論文の概要: Transfer Learning of an Ensemble of DNNs for SSVEP BCI Spellers without User-Specific Training

• arxiv url: http://arxiv.org/abs/2209.01511v1
• Date: Sat, 3 Sep 2022 23:24:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-07 15:19:07.192728
• Title: Transfer Learning of an Ensemble of DNNs for SSVEP BCI Spellers without User-Specific Training
• Title（参考訳）: ユーザ特化学習を伴わないSSVEP BCI スパラ用 DNN の移動学習
• Authors: Osman Berke Guney, Huseyin Ozkan
• Abstract要約: 現在の高性能SSVEP BCIスペルは、システム適応のために、新しいユーザごとに、初期的かつタイリングされたユーザ固有のトレーニングを必要とする。 実用性を確保するため,深層ニューラルネットワーク(DNN)のアンサンブルに基づく,高度に新しいターゲット同定手法を提案する。 我々は、すでに存在する文献データセットを利用して、以前に行われた脳波実験の参加者から、まずグローバルターゲット識別子DNNを訓練する。 我々は、この微調整されたDNNのアンサンブルを新しいユーザインスタンスに転送し、参加者の統計的類似性に応じて最も代表的なDNNkを判定し、重み付けされた組み合わせによってターゲットキャラクタを予測する。
• 参考スコア（独自算出の注目度）: 3.6144103736375857
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objective: Steady-state visually evoked potentials (SSVEPs), measured with EEG (electroencephalogram), yield decent information transfer rates (ITR) in brain-computer interface (BCI) spellers. However, the current high performing SSVEP BCI spellers in the literature require an initial lengthy and tiring user-specific training for each new user for system adaptation, including data collection with EEG experiments, algorithm training and calibration (all are before the actual use of the system). This impedes the widespread use of BCIs. To ensure practicality, we propose a highly novel target identification method based on an ensemble of deep neural networks (DNNs), which does not require any sort of user-specific training. Method: We exploit already-existing literature datasets from participants of previously conducted EEG experiments to train a global target identifier DNN first, which is then fine-tuned to each participant. We transfer this ensemble of fine-tuned DNNs to the new user instance, determine the k most representative DNNs according to the participants' statistical similarities to the new user, and predict the target character through a weighted combination of the ensemble predictions. Results: On two large-scale benchmark and BETA datasets, our method achieves impressive 155.51 bits/min and 114.64 bits/min ITRs. Code is available for reproducibility: https://github.com/osmanberke/Ensemble-of-DNNs Conclusion: The proposed method significantly outperforms all the state-of-the-art alternatives for all stimulation durations in [0.2-1.0] seconds on both datasets. Significance: Our Ensemble-DNN method has the potential to promote the practical widespread deployment of BCI spellers in daily lives as we provide the highest performance while enabling the immediate system use without any user-specific training.
• Abstract（参考訳）: 目的:脳波(脳波)を用いて測定された定常視覚誘発電位(SSVEPs)は、脳-コンピュータインタフェース(BCI)スペルで十分な情報伝達率(ITR)を得る。 しかし、文献における現在の高いパフォーマンスssvep bciスペルは、eeg実験によるデータ収集、アルゴリズムのトレーニング、キャリブレーション(すべてシステムの使用前に行われる)を含む、システム適応のための新しいユーザ毎のユーザ固有のトレーニングを初期的に長め、疲れさせる必要がある。 これはbcisの普及を妨げている。 実用性を確保するため,ディープニューラルネットワーク(DNN)のアンサンブルに基づく,ユーザ固有のトレーニングを必要としない,高度に新規なターゲット識別手法を提案する。 方法: 前回実施した脳波実験の参加者から既に存在する文献データセットを利用して,まずグローバルターゲット識別子DNNをトレーニングし,各参加者に微調整する。 我々は、この微調整されたDNNのアンサンブルを新しいユーザインスタンスに転送し、参加者の統計的類似性に応じて最も代表的なDNNkを判定し、アンサンブル予測の重み付けによるターゲットキャラクタの予測を行う。 結果:2つの大規模ベンチマークとBETAデータセットにおいて,本手法は155.51ビット/分,114.64ビット/分ITRを達成している。 https://github.com/osmanberke/Ensemble-of-DNNs 結論:提案手法は,[0.2-1.0]秒間のすべての刺激時間に対して,最先端の代替手段を著しく上回る。 意義:我々のEnsemble-DNN法は,BCIスペルの日常的な展開を促進する可能性があり,かつ,ユーザ固有のトレーニングを伴わずに即時システム使用を可能にする。

