論文の概要: Enhancing Low-Density EEG-Based Brain-Computer Interfaces with
Similarity-Keeping Knowledge Distillation
- arxiv url: http://arxiv.org/abs/2212.03329v1
- Date: Tue, 6 Dec 2022 21:22:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 17:28:58.798287
- Title: Enhancing Low-Density EEG-Based Brain-Computer Interfaces with
Similarity-Keeping Knowledge Distillation
- Title（参考訳）: 類似性維持型知識蒸留による低密度脳波型脳コンピューターインタフェースの強化
- Authors: Xin-Yao Huang, Sung-Yu Chen, Chun-Shu Wei
- Abstract要約: 低密度脳波モンタージュの電極数減少と頭皮領域の被覆のため、脳波復号性能の低下は避けられないことが多い。
本稿では,ニューラルネットワークモデル間の知識/情報伝達のための学習機構である知識蒸留(KD)を紹介する。
入力された脳波データに対して電極数が減少すると,運動画像脳波復号精度が常に向上する。
- 参考スコア（独自算出の注目度）: 0.966840768820136
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Electroencephalogram (EEG) has been one of the common neuromonitoring
modalities for real-world brain-computer interfaces (BCIs) because of its
non-invasiveness, low cost, and high temporal resolution. Recently,
light-weight and portable EEG wearable devices based on low-density montages
have increased the convenience and usability of BCI applications. However, loss
of EEG decoding performance is often inevitable due to reduced number of
electrodes and coverage of scalp regions of a low-density EEG montage. To
address this issue, we introduce knowledge distillation (KD), a learning
mechanism developed for transferring knowledge/information between neural
network models, to enhance the performance of low-density EEG decoding. Our
framework includes a newly proposed similarity-keeping (SK) teacher-student KD
scheme that encourages a low-density EEG student model to acquire the
inter-sample similarity as in a pre-trained teacher model trained on
high-density EEG data. The experimental results validate that our SK-KD
framework consistently improves motor-imagery EEG decoding accuracy when number
of electrodes deceases for the input EEG data. For both common low-density
headphone-like and headband-like montages, our method outperforms
state-of-the-art KD methods across various EEG decoding model architectures. As
the first KD scheme developed for enhancing EEG decoding, we foresee the
proposed SK-KD framework to facilitate the practicality of low-density
EEG-based BCI in real-world applications.
- Abstract（参考訳）: 脳電図(EEG)は、非侵襲性、低コスト、高時間分解能のため、現実世界の脳-コンピュータインターフェース(BCI)の一般的な神経モニタリング法の一つである。
近年,低密度モンタージュに基づく軽量でポータブルなEEGウェアラブルデバイスは,BCIアプリケーションの利便性とユーザビリティを高めている。
しかし,低密度脳波モンタージュの電極数減少と頭皮領域の被覆のため,脳波復号性能の低下は避けられないことが多い。
そこで本研究では,ニューラルネットワークモデル間の知識・情報伝達のための学習機構である知識蒸留(kd)を導入し,低密度脳波復号の性能を向上させる。
高密度脳波データに基づいて学習した教師モデルのように、低密度脳波学生モデルがサンプル間類似性を取得することを奨励する、新たに提案された類似性保持(SK)教師学生KDスキームを含む。
実験の結果,入力された脳波データに対して電極数が減少すると,SK-KDフレームワークは運動画像の脳波復号精度を一貫して向上することがわかった。
一般的な低密度ヘッドホンとヘッドバンドライクなモンタージュでは,脳波復号モデルアーキテクチャにおける最先端KD法よりも優れる。
脳波復号化のための最初のKDスキームとして、現実世界のアプリケーションにおける低密度脳波BCIの実現を容易にするために提案されているSK-KDフレームワークを予見する。
関連論文リスト
- EEG_GLT-Net: Optimising EEG Graphs for Real-time Motor Imagery Signals Classification [7.9035081192335115]
グラフニューラルネットワーク(GCN)は、脳波運動画像信号の分類にますます応用されている。
Pearson Coefficient correlation (PCC) を用いたリアルタイム脳波MI信号分類の最近の進歩
本稿では,EEGチャネルの隣接行列を構成する革新的な手法であるEEG_GLT(EEG Graph Lottery Ticket)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-04-17T05:16:12Z) - hvEEGNet: exploiting hierarchical VAEs on EEG data for neuroscience
applications [3.031375888004876]
脳波の既存のDLベースのモデリング手法に2つの課題がある。
被験者間の高いばらつきと低信号対雑音比は、脳波データの良好な品質を確保するのを困難にしている。
本稿では,高忠実度脳波再構成問題を対象とした2つの変分オートエンコーダモデル,すなわちvEEGNet-ver3とhvEEGNetを提案する。
論文 参考訳（メタデータ） (2023-11-20T15:36:31Z) - vEEGNet: learning latent representations to reconstruct EEG raw data via
variational autoencoders [3.031375888004876]
本稿では,2つのモジュールを持つDLアーキテクチャであるvEEGNetを提案する。つまり,データの潜在表現を抽出する変分オートエンコーダに基づく教師なしモジュールと,フィードフォワードニューラルネットワークに基づく教師付きモジュールにより異なる動作を分類する。
我々は最先端の分類性能を示し、生の脳波の低周波成分と中周波成分の両方を再構成する能力を示した。
論文 参考訳（メタデータ） (2023-11-16T19:24:40Z) - EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient
Arrhythmia Classification [79.7946379395238]
心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。
本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
論文 参考訳（メタデータ） (2023-10-24T02:37:49Z) - 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) - EEG-NeXt: A Modernized ConvNet for The Classification of Cognitive
Activity from EEG [0.0]
脳波(EEG)に基づく脳-コンピュータインタフェース(BCI)システムにおける大きな課題の1つは、認知活動の分類のために主題/セッション不変の特徴を学習することである。
転送学習を容易にする新しいエンドツーエンド機械学習パイプラインであるEEG-NeXtを提案する。
論文 参考訳（メタデータ） (2022-12-08T10:15:52Z) - MAtt: A Manifold Attention Network for EEG Decoding [0.966840768820136]
多様体注意ネットワーク(mAtt)を特徴とする脳波復号のための新しい幾何学的学習(GDL)モデルを提案する。
時間同期EEGデータセットと非同期EEGデータセットの両方におけるMAttの評価は、一般的なEEGデコーディングのための他の主要なDLメソッドよりも優れていることを示唆している。
論文 参考訳（メタデータ） (2022-10-05T02:26:31Z) - EEG-Inception: An Accurate and Robust End-to-End Neural Network for
EEG-based Motor Imagery Classification [123.93460670568554]
本稿では,脳波に基づく運動画像(MI)分類のための新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
提案したCNNモデル、すなわちEEG-Inceptionは、Inception-Timeネットワークのバックボーン上に構築されている。
提案するネットワークは、生のEEG信号を入力とし、複雑なEEG信号前処理を必要としないため、エンドツーエンドの分類である。
論文 参考訳（メタデータ） (2021-01-24T19:03:10Z) - ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。
セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。
このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文 参考訳（メタデータ） (2020-05-11T16:29:12Z) - 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。