論文の概要: Functional Connectivity Methods for EEG-based Biometrics on a Large, Heterogeneous Dataset

• arxiv url: http://arxiv.org/abs/2206.01475v1
• Date: Fri, 3 Jun 2022 09:54:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-06 15:23:51.042269
• Title: Functional Connectivity Methods for EEG-based Biometrics on a Large, Heterogeneous Dataset
• Title（参考訳）: 大規模不均一データセットを用いた脳波バイオメトリックスの関数接続法
• Authors: Pradeep Kumar G and Utsav Dutta and Kanishka Sharma and Ramakrishnan Angarai Ganesan
• Abstract要約: 本研究では,184人の被験者を対象に,機能接続(FC)とグラフベース(GB)の測定性能について検討した。 その結果, FCの識別能力はGB値よりも高いことがわかった。 位相同期値(PLV)に基づくガンマ周波数帯域から抽出した測定値を用いて97.4%の識別精度を得る。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This study examines the utility of functional connectivity (FC) and graph-based (GB) measures with a support vector machine classifier for use in electroencephalogram (EEG) based biometrics. Although FC-based features have been used in biometric applications, studies assessing the identification algorithms on heterogeneous and large datasets are scarce. This work investigates the performance of FC and GB metrics on a dataset of 184 subjects formed by pooling three datasets recorded under different protocols and acquisition systems. The results demonstrate the higher discriminatory power of FC than GB metrics. The identification accuracy increases with higher frequency EEG bands, indicating the enhanced uniqueness of the neural signatures in beta and gamma bands. Using all the 56 EEG channels common to the three databases, the best identification accuracy of 97.4% is obtained using phase-locking value (PLV) based measures extracted from the gamma frequency band. Further, we investigate the effect of the length of the analysis epoch to determine the data acquisition time required to obtain satisfactory identification accuracy. When the number of channels is reduced to 21 from 56, there is a marginal reduction of 2.4% only in the identification accuracy using PLV features in the gamma band. Additional experiments have been conducted to study the effect of the cognitive state of the subject and mismatched train/test conditions on the performance of the system.
• Abstract（参考訳）: 本研究は,心電図(eeg)に基づく生体計測に用いる支援ベクターマシン分類器を用いて,機能的接続(fc)およびグラフベース(gb)測定の有用性を検討する。 FCベースの特徴は生体計測の応用に使われてきたが、異種および大規模データセットの識別アルゴリズムを評価する研究は少ない。 本研究は,異なるプロトコルおよび取得システム下で記録された3つのデータセットをプールして構成した184項目のデータセット上でのFCおよびGBメトリクスの性能について検討する。 その結果, gbメトリクスよりもfcの判別能力が高かった。 高い周波数の脳波バンドによって識別精度が向上し、β帯とガンマ帯の神経信号の特異性が向上したことを示している。 3つのデータベースに共通する56のEEGチャネル全てを用いて、位相同期値(PLV)に基づいて、97.4%の識別精度をガンマ周波数帯域から抽出する。 さらに,分析時間の長さの影響を調査し,適切な識別精度を得るのに必要なデータ取得時間を決定する。 チャネル数を56から21に減らすと、ガンマバンドのPLV特徴を用いた識別精度が2.4%に低下する。 被験者の認知状態と不一致した列車・テスト条件がシステムの性能に及ぼす影響について検討する実験も行われている。

関連論文リスト

• 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)
• 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)
• Classification of eye-state using EEG recordings: speed-up gains using signal epochs and mutual information measure [0.0]
  チャネル選択のための相互情報(MI)に基づく手法を提案する。 分類精度スコアにはペナルティがある一方で、MI技術を用いて期待できるスピードアップゲインを実現することができることを示す。 本研究は探索的であり,検証と開発のためのさらなる研究が提案されている。
  論文  参考訳（メタデータ） (2022-08-31T10:28:42Z)
• ECG Biometric Recognition: Review, System Proposal, and Benchmark Evaluation [0.0]
  我々は、ECGバイオメトリック認識における様々なシナリオの分析と比較を行う。 我々は、社内の大規模データベースでトレーニングされた堅牢なディープラーニング技術であるECGXtractorを提案する。 システムの性能を4つの異なるデータベースで評価する。
  論文  参考訳（メタデータ） (2022-04-08T10:53:11Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• Iris Recognition Based on SIFT Features [63.07521951102555]
  アイリス画像の認識にはSIFT(Scale Invariant Feature Transformation)を用いる。 我々は、SIFT演算子を用いて、スケール空間における特徴SIFT特徴点を抽出し、特徴点周辺のテクスチャ情報に基づいてマッチングを行う。 また、SIFT手法と、極座標変換とLog-Gaborウェーブレットに基づく一般的なマッチング手法の相補性を示す。
  論文  参考訳（メタデータ） (2021-10-30T04:55:33Z)
• Automated Multi-Process CTC Detection using Deep Learning [1.280824586913772]
  循環腫瘍細胞の自動同定のための新しい3段階検出モデルを提案する。 トレーニングデータセットは46の高分散データポイントと10の負と36の正のデータポイントで構成されている。 テストセットは420個の負のデータポイントで構成され、パイプラインの最終精度は98.81%である。
  論文  参考訳（メタデータ） (2021-09-26T21:56:34Z)
• Detection of Epileptic Seizures on EEG Signals Using ANFIS Classifier, Autoencoders and Fuzzy Entropies [9.861415775909663]
  脳波信号はてんかん発作の検出に広く用いられている。 本稿ではファジィ理論と深層学習技術を用いた新しい診断手法を提案する。
  論文  参考訳（メタデータ） (2021-09-06T11:02:25Z)
• Discriminative Singular Spectrum Classifier with Applications on Bioacoustic Signal Recognition [67.4171845020675]
  分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。 タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。 提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
  論文  参考訳（メタデータ） (2021-03-18T11:01:21Z)
• Automatic detection of abnormal EEG signals using wavelet feature extraction and gradient boosting decision tree [2.924868086534434]
  多チャンネル脳波記録における脳信号の自動二分分類フレームワークを提案する。 本稿では,抽出した特徴量の品質を損なうことなく,特徴空間の次元を小さくする手法を提案する。 CatBoostは87.68%のバイナリ分類精度を達成し、同じデータセットの最先端の技術を上回る。
  論文  参考訳（メタデータ） (2020-12-18T03:36:52Z)
• A Computationally Efficient Multiclass Time-Frequency Common Spatial Pattern Analysis on EEG Motor Imagery [164.93739293097605]
  共通空間パターン(CSP)は脳波(EEG)運動画像(MI)の一般的な特徴抽出法である 本研究では,従来のCSPアルゴリズムを改良し,マルチクラスMI分類精度を改善し,計算処理の効率化を図る。
  論文  参考訳（メタデータ） (2020-08-25T18:23:50Z)

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。