論文の概要: Classification of BCI-EEG based on augmented covariance matrix
- arxiv url: http://arxiv.org/abs/2302.04508v1
- Date: Thu, 9 Feb 2023 09:04:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-10 16:31:31.994443
- Title: Classification of BCI-EEG based on augmented covariance matrix
- Title（参考訳）: 拡張共分散行列に基づくBCI-EEGの分類
- Authors: Igor Carrara (UCA, CRISAM, Inria - Cronos Team), Th\'eodore
Papadopoulo (UCA, CRISAM, Inria - Cronos Team)
- Abstract要約: 本稿では,運動画像分類の改善を目的とした自己回帰モデルから抽出した拡張共分散に基づく新しいフレームワークを提案する。
私たちはMOABBフレームワークを使って、いくつかのデータセットといくつかの主題でアプローチを検証します。
- 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: Objective: Electroencephalography signals are recorded as a multidimensional
dataset. We propose a new framework based on the augmented covariance extracted
from an autoregressive model to improve motor imagery classification. Methods:
From the autoregressive model can be derived the Yule-Walker equations, which
show the emergence of a symmetric positive definite matrix: the augmented
covariance matrix. The state-of the art for classifying covariance matrices is
based on Riemannian Geometry. A fairly natural idea is therefore to extend the
standard approach using these augmented covariance matrices. The methodology
for creating the augmented covariance matrix shows a natural connection with
the delay embedding theorem proposed by Takens for dynamical systems. Such an
embedding method is based on the knowledge of two parameters: the delay and the
embedding dimension, respectively related to the lag and the order of the
autoregressive model. This approach provides new methods to compute the
hyper-parameters in addition to standard grid search. Results: The augmented
covariance matrix performed noticeably better than any state-of-the-art
methods. We will test our approach on several datasets and several subjects
using the MOABB framework, using both within-session and cross-session
evaluation. Conclusion: The improvement in results is due to the fact that the
augmented covariance matrix incorporates not only spatial but also temporal
information, incorporating nonlinear components of the signal through an
embedding procedure, which allows the leveraging of dynamical systems
algorithms. Significance: These results extend the concepts and the results of
the Riemannian distance based classification algorithm.
- Abstract（参考訳）: 目的:脳波信号は多次元データセットとして記録される。
本稿では,運動画像分類の改善を目的とした自己回帰モデルから抽出した拡張共分散に基づく新しいフレームワークを提案する。
方法:自己回帰モデルから、対称正定値行列:拡張共分散行列の出現を示すユール=ウォーカー方程式を導出することができる。
共分散行列の分類技術の現状はリーマン幾何学に基づいている。
したがって、かなり自然な考え方は、これらの拡張共分散行列を用いて標準的アプローチを拡張することである。
拡張共分散行列を作成するための方法論は、力学系に対してTakensが提唱した遅延埋め込み定理と自然な関係を示す。
このような埋め込み法は遅延と埋め込み次元という2つのパラメータの知識に基づいており、それぞれラグと自己回帰モデルの順序に関係している。
このアプローチは、標準グリッド探索に加えて、ハイパーパラメータを計算する新しい方法を提供する。
結果: 拡張共分散行列はどの最先端手法よりも顕著に向上した。
我々はMOABBフレームワークを用いて,複数のデータセットと複数の被験者に対して,セッション内評価とクロスセッション評価の両方を用いてアプローチを検証する。
