論文  参考訳（メタデータ） (2023-10-29T23:37:47Z)
• Bidirectional Domain Mixup for Domain Adaptive Semantic Segmentation [73.3083304858763]
  本稿では,ドメイン適応型セマンティックセグメンテーションタスクにおけるミックスアップの影響を系統的に研究する。 具体的には、ドメインミックスアップをカットとペーストという2ステップで実現します。 フレームワークの主なコンポーネントを実証的に検証するために、広範囲にわたるアブレーション実験を行います。
  論文  参考訳（メタデータ） (2023-03-17T05:22:44Z)
• IDA: Informed Domain Adaptive Semantic Segmentation [51.12107564372869]
  クラスレベルのセグメンテーション性能に基づいてデータを混合する自己学習フレームワークであるDomain Informed Adaptation (IDA) モデルを提案する。 IDAモデルでは、クラスレベルの性能を期待信頼スコア(ECS)によって追跡し、動的スケジュールを用いて異なる領域のデータに対する混合比を決定する。 提案手法は,GTA-Vの都市景観への適応において1.1 mIoU,SynTHIAの都市への適応において0.9 mIoUのマージンで,最先端のUDA-SS法よりも優れる。
  論文  参考訳（メタデータ） (2023-03-05T18:16:34Z)
• Self-semantic contour adaptation for cross modality brain tumor segmentation [13.260109561599904]
  本稿では,前駆的なタスクへの適応を容易にするために,低レベルエッジ情報を活用することを提案する。 正確な輪郭は、意味適応を導くために空間情報を提供する。 われわれはBraTS2018データベース上で脳腫瘍のクロスモーダルセグメンテーションの枠組みについて検討した。
  論文  参考訳（メタデータ） (2022-01-13T15:16:55Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• 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)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• Common Spatial Generative Adversarial Networks based EEG Data Augmentation for Cross-Subject Brain-Computer Interface [4.8276709243429]
  脳波に基づく脳-コンピュータインタフェース(BCI)のクロスオブジェクト応用は、知覚が難しい大きな個人差と複雑な特徴によって常に制限されてきた。 CS-GAN(Common Space GAN)と呼ばれるGAN(Generative Adversarial Network)に基づくクロスオブジェクトEEG分類フレームワークを提案する。 我々のフレームワークは、オブジェクト間の問題に対処し、BCIの実践的応用を促進するための有望な方法を提供する。
  論文  参考訳（メタデータ） (2021-02-08T10:37:03Z)
• 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)
• CM-NAS: Cross-Modality Neural Architecture Search for Visible-Infrared Person Re-Identification [102.89434996930387]
  VI-ReIDは、暗い環境での単一モダリティ人物ReIDの制限を突破し、クロスモダリティ歩行者のイメージを一致させることを目指しています。 既存の作品は、さまざまな2ストリームアーキテクチャを手動で設計して、モダリティ固有およびモダリティシャーブル表現を別々に学習する。 CM-NAS(Cross-Modality Neural Architecture Search)という手法を提案する。
  論文  参考訳（メタデータ） (2021-01-21T07:07:00Z)

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。