論文の概要: Mental State Classification Using Multi-graph Features
- arxiv url: http://arxiv.org/abs/2203.00516v1
- Date: Fri, 25 Feb 2022 19:48:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-05 15:02:40.507175
- Title: Mental State Classification Using Multi-graph Features
- Title(参考訳): マルチグラフ特徴を用いた精神状態分類
- Authors: Guodong Chen and Hayden S. Helm and Kate Lytvynets and Weiwei Yang and
Carey E. Priebe
- Abstract要約: 本研究では、ストレスや認知負荷などの高レベル精神状態に関連する下流推論タスクに対して、受動的多チャンネル脳波(EEG)装置から特徴を抽出する問題を考察する。
提案手法は,最近開発されたマルチグラフツールを活用し,複数のセンサ間の統計的依存構造(例えば相関)によって示される時系列グラフに適用する。
提案手法の有効性を3つの分類実験の文脈における従来のバンドパワーベース特徴と比較し,2つの特徴集合が相補的な予測情報を提供することを示した。
- 参考スコア(独自算出の注目度): 9.919882648730164
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider the problem of extracting features from passive, multi-channel
electroencephalogram (EEG) devices for downstream inference tasks related to
high-level mental states such as stress and cognitive load. Our proposed method
leverages recently developed multi-graph tools and applies them to the time
series of graphs implied by the statistical dependence structure (e.g.,
correlation) amongst the multiple sensors. We compare the effectiveness of the
proposed features to traditional band power-based features in the context of
three classification experiments and find that the two feature sets offer
complementary predictive information. We conclude by showing that the
importance of particular channels and pairs of channels for classification when
using the proposed features is neuroscientifically valid.
- Abstract(参考訳): ストレスや認知負荷などの高レベル精神状態に関連する下流推定タスクのための受動多チャンネル脳波(eeg)装置から特徴を抽出する問題を考える。
提案手法は,近年開発されたマルチグラフツールを利用して,複数のセンサ間の統計依存構造(相関など)が示唆する時系列グラフに適用する。
提案手法の有効性を3つの分類実験の文脈における従来のバンドパワーベース特徴と比較し,2つの特徴集合が相補的な予測情報を提供することを示した。
提案する特徴を用いた場合,特定のチャネルとチャネルのペアの分類の重要性は神経科学的に妥当であることが示唆された。
関連論文リスト
- Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。
また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
論文 参考訳(メタデータ) (2023-08-28T12:55:13Z) - Sequential Attention Source Identification Based on Feature
Representation [88.05527934953311]
本稿では,テンポラルシーケンスに基づくグラフ注意源同定(TGASI)と呼ばれるシーケンス・ツー・シーケンス・ベースのローカライズ・フレームワークを提案する。
なお、このインダクティブラーニングのアイデアは、TGASIが他の事前の知識を知らずに新しいシナリオのソースを検出できることを保証する。
論文 参考訳(メタデータ) (2023-06-28T03:00:28Z) - Multi-modal Differentiable Unsupervised Feature Selection [5.314466196448187]
マルチモーダル測定では、両方のモダリティにおける多くの観察された変数は、しばしばニュアンスであり、興味のある現象に関する情報を持っていない。
本稿では,複合高次元計測に基づいて情報変数を同定するマルチモーダルな非教師付き特徴選択フレームワークを提案する。
グラフラプラシアンによって取得された構造の特徴を隠蔽し、精度を高めるため、異なるゲートでスコアを組み込む。
論文 参考訳(メタデータ) (2023-03-16T15:11:17Z) - Self-Attention Neural Bag-of-Features [103.70855797025689]
我々は最近導入された2D-Attentionの上に構築し、注意学習方法論を再構築する。
本稿では,関連情報を強調した2次元目視マスクを学習する機能・時間的アテンション機構を提案する。
論文 参考訳(メタデータ) (2022-01-26T17:54:14Z) - On the utility of power spectral techniques with feature selection
techniques for effective mental task classification in noninvasive BCI [19.19039983741124]
本稿では,メンタルタスク分類において,関連性および非関連性のあるスペクトル特徴を選択する手法を提案する。
その結果,メンタルタスク分類のための学習モデルの性能は大幅に向上した。
論文 参考訳(メタデータ) (2021-11-16T00:27:53Z) - EEGminer: Discovering Interpretable Features of Brain Activity with
Learnable Filters [72.19032452642728]
本稿では,学習可能なフィルタと事前決定された特徴抽出モジュールからなる新しい識別可能なEEGデコーディングパイプラインを提案する。
我々は,SEEDデータセットおよび前例のない大きさの新たな脳波データセット上で,脳波信号からの感情認識に向けたモデルの有用性を実証する。
発見された特徴は、以前の神経科学の研究と一致し、音楽聴取中の左右の時間領域間の機能的接続プロファイルの顕著な相違など、新たな洞察を提供する。
論文 参考訳(メタデータ) (2021-10-19T14:22:04Z) - Bayesian Regularization for Functional Graphical Models [0.0]
グラフィカルモデルを推定するための完全ベイズ正規化スキームを提案する。
その結果、脳が損傷後に切断されたネットワークを補う方法の洞察が得られます。
論文 参考訳(メタデータ) (2021-10-11T19:33:07Z) - Emotional EEG Classification using Connectivity Features and
Convolutional Neural Networks [81.74442855155843]
CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。
対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
論文 参考訳(メタデータ) (2021-01-18T13:28:08Z) - Benchmarking Deep Learning Interpretability in Time Series Predictions [41.13847656750174]
モデル予測における入力特徴の重要性を強調するために、サリエンシ法が広く用いられている。
そこで我々は,多様なニューラルアーキテクチャにまたがって,サリエンシに基づく様々な解釈可能性手法の性能を広範囲に比較した。
論文 参考訳(メタデータ) (2020-10-26T22:07:53Z) - Learning What Makes a Difference from Counterfactual Examples and
Gradient Supervision [57.14468881854616]
ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。
我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。
このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
論文 参考訳(メタデータ) (2020-04-20T02:47:49Z) - 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。