論文の概要: The evolution of AI approaches for motor imagery EEG-based BCIs

• arxiv url: http://arxiv.org/abs/2210.06290v1
• Date: Tue, 11 Oct 2022 07:42:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 13:36:16.991078
• Title: The evolution of AI approaches for motor imagery EEG-based BCIs
• Title（参考訳）: 運動画像脳波に基づくBCIのためのAIアプローチの進化
• Authors: Aurora Saibene, Silvia Corchs, Mirko Caglioni, Francesca Gasparini
• Abstract要約: 運動画像(MI)脳波(EEG)ベースの脳コンピュータインタフェース(BCI)は、人間と機械の直接通信を可能にする。 これらのシステムは、医療分野からエンターテイメント産業にまたがるアプリケーションを開発する可能性を開く。 人工知能(AI)アプローチは、特にBCIユーザに正しい一貫性のあるフィードバックを提供したい場合に、基本的な重要性を持つ。
• 参考スコア（独自算出の注目度）: 2.294014185517203
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Motor Imagery (MI) electroencephalography (EEG) based Brain Computer Interfaces (BCIs) allow the direct communication between humans and machines by exploiting the neural pathways connected to motor imagination. Therefore, these systems open the possibility of developing applications that could span from the medical field to the entertainment industry. In this context, Artificial Intelligence (AI) approaches become of fundamental importance especially when wanting to provide a correct and coherent feedback to BCI users. Moreover, publicly available datasets in the field of MI EEG-based BCIs have been widely exploited to test new techniques from the AI domain. In this work, AI approaches applied to datasets collected in different years and with different devices but with coherent experimental paradigms are investigated with the aim of providing a concise yet sufficiently comprehensive survey on the evolution and influence of AI techniques on MI EEG-based BCI data.
• Abstract（参考訳）: 運動画像(MI)脳波(EEG)ベースの脳コンピュータインタフェース(BCI)は、運動想像と結びついた神経経路を利用することで人間と機械間の直接通信を可能にする。 そのため、医療分野からエンタテインメント業界にまたがるアプリケーションを開発できる可能性が開けた。 この文脈では、AI(Artificial Intelligence)アプローチは、特にBCIユーザに正確で一貫性のあるフィードバックを提供したい場合に、基本的に重要である。 さらに、MI EEGベースのBCIの分野で公開されているデータセットは、AIドメインから新しいテクニックをテストするために広く利用されている。 本研究は,MIEEGに基づくBCIデータに対するAI技術の進化と影響に関する,簡潔かつ十分な包括的調査を提供することを目的として,異なる年と異なるデバイスで収集したデータセットにAIアプローチを適用する。

関連論文リスト

• A Survey on Bridging EEG Signals and Generative AI: From Image and Text to Beyond [4.720913027054481]
  Brain-Computer Interfaces (BCI) とGenerative Artificial Intelligence (GenAI) の統合により、脳信号復号における新たなフロンティアが開かれた。 近年、GAN(Generative Adversarial Networks)やLLM(Transformer-based Large Language Models)といったディープラーニングの進歩により、脳波による画像、テキスト、音声の生成が大幅に改善されている。
  論文  参考訳（メタデータ） (2025-02-17T17:16:41Z)
• Multimodal Brain-Computer Interfaces: AI-powered Decoding Methodologies [21.599095979583414]
  本稿では,マルチモーダルBCIを実現するコアデコードアルゴリズムについて述べる。 我々は,古典的マルチモーダリティ融合に加えて,クロスモーダリティマッピング,シーケンシャルモデリングのアルゴリズム的進歩を強調した。 視覚、音声、情緒的復号に関する現在のBCI応用の文献は包括的に調査されている。
  論文  参考訳（メタデータ） (2025-02-05T02:14:08Z)
• Human-AI Teaming Using Large Language Models: Boosting Brain-Computer Interfacing (BCI) and Brain Research [1.7265013728931]
  我々は,Janusian設計原則の集合に基づいて,人間とAIのコラボレーションの概念を紹介する。 ChatBCIは、人間とAIのコラボレーションを可能にするPythonベースのツールボックスである。 我々のアプローチは、幅広い神経技術および神経科学のトピックに簡単に拡張できる。
  論文  参考訳（メタデータ） (2024-12-30T20:26:03Z)
• CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
  脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。 具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。 このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
  論文  参考訳（メタデータ） (2024-12-13T16:27:54Z)
• DREAMS: A python framework to train deep learning models with model card reporting for medical and health applications [7.2934799091933815]
  本稿では,脳波データ処理,モデルトレーニング,レポート生成に適した総合的なディープラーニングフレームワークを提案する。 AI開発者によってさらに適応され、開発されるように構築されているが、モデルカードを通じて、開発者と臨床医の両方が使用する結果と具体的な情報を報告することができる。
  論文  参考訳（メタデータ） (2024-09-26T13:12:13Z)
• Robotic Navigation Autonomy for Subretinal Injection via Intelligent Real-Time Virtual iOCT Volume Slicing [88.99939660183881]
  網膜下注射のための自律型ロボットナビゲーションの枠組みを提案する。 提案手法は,機器のポーズ推定方法,ロボットとi OCTシステム間のオンライン登録,およびインジェクションターゲットへのナビゲーションに適した軌道計画から構成される。 ブタ前眼の精度と再現性について実験を行った。
  論文  参考訳（メタデータ） (2023-01-17T21:41:21Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• 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)
• EEG-Based Brain-Computer Interfaces Are Vulnerable to Backdoor Attacks [68.01125081367428]
  近年の研究では、機械学習アルゴリズムは敵攻撃に弱いことが示されている。 本稿では,脳波をベースとしたBCIの毒殺攻撃に狭周期パルスを用いることを提案する。
  論文  参考訳（メタデータ） (2020-10-30T20:49:42Z)
• 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)

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。