論文の概要: A Convolutional Spiking Network for Gesture Recognition in Brain-Computer Interfaces

• arxiv url: http://arxiv.org/abs/2304.11106v2
• Date: Thu, 27 Apr 2023 10:39:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-28 15:57:49.334321
• Title: A Convolutional Spiking Network for Gesture Recognition in Brain-Computer Interfaces
• Title（参考訳）: 脳-コンピュータインタフェースにおけるジェスチャー認識のための畳み込みスパイクネットワーク
• Authors: Yiming Ai, Bipin Rajendran
• Abstract要約: 脳信号に基づく手振り分類の例題問題に対して,簡単な機械学習に基づくアプローチを提案する。 本手法は脳波データとECoGデータの両方で異なる対象に一般化し,92.74-97.07%の範囲で精度が向上することを示した。
• 参考スコア（独自算出の注目度）: 0.8122270502556371
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Brain-computer interfaces are being explored for a wide variety of therapeutic applications. Typically, this involves measuring and analyzing continuous-time electrical brain activity via techniques such as electrocorticogram (ECoG) or electroencephalography (EEG) to drive external devices. However, due to the inherent noise and variability in the measurements, the analysis of these signals is challenging and requires offline processing with significant computational resources. In this paper, we propose a simple yet efficient machine learning-based approach for the exemplary problem of hand gesture classification based on brain signals. We use a hybrid machine learning approach that uses a convolutional spiking neural network employing a bio-inspired event-driven synaptic plasticity rule for unsupervised feature learning of the measured analog signals encoded in the spike domain. We demonstrate that this approach generalizes to different subjects with both EEG and ECoG data and achieves superior accuracy in the range of 92.74-97.07% in identifying different hand gesture classes and motor imagery tasks.
• Abstract（参考訳）: 脳-コンピューターインターフェースは、様々な治療用途のために研究されている。 通常、これは外部装置を駆動するために、脳波(ECoG)や脳波(EEG)などの技術を用いて、連続的な脳活動を測定し、分析する。 しかし、測定結果のノイズや変動性から、これらの信号の分析は困難であり、重要な計算資源を持つオフライン処理を必要とする。 本稿では,脳信号に基づく手ジェスチャー分類の例題問題に対する,シンプルながら効率的な機械学習に基づくアプローチを提案する。 スパイク領域で符号化されたアナログ信号の教師なし特徴学習に、生体インスパイアされたイベント駆動シナプス可塑性規則を用いた畳み込みスパイクニューラルネットワークを用いたハイブリッド機械学習手法を用いる。 本手法は脳波データとECoGデータの両方で異なる対象に一般化し,手動作のクラスや運動画像のタスクを識別する上で,92.74-97.07%の範囲で優れた精度を実現する。

関連論文リスト

• Method for Evaluating the Number of Signal Sources and Application to Non-invasive Brain-computer Interface [49.1574468325115]
  本稿では,時系列展開法の背後にある数学的理論を簡潔に紹介する。 提示されたアルゴリズムは、脳とコンピュータのインターフェイスから収集されたデータを解析するための貴重な数学的および分析ツールとして機能する。
  論文  参考訳（メタデータ） (2024-09-26T09:03:42Z)
• 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)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)
• An intertwined neural network model for EEG classification in brain-computer interfaces [0.6696153817334769]
  脳コンピュータインタフェース(BCI)は、脳とコンピュータまたは外部装置との間の非刺激的直接的、時折双方向通信リンクである。 マルチクラスモータ画像分類における最先端性能を実現するために特別に設計されたディープニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-08-04T09:00:34Z)
• Spatio-Temporal Analysis of Transformer based Architecture for Attention Estimation from EEG [2.7076510056452654]
  脳波信号から特定のタスクに与えられた注意状態、すなわち注意度を復元できる新しいフレームワークを提案する。 従来は電極による脳波の空間的関係をよく検討していたが, トランスフォーマネットワークを用いた空間的・時間的情報の利用も提案する。 提案したネットワークは、2つの公開データセットでトレーニングされ、検証され、最先端のモデルよりも高い結果が得られる。
  論文  参考訳（メタデータ） (2022-04-04T08:05:33Z)
• EEG-based Cross-Subject Driver Drowsiness Recognition with an Interpretable Convolutional Neural Network [0.0]
  我々は,新しい畳み込みニューラルネットワークと解釈手法を組み合わせることで,分類の重要な特徴のサンプルワイズ分析を可能にする。 その結果,11名の被験者に対して平均78.35%の精度が得られた。
  論文  参考訳（メタデータ） (2021-05-30T14:47:20Z)
• 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)
• GCNs-Net: A Graph Convolutional Neural Network Approach for Decoding Time-resolved EEG Motor Imagery Signals [8.19994663278877]
  グラフ畳み込みニューラルネットワーク(GCN)に基づく新しいディープラーニングフレームワークを提案し,生の脳波信号の復号性能を向上させる。 導入されたアプローチは、パーソナライズされた予測とグループ的な予測の両方に収束することが示されている。
  論文  参考訳（メタデータ） (2020-06-16T04:57:12Z)
• Human brain activity for machine attention [8.673635963837532]
  我々は脳波(EEG)という神経科学データを初めて活用し、人間の脳の言語処理について神経の注意モデルに知らせる。 我々は、理論上動機付けられた収穫と無作為な森林分枝を組み合わせることで、機械の注意を監督する脳波の特徴を見つける手法を考案した。 これらの特徴を関係分類の注意を規則化するために応用し、脳波が強い基準線よりも情報的であることを示す。
  論文  参考訳（メタデータ） (2020-06-09T08:39:07Z)
• Continuous Emotion Recognition via Deep Convolutional Autoencoder and Support Vector Regressor [70.2226417364135]
  マシンはユーザの感情状態を高い精度で認識できることが不可欠である。 ディープニューラルネットワークは感情を認識する上で大きな成功を収めている。 表情認識に基づく連続的感情認識のための新しいモデルを提案する。
  論文  参考訳（メタデータ） (2020-01-31T17:47:16Z)
• 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。