論文の概要: Exploiting Multiple EEG Data Domains with Adversarial Learning
- arxiv url: http://arxiv.org/abs/2204.07777v1
- Date: Sat, 16 Apr 2022 11:09:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-19 17:04:09.153575
- Title: Exploiting Multiple EEG Data Domains with Adversarial Learning
- Title（参考訳）: 逆学習による複数の脳波データ領域のエクスプロイト
- Authors: David Bethge, Philipp Hallgarten, Ozan \"Ozdenizci, Ralf Mikut,
Albrecht Schmidt, Tobias Grosse-Puppendahl
- Abstract要約: この文脈でデータソース不変表現を学習するための逆推論手法を提案する。
異なる音源領域からの脳波記録(感情認識SEED, SEED-IV, DEAP, DREAMER)を統一する。
- 参考スコア（独自算出の注目度）: 20.878816519635304
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electroencephalography (EEG) is shown to be a valuable data source for
evaluating subjects' mental states. However, the interpretation of multi-modal
EEG signals is challenging, as they suffer from poor signal-to-noise-ratio, are
highly subject-dependent, and are bound to the equipment and experimental setup
used, (i.e. domain). This leads to machine learning models often suffer from
poor generalization ability, where they perform significantly worse on
real-world data than on the exploited training data. Recent research heavily
focuses on cross-subject and cross-session transfer learning frameworks to
reduce domain calibration efforts for EEG signals. We argue that multi-source
learning via learning domain-invariant representations from multiple
data-sources is a viable alternative, as the available data from different EEG
data-source domains (e.g., subjects, sessions, experimental setups) grow
massively. We propose an adversarial inference approach to learn data-source
invariant representations in this context, enabling multi-source learning for
EEG-based brain-computer interfaces. We unify EEG recordings from different
source domains (i.e., emotion recognition datasets SEED, SEED-IV, DEAP,
DREAMER), and demonstrate the feasibility of our invariant representation
learning approach in suppressing data-source-relevant information leakage by
35% while still achieving stable EEG-based emotion classification performance.
- Abstract（参考訳）: 脳波検査(EEG)は、被験者の精神状態を評価する上で貴重なデータ源であることが示されている。
しかし、マルチモーダル脳波信号の解釈は、信号対雑音比の低さに悩まされ、非常に主観的に依存し、使用する機器や実験装置(ドメイン)に縛られるため、困難である。
これにより、機械学習モデルは、しばしば一般化能力の低下に悩まされ、悪用されたトレーニングデータよりも現実世界のデータで大幅にパフォーマンスが低下する。
最近の研究は、脳波信号の領域校正作業を減らすために、クロスサブジェクトおよびクロスセッション転送学習フレームワークに重点を置いている。
私たちは、複数のデータソースからドメイン不変表現を学習するマルチソース学習は、さまざまなeegデータソースドメイン(例えば、主題、セッション、実験的なセットアップ)からの利用可能なデータが大きく成長するため、有効な代替手段であると主張する。
この文脈でデータソース不変表現を学習するための逆推論手法を提案し,脳波を用いた脳-コンピュータインタフェースのマルチソース学習を可能にする。
我々は、異なるソースドメイン(SEED、SEED-IV、DEAP、DREAMER)からの脳波記録を統一し、安定した脳波に基づく感情分類性能を保ちながら、データソース関連情報漏洩を35%抑制する不変表現学習アプローチの有効性を実証する。
関連論文リスト
- ART: Artifact Removal Transformer for Reconstructing Noise-Free Multichannel Electroencephalographic Signals [0.10499611180329801]
脳波(EEG)のアーチファクト除去は神経科学的な分析と脳-コンピュータインターフェース(BCI)のパフォーマンスに大きな影響を及ぼす。
本研究は,脳波信号の過渡ミリ秒スケール特性を順応的に捉えるため,トランスフォーマーアーキテクチャを用いた脳波復調モデルを提案する。
脳波信号処理においてARTが他の深層学習に基づくアーティファクト除去手法を上回ることが確認された。
