論文の概要: Cross Task Neural Architecture Search for EEG Signal Classifications

• arxiv url: http://arxiv.org/abs/2210.06298v1
• Date: Sat, 1 Oct 2022 10:55:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-16 16:21:12.808436
• Title: Cross Task Neural Architecture Search for EEG Signal Classifications
• Title（参考訳）: 脳波信号分類のためのクロスタスクニューラルアーキテクチャ探索
• Authors: Yiqun Duan, Zhen Wang, Yi Li, Jianhang Tang, Yu-Kai Wang, Chin-Teng Lin
• Abstract要約: 脳波信号認識のためのクロスタスクニューラルネットワーク探索(CTNAS-EEG)フレームワークを提案する。 異なる脳波タスクにおける構造探索を統一することにより、この研究は、探索された構造差をクロスタスク的に探索し分析する最初のものである。
• 参考スコア（独自算出の注目度）: 31.808279972489984
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electroencephalograms (EEGs) are brain dynamics measured outside the brain, which have been widely utilized in non-invasive brain-computer interface applications. Recently, various neural network approaches have been proposed to improve the accuracy of EEG signal recognition. However, these approaches severely rely on manually designed network structures for different tasks which generally are not sharing the same empirical design cross-task-wise. In this paper, we propose a cross-task neural architecture search (CTNAS-EEG) framework for EEG signal recognition, which can automatically design the network structure across tasks and improve the recognition accuracy of EEG signals. Specifically, a compatible search space for cross-task searching and an efficient constrained searching method is proposed to overcome challenges brought by EEG signals. By unifying structure search on different EEG tasks, this work is the first to explore and analyze the searched structure difference cross-task-wise. Moreover, by introducing architecture search, this work is the first to analyze model performance by customizing model structure for each human subject. Detailed experimental results suggest that the proposed CTNAS-EEG could reach state-of-the-art performance on different EEG tasks, such as Motor Imagery (MI) and Emotion recognition. Extensive experiments and detailed analysis are provided as a good reference for follow-up researchers.
• Abstract（参考訳）: 脳波計 (eeg) は脳の外で測定される脳の動態であり、非侵襲的な脳-コンピューターインタフェースで広く使われている。 近年,脳波信号認識の精度向上のために,様々なニューラルネットワーク手法が提案されている。 しかしながら、これらのアプローチは、一般的に同じ経験的設計を共有していない異なるタスクに対して、手動で設計されたネットワーク構造に強く依存している。 本稿では、タスク間でネットワーク構造を自動設計し、脳波信号の認識精度を向上させることができる、脳波信号認識のためのクロスタスクニューラルネットワーク探索(CTNAS-EEG)フレームワークを提案する。 具体的には,脳波信号による課題を克服するために,タスク横断探索のための対応検索空間と効率的な制約付き探索法を提案する。 異なる脳波タスクにおける構造探索を統一することにより、この研究は、探索された構造差をクロスタスクで探索し分析する最初の方法である。 さらに,アーキテクチャ探索を導入することで,人体毎にモデル構造をカスタマイズすることで,モデル性能を初めて解析する。 詳細な実験結果から、提案したCTNAS-EEGは、運動画像(MI)や感情認識など、さまざまな脳波タスクにおける最先端の性能に達する可能性が示唆された。 大規模な実験と詳細な分析は、フォローアップ研究者にとって良い参考となる。

関連論文リスト

• EM-DARTS: Hierarchical Differentiable Architecture Search for Eye Movement Recognition [54.99121380536659]
  眼球運動バイオメトリックスは、高い安全性の識別により注目されている。 深層学習(DL)モデルは近年,眼球運動認識に成功している。 DLアーキテクチャはまだ人間の事前知識によって決定されている。 眼球運動認識のためのDLアーキテクチャを自動設計する階層的微分可能なアーキテクチャ探索アルゴリズムEM-DARTSを提案する。
  論文  参考訳（メタデータ） (2024-09-22T13:11:08Z)
• Joint Contrastive Learning with Feature Alignment for Cross-Corpus EEG-based Emotion Recognition [2.1645626994550664]
  我々は,クロスコーパス脳波に基づく感情認識に対処するために,特徴アライメントを用いた新しいコントラスト学習フレームワークを提案する。 事前学習段階では、脳波信号の一般化可能な時間周波数表現を特徴付けるために、共同領域コントラスト学習戦略を導入する。 微調整の段階では、JCFAは脳電極間の構造的接続を考慮した下流タスクと共に洗練される。
  論文  参考訳（メタデータ） (2024-04-15T08:21:17Z)
• A Knowledge-Driven Cross-view Contrastive Learning for EEG Representation [48.85731427874065]
  本稿では,限られたラベルを持つ脳波から効果的な表現を抽出する知識駆動型クロスビューコントラスト学習フレームワーク(KDC2)を提案する。 KDC2法は脳波信号の頭皮と神経のビューを生成し、脳活動の内部および外部の表現をシミュレートする。 ニューラル情報整合性理論に基づく事前のニューラル知識をモデル化することにより、提案手法は不変かつ相補的なニューラル知識を抽出し、複合表現を生成する。
  論文  参考訳（メタデータ） (2023-09-21T08:53:51Z)
• 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)
• 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)
• Spatio-Temporal Analysis of Transformer based Architecture for Attention Estimation from EEG [2.7076510056452654]
  脳波信号から特定のタスクに与えられた注意状態、すなわち注意度を復元できる新しいフレームワークを提案する。 従来は電極による脳波の空間的関係をよく検討していたが, トランスフォーマネットワークを用いた空間的・時間的情報の利用も提案する。 提案したネットワークは、2つの公開データセットでトレーニングされ、検証され、最先端のモデルよりも高い結果が得られる。
  論文  参考訳（メタデータ） (2022-04-04T08:05:33Z)
• Subject Independent Emotion Recognition using EEG Signals Employing Attention Driven Neural Networks [2.76240219662896]
  主観非依存の感情認識が可能な新しいディープラーニングフレームワークを提案する。 タスクを実行するために、アテンションフレームワークを備えた畳み込みニューラルネットワーク(CNN)を提示する。 提案手法は、公開データセットを使用して検証されている。
  論文  参考訳（メタデータ） (2021-06-07T09:41:15Z)
• NAS-Navigator: Visual Steering for Explainable One-Shot Deep Neural Network Synthesis [53.106414896248246]
  本稿では,分析者がドメイン知識を注入することで,解のサブグラフ空間を効果的に構築し,ネットワーク探索をガイドするフレームワークを提案する。 このテクニックを反復的に適用することで、アナリストは、与えられたアプリケーションに対して最高のパフォーマンスのニューラルネットワークアーキテクチャに収束することができる。
  論文  参考訳（メタデータ） (2020-09-28T01:48:45Z)
• A Novel Transferability Attention Neural Network Model for EEG Emotion Recognition [51.203579838210885]
  脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。 TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。 これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
  論文  参考訳（メタデータ） (2020-09-21T02:42:30Z)
• Siamese Neural Networks for EEG-based Brain-computer Interfaces [18.472950822801362]
  我々は,シームズニューラルネットワークに基づく新しい脳波処理と特徴抽出パラダイムを提案する。 Siameseアーキテクチャは畳み込みニューラルネットワーク(CNN)に基づいて開発され、2つの入力の類似性に基づいたバイナリ出力を提供する。 このアーキテクチャの有効性は、Brain-Computer Interfaces (BCI) Competition IV-2aの4クラスのMotor Imageryデータセットで評価される。
  論文  参考訳（メタデータ） (2020-02-03T17:31:39Z)

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。