結論: 拡張共分散行列は空間的情報だけでなく時間的情報も含み, 信号の非線形成分を埋め込み処理によって組み込むことにより, 動的システムアルゴリズムの活用が可能となった。
意義: これらの結果はリーマン距離に基づく分類アルゴリズムの概念と結果を拡張する。
関連論文リスト
- Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。
本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-02T04:01:38Z) - Regularized Projection Matrix Approximation with Applications to Community Detection [1.3761665705201904]
本稿では,アフィニティ行列からクラスタ情報を復元するための正規化プロジェクション行列近似フレームワークを提案する。
3つの異なるペナルティ関数について検討し, それぞれが有界, 正, スパースシナリオに対応するように調整した。
合成および実世界の両方のデータセットで行った数値実験により、我々の正規化射影行列近似アプローチはクラスタリング性能において最先端の手法を著しく上回っていることが明らかとなった。
論文 参考訳（メタデータ） (2024-05-26T15:18:22Z) - Synergistic eigenanalysis of covariance and Hessian matrices for enhanced binary classification [72.77513633290056]
本稿では, 学習モデルを用いて評価したヘッセン行列をトレーニングセットで評価した共分散行列の固有解析と, 深層学習モデルで評価したヘッセン行列を組み合わせた新しい手法を提案する。
本手法は複雑なパターンと関係を抽出し,分類性能を向上する。
論文 参考訳（メタデータ） (2024-02-14T16:10:42Z) - An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。
このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。
本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-30T15:57:14Z) - Mode-wise Principal Subspace Pursuit and Matrix Spiked Covariance Model [13.082805815235975]
行列データに対して行次元と列次元の両方に隠れたバリエーションを抽出するために,モードワイド・プリンシパル・サブスペース・スーツ (MOP-UP) と呼ばれる新しいフレームワークを導入する。
提案フレームワークの有効性と実用性は、シミュレーションと実データの両方の実験を通して実証される。
論文 参考訳（メタデータ） (2023-07-02T13:59:47Z) - Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。
この問題は楕円分布のペナルティ化された最大推定値として表される。
楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
論文 参考訳（メタデータ） (2022-10-21T13:19:45Z) - High-Dimensional Sparse Bayesian Learning without Covariance Matrices [66.60078365202867]
共分散行列の明示的な構成を避ける新しい推論手法を提案する。
本手法では, 数値線形代数と共役勾配アルゴリズムの対角線推定結果とを結合する。
いくつかのシミュレーションにおいて,本手法は計算時間とメモリにおける既存手法よりも拡張性が高い。
論文 参考訳（メタデータ） (2022-02-25T16:35:26Z) - Optimal Variable Clustering for High-Dimensional Matrix Valued Data [3.1138411427556445]
本稿では,行列形式で配置された特徴に対して,新しい潜在変数モデルを提案する。
軽度条件下では,高次元設定でクラスタリングの整合性が得られる。
この重みを使用すれば、アルゴリズムが最小値の速度最適化であることが保証されるという意味で、最適な重みを識別する。
論文 参考訳（メタデータ） (2021-12-24T02:13:04Z) - Multi-Objective Matrix Normalization for Fine-grained Visual Recognition [153.49014114484424]
双線形プールは細粒度視覚認識(FGVC)において大きな成功を収める
近年,行列パワー正規化は双線形特徴量において2次情報を安定化させることができることが示されている。
両線形表現を同時に正規化できる効率的な多目的行列正規化法(MOMN)を提案する。
論文 参考訳（メタデータ） (2020-03-30T08:40:35Z) - A Block Coordinate Descent-based Projected Gradient Algorithm for
Orthogonal Non-negative Matrix Factorization [0.0]
本稿では非負行列分解問題(NMF)に対する投影勾配法(PG)を用いる。
正則性制約をペナライズし,ブロック座標降下法を用いてPG法を適用した。
論文 参考訳（メタデータ） (2020-03-23T13:24:43Z) - Analysis of Bayesian Inference Algorithms by the Dynamical Functional
Approach [2.8021833233819486]
学生自明なシナリオにおいて,大ガウス潜在変数モデルを用いて近似推論のアルゴリズムを解析する。
完全データモデルマッチングの場合、レプリカ法から派生した静的順序パラメータの知識により、効率的なアルゴリズム更新が得られる。
論文 参考訳（メタデータ） (2020-01-14T17:22:02Z)
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。