論文の概要: A Transformer-based deep neural network model for SSVEP classification
- arxiv url: http://arxiv.org/abs/2210.04172v1
- Date: Sun, 9 Oct 2022 05:28:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 18:59:31.145352
- Title: A Transformer-based deep neural network model for SSVEP classification
- Title（参考訳）: SSVEP分類のためのトランスフォーマーに基づくディープニューラルネットワークモデル
- Authors: Jianbo Chen, Yangsong Zhang, Yudong Pan, Peng Xu, Cuntai Guan
- Abstract要約: 本研究では,オブジェクト間分類シナリオにおけるトランスフォーマー構造に基づくSSVEP分類のためのディープラーニングモデルを提案する。
従来の研究から着想を得たモデルでは,SSVEPデータの周波数スペクトルを入力として採用し,分類のためのスペクトル領域情報と空間領域情報を探索する。
提案モデルでは,他のベースライン手法と比較して,分類精度と情報伝達率の点で良好な結果が得られる。
- 参考スコア（独自算出の注目度）: 18.766260137886054
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Steady-state visual evoked potential (SSVEP) is one of the most commonly used
control signal in the brain-computer interface (BCI) systems. However, the
conventional spatial filtering methods for SSVEP classification highly depend
on the subject-specific calibration data. The need for the methods that can
alleviate the demand for the calibration data become urgent. In recent years,
developing the methods that can work in inter-subject classification scenario
has become a promising new direction. As the popular deep learning model
nowadays, Transformer has excellent performance and has been used in EEG signal
classification tasks. Therefore, in this study, we propose a deep learning
model for SSVEP classification based on Transformer structure in inter-subject
classification scenario, termed as SSVEPformer, which is the first application
of the transformer to the classification of SSVEP. Inspired by previous
studies, the model adopts the frequency spectrum of SSVEP data as input, and
explores the spectral and spatial domain information for classification.
Furthermore, to fully utilize the harmonic information, an extended SSVEPformer
based on the filter bank technology (FB-SSVEPformer) is proposed to further
improve the classification performance. Experiments were conducted using two
open datasets (Dataset 1: 10 subjects, 12-class task; Dataset 2: 35 subjects,
40-class task) in the inter-subject classification scenario. The experimental
results show that the proposed models could achieve better results in terms of
classification accuracy and information transfer rate, compared with other
baseline methods. The proposed model validates the feasibility of deep learning
models based on Transformer structure for SSVEP classification task, and could
serve as a potential model to alleviate the calibration procedure in the
practical application of SSVEP-based BCI systems.
- Abstract（参考訳）: 定常視覚誘発電位(Steady-state visual evoked potential, SSVEP)は、脳コンピュータインタフェース(BCI)システムにおいて最もよく用いられる制御信号の1つである。
しかし,従来のssvep分類における空間フィルタリング法は,対象別キャリブレーションデータに大きく依存する。
キャリブレーションデータの需要を軽減する方法の必要性が急務となる。
近年、サブジェクト間分類シナリオで機能する手法の開発は、有望な新しい方向性となっている。
