論文の概要: Bayesian Inference on Brain-Computer Interfaces via GLASS
- arxiv url: http://arxiv.org/abs/2304.07401v2
- Date: Thu, 15 Feb 2024 04:13:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-17 00:12:39.377425
- Title: Bayesian Inference on Brain-Computer Interfaces via GLASS
- Title（参考訳）: GLASSによる脳-コンピュータインタフェースのベイズ推定
- Authors: Bangyao Zhao, Jane E. Huggins, Jian Kang
- Abstract要約: 脳波信号の低信号対雑音比(SNR)と複雑な空間的・時間的相関は、モデリングと計算における課題を示す。
完全ベイズ的枠組みの下でスパース時間変化効果(GLASS)を持つ新しいガウスラテントチャネルモデルを導入する。
筋萎縮性側索硬化症(ALS)患者におけるGLASSによるBCI改善効果について検討した。
より広範なアクセシビリティを実現するため、我々は後方計算のための効率的な勾配に基づく変分推論(GBVI)アルゴリズムを開発した。
- 参考スコア（独自算出の注目度）: 4.04514704204904
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Brain-computer interfaces (BCIs), particularly the P300 BCI, facilitate
direct communication between the brain and computers. The fundamental
statistical problem in P300 BCIs lies in classifying target and non-target
stimuli based on electroencephalogram (EEG) signals. However, the low
signal-to-noise ratio (SNR) and complex spatial/temporal correlations of EEG
signals present challenges in modeling and computation, especially for
individuals with severe physical disabilities-BCI's primary users. To address
these challenges, we introduce a novel Gaussian Latent channel model with
Sparse time-varying effects (GLASS) under a fully Bayesian framework. GLASS is
built upon a constrained multinomial logistic regression particularly designed
for the imbalanced target and non-target stimuli. The novel latent channel
decomposition efficiently alleviates strong spatial correlations between EEG
channels, while the soft-thresholded Gaussian process (STGP) prior ensures
sparse and smooth time-varying effects. We demonstrate GLASS substantially
improves BCI's performance in participants with amyotrophic lateral sclerosis
(ALS) and identifies important EEG channels (PO8, Oz, PO7, and Pz) in parietal
and occipital regions that align with existing literature. For broader
accessibility, we develop an efficient gradient-based variational inference
(GBVI) algorithm for posterior computation and provide a user-friendly Python
module available at https://github.com/BangyaoZhao/GLASS.
- Abstract（参考訳）: 脳コンピュータインタフェース(BCI)、特にP300 BCIは、脳とコンピュータ間の直接通信を促進する。
P300 BCIの基本的な統計問題は、脳波(EEG)信号に基づいて標的と非標的の刺激を分類することにある。
しかし、脳波信号の低信号対雑音比(SNR)と複雑な空間的・時間的相関は、特に重度の身体障害者(BCIの主要使用者)にとって、モデリングと計算の課題を呈している。
これらの課題に対処するために、完全にベイズ的な枠組みの下でスパース時間変化効果(GLASS)を持つ新しいガウスラテントチャネルモデルを導入する。
GLASSは、特に不均衡なターゲットと非ターゲット刺激のために設計された制約付き多項ロジスティック回帰に基づいている。
新規な潜在チャネル分解はeegチャネル間の強い空間相関を効率的に緩和するが、ソフト・スレッショルド・ガウス過程(stgp)はスパース・スムースな時間変動効果を保証する。
GLASSは筋萎縮性側索硬化症(ALS)患者のBCIを著しく改善し,既存の文献と一致した頭頂部および頭頂部における重要な脳波チャンネル(PO8,Oz,PO7,Pz)を同定した。
幅広いアクセシビリティのために、後方計算のための効率的な勾配に基づく変分推論(gbvi)アルゴリズムを開発し、https://github.com/bangyaozhao/glassでユーザフレンドリーなpythonモジュールを提供する。
関連論文リスト
- Graph Adapter of EEG Foundation Models for Parameter Efficient Fine Tuning [1.8946099300030472]
EEG-GraphAdapter (EGA) はパラメータ効率の高い微細チューニング(PEFT)アプローチである。
EGAは、GNNベースのモジュールとして、事前訓練された時間バックボーンモデルに統合される。
バックボーンのBENDRモデルと比較すると、F1スコアでは最大16.1%の性能向上を実現している。
論文 参考訳（メタデータ） (2024-11-25T07:30:52Z) - SimBa: Simplicity Bias for Scaling Up Parameters in Deep Reinforcement Learning [49.83621156017321]
SimBaは、単純さのバイアスを注入することによって、深いRLでパラメータをスケールアップするように設計されたアーキテクチャである。
SimBaでパラメータをスケールアップすることで、オフポリシー、オンポリシー、アン教師なしメソッドを含む様々なディープRLアルゴリズムのサンプル効率が一貫して改善される。
論文 参考訳（メタデータ） (2024-10-13T07:20:53Z) - Spatial Adaptation Layer: Interpretable Domain Adaptation For Biosignal Sensor Array Applications [0.7499722271664147]
バイオ署名の買収は、医療アプリケーションやウェアラブルデバイスにとって鍵となる。
既存のソリューションは、しばしば大規模で高価なデータセットを必要とする。
本稿では,任意の生体信号配列モデルに適応可能な空間適応層(SAL)を提案する。
また,学習可能なベースライン正規化(LBN)を導入し,ベースライン変動を低減する。
論文 参考訳（メタデータ） (2024-09-12T14:06:12Z) - 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) - Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。
管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
論文 参考訳（メタデータ） (2024-01-11T19:07:58Z) - A Dynamic Domain Adaptation Deep Learning Network for EEG-based Motor
Imagery Classification [1.7465786776629872]
動的ドメイン適応型ディープラーニングネットワーク(DADL-Net)を提案する。
まず、脳波データを3次元幾何学空間にマッピングし、その時空間的特徴を3次元畳み込みモジュールを通して学習する。
精度は70.42%と73.91%で、OpenBMIとBCIC IV 2aデータセットで達成された。
論文 参考訳（メタデータ） (2023-09-21T01:34:00Z) - ETLP: Event-based Three-factor Local Plasticity for online learning with
neuromorphic hardware [105.54048699217668]
イベントベース3要素局所塑性(ETLP)の計算複雑性に明らかな優位性を有する精度の競争性能を示す。
また, 局所的可塑性を用いた場合, スパイキングニューロンの閾値適応, 繰り返しトポロジーは, 時間的構造が豊富な時間的パターンを学習するために必要であることを示した。
論文 参考訳（メタデータ） (2023-01-19T19:45:42Z) - UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。
我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。
Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
論文 参考訳（メタデータ） (2022-12-08T18:59:57Z) - Fuzzy temporal convolutional neural networks in P300-based
Brain-computer interface for smart home interaction [3.726817037277484]
脳波パターンは、ノイズによる時間的変化と不確実性を示す。
これは、スマートホームインタラクションのためのP300ベースのBrain Computer Interfaceで対処すべき重要な問題である。
脳波信号、LSTM細胞、ファジィニューラルブロック(FNB)に修飾された時間畳み込みネットワーク(TCN)の逐次統合を提案する。
論文 参考訳（メタデータ） (2022-04-09T00:35:35Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳（メタデータ） (2020-12-25T07:08:50Z)
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。