Fugu-MT 論文翻訳(概要): EEG-ITNet: An Explainable Inception Temporal Convolutional Network for Motor Imagery Classification

論文の概要: EEG-ITNet: An Explainable Inception Temporal Convolutional Network for Motor Imagery Classification

arxiv url: http://arxiv.org/abs/2204.06947v1
Date: Thu, 14 Apr 2022 13:18:43 GMT
ステータス: 処理完了
システム内更新日: 2022-04-15 13:08:05.740924
Title: EEG-ITNet: An Explainable Inception Temporal Convolutional Network for Motor Imagery Classification
Title（参考訳）: EEG-ITNet: モータ画像分類のための説明可能なインセプション時間畳み込みネットワーク
Authors: Abbas Salami, Javier Andreu-Perez and Helge Gillmeister
Abstract要約: 我々はEEG-ITNetと呼ばれるエンドツーエンドのディープラーニングアーキテクチャを提案する。本モデルでは,多チャンネル脳波信号からスペクトル,空間,時間情報を抽出することができる。 EEG-ITNetは、異なるシナリオにおける分類精度を最大5.9%改善する。
参考スコア（独自算出の注目度）: 0.5616884466478884
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In recent years, neural networks and especially deep architectures have received substantial attention for EEG signal analysis in the field of brain-computer interfaces (BCIs). In this ongoing research area, the end-to-end models are more favoured than traditional approaches requiring signal transformation pre-classification. They can eliminate the need for prior information from experts and the extraction of handcrafted features. However, although several deep learning algorithms have been already proposed in the literature, achieving high accuracies for classifying motor movements or mental tasks, they often face a lack of interpretability and therefore are not quite favoured by the neuroscience community. The reasons behind this issue can be the high number of parameters and the sensitivity of deep neural networks to capture tiny yet unrelated discriminative features. We propose an end-to-end deep learning architecture called EEG-ITNet and a more comprehensible method to visualise the network learned patterns. Using inception modules and causal convolutions with dilation, our model can extract rich spectral, spatial, and temporal information from multi-channel EEG signals with less complexity (in terms of the number of trainable parameters) than other existing end-to-end architectures, such as EEG-Inception and EEG-TCNet. By an exhaustive evaluation on dataset 2a from BCI competition IV and OpenBMI motor imagery dataset, EEG-ITNet shows up to 5.9\% improvement in the classification accuracy in different scenarios with statistical significance compared to its competitors. We also comprehensively explain and support the validity of network illustration from a neuroscientific perspective. We have also made our code open at https://github.com/AbbasSalami/EEG-ITNet
Abstract（参考訳）: 近年,脳-コンピュータインタフェース(BCI)分野における脳波信号解析において,ニューラルネットワーク,特に深層アーキテクチャが注目されている。この進行中の研究領域では、エンドツーエンドモデルは信号変換事前分類を必要とする従来のアプローチよりも好まれる。専門家からの事前情報や手作業による特徴の抽出の必要性を排除できる。しかし、すでにいくつかの深層学習アルゴリズムが文献に提案されており、運動運動やメンタルタスクの分類の精度が高いが、しばしば解釈可能性の欠如に直面するため、神経科学コミュニティからはあまり好まれていない。この問題の背景にある理由は、多数のパラメータと、小さなが無関係な識別的特徴をキャプチャするディープニューラルネットワークの感度である。我々は、EEG-ITNetと呼ばれるエンドツーエンドのディープラーニングアーキテクチャと、ネットワーク学習パターンを可視化するより理解しやすい方法を提案する。モデルでは、インセプションモジュールと拡張を伴う因果畳み込みを用いて、EEG-InceptionやEEG-TCNetといった既存のエンド・ツー・エンドアーキテクチャに比べて、(トレーニング可能なパラメータの数の観点から)複雑さの少ないマルチチャネル脳波信号からスペクトル、空間、時間情報を抽出することができる。 BCIコンペティションIVとOpenBMIモーター画像データセットのデータセット2aの徹底的な評価により、EEG-ITNetは、競合他社と比較して統計的に有意な異なるシナリオにおける分類精度を最大5.9倍改善した。また,神経科学的な視点からネットワークイラストの妥当性を包括的に説明し,支援する。私たちはまた、https://github.com/AbbasSalami/EEG-ITNetでもコードを公開しました。

関連論文リスト

Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文参考訳（メタデータ） (2023-12-04T01:32:42Z)
A Hybrid End-to-End Spatio-Temporal Attention Neural Network with Graph-Smooth Signals for EEG Emotion Recognition [1.6328866317851187]
本稿では,ネットワーク・テンポラルエンコーディングと繰り返しアテンションブロックのハイブリッド構造を用いて,解釈可能な表現を取得するディープニューラルネットワークを提案する。提案したアーキテクチャは、公開されているDEAPデータセット上での感情分類の最先端結果を上回ることを実証する。
論文参考訳（メタデータ） (2023-07-06T15:35:14Z)
EEGSN: Towards Efficient Low-latency Decoding of EEG with Graph Spiking Neural Networks [4.336065967298193]
ほとんどのニューラルネットワーク(SNN)は、低レイテンシと電力効率を必要とするいくつかの重要なタスクに必ずしも適合しない誘導バイアスに基づいてトレーニングされている。本稿では、分散脳波センサに存在する動的関係情報を学習する多チャンネル脳波分類(EEGS)のためのグラフスパイクニューラルアーキテクチャを提案する。提案手法は,従来のSNNと比較して,推定計算の複雑さを20ドル程度削減し,モータ実行タスクにおいて同等の精度を達成した。
論文参考訳（メタデータ） (2023-04-15T23:30:17Z)
Deep comparisons of Neural Networks from the EEGNet family [0.0]
我々は、BCIコンペティション42aデータセットの隣の多くの主題を持つオープンアクセスデータベースを用いて、よく知られた5つのニューラルネットワーク(Shallow ConvNet、Deep ConvNet、EEGNet、EEGNet、EEGNet Fusion、MI-EEGNet)を比較した。当社のメトリクスによると、研究者はShallow ConvNetやDeep ConvNetを避けてはならない。
論文参考訳（メタデータ） (2023-02-17T10:39:09Z)
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)
Deep Architecture Connectivity Matters for Its Convergence: A Fine-Grained Analysis [94.64007376939735]
我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
論文参考訳（メタデータ） (2022-05-11T17:43:54Z)
Tensor-CSPNet: A Novel Geometric Deep Learning Framework for Motor Imagery Classification [14.95694356964053]
対称正定値(SPD)上での脳波信号を特徴付ける幾何学的深層学習フレームワークCSPNetを提案する。 CSPNetは、2つのMI-EEGデータセットのクロスバリデーションとホールドアウトシナリオにおいて、現在の最先端のパフォーマンスを達成またはわずかに上回る。
論文参考訳（メタデータ） (2022-02-05T02:52:23Z)
SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文参考訳（メタデータ） (2021-06-10T04:21:20Z)
EEG-Inception: An Accurate and Robust End-to-End Neural Network for EEG-based Motor Imagery Classification [123.93460670568554]
本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
論文参考訳（メタデータ） (2021-01-24T19:03:10Z)
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)
Binary Graph Neural Networks [69.51765073772226]
グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
論文参考訳（メタデータ） (2020-12-31T18:48:58Z)

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。