論文の概要: EEG-BBNet: a Hybrid Framework for Brain Biometric using Graph Connectivity

• arxiv url: http://arxiv.org/abs/2208.08901v1
• Date: Wed, 17 Aug 2022 10:18:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-19 14:16:47.328833
• Title: EEG-BBNet: a Hybrid Framework for Brain Biometric using Graph Connectivity
• Title（参考訳）: EEG-BBNet:グラフ接続性を用いた脳生体計測のためのハイブリッドフレームワーク
• Authors: Payongkit Lakhan, Nannapas Banluesombatkul, Natchaya Sricom, Korn Surapat, Ratha Rotruchiphong, Phattarapong Sawangjai, Tohru Yagi, Tulaya Limpiti, Theerawit Wilaiprasitporn
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.1498015270151059
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Brain biometrics based on electroencephalography (EEG) have been used increasingly for personal identification. Traditional machine learning techniques as well as modern day deep learning methods have been applied with promising results. In this paper we present EEG-BBNet, a hybrid network which integrates convolutional neural networks (CNN) with graph convolutional neural networks (GCNN). The benefit of the CNN in automatic feature extraction and the capability of GCNN in learning connectivity between EEG electrodes through graph representation are jointly exploited. We examine various connectivity measures, namely the Euclidean distance, Pearson's correlation coefficient, phase-locked value, phase-lag index, and Rho index. The performance of the proposed method is assessed on a benchmark dataset consisting of various brain-computer interface (BCI) tasks and compared to other state-of-the-art approaches. We found that our models outperform all baselines in the event-related potential (ERP) task with an average correct recognition rates up to 99.26% using intra-session data. EEG-BBNet with Pearson's correlation and RHO index provide the best classification results. In addition, our model demonstrates greater adaptability using inter-session and inter-task data. We also investigate the practicality of our proposed model with smaller number of electrodes. Electrode placements over the frontal lobe region appears to be most appropriate with minimal lost in performance.
• Abstract（参考訳）: 脳波(EEG)に基づく脳生体計測は、個人識別にますます利用されている。 従来の機械学習技術や現代のディープラーニング手法は有望な結果に応用されている。 本稿では,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。 自動特徴抽出におけるCNNの利点とグラフ表現による脳波電極間の接続学習におけるGCNNの能力は共同で活用される。 本研究では, ユークリッド距離, ピアソン相関係数, 位相ロック値, 位相ラグ指数, Rho指数など, 様々な接続性指標について検討する。 提案手法の性能は,脳-コンピュータインタフェース(BCI)タスクからなるベンチマークデータセットを用いて評価し,他の最先端手法と比較した。 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。 Pearsonの相関とRHO指数を用いたEEG-BBNetは最適な分類結果を提供する。 さらに,本モデルでは,セッション間およびタスク間データを用いた適応性の向上を示す。 また,電極数の少ない提案モデルの実用性についても検討した。 前頭葉領域の電極配置が最も適しており,性能低下は最小限であった。

関連論文リスト

• EEG_RL-Net: Enhancing EEG MI Classification through Reinforcement Learning-Optimised Graph Neural Networks [7.9035081192335115]
  本稿では、EEG_GLT-NetからトレーニングされたEEG GCNブロックを隣接行列密度13.39%で組み込んだEEG_GLT-Netフレームワークの強化であるEEG_RL-Netを提案する。 EEG_RL-Netモデルは例外的な分類性能を示し、25ミリ秒以内の20人の被験者の平均精度は96.40%である。
  論文  参考訳（メタデータ） (2024-04-26T13:09:50Z)
• 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)
• EEGSN: Towards Efficient Low-latency Decoding of EEG with Graph Spiking Neural Networks [4.336065967298193]
  ほとんどのニューラルネットワーク(SNN)は、低レイテンシと電力効率を必要とするいくつかの重要なタスクに必ずしも適合しない誘導バイアスに基づいてトレーニングされている。 本稿では、分散脳波センサに存在する動的関係情報を学習する多チャンネル脳波分類(EEGS)のためのグラフスパイクニューラルアーキテクチャを提案する。 提案手法は,従来のSNNと比較して,推定計算の複雑さを20ドル程度削減し,モータ実行タスクにおいて同等の精度を達成した。
  論文  参考訳（メタデータ） (2023-04-15T23:30:17Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
  我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。 具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T05:24:18Z)
• EEG-GNN: Graph Neural Networks for Classification of Electroencephalogram (EEG) Signals [20.991468018187362]
  畳み込みニューラルネットワーク(CNN)は脳波(EEG)から主観的不変の特徴を抽出するために頻繁に用いられる。 電極部位の機能的ネットワークに対する2次元グリッド型入力に適用される畳み込みとプーリングの概念を調整することにより、この制限を克服する。 我々は,グラフのノードに電極を投影する様々なグラフニューラルネットワーク(GNN)モデルを開発し,ノードの特徴を試行錯誤時に収集したEEGチャネルのサンプルとして表現し,ノードを重み付き/非重み付きエッジで接続する。
  論文  参考訳（メタデータ） (2021-06-16T21:19:12Z)
• 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)
• Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks [81.74442855155843]
  CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。 対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
  論文  参考訳（メタデータ） (2021-01-18T13:28:08Z)
• GCNs-Net: A Graph Convolutional Neural Network Approach for Decoding Time-resolved EEG Motor Imagery Signals [8.19994663278877]
  グラフ畳み込みニューラルネットワーク(GCN)に基づく新しいディープラーニングフレームワークを提案し,生の脳波信号の復号性能を向上させる。 導入されたアプローチは、パーソナライズされた予測とグループ的な予測の両方に収束することが示されている。
  論文  参考訳（メタデータ） (2020-06-16T04:57:12Z)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。