論文の概要: Sequential Best-Arm Identification with Application to Brain-Computer
Interface
- arxiv url: http://arxiv.org/abs/2305.11908v1
- Date: Wed, 17 May 2023 18:49:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-28 05:19:49.687698
- Title: Sequential Best-Arm Identification with Application to Brain-Computer
Interface
- Title(参考訳): 逐次ベストアーム同定と脳-コンピュータインタフェースへの応用
- Authors: Xin Zhou, Botao Hao, Jian Kang, Tor Lattimore, Lexin Li
- Abstract要約: 脳コンピュータインタフェース(BCI)は、脳と外部デバイスまたはコンピュータシステムとの直接通信を可能にする技術である。
脳波(EEG)と事象関連電位(ERP)に基づくスペルシステム(ERP)は、物理キーボードを使わずに単語をスペルできるBCIの一種である。
本稿では,固定信頼度設定と固定予算設定の下での逐次トップ2トンプソンサンプリング(STTS)アルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 34.87975833920409
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A brain-computer interface (BCI) is a technology that enables direct
communication between the brain and an external device or computer system. It
allows individuals to interact with the device using only their thoughts, and
holds immense potential for a wide range of applications in medicine,
rehabilitation, and human augmentation. An electroencephalogram (EEG) and
event-related potential (ERP)-based speller system is a type of BCI that allows
users to spell words without using a physical keyboard, but instead by
recording and interpreting brain signals under different stimulus presentation
paradigms. Conventional non-adaptive paradigms treat each word selection
independently, leading to a lengthy learning process. To improve the sampling
efficiency, we cast the problem as a sequence of best-arm identification tasks
in multi-armed bandits. Leveraging pre-trained large language models (LLMs), we
utilize the prior knowledge learned from previous tasks to inform and
facilitate subsequent tasks. To do so in a coherent way, we propose a
sequential top-two Thompson sampling (STTS) algorithm under the
fixed-confidence setting and the fixed-budget setting. We study the theoretical
property of the proposed algorithm, and demonstrate its substantial empirical
improvement through both synthetic data analysis as well as a P300 BCI speller
simulator example.
- Abstract(参考訳): 脳コンピュータインタフェース(BCI)は、脳と外部デバイスまたはコンピュータシステムとの直接通信を可能にする技術である。
個人が自分の思考だけを使ってデバイスと対話することを可能にし、医療、リハビリテーション、そして人間の増強に幅広い応用の可能性を持っている。
脳波 (eeg) と事象関連電位 (erp) に基づくスペラーシステム (bci) は、ユーザーが物理的キーボードを用いることなく、異なる刺激提示パラダイムの下で脳信号を記録・解釈することで、単語を綴ることができるbciの一種である。
従来の非適応的パラダイムは各単語の選択を独立して扱い、長い学習プロセスをもたらす。
サンプリング効率を向上させるため,マルチアームバンディットにおいて,最善のアーム識別タスクのシーケンスとして問題をキャストした。
事前訓練済みの大規模言語モデル(LLM)を利用することで、以前のタスクから学んだ知識を利用して、その後のタスクを通知し、促進する。
そこで本研究では,固定信頼度設定と固定予算設定の下での逐次トップツー・トンプソンサンプリング(STTS)アルゴリズムを提案する。
