論文の概要: Motor imagery classification using EEG spectrograms
- arxiv url: http://arxiv.org/abs/2211.08350v1
- Date: Tue, 15 Nov 2022 17:57:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-16 16:20:41.437765
- Title: Motor imagery classification using EEG spectrograms
- Title（参考訳）: 脳波スペクトログラムを用いた運動画像分類
- Authors: Saadat Ullah Khan, Muhammad Majid, Syed Muhammad Anwar
- Abstract要約: 手足の動きの想像力(MI)は脳-コンピュータインタフェース(BCI)システムにとって重要である。
脳波(EEG)によるMI検出により,ユーザの動きの想像力を認識できる。
本稿では,前訓練した深層学習アルゴリズムを用いて上肢運動の分類を行う。
- 参考スコア（独自算出の注目度）: 9.05607520128194
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The loss of limb motion arising from damage to the spinal cord is a
disability that could effect people while performing their day-to-day
activities. The restoration of limb movement would enable people with spinal
cord injury to interact with their environment more naturally and this is where
a brain-computer interface (BCI) system could be beneficial. The detection of
limb movement imagination (MI) could be significant for such a BCI, where the
detected MI can guide the computer system. Using MI detection through
electroencephalography (EEG), we can recognize the imagination of movement in a
user and translate this into a physical movement. In this paper, we utilize
pre-trained deep learning (DL) algorithms for the classification of imagined
upper limb movements. We use a publicly available EEG dataset with data
representing seven classes of limb movements. We compute the spectrograms of
the time series EEG signal and use them as an input to the DL model for MI
classification. Our novel approach for the classification of upper limb
movements using pre-trained DL algorithms and spectrograms has achieved
significantly improved results for seven movement classes. When compared with
the recently proposed state-of-the-art methods, our algorithm achieved a
significant average accuracy of 84.9% for classifying seven movements.
- Abstract（参考訳）: 脊髄損傷による四肢運動の喪失は、日々の活動中に人々に影響を及ぼす可能性がある障害である。
四肢運動の回復により、脊髄損傷のある人がより自然に環境と相互作用できるようになり、ここではbci(brain-computer interface)システムが有用である。
四肢運動想像力(MI)の検出は、検出されたMIがコンピュータシステムを誘導できるようなBCIにとって重要である。
脳波(eeg)によるmi検出により,ユーザの運動の想像力を認識し,それを物理的運動に変換することができる。
本稿では,前訓練型深層学習(dl)アルゴリズムを用いて,想像上の上肢運動の分類を行う。
我々は、手足の動きの7つのクラスを表すデータを備えた、利用可能なEEGデータセットを使用する。
我々は時系列脳波信号のスペクトルを計算し、それをMI分類のためのDLモデルへの入力として利用する。
予備学習したdlアルゴリズムとスペクトログラムを用いて上肢運動を分類する新しいアプローチは,7つの動作クラスにおいて有意に改善した。
近年提案された最先端手法と比較すると,7つの動作を分類したアルゴリズムの平均精度は84.9%であった。
関連論文リスト
- 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) - DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data
via Dynamic Graph Structure Learning [58.94034282469377]
下流予測タスクによって誘導されるfMRIデータの最適時間変化依存性構造を学習する新しい手法であるDynDepNetを提案する。
実世界のfMRIデータセットの実験は、性別分類のタスクにおいて、DynDepNetが最先端の結果を達成することを実証している。
論文 参考訳（メタデータ） (2022-09-27T16:32:11Z) - Upper Limb Movement Recognition utilising EEG and EMG Signals for
Rehabilitative Robotics [0.0]
上肢運動分類のための新しい決定レベル多センサ融合手法を提案する。
システムは脳波信号をEMG信号と統合し、両方の情報源から効果的な情報を取得し、ユーザの欲求を理解し予測する。
論文 参考訳（メタデータ） (2022-07-18T14:51:23Z) - Classification of Upper Arm Movements from EEG signals using Machine
Learning with ICA Analysis [0.0]
本稿では,多層パーセプトロンニューラルネットワークを用いて,左右の動作を識別する独自のアルゴリズムを提案する。
不要信号の干渉は、アルゴリズムの性能に影響を与える脳波信号を汚染する。
論文 参考訳（メタデータ） (2021-07-18T18:56:28Z) - Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle
Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。
私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。
提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
論文 参考訳（メタデータ） (2021-04-29T00:11:32Z) - Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。
コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。
その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
論文 参考訳（メタデータ） (2021-01-26T16:01:02Z) - Deep learning-based classification of fine hand movements from low
frequency EEG [5.414308305392762]
脳波信号から異なる手の動きの分類は、関連する研究課題である。
我々は新たに提案された畳み込みニューラルネットワーク(CNN)を訓練し、テストした。
CNNは両方のデータセットで優れたパフォーマンスを達成し、ベースラインモデルと似ているか優れている。
論文 参考訳（メタデータ） (2020-11-13T07:16:06Z) - Relational Graph Learning on Visual and Kinematics Embeddings for
Accurate Gesture Recognition in Robotic Surgery [84.73764603474413]
本稿では,マルチモーダルグラフネットワーク(MRG-Net)の新たなオンラインアプローチを提案し,視覚情報とキネマティクス情報を動的に統合する。
本手法の有効性は, JIGSAWSデータセット上での最先端の成果で実証された。
論文 参考訳（メタデータ） (2020-11-03T11:00:10Z) - Motion Pyramid Networks for Accurate and Efficient Cardiac Motion
Estimation [51.72616167073565]
本研究では,心臓の運動推定を高精度かつ効率的に行うための,ディープラーニングに基づく新しいアプローチであるMotion Pyramid Networksを提案する。
我々は、複数の特徴表現から運動場のピラミッドを予測し、融合し、より洗練された運動場を生成する。
そこで我々は,新しい循環型教員教育戦略を用いて,推論をエンドツーエンドにし,トラッキング性能をさらに向上させる。
論文 参考訳（メタデータ） (2020-06-28T21:03:19Z) - Deep Learning of Movement Intent and Reaction Time for EEG-informed
Adaptation of Rehabilitation Robots [0.0]
適応は 運動学習の促進において リハビリテーションロボットにとって 重要なメカニズムです
本稿では,脳波を用いた深部畳み込みニューラルネットワーク(CNN)を提案する。
本研究は,脳波の同期データから,個別の運動成分が運動学習にどう関与するかを予測できることを示す。
論文 参考訳（メタデータ） (2020-02-18T13:20:46Z) - 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。