論文の概要: Graph Neural Networks on SPD Manifolds for Motor Imagery Classification: A Perspective from the Time-Frequency Analysis

• arxiv url: http://arxiv.org/abs/2211.02641v1
• Date: Tue, 25 Oct 2022 04:48:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-13 23:55:16.052986
• Title: Graph Neural Networks on SPD Manifolds for Motor Imagery Classification: A Perspective from the Time-Frequency Analysis
• Title（参考訳）: 運動画像分類のためのSPD多様体上のグラフニューラルネットワーク:時間周波数解析からの展望
• Authors: Ce Ju and Cuntai Guan
• Abstract要約: 運動画像(MI)分類は、脳波(EEG)ベースの脳-コンピュータインターフェース(BCI)において最も広く認知されている研究トピックの1つである。 最初の幾何学的深層学習(GDL)フレームワークであるCSPNetが最近BCI研究に登場した。 本研究では,時間領域と周波数領域の両方で脳波信号を同時に特徴付けるグラフベースの手法を用いて,MI-EEG分類のための別のGDLを提案する。
• 参考スコア（独自算出の注目度）: 14.95694356964053
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motor imagery (MI) classification is one of the most widely-concern research topics in Electroencephalography (EEG)-based brain-computer interfaces (BCIs) with extensive industry value. The MI-EEG classifiers' tendency has changed fundamentally over the past twenty years, while classifiers' performance is gradually increasing. In particular, owing to the need for characterizing signals' non-Euclidean inherence, the first geometric deep learning (GDL) framework, Tensor-CSPNet, has recently emerged in the BCI study. In essence, Tensor-CSPNet is a deep learning-based classifier on the second-order statistics of EEGs. In contrast to the first-order statistics, using these second-order statistics is the classical treatment of EEG signals, and the discriminative information contained in these second-order statistics is adequate for MI-EEG classification. In this study, we present another GDL classifier for MI-EEG classification called Graph-CSPNet, using graph-based techniques to simultaneously characterize the EEG signals in both the time and frequency domains. It is realized from the perspective of the time-frequency analysis that profoundly influences signal processing and BCI studies. Contrary to Tensor-CSPNet, the architecture of Graph-CSPNet is further simplified with more flexibility to cope with variable time-frequency resolution for signal segmentation to capture the localized fluctuations. In the experiments, Graph-CSPNet is evaluated on subject-specific scenarios from two well-used MI-EEG datasets and produces near-optimal classification accuracies.
• Abstract（参考訳）: 運動画像(MI)分類は、脳波(EEG)に基づく脳-コンピュータインターフェース(BCI)において、幅広い産業価値を持つ最も一般的な研究トピックの1つである。 MI-EEG分類器の傾向は過去20年間で根本的に変化し、分類器の性能は徐々に上昇している。 特に、信号の非ユークリッド継承を特徴づける必要性から、最初の幾何学的深層学習(GDL)フレームワークであるTensor-CSPNetが最近BCI研究に登場した。 本質的に、Tensor-CSPNetは脳波の2階統計の深層学習に基づく分類器である。 一階統計とは対照的に、これらの二階統計は脳波信号の古典的な処理であり、二階統計に含まれる識別情報はMI-EEG分類に適している。 本研究では、グラフベースの手法を用いて、時間領域と周波数領域の両方でEEG信号を同時に特徴付けるMI-EEG分類のための別のGDL分類器を提案する。 信号処理とbci研究に大きな影響を与える時間周波数解析の観点から実現されている。 Tensor-CSPNetとは対照的に、Graph-CSPNetのアーキテクチャはより柔軟で、信号セグメンテーションの可変時間分解能に対処し、局所的なゆらぎを捉えることができる。 実験では、Graph-CSPNetを2つのよく使われているMI-EEGデータセットから対象固有のシナリオに基づいて評価し、ほぼ最適な分類精度を生成する。

関連論文リスト

• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• MegaCRN: Meta-Graph Convolutional Recurrent Network for Spatio-Temporal Modeling [7.406501288721471]
  本稿では,メタ時間データに基づくグラフ構造学習機構として時空間学習を提案する。 我々のモデルは、異なるパターンで場所と時間帯を歪め、異なる異常状況に頑健に適応することができる。
  論文  参考訳（メタデータ） (2022-12-12T15:46:25Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• Learnable Filters for Geometric Scattering Modules [64.03877398967282]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2022-08-15T22:30:07Z)
• Tensor-CSPNet: A Novel Geometric Deep Learning Framework for Motor Imagery Classification [14.95694356964053]
  対称正定値(SPD)上での脳波信号を特徴付ける幾何学的深層学習フレームワークCSPNetを提案する。 CSPNetは、2つのMI-EEGデータセットのクロスバリデーションとホールドアウトシナリオにおいて、現在の最先端のパフォーマンスを達成またはわずかに上回る。
  論文  参考訳（メタデータ） (2022-02-05T02:52:23Z)
• Overcoming Oversmoothness in Graph Convolutional Networks via Hybrid Scattering Networks [11.857894213975644]
  本稿では,従来のGCNフィルタと幾何散乱変換を用いて定義された帯域通過フィルタを組み合わせたハイブリッドグラフニューラルネットワーク(GNN)フレームワークを提案する。 理論的には, グラフからの構造情報を活用するために散乱フィルタの相補的な利点が確立され, 実験では様々な学習課題における手法の利点が示された。
  論文  参考訳（メタデータ） (2022-01-22T00:47:41Z)
• Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2020-10-06T01:20:27Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)
• Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
  グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく 我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。 EGAEは1つのエンコーダと2つのデコーダで構成される。
  論文  参考訳（メタデータ） (2020-02-20T09:53:28Z)

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。