論文の概要: 2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets

• arxiv url: http://arxiv.org/abs/2202.12950v1
• Date: Mon, 14 Feb 2022 12:12:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-06 13:11:57.889117
• Title: 2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets
• Title（参考訳）: 2021 BEETLコンペティション:主観的独立と異種脳波データセットのためのトランスファー学習の促進
• Authors: Xiaoxi Wei, A. Aldo Faisal, Moritz Grosse-Wentrup, Alexandre Gramfort, Sylvain Chevallier, Vinay Jayaram, Camille Jeunet, Stylianos Bakas, Siegfried Ludwig, Konstantinos Barmpas, Mehdi Bahri, Yannis Panagakis, Nikolaos Laskaris, Dimitrios A. Adamos, Stefanos Zafeiriou, William C. Duong, Stephen M. Gordon, Vernon J. Lawhern, Maciej \'Sliwowski, Vincent Rouanne, Piotr Tempczyk
• Abstract要約: 我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。 第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。 タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
• 参考スコア（独自算出の注目度）: 89.84774119537087
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Transfer learning and meta-learning offer some of the most promising avenues to unlock the scalability of healthcare and consumer technologies driven by biosignal data. This is because current methods cannot generalise well across human subjects' data and handle learning from different heterogeneously collected data sets, thus limiting the scale of training data. On the other side, developments in transfer learning would benefit significantly from a real-world benchmark with immediate practical application. Therefore, we pick electroencephalography (EEG) as an exemplar for what makes biosignal machine learning hard. We design two transfer learning challenges around diagnostics and Brain-Computer-Interfacing (BCI), that have to be solved in the face of low signal-to-noise ratios, major variability among subjects, differences in the data recording sessions and techniques, and even between the specific BCI tasks recorded in the dataset. Task 1 is centred on the field of medical diagnostics, addressing automatic sleep stage annotation across subjects. Task 2 is centred on Brain-Computer Interfacing (BCI), addressing motor imagery decoding across both subjects and data sets. The BEETL competition with its over 30 competing teams and its 3 winning entries brought attention to the potential of deep transfer learning and combinations of set theory and conventional machine learning techniques to overcome the challenges. The results set a new state-of-the-art for the real-world BEETL benchmark.
• Abstract（参考訳）: トランスファーラーニングとメタラーニングは、バイオシグナルデータによって駆動される医療と消費者テクノロジーのスケーラビリティを解き放つ、最も有望な手段を提供する。 これは、現在の手法では、被験者のデータ全体にわたってうまく一般化できず、異なる異種収集データセットからの学習を処理できないため、トレーニングデータの規模が制限されるためである。 一方、トランスファーラーニングの開発は、即時に実用的なアプリケーションを備えた現実世界のベンチマークから著しく恩恵を受けるでしょう。 そこで我々は,生体信号機械学習の難しさの例として,脳波(EEG)を例に挙げた。 我々は、低信号対雑音比、被験者間の大きなばらつき、データ記録セッションとテクニックの違い、データセットに記録された特定のBCIタスクの間でも解決しなければならない、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。 タスク1は、医療診断の分野に集中し、被験者間の自動睡眠ステージアノテーションに対処する。 タスク2はbci(brain-computer interface)を中心に、被験者とデータセットをまたいでデコードするモータイメージに対処する。 BEETLは30以上の競合するチームと、その3つの優勝チームとの競争により、ディープラーニングとセット理論と従来の機械学習技術の組み合わせが課題を克服する可能性に注意を向けられた。 結果は、実世界のBEETLベンチマークの最先端を新たに設定した。

関連論文リスト

• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• 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)
• Evaluating the structure of cognitive tasks with transfer learning [67.22168759751541]
  本研究では,脳波復号処理における深層学習表現の伝達可能性について検討した。 最近リリースされた2つのEEGデータセット上で、最先端デコードモデルを用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2023-07-28T14:51:09Z)
• An embedding for EEG signals learned using a triplet loss [0.0]
  脳-コンピュータインタフェース(BCI)では、デコードされた脳状態情報を最小の時間遅延で使用することができる。 このようなデコードタスクの課題は、小さなデータセットサイズによって引き起こされる。 神経生理学的データのための新しいドメイン特異的埋め込みを提案する。
  論文  参考訳（メタデータ） (2023-03-23T09:05:20Z)
• Cross-Subject Deep Transfer Models for Evoked Potentials in Brain-Computer Interface [3.0981875303080804]
  脳コンピュータインタフェース(BCI)技術は、世界中の何百万人もの人々の生活を改善する可能性がある。 この分野の進歩にもかかわらず、現在の消費者と臨床の生存率は低いままである。
  論文  参考訳（メタデータ） (2023-01-29T02:11:36Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• Learning Binary Semantic Embedding for Histology Image Classification and Retrieval [56.34863511025423]
  バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。 効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。 3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
  論文  参考訳（メタデータ） (2020-10-07T08:36:44Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• Transfer Learning for EEG-Based Brain-Computer Interfaces: A Review of Progress Made Since 2016 [35.68916211292525]
  脳コンピュータインタフェース(BCI)は、脳信号を用いてコンピュータと直接通信することができる。 EEGはノイズ/アーティファクトに敏感で、オブジェクト間/オブジェクト間非定常性に悩まされる。 脳波に基づくBCIシステムでは,様々な被験者に最適なパターン認識モデルを構築することは困難である。
  論文  参考訳（メタデータ） (2020-04-13T16:44:55Z)
• Few-Shot Relation Learning with Attention for EEG-based Motor Imagery Classification [11.873435088539459]
  脳波(EEG)信号に基づく脳-コンピュータインタフェース(BCI)が注目されている。 運動画像(MI)データは、リハビリテーションや自律運転のシナリオに使用することができる。 脳波に基づくBCIシステムにはMI信号の分類が不可欠である。
  論文  参考訳（メタデータ） (2020-03-03T02:34:44Z)

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。