現在、一般的なディープラーニングモデルとして、transformerは優れた性能を持ち、脳波信号分類タスクで使用されている。
そこで本研究では,SSVEP分類へのトランスフォーマーの最初の応用である,オブジェクト間分類シナリオにおけるトランスフォーマー構造に基づくSSVEP分類の深層学習モデルを提案する。
従来の研究から着想を得たモデルでは,SSVEPデータの周波数スペクトルを入力として採用し,分類のためのスペクトル領域情報と空間領域情報を探索する。
さらに,高調波情報を完全に活用するために,フィルタバンク技術(FB-SSVEPformer)に基づく拡張SSVEPformerを提案する。
実験は2つのオープンデータセット(データセット1:10被験者,12クラスタスク,データセット2:35被験者,40クラスタスク)を用いてオブジェクト間分類シナリオで行った。
実験の結果,提案モデルは他のベースライン法と比較して,分類精度と情報伝達率の点で良好な結果が得られることがわかった。
提案モデルは,ssvep分類タスクにおけるトランスフォーマー構造に基づく深層学習モデルの実現可能性を検証するとともに,ssvepベースのbciシステムの実用化における校正手順を緩和する可能性モデルとして有用である。
関連論文リスト
- Input Data Adaptive Learning (IDAL) for Sub-acute Ischemic Stroke Lesion
Segmentation [0.11976120407592658]
本稿では、与えられた入力データに対して最適なトレーニングサンプルを適応的に選択することで、大規模なトレーニングベースから学習する方法を提案する。
提案アルゴリズムは,分類精度を大幅に向上させる。
論文 参考訳（メタデータ） (2024-03-12T09:11:02Z) - SSVEP-DAN: A Data Alignment Network for SSVEP-based Brain Computer
Interfaces [2.1192321523349404]
定常視覚誘発電位(SSVEP)ベースの脳コンピュータインタフェース(BCI)は、高速スペルシステムを介して非侵襲的な通信手段を提供する。
SSVEP-DANは、異なるドメイン間でSSVEPデータを整合させるように設計された、最初の専用ニューラルネットワークモデルである。
論文 参考訳（メタデータ） (2023-11-21T15:18:29Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2023-10-22T02:27:02Z) - Adaptive Distribution Calibration for Few-Shot Learning with
Hierarchical Optimal Transport [78.9167477093745]
本稿では,新しいサンプルとベースクラス間の適応重み行列を学習し,新しい分布校正法を提案する。
標準ベンチマーク実験の結果,提案したプラグ・アンド・プレイモデルの方が競合する手法より優れていることが示された。
論文 参考訳（メタデータ） (2022-10-09T02:32:57Z) - Domain Adaptive Nuclei Instance Segmentation and Classification via
Category-aware Feature Alignment and Pseudo-labelling [65.40672505658213]
本稿では, UDA 核インスタンス分割と分類のための新しいディープニューラルネットワークである Category-Aware 機能アライメントと Pseudo-Labelling Network (CAPL-Net) を提案する。
我々のアプローチは、最先端のUDA手法よりも顕著なマージンで優れています。
論文 参考訳（メタデータ） (2022-07-04T07:05:06Z) - A SPA-based Manifold Learning Framework for Motor Imagery EEG Data
Classification [2.4727719996518487]
本稿では,運動画像(MI)タスクから2種類の脳波データを分類するための多様体学習フレームワークを提案する。
特徴抽出のために、前処理された脳波信号から共通空間パターン(CSP)によって実装される。
分類のための特徴の近傍では、データの支持に対する局所近似が得られ、次に最も近い支持を持つクラスに特徴が割り当てられる。
論文 参考訳（メタデータ） (2021-07-30T06:18:05Z) - 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) - Boosting Template-based SSVEP Decoding by Cross-domain Transfer Learning [2.454595178503407]
我々は、最小二乗変換(LST)に基づく転送学習を取り入れて、最先端のテンプレートベースのSSVEPデコーディングを強化する。
研究結果は,既存データをドメイン間で転送する場合のSSVEPの変動を抑える上でのLSTの有効性を検証した。
論文 参考訳（メタデータ） (2021-02-10T00:14:06Z) - Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。
ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。
マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
論文 参考訳（メタデータ） (2020-12-29T23:43:16Z) - 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) - Ensemble Wrapper Subsampling for Deep Modulation Classification [70.91089216571035]
受信した無線信号のサブサンプリングは、ハードウェア要件と信号処理アルゴリズムの計算コストを緩和するために重要である。
本稿では,無線通信システムにおけるディープラーニングを用いた自動変調分類のためのサブサンプリング手法を提案する。
論文 参考訳（メタデータ） (2020-05-10T06:11:13Z)
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。