論文の概要: Learning Subject-Invariant Representations from Speech-Evoked EEG Using
Variational Autoencoders
- arxiv url: http://arxiv.org/abs/2207.00323v1
- Date: Fri, 1 Jul 2022 10:26:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-04 14:57:20.154488
- Title: Learning Subject-Invariant Representations from Speech-Evoked EEG Using
Variational Autoencoders
- Title(参考訳): 変分オートエンコーダを用いた音声誘発脳波からの主題不変表現の学習
- Authors: Lies Bollens, Tom Francart, Hugo Van hamme
- Abstract要約: 関連する脳波分類分野において、対象不変特徴を明示的にモデル化することで、対象物間のモデルの一般化が向上し、分類精度が向上することが示されている。
同じ刺激の並列脳波記録を利用するために、階層型階層的変動オートエンコーダを適用した。
被験者の精度は、被験者とコンテンツ潜在空間で98.96%と1.60%に達するのに対し、バイナリコンテンツ分類実験は、被験者とコンテンツ潜在空間でそれぞれ51.51%と62.91%に達する。
- 参考スコア(独自算出の注目度): 13.32736286442512
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The electroencephalogram (EEG) is a powerful method to understand how the
brain processes speech. Linear models have recently been replaced for this
purpose with deep neural networks and yield promising results. In related EEG
classification fields, it is shown that explicitly modeling subject-invariant
features improves generalization of models across subjects and benefits
classification accuracy. In this work, we adapt factorized hierarchical
variational autoencoders to exploit parallel EEG recordings of the same
stimuli. We model EEG into two disentangled latent spaces. Subject accuracy
reaches 98.96% and 1.60% on respectively the subject and content latent space,
whereas binary content classification experiments reach an accuracy of 51.51%
and 62.91% on respectively the subject and content latent space.
- Abstract(参考訳): 脳波(EEG)は、脳が音声をどのように処理するかを理解する強力な方法である。
線形モデルは、この目的のためにディープニューラルネットワークに置き換えられ、有望な結果をもたらす。
関連する脳波分類の分野では、主観不変特徴を明示的にモデル化することで、対象をまたがるモデルの一般化が改善され、分類精度が向上することが示されている。
本研究では,同一刺激の並列脳波記録を活用すべく,階層的変動自動エンコーダを適用した。
脳波を2つの非絡み合った潜在空間にモデル化する。
被験者の精度はそれぞれ98.96%、コンテンツの潜在空間では1.60%、バイナリコンテンツの分類実験では51.51%、コンテンツの潜在空間では62.91%である。
関連論文リスト
- ADformer: A Multi-Granularity Transformer for EEG-Based Alzheimer's Disease Assessment [42.72554952799386]
本稿では、時間的・空間的特徴を捉えて効果的な脳波表現を学習するための新しい多粒度変換器Adformerを提案する。
被験者依存,主観非依存,離脱対象外を含む5つのデータセットを対象に,合計525人の被験者を対象に実験を行った。
以上の結果から,ADformerは既存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) (2024-08-17T14:10:41Z) - Multi-Source Domain Adaptation with Transformer-based Feature Generation
for Subject-Independent EEG-based Emotion Recognition [0.5439020425819]
本稿では,複数の情報源からの情報を活用するために,トランスフォーマーベースの特徴生成器(MSDA-TF)を用いたマルチソース領域適応手法を提案する。
適応過程において、相関値に基づいてソース対象をグループ化し、ソース内だけでなく、対象対象のモーメントを各ソースと整合させることを目的としている。
MSDA-TFはSEEDデータセット上で検証され、有望な結果が得られた。
論文 参考訳(メタデータ) (2024-01-04T16:38:47Z) - Latent Alignment with Deep Set EEG Decoders [44.128689862889715]
本稿では,脳波伝達学習大会のベンチマークで優勝した潜在アライメント手法を紹介する。
我々は,その定式化を,与えられた被験者の試行セットに適用したディープセットとして提示する。
実験の結果,深層学習モデルにおける後段の統計的分布アライメントの実行は,分類精度に有益であることが示唆された。
論文 参考訳(メタデータ) (2023-11-29T12:40:45Z) - CSLP-AE: A Contrastive Split-Latent Permutation Autoencoder Framework
for Zero-Shot Electroencephalography Signal Conversion [49.1574468325115]
脳波分析の鍵となる目的は、基礎となる神経活動(コンテンツ)を抽出し、個体の変動(スタイル)を考慮することである。
近年の音声変換技術の発展に触発されて,脳波変換を直接最適化するCSLP-AEフレームワークを提案する。
論文 参考訳(メタデータ) (2023-11-13T22:46:43Z) - 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) - Emotion Detection from EEG using Transfer Learning [0.0]
我々は,脳波に基づく感情検出において,限られたデータ可用性の課題を克服するために伝達学習を採用した。
モデルへの入力は、平均位相コヒーレンス (MPC) と正方形コヒーレンス (MSC) からなる画像行列の形で行われる。
論文 参考訳(メタデータ) (2023-06-09T05:43:06Z) - Inter-subject Contrastive Learning for Subject Adaptive EEG-based Visual
Recognition [20.866855009168606]
本稿では,主観的適応脳波に基づく視覚認識の課題に取り組む。
脳波信号に基づいて視覚刺激のカテゴリを正確に予測することを目的としている。
同一クラスを共有する特徴の類似性を高めて,異なる対象から得られる特徴の類似性を高めることによって,対象非依存表現を学習する新しい手法を提案する。
論文 参考訳(メタデータ) (2022-02-07T01:34:57Z) - 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) - Common Spatial Generative Adversarial Networks based EEG Data
Augmentation for Cross-Subject Brain-Computer Interface [4.8276709243429]
脳波に基づく脳-コンピュータインタフェース(BCI)のクロスオブジェクト応用は、知覚が難しい大きな個人差と複雑な特徴によって常に制限されてきた。
CS-GAN(Common Space GAN)と呼ばれるGAN(Generative Adversarial Network)に基づくクロスオブジェクトEEG分類フレームワークを提案する。
我々のフレームワークは、オブジェクト間の問題に対処し、BCIの実践的応用を促進するための有望な方法を提供する。
論文 参考訳(メタデータ) (2021-02-08T10:37:03Z) - 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) - ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。
セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。
このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文 参考訳(メタデータ) (2020-05-11T16:29:12Z)
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。