論文の概要: Two Heads are Better than One: A Bio-inspired Method for Improving Classification on EEG-ET Data

• arxiv url: http://arxiv.org/abs/2304.06471v1
• Date: Sat, 25 Mar 2023 23:44:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-16 21:58:11.476676
• Title: Two Heads are Better than One: A Bio-inspired Method for Improving Classification on EEG-ET Data
• Title（参考訳）: 2つの頭部は1つより優れている:脳波データの分類を改善するバイオインスパイア法
• Authors: Eric Modesitt, Ruiqi Yang, Qi Liu
• Abstract要約: EEGデータの分類は、Brain Computer Interfaces(BCI)とそのアプリケーションのパフォーマンスに不可欠である。 外部ノイズは、その生物学的性質と複雑なデータ収集プロセスのために、しばしば脳波データを妨害する。 脳波データの特徴選択と時間分割を統合した新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 14.086094296850122
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Classifying EEG data is integral to the performance of Brain Computer Interfaces (BCI) and their applications. However, external noise often obstructs EEG data due to its biological nature and complex data collection process. Especially when dealing with classification tasks, standard EEG preprocessing approaches extract relevant events and features from the entire dataset. However, these approaches treat all relevant cognitive events equally and overlook the dynamic nature of the brain over time. In contrast, we are inspired by neuroscience studies to use a novel approach that integrates feature selection and time segmentation of EEG data. When tested on the EEGEyeNet dataset, our proposed method significantly increases the performance of Machine Learning classifiers while reducing their respective computational complexity.
• Abstract（参考訳）: EEGデータの分類は、Brain Computer Interfaces(BCI)とそのアプリケーションのパフォーマンスに不可欠である。 しかし、外部ノイズは、その生物学的性質と複雑なデータ収集プロセスのため、しばしば脳波データを妨げる。 特に分類タスクを扱う場合、標準のEEG前処理アプローチはデータセット全体から関連するイベントや特徴を抽出する。 しかしながら、これらのアプローチはすべての関連する認知イベントを平等に扱い、時間の経過とともに脳のダイナミックな性質を見落としている。 対照的に、我々は脳波データの特徴選択と時間分割を統合する新しいアプローチを使うために神経科学研究にインスピレーションを受けています。 EEGEyeNetデータセットでテストすると,提案手法は機械学習分類器の性能を大幅に向上させ,計算複雑性を低減させる。

関連論文リスト

• Dataset Refinement for Improving the Generalization Ability of the EEG Decoding Model [2.9972387721489655]
  脳波データセットからノイズの多いデータを除去するデータセット改良アルゴリズムを提案する。 提案したアルゴリズムは、元のデータセットよりも優れた一般化性能を実現している。 脳波領域における深層学習モデルの一般化性能を効果的に向上させることができると結論付けた。
  論文  参考訳（メタデータ） (2024-10-31T05:08:24Z)
• 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)
• Understanding learning from EEG data: Combining machine learning and feature engineering based on hidden Markov models and mixed models [0.0]
  前頭蓋振動は空間ナビゲーションや記憶において重要な役割を担っていると考えられている。 EEGデータセットは非常に複雑で、神経信号の変化を解釈しにくくする。 本稿では,脳波データから特徴を抽出するために隠れマルコフと線形混合効果モデルを提案する。
  論文  参考訳（メタデータ） (2023-11-14T12:24:12Z)
• Personalized Decentralized Multi-Task Learning Over Dynamic Communication Graphs [59.96266198512243]
  本稿では,正と負の相関関係を持つタスクに対する分散・フェデレーション学習アルゴリズムを提案する。 本アルゴリズムでは,タスク間の相関関係を自動的に計算し,コミュニケーショングラフを動的に調整して相互に有益なタスクを接続し,互いに悪影響を及ぼす可能性のあるタスクを分離する。 合成ガウスデータセットと大規模セレブ属性(CelebA)データセットについて実験を行った。
  論文  参考訳（メタデータ） (2022-12-21T18:58:24Z)
• EEG4Students: An Experimental Design for EEG Data Collection and Machine Learning Analysis [3.8224226881450187]
  本稿では,BCI分類タスクのためのパーソナルコンピュータ上で効率的に動作可能な機械学習アルゴリズムについて検討する。 脳波に基づくBCIデータを収集するために、安価なコンシューマグレードデバイスを用いてこのようなBCI実験を行う方法について検討する。 我々はデータ収集プロトコルであるEEG4Studentsを開発した。
  論文  参考訳（メタデータ） (2022-08-24T19:10:11Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• 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)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• Data Augmentation for Enhancing EEG-based Emotion Recognition with Deep Generative Models [13.56090099952884]
  本稿では、感情認識モデルの性能を高めるために、脳波トレーニングデータを増強する3つの方法を提案する。 フル利用戦略では、生成されたすべてのデータが、生成されたデータの品質を判断することなく、トレーニングデータセットに拡張される。 実験結果から,脳波を用いた感情認識モデルの性能向上を図った。
  論文  参考訳（メタデータ） (2020-06-04T21:23:09Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)

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。