論文 参考訳（メタデータ） (2024-09-11T15:05:40Z) - Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
脳波信号物理を利用した教師なし手法を提案する。
脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。
提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
論文 参考訳（メタデータ） (2024-03-07T16:17:33Z) - EEGFormer: Towards Transferable and Interpretable Large-Scale EEG
Foundation Model [39.363511340878624]
大規模複合脳波データに基づいて事前学習した脳波基礎モデル,すなわちEEGFormerを提案する。
本モデルの有効性を検証するため,様々な下流タスクにおいて広範囲に評価し,異なる転送条件下での性能を評価する。
論文 参考訳（メタデータ） (2024-01-11T17:36:24Z) - Multi-Source Domain Adaptation with Transformer-based Feature Generation
for Subject-Independent EEG-based Emotion Recognition [0.5439020425819]
本稿では,複数の情報源からの情報を活用するために,トランスフォーマーベースの特徴生成器(MSDA-TF)を用いたマルチソース領域適応手法を提案する。
適応過程において、相関値に基づいてソース対象をグループ化し、ソース内だけでなく、対象対象のモーメントを各ソースと整合させることを目的としている。
MSDA-TFはSEEDデータセット上で検証され、有望な結果が得られた。
論文 参考訳（メタデータ） (2024-01-04T16:38:47Z) - EEG Decoding for Datasets with Heterogenous Electrode Configurations
using Transfer Learning Graph Neural Networks [5.349852254138086]
記録装置や電極配置のばらつきのため、研究室や同じ研究室内で収集されたデータの組み合わせは困難である。
我々は,グラフニューラルネットワーク(GNN)と非侵襲型運動画像(MI)脳波デコーディングのための転送学習手法を組み合わせた,新しい機械学習フレームワークを開発した。
論文 参考訳（メタデータ） (2023-06-20T16:29:00Z) - 2021 BEETL Competition: Advancing Transfer Learning for Subject
Independence & Heterogenous EEG Data Sets [89.84774119537087]
我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。
第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。
タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
論文 参考訳（メタデータ） (2022-02-14T12:12:20Z) - Deep Transfer Learning for Multi-source Entity Linkage via Domain
Adaptation [63.24594955429465]
マルチソースエンティティリンクは、データのクリーニングやユーザ縫合といった、高インパクトなアプリケーションにおいて重要である。
AdaMELは、多ソースエンティティリンクを実行するための一般的なハイレベルな知識を学ぶディープトランスファー学習フレームワークである。
本フレームワークは,教師付き学習に基づく平均的手法よりも8.21%向上した最先端の学習結果を実現する。
論文 参考訳（メタデータ） (2021-10-27T15:20:41Z) - Unsupervised Domain Adaptive Learning via Synthetic Data for Person
Re-identification [101.1886788396803]
人物再識別(re-ID)は、ビデオ監視に広く応用されているため、ますます注目を集めている。
残念なことに、主流のディープラーニング手法では、モデルをトレーニングするために大量のラベル付きデータが必要です。
本稿では,コンピュータゲーム内で合成されたre-IDサンプルを自動的に生成するデータコレクタを開発し,同時にアノテートするデータラベラを構築した。
論文 参考訳（メタデータ） (2021-09-12T15:51:41Z) - Subject Independent Emotion Recognition using EEG Signals Employing
Attention Driven Neural Networks [2.76240219662896]
主観非依存の感情認識が可能な新しいディープラーニングフレームワークを提案する。
タスクを実行するために、アテンションフレームワークを備えた畳み込みニューラルネットワーク(CNN)を提示する。
提案手法は、公開データセットを使用して検証されている。
論文 参考訳（メタデータ） (2021-06-07T09:41:15Z) - A Novel Transferability Attention Neural Network Model for EEG Emotion
Recognition [51.203579838210885]
脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。
TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。
これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
論文 参考訳（メタデータ） (2020-09-21T02:42:30Z) - Uncovering the structure of clinical EEG signals with self-supervised
learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。
この現象は脳波(EEG)などの臨床関連データに特に問題となる。
ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文 参考訳（メタデータ） (2020-07-31T14:34:47Z)
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。