論文の概要: EEG4Students: An Experimental Design for EEG Data Collection and Machine Learning Analysis

• arxiv url: http://arxiv.org/abs/2208.11743v1
• Date: Wed, 24 Aug 2022 19:10:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-26 13:53:13.974978
• Title: EEG4Students: An Experimental Design for EEG Data Collection and Machine Learning Analysis
• Title（参考訳）: EEG4Students:EEGデータ収集と機械学習分析のための実験設計
• Authors: Guangyao Dou, Zheng Zhou
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.8224226881450187
• 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. The remote experiment during the pandemic yields several challenges, and we discuss the possible solutions. This paper explores machine learning algorithms that can run efficiently on personal computers for BCI classification tasks. The results show that Random Forest and RBF SVM perform well for EEG classification tasks. Furthermore, we investigate how to conduct such BCI experiments using affordable consumer-grade devices to collect EEG-based BCI data. In addition, we have developed the data collection protocol, EEG4Students, that grants non-experts who are interested in a guideline for such data collection. Our code and data can be found at https://github.com/GuangyaoDou/EEG4Students.
• 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)パンデミックの間、データ収集と分析がより困難になる可能性がある。 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,その解決策を考察する。 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する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動作することがわかった。 さらに,手頃な価格の消費者グレードデバイスを用いて,脳波に基づくbciデータを収集するbci実験の実施方法について検討する。 また、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するデータ収集プロトコルeeg4studentsを開発した。 私たちのコードとデータはhttps://github.com/GuangyaoDou/EEG4Students.comで確認できます。

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)
• hvEEGNet: exploiting hierarchical VAEs on EEG data for neuroscience applications [3.031375888004876]
  脳波の既存のDLベースのモデリング手法に2つの課題がある。 被験者間の高いばらつきと低信号対雑音比は、脳波データの良好な品質を確保するのを困難にしている。 本稿では,高忠実度脳波再構成問題を対象とした2つの変分オートエンコーダモデル,すなわちvEEGNet-ver3とhvEEGNetを提案する。
  論文  参考訳（メタデータ） (2023-11-20T15:36:31Z)
• EEG Decoding for Datasets with Heterogenous Electrode Configurations using Transfer Learning Graph Neural Networks [5.349852254138086]
  記録装置や電極配置のばらつきのため、研究室や同じ研究室内で収集されたデータの組み合わせは困難である。 我々は,グラフニューラルネットワーク(GNN)と非侵襲型運動画像(MI)脳波デコーディングのための転送学習手法を組み合わせた,新しい機械学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2023-06-20T16:29:00Z)
• 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)
• 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)
• 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)
• A Novel Transferability Attention Neural Network Model for EEG Emotion Recognition [51.203579838210885]
  脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。 TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。 これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
  論文  参考訳（メタデータ） (2020-09-21T02:42:30Z)
• 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。