論文の概要: Fuzzy temporal convolutional neural networks in P300-based
Brain-computer interface for smart home interaction
- arxiv url: http://arxiv.org/abs/2204.04338v1
- Date: Sat, 9 Apr 2022 00:35:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-12 14:58:00.129822
- Title: Fuzzy temporal convolutional neural networks in P300-based
Brain-computer interface for smart home interaction
- Title（参考訳）: p300を用いたスマートホームインタラクションのための脳-コンピュータインタフェースにおけるファジィ時間畳み込みニューラルネットワーク
- Authors: Christian Flores Vega, Jonathan Quevedo, Elmer Escand\'on, Mehrin
Kiani, Weiping Ding, Javier Andreu-Perez
- Abstract要約: 脳波パターンは、ノイズによる時間的変化と不確実性を示す。
これは、スマートホームインタラクションのためのP300ベースのBrain Computer Interfaceで対処すべき重要な問題である。
脳波信号、LSTM細胞、ファジィニューラルブロック(FNB)に修飾された時間畳み込みネットワーク(TCN)の逐次統合を提案する。
- 参考スコア（独自算出の注目度）: 3.726817037277484
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The processing and classification of electroencephalographic signals (EEG)
are increasingly performed using deep learning frameworks, such as
convolutional neural networks (CNNs), to generate abstract features from brain
data, automatically paving the way for remarkable classification prowess.
However, EEG patterns exhibit high variability across time and uncertainty due
to noise. It is a significant problem to be addressed in P300-based Brain
Computer Interface (BCI) for smart home interaction. It operates in a
non-optimal natural environment where added noise is often present. In this
work, we propose a sequential unification of temporal convolutional networks
(TCNs) modified to EEG signals, LSTM cells, with a fuzzy neural block (FNB),
which we called EEG-TCFNet. Fuzzy components may enable a higher tolerance to
noisy conditions. We applied three different architectures comparing the effect
of using block FNB to classify a P300 wave to build a BCI for smart home
interaction with healthy and post-stroke individuals. Our results reported a
maximum classification accuracy of 98.6% and 74.3% using the proposed method of
EEG-TCFNet in subject-dependent strategy and subject-independent strategy,
respectively. Overall, FNB usage in all three CNN topologies outperformed those
without FNB. In addition, we compared the addition of FNB to other
state-of-the-art methods and obtained higher classification accuracies on
account of the integration with FNB. The remarkable performance of the proposed
model, EEG-TCFNet, and the general integration of fuzzy units to other
classifiers would pave the way for enhanced P300-based BCIs for smart home
interaction within natural settings.
- Abstract（参考訳）: 脳波信号(EEG)の処理と分類は、畳み込みニューラルネットワーク(CNN)のような深層学習フレームワークを用いて、脳データから抽象的な特徴を生成し、顕著な分類技術への道を開いた。
しかし、脳波パターンはノイズによる時間的変動と不確実性を示す。
p300ベースのbci(brain computer interface)では、スマートホームインタラクションのために対処すべき重要な問題である。
付加的なノイズがしばしば発生する非最適自然環境で動作する。
本研究では,脳波信号,LSTM細胞,ファジィニューラルブロック(FNB)に修飾された時間畳み込みネットワーク(TCN)の逐次統合を提案し,これをEEG-TCFNetと呼ぶ。
ファジィ成分はノイズ条件に対する高い耐性を可能にする。
我々は,ブロックFNBを用いてP300波を分類し,健常者やポストストローク者とのスマートホームインタラクションのためのBCIを構築する3つの異なるアーキテクチャを適用した。
対象に依存しない戦略と対象に依存しない戦略において,脳波-TCFNetを用いた最大分類精度は98.6%,74.3%であった。
全体として、3つのCNNトポロジにおけるFNBの使用はFNBのないものよりも優れていた。
さらに,FNBの付加を他の最先端手法と比較し,FNBとの統合により高い分類精度を得た。
提案モデルであるEEG-TCFNetと他の分類器へのファジィユニットの一般的な統合により、自然環境におけるスマートホームインタラクションのためのP300ベースのBCIが強化される。
関連論文リスト
- Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。
