論文の概要: Factorization Approach for Sparse Spatio-Temporal Brain-Computer
Interface
- arxiv url: http://arxiv.org/abs/2206.08494v1
- Date: Fri, 17 Jun 2022 00:30:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-20 15:19:33.875015
- Title: Factorization Approach for Sparse Spatio-Temporal Brain-Computer
Interface
- Title(参考訳): スパース時空間脳-コンピューターインタフェースのための因子化アプローチ
- Authors: Byeong-Hoo Lee, Jeong-Hyun Cho, Byoung-Hee Kwon and Seong-Whan Lee
- Abstract要約: 脳波信号の分解により,スパース条件下での豊かで決定的な特徴を抽出できることを示す。
単腕運動画像データセットを用いて評価を行った。
- 参考スコア(独自算出の注目度): 17.85507707727557
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, advanced technologies have unlimited potential in solving various
problems with a large amount of data. However, these technologies have yet to
show competitive performance in brain-computer interfaces (BCIs) which deal
with brain signals. Basically, brain signals are difficult to collect in large
quantities, in particular, the amount of information would be sparse in
spontaneous BCIs. In addition, we conjecture that high spatial and temporal
similarities between tasks increase the prediction difficulty. We define this
problem as sparse condition. To solve this, a factorization approach is
introduced to allow the model to obtain distinct representations from latent
space. To this end, we propose two feature extractors: A class-common module is
trained through adversarial learning acting as a generator; Class-specific
module utilizes loss function generated from classification so that features
are extracted with traditional methods. To minimize the latent space shared by
the class-common and class-specific features, the model is trained under
orthogonal constraint. As a result, EEG signals are factorized into two
separate latent spaces. Evaluations were conducted on a single-arm motor
imagery dataset. From the results, we demonstrated that factorizing the EEG
signal allows the model to extract rich and decisive features under sparse
condition.
- Abstract(参考訳): 近年、先進技術は、大量のデータで様々な問題を解決する可能性を無限に持っている。
しかし、これらの技術は、脳信号を扱う脳-コンピュータインタフェース(BCI)において、まだ競争性能を示していない。
基本的に、脳の信号は大量に収集することは困難であり、特に自然発生のBCIでは情報の量が少なくなる。
さらに,タスク間の空間的・時間的類似度が高いと予測が困難になる。
我々はこの問題をスパース条件と定義する。
これを解決するために、モデルが潜在空間から異なる表現を得られるように分解法が導入された。
そこで,本研究では,クラス共通モジュールをジェネレータとして機能する敵学習を通じて学習し,クラス固有モジュールは分類から生成した損失関数を利用して従来の手法で特徴を抽出する。
クラス共通およびクラス固有特徴によって共有される潜在空間を最小化するために、モデルは直交制約の下で訓練される。
その結果、EEG信号は2つの別々の潜在空間に分解される。
評価は、シングルアームのモーターイメージデータセットで行われた。
結果から,脳波信号の分解により,スパース条件下での豊かで決定的な特徴を抽出できることを示した。
関連論文リスト
- Learning a Fast Mixing Exogenous Block MDP using a Single Trajectory [87.62730694973696]
STEELは、単一軌道から外因性ブロックマルコフ決定過程の制御可能なダイナミクスを学習するための、最初の証明可能なサンプル効率アルゴリズムである。
我々は,STEELが正解であり,サンプル効率が良いことを証明し,STEELを2つの玩具問題で実証した。
論文 参考訳(メタデータ) (2024-10-03T21:57:21Z) - UMBRAE: Unified Multimodal Brain Decoding [43.6339793925953]
脳信号のマルチモーダルデコードであるUMBRAEを提案する。
