論文の概要: EEG-NeXt: A Modernized ConvNet for The Classification of Cognitive
Activity from EEG
- arxiv url: http://arxiv.org/abs/2212.04951v1
- Date: Thu, 8 Dec 2022 10:15:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-12 16:23:01.338133
- Title: EEG-NeXt: A Modernized ConvNet for The Classification of Cognitive
Activity from EEG
- Title（参考訳）: EEG-NeXt:脳波からの認知活動の分類のための最新のConvNet
- Authors: Andac Demir, Iya Khalil, Bulent Kiziltan
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: One of the main challenges in electroencephalogram (EEG) based brain-computer
interface (BCI) systems is learning the subject/session invariant features to
classify cognitive activities within an end-to-end discriminative setting. We
propose a novel end-to-end machine learning pipeline, EEG-NeXt, which
facilitates transfer learning by: i) aligning the EEG trials from different
subjects in the Euclidean-space, ii) tailoring the techniques of deep learning
for the scalograms of EEG signals to capture better frequency localization for
low-frequency, longer-duration events, and iii) utilizing pretrained ConvNeXt
(a modernized ResNet architecture which supersedes state-of-the-art (SOTA)
image classification models) as the backbone network via adaptive finetuning.
On publicly available datasets (Physionet Sleep Cassette and BNCI2014001) we
benchmark our method against SOTA via cross-subject validation and demonstrate
improved accuracy in cognitive activity classification along with better
generalizability across cohorts.
- Abstract（参考訳）: 脳波(eeg)ベースの脳-コンピューターインタフェース(bci)システムの主な課題の1つは、対象/セッション不変特徴を学習し、エンドツーエンドの識別設定で認知活動の分類を行うことである。
本稿では,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。
一 ユークリッド空間における異なる主題からの脳波試験の調整
二 低周波・長周期事象の周波数定位を改善するために脳波信号のスカルグラムの深部学習技術を調整すること、及び
三 適応微調整によるバックボーンネットワークとして、事前訓練されたConvNeXt(最先端(SOTA)画像分類モデルに取って代わる近代化されたResNetアーキテクチャ)を利用する。
公開データセット (Physionet Sleep Cassette と BNCI2014001) 上で, クロスオブジェクト検証によるSOTAに対する手法のベンチマークを行い, コホート間の一般化性の向上とともに, 認知活動分類の精度の向上を実証した。
関連論文リスト
- Evaluating Fast Adaptability of Neural Networks for Brain-Computer Interface [0.23020018305241333]
我々は,CNN(Convolutional Neural Networks)に基づく分類器の入力として,運動運動と想像信号を用いる。
実験により,CNNを用いたEEG分類器の適応性は10段階未満で向上することが示された。
論文 参考訳（メタデータ） (2024-04-14T22:36:53Z) - EEG decoding with conditional identification information [7.873458431535408]
脳波信号を復号することは、人間の脳を解き放ち、脳とコンピュータのインターフェースを進化させるのに不可欠である。
従来の機械学習アルゴリズムは、高ノイズレベルと脳波信号の個人間変動によって妨げられている。
ディープニューラルネットワーク(DNN)の最近の進歩は、その高度な非線形モデリング能力のために、将来性を示している。
論文 参考訳（メタデータ） (2024-03-21T13:38:59Z) - 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) - Enhancing Low-Density EEG-Based Brain-Computer Interfaces with
Similarity-Keeping Knowledge Distillation [0.966840768820136]
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。
論文 参考訳（メタデータ） (2022-12-06T21:22:02Z) - 2021 BEETL Competition: Advancing Transfer Learning for Subject
Independence & Heterogenous EEG Data Sets [89.84774119537087]
我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。
第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。
タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
論文 参考訳（メタデータ） (2022-02-14T12:12:20Z) - CNN-based Approaches For Cross-Subject Classification in Motor Imagery:
From The State-of-The-Art to DynamicNet [0.2936007114555107]
運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)システムは、コミュニケーションと制御の代替手段を提供するためにますます採用されています。
信頼できるBCIシステムを得るには、脳信号からMIを正確に分類することが不可欠です。
ディープラーニングアプローチは、標準的な機械学習技術の有効な代替手段として現れ始めている。
論文 参考訳（メタデータ） (2021-05-17T14:57:13Z) - 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) - 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) - 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) - Few-Shot Relation Learning with Attention for EEG-based Motor Imagery
Classification [11.873435088539459]
脳波(EEG)信号に基づく脳-コンピュータインタフェース(BCI)が注目されている。
運動画像(MI)データは、リハビリテーションや自律運転のシナリオに使用することができる。
脳波に基づくBCIシステムにはMI信号の分類が不可欠である。
論文 参考訳（メタデータ） (2020-03-03T02:34:44Z) - 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。