管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
論文 参考訳（メタデータ） (2024-01-11T19:07:58Z) - A Convolutional Network Adaptation for Cortical Classification During
Mobile Brain Imaging [0.0]
脳波(EEG)信号から認知事象を分類するためにEEGNetを使用し、被験者はトレッドミル上を同時に歩いた。
基礎となるEEGNetは、以前報告されたP300結果と同等のパフォーマンスで、偶然よりもはるかに高いレベルに達することがわかりました。
これまでに報告されたP300タスクの技量レベルと同様,95%以上の分類精度を達成した。
論文 参考訳（メタデータ） (2023-10-11T23:29:56Z) - Bayesian Inference on Brain-Computer Interfaces via GLASS [4.04514704204904]
脳波信号の低信号対雑音比(SNR)と複雑な空間的・時間的相関は、モデリングと計算における課題を示す。
完全ベイズ的枠組みの下でスパース時間変化効果(GLASS)を持つ新しいガウスラテントチャネルモデルを導入する。
筋萎縮性側索硬化症(ALS)患者におけるGLASSによるBCI改善効果について検討した。
より広範なアクセシビリティを実現するため、我々は後方計算のための効率的な勾配に基づく変分推論(GBVI)アルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-04-14T21:29:00Z) - ETLP: Event-based Three-factor Local Plasticity for online learning with
neuromorphic hardware [105.54048699217668]
イベントベース3要素局所塑性(ETLP)の計算複雑性に明らかな優位性を有する精度の競争性能を示す。
また, 局所的可塑性を用いた場合, スパイキングニューロンの閾値適応, 繰り返しトポロジーは, 時間的構造が豊富な時間的パターンを学習するために必要であることを示した。
論文 参考訳（メタデータ） (2023-01-19T19:45:42Z) - Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。
本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
論文 参考訳（メタデータ） (2022-08-28T17:50:19Z) - EEG-BBNet: a Hybrid Framework for Brain Biometric using Graph
Connectivity [1.1498015270151059]
我々は、畳み込みニューラルネットワーク(CNN)とグラフ畳み込みニューラルネットワーク(GCNN)を統合するハイブリッドネットワークであるEEG-BBNetを提案する。
我々のモデルは、イベント関連電位(ERP)タスクにおけるすべてのベースラインを、セッション内データを用いて平均99.26%の正確な認識率で上回ります。
論文 参考訳（メタデータ） (2022-08-17T10:18:22Z) - Convolutional Spiking Neural Networks for Detecting Anticipatory Brain Potentials Using Electroencephalogram [0.21847754147782888]
スパイキングニューラルネットワーク(SNN)は、生体系におけるシナプス接続を模倣しスパイクトレインを発生させるため、注目を集めている。
近年,畳み込みネットワークの特徴抽出能力とSNNの計算効率を組み合わせた畳み込み層が導入された。
本稿では、畳み込みスパイクニューラルネットワーク(CSNN)を用いて、予測速度の遅い大脳皮質電位を検出することの実現可能性について検討する。
論文 参考訳（メタデータ） (2022-08-14T19:04:15Z) - An intertwined neural network model for EEG classification in
brain-computer interfaces [0.6696153817334769]
脳コンピュータインタフェース(BCI)は、脳とコンピュータまたは外部装置との間の非刺激的直接的、時折双方向通信リンクである。
マルチクラスモータ画像分類における最先端性能を実現するために特別に設計されたディープニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-08-04T09:00:34Z) - Improving Generalization of Deep Neural Network Acoustic Models with
Length Perturbation and N-best Based Label Smoothing [49.82147684491619]
音声認識(ASR)のためのディープニューラルネットワーク(DNN)音響モデルの一般化を改善する2つの手法を提案する。
長さ摂動 (Longth perturbation) は、音声特徴系列の長さを変更するために音声のフレームをランダムにドロップして挿入するデータ拡張アルゴリズムである。
N-bestに基づくラベルスムーシングは、n-best仮説からノイズラベルが生成される過度な適合を避けるために、トレーニング中にグラウンド・真理ラベルにランダムにノイズを注入する。
論文 参考訳（メタデータ） (2022-03-29T01:40:22Z) - Neural Architecture Search For LF-MMI Trained Time Delay Neural Networks [61.76338096980383]
TDNN(State-of-the-the-art Factored Time delay Neural Network)の2種類のハイパーパラメータを自動的に学習するために、さまざまなニューラルネットワークサーチ(NAS)技術が使用されている。
DARTSメソッドはアーキテクチャ選択とLF-MMI(格子のないMMI)TDNNトレーニングを統合する。
300時間のSwitchboardコーパスで行われた実験では、自動構成システムはベースラインLF-MMI TDNNシステムより一貫して優れていることが示唆された。
論文 参考訳（メタデータ） (2020-07-17T08:32:11Z) - Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by
Spiking Neural Network [68.43026108936029]
雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。
このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。
実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
論文 参考訳（メタデータ） (2020-07-07T08:22:56Z)
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。