関連論文リスト

• BiDense: Binarization for Dense Prediction [62.70804353158387]
  BiDenseは、効率よく正確な密度予測タスクのために設計された一般化されたバイナリニューラルネットワーク(BNN)である。 BiDenseは2つの重要なテクニックを取り入れている: 分散適応バイナリー (DAB) とチャネル適応完全精度バイパス (CFB) である。
  論文  参考訳（メタデータ） (2024-11-15T16:46:04Z)
• Source-Free Domain Adaptation for SSVEP-based Brain-Computer Interfaces [1.4364491422470593]
  本稿では、定常視覚誘発電位(SSVEP)に基づく脳-コンピュータインタフェース(BCI)スペルに対するソースフリードメイン適応法を提案する。 高い情報伝達率(ITR)を達成するには、システムを使用する前に広範囲の校正期間が必要となる。 本稿では、ソースドメインのデータに基づいて事前訓練された強力なディープニューラルネットワーク(DNN)を新しいユーザに適用する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-27T08:02:46Z)
• Intelligence Processing Units Accelerate Neuromorphic Learning [52.952192990802345]
  スパイキングニューラルネットワーク(SNN)は、エネルギー消費と遅延の観点から、桁違いに改善されている。 我々は、カスタムSNN PythonパッケージsnnTorchのIPU最適化リリースを提示する。
  論文  参考訳（メタデータ） (2022-11-19T15:44:08Z)
• Rethinking Nearest Neighbors for Visual Classification [56.00783095670361]
  k-NNは、トレーニングセット内のテストイメージとトップk隣人間の距離を集約する遅延学習手法である。 我々は,教師付き手法と自己監督型手法のいずれでも,事前学習した視覚表現を持つk-NNを2つのステップで採用する。 本研究は,幅広い分類タスクに関する広範な実験により,k-NN統合の汎用性と柔軟性を明らかにした。
  論文  参考訳（メタデータ） (2021-12-15T20:15:01Z)
• Training ELECTRA Augmented with Multi-word Selection [53.77046731238381]
  本稿では,マルチタスク学習に基づくELECTRAの改良を目的としたテキストエンコーダ事前学習手法を提案する。 具体的には、識別器を訓練し、置換トークンを同時に検出し、候補集合から元のトークンを選択する。
  論文  参考訳（メタデータ） (2021-05-31T23:19:00Z)
• Evaluating Deep Neural Network Ensembles by Majority Voting cum Meta-Learning scheme [3.351714665243138]
  新しいデータインスタンスのために,7つの独立したディープニューラルネットワーク(DNN)のアンサンブルを提案する。 残りのサンプルからブートストラップサンプリングによってデータの7分の1を削除して補充する。 この論文のすべてのアルゴリズムは5つのベンチマークデータセットでテストされている。
  論文  参考訳（メタデータ） (2021-05-09T03:10:56Z)
• S2-BNN: Bridging the Gap Between Self-Supervised Real and 1-bit Neural Networks via Guided Distribution Calibration [74.5509794733707]
  本研究では, 実数値から, 最終予測分布上のバイナリネットワークへの誘導型学習パラダイムを提案する。 提案手法は,bnn上で5.515%の絶対利得で,単純なコントラスト学習ベースラインを向上できる。 提案手法は、単純なコントラスト学習ベースラインよりも大幅に改善され、多くの主流教師付きBNN手法に匹敵する。
  論文  参考訳（メタデータ） (2021-02-17T18:59:28Z)
• Multi-Sample Online Learning for Spiking Neural Networks based on Generalized Expectation Maximization [42.125394498649015]
  スパイキングニューラルネットワーク(SNN)は、バイナリニューラルダイナミックアクティベーションを通じて処理することで、生物学的脳の効率の一部をキャプチャする。 本稿では, シナプス重みを共有しながら, 独立したスパイキング信号をサンプリングする複数のコンパートメントを活用することを提案する。 鍵となる考え方は、これらの信号を使ってログライクなトレーニング基準のより正確な統計的推定と勾配を求めることである。
  論文  参考訳（メタデータ） (2021-02-05T16:39:42Z)
• Straggler-Resilient Federated Learning: Leveraging the Interplay Between Statistical Accuracy and System Heterogeneity [57.275753974812666]
  フェデレーション学習は、データをローカルに保持しながら、クライアントのネットワークに分散したデータサンプルから学習する。 本稿では,学習手順を高速化するために,クライアントデータの統計的特徴を取り入れてクライアントを適応的に選択する,ストラグラー・レジリエントなフェデレーション学習手法を提案する。
  論文  参考訳（メタデータ） (2020-12-28T19:21:14Z)
• A Deep Neural Network for SSVEP-based Brain-Computer Interfaces [3.0595138995552746]
  脳-コンピュータインターフェース(BCI)のスペルのターゲット識別(英: Target Identification)とは、被験者がスペルを意図したターゲット特性を予測する脳波分類(EEG)を指す。 この設定では、ターゲット同定に対処し、新しいディープニューラルネットワーク(DNN)アーキテクチャを提案する。 提案したDNNは、マルチチャネルSSVEPを、ハーモニック、チャンネル、時間、および完全に接続された層で分類されたサブバンド間の畳み込みで処理する。
  論文  参考訳（メタデータ） (2020-11-17T11:11:19Z)
• Transfer Learning and SpecAugment applied to SSVEP Based BCI Classification [1.9336815376402716]
  我々は、ディープ畳み込みニューラルネットワーク(DCNN)を使用して、単一チャネル脳-コンピュータインタフェース(BCI)で脳波信号を分類する。 脳波信号はスペクトログラムに変換され、転送学習技術を用いてDCNNを訓練するための入力として機能した。
  論文  参考訳（メタデータ） (2020-10-08T00:30:12Z)

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。