論文の概要: Rethinking Saliency Map: An Context-aware Perturbation Method to Explain EEG-based Deep Learning Model

• arxiv url: http://arxiv.org/abs/2205.14976v1
• Date: Mon, 30 May 2022 10:25:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-31 15:29:26.736691
• Title: Rethinking Saliency Map: An Context-aware Perturbation Method to Explain EEG-based Deep Learning Model
• Title（参考訳）: 相性マップの再考:脳波に基づく深層学習モデルを記述する文脈認識摂動法
• Authors: Hanqi Wang, Xiaoguang Zhu, Tao Chen, Chengfang Li, Liang Song
• Abstract要約: 我々は、脳波に基づくディープラーニングモデルを説明する既存の研究を要約するためにレビューを行う。 生の脳波信号の観点から,サリエンシマップを生成するための文脈認識手法を提案する。 また,脳波に基づく深層学習モデルの成果物を抑制するために,文脈情報を利用することを正当化する。
• 参考スコア（独自算出の注目度）: 7.693117960747748
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep learning is widely used to decode the electroencephalogram (EEG) signal. However, there are few attempts to specifically investigate how to explain the EEG-based deep learning models. We conduct a review to summarize the existing works explaining the EEG-based deep learning model. Unfortunately, we find that there is no appropriate method to explain them. Based on the characteristic of EEG data, we suggest a context-aware perturbation method to generate a saliency map from the perspective of the raw EEG signal. Moreover, we also justify that the context information can be used to suppress the artifacts in the EEG-based deep learning model. In practice, some users might want a simple version of the explanation, which only indicates a few features as salient points. To this end, we propose an optional area limitation strategy to restrict the highlighted region. To validate our idea and make a comparison with the other methods, we select three representative EEG-based models to implement experiments on the emotional EEG dataset DEAP. The results of the experiments support the advantages of our method.
• Abstract（参考訳）: 深層学習は脳波(EEG)信号を復号するために広く用いられている。 しかし、脳波に基づくディープラーニングモデルを説明する方法について具体的に研究する試みはほとんどない。 eegベースのディープラーニングモデルを説明する既存の成果を要約するレビューを行う。 残念ながら、それらを説明する適切な方法がないことが分かりました。 そこで本研究では,脳波データの特徴に基づいて,生脳波信号の観点からサリエンシーマップを生成するコンテキストアウェア摂動法を提案する。 さらに,脳波に基づく深層学習モデルにおいて,コンテキスト情報を用いて人工物を抑制することも正当化する。 実際には、一部のユーザーは説明のシンプルなバージョンを欲しがるかもしれない。 この目的のために、強調領域を制限するオプションの領域制限戦略を提案する。 提案手法を検証し,他の手法との比較を行うため,感情的脳波データセットDEAPの実験を行うために,3つの代表的な脳波モデルを選択した。 実験結果は,本手法の利点を裏付けるものである。

関連論文リスト

• Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
  水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。 近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
  論文  参考訳（メタデータ） (2024-10-08T00:25:33Z)
• Towards Linguistic Neural Representation Learning and Sentence Retrieval from Electroencephalogram Recordings [27.418738450536047]
  脳波信号を文に変換するための2ステップパイプラインを提案する。 まず,自然読解中に記録された脳波データから単語レベルの意味情報を学習できることを確認する。 脳波エンコーダからの予測に基づいて文章を検索するために,学習不要な検索手法を用いる。
  論文  参考訳（メタデータ） (2024-08-08T03:40:25Z)
• A Supervised Information Enhanced Multi-Granularity Contrastive Learning Framework for EEG Based Emotion Recognition [14.199298112101802]
  本研究では,脳波に基づく感情認識(SICLEER, Supervised Info-enhanced Contrastive Learning)のための新しいコントラスト学習フレームワークを提案する。 自己教師付きコントラスト学習損失と教師付き分類損失を組み合わせた共同学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-12T11:51:00Z)
• Opening the Black-Box: A Systematic Review on Explainable AI in Remote Sensing [51.524108608250074]
  ブラックボックス機械学習アプローチは、リモートセンシングにおける知識抽出における主要なモデリングパラダイムとなっている。 我々は、この分野における重要なトレンドを特定するための体系的なレビューを行い、新しい説明可能なAIアプローチに光を当てた。 また,課題と将来的な研究方向性について,より詳細な展望を述べる。
  論文  参考訳（メタデータ） (2024-02-21T13:19:58Z)
• A Knowledge-Driven Cross-view Contrastive Learning for EEG Representation [48.85731427874065]
  本稿では,限られたラベルを持つ脳波から効果的な表現を抽出する知識駆動型クロスビューコントラスト学習フレームワーク(KDC2)を提案する。 KDC2法は脳波信号の頭皮と神経のビューを生成し、脳活動の内部および外部の表現をシミュレートする。 ニューラル情報整合性理論に基づく事前のニューラル知識をモデル化することにより、提案手法は不変かつ相補的なニューラル知識を抽出し、複合表現を生成する。
  論文  参考訳（メタデータ） (2023-09-21T08:53:51Z)
• DGSD: Dynamical Graph Self-Distillation for EEG-Based Auditory Spatial Attention Detection [49.196182908826565]
  AAD(Auditory Attention Detection)は、マルチスピーカー環境で脳信号からターゲット話者を検出することを目的としている。 現在のアプローチは主に、画像のようなユークリッドデータを処理するために設計された従来の畳み込みニューラルネットワークに依存している。 本稿では、入力として音声刺激を必要としないAADのための動的グラフ自己蒸留(DGSD)手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T13:43:46Z)
• Towards Best Practice of Interpreting Deep Learning Models for EEG-based Brain Computer Interfaces [1.5670669686642233]
  我々は、脳波データセット上で異なる深い解釈手法を評価する。 その結果,最初のステップとして適切な解釈手法を選択することの重要性が明らかになった。 本稿では,解釈結果を理解し,信頼できる方法で提示する一連の手順を提案する。
  論文  参考訳（メタデータ） (2022-02-12T07:54:12Z)
• EEG-based Cross-Subject Driver Drowsiness Recognition with an Interpretable Convolutional Neural Network [0.0]
  我々は,新しい畳み込みニューラルネットワークと解釈手法を組み合わせることで,分類の重要な特徴のサンプルワイズ分析を可能にする。 その結果,11名の被験者に対して平均78.35%の精度が得られた。
  論文  参考訳（メタデータ） (2021-05-30T14:47:20Z)
• 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)
• Deep learning denoising for EOG artifacts removal from EEG signals [0.5243460995467893]
  脳波の偏光過程における最も難しい問題のひとつは、眼のアーチファクトを除去することである。 本稿では,この課題に対処する深層学習モデルを構築・訓練し,眼のアーチファクトを効果的に除去する。 我々は3つの異なるスキームを提案し、U-NETベースのモデルで汚染された脳波信号の浄化を学ばせた。
  論文  参考訳（メタデータ） (2020-09-12T23:28:12Z)
• 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。