論文の概要: Repairing Brain-Computer Interfaces with Fault-Based Data Acquisition
- arxiv url: http://arxiv.org/abs/2203.10677v1
- Date: Sun, 20 Mar 2022 23:49:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-22 18:42:04.400619
- Title: Repairing Brain-Computer Interfaces with Fault-Based Data Acquisition
- Title（参考訳）: フォールトベースデータ取得による脳-コンピュータインタフェースの修復
- Authors: Cailin Winston, Caleb Winston, Chloe N Winston, Claris Winston, Cleah
Winston, Rajesh PN Rao, Ren\'e Just
- Abstract要約: 脳-コンピュータインタフェース(BCI)は、脳から記録された神経信号をデコードし、脳をコード化された神経信号で刺激する。
信頼性と堅牢性に関する課題のため、BCIはまだ長期、日々の使用には採用されていない。
本稿では,BCIの欠陥を特徴付け,検出し,位置決めするための新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 0.9697877942346906
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Brain-computer interfaces (BCIs) decode recorded neural signals from the
brain and/or stimulate the brain with encoded neural signals. BCIs span both
hardware and software and have a wide range of applications in restorative
medicine, from restoring movement through prostheses and robotic limbs to
restoring sensation and communication through spellers. BCIs also have
applications in diagnostic medicine, e.g., providing clinicians with data for
detecting seizures, sleep patterns, or emotions.
Despite their promise, BCIs have not yet been adopted for long-term,
day-to-day use because of challenges related to reliability and robustness,
which are needed for safe operation in all scenarios. Ensuring safe operation
currently requires hours of manual data collection and recalibration, involving
both patients and clinicians. However, data collection is not targeted at
eliminating specific faults in a BCI. This paper presents a new methodology for
characterizing, detecting, and localizing faults in BCIs. Specifically, it
proposes partial test oracles as a method for detecting faults and slice
functions as a method for localizing faults to characteristic patterns in the
input data or relevant tasks performed by the user. Through targeted data
acquisition and retraining, the proposed methodology improves the correctness
of BCIs. We evaluated the proposed methodology on five BCI applications. The
results show that the proposed methodology (1) precisely localizes faults and
(2) can significantly reduce the frequency of faults through retraining based
on targeted, fault-based data acquisition. These results suggest that the
proposed methodology is a promising step towards repairing faulty BCIs.
- Abstract（参考訳）: 脳-コンピュータインターフェース(BCI)は、記録された脳からの神経信号をデコードし、脳をコード化された神経信号で刺激する。
bcisは、ハードウェアとソフトウェアの両方にまたがり、義肢や義肢を通した動きの復元から、スペラーによる感覚やコミュニケーションの回復まで、幅広い回復医療の応用がある。
bcisはまた、例えば、臨床医に発作、睡眠パターン、感情を検出するデータを提供するなど、診断医学にも応用できる。
彼らの約束にもかかわらず、bcisは、すべてのシナリオにおいて安全な運用に必要な信頼性と堅牢性に関する課題のために、日々の長期使用には採用されていない。
安全な手術を確保するには、現在、患者と臨床医の両方が関与する手動データ収集とリカバリに数時間を要する。
しかし、データ収集はbciの特定の障害を取り除くことを目的としていない。
本稿では,BCIの欠陥を識別,検出,位置決めする新しい手法を提案する。
具体的には,ユーザによる入力データや関連するタスクにおける特性パターンへの障害をローカライズする方法として,障害検出とスライス機能のための部分テストオラクルを提案する。