提案アルゴリズムの理論的特性について検討し, 合成データ解析とP300 BCIスペルシミュレータの例を用いて, その実質的な改善を実証する。
関連論文リスト
- BrainECHO: Semantic Brain Signal Decoding through Vector-Quantized Spectrogram Reconstruction for Whisper-Enhanced Text Generation [29.78480739360263]
本稿では,vEctor-quantized speCtrogram を用いた意味脳信号復号法を提案する。
BrainECHOは、1)音声スペクトログラムの自動符号化、2)ブレインオーディオ遅延空間アライメント、3)Whisperファインタニングによるセマンティックテキスト生成を行う。
BrainECHOは、2つの広く受け入れられたリソースで同じデータ分割設定の下で最先端のメソッドより優れている。
論文 参考訳(メタデータ) (2024-10-19T04:29:03Z) - MindSpeech: Continuous Imagined Speech Decoding using High-Density fNIRS and Prompt Tuning for Advanced Human-AI Interaction [0.0]
本稿では,脳とAIの直接インターフェースを開発することによって,人間とAIのインタラクションを実現する新しい手法を提案する。
我々はMindSpeechと呼ばれる新しいAIモデルについて論じる。
4名中3名に対してBLEU-1,BERT Pスコアなどの指標を有意に改善した。
論文 参考訳(メタデータ) (2024-07-25T16:39:21Z) - Language Generation from Brain Recordings [68.97414452707103]
本稿では,大言語モデルと意味脳デコーダの容量を利用した生成言語BCIを提案する。
提案モデルでは,視覚的・聴覚的言語刺激のセマンティック内容に整合したコヒーレントな言語系列を生成することができる。
本研究は,直接言語生成におけるBCIの活用の可能性と可能性を示すものである。
論文 参考訳(メタデータ) (2023-11-16T13:37:21Z) - Toward a realistic model of speech processing in the brain with
self-supervised learning [67.7130239674153]
生波形で訓練された自己教師型アルゴリズムは有望な候補である。
We show that Wav2Vec 2.0 learns brain-like representations with little as 600 hours of unlabelled speech。
論文 参考訳(メタデータ) (2022-06-03T17:01:46Z) - An Adaptive Contrastive Learning Model for Spike Sorting [12.043679000694258]
神経科学研究においては、個々のニューロンの活動を分離することが重要である。
大規模なシリコン技術の発展に伴い、スパイクの人工的解釈とラベル付けはますます非現実的になりつつある。
対照的な学習を通してスパイクから表現を学習する新しいモデリングフレームワークを提案する。
論文 参考訳(メタデータ) (2022-05-24T09:18:46Z) - 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) - Open Vocabulary Electroencephalography-To-Text Decoding and Zero-shot
Sentiment Classification [78.120927891455]
最先端のブレイン・トゥ・テキストシステムは、ニューラルネットワークを使用して脳信号から直接言語を復号することに成功した。
本稿では,自然読解課題における語彙的脳波(EEG)-テキスト列列列復号化とゼロショット文感性分類に問題を拡張する。
脳波-テキストデコーディングで40.1%のBLEU-1スコア、ゼロショット脳波に基づく3次感情分類で55.6%のF1スコアを達成し、教師付きベースラインを著しく上回る結果となった。
論文 参考訳(メタデータ) (2021-12-05T21:57:22Z) - Speech Command Recognition in Computationally Constrained Environments
with a Quadratic Self-organized Operational Layer [92.37382674655942]
軽量ネットワークの音声コマンド認識能力を向上するネットワーク層を提案する。
この手法はテイラー展開と二次形式の概念を借用し、入力層と隠蔽層の両方における特徴のより良い表現を構築する。
このリッチな表現は、Google音声コマンド(GSC)と合成音声コマンド(SSC)データセットに関する広範な実験で示されているように、認識精度の向上をもたらす。
論文 参考訳(メタデータ) (2020-11-23T14:40:18Z) - Transfer Learning for EEG-Based Brain-Computer Interfaces: A Review of
Progress Made Since 2016 [35.68916211292525]
脳コンピュータインタフェース(BCI)は、脳信号を用いてコンピュータと直接通信することができる。
EEGはノイズ/アーティファクトに敏感で、オブジェクト間/オブジェクト間非定常性に悩まされる。
脳波に基づくBCIシステムでは,様々な被験者に最適なパターン認識モデルを構築することは困難である。
論文 参考訳(メタデータ) (2020-04-13T16:44:55Z)
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。