論文の概要: BrainActivity1: A Framework of EEG Data Collection and Machine Learning Analysis for College Students

• arxiv url: http://arxiv.org/abs/2207.13239v1
• Date: Wed, 27 Jul 2022 01:48:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-19 10:10:19.573059
• Title: BrainActivity1: A Framework of EEG Data Collection and Machine Learning Analysis for College Students
• Title（参考訳）: BrainActivity1: 大学生のための脳波データ収集と機械学習分析フレームワーク
• Authors: Zheng Zhou, Guangyao Dou, Xiaodong Qu
• Abstract要約: 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。
• 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 has been a fast-developing area in Brain-Computer Interfaces (BCI). However, during the COVID-19 pandemic, data collection and analysis could be more challenging than before. This paper explored machine learning algorithms that can run efficiently on personal computers for BCI classification tasks. Also, we investigated a way to conduct such BCI experiments remotely via Zoom. The results showed that Random Forest and RBF SVM performed well for EEG classification tasks. The remote experiment during the pandemic yielded several challenges, and we discussed the possible solutions; nevertheless, we developed a protocol that grants non-experts who are interested a guideline for such data collection.
• Abstract（参考訳）: 機械学習とディープラーニングを使って脳波(EEG)信号から認知タスクを予測することは、Brain-Computer Interfaces(BCI)において急速に発展している分野である。 しかし、新型コロナウイルス(COVID-19)のパンデミックの間、データ収集と分析は以前よりも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。 また,このようなbci実験をzoomを用いて遠隔で行う方法についても検討した。 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。 パンデミック時の遠隔実験はいくつかの課題を生じさせ,可能な解決策について議論した。しかしながら,このようなデータ収集のガイドラインに興味のある非専門家に許可を与えるプロトコルを開発した。

関連論文リスト

• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• Evaluating the structure of cognitive tasks with transfer learning [67.22168759751541]
  本研究では,脳波復号処理における深層学習表現の伝達可能性について検討した。 最近リリースされた2つのEEGデータセット上で、最先端デコードモデルを用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2023-07-28T14:51:09Z)
• Two Heads are Better than One: A Bio-inspired Method for Improving Classification on EEG-ET Data [14.086094296850122]
  EEGデータの分類は、Brain Computer Interfaces(BCI)とそのアプリケーションのパフォーマンスに不可欠である。 外部ノイズは、その生物学的性質と複雑なデータ収集プロセスのために、しばしば脳波データを妨害する。 脳波データの特徴選択と時間分割を統合した新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-03-25T23:44:39Z)
• The evolution of AI approaches for motor imagery EEG-based BCIs [2.294014185517203]
  運動画像(MI)脳波(EEG)ベースの脳コンピュータインタフェース(BCI)は、人間と機械の直接通信を可能にする。 これらのシステムは、医療分野からエンターテイメント産業にまたがるアプリケーションを開発する可能性を開く。 人工知能(AI)アプローチは、特にBCIユーザに正しい一貫性のあるフィードバックを提供したい場合に、基本的な重要性を持つ。
  論文  参考訳（メタデータ） (2022-10-11T07:42:54Z)
• 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)
• Time Majority Voting, a PC-based EEG Classifier for Non-expert Users [3.335856430410638]
  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。
  論文  参考訳（メタデータ） (2022-07-26T05:43:54Z)
• 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)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• 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)
• Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
  心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。 深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。 本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
  論文  参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。