論文の概要: Node-wise Domain Adaptation Based on Transferable Attention for Recognizing Road Rage via EEG

• arxiv url: http://arxiv.org/abs/2212.02417v1
• Date: Sun, 6 Nov 2022 13:40:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-11 13:07:16.645941
• Title: Node-wise Domain Adaptation Based on Transferable Attention for Recognizing Road Rage via EEG
• Title（参考訳）: 移動可能注意に基づく脳波による道路乱れ認識のためのノード単位の適応
• Authors: Gao Xueqi, Xu Chao, Song Yihang, Hu Jing, Xiao Jian, Meng Zhaopeng
• Abstract要約: 道路の怒りは注目に値する社会問題だが、これまではほとんど研究されていない。 本稿では,伝達性アテンション(TA)と正規化グラフニューラルネットワーク(RGNN)を組み合わせたモデルを提案する。 被験者10名を募集し, 模擬運転条件下での快楽, 怒り状態における脳波信号の収集を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Road rage is a social problem that deserves attention, but little research has been done so far. In this paper, based on the biological topology of multi-channel EEG signals,we propose a model which combines transferable attention (TA) and regularized graph neural network (RGNN). First, topology-aware information aggregation is performed on EEG signals, and complex relationships between channels are dynamically learned. Then, the transferability of each channel is quantified based on the results of the node-wise domain classifier, which is used as attention score. We recruited 10 subjects and collected their EEG signals in pleasure and rage state in simulated driving conditions. We verify the effectiveness of our method on this dataset and compare it with other methods. The results indicate that our method is simple and efficient, with 85.63% accuracy in cross-subject experiments. It can be used to identify road rage. Our data and code are available. https://github.com/1CEc0ffee/dataAndCode.git
• Abstract（参考訳）: 道路の怒りは注目に値する社会問題だが、これまではほとんど研究されていない。 本稿では,多チャンネル脳波信号の生物学的トポロジーに基づいて,転送可能注意(ta)と正規化グラフニューラルネットワーク(rgnn)を組み合わせたモデルを提案する。 まず、脳波信号上でトポロジー対応情報集約を行い、チャネル間の複雑な関係を動的に学習する。 そして、注目スコアとして使用するノード毎のドメイン分類器の結果に基づいて、各チャネルの転送可能性を定量化する。 10名の被験者を募集し,シミュレーション運転条件下での脳波信号の楽しさと怒りを収集した。 本手法の有効性を検証し,他の手法と比較する。 その結果,本手法は単純かつ効率的であり,85.63%の精度が得られた。 道路事故の特定に利用することができる。 データとコードは利用可能です。 https://github.com/1CEc0ffee/dataAndCode.git

関連論文リスト

• Large Brain Model for Learning Generic Representations with Tremendous EEG Data in BCI [6.926908480247951]
  大型脳モデル(LaBraM)と呼ばれる脳波の統一基盤モデルを提案する。 LaBraMは、EEG信号をEEGチャネルパッチにセグメント化することで、データセット間の学習を可能にする。 次に、マスクされたEEGチャネルパッチの元のニューラルコードを予測することにより、ニューラルトランスフォーマーを事前訓練する。
  論文  参考訳（メタデータ） (2024-05-29T05:08:16Z)
• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• 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)
• LSGNN: Towards General Graph Neural Network in Node Classification by Local Similarity [59.41119013018377]
  本稿では,ローカル類似性(LocalSim)を用いて,プラグイン・アンド・プレイモジュールとしても機能するノードレベルの重み付き融合を学習する。 そこで本研究では,より情報性の高いマルチホップ情報を抽出するための,新規かつ効率的な初期残留差分接続(IRDC)を提案する。 提案手法,すなわちローカル類似グラフニューラルネットワーク(LSGNN)は,ホモ親和性グラフとヘテロ親和性グラフの両方において,同等あるいは優れた最先端性能を提供できる。
  論文  参考訳（メタデータ） (2023-05-07T09:06:11Z)
• Deep comparisons of Neural Networks from the EEGNet family [0.0]
  我々は、BCIコンペティション42aデータセットの隣の多くの主題を持つオープンアクセスデータベースを用いて、よく知られた5つのニューラルネットワーク(Shallow ConvNet、Deep ConvNet、EEGNet、EEGNet、EEGNet Fusion、MI-EEGNet)を比較した。 当社のメトリクスによると、研究者はShallow ConvNetやDeep ConvNetを避けてはならない。
  論文  参考訳（メタデータ） (2023-02-17T10:39:09Z)
• EEG-BBNet: a Hybrid Framework for Brain Biometric using Graph Connectivity [1.1498015270151059]
  我々は、畳み込みニューラルネットワーク(CNN)とグラフ畳み込みニューラルネットワーク(GCNN)を統合するハイブリッドネットワークであるEEG-BBNetを提案する。 我々のモデルは、イベント関連電位(ERP)タスクにおけるすべてのベースラインを、セッション内データを用いて平均99.26%の正確な認識率で上回ります。
  論文  参考訳（メタデータ） (2022-08-17T10:18:22Z)
• Human Emotion Classification based on EEG Signals Using Recurrent Neural Network And KNN [0.0]
  脳波データからの感情分類が最近注目されている。 脳波信号は脳-コンピュータインタフェースにとって重要なリソースである。 チャネル選択前処理により, 善, 中, 負の感情に関連する脳波信号が同定された。
  論文  参考訳（メタデータ） (2022-05-10T16:20:14Z)
• Embedding Signals on Knowledge Graphs with Unbalanced Diffusion Earth Mover's Distance [63.203951161394265]
  現代の機械学習では、多くの領域における観測間の相互作用や類似性によって生じる大きなグラフに遭遇することが一般的である。 本研究では,地球移動器距離(EMD)と測地コストを基礎となるグラフ上で比較し,グラフ信号のデータセットを整理する。 いずれの場合も,UDEMDをベースとした埋め込みは,他の手法と比較して高精度な距離を求めることができる。
  論文  参考訳（メタデータ） (2021-07-26T17:19:02Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• A Compact and Interpretable Convolutional Neural Network for Cross-Subject Driver Drowsiness Detection from Single-Channel EEG [4.963467827017178]
  本稿では,ドライバの眠気検出のために,複数の被験者間で共有された脳波特徴を検出するための,コンパクトで解釈可能な畳み込みニューラルネットワークを提案する。 その結果,脳波信号の分類では,被験者11名に対して平均73.22%の精度が得られることがわかった。
  論文  参考訳（メタデータ） (2021-05-30T14:36:34Z)
• Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks [81.74442855155843]
  CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。 対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
  論文  参考訳（メタデータ） (2021-01-18T13:28:08Z)

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。