論文の概要: Examining Uniqueness and Permanence of the WAY EEG GAL dataset toward User Authentication

• arxiv url: http://arxiv.org/abs/2209.04802v1
• Date: Sun, 11 Sep 2022 06:53:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-13 14:09:25.098090
• Title: Examining Uniqueness and Permanence of the WAY EEG GAL dataset toward User Authentication
• Title（参考訳）: ユーザ認証に向けたWAY EEG GALデータセットの特異性と永続性の検討
• Authors: Aratrika Ray-Dowling
• Abstract要約: 本研究では、WAY EEG GAL公開データセットからの脳波データの識別能力(特異性)を評価し、個人を互いに認証する。 特徴重要度アルゴリズムを用いて、各ユーザが他のすべての機能に対して認証する最適な特徴を選択する。 線形SVMを用いた95.3%の精度(95.3%のF1スコア)と非線形SVMを用いた97.4%の精度(97.3%のF1スコア)のハイパフォーマンスな個人も観察されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This study evaluates the discriminating capacity (uniqueness) of the EEG data from the WAY EEG GAL public dataset to authenticate individuals against one another as well as its permanence. In addition to the EEG data, Luciw et al. provide EMG (Electromyography), and kinematics data for engineers and researchers to utilize WAY EEG GAL for further studies. However, evaluating the EMG and kinematics data is outside the scope of this study. The goal of the state-of-the-art is to determine whether EEG data can be utilized to control prosthetic devices. On the other hand, this study aims to evaluate the separability of individuals through EEG data to perform user authentication. A feature importance algorithm is utilized to select the best features for each user to authenticate them against all others. The authentication platform implemented for this study is based on Machine Learning models/classifiers. As an initial test, two pilot studies are performed using Linear Discriminant Analysis (LDA) and Support Vector Machine (SVM) to observe the learning trends of the models by multi-labeling the EEG dataset. Utilizing kNN first as the classifier for user authentication, accuracy around 75% is observed. Thereafter to improve the performance both linear and non-linear SVMs are used to perform classification. The overall average accuracies of 85.18% and 86.92% are achieved using linear and non-linear SVMs respectively. In addition to accuracy, F1 scores are also calculated. The overall average F1 score of 87.51% and 88.94% are achieved for linear and non-linear SVMs respectively. Beyond the overall performance, high performing individuals with 95.3% accuracy (95.3% F1 score) using linear SVM and 97.4% accuracy (97.3% F1 score) using non-linear SVM are also observed.
• Abstract（参考訳）: 本研究では、WAY EEG GAL公開データセットからの脳波データの識別能力(特異性)を評価し、その永続性だけでなく個人を認証する。 EEGデータに加えて、Lucewらは、EMG(Electromyography)とキネマティクスデータを提供し、エンジニアや研究者がWAY EEG GALを使用してさらなる研究を行う。 しかし,emgおよび運動学データの評価は本研究の範囲外である。 最先端技術の目標は、脳波データを補綴器の制御に利用できるかどうかを判断することである。 一方,本研究では,脳波データを用いて個人の分離性を評価し,ユーザ認証を行う。 特徴重要度アルゴリズムを用いて、各ユーザが他のすべての機能に対して認証する最適な特徴を選択する。 この研究のために実装された認証プラットフォームは、機械学習モデル/分類器に基づいている。 最初の試験として、線形判別分析(LDA)とサポートベクトルマシン(SVM)を用いて2つのパイロット実験を行い、EEGデータセットを複数ラベルすることでモデルの学習動向を観察する。 knnをまずユーザ認証の分類器として利用し,約75%の精度を示した。 その後、線形SVMと非線形SVMの両方の性能を改善して分類を行う。 平均精度85.18%と86.92%はそれぞれ線形SVMと非線形SVMを用いて達成されている。 精度に加えて、f1スコアも計算される。 平均F1スコアは87.51%、88.94%が線形SVMと非線形SVMでそれぞれ達成されている。 総合成績以外にも、線形SVMを用いた95.3%の精度(95.3%のF1スコア)、非線形SVMを用いた97.4%の精度(97.3%のF1スコア)のハイパフォーマンスな個人も観察されている。

関連論文リスト

• Electroencephalogram Emotion Recognition via AUC Maximization [0.0]
  不均衡データセットは神経科学、認知科学、医学診断などの分野で大きな課題を提起する。 本研究は,DEAPデータセットにおけるライキングラベルを例として,イシュークラスの不均衡に対処する。
  論文  参考訳（メタデータ） (2024-08-16T19:08:27Z)
• 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)
• Electromyography Signal Classification Using Deep Learning [0.0]
  我々はL2正規化を用いた深層学習モデルを実装し,EMG(Electromyography)データに基づいて学習を行った。 データは、コントロールグループ、ミオパチー、ALS患者から収集されたEMG信号からなる。 このモデルでは、正常症例(対照群)を100%の精度で他の患者と区別することができ、ミオパチーとALSをそれぞれ97.4と98.2の精度で分類することができた。
  論文  参考訳（メタデータ） (2023-05-06T10:44:38Z)
• EEG-Fest: Few-shot based Attention Network for Driver's Vigilance Estimation with EEG Signals [160.57870373052577]
  運転士の警戒の欠如は、ほとんどの車両事故の主な原因である。 EEGはドライバーの眠気推定のための信頼性と効率的なツールである。
  論文  参考訳（メタデータ） (2022-11-07T21:35:08Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Deep Learning Based Classification of Unsegmented Phonocardiogram Spectrograms Leveraging Transfer Learning [0.0]
  心臓腫瘍は、聴診プロセス中に検出される最も一般的な異常です。 PCGデータセットは、PhystoNet/CinCとPASCAL(2011)の2種類があります。 本研究では,PhystoNetとPASCALデータセットの分類のための,新規で,より複雑で,比較的軽量なカスタムCNNモデルを提案する。
  論文  参考訳（メタデータ） (2020-12-15T16:32:29Z)
• 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)
• 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)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)
• Effect of Analysis Window and Feature Selection on Classification of Hand Movements Using EMG Signal [0.20999222360659603]
  近年,パターン認識(PR)に基づく筋電制御の研究は,機械学習分類器の助けを借りて有望な結果を示した。 複数のクラスの動きと直感的な制御を提供することで、日常的な生活運動を行うために切断対象に電力を供給することができる。 我々は,手の動きの分類精度を向上させるために,効率的なデータ前処理と最適な特徴選択が有効であることを示す。
  論文  参考訳（メタデータ） (2020-02-02T19:03:23Z)

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。