対象データ取得と再学習により,提案手法はBCIの正確性を向上させる。
提案手法を5つのbci応用で評価した。
提案手法は,(1) 障害の局所化,(2) 対象とする障害ベースデータ取得に基づく再訓練により,障害発生頻度を著しく低減できることを示す。
これらの結果から,提案手法は故障bcisの修復に有望な一歩であることが示唆された。
関連論文リスト
- Targeted Cause Discovery with Data-Driven Learning [66.86881771339145]
本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。
我々は、シミュレートされたデータの教師あり学習を通じて因果関係を特定するために訓練されたニューラルネットワークを用いる。
大規模遺伝子制御ネットワークにおける因果関係の同定における本手法の有効性を実証した。
論文 参考訳（メタデータ） (2024-08-29T02:21:11Z) - Active Foundational Models for Fault Diagnosis of Electrical Motors [0.5999777817331317]
電気モーターの故障検出と診断は、産業システムの安全かつ信頼性の高い運転を保証する上で最も重要である。
マシン故障診断のための既存のデータ駆動ディープラーニングアプローチは、大量のラベル付きサンプルに大きく依存している。
ラベル付きサンプルを少ない量で活用する基礎モデルに基づくアクティブラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-27T03:25:12Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳（メタデータ） (2023-08-31T00:36:10Z) - Interactive System-wise Anomaly Detection [66.3766756452743]
異常検出は様々なアプリケーションにおいて基本的な役割を果たす。
既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。
システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
論文 参考訳（メタデータ） (2023-04-21T02:20:24Z) - 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) - Pain level and pain-related behaviour classification using GRU-based
sparsely-connected RNNs [61.080598804629375]
慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。
この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。
我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。
本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
論文 参考訳（メタデータ） (2022-12-20T12:56:28Z) - Confidence-Aware Subject-to-Subject Transfer Learning for Brain-Computer
Interface [3.2550305883611244]
脳波(EEG)のイントラオブジェクト間変動は脳-コンピュータインターフェース(BCI)の実用化を困難にしている。
TLトレーニングのための高信頼度対象のみを用いたBCIフレームワークを提案する。
本フレームワークでは,低損失トリックに基づく協調学習アルゴリズムを用いて,TLプロセスの有用な対象を選択し,ノイズのある対象を除外する。
論文 参考訳（メタデータ） (2021-12-15T15:23:23Z) - MIRACLE: Causally-Aware Imputation via Learning Missing Data Mechanisms [82.90843777097606]
欠落データに対する因果認識型計算アルゴリズム(MIRACLE)を提案する。
MIRACLEは、欠落発生機構を同時にモデル化することにより、ベースラインの計算を反復的に洗練する。
我々は、MIRACLEが一貫してイミューテーションを改善することができることを示すために、合成および様々な公開データセットに関する広範な実験を行う。
論文 参考訳（メタデータ） (2021-11-04T22:38:18Z) - Performance of Dual-Augmented Lagrangian Method and Common Spatial
Patterns applied in classification of Motor-Imagery BCI [68.8204255655161]
運動画像に基づく脳-コンピュータインタフェース(MI-BCI)は、神経リハビリテーションのための画期的な技術になる可能性がある。
使用する脳波信号のノイズの性質のため、信頼性の高いBCIシステムは特徴の最適化と抽出のために特別な手順を必要とする。
論文 参考訳（メタデータ） (2020-10-13T20:50:13Z) - Few-Shot Bearing Fault Diagnosis Based on Model-Agnostic Meta-Learning [3.8015092217142223]
モデルに依存しないメタラーニング(MAML)に基づく断層診断のための数発の学習フレームワークを提案する。
ケーススタディでは、提案したフレームワークは、シームズネットワークベースのベンチマーク研究よりも25%高い精度で全体の精度を達成している。
論文 参考訳（メタデータ） (2020-07-25T04:03:18Z) - Classification and Recognition of Encrypted EEG Data Neural Network [10.171935814743678]
ニューラルネットワークに基づく暗号化脳波データの分類と認識手法を提案する。
EEGデータを暗号化するためにPaillier暗号化アルゴリズムを採用し、浮動小数点演算の問題を解決する。
我々の提案は、他のソリューションと比較して十分な精度、効率、実現可能性を持っている。
論文 参考訳（メタデータ） (2020-06-15T04:21:23Z)
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。