論文の概要: End-to-end P300 BCI using Bayesian accumulation of Riemannian probabilities

• arxiv url: http://arxiv.org/abs/2203.07807v1
• Date: Tue, 15 Mar 2022 11:47:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-17 00:39:08.149483
• Title: End-to-end P300 BCI using Bayesian accumulation of Riemannian probabilities
• Title（参考訳）: リーマン確率のベイズ累積を用いたエンドツーエンドp300bci
• Authors: Quentin Barth\'elemy, Sylvain Chevallier, Rapha\"elle Bertrand-Lalo, Pierre Clisson
• Abstract要約: 脳-コンピュータインタフェース(BCI)では、事象関連電位(ERP)に基づくアプローチのほとんどは、P300の検出に焦点を当てている。 特徴抽出から始まるエンドツーエンドパイプラインを導入し,ERPレベルの分類から構成する。 我々は、パブリックなP300データセットの標準手法よりも、我々のアプローチがはるかに優れていることを実証した。
• 参考スコア（独自算出の注目度）: 3.121884390951395
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In brain-computer interfaces (BCI), most of the approaches based on event-related potential (ERP) focus on the detection of P300, aiming for single trial classification for a speller task. While this is an important objective, existing P300 BCI still require several repetitions to achieve a correct classification accuracy. Signal processing and machine learning advances in P300 BCI mostly revolve around the P300 detection part, leaving the character classification out of the scope. To reduce the number of repetitions while maintaining a good character classification, it is critical to embrace the full classification problem. We introduce an end-to-end pipeline, starting from feature extraction, and is composed of an ERP-level classification using probabilistic Riemannian MDM which feeds a character-level classification using Bayesian accumulation of confidence across trials. Whereas existing approaches only increase the confidence of a character when it is flashed, our new pipeline, called Bayesian accumulation of Riemannian probabilities (ASAP), update the confidence of each character after each flash. We provide the proper derivation and theoretical reformulation of this Bayesian approach for a seamless processing of information from signal to BCI characters. We demonstrate that our approach performs significantly better than standard methods on public P300 datasets.
• Abstract（参考訳）: 脳-コンピュータインタフェース(bci)では、イベント関連電位(erp)に基づくアプローチのほとんどはp300の検出に焦点を当てており、スペラータスクの単一試行分類を目指している。 これは重要な目的であるが、既存のP300 BCIは正確な分類精度を達成するためにいくつかの繰り返しを必要とする。 P300 BCIにおける信号処理と機械学習の進歩は、主にP300検出部を中心に展開され、文字分類はスコープから外される。 良質なキャラクタ分類を維持しつつ繰り返し回数を減らすためには,完全な分類問題を受け入れることが重要である。 本稿では,特徴抽出から端から端までのパイプラインを導入し,確率的リーマンmdmを用いてerpレベルの分類を行い,ベイズ的信頼度蓄積を用いた文字レベルの分類を行う。 既存のアプローチでは、キャラクタがフラッシュされると、キャラクタの信頼性が向上する一方、新たなパイプラインであるBayesian accumulate of Riemannian probabilities (ASAP)は、各フラッシュ後のキャラクタの信頼性を更新する。 信号からbci文字への情報をシームレスに処理するためのベイズアプローチの適切な導出と理論的再構成を提供する。 提案手法は,公開p300データセットの標準手法よりもはるかに優れた性能を示す。

関連論文リスト

• CORE: Mitigating Catastrophic Forgetting in Continual Learning through Cognitive Replay [14.169588352209907]
  コグニティブ・リプレイ(CORE)は、人間の認知的レビュープロセスからインスピレーションを得ている。 COREはスプリットCIFAR10で平均37.95%の精度を達成し、最高のベースライン法を6.52%上回っている。 これにより、最上位のベースラインに比べて、最も貧弱なパフォーマンスタスクの精度が6.30%向上する。
  論文  参考訳（メタデータ） (2024-02-02T12:04:44Z)
• Pseudo-Likelihood Inference [16.934708242852558]
  Pseudo-Likelihood Inference (PLI)は、ABCに神経近似をもたらす新しい方法であり、ベイズシステムの識別に挑戦するタスクと競合する。 PLIは、勾配降下による神経後葉の最適化を可能にし、要約統計に頼らず、入力として複数の観察を可能にする。 PLIの有効性は、4つの古典的SBIベンチマークタスクと非常にダイナミックな物理システムで評価される。
  論文  参考訳（メタデータ） (2023-11-28T10:17:52Z)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)
• A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
  本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。 モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。 本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
  論文  参考訳（メタデータ） (2023-03-02T21:48:22Z)
• Transformers Can Do Bayesian Inference [56.99390658880008]
  我々はPFN(Presideed Data Fitted Networks)を提案する。 PFNは、大規模機械学習技術におけるインコンテキスト学習を活用して、大規模な後部集合を近似する。 我々は、PFNがガウス過程をほぼ完璧に模倣し、難解問題に対する効率的なベイズ推定を可能にすることを示した。
  論文  参考訳（メタデータ） (2021-12-20T13:07:39Z)
• Minimizing subject-dependent calibration for BCI with Riemannian transfer learning [0.8399688944263843]
  異なる被験者から記録されたデータに基づいて分類器を訓練し、良好な性能を保ちながら校正を減らそうとする手法を提案する。 このアプローチの堅牢性を示すために,3つのBCIパラダイムに対して,複数のデータセットのメタ分析を行った。
  論文  参考訳（メタデータ） (2021-11-23T18:37:58Z)
• Uncertainty-aware Self-training for Text Classification with Few Labels [54.13279574908808]
  本研究は,アノテーションのボトルネックを軽減するための半教師あり学習手法の1つとして,自己学習について研究する。 本稿では,基礎となるニューラルネットワークの不確実性推定を取り入れて,自己学習を改善する手法を提案する。 本手法では,クラス毎に20～30個のラベル付きサンプルをトレーニングに利用し,完全教師付き事前学習言語モデルの3%以内で検証を行う。
  論文  参考訳（メタデータ） (2020-06-27T08:13:58Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)
• Estimating g-Leakage via Machine Learning [34.102705643128004]
  本稿では,ブラックボックスシナリオにおけるシステムの情報漏洩を推定する問題について考察する。 システムの内部は学習者にとって未知であり、分析するには複雑すぎると仮定される。 機械学習(ML)アルゴリズムを用いて,g-vulnerabilityをブラックボックスで推定する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-09T09:26:36Z)
• Pre-training Is (Almost) All You Need: An Application to Commonsense Reasoning [61.32992639292889]
  事前学習されたトランスモデルの微調整は、一般的なNLPタスクを解決するための標準的なアプローチとなっている。 そこで本研究では,可視性ランキングタスクをフルテキスト形式でキャストする新たなスコアリング手法を提案する。 提案手法は, ランダム再起動にまたがって, より安定した学習段階を提供することを示す。
  論文  参考訳（メタデータ） (2020-04-29T10:54:40Z)

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。