マルチモーダル脳アライメントのための効率的なユニバーサル脳エンコーダを提案する。
また,対象物固有の特徴を共通の特徴空間にマッピングするクロスオブジェクトトレーニング戦略も導入する。
論文 参考訳(メタデータ) (2024-04-10T17:59:20Z) - Subject-Independent Deep Architecture for EEG-based Motor Imagery
Classification [0.5439020425819]
脳波(EEG)に基づく運動脳波(MI)分類は、非侵襲的脳-コンピュータインタフェース(BCI)システムにおいて広く用いられている手法である。
我々は、新しい主題に依存しない半教師付き深層構造(SSDA)を提案する。
提案されたSSDAは、教師なし要素と教師なし要素の2つの部分から構成される。
論文 参考訳(メタデータ) (2024-01-27T23:05:51Z) - Brain-Driven Representation Learning Based on Diffusion Model [25.375490061512]
本研究では,拡散確率モデル(DDPM)について検討した。
条件付きオートエンコーダとDDPMを併用することで、我々の新しいアプローチは従来の機械学習アルゴリズムよりもかなり優れています。
本研究は,音声関連脳波信号解析のための高度な計算手法として,DDPMの可能性を強調した。
論文 参考訳(メタデータ) (2023-11-14T05:59:58Z) - An Adaptive Contrastive Learning Model for Spike Sorting [12.043679000694258]
神経科学研究においては、個々のニューロンの活動を分離することが重要である。
大規模なシリコン技術の発展に伴い、スパイクの人工的解釈とラベル付けはますます非現実的になりつつある。
対照的な学習を通してスパイクから表現を学習する新しいモデリングフレームワークを提案する。
論文 参考訳(メタデータ) (2022-05-24T09:18:46Z) - A Factorization Approach for Motor Imagery Classification [1.2891210250935146]
脳波信号を2つのグループに分類し,運動画像の分類を行う手法を提案した。
敵対学習に基づき,ノイズに強い脳波信号の特徴を抽出することに焦点を当てた。
空間的特徴の少ないデータセットでは,2つのグループに特徴を抽出できることが有効であることを確認した。
論文 参考訳(メタデータ) (2021-12-13T06:05:39Z) - Learning Debiased and Disentangled Representations for Semantic
Segmentation [52.35766945827972]
セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。
各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。
提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
論文 参考訳(メタデータ) (2021-10-31T16:15:09Z) - Understanding Interlocking Dynamics of Cooperative Rationalization [90.6863969334526]
選択的合理化(Selective rationalization)は、ニューラルネットワークの出力を予測するのに十分な入力の小さなサブセットを見つけることによって、複雑なニューラルネットワークの予測を説明する。
このような合理化パラダイムでは,モデルインターロックという大きな問題が浮かび上がっている。
A2Rと呼ばれる新しい合理化フレームワークを提案し、アーキテクチャに第3のコンポーネントを導入し、選択とは対照的にソフトアテンションによって駆動される予測器を提案する。
論文 参考訳(メタデータ) (2021-10-26T17:39:18Z) - Generalization of Neural Combinatorial Solvers Through the Lens of
Adversarial Robustness [68.97830259849086]
ほとんどのデータセットは単純なサブプロブレムのみをキャプチャし、おそらくは突発的な特徴に悩まされる。
本研究では, 局所的な一般化特性である対向ロバスト性について検討し, 厳密でモデル固有な例と突発的な特徴を明らかにする。
他のアプリケーションとは異なり、摂動モデルは知覚できないという主観的な概念に基づいて設計されているため、摂動モデルは効率的かつ健全である。
驚くべきことに、そのような摂動によって、十分に表現力のあるニューラルソルバは、教師あり学習で共通する正確さと悪質さのトレードオフの限界に悩まされない。
論文 参考訳(メタデータ) (2021-10-21T07:28:11Z) - The Causal Neural Connection: Expressiveness, Learnability, and
Inference [125.57815987218756]
構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。
本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。
我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
論文 参考訳(メタデータ) (2021-07-02T01:55:18Z) - Frequency-aware Discriminative Feature Learning Supervised by
Single-Center Loss for Face Forgery Detection [89.43987367139724]
顔の偽造検出は、コンピュータビジョンへの関心をますます高めている。
近年の業績は良好なものとなっているが、いまだに無視できない問題がある。
本稿では,新しい周波数認識型特徴学習フレームワークを提案する。
論文 参考訳(メタデータ) (2021-03-16T14:17:17Z)
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。