論文の概要: ConTraNet: A single end-to-end hybrid network for EEG-based and
EMG-based human machine interfaces
- arxiv url: http://arxiv.org/abs/2206.10677v1
- Date: Tue, 21 Jun 2022 18:55:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-23 16:13:09.561770
- Title: ConTraNet: A single end-to-end hybrid network for EEG-based and
EMG-based human machine interfaces
- Title（参考訳）: ConTraNet:EEGとEMGベースのヒューマンマシンインタフェースのための単一エンドツーエンドハイブリッドネットワーク
- Authors: Omair Ali, Muhammad Saif-ur-Rehman, Tobias Glasmachers, Ioannis
Iossifidis and Christian Klaes
- Abstract要約: 本稿では,CNN と Transformer アーキテクチャをベースとした ConTraNet という単一ハイブリッドモデルを提案する。
ConTraNetは、異なるHMIパラダイムから異なる特徴を学習し、アートアルゴリズムの現在の状態と同等に一般化する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objective: Electroencephalography (EEG) and electromyography (EMG) are two
non-invasive bio-signals, which are widely used in human machine interface
(HMI) technologies (EEG-HMI and EMG-HMI paradigm) for the rehabilitation of
physically disabled people. Successful decoding of EEG and EMG signals into
respective control command is a pivotal step in the rehabilitation process.
Recently, several Convolutional neural networks (CNNs) based architectures are
proposed that directly map the raw time-series signal into decision space and
the process of meaningful features extraction and classification are performed
simultaneously. However, these networks are tailored to the learn the expected
characteristics of the given bio-signal and are limited to single paradigm. In
this work, we addressed the question that can we build a single architecture
which is able to learn distinct features from different HMI paradigms and still
successfully classify them. Approach: In this work, we introduce a single
hybrid model called ConTraNet, which is based on CNN and Transformer
architectures that is equally useful for EEG-HMI and EMG-HMI paradigms.
ConTraNet uses CNN block to introduce inductive bias in the model and learn
local dependencies, whereas the Transformer block uses the self-attention
mechanism to learn the long-range dependencies in the signal, which are crucial
for the classification of EEG and EMG signals. Main results: We evaluated and
compared the ConTraNet with state-of-the-art methods on three publicly
available datasets which belong to EEG-HMI and EMG-HMI paradigms. ConTraNet
outperformed its counterparts in all the different category tasks (2-class,
3-class, 4-class, and 10-class decoding tasks). Significance: The results
suggest that ConTraNet is robust to learn distinct features from different HMI
paradigms and generalizes well as compared to the current state of the art
algorithms.
- Abstract（参考訳）: 目的:脳波(EEG)と筋電図(EMG)は、身体障害者のリハビリテーションにヒト機械インタフェース(HMI)技術(EEG-HMIおよびEMG-HMIパラダイム)で広く用いられている2つの非侵襲的生体信号である。
脳波とEMG信号のそれぞれの制御コマンドへの復号に成功したことは、リハビリテーションプロセスにおける重要なステップである。
近年、生の時系列信号を決定空間に直接マッピングし、意味のある特徴抽出と分類のプロセスを同時に行う畳み込みニューラルネットワーク(CNN)に基づくアーキテクチャが提案されている。
しかし、これらのネットワークは、与えられた生体信号の特性を学習するために調整されており、単一のパラダイムに限定されている。
本研究では、異なるHMIパラダイムから異なる特徴を学習し、それでもうまく分類できる単一のアーキテクチャを構築することができるという問題に対処する。
アプローチ: 本研究では,CNN と Transformer アーキテクチャをベースとした ConTraNet という単一ハイブリッドモデルを導入し,EEG-HMI と EMG-HMI のパラダイムに等しく有用である。
