Fugu-MT 論文翻訳(概要): Classification of EEG Motor Imagery Using Deep Learning for Brain-Computer Interface Systems

論文の概要: Classification of EEG Motor Imagery Using Deep Learning for Brain-Computer Interface Systems

arxiv url: http://arxiv.org/abs/2206.07655v1
Date: Tue, 31 May 2022 17:09:46 GMT
ステータス: 処理完了
システム内更新日: 2022-06-20 01:03:22.389173
Title: Classification of EEG Motor Imagery Using Deep Learning for Brain-Computer Interface Systems
Title（参考訳）: 脳-コンピュータインタフェースシステムにおける深層学習を用いた脳波モータ画像の分類
Authors: Alessandro Gallo and Manh Duong Phung
Abstract要約: トレーニングされたT1クラス畳み込みニューラルネットワーク(CNN)モデルを使用して、運動画像の識別を成功させる能力を調べる。理論的には、モデルが正確にトレーニングされた場合、クラスを特定し、それに従ってラベル付けすることが可能になる。 CNNモデルは復元され、より小さなサンプルデータを使用して同じ種類の運動画像データを特定するために使用される。
参考スコア（独自算出の注目度）: 79.58173794910631
License: http://creativecommons.org/licenses/by/4.0/
Abstract: A trained T1 class Convolutional Neural Network (CNN) model will be used to examine its ability to successfully identify motor imagery when fed pre-processed electroencephalography (EEG) data. In theory, and if the model has been trained accurately, it should be able to identify a class and label it accordingly. The CNN model will then be restored and used to try and identify the same class of motor imagery data using much smaller sampled data in an attempt to simulate live data.
Abstract（参考訳）: 訓練されたt1クラス畳み込みニューラルネットワーク(cnn)モデルは、前処理された脳波(eeg)データによって運動イメージを識別する能力を調べるために使用される。理論的には、モデルが正確にトレーニングされた場合、クラスを特定し、それに従ってラベル付けすることが可能になる。 CNNモデルは復元され、ライブデータをシミュレートするために、はるかに小さなサンプルデータを使用して同じ種類の運動画像データを特定するために使用される。

関連論文リスト

On the Steganographic Capacity of Selected Learning Models [1.0640226829362012]
本稿では,学習モデルの聴取能力について考察する。幅広いモデルに対して、上書き可能な低次ビットの数を決定する。テスト対象モデルのうち, LR実験では7.04KB, InceptionV3では44.74MBであった。
論文参考訳（メタデータ） (2023-08-29T10:41:34Z)
Image-free Classifier Injection for Zero-Shot Classification [72.66409483088995]
ゼロショット学習モデルは、訓練中に見られなかったクラスからのサンプルのイメージ分類において顕著な結果が得られる。我々は,画像データを用いることなく,ゼロショット分類機能を備えた事前学習モデルの装備を目指す。提案したイメージフリーインジェクション・ウィズ・セマンティックス (ICIS) でこれを実現する。
論文参考訳（メタデータ） (2023-08-21T09:56:48Z)
An Explainable Model-Agnostic Algorithm for CNN-based Biometrics Verification [55.28171619580959]
本稿では,生体認証環境下でのLIME(Local Interpretable Model-Agnostic Explanations)AI手法の適用について述べる。
論文参考訳（メタデータ） (2023-07-25T11:51:14Z)
Defect Classification in Additive Manufacturing Using CNN-Based Vision Processing [76.72662577101988]
本稿では、まず、畳み込みニューラルネットワーク(CNN)を用いて、画像データセットの欠陥をAMから第2に正確に分類し、発達した分類モデルにアクティブラーニング技術を適用する。これにより、トレーニングデータやトレーニングデータの生成に必要なデータのサイズを削減できる、ヒューマン・イン・ザ・ループ機構の構築が可能になる。
論文参考訳（メタデータ） (2023-07-14T14:36:58Z)
Adaptive Convolutional Dictionary Network for CT Metal Artifact Reduction [62.691996239590125]
本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
論文参考訳（メタデータ） (2022-05-16T06:49:36Z)
MutualGraphNet: A novel model for motor imagery classification [3.9843010039456774]
我々はMutualGraphNetと呼ばれる生の脳波チャネルの相互情報に基づく新しいグラフニューラルネットワークを提案する。この相互情報を,空間時間グラフ畳み込みネットワーク(ST-GCN)と組み合わせることで,運動画像脳波(EEG)チャネルデータの遷移規則をより効率的に抽出することができる。
論文参考訳（メタデータ） (2021-09-02T17:52:39Z)
Dark soliton detection using persistent homology [0.0]
実験画像データの質的特徴を迅速かつ確実に識別するために, トポロジ的データ解析手法, 永続的ホモロジーを用いる方法を示す。識別された機能は、ロジスティック回帰モデルのような単純な教師付き機械学習モデルの入力として使用することができる。
論文参考訳（メタデータ） (2021-07-21T02:45:06Z)
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)
Predicting Geographic Information with Neural Cellular Automata [7.605218364952221]
本稿では,ニューラルセルオートマトン(NCA)を用いて地理情報を再生・予測する新しい枠組みを提案する。モデルは、NAAを使用して、さまざまな地理的データでモデルをトレーニングすることで、特定の画像を生成/再生するという考え方を拡張している。
論文参考訳（メタデータ） (2020-09-20T03:53:48Z)
Signal2Image Modules in Deep Neural Networks for EEG Classification [0.0]
我々は、Signal2Image (S2Is) という用語を、信号から画像のような表現に変換するトレーニング可能なプレフィックスモジュールまたは非トレーニング可能なプレフィックスモジュールとして定義する。我々は,4つのS2Iの精度と時間特性(画像としての信号,分光図,1層と2層の畳み込みニューラルネットワーク(CNN))と,ベースモデルのセット(LeNet,AlexNet,VGGnet,ResNet,DenseNet)と,後者の深度と1次元のバリエーションを比較した。
論文参考訳（メタデータ） (2019-04-18T17:05:22Z)

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。