論文の概要: Classification of eye-state using EEG recordings: speed-up gains using signal epochs and mutual information measure

• arxiv url: http://arxiv.org/abs/2209.01023v1
• Date: Wed, 31 Aug 2022 10:28:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-05 12:20:23.746262
• Title: Classification of eye-state using EEG recordings: speed-up gains using signal epochs and mutual information measure
• Title（参考訳）: eeg記録を用いた視線状態の分類:信号時間と相互情報計測による高速化
• Authors: Phoebe M Asquith and Hisham Ihshaish
• Abstract要約: チャネル選択のための相互情報(MI)に基づく手法を提案する。 分類精度スコアにはペナルティがある一方で、MI技術を用いて期待できるスピードアップゲインを実現することができることを示す。 本研究は探索的であり,検証と開発のためのさらなる研究が提案されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The classification of electroencephalography (EEG) signals is useful in a wide range of applications such as seizure detection/prediction, motor imagery classification, emotion classification and drug effects diagnosis, amongst others. With the large number of EEG channels acquired, it has become vital that efficient data-reduction methods are developed, with varying importance from one application to another. It is also important that online classification is achieved during EEG recording for many applications, to monitor changes as they happen. In this paper we introduce a method based on Mutual Information (MI), for channel selection. Obtained results show that whilst there is a penalty on classification accuracy scores, promising speed-up gains can be achieved using MI techniques. Using MI with signal epochs (3secs) containing signal transitions enhances these speed-up gains. This work is exploratory and we suggest further research to be carried out for validation and development. Benefits to improving classification speed include improving application in clinical or educational settings.
• Abstract（参考訳）: 脳波(eeg)信号の分類は、発作の検出/予測、運動画像の分類、感情の分類、薬物効果の診断など、幅広い用途で有用である。 多くのEEGチャネルが取得され、あるアプリケーションから別のアプリケーションへ様々な重要性を持つ効率的なデータ抽出手法が開発されることが重要になっている。 また、多くのアプリケーションでeeg記録中にオンライン分類を行い、変化の監視を行うことも重要である。 本稿では,チャネル選択のための相互情報(MI)に基づく手法を提案する。 得られた結果は,分類精度スコアにペナルティがある一方で,MI技術を用いて有望なスピードアップゲインを達成できることを示唆している。 miと信号遷移を含む信号エポック(3secs)を使用することで、これらのスピードアップ効果が向上する。 本研究は探索的であり,検証と開発のためのさらなる研究が提案されている。 分類速度を改善することの利点は、臨床または教育現場での応用を改善することである。

関連論文リスト

• Study on spike-and-wave detection in epileptic signals using t-location-scale distribution and the K-nearest neighbors classifier [0.0]
  そこで本研究では、t位置スケールの統計的表現に基づくてんかん性脳波信号のk-nearest近辺分類を行い、スパイク・アンド・ウェーブを検出する。 提案手法は、スパイク・アンド・ウェーブ現象と正常脳機能信号の両方を含む実際のデータセット上で実証される。
  論文  参考訳（メタデータ） (2024-05-21T21:52:08Z)
• EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
  心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。 本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
  論文  参考訳（メタデータ） (2023-10-24T02:37:49Z)
• 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)
• Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs [55.78588835407174]
  視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。 ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。 以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
  論文  参考訳（メタデータ） (2022-08-17T09:07:45Z)
• Upper Limb Movement Recognition utilising EEG and EMG Signals for Rehabilitative Robotics [0.0]
  上肢運動分類のための新しい決定レベル多センサ融合手法を提案する。 システムは脳波信号をEMG信号と統合し、両方の情報源から効果的な情報を取得し、ユーザの欲求を理解し予測する。
  論文  参考訳（メタデータ） (2022-07-18T14:51:23Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Automatic detection of abnormal EEG signals using wavelet feature extraction and gradient boosting decision tree [2.924868086534434]
  多チャンネル脳波記録における脳信号の自動二分分類フレームワークを提案する。 本稿では,抽出した特徴量の品質を損なうことなく,特徴空間の次元を小さくする手法を提案する。 CatBoostは87.68%のバイナリ分類精度を達成し、同じデータセットの最先端の技術を上回る。
  論文  参考訳（メタデータ） (2020-12-18T03:36:52Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)
• Few-Shot Relation Learning with Attention for EEG-based Motor Imagery Classification [11.873435088539459]
  脳波(EEG)信号に基づく脳-コンピュータインタフェース(BCI)が注目されている。 運動画像(MI)データは、リハビリテーションや自律運転のシナリオに使用することができる。 脳波に基づくBCIシステムにはMI信号の分類が不可欠である。
  論文  参考訳（メタデータ） (2020-03-03T02:34:44Z)
• The Effect of Data Augmentation on Classification of Atrial Fibrillation in Short Single-Lead ECG Signals Using Deep Neural Networks [12.39263432933148]
  クラス不均衡問題に対するオーバーサンプリングなど,様々なデータ拡張アルゴリズムの影響について検討する。 その結果, 深層学習に基づくAF信号分類手法は, オーバーサンプリングよりも, GANとGMMを用いたデータ拡張の恩恵が大きいことがわかった。
  論文  参考訳（メタデータ） (2020-02-07T16:08:19Z)

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。