論文の概要: DGAFF: Deep Genetic Algorithm Fitness Formation for EEG Bio-Signal Channel Selection

• arxiv url: http://arxiv.org/abs/2202.10034v1
• Date: Mon, 21 Feb 2022 08:06:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-23 09:06:17.873094
• Title: DGAFF: Deep Genetic Algorithm Fitness Formation for EEG Bio-Signal Channel Selection
• Title（参考訳）: dgaff:脳波バイオシグナルチャネル選択のための深部遺伝的アルゴリズム適合性形成
• Authors: Ghazaleh Ghorbanzadeh, Zahra Nabizadeh, Nader Karimi, Pejman Khadivi, Ali Emami, Shadrokh Samavi
• Abstract要約: チャネル選択は、データ次元を減らし、無関係なチャネルを排除するために利用されてきた。 本稿では,シーケンシャル検索法と遺伝的アルゴリズムを組み合わせたチャネル選択手法について述べる。 提案手法は,利用したデータセット上での運動画像の分類において,他のチャネル選択法よりも優れている。
• 参考スコア（独自算出の注目度）: 12.497603617622907
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Brain-computer interface systems aim to facilitate human-computer interactions in a great deal by direct translation of brain signals for computers. Recently, using many electrodes has caused better performance in these systems. However, increasing the number of recorded electrodes leads to additional time, hardware, and computational costs besides undesired complications of the recording process. Channel selection has been utilized to decrease data dimension and eliminate irrelevant channels while reducing the noise effects. Furthermore, the technique lowers the time and computational costs in real-time applications. We present a channel selection method, which combines a sequential search method with a genetic algorithm called Deep GA Fitness Formation (DGAFF). The proposed method accelerates the convergence of the genetic algorithm and increases the system's performance. The system evaluation is based on a lightweight deep neural network that automates the whole model training process. The proposed method outperforms other channel selection methods in classifying motor imagery on the utilized dataset.
• Abstract（参考訳）: 脳-コンピュータインタフェースシステムは、コンピュータの脳信号を直接翻訳することで、人間とコンピュータの相互作用を促進することを目的としている。 近年,多くの電極を用いたシステムの性能が向上している。 しかし、記録電極の数が増加すると、記録プロセスの不要な複雑化に加えて、時間、ハードウェア、計算コストが増大する。 チャネル選択は、ノイズ効果を低減しつつ、データ次元を減少させ、無関係なチャネルを除去するために利用されてきた。 さらに、この技術はリアルタイムアプリケーションにおける時間と計算コストを下げる。 本稿では,シーケンシャル探索法と,遺伝的アルゴリズムであるdeep ga fitness formation(dgaff)を組み合わせたチャネル選択法を提案する。 提案手法は遺伝的アルゴリズムの収束を加速し,システムの性能を向上させる。 システム評価は、モデルトレーニングプロセス全体を自動化した軽量なディープニューラルネットワークに基づいている。 提案手法は,利用したデータセット上でのモータ画像の分類において,他のチャネル選択手法よりも優れている。

関連論文リスト

• Neuromorphic Split Computing with Wake-Up Radios: Architecture and Design via Digital Twinning [97.99077847606624]
  本研究は,遠隔・無線接続型NPUからなる分割計算機システムに,覚醒無線機構を組み込んだ新しいアーキテクチャを提案する。 覚醒無線に基づくニューロモルフィックスプリットコンピューティングシステムの設計における重要な課題は、検知、覚醒信号検出、意思決定のためのしきい値の選択である。
  論文  参考訳（メタデータ） (2024-04-02T10:19:04Z)
• Emulation Learning for Neuromimetic Systems [0.0]
  ニューラル量子化システムに関する最近の研究に基づいて、量子化運動の学習結果とチャネルドロップアウトに対するレジリエンスを報告する。 本稿では,経路を学習するだけでなく,チャネルドロップアウトに対するレジリエンスの利点を示す一般のディープQネットワーク(DQN)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-05-04T22:47:39Z)
• A Convolutional Spiking Network for Gesture Recognition in Brain-Computer Interfaces [0.8122270502556371]
  脳信号に基づく手振り分類の例題問題に対して,簡単な機械学習に基づくアプローチを提案する。 本手法は脳波データとECoGデータの両方で異なる対象に一般化し,92.74-97.07%の範囲で精度が向上することを示した。
  論文  参考訳（メタデータ） (2023-04-21T16:23:40Z)
• Channelformer: Attention based Neural Solution for Wireless Channel Estimation and Effective Online Training [1.0499453838486013]
  本稿では,改良されたチャネル推定を実現するために,エンコーダ・デコーダニューラルアーキテクチャ(Channelformer)を提案する。 我々は,復号器として,エンコーダと残差畳み込みニューラルアーキテクチャに多面的注意を払っている。 また,現代通信システムにおける第5世代(5G)新しい無線(NR)構成に基づく効果的なオンライントレーニング手法を提案する。
  論文  参考訳（メタデータ） (2023-02-08T23:18:23Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• End-to-end learnable EEG channel selection with deep neural networks [72.21556656008156]
  本稿では,脳波チャネル選択をニューラルネットワーク自体に組み込む枠組みを提案する。 我々は、離散チャネル選択パラメータの連続緩和を用いて、この新しい最適化問題の離散的性質を扱う。 この一般的なアプローチは、2つの異なるEEGタスクで評価される。
  論文  参考訳（メタデータ） (2021-02-11T13:44:07Z)
• Revisiting the Application of Feature Selection Methods to Speech Imagery BCI Datasets [1.7403133838762446]
  音声画像データセットに対して,機能選択/ランク付け手法がいかにシンプルで強力かを示す。 我々の第一の目的は、サポートベクターマシン、$k$-nearest近辺、決定木、線形判別分析、長期記憶リカレントニューラルネットワーク分類器から得られる分類精度を改善することである。
  論文  参考訳（メタデータ） (2020-08-17T22:48:52Z)
• Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
  機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。 このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。 提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-02-14T06:58:27Z)
• Channel Assignment in Uplink Wireless Communication using Machine Learning Approach [54.012791474906514]
  本稿では,アップリンク無線通信システムにおけるチャネル割り当て問題について検討する。 我々の目標は、整数チャネル割り当て制約を受ける全ユーザの総和率を最大化することです。 計算複雑性が高いため、機械学習アプローチは計算効率のよい解を得るために用いられる。
  論文  参考訳（メタデータ） (2020-01-12T15:54:20Z)

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。