contranetはcnnブロックを使用してモデルに帰納的バイアスを導入し、局所的な依存関係を学習するのに対し、トランスフォーマーブロックは信号の長距離依存性を学習するために自己アテンション機構を使用する。
主な結果:我々は、EEG-HMIおよびEMG-HMIパラダイムに属する3つの公開データセットに対して、ConTraNetを最先端の手法と比較した。
ConTraNetは、すべてのカテゴリタスク(2クラス、3クラス、4クラス、10クラスデコードタスク)において、それよりも優れています。
意義: 結果は、ConTraNetが、異なるHMIパラダイムから異なる特徴を学習し、技術アルゴリズムの現在の状態と同等に一般化することを示唆している。
関連論文リスト
- CNN-Transformer Rectified Collaborative Learning for Medical Image Segmentation [60.08541107831459]
本稿では,医用画像セグメンテーションのための強力なCNNベースモデルとトランスフォーマーベースモデルを学習するための,CNN-Transformer修正協調学習フレームワークを提案する。
具体的には,学生ソフトラベルの誤り領域を適応的に選択・修正する基礎的真理を取り入れた修正ロジット・ワイド・コラボレーティブ・ラーニング(RLCL)戦略を提案する。
また,機能空間におけるCNNベースモデルとTransformerベースモデル間の効果的な知識伝達を実現するために,クラス認識型特徴量協調学習(CFCL)戦略を提案する。
論文 参考訳（メタデータ） (2024-08-25T01:27:35Z) - Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。
プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-08-11T15:46:00Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2023-10-22T02:27:02Z) - Heterogenous Memory Augmented Neural Networks [84.29338268789684]
ニューラルネットワークのための新しいヘテロジニアスメモリ拡張手法を提案する。
学習可能なメモリトークンをアテンション機構付きで導入することにより、膨大な計算オーバーヘッドを伴わずに性能を効果的に向上させることができる。
In-distriion (ID) と Out-of-distriion (OOD) の両方の条件下での様々な画像およびグラフベースのタスクに対するアプローチを示す。
論文 参考訳（メタデータ） (2023-10-17T01:05:28Z) - EEG-BBNet: a Hybrid Framework for Brain Biometric using Graph
Connectivity [1.1498015270151059]
我々は、畳み込みニューラルネットワーク(CNN)とグラフ畳み込みニューラルネットワーク(GCNN)を統合するハイブリッドネットワークであるEEG-BBNetを提案する。
我々のモデルは、イベント関連電位(ERP)タスクにおけるすべてのベースラインを、セッション内データを用いて平均99.26%の正確な認識率で上回ります。
論文 参考訳（メタデータ） (2022-08-17T10:18:22Z) - An intertwined neural network model for EEG classification in
brain-computer interfaces [0.6696153817334769]
脳コンピュータインタフェース(BCI)は、脳とコンピュータまたは外部装置との間の非刺激的直接的、時折双方向通信リンクである。
マルチクラスモータ画像分類における最先端性能を実現するために特別に設計されたディープニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-08-04T09:00:34Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Tensor-CSPNet: A Novel Geometric Deep Learning Framework for Motor
Imagery Classification [14.95694356964053]
対称正定値(SPD)上での脳波信号を特徴付ける幾何学的深層学習フレームワークCSPNetを提案する。
CSPNetは、2つのMI-EEGデータセットのクロスバリデーションとホールドアウトシナリオにおいて、現在の最先端のパフォーマンスを達成またはわずかに上回る。
論文 参考訳（メタデータ） (2022-02-05T02:52:23Z) - CNN-based Approaches For Cross-Subject Classification in Motor Imagery:
From The State-of-The-Art to DynamicNet [0.2936007114555107]
運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)システムは、コミュニケーションと制御の代替手段を提供するためにますます採用されています。
信頼できるBCIシステムを得るには、脳信号からMIを正確に分類することが不可欠です。
ディープラーニングアプローチは、標準的な機械学習技術の有効な代替手段として現れ始めている。
論文 参考訳（メタデータ） (2021-05-17T14:57:13Z) - EEG-Inception: An Accurate and Robust End-to-End Neural Network for
EEG-based Motor Imagery Classification [123.93460670568554]
本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。
提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
論文 参考訳（メタデータ） (2021-01-24T19:03:10Z) - Motor Imagery Classification of Single-Arm Tasks Using Convolutional
Neural Network based on Feature Refining [5.620334754517149]
運動画像(MI)は、信号の発端から運動機能の回復や回復に一般的に用いられる。
本研究では,BFR-CNN(Band-power Feature Refining Convolutional Neural Network)を提案する。
論文 参考訳（メタデータ） (2020-02-04T04:36:09Z)
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。