Fugu-MT 論文翻訳(概要): Time Majority Voting, a PC-based EEG Classifier for Non-expert Users

論文の概要: Time Majority Voting, a PC-based EEG Classifier for Non-expert Users

arxiv url: http://arxiv.org/abs/2207.12662v1
Date: Tue, 26 Jul 2022 05:43:54 GMT
ステータス: 処理完了
システム内更新日: 2022-07-27 13:35:19.672444
Title: Time Majority Voting, a PC-based EEG Classifier for Non-expert Users
Title（参考訳）: 非エキスパートユーザのためのPCベースのEEG分類器Time Majority Voting
Authors: Guangyao Dou, Zheng Zhou, Xiaodong Qu
Abstract要約: 我々は、熟練していないエンドユーザの参加を増やすために、PCベースの機械学習技術を開発した。我々の実験では、TMVは最先端のアルゴリズムよりも優れた性能を示した。
参考スコア（独自算出の注目度）: 3.335856430410638
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Using Machine Learning and Deep Learning to predict cognitive tasks from electroencephalography (EEG) signals is a rapidly advancing field in Brain-Computer Interfaces (BCI). In contrast to the fields of computer vision and natural language processing, the data amount of these trials is still rather tiny. Developing a PC-based machine learning technique to increase the participation of non-expert end-users could help solve this data collection issue. We created a novel algorithm for machine learning called Time Majority Voting (TMV). In our experiment, TMV performed better than cutting-edge algorithms. It can operate efficiently on personal computers for classification tasks involving the BCI. These interpretable data also assisted end-users and researchers in comprehending EEG tests better.
Abstract（参考訳）: 脳波(EEG)信号から認知タスクを予測する機械学習とディープラーニングは、脳-コンピュータインタフェース(BCI)において急速に進歩している分野である。コンピュータビジョンや自然言語処理の分野とは対照的に、これらの試行のデータ量は依然として少ない。 PCベースの機械学習技術を開発し、熟練していないエンドユーザの参加を増やすことで、このデータ収集問題を解決することができる。我々は、Time Majority Voting (TMV)と呼ばれる機械学習の新しいアルゴリズムを開発した。我々の実験では、TMVは最先端のアルゴリズムよりも優れていた。 BCIを含む分類タスクのために、パーソナルコンピュータ上で効率的に動作することができる。これらの解釈可能なデータは、エンドユーザーや研究者がEEGテストの理解を深めるのにも役立ちました。

関連論文リスト

From Decoding to Meta-Generation: Inference-time Algorithms for Large Language Models [63.188607839223046]
この調査は、推論中に計算をスケールするメリットに焦点を当てている。我々はトークンレベルの生成アルゴリズム、メタジェネレーションアルゴリズム、効率的な生成という3つの領域を統一的な数学的定式化の下で探索する。
論文参考訳（メタデータ） (2024-06-24T17:45:59Z)
Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
論文参考訳（メタデータ） (2023-08-15T16:37:16Z)
Using Machine Learning To Identify Software Weaknesses From Software Requirement Specifications [49.1574468325115]
本研究は、要求仕様からソフトウェア弱点を特定するための効率的な機械学習アルゴリズムを見つけることに焦点を当てる。 ProMISE_exp. Naive Bayes、サポートベクターマシン(SVM)、決定木、ニューラルネットワーク、畳み込みニューラルネットワーク(CNN)アルゴリズムをテストした。
論文参考訳（メタデータ） (2023-08-10T13:19:10Z)
An embedding for EEG signals learned using a triplet loss [0.0]
脳-コンピュータインタフェース(BCI)では、デコードされた脳状態情報を最小の時間遅延で使用することができる。このようなデコードタスクの課題は、小さなデータセットサイズによって引き起こされる。神経生理学的データのための新しいドメイン特異的埋め込みを提案する。
論文参考訳（メタデータ） (2023-03-23T09:05:20Z)
EEG4Students: An Experimental Design for EEG Data Collection and Machine Learning Analysis [3.8224226881450187]
本稿では,BCI分類タスクのためのパーソナルコンピュータ上で効率的に動作可能な機械学習アルゴリズムについて検討する。脳波に基づくBCIデータを収集するために、安価なコンシューマグレードデバイスを用いてこのようなBCI実験を行う方法について検討する。我々はデータ収集プロトコルであるEEG4Studentsを開発した。
論文参考訳（メタデータ） (2022-08-24T19:10:11Z)
BrainActivity1: A Framework of EEG Data Collection and Machine Learning Analysis for College Students [3.335856430410638]
新型コロナウイルス(COVID-19)のパンデミックでは、データ収集と分析がこれまで以上に困難になる可能性がある。本稿では,BCI分類タスクのためのパーソナルコンピュータ上で効率的に動作可能な機械学習アルゴリズムについて検討する。その結果,Random Forest と RBF SVM は脳波分類タスクにおいて良好に機能していた。
論文参考訳（メタデータ） (2022-07-27T01:48:00Z)
2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets [89.84774119537087]
我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
論文参考訳（メタデータ） (2022-02-14T12:12:20Z)
Decoding EEG Brain Activity for Multi-Modal Natural Language Processing [9.35961671939495]
自然言語処理タスクを改善するために脳波脳活動データの可能性を体系的に分析する最初の大規模研究を行った。脳波信号を周波数帯域にフィルタリングすることはブロードバンド信号よりも有益であることがわかった。単語埋め込みタイプの範囲のために、EEGデータは二分および三分感情の分類を改善し、複数のベースラインを上回ります。
論文参考訳（メタデータ） (2021-02-17T09:44:21Z)
Unsupervised Multi-Modal Representation Learning for Affective Computing with Multi-Corpus Wearable Data [16.457778420360537]
我々は、人間の監督への依存を減らすために、教師なしの枠組みを提案する。提案フレームワークは2つの畳み込み自己エンコーダを用いて、ウェアラブル心電図(ECG)と電磁気放射能(EDA)信号から潜時表現を学習する。提案手法は, 同一のデータセット上での覚醒検出を行ない, 現状の成果よりも優れていた。
論文参考訳（メタデータ） (2020-08-24T22:01:55Z)
Bias in Multimodal AI: Testbed for Fair Automatic Recruitment [73.85525896663371]
異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。我々は、性別や人種の偏りを意識的に評価したマルチモーダルな合成プロファイルを用いて、自動求人アルゴリズムを訓練する。我々の方法論と結果は、一般により公平なAIベースのツール、特により公平な自動採用システムを生成する方法を示している。
論文参考訳（メタデータ） (2020-04-15T15:58:05Z)
EEG-based Brain-Computer Interfaces (BCIs): A Survey of Recent Studies on Signal Sensing Technologies and Computational Intelligence Approaches and their Applications [65.32004302942218]
Brain-Computer Interface (BCI) はユーザとシステム間の強力なコミュニケーションツールである。近年の技術進歩は、脳波(EEG)に基づく翻訳医療用BCIへの関心が高まっている。
論文参考訳（メタデータ） (2020-01-28T10:36